基于PoF与数据驱动融合算法的核电仪控卡件剩余寿命预测方法研究

TL364.5; 作为核电厂的神经中枢,仪表控制系统的稳定性与可靠性是保证核电厂安全运行的关键.对核电仪控系统卡件进行剩余寿命预测可降低直接更换带来的维护、购置费用,可减少关键设备的损坏风险,是提高系统可靠性的重要手段.数据驱动和故障物理(PoF)是剩余寿命预测领域的两种主要方法,然而这两种方法都存在着一定的局限性,且现有融合算法难以对应力多样、结构复杂的核电产品实现准确的剩余寿命预测.针对以上问题,本文提出了一套基于PoF与数据驱动融合算法的核电产品剩余寿命预测方法,该方法采用广义阿伦尼斯模型进行PoF建模,利用维纳过程进行退化过程建模并生成退化数据,基于长短期记忆(LSTM)神经网络实现P...

Full description

Saved in:
Bibliographic Details
Published in原子能科学技术 Vol. 57; no. z1; pp. 148 - 156
Main Authors 周田蜜, 周宇, 马一鸣, 秦凤, 颜凯, 蓝剑
Format Journal Article
LanguageChinese
Published 中核武汉核电运行技术股份有限公司,湖北武汉 430223%秦山核电有限公司,浙江嘉兴 314300 20.07.2023
Subjects
维纳过程
数据驱动
长短期记忆网络
data-driven
physics of failure
故障物理
Wiener process
剩余寿命预测
remaining life predict
long short-term memory
Online AccessGet full text
ISSN1000-6931
DOI10.7538/yzk.2023.youxian.0135

Cover

More Information
Summary:TL364.5; 作为核电厂的神经中枢,仪表控制系统的稳定性与可靠性是保证核电厂安全运行的关键.对核电仪控系统卡件进行剩余寿命预测可降低直接更换带来的维护、购置费用,可减少关键设备的损坏风险,是提高系统可靠性的重要手段.数据驱动和故障物理(PoF)是剩余寿命预测领域的两种主要方法,然而这两种方法都存在着一定的局限性,且现有融合算法难以对应力多样、结构复杂的核电产品实现准确的剩余寿命预测.针对以上问题,本文提出了一套基于PoF与数据驱动融合算法的核电产品剩余寿命预测方法,该方法采用广义阿伦尼斯模型进行PoF建模,利用维纳过程进行退化过程建模并生成退化数据,基于长短期记忆(LSTM)神经网络实现PoF数据与数据驱动方法的有效融合.依据所提方法完成了某核电站仪表控制系统DC-DC卡件的剩余使用寿命预测,通过不同算法的比较,验证了本文所提方法的有效性与准确性.研究结果可用于指导核电站仪控设备的预防性维修,也为设备可靠性管理提供了参考和方向.
ISSN:1000-6931
DOI:10.7538/yzk.2023.youxian.0135