Bayesian Transformer-LSTM, nüvə elektrik stansiyalarının əsas soyuducu nasoslarının zamanla dəyişən deqradasiya davranışından qalıq faydalı ömrü proqnozlaşdırmaq və həmin proqnozun qeyri-müəyyənliyini kəmiyyətcə ifadə etmək üçün Transformer, Long Short-Term Memory (LSTM) və Bayes sinir şəbəkəsi komponentlərini birləşdirən hibrid proqnostik arxitekturadır. Tədqiqat rotor val qurğusu, ikiqat konusvari sızdırmazlıq quruluşu və mühərrik ekran gilizi üçün ədədi nasazlıq analizlərini prototip təcrübələri ilə birləşdirərək komponentə xas deqradasiya xüsusiyyətlərini çıxarır, onları Mahalanobis məsafəsi və bulud ağırlıq mərkəzinə əsaslanan çəkiləndirmə ilə sistem səviyyəli əhatəli sağlamlıq indeksinə (Comprehensive Health Index, CHI) çevirir və CHI zaman sırasını Bayesian Transformer-LSTM modelinə verir. Birləşdirilmiş model üçün bildirilən ablasiya nəticələri MAE = 0,016, RMSE = 0,018 və R² = 0,997-dir. Qeyri-müəyyənliyin kəmiyyətcə qiymətləndirilməsində PICP = 0,839 və MPIW = 0,0435 bildirilmişdir.

Modelin məqsədi yalnız “əsas nasosun neçə saat ömrü qalıb?” sualına tək bir qiymətlə cavab vermək deyil. Bayes layı proqnozlaşdırılan RUL qiymətinin ətrafındakı qeyri-müəyyənlik paylanmasını da yaradır. Bununla belə, nəticələrin şərhində mühüm məhdudiyyətlər var: 15 illik deqradasiya ardıcıllığı bütövlükdə birbaşa sahə ölçməsi deyil; prototip təcrübələri, fiziki simulyasiyalar, Monte Carlo məlumat artırımı və istismar dövrü ekstrapolyasiyası birlikdə istifadə edilmişdir. Bundan əlavə, PICP = 0,839 tədqiqatın metrik tərifində qeyd olunan %95 nominal əhatə səviyyəsindən aşağıdır. Buna görə tədqiqat yüksək nöqtəvi proqnoz uğuru göstərsə də, qeyri-müəyyənlik kalibrlənməsinin daha da təkmilləşdirilməsi tələb olunur.

Tədqiqat problemi

Nüvə elektrik stansiyalarındakı əsas soyuducu nasos təzyiqli su reaktorunun birinci dövrəsinin əsas avadanlıqlarından biridir və tədqiqatda birinci dövrənin “ürəyi” kimi təsvir olunur. Bu nasosun plansız dayanması yalnız texniki xidmət xərcləri baxımından deyil, stansiyanın istismar davamlılığı baxımından da kritik olduğuna görə dövri texniki xidmət yanaşması əvəzinə avadanlığın real sağlamlıq vəziyyətini izləyən Prognostics and Health Management (PHM) üsullarına ehtiyac vardır.

Ənənəvi RUL modellərinin mühüm bir hissəsi gələcək ömrü tək bir rəqəm kimi verir. Məsələn, bir model “qalıq ömür 10.000 saatdır” deyə bilər; lakin bu qiymətin nə dərəcədə etibarlı olduğunu bildirməyə bilər. Nüvə avadanlığında bu çatışmazlıq xüsusilə vacibdir. Eyni nöqtəvi proqnoz dar və ya çox geniş qeyri-müəyyənlik intervalı ilə birlikdə ola bilər və bu iki vəziyyətin texniki xidmət qərarı baxımından mənası eyni deyil.

Qalıq Faydalı Ömrün Proqnozlaşdırılması Nədir?

Qalıq faydalı ömür (Remaining Useful Life, RUL) avadanlığın mövcud sağlamlıq vəziyyətindən funksional və ya texniki xidmət baxımından müəyyən edilmiş ömrün sonu həddinə çatana qədər gözlənilən istifadə oluna bilən iş müddətidir. Bu tədqiqatda RUL əsas nasosun zaman ərzində yaradılan əhatəli sağlamlıq indeksindən proqnozlaşdırılan normallaşdırılmış həyat vəziyyəti ilə real deqradasiya zaman miqyasının əlaqələndirilməsi yolu ilə əldə edilir.

