Помощь в написании студенческих работ
Антистрессовый сервис

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

Диссертация: Разработка алгоритмов диагностики состояния ГЦН АЭС с ВВЭР-1000 по данным оперативного технологического контроля
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Использование нейронной сети для диагностики ГЦН обусловлено возможностью сети, как нелинейной системы, подстраивать свои параметры для распознавания задаваемых образов. Однако, применение нейронной сети требует формирования базы знаний об аномалии состояния ГЦН, какие состояния насоса являются нормальными, а какие аномальными, для процесса обучения сети распознаванию аномалии. Результаты анализа… Читать ещё >

Разработка алгоритмов диагностики состояния ГЦН АЭС с ВВЭР-1000 по данным оперативного технологического контроля (реферат, курсовая, диплом, контрольная)

Содержание

  • ГЛАВА 1. Диагностирование состояния ГЦН по данным 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
      • 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 DINA-1 для диагностики состояния ГЦН блока5НВАЭС
    • 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 ЛИТЕРАТУРЬГ
  • ПРИЛОЖЕНИЕ. ПО

После ряда аварий, произошедших на атомных станциях, стали неуклонно возрастать требования к надежности элементов технологических систем ядерных установок. В настоящее время в России около 13% электроэнергии вырабатывается на атомных электростанциях. Повышение требований к надежности становится первостепенным из соображений безопасности, экономики и экологии. Так как использование газа и нефти гораздо эффективнее в химической промышленности, то в проекте энергетической программы на 1986;2010 г. предполагается вновь вернуться к развитию атомных электростанций после 2000 г. Тем более, что в это время необходимо проводить реорганизацию всего топливно-энергетического комплекса, поскольку большая часть оборудования выработала или вырабатывает свой ресурс.

В настоящее время глобальной проблемой эксплуатации оборудования в энергосистемах является поддержание его работоспособности экономически оптимальными мерами. Решение этой проблемы актуально как для эксплуатационного, так и для ремонтного персонала. Первые устанавливают режим работы агрегатов с учетом его состояния: выявляют износ оборудования при обследованиях и контроле, определяют целесообразность дальнейшей работы оборудования, имеющего существенный износ [1]. Вторые участвуют в обследовании оборудования с целью определения необходимого объема ремонта или реконструкции, разрабатывают оптимальные мероприятия по продлению срока службы, включающие обновление и ремонт узлов, регламентируют наблюдение за оборудованием во время его дальнейшей эксплуатации.

Общей целью являются ответы на вопрос — можно ли оставить оборудование в работе, каков объем мероприятий по приведению его в работоспособное состояние, рационально ли вкладывать в это оборудование средства на ремонт [2].

Оценка состояния оборудования должна проводиться на основе следующих сведений [3,4]: анализ предыдущих режимов работы (за весь срок службы) — анализ результатов проведения ремонтованализ результатов диагностирования и специального обследования на предмет оценки состояния.

Расчеты показывают, что оптимальное проведение профилактических мероприятий в соответствии с текущим состоянием объектов снижает до пяти раз расходы на ремонты и ущербы от перерывов энергоснабжения. Например, недовыработка электроэнергии за первое полугодие 2000 года из-за нарушений в работе энергоблоков и отказов оборудования составила 1545,3 млн. квт*ч [5]. Отказы насосного оборудования на АЭС с ВВЭР составляют около 6% от общего числа нарушений [8] и эта цифра практически не уменьшается.

Следовательно, особо важным элементам оборудования объектов ядерной энергетики, таким как главные циркуляционные насосы (ГЦН), необходимо уделять наиболее пристальное внимание, поскольку аварии на ГЦН связаны с потерей мощности энергоблока, что ведет к большим экономическим потерям.

Так, на нескольких АЭС мира в 80−90-е годы произошли разной степени повреждения главных циркуляционных насосов, которые рассматриваются как крупные технические аварии, связанные с большими материальными затратами и длительным простоем энергоблоков [9'. Причиной выхода из строя ГЦН № 4 на Южно-Украинской АЭС (20.04.83 г.) стало повреждение нижнего радиального подшипника, вследствие его недопустимого перегрева в результате нарушения условий эксплуатации.

Непосредственной причиной повреждения подшипника явилось набухание вкладышей подшипника из графитофторопластого материала марки 7В-2А.

1 января 1986 года при работе блока № 3 АЭС «Crystal river» (США) по сигналу о повышенной вибрации электродвигателя ГЦН и понижении расхода через реактор произошел автоматический останов реактора. Причиной этих событий явилось заклинивание и поломка вала ГЦН, вследствие остаточных и термических напряжений из-за пониженной температуры воды на уплотнениях ГЦН.

14.04.99 г. произошло срабатывание АЗ-1 на блоке 5 Нововоронежской АЭС по сигналу о снижении перепада давления на ГЦН 1. Непосредственной причиной отказа явилось повреждение торсионной муфты насоса по механизму усталостного разрушения в результате циклических изгибных повреждений в шлицевой части из-за расцентровки вала двигателя и насоса в процессе эксплуатации.

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.

Актуальность работы.

