吳榮燕,周劍良,顏擁軍,武亞新

(1.南華大學(xué) 電氣工程學(xué)院,湖南 衡陽421001;2.南華大學(xué) 核科學(xué)技術(shù)學(xué)院,湖南 衡陽421001;3.南華大學(xué) 化學(xué)化工學(xué)院,湖南 衡陽421001)

0 引 言

核探測器是監(jiān)測各種電離輻射的一種特殊傳感器,在環(huán)境輻射安全監(jiān)測和核設(shè)施安全工作中發(fā)揮著重要作用[1-6]。由于核探測器長期在高濕、高溫、輻照等環(huán)境下工作,極易引起探測器敏感元件老化,導(dǎo)致核探測性能下降[2]。此時(shí),探測器不能提供準(zhǔn)確的監(jiān)測信息,其輻射安全監(jiān)控功能也就失效了。鑒于核探測器安裝的位置大都靠近放射源,依靠人工巡檢的方式來對(duì)探測器故障進(jìn)行及時(shí)識(shí)別是非常困難的。因此,采用理論的方法,實(shí)時(shí)監(jiān)測探測器輸出信號(hào),在線識(shí)別核探測器故障是非常有必要的。

核電站早期主要采用硬件冗余的方法來進(jìn)行探測器故障識(shí)別[7-8]。該方法簡單有效,但需要大量重復(fù)的設(shè)備,安裝難度和成本投資較大。近年來,國內(nèi)學(xué)者在核探測器故障信號(hào)診斷方面做了大量研究。李鑫[9]提出了使用小波包算法對(duì)模擬故障信號(hào)進(jìn)行特征提取,利用支持向量機(jī)對(duì)故障信號(hào)進(jìn)行識(shí)別的方法。李鑫[10]采用基于統(tǒng)計(jì)方法對(duì)NaI閃爍探測器故障信號(hào)進(jìn)行識(shí)別。謝宇希[11]提出了BP神經(jīng)網(wǎng)絡(luò)對(duì)閃爍探測器故障信號(hào)進(jìn)行識(shí)別的方法。T.S.Ding[12-13]提出了極限學(xué)習(xí)機(jī)和KNN改進(jìn)算法對(duì)閃爍探測器故障信號(hào)進(jìn)行識(shí)別的方法。上述方法都需要提前提取信號(hào)特征,然后用機(jī)器學(xué)習(xí)、支持向量機(jī)、統(tǒng)計(jì)方法等對(duì)特征進(jìn)行分類。在線監(jiān)測核探測器故障最簡單有效的方法是對(duì)探測器輸出的信號(hào)進(jìn)行實(shí)時(shí)識(shí)別和故障診斷。實(shí)時(shí)信號(hào)可以采用圖像的形式來進(jìn)行表征,深度學(xué)習(xí)的方法可以直接將實(shí)時(shí)信號(hào)圖像饋送給深度神經(jīng)網(wǎng)絡(luò),從而通過自動(dòng)學(xué)習(xí)圖像特征來達(dá)到識(shí)別各種故障的目的[14]。本文基于Matlab平臺(tái),利用深度學(xué)習(xí)方法對(duì)閃爍探測器信號(hào)進(jìn)行了實(shí)時(shí)識(shí)別和故障診斷研究。

1 圖像樣本

為獲得最佳結(jié)果,深度學(xué)習(xí)需要非常大的訓(xùn)練和測試數(shù)據(jù),這就需要成百上千甚至數(shù)萬張圖像數(shù)據(jù)樣本。首先,本文基于Matlab平臺(tái)模擬了閃爍體探測器輸出的正常信號(hào)和非正常信號(hào)圖像樣本數(shù)據(jù)。然后,構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)將圖像樣本數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。最后,將訓(xùn)練好的網(wǎng)絡(luò)對(duì)新輸入的圖像進(jìn)行故障分類,并計(jì)算準(zhǔn)確率[14-15]。

1.1 正常信號(hào)圖像

閃爍體探測器輸出的信號(hào)是具有一定形狀且滿足統(tǒng)計(jì)分布特性的隨機(jī)脈沖。其脈沖幅度與噪聲服從高斯分布,相鄰脈沖時(shí)間間隔服從指數(shù)分布。脈沖波形的函數(shù)可近似表示為雙指數(shù)函數(shù)[9,16]:

(1)

