CN114943281B - 一种热管冷却反应堆智能决策方法及*** - Google Patents

一种热管冷却反应堆智能决策方法及*** Download PDF

Info

Publication number
CN114943281B
CN114943281B CN202210514509.2A CN202210514509A CN114943281B CN 114943281 B CN114943281 B CN 114943281B CN 202210514509 A CN202210514509 A CN 202210514509A CN 114943281 B CN114943281 B CN 114943281B
Authority
CN
China
Prior art keywords
heat pipe
cooling reactor
pipe cooling
working conditions
decision
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210514509.2A
Other languages
English (en)
Other versions
CN114943281A (zh
Inventor
孙浩沩
孙培伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202210514509.2A priority Critical patent/CN114943281B/zh
Publication of CN114943281A publication Critical patent/CN114943281A/zh
Application granted granted Critical
Publication of CN114943281B publication Critical patent/CN114943281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/001—Computer implemented control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Plasma & Fusion (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本发明公开了一种热管冷却反应堆智能决策方法及***，对热管冷却反应堆***进行状态检测，判断正常工况或异常工况，并对发生的故障工况进行类型、位置、程度的诊断，并反映给修正后的热管冷却反应堆数字孪生体，进行正常工况和异常工况预测；将热管冷却反应堆数字孪生体产生的预测结果与外部指令结合，产生多项操作指令，同时建立决策的评价体系，针对每一项操作指令进行打分评判；建立热管冷却反应堆的数据库，存储工况以及针对不同工况产生的操作以及各自的评分，基于数据库进行离线学习后优化，判断新工况为已知工况或是未知工况，选取评分最高的操作指令，实现热管冷却反应堆智能决策。对热管冷却反应堆的安全运行提供保障。