Традиционно анализ состояния ГЦН осуществляется оперативным персоналом АЭС путем сравнения значений параметров технологического контроля, измеряемых в процессе эксплуатации, с заранее установленными предельными значениями (уставками). При превышении значения какоголибо параметра своей уставки делается вывод об аномальном состоянии 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, происходяш-их с ГЦН, чтобы оперативный персонал имел возможность своевременно принять адекватные меры по изменению режимов работы оборудования, планированию ремонтов т.д.

В соответствии с вышеизложенным, разработка методов ранней диагностики ГЦН, систем контроля состояния оборудования для обнаружения аномалий на ранней стадии развития аварий является актуальной задачей.

Цель исследований: — разработка методов оценки состояния главных циркуляционных насосов АЭС с ВВЭР-1000 на основе анализа данных оперативного технологического контроля и своевременного представления эксплуатационному персоналу информации о возникновении аномалий в состоянии ГЦН. Для достижения этой цели были решены следующие задачипроведен анализ данных оперативного контроля ГЦН для различных режимов эксплуатации и состояний насосовразработаны алгоритмы оценки состояния главных циркуляционных насосов для наглядного представления эксплуатационному персоналу информации о состоянии ГЦН для принятия решений. Алгоритмы исследованы на реальных данныхпроведены исследования в обоснование представленных разработокразработан прототип системы диагностирования ГЦН по данным оперативного технологического контроляразработанные алгоритмы реализованы в виде комплекса программ системы оперативного контроля ГЦН по анализу данных оперативного технологического контроля;

Научная новизна полученных автором результатов заключается в том, что:

Г 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 те 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.

2. Разработанные алгоритмы применялись для анализа данных реальных отказов ГЦН, имевших место на Калининской и Нововоронежской.

АЭС. В результате были получены новые данные о причинах возникновения аномалии в состоянии рассматриваемых насосных агрегатов по сравнению с результатами вибродиагностических исследований.

3. Основываясь на данных анализа аварийных состояний ГЦН Калининской и Нововоронежской 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 ГЦН.

4. Проведенный анализ чувствительности нейронной сети к входным параметрам позволил получить новые данные о параметрах, влияющих на процесс обучения сети распознаванию аномальной ситуации на ранней стадии ее развития. 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 ВША-1) диагностики состояния ГЦН на основе анализа данных оперативного технологического контроля.

Обработка реальных данных оперативного контроля предшествующих авариям на ГЦН показала, что разработанные автором методы и алгоритмы позволяют выявлять отклонения в режимах работы ГЦН за долго до того, как процесс становится аварийным, что дает возможность выявлять опасные режимы, планировать ремонт оборудования по состоянию.

Программный продукт внедрен в эксплуатацию на Нововоронежской АЭС (акт о внедрении № 639/00-РЦ/08).

Создана нейронная сеть, которая, будучи предварительно обученной на реальных примерах развития аномалии ГЦН, в дальнейшем четко распознает подобное состояние по анализу входного образа, состояш-его из параметров оперативного контроля ГЦН в режиме реального времени.

Автор выносит на защитумодели и алгоритмы диагностики состояния ГЦН на основе анализа данных оперативного технологического контролярезультаты анализа реальных данных предшествующих авариям на ГЦНмодель и принципы обучения нейронной сети для задач оперативной диагностики ГЦНпрактическую реализацию проведенных разработок.

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 «ВША-1» ~ система диагностики состояния ГЦН АЭС с ВВЭР-1000. Проведены исследования реальных данных аварий с ГЦН, на основе которых была создана и обучена нейронная сеть, проведен анализ чувствительности сети к входным параметрам.

Апробация работы.

Основные результаты проведенных исследований были представлены на VI Международной конференции «Безопасность АЭС и подготовка кадров» (г. Обнинск, 1999 г.), Международной студенческой конференции «Полярное сияние» (Санкт-Петербург, 2000 г.), Международная конференция Е8КЕЬ (Торино, Италия, 2001 г.), Семинар Минатома «Современные методы и средства диагностики ЯЭУ» (г. Обнинск, ГНЦ РФ ФЭИ, 2001 г.).

Основные положения диссертации опубликованы в следующих печатных работах:

1. Лескин СТ., Зарюгин Д. Г. Алгоритм диагностирования состояния ГЦН по данным оперативного технологического контроля. Тез. докл. VI Международной конференции «Безопасность АЭС и подготовка кадров», Обнинск, 4−8 октября 1999 г., с. 105−106.

2. Лескин СТ., Зарюгин Д. Г. Разработка алгоритмов распознавания состояния оборудования АЭС по анализу данных оперативного технологического контроля // Научные исследования в области ядерной энергетики в технических вузах страны, Москва, изд. МЭИ, 1999 г. с.207−208.

3. Даниелян Д. С, Зарюгин Д. Г. Алгоритм диагностирования состояния.

ГЦН по данным оперативного контроля. Тез. докл. Международной студенческой конференции «Полярное сияние», Санкт-Петербург, 27 января — 2 февраля 2000 г., с. 77−78.

4. Лескин СТ., Зарюгин Д. Г. Комплекс программ В1ЫА-1 для диагностирования главных циркуляционных насосов ВВЭР по данным оперативного технологического контроля. // Известия вузов. Атомная энергетика. № 1. 2001 г. с.3−12.

