基于粗糙集理论和支持向量机算法的核电厂故障诊断方法

核电厂故障特征复杂多样,具有不确定性.提出一种基于粗糙集理论和支持向量机(SVM)算法的核电厂故障诊断方法.该方法运用粗糙集理论完成对不确定、不完整数据的约简,然后在此基础上设计SVM多级分类器进行故障诊断.最后,将该方法用于核电厂蒸汽发生器传热管破损、冷端破口、汽相破口、热阱丧失等4种典型故障的诊断.研究表明,该方法能够实现对核电厂故障的快速准确诊断.     

基于遗传算法和知识库的核电厂故障诊断方法

将遗传算法与经典概率论相接合,利用知识库,针对核电厂故障诊断的特点,提出了一种故障诊断方法。本方法将核电厂部件状态与遗传算法中的群体相联系,利用专家知识的核电厂信号对群体进行约束,使该群体在诊断过程中不断发展变化,从而找出适合条件的个体,达到故障诊断的目的。在北京核电厂模拟培训中心９５０ＭＷ全尺寸模拟机上的实验表明,该方法对诊断过程中出现的虚假信号、专家知识不完备等问题有相当的适应性。     

基于邻域粗糙集和决策树算法的核电厂故障诊断方法

核动力装置系统复杂,需要采集和监测的变量较多,这给装置故障诊断增加了困难。针对该问题提出基于邻域粗糙集的参数约简算法,该算法实现了实数空间的粒度计算,可直接处理数值型参数,无需离散化参数。在此基础上,采用决策树算法对核电厂的失水事故、给水管道破裂、蒸汽发生器U形管破裂和主蒸汽管道破裂等4种典型故障进行训练学习,并将诊断决策结果与支持向量机算法进行对比。仿真结果表明,该算法可快速、准确地诊断出核电厂上述故障。     

核电厂故障诊断的模糊遗传算法

研究提出了基于遗传算法和模糊数学并利用专家知识、微知识树模型和模拟机信号知识的核电厂故障诊断的新方法－－核电厂故障诊断的模糊遗传算法。经过模拟机上的验证表明：该方法能够适应故障诊断过程中出现的不确定性和模糊因素。     

核电厂智能诊断方法研究的进展

文章评述神经网络、模糊逻辑和专家系统3种典型的智能方法在核电厂(NPP)运行状态监测和故障诊断中的应用研究进展.分析了基于神经网络(ANN)、模糊逻辑和专家系统的核电厂运行状态监测和故障诊断方法的研究状况及其特点.探索了核电厂智能诊断方法应用研究的发展趋势.分析表明:基于模糊逻辑和专家系统的核电厂智能诊断方法的研究成果相对较少;核电厂智能诊断方法研究主要集中在基于神经网络的状态监测与故障诊断方面;多种智能诊断方法的结合、神经网络与其它方法的结合,以及基于多神经网络的核电厂运行状态监测和故障诊断方法研究是核电厂智能诊断方法研究的重要发展趋势.     

基于时序数据挖掘的核电厂故障诊断技术研究

将时序数据挖掘引入核电厂故障诊断,把核电厂的故障诊断当作序列监督学习问题来对待,并采用滑动窗算法将序列监督学习问题转化为经典的监督学习问题.针对反应堆失水事故( LOCA)进行的仿真实验结果表明,在采用滑动窗算法后,诊断精度有一定的提高,再进一步对滑动窗内的时序数据进行特征提取后,诊断精度有了更大的提高,可以解决经典算...     

