核電站主泵狀態(tài)預(yù)測系統(tǒng)的設(shè)計與實現(xiàn)?

唐永紅 付 彤 龔 安

（中國石油大學(xué)（華東） 青島 266580）

1 引言

近年來核電站由于其更加綠色的工作方式和更高的能源效率，在石油、天然氣等傳統(tǒng)能源儲量日益減少的今天為越來越多的國家所青睞。核電站系統(tǒng)復(fù)雜、安全性要求高，健壯的故障診斷系統(tǒng)是支持核電站系統(tǒng)正常穩(wěn)定運行的重要保障之一［1～3］。喻海滔等開發(fā)的核供熱站故障診斷系統(tǒng)［4］等傳統(tǒng)故障診斷系統(tǒng)多是基于規(guī)則或模型的診斷系統(tǒng)，雖然功能強大但是對核電站設(shè)備監(jiān)測數(shù)據(jù)的利用程度較淺，少有可以對核電站主泵運行狀態(tài)進行預(yù)測的系統(tǒng)。為此，本文針對主泵運行狀態(tài)預(yù)測這一需求設(shè)計開發(fā)了輕量級核電站主泵狀態(tài)分析及預(yù)測系統(tǒng)。

2 系統(tǒng)開發(fā)研究概述

2.1 開發(fā)任務(wù)

核電站主泵分析預(yù)測系統(tǒng)是基于LSTM 神經(jīng)網(wǎng)絡(luò)算法的多維時間序列分析預(yù)測系統(tǒng)，為用戶提供異常檢測、運行狀態(tài)預(yù)測等功能，并對處理結(jié)果進行可視化處理，這使得操作人員可以直觀地看到系統(tǒng)當前是否處于異常運轉(zhuǎn)狀態(tài)以及在未來是否有陷入異常運轉(zhuǎn)狀態(tài)的風(fēng)險，進而幫助相關(guān)部門更加合理地對主泵進行檢測與維護，避免不必要的檢修，使核電站設(shè)備的運行、維護更加合理化、智能化。

2.2 開發(fā)環(huán)境

軟件環(huán)境：Windows 10操作系統(tǒng)。

硬件環(huán)境：i7-6700HQ + 8G 內(nèi)存+ 128G 固態(tài)硬盤。

開發(fā)工具：PyCharm Professional 2018。

3 系統(tǒng)設(shè)計與設(shè)計

3.1 狀態(tài)分析模型

在核電站運行過程中，采用有效方法對運行狀態(tài)進行監(jiān)測和診斷，給操作員提供真實、清晰和完整的核電站狀態(tài)信息，是核電站安全運行的重要保證［5～7］。為此，基于高斯函數(shù)設(shè)計了“異常度”這一指標量來對設(shè)備在該時間點是否處于異常運轉(zhuǎn)情況進行判定，實現(xiàn)對設(shè)備運轉(zhuǎn)異常程度的平滑判別。在t 時刻，核電站主泵在第k 個維度上的“異常度”分量以及整體“異常度”分別定義為

其中，μ、σ 分別為主泵在該維度上的期望和方差。

依據(jù)異常度對主泵在某時刻運轉(zhuǎn)狀態(tài)進行階段劃分如表1 所示。若設(shè)備在較長一段時間內(nèi)都處于異?；虍惓ｋ[患狀態(tài)，則建議結(jié)合具體情況合理安排檢修；若設(shè)備只是間歇性的出現(xiàn)較短時間的異?；虍惓ｋ[患狀態(tài)，則很有可能是由于機械振動等原因產(chǎn)生的誤判，建議按照預(yù)定計劃安排檢修。

表1 狀態(tài)分析表

3.2 狀態(tài)預(yù)測模型

傳統(tǒng)的時間序列預(yù)測方法主要是基于統(tǒng)計分析的線性模型，例如回歸分析法、ARMA 模型等，這些模型難以模擬各領(lǐng)域時間序列普遍存在的非線性特點［8～11］。近年來人工智能不斷發(fā)展，時間序列預(yù)測方法也隨之擴展，基于機器學(xué)習(xí)的預(yù)測方法有支持向量機、人工神經(jīng)網(wǎng)絡(luò)等，這些方法及其組合已經(jīng)成為時間序列研究領(lǐng)域的熱點并取得了較為精準的預(yù)測效果。