Niyə proqnoz birbaşa xam sensorlardan aparılmadı?

Əsas nasos kimi mürəkkəb elektromexaniki sistemlərdə fərqli sensorlar fərqli fiziki kəmiyyətləri ölçür. Vibrasiya, cərəyan, gərginlik və boltun ilkin sıxma qüvvəsi həm ölçü vahidi, həm qiymət, həm də küy quruluşu baxımından bir-birindən fərqlənir. Bundan əlavə, tək bir sensordakı dəyişiklik bütün nasosun sağlamlıq vəziyyətini təmsil etməyə bilər.

Tədqiqat buna görə bütün xam siqnalları birbaşa RUL modelinə göndərmək əvəzinə əvvəlcə komponent səviyyəsində sağlamlıq göstəriciləri yaradır, daha sonra onları sistem səviyyəli CHI daxilində birləşdirir.

Araşdırılan üç kritik komponent

Tədqiqatçılar uzunmüddətli sahə rəyləri və komponentlərin təhlükəsizlik funksiyaları əsasında nasazlığa həssas üç altsistem seçmişdir:

• Rotor val qurğusu: Ox uyğunsuzluğu və podşipnik aşınması vibrasiya davranışını dəyişdirir.
• İkiqat konusvari sızdırmazlıq qurğusu: İlkin sıxma qüvvəsinin itkisi və istilik dövrləri sızdırmazlıq göstəricilərini pisləşdirə bilər.
• Mühərrik ekran gilizi: Aşınma və ya qabarmalar elektromaqnit itkilərini və struktur davranışını dəyişdirə bilər.

Əsas nasosun prototip sınaq platforması

Tədqiqatda nasazlıq mexanizmlərinin yalnız ədədi modeldən çıxarılmaması üçün əsas nasosun prototip sınaq platformasından istifadə edilmişdir. Platforma val sistemi, ikiqat konusvari sızdırmazlıq və kiçik miqyaslı ekran gilizi üçün nasazlıq sınaq qurğularını, məlumat toplama sistemini və ölçmə sensorlarını əhatə edir.

Məlumat toplamaq üçün NI 6233 kartından istifadə edilmiş və sistemin nümunəgötürmə tezliyinin 10.000 Hz-ə qədər çata bildiyi göstərilmişdir.

Rotor val qurğusunda vibrasiya niyə vacibdir?

Val sistemində eksantriklik nasazlığını yaratmaq üçün aşağı istiqamətləndirici valdakı mərkəzləmə sahəsi idarə olunan şəkildə emal edilərək yuxarı istiqamətləndirici oxla konsentriklik pozulmuşdur. Sağlam və nasaz vəziyyətdə vibrasiya dalğa formaları müqayisə edildikdə nasazlıq yeridilməsindən sonra pik vibrasiya amplitudunun sağlam istinaddan üç dəfədən çox olduğu müşahidə edilmişdir.

Buna görə vibrasiya amplitudu rotor-podşipnik sisteminin deqradasiyasına həssas xarakterik dəyişən kimi seçilmişdir.

İkiqat konusvari sızdırmazlığın istilik dövrü problemi

İkiqat konusvari sızdırmazlıq üçün bütün nasazlıq prosesini yalnız fiziki təcrübələrlə yenidən yaratmaq bahalı və vaxtaparan olduğuna görə ANSYS 17.0 ilə sonlu element modeli qurulmuşdur.

Qızdırma dövründə reaktor soyuducusunun orta temperaturunun təxminən 15 saat ərzində 22 °C-dən 320 °C-yə, birinci dövrə təzyiqinin isə 2 MPa-dan 15,0 MPa-a yüksəldiyi qəbul edilmişdir. Soyuq dayanma prosesində temperatur 320 °C-dən 22 °C-yə, təzyiq isə 15 MPa-dan 2 MPa-a təxminən 15 saat ərzində endirilmişdir.

Soyuma Sürəti İkiqat Konusvari Sızdırmazlığın Sızdırmazlıq Qabiliyyətinə Necə Təsir Edir?

