Avanços na Detecção de Falhas para Acionamentos de Barras de Controle

Os reatores nucleares são essenciais para atender as necessidades energéticas globais, e gerir sua potência térmica de forma eficaz é crucial para uma operação segura. As barras de controle (BCs) são partes significativas dos reatores nucleares que ajudam a gerenciar a reação de fissão, absorvendo nêutrons. As barras de controle ajustam a saída de potência térmica ao se moverem para dentro e para fora do núcleo do reator. Os drives de barras de controle (DBCs) facilitam o movimento dessas barras, garantindo que o reator permaneça estável e opere suavemente.

Com o desenvolvimento da tecnologia nuclear, tem crescido o interesse em Reatores Modulares Pequenos (RMPs) devido ao seu design compacto e flexibilidade. Um exemplo notável é o BWRX-300 da GE-Hitachi, que substitui os DBCs hidráulicos tradicionais por drives de barras de controle de movimento fino (DBCMFs) elétricos. Esses DBCMFs permitem um melhor controle e eficiência nas operações do reator.

Porém, monitorar a condição dos DBCMFs é desafiador. O movimento das barras de controle acontece de forma irregular, e a maior parte do tempo é passada em um estado estacionário. Quando as barras de controle não estão se movendo, o servomotor que as aciona não fornece dados para avaliar sua condição. Esta pesquisa foca em melhorar a maneira como detectamos falhas e diagnosticamos problemas nesses servomotores.

#Importância da Detecção de Falhas e Diagnósticos

A detecção de falhas e diagnósticos (DFD) são vitais para garantir a operação segura dos DBCMFs. Ao identificar problemas cedo, é possível aumentar a confiabilidade e reduzir custos de manutenção. Metodologias de DFD eficazes podem levar a economias significativas em operação e manutenção, tornando os RMPs uma solução energética mais atraente.

O estudo usa técnicas de aprendizado profundo para melhorar a DFD nos DBCMFs. Uma abordagem específica envolve o uso de Redes Neurais Convolucionais unidimensionais (1D CNNs) para detectar anomalias e classificar falhas. O objetivo é aumentar a precisão e a eficiência da DFD nesses sistemas críticos.

#Objetivos da Pesquisa

Essa pesquisa tem como objetivos principais:

1. Melhorar os resultados da detecção e diagnóstico de falhas monitorando a corrente elétrica além das medidas existentes.
2. Avaliar o impacto de diferentes otimizadores de primeira ordem nas tarefas de DFD, analisando métodos como Adam, RMSProp, Nadam e SGD.

Ao alcançar esses objetivos, o estudo espera fornecer insights úteis para melhorar a DFD nos DBCMFs e otimizar modelos de aprendizado profundo para diagnóstico de falhas em reatores nucleares.

#O Papel dos Drives de Barras de Controle

Os drives de barras de controle são fundamentais para regular o desempenho do núcleo do reator. Nos RMPs, os DBCMFs aumentam a precisão do controle, levando a uma melhor adaptabilidade e eficiência. Compreender as complexidades das operações dos DBCMFs é essencial para desenvolver métodos eficazes de detecção de falhas.

As BCs trabalham em conjunto para influenciar o perfil geral de potência do reator. Monitorar as condições desses drives enfrenta desafios devido ao movimento esporádico das barras. Quando as barras estão paradas, pouco dado pode ser coletado, complicando o diagnóstico de falhas. No entanto, a operação sincronizada de múltiplos DBCMFs oferece uma oportunidade única para avaliação de saúde.

Estudos recentes propuseram novos métodos de DFD focados em monitorar torque e posição. Esta pesquisa amplia esses métodos incluindo a corrente como uma variável chave para detecção de falhas.

#Benefícios do Monitoramento da Corrente

Adicionar o monitoramento da corrente pode melhorar significativamente as capacidades de detecção de falhas. Compreender como os servomotores operam sob várias condições fornece mais dados, levando a melhores diagnósticos. Este estudo implementa aprendizado profundo avançado para analisar sinais de corrente e torque para identificar falhas nos DBCMFs.

#Revisão da Literatura

A detecção de falhas envolve identificar problemas, determinar sua origem e classificá-los com precisão. Embora já exista pesquisa sobre DFD em drives de barras de controle, os estudos focados nos DBCMFs são limitados. Tentativas anteriores de DFD em DBCMFs incluíram monitoramento de deslocamento e limiares estatísticos, mas esses métodos muitas vezes não conseguem detectar múltiplos tipos de falhas.

