информацияenglish
Материалы конференции

Лескин С.Т. Слободчук В.И. Пузаков А.Ю. Шелегов А.С.

Применение нейронных сетей для раннего обнаружения аномалий в состоянии оборудования АЭС

Одной из задач обеспечения надежной работы АЭС является создание сравнительно недорогой системы оперативной диагностики оборудования АЭС, которая могла бы обнаружить и идентифицировать аномальные процессы в элементах оборудования на ранней стадии их развития для принятия необходимых мер по предотвращению нарушения, если это возможно, и (или) вывести оборудование в ремонт по состоянию.

В представленном подходе к решению задачи ранней диагностики оборудование АЭС представляется сложной системой, состояние которой определяется множеством измеряемых параметров (несколько десятков), а физическая природа процессов, происходящих в оборудовании, трудно формализуема. В этом случае для решения задачи анализа состояния системы наиболее эффективно использование математического аппарата теории распознавания образов и кластерного анализа. В классической постановке задачи распознавания предполагается наличие априорной информации о нормальном и аномальном режимах работы оборудования. В этом случае, используя методологию нейронных сетей, можно построить систему, эффективно распознающую аварийную ситуацию в дальнейшем. Как показала практика, до самого процесса аварийного отключения оборудования его параметры находятся в эксплуатационных пределах и в рамках традиционного подхода (контроля за отклонениями параметров) нет оснований считать его аномальным.

В докладе представлены результаты анализа состояния ГЦН 2 блока 1 КлнАЭС в период его работы с повышенной вибрацией и ГЦН 1 блока 5 НВ АЭС перед нарушением (разрушение торсионной муфты). Показано [1], что аномальное состояние ГЦН проявляется приблизительно за месяц до аварийного отключения насоса. Полученные результаты позволили сформировать образ аномалии, который использовался для конструирования нейронной сети с обратным распространением ошибок (backpropagation) [2]. Сеть распознает аномалию на обеих АЭС с вероятностью 96%. Среди наиболее значимых параметров для оценки аномалии в состоянии ГЦН являются давление за первой ступенью уплотнения и давление запирающей воды на выходе из ГЦН. Таким образом, модель и алгоритм нейронной сети самообучаются к распознаванию аномалий в работе ГЦН на ранней стадии ее возникновения. При этом используется статистика отказов, происшедших на других АЭС.

Универсальность разработанных методик и алгоритмов позволяет их использовать для других типов оборудования АЭС.

Полная версия (русский)