近年来，大亚湾、红沿河、宁德、防城港等地核电站均出现过海生物及异物影响冷源安全的事件，不仅造成了严重的经济损失，而且对核电厂安全运行也造成了一定隐患[1]。中国核电厂地域分布广泛，在不同海域的核电厂冷源遇到的问题也不同：大亚湾的主要入侵海洋生物为鱼虾等中小型海生物；红沿河海域面临的主要威胁为夏季水母，冬季浮冰；宁德海域入侵物为海地瓜等低等生物及竹竿等海洋垃圾。
近年来，中国在海洋监测领域开展了一些研究[2-3]，但对核电厂入水口的海洋生物入侵研究甚少。造成海洋生物入侵的主要因素是海生物密度，其他因素还包括洋流流速、洋流与入水口的角度、海风、海风与入水口的角度、海水温度、海水盐度等。因此，需要建立一个基于多源模型的海洋生物入侵探测预警模型。建立模型的过程也是多传感器数据融合过程。多源数据融合技术是指利用相关手段将监测、调查、分析获取到的所有信息全部综合到一起，并对信息进行统一评价，最后得到统一的海洋监测结果，为预警提供有效数据保障[4-6]。对于多传感器信息融合技术，目前主要有集中式融合和分布式融合两种方式[7]。为此，本研究中拟建立以海洋生物密度、相对流速、相对风速、盐度和温度因素为变量的海洋生物探测预警模型，由于模型输入变量间的单位量级不同，本研究中采用分布式融合方法，通过对5种因素数据特征的融合，来判断海生物入侵程度及发生取水口堵塞的可能性，旨在解决核电站冷源系统海洋生物的入侵问题。
1 预警模型影响因素采样方法及分析
通过分析可知，洋流、海水速度和海水盐度决定了某区域出现某种海生物的可能性；已有文献认为造成核电厂冷源系统取水口堵塞的主要因素是海生物数量过多，但是水母作为海生物入侵的主要物种，随着洋流漂浮在海水中，其运动规律不好掌握，为了更好地预测水母等海洋生物入侵造成的冷源系统堵塞等级，本研究中采用浮标搭建多传感器的方式，采用多源信息融合技术实现核电厂海洋生物探测预警。
1.1 数据获取
本研究中使用的数据主要来源于2018年1月至2018年12月期间在深圳大亚湾核电站采集到的多传感器数据(连续实时采样)：利用浮标搭载图像声纳、温度传感器和流速传感器等获取海洋生物密度、洋流流速、洋流与取水口的角度、海风、海风与取水口的角度、海水温度、海水盐度信息。其中，4点锚系结构可以保证数据采集中传感器工作的稳定性，从而保证测试数据的稳定性。图1为本研究中采用的浮标实物，图1-A中黄色圈起部分为图像声纳，型号为Coda Ehoscope，图1-B搭载多传感器4锚系浮标。图2为数据采集期间海生物密度、相对流速、相对风速、盐度和温度随时间的变化。
图1 搭载多传感器的四锚系浮标
Fig.1 A four-anchor buoy with multi-sensors
比较图2-A和图2-B可知，相对风速是影响相对流速的因素之一，结合海洋水体的物理特性相当于把风速经过带有时延的滤波器后得到的曲线，流速的变化会滞后于风速的变化。盐度不会受季节影响，一般情况下海水盐度的高低主要取决于降水量与蒸发量的关系，当降水量大于蒸发量时，盐度较低，反之较高。盐度还与温度有关，一般情况下温度较高时盐度也较高。本研究中并未考虑降水量因素，对比图2-C和图2-D可知，在温度较高的6—8月份，盐度也相应较高。图2-E为海生物水母的密度曲线，在大亚湾核电站海域，2月份水母处于暴发状态，而对应的温度为14～18 ℃，当温度超过18 ℃时，水母密度迅速减少，由此可见，温度是水母密度的重要因素。
1.2 海洋生物密度
一般认为，海洋生物密度为探测生物量与探测范围的比值，单位为ind./m3，但此种方法采样复杂。Kim等[8]基于图像的水母分布识别算法可提高现有水母去除系统效率，该研究采用无人机搭载摄像头采集水面上水母视频，对视频帧图像进行水母的识别和密度计算，并针对水母图像小样本数据，采用生成对抗性网络(GAN，Generative Adversarial Network)方法获取更有效的水母检测方法[9]。但上述两篇文献未考虑水下水母分布和其他因素对水母入侵的影响，因此，本研究中采用图像声纳采集水下海洋生物的图像，获取海洋生物连续监测数据，以单张声纳图片中海洋生物所占面积与整个声呐图像面积的比例来估计海洋生物的分布密度。受声纳的分辨率及探测距离限制，为有效利用探测数据，目标检测和识别的距离应小于1.5 m。同时在探测试验中，限定最小探测距离为0.8 m，即本文主要利用距离声纳0.8～1.5 m的海洋生物数据。
图2 多传感器采样数据
Fig.2 Data of samples collected by a multi-sensor
