【儀表網 儀表研發】近日，中科院合肥研究院核能安全所戈道川課題組與香港城市大學先進制造與系統工程系謝旻教授團隊合作，在復雜系統故障預測與健康管理軟測量技術研究中取得進展。相關成果在線發表在領域內權威期刊《IEEE工業信息學匯刊》(IEEE Transactions on Industrial Informatics )上。
核電、石油、化工等大型工業系統的物理化學反應、熱質傳遞、熱工水力過程十分復雜，建立精確的數學機理模型以實現對功率、負荷與溫度等系統內在關鍵指標參數進行預測較為困難。隨著人工智能技術不斷發展，基于數據驅動的軟測量技術逐漸成為工業過程系統狀態監測、診斷與預測的重要研究方向，尤其是深度學習方法，因其強大的非線性映射能力，已成為領域內重要的研究熱點之一。工業過程系統運行中，傳感器噪聲會增大預測結果的不確定性，這將嚴重影響模型對實際監測數據的適應能力，降低預測準確性。
為解決該問題，核能安全所和香港城市大學研究人員提出一種端到端的混合深度網絡架構。該架構包含三個重要模塊：基于最大信息系數的參數變量選擇模塊，可實現對輸入監測過程數據的特征選擇功能；具有自適應軟閾值結構的卷積殘差消除模塊，可實現噪聲抑制功能；分布式連接的雙向門控單元預測模塊，可實現趨勢預測功能。該架構能有效降低不同程度和不同類型噪聲導致的不確定性，同時有助于利用相鄰節點之間同類型監測數據中的冗余信息提高預測性能。
研究結果表明：基于已有的核能系統研究平臺數據，所提架構在不同噪聲環境下的預測精度比單獨使用傳統深度網絡如卷積網絡、信念網絡更加優異。此外，與使用傳統去噪方法如變分模態分解、經驗小波變換相比，在預測精度上相近，但在整體模型訓練復雜度上更有優勢。相關研究成果將有助于進一步推動核能系統故障預測與健康管理技術的深入發展，同時可為其他工業過程系統軟測量技術提供參考，具有廣泛的應用前景。
該項研究工作獲得了國家自然科學基金面上項目、中國博士后面上基金項目和香港特區研究資助局項目、香港特區科技創新署項目的支持。
圖1基于深度混合網絡的預測框架示意圖
圖2針對不同預測指標不同模型的訓練時間的比較結果(a)堆芯入口溫度監測指標(b)蒸汽發生器出口溫度監測指標
所有評論僅代表網友意見，與本站立場無關。