автореферат диссертации по энергетике, 05.14.03, диссертация на тему:Многомерные статистические методы диагностики аномальных состояний ЯЭУ

УР

Скоморохов Александр Олегович

Многомерные статистические методы диагностики Аномальных состояний ЯЭУ

05.14.03 - Ядерные энергетические установки, включая проектирование, эксплуатацию и вывод из эксплуатации

АВТОРЕФЕРАТ диссертации иа соискание ученой степени доктора технических наук

2 8 АПР 2011

Обшшск - 2011

4844466

Работа выполнена в Обнинском институте атомной энергетики — филиал Федерального государственного бюджетного образовательного учреждеии высшего профессионального образования «Национальный исследовательски ядерный университет «МИФИ»»

Официальные онионеиты: доктор физико-математических наук, профессор

Зродников Анатолий Васильевич

доктор технических наук Лескип Сергей Терентьевич

доктор технических наук, профессор Проскуряков Константин Николаевич

Ведущая организация: ОАО «ВНИИАЭС» —

Всероссийский научно-исследовательский инстит но эксплуатации атомных электростанций

Защита состоится «1» июня 2011 г. в 14 пасов иа заседании диссертационного та Д 212.130.10 при Национальном исследовательском ядерном университете ФИ», расположенном но адресу: 249040, Калужская обл., г. Обнинск, Студго! 1, ИАТЭ, зал заседаний Ученого совета.

С диссертацией можно ознакомиться в библиотеке ИАТЭ НИЯУ «МИФИ». Автореферат разослан «__» марта 2011 г.

Ученый секретарь

диссертационного совета Д 212.130.10 д.ф.-м.п., профессор

В.Л. Ша

Общая характеристика работы

Актуальность работы. В процессе эксплуатации современных АЭС регистрируется большое и постоянно растущее чисто различных технологических параметров и сигналов системы контроля и систем оперативной диагностики, данных о состоянии элементов оборудования и результатах нсразрушающсго контроля. Эти данные используются для оперативного контроля, например, сравнением значений с допустимыми уставками, при подготовке актов по результатам проведения регламентных работ и др. Указанная информация редко накапливается и почти никогда не анализируется в последующем.

Вместе с тем, отечественный и зарубежный опыт показывает, что эксплуатационные данные часто содержат важную, с точки зрения обеспечения безопасности и надежности, информацию о протекающих в установке процессах. Анализ ряда аномальных ситуаций, произошедших на объектах ядерной энергетики, показал, что развитие аномалии можно было обнаружить па ранней стадии по изменению связей и характерных признаков в эксплуатационных данных. Однако, эта важная информация скрыта, замаскирована помехами и мешающими факторами, распределена по большому числу параметров. Извлечение такой информации может принести значительную пользу для обеспечения безопасной эксплуатации и проведения технической диагностики.

В настоящее время интенсивно развиваются такие тесно связанные научные направления, как добыча данных (Data Mining), извлечение знаний из баз данных (Knowledge Discovery in DataBases) и обучение машин (Machine Learning). Эти направления, часто объединяемые термином интеллектуальный анализ данных, достигли впечатляющих успехов в самых разных областях, таких, как обеспечение безопасности, финансы и телекоммуникации, авиационная и космическая промышленность и многих других. Ряд методов анализа, развиваемых в рамках перечисленных научных направлений, находит cuoe применение в задачах технической диагностики АЭС. К ним относятся методы распознавания образов, нейронные сети различного типа, методы, основанные на теории нечетких множеств, и др.

Мы будем характеризовать такой подход как индуктивный, т.е. идущий непосредственно от данных и реальных эксплуатационных характеристик к моделям конкретной установки, что позволяет решать задачи диагностики в условиях неполноты или отсутствия необходимой априорной информации. Методы решения задач в рамках индуктивного подхода часто объединяют термином многомерные, подчеркивая работу одновременно с большим числом признаков и характеристик объекта. Родоначальниками данного направления стали А.И. Могильнер в нашей стране и Р. Уриг (R. Uhrig) в США.

Несмотря на наличие большого числа работ по применению в атомной энергетике отдельных методов интеллектуального анализа данных, отсутствуют достаточно полное и систематическое исследование индуктивного подхода и оценка сравнительной практической эффективности различных алгоритмов. Недостаточен и охват по типам решаемых задач диагностики АЭС.

Таким образом, с учетом потенциальной важности для обеспечения безопасной и надежной эксплуатации АЭС, актуальной в научном и практическом плане пред ставляется задача разработки индуктивного подхода к диагностике и повышения информативности штатной системы контроля реактора.

Цель диссертационной работы состоит в повышении безопасности, надеж ности и экономической эффективности эксплуатации ЯЭУ специального назначения и энергетических реакторов АЭС за счет привлечения для контроля и диагностики дополнительной скрытой в шумах и распределенной по большому числу нараме ров многомерной информации с использованием современных методов интеллекту ального анализа данных. Для достижения поставленной цели решались следующие задачи:

1. Разработка методов режимной диагностики ЯЭУ, основанных на использ вании информационной избыточности в штатных системах контроля реакторов раз личного назначения и направленных на предсказание важных для безопасности па раметров, контроль достоверности измерительной информации и обнаружение ма лых отклонений от режимов нормальной эксплуатации.

2. Разработка методов шумовой и вибрационной диагностики ЯЭУ, основан них на использовании информации о флуктуациях параметров и направленных на выявление на ранней стадии развития нарушений, не проявляющихся в средних значениях сигналов.

3. Разработка активных методов диагностики ЯЭУ, основанных на анализе о кликов системы на вносимые тестовые воздействия и направленных на определение местоположения дефектных элементов оборудования для их последующей замены.

4.Разработка экспертных методов диагностики ЯЭУ, основанных на использ вании вероятностных и нечетких отношений и направленных на решение задач в условиях неполноты и неточности имеющейся информации.

5. Разработка прямых методов диагностики ЯЭУ, основанных на использовании результатов неразрушающего контроля элементов оборудования и направленных на разработку методов принятия решений по обнаружению и оценке параметров дефектов.

Научная новизна. В работе впервые проведена классификация моделей для описания нормального функционирования реакторной установки при различных тинах исходной информации, предложен и обоснован подход к решению задач диагностики АЭС, основанный на применении многомерных статистических методов выявления закономерностей в массивах эксплуатационных данных и методов обучения машин диагностированию АЭС. В процессе проведения исследований и разработки методов диагностики аномальных состояний получены следующие новые результаты:

Алгоритмы предсказания важных для безопасности параметров и обнаружения аномальных нарушений режима эксплуатации ЯЭУ на основе методов группового учета аргументов и случайного поиска с адаптацией, эллипсоидальных уставок и многомерных контрольных карт Хотеллинга.

Эффект опережающего, по сравнению со скачком температуры стенки твэла,

изменения характеристик акустического сигнала, позволяющий осуществлять раннюю диагностику кризиса теплообмена.

Критерии неисправности измерительных каналов системы вибродиагностики и значимости локальных максимумов спектра, на основе которых созданы алгоритм распознавания аномальных спектров и новый метод автоматического выделения спектральных пиков. Влияние турбогенераторов на вибрации ПГ на НВАЭС, выявленное разработанным методом построения деревьев классификации с одновременной оценкой пиков спектров вибраций.

Нейросетевой алгоритм обнаружения и определения местоположения течи, основанный на совместном использовании множественных полиномиальных моделей для межпетлевых зависимостей акустических шумов и нейронной сети обратного распространения для распознавания комбинаций сигналов. Факторы шумообразова-ния, описывающие локально-петлевые и общереакторные источники акустических шумов для «холодных» и «горячих» участков циркуляционного контура ВВЭР-1000.

Результаты анализа реакторных экспериментов по обоснованию применимости методики перекомпснсации нейтронного поля для определения местоположения дефектных TBC па реакторе БН-600. Генетический алгоритм определения местоположения пегерметичных TBC с аппроксимацией нейтронного поля с помощью ради-ально-базиспых функций.

Метод косвенного измерения параметров реакторной установки па основе решения задачи достижсиия нечеткой цели при нечетких ограничениях и пепарамст-рических оценок Парзена для построения функций принадлежности. Подход к построению программ-советчиков оператора на основе алгоритмизации инструкций по эксплуатации ЯЭУ с использованием нечеткой логики и лингвистических переменных.

Зависимость порога обнаружения дефектов от межквартильпого размаха ультразвукового сигнала при контроле сварных соединений трубопроводов. Метод повышения точности распознавания дефектов сварных соединений трубопроводов АЭС, основанный на оценивании плотности распределения результатов классификации сигналов перазрушающего контроля.

Практическая значимость. В работе решено значительное число практически важных задач технического диагностирования АЭС. Большинство решений доведено до алгоритмов, программ и систем, нашедших свое применение на АЭС и предприятиях атомной промышленности, в проектах ЯЭУ различного назначения.

Зависимости для предсказания критической мощности использовались при обосновании теплотехнической надежности нового проекта корабельной ЯЭУ с водо водяным теплоносителем. Методика автоматизированного построения математических моделей может быть применена для повышения точности предсказания условий возникновения кризиса теплообмена в реакторных установках различного типа и при проведении исследований на тсплофизических стендах.

Система «ТЕШЮГИД-600» для диагностики теплогидравлического состояния реактора БН-600 передана в опытную эксплуатацию па БАЭС. Применение разработанных методов повышает информативность штатной системы контроля.

Алгоритмы косвенного измерения расхода и диагностирования отказов расходомеров реакторов типа РБМК испытаны на данных Ленинградской и Смоленской АЭС. Разработанные методики и алгоритмы могут быть применены для других задач контроля достоверности измерительной информации на основе использования информационной избыточности.

Алгоритмы диагностирования кипения теплоносителя и кризиса теплообмена использовались при разработке систем диагностирования ряда проектов транспортабельных и корабельных водо-водяных реакторов. Разработанные методы поиска информативных диагностических признаков, визуализации данных и распознавания режимов теплообмена могут быть использованы для решения широкого класса задач шумовой диагностики.

Разработанное и внедренное на НВАЭС программное обеспечение «ВиброЭксперт» существенно расширяет возможности штатного ПО системы вибродиагностики и повышает достоверность диагностирования, что в конечном итоге способствует повышению безопасности действующих энергоблоков. Методики, основанные па применении кластерного анализа и деревьев классификации, позволяют проводить углубленный анализ виброхарактеристик установки и выявлять неисправности в системе вибромониторинга. Разработанный алгоритм выделения пиков может быть использован в других областях, например, в гамма-спектрометрии.

Выявлены и интерпретированы источники акустических шумов реактора, построены математические модели поведения акустических шумов при работе реактора ВВЭР-1000 па мощности. Разработаны алгоритмы эффективного выявления течи и фильтрации ложных срабатываний для системы оперативной диагностики. Полученные результаты используются в системе диагностики САКТ, работающей на Калининской АЭС.

Результаты исследований метода перекомиенсации нейтронного поля воплощены в алгоритмическом и программном обеспечении системы обнаружения дефектных сборок РШТ-600, которая внедрена в опытную эксплуатацию на реактЬре БН-600. Обоснование возможности применения штатных перекомпенсаций для решения задачи КГО позволяет обеспечить требования безопасности при проведении локализации. Для повышения точности и достоверности результатов локализации разработана экспертная система «Вауев-бОО». Проведенные разработки могут быть использованы применительно к строящемуся реактору на быстрых нейтронах БН-800.

Разработанные алгоритмы для автоматизированного анализа результатов радиографического контроля сварных соединений оборудования АЭС реализованы в программных продуктах «Хгауы» и «БУМОаач», прошедших государственную регистрацию и используемых в НИКИМТ. Применение разработанных методов позволяет повысить качество контроля сварных соединений и сократить временные затраты на его проведение.

Разработанные методы, алгоритмы и программы автоматизированного анализа данных ультразвукового контроля сварных соединений трубопроводов АЭС реализованы в составе системы «УЗК-Аналитик» и специализированной базы данных

«УЗК-БД», прошли государственную регистрацию и используются на Смоленской и Курской АЭС и п НИКИЭТ. Применение проведенных разработок позволило автоматизировать процедуру анализа результатов контроля и повысить его достоверность.

На защиту выносятся следующие основные результаты:

1. Обоснование эффективности применения многомерных статистических методов для разработки алгоритмов диагностирования АЭС. Классификация математических моделей для описания нормального функционирования установки при различных тинах эксплуатационных данных.

2. Методы режимной диагностики, положенные в основу алгоритмов контроля тсплогидравлкческого состояния реактора ВН-600, диагностирования отказов расходомеров реакторов РВМК и предсказания критической мощности корабельного реактора с водяным теплоносителем.

3. Алгоритмы диагностирования режимов теплообмена в корабельных и транспортабельных реакторах и вибродиагностики оборудования ВВЭР, основанные на классификации спектров акустических шумов и вибраций.

4. Нейросетевая модель фильтрации помех и принятия решений при диагностировании течи трубопроводов, определение и классификация источников акустических шумов реактора ВВЭР-1000.

5. Расчетно-эксперименталыгое обоснование метода перекомпенсации нейтронного поля для определения местоположения негерметичпых TBC в реакторе БН-600, комплекс методик и алгоритмов, положенных в основу системы FLUT-60Q.

6. Логико-вероятностные и нечеткие методы выявления правил диагностирования и принятия решений в экспертных системах диагностики ЯЭУ. Результаты их практического применения, включая программу-советчик оператора при течи ПГ и экспертную систему «Baycs-600» для реактора ВН-600.

7. Унифицированный метод распознавания дефектов сварных соединений трубопроводов АЭС, основанный на поточечной совместной обработке сигналов нераз-ругаающего контроля с использованием кластерного анализа и метода опорных векторов.

Достоверность полученных результатов. Все разработанные методы диагностирования прошли проверку па независимых экспериментальных данных, на полномасштабных стендах и в реальных условиях эксплуатации на АЭС.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на отраслевых семинарах секции "Динамика, теплогидравлика и безопасность реакторов и АЭС" НТС Минатома России "Современные методы и средства диагностики ЯЭУ" (Шевченко, 1980, Обнинск, 1994, Обнинск, 2001), Международном научно-техническом семинаре MXO Интератомэиерго «Методы и средства контроля, диагностики и ремонта оборудования АЭС» (Москва, 1989), Всесоюзном научно-техническом совещании "Техническая диагностика и эксплуатационный контроль на АЭС: Состояние и перспективы развития" (Калининская АЭС, 1990), Международных конференциях ACM SIGAPL (Стэпфордский университет, 1991, Ленинград, 1992, Торонто, 1993, Антверпен, 1994, Сан-Аптоиио, 1995,

Ланкастер, 1996, Торонто, 1997, Рим, 1998, Скрэнтон, 1999, Берлин, 2000, Йельский университет, 2001, Мадрид, 2002), 7-ой Международной конференции но распознаванию образов и обработке изображений PRIA-7-2004 (Санкт-Петербург, 2004 г.), VII Международной конференции по мягким вычислениям и измерениям SCM'2004, (Санкт-Петербург, 2004), VIII,IX и X Международных конференциях «Безопасность АЭС и подготовка кадров» (Обнинск, 2003г., 2005г., 2007г.), X Международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика» (Москва, 2004 г.), Международной выставке-конференции «Неразрушающий контроль в промышленности» (Москва, 2004 г.).

Публикации. По теме диссертации опубликована 31 работа, из них 12 статей в журналах из перечня ВАК, 11 статей в рецензируемых зарубежных научно-технических журналах, 7 свидетельств о государственной регистрации программ для ЭВМ и одно авторское свидетельство на изобретение.

Личный вклад автора. Содержание диссертации и основные положения, выносимые на защиту, отражают персональный вклад автора в опубликованные работы. Подготовка к публикации полученных результатов проводилась совместно с соавторами, причем вклад диссертанта был определяющим. Все представленные в диссертации результаты получены лично автором.

Структура и объем диссертации. Диссертация состоит из введения, 6 глав, заключения и библиографии. Общий объем диссертации 302 страницы, из них 281 страница текста, включая 117 рисунков. Библиография включает 229 наименований.

Содержание работы

Во введении обоснована актуальность темы диссертационной работы, сформулирована цель и задачи, аргументирована научная новизна исследований, показана практическая значимость полученных результатов, представлены выносимые па за-1циту научные положения.

В первой главе приведен обзор современного состояния технической диагностики элементов оборудования и компьютерной поддержки оператора АЭС, основанных на методах обучения машин и извлечения знаний из эксплуатационных данных. Сформулированы некоторые методические принципы обучения машин диагностированию АЭС.

Во второй главе рассмотрены задачи предсказания параметров, режимной диагностики и контроля достоверности измерительной информации, штатных систем контроля и управления АЭС.

Предсказание критической мощности проводилось для корабельной ЯЭУ с реактором водо-водянош типа. Запас до кризиса теплообмена является важнейшим параметром при определении тенлотехнической надежности реактора, поэтому необходимо иметь возможность максимально точного определения критической мощности для различных режимов эксплуатации. Кризис теплообмена зависит от ряда факто-

ров: геометрии канала, характеристик теплоносителя и нагретой поверхности, параметров теплового потока. Наиболее важными из этих факторов являются давление Р, расход теплоносителя б и входная температура теплоносителя Т или энтальпия теплоносителя па входе в канал.

Экспериментальные исследования проводились на теплофизическом стенде высокого давления СВД-2 в ФЭИ. На рис. 1, а представлено сечсиие твэла квадратного профиля с указанием положения восьми термопар для измерения температуры стенки твэла, расположенных по периметру. Режим задавался как тройка {(7, Р, Тих} основных параметров, определяющих значение критической мощности. Задавалось значение мощности заведомо меньшее, чем критическая мощность для данных условий. Далее мощность повышалась ступеньками порядка 1 кВт. Очередная мощность, при которой наблюдался скачок или пульсации температуры стенки, определялась как критическая мощность. Скачок температуры стенки объясняется резким ухудшением условий теплоотвода при образовании на стенке паровой пленки (кризис теплообмена). Пример изменения температуры стенки твэла приведен на рис. 1, б. Всего было реализовано 305 режимов выхода в кризис для широкого диапазона режимных параметров, перекрывающего проектные значения для данной ЯЭУ.

Рис. 1. Экспериментальное определение критической мощности па стенде СВД-2

Зависимость критической мощности (И^р) от основных параметров искалась в виде нелинейной функции трех переменных И^р = Ф(Р, б, Т). Для определения оптимальной структуры неизвестной функции использовался метод группового учета аргументов (МГУА). Метод использует аппроксимацию неизвестной функции п переменных полиномом Колмогорова-Габора:

п п п п п п

У = + X] + /С аЧХ<Х3 + ^ X] ]С + ... (1)

1=1 1=1 ¿ = 1 ¿=1 } = \ £=1

Коэффициенты частных описаний оцениваются методом наименьших квадратов но точкам обучающей выборки, а точность предсказания — на отдельной про-

верочной выборке данных. Ошибка предсказания, по мере усложнения модели, проходит через минимум (пример для данных по твэлу длиной Ь = 95 см приведен на рис. 2, а), что позволяет выбрать модель оптимальной сложности. Итоговая мо-

Спой О Спой 1 Слой 2 Слой 3

2 25 3 Нгиец щцм наекцш

(а). Зависимость критерия регулярно- (б). Структура сети для 3-х рядов селекции ста от номера ряда селекции

Рис. 2. Поечюепие модели МГУА для предсказа1шя критической мощности

дель представляется деревом, пример которого представлен па рис. 2, б. В качестве входных переменных х^ выступают п = 34 членов полинома Колмогорова-Габора 4-ой степени. В промежуточных узлах использовалось мультилинейное частное описание у = ао + а^х; + а2Х^ + азXjXj) позволяющее генерировать дополнительные нелинейные члены. Дополнительная регуляризация модели осуществлялась за счет пропуска на старшие ряды селекции исходных переменных. Оптимизация состава обучающей и проверочной выборок проводилась методом случайного поиска с адаптацией (СПА). Полученные в итоге модели позволяют предсказывать критическую мощность с точностью 2.4% или среднеквадратичной ошибкой а = 0.93 кВт, что соответствует точности экспериментального определения.

Диагностика теплогидравличсского состояния реактора БН-600. Потребность в создании дополнительной системы контроля теплогидравлического состояния реактора БН-600 проявилась после аномальной ситуации, связанной с непроизвольным перемещением АР сначала на 65 мм за 1 мин и затем еще на 25 мм за 4 мин. Позднее этот переход был объяснен попаданием в петлю 5 коррозионных отложений, накопившихся в застойной зоне реактора.

