CN113191425A - 一种泄漏点数据模型的建立方法、漏点识别方法、识别装置 - Google Patents
一种泄漏点数据模型的建立方法、漏点识别方法、识别装置 Download PDFInfo
- Publication number
- CN113191425A CN113191425A CN202110465944.6A CN202110465944A CN113191425A CN 113191425 A CN113191425 A CN 113191425A CN 202110465944 A CN202110465944 A CN 202110465944A CN 113191425 A CN113191425 A CN 113191425A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- information
- storing
- leakage point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013499 data model Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000001052 transient effect Effects 0.000 abstract description 6
- 239000002826 coolant Substances 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000002198 surface plasmon resonance spectroscopy Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010202 multivariate logistic regression analysis Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种泄漏点数据模型的建立方法、漏点识别方法、识别装置，方法包括：获取系统管道在破口时的运行参数，并记录破口位置，将运行参数、破口位置信息和数据关系描述存储为运行样本数据；将多个运行样本数据转化为形成能够用于神经网络或深度网训练的数据集合；去除时间序列的尾数据及数据关系描述列并保存为第一参考数据，去除时间序列的首数据及数据关系描述列并保存为第二参考数据，差值法进行矩阵运算并将数据保存，获取间隔为第一预设时间内的数据变化信息，并根据关系描述信息进行矩阵列拼接，形成分布式数据集。本发明提供的RCS运行瞬态发生LOCA事件泄漏点识别方法可以快速对不同功率台阶数据进行分析，准确识别破口位置。
Description
技术领域
本发明涉及非能动核电厂反应堆冷却剂系统(RCS)的状态监测和故障诊断技术领域，更具体地说，特别涉及泄漏点数据模型的建立方法、漏点识别方法、识别装置。
背景技术
非能动系列核电站反应堆堆冷却剂系统(RCS),由反应堆和两条环路组成。采用了紧凑型的布局。RCS包含两个传热环路，每个环路有1台蒸汽发生器，2台主泵，用于在反应堆和蒸汽发生器间循环反应堆冷却剂的1条热段和2条冷段管道。此外，系统还包括1台稳压器、连接管段及运行控制和保护动作所需的阀门和仪表。所有系统设备均位于反应堆安全壳内。其主要功能包含使冷却剂循环流动，将堆芯中核裂变产生的热量通过争气发生器传输给二回路，同时冷却堆芯，防止燃料棒烧毁或损坏等。RCS系统的完整性对于整个核电站安全有关、纵深防御、非安全有关和其它与取证相关的功能有着至关重要的影响。及早识别RCS冷却剂丧失事故(LOCA)中的具体破口位置对于核电站安全运行具有重要的意义。
发明内容
本发明的第一目的在于提供一种泄漏点数据模型的建立方法，通过数据处理对运行状态特征数据进行提取及格式转换，将运行参数数据转化为机器学习算法可以预测评估的模型数据。
本发明的第二目的在于提供一种根据上述数据模型的漏点识别方法；
本发明的第三目的在于提供一种根据上述数据模型的识别装置。
为了达到上述目的，本发明采用的技术方案如下：
一种泄漏点数据模型的建立方法，包括：
S1、获取系统管道在破口时的运行参数，并记录破口位置，将运行参数、破口位置信息和数据关系描述存储为运行样本数据；
S2、将多个运行样本数据转化为形成能够用于神经网络或深度网训练的数据集合；
S3、去除时间序列的尾数据及数据关系描述列并保存为第一参考数据，去除时间序列的首数据及数据关系描述列并保存为第二参考数据，差值法进行矩阵运算并将数据保存，获取间隔为第一预设时间内的数据变化信息，并根据关系描述信息进行矩阵列拼接，形成分布式数据集；
S4、构建随机森林、机器学习算法和/或决策树算法库对象；
S5、对算法与分布式数据集进行验证，验证合格后进行模型部署。
可选地，运行参数包含时间、位置、压力、温度、流量、功率参数及对应关系。
可选地，所述步骤S2具体包括：
S201、访问运行样本数据存放路径，对运行样本数据进行解析；
S202、对运行样本数据进行全目录检索，获取路径下所有运行文件状态描述信息；S23、对文件结构完整性进行检验，检测数据完整情况，若不完整，输出问题描述后停止；
