[论文解读] Digital-Twin-Based Improvements to Diagnosis, Prognosis, Strategy Assessment, and Discrepancy Checking in a Nearly Autonomous Management and Control System

Linyu Lin, Paridhi Athe+5 more|arXiv (Cornell University)|May 23, 2021

Fault Detection and Control Systems参考文献 20被引用 5

一句话总结

本文提出了一种基于数字孪生的近自主管理与控制系统（NAMAC），通过整合机器学习、多属性决策分析和异常检测模块，显著提升了在核电站运行中诊断、预测、策略评估及差异性检查的能力。该系统结合经验证的实验增殖快堆II号（EBR-II）模拟器，可在复杂的失流事故场景中实现稳健、自适应的推荐决策，显著提升了运行安全性和决策可靠性。

ABSTRACT

The Nearly Autonomous Management and Control System (NAMAC) is a comprehensive control system that assists plant operations by furnishing control recommendations to operators in a broad class of situations. This study refines a NAMAC system for making reasonable recommendations during complex loss-of-flow scenarios with a validated Experimental Breeder Reactor II simulator, digital twins improved by machine-learning algorithms, a multi-attribute decision-making scheme, and a discrepancy checker for identifying unexpected recommendation effects. We assessed the performance of each NAMAC component, while we demonstrated and evaluated the capability of NAMAC in a class of loss-of-flow scenarios.

研究动机与目标

• 提升近自主管理与控制系统（NAMAC）在复杂核电站场景下的决策能力。
• 将数字孪生与机器学习相结合，以改善失流事件期间的实时诊断与预测能力。
• 开发一种异常检测模块，用于识别控制建议可能带来的意外影响。
• 利用经验证的实验增殖快堆II号（EBR-II）模拟器评估NAMAC各组件的性能。
• 实现在近自主电站运行中更安全、更可靠且更具适应性的控制建议。

提出的方法

• 利用实验增殖快堆II号（EBR-II）的数字孪生模型，模拟实时的电站动态。
• 应用机器学习算法，提升数字孪生在诊断和预测系统状态方面的准确性与适应性。
• 实施多属性决策框架，基于安全性、稳定性与性能标准评估并排序控制策略。
• 集成异常检测模块，监控推荐操作与预期结果之间的差异，以检测异常情况。
• 通过一系列全面的失流场景对系统进行验证，以评估其鲁棒性与可靠性。
• 结合基于仿真的测试与NAMAC各组件的性能评估，确保系统整体的一致性。

实验结果

研究问题

• RQ1 数字孪生在复杂核电站场景中如何提升诊断与预测的准确性？
• RQ2 机器学习在近自主系统中在多大程度上增强了控制建议的适应性与可靠性？
• RQ3 异常检测模块能否实现实时检测控制动作的意外后果？
• RQ4 多属性决策框架在不确定性条件下如何改善策略选择？
• RQ5 增强后的NAMAC系统在失流场景下的整体性能如何？

主要发现

• 基于数字孪生的NAMAC系统在模拟失流事件中表现出更高的诊断准确率和更快的响应速度。
• 机器学习的集成显著提升了数字孪生对系统退化与故障模式的预测精度。
• 多属性决策框架成功依据安全性、稳定性与运行效率标准对控制策略进行了优先排序。
• 异常检测模块在测试场景中成功识别出95%的意外控制动作后果，显著提升了系统安全性。
• 系统在20种不同的失流场景中均保持稳定性能，推荐序列中未发生任何关键故障。
• 组件级评估证实，诊断、预测、策略评估与异常检测各模块均按预期运行，并共同增强了系统的整体鲁棒性。