Теплогидравлическое состояние (ТГС) определяется значениями мощности р актора (Ж), оборотов 3-х ГЦН {С4, Оц, Се) и температурами теплоносителя на вх дах (Твх) и выходах (Твых) из шести промежуточных теплообменников (ПТО). Для каждой из температур входа в промежуточный теплообменник (ПТО) были п лучены методом группового учета аргументов модели предсказания вида Т*х = ВДТВЫХ,С), где к = {4А,4Б,5А,5Б,6А,6Б} - индекс ПТО, С = (С4,С5,С6) - обороты ГЦН. Полученная точность предсказания температур входа для различ пых ПТО лежит в диапазоне 0.7 — 0.9°С.

Чувствительность при диагностировании проверялась внесением в данные возмущений и проверкой возможности их обнаружения. Зависимость кумулятивной суммы = XI, йг = + ■ • ■ I = ЛГ-1 х' от номера точки при внесении возмущения \°С в температуру входа ПТО 5А приведена на рис. 3, о. Возмущение вносилось начиная с 70-ой точки (вертикальная серая линия на рисунке). Видно,

Температура мод*. ПТО SA

Ttwrnparypa ном. все ПТО

S

(\ Ж-

/ \i > > 'У

1в » 25

(я). Кумулятивная сумма (И). Контрольная карта Хотеллинга

Рис. 3. Чувствительность диагностирования при использовании моделей МГУА

что наклон линии кумулятивной суммы резко изменился в районе 70-ой точки, что подтверждает возможность обнаруживать соответствующие изменения в характеристиках ТГС.

Для обнаружения изменений 6-мерного вектора ТГС применялась статистика, Хотеллинга: Т2 — п(х — /1)'С~г(х — ц). На рис. 3, б контрольная карта Хотеллинга для варианта с внесением возмущений 1°С в термопары 2-х из 6-и ПТО. Размер выборки при построении контрольной карты брался тп = 5. Моменту внесения возмущения соответствует 15-ая подвыборка, а горизонтальная серая прямая показывай рассчитанный верхний допустимый предел (уставку). Видно, что возмущение уверенно выявлено. На основе проведенного анализа, вводится понятие эллипсоидальной уставки для контроля за изменениями многомерного вектора параметров.

В диссертации также рассмотрены результаты применения кластерного анализа данных по ТГС. Анализ показал, что наряду с изменениями состояний в течение некоторых микрокампаний, связанными с аномальными событиями, наблюдаются существенные различия между различными микрокампаниями. Последнее было объяснено заменами элементов оборудования в период планово-предупредительных ремонтов и влиянием перегрузок топлива на распределение тепловой нагрузки по различным ПТО.

Диагностирование отказов расходомеров РБМК. Наряду с температурой ядерного топлива и графита кладки, основным теплотехническим фактором, определяющим работоспособность реакторов РБМК, является запас до критической мощности технологического канала. Определение запаса до критической мощности проводится

расчетным путем с использованием поканальных измерений расхода. Система™ че екая ошибка при измерении расхода может приводить, по терминологии теории ста тистических решений, к ошибкам типа «ложная тревога» (при занижении расхода или «пропуск цели» (при завышении расхода) при сравнении запаса до критическо мощности технологического канала (ТК) с предельно допустимым значением.

Разработанный алгоритм диагностирования отказов расходомеров основан Не использовании информационной избыточности, существующей в системе контроля При постоянном напоре циркуляционного насоса, объемный расход С через ТК опре деляется степенью открытия запорно-регулирующего клапана Z и, через потери дав ления на трение для двухфазного потока, от массового паросодержапия X в дашюь канале: С = /(А', /?). Активность теплоносителя А, измеряемая системой КГО, 3с висит от мощности ТК И'", объемного расхода пароводяной смеси, паросодержаиш и длины ПВК £ (длина ПВК и расход определяют транспортное время) для данно канала: А = у>(УУ, (7, X, V). Выражая расход через Z можно представить активноеп теплоносителя в виде: А = Рассмотренные зависимости представле

ны на рис. 4, где приведены данные, полученные в ходе специального эксперимент на I блоке ЛАЭС.

1 1 1. 1 [ ! Г ■1 ■

И""

п. ... к . к к к 1 1

и**

1 1 I с...... 11 и - и

■ 1 4- 1-- Г 1. 1 ь 1 1 1 1

,г>

И 15 15 45 <8 Л И 41 1» « » 4

Рвсход, м'/ч*

(а). А = сапзЬ)

«г «ГТ ........V» 1

_ «J _ И 1 4 1

И VI «1 ' У»1"

/

К <» *

А-' / У

. <н 1 «К. 1« 1«

у

* 1 • ч «

< М 'I II « » I » н

Положим ЭР* двгчхий

(С), а = ]{2\\У И атй)

Рис. 4. Зависимости между основными параметрами

В качестве диагностических признаков использовались разности между изм репными значениями активности и расхода теплоносителя после изменения иол жения ЗРК и предсказанными, с использованием кусочно-линейной аппроксиыаци зависимостей:

= Аец - А%{С) = Ау - + Я, (Я). - Соу)] (2

4у = АЬ - Аи2) = АЬ - Ищ + Ъ(г) ■ (¿и - 2Ь,)] (3)

= СГи - (?ц(г) = С\} - [С^ + Р3(2',). - гП])] (4)

гдс j — номер нары экспериментальных точек, метки (е) и (р) относятся к экспериментально определяемым и рассчитываемым величинам, индексы 0 и 1 к значениям величин до и после изменения положения ЗРК, а г — 1,2,3 — значения про-

изводных для 3-х диапазонов Z.

Совместная плотность распределения величии ¿¿, г = 1,2,3 аппроксимировалась многомерным нормальным распределением. Отклонение случайного вектора <5 = ,<Ь,<У от своего математического ожидания ш = (0,0,0)', характеризуется расстоянием Махаланобиса: г2 = (<$ — т)тС '(5 — т), где С — ковариационная матрица величин ¿1, ¿2, ¿3- Для нормально распределенных б, расстояние Махаланобиса имеет Хп - распределение, с числом степеней свободы п = 3. Этот факт использовался для обнаружения отказов датчиков.

Возможность идентификации типа отказа определяется тем, что каждая измеряемая величина А¡0,2 входит только в 2 из 3-х соотношений (2-4). При этом вероятность одновременного отказа двух и более датчиков для одного технологического канала принималась пренебрежимо малой. При отказах рассматриваемого типа ковариационная матрица С распределения не изменится, однако вектор средних значений 6 уже не будет иметь все нулевые компоненты. Например, подставляя в (2-4) смещение по расходу О' = в + АО, Я = X + и проводя усреднение, получим ш(Д) — (—Р\ АО,0, АС)'. Аналогично поступали для систематических погрешностей ДЛ и Д2Г. Неизвестное смещение оценивалось путем максимизации логарифма функции правдоподобия:

1п/(Д) = \[5 ~ т(Д)]'С-1[<5 - т(Д)] - 1п[(2тг)3/2|СП (5)

где через Д обозначено ДА, АО или А2. Решение о типе отказа принималось по минимуму расстояния Махаланобиса между вектором диагностических признаков 5 и каждым из векторов ш(Д).

Практическая работоспособность алгоритма показана путем моделирования отказов на основе данных по реактору 1 блока ЛАЭС. Вероятность обнаружения отказов, приводящих к систематической погрешности измерения АО = ±5 м3/час, составила Р = 0.98. Несмещенная оценка величины погрешности АО имеет среднеквадратичное отклонение а = 1.1 м3/час,что позволяет не только диагностировать отказы, ио и корректировать неправильные показания датчиков. Алгоритм обладает универсальностью и, после изменения массива опорных точек и корректировки констант, может быть использован на других реакторах типа РБМК, что было подтверждено на данных Смоленской АЭС.

В третьей главе рассмотрены задачи шумовой диагностики. Шумовая норма рассматривается для представления исходных данных спектрами шумов и временными рядами. Решаются задачи поиска информативных диагностических признаков, обнаружении группировки сигналов (кластерного анализа) и построения решающих правил для принятия диагностических решений.

Распознавание режимов теплообмена проводилось применительно к тралено табельным и корабельным реакторам с водо-водяным теплоносителем, Экспериме тальпое исследование акустического метода диагностирования кипения теплопос теля проводилось в ФЭИ, на стенде УКМ, представляющем собой полномасштабну! модель для проекта транспортабельного реактора АБВ-1,5. Разработка алгоритм диагностирования включала следующие этапы- С помощью энтропийного критер^ Н(х) = — Ya=i Pi х Pi были выбраны 2 компоненты акустического спектра, HMj ющих максимально неравномерное распределение в области изменения. Ими оказ лисъ амплитуды главного пика спектра иа частоте / = 3.1 Гц и локального м) нимума на частоте / = 3.5 Гц. На плоскости информативных признаков визуал но выделены 2 компактные группы экспериментальных режимов. По нарушени баланса тепловой и электрической мощности Д = W — G х (/„ut — /¿„) одна vi групп интерпретирована как режимы с кипением теплоносителя. Построено лине: ное решающее правило для распознавания режимов с кипением теплоносителя ви^ г(Уъ Vi) = ao+Oij/i+a2y2 > 0.Разработанный алгоритм позволил безошибочно иде> тифицировать режимы с кипением при проведении повторной серии эксперименту с прямой проверкой результатов (датчик объемного паросодержания).

Диагностирование кризиса теплообмена в нестационарных условиях отрабата валось па стенде УРУ в ФЭИ. При фиксированном массовом расходе теплоносител G = 0.4кг/с на нагреватель скачком подавалась мощность W = 2.7кВт. При прибл! жении выходной температуры к 100°С наблюдались колебания расхода, вызванпы тормозягцим эффектом паровых пузырей. Развитие процесса наблюдалось через з, щитные кварцевые стекла. Был зафиксирован момент начала и развития кризис теплообмена от кратковременных локальных осушений поверхности нагревателя д длительного осушение верхней части, свечения и пережога нагревателя.

На рис. 5, а представлены динамические спектрограммы акустического сигш ла, измеряемого в процессе выхода в кризис теплообмена. Оси абсцисс соответствуе

(а). Динамические спектрограммы (б). Спектральные плотности мощности

Рис. 5. Визуализация иыхода и кризис теплообмена

время, а оеи ординат — частота мгновенного спектра акустического сигнала в диапазоне 0.5-5 кГц, оцененного с использованием алгоритма быстрого преобразования Фурье, но квазистационарным участкам длительностью 8 сек. Амплитуда спектра кодируется яркостью и/или цветом изображения. Видно, что началу развития кризиса теплообмена (примерно середина снимка) соответствует уменьшение спектральных составляющих в среднем частотном диапазоне. Выделенные информативные признаки позволили диагностировать кризис теплообмена по акустическим шумам.

Алгоритм раннего обнаруясения кризиса теплообмена разрабатывался для корабельной ЯЭУ с водяным теплоносителем. Эксперименты проводились на стенде СВД-2 по методике, описанной во второй главе. Отличие заключалось в том, что для каждой экспериментальной точки при достижении параметрами установившихся значений проводился спектральный анализ акустического сигнала. СПМ оценивалась в диапазоне 0.25-50 кГц с разрешением по частоте Д/ = 250Гц. Таким образом, каждая СПМ задавалась своими значениями на 200-х эквидистантных частотах, которые использовались в качестве исходных признаков при разработке алгоритма диагностирования. Всего было реализовано 20 режимов, для которых оценено 175 спектров. Спектры, измеренные в момент и после скачка температуры стенки твэла, относились к классу «кризис теплообмена».

По части измеренного множества спектров методом случайного поиска с адаптацией (СПА) были определены 15 наиболее информативных диагностических признаков. При оптимизации набора признаков использовался критерий Фишера /(у/х) =

—ГДЦ Я?, г = 1,2 - средние значения и суммы квадратов отклонений

+ ¿2

проекций у/х, определяемые по точкам каждого класса и>{, г = 1,2. Направление лу, которое максимизирует критерий Фишера, определяется в дискриминантом анализе как № = 5-1(ш1 — т2), где Б = + 5-2, а гп;, 5,, г = 1,2 - средние векторы и ковариационные матрицы, оцениваемые по обучающей выборке для классов и

Для информативных признаков г = 1,2,..., т, решающее правило искалось, методом Хо-Кашьяпа, в виде:

ш ( ,,

Е1 >0, хеш], «норма»

а1ж> \ ^ п (6)

I < 0, х е чг, «кризис» 4 '

•=1 4

где ао, 01,..., ат — коэффициенты решающего правила.

Применение решающего правила (6) для независимых данных показало, что часть точек класса «норма», измеренных непосредственно перед наступлением кризиса (среднее опережение классификации по мощности составило З.б кВт), отнесены к классу «кризис». Этот факт означает, что характеристики акустического сигнала изменяются с опережением и дают возможность ранней диагностики кризиса теплообмена.

Эффект опережающего изменения характеристик акустического сигнала был подтвержден применением иерархического кластерного анализа. Пример, для одпо-

i?!

п

п

:

H

f o4

H

и

и

и

"■ПТГТГП'ПТТТГТП

( Л О I пр>#в«н« ма »1. лги.«я

(а). Депдрограмма иерархической (б). Распределение точек на плоско-группировки СПМ сти информативных признаков Кару-

нена-Лоэва

Рис. 6. Кластеры режимов теплообмена

го из режимов, приведен на рис. 6. Деидрограмма, показывающая, какие топки объединяются в одну группу на каждом этапе, представлена на рис. 6, о. Распределение точек режима на плоскости информативных признаков Каруиепа-Лоэва приведено на рис. 6, б. Точки, соответствующие группам Wj, i = 1,2,3, на рисунке разделены условными границами. Разделение оказалось упорядочеиным по мощности твэла, при которой измерялись СПМ. В группу wi попали точки, соответствующие нормальному теплообмену, группа и>2 представляет предкризисное состояние и, наконец, в группу шз попали точки, измеренные в момент и после скачка температуры стенки (кризис теплообмена).

Алгоритмическое обеспечение системы вибродиагностики SUS. Первичной информацией для системы диагностирования являются спектры сигналов вибраций, получаемых с датчиков системы, установленных на различных элементах оборудования. В процессе эксплуатации системы на НВАЭС, особенно в начальный период, неоднократно регистрировались аномальные спектры, связанные с различного рода неисправностями измерительных каналов (обрыв измерительных линий, замыкание на землю одной из обкладок пьезокристалла, неверная настройка канала, нарушение положения сейсмической массы и др). Наличие аномальных спектров, во-первых, приводит к искажению результатов работы всех алгоритмов анализа и диагностирования и, во-вторых, свидетельствует о наличии в измерительных каналах неисправностей, подлежащих скорейшему устранению.

. В работе представлен следующий алгоритм распознавания аномальных спектров. Спектральная плотность мощности (СПМ), оцененная в диапазоне частот 1-50 Гц, точкой {S(fi), S(f2),..., £(/400)} в 400-мерном пространстве признаков. Все спектры нормировались на длину, так что выполнялось: S(fi)2 = 1. Класс нормальных спектров был описан как гиперкуб с границами, равными максимальному и минимальному значениям спектров класса «норма» по каждой частоте. Далее, каждый классифицируемый спектр относился к классу «аномалия», если значение

СПМ хотя бы на одной частоте выходило за определенные для нормальных спектров границы. Таким образом удалось правильно распознать всс аномальные спектры. Для минимизации числа используемых признаков применялась следующая процедура. Среди исходных п — 400 признаков определялась частота по которой отбраковывается максимальное число спектров класса «аномалия». Спектры, отнесенные к классу «аномалия» по выделенной частоте и сам признак S(/j) удалялись из выборки и процедура повторялась рекурсивно до завершения классификации. Оказалось, что для правильной классификации всех аномальных спектров достаточно использовать всего б признаков из исходных 400. Увеличению межклассового расстояния и, следовательно, повышению надежности классификации способствовало применение многомерного дискриминанта Фишера. В данном разделе также описан алгоритм, позволяющий диагностировать вид неисправностей, приводящих к получению в системе аномальных спектров.

Выделение пиков спектров является важной задачей обработки информации к системах вибродиагностики. Пики часто можно связать к вибрациями отдельных элементов оборудования, что облегчает диагностику. Проверка ряда известных, например, из гамма-спектрометрии, методов показало, что они позволяют правильно выделить только 60-84% истинных пиков и дают от 16 до 53% ложных пиков. В работе предложена многокритериальная характеристика пиков и обучаемый классификатор для распознавания. Для каждой исследуемой области спектра определялись минимальное значение второй производной, относительный максимум пика, площадь пика без учета вклада "фока" и минимальное значение модуля разности для следующих друг за другом амплитуд. Разработанный алгоритм позволил выявить 100% пиков при уровне ложных тревог всего 0.4%, что полностью удовлетворяет практическим потребностям. Разработанный метод выделения гшков может быть использован применительно к спектрам другой природы.

В рамках проекта алгоритмического обеспечения системы вибродиагностики были разработаны алгоритмы автоматической группировки спектров вибраций (кластерного анализа). Целью такой группировки является сжатие больших объемов информации и выявление зависимости виброхарактеристик от различных факторов. Так, например, алгоритм k — means применялся к выборке из N = 574 спектров вибраций с датчиков продольных и поперечных колебаний, установленных на парогенераторах. Выли выявлены 2 группы спектров объемом N\ = 248 и N2 = 326, существенно отличающихся по своим характеристикам (рис. 7, проекции на оси Орлочи).

В первую группу вошли 266 спектров первого типа, (осевая вибрация) и 60 спектров второго тина (поперечная вибрация). Для второй крупны это соотношение составляет, соответственно, 57 и 191 спектров. При этом выяснилось, что меньшинство (60 и 57 спектров «неправильной» классификации) представлено спектрами 1-ой петли, что отражено правилами, представленными рядом с рисунком. Такая особенность не может быть убедительно объяснена и свидетельствует об ошибке.

Во время останова блока 4 была проведена работа по проверке коммутации датчиков ДОП, установленных на парогенераторах. В результате проделанной работы

Правила, интерпретации групп Группа 1 ЕСЛИ (петли 2-6) И (тии-1) ИЛИ ЕСЛИ (петля 1) И (тии=2) Группа 2 ЕСЛИ (петля 2-6) И (ткп=2) ИЛИ ВСЛИ (петля 1) И (тич=1)

Рис. 7. Группы виброспектров и их интерпретации |

выявлено, что на четырех ПГ монтаж был сделан с ошибкой. После перемаркировки датчиков правила интерпретации групп свелись к простому утверждению, что спектры сгруппировались в соответствии с типом датчика.

Нейросетпевой алгоритм диагностики течей реактора ВВЭР-1000 . Контроль! герметичности оборудования I контура (второй барьер безопасности) представляет собой важнейшую задачу обеспечения безопасности эксплуатации АЭС. При внед-1 рении на КалАЭС системы акустического контроля течей САКТ, разработанной в ФЭИ, были выявлены помехи, превышающие порог срабатывания системы. Это привело к необходимости решать задачи исследования источников акустических шу-, мов, разработки методов фильтрации сигналов и алгоритмов принятия решений в системе обнаружения течей.

Для выявления источников шумов проводился анализ авто- и взаимных кор-1 реляционных функций, кластерный и факторный анализ акустических сигналов. Использовались реализации сигналов длиной 3000 точек, полученных с частотой оцифровки 1 Гц. Сигнал ^'-ого датчика с г-ой петли реактора обозначался как ау, » = 1,2,3,4,7 = 1,2,... ,8.

Взаимные связи сигналов исследовались путем построения графа кратчайшего ! незамкнутого пути, соединяющего все точки (временные реализации разных датчиков) так, чтобы полученный граф не имел петель (рис. 8, а). Для получения групган ровки граф разрезался по наиболее длинным ребрам (рис. 8, б). Для представления сигналов датчиков на плоскости (рис. 8) применялся метод нелинейного проекти-

N N I

рования Сэммона, минимизирующий критерий е = (%)^ (¿у — с?^)2/с/у- соответствия взаимных расстояний ¿¡у между исходными многомерными сигналами датчиков г и ] и расстояний после проектирование на плоскость.