5. Лескин СТ., Валуй В. В., Зарюгин Д. Г. Применение нейронных сетей для задач диагностики ГЦН по данным оперативного технологического контроля. // Известия вузов. Атомная энергетика. № 2. 2001 г. С.

6. Leskin S.T., Zarjugin D.G. Developing Algorithms for Equipment.

Diagnostics Based on Technological Monitoring Data Analysis. International Conference European Safety and Reliability, Turin, Italy, September 16−20, 200ly., p.92−94.

7. Лескин СТ., Зарюгин Д. Г. Комплекс программ диагностики состояния.

ГЦН ВВЭР-1000 по данным оперативного технологического контроля. Тез. докл. Семинара Минатома «Современные методы и средства диагностики ЯЭУ», Обнинск, ГНЦ РФ ФЭИ, сентябрь, 2001 Г.С.31−32.

Структура и объем диссертации

.

Работа изложена на 127 страницах, содержит введение, четыре главы, выводы, 31 рисунков, 11 таблиц и список литературы из 103 наименований.

Первая глава посвящена обзору разработанных в настоящий момент моделей и методов контроля состояния главных циркуляционных насосов. Рассматриваются особенности различных методов диагностирования состояния ГЦН, основанных на параметрических, логических моделях и на искусственном интеллекте (классическом распознавании образов). К основным недостаткам таких моделей относится использование в них априорных знаний о процессах, происходящих с ГЦН, что не всегда поддается формализации, либо требует значительных затрат вычислительных ресурсов. Главным образом, модели, основанные на описании процессов, входят в основу экспертных систем. Обсуждается опыт внедрения таких систем на АЭС.

В данной главе рассматривается опыт использования систем вибродиагностики для анализа состояния ГЦН и методы анализа информации, полученной с применением подобных систем. Задача диагностики состояния ГЦН решается с применением систем мониторинга и оперативной диагностики, как стационарных, так и переносных. Системы мониторинга предназначены для своевременного обнаружения аварийной ситуации до того, как она станет необратимой. Задачей систем вибрационной диагностики, как стационарных, так и переносных, в отличие от систем мониторинга, является идентификация дефектов на ранней стадии развития, с целью планирования сроков и объема ремонтов для минимизации затрат на обслуживание насоса. К основным недостаткам систем вибродиагностики следует отнести достаточно высокую стоимость этих систем, что существенно снижает ожидаемый экономический эффект от их внедрения. Системы вибродиагностики достаточно сложны в эксплуатации, и этот фактор вызывает необходимость привлечения высококвалифицированного персонала для обслуживания системы и интерпретации результатов диагностирования. Так же внедрение систем вибродиагностики имеет ряд ограничений, так как специфика размещения оборудования АЭС не всегда позволяет разместить датчики систем вибродиагностики в наиболее эффективных, с точки зрения постановки задач диагностирования, местах.

В связи с этим, возникает необходимость создания системы оперативной диагностики ГЦН на основе анализа данных оперативного технологического контроля, основанной на применении математического аппарата теории распознавания образов и кластерного анализа. Однако, в классической постановке задачи распознавания образов предполагается наличие априорной информации о нормальных и аномальных режимах работы оборудования. Отсутствие такой информации для ГЦН не позволяет воспользоваться традиционными подходами в решении задачи. В этом случае определяющим фактором является правильно выбранная стратегия построения алгоритма диагностирования, учитывающая особенности работы данного оборудования.

В настоящее время возрос интерес к системам диагностики оборудования, основанным на применении искусственного интеллекта (нейронные сети). Однако, применение нейронных сетей для задач диагностики возможно только при наличии обширной базы знаний о нормальных и аномальных состояниях объекта, т. е. выборки обучающих примеров.

Во второй главе представлена модель и алгоритмы оценки состояния главных циркуляционных насосов на основе анализа данных оперативного технологического контроля. При построении алгоритмов диагностирования ГЦН используются методы теории распознавания образов и кластерного анализа.

Основная стратегия разработанных алгоритмов выбрана с учетом особенностей работы главных циркуляционных насосов. Так мы имеем четыре одновременно работающих в идентичных условиях агрегата, изменение состояния каждого из них может определяться как общими для всех ГЦН процессами, так и индивидуальными, происходящими только с одним ГЦН. Вероятность выхода из строя двух и более насосов гораздо меньше вероятности появления одного аномального ГЦН. Таким образом, идентификация аномального режима работы оборудования производится по отношению к норме, определяемой как состояние большинства одновременно работающих объектов.

В принятой постановке задачи алгоритм диагностирования должен включать в себя блок отбора информативных параметров, которые отражают индивидуальные процессы, происходящие с ГЦН, среди которых могут быть и аномальные, что необходимо с точки зрения анализа причин возникновения аварийных ситуаций, а также осуществлять численное сравнение состояний одновременно работающего оборудования в каждый момент времени, с целью выделения аномалии.

Для функции отбора вектора информативных параметров было разработано два алгоритма. Первый алгоритм представляет собой корреляционный классификатор, основанный на функции «расстояния» между параметрами, здесь в качестве исходной информации используется матрица корреляции между параметрами. Второй алгоритм отбора комплекса взаимосвязанных параметров использует метод случайного поиска с адаптацией. В нем, в качестве меры информативности параметров, принимается надежность распознавания состояний исследуемого объекта.

