0.   引　言

核动力装置仪表与控制（I&C）系统数字化程度日益提高，数据处理与分析能力也日益增强。目前所提出的各种方法，其普遍的应用前提都是I&C系统所采集的运行数据是准确而完备的。但是，I&C系统中的数据采集、传输以及存储设备工作环境较为恶劣，设备故障和外界干扰会导致所采集的运行监测数据出现缺失、漂移和跳跃等数据质量问题，造成所获取的数据与其真实值存在较大偏差。根据存在偏差的运行监测数据得到的分析结果可能会导致操作人员对装置的运行状态产生误判断，或导致自动控制器输出错误的控制信号。因此，需要研究可行且高效的方法，对核动力装置运行参数监测数据中出现的异常值进行检测和校正。

使用预测模型的“预测-异常检测”方法是目前被广泛认可的异常检测方法，该方法将预测值与每个时间点的观测值进行比较，如果两者的差值大于某一阈值，则将观测值视为异常值。因此，有必要研究可行、高效的运行数据预测方法，为异常检测提供参考^[1]。现有的时序数据预测方法包括基于统计的方法^[2]、基于相似度的方法^[3]、基于机器学习的方法^[4]、基于深度学习的方法^[5]等。

在早期的研究中，学者们倾向于选择基于专家知识和数学模型的方法进行数据预测^[6-7]。在后续发展中，用于核动力装置运行数据预测和异常检测的智能算法的选择逐渐转向数据驱动的方法，且取得了更好的应用效果^[8]。在数据驱动的核动力装置运行数据预测和异常检测方法中，人工神经网络是研究最广泛的方法^[9]。

L. O. Silva在文献[10]中指出，在数据挖掘背景下的文献中，很少有研究将异常数据考虑在内。在针对核动力装置运行数据的挖掘中，异常数据校正问题同样亟待解决，现有的相关研究还很少。分析上述研究成果可知，目前针对核动力装置运行数据预测与异常检测方法研究的对象多为某个特定参数或若干特定参数，缺少通用算法研究。同时，异常检测机制多为“预测-异常检测”，研究重点大多数集中于预测能力，而异常检测通常使用固定阈值判断方法，且缺少对检测出的异常值的处理手段研究。数据异常检测的目的是发现数据异常并对其进行校正，因此对异常数据的检测与校正算法应当同时被研究，当前研究多数将异常检测与校正功能剥离，占用计算资源较大，效率相对较低。针对上述问题，本文提出了基于门控循环单元（GRU）与多层感知机（MLP）融合模型的核动力装置运行监测数据预测、异常检测与校正的一体化方法。

1.   算法设计

1.1   算法总体策略

所设计算法的基本策略见图1。首先使用GRU模型对参数值进行预测，然后使用MLP模型比较采集值与对应的预测值，得出异常检测结论，并使用预测值替换异常数据。

图  1  GRU-MLP融合模型算法策略示意图

Figure  1.  Schematic Diagram of GRU-MLP Model Algorithm Strategy

下载: 全尺寸图片 幻灯片

1.2   算法原理

核动力装置运行数据是典型的时间序列数据，循环神经网络（RNN）相较其他模型更适用于这种时间序列数据处理^[11]。为解决当RNN的输入时间序列较长产生的梯度爆炸和梯度消失的问题，Cho等提出了GRU结构^[12]。

GRU模型使用重置门r提取历史隐藏信息中包含的短时记忆信息；使用更新门z将新时刻的内容更新至历史隐藏信息中，z与r的开度计算式分别为：

式中， ${\boldsymbol{\sigma}} (x) = \dfrac{1}{{1 + {{\text{e}}^{ - x}}}}$ 、 ${{{{\boldsymbol{W}}}}^{\rm{r}}}$ 、 ${{{{\boldsymbol{W}}}}^{\rm{z}}}$ 分别为GRU单元、更新门和重置门的权重矩阵； $\dfrac{{\boldsymbol{x}}^{t}}{{\boldsymbol{h}}^{t-1}}$ 为输入向量x^t与上一时刻输出的隐状态向量h^t−1的拼接矩阵。z∈(0,1)，从而实现“记忆-遗忘”步骤的合并。GRU模型最终输出为当前时刻结论y^t与传递至下一时刻的隐藏信息h^t，如式（3）和式（4）所示：

