原子能技术核反应堆冷却剂系统故障诊断MPA-TCN-GRU模型

贾晓龙; 戴滔; 隋阳; 闫家胜; 刘家义

doi:10.12404/j.issn.1671-1815.2502935

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (8) :3319-3329 DOI: 10.12404/j.issn.1671-1815.2502935

原子能技术

原子能技术核反应堆冷却剂系统故障诊断MPA-TCN-GRU模型

贾晓龙 ¹^,² ,
戴滔 ¹^,² ,
隋阳 ¹^,²^,^* ,
闫家胜 ¹^,² ,
刘家义 ¹^,²

作者信息 +

MPA-TCN-GRU Model for Fault Diagnosis of Nuclear Reactor Coolant System

JIA Xiao-long ¹^,² ,
DAI Tao ¹^,² ,
SUI Yang ¹^,²^,^* ,
YAN Jia-sheng ¹^,² ,
LIU Jia-yi ¹^,²

Author information +

文章历史 +

摘要

核反应堆冷却剂系统(reactor coolant system,RCS)是一个庞大且复杂的核电厂系统,它的主要作用是载出核反应堆产生的热量、防止放射性物质外泄。因此,精准的RCS故障诊断对于保障核电厂的安全性至关重要。为针对传统RCS故障诊断模型训练效率较低、准确性不足的问题,按照如下路线提出了一种RCS故障诊断海洋捕食者算法(marine predator algorithm,MPA)-时间卷积网络(temporal convolutional network,TCN)-门控循环单元(gated recurrent unit,GRU)模型。首先,应用TCN模型,提取RCS样本数据的特征信息;然后,将提取到的特征信息输入到GRU模型,捕捉数据中的时序依赖关系,进而构建TCN-GRU模型;最后,应用MPA寻找TCN-GRU模型的最优超参数,实现对RCS的精准诊断。结果表明:与传统的TCN、GRU及TCN-GRU模型相比,所提模型在较少的训练轮数实现了收敛,同时在诊断准确率上分别提高了2.64%、2.93%和2.01%,验证了所提出的诊断模型的高效性和可靠性。

Abstract

Nuclear energy plays an increasingly crucial role in global decarbonization and sustainable economic development. Among the essential systems in a nuclear power plant, the nuclear reactor coolant system (RCS) is critical for maintaining operational safety by removing the heat generated by the reactor and serving as a secondary barrier to prevent radioactive material leakage. Accurate fault diagnosis of the RCS is crucial for enhancing the safety of nuclear power plants. In order to address the issues of low training efficiency and insufficient accuracy in traditional RCS fault diagnosis models. A novel RCS fault diagnosis model that integrated marine predator algorithm (MPA), temporal convolutional network (TCN) and gated recurrent unit (GRU) was used to investigate. First, the TCN model was applied to extract critical feature information from RCS sample data. Subsequently, the features extracted by TCN were input into the GRU model to capture temporal dependencies within the sample data, thereby constructed the TCN-GRU model. Finally, to further enhance the model’s performance, the MPA was applied to optimize the hyperparameters of the TCN-GRU model. The results show that the proposed model converges more rapidly, requires fewer training epochs and exhibits significantly reduced fluctuations compared to traditional TCN, GRU, and unoptimized TCN-GRU models. Specifically, diagnostic accuracy improvements of 2.64%, 2.93%, and 2.01% are observed, respectively. It is concluded that the integration of MPA, TCN, and GRU significantly enhances fault diagnosis performance. By addressing questions in training efficiency and accuracy, the proposed model demonstrates high efficiency and reliability, making it a promising solution for fault diagnosis in complex systems.

Graphical abstract

关键词

核反应堆冷却剂系统(RCS) / 故障诊断 / 时间卷积网络(TCN) / 门控循环单元(GRU) / 海洋捕食者算法(MPA)

Key words

nuclear reactor coolant system(RCS) / fault diagnosis / temporal convolution network(TCN) / gated recurrent unit(GRU) / marine predator algorithm(MPA)

引用本文

引用格式 ▾

贾晓龙, 戴滔, 隋阳, 闫家胜, 刘家义. 原子能技术核反应堆冷却剂系统故障诊断MPA-TCN-GRU模型[J]. 科学技术与工程, 2026, 26(8): 3319-3329 DOI:10.12404/j.issn.1671-1815.2502935

JIA Xiao-long, DAI Tao, SUI Yang, YAN Jia-sheng, LIU Jia-yi. MPA-TCN-GRU Model for Fault Diagnosis of Nuclear Reactor Coolant System[J]. Science Technology and Engineering, 2026, 26(8): 3319-3329 DOI:10.12404/j.issn.1671-1815.2502935

登录浏览全文

4963

注册一个新账户忘记密码

核能正在成为全球脱碳和促进绿色经济的关键驱动力,其重要性日益凸显^[1]。当前世界正迎来新一轮核电发展热潮,多国制定了积极的核电发展规划。中国实施积极安全有序发展核电的政策,已进入规模化、自主化发展的快车道,已跻身全球核电发展第一梯队。在核电厂系统中,反应堆冷却剂系统(reactor coolant system,RCS)作为核岛的核心组成部分,由核反应堆、主冷却剂泵、蒸汽发生器、稳压器,以及将它们连接起来的管道和阀门等部件组成,其主要功能是载出反应堆堆芯产生的热量,并作为第二道屏障防止放射性物质泄漏^[2]。由于RCS具有结构和逻辑复杂、系统部件相互耦合、运行条件多变等特性,其运行维护技术含量高且工艺要求复杂^[3],因此,采用高效、准确的故障诊断方法,对核电站RCS安全运行至关重要。

