Идентификация дефектов тепломеханического оборудования тепловых и атомных электростанций на базе ANFIS-сетей
Ключевые слова:
искусственный интеллект, техническая диагностика, атомные электростанции, сети ANFIS, математическое моделирование
Аннотация
Рассмотрены методы применения искусственного интеллекта в сфере технической диагностики скрытых дефектов энергетического оборудования тепловых (ТЭС) и атомных (АЭС) электростанций. Особое внимание уделено принципам построения систем диагностики на базе нейро-нечетких сетей типа ANFIS с использованием экспертных баз знаний и продукционных правил. Реализована концепция определения предаварийных состояний тепломеханического оборудования АЭС методом распознавания параметрических образов технологического дефекта. В рамках представленного исследования разработаны математическая и теплогидравлическая модели трубчатого теплообменного аппарата и нейро-нечеткая экспертная ANFIS-система для определения дефектов теплообменника на основе распознавания образов. Предложен вариант использования созданной модели системы диагностики, как части автоматизированной системы управления электрической станцией в качестве системы поддержки оператора технологического процесса
Литература
1. Белов В.В., Пергаменщик Б.К. Крупные аварии на ТЭС и их влияние на компоновочные решения главных корпусов // Вестник МГСУ. 2013. № 4. С. 61—69.
2. Оклей П.И. Отказы оборудования и аварии на теплоэлектростанциях России: причины, следствия и последствия // Микроэкономика. 2015. №. 6. С. 46—53.
3. Острейковский В.А., Швыряев Ю.В. Безопасность атомных станций. Вероятностный анализ. М.: Физматлит, 2008.
4. Chopra S. e. a. Taxonomy of Adaptive Neuro-fuzzy Inference System in Modern Engineering Sciences // Computational Intelligence and Neurosci. 2021. V. 2021(1). Pp. 1—14.
5. Ma J., Jiang J. Applications of Fault Detection and Diagnosis Methods in Nuclear Power Plants: a Review // Progress in Nuclear Energy. 2011. V. 53. Pp. 255—266.
6. Анохин Ф.Н., Калинушкин А.Е., Горбаев В.А., Сивоконь В.П. Состояние и перспективы систем поддержки операторов АЭС // Известия вузов. Серия «Ядерная энергетика». 2016. № 2. С. 5—16.
7. Hsieha M.-H. e. a. A Decision Support System for Identifying Abnormal Operating Procedures in a Nuclear Power Plant // Nuclear Eng. and Design. 2012. V. 249. Pp. 413—418.
8. Galbally J., Galbally D. A Pattern Recognition Approach Based on DTW for Automatic Transient Identification in Nuclear Power Plants // Annals of Nuclear Energy. 2015. V. 81. Pp. 287—300.
9. O’Connor P., Kleyner A. Practical Reliability Engineering. N.-Y.: John Wiley & Son, 2012.
10. Айвазян С.А. и др. Прикладная статистика: основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.
11. Кривин В.В., Шпицер В.Я., Бекетов В.Г., Ишигов И.О., Толстов В.А. Концепция мониторинга оборудования АЭС на основе непараметрической статистики и обученной нейросети // Глобальная ядерная безопасность. 2020. № 1(34). C. 81—89.
12. Джексон П. Введение в экспертные системы. М.: Издат. дом Вильямс, 2001.
13. Jang J.-S.R. ANFIS: Adaptive-network-based Fuzzy Inference System // IEEE Trans. Systems, Man and Cybernetics. 1993. V. 23(3). Pp. 665—685.
14. Хабаров С.П., Шилкина М.Л. Основы моделирования технических систем. Среда Simintech. СПб.: Лань, 2019.
15. Золотоносов Я.Д., Багоутдинова А.Г., Золотоносов А.Я. Трубчатые теплообменники. Моделирование, расчет. СПб.: Лань, 2018.
16. Sada S.O., Ikpeseni S.C. Evaluation of ANN and ANFIS Modeling Ability in the Prediction of AISI 1050 Steel Machining Performance // Heliyon. 2021. V. 7(2). P. e06136.
17. Tightiz L. e. a. An Intelligent System Based on Optimized ANFIS and Association Rules for Power Transformer Fault Diagnosis // ISA Trans. 2020. V. 103. Pp. 63—74.
