基于改进深度学习模型的核电厂事故早期诊断技术研究

张婧; 郑燃; 何志军

doi:10.20190/j.cnki.02580918.202602024

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

基于改进深度学习模型的核电厂事故早期诊断技术研究

更新时间：2026-05-20

- 基于改进深度学习模型的核电厂事故早期诊断技术研究
- Vol. 46, Issue 2, Pages: 425-434(2026)
- 作者机构：
  
  中国核电工程有限公司
- 作者简介：
- 基金信息：
- DOI：10.20190/j.cnki.02580918.202602024
  CLC： TM623;TP18
- Published：2026
- 稿件说明：
移动端阅览
张婧, 郑燃, 何志军. 基于改进深度学习模型的核电厂事故早期诊断技术研究[J]. 2026, 46(2): 425-434.
DOI：

张婧, 郑燃, 何志军. 基于改进深度学习模型的核电厂事故早期诊断技术研究[J]. 2026, 46(2): 425-434. DOI： 10.20190/j.cnki.02580918.202602024.

摘要

本文提出了一种基于改进堆叠自编码（Stacked Auto Encoder

SAE）网络的故障诊断方法，改进内容主要为融合数据增强技术与特征分类算法，并基于此方法实现了多类型事故的早期诊断与准确识别。通过核电厂仿真验证平台采集的运行数据，对改进后的深度学习模型进行系统性验证。实验结果表明，该改进模型可有效地提取核电厂事故早期的非线性特征，成功地识别冷却剂丧失事故（LOCA）与蒸汽发生器传热管破裂事故（SGTR）的早期征兆，实现了两类事故类型的准确区分，验证了该改进的基于SAE的故障诊断方法的有效性。

Abstract

关键词

Keywords

references

李仕鲜,刘井泉,沈永刚.基于神经网络方法的LOCA事故诊断[J].核技术,2017(08).

张有健,陈晨,王再见.深度学习算法的激活函数研究[J].无线电通信技术,2021(01).

刘立欣,刘展.SGTR事故SG满溢分析扩展研究[J].核动力工程,2020(03).

刘涛,谢金森.基于LSTM神经网络的核电厂瞬态参数预测与故障诊断研究[J].核动力工程,2025(02).

吴韬.反应堆冷却剂系统故障分析与智能诊断专家系统的研究[D].华北电力大学(北京),2017(03).

杨熙宇.反应堆冷却剂系统故障分析及诊断[D].华北电力大学(北京),2016(02).

薛时雨.基于深度学习的核电站冷却剂流失事故诊断及趋势预测[D].湖南大学,2020(04).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于对比学习的核电厂故障诊断方法

基于分层神经网络的压水堆堆芯换料关键参数的预测方法研究

核电厂5G专网关键技术及方案的研究

先进压水堆双层安全壳试验方案设计研究

生态核电全生命周期碳减排措施及碳排放计算分析

Related Author

陈逸龙

林萌

周士祺

金成毅

姚建凡

彭思涛

何道敬

徐智

Related Institution

上海交通大学国家电投智慧能源创新学院

上海交通大学核动力系统与装备教育部重点实验室

上海交通大学四川研究院

上海交通大学核电安全与装备全国重点实验室

中广核工程有限公司

AI问答

⁰