基于灰色神经网络和支持向量机的两相流流型辨识

两相流流型直接影响两相流的流动特性和传热传质性能。利用小波分析对气液两相流压降实验数据进行处理,提取不同频率的小波系数。以小波能量为特征,输入BP神经网络进行训练,进行流型的初步辨识。将灰色神经网络模型应用于气液两相流的辨识,同时创立将压差波动数据和小波能量数据输入Lib-SVM机分类器的方法,分别对流型进行辨识。结果显示,这三种方法均可进行流型的辨识,小波能量支持向量机的判别结果比灰色神经网络和BP神经网络的判别结果准确。支持向量机对压差信号直接进行流型辨识时准确率达到95.2%。     

基于灰色马尔科夫组合模型的管道腐蚀速率预测方法

以灰色理论与马尔科夫所组成的组合模型为基础,对管道腐蚀速率的预测进行了研究.在对灰色预测模型进行改进的基础上,得到优化的灰色无偏模型,并利用新的灰色模型对腐蚀速率的趋势项进行了预测;采用马尔科夫模型对预测数据的残差进行预测.为了提高预测的精度,在预测过程中采用了滚动运算方法.结果表明,对灰色模型进行的改进设计是有效的,由改进的灰色理论模型与马尔科夫所组成的组合模型的预测精度较高,同时滚动运算方法也进一步提高了预测的精度.     

基于GM(1,1)模型与灰色马尔可夫GM(1,1)模型的核动力装置趋势预测方法研究

在核动力装置灰色GM(1,1)模型趋势预测的基础上,引入马尔可夫链预测理论,建立核动力装置灰色马尔可夫GM(1,1)趋势预测模型。该模型既考虑了GM(1,1)模型较强的处理单调数列的特性,又考虑了通过状态转移概率矩阵的变换提取数据随机波动响应的特点,灰色马尔可夫GM(1,1)模型将这两种性质有机结合起来,具有严密的科学性,从而拓宽了传统灰色GM(1,1)模型预测的应用范围。实例验证表明：灰色马尔可夫GM(1,1)模型充分利用历史数据给予的信息,不但能对核动力装置运行中的单调数列进行准确的趋势预测,也可实现对波动运行的重要参数进行准确的趋势预测,大幅提高了随机波动较大数据序列的预测精度。     

基于灰色马尔可夫链的核设备退化趋势预测

核设备的状态退化趋势预测是确定其在役检查以及维修计划的重要依据,但由于核设备样本小、退化数据缺乏、退化轨迹具有波动性,难以采用传统的概率统计模型对其退化趋势进行精确预测。为此,本文提出应用灰色马尔可夫链模型对核设备退化趋势进行预测的方法,该方法充分利用GM（1,1）和马尔可夫链的优点,能够有效提高核设备退化趋势预测的精度。并以屏蔽泵的退化数据为样本,精确预测了屏蔽泵的退化趋势,同时与GM（1,1）模型的预测结果进行了对比。结果表明,灰色马尔可夫链模型的预测精度更高,能够对核设备的退化趋势进行精确预测。     

基于BP神经网络的核探测器故障诊断方法研究

核探测器是核设施放射性监测的重要设备,为了保障该设备的持续稳定运行,本研究针对闪烁体探测器提出了一种基于BP神经网络的在线智能故障诊断方法。采用小波包变换将探测器输出信号从时域变换至频域后提取特征向量,将得到的特征向量作为BP神经网络故障诊断模型的输入,再通过误差梯度下降法对该模型的参数进行优化,最终利用最优的诊断模型完成故障类型的智能识别与分类,并将该方法与统计诊断方法和基于支持向量机的故障诊断方法进行横向的对比研究。研究结果表明,新方法的平均诊断准确率均优于上述两种方法。因此,该方法的应用能有效地提高核探测器的故障诊断准确率。     

GM(1,1)灰色模型在核电设备趋势预测中的应用

利用灰色系统GM(1,1)预测模型对核电设备运行中的重要参数进行趋势预测,根据核电设备运行参数自身历史数据建立动态微分方程,并预测自身的发展趋势,为核电设备的状态监测及故障的预测和诊断提供参考.以稳压器水位为例对该方法进行了验证,结果表明该预测方法具有数据量小、计算简单、预测准确的特点.     

