Fortschritte bei der Fehlererkennung für Steuerstababtriebe

Kernreaktoren sind entscheidend, um den globalen Energiebedarf zu decken, und das effektive Management ihrer thermischen Leistung ist wichtig für einen sicheren Betrieb. Steuerstäbe (CRs) sind wichtige Teile von Kernreaktoren, die helfen, die Kernspaltungsreaktion durch Neutronenabsorption zu steuern. Die Steuerstäbe passen die thermische Leistungsabgabe an, indem sie in den Reaktorkern hinein- und herausbewegt werden. Steuerstab-Antriebe (CRDs) ermöglichen die Bewegung dieser Stäbe und sorgen dafür, dass der Reaktor stabil bleibt und reibungslos funktioniert.

Mit der Entwicklung der nuklearen Technologie wächst das Interesse an kleinen modularen Reaktoren (SMRs) aufgrund ihres kompakten Designs und ihrer Flexibilität. Ein bemerkenswertes Beispiel ist der BWRX-300 von GE-Hitachi, der traditionelle hydraulische CRDs durch elektrisch betriebene Feinstell-Antriebe (FMCRDs) ersetzt. Diese FMCRDs ermöglichen eine bessere Kontrolle und Effizienz im Reaktorbetrieb.

Die Überwachung des Zustands von FMCRDs ist jedoch eine Herausforderung. Die Bewegung der Steuerstäbe erfolgt unregelmässig, wobei die meiste Zeit im stationären Zustand verbracht wird. Wenn sich die Steuerstäbe nicht bewegen, liefert der Servomotor, der sie antreibt, keine Daten zur Beurteilung seines Zustands. Diese Forschung konzentriert sich darauf, wie wir Fehler erkennen und Probleme in diesen Servomotoren diagnostizieren können.

#Bedeutung von Fehlersuche und Diagnosen

Fehlersuche und Diagnosen (FDD) sind entscheidend für einen sicheren Betrieb von FMCRDs. Durch frühzeitige Identifizierung von Problemen kann die Zuverlässigkeit erhöht und die Wartungskosten gesenkt werden. Effektive FDD-Methoden können zu erheblichen Einsparungen bei Betrieb und Wartung führen, was SMRs zu einer attraktiveren Energie-Lösung macht.

Die Studie nutzt Deep-Learning-Techniken, um FDD in FMCRDs zu verbessern. Ein spezieller Ansatz besteht darin, eindimensionale Faltungsneuronale Netze (1D CNNs) zu verwenden, um Anomalien zu erkennen und Fehler zu klassifizieren. Das Ziel ist, die Genauigkeit und Effizienz von FDD in diesen kritischen Systemen zu erhöhen.

#Forschungsziele

Diese Forschung verfolgt zwei Hauptziele:

1. Verbesserung der Ergebnisse der Fehlersuche und Diagnosen durch Überwachung des elektrischen Stroms zusätzlich zu den bestehenden Massnahmen.
2. Bewertung der Auswirkungen verschiedener erster Optimierer auf FDD-Aufgaben, insbesondere mit Methoden wie Adam, RMSProp, Nadam und SGD.

Durch das Erreichen dieser Ziele hofft die Studie, nützliche Einblicke in die Verbesserung von FDD in FMCRDs und die Optimierung von Deep-Learning-Modellen für die Fehlersuche in Kernreaktoren zu geben.

#Die Rolle der Steuerstab-Antriebe

Steuerstab-Antriebe sind grundlegend für die Regulierung der Leistung des Reaktorkerns. In SMRs verbessern die FMCRDs die Steuerungsgenauigkeit, was zu besserer Anpassungsfähigkeit und Effizienz führt. Das Verständnis der Komplexität der FMCRD-Betriebsarten ist entscheidend für die Entwicklung effektiver Fehlersuchmethoden.

CRs arbeiten in Bänken, um das gesamte Leistungsprofil des Reaktors zu beeinflussen. Die Überwachung der Bedingungen in diesen Antrieben steht vor Herausforderungen aufgrund der sporadischen Bewegung der Stäbe. Wenn die Stäbe stillstehen, können nur wenige Daten gesammelt werden, was die Fehlersuche kompliziert. Die synchronisierte Bewegung mehrerer FMCRDs bietet jedoch eine einzigartige Gelegenheit zur Gesundheitsbewertung.

Neuere Studien haben neue Methoden zur FDD vorgeschlagen, die sich auf die Überwachung von Drehmoment und Position konzentrieren. Diese Forschung erweitert diese Methoden, indem sie den Strom als wichtige Variable zur Fehlererkennung einbezieht.

#Vorteile der Stromüberwachung

Die Hinzufügung der Stromüberwachung kann die Fehlersuche erheblich verbessern. Zu verstehen, wie Servomotoren unter verschiedenen Bedingungen arbeiten, liefert mehr Daten, was zu besseren Diagnosen führt. Diese Studie implementiert fortgeschrittenes Deep Learning, um Strom- und Drehmomentsignale zur Identifizierung von Fehlern in FMCRDs zu analysieren.

#Literaturübersicht

Die Fehlersuche beinhaltet die Identifizierung von Problemen, die Bestimmung ihrer Herkunft und die genaue Klassifizierung. Während es bereits Forschung zu FDD in Steuerstab-Antrieben gibt, sind Studien, die sich auf FMCRDs konzentrieren, begrenzt. Frühere Versuche zur FDD in FMCRDs umfassten die Überwachung der Verschiebung und statistische Schwellenwerte, aber diese Methoden schneiden oft schlecht ab, wenn es darum geht, mehrere Fehlertypen zu erkennen.