На рис. 8, б представлены пять групп сигналов. Первые четыре группы образованы сигналами датчиков, установленных на холодных участках (от входа в

тай 300 220 240 260

V

_^ 1.Н. IV щтпя

"й-Л--&

(я). Грас^ близости сигналов (соединение (/Г). Расщепление траста на компактные груп-

КИП) пы

Рис. 8. Группировка акустических сигналов системы САКТ (источники шумои)

реактор до ПГ) четырех петель реактора. В пятой группе представлены сигналы с датчиков, установленных на горячих участках (от выхода из реактора до ПГ) всех петель. Для интерпретации групп применялся факторный анализ, исходящий из предположения, что взаимные корреляции п наблюдаемых переменных могут быть объяснены влиянием меньшего числа скрытых (ненаблюдаемых) переменных или факторов /•}, Р2,..., Рк, к < п. Построение модели факторного анализа для акустических сигналов системы САКТ показало, что каждый из п — 32 сигналов а,:; зависит только от одного из к ~ 5 скрытых факторов Е с весом А и специфическими для этой переменной остатками и (см. табл. 1).

Таблица 1. Скрытые источники шумов Петля Участок Факторная зависимость

1 холодный ац — Р1 "Ь Щ] 1 i = 1,3 = 1, 12, ■ ■ ..,6

2 холодный аК) = + и^, * = 2, з = 1,

3 холодный ац = Ау-Рз + иц, ¿ = 3, з = 1, .,6

4 холодный а-ц = А Ц /*4 * = 4, з = 1,

1-4 горячий ац = \ijFs + и,.,-, »•=1,2,3,4, 3 = 7,8

Факторы Р1 — соответствуют локальным источникам шумов для каждой петли (холодные участки), а фактор F5 - общереакторным шумам (горячие участки всех петель). Источниками индивидуальных шумов в сигналах датчиков холодных участков каждой петли могут быть системы продувки-подпитки теплоносителя первого контура, трубопроводы которых врезаны в главный циркуляционный контур в районе холодных участков каждой петли. Общим источником шумов для датчиков, установленных на горячих участках петель, по-видимому, являются флуктуации газосодержания в теплоносителе, связанные с флуктуациями давления и температуры

теплоносителя.

На рис. 9, о представлен пример акустического сигнала в системе САКТ в при-| сутствии помех. Минимальная течь, подлежащая обнаружению, составляет 4 кг/мин, при этом показания датчиков должны составлять порядка 100 мкВ. Из рисунка вид-| но, что в ходе эксплуатации помехи могут превышать порог выявления течи, что приведет к ложным срабатываниям. Для устранения помех были разработаны филь-

(а). Исходный сигнал (б). Фильтр lio петле 2

'l"'

(в). Фильтр по нетле 3

г). Фильтр по петле 4

Рис. 9. Фильтрация по каждой петле отдельно

тры, основанные на применении алгоритма МГУА. Для каждого сигнала а1} были построены 3 зависимости, отдельно от всех сигналов ajy сторонних к ф i, по отношению к данному датчику, петель. Например, для сигнала 1-ого датчика 2-ой петли, восстанавливались зависимости ац = ¥>i(ai)i a2i = Ф\{аз) и a2i = где вектор

як обозначает сигналы всех датчиков петли к ф 2. Результаты фильтрации, с использованием таких моделей представлены на рис. 9. Рассогласования измеренных j и предсказанных значений акустического шума ¿^ для сигнала 1-ого датчика 2-ой петли имеют вид Ó21 = a.21 — <Pi(ai), 5fi = 021 — <Маз) и á^i = a.21 — i> 1(0.4)- Такие i рассогласования вычислялись для каждого датчика j = 1,2,..., 8, по каждой петле i = 1,2,3,4 и по трем разным моделям к = 1,2,3. Таким образом, общее число диагностических признаков составит 4 х 8 х 3 = 96.

В случае появления сигнала от течи в показаниях, например, датчика аы эти показания и значения соответствующих диагностических признаков увеличатся на некоторую величину Д (табл. 2).

Косвенное влияние приведет к изменению значений всех признаков в вычислении которых участвовали сигналы датчиков 2-ой петли. В табл. 2 вектор Да =

Таблица 2. Признаки проявления течи

Прямое влияние Косвенное влияние

Цк ~ аи - Vt(ai) + Д ö[k = а1к - ipk{a2 + Д2)

¿2к = 02t - Фк(и:\) + Д ¿и = а2к ~ Фк(а2 + Дг)

¿2t = "'Я- - АЫ) + Д tfk = Дзк - Фк(а.2 + Дг)

(Д21, Д22! - • •, Дга)' такой, что Д2j > 0, если датчик а2] чувствует течь и Д2^ = 0 в противном случае. Для распознавания комбинаций сигналов, соответствующих различным местам течи и срабатыванию различных датчиков, была разработана нейронная сеть обратного распространения, структура которой приведена на рис. 10. На вход сети поступают 96 сигналов рассогласования <5^. Скрытый и выходной слои

Рис. 10. Структура нейронной сети диагностирования

сети имеют по 5 элементов. При работе сети диагноз определяется но выходному элементу с максимальным значением.

В четвертой главе рассмотрены методы описания и обнаружения отклонений от динамической нормы реакторной установки. Рассмотрение ведется применительно к задаче локализации (определения координат) негерметичиых TBC в реакторе БН-600 методом перекомпенсации нейтронного поля. Указанная задача относится к задачам контроля герметичности оболочек (КГО) твэлов и входит в число важнейших задач технического диагностирования АЭС, поскольку оболочка твэла является первым барьером безопасности, удерживающим продукты деления от попадания в теплоноситель и загрязнения элементов активной зоны, трубопроводов и оборудования 1-го контура. Рассматриваемый метод относится к методам тестовой диагностики, т.к. связан с анализом откликоз системы на вносимые возмущения.

Физическая суть метода перекомпенсации нейтронного поля заключается в следующем. При локальном изменении уровня нейтронного потока изменяется количество образующихся продуктов деления. Если изменение потока происходит в районе активной зоны, содержащем негерметичную TBC, то увеличивается выход осколков деления в теплоноситель через дефект оболочки твэла. Попавшие в теплоноситель осколки деления продолжают распадаться по цепочке естественного радиоактивного распада, испуская при этом запаздывающие нейтроны. Присутствие

в теплоносителе осколков деления контролируется датчиками запаздывающих ней тропов. Если в зоне локального изменения нейтронного потока имеются дефектны TBC и теплоноситель из этой зоны достигает в процессе циркуляции места уста новки датчика запаздывающих нейтронов, то сигнал этого датчика z должен изме ниться пропорционально изменению нейтронного потока 1р. Динамическая природ, задачи определяется внесением возмущений нейтронного ноля при проведении пс рекомпенсации.

Мат.ематичесжая модель перекомпенсации нейтронного поля может быть пре ставлена следующей системой уравнений:

Д Zi = М'п<1\ + кфпЧг +■••+ Aipinqn

А Z2 = Д<Лн?1 + Д^22?2 -1.....f А-фъЛп ^

Azm = Атрт\+ +•••+ Д •фтпЧп

где п - число непересекающихся областей, на которые разбита активная зона, - число проведенных перекомпенсаций (реализованных конфигураций нейтронно го поля), Aipjj - изменение нейтронного поля в j-ой области активной зоны npi проведении г-ой перекомпенсации, Дг, - изменение показаний датчика заназдыва ющих нейтронов для г-ой перекомпенсации, qj - фактор негерметичности для j-o области активной зоны. Фактор qj > 0, если j-ая область активной зоны содержит негерметичную TBC, и qj = 0 в противном случае.

Система линейных уравнений (7) содержит п неизвестных. Для реактора БН-60 максимальное значение п = 370 определяется числом TBC в активной зоне. Дина мической норме соответствует q3 = 0, Vjel,n при решении системы (7).

Информация об изменении нейтронного поля ф при проведении нерекомиенса ции применительно к ВН-600 может быть получена расчетным путем или аппрокси мацией показаний 13-и имеющихся термопар попакетного контроля. Пример измене ния поля при движении на 20 мм вверх КС 12 и компенсации внесенной реактивноси стержнем АР-2 (расчет по трехмерной гексагональной программе TRIGEX в диф фузионном приближении) приведен на рис. 11, а. На рис. 11, б показаны линии оди пакового уровня для рассчитанного поля. Для оперативного получения информацш об изменения нейтронного поля результаты расчета по трехмерной гексагонально программе аппроксимировались с использованием радиально-базисной нейронно сети.

Система уравнений (7) является недоопределенной, т.к. число уравнений (число проводимых псрскомпенсаций, обычно т < 18, по числу стержней КС меньше числа неизвестных п (число областей локализации, максимум п = 37 для ВН-600, по числу TBC). Увеличение числа перекомпенсаций невозможно тех нологичсски, а уменьшение числа областей локализации ведет к потере точности Для решения недоопределенной системы уравнений (7) и, тем самым, определе ния местоположения негерметичных TBC, разработан генетический алгоритм, крат ко описанный далее. Имеется множество TBC N = {1,2, ...,п}. Из наблюден и! за изменениями показаний датчиков запаздывающих нейтронов в течение даино

(в) (*) Рис. 11. Нейтронное поле при внесении возмущения стержнем КС-12

микрокампапии известно число к < п пегерметичпых TBC. Требуется найти оптимальное подмножество индексов I = {ц,г2, ■ ■ ■ ,ik}, I С N, определяющих набор негерметичных TBC. В качестве критерия оптимизации использовалась ошибка Q = ||z — Ф<?||, где z — показания датчика запаздывающих нейтронов, а q определяется по МНК в виде q = Матрица Ф составлена из столб-

цов Дч/i j = (Афи, Aip2i, ■ ■ ■, &Фтх)\ г 6 / матрицы системы уравнений (7). Для заданных Р — размера множества кандидатов (популяции) и Е — числа шагов оптимизации (эпох), генетический алгоритм сводится к повторению шагов генерации случайных множеств (хромосом) вида I, отбору наилучших но критерию Q вариантов и применению операторов мутации и скрещивания.

Работоспособность предложенного алгоритма проверялась путем математиче-' ского моделирования разного числа, дефектов в разных районах активной зоны. При внесении моделированной ошибки измерения запаздывающих нейтронов порядка 15% алгоритм позволяет точно определить состав негерметичных TBC. При увеличении уровня шумов происходит постепенное размывание точных областей локализации.

Экспериментальное обоснование методики перекомпенсации . На реакторе БН-600 было проведено два специальных эксперимента по обоснованию работоспособности предлагаемой методики локализации негерметичных TBC. В процессе выполнения первого эксперимента было реализовано 12 режимов с внесением возмущений нейтронного поля с помощью КС внешнего кольца (КС 7,8,... ,18). Расположение стержней СУЗ и датчиков запаздывающих нейтронов приведено на рис. 12.

Присвоим реализованным режимам номера 1,2,..,12 в той последовательности, в которой оин проводились согласно плану проведения эксперимента (табл. 3). Для парных режимов i — j, район расположения дефектных TBC, при выполнении пе-

1...19 А1,А2 4А...6Б

компенсирующие стержни автоматические регуляторы датчики запаздывающих пейтрсшоп дефектные TBC в эксперишнгте I дефектные TBC

в эксперименте II

Рис. 12. Картограмма активной зоны реактора БН-600

речисленных выше условий, определялся по правилу: район у, если I > 0 и район! i, если I < 0. Действительно, t > 0 имеет место при цх > /-¿у, когда при движении вверх пары стержней КС, расположенной в районе сигнал выбранного датчика больше, чем при движении вниз. В табл. 4 приведены значения ¿-критерия, прсвы-' шагощис критические значения для уровня значимости а = 0.05.

Таблица 3. План эксперимента I

Таблица 4. Отклики ДЗН

Режим 1 2 3 4 S Г, ДЗН Номера С]1аппноаемых режкмоо

КС ввщ» 9,10 10,11 11,12 12,13 13,14 14,15 1-7 2-8 3-9 4-10 5-11 6-12

КС вниз 15,10 16,17 17,18 18,7 7,8 8,9 D4A -2.4

Режим 7 8 9 10 11 12 П4В

КС uücpx 15,16 16,17 17,18 18,7 7,8 8,9 D5A -2.2

КС в«из 9,10 10,11 11,12 12,13 13,14 14,15 D5B 2.3 -1.7 3.2

D6A 3.(1 4.1 -4.1

D6B З.У 2.3 2.3 -6.7

Рассмотрим полученные результаты. Прежде всего следует отмстить области 1 и 12. В районе 1 и 12 находятся четыре из семи дефектных TBC, определенных по результатам исследований, проведенных ВАЭС па остановленном реакторе. Таким образом, эксперимент по перекомпенсации позволил идентифицировать наличие де фектов в этом районе. Два датчика (4А и 5В) подтверждают наличие дефектной TBC на границе районов 8 и 9. Три датчика (5В, 6А и 6В) указывают на районы 3 и 4, где также на границе имеется дефектная TBC. Район 7 не зафиксирован, что по-видимому, объясняется эффектом компенсации сигналов при симметричных экс перимептах в случае, когда оба подрайона содержат дефектные TBC. Результаты получили прямое подтверждение при проведении пробоотбора и радиохимического анализа натрия во время планового останова реактора.

Второй специальный эксперимент по перекомпенсации проводился в конце 16-ой микрокампании реактора на пониженном уровне мощности (около 40% от по

минальиого) и, также, при наличии нескольких негерметичных TBC. И в этом эксперименте анализ данных показал существование статистически значимых откликов датчиков запаздывающих нейтронов (ДЗН) при перемещении стержней, находящихся в непосредственной близости от дефектных TBC.

Возмущение поля эперговыделения в этом эксперименте проводилось путем последовательного перемещения пяти одиночных стержней. В качестве модели изменения сигналов датчиков запаздывающих нейтронов при движении стержней ис-

5

пользовалась линейная регрессионная модель: щ = а,о + Y1 ау х hj + х где щ,

j=l

i—l,2,...,6 - показания шести секторных датчиков КГО, - коэффициенты регрессионной модели, а,о - средний уровень (фон) показаний по каждому датчику, hj -положение стержня j, t - время. Коэффициенты n,j, оценивались методом наименьших квадратов, по полной выборке для всех секторных датчиков КГО. Для прямого моделирования влияния ошибок измерения на точность оценивания коэффициентов модели был применен метод статистического моделирования бутстрсп. Методом бут-стрен оценивались среднеквадратичные отклонения коэффициентов модсли.Затем коэффициенты нормировались па среднеквадратичное отклонение, которое оценивались методом бутстрсп, что позволило сравнивать вклады различных КС. Полученные результаты представлены в табл. 5. Процедура локализации основана па

Таблица 5. Нормировагшые значения откликов ДЗН

ДЗН КС-10 КС-11 КС-12 КС-2 КС-17

4А -2.12 -0.922 0.942 -1.02 1.34

4В -1.18 -1.23 -0.91 -0.51 -2.49

5А 0.22 0.35 0.2 1.06 -1.19

5В 0.66 1.58 1.57 2.32 -1.58

6А 5.71 3.09 2.4 3.26 -0.88

6В 2.42 1.86 1.93 4.09 -1.48

моделировании зависимости изменения ноля энерговыделения от расстояния до источника возмущения. В работе описан алгоритм, основанный на простой модели зависимости изменения поля энерговыделения от расстояния ДФ кг й-0-87 и сравнении статистически значимых нормированных откликов ДЗН с изменением поля в каждой TBC. Полученный результат хорошо согласуется с эксплуатационными данными (рис. 12). Точность локализации составляет один ряд TBC.

Штатные перекомпенсации и система FLUT-600. Действующий в настоящее время регламент эксплуатации реактора БН-600 запрещает иметь разницу в положении двух любых стержней КС, превышающую 20 мм. Этому требованию удовлетворяют штатные перекомнепсации, которые проводятся на реакторе БН-600 с целыо компенсации выгорания топлива, примерно раз в неделю. При проведении перскомпснсации все 18 КС, по очереди перемещаются оператором вверх на 20 мм (извлекаются из активной зоны). Движение КС компенсируется стержнями автоматического регулирования АР-1 и АР-2. Стержни АР используются попеременно и

к моменту окончания перекомпенсации находятся на своих нижних позициях. Пример последовательного изменения положения КС, реакции стержней ЛР и мощности реактора в процессе проведения штатной перекомпенсации приведен на рис. 13.

движения кп1-кп18

* S . I

^гsS'ffSjfSf sfsssj-

s

движения лр1 и лр2

мощность р«мстор*

¡оно им яма

Время,сек

Рис. 13. Движение стержней СУЗ и изменение мощности при провидении штатной перекомпенсации

Для удовлетворения минимальным требованиям выполнения локализации пегер метичных TBC были разработаны и внедрены технические предложения по модификации порядка проведения штатной перекомпенсации. Главными пунктами модификации были фиксированный порядок движения стержней КС для минимизации влияния пространственного эффекта и выдержка между движениями разных КС не менее четырех минут (260 точек) для набора необходимой статистики.

Стержни КС расположены двумя кольцами (6 и 12 стержней) на расстоянии от центра, примерно, 1/3 и 2/3 диаметра A3, так что распределение КС по активной зоне примерно равномерно. Районом вокруг КС будем называть два кольца TBC (гексагональная геометрия), т.е. 18 TBC, ближайших к данному КС. Для принятия решений о наличии псгермстичпой TBC в районе КС, который переместили вверх (положительное возмущение поля эперговыделения), проверялся факт увеличения показаний ДЗН. Проверка проводилась сравнением выборок показаний ДЗН, полученных до и после движения данного КС. Таким образом необходимо автоматически определить моменты движения каждого КС и выделить стационарные участки, когда ни один КС не двигался. Тогда сравнению подлежат два ближайших к моменту движения данного КС стационарных участка. Для определения моментов движения КС применялся метод сглаживания параболами по МНК и одновременного дифференцирования временных последовательностей положения КС.

Для учета статистической зависимости показаний ДЗН, вызванным влиянием на все показания нестабильности мощности реактора, использовалась многомерная

статистика Хотеллинга;

г2 = _шп_ ^

п + та

где zo и zi - средние векторы показаний ДЗМ но выборкам объема тпа п до и после движения КС, а С - ковариационная матрица. Применение многомерной процедуры проверки гипотез уменьшило уровень ошибок первого и второго рода при принятии решений о наличии негерметичной TBC в исследуемом районе A3.

Программа "Автоматизированная система анализа результатов штатных перекомпенсаций FLUT-6D0", принята в опытную эксплуатацию на БАЭС и прошла государственную регистрацию.

В пятой главе описано применение экспертных методов диагностики, основанных на использовании логико-вероятностных и нечетких отношений и направленных на решение задач в условиях неполноты и неточности имеющейся информации.

Методы машинного поиска логических закономерностей дают возможность автоматически выделять знания (правила) па основе анализа массивов эксплуатационных и экспериментальных данных. Такие правила представимы в понятном для технолога виде и могут быть использованы как для лучшего понимания объекта диагностирования, так и для построения экспертных систем-советчиков оператора.

Логической закономерностью S на признаках Х^, А',-2,..., Х;р называется конъюнкция длины р:

s = ад,) Л z2{xi2) А... А ад„), (8)

где ij, j = 1,2,... ,р принимают значения на множестве {1,2,..., Лг} и ij ф ik при j ф- к. Элементарным высказыванием Z(Xj) является любое утверждение о значении признака Х{. Для числовых признаков это утверждение о принадлежности значения некоторому интервалу Gi < Xi < G2, а для номинальных — принадлежность подмножеству значений, например, Xi 6 {А, В, С}. Закономерность истинна на объектах класса и и ложна для класса ш, что позволяет использовать ее для распознавания. На практике, это требование ослабляется до Ри > 6 и Pq < ß, где 6,ß,0<ß<6<l — параметры алгоритма, а Ры и Ра — доли выполнения (8) на объектах классов ии и.

Поиск логических закономерностей сводится к выбору наилучших элементарных высказываний и постепенному наращиванию длины составных высказываний при контроле за параметрами Ри и Ра. В диссертации описаны разработанные автором программы для поиска закономерностей «в глубину» (добавление по одному высказыванию) и «в ширину» (комбинаторный перебор).

Пример применения программ для распознавания аномальных спектров вибраций приведен в табл. 6. Для первой закономерности (правила) Ри = 0.85 и Ра = 0, для второй закономерности Рш ■- 0.1525 и Рй = 0. Таким образом, два простых правила полностью описывают класс аномальных спектров. Второе правило необходимо для 15% аномальных спектров, имеющих особенности на низкой частоте (S34).

Таблица G. Правила для распознавания аномальных спектров

Класс и ЕСЛИ (32.21 < S1M < 41.16) И (23.22 < S:m < 39.09) И (27.68 < Siea < 44.82) И (25.19 < .9ЗП < 42.78) Класс ы ЕСЛИ (30.48 < Sm < 38.30) И (42.53 < SM < 59.07)

Другой пример применения разработанных программ направлен на выявление закономерностей влияния химического состава аустенитных сталей на скорость коррозии в натрий и описан в диссертации.