近年来,复杂工业系统的故障诊断方法取得显著发展,主要可归纳为三类:基于知识的方法、基于解析模型的方法以及数据驱动的方法^[4]。基于知识的故障诊断方法通常需要长期积累专家知识和现场经验,适用范围有限,扩展性不足^[5],而基于解析模型方法虽然能够深入揭示系统故障的成因,但是它需要依赖强假设和物理知识来建立数学模型^[6],这对于核电厂等复杂非线性动态系统通常难以实现。相比之下,基于数据驱动方法通过机器学习或深度学习等方法,能够在不需要太多专业知识的情况下,建立系统参数与故障间的映射关系,高效揭示数据中的非线性特征,实现灵活的判断系统状态,已经逐渐成为故障诊断领域的主流方法^[7-8]。

目前,中外学者在数据驱动下对RCS故障诊断方面已开展较多研究。Lee等^[9]应用支持向量机分类方法,研究了RCS的温度和压力等参数与RCS管道破口位置的关系,定位了RCS故障点。Mwaura等^[10]提出了一种基于自适应神经模糊推理系统的RCS蒸汽发生器管道破裂事故特征学习方法,识别了RCS事故早期征兆。朱佳浩等^[11]采用径向基神经网络模型,构建了RCS故障诊断动态模糊径向基神经网络模型,实现了在不确定性条件下对冷却剂丧失、失流和蒸汽发生器管道破裂事故进行精准诊断。张春元^[12]应用卷积神经网络和长短期记忆网络模型,构建了卷积神经网络-长短期记忆网络模型故障诊断模型;然后,通过麻雀搜索算法优化模型的学习率和隐藏层节点数,最终实现了对RCS系统中反应堆冷却剂丧失和蒸汽发生器传热管破裂事故的故障诊断。戴滔等^[13]应用递归特征消除算法、改进的鲸鱼优化算法和极端梯度提升模型,建立了核电厂RCS故障诊断模型,实现了核电厂RCS故障的快速精准诊断。Liu等^[14]采用萤火虫算法和反向传播神经网络网络,构建了萤火虫-反向传播神经网络模型故障诊断模型,有效解决了传统反向传播神经网络在预测核电站瞬态参数时容易陷入局部最优的问题,并在冷却剂丢失事故和蒸汽发生器管道破裂事故的预测中,实现了更高的准确率和更短的预测时间,为核电站安全控制提供了有力支持。

然而,核电厂RCS 数据是海量、非线性特征的时间序列数据^[15],传统基于数据驱动的模型,如支持向量机、传统神经网络,缺乏模型输出与输入的反馈连接结构,因此难以有效捕捉时间序列数据之间的依赖关系^[16],导致传统模型在RCS故障诊断时无法充分挖掘数据中的时序信息,从而影响诊断的效率和准确性。相比之下,深度学习模型,特别是时间卷积网络(temporal convolutional network,TCN)和门控循环单元(gated recurrent unit,GRU),在捕捉复杂非线性特征和时序依赖关系方面表现出显著优势。TCN通过因果卷积和扩张卷积机制,能够提取复杂非线性时间序列数据的特征信息^[17],GRU则通过其门控机制可以捕捉时间序列中的长期依赖关系^[18]。邓强等^[19]结合TCN和胶囊网络,建立了一个针对核动力装置的故障诊断模型,以RCS冷管段微小破口等事故为例,验证了该模型在数据样本较少的情况下也能快速收敛,达到较高的诊断准确率。Qian等^[20]应用GRU模型和迁移学习策略,建立了核电厂RCS故障诊断模型,提取了其他不同运行条件、不同故障严重程度下的RCS故障诊断知识,提高了故障诊断模型对小样本故障诊断的准确率。Li等^[21]应用TCN和GRU模型,提出了一种TCN-GRU开放集未知损伤诊断方法,实现了对已知与未知损伤的有效区分。实验结果表明,该方法在CFRP板及连接器上均能准确诊断不同位置和程度的损伤,提升了未知损伤的检测准确率。

尽管TCN、GRU以及TCN-GRU模型在故障诊断中展现出较好的应用潜力,但它们的性能在很大程度上依赖于超参数的选择。传统的手动调整超参数方法不仅耗时耗力,而且往往难以找到全局最优解。近年来,海洋捕食者算法(marine predator algorithm,MPA)作为一种受海洋中适者生存理论启发的元启发式优化算法,因其具有强大的全局寻优能力、快速的收敛速度以及易于实现的优点,受到了广泛关注^[22]。基于此,提出一个RCS故障诊断MPA-TCN-GRU模型。首先,应用TCN提取RCS样本数据的特征信息;然后,将TCN提取到的特征输入到GRU模型,捕捉样本数据中的时序依赖关系,构建TCN-GRU模型;最后,应用MPA对TCN-GRU模型的超参数进行全局寻优,实现对RCS的精准诊断。为验证所提模型的高效性和可靠性,将所构建的MPA-TCN-GRU模型与TCN、GRU和TCN-GRU等模型进行了对比分析。MPA-TCN-GRU模型能够更加高效、准确诊断出系统的故障,增强了核电厂异常状态早期识别能力,为中国核电技术发展提供重要参考。

