一种核动力系统中失效传感器的数据重构方法及装置与流程

本发明涉及传感器信息重构，具体涉及一种核动力系统中失效传感器的数据重构方法及装置。

背景技术：

1、核动力装置在运行中，当表征系统和设备的运行参数异常时，既可能是由系统和设备的故障而导致，也可能是由于传感器故障而导致的。传感器测量数据是系统和设备状态监测的基础，需首先保证其测量值的有效性和准确性，核电厂的传感器存在应用于高温、高压、高湿度、高腐蚀或高放射性条件下，随着核电厂运行时间的增加，传感器可能出现不同程度的老化或故障，导致传感器数据漂移、精度下降甚至完全失效。

2、世界核能运营者协会(world association of nuclear operators，wano)的统计数据显示：在核电厂所有运行事件中，约有10％与传感器异常直接相关的。国内外针对传感器故障的检测与重构进行了许多相关研究，如olssn等利用插值方法重建传感器中的错误数据；ustoorikar与deo等通过空间相关性利用遗传编程对错误数据进行填充；kullaa利用传感器测量中的协方差，采用最小均方误差技术重建传感器数据；chosun大学提出了模糊支持向量回归的数据模型(fsvr)，用于核电厂蒸汽发生器给水流量速率的重构；印度科学院提出了一种基于卡尔曼滤波的传感器重构技术，可用于线性系统的稳态和瞬态工况；美国西北太平洋国家实验室提出了一种基于过程模型的传感器重构技术，用于核电厂能量相关系统的重构。

3、现有专利cn116610973a公开了一种传感器故障监测及失效信息重构方法及系统，该方法首先基于鲁棒性改进的主元分析方法对核电厂传感器故障检测与故障辨识；然后基于最大互信息系数、卷积自编码器、长短时记忆网络和自注意力机制对核电厂传感器的失效信息进行重构；基于改进粒子群优化算法的超参数自动寻优，最终完成模型的验证与测试。该方案中结合长短时记忆网络和自注意力机制对核电厂传感器的失效信息进行重构，可能会增加模型的计算复杂度和训练成本，同时采用该混合模型可能会导致重构数据的准确性降低。

4、现有专利cn116429056a公开了一种基于空间相关性的无监督残差网络传感器数据重构方法，该方法包括以下步骤：首先采集角位置传感器所测量的实际数据并存储至服务器中；随后基于角位置传感器系统的期望测量输出数据与实际采集的数据，获取测量数据残差，确认失效的角位置传感器；基于互信息熵理论和测量数据残差，获取各角位置传感器与失效角位置传感器的关联性；选取若干个与失效角位置传感器的关联性靠前的角位置传感器；将选取的各角位置传感器测量数据输入残差网络进行迭代，如果残差网络输出数据小于所设定的阈值，则获取最优化的残差网络输出数据；基于最优化的残差网络输出数据，重构失效角位置传感器的测量数据。该方案通过无监督残差网络进行传感器数据重构时，对于复杂的模式和关系的捕捉能力较差，得到的重构数据的准确性较低。

5、综上所述，上述两个现有专利均未解决对失效传感器的数据重构时，重构值准确度较低的问题。

技术实现思路

1、基于上述技术问题，本发明提出一种核动力系统中失效传感器的数据重构方法及装置，解决现有技术中对失效传感器数据的重构准确度较低的问题。

2、为实现上述目的，本发明提出一种核动力系统中失效传感器的数据重构方法。

3、一种核动力系统中失效传感器的数据重构方法，包括：

4、获取核动力系统稳态运行下传感器的历史正常运行数据和核动力系统故障工况下失效传感器的历史异常运行数据；

5、计算历史正常运行数据和历史异常运行数据的数据相关性，并根据数据相关性筛选失效传感器的关联传感器，以及获取关联传感器的重构参考传感器数据；

6、对重构参考传感器数据进行预处理；

7、将预处理后的重构参考传感器数据输入至transformer重构模型，对transformer重构模型进行训练；

8、获取核动力系统中当前失效传感器对应的运行数据；

9、利用训练好的transformer重构模型对运行数据进行重构。

10、进一步地，计算历史正常运行数据和历史异常运行数据的数据相关性，并根据数据相关性筛选失效传感器的关联传感器，包括：

11、利用spearman方法计算历史正常运行数据和历史异常运行数据之间的相关系数，spearman方法通过公式一表示，其中，ri表示待分析的历史正常运行数据x、历史异常运行数据y在排序后的秩次，n为运行数据的数量；