Description

一种热管冷却反应堆智能决策方法及***
技术领域
本发明属于反应堆智能决策技术领域，具体涉及一种热管冷却反应堆智能决策方法及***。
背景技术
热管冷却反应堆简称热管堆，是指反应堆的一回路采用热管将堆芯产生的热量传导至二回路或者热电转换设备的固态反应堆。由于热管冷却反应堆固有安全特性高、结构简单、易于模块化等特点，所以它在深海潜航、深空探索以及陆基核电源等领域拥有广阔的发展前景。
然而，由于热管冷却反应堆长时间的在太空或者深海中运行，如何有效的开展热管堆的状态检测，并根据运行工况以及外部相关指令进行决策，维持热管堆的安全运行状态是一个关键问题。目前的热管冷却反应堆在运行过程中仍是采用信号和经验知识的状态检测方法，该方法可以快速对于故障状态进行响应。但是未触发报警信号的事故或是之前未发生的事故仅仅依靠人的经验，无法快速做出判断，准确地决策热管堆的动作，进而造成了严重的危害。
因此有必要采用一种智能决策的方法和***，可以根据热管堆的运行状态和外部指令做出响应动作，同时具备离线学习的功能，当热管堆发生新的事故时，同样可以做出相应动作，从而减少事故产生的影响，确保最大的经济和安全效益。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种热管冷却反应堆智能决策方法及***，基于数字孪生体，PCA-BP神经网络故障检测与诊断方法，智能决策评价体系，最终对热管冷却反应堆的安全运行提供保障。
本发明采用以下技术方案：
一种热管冷却反应堆智能决策方法，包括以下步骤：
S1、建立热管冷却反应堆数字孪生体，利用热管冷却反应堆仿真平台得到的实测数据对建立的热管冷却反应堆数字孪生体进行修正；
S2、利用实测数据，采用状态监测方法以及故障诊断器对热管冷却反应堆***进行状态检测，判断正常工况或异常工况，并对发生的故障工况进行类型、位置、程度的诊断，将诊断出的故障类型、位置和程度信息情况反映给步骤S1修正后的热管冷却反应堆数字孪生体，触发热管冷却反应堆数字孪生体进行工况计算，进行正常工况和异常工况预测；
S3、将步骤S2热管冷却反应堆数字孪生体产生的预测结果与外部指令结合，产生多项操作指令，同时建立决策的评价体系，针对每一项操作指令进行打分评判；
S4、建立热管冷却反应堆的数据库，数据库中存储步骤S2得到的工况、步骤S3中针对不同工况产生的操作以及各自的评分，基于数据库进行离线学习后优化，通过步骤S2判断新工况为已知工况或是未知工况，对未知工况进行相似性分析，选取步骤S3评分最高的操作指令，实现热管冷却反应堆智能决策。
具体的，步骤S1中，实测数据包括不同核功率水平对应的热管堆堆芯温度、包壳温度、基体温度、热管热/冷端温度、温差发电器热/冷端温度和电功率。
具体的，步骤S2中，故障监测方法具体为：
利用热管冷却反应堆仿真平台得到训练集以及测试集，利用Z-Sore方法进行标准化处理；
通过矩阵计算得到稳态样本协方差矩阵的特征值和特征向量，对特征值进行降序排列，利用累计方差贡献率筛选获得特征值，主元得分矩阵和负载矩阵，计算T2和Q统计量控制线TC和QC，完成稳态建模；
根据获得的特征值，主元得分矩阵和负载矩阵对瞬态运行数据计算T2和Q统计量，并与T2和Q统计量控制线TC和QC进行比较，如果T2和Q分别大于TC和QC，输出故障信息，完成在线监测。
具体的，步骤S2中，对发生的故障进行类型、位置和程度诊断具体为：
S201、将故障数据分为测试集和训练集，分别通过PCA方法降维后得到多组特征值；
S202、将步骤S201训练集的多组特征值输入神经网络输入层节点，并将故障判断标签作为输出教师值；
S203、通过BP神经网络训练修正神经网络的连接权值和节点阈值；
S204、将步骤S201测试集的特征值输入步骤S203修正后的神经网络，将输出与步骤S202的故障判断标签进行比较，得出诊断结果。
具体的，步骤S3中，将N个指令通过决策评价体系；
分析经济性操作指令对热管堆造成的经济损失，控制***执行机构的行程、***参数的波动、热管堆的运行；
分析安全性操作指令对于热管堆***运行安全、环境安全、设备机构的安全是否在设定范围内；
分析有效性操作指令对决策输出是否能达到相应目标值或者达到目标值所需时间进行评价；
