Применение свёрточной нейронной сети для сегментации сигналов электроприводной арматуры

15.06.2021 2021 - №02 Моделирование процессов в объектах ядерной энергетики

К.И. Коцоев Е.Л. Трыков И.В. Трыкова

https://doi.org/10.26583/npe.2021.2.14

Одним из самых многочисленных классов оборудования на АЭС является электроприводная арматура (ЭПА). Важной проблемой диагностирования ЭПА является оперативный (он-лайн) автоматизированный контроль её технического состояния при работе энергоблока на мощности.

В связи с этим актуальной является задача диагностирования ЭПА по сигналам тока и напряжения, потребляемых в процессе выполнения операций «открытие» и «закрытие» ЭПА. Сигналы тока и напряжения представляют собой временные ряды, измеренные через равные промежутки времени. Сигналы тока (и напряжения) могут быть получены в режиме он-лайн и содержат всю необходимую информацию для оперативной диагностики состояния ЭПА.

Суть подхода состоит в том, чтобы по сигналам тока и напряжения рассчитать сигналы активной мощности, далее из определенных участков (сегментов) сигналов активной мощности извлечь характеристики («диагностические признаки»), по значениям которых диагностировать ЭПА.

Статья посвящена проблеме автоматизации сегментирования сигналов активной мощности. Для этого был разработан алгоритм, основанный на использовании свёрточной нейронной сети.

Ссылки

1. Abonyi J., Szeifert F., Babuska R. Modified Gath-Geva Fuzzy Clustering for Identification of Takagi-Sugeno Fuzzy Models. // IEEE Systems, Man and Cybernetics, Part B. – 2002. – PP. 612-621.
2. Матвеев А.В., Жидков С.В., Адаменков А.К., Галивец Е.Ю., Усанов Д.А. Комплексный подход к диагностированию электроприводной арматуры применительно к задачам управления ресурсом. // Арматуростроение – 2009. – № 2 (59). – С. 53-59.
3. МТ 1.2.3.02.999.0085-2010. Методика «Диагностирование трубопроводной электроприводной арматуры». – М.: Росэнергоатом, 2010. – 239 с.
4. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. // arXiv:1505.04597v1 [cs.CV]. – 18 May 2015. – 8 p.
5. Long J., Shelhamer E., Darrell T. Fully Convolutional Networks for Semantic Segmentation. // arXiv:1411.4038v2 [cs.CV]. – 8 Mar 2015. – 10 p.
6. Xiaoya Li. Dice Loss for Data-imbalanced NLP Tasks. // arXiv:1911.02855v3 [cs.CL]. –29 Aug 2020. – 12 p.
7. Sorensen Th. A Method of Establishing Groups of Equal Amplitude in Plant Sociology Based on Similarity of Species Content and its Application to Analyses of the Vegetation on Danish Cc of the Vegetation on Danish Commons. // Biologiske Skrifter. – 1948. – Bind
8. – PP. 1-34.
9. Milletari F. V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. // arXiv:1606.04797v1 [cs.CV]. – 15 Jun 2016. – 11 p.
10. Drozdzal M., Vorontsov E., Chartrand G., Kadoury S., Pal Ch. The Importance of Skip Connections in Biomedical Image Segmentation. // arXiv:1608.04117v2 [cs.CV]. – 22 Sep 2016. – 9 p.
11. Kingma D.P., Ba J. Adam: A Method for Stochastic Optimization. //arXiv:1412.6980v9 [cs.LG]. 30 Jan 2017. – 15 p.

свёрточная нейронная сеть сегментация временных рядов электроприводная арматура автоматизированная система

Ссылка для цитирования статьи: Коцоев К.И., Трыков Е.Л., Трыкова И.В. Применение свёрточной нейронной сети для сегментации сигналов электроприводной арматуры. // Известия вузов. Ядерная энергетика. – 2021. – № 2. – С. 158-167. DOI: https://doi.org/10.26583/npe.2021.2.14 .