Diese Forschung baut auf früheren Arbeiten auf, indem sie fortgeschrittene Techniken wie Autoencoder zur Anomalieerkennung und Deep-Learning-Klassifikationsmodelle für Diagnosen verwendet. Die Arbeit zielt darauf ab, Lücken in der Literatur bezüglich FDD-Methoden für FMCRDs zu schliessen.

#Methoden der Forschung

Die Forschung verfolgt einen systematischen Ansatz zur Bewertung verschiedener Deep-Learning-Modelle für FDD-Aufgaben. Die Studie verwendet Simulationsdaten aus einem MATLAB/Simulink-Modell anstelle von realen Daten, da die Sammlung von Fehlersdaten aus operativen Reaktoren kompliziert ist.

#Datengenerierung

Die Simulationsdaten bestehen aus Messungen des elektrischen Stroms und des elektromagnetischen Drehmoments von FMCRDs während des normalen Betriebs und verschiedener Fehler-Szenarien. Jede Simulationsdurchführung erzeugt einen umfassenden Datensatz, der die Analyse verschiedener Fehlertypen ermöglicht.

#Bewertungsoptimierer

Die Studie vergleicht die Leistung mehrerer Optimierer-Adam, RMSProp, Nadam und SGD-in Bezug auf Deep-Learning-Modelle für FDD-Aufgaben. Jeder Optimierer hat unterschiedliche Methoden zum Aktualisieren der Modellparameter, weshalb die Wahl des Optimierers entscheidend für die Erreichung optimaler Leistung ist.

#Autoencoder und Klassifizierer

Es werden zwei Hauptmodellarchitekturen verwendet:

1. 1D CNN Autoencoder: Diese werden zur Anomalieerkennung verwendet. Das Modell lernt die normalen Betriebsabläufe, indem es Daten von gesunden Steuerstab-Antrieben analysiert. Jede signifikante Abweichung während des Tests weist auf einen möglichen Fehler hin.

2. Encoder-Decoder-strukturierte 1D CNN-Klassifizierer: Dieses Modell klassifiziert den Typ des Fehlers in den Servomotoren basierend auf gekennzeichneten Daten. Das Training dieses Modells umfasst die Verwendung eines Datensatzes mit verschiedenen Fehlerszenarien, um ihm zu helfen, verschiedene Muster zu erkennen.

#Ergebnisse und Analyse

Die Ergebnisse dieser Experimente führen zu mehreren Erkenntnissen bezüglich der Fehlersuche und Diagnosen in FMCRDs.

#Ergebnisse der Fehlerisolierung

Bei der Aufgabe zur Fehlerisolierung wurden die Modelle auf ihre Fähigkeit getestet, fehlerhafte Steuerstäbe genau zu identifizieren. Die Analyse zeigte, dass alle Optimierer Fehler erkennen konnten, aber ihre Effizienz variierte. Nadam und RMSProp schnitten insgesamt besser in der Fehleridentifizierung ab im Vergleich zu Adam und SGD.

Beim Testen mit Strommessungen zeigten die Modelle unterschiedliche Leistungen. Nadam erreichte schneller den niedrigsten Validierungsverlust im Vergleich zu den anderen, was seine Effektivität bei der Fehlererkennung zeigt. Im Gegensatz dazu war RMSProp etwas langsamer, erzielte aber dennoch gute Ergebnisse.

#Ergebnisse der Fehlerdiagnose

Für die Diagnoseaufgaben, bei denen Modelle den Typ des Fehlers klassifizieren, waren die Ergebnisse vielversprechend. Mit elektrischem Strom- und Drehmomentsignal zeigten die Modelle ein solides Verständnis der Fehlerszenarien. Die Verwirrungsmatrizen deuteten darauf hin, dass die Modelle Fehler zuverlässig klassifizieren konnten, ohne dass vordefinierte Verhaltensweisen in den Daten benötigt wurden.

Unter den Optimierern schnitt Adam gut in Bezug auf das Vertrauen in seine Vorhersagen ab, aber bei mehreren Durchläufen zeigten auch SGD und Nadam beeindruckende Ergebnisse. Diese Anpassungsfähigkeit in den Lernprozessen spiegelt die Effektivität dieser Modelle in realen Szenarien wider.

#Fazit

Die Studie kommt zu dem Schluss, dass fortschrittliche Deep-Learning-Techniken, insbesondere 1D CNNs, effektiv für FDD in FMCRDs sind. Durch die Integration der Stromüberwachung neben traditionellen Massnahmen wird die Erkennung und Diagnose von Fehlern genauer und zuverlässiger.

#Empfehlungen für künftige Arbeiten

Zukünftige Forschungen sollten sich auf Folgendes konzentrieren:

1. Abstimmung der Hyperparameter jedes Optimierers für bessere Leistung.
2. Test der vorgeschlagenen Methoden mit realen Daten vom BWRX-300 SMR.
3. Erforschung der Auswirkungen von Sensorplatzierungen und Datenverfügbarkeit in praktischen Szenarien.

Insgesamt hebt die Forschung die Bedeutung der Entwicklung robuster Systeme zur Fehlersuche und Diagnose für den sicheren und effizienten Betrieb von Kernreaktoren hervor, insbesondere da die Branche sich in Richtung moderner, anpassungsfähiger Technologien entwickelt.