式(1)中,ε(t)為階躍函數(shù),A為脈沖幅度,v(t)為疊加在脈沖上的白噪聲,τ1和τ2為雙指數(shù)函數(shù)的慢、快時(shí)間常量,衰減時(shí)間由τ1和τ2共同決定。閃爍探測器輸出正常信號(hào)的平均幅度為1 V,白噪聲幅度標(biāo)準(zhǔn)差為0.005 V,固有能量分辨率為20%,τ1和τ2分別為30 s和5 s[9,11,13]。根據(jù)以上參數(shù)模擬隨機(jī)正常輸出信號(hào),如圖1。

圖1 隨機(jī)正常信號(hào)波形

1.2 非正常信號(hào)圖像

閃爍探測器由光產(chǎn)生元件、光學(xué)耦合劑、光電倍增元件和前置放大器四部分組成。光產(chǎn)生元件主要采用閃爍體晶體。光學(xué)耦合劑是閃爍體晶體與光電倍增元件之間涂抹的一層耦合劑,主要功能是為了減少閃爍體晶體發(fā)出的光在傳遞過程中的損失[17]。光學(xué)耦合劑一般為硅油,但在不經(jīng)常拆裝的儀器上也用較稠的硅脂。光電倍增元件是光電倍增管,作用是將光變成電信號(hào),以便于后續(xù)電路處理。光電倍增管陽極收集的是電荷,電荷需要轉(zhuǎn)換成便于測量的電壓信號(hào)[18]。前置放大器的功能是將電荷轉(zhuǎn)換成電壓信號(hào)并對(duì)其進(jìn)行放大,以及與后續(xù)電路實(shí)現(xiàn)阻抗匹配[19]。

造成閃爍體探測器輸出信號(hào)異常因素有很多,組成閃爍體探測器的四個(gè)主要部分中任何一個(gè)出現(xiàn)故障都會(huì)引起輸出信號(hào)異常。輻照效應(yīng)[20-21]、溫度、濕度對(duì)閃爍體晶體性能影響較大[17],容易造成閃爍體晶體老化,從而導(dǎo)致閃爍體晶體發(fā)光效率降低,此時(shí)的信號(hào)表征為脈沖幅度和脈沖下降沿時(shí)間發(fā)生變化[9,13]。試驗(yàn)表明,閃爍體晶體與光電倍增之間,硅油涂抹與否對(duì)光電倍增管輸出信號(hào)幅度和幅度分辨率有非常大影響[17]。前置放大器的元器件主要由電阻、電容、運(yùn)放芯片組成。元器件固有噪聲是其可靠性極為敏感的參數(shù),器件老化后噪聲會(huì)隨之發(fā)生變化[22]。針對(duì)以上情況,本文分別模擬了閃爍體老化信號(hào)、硅油涂抹與否對(duì)應(yīng)信號(hào)、前置放大器電子元器件噪聲變化對(duì)應(yīng)信號(hào)。

閃爍體老化信號(hào)特征是脈沖幅度降低,下降沿時(shí)間增大[13]。按照脈沖平均幅度分別降低20%、40%和慢時(shí)間常數(shù)分別是正常脈沖的10倍、100倍的規(guī)律模擬兩組數(shù)據(jù)(每組代表不同老化程度)。未涂抹硅油與涂抹硅油相比,信號(hào)脈沖幅度可降低30%～50%,脈沖幅度分辨率下降1%～4%[17]。按照脈沖幅度降低30%、40%、50%;脈沖幅度分辨率降低2%、3%、4%的規(guī)律,模擬三組數(shù)據(jù)(每組代表不同硅油厚度)。按照非正常信號(hào)白噪聲幅度標(biāo)準(zhǔn)差是正常值的10倍、50倍、100倍規(guī)律模擬三組數(shù)據(jù)(每組代表元器件可靠性的不同程度)。模擬混合故障信號(hào)兩組,第一組為閃爍體老化與白噪聲混合故障,閃爍體老化指標(biāo)為脈沖平均幅度降低40%,白噪聲幅度標(biāo)準(zhǔn)差為正常值的50倍。第二組為不同硅油厚度與白噪聲混合故障,脈沖幅度降低50%,脈沖幅度分辨率降低4%,白噪聲幅度標(biāo)準(zhǔn)差是正常值的100倍。圖2～圖3為隨機(jī)的4組非正常信號(hào)。模擬出10組非正常的隨機(jī)脈沖圖像,每組圖像對(duì)應(yīng)一個(gè)標(biāo)簽,作為深度學(xué)習(xí)數(shù)據(jù)集。

圖2 老化與硅油故障信號(hào)圖

圖3 白噪聲與混合故障信號(hào)圖

2 深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)

