大數(shù)據(jù)算法在核工業(yè)領(lǐng)域的應用研究

楊笑千 鄭炯 張力丹 馬浩軒 崔宸

摘 ?要：當前人類社會正處于大數(shù)據(jù)和人工智能的時代，大數(shù)據(jù)和人工智能的迅速發(fā)展，正在改變?nèi)祟惿鐣姆椒矫婷妗：斯I(yè)是一門學科門類多、開拓領(lǐng)域廣、技術(shù)密集程度高的綜合性工業(yè)，我國核工業(yè)發(fā)展數(shù)十年來已積累了大量的數(shù)據(jù)，如何借助這些數(shù)據(jù)基于合適的算法來實現(xiàn)核工業(yè)設計、生產(chǎn)、制造、運行的智能化是一個值得探討的問題，文章就大數(shù)據(jù)、人工智能算法在核工業(yè)領(lǐng)域的一些應用進行了分析研究。

關(guān)鍵詞：大數(shù)據(jù);人工智能;核工業(yè);算法

中圖分類號：TP18 ? ? ?文獻標識碼：A文章編號：2096-4706（2021）24-0130-03

Abstract： The current human society is in the era of big data and artificial intelligence. The rapid development of big data and artificial intelligence is changing all aspects of human society. The nuclear industry is a comprehensive industry with many disciplines， wide development fields and high technology intensity. Chinas nuclear industry has accumulated a large amount of data for decades. How to use these data to realize the intellectualization of nuclear industry design， production， manufacturing and operation based on appropriate algorithms is a problem worthy of discussion. This paper analyzes and studies some applications of big data and artificial intelligence algorithms in the field of nuclear industry.

Keywords： big data; artificial intelligence; nuclear industry; algorithm

0 ?引 ?言

大數(shù)據(jù)、人工智能技術(shù)發(fā)展至今在各個領(lǐng)域已有了較成熟的應對，但核工業(yè)領(lǐng)域的研究尚淺。本文就大數(shù)據(jù)算法在核工業(yè)中的核電設備缺陷檢測、核電設備腐蝕風險等級預測、反應堆故障診斷、核設施退役等方向的應用進行分析研究。

1 ?背景介紹

核工業(yè)是一門復雜的、多學科、多領(lǐng)域的綜合性工業(yè)。是國家發(fā)展水平的綜合體現(xiàn)，是國家強大的重要基石。

我們已邁入大數(shù)據(jù)、人工智能的時代，數(shù)據(jù)充斥著我們生活的方方面面，且以極大的速度增長，根據(jù)IDC報告顯示，在2025年，全球的數(shù)據(jù)量將上升至難以置信的163 ZB。各行各領(lǐng)域都在致力于研究如何利用大數(shù)據(jù)、人工智能算法挖掘數(shù)據(jù)潛在價值，助力核工業(yè)向智能化發(fā)展。

2 ?國內(nèi)外發(fā)展現(xiàn)狀

算法是一種用系統(tǒng)的理論和方法去解決問題的機制，在大數(shù)據(jù)和人工智能時代的時代下，算法有了更多的用武之地。算法在核工業(yè)領(lǐng)域亦有著不可估量的應用前景。

PCA（Principal Components Analysis）即主成分分析，是一種無監(jiān)督的數(shù)據(jù)降維方法。在反應堆故障診斷中，通過PCA分析監(jiān)測參數(shù)的殘差，判斷故障的發(fā)生，然后建立模型進行逆向推理，定位潛在故障類型。馬杰[1]等人提出基于主元分析（PCA）與符號有向圖（SDG）的反應堆系統(tǒng)故障診斷模型。曹樺松[2]等人基于PCA-RBF神經(jīng)網(wǎng)絡模擬了故障診斷模型，對不同故障類型、位置和故障程度進行了準確的診斷。數(shù)據(jù)異常檢測和數(shù)據(jù)核對是工業(yè)中用于故障診斷的兩種常用方法，可用于分析系統(tǒng)性能和故障排查。Sujatha[3]等人利用人工神經(jīng)網(wǎng)絡（ANN）分類器來進行異常數(shù)據(jù)檢測，他使用多層感知器（MLP）、徑向基函數(shù) （RBF） 和貝葉斯網(wǎng)絡，從減少的特征中對不同類型的故障進行分類，提取有限特征數(shù)量從而實現(xiàn)故障診斷。Adhi[4]等人利用DR 技術(shù)，基于使用材料和能量平衡中的冗余，進行分析以生成協(xié)調(diào)數(shù)據(jù)，使用統(tǒng)計分析指示實際系統(tǒng)狀況并執(zhí)行故障排除。

