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：