深度學(xué)習(xí)和機(jī)器學(xué)習(xí)的最大區(qū)別是深度學(xué)習(xí)使用的是多個(gè)隱藏層神經(jīng)網(wǎng)絡(luò),具備特征提取的功能[14]。在一些情況下,無須對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,可以直接輸入到深度學(xué)習(xí)模型中。本文使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)進(jìn)行特征提取及分類。

2.1 深度學(xué)習(xí)程序開發(fā)步驟

通過調(diào)用Matlab深度學(xué)習(xí)工具箱的函數(shù)進(jìn)行模型開發(fā)。根據(jù)閃爍體老化、硅油涂抹與否、前置放大器元器件白噪聲、混合故障四種情況模擬了10組圖像數(shù)據(jù)集,每組1 000張,共10 000張圖像。將圖像數(shù)據(jù)分為訓(xùn)練集和測試集,為卷積神經(jīng)網(wǎng)絡(luò)提供訓(xùn)練集和測試集。接著構(gòu)建卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入信息自主提取“有效特征”。設(shè)置卷積核、網(wǎng)絡(luò)權(quán)重、偏置值、學(xué)習(xí)率等參數(shù)初始值,卷積神經(jīng)網(wǎng)絡(luò)根據(jù)損失函數(shù)的值自動(dòng)對(duì)以上參數(shù)進(jìn)行訓(xùn)練,不斷更新參數(shù),直至損失函數(shù)值最小或者降低到某一閾值之內(nèi)。訓(xùn)練出來的參數(shù)作為卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)值[15]。進(jìn)而將參數(shù)訓(xùn)練好的模型對(duì)測試集進(jìn)行分析,得出分類結(jié)果和分類的準(zhǔn)確值。開發(fā)步驟如圖4。

圖4 模型開發(fā)步驟

2.2 卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

卷積神經(jīng)網(wǎng)絡(luò)的主要作用是提取特征,減少訓(xùn)練參數(shù),減低網(wǎng)絡(luò)復(fù)雜度[14]。卷積神經(jīng)網(wǎng)絡(luò)主要包括圖像輸入層、卷積計(jì)算層、ReLU激活層、池化層以及全連接層[15]。卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建具體流程如圖5。

圖5 卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

本文圖像數(shù)據(jù)參數(shù):像素300×300,3通道。卷積層設(shè)置三層,第一層的卷積核大小為3×3,卷積核的個(gè)數(shù)為8,卷積方式為零填充方式。卷積核的個(gè)數(shù)與輸出特征圖個(gè)數(shù)相同。批量歸一化層有兩個(gè)作用,一個(gè)作用是將上一層輸出信息批量歸一化后送入到下一層,另一個(gè)作用是可以在訓(xùn)練時(shí)提升模型的收斂速度。ReLU激活函數(shù)主要功能是保留每個(gè)卷積層的效果,對(duì)卷積層輸入小于0的數(shù)據(jù)變?yōu)?,其他的數(shù)據(jù)保持不變。它的表達(dá)式為:

f(x)=max(0,x)

(2)

池化層使特征圖縮小,壓縮網(wǎng)絡(luò)參數(shù)和降低過擬合[23]。池化方法有兩種:一種為平均池化,另外一種為最大池化。本文采用最大池化,池化區(qū)域?yàn)?×2,步長為2。第二、三卷積層設(shè)置的參數(shù)與第一卷積層大致相同,不同點(diǎn)在于卷積核個(gè)數(shù)。第二、三卷積層卷積核個(gè)數(shù)為16。

本文模擬10組故障圖像,全連接層輸出個(gè)數(shù)為10。softmaxLayer層計(jì)算每個(gè)輸出的概率,分類層根據(jù)softmaxLayer層輸出概率對(duì)故障信號(hào)進(jìn)行分類。最后計(jì)算分類結(jié)果的準(zhǔn)確率。

2.3 訓(xùn)練選項(xiàng)配置

卷積神經(jīng)網(wǎng)絡(luò)是具有深度結(jié)構(gòu)包含卷積計(jì)算的前饋神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)權(quán)重、偏置值、卷積核中的元素都需要通過訓(xùn)練來確定[14]。訓(xùn)練選項(xiàng)配置參數(shù)的選取對(duì)結(jié)果影響是很大的。訓(xùn)練選項(xiàng)包括優(yōu)化算法、初始學(xué)習(xí)率、最大訓(xùn)練輪數(shù)、設(shè)置驗(yàn)證訓(xùn)練集和設(shè)置驗(yàn)證頻率[15]。隨機(jī)梯度下降算法通常被用于深度學(xué)習(xí)訓(xùn)練。Adam、Rmsprop、Sgdm等都屬于隨機(jī)梯度下降算法的變種[23]。Matlab深度學(xué)習(xí)工具箱提供了Adam、Rmsprop、Sgdm三種優(yōu)化算法,三種優(yōu)化算法都需要初始學(xué)習(xí)率[14]。

