姜兴伟[1]2004年在《遗传神经网络在蒸汽发生器故障诊断中的应用研究》文中认为蒸汽发生器是重要的核动力设备之一，为其配置故障诊断系统对于保证其可靠运行、减少事故发生率具有十分重要的意义。 核动力装置是一个非常复杂的大系统，实际运行过程中参数变化幅度较大，使得传统的故障诊断方法在该领域的使用受到限制。随着人工智能、模式识别等理论迅速发展，智能化诊断技术已成为故障诊断领域一个新的研究方向。 在对国内外先进核动力装置的状态监测和故障诊断系统进行研究的基础上，本文以蒸汽发生器为对象，建立了核动力装置蒸汽发生器故障仿真模型，实现了对蒸汽发生器叁种常见故障的动态仿真。基于遗传算法的全局搜索和BP网络局部精确搜索的特性，通过用遗传算法优化网络初始权重的方法，将遗传算法和BP算法有机结合，做到了优势互补。论文利用“连续异或”实例验证了遗传神经网络的正确性，最后将传统BP网络跟遗传神经网络应用到蒸汽发生器故障诊断中，结果证明，遗传神经网络能够快速、准确有效地实现故障诊断的目的。 论文最后利用Visual C++平台建立了基于遗传BP网络的蒸汽发生器故障诊断系统，该系统采用人机交互界面，具有界面友好，操作简单等特点。
林孝工, 姜兴伟, 刘涛, 施小成[2]2005年在《遗传神经网络在蒸汽发生器故障诊断中的应用》文中认为针对传统的BP神经网络学习算法易陷入局部极小以及收敛速度慢等问题,本文在神经网络中融合遗传算法,并将其应用到蒸汽发生器(SG)故障诊断中。结果证明,该算法能有效地解决网络训练中的收敛问题。
郭沫[3]2012年在《基于多分类支持向量机的核电站故障诊断技术研究》文中研究表明故障诊断系统对保证核电站运行的安全性和经济性具有重要作用。目前，我国核电站主要采用传统的阈值报警方法，无法为操作人员提供故障发生的原因以及发展趋势等信息，所以针对核电站的故障诊断技术进行研究具有重大意义。由于核电站具有故障样本数少、维数大的特点，而支持向量机在解决基于小样本情况的分类问题方面表现出较好的性能和较强的推广能力。因此，本文针对核电站一回路和二回路主系统的典型故障，对基于多分类支持向量机的故障诊断技术和方法进行了以下几个方面的研究与探索，以期解决核电站故障诊断中的困难和相关问题。首先，在现有研究的基础上，对核电站的典型故障及其现象进行了分析，获取了故障样本。然后，对统计学理论和支持向量机理论进行了系统的学习，并通过对比现有的几种多分类方法，针对核电站典型故障的样本特点，提出了一种基于支持向量机的多分类算法，并证明了其用于核电站故障诊断的可行性。其次，通过对核函数的选择和核参数的优化等支持向量机关键问题的研究，利用所提出的多分类算法，构建了支持向量机多分类模型，将其应用于核电站的故障诊断中，实现了基于多分类支持向量机的故障诊断，并与神经网络分类结果进行了对比。最后，针对核电站发生故障时，对某参数变化进行预测的必要性，研究了采用信息粒化法的预测技术，并以蒸汽发生器U形管破裂故障时稳压器水位的变化趋势预测作为例子进行了预测研究。通过对核电站故障诊断系统的实验分析，验证了多分类支持向量机用于核电站故障诊断的可行性与有效性。
