Makine öğrenimi hızla birçok yüksek teknolojideki karmaşık verileri analiz etmek için önemli bir araç haline geldi ve nükleer veri izleme, nükleer veri akışlarında bir anomali tespit etmek, güvenlik, güvenlik ve operasyonel verimlilik sağlamak için kritik değildir. Gelişen hacim ve sensör verilerinin hızlanmasıyla, geleneksel yönetim tabanlı sistemler genellikle yetersizdir.Bu makale, nükleer veri akışlarında bir şekilde tespit etmek için makine öğreniminin uygulanmasına yönelik bir yöntemdir.

Nükleer Data Streams'ı Anlamak

Nükleer veri akışları, radyasyon seviyelerinin (gamma ve nötron) gibi parametreleri, birincil ve ikincil sistemlerdeki basınç, nötron flora yoğunluğu ve pompa akış oranları ve antenler içindeki titreşim imzaları içerir.

Her veri akışı yüksek frekanslarda örneklenir - ikinci kez birden fazla kez - anlamlı anomaliler ve normal operasyonel geçici veriler arasındaki ayrımı tespit etmek, normal çalışma koşullarından sapmaları mümkün olduğunca erken tespit etmektir.Bu tür sapmalar ekipman bozulması, sızıntıları, malzeme başarısızlıklarını veya hatta güvenlik ihlallerini gösterebilir.

Nükleer Sistemler için Anomaly Tespitinde Meydanlar

Geleneksel anomali algılama sabit eşlere veya basit istatistiksel modellere dayanıyor (örneğin, standart sapma). Bu yöntemler nükleer verilerin karmaşık, dinamik ve non-stationary doğasına uyum sağlamaz. Anahtar zorluklar şunları içerir:

  • [FONT:0) Yüksek boyutsallık:[Dönetici:[Dönetici:0) Modern tesisler binlerce sensöre sahiptir; tüm özellikleri aynı anda hesaplamak yoğundur.
  • [FONT:0]Temporal bağımlılıklar:[Dönetici: 1) Normal davranışlar zamanında )[Dönetici:0) Tarihe bağlı olarak, izolasyonda tek bir nokta normal görünebilir, ancak kritik bir desen parçası olabilir.
  • [FONT:0]Noise and outliers:[Dönetici: Sensör gürültü, kalibrasyon sürüklenme ve çevresel faktörler genetik anomalileri taklit edebilir.
  • [FONT:0) Normal çalışma koşulları güç seviyeleri ile değişir, yakıt yakma ve bakım döngüleri ile bir rejim üzerinde eğitilmiş bir model genellemez.
  • [FONT:0) Gerçek zamanlı kısıtlamalar:[Dön-zamanlı kısıtlamalar:[Dön 1: 1] Uyarılar operatör eyleminin etkinleştirilmesi için saniyeler veya dakikalar içinde oluşturulmalıdır.
  • [FONT:0)Kırsal dengesizlik:[Döneticiler nadir; verilerin büyük çoğunluğu normaldir, denetimli öğrenme zorlaşır.

Makine öğrenimi tarihsel verilerden desenleri öğrenen esnek çözümler sunar ve ince varyasyonlara adapte edilebilir. Ancak dikkatli uygulama, erode operatörünün bu uzlaşma güvenliğine güvendiği veya kaçıran algılamalardan kaçınmak için gereklidir.

Data Preprocessing and Feature Engineering

Herhangi bir makine öğrenme modeli eğitildikten önce, ham sensör verileri temizlenmelidir ve uygun bir formata dönüştürülmelidir. Bu genellikle en zaman alıcıdır.

Data Temizlik

  • [FONT=0)Handle eksik değerler:[Dönetici: 0,4][/FONT=0)[değiştir | kaynağı değiştir]
  • [FONT:0)Remove gürültüsü: [Dönder:[Dönder:) Düşük frekanslı filtreleri uygulayın (örneğin, ortalama hareket eden Savitzky-Golay) önemli geçicileri bozmadan yüksek frekanslı sensör gürültüyü azaltmak için.
  • [FONT:0)Clock senkronizasyonu:[Dönetici:[Dönetici:0) Tüm sensörlerin tutarlı zamanlarda raporlanmasını sağlayın - zamanstamp sürüklenme yanlış korelasyonlar yaratabilir.

Normalleşme ve Scaling

Farklı birimlerle (örneğin, kelvin vs. bar) farklı ölçeklerle karşılaştırılmalıdır. Standart ölçeklendirme (z-kesme) veya sağlam ölçeklendirme (ortalama medya ve IQR) tavsiye edilir. Zaman serisi için, her sensörü bağımsız olarak normalleştirmek ve aynı zamanda bitki durumu boyunca küresel normalleştirmeyi de gerektirir.