S203、获取运行样本数据的文件结构信息，用于数据存储文档遍历及后续的数据关系匹配；
S204、创建空白的分布式数据集；
S205、创建运行样本数据文件名称列表，对运行数据文件进行遍历；
S206、依次获取运行样本数据文件，在确定文件为训练数据文件后，进行数据信息提取；
S207、创建临时数据文件，在不同的经纬度中将运行样本数据写入临时数据文件；
S208、数据完成写入后保存,备份及后续使用准备；
S209、去除数据文件信息空行数据，去除数据描述性信息，将第一行数据修改为列名，数据空缺值处理，去掉数据首行信息并重置索引，合并运行参数并保存至分布式数据集，生成包含所有工况及状态的索引数据集；
S210、将记录数据关系的索引数据集与分布式数据集合并，形成可用于神经网络或深度网训练的数据集合。
可选地，所述步骤S3和步骤S4之间还执行以下步骤：
S301、获取位置数据，并将数据集合并存入位置数据集；
S302、数据集分割，其中训练数据与测试数据之比为8:2。
可选地，验证方法包括：对每种算法效果进行评测，选择使用算法模型及参数；效果模型评测，通过对决策树模型节点之间的关系及发生的概率的分析，确定模型的有效性。
可选地，步骤S3中，分布式数据集、索引数据集均是DataFrame格式。
可选地，步骤S3中，第一预设时间是1秒。
一种根据上述数据模型的漏点识别方法，步骤包括：
S01、系统运行时，时时获取运行参数；
S02、将运行参数与数据模型进行对比，当识别出有漏点，判断漏点位置；
S03、输出提醒信息。
一种根据上述数据模型的泄漏点识别装置，包括上述述的数据模型存储装置，还包括与数据模型存储装置连接的判断模块，判断模块能够根据系统运行参数对比数据模型以后，进行泄漏点识别。
与现有技术相比，本发明的优点在于：
1、本发明提供的RCS运行瞬态发生LOCA事件泄漏点识别方法可以快速对不同功率台阶数据进行分析，准确识别破口位置。
2、本发明提供的RCS运行瞬态发生LOCA事件泄漏点识别方法数据处理过程中产生的中间件数据可以直接在其他算法模型中使用。
3、相比于LSTM泄漏点识别方法，本方法所需要使用的运行状态数据仅需要2秒，比LSTM方法预测速率提升100倍，极大提高破口位置识别效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的泄漏点数据模型的建立方法的方法流程图；
图2是本发明的漏点识别方法的方法流程图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
实施例一
参阅图1所示，本发明提供一种泄漏点数据模型的建立方法，包括：
S1、获取系统管道在破口时的运行参数，并记录破口位置，将运行参数、破口位置信息和数据关系描述存储为运行样本数据；该运行参与包括但不限于系统管道在破口运行的时间、位置、压力、温度、流量、功率参数及对应关系。运行样本数据是本次模型训练的实验数据集，由分析器拟合后产生。这是一类多重变量分析的数据集。本实施例中，数据集可以包含多个个数据样本，运行序列时间301秒，分为4类(热段小破口、热段大破口、冷段小破口、冷段大破口)，每类50个数据，每个数据包含多个属性。可通过对不同时间区间、不同位置压力、温度、流量等数据的变化预测泄露点位置。
S2、将多个运行样本数据转化为形成能够用于神经网络或深度网训练的数据集合；
S3、去除时间序列的尾数据及数据关系描述列并保存为第一参考数据，去除时间序列的首数据及数据关系描述列并保存为第二参考数据，差值法进行矩阵运算并将数据保存，获取间隔为第一预设时间内的数据变化信息，并根据关系描述信息进行矩阵列拼接，形成分布式数据集；
S4、构建随机森林、机器学习算法和/或决策树算法库对象；
S5、对算法与分布式数据集进行验证，验证合格后进行模型部署。
在本发明的一个实施例中，所述步骤S2示例性的包括：
1).访问数据存放路径，调用分析器运行状态数据预处理模块对数据进行解析。
2).对运行数据进行全目录检索，获取该路径下所有运行文件状态描述信息。
3).对文件结构完整性进行检验，出现数据结构不完整情况，抛出问题描述，停止程序运行。
4).获取详细文件结构信息，该信息用于数据存储文档遍历及后面的数据关系匹配。
5).创建空白的创建空DataFrame数据结构df_empty，用以记录运行数据信息
6).首先读取文件名称集合记录的txt文件，创建数据文件名称列表，对运行数据文件进行遍历
7).依次获取数据状态记录文件，在确定文件为trainingdata文件后，进行数据信息提取
8).调用xlwt模块创建xls格式文件，在不同的经纬度中将记录运行数据txt文件中的数据
9).数据完成写入后保存xls文件到指定路径,备份及后续使用准备
10).代用pandas模块读取xls文件
11).去除xls文件信息空行数据，去掉数据描述性信息
12).将第一行数据修改为列名，用以后续数据列拼接做信息匹配使用
13).数据空缺值处理
14).去掉数据首行信息并重置索引，用以后续进行数据行拼接
15).合并位置、功率等台阶等信息并保存为df
16).将形成的df追加方式写入df_empty
17).返回记录数据运行文件的列表，再完成所有文件转换后生成包含所有工况及状态的df_empty到主程序；
18).主程序在执行调用运行状态数据预处理模块同时，进入到调用数据参数关系信息获取模块；