通过评判经济性、安全性及有效性制定决策的边界，最优边界为三个性质均判断为优，最差边界为三个性质均判断为差，选择靠近最优边界并远离最差边界的操作指令输出，并存储在数据库中。
进一步的，外部指令包括降功率指令、停堆指令和停泵指令。
更进一步的，降功率指令包括阶跃降低核功率和线性降低核功率。
具体的，不在S4中，当判断为已知的运行工况，在数据库中找到相对应的操作指令进行决策；当判断为未知工况，通过相似性分析找到与已知工况相同的处理方式进行决策，同时对决策的结果进行评判并记录操作指令。
第二方面，本发明实施例提供了一种热管冷却反应堆智能决策***，包括：
修正模块，建立热管冷却反应堆数字孪生体，利用热管冷却反应堆仿真平台得到的实测数据对建立的热管冷却反应堆数字孪生体进行修正；
检测模块，利用实测数据，采用状态监测方法以及故障诊断器对热管冷却反应堆***进行状态检测，判断正常工况或异常工况，并对发生的故障工况进行类型、位置、程度的诊断，将诊断出的故障类型、位置和程度信息情况反映给修正模块修正后的热管冷却反应堆数字孪生体，触发热管冷却反应堆数字孪生体进行工况计算，进行正常工况和异常工况预测；
指令模块，将检测模块中热管冷却反应堆数字孪生体产生的预测结果与外部指令结合，产生多项操作指令，同时建立决策的评价体系，针对每一项操作指令进行打分评判；
决策模块，建立热管冷却反应堆的数据库，数据库中存储检测模块得到的工况和指令模块中针对不同工况产生的操作以及各自的评分，基于数据库进行离线学习后优化，通过检测模块判断新工况为已知工况或是未知工况，对未知工况进行相似性分析，选取指令模块中评分最高的操作指令，实现热管冷却反应堆智能决策。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种热管冷却反应堆智能决策方法，先建立热管堆数字孪生体进行***行为预测，并利用热管堆仿真平台运行数据对其进行修正，保证了对热管堆的精确仿真计算，接下来利用状态检测和故障诊断算法进行正常工况和异常工况的预测，确保数据库中工况数量足够多，然后结合数字孪生体预测结果及外部指令产生操作指令，并通过决策评价体系进行打分，最后建立数据库存储之前各类信息，供后续工况发生时选取合理的操作，实现热管堆运行状态的智能决策。
进一步的，实测数据包括不同核功率水平对应的热管堆堆芯温度、包壳温度、基体温度、热管热/冷端温度、温差发电器热/冷端温度和电功率，即热管堆所有重要参数，对于其进行状态监测有了全面的考虑，使得监测结果更为准确。
进一步的，基于PCA-BP神经网络的故障监测和诊断***，通过判断Q和T2统计量是否分别超出阈值，判断热管堆运行状态是否出现异常；若出现异常，则运行数据进入训练好的BP神经网络，从而诊断故障类型、位置及程度。
进一步的，评判步骤S3产生的操作指令的经济性、安全性及有效性，制定决策的边界，通过选择靠近最优边界并远离最差边界的操作指令输出，并将其存储在数据库之中，之后热管堆运行过程可以进行学习和判断。
进一步的，外部指定包括已知的发生故障时的操作指令，例如降功率指令、停堆指令以及停泵指令等。确保热管堆故障时，能第一时间进行干预，确保热管堆的安全运行。同时将上述操作指令存入数据库中，供后续使用。
进一步的，利用数据库进行决策，当新工况判断为已知工况时，找到相对应的决策即可；若为未知工况，则通过相似性分析匹配找到与已知工况相同的处理方式进行决策，即具有了学习功能，并将此次决策结果存入数据库，完成数据库的优化与补充。
可以理解的是，上述第二方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
综上所述，本发明通过基于数字孪生体，PCA-BP神经网络故障检测与诊断方法，智能决策评价体系，最终对于热管冷却反应堆的安全运行提供保障。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明流程图；
图2为基于PCA方法的状态监测过程示意图；
图3为故障诊断流程；
图4为决策评价体系示意图；
图5为利用数据库进行决策流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
数字孪生技术是一种实现物理***向数字化模型映射的关键技术，是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟现实中完成映射。数字孪生是个普遍适应的理论体系，在众多领域得以应用，如产品设计、工程建设、产品制造等。