以水母为例，图3-A为图像声纳获取的一帧含水母的声学图像，图3-B为经过图像处理的二值化图像，计算每个水母的封闭区域面积，得到所有水母的封闭区域面积占全幅图像的百分比作为一个预警因素。作者认为，水母密度为所有因素中的关键因素，在其他因素正常的情况下，水母密度到达预警阈值时会发出预警。
注：A为水的声学图像；B为二值化水母图像。
Note：A,acoustic image of jellyfish;B,binary image of jellyfish
图3 可视声纳视频处理结果
Fig.3 Video processing results of a visual sonar
1.3 洋流因素的模型系数
造成核电厂入水口堵塞的主要原因是大量海洋生物进入核电厂取水口，而影响海洋生物运动方向的主要因素是洋流的方向。例如，同样数量的海洋生物在取水口附近活动，如果洋流方向背离入水口，那么该海洋生物进入取水口的概率就会较低，对应的入侵强度值就较小；如果洋流方向是流向入水口的，那么该海洋生物进入入水口的概率就会升高，对应的入侵强度值就较大。因此，采用入水口流速角来表征洋流与入水口的夹角，如图4所示， 其中，αR为入水口在二维大地坐标系下与X轴的夹角，αC为洋流方向与X轴的夹角。
图4 洋流方向与入水口方向夹角
Fig.4 Angle between ocean current and the intake direction
描述海洋洋流对海洋生物进入核电厂入水口时相对速度影响的公式为
vCR=vCcos(αC-αR)。
(1)
其中： vCR为海洋洋流相对于核电厂入水口的相对流速；vC为洋流流速(m/s)。
为了方便管理，设定入侵系数时应有个最大值限制，为此设定入侵系数和vCR的关系如图5所示，定义海流入侵系数KCR为
KCR=βCRtan-1vCR。
(2)
其中， βCR为需辨识的参数。
1.4 海风
在导致取水口堵塞的事件中，浮冰灾害、外来原油泄漏、垃圾杂物突发(麦秸秆等)、海洋生物暴发(如水母)等诱因所占比重较高。而海风引起的洋流问题，是上述诱因的共同驱动力之一。故可将海风因素作为模型关键参数之一，根据海风的大小和方向拟建立分级影响模型。
图5 相对洋流速度与模型系数的关系
Fig.5 Relationship between relative ocean current velocity and model coefficients
如图6所示，αW 为海风方向在二维大地坐标系下与X轴的夹角。
图6 海风方向与入水口方向夹角
Fig.6 Angle between sea wind and the intake direction
描述海风对海洋生物进入核电厂入水口时相对速度影响的公式为
vWR=vWcos(αW-αR)。
(3)
其中： vWR为海风相对于核电厂入水口的相对风速；vW为海风风速(m/s)。
同样，设定海风入侵系数KWR时需有最大值限制，为此设定入侵系数和vWR的关系如图7所示，定义海风入侵系数KWR为
KWR=βWRtan-1vWR。
(4)
其中，βWR为需辨识的参数。
1.5 温度和盐度
海水温度是反映海水热状况的一个物理量。海水温度有日、月、年、多年等周期性变化和不规则的变化，它主要取决于海洋热收支状况及其时间变化。温度也是海洋生物存活的一个重要因素，可以用高斯函数模型等来表示海洋生物对温度和盐度的适应性，如图8、图9所示，其中μT、μS为最适宜海洋生物生存的温度和盐度。
图7 相对海风速度与模型系数的关系
Fig.7 Relationship between relative sea wind velocity and model coefficient
图8 海洋生物对温度的适应性曲线
Fig.8 Temperature adaptation curve of marine organisms
图9 海洋生物对盐度的适应性曲线
Fig.9 Adaptation curve of marine organisms to salinity
以海月水母为例，经过采样得到最适合水母生存的水温为15～25 ℃。当水温超过29 ℃时，水母的活力就会迅速下降，伞体变形最后死亡(图8)。由数据可知，大亚湾海域水母暴发温度是16 ℃，因此，可以选择中心点在μT=16，σT = 1.25，对应的系数计算公式为
(5)
其中，βT为需辨识的参数。
