Многомерные статистические методы диагностики аномальных состояний ЯЭУ
Диссертация
Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на Отраслевых семинарах секции «Динамика, теплогидравлика и безопасность реакторов и АЭС» НТС Минатома России «Современные методы и средства диагностики ЯЭУ» (Шевченко, 1980, Обнинск, 1994, Обнинск, 2001), Международном научно-техническом семинаре МХО Интератомэнсрго «Методы и средства контроля… Читать ещё >
Содержание
- Глава 1. Современные методы и подходы к диагностированию аномальных состояний ЯЭУ
- 1. 1. Состояние и перспективы развития интеллектуальных технологий диагностики.'
- 1. 1. 1. Добыча данных, извлечение знаний и обучение машин
- 1. 1. 2. Нейронные сети в задачах диагностики АЭС
- 1. 1. 3. Экспертные и гибридные системы диагностирования
- 1. 1. 4. Методы обучения машин в системах шумовой диагностики
- 1. 1. 5. Интеллектуальный анализ результатов неразрушаю-щего контроля
- 1. 2. Некоторые методологические принципы диагностики АЭС
- 1. 2. 1. Характеристика АЭС как объекта диагностирования
- 1. 2. 2. Понятие нормального функционирования установки
- 1. 2. 3. Типы диагностических моделей
- 1. 3. Выводы к главе
- 1. 1. Состояние и перспективы развития интеллектуальных технологий диагностики.'
- Глава 2. Статическая норма. Режимная диагностика по технологическим параметрам
- 2. 1. Предсказание критической тепловой нагрузки корабельной ЯЭУ
- 2. 1. 1. Постановка задачи
- 2. 1. 2. Структурная идентификация диагностических моделей
- 2. 1. 3. Методика построения диагностической модели кризиса теплообмена
- 2. 1. 4. Модели для стержней с различными длинами обогреваемого участка
- 2. 1. 5. Оптимизация точности предсказания критической мощности
- 2. 1. 6. Обсуждение результатов
- 2. 2. Контроль теплогидравлического состояния реактора БН
- 2. 2. 1. Постановка задачи
- 2. 2. 2. Формирование первичных диагностических признаков
- 2. 2. 3. Кластерный анализ режимов работы реактора
- 2. 2. 4. Чувствительность при диагностировании
- 2. 2. 5. Модели МГУА и многомерные контрольные карты
- 2. 2. 6. Обсуждение результатов
- 2. 3. Диагностирование отказов расходомеров реактора РБМК
- 2. 3. 1. Постановка задачи
- 2. 3. 2. Экспериментальные результаты. Предварительный анализ
- 2. 3. 3. Идентификация специальных регрессионных моделей
- 2. 3. 4. Обнаружение отказов
- 2. 3. 5. Определение типа отказа
- 2. 3. 6. Общее описание алгоритма. Оценка чувствительности
- 2. 3. 7. Проверка работоспособности алгоритма диагностирования
- 2. 3. 8. Обсуждение результатов
- 2. 4. Выводы к главе
- 2. 1. Предсказание критической тепловой нагрузки корабельной ЯЭУ
- Глава 3. Шумовая норма. Классификация спектров и временных последовательностей
- 3. 1. Диагностика режимов теплообмена в водо-водяных реакторах
- 3. 1. 1. Акустическая диагностика режимов с кипением теплоносителя
- 3. 1. 2. Распознавание кризиса теплообмена в нестационарных условиях
- 3. 1. 3. Алгоритм диагностирования кризиса теплообмена для корабельной ЯЭУ с водяным теплоносителем
- 3. 2. Алгоритмическое обеспечение системы вибродиагностики SUS
- 3. 2. 1. Многокритериальный метод распознавания пиков виброспектров
- 3. 2. 2. Распознавание аномальных спектров вибраций
- 3. 2. 3. Автоматическая группировка спектров вибраций
- 3. 3. Нейросетевой алгоритм диагностики течи трубопроводов ВВЭР
- 3. 3. 1. Система акустического контроля течей К АЭС
- 3. 3. 2. Выявление и интерпретация источников акустических шумов
- 3. 3. 3. Предсказание и фильтрация сигналов в системе САКТ
- 3. 3. 4. Нейронная сеть для принятия решений
- 3. 3. 5. Обсуждение результатов
- 3. 4. Выводы к главе
- 3. 1. Диагностика режимов теплообмена в водо-водяных реакторах
- Глава 4. Динамическая норма. Контроль герметичности оболочек
- 4. 1. Задача локализации негерметичных TBC в реакторе БН
- 4. 1. 1. Метод перекомпенсаций нейтронного поля
- 4. 2. Математическая модель локализации негерметичных TBC
- 4. 2. 1. Система уравнений перекомиенсации
- 4. 2. 2. Расчетные изменения нейтронного поля при проведении перекомпенсации
- 4. 2. 3. Аппроксимация поля радиально-базисными нейронными сетями
- 4. 2. 4. Генетический алгоритм локализации негерметичных TBC
- 4. 3. Экспериментальное обоснование применимости методики перекомпенсации
- 4. 3. 1. Реакторный эксперимент I. Выявление значимых откликов
- 4. 3. 2. Реакторный эксперимент II. Проверка алгоритма локализации
- 4. 4. Локализация дефектных TBC при проведении штатных перекомпенсаций
- 4. 4. 1. Модифицированные штатные перекомпенсации
- 4. 4. 2. Выделение стационарных участков показаний ДЗН
- 4. 4. 3. Статистика Хотсллинга для сравнения двух многомерных выборок
