کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5002685 1368456 2016 5 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Prediction of peak values in time series data for prognostics of critical components in nuclear power plants
ترجمه فارسی عنوان
پیش بینی مقدار حداکثر در داده های سری زمانی برای پیش بینی مولفه های مهم در نیروگاه های هسته ای
کلمات کلیدی
اوج ارزش، پیش بینی، پشتیبانی از ماشین بردار. مولفه های مهم، داده های سری زمانی،
ترجمه چکیده
پیش بینی آشکارسازی تجهیزات هدف از پیش بینی تجهیزات سلامت آینده است. برای این، یک مدل برای تطابق با داده های نظارت شده از وضعیت تجهیزات آموزش دیده است. این می تواند بسیار دشوار و پیچیده با داده های بزرگ و غیر مونوتونی. داده های غیرمنتونیک در مقادیر داده ها بسیار بزرگتر از دیگران هستند. برای فرآیندهای تخریب غیر مونوتونی، می تواند برای پیش بینی زمان و ارزش قله ها در طول تکامل شرایط تجهیزات بیشتر باشد. در این مقاله، چارچوبی برای پیش بینی مقادیر قله های آینده پیشنهاد می کنیم. به طور خاص، مدل های مبتنی بر داده ها برای پیش بینی مقادیر پائین بعدی، بر اساس اطلاعات قله ها در داده های تاریخی آموزش داده می شوند. سپس مدل های آموزش یافته برای پیش بینی مقادیر پیک بعدی استفاده می شود. یک مطالعه واقعی در مورد نشت اول مهر و موم یک پمپ خنک کننده راکتور در نیروگاه هسته ای به منظور بررسی اثربخشی چارچوب پیش بینی پیشنهادی در نظر گرفته شده است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مکانیک محاسباتی
پیش نمایش مقاله
پیش بینی مقدار حداکثر در داده های سری زمانی برای پیش بینی مولفه های مهم در نیروگاه های هسته ای
چکیده انگلیسی
Equipment failure prognostics aims at the prediction of the equipment future health condition. For this, a model is trained to fit the monitored data of the condition of the equipment. This can be quite difficult and complicated with large and nonmonotonic data. Peaks in nonmonotonic data are data values which are much larger than the others. For nonmonotonic degradation processes, it can be more efficient to predict the time and value of the peaks during the evolution of the condition of the equipment. In this paper, we propose a framework to predict the values of the future peaks. More specifically, data-driven models are trained to predict the next peak values, based on the information of the peaks in the historical data. The trained models are, then, used to predict the next peak values. A real case study regarding the leakage of the first seal of a reactor coolant pump in a nuclear power plant is considered to verify the effectiveness of the proposed prediction framework.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: IFAC-PapersOnLine - Volume 49, Issue 28, 2016, Pages 174-178
نویسندگان
, ,