基于集成神經(jīng)網(wǎng)絡(luò)與模糊邏輯融合的穩(wěn)壓器泄漏監(jiān)測方法

韓 龍，周 剛，孫旭升

（海軍工程大學(xué) 核能科學(xué)與工程系，湖北 武漢 430033）

穩(wěn)壓器是反應(yīng)堆壓力安全系統(tǒng)的關(guān)鍵性設(shè)備，其主要功能是調(diào)節(jié)反應(yīng)堆一回路壓力波動、補(bǔ)償反應(yīng)堆冷卻劑容積和對一回路系統(tǒng)進(jìn)行超壓保護(hù)。穩(wěn)壓器泄漏會造成反應(yīng)堆一回路壓力失控，導(dǎo)致反應(yīng)堆事故停堆和放射性物質(zhì)外泄。因此，穩(wěn)壓器泄漏監(jiān)測對壓水型核反應(yīng)堆裝置的安全運(yùn)行具有重要意義。在工業(yè)系統(tǒng)中，目前已應(yīng)用和正在研究的泄漏檢測方法有多種，如氦質(zhì)譜檢漏法、壓力變化檢漏法、鹵素檢漏法、滲透檢漏法、放射性同位素檢漏法、氣泡檢漏法、氨檢漏法、聲波檢漏法和紅外線熱成像檢漏法等［1］。由于壓水型核反應(yīng)堆裝置環(huán)境復(fù)雜，許多泄漏在裝置運(yùn)行過程中才能發(fā)生，因此，上述多數(shù)方法難以用于壓水型核反應(yīng)堆裝置泄漏監(jiān)測；有些方法雖可用于壓水型核反應(yīng)堆裝置泄漏監(jiān)測，但其技術(shù)復(fù)雜，實(shí)現(xiàn)起來難度大。針對該問題，本文將集成神經(jīng)網(wǎng)絡(luò)與模糊邏輯融合方法結(jié)合起來，研究基于集成神經(jīng)網(wǎng)絡(luò)［2-3］與模糊邏輯融合［4-6］（INN-FLF）的穩(wěn)壓器泄漏監(jiān)測方法。

1 基于INN-FLF的泄漏監(jiān)測方法原理

基于INN-FLF的穩(wěn)壓器泄漏監(jiān)測原理框圖如圖1所示。它包括1個基于RBF 神經(jīng)網(wǎng)絡(luò)的泄漏診斷模塊（RBF-LDM）、1 個基于Elman神經(jīng)網(wǎng)絡(luò)的參數(shù)預(yù)測診斷模塊（Elman-PPDM）和1 個模糊邏輯融合模塊（FLFM）。RBF-LDM 模塊利用壓水型核反應(yīng)堆裝置有關(guān)監(jiān)測參數(shù)直接診斷穩(wěn)壓器是否發(fā)生泄漏。Elman-PPDM 模塊包括兩個Elman神經(jīng)網(wǎng)絡(luò)，即Elman-NN1 和Elman-NN2。Elman-NN1用于穩(wěn)壓器壓力和水位參數(shù)預(yù)測，其預(yù)測值與實(shí)際監(jiān)測值間的誤差作為Elman-NN2 的輸入。Elman-NN2利用上述誤差參數(shù)來診斷穩(wěn)壓器是否發(fā)生泄漏。在FLFM 模塊中，采用模糊邏輯融合方法對RBF-LDM 與Elman-PPDM的診斷結(jié)果進(jìn)行融合，從而得到穩(wěn)壓器泄漏的最終診斷結(jié)果。

2 診斷模型的建立

2.1 RBF-LDM 的建立

RBF-LDM 由1 個RBF-NN 構(gòu) 成。在RBF-NN 模型中，采用高斯函數(shù)作為神經(jīng)網(wǎng)絡(luò)的基函數(shù)，RBF-NN 的輸出函數(shù)采用線性函數(shù)。RBF-LDM 輸入為歸一化后的壓水型核反應(yīng)堆裝置相關(guān)運(yùn)行監(jiān)測參數(shù)，以向量V=｛P1，P2，…，Pn｝表示，這里Pn為第n 個監(jiān)測參數(shù)的值。RBF-NN 的輸出表示泄漏故障的置信度，其值越大，表明泄漏故障發(fā)生的可能性也越大。在RBF-NN 建模中，采用正交最小二乘學(xué)習(xí)算法對RBF-NN 進(jìn)行訓(xùn)練。

