李仕鮮1 劉井泉1 沈永剛2

?

基于神經(jīng)網(wǎng)絡(luò)方法的LOCA事故診斷

李仕鮮劉井泉沈永剛

1（清華大學(xué)工程物理系 北京 100084） 2（中廣核研究院有限公司 深圳 518000）

冷卻劑喪失事故(Loss of Coolant Accident, LOCA)是核電廠安全分析中的一類(lèi)典型事故，不同的破口位置和破口尺寸將直接影響到事故的處置和后果。為判斷LOCA事故的破口位置和尺寸，可以借助于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別功能。針對(duì)CPR1000核電系統(tǒng)，利用CATHARE軟件建模并仿真不同破口位置和尺寸的LOCA事故，提取事故發(fā)生時(shí)的6類(lèi)熱工水力參數(shù)對(duì)BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)、RBF (Radial Basis Function)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)進(jìn)行訓(xùn)練，再將訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)用于破口位置和尺寸的診斷。結(jié)果表明，在4種神經(jīng)網(wǎng)絡(luò)中，參數(shù)優(yōu)化后的支持向量機(jī)對(duì)破口位置和尺寸的診斷準(zhǔn)確率較高且診斷穩(wěn)定性較好。在LOCA事故發(fā)生時(shí)，可以利用支持向量機(jī)獲取破口的詳細(xì)信息，輔助操縱員高效地處理事故。

神經(jīng)網(wǎng)絡(luò)方法，LOCA，CPR1000

冷卻劑喪失事故(Loss of Coolant Accident, LOCA)是核電廠中常見(jiàn)的事故類(lèi)型，是指一回路壓力邊界產(chǎn)生破口或發(fā)生破裂，或是閥門(mén)誤開(kāi)啟導(dǎo)致的一回路冷卻劑裝量減少的事故。由于一回路高溫高壓的特性，當(dāng)壓力邊界出現(xiàn)破口時(shí)，系統(tǒng)壓力、流量、溫度、放射性等狀態(tài)參數(shù)會(huì)迅速失衡，同時(shí)核電廠的安全設(shè)備也將投入運(yùn)行。LOCA事故的后果相對(duì)嚴(yán)重，即使發(fā)生中小破口也有導(dǎo)致堆芯熔毀的可能性（例如三里島事故）。CPR1000核電廠的《狀態(tài)導(dǎo)向法事故處理規(guī)程》中指出：“操縱員根據(jù)所能獲得的信息，找出發(fā)生特定事件或事故的特有征兆，判明并確認(rèn)瞬變或事故的種類(lèi)與性質(zhì)”。當(dāng)LOCA事故發(fā)生時(shí)，操縱員易于將LOCA事故與其他類(lèi)型的事故區(qū)分開(kāi)，但難于判斷LOCA的破口尺寸和破口位置，而不同的破口尺寸和位置將直接影響到事故的處置和后果。目前，操縱員僅能憑借儀表參數(shù)和操作經(jīng)驗(yàn)對(duì)破口尺寸和位置進(jìn)行診斷，但這樣的診斷方式存在很大的風(fēng)險(xiǎn)。若能根據(jù)核電廠實(shí)時(shí)監(jiān)控的狀態(tài)參數(shù)自動(dòng)診斷出LOCA事故的破口位置和尺寸并將信息提供給操縱員，將會(huì)減輕操縱員的壓力，提高事故處理的準(zhǔn)確性與效率。

