基于RBF神經(jīng)網(wǎng)絡(luò)的一回路核動(dòng)力裝置典型故障診斷

房超　李博西　段崇瑞

【摘 要】為提高核動(dòng)力裝置運(yùn)行監(jiān)測與診斷的能力，文中提出了基于RBF神經(jīng)網(wǎng)絡(luò)的核動(dòng)力裝置故障診斷方法。通過對核動(dòng)力裝置的一些典型故障特性進(jìn)行分析，選取了適當(dāng)?shù)挠?xùn)練樣本，并訓(xùn)練通過MATLAB所建立的神經(jīng)網(wǎng)絡(luò)模型，驗(yàn)證神經(jīng)網(wǎng)絡(luò)的可行性。結(jié)果表明，RBF神經(jīng)網(wǎng)絡(luò)成功地診斷出了故障，具有良好的診斷效果。

【關(guān)鍵詞】核動(dòng)力裝置；RBF神經(jīng)網(wǎng)絡(luò)；故障診斷

System Fault Diagnosis for Primary Circulation of Nuclear Power Plant Based on RBF Neural Network

FANG Chao LI Bo-xi DUAN Chong-rui

（CNNC Liaoning Nuclear Power Co.， Ltd，Huludao Liaoning 125000，China）

【Abstract】In order to improve the ability of nuclear power plant operation monitoring and diagnosis， the fault diagnosis method of nuclear power plant based on RBF neural network is proposed. Through the analysis of some typical fault characteristics of nuclear power plant， the appropriate training samples are selected， and the neural network model established by MATLAB is trained to verify the feasibility of the neural network. The results show that the RBF neural network has successfully diagnosed the fault， which has a good diagnostic effect.

【Key words】Nuclear power plant； RBF neural network； Fault diagnosis

0 前言

核動(dòng)力裝置是一個(gè)非常復(fù)雜的系統(tǒng)，其嚴(yán)重事故情況會(huì)產(chǎn)生非常大的危害，如三里島以及切爾諾貝利事故，由于操作員對反應(yīng)堆狀態(tài)的錯(cuò)誤認(rèn)識(shí)，都造成了反應(yīng)堆燒毀和放射性物質(zhì)外泄。為了讓操作員在故障時(shí)盡快準(zhǔn)確地?cái)喽òl(fā)生的故障，避免錯(cuò)誤的判斷及處理方法，一個(gè)較好的方法是開發(fā)一個(gè)故障診斷系統(tǒng)自動(dòng)地進(jìn)行診斷，如發(fā)生故障，則由操作員根據(jù)診斷結(jié)果來采取正確的操作，降低事故后果，防止事故的進(jìn)一步擴(kuò)大[1]。

徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)是一種性能良好的前向網(wǎng)絡(luò)，其既有生物背景，又與函數(shù)逼近理論相吻合，適合于多變量函數(shù)逼近，并且還具有唯一最佳逼近點(diǎn)的優(yōu)點(diǎn)[2]。本文提出了基于RBF神經(jīng)網(wǎng)絡(luò)的核動(dòng)力裝置一回路故障診斷方法，并驗(yàn)證RBF神經(jīng)網(wǎng)絡(luò)診斷的準(zhǔn)確性。

1 徑向基神經(jīng)網(wǎng)絡(luò)模型

1.1 徑向基神經(jīng)元模型

圖中每一個(gè)輸入被賦予一定的權(quán)值，與偏差求和后作為神經(jīng)元傳遞函數(shù)，最常用的傳遞函數(shù)是高斯函數(shù)。與其他類型的神經(jīng)元有所不同的是，徑向基神經(jīng)元傳遞函數(shù)的輸入是權(quán)值向量和輸入向量之間的向量距離與偏差b的乘機(jī)。圖中‖dist‖表示的是權(quán)值與輸入向量的點(diǎn)積[3]。

模型中輸出表達(dá)式a為：

其光滑性好，徑向?qū)ΨQ，形式簡單，

模型中所使用的傳遞函數(shù)的圖形如圖2所示，當(dāng)徑向基傳遞函數(shù)的輸入為0時(shí)，此徑向基函數(shù)取得其最大值1。隨著權(quán)值向量W與輸入向量p之間的距離的減小，輸出逐漸增大。因此，對于一個(gè)徑向基神經(jīng)元，當(dāng)輸入p與權(quán)值W完全相等時(shí)，此神經(jīng)元的輸出恰好為1[3]。

圖2 徑向基傳遞函數(shù)

模型中偏差b的作用是調(diào)節(jié)徑向基神經(jīng)元的靈敏度。例如，如果一個(gè)神經(jīng)元的偏差等于0.2，那么對于輸入向量p與輸出向量W距離相差0.8326/b的情況，其輸值為0.5。