機器學習是人工智能和計算機科學的一個分支，專注于使用數(shù)據(jù)和算法來模仿人類學習的方式，逐步提高其準確性，利用先驗知識進行結(jié)構(gòu)劃分從而有效地提高學習效率。頡利東[5]等人在研究中引入了機器學習的思想，提出了一種基于卷積神經(jīng)網(wǎng)絡的船載核動力反應堆管路故障診斷方法。王航[6]等人則以機理仿真模型為驅(qū)動力，通過將數(shù)據(jù)驅(qū)動和專家知識結(jié)合，有效地實現(xiàn)了工業(yè)系統(tǒng)中的故障診斷。

計算機視覺算法模擬人類的視覺，基于卷積神經(jīng)網(wǎng)絡的深度學習算法比傳統(tǒng)圖像處理算法的性能有很大的提升，使得該類算法廣泛應用于各行業(yè)，如金屬材質(zhì)表面的缺陷檢測[7]。利用深度學習的計算機視覺算法對設備缺陷檢測是目前常用的方法，可以對設備的缺陷類型進行識別和定位。Park等設計了一種簡易CNN分類網(wǎng)絡，用于自動檢測表面零件上的污垢、劃痕、毛刺和磨損等缺陷[8]。文獻[9]用相同的方法應用于金屬表面裂紋缺陷定位。

群智能算法是從生物的行為中演變的優(yōu)化方法，如蟻群算法、粒子群算法、布谷鳥算法、遺傳算法等，宋英明等人[10]提出利用遺傳算法建立模型來解決核設施退役拆除過程中的路徑的優(yōu)化問題。

3 ?反應堆相關(guān)算法研究

3.1 ?核電設備缺陷檢測相關(guān)算法

核電設備大多是由金屬構(gòu)成，且其特殊的運行環(huán)境導致核電設備及其容易出現(xiàn)缺陷問題，使設備失效。如果核電設備缺陷無法被及時發(fā)現(xiàn)并處理，會造成設備強度和承載能力降低，使用壽命縮短。因此，如何高效地對核電設備進行檢修是核電設備運行維護的重要課題。目前，對核電設備的檢查都是通過目視檢查，但由于核電設備眾多，且設備結(jié)構(gòu)復雜且缺陷形式多樣，需要耗費大量的專業(yè)防腐技術(shù)人力資源，給核電設備維護和防護帶來巨大困難。隨著人工智能的發(fā)展，計算機視覺技術(shù)能夠通過圖像、視頻數(shù)據(jù)進行判斷和決策，且處理速度可以達到實時檢測。因此，利用機器視覺技術(shù)代替人工檢查是當前最為節(jié)約成本的方法。

計算機視覺算法最早提出時稱之為模式識別。隨著2012年Alex提出了深度卷積神經(jīng)網(wǎng)絡，計算機視覺技術(shù)再一次蓬勃發(fā)展，廣泛應用于各行各業(yè)。基于卷積神經(jīng)網(wǎng)絡的圖像識別算法其原理與人類大腦工作原理類似，通過構(gòu)造多層的卷積神經(jīng)網(wǎng)絡，淺層卷積層識別初級的圖像特征，多層淺層特征構(gòu)成高級語義特征，最終多個層級的特征組合在頂層做分類、回歸等。

核電設備缺陷檢測是通過圖像對設備局部缺陷進行檢測，處理的是圖像局部信息，因此采用目標檢測算法對核電設備進行缺陷檢測較為合理。目標檢測算法的任務是找出設備缺陷圖像中所有缺陷目標，并確定缺陷的位置和大小。其主要有分類和回歸兩個任務，分類是對圖像中的缺陷類別進行識別，回歸是對目標框的位置、大小進行預測。