隨著人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)的興起與發(fā)展，運(yùn)用神經(jīng)網(wǎng)絡(luò)對(duì)核電廠事故進(jìn)行診斷成為新的突破點(diǎn)。在國(guó)內(nèi)外的研究中，已將多種類(lèi)型的神經(jīng)網(wǎng)絡(luò)運(yùn)用在了核電廠的故障診斷中。文獻(xiàn)[5]將BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)運(yùn)用在AP1000核電廠的蒸汽發(fā)生器泄壓閥或安全閥誤開(kāi)啟、蒸汽系統(tǒng)管道破裂、喪失正常給水與給水管道破裂這4類(lèi)事故的診斷中，診斷結(jié)果較為準(zhǔn)確。文獻(xiàn)[6]利用遺傳算法對(duì)蒸汽發(fā)生器的U型管破裂事故進(jìn)行故障診斷仿真，診斷結(jié)果準(zhǔn)確地識(shí)別出了發(fā)生破口的蒸汽發(fā)生器。文獻(xiàn)[7]將BP神經(jīng)網(wǎng)絡(luò)和RBF (Radial Basis Function)神經(jīng)網(wǎng)絡(luò)相結(jié)合，對(duì)5類(lèi)典型的核電廠設(shè)計(jì)基準(zhǔn)事故進(jìn)行了診斷，在診斷耗時(shí)和準(zhǔn)確率上均取得了較好的效果。在調(diào)研中發(fā)現(xiàn)，基于神經(jīng)網(wǎng)絡(luò)的診斷研究多集中在區(qū)分不同事故類(lèi)型上，尚未有對(duì)LOCA事故中破口尺寸和破口位置進(jìn)行診斷的詳細(xì)研究。本文以CPR1000核電系統(tǒng)為對(duì)象，將BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)運(yùn)用在LOCA事故的診斷中，驗(yàn)證了神經(jīng)網(wǎng)絡(luò)用于LOCA事故診斷的可行性并對(duì)比了4種神經(jīng)網(wǎng)絡(luò)方法的診斷效果。其中，支持向量機(jī)在選取多項(xiàng)式核函數(shù)和利用GSA (Grid Search Algorithm)算法或PSO (Particle Swarm Optimization)算法對(duì)、參數(shù)進(jìn)行尋優(yōu)后，可達(dá)到接近100%的診斷準(zhǔn)確率。

1 神經(jīng)網(wǎng)絡(luò)方法

人工神經(jīng)網(wǎng)絡(luò)是一種受生物神經(jīng)網(wǎng)絡(luò)啟發(fā)建立的數(shù)據(jù)處理算法，具有強(qiáng)大的模式識(shí)別和數(shù)據(jù)擬合能力。本文選取了常用的BP神經(jīng)網(wǎng)絡(luò)、有反饋的Elman神經(jīng)網(wǎng)絡(luò)、有空間變換的RBF神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)這4種各具特點(diǎn)的神經(jīng)網(wǎng)絡(luò)算法用于診斷研究。

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，信號(hào)從輸入層進(jìn)入隱含層最終到達(dá)輸出層，誤差則反向傳播。網(wǎng)絡(luò)內(nèi)部利用測(cè)試誤差不斷反向地調(diào)整權(quán)值和閾值，使輸出結(jié)果不斷地逼近期望的輸出結(jié)果，從而實(shí)現(xiàn)模式識(shí)別的功能。BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)一般選取sigmoid函數(shù)，學(xué)習(xí)過(guò)程屬于有監(jiān)督的方式，因此需要使用帶有目標(biāo)輸出的樣本集。當(dāng)訓(xùn)練數(shù)據(jù)完成對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練后，輸入測(cè)試數(shù)據(jù)就可以進(jìn)行模式識(shí)別。BP神經(jīng)網(wǎng)絡(luò)的缺陷在于容易陷入局部最優(yōu)而無(wú)法逼近目標(biāo)輸出。

RBF神經(jīng)網(wǎng)絡(luò)是一種三層的前向網(wǎng)絡(luò)，由輸入層、隱含層和輸出層構(gòu)成。在隱含層中一般采用徑向基函數(shù)將輸入向量空間轉(zhuǎn)換到隱含層空間中，這樣就實(shí)現(xiàn)了將原來(lái)線性不可分的情況轉(zhuǎn)換成線性可分的情況。RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程同樣是有監(jiān)督的學(xué)習(xí)方式。RBF神經(jīng)網(wǎng)絡(luò)結(jié)果簡(jiǎn)單、學(xué)習(xí)收斂速度快，能逼近任意的非線性函數(shù)。

Elman神經(jīng)網(wǎng)絡(luò)是一種有反饋的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的結(jié)構(gòu)一般有4層，分別為輸入層、隱含層、承接層和輸出層。其中，輸入層用于傳入數(shù)據(jù)；隱含層利用非線性的傳遞函數(shù)對(duì)數(shù)據(jù)進(jìn)行變換；輸出層用于線性加權(quán)輸出；承接層用來(lái)記憶隱含層單元前一時(shí)刻的輸出值并返回給網(wǎng)絡(luò)的輸入，可以認(rèn)為一個(gè)一步延時(shí)算子。由于存在承接層，其對(duì)于歷史狀態(tài)的數(shù)據(jù)具有敏感性，增強(qiáng)了網(wǎng)絡(luò)的模式識(shí)別能力。

