谢宇希，颜拥军，李 翔，丁天松，马 川

(1.南华大学 核科学技术学院，湖南 衡阳 421001； 2.衡阳师范学院 物理与电子工程学院，湖南 衡阳 421008)

核探测器是辐射安全防护监测与核动力装置安全监测中的重要装置[1]，长期工作在高温湿度与高辐射强度的环境中，易导致老化、工作性能下降或出现部分功能故障等现象，最终会降低监测场所的核安全性。而人工检测故障不仅需消耗大量时间且会出现判断错误的情况，情况严重则会引发核安全事故[2-3]。本项目组前期开展了基于统计诊断方法和基于多分类支持向量机的核探测器智能故障诊断方法[4-5]的研究，尝试人工智能在数字化核仪器故障检测方面的应用。

本文以闪烁体探测器为研究对象，构建硬件实验平台，探索利用BP神经网络故障诊断模型对探测器进行故障类型的智能识别与分类，并通过Matlab仿真平台将此方法与之前研究的两种方法进行对比研究。

1 故障诊断机制

首先采用小波包变换提取核信号的波形特征，构造特征向量，然后利用Matlab软件中的BP神经网络工具箱对网络进行参数训练，以得到分类性能最优的神经网络诊断模型。故障诊断机制如图1所示，关键步骤如下：1) 采用db4小波基函数对采样信号进行3层分解，获得反映故障信号波形特征的向量；2) 建立故障特征向量训练库，其分为70%的训练集、15%的测试集和15%的验证集，并利用这些特征向量对BP神经网络的诊断模型进行训练，其网络结构设置为8-20-5，即输入层的特征节点数为8，隐含层的神经元节点数为20，输出层的目标节点数为5(其分别表示闪烁体探测器是正常状态、闪烁体老化故障、光电倍增管故障、RC电路故障和辐射损伤故障共5种状态)；……