利用支持向量回归对燃爆单元宽度进行预测的方法研究

燃爆单元宽度λ是衡量可燃气体燃爆风险的一项重要参数,通常认为其与特征化学反应区宽度δ的比值是无量纲活化能和无量纲温度的函数。在以上述两个无量纲量为自变量、以λ/δ的对数为因变量对实验数据进行回归的基础上,更进一步引入无量纲压力作为第3个自变量进行回归。另外,针对传统参数回归方法的不足,采用基于机器学习的支持向量回归方法进行数据拟合。比较回归结果发现,与采用二变量模型及参数回归方法相比,采用三变量模型及支持向量回归方法的计算结果与实验数据的拟合度更好,并能更为准确地预测不同初始条件下可燃爆气体的特征单元宽度。     

BP神经网络预测EDXRF中铁、钛元素含量

为了更好地定量分析矿石样品中铁、钛元素的含量,应用EDXRF分析技术建立了一个基于BP神经网络的预测模型。将矿石样品在EDXRF光谱仪中测得的荧光强度计数作为BP神经网络模型的输入变量,对该模型进行训练和检测。实验结果表明:该BP神经网络预测模型能获得较精确的结果,预测铁含量结果的相对误差不大于2.4%;预测钛含量结果的最大相对误差不大于2.3%;可用于地质矿石样品元素含量的分析预测。     

改进BP神经网络法预测环境氡浓度

针对传统BP神经网络进行环境污染预测时存在预测误差大、泛化能力弱和收敛速度慢等不足,提出了用最大熵原则代替传统BP神经网络均方差准则,推导最大熵原则下神经网络连接权值和阈值调整公式,建立了最大熵BP神经网络。最后利用氡浓度监测数据在Matlab平台进行了仿真实验,结果表明:改进模型的平均预测误差为5.22%,低于传统BP神经网络,同时具有预测结果可靠和泛化能力强的优点,可以较好地用于环境氡浓度预测研究。     

基于HMM&SVM的核动力设备机械故障诊断方法研究

核动力设备复杂且积累的资料与故障样本少,传统的诊断方法有待改进。隐马尔可夫模型与支持向量机是一种新的智能诊断技术。本文针对核动力设备机械故障诊断的特点,采用隐马尔可夫模型建模的方式进行故障的初步诊断,再利用支持向量机小样本的强推广能力进行进一步甄别。主泵故障模拟装置上的验证实验表明,HMM&SVM混合模型具有较高的故障识别率。     

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.     

基于改进BP神经网络的节流孔板空化特性预测

为高效地获取核级管道中节流孔板附近的空化特性,构建了可靠的改进反向传播（BP）神经网络预测模型。首先提取了节流孔板的几何特征参数,并使用拉丁超立方抽样（LHS）方法生成了上述几何特征参数的样本库;然后通过计算流体力学（CFD）方法得到了各个样本对应的最小空化数,以该无量纲参数作为输出响应;最后针对原始BP神经网络预测模型的不足,结合遗传算法建立了节流孔板空化特性的改进预测模型。结果表明,孔板开孔直径和前开角度对最小空化数具有较强的全局敏感度;通过遗传算法优化后的BP神经网络预测模型的预测精度得到了大幅提升,误差均方根降低约36.4%。      

基于RBF神经网络的NPP运行状态趋势预测

针对当前核动力装置事故判断采用传统阈值报警方法难以实现早期预警这一问题,提出根据状态参数的变化趋势、利用RBF神经网络良好的局部特性对核动力装置运行状态趋势进行预测的方法。对正常瞬变和小破口失水事故下运行状态趋势进行了预测,结果表明,RBF神经网络能很好地预测状态的变化,与实测值拟合较好,能实现事故的早期预警。     

摇摆流动不稳定性的遗传算法优化神经网络预测

摇摆工况下自然循环系统的流动不稳定性现象对船用核动力系统的安全性有着显著影响。结合神经网络和遗传算法,对复杂不稳定性行为的预测进行了优化。采用小数据量法计算了流量时间序列的最大Lyapunov指数,得到了时间序列的最大可预测时间。应用单隐层BP神经网络对流量变化进行了多步滚动预测,在步数较少时预测结果与实验结果符合较好。但由于BP神经网络存在陷入局部最优解的问题,为此采用遗传算法对神经网络的初始阈值和权值进行优化,从而改善了BP神经网络的非线性预测性能。本文结果为流动不稳定性的实时预测提供了一种易于实际应用且准确度较高的途径。     

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。     

遗传神经网络在蒸汽发生器故障诊断中的应用

针对传统的BP神经网络学习算法易陷入局部极小以及收敛速度慢等问题,本文在神经网络中融合遗传算法,并将其应用到蒸汽发生器(SG)故障诊断中。结果证明,该算法能有效地解决网络训练中的收敛问题。     

Application of neural networks to signal prediction in nuclearpower plant

The feasibility of using an artificial neural network for signal prediction is studied. The purpose of signal prediction is to estimate the value of the undetected next-time-step signal. In the prediction method, which is based on the idea of autoregression, a few previous signals are input to the artificial neural network, and the signal value of next time step is estimated from the outputs of the network. The artificial neural network can be applied to a nonlinear system and has fast response. The training algorithm is a modified backpropagation model, which can effectively reduce the training time. The target signal of the simulation is the steam generator water level in a nuclear power plant. The simulation result shows that the predicted value follows the real trend well