12、将相关系数与预设相关系数进行比较；

13、确定相关系数大于预设相关系数的传感器为关联传感器。

14、进一步地，对重构参考传感器数据进行预处理，包括：

15、对重构参考传感器数据进行标准化处理，将数据值投影至[0，1]之间，标准化处理方式通过公式二表示：x*＝(x-min)/(max-min)，其中max为重构参考传感器数据中的最大值，min为重构参考传感器数据中的最小值。

16、进一步地，对重构参考传感器数据进行预处理，还包括：

17、使用正弦函数和余弦函数对标准化处理后的重构参考传感器数据进行位置编码，得到具有位置信息的重构参考传感器数据，正弦函数和余弦函数的频率不同，

18、正弦函数为

19、余弦函数为

20、其中，t表示时间步，dmodel表示输入特征的维度总数，i表示输入特征的维度编号，i的取值范围是[0，dmodel/2]。

21、进一步地，transformer重构模型的子模块包括一个多头自注意力机制层和一个全连接层，将预处理后的重构参考传感器数据输入至transformer重构模型，对transformer重构模型进行训练，包括：

22、将预处理后的重构参考传感器数据矩阵经过线性变换映射到查询矩阵q、键矩阵k及值矩阵v，

23、q＝linear(x)＝xwq

24、k＝linear(x)＝xwk

25、v＝linear(x)＝xwν

26、其中，wq，wk，wν均为线性变换权重矩阵，x为重构参考传感器数据矩阵；

27、利用transformer重构模型的多头自注意力机制确定查询矩阵q、键矩阵k及值矩阵v对应的输出headi，多头自注意力机制对应的公式为，

28、公式三，

29、公式四，

30、其中，分别是空间向量矩阵q，k，v第i头的线性变换权重矩阵，dk为空间向量矩阵q，k，v矩阵每一行的维度，selfattention(q,k,v)为自注意力机制函数，softmax为归一化函数；

