Automation of NPP equipment diagnostics using artificial neural networks

The article discusses the actual problem of automating the diagnostics of nuclear power plant equipment to improve its reliability and safety. A method for detecting leaks in pipe fittings based on the use of artificial neural networks for the analysis of thermographic images is proposed. The methodology is based on thermal imaging control, which allows remote and contactless recording of temperature distribution on the surface of the equipment. Based on a limited set of initial thermographic images, a convolutional neural network is created and trained for binary classification of equipment condition (presence and absence of leaks). The trained model demonstrated 100% accuracy on the test data. The developed approach makes it possible to automate the diagnostic process, eliminate the influence of the human factor and can be integrated into predictive maintenance and real-time monitoring systems.

1. Титов С.А., Барбин Н.М., Кобелев А.М. Анализ аварийных ситуаций, связанных с пожарами на атомных электростанциях. Пожаровзрывобезопасность. 2021;30(5):66–75. https://doi.org/10.22227/0869-7493.2021.30.05.66-75

2. Саубанов О.М., Валеев А.Р., Акимов В.И., Харисов Р.М., Ташбулатов Р.Р. Разработка комплексного под-хода к определению технического состояния насоснокомпрессорного оборудования. Транспорт и хранение нефтепродуктов и углеводородного сырья. 2019;2:30–35. https://doi.org/10.24411/0131-4270-2019-10206

3. Швец Д.В., Абидова Е.А., Калашников М.В., Поваров П.В., Воробьев Е.В. Концепция создания комплекс-ной автоматизированной системы тепловизионного контроля. Глобальная ядерная безопасность. 2022;(1):60–66. https://doi.org/10.26583/gns-2022-01-06

4. Ещенко Д.В., Никитин А.Т., Белов О.А. Практическое применение методов тепловизионного анализа и контроля // Вестник КамчатГТУ. 2020;(54):6–19. https://doi.org/10.17217/2079-0333-2020-54-6-19

5. Yuanbin W., Yang Y., Jieying R. Research on thermal state diagnosis of substation equipment based on infrared image. Advances in Mechanical engineering. 2019;4(11):1–14. https://doi.org/10.1177/1687814019828551

6. Kadurumba C.H., Nwaiwu U., Nwasuka N.C. Neural network applications. International journal of mechanical and production engineering research and development. 2020;10(3):11897–11910. Available at: https://www.researchgate.net/publication/344174270_NEURAL_NETWORK_APPLICATIONS (accessed: 02.04.2025).

7. Старчевский М.В., Бида П.И. Использование нейронных сетей в диагностике автоматизированного элек-тропривода. Форум молодых ученых. 2017;4(8):115–120. Режим доступа: https://www.forum-nauka.ru/_files/ugd/b06fdc_779bcc49ad634b319187cfb6fa067762.pdf (дата обращения: 26.04.2025).

8. Пехота А.Н., Галушко В.Н., Громыко И.Л. Технология использования сверточных нейронных сетей при диагностике состояния трансформаторов. Вестник Полоцкого государственного университета. Серия С. Фун-даментальные науки. 2021;12:63–69. Режим доступа: https://journals.psu.by/fundamental/article/view/1132 (дата обращения: 26.04.2025).

9. Ибряева О.Л., Мохаммад М.Н. Диагностика неисправностей подшипников качения с использованием пи-ков спектра и нейронных сетей. Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2022;11(2):59–71. http://dx.doi.org/10.14529/cmse220205

10. Бредихин А.И. Алгоритмы обучения сверточных нейронных сетей. Вестник ЮГУ. 2019;15(1):41–53. Ре-жим доступа: https://vestnikugrasu.org/byusu/issue/view/917 (дата обращения: 27.04.2025).