|
近年来,在知识工程技术基础上,利用机器学习方法并借助海量核电监测数据将专家经验转化为具有泛化能力的诊断模型越来越受到重视.在故障检测方面,Li等[7]提出将核电厂大量传感器分组,并对比分析不同PCA模型方法的检测效率.为解决PCA模型受外界环境影响和内部模型错误导致的误报警问题,该团队提出提高PCA模型可靠性的改进方法[8,9].为克服PCA在重构过程中受特征值类型的影响,Mandal等[39]利用奇异值分解(SVD)法进行传感器故障检测.为进一步提高故障检测性能,该团队提出利用增强SVD法进行快中子增值试验反应堆的热电偶传感器故障检测[40].在故障识别方面,Li等[10]提出将PCA模型应用于故障识别,研究对象包括一回路冷却剂出口温度、主蒸汽流量、主给水流量、堆芯水位、冷凝器水位、稳压器水位、主泵进出口压力等.考虑SVD法比PCA模型的优势,Mandal等[41]利用SVD法对热电偶的故障进行故障识别.为解决核电系统中大规模故障类别的识别问题,Cho等[42]提出等价空间费希尔判别分析法,并应用于加拿大重水铀反应堆试验装置的给水系统.人工神经网络(ANN)和SVM的发展进一步推动了核电设备故障诊断的研究进程.Messai等[43]利用四层ANN,结合控制棒位置和一回路流量预测堆芯热电偶温度,并根据预测值与实测值之间的偏差判断故障;Lin等[44]利用可紧缩的序列前向选择法对传感器组进行特征提取和传感器选择,然后利用KNN进行故障检测与识别;Jamil等[45]提出利用核SVM法对巴基斯坦反应堆的控制棒提升故障进行诊断,并对外部反应性插入故障时反应堆出入口温度、堆芯温度、反应性、冷却剂导电率、中子通量等参数进行研究;Liu等[46]利用PCA降维方法对核电厂LOCA、MSLB、SGTR等故障进行检测,然后建立符号有向图模型对故障进行定位,最后通过神经网络对故障进行估计识别.
|