Идентификация текущих состояний главных циркуляционных насосов АЭС

Декларируется универсальный (не опирающийся на частные законы деградации) подход к идентификации текущих состояний технологических систем АЭС. Фрагмент технологической системы анализируется в пространстве диагностических признаков (параметров) с доминирующим критерием. Системной границей выделенного фрагмента является поверхность, образуемая нормативными ограничениями значений диагностических признаков. На временных рядах параметрического мониторинга конструируется отображение (вероятностное) системы в единичный гиперкуб для представления ее эволюции в категориях деградации (движение к нормативным границам). Сконструированный виртуальный (возможный цифровой) образ системы аппроксимируется полиномом Колмогорова-Габора, который используется в качестве экстраполятора. Исследуются предсказательные возможности подхода для реального объекта: «Маслосистема главного циркуляционного насоса (ГЦН)». Методика является упрощенным вариантом многомерного статистического анализа, когда многомерная функция распределения параметров не является нормальной и не может восстанавливаться в реальном времени. Классическая теория подменяется задачей идентификации в пространстве одномерных эмпирических функций распределения измерений диагностических признаков. Методика хорошо зарекомендовала себя на таких деградациях как износ, старение, образование отложений, эрозия поверхности. Способность предсказания мгновенных отказов (скачки превышения предела) реализуется по возмущениям соответствующих функций распределения. Методика требует большого объема статистического материала, поэтому предпочтительна для сопровождения стационарных режимов эксплуатации оборудования или обработки архивов. Ожидается ее применение при программировании «наблюдателей» за развитием нештатных ситуаций и обучении нейросетей.

1. Белоусов П.А., Скоморохов А.О. Разработка и применение методов обнаружения свойств и прогнозирования временных рядов в задачах диагностирования АЭС. Известия вузов. Ядерная энергетика. 2006;3:3–12. Режим доступа: https://static.nuclear-power-engineering.ru/journals/2006/03.pdf (дата обращения: 23.06.2025).

2. Скоморохов А.О. Многомерные статистические методы диагностики аномальных состояний ЯЭУ Автореферат диссертации на соискание ученой степени доктора технических наук, специальность 05.14.03 Ядерные энергетические установки, включая проектирование, эксплуатацию и вывод из эксплуатации. Обнинск: ИАТЭ НИЯУ МИФИ, 2011. 42 с. Режим доступа: https://openrepository.mephi.ru/entities/publication/2ea35e2a-9716-4260-a8fd-80609a8dec56 (дата обращения: 23.06.2025).

3. Вьюгин В.В. Математические основы машинного обучения и прогнозирования. Москва: МЦНМО, 2021. 399 с. Режим доступа: https://rusneb.ru/catalog/000199_000009_012656764/?ysclid=mht76myhjb638045114 (дата обращения: 23.06.2025).

4. Андрушенко С.А., Афров А.М., Васильев Б.Ю., Генералов В.Н. и др. АЭС с реактором типа ВВЭР-1000. От физических основ эксплуатации до эволюции проекта. Москва: Логос, 2010. 604 с. Режим доступа: https://elib.biblioatom.ru/text/andrushechko_aes-s-reaktorom-vver-1000_2010/p4/ (дата обращения: 27.06.2025).

5. Лескин С.Т., Слободчук В.С., Шелегов А.С. Анализ состояния ГЦН ВВЭР-1000 в процессе эксплуатации. Известия вузов. Ядерная энергетика. 2016;4:12–22. Режим доступа: https://doi.org/10.26583/npe.2016.4.02 (дата обращения: 27.06.2025).

6. Сысоев Ю.С., Бекетов В.Г., Симакова Н.А. Алгоритм прогнозирования дрейфа температур маслосистемы ГЦН блока АЭС с реактором ВВЭР-1000. Глобальная ядерная безопасность. 2016:3(20):57–63. Режим доступа: http://gns.mephi.ru/sites/default/files/journal/file/ru.2016.3-5_0.pdf (дата обращения: 27.06.2025).

7. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. Москва: Физматлит, 2006. 816 с. Режим доступа: https://search.rsl.ru/ru/record/01002917693?ysclid=mhuux5jmz0342013706 (дата обращения: 09.07.2025).

8. Добронец Б.С., Попова О.А. Вычислительный вероятностный анализ: модели и методы.Монография. Красноярск: Сибирский федеральный университет, 2020. 236 с. Режим доступа: http://www-sbras.nsc.ru/interval/Library/ApplBooks/DobronetsPopova-2020.pdf (дата обращения: 09.07.2025).

9. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. Москва: Радио и связь, 1987. 117 с. Режим доступа: https://search.rsl.ru/ru/record/01009967610?

10. ysclid=mi4vzzumpo278492159 (дата обращения: 09.07.2025).