2.2 Elman-PPDM 的建立

Elman-PPDM 采用與RBF-NN 具有不同網(wǎng)絡(luò)結(jié)構(gòu)的Elman-NN 構(gòu)建參數(shù)預(yù)測診斷模型。Elman-NN1預(yù)測網(wǎng)絡(luò)輸入為壓水型核反應(yīng)堆系統(tǒng)運(yùn)行時部分歸一化系統(tǒng)參數(shù)，以向量V1= ｛P1，P2，…，Pk，Pk+j，…，Pn｝表 示；Elman-NN1的輸出為對應(yīng)V1向量的系統(tǒng)其他參數(shù)歸 一 化 值，以 向 量V2=｛＾Pk+1，＾Pk+2，…，＾Pk+j-1｝表示，這里＾Pk+1表示第k+1個監(jiān)測參數(shù)的網(wǎng)絡(luò)預(yù)測輸出值。需要說明的是，Elman-NN1預(yù)測網(wǎng)絡(luò)的輸出值是壓水型核反應(yīng)堆系統(tǒng)正常運(yùn)行時所對應(yīng)的參數(shù)值。因此Elman-NN1預(yù)測網(wǎng)絡(luò)在訓(xùn)練時，訓(xùn)練樣本只限于壓水型核反應(yīng)堆系統(tǒng)正常運(yùn)行參數(shù)值。Elman-NN2融合網(wǎng)絡(luò)輸入為系統(tǒng)實(shí)測參數(shù)與預(yù)測參數(shù)的差值，以向量D=｛d1，d2，…，ds｝表示，ds的計算公式如下：

圖1 基于INN-FLF的穩(wěn)壓器泄漏監(jiān)測原理框圖Fig.1 Principle structure diagram of pressurizer leak monitoring based on INN-FLF method

式中，s為預(yù)測參數(shù)的數(shù)量。

Elman-NN2融合網(wǎng)絡(luò)輸出為［0，1］間的數(shù)值，它表示故障置信度。經(jīng)試驗(yàn)測試，Elman-PPDM 中的Elman神經(jīng)網(wǎng)絡(luò)均采用tansig函數(shù)作為隱層傳遞函數(shù)，采用線性函數(shù)作為輸出層傳遞函數(shù)，利用擬牛頓算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。Elman-NN2的結(jié)構(gòu)如圖2所示。

2.3 模糊邏輯融合模型的建立

在融合模塊設(shè)計中，應(yīng)用模糊推理系統(tǒng)（FIS）設(shè)計融合模型，對RBF-LDM 與Elman-PPDM 診斷結(jié)果進(jìn)行融合。FIS的輸入?yún)?shù)為RBF-LDM 和Elman-PPDM 診斷輸出值，其輸出參數(shù)為穩(wěn)壓器泄漏監(jiān)測的最終結(jié)果。FIS的輸入?yún)?shù)使用3 個模糊子集，即N（正常）、M（之間）和F（故障）進(jìn)行描述。FIS融合輸出值使用N（正常）、DN（偏正常）、DF（偏故障）及F（故障）描述。FIS輸入、輸出參數(shù)隸屬函數(shù)如圖3所示。

圖2 Elman-NN2融合網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of Elman-NN2fusion network

考慮到壓水型核反應(yīng)堆裝置對于安全性的嚴(yán)格要求，因而在設(shè)計模糊邏輯融合規(guī)則時應(yīng)盡可能滿足可靠性原則。在泄漏診斷過程中，當(dāng)有1個分診斷模型的結(jié)果為故障時就應(yīng)認(rèn)定為故障或偏故障。當(dāng)兩個神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果均為中間值時，也應(yīng)認(rèn)定為發(fā)生了故障。通過分析及試驗(yàn)比較，建立穩(wěn)壓器泄漏故障診斷的模糊推理規(guī)則，如表1所列。

