基于数据融合的核动力装置故障诊断方法

数据融合作为一种处理多源信息的方法适合于核动力装置的故障诊断。利用数据融合信息分级处理的思想，将核动力装置故障诊断分为3级进行，数据级采用了数据挖掘的方法对数据进行处理，对属性进行约简；特征级采用并行的3个神经网络处理数据级的约简属性，并将其输出作为决策级 Dempster-Shafer(D-S)证据理论的基本概率赋值；决策级采用了改进的D-S证据理论对神经网络的输出进行合成，克服了传统D-S证据理论无法处理冲突信息的缺陷。运用文献中的相关数据对该方法进行了测试验证，测试结果证实了该方法可正确诊断训练过的核动力装置相关故障，具有一定的应用价值。     

核电站分布式智能故障诊断系统研究与设计

为进一步减少核电站运行中发生故障后的误操作,根据核电站各设备功能分布及核电站数字化仪控系统分布式控制的特点,研究设计了核电站分布式状态监测与故障诊断系统。依据分解 综合的诊断思想,提出模糊神经网络和RBF神经网络进行分布式局部诊断和多源信息融合技术进行全局综合诊断的方法。仿真实验结果表明,该诊断系统能够正确诊断压水堆核电站多个典型故障,并能为核电站运行提供有效的帮助信息。     

安全级电动隔离阀故障诊断系统的研究与设计

采用有功功率法,将转矩测量理论与电气测量理论有机地集合,把对阀门转矩的测量转化为对驱动转动轴的有功功率和转速的测试,不仅能有效地测试出转矩,而且可以同时监测驱动电机工作时的三相电压、电流、功率等,经综合评判给出更合理的诊断.通过模拟阀门的各种故障形式,采集数据并提取分析信号特征,利用模糊聚类法建立故障数据库.通过模式识别分析实时故障,给出辨识结果.试验表明:这种诊断方法简单、有效,对于多种故障模式有很细致的表征.     

基于集成神经网络与模糊逻辑融合的稳压器泄漏监测方法

针对稳压器泄漏难以监测的问题,将集成神经网络(INN)与模糊逻辑融合(FLF)方法相结合,研究了稳压器泄漏监测方法。在该方法中,利用RBF神经网络(RBF-NN)建立稳压器泄漏诊断模型;采用两个Elman神经网络(Elman-NN)分别建立稳压器参数预测模型与稳压器泄漏诊断模型;应用模糊逻辑融合方法对RBF-NN与Elman-NN诊断的结果进行融合,并将其作为稳压器泄漏最终监测结果。为验证该方法的可行性,利用压水堆核动力装置模拟器对其监测效果进行了验证。结果表明,与单神经网络诊断方法相比,所提出的监测方法具有更高的可靠性;与其他泄漏监测方法相比,该方法简便、易行。     

核电系统故障诊断专家系统研究

针对核电系统的故障特征建立了专家系统．专家系统中的知识采用启发式表示,知识可以表示成确定性和不确定性知识,对于确定性知识采用简单的命题逻辑的推理机制,对于不确定性知识引入了确定性因子kCF来表示知识的不确定性,并据此建立了推理机制．为了解决专家系统中知识获取的“瓶颈”问题、将Rough集理论引入到了核电系统故障诊断系统,并将基于可辨识矩阵的约简算法做了改进在对属性重要性进行测度时,考虑了同决策类内具有同属性值属性及属性在可辨识矩阵中出现的次数等因素用该诊断系统在仿真机上对不同的故障进行了诊断,并得到了正确的结果。     

基于模糊距离的核电厂瞬态分段识别方法

近年来发展的核电厂瞬态识别技术,可为操纵员提供处于发展阶段的故障信息,有助于了解核电厂状态并及时采取相应的操作动作,保证核电厂的安全运行。将瞬态过程曲线分为两段,前段利用聚类方法用于快速识别,后段利用提取的瞬态过程的特征进行更准确的识别。利用待识别瞬态与参考瞬态间的模糊距离描述二者的相近程度,可以消除噪声等扰动的影响,并得到更符合认知习惯的结果。利用高温气冷堆核电厂仿真机的故障数据验证瞬态识别方法的有效性。     

