基于集成神經網絡與模糊邏輯融合的穩壓器泄漏監測方法

韓 龍，周 剛，孫旭升

（海軍工程大學 核能科學與工程系，湖北 武漢 430033）

穩壓器是反應堆壓力安全系統的關鍵性設備，其主要功能是調節反應堆一回路壓力波動、補償反應堆冷卻劑容積和對一回路系統進行超壓保護。穩壓器泄漏會造成反應堆一回路壓力失控，導致反應堆事故停堆和放射性物質外泄。因此，穩壓器泄漏監測對壓水型核反應堆裝置的安全運行具有重要意義。在工業系統中，目前已應用和正在研究的泄漏檢測方法有多種，如氦質譜檢漏法、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］。由于壓水型核反應堆裝置環境復雜，許多泄漏在裝置運行過程中才能發生，因此，上述多數方法難以用于壓水型核反應堆裝置泄漏監測；有些方法雖可用于壓水型核反應堆裝置泄漏監測，但其技術復雜，實現起來難度大。針對該問題，本文將集成神經網絡與模糊邏輯融合方法結合起來，研究基于集成神經網絡［2-3］與模糊邏輯融合［4-6］（INN-FLF）的穩壓器泄漏監測方法。

1 基于INN-FLF的泄漏監測方法原理

基于INN-FLF的穩壓器泄漏監測原理框圖如圖1所示。它包括1個基于RBF 神經網絡的泄漏診斷模塊（RBF-LDM）、1 個基于Elman神經網絡的參數預測診斷模塊（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堆裝置有關監測參數直接診斷穩壓器是否發生泄漏。Elman-PPDM 模塊包括兩個Elman神經網絡，即Elman-NN1 和Elman-NN2。Elman-NN1用于穩壓器壓力和水位參數預測，其預測值與實際監測值間的誤差作為Elman-NN2 的輸入。Elman-NN2利用上述誤差參數來診斷穩壓器是否發生泄漏。在FLFM 模塊中，采用模糊邏輯融合方法對RBF-LDM 與Elman-PPDM的診斷結果進行融合，從而得到穩壓器泄漏的最終診斷結果。

2 診斷模型的建立

2.1 RBF-LDM 的建立

RBF-LDM 由1 個RBF-NN 構 成。在RBF-NN 模型中，采用高斯函數作為神經網絡的基函數，RBF-NN 的輸出函數采用線性函數。RBF-LDM 輸入為歸一化后的壓水型核反應堆裝置相關運行監測參數，以向量V=｛P1，P2，…，Pn｝表示，這里Pn為第n 個監測參數的值。RBF-NN 的輸出表示泄漏故障的置信度，其值越大，表明泄漏故障發生的可能性也越大。在RBF-NN 建模中，采用正交最小二乘學習算法對RBF-NN 進行訓練。

2.2 Elman-PPDM 的建立

Elman-PPDM 采用與RBF-NN 具有不同網絡結構的Elman-NN 構建參數預測診斷模型。Elman-NN1預測網絡輸入為壓水型核反應堆系統運行時部分歸一化系統參數，以向量V1= ｛P1，P2，…，Pk，Pk+j，…，Pn｝表 示；Elman-NN1的輸出為對應V1向量的系統其他參數歸 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個監測參數的網絡預測輸出值。需要說明的是，Elman-NN1預測網絡的輸出值是壓水型核反應堆系統正常運行時所對應的參數值。因此Elman-NN1預測網絡在訓練時，訓練樣本只限于壓水型核反應堆系統正常運行參數值。Elman-NN2融合網絡輸入為系統實測參數與預測參數的差值，以向量D=｛d1，d2，…，ds｝表示，ds的計算公式如下：

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

式中，s為預測參數的數量。

Elman-NN2融合網絡輸出為［0，1］間的數值，它表示故障置信度。經試驗測試，Elman-PPDM 中的Elman神經網絡均采用tansig函數作為隱層傳遞函數，采用線性函數作為輸出層傳遞函數，利用擬牛頓算法對網絡進行訓練。Elman-NN2的結構如圖2所示。

2.3 模糊邏輯融合模型的建立

在融合模塊設計中，應用模糊推理系統（FIS）設計融合模型，對RBF-LDM 與Elman-PPDM 診斷結果進行融合。FIS的輸入參數為RBF-LDM 和Elman-PPDM 診斷輸出值，其輸出參數為穩壓器泄漏監測的最終結果。FIS的輸入參數使用3 個模糊子集，即N（正常）、M（之間）和F（故障）進行描述。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、輸出參數隸屬函數如圖3所示。

圖2 Elman-NN2融合網絡結構Fig.2 Structure of Elman-NN2fusion network

考慮到壓水型核反應堆裝置對于安全性的嚴格要求，因而在設計模糊邏輯融合規則時應盡可能滿足可靠性原則。在泄漏診斷過程中，當有1個分診斷模型的結果為故障時就應認定為故障或偏故障。當兩個神經網絡的診斷結果均為中間值時，也應認定為發生了故障。通過分析及試驗比較，建立穩壓器泄漏故障診斷的模糊推理規則，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算與最大運算；對于模糊蘊含，選擇最小運算。在推理完成后，采用面積中心法對模糊輸出值進行去模糊化處理。

3 仿真研究

3.1 用于訓練的監測變量與故障模式

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

通過對穩壓器不同尺寸破口仿真分析可知，對于穩壓器和一回路主冷卻劑管道較大破口的泄漏事故，相關參數變化較明顯，故障現象也較為明顯。一方面操縱人員可通過相關參數的變化判斷出泄漏事故；另一方面利用現有診斷技術也能較為容易地診斷出泄漏故障。但對于穩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，再加上系統的調節作用和運行工況的變化，相關參數變化較為緩慢，很難在故障初期做出準確判斷。因此，在本研究中，對穩壓器和一回路主冷卻劑管道泄漏故障進行仿真測試時，選取小破口事故作為設計故障。在仿真驗證中，穩壓器及一回路主冷卻劑管道的破口尺寸均設為5mm。

