高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

核反应堆冷却剂系统智能事故诊断模型研究

闫家胜 隋阳 戴滔 刘家义 金艺 贾晓龙

闫家胜, 隋阳, 戴滔, 刘家义, 金艺, 贾晓龙. 核反应堆冷却剂系统智能事故诊断模型研究[J]. 核动力工程, 2025, 46(2): 282-292. doi: 10.13832/j.jnpe.2024.060034
引用本文: 闫家胜, 隋阳, 戴滔, 刘家义, 金艺, 贾晓龙. 核反应堆冷却剂系统智能事故诊断模型研究[J]. 核动力工程, 2025, 46(2): 282-292. doi: 10.13832/j.jnpe.2024.060034
Yan Jiasheng, Sui Yang, Dai Tao, Liu Jiayi, Jin Yi, Jia Xiaolong. Research on Intelligent Accident Diagnosis Model of Nuclear Reactor Coolant System[J]. Nuclear Power Engineering, 2025, 46(2): 282-292. doi: 10.13832/j.jnpe.2024.060034
Citation: Yan Jiasheng, Sui Yang, Dai Tao, Liu Jiayi, Jin Yi, Jia Xiaolong. Research on Intelligent Accident Diagnosis Model of Nuclear Reactor Coolant System[J]. Nuclear Power Engineering, 2025, 46(2): 282-292. doi: 10.13832/j.jnpe.2024.060034

核反应堆冷却剂系统智能事故诊断模型研究

doi: 10.13832/j.jnpe.2024.060034
基金项目: 国家自然科学基金(52174189);湖南省杰出青年科学基金(2023JJ10035)
详细信息
    作者简介:

    闫家胜 (1999—),男,硕士研究生,现主要从事核电厂系统智能事故诊断模型研究;E-mail: 2300886096@qq.com

    通讯作者:

    隋 阳,E-mail: sydr374@163.com

  • 中图分类号: TL383

Research on Intelligent Accident Diagnosis Model of Nuclear Reactor Coolant System

  • 摘要: 尽管人工智能技术在核电厂的事故诊断领域中已被广泛应用,但传统模型存在诊断准确性不足、泛化性较弱等缺陷,难以满足核反应堆冷却剂系统(NRCS)对于事故诊断的高要求。本研究建立了一种NRCS智能事故诊断新模型。首先,为提高模型事故诊断的准确性,应用了卷积神经网络(CNN)和门控循环单元(GRU),结合CNN强大的特征提取能力和GRU高效的时序数据分类能力,建立了NRCS事故诊断模型(CNN-GRU模型);其次,为提高模型的泛化性,应用灰狼优化(GWO)算法,在CNN-GRU模型中自适应优化超参数,建立了NRCS智能事故诊断模型(GWO-CNN-GRU模型);最后,为验证所提出模型的性能,本研究以核电厂仿真与严重事故分析仪(PCTRAN)中的NRCS为研究对象,模拟测试了1 种正常工况和4 种典型事故工况的诊断过程。结果显示,在CPR1000堆型的NRCS测试集上,所提出模型的事故诊断平均准确率为99.6%,相较于GRU和CNN-GRU模型分别提高了2.1%和1.5%;同时,在AP1000堆型的NRCS测试集上,所提出模型的事故诊断平均准确率为99.5%,相较于其他两种模型分别提高了1.7%和1.3%。因此,本文提出的模型在准确性和泛化性方面均表现出优异性能,为NRCS智能事故诊断提供了重要参考。

     

  • 图  1  NRCS智能事故诊断模型整体结构

    $ {r_t} $—重置门输出值;$ {{\textit{z}}_t} $—更新门输出值;$ {h_{t - 1}} $—前一时间片的隐状态值;$ {h_t} $—最终的隐状态值;$ {\tilde h_t} $—候选隐状态值;Sigmoid, tanh—激活函数

    Figure  1.  Overall Structure of NRCS Intelligent Fault Diagnosis Model

    图  2  GWO自适应优化CNN-GRU模型超参数流程图

    Figure  2.  Flowchart of GWO Adaptive Optimization for CNN-GRU Model Hyperparameters

