基于深度学习和动态时间扭曲的方法来诊断反应堆系统

科学领域:

• 核工程 核工程是指核工程.
• 结构健康监测 结构健康监测
• 在工程领域的人工智能.

背景情况:

• 核电站核心支桶的紧固力降低会造成重大安全风险.
• 现有的检测降解的方法在识别尺寸和位置方面缺乏精度.
• 准确监控内部结构对于核电站的可靠性至关重要.

研究的目的:

• 开发一种新的方法来诊断核心支桶中紧力降解的尺寸和位置.
• 提高核电站内部结构监控的精度和效率.
• 解决先前研究在精确定位降解方面的局限性.

主要方法:

• 利用频域外核中子噪声信号的动态时间曲线 (DTW) 来学习数据变化.
• 采用基于自动编码器 (AE) 的表示学习来进行强大的特征提取,并防止过度拟合.
• 将深度学习技术与DTW结合起来,以实现全面的诊断方法.

主要成果:

• 拟议的方法准确地预测了紧力降解的大小和位置.
• 实验结果验证了深度学习和DTW方法的有效性.
• 通过基于AE的表示学习实现的增强模型稳定性.

结论:

• 开发的方法在诊断核心支桶的紧力降解方面取得了重大进展.
• 这项研究预计将提高核电站内部结构监控的精度和效率.
• 这些发现有助于提高核电设施的整体安全性和可靠性.