ECR源控制用的网络模型

在研究ECR源智能控制的理论模型时，对几种模型进行理论探讨，编程并做仿真实验，对其结果进行了分析。着重对模糊modular神经网络(即组合网络)进行描述，分析该模型的优缺点，并在实验中对仿真计算结果随学习次数、规则条数和学习率之间的变化关系进行了深入研究。     

基于CFNN的核蒸汽发生器水位控制

鉴于常规的PID控制存在控制对象参数变化时控制参数无法改变的不足,从而根据一个核蒸汽发生器(NSG)的简化数学模型,将一种补偿模糊神经网络(CFNN)用于NSG水位的控制。该网络由于引入了补偿神经元,使网络的容错性更好,系统更稳定。同时在神经网络学习算法中动态优化补偿模糊运算,使网络更适应,训练速度更快。仿真表明,该方法在装置负荷变化时比常规的PID控制方法超调量小,收敛速度快。该网络能在线调整参数,动态优化模糊规则,适于在线学习控制。该控制方法对NSG水位智能控制研究具有一定意义。     

用人工神经网络进行CHF参数趋势分析

利用人工神经网络分析了水在上升流均匀加热垂直圆管条件下的临界热流密度（ＣＨＦ）实验数据的参数趋势。以三种观点，即固定入口条件、固定出口条件或以局部条件假设为基础进行了上述分析。采用Ｋａｔｔｏ和Ｇｒｏｅｎｅｖｅｌｄ等的无量纲参数和ＣＨＦ实验数据来一文的ＡＮＮｓ；训练成功的ＡＮＮｓ预测的ＣＨＦ结果比任何其它传统的关系式都好。其远距离监测系统（ＲＭＳ）误差在固定人口条件、固定出口条件和局部条件假设下分别     

高温气冷堆核蒸汽供应系统出口蒸汽温度的T-S模糊控制方法

高温气冷堆（HTGR）是国际核能界公认的一种具有良好安全特性的堆型，具有第四代核能系统的技术特征，其核蒸汽供应系统（NSSS）复杂的非线性特性，对控制策略的设计提出了挑战。另一方面，T-S模糊控制方法在复杂非线性系统的控制方面存在巨大优势，因此在高温气冷堆核蒸汽供应系统中应用T-S模糊控制方法，可能会获得较传统线性控制方法更好的控制性能。本文提出了一种T-S模糊控制器的系统化设计方法，首先建立高温气冷堆核蒸汽供应系统出口蒸汽温度的T-S模糊控制系统模型；然后基于李雅普诺夫方法，得到T-S模糊控制系统的双线性矩阵不等式（BMI）形式的全局渐近稳定条件；最后通过局部最小化算法求解双线性矩阵不等式，得到T-S模糊控制器的参数。仿真结果表明，按照这一系统化方法设计的T-S模糊控制器较传统的线性PI控制器表现出更好的控制特性。     

基于模糊神经网络的核动力装置设备故障诊断系统研究

将模糊逻辑与神经网络相结合,对模糊逻辑和神经网络的区别和联系进行了阐述,并探讨了它们之间的结合．模糊神经网络结构及其实现算法,并将这一理论应用于核动力装置故障诊断,建立了基于模糊神经网络的船用核动力装置故障诊断系统。为了验证该系统的有效性,以蒸汽发生器U形管破裂事故为例,进行了仿真实验研究。诊断结果表明该理论方法对此事故完全可以正确识别。     

T-S型模糊切换控制器在堆芯功率控制中的应用

采用传统比例-积分-微分（PID）控制器开展堆芯功率控制，控制过程中存在超调量大、调节时间长的问题。为解决这一问题，基于堆芯传递函数模型，采用T-S型模糊规则对比例-微分（PD）控制器、PID控制器、模糊控制器进行加权及切换，设计T-S型模糊切换控制器。以铅冷快堆堆芯功率控制为例，建立堆芯功率T-S型模糊切换控制系统，开展堆芯相对功率设定值阶跃、堆芯冷却剂进口温度扰动仿真。结果表明，基于堆芯传递函数模型设计的T-S型模糊切换控制器可以实现对堆芯功率的良好控制。      