- 4. 5. Выводы к главе
- 4. 1. Задача локализации негерметичных TBC в реакторе БН
- Глава 5. Экспертная норма. Вероятностные и нечеткие правила диагностики
- 5. 1. Автоматическое выделение диагностических правил
- 5. 1. 1. Методы машинного поиска логических закономерностей
- 5. 1. 2. Закономерности коррозионной стойкости стали в натрии
- 5. 2. Деревья классификации для выявления правил диагностирования
- 5. 2. 1. Построение деревьев классификации
- 5. 2. 2. Деревья классификации аномальных спектров
- 5. 2. 3. Модификация алгоритма для работы с виброспектрами
- 5. 2. 4. Описание виброхарактеристик установки наборами правил
- 5. 3. Вероятностные правила диагностирования
- 5. 3. 1. Байесовская процедура вывода
- 5. 3. 2. Экспертная система BAYES
- 5. 4. Нечеткие алгоритмы диагностирования
- 5. 4. 1. Нечеткие множества для учета неопределенности
- 5. 4. 2. Косвенное измерение расхода РБМК
- 5. 4. 3. Диагностика отказов термопар корабельной ЯЭУ
- 5. 4. 4. Программа-советчик оператора корабельной ЯЭУ.. 222 5.5. Выводы к главе
- 5. 1. Автоматическое выделение диагностических правил
- 6. 1. Алгоритмы диагностирования по результатам радиографического контроля
- 6. 1. 1. Радиографический контроль сварных соединений на АЭС
- 6. 1. 2. Предварительная обработка и сегментация рентгеновских снимков
- 6. 1. 3. Группировка рентгеновских снимков сварных соединений
- 6. 1. 4. Распознавание образов методом опорных векторов
- 6. 1. 5. Машины опорных векторов для распознавания дефектов
- 6. 1. 6. Влияние параметров снимка на качество выявления дефектов
- 6. 2. Алгоритмы диагностирования, но результатам ультразвукового контроля
- 6. 2. 1. Ультразвуковой контроль сварных соединений на АЭС
- 6. 2. 2. Эвристический алгоритм ультразвуковой диагностики дефектов
- 6. 2. 3. Автоматическое выявление дефектов сварных соединений
- 6. 2. 4. Поточечная классификация дефектов методом опорных векторов
- 6. 2. 5. Постобработка результатов поточечной классификации
- 6. 2. 6. Программная реализация алгоритмов дефектоскопии
- 6. 3. Выводы к главе
Список литературы
- Hines J.W., Uhrig R.E. Trends in computational intelligence in nuclear engineering // Progress in Nuclear Energy. 2005. Vol. 46, no. 3−4. Pp. 167−175.
- Uhrig R.E., Hines J.W.' Computational intelligence in nuclear engineering // Nuclear Engineering and Technology. 2005. Vol. 37, no. 2. P. 127.
- Uhrig Robert E., Tsoukalas Lefteri H. Soft computing technologies in nuclear engineering applications // Progress in Nuclear Energy. 1999*. Vol. 34, no. 1. Pp. 13 75.
- Болтенков В.А., Молина Т. О. Интеллектуальные технологии в системах диагностики АЭС // Искусственный интеллект. 2004. № 3. С. 274−278.
- Бегун В. В. Каденко И.Н. и др., Торбунов О. В. Вероятностный анализ безопасности атомных станций. К.: НТУ КПИ, 2000. 559 с.
- Dubuisson В., Lavison P. Surveillance of a nuclear reactor by use of a pattern recognition methodology // Systems, Man and Cybernetics, IEEE- Transactions on. 1980. Vol. 10, no. 10. Pp. 603−609.
- Gonzalez R. C., Howington L. C. Machine Recognition of Abnormal Behavior in Nuclear Reactors // Systems, Man and Cybernetics, IEEE Transactions on. 1977. Vol. 7, no. 10. Pp. 717 -728.
- Smith C.M., Gonzalez R.C. Long-term automated surveillance of a commercial nuclear power plant // Progress in Nuclear Energy. 1985. Vol. 15. Pp. 17−26.
- Gonzalez R. C., Pry D. N., Kryter R. C. Results in the Application of Pattern Recognition Methods to Nuclear Reactor Core Component Surveillance // Nuclear Science, IEEE Transactions on. 1974. Vol. 21, no. 1. Pp. 750 -756.л
- Mogilner A.I., Skomorokhov A.O., Shvetsov D.M. On the problem of noise spectra classification in nuclear power plant operation diagnostics // Nuclear Technology. 1981. Vol. 53, no. 1. Pp. 8−18.
- Могильнер А. И., Скоморохов А. О. Исследование метода диагностики теплового состояния активной зоны ЯЭУ с помощью ЭВМ // Вопросы атомной науки и техники. 1979. Т. 4, № 8. С. 5−14.
- Могильнер А. И., Скоморохов А. О., Кривелев Г. П., Шведов Д. М. О задаче классификации спектров шумов в диагностике ЯЭУ // Препринт ФЭИ-658. 1976. С. 1−15.
- Reifman J. Survey of Artificial Intelligence Methods for Detection and Identification of Component Faults in Nuclear Power Plants // Nuclear Technology. 1997.-July. Vol. 119, no. 1. Pp. 76−97.
- Nelson W.R. REACTOR: an expert system for diagnosis and treatment of nuclear reactor accidents // Proceedings of the' Second National Conference on Artificial Intelligence. 1982. Pp. 296−301.
- Foslien W., Guralnik V., Haigh K.Z. Data Mining For Space Applications // SpaceOps 2004. Montreal, Canada May 17 — 21, 2004. Pp. 1−10.
