基于支持向量机的核探测器电路故障诊断方法研究

核数据的获取和处理包括探测器将核粒子能量通过模拟放大器转换成与之对应的脉冲幅度;再由模拟-数字转换器(ADC)或时间-数字变换器(TDC)将探测器给出的脉冲幅度(或时间间隔)变换成离散的核信息数据。本文根据其离散数据提取特征值并进行模式识别,尝试基于支持向量机的模拟电路故障定位,并通过软件仿真对此方法进行检验。通过具体成形放大模拟电路仿真实验,验证了支持向量机对模拟电路故障定位的有效性。     

摇摆条件下自然循环流量的混沌时间序列预测

采用相空间重构和支持向量机相结合的方法建立混沌时间序列预测模型,用该模型对冷却剂体积流量进行预测。应用粒子群算法对模型中参数取值进行同步优化后,预测值与实际测量值的平均相对误差为1.5%,相对精度为0.9879。结果表明,该模型能够用于摇摆条件下自然循环的冷却剂体积流量预测,且具有较高的精度和鲁棒性。     

摇摆条件下自然循环流量的混沌时间序列预测

采用相空间重构和支持向量机相结合的方法建立混沌时间序列预测模型,用该模型对冷却剂体积流量进行预测。应用粒子群算法对模型中参数取值进行同步优化后,预测值与实际测量值的平均相对误差为1.5%,相对精度为0.9879。结果表明,该模型能够用于摇摆条件下自然循环的冷却剂体积流量预测,且具有较高的精度和鲁棒性。     

应用于核工程领域的并行粒子群优化算法多处理器模型

粒子群优化算法是一种基于种群的启发式优化算法（PBM）,候选解通过模拟一个简化的社会适应度模型进行进化。由于该算法同时具有稳健、高效和简单的优点,因而获得了广泛的应用。许多粒子群优化算法的成功应用被报告,并且显示了其具有优于其他已被广泛接受的PBM的特点。但是,计算量对于粒子群优化算法以及所有其他PBM算法仍然是一个很大的制约因素,尤其是对于有费时目标函数的最优化问题。为了克服该困难,采用了并行计算。并行粒子群优化算法的默认优点是减少计算时间。探索这一性能的主．从模型方法是被研究最广泛的。粒子群优化算法可以通过更精细的邻居拓扑结构获得提高。因此,开发了几个不同的并行粒子群优化算法,以探索由多处理器之间的沟通策略实现的增强邻居拓扑结构的优点。将提出的粒子群优化算法应用于两个复杂、费时的核工程问题：①反应堆堆芯设计;②换料优化。通过实验得出以下结论：①在数千次迭代之后,并行粒子群优化算法仍可以找到更优的解,这制约了在此类实际应用问题中串行（非并行）粒子群优化算法的有效应用;②运用更精细沟通策略的并行粒子群优化算法,与主．从模型相比效率更高,更稳健。     

基于粒子群优化算法的压水堆换料优化初步研究

基于大亚湾核电站压水堆堆芯燃料组件布置建立优化的数学模型,采用离散的多目标粒子群优化算法和基于有限元法的堆芯计算软件"Donjon",及组件计算软件"Dragon",将粒子群程序与堆芯物理计算软件结合,编制完整的堆芯燃料管理优化程序。应用此优化程序对大亚湾核电站初装料进行优化的结果表明:粒子群优化算法得到的优化方案与参考方案相比,keff增加11.9%,且功率峰因子低于1.4,满足安全限值。     

基于核探测器信号波形特征的故障诊断研究

核探测器是一种特殊的随机信号转换器，发生故障时，采用传统的人工方法很难及时有效地对故障进行诊断。本文提出了一种针对闪烁体探测器信号波形特征的在线智能故障检测与分类方法，通过分析闪烁体探测器不同故障时的输出信号变化特征，建立了相应的故障模型。使用小波包算法与支持向量机理论分解并提取特征向量，即可判断故障类型。以ST401闪烁体探测器为例，进行了模拟仿真实验。实验结果表明，基于信号波形特征的数字化方法能快速有效地对闪烁体探测器进行故障自动诊断。     

