论文部分内容阅读
核电厂系统复杂，且存在潜在的放射性威胁，保障其安全平稳运行至关重要。以EPR、AP1000为代表的第三代核电厂大规模运用了数字化显示仪表，一旦发生核事故，操作人员很难第一时间明确故障来源与传播路径，容易做出误判，从而引发更严重的后果。因此建立核电厂一回路典型故障诊断系统，在故障发生时及时给出故障发生原因，帮助操作人员做出正确判断，提高核电厂运行安全可靠性，具有重要意义。
本文针对核电厂一回路系统使用深度学习与集成学习方法建立一套智能故障诊断模型，解决传统浅层机器学习算法在核电厂故障诊断中存在鲁棒特征提取不充分、泛化能力较差的问题。本文建立的故障诊断模型按照功能逻辑分为三个单元，即状态监测单元、故障辨识单元以及故障程度评估单元。本研究使用BP神经网络以及支持向量机等方法作为对比模型，通过对比分析给出本研究使用的故障诊断模型的优缺点。最终使用仿真机数据对本研究建立的故障诊断模型进行测试验证。具体工作如下所示：
(1)使用孤立森林(Isolation Forest, iForest)方法代替传统的线性主元分析(Principal Component Analysis, PCA)方法和定性趋势分析(Qualitative Trend Analysis, QTA)阈值法，并应用于核电厂一回路系统的状态监测。通过对比分析，确定iForest模型可以更准确快速的识别系统异常。
(2)使用基于堆叠降噪自编码网络(Stacked Denoised Auto-Encoder, SDAE)的故障诊断模型，解决传统浅层机器学习算法泛化能力较差的问题，实现对故障种类的准确辨识。最终使用BP神经网络与支持向量机作为对比模型，证明该方法在故障诊断准确性与泛化能力上具有一定优势。
(3)建立了基于自适应提升算法(Adaptive Boosting, Adaboost)的核电厂一回路智能故障程度评估模型，实现对故障严重程度的评估。使用BP神经网络作为对比模型，分析Adaboost方法应用于故障程度评估的优势。
(4)针对上述各模型参数选取困难的问题，使用贝叶斯参数优化方法对上述各模型参数进行寻优，确保所使用的模型具有最优表现能力。
采用Python3.7语言环境开发上述智能故障诊断模型，并通过福清核电2号机组全范围仿真机的仿真数据模拟部分核电厂一回路系统故障，验证所建立的故障诊断模型的有效性与可行性。
本文针对核电厂一回路系统使用深度学习与集成学习方法建立一套智能故障诊断模型，解决传统浅层机器学习算法在核电厂故障诊断中存在鲁棒特征提取不充分、泛化能力较差的问题。本文建立的故障诊断模型按照功能逻辑分为三个单元，即状态监测单元、故障辨识单元以及故障程度评估单元。本研究使用BP神经网络以及支持向量机等方法作为对比模型，通过对比分析给出本研究使用的故障诊断模型的优缺点。最终使用仿真机数据对本研究建立的故障诊断模型进行测试验证。具体工作如下所示：
(1)使用孤立森林(Isolation Forest, iForest)方法代替传统的线性主元分析(Principal Component Analysis, PCA)方法和定性趋势分析(Qualitative Trend Analysis, QTA)阈值法，并应用于核电厂一回路系统的状态监测。通过对比分析，确定iForest模型可以更准确快速的识别系统异常。
(2)使用基于堆叠降噪自编码网络(Stacked Denoised Auto-Encoder, SDAE)的故障诊断模型，解决传统浅层机器学习算法泛化能力较差的问题，实现对故障种类的准确辨识。最终使用BP神经网络与支持向量机作为对比模型，证明该方法在故障诊断准确性与泛化能力上具有一定优势。
(3)建立了基于自适应提升算法(Adaptive Boosting, Adaboost)的核电厂一回路智能故障程度评估模型，实现对故障严重程度的评估。使用BP神经网络作为对比模型，分析Adaboost方法应用于故障程度评估的优势。
(4)针对上述各模型参数选取困难的问题，使用贝叶斯参数优化方法对上述各模型参数进行寻优，确保所使用的模型具有最优表现能力。
采用Python3.7语言环境开发上述智能故障诊断模型，并通过福清核电2号机组全范围仿真机的仿真数据模拟部分核电厂一回路系统故障，验证所建立的故障诊断模型的有效性与可行性。