Представление состояния одновременно работающих ГЦН осуществлялось с помощью разложения Карунена-Лоева, согласно которому вклад каждого собственного вектора в описание дисперсии исходных данных пропорционален его собственному значению.

В третьей главе описывается применение разработанных алгоритмов для анализа данных реальных отказов, происходивших в разное время с ГЦН № 2 блока 1 Калининской АЭС, и ГЦН № 1 блока 5 Нововоронежской АЭС. По описанным методикам осуществлялся выбор комплекса информативных параметров и представление состояния ГЦН в каждый момент времени.

Результаты работы алгоритмов показали наличие аномалии ГЦН № 2 блока 1 Калининской АЭС, и ГЦН № 1 блока 5 Нововоронежской АЭС на протяжении всего рассматриваемого периода. Среди анализируемых параметров оперативного контроля ГЦН в информативный вектор вошли параметры, относящиеся к блоку уплотнений. Ревизия данных насосных агрегатов показала необходимость ремонта блока уплотнений.

Разработанные алгоритмы были реализованы в комплексе программ оперативной диагностики состояния ГЦН «В1КА-1». Программный комплекс имеет дружественный пользователю, удобный графический интерфейс представления данных о состоянии ГЦН и динамики изменения параметров оперативного контроля, а также встроенную интерактивную систему инструкций по эксплуатации данного насосного агрегата. Программный комплекс внедрен в эксплуатацию на Нововоронежской АЭС в качестве системы информационной поддержки эксплуатационного персонала.

В четвертой главе рассматриваются вопросы применения нейронных сетей для задач диагностики состояния ГЦН. Описаны модель и методы обучения нейронной сети.

Использование нейронной сети для диагностики ГЦН обусловлено возможностью сети, как нелинейной системы, подстраивать свои параметры для распознавания задаваемых образов. Однако, применение нейронной сети требует формирования базы знаний об аномалии состояния ГЦН, какие состояния насоса являются нормальными, а какие аномальными, для процесса обучения сети распознаванию аномалии. Результаты анализа данных Калининской и Нововоронежской АЭС показали, что авария на ранней стадии развития проявляется идентично. Таким образом, выделенные по вышеописанным алгоритмам сценарии развития аномалии ГЦН Калининской и Нововоронежской АЭС позволили сформировать выборку обучающих примеров образа аномалии для обучения нейронной сети.

Предварительно обученная на данных Калининской и Нововоронежской АЭС нейронная сеть четко распознает аномалию на ранней стадии ее развития. Таким образом, при применении предварительно обученной нейронной сети для диагностики состояния ГЦН появляется возможность идентификации аномального состояния насоса аналогичного предаварийным состояниям на ГЦН Калининской и Нововоронежской АЭС в режиме on-line.

Проведенный анализ чувствительности нейронной сети по входным параметрам показал, что наиболее информативными при обучении нейронной сети распознаванию аномалии оказались параметры, относящиеся к блоку уплотнений, что полностью согласуется с данными, полученными в результате применения алгоритмов, построенных с применением методов теории распознавания образов. В заключении сформулированы основные результаты, полученные в диссертации.

4.5. ВЫВОДЫ ПО ГЛАВЕ 4.

1. Разработан программно-алгоритмический комплекс NEURAL, обеспечивающий диагностику состояния ГЦН в режиме текущего времени. Основу комплекса составляет нейронная сеть.

2. Обучение сети производилось на данных аномалий ГЦЦ Калининской и Нововоронежской АЭС, распознанных алгоритмами, описанными в главе 2 на ранней стадии их развития.

3. В процессе обучения был проведен анализ чувствительности сети к входным параметрам, что позволило выделить среди них наиболее значимые при развитии аномальной ситуации на ГЦН. Полученные результаты полностью согласуются с данными обработки программным комплексом DINA-1 (глава 3).

4. Результаты обработки показали, что обученная сеть может быть использована не только для распознавания представленных для обучения ситуаций на Клн. АЭС и HB АЭС, но и других станций, где такие аномалии еще не возникали.

ЗАКЛЮЧЕНИЕ

.

Анализ аварий и инцидентов на АЭС показывает, что многих из них можно было бы избежать при своевременном представлении оперативному персоналу информации о состоянии оборудования. Для повышения безопасности АЭС разрабатываются различные модели и методы оценки состояния оборудования. Опыт эксплуатации систем, основанных на этих моделях, показал их недостаточную эффективность.

Для принятия оптимальных решений оперативному персоналу необходима информация об отклонениях в состоянии ГЦН на возможно ранней стадии их развития, когда контролируемые параметры находятся в пределах, определенных эксплуатационным регламентом. При таких условиях персонал имеет возможность в спокойной обстановке оценить ситуацию, ее возможные последствия, спланировать последовательность действий по предотвращению развития аномалии и выполнить эти действия.