请参阅图1，本发明一种热管冷却反应堆智能决策方法，基于数字孪生技术，包括以下步骤：
S1、建立热管冷却反应堆数字孪生体进行***的行为预测，利用热管冷却反应堆仿真平台得到的实测数据对数字孪生体模型进行修正，从而保证模型预测的正确性；同时数字孪生体进行正常工况和异常工况的预测，其中异常工况的预测由状态监测和故障诊断器触发；
搭建热管堆仿真平台，可以通过热管堆仿真平台获取不同核功率水平对应的热管堆堆芯温度、包壳温度、基体温度、热管热/冷端温度、温差发电器热/冷端温度、电功率、各种反应性等重要参数。以及获得在功率阶跃、反应性阶跃等瞬态运行工况下，热管堆重要参数的响应情况。获取热管堆实测数据，利用热管堆仿真平台建立热管堆数字孪生体模型，使用获取的实测数据对其进行修正，使得数字孪生模型与实测数据接近，因此建立的数字孪生体可以利用实测数据进行正常工况的行为预测。
S2、利用实测数据以及状态监测方法和故障诊断器对热管冷却反应堆***进行状态检测，并且对于发生的故障进行类型、位置、程度的诊断；
请参阅图2，利用步骤S1建立的数字孪生体，采用PCA-BP神经网络的方法进行状态检测和故障诊断，PCA方法也称主成分分析技术，是指采用降维的方法把多指标转化为少数几个综合指标，即针对热管堆运行状态提取有效的特征数据从而监测热管堆的状态；具体是计算PCA方法中的Q和T2两个统计量来反映热管堆的状态变化，如果Q和T2统计量与其各自的阈值偏差较大则说明热管堆的运行状态出现了异常。因此基于主元分析理论的故障监测方法分为三个方面：
1、数据处理
利用热管冷却反应堆仿真平台得到训练集以及测试集，将训练集和测试集利用Z-Sore方法进行标准化处理。
2、稳态建模
求出稳态样本协方差矩阵的特征值与特征向量，利用累计方差贡献率对于降序排列的特征值进行筛选，从而获得筛选后的特征值主元得分矩阵及负载矩阵，确定T2和Q统计量的控制限(阈值)。
3、在线检测
通过计算瞬态运行数据的T2和Q统计量是否超出控制限范围，判断运行工况是否异常。
请参阅图3，BP神经网络通过利用PCA降维之后的数据进行故障诊断，即利用了神经网络的分类能力，利用不同事故之间的数据差异，从而判断事故的类型、位置以及程度，利用PCA-BP神经网络进行故障诊断详细步骤如下：
S201、将故障数据分为测试集和训练集，分别通过PCA方法降维后得到多组特征值；
S202、将步骤S201得到的训练集的多组特征值输入神经网络输入层节点，并将故障判断标签作为输出教师值；
S203、通过BP神经网络训练，不断修正神经网络的连接权值和节点阈值；
S204、将步骤S201得到的测试集的特征值输入神经网络，得到输出并与目标故障判断标签比较得出诊断结果。
将判断出的故障类型、位置和程度等信息情况反映给数字孪生体，触发数字孪生体进行该工况的计算，进行异常工况的预测。
S3、利用数字孪生体产生预测结果，将预测结果与外部指令相结合，产生具体的操作指令，同时建立决策的评价体系；
利用步骤S1数字孪生体模型产生的预测结果与外部指令(降功率指令、停堆指令、停泵指令等)相结合，产生可能的多项操作指令即包含多种运行方案。例如热管堆中单根或少数几根热管发生故障，此时堆芯通过热管传递给温差发电器的热量减小，从而导致堆芯温度上升，为了避免堆芯发生熔化，可以采取降低核功率或停堆等措施。而降低核功率的操作指令又可以细分为是阶跃降低核功率还是线性降低核功率，而根据降功率速率大小又可以进行操作指令的细分。因此选择安全性及经济性高的操作指令就显得尤为重要，所以需要建立一个决策评价体系，对于各项操作指令进行评价打分。
决策评价体系对于每一种操作指令进行打分判断，评价体系中充分考虑经济性、安全性、有效性等设置最优和最差两个边界，通过选择靠近最优边界并远离最坏边界的指令进行操作，决策过程如图4所示。设有N个指令通过决策评价体系，分析其经济性即该操作指令对热管堆造成的经济损失，即控制***执行机构的行程、***参数的波动、热管堆的运行等带来的经济影响；分析其安全性即该操作指令对于热管堆***运行安全、环境安全、设备机构的安全是否在可接受的范围内；分析其有效性即该操作指令对决策输出是否能达到相应目标值或者达到目标值所需要的时间(控制性能)进行评价；通过评判经济性、安全性及有效性制定决策的边界，最优边界即三个性质均判断为优，最差边界即三个性质均判断为差。选择靠近最优边界并远离最差边界的操作指令输出，并将其存储在数据库之中，供之后的学习和判断。
