杨笑千 郑炯 张力丹 马浩轩 崔宸

摘  要：当前人类社会正处于大数据和人工智能的时代，大数据和人工智能的迅速发展，正在改变人类社会的方方面面。核工业是一门学科门类多、开拓领域广、技术密集程度高的综合性工业，我国核工业发展数十年来已积累了大量的数据，如何借助这些数据基于合适的算法来实现核工业设计、生产、制造、运行的智能化是一个值得探讨的问题，文章就大数据、人工智能算法在核工业领域的一些应用进行了分析研究。

关键词：大数据;人工智能;核工业;算法

中图分类号：TP18      文献标识码：A文章编号：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

大数据、人工智能技术发展至今在各个领域已有了较成熟的应对，但核工业领域的研究尚浅。本文就大数据算法在核工业中的核电设备缺陷检测、核电设备腐蚀风险等级预测、反应堆故障诊断、核设施退役等方向的应用进行分析研究。

1  背景介绍

核工业是一门复杂的、多学科、多领域的综合性工业。是国家发展水平的综合体现，是国家强大的重要基石。

我们已迈入大数据、人工智能的时代，数据充斥着我们生活的方方面面，且以极大的速度增长，根据IDC报告显示，在2025年，全球的数据量将上升至难以置信的163 ZB。各行各领域都在致力于研究如何利用大数据、人工智能算法挖掘数据潜在价值，助力核工业向智能化发展。

2  国内外发展现状

算法是一种用系统的理论和方法去解决问题的机制，在大数据和人工智能时代的时代下，算法有了更多的用武之地。算法在核工业领域亦有着不可估量的应用前景。

PCA（Principal Components Analysis）即主成分分析，是一種无监督的数据降维方法。在反应堆故障诊断中，通过PCA分析监测参数的残差，判断故障的发生，然后建立模型进行逆向推理，定位潜在故障类型。马杰[1]等人提出基于主元分析（PCA）与符号有向图（SDG）的反应堆系统故障诊断模型。曹桦松[2]等人基于PCA-RBF神经网络模拟了故障诊断模型，对不同故障类型、位置和故障程度进行了准确的诊断。数据异常检测和数据核对是工业中用于故障诊断的两种常用方法，可用于分析系统性能和故障排查。Sujatha[3]等人利用人工神经网络（ANN）分类器来进行异常数据检测，他使用多层感知器（MLP）、径向基函数 （RBF） 和贝叶斯网络，从减少的特征中对不同类型的故障进行分类，提取有限特征数量从而实现故障诊断。Adhi[4]等人利用DR 技术，基于使用材料和能量平衡中的冗余，进行分析以生成协调数据，使用统计分析指示实际系统状况并执行故障排除。

机器学习是人工智能和计算机科学的一个分支，专注于使用数据和算法来模仿人类学习的方式，逐步提高其准确性，利用先验知识进行结构划分从而有效地提高学习效率。颉利东[5]等人在研究中引入了机器学习的思想，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。王航[6]等人则以机理仿真模型为驱动力，通过将数据驱动和专家知识结合，有效地实现了工业系统中的故障诊断。

计算机视觉算法模拟人类的视觉，基于卷积神经网络的深度学习算法比传统图像处理算法的性能有很大的提升，使得该类算法广泛应用于各行业，如金属材质表面的缺陷检测[7]。利用深度学习的计算机视觉算法对设备缺陷检测是目前常用的方法，可以对设备的缺陷类型进行识别和定位。Park等设计了一种简易CNN分类网络，用于自动检测表面零件上的污垢、划痕、毛刺和磨损等缺陷[8]。文献[9]用相同的方法应用于金属表面裂纹缺陷定位。

群智能算法是从生物的行为中演变的优化方法，如蚁群算法、粒子群算法、布谷鸟算法、遗传算法等，宋英明等人[10]提出利用遗传算法建立模型来解决核设施退役拆除过程中的路径的优化问题。

3  反应堆相关算法研究

3.1  核电设备缺陷检测相关算法

核电设备大多是由金属构成，且其特殊的运行环境导致核电设备及其容易出现缺陷问题，使设备失效。如果核电设备缺陷无法被及时发现并处理，会造成设备强度和承载能力降低，使用寿命缩短。因此，如何高效地对核电设备进行检修是核电设备运行维护的重要课题。目前，对核电设备的检查都是通过目视检查，但由于核电设备众多，且设备结构复杂且缺陷形式多样，需要耗费大量的专业防腐技术人力资源，给核电设备维护和防护带来巨大困难。随着人工智能的发展，计算机视觉技术能够通过图像、视频数据进行判断和决策，且处理速度可以达到实时检测。因此，利用机器视觉技术代替人工检查是当前最为节约成本的方法。