Temporal Feature Engineering

Raw zaman serisi dinamikleri yakalamak özellikleri ile artırılmış olabilir:

  • [FONT:0)Rolling istatistikler:[Dönem:[Dönem: 0,4, 5, 5 ve 15 dakika pencereleri üzerinde değişim oranı.
  • [FONT=0]Spectral özellikleri:[Dönetici:[Dönder: 1 ) Kısa zamanlı Fourier dönüşümleri veya dalgaça katlantıları frekans geçişlerini yakalamak için (örneğin pompalanma bozulması).
  • [FONT:0)Domain-spitesi özellikler:[Dönetici:[Dönetici: 0,2] Nükleer veriler için, reaktivite dengeleri, ısı hesaplamaları veya termal-hydraulic korelasyonları içerir.
  • [[DÜDÜ:0)Lag özellikleri:[DÜDÜT:1) Geçmiş zaman adımlarından otomatik-korelasyon modeline değer katar.

Boyutlu Azaltımı

Yüksek sayıda sensöre göz atın, Müdürlü Analiz (PCA) veya otoencoders gibi teknikleri kullanarak boyutsallığı azaltın. Bu sadece eğitim hızlarına değil aynı zamanda veriyi en bilgilendirici bileşenlere göre tasarlayarak gürültüyü filtreler.For yorumlanabilirlik için, mühendislik bilgisine dayanan bir alt dizi kritik sensörler düşünün.

Anomaly Tespit için Makine Öğrenme Modelleri

Çeşitli makine öğrenme yaklaşımları nükleer veri akışları için etkili kanıtlandı. Seçim veri özelliklerine, kullanılabilirlik etiketlemesine ve dağıtım kısıtlamalarına bağlıdır.

Denetimsiz Öğrenme: Ormanı

Isolation Forest, normal noktaları profillendirmek yerine anormalliği izole eden popüler bir algoritmadır. Yüksek boyutlu veriler üzerinde iyi çalışır ve herhangi bir dağıtım varsaymıyor. Nükleer uygulamalarda, yalıtım Ormanı her zaman işlenebilir. Ancak, zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman desenleri görmezden gelir.

Denetimsiz Öğrenme: Autoencoders

Autoencoders normal verileri yeniden inşa etmek için eğitilmiş sinir ağlarıdır. Anomalies yüksek rekondasyon hatası verir. Zaman serisi, bir dizi-to-sequence autoencoder (e.g., LSTM veya GRU hücreleri kullanarak) zaman bağımlılıkları yakalamak.Bu modeller periyodik olarak yeniden eğitilmediğinde sabit olmayanlığa sağlamdır.

  • Tren sadece bilinen normal çalışma dönemlerinden (örneğin, istikrarlı devlet tam güç, başlangıç prosedürleri).
  • Bir toplantı sırasında normal geçerlilik setine yeniden yapılanma hatasının dağıtımına dayanan bir eş kullanın (örneğin yüzde 99.7.).
  • Yavaş sürüklenme tespit etmek için yeniden yapılandırma hatası izleyin (örneğin, sensör fragman).

Süpervize Öğrenme: Sınıflandırıcılar

Tarihli etiketler mevcutsa (örneğin, geçmiş olaylardan veya taklit edilen hataların) denetimli sınıflandırıcılar, XGBoost veya destek vektör makineleri eğitilebilir. Ancak, şiddetli sınıf dengesizliği sentetik aşırılık (SMOTE) veya odak kaybı gibi teknikleri gerektirir.Influencesifler genellikle ek özellikler olarak biromali puanlarla birleştirilmediğinde en iyi performans gösterir.

Zaman serisi Özel: LSTM ve Transformers

Uzun Kısa Süreli Bellek (LSTM) ağları, nükleer veri dizilerinde uzun vadeli bağımlılıklar modelleyerek öne çıkarlar. Örneğin, LSTM tabanlı bir model, LSTM'nin bir sonraki seferde okumasını tahmin edebilir; son zamanlarda büyük bir tahmin hatası sinyalleri, kendi kendini kınayan bir hata mimarisi, birden fazla sensör ve zaman adımlarını yakalamak için söz verdi.

Ensemble Yöntemleri

Tek bir model mükemmel değildir. Birkaç farklı dedektörlerin bir araya gelmesi (örneğin, Isolation Forest + Autoencoder + LSTM tahminor) oylama veya ağırlıklı füzyon mekanizması genellikle en iyi hassas ve hatırlama dengesi dengesine ulaşır.