Mənbə tədqiqatın simulyasiyasına görə soyuma sürətinin 10 °C/saatdan 40 °C/saata yüksəlməsi ikiqat konusvari sızdırmazlığın maksimal sızma sürətini 2,6 × 10⁻⁵ g/s-dən 1,1 × 10⁻⁴ g/s-yə çıxarmışdır; yəni təxminən 4,23 dəfə artım müşahidə edilmişdir. Eyni analizlərdə bolt yükü azaldıqca sızmanın artdığı müşahidə edildiyinə görə boltun ilkin sıxma qüvvəsi sızdırmazlığın deqradasiyasını izləmək üçün həssas xüsusiyyət kimi seçilmişdir.

Tədqiqatda göstərilən III Sinif sızdırmazlıq həddi ən çox 1,0 × 10⁻⁴ g/s-dir. 40 °C/saatlıq vəziyyətdə hesablanan maksimal qiymət bu həddi aşaraq tədqiqatda IV Sinif səviyyəsinə keçid kimi şərh edilmişdir.

Modelin fiziki doğrulanması üçün Bolt No.1 və simmetrik Bolt No.3 üzərində istilik dövrü təcrübələri aparılmışdır. Başlanğıc bolt ilkin sıxma qüvvəsi 300 kN kimi verilmişdir. Ədədi və eksperimental ilkin sıxma qüvvəsi meyllərinin bir-birinə yaxın olması boltun ilkin sıxma qüvvəsinin uyğun nasazlıq xüsusiyyəti kimi istifadəsini dəstəkləmişdir.

Mühərrik ekran gilizində çoxfizikalı model

Ekran gilizinin dağıdıcı fiziki nasazlıq sınaqları yüksək xərcli olduğuna görə tədqiqatçılar ANSYS Maxwell R17.0 və COMSOL 5.3a-dan birlikdə istifadə edərək elektro-istilik-mexaniki model qurmuşdur.

Modeldə elektromaqnit analizindən stator cərəyanı, gərginlik və ekran gilizində burulğan cərəyanı itkiləri əldə edilmiş; COMSOL tərəfində bərk cisim mexanikası, istilik ötürülməsi, maye və istilik genişlənməsi modulları birləşdirilmişdir.

Simulyasiyada mühərrik ekran gilizində təxminən 700 MPa maksimal gərginlik, 260 °C maksimal temperatur və 0,1 mm maksimal deformasiya bildirilmişdir. Gərginlik və temperatur soyuducu tərəfə yaxınlaşdıqca yüksəlmiş, maksimal deformasiya isə giliz boşluğunun orta hissəsində meydana çıxmışdır.

Sağlam ekran gilizində mənbədə təxminən 15 kW kimi verilən burulğan cərəyanı itkisinin nasazlıq növünə həssas şəkildə dəyişdiyi göstərilmişdir. Qabarma nasazlığında xəta 0 ilə +4 kW, aşınma nasazlığında 0 ilə −2 kW arasında dəyişir. Prototip təcrübələri aşağı və yüksək sürət şəraitində simulyasiya ilə təcrübə meyllərinin oxşar olduğunu göstərmişdir. Buna görə burulğan cərəyanı itkisi ekran gilizi üçün deqradasiya göstəricisi kimi seçilmişdir.

Əhatəli Sağlamlıq İndeksi Nədir?

Əhatəli Sağlamlıq İndeksi (Comprehensive Health Index, CHI) əsas nasosun rotor vibrasiyası, ekran gilizi burulğan cərəyanı itkisi və ikiqat konusvari sızdırmazlıq boltunun ilkin sıxma qüvvəsi kimi müxtəlif fiziki deqradasiya göstəricilərini tək bir normallaşdırılmış sistem sağlamlığı dəyişənində birləşdirən göstəricidir. Tədqiqatda əvvəlcə hər komponent üçün Mahalanobis məsafəsinə əsaslanan sağlamlıq göstəricisi yaradılmış, sonra bu göstəricilər bulud ağırlıq mərkəzinə əsaslanan çəkiləndirmə ilə birləşdirilmişdir.

Mahalanobis məsafəsi

Tədqiqatda istifadə olunan əsas məsafə ölçüsü belədir:

\[ D_M=\sqrt{(x-\mu)^T S^{-1}(x-\mu)} \]

Burada \(x\) ani xüsusiyyət vektorunu, \(\mu\) sağlam istinad orta vektorunu və \(S\) xüsusiyyətlərin kovariasiya matrisini təmsil edir.