Elman-PPDM RBF-LDM N M F N N DN DF M DN F DF F DF DF F

在模糊推理方法的選擇上，采用Mamdani模糊推理算法。在該算法中“and”與“or”推理分別采用最小運(yùn)算與最大運(yùn)算；對于模糊蘊(yùn)含，選擇最小運(yùn)算。在推理完成后，采用面積中心法對模糊輸出值進(jìn)行去模糊化處理。

3 仿真研究

3.1 用于訓(xùn)練的監(jiān)測變量與故障模式

為研究本文所提出的穩(wěn)壓器泄漏監(jiān)測方法的可行性，在仿真驗(yàn)證中選取了穩(wěn)壓器正常運(yùn)行、穩(wěn)壓器泄漏故障以及穩(wěn)壓器與一回路主冷卻劑管道同時發(fā)生泄漏故障等6個典型故障工況作為訓(xùn)練及測試樣本。各故障代號及核反應(yīng)堆運(yùn)行工況列于表2。

通過對穩(wěn)壓器不同尺寸破口仿真分析可知，對于穩(wěn)壓器和一回路主冷卻劑管道較大破口的泄漏事故，相關(guān)參數(shù)變化較明顯，故障現(xiàn)象也較為明顯。一方面操縱人員可通過相關(guān)參數(shù)的變化判斷出泄漏事故；另一方面利用現(xiàn)有診斷技術(shù)也能較為容易地診斷出泄漏故障。但對于穩(wěn)壓器和一回路主冷卻劑管道小破口事故，由于冷卻劑泄漏量較小，再加上系統(tǒng)的調(diào)節(jié)作用和運(yùn)行工況的變化，相關(guān)參數(shù)變化較為緩慢，很難在故障初期做出準(zhǔn)確判斷。因此，在本研究中，對穩(wěn)壓器和一回路主冷卻劑管道泄漏故障進(jìn)行仿真測試時，選取小破口事故作為設(shè)計故障。在仿真驗(yàn)證中，穩(wěn)壓器及一回路主冷卻劑管道的破口尺寸均設(shè)為5mm。

對于穩(wěn)壓器和一回路主冷卻劑管道泄漏，其現(xiàn)象較復(fù)雜，很難直接利用單個監(jiān)測變量進(jìn)行監(jiān)測。在分析穩(wěn)壓器和一回路主冷卻劑管道泄漏的特點(diǎn)以及泄漏時壓水型核反應(yīng)堆裝置相關(guān)參數(shù)變化情況的基礎(chǔ)上，選取反應(yīng)堆左出口冷卻劑溫度、反應(yīng)堆總熱功率等7個參數(shù)作為穩(wěn)壓器和一回路主冷卻劑管道泄漏診斷的監(jiān)測參數(shù)。各參數(shù)代號列于表3。

序號 穩(wěn)壓器故障類型 代號 反應(yīng)堆運(yùn)行工況1正常運(yùn)行 NC1 冷態(tài)啟動2正常運(yùn)行 NC2 功率從額定功率的70%降到30%3氣相泄漏 F1 冷態(tài)臨界4液相泄漏 F2 5%額定功率5液相破損，同時一回路主冷卻劑管道破口 F3 70%額定功率6氣相泄漏 F4 功率從額定功率的70%降到30%

序號 監(jiān)測變量 代號1 反應(yīng)堆左出口冷卻劑溫度，℃ RLCOT 2反應(yīng)堆總熱功率，% NPL 3反應(yīng)堆左冷卻劑流量，kg／s RLCFW 4穩(wěn)壓器溫度，℃ PT 5 反應(yīng)堆左入口冷卻劑溫度，℃ RLCIT 6穩(wěn)壓器壓力，MPa PP 7穩(wěn)壓器水位，mm PWL