支持向量機(jī)(Support Vector Machine, SVM)由Vapnik在20世紀(jì)90年代基于統(tǒng)計(jì)學(xué)理論提出，是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域的有力工具。支持向量機(jī)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化和VC (Vapnik-Chervonenkis Dimension)維理論，通過(guò)建立一個(gè)分類(lèi)超平面也可稱(chēng)為決策曲面，使在決策曲面兩側(cè)數(shù)據(jù)之間的隔離邊緣最大化來(lái)實(shí)現(xiàn)模式識(shí)別的功能。

超平面的方程可表示為：+=0，最優(yōu)分類(lèi)超平面所要達(dá)到的目的有兩個(gè)：一是要將兩類(lèi)樣本正確地區(qū)分開(kāi)，使模型訓(xùn)練誤差為零；二是使分類(lèi)間隔達(dá)到最大。

要實(shí)現(xiàn)準(zhǔn)確地對(duì)樣本進(jìn)行分類(lèi)，需要滿足：

要使分類(lèi)間隔達(dá)到最大，需要滿足：

(2)

對(duì)于類(lèi)似核電系統(tǒng)的非線性問(wèn)題，可以在約束條件中引入一個(gè)松弛因子ε(ε≥0)，松弛因子的引入是為了允許一定的分類(lèi)誤差。上述兩個(gè)條件可修改為：

式中：0<ε<1說(shuō)明樣本都被正確地進(jìn)行了分類(lèi)；ε≥1說(shuō)明x被錯(cuò)誤分類(lèi)?？衫斫鉃橐粋€(gè)懲罰項(xiàng)，用于控制對(duì)錯(cuò)分樣本的懲罰程度。

對(duì)該問(wèn)題，可以利用拉格朗日函數(shù)將最優(yōu)分類(lèi)問(wèn)題轉(zhuǎn)化為其對(duì)偶形式：

經(jīng)計(jì)算，最優(yōu)權(quán)值向量和最優(yōu)偏置分別為：

(5)

因此，最優(yōu)分類(lèi)超平面可表示為：

(7)

最優(yōu)分類(lèi)函數(shù)為：

在非線性問(wèn)題中，將原空間數(shù)據(jù)點(diǎn)通過(guò)非線性變換到高維空間內(nèi)，這一變換通過(guò)核函數(shù)完成。為了實(shí)現(xiàn)不同類(lèi)型的模式分類(lèi)，可選取不同類(lèi)型的核函數(shù)(x,)。常見(jiàn)的核函數(shù)類(lèi)型有：

線性核函數(shù)：

多項(xiàng)式核函數(shù)：

(10)

徑向基核函數(shù)：

Sigmoid核函數(shù)：

(12)

2 CPR1000建模及LOCA事故模擬

由于真實(shí)核電廠的事故狀態(tài)參數(shù)難以獲取，因此本文利用CATHARE程序?qū)穗姀S事故進(jìn)行了模擬。CATHARE是一款應(yīng)用于壓水堆的安全分析程序，可計(jì)算事故狀態(tài)下的熱工水力學(xué)參數(shù)和進(jìn)行安全評(píng)價(jià)。本文利用該程序?qū)PR1000核電系統(tǒng)進(jìn)行建模，如圖1所示。在此基礎(chǔ)上模擬了冷管段和熱管段分別出現(xiàn)1?9 cm破口的情況，并提取了事故發(fā)生后6種熱工水力參數(shù)0?500 s的變化值，具體參數(shù)類(lèi)型如表1所示。發(fā)生LOCA后的事故序列如表2所示。

圖1 CPR1000一回路建模

表1 LOCA事故參數(shù)

表2 LOCA事故序列（冷管段5 cm破口）

LOCA事故中穩(wěn)壓器壓力、環(huán)路流量、堆芯入口溫度、堆芯出口溫度、SG蒸汽壓力和SG蒸汽流量的各時(shí)點(diǎn)參數(shù)值將作為神經(jīng)網(wǎng)絡(luò)的輸入量，破口位置和尺寸作為網(wǎng)絡(luò)輸出量，利用多種神經(jīng)網(wǎng)絡(luò)對(duì)破口位置和破口尺寸進(jìn)行診斷。