31、对输出headi进行拼接，形成多头自注意力机制层的输出，拼接方式通过公式五表示，

32、multihead(q,k,v)＝concat(head1,…,headh)w0，其中，concat为拼

33、接函数，w0为多头自注意力矩阵拼接后对应的线性变换权重矩阵，multihead(q,k,v)表示多头自注意力机制层的输出；

34、将多头自注意力机制层的输出和预处理后的重构参考传感器数据相加得到的新的输出，并对新的输出进行层归一化处理；

35、将层归一化处理后的新的输出输入至全连接层，经过全连接层的激活函数处理，输出重构结果；

36、基于重构结果和重构参考传感器数据，利用标准均方根误差损失函数计算训练误差；

37、根据训练误差对transformer重构模型进行迭代训练。

38、进一步地，对新的输出进行层归一化处理，包括：

39、通过公式六对新的输出进行层归一化处理，公式六，

40、

41、其中，xij为新的输出矩阵第i行第j列的值，μj为新的输出矩阵第j列的均值，为新的输出矩阵第j列的方差，ε为常数，layernorm(x)为层归一化函数。

42、进一步地，包括：在多头自注意力机制层和全连接层之间进行dropout随机失活操作。

43、进一步地，对transformer重构模型进行训练，还包括：

44、利用遗传算法对transformer重构模型中的参数进行迭代优化，确定最优的参数组合。

45、进一步地，利用遗传算法对transformer重构模型中的参数进行迭代优化，确定最优的参数组合，包括：

46、将transformer重构模型中的参数组合作为种群，对种群进行随机初始化；

47、利用遗传算法对种群中每个个体的值进行二进制编码；

48、通过适应度函数计算每个个体的适应度，适应度函数为：其中，di为第i个个体的期望输出，vi为第i个个体的网络输出；

49、基于适应度，从种群中选择个体，并对选定的个体进行交叉、变异操作；

50、循环执行适应度计算、选择个体、交叉及变异操作，直至达到预设迭代次数，输出最优的参数组合。

51、进一步地，基于适应度，从种群中选择个体，并对选定的个体进行交叉、变异操作，包括：

52、采用轮盘赌方法从种群中选择个体，所有个体被选择的概率之和为1；

53、根据预设的交叉概率，采用多点交叉法对选定个体中的两个个体进行交叉操作；

54、根据预设的变异概率，采用单点变异方法对选定的个体或交叉操作后的个体进行变异操作。

55、进一步地，在获取核动力系统中当前失效传感器对应的运行数据之前，还包括：

56、获取核动力系统中各传感器的运行数据，利用核主元分析法对运行数据进行分析，确定失效传感器。

57、进一步地，获取当前核动力系统中各传感器的运行数据，利用核主元分析法对运行数据进行分析，确定失效传感器，包括：

58、基于历史正常运行数据，利用核主元分析法确定主元空间统计量阈值和残差空间统计量阈值；

59、基于核动力系统中各传感器的运行数据，利用核主元分析法确定主元空间投影统计量和残差空间投影统计量；

60、判断主元空间投影统计量是否大于主元空间统计量阈值，以及判断残差空间投影统计量是否大于残差空间统计量阈值；

61、当主元空间投影统计量大于对应的主元空间统计量阈值时，和/或残差空间投影统计量大于残差空间统计量阈值时，确定核动力系统运行异常；

62、利用核主元分析法确定各传感器的贡献率；

63、如果某一传感器的贡献率超出预设贡献率，则确定该传感器为失效传感器。

64、进一步地，基于历史正常运行数据，利用核主元分析法确定主元空间统计量阈值和残差空间统计量阈值，包括：

65、通过公式七对历史正常运行数据进行标准化处理，公式七为，x*＝(x-mean)/std，其中，mean为每列数据的均值，std为数据的标准差；

66、基于标准化处理后的数据，利用高斯径向基核函数求取核矩阵，高斯径向基核函数为，其中∥x-y∥为欧几里得距离，σ为方差，k(x,y)为核函数的输出；

67、通过公式八对核矩阵进行中心化处理，公式八为，其中k为核矩阵，sn为一个n×n的矩阵，其所有元素均为1/n；

68、利用特征分解对中心化后的核矩阵的特征值和特征向量进行求解；

69、基于特征值，根据主元方差累积贡献率cpv确定主元数目，主元方差累积贡献率cpv的计算方式对应公式九，公式九，其中，k为主元数目，λi和λj为第i个、第j个特征值，pv表示第i个主元包含的信息占原始数据总信息量的百分比；cpv表示前k个主元所包含原始信息的总百分比；

70、基于主元数目对特征向量进行划分，根据划分后的特征向量构建主元空间投影矩阵和残差空间投影矩阵；

71、依据主元空间投影矩阵和残差空间投影矩阵，通过公式十和公式十一分别确定主元空间投影统计量阈值和残差空间投影统计量阈值，公式十，其中，为主元空间投影统计量阈值，α为置信水平，fα(k,n-k)为一种分布，其自由度为k和n-k；

72、公式十一，其中，qα为残差空间投影统计量阈值，cα为标准正态分布(1-α)置信区间。

73、进一步地，基于核动力系统中各传感器的运行数据，利用核主元分析法确定主元空间投影统计量和残差空间投影统计量，包括：

74、通过公式十二确定主元空间投影统计量，公式十二，其中，t2为主元空间投影统计量，λk为diag(λ1,λ2,…,λn)，为划分后的特征向量组成的主元空间，为的转置，xt为x的转置，x为传感器运行数据组成的向量；

