基于LSTM循环神经网络的核电设备状态预测分析

门永伟

江苏核电有限公司 江苏连云港 222042

近几年，国内核电站的运转规模逐渐扩展，所用设备的复杂性也随之提升，使得对于设备状态的把控程度也有更高要求，其预测准确性也变得极为重要。因为核电设备形成的信息属于保密的范畴，再加上其他因素的影响，使得有关研究无法借助数据信息实现对机械工作状态的预测。所以，分析预测机械状态的方式具备实际价值。

1 核电系统中应用LSTM的现状

核电系统内部框架复杂，形成的数据与其结构复杂性呈正比。常规的设备预测方式有灰色预测、非线性滤波装置等，但此类方式仅能反映出因果循环，无法判断时序数据和装置工作状态的联系。当前，基于LSTM，利用核电装置的时序信息预测设备状态，已经有成功经验。比如，以LSTM为依托，建立摩擦模型，专门判断设备滚动摩擦，以预测出机械工作的摩擦指数。又如，将该神经网络形成的模型与分解算法联合应用，对轴承信息的本征模函数进行分量，获得信息和支持向量机加以比较，以此判断设备的状态。

2 有关理论分析

2.1 预处理

预处理为发掘信息的关键一步，要求提供的原始信息有价值，但现实情况一般无法达到。而利用预处理，将专业知识当成“向导”，梳理原始数据，去除与预测对象无关的因素，由此建立出更为精准的数据模型。有关此方面的理论及方式有多种，但在核电设备此种较为复杂地预处理上，还未出现切实深入地分析。相关表达式为：

其中，x是实验数据，µ是平均数，σ是标准差。

2.2 LSTM

该种神经网络是基于常规相关结构设计，增加时序数据，以提高预测环境的适应度。传统的RNN模型本身有梯度消失及爆炸的弊端，难以长时间工作，同时，使用该模型需实现设置处理窗口长度，而此参数无法准确把握。LSTM属于RNN的一种变体，其在基础模型上，添加记忆单元，由此达到对时序数据的监控。各序列信息会在各单元传递期间，经过多道可控门，把控以往与实时信息的遗忘指数，以此实现长期记忆，利用此种模式，LSTM切实改进原本的缺陷，提高预测效率。

2.3 梯度运算

此项算法是目前相关机械领域应用频率较高的调整方式，现如今已经形成多个版本的运算方式，即Adam、RMSProp、SGD等。以SGD为例，其是在确定样本范围内，运用随机抽样方式获得一定容量的样本，以此代表整个样本。此种处理形式可以在确定样本范围的基础上，快速得出结果。其可避免由于样本数量增加而影响运算效率的问题，控制机械资源占用率[1]。

3 基于LSTM循环神经网络建立预测模型

3.1 初建模型

预测参考的数据为单变量时序信息，预测模型分成五个单元。其一，输入层，其负责简单整理预测所用的信息，设定数据集，实现对数据的规范化管理，确保数据分割等处理，适应预测模型的输入标准。其二，隐藏层，借助LSTM构建网络神经，其中系统中的遗忘门影响对神经元情况变化的保留量，而输入门负责确定设备当前相关数据的保留量，输出层则负责给出最终结果。利用SGD算法调整各数据的比重，兼顾准确度和效率。

3.2 训练预测

第一步，设置机械的原始状态下的时序数据。为满足隐藏层对于输入数据的要求，可采用分割方式整理数据集。

第二步，把整体分成两项内容，即train_x与train_y、test_x与test_y。第三步，把train_x,train_y传送至隐藏层中。根据初期对两类数据集进行的参数设计，二者比值是9:1，由此得到输出值与train_y都是 ( 0.9*t,L-m)。所以，使用均方误差进行计算。进行预测实验的目的是控制损失函数，基于差异化的学习率及窗口长度等，利用SGD进行数据权重调整，以形成更佳的数据模型。合理运用LSTM对机械状态加以预测，并把test_x传送至数据模型中，并借助test_y得到较为精确的预算结果[2]。

3.3 预测验证

首先，确认数据集，预测对象是核电机械中的主泵绕组，以温度参数为预测指标。此项参数能直接反映出核电机械工作状态，而温度是否处于适宜范围内，决定机械当前的工作情况。本次预测实验以1条/min的频率进行数据采集，涉及到的数据超过370万。

其次，度量指标。实践训练选用的度量方法关乎最终运算准确程度，常用方法有三种，分别计算误差平方期望值、算术平方根以及平均数。为保障数据模型的运算准确性，一般会选用最后一种。

最后，预测结果。一方面，建立的模型参数准确性较好，使用差异化的窗口长度及学习率，进行模型实验。经过多次实验记录结果限制，在窗口长度是15，且学习率为0.02，此时该模型的状态预测质量为最佳状态，MAE值约等于0.03。另一方面，此模型和RNN、GRU相较。为验证该模型可以在多种工作状态下，是否可以保持稳定预测，实验期间通过调整隐藏层的数据，建立其他两种模型，同时，应用一样的数据展开实验，由此判断预测准确性。经实践数据显示，RNN数据模型预测状态最佳时的MAE值超过0.034，而GRU则超过0.032。通过数据对比，基本可以得出，LSTM的应用效果优于RNN及GRU[3]。

4 结语

根据实验结果显示，LSTM的应用性能较佳，且其在学习率的参数确定方面，有较高的敏感度，即使有细微地调整，也会改变最后结果的精度，但其训练周期相对偏长。简单而言，已经证实LSTM的使用效果，并拓宽实际预测范畴。根据现今核电机械的运转状态，应当继续深化在隐藏层以及最佳参数等方面的分析，以更好地掌握核电设备的工作状态。