頡利東 鄔芝勝 黃捷 王禹 曲自信

摘 要

針對船載核動力反應堆管路特征參數(shù)選取嚴重依賴人工經驗和診斷準確率低的問題，本文引入機器學習的思想，提出了一種基于卷積神經網絡的船載核動力反應堆管路故障診斷方法，以提高船載核動力反應堆管路故障診斷的智能化水平。首先使用卷積神經網絡建立分類模型，并利用該模型對22類數(shù)據(jù)進行分類性能測試;然后提取反映管路運行狀態(tài)的特征參數(shù)，輸入深度學習分類器中進行診斷。使用現(xiàn)有管路故障診斷數(shù)據(jù)驗證了本方法的實用性和有效性。

關鍵詞

深度學習;船用核動力;管路系統(tǒng);故障診斷

中圖分類號： TN957.52 ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.15.013

Abstract

In view of the Characteristic parameters for ship-borne nuclear reactor line selection relies heavily on the artificial experience and diagnose the problem of low accuracy，introducing the idea of machine learning，this paper proposes a ship nuclear power reactors based on convolution neural network line fault diagnosis methods，in order to improve the ship nuclear reactor line fault diagnosis of intelligent level.Firstly，a classification model is established by using conversational neural network，and the classification performance of 22 kinds of data is tested by this model.Then the characteristic parameters reflecting the running state of the pipeline are extracted and input into the deep learning classifier for diagnosis.The practicability and effectiveness of this method are verified by using the existing pipeline fault diagnosis data.

Key Words

Deep learning;Marine nuclear power;Pipe system;Fault diagnosis

0 引言

船載核動力反應堆管路系統(tǒng)的工作條件復雜、環(huán)境惡劣，承受多種載荷的作用。隨著反應堆運行時間增加，海水對管路系統(tǒng)造成的腐蝕越來越嚴重，會形成一定的安全隱患[1]。因此有必要采取可靠的故障診斷方法來監(jiān)控船載核動力裝置的運行狀態(tài)，從而保證系統(tǒng)的可靠性和安全性。故障診斷問題一直是船舶管路系統(tǒng)維護保養(yǎng)中的關鍵問題，在各型船舶動力系統(tǒng)中，人們已經積累了大量關于管路故障診斷的有效措施和經驗。

但是，在傳統(tǒng)的依靠人工經驗對管路進行故障診斷的方法中，對管路技術狀態(tài)的判斷存在一定的主觀性，這樣有可能會造成過度保養(yǎng)，增加備件的消耗。近幾十年來，智能算法在模式識別領域得到了飛速的發(fā)展和大量的應用，取得了豐富的成果，人工檢驗的不可替代性逐漸在削弱。目前用于故障診斷領域的方法主要有人工神經網絡、專家系統(tǒng)、支持向量機等。

自從提出概念以來，神經網絡方法在包括故障診斷問題在內的模式識別領域中得到了大量的應用。早期的神經網絡都是單神經網絡，單神經網絡用于復雜系統(tǒng)的故障診斷存在一些不足。近年來，人工智能的發(fā)展已經進入到深度學習的階段，深度學習逐漸進入人們的視野，其在圖像識別分類領域大有異軍突起之勢，比如在貓狗識別，MNIST手寫數(shù)字識別，CIFAR-10分類以及CIFAR-100分類上的成功應用都已經證明了它的優(yōu)勢。深度學習十分引人注目的一點是這種算法試圖自己從給定數(shù)據(jù)中去學習特征。畢竟定義特征工程是一項十分煩瑣的工作，而且需要自身有深厚的理論知識和經驗，相比之下深度學習就具有良好的用戶友好度。本文使用卷積神經網絡建立船載核動力反應堆管路故障分類模型，根據(jù)目前已采集的數(shù)據(jù)樣本與故障狀態(tài)，提出基于深度學習神經網絡的船載核動力反應堆管路系統(tǒng)故障診斷方法，為船載核動力反應堆管路系統(tǒng)的搶修檢修決策提供依據(jù)。

