RBF人工神经网络在核电厂故障诊断中的应用

对核电厂二回路凝给水系统常见故障原因进行了分析,结合专家知识建立了二回路凝给水系统故障知识库;在此基础上,将径向基函数(RBF)人工神经网络引入到核电厂故障诊断中.由于采用了动态RBF网络设计方法,使神经网络的规模较小,同时具有较高的泛化能力,提高了神经网络的诊断速度及准确性.并使用VC 语言建立了一个故障诊断系统.     

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Adaboost算法的核电站故障诊断方法

针对当前基于集成学习的核电站故障诊断算法大多注重提高各种机器学习算法识别精度而忽略底层基学习器整合方法,导致集成学习算法识别事故类型精度难以提高,而且存在识别结果是否可信的问题。本文基于Adaboost算法设计了一种可使核电站控制系统自主识别故障类型的机器学习算法模型,该算法模型通过为集成学习的各种故障识别算法合理分配权重系数,提升集成学习整体算法对核电站事故类型的识别精度和算法可靠性。同时测试结果表明Adaboost算法对7种典型的核电站运行或事故工况的平均识别正确率可达95%以上;而且当事故发生150 s后,识别正确率可达100%。因此基于Adaboost算法的基学习器整合方法可用于优化集成学习的算法结构,提高算法对核电站事故类型的识别精度。      

反应堆补水系统诊断贝叶斯网络的建立和应用

建立了补水系统贝叶斯故障诊断网络。在结合补水系统结构特点、运行规程和专家经验的基础上构建了初始诊断贝叶斯网络,运用基于微粒群优化的贝叶斯网络学习算法学习故障数据集,进一步构建完整网络,并进行推理分析。所建网络能有效分析和更新系统中各节点故障概率,为故障诊断提供辅助决策。     

分布式故障诊断策略及其在核电站中的应用

核电站运行状态的监测与故障诊断直接关系到核电站的安全性、可靠性和经济性.针对核电站故障诊断特点,本文提出了一种分布式故障诊断方法,开发了反应堆冷却剂系统分布式故障诊断系统(RCSDFDS).实验测试表明,RCSDFDS不仅能够对单一故障进行及时、准确的识别,而且对多重故障也具有良好的识别效果.     

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SVM和DWT的辐射图像局部特征识别方法

针对辐射图像的特点,设计并开发了一种支持向量机（SVM）和基于离散小波变换（DWT）的局部特征识别方法。使用支持向量机解决了辐射图像局部特征提取的困难和分类器对样本数目的要求。而小波的应用使得该算法能够支持多分辨率的特征提取,并提高了总体识别效率。还对比了两种常见的核函数,实验结果表明高斯径向基函数能够取得比较好的分类效果。     

基于入侵性野草算法的核动力装置故障诊断

针对船用核动力装置故障原因与相应故障征兆之间并非完全一一对应的特点,提出了一种将入侵性野草算法和概率因果模型相结合的故障诊断方法,该方法将概率因果模型中的似然函数作为入侵性野草算法的适应函数,从而将复杂系统的故障诊断转化为优化问题。结果表明,该方法能用于诊断过程中出现的不确定性问题,也可实现通过多个征兆来诊断多个故障的目的,且具有较高的诊断可靠性与实用性。     

RBF神经网络在核能谱平滑中的应用

在γ能谱中,为对核素进行可靠的定性、定量分析,需对原始能谱进行平滑滤波。径向基函数(Radical Basis Function,RBF)由于具有网络全局逼近性质和最佳逼近性能,对核能谱进行函数逼近。根据平滑要求和处理速度,建立不同函数的RBF神经网络对核能谱进行平滑滤波。实验结果表明,RBF神经网络方法能达到更为灵活和合理的平滑滤波。     

基于高斯混合模型的汽轮机振动故障诊断

采用高斯混合模型(GMM)与小波包分析相结合的方法,对汽轮机振动故障进行了诊断研究.首先对振动故障信号进行小波包分解,去除干扰信号,提取包含故障特征信息的频段作为故障特征矢量.以此特征矢量建立GMM,并用建立的模型识别各种故障.利用在Bently实验台上测得的实验数据进行建模及故障识别.计算结果中,当模数M=12时,GMM识别故障的正确率约80%～90%,表明GMM结合小波包分析进行汽轮机振动故障诊断的方法能取得较好的效果.     

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.     

