船用核动力装置专家系统技术研究

以船用核动力装置为研究对象 ,建立了运行在仿真机上的全工况核动力装置运行仿真系统。利用智能专家控制理论 ,建立了能够管理整个装置运行的 ,能对典型运行故障进行检测与诊断的管理运行专家系统。此系统在出现故障时能及时调用知识库专家知识进行专家推理 ,分析核动力装置控制实际运行中典型故障产生的原因及解决方法、故障诊断处理具有实时性 ;利用神经网络理论 ,建立了神经网络故障检测与诊断专家系统 ,此系统将不断检测核动力装置各系统 ,并根据检测数据给出故障诊断结果。结果表明 ,在核动力装置三层智能控制结构下 ,利用神经网络故障检测与诊断专家系统对船舶核动力装置可能的运行故障进行险测与诊断 ,利用运行管理专家系统对核动力装置进行运行管理 ,提高了船用核动力装置的运行性能。所进行的专家系统研究对船用核动力装置的安全运行具有一定的指导意义     

SDG故障诊断方法在核动力装置中的应用研究

核动力装置运行状态的诊断关系到装置运行的安全性和可靠性。针对核动力装置系统复杂,难以建立数学模型的特点,本文将基于定性模型的符号有向图（SDG）方法应用于核动力装置中进行故障诊断,并以核动力装置主冷却剂系统为研究对象,提出了相应的建模方法并建立了SDG模型,根据所建立的模型开发了基于SDG方法的核动力装置故障诊断系统,并以蒸汽发生器传热管破裂（SGTR）事故和弹棒事故为例对该系统的诊断推理过程进行了分析。仿真结果表明,基于SDG的方法在核动力装置中能有效诊断故障,并能提供故障传播路径,具有良好的解释性,可为运行人员决策提供帮助。     

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。     

基于运行数据分析的核动力装置异常运行状态监测技术研究

设计一种基于动态霍普菲尔德(Hopfield)人工神经网络(ANN)的核动力装置异常运行状态监测方法。通过ANN的在线训练,保证ANN模型能够始终跟踪核动力装置因运行工况变化而引起的动态特性变化,降低误诊断的概率。通过观察ANN预测输出值与实际装置输出值之间的加权平均方差,可以在较早时间内检测出参数异常变化的出现。以一回路压力为例,进行运行参数典型异常变化的检测仿真实验。结果表明,该方法在全工况范围内,具有良好的参数异常变化检测能力。     

基于人工免疫系统的核动力设备故障诊断

针对核动力设备的复杂性和特殊性,提出了基于人工免疫系统的核动力设备故障诊断方法,给出了运用反面选择算法进行建模和克隆变异进化算法进行进一步故障识别的原则.将在旋转机械上采集到的某种信号进行特征提取,并将其作为信号的特征向量输入到建立好的AIS模型.仿真结果表明,此模型能较好地对各种故障类型进行识别.     

基于深度自编码器的核动力历史异常数据检测技术研究

为解决核动力历史异常数据检测中存在的新的异常识别困难问题,基于重构误差的思路,提出基于深度自编码器的历史数据异常检测模型。该模型以某稳态运行工况下正常历史数据为学习对象,通过最小化正常数据重构误差目标训练模型,根据待测数据重构误差大小判断其是否异常。研究结果表明,深度自编码器对正常数据重构能力较好,对异常数据重构能力不足。因此,通过比较重构误差大小,深度自编码器能够有效检测出核动力历史异常数据,其性能优于一类支持向量机,可以为核动力装置状态评估提供相关依据。     

基于概率神经网络的核动力装置异常运行工况识别方法设计

核动力装置结构复杂、运行参数多且耦合程度高,在异常运行工况时,运行参数之间存在极其复杂的非线性关系。采用人工方式进行故障诊断难度较大,亟需一种能高效识别异常运行工况类型的智能技术。概率神经网络(PNN)具有良好的非线性映射功能,适用于核动力装置多参数、强耦合情况下的异常运行工况识别。本文选取6种核动力装置异常运行工况,依托核动力装置事故分析平台进行了模拟计算并提取了特征参数。分别采用PNN与BP神经网络方法,在MATLAB环境中建立了异常运行工况识别模型,并进行了验证。结果表明,基于PNN的异常运行工况识别方法有效,且较传统BP神经网络方法更准确、快速。     

基于概率神经网络的核动力装置异常运行工况识别方法设计

核动力装置结构复杂、运行参数多且耦合程度高,在异常运行工况时,运行参数之间存在极其复杂的非线性关系。采用人工方式进行故障诊断难度较大,亟需一种能高效识别异常运行工况类型的智能技术。概率神经网络（PNN）具有良好的非线性映射功能,适用于核动力装置多参数、强耦合情况下的异常运行工况识别。本文选取6种核动力装置异常运行工况,依托核动力装置事故分析平台进行了模拟计算并提取了特征参数。分别采用PNN与BP神经网络方法,在MATLAB环境中建立了异常运行工况识别模型,并进行了验证。结果表明,基于PNN的异常运行工况识别方法有效,且较传统BP神经网络方法更准确、快速。     

专家系统知识表示及其在舰艇核动力装置故障诊断中的应用

为提高舰艇核动力装置安全可靠性，确保故障诊断能高效快捷,依据舰艇核动力装置故障特征，提出一种基于专家系统知识表示的故障诊断方法，该法将专家系统、知识表示与推理机有机结合。实践表明，基于专家系统知识表示的故障诊断方法能够对复杂多样的舰艇核动力装置故障做出诊断，有效提高舰艇核动力装置运行的安全性和可靠性。     