1 理论方法

1.1 TCN模型

TCN是一种基于传统的卷积神经网络改进的深度学习模型,专门用于处理时间序列数据。相较于传统的卷积神经网络模型,TCN不仅保留了其强大的特征提取能力,同时还结合了因果卷积、扩张卷积和残差单元,能够有效地捕捉序列中的长期依赖关系,避免梯度消失和梯度爆炸的问题,具有更好的并行计算能力^[17]。TCN结构图如图1所示,具体如下。

1.1.1 一维全卷积

TCN采用一维全卷积结构,确保输入序列与输出序列在时间维度上保持等长,能够保留整个输入序列数据包含的信息,从而有利于构建长期记忆。

1.1.2 因果卷积

因果卷积是TCN中的核心结构,是一种特殊的卷积操作,旨在确保模型在时间步t的输出仅取决于t时刻及其之前的输入,而不依赖于未来的输入,严格遵循时间序列的因果关系。假设模型的输入序列为{x₁,x₂,…,x_t,…,x_T},期望的输出为{y₁,y₂,…,y_t,…,y_T},因果卷积使得模型在t时刻的输出值y_t仅由{x₁,x₂,…,x_t_-1,x_t}决定,不受{x_t₊₁,x_t₊₂,…,x_T}的影响。因果卷积的引入不仅增强了模型对历史信息的记忆能力,还为处理长序列数据提供了基础。然而,随着网络深度的增加,因果卷积需要记忆的过去信息范围也随之扩大,这可能导致训练效率下降和计算复杂度增加。为了解决这个问题,TCN引入了扩张卷积。

1.1.3 扩张卷积

扩张卷积(又称空洞卷积)的核心在标准卷积核中插入空洞来扩展感受野。具体实现方式是通过在卷积核元素之间插入零值,通常以2的指数(2⁰,2¹,2²,…,2ⁿ)作为扩张率,使得卷积核在采样时跳过部分输入值,从而捕获更大范围的时间依赖关系。随着网络层数的增加,网络的感受野以指数方增大,这不仅保证了网络可以记忆更多历史信息,还避免了因网络深度增加而导致的训练效率下降问题。扩张卷积结构图如图2所示。

扩张卷积的计算公式为

(1)

$F\left({x}_{t}\right)=\sum _{i=0}^{k-1}f\left(i\right){x}_{t-di}$

式(1)中:F(·)为扩张卷积过程中的网络输出;x_t为t时刻的输入;f(i)为第i个输入过滤操作;k为过滤器的大小,取k=3;i∈(0,1,2,…,k-1);x为输入序列;t-di为过去的方向,其中d为扩张系数,取d=1,2,4。

1.1.4 残差单元

在TCN中,因果卷积和扩张卷积的引入虽然增强了模型对时间序列特征的提取能力,但同时也增加了网络的深度,这可能导致梯度消失或梯度爆炸问题。为解决这一问题,TCN 使用残差单元替代卷积层从而加深网络深度,解决深层网络的训练问题。通过将模型的输入x与输出F(x)进行加权融合,得到最终的输出o,其表达式为

(2)o=Activation[x+f(x)]

式(2)中:Activation(·)为激活函数。

1.2 GRU模型

GRU模型是循环神经网络模型的一种特殊形式。它通过重置门和更新门,控制数据在不同时间片之间的流动,从而捕捉时序数据的短期关键特征和长期依赖关系^[23]。相比于循环神经网络模型,GRU 通过门控机制有效缓解了梯度消失问题,使得模型在处理长序列数据时具有更强的记忆能力^[24]。GRU的结构图如图3所示。

GRU的计算过程如下所示,在时间步t时刻,重置门状态r_t表示为

(3)r_t=σ(W_rx_t+U_rh_t_-1+b_r)

式(3)中:σ为sigmoid函数;W_r为输入x_t在计算重置门r_t时对应的权重矩阵;U_r为上一时刻隐藏状态h_t_-1在计算重置门r_t时对应的权重矩阵;x_t为当前t时刻的输入向量;h_t_-1为t-1时刻的隐藏状态;b_r为重置门的偏置向量。

(4)z_t=σ(W_zx_t+U_zh_t_-1+b_z)

式(4)中:z_t为t时刻的更新门状态;W_z为输入x_t在计算更新门z_t时对应的权重矩阵;U_z为上一时刻隐藏状态h_t_-1在计算更新门z_t时对应的权重矩阵;b_z为更新门的偏置向量。

(5)${\tilde{h}}_{t}$=tanh[W_hx_t+r_t$\otimes $(U_hh_t_-1)+b_h]

式(5)中:

${\tilde{h}}_{t}$

为候选隐状态;tanh为双曲正切函数;W_h为输入x_t和经过重置门调整的上一时刻隐藏状态r_t⊗(U_hh_t_-1)在计算候选隐藏状态时对应的权重矩阵;U_h为经过重置门调整的上一时刻隐藏状态r_t⊗(U_hh_t_-1)在计算候选隐藏状态时对应的权重矩阵;􀱋为矩阵中对应元素相乘;b_h为候选隐状态的偏置。