1 卷積神經網絡

深度學習是相對于其他的機器學習而言的，機器學習需要人為的定義特征并且一般神經層數(shù)很少，典型的神經網絡層數(shù)一般是三層。深度學習是在機器學習的基礎上加深了層數(shù)的多層神經網絡，通過神經網絡的層與層的堆疊去自動獲取輸入對象的特征，不同的層學習不同的特征。對于大數(shù)據(jù)，特別是圖像和文本問題有很好的解決能力。深度學習常用的方法有：卷積神經網絡（CNN）、自動編碼器（AE）、深度信念網絡（DBN）和限制波爾茲曼機（RBM）。其中，CNN大多數(shù)情況下用于圖像、語音等方面的識別[2]，本文使用卷積神經網絡（CNN）作為深度神經網絡分類的基本模型。

1.1 卷積神經網絡概述

卷積神經網絡是目前深度學習領域的熱點研究方向，也是深度學習技術中重要的網絡結構之一，其在計算機視覺問題中的應用取得了非常好的效果。通過深度學習CNN的處理方式，我們可以發(fā)現(xiàn)CNN相比于圖像處理算法的優(yōu)點在于，CNN可以直接輸入原始圖像，這就避免了對圖像復雜的前期預處理與特征工程。同時CNN相較于傳統(tǒng)的神經網絡全連接的方式，規(guī)避了產生的參數(shù)量過大的問題，CNN可以通過局部連接、權值共享等方法進行優(yōu)化，提升計算速度并節(jié)省空間占用[3]。

通過卷積層和池化層，卷積神經網絡結構可以將不同位置的特征都提取出來，進而消除前饋神經網絡對位置的依賴性，進而大大提升了模型的效率，減少構建數(shù)據(jù)集的計算成本。卷積神經網絡的結構也存在不同的版本，但一般都包含卷積層、池化層、平滑層、全連接層和輸出層。圖1為2012年提出的具有5個卷積層的AlexNet網絡結構[4]。

1.2 訓練過程

卷積神經網絡的訓練實質就是確定網絡里的各權值和閾值，訓練過程如下[5]：

（1）設置訓練集。從確定的樣本集中隨機地選取若干個樣本，形成訓練集。

（2）將權值向量和閾值向量中的元素都設為接近于0的隨機正浮點數(shù)，并設置誤差控制參數(shù)ε和學習率。

（3）從訓練集中任意取一個樣本，并給定它的目標輸出向量D。

（4）計算出中間層的輸出向量H，再計算網絡的實際輸出向量Y。

（8）當M個誤差項都計算完成后，計算總誤差，總誤差函數(shù)，并判斷是否滿足停止條件：E≤ε。如果不滿足，返回至第（3）步，繼續(xù)迭代。如果滿足就進入第（9）步。

（9）訓練結束，保存權值向量和閾值向量，形成卷積神經網絡模型。這時可以認為各個權值已經收斂至穩(wěn)定，如需再次訓練，直接使用已保存的權值和閾值進行訓練即可，不需要重新初始化。

3 基于深度學習神經網絡模型的管路故障診斷方法

3.1 選取樣本數(shù)據(jù)

能夠反映船載核動力反應堆管路的檢測指標較多[6]，表1為一般的維護保養(yǎng)檢查項目。

使用神經網絡，需要先構建訓練數(shù)據(jù)集，標注船載核動力反應堆管路是否發(fā)生故障的信息記錄，將每一個記錄都轉換為特征向量的形式。在構建訓練集時，要注意對數(shù)據(jù)進行預處理。就船載核動力反應堆管路故障診斷樣本而言，可以通過故障數(shù)據(jù)和正常數(shù)據(jù)的比對來進行預處理，選取合適的數(shù)據(jù)類型和取值范圍。根據(jù)可以表征管路故障狀態(tài)的檢驗指標，生成每個模塊的特征向量。對原始的管路檢驗數(shù)據(jù)進行預處理后，可劃分為訓練樣本和測試樣本。

3.2 選取特征變量

選取表1中的22個反映管路狀態(tài)的特征變量，利用式（11）對各個特征變量進行標準化處理。標準化處理的目的時盡量減小計算過程中由于各特征變量值差異引起的誤差。

