摘要：核动力装置结构复杂、运行参数多且耦合程度高,在异常运行工况时,运行参数之间存在极其复杂的非线性关系。采用人工方式进行故障诊断难度较大,亟需一种能高效识别异常运行工况类型的智能技术。概率神经网络(PNN)具有良好的非线性映射功能,适用于核动力装置多参数、强耦合情况下的异常运行工况识别。本文选取6种核动力装置异常运行工况,依托核动力装置事故分析平台进行了模拟计算并提取了特征参数。分别采用PNN与BP神经网络方法,在MATLAB环境中建立了异常运行工况识别模型,并进行了验证。结果表明,基于PNN的异常运行工况识别方法有效,且较传统BP神经网络方法更准确、快速。

摘要：鉴于核动力系统具有高复杂性、高风险性的特点,其设计和运行对安全性、可靠性要求极高。异常检测是提高核动力系统固有安全性的一种重要技术手段,针对核动力系统故障类型多、故障发生概率小、故障样本匮乏的特殊问题,基于夹角余弦距离计算理论,从正常历史运行数据出发,提出一种检测系统异常的算法,有效应对了故障样本不足的现实问题。经数据试验验证,算法能依托有限的参数,较准确地检测系统微小的异常和故障,可作为核动力系统故障诊断体系中的入口环节算法使用,具有较好的实际应用前景。

摘要：为减少操作人员的判断失误,有效提高核动力装置运行工况异常识别准确率,通过分析核动力装置的强相关参数,一种新兴智能优化的麻雀搜索算法与概率神经网络相结合的异常识别模型。由于概率神经网络的平滑因子对输出结果影响较大,因此采用麻雀搜索算法对平滑因子进行参数寻优,将优化结果赋值给概率神经网络模型进行参数训练,得到用于异常识别的最优网络模型。选取17种核动力装置异常运行工况,依托核动力装置事故分析平台进行模拟计算并提取特征参数。Matlab仿真结果表明,该优化网络模型比原始网络模型具有更高的识别精度。