75、通过公式十三确定残差空间投影统计量，公式十三，其中，为传感器运行数据组成的向量在残差空间的投影，i为单位矩阵，为主元空间投影矩阵。

76、进一步地，利用核主元分析法确定各传感器的贡献率，包括：

77、通过公式十四确定传感器对t2统计量的贡献率，公式十四，其中，为传感器对t2统计量的贡献率，t为得分向量，即pj,i为协方差矩阵的特征向量pj的第i个元素，xi＝[0,…,0,xi,0,…,0]t；

78、通过公式十五确定传感器对q统计量的贡献率，公式十五，其中，qi为传感器对q统计量的贡献率。

79、为实现上述目的，本发明提出一种核动力系统中失效传感器的数据重构装置。

80、一种核动力系统中失效传感器的数据重构装置，包括：

81、第一获取模块，用于获取核动力系统稳态运行下传感器的历史正常运行数据和核动力系统故障工况下失效传感器的历史异常运行数据；

82、计算模块，用于计算历史正常运行数据和历史异常运行数据的数据相关性，并根据数据相关性筛选失效传感器的关联传感器，以及获取关联传感器的重构参考传感器数据；

83、预处理模块，用于对重构参考传感器数据进行预处理；

84、训练模块，用于将预处理后的重构参考传感器数据输入至transformer重构模型，对transformer重构模型进行训练；

85、第二获取模块，用于获取核动力系统中当前失效传感器对应的运行数据；

86、重构模块，用于利用训练好的transformer重构模型对运行数据进行重构。

87、进一步地，计算模块，用于：

88、利用spearman方法计算历史正常运行数据和历史异常运行数据之间的相关系数，spearman方法通过公式一表示，其中，ri表示待分析的历史正常运行数据x、历史异常运行数据y在排序后的秩次，n为运行数据的数量；

89、将相关系数与预设相关系数进行比较；

90、确定相关系数大于预设相关系数的传感器为关联传感器。

91、进一步地，预处理模块，用于：

92、对重构参考传感器数据进行标准化处理，将数据值投影至[0，1]之间，标准化处理方式通过公式二表示：x*＝(x-min)/(max-min)，其中max为重构参考传感器数据中的最大值，min为重构参考传感器数据中的最小值。

93、进一步地，预处理模块，还用于：

94、使用正弦函数和余弦函数对标准化处理后的重构参考传感器数据进行位置编码，得到具有位置信息的重构参考传感器数据，正弦函数和余弦函数的频率不同，

95、正弦函数为

96、余弦函数为

97、其中，t表示时间步，dmodel表示输入特征的维度总数，i表示输入特征的维度编号，i的取值范围是[0，dmodel/2]。

98、进一步地，transformer重构模型的子模块包括一个多头自注意力机制层和一个全连接层，训练模块，用于：

99、将预处理后的重构参考传感器数据矩阵经过线性变换映射到查询矩阵q、键矩阵k及值矩阵v，

100、q＝linear(x)＝xwq

101、k＝linear(x)＝xwk

102、v＝linear(x)＝xwν

103、其中，wq，wk，wν均为线性变换权重矩阵，x为重构参考传感器数据矩阵；

104、利用transformer重构模型的多头自注意力机制确定查询矩阵q、键矩阵k及值矩阵v对应的输出headi，多头自注意力机制对应的公式为，

105、公式三，

106、公式四，

107、其中，分别是空间向量矩阵q，k，v第i头的线性变换权重矩阵，dk为空间向量矩阵q，k，v矩阵每一行的维度，selfattention(q,k,v)为自注意力机制函数，softmax为归一化函数；