段智勇[4]2016年在《核动力装置分布式故障诊断技术研究》文中研究表明由于核动力装置运行时存在潜在的放射性危害,因而对其安全性和可靠性要求极高。2011年日本福岛核泄漏事故发生后,世界各国也越来越关注核安全问题。故障诊断技术能够在核动力装置发生异常时快速、准确地识别出异常原因,为操纵员提供充足的时间以采取相应的安全措施,进而保证其安全、可靠地运行。本文结合核动力装置自身的特点,对分布式框架下的故障诊断方法及关键问题展开研究,在此基础上设计开发出一套可靠的分布式故障诊断系统。主要研究内容如下:(1)本文以压水堆核电站为研究对象,基于分布式的原则,在对总体诊断任务进行分析的基础上,划分了分布式故障诊断的各个子系统。研究了核动力装置常见故障及其征兆,进而确定了各个子系统的主要监测参数,并建立了相应的诊断知识库。(2)对BP神经网络和决策树推理故障诊断方法进行了研究,确定了同时采用BP神经网络和决策树推理先进行局部级诊断,再采用证据理论对局部级诊断结果进行信息融合的故障诊断思路,并对BP神经网络样本的构造和全局级时间和空间上的融合等关键问题展开讨论。(3)研究BP神经网络的故障程度评估方法,实现了对部分典型故障程度的近似评估。(4)从故障诊断系统软件的总体功能需求的角度出发,利用C#4.5编程语言完成了对核动力装置分布式故障诊断系统软件各个功能单元的设计和开发。(5)通过PCTran压水堆核动力仿真软件模拟相应的事故类型,对所开发的核动力装置分布式故障诊断系统的所有功能进行了测试和验证。研究结果表明所开发的核动力装置分布式故障诊断系统具备较高的可靠性和预期的诊断能力,不仅能实现对核动力装置的单一故障、并发故障进行快速、准确地诊断,还能实现对故障程度的近似评估,论证了故障诊断和故障程度评估方法的可行性。所研究的分布式故障诊断技术也为后续相关领域的研究工作打下了基础。
杜兴富[5]2009年在《基于支持向量机的核动力装置故障诊断》文中研究指明核动力装置是技术密集、造价昂贵的庞大而复杂的系统,并且具有潜在的危险性,为了保证其安全可靠的运行,研究能够对其进行故障诊断的系统是十分必要的。然而,在实际的故障检测中,由于核动力装置故障数据采集比较困难,导致用于模式识别和分类的故障数据相对较少。如何在数据少的情况下,准确的诊断出核动力装置的故障将是十分有意义的。统计学习理论是针对小样本统计问题建立的一套新的理论体系,在这种体系下的统计推理规则不仅考虑了对渐进性能的要求,而且追求在现有有限信息下得到最优结果。支持向量机是以统计学习理论为基础,专门针对小样本的情况下新的机器学习方法。它采用结构风险最小化原理,兼顾训练误差和泛化能,在解决小样本数据集及非线性问题上有独特的优势。本文采用支持向量机理论,针对核动力装置蒸汽发生器传热管破裂、主冷却剂管道小破口等典型故障,采用C++语言建立最小二乘支持向量机故障诊断数学模型,采用Matlab7.0建立传统支持向量机故障诊断数学模型。通过仿真测试、分析表明,上述两种支持向量机建立的故障诊断数学模型的性能取决与核函数模型及其参数的选择,选定适当的核函数及参数后,上述两种支持向量机故障诊断模型获得了相同的诊断性能。除了故障发生后前3秒由于数据为未能表现故障以及数据波动外,到停堆之前的时间内均能准确诊断故障。实验证明,该方法能够在故障样本少的情况下,准确的诊断出故障现象,且精度较高。
吴小天[6]2013年在《核动力装置分布式故障诊断系统设计与研究》文中研究指明分布式故障诊断系统的设计与应用可以准确、及时地判断识别核动力装置运行的故障,帮助操作员做出正确的判断和决策。因此,对于提高核动力装置的安全性和经济性具有重大意义。本文旨在研究分布式故障诊断的关键技术,在此基础上设计并开发一套有效的核动力装置分布式故障诊断系统。主要研究内容如下:(1)论文以双环路压水堆为诊断对象,在总体分析的基础上将故障诊断任务划分到各个子系统中,并对子系统的诊断任务进行详细分析。论文整理了核动力装置部分典型故障及其征兆,探讨了并发故障征兆的提取问题。