למידת מכונות הפכה במהירות כלי חיוני לניתוח זרמי נתונים מורכבים על פני תעשיות רבות בעלות גבוהה, ניטור נתונים גרעיני הוא לא יוצא דופן. Detecting aomalies בנתונים גרעיניים הוא קריטי להבטיח בטיחות, אבטחה ויעילות תפעולית.עם נפח ומהירות הגוברת של נתוני חיישן במתקנים גרעיניים מודרניים, מערכות מסורתיות המבוססות על כללים אינם מספיקים לעתים קרובות.

הבנה של זרם נתונים גרעיני

זרמי נתונים גרעיניים מורכבים ממידע מתמשך, בזמן אמת שנאסף מרשת של חיישנים, גלאיים, ומעקב במערכות בתוך תחנות כוח גרעיניות, כור מחקר ומתקני עיבוד דלק.זרמים אלה כוללים בדרך כלל פרמטרים כגון רמות קרינה (גמה ו נייטוטרון), טמפרטורה בנקודות שונות בליבת הכור ולחות קרירות, לחץ במערכות הראשיות ומשות, שטף קריר, קצביכות קרירות, מחתות ומחליפות.

כל זרם נתונים מדגימים בתדרים גבוהים – לעתים קרובות מספר פעמים לשנייה – אכילת כמויות עצומות של נתונים בזמן-זמן.המטרה העיקרית של ניטור רציף היא לזהות סטייה מתנאי הפעלה רגילים מוקדם ככל האפשר.סטיות כאלה יכולות להצביע על ההשפלה, הדלפות, הכשלים החומריים, או אפילו פריצות אבטחה.האתגר נמצא בזיהוי בין חריגות משמעותיות לבין טראנסים או רעש.

אתגרים בזיהוי אנומלי עבור מערכות גרעין

זיהוי אנומלי מסורתי מבוסס על סף קבוע או מודלים סטטיסטיים פשוטים (למשל, סטייה סטנדרטית מן המשמעות) שיטות אלה אינן מתאמות לטבע המורכב, הדינמי והלא-הההה של נתונים גרעיניים כוללים:

  • (ב) למתקנים מודרניים יש אלפי חיישנים; ניתוח כל התכונות בו זמנית הוא אינטנסיבי חישובי.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ⁇ :0) ⁇ ו[דרוש מקור]: רעש חושי, סחף קליברציה, וגורמים סביבתיים יכולים לחקות אנומליות.
  • התנהגות נורמלית:0 (FLT:1ir) תנאי הפעלה נורמליים משתנים עם רמות כוח, שריפת דלק מחזורי תחזוקה. מודל מאומן על משטר אחד לא יכול להכלל.
  • (ב) יש ליצור בתוך שניות או דקות כדי לאפשר פעילות המפעילה.
  • (ה) חוסר איזון:0) חוסר איזון: איור 1:1 אנומליות הן נדירות; הרוב המכריע של הנתונים הוא נורמלי, מה שהופך למידה מבוקרת קשה.

למידת מכונה מציעה פתרונות גמישים שלמדו תבניות מהנתונים ההיסטוריים ויכולים להסתגל לריאציות עדינות.עם זאת, יישום זהיר חיוני כדי למנוע אזהרות כוזבות כי מפעיל ארגרוד אמון או פספס גילויים כי בטיחות פשרה.

עיבוד נתונים והנדסת תכונות

לפני כל מודל למידת מכונה ניתן לאמן, יש לנקות את נתוני חיישן גולמי ולהפוך לפורמט מתאים.זה לעתים קרובות הצעד החשוב ביותר עדיין קריטי.

ניקוי נתונים

  • (ב) [ה]הולד חסר ערכים: פערים קצרים באמצעות אינטרפולציה ליניארית או ספירה; עבור הפסקות ארוכות יותר, סמן פלחי כפי שהוא לא חוקי.
  • (ב) [15] , [17] , [17] , [17] , עיין ב-[[1924]], ב[[1924]], ב[[1924]], [[1924]], [[1924]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]]
  • (FLT:0)Clock synSyncization: FLT:1 ודא שכל החיישנים מדווחים על דגימות עקביות - סחף בזמן הדגימה יכול ליצור קורלציה כוזבת.

