КЛАСТЕРИЗАЦИЯ АКУСТИЧЕСКИХ СОБЫТИЙ В ГЛАВНОМ ЦИРКУЛЯЦИОННОМ КОНТУРЕ РЕАКТОРНОЙ УСТАНОВКИ С ВВЭР-1000/1200, ОБУСЛОВЛЕННЫХ ШТАТНЫМИ ТЕХНОЛОГИЧЕСКИМИ ОПЕРАЦИЯМИ

В реакторных установках с водо-водяным энергетическим реактором не исключено появление в главном циркуляционном контуре свободных, слабозакрепленных и посторонних предметов. Эти предметы, перемещаясь в потоке теплоносителя, могут соударяться со внутренними стенками главного циркуляционного контура, что может привести к повреждению оборудования. Раннее обнаружение этих предметов позволит минимизировать повреждения и повысить уровень безопасности эксплуатации АЭС. С этой целью реакторная установка оснащается системой обнаружения свободных/слабозакрепленных предметов (СОСП). Основной проблемой СОСП является большое количество ложных тревог, возникающих вследствие регистрации шумов от штатного функционирования АЭС. В работе расматривается применение алгоритмов кластеризации к сигналам СОСП, что позволяет значительно уменьшить число ложных тревог, поскольку установлено, что сигналы от срабатывания штатного оборудования отличаются большой степенью повторяемости. Тогда, «обучив» СОСП на некотором архиве данных, характеризующих штатное функционирование РУ, мы можем утверждать, что, если вновь поступивший сигнал попадает в один из кластеров, то он отражает штатное функционирование РУ, в то время как сигналы, не попавшие ни в один из кластеров, могут быть следствием появления свободного/слабозакрепленного предмета и данная ситуация требует незамедлительного реагирования персонала, эксплуатирующего АЭС. Данный подход позвляет значительно уменьшить количество выходной информации СОСП, снизить нагрузку на эксплуатирующий персонал, улучшить качество принимаемых решений и, соответственно, увеличить безопасность эксплуатации РУ в целом.

1. Центр диагностики «Диапром». Система обнаружения свободных предметов в главном циркуляционном контуре ВВЭР-1000 (СОСП). - URL: http://www.diaprom.com/projects/?p=2 (дата обращения: 27.05.2022).

2. Аркадов, Г.В. Системы диагностирования ВВЭР / Г.В. Аркадов, В.И. Павелко, Б.М. Финкель. - Москва : Энергоатомиздат, 2010. - 391 с.

3. Айвазян, С.А. Прикладная статистика. Классификация и снижение размерности / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин. - Москва : Финансы и статистика, 1989. - 607 с.

4. Скоморохов, А.О. Многомерные статистические методы диагностики аномальных состояний ЯЭУ : диссертация на соискание учений степени доктора технических наук / А.О. Скоморохов. - Обнинск, 2011. - 302 с.

5. Sculley, D. Web-scale k-means clustering // Proceedings of the 19th international conference on World wide web. - USA, 26 April 2010, P. 1177-1178 (in English).

6. Arthur, D., Vassilvitskii, S. k-means++: the advantages of careful seeding // Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms. Society for Industrial and Applied Mathematics. - Philadelphia, PA, USA, 2007, P. 1027-1035(in English).

7. Ester, M., Kriegel, H.-P., Sander, J., Xu, X. A density-based algorithm for discovering clusters in large spatial databases with noise // Proc. 2nd Int. Conf. on Knowledge Discovery and Data Mining. - Portland, OR, 1996, P. 226-231 (in English).

8. Mullin, T. DBSCAN Parameter Estimation Using Python. - Jul 10, 2020. - URL: https://medium.com/@tarammullin/dbscan-parameter-estimation-ff8330e3a3bd [дата обращения 27.05.2022] (in English).

9. Pedro Pereira Rodrigues, João Gama, Joao Pedro Pedroso Hierarchical Clustering of Time-Series Data Streams // IEEE Transactions on Knowledge and Data Engineering. - 2008. -Vol. 20, No. 5, P. 615-627. - URL: https://www.researchgate.net/publication/3297889_Hierarchical_Clustering_of_Time-Series_Data_Streams [accessed 05/27/2022] (in English).

10. Жамбю, М. Иерархический кластер-анализ и соответствия / М. Жамбю - Москва : Финансы и статистика, 1988. - 345 с.

11. Amidon, A. How to Apply Hierarchical Clustering to Time Series / A. Amidon. Dec 9, 2020 - URL: https://towardsdatascience.com/time-series-hierarchical-clustering-using-dynamic-time-warping-in-python-c8c9edf2fda5 (дата обращения: 27.05.2022).

12. Späth, H. Cluster Analysis Algorithms / H. Späth - Chichester: Ellis Horwood, 1980. - 226 р.