基于卷積神經(jīng)網(wǎng)絡的目標檢測算法分為兩大類，一種是基于感興趣區(qū)域的算法，需要先生成目標候選框，再對候選框進行分類和回歸;另外是不需要產(chǎn)生候選框的端到端檢測算法。基本流程是：

（1）特征提取。

（2）生成目標候選框。

（3）分類/定位回歸。

特征提取階段是通過多種卷積核、多層卷積層堆疊成卷積塊提取圖像的特征圖，生成目標候選框階段有滑動窗口、選擇性搜索等算法，分類/定位回歸階段采用交叉熵、均方誤差等作為損失函數(shù)，根據(jù)數(shù)據(jù)特點、需求不同可以對損失函數(shù)的系數(shù)進行改進，使其滿足檢測需求。

3.2 ?核電設備腐蝕風險等級預測相關(guān)算法

核電設備由于其特殊的運行環(huán)境，長期受到海洋性大氣、海水、高溫水、化學水等強腐蝕介質(zhì)，以及輻照、應力、震動、摩擦等因素相互作用，使得設備的腐蝕問題十分突出。設備腐蝕失效會對核電站造成重大安全隱患，因此需要對核電設備的腐蝕風險等級進行預測，為后續(xù)制定科學有效的防腐管理方案鑒定基礎(chǔ)。

核電站運行以來積累的大量腐蝕相關(guān)數(shù)據(jù)，如設備結(jié)構(gòu)、設備介質(zhì)、材料參數(shù)、環(huán)境參數(shù)、運行維護信息。基于機器學習算法，能夠有效利用這些數(shù)據(jù)對設備的腐蝕風險進行分析，挖掘哪些特征是設備腐蝕的重要影響因素。

機器學習算法在20世紀30年代提出，發(fā)展到現(xiàn)在已經(jīng)踴躍了無數(shù)優(yōu)秀算法，其中決策樹是非常經(jīng)典的一類。2016年陳天奇提出的XGBoost（eXtreme Gradient Boosting）算法是基于決策樹的集成算法，是一個優(yōu)化的分布式梯度增強庫，其最重要的應用是進行數(shù)據(jù)特征挖掘分析。因此利用該算法對設備腐蝕影響因素進行挖掘十分合適。

XGBoost是基于決策樹的提升（boosting）方法，其基本原理是將若干個若分離器進行組合成強分離器。其由k個基模型組成，假設第t次迭代的基模型為fk（x），則有：

其中，表示第t次迭代后樣本i的預測結(jié)果，表示前t-1棵樹的預測結(jié)果，ft（xi）表示第t棵樹的模型，于是有損失函數(shù)：

其中，是損失函數(shù)的正則項，表示將t棵樹的復雜度進行求和。

結(jié)合核電站的腐蝕數(shù)據(jù)，將設備介質(zhì)、材料系數(shù)、環(huán)境系數(shù)等特征作為XGBoost的輸入，將設備腐蝕風險等級作為標簽對算法進行訓練，使算法能夠輸出影響設備腐蝕的因素權(quán)重，進而為設備防腐措施提供決策支撐。

3.3 ?反應堆故障診斷相關(guān)算法

本文主要介紹基于大數(shù)據(jù)的反應堆故障診斷研究算法。通過數(shù)據(jù)異常檢測，準確的發(fā)現(xiàn)系統(tǒng)中出現(xiàn)的故障，特別是在故障發(fā)生的短時間內(nèi)檢測并報告，并根據(jù)已有的先驗知識對故障進行分析，推斷出故障出現(xiàn)的位置及原因，并給予初步的建議解決方案，這將對反應堆狀態(tài)的穩(wěn)定起到巨大的作用。

基于曲線擬合的檢測算法，是針對反應堆某個狀態(tài)最近時間窗口內(nèi)的數(shù)據(jù)遵循某種趨勢的現(xiàn)象，使用一條曲線對反應堆狀態(tài)的趨勢進行擬合，如果新的數(shù)據(jù)打破了這種趨勢，則該點就出現(xiàn)了異常[11]。