(6)h_t=z_t

$\otimes $

h_t_-1+(1-z_t)

$\otimes {\tilde{h}}_{t}$

式(6)中:h_t为隐藏状态。

(7)y=ρ(Vh_t)

式(7)中:y为输出值;V为隐含层至输出层之间的连接权重矩阵;ρ为softmax函数,其表达式为

(8)

$\rho \left({y}_{i}\right)=\frac{{e}^{{y}_{i}}}{\sum _{j=1}^{k}{e}^{{y}_{j}}}$

式(8)中:y_i为GRU模型的第i个输出值;k为GRU模型输出值的个数,取k=8。

1.3 MPA算法

与大多数元启发式算法类似,海洋捕食者算法通过模拟海洋捕食者的觅食行为来找到最佳解决方案,具有参数设置简单、易于使用、适用性强、收敛速度快等优点^[25]。相较于遗传算法和粒子群等优化算法,通常表现出更快的收敛速度和更优的收敛结果^[26]。其数学描述如下。

1.3.1 初始化阶段

MPA为了确保搜索质量,通过随机初始化种群来模拟海洋捕食过程,猎物矩阵P_rey每一个元素采用如式(9)所示的方法进行初始化。

(9)X_i_,_j=X_min+rand(X_max-X_min)

式(9)中:X_max、X_min为搜索空间的范围;rand(·)为[0,1]内的随机数。

1.3.2 迭代优化阶段

MPA过程主要有3个主要阶段:探索阶段

$\left(Iter\frac{1}{3}Max\_iter\right)$

、平衡阶段(

$\frac{1}{3}$

Max_iter<Iter<

$\frac{2}{3}$

Max_iter)和发展阶段

$\left(Iter\frac{2}{3}Max\_iter\right)$

。其中,Iter为当前迭代次数,Max_iter为最大迭代次数。数学模型如下。

(1)探索阶段。捕食者速度比猎物速度慢,对于捕食者来说,最佳策略是保持原地不动,无论猎物是以莱维飞行策略还是布朗运动方式移动。该阶段的数学模型为

(10)$\left\{\begin{array}{l}{s}_{tepi}={R}_{B}\otimes ({E}_{litei}-{R}_{B}\otimes {P}_{reyi})\\ {P}_{reyi}={P}_{reyi}+PR\otimes {s}_{tepi}\end{array}\right.$, i=1,2,…,n

式(10)中:s_tep_i为移动步长;R_B为由布朗运动生成的随机向量;E_lite_i为由顶级捕食者构成的精英矩阵;P_rey_i为与精英矩阵相同维数的猎物矩阵;P为常数,P=0.5;R为[0,1]之前的随机数向量;n为种群规模。

(2)平衡阶段。捕食者与猎物速度相同,猎物采用莱维飞行策略进行开发;捕食者通过布朗运动进行探勘,并逐步从勘探过程转向开发过程。勘探过程的数学模型为

(11)$\left\{\begin{array}{l}{s}_{tepi}={R}_{L}\otimes ({E}_{litei}-{R}_{L}\otimes {P}_{reyi})\\ {P}_{reyi}={P}_{reyi}+PR\otimes {s}_{tepi}\end{array}\right.$, i=1,2,…,n/2

式(11)中:R_L为由莱维运动生成的随机向量。

开发过程的数学模型为

(12)

$\left\{\begin{array}{l}{s}_{te{p}_{i}}={R}_{B}\otimes ({R}_{B}\otimes {E}_{litei}-{P}_{reyi})\\ {P}_{reyi}={E}_{litei}+PCF\otimes {s}_{tepi}\end{array}\right.$

,i=n/2+1,n/2+2,…,n

式(12)中:R_L为由莱维运动生成的随机向量;CF=

${\left(1-\frac{Iter}{Max\_iter}\right)}^{\frac{2Iter}{Max\_iter}}$

,用于控制捕食者的移动步长。

(3)发展阶段。捕食者速度比猎物速度快,捕食者采用莱维飞行策略进行开发。该阶段的数学模型为

(13)$\left\{\begin{array}{l}{s}_{tepi}={R}_{L}\otimes ({E}_{litei}-{R}_{L}\otimes {P}_{reyi})\\ {P}_{reyi}={P}_{reyi}+PCF\otimes {s}_{tepi}\end{array}\right.$, i=1,2,…,n

1.3.3 鱼类聚集效应

在每次迭代后,MPA通过模拟鱼类聚集效应,使捕食者能够跳得更远,从而避免陷入局部最优解。该过程的数学模型可表示为

(14)P_rey_i=

$\left\{\begin{array}{l}{P}_{reyi}+CF[{X}_{min}+R\otimes ({X}_{max}-{X}_{min}\left)\right]\otimes U,\\ 　　r\le FA{D}_{s}\\ {P}_{reyi}+\left[FA{D}_{s}\right(1-r)+r]({P}_{reyr1}-{P}_{reyr2}),\\ 　　rFA{D}_{s}\end{array}\right.$