计算机视觉算法最早提出时称之为模式识别。随着2012年Alex提出了深度卷积神经网络，计算机视觉技术再一次蓬勃发展，广泛应用于各行各业。基于卷积神经网络的图像识别算法其原理与人类大脑工作原理类似，通过构造多层的卷积神经网络，浅层卷积层识别初级的图像特征，多层浅层特征构成高级语义特征，最终多个层级的特征组合在顶层做分类、回归等。

核电设备缺陷检测是通过图像对设备局部缺陷进行检测，处理的是图像局部信息，因此采用目标检测算法对核电设备进行缺陷检测较为合理。目标检测算法的任务是找出设备缺陷图像中所有缺陷目标，并确定缺陷的位置和大小。其主要有分类和回归两个任务，分类是对图像中的缺陷类别进行识别，回归是对目标框的位置、大小进行预测。

基于卷积神经网络的目标检测算法分为两大类，一种是基于感兴趣区域的算法，需要先生成目标候选框，再对候选框进行分類和回归;另外是不需要产生候选框的端到端检测算法。基本流程是：

（1）特征提取。

（2）生成目标候选框。

（3）分类/定位回归。

特征提取阶段是通过多种卷积核、多层卷积层堆叠成卷积块提取图像的特征图，生成目标候选框阶段有滑动窗口、选择性搜索等算法，分类/定位回归阶段采用交叉熵、均方误差等作为损失函数，根据数据特点、需求不同可以对损失函数的系数进行改进，使其满足检测需求。

3.2  核电设备腐蚀风险等级预测相关算法

核电设备由于其特殊的运行环境，长期受到海洋性大气、海水、高温水、化学水等强腐蚀介质，以及辐照、应力、震动、摩擦等因素相互作用，使得设备的腐蚀问题十分突出。设备腐蚀失效会对核电站造成重大安全隐患，因此需要对核电设备的腐蚀风险等级进行预测，为后续制定科学有效的防腐管理方案鉴定基础。

核电站运行以来积累的大量腐蚀相关数据，如设备结构、设备介质、材料参数、环境参数、运行维护信息。基于机器学习算法，能够有效利用这些数据对设备的腐蚀风险进行分析，挖掘哪些特征是设备腐蚀的重要影响因素。

机器学习算法在20世纪30年代提出，发展到现在已经踊跃了无数优秀算法，其中决策树是非常经典的一类。2016年陈天奇提出的XGBoost（eXtreme Gradient Boosting）算法是基于决策树的集成算法，是一个优化的分布式梯度增强库，其最重要的应用是进行数据特征挖掘分析。因此利用该算法对设备腐蚀影响因素进行挖掘十分合适。

XGBoost是基于决策树的提升（boosting）方法，其基本原理是将若干个若分离器进行组合成强分离器。其由k个基模型组成，假设第t次迭代的基模型为fk（x），则有：

其中，表示第t次迭代后样本i的预测结果，表示前t-1棵树的预测结果，ft（xi）表示第t棵树的模型，于是有损失函数：

其中，是损失函数的正则项，表示将t棵树的复杂度进行求和。

结合核电站的腐蚀数据，将设备介质、材料系数、环境系数等特征作为XGBoost的输入，将设备腐蚀风险等级作为标签对算法进行训练，使算法能够输出影响设备腐蚀的因素权重，进而为设备防腐措施提供决策支撑。

3.3  反应堆故障诊断相关算法

本文主要介绍基于大数据的反应堆故障诊断研究算法。通过数据异常检测，准确的发现系统中出现的故障，特别是在故障发生的短时间内检测并报告，并根据已有的先验知识对故障进行分析，推断出故障出现的位置及原因，并给予初步的建议解决方案，这将对反应堆状态的稳定起到巨大的作用。

基于曲线拟合的检测算法，是针对反应堆某个状态最近时间窗口内的数据遵循某种趋势的现象，使用一条曲线对反应堆状态的趋势进行拟合，如果新的数据打破了这种趋势，则该点就出现了异常[11]。

基于同期数据的检测算法，反应堆很多监控项都具有一定的周期性[12]。如果某一天的数据比过去n天同一时刻的最小值乘以一个阈值还小;或者某一天的数据比过去n天同一时刻的最大值乘以一个阈值还大，就认为该输入为异常点，可能是反应堆发生了故障。