- Haigh K.Z., Foslien W., Guralnik V. Visual Query Language: Finding patterns in and relationships among time series data // Proceedings of the seventh Workshop on Mining Scientific and Engineering Datasets / Citeseer. 2004.
- Wang X.Z. Data mining and knowledge discovery for process monitoring and control. Springer Verlag, 1999. 251 pp.
- Jang G.S., Keum J.Y., Park J.Y., Kim Y.K. Active Alarm Processing in a Nuclear Power Plant // IEEE Symposium on Advanced Management of Information for Globalized Enterprises, 2008. AMIGE 2008. 2008. Pp. 1−3.
- Trontl K., Pevec D., Smuc T. Machine Learning of the Reactor Core Loading Pattern Critical Parameters // International Conference Nuclear Energy for New Europe 2007. 2007.
- Zavaljevski N., Gross K.C. Support vector machines for nuclear reactor state estimation // ANS International Topical Meeting on Advances in Reactor Physics and Mathematics. Vol. 7. 2000.
- Vilalta R, Valerio R- Ocegueda-Hernandez F, Watts G. The effect of the fragmentation problem in decision tree learning applied to the search for single top quark production // Journal of Physics: Conference Series. 2010. Vol. 219, no. 3. P. 32 063.
- Zhang S., Zhang C., Yang Q. Data preparation for data mining // Applied Artificial Intelligence. 2003. Vol. 17, no. 5. Pp. 375−381.
- Flynn D., Ritchie J., Cregan M. et al. Data mining techniques applied to power plant performance monitoring // 16th IFAC world congress, Prague. 2005.
- Guan J. W., Bell D. A. Rough Knowledge Discovery for Nuclear Safety // International Journal of General Systems. 2000. Vol. 29, no. 2. Pp. 231−249. URL: http://dx.doi.org/10.1080/3 081 070 008 960 931.
- Wang X.Z., McGreavy C. Automatic classification for mining process operational data // Ind. Eng. Chem. Res. 1998. Vol. 37, no. 6. Pp. 2215−2222.
- Guan J., Bell D. Data Mining for Monitoring Loose Parts in Nuclear Power Plants // Rough Sets and Current Trends in Computing / Springer. 2001. Pp. 314−321.
- Guan J.W., Bell D.A. Rough Sets and Data Mining-Data Mining for Monitoring Loose Parts in Nuclear Power Plants // Lecture Notes in Computer Science. 2001. Vol. 2005. Pp. 314−321.
- Skomorokhov A. Nuclear power plant diagnostics in APL // APL Quote Quad. 1991. Vol. 21, no. 4. Pp. 289−300.
- Uhrig R. E. Application of Neural Networks to the Operation of Nuclear Power Plants // Proc. of 6th Symposium on Nuclear Reactor Surveillance 1 and Diagnostics (SMORN-VI). Vol. 2. Gatlinburg: 1991. —May. Pp. 149 -158.
- Marseguerra M.- Padovani E. Possible Improvements of the Reactor Safety via Neural Networks // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). Vol. 1. Avignon: 1995, — June. Pp. 311 320.
- Carre J. C., Martinez J. M. Approach to Identification and Advanced Control of PWR Using Neural Networks // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 2. Gatlinburg: 1991.-May. Pp. 159 -166.
- Upadhyaya B. R., Glockler O. Estimation of Feedback Parameters in Pressurized Water Reactors Using Neural Networks // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 2. Gatlinburg: 1991.-May. Pp. 175 189.
- Andersson Т., Demaziere C., Nagy A. et al. Development and Application of Core Diagnostics and Monitoring for the Ringhals PWRs // Progress in Nuclear Energy. 2003.-July. Vol. 43, no. 1. Pp. 35−41(7).
- Ayaz E., § eker S., Barutgu В., Tiirkcan E. Comparisons Between the Various Types of Neural Networks With the Data of Wide Range Operational Conditions of the Borssele NPP // Progress in Nuclear Energy. 2003. — July. Vol. 43- no. 1. Pp. 381−387(7).
- Leonard J.A., Kramer M.A. Diagnosing dynamic faults using modular neural nets // IEEE Expert. 1993. Vol. 8, no. 2. Pp. 44−53.
- Шаповалова С.И., Шараевский Г. И. Среда моделирования нейронных сетей для решения задач диагностики оборудования АЭС // Проблеми програмувания. 2008. № 2−3. С. 675−678.
- Na M.G. A neuro-fuzzy inference system for sensor failure detection using wavelet denoising, PCA and SPRT // Journal-Korean Nuclear Society. 2001. Vol. 33, no. 5. Pp. 483−497.
- Na M.G., Oh S. A neuro-fuzzy inference system combining wavelet de-noising, principal component analysis, and sequential probability ratio test for sensor monitoring // Nuclear Technology. 2002. Vol. 140, no. 2. Pp. 178−197.
- Ruan Da, Roverso Davide, Fantoni Paolo F. Computational Intelligence Approaches for Parametric Estimation and Feature Extraction of Power Spectral Density. 2009. URL: http://citeseerx.ist.psu.edu/ viewdoc/summary?doi=10.1.1.145.2584.
- Лескин С. Т. Алгоритмы классификации для анализа состояний активной зоны по данным измерительной системы внутриреакторного контроля // Известия вузов. Ядерная энергетика. 1996. № 4. С. 20−26.
- Лескин С. Т., Жидков С. В. Представление состояния активной зоны ВВЭР-1000 минимальным связным графом // Известия вузов. Ядерная энергетика. 1997. № 3. С. 9−13.