S4、建立热管冷却反应堆的数据库，后续基于数据库可以进行离线学习后优化，从而提高以后决策的快速性和准确性。
请参阅图5，将步骤S3针对不同的运行工况(正常工况或异常工况)决策出的众多操作指令存入其中，利用数字孪生体进行离线学习。将某一类相似的工况进行分类，例如事故工况下热管损坏1根或是多根事故分为事故工况1；余热排出***螺旋管1或2发生堵单根管、多根管或者发生破口分为事故工况2；泵转速降低或者卡泵可以分为事故工况3以及一些其他工况。同时将每一种事故工况的操作指令进行记录存入数据库中，在热管堆之后的运行过程中，若是发生某种工况，经过步骤S1、步骤S2、步骤S3判断，若判断为已知的运行工况，则在数据库中找到相对应的操作指令进行决策即可，若判断为未知工况，则通过相似性分析，找到与已知工况相类似的处理方式进行决策，同时对于该决策的结果进行评判并将操作指令进行记录，从而使得数据库不断地优化与补充。
本发明再一个实施例中，提供一种热管冷却反应堆智能决策***，该***能够用于实现上述热管冷却反应堆智能决策方法，具体的，该热管冷却反应堆智能决策***包括修正模块、检测模块、指令模块以及决策模块。
其中，修正模块，建立热管冷却反应堆数字孪生体，利用热管冷却反应堆仿真平台得到的实测数据对建立的热管冷却反应堆数字孪生体进行修正；
检测模块，利用实测数据，采用状态监测方法以及故障诊断器对热管冷却反应堆***进行状态检测，判断正常工况或异常工况，并对发生的故障工况进行类型、位置、程度的诊断，将诊断出的故障类型、位置和程度信息情况反映给修正模块修正后的热管冷却反应堆数字孪生体，触发热管冷却反应堆数字孪生体进行工况计算，进行正常工况和异常工况预测；
指令模块，将检测模块中热管冷却反应堆数字孪生体产生的预测结果与外部指令结合，产生多项操作指令，同时建立决策的评价体系，针对每一项操作指令进行打分评判；
决策模块，建立热管冷却反应堆的数据库，数据库中存储检测模块得到的工况和指令模块中针对不同工况产生的操作以及各自的评分，基于数据库进行离线学习后优化，通过检测模块判断新工况为已知工况或是未知工况，对未知工况进行相似性分析，选取指令模块中评分最高的操作指令，实现热管冷却反应堆智能决策。
综上所述，本发明一种热管冷却反应堆智能决策方法及***，通过热管堆数字孪生体以及故障诊断和监测模型，实现了热管堆运行状态的智能决策；通过基于PCA-BP神经网络的故障诊断方法，进行热管堆状态监测，并且建立了决策评价体系，对于热管堆数字孪生体决策产生的操作指令进行打分，同时将各种工况以及其对应的决策结果存在数据库中，日后热管堆运行过程中遇到新的工况可以利用数据库进行决策，即决策具备了学习功能。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.一种热管冷却反应堆智能决策方法，其特征在于，包括以下步骤：
S1、建立热管冷却反应堆数字孪生体，利用热管冷却反应堆仿真平台得到的实测数据对建立的热管冷却反应堆数字孪生体进行修正；
S2、利用实测数据，采用状态监测方法以及故障诊断器对热管冷却反应堆***进行状态检测，判断正常工况或异常工况，并对发生的故障工况进行类型、位置、程度的诊断，将诊断出的故障类型、位置和程度信息情况反映给步骤S1修正后的热管冷却反应堆数字孪生体，触发热管冷却反应堆数字孪生体进行工况计算，进行正常工况和异常工况预测；
S3、将步骤S2热管冷却反应堆数字孪生体产生的预测结果与外部指令结合，产生多项操作指令，同时建立决策的评价体系，针对每一项操作指令进行打分评判；
S4、建立热管冷却反应堆的数据库，数据库中存储步骤S2得到的工况、步骤S3中针对不同工况产生的操作以及各自的评分，基于数据库进行离线学习后优化，通过步骤S2判断新工况为已知工况或是未知工况，对未知工况进行相似性分析，选取步骤S3评分最高的操作指令，实现热管冷却反应堆智能决策。
2.根据权利要求1所述的热管冷却反应堆智能决策方法，其特征在于，步骤S1中，实测数据包括不同核功率水平对应的热管堆堆芯温度、包壳温度、基体温度、热管热/冷端温度、温差发电器热/冷端温度和电功率。