    图  3  训练集的准确率和交叉熵损失值

    Figure  3.  Accuracy and Cross-entropy Loss of the Training Dataset

    图  4  测试集的混淆矩阵

    Figure  4.  Confusion Matrix of the Testing Dataset

    表  1  特征参数的名称和符号

    Table  1.   Names and Symbols of Feature Parameters

    参数名称及单位 参数符号
    反应堆冷却剂系统压力/105 Pa P
    反应堆冷却剂系统平均温度/℃ TAVG
    热管A温度/℃ THA
    热管B温度/℃ THB
    冷管A温度/℃ TCA
    冷管B温度/℃ TCB
    反应堆冷却剂循环A管流量/(t·h−1) WRCA
    反应堆冷却剂循环B管流量/(t·h−1) WRCB
    蒸汽发生器A管压力/105 Pa PSGA
    蒸汽发生器B管压力/105 Pa PSGB
    蒸汽发生器A管给水流量/(t·h−1) WFWA
    蒸汽发生器B管给水流量/(t·h−1) WFWB
    蒸汽发生器A管蒸汽流量/(t·h−1) WSTA
    蒸汽发生器B管蒸汽流量/(t·h−1) WSTB
    反应堆冷却剂系统液体体积/m−3 V
    总热功率/MW Q
    环路A过冷裕度的温度/℃ SCMA
    环路B过冷裕度的温度/℃ SCMB
    下载: 导出CSV

    表  2  仿真测试的样本数据集

    Table  2.   Sample Dataset for Simulation Testing

    样本类型运行工况样本数量标签型号标签数量
    训练集SBLOCA7001700
    LBLOCA7002700
    SGTR7003700
    LOFA7004700
    NO7005700
    测试集SBLOCA3001300
    LBLOCA3002300
    SGTR3003300
    LOFA3004300
    NO3005300
    下载: 导出CSV

    表  3  仿真测试所需条件

    Table  3.   Conditions for Simulation Test

    仿真测试的条件名称型号参数
    仿真设备联想拯救者R9000P(2023款)
    处理器AMD Ryzen 9 7945HX
    显卡NVIDIA GeForce RTX 4060
    操作系统Windows 11
    仿真软件MATLAB R2023b
    下载: 导出CSV

    表  4  需要优化的超参数及其初始化随机范围

    Table  4.   Hyperparameters for Optimization and Initialization Random Ranges

    超参数 未优化的值 初始化随机范围 优化后的值
    卷积核的数量 128 [2, 128] 32
    GRU单元的数量 32 [10, 200] 64
    学习率 0.0001 [0.0001, 0.1] 0.0006
    批大小 64 [16, 128] 32
    训练轮数 100 [10, 100] 70
    下载: 导出CSV

    表  5  不同模型5折交叉验证准确率对比

    Table  5.   Comparison of Accuracy Using 5-Fold Cross-Validation for Different Models


    模型
    5折交叉验证准确率/%
    第1折 第2折 第3折 第4折 第5折 平均值
    SVM 94.5 93.9 97.3 96.6 97.3 95.92
    BPNN 93.2 89.7 94.6 94.2 93.4 93.02
    GRU 97.0 97.6 97.5 97.0 97.7 97.36
    CNN-GRU 97.9 98.2 98.1 97.8 98.4 98.08
    GWO-CNN-GRU 99.3 99.6 99.3 99.5 99.5 99.44
    下载: 导出CSV

    表  6  不同模型5折交叉验证精度对比

    Table  6.   Comparison of Precision Using 5-Fold Cross-Validation for Different Models


    模型
    5折交叉验证精度/%
    第1折第2折第3折第4折第5折平均值
    SVM96.495.595.796.993.695.56
    BPNN94.394.094.193.894.294.10
    GRU97.297.196.997.496.797.06
    CNN-GRU97.597.298.897.698.697.94
    GWO-CNN-GRU98.999.499.699.399.699.36
    下载: 导出CSV

    表  7  不同模型5折交叉验证召回率对比

    Table  7.   Comparison of Recall Using 5-Fold Cross-Validation for Different Models