108、对输出headi进行拼接，形成多头自注意力机制层的输出，拼接方式通过公式五表示，

109、multihead(q,k,v)＝concat(head1,…,headh)w0，其中，concat为拼

110、接函数，w0为多头自注意力矩阵拼接后对应的线性变换权重矩阵，multihead(q,k,v)表示多头自注意力机制层的输出；

111、将多头自注意力机制层的输出和预处理后的重构参考传感器数据相加得到的新的输出，并对新的输出进行层归一化处理；

112、将层归一化处理后的新的输出输入至全连接层，经过全连接层的激活函数处理，输出重构结果；

113、基于重构结果和重构参考传感器数据，利用标准均方根误差损失函数计算训练误差；

114、根据训练误差对transformer重构模型进行迭代训练。

115、进一步地，对新的输出进行层归一化处理，包括：

116、通过公式六对新的输出进行层归一化处理，公式六，

117、

118、其中，xij为新的输出矩阵第i行第j列的值，μj为新的输出矩阵第j列的均值，为新的输出矩阵第j列的方差，ε为常数，layernorm(x)为层归一化函数。

119、进一步地，包括：在多头自注意力机制层和全连接层之间进行dropout随机失活操作。

120、进一步地，训练模块，还用于：

121、利用遗传算法对transformer重构模型中的参数进行迭代优化，确定最优的参数组合。

122、进一步地，利用遗传算法对transformer重构模型中的参数进行迭代优化，确定最优的参数组合，包括：

123、将transformer重构模型中的参数组合作为种群，对种群进行随机初始化；

124、利用遗传算法对种群中每个个体的值进行二进制编码；

125、通过适应度函数计算每个个体的适应度，适应度函数为：其中，di为第i个个体的期望输出，vi为第i个个体的网络输出；

126、基于适应度，从种群中选择个体，并对选定的个体进行交叉、变异操作；

127、循环执行适应度计算、选择个体、交叉及变异操作，直至达到预设迭代次数，输出最优的参数组合。

128、进一步地，基于适应度，从种群中选择个体，并对选定的个体进行交叉、变异操作，包括：

129、采用轮盘赌方法从种群中选择个体，所有个体被选择的概率之和为1；

130、根据预设的交叉概率，采用多点交叉法对选定个体中的两个个体进行交叉操作；

131、根据预设的变异概率，采用单点变异方法对选定的个体或交叉操作后的个体进行变异操作。

132、进一步地，在获取核动力系统中当前失效传感器对应的运行数据之前，还包括第三获取模块，用于：

133、获取核动力系统中各传感器的运行数据，利用核主元分析法对运行数据进行分析，确定失效传感器。

134、进一步地，第三获取模块，用于：

135、基于历史正常运行数据，利用核主元分析法确定主元空间统计量阈值和残差空间统计量阈值；

136、基于核动力系统中各传感器的运行数据，利用核主元分析法确定主元空间投影统计量和残差空间投影统计量；

137、判断主元空间投影统计量是否大于主元空间统计量阈值，以及判断残差空间投影统计量是否大于残差空间统计量阈值；

138、当主元空间投影统计量大于对应的主元空间统计量阈值时，和/或残差空间投影统计量大于残差空间统计量阈值时，确定核动力系统运行异常；

139、利用核主元分析法确定各传感器的贡献率；

140、如果某一传感器的贡献率超出预设贡献率，则确定该传感器为失效传感器。

141、进一步地，基于历史正常运行数据，利用核主元分析法确定主元空间统计量阈值和残差空间统计量阈值，包括：

142、通过公式七对历史正常运行数据进行标准化处理，公式七为，x*＝(x-mean)/std，其中，mean为每列数据的均值，std为数据的标准差；

143、基于标准化处理后的数据，利用高斯径向基核函数求取核矩阵，高斯径向基核函数为，其中∥x-y∥为欧几里得距离，σ为方差，k(x,y)为核函数的输出；

144、通过公式八对核矩阵进行中心化处理，公式八为，其中k为核矩阵，sn为一个n×n的矩阵，其所有元素均为1/n；

145、利用特征分解对中心化后的核矩阵的特征值和特征向量进行求解；

146、基于特征值，根据主元方差累积贡献率cpv确定主元数目，主元方差累积贡献率cpv的计算方式对应公式九，公式九，其中，k为主元数目，λi和λj为第i个、第j个特征值，pv表示第i个主元包含的信息占原始数据总信息量的百分比；cpv表示前k个主元所包含原始信息的总百分比；

