門永偉

江蘇核電有限公司 江蘇連云港 222042

近幾年，國內核電站的運轉規(guī)模逐漸擴展，所用設備的復雜性也隨之提升，使得對于設備狀態(tài)的把控程度也有更高要求，其預測準確性也變得極為重要。因為核電設備形成的信息屬于保密的范疇，再加上其他因素的影響，使得有關研究無法借助數(shù)據(jù)信息實現(xiàn)對機械工作狀態(tài)的預測。所以，分析預測機械狀態(tài)的方式具備實際價值。

1 核電系統(tǒng)中應用LSTM的現(xiàn)狀

核電系統(tǒng)內部框架復雜，形成的數(shù)據(jù)與其結構復雜性呈正比。常規(guī)的設備預測方式有灰色預測、非線性濾波裝置等，但此類方式僅能反映出因果循環(huán)，無法判斷時序數(shù)據(jù)和裝置工作狀態(tài)的聯(lián)系。當前，基于LSTM，利用核電裝置的時序信息預測設備狀態(tài)，已經(jīng)有成功經(jīng)驗。比如，以LSTM為依托，建立摩擦模型，專門判斷設備滾動摩擦，以預測出機械工作的摩擦指數(shù)。又如，將該神經(jīng)網(wǎng)絡形成的模型與分解算法聯(lián)合應用，對軸承信息的本征模函數(shù)進行分量，獲得信息和支持向量機加以比較，以此判斷設備的狀態(tài)。

2 有關理論分析

2.1 預處理

預處理為發(fā)掘信息的關鍵一步，要求提供的原始信息有價值，但現(xiàn)實情況一般無法達到。而利用預處理，將專業(yè)知識當成“向導”，梳理原始數(shù)據(jù)，去除與預測對象無關的因素，由此建立出更為精準的數(shù)據(jù)模型。有關此方面的理論及方式有多種，但在核電設備此種較為復雜地預處理上，還未出現(xiàn)切實深入地分析。相關表達式為：

其中，x是實驗數(shù)據(jù)，μ是平均數(shù)，σ是標準差。

2.2 LSTM

該種神經(jīng)網(wǎng)絡是基于常規(guī)相關結構設計，增加時序數(shù)據(jù)，以提高預測環(huán)境的適應度。傳統(tǒng)的RNN模型本身有梯度消失及爆炸的弊端，難以長時間工作，同時，使用該模型需實現(xiàn)設置處理窗口長度，而此參數(shù)無法準確把握。LSTM屬于RNN的一種變體，其在基礎模型上，添加記憶單元，由此達到對時序數(shù)據(jù)的監(jiān)控。各序列信息會在各單元傳遞期間，經(jīng)過多道可控門，把控以往與實時信息的遺忘指數(shù)，以此實現(xiàn)長期記憶，利用此種模式，LSTM切實改進原本的缺陷，提高預測效率。

2.3 梯度運算

此項算法是目前相關機械領域應用頻率較高的調整方式，現(xiàn)如今已經(jīng)形成多個版本的運算方式，即Adam、RMSProp、SGD等。以SGD為例，其是在確定樣本范圍內，運用隨機抽樣方式獲得一定容量的樣本，以此代表整個樣本。此種處理形式可以在確定樣本范圍的基礎上，快速得出結果。其可避免由于樣本數(shù)量增加而影響運算效率的問題，控制機械資源占用率[1]。

3 基于LSTM循環(huán)神經(jīng)網(wǎng)絡建立預測模型

3.1 初建模型

預測參考的數(shù)據(jù)為單變量時序信息，預測模型分成五個單元。其一，輸入層，其負責簡單整理預測所用的信息，設定數(shù)據(jù)集，實現(xiàn)對數(shù)據(jù)的規(guī)范化管理，確保數(shù)據(jù)分割等處理，適應預測模型的輸入標準。其二，隱藏層，借助LSTM構建網(wǎng)絡神經(jīng)，其中系統(tǒng)中的遺忘門影響對神經(jīng)元情況變化的保留量，而輸入門負責確定設備當前相關數(shù)據(jù)的保留量，輸出層則負責給出最終結果。利用SGD算法調整各數(shù)據(jù)的比重，兼顧準確度和效率。

3.2 訓練預測

第一步，設置機械的原始狀態(tài)下的時序數(shù)據(jù)。為滿足隱藏層對于輸入數(shù)據(jù)的要求，可采用分割方式整理數(shù)據(jù)集。

第二步，把整體分成兩項內容，即train_x與train_y、test_x與test_y。第三步，把train_x,train_y傳送至隱藏層中。根據(jù)初期對兩類數(shù)據(jù)集進行的參數(shù)設計，二者比值是9:1，由此得到輸出值與train_y都是 ( 0.9*t,L-m)。所以，使用均方誤差進行計算。進行預測實驗的目的是控制損失函數(shù)，基于差異化的學習率及窗口長度等，利用SGD進行數(shù)據(jù)權重調整，以形成更佳的數(shù)據(jù)模型。合理運用LSTM對機械狀態(tài)加以預測，并把test_x傳送至數(shù)據(jù)模型中，并借助test_y得到較為精確的預算結果[2]。

3.3 預測驗證

首先，確認數(shù)據(jù)集，預測對象是核電機械中的主泵繞組，以溫度參數(shù)為預測指標。此項參數(shù)能直接反映出核電機械工作狀態(tài)，而溫度是否處于適宜范圍內，決定機械當前的工作情況。本次預測實驗以1條/min的頻率進行數(shù)據(jù)采集，涉及到的數(shù)據(jù)超過370萬。

其次，度量指標。實踐訓練選用的度量方法關乎最終運算準確程度，常用方法有三種，分別計算誤差平方期望值、算術平方根以及平均數(shù)。為保障數(shù)據(jù)模型的運算準確性，一般會選用最后一種。

最后，預測結果。一方面，建立的模型參數(shù)準確性較好，使用差異化的窗口長度及學習率，進行模型實驗。經(jīng)過多次實驗記錄結果限制，在窗口長度是15，且學習率為0.02，此時該模型的狀態(tài)預測質量為最佳狀態(tài)，MAE值約等于0.03。另一方面，此模型和RNN、GRU相較。為驗證該模型可以在多種工作狀態(tài)下，是否可以保持穩(wěn)定預測，實驗期間通過調整隱藏層的數(shù)據(jù)，建立其他兩種模型，同時，應用一樣的數(shù)據(jù)展開實驗，由此判斷預測準確性。經(jīng)實踐數(shù)據(jù)顯示，RNN數(shù)據(jù)模型預測狀態(tài)最佳時的MAE值超過0.034，而GRU則超過0.032。通過數(shù)據(jù)對比，基本可以得出，LSTM的應用效果優(yōu)于RNN及GRU[3]。

4 結語

根據(jù)實驗結果顯示，LSTM的應用性能較佳，且其在學習率的參數(shù)確定方面，有較高的敏感度，即使有細微地調整，也會改變最后結果的精度，但其訓練周期相對偏長。簡單而言，已經(jīng)證實LSTM的使用效果，并拓寬實際預測范疇。根據(jù)現(xiàn)今核電機械的運轉狀態(tài)，應當繼續(xù)深化在隱藏層以及最佳參數(shù)等方面的分析，以更好地掌握核電設備的工作狀態(tài)。