基于时序深度学习模型的安全壳关键参数快速预测研究

主蒸汽管道断裂（MSLB）事故威胁核电厂安全运行。本文基于时序深度学习模型预测核电厂非能动安全壳冷却系统（PCCS）在MSLB事故下关键安全参数随时间变化的瞬态响应。以瞬态安全参数为研究对象,数据通过线性归一化、特征标签分割预处理,使用短期数据集训练,采用长短时记忆网络（LSTM）和循环神经网络（RNN）建立单参量与多参量协同的时序深度学习模型;由多参量协同模型预测未经训练的长期数据集。研究表明:在同类事故、不同工况下,基于时序深度学习模型的预测具有适用性;基于训练短期数据来预测长期数据方法可行;使用LSTM的单参量模型或多参量协同模型的预测精度比RNN更高,基于LSTM深度学习模型能够有效、高精度快速预测MSLB事故下PCCS瞬态安全参数响应特性, 可为事故安全分析提供快速预测分析。      

基于ARIMA和LSTM组合模型的核电厂主泵状态预测

为了对核电厂主泵的运行过程进行监测和追踪,进而提高主泵的预警能力,提出了基于差分自回归移动平均（ARIMA）和长短期记忆（LSTM）神经网络组合模型的主泵状态预测方法,并用该方法对某核电厂主泵止推轴承温度和可控泄漏流量进行单步和多步预测,以根均方误差（RMSE）为指标对预测精度进行评估。结果表明,所建立的ARIMA和LSTM神经网络组合模型能够对主泵的状态进行准确的预测和追踪,并且组合模型的预测精度要优于ARIMA和LSTM单一模型,尤其在多步预测中,组合模型的优势更加明显。      

核电厂设备状态多参数同步监测技术研究

核电厂设备稳定的运行状态以及长期的运行数据积累为实现数据驱动的设备状态智能监测建立了良好的数据基础。本文提出一种基于多参数关联关系的设备状态智能监测方法,该方法包括建模、训练和推断3个步骤,建立数据驱动的设备状态智能监测和预警模型。首先识别并分析系统设备监测参数、参数监测内容和关联关系,设计建立监测参数的关联关系模型;其次,采集并筛选设备正常运行历史数据作为训练数据,基于反向传播（BP）前馈神经网络训练关联关系模型;最终,实时采集设备监测参数实测值,并基于模型推断各参数的预测值,监控实测值与预测值的偏差,当偏差超过预定的阀值时发出预警信息。本文以某电厂热交换器和主给水泵为例进行建模并验证,结果表明本文提出的监测模型可以有效同步监测设备参数微小异常变化,预警早期异常,同时保持极低的误报警率。      

基于机器学习的小型核反应堆系统状态预测方法

为支持小型可移动高温熔盐堆(TFHR)自动控制系统的开发,提出了一种基于机器学习的反应堆状态预测模型,以根据仪控系统的监测数据评估反应堆当前状态并预测其未来发展。该模型由一个反应堆物理子模型和热工子模型构成,由TFHR一回路的RELAP模型生成训练数据,通过支持向量回归(SVR)训练得到,并采用粒子滤波(PF)方法估计其中的未知模型参数。通过TFHR反应性引入事故的测试算例表明,本文提出的预测模型在预测反应堆状态、估计模型参数(如反应性引入率)等方面具有良好的性能。     

基于卡尔曼滤波的热老化性能可靠性预测

以核电站主管道为研究对象,运用性能退化可靠性理论,对主管道的热老化性能可靠性进行了研究。首先通过加速热老化实验获得的数据,分析主管道奥氏体不锈钢材料冲击性能及断裂韧性的退化过程,利用状态空间方法建立了时变性能退化量模型,并通过卡尔曼滤波对性能趋势进行预测;然后考虑冲击性能与断裂韧性之间的相关性,运用随机过程理论建立了基于多性能参数的主管道热老化实时性能可靠性预测模型,从而得到多参数下的主管道热老化性能可靠度及可靠性寿命,为核电站进行主管道老化维修决策优化管理提供了科学依据。     

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。     

一种自适应的控制棒驱动机构滚轮丝杠副剩余寿命预测方法研究

针对反应堆控制棒驱动机构（CRDM）滚轮丝杠副剩余使用寿命（RUL）预测中如何选取有效的健康状态指标和合理构建预测模型的难题,提出了一种新的滚轮丝杠副RUL预测模型。采用基于生成拓扑映射算法（GTM）的负对数似然概率（NLLP）指标作为滚轮丝杠副的健康状态指标,利用K均值聚类算法对NLLP指标进行状态划分。利用历史数据和在线监测数据构建基于Markov模型和最小均方算法（LMS）的自适应预测模型,根据设定的阈值预测得出剩余寿命。通过实验验证,结果表明本文选取的健康状态指标能够有效地反映设备状态,所给出的自适应预测模型比一般的预测模型的预测精度高,为合理构建RUL预测模型提供了依据。      