18. Mwaura A.M., Liu Y.K. Adaptive Neuro-fuzzy Inference System (ANFIS) Based Modelling of Incipient Steam Generator Tube Rupture Diagnosis // Annals of Nuclear Energy. 2021. V. 157. P. 108262.
---
Для цитирования: Герасимов Н.Г., Проталинский О.М. Идентификация дефектов тепломеханического оборудования тепловых и атомных электростанций на базе ANFIS-сетей // Вестник МЭИ. 2025. № 3. С. 126—134. DOI: 10.24160/1993-6982-2025-3-126-134
---
Конфликт интересов: авторы заявляют об отсутствии конфликта интересов
#
1. Belov V.V., Pergamenshchik B.K. Krupnye Avarii na TES i Ikh Vliyanie na Komponovochnye Resheniya Glavnykh Korpusov. Vestnik MGSU. 2013;4:61—69. (in Russian).
2. Okley P.I. Otkazy Oborudovaniya i Avarii na Teploelektrostantsiyakh Rossii: Prichiny, Sledstviya i Posledstviya. Mikroekonomika. 2015;6:46—53. (in Russian).
3. Ostreykovskiy V.A., Shvyryaev Yu.V. Bezopasnost' Atomnykh Stantsiy. Veroyatnostnyy Analiz. M.: Fizmatlit, 2008. (in Russian).
4. Chopra S. e. a. Taxonomy of Adaptive Neuro-fuzzy Inference System in Modern Engineering Sciences. Computational Intelligence and Neurosci. 2021;2021(1):1—14.
5. Ma J., Jiang J. Applications of Fault Detection and Diagnosis Methods in Nuclear Power Plants: a Review. Progress in Nuclear Energy. 2011;53:255—266.
6. Anokhin F.N., Kalinushkin A.E., Gorbaev V.A., Sivokon' V.P. Sostoyanie i Perspektivy Sistem Podderzhki Operatorov AES. Izvestiya Vuzov. Seriya «Yadernaya Energetika». 2016;2:5—16. (in Russian).
7. Hsieha M.-H. e. a. A Decision Support System for Identifying Abnormal Operating Procedures in a Nuclear Power Plant. Nuclear Eng. and Design. 2012;249:413—418.
8. Galbally J., Galbally D. A Pattern Recognition Approach Based on DTW for Automatic Transient Identification in Nuclear Power Plants. Annals of Nuclear Energy. 2015;81:287—300.
9. O’Connor P., Kleyner A. Practical Reliability Engineering. N.-Y.: John Wiley & Son, 2012.
10. Ayvazyan S.A. i dr. Prikladnaya Statistika: Osnovy Modelirovaniya i Pervichnaya Obrabotka Dannykh. M.: Finansy i Statistika, 1983. (in Russian).
11. Krivin V.V., Shpitser V.Ya., Beketov V.G., Ishigov I.O., Tolstov V.A. Kontseptsiya Monitoringa Oborudovaniya AES na Osnove Neparametricheskoy Statistiki i Obuchennoy Neyroseti. Global'naya Yadernaya Bezopasnost'. 2020;1(34):81—89. (in Russian).
12. Dzhekson P. Vvedenie v Ekspertnye Sistemy. M.: Izdat. Dom Vil'yams, 2001. (in Russian).
13. Jang J.-S.R. ANFIS: Adaptive-network-based Fuzzy Inference System. IEEE Trans. Systems, Man and Cybernetics. 1993;23(3):665—685.
14. Khabarov S.P., Shilkina M.L. Osnovy Modelirovaniya Tekhnicheskikh Sistem. Sreda Simintech. SPb.: Lan', 2019. (in Russian).
15. Zolotonosov Ya.D., Bagoutdinova A.G., Zolotonosov A.Ya. Trubchatye Teploobmenniki. Modelirovanie, Raschet. SPb.: Lan', 2018. (in Russian).
16. Sada S.O., Ikpeseni S.C. Evaluation of ANN and ANFIS Modeling Ability in the Prediction of AISI 1050 Steel Machining Performance. Heliyon. 2021;7(2):e06136.
17. Tightiz L. e. a. An Intelligent System Based on Optimized ANFIS and Association Rules for Power Transformer Fault Diagnosis. ISA Trans. 2020;103:63—74.
