頡利東 鄔芝勝 黃捷 王禹 曲自信

摘 要

針對(duì)船載核動(dòng)力反應(yīng)堆管路特征參數(shù)選取嚴(yán)重依賴人工經(jīng)驗(yàn)和診斷準(zhǔn)確率低的問(wèn)題，本文引入機(jī)器學(xué)習(xí)的思想，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的船載核動(dòng)力反應(yīng)堆管路故障診斷方法，以提高船載核動(dòng)力反應(yīng)堆管路故障診斷的智能化水平。首先使用卷積神經(jīng)網(wǎng)絡(luò)建立分類模型，并利用該模型對(duì)22類數(shù)據(jù)進(jìn)行分類性能測(cè)試;然后提取反映管路運(yùn)行狀態(tài)的特征參數(shù)，輸入深度學(xué)習(xí)分類器中進(jìn)行診斷。使用現(xiàn)有管路故障診斷數(shù)據(jù)驗(yàn)證了本方法的實(shí)用性和有效性。

關(guān)鍵詞

深度學(xué)習(xí);船用核動(dòng)力;管路系統(tǒng);故障診斷

中圖分類號(hào)： TN957.52 ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)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(dòng)力反應(yīng)堆管路系統(tǒng)的工作條件復(fù)雜、環(huán)境惡劣，承受多種載荷的作用。隨著反應(yīng)堆運(yùn)行時(shí)間增加，海水對(duì)管路系統(tǒng)造成的腐蝕越來(lái)越嚴(yán)重，會(huì)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(lái)監(jiān)控船載核動(dòng)力裝置的運(yùn)行狀態(tài)，從而保證系統(tǒng)的可靠性和安全性。故障診斷問(wèn)題一直是船舶管路系統(tǒng)維護(hù)保養(yǎng)中的關(guān)鍵問(wèn)題，在各型船舶動(dòng)力系統(tǒng)中，人們已經(jīng)積累了大量關(guān)于管路故障診斷的有效措施和經(jīng)驗(yàn)。

但是，在傳統(tǒng)的依靠人工經(jīng)驗(yàn)對(duì)管路進(jìn)行故障診斷的方法中，對(duì)管路技術(shù)狀態(tài)的判斷存在一定的主觀性，這樣有可能會(huì)造成過(guò)度保養(yǎng)，增加備件的消耗。近幾十年來(lái)，智能算法在模式識(shí)別領(lǐng)域得到了飛速的發(fā)展和大量的應(yīng)用，取得了豐富的成果，人工檢驗(yàn)的不可替代性逐漸在削弱。目前用于故障診斷領(lǐng)域的方法主要有人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、支持向量機(jī)等。

自從提出概念以來(lái)，神經(jīng)網(wǎng)絡(luò)方法在包括故障診斷問(wèn)題在內(nèi)的模式識(shí)別領(lǐng)域中得到了大量的應(yīng)用。早期的神經(jīng)網(wǎng)絡(luò)都是單神經(jīng)網(wǎng)絡(luò)，單神經(jīng)網(wǎng)絡(luò)用于復(fù)雜系統(tǒng)的故障診斷存在一些不足。近年來(lái)，人工智能的發(fā)展已經(jīng)進(jìn)入到深度學(xué)習(xí)的階段，深度學(xué)習(xí)逐漸進(jìn)入人們的視野，其在圖像識(shí)別分類領(lǐng)域大有異軍突起之勢(shì)，比如在貓狗識(shí)別，MNIST手寫數(shù)字識(shí)別，CIFAR-10分類以及CIFAR-100分類上的成功應(yīng)用都已經(jīng)證明了它的優(yōu)勢(shì)。深度學(xué)習(xí)十分引人注目的一點(diǎn)是這種算法試圖自己從給定數(shù)據(jù)中去學(xué)習(xí)特征。畢竟定義特征工程是一項(xiàng)十分煩瑣的工作，而且需要自身有深厚的理論知識(shí)和經(jīng)驗(yàn)，相比之下深度學(xué)習(xí)就具有良好的用戶友好度。本文使用卷積神經(jīng)網(wǎng)絡(luò)建立船載核動(dòng)力反應(yīng)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(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的船載核動(dòng)力反應(yīng)堆管路系統(tǒng)故障診斷方法，為船載核動(dòng)力反應(yīng)堆管路系統(tǒng)的搶修檢修決策提供依據(jù)。

