A fault diagnosis method for small pressurized water reactors based on long short-term memory networks
A fault diagnosis method for small pressurized water reactors based on long short-term memory networks
复制标题
基于长短期记忆网络的小型压水堆故障诊断方法
DOI：
10.1016/j.energy.2021.122298
复制
发表时间：
2022-01
期刊：
影响因子：
9
通讯作者：
Shifa Wu
中科院分区：
文献类型：
--
作者：
Pengfei Wang;Jiaxuan Zha;Jiashuang Wan;Shifa Wu
提出了一种小型压水堆(SPWR)传感器和执行器的故障诊断方法，利用长短期记忆(LSTM)网络建立了一种标记故障字典来映射复杂的故障模式。它可以直接从多变量时间序列数据中学习特征，并通过LSTM的循环行为和门机制捕捉长期依赖关系，实现SPWR的端到端故障诊断。在SPWR故障数据集上的实验结果表明，该方法能够有效地从原始时间序列信号中诊断传感器和执行器故障的位置、类型和程度，平均准确率为92.06%，优于其他三种广泛使用的故障诊断方法。此外，在注入不同噪声信号的SPWR故障数据集上的诊断结果表明，所建立的LSTM网络具有较强的抗噪能力。因此，该方法有望在SPWR的实际运行环境中获得令人满意的故障诊断性能。
This paper proposes a sensor and actuator fault diagnosis method for small pressurized water reactors (SPWRs), with an innovative labeled fault dictionary established to map complex fault modes, using long short-term memory (LSTM) networks. It can directly learn features from multivariable time-series data and capture long-term dependencies through the cyclic behavior and gate mechanism of LSTM to realize the end-to-end fault diagnosis of SPWRs. Experimental results on a SPWR fault dataset show that the method can effectively diagnose the location, type, and extent of sensor and actuator faults from raw time-series signals with an average accuracy of 92.06% and outperforms three other widely-used fault diagnosis methods. Furthermore, the diagnosis results on the SPWR fault dataset injected with different noise signals demonstrate the strong noise immunity capability of the established LSTM network. Therefore, the proposed method is expected to achieve satisfactory fault diagnosis performances in actual operating environments of SPWRs.
登录
查看更多内容
基于部分可解释卷积神经网络的燃气轮机故障诊断
影响因子：
9
作者：
Dengji Zhou;Qinbo Yao;Hang Wu;Shixi Ma;Huisheng Zhang
通讯作者：
Huisheng Zhang
影响因子：
9
作者：
J. Park;In Seop Lim;E. Choi;M. S. Kim
通讯作者：
J. Park;In Seop Lim;E. Choi;M. S. Kim
影响因子：
9
作者：
Liu, Xiaolei;Lin, Zi;Feng, Ziming
通讯作者：
Feng, Ziming
深度卷积迁移学习网络：一种无标签数据机器智能故障诊断新方法
影响因子：
7.7
作者：
Guo, Liang;Lei, Yaguo;Li, Naipeng
通讯作者：
Li, Naipeng
影响因子：
2.7
作者：
A. Gofuku
通讯作者：
A. Gofuku