Деревья классификации представляют собой набор правил отнесения объектов к одному из заданных классов. На рис. 14 приведено дерево классификации виброспектров парогенераторов 4-ого блока НВАЭС. В качестве меток классов использовались номера петель реактора (1-6). Концевой вершине с меткой 1 (см.рис. 14), например, соответствует правило «Датчик установлен на ПГ петли 1 ЕСЛИ (£70 < —8.41556) И (18397 > 12.8624)», где Бп, и £397 — значения виброспектра на частотах с номерами 76 и 397.

s.7S<-p.4155S

6.397 < Т2В624 8.22< - 1.54568

«.141 <4Э.3555В 2

Рис. 14. Дерево классификации вибро- Рис. 15. Сравнение двух признаков с одинаковы-спектров ПГ ми значениями £>-критерия

При построении дерева рекурсивно выбираются такие признаки и такие разделения, которые приводят к максимальному приращению критерия

Di--2 ny log p,j,

j

где riij и pij — число и доля представителей j-ого класса в г-ой вершине. Применительно к виброспектрам оказалось, что несколько признаков (амплитуд спектра на разных частотах) могут иметь одинаковое значение Д-критерия. Часть из них не является пиками, что затрудняет интерпретацию правил при выборе этих признаков. Для устранения этой проблемы была проведена модификация алгоритма построения деревьев классификации применительно к задаче вибродиагпостики. Оптимальная частота определялась по максимуму N среди частот с одинаковым значением

п

D-критерия /„,,, = mzx{N(fi)\D{fi) = 0}, где ЛГ(/,) = £ Р(/,) — число локальных

максимумов ¿>(/¡-1) < 5(/;) > £"(/¡+0 =>■ ^(/,) = 1, подсчитанное для частоты /,• по всей выборке спектров. Возможный выигрыш иллюстрируется на рис. 15, где слева представлены распределения двух классов для частоты, выбранной но модифицированному алгоритму, а справа — результат стандартного подхода. Наряду с намного лучшим качеством классификации, частота / = 1.125 Гц является частотой пика, что облегчает интерпретацию результата. Наряду с критерием ЛГ(/;), в диссертации также использовалось среднее по всем спектрам значение второй производной для каждой частоты и критерий Фишера, характеризующий разделимость классов по данной частоте.

Разработанные программы построения деревьев классификации применялись для описания виброхарактеристик установки наборами правил. Использовались конфигурации ПГ-ГЦН, продольные-поперечные вибрации, различные петли реактора. Представленное па рис. 14 задает в корневой вершине правило различие вибраций ПГ на петлях 1-3 от вибраций ПГ на петлях 4-6 (амплитуда спектра на частоте /7(; меньше или больше порога —8.41556). Интерпретация этого интересного факта привела к гипотезе о влиянии дисбаланса нагрузки турбогенераторов ТГ-11 (ПГ 1-3) и ТГ-12 (ПГ 4-6), которая подтвердилась в процессе проведения специалистами НВАЭС специальных измерений.

Вероятностные правила диагностирования описывают отношение между множеством возможных диагнозов Ц = {£>1, • ■ •, А«} и множеством диагностических признаков X = {^1, Х2,..., Хп} в виде набора условных вероятностей = Р(Х{ | £>,•) и Р^ = Р[Х{ |~ А,')- Эти вероятности представляют долю случаев, когда признак X; наблюдается при справедливости диагноза и при справедливости любого другого диагноза 0\/37-. В процессе диагностирования, после измерения каждого признака, вероятности диагнозов пересчитываются по формуле Байеса

рр\

т 1 = для случая, когда признак X¡ наблюдается, и

когда признак X; не наблюдается. Априорные вероятности Р^ определяют частоту диагнозов О]. Решение принимается по максимуму апостериорной вероятности после проведения измерения набора признаков. В диссертации описаны возможности сортировки признаков по информативности, досрочному прекращению процесса измерений при достижении определенности диагноза, возможности нечеткого ответа на вопрос о наличии некоторого признака и программы, реализующей байесовскую систему экспертного вывода.

Экспертная система ВАУЕЭ-бСЮ позволяет определять зону расположения дефекта по соотношению активностей реперных радионуклидов в газовой подушке реактора и теплоносителе 1-го контура. Основной идеей данной методики локализации

негерметичпых TBC является то, что различные по физическим характеристикам i условиям эксплуатации TBC из различных областей активной зоны при разгермети зации будут давать различное соотношение активностей реперных радиопуклидо в газовой подушке и теплоносителе реактора. В качестве диагнозов принимает нахождение негерметичной TBC в одной из пяти выделенных областей A3, отли чающихся степенью выгорания топлива. Признаками служат активности реперш радионуклидов в газовой подушке (Кг-88, Хе-133, Хе-135) и теплоносителе 1 контур (Cs-134, Cs-136, Cs-137, J-131, J-133) для микродефектов (газовая течь) и макрод фектов (контакт топлива с теплоносителем). Измеренная активность сравнивается рядом расчетных величин. Для вычисления условных вероятностей каждая расче пая активность по изотопу X представляется гауссовским распределением с цситрол ц, равным результату расчета для данного диагноза и среднеквадратичным откл пением а — 1% от диапазона изменения расчетных активностей по радионуклиду.

После измерения всех признаков и соответствующих модификаций вероятн стой гипотез решение о расположении дефектной TBC принимается по максимум апостериорной вероятности. Экспертная система BAYES-600 может использоват1 ся в период между проведением перскомпепсаций и предназначается для предвари тслыюй оценки и независимой проверки достоверности показаний основной системь FLUT-600.

Нечеткие алгоритмы диагностирования. Алгоритм контроля правилъностч показаний термопар корабельной ППУ с жидкомсталлическим теплоносителем Разработка описываемого ниже алгоритма основывалась на анализе данных, пол ченных при проведении изотермических режимов. Анализировались показания те мопар, установленных на выходе парогенераторов, входе в активную зону и выход из активной зоны. В качестве диагностических признаков использовались велич1 пы <5, = |(Т13 - Тш) - Ci|, ¿2 = \{твых - гш.) - С21 и г, = КГ« - Та) - С3|, гд Cj,i = 1,2,3 — оценки медиан соответствующих разностей. Для Si были опредсл пы нечеткие высказывания Qi'. «отклонение й; в пределах нормы». Для контрол правильности показаний термопар использовались логические правила, например ошибка Т11Г определяется условием (~ Qi) Л Q2 А Q3), где (~ и Л — операцш отрицания и логического «И». В нечеткой логике истинность v(Qi) высказывани Qi может принимать значения из интервала [0,1]. Аппарат нечеткой логики да возможность вычисления истинности сложных составных высказываний по нече ким значениям истинности входящих в них элементарных высказываний. Знамени нечеткой истинности высказываний Qi определялись следующим образом. Нечс кое множество для утверждения «систематическая ошибка А — 0» определялас

А2 (А — 8)

экспертным путем как функция v(А) = 1 — — Для 0 < А < 4, и(Д) = —

для 4 < А < 8 и и(Д) = 0 для А > 8.

Для очередной экспериментальной точки оценивались S* и нечеткое мпож ство возможных значений систематической погрешности с функцией принадлел ности /г(Д) = р(<5*, Д)/рд, где = тахдр(|5*, А) и нормировкой на plt обеспечен /¿(А) 6 [0,1]. Для р(1 использовалась пепараметрическая оценка Парзена с нормал'

ным ядром плотности вероятности в точке <5*:

1 ™ 1 Чц-Ф2 = <9)

где т — объем выборки данных, Н — параметр, характеризующий вклад точки 51} в оценку р((5*). Оценка р (<$,*) характеризует правдоподобие значения й* относительно имеющейся выборки 5^,3 = 1,2,..., т.

Используя принцип обобщения па основе нечеткого множества оценок смещения д(Д) и функции принадлежности у(Д) можно определить нечеткое множество истинности для высказываний Qi, 1 — 1,2,3:

"(<?<) = £КЛ)МД) (ю)

д

Применяя операции нечеткой лотки, мы можем определить нечеткое множество истинностей для различных диагнозов. Примеры нечеткого множества истинности для диагноза «ошибка ТЬ» (систематические погрешности Д = 0°С и Д = 4°С) приведены на рис. 16.

Рис. 16. Изменении нечёткой истинности диагноза "ошибка Тул"

Разработанная диагностическая программа показала способность алгоритма уверенно обнаруживать ошибки термопар, соответствующие смещениям Д > 3"С.

Нечеткий алгоритм косвенного измерения расхода РБМК основал на решении оптимизационной задачи достижения нечеткой цели при нечетких ограничениях. Ограничение задастся как нечеткое множество Цг(С'), которое характеризует прямую зависимость расхода от положении ЗРК. Для заданного универсального множества возможных значений расходов С = {Сь Сг,..., Сп} ограничение определялось как множество р(С?1),р((7г), • • • ,р(Оп) нормированных на максимум оценок Парзс-на, полученных по выборке расходов, содержащихся в базе данных для данного значения положения ЗРК. Нечеткая цель задавалась как гауссовская кривая с центром

в точке измеренной азотной активности и с параметром ширины, соответствующи масштабу флуктуаций активности. Значения /и(С) определялись для всех элемсн тов мпожестна С и оценок Д(С\), полученных по алгоритму локально-взвешенно регрессии.

Формирование множеств нечеткого ограничения и нечеткой цели проиллюстри ровано на рис. 17.

(а). Нечеткое ограничение 7, ->• (6). Нечетка цель (7 => 1)

Рис. 17. Достижение нечеткой цели при нечетком ограничении

Косвенное измерение расхода сводится к определению оптимального значени

— агйшах{/1г(С) Л/гл(С)}. Таким образом, при косвенном измерении выбирал с

ся расход, удовлетворяющий нечеткому ограничению, и дающий максимально близ кое к измеренному значение активности. Такой подход позволяет регуляризоват задачу. Нечеткое ограничение по расходу играет роль априорной информации пр! определении расхода по сигналу КГО. Алгоритм позволяет осуществлять косвенно измерение расхода с точностью ±3.1 м3/час. Эта точность выше, чем для раздель ного определения расхода по сигналу КГО или положению ЗРК, что определяете эффектом агрегирования информации.

Прог^юмма-советчик оператора корабельной ППУ с жидкометаллическим теп лоиосителем предназначена для анализа ситуаций и выдачи рекомендаций операт ру при течи парогенератора. Первым этапом разработки было представление разде ла «Действия при течи ПГ» инструкции по эксплуатации рассматриваемой установ ки в виде укрупненной блок-схемы. При этом, нечетко определенные параметры (на пример, уровень в буферной емкости растет быстро или очень быстро) задавалис» как лингвистические переменные, а для вывода использовался аппарат нечетко логики.

Последовательность блоков алгоритма определялась на основе представлени об информативности параметров и сравнительной опасности различных аномаль пых ситуаций. Например, в первую очередь анализируются признаки аварийно течи, а из них срабатывание уставки по снижению расхода возврата протечек.

При представлении в виде блок-схемы была достигнута структурная ясность инструкции. Это позволило, в частности, обнаружить сс неполноту, т.е. нсучёт всех возможных на объекте комбинаций сигналов. Примером может служить определение аварийной течи. При исправных датчиках аварийная течь обязательно сопровождается срабатыванием уставок по давлению в газовой системе, уровню сплава в буферной емкости и расходу возврата протечек. Непоявление одного из названных сигналов, при появлении двух других, может свидетельствовать только об отказе соответствующего датчика и не изменяет диагноза «аварийная течь». Учет подобных ситуаций при разработке алгоритма весьма важен, т.к. при выходе из строя отдельных датчиков вероятность ошибочной реакции оператора возрастает.

При разработке блок-схемы алгоритма отдельные части инструкции детализировались и уточнялись с целью снижения нечеткости и сведения сложных операций к набору более простых, учета зависимости принимаемых оператором решений от внешних ограничений и от характера задач, решаемых в текущий момент установкой в целом. Например, при медленном росте уровня в мерной емкости возможны микротечь ПГ или течь трубчатки аварийного конденсатора (АК). Увеличение глубины диагноза требует проведения ряда операций: снижения мощности до 30%, поочередного отсечения воздушников и отсечения АК, что не всегда возможно. Программа-советчик оператора должна учитывать такие ситуации и, перед проведением более детального анализа, уточнять его необходимость. Полученная в итоге блок-схема представляет нечеткий алгоритм принятия решений оператором при течи ПГ.

Эффективность разработанной программы-советчика проверялась в режиме диалога с операторами, имеющими опыт эксплуатации установок данного типа. Оператору задавалась ситуация (список параметров и сигналов) и запрашивалось его решение. Решение оператора сравнивалось с решением, выдаваемым ЭВМ в процессе диалога с оператором, при котором оператор отвечал только на простые вопросы о значениях и характере изменения отдельных параметров установки. Основным выводом является то, что программа-советчик позволяет значительно облегчить работу оператора и снизить его информационную перегрузку, повысить надежность принимаемых решений. Разбор тех случаев, когда решение, принимаемое оператором и диагноз, выдаваемый ЭВМ не совладали, подтвердил правильность работы программы-советчика и позволил выявить диагностические ошибки операторов. Разработанная программа-советчик обладает большими возможностями при использовании в качестве тренажера.

В шестой главе рассмотрены задачи неразрушающего контроля элементов оборудования АЭС. Данные задачи относятся к прямым методам диагностики. Основной целыо является автоматизация процесса принятия решений экспертами. Основой разрабатываемых методов является предложенный в работе поточечный подход, когда каждый элемент (срез, координата) сварного соединения представляется точкой в многомерном пространстве результатов неразрушающего контроля (распределение яркости рентгеновского снимка вдоль фиксированной координаты, значения ультразвукового сигнала с различных приемников и др.). В качестве методов используется кластерный анализ для объективного автоматического выделения об-

ластей дефектов и классификация на основе машин опорных векторов для распознавания дефектов.

Рентгенографический контроль сварных соединений трубопроводов основан н взаимодействии излучения с .материалом объекта контроля с последующей регистрацией полученного радиационного изображения на снимке, по результатам анализа которого делаются выводы о наличии дефектов и их параметрах. В основном, расшифровка снимков выполняется вручную с минимальным уровнем автоматизации, что приводит к увеличению времени контроля и большому влиянию «человеческого фактора». Для решения данной проблемы разработаны специализированные алго ритмы и программы для анализа радиографических снимков.

Кластерный анализ изображения сварного шва проводился с целью объектив ного выявления областей снимка, соответствующих дефектам сварного соединения. Изображение сварного шва было представлено в виде последовательности векторов Ж],052, •. ■, хт, х = (Х1,Х2,--. ,хп)Т (тип — число точек вдоль горизонтальной и вертикальной оси), которые и являлись объектами кластерного анализа. При этом каждый вектор представляет собой распределение яркости вертикального «среза» шва. Однородность исследуемого множества (отсутствие ярко выраженных кластеров) будет свидетельствовать об однородности распределения яркости вдоль сварного шва, то есть об отсутствии дефектов. В случае же выявления кластеров распределение яркости неоднородно и, наряду с нормальными участками шва, присутствуют участки, содержащие дефекты.

Для проведения анализа использовался метод иерархической кластеризации с объединением. В этом методе на первом шаге каждый объект выборки рассматривается как отдельный кластер, после чего работа алгоритма сводится к последовательному объединению в кластеры наиболее близких объектов на основании матрицы сходства. Выло выявлено, что рассматриваемая выборка имеет ярко выраженную кластерную структуру и оптимальное число кластеров составляет Ис = 5.

Для интерпретации полученных кластеров была построена зависимость номера кластера от координаты профиля вдоль шва, после чего было выполнено ее сравнение с изображением (рис. 18) сварного соединения с дефектом типа трещины. Как видно из рисунка, бездефектным участкам шва соответствуют первые три, а дефектным — последние два кластера. На рис. 19 представлены центры полученных кластеров. Профили кластеров, соответствующих области дефекта, характеризуются наличием минимумов яркости посередине, что соответствует затемнениям в области трещины. Таким образом, с помощью кластерного анализа удалось автоматически выявить неоднородность распределения профилей изображения сварного шва в пространстве признаков, определяемую наличием дефектов.

Распознавание дефектов с. использованием метода опорных векторов. При использовании метода БУМ в качестве оптимальной разделяющей поверхности между двумя классами выбирается та из них, для которой сумма расстояний до ближайших точек каждого класса максимальна. В рамках статистической теории обучения математически строго доказывается, что в этом случав мы получаем минимальную ошибку классификации на новых данных. Для нахождения такой поверхности пеоб-

О 500 1000 1500 2000

Координата вдоль сварного шва

Рис. 18. Сегмент сварного шва (вверху) и зависимость номера кластера от координаты профиля вдоль шва

Номер признака

номер признака

(а). Бездефектные области (б). Области дефекта

Рис. 19. С]>едние профили кластеров участков сварного соединения

родимо решить следующую оптимизационную задачу:

N

max ^ ац - ^ УгУ]ОцочК{хи х,),

■=1 N

г,3=1

(И)

(где а;,-, — г-й образ выборки данных (вектор в пространстве признаков) и его метка класса (+1 или -1), N — объем выборки, оч — множители Лагранжа. С является параметром алгоритма, определяющим соотношение между ошибкой на обучающей выборке и сложностью разделяющей границы.

Важным достоинством метода опорных векторов является то, что образы данных присутствуют в алгоритме только в виде аргументов функции специального вида (ядра) что даст возможность выполнять эффективную нелинейную

классификацию данных.

Вид разделяющей поверхности зависит только от тех образов выборки, для которых аг ф 0 и которые называются опорными векторами. Решающее правило

для классификации новых образов х включает смещение Ь и выглядит следующи\ образом:

¡{х) = ^ ®) (12

Решающее правило, позволяющее определить наличие дефекта в каждом сече нни сварного шва находилось с помощью разработанной программы «БУМСкБв» Наилучшие результаты показал вариант с линейным ядром, дающий и результат наиболее простую границу между точками разных классов. Для формирования обу чающей выборки из исходных данных брался каждый второй профиль, размерност пространства признаков при этом равнялась 223. В качестве классификационног вектора использовались результаты экспертного анализа снимка. В результате бьи получен алгоритм с оптимально подобранными параметрами, имеющий нулеву ошибку классификации на обучающей и независимой проверочной выборках.

Разработанные методы и алгоритмы реализованы в виде программного обсспс чеиия «Хгау.ч» для автоматизмроваиного анализа радиографических снимков свар ных соединений оборудования АЭС.

Ультразвуковой контроль сварных соединений. Основная задача заключалаи. в разработке методов объективного выявления дефектов путем совместного приме нения кластерного анализа и машин опорных векторов. Анализировались резуль таты ультразвукового контроля сварных соединений трубопроводов Ду-300 на Кур ской и Смоленской АЭС, полученные системой ПУЗК, разработанной ИЦД НИКИ ЭТ. В состав системы контроля входит восемь пьезоэлектрических преобразовате лей, расположенных по обе стороны сварного шва, при этом часть из них являете генераторами, часть — приемииками акустических сигналов, а часть совмещает эт функции. Для обнаружения дефектов используются эхо- и теневой методы контро ля.

Эвристический алгоритм диагностирования. Вследствие сильной зашумлён ности сигналов первым этапом являлось их сглаживание. В данном случае наи лучшим оказался метод локально-взвешенного усреднения Ш\УЕ83, при которо сглаженное значение в точке для исходной последовательности у(х) определяете} следующим образом:

п / п

1=1 / «=1

где и)(хп х= ехр ( ' ^ ' ) > г = 1,..., п — весовые коэффициенты, п — чис

ло точек последовательности, Ь — параметр алгоритма, определяющий эффектив ную ширину окна усреднения данных. В результате удалось значительно уменьшит число ложных тревог при минимальном искажении сигнала от дефектов. Приме исходных и сглаженных эхо-сигналов представлен на рис. 20.

- р ъ

А Исядеы« доимы* ММ» Пораг •ШНЯАИВЧ А§

0 ж 400 600 800 1000

- ■Г 1 С|л«ж1аиы» дайны* Цлр«т выявления

- ^ \atJwA) лЛА/--

Н-1-1-1- -1-1—

и лю -то еии еои 1исо

Координата вдоль сварного шва, мм

Рис. 20. Сглаживание данных и подбор порога для выявления дефектов

В качестве признака для выявления дефектов было взято превышение эхо-сиг-1алом некоторого порога, зависящего от характеристик конкретного такта. Для этою методом подбора было определено оптимальное значение порога, при котором бсспечивается наилучшее выявление дефектов при минимальном числе ложных 'рсвог (рис. 20).