基于模糊距离的核电厂瞬态分段识别方法

近年来发展的核电厂瞬态识别技术,可为操纵员提供处于发展阶段的故障信息,有助于了解核电厂状态并及时采取相应的操作动作,保证核电厂的安全运行。将瞬态过程曲线分为两段,前段利用聚类方法用于快速识别,后段利用提取的瞬态过程的特征进行更准确的识别。利用待识别瞬态与参考瞬态间的模糊距离描述二者的相近程度,可以消除噪声等扰动的影响,并得到更符合认知习惯的结果。利用高温气冷堆核电厂仿真机的故障数据验证瞬态识别方法的有效性。     

基于遗传算法的核动力设备实时故障诊断系统

在神经网络故障诊断研究的基础上,将遗传算法引入神经网络优化,并在此基础上设计了核动力设备遗传优化神经网络实时故障诊断系统.测试结果表明,该故障诊断系统能迅速、准确、可靠地诊断出所设故障.     

Study on nuclear power plant simulator for digital I&C system commissioning

介绍了开发的核电站仿真机结构及功能,接着以稳压器压力控制系统为例,利用该仿真机进行了现场DCS调试的应用研究.先测试确保其DCS逻辑功能,然后通过与核电厂实际测试结果对比分析后,改进仿真机模型,最后对现场DCS进行了参数优化.研究表明,仿真机应用于核电站现场DCS测试及参数优化调试具有节省现场调试时间、降低调试风险的优越性.     

集成神经网络方法在蒸汽发生器故障诊断中的应用

针对蒸汽发生器传统故障检测与诊断方法的不足，提出了基于集成神经网络的蒸汽发生器故障检测与诊断的新方法。该方法采用两个神经网络。一个神经网络作为蒸汽发生器的动力学模型，用于蒸汽发生器的重要运行参数的预测，其原理是通过检测蒸汽发生器运行参数监测信号值与相应的蒸汽发生器神经网络模型预测值之间的偏差来确定是否发生了异常，如果某一参数偏差超过了预先给定的极限，就认为发生了异常。另一个神经网络作为故障分类模型，用以对蒸汽发生器故障进行分类，给出故障的类型。由两个神经网络监测和诊断结果的融合给出蒸汽发生器故障较为清晰的信息。仿真结果表明，该方法能够提高蒸汽发生器监测与诊断的能力。     

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.     

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。     

BP－RBF神经网络在核电厂故障诊断中的应用

本工作将BP（backpropagation）神经网络与RBF（radialbasisfunction）神经网络相混合,并将其应用于核电厂的状态监测与故障诊断系统中,通过对核电厂典型故障的特征分析,建立相应的网络结构。为验证该混合网络的有效性,在核动力装置模拟器上进行了仿真实验研究,并用VisualBasic6.0编写了网络程序。研究结果表明：该混合网络具有良好的诊断准确性、实时性和可扩充性。     

基于概念格的核动力设备NN-ES故障诊断方法

将神经网络与专家系统相结合,能充分发挥各自的优点。本工作利用概念格获取对象属性,从大量的原始数据中提取对象故障征兆集的核心属性、不必要属性和相对必要属性。基于这些属性,构建不同重要度的神经网络,使网络学习速度大幅提高,判断准确。为了更好地提高核动力设备故障诊断的准确性,采用基于规则推理的专家系统,对各神经网络融合后的诊断结果进行验证诊断。为验证该方法的有效性,以核动力设备典型故障为例,进行了仿真实验研究。仿真实验结果表明,将基于概念格属性约简理论构建的神经网络与专家系统邦联的诊断方法引入核动力设备故障诊断中是可行的,并且具有网络学习针对性强、计算量小、诊断结果可靠等特点。     

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。     

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     

基于时间序列神经网络的蒸汽发生器传热管泄漏程度诊断研究

针对蒸汽发生器U形传热管泄漏，本文提出了一种基于时间序列神经网络对蒸汽发生器传热管泄漏程度进行诊断研究的方法。首先，对核电厂蒸汽发生器U型传热管泄漏进行机理分析，构建其数学模型，提取其泄漏的直接特征参数，再依据Fisher得分法，提取其间接特征参数；其次，通过滑动时间窗口法从预处理后的时间序列数据中生成数据样本，作为时间序列神经网络的输入，并以蒸汽发生器U形传热管泄漏程度信息为标注，基于反向传播（BP）算法对五层神经网络系统进行训练，得到蒸汽发生器U形传热管泄漏的时间序列神经网络模型；最后，模拟核电厂运行过程蒸汽发生器U形传热管泄漏时的时间序列测试数据。仿真结果表明，时间序列神经网络对演变事件的处理具有较好的有效性和较高的泛化能力，对故障程度的诊断研究具有参考价值。