147、基于主元数目对特征向量进行划分，根据划分后的特征向量构建主元空间投影矩阵和残差空间投影矩阵；

148、依据主元空间投影矩阵和残差空间投影矩阵，通过公式十和公式十一分别确定主元空间投影统计量阈值和残差空间投影统计量阈值，公式十，其中，为主元空间投影统计量阈值，α为置信水平，fα(k,n-k)为一种分布，其自由度为k和n-k；

149、公式十一，其中，qα为残差空间投影统计量阈值，cα为标准正态分布(1-α)置信区间。

150、进一步地，基于核动力系统中各传感器的运行数据，利用核主元分析法确定主元空间投影统计量和残差空间投影统计量，包括：

151、通过公式十二确定主元空间投影统计量，公式十二，其中，t2为主元空间投影统计量，λk为diag(λ1,λ2,…,λn)，为划分后的特征向量组成的主元空间，为的转置，xt为x的转置，x为传感器运行数据组成的向量；

152、通过公式十三确定残差空间投影统计量，公式十三，其中，为传感器运行数据组成的向量在残差空间的投影，i为单位矩阵，为主元空间投影矩阵。

153、进一步地，利用核主元分析法确定各传感器的贡献率，包括：

154、通过公式十四确定传感器对t2统计量的贡献率，公式十四，其中，为传感器对t2统计量的贡献率，t为得分向量，即pj,i为协方差矩阵的特征向量pj的第i个元素，xi＝[0,…,0,xi,0,…,0]t；

155、通过公式十五确定传感器对q统计量的贡献率，公式十五，其中，qi为传感器对q统计量的贡献率。

156、基于上述技术方案，本发明至少具有如下有益效果：

157、1、本发明选用transformer模型作为重构模型，将重构参考传感器数据转化为向量形式输入至重构模型，并加入位置编码以捕捉序列元素的顺序信息，利用多头自注意力机制实现特征的自动选择和加权，使得模型能够关注到输入数据中不同部分的信息，高效地进行特征提取，实现自适应地、准确地、快速地基于重构参考传感器运行数据对失效传感器检测值进行预测，避免异常传感器检测值对控制系统与运行人员带来的干扰。

158、2、本发明在对transformer重构模型进行训练时，利用遗传优化算法对模型中涉及到的重要参数进行优化，该方法能够降低模型在不同应用条件下预测值相比真实值的误差，提高重构数据的准确性，同时解决手动调整超参数依赖人工经验指导且耗费时间长的问题。

159、3、本发明利用核主元分析方法建立核动力系统异常原因识别模型，通过划分主元空间与残差空间来计算运行数据向量的投影，进而通过计算t2和q统计量来实现异常检测与原因判别。相比传统的神经网络方法，本方法无需采集故障数据进行模型训练，在减少训练数据获得成本的同时保证分类精度；此外该方法通过核主元分析方法中的核函数揭示数据的内在结构和特性，提高特征提取和分类的准确性，同时无需显式地进行复杂非线性变换，而是直接计算高维空间中的内积，能够降低模型计算的复杂度。

技术特征：

1.一种核动力系统中失效传感器的数据重构方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，计算所述历史正常运行数据和所述历史异常运行数据的数据相关性，并根据所述数据相关性筛选所述失效传感器的关联传感器，包括：

3.根据权利要求1所述的方法，其特征在于，对所述重构参考传感器数据进行预处理，包括：

4.根据权利要求3所述的方法，其特征在于，对所述重构参考传感器数据进行预处理，还包括：

5.根据权利要求1所述的方法，其特征在于，所述transformer重构模型的子模块包括一个多头自注意力机制层和一个全连接层，将预处理后的重构参考传感器数据输入至transformer重构模型，对所述transformer重构模型进行训练，包括：

