Bayesian Transformer-LSTM — атомдук электр станцияларынын башкы муздаткыч насосторунун убакыт өтүшү менен өзгөргөн бузулуу жүрүм-турумунан калган пайдалуу иштөө мөөнөтүн божомолдоо жана ошол божомолдун белгисиздигин сандык түрдө көрсөтүү үчүн Transformer, Long Short-Term Memory (LSTM) жана Байес нейрон тармагынын компоненттерин бириктирген гибриддик прогностикалык архитектура. Изилдөө ротор валынын түйүнү, кош конустуу тыгыздоочу түзүлүш жана кыймылдаткычтын экран гильзасы үчүн сандык бузулуу талдоолорун прототиптик тажрыйбалар менен бириктирип, компонентке мүнөздүү бузулуу белгилерин чыгарат, аларды Mahalanobis аралыгы жана булуттун оордук борборуна негизделген салмактоо аркылуу система деңгээлиндеги комплекстүү ден соолук индексине (Comprehensive Health Index, CHI) айландырат жана CHI убакыт катарын Bayesian Transformer-LSTM моделине берет. Бириккен модель үчүн билдирилген абляция натыйжалары MAE = 0,016, RMSE = 0,018 жана R² = 0,997. Белгисиздикти сандык баалоодо PICP = 0,839 жана MPIW = 0,0435 билдирилген.

Моделдин максаты “башкы насостун канча саат иштөө мөөнөтү калды?” деген суроого бир гана маанини берүү эмес. Байес катмары божомолдонгон RUL маанисинин айланасындагы белгисиздик бөлүштүрүлүшүн да түзөт. Бирок натыйжаларды чечмелөөдө маанилүү чектөөлөр бар: 15 жылдык бузулуу тизмеги толугу менен түздөн-түз талаа өлчөөсү эмес; прототиптик тажрыйбалар, физикалык симуляциялар, Monte Carlo маалымат көбөйтүү жана эксплуатациялык циклди экстраполяциялоо бирге колдонулган. Мындан тышкары PICP = 0,839 изилдөөнүн метрика аныктамасында айтылган %95 номиналдык камтуу деңгээлинен төмөн. Демек, изилдөө жогорку чекиттик божомол тактыгын көрсөткөнү менен, белгисиздик калибрлөөсүн андан ары жакшыртуу талап кылынат.

Изилдөө маселеси

Атомдук электр станцияларындагы башкы муздаткыч насос басымдагы суу реакторунун биринчи контурундагы негизги жабдуулардын бири болуп саналат жана изилдөөдө биринчи циклдин “жүрөгү” деп сүрөттөлөт. Бул насостун пландан тыш токтошу техникалык тейлөө чыгымы жагынан гана эмес, станциянын ишинин үзгүлтүксүздүгү үчүн да өтө маанилүү болгондуктан, мезгил-мезгили менен тейлөө ыкмасынын ордуна жабдуунун чыныгы ден соолук абалын көзөмөлдөгөн Prognostics and Health Management (PHM) ыкмалары талап кылынат.

Салттуу RUL моделдеринин олуттуу бөлүгү келечектеги иштөө мөөнөтүн бир эле сан менен берет. Мисалы, модель “калган мөөнөт 10.000 саат” деп айтышы мүмкүн; бирок бул маанинин канчалык ишенимдүү экенин көрсөтпөшү мүмкүн. Атомдук жабдууларда бул кемчилик өзгөчө маанилүү. Бирдей чекиттик божомол тар же өтө кең белгисиздик аралыгы менен коштолушу мүмкүн жана бул эки жагдайдын техникалык тейлөө чечими үчүн мааниси бирдей эмес.

Калган Пайдалуу Иштөө Мөөнөтүн Божомолдоо Деген Эмне?

Калган пайдалуу иштөө мөөнөтү (Remaining Useful Life, RUL) — жабдуунун учурдагы ден соолук абалынан функционалдык же техникалык тейлөө боюнча аныкталган иштөө мөөнөтүнүн акыркы чегине жеткенге чейин күтүлгөн колдонууга жарамдуу иш убактысы. Бул изилдөөдө RUL башкы насостун убакыт ичинде түзүлгөн комплекстүү ден соолук индексинен божомолдонгон нормалдаштырылган жашоо абалын чыныгы бузулуу убакыт масштабы менен байланыштыруу аркылуу алынат.