3 LOCA事故診斷結(jié)果分析

在模擬計(jì)算得到的6種熱工水力參數(shù)中，由于0?200 s處于安全設(shè)備投入階段，參數(shù)跳動(dòng)范圍較大而無(wú)法診斷。因此提取200?500 s的各時(shí)點(diǎn)參數(shù)值用于訓(xùn)練和測(cè)試網(wǎng)絡(luò)。網(wǎng)絡(luò)的訓(xùn)練樣本集利用60%的數(shù)據(jù)，其余40%的數(shù)據(jù)用于測(cè)試樣本集的構(gòu)建。

本文首先利用BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對(duì)破口尺寸進(jìn)行診斷，診斷準(zhǔn)確率如表3所示。BP神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確率最低且極不穩(wěn)定，Elman神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，但依然不能達(dá)到要求。BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率低是因?yàn)樗麄兌疾捎昧苏`差梯度下降算法。當(dāng)誤差函數(shù)不是嚴(yán)格的凸函數(shù)時(shí)，就會(huì)存在局部極小點(diǎn)，當(dāng)誤差梯度下降到這些點(diǎn)時(shí)就會(huì)停留在該處而無(wú)法繼續(xù)下降，但這些點(diǎn)卻不是全局的最小誤差點(diǎn)，因此實(shí)際輸出與期望輸出的差距較大。RBF神經(jīng)網(wǎng)絡(luò)對(duì)LOCA破口尺寸的診斷準(zhǔn)確率較高，在大多數(shù)情況下都達(dá)到了100%的精度。

表3 神經(jīng)網(wǎng)絡(luò)對(duì)破口尺寸的診斷結(jié)果

除以上三種神經(jīng)網(wǎng)絡(luò)方法外，本文還利用了支持向量機(jī)方法對(duì)破口尺寸進(jìn)行了診斷。在進(jìn)行診斷前，首先利用PSO算法和GSA算法對(duì)支持向量機(jī)中關(guān)鍵的懲罰參數(shù)()與核函數(shù)參數(shù)()進(jìn)行了尋優(yōu)。PSO算法通過(guò)對(duì)鳥(niǎo)群捕食行為的模仿來(lái)求解最優(yōu)化問(wèn)題，具有算法簡(jiǎn)單易行、收斂速度快和內(nèi)部參數(shù)設(shè)置少的特點(diǎn)，已廣泛運(yùn)用于算法優(yōu)化領(lǐng)域。GSA算法通過(guò)在參數(shù)搜索區(qū)域內(nèi)劃分網(wǎng)格，然后遍歷網(wǎng)格內(nèi)的所有參數(shù)點(diǎn)進(jìn)行尋優(yōu)。由于是對(duì)所有區(qū)域進(jìn)行搜索，所以可以克服陷入局部最小值的問(wèn)題。PSO算法對(duì)、參數(shù)尋優(yōu)的適應(yīng)度曲線如圖2所示。GSA算法對(duì)、參數(shù)尋優(yōu)的準(zhǔn)確率變化趨勢(shì)如圖3所示。將PSO方法和GSA方法計(jì)算得到的最優(yōu)、參數(shù)分別帶入支持向量機(jī)中，對(duì)破口尺寸進(jìn)行了診斷，結(jié)果見(jiàn)表4。經(jīng)過(guò)參數(shù)優(yōu)化后的支持向量機(jī)對(duì)破口尺寸的診斷準(zhǔn)確率在冷管段破口尺寸較大時(shí)出現(xiàn)少數(shù)未達(dá)到100%準(zhǔn)確性的情況，其余均達(dá)到了100%的準(zhǔn)確率。

圖2 PSO方法對(duì)SVM內(nèi)c、g值尋優(yōu)的適應(yīng)度曲線 (a) 冷管段破口，(b) 熱管段破口

圖3 GSA方法對(duì)SVM內(nèi)c、g值尋優(yōu)的準(zhǔn)確率變化曲線 (a) 冷管段破口，(b) 熱管段破口

表4 參數(shù)優(yōu)化后的支持向量機(jī)對(duì)破口尺寸的診斷結(jié)果

在支持向量機(jī)中，核函數(shù)的作用是將原空間樣本非線性變換到高維空間中，不同的變換方式必然導(dǎo)致變換后的樣本分類(lèi)難度存在差異，因此本文針對(duì)影響支持向量機(jī)診斷性能的三種核函數(shù)：線性核函數(shù)、多項(xiàng)式核函數(shù)與RBF核函數(shù)進(jìn)行了探究。將三種核函數(shù)用于熱管段和冷管段1?9 cm破口尺寸的診斷后，得到的結(jié)果如表5所示。表5中的準(zhǔn)確率表示對(duì)9類(lèi)(1?9 cm)破口尺寸診斷準(zhǔn)確率的平均值。從表5數(shù)據(jù)可以看出，多項(xiàng)式核函數(shù)的效果最優(yōu)，其次是RBF核函數(shù)，線性核函數(shù)的效果最差。

