颉利东 邬芝胜 黄捷 王禹 曲自信
摘 要
针对船载核动力反应堆管路特征参数选取严重依赖人工经验和诊断准确率低的问题，本文引入机器学习的思想，提出了一种基于卷积神经网络的船载核动力反应堆管路故障诊断方法，以提高船载核动力反应堆管路故障诊断的智能化水平。首先使用卷积神经网络建立分类模型，并利用该模型对22类数据进行分类性能测试;然后提取反映管路运行状态的特征参数，输入深度学习分类器中进行诊断。使用现有管路故障诊断数据验证了本方法的实用性和有效性。
关键词
深度学习;船用核动力;管路系统;故障诊断
中图分类号： TN957.52 文獻标识码： 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
船载核动力反应堆管路系统的工作条件复杂、环境恶劣，承受多种载荷的作用。随着反应堆运行时间增加，海水对管路系统造成的腐蚀越来越严重，会形成一定的安全隐患[1]。因此有必要采取可靠的故障诊断方法来监控船载核动力装置的运行状态，从而保证系统的可靠性和安全性。故障诊断问题一直是船舶管路系统维护保养中的关键问题，在各型船舶动力系统中，人们已经积累了大量关于管路故障诊断的有效措施和经验。
但是，在传统的依靠人工经验对管路进行故障诊断的方法中，对管路技术状态的判断存在一定的主观性，这样有可能会造成过度保养，增加备件的消耗。近几十年来，智能算法在模式识别领域得到了飞速的发展和大量的应用，取得了丰富的成果，人工检验的不可替代性逐渐在削弱。目前用于故障诊断领域的方法主要有人工神经网络、专家系统、支持向量机等。
自从提出概念以来，神经网络方法在包括故障诊断问题在内的模式识别领域中得到了大量的应用。早期的神经网络都是单神经网络，单神经网络用于复杂系统的故障诊断存在一些不足。近年来，人工智能的发展已经进入到深度学习的阶段，深度学习逐渐进入人们的视野，其在图像识别分类领域大有异军突起之势，比如在猫狗识别，MNIST手写数字识别，CIFAR-10分类以及CIFAR-100分类上的成功应用都已经证明了它的优势。深度学习十分引人注目的一点是这种算法试图自己从给定数据中去学习特征。毕竟定义特征工程是一项十分烦琐的工作，而且需要自身有深厚的理论知识和经验，相比之下深度学习就具有良好的用户友好度。本文使用卷积神经网络建立船载核动力反应堆管路故障分类模型，根据目前已采集的数据样本与故障状态，提出基于深度学习神经网络的船载核动力反应堆管路系统故障诊断方法，为船载核动力反应堆管路系统的抢修检修决策提供依据。
1 卷积神经网络
深度学习是相对于其他的机器学习而言的，机器学习需要人为的定义特征并且一般神经层数很少，典型的神经网络层数一般是三层。深度学习是在机器学习的基础上加深了层数的多层神经网络，通过神经网络的层与层的堆叠去自动获取输入对象的特征，不同的层学习不同的特征。对于大数据，特别是图像和文本问题有很好的解决能力。深度学习常用的方法有：卷积神经网络（CNN）、自动编码器（AE）、深度信念网络（DBN）和限制波尔兹曼机（RBM）。其中，CNN大多数情况下用于图像、语音等方面的识别[2]，本文使用卷积神经网络（CNN）作为深度神经网络分类的基本模型。
1.1 卷积神经网络概述
卷积神经网络是目前深度学习领域的热点研究方向，也是深度学习技术中重要的网络结构之一，其在计算机视觉问题中的应用取得了非常好的效果。通过深度学习CNN的处理方式，我们可以发现CNN相比于图像处理算法的优点在于，CNN可以直接输入原始图像，这就避免了对图像复杂的前期预处理与特征工程。同时CNN相较于传统的神经网络全连接的方式，规避了产生的参数量过大的问题，CNN可以通过局部连接、权值共享等方法进行优化，提升计算速度并节省空间占用[3]。
通过卷积层和池化层，卷积神经网络结构可以将不同位置的特征都提取出来，进而消除前馈神经网络对位置的依赖性，进而大大提升了模型的效率，减少构建数据集的计算成本。卷积神经网络的结构也存在不同的版本，但一般都包含卷积层、池化层、平滑层、全连接层和输出层。图1为2012年提出的具有5个卷积层的AlexNet网络结构[4]。
1.2 训练过程
卷积神经网络的训练实质就是确定网络里的各权值和阈值，训练过程如下[5]：
（1）设置训练集。从确定的样本集中随机地选取若干个样本，形成训练集。
（2）将权值向量和阈值向量中的元素都设为接近于0的随机正浮点数，并设置误差控制参数ε和学习率。
