Resumen

En este artículo se propone un marco de diagnóstico de fallas basado en la máquina de aprendizaje extremo (ELM, por sus siglas en inglés) y AdaBoost.SAMME en una planta de energía nuclear (NPP). Después de describir brevemente los principios del algoritmo ELM y AdaBoost.SAMME, el marco de diagnóstico de fallas establece el algoritmo ELM como el clasificador débil y luego integra varios clasificadores débiles en uno fuerte utilizando el algoritmo AdaBoost.SAMME. Además, se presentan algunos experimentos para la configuración de los dos algoritmos. Los resultados de los experimentos de simulación en el simulador HPR1000 muestran que el método combinado tiene una mayor precisión y velocidad más rápida al mejorar el rendimiento de los clasificadores débiles en comparación con la red neuronal BP, y verifican la viabilidad y validez del método de aprendizaje de conjunto para el diagnóstico de fallas. Además, los resultados también indican que el método propuesto puede cumplir con los requisitos de un diagn

• Materias:Refrigeración en reactores Termohidráulico Flujo de calor Seguridad radiológica Productos de fisión
• Subjects:Reactor Cooling Thermohydraulics Heat flow Nuclear safety Fission products
• Palabras claves:Diagnóstico de fallos; Máquina de aprendizaje extremo; AdaBoost.SAMME; Central nuclear; Método de aprendizaje conjunto; Diagnóstico en tiempo real
• Keywords:Fault diagnosis; Extreme learning machine; AdaBoost.SAMME; Nuclear power plant; Ensemble learning method; Real-time diagnosis