核电站主泵状态预测系统的设计与实现∗

2020-12-23唐永红

计算机与数字工程 2020年11期

唐永红付彤龚安

（中国石油大学（华东）青岛 266580）

1 引言

近年来核电站由于其更加绿色的工作方式和更高的能源效率，在石油、天然气等传统能源储量日益减少的今天为越来越多的国家所青睐。核电站系统复杂、安全性要求高，健壮的故障诊断系统是支持核电站系统正常稳定运行的重要保障之一［1～3］。喻海滔等开发的核供热站故障诊断系统［4］等传统故障诊断系统多是基于规则或模型的诊断系统，虽然功能强大但是对核电站设备监测数据的利用程度较浅，少有可以对核电站主泵运行状态进行预测的系统。为此，本文针对主泵运行状态预测这一需求设计开发了轻量级核电站主泵状态分析及预测系统。

2 系统开发研究概述

2.1 开发任务

核电站主泵分析预测系统是基于LSTM 神经网络算法的多维时间序列分析预测系统，为用户提供异常检测、运行状态预测等功能，并对处理结果进行可视化处理，这使得操作人员可以直观地看到系统当前是否处于异常运转状态以及在未来是否有陷入异常运转状态的风险，进而帮助相关部门更加合理地对主泵进行检测与维护，避免不必要的检修，使核电站设备的运行、维护更加合理化、智能化。

2.2 开发环境

软件环境：Windows 10操作系统。

硬件环境：i7-6700HQ + 8G 内存+ 128G 固态硬盘。

开发工具：PyCharm Professional 2018。

3 系统设计与设计

3.1 状态分析模型

在核电站运行过程中，采用有效方法对运行状态进行监测和诊断，给操作员提供真实、清晰和完整的核电站状态信息，是核电站安全运行的重要保证［5～7］。为此，基于高斯函数设计了“异常度”这一指标量来对设备在该时间点是否处于异常运转情况进行判定，实现对设备运转异常程度的平滑判别。在t 时刻，核电站主泵在第k 个维度上的“异常度”分量以及整体“异常度”分别定义为

其中，μ、σ 分别为主泵在该维度上的期望和方差。

依据异常度对主泵在某时刻运转状态进行阶段划分如表1 所示。若设备在较长一段时间内都处于异常或异常隐患状态，则建议结合具体情况合理安排检修；若设备只是间歇性的出现较短时间的异常或异常隐患状态，则很有可能是由于机械振动等原因产生的误判，建议按照预定计划安排检修。

表1 状态分析表

3.2 状态预测模型

传统的时间序列预测方法主要是基于统计分析的线性模型，例如回归分析法、ARMA 模型等，这些模型难以模拟各领域时间序列普遍存在的非线性特点［8～11］。近年来人工智能不断发展，时间序列预测方法也随之扩展，基于机器学习的预测方法有支持向量机、人工神经网络等，这些方法及其组合已经成为时间序列研究领域的热点并取得了较为精准的预测效果。

RNN 虽然解决了传统神经网络在处理序列信息方面的局限性，但是在经过多层次的网络传播之后会产生较为严重的信息损失，在时间序列预测领域难以取得较好的效果［12～15］，为此，以RNN 的改进算法——LSTM神经网络算法为基础设计系统的状态预测模型。该LSTM 神经网络的单元由遗忘门、输入门、输出门三部分组成，其具体结构如图1 所示。

图1 LSTM神经网络结构

在该LSTM 神经网络结构中，f(·)为遗忘门，负责决定哪些状态在传播过程中会被舍弃；g(·)为输入门，负责决定有多少新的状态会加入传播过程；o(·)为输出门，负责决定哪些状态可以进入下一次传播；φ(·)为修饰函数，负责对中间变量进行修饰和处理。其各部分的计算公式如下所示：

其中，W 、R、b 依次为输入因子、记忆因子和偏移因子。

3.3 模块及组件设计

核电站主泵分析预测系统是基于LSTM 神经网络算法的多维时间序列分析预测系统，由状态分析模块、状态预测模块以及可视化模块三部分组成。状态分析模块负责对检测数据进行异常状态分析，状态预测模块负责对未来一段时间的主泵状态进行预测，可视化模块负责对状态分析及预测的结果进行可视化处理。为此，设计如图2 所示的系统组件图。

在图2 中，UI 为用户交互的图形界面接口，Controller 负责进行任务的管理和调度，Data Loader、Analyst、Predictor、Processor 分别负责数据导入、状态分析、状态预测以及可视化处理等任务。单一职责原则的引入使得系统结构清晰、具有良好的可维护性，有利于系统在未来进行升级和维护。

图2 系统组件图

4 系统实现与应用

4.1 关键技术

Python 是FLOSS 中的一种面向对象的解释型脚本语言，具有语法简洁易读、可移植性强等特点，可以使程序更加清晰和容易维护，此外，Python 还具有众多功能强大的第三方开源组件，可以大大提高软件的开发效率。因此，选择在Python 3.6 环境下依托各类第三方开源组件进行核电站主泵分析预测系统的开发和实现。系统可视化模块所用的关键技术主要为Python 图形程序框架PyQt5 以及Python绘图库matplotlib，系统状态分析模块和状态预测模块所用的关键技术主要为Python 机器学习框架TensorFlow。