1.2 徑向基神經(jīng)網(wǎng)絡(luò)模型

newrbe創(chuàng)建網(wǎng)絡(luò)時(shí)，開始是沒有徑向基神經(jīng)元的，可以通過以下步驟，逐漸增加徑向基神經(jīng)元的數(shù)目：

1）以所有的輸入樣本對網(wǎng)絡(luò)進(jìn)行仿真。

2）找到誤差最大的一個(gè)輸入樣本。

3）增加一個(gè)徑向基神經(jīng)元，其權(quán)值等于該樣本輸入向量的轉(zhuǎn)置。|

4）以徑向基神經(jīng)元輸出的點(diǎn)積作為線性網(wǎng)絡(luò)層神經(jīng)元的輸入，重新設(shè)計(jì)線性網(wǎng)絡(luò)層，使其誤差最小。

5）當(dāng)均方誤差未達(dá)到規(guī)定的誤差性能指標(biāo)且神經(jīng)元的數(shù)目未達(dá)到規(guī)定的上限值時(shí)，重復(fù)以上步驟，至網(wǎng)絡(luò)的均方誤差達(dá)到規(guī)定的誤差性能指標(biāo)或神經(jīng)元的數(shù)目達(dá)到規(guī)定的上限值時(shí)為止。

2 徑向基神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果

2.1 基于MATLAB的神經(jīng)網(wǎng)絡(luò)的建立

采用MATLAB工具箱提供的newrb函數(shù)可以以迭代的方式生成一個(gè)徑向基神經(jīng)網(wǎng)絡(luò)。newrb函數(shù)的調(diào)用方式如下：

2.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

網(wǎng)絡(luò)創(chuàng)建好以后，需應(yīng)用故障數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。根據(jù)RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法和表1所示的5種核動(dòng)力裝置故障模式對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

訓(xùn)練樣本選取每個(gè)故障中12組數(shù)據(jù)作為輸入樣本，輸出為故障代號(hào)，代碼如表2所示。

網(wǎng)絡(luò)訓(xùn)練的平均平方誤差與迭代步驟之間的關(guān)系如圖3所示。

2.3 神經(jīng)網(wǎng)絡(luò)的故障診斷

為了驗(yàn)證RBF神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果，利用核動(dòng)力裝置運(yùn)行監(jiān)測數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行檢驗(yàn)表3給出了應(yīng)用核動(dòng)力裝置監(jiān)測數(shù)據(jù)進(jìn)行診斷檢驗(yàn)的部分結(jié)果。

從表3所示的診斷結(jié)果可以看出，對于核動(dòng)力裝置不同的監(jiān)測數(shù)據(jù)，RBF神經(jīng)網(wǎng)絡(luò)都給出了正確的診斷結(jié)果，從而證實(shí)了所提方法的合理性。RBF神經(jīng)網(wǎng)絡(luò)在核動(dòng)力裝置診斷中的應(yīng)用結(jié)果表明，該網(wǎng)絡(luò)能夠?qū)⒑藙?dòng)力裝置這種高度復(fù)雜的非線性高維問題映射為低維線性空間可分問題進(jìn)行求解。利用神經(jīng)網(wǎng)絡(luò)可以對核動(dòng)力裝置進(jìn)行異常檢測，提高核動(dòng)力裝置運(yùn)行的安全性與可靠性。

表3 RBF神經(jīng)網(wǎng)絡(luò)部分診斷結(jié)果

3 結(jié)論

本文主要研究了核動(dòng)力裝置一回路典型故障特性，應(yīng)用MATLAB軟件，建立了RBF神經(jīng)網(wǎng)絡(luò)，使用核動(dòng)力故障工況下的典型特征數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練及檢驗(yàn)，并用RBF神經(jīng)網(wǎng)絡(luò)針對核動(dòng)力裝置5種典型故障進(jìn)行了故障診斷，達(dá)到了預(yù)期的診斷要求驗(yàn)證了RBF神經(jīng)網(wǎng)絡(luò)在核動(dòng)力裝置一回路診斷中是有效的。

【參考文獻(xiàn)】

[1]周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京：清華大學(xué)出版社，2005：101-106.

[2]朱凱，王正林.精通MATLAB神經(jīng)網(wǎng)絡(luò)[M].北京：電子工業(yè)出版社，2010：225-245.

[3]劉永闊.核動(dòng)力裝置故障診斷智能技術(shù)的研究[D].哈爾濱：哈爾濱工程大學(xué)，2006.

[責(zé)任編輯：王偉平]