Değerlendirme ve Geçerlilik

Nükleer bağlamlarda bir anomali tespit modellerini değerlendirmek, çünkü sahte alarmlar pahalı olabilir ve alarmları felakete uğratabilir. Standart ölçümler, F1-print ve alan ROC eğrisi altında (AUC) kullanışlıdır, ancak alan özel kriterlerle takviye edilmelidir.

  • [FONT:0]Early algılama gecikmesi: Model, birkaç saniyeden fazla gecikmeler kabul edilemez olabilir.
  • [FONT:0] Saat başına alarm oranı: Operatörler değişim başına yüzlerce alarma cevap veremez; tipik hedefler 24 saat içinde bir yanlış alarmdan daha az.
  • [FONT:0)Robustness eksik verileri kaçırmak için: Bir sensör geçici olarak çevrimdışı olduğunda test modeli davranışı.
  • [FONT:0] İşletim modlarında genelleştirme:[Dönetici:[Dönetici:0) Farklı güç seviyelerinden, yakıt çevrimlerinden ve mevsimlerden gelen veriler için geçerlidir.

Güçlü bir doğrulama stratejisi, bilinen hataların imzalarını kullanarak zaman bazlı bir geçiş (örneğin, rastgele bölünmeler) zaman zaman zaman zaman zaman zaman zaman çizelgesini korumak için ve bir veri yılı üzerinde yapılan testlerden oluşmaktadır. Ek olarak, bilinen hataların sentetik enjeksiyonlarını kullanarak senaryo tabanlı testler (örneğin, yatak sıcaklığında veya ani bir radyasyon artışı) algılama oranlarını ölçmek için.

Gerçek Zamanlı İşbirlikleri ve Operasyonel Tahminler

Canlı bir nükleer izleme sistemine makine öğrenimi modelinin işletmesi, bitki mühendisleri ve güvenlik düzenleyicileri ile dikkatli altyapı planlama ve yakın işbirliği gerektirir.

Mimari Mimari Mimari Mimari Mimari Mimari Mimari

Tipik dağıtım bir akış mimarisi kullanır:

  • [FONT=0]Data ingestion:[Dönetici:[Dönetici: · 1) Bir mesaj broker (Kafka, MQTT) Bitki tarihçisinden gerçek zamanlı olarak veya dağıtılmış kontrol sistemi (DCS).
  • [FONT=0)Milya-servis konteynerizasyon:[Dönetici:[Dönetici:0))Eğitimli model, 10sorFlow servisi kullanarak, ONNX Runtime veya özel bir Python sunucusu kullanarak, düşük çözünürlükte bir akış uç noktaları ile çalışır.
  • [FONT=0]Output kanalı:[Dönemli puanlar operatör konsoluna, alarm yönetim sistemine geri döndü veya özel bir panjurlar, operatörlerin öncelik vermesine yardımcı olmak için açıklama içermelidir.
  • [FONT:0)Backup ve başarısız: [Dönder: Tüm boru hattının hatalı olması gerekir; red dışı model sunucuları ve daha basit eş tabanlı kurallar için geri çekilme, model yükseltme veya başarısızlık sırasında devam eder.

Model Yeniden Eğitim ve Sürümleme

Nükleer veri kalıpları, ekipman yaşlanması, bitki modifikasyonları veya operasyonel değişiklikler nedeniyle zaman içinde değişir. Bugün iyi performans gösteren bir model altı ay içinde bozulabilir.

  • Periyodik retrains (e.g., haftalık veya her yakıt döngüsünden sonra) son normal verileri kullanarak.
  • Dağıtımdan önce belirlenen altın standart teste karşı otomatik doğrulama.
  • Model sürümlerini koruyun ve yeni model aşırı alarmlara sebep olursa önceki bir sürüme geri dönebilirsiniz.

Yorumlama ve Güven

Operatörler ve güvenlik düzenleyicileri, alarmın neden yükseltildiği için şeffaf açıklamalar gerektirir. SHAP (SHapley Katkıları) veya LIME gibi açıklanabilirlik yöntemlerini kullanarak, sensörlerin bir anomali puanına yol açtığını tanımlamak için.For autoencoders, visualization of rekondator. presenting this information in a open, non-teknik formlar ve yardımlar hızlı yanıt.

Düzenleme

Nükleer güvenlikle ilgili izleme için kullanılan herhangi bir yazılım, ABD Nükleer Düzenleme Komisyonu (NRC) veya Uluslararası Atom Enerji Ajansı (IAEA) tarafından desteklenen, belge ve insan-in-loop onay süreçleri ile ilgili olarak sık sık sınıflandırılabilir. Makine öğrenme modelleri, IEEE-1012 gibi endüstri standartlarını doğrulama ve doğrulama için takip etmeli veya yalnızca danışma sistemleri olarak veya (güvenlikli mantık) olarak dağıtılır.