三種優(yōu)化算法初始學(xué)習(xí)率設(shè)置為0.001,最大訓(xùn)練輪數(shù)8,每一輪訓(xùn)練打亂一次數(shù)據(jù),設(shè)置驗(yàn)證訓(xùn)練集,驗(yàn)證頻率為30。

3 深度學(xué)習(xí)訓(xùn)練結(jié)果

深度學(xué)習(xí)的算法有很多種。面對(duì)相同的樣本圖像,每種算法在分類的準(zhǔn)確率、時(shí)間等結(jié)果上都不盡相同。因此,需要對(duì)各種算法進(jìn)行性能評(píng)估。本文分別采用Adam,Rmsprop、Sgdm算法對(duì)樣本圖像進(jìn)行了訓(xùn)練,在卷積層為3層的情況下對(duì)其訓(xùn)練準(zhǔn)確率和訓(xùn)練時(shí)間進(jìn)行比較。訓(xùn)練硬件參數(shù):CPU為英特爾Xeon(至強(qiáng))W-10885M,2.4 GHz,八核;內(nèi)存32 G,頻率為3 200 MHz;顯卡為NVIDIA Quadro RTX 3000。

圖像樣本為10組非正常的隨機(jī)脈沖圖像,每組圖像為1 000張,共10 000張圖像。每組對(duì)應(yīng)一個(gè)故障標(biāo)簽。三種算法的初始學(xué)習(xí)率為0.001,最大訓(xùn)練輪數(shù)8;每一輪訓(xùn)練打亂一次數(shù)據(jù);設(shè)置驗(yàn)證訓(xùn)練集;驗(yàn)證頻率為30;每組訓(xùn)練集的數(shù)量為700張,其余為測試集。每種算法分別進(jìn)行8次訓(xùn)練,分類準(zhǔn)確度和訓(xùn)練時(shí)間如表1,運(yùn)行結(jié)果如圖6～圖8。

圖6 Adam算法運(yùn)行結(jié)果圖

圖7 Sgdm算法運(yùn)行結(jié)果圖

圖8 Rmsprop算法運(yùn)行結(jié)果圖

表1 準(zhǔn)確度和訓(xùn)練時(shí)間

Adam算法、Sgdm算法和Rmsprop算法的分類準(zhǔn)確度平均值分別為92.82%、93.10%、90.75%。訓(xùn)練時(shí)間平均值分別為3 min 15 s、3 min 15 s、 3 min 12 s。從訓(xùn)練時(shí)間平均值上看Rmsprop比其他兩種算法要少3 s。Sgdm的分類準(zhǔn)確度最高,準(zhǔn)確度和損失的迭代曲線平穩(wěn)。Rmsprop的分類準(zhǔn)確度較其他兩種算法低,準(zhǔn)確度和損失的迭代曲線不平穩(wěn),波動(dòng)較大。

4 結(jié) 論

本文基于閃爍探測器非正常信號(hào)波形模型,利用Matlab平臺(tái)模擬了十組非正常信號(hào)共10 000張波形圖象。運(yùn)用Matlab深度學(xué)習(xí)工具箱函數(shù)構(gòu)建了一個(gè)用于對(duì)非正常信號(hào)圖像進(jìn)行分類的卷積神經(jīng)網(wǎng)絡(luò)模型。三種深度學(xué)習(xí)算法運(yùn)行結(jié)果的分類準(zhǔn)確率最高可達(dá)93.10%。雖然,其診斷準(zhǔn)確率略低于文獻(xiàn)報(bào)道值,但是本文方法不需要對(duì)信號(hào)進(jìn)行預(yù)處理和特征預(yù)提取,使用更為簡便。且調(diào)試好的模型代碼能自動(dòng)轉(zhuǎn)換成目標(biāo)平臺(tái)的C/C++代碼?？梢灾苯討?yīng)用于硬件平臺(tái),無須再重新編寫深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的底層代碼,從而加快算法模型轉(zhuǎn)化成產(chǎn)品的速度。