经过采样得到最适海月水母生存盐度为20～32，当盐度为45时水母活力迅速下降(图9)。这里选择中心点在μS=26.5，σS=6，对应的系数计算公式为
(6)
其中，βS为需辨识的参数。
经过分析可知海生物密度为主要原因，可以把其他因素的影响加到密度(N)-预警模型中，得到入侵强度(GR)计算公式为
GR = N (1 + KCR + KWR + KT + KS)。
(7)
2 线性多元回归模型估计法
根据物理模型模拟出可观测或可计算的数据，并把观测数据与预先存储的对象特征进行比较，或将观测数据特征与物理模型所得到的模拟特征进行比较。如果相关系数超过一个预先设定的值，则认为两者存在匹配关系[10-12]。 具体的估计方法有Kalman滤波器、极大似然估计和最小二乘估计。结合本研究中的多源多传感器特性，本研究中采用基于最小二乘的多参数函数估计方法。
将式(3)～式(6)代入到式(7)中，可得到：
GR=N (1+βCRtan-1vCR+βWRtan-1vWR+
(8)
定义X=[x1, x2, x3, x4]=[tan-1vCR, tan-1vWR, 
则公式(8)变为
Y=βCR·x1+βWR·x2+βT·x3+βS·x4。
(9)
对应的拟合入侵强度GRN为
GRN=(Y+1)N。
(10)
采用MATLAB自带线性回归函数进行多参数估计得到4个参数。
基于线性多元回归拟合方法的入侵强度拟合曲线如图10所示，通过与图2对比，得到入侵强度的变化趋势主要随着海洋生物密度的变化而变化。本研究中共使用120个神经网络训练采样点(每个月10个采样点)，在采样点40～70阶段，由于温度波动使得入侵强度也随着波动，但在其他阶段随温度变化不明显。这主要是因为采样点40～70阶段温度值恰好在温度中心值附近，此时的温度适宜海洋生物生长，增加了海洋生物入侵的可能性。
在采样点90附近，有一个下降的凹槽形状，主要是由于相对流速此刻的值均较低，且温度和盐度值均在离自己中心点比较远的地方，因此，数据在接近采样点90的地方有一个大的下降值。由于随后的相对流速和相对风速值反弹到较高值，造成入侵强度波动较大。
根据上述分析，得到的拟合结果为
Y=0.18781x1+0.13347x2+0.091526x3+
0.41565x4。
(11)
由公式(8)和式(11)可知，在图10的采样数据下，得到入侵强度计算公式为
GR=N(1+0.18781 tan-1vCR+0.13347 tan-1vWR+
(12)
定义拟合误差errornihe为
errornihe=GR-GRN。
(13)
则线性多元回归拟合方法的欧式距离为
(14)
其中，T为矩阵转置，计算得拟合误差的欧式距离为0.016 8。
图10 基于线性多元回归拟合方法的入侵强度拟合
Fig.10 Invasion intensity value based on linear multivariate regression fitting method
3 模糊神经网络(FNN)估计法
模糊理论和神经网络技术是近年来人工智能研究较为活跃的领域[13-14]。神经网络具有较强的自学习功能，人工干预少，精度较高，对知识的利用也较好。其缺点是不能较好地利用已有的经验知识，求解黑箱的特性差，对样本要求较高。模糊系统相对于神经网络系统而言，优点是推理过程容易理解，能较好地利用专家知识，对样本要求较低，但也存在人工干预多、推理速度慢、精度低的缺点，将二者有机地结合起来可起到互补的效果。本研究中采用基于线性回归多元计算方法可以估计具有不同数据结构的多元变量，计算简单，但缺点也较明显，就是必须根据已有的物理模型，提前知道公式(2)、(4)、(6)和(7)的表达式结构。虽然可以把这部分建模误差包含在拟合过程中，但线性模型还是不能够完全反映出非线性特性，因此，需要直接采用非线性模型对已有模型进行拟合建模。本研究中，采用模糊神经网络对多传感器采样数据进行拟合，实现非参数的多传感器数据融合算法。采用5输入1输出的网络结构，输入为X_input=[N, VCR, VWR, T, S]，输出为Y_output=GR(图11)。
定义拟合误差errorFNN为
errorFNN=GR-GRN。
(15)
其中：GRN为基于线性多元回归拟合方法拟合的入侵强度。则FNN预测方法的欧式距离为
(16)
计算得拟合误差的欧式距离为0.012 9。
图11 基于FNN预测方法的入侵强度拟合
Fig.11 Invasion intensity value based on FNN prediction method
4 讨论
