Go

2024~2025年度总结去年计划： 完成博士课题后续部分 参数预测 控制策略 顺利开展企业实践 博士中期检查 总结工作 本年进展（1）课题方面 课题进展： 瞬态监测：基于运行孪生的异常早期监测方法研究（已做） 误报识别：基于元学习和自编码器的误报警识别方法研究（新增） 瞬态识别：基于多模态对比学习的异常类型诊断方法研究（已做） 参数预测：基于物理指引的多任务学习趋势预测方法研究（新增） 征兆分析：基于大语言模型和知识图谱的异常处置规程征兆分析方法研究（新增） 控制策略：待做（放弃） 博士中期检查通过 国家卓越工程师专项计划： 于2024年3月份-5月份在华能开展实践。 文章方面： 已发表 ICONE31: Underlying Deep Learning Networks Diagnosis Evaluation And Generative Adversarial Network Data Augmentation Based On A Benchmark Accident Dataset PNE: Multimodal learning usin ...

2023~2024年度总结去年计划： 学习高温气冷堆仿真机使用，构建数据集。 学习机器学习和Pytorch，补充知识结构。 着手开展博士课题工作，为下学期开题做准备。 本年进展 高温气冷堆仿真机使用方面 基于HTR-PM仿真机，完成了事故数据的收集。 机器学习和Pytorch学习方面 有了更深入的理解，尤其是新兴的LLM，在研究方向上有所引入。 博士课题方面 课题选定：经过一段时间的摸索，课题最终选定在高温气冷堆的运行小样本下的瞬态监测、识别、预测和控制策略生成算法研究，并经历了博士生资格考试和开题报告两个阶段。 课题进展： 瞬态监测：基于数字孪生的核电站零样本学习瞬态检测框架 瞬态识别：大型语言模型有助于瞬态识别，具有显著的泛化和未知瞬态识别能力 参数预测：待做 控制策略：待做 专项计划： 经过沟通，计划于2024年2月份-4月份在华能石岛湾核电厂开展实践，目前处于集团审批阶段。 文章方面： ICONE31: Underlying Deep Learning Networks Diagnosis Evaluation And Generative Advers ...

Development of a near-autonomous diagnostic and decision-making framework for HTR-PM.What is Autonomous Control System(ACS)?Autonomous control systems are intelligent systems with self-governance ability to perform and execute control functions in the presence of uncertainty for an extended time. The degree of autonomy of an autonomous control system depends upon the extent to which it can perform fault diagnosis, planning, forecasting, and decision-making under uncertainty, without human interv ...

近期工作深度学习课程—基于深度学习的核动力装置事故诊断技术摘要基于NPPAD构建了一个标准化的核电厂事故数据集，并探索了虚假数据集生成技术和核电厂事故诊断技术，对两种技术中涉及的各模型进行了对比分析。实验结果表明，在生成虚假数据集方面，TimeGAN相较于cGAN表现出更高的性能，TimeGAN可以更好的捕捉时序数据的动态特征。在事故诊断方面，我们基于MLP、CNN、RNN、Transformer四类模型对事故类别进行分类，在真实数据上进行实验，结果表明Transformer对事故有最好的分类能力。另外，数据的标准化对分类效果有较大影响，在数据预处理时进行标准化处理，会使得所有模型的效果都大幅度提高。 数据集构建事故特征参数为96个，截取事故发生后960s的数据（采样间隔10s），得到维度为[96, 96]的归一化样本。由于特征间数量级差异较大，采用最大值归一化处理。 Accident Description Number Severity LOCA Loss of Coolant Accident (Hot Leg) 100 % of 100 cm2 LOCAC Lo ...