Mahalanobis məsafəsinin əsas üstünlüyü xüsusiyyətlər arasındakı korrelyasiyanı və fərqli miqyasları kovariasiya matrisi vasitəsilə nəzərə almasıdır. Beləliklə tədqiqat yalnız “sensor qiyməti başlanğıcla müqayisədə nə qədər dəyişib?” sualını deyil, çoxdəyişənli sağlam vəziyyət fəzasından nə qədər uzaqlaşıldığını ölçür.

CHI yaradılma ardıcıllığı

1. Xam sensor siqnallarına sürüşən pəncərəyə əsaslanan ilkin emal tətbiq edilir.
2. Başlanğıcdakı sabit iş sahəsi sağlam istinad kimi qəbul edilir.
3. Hər komponentin xüsusiyyətləri üçün Mahalanobis məsafəsi hesablanır.
4. Komponent sapmaları çəkiləndirilir.
5. Bulud ağırlıq mərkəzi yanaşması ilə birləşdirilmiş deqradasiya göstəricisi yaradılır.
6. Son qiymət normallaşdırılaraq komponent və sistem sağlamlıq indeksləri əldə edilir.

Sağlamlıq indeksinin keyfiyyət meyarları

Tədqiqat üç əsas meyardan istifadə etmişdir:

• Monotonluq: Sağlamlıq göstəricisinin zamanla bir istiqamətdə deqradasiya meylini nə qədər yaxşı qoruması.
• Trendability: HI ilə iş vaxtı arasındakı əlaqə.
• Robustness: Ölçmə küyünə qarşı dayanıqlıq.

Sistem səviyyəli HI üçün monotonluq 0,8823, trendability 0,4809 və robustness 0,8214 kimi bildirilmişdir. Müəlliflər trendability qiymətinin xətti korrelyasiya baxımından yüksək olmadığını, lakin indeksin qeyri-xətti deqradasiya davranışını tutduğunu bildirirlər.

Sağlamlıq və texniki xidmət hədləri

Modeldə HI > 0,9 tam sağlam sahəni, HI < 0,6 isə ömrün sonuna yaxınlaşan və planlı texniki xidmət tələb edən sahəni təmsil edir.

Yaradılmış uzunmüddətli tapşırıq profilində əsas nasos təxminən 7,6 × 10⁴ saat ətrafında yarım-sağlam sahəyə keçir, təxminən 10,5 × 10⁴ saat sonra isə texniki xidmət/dayanma həddinə çatır. Bunlar tədqiqatda modelləşdirilmiş tapşırıq profilinə aid nəticələrdir; bütün real əsas nasoslar üçün universal hədlər deyil.

15 illik məlumat necə yaradıldı?

Əsas nasosların yüksək etibarlılığı səbəbindən real nasazlığın sonuna qədər uzunmüddətli eksperimental məlumatlar məhduddur. Tədqiqatçılar bu çatışmazlığı aradan qaldırmaq üçün prototip sınaqlarından və fiziki mexanizm analizlərindən alınan xüsusiyyətləri Monte Carlo məlumat artırımı ilə genişləndirmişdir.

Reaktorun işə salınması, dayandırılması, gücün artırılıb-azaldılması və nasosun yüksək/aşağı sürətdə işləmə dövrlərindən istifadə edilərək uzunmüddətli tapşırıq profili qurulmuş, dövrlər təkrarlanaraq təxminən 15 illik xidmət müddətini təmsil edən xüsusiyyət ardıcıllıqları əldə edilmişdir.

Şəkil 14 bu genişləndirilmiş məlumat dəstində rotor vibrasiya amplitudunun zamanla sürətlənərək artdığını, ekran gilizi burulğan cərəyanı itkisinin sürətlənmiş şəkildə azaldığını və ikiqat konusvari sızdırmazlıq boltunun yükünün ümumilikdə azalma meyli göstərdiyini ortaya qoyur.

Buna görə 15 illik məlumat dəstinin “15 il ərzində fasiləsiz ölçülmüş stansiya sahə məlumatı” kimi başa düşülməməsi lazımdır.

Transformer-LSTM arxitekturasında vəzifə bölgüsü

Model iki paralel zaman sırası qoluna malikdir.

