日前，合肥研究院汪建业课题组在核电厂复杂系统智能故障诊断方法研究方面获得新进展。该研究基于数据驱动的方法建立了核电厂复杂系统的故障诊断模型，发展了一套基于带精英保留策略的非支配遗传算法和卷积神经网络算法相结合的自适应故障诊断方法，为核电厂复杂系统的故障诊断提供了理论和方法支持。

　　

　　核电站是通过适当的装置将核能转变成电能的设施。以核燃料在核反应堆中发生特殊形式的“燃烧”产生热量，使核能转变成热能来加热水产生蒸汽。核电站的系统和设备通常由两大部分组成：核的系统和设备，又称为核岛;常规的系统和设备，又称为常规岛。

　　

　　智能故障诊断是人工智能和故障诊断相结合的产物，主要体现在诊断过程中领域专家知识和人工智能技术的运用。它是一个由人(尤其是领域专家)、能模拟脑功能的硬件及其必要的外部设备、物理器件以及支持这些硬件的软件所组成的系统。

　　

　　智能故障诊断把抖能护制应用到故障诊断中，根据观察到的状况、领域知识和经验、推断出系统、部件或器官的故障原因，以便尽可能发现和排除故障，以提高系统或装备的可靠性。智能故障诊断系统一般由知识库(故障信息库)、诊断推理机构、接口和数据库等组成。

　　

　　

　　故障诊断是一种了解和掌握机器在运行过程中的状态，确定其整体或局部正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术，油液监测、振动监测、噪声监测、性能趋势分析和无损探伤等为其主要的诊断技术方式。系统故障诊断是对系统运行状态和异常情况作出判断，并根据诊断作出判断，为系统故障恢复提供依据。要对系统进行故障诊断，首先必须对其进行检测，在发生系统故障时，对故障类型、故障部位及原因进行诊断，最终给出解决方案，实现故障恢复。

　　

　　故障诊断的主要任务有：故障检测、故障类型判断、故障定位及故障恢复等。其中：故障检测是指与系统建立连接后，周期性地向下位机发送检测信号，通过接收的响应数据帧，判断系统是否产生故障;故障类型判断就是系统在检测出故障之后，通过分析原因，判断出系统故障的类型;故障定位是在前两部的基础之上，细化故障种类，诊断出系统具体故障部位和故障原因，为故障恢复做准备;故障恢复是整个故障诊断过程中最后也是最重要的一个环节，需要根据故障原因，采取不同的措施，对系统故障进行恢复。

　　

　　卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络” 。

　　

　　对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最 早出现的卷积神经网络;在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域 。

　　

　　卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。

　　

　　卷积神经网络的输入层可以处理多维数据，常见地，一维卷积神经网络的输入层接收一维或二维数组，其中一维数组通常为时间或频谱采样;二维数组可能包含多个通道;二维卷积神经网络的输入层接收二维或三维数组;三维卷积神经网络的输入层接收四维数组。由于卷积神经网络在计算机视觉领域应用较广，因此许多研究在介绍其结构时预先假设了三维输入数据，即平面上的二维像素点和RGB通道。

　　

　　与其它神经网络算法类似，由于使用梯度下降算法进行学习，卷积神经网络的输入特征需要进行标准化处理。具体地，在将学习数据输入卷积神经网络前，需在通道或时间/频率维对输入数据进行归一化，若输入数据为像素，也可将分布于 的原始像素值归一化至区间。输入特征的标准化有利于提升卷积神经网络的学习效率和表现。

　　

　　新闻来源：中国科学院合肥物质科学研究院