19).读入功率、功率水平、破口尺寸关系xls文件
20).将关系数据存储成为DataFrame格式，对数据进行拼接及索引重命名
21).返回与运行数据索引匹配的数据到主程序
22).将记录数据关系的索引DataFrame格式数据与df_empty进行数据合并，形成可用于神经网络或深度网训练的数据集合df_final.csv。
在使用上述数据集合前还可以，预处理数据训练泄漏点识别模型，具体包括：
1).导入pands模块，读入df_final.csv文件后，调用差值数据处理模块对数据进行预处理
2).去掉时间序列的尾数据及数据关系描述列并保存为df1
3).去掉时间序列的首数据及数据关系描述列并保存为df2
4).差值法进行矩阵运算并将数据保存为df_subtraction，获取间隔为1秒的数据变化信息
通过列表生成器对新数据名称进行批量处理，并根据关系描述信息进行矩阵列拼接
5).返回全数据集合差值分析矩阵到主程序，并调用训练数据集处理模块
6).去除破口尺寸参数(该数据与泄漏点位置确认无关)
7).获取位置数据，并将数据集合并存入target_list，该数据的数字表达式会作为训练集数据的目标值
8).遍历法将数据location属性替换为数值
9).返回target_list,Df_final_tation_data到主程序
10).数据集分割(训练数据与测试数据之比8:2)
11).构建随机森林，GBDT,决策树算法库对象
12).网格搜索及交叉验证对算法效果进行评测，选择使用算法模型及参数
13).核电运行专家组队效果模型评测，通过对决策树模型节点之间的关系及发生的概率的分析，确定该模型是否具备可解读的实际意义，并一步确定该模型的有效性
14).模型部署与应用。
目前该模型预测结果的有效性已经经过试验验证。该模型在分析器数据的实际预测中准确率达到99.7％以上，相比于深度神经网络的泄漏点识别方法识别时间大幅减少，极大提高破口位置识别效率。该发明可以作为系统运行状态下泄漏点检查的辅助分析手段。
实施例二
参阅图2所示，本公开还提供一种根据上述数据模型的漏点识别方法，步骤包括：
S01、系统运行时，时时获取运行参数；
S02、将运行参数与数据模型进行对比，当识别出有漏点，判断漏点位置；
S03、输出提醒信息。
通过本方法可以在RCS运行瞬态发生LOCA事件能够快速进行泄漏点识别。
实施例三
本公开还一种根据上述数据模型的泄漏点识别装置，包括上述述的数据模型存储装置，还包括与数据模型存储装置连接的判断模块，判断模块能够根据系统运行参数对比数据模型以后，进行泄漏点识别。
与现有技术相比，本发明的优点在于：
1、本发明提供的RCS运行瞬态发生LOCA事件泄漏点识别方法可以快速对不同功率台阶数据进行分析，准确识别破口位置。
2、本发明提供的RCS运行瞬态发生LOCA事件泄漏点识别方法数据处理过程中产生的中间件数据可以直接在其他算法模型中使用。
3、相比于LSTM泄漏点识别方法，本方法所需要使用的运行状态数据仅需要2秒，比LSTM方法预测速率提升100倍，极大提高破口位置识别效率。
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。
Claims (9)
1.一种泄漏点数据模型的建立方法，其特征在于，包括：
S1、获取系统管道在破口时的运行参数，并记录破口位置，将运行参数、破口位置信息和数据关系描述存储为运行样本数据；
S2、将多个运行样本数据转化为形成能够用于神经网络或深度网训练的数据集合；
S3、去除时间序列的尾数据及数据关系描述列并保存为第一参考数据，去除时间序列的首数据及数据关系描述列并保存为第二参考数据，差值法进行矩阵运算并将数据保存，获取间隔为第一预设时间内的数据变化信息，并根据关系描述信息进行矩阵列拼接，形成分布式数据集；
S4、构建随机森林、机器学习算法和/或决策树算法库对象；
S5、对算法与分布式数据集进行验证，验证合格后进行模型部署。
2.根据权利要求1所述的泄漏点数据模型的建立方法，其特征在于：运行参数包含时间、位置、压力、温度、流量、功率参数及对应关系。
3.根据权利要求1所述的泄漏点数据模型的建立方法，其特征在于，所述步骤S2具体包括：
S201、访问运行样本数据存放路径，对运行样本数据进行解析；
S202、对运行样本数据进行全目录检索，获取路径下所有运行文件状态描述信息；S23、对文件结构完整性进行检验，检测数据完整情况，若不完整，输出问题描述后停止；
S203、获取运行样本数据的文件结构信息，用于数据存储文档遍历及后续的数据关系匹配；
S204、创建空白的分布式数据集；
S205、创建运行样本数据文件名称列表，对运行数据文件进行遍历；
S206、依次获取运行样本数据文件，在确定文件为训练数据文件后，进行数据信息提取；
S207、创建临时数据文件，在不同的经纬度中将运行样本数据写入临时数据文件；
S208、数据完成写入后保存,备份及后续使用准备；
S209、去除数据文件信息空行数据，去除数据描述性信息，将第一行数据修改为列名，数据空缺值处理，去掉数据首行信息并重置索引，合并运行参数并保存至分布式数据集，生成包含所有工况及状态的索引数据集；
S210、将记录数据关系的索引数据集与分布式数据集合并，形成可用于神经网络或深度网训练的数据集合。
