|

Разработка алгоритма определения неисправности измерительных каналов системы акустического контроля течей

Авторы: Коцоев К.И., Трыков Е.Л., Кудряев А.А., Перевезенцев В.В. Опубликовано: 11.09.2021
Опубликовано в выпуске: #3(136)/2021  
DOI: 10.18698/0236-3933-2021-3-100-112

 
Раздел: Приборостроение, метрология и информационно-измерительные приборы и системы | Рубрика: Акустика  
Ключевые слова: система акустического контроля течи, акустические датчики, диагностика, нейронная сеть, классификация

В настоящий момент на российских и зарубежных АЭС эксплуатируются системы контроля течи теплоносителя первого контура на основе измерения дисперсии генерируемых акустических сигналов (акустических волн), распространяющихся по поверхности металла. В системах акустического контроля течи предусмотрена самодиагностика измерительных каналов, а также применен адаптивный алгоритм, позволяющий автоматически перестроиться на использование соседних измерительных каналов взамен вышедших из строя. Вместе с тем возможны такие неисправности технических средств системы, которые не позволяют автоматически диагностировать неисправность измерительных каналов, что может привести к невыполнению функции системы по определению величины и координаты течи теплоносителя первого контура. В связи с этим актуальна задача разработки алгоритмов определения неисправности измерительных каналов системы акустического контроля течи, реализуемых с применением программного обеспечения без внесения изменений в технические средства системы. Предложен алгоритм определения неисправности измерительных каналов системы акустического контроля течи с использованием тестового сигнала увеличенной длительности. Проведен анализ применимости алгоритма на представительской выборке сигналов измерительных каналов системы акустического контроля течи энергоблока № 1 Нововоронежской АЭС-2 кампании 2018--2019 гг. Предложенный алгоритм внедрен там же в режиме опробования с началом новой кампании в июле 2019 года

Литература

[1] Аркадов Г.В., Павелко В.И., Финкель Б.М. Системы диагностирования ВВЭР. М., Энергоатомиздат, 2010.

[2] Швецов Д.М., Трыков Е.Л., Лескин С.Т. и др. Анализ акустических сигналов течи для повышения чувствительности контроля за счет создания эффективных диагностических признаков. Известия высших учебных заведений. Ядерная энергетика, 2018, № 1, c. 112--121. DOI: https://doi.org/10.26583/NPE.2018.1.11

[3] Кацер Ю.Д., Козицин В.О., Максимов И.В. Методы обнаружения неисправностей оборудования АЭС. Известия высших учебных заведений. Ядерная энергетика, 2019, № 4, c. 5--27. DOI: https://doi.org/10.26583/npe.2019.4.01

[4] Трыков Е.Л., Трыкова И.В., Коцоев К.И. Обнаружение аномалий в работе реакторного оборудования с помощью нейросетевых алгоритмов. Известия высших учебных заведений. Ядерная энергетика, 2020, № 3, c. 136--147. DOI: https://doi.org/10.26583/npe.2020.3.14

[5] Лескин С.Т. Разработка алгоритмов распознавания аномалий в состоянии оборудования АЭС по анализу данных оперативного технологического контроля. Известия высших учебных заведений. Ядерная энергетика, 1997, № 4, c. 4--12.

[6] Chiang L.H., Russell E.L., Braatz R.D. Fault detection and diagnosis in industrial systems. London, Springer Verlag, 2001.

[7] Muller A.C., Guido С.S. Introduction to machine learning with Python. OʼReilly Media, 2016.

[8] Michie D., Spiegelhalter D.J., Taylor C.C. Machine learning, neural and statistical classification. Overseas Press, 2009.

[9] Cai B., Huang L., Xie M. Bayesian networks in fault diagnosis. IEEE Trans. Industr. Inform., 2017, vol. 13, no. 5, pp. 2227--2240. DOI: https://doi.org/10.1109/TII.2017.2695583

[10] Буянкин В.М., Захаров В.Г. Прогнозирование неисправностей электропривода с использованием нечеткой нейронной сети. Вестник МАДИ, 2009, № 4, c. 22--25.

[11] Ardakani M.H., Shokry A., Escudero G., et al. Unsupervised automatic updating of classification models of fault diagnosis for novelty detection. Comput. Aided Chem. Eng., 2018, vol. 43, pp. 1123--1128. DOI: https://doi.org/10.1016/B978-0-444-64235-6.50196-0

[12] Вэн Райзин Дж., ред. Классификация и кластер. М., Мир, 1980.

[13] Nilsson N.J. Introduction to machine learning. Stanford University, 1998.

[14] Гайер А.В., Шешкус А.В., Чернышова Ю.С. Машинное обучение. Аугментация обучающей выборки "на лету" для обучения нейронных сетей. Труды Института системного анализа РАН, 2018, т. 68, № S1, с. 150--157. DOI: https://doi.org/10.14357/20790279180517

[15] Chiang L.H., Russell E.L., Braatz R.D. Fault detection and diagnosis in industrial systems. London, Springer Verlag, 2000.