נורמליזציה וסקאליזציה

תכונות עם יחידות שונות (למשל, kelvin vs. bar) יש בקנה מידה למגוון דומה. קנה מידה סטנדרטי (z-score) או קנה מידה חזק (באמצעות Median ו- IQR) מומלץ.עבור זמן, זה לעתים קרובות מועיל לנרמל כל חיישן באופן עצמאי וליישם נורמליזציה גלובלית ברחבי המדינה.

הנדסה טקטית

ניתן להגדיל את הסוללות של זמן Raw עם תכונות שלוכדות דינמיות:

  • (ב) סטטיסטיקות:0) סטטיסטיקות: FLT:1 אומר, שרטוטים, מינוס, מקס וקצב השינוי מעל חלונות 1, 5 ו-15 דקות.
  • (ב) ⁇ :0) תכונות ⁇ : 1FLT 1 (בקיצור זמן קצר ארבעה יותר) להפוך או מקודמת גלי גל כדי ללכוד שינויים בתדירות (למשל, משאבה של השפלה).
  • (FLT:0) תכונות ספציפיות:FLT:1hil עבור נתונים גרעיניים, לשלב איזון תגובתי, לקלקל חישובי חום, או קורלציות תרמיות-hydraulic.
  • (ב) ,0) תכונות: ⁇ 1:1 , כולל ערכים מצעדי זמן העבר למודל תיקון אוטומטי.

הפחתה של מימדי

בהתחשב במספר הגבוה של חיישנים, להפחית את המימדיות באמצעות טכניקות כמו ניתוח Component (PCA) או autoencoders.זה לא רק מאיץ אימון אלא גם מסנן רעש על ידי הקרנה של נתונים על הרכיבים המודיעים ביותר.

מודלים ל-Anomaly Detection

כמה גישות למידת מכונה הוכיחו יעילות עבור זרמי נתונים גרעיניים.הבחירה תלויה במאפיינים של נתונים, תוויות זמינות, ומגבלות פריסה.

למידה בלתי מבוקרת: יער בידוד

יער בידוד הוא אלגוריתם פופולרי ללא פיקוח כי מבודדים אנומליות ולא פרופיל נקודות נורמליות.זה עובד טוב על נתונים על נתונים עתירי גבוה ואינו מניח שום הפצה.ביישומים גרעיניים, יער בידוד יכול לזהות את הבירות ברבים-רגישים תמונות מעובדות בכל שלב.

למידה בלתי מבוקרת: Autoencoders

Autoencoders הם רשתות עצביות מאוישות לשחזר נתונים רגילים.אנומליות מניבות שגיאות שחזור גבוהות.עבור זמן-סדרה, autoencoder (למשל, באמצעות LSTM או תאי GRU) ללכוד תלות זמנית.מודלים אלה חזקים לאי-אסטמנטליות כאשר הם מאומנים מחדש.

  • לאמן רק נתונים מתקופות הפעלה רגילות (למשל, כוח מלא של מדינה יציבה, נהלי סטארט-אפ).
  • השתמש בסף בהתבסס על חלוקת שגיאות שחזור על מערכת אימות רגילה (למשל, 99.7th 0%ile).
  • מעקב אחר השגיאה השחזור לאורך זמן כדי לזהות סחף הדרגתי (למשל, חיישן רעוע).

למידה מבוססת: Classifiers

אם תוויות היסטוריות קיימות (למשל, מאירועים קודמים או תקלות מדמות), מדגמי משגיחים כמו יער אקראי, XGBoost, או מכונות וקטור תמיכה יכולים להיות מאומן.עם זאת, חוסר איזון מעמדי חמור דורש טכניקות כגון oversampling סינתטי (SMOTE) או אובדן מוקד.גם עם תוויות, מסווגים לעתים קרובות לבצע את הטוב ביותר בשילוב עם ציוני לא מבוקר כמו תכונות נוספות.

