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。     

基于RELAP5的核动力装置故障诊断数据源研究

为解决故障状态下的核动力装置数据源问题,本文建立了核动力装置一、二回路系统的模型,选择秦山一期核电站为对象,利用RELAP5对蒸汽发生器U型管破裂进行计算.通过结果分析可知所建立的模型节点划分是合理的、数据卡编制准确,基于该模型产生的数据可信.将开发的数据与基于神经网络的故障诊断系统联调,诊断测试结果表明数据准确、充分,可以为核动力装置的故障诊断系统的研究提供数据支持.     

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。     

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.     

核动力装置混合智能故障诊断系统研究

针对核动力装置的状态监测与故障诊断问题,为克服单一故障诊断方法的局限性,本文提出了基于多层流模型(MFM)和信息融合理论的混合智能故障诊断方法。利用信息融合的方法来提高故障诊断的快速性和准确性,同时利用MFM方法解释故障发生时报警的传播路径,提高对诊断结果的可理解性。仿真实验表明,混合智能诊断方法能迅速判明故障并提交报警分析。     

基于灰色聚类分析的核动力装置故障诊断研究

针对核动力装置故障状态下征兆参数呈现出的灰色特征,提出将灰色聚类分析模型用于核动力装置故障诊断,采用了两种方法构造聚类模型。其一,基于AB0型灰色关联度分析的聚类模型主要通过核动力装置待检序列与标准故障模式序列间的AB0型关联度排序来分析故障类型;其次是基于灰色白化权函数分析的聚类模型主要由核动力装置待检序列与标准故障模式序列间的聚类系数值分析故障类型。以蒸汽发生器典型故障为例,验证了灰色聚类分析方法用于核动力装置故障诊断的可行性。分析结果表明,灰色聚类分析建模简单,可以实现故障的准确诊断。     

基于神经网络与表决融合的核动力装置故障诊断方法

针对单神经网络（ANN）故障诊断方法的不足,将多神经网络诊断与表决融合方法结合起来,研究了基于多神经网络与表决融合的核动力装置故障诊断方法。在该方法中,多个不同类型的神经网络训练后用于核动力装置的故障诊断。选择对核动力装置安全有重要影响的运行参数作为各神经网络的输入变量,神经网络的输出是核动力装置的故障模式。用表决融合方法对不同神经网络的诊断结果进行融合,从而得到核动力装置故障诊断的最后结果。利用核动力装置典型的运行模式来验证所提出的诊断方法的效果。结果表明,与单神经网络相比,该方法可提高核动力装置故障诊断结果的精度和可靠性。     

基于改进遗传算法的核动力装置故障诊断研究

针对核动力装置故障和对应征兆繁多的特点,并克服传统遗传算法进行故障诊断的固有缺陷,提出了一种基于改进遗传算法和概率因果模型的故障诊断技术,构建了诊断系统。该系统主要由数据采集模块和故障诊断模块构成,具有诊断实时性强、计算速度快的特点。为验证系统的有效性,对蒸汽发生器进行了故障诊断,测试结果与相关文献结论吻合。最后还与传统遗传算法进行了比较,表明改进后的遗传算法可有效避免误诊、漏诊现象,诊断准确率较高。     

基于SDG-QTA的核动力装置故障诊断技术研究

通过对核动力装置进行在线状态监测与故障诊断研究,帮助操作人员及时了解核动力装置的运行状态和事故进程,有助于操作人员进行正确操作,防止事故进一步恶化。符号有向图（SDG）能很好地展示出复杂系统变量之间的关系,同时具有建立模型简单、推理灵活等优点。本文采用SDG对核动力装置进行故障诊断研究。首先,将定性趋势分析(QTA)和阈值法结合对核动力装置进行状态监测。然后,采用SDG对核动力装置进行故障诊断,并通过SDG模型给出故障的传播路径。最后,以核电厂二回路典型故障为例,建立其SDG模型,并通过仿真机对该方法进行验证。     

核电设备状态监测与故障诊断系统的研究

故障诊断系统可作为先进核电站仪表控制系统的重要辅助工具。本文介绍1种用于核电设备的状态监测及故障诊断系统,该系统的系统程序用VisualBasic6.0开发,并集数据采集、状态监测、故障诊断于一体,功能完善,操作使用方便。为了验证该系统的有效性,在核动力装置模拟器上进行了仿真实验研究。实验结果表明,系统完全可对核电设备的典型故障进行准确识别。     

核测井系统故障诊断

为快速诊断和排除核测井系统应用现场出现的各种故障,提出了基于故障树、基于模糊理论和基于专家系统的故障诊断方法,给出的故障诊断实例表明,论文的故障诊断方法能够满足现场故障诊断和排除的需要,指出了测井系统故障诊断的发展方向.     

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DTW算法的参数缺失时的核动力系统故障诊断技术

由于核动力系统的在线监测参数在获取、传输过程中受到噪声的干扰,导致最终监测信号的随机缺失,对操纵员判断事故种类造成了较大的干扰。为此,提出了滑动时间窗口的动态时间弯曲故障诊断模型：构建在线实时监测参数的待测多元时间序列和已有的事故标准序列,将构建的待测多元时间序列采用滑动窗口去动态寻找标准序列中的最小累积距离,使用动态时间弯曲的算法计算待测序列或标准序列中监测参数缺失导致的序列不等长现象,通过最小累积距离得到待测时间序列的模式类别。结果表明：该方法从核动力系统事故发生的基本原理出发,对诊断结果具有较强的解释性和鲁棒性,同时可引入其他标准事故序列对模型进行拓展,该模型具有较强的拓展性。     

基于多层流模型的二回路系统故障诊断研究

通过分析核动力装置的二回路系统,并结合多层流模型(MFM)原理,建立了二回路系统的MFM.利用Visual C++,结合MFM推理规则及因果图(CDG)次序分析法建立了一套测试性的故障诊断系统,并在模拟器上进行仿真试验.结果表明,该诊断系统在故障发生时能准确判定潜在源故障,具有可视化程度高及可理解性强的优点.     

基于改进线性学习算法的核动力系统事故诊断研究

为解决核动力系统事故类型多样且故障严重程度难以确定的问题,在传统线性模型的基础上引入层级结构和嵌套结构,并选用支持向量机分类模型作为结构内的诊断模型;采用线性学习实现计算结果的融合,通过分析事故运行过程和机理选取单个分类模型的训练样本,并确定对应类别事故的有效识别区域及敏感参数。结果表明,本文提出的事故诊断框架的识别准确率达到99%以上,可为大型系统的事故诊断提供参考。     

基于故障树分析的核动力装置实时智能故障诊断专家系统设计

为实时有效诊断核动力装置故障,提高装置可靠性,本文在传统专家系统的基础上引入故障树分析技术,设计了基于综合诊断重要度的推理机制,引入机理模型诊断技术对专家系统诊断结果进行验证,进一步提高诊断系统的可靠性。