Published January 1, 2022
| Version v1
Publication
Open
Machine Learning-Based Fault Diagnosis for a PWR Nuclear Power Plant
- 1. Leeds Beckett University
- 2. Homi Bhabha National Institute
- 3. Bhabha Atomic Research Centre
- 4. Indira Gandhi Centre for Atomic Research
Description
Fault detection and diagnosis (FDD) systems can reduce high costs and energy consumption.This paper presents a machine learning-based fault detection and diagnosis (FDD) technique for actuators and sensors in a pressurized water reactor (PWR).In the proposed FDD framework, faults are first detected using a shallow neural network.Second, fault diagnosis is performed using 15 different classifiers provided in the MATLAB Classification Learner toolbox, including support vector machine (SVM), Knearest neighbor (KNN), and ensemble.Several classifiers were found to provide superior classification performance, including medium KNN, cubic KNN, cosine KNN, weighted KNN, fine Gaussian SVM, quadratic SVM, medium Gaussian SVM, coarse Gaussian, bagged trees, and subspace KNN.The accuracy of the FDD approach was demonstrated using a set of simulation results.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يمكن لأنظمة الكشف عن الأخطاء وتشخيصها (FDD) أن تقلل من التكاليف العالية واستهلاك الطاقة. تقدم هذه الورقة تقنية الكشف عن الأخطاء وتشخيصها القائمة على التعلم الآلي (FDD) للمشغلات وأجهزة الاستشعار في مفاعل الماء المضغوط (PWR). في إطار FDD المقترح، يتم اكتشاف الأعطال أولاً باستخدام شبكة عصبية ضحلة. ثانيًا، يتم إجراء تشخيص الأعطال باستخدام 15 مصنفًا مختلفًا متوفرًا في صندوق أدوات متعلم تصنيف MATLAB، بما في ذلك آلة ناقلات الدعم (SVM)، وأقرب جار (KNN)، والمجموعة. تم العثور على العديد من المصنفات لتوفير أداء تصنيف متفوق، بما في ذلك KNN المتوسطة، و KNN المكعبة، و KNN جيب التمام، و KNN المرجحة، و Gaussian SVM الدقيقة، و SVM الرباعية، و Gaussian SVM المتوسطة، و Coarse Gaussian، والأشجار، و KN الفضاء الفرعي. تم توضيح دقة نهج FD باستخدام مجموعة من نتائج المحاكاة.Translated Description (French)
Les systèmes de détection et de diagnostic des pannes (FDD) peuvent réduire les coûts élevés et la consommation d'énergie. Cet article présente une technique de détection et de diagnostic des pannes (FDD) basée sur l'apprentissage automatique pour les actionneurs et les capteurs dans un réacteur à eau pressurisée (PWR). Dans le cadre FDD proposé, les pannes sont d'abord détectées à l'aide d'un réseau neuronal peu profond. Deuxièmement, le diagnostic des pannes est effectué à l'aide de 15 classificateurs différents fournis dans la boîte à outils d'apprentissage de la classification Matlab, y compris la machine à vecteur de support (SVM), le plus proche voisin (KNN) et l'ensemble. Plusieurs classificateurs ont été trouvés pour fournir des performances de classification supérieures, y compris KNN moyen, KNN cubique, KNN cosinus, KNN pondéré, SVM gaussien fin, SVM quadratique, SVM gaussien moyen, grossier, arbres ensachés et KNN sous-espace. La précision de l'approche FDD a été démontrée à l'aide d'un ensemble de résultats de simulation.Translated Description (Spanish)
Los sistemas de detección y diagnóstico de fallas (FDD) pueden reducir los altos costos y el consumo de energía. Este documento presenta una técnica de detección y diagnóstico de fallas basada en el aprendizaje automático (FDD) para actuadores y sensores en un reactor de agua a presión (PWR). En el marco FDD propuesto, las fallas se detectan primero utilizando una red neuronal poco profunda. En segundo lugar, el diagnóstico de fallas se realiza utilizando 15 clasificadores diferentes proporcionados en la caja de herramientas de aprendizaje de clasificación de MATLAB, incluida la máquina de vectores de soporte (SVM), el vecino de Knearest (KNN) y el conjunto. Se encontró que varios clasificadores proporcionan un rendimiento de clasificación superior, incluidos KNN medio, KN cúbico, KNN coseno, KNN ponderado, SVM gaussiano fino, SVM cuadrático, SVM gaussiano medio, gaussiano grueso, árboles embolsados y KNN subespacial. La precisión del enfoque FDD se demostró utilizando un conjunto de resultados de simulación.Files
09967986.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:6c262e419ca80452a851c8983af12830
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تشخيص الأعطال القائمة على التعلم الآلي لمحطة الطاقة النووية PWR
- Translated title (French)
- Diagnostic de panne basé sur l'apprentissage automatique pour une centrale nucléaire PWR
- Translated title (Spanish)
- Diagnóstico de fallas basado en el aprendizaje automático para una planta de energía nuclear PWR
Identifiers
- Other
- https://openalex.org/W4312458439
- DOI
- 10.1109/access.2022.3225966
References
- https://openalex.org/W1597576211
- https://openalex.org/W1789954849
- https://openalex.org/W1969586246
- https://openalex.org/W1995754647
- https://openalex.org/W1999645011
- https://openalex.org/W2015797158
- https://openalex.org/W2043806097
- https://openalex.org/W2049165686
- https://openalex.org/W2132029223
- https://openalex.org/W2139833307
- https://openalex.org/W2145487065
- https://openalex.org/W2156784583
- https://openalex.org/W2227160005
- https://openalex.org/W2716959956
- https://openalex.org/W2736837310
- https://openalex.org/W2805342704
- https://openalex.org/W2941419107
- https://openalex.org/W3010739321
- https://openalex.org/W3082502178
- https://openalex.org/W3094009781
- https://openalex.org/W3116767791
- https://openalex.org/W3172978294
- https://openalex.org/W4210826162
- https://openalex.org/W4212883601
- https://openalex.org/W4238337850
- https://openalex.org/W4239875977
- https://openalex.org/W4289927643