樊煥然 許花

中國核電工程有限公司

基于MATLAB神經(jīng)網(wǎng)絡工具箱的核電廠故障診斷

樊煥然 許花

中國核電工程有限公司

本文將MATLAB神經(jīng)網(wǎng)絡工具箱應用于核電廠的狀態(tài)檢測與故障診斷，通過對核電廠典型故障的特性分析，確定網(wǎng)絡的輸入輸出并建立相應的網(wǎng)絡結構。為驗證神經(jīng)網(wǎng)絡故障診斷的有效性，本文對核電廠蒸汽發(fā)生器系統(tǒng)進行了仿真實驗，驗證了神經(jīng)網(wǎng)絡故障診斷的準確性、實時性和可擴充性。

神經(jīng)網(wǎng)絡；核電廠；故障診斷

引言

在核電站的設計、建造施工及其運行過程中，對其安全性的高要求貫穿始終。在核電站的運行過程中，當發(fā)生擾動或出現(xiàn)異常時，操作人員能否在第一時間采取正確的決策與操作行動在很大程度上取決于操作人員對運行狀態(tài)和異常情況的識別能力。然而,當操作人員獲得的狀態(tài)信息不真實、不完整或不確定時，有可能導致誤操作。因此，要求有更有效的智能診斷技術和推理手段，幫助操作人員發(fā)現(xiàn)核電廠故障的早期征兆，盡可能準確地確定發(fā)生的故障，以及故障對系統(tǒng)總體安全的影響，并幫助操作人員做出正確決策，指導操作人員進行應急操作。

近些年，人工神經(jīng)網(wǎng)絡在故障診斷領域的應用越來越廣泛。人工神經(jīng)網(wǎng)絡有計算精度高、收斂速度快、實時性好等一系列其他算法所不能比擬的優(yōu)點。MATLAB神經(jīng)網(wǎng)絡工具箱集成了大部分常用的神經(jīng)網(wǎng)絡，使用者直接調(diào)用相應函數(shù)即可，提高了工作效率，也降低了對使用者編程水平的要求。

根據(jù)網(wǎng)絡結構和算法的不同，神經(jīng)網(wǎng)絡可分為很多類型。本文選用MATLAB神經(jīng)網(wǎng)絡工具箱中的廣義回歸網(wǎng)絡（GRNN）對核電站設備進行故障診斷，最后對仿真結果進行分析。

1.廣義回歸神經(jīng)網(wǎng)絡（GRNN）的結構及算法

廣義回歸神經(jīng)網(wǎng)絡是用徑向基神經(jīng)元和線性神經(jīng)元建立的。

首先我們需要了解徑向基（RBF）網(wǎng)絡，RBF網(wǎng)絡是以函數(shù)逼近理論為基礎構造的一類前向網(wǎng)絡，具有結構自適應確定、輸出與初始權值無關等優(yōu)良特性[1]。它是由輸入層、隱層和輸出層構成的三層前向網(wǎng)絡，隱層采用徑向基函數(shù)作為激勵函數(shù)，該徑向基函數(shù)一般為高斯函數(shù)，如圖1所示，隱層每個神經(jīng)元與輸入層相連的權值向量W1i和輸入矢量Xq（表示第q個輸入向量）之間的距離乘上閾值b1i作為本身的輸入，如圖1所示。

圖1 RBF網(wǎng)絡結構

由此可得隱含層的第i個神經(jīng)元的輸入為：

輸出為：

圖2 RBF網(wǎng)絡隱層神經(jīng)元的輸入與輸出

徑向基函數(shù)的閾值b1可以調(diào)用函數(shù)的靈敏度，但實際工作中更常用另一參數(shù)C（稱為擴展參數(shù)）。b1和C的關系有多種確定方法，在MATLAB神經(jīng)網(wǎng)絡工具箱中，b1和C的關系為，此時隱含層神經(jīng)元的輸出變?yōu)椋?/p>

由此可見，C值的大小實際上反映了輸出對輸入的響應寬度。C值越大，隱層神經(jīng)元對輸入矢量的響應范圍將越大，且神經(jīng)元間的平滑度也較好。

輸出層的輸入為各隱含層神經(jīng)元輸出的加權求和。由于激勵函數(shù)為純線型函數(shù)，因此輸出為：

線性神經(jīng)網(wǎng)絡的神經(jīng)元結構如圖3所示。

由圖我們可以看出來，這是一個傳遞函數(shù) 的單層線性網(wǎng)絡。其學習過程和算法本文就不詳述了。

徑向基神經(jīng)元和線性神經(jīng)元結合在一起，即徑向基神經(jīng)元的輸出作為線性神經(jīng)元的輸入，就是本文使用的廣義回歸神經(jīng)網(wǎng)絡。

2.核電站設備故障分析

在運用神經(jīng)網(wǎng)絡對核電廠各系統(tǒng)進行故障診斷之前，需要根據(jù)已有的工程經(jīng)驗和理論基礎對所有的典型故障進行初步分析。核電廠在運行過程中，主要有以下幾種典型故障：蒸汽發(fā)生器U型管破裂；主蒸汽管道破損；穩(wěn)壓器波動管破裂；燃料包殼破損；給水管道破裂等[2]。在此次仿真實驗中，我們選取蒸汽發(fā)生器子系統(tǒng)進行故障仿真。