PHM技术在核电厂的应用与展望

故障预测与健康管理(PHM)系统能够提高核电厂的运行安全性和维护经济性。核电厂PHM系统包含数据采集与处理、状态监测、故障诊断、寿命预测和健康管理5个环节,在各个环节采用专用的监测方法和预测算法以及核电专用的故障诊断与预测性能指标。本文提出适合我国核电厂PHM系统的发展路线,制定维护大纲和标准法规,建立故障数据库,为PHM系统广泛应用于我国的核电厂提供良好的基础。     

基于频域数据注意力机制的核电厂水泵故障模式识别模型研究

针对核电厂水泵共性的异常振动、转子部件摩擦与磨损等故障模式,利用水泵最容易获取的泵壳加速度信号的频域数据为输入,提出了一种结合卷积神经网络和注意力网络的频域数据注意力机制方法,并建立了核电厂水泵故障模式识别模型。研究结果表明:相对于传统方法,利用频域数据作为输入、基于频域数据注意力网络算法建立的水泵故障模式识别模型输入的数据长度更短,能够有效提升模型训练的效率,该故障模式识别模型在测试集上的故障模式识别准确率达到100%,优于其他基于深度学习算法建立的故障诊断模型,证明了本文提出方法的优势。      

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.     

控制棒驱动机构线圈电流曲线数据分析算法研究与实现

控制棒驱动机构(CRDM)用于实现对反应堆功率的调节与控制,其运行可靠程度直接影响着核电厂的安全性和经济性。目前核电厂和设备制造厂均缺少对CRDM进行可视化、智能化的故障诊断系统或数据分析方法。针对以上情况开发了一种控制棒驱动机构线圈电流曲线分析算法,用于对CRDM的线圈电流进行数据分析和故障诊断,从而可以实现对CRDM的智能分析和系统健康状态评估,以便于在核电厂调试及大修期间对CRDM进行全面的检修和维护。     

BP神经网络改进算法在核电设备故障诊断中的应用

根据训练误差大小自适应调整神经元输入特性参数,并应用改进的遗传算法对神经网络的权值和隐含层数目进行优化,对传统的人工神经网络误差反传算法进行了改进,使训练算法的收敛速度大大提高.将人工神经网络技术和改进的BP网络训练算法应用于核电设备故障诊断,并以核电蒸汽发生器U形管破裂为例,建立了故障诊断模型.仿真结果表明,该算法的应用是可行的.     

基于事件触发机制的核电站智能诊断专家系统置信规则库的研究

为提高核电站故障诊断的准确性和及时性,提出采用以核电站主要设备运行参数的报警状态为事件的触发机制对核电站设备故障进行诊断,利用核电站相关运行参数的信息集合建立事件触发下的核电站智能诊断专家系统置信规则库,而构建规则库采用故障机理模型与核电模型等相结合的方式,即在故障引起的报警下进行描述故障的征兆集合提取、规则的表示和规则变量的设定。通过在核电模型中人为引入故障,利用基于事件触发机制的核电站智能诊断专家系统进行故障诊断。诊断结果表明,本系统诊断出的故障类型与在核电模型中引入的故障类型一致,验证了本系统诊断结果的准确性,证明了此规则库的有效性和可行性。     

基于入侵性野草算法的核动力装置故障诊断

针对船用核动力装置故障原因与相应故障征兆之间并非完全一一对应的特点,提出了一种将入侵性野草算法和概率因果模型相结合的故障诊断方法,该方法将概率因果模型中的似然函数作为入侵性野草算法的适应函数,从而将复杂系统的故障诊断转化为优化问题。结果表明,该方法能用于诊断过程中出现的不确定性问题,也可实现通过多个征兆来诊断多个故障的目的,且具有较高的诊断可靠性与实用性。     