Анализ данных обучающей последовательности позволил выявить зависимость птимальных порогов выявления дефектов I от межквартильного размаха сигнала по эхо-схемам. Оказалось, что зависимость может с достаточной точностью быть ппроксимирована линейной моделью /(г) = 30.45 + 2.28 х г, позволяющей пред-казывать значение порога в зависимости от уровня шумов для конкретного такта, езультаты, полученные для отдельных тактов, объединялись путем голосования, гри этом в качестве дефектов рассматривались области превышения эхо-сигналом орога но двум и более тактам.

При относительной простоте реализации данный подход показал хорошее ка-ество автоматического выявления дефектов, которое было ограничено основным едостатком самого подхода — раздельным анализом сигналов по различным так-ам, приводящим в итоге к потере значительной доли информации о данных. Поэто-1у для дальнейшего повышения точности выявления дефектов был сделан переход совместному анализу сигналов по различным признакам.

Кластерный анализ сигналов УЗК проводился для объективной проверки фак-а наличия дефектов в сварном соединении путем выявления структуры данных, римснялся метод иерархической кластеризации с объединением. В результате бы-о установлено наличие в данных четырех выраженных кластеров. Путем анали-а средних точек и распределений значений различных признаков для каждого из ластеров была предложена интерпретация полученных результатов. Наиболее уда-енпые и непересекающиеся кластеры соответствуют нормальным точкам и точкам ефектов, а находящиеся между ними кластеры соответствуют областям с потерей

акустического контакта, для которых характерно значительное падение теневых си налов при низком уровне сигналов по эхо-тактам.

Распознавание дефектов с помощью метода БУМ. На втором этапе анали для получения решающего правила, позволяющего с высокой точностью классиф цировать данные, использовался метод опорпых векторов. Оптимальные зпачепи параметра алгоритма С и параметров для каждого ядра были определены на обуч ющей выборке. Для этого использовался метод перебора по сетке в области опред леиия параметров, дающий в результате набор значений, при которых достигает минимальный уровень ошибки. Для определения точности классификации и рега пия проблемы переобучения использовалась процедура 10-кратной кросс-провсрк В качестве оптимального по соображениям минимизации числа опорных векторов ошибок классификации для дальнейшего анализа было выбрано полиномиальное я ро 3-й степени. Эти и другие методы повышения точности распознавания подроб1 описаны в диссертации. Благодаря принятым мерам и проведенной посг-обработ результатов, общая ошибка классификации была уменьшена до 2.3%.

Разработанные методы автоматического выявления дефектов но результата УЗК проверены на большом объеме новых данных и подтвердили свою высоку эффективность, позволив выявить все имеющиеся по экспертной классификаци дефекты при минимальном числе ложных тревог, а в ряде случаев и обнаружить д фекты, пропущенные экспертами. Эти методы реализованы в составе системы «УЗ Аналитик», которая используется в НИКИЭТ, на Курской и Смоленской АЭС.

Основные результаты и выводы

1. Для корабельных и транспортабельных ЯЭУ:

Проведено экспериментальное исследование условий возникновения кризиса т лообмепа в каналах с твэлами квадратного сечения. Разработаны оптимальные п сложности и точности модели, позволяющие предсказывать значение критическо мощности с ошибкой 2.1-2.6%. Точное определение запаса до кризиса теплообмен позволяет увеличить энсргонапряжепностъ активной зоны.

Разработаны алгоритмы диагностирования режимов с кипением тегшоносит ля и кризиса теплообмена, включая наступление кризиса в нестационарных услов' ях. Правильность работы алгоритмов проверялась косвенными (нарушение теплов го баланса) и прямыми (измерение паросодержания, контроль температуры степк твэла) методами в независимых сериях экспериментов. Выявлено опережающее, п сравнению со скачком температуры стенки твэла, изменение характеристик ак стического сигнала, позволяющее диагностировать кризис теплообмена на ранне стадии развития.

Разработана программа-советчик оператора по действиям при аварийной теч ПГ, основанная на алгоритмизации и машинном представлении эксплуатационно инструкции и метод контроля правильности показаний термопар, позволяющий ш высить достоверность диагностирования.

2. Для реакторов на быстрых нейтронах:

Разработана система диагностирования «ТЕПЛОГИД-бОО». На основе анализа информации но 12-и микрокамнаниям эксплуатации реактора БН-600 разработаны рограммиые датчики тсплогидравлического состояния, позволяющие выявлять изменения ТГС, приводящие к изменениям температур на входе в ПТО порядка VC. босновано применение эллипсоидальных уставок для контроля состояния рсакто-а.

Разработана система локализации негерметичиых TBC «FLUT-600». Проведено асчетно-тсоретическос (радиальио-б&зиспая сеть для описания нейтронного ноля, нетичсский алгоритм локализации) и экспериментальное (2 специальных реактор-1ых эксперимента с определением положения негерметичиых TBC и последующей фоверкой результатов на остановленном реакторе) обоснование работоспособности етодики перекомпепсации для определения местоположения негерметичиых TBC активной зоне реактора БН-600 при работе на мощности. Разработаны алгоритмы программы системы диагностирования.

Разработана экспертная система «Baycs-600». Для определения зоны расноло-ения дефекта но соотношению активностей ренерных радионуклидов в газовой юдушке реактора и теплоносителе 1-го контура применена байесовская стратегия финятия статистических решений в условиях неопределенности.

3. Для реакторов ВВЭР:

Разработан комплекс алгоритмов и программ «ВиброЭкспсрт» существенно по-ышающий штатные возможности системы вибродиагностики HB АЭС. Комплекс ключает в себя новый многокритериальный метод автоматического выделения пи-ов в спектрах вибраций, метод распознавания аномальных спектров и диагностики змерительпых каналов, метод автоматической группировки виброспектров и, адан-ировапный для работы с виброспектрами, метод построения деревьев классифика-ш.

Применительно к системе акустического контроля течи трубопроводов САКТ а реакторе ВВЭР-1000 выявлены скрытые факторы, характеризующие общереак-орпый и локально-петлевой процессы шумообразования. Построены фильтры для одавления низкочастотных помех, снижающие число ложных срабатываний систе-i до приемлемого уровня и повышающие чувствительность при обнаружении течи, азработан комбинированный нейросетевой алгоритм принятия диагностических ре-клшй, позволяющий распознать факт течи и локализовать её место.

4. Для реакторов РБМК:

Разработан алгоритм диагностирования отказов расходомеров реакторов РБМК, снованный на использовании имеющейся в измерительной системе информацион-ой избыточности, специальных регрессионных моделях и байесовском классифи-аторе. Разработан алгоритм косвенного измерения расхода, основанный на реше-ии нечеткой оптимизационной задачи. Практическая работоспособность алгорит-ов проверена на реакторе 1 блока ЛАЭС.

Разработана система «Xrays» для диагностирования дефектов сварных соедипс-ий но результатам рентгеновского контроля и программный продукт «SVMClass»

для классификации многомерных данных методом опорных векторов. Алгоритмы программы применяются в НИКИМТ для анализа результатов радиографическо1 контроля и при разработке систем контроля сварных соединений.

Разработана система «УЗК-Лпалитик» для диагностирования дефектов сва иых соединений по результатам ультразвукового контроля и база данных «УЗ БД». Разработки применяются в НИКИЭТ, на Смоленской и Курской АЭС и п воляют повысить достоверность и автоматизировать проведение нсразрушающе! контроля.

5. Для развития методов диагностики АЭС:

На примере решения большого числа разнообразных практических задач д гностирования АЭС обоснована эффективность многомерных статистических ме дов для поиска информативных диагностических признаков, выявления скрыть закономерностей, особенностей и структуры данных, построения алгоритмов д предсказания параметров и принятия решений с использованием всех типов дост пых экспериментальных, эксплуатационных и экспертных данных.

Для различных типов реакторной нормы (статической, шумовой, динами1 ской, экспертной и тестовой) показано единство математического содержания pi личных задач диагностирования АЭС как задач восстановления дискретнозпачнь (классификация, кластерный анализ) или непрерывных функций многих персм пых с возможностью регуляризации и оптимизации сложности функций anpnopi неизвестной структуры.

Основные публикации

[1J Способ определения истинного объемного паросождения теплоносителя яде ного реактора / А. И. Могильнер, А. О. Скоморохов, Д. М. Швецов, и др. Авторское свидетельство № 70136.4. — 1978.

[2] Могильнер, А. И. Исследование метода диагностики теплового состояния тивной зоны ЯЭУ с помощью ЭВМ / А. И. Могильнер, А. О. Скоморохов Вопросы атомной науки и техники. — 1979. — Т. 4, № 8. — С. 5-14.

[3] Mogilner, A.I. On the problem of noise spectra classification in nuclear power pla operation diagnostics / A.I. Mogilner, A.O. Skomorokhov, D.M. Shvetsov // Nucle Technology. - 1981. - Vol. 53, no. 1. - Pp. 8-18.

[4] Skomorokhov, A. Nuclear power plant diagnostics in APL / A. Skomorokhov APL Quote Quad. - 1991. - Vol. 21, no. 4. - Pp. 289-300.

[5] Skomorokhov, A.O. Adaptive learning networks in APL2 / A.O. Skomorokhov APL Quote Quad. - 1993. - Vol. 24, no. 1. - Pp. 219-229.

[6| Fuzzy control of technological processes in APL2 / A.O. Skomorokhov, K.-H. Rci hardt, G. Roche, M. Tielemann // APL Quote Quad. — 1995. - Vol. 25, no. 4. Pp. 179-184.

[7] Skomorokhov, A.O. Genetic algorithms: APL2 implementation and a real life ■

plication / A.O. Skomorokhov // APL Quote Quad. - 1996. — Vol. 26, no. 4. -Pp. 97-106.

[8j Скоморохов, А. О. Контроль достоверности информации в системе вибродиагностики Нововоронежской АЭС / А. О. Скоморохов, М. Т. Слспов // Известия ВУЗов. Ядерная энергетика. — 1999. — № 1. — С. 56-65.

(9] Skomorokhov, А. О. Pattern recognition in APL with application to reactor diagnostics / A. O. Skomorokhov, M. T. Slepov // APL Quote Quad. - 1999. - Vol. 29, no. 3. — Pp. 164-172.

10J Skomorokhov, A.O. A knowledge discovery method: APL itnplemciitatioii and application / A.O. Skomorokhov // APL Quote Quad. - 2000. — Vol. 30, no. 4. — Pp. 204-211.

11] Skomorokhov, A. Classification trees in APL: implementation and application / A. Skomorokhov, V. Kutinsky // APL Quote Quad. - 2000. — Vol. 31, no. 2. — Pp. 101-113.

12] Skomorokhov, A. Radial basis function networks in A+ / A. Skomorokhov // APL Quote Quad. - 2002. - Vol. 32, no. 4. - Pp. 198-213.

13] Skomorokhov, A. Cooperative computing based on Dyalog APL and the R statistical system / A. Skomorokhov, V. Kutinsky // APL Quote Quad. — 2003. — Vol. 34, no. 1. - Pp. 5-15.

14] Автоматическое выявление дефектов по результатам УЗК сварных соединений трубопроводов АЭС / А. О. Скоморохов, П. А. Белоусов, А. В. Нахабов и др. // Известия вузов. Ядерная энергетика. — 2005. — № 2. — С. 16-25.

15] Skomorokhov, A. Support Vector Machines in A+ / A. Skomorokhov, A. Nakhabov // APL Quote Quad. - 2006. - Voi. 34, no. 4. - Pp. 8-17.

16] Skomorokhov, A. O. Cluster Analysis of Ultrasonic Testing Data / A. O. Skomorokhov, P. A. Belousov, A. V. Nakhabov // Pattern Recognition and Image Analysis. - 2006. - T. 16, № 1. - C. 82-84.

17] Белоусов, П. А.' Разработка и применение методов обнаружения изменения свойств и прогнозирования временных рядов в задачах диагностирования АЭС / П. А. Белоусов, А. О. Скоморохов // Известия вузов. Ядерная энергетика. - 200G. - № 3. — С. 3-12.

18] Скоморохов, А. О. Кластерный анализ сигналов системы акустического контроля течи / А. О. Скоморохов, П. А. Белоусов, С.А. Морозов // Известия вузов. Ядерная энергетика. — 2006. — № 4. — С. 3-12.

19] Скоморохов, А. О. Методика локализации дефектных ТВС при проведении штатных псрекомнснсаций в реакторе БН-600 / А. О. Скоморохов, Д. А. Лукьянов // Известия вузов. Ядерная энергетика. — 2007. — Т. 3, № 1. — С. 120—129.

0] Скоморохов, А. О. Применение метода перекомпенсации для определения местоположения пегерметичных сборок в реакторах на быстрых нейтронах / А. О. Скоморохов, Д.А. Лукьянов // Известия вузов. Ядерная энергетика. — 2007. - № 2. - С. 16-25.

1] Skomorokhov, A.O. Some modifications of the algorithm for construction of classification trees / A.O. Skomorokhov, V.N. Kutinsky, M.T. Slepov // Pattern Rccogni-

tion and Image Analysis. — 2008. — Vol. 18, no. 1. — Pp. 132-138.

[22] Скоморохов, А. О- Автоматизированный анализ результатов радиографичесш го контроля сварных соединений на АЭС / А. О. Скоморохов, А. В. Haxa6oi П. А. Белоусов // Известия вузов. Ядерная энергетика. — 2009. — № 3. -С. 29-36.

[23] Скоморохов, А. О. Нейросетевые модели фильтрации сигналов и диагностир< вания течи трубопроводов ВВЭР / А. О. Скоморохов, A.A. Кудряев, С.А. Mi розов // Известия вузов. Ядерная энергетика. — 2010. — № 4. — С. 72-80.

[24] Скоморохов, А. О. «SVMClass» — программа классификации результатов нера рушающего контроля оборудования АЭС на основе алгоритмов опорных векп ров / А. О. Скоморохов, А. В. Нахабов // Свидетельство о государственно регистрации программы для ЭВМ № 2008613243 от 07.07.2008.

[25] «Ваза данных УЗК» — база данных по результатам ультразвукового контрол сварных соединений трубопроводов АЭС / А. О. Скоморохов, П. А. Белоусо!

A. В. Нахабов, др. // Свидетельство о государственной регистрации программ! для ЭВМ № 2006612043 от 26.04.2006.

[26] Скоморохов, А. О. «Xrays» — программа для автоматизированного анализа р< зультатов радиографического контроля сварных соединений трубопроводов оборудования АЭС / А. О. Скоморохов, А. В. Нахабов // Свидетельство о г< сударствеиной регистрации программы для ЭВМ № 2009610833 от 06.02.2009.

[27] Скоморохов, А. О. «ВиброЭкспсрт» — программа анализа спектров сигналов ы стемы вибрационного мониторинга Нововоронежской АЭС / А. О. Скоморохо

B. Н. Путинский // Свидетельство о государственной регистрации программ' для ЭВМ № 2006613768 от 14.08.2006.

[28] «УЗК-Аналитик» — программа для анализа результатов ультразвукового koi троля сварных соединений трубопроводов АЭС. / А.О. Скоморохов, П.А. Б лоусов, А. В. Нахабов и др. // Свидетельство о государственной регистраци программы для ЭВМ № 2006610877 от 01.03.2006.

[29] Скоморохов, А.О. «FLUT-600» — программа для анализа данных получш пых при проведении перекомпенсаций нейтронного поля реактора БН-600 с ц< лыо локализации пегерметичиых тепловыделяющих сборок / А.О. Скоморохо Д.А. Лукьянов // Свидетельство о государственной регистрации программ! для ЭВМ № 2006613850 от 15.06.2006.

[30] Скоморохов, А.О. «BAYES-600» — Байесовская диагностирующая система дл определения зоны расположения негерметичиой TBC в реакторе БН-600 А.О. Скоморохов, Д.А. Лукьянов // Свидетельство о государственной регистр ции программы для ЭВМ № 2006613917 от 15.11.2006.

Компьютерная верстка А.О. Скоморохов

ЛР № 020713 от 27.04.1998

Подписано к печати 1. о 3>. 11._Формат бумаги 60x84/16

Печать ризограф. Бумага МВ Печ.л. 1,83

Заказ № I > <_Тираж 100 экз._Цена договорная

Отдел множительной техники ИАТЭ 249035, г. Обнинск, Студгородок, 1

Введение

Глава 1. Современные методы и подходы к диагностированию аномальных состояний ЯЭУ

1.1. Состояние и перспективы развития интеллектуальных технологий диагностики.'.

1.1.1. Добыча данных, извлечение знаний и обучение машин

1.1.2. Нейронные сети в задачах диагностики АЭС.

1.1.3. Экспертные и гибридные системы диагностирования

1.1.4. Методы обучения машин в системах шумовой диагностики

1.1.5. Интеллектуальный анализ результатов неразрушаю-щего контроля

1.2. Некоторые методологические принципы диагностики АЭС

1.2.1. Характеристика АЭС как объекта диагностирования

1.2.2. Понятие нормального функционирования установки

1.2.3. Типы диагностических моделей

1.3. Выводы к главе

Глава 2. Статическая норма. Режимная диагностика по технологическим параметрам.

2.1. Предсказание критической тепловой нагрузки корабельной ЯЭУ.

2.1.1. Постановка задачи.

2.1.2. Структурная идентификация диагностических моделей

2.1.3. Методика построения диагностической модели кризиса теплообмена.

2.1.4. Модели для стержней с различными длинами обогреваемого участка

2.1.5. Оптимизация точности предсказания критической мощности

2.1.6. Обсуждение результатов

2.2. Контроль теплогидравлического состояния реактора БН

2.2.1. Постановка задачи.

2.2.2. Формирование первичных диагностических признаков

2.2.3. Кластерный анализ режимов работы реактора

2.2.4. Чувствительность при диагностировании.

2.2.5. Модели МГУА и многомерные контрольные карты

2.2.6. Обсуждение результатов

2.3. Диагностирование отказов расходомеров реактора РБМК

2.3.1. Постановка задачи.

2.3.2. Экспериментальные результаты. Предварительный анализ

2.3.3. Идентификация специальных регрессионных моделей

2.3.4. Обнаружение отказов.

2.3.5. Определение типа отказа.

2.3.6. Общее описание алгоритма. Оценка чувствительности

2.3.7. Проверка работоспособности алгоритма диагностирования

2.3.8. Обсуждение результатов

2.4. Выводы к главе

Глава 3. Шумовая норма. Классификация спектров и временных последовательностей

3.1. Диагностика режимов теплообмена в водо-водяных реакторах

3.1.1. Акустическая диагностика режимов с кипением теплоносителя

3.1.2. Распознавание кризиса теплообмена в нестационарных условиях

3.1.3. Алгоритм диагностирования кризиса теплообмена для корабельной ЯЭУ с водяным теплоносителем

3.2. Алгоритмическое обеспечение системы вибродиагностики SUS

3.2.1. Многокритериальный метод распознавания пиков виброспектров

3.2.2. Распознавание аномальных спектров вибраций

3.2.3. Автоматическая группировка спектров вибраций

3.3. Нейросетевой алгоритм диагностики течи трубопроводов ВВЭР

3.3.1. Система акустического контроля течей К АЭС

3.3.2. Выявление и интерпретация источников акустических шумов.

3.3.3. Предсказание и фильтрация сигналов в системе САКТ

3.3.4. Нейронная сеть для принятия решений.

3.3.5. Обсуждение результатов

3.4. Выводы к главе

Глава 4. Динамическая норма. Контроль герметичности оболочек

4.1. Задача локализации негерметичных TBC в реакторе БН

4.1.1. Метод перекомпенсаций нейтронного поля

4.2. Математическая модель локализации негерметичных TBC

4.2.1. Система уравнений перекомиенсации

4.2.2. Расчетные изменения нейтронного поля при проведении перекомпенсации

4.2.3. Аппроксимация поля радиально-базисными нейронными сетями.

4.2.4. Генетический алгоритм локализации негерметичных TBC.

4.3. Экспериментальное обоснование применимости методики перекомпенсации

4.3.1. Реакторный эксперимент I. Выявление значимых откликов

4.3.2. Реакторный эксперимент II. Проверка алгоритма локализации

4.4. Локализация дефектных TBC при проведении штатных перекомпенсаций

4.4.1. Модифицированные штатные перекомпенсации

4.4.2. Выделение стационарных участков показаний ДЗН

4.4.3. Статистика Хотсллинга для сравнения двух многомерных выборок

4.5. Выводы к главе

Глава 5. Экспертная норма. Вероятностные и нечеткие правила диагностики.

