粒子群优化算法在神经网络识别γ能谱中的应用

在神经网络识别γ能谱的应用中,针对BP算法极易陷入局部极小、收敛速度慢的缺点,根据粒子群优化算法具有全局寻优的特点,本文将PSO与BP算法结合起来形成一种训练神经网络的新算法--混合PSO-BP算法.将该算法应用到γ能谱识别中,克服了BP算法极易陷入局部极小的缺点,并且训练好的网络具有很好的泛化能力,识别正确率为100%.实例表明,混合PSO-BP算法用于γ能谱识别是非常理想的、有效的.     

基于BP神经网络的核素快速识别算法

研究了基于NaI便携式γ谱仪的核素识别算法,包括能谱光滑去噪、峰位识别、峰边界确定、基于特征峰的核素定性识别。将BP神经网络引入核素识别当中,分别采用全谱识别法和特征向量识别法对核素进行识别。全谱识别法以γ能谱每道计数作为神经网络的输入值,能充分利用能谱数据,提高结果的准确性。特征向量识别法是对能谱进行小波包分解得到频域的若干个特征值,作为神经网络的样本,大大降低了输入维数,提高了训练速度。     

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。     

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。     

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。      

基于递归定量特征的气-液两相流型融合识别

为了进一步提高流型识别的准确率,针对气-液两相流压差波动信号的非平稳特征,提出了一种基于递归定量分析(RQA)和多传感器数据融合技术的流型识别方法.该方法首先采用RQA方法提取压差波动信号的非线性特征参数,对3个不同取压间距压差波动信号的特征参数进行特征层融合,构成融合特征向量,并运用融合的特征向量对支持向量机进行训练并识别流型.对水平管内空气-水两相流4种典型流型的识别结果表明,经过多传感器数据融合,识别结果的可信度明显提高.     

基于iForest-Adaboost的核电厂一回路故障诊断技术研究

传统的故障诊断方法如主元分析方法与BP神经网络等在复杂非线性系统中存在泛化能力较差、故障识别准确度较低的问题。而孤立森林（iForest）算法使用孤立树划分思想识别异常数据，可适用于非线性系统的状态监测；Adaboost算法是一种基于组合分类思想的提升算法，可通过多个弱分类器的叠加，使整体算法具有较好的泛化能力。因此采用iForest算法与Adaboost算法建立iForest-Adaboost核电厂一回路故障诊断系统，使用GSE实时仿真平台与福清核电站一号机组仿真数据测试。测试结果表明，iForest算法相比于主元分析与QTA阈值法可以更快识别出系统异常，Adaboost算法相比于BP神经网络与支持向量机方法具有更高的故障识别准确率。      

基于小波包多尺度信息熵和HMM的气液两相流流型识别方法

为了研究垂直上升管中气液两相流的流型,利用自制的多电导探针测量系统采集了四种典型流型的电导波动信息.由于气液两相流电导波动信号的非平稳特征,提出了一种基于小波包多尺度信息熵(Wavelet Packet Multi-scal2e Information Entropy)和隐马尔可夫模型(Hidden Markov Model,HMM)的流型识别方法.该方法首先对采集到的电导波动信号进行3层小波包分解,得到了8个不同频带的信号,提取各频带信号的小波包多尺度信息熵特征作为流型的特征向量,然后将其转换为观测序列输入到各种状态的隐马尔可夫模型进行训练并识别流型.结果表明:与BP神经网络相比,采用隐马尔可夫模型进行流型识别可以获得更高的识别率,表明该方法是有效和可行的.     

基于图像小波包信息熵和遗传神经网络的气-液两相流流型识别

根据小波包变换能够将图像信号按不同尺度进行分解的特性,提出了基于图像小波包信息熵特征和遗传神经网络相结合的气-液两相流流型识别的新方法.该方法采用高速摄影系统获取水平管道内气-液两相流的流动图像,经过处理,对图像进行多分辨率分析,提取小波包变换系数的信息熵特征,用主成分分析法降低特征维数构成特征矢量,作为流型样本对遗传神经网络进行训练,实现了对流动图像的流型智能化识别.结果表明:图像小波包信息熵特征可以很好地反映各流型之间的差异;遗传神经网络结合遗传算法和BP算法各自优点,具有收敛速度快、不易陷入局部极小的特性,网络识别率为100%.