- Лескин С. Т., Жидков С. В. Система оценки состояния активной зоны ВВЭР-1000 по данным внутриреакторного контроля при эксплуатации энергоблока // Известия вузов. Ядерная энергетика. 1998. № 3. С. 12−17.
- Лескин С. Т. Разработка алгоритмов распознавания аномалий в состоянии оборудования АЭС по анализу данных оперативного технологического контроля // Известия вузов. Ядерная энергетика. 1997. № 4. С. 4−11.
- Лескин С. Т., Зарюгрш Д. Г. Комплекс программ DINA-I для диагностирования главных циркуляционных насосов ВВЭР по данным оперативного технологического контроля // Известия вузов. Ядерная энергетика. 2001. № 1. С. 3−12.
- Лескин С. Т., Валуй В. В., Зарюгин Д. Г. Применение нейронных сетей для задач диагностики ГЦН по данным оперативного технологического контроля // Известия вузов. Ядерная энергетика. 2001. № 2. С. 15−21.
- Лескин С. Т., Валуй В. В. Применение метода главных компонент для диагностики насосов высокого и низкого давления по результатам испытаний в процессе эксплуатации АЭС с ВВЭР // Известия вузов. Ядерная энергетика. 2002. № 4. С. 38−45.
- Лескин С. Т., Корнилова В. В. О возможности идентификации аномалии в состоянии насосов высокого и низкого давления по результатам испытаний на АЭС с ВВЭР // Известия вузов. Ядерная энергетика. 2005. № 4. С. 56−63.
- Шараевский И.Г., Письменный Е. Н., Домашев Е. Д. Возможности совершенствования компьютерных систем контроля АЭС на основе методов искусственного интеллекта // Пром. теплотехника. 2000. Т. 22, № 1. С. 70 7,7.
- Болтенков В.А., Молина Т. О. Интеллектуальные технологии в системах диагностики АЭС // Искусственный интеллект. 2004. Т. 3. С. 274−278.
- Ruan D. Intelligent systems in nuclear applications // International Journal of Intelligent Systems. 1998. Vol. 13. Pp. 115−125.
- Hines J.W., Davis E. Lessons learned from the US nuclear power plant on-line monitoring programs // Progress in Nuclear Energy. 2005. Vol. 46, no. 3−4. Pp. 176−189.
- Upadhyaya B. R., Zhao K., Lu B. Fault Monitoring of Nuclear Power Plant Sensors and Field Devices // Progress in Nuclear Energy. 2003. — July. Vol. 43, no. 1. Pp. 337−342(6).
- Pepyolyshev Yu. N., Dzwinel W. Pattern Recognition-System for the Nuclear Reactor Noise Image Analysis and Diagnostics // Proc. of 6th Symposium on Nuclear Reactor Surveillance and’Diagnostics'(SMORN-VI). Vol. 2. Gatlinburg: 1991.-May. Pp. 209 220:
- Marseguerra M., Zio E., Torri G. Power Density Axial Oscillations Induced By Xenon Dynamics: Parameter Identification Via Genetic Algorithms // Progress in Nuclear Energy. 2003. —July. Vol. 43, no. 1. Pp. 365−372(8).
- Marseguerra M., Zio E., Baraldi P., Oldrini A. Fuzzy logic for signal prediction in nuclear system // Progress in Nuclear Energy. 2003. no. 1−4. Pp. 373−380.
- Nabeshima K., Suzuki K., Turkcan E. Neural Network with an Expert System for Real-time Nuclear Power Plant Monitoring // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). Vol. 1. Avignon: 1995.-June. Pp. 269 277.
- Hampel R., Traichel A., Fleisher S., Kastner W. Water Level in Boiling Water Reactors — Measurement, Modelling, Diagnosis // Progress in Nuclear Energy. 2003. —July. Vol. 43, no. 1. Pp. 121−128(8).
- Fantoni P. F., Hoffmann M. I., Shankar R., Davis E. L. On-line Monitoring of Instrument Channel Performance in Nuclear Power Plant Using PEANO // Progress in Nuclear Energy. 2003. —July. Vol. 43, no. 1. Pp. 83−89(7).
- Siskos J., Lochard J., Lombardo J. A multicriteria decision-making methodology under fuzziness: Application to the evaluation of radiological protection in nuclear power plants // Fuzzy Sets and Decision Analysis. 1984. Pp. 261−283.
- Fantoni P.F. A neuro-fuzzy model applied to full range signal validation of PWR nuclear power plant data // International Journal of General Systems. 2000. Vol. 29, no: 2. Pp. 305−320.
- Na M.G. Design of a genetic fuzzy controller for the nuclear steam generator water level control // IEEE Transactions on Nuclear Science. 1998. Vol. 45, no. 4. P. 2261.
- Guimaraes A.C., Franklin Lapa C.M. Effects analysis fuzzy inference system in nuclear problems using approximate reasoning // Annals of nuclear Energy. 2004. Vol. 31, no. 1. Pp. 107−115.
- Аркадов Г. В., Павелко В. И., Усанов А. И. Виброшумовая диагностика ВВЭР / Под ред. А. А. Абагяна. М.: Энергоатомиздат, 2004. 344 с.
- Trenty A., Puyal С., Klajnmic Н. SINBAD, A Data Base for PWR Internals Vibratory Monitoring // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 1. Gatlinburg: 1991.— May. Pp. 253 264.
- Treiity A. Operational Feedback on Internal Structure Vibration in 54 French PWRs during 300 Fuel Cycles // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). Vol. 1. Avignon: 1995.-June. Pp. 40−48.