基于核探测器信号波形特征的故障诊断研究

核探测器是一种特殊的随机信号转换器,发生故障时,采用传统的人工方法很难及时有效地对故障进行诊断。本文提出了一种针对闪烁体探测器信号波形特征的在线智能故障检测与分类方法,通过分析闪烁体探测器不同故障时的输出信号变化特征,建立了相应的故障模型。使用小波包算法与支持向量机理论分解并提取特征向量,即可判断故障类型。以ST401闪烁体探测器为例,进行了模拟仿真实验。实验结果表明,基于信号波形特征的数字化方法能快速有效地对闪烁体探测器进行故障自动诊断。     

核动力系统运行工况预判的深度学习方法研究

为建立核动力系统运行工况的高精度实时判别与运行监测参数的长时间在线预测方法，本研究基于神经网络模型，针对核动力系统运行状态预判开展了两方面工作。首先，基于核动力系统过去15个时间步（步长1 s）的监测参数变化，对运行工况进行实时诊断判别，同时，采用搜索算法对判别模型的参数进行优化，提高模型对运行工况的识别精度；之后，对核动力系统的关键运行参数进行超前预测。结果表明：优化后模型的诊断判别准确率稳定在0.99以上；在100个时间步的长时间序列下能够实现对于参数变化趋势的有效预测；对比支持向量机、K-近邻、多层前馈等多种经典的算法可知，改进的循环网络——注意力机制网络联合模型在核动力系统的运行预判方面表现优异。本研究所建立的运行工况预判方法可为保障核动力系统安全运行的辅助判断决策与超实时监测感知提供工程应用参考。     

基于CPSO滚动优化的堆芯功率自适应预测控制

针对核反应堆变功率过程中系统的非线性和反应性增量约束问题，本文将具备模型参数自适应辨识能力的改进型广义预测控制器（JGPC）应用于堆芯功率控制，该控制器通过预测模型参数和递推关系计算未来时刻的预测输出值，同时采用经正弦混沌策略和非线性惯性权重改进的混沌粒子群算法（CPSO）进行滚动优化，在优化过程中通过设定优化边界和混沌策略来处理反应性约束；以堆芯功率的受控自回归积分滑动平均模型（CARIMA）作为预测模型，并采用遗忘因子递推最小二乘法（FFRLS）自适应辨识模型参数，以克服堆芯功率模型非线性。基于MATLAB平台对本文控制器进行仿真验证，结果表明，该控制器在满足约束条件的情况下，能使堆芯功率快速、稳定地跟随设定值，且具备一定的抗干扰能力。      

基于快速非均匀平面波算法和混合粒子群算法的目标外形反演

提出了一种能同时重构多个导体目标外形的新方法一混合粒子群算法,利用快速非均匀平面波算法加速求解电磁散射问题,以测量的散射场和计算散射场偏差作为目标函数,将待优化变量设置为目标的截面轮廓近似多边形的矢径参数,通过混合粒子群算法对待优化变量进行优化,使目标函数达到最小值来对自由空间中的散射体进行电磁成像.仿真结果表明:混合粒子群算法简单、通用,比多向粒子群算法具有更好的收敛性能和成像精度,具有较强的抗随机噪声干扰能力.     

基于智能预测的反应堆功率调节研究

针对比例-积分（PI）控制需进一步提高控制性能的需求，采用单步预测控制方案结合在线T-S模糊辨识和粒子群优化算法设计反应堆功率控制器。该控制器在不同工况下的仿真结果表明，预测控制在调节响应速度、超调量等指标上效果优于原先采用的PI控制。      

核动力二回路系统优化设计

二回路系统是船舶核动力装置的重要组成部分,其重量和尺寸是影响核动力装置合理布置的重要因素。随着船用核动力装置大功率、高推进速度的发展趋势,二回路系统重量和体积进一步增加,对核动力设备的设计安装带来困难,并严重影响船舶的机动性。本工作建立了二回路系统的数学模型,开发了相应的计算程序,并对影响二回路重量的设计参数进行了敏感性分析。以二回路重量最小为目标和在给定的约束条件下,采用混合粒子群算法对二回路系统进行了优化设计。研究结果显示,采用优化方案后,二回路系统重量减小了7%。最后对计算结果进行了分析,指明了二回路系统优化设计的方向。     

Elucidation of Metallic Plume and Spatter Characteristics Based on SVM During High-Power Disk Laser Welding