表5 三種核函數(shù)的診斷結(jié)果

將神經(jīng)網(wǎng)絡(luò)用于核電廠的事故診斷，除了要考慮診斷的準(zhǔn)確率外，還應(yīng)考慮診斷的穩(wěn)定性。因此本文對(duì)以上所涉及的4種神經(jīng)網(wǎng)絡(luò)的診斷穩(wěn)定性進(jìn)行了研究。將4種神經(jīng)網(wǎng)絡(luò)對(duì)相同破口位置和破口尺寸進(jìn)行20次重復(fù)診斷實(shí)驗(yàn)，并計(jì)算了20次實(shí)驗(yàn)結(jié)果的均方根(Mean Square, RMS)誤差，如圖4所示。BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的診斷穩(wěn)定性較差，RBF神經(jīng)網(wǎng)絡(luò)在破口尺寸較小的情況下表現(xiàn)出較大的不穩(wěn)定性。支持向量機(jī)在4種網(wǎng)絡(luò)中的穩(wěn)定性最好，且在大多數(shù)情況下都能達(dá)到0，表明支持向量機(jī)在多次診斷時(shí)不會(huì)存在結(jié)果的波動(dòng)性。

圖4 診斷結(jié)果的均方根誤差 (a) 冷管段破口，(b) 熱管段破口

除對(duì)破口尺寸識(shí)別外，本文還利用了神經(jīng)網(wǎng)絡(luò)方法對(duì)破口位置進(jìn)行了識(shí)別。BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)對(duì)破口位置識(shí)別的準(zhǔn)確率如表6所示。結(jié)果表明，這4種神經(jīng)網(wǎng)絡(luò)對(duì)于破口位置的診斷準(zhǔn)確度相似，都可以達(dá)到較高的精度。這是由于破口位置的診斷只涉及兩種類(lèi)型，因此易于區(qū)分。

表6 4種神經(jīng)網(wǎng)絡(luò)對(duì)破口位置的診斷結(jié)果

4 結(jié)語(yǔ)

1) BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)對(duì)于LOCA事故中破口位置和破口尺寸的診斷均可以達(dá)到一定的識(shí)別精度，因此利用神經(jīng)網(wǎng)絡(luò)方法對(duì)LOCA事故類(lèi)型進(jìn)行診斷具有較強(qiáng)的可行性。

2) 對(duì)比4種神經(jīng)網(wǎng)絡(luò)可以發(fā)現(xiàn)：BP神經(jīng)網(wǎng)絡(luò)的誤差較大且分布不均勻、收斂速度較慢；Elman神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確率不高且耗時(shí)過(guò)長(zhǎng)；RBF神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率較高但在某些情況下診斷穩(wěn)定性較差；支持向量機(jī)在選取多項(xiàng)式核函數(shù)和對(duì)、參數(shù)進(jìn)行尋優(yōu)后，可近似達(dá)到100%的準(zhǔn)確率。因此在LOCA事故的診斷中，參數(shù)優(yōu)化后的支持向量機(jī)是最佳的選擇。

3) 該研究的缺陷在于核電廠事故數(shù)據(jù)是利用計(jì)算機(jī)程序模擬獲得，與實(shí)際發(fā)生事故時(shí)的狀態(tài)參數(shù)可能存在一定偏差，從而影響神經(jīng)網(wǎng)絡(luò)判斷的準(zhǔn)確性。因此考慮在今后的研究中利用已發(fā)生的真實(shí)的核電廠事故數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，并在事故發(fā)生時(shí)接收核電廠實(shí)時(shí)數(shù)據(jù)實(shí)現(xiàn)事故的在線診斷。

1 林支康, 殷煜皓, 梁國(guó)興. AP1000核電廠RELAP5 SB-LOCA分析模式建立與應(yīng)用[J]. 電力與能源, 2011, 6: 457?461. LIN Zhikang, YIN Yuhao, LIANG Guoxing. Establishing and application of AP1000 nuclear power plant RELAPS-code SB-LOCA model[J]. Power & Energy, 2011, 6: 457?461.