核动力装置混合式状态监测系统的研究

为了保障核动力装置安全、可靠地运行,避免重大事故发生,对核动力装置开展状态监测技术的研究十分重要。本文以民用核动力装置为研究对象,对一回路系统典型故障进行分析,选取特征参数并提取其征兆信息;采用混合式状态监测方法开展状态监测与故障诊断研究,故障识别效果良好,可以为核动力装置的安全运行与决策提供借鉴。     

BWR online monitoring system based on noise analysis

A monitoring system for during operation early detection of an anomaly and/or faulty behavior of equipment and systems related to the dynamics of a boiling water reactor (BWR) has been developed. The monitoring system is based on the analysis of the “noise” or fluctuations of a signal from a sensor or measurement device. An efficient prime factor algorithm to compute the fast Fourier transform allows the continuous, real-time comparison of the normalized power spectrum density function of the signal against previously stored reference patterns in a continuously evolving matrix.The monitoring system has been successfully tested offline. Four examples of the application of the monitoring system to the detection and diagnostic of faulty equipment behavior are presented in this work: the detection of two different events of partial blockage at the jet pump inlet nozzle, miss-calibration of a recirculation mass flow sensor, and detection of a faulty data acquisition card. The events occurred at the two BWR Units of the Laguna Verde Nuclear Power Plant.The monitoring system and its possible coupling to the data and processing information system of the Laguna Verde Nuclear Power Plant are described. The signal processing methodology is presented along with the introduction of the application of the evolutionary matrix concept for determining the base signature of reactor equipment or component and the detection of off normal operation conditions.     

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LSTM的核电传感器多特征融合多步状态预测

针对核电工况参数预测的问题,利用核电站传感检测系统采集的大量时间序列,提出了基于长短时记忆网络（LSTM）的多特征融合多步状态预测模型。以某核电厂实时参数系统采集到的SG1蒸汽压力传感数据为研究对象,首先针对数据缺失、采样时标不一致问题进行数据预处理,然后完成基于LSTM的多特征融合多步状态预测模型的结构设计与建模,最后将本文提出的预测模型与循环神经网络（RNN）、门控循环单元（GRU）、本文模型-全连接层1以及单变量LSTM等多步预测模型进行比较。实验结果表明,本文提出的预测模型的拟合性能和预测性能整体最优,同时也验证了基于LSTM模型的深度学习方法在核电站运行安全保障领域的适用性。      

基于近场LED点光源光度立体的核电设备表面缺陷三维检测

为提高核电设备表面缺陷检测能力,研究了近场发光二极管（LED）点光源照明条件下的光度立体三维检测方法。该方法采用迭代算法,确定光源发光特性参数,进而实现精确的光照强度估计,并结合光源与被检表面点空间位置的计算方法,实现近场LED点光源照明下被检测面上不同点的光照强度与光线方向的估计。以此为基础设计表面缺陷三维检测系统,并将该系统在表面损伤试样以及实际核电设备上进行实验验证。结果表明,该系统可以获取表面缺陷三维信息,并且对于划伤类缺陷,能够实现比较精确的深度测量。因此,该系统可以有效提高表面缺陷的检测能力。      

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。      

基于大数据和关系型数据相融合的反应堆远程运维数据管理系统开发

根据核电运维的流程详细梳理了运维的各类数据，分析了数据类型、数据特征和量级，提出了大数据和关系型数据相融合的数据管理构架；根据远程运维的业务特点，进一步分析了核电运维的数据管理需求，基于B/S构架开发了基于大数据和关系型数据相融合的数据管理系统，创新了核电运维数据的管理模式。该系统已在核电运维服务中得到了有效应用，极大提升了核电运维工作效率，同时也为后续智能运维的研究提供了基础。      

核电厂智能操纵员支持系统的设计与开发

为了减轻核电厂操纵员在处理异常或事故工况时的工作压力和心理负担，以避免误判或误操作，本研究针对核电厂反应堆一回路系统及其关键辅助系统设计并开发了一套集数据采集与存储、在线监测、故障检测与诊断、关键参数趋势预测等功能于一体的核电厂智能操纵员支持系统（NPPIOSS），仿真验证结果表明NPPIOSS能够准确检测并识别核电厂的典型故障，从而帮助操纵员准确判断核电厂状态，以减少人因失误。因此，NPPIOSS能够在核电厂故障后辅助操纵员进行后续的决策处理，达到提高核电厂运行安全性的目的。     

Calculation of risk-based detection limits for radionuclides in the liquid effluents from Korean nuclear power plants

In order to review if present detection limits of radionuclides in liquid effluent from nuclear power plants are effective enough to warrant compliance with regulatory discharge limits, a risk-based approach is developed to derive a new detection limit for each radionuclide based on radiological criteria. Equations and adjustment factors are also proposed to discriminate the validity of the detection limits for multiple radionuclides in the liquid effluent with or without consideration of the nuclide composition. From case studies to three nuclear power plants in Korea with actual operation data from 2006 to 2015, the present detection limits have turned out to be effective for Hanul Unit 1 but may not be sensitive enough for Kori Unit 1 (8 out of 14 radionuclides) and Wolsong Unit 1 (9 out of 42 radionuclides). However, it is shown that the present detection limits for the latter two nuclear power plants can be justified, if credit is given to the radionuclide composition. Otherwise, consideration should be given to adjustment of the present detection limits. The risk-based approach of this study can be used to determine the validity of established detection limits of a specific nuclear power plant.