Application of neural networks to multiple alarm processing anddiagnosis in nuclear power plants

A feasibility study of multiple alarm processing and diagnosis using neural networks is presented. The backpropagation network (BPN) algorithm is applied to the training of multiple alarm patterns for the identification of faults in a reactor coolant pump (RCP) system. The general mapping capability of the neural network makes it possible to identify a fault easily. A number of case studies are performed, with emphasis on the applicability of the neural network to the pattern recognition of multiple alarms. Based on the case studies, the neural network can identify the cause of multiple alarms well, although untrained, incomplete/sensor-failed or time-varying alarm symptoms are given. Also, multiple faults are easily identified with a given alarm pattern     

集成神经网络方法在蒸汽发生器故障诊断中的应用

针对蒸汽发生器传统故障检测与诊断方法的不足,提出了基于集成神经网络的蒸汽发生器故障检测与诊断的新方法。该方法采用两个神经网络。一个神经网络作为蒸汽发生器的动力学模型,用于蒸汽发生器的重要运行参数的预测,其原理是通过检测蒸汽发生器运行参数监测信号值与相应的蒸汽发生器神经网络模型预测值之间的偏差来确定是否发生了异常,如果某一参数偏差超过了预先给定的极限,就认为发生了异常。另一个神经网络作为故障分类模型,用以对蒸汽发生器故障进行分类,给出故障的类型。由两个神经网络监测和诊断结果的融合给出蒸汽发生器故障较为清晰的信息。仿真结果表明,该方法能够提高蒸汽发生器监测与诊断的能力。     

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。     

Enhanced graph-based fault diagnostic system for nuclear power plants

Scheduled maintenance and condition-based online monitoring are among the focal points of recent research to enhance nuclear plant safety.One of the most effective ways to monitor plant conditions is by implementing a full-scope,plant-wide fault diagnostic system.However,most of the proposed diagnostic techniques are perceived as unreliable by operators because they lack an explanation module,their implementation is complex,and their decision/inference path is unclear.Graphical formalism has been considered for fault diagnosis because of its clear decision and inference modules,and its ability to display the complex causal relationships between plant variables and reveal the propagation path used for fault localization in complex systems.However,in a graphbased approach,decision-making is slow because of ruleexplosion.In this paper,we present an enhanced signed directed graph that utilizes qualitative trend evaluation and a granular computing algorithm to improve the decision speed and increase the resolution of the graphical method.We integrate the attribute reduction capability of granular computing with the causal/fault propagation reasoning capability of the signed directed graph and comprehensive rules in a decision table to diagnose faults in a nuclear power plant.Qualitative trend analysis is used to solve the problems of fault diagnostic threshold selection and signed directed graph node state determination.The similarity reasoning and detection ability of the granular computing algorithm ensure a compact decision table and improve the decision result.The performance of the proposed enhanced system was evaluated on selected faults of the Chinese Fuqing 2 nuclear reactor.The proposed method offers improved diagnostic speed and efficient data processing.In addition,the result shows a considerable reduction in false positives,indicating that the method provides a reliable diagnostic system to support further intervention by operators.     

基于RBF神经网络的NPP运行状态趋势预测

针对当前核动力装置事故判断采用传统阈值报警方法难以实现早期预警这一问题,提出根据状态参数的变化趋势、利用RBF神经网络良好的局部特性对核动力装置运行状态趋势进行预测的方法。对正常瞬变和小破口失水事故下运行状态趋势进行了预测,结果表明,RBF神经网络能很好地预测状态的变化,与实测值拟合较好,能实现事故的早期预警。     

基于粗糙决策模型的核电厂故障诊断方法

将粗糙集和信息熵相结合,提出了改进的决策树ID3算法,并提出了基于此算法和粗糙集约简算法的故障诊断方法.将该方法用于核电厂故障诊断.结果表明,该方法具有良好的故障诊断性能,可在核电厂故障诊断领域中应用.     

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。     

核电站分布式智能故障诊断系统研究与设计

为进一步减少核电站运行中发生故障后的误操作,根据核电站各设备功能分布及核电站数字化仪控系统分布式控制的特点,研究设计了核电站分布式状态监测与故障诊断系统。依据分解 综合的诊断思想,提出模糊神经网络和RBF神经网络进行分布式局部诊断和多源信息融合技术进行全局综合诊断的方法。仿真实验结果表明,该诊断系统能够正确诊断压水堆核电站多个典型故障,并能为核电站运行提供有效的帮助信息。