Published January 1, 2022
| Version v1
Publication
Open
Fault Detection and Isolation of a Pressurized Water Reactor Based on Neural Network and K-Nearest Neighbor
- 1. Leeds Beckett University
- 2. Homi Bhabha National Institute
- 3. Bhabha Atomic Research Centre
- 4. Indira Gandhi Centre for Atomic Research
Description
Nuclear power plants (NPPs) are complex dynamic systems with multiple sensors and actuators. The presence of faults in the actuators and sensors can deteriorate the system's performance and cause serious safety issues. This calls for the development of fault detection and diagnosis systems for detection and isolation of such faults. In this study, fault detection and diagnosis (FDD) based on neural networks (NN) and K-nearest neighbour (KNN) algorithm is applied to a pressurized water reactor (PWR). Fault detection is first determined based on the NN. Second, the KNN algorithm is used to classify the faults. The proposed approach is capable of classifying a variety of actuator faults, sensor faults, and multiple simultaneous actuator and sensor faults. A set of simulation results is provided to demonstrate the accuracy of the FDD method. The classifier performance is further compared with other machine learning techniques.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
محطات الطاقة النووية (NPPs) هي أنظمة ديناميكية معقدة مزودة بأجهزة استشعار ومحركات متعددة. يمكن أن يؤدي وجود أعطال في المشغلات وأجهزة الاستشعار إلى تدهور أداء النظام والتسبب في مشاكل خطيرة تتعلق بالسلامة. وهذا يتطلب تطوير أنظمة الكشف عن الأعطال وتشخيصها للكشف عن هذه الأعطال وعزلها. في هذه الدراسة، يتم تطبيق خوارزمية الكشف عن الأخطاء وتشخيصها (FDD) بناءً على الشبكات العصبية (NN) وخوارزمية K - Nearest neighbour (KNN) على مفاعل الماء المضغوط (PWR). يتم تحديد اكتشاف الأعطال أولاً بناءً على NN. ثانيًا، يتم استخدام خوارزمية KNN لتصنيف الأخطاء. النهج المقترح قادر على تصنيف مجموعة متنوعة من أخطاء المشغل، وأخطاء المستشعر، والعديد من أخطاء المشغل والمستشعر المتزامنة. يتم توفير مجموعة من نتائج المحاكاة لإثبات دقة طريقة FDD. تتم مقارنة أداء المصنف بشكل أكبر مع تقنيات التعلم الآلي الأخرى.Translated Description (French)
Les centrales nucléaires sont des systèmes dynamiques complexes avec plusieurs capteurs et actionneurs. La présence de défauts dans les actionneurs et les capteurs peut détériorer les performances du système et causer de graves problèmes de sécurité. Cela nécessite le développement de systèmes de détection et de diagnostic des défauts pour la détection et l'isolement de ces défauts. Dans cette étude, la détection et le diagnostic des pannes (FDD) basés sur les réseaux neuronaux (NN) et l'algorithme du plus proche voisin K (KNN) sont appliqués à un réacteur à eau pressurisée (PWR). La détection de défaut est d'abord déterminée sur la base du NN. Deuxièmement, l'algorithme KNN est utilisé pour classer les défauts. L'approche proposée est capable de classer une variété de défauts d'actionneur, de défauts de capteur et de multiples défauts simultanés d'actionneur et de capteur. Un ensemble de résultats de simulation est fourni pour démontrer la précision de la méthode FDD. La performance du classificateur est en outre comparée à d'autres techniques d'apprentissage automatique.Translated Description (Spanish)
Las centrales nucleares (NPP) son sistemas dinámicos complejos con múltiples sensores y actuadores. La presencia de fallos en los actuadores y sensores puede deteriorar el rendimiento del sistema y causar graves problemas de seguridad. Esto requiere el desarrollo de sistemas de detección y diagnóstico de fallas para la detección y el aislamiento de dichas fallas. En este estudio, se aplica el algoritmo de detección y diagnóstico de fallos (FDD) basado en redes neuronales (NN) y K-vecino más cercano (KNN) a un reactor de agua a presión (PWR). La detección de fallas se determina primero en función de la NN. En segundo lugar, se utiliza el algoritmo KNN para clasificar los fallos. El enfoque propuesto es capaz de clasificar una variedad de fallas del actuador, fallas del sensor y múltiples fallas simultáneas del actuador y del sensor. Se proporciona un conjunto de resultados de simulación para demostrar la precisión del método FDD. El rendimiento del clasificador se compara aún más con otras técnicas de aprendizaje automático.Files
09706445.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:71ae3a91edf4d886785bad393dc46ee0
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- الكشف عن الأعطال وعزل مفاعل الماء المضغوط بناءً على الشبكة العصبية وأقرب جار K - Nearest
- Translated title (French)
- Détection de défaut et isolement d'un réacteur à eau pressurisée basé sur le réseau neuronal et le voisin le plus proche K
- Translated title (Spanish)
- Detección de fallas y aislamiento de un reactor de agua a presión basado en la red neuronal y el vecino K más cercano
Identifiers
- Other
- https://openalex.org/W4210826162
- DOI
- 10.1109/access.2022.3149772
References
- https://openalex.org/W146642348
- https://openalex.org/W1499641153
- https://openalex.org/W1995754647
- https://openalex.org/W1996107076
- https://openalex.org/W1999645011
- https://openalex.org/W2049165686
- https://openalex.org/W2052239969
- https://openalex.org/W2058307714
- https://openalex.org/W2139833307
- https://openalex.org/W2156784583
- https://openalex.org/W2158698691
- https://openalex.org/W2159827026
- https://openalex.org/W2160815625
- https://openalex.org/W2162478573
- https://openalex.org/W2227160005
- https://openalex.org/W2736837310
- https://openalex.org/W2781540443
- https://openalex.org/W2883791879
- https://openalex.org/W2891324467
- https://openalex.org/W2897745724
- https://openalex.org/W2913289332
- https://openalex.org/W2941419107
- https://openalex.org/W2945306337
- https://openalex.org/W3000208106
- https://openalex.org/W3010739321
- https://openalex.org/W3094009781
- https://openalex.org/W3096940626
- https://openalex.org/W3104598318
- https://openalex.org/W3116767791
- https://openalex.org/W3154131017
- https://openalex.org/W3159622438
- https://openalex.org/W3172978294
- https://openalex.org/W3210781092