- Ciftcioglu O. Synthetic Noise Benchmark Data Analysis for Anomaly By Pattern Recognition Methodology // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 1. Gatlinburg: 1991.-May. Pp. 345 -355.
- Mori M., Kaino M., Kanemoto S. et al. Development of Advanced Core Noise Monitoring System for BWRs // Progress in Nuclear Energy. 2003.-July. Vol. 43, no. 1. Pp. 43−49(7).
- Kiss J., Soumelidis A., Bokor J. Applying Artificial Neural Networks in Nuclear Power Plant Diagnostics // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). Vol. 1. Avignon: 1995.-June. Pp. 323- 331.
- Hayashi K, Shinohara Y., Konno H. Study of a Modeling Method for Nonlinear Reactor Noise // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 1. Gatlinburg: 1991.— May. Pp. 291 302.
- Alguindigue I. E., Uhrig R. E. Vibration Monitoring With Artificial Neural, Networks // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol.2. Gatlinburg: 1991.—May. Pp.185— 196.
- Glockler 0., Pazsit I., Garis N. S. Neural Network Techniques for Control Rod Localization // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). Vol. 1. Avignon: 1995. — June. Pp. 350 358.
- Olma B. J. Acoustic Monitoring of U-Tube Steam Generators // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 2. Gatlinburg: 1991.-May. Pp. 347−359.
- Hessel G., Schmitt W., Weiss F.-P. Acoustic Leak Monitoring with Neural Networks at Complicated Structures // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). Vol. 1. Avignon: 1995. June. Pp. 359 — 366.
- Takahashi M., Miyazaki Т., Miyamoto A., Kitamura M. Goal-Oriented Flexible Sensing for Higher Diagnostic Performance of Nuclear Plant Instrumentation // Progress in Nuclear Energy. 2003. —July. Vol. 43, no. 1. Pp. 105−111(7).
- Горбунов В. И., Епифанцев Б. Н. Автоматические устройства в радиационной дефектоскопии. М.: Атомиздат, 1979.
- Jagannathan Н., Bhaskar N., Sriraman P., Vijay N. A Step Towards Automatic Defect Pattern Analysis and Evaluation in Industrial Radiography using Digital Image Processing // Proc. of 15th World Conference on Nondestructive Testing. Roma: 2000.
- Федотов H. Г., Никифорова Т. В. Техническая дефектоскопия на основе новой теории распознавания образов / / Измерительная техника. 2002. № 12. С. 27 31.
- Ефименко JL А., Григорченко С. А. Программное обеспечение комплекса автоматизированной расшифровки радиографических изображений // Контроль. Диагностика. 2007. № 12. С. 26−29.
- Фурсов А. С., Филинов М. В. К вопросу об автоматизации анализа изображений аппаратно-программными комплексами цифровой радиографии // Контроль. Диагностика. 2008. № 9. С. 6−15.99,100,101.102 103 104 105,106107108109110111112
- Тихонов A.H., Арсенин В. Я. Методы решения некорректных задач. М.: Наука, 1974. 142 с.
- Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. 411 с.
- Химмельблау Д. Обнаружение и диагностика неполадок в химических и нефтехимических процессах. Ленинград: Химия, 1983. 351 с. Перевод с английского.
- Jacobs R.T., Merrill J.A. The application of statistical methods of analysis for predicting burnout heat flux // Nuclear Science and Engineering. 1960. Vol. 8. Pp. 480−496.
- Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника, 1971. 372 с.
- Бард Й. Нелинейное оценивание параметров. М.: Статистика, 1979. 349 с.
- Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 447 с.
- Ивахненко А.Г., Зайченко Ю. П., Димитров В. Д. Принятие решений на основе самоорганизации. М.: Сов. радио, 1976. 278 с.
- Skomorokhov А.О. Adaptive learning networks in APL2 // APL Quote Quad. 1993. Vol. 24, no. 1. Pp. 219−229.
- Асатурян В.И. Теория планирования эксперимента. М.: Радио и связь, 1983. 234 с.
- Химмельблау Д. Анализ процессов статистическими методами. М.: Мир, 1973. 957 с.
- Биргер И.А. Техническая диагностика. М.: Машиностроение, 1978. 239 с.
- Дорощук В.Е. Кризисы теплообмена при кипении воды в трубах. М.: Энергоатомиздат, 1983. 119 с.
- Еременко В. А. Пути обеспечения безопасности управления атомными энергетическими установками. Киев: Тэхника, 1988. 257 с.
- Анализ аномальных изменений параметров в реакторе 3-го блока БА-ЭС, имевших место 21.01.87.: отчет инв: N71/67 дсп: Тех. доклад, п/я а-7755: 1987.
- Fukunaga К., Koontz W.L.G. Application of the Karhunen-Loeve expansion to feature selection and ordering // IEEE Transactions on Computers. 1970. Vol. 100, no. 19. Pp. 311−318.
- Watanabe S. Karhunen-Loeve expansion and factor analysis, theoretical remarks and applications // Trans. 4th Prague Conf. Inform. Theory, Statist. Decision Functions, Random Processes. Pp. 635−660.
- Skomorokhov A. O., Slepov M. T. Pattern recognition in APL with application to reactor diagnostics // APL Quote Quad. 1999. Vol. 29, no. 3. Pp. 164−172.
- Тыоки Дж. Анализ результатов наблюдений. Разведочный анализ. М.: Мир, 1981. 696 с. Пер. с англ.
- Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наукова думка, 1982. 296 с.