RNN 雖然解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在處理序列信息方面的局限性，但是在經(jīng)過多層次的網(wǎng)絡(luò)傳播之后會產(chǎn)生較為嚴重的信息損失，在時間序列預(yù)測領(lǐng)域難以取得較好的效果［12～15］，為此，以RNN 的改進算法——LSTM神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)設(shè)計系統(tǒng)的狀態(tài)預(yù)測模型。該LSTM 神經(jīng)網(wǎng)絡(luò)的單元由遺忘門、輸入門、輸出門三部分組成，其具體結(jié)構(gòu)如圖1 所示。

圖1 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在該LSTM 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，f(·)為遺忘門，負責(zé)決定哪些狀態(tài)在傳播過程中會被舍棄；g(·)為輸入門，負責(zé)決定有多少新的狀態(tài)會加入傳播過程；o(·)為輸出門，負責(zé)決定哪些狀態(tài)可以進入下一次傳播；φ(·)為修飾函數(shù)，負責(zé)對中間變量進行修飾和處理。其各部分的計算公式如下所示：

其中，W 、R、b 依次為輸入因子、記憶因子和偏移因子。

3.3 模塊及組件設(shè)計

核電站主泵分析預(yù)測系統(tǒng)是基于LSTM 神經(jīng)網(wǎng)絡(luò)算法的多維時間序列分析預(yù)測系統(tǒng)，由狀態(tài)分析模塊、狀態(tài)預(yù)測模塊以及可視化模塊三部分組成。狀態(tài)分析模塊負責(zé)對檢測數(shù)據(jù)進行異常狀態(tài)分析，狀態(tài)預(yù)測模塊負責(zé)對未來一段時間的主泵狀態(tài)進行預(yù)測，可視化模塊負責(zé)對狀態(tài)分析及預(yù)測的結(jié)果進行可視化處理。為此，設(shè)計如圖2 所示的系統(tǒng)組件圖。

在圖2 中，UI 為用戶交互的圖形界面接口，Controller 負責(zé)進行任務(wù)的管理和調(diào)度，Data Loader、Analyst、Predictor、Processor 分別負責(zé)數(shù)據(jù)導(dǎo)入、狀態(tài)分析、狀態(tài)預(yù)測以及可視化處理等任務(wù)。單一職責(zé)原則的引入使得系統(tǒng)結(jié)構(gòu)清晰、具有良好的可維護性，有利于系統(tǒng)在未來進行升級和維護。

圖2 系統(tǒng)組件圖

4 系統(tǒng)實現(xiàn)與應(yīng)用

4.1 關(guān)鍵技術(shù)

Python 是FLOSS 中的一種面向?qū)ο蟮慕忉屝湍_本語言，具有語法簡潔易讀、可移植性強等特點，可以使程序更加清晰和容易維護，此外，Python 還具有眾多功能強大的第三方開源組件，可以大大提高軟件的開發(fā)效率。因此，選擇在Python 3.6 環(huán)境下依托各類第三方開源組件進行核電站主泵分析預(yù)測系統(tǒng)的開發(fā)和實現(xiàn)。系統(tǒng)可視化模塊所用的關(guān)鍵技術(shù)主要為Python 圖形程序框架PyQt5 以及Python繪圖庫matplotlib，系統(tǒng)狀態(tài)分析模塊和狀態(tài)預(yù)測模塊所用的關(guān)鍵技術(shù)主要為Python 機器學(xué)習(xí)框架TensorFlow。

4.2 系統(tǒng)實現(xiàn)效果

核電站主泵分析預(yù)測系統(tǒng)采用PyCharm Professional 2018 作為集成開發(fā)環(huán)境，系統(tǒng)進行異常狀態(tài)分析以及狀態(tài)預(yù)測的實現(xiàn)效果分別如圖3、圖4所示。

圖3 異常狀態(tài)分析結(jié)果展示

圖4 狀態(tài)預(yù)測結(jié)果展示

5 結(jié)語

本文針對核電站主泵運行狀態(tài)預(yù)測軟件較少的問題，基于LSTM 神經(jīng)網(wǎng)絡(luò)算法設(shè)計并實現(xiàn)了核電站主泵狀態(tài)預(yù)測系統(tǒng)，該系統(tǒng)在理論研究和指導(dǎo)生產(chǎn)實踐中有廣闊的應(yīng)用前景和一定的研究價值。