Vaka Çalışmaları ve Uygulamaları

Birkaç araştırma projesi ve pilot dağıtımları, nükleer anomaly algılama için makine öğreniminin etkinliğini göstermiştir:

  • [FONT:0]Pump faks algılaması: Bir takım SLAJ Ulusal Laboratuarı reaktör serin pompalarından vibrasyon verileri üzerinde bir otoencoder uyguladı. Model, geleneksel vibeksik eşleri aşılmış, ön bakım bakım onarımı sağlanmış oldu.
  • [FONT:0) Buhar jeneratörlerinde tespit: [DÜT:1] PCA ve Isolation Forest'ın sıcaklık, basınç ve akış oranı verileri üzerinde bir kombinasyon kullanarak, araştırmacılar% 0.1'den daha az yanlış alarm elde ettiler.
  • [FONT:0) Radyasyon aomaly aracılığıyla güvenlik saldırısı: Bir LSTM tabanlı bir sınıf sınıflandırıcı, sürekli kumar spektrometreleri üzerinde bir tesis ortamında düzenlenmiştir.Bir insan tarafından yapılan bir alay kaynağından bayrak dışı imzalar, nükleer güvenlik uygulamaları için potansiyele işaret ediyor.

Bu dağıtımlar, alan adaptasyonunun önemini vurgulamaktadır: Belirli bir bitkinin verilerine iyi hazırlanmış modeller. İyi niyetli bir reaktörden öğrenme, sensör düzeni ve işletim koşulları için eğitim hızlandırabilir.

Future Yol ve Araştırma Trendleri

Alan hızla gelişiyor, birkaç umut verici yolla:

  • [FONT:0) Çok yönlü veriler için Deep öğrenme: Zaman zaman ayarlayıcılarından, akustik emisyonlar ve video beslemeleri (örneğin, bilgisayarları) grafik sinir ağları veya transformatörler kullanarak birleşik bir anomali algılama sistemi ile analiz etmek.
  • [FONT:0)Fiziksel modeller: İlk sermaye modellerini (örneğin, reaktör kinetiği, ısı transfer denklemleri) fiziksel tutarlılığı uygulamak ve daha fazlapolasyon geliştirmek için sinir ağları kaybı fonksiyonuna bağlıdır.
  • [FONT:0]Temel ve güvenlik kısıtlamalarına saygı gösterirken, birden fazla nükleer santralde eğitim modelleri.
  • [[Dönetici:0)Online aktif öğrenme:[Döneticileri kullanarak operatör geri bildirimlerini kullanarak – bir operatör yanlış pozitif olarak bir alarmı reddettiğinde, bu örnek modeli güncelleştirmek için kullanılabilir, gelecekteki sahte alarmları azaltır.
  • [FONT:0)Edge inference:[Dönetici:[Dönetici:0))) Hafifletme veya mobil algılama birimleri için kritik olan kenar cihazları üzerinde doğrudan ölçümlenen hafif modeller (örneğin, ölçümlenen sinir ağları) doğrudan doğrulanmış, geç kalmış ve bant genişliğini azaltmak için, kritik olan uzaktan izleme veya mobil algılama birimleri için.

Veri bilim adamları, nükleer mühendisler ve düzenleyici uzmanlar, teknik olarak sağlam ve operasyonel olarak kabul edilebilir olan sistemleri geliştirmek için gerekli kalmaktadırlar.TheurFLT:0)NRC'nin işletme deneyimi) veritabanı ve paylaşılan olay raporları, eğitim ve geçerlilik için gerçek dünya verileri sağlar. Makine öğrenme teknolojisi olgun ve düzenleyici çerçeveler olarak, her nükleer tesisin dijital enstrümantasyon ve kontrol mimarisinin ayrılmaz bir parçası olmayı bekleyebiliriz.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Nükleer veri akışlarında anomali tespit için makine öğrenimi uygulamak karmaşıktır, ancak doğrudan güvenlik, güvenilirlik ve güvenlik için katkıda bulunan ödüllendirici bir çabadır. Başarı, kapsamlı veri işleme, dikkatli model seçimi (örneğin, bir araya gelen), daha önce ve daha doğru uyarıları geleneksel yaklaşımlara ve güven operatörüne hitap eden alan, sürekli olarak, sınıfsal olmayan bir şekilde denetim sistemleri ile ilgili olarak, sınıf dengesizliği ve düzenleyici gereksinimlerine bağlıdır.