【
仪表网 仪表研发】近日，中科院合肥研究院核能安全所戈道川课题组与香港城市大学先进制造与系统工程系谢旻教授团队合作，在复杂系统故障预测与健康管理软测量技术研究中取得进展。相关成果在线发表在领域内权威期刊《IEEE工业信息学汇刊》(IEEE Transactions on Industrial Informatics )上。
核电、石油、化工等大型工业系统的物理化学反应、热质传递、热工水力过程十分复杂，建立精确的数学机理模型以实现对功率、负荷与温度等系统内在关键指标参数进行预测较为困难。随着人工智能技术不断发展，基于数据驱动的软测量技术逐渐成为工业过程系统状态监测、诊断与预测的重要研究方向，尤其是深度学习方法，因其强大的非线性映射能力，已成为领域内重要的研究热点之一。工业过程系统运行中，
传感器噪声会增大预测结果的不确定性，这将严重影响模型对实际监测数据的适应能力，降低预测准确性。
为解决该问题，核能安全所和香港城市大学研究人员提出一种端到端的混合深度网络架构。该架构包含三个重要模块：基于最大信息系数的参数变量选择模块，可实现对输入监测过程数据的特征选择功能；具有自适应软阈值结构的卷积残差消除模块，可实现噪声抑制功能；分布式连接的双向门控单元预测模块，可实现趋势预测功能。该架构能有效降低不同程度和不同类型噪声导致的不确定性，同时有助于利用相邻节点之间同类型监测数据中的冗余信息提高预测性能。
研究结果表明：基于已有的核能系统研究平台数据，所提架构在不同噪声环境下的预测精度比单独使用传统深度网络如卷积网络、信念网络更加优异。此外，与使用传统去噪方法如变分模态分解、经验小波变换相比，在预测精度上相近，但在整体模型训练复杂度上更有优势。相关研究成果将有助于进一步推动核能系统故障预测与健康管理技术的深入发展，同时可为其他工业过程系统软测量技术提供参考，具有广泛的应用前景。
该项研究工作获得了国家自然科学基金面上项目、中国博士后面上基金项目和香港特区研究资助局项目、香港特区科技创新署项目的支持。
图1基于深度混合网络的预测框架示意图
图2针对不同预测指标不同模型的训练时间的比较结果(a)堆芯入口温度监测指标(b)蒸汽
发生器出口温度监测指标
本站客户服务
仪表网官微
仪表APP
仪表手机版
仪表小程序