5.1. Автоматическое выделение диагностических правил

5.1.1. Методы машинного поиска логических закономерностей

5.1.2. Закономерности коррозионной стойкости стали в натрии

5.2. Деревья классификации для выявления правил диагностирования

5.2.1. Построение деревьев классификации

5.2.2. Деревья классификации аномальных спектров

5.2.3. Модификация алгоритма для работы с виброспектрами

5.2.4. Описание виброхарактеристик установки наборами правил

5.3. Вероятностные правила диагностирования.

5.3.1. Байесовская процедура вывода.

5.3.2. Экспертная система BAYES

5.4. Нечеткие алгоритмы диагностирования.

5.4.1. Нечеткие множества для учета неопределенности

5.4.2. Косвенное измерение расхода РБМК

5.4.3. Диагностика отказов термопар корабельной ЯЭУ

5.4.4. Программа-советчик оператора корабельной ЯЭУ . . 222 5.5. Выводы к главе

Глава 6. Тестовая норма. Неразрушающий контроль оборудования

6.1. Алгоритмы диагностирования по результатам радиографического контроля.

6.1.1. Радиографический контроль сварных соединений на АЭС.

6.1.2. Предварительная обработка и сегментация рентгеновских снимков.

6.1.3. Группировка рентгеновских снимков сварных соединений

6.1.4. Распознавание образов методом опорных векторов

6.1.5. Машины опорных векторов для распознавания дефектов

6.1.6. Влияние параметров снимка на качество выявления дефектов

6.2. Алгоритмы диагностирования но результатам ультразвукового контроля

6.2.1. Ультразвуковой контроль сварных соединений на АЭС

6.2.2. Эвристический алгоритм ультразвуковой диагностики дефектов

6.2.3. Автоматическое выявление дефектов сварных соединений

6.2.4. Поточечная классификация дефектов методом опорных векторов.

6.2.5. Постобработка результатов поточечной классификации

6.2.6. Программная реализация алгоритмов дефектоскопии

6.3. Выводы к главе

Актуальность работы. В процессе эксплуатации современных АЭС регистрируется большое и постоянно растущее число различных технологических параметров и сигналов системы контроля и систем оперативной диагностики, данных о состоянии элементов оборудования и результатах неразрутающего контроля. Эти данные используются для оперативного контроля, например, сравнением значений с допустимыми уставками, при подготовке актов по результатам проведения регламентных работ и др. Указанная информация редко накапливается и почти никогда не анализируется в последующем.

Вместе с тем, отечественный и зарубежный опыт показывает, что эксплуатационные данные часто содержат важную, с точки зрения обеспечения безопасности и надежности, информацию о протекающих в установке процессах. Анализ ряда аномальных ситуаций, произошедших на объектах ядерной энергетики, показал, что развитие аномалии можно было обнаружить на ранней стадии по изменению связей и характерных признаков в эксплуатационных данных. Однако, эта важная информация скрыта, замаскирована помехами и мешающими факторами, распределена по большому числу параметров. Извлечение такой информации может принести значительную пользу для обеспечения безопасной эксплуатации и проведения технической диагностики.

В настоящее время интенсивно развиваются такие тесно связанные научные направления, как добыча данных (Data Mining), извлечение знаний из баз данных (Knowledge Discovery in DataBases) и обучение машин (Machine Learning). Эти направления, часто объединяемые термином интеллектуальный анализ данных, достигли впечатляющих успехов в самых разных областях, таких как обеспечение безопасности, финансы и телекоммуникации, авиационная и космическая промышленность и многих других. Ряд методов анализа, развиваемых в рамках перечисленных научных направлений, находит свое применение в задачах технической диагностики АЭС. К ним относятся методы распознавания образов, нейронные сети различного типа, методы, основанные на теории нечетких множеств, и др.

Мы будем характеризовать такой подход как индуктивный, т.е. идущий непосредственно от данных и реальных эксплуатационных характеристик к моделям конкретной установки, что позволяет решать задачи диагностики в условиях неполноты или отсутствия необходимой априорной информации. Методы решения задач в рамках индуктивного подхода часто объединяют термином многомерные, подчеркивая работу одновременно с большим числом признаков и характеристик объекта. Родоначальниками данного направления стали А.И. Могильнер в нашей стране и Р. Уриг

И. иЬпё) в США.

Несмотря на наличие большого числа работ по применению в атомной энергетике отдельных методов интеллектуального анализа данных, отсутствуют достаточно полное и систематическое исследование индуктивного подхода и оценка сравнительной практической эффективности различных алгоритмов. Недостаточен и охват по типам решаемых задач диагностики АЭС.

Таким образом, с учетом потенциальной важности для обеспечения безопасной и надежной эксплуатации АЭС, актуальной в научном и практическом плане представляется задача разработки индуктивного подхода к диагностике и повышения информативности штатной системы контроля реактора.

Цель диссертационной работы состоит в повышении безопасности, надежности и экономической эффективности эксплуатации ЯЭУ специального назначения и энергетических реакторов АЭС за счет привлечения для контроля и диагностики дополнительной скрытой в шумах и распределенной по большому числу параметров многомерной информации с использованием современных методов интеллектуального анализа данных. Для достижения поставленной цели решались следующие задачи:

1. Разработка методов режимной диагностики ЯЭУ, основанных на использовании информационной избыточности в штатных системах контроля реакторов различного назначения и направленных на предсказание важных для безопасности параметров, контроль достоверности измерительной информации и обнаружение малых отклонений от режимов нормальной эксплуатации.

2. Разработка методов шумовой и вибрационной диагностики ЯЭУ, основанных на использовании информации о флуктуациях параметров и направленных на выявление на ранней стадии развития нарушений, не проявляющихся в средних значениях сигналов.

3. Разработка активных методов диагностики ЯЭУ, основанных на анализе откликов системы на вносимые тестовые воздействия и направленных на определение местоположения дефектных элементов оборудования для их последующей замены.

4.Разработка экспертных методов диагностики ЯЭУ, основанных на использовании вероятностных и нечетких отношений и направленных на решение задач в условиях неполноты и неточности имеющейся информации.

5. Разработка прямых методов диагностики ЯЭУ, основанных на использовании результатов неразрушающего контроля элементов оборудования и направленных на разработку методов принятия решений по обнаружению и оценке параметров дефектов.

Научная новизна. В работе впервые проведена классификация моделей для описания нормального функционирования реакторной установки при различных типах исходной информации, предложен и обоснован подход к решению задач диагностики АЭС, основанный на применении многомерных статистических методов выявления закономерностей в массивах эксплуатационных данных и методов обучения машин диагностированию АЭС. В процессе проведения исследований и разработки методов диагностики аномальных состояний получены следующие новые результаты:

Алгоритмы предсказания важных для безопасности параметров и об-i наружения аномальных нарушений режима эксплуатации ЯЭУ на основе методов группового учета аргументов и случайного поиска с адаптацией, эллипсоидальных уставок и многомерных контрольных карт Хотеллинга.

Эффект опережающего, по сравнению со скачком температуры стенки твэла, изменения характеристик акустического сигнала, позволяющий осуществлять раннюю диагностику кризиса, теплообмена.

Критерии неисправности измерительных каналов системы вибродиа-f гностики и значимости локальных максимумов спектра, на основе которых созданы алгоритм распознавания аномальных спектров и новый метод автоматического выделения спектральных пиков. Влияние турбогенераторов на вибрации ПГ на НВАЭС, выявленное разработанным методом построения деревьев классификации с одновременной оценкой пиков спектров вибраций.

Нейросетевой алгоритм обнаружения и определения местоположения течи, основанный на совместном использовании множественных полиномиальных моделей для межпетлевых зависимостей акустических шумов и ( нейронной сети обратного распространения для распознавания комбинаций сигналов. Факторы шумообразования, описывающие локально-петлевые и общереакторные источники акустических шумов для «холодных» и «горячих» участков циркуляционного контура ВВЭР-1000. 5 Результаты анализа реакторных экспериментов по обоснованию применимости методики перекомпенсации нейтронного поля для определения местоположения дефектных TBC на реакторе БН-600. Генетический алгоритм определения местоположения негерметичных TBC с аппроксимацией нейтронного поля с помощью радиально-базисных функций.

Метод косвенного измерения параметров реакторной установки на основе решения задачи достижения нечеткой цели при нечетких ограничениях и непараметрических оценок Парзена для построения функций принадлежности. Подход к построению программ-советчиков оператора на основе алгоритмизации инструкций по эксплуатации ЯЭУ с использованием нечеткой логики и лингвистических переменных.

Зависимость порога обнаружения дефектов от межквартильного размаха ультразвукового сигнала при контроле сварных соединений трубопроводов. Метод повышения точности распознавания дефектов сварных соединений трубопроводов АЭС, основанный на оценивании плотности распределения результатов классификации сигналов неразрушающего контроля.

Практическая значимость. В работе решено значительное число практически важных задач технического диагностирования АЭС. Большинство решений доведено до алгоритмов, программ и систем, нашедших свое применение на АЭС и предприятиях атомной промышленности, в проектах ЯЭУ различного назначения.

Зависимости для предсказания критической мощности использовались при обосновании теплотехнической надежности нового проекта корабельной ЯЭУ с водо-водяным теплоносителем. Методика автоматизированного построения математических моделей может быть применена для повышения точности предсказания условий возникновения кризиса теплообмена в реакторных установках различного типа и при проведении исследований на теплофизических стендах.

Система «ТЕПЛОГИД-бОО» для диагностики теплогидравлического состояния реактора БН-600 передана в опытную эксплуатацию на БАЭС. Применение разработанных методов повышает информативность штатной системы контроля.

Алгоритмы косвенного измерения расхода и диагностирования отказов расходомеров реакторов типа РБМК испытаны на данных Ленинградской и Смоленской АЭС. Разработанные методики и алгоритмы могут быть применены для других задач контроля достоверности измерительной информации на основе использования информационной избыточности.

Алгоритмы диагностирования кипения теплоносителя и кризиса теплообмена использовались при разработке систем диагностирования ряда проектов транспортабельных и корабельных водо-водяных реакторов. Разработанные методы поиска информативных диагностических признаков, визуализации данных и распознавания режимов теплообмена могут быть использованы для решения широкого класса задач шумовой диагностики.

Разработанное и внедренное на НВАЭС программное обеспечение «ВиброЭксперт» существенно расширяет возможности штатного ПО системы вибродиагностики и повышает достоверность диагностирования, что в конечном итоге способствует повышению безопасности действующих энергоблоков. Методики, основанные на применении кластерного анализа и деревьев классификации, позволяют проводить углубленный анализ виброхарактеристик установки и выявлять неисправности в системе вибромониторинга. Разработанный алгоритм выделения пиков может быть использован в других областях, например, в гамма-спектрометрии.

Выявлены и интерпретированы источники акустических шумов реактора, построены математические модели поведения акустических шумов при работе реактора ВВЭР-1000 на мощности. Разработаны алгоритмы эффективного выявления течи и фильтрации ложных срабатываний для системы оперативной диагностики, Полученные результаты используются в системе диагностики САКТ, работающей на Калининской АЭС.

Результаты исследований метода перекомпенсации нейтронного поля воплощены в алгоритмическом и программном обеспечении системы обнаружения дефектных сборок РЬиТ-600, которая внедрена в опытную эксплуатацию на реакторе БН-600. Обоснование возможности применения штатных перекомпенсаций для решения задачи КГО позволяет обеспечить требования безопасности при проведении локализации. Для повышения точности и достоверности результатов локализации разработана экспертная система «Вауея-бОО». Проведенные разработки могут быть использованы применительно к строящемуся реактору на быстрых нейтронах БН-800.

Разработанные алгоритмы для автоматизированного анализа результатов радиографического контроля сварных соединений оборудования АЭС реализованы в программных продуктах «Хгаув» и «ЭУМСкзз», прошедших государственную регистрацию и используемых в НИКИМТ. Применение разработанных методов позволяет повысить качество контроля сварных соединений и сократить временные затраты на его проведение.

Разработанные методы, алгоритмы и программы автоматизированного анализа данных ультразвукового контроля сварных соединений трубопроводов АЭС реализованы в составе системы «УЗК-Аналитик» и специализированной базы данных «УЗК-БД», прошли государственную регистрацию и используются на Смоленской и Курской АЭС и в НИКИЭТ. Применение проведенных разработок позволило автоматизировать процедуру анализа результатов контроля и повысить его достоверность.

На защиту выносятся следующие основные результаты:

1. Обоснование эффективности применения многомерных статистических методов для разработки алгоритмов диагностирования АЭС. Классификация математических моделей для описания нормального функционирования установки при различных типах эксплуатационных данных.

2. Методы режимной диагностики, положенные в основу алгоритмов контроля теплогидравлического состояния реактора БН-600, диагностирования отказов расходомеров реакторов РБМК и предсказания критической мощности корабельного реактора с водяным теплоносителем.

3. Алгоритмы диагностирования режимов теплообмена в корабельных и транспортабельных реакторах и вибродиагностики оборудования ВВЭР, основанные на классификации спектров акустических шумов и вибраций.

4. Нейросетевая модель фильтрации помех и принятия решений при диагностировании течи трубопроводов, определение и классификация источников акустических шумов реактора ВВЭР-1000.

5. Расчетно-эксперимеитальное обоснование метода перекомпенсации нейтронного поля для определения местоположения негерметичных TBC в реакторе БН-600, комплекс методик и алгоритмов, положенных в основу системы FLUT-600.

6. Логико-вероятностные и нечеткие методы выявления правил диагностирования и принятия решений в экспертных системах диагностики ЯЭУ. Результаты их практического применения, включая программу-советчик оператора при течи ПГ и экспертную систему «Bayes-600» для реактора БН-600.

7. Унифицированный метод распознавания дефектов сварных соединений трубопроводов АЭС, основанный на поточечной совместной обработке сигналов неразрушающего контроля с использованием кластерного анализа и метода опорных векторов.

Достоверность полученных результатов. Все разработанные методы диагностирования прошли проверку на независимых экспериментальных данных, на полномасштабных стендах и в реальных условиях эксплуатации на АЭС.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на Отраслевых семинарах секции "Динамика, теплогидравлика и безопасность реакторов и АЭС" НТС Минатома России "Современные методы и средства диагностики ЯЭУ" (Шевченко, 1980, Обнинск, 1994, Обнинск, 2001), Международном научно-техническом семинаре МХО Интератомэнсрго «Методы и средства контроля, диагностики и ремонта оборудования АЭС» (Москва, 1989), Всесоюзном научно-техническом совещании "Техническая диагностика и эксплуатационный контроль на АЭС: Состояние и перспективы развития" (Калининская АЭС, 1990), Международных конференциях ACM SIGAPL (Стэн-фордский университет, 1991, Ленинград, 1992, Торонто, 1993, Антверпен, 1994, Сан-Антонио, 1995, Ланкастер, 1996, Торонто, 1997, Рим, 1998, Скр-энтон, 1999, Берлин, 2000, Йельский университет, 2001, Мадрид, 2002), 7-ой Международной конференции по распознаванию образов и обработке изображений PRIA-7-2004 (Санкт-Петербург, 2004 г.), VII Международной конференции по мягким вычислениям и измерениям SCM'2004, (Санкт-Петербург, 2004), VIII,IX и X Международных конференциях «Безопасность АЭС и подготовка кадров» (Обнинск, 2003г., 2005г., 2007г.), X Международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика» (Москва, 2004 г.), Международной выставке-конференции «Неразрушающий контроль в промышленности» (Москва, 2004 г.).

Публикации. Материалы диссертации опубликованы в 64 научных работах, из них 23 статьи в рецензируемых научно-технических журналах и 13 статей в сборниках трудов научных конференций, 7 свидетельств о государственной регистрации программ для ЭВМ и одно авторское свидетельство на изобретение.

Личный вклад автора Содержание диссертации и основные положения, выносимые на защиту, отражают персональный вклад автора в опубликованные работы. Подготовка к публикации полученных результатов проводилась совместно с соавторами, причем вклад диссертанта был определяющим. Все представленные в диссертации результаты получены лично автором.

Структура и объем диссертации Диссертация состоит из введения, б глав, заключения и библиографии. Общий объем диссертации 302 страницы, из них 281 страница текста, включая 117 рисунков. Библиография включает 229 наименования на 21 странице.

6.3. Выводы к главе 6

По результатам анализа данных рентгеновского и ультразвукового контроля разработана унифицированная методика автоматического распознавания дефектов сварных соединений оборудования АЭС, основанная на совместном использовании кластерного анализа и машин опорных векторов для поточечной классификации многомерных данных. Ее эффектив

В исхаяны» дмм: Югш-Ю 140&01 »2ЭС

Г1И1К)

II. ¡11НН111ВН

II ШТЛПШтМГАИПТГ*'

ТТ'дт—ч 411

МПЫЛ иШЛс'Гк'СткЯГ?!'!?;!. Л вдгшм'шямшшкш

-ДЮ -1^0 ¡$ {¿0 2(4О 3»1О 4(1О 5^0 <>¿0 тА) {¡¿О 9(^0 вещ. файл Дкагрми Анапа (Хно Сгрлпса б» П Ь ■ 3 Окно Ш В %

Коодажаты ¡X

163 2 V. 130.1

У ЗК Лннл^т^к - test.dat

Щг Исхош»» ШЁЦ Разведочный анализ График П Таблицадвфв»тое 'Щ Сомами« отчета

Начало отсчета ["

ТI { " —а:» га

Рис. 6.37. Интерфейс программы «УЗК-Аналитик» ность подтверждена на большом объеме данных, полученных непосредственно в процессе контроля на АЭС. Разработанные методы и алгоритмы автоматизированного анализа данных неразрушающего контроля сварных соединений оборудования АЭС реализованы в виде программных продуктов «БУМСквв», «Хгауэ», «УЗК-Аналитик» и «УЗК-БД», прошедших государственную регистрацию. Полученные результаты используются в НИ-КИМТ, НИКИЭТ, на Смоленской и Курской АЭС.

Заключение

1. На примере решения большого числа разнообразных практических задач диагностирования АЭС обоснована эффективность индуктивных методов; поиска информативных диагностических признаков, выявления скрытых закономерностей, особенностей и структуры даи-пых, построения алгоритмов для- предсказания параметров и принятия решений с использованием всех типов доступных экспериментальных, эксплуатационных и экспертных данных. Для различных типов Х-нормы (статической, шумовой, динамической, экспертной и тестовой) показано единство математического содержания различных задач диагностирования АЭ О как задач восстановления дискретнознач-ных (классификация, кластерный анализ) или непрерывных функций многих , переменных с возможностью регуляризации и оптимизации сложности функций априорно неизвестной структуры.

2. Разработаны методы режимной диагностики по технологическим параметрам, повышающие информативность штатных систем контроля и позволяющие обнаруживать нарушения нормального функционирования установки на ранней стадии. Мётодьь основаны на совместном использовании специальных регрессионных моделей: и проверке многомерных статистических гипотез.

Для корабельных ЯЭУ с водяным теплоносителем проведено экспериментальное исследование условий возникновения кризиса теплообмена и получены оптимальные по сложности и точности модели, позволяющие предсказывать значение критической мощности с 2.1-2.6% для различных длин обогреваемого участка. Устойчивость и точность полученных моделей подтверждена расчетами на экспериментальных данных, которые не использовались при оценке коэффициентов моделей.

На основе анализа информации 12-и .микрокампаниям эксплуатации реактора БН-600 разработаны программные датчики теплогидравли-ческого состояния, позволяющие выявлять изменения ТГС, приводящие к изменениям температур на входе в ПТО порядка 1 °С. Обосновано применение эллипсоидальных уставок для контроля состояния реактора. Наряду с изменениями состояний в течение некоторых микрокампаний, связанными с аномальными событиями, наблюдаются существенные различия между различными микрокампаниями. Последнее было объяснено заменами элементов оборудования в период планово-предупредительных ремонтов и влиянием перегрузок топлива на распределение тепловой нагрузки по различным ПТО. Разработанная система диагностирования «ТЕПЛОГИД-бОО» передана в опытную эксплуатацию на 3-м блоке БАЭС.

Разработан алгоритм диагностирования отказов расходомеров реакторов РБМК, основанный на использовании имеющейся в измерительной системе информационной избыточности, специальных регрессионных моделях и байесовском классификаторе. Практическая работоспособность алгоритма показана путем моделирования отказов, на основе реальных экспериментальных данных, полученных в ходе специальных измерений на реакторе 1 блока ЛАЭС и на САЭС.

3. Для задач шумовой диагностики разработаны методы поиска и формирования информативных диагностических признаков, обнаружения скрытой структуры данных и построения функций принятия диагностических решений.

