基于深度学习的核电站事故预测及故障诊断方法

一种基于深度学习方法的长短期记忆(Long Short-Term Memory,LSTM)模型被用来预测核电站异常工况,以有效解决核电安全系统中工况参数预测的问题。该模型利用LSTM对于长时间序列数据处理的优势,关注异常工况中核心参数的预测。根据异常工况的预测需要,LSTM模型预测功能的训练通过历史运行数据集和滚动更新方法(Rolling Update,RU)完成,并且通过测试数据集进行了实验验证。实验结果表明,此模型能够在事故工况下有效地预测核心参数变化趋势,损失值可低至3.7×10-6。同时在小型失水事故(LOCA)的模拟工况预测中,LSTM模型能够对存在差异的同一类事故做出准确的工况走势预测,展现了其对于同类型事故工况的良好适应性。与传统数理统计方法和传统RNN方法的对比结果证明,基于LSTM的深度学习方法能够有效提升异常工况预测的准确度和时效性。     

基于深度学习工况预测的稳压器控制优化

为了优化传统核电站稳压器控制，本文将深度学习方法引入PID控制器。将长短期记忆（Long Short-Term Memory,LSTM）模型使用传统PID控制仿真数据训练后，为PID控制器提供工况预测数据，弥补因为传感器信号传输以及PID控制器计算带来的反馈延迟，从而使得PID控制器能够依据更实时的工况进行控制信号的计算。在验证实验中，对基于上述方法的智能PID控制器进行了功能验证和复杂工况运行验证。实验结果表明，智能PID控制器能够有效降低传统PID控制过程中的超调量（最高可降低80.7%），同时可以将传统PID控制达到稳态的时间缩短最多60.73s。该控制器的控制性能虽然受工况变化影响仍然较大，但是为核电站稳压器的智能优化方法进行了有益探索，为后续进一步利用人工智能方法改进传统核电站仪控方法提供了借鉴。     

基于LSTM参数动态更新的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和相关性,以及传统的寿命预测方法不能充分利用在线数据和非全寿命生命周期数据,从而导致预测精度不高的问题,提出了一种基于代价最小化的参数动态更新的LSTM预测模型.该模型采用离散小波变换对滚动轴承振动数据进行去噪,并提取时频域特征完成LSTM的训练与测试,利用在线监测数据滚动更新LSTM参数以提高预测精度.通过滚动轴承寿命试验证明,该模型可以准确预测滚动轴承剩余寿命,并且通过与BP神经网络和极限学习机的预测效果对比,验证了参数实时更新的LSTM模型在剩余寿命预测中的适用性.     

基于粒子群优化算法的蒸汽温度控制研究

基于感应加热的快速蒸汽发生器,具有热量损失小,无污染,产汽快的特点,针对设备蒸汽温度控制,提出了将粒子群算法优化模糊PID算法应用在其控制上,实现了温度的闭环控制。最后结合MATLAB仿真,搭建实验平台进行了验证,并在快速蒸汽发生器样机上完成了数据的测试和比较,通过实验结果验证了此装置具有高效、节能、环保的优点。     

数控机床进给伺服系统模糊自适应PID仿真

针对传统的PID控制策略不能满足数控进给伺服系统的对控制性能要求。结合模糊控制理论,在传统PID控制基础上设计出一种基于模糊决策的模糊自适应PID控制器。运用模糊控制理论,对PID参数进行实时修改,使系统具有较好的自适应能力和较强的鲁棒性。在MATLAB环境下对进给伺服系统进行了动态仿真;仿真结果表明,模糊自适应PID控制器的控制性能远优于常规PID控制器,即使在外界干扰和系统工况发生变化时,此控制器也具有很好的快速响应特性和较强的鲁棒性。     

蒸汽发生器液位控制系统分区控制策略研究

核电厂在降功率运行过程中会经历复杂的工况,这一过程会出现蒸汽发生器液位和给水流量的不稳定。本文通过对蒸汽发生器液位控制系统进行仿真分析,研究主要PID控制器的运行特性。在此基础上,提出分区控制策略,通过在不同功率水平下引入不同的整定参数,研究该策略的合理性和可行性。     

基于模型预测控制的重型自卸车差动制动防侧翻控制研究

为有效解决重型自卸车在极限工况下易侧翻失稳的问题,提出了一种基于模型预测控制的差动制动防侧翻控制方法。建立了重型自卸车九自由度车辆动力学模型,以零力矩点侧倾评价指标作为自卸车的侧翻评价指标,通过差动制动控制的方法为四个车轮提供制动力矩,以提高自卸车的行驶稳定性。为验证所提出的防侧翻控制方法的有效性,在鱼钩工况和阶跃工况下,以传统PID差动制动控制和无控制为对比,进行了MATLAB/Simulink与Trucksim的联合仿真,仿真结果显示,相比PID差动制动控制,所提出的基于模型预测控制的差动制动控制方法具有更好的抗侧翻能力,且稳定性较好。     

