基于RBF神經網絡的一回路核動力裝置典型故障診斷

房超　李博西　段崇瑞

【摘 要】為提高核動力裝置運行監測與診斷的能力，文中提出了基于RBF神經網絡的核動力裝置故障診斷方法。通過對核動力裝置的一些典型故障特性進行分析，選取了適當的訓練樣本，并訓練通過MATLAB所建立的神經網絡模型，驗證神經網絡的可行性。結果表明，RBF神經網絡成功地診斷出了故障，具有良好的診斷效果。

【關鍵詞】核動力裝置；RBF神經網絡；故障診斷

System Fault Diagnosis for Primary Circulation of Nuclear Power Plant Based on RBF Neural Network

FANG Chao LI Bo-xi DUAN Chong-rui

（CNNC Liaoning Nuclear Power Co.， Ltd，Huludao Liaoning 125000，China）

【Abstract】In order to improve the ability of nuclear power plant operation monitoring and diagnosis， the fault diagnosis method of nuclear power plant based on RBF neural network is proposed. Through the analysis of some typical fault characteristics of nuclear power plant， the appropriate training samples are selected， and the neural network model established by MATLAB is trained to verify the feasibility of the neural network. The results show that the RBF neural network has successfully diagnosed the fault， which has a good diagnostic effect.

【Key words】Nuclear power plant； RBF neural network； Fault diagnosis

0 前言

核動力裝置是一個非常復雜的系統，其嚴重事故情況會產生非常大的危害，如三里島以及切爾諾貝利事故，由于操作員對反應堆狀態的錯誤認識，都造成了反應堆燒毀和放射性物質外泄。為了讓操作員在故障時盡快準確地斷定發生的故障，避免錯誤的判斷及處理方法，一個較好的方法是開發一個故障診斷系統自動地進行診斷，如發生故障，則由操作員根據診斷結果來采取正確的操作，降低事故后果，防止事故的進一步擴大[1]。

徑向基函數（RBF）神經網絡是一種性能良好的前向網絡，其既有生物背景，又與函數逼近理論相吻合，適合于多變量函數逼近，并且還具有唯一最佳逼近點的優點[2]。本文提出了基于RBF神經網絡的核動力裝置一回路故障診斷方法，并驗證RBF神經網絡診斷的準確性。

1 徑向基神經網絡模型

1.1 徑向基神經元模型

圖中每一個輸入被賦予一定的權值，與偏差求和后作為神經元傳遞函數，最常用的傳遞函數是高斯函數。與其他類型的神經元有所不同的是，徑向基神經元傳遞函數的輸入是權值向量和輸入向量之間的向量距離與偏差b的乘機。圖中‖dist‖表示的是權值與輸入向量的點積[3]。

模型中輸出表達式a為：

其光滑性好，徑向對稱，形式簡單，

模型中所使用的傳遞函數的圖形如圖2所示，當徑向基傳遞函數的輸入為0時，此徑向基函數取得其最大值1。隨著權值向量W與輸入向量p之間的距離的減小，輸出逐漸增大。因此，對于一個徑向基神經元，當輸入p與權值W完全相等時，此神經元的輸出恰好為1[3]。

圖2 徑向基傳遞函數

模型中偏差b的作用是調節徑向基神經元的靈敏度。例如，如果一個神經元的偏差等于0.2，那么對于輸入向量p與輸出向量W距離相差0.8326/b的情況，其輸值為0.5。

1.2 徑向基神經網絡模型

newrbe創建網絡時，開始是沒有徑向基神經元的，可以通過以下步驟，逐漸增加徑向基神經元的數目：

1）以所有的輸入樣本對網絡進行仿真。

2）找到誤差最大的一個輸入樣本。

3）增加一個徑向基神經元，其權值等于該樣本輸入向量的轉置。|

4）以徑向基神經元輸出的點積作為線性網絡層神經元的輸入，重新設計線性網絡層，使其誤差最小。

5）當均方誤差未達到規定的誤差性能指標且神經元的數目未達到規定的上限值時，重復以上步驟，至網絡的均方誤差達到規定的誤差性能指標或神經元的數目達到規定的上限值時為止。

2 徑向基神經網絡故障診斷結果

2.1 基于MATLAB的神經網絡的建立

采用MATLAB工具箱提供的newrb函數可以以迭代的方式生成一個徑向基神經網絡。newrb函數的調用方式如下：

2.2 神經網絡的訓練

網絡創建好以后，需應用故障數據對網絡進行訓練。根據RBF神經網絡的學習算法和表1所示的5種核動力裝置故障模式對網絡進行訓練。

訓練樣本選取每個故障中12組數據作為輸入樣本，輸出為故障代號，代碼如表2所示。

網絡訓練的平均平方誤差與迭代步驟之間的關系如圖3所示。

2.3 神經網絡的故障診斷

為了驗證RBF神經網絡的診斷結果，利用核動力裝置運行監測數據對網絡進行檢驗表3給出了應用核動力裝置監測數據進行診斷檢驗的部分結果。

從表3所示的診斷結果可以看出，對于核動力裝置不同的監測數據，RBF神經網絡都給出了正確的診斷結果，從而證實了所提方法的合理性。RBF神經網絡在核動力裝置診斷中的應用結果表明，該網絡能夠將核動力裝置這種高度復雜的非線性高維問題映射為低維線性空間可分問題進行求解。利用神經網絡可以對核動力裝置進行異常檢測，提高核動力裝置運行的安全性與可靠性。

表3 RBF神經網絡部分診斷結果

3 結論

本文主要研究了核動力裝置一回路典型故障特性，應用MATLAB軟件，建立了RBF神經網絡，使用核動力故障工況下的典型特征數據對網絡進行訓練及檢驗，并用RBF神經網絡針對核動力裝置5種典型故障進行了故障診斷，達到了預期的診斷要求驗證了RBF神經網絡在核動力裝置一回路診斷中是有效的。

【參考文獻】

[1]周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社，2005：101-106.

[2]朱凱，王正林.精通MATLAB神經網絡[M].北京：電子工業出版社，2010：225-245.

[3]劉永闊.核動力裝置故障診斷智能技術的研究[D].哈爾濱：哈爾濱工程大學，2006.

[責任編輯：王偉平]