SDG故障诊断方法在核动力装置中的应用研究

核动力装置运行状态的诊断关系到装置运行的安全性和可靠性。针对核动力装置系统复杂,难以建立数学模型的特点,本文将基于定性模型的符号有向图（SDG）方法应用于核动力装置中进行故障诊断,并以核动力装置主冷却剂系统为研究对象,提出了相应的建模方法并建立了SDG模型,根据所建立的模型开发了基于SDG方法的核动力装置故障诊断系统,并以蒸汽发生器传热管破裂（SGTR）事故和弹棒事故为例对该系统的诊断推理过程进行了分析。仿真结果表明,基于SDG的方法在核动力装置中能有效诊断故障,并能提供故障传播路径,具有良好的解释性,可为运行人员决策提供帮助。     

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。     

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。     

核设施退役信息数据库的结构与功能设计

核设施退役工程是一项不仅需要考虑拆除（毁）设备、建筑物,还要考虑辐射影响和核废物处理的复杂工程,其拆除（毁）工作具有高危险、高污染的特点,因此建立针对核设施退役项目的信息系统辅助退役工程很有意义。本文通过收集退役活动数据(设备物资数据、源项数据、辐射剂量数据等)设计退役信息数据库,开发了基于退役数据库的信息管理系统,该系统可对数据库中各类信息数据（照片、图纸、辐射数据、时间等）进行录入、删除、修改、查询等基本操作,并根据各类数据处理流程的特点分功能模块进行相应数据信息的管理,并对不同数据信息进行分析。该系统可提升退役过程中的管理能力,优化工程安排,减少作业人员所受辐射剂量,是顺利进行退役活动的必要基础。     

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。     

多传感器数据融合技术在故障诊断中的应用

利用多传感器数据融合的方法进行故障诊断,建立融合故障诊断系统.将故障诊断系统按数据融合的方法分为数据级融合模块、特征级融合模块和决策级融合模块.数据级融合模块主要对多传感器的测量信号进行处理,提取出故障诊断的特征信息.特征级融合模块采用3个结构相同的并行神经网络,一是进行局部诊断;二是获得决策级D-S证据理论的基本概率赋值.决策级采用D-S证据理论的方法对特征级局部诊断的结果加以融合,得到最终的诊断结果.利用此系统在汽轮机转子试验台架上进行了故障诊断,得到了令人满意的结果.     

VRdose评估系统及其在日本普贤核电退役工程中的应用

VRdose评估系统是由日本原子能机构（JAEA）和经济合作与发展组织／核能署（OECD／NEA）Halden反应堆工程中心共同研究开发的。该系统具有模拟退役解体的全过程、量化退役中放射性废物及工作人员在辐射环境中的工作量、实现辐射强度分布的可视化、优化退役计划等功能。本文介绍VRdose评估系统及其在日本普贤核电站退役工程中的应用。     

基于邻域粗糙集和决策树算法的核电厂故障诊断方法

核动力装置系统复杂,需要采集和监测的变量较多,这给装置故障诊断增加了困难。针对该问题提出基于邻域粗糙集的参数约简算法,该算法实现了实数空间的粒度计算,可直接处理数值型参数,无需离散化参数。在此基础上,采用决策树算法对核电厂的失水事故、给水管道破裂、蒸汽发生器U形管破裂和主蒸汽管道破裂等4种典型故障进行训练学习,并将诊断决策结果与支持向量机算法进行对比。仿真结果表明,该算法可快速、准确地诊断出核电厂上述故障。     

基于PCA的核电站传感器状态监测方法研究

针对目前核电站中以物理冗余为主的传感器状态监测方法所存在的不足之处,提出了基于主元分析(PCA)的传感器状态监测方法,这种基于解析冗余的方法是对物理冗余方法的验证,解决了物理冗余方法不能实现传感器小漂移的监测,改善了冗余传感器组中多数传感器出现共模故障时,物理冗余监测方法可能给出错误融合结果的问题。使用核电站的真实传感器数据建立PCA监测模型,人为引入故障到测试数据中进行分析,仿真结果验证了文中提出的传感器状态监测模型的有效性。     

基于集成学习的核电站故障诊断方法

核电站系统复杂,需要采集和监测的变量较多,给核电站的故障诊断增加了困难。针对该问题提出集成学习算法,对核电站的失水事故、给水管道破裂、蒸汽发生器U型管破裂和主蒸汽管道破裂等4种典型故障进行训练学习,并分别在正常情况下和参数缺失情况下进行仿真实验。仿真结果表明,该算法在参数缺失的情况下仍能得到较好的诊断结果,具有良好的容错能力和泛化能力。