式中， ${\boldsymbol{W}}_{\mathrm{o}} $ 为输出节点权重矩阵；b_o为输出节点的偏置；⊙表示矩阵元素对应相乘；+表示矩阵加法； ${\boldsymbol{h}}^{\boldsymbol{{'}}t-1}={\boldsymbol{h}}^{t-1}\odot \boldsymbol{r}$ ，表示隐藏的历史信息h^t−1经过r处理后提取的短时记忆信息； ${\boldsymbol{h}}' = \tanh \left[ {{\boldsymbol{W}}\left( {\dfrac{{{{\boldsymbol{x}}^t}}}{{{{{\boldsymbol{h}}}'^{t - 1}}}}} \right)} \right]$ ，表示短时记忆 ${{\boldsymbol{h}}'^{t - 1}}$ 与外部输入向量x^t整合后形成的当前时刻信息；(1−z )表示遗忘，(1−z )∈(0,1)。

传统的“预测-异常检测”机制采用固定阈值来判断检测点是否为异常值，即若参数的采集值与预测值的差值超过一个设定的值，就将其判定为异常值，其数学函数为阶跃函数。在运行过程中，为避免数据的正常波动被识别为异常值，设计者必须放宽判定原则，即扩大阈值范围，因而导致误判较多。同时，GRU方法侧重对于时序数据的处理预测，而不适用于对数据异常进行直接检测^[13]。因此使用MLP方法完成异常检测阶段任务。MLP是最简单的误差反向传播算法（BP）神经网络模型之一，由大量最简单的神经元结构组成，利用大量神经元的功能叠加实现从输入状态空间到输出状态空间非线性映射的逼近，具有很强的自学习能力和对环境的自适应能力，其动态性能远强于阶跃函数。

使用O_i表示MLP的第i层的输出向量，计算式为:

式中，O_i-1为MLP模型的第 i−1层的输出向量；f_i为激活函数；W_i为MLP模型对应输出节点权重矩阵；b_i为MLP模型对应输出节点的偏置。

以历史数据对待检测时刻的预测值和数据采集装置在此时刻的采集值构成输入向量，形如[预测值，采集值]，最终输出仅为0或1（0表示未发生异常，1表示异常），经过训练实现对异常数据的识别，从而实现对基于固定阈值识别方法的改进，提高其非线性判定能力。

1.3   算法流程

核动力装置运行数据预测的目的是：①为采集值异常检测提供对照依据；②对确定为异常值的数据进行修复。核动力装置运行数据预测策略为“一维预测”，即利用待预测运行参数自身的历史值来预测该参数在未来时刻的值。使用该策略可以大幅减少x^t维度，提高运算速率。

采用滑动窗口方法对GRU模型进行训练。假设某核动力装置运行数据为a(t)，采样周期为τ，以长度为l的窗口沿时间顺序向后滑动，设窗口的起点时刻t=t₀，则终点t=t₀+(l−1)τ。将窗口内数据a(t₀)~a[t₀+(l−1)τ]输入GRU模型，以a(t₀+lτ)为结果标记进行迭代训练。时间窗口按照时间顺序向后滑动，每次滑动一个时间单位τ，依次进行训练，直至整个模型收敛达到预期。执行预测功能时，输入一段长度为l的数据，即可得出预测结果。以预测算法对t=t₀时刻核动力装置运行监测数据的预测值与当前时刻的采集值为输入训练MLP模型，对二者差值进行识别，从而对出现偏差的采集值进行检测。在得出采集值异常检测结论的基础上，使用GRU模型的预测结果替换被识别出的异常值，从而实现对核动力装置运行监测数据异常采集值的校正。

2.   数据异常识别能力验证实验

2.1   实验设计

本节使用某型核动力装置的实际运行监测数据作为实验数据进行实验，验证所设计算法的正确性。分析了当前核动力装置运行监测数据中存在的数据异常形式，通过人工模拟复现数据中的异常，构造异常数据，并将其叠加至实际运行监测数据中以获得实验对象，实验具体设计如表1所示。表中100随机点表示在选取的数据段中随机选100个点叠加均值−10%~10%的误差。该数据集τ = 1 s，经过参数调试，选取l = 5 s开展实验。为便于观察比较，所使用的运行监测数据均进行归一化处理，归一化公式为：

表  1  异常数据检测实验设置

Table  1.  Settings of Data Anomaly Detection Experiments

实验编号	异常类型		参数	数据长度/s	工况	异常开始时间/s	异常变化形式
1	随机跳变		稳压器压力	7000	15%稳态	100随机点	最大为均值的10%
2	固定值漂移		稳压器水位	5000	15%稳态	2500	均值的5%
3	增长性漂移	线性漂移	蒸汽发生器压力		30%稳态	2500	Δy=0.001×(t−2500)+0.00002
4		多项式漂移	一回路平均温度		15%稳态	2500	Δy=7×10−6×(t−2500)2+0.35
5		对数漂移	稳压器压力	3000	50%稳态	1800	Δy=ln (t−1800)
Δy —异常幅值随时间变化的函数