During deep penetration laser welding,there exist plume(weak plasma) and spatters,which are the results of weld material ejection due to strong laser heating.The characteristics of plume and spatters are related to welding stability and quality.Characteristics of metallic plume and spatters were investigated during high-power disk laser bead-on-plate welding of Type 304 austenitic stainless steel plates at a continuous wave laser power of 10 kW.An ultraviolet and visible sensitive high-speed camera was used to capture the metallic plume and spatter images.Plume area,laser beam path through the plume,swing angle,distance between laser beam focus and plume image centroid,abscissa of plume centroid and spatter numbers are defined as eigenvalues,and the weld bead width was used as a characteristic parameter that reflected welding stability.Welding status was distinguished by SVM(support vector machine) after data normalization and characteristic analysis.Also,PCA(principal components analysis) feature extraction was used to reduce the dimensions of feature space,and PSO(particle swarm optimization) was used to optimize the parameters of SVM.Finally a classification model based on SVM was established to estimate the weld bead width and welding stability.Experimental results show that the established algorithm based on SVM could effectively distinguish the variation of weld bead width,thus providing an experimental example of monitoring high-power disk laser welding quality.     

Transient identification in nuclear power plants: A review

A transient is defined as an event when a plant proceeds from a normal state to an abnormal state. In nuclear power plants (NPPs), recognizing the types of transients during early stages, for taking appropriate actions, is critical. Furthermore, classification of a novel transient as “don't know”, if it is not included within NPPs collected knowledge, is necessary. To fulfill these requirements, transient identification techniques as a method to recognize and to classify abnormal conditions are extensively used. The studies revealed that model-based methods are not suitable candidates for transient identification in NPPs. Hitherto, data-driven methods, especially artificial neural networks (ANN), and other soft computing techniques such as fuzzy logic, genetic algorithm (GA), particle swarm optimization (PSO), quantum evolutionary algorithm (QEA), expert systems are mostly investigated. Furthermore, other methods such as hidden Markov model (HMM), and support vector machines (SVM) are considered for transient identification in NPPs. By these modern techniques, NPPs safety, due to accidents recognition by symptoms rather than events, is improved. Transient identification is expected to become increasingly important as the next generation reactors being designed to operate for extended fuel cycles with less operators' oversight. In this paper, recent studies related to the advanced techniques for transient identification in NPPs are presented and their differences are illustrated.     

核动力一回路系统双目标优化设计

本文编制了一回路系统数学模型评价程序,讨论了热工及结构参数的变化对一回路系统重量、体积的影响,利用自主开发的混合粒子群算法对一回路系统的重量、体积进行双目标优化。计算结果显示,采用优化策略后,一回路系统总重量和总体积分别减小了12.75%与13.69%,优化结果显著。     

基于CPSO滚动优化的堆芯功率自适应预测控制

In view of the nonlinear and reactive constraint of nuclear reactors in the process of variable power, this paper proposes an improved generalized predictive control (JGPC) for core power control. The JGPC calculates the predicted output value by predicting the model parameters and recursive relationships. At the same time, chaos particle swarm optimization (CPSO), which is improved by the sinusoidal chaos strategy and nonlinear inertia weight, is applied to the rolling optimization of JGPC. In the process of optimization, the reactive constraint are dealt with by setting optimization boundary and chaos strategy. The controlled auto-regressive integral moving average (CARIMA) model of core power is established as the JGPC prediction model, and the forgetting factor recursive least squares (FFRLS) method is used to identify the model parameters online. The JGPC controller is simulated and validated based on MATLAB platform. The results show that the controller can make the core power follow the set value quickly and steadily under the condition of satisfying the constraint, and has a certain anti-interference ability.     

基于AFSA-RF的两相流型图扩展技术

为预测高流速条件下的流型并建立流型图,提出一种基于人工鱼群算法(artificial fish swarm algorithm, AFSA)优化的随机森林(random forest, RF)的机器学习模型,基于最优、简化参数出发,进行流型的智能识别。该模型成功地应用于竖直下降两相流流型的识别,通过不同分类模型以及优化方法对实验数据进行计算,发现AFSA-RF模型的流型识别精度与稳定性高于未优化的RF模型以及其他主流优化方法,对高流速区域的流型的识别成功率达到了90.91%,进一步验证了该预测模型的有效性。依托建立的模型,对现有流型图的适应范围进行了扩展,获得了适用于高流速条件下的流型图。     

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。