基于同期振幅的检测算法，是基于同期数据检测算法的基础上，采用曲线“长得差不多”的思路[13]，使用过去n个时间段振幅作为标准，如果m时刻的振幅绝对值大于阈值，则认为该时刻发生异常。

基于神经网络的检测算法人工神经网络是20世纪40年代后出现的[14]。当前工业中用于故障诊断的神经网络算法有很多，其中比较常见的有卷积神经网络（CNN）算法、循环神经网络（RNN）算法、深度神经网络（DNN）算法等[15]。

3.4  核设施退役相关算法

核设施的退役具有时间长、涉及面广、投资高、潜在危险大等特点，周期时间可达数十年之久。可利用大数据相关算法结合核设施内外部环境数据建立退役计算模型，优化退役方法和拆解路径。

核设施器件纷杂众多，且内部各处剂量值各不相同，假设核设施的拆解模型为：核设施内有n个器件，则拆除所有器件的路径有n！条，不同路径的辐射剂量值不同，模型目的为找到最优拆解路径使拆解人员所受总辐射剂量最小。该模型属于典型的NP难问题，随着n的增大，拆解路径的选择呈爆炸式增长。

蚁群算法是经典的全局优化算法，受启发于蚂蚁在搜寻食物的行为，该算法具有寻优能力强、鲁棒性好、分布式计算等优点，已被广泛应用在各类组合优化问题上，如旅行商问题、车辆路由问题、图着色问题、网络路由问题等。

核设施拆解优化模型为：假如蚁群中所有蚂蚁的数量为m，所有核设施器件之间路径的信息素用矩阵pheromone表示，最小辐射剂量路径为bestLength，最佳辐射剂量路径为bestTour。蚂蚁们都有自己的存储空间，存储空间中用一个禁忌表（Tabu）来存储该蚂蚁已经走过的器件，表示其在以后的搜索中将不能访问这些器件;此外需一个允许访问的器件表（Allowed）来存储它还可以访问的器件;另需一个矩阵（Delta）来存储它在一个循环（或者迭代）中给所经过的路径释放的信息素;还有一些控制参数（蚂蚁行走玩全程的时间成本或距离）等。假定算法总共运行MAX_GEN次，运行时间为t。

蚁群算法计算过程为：

（1）初始化。

（2）为每只蚂蚁选择下一个节点。

（3）更新信息素矩阵。

（4）检查终止条件，如果达到最大代数MAX_GEN，算法停止，转至第（5）步;否则，重新将所有的蚂蚁的Delta矩阵所有元素为0，Tabu表全部清空，Allowed表添加全部的器件节点。随机选择它们的起始位置（也可以人工指定）。在Tabu中加入最开始的节点，Allowed中去掉节点，并不断执行（2）（3）（4）步。

（5）输出最优值，即拆解人员所受总辐射剂量最小的拆解路径。

4  结  论

本文介绍了大数据、人工智能算法在核工业中的核电设备缺陷检测、核电设备腐蚀风险等级预测、反应堆故障诊断、核设施退役等应用做了分析研究，从研究结果可知，大数据、人工智能算法在核工业领域有着不可估量的应用前景。同时希望通过此文对相关工作者提供一些思路，助力大数据、人工智能算法在核工业相关场景的落地實现。

参考文献：

[1] 马杰，张龙飞，余刃，等.基于PCA与SDG的反应堆一回路系统故障诊断方法研究 [J].核动力工程，2021，42（3）：197-202.

[2] 曹桦松，孙培伟.基于PCA-RBF神经网络的小型压水堆故障诊断方法研究 [J].仪器仪表用户，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] 颉利东，邬芝胜，黄捷，等.基于深度学习的船用核动力管路系统故障诊断方法研究 [J].科技视界，2020（15）：37-40.

[6] 王航.模型驱动的核电站混合式故障诊断策略研究 [D].哈尔滨：哈尔滨工程大学，2018.

[7] 陶显，侯伟，徐德.基于深度学习的表面缺陷检测方法综述 [J].自动化学报，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，梁烨，叶凯萱，等.核设施退役过程中的辐射场重构与拆除路径优化 [J].核技术，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] 龚晓菲.工业互联网平台数据的异常检测研究 [D].北京：北京邮电大学，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.面向大数据应用的情境感知异常检测算法研究 [D].兰州：兰州大学，2018.

作者简介：杨笑千（1993—），男，汉族，河南洛阳人，任职于信息化与网络管理中心，工程师，工学硕士，研究方向：大数据应用。