3. Jelminősítés
3.3. Detektorminősítés
3.3.2. Spektrumvizsgálatok
3.3.2.1. Neurális háló
Egy rendszer állapothatározóiban beállt változások kimutatására a rendszert leíró pontos modellekre vagy megfelelő szakértői tudásra van szükség, amely tudás mibenlétét esetenként nehéz pontosan körül-határolni, és még nehezebb automatikusan döntést hozó algoritmusokra lefordítani. A neurális hálókat éppen az tette vonzóvá, hogy a változások észrevételéhez nincs szüksége a mögöttes technológia fizikai modelljére, hanem csak a normálállapotok megtanulására. (A reaktor folyamatváltozóinak minősítésére jól működő neurális háló alkalmazást készített P. Fantoni és A. Mazzola a Halden Reactor Project keretében [49].) Az ipari alkalmazásoknál a neurális hálók tréningje mindenképpen nehezebb feladat, mint pl. a karakterfelismerésé. (Amíg pl. egy postai feldolgozóban tetszőleges számban lehet a legkü-lönbözőbb kézírással írt számokhoz, illetve betűkhöz jutni, addig egy nagy ipari berendezés a normális működési tartományának is csak egy szűk sávjában mozog, és ezen aligha változtatnak egy neurális algoritmus tanítása érdekében.) Bizonyos esetekben a neurális háló azon előnye, hogy nem tartalmaz fizikai modelleket, egyben hátránya is, mivel így tudását a tanítási folyamat alapossága határozza meg, ez pedig magában hordozza a tévedés lehetőségét is. Az eljárással szemben idegenkedést válthat ki, hogy a módszer döntési folyamata az ember számára nem áttekinthető. Ennek ellenére ott, ahol egy esetlege-sen téves ítéletnek nincs súlyos következménye, a módszer nyugodtan alkalmazható. Tapasztalatszerzés céljából megvizsgáltuk, hogy a neurális háló mennyire alkalmazható zajspektrumok osztályozására. A vizsgálat eredményét a következő fejezetben foglaljuk össze.
A minősítés alapgondolata: A neurális hálóval egy spektrumosztályozást végzünk, melynek során a hálót megtanítjuk a különböző jeltípusok spektrumainak – esetleg még a jeltípuson belüli alosztályoknak – a felismerésére. Ezt követően a minősíteni kívánt jel spektrumát bevisszük a neurális hálóba. Egyszerű alkalmazásnál a neurális háló a bevitt spektrumra egy típusazonosítóval válaszol. Ha ez a visszaadott spektrumazonosító nem egyezik meg a spektrumtípus azonosítójával, akkor a jelet hibásnak minősítjük.
A neurális háló alkalmazásával kapcsolatban az a fő probléma, hogy nehéz nagy szoftverrendszerekhez kapcsolható, gyors, megbízható neurális háló szoftverhez jutni. Bár a neurális hálóval a spektrum egyedi tulajdonságai is megtaníthatók, célszerű egyéb vizsgálati módszereket is alkalmazni, hogy a lehető legtöbb módszerre támaszkodhassunk. A 3.3.2/1. ábrán példaként egy jó és egy elektronikailag
részlege-sen meghibásodott jel spektruma látható. A neurális hálótól azt várjuk, hogy az ilyen mértékű eltéréséket már biztonsággal megkülönbözteti.
1e-12 1e-11 1e-10 1e-09 1e-08 1e-07 1e-06
0 5 10 15 20 25 30 35 40 45 50
nAPSD
Frekvencia [Hz]
't3.527' 't3.522'
3.3.2/1. ábra. A grafikonon egy olyan termoelemjel spektruma (vastagabb vonal) látható, amely egy má-sik mérésben jeltovábbítási probléma (szakadásos idősor) miatt jelentősen eltorzult (vékony vonal) 3.3.2.1.1. Neurális háló gyakorlati alkalmazása spektrumosztályozásra
A vizsgálatot egy kereskedelmi forgalomban kapható termékkel végeztük el. (Ezzel a tapasztalatszerzés egyszerűbbnek ígérkezett, ugyanakkor az így megszerzett tudás lehetővé teszi egy jobb megoldás későb-bi kidolgozását.) A neurális hálók elméletével és gyakorlati alkalmazásával számos szakkönyv és szak-cikk foglalkozik (ld. [95]), ezért ezek részleteit nem tárgyaljuk. A lehetőségeket számba véve a válasz-tásunk a GERENIA Shell szoftverre esett. A választott rendszer az ún. Classitron modellre épül [96]. Ez a többrétegű perceptron továbbfejlesztett változata, a következő változtatásokkal:
nem kell előre definiálni az architektúrát,
az architektúra a tanítási folyamat alatt dinamikusan épül ki, egyetlen neuronnal indul,
csak a minimálisan szükséges neuronszámot tartalmazza.
