Разработка алгоритмов диагностики состояния ГЦН АЭС с ВВЭР-1000 по данным оперативного технологического контроля

• Автор: Зарюгин, Денис Геннадьевич
• Шифр специальности: 05.14.03
• Научная степень: Кандидатская
• Год защиты: 2001
• Место защиты: Обнинск
• Количество страниц: 128 с.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. Диагностирование состоянии ГЦН полипным оперативного технологического контроля.

1.1 Системы вибродиагностики.

1.1.1 Причины возникновения неисправностей оборудования АЭС.

1.1.2 Методы диагностики с использованием виброакустических шумов.

1.2 Алгоритмы диагностирования оборудования АЭС.

1.2.1 Параметрические модели.

1.2.2 Логические модели.

1.2.3 Искусственный интеллект.

1.3 Выводы по главе 1.

ГЛАВА 2. Алгоритмы диагностики ГЦН по данным оперативного технологического контроля.
2.1 Общие положения.
2.2 Выбор вектора информативных параметров.
2.2.1 Алгоритм, использующий понятие меры близости.
2.2.2 Алгоритм случайного поиска с адаптацией.
2.3 Сокращение размерности пространства. Представление изменения
состояния системы объектов во времени.
2.4 Выводы по главе 2.
ГЛАВА 3. Практическое применение алгоритмов.
3.1 Обработка данных Калининской АЭС.
3.1.1 История развития аварии с ГЦН. 5
3.1.2 Обработка данных с помощью представленных алгоритмов.
3.2 Обработка данных Нововоронежской АЭС.
3.2.1 История развития аварии с ГЦН.
3.2.2 Обработка данных с помощью представленных алгоритмов.
3.3 Формирование решающего правила для определения аномалии в
состоянии ГЦН.
3.4 Программная реализация системы диагностирования ГЦН.
3.5 Опыт эксплуатации системы МА1 для диагностики состояния ГЦН блока 5 НВАЭС.
3.6 Выводы по Главе 3. ГЛАВА 4. Использование нейронных сетей для задач диагностики ГЦН.
4.1 Структура нейронной сети
4.2 Алгоритм обучения нейронной сети .
4.2.1 Обучение нейронной сети с обратным распространением ошибок.
4.2.2 Анализ чувствительности.
4.3 Программная реализация нейронной сети
4.4 Функционирование нейронной сети.
4.4.1 Обработка данных Калининской АЭС.
4.4.2 Обработка данных Нововоронежской АЭС.
4.4.3 Совместная обработка данных Калининской и Нововоронежской АЭС.
4.5 Выводы по главе 4.
ВЫВОДЫ.
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ


Своевременное обнаружение аномалии в состоянии ГЦН позволило бы скорректировать режим его эксплуатации и, возможно, предотвратить аварию. Таким образом, одной из задач обеспечения надежной работы АЭС является создание сравнительно недорогой системы оперативной диагностики ГЦН, которая бы могла своевременно обнаружить и идентифицировать аномальные процессы в элементах оборудования ГЦН до развития нарушений, связанных с аварийными отключениями насоса. Традиционно анализ состояния ГЦН осуществляется оперативным персоналом АЭС путем сравнения значений параметров технологического контроля, измеряемых в процессе эксплуатации, с заранее установленными предельными значениями (уставками). ГЦН. Однако, выход параметра за уставку означает развитие аварийного состояния ГЦН и требует перехода оперативного персонала к решительным действиям по его предотвращению. Аварийной фазе состояния ГЦН предшествует долговременное развитие аномалии насоса, при котором все параметры находятся в пределах, определенных эксплуатационным регламентом, однако, его состояние отличается от нормального, и происходит развитие процесса, который в дальнейшем, если не принять своевременных мер, может выразится в аварийном отключении насоса. Для обеспечения надежной и безопасной эксплуатации АЭС необходимо обнаружение аномалии в состоянии ГЦН на возможно ранней стадии, когда технологические параметры находятся в пределах нормальной эксплуатации. Таким образом, возникает необходимость своевременной идентификации аномальных процессов, происходящих с ГЦН, чтобы оперативный персонал имел возможность своевременно принять адекватные меры по изменению режимов работы оборудования, планированию ремонтов т. В соответствии с вышеизложенным, разработка методов ранней диагностики ГЦН, систем контроля состояния оборудования для обнаружения аномалий на ранней стадии развития аварий является актуальной задачей. ГЦН. ГЦН для принятия решений. Разработаны принципиально новые модель и алгоритмы ранней диагностики, позволяющие определить аномалию в состоянии главных циркуляционных насосов на ранней стадии развития аномальных процессов. Используя избыточность предоставляемой технологической информации, разработанные алгоритмы автоматически выделяют именно тс параметры, которые определяют аномалию состояния ГЦН. При этом дальнейший вывод о коррекции режима работы ГЦН, его отключении и выводе в ремонт осуществляется эксплуатационным персоналом на основании предоставленной информации о состоянии ГЦН. АЭС. Калининской и Пововоронежской АЭС, полученных с применением разработанных методик, была сформирована база знаний о развитии аномальных ситуаций, что позволило разработать новую модель применения нейронных сетей для задач оперативной диагностики Г1(Н. Это позволило сделать заключение, что результаты исследований причин аномалии ГЦН Калининской и Нововоронежской АЭС, полученные с помощью различных математических методов идентичны, что доказывает работоспособность представленных автором методик. Практическая ценность. Разработки, проведенные автором, доведены до комплекса алгоритмов, реализованных программным продуктом (системой DINA-1) диагностики состояния ГЦН на основе анализа данных оперативного технологического контроля. Программный продукт внедрен в эксплуатацию на Нововоронежской ЛЭС (акт о внедрении № 9/-РЦ/). Создана нейронная сеть, которая, будучи предварительно обученной на реальных примерах развития аномалии ГДН, в дальнейшем четко распознает подобное состояние по анализу входного образа, состоящего из параметров оперативного контроля ГЦН в режиме реального времени. Личное участие автора. При участии автора были разработаны методы и алгоритмы диагностики ГЦН на основе анализа данных оперативного технологического контроля. На основе этих методов и алгоритмов автором разработан программный продукт «DINA-1» - система диагностики состояния ГЦН АЭС с ВВЭР-. Проведены исследования реальных данных аварий с ГЦН, на основе которых была создана и обучена нейронная сеть, проведен анализ чувствительности сети к входным параметрам.