基于多分类SVM的船用核动力装置主回路系统破口特征诊断技术研究

失水事故发生时,在事故初期判断出事故类型对操纵员安全操作意义重大,为此提出一种基于监控参数的失水事故类型判断方法。该方法根据事故发生后13 s内监控参数的变化速率与破口类型的对应关系,提取故障征兆,建立事故判断模型,并根据建立的模型使用支持向量机分类的方法进行破口事故类型判断。试验结果表明,该方法在事故发生初期可准确、有效地判断出典型失水事故的破口尺寸和相对位置。     

基于时间卷积胶囊网络的核动力装置事故诊断技术研究

核动力装置是复杂的系统工程且具有潜在的放射性危险,因此要及时发现并处理其事故问题,避免造成严重后果。为建立核动力装置事故诊断方法,对操纵员的安全分析提供新的辅助手段,提出了一种基于时间卷积胶囊网络的核动力装置事故诊断方法。首先通过时间卷积核提取数据的时序信息,并降低计算难度,然后通过胶囊网络挖掘数据的深度向量特征,能够最大化利用运行信息中的数据特征,在事故数据较少的情况下也能得到很好的收敛效果,最后通过核动力装置全范围仿真模拟机获取事故仿真数据对模型进行训练和测试。研究结果表明,在核动力模拟机事故数据较少的情况下,相比于传统的深度学习方法,时间卷积胶囊网络模型有更好的收敛效果和诊断准确性。     

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。     

基于特征事件序列的船用核动力系统故障诊断方法研究

针对船用核动力系统工况多变、故障概率高、操纵员支持手段匮乏等问题,提出一种基于特征事件序列的故障诊断方法。在分析大量运行数据的基础上,通过定义特征事件序列来提取不同类型故障特征,并构建各种典型事故的标准特征事件序列谱。当系统运行发生故障时,按特定算法实时提取系统当前事件序列特征,将其与标准特征事件序列谱比对,通过计算相似度,辨识引起系统异常的初因事件。经试验验证,该方法可辨识初因事件的程度,并定位其相对位置,与传统数据驱动的方法相比,具有易追溯、可解释等优点,因而更具研究和推广价值。     

基于ESD的船用核动力装置一回路系统失水事故的事件序列

针对船用核动力装置事故分析的特点,从核动力装置运行安全的角度出发,采用基于事件序列图(ESD)和运行安全分析的联合分析方法,建立船用堆一回路系统失水事故的ESD模型。分析研究事故的演变过程和后果,获得完整的事件序列。     

紧凑型核动力系统的热工水力数值模拟

将多孔介质模型应用于紧凑型核动力系统的热工水力数值模拟,开发了计算程序,并以船用反应堆为例进行了初步的分析计算。为紧凑型核动力系统的热工水力特性整体多维模拟提供了可行的方案,也为紧凑型核动力系统综合分析平台的研制打下了基础。     

基于v-支持向量机的事故工况下反应堆功率预测

针对事故工况下堆芯功率变化的特点和神经网络（ANNs）易陷极小值、收敛速度慢等问题,提出一种基于ν-SVR）的事故工况下堆芯功率预测方法。该方法运用k重交叉验证（k-CV）完成对ν-SVR预测器并将其用于弹棒事故（REA）和落棒事故（RDA）工况下的堆芯功率预测。研究表明,与ANNs相比,该方法具有更高的预测精度和更短的响应时间。      

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。     

基于人工免疫系统的核动力设备故障诊断

针对核动力设备的复杂性和特殊性,提出了基于人工免疫系统的核动力设备故障诊断方法,给出了运用反面选择算法进行建模和克隆变异进化算法进行进一步故障识别的原则.将在旋转机械上采集到的某种信号进行特征提取,并将其作为信号的特征向量输入到建立好的AIS模型.仿真结果表明,此模型能较好地对各种故障类型进行识别.     

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.     

基于粗糙集理论和支持向量机算法的核电厂故障诊断方法

核电厂故障特征复杂多样,具有不确定性.提出一种基于粗糙集理论和支持向量机(SVM)算法的核电厂故障诊断方法.该方法运用粗糙集理论完成对不确定、不完整数据的约简,然后在此基础上设计SVM多级分类器进行故障诊断.最后,将该方法用于核电厂蒸汽发生器传热管破损、冷端破口、汽相破口、热阱丧失等4种典型故障的诊断.研究表明,该方法能够实现对核电厂故障的快速准确诊断.     

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。     

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。     

核电站故障诊断专家系统综述

介绍了核电站故障诊断专家系统的发展状况,着重了模式匹配,基于因果网络和基于系统结构与功能模型等诊断方法的基本特点,最后本文还简要了提高诊断系统性能而采用的分布式与混合型的求解策略和人机界面集成化的设计方法。     

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。     

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。     

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。     

核动力系统神经网络故障诊断专家系统研究

以核动力系统故障诊断专家系统所存储的产生式规则库为依据,构造专家系统人工神经网络模块,建立具有并行推理能力的神经网络推理机制和实例学习能力的知识获取机制。在此基础上,建立了针对所构建神经网络的推理解释机制。系统融合了传统专家系统和神经网络各自优势,能高效、准确地进行实例推理、诊断解释并能有效地从实例中获取知识。