Эмне үчүн божомол түздөн-түз чийки сенсорлордон жасалган жок?

Башкы насос сыяктуу татаал электромеханикалык системаларда ар башка сенсорлор ар башка физикалык чоңдуктарды өлчөйт. Титирөө, ток, чыңалуу жана болттун алдын ала тартылуу күчү өлчөмү, чоңдугу жана ызы-чуу түзүлүшү боюнча бири-биринен айырмаланат. Мындан тышкары бир сенсордогу өзгөрүү бүт насостун ден соолук абалын көрсөтпөшү мүмкүн.

Ошондуктан изилдөө бардык чийки сигналдарды түздөн-түз RUL моделине берүүнүн ордуна адегенде компонент деңгээлиндеги ден соолук көрсөткүчтөрүн түзүп, андан кийин аларды система деңгээлиндеги CHI ичинде бириктирет.

Изилденген үч маанилүү компонент

Изилдөөчүлөр узак мөөнөттүү талаа кайтарым маалыматы жана компоненттердин коопсуздук функцияларынын негизинде бузулууга сезимтал үч ички системаны тандашкан:

• Ротор валынын түйүнү: Октордун дал келбеши жана подшипниктин эскириши титирөө жүрүм-турумун өзгөртөт.
• Кош конустуу тыгыздоочу түйүн: Алдын ала тартылуунун жоголушу жана жылуулук циклдери тыгыздоонун натыйжалуулугун начарлатышы мүмкүн.
• Кыймылдаткычтын экран гильзасы: Эскирүү же көөп чыгуу электромагниттик жоготууларды жана түзүмдүк жүрүм-турумду өзгөртүшү мүмкүн.

Башкы насостун прототиптик сыноо платформасы

Изилдөөдө бузулуу механизмдери сандык моделден гана алынбашы үчүн башкы насостун прототиптик сыноо платформасы колдонулган. Платформа вал системасын, кош конустуу тыгыздоочу жана чакан масштабдагы экран гильзасынын бузулуу сыноо түзүлүштөрүн, маалымат чогултуу системасын жана өлчөө сенсорлорун камтыйт.

Маалымат чогултуу үчүн NI 6233 картасы колдонулуп, системанын үлгү алуу жыштыгы 10.000 Hz чейин жетиши мүмкүн экени көрсөтүлгөн.

Ротор валынын түйүнүндө титирөө эмне үчүн маанилүү?

Вал системасындагы эксцентриситет бузулуусун түзүү үчүн төмөнкү багыттоочу валдагы борборлоштуруу бөлүгү көзөмөлдөнгөн түрдө иштетилип, жогорку багыттоочу огу менен концентрдүүлүк бузулган. Дени сак жана бузулган абалдагы титирөө толкун формалары салыштырылганда, бузулуу киргизилгенден кийин эң жогорку титирөө амплитудасы дени сак эталондон үч эседен көп экени байкалган.

Ошондуктан титирөө амплитудасы ротор-подшипник системасынын бузулушуна сезимтал мүнөздүү өзгөрмө катары тандалган.

Кош конустуу тыгыздоонун жылуулук цикли маселеси

Кош конустуу тыгыздоо үчүн бүт бузулуу процессин физикалык тажрыйбалар менен гана кайра түзүү кымбат жана көп убакытты талап кылгандыктан, ANSYS 17.0 менен чектүү элементтер модели түзүлгөн.

Ысытуу циклинде реактор муздаткычынын орточо температурасы болжол менен 15 саат ичинде 22 °Cден 320 °Cге, ал эми биринчи контурдун басымы 2 MPaдан 15,0 MPaга жогорулайт деп кабыл алынган. Муздак токтотуу процессинде температура 320 °Cден 22 °Cге, басым болсо 15 MPaдан 2 MPaга болжол менен 15 саат ичинде төмөндөтүлгөн.