Enhanced graph-based fault diagnostic system for nuclear power plants

Scheduled maintenance and condition-based online monitoring are among the focal points of recent research to enhance nuclear plant safety.One of the most effective ways to monitor plant conditions is by implementing a full-scope,plant-wide fault diagnostic system.However,most of the proposed diagnostic techniques are perceived as unreliable by operators because they lack an explanation module,their implementation is complex,and their decision/inference path is unclear.Graphical formalism has been considered for fault diagnosis because of its clear decision and inference modules,and its ability to display the complex causal relationships between plant variables and reveal the propagation path used for fault localization in complex systems.However,in a graphbased approach,decision-making is slow because of ruleexplosion.In this paper,we present an enhanced signed directed graph that utilizes qualitative trend evaluation and a granular computing algorithm to improve the decision speed and increase the resolution of the graphical method.We integrate the attribute reduction capability of granular computing with the causal/fault propagation reasoning capability of the signed directed graph and comprehensive rules in a decision table to diagnose faults in a nuclear power plant.Qualitative trend analysis is used to solve the problems of fault diagnostic threshold selection and signed directed graph node state determination.The similarity reasoning and detection ability of the granular computing algorithm ensure a compact decision table and improve the decision result.The performance of the proposed enhanced system was evaluated on selected faults of the Chinese Fuqing 2 nuclear reactor.The proposed method offers improved diagnostic speed and efficient data processing.In addition,the result shows a considerable reduction in false positives,indicating that the method provides a reliable diagnostic system to support further intervention by operators.     

基于Adaboost算法的核电站故障诊断方法

针对当前基于集成学习的核电站故障诊断算法大多注重提高各种机器学习算法识别精度而忽略底层基学习器整合方法,导致集成学习算法识别事故类型精度难以提高,而且存在识别结果是否可信的问题。本文基于Adaboost算法设计了一种可使核电站控制系统自主识别故障类型的机器学习算法模型,该算法模型通过为集成学习的各种故障识别算法合理分配权重系数,提升集成学习整体算法对核电站事故类型的识别精度和算法可靠性。同时测试结果表明Adaboost算法对7种典型的核电站运行或事故工况的平均识别正确率可达95%以上;而且当事故发生150 s后,识别正确率可达100%。因此基于Adaboost算法的基学习器整合方法可用于优化集成学习的算法结构,提高算法对核电站事故类型的识别精度。      

A cascade intelligent fault diagnostic technique for nuclear power plants

Safe operation of nuclear power plant is one of the most important tasks in nuclear power development. This justifies the variety of methods that have been proposed to support the operators in the task of plant condition monitoring, fault detection, and diagnosis. A number of hybrid fault detection and diagnosis methods have also been proposed, with their attendant weaknesses. This work proposes the hybrid of principal component analysis (PCA), signed directed graph (SDG), and Elman Neural Network (ENN) for fault detection, fault isolation, and severity estimation, respectively. The proposed hybrid method is verified with the data derived from Personal Computer Transient Analyzer (PCTRAN) simulation. The verification result shows that the PCA-based fault detection methodology realized timely detection of anomaly in the simulated nuclear power plants system, the SDG-based fault recognition method was able to isolate the system abnormality and identify the root causes, and the ENN-based fault severity estimation method presents the failure fraction of fault, representing the severity. With this integrated hybrid method, more fault information is provided for the operators, which serves as a good foundation for further decision-making and interventions.     

基于朴素贝叶斯的核电厂事故诊断方法研究

本文将机器学习领域的贝叶斯技术应用于核应急中的电厂状态诊断,提出了基于朴素贝叶斯分类器的核电厂事故诊断方法。利用压水堆核电厂仿真机获取事故案例数据,对朴素贝叶斯分类模型进行训练,实现了对核电厂多类事故(LOCA、SGTR、MSLB)的诊断。测试结果表明,基于朴素贝叶斯分类器的核电厂事故诊断方法在诊断精度、诊断效率、事故类型可扩展性以及程序自主化诊断上有显著优势,并且模型训练中不同事故类型先验分布对诊断结果影响较小,具有较好的适用性。     

基于特征事件序列的船用核动力系统故障诊断方法研究

针对船用核动力系统工况多变、故障概率高、操纵员支持手段匮乏等问题,提出一种基于特征事件序列的故障诊断方法。在分析大量运行数据的基础上,通过定义特征事件序列来提取不同类型故障特征,并构建各种典型事故的标准特征事件序列谱。当系统运行发生故障时,按特定算法实时提取系统当前事件序列特征,将其与标准特征事件序列谱比对,通过计算相似度,辨识引起系统异常的初因事件。经试验验证,该方法可辨识初因事件的程度,并定位其相对位置,与传统数据驱动的方法相比,具有易追溯、可解释等优点,因而更具研究和推广价值。     

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。