Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Многомерные статистические методы диагностики аномальных состояний ЯЭУ

Диссертация: Многомерные статистические методы диагностики аномальных состояний ЯЭУ
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

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… Читать ещё >

Содержание

  • 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

Многомерные статистические методы диагностики аномальных состояний ЯЭУ (реферат, курсовая, диплом, контрольная)

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, 2003 г., 2005 г., 2007 г.), 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 -10 ?$ {?0 2(4О 3"1О 4(1О 50 <>?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 методовпоиска информативных диагностических признаков, выявления скрытых закономерностей, особенностей и структуры даи-пых, построения алгоритмов дляпредсказания 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 °C. 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 анализаи 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.

Показать весь текст

Список литературы

  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. В.А., Молина Т. О. Интеллектуальные технологии в системах диагностики АЭС // Искусственный интеллект. 2004. № 3. С. 274−278.
  5. 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. 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. 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. 32 063.
  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/10.1080/3 081 070 008 960 931.
  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. 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. 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. 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. С. Т., Жидков С. В. Представление состояния активной зоны ВВЭР-1000 минимальным связным графом // Известия вузов. Ядерная энергетика. 1997. № 3. С. 9−13.
  42. 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. 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. 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. 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. 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. 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. 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. 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., Turkcan 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., Kastner 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. 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. 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. 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. А. С., Филинов М. В. К вопросу об автоматизации анализа изображений аппаратно-программными комплексами цифровой радиографии // Контроль. Диагностика. 2008. № 9. С. 6−15.99,100,101.102 103 104 105,106107108109110111112
  80. 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. 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. А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника, 1971. 372 с.
  85. Й. Нелинейное оценивание параметров. М.: Статистика, 1979. 349 с.
  86. В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 447 с.
  87. 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. В.И. Теория планирования эксперимента. М.: Радио и связь, 1983. 234 с.
  90. Д. Анализ процессов статистическими методами. М.: Мир, 1973. 957 с.
  91. И.А. Техническая диагностика. М.: Машиностроение, 1978. 239 с.
  92. В.Е. Кризисы теплообмена при кипении воды в трубах. М.: Энергоатомиздат, 1983. 119 с.
  93. 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. Дж. Анализ результатов наблюдений. Разведочный анализ. М.: Мир, 1981. 696 с. Пер. с англ.
  99. А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наукова думка, 1982. 296 с.
  100. К. V., Kent J. Т., Bibby J. М. Multivariate Analysis. Academic Press, 1979. 521 pp.
  101. H. А., Емельянов И. Я. Канальный ядерный энергетический реактор. М.: Атомиздат, 1980. 208 с.
  102. А. Л., Скрипкин В. А. Построение систем распознавания. М.: Советское радио, 1974. 224 с.
  103. Т.Г., и др. Методы повышения достоверности информации в системе &bdquo-Скала " // Автоматизация атомных электростанций. 1975. Т. 42. С. 44−57.
  104. П. П., Сагомонян Е. С. Основы технической диагностики. М.: Энергия, 1981. 319 с.
  105. 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. 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. Э. JI. Контроль производства с помощью вычислительных машин. М.: Энергия, 1975. 416 с.
  109. 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. А. М. Контроль паросодержания в пароводяных коммуникациях реактора по показаниям системы KFO // Атомные энергетические станции. 1981. № 4. С. 60−69.
  112. М., Вулф Д. Непараметрические методы статистики. М.: Финансы и статистика, 1983. 518 с.
  113. К. Введение в статистическую теорию распознавания образов. М.: Наука, 1979. 307 с.
  114. Л.Г. Классификация объектов средствами дискрими-нантного анализа. М.: Наука, 1979. 260 с.
  115. 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. А. И., Скоморохов А. О., Швецов Д. М., и др. Способ определения истинного объемного паросождения теплоносителя’ядерного реактора. Авторское’свидетельство 701 364. 1978.
  118. В.Н., Червоненкис А. Я. Теория распознавания образов. Mi: Наука, 1974. 415 с.
  119. В., Оделл П. Кластерный анализ / Под, ред. А. Я. Боярского. М.: Статистика, 1977. 125 с.
  120. В.М. Модель ядерной энергетической установки для изучения динамических характеристик // Атомная энергия. 1969. Т. 27, № 1. С. 101−111.
  121. 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. К. Введение в.статистическую теорию распознавания образов. М: Наука, 1979. 307 с.
  123. 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. Г. В., Павелко В. И., Усанов А. И. Виброшумовая диагностика ВВЭР. М.: Энергоатомиздат, 2004. С. 344.
  127. Г. В., Павелко В. И., Финкель Б. М. Системы диагностирования ВВЭР. М.: Энергоатомиздат, 2010. 391 с.
  128. С.А., Скоморохов А. О., Слепов М. Т. Автоматизация процедуры выделения пиков в вибрационных спектрах // Препринт ФЭИ-2759. 1999. С. 1−16.
  129. 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. А. О., Слепов M. Т. Контроль достоверности информации в системе' вибродиагностики Нововоронежской АЭС // Известия ВУЗов. Ядерная энергетика. 1999. № 1. С. 56−65.
  132. А.О. Модели теории распознавания образовав диагностировании АЭС. Конспект лекций. Обнинск: ИАТЭ, 1988. 80 с.
  133. А. О., Кутинский В. Н. «ВиброЭксперт» программа анализа спектров сигналов системы вибрационного мониторинга Нововоронежской АЭС // Свидетельство о государственной регистрации программы для ЭВМ № 2 006 613 768 от 14.08.2006.
  134. С.П. Аварии и инциденты на атомных электростанциях. Обнинск: ОИАТЭ, 1992.
  135. 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. 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. 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. 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 3−900 051−07−0. URL: http://www.R-project.org.
  144. 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. 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. К. А. Статистическая теория и методология в науке и технике: Пер. с англ. М.: Наука, 1977.
  155. . Нетрадиционные методы многомерного статистического анализа: Пер. с англ. М.: Финансы и статистика, 1988.
  156. 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. 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. Н.Г. Методы обнаружения закономерностей. М.: Знание, 1981. 62 с.
  159. 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. .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 3−900 051−07−0. 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. 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 2 006 613 917 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. JI.A. Основы нового подхода к анализу сложных систем и процессов принятия решений. М.: Знание, 1974. 49 с.
  171. 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. 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. 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. С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981.
  176. 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. Д.И. Принятие решений в системах организационного управления: использование расплывчатых категорий. М.: Энергоатомиздат, 1983.
  179. Э. Программирование таблиц решений. М.: Мир, 1976.206- ГОСТ 7512–82. Контроль неразрушающий. Соединения сварные. Радиографический метод (с Изменением Nfi 1). 2003.
  180. 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. В. Н. Последовательное обнаружение изменения свойств временных рядов. М.: Наука, 1983.
  182. Н. Г. Методы распознавания и их применение. М.: Советское Радио, 1972. 208 с.
  183. 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. 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. А. В., Скоморохов А. О. Акустическая диагностика кризиса теплообмена с применением алгоритмов SVM // Тез. докл. VIII Международной конференции &bdquo-Безопасность АЭС и подготовка кадров — 2003″. Обнинск: 2003.-Окт. С. 128−129.
  189. 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 2 008 613 243 от0707.2008.
  190. А. V., Skomorokhov А. О. Development of Methods for Automated Result Analysis in Radiographic Testing // Тез. докл. X Международной конференции &bdquo-Безопасность АЭС и подготовка кадров — 2007″. Обнинск: 2007.-Окт. С. 90−91.
  191. 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. 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. 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. 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. 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. 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.
Заполнить форму текущей работой

На отлично!