Az utolsó pontban leírt tulajdonság következtében a háló rendkívül gyors. Ennek elérésére egyrészt a kiépülő struktúrában mindazon kapcsolatok, amelyek egy adott határ alatt lévő súllyal vesznek részt, lebomlanak. Másrészt, ha egy neuron minden kapcsolatát elveszíti, törlődik az architektúrából. Ilyen módon elérhető, hogy csupán azok a neuronok maradnak meg, amelyek ténylegesen részt vesznek a feldolgozásban.
A neurális hálók hatékony működésének egyik legfontosabb feltétele – és egyben a beüzemelési munka első feladata – a háló megfelelő tréningje. Ennek a munkának az első lépése a tanuló-adatbázis össze-állítása, melynek során a különféle szempontok szerint összeválogatott spektrumokat – a neurális háló bemeneti specifikációihoz igazodó – egész értékű mintasorokká kellett átalakítani.
3.3.2.1.2. A tanuló- és tesztadatbázis létrehozása
A rendelkezésre álló méréseket átvizsgálva – a neurális hálón folytatott kísérleteinkhez – választásunk egy VVER-1000 reaktorból származó digitális mérési adatokra esett, mivel ezek a vizsgálat idején a paksi VVER-440-es mérésekhez képest nagyobb mennyiségben és jobb minőségben álltak rendelkezé-sünkre. Egyedileg megvizsgálva a rendelkezésünkre álló 22 mérés hozzávetőleg 1300 spektrumát, a kifogástalannak talált spektrumokból – hét csoportra osztva – 750 spektrumot tartalmazó adatbázist
válogattunk össze. (A válogatás során – a hibás vagy téves adatok kiszűréséhez – a spektrumok szakértői vizsgálatát is el kellett végezni. Ennek részleteit a 3.3.2.2. fejezetben ismertetjük.) A csoportokon belül egy tanuló- és egy tesztadatbázist hoztunk létre (lásd 3.3.2/1 táblázat).
N° Típus Azonosító Tanulás Felismerés
1 In-core neutron IN 150 195
2 Ex-core neutron EN 60 78
3 Huroknyomás LP 30 39
4 Termoelem TC 48 65
5 X csoport rezgés GV 10 52
6 Hurok rezgés LV 7 3
7 Be- és kimenő nyomás IP 13 0
3.3.2/1. táblázat. Spektrumtípusok a hozzájuk rendelt azonosítókkal, valamint a tanulásra és felismerésre előkészített minták számával. (Az in-core neutron az SPND detektorokat, az ex-core neutron pedig
az ionizációs kamrákat jelöli.)
A kísérleti mintasorhoz a reaktoron mérhető tipikus zajjeleket válogattuk össze. A legnagyobb számban a zónán belüli neutrondetektorok (SPND detektorok) spektrumait használtuk. (Megjegyezzük, hogy a zónán belüli láncoknál lehetőség nyílt annak kipróbálására is, hogy a neurális háló hogyan mutatja ki az egyes láncok közötti kisebb különbségeket.) A második legnagyobb csoportot az ionizációs kamrák jelei képezik, amelyeknek a spektrumai általában jellegtelenek, frekvenciacsúcsoktól mentesek. A harmadik csoportként kiválasztott huroknyomás-spektrumok általában markáns frekvenciacsúcsokat tartalmaznak, és jellegükben erősen eltérnek a neutronjelek spektrumaitól. A negyedik nagyobb csoportot a termoelem-jelek képezik. Ezeknek a legnagyobb az alaki hasonlósága a neutrontermoelem-jelekhez, legalábbis a tesztadat-bázisban. Az adatbázisba bevett többi adatsor rezgés- és nyomásjel, melyek elsősorban a típusválaszték bővítését szolgálják. A kiválasztott spektrumok változatossága lehetővé teszi, hogy a neurális háló képes-ségeit típusok közötti különbségek és hasonlóságok kimutatásában egyaránt próbára lehessen tenni.