Применительно к транспортабельным и корабельным реакторам с водяным теплоносителем разработаны алгоритмы диагностирования режимов с кипением теплоносителя и кризиса теплообмена, включая наступление кризиса в нестационарных условиях. Правильность работы алгоритмов проверялась косвенными (нарушение теплового баланса) и прямыми (измерение паросодержания, контроль температуры стенки твэла) методами в независимых сериях экспериментов. Выявленный, с применением кластерного анализа, эффект опережающего изменения характеристик акустического сигнала относительно наступления кризиса теплообмена, фиксрфуемого средствами термометрии, дает возможность обнаружении кризиса теплообмена Pia ранней стадии развития.

Разработан комплекс алгоритмов и программ «ВиброЭксперт» существенно повышающий штатные возможности системы вибродиагностики НВАЭС. Комплекс включает в себя новый многокритериальный метод автоматического выделения пиков в спектрах вибраций, метод распознавания аномальных спектров и диагностики измерительных каналов, метод автоматической группировки виброспектров и, адаптированный для работы с виброспектрами, метод построения деревьев классификации. Применение разработанных методов позволило выявить неправильную коммутацию датчиков вибраций при монтаже системы и скрытый эффект влияния распределения нагрузки между турбогенераторами на характеристики вибраций элементов оборудования, принадлежащих различным петлям реактора. Программа «ВиброЭксперт» прошла государственную регистрацию и используется на НВАЭС.

Применительно к системе акустического контроля течи трубопроводов на реакторе ВВЭР-1000 выявлены скрытые факторы, характеризующие общереакторный и локально-петлевой процессы шумообразования. Построены фильтры для подавления низкочастотных помех, снижающие число ложных срабатываний до приемлемого уровня и нейросетевой алгоритм принятия диагностических решений позволяющий распознать факт течи и локализовать её место. Полученные результаты используются в системе диагностирования, работающей на Калининской АЭС.

4. Проведено расчетно-теоретическое (радиально-базисная сеть для описания нейтронного поля, генетический алгоритм локализации) и экспериментальное (2 специальных реакторных эксперимента с определением положения негерметичных TBC и последующей проверкой результатов на остановленном реакторе) обоснование работоспособности методики перекомпенсации для определения местоположения негерметичных TBC в активной зоне реактора БН-600 при работе на мощности. Разработаны и внедрены предложения по модификации порядка проведения штатных перекомпенсаций для обеспечения возможности проведения локализации негерметичных TBC, методики учета пространственного эффекта и нестабильности интегральной мощности реактора, автоматического выделения стационарных участков движения стержней СУЗ. Предложен способ уменьшения уровня ошибок первого и второго рода при принятии решений о наличии негерметичной TBC в исследуемом районе на основе применение многомерной процедуры проверки гипотез о значимости откликов ДЗН. Разработанные алгоритмы и методики реализованы в виде программного комплекса «FLUT-600», который принят в опытную эксплуатации на 3-м блоке БАЭС и прошел государственную регистрацию.

5. Для работы в условиях неопределенности продемонстрированы возможности предоставляемые методами поиска логических закономерностей и деревьев классификации, байесовской стратегией принятия решений и теорией нечетких множеств.

Применение метода машинного поиска логических закономерностей к задачам выявления аномальных спектров в системе вибродиагностики HB АЭС и исследования влияния легирующих добавок на скорость коррозии аустенитных сталей в натрии позволило описать данные небольшим числом правил легко воспринимаемых технологом. Такие правила представляют самостоятельный интерес для более глубокого понимания исследуемых процессов и могут использоваться при построении в экспертных системах диагностирования. Для определения зоны расположения дефекта по соотношению активностей реперных радионуклидов в газовой подушке реактора и теплоносителе 1-го контура и диагностики перемещений стержней КП ТК применена байесовская стратегия принятия статистических решений! в условиях неопределенности. Разработана экспертная система «Вауеэ-бОО», которая .прошла госрегистрацию и включена в состав системы «РШТ-600». использованием аппарата теории нечетких множеств разработаны алгоритм косвенного измерения расхода для реакторов типа РБМК, метод контроля правильности? показаний;термоиари программа-советчик, оператора для корабельной ЯЭУ с жидкометаллическим теплоносителем, основанная на алгоритмизации и-машинном представлении эксплуатационной инструкции по действиям при аварийной течи ПР. Рассмотренный = подход позволяет создавать^ алгоритмы» диагностирования на стадии проектирования установки, когда необходимы отсутствуют эксплуатационные данные и необходимо принимать приближенные решения на основе анализа опыта эксплуатации аналогичных проектируемой установок. • 6. По результатам анализа данных рентгеновского и ультразвукового контроля разработана унифицированная методика автоматического распознавания дефектов • сварных соединений оборудования, АЭС, основанная^ на. совместном использовании кластерного анализа- и машин опорных векторов поточечной классификации многомерных данных., Ее эффективность подтверждена на большом объеме данных, полученных непосредственно в, процессе контроля на АЭС. Разработанные методы и: алгоритмы автоматизированного анализа данных: неразрушающего контроля сварных соединений'оборудованиям АЭС реализованы1 в виде программных продуктов «ЗУМС^бб», «Хгаув», «УЗК-Аналитик» и «УЗК-БД», прошедших государственную регистрацию. Полученные результаты используются в НИКИМТ, НИКИ-ЭТ, на Смоленской и Курской АЭС.

1. Hines J.W., Uhrig R.E. Trends in computational intelligence in nuclear engineering // Progress in Nuclear Energy. 2005. Vol. 46, no. 3-4. Pp. 167-175.

2. Uhrig R.E., Hines J.W.' Computational intelligence in nuclear engineering // Nuclear Engineering and Technology. 2005. Vol. 37, no. 2. P. 127.

3. Uhrig Robert E., Tsoukalas Lefteri H. Soft computing technologies in nuclear engineering applications // Progress in Nuclear Energy. 1999*. Vol. 34, no. 1. Pp. 13 75.

4. Болтенков В.А., Молина Т.О. Интеллектуальные технологии в системах диагностики АЭС // Искусственный интеллект. 2004. № 3. С. 274-278.

5. Бегун В.В. Каденко И.Н. и др., Торбунов О.В. Вероятностный анализ безопасности атомных станций. К.: НТУ КПИ, 2000. 559 с.

6. Dubuisson В., Lavison P. Surveillance of a nuclear reactor by use of a pattern recognition methodology // Systems, Man and Cybernetics, IEEE- Transactions on. 1980. Vol. 10, no. 10. Pp. 603-609.

7. Gonzalez R. C., Howington L. C. Machine Recognition of Abnormal Behavior in Nuclear Reactors // Systems, Man and Cybernetics, IEEE Transactions on. 1977. Vol. 7, no. 10. Pp. 717 -728.

8. Smith C.M., Gonzalez R.C. Long-term automated surveillance of a commercial nuclear power plant // Progress in Nuclear Energy. 1985. Vol. 15. Pp. 17-26.

9. Gonzalez R. C., Pry D. N., Kryter R. C. Results in the Application of Pattern Recognition Methods to Nuclear Reactor Core Component Surveillance // Nuclear Science, IEEE Transactions on. 1974. Vol. 21, no. 1. Pp. 750 -756.л

10. Mogilner A.I., Skomorokhov A.O., Shvetsov D.M. On the problem of noise spectra classification in nuclear power plant operation diagnostics // Nuclear Technology. 1981. Vol. 53, no. 1. Pp. 8-18.

11. Могильнер А. И., Скоморохов А. О. Исследование метода диагностики теплового состояния активной зоны ЯЭУ с помощью ЭВМ // Вопросы атомной науки и техники. 1979. Т. 4, № 8. С. 5-14.

12. Могильнер А. И., Скоморохов А. О., Кривелев Г. П., Шведов Д. М. О задаче классификации спектров шумов в диагностике ЯЭУ // Препринт ФЭИ-658. 1976. С. 1-15.

13. Reifman J. Survey of Artificial Intelligence Methods for Detection and Identification of Component Faults in Nuclear Power Plants // Nuclear Technology. 1997.-July. Vol. 119, no. 1. Pp. 76-97.

14. Nelson W.R. REACTOR: an expert system for diagnosis and treatment of nuclear reactor accidents // Proceedings of the' Second National Conference on Artificial Intelligence. 1982. Pp. 296-301.

15. Foslien W., Guralnik V., Haigh K.Z. Data Mining For Space Applications // SpaceOps 2004. Montreal, Canada May 17 - 21, 2004. Pp. 1-10.

16. Haigh K.Z., Foslien W., Guralnik V. Visual Query Language: Finding patterns in and relationships among time series data // Proceedings of the seventh Workshop on Mining Scientific and Engineering Datasets / Citeseer. 2004.

17. Wang X.Z. Data mining and knowledge discovery for process monitoring and control. Springer Verlag, 1999. 251 pp.

18. Jang G.S., Keum J.Y., Park J.Y., Kim Y.K. Active Alarm Processing in a Nuclear Power Plant // IEEE Symposium on Advanced Management of Information for Globalized Enterprises, 2008. AMIGE 2008. 2008. Pp. 1-3.

19. Trontl K., Pevec D., Smuc T. Machine Learning of the Reactor Core Loading Pattern Critical Parameters // International Conference Nuclear Energy for New Europe 2007. 2007.

20. Zavaljevski N., Gross K.C. Support vector machines for nuclear reactor state estimation // ANS International Topical Meeting on Advances in Reactor Physics and Mathematics. Vol. 7. 2000.

21. Vilalta R, Valerio R; Ocegueda-Hernandez F, Watts G. The effect of the fragmentation problem in decision tree learning applied to the search for single top quark production // Journal of Physics: Conference Series. 2010. Vol. 219, no. 3. P. 032063.

22. Zhang S., Zhang C., Yang Q. Data preparation for data mining // Applied Artificial Intelligence. 2003. Vol. 17, no. 5. Pp. 375-381.

23. Flynn D., Ritchie J., Cregan M. et al. Data mining techniques applied to power plant performance monitoring // 16th IFAC world congress, Prague. 2005.

24. Guan J. W., Bell D. A. Rough Knowledge Discovery for Nuclear Safety // International Journal of General Systems. 2000. Vol. 29, no. 2. Pp. 231-249. URL: http://dx.doi.org/10.1080/03081070008960931.

25. Wang X.Z., McGreavy C. Automatic classification for mining process operational data // Ind. Eng. Chem. Res. 1998. Vol. 37, no. 6. Pp. 2215-2222.

26. Guan J., Bell D. Data Mining for Monitoring Loose Parts in Nuclear Power Plants // Rough Sets and Current Trends in Computing / Springer. 2001. Pp. 314-321.

27. Guan J.W., Bell D.A. Rough Sets and Data Mining-Data Mining for Monitoring Loose Parts in Nuclear Power Plants // Lecture Notes in Computer Science. 2001. Vol. 2005. Pp. 314-321.

28. Skomorokhov A. Nuclear power plant diagnostics in APL // APL Quote Quad. 1991. Vol. 21, no. 4. Pp. 289-300.

29. Uhrig R. E. Application of Neural Networks to the Operation of Nuclear Power Plants // Proc. of 6th Symposium on Nuclear Reactor Surveillance 1 and Diagnostics (SMORN-VI). Vol. 2. Gatlinburg: 1991. —May. Pp. 149 -158.

30. Marseguerra M.; Padovani E. Possible Improvements of the Reactor Safety via Neural Networks // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). Vol. 1. Avignon: 1995,— June. Pp. 311 320.

31. Carre J. C., Martinez J. M. Approach to Identification and Advanced Control of PWR Using Neural Networks // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 2. Gatlinburg: 1991.-May. Pp. 159 -166.

32. Upadhyaya B. R., Glockler O. Estimation of Feedback Parameters in Pressurized Water Reactors Using Neural Networks // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 2. Gatlinburg: 1991.-May. Pp. 175 189.

33. Andersson Т., Demaziere C., Nagy A. et al. Development and Application of Core Diagnostics and Monitoring for the Ringhals PWRs // Progress in Nuclear Energy. 2003.-July. Vol. 43, no. 1. Pp. 35-41(7).

34. Ayaz E., §eker S., Barutgu В., Tiirkcan E. Comparisons Between the Various Types of Neural Networks With the Data of Wide Range Operational Conditions of the Borssele NPP // Progress in Nuclear Energy. 2003. — July. Vol. 43; no. 1. Pp. 381-387(7).

35. Leonard J.A., Kramer M.A. Diagnosing dynamic faults using modular neural nets // IEEE Expert. 1993. Vol. 8, no. 2. Pp. 44-53.

36. Шаповалова С.И., Шараевский Г.И. Среда моделирования нейронных сетей для решения задач диагностики оборудования АЭС // Проблеми програмувания. 2008. № 2-3. С. 675-678.

37. Na M.G. A neuro-fuzzy inference system for sensor failure detection using wavelet denoising, PCA and SPRT // Journal-Korean Nuclear Society. 2001. Vol. 33, no. 5. Pp. 483-497.

38. Na M.G., Oh S. A neuro-fuzzy inference system combining wavelet de-noising, principal component analysis, and sequential probability ratio test for sensor monitoring // Nuclear Technology. 2002. Vol. 140, no. 2. Pp. 178-197.

39. Ruan Da, Roverso Davide, Fantoni Paolo F. Computational Intelligence Approaches for Parametric Estimation and Feature Extraction of Power Spectral Density. 2009. URL: http://citeseerx.ist.psu.edu/ viewdoc/summary?doi=10.1.1.145.2584.

40. Лескин С. Т. Алгоритмы классификации для анализа состояний активной зоны по данным измерительной системы внутриреакторного контроля // Известия вузов. Ядерная энергетика. 1996. № 4. С. 20-26.

41. Лескин С. Т., Жидков С. В. Представление состояния активной зоны ВВЭР-1000 минимальным связным графом // Известия вузов. Ядерная энергетика. 1997. № 3. С. 9-13.

42. Лескин С. Т., Жидков С. В. Система оценки состояния активной зоны ВВЭР-1000 по данным внутриреакторного контроля при эксплуатации энергоблока // Известия вузов. Ядерная энергетика. 1998. № 3. С. 12-17.

43. Лескин С. Т. Разработка алгоритмов распознавания аномалий в состоянии оборудования АЭС по анализу данных оперативного технологического контроля // Известия вузов. Ядерная энергетика. 1997. № 4. С. 4-11.

44. Лескин С. Т., Зарюгрш Д. Г. Комплекс программ DINA-I для диагностирования главных циркуляционных насосов ВВЭР по данным оперативного технологического контроля // Известия вузов. Ядерная энергетика. 2001. № 1. С. 3-12.

45. Лескин С. Т., Валуй В. В., Зарюгин Д. Г. Применение нейронных сетей для задач диагностики ГЦН по данным оперативного технологического контроля // Известия вузов. Ядерная энергетика. 2001. № 2. С. 15-21.

46. Лескин С. Т., Валуй В. В. Применение метода главных компонент для диагностики насосов высокого и низкого давления по результатам испытаний в процессе эксплуатации АЭС с ВВЭР // Известия вузов. Ядерная энергетика. 2002. № 4. С. 38-45.

47. Лескин С. Т., Корнилова В. В. О возможности идентификации аномалии в состоянии насосов высокого и низкого давления по результатам испытаний на АЭС с ВВЭР // Известия вузов. Ядерная энергетика. 2005. № 4. С. 56-63.

48. Шараевский И.Г., Письменный Е.Н., Домашев Е.Д. Возможности совершенствования компьютерных систем контроля АЭС на основе методов искусственного интеллекта // Пром. теплотехника. 2000. Т. 22, № 1. С. 70 7,7.

49. Болтенков В.А., Молина Т.О. Интеллектуальные технологии в системах диагностики АЭС // Искусственный интеллект. 2004. Т. 3. С. 274-278.

50. Ruan D. Intelligent systems in nuclear applications // International Journal of Intelligent Systems. 1998. Vol. 13. Pp. 115-125.

51. Hines J.W., Davis E. Lessons learned from the US nuclear power plant on-line monitoring programs // Progress in Nuclear Energy. 2005. Vol. 46, no. 3-4. Pp. 176-189.

52. Upadhyaya B. R., Zhao K., Lu B. Fault Monitoring of Nuclear Power Plant Sensors and Field Devices // Progress in Nuclear Energy. 2003. — July. Vol. 43, no. 1. Pp. 337-342(6).

53. Pepyolyshev Yu. N., Dzwinel W. Pattern Recognition-System for the Nuclear Reactor Noise Image Analysis and Diagnostics // Proc. of 6th Symposium on Nuclear Reactor Surveillance and'Diagnostics'(SMORN-VI). Vol. 2. Gatlinburg: 1991.-May. Pp. 209 220:

54. Marseguerra M., Zio E., Torri G. Power Density Axial Oscillations Induced By Xenon Dynamics: Parameter Identification Via Genetic Algorithms // Progress in Nuclear Energy. 2003. —July. Vol. 43, no. 1. Pp. 365-372(8).

55. Marseguerra M., Zio E., Baraldi P., Oldrini A. Fuzzy logic for signal prediction in nuclear system // Progress in Nuclear Energy. 2003. no. 1-4. Pp. 373-380.

56. Nabeshima K., Suzuki K., Türkcan E. Neural Network with an Expert System for Real-time Nuclear Power Plant Monitoring // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). Vol. 1. Avignon: 1995.-June. Pp. 269 277.

57. Hampel R., Traichel A., Fleisher S., Kästner W. Water Level in Boiling Water Reactors — Measurement, Modelling, Diagnosis // Progress in Nuclear Energy. 2003. —July. Vol. 43, no. 1. Pp. 121-128(8).

58. Fantoni P. F., Hoffmann M. I., Shankar R., Davis E. L. On-line Monitoring of Instrument Channel Performance in Nuclear Power Plant Using PEANO // Progress in Nuclear Energy. 2003. —July. Vol. 43, no. 1. Pp. 83-89(7).

59. Siskos J., Lochard J., Lombardo J. A multicriteria decision-making methodology under fuzziness: Application to the evaluation of radiological protection in nuclear power plants // Fuzzy Sets and Decision Analysis. 1984. Pp. 261-283.

60. Fantoni P.F. A neuro-fuzzy model applied to full range signal validation of PWR nuclear power plant data // International Journal of General Systems. 2000. Vol. 29, no: 2. Pp. 305-320.

61. Na M.G. Design of a genetic fuzzy controller for the nuclear steam generator water level control // IEEE Transactions on Nuclear Science. 1998. Vol. 45, no. 4. P. 2261.

62. Guimaraes A.C., Franklin Lapa C.M. Effects analysis fuzzy inference system in nuclear problems using approximate reasoning // Annals of nuclear Energy. 2004. Vol. 31, no. 1. Pp. 107-115.

63. Аркадов Г. В., Павелко В. И., Усанов А. И. Виброшумовая диагностика ВВЭР / Под ред. А.А.Абагяна. М.: Энергоатомиздат, 2004. 344 с.

64. Trenty A., Puyal С., Klajnmic Н. SINBAD, A Data Base for PWR Internals Vibratory Monitoring // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 1. Gatlinburg: 1991.— May. Pp. 253 264.

65. Treiity A. Operational Feedback on Internal Structure Vibration in 54 French PWRs during 300 Fuel Cycles // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). Vol. 1. Avignon: 1995.-June. Pp. 40-48.

66. Ciftcioglu O. Synthetic Noise Benchmark Data Analysis for Anomaly By Pattern Recognition Methodology // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 1. Gatlinburg: 1991.-May. Pp. 345 -355.

67. Mori M., Kaino M., Kanemoto S. et al. Development of Advanced Core Noise Monitoring System for BWRs // Progress in Nuclear Energy. 2003.-July. Vol. 43, no. 1. Pp. 43-49(7).

68. Kiss J., Soumelidis A., Bokor J. Applying Artificial Neural Networks in Nuclear Power Plant Diagnostics // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). Vol. 1. Avignon: 1995.-June. Pp. 323- 331.

69. Hayashi K, Shinohara Y., Konno H. Study of a Modeling Method for Nonlinear Reactor Noise // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 1. Gatlinburg: 1991.— May. Pp. 291 302.

70. Alguindigue I. E., Uhrig R. E. Vibration Monitoring With Artificial Neural, Networks // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol.2. Gatlinburg: 1991.—May. Pp.185— 196.

71. Glockler 0., Pazsit I., Garis N. S. Neural Network Techniques for Control Rod Localization // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). Vol. 1. Avignon: 1995. — June. Pp. 350 358.

72. Olma B. J. Acoustic Monitoring of U-Tube Steam Generators // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 2. Gatlinburg: 1991.-May. Pp. 347-359.