蒸汽发生器液位控制系统分区控制策略研究

核电厂在降功率运行过程中会经历复杂的工况,这一过程会出现蒸汽发生器液位和给水流量的不稳定。本文通过对蒸汽发生器液位控制系统进行仿真分析,研究主要PID控制器的运行特性。在此基础上,提出分区控制策略,通过在不同功率水平下引入不同的整定参数,研究该策略的合理性和可行性。     

一种基于最小二乘的锅炉汽包水位控制递推辨识算法研究

传统锅炉汽包水位采用常规PID控制,其控制参数是固定不变的,控制效果往往难以满足要求,会造成系统不稳定甚至失控。现讨论基于最小二乘的递推辨识算法,能在线估计系统模型参数,根据不同工况,实时跟踪参数。给出了两种算法的数值仿真,仿真结果表明,与传统PID控制算法相比,最小二乘递推辨识算法超调小,响应速度快,具有较好的控制效果。     

蒸汽发生器燃烧自动控制系统的算法研究

通过对蒸汽发生器燃烧控制系统的研究,比较分析蒸汽发生器现有燃烧控制方案,研制了基于PLC多模态与智能多模态PID相结合的控制算法,并通过仿真加以验证.     

基于车联网数据的坡度预测研究

道路坡度信息作为车辆行驶中动力性、经济性和智能化控制中的重要部分,其良好的预测精度对车辆的能量管理、制动辅助及预测性驾驶控制策略的制定具有重要作用,在道路规划、车辆导航中具有重大的应用价值,为智能导航、智能交通系统等提供数据支撑。为实时计算车辆行驶过程中的坡度状况,该研究采用来自车联网车辆实时采集的车速和GPS信息对车辆运行过程中坡度情况进行估计。考虑到坡度计算结果具有实时性且短时内对先前坡度信息具有一定的依赖。在坡度估计信息的基础上,构建了基于长短期记忆模型（LSTM）的坡度预测模型。为验证所提出的坡度估计方法及预测模型的有效性,利用一半挂车的自然驾驶数据对坡度进行估计计算,并将其作为预测模型的数据基础,利用基于LSTM的坡度预测模型进行对应的模型构建、参数初始化、训练及预测,并将预测结果与GRU模型进行对比。结果表明,所提出的坡度估计方法能有效地对车辆行驶过程中的坡度情况进行实时估计,采用基于LSTM的坡度预测模型对道路坡度预测具有较高的预测精度,其均方根误差和平均绝对误差分别为16.71和3.38,均优于GRU模型。     

融合Mar-G LSTM的流程生产工艺质量预测算法

针对流程生产连续性强、时序耦合复杂等特点,传统神经网络不具备长期记忆能力,且在深层次网络训练时易出现训练参数灾难、梯度爆炸等问题,提出基于马尔可夫优化的融合门控循环单元(GRU)与长短期记忆网络(LSTM)的组合预测模型(Mar-G LSTM)。首先在循环神经网络结构中融入门控机制构建深度LSTM神经网络模型,对流程生产时序数据信息进行选择性记忆,学习时序数据序列的信息依赖,进而解决训练过程中的梯度爆炸问题;同时结合马尔可夫链对GRU-LSTM模型的预测结果进行修正优化,在降低模型的复杂度的情况下进一步提高了模型的预测精度。最后,结合某流程生产线的工艺数据进行分析验证,结果表明,Mar-G LSTM算法在预测精度上较随机森林模型、门控循环单元神经网络模型(GRU)、长短期记忆神经网络模型(LSTM)和卷积神经网络与门控循环单元网络组合模型(CNN-GRU)分别提高了37.42%、21.32%、17.91%和12.56%,所提Mar-G LSTM算法可实现流程生产质量的准确预测,为降低工艺参数调控任务的完成时间提供了思路和实现途径。     

基于模糊PID的挂面烘房温度控制

以挂面烘房温度系统为研究对象,针对温度波动较大、易受外界环境干扰等问题,建立了烘房温度模型,设计了基于模糊PID算法的温度控制系统。采用两输入三输出的二维结构模糊控制器模型,通过模糊控制器实时调整PID控制器的参数。结合工厂实时采集的数据,将模糊控制器与传统PID控制器进行仿真比较。结果表明设计的模糊PID控制器超调小、抗干扰能力强,能适应于不同的工况,对实际控制系统具有一定的参考价值。     

注塑机机械手位置伺服系统灰色预测PID及迭代学习混合控制

本文结合灰色预测控制和传统PID控制的优点.设计了灰色预测变参数PID控制,并利用迭代学习控制的学习能力来增加控制算法对于周期运动系统的控制精度.该方法具有很强的适应性和鲁棒性.通过注塑机机械手位置伺服对象的仿真实验表明,该方法具有很高的控制精度和抗干扰能力.     