    模型
    5折交叉验证召回率/%
    第1折第2折第3折第4折第5折平均值
    SVM93.894.595.493.993.694.24
    BPNN93.394.893.193.692.293.40
    GRU97.296.996.496.497.396.84
    CNN-GRU98.297.998.497.898.698.18
    GWO-CNN-GRU99.199.399.199.298.999.12
    下载: 导出CSV
  • [1] 潘军,黎义斌,瞿泽晖,等. 华龙一号主泵卡轴事故工况瞬态过渡过程数值分析[J]. 核动力工程,2024, 45(1): 201-209.
    [2] GAO Z W, CECATI C, DING S X. A survey of fault diagnosis and fault-tolerant techniques-part I: fault diagnosis with model-based and signal-based approaches[J]. IEEE Transactions on Industrial Electronics, 2015, 62(6): 3757-3767. doi: 10.1109/TIE.2015.2417501
    [3] TIAN J L, JIANG Y C, ZHANG J S, et al. High-performance fault classification based on feature importance ranking-XgBoost approach with feature selection of redundant sensor data[J]. Current Chinese Science, 2022, 2(3): 243-251. doi: 10.2174/2210298102666220318100051
    [4] 陈志辉,夏虹,刘邈. 核电系统故障诊断专家系统研究[J]. 核动力工程,2005, 26(5): 523-527. doi: 10.3969/j.issn.0258-0926.2005.05.023
    [5] 张燕,周志伟,董秀臣. 核电厂实时故障诊断专家系统的设计与实现[J]. 原子能科学技术,2006, 40(4): 420-423.
    [6] OH C H, LEE J I. Real time nuclear power plant operating state cognitive algorithm development using dynamic Bayesian network[J]. Reliability Engineering & System Safety, 2020, 198: 106879.
    [7] WU G H, TONG J J, ZHANG L G, et al. Framework for fault diagnosis with multi-source sensor nodes in nuclear power plants based on a Bayesian network[J]. Annals of Nuclear Energy, 2018, 122: 297-308. doi: 10.1016/j.anucene.2018.08.050
    [8] ISERMANN R. Model-based fault-detection and diagnosis -status and applications[J]. Annual Reviews in Control, 2005, 29(1): 71-85. doi: 10.1016/j.arcontrol.2004.12.002
    [9] BAKHTIARIDOUST M, YADEGAR M, MESKIN N. Data-driven fault detection and isolation of nonlinear systems using deep learning for Koopman operator[J]. ISA Transactions, 2023, 134: 200-211. doi: 10.1016/j.isatra.2022.08.030
    [10] ZHANG W T, YANG D, WANG H C. Data-driven methods for predictive maintenance of industrial equipment: a survey[J]. IEEE Systems Journal, 2019, 13(3): 2213-2227. doi: 10.1109/JSYST.2019.2905565
    [11] AYODEJI A, LIU Y K. Support vector ensemble for incipient fault diagnosis in nuclear plant components[J]. Nuclear Engineering and Technology, 2018, 50(8): 1306-1313. doi: 10.1016/j.net.2018.07.013
    [12] WANG H, PENG M J, HINES J W, et al. A hybrid fault diagnosis methodology with support vector machine and improved particle swarm optimization for nuclear power plants[J]. ISA Transactions, 2019, 95: 358-371. doi: 10.1016/j.isatra.2019.05.016
    [13] NAIMI A, DENG J M, SHIMJITH S R, et al. Fault detection and isolation of a pressurized water reactor based on neural network and k-nearest neighbor[J]. IEEE Access, 2022, 10: 17113-17121. doi: 10.1109/ACCESS.2022.3149772
    [14] 刘永阔,夏虹,谢春丽,等. BP-RBF神经网络在核电厂故障诊断中的应用[J]. 原子能科学技术,2008, 42(3): 193-199. doi: 10.7538/yzk.2008.42.03.0193
    [15] GUO H, HU S, WANG F, et al. A novel method for quantitative fault diagnosis of photovoltaic systems based on data-driven[J]. Electric Power Systems Research, 2022, 210: 108121. doi: 10.1016/j.jpgr.2022.108121
    [16] WEN L, LI X Y, GAO L, et al. A new convolutional neural network-based data-driven fault diagnosis method[J]. IEEE Transactions on Industrial Electronics, 2018, 65(7): 5990-5998. doi: 10.1109/TIE.2017.2774777
    [17] LEE G, LEE S J, LEE C. A convolutional neural network model for abnormality diagnosis in a nuclear power plant[J]. Applied Soft Computing, 2021, 99: 106874. doi: 10.1016/j.asoc.2020.106874
    [18] 王天舒,余刃,刘笑凡. 核动力装置运行故障诊断系统设计研究[J]. 核动力工程,2018, 39(2): 176-179.
    [19] 吴琼,李永飞,李铭洋. 异常数据实时检测方法研究综述[J]. 现代计算机,2022, 28(16): 9-15. doi: 10.3969/j.issn.1007-1423.2022.16.002
    [20] 宋群,袁青霞,王俊江. 基于自动机器学习的运动过程心电检测算法[J]. 西北大学学报: 自然科学版,2023, 53(5): 771-781.
    [21] ZHOU D X. Theory of deep convolutional neural networks: downsampling[J]. Neural Networks, 2020, 124: 319-327. doi: 10.1016/j.neunet.2020.01.018
    [22] 陈雨欣,刘章鑫,刘欣谊,等. 基于机器学习算法的扬州市冬小麦遥感分类提取[J]. 中国农机化学报,2024, 45(8): 154-161,169.
    [23] 孙超. 基于岭回归的地铁车载设备故障预测[J]. 铁路通信信号工程技术,2024, 21(8): 74-79. doi: 10.3969/j.issn.1673-4440.2024.08.012
  • 加载中
图(4) / 表(7)
计量
  • 文章访问数:  28
  • HTML全文浏览量:  11
  • PDF下载量:  2
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-06-27
  • 修回日期:  2024-09-29
  • 网络出版日期:  2025-01-15
  • 刊出日期:  2025-04-15

目录

    /

    返回文章
    返回