18. Mwaura A.M., Liu Y.K. Adaptive Neuro-fuzzy Inference System (ANFIS) Based Modelling of Incipient Steam Generator Tube Rupture Diagnosis. Annals of Nuclear Energy. 2021;157:108262
---
For citation: Gerasimov N.G., Protalinskiy O.M. The Use of ANFIS Networks to Identify Defects in Thermal and Mechanical Equipment of Thermal and Nuclear Power Plants. Bulletin of MPEI. 2025;3:126—134. (in Russian). DOI: 10.24160/1993-6982-2025-3-126-134
---
Conflict of interests: the authors declare no conflict of interest
2. Оклей П.И. Отказы оборудования и аварии на теплоэлектростанциях России: причины, следствия и последствия // Микроэкономика. 2015. №. 6. С. 46—53.
3. Острейковский В.А., Швыряев Ю.В. Безопасность атомных станций. Вероятностный анализ. М.: Физматлит, 2008.
4. Chopra S. e. a. Taxonomy of Adaptive Neuro-fuzzy Inference System in Modern Engineering Sciences // Computational Intelligence and Neurosci. 2021. V. 2021(1). Pp. 1—14.
5. Ma J., Jiang J. Applications of Fault Detection and Diagnosis Methods in Nuclear Power Plants: a Review // Progress in Nuclear Energy. 2011. V. 53. Pp. 255—266.
6. Анохин Ф.Н., Калинушкин А.Е., Горбаев В.А., Сивоконь В.П. Состояние и перспективы систем поддержки операторов АЭС // Известия вузов. Серия «Ядерная энергетика». 2016. № 2. С. 5—16.
7. Hsieha M.-H. e. a. A Decision Support System for Identifying Abnormal Operating Procedures in a Nuclear Power Plant // Nuclear Eng. and Design. 2012. V. 249. Pp. 413—418.
8. Galbally J., Galbally D. A Pattern Recognition Approach Based on DTW for Automatic Transient Identification in Nuclear Power Plants // Annals of Nuclear Energy. 2015. V. 81. Pp. 287—300.
9. O’Connor P., Kleyner A. Practical Reliability Engineering. N.-Y.: John Wiley & Son, 2012.
10. Айвазян С.А. и др. Прикладная статистика: основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.
11. Кривин В.В., Шпицер В.Я., Бекетов В.Г., Ишигов И.О., Толстов В.А. Концепция мониторинга оборудования АЭС на основе непараметрической статистики и обученной нейросети // Глобальная ядерная безопасность. 2020. № 1(34). C. 81—89.
12. Джексон П. Введение в экспертные системы. М.: Издат. дом Вильямс, 2001.
13. Jang J.-S.R. ANFIS: Adaptive-network-based Fuzzy Inference System // IEEE Trans. Systems, Man and Cybernetics. 1993. V. 23(3). Pp. 665—685.
14. Хабаров С.П., Шилкина М.Л. Основы моделирования технических систем. Среда Simintech. СПб.: Лань, 2019.
15. Золотоносов Я.Д., Багоутдинова А.Г., Золотоносов А.Я. Трубчатые теплообменники. Моделирование, расчет. СПб.: Лань, 2018.
16. Sada S.O., Ikpeseni S.C. Evaluation of ANN and ANFIS Modeling Ability in the Prediction of AISI 1050 Steel Machining Performance // Heliyon. 2021. V. 7(2). P. e06136.
17. Tightiz L. e. a. An Intelligent System Based on Optimized ANFIS and Association Rules for Power Transformer Fault Diagnosis // ISA Trans. 2020. V. 103. Pp. 63—74.
18. Mwaura A.M., Liu Y.K. Adaptive Neuro-fuzzy Inference System (ANFIS) Based Modelling of Incipient Steam Generator Tube Rupture Diagnosis // Annals of Nuclear Energy. 2021. V. 157. P. 108262.
---
Для цитирования: Герасимов Н.Г., Проталинский О.М. Идентификация дефектов тепломеханического оборудования тепловых и атомных электростанций на базе ANFIS-сетей // Вестник МЭИ. 2025. № 3. С. 126—134. DOI: 10.24160/1993-6982-2025-3-126-134
---
Конфликт интересов: авторы заявляют об отсутствии конфликта интересов
#
1. Belov V.V., Pergamenshchik B.K. Krupnye Avarii na TES i Ikh Vliyanie na Komponovochnye Resheniya Glavnykh Korpusov. Vestnik MGSU. 2013;4:61—69. (in Russian).