CANDU9蒸汽发生器仿真

本文主要针对ＣＡＮＤＵ９型蒸汽发生器,建立了模块化的蒸汽发生器模型,并用图形化的仿真语言ＬａｂＶＩＥＷ编制了蒸汽发生器仿真程序,通过对ＣＡＮＤＵ ９型ＳＧ的满功率运行工况的计算,表明本仿真程序的稳态计算结果与ＡＥＣＬ的实际结果比较吻合。对于引入单参数的阶跃扰动,本文对 ＣＡＮＤＵ９型ＳＧ的动态响应作了仿真计算,计算结果与实际分析完全一致,另外．单机计算的过程和结果具有实时性。     

基于LSTM的燃煤锅炉NOx排放预测研究

采用传统机器学习算法对电站锅炉建模时会有数据特征选择要求和稳态提取要求,为解决这一问题,采用一种长短时记忆(LSTM)递归神经网络对电站锅炉的NO_x排放进行了预测建模研究。模型训练和测试的数据为机组7天左右的历史运行数据,共10 000条,54个维度。结果表明,LSTM具有优秀的预测能力和泛化能力:对于训练集数据,所有样本的相对误差均小于5%,烟道A、B两侧NO_x浓度预测的平均相对误差分别为0.43%和0.44%;对于测试集数据,分别有97.49%和97.22%的样本相对误差小于10%,平均相对误差分别为2.08%和2.51%。同时,研究发现,相对于传统机器学习算法,LSTM对于机组变工况过度状态也有很好的预测能力。     

数控机床进给伺服系统模糊PID控制研究

数控机床进给伺服系统的各个环节具有较强的时变参数性和非线性,并且易被进给系统的振动和负载所扰动,传统PID调节方式缺乏对这种复杂耦合系统的自适应性。现将具有较好鲁棒性的模糊控制方法与传统PID控制方法相联合,既继承了传统方法简便、准确、快速的优势,又融入了模糊推理方法,对其参数进行调节,使之具有灵活变动的能力。对所生产某型数控车床的进给伺服系统建立数学模型并进行仿真研究,由仿真输出曲线可以看出,模糊PID控制方法较传统PID控制方法的控制效果更好。     

基于粒子群优化LSTM模型的管道应力预测方法

为了解决传统BP神经网络预测精度不高的问题,提出了一种基于粒子群优化(PSO)长短期记忆网络(LSTM)模型的管道应力趋势预测方法.在分析管道应力监测数据的基础上,利用LSTM模型对未来的应力发展趋势进行预测,进一步采用粒子群算法优化LSTM模型参数来提高预测精度,并基于均方根误差验证了PSO-LSTM模型的有效性,可...     

基于自适应的锌冶炼过程中pH参数控制的研究

根据锌冶炼pH控制的特点采用模型参考自适应的广义时变系统控制策略,利用控制系统响应特性以一定的规律自动调整调节器的PID参数,当工况、干扰或负载改变时,通过给定值扰动可得到对象输出波形,由波形辨识器获得特征参数向量,然后由专家系统求得PID调节器参数更新值,使可调系统的输出响应波形逐步趋于理想的响应波形.该系统能够提高浸出过程中pH的控制精度,并与传统的PID控制进行了实验仿真及各级中、酸性浸出槽pH现场控制的实时曲线比较.     

汽车驾驶员自适应模糊PID控制模型

汽车动力学控制系统具有强非线性特性,在人-车-路闭环系统中采用基于传递函数的传统方法难以建立精确的驾驶员模型.在"预瞄最优曲率模型"的基础上,对驾驶员校正环节采用模糊PID控制,对包括"魔术公式"轮胎模型在内的汽车模型,建立加速度反馈自适应模糊PID控制驾驶员模型.该模型通过模糊控制器在线实时调整PID的3个参数.仿真结果表明,所建立的自适应模糊PID控制驾驶员模型很好地描述了驾驶员的方向控制行为,为人-车-路闭环系统的进一步研究和智能车辆自动驾驶控制提供了可行的途径.