- Mardia К. V., Kent J. Т., Bibby J. М. Multivariate Analysis. Academic Press, 1979. 521 pp.
- Доллежаль H. А., Емельянов И. Я. Канальный ядерный энергетический реактор. М.: Атомиздат, 1980. 208 с.
- Горелик А. Л., Скрипкин В. А. Построение систем распознавания. М.: Советское радио, 1974. 224 с.
- Юмашев Т.Г., и др. Методы повышения достоверности информации в системе &bdquo-Скала " // Автоматизация атомных электростанций. 1975. Т. 42. С. 44−57.
- Пархоменко П. П., Сагомонян Е. С. Основы технической диагностики. М.: Энергия, 1981. 319 с.
- Загребаев A.M., Костанбаев C.B., Овсянникова Н. В. Расчетно-изме-рительный комплекс контроля расхода в канале реактора РБМК на основе информации об активности теплоносителя // Известия вузов. Ядерная Энергетика. 2010. № 1. С. 138−145.
- Загребаев A.M., Костанбаев C.B., Овсянникова Н. В. и др. Контроль расхода в технологическом канале РБМК Hat основе информации об активности теплоносителя // Атомная Энергия. 2010. Т. 108, № 2. С. 82−86.
- Ben-Haim Y. Malfunction isolation in linear stochastic systems: application to nuclear power plants // Nucl.sci. and eng. 1983. no. 85. Pp. 156−166.
- Ицкович Э. JI. Контроль производства с помощью вычислительных машин. М.: Энергия, 1975. 416 с.
- Соболев В. И. Основы измерений в многомерных системах. М.: Энергия, 1975. 241 с.
- Протокол эксперимента: Тех. доклад. Инв.№ ПР-1348: ЛАЭС, 11.05.81.
- Грязнов А. М. Контроль паросодержания в пароводяных коммуникациях реактора по показаниям системы KFO // Атомные энергетические станции. 1981. № 4. С. 60−69.
- Холлендер М., Вулф Д. Непараметрические методы статистики. М.: Финансы и статистика, 1983. 518 с.
- Фукунага К. Введение в статистическую теорию распознавания образов. М.: Наука, 1979. 307 с.
- Малиновский Л.Г. Классификация объектов средствами дискрими-нантного анализа. М.: Наука, 1979. 260 с.
- Афифи А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. М.: Мир, 1982. 488 с.
- Могильнер А.И., Селиванов В. М., Сергеев Ю. А., Скоморохов А. О: Информационно-диагностическая система для реактора АБВ-1,5.на базе* ЭВМ TPA-i и системы КАМАК // Обеспечение безопасности АЭС с ВВЭР. Подольск, 1977. С. 58−69.
- Могильнер А. И., Скоморохов А. О., Швецов Д. М., и др. Способ определения истинного объемного паросождения теплоносителя’ядерного реактора. Авторское’свидетельство 701 364. 1978.
- Вапник В.Н., Червоненкис А. Я. Теория распознавания образов. Mi: Наука, 1974. 415 с.
- Дюран В., Оделл П. Кластерный анализ / Под, ред. А. Я. Боярского. М.: Статистика, 1977. 125 с.
- Селиванов В.М. Модель ядерной энергетической установки для изучения динамических характеристик // Атомная энергия. 1969. Т. 27, № 1. С. 101−111.
- Могильнер А. И., Скоморохов А. О., Кривелев Р. П., Швецов Д.М'. О задаче классификации спектров шумов в диагностике ЯЭУ // Препринт ФЭИ-658. 1976. С. 1−18.
- Фукунага К. Введение в.статистическую теорию распознавания образов. М: Наука, 1979. 307 с.
- Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. 511 с.
- Skomorokhov A., Zalivin A. Using OpenGL Graphics in Dyalog APL // Vector. 1998. Vol. 15, no.Д. Pp. 34−49.
- Fukunaga K., Koontz W. Application of the Karhunen-Loeve expansion to feature selection and ordering // IEEE Transactions on Computers. 2006. Vol. 100- no. 4. Pp. 311−318.
- Аркадов Г. В., Павелко В. И., Усанов А. И. Виброшумовая диагностика ВВЭР. М.: Энергоатомиздат, 2004. С. 344.
- Аркадов Г. В., Павелко В. И., Финкель Б. М. Системы диагностирования ВВЭР. М.: Энергоатомиздат, 2010. 391 с.
- Морозов С.А., Скоморохов А. О., Слепов М. Т. Автоматизация процедуры выделения пиков в вибрационных спектрах // Препринт ФЭИ-2759. 1999. С. 1−16.
- Панов Е. А. Практическая гамма-спектрометрия на атомных станциях. М.: Энергоатомиздат, 1990. 198 с.
- Savitzky A., Golay Marcel J.E. Smoothing and Differentiation of Data by Simplified Least Squares Procedures // Analytical Chemistry. 1964. no. 36. Pp. 1627−1639.
- Скоморохов А. О., Слепов M. Т. Контроль достоверности информации в системе' вибродиагностики Нововоронежской АЭС // Известия ВУЗов. Ядерная энергетика. 1999. № 1. С. 56−65.
- Скоморохов А.О. Модели теории распознавания образовав диагностировании АЭС. Конспект лекций. Обнинск: ИАТЭ, 1988. 80 с.
- Скоморохов А. О., Кутинский В. Н. «ВиброЭксперт» программа анализа спектров сигналов системы вибрационного мониторинга Нововоронежской АЭС // Свидетельство о государственной регистрации программы для ЭВМ № 2 006 613 768 от 14.08.2006.
- Соловьев С.П. Аварии и инциденты на атомных электростанциях. Обнинск: ОИАТЭ, 1992.
