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。     

多重人工神经网络在10MW高温气冷堆故障诊断中的应用研究

对人工神经网络技术在10MW高温气冷堆故障诊断中的应用进行了可行性研究，并用事故工况下反应堆监控参数的实际值和趋势变化值分别对2个BP网络进行训练和检验，综合2个网络诊断结果得出最终诊断结果。经检验证明，采用神经网络具有较好的容错能力，对噪音信号有良好的鲁棒性。     

基于事件触发机制的核电站智能诊断专家系统置信规则库的研究

为提高核电站故障诊断的准确性和及时性,提出采用以核电站主要设备运行参数的报警状态为事件的触发机制对核电站设备故障进行诊断,利用核电站相关运行参数的信息集合建立事件触发下的核电站智能诊断专家系统置信规则库,而构建规则库采用故障机理模型与核电模型等相结合的方式,即在故障引起的报警下进行描述故障的征兆集合提取、规则的表示和规则变量的设定。通过在核电模型中人为引入故障,利用基于事件触发机制的核电站智能诊断专家系统进行故障诊断。诊断结果表明,本系统诊断出的故障类型与在核电模型中引入的故障类型一致,验证了本系统诊断结果的准确性,证明了此规则库的有效性和可行性。     

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。     

RBF神经网络校正长距离α测量的非线性研究

论文以被测管管径、管长、测量距离、风速、空气流量五个测量因素为输入,测量结果电离电压值为输出,利用RBF神经网络对LRAD测量结果进行预测。在活度为523.3 Bq的239Puα放射源环境下,测量220组数据。将BP神经网络与RBF网络对比,两者的平均绝对误差分别为5.65%、4.35%,训练时间分别为1.453、0.769 s。实验结果表明:RBF神经网络对LRAD测量结果的非线性校正效果优于BP神经网络。     

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。     

核电站故障诊断专家系统

近年来,故障诊断应用范围不断扩大,从航空航天部门的应用扩展到核电站故障诊断、医疗诊断等,取得了很好的效果。 故障的诊断首先要能在系统输出不符合要求时,及时检测出是哪些过程状态或特征量发生了变化并超     

全球核电站网络及其若干特性研究

应用网络科学的理论方法,基于实际数据,提出优先权排队网络模型,建立全球核电站网络;利用数值模拟研究了网络拓扑特性(度分布和群聚系数等);利用CFinder软件研究了网络的社团结构。结果揭示了全球核电站网络分布具有不平衡性和不均匀性,并基本反映了发达国家(节点度大)广泛采用成熟堆型、发展中国家(节点度小)从发达国家引进的事实。全球核电站网络相关的各种特性可反映全球核电站的发展现状及其核电站网络的演化特点。这些结果从网络科学视角为我国核电站的发展提供依据和参考。     

DUCG在核电站二回路故障诊断中的应用

自美国三哩岛核电站事故以来,故障诊断在核电站中的作用越来越被重视。为探索故障诊断在我国核电站中的应用,介绍了应用于复杂系统不确定性行为的智能故障诊断方法——动态不确定因果图(DUCG)。文中模型以中国广核集团有限公司宁德1号核电机组为原型构建,并利用与此机组对应的核电模拟机数据进行验证,保证了验证的有效性。验证结果表明,采用DUCG方法,能准确对核电站的典型故障进行识别和诊断,展现故障的发展过程,得到引发故障的原因事件和相应概率。     

船用核动力装置专家系统技术研究

以船用核动力装置为研究对象 ,建立了运行在仿真机上的全工况核动力装置运行仿真系统。利用智能专家控制理论 ,建立了能够管理整个装置运行的 ,能对典型运行故障进行检测与诊断的管理运行专家系统。此系统在出现故障时能及时调用知识库专家知识进行专家推理 ,分析核动力装置控制实际运行中典型故障产生的原因及解决方法、故障诊断处理具有实时性 ;利用神经网络理论 ,建立了神经网络故障检测与诊断专家系统 ,此系统将不断检测核动力装置各系统 ,并根据检测数据给出故障诊断结果。结果表明 ,在核动力装置三层智能控制结构下 ,利用神经网络故障检测与诊断专家系统对船舶核动力装置可能的运行故障进行险测与诊断 ,利用运行管理专家系统对核动力装置进行运行管理 ,提高了船用核动力装置的运行性能。所进行的专家系统研究对船用核动力装置的安全运行具有一定的指导意义     