核電設備中蒸汽發(fā)生器（SG）的主要功能是：①將一回路的熱量傳遞給二回路，并產(chǎn)生高品質(zhì)的飽和蒸汽；②隔離一、二回路的工作介質(zhì)，防止反應堆冷卻劑漏入二回路而造成放射性污染。SG系統(tǒng)是連接一、二回路的樞紐，常規(guī)的SG故障直接或間接反映在一、二回路的參數(shù)上。在蒸汽發(fā)生器子系統(tǒng)中，蒸汽發(fā)生器水位是系統(tǒng)有無故障的一個重要標志。因此，通過分析影響水位的各種因素，并結合專家的經(jīng)驗性直覺知識，總結出蒸汽發(fā)生器子系統(tǒng)的主要故障有以下幾種[3]：①蒸汽排放閥卡死；②汽輪給水泵進汽調(diào)節(jié)閥故障或葉輪、口環(huán)損壞；③汽輪給水泵軸承燒毀；④給水加熱器泄露；⑤主給水調(diào)節(jié)閥自控失靈。

表1給出了SG的常見故障及征兆集[4]，表1中的數(shù)據(jù)是為了區(qū)別這些征兆代表的參數(shù)在故障時所處的狀態(tài)而設置的。令0.5為正常運行值；1.0為上限關機值；0.0為下限關機值；0.75與0.25則是上、下報警值對應的狀態(tài)。

表2 SG故障與目標向量的對應關系

3.故障診斷仿真實驗

基于表1引入對應于故障識別特征類型和對應于故障輸出的標準樣本集，如表2，并建立三層廣義回歸神經(jīng)網(wǎng)絡，輸入層神經(jīng)元節(jié)點數(shù)為13，輸出神經(jīng)元節(jié)點數(shù)為7，并設定徑向基函數(shù)擴展速度為0.01，即SPREAD=0.01。（理論上講，擴展速度越小，仿真精度就越高，但同時逼近曲線就越不平滑，所以擴展速度的最終選擇需要建立在數(shù)次仿真實驗的基礎之上）在MATLAB神經(jīng)網(wǎng)絡工具箱中，廣義回歸神經(jīng)網(wǎng)絡調(diào)用函數(shù)為：newgrnn。訓練過程曲線如圖：

表1 SG故障訓練樣本集

表2 SG故障與目標向量的對應關系

圖4 GRNN訓練誤差曲線

由上圖可以看到，只經(jīng)過29次訓練，誤差便已經(jīng)控制到10－22數(shù)量級，收斂速度很快。

廣義回歸神經(jīng)網(wǎng)絡訓練完成以后，滿足要求的故障診斷系統(tǒng)以網(wǎng)絡結構、權值、閾值的形式存在于網(wǎng)絡中。當輸入任意故障識別特征值時，通過故障診斷系統(tǒng)，即可判斷核電設備的故障類型。

比如SG在運行過程中表現(xiàn)出征兆群為0.50，0.50，0.50，0.48，0.49，0.29，，0.50，0.50，0.59，0.50，0.48，0.49，0.50。將這組數(shù)據(jù)輸入到已訓練好的網(wǎng)絡中，神經(jīng)網(wǎng)絡通過非線性映射輸出診斷結果。返回值為： T=0 0 0 0 1 0 0。對比故障與目標向量對應表，我們可以得知故障原因為G5：給水加熱器泄露。

4.結論

1）實驗結果表明，廣義回歸神經(jīng)網(wǎng)絡具有很強的非線性映射能力，并具有自適應能力，無需手動調(diào)節(jié)隱形節(jié)點數(shù)。

2）由于核電廠系統(tǒng)結構復雜，狀態(tài)參數(shù)較多。因此，不論對哪個核電系統(tǒng)進行故障診斷，其故障特征類型的選取都應該典型全面，而且針對每個系統(tǒng)都要訓練出專用的神經(jīng)網(wǎng)絡診斷程序，以便在應用神經(jīng)網(wǎng)絡進行故障診斷時得到的數(shù)據(jù)更為準確和有效。

[1]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡理論與MATLAB7實現(xiàn)[M].電子工業(yè)出版社.2005.4：78-85頁

[2] 張大發(fā)，毛景榮.船用核反應堆運行于管理[M].北京：原子能出版社.1997

[3]熊晉魁，謝春玲，施小成.RBE人工神經(jīng)網(wǎng)絡在核電廠故障診斷中的應用[J].核動力工程.2006.06

[4] 史覬，孫建華，付明玉，等.船舶核動力裝置蒸汽發(fā)生器故障診斷系統(tǒng)研究[J].哈爾濱工程大學學報.2001，22(3):1～4,8

Fault Diagnosis of Nuclear Power Plant Based on MATLAB Neural Network Tool

In this paper, MATLAB neural network tool was used in the condition monitoring and fault diagnosis system of the nuclear power plant. By analyzing the typical fault characteristic of nuclear power plant, we can confirm the data of input and output and then set up the structure of neural network. In order to confirm the validity of this network, the simulation experiment was carried out on the SG system. The experiment results show that this network has good diagnosis accuracy and real-time extendibility.

neural work；nuclear power plant；fault diagnosis

10.3969/j.issn.1001-8972.2011.07.062