本研究中针对多传感器的采样数据，采用决策级融合形式，基于线性回归模型和模糊神经网络预测方法分别对多传感器的采样数据进行了分析，得到了海洋生物探测预警多源信息融合的预警模型。首先建立海洋生物密度和探测入侵预警模型，模型影响因素包括洋流流速、洋流与取水口的角度、海风、海风与取水口的角度、海水温度、海水盐度；在此基础上，综合考虑海洋生物密度、相对流速、相对风速、盐度和温度，建立一个立体的多源模型；最后采用基于5种因素数据特征的融合技术，得到海洋生物入侵强度值，进而判断核电厂取水口堵塞的可能性。两种算法的估计误差均控制在[-0.2,0.2]内，欧氏距离分别为0.016 8、0.007 8。
从图10和图11可知，线性多元回归模型估计法没有模糊神经网络拟合效果好；但线性多元回归模型估计法参数与实际物理量关系密切，更容易根据在线联调时修正参数，还可在出现紧急预警情况时修正参数预警，例如，当发生海生物密度突然大量增加或大风大浪情况时可以直接调整参数报警。而模糊神经网络权值与实际物理量关系不明确，不能根据实际情况调整参数，需要重新训练。因此，系统可以备份这两套模型，正常情况下采用模糊神经网络模型，当出现特殊情况时切换到线性多元回归模型。
由于核电厂取水口需要吸入海水对核电设备进行冷却，因此，在设置浮标处获取的洋流方向均指向入水口，即由图2-B可以看出相对流速均大于零。从图2和图10可以看出，入侵强度GR值基本上正比于水母密度，受其他因素影响较小。由于本研究中取样时未发生极端天气，故极端天气对核电厂海洋生物入侵强度值的影响还需通过长期监测获取，以提高模型的精准性并补充分析结果。
[1] Meng Wei,Liu Yang,Zong Humin,et al.Early warning model for marine organism detection in nuclear power stations[C]//Proceedings of 2018 Chinese Control and Decision Conference.Shenyang,China:IEEE,2018:1999-2004.
[2] 盛军德.水下预警探测体系建设初探[J].国防,2017(12):37-41.
[3] 刘伟.预警探测系统预警探测模型研究[D].北京:北京邮电大学,2010.
[4] 化柏林.多源信息融合方法研究[J].情报理论与实践,2013,36(11):16-19.
[5] 陈科文,张祖平,龙军.多源信息融合关键问题、研究进展与新动向[J].计算机科学,2013,40(8):6-13.
[6] Liu Yang,Zong Humin,Meng Wei.Early warning model for marine organism detection based on BP neural network[C]//第37届中国控制会议论文集.武汉:中国自动化学会控制理论专业委员会,2018:1909-1914.
[7] 王硕.非理想条件下非线性滤波及多传感其信息融合算法研究[D].哈尔滨:哈尔滨工业大学,2016.
[8] Kim H,Koo J,Kim D,et al.Image-based monitoring of jellyfish using deep learning architecture[J].IEEE Sensors Journal,2016,16(8):2215-2216.
[9] Kim K,Myung H.Autoencoder-combined generative adversarial networks for synthetic image data generation and detection of jellyfish swarm[J].IEEE Access,2018,6:54207-54214.
[10] 黄文珂.多元回归建模过程中共线性的诊断与解决方法[D].哈尔滨:哈尔滨工业大学,2012.
[11] 闫闯.多元回归模型中变量选择问题研究[D].哈尔滨:黑龙江大学,2011.
[12] 陈清平,孙六全.一般多元回归模型中共同均值参数的线性估计的可容许性[J].华中师范大学学报:自然科学版,1996(2):125-129.
[13] 王璐.一种基于模糊控制的多传感器管理算法的研究[J].电子设计工程,2018,26(21):47-51,56.
[14] 朱大奇.人工神经网络研究现状及其展望[J].江南大学学报:自然科学版,2004,3(1):103-110.