模糊控制技术在核电站系统中的应用

在核电站系统中应用模糊控制技术是控制技术发展的新课题,研究分析国内外核电站系统中的模糊控制技术的应用发展是十分必要的。本文分析了模糊控制在核电站系统中的应用,分析结果表明模糊控制可以很好地提高核电站系统运行的稳定性和安全性,是一种有效并且可行的先进控制方法。国外核电站系统中应用成功的模糊神经网络技术融合了模糊控制与神经网络技术的优点,是一种新兴的控制技术,研究表明,在核电站系统中应用模糊神经网络技术可以大大提高反应堆运行的安全性和可靠性,具有广阔的应用前景。本文对模糊控制、模糊神经网络技术在核电站系统中应用的研究成果进行了全面回顾和总结,并探讨了在应用研究和实践中需要重点解决的问题。     

基于模糊Petri网推理的核动力装置专家系统研究

随着核动力装置专家系统知识库的增大,知识库的一致性检验变得困难,系统的诊断推理效率也随之下降。为了解决这一问题,将模糊Petri网用于专家系统的知识表示和推理。利用模糊Petri网的分析技术,对知识库进行校验和维护,以诊断规则的Petri网模型为基础,遵照Petri网的运行机制进行诊断推理。仿真实验表明,将模糊Petri网应用于专家系统,可有效进行知识库一致性检验和故障诊断推理。     

Sugeno型二维模糊控制器设计及其优化研究

基于MATLAB/Simulink平台设计了某研究堆功率调节系统各环节模型,并设计了应用于该研究堆功率调节系统中的Sugeno型二维模糊控制器。仿真分析结果表明,Sugeno型二维模糊控制器可应用于该研究堆功率调节系统,且在超调量、调节时间等方面的性能优于经典PID控制器。本文提出了一种优化方法,优化后的模糊控制器性能得到改善,且性能（超调量、调节时间、振荡性能等方面）优于经典PID控制器。该优化方法是一种有效的模糊控制器优化方法。     

中子发生器ECR源智能控制的仿真研究

描述了模糊modular神经网络对中子发生器ECR离子源智能控制仿真实验的实现和仿真智能控制的过程。研究了学习过程中规则条数和学习率对理论模型计算结果平均偏差的影响和控制过程中计算束流的偏差随规则条数和学习率的变化。用3种不同的校正因子研究了对仿真实验过程的影响，并在智能控制中取得了满意的仿真实验结果。     

基于RS-FNN的核电厂设备智能故障诊断方法的研究

将粗糙集(RS)理论与模糊神经网络(FNN)相结合,能充分发挥各自的优点.本文利用RS方法对知识的约简技术,从大量的原始数据中提取精简的规则,基于这些规则建立的FNN网络具有更好的拓扑结构,学习速度大大提高、判断准确、容错能力强,具有更高的实用价值.为了验证该方法的有效性,以核电厂设备蒸汽发生器U形管破裂等故障为例,进行了仿真实验研究.诊断结果表明,将基于RS理论的FNN智能故障诊断方法引入核电厂设备故障诊断中是可行的,并且具有简单方便、计算量小、诊断结果可靠等特点.     

核电厂两种实时故障诊断系统的对比

分别利用模糊神经网络技术和数据融合技术,采用VB6.0编程语言开发了核电厂实时故障诊断系统,并对诊断系统中所应用的智能诊断算法进行了详细的阐述.为比较直观地对比两个诊断系统,利用数据通讯程序接口使该诊断系统与仿真机进行实时数据交互,并在仿真机上设置了4种故障对两个诊断系统进行在线测试.测试结果表明,应用模糊神经网络技术和数据融合技术均能对故障进行识别,但都存在各自的优点和不足.离线分析表明,针对不同的故障类型,当特征参量较少时,采用模糊神经网络诊断技术较好;而特征参量较多时,最好采用数据融合诊断技术.     