Transformer qolu çoxbaşlı öz-diqqət mexanizmi ilə uzun zaman intervallarında bir-birindən uzaq müşahidələr arasındakı qlobal əlaqələri öyrənmək üçün istifadə edilmişdir.

LSTM qolu unutma, giriş və çıxış qapıları vasitəsilə ardıcıl zaman nöqtələrində qısa və orta miqyaslı yerli dəyişiklikləri öyrənir.

Bu iki qolun gizli xüsusiyyətləri daha sonra birləşdirilir və Bayes tam bağlı layına ötürülür.

Bayes Layına Niyə Ehtiyac Var?

Bayes layı sinir şəbəkəsi çəkilərini tək və sabit rəqəmlər kimi deyil, ehtimal paylanmaları kimi təmsil etməklə RUL proqnozunun yalnız gözlənilən qiymətini deyil, proqnozu müşayiət edən qeyri-müəyyənliyi də hesablamaq üçün istifadə olunur. Beləliklə model tək bir qalıq ömür qiyməti əvəzinə texniki xidmət qərarında istifadə edilə biləcək proqnoz paylanması və proqnoz intervalı yaradır.

Bayes çıxarışının əsas posterior əlaqəsi mənbədə belə verilmişdir:

\[ P(Z|X,Y)=\frac{P(Y|X,Z)P(Z)}{P(Y|X)} \]

Burada \(Z\) model parametrlərini, \(X\) girişləri və \(Y\) müşahidə olunan hədəfləri təmsil edir.

Yeni bir \(x\) girişi üçün posterior proqnoz paylanması isə:

\[ P(y|x,X,Y)=\int P(y|x,Z)P(Z|X,Y)\,dZ \]

şəklindədir. Tədqiqatda yüksəkölçülü posteriordan nümunə götürmək üçün Markov Chain Monte Carlo (MCMC) yanaşmasından istifadə edilmişdir.

Modelin təlim parametrləri

MC nümunə sayı seçilərkən 18, 20 və 30 nümunə müqayisə edilmiş; xəta müvafiq olaraq təxminən %2,03, %1,98 və %1,96 kimi müəyyən edilmişdir. 20-dən yuxarı qalxdıqda qazanc kiçik qaldığı üçün hesablama xərci ilə dəqiqlik arasındakı tarazlıq baxımından 20 MC nümunəsi seçilmişdir.

Ömrün sonuna yaxınlaşdıqca qeyri-müəyyənliyin artması

Mənbə Şəkil 17 model qeyri-müəyyənliyinin ömrün sonuna yaxınlaşdıqca nəzərəçarpacaq şəkildə artdığını göstərir. Orta model qeyri-müəyyənlik xətasının %2-dən aşağı olduğu, lakin əsas nasos ömrünün sonuna yaxınlaşdıqca qiymətin %3,5-dən yuxarı qalxdığı bildirilmişdir.

Bu davranış texniki xidmət baxımından vacibdir: avadanlıq daha çox deqradasiyaya uğradıqca gələcək ömür proqnozunun dəqiqliyi də azala bilər. Bayes yanaşmasının məqsədi bu qeyri-müəyyənliyi görünən etməkdir.

Çarpaz iş şəraiti doğrulaması

Modelin yalnız bir iş vəziyyətini əzbərləyib-əzbərləmədiyini yoxlamaq üçün məlumat dəsti reaktorun işə salınması, gücün artırılması və gücün azaldılması vəziyyətlərinə bölünmüşdür. Hər turda bir vəziyyət test üçün saxlanmış, digər iki vəziyyət təlim məqsədilə istifadə edilmişdir.

Bu daha çətin doğrulamada orta RMSE = 0,126 və R² = 0,669 əldə edilmişdir. Bu nəticə modelin müxtəlif istismar şəraitlərində müəyyən ümumiləşdirmə qabiliyyətinə malik olduğunu, lakin əsas test dəstindəki R² = 0,997 səviyyəli performansı qoruya bilmədiyini göstərir.

Beləliklə modelin real sahə şəraitində ümumiləşdirilə bilməsi ilə bağlı ən güclü xəbərdarlıqlardan biri bu çarpaz-şərait performans azalmasıdır.

