基于集成神经网络与模糊逻辑融合的稳压器泄漏监测方法

韩 龙，周 刚，孙旭升

（海军工程大学 核能科学与工程系，湖北 武汉 430033）

稳压器是反应堆压力安全系统的关键性设备，其主要功能是调节反应堆一回路压力波动、补偿反应堆冷却剂容积和对一回路系统进行超压保护。稳压器泄漏会造成反应堆一回路压力失控，导致反应堆事故停堆和放射性物质外泄。因此，稳压器泄漏监测对压水型核反应堆装置的安全运行具有重要意义。在工业系统中，目前已应用和正在研究的泄漏检测方法有多种，如氦质谱检漏法、压力变化检漏法、卤素检漏法、渗透检漏法、放射性同位素检漏法、气泡检漏法、氨检漏法、声波检漏法和红外线热成像检漏法等［1］。由于压水型核反应堆装置环境复杂，许多泄漏在装置运行过程中才能发生，因此，上述多数方法难以用于压水型核反应堆装置泄漏监测；有些方法虽可用于压水型核反应堆装置泄漏监测，但其技术复杂，实现起来难度大。针对该问题，本文将集成神经网络与模糊逻辑融合方法结合起来，研究基于集成神经网络［2-3］与模糊逻辑融合［4-6］（INN-FLF）的稳压器泄漏监测方法。

1 基于INN-FLF的泄漏监测方法原理

基于INN-FLF的稳压器泄漏监测原理框图如图1所示。它包括1个基于RBF 神经网络的泄漏诊断模块（RBF-LDM）、1 个基于Elman神经网络的参数预测诊断模块（Elman-PPDM）和1 个模糊逻辑融合模块（FLFM）。RBF-LDM 模块利用压水型核反应堆装置有关监测参数直接诊断稳压器是否发生泄漏。Elman-PPDM 模块包括两个Elman神经网络，即Elman-NN1 和Elman-NN2。Elman-NN1用于稳压器压力和水位参数预测，其预测值与实际监测值间的误差作为Elman-NN2 的输入。Elman-NN2利用上述误差参数来诊断稳压器是否发生泄漏。在FLFM 模块中，采用模糊逻辑融合方法对RBF-LDM 与Elman-PPDM的诊断结果进行融合，从而得到稳压器泄漏的最终诊断结果。

2 诊断模型的建立

2.1 RBF-LDM 的建立

RBF-LDM 由1 个RBF-NN 构 成。在RBF-NN 模型中，采用高斯函数作为神经网络的基函数，RBF-NN 的输出函数采用线性函数。RBF-LDM 输入为归一化后的压水型核反应堆装置相关运行监测参数，以向量V=｛P1，P2，…，Pn｝表示，这里Pn为第n 个监测参数的值。RBF-NN 的输出表示泄漏故障的置信度，其值越大，表明泄漏故障发生的可能性也越大。在RBF-NN 建模中，采用正交最小二乘学习算法对RBF-NN 进行训练。

2.2 Elman-PPDM 的建立

Elman-PPDM 采用与RBF-NN 具有不同网络结构的Elman-NN 构建参数预测诊断模型。Elman-NN1预测网络输入为压水型核反应堆系统运行时部分归一化系统参数，以向量V1= ｛P1，P2，…，Pk，Pk+j，…，Pn｝表 示；Elman-NN1的输出为对应V1向量的系统其他参数归 一 化 值，以 向 量V2=｛＾Pk+1，＾Pk+2，…，＾Pk+j-1｝表示，这里＾Pk+1表示第k+1个监测参数的网络预测输出值。需要说明的是，Elman-NN1预测网络的输出值是压水型核反应堆系统正常运行时所对应的参数值。因此Elman-NN1预测网络在训练时，训练样本只限于压水型核反应堆系统正常运行参数值。Elman-NN2融合网络输入为系统实测参数与预测参数的差值，以向量D=｛d1，d2，…，ds｝表示，ds的计算公式如下：

图1 基于INN-FLF的稳压器泄漏监测原理框图Fig.1 Principle structure diagram of pressurizer leak monitoring based on INN-FLF method

式中，s为预测参数的数量。

Elman-NN2融合网络输出为［0，1］间的数值，它表示故障置信度。经试验测试，Elman-PPDM 中的Elman神经网络均采用tansig函数作为隐层传递函数，采用线性函数作为输出层传递函数，利用拟牛顿算法对网络进行训练。Elman-NN2的结构如图2所示。