基于局部离群因子和神经网络模型的设备状态在线监测方法研究

核电厂重大设备状态在线监测是保障核电厂安全和经济运行的重要技术,针对传统阈值监测的固有缺陷,提出一种基于局部离群因子（LOF）和神经网络模型的设备状态在线监测方法。此方法属于多参数动态阈值监测方法,首先分析监测对象的故障模式和故障现象,选择一组可覆盖故障现象的传感器测点;根据设备运行特点采集足够长时间的历史运行数据,筛除异常数据;计算历史运行数据的LOF,以历史运行数据为输入、LOF为输出,建立并训练得到神经网络模型;最后基于神经网络模型和传感器测点实时数据计算设备健康指数,监控当前设备健康状态。将本文的监测方法用于循环水泵泵体健康状态的监测,并采集了一段时间的正常数据和异常数据以验证其监测效果,验证结果表明,本文提出的监测方法可以提前10d进行预警,降低误报率,大幅提升监控效能。       

基于长短期记忆网络的涉核运输事故后果预测

涉核部件在运输过程中，会因不可抗力因素发生化学爆炸事故，造成放射性核素的泄漏。在此类源项信息不完整、地形复杂的放射性核素扩散情景下，实现核素浓度变化的快速预测对于核应急决策具有重要意义。本文以山丘下垫面下含钚炸药运输化学爆炸事故为研究场景，提出了一种基于堆叠式LSTM网络的核运输爆炸事故放射性核素浓度预测方法。本文通过计算流体学（CFD）软件OpenFOAM模拟生成放射性核素Pu-239的扩散数据，根据地理特征和人口密度，选择特定区域的核素浓度和气象时序数据作为堆叠式LSTM网络训练和预测的数据集。基于网格搜索寻找局部最优的模型结构，最终所提出的模型在150次迭代内可以稳定地达到平均绝对百分比误差（MAPE）低于5%的Pu-239核素浓度预测效果。该模型具有较好的预测效率，在突发核应急场景中具有较高的实用价值。     

模型预测控制在压水堆堆芯功率控制中的应用

在压水堆核电站中,堆芯功率的自动控制难以实现。将模型预测控制方法应用于压水堆堆芯,以实现堆芯功率的自动控制。堆芯功率自动控制模型的建立是以反应堆堆芯模型和模型预测模型为基础的。反应堆堆芯模型包括中子动力学模型、热工水力学模型和反应性模型,模型预测模型以状态空间形式表述。为评估所设计的基于状态空间的模型预测控制系统的性能,设计了堆芯功率控制仿真实验。模拟结果表明:所设计的控制方法能快速、准确地控制堆芯功率,跟踪负荷变化。     

一种用于旋转设备运行状态无线监测的智能无线振动传感器设计

为提高已投入运行核动力装置旋转设备的运行数据采集和状态监测能力,需要解决安装传感器和敷设配套线缆困难的问题。本文采用现场可编程门阵列（FPGA）作为主控单元,设计了一种基于Zigbee物联网通信技术的智能无线振动传感器,并给出了其电路构成、工作原理,以及嵌入式控制软件的工作流程。通过对此传感器进行性能测试,结果表明该传感器功耗低,实现了对振动信号的连续采集、智能分析与上传。该无线传感器安装简单,无需敷设供电和信号线缆,可应用于构建核动力装置旋转设备的状态监测系统。      

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。      

核电厂智能操纵员支持系统的设计与开发

为了减轻核电厂操纵员在处理异常或事故工况时的工作压力和心理负担,以避免误判或误操作,本研究针对核电厂反应堆一回路系统及其关键辅助系统设计并开发了一套集数据采集与存储、在线监测、故障检测与诊断、关键参数趋势预测等功能于一体的核电厂智能操纵员支持系统（NPPIOSS）,仿真验证结果表明NPPIOSS能够准确检测并识别核电厂的典型故障,从而帮助操纵员准确判断核电厂状态,以减少人因失误。因此,NPPIOSS能够在核电厂故障后辅助操纵员进行后续的决策处理,达到提高核电厂运行安全性的目的。     

基于GM(1,1)模型与灰色马尔可夫GM(1,1)模型的核动力装置趋势预测方法研究

在核动力装置灰色GM(1,1)模型趋势预测的基础上,引入马尔可夫链预测理论,建立核动力装置灰色马尔可夫GM(1,1)趋势预测模型。该模型既考虑了GM(1,1)模型较强的处理单调数列的特性,又考虑了通过状态转移概率矩阵的变换提取数据随机波动响应的特点,灰色马尔可夫GM(1,1)模型将这两种性质有机结合起来,具有严密的科学性,从而拓宽了传统灰色GM(1,1)模型预测的应用范围。实例验证表明：灰色马尔可夫GM(1,1)模型充分利用历史数据给予的信息,不但能对核动力装置运行中的单调数列进行准确的趋势预测,也可实现对波动运行的重要参数进行准确的趋势预测,大幅提高了随机波动较大数据序列的预测精度。     

基于朴素贝叶斯的核电厂事故诊断方法研究

本文将机器学习领域的贝叶斯技术应用于核应急中的电厂状态诊断,提出了基于朴素贝叶斯分类器的核电厂事故诊断方法。利用压水堆核电厂仿真机获取事故案例数据,对朴素贝叶斯分类模型进行训练,实现了对核电厂多类事故(LOCA、SGTR、MSLB)的诊断。测试结果表明,基于朴素贝叶斯分类器的核电厂事故诊断方法在诊断精度、诊断效率、事故类型可扩展性以及程序自主化诊断上有显著优势,并且模型训练中不同事故类型先验分布对诊断结果影响较小,具有较好的适用性。     

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。