下载: 导出CSV 

| 显示表格

式中，X为原数据；Y为归一化后的数据；A为所选参数在实验区间内的最大值；B为所选参数在实验区间内的最小值。

所设计的GRU-MLP融合模型需要训练集与测试集2种数据集，前者用于对所构建的神经网络模型进行训练，后者用于测试所训练的模型性能，判断其是否收敛。按照一般方法，将每种参数的数据进行分割，取其前65%的连续数据构成训练集训练GRU-MLP融合模型；后35%构成测试集，测试GRU-MLP融合模型识别异常差值的能力。

由于所设计的预测策略为“一维预测”，因此使用实验数据本身对预测效果进行评估。具体评估方法为：对比同一时刻的数据真实值、采集值与预测值的差异，评估其预测准确性，其中真实值指参数实际的取值；采集值指叠加了异常数据的模拟数据采集系统采集的数值；预测值指使用所设计的方法预测得到的数值。

最后，使用检测准确率来评价数据异常检测效果，检测准确率的值为异常状态判断正确点数与总异常数据点数的比值。实验结果中同时给出了异常检测准确率随迭代训练次数的变化曲线，以说明所设计算法的快速收敛性能。

2.2   实验结果

经计算，所有实验预测过程中出现的最大相对误差为0.001487645，所设计的预测算法准确度较高，各组实验的异常检测平均准确率见表2。如图2和图3所示，异常检测准确率随模型迭代训练次数上升较快，训练20次左右即可使准确率平稳，可判定为模型收敛，能够使用。其最终的准确率绝大多数超过0.90，准确率最高的一组实验为图2所示的随机跳变异常检测实验；准确率最低的一组实验为图3所示的线性增长异常检测实验，最低不会低于0.85；随着数据量的积累，数据变化模式增多，准确率会进一步提升。

表  2  异常数据检测平均准确率

Table  2.  Average Accuracy of Data Anomaly Detection

实验编号		1	2	3	4	5
平均准确率	训练	0.9872	0.9945	0.8962	0.9750	0.9897
	测试	0.9734	0.9920	0.8873	0.9462	0.9804

下载: 导出CSV 

| 显示表格

图  2  随机跳变下数据异常检测准确率曲线

Figure  2.  Accuracy Curve of Data Anomaly Detection under Random Jump

下载: 全尺寸图片 幻灯片

图  3  线性增长下数据异常检测准确率曲线

Figure  3.  Accuracy Curve of Data Anomaly Detection Under Linear Growth

下载: 全尺寸图片 幻灯片

3.   方法泛化能力验证实验

3.1   实验设计

以某型核动力装置的实际运行监测数据为基础，构造实验数据集。选取了不同工况、不同运行状态下的运行监测数据，插入随机异常数据进行实验。其中，同一参数的数据预测与异常检测使用同一模型完成。实验设置细节如表3所示。通过表3中的实验设计验证所设计的方法的以下能力：

表  3  泛化能力验证实验设计

Table  3.  Settings of Generalization Ability Experiments

实验编号	工况	故障情况	参数	数据长度/s
1	15%额定功率/主泵低速	稳态运行	左回路冷却剂流量	500
2	15%额定功率/主泵高速	稳态运行	左回路冷却剂流量	500
3	15%额定功率/主泵高速	稳态运行	稳压器水位	500
4	50%额定功率/主泵高速	稳态运行	稳压器水位	500
5	50%额定功率/主泵高速	左回路热端破口（当量直径0.004 m）	稳压器水位	500

下载: 导出CSV 

| 显示表格

（1）通过对比同一模型对相同前进工况的不同主泵转速下的同一参数数据的预测与异常检测效果，证明所设计的方法的泛化能力。

（2）通过对比同一模型对不同前进工况的正常与故障状态下的同一参数数据的预测与异常检测效果，证明所设计的方法的泛化能力。

3.2   实验结果

表4给出了5组实验的异常数据识别的准确率。

表  4  异常检测准确率

Table  4.  Experiment Results

实验编号	1	2	3	4	5
异常识别 准确率	1.00	0.98	0.98	0.92	0.90

下载: 导出CSV 

| 显示表格

通过分析实验结果可以得出如下结论：

（1）对比实验1、2的结果可知，使用同一个模型分别对15%额定功率/主泵低速工况与15%额定功率/主泵高速工况下的左回路流量进行数据预测与异常数据检测，均得到了较高的准确率，证明了所设计算法对于同一参数的不同主泵工况的检测能力具有很强的兼容性，泛化性能好。

（2）对比实验3、4的结果可知，使用同一个模型分别对15%额定功率与50%额定功率工况下的稳压器水位进行数据预测与异常数据检测，均得到了较高的准确率，证明了所设计算法对于同一参数的不同前进工况的检测能力具有很强的兼容性，泛化性能好。