Муздоо Ылдамдыгы Кош Конустуу Тыгыздоонун Герметикалуулугуна Кантип Таасир Этет?

Булак изилдөөдөгү симуляцияга ылайык, муздоо ылдамдыгынын 10 °C/сааттан 40 °C/саатка жогорулашы кош конустуу тыгыздоонун максималдуу агып кетүү ылдамдыгын 2,6 × 10⁻⁵ g/sден 1,1 × 10⁻⁴ g/sге чейин көбөйткөн; башкача айтканда, болжол менен 4,23 эсе өсүш байкалган. Ошол эле талдоолордо болт жүгү азайган сайын агып кетүү көбөйгөнү байкалгандыктан, болттун алдын ала тартылуу күчү тыгыздоонун бузулушун көзөмөлдөө үчүн сезимтал белги катары тандалган.

Изилдөөдө көрсөтүлгөн III Класс герметикалуулук чеги эң көп дегенде 1,0 × 10⁻⁴ g/s.. 40 °C/сааттык шартта эсептелген максималдуу маани бул чектен ашып, изилдөөдө IV Класс деңгээлине өтүү катары чечмеленген.

Моделди физикалык текшерүү үчүн Bolt No.1 жана симметриялуу Bolt No.3 үстүндө жылуулук цикл тажрыйбалары жүргүзүлгөн. Баштапкы болттун алдын ала тартылуу күчү 300 kN деп берилген. Сандык жана тажрыйбалык алдын ала тартылуу тенденцияларынын бири-бирине жакын болушу болттун алдын ала тартылуу күчүн ылайыктуу бузулуу белгиси катары колдонууга негиз берген.

Кыймылдаткычтын экран гильзасында көп физикалуу модель

Экран гильзасынын кыйратуучу физикалык бузулуу сыноолору кымбат болгондуктан, изилдөөчүлөр ANSYS Maxwell R17.0 жана COMSOL 5.3a программаларын бирге колдонуп, электр-жылуулук-механикалык модель түзүшкөн.

Моделде электромагниттик талдоодон статор тогу, чыңалуу жана экран гильзасындагы куюн ток жоготуулары алынган; COMSOL тарабында катуу дене механикасы, жылуулук берүү, суюктук жана жылуулук кеңейүү модулдары бириктирилген.

Симуляцияда кыймылдаткычтын экран гильзасында болжол менен 700 MPa максималдуу чыңалуу, 260 °C максималдуу температура жана 0,1 mm максималдуу деформация билдирилген. Чыңалуу менен температура муздаткыч тарапка жакындаган сайын жогорулаган, ал эми максималдуу деформация гильзанын көңдөйүнүн орто бөлүгүндө пайда болгон.

Дени сак экран гильзасында булакта болжол менен 15 kW деп берилген куюн ток жоготуусу бузулуу түрүнө сезимтал өзгөрөрү көрсөтүлгөн. Көбүү бузулуусунда ката 0 менен +4 kW, эскирүү бузулуусунда 0 менен −2 kW арасында өзгөрөт. Прототиптик тажрыйбалар төмөн жана жогорку ылдамдык шарттарында симуляция менен тажрыйбанын тенденциялары окшош экенин көрсөткөн. Ошондуктан куюн ток жоготуусу экран гильзасы үчүн бузулуу көрсөткүчү катары тандалган.

Комплекстүү Ден Соолук Индекси Деген Эмне?

Комплекстүү Ден Соолук Индекси (Comprehensive Health Index, CHI) — башкы насостун ротор титирөөсү, экран гильзасынын куюн ток жоготуусу жана кош конустуу тыгыздоонун болтунун алдын ала тартылуу күчү сыяктуу ар башка физикалык бузулуу көрсөткүчтөрүн бир нормалдаштырылган система ден соолук өзгөрмөсүнө бириктирген көрсөткүч. Изилдөөдө адегенде ар бир компонент үчүн Mahalanobis аралыгына негизделген ден соолук көрсөткүчү түзүлүп, андан соң бул көрсөткүчтөр булуттун оордук борборуна негизделген салмактоо менен бириктирилген.