זמן-Series Specific: LSTM ו- Transformers

רשתות זיכרון לטווח קצר (LSTM) הצטיין במודל של תלות ארוכת טווח ברצף נתונים גרעיני.לדוגמה, מודל מבוסס LSTM יכול לחזות את החיישנים הצפויים לקריאה בשלב הבא; טעות חיזוי גדול מסמן חריגה. לאחרונה, ארכיטקטורות רובוטיות רובוטיות עם כוונות עצמיות הראו הבטחה בלכידת אינטראקציות מורכבות על פני חיישנים רבים וצעדים שלהם חישוביים גבוהים יותר, אך הם יכולים להחמיץ דפוסים לא-קליים עם כוונותיהם.

שיטות אנסמבל

שום מודל יחיד אינו מושלם.רכב של כמה גלאיים מגוונים (למשל, יער בידוד + Autoencoder + LSTM חיזוי) עם הצבעה או מנגנון היתוך במשקל לעתים קרובות משיג את האיזון הטוב ביותר של דיוק וזיכרון.התפוק האנסמבל יכול להיות עוד מצופה עם מערכת ניקוד פרוביביליסטי.

הערכה ואימות

הערכת מודלים לזיהוי אנומליות בהקשרים גרעיניים דורשת טיפול כי אזעקות שקריות יכולות להיות יקרות וחמיצו אזעקה קטסטרופליות. מדדים סטנדרטיים כגון דיוק, זיכרון, F1-score, ואזור תחת עקומת ROC (AUC) שימושיים אך יש להשלים עם קריטריונים ספציפיים לתחום.

  • (ב) באיזו מהירות המודל מזהה את האנומליה לאחר תחילתה?לבטיחות גרעינית, עיכובים של יותר מכמה שניות עלולים להיות בלתי מתקבלים על הדעת.
  • (ב) שיעור האזעקה של פ"ט:0) בשעה: "הפעילים אינם יכולים להגיב למאות אזעקות לשינוי; מטרות אופייניות הן פחות מ אזעקה אחת ל-24 שעות.
  • (FLT:0) רובווט לחסר נתונים: FIRLT:1) התנהגות מודל מבחן כאשר חיישן באופן זמני עובר באופן בלתי מקוון.
  • (FLT:0) הכללה על פני מצבי הפעלה:FLT:1) אימות נתונים מרמות חשמל שונות, מחזורי דלק ועונות.

אסטרטגיה אימות חזקה כוללת את קביעת זמן (לא פיצולים אקראיים) כדי לשמר את הסדר זמני, ובדיקה מחוץ לשעות מבחן על שנת חסימה של נתונים.בנוסף, בדיקות המבוססות על תרחיש באמצעות זריקות סינתטיות של חתימות ידועות (למשל, עלייה הדרגתית בטמפרטורות או עלייה הדרגתית) כדי למדוד את שיעורי זיהוי.

סודיות בזמן אמת ושיקולים תפעוליים

חלוקת מודל למידת מכונה למערכת ניטור גרעינית חיה מחייבת תכנון תשתיות קפדני ושיתוף פעולה הדוק עם מהנדסי צמחים ורגולטורים בטיחותיים.

אדריכלות אדריכלות

פריסה טיפוסית משתמשת באדריכלות הזרמה:

  • (FLT:0) מאגרי מידע: 1FLT 1 A מתווך הודעה (Kafka, MQTT) ingests חיישן נתונים בזמן אמת מההיסטוריונית הצמח או מערכת בקרה מבוזרת (DCS).
  • (FLT:0Micro-service מכולות: FLT:1 המודל המאומנים פועל כמיקרו-שירות (למשל, באמצעות TensorFlow Server, ONNX Runtime, או שרת Python מותאם אישית) עם מוגבלות נמוכה בנקודת קצה.
  • (FLT:0Output Channel: FLT:1 ,Anomaly Scores פורסמו בחזרה לקונסולת המפעיל, מערכת ניהול אזעקה, או לוח מחוונים ייעודי.אזהרות צריך לכלול הסבר (אשר חיישנים תרמו ביותר) כדי לעזור למפעילים לפני ההקדמה.
  • (FLT:0) Backup and Failover:FLT:1, כל הצינור חייב להיות סובלני; שרתי מודל מחוסנים וירידה בחוקים מבוססי הסף הפשוטים יותר, להבטיח ניטור נמשך במהלך שדרוג המודל או הכישלון.

