Resumen

El monitoreo de la salud de los sensores es esencialmente importante para el funcionamiento confiable de plantas químicas y nucleares críticas para la seguridad. Los modelos empíricos de sensores basados en redes neuronales autoasociativas (AANN) se han informado ampliamente para el monitoreo de calibración de sensores. Sin embargo, estos modelos de datos impulsados por datos mal planteados pueden resultar en una generalización deficiente y poca robustez. Para abordar los problemas mencionados anteriormente, se sugieren varias heurísticas de regularización como el entrenamiento con jitter, la decaimiento de peso y la validación cruzada en la literatura. Además de estas heurísticas de regularización, los algoritmos tradicionales de aprendizaje supervisado basados en gradientes de error para modelos AANN multicapa son altamente susceptibles de quedar atrapados en un óptimo local. Con el fin de abordar los problemas de regularización deficiente y aprendizaje robusto, aquí proponemos un modelo de sensor autoasociativo denoised (DAASM) basado en un marco de aprendizaje profundo. El modelo DAASM propuesto consta de múltiples capas ocultas que se preentrenan de manera codiciosa de forma no supervisada bajo la arquitectura de autoencoder de denoising. Para mejorar la robustez, se ejercen heurísticas de eliminación y procesos de corrupción de datos específicos del dominio durante la fase de preentrenamiento no supervisado. El modelo de sensor propuesto se entrena y prueba en datos de sensores de una planta de energía nuclear de tipo PWR. Se utilizan métricas de detección de fallas como precisión, autosensibilidad, derrame y prueba de razón de probabilidad secuencial (SPRT) para la evaluación del rendimiento y la comparación con el modelo AANN de cinco capas informado extensamente por Kramer.

• Materias:Instalaciones Nucleares Combustible nuclear Refrigeración en reactores Técnicas nucleares Simulación
• Subjects:Nuclear Installations Nuclear Fuel Reactor Cooling Nuclear Techniques Simulation
• Palabras claves:Sensores; Monitorización de la salud; Red neuronal autoasociativa; Heurística de regularización; Marco de aprendizaje profundo; Central nuclear tipo PWR.
• Keywords:Sensors; Health monitoring; Autoassociative neural network; Regularization heuristics; Deep learning framework; PWR type nuclear power plant