Tədqiqatın Metodu və Nəticələri

Komponentdən sistem səviyyəsinə məlumat axını

RUL proqnozlaşdırma arxitekturası

Ablasiya təcrübəsi

Bu ablasiya nəticələri birləşdirilmiş modelin iki təkqollu modelə nisbətən daha aşağı xəta verdiyini göstərir. Müəlliflərin şərhinə görə Transformer ultra-uzun zaman sırasında qlobal asılılıqları, LSTM isə qısamüddətli yerli dalğalanmaları daha yaxşı tutur və birlikdə istifadə edildikdə bir-birinin çatışmazlıqlarını qismən kompensasiya edirlər.

LSTM ilə müqayisədə birləşdirilmiş model MAE-ni təxminən %11,1, RMSE-ni %18,2 azaltmışdır. Yalnız Transformer ilə müqayisədə MAE azalması %20,0, RMSE azalması isə %21,7 kimi bildirilmişdir.

R² = 0,997 Modelin Real Nüvə Elektrik Stansiyasında Səhvsiz İşləyəcəyini Göstərirmi?

Xeyr. R² = 0,997 mənbə tədqiqatda yaradılmış test məlumat dəstində birləşdirilmiş modelin istinad deqradasiya əyrisinə çox yaxşı uyğunlaşdığını göstərir; real nüvə elektrik stansiyasında bütün iş şəraitləri, sensor deqradasiyaları və gözlənilməz nasazlıq rejimləri altında eyni performansın qorunacağını sübut etmir. Həqiqətən, iş şəraitləri arasında aparılan çarpaz doğrulamada orta R² qiyməti 0,669-a düşmüşdür.

Qeyri-müəyyənlik metrikləri

Tədqiqatda iki əsas interval metrikindən istifadə edilmişdir:

• PICP — Prediction Interval Coverage Probability: Real RUL qiymətlərinin yaradılan proqnoz intervalının daxilində qalma nisbəti.
• MPIW — Mean Prediction Interval Width: Proqnoz intervallarının orta eni.

Mənbə nəticələrində PICP = 0,839 və MPIW = 0,0435 verilmişdir.

Burada mühüm şərh məhdudiyyəti var. Məqalənin metod bölməsində PICP-nin əvvəlcədən müəyyən edilmiş %95 etibar hədəfinə cavab verməsinin etibarlı qeyri-müəyyənlik kəmiyyətləndirilməsini göstərəcəyi izah edilir. Bildirilən 0,839 qiyməti təxminən %83,9 əhatəyə uyğundur və %95-dən aşağıdır. Buna görə nəticə “nominal %95 əhatəni tam təmin edir” kimi şərh edilməməlidir.

Mənbə daxilində metrik uyğunsuzluğu

Məqalənin xülasəsi və Cədvəl 3 birləşdirilmiş model üçün R² = 0,997, MAE = 0,016 və RMSE = 0,018 qiymətlərini verir. Bununla belə, nəticələr bölməsindəki bir abzasda R², MAE, RMSE, PICP və MPIW müvafiq olaraq 0,016, 0,014, 0,097, 0,839 və 0,0435 kimi sadalanmışdır. Bu sıralama Cədvəl 3 və xülasə ilə uyğun gəlmir.

Buna görə Verianla mətnində model arxitekturalarının müqayisəsi üçün açıq şəkildə təqdim edilmiş Cədvəl 3 qiymətləri əsas götürülmüşdür; mənbə daxilindəki ziddiyyət səssizcə düzəldilməmişdir.

Tədqiqatın dəstəklədiyi nəticələr

• Rotor vibrasiya amplitudu, ikiqat konusvari sızdırmazlıq boltunun ilkin sıxma qüvvəsi və ekran gilizi burulğan cərəyanı itkisi araşdırılan nasazlıq rejimlərinə həssas xüsusiyyətlər kimi istifadə oluna bilər.
• Mahalanobis məsafəsi və çəkili birləşmə komponent məlumatlarını vahid sistem sağlamlıq göstəricisində birləşdirə bilər.
• Birləşdirilmiş Transformer-LSTM bu tədqiqatın test məlumat dəstində təkcə LSTM və ya Transformer-dən daha aşağı MAE və RMSE yaratmışdır.
• Bayes layı nöqtəvi RUL ilə yanaşı proqnoz qeyri-müəyyənliyi də yaradır.
• Proqnoz qeyri-müəyyənliyi ömrün sonuna yaxınlaşdıqca artır.
• Müxtəlif istismar şəraitlərinə keçildikdə modelin performansı əsas test dəsti ilə müqayisədə azalır.