- Морозов С. А., Ковтун С. Н., Буданин А. А. и др. Система акустического контроля течей (САКТ). Препринт. Обнинск: ФЭИ -3082, 2006. С. 1−24.
- Larose D.' Т. Discovering Knowledge in Data. John Wiley and Sons. NY, 2005. 120 pp.
- Han J., Kamber M. Data Mining. Concepts and Techniques. New York: Morgan Kaufman, 2001. 420 pp.
- Kantardzic M. Data Mining: Concepts, Models, Methods, and Algorithms. John Wiley & Sons, 2003. 343 pp.
- Скоморохов А. О., Белоусов П. А., Морозов С. А. Кластерный анализ сигналов системы акустического контроля течи // Известия вузов. Ядерная энергетика. 2006. № 4. С. 3−12.
- Загоруйко Н. Г. Методы распознавания и их применение. М: Советское Радио, 1972. 208 с.
- Dyalog: The tool of thought for expert programming, http://www.dyalog.com.1.grand Bernard. Mastering Dyalog APL: A Complete Introduction to Dyalog APL. Dyalog Limited, 2009. 796 pp.
- Лоули Д., Максвелл А. Факторный анализ. Пер. с англ. М.: МИР, 1967.
- R Development Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2008. ISBN 3−900 051−07−0. URL: http://www.R-project.org.
- Скоморохов А. О., Кудряев A.A., Морозов C.A. Нейросетевые модели фильтрации сигналов и диагностирования течи трубопроводов ВВЭР // Известия вузов. Ядерная энергетика. 2010. № 4. С. 72−80.
- Kdb+ database and q programming language. URL: http://kx.com/.
- Skomorokhov A. Neural network implementation in K. URL: http:// nsl.com/k/nnn.k.
- Ломакин С. С. Ядерно-физические методы диагностики и контроля активных зон реакторов АЭС. М.: Энергоатомиздат, 1986. 119 с.
- Bishop С.М. Neural networks for pattern recognition. Oxford University Press, USA, 1995. 482 pp.
- Ripley B.D. Pattern recognition and neural networks. Cambridge Univ Pr, 2008. 401 pp.
- Berthold M., Hand D.J. Intelligent data analysis: an introduction. Springer Verlag, 2003. 514 pp.
- Skomorokhov A. Radial basis function networks in A-f // APL Quote Quad. 2002. Vol. 32, no. 4. Pp. 198−213.
- Geyer-Schulz A. Fuzzy rule-based expert systems and genetic machine learning. Physica-Verlag, 1995. 413 pp.
- Skomorokhov A. O. Genetic algorithms: APL2 implementation and a real life application // APL Quote Quad. 1996. Vol. 26, no. 4. Pp. 97−106.J
- Браунли К. А. Статистическая теория и методология в науке и технике: Пер. с англ. М.: Наука, 1977.
- Эфрон Б. Нетрадиционные методы многомерного статистического анализа: Пер. с англ. М.: Финансы и статистика, 1988.
- Скоморохов А. О., Лукьянов Д. А. Применение метода перекомпенсации для определения местоположения негерметичных сборок в реакторах на быстрых нейтронах // Известия вузов. Ядерная энергетика. 2007. № 2. С. 16−25.
- Скоморохов А. О., Лукьянов Д. А. Методика локализации дефектных ТВС при проведении штатных перекомпенсаций в реакторе БН-600 // Известия вузов. Ядерная энергетика. 2007. Т. 3, № 1. С. 120—129.
- Загоруйко Н.Г. Методы обнаружения закономерностей. М.: Знание, 1981. 62 с.
- Лбов Г. С. Методы обработки разнотипных экспериментальных данных. Новосибирск: Наука, 1981. 160 с.
- Skomorokhov А.О. A knowledge discovery method: APL implementation and application // APL Quote Quad. 2000. Vol. 30, no. 4. Pp. 204−211.
- Невзоров Б.А. и др. Коррозия конструкционных материалов (в жидких щелочных металлах). М.: Атомиздат, 1977. 263 с.
- Breiman L., Friedman J.H., Olshen R.A., Stone C.J. Classification and regression trees. Cole, Pacific Grove, California, USA: Wadsworth & Brooks, 1984. 358 pp.
- Skomorokhov A., Kutinsky V. Classification trees in APL: implementation and application // APL Quote Quad. 2000. Vol. 31, no. 2. Pp. 101−113.
- R Development Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2010. ISBN 3−900 051−07−0. URL: http://www.R-project.org.
- Skomorokhov A., Kutinsky V. Cooperative computing based on dyalog APL and the R statistical system // APL Quote Quad. 2003. Vol. 34, no. 1. Pp. 15−29.
- Skomorokhov AO, Kutinsky VN, Slepov MT. Some modifications of the algorithm for construction of classification trees // Pattern Recognition" and Image Analysis. 2008. Vol. 18, no. 1. Pp. 132−138.
- Duda R.O., Hart P.E. Pattern classification and scene analysis. 1973.
- Скоморохов A.O., Лукьянов Д. А. «BAYES-бОО» — Байесовская диагностирующая система для определения зоны расположения негерметичной ТВС в реакторе БН-600 // Авторское свидетельство об официальной регистрации программ для ЭВМ 2 006 613 917 от 15.11.2006.
- Skomorokhov A. Ol, Lukyanov D. A. Bayes Diagnostic System to Locate the Defected Fuel Assembly Zone on BN-600 Reactor // BgNS Transactions. 2005. Vol. 10, no. 1. Pp. 305 310.
