基于RBF神经网络的一回路核动力装置典型故障诊断

房超　李博西　段崇瑞

【摘 要】为提高核动力装置运行监测与诊断的能力，文中提出了基于RBF神经网络的核动力装置故障诊断方法。通过对核动力装置的一些典型故障特性进行分析，选取了适当的训练样本，并训练通过MATLAB所建立的神经网络模型，验证神经网络的可行性。结果表明，RBF神经网络成功地诊断出了故障，具有良好的诊断效果。

【关键词】核动力装置；RBF神经网络；故障诊断

System Fault Diagnosis for Primary Circulation of Nuclear Power Plant Based on RBF Neural Network

FANG Chao LI Bo-xi DUAN Chong-rui

（CNNC Liaoning Nuclear Power Co.， Ltd，Huludao Liaoning 125000，China）

【Abstract】In order to improve the ability of nuclear power plant operation monitoring and diagnosis， the fault diagnosis method of nuclear power plant based on RBF neural network is proposed. Through the analysis of some typical fault characteristics of nuclear power plant， the appropriate training samples are selected， and the neural network model established by MATLAB is trained to verify the feasibility of the neural network. The results show that the RBF neural network has successfully diagnosed the fault， which has a good diagnostic effect.

【Key words】Nuclear power plant； RBF neural network； Fault diagnosis

0 前言

核动力装置是一个非常复杂的系统，其严重事故情况会产生非常大的危害，如三里岛以及切尔诺贝利事故，由于操作员对反应堆状态的错误认识，都造成了反应堆烧毁和放射性物质外泄。为了让操作员在故障时尽快准确地断定发生的故障，避免错误的判断及处理方法，一个较好的方法是开发一个故障诊断系统自动地进行诊断，如发生故障，则由操作员根据诊断结果来采取正确的操作，降低事故后果，防止事故的进一步扩大[1]。

径向基函数（RBF）神经网络是一种性能良好的前向网络，其既有生物背景，又与函数逼近理论相吻合，适合于多变量函数逼近，并且还具有唯一最佳逼近点的优点[2]。本文提出了基于RBF神经网络的核动力装置一回路故障诊断方法，并验证RBF神经网络诊断的准确性。

1 径向基神经网络模型

1.1 径向基神经元模型

图中每一个输入被赋予一定的权值，与偏差求和后作为神经元传递函数，最常用的传递函数是高斯函数。与其他类型的神经元有所不同的是，径向基神经元传递函数的输入是权值向量和输入向量之间的向量距离与偏差b的乘机。图中‖dist‖表示的是权值与输入向量的点积[3]。

模型中输出表达式a为：

其光滑性好，径向对称，形式简单，

模型中所使用的传递函数的图形如图2所示，当径向基传递函数的输入为0时，此径向基函数取得其最大值1。随着权值向量W与输入向量p之间的距离的减小，输出逐渐增大。因此，对于一个径向基神经元，当输入p与权值W完全相等时，此神经元的输出恰好为1[3]。

图2 径向基传递函数

模型中偏差b的作用是调节径向基神经元的灵敏度。例如，如果一个神经元的偏差等于0.2，那么对于输入向量p与输出向量W距离相差0.8326/b的情况，其输值为0.5。

1.2 径向基神经网络模型

newrbe创建网络时，开始是没有径向基神经元的，可以通过以下步骤，逐渐增加径向基神经元的数目：

1）以所有的输入样本对网络进行仿真。

2）找到误差最大的一个输入样本。

3）增加一个径向基神经元，其权值等于该样本输入向量的转置。|

4）以径向基神经元输出的点积作为线性网络层神经元的输入，重新设计线性网络层，使其误差最小。

5）当均方误差未达到规定的误差性能指标且神经元的数目未达到规定的上限值时，重复以上步骤，至网络的均方误差达到规定的误差性能指标或神经元的数目达到规定的上限值时为止。

2 径向基神经网络故障诊断结果

2.1 基于MATLAB的神经网络的建立

采用MATLAB工具箱提供的newrb函数可以以迭代的方式生成一个径向基神经网络。newrb函数的调用方式如下：

2.2 神经网络的训练

网络创建好以后，需应用故障数据对网络进行训练。根据RBF神经网络的学习算法和表1所示的5种核动力装置故障模式对网络进行训练。

训练样本选取每个故障中12组数据作为输入样本，输出为故障代号，代码如表2所示。

网络训练的平均平方误差与迭代步骤之间的关系如图3所示。

2.3 神经网络的故障诊断

为了验证RBF神经网络的诊断结果，利用核动力装置运行监测数据对网络进行检验表3给出了应用核动力装置监测数据进行诊断检验的部分结果。

从表3所示的诊断结果可以看出，对于核动力装置不同的监测数据，RBF神经网络都给出了正确的诊断结果，从而证实了所提方法的合理性。RBF神经网络在核动力装置诊断中的应用结果表明，该网络能够将核动力装置这种高度复杂的非线性高维问题映射为低维线性空间可分问题进行求解。利用神经网络可以对核动力装置进行异常检测，提高核动力装置运行的安全性与可靠性。

表3 RBF神经网络部分诊断结果

3 结论

本文主要研究了核动力装置一回路典型故障特性，应用MATLAB软件，建立了RBF神经网络，使用核动力故障工况下的典型特征数据对网络进行训练及检验，并用RBF神经网络针对核动力装置5种典型故障进行了故障诊断，达到了预期的诊断要求验证了RBF神经网络在核动力装置一回路诊断中是有效的。

【参考文献】

[1]周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005：101-106.

[2]朱凯，王正林.精通MATLAB神经网络[M].北京：电子工业出版社，2010：225-245.

[3]刘永阔.核动力装置故障诊断智能技术的研究[D].哈尔滨：哈尔滨工程大学，2006.

[责任编辑：王伟平]