Tədqiqatın dəstəkləmədiyi ümumiləşdirmələr

• Modelin bütün nüvə elektrik stansiyalarının əsas nasoslarında R² = 0,997 ilə işləyəcəyi deyilə bilməz.
• 15 illik məlumat ardıcıllığının tamamının 15 illik birbaşa sahə ölçməsi olduğu deyilə bilməz.
• PICP = 0,839 nəticəsi %95 proqnoz intervalı hədəfinin tam təmin edildiyi demək deyil.
• Model çıxışı təkbaşına təhlükəsizlik baxımından kritik texniki xidmət qərarını əvəz etmir.
• Araşdırılmamış nasazlıq rejimlərinin eyni CHI və RUL modeli ilə etibarlı şəkildə proqnozlaşdırılacağı göstərilməmişdir.
• Çarpaz şərait nəticələri modelin istismar rejimi dəyişikliklərinə tam dayanıqlı olduğunu göstərmir.

Gələcək tədqiqat

Tədqiqatçılar MCMC-nin xüsusilə Transformer-in böyük parametr sayı ilə birlikdə yüksək hesablama xərci yaratdığını bildirirlər. Gələcəkdə autoencoder dəstəkli Variational Inference istifadə edilərək posterior proqnoz müddətinin azaldılması planlaşdırılır.

İkinci təklif müxtəlif iş şəraitlərində xüsusiyyət paylanmasının sürüşməsini azaltmaq üçün transfer learning modullarının modelə əlavə edilməsidir. Bu ehtiyac xüsusilə çarpaz-şərait R² qiymətinin əsas test nəticəsi ilə müqayisədə nəzərəçarpacaq dərəcədə azalması ilə əlaqəlidir.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Research on Remaining Useful Life Prediction and Uncertainty Quantification for Main Pumps in Nuclear Power Plants Based on Bayesian Transformer-LSTM.

Müəlliflər: Kai Wang, Zhi Chen, Yifan Jian, Hui Li və Xiufeng Wang. Məsul müəllif Zhi Chen-dir.

Qurumlar: National Key Laboratory of Reactor Technology, Nuclear Power Institute of China; State Key Laboratory of Power Transmission and Transformation Equipment Technology, Chongqing University; College of Mechanical Engineering, Xi’an Jiaotong University.

Nəşr: Energies, 2026, 19, 4161. MDPI.

DOI: 10.3390/en19174161

Nəşr prosesi: Tədqiqat 17 iyun 2026-da qəbul edilmiş, 5 iyul 2026-da yenidən işlənmiş, 31 avqust 2026-da qəbul edilmiş və 3 sentyabr 2026-da dərc olunmuşdur.

Resenziya: Resenziyalı tədqiqat məqaləsidir.

Lisenziya: Creative Commons Attribution (CC BY).

Maliyyələşdirmə: National Natural Science Foundation of China, Grant No. U2267206.

Məlumatların əlçatanlığı: Məlumatların məsul müəllifdən tələb oluna biləcəyi, lakin aidiyyəti qurumun əqli mülkiyyət hüquqlarının qorunması səbəbindən ictimaiyyətə açıq olmadığı bildirilmişdir.

Süni intellektdən istifadə bəyanatı: Müəlliflər məqalənin hazırlanmasında qismən Çin dilində mətnlərin ingilis dilinə tərcüməsi və dil redaktəsi üçün Doubao, Seed 2.0-dan istifadə etdiklərini; nəticələrin özləri tərəfindən nəzərdən keçirilib redaktə olunduğunu bildirmişdir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşmasının olmadığını bəyan etmişdir.

Əsas metodoloji məhdudiyyətlər: Uzunmüddətli xidmət məlumat dəsti ölçmə, simulyasiya, Monte Carlo məlumat artırımı və dövr ekstrapolyasiyasının birləşməsidir. Modelin çarpaz-şərait R² performansı 0,669-a düşür. MCMC yüksək hesablama xərcinə malikdir. PICP = 0,839 nominal %95 əhatə səviyyəsindən aşağıdır. Mənbənin nəticələr bölməsində bəzi performans qiymətlərinin mətn şəklində təqdimatı ilə Cədvəl 3 arasında uyğunsuzluq vardır.