基于复合人工神经网络的核电站实时故障诊断方法研究

针对核电站运行时故障或事故状态的在线实时判定,提出了一种基于复合人工神经网络的故障诊断和事故判定方法.其基本思想是:首先应用BP网络对事故进行成组快速诊断,而后应用RBF网络对BP网络的诊断结果进行区分和检验.利用核电站正常状态和多种事故状态下各故障特征参数输出的仿真计算结果,对所提出的方法进行了检验.结果表明,通过BP网络和RBF网络的优势互补,不仅能对学习过的故障进行快速、正确的诊断,对不同工况下的故障以及未定义的新故障也能够有效地识别.该方法采用的是随时间序列输出诊断结果及其可信度的方式,操纵员容易接受推理结果.     

基于神经网络方法的LOCA事故诊断

冷却剂丧失事故(Loss of Coolant Accident,LOCA)是核电厂安全分析中的一类典型事故,不同的破口位置和破口尺寸将直接影响到事故的处置和后果。为判断LOCA事故的破口位置和尺寸,可以借助于神经网络的模式识别功能。针对CPR1000核电系统,利用CATHARE软件建模并仿真不同破口位置和尺寸的LOCA事故,提取事故发生时的6类热工水力参数对BP(Back Propagation)神经网络、Elman神经网络、RBF(Radial Basis Function)神经网络和支持向量机进行训练,再将训练后的神经网络用于破口位置和尺寸的诊断。结果表明,在4种神经网络中,参数优化后的支持向量机对破口位置和尺寸的诊断准确率较高且诊断稳定性较好。在LOCA事故发生时,可以利用支持向量机获取破口的详细信息,辅助操纵员高效地处理事故。     

基于BP神经网络的核电厂主动容错控制方法研究

针对核电厂中的传感器故障,采用改进的BP神经网络算法对传感器进行神经网络训练,建立各种运行状态下的动态模型库,并应用BP神经网络对系统进行实时检测。当传感器发生故障时,采用控制率重构的方法进行容错控制。在核动力装置模拟器上以稳压器为对象进行了仿真实验验证,结果表明该方法对于核电厂中的传感器故障进行容错控制是有效的。     

Estimation of break location and size for loss of coolant accidents using neural networks

In this work, a probabilistic neural network (PNN) that has been applied well to the classification problems is used in order to identify the break locations of loss of coolant accidents (LOCA) such as hot-leg, cold-leg and steam generator tubes. Also, a fuzzy neural network (FNN) is designed to estimate the break size. The inputs to PNN and FNN are time-integrated values obtained by integrating measurement signals during a short time interval after reactor scram. An automatic structure constructor for the fuzzy neural network automatically selects the input variables from the time-integrated values of many measured signals, and optimizes the number of rules and its related parameters. It is verified that the proposed algorithm identifies very well the break locations of LOCAs and also, estimate their break size accurately.     

Prediction of major transient scenarios for severe accidents of nuclear power plants

It is very difficult for nuclear power plant operators to predict and identify the major severe accident scenarios following an initiating event by staring at temporal trends of important parameters. In this regard, a probabilistic neural network (PNN) that has been applied well to the classification problems is used in order to classify accidents into groups of initiating events such as loss of coolant accidents (LOCA), total loss of feedwater (TLOFW), station blackout (SBO), and steam generator tube rupture (SGTR). Also, a fuzzy neural network (FNN) is designed to identify their major severe accident scenarios after the initiating events. The inputs to PNN and FNN are initial time-integrated values obtained by integrating measurement signals during a short time interval after reactor scram. An automatic structure constructor for the fuzzy neural network automatically selects the input variables from the time-integrated values of many measured signals, and optimizes the number of rules and its related parameters. In cases that an initiating event develops into a severe accident, this may happen when plant operators do not follow the appropriate accident management guidance or plant safety systems do not work, the proposed algorithm showed accurate classification of initiating events. Also, it well predicted timings for important occurrences during severe accident progression scenarios, which is very helpful to perform severe accident management.     

基于BP神经网络的船用反应堆屏蔽设计快速计算功能研究

船用反应堆的屏蔽设计问题直接关系到核能能否安全的用作舰船的动力系统,而在屏蔽设计问题中屏蔽计算是十分重要的环节。为了实现在一定误差范围内实现快速计算功能,采用BP神经网络模拟学习MCNP的计算过程,仅需给出指定的输入变量即可预测屏蔽计算输出结果,解决了MCNP计算耗时过长问题,提高了屏蔽设计优化效率。