Esta pesquisa se baseia em trabalhos anteriores utilizando técnicas avançadas, como autoencoders para detecção de anomalias e modelos de classificação de aprendizado profundo para diagnósticos. O artigo visa preencher lacunas na literatura relacionadas às metodologias de DFD para DBCMFs.

#Métodos Usados na Pesquisa

A pesquisa adota uma abordagem sistemática para avaliar diferentes modelos de aprendizado profundo para tarefas de DFD. O estudo usa dados de simulação de um modelo MATLAB/Simulink em vez de dados do mundo real devido às complexidades envolvidas em coletar dados de falha de reatores em operação.

#Geração de Dados

Os dados de simulação consistem em medidas de corrente elétrica e torque eletromagnético dos DBCMFs durante a operação normal e vários cenários de falha. Cada execução de simulação produz um conjunto de dados abrangente que permite a análise de diferentes tipos de falhas.

#Avaliação de Otimizadores

O estudo compara o desempenho de vários otimizadores-Adam, RMSProp, Nadam e SGD-no contexto de modelos de aprendizado profundo para tarefas de DFD. Cada otimizador tem métodos distintos para atualizar os parâmetros do modelo, tornando a escolha do otimizador crítica para alcançar um desempenho ideal.

#Autoencoders e Classificadores

Duas arquiteturas principais de modelos são empregadas:

1. Autoencoders 1D CNN: Esses são usados para detecção de anomalias. O modelo aprende os padrões operacionais normais ao analisar dados de drives de barras de controle saudáveis. Qualquer desvio significativo durante os testes indica uma falha potencial.

2. Classificadores 1D CNN Estruturados em Encoder-Decoder: Este modelo classifica com precisão o tipo de falha presente nos servomotores com base em dados rotulados. Treinar este modelo envolve usar um conjunto de dados com vários cenários de falha para ajudar a reconhecer diferentes padrões.

#Resultados e Análise

Os resultados desses experimentos levam a várias percepções sobre a detecção de falhas e diagnósticos nos DBCMFs.

#Resultados de Isolamento de Falhas

Na tarefa de isolamento de falhas, os modelos foram testados em sua capacidade de identificar barras de controle com falha com precisão. A análise mostrou que todos os otimizadores conseguiram detectar falhas, mas sua eficiência variou. Nadam e RMSProp alcançaram um desempenho geral melhor na identificação de falhas em comparação a Adam e SGD.

Ao testar com medições de corrente, os modelos mostraram desempenhos variados. Nadam atingiu a menor perda de validação mais rápido que os outros, indicando sua eficácia na detecção de falhas. Em contraste, RMSProp foi um pouco mais lento, mas ainda conseguiu obter bons resultados.

#Resultados de Diagnósticos de Falhas

Para as tarefas de diagnóstico, onde os modelos classificam o tipo de falha, os resultados foram promissores. Usando sinais de corrente elétrica e torque, os modelos demonstraram uma sólida compreensão dos cenários de falha. As matrizes de confusão indicaram que os modelos podiam classificar falhas de forma confiável sem precisar de comportamentos pré-definidos nos dados.

Entre os otimizadores, Adam teve um bom desempenho em termos de confiança em suas previsões, mas ao considerar múltiplas execuções, SGD e Nadam também mostraram resultados impressionantes. Essa adaptabilidade nos processos de aprendizado reflete a eficácia desses modelos em cenários do mundo real.

#Conclusão

O estudo conclui que técnicas avançadas de aprendizado profundo, particularmente 1D CNNs, são eficazes para DFD em DBCMFs. Ao integrar o monitoramento da corrente junto com medidas tradicionais, a detecção e o diagnóstico de falhas se tornam mais precisos e confiáveis.

#Recomendações para Trabalhos Futuros

Pesquisas futuras devem focar em:

1. Ajustar os hiperparâmetros de cada otimizador para melhor desempenho.
2. Testar os métodos propostos com dados do mundo real do SMR BWRX-300.
3. Explorar as implicações das posições dos sensores e a disponibilidade de dados em cenários práticos.

No geral, a pesquisa destaca a importância de desenvolver sistemas robustos de detecção de falhas e diagnósticos para a operação segura e eficiente de reatores nucleares, especialmente à medida que a indústria transita para tecnologias modernas e adaptáveis.