В диссертационной работе:

1. Разработаны основные принципы построения модели диагностики состояния главных циркуляционных насосов на основе анализа данных оперативного технологического контроля. Отбор вектора информативных параметров, прямо или косвенно ответственных за аномалию ГЦН, осуществляется с помощью алгоритма, представляющего собой корреляционный классификатор, основанный на функции меры «близости» параметров, а также с помощью алгоритма случайного поиска с адаптацией. Для численного сравнения состояний ГЦН с целью выделения аномалии был разработан алгоритм, использующий разложение Карунена-Лоева.

2. С помощью разработанных алгоритмов были обработаны данные отказов, произошедшие в разное время с ГЦН-2 блока 1 Калининской АЭС и ГЦН-1 блока 5 Нововоронежской АЭС. Была выделена аномалия в состоянии данных насосных агрегатов, а также комплекс информативных параметров, ответственных за аномальное состояние ГЦН, что показывает высокую эффективность представленных разработок.

3. Выделение с помощью разработанных алгоритмов аномалии в состоянии ГЦН Калининской и Нововоронежской АЭС позволило сформировать базу данных об аномальных состояниях ГЦН для обучения нейронной сети. Разработанная нейронная сеть, обученная на этих данных, позволяет четко распознавать подобную ситуацию с ГЦН в режиме реального времени для каждого ГЦН.

4. В процессе обучения был проведен анализ чувствительности сети к входным параметрам, что позволило выделить среди них наиболее значимые при развитии аномальной ситуации на ГЦН. Полученные результаты полностью согласуются с данными анализа с применением разработанных ранее и представленных в главе 2 алгоритмов. Таким образом, показана идентичность результатов, полученных с помощью различных математических методов, что доказывает объективность существования комплекса информативных параметров, в котором проявляется аномалия состояния ГЦН на ранней стадии развития аварии.

5. Разработанные алгоритмы реализованы программным продуктомсистемой «В1ЫА-1». Основное ее назначение — анализ состояния ГЦН и выявление аномалии, когда технологические параметры находятся в пределах нормальной эксплуатации. Дополнительно сервисные функции, входящие в систему «ВША-1» представляют оперативному.

99 персоналу наглядную информацию о динамике измеряемых параметров, а также о нарушениях в работе ГЦН, определенных инструкцией по эксплуатации.

6. Программный продукт «DINA-1» внедрен в эксплуатацию на Нововоронежской АЭС. Результаты работы программного комплекса позволяют использовать «DINA-1» дополнительно к существующим средствам контроля как независимый канал оценки состояния ГЦН в целях повышения безопасности АЭС. Получен положительный опыт использования комплекса для выявления отклонений в работе ГЦН.