式(14)中:r为[0,1]均匀分布的随机数;FAD_s为鱼类聚集效应常数,FAD_s=0.2;U分别为包含0和1的二进制向量;X_max、X_min分别为包含维数的上下限;P_reyr1、P_reyr2为猎物的随机位置。

2 数据集获取与预处理

2.1 数据获取

核电厂大部分时间都处于安全稳定的正常状态,因此故障数据较为稀缺^[27]。PCTRAN是美国MST公司开发的一款反应堆瞬态和事故模拟软件程序,能够模拟核电厂RCS的正常和故障状态^[11]。因此,采用PCTRAN软件对AP1000中的RCS进行模拟,模拟场景包括正常工况和典型事故工况。其中,正常工况标记为标签 S₀,典型事故工况包括以下七类,分别标记为标签 S₁~S₇:冷管段小破口(标签:S₁)、热管段小破口(标签:S₂)、冷管段大破口(标签:S₃)、热管段大破口(标签:S₄)、蒸汽发生器传热管破裂(A段,标签:S₅)、蒸汽发生器传热管破裂(B段,标签:S₆)以及失流(标签:S₇)^[28]。各工况的模拟时间及生成的样本数量如表1所示,每条样本包含83个参数(包括RCS压力、RCS平均温度和RCS冷却剂流量等)及其对应的分类标签。

2.2 数据预处理

为了保持样本数据的连续性并保留更丰富的特征信息,首先应用极差归一化方法,对特征参数进行归一化处理,以消除不同特征之间的量纲差异。此外,为避免特征参数冗余,将标准差为0的特征参数予以剔除,以确保数据集的简洁性和有效性。由于PCTRAN模拟出的数据采样间隔为1 s,考虑到数据前后间的相关性,采用滑动窗口方法对样本数据进行重构。鉴于RCS典型事故持续时间较短,使用较小步长和较大的滑动窗口长度有助于捕获数据的快速变化及提取在序列中的隐藏特征,因此,将滑动窗口步长设为1,滑动窗口长度设为40,从而将二维数据重构为新的样本,并将重构后的样本集按训练数据集70%和测试数据集30%的比例随机划分。

3 核电厂RCS故障诊断MPA-TCN-GRU模型构建

试验环境为Window11 (64 bit)、2.5 GHz CPU(Intel i5-13500)、16 GB内存。使用Visual Studio Code为开发工具,Python作为编程语言,PyTorch、Keras为深度学习框架。

3.1 RCS故障诊断TCN-GRU模型构建

核电厂RCS是一个高度复杂的工业系统,其故障诊断具有非线性、高维性和时序依赖性等特征。传统的单一模型通常难以有效诊断出RCS的复杂特征,导致诊断准确率不足。提出基于TCN-GRU的RCS故障诊断模型,充分结合TCN的强大的特征提取能力和GRU的捕捉时序依赖关系方面的优势。TCN-GRU模型的结构如图4所示,TCN-GRU模型由TCN模型、GRU模型和全连接层组成。首先,应用TCN模型提取时间序列的特征信息;其次,将TCN提取的特征信息输入GRU模型中,捕获特征数据的时间依赖关系;然后,通过全连接层进行维度变化;最后,通过softmax分类器,输出诊断结果,实现对RCS故障类型的诊断。

3.2 MPA优化TCN-GRU模型的超参数

TCN-GRU模型是一种结合了TCN和GRU的深度学习模型,其在时间序列诊断任务中展现出优异的性能。然而,该模型的性能依赖于超参数的合理设置,包括TCN的卷积核数量、GRU的神经元数量、学习率、Dropout。为了提升模型的效率和诊断准确率,应用MPA来寻找TCN-GRU模型的最优超参数。具体步骤如下。

步骤1 初始化MPA参数。设定参数维度为4、参数取值范围(如TCN的卷积核数量、GRU的神经元数量、学习率和Dropout)、种群规模为10和最大迭代代数为30。

步骤2 确定猎物初始位置。随机初始化TCN-GRU模型的超参数,包括TCN的卷积核数量、GRU的神经元数量、学习率等。

步骤3 计算适应度值。以分类准确率作为适应度函数,计算种群中每个个体的适应度值,保留最优个体,生成精英矩阵。

步骤4 更新猎物位置和精英矩阵。根据猎物的生命周期,以不同的速度比搜寻猎物,更新矩阵P_rey,调整TCN-GRU模型的超参数。保存当前最优的捕食者(即最优超参数组合),更新E_lite矩阵。

步骤5 跳出局部最优。通过解决涡流形成和鱼类聚集效应问题,避免陷入局部最优解,进一步优化TCN-GRU模型的超参数。

步骤6 终止条件判断。若迭代代数超过最大迭代代数,跳出循环,输出最优超参数组合;否则返回步骤4继续优化。

超参数的取值范围和最优值如表2所示。

3.3 RCS故障诊断MPA-TCN-GRU模型构建

提出一种RCS故障诊断MPA-TCN-GRU模型,模型的整个流程如图5所示。

首先,采用PCTRAN仿真软件模拟RCS在不同工况下的运行状态,获取多维时间序列数据,并对模拟数据进行预处理及数据集划分;其次,结合TCN模型在复杂非线性特征提取方面的优势,以及GRU模型能够捕获时间序列长依赖能力,构建TCN-GRU模型;随后,初始化MPA超参数并设置寻优范围;最后,通过MPA对TCN-GRU模型超参数进行优化,构建基于MPA-TCN-GRU的RCS故障诊断模型。

