Идентификация динамики теплофизических процессов в

УДК 004.4(06) Технологии разработки программных систем
О.А. МИШУЛИНА, А.Н. САМАРЦЕВ
Московский инженерно-физический институт (государственный университет)
ИДЕНТИФИКАЦИЯ ДИНАМИКИ ТЕПЛОФИЗИЧЕСКИХ
ПРОЦЕССОВ В КОНТУРЕ ОХЛАЖДЕНИЯ РЕАКТОРНОЙ
УСТАНОВКИ В КЛАССЕ РЕКУРРЕНТНЫХ НЕЙРОСЕТЕЙ
В докладе ставится задача построения модели теплофизических параметров в
контуре охлаждения ядерной энергетической установки (ЯЭУ) с целью
последующей диагностики возможной течи теплоносителя. В качестве
математической модели используются рекуррентные нейронные сети (РНС) с
настраиваемыми синаптическими весами. Построен алгоритм поинтервального
обучения РНС, который ориентирован на работу в темпе реального времени.
Разработана программа, реализующая этапы обучения, тестирования и анализа
точности построенной нейросетевой модели.
Слежение за состоянием контура охлаждения реакторной установки и
диагностика возможных аварийных ситуаций является актуальной
проблемой при управлении ЯЭУ. Важнейшей задачей является
обеспечение безопасности функционирования реакторной установки. В
связи с этим возникает необходимость автоматизации задачи слежения за
состоянием теплофизических процессов (ТФП) и диагностики аварийных
ситуаций в контуре охлаждения реактора [1].
При возникновении течи в контуре охлаждения реактора меняется
характер динамики теплофизических процессов: реакция модели
номинального режима начинает заметно отличаться от реальных значений
ТФП контура охлаждения ЯЭУ. Это различие используется для
диагностики течи и определения её характера. Описанная выше задача
рассмотрена в статье [2], в которой модель ТФП строится с применением
многослойных нейронных сетей, что ограничивает класс допустимых
нейросетевых моделей и усложняет процесс вычислений.
Особенностью предложенного в настоящей работе алгоритма
идентификации динамики ТФП является использование в качестве модели
рекуррентных нейросетей [3-5], математической моделью которых
являются нелинейные разностные уравнения. Такая математическая
модель наиболее адекватно отражает эволюцию динамических процессов
благодаря наличию нелинейных обратных связей. РНС могут обучаться в
темпе реального времени функционирования динамического объекта
[6,7]. Особенностью предложенного метода обучения РНС является
поинтервальное использование поступающих данных для коррекции
ISBN 5-7262-0555-3. НАУЧНАЯ СЕССИЯ МИФИ-2005. Том 2
113
УДК 004.4(06) Технологии разработки программных систем
синаптических коэффициентов. В [8] для обучения РНС используется
метод NRTRL (normalised real time recurrent learning algorithm). В отличие
от него предложенный алгоритм обеспечивает большую гладкость
процесса настройки параметров и сглаживание локальных возмущений.
При использовании поинтервального обучения за счёт уменьшения
локальной точности идентификации вследствие введения запаздывания
увеличивается скорость обучения РНС и уменьшается объём требуемой
оперативной памяти.
Разработанное программное обеспечение позволяет строить
нейросетевые модели контура охлаждения ЯЭУ с помощью РНС,
визуализировать исходные данные и результаты нейросетевого
моделирования, исследовать точность полученных решений на тестовых
данных. Программа позволяет также проводить экспериментальные
исследования с различными алгоритмами обучения РНС, варьировать
параметры архитектуры нейросети.
Проведены
экспериментальные
исследования
разработанного
алгоритма на данных функционирования контура охлаждения реакторной
установки, полученных с помощью детализированной математической
модели ЯЭУ, реализованной в пакете ATHLET (германская фирма GRS).
В условиях нормального функционирования ЯЭУ ошибки модели
удовлетворяют заданным требованиям по точности, а при возникновении
течи теплоносителя ошибка значительно возрастает. Динамика ошибки
воспроизведения ТФП принципиально зависит от местонахождения течи.
Это свойство является основанием для дальнейшего построения
классификатора, который диагностирует течь, используя динамику
ошибки ТФП.
Список литературы
1. Эйкхофф П. Основы идентификации систем управления. М.: Мир, 1975
2. Деев В.И., Меринов И.Г. и др. Диагностика состояния слабо формализованной
динамической системы с применением нейросетевых моделей. ТиСУ, № 6, 1999.
3. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и
оптимизации систем. С.-П.: Наука и техника, 2003.
4. Intelligent technologies for nuclear power system: heuristic and neural tools, Ephraim
Nissan, School of Computing and Mathematical Sciences, Version of January, 12, 1998 1993.
5. Soft computing technologies in nuclear engineering applications, Robert E.Uhrig,
Lefteri H.Tsoukalas, Progress in Nuclear Energy, Vol.34, №1, p. 13-75, 1999.
6. Hristev. R.M. The ANN-book, GNU Public Licence, 1998.
7. Осовский С. А. Нейронные сети для обработки информации. М.: Финансы и
статистика, 2004.
8. Danilo P.Mandic, Jonothon A. Chambers A normalised real time recurrent learning
algorithm. Signal Processing 80 (2000) 1909-1916.
ISBN 5-7262-0555-3. НАУЧНАЯ СЕССИЯ МИФИ-2005. Том 2
114
УДК 004.4(06) Технологии разработки программных систем
ISBN 5-7262-0555-3. НАУЧНАЯ СЕССИЯ МИФИ-2005. Том 2
115