對于穩壓器和一回路主冷卻劑管道泄漏，其現象較復雜，很難直接利用單個監測變量進行監測。在分析穩壓器和一回路主冷卻劑管道泄漏的特點以及泄漏時壓水型核反應堆裝置相關參數變化情況的基礎上，選取反應堆左出口冷卻劑溫度、反應堆總熱功率等7個參數作為穩壓器和一回路主冷卻劑管道泄漏診斷的監測參數。各參數代號列于表3。

序號 穩壓器故障類型 代號 反應堆運行工況1正常運行 NC1 冷態啟動2正常運行 NC2 功率從額定功率的70%降到30%3氣相泄漏 F1 冷態臨界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 監測變量 代號1 反應堆左出口冷卻劑溫度，℃ RLCOT 2反應堆總熱功率，% NPL 3反應堆左冷卻劑流量，kg／s RLCFW 4穩壓器溫度，℃ PT 5 反應堆左入口冷卻劑溫度，℃ RLCIT 6穩壓器壓力，MPa PP 7穩壓器水位，mm PWL

3.2 監測神經網絡的離線訓練

利用壓水型核反應堆裝置模擬器對6個典型工況的7個監測參數進行數據采集，將采集后的數據進行歸一化處理，用歸一化數據分別對RBF-LDM 和Elman-NN1 進行離線訓練。在RBF-LDM 的訓練中，RBF-NN 的輸入為表3對應的7個監測參數的歸一化數值。RBFNN 的輸出為［0，1］間的數值，它表示泄漏故障的置信度。

Elman-NN1預測模型的輸入參數為歸一化后的反應堆左出口冷卻劑溫度、反應堆總熱功率、反應堆左冷卻劑流量、穩壓器溫度和反應堆左入口冷卻劑溫度。Elman-NN1的輸出值為穩壓器的壓力和水位的歸一化參數。

Elman-NN2融合模型的輸入值為歸一化后的穩壓器壓力、水位的預測值與其實際值之差，輸出值為穩壓器發生泄漏故障的置信度。通過試驗比較，Elman-NN1 預測模型與Elman-NN2融合模型隱層節點數分別選為11和10，網絡訓練次數均為500，網絡訓練精度定為0.05。

3.3 診斷測試

利用壓水堆核動力裝置模擬器對表2所列工況進行模擬運行并采集相關參數數據，將采集數據輸入到訓練好的INN-FLF 模型中，進行仿真測試。在各故障工況中，F1故障是反應堆在5%額定功率運行下，自數據采樣開始后第62s發生；F2故障是反應堆在5%額定功率運行下，自數據采樣開始后第106s發生；F3故障是反應堆在70%額定功率運行下，自數據采樣開始后第90s發生；F4 故障是反應堆從70%額定功率降到30%額定功率正常運行過程中，自數據采樣開始后第93s發生。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果。

圖4 正常工況下各診斷模型的診斷結果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果Fig.5 Diagnosis outputs of fault operation modes

4 結果分析

根據仿真試驗結果，設定診斷閾值為0.6，即規定診斷模型輸出故障置信度大于0.6時認為穩壓器發生了泄漏事故，反之認為未發生泄漏。從圖4示出的診斷結果可看出，在反應堆冷態臨界正常運行時，RBF-LDM 和Elman-PPDM 模型均得出了正確的診斷結果。但在反應堆從70%額定功率降低到30%額定功率的過程中，RBF-LDM 出現了誤診現象。在利用FIS 將RBF-LDM 和Elman-PPDM 的 診 斷結果進行融合后，INN-FLF診斷模型得到了正確的診斷結果。由此可見，INN-FLF診斷模型具有較強的魯棒性，能有效抑制各分診斷模型的錯診現象。

從圖5示出的各診斷網絡對故障工況的診斷結果可看出，RBF-LDM 和Elman-PPDM 在對壓水堆核動力裝置進行故障診斷時，對于不同工況各診斷模型的準確度存在差異。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果，使INN-FLF診斷模型始終能較早地對穩壓器泄漏故障做出診斷，從而保證了整個診斷模型的穩定性與可靠性。

5 結論

針對穩壓器泄漏難以監測的問題，將集成神經網絡與模糊邏輯融合方法相結合，研究了穩壓器泄漏監測方法。該方法利用兩個獨立的診斷模型，對穩壓器分別進行故障模式識別與穩壓器的參數預測故障診斷。采用模糊邏輯推理技術對各診斷模型的診斷結果進行模糊邏輯融合，并將其作為穩壓器泄漏最終監測結果。仿真結果表明，基于集成神經網絡與模糊邏輯融合的穩壓器泄漏監測方法能正確識別穩壓器泄漏故障，且相對于單神經網絡診斷模型，在故障診斷反應時間與診斷結果可靠性上均得到了提高。與聲波檢漏等其他現階段使用的泄漏監測方法相比，該方法可直接在現有設備基礎上實施，不需增加更多的輔助設備，是一種簡便可行的泄漏監測方法。

［1］ 肖祥正.泄漏監測方法與應用［M］.北京：機械工業出版社，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.集成神經網絡方法在蒸汽發生器故障診斷中的應用［J］.原子能科學技術，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網絡集成信息融合［J］.計算機工程，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，段戰勝，等.多源信息融合［M］.北京：清華大學出版社，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.