3.2 監(jiān)測神經(jīng)網(wǎng)絡(luò)的離線訓(xùn)練

利用壓水型核反應(yīng)堆裝置模擬器對6個典型工況的7個監(jiān)測參數(shù)進(jìn)行數(shù)據(jù)采集，將采集后的數(shù)據(jù)進(jìn)行歸一化處理，用歸一化數(shù)據(jù)分別對RBF-LDM 和Elman-NN1 進(jìn)行離線訓(xùn)練。在RBF-LDM 的訓(xùn)練中，RBF-NN 的輸入為表3對應(yīng)的7個監(jiān)測參數(shù)的歸一化數(shù)值。RBFNN 的輸出為［0，1］間的數(shù)值，它表示泄漏故障的置信度。

Elman-NN1預(yù)測模型的輸入?yún)?shù)為歸一化后的反應(yīng)堆左出口冷卻劑溫度、反應(yīng)堆總熱功率、反應(yīng)堆左冷卻劑流量、穩(wěn)壓器溫度和反應(yīng)堆左入口冷卻劑溫度。Elman-NN1的輸出值為穩(wěn)壓器的壓力和水位的歸一化參數(shù)。

Elman-NN2融合模型的輸入值為歸一化后的穩(wěn)壓器壓力、水位的預(yù)測值與其實(shí)際值之差，輸出值為穩(wěn)壓器發(fā)生泄漏故障的置信度。通過試驗(yàn)比較，Elman-NN1 預(yù)測模型與Elman-NN2融合模型隱層節(jié)點(diǎn)數(shù)分別選為11和10，網(wǎng)絡(luò)訓(xùn)練次數(shù)均為500，網(wǎng)絡(luò)訓(xùn)練精度定為0.05。

3.3 診斷測試

利用壓水堆核動力裝置模擬器對表2所列工況進(jìn)行模擬運(yùn)行并采集相關(guān)參數(shù)數(shù)據(jù)，將采集數(shù)據(jù)輸入到訓(xùn)練好的INN-FLF 模型中，進(jìn)行仿真測試。在各故障工況中，F(xiàn)1故障是反應(yīng)堆在5%額定功率運(yùn)行下，自數(shù)據(jù)采樣開始后第62s發(fā)生；F2故障是反應(yīng)堆在5%額定功率運(yùn)行下，自數(shù)據(jù)采樣開始后第106s發(fā)生；F3故障是反應(yīng)堆在70%額定功率運(yùn)行下，自數(shù)據(jù)采樣開始后第90s發(fā)生；F4 故障是反應(yīng)堆從70%額定功率降到30%額定功率正常運(yùn)行過程中，自數(shù)據(jù)采樣開始后第93s發(fā)生。圖4與圖5分別示出壓水堆核動力裝置正常工況和各種泄漏工況下的診斷結(jié)果。

圖4 正常工況下各診斷模型的診斷結(jié)果Fig.4 Diagnosis outputs of normal operating modes

圖5 故障（泄漏）工況下各診斷模型的診斷結(jié)果Fig.5 Diagnosis outputs of fault operation modes

4 結(jié)果分析

根據(jù)仿真試驗(yàn)結(jié)果，設(shè)定診斷閾值為0.6，即規(guī)定診斷模型輸出故障置信度大于0.6時認(rèn)為穩(wěn)壓器發(fā)生了泄漏事故，反之認(rèn)為未發(fā)生泄漏。從圖4示出的診斷結(jié)果可看出，在反應(yīng)堆冷態(tài)臨界正常運(yùn)行時，RBF-LDM 和Elman-PPDM 模型均得出了正確的診斷結(jié)果。但在反應(yīng)堆從70%額定功率降低到30%額定功率的過程中，RBF-LDM 出現(xiàn)了誤診現(xiàn)象。在利用FIS 將RBF-LDM 和Elman-PPDM 的 診 斷結(jié)果進(jìn)行融合后，INN-FLF診斷模型得到了正確的診斷結(jié)果。由此可見，INN-FLF診斷模型具有較強(qiáng)的魯棒性，能有效抑制各分診斷模型的錯診現(xiàn)象。