מודלים של Retraining and Versioning

דפוסי נתונים גרעיניים משתנים עם הזמן בשל הזדקנות ציוד, שינויים במפעל או שינויים תפעוליים.מודל שמבצע היטב היום עשוי להידרדר בשישה חודשים.

  • מדי פעם מחדשים (למשל, שבועי או אחרי כל מחזור דלק) באמצעות נתונים נורמליים אחרונים.
  • הפעלת אימות אוטומטי נגד בדיקת זהב סטנדרטי לפני הפריסה.
  • שומרת על מודל גרסה ומאפשרת לגלגל בחזרה לגרסה הקודמת אם מודל חדש גורם אזעקה מוגזמת.

חוסר יכולת ואמון

מפעילי אבטחה ורגולטורים דורשים הסברים שקופה מדוע התעוררה אזעקה. השתמש בשיטות הפרשנות הדוגמיות של מודל-אגנוסטי כגון SHAP (SHapley Additive exPlanations) או LIME כדי לזהות אילו חיישנים מניעים את הציון האנמלי.עבור autoencoders, הדמיה של חיישן שיקום מחדש חיישן חיישן כדי לזהות את הערוץ הפגום.

המונחים: Compliance

כל תוכנה המשמשת למעקב אחר בטיחות גרעינית עשויה להיות כפופה להשגחה על ידי גופים כגון ועדת הפיקוח הגרעיני של ארה"ב (NRC) או הסוכנות לאנרגיה אטומית הבינלאומית (EA) כוללת אימות קפדני, תיעוד, ותהליכי אישור אנושי-ב-ב-החוק.מודלים של למידת מכונות מסווגים לעתים קרובות כתוכנה שצריכה לעקוב אחר סטנדרטים תעשייתיים כמו IEEE-1012 לאימות ולאימות, או להיות פרוסים רק כמערכות אבטחה מתקדמות (לא קריטיות).

מחקרים ויישומים

מספר פרויקטים של מחקר ופריסה של טייס הוכיחו את יעילות הלמידה של מכונות עבור זיהוי אנומלי גרעיני:

  • (FLT:0) מחיקת תקלות: FLT:1mia צוות במעבדה הלאומית איידהו השתמש באוטומט על נתוני רטט מפני משאבות קירור כורכור.המודל זיהה בהצלחה ללבוש שבועות לפני שפיחות הרטט המסורתיות היו עלו, ומאפשר תחזוקה מקדימה (FLT:2(IAEA נושאים בטיחות גרעינית)FalLT 3:2.
  • (FLT:0Leak Detection in אדים: FIRLT:1) באמצעות שילוב של PCA ו- Isolation Forest על טמפרטורה, לחץ ונתוני קצב זרימה, החוקרים השיגו שיעור זיהוי של 95% עם פחות מ 0.1% אזהרות כוזבות עבור דליפות צינור סימולציה:2(DOI קישור נייר מייצג)FLT 3.
  • (FLT:0) סודיות חדירה באמצעות קרינה אנומליה:FLT:1 מאמת אחת מבוססת LSTM היה מאומן על ספקטרום גמא מתמשך במטר מתקן.Itagged Extraordinary isotopicחת ממקור לעג שנשא על ידי אדם, המדגים את הפוטנציאל ליישומים גרעיניים.

פריסות אלה מדגישות את החשיבות של הסתגלות דומיין: מודלים המותאמים היטב לנתונים של צמח ספציפי בדרך כלל מודלים גנריים פורמולציה.עבר למידה מכור מוכר היטב יכול להאיץ את האימונים עבור צמח חדש, בתנאי כי פריסות חיישן ותנאי הפעלה הם דומים.