4 结果与讨论

通过对比分析不同故障诊断模型的诊断准确率,验证基于MPA-TCN-GRU核电厂RCS故障诊断模型的高效性和可靠性。

4.1 故障诊断结果

计算核电厂RCS故障诊断MPA-TCN-GRU模型的诊断准确率,计算公式为

(15)A_cc=

$\frac{{N}_{right}}{{N}_{total}}$

×100%

式(15)中:N_right为被正确诊断的样本数量;N_total为样本总数。

为减少实验结果的偶然性,确保模型的可靠性和稳定性,进行10次独立实验,并将实验结果的平均值作为最终结果。实验结果表明,该模型的平均诊断准确率达到99.67%,充分验证了其在故障诊断任务中的稳定性和可靠性。

4.2 模型验证

为进一步验证MPA-TCN-GRU故障诊断模型的高效性和可靠性,将MPA-TCN-GRU模型与TCN、GRU和TCN-GRU模型进行对比分析,各模型的参数设置如表3所示,其中将表2中卷积核的数量的平均值作为TCN和TCN-GRU的参数^[29],GRU模型参数参考文献[30]中的数据进行设置。对比模型的诊断准确率,结果如表4所示。

从实验结果可以看出,各模型在训练集和测试集上的表现存在显著差异。具体而言,TCN模型在训练集和测试集上的准确率分别为96.80%和97.03%,表现出较高的稳定性,但其性能存在一定局限性,这可能源于其单一的时间卷积结构在处理复杂动态变化时的不足。相比之下,GRU模型在训练集和测试集上的准确率分别为96.51%和96.74%,略低于TCN模型,这一性能差距可能归因于GRU在处理长序列依赖关系时的局限性。TCN-GRU模型在训练集和测试集上的准确率分别为97.70%和97.66%,相较于单一TCN模型和GRU模型,其性能显著提升,这可能得益于TCN-GRU模型融合了TCN能够捕捉时间序列中的长期依赖关系和GRU擅长处理序列数据中的动态变化的优势,从而更好地捕捉时间序列中的长期依赖关系和复杂动态变化。然而,MPA-TCN-GRU模型的表现更为突出,其在训练集和测试集上的准确率分别达到99.68%和99.67%。这优异表现归因于其结合了TCN和GRU的优势,并使用MPA进行对其超参数优化。

图6为MPA-TCN-GRU模型在训练过程中的准确率与损失值变化曲线。与GRU、TCN和TCN-GRU模型相比,MPA-TCN-GRU模型收敛迅速、波动较小,在相同训练轮数内能够取得更高的准确率和更低的损失值。当训练轮次达到100轮时,MPA-TCN-GRU模型的准确率接近99.7%,损失值仅为0.058,显示出良好的稳定性和收敛性能。

图7给出了GRU、TCN、TCN-GRU以及MPA-TCN-GRU模型在测试集上的混淆矩阵。混淆矩阵是评估分类模型性能的重要工具,其行表示真实类别,列表示诊断类别,对角线元素表示正确分类的样本数,非对角线元素则反映误分类情况。其中色标对应的数值是各工况的样本数量。由图7可知,GRU模型在RCS冷管段大破口和热管段大破口工况上存在较为明显误诊断,这可能由于两种事故工况属同一类事故但不同程度,导致模型容易混叠;TCN模型通过捕捉局部依赖关系,显著提升了这两种工况上的诊断准确性,但在处理长序列依赖时仍存在局限;TCN-GRU模型结合了TCN和GRU的优势,使得误分类情况减少;在此基础上,而MPA-TCN-GRU模型通过引入MPA优化超参数,进一步减少误诊断率。此外,在其他工况下,4种模型均能保持较高的诊断性能,显示出良好的适应性与鲁棒性。

综上所述,MPA-TCN-GRU模型在RCS故障诊断中表现突出,显著优于TCN、GRU和TCN-GRU模型,为核电厂RCS故障诊断提供了一种高效、可靠的解决方案。

5 结论

基于反应堆瞬态和事故模拟软件程序PCTRAN生成的数据,提出了一种RCS故障诊断MPA-TCN-GRU模型。通过实验和对比分析,得出如下主要结论。

(1)相比较于单一的诊断模型,TCN-GRU模型通过结合TCN强大的特征提取能力和GRU捕捉时序依赖关系的优势,实现了模型间的优势互补,提高了模型的鲁棒性与准确性,降低了模型的误诊断率。

(2)MPA的引入有效解决了TCN-GRU模型中超参数难以寻优的问题。MPA凭借其强大的全局搜索能力和快速收敛特性,优化了TCN的卷积核数量、GRU的神经元数量、学习率以及Dropout超参数,使模型具备了可靠性、泛化性和自适应性,进一步提高了模型的效率和诊断准确率。

(3)通过对比分析RCS故障诊断MPA-TCN-GRU模型与TCN、GRU及TCN-GRU模型在训练集准确率、训练集损失值曲线及测试集的混淆矩阵的表现,验证了所构建的核电厂RCS故障诊断MPA-TCN-GRU模型的高效性和可靠性。

本文模型在核电厂RCS故障诊断中具有较高的效率和诊断准确率,增强了核电厂异常状态早期识别能力,为中国核电技术发展提供重要参考。但是在不确定性条件下的诊断准确率还有待提升。在后续工作中,将进一步开展对于不确定性工况研究分析。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Jamil F, Abid M, Haq I, et al. Fault diagnosis of Pakistan research reactor-2 with data-driven techniques[J]. Annals of Nuclear Energy, 2016, 90: 433-440.

