基于神经网络的核电厂DCS设备剩余寿命预测方法

摘要

机柜设备作为核电厂集散控制系统(Distributed Control System,DCS)的关键组成部分,其剩余使用寿命(Remaining Useful Life,RUL)预测对保障系统安全可靠运行、人民的生命财产安全具有重大意义。随着大数据时代的来临和人工智能的发展,神经网络的运用展开了新的领域,RUL预测方法也变得更加丰富。针对核电设备系统复杂工况应用场景,在故障预测与健康管理(Prognosis and Health Management,PHM)的框架下,提出一种基于深度神经网络的RUL预测方法,挖掘设备故障信息,提取影响设备使用寿命的关键特征,并对该模型进行了训练。试验结果表明,该预测模型能够较为准确地预测RUL,为设备维护的决策提供有意义的信息,从而避免系统的严重故障,对核电机柜设备剩余寿命研究的发展有重要意义。