1 卷積神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)是相對(duì)于其他的機(jī)器學(xué)習(xí)而言的，機(jī)器學(xué)習(xí)需要人為的定義特征并且一般神經(jīng)層數(shù)很少，典型的神經(jīng)網(wǎng)絡(luò)層數(shù)一般是三層。深度學(xué)習(xí)是在機(jī)器學(xué)習(xí)的基礎(chǔ)上加深了層數(shù)的多層神經(jīng)網(wǎng)絡(luò)，通過(guò)神經(jīng)網(wǎng)絡(luò)的層與層的堆疊去自動(dòng)獲取輸入對(duì)象的特征，不同的層學(xué)習(xí)不同的特征。對(duì)于大數(shù)據(jù)，特別是圖像和文本問(wèn)題有很好的解決能力。深度學(xué)習(xí)常用的方法有：卷積神經(jīng)網(wǎng)絡(luò)（CNN）、自動(dòng)編碼器（AE）、深度信念網(wǎng)絡(luò)（DBN）和限制波爾茲曼機(jī)（RBM）。其中，CNN大多數(shù)情況下用于圖像、語(yǔ)音等方面的識(shí)別[2]，本文使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為深度神經(jīng)網(wǎng)絡(luò)分類的基本模型。

1.1 卷積神經(jīng)網(wǎng)絡(luò)概述

卷積神經(jīng)網(wǎng)絡(luò)是目前深度學(xué)習(xí)領(lǐng)域的熱點(diǎn)研究方向，也是深度學(xué)習(xí)技術(shù)中重要的網(wǎng)絡(luò)結(jié)構(gòu)之一，其在計(jì)算機(jī)視覺問(wèn)題中的應(yīng)用取得了非常好的效果。通過(guò)深度學(xué)習(xí)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(diǎn)在于，CNN可以直接輸入原始圖像，這就避免了對(duì)圖像復(fù)雜的前期預(yù)處理與特征工程。同時(shí)CNN相較于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)全連接的方式，規(guī)避了產(chǎn)生的參數(shù)量過(guò)大的問(wèn)題，CNN可以通過(guò)局部連接、權(quán)值共享等方法進(jìn)行優(yōu)化，提升計(jì)算速度并節(jié)省空間占用[3]。

通過(guò)卷積層和池化層，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以將不同位置的特征都提取出來(lái)，進(jìn)而消除前饋神經(jīng)網(wǎng)絡(luò)對(duì)位置的依賴性，進(jìn)而大大提升了模型的效率，減少構(gòu)建數(shù)據(jù)集的計(jì)算成本。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)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(gè)卷積層的AlexNet網(wǎng)絡(luò)結(jié)構(gòu)[4]。

1.2 訓(xùn)練過(guò)程

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練實(shí)質(zhì)就是確定網(wǎng)絡(luò)里的各權(quán)值和閾值，訓(xùn)練過(guò)程如下[5]：

（1）設(shè)置訓(xùn)練集。從確定的樣本集中隨機(jī)地選取若干個(gè)樣本，形成訓(xùn)練集。

（2）將權(quán)值向量和閾值向量中的元素都設(shè)為接近于0的隨機(jī)正浮點(diǎn)數(shù)，并設(shè)置誤差控制參數(shù)ε和學(xué)習(xí)率。

（3）從訓(xùn)練集中任意取一個(gè)樣本，并給定它的目標(biāo)輸出向量D。

（4）計(jì)算出中間層的輸出向量H，再計(jì)算網(wǎng)絡(luò)的實(shí)際輸出向量Y。

（8）當(dāng)M個(gè)誤差項(xiàng)都計(jì)算完成后，計(jì)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(jìn)入第（9）步。

（9）訓(xùn)練結(jié)束，保存權(quán)值向量和閾值向量，形成卷積神經(jīng)網(wǎng)絡(luò)模型。這時(shí)可以認(rèn)為各個(gè)權(quán)值已經(jīng)收斂至穩(wěn)定，如需再次訓(xùn)練，直接使用已保存的權(quán)值和閾值進(jìn)行訓(xùn)練即可，不需要重新初始化。

3 基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)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(dòng)力反應(yīng)堆管路的檢測(cè)指標(biāo)較多[6]，表1為一般的維護(hù)保養(yǎng)檢查項(xiàng)目。

使用神經(jīng)網(wǎng)絡(luò)，需要先構(gòu)建訓(xùn)練數(shù)據(jù)集，標(biāo)注船載核動(dòng)力反應(yīng)堆管路是否發(fā)生故障的信息記錄，將每一個(gè)記錄都轉(zhuǎn)換為特征向量的形式。在構(gòu)建訓(xùn)練集時(shí)，要注意對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。就船載核動(dòng)力反應(yīng)堆管路故障診斷樣本而言，可以通過(guò)故障數(shù)據(jù)和正常數(shù)據(jù)的比對(duì)來(lái)進(jìn)行預(yù)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(yàn)指標(biāo)，生成每個(gè)模塊的特征向量。對(duì)原始的管路檢驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理后，可劃分為訓(xùn)練樣本和測(cè)試樣本。

