基于无监督学习的反应堆事故有效表征提取框架
信号处理
2022-08-30 v1 系统与控制
系统与控制
摘要
随着高精度系统分析程序在核工程中的日益使用，用于事故模拟的高保真计算数据数量正在激增。因此，需要一种既能从数据中自动提取低维特征又能保证特征有效性的算法，以提升事故诊断系统的性能与可信度。本研究提出一种基于自编码器的自主学习的框架，即填充自编码器（Padded Auto-Encoder, PAE），其能够通过基于 Vision Transformer 的编码器将经过加噪且部分缺失的事故监测数据自动编码为低维特征向量，并将特征向量解码为无噪且完整的重构监测数据。因此，该框架的编码器部分能够从部分缺失且含噪的监测数据中自动推断出反映完整且无噪原始数据的有效表征，且表征向量可用于事故诊断等下游任务。本文以 HPR1000 的 LOCA（失水事故）为研究对象，采用不同破口位置与尺寸的案例作为数据集，通过无监督方法训练 PAE。预训练 PAE 的编码器部分随后被用作监测数据的特征提取器，并配合若干基础统计学习算法预测破口位置与尺寸。研究结果表明，与端到端模型结构的诊断模型相比，这种两阶段预训练诊断模型在破口位置与尺寸诊断能力上表现更优，相应指标分别提升 41.62% 与 80.86%。
引用
@article{arxiv.2208.13147,
title = {An Unsupervised Learning-based Framework for Effective Representation Extraction of Reactor Accidents},
author = {Chengyuan Li and Meifu Li and Zhifang Qiu},
journal= {arXiv preprint arXiv:2208.13147},
year = {2022}
}
备注
PBNC2022, Chengdu, China