基于概率神经网络的核动力装置异常运行工况识别方法设计

核动力装置结构复杂、运行参数多且耦合程度高,在异常运行工况时,运行参数之间存在极其复杂的非线性关系。采用人工方式进行故障诊断难度较大,亟需一种能高效识别异常运行工况类型的智能技术。概率神经网络(PNN)具有良好的非线性映射功能,适用于核动力装置多参数、强耦合情况下的异常运行工况识别。本文选取6种核动力装置异常运行工况,依托核动力装置事故分析平台进行了模拟计算并提取了特征参数。分别采用PNN与BP神经网络方法,在MATLAB环境中建立了异常运行工况识别模型,并进行了验证。结果表明,基于PNN的异常运行工况识别方法有效,且较传统BP神经网络方法更准确、快速。     

基于运行数据分析的核动力装置异常运行状态监测技术研究

设计一种基于动态霍普菲尔德(Hopfield)人工神经网络(ANN)的核动力装置异常运行状态监测方法。通过ANN的在线训练,保证ANN模型能够始终跟踪核动力装置因运行工况变化而引起的动态特性变化,降低误诊断的概率。通过观察ANN预测输出值与实际装置输出值之间的加权平均方差,可以在较早时间内检测出参数异常变化的出现。以一回路压力为例,进行运行参数典型异常变化的检测仿真实验。结果表明,该方法在全工况范围内,具有良好的参数异常变化检测能力。     

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。     

核动力装置运行支持系统的设计与开发

利用实时嵌入式操作系统VxWorks开发了核动力装置运行支持系统(NPPOSS),该系统可以利用计算机技术的优势给操纵员提供装置运行状态监测信息、警报分析信息、故障诊断信息以及应急操作规程等。本文对核动力装置运行支持系统进行了设计和开发,并以蒸汽发生器传热管破裂为例,在全范围仿真机上对该系统的可行性进行实验验证。结果表明,采用NPPOSS可以减轻操纵员的工作负担和精神压力,提高核动力装置的安全性。     

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。     

基于概率因果模型与遗传算法的船舶核动力装置故障诊断的新方法

介绍一种将概率因果模型和遗传算法相结合的核动力装置二回路凝给水系统的故障诊断方法,它将概率因果模型的似然函数作为遗传算法的适应函数,从而将复杂系统的故障诊断转化为最优问题。仿真结果表明,该方法能够适应诊断过程中出现的不确定性,并实现多故障诊断,具有较高的诊断可靠性和实用性。     

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。     

船用核动力装置稳态运行方式探讨

根据船用核动力装置运行的特点，在分析研究冷却剂平均温度和蒸汽压力恒定的所谓“双恒定”运行方式的基础上，提出了在装置运行的低负荷区域保持冷却剂平均温度和蒸汽压力恒定的“准恒定”运行方式，分析了其稳态运行特性。     

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。     

基于神经网络和概率安全分析的核电站故障诊断

对基于神经网络和概率安全分析 (PSA)的故障诊断模型进行了研究 ,利用部分参数建立了模型和编制了相应的网络程序 ,并提出了利用PSA的成果和其定量化的指标分析简化诊断对象 ,取得了很好的效果。     

核动力装置运行数据的特征提取方法研究

随着传感器技术的发展,核动力装置能采集和监测的运行参数越来越多,这不仅加大了操纵员的负担,而且提升了监测系统的负载。考虑到大多数参数之间具有相关性且部分参数是冗余参数,其中的有效信息可用少数参数表达,因此提出了运用机器学习方法稀疏自动编码器对核动力装置的运行参数进行特征提取,然后将提取的特征数据应用到状态监测中。结果表明,在测试样本数据中分别包含单一正常工况数据和多种正常工况数据情况下,经过特征提取后的数据不仅能提升状态监测的精度,而且还能减少计算资源,这对提升核动力装置的安全性具有重要的指导意义。     

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。     

核电厂选址中飞机坠毁的概率评价问题

结合核电厂前期选址工作中的经验,通过具体案例,从概率评价的计算方法到参数的选取,对飞机坠毁的概率评价问题进行了讨论。结论指出,从目前到2020年,典型核电厂址区域内坠机概率的量级介于10-9和10-8之间,小于筛选概率水平10-7,厂址区域内坠机事件不构成厂址成立的颠覆因素。     

基于概率神经网络的放射性核素快速识别方法研究

针对传统神经网络在核素识别中训练效果弱,易陷入局部极小、收敛速度慢等问题,提出了基于概率神经网络的核素识别方法,采用样本的先验概率和最优判定原则对新的样本进行分类。该方法利用能谱预处理过程获得的谱峰宽度、特征能量射线强度、峰面积等特征信息建立训练与测试样本,采用训练样本对概率神经网络模型进行训练,并进行了分类识别仿真实验。通过CZD探测器对3种核素不同组合的实测能谱进行测试,并与传统的神经网络算法进行对比表明:此方法具有较高的识别效率及准确率,可应用于安全监控、失控放射物探测等快速核素识别领域。     

BP神经网络在AP1000核电站事故诊断应用中的初步研究

核电站发生事故时,快速准确诊断出事故类型对于应急中采取相应的安全防护措施至关重要。本文采用BP神经网络对AP1000核电站的部分事故进行事故诊断,以部分事故分析结果为训练数据训练网络,以其他分析结果为测试数据,验证网络诊断事故类型时的准确性。结果表明,BP神经网络能正确诊断所分析的事故序列。     

核电厂内部水淹一级概率安全评价

核电厂内部水淹事件是一种可能引起多个设备同时失效的共因故障。应用概率安全评价方法对其进行分析,能够找出电厂薄弱环节,并完善电厂的设计。本文介绍进行核电厂内部水淹一级概率安全评价的方法,并以某300MWe核电厂为对象,利用RiskSpectrum程序,计算得到了内部水淹引起的堆芯损伤频率。计算结果表明,内部水淹引起的CDF占内部事件总CDF的2.45%,是很小的比例。     

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.