3.根据权利要求1所述的热管冷却反应堆智能决策方法，其特征在于，步骤S2中，故障监测方法具体为：
利用热管冷却反应堆仿真平台得到训练集以及测试集，利用Z-Sore方法进行标准化处理；
通过矩阵计算得到稳态样本协方差矩阵的特征值和特征向量，对特征值进行降序排列，利用累计方差贡献率筛选获得特征值，主元得分矩阵和负载矩阵，计算T2和Q统计量控制线TC和QC，完成稳态建模；
根据获得的特征值，主元得分矩阵和负载矩阵对瞬态运行数据计算T2和Q统计量，并与T2和Q统计量控制线TC和QC进行比较，如果T2和Q分别大于TC和QC，输出故障信息，完成在线监测。
4.根据权利要求1所述的热管冷却反应堆智能决策方法，其特征在于，步骤S2中，对发生的故障进行类型、位置和程度诊断具体为：
S201、将故障数据分为测试集和训练集，分别通过PCA方法降维后得到多组特征值；
S202、将步骤S201训练集的多组特征值输入神经网络输入层节点，并将故障判断标签作为输出教师值；
S203、通过BP神经网络训练修正神经网络的连接权值和节点阈值；
S204、将步骤S201测试集的特征值输入步骤S203修正后的神经网络，将输出与步骤S202的故障判断标签进行比较，得出诊断结果。
5.根据权利要求1所述的热管冷却反应堆智能决策方法，其特征在于，步骤S3中，将N个指令通过决策评价体系；
分析经济性操作指令对热管堆造成的经济损失，控制***执行机构的行程、***参数的波动、热管堆的运行；
分析安全性操作指令对于热管堆***运行安全、环境安全、设备机构的安全是否在设定范围内；
分析有效性操作指令对决策输出是否能达到相应目标值或者达到目标值所需时间进行评价；
通过评判经济性、安全性及有效性制定决策的边界，最优边界为三个性质均判断为优，最差边界为三个性质均判断为差，选择靠近最优边界并远离最差边界的操作指令输出，并存储在数据库中。
6.根据权利要求5所述的热管冷却反应堆智能决策方法，其特征在于，外部指令包括降功率指令、停堆指令和停泵指令。
7.根据权利要求6所述的热管冷却反应堆智能决策方法，其特征在于，降功率指令包括阶跃降低核功率和线性降低核功率。
8.根据权利要求1所述的热管冷却反应堆智能决策方法，其特征在于，不在S4中，当判断为已知的运行工况，在数据库中找到相对应的操作指令进行决策；当判断为未知工况，通过相似性分析找到与已知工况相同的处理方式进行决策，同时对决策的结果进行评判并记录操作指令。
9.一种热管冷却反应堆智能决策***，其特征在于，包括：
修正模块，建立热管冷却反应堆数字孪生体，利用热管冷却反应堆仿真平台得到的实测数据对建立的热管冷却反应堆数字孪生体进行修正；
检测模块，利用实测数据，采用状态监测方法以及故障诊断器对热管冷却反应堆***进行状态检测，判断正常工况或异常工况，并对发生的故障工况进行类型、位置、程度的诊断，将诊断出的故障类型、位置和程度信息情况反映给修正模块修正后的热管冷却反应堆数字孪生体，触发热管冷却反应堆数字孪生体进行工况计算，进行正常工况和异常工况预测；
指令模块，将检测模块中热管冷却反应堆数字孪生体产生的预测结果与外部指令结合，产生多项操作指令，同时建立决策的评价体系，针对每一项操作指令进行打分评判；
决策模块，建立热管冷却反应堆的数据库，数据库中存储检测模块得到的工况和指令模块中针对不同工况产生的操作以及各自的评分，基于数据库进行离线学习后优化，通过检测模块判断新工况为已知工况或是未知工况，对未知工况进行相似性分析，选取指令模块中评分最高的操作指令，实现热管冷却反应堆智能决策。
CN202210514509.2A 2022-05-12 2022-05-12 一种热管冷却反应堆智能决策方法及*** Active CN114943281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210514509.2A CN114943281B (zh) 2022-05-12 2022-05-12 一种热管冷却反应堆智能决策方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210514509.2A CN114943281B (zh) 2022-05-12 2022-05-12 一种热管冷却反应堆智能决策方法及***