4.根据权利要求3所述的泄漏点数据模型的建立方法，其特征在于，所述步骤S3和步骤S4之间还执行以下步骤：
S301、获取位置数据，并将数据集合并存入位置数据集；
S302、数据集分割，其中训练数据与测试数据之比为8:2。
5.根据权利要求1所述的泄漏点数据模型的建立方法，其特征在于，验证方法包括：对每种算法效果进行评测，选择使用算法模型及参数；效果模型评测，通过对决策树模型节点之间的关系及发生的概率的分析，确定模型的有效性。
6.根据权利要求1所述的泄漏点数据模型的建立方法，其特征在于，步骤S3中，分布式数据集、索引数据集均是DataFrame格式。
7.根据权利要求5所述的泄漏点数据模型的建立方法，其特征在于，步骤S3中，第一预设时间是1秒。
8.一种根据上述数据模型的漏点识别方法，其特征在于，步骤包括：
S01、系统运行时，时时获取运行参数；
S02、将运行参数与数据模型进行对比，当识别出有漏点，判断漏点位置；
S03、输出提醒信息。
9.一种根据上述数据模型的泄漏点识别装置，其特征在于，包括权利要求1所述的数据模型存储装置，还包括与数据模型存储装置连接的判断模块，判断模块能够根据系统运行参数对比数据模型以后，进行泄漏点识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110465944.6A CN113191425A (zh) | 2021-04-28 | 2021-04-28 | 一种泄漏点数据模型的建立方法、漏点识别方法、识别装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110465944.6A CN113191425A (zh) | 2021-04-28 | 2021-04-28 | 一种泄漏点数据模型的建立方法、漏点识别方法、识别装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113191425A true CN113191425A (zh) | 2021-07-30 |
Family
ID=76979903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110465944.6A Pending CN113191425A (zh) | 2021-04-28 | 2021-04-28 | 一种泄漏点数据模型的建立方法、漏点识别方法、识别装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113191425A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103548093A (zh) * | 2010-11-23 | 2014-01-29 | 西屋电气有限责任公司 | 全谱的loca评价模型及分析方法 |
| CN109034368A (zh) * | 2018-06-22 | 2018-12-18 | 北京航空航天大学 | 一种基于dnn的复杂设备多重故障诊断方法 |
| WO2019019709A1 (zh) * | 2017-07-24 | 2019-01-31 | 厦门快商通科技股份有限公司 | 一种自来水管漏水检测方法 |
| CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
| CN111144609A (zh) * | 2019-11-13 | 2020-05-12 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种锅炉废气排放预测模型建立方法、预测方法及装置 |
| CN112560806A (zh) * | 2021-01-26 | 2021-03-26 | 华东交通大学 | 一种天然气管道泄漏信号人工智能识别方法 |
-
2021
- 2021-04-28 CN CN202110465944.6A patent/CN113191425A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103548093A (zh) * | 2010-11-23 | 2014-01-29 | 西屋电气有限责任公司 | 全谱的loca评价模型及分析方法 |
| WO2019019709A1 (zh) * | 2017-07-24 | 2019-01-31 | 厦门快商通科技股份有限公司 | 一种自来水管漏水检测方法 |
| CN109034368A (zh) * | 2018-06-22 | 2018-12-18 | 北京航空航天大学 | 一种基于dnn的复杂设备多重故障诊断方法 |
| CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
| CN111144609A (zh) * | 2019-11-13 | 2020-05-12 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种锅炉废气排放预测模型建立方法、预测方法及装置 |
