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

基于机器学习的控制棒驱动机构传动副磨损寿命预测研究

肖聪 刘承敏 罗英 彭航 李维 张志强 黄擎宇

肖聪, 刘承敏, 罗英, 彭航, 李维, 张志强, 黄擎宇. 基于机器学习的控制棒驱动机构传动副磨损寿命预测研究[J]. 核动力工程, 2025, 46(2): 209-216. doi: 10.13832/j.jnpe.2024.080027
引用本文: 肖聪, 刘承敏, 罗英, 彭航, 李维, 张志强, 黄擎宇. 基于机器学习的控制棒驱动机构传动副磨损寿命预测研究[J]. 核动力工程, 2025, 46(2): 209-216. doi: 10.13832/j.jnpe.2024.080027
Xiao Cong, Liu Chengmin, Luo Ying, Peng Hang, Li Wei, Zhang Zhiqiang, Huang Qingyu. Research on Wear life Prediction of CRDM Transmission Pair Based on Machine Learning[J]. Nuclear Power Engineering, 2025, 46(2): 209-216. doi: 10.13832/j.jnpe.2024.080027
Citation: Xiao Cong, Liu Chengmin, Luo Ying, Peng Hang, Li Wei, Zhang Zhiqiang, Huang Qingyu. Research on Wear life Prediction of CRDM Transmission Pair Based on Machine Learning[J]. Nuclear Power Engineering, 2025, 46(2): 209-216. doi: 10.13832/j.jnpe.2024.080027

基于机器学习的控制棒驱动机构传动副磨损寿命预测研究

doi: 10.13832/j.jnpe.2024.080027
详细信息
    作者简介:

    肖 聪(1987—),男,硕士研究生,高级工程师,现主要从事反应堆总体设计工作,E-mail: king19870101@163.com

  • 中图分类号: TL334

Research on Wear life Prediction of CRDM Transmission Pair Based on Machine Learning

  • 摘要: 控制棒驱动机构(CRDM)是反应堆内唯一具有相对运行的设备单元,可快速调节反应堆反应性,对反应堆安全运行十分重要,磨损是影响CRDM传动副功能失效的主要因素,直接决定其使用寿命。本文通过CRDM传动副磨损实验,发现传动副主要磨损形式有3种:磨粒磨损、疲劳磨损和氧化磨损,同时发现当传动副顶部区域磨损体积比达16.46%时,CRDM出现滑棒,可判定此刻转动部件出现了磨损失效,将此刻的磨损体积值作为传动副的失效阈值。在获得传动副磨损体积数据和外部振动信号后,本文构建了内部磨损体积与外部振动信号的关联关系,并通过外部振动信号,基于支持向量回归(SVR)、卷积神经网络(CNN)、长短期记忆网络(LSTM)3种机器学习算法,分别构建了CRDM传动副寿命预测模型,通过对比分析认为,在预测精度上LSTM模型优于CNN模型优于SVR模型,在计算效率上SVR模型优于CNN模型优于LSTM模型。

     

  • 图  1  CRDM实验台架示意图

    Figure  1.  Schematic Diagram of Test Stand for CRDM

    图  2  传动副磨损区域标识示意图

    Figure  2.  Schematic Diagram of Transmission Pair Worn Area

    图  3  传动副在不同应力水平下磨损量退化曲线

    Figure  3.  Wear Degradation Curves of Transmission Pair under Different Stress Levels

    图  4  摩擦磨损实验振动信号

    Figure  4.  Vibration Signal of Friction and Wear Test

    图  5  传动副转动部件磨损区域的微观形貌与不同点的元素占比

    Figure  5.  Microscopic Morphology of Wear Areas of Rotating Components in Transmission Pairs and Proportion of Elements at Different Points

    图  6  传动副振动信号频域曲线

    Figure  6.  Frequency Domain Curve of Vibration Signal of Transmission Pair

    图  7  信号特征的皮尔逊相关性系数曲线

    Figure  7.  Pirsson Correlation Coefficient Curve of Signal Characteristics

    图  8  SVR模型预测结果

    Figure  8.  SVR Model Prediction Results

    图  9  CNN预测模型结构示意图

    Figure  9.  Schematic Representation of CNN Prediction Model Structure

    图  10  CNN模型预测结果

    Figure  10.  CNN Model Prediction Results

    图  11  LSTM滑动窗口示意图

    Figure  11.  Schematic Diagram of LSTM Slide Window

    图  12  LSTM模型预测结果

    Figure  12.  LSTM Model Prediction Results

    表  1  加速应力水平划分

    Table  1.   Classification of Accelerated Stress Levels

    加速应力水平 轴向载荷(F)/N 棒速(V)/(mm·s−1)
    Y0 700 10
    Y1 1000 10
    Y2 1500 10
    Y3 2000 10
    下载: 导出CSV