（3）从训练集中任意取一个样本，并给定它的目标输出向量D。
（4）计算出中间层的输出向量H，再计算网络的实际输出向量Y。
（8）当M个误差项都计算完成后，计算总误差，总误差函数，并判断是否满足停止条件：E≤ε。如果不满足，返回至第（3）步，继续迭代。如果满足就进入第（9）步。
（9）训练结束，保存权值向量和阈值向量，形成卷积神经网络模型。这时可以认为各个权值已经收敛至稳定，如需再次训练，直接使用已保存的权值和阈值进行训练即可，不需要重新初始化。
3 基于深度学习神经网络模型的管路故障诊断方法
3.1 选取样本数据
能够反映船载核动力反应堆管路的检测指标较多[6]，表1为一般的维护保养检查项目。
使用神经网络，需要先构建训练数据集，标注船载核动力反应堆管路是否发生故障的信息记录，将每一个记录都转换为特征向量的形式。在构建训练集时，要注意对数据进行预处理。就船載核动力反应堆管路故障诊断样本而言，可以通过故障数据和正常数据的比对来进行预处理，选取合适的数据类型和取值范围。根据可以表征管路故障状态的检验指标，生成每个模块的特征向量。对原始的管路检验数据进行预处理后，可划分为训练样本和测试样本。
3.2 选取特征变量
选取表1中的22个反映管路状态的特征变量，利用式（11）对各个特征变量进行标准化处理。标准化处理的目的时尽量减小计算过程中由于各特征变量值差异引起的误差。
式中：xnew为标准化后的特征参数值;x为原始的特征参数值;xmean为样本集中此特征参数的均值;xstd为样本集中此特征参数的标准值。
3.3 船载核动力反应堆管路运行状态编码
根据实际检验数据，归纳整理了船载核动力反应堆管路实际运行过程中容易出现的故障，选取4种类型进行研究。表2为4种故障类型的编码。
3.4 管路故障诊断神经网络模型的建立
在神经网络模型中，输入向量是已标准化处理的22个特征参数值，输出向量则是管路运行状态的概率值，其中最大概率所对应的运行状态就是管路故障诊断的结果。
在构建深度学习模型的时候，会遇到诸如应该堆叠多少层网络层、每层包含多少单元、激活函数用哪一种函数、丢弃率应该如何设置这类的问题，这些在架构层面的参数为了区别于模型反向传播时会自动优化的参数，通常被称为超参数。对于超参数的调节并没有成文的规则，只能依靠直觉或经验来判定，一般会先随机选择一组超参数，将模型在训练数据上拟合，观察验证数据上的模型性能，然后不断尝试不同的超参数进行比对，最终确定最合适的模型，在测试数据上测试模型的最终性能[7]。表3为本文确定的神经网络模型参数。
4 应用实例分析
采用本文建立的神经网络模型，结合现有的船载核动力管路状态数据，进行了应用研究。如图2所示，主要流程为。
（1）采集管路故障数据：对被测管路的维护保养数据进行收集和提取。
（2）预处理：将采集到的各种类型故障数据标准化，分为训练样本和测试样本。
（3）建立神经网络模型。
（4）初始化：设置网络结构的基本参数，一般包括网络层数、学习率、特征向量维数和迭代次数等。
（5）优化模型：根据初步运行结果调整神经网络模型参数。
（6）性能测试：保存已训练好的网络参数，使用测试样本进行性能测试。
（7）输出结果。
表4为使用CNN训练的结果。由实验结果可见，平均识别率超过96.5%，损失率也较低，训练用时在21～23秒之间，运算速度较快。说明基于卷积神经网络构建船载核动力管路故障诊断模型是可行的。
5 结论
由于人工方法存在一定的主观性且效率较低，船载核动力管路故障的智能诊断手段需求日益迫切，本文将卷积神经网络方法引入船载核动力管路故障领域，提出了基于卷积神经网络的船载核动力管路故障诊断方法。本文提出的方法具有一定的自动化水平，能够快速提供管路检修抢修的决策依据。
参考文献
[1]彭敏俊.船舶核动力装置[M].北京：原子能出版社，2009.
[2]王新颖，杨泰旺，宋兴帅，陈海群.卷积神经网络在燃气管道故障诊断中的应用[J].工业安全与环保，2019，45（02）：36-40+68.
[3]骆正山，毕傲睿，王小完.基于PCA-SVM的高含硫油气混输管路腐蚀预测[J]. 中国安全科学学报，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.核电站管道热疲劳试验方法及寿命预测模型研究[D].沈阳工业大学，2014.
[6]张伟.基于卷积神经网络的轴承故障诊断算法研究[D].哈尔滨工业大学，2017.