| CN112560806A (zh) * | 2021-01-26 | 2021-03-26 | 华东交通大学 | 一种天然气管道泄漏信号人工智能识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 薛祥祥;罗泽;: "青海湖区域水体识别系统设计", 计算机系统应用, no. 09 * |
| 钱虹;江诚;潘岳凯;魏莹晨;刘晓晶;: "基于时间序列神经网络的蒸汽发生器传热管泄漏程度诊断研究", 核动力工程, no. 02 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hakobyan et al. | Dynamic generation of accident progression event trees | |
| KR100681487B1 (ko) | 원자력발전소 안전해석을 위한 최적평가체계 | |
| CN107679146A (zh) | 电网数据质量的校验方法和系统 | |
| CN109308411B (zh) | 基于人工智能决策树的分层检测软件行为缺陷的方法和系统 | |
| Mandelli et al. | Measuring risk-importance in a Dynamic PRA framework | |
| CN109165625A (zh) | 一种基于图像识别的试验报告智能生成方法 | |
| CN102722610A (zh) | 一种由流程图自动产生覆盖率代码的方法及装置 | |
| CN115114064B (zh) | 一种微服务故障分析方法、系统、设备及存储介质 | |
| Mehdi et al. | SemDia: semantic rule-based equipment diagnostics tool | |
| CN111736636A (zh) | 一种基于知识图谱的水淹水车室预警方法及系统 | |
| CN109389294B (zh) | 核安全级dcs系统的可用性评估方法和装置 | |
| Mandelli et al. | A flooding induced station blackout analysis for a pressurized water reactor using the RISMC toolkit | |
| CN113191425A (zh) | 一种泄漏点数据模型的建立方法、漏点识别方法、识别装置 | |
| CN116520809B (zh) | 面向高危气田的工业控制系统安全行为识别方法及系统 | |
| Mandelli et al. | Overview of new tools to perform safety analysis: BWR station black out test case | |
| CN116366322A (zh) | 基于路径剖析及代码插桩的智能合约威胁检测与防护方法 | |
| CN112069006B (zh) | 一种检测分析gpu速率状态的方法、装置及计算机可读介质 | |
| CN114580549A (zh) | 一种基于cnn-lstm的核电厂故障诊断方法及装置 | |
| Dvoršek et al. | Safety and availability of steam generator tubes affected by secondary side corrosion | |
| Wiltbank | Dynamic probabilistic risk assessment using ADAPT/RELAP5-3D for cybersecurity threat analysis | |
| CN106296441B (zh) | 应用非能动系统物理过程失效的方法、装置及设备 | |
| JP2021039024A (ja) | 炉心計算方法、炉心計算プログラムおよび炉心計算装置 | |
| Prošek | RELAP5 calculations of bethsy 9.1 b test | |
| CN118170685B (zh) | 一种自适应操作系统环境的自动化测试平台及方法 | |
| Mandelli et al. | Dynamic PRA: An overview of methods and applications using RAVEN |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: No. 29 Hong Cao Road, Xuhui District, Shanghai Applicant after: Shanghai Nuclear Engineering Research and Design Institute Co.,Ltd. Address before: No. 29 Hong Cao Road, Xuhui District, Shanghai Applicant before: SHANGHAI NUCLEAR ENGINEERING RESEARCH & DESIGN INSTITUTE Co.,Ltd. |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210730 |