2 中廣核工程有限公司. 中國(guó)百萬(wàn)千瓦級(jí)核電自主化依托工程[M]. 北京: 中國(guó)原子能出版社, 2013.China Nuclear Power Engineering Co., Ltd. China’s million kilowatt class nuclear power self-reliance project[M]. Beijing: China Atomic Energy Press, 2013.

3 Santosh T V, Vinod G, Saraf A K,. Application of artificial neural networks to nuclear power plant transient diagnosis[J]. Reliability Engineering and System Safety, 2007, 92: 1468?1472. DOI: 10.1016/j.ress.2006.10.009.

4 Cheon S W，Chang S H, Chung H Y,. Application of neural networks to multiple alarm processing and diagnosis in nuclear power plants[J]. IEEE Transactions on Nuclear Science, 1993, 40(1): 11?20.

5 趙云飛, 張立國(guó), 童節(jié)娟, 等. BP神經(jīng)網(wǎng)絡(luò)在AP1000核電站事故診斷應(yīng)用中的初步研究[J]. 原子能科學(xué)技術(shù), 2014, 48(S1): 480?484. DOI: 10.7539/YZK.2014.48. S0.0480. ZHAO Yunfei, ZHANG Liguo, TONG Jiejuan,. Preliminary study on application of BP neural network in AP1000 nuclear power plant accident diagnosis[J]. Atomic Energy Science and Technology, 2014, 48(S1): 480?484. DOI: 10.7539/YZK.2014.48.S0.0480.

6 蔡猛, 張大發(fā), 張宇聲.基于遺傳算法的核動(dòng)力設(shè)備實(shí)時(shí)故障診斷系統(tǒng)[J]. 核動(dòng)力工程, 2009, 30(3): 111?114, 130. CAI Meng, ZHANG Dafa, ZHANG Yusheng. Nuclear power plant real-time fault diagnosis system based on genetic algorithm[J]. Nuclear Power Engineering, 2009, 30(3): 111?114, 130.

7 劉永闊, 夏虹, 謝春麗, 等. BP-RBF神經(jīng)網(wǎng)絡(luò)在核電廠故障診斷中的應(yīng)用[J]. 原子能科學(xué)技術(shù), 2008, 42(3): 193?199. LIU Yongkuo, XIA Hong, XIE Chunli,. Application of BP-RBF neural network to fault diagnosis of nuclear power plant[J]. Atomic Energy Science and Technology, 2008, 42(3): 193?199.

8 肖岷, 郝思雄, 韓慶浩, 等.中廣核CPR1000核島堆芯概念設(shè)計(jì)和安全裕度評(píng)估初探[J]. 核動(dòng)力工程, 2005, (S1): 11?18. XIAO Min, HAO Sixiong, HAN Qinghao,. Primary study on core concept design and safety margin of CPR1000[J]. Nuclear Power Engineering, 2005, (S1): 11?18.

9 謝春麗, 夏虹, 劉永闊, 等.BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法在核電設(shè)備故障診斷中的應(yīng)用[J]. 核動(dòng)力工程, 2007, 28(4): 85?90. XIE Chunli, XIA Hong, LIU Yongkuo,. Application of improved BP algorithm in fault diagnosis of nuclear power equipment[J]. Nuclear Power Engineering, 2007, 28(4): 85?90.

10 熊晉魁, 謝春玲, 施小成, 等.RBF人工神經(jīng)網(wǎng)絡(luò)在核電廠故障診斷中的應(yīng)用[J]. 核動(dòng)力工程, 2006, 27(3): 57?60, 96. XIONG Jinkui, XIE Chunling, SHI Xiaocheng,. Application of RBF artificial neural network to fault diagnose in nuclear power plant[J]. Nuclear Power Engineering, 2006, 27(3): 57?60, 96.

11 Seker S, Ayaz E, Türkcan E. Elman’s recurrent neural network applications to condition monitoring in nuclear power plant and rotating machinery[J]. Engineering Applications of Artificial Intelligence, 2003, 16: 647?656.

