蒋煜卿 陈树明

DOI：10.16660/j.cnki.1674-098X.2101-5640-0498

摘  要：将人工神经网络的方法引入中国实验快堆传感器数据分析，通过机器学习的方式，建立出入口钠温作为输出、堆功率等多个变量为输入的模型。通过比较不同优化算法下测试集的预测值和实际值之间误差，进行模型的调整。在最优算法下，判断最终模型的泛用性。实验结果表明，通过人工神经网络方式建立的出入口钠温模型，拟合结果较好，可以实现通过其余冗余传感器间接得到目标传感器数据大致区间范围，实现非冗余传感器故障有效监测。

关键词：人工神经网络模型  中国实验快堆  传感器  模型调试

中图分类号：TP212          文献标识码：A                   文章编号：1674-098X（2021）03（c）-0123-06

Research on the Effectiveness of Sensor Data Mining of China Experimental Fast Reactor

JIANG Yuqing  CHEN Shuming*

（China Academy of Atomic Energy， Beijing， 102413 China）

Abstract： The artificial neural network method is introduced into the data analysis of the China experimental fast reactor sensor， and a model is established based on machine learning. The output of the model is the inlet and outlet temperature of sodium， while the input of the model includes reactor power and other variables. Through comparing the error between the predicted value and the actual value of the test group under different optimization algorithms， the model parameters are adjusted and optimized. Under the optimal algorithm， the universality of the final model is judged. The final result shows that the inlet and outlet sodium temperature model established by artificial neural network has a good fitting result， which can achieve the approximate interval range of the target sensor data indirectly through other redundant sensors， and realize the effective monitoring of non-redundant sensor faults.

Key Words： Artificial neural network model; China experimental fast reactor; Sensor model debugging

在中国实验快堆运行过程中，传感器作为其控制和监测系统的重要环节，对于快堆的安全性有着举足轻重的地位。在快堆中设置大量冗余仪表，以防止单一儀表损坏后影响操纵员判断。对于仪表状态的监测，多采用周期性的仪表检测方法，经济性不高，并且伴随拆卸损坏的风险。至于传感器产生的大量数据，使用程度较低。

传感器状态监测方法包含两类，一类是采用冗余传感器进行直接对比验证，另一类是使用解析方法进行间接对比验证。这种解析冗余主要包含基于解析模型、基于知识和基于数据驱动的方法。其中数据挖掘方法是目前最为热门的一种数据处理方法，通过训练集得到不同时间序列数据的相互关系后，在测试集进行验证。因此，可以把快堆多组传感器当作多组时间序列数据挖掘问题来研究。……