氙钐科技
现状与背景
首 页 >> 产品与服务 >> 基于人工智能的核反应堆系统状态识别
现状与背景
主要算法
数据预处理与数据增强
故障解耦分类与未知故障识别

故障解耦分类与未知故障识别

数据预处理与数据增强

2

1

残差胶囊网络、原型学习、标签掩码加权

滑动窗口、区间增强、带噪声训练

解决模拟数据不准确及局部信息不突出问题

实现单一故障分类、复合故障解耦、未知故障鉴别

无监督聚类

无监督聚类

3

对比学习、半监督学习、熵约束聚类

自动确定故障类别数目与自动聚类

关键参数预测
迁移学习

迁移学习

关键参数预测

4

5

下游微调、MMD、伪数据扰动

LSTM、GRU、Transformer

诊断模型更好地适应实际功率分布

实现多参数的多步预测

可解释性
类增量学习

类增量学习

可解释性

6

7

原型最近邻分类、剪枝动态微调

SHAP分析、高贡献参数筛选

分析当前诊断结果的高贡献特征

保留已有诊断信息基础上扩展对新故障的诊断能力

应用效果

诊断准确率

单一故障平均准确率

98.93

%

诊断实时性

在线诊断时间

秒内

1

典型参数预测能力

利用200秒的历史数据预测25秒未来数据，偏差

%

<10

复核故障平均准确率

%

98.71

项目案例

国自然面上项目

面向高维流数据的核电厂开集故障诊断及深度持续学习方法研究

基于深度学习神经网络人工智能的船用核动力装置故障诊断技术研究

国防科工委核能开发项目