從圖5示出的各診斷網(wǎng)絡(luò)對故障工況的診斷結(jié)果可看出，RBF-LDM 和Elman-PPDM 在對壓水堆核動力裝置進(jìn)行故障診斷時，對于不同工況各診斷模型的準(zhǔn)確度存在差異。在F1故障的診斷中，Elman-PPDM 的診斷時間早于RBF-LDM。但在故障F2、F3和F4的診斷中，RBF-LDM 較Elman-PPDM 能更早地得出診斷結(jié)果。相比較而言，INN-FLF診斷模型通過模糊邏輯融合各分診斷模型的診斷結(jié)果，使INN-FLF診斷模型始終能較早地對穩(wěn)壓器泄漏故障做出診斷，從而保證了整個診斷模型的穩(wěn)定性與可靠性。

5 結(jié)論

針對穩(wěn)壓器泄漏難以監(jiān)測的問題，將集成神經(jīng)網(wǎng)絡(luò)與模糊邏輯融合方法相結(jié)合，研究了穩(wěn)壓器泄漏監(jiān)測方法。該方法利用兩個獨(dú)立的診斷模型，對穩(wěn)壓器分別進(jìn)行故障模式識別與穩(wěn)壓器的參數(shù)預(yù)測故障診斷。采用模糊邏輯推理技術(shù)對各診斷模型的診斷結(jié)果進(jìn)行模糊邏輯融合，并將其作為穩(wěn)壓器泄漏最終監(jiān)測結(jié)果。仿真結(jié)果表明，基于集成神經(jīng)網(wǎng)絡(luò)與模糊邏輯融合的穩(wěn)壓器泄漏監(jiān)測方法能正確識別穩(wěn)壓器泄漏故障，且相對于單神經(jīng)網(wǎng)絡(luò)診斷模型，在故障診斷反應(yīng)時間與診斷結(jié)果可靠性上均得到了提高。與聲波檢漏等其他現(xiàn)階段使用的泄漏監(jiān)測方法相比，該方法可直接在現(xiàn)有設(shè)備基礎(chǔ)上實(shí)施，不需增加更多的輔助設(shè)備，是一種簡便可行的泄漏監(jiān)測方法。

［1］ 肖祥正.泄漏監(jiān)測方法與應(yīng)用［M］.北京：機(jī)械工業(yè)出版社，2009.

［2］ AHMADD Z，ZHANG J.Combination of multiple neural networks using data fusion techniques for enhanced nonlinear process modeling［J］.Computers and Chemical Engineering，2005，30：295-308.

［3］ 周剛，楊立.集成神經(jīng)網(wǎng)絡(luò)方法在蒸汽發(fā)生器故障診斷中的應(yīng)用［J］.原子能科學(xué)技術(shù)，2009，43（11）：997-1 002.ZHOU Gang，YANG Li.Application of integrated neural network method to fault diagnosis of nuclear steam generator［J］.Atomic Energy Science and Technology，2009，43（11）：997-1 002（in Chinese）.

［4］ 王征宇，肖南峰.基于模糊積分的多神經(jīng)網(wǎng)絡(luò)集成信息融合［J］.計算機(jī)工程，2012，38（16）：157-160.WANG Zhengyu，XIAO Nanfeng.Multi-neural network ensemble information fusion based on fuzzy integral［J］.Computer Engineering，2012，38（16）：157-160（in Chinese）.

［5］ 韓崇昭，朱洪艷，段戰(zhàn)勝，等.多源信息融合［M］.北京：清華大學(xué)出版社，2006：1-3.

［6］ LINDA O， MANIC M， McJUNKIN T R.Anomaly detection for resilient control systems using fuzzy-neural data fusion engine［C］∥Proceedings of the Fourth International Symposium on Resilient Control Systems（ISRCS）.Boise：IEEE，2011：35-41.