Известия вузов. Ядерная энергетика

Рецензируемый научно-технический журнал. ISSN: 0204-3327

Обнаружение аномалий в работе реакторного оборудования с помощью нейросетевых алгоритмов

16.09.2020 2020 - №03 Моделирование процессов в объектах ядерной энергетики

Е.Л. Трыков И.В. Трыкова К.И. Коцоев

DOI: https://doi.org/10.26583/npe.2020.3.14

УДК: 621.039

Проблема обнаружения аномалий алгоритмами, основанными на методах машинного обучения и, в частности, на нейросетевых методах, в последнее время очень актуальна во многих отраслях промышленности, в том числе и в атомной энергетике.

Поэтому крайне актуальным становится внедрение предиктивных аналитических систем в целях углубленной обработки данных технологического контроля для раннего обнаружения неисправностей оборудования, а также для анализа его ресурсных характеристик.

Основной задачей предиктивной аналитики является построение и оптимизация цифровой модели для поиска аномалий в работе оборудования, определение временного интервала безаварийной работы оборудования и корректировка объема технического обслуживания и ремонта. Предлагается алгоритм обнаружения аномалий в работе оборудования, основанный на использовании нейронных сетей. Эффективность разработанного алгоритма демонстрируется на примере работы четырех ГЦН блока № 6 Нововоронежской АЭС.

Разработанный алгоритм демонстрирует высокую чувствительность к изменению режимов работы ГЦН и позволяет следить за их работой как в онлайн-, так и в офлайн-режимах. Реализация разработанной методики возможна в рамках системы комплексной диагностики (СКД), поставляемой АО «НТЦ Диапром» на различные АЭС.

Ссылки

  1. Предиктивная аналитика и диагностика АЭС. Библиотека технической диагностики атомных электростанций. / Под ред. В. И. Павелко. – Москва: АО «НТЦД», 2019. – 69 с.
  2. Kingma D.P., Welling M. Auto-Encoding Variational Bayes. // arXiv preprint. – 2014, arXiv:1312.6114v10. – 14 p.
  3. Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press. – 2016. – 787 p.
  4. Yao K., Cohn T., Vylomova K., Duh K., Dyer C. Depth-Gated LSTM. // arXiv preprint. – 2015, arXiv:1508.03790v4. – 6 p.
  5. Hochreiter S., Schmidhuber J. Long Short-Term Memory. // Neural Computation. – 1997. – Vol. 9, pp. 1735-1780; DOI: 10.1162/neco.1997.9.8.1735 .
  6. Graves A., Schmidhuber J. Framewise Phoneme Classification with Bidirectional LSTM and Other Neural Network Architectures. // Neural networks. – 2005. – Vol. 18. – PP. 602-610; DOI: 10.1016/j.neunet.2005.06.042 .
  7. Luong M., Pham H., Manning C. Effective approaches to attention-based neural machine translation. // arXiv preprint. – 2015, arXiv:1508.04025. – 11 p.
  8. Bahdanau D., Cho K. Bengio Y Neural machine translation by jointly learning to align and translate. // arXiv preprint. - 2014, arXiv:1508.04025v7. - 15 p.
  9. Pereira J., Silveira M. Unsupervised anomaly detection in energy time series data using variational recurrent autoencoders with attention. – 2018 XVII-th IEEE International Conference on Machine Learning and Applications (ICMLA). – 2018. – 8 p. DOI: 10.1109/ ICMLA.2018.00207 .
  10. Bahuleyan H., Mou L., Vechtomova O., Poupart P. Variational attention for sequence-to-sequence models. // arXiv preprint. – 2018, arXiv:1712.08207v3. – 11 p.
  11. Полыковский Д.А. Attention Mechanisms in Neural Networks. Final qualifying work. – М.: МГУ им. М.В.Ломоносова, 2017. – 22 c.
  12. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser L. Attention is all you need. // arXiv preprint. – 2017, arXiv:1706.03762v5. – 11 p.
  13. Luong M. Neural machine translation. – Thesis PHD. December 2016. - 156 p.
  14. Pereira J. Unsupervised Anomaly Detection in Time Series Data using Deep Learning. / Thesis to obtain the Master of Science Degree in Electrical and Computer Engineering. – 2018. – Tecnico Lisboa. – 67 p.
  15. Rumelhar, D.E. Hinton G.E., Williams R.J. Learning Representations by Backpropagating Errors. // Nature. – 1986. – Vol. 323. – PP. 533-536; DOI: 10.1038/323533a0 .
  16. An J., Cho S. Variational Autoencoder based Anomaly Detection using Reconstruction Probability. // arXiv preprint. –2015, arXiv:1802.03903v1. – 12 p.
  17. Zhang C., Chen Y. Time Series Anomaly Detection with Variational Autoencoders. // arXiv preprint. – 2019, arXiv:1907.01702v1. – 7 p.
  18. Mujica L.E., Rodellar J., Fernandez A., Guemes A. Q-statistic and T2-statistic PCA-based measures for damage assessment in structures. // Structural Health Monitoring. – 2010. – Vol. 10. – No. 5. – PP. 539-553.
  19. Jackson J., Mudholkar S. Control Procedures for Residuals Associated With Principal Component Analysis. // Technometrics. – 1979. – Vol. 21. – No. 3. – PP. 341-349.
  20. Runger G. Alt, F., Montgomery D. Contributors to a Multivariate Statistical Process Control Chart Signal. // Communications in Statistics. Theory and Methods. – 1996. Vol. 25. – Iss. 10. – PP. 2203-2213.

нейронные сети временные ряды аномалии работы реакторного оборудования система технической диагностики оборудования АЭС

Ссылка для цитирования статьи: Трыков Е.Л., Трыкова И.В., Коцоев К.И. Обнаружение аномалий в работе реакторного оборудования с помощью нейросетевых алгоритмов. // Известия вузов. Ядерная энергетика. – 2020. – № 3. – С. 136-147. DOI: https://doi.org/10.26583/npe.2020.3.14 .

Открыть PDF файл