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.     

基于邻域粗糙集和决策树算法的核电厂故障诊断方法

核动力装置系统复杂,需要采集和监测的变量较多,这给装置故障诊断增加了困难。针对该问题提出基于邻域粗糙集的参数约简算法,该算法实现了实数空间的粒度计算,可直接处理数值型参数,无需离散化参数。在此基础上,采用决策树算法对核电厂的失水事故、给水管道破裂、蒸汽发生器U形管破裂和主蒸汽管道破裂等4种典型故障进行训练学习,并将诊断决策结果与支持向量机算法进行对比。仿真结果表明,该算法可快速、准确地诊断出核电厂上述故障。     

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.     

基于脉冲功率装置的圆柱腔体系统电磁脉冲研究

通过在中国工程物理研究院流体物理研究所的脉冲功率装置上开展圆柱腔体X射线辐照实验,研究了腔体系统电磁脉冲（腔体SGEMP）效应。应用一种网拍天线进行了圆柱腔体中电场的测量。此外,通过时域有限差分（FDTD）和粒子模拟（PIC）的数值方法,进行了腔体内电磁场的计算。研究发现,腔体内的气体会显著降低电场强度,而电场强度也会随剂量率的增加而增加。     

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。     

基于真实工况仿真的仪表控制系统故障诊断研究

针对核电厂在役仪表控制系统在线故障诊断存在涉及面广、风险高以及可能影响核安全的特点。提出基于真实工况仿真实现对故障和缺陷的定位和判断的仪表控制系统故障诊断方法。将真实工况运行参数信号提取作为信号源,注入与真实系统运算和控制逻辑相一致的仿真系统,采用特征值比较和小波变换的数学模型对异常和偏差进行运算,将计算值与经验设定值进行比较,实现故障的诊断。此方法在工程现场得到实施和验证,证明其可行性和有效性。     

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。     

基于遗传算法和知识库的核电厂故障诊断方法

将遗传算法与经典概率论相接合,利用知识库,针对核电厂故障诊断的特点,提出了一种故障诊断方法。本方法将核电厂部件状态与遗传算法中的群体相联系,利用专家知识的核电厂信号对群体进行约束,使该群体在诊断过程中不断发展变化,从而找出适合条件的个体,达到故障诊断的目的。在北京核电厂模拟培训中心９５０ＭＷ全尺寸模拟机上的实验表明,该方法对诊断过程中出现的虚假信号、专家知识不完备等问题有相当的适应性。     

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.     

基于灰色聚类分析的核动力装置故障诊断研究

针对核动力装置故障状态下征兆参数呈现出的灰色特征,提出将灰色聚类分析模型用于核动力装置故障诊断,采用了两种方法构造聚类模型。其一,基于AB0型灰色关联度分析的聚类模型主要通过核动力装置待检序列与标准故障模式序列间的AB0型关联度排序来分析故障类型;其次是基于灰色白化权函数分析的聚类模型主要由核动力装置待检序列与标准故障模式序列间的聚类系数值分析故障类型。以蒸汽发生器典型故障为例,验证了灰色聚类分析方法用于核动力装置故障诊断的可行性。分析结果表明,灰色聚类分析建模简单,可以实现故障的准确诊断。     

基于RS-FNN的核电厂设备智能故障诊断方法的研究

将粗糙集(RS)理论与模糊神经网络(FNN)相结合,能充分发挥各自的优点.本文利用RS方法对知识的约简技术,从大量的原始数据中提取精简的规则,基于这些规则建立的FNN网络具有更好的拓扑结构,学习速度大大提高、判断准确、容错能力强,具有更高的实用价值.为了验证该方法的有效性,以核电厂设备蒸汽发生器U形管破裂等故障为例,进行了仿真实验研究.诊断结果表明,将基于RS理论的FNN智能故障诊断方法引入核电厂设备故障诊断中是可行的,并且具有简单方便、计算量小、诊断结果可靠等特点.     

Rough集理论及其在核动力故障诊断中的应用

粗糙(rough)集理论是一种数据分析的数学理论,可对不完整、不确定的数据进行处理.由于核动力故障特征复杂多样,具有不确定性,因此,将rough集理论引入核动力故障诊断中,可通过对历史数据的分析处理发现相互干扰的故障特征与故障之间的规律.本文简要介绍了rough集理论及其知识获取,描述了基于可辨识矩阵的约简算法,给出了rough集理论在核动力故障诊断中的应用实例.对燃料包壳破裂、稳压器波动管破裂、主蒸汽管道破裂3种典型故障的诊断结果表明,该方法对消除故障特征信息的冗余、简化及优化核动力故障信息非常有效.     

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SDG-QTA的核动力装置故障诊断技术研究

通过对核动力装置进行在线状态监测与故障诊断研究,帮助操作人员及时了解核动力装置的运行状态和事故进程,有助于操作人员进行正确操作,防止事故进一步恶化。符号有向图（SDG）能很好地展示出复杂系统变量之间的关系,同时具有建立模型简单、推理灵活等优点。本文采用SDG对核动力装置进行故障诊断研究。首先,将定性趋势分析(QTA)和阈值法结合对核动力装置进行状态监测。然后,采用SDG对核动力装置进行故障诊断,并通过SDG模型给出故障的传播路径。最后,以核电厂二回路典型故障为例,建立其SDG模型,并通过仿真机对该方法进行验证。     

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。