Показать весь текст

Список литературы

  1. Ю.И. Повышение эффективности эксплуатации турбогенераторов. М., Энергия, 1981 г., с. 54.
  2. .А., Барило В. В. Формирование рыночных отношений и техническое перевооружение энергетики. М., Институт повышения квалификации государственных служащих, 1995 г., с. 86.
  3. . А. Продление срока службы и модернизация турбогенераторов за рубежом. Энергохозяйство зарубежом, 1992, № 6, с.1−7.
  4. A.B., Гаскаров Д. В. Техническая диагностика (непрерывные объекты). М., Высшая школа, 1975 г., с. 112
  5. Ю.В. Копьев. Экспресс анализ работы АЭС России за первое полугодие 2000 года., М., Концерн «РосЭнергоАтом», 2000, с. 4−12
  6. Б. В. Антонов. Итоги эксплуатации АЭС России в 1995 году. // Ядерная энергетика, ХйЗ, 1996 г., с.4−10.
  7. Аварии и инциденты на атомных электростанциях., под ред. СП. Соловьева, ИАТЭ, Обнинск 1992, с. 38.
  8. С.Д., Поздняков В. В. и др. Состояние и тенденции развития автоматизированных систем обеспечения безопасности АЭС: Обзор. -М., РКЦ «Курчатовский институт», 1995 г., с 21−28.
  9. H.H. Вопросы создания общих систем диагностики ЯЭУ и АЭС. Энергетика, 1995, № 4, с.68−75.
  10. ., Сингх Ч. Инженерные методы обеспечения надежности систем. М., Мир, 1984 г., с 45−47.
  11. В.В. Системы управления и защиты АЭС. М., Энергоатомиздат, 1986 г. с. 65.
  12. Общие положения обеспечения безопасности атомных станций (ОПБ-88), М., Энергоатомиздат, 1888 г.
  13. A.A., Кирилов Е. В., Кудрашов Л. Н. Вероятностно-экономический подход к повышению безопасности атомных станций. -Атомная энергия, Т. 68., 1990 г. С. 21
  14. В.В., Гуцев Д. Ф., Павелко В. И. Исследования характеристик вибродиагностики ВВЭР-1000 в эксплуатационных условиях. -Атомная энергия, Т. 79. № 11. 1995 г., с 32−38
  15. A.A., Афпнасьев В. А., Ефимов В. Н. Ранняя диагностика аномалий БН-реакторов с использованием параметров технологического контроля. -М., НИИАР, 5(561). 1985 г., с 31−33.
  16. A.A., Ефимов В. Н., Ещенко СИ. и др. Опыт разработки и использования систем диагностирования АЭС. Сб. Контроль и диагностика процессов и оборудования энергоблоков с быстрыми натнриевыми реакторами. РАН: Уральское отделение., 1994 г., с 34−37.
  17. H.H., Гаврилов П. А., Долгов Ю. А. и др. Вопросы синтеза оптимальных по быстродействию алгоритмов диагностики неисправностей в ЯЭУ. Сб. Вопросы атомной науки и техники. М., ЦНИИАтоминформ, 1975 г. с.3−11.
  18. В.Н., Минаков A.A., Кудряшов Л. Н. и др. Оценка возможности диагностики локального перегрева в быстрых натриевых реакторах. -НИИАР 43 (608)., Дмитровград, 1983 г., с. 56−58.
  19. Р.В., Рунов Б. Т. Надежность контроля вибрации турбогенераторов. /Электрические станции, 1971, № 2, с. 44−47.
  20. Калявин В.П.,. Мозгалевский A.B. Технические средства диагностирования. Л., Судостроение, 1984., с 32.
  21. P.A. Средства технической диагностики машин. М., Машиностроение, 1981., с 67.
  22. В.И. В ибр о акустическая диагностика и снижение виброактивности судовых механизмов. Л., Судостроение, 1974, с. 224.
  23. В.И., Мышинский Э. Л., Попков О. И. Виброакустическая диагностика в судостроении. Л., Судостроение, 1989, с. 256.
  24. Борьба с шумом на производстве. Справочник, /под. ред. Е. Я. Юдина. М. Машиностроение, 1985 г., с. 116.
  25. И.Г. Шум и вибрация электрических машин. Л., Энергия, 1974, С. 200.
  26. Л.Ф. Борьба с шумом компрессорных учтановок. Обзор. М., ВЦНИИОТ ВЦСПС, 1977, с. 52.
  27. Г. А., Петров Ю. И., Егоров И. О. Борьба с шумом вентиляторов. -М., Энергоиздат, 1981, с. 143.
  28. СВ., Матвеев В. П., Финкель Б. М. Датчики систем оперативной диагностики для АЭС с реактором ВВЭР /Теплоэнергетика.-1999.-№ 6.-СЗЗ-37.
  29. A.A., Ефимов В. Н., Мынцова О. В. Анализ виброакустических шумов при экспериментальном моделировании механических неисправностей роторного оборудования. /Сб. Гос. науч. центр Рос. Федерации «НИИ атомн. реакторов». -1999.-№ 2-С.57−70.
  30. В.В., Павелко В. И., Гуцев Д. Ф. Исследования характеристик вибродиагностики ВВЭР-1000 в эксплуатационных условиях. /Атомная энергия.-1995.-79л № 5.-0.343−349.
  31. А.А., Ефимов В. Н., Мынцова О. В. Комплексный подход к решению задач вибродиагностики /Сб. Гос. науч. центр Рос. федерации «НИИ атом. реакторов>Л-1998.-№ 3.-С. 15−18.
  32. Reifman Jaques, Wei Thomas Y.C. PRODIAG: A process independent diagnostic system. I Theoretical concepts. /Nucl. Sci. and Eng. 1999.-131, № 3, C. 329−347.
  33. Reifman Jaques, Wei Thomas Y.C. PRODIAG: A process independent diagnostic system. II Validation tests. /Nucl. Sci. and Eng. 1999.-131, NA3, C. 348−369.
  34. Bessenyei Zoltan, Marcsa Laszlo, Tomcsanyi Tamas Новое поколение диагностических систем семейства ARGUS на АЭС Paks Aлillamosenergigip. Kut. Intez. Rt. EACRO tag. kozl. (VEIKI), 1995.-Budapest., 1995.-C.64−69.