（3）对比实验3~实验5的结果可知，同一个模型对包含不同工况、正常运行状态与故障运行状态参数的预测准确性略有下降，但是其准确率依然保持在0.90以上，属于较高水平，进一步证明了所设计算法的优越性。

4.   实时校正算法性能实验

通过设计对比实验来验证本文实时校正算法的校正效果和重要作用。使用一段长度为600 s的稳压器压力采集值和真实值数据开展实验，其中采集值通过在真实值中插入50个随机误差值构建。

图4为未实时校正的GRU模型预测效果。图5显示了对预测过程中检测到的异常数据采用MLP算法进行实时校正的情况下，使用GRU模型的预测效果。通过对比2组实验结果可以看出，本文设计的实时校正算法能够有效减少离群值对预测效果的干扰，提高预测精度。

图  4  未实时校正的GRU模型预测效果

Figure  4.  Prediction Effect of GRU Model without Real-Time Correction

下载: 全尺寸图片 幻灯片

图  5  实时校正GRU模型的预测效果

Figure  5.  Prediction Effect of GRU Model with Real-Time Correction

下载: 全尺寸图片 幻灯片

5.   异常数据检测算法效果比较实验

通过对比实验验证所设计算法在性能上的优越性。共设计2组对比实验，该异常数据检测算法比较实验设置如表5所示。

表  5  异常数据检测算法比较实验设置

Table  5.  Settings of Experiment on Abnormal Data Detection Algorithms

异常类型	参数	数据长度/s	异常开始时间/s	异常点数
随机跳变	稳压器压力	600	随机	100
固定偏移		500	400	100

下载: 导出CSV 

| 显示表格

使用所设计的GRU-MLP融合模型与窗口中心值法（WinCen）和自回归移动平均模型法（ARIMA）进行对比，指标分别为状态判断正确率和异常数据检出率。实验结果如表6和表7所示。其中状态判断正确率为判断正确（包括正常状态与异常状态）的点数与总数据数的比值。异常数据检出率表示检测到的异常数据点的个数与总异常点个数的比值。

表  6  状态判断正确率

Table  6.  Accuracy of State Judgment

异常类型	GRU-MLP	WinCen	ARIMA
随机跳变	0.994	0.69	0.7633
固定偏移	0.9833	0.788	0.806

下载: 导出CSV 

| 显示表格

表  7  异常数据检出率

Table  7.  Anomaly Detection Rate

异常类型	GRU-MLP	WinCen	ARIMA
随机跳变	1	0.16	0.8
固定偏移	1	0.04	0

下载: 导出CSV 

| 显示表格

对比表6和表7可以看出，所设计的GRU-MLP融合模型性能上要远强于其他2种方法。特别是在异常数据检出率方面。主要原因如下：

（1）与常用方法相比，所设计的GRU-MLP融合模型利用预测值对检测到的异常数据进行实时校正，以减弱异常数据对GRU输出结论的干扰。然而，WinCen法和ARIMA法没有及时对异常数据进行校正，导致预测结果错误。具体表现为：WinCen法和ARIMA法对定值偏移实验中的正常数据预测得很好，但异常检测率很低。

（2）WinCen法和ARIMA法在进行异常数据检测时采用固定阈值策略。因此，在其设计过程中，设计者必须放宽判定准则，以避免将数据的正常波动认定为异常。在本文设计的方法中，采用MLP模型动态非线性拟合方式实现检测阈值的动态调整，提高了异常检测的准确性。

6.   结 论

基于GRU-MLP融合模型的核动力装置运行参数预测与异常检测方法相较于WinCen、ARIMA等传统方法具有准确率高、可实时校正数据等显著优势。本方法可以有效应用于核动力装置监测数据的异常检测和校正的工程实践。面向在线应用，可以将所设计算法作为独立模块接入核动力装置的数据采集端与数据存储应用端中间，以便与原始数据进行对比分析，从而发现传感器、数据传输与存储装置中存在的问题。面向离线应用，可以将存储装置中的离线数据输入本文所设计算法进行数据清洗，以获得高质量的运行数据呈现给专家或输入各种离线应用的人工智能算法进行进一步的数据分析，以反馈装置运行信息，为设备健康管理等功能服务。本文对所设计算法进行了不同参数异常检测能力验证、不同运行状态下参数异常检测能力验证。但是并未进行人工干预情况下的异常检测能力验证。其原因在于，不同运行人员的操作习惯不同，对运行状态变化的处置方法存在差异，用个别样例测试无法得出普适性结论。因此，将在后续工作中对运行人员干预进行归纳总结后进行进一步验证。