Publications (2)

Publication Number Publication Date
CN114943281A CN114943281A (zh) 2022-08-26
CN114943281B true CN114943281B (zh) 2024-04-19

Family

ID=82907255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210514509.2A Active CN114943281B (zh) 2022-05-12 2022-05-12 一种热管冷却反应堆智能决策方法及***

Country Status (1)

Country Link
CN (1) CN114943281B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618732B (zh) * 2022-10-24 2023-07-04 上海交通大学 核反应堆数字孪生关键参数自主优化数据反演方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111596604A (zh) * 2020-06-12 2020-08-28 中国科学院重庆绿色智能技术研究院 一种基于数字孪生的工程装备故障智能诊断与自愈控制***及方法
CN113247041A (zh) * 2021-05-12 2021-08-13 上海工程技术大学 一种基于数字孪生模型的轮对轴箱装置状态监测方法
CN113591406A (zh) * 2021-07-26 2021-11-02 西安交通大学 一种热管冷却反应堆测点优化布置及故障诊断方法及***
CN113657031A (zh) * 2021-08-12 2021-11-16 杭州英集动力科技有限公司 基于数字孪生的供热调度自动化实现方法、***及平台

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190317459A1 (en) * 2018-04-13 2019-10-17 Honeywell International Inc. Predictive reactor effluent air cooler maintenance

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111596604A (zh) * 2020-06-12 2020-08-28 中国科学院重庆绿色智能技术研究院 一种基于数字孪生的工程装备故障智能诊断与自愈控制***及方法
CN113247041A (zh) * 2021-05-12 2021-08-13 上海工程技术大学 一种基于数字孪生模型的轮对轴箱装置状态监测方法
CN113591406A (zh) * 2021-07-26 2021-11-02 西安交通大学 一种热管冷却反应堆测点优化布置及故障诊断方法及***
CN113657031A (zh) * 2021-08-12 2021-11-16 杭州英集动力科技有限公司 基于数字孪生的供热调度自动化实现方法、***及平台

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于数字孪生的船舶预测性维护;李福兴等;船舶工程;20200715(第S1期);全文 *

Also Published As

Publication number Publication date
CN114943281A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
Mo et al. A dynamic neural network aggregation model for transient diagnosis in nuclear power plants
CN115034248A (zh) 用于设备的自动诊断方法、***和存储介质
CN112036089A (zh) 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法
CN111648992B (zh) 燃气轮机压气机故障识别预警方法
CN109740859A (zh) 基于主成分分析法和支持向量机的变压器状态评估方法及***
CN113255848A (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN117390536B (zh) 基于人工智能的运维管理方法及***
Han et al. Fault detection of pneumatic control valves based on canonical variate analysis
CN109690641B (zh) 包括确定设备重要度和警报有效性的处理程序的用于预检核电站设备异常迹象的方法及***
EP3904987B1 (en) Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system
CN112632845B (zh) 基于数据的小型反应堆在线故障诊断方法、介质及设备
CN114943281B (zh) 一种热管冷却反应堆智能决策方法及***
CN111767657B (zh) 一种核动力***故障诊断方法和***
CN114925536A (zh) 机载***phm测试性建模与诊断策略优化方法和装置
CN115618732A (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
CN114721336A (zh) 一种仪控***工艺参数的信息安全事件预警方法
Yu et al. A continuous learning monitoring strategy for multi-condition of nuclear power plant
CN112580254B (zh) 一种基于多级决策融合的换流变多维度分析和预警方法
CN117312972A (zh) 一种刮板输送机减速器健康状态识别方法
CN112380763A (zh) 一种基于数据挖掘的堆内构件可靠性分析***及方法
CN116061690A (zh) 一种电动汽车充电过程中的安全预警方法及装置
Arunthavanathan et al. Remaining useful life estimation using fault to failure transformation in process systems
CN115270911A (zh) 油田离心泵注水站工作异常检测方法、***、终端及介质
Buceti et al. Automatic validation of the five-channel DCN interferometer in ENEA-FTU based on soft-computing techniques
Yu et al. An online fault diagnosis method for nuclear power plant based on combined artificial neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant