用于核电站设计阶段的可用率评价方法

    公开(公告)号:CN105260947B

    公开(公告)日:2019-06-25

    申请号:CN201510669724.X

    申请日:2015-10-13

    IPC分类号: G06Q50/06

    摘要: 一种用于核电站设计阶段的可用率评价方法,包括:S1、筛选出可能影响机组大修的系统;S2、筛选出不能在RP模式下退出维修的设备并确定维修窗口;S3、将各设备与参考电站的设备进行对比,以设备类维修模板/参考电站的运行维修经验数据为参考,运用RCM分析方法进而制定各待分析设备在大修期间的预防性维修策略;S4、根据预防性维修策略以及维修窗口,基于维修项目之间或者维修项目与ROO换料项目之间的用时覆盖原则确定维修项目是否为关键路径,基于占用关键路径的维修项目计算各类型大修的基本用时;S5、计算可用率;S6、判断可用率是否满足要求。本发明中通过计算可用率实现了对核电站的定量评价,适合差异性的及设备运行维修经验缺乏的新建核电站。

    一种通过维修性评价选择核电站阀门的方法

    公开(公告)号:CN104376175B

    公开(公告)日:2017-11-14

    申请号:CN201410668193.8

    申请日:2014-11-20

    IPC分类号: G06F17/50

    CPC分类号: Y02E60/76 Y04S40/22

    摘要: 本发明提供了一种通过维修性评价选择核电站阀门的方法,包括:获取阀门在核电站中所执行的功能,故障模式,故障后果;并根据所述故障模式和所述故障后果,通过RCM决断逻辑方法,确定维修策略清单;根据所述维修策略清单,获取所述阀门的维修窗口;并根据所述维修策略清单,获取所述阀门的退出窗口;获取所有所述机组运行模式下所述维修窗口与所述退出窗口的交集,若该交集为非空集合时,建立所述阀门运用于所述核电站中时的三维模型,并在该三维模型中加入虚拟人;判断所述虚拟人是否能在所述三维模型中完成所有的所述维修动作,若是,则判定所述阀门的维修是可达的,则将该阀门选用在核电站中。本发明方法简单明了,对阀门的选择具有预判性。

    一种通过维修性评价选择核电站阀门的方法

    公开(公告)号:CN104376175A

    公开(公告)日:2015-02-25

    申请号:CN201410668193.8

    申请日:2014-11-20

    IPC分类号: G06F17/50

    CPC分类号: Y02E60/76 Y04S40/22

    摘要: 本发明提供了一种通过维修性评价选择核电站阀门的方法,包括:获取阀门在核电站中所执行的功能,故障模式,故障后果;并根据所述故障模式和所述故障后果,通过RCM决断逻辑方法,确定维修策略清单;根据所述维修策略清单,获取所述阀门的维修窗口;并根据所述维修策略清单,获取所述阀门的退出窗口;获取所有所述机组运行模式下所述维修窗口与所述退出窗口的交集,若该交集为非空集合时,建立所述阀门运用于所述核电站中时的三维模型,并在该三维模型中加入虚拟人;判断所述虚拟人是否能在所述三维模型中完成所有的所述维修动作,若是,则判定所述阀门的维修是可达的,则将该阀门选用在核电站中。本发明方法简单明了,对阀门的选择具有预判性。

    一种核电厂复杂设备可靠性模型构建方法和系统

    公开(公告)号:CN115292907A

    公开(公告)日:2022-11-04

    申请号:CN202210833476.8

    申请日:2022-07-15

    摘要: 本发明涉及一种核电厂复杂设备可靠性模型构建方法和系统,包括步骤:确定复杂设备的分析范围和分析边界;根据所确定的分析范围和分析边界,对复杂设备的功能及结构进行分析,获得复杂设备的功能结构层次;确定复杂设备的可靠性模型的顶事件;基于顶事件确定复杂设备的部件故障模式及原因;根据复杂设备的功能结构层次、复杂设备的部件故障模式及原因,并基于顶事件构造复杂设备的可靠性模型。本发明通过该可靠性模型可以识别影响核电厂复杂设备功能的关键部件和故障模式及其产生机理,实现有针对性的、高效的设备预测预防管理,提升设备可靠性水平,保障核电厂安全、稳定、可靠运行。

    一种基于深度神经网络的设备健康状况评估方法和装置

    公开(公告)号:CN109829538A

    公开(公告)日:2019-05-31

    申请号:CN201910150890.7

    申请日:2019-02-28

    IPC分类号: G06N3/04 G06N3/08 G01M99/00

    摘要: 本发明公开了一种基于深度神经网络的设备健康状况评估方法和装置。所述方法包括:将待测设备模拟运行在不同的工作状态下,并获取不同工作状态下对应的振动频域信号;随机选取预设数量的振动频域信号作为样本数据,并采用DAE算法,来训练预设的深度神经网络;采用训练好的深度神经网络,来评估待测设备的健康状态。本发明提供的方法,结合设备大数据的特点与深度神经网络的优势,可以同时完成设备大数据故障特征自适应提取和设备健康状况的识别,还可以自适应地提取健康状况信号频谱中蕴含的故障信息,取得了较高的设备健康评估精度,更能表征设备数据内部隐藏的复杂多变的特性,在面对复杂的监测诊断任务时,可以更准备地识别设备健康状况。