6.根据权利要求5所述的方法，其特征在于，对所述新的输出进行层归一化处理，包括：

7.根据权利要求5所述的方法，其特征在于，包括：在所述多头自注意力机制层和所述全连接层之间进行dropout随机失活操作。

8.根据权利要求1所述的方法，其特征在于，对所述transformer重构模型进行训练，还包括：

9.根据权利要求8所述的方法，其特征在于，利用遗传算法对所述transformer重构模型中的参数进行迭代优化，确定最优的参数组合，包括：

10.根据权利要求9所述的方法，其特征在于，基于所述适应度，从所述种群中选择个体，并对选定的个体进行交叉、变异操作，包括：

11.根据权利要求1所述的方法，其特征在于，在获取所述核动力系统中当前失效传感器对应的运行数据之前，还包括：

12.根据权利要求11所述的方法，其特征在于，获取当前核动力系统中各传感器的运行数据，利用核主元分析法对所述运行数据进行分析，确定失效传感器，包括：

13.根据权利要求12所述的方法，其特征在于，基于所述历史正常运行数据，利用核主元分析法确定主元空间统计量阈值和残差空间统计量阈值，包括：

14.根据权利要求12所述的方法，其特征在于，基于所述核动力系统中各传感器的运行数据，利用所述核主元分析法确定主元空间投影统计量和残差空间投影统计量，包括：

15.根据权利要求12所述的方法，其特征在于，利用所述核主元分析法确定各传感器的贡献率，包括：

16.一种核动力系统中失效传感器的数据重构装置，其特征在于，包括：

17.根据权利要求16所述的装置，其特征在于，所述计算模块，用于：

18.根据权利要求16所述的装置，其特征在于，所述预处理模块，用于：

19.根据权利要求18所述的装置，其特征在于，所述预处理模块，还用于：

20.根据权利要求16所述的装置，其特征在于，所述transformer重构模型的子模块包括一个多头自注意力机制层和一个全连接层，所述训练模块，用于：

21.根据权利要求20所述的装置，其特征在于，对所述新的输出进行层归一化处理，包括：

22.根据权利要求20所述的装置，其特征在于，包括：在所述多头自注意力机制层和所述全连接层之间进行dropout随机失活操作。

23.根据权利要求16所述的装置，其特征在于，所述训练模块，还用于：

24.根据权利要求23所述的装置，其特征在于，利用遗传算法对所述transformer重构模型中的参数进行迭代优化，确定最优的参数组合，包括：

25.根据权利要求24所述的装置，其特征在于，基于所述适应度，从所述种群中选择个体，并对选定的个体进行交叉、变异操作，包括：

26.根据权利要求16所述的装置，其特征在于，在获取所述核动力系统中当前失效传感器对应的运行数据之前，还包括第三获取模块，用于：

27.根据权利要求26所述的装置，其特征在于，所述第三获取模块，用于：

28.根据权利要求27所述的装置，其特征在于，基于所述历史正常运行数据，利用核主元分析法确定主元空间统计量阈值和残差空间统计量阈值，包括：

29.根据权利要求27所述的装置，其特征在于，基于所述核动力系统中各传感器的运行数据，利用所述核主元分析法确定主元空间投影统计量和残差空间投影统计量，包括：

30.根据权利要求27所述的装置，其特征在于，利用所述核主元分析法确定各传感器的贡献率，包括：

技术总结
本发明公开了一种核动力系统中失效传感器的数据重构方法及装置，该方法包括以下步骤：获取核动力系统稳态运行下传感器的历史正常运行数据和核动力系统故障工况下失效传感器的历史异常运行数据；随后计算历史正常运行数据和历史异常运行数据的数据相关性，并根据数据相关性筛选失效传感器的关联传感器，以及获取关联传感器的重构参考传感器数据；对重构参考传感器数据进行预处理；将预处理后的重构参考传感器数据输入至Transformer重构模型，对Transformer重构模型进行训练；获取核动力系统中当前失效传感器对应的运行数据；最终利用训练好的Transformer重构模型对运行数据进行重构。通过该方法及装置解决对失效传感器的数据重构准确度较低的问题。

技术研发人员：于方小稚,徐钊,苗壮,王航,马乾坤
受保护的技术使用者：中国核电工程有限公司
技术研发日：
技术公布日：2024/12/5