基于同期數(shù)據(jù)的檢測算法，反應堆很多監(jiān)控項都具有一定的周期性[12]。如果某一天的數(shù)據(jù)比過去n天同一時刻的最小值乘以一個閾值還小;或者某一天的數(shù)據(jù)比過去n天同一時刻的最大值乘以一個閾值還大，就認為該輸入為異常點，可能是反應堆發(fā)生了故障。

基于同期振幅的檢測算法，是基于同期數(shù)據(jù)檢測算法的基礎(chǔ)上，采用曲線“長得差不多”的思路[13]，使用過去n個時間段振幅作為標準，如果m時刻的振幅絕對值大于閾值，則認為該時刻發(fā)生異常。

基于神經(jīng)網(wǎng)絡的檢測算法人工神經(jīng)網(wǎng)絡是20世紀40年代后出現(xiàn)的[14]。當前工業(yè)中用于故障診斷的神經(jīng)網(wǎng)絡算法有很多，其中比較常見的有卷積神經(jīng)網(wǎng)絡（CNN）算法、循環(huán)神經(jīng)網(wǎng)絡（RNN）算法、深度神經(jīng)網(wǎng)絡（DNN）算法等[15]。

3.4 ?核設施退役相關(guān)算法

核設施的退役具有時間長、涉及面廣、投資高、潛在危險大等特點，周期時間可達數(shù)十年之久。可利用大數(shù)據(jù)相關(guān)算法結(jié)合核設施內(nèi)外部環(huán)境數(shù)據(jù)建立退役計算模型，優(yōu)化退役方法和拆解路徑。

核設施器件紛雜眾多，且內(nèi)部各處劑量值各不相同，假設核設施的拆解模型為：核設施內(nèi)有n個器件，則拆除所有器件的路徑有n！條，不同路徑的輻射劑量值不同，模型目的為找到最優(yōu)拆解路徑使拆解人員所受總輻射劑量最小。該模型屬于典型的NP難問題，隨著n的增大，拆解路徑的選擇呈爆炸式增長。

蟻群算法是經(jīng)典的全局優(yōu)化算法，受啟發(fā)于螞蟻在搜尋食物的行為，該算法具有尋優(yōu)能力強、魯棒性好、分布式計算等優(yōu)點，已被廣泛應用在各類組合優(yōu)化問題上，如旅行商問題、車輛路由問題、圖著色問題、網(wǎng)絡路由問題等。

核設施拆解優(yōu)化模型為：假如蟻群中所有螞蟻的數(shù)量為m，所有核設施器件之間路徑的信息素用矩陣pheromone表示，最小輻射劑量路徑為bestLength，最佳輻射劑量路徑為bestTour。螞蟻們都有自己的存儲空間，存儲空間中用一個禁忌表（Tabu）來存儲該螞蟻已經(jīng)走過的器件，表示其在以后的搜索中將不能訪問這些器件;此外需一個允許訪問的器件表（Allowed）來存儲它還可以訪問的器件;另需一個矩陣（Delta）來存儲它在一個循環(huán)（或者迭代）中給所經(jīng)過的路徑釋放的信息素;還有一些控制參數(shù)（螞蟻行走玩全程的時間成本或距離）等。假定算法總共運行MAX_GEN次，運行時間為t。

蟻群算法計算過程為：

（1）初始化。

（2）為每只螞蟻選擇下一個節(jié)點。

（3）更新信息素矩陣。

（4）檢查終止條件，如果達到最大代數(shù)MAX_GEN，算法停止，轉(zhuǎn)至第（5）步;否則，重新將所有的螞蟻的Delta矩陣所有元素為0，Tabu表全部清空，Allowed表添加全部的器件節(jié)點。隨機選擇它們的起始位置（也可以人工指定）。在Tabu中加入最開始的節(jié)點，Allowed中去掉節(jié)點，并不斷執(zhí)行（2）（3）（4）步。