    表  2  SVR模型评价指标

    Table  2.   SVR Model Evaluation Indicators

    评价指标 训练集 测试集
    RMSE 29.7895 46.1547
    MAE 11.6587 17.1589
    CRA/% 68.689 59.137
      RMSE—均方根误差;MAE—平均绝对误差;CRA—累积相对计算精度
    下载: 导出CSV

    表  3  CNN模型评价指标

    Table  3.   CNN Model Evaluation Indicators

    评价指标 训练集 测试集
    RMSE 17.5663 27.4624
    MAE 5.2466 8.2697
    CRA/% 87.342 76.594
    下载: 导出CSV

    表  4  LSTM模型评价指标(滑动窗口数为10)

    Table  4.   Evaluation Indicators of the LSTM Model with a Sliding Window of 10

    评价指标 训练集 测试集
    RMSE 11.0564 19.6658
    MAE 3.1587 5.9786
    CRA/% 92.109 83.768
    下载: 导出CSV

    表  5  3种模型计算精度和效率对比表

    Table  5.   Comparison of Accuracy and Efficiency among the Three Models

    预测模型 CRA/% 泛化处理时间/s
    SVR 59.137 1.53
    CNN 76.594 10.17
    LSTM 83.768 15.24
    下载: 导出CSV
  • [1] 杨云,于天达,陈杨明,等. 控制棒驱动机构磁路饱和特性分析[J]. 核动力工程,2023, 44(3): 138-143.
    [2] 谢细明,彭航,张倬,等. 核反应堆控制棒驱动机构动作部件状态检测研究[J]. 核动力工程,2019, 40(2): 90-94.
    [3] 于天达,张进强,罗亮,等. 控制棒驱动机构钩爪齿复合冲击磨损可靠性分析[J]. 机械设计,2021, 38(4): 16-22.
    [4] 于天达,张志强,刘彦霆,等. 控制棒驱动机构销轴磨损寿命与可靠性仿真[J]. 兵器装备工程学报,2021, 42(3): 219-224. doi: 10.11809/bqzbgcxb2021.03.040
    [5] 刘世航,李经纬,张冠华,等. 池式供热堆用控制棒驱动机构钩爪磨损寿命分析[C]// 中国核学会. 中国核科学技术进展报告(第八卷)中国核学会2023年学术年会论文集 第9册 核安全 核设备 反应堆热工流体力学. 北京: 中国原子能科学研究院,2023.
    [6] 周军,陈勇,罗强,等. CRDM钩爪用stellite-6合金冲击磨损性能研究[J]. 核动力工程,2016, 37(3): 66-69.
    [7] 李玲,王丰,王永东. 控制棒驱动机构钩爪摩擦副实验[J]. 理化检验(物理分册),2016, 52(6): 384-388.
    [8] 李维,杨方亮,杨晓晨,等. 控制棒驱动机构传动件耐磨性研究[J]. 科技视界,2016(12): 25-26. doi: 10.3969/j.issn.2095-2457.2016.12.013
    [9] 郭学卫,申永军,杨绍普. 基于样本熵和分数阶傅里叶变换的滚动轴承故障特征提取[J]. 振动与冲击,2017, 36(18): 65-69.
    [10] 董立朋,聂清浩,孙晓坤,等. 基于皮尔逊相关系数法的盾构掘进参数对地表沉降影响分析[J]. 施工技术(中英文),2024, 53(1): 116-123.
    [11] AKHAND R, PRIYAV K, S P B, et al. Gear fault diagnosis based on complex network theory and error-correcting output codes: Multi class support vector machine[J]. Proceedings of the Institution of Mechanical Engineers, 2024, 238(6): 1135-1152.
    [12] ATUL D, BHAGAT S, PANKAJ G. Diagnosing Faults in Rolling Bearings of an Air Compressor Set Up Using Local Mean Decomposition and Support Vector Machine Algorithm[J]. Journal of Vibration Engineering & Technologies, 2024, 12(4): 6635-6648.
    [13] MA Y, WANG Z, GAO J, et al. A novel method for remaining useful life of solid-state lithium-ion battery based on improved CNN and health indicators derivation[J]. Mechanical Systems and Signal Processing, 2024, 220:111646-111646.
    [14] KUMAR P S, NANDAN R R. LSTM-based deep learning approach for remaining useful life prediction of rolling bearing using proposed C-MMPE feature[J]. Journal of Mechanical Science and Technology, 2024, 38(5): 2197-2209.
  • 加载中
图(12) / 表(5)
计量
  • 文章访问数:  30
  • HTML全文浏览量:  6
  • PDF下载量:  3
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-08-18
  • 修回日期:  2024-10-13
  • 网络出版日期:  2025-01-16
  • 刊出日期:  2025-04-02

目录

    /

    返回文章
    返回