2. Okley P.I. Otkazy Oborudovaniya i Avarii na Teploelektrostantsiyakh Rossii: Prichiny, Sledstviya i Posledstviya. Mikroekonomika. 2015;6:46—53. (in Russian).
3. Ostreykovskiy V.A., Shvyryaev Yu.V. Bezopasnost' Atomnykh Stantsiy. Veroyatnostnyy Analiz. M.: Fizmatlit, 2008. (in Russian).
4. Chopra S. e. a. Taxonomy of Adaptive Neuro-fuzzy Inference System in Modern Engineering Sciences. Computational Intelligence and Neurosci. 2021;2021(1):1—14.
5. Ma J., Jiang J. Applications of Fault Detection and Diagnosis Methods in Nuclear Power Plants: a Review. Progress in Nuclear Energy. 2011;53:255—266.
6. Anokhin F.N., Kalinushkin A.E., Gorbaev V.A., Sivokon' V.P. Sostoyanie i Perspektivy Sistem Podderzhki Operatorov AES. Izvestiya Vuzov. Seriya «Yadernaya Energetika». 2016;2:5—16. (in Russian).
7. Hsieha M.-H. e. a. A Decision Support System for Identifying Abnormal Operating Procedures in a Nuclear Power Plant. Nuclear Eng. and Design. 2012;249:413—418.
8. Galbally J., Galbally D. A Pattern Recognition Approach Based on DTW for Automatic Transient Identification in Nuclear Power Plants. Annals of Nuclear Energy. 2015;81:287—300.
9. O’Connor P., Kleyner A. Practical Reliability Engineering. N.-Y.: John Wiley & Son, 2012.
10. Ayvazyan S.A. i dr. Prikladnaya Statistika: Osnovy Modelirovaniya i Pervichnaya Obrabotka Dannykh. M.: Finansy i Statistika, 1983. (in Russian).
11. Krivin V.V., Shpitser V.Ya., Beketov V.G., Ishigov I.O., Tolstov V.A. Kontseptsiya Monitoringa Oborudovaniya AES na Osnove Neparametricheskoy Statistiki i Obuchennoy Neyroseti. Global'naya Yadernaya Bezopasnost'. 2020;1(34):81—89. (in Russian).
12. Dzhekson P. Vvedenie v Ekspertnye Sistemy. M.: Izdat. Dom Vil'yams, 2001. (in Russian).
13. Jang J.-S.R. ANFIS: Adaptive-network-based Fuzzy Inference System. IEEE Trans. Systems, Man and Cybernetics. 1993;23(3):665—685.
14. Khabarov S.P., Shilkina M.L. Osnovy Modelirovaniya Tekhnicheskikh Sistem. Sreda Simintech. SPb.: Lan', 2019. (in Russian).
15. Zolotonosov Ya.D., Bagoutdinova A.G., Zolotonosov A.Ya. Trubchatye Teploobmenniki. Modelirovanie, Raschet. SPb.: Lan', 2018. (in Russian).
16. Sada S.O., Ikpeseni S.C. Evaluation of ANN and ANFIS Modeling Ability in the Prediction of AISI 1050 Steel Machining Performance. Heliyon. 2021;7(2):e06136.
17. Tightiz L. e. a. An Intelligent System Based on Optimized ANFIS and Association Rules for Power Transformer Fault Diagnosis. ISA Trans. 2020;103:63—74.
18. Mwaura A.M., Liu Y.K. Adaptive Neuro-fuzzy Inference System (ANFIS) Based Modelling of Incipient Steam Generator Tube Rupture Diagnosis. Annals of Nuclear Energy. 2021;157:108262
---
For citation: Gerasimov N.G., Protalinskiy O.M. The Use of ANFIS Networks to Identify Defects in Thermal and Mechanical Equipment of Thermal and Nuclear Power Plants. Bulletin of MPEI. 2025;3:126—134. (in Russian). DOI: 10.24160/1993-6982-2025-3-126-134
---
Conflict of interests: the authors declare no conflict of interest
Опубликован
2025-02-27
Выпуск
Раздел
Автоматизация и управление технологическими процессами и производствами (технические науки) (2.3.3)