（5）輸出最優(yōu)值，即拆解人員所受總輻射劑量最小的拆解路徑。

4 ?結(jié) ?論

本文介紹了大數(shù)據(jù)、人工智能算法在核工業(yè)中的核電設備缺陷檢測、核電設備腐蝕風險等級預測、反應堆故障診斷、核設施退役等應用做了分析研究，從研究結(jié)果可知，大數(shù)據(jù)、人工智能算法在核工業(yè)領(lǐng)域有著不可估量的應用前景。同時希望通過此文對相關(guān)工作者提供一些思路，助力大數(shù)據(jù)、人工智能算法在核工業(yè)相關(guān)場景的落地實現(xiàn)。

參考文獻：

[1] 馬杰，張龍飛，余刃，等.基于PCA與SDG的反應堆一回路系統(tǒng)故障診斷方法研究 [J].核動力工程，2021，42（3）：197-202.

[2] 曹樺松，孫培偉.基于PCA-RBF神經(jīng)網(wǎng)絡的小型壓水堆故障診斷方法研究 [J].儀器儀表用戶，2021，28（1）：49-55.

[3] SUBRAMANIAN S，CHOUSE F，NATARAJAN P. Fault diagnosis of batch reactor using machine learning methods [J/OL].Modelling and Simulation in Engineering，2014：1-15[2021-09-25].https： //doi.org/10.1155/2014/426402.

[4] ADHI T P，SAPUTRO U E. Data Reconciliation and Gross Error Detection for Troubleshooting of Ammonia Reactor [J/OL].MATEC Web of Conferences，2018，156：1-6[2021-09-25].https：//doi.org/10.1051/matecconf/201815603029.

[5] 頡利東，鄔芝勝，黃捷，等.基于深度學習的船用核動力管路系統(tǒng)故障診斷方法研究 [J].科技視界，2020（15）：37-40.

[6] 王航.模型驅(qū)動的核電站混合式故障診斷策略研究 [D].哈爾濱：哈爾濱工程大學，2018.

[7] 陶顯，侯偉，徐德.基于深度學習的表面缺陷檢測方法綜述 [J].自動化學報，2021，47（5）：1017-1034.

[8] PARK J K，KWON B K，PARK J H，et al. Machine learning-based imaging system for surface defect inspection [J].International Journal of Precision Engineering and Manufacturing-Green Technology，2016，3：303-310.

[9] CHEN F，JAHANSHAHI M R. NB-CNN：Deep Learning-Based Crack Detection Using Convolutional Neural Network and Na?ve Bayes Data Fusion [J].IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS，2018，65（5）：4392-4400.

[10] 宋英明，梁燁，葉凱萱，等.核設施退役過程中的輻射場重構(gòu)與拆除路徑優(yōu)化 [J].核技術(shù)，2017，40（5）：54-60.

[11] BAO Y，WANG Y. A C-SVM Based Anomaly Detection Method for Multi-Dimensional Sequence over Data Stream [C]//2016 IEEE 22nd International Conference on Parallel and Distributed Systems （ICPADS）.Wuhan：IEEE，2017：948-955.

[12] CHEUNG C，VALDES J J，CHAVEZ R S，et al. Failure Modeling of a Propulsion Subsystem：Unsupervised and Semi-supervised Approaches to Anomaly Detection [J].International Journal of Pattern Recognition and Artificial Intelligence，2019，33（11）：[2021-09-25].https：//doi.org/10.1142/S0218001419400196.

[13] 龔曉菲.工業(yè)互聯(lián)網(wǎng)平臺數(shù)據(jù)的異常檢測研究 [D].北京：北京郵電大學，2019.

[14] DENKENA B，DITTRICH M A，NOSKE H，et al. Statistical approaches for semi-supervised anomaly detection in machining [J].Production Engineering，2020，14：385-393.

[15] 王玉杰.面向大數(shù)據(jù)應用的情境感知異常檢測算法研究 [D].蘭州：蘭州大學，2018.

作者簡介：楊笑千（1993—），男，漢族，河南洛陽人，任職于信息化與網(wǎng)絡管理中心，工程師，工學碩士，研究方向：大數(shù)據(jù)應用。