מגמות מחקר ודרכים לעתיד

התחום מתפתח במהירות, עם כמה כיוונים מבטיחים:

  • (FLT:0) למידה עבור נתונים רב-ממדיים: ibph:1) שילוב של זמן מחיישנים עם יומני טקסט מרשומות תחזוקה, פליטות אקוסטיות, והזנת וידאו (למשל, ממצלמות המכילות) למערכת זיהוי חד-אמת מאוחדת באמצעות רשתות עצביות גרפיות או מהפךים.
  • מודלים של PH:0 Physics-מודע:FLT:1 משלבים מודלים ראשונים-פרימטיפים (למשל, קינטיקה כור, משוואות העברה חום) לתוך תפקוד אובדן של רשתות עצביות לאכוף עקביות פיזית ולשפר את התוספת לתנאי unseen.
  • (FLT:0) למידה מוגברת: מודלים של 1FLT:1 לאימון על פני צמחים גרעיניים מרובים ללא שיתוף נתונים גולמיים, המאפשרים למידה שיתופית תוך שמירה על מגבלות קנייניות ואבטחה.
  • (FLT:0) Online Active Learningure:FLT:1 משתמש משוב לחדד מודלים על-פני-הפנית - כאשר מפעיל מבטל אזעקה כחיוב כוזב, ניתן להשתמש בדגימה זו כדי לעדכן את המודל, להפחית את האזעקות השקריות בעתיד.
  • (FLT:0) ,Edge inference:FLT:1ir Deploying מודלים קלים (למשל, רשתות עצביות קוונטיות) ישירות על מכשירים קצה ליד חיישנים כדי להפחית את הגמישות ואת רוחב הפס, קריטי עבור ניטור מרחוק או יחידות זיהוי ניידות.

שיתוף פעולה בין מדעני נתונים, מהנדסים גרעיניים ומומחים רגולטוריים נותר חיוני לפיתוח מערכות שהן מקובלות מבחינה טכנית והן מבחינה מבצעית.TheFLT:0NRC ניסיון התפעולי של ההרחבה 1 של NRC ודיווחי אירועים משותפים מספקים נתונים אמיתיים לא יסולאיים בעולם לאימון ולאימות.כפי שטכנולוגיית הלמידה בוגרת ומסגרות רגולטוריות, אנו יכולים לצפות שזיהוי של ממש כדי להפוך לחלק בלתי נפרד של כל מתקן גרעיני ואדריכלות.

מסקנה

יישום למידת מכונה עבור זיהוי אנומלי בזרימי נתונים גרעיניים הוא מאמץ מורכב אך מתגמל אשר תורם ישירות לבטיחות, אמינות ואבטחה. הצלחה תלויה בקביעת נתונים יסודיים, בחירה במודל זהירה (לעתים קרובות ההרכב), אימות קפדני עם מדדים ספציפיים לתחום, פריסה מחושבת כיבוד מגבלות בזמן אמת ומפעיל אמון על ידי התייחסות לאתגרים הייחודיים של נתונים גרעיניים - כולל ממד גבוה, תלות זמנית, כמו גם דרישות למידה מדויקות יותר, כמו גם תכונות קריטיות, כמו גם ניהוליות, כמו גם תכונות קריטיות, כמו גם ניהוליות, קריטיות, כמו גם שיטות בקרה, קריטיות, כמו גם שיטות בקרה, קריטיות, כמו גם ניהוליות, כמו גם ניהוליות, כמו גם שיטות בקרה, קריטיות, כמו גם ניהולית יותר, ניהולית, ניהולית, קריטיות, קריטיות, כמו גם תכונות קריטיות, כמו גם שיטות בקרה, כמו גם שיטות בקרה, קריטיות, קריטיות, קריטיות, קריטיות, קריטיות, ניהולית יותר, אשר מסייעות, קריטיות, אשר מסייעות, קריטיות יותר, כמו גם ניהולית, כמו גם ניהולית, כמו גם ניהולית, כמו גם ניהולית, אשר מסייעות, כמו גם ניהולית, שמירה על ידי ניהולית, כמו גם