- Заде JI.A. Основы нового подхода к анализу сложных систем и процессов принятия решений. М.: Знание, 1974. 49 с.
- Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976.
- Skomorokhov Alexander О., Reinhardt К.-Н., Roche G., Tielemann M. Fuzzy control of technological processes in APL2 // APL Quote Quad. 1995. Vol. 25, no. 4. Pp. 179−184.
- Скоморохов А. О. Нечеткие диагностирования отказов датчиков pi косвенного измерения технологических параметров АЭС // Сб. докл. международной конференции по мягким вычислениям и измерениям SCM'2004. Т. 1. СПб.: 2004.-Июнь. С. 189−193.
- Скоморохов А. О., Белоусов П. А., Нахабов А. В. APL как математическая нотация и язык программирования для нечетких вычислений // Сб. докл. международной конференции по мягким вычислениям и измерениям SCM'2004. Т. 1. СПб.: 2004.-Июнь. С. 194−198.
- Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981.
- Мельников Ю.Н. Достоверность информации в сложных системах. М.: Сов. радио, 1973.
- Инженерная психология в военном деле / Под ред. Б. Ф. Ломова. М.: Воениздат, 1983.
- Шапиро Д.И. Принятие решений в системах организационного управления: использование расплывчатых категорий. М.: Энергоатомиздат, 1983.
- Хамби Э. Программирование таблиц решений. М.: Мир, 1976.206- ГОСТ 7512–82. Контроль неразрушающий. Соединения сварные. Радиографический метод (с Изменением Nfi 1). 2003.
- Скоморохов А. О., Нахабов А. В., Белоусов П. А. Автоматизированный анализ результатов радиографического контроля сварных соеди- • нений на АЭС // Известия вузов. Ядерная энергетика. 2009. № 3. С. 29−36.
- Никифоров В. Н. Последовательное обнаружение изменения свойств временных рядов. М.: Наука, 1983.
- Загоруйко Н. Г. Методы распознавания и их применение. М.: Советское Радио, 1972. 208 с.
- Сошникова Л. А., Тамашевич В. Н., Уебе Г., Шефер М. Многомерный статистический анализ в экономике / Под ред. В. Н. Тамашевич. М.: Юнити-Дана, 1999. 598 с.
- Гайдышев И. Анализ и обработка данных: специальный справочник. СПб: Питер, 2001. 752 с.
- Cristianiny N., Shawe-Taylor J. An Introduction to Support Vector Machines and other kernel-based learning methods. Cambridge University Press, 2000. 189 pp.
- Burges C. J. C. A Tutorial on Support Vector Machines for Pattern Recognition // Data Mining and Knowledge Discovery. 1998. Vol. 2, no. 2. Pp. 121−167.
- Skomorokhov A., Nakhabov A. Support Vector Machines in A+ // APL Quote Quad. 2006. Vol. 34, no. 4. Pp. 8−17.
- Нахабов А. В., Скоморохов А. О. Акустическая диагностика кризиса теплообмена с применением алгоритмов SVM // Тез. докл. VIII Международной конференции &bdquo-Безопасность АЭС и подготовка кадров — 2003″. Обнинск: 2003.-Окт. С. 128−129.
- Нахабов А. В., Скоморохов А. О. «SVMClass» — программа классификации результатов неразрушающего^ контроля оборудования АЭС на основе алгоритмов опорных векторов // Свидетельство о государственной регистрации программы для ЭВМ Ш 2 008 613 243 от0707.2008.
- Nakhabov А. V., Skomorokhov А. О. Development of Methods for Automated Result Analysis in Radiographic Testing // Тез. докл. X Международной конференции &bdquo-Безопасность АЭС и подготовка кадров — 2007″. Обнинск: 2007.-Окт. С. 90−91.
- Бадалян В. Г., Вопилкин А. X. Мониторинг сварных соединений трубопроводов с использованием систем автоматизированного УЗК с когерентной обработкой данных //В мире неразрушающего контроля. 2004.-Декабрь. № 4(26). С. 22−27.
- Мокроусов А. С., Стрелков Б. П., Шершов А. В., Щедрин И. Ф. Новые технологии контроля целостности сварных соединений аусте-нитных трубопроводов // Годовой отчет ФГУП НИКИЭТ / Под ред. Е. О. Адамова. М., 2000. С. 168−169.
- Мокроусов А. С., Стрелков Б. П., Шершов А. В., Щедрин И. Ф. Полуавтоматическая установка для ультразвукового контроля сварных соединений трубопроводов Ду 300 // Годовой отчет ФГУП НИКИЭТ / Под ред. Е. О. Адамова. М., 2000. С. 170−171.
- Cohen R. A. An Introduction to PROC LOESS for Local Regression. SAS. Institute Inc., 2002. Pp. 9−17.
- Скоморохов А. О., Белоусов П. А., Нахабов А. В. и др. Автоматическое выявление дефектов по результатам УЗК сварных соединений трубопроводов АЭС // Известия вузов. Ядерная энергетика. 2005. № 2. С. 16−25.
- Скоморохов А. О., Белоусов П. А., Нахабов А. В. и др. Система автоматизированного анализа результатов ультразвукового контроля сварных соединений трубопроводов АЭС // Годовой отчет ФГУП НИКИ-ЭТ / Под ред. О. Е. Адамова. М., 2004. С. 154−155.
- Skomorokhov А. О., Belousov P. A., Nakhabov А. V. Cluster Analysis of Ultrasonic Testing Data // Pattern Recognition and Image Analysis. 2006. Vol. 16, no. 1. Pp. 82−84.