Az összeválogatott adatok a jelek DC értékére normált 512 spektrumvonalból álló frekvenciaspektrumok, amelyekben az első spektrumvonal értéke 0,098 Hz, az utolsó pedig 50 Hz. A spektrumok közös jelleg-zetessége a mindegyikben egyaránt jelen lévő 40 Hz-es frekvencialetörés, amit a mérőrendszer alulát-eresztő szűrője okoz. A minták általános jellegzetességének megismerésére a 3.3.2/2. ábra négy grafi-konján bemutatjuk a táblázat első négy spektrumtípusának alakját 40-40 spektrum együttes ábrázo-lásával. A grafikonon jól látható a reaktorok spektrumait jellemző (a kezdeti szakaszon meredeken csök-kenő, majd stagnáló) frekvenciamenet. (Ez a hasonlóság várhatóan csökkenti az osztályozás sikeres-ségét.) A grafikon függőleges tengelye mentén a spektrumok logaritmikus léptékűek. Az ordinátaskála azért nincs feltüntetve, mert minden egyes spektrum a saját minimális és maximális értékének skálája szerint lett ábrázolva, ez pedig a függőleges tengely mentén minden spektrumra más és más.
3.3.2/2. ábra. Összefésült spektrumok
A választott lineáris-logaritmikus ábrázolás a zajdiagnosztikai elemzések szokásos megjelenítési módja, mert tapasztalataink szerint a spektrumok diagnosztikai értékű jellegzetességei ilyen skálázás esetén láthatóak a legjobban. Ugyanis lineáris ordinátaskála alkalmazása esetén a neutronzaj-spektrumok kezde-ti szakaszának meredek, logaritmikus csökkenése miatt néhány frekvenciavonal után a spektrumvonalak értékei nagyon kicsivé válnak, ezért a spektrum részletei már nem vehetők ki. Kézenfekvő, hogy akár-csak a szakértőt, úgy a neurális hálót is olyan spektrumokkal lássuk el, amelyeknél a típusok jellemző tulajdonságai hangsúlyozottabban jelennek meg. Ahhoz, hogy a spektrumokat a neurális háló szoftver bemenő adatává alakíthassuk, a spektrumértékek logaritmusát ugyanabba az intervallumba transzformál-tuk úgy, hogy a minimális és a maximális értékek minden egyes spektrum esetén az intervallum végpont-jaiba kerüljenek. Ezt két dolog miatt tehetjük meg.
- Az egyik, hogy a zajdiagnosztikai célra használt reaktorspektrumok fokozatosan csökkenve 4-8 nagyságrendet ölelnek át. (Ez azért fontos, mert a közel konstans értékű spektrumok minimális és maximális érték közötti ábrázolása – a véletlenszerű ingadozások miatt – az esetek nagy részében gyakorlatilag áttekinthetetlen.)
- A másik ok, hogy azonos felépítésű, jó mérőláncok esetén a minimális értékek – az aluláteresztő szűrő miatt – a mérési alapzajra esnek, ami jeltípuson belül gyakorlatilag azonos. A maximális értéket pedig a legtöbb jelnél a DC érték és az aluláteresztő szűrő paraméterei határozzák meg, ami típusonként szintén hasonló. (Természetesen ezek az értékek többszörösen eltérhetnek egymástól, de az ábrázolt spektrumok hat nagyságrendet felölelő dinamikája mellett ez nem tekinthető jelentősnek.)
A transzformáció javára írható, hogy eltünteti a kampány során fellépő, de normálisnak tekinthető foko-zatos zajszintnövekedést, valamint azokat a normálási, illetve mérési pontatlanságokat is, amelyek (pl. az SPND detektorok esetén) a detektor prompt válaszának eltéréséből adódhatnak. Az adatok átalakítására egy másik lehetőség, hogy a minimális értéket vesszük alapul, és ehhez viszonyítva ábrázoljuk az adato-kat, de ezen kívül még sok egyéb megoldás is elképzelhető. Azonban mindkét adatátalakítási megoldás esetén egyaránt lényeges, hogy minden spektrumnál azonos transzformációt kell alkalmazni, méghozzá lehetőleg olyat, amely a típuson belüli hasonlóságot és a típusok közötti különbségeket egyaránt kiemeli.
A grafikonokat vizsgálva a minták transzformálásából származó alaki hasonlóság miatti tévesztést az SPND detektorjelek és a termoelemjelek között várhatunk.
A transzformációt a gyakorlatban a következőképpen hajtottuk végre. A GENERIA Shell neurális háló-ban egy mintát egy típusazonosítóval és legfeljebb 79 egész számmal lehetett jellemezni. A kísérletekhez az adatbázis spektrumait a háló bemenő adatformátumának eleget tevő adatsorrá kellett alakítani. Első lépésként az 512 vonalat tartalmazó spektrumokat nyolc-nyolc egymást követő adat összeadásával 64 vonalas spektrumokká alakítottuk át. Az így kapott spektrumvonalak értékeinek logaritmusát a [0,100]
intervallumba normáltuk, majd egész értékűre kerekítettük. A spektrumok átalakítására a 3.3.2/3. ábrán mutatunk be egy példát.