通过对实际监测参量的研究,最终确定了核动力装置分布式故障诊断系统的可诊断故障,并建立了诊断知识库。(2)对比几种常用的智能故障诊断方法,结合核动力装置分布式故障诊断系统的特点,论文确定了先利用神经网络进行局部级诊断,再利用信息融合技术进行全局级融合决策的故障诊断方法,并对神经网络训练性能以及证据理论动态辨识框架等关键技术进行了详细研究。(3)论文按照集成化、模块化和可扩展的设计原则,对核动力装置分布式故障诊断系统进行设计,并利用C#4.0程序语言开发出所设计的核动力装置分布式故障诊断系统,在此基础上,实现了分布式故障诊断系统各模块的功能。(4)利用核动力装置全范围仿真机对所开发的核动力装置分布式故障诊断系统的实际应用功能进行了测试研究。研究结果表明所开发的分布式故障诊断系统不仅可以实时诊断稳态工况条件下的故障,而且可以实现不同工况条件下的故障诊断;既可以实现单发故障诊断功能,通过对全局级的融合决策功能,也可以有效地识别并发故障。此外,通过融合决策获得故障诊断结果后,利用离线诊断功能模块可以根据需要对破口大小、控制棒提升速率等故障程度进行识别。所设计开发的分布式故障诊断系统也为今后的故障诊断研究提供了参考和借鉴。
温志斌[7]2017年在《核动力装置混合智能故障诊断方法研究》文中研究指明由于核动力装置具有潜在放射性危险,安全性始终是核能发展的一个重要研究课题。为了确保核动力装置安全运行,减少操作人员对装置状态判断失误,通常对装置进行状态监测、故障诊断和故障预报,在装置偏离正常运行时,能够给出合适的操作建议,一定程度地减轻操作人员的负担,减小对装置系统的损坏,延长设备使用寿命,从而有效地提高核动力装置安全性能。本文分析了故障诊断方法的国内外研究现状,对系统异常检测、故障类型识别、故障程度评估等关键技术进行了研究,并结合核动力装置自身的特点,设计开发了一个核动力装置混合智能故障诊断系统,用以辅助操作人员确定系统设备的运行状态,为采取进一步措施提供参考。本文的主要工作有:(1)研究了主元分析(Principal Component Analysis,PCA)的建模方法与基于PCA模型的故障检测技术,实现了对核动力装置异常的有效及时的检测。(2)研究了基于符号有向图(SignedDirected Graph,SDG)模型的故障诊断方法,建立了核反应堆主冷却剂系统的SDG模型,在主元模型进行故障检测的基础上,确定SDG模型中相关参数节点的状态,通过反向推理得出系统异常的原因,确定故障的类型。(3)研究了Elman神经网络的故障评估方法,通过Elman神经网络建立了故障程度与相关参数的变化之间的映射关系,实现了对核动力装置部分典型的破口类故障的严重程度的近似评估。(4)以核动力装置主冷却剂系统为具体对象,设计开发了一个综合PCA模型的故障检测方法、SDG模型的故障诊断方法及Elman神经网络的故障评估方法的核动力装置混合智能故障诊断系统,并通过PCTRAN仿真软件模拟的相关故障类型,测试了诊断系统对故障发生时的响应,验证了开发的各项功能有效性。实例分析表明了所研究的方法能够及时地检测到系统出现的异常,并对故障类型做出正确的判断,对部分破口类故障程度做出较为准确的评估;测试结果也证明了所开发的诊断系统的各项功能的有效性。本文的研究为核动力装置混合智能故障诊断系统的进一步工程化应用提供理论基础。
