论文部分内容阅读
蒸汽发生器是核电厂实现一回路和二回路能量交换的重要设备,在运行过程中由于恶劣的服役条件容易使蒸汽发生器部件出现各种缺陷而存在带出放射性物质的风险,因而蒸汽发生器的可靠性在众多核电设备中占据极其重要的位置。但是由于核电行业的特殊性,蒸汽发生器部件的破坏是一种典型的小样本可靠性问题,无法收集大量的数据进行可靠性分析和数据预测。因此,本文在研究灰色关联分析方法和支持向量回归(Support Vector Regression,SVR)方法的基础上,提出了关联支持向量回归(Relational Support Vector Regression,r-SVR),并将r-SVR用于核电蒸汽发生器部件失效的小样本中进行预测。本文的主要工作如下:1.系统研究了小样本可靠性分析中的灰色关联分析的数据挖掘方法和SVR的数据预测方法。灰色关联分析可以根据多指标因素和关键因素之间的关联度,来改变数据权重,挖掘出隐藏的信息;SVR可以通过数据来训练模型,并利用模型进行预测,但是其在小样本情况下训练得到的模型具有不稳定性,且精度不高。2.提出了r-SVR,该方法结合了灰色关联分析能够计算因素之间关联度、优化数据权重的优点和SVR能进行预测的优点,改进了模型预测的精度。并引入交叉验证(Cross Validation,CV)对r-SVR核函数的重要参数进行优化,避免了人工选择,使模型更加稳定。论文将r-SVR与SVR、主元支持向量回归(Principal Support Vector Regression,PSVR)和相关向量机(Relevance Vector Machine,RVM)进行了预测精度的比较,并开发了基于MATLAB GUI平台的小样本预测软件,可以实现采用r-SVR、SVR、PSVR、RVM等方法进行小样本数据的挖掘和预测。3.将r-SVR用于核电蒸汽发生器的重要部件柱塞泵吸排水阀底座的材料性能预测,研究挤压温度、挤压速度、淬火方式和失效条件4个工艺参数与材料抗拉性能的关系。并与SVR、偏最小二乘反向传播神经网络[1](Partial Least Squares Regression Back-propagation Neural Network,PLS-BPNN)方法进行了比较。结果表明,r-SVR的预测精度较SVR提高约50.0%;较PLS-BPNN预测精度提高约36.2%。4.将r-SVR用于核电蒸汽发生器传热管的爆破压力预测,研究缺陷长度、缺陷包罗角、缺陷深度三个缺陷参数与爆破压力的关系。与实际爆破压力的平均百分比偏差仅为1.1%,明显优于SVR(8.3%)、PSVR(9.8%)和RVM(11.3%),预测性能非常可靠。5.采用Instron 8872电液伺服拉压疲劳试验机对传热管进行疲劳试验,并依据试验结果利用r-SVR进行寿命预测。对比结果显示:预测结果和实际寿命的平均百分比偏差为8.3%,略微超过容差范围,但在可接受范围之内。r-SVR对于实际蒸汽发生器传热管的堵管操作具有一定的参考价值,建议在以后的小样本预测中进行应用。