E-12 E-11 E-10 E -9 E -8 E -7
0 10 20 30 40 50
Frekvencia [Hz]
0 10 20 30 40 50 60 70 80 90 100 Kiindulási spektrum Kondenzált spektrum
nAPSD
3.3.2/3. ábra. Tipikus 512 vonalas in-core neutronspektrum (bal skála) és vastag vonallal a neurális háló bemeneti követelményeihez átalakított, 64 elemet tartalmazó adatsor (jobb skála)
A 3.3.2/3. ábrán látható, hogy bár a tömörítéssel (a spektrumvonalak nyolcankénti összeadásával) a spektrum finomabb részletei elvesznek, fő tendenciája megmarad.
3.3.2.1.3. A neurális háló tanítása
A bemenő adatok előállítása után a neurális háló tanítását végeztük el. Ennek során a tanulóciklusokat, azaz a mintafájl beolvasását addig ismételtük, amíg a háló minden mintát sikeresen osztályozott. Helyes tanulóminta használata esetén az osztályozás statisztikája folyamatosan javul, azaz egyaránt csökken a tévesztések, bizonytalanságok, és az osztályba nem sorolt esetek száma (lásd 3.3.2/4. ábra).
0,00 0,20 0,40 0,60 0,80 1,00
1 2 3 4 5 6 7
Tanulási ciklus
helyes/összes
3.3.2/4. ábra. Az osztályozás helyességének alakulása a tanulási ciklus függvényében
Rosszul kiválasztott, ellentmondásosan összeállított tananyag nem, vagy csak nagyon rossz hatékony-sággal dolgozható fel, azaz a betanítás alatt az osztályozás statisztikája a tanulási ciklusok során romlik.
Ez akkor fordul elő, ha a kiválasztott osztályok átfedik egymást. A GENERIA használatakor a hibás
tananyagra két tény figyelmeztet. Az egyik a már említett statisztika romlása. A másik, ennél közvetle-nebb jelzés a felhasznált neuronok számának alakulása. Ugyanis hibás, ellentmondó tanulóminták alkal-mazásakor a tanítási ciklusok során a kiépülő neuronszám ugrásszerűen megnövekszik. (A tanítási folya-mat vizsgálatával részletesebben a [97] irodalom foglalkozik.)
3.3.2.1.4. A spektrumfelismerés
A háló spektrumfelismerési képességének kipróbálására más időpontban, kismértékben eltérő reaktor-állapotok mellett készített méréseket használtunk fel (lásd 3.3.2/2. táblázat).
N° Típus Azonosító Azonosításra Felismert [%]
1 In-core neutron IN 195 183 94
2 Ex-core neutron EN 78 64 82
3 Huroknyomás LP 39 39 100
4 Termoelem TC 65 40 62
5 X csoport rezgés GV 52 28 54
6 Hurok rezgés LV 3 3 100
3.3.2/2. táblázat. A spektrumfelismerés eredménye
A táblázatból látható, hogy a neurális háló a spektrumok felismerését sikeresen hajtotta végre. Pl. a 195 in-core neutron spektrumból 183-at helyesen ismert fel. A vizsgálat eredménye azt mutatja, hogy a többi-től jól megkülönböztethető, egyedi jellegzetességgel rendelkező spektrumtípusokat (pl. huroknyomás, ld.
3.3.2/2. ábra) a háló 100%-os biztonsággal ismerte fel. A tévesztések általában annak tudhatók be, hogy a rosszul felismert spektrumok (illetve a spektrumokból készített minták) alakja nagyon hasonlít valamely más osztálybeli spektrumok alakjára. Ez is azt mutatja, hogy mennyire fontos a spektrumok transzformá-lását úgy elvégezni, hogy az egyes típusokhoz tartozó minták különbözősége a lehető legnagyobb legyen.
3.3.2.1.5. A neurális háló alkalmazási próbájának összefoglalása
A perceptron alapú neurális hálóval folytatott kísérleteinkben jó eredménnyel sikerült spektrumosztá-lyozást végezni [97]. A kísérlethez egy tanuló- és egy tesztadatbázist állítottam össze. Az 512 vonalas spektrumot 64 vonalas spektrummá vontam össze, majd a kompresszált spektrum vonalainak értékeit logaritmálás után a 0 és 100 közötti egész számok halmazára vetítettem. Az így készített mintát (egész értékeket tartalmazó vektort) adtuk meg a neurális háló inputjaként.