谢春丽[8]2007年在《核动力装置数据融合智能诊断系统应用研究》文中进行了进一步梳理为满足核动力装置对安全性的高要求,各种运行支持系统不断出现,其中故障诊断系统作为一种重要的运行辅助系统日益受到研究人员的关注。故障诊断系统的功能也不仅局限于单纯的故障诊断,故障预测、故障处理等问题也已被纳入故障诊断系统的功能之中,针对目前故障诊断系统的研究和核动力装置自身的特点,提出建立集状态监测、趋势预测、故障诊断、故障定位、维修决策等功能于一体的功能相对较完善的综合智能诊断系统。该诊断系统的研究对进一步提高核动力装置运行的安全性、可靠性以及核动力装置的整体效能具有重大的工程意义和现实意义。本文以“十五”国防重点预研攻关项目“XXX实时故障诊断技术”为背景,以核动力装置一回路冷却剂系统为研究对象,对核动力装置数据融合智能诊断系统实现的部分技术、方法及基本结构进行了深入的研究。本文研究的主要内容和取得的主要成果如下:1.提出了功能相对较完善的核动力装置故障诊断系统应具备的各项基本功能。为了满足核动力装置运行安全性的要求,必须使诊断系统具备趋势预测、状态评价、维修决策、故障诊断、故障定位及故障后处理等各项功能。2.基于数据融合分级处理的基本思想提出了采用数据融合和动态有序故障概念格的诊断方法,并设计了先进的智能诊断算法。3.通过对灰色系统理论的深入研究和对相关灰色模型用于动态数据预测性能的分析,采用了灰色马尔柯夫GM(1,1)模型为进行自动预测的预测模型。为了满足在无异常参量时的预测,可根据情况进行各种预测模型的选择预测,方便对比分析。4.研究了蚁群算法进行故障定位的实现技术。对核动力装置进行分级处理,采用蚁群算法搜索异常参量的方法进行逐级故障定位。5.研究了基于模糊变权的评价方法和改进的维修优化方法,并对核动力装置进行状态评价以及设备检测周期和维修周期的计算,以此为依据判断设备是否需要进行检测或维修以及采用何种维修方式。6.利用Visual Basic 6.0成功开发了该智能诊断系统,实现了系统的各项预期设计功能。在系统中设计了友好的人机界面,通过诊断知识更新子系统的设计,重点解决了系统的可扩充性和故障知识的不断更新等问题。诊断知识更新子系统的知识库可以随着对核动力装置安全特性认识的加深和事故数据的积累由用户通过人机交互方便地进行扩充修改,使系统的诊断功能不断完善。7.开发的系统成功地实现了自动预测、自动诊断和报警的功能。在对上述各种理论方法和核动力装置融合智能诊断系统进行验证时,先采用实例验证各项功能,再用通讯协议与核动力装置仿真机进行实时数据通讯,利用仿真机对诊断系统进行总体验证。测试结果证实该诊断系统可以适用于核动力装置的实时故障诊断,进而也验证了根据征兆进行故障分析与故障诊断的可行性与有效性,以及所设计的智能故障诊断系统运行的正确性,为该诊断系统的进一步研究和应用奠定了基础。
参考文献：
[1]. 遗传神经网络在蒸汽发生器故障诊断中的应用研究[D]. 姜兴伟. 哈尔滨工程大学. 2004
[2]. 遗传神经网络在蒸汽发生器故障诊断中的应用[J]. 林孝工, 姜兴伟, 刘涛, 施小成. 核动力工程. 2005
[3]. 基于多分类支持向量机的核电站故障诊断技术研究[D]. 郭沫. 哈尔滨工程大学. 2012
[4]. 核动力装置分布式故障诊断技术研究[D]. 段智勇. 哈尔滨工程大学. 2016
[5]. 基于支持向量机的核动力装置故障诊断[D]. 杜兴富. 哈尔滨工程大学. 2009
[6]. 核动力装置分布式故障诊断系统设计与研究[D]. 吴小天. 哈尔滨工程大学. 2013
[7]. 核动力装置混合智能故障诊断方法研究[D]. 温志斌. 哈尔滨工程大学. 2017
[8]. 核动力装置数据融合智能诊断系统应用研究[D]. 谢春丽. 哈尔滨工程大学. 2007