  35. Г. Г., Павелко В. И. Опыт внедрения систем вибродиагностики оборудования на АЭС с ВВЭР-440 /Теплоэнергетика. -1999.-№ 6.-С.6−11.
  36. Вибрации в технике. Справочник в 6-ти томах, /под ред. М. Д. Генкина. М., Машиностроение, 1981, т.5, с. 496.
  37. Основы технической диагностики. /В.В. Карибский, П. П. Пархоменко, Е. С. Сагомонян, В. Ф. Халчев. -М., Энергия, 1976 г. с. 145.
  38. П.П., Сагомосян Е. С. Основы технической диагностики. -М., Энергоиздат, 1981 г. с. 156.
  39. Система технического обслуживания и ремонта оборудования предприятий химической промышленности. Справочник /под ред. В. Н. Азарова, B.C. Вострикова, B.C. Ломакина. М., Химия, 1986 г., с. 352.
  40. Л.П., Смирнов А. Н. Проектирование технических систем диагностирования. Л., Энергоатомиздат, 1982., с. 187.
  41. Р.А. Диагностирование механического оборудования. Пер. с англ. Л., Судостроение, 1980 г., с. 296.
  42. ГОСТ 24 346–80. Вибрация. Термины и определения.
  43. ГОСТ 25 275–82. Система стандартов по вибрации. Приборы для измерения вибрации вращающихся машин. Общие ТУ.
  44. Cempel С. Diagnostically oriented measures at the vibroacoustical processes. -Proc, Spring Conf., Acoustic-80, London, 1980, p.221−224.
  45. Cempel C. Amplitude and spectral discrimination of vibroacoustical processes for diagnostical purposes. Proc. of XII Conference on Machine dynamic. Vysoke Tatry, 1979, p. 103−116.
  46. Р.Б. Частотный анализ. Брюль и Къер, 1989 г. с. 243.
  47. . Методы и техника обработки сигналов при физических измерениях. В 2-х томах. -М., Мир, 1993, т.1, с. 312.
  48. Р.Г. Неисправности электрических машин. Л., Энергия 1980 г.
  49. Э.Р., Даниленко Б. М., Незаметдинов М. Ж. Экспериментальное определение собственных частот узлов электрических машин. Труды всесоюзного научно-исследовательского института электромеханики. М., 1971, т.37,с. 114−129.
  50. ГОСТ 12 327–79. Машины электрические вращающиеся. Остаточные дисбалансы роторов. Нормы и методы измерений.
  51. Н.Н., Ицкович А. А. Обслуживание и ремонт авиационной техники по состоянию. -М., Транспорт, 1982, с. 282.
  52. А.С. Устранение вибрации турбогенераторов на тепловых электростанциях. -М., Энергия 1990, с. 96.
  53. Вибрация механизмов с зубчатыми передачами. Сб. статей под ред. М. Д. Генкина, Э. Л. Аэропетова. М., Наука, 1978 г. с 23−25.
  54. В.А., Ройтман А. Б. Доводка эксплуатируемых машин. Вибродиагностические методы. -М., Машиностроение, 1986, с. 192.
  55. У.Б., Образцов В. Л., Орлов М. В. Способ обнаружения дефектных подшипников качения. A.C. 1 180 724. Б.И. 1985, № 35, с. 162.
  56. Приборы для неразрушаюхцего контроля материалов и изделий. Справочник, /под ред. В. В. Клюева. М., Машиностроение, 1986, т.1, с. 487.
  57. Аппаратные и программные средства фирмы «Диамех» (г.Москва). /Сб. докл. 1 Международной конференции «Энергодиагностика». М., 1995, с.113−116.
  58. В.М. Экспертные системы диагностики электрооборудования. Электричество, 1991, № 8, с.9−16.
  59. Средства и системы вибрационной и параметрической диагностики. /Сб. докл. на 1 международной конференции «Энергодиагностика». М., 1995,0.103−112.
  60. В.В. Проблемы и принципы диагностирования ЯЭУ на основе контроля режимных параметров. ВАНТ. Сер. Физика ядерных реакторов, 1990, вып. 2, с.33−38.
  61. В.В. Об одной возможности использования математической модели динамики ЯЭУ в диагностировании. ВАНТ. Сер. Физика и техника ядерных реакторов, 1986, вып. 1, с.32−36.
  62. В.В. Способ диагностирования ЯЭУ на основе математической модели динамики контролируемых параметров. ВАНТ. Сер. Физика и техника ядерных реакторов, 1989, вьш.1, с.53−55.
  63. В.В., Сибаев Е. Ф. Структурная избыточность ЯЭУ и диагностирование. ВАНТ. Сер. Физика и техника ядерных реакторов, 1988, вьш.1, с.69−70.
  64. Т.З., Кудрявцев Д. В., Шаленинов А. А. Диагностирование систем управления ЯЭУ с использованием методов математического моделирования. /Теплоэнергетика, № 1 1, 1998 г. с 27−29.
  65. М.И. Гребенчатые фильтры. М., Сов. радио, 1960 г.
  66. Matthews М.В., Moschytz G.S. Neural network nonlinear adaptive filtering using the extended Kalman filter algorithm. /INNC, Paris, 1990, V. l, p. l 15 118.
  67. B.B., Кирюшина E.B., Машинина E.E., Николаев М. Я. Вопросы построения автоматизированной системы функционального диагностирования ЯЭУ. /Сб. Вопросы атомной науки и техники. М., 1997., с.54−60.
  68. Long А.В. Technical Assessment of Disturbances Analysis System. /Nuclear Safety, 1980. V.27, № 1., p.38−45.
  69. H.H. Методика построения алгоритмов оперативной диагностики на уровне ВИУБ-ВИУТ АЭС /Изв. АН. Энерг. (Россия).-1995, № 4.-0.76−83.
  70. M.R. А Review of On-line Diagnostic Aids for Nuclear Plant Operators. /Nucl. Energy, 1984., V.23., № 4., p.259−264.
  71. В. В. Построение базы знаний системы интеллектуальной поддержки оператора энергоблока на основе Байесовского подхода. /Техн., Экон. Сер. Эргон., 1993., № 3., с.34−38.