Mahalanobis аралыгы

Изилдөөдө колдонулган негизги аралык өлчөмү төмөнкүдөй:

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

Бул жерде \(x\) учурдагы белги векторун, \(\mu\) дени сак эталондун орточо векторун жана \(S\) белгилердин ковариация матрицасын билдирет.

Mahalanobis аралыгынын негизги артыкчылыгы — белгилер арасындагы корреляцияны жана ар башка масштабдарды ковариация матрицасы аркылуу эске алышы. Муну менен изилдөө “сенсор мааниси баштапкы абалга салыштырганда канча өзгөрдү?” деген суроону гана эмес, көп өзгөрмөлүү дени сак абал мейкиндигинен канчалык алыстаганын да өлчөйт.

CHI түзүү ырааттуулугу

1. Чийки сенсор сигналдарына жылма терезеге негизделген алдын ала иштетүү колдонулат.
2. Баштапкы туруктуу иштөө аймагы дени сак эталон катары кабыл алынат.
3. Ар бир компоненттин белгилери үчүн Mahalanobis аралыгы эсептелет.
4. Компоненттин четтөөлөрү салмакталат.
5. Булуттун оордук борбору ыкмасы менен бириккен бузулуу көрсөткүчү түзүлөт.
6. Акыркы маани нормалдаштырылып, компонент жана система ден соолук индекстери алынат.

Ден соолук индексинин сапат критерийлери

Изилдөө үч негизги көрсөткүчтү колдонгон:

• Монотондуулук: Ден соолук көрсөткүчү убакыт өтүшү менен бир багыттагы бузулуу тенденциясын канчалык жакшы сактайт.
• Trendability: HI менен иштөө убактысынын ортосундагы байланыш.
• Robustness: Өлчөө ызы-чуусуна туруктуулук.

Система деңгээлиндеги HI үчүн монотондуулук 0,8823, trendability 0,4809 жана robustness 0,8214 деп билдирилген. Авторлор trendability мааниси сызыктуу корреляция боюнча жогору эмес экенин, бирок индекс сызыктуу эмес бузулуу жүрүм-турумун кармай турганын белгилешет.

Дени сак абал жана техникалык тейлөө чектери

Моделде HI > 0,9 толук дени сак аймакты, ал эми HI < 0,6 иштөө мөөнөтүнүн аягына жакындаган жана пландуу техникалык тейлөөнү талап кылган аймакты билдирет.

Түзүлгөн узак мөөнөттүү иш профилинде башкы насос болжол менен 7,6 × 10⁴ саат чамасында төмөн-ден соолук аймагына өтүп, болжол менен 10,5 × 10⁴ саат өткөндөн кийин техникалык тейлөө/токтотуу чегине жетет. Булар изилдөөдө моделденген иш профилине тиешелүү натыйжалар; бардык чыныгы башкы насостор үчүн универсалдуу чек эмес.

15 жылдык маалымат кантип түзүлгөн?

Башкы насостордун ишенимдүүлүгү жогору болгондуктан, чыныгы бузулуунун акырына чейин узак мөөнөттүү тажрыйбалык маалымат чектелүү. Изилдөөчүлөр бул жетишсиздикти толуктоо үчүн прототиптик сыноолордон жана физикалык механизм талдоолорунан алынган белгилерди Monte Carlo маалымат көбөйтүү менен кеңейтишкен.

Реакторду ишке киргизүү, токтотуу, кубаттуулукту жогорулатуу-төмөндөтүү жана насостун жогорку/төмөн ылдамдыктагы иш циклдери колдонулуп, узак мөөнөттүү иш профили түзүлгөн; циклдер кайталанып, болжол менен 15 жылдык кызмат мөөнөтүн билдирген белги тизмектери алынган.

14-сүрөт бул кеңейтилген маалымат топтомунда ротор титирөөсүнүн амплитудасы убакыт өткөн сайын тездеп көбөйгөнүн, экран гильзасынын куюн ток жоготуусу тездеген түрдө азайганын жана кош конустуу тыгыздоонун болт