[2]	Sheng G, Mu Y, Zhang B. ECOC-based integrated learning method for fault diagnosis in nuclear power plants[J]. Applied Mathematics and Nonlinear Sciences, 2024, 9(1): 1-19.

[3]	吴韬. 反应堆冷却剂系统故障分析与智能诊断专家系统的研究[D]. 北京: 华北电力大学, 2017.

[4]	Wu Tao. Study of reactor coolant system fault analysis and intelligent diagnosis expert system[D]. Beijing: North China Electric Power University, 2017.

[5]	崔凯鑫. 数据与知识双驱动的带钢连轧过程故障诊断研究[D]. 唐山: 华北理工大学, 2023.

[6]	Cui Kaixin. Study on fault diagnosis of strip rolling process driven by data and knowledge[D]. Tangshan: North China University of Science and Technology, 2023.

[7]	李夏洋, 刘倡, 杨晓锋, 等. 基于数据-知识协同驱动的轨道电路故障诊断策略[J]. 铁道科学与工程学报, 2024, 21 (12): 5276-5288.

[8]	Li Xiayang, Liu Chang, Yang Xiaofeng, et al. A fault diagnosis strategy for track circuits based on data-knowledge collaboratively driven[J]. Journal of Railway Science and Engineering, 2024, 21(12): 5276-5288.

[9]	刘路, 史贤俊. 基于模型与数据驱动的自适应模糊规则故障诊断方法[J]. 海军航空大学学报, 2023, 38(4): 368-374.

[10]	Liu Lu, Shi Xianjun. Adaptive fuzzy rule fault diagnosis method based on model and data driven[J]. Journal of Naval Aviation University, 2023, 38(4): 368-374.

[11]	Yu M, Dai B, Yu G, et al. Fault diagnosis of wearable temperature sensors based on multi-scale feature extraction[C]// IEEE International Conference on Information Technology, Big Data and Artificial Intelligence (ICIBA). New York: IEEE, 2020: 1053-1057.

[12]	武美君. 基于数据驱动与有向图模型的动力电池系统故障诊断研究[D]. 武汉: 武汉理工大学, 2021.

[13]	Wu Meijun. Research on fault diagnosis of power battery system based on data-driven and directed graph model[D]. Wuhan: Wuhan University of Technology, 2021.

[14]	Lee S H, No Y G, Na M G, et al. Diagnostics of loss of coolant accidents using SVC and GMDH models[J]. IEEE Transactions on Nuclear Science, 2010, 58(1): 267-276.

[15]	Mwaura A, Liu Y. Adaptive neuro-fuzzy inference system (ANFIS) based modelling of incipient steam generator tube rupture diagnosis[J]. Annals of Nuclear Energy, 2021, 157: 108262.

[16]	朱佳浩, 戴滔, 隋阳, 等. 核反应堆冷却剂系统故障诊断动态模糊径向基神经网络模型[J]. 科学技术与工程, 2025, 25(11): 4567-4573.

[17]	Zhu Jiahao, Dai Tao, Sui Yang, et al. Dynamic fuzzy radial basis function neural network model for fault diagnosis in nuclear reactor coolant system[J]. Science Technology and Engineering, 2025, 25(11): 4567-4573.

[18]	张春元. 基于SSA-CNN-LSTM模型的核电站故障诊断方法研究[D]. 衡阳: 南华大学, 2023.

[19]	Zhang Chunyuan. Fault diagnosis of nuclear power plant based on SSA-CNN-LSTM model[D]. Hengyang: University of South China, 2023.

[20]	戴滔, 隋阳, 郑梦琰. 核电厂反应堆冷却剂系统故障诊断模型[J]. 科学技术与工程, 2024, 24(35): 15042-15047.

[21]	Dai Tao, Sui Yang, Zheng Mengyan. Model for fault diagnosis of reactor coolant system for nuclear power plants[J]. Science Technology and Engineering, 2024, 24(35): 15042-15047.

[22]	Liu Z, Liu T, Peng G. Optimization of BP neural network for fault parameter prediction in nuclear power plants utilizing the firefly algorithm[J]. Journal of Nuclear Science and Technology, 2024, 62(1): 86-97.

[23]	于巍峰. 基于流形学习的核电厂RCS故障诊断方法研究[D]. 哈尔滨: 哈尔滨工程大学, 2018.

[24]	Yu Weifeng. Research on fault diagnosis method for RCS of nuclear power plants based on manifold learning[D]. Harbin: Harbin Engineering University, 2018.

[25]	Chen F, Dong X, Luo Y, et al. Research on the prediction of LOCA condition in nuclear power plants based on GRU recurrent neural network and its variants[J]. Quality and Reliability Engineering International, 2024, 40(2): 759-782.