  72. В.Г. Алгоритмы диагностики состояния измерительных каналов и технологического оборудования на АЭС с ВВЭР-1000 /Теплоэнергетика 1997.-№ 8.-С.40−43.-Рус.
  73. В.Г. Алгоритмы диагностики измерительных каналов и технологического оборудования на АЭС с ВВЭР-1000. -Темплоэнергетика, № 8, 1997, с.40−43.
  74. A.M., Кудрявко В. П., Скоморохов CO., Шведов Д. М. О методах решения задач контроля и диагностики аварийных состояний ЯЭУ. /Препр. ФЭИ-588, Обнинск, 1975 г., с 58−62.
  75. А.Н. Нейронные сети: определения, концепции, применение. Обзор. /Препр. ФЭИ-0246. М., ЦНИИАтоминформ, 1991 г., с 58.
  76. Rumelhart D.E., McClelland J.L. Parallel Distributed Processing. /The MIT Press, Cambridge, Massachusetts, 1987., V.2., p.231−239.
  77. Barlett E.B., Uhrig R.E. Nuclear Power Plant Status Diagnostics Using an Artificial Neural Network. /Nucl. Technol., 1992., V.97., № 3., p. 186−193.
  78. Arul A.J. Reactivity Surveillance in a Nuclear Reactor by Using a Layered Artificial Neural Network. /Nucl. Sci. and Eng., 1994., V.117., № 3., p. l86−193.
  79. Saiki A., Okusa K., Endou A. Development of Diagnostic System of Autonomous Operation System for Nuclear Power Plants. /Proc. of PSAM -II, San Diego, California, USA, 1994., p.139−141.
  80. Bartal Y., Lin J., Uhrig R.E. Nuclear Power Plant Transient Diagnostics Using Artificial Neural Network that allow «Don't know» Classifications. /Nucl. Technol., 1995, V. l 10, № 3., p.436−449.
  81. Refman J. Survey of Artificial Intelligence Methods for Detection and Identification of Component Faults in Nuclear Power Plants. /Nucl. Technol., 1997., V. 119.,№l., p.76−82.
  82. Koo Bon Hyun, Kim Hyong Choi, Chang Soon Heung. Development of Real-Time Core Monitoring Models with Accuracy-Enhanced Neural Networks. /IEEE Trans. Nucl. Sci., 1993., V.40., № 5., p. 1347−1354.
  83. Van der Hagen, Tim H.J. Artificial Neural Networks Versus Conventional Methods for Boiling Water Reactor Stability Monitoring. /Nucl. Technol., 1995., V.109.,№ 2., p.286−305.
  84. B.H., Червоненкис А. Я. Теория распознавания образов. Статистические проблемы обучения. М., Наука, 1974 г., с. 148.
  85. Bezdek J.C., Dunn J.C. Optimal Fuzzy Partitions: A Neuristic for Estimating the Parameters in a Mixture of Normal Distributions. /IEEE Trans. On Computers, 1975., V.24., p.835−838.
  86. Bezdek J.C. A Physical Inteфretation ofFuzzy ISODATA. /IEEE Trans. On Systems, Man and Cybernetics, 1976., Ш6., p.387−390.
  87. Bezdek J.C. Cluster Validity with Fuzzy Sets. /Journal of Cybernetics, 1974., V.3. p.58−73.
  88. Hah Yung-Joon, Lee Byong Whi. Fuzzy Power Control Algorithm for a Pressurized Water Reactor. /Nucl. Technol., 1994., V.106., № 2., p.242−253.
  89. Ogawa Y., Ishida M., Tsuji V. Learning Fuzzy Power Control of P WR Plant. /Mem. Hokkaido Inst. Technol, 1996., № 24., p.109−116.
  90. C.T. Лескин. Разработка алгоритмов распознавания аномалий в состоянии оборудования по анализу данных оперативного технологического контроля.//Известия вузов. Ядерная энергетика. 1997. № 4.0.4−11.
  91. Fukunaga К. Introduction to Statistical Pattern Recognition. School of Electrical Engineering, Purdue University, Lafayette, Indiana. Academic Press. New York and London. 1972., c. 258.
  92. P.Дуда, П.Харт. Распознавание образов и анализ сцен., «Мир», Москва, 1976 г., с. 204.
  93. Eryurek Е., Upadhyaya B.R. Sensor Validation For Power Plants Using Adaptive Backpropagation Neural Network // Nuclear Science. 1990. — vol. 37 .-NO. 2., p. 131−140.
  94. C. Обработка знаний. Перевод с японского канд. техн. наук В. И. Этова. М.: Мир, 1989., с. 81.
  95. B.B.Mandelbrot, The Fractal Geometry ofNature, W.H.Freeman, 1983.
  96. Erik D. Lumer and Bemando A. Hierarchical dynamics in large assemblies of interacting oscillators. Physics Letters A 160 (1991) pp.227−232.
  97. Kryukov V.I. An attention model based on the principle of dominanta. In Neurocomputers and Attention. Neurobiology, Synchronization and Chaos (A.V.Holden, V.I.Kjyukov, eds), 1991 Manchester University Press, UK., p. 231−237.
  98. Borisyuk R.M. Interacting neural oscillators can imitate selective attention // In Neurocomputers and Attention. Neurobiology, Synchronization and Chaos (A.V.Holden, V.I.Kjyukov, eds), 1991 Manchester University Press, UK. P. 193−205.
  99. Gribok A.V. Dynamics of hierarchically coupled oscillators interacting via central oscillator Computational approach. Proceedings of International Symposium on Nonlinear Theory and its Applications 1995, Las Vegas, USA., p. 89−93.
  100. Baird B. A bifurcation theory approach to the programming of periodic attractors in network models of olfactory cortex // In Advances in Nueral Inform. Proc. Syst., Morgan Kauftnann Publishers Inc., 1989, P.459−467.
Заполнить форму текущей работой

Сессия? Спокойно!