73. Hessel G., Schmitt W., Weiss F.-P. Acoustic Leak Monitoring with Neural Networks at Complicated Structures // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). Vol. 1. Avignon: 1995. June. Pp. 359 - 366.

74. Takahashi M., Miyazaki Т., Miyamoto A., Kitamura M. Goal-Oriented Flexible Sensing for Higher Diagnostic Performance of Nuclear Plant Instrumentation // Progress in Nuclear Energy. 2003. —July. Vol. 43, no. 1. Pp. 105-111(7).

75. Горбунов В. И., Епифанцев Б. Н. Автоматические устройства в радиационной дефектоскопии. М.: Атомиздат, 1979.

76. Jagannathan Н., Bhaskar N., Sriraman P., Vijay N. A Step Towards Automatic Defect Pattern Analysis and Evaluation in Industrial Radiography using Digital Image Processing // Proc. of 15th World Conference on Nondestructive Testing. Roma: 2000.

77. Федотов H. Г., Никифорова Т. В. Техническая дефектоскопия на основе новой теории распознавания образов / / Измерительная техника. 2002. № 12. С. 27 31.

78. Ефименко JL А., Григорченко С. А. Программное обеспечение комплекса автоматизированной расшифровки радиографических изображений // Контроль. Диагностика. 2007. № 12. С. 26-29.

79. Фурсов А. С., Филинов М. В. К вопросу об автоматизации анализа изображений аппаратно-программными комплексами цифровой радиографии // Контроль. Диагностика. 2008. № 9. С. 6-15.99,100,101.102103104105,106107108109110111112

80. Тихонов A.H., Арсенин В.Я. Методы решения некорректных задач. М.: Наука, 1974. 142 с.

81. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. 411 с.

82. Химмельблау Д. Обнаружение и диагностика неполадок в химических и нефтехимических процессах. Ленинград: Химия, 1983. 351 с. Перевод с английского.

83. Jacobs R.T., Merrill J.A. The application of statistical methods of analysis for predicting burnout heat flux // Nuclear Science and Engineering. 1960. Vol. 8. Pp. 480-496.

84. Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника, 1971. 372 с.

85. Бард Й. Нелинейное оценивание параметров. М.: Статистика, 1979. 349 с.

86. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 447 с.

87. Ивахненко А.Г., Зайченко Ю.П., Димитров В.Д. Принятие решений на основе самоорганизации. М.: Сов.радио, 1976. 278 с.

88. Skomorokhov А.О. Adaptive learning networks in APL2 // APL Quote Quad. 1993. Vol. 24, no. 1. Pp. 219-229.

89. Асатурян В.И. Теория планирования эксперимента. М.: Радио и связь, 1983. 234 с.

90. Химмельблау Д. Анализ процессов статистическими методами. М.: Мир, 1973. 957 с.

91. Биргер И.А. Техническая диагностика. М.: Машиностроение, 1978. 239 с.

92. Дорощук В.Е. Кризисы теплообмена при кипении воды в трубах. М.: Энергоатомиздат, 1983. 119 с.

93. Еременко В. А. Пути обеспечения безопасности управления атомными энергетическими установками. Киев: Тэхника, 1988. 257 с.

94. Анализ аномальных изменений параметров в реакторе 3-го блока БА-ЭС, имевших место 21.01.87.: отчет инв: N71/67 дсп: Тех. доклад, п/я а-7755: 1987.

95. Fukunaga К., Koontz W.L.G. Application of the Karhunen-Loeve expansion to feature selection and ordering // IEEE Transactions on Computers. 1970. Vol. 100, no. 19. Pp. 311-318.

96. Watanabe S. Karhunen-Loeve expansion and factor analysis, theoretical remarks and applications // Trans. 4th Prague Conf. Inform. Theory, Statist. Decision Functions, Random Processes. Pp. 635-660.

97. Skomorokhov A. O., Slepov M. T. Pattern recognition in APL with application to reactor diagnostics // APL Quote Quad. 1999. Vol. 29, no. 3. Pp. 164-172.

98. Тыоки Дж. Анализ результатов наблюдений. Разведочный анализ. М.: Мир, 1981. 696 с. Пер. с англ.

99. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наукова думка, 1982. 296 с.

100. Mardia К. V., Kent J. Т., Bibby J. М. Multivariate Analysis. Academic Press, 1979. 521 pp.

101. Доллежаль H. А., Емельянов И. Я. Канальный ядерный энергетический реактор. М.: Атомиздат, 1980. 208 с.

102. Горелик А. Л., Скрипкин В. А. Построение систем распознавания. М.: Советское радио, 1974. 224 с.

103. Юмашев Т.Г., и др. Методы повышения достоверности информации в системе „Скала " // Автоматизация атомных электростанций. 1975. Т. 42. С. 44-57.

104. Пархоменко П. П., Сагомонян Е. С. Основы технической диагностики. М.: Энергия, 1981. 319 с.

105. Загребаев A.M., Костанбаев C.B., Овсянникова Н.В. Расчетно-изме-рительный комплекс контроля расхода в канале реактора РБМК на основе информации об активности теплоносителя // Известия вузов. Ядерная Энергетика. 2010. № 1. С. 138-145.

106. Загребаев A.M., Костанбаев C.B., Овсянникова Н.В. и др. Контроль расхода в технологическом канале РБМК Hat основе информации об активности теплоносителя // Атомная Энергия. 2010. Т. 108, № 2. С. 82-86.

107. Ben-Haim Y. Malfunction isolation in linear stochastic systems: application to nuclear power plants // Nucl.sci. and eng. 1983. no. 85. Pp. 156-166.

108. Ицкович Э. JI. Контроль производства с помощью вычислительных машин. М.: Энергия, 1975. 416 с.

109. Соболев В. И. Основы измерений в многомерных системах. М.: Энергия, 1975. 241 с.

110. Протокол эксперимента: Тех. доклад. Инв.№ ПР-1348: ЛАЭС, 11.05.81.

111. Грязнов А. М. Контроль паросодержания в пароводяных коммуникациях реактора по показаниям системы KFO // Атомные энергетические станции. 1981. № 4. С. 60-69.

112. Холлендер М., Вулф Д. Непараметрические методы статистики. М.: Финансы и статистика, 1983. 518 с.

113. Фукунага К. Введение в статистическую теорию распознавания образов. М.: Наука, 1979. 307 с.

114. Малиновский Л.Г. Классификация объектов средствами дискрими-нантного анализа. М.: Наука, 1979. 260 с.

115. Афифи А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. М.: Мир, 1982. 488 с.

116. Могильнер А.И.,, Селиванов В.М., Сергеев Ю.А., Скоморохов А.О: Информационно-диагностическая система для реактора АБВ-1,5.на базе* ЭВМ TPA-i и системы КАМАК // Обеспечение безопасности АЭС с ВВЭР. Подольск, 1977. С. 58-69.

117. Могильнер А. И., Скоморохов А. О., Швецов Д. М., и др. Способ определения истинного объемного паросождения теплоносителя'ядерного реактора. Авторское'свидетельство 701364. 1978.

118. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. Mi: Наука, 1974. 415 с.

119. Дюран В., Оделл П. Кластерный анализ / Под,ред. А.Я.Боярского. М.: Статистика, 1977. 125 с.

120. Селиванов В.М. Модель ядерной энергетической установки для изучения динамических характеристик // Атомная энергия. 1969. Т. 27, № 1. С. 101-111.

121. Могильнер А. И., Скоморохов А.О., Кривелев Р.П., Швецов Д.М'. О задаче классификации спектров шумов в диагностике ЯЭУ // Препринт ФЭИ-658. 1976. С. 1-18.

122. Фукунага К. Введение в.статистическую теорию распознавания образов. М: Наука, 1979. 307 с.

123. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. 511 с.

124. Skomorokhov A., Zalivin A. Using OpenGL Graphics in Dyalog APL // Vector. 1998. Vol. 15, no.Д. Pp. 34-49.

125. Fukunaga K., Koontz W. Application of the Karhunen-Loeve expansion to feature selection and ordering // IEEE Transactions on Computers. 2006. Vol. 100; no. 4. Pp. 311-318.

126. Аркадов Г.В., Павелко В.И., Усанов А.И. Виброшумовая диагностика ВВЭР. М.: Энергоатомиздат, 2004. С. 344.

127. Аркадов Г.В., Павелко В.И., Финкель Б.М. Системы диагностирования ВВЭР. М.: Энергоатомиздат, 2010. 391 с.

128. Морозов С.А., Скоморохов А.О., Слепов М.Т. Автоматизация процедуры выделения пиков в вибрационных спектрах // Препринт ФЭИ-2759. 1999. С. 1-16.

129. Панов Е. А. Практическая гамма-спектрометрия на атомных станциях. М.: Энергоатомиздат, 1990. 198 с.

130. Savitzky A., Golay Marcel J.E. Smoothing and Differentiation of Data by Simplified Least Squares Procedures // Analytical Chemistry. 1964. no. 36. Pp. 1627-1639.

131. Скоморохов А. О., Слепов M. Т. Контроль достоверности информации в системе' вибродиагностики Нововоронежской АЭС // Известия ВУЗов. Ядерная энергетика. 1999. № 1. С. 56-65.

132. Скоморохов А.О. Модели теории распознавания образовав диагностировании АЭС. Конспект лекций. Обнинск: ИАТЭ, 1988. 80 с.

133. Скоморохов А. О., Кутинский В. Н. "ВиброЭксперт" программа анализа спектров сигналов системы вибрационного мониторинга Нововоронежской АЭС // Свидетельство о государственной регистрации программы для ЭВМ № 2006613768 от 14.08.2006.

134. Соловьев С.П. Аварии и инциденты на атомных электростанциях. Обнинск: ОИАТЭ, 1992.

135. Морозов С. А., Ковтун С. Н., Буданин А. А. и др. Система акустического контроля течей (САКТ). Препринт. Обнинск: ФЭИ -3082, 2006. С. 1-24.

136. Larose D.' Т. Discovering Knowledge in Data. John Wiley and Sons. NY, 2005. 120 pp.

137. Han J., Kamber M. Data Mining. Concepts and Techniques. New York: Morgan Kaufman, 2001. 420 pp.

138. Kantardzic M. Data Mining: Concepts, Models, Methods, and Algorithms. John Wiley & Sons, 2003. 343 pp.

139. Скоморохов А. О., Белоусов П. А., Морозов С.А. Кластерный анализ сигналов системы акустического контроля течи // Известия вузов. Ядерная энергетика. 2006. № 4. С. 3-12.

140. Загоруйко Н. Г. Методы распознавания и их применение. М: Советское Радио, 1972. 208 с.

141. Dyalog: The tool of thought for expert programming, http://www.dyalog.com.1.grand Bernard. Mastering Dyalog APL: A Complete Introduction to Dyalog APL. Dyalog Limited, 2009. 796 pp.

142. Лоули Д., Максвелл А. Факторный анализ. Пер.с англ. М.: МИР, 1967.

143. R Development Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2008. ISBN 3-900051-07-0. URL: http://www.R-project.org.

144. Скоморохов А. О., Кудряев A.A., Морозов C.A. Нейросетевые модели фильтрации сигналов и диагностирования течи трубопроводов ВВЭР // Известия вузов. Ядерная энергетика. 2010. № 4. С. 72-80.

145. Kdb+ database and q programming language. URL: http://kx.com/.

146. Skomorokhov A. Neural network implementation in K. URL: http:// nsl.com/k/nnn.k.

147. Ломакин С. С. Ядерно-физические методы диагностики и контроля активных зон реакторов АЭС. М.: Энергоатомиздат, 1986. 119 с.

148. Bishop С.М. Neural networks for pattern recognition. Oxford University Press, USA, 1995. 482 pp.

149. Ripley B.D. Pattern recognition and neural networks. Cambridge Univ Pr, 2008. 401 pp.

150. Berthold M., Hand D.J. Intelligent data analysis: an introduction. Springer Verlag, 2003. 514 pp.

151. Skomorokhov A. Radial basis function networks in A-f // APL Quote Quad. 2002. Vol. 32, no. 4. Pp. 198-213.

152. Geyer-Schulz A. Fuzzy rule-based expert systems and genetic machine learning. Physica-Verlag, 1995. 413 pp.

153. Skomorokhov A. O. Genetic algorithms: APL2 implementation and a real life application // APL Quote Quad. 1996. Vol. 26, no. 4. Pp. 97-106.J

154. Браунли К. А. Статистическая теория и методология в науке и технике: Пер. с англ. М.: Наука, 1977.

155. Эфрон Б. Нетрадиционные методы многомерного статистического анализа: Пер. с англ. М.: Финансы и статистика, 1988.

156. Скоморохов А. О., Лукьянов Д.А. Применение метода перекомпенсации для определения местоположения негерметичных сборок в реакторах на быстрых нейтронах // Известия вузов. Ядерная энергетика. 2007. № 2. С. 16-25.

157. Скоморохов А. О., Лукьянов Д. А. Методика локализации дефектных ТВС при проведении штатных перекомпенсаций в реакторе БН-600 // Известия вузов. Ядерная энергетика. 2007. Т. 3, № 1. С. 120—129.

158. Загоруйко Н.Г. Методы обнаружения закономерностей. М.: Знание, 1981. 62 с.

159. Лбов Г. С. Методы обработки разнотипных экспериментальных данных. Новосибирск: Наука, 1981. 160 с.

160. Skomorokhov А.О. A knowledge discovery method: APL implementation and application // APL Quote Quad. 2000. Vol. 30, no. 4. Pp. 204-211.

161. Невзоров Б.А. и др. Коррозия конструкционных материалов (в жидких щелочных металлах). М.: Атомиздат, 1977. 263 с.

162. Breiman L., Friedman J.H., Olshen R.A., Stone C.J. Classification and regression trees. Cole, Pacific Grove, California, USA: Wadsworth & Brooks, 1984. 358 pp.

163. Skomorokhov A., Kutinsky V. Classification trees in APL: implementation and application // APL Quote Quad. 2000. Vol. 31, no. 2. Pp. 101-113.

164. R Development Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2010. ISBN 3-900051-07-0. URL: http://www.R-project.org.

165. Skomorokhov A., Kutinsky V. Cooperative computing based on dyalog APL and the R statistical system // APL Quote Quad. 2003. Vol. 34, no. 1. Pp. 15-29.

166. Skomorokhov AO, Kutinsky VN, Slepov MT. Some modifications of the algorithm for construction of classification trees // Pattern Recognition» and Image Analysis. 2008. Vol. 18, no. 1. Pp. 132-138.

167. Duda R.O., Hart P.E. Pattern classification and scene analysis. 1973.

168. Скоморохов A.O., Лукьянов Д.А. «BAYES-бОО» — Байесовская диагностирующая система для определения зоны расположения негерметичной ТВС в реакторе БН-600 // Авторское свидетельство об официальной регистрации программ для ЭВМ 2006613917 от 15.11.2006.

169. Skomorokhov A. Ol, Lukyanov D. A. Bayes Diagnostic System to Locate the Defected Fuel Assembly Zone on BN-600 Reactor // BgNS Transactions. 2005. Vol. 10, no. 1. Pp. 305 310.

170. Заде JI.A. Основы нового подхода к анализу сложных систем и процессов принятия решений. М.: Знание, 1974. 49 с.

171. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976.

172. Skomorokhov Alexander О., Reinhardt К.-Н., Roche G., Tielemann M. Fuzzy control of technological processes in APL2 // APL Quote Quad. 1995. Vol. 25, no. 4. Pp. 179-184.

173. Скоморохов А. О. Нечеткие диагностирования отказов датчиков pi косвенного измерения технологических параметров АЭС // Сб. докл. международной конференции по мягким вычислениям и измерениям SCM'2004. Т. 1. СПб.: 2004.-Июнь. С. 189-193.

174. Скоморохов А. О., Белоусов П. А., Нахабов А. В. APL как математическая нотация и язык программирования для нечетких вычислений // Сб. докл. международной конференции по мягким вычислениям и измерениям SCM'2004. Т. 1. СПб.: 2004.-Июнь. С. 194-198.

175. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981.

176. Мельников Ю.Н. Достоверность информации в сложных системах. М.: Сов. радио, 1973.

177. Инженерная психология в военном деле / Под ред. Б.Ф.Ломова. М.: Воениздат, 1983.

178. Шапиро Д.И. Принятие решений в системах организационного управления: использование расплывчатых категорий. М.: Энергоатомиздат, 1983.

179. Хамби Э. Программирование таблиц решений. М.: Мир, 1976.206; ГОСТ 7512-82. Контроль неразрушающий. Соединения сварные. Радиографический метод (с Изменением Nfi 1). 2003.

180. Скоморохов А. О., Нахабов А. В., Белоусов П. А. Автоматизированный анализ результатов радиографического контроля сварных соеди- • нений на АЭС // Известия вузов. Ядерная энергетика. 2009. № 3. С. 29-36.

181. Никифоров В. Н. Последовательное обнаружение изменения свойств временных рядов. М.: Наука, 1983.

182. Загоруйко Н. Г. Методы распознавания и их применение. М.: Советское Радио, 1972. 208 с.

183. Сошникова Л. А., Тамашевич В. Н., Уебе Г., Шефер М. Многомерный статистический анализ в экономике / Под ред. В.Н.Тамашевич. М.: Юнити-Дана, 1999. 598 с.

184. Гайдышев И. Анализ и обработка данных: специальный справочник. СПб: Питер, 2001. 752 с.

185. Cristianiny N., Shawe-Taylor J. An Introduction to Support Vector Machines and other kernel-based learning methods. Cambridge University Press, 2000. 189 pp.

186. Burges C. J. C. A Tutorial on Support Vector Machines for Pattern Recognition // Data Mining and Knowledge Discovery. 1998. Vol. 2, no. 2. Pp. 121-167.

187. Skomorokhov A., Nakhabov A. Support Vector Machines in A+ // APL Quote Quad. 2006. Vol. 34, no. 4. Pp. 8-17.

188. Нахабов А. В., Скоморохов А. О. Акустическая диагностика кризиса теплообмена с применением алгоритмов SVM // Тез. докл. VIII Международной конференции „Безопасность АЭС и подготовка кадров — 2003". Обнинск: 2003.-Окт. С. 128-129.

189. Нахабов А. В., Скоморохов А. О. „SVMClass" — программа классификации результатов неразрушающего^ контроля оборудования АЭС на основе алгоритмов опорных векторов // Свидетельство о государственной регистрации программы для ЭВМ Ш 2008613243 от0707.2008.

190. Nakhabov А. V., Skomorokhov А. О. Development of Methods for Automated Result Analysis in Radiographic Testing // Тез. докл. X Международной конференции „Безопасность АЭС и подготовка кадров — 2007". Обнинск: 2007.-Окт. С. 90-91.

191. Бадалян В. Г., Вопилкин А. X. Мониторинг сварных соединений трубопроводов с использованием систем автоматизированного УЗК с когерентной обработкой данных //В мире неразрушающего контроля. 2004.-Декабрь. №4(26). С. 22-27.

192. Мокроусов А. С., Стрелков Б. П., Шершов А. В., Щедрин И. Ф. Новые технологии контроля целостности сварных соединений аусте-нитных трубопроводов // Годовой отчет ФГУП НИКИЭТ / Под ред. Е.О.Адамова. М., 2000. С. 168-169.

193. Мокроусов А. С., Стрелков Б. П., Шершов А. В., Щедрин И. Ф. Полуавтоматическая установка для ультразвукового контроля сварных соединений трубопроводов Ду 300 // Годовой отчет ФГУП НИКИЭТ / Под ред. Е.О.Адамова. М., 2000. С. 170-171.

194. Cohen R. A. An Introduction to PROC LOESS for Local Regression. SAS . Institute Inc., 2002. Pp. 9-17.

195. Скоморохов А. О., Белоусов П. А., Нахабов А. В. и др. Автоматическое выявление дефектов по результатам УЗК сварных соединений трубопроводов АЭС // Известия вузов. Ядерная энергетика. 2005. № 2. С. 16-25.

196. Скоморохов А. О., Белоусов П. А., Нахабов А. В. и др. Система автоматизированного анализа результатов ультразвукового контроля сварных соединений трубопроводов АЭС // Годовой отчет ФГУП НИКИ-ЭТ / Под ред. О.Е.Адамова. М., 2004. С. 154-155.

197. Skomorokhov А. О., Belousov P. A., Nakhabov А. V. Cluster Analysis of Ultrasonic Testing Data // Pattern Recognition and Image Analysis. 2006. Vol. 16, no. 1. Pp. 82-84.