[26]	李悦, 阴彦磊, 易斌. 融合双重注意力机制与TCN的复杂生产过程工艺质量精准预测[J/OL]. (2025-03-03)[2025-04-23]. https: //doi.org/10.13196/j.cims.2024.0364.

[27]	Li Yue, Yin Yanlei, Yi Bin. Accurate prediction of process quality in complex production processes incorporating dual attention mechanism and TCN[J/OL]. (2025-03-03)[2025-04-23]. https: //doi.org/10.13196/j.cims.2024.0364.

[28]	贾现广, 刘欢, 冯超琴, 等. 基于混合卷积-递归神经网络的共享单车出入流预测[J]. 科学技术与工程, 2025, 25(5): 2127-2134.

[29]	Jia Xianguang, Liu Huan, Feng Chaoqin, et al. Prediction of shared bicycle inflow and outflow based on Conv3D-GRU neural network[J]. Science Technology and Engineering, 2025, 25(5): 2127-2134.

[30]	邓强, 王航, 彭敏俊, 等. 基于时间卷积胶囊网络的核动力装置事故诊断技术研究[J]. 原子能科学技术, 2023, 57(2): 302-312.

[31]	Deng Qiang, Wang Hang, Peng Minjun, et al. Research on accident diagnosis technology of nuclear power plant based on time convolution capsule network[J]. Atomic Energy Science and Technology, 2023, 57(2): 302-312.

[32]	Qian G, Liu J. Fault diagnosis based on gated recurrent unit network with attention mechanism and transfer learning under few samples in nuclear power plants[J]. Progress in Nuclear Energy, 2023, 155: 104502.

[33]	Li Z, Wang Z, Wang J, et al. A novel TCN-GRU based open set method for unknown damage diagnosis[J]. Measurement Science and Technology, 2024, 36(1): 016168.

[34]	Wang X, Xu D. Research on fault diagnosis method of CNC machine tools based on integrated MPA optimised random forests[J]. EAI Endorsed Transactions on Scalable Information Systems, 2024, 11(5): 5785.

[35]	金国强. 基于深度学习的复杂工况下端到端的滚动轴承故障诊断算法研究[D]. 合肥: 中国科学技术大学, 2020.

[36]	Jin Guoqiang. Research on end-to-end bearing fault diagnosis based on deep learning under complex conditions[D]. Hefei: University of Science and Technology of China, 2020.

[37]	朱美恒, 陈兆庚, 张冬梅, 等. 基于AWPSO-GRU算法的盾构掘进姿态预测方法: 以上海市域铁路机场联络线为例[J]. 科学技术与工程, 2025, 25(14): 6062-6071.

[38]	Zhu Meiheng, Chen Zhaogeng, Zhang Dongmei, et al. Prediction method of shield tunneling attitude based on AWPSO-GRU algorithm: taking the Shanghai suburban railway airport connection line as an example[J]. Science Technology and Engineering, 2025, 25(14): 6062-6071.

[39]	Al-Betar M. A, Awadallah M. A, Makhadmeh S. N, et al. Marine predators algorithm: a review[J]. Archives of Computational Methods in Engineering, 2023, 30(5): 3405-3435.

[40]	胡万平, 张贵宇, 张云龙, 等. 基于KPCA-MPA-ELM的n/γ甄别方法研究[J]. 核技术, 2024, 47(4): 75-84.

[41]	Hu Wanping, Zhang Guiyu, Zhang Yunlong, et al. Neutron/gamma(n/γ) discrimination method based on KPCA-MPA-ELM[J]. Nuclear Techniques, 2024, 47(4): 75-84.

[42]	艾鑫. 核电厂一回路系统智能故障诊断方法研究[D]. 哈尔滨: 哈尔滨工程大学, 2020.

[43]	Ai Xin. Research on intelligent fault diagnostic method for primary loop system of nuclear power plant[D]. Harbin: Harbin Engineering University, 2020.

[44]	杨熙宇. 反应堆冷却剂系统故障分析及诊断[D]. 北京: 华北电力大学, 2016.

[45]	Yang Xiyu. Fault analysis and diagnosis for reactor coolant system[D]. Beijing: North China Electric Power University, 2016.

[46]	刘俊宏, 富斯源, 王亚君. 基于优化TCN组合模型的短期光伏功率预测[J]. 科学技术与工程, 2025, 25(15): 6378-6388.

[47]	Liu Junhong, Fu Siyuan, Wang Yajun. Short-term PV power prediction model based on optimized TCN combination model[J]. Science Technology and Engineering, 2025, 25(15): 6378-6388.

[48]	罗世华, 董力豪, 王栋, 等. 基于VMD-TCN-GRU组合模型的高炉透气性指数预测[J]. 中国冶金, 2025, 35(5): 150-160.

[49]	Luo Shihua, Dong Lihao, Wang Dong, et al. Prediction for blast furnace permeability index based on VMD-TCN-GRU combined model[J]. China Metallurgy, 2025, 35(5): 150-160.

基金资助

国家自然科学基金(52174189)

湖南省杰出青年科学基金(2023JJ10035)

PDF (8773KB)

访问

被引

详细

导航

Received	Published	Revised
2025-04-23	2026-03-18	2025-12-14
Online Date
2026-06-26

摘要