Диагностика неисправностей атомных электростанций на основе нейронной сети CNN–LSTM, оптимизированной алгоритмом поиска воробьёв

Атомная энергетика является разновидностью чистой и экологичной энергетики; однако при авариях существует риск утечки радиоактивных материалов. Такая утечка на атомных электростанциях может оказывать значительное воздействие на окружающую среду и безопасность персонала. Для повышения безопасности атомных электростанций и поддержки принятия решений операторами в аварийных ситуациях в данной работе предложен метод диагностики неисправностей атомных электростанций на основе сети свёрточной нейронной сети–долгой краткосрочной памяти (CNN–LSTM), оптимизированной алгоритмом поиска воробьёв (SSA). Сначала свёрточная нейронная сеть (CNN) извлекает признаки из данных, после чего нейронная сеть с долгой краткосрочной памятью (LSTM) обрабатывает их как временные ряды, формируя модель CNN–LSTM. Некоторые параметры LSTM необходимо настраивать вручную на основе опыта, причём их значения существенно влияют на общую эффективность модели. Поэтому в работе применён алгоритм поиска воробьёв, обладающий высокой поисковой способностью и быстрой сходимостью, для автоматической оптимизации параметров модели CNN–LSTM, настраиваемых вручную; в результате была получена модель SSA–CNN–LSTM. Эта модель классифицирует типы аварий, возникающих на атомных электростанциях, тем самым снижая риски для ядерной безопасности, обусловленные человеческими ошибками. Экспериментальные данные получены с помощью анализатора переходных процессов на персональном компьютере (PCTRAN). Результаты показывают, что точность классификации модели SSA–CNN–LSTM для задачи классификации неисправностей атомных электростанций достигает 98,24%, что на 4,80 и 3,14 процентного пункта выше, чем у нейронной сети LSTM и модели CNN–LSTM соответственно. Подтверждены превосходство алгоритма поиска воробьёв при оптимизации параметров модели, а также применимость и точность модели SSA–CNN–LSTM для диагностики неисправностей атомных электростанций.