式中：xnew為標準化后的特征參數(shù)值;x為原始的特征參數(shù)值;xmean為樣本集中此特征參數(shù)的均值;xstd為樣本集中此特征參數(shù)的標準值。

3.3 船載核動力反應堆管路運行狀態(tài)編碼

根據(jù)實際檢驗數(shù)據(jù)，歸納整理了船載核動力反應堆管路實際運行過程中容易出現(xiàn)的故障，選取4種類型進行研究。表2為4種故障類型的編碼。

3.4 管路故障診斷神經網絡模型的建立

在神經網絡模型中，輸入向量是已標準化處理的22個特征參數(shù)值，輸出向量則是管路運行狀態(tài)的概率值，其中最大概率所對應的運行狀態(tài)就是管路故障診斷的結果。

在構建深度學習模型的時候，會遇到諸如應該堆疊多少層網絡層、每層包含多少單元、激活函數(shù)用哪一種函數(shù)、丟棄率應該如何設置這類的問題，這些在架構層面的參數(shù)為了區(qū)別于模型反向傳播時會自動優(yōu)化的參數(shù)，通常被稱為超參數(shù)。對于超參數(shù)的調節(jié)并沒有成文的規(guī)則，只能依靠直覺或經驗來判定，一般會先隨機選擇一組超參數(shù)，將模型在訓練數(shù)據(jù)上擬合，觀察驗證數(shù)據(jù)上的模型性能，然后不斷嘗試不同的超參數(shù)進行比對，最終確定最合適的模型，在測試數(shù)據(jù)上測試模型的最終性能[7]。表3為本文確定的神經網絡模型參數(shù)。

4 應用實例分析

采用本文建立的神經網絡模型，結合現(xiàn)有的船載核動力管路狀態(tài)數(shù)據(jù)，進行了應用研究。如圖2所示，主要流程為。

（1）采集管路故障數(shù)據(jù)：對被測管路的維護保養(yǎng)數(shù)據(jù)進行收集和提取。

（2）預處理：將采集到的各種類型故障數(shù)據(jù)標準化，分為訓練樣本和測試樣本。

（3）建立神經網絡模型。

（4）初始化：設置網絡結構的基本參數(shù)，一般包括網絡層數(shù)、學習率、特征向量維數(shù)和迭代次數(shù)等。

（5）優(yōu)化模型：根據(jù)初步運行結果調整神經網絡模型參數(shù)。

（6）性能測試：保存已訓練好的網絡參數(shù)，使用測試樣本進行性能測試。

（7）輸出結果。

表4為使用CNN訓練的結果。由實驗結果可見，平均識別率超過96.5%，損失率也較低，訓練用時在21～23秒之間，運算速度較快。說明基于卷積神經網絡構建船載核動力管路故障診斷模型是可行的。

5 結論

由于人工方法存在一定的主觀性且效率較低，船載核動力管路故障的智能診斷手段需求日益迫切，本文將卷積神經網絡方法引入船載核動力管路故障領域，提出了基于卷積神經網絡的船載核動力管路故障診斷方法。本文提出的方法具有一定的自動化水平，能夠快速提供管路檢修搶修的決策依據(jù)。

參考文獻

[1]彭敏俊.船舶核動力裝置[M].北京：原子能出版社，2009.

[2]王新穎，楊泰旺，宋興帥，陳海群.卷積神經網絡在燃氣管道故障診斷中的應用[J].工業(yè)安全與環(huán)保，2019，45（02）：36-40+68.

[3]駱正山，畢傲睿，王小完.基于PCA-SVM的高含硫油氣混輸管路腐蝕預測[J]. 中國安全科學學報，2016，26（2）：85-90.

[4]Krizhevsky ?A，Sutskever ?I，Hinton ?G ?E.Imagenet ?classification ?with ?deep convolutional ?neural ?networks[C]//Advances ?in ?neural ?information ?processing syst ems.2012：1097-1105.

[5]王明明.核電站管道熱疲勞試驗方法及壽命預測模型研究[D].沈陽工業(yè)大學，2014.

[6]張偉.基于卷積神經網絡的軸承故障診斷算法研究[D].哈爾濱工業(yè)大學，2017.