12 湯寶平, 習(xí)建民, 李鋒.基于Elman神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2010, 10: 2148?2152. TANG Baoping, XI Jianmin, LI Feng. Fault diagnosis for rotating machinery based on Elman neural network[J]. Computer Integrated Manufacturing Systems, 2010, 10: 2148?2152.

13 Zhang X G. Introduction to statistical learning theory and support vector machines[J]. Acta Automatica Sinica, 2000, 26(1): 33?41.

14 袁勝發(fā), 褚福磊. 支持向量機(jī)及其在機(jī)械故障診斷中的應(yīng)用[J]. 振動(dòng)與沖擊, 2007, 11: 29?35, 58, 181. YUAN Shengfa, CHU Fulei. Support vector machines and its applications in machine fault diagnosis[J]. Journal of Vibration and Shock, 2007, 11: 29?35, 58, 181.

15 宋梅村, 蔡琦. 基于支持向量回歸的設(shè)備故障趨勢(shì)預(yù)測(cè)[J]. 原子能科學(xué)技術(shù), 2011, 45(8): 972?976. SONG Meicun, CAI Qi. Fault trend prediction of device based on support vector regression[J]. Atomic Energy Science and Technology, 2011, 45(8): 972?976.

16 黃彥平, 曹念, 文彥, 等. CATHARE程序的主要特征及應(yīng)用[J]. 核動(dòng)力工程, 2003, 24(6): 540?544. HUANG Yanping, CAO Nian, WEN Yan,. Main features of CATHARE code and its application[J]. Nuclear Power Engineering, 2003, 24(6): 540?544.

17 陳明. MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M]. 北京: 清華大學(xué)出版社, 2013. CHEN Ming. MATLAB neural network theory and examples[M]. Beijing: Tsinghua University Press, 2013.

18 李坤, 劉鵬, 呂雅潔, 等. 基于Spark的LIBSVM參數(shù)優(yōu)選并行化算法[J]. 南京大學(xué)學(xué)報(bào)(自然科學(xué)), 2016, 52(2): 343?352. LI Kun, LIU Peng, LYU Yajie,. The parallel algorithms for LIBSVM parameter optimization based on Spark[J]. Journal of Nanjing University (Natural Sciences), 2016, 52(2): 343?352.

19 王小川. MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M]. 北京: 北京航空航天大學(xué)出版社, 2013. WANG Xiaochuan. MATLAB neural network analysis of 43 cases[M]. Beijing: Beijing University of Aeronautics and Astronautics Press, 2013.

Fault diagnosis of LOCA based on ANN methods

LI ShixianLIU JingquanSHEN Yonggang

1(Department of Engineering Physics, Tsinghua University, Beijing 100084, China) 2(China Nuclear Power Technology Research Institute, Shenzhen 518000, China)

Background:Loss of coolant accident (LOCA) is one of the typical accidents in safety analysis of nuclear power plant and thelocation and the size of break will affect its treatment and consequences directly. Purpose: This study aims to diagnose the location and the size of break by using artificial neural network (ANN) based pattern recognition approach. Methods: CATHARE program was used to model and simulate different location and size of break in LOCA for the CPR1000 nuclear power system. Six types of thermal-hydraulic parameters were extracted to train four types of ANN methods (back propagation (BP) neural network, Elman neural network, radial basis function(RBF) neural network and support vector machine) and the trained ANNs were utilized to diagnose the location and the size of break.Results: The optimized support vector machine (SVM) is best method in terms of diagnosis accuracy and stability among 4 ANNs. Conclusion:The operators can obtain more detailed information about break by SVM to deal with the accident efficiently, when a LOCA happens.

Artificial neural network, LOCA, CPR1000

TL364.4

10.11889/j.0253-3219.2017.hjs.40.080604

李仕鮮，男，1992年出生，2015年畢業(yè)于南華大學(xué)，現(xiàn)為碩士研究生，研究領(lǐng)域?yàn)楹穗姀S安全分析

劉井泉，E-mail: jingquan@tsinghua.edu.cn

2017-02-27，

2017-04-19

LI Shixian, male, born in 1992, graduated from University of South China in 2015, master student, focusing on safety analysis of nuclear power plant

LIU Jingquan, E-mail: jingquan@tsinghua.edu.cn

2017-02-27, accepted date: 2017-04-19