論文の概要: Research on fault diagnosis of nuclear power first-second circuit based on hierarchical multi-granularity classification network
- arxiv url: http://arxiv.org/abs/2411.07453v1
- Date: Tue, 12 Nov 2024 00:38:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-13 13:20:14.612145
- Title: Research on fault diagnosis of nuclear power first-second circuit based on hierarchical multi-granularity classification network
- Title（参考訳）: 階層型多重粒度分類ネットワークに基づく原子力第1秒回路の故障診断に関する研究
- Authors: Jiangwen Chen, Siwei Li, Guo Jiang, Cheng Dongzhen, Lin Hua, Wang Wei,
- Abstract要約: 本稿では、AP1000のフルスケールシミュレータを用いて、原子力ユニットにおける重要なシステムの重要な機械的コンポーネントの故障をシミュレートする。
EfficientNet大モデルに基づく階層型多重粒度分類故障診断モデルを提案する。
その結果, 提案した故障診断モデルは, 原子力ユニットの異なる回路およびシステム構成部品の故障を階層的分類に効果的に分類できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.14183971140167245
- License:
- Abstract: The safe and reliable operation of complex electromechanical systems in nuclear power plants is crucial for the safe production of nuclear power plants and their nuclear power unit. Therefore, accurate and timely fault diagnosis of nuclear power systems is of great significance for ensuring the safe and reliable operation of nuclear power plants. The existing fault diagnosis methods mainly target a single device or subsystem, making it difficult to analyze the inherent connections and mutual effects between different types of faults at the entire unit level. This article uses the AP1000 full-scale simulator to simulate the important mechanical component failures of some key systems in the primary and secondary circuits of nuclear power units, and constructs a fault dataset. Meanwhile, a hierarchical multi granularity classification fault diagnosis model based on the EfficientNet large model is proposed, aiming to achieve hierarchical classification of nuclear power faults. The results indicate that the proposed fault diagnosis model can effectively classify faults in different circuits and system components of nuclear power units into hierarchical categories. However, the fault dataset in this study was obtained from a simulator, which may introduce additional information due to parameter redundancy, thereby affecting the diagnostic performance of the model.
- Abstract（参考訳）: 原子力プラントにおける複雑な電気機械システムの安全かつ信頼性の高い運用は、原子力発電所とその原子力ユニットの安全生産に不可欠である。
そのため、原子力プラントの安全かつ信頼性の高い運転を確保する上で、原子力システムの正確かつタイムリーな故障診断が重要である。
既存の故障診断法は主に1つのデバイスまたはサブシステムをターゲットにしており、ユニットレベルで異なる種類の障害間の固有の接続と相互効果を分析することは困難である。
本稿では,AP1000のフルスケールシミュレータを用いて,原子力ユニットの一次回路および二次回路におけるキーシステムの重要な機械的部品故障をシミュレートし,故障データセットを構築する。
一方、高効率ネット大モデルに基づく階層的多粒度分類故障診断モデルを提案し、原子力断層の階層的分類を実現することを目的とする。
その結果, 提案した故障診断モデルは, 原子力ユニットの異なる回路およびシステム構成部品の故障を階層的分類に効果的に分類できることが示唆された。
しかし,パラメータ冗長性による追加情報を導入し,モデルの診断性能に影響を及ぼすシミュレータから,本研究の故障データセットを得た。
関連論文リスト
- Real-time and Downtime-tolerant Fault Diagnosis for Railway Turnout Machines (RTMs) Empowered with Cloud-Edge Pipeline Parallelism [9.544236630555627]
RTMのリアルタイム・ダウンタイム耐故障診断を可能にするために,エッジクラウド協調早期警戒システムを提案する。
中国江蘇省南京大都市圏が収集した実世界のデータセットでは,アンサンブルに基づく断層診断モデルにより97.4%の精度が得られた。
論文 参考訳（メタデータ） (2024-11-04T13:49:06Z) - Integrating LLMs for Explainable Fault Diagnosis in Complex Systems [0.0]
本稿では,原子力プラントなどの複雑なシステムにおける故障診断の説明可能性を高めるための統合システムを提案する。
物理に基づく診断ツールとLarge Language Modelを組み合わせることで、障害を識別するだけでなく、その原因と意味を明確かつ理解可能な説明を提供する新しいソリューションを提供する。
論文 参考訳（メタデータ） (2024-02-08T22:11:21Z) - A Micro Architectural Events Aware Real-Time Embedded System Fault Injector [0.12187048691454236]
本稿では,マイクロアーキテクチャイベントの監視,集約,検査を容易にする新しい故障インジェクタを提案する。
この手法はメモリシステム内のビットフリップを目標とし、CPUレジスタとRAMに影響を与える。
これらの断層注入の結果、ソフトエラーの影響を徹底的に解析し、同定された断層とSACRESが要求する本質的なタイミング予測可能性との間に堅牢な相関関係を確立することができる。
論文 参考訳（メタデータ） (2024-01-16T14:41:20Z) - An Empirical Study on Fault Detection and Root Cause Analysis of Indium Tin Oxide Electrodes by Processing S-parameter Patterns [1.8843687952462742]
酸化インジウム(ITO)電極は、ディスプレイ、センサー、太陽電池などの光エレクトロニクスにおいて重要な役割を担っている。
従来の視覚検査は透明ITO電極では困難である。
次に、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、トランスフォーマーなどのディープラーニングアプローチを使用して、欠陥の原因と重症度を同時に解析する。
論文 参考訳（メタデータ） (2023-08-16T08:33:50Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳（メタデータ） (2023-08-06T05:58:45Z) - Learning From High-Dimensional Cyber-Physical Data Streams for
Diagnosing Faults in Smart Grids [4.616703548353371]
サイバー物理電力システムにおける故障診断は、データ品質に影響される。
これらのシステムは、過剰な計算コストでシステムを過大評価する大量のデータを生成する。
本稿では,機能工学が上記の課題を緩和する効果について述べる。
論文 参考訳（メタデータ） (2023-03-15T01:21:50Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。
このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文 参考訳（メタデータ） (2022-08-30T20:16:17Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。
モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。
提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
論文 参考訳（メタデータ） (2021-10-17T13:42:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。