2.3 模糊逻辑融合模型的建立

在融合模块设计中，应用模糊推理系统（FIS）设计融合模型，对RBF-LDM 与Elman-PPDM 诊断结果进行融合。FIS的输入参数为RBF-LDM 和Elman-PPDM 诊断输出值，其输出参数为稳压器泄漏监测的最终结果。FIS的输入参数使用3 个模糊子集，即N（正常）、M（之间）和F（故障）进行描述。FIS融合输出值使用N（正常）、DN（偏正常）、DF（偏故障）及F（故障）描述。FIS输入、输出参数隶属函数如图3所示。

图2 Elman-NN2融合网络结构Fig.2 Structure of Elman-NN2fusion network

考虑到压水型核反应堆装置对于安全性的严格要求，因而在设计模糊逻辑融合规则时应尽可能满足可靠性原则。在泄漏诊断过程中，当有1个分诊断模型的结果为故障时就应认定为故障或偏故障。当两个神经网络的诊断结果均为中间值时，也应认定为发生了故障。通过分析及试验比较，建立稳压器泄漏故障诊断的模糊推理规则，如表1所列。

Elman-PPDM RBF-LDM N M F N N DN DF M DN F DF F DF DF F

在模糊推理方法的选择上，采用Mamdani模糊推理算法。在该算法中“and”与“or”推理分别采用最小运算与最大运算；对于模糊蕴含，选择最小运算。在推理完成后，采用面积中心法对模糊输出值进行去模糊化处理。

3 仿真研究

3.1 用于训练的监测变量与故障模式

为研究本文所提出的稳压器泄漏监测方法的可行性，在仿真验证中选取了稳压器正常运行、稳压器泄漏故障以及稳压器与一回路主冷却剂管道同时发生泄漏故障等6个典型故障工况作为训练及测试样本。各故障代号及核反应堆运行工况列于表2。

通过对稳压器不同尺寸破口仿真分析可知，对于稳压器和一回路主冷却剂管道较大破口的泄漏事故，相关参数变化较明显，故障现象也较为明显。一方面操纵人员可通过相关参数的变化判断出泄漏事故；另一方面利用现有诊断技术也能较为容易地诊断出泄漏故障。但对于稳压器和一回路主冷却剂管道小破口事故，由于冷却剂泄漏量较小，再加上系统的调节作用和运行工况的变化，相关参数变化较为缓慢，很难在故障初期做出准确判断。因此，在本研究中，对稳压器和一回路主冷却剂管道泄漏故障进行仿真测试时，选取小破口事故作为设计故障。在仿真验证中，稳压器及一回路主冷却剂管道的破口尺寸均设为5mm。

对于稳压器和一回路主冷却剂管道泄漏，其现象较复杂，很难直接利用单个监测变量进行监测。在分析稳压器和一回路主冷却剂管道泄漏的特点以及泄漏时压水型核反应堆装置相关参数变化情况的基础上，选取反应堆左出口冷却剂温度、反应堆总热功率等7个参数作为稳压器和一回路主冷却剂管道泄漏诊断的监测参数。各参数代号列于表3。

序号 稳压器故障类型 代号 反应堆运行工况1正常运行 NC1 冷态启动2正常运行 NC2 功率从额定功率的70%降到30%3气相泄漏 F1 冷态临界4液相泄漏 F2 5%额定功率5液相破损，同时一回路主冷却剂管道破口 F3 70%额定功率6气相泄漏 F4 功率从额定功率的70%降到30%

序号 监测变量 代号1 反应堆左出口冷却剂温度，℃ RLCOT 2反应堆总热功率，% NPL 3反应堆左冷却剂流量，kg／s RLCFW 4稳压器温度，℃ PT 5 反应堆左入口冷却剂温度，℃ RLCIT 6稳压器压力，MPa PP 7稳压器水位，mm PWL

3.2 监测神经网络的离线训练

利用压水型核反应堆装置模拟器对6个典型工况的7个监测参数进行数据采集，将采集后的数据进行归一化处理，用归一化数据分别对RBF-LDM 和Elman-NN1 进行离线训练。在RBF-LDM 的训练中，RBF-NN 的输入为表3对应的7个监测参数的归一化数值。RBFNN 的输出为［0，1］间的数值，它表示泄漏故障的置信度。

Elman-NN1预测模型的输入参数为归一化后的反应堆左出口冷却剂温度、反应堆总热功率、反应堆左冷却剂流量、稳压器温度和反应堆左入口冷却剂温度。Elman-NN1的输出值为稳压器的压力和水位的归一化参数。

Elman-NN2融合模型的输入值为归一化后的稳压器压力、水位的预测值与其实际值之差，输出值为稳压器发生泄漏故障的置信度。通过试验比较，Elman-NN1 预测模型与Elman-NN2融合模型隐层节点数分别选为11和10，网络训练次数均为500，网络训练精度定为0.05。