基于概念格的核动力设备NN-ES故障诊断方法

将神经网络与专家系统相结合,能充分发挥各自的优点。本工作利用概念格获取对象属性,从大量的原始数据中提取对象故障征兆集的核心属性、不必要属性和相对必要属性。基于这些属性,构建不同重要度的神经网络,使网络学习速度大幅提高,判断准确。为了更好地提高核动力设备故障诊断的准确性,采用基于规则推理的专家系统,对各神经网络融合后的诊断结果进行验证诊断。为验证该方法的有效性,以核动力设备典型故障为例,进行了仿真实验研究。仿真实验结果表明,将基于概念格属性约简理论构建的神经网络与专家系统邦联的诊断方法引入核动力设备故障诊断中是可行的,并且具有网络学习针对性强、计算量小、诊断结果可靠等特点。     

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。     

基于卷积长短期记忆网络和人工鲸鱼算法的核反应堆运行事件诊断方法研究

当核电厂发生异常后应及时诊断原因,以避免对运行人员和周围环境造成严重后果。本文利用卷积神经网络（CNN）和长短期记忆（LSTM）网络可更好地提取数据的局部特征和记忆时间序列信息的特征,研究基于卷积长短期记忆（CLSTM）网络和人工鲸鱼算法的核反应堆运行事件诊断技术。通过核电厂反应堆模拟机仿真实验对本文所述方法进行测试,最终测试准确率为99.91%,证明了本文所述研究方法的有效性。相关研究成果可作为核电厂运行事件的一种诊断方法,有利于提高运行事件诊断的智能化和信息化水平,为核电厂的少人值守甚至无人值守提供技术基础,提高公众对核电厂的认识与信赖。      

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。     

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。     

核电厂两种实时故障诊断系统的对比

分别利用模糊神经网络技术和数据融合技术,采用VB6.0编程语言开发了核电厂实时故障诊断系统,并对诊断系统中所应用的智能诊断算法进行了详细的阐述.为比较直观地对比两个诊断系统,利用数据通讯程序接口使该诊断系统与仿真机进行实时数据交互,并在仿真机上设置了4种故障对两个诊断系统进行在线测试.测试结果表明,应用模糊神经网络技术和数据融合技术均能对故障进行识别,但都存在各自的优点和不足.离线分析表明,针对不同的故障类型,当特征参量较少时,采用模糊神经网络诊断技术较好;而特征参量较多时,最好采用数据融合诊断技术.     

On-line neuro-expert monitoring system for Borssele Nuclear Power Plant

A new method for an on-line monitoring system for the nuclear power plants has been developed utilizing the neural networks and the expert system. The integration of them is expected to enhance a substantial potential of the functionality as operators support.

The recurrent neural network and the feed-forward neural network with adaptive learning are selected for the plant modeling and anomaly detection because of the high capability of modeling for dynamic behavior. The expert system is used as a decision agent, which works on the information space of both the neural networks and the human operators. The information of other sensory signals is also fed to the expert system, together with the outputs that the neural networks generate from the measured plant signals. The expert system can treat almost all known correlation between plant status patterns and operation modes as a priori set of rules.

From the off-line test at Borssele Nuclear Power Plant (PWR 480 MWe) in the Netherlands, it was shown that the neuro-expert system successfully monitored the plant status. The expert system worked satisfactorily in diagnosing the system status by using the outputs of the neural networks and a priori knowledge base from the PWR simulator. The electric power coefficient is simultaneously monitored from the measured reactive and active electric power signals.