3.2 選取特征變量

選取表1中的22個(gè)反映管路狀態(tài)的特征變量，利用式（11）對(duì)各個(gè)特征變量進(jìn)行標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化處理的目的時(shí)盡量減小計(jì)算過(guò)程中由于各特征變量值差異引起的誤差。

式中：xnew為標(biāo)準(zhǔn)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(biāo)準(zhǔn)值。

3.3 船載核動(dòng)力反應(yīng)堆管路運(yùn)行狀態(tài)編碼

根據(jù)實(shí)際檢驗(yàn)數(shù)據(jù)，歸納整理了船載核動(dòng)力反應(yīng)堆管路實(shí)際運(yùn)行過(guò)程中容易出現(xiàn)的故障，選取4種類型進(jìn)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(jīng)網(wǎng)絡(luò)模型的建立

在神經(jīng)網(wǎng)絡(luò)模型中，輸入向量是已標(biāo)準(zhǔn)化處理的22個(gè)特征參數(shù)值，輸出向量則是管路運(yùn)行狀態(tài)的概率值，其中最大概率所對(duì)應(yīng)的運(yùn)行狀態(tài)就是管路故障診斷的結(jié)果。

在構(gòu)建深度學(xué)習(xí)模型的時(shí)候，會(huì)遇到諸如應(yīng)該堆疊多少層網(wǎng)絡(luò)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(yīng)該如何設(shè)置這類的問(wèn)題，這些在架構(gòu)層面的參數(shù)為了區(qū)別于模型反向傳播時(shí)會(huì)自動(dòng)優(yōu)化的參數(shù)，通常被稱為超參數(shù)。對(duì)于超參數(shù)的調(diào)節(jié)并沒(méi)有成文的規(guī)則，只能依靠直覺或經(jīng)驗(yàn)來(lái)判定，一般會(huì)先隨機(jī)選擇一組超參數(shù)，將模型在訓(xùn)練數(shù)據(jù)上擬合，觀察驗(yàn)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(jìn)行比對(duì)，最終確定最合適的模型，在測(cè)試數(shù)據(jù)上測(cè)試模型的最終性能[7]。表3為本文確定的神經(jīng)網(wǎng)絡(luò)模型參數(shù)。

4 應(yīng)用實(shí)例分析

采用本文建立的神經(jīng)網(wǎng)絡(luò)模型，結(jié)合現(xiàn)有的船載核動(dòng)力管路狀態(tài)數(shù)據(jù)，進(jìn)行了應(yīng)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(duì)被測(cè)管路的維護(hù)保養(yǎng)數(shù)據(jù)進(jìn)行收集和提取。

（2）預(yù)處理：將采集到的各種類型故障數(shù)據(jù)標(biāo)準(zhǔn)化，分為訓(xùn)練樣本和測(cè)試樣本。

（3）建立神經(jīng)網(wǎng)絡(luò)模型。

（4）初始化：設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)的基本參數(shù)，一般包括網(wǎng)絡(luò)層數(shù)、學(xué)習(xí)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(yùn)行結(jié)果調(diào)整神經(jīng)網(wǎng)絡(luò)模型參數(shù)。

（6）性能測(cè)試：保存已訓(xùn)練好的網(wǎng)絡(luò)參數(shù)，使用測(cè)試樣本進(jìn)行性能測(cè)試。

（7）輸出結(jié)果。

表4為使用CNN訓(xùn)練的結(jié)果。由實(shí)驗(yàn)結(jié)果可見，平均識(shí)別率超過(guò)96.5%，損失率也較低，訓(xùn)練用時(shí)在21～23秒之間，運(yùn)算速度較快。說(shuō)明基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建船載核動(dòng)力管路故障診斷模型是可行的。

5 結(jié)論

由于人工方法存在一定的主觀性且效率較低，船載核動(dòng)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(jīng)網(wǎng)絡(luò)方法引入船載核動(dòng)力管路故障領(lǐng)域，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的船載核動(dòng)力管路故障診斷方法。本文提出的方法具有一定的自動(dòng)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(xiàn)

[1]彭敏俊.船舶核動(dòng)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(jīng)網(wǎng)絡(luò)在燃?xì)夤艿拦收显\斷中的應(yīng)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(yù)測(cè)[J]. 中國(guó)安全科學(xué)學(xué)報(bào)，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(yàn)方法及壽命預(yù)測(cè)模型研究[D].沈陽(yáng)工業(yè)大學(xué)，2014.

[6]張偉.基于卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷算法研究[D].哈爾濱工業(yè)大學(xué)，2017.