3.3 诊断测试

利用压水堆核动力装置模拟器对表2所列工况进行模拟运行并采集相关参数数据，将采集数据输入到训练好的INN-FLF 模型中，进行仿真测试。在各故障工况中，F1故障是反应堆在5%额定功率运行下，自数据采样开始后第62s发生；F2故障是反应堆在5%额定功率运行下，自数据采样开始后第106s发生；F3故障是反应堆在70%额定功率运行下，自数据采样开始后第90s发生；F4 故障是反应堆从70%额定功率降到30%额定功率正常运行过程中，自数据采样开始后第93s发生。图4与图5分别示出压水堆核动力装置正常工况和各种泄漏工况下的诊断结果。

图4 正常工况下各诊断模型的诊断结果Fig.4 Diagnosis outputs of normal operating modes

图5 故障（泄漏）工况下各诊断模型的诊断结果Fig.5 Diagnosis outputs of fault operation modes

4 结果分析

根据仿真试验结果，设定诊断阈值为0.6，即规定诊断模型输出故障置信度大于0.6时认为稳压器发生了泄漏事故，反之认为未发生泄漏。从图4示出的诊断结果可看出，在反应堆冷态临界正常运行时，RBF-LDM 和Elman-PPDM 模型均得出了正确的诊断结果。但在反应堆从70%额定功率降低到30%额定功率的过程中，RBF-LDM 出现了误诊现象。在利用FIS 将RBF-LDM 和Elman-PPDM 的 诊 断结果进行融合后，INN-FLF诊断模型得到了正确的诊断结果。由此可见，INN-FLF诊断模型具有较强的鲁棒性，能有效抑制各分诊断模型的错诊现象。

从图5示出的各诊断网络对故障工况的诊断结果可看出，RBF-LDM 和Elman-PPDM 在对压水堆核动力装置进行故障诊断时，对于不同工况各诊断模型的准确度存在差异。在F1故障的诊断中，Elman-PPDM 的诊断时间早于RBF-LDM。但在故障F2、F3和F4的诊断中，RBF-LDM 较Elman-PPDM 能更早地得出诊断结果。相比较而言，INN-FLF诊断模型通过模糊逻辑融合各分诊断模型的诊断结果，使INN-FLF诊断模型始终能较早地对稳压器泄漏故障做出诊断，从而保证了整个诊断模型的稳定性与可靠性。

5 结论

针对稳压器泄漏难以监测的问题，将集成神经网络与模糊逻辑融合方法相结合，研究了稳压器泄漏监测方法。该方法利用两个独立的诊断模型，对稳压器分别进行故障模式识别与稳压器的参数预测故障诊断。采用模糊逻辑推理技术对各诊断模型的诊断结果进行模糊逻辑融合，并将其作为稳压器泄漏最终监测结果。仿真结果表明，基于集成神经网络与模糊逻辑融合的稳压器泄漏监测方法能正确识别稳压器泄漏故障，且相对于单神经网络诊断模型，在故障诊断反应时间与诊断结果可靠性上均得到了提高。与声波检漏等其他现阶段使用的泄漏监测方法相比，该方法可直接在现有设备基础上实施，不需增加更多的辅助设备，是一种简便可行的泄漏监测方法。

［1］ 肖祥正.泄漏监测方法与应用［M］.北京：机械工业出版社，2009.

［2］ AHMADD Z，ZHANG J.Combination of multiple neural networks using data fusion techniques for enhanced nonlinear process modeling［J］.Computers and Chemical Engineering，2005，30：295-308.

［3］ 周刚，杨立.集成神经网络方法在蒸汽发生器故障诊断中的应用［J］.原子能科学技术，2009，43（11）：997-1 002.ZHOU Gang，YANG Li.Application of integrated neural network method to fault diagnosis of nuclear steam generator［J］.Atomic Energy Science and Technology，2009，43（11）：997-1 002（in Chinese）.

［4］ 王征宇，肖南峰.基于模糊积分的多神经网络集成信息融合［J］.计算机工程，2012，38（16）：157-160.WANG Zhengyu，XIAO Nanfeng.Multi-neural network ensemble information fusion based on fuzzy integral［J］.Computer Engineering，2012，38（16）：157-160（in Chinese）.

［5］ 韩崇昭，朱洪艳，段战胜，等.多源信息融合［M］.北京：清华大学出版社，2006：1-3.

［6］ LINDA O， MANIC M， McJUNKIN T R.Anomaly detection for resilient control systems using fuzzy-neural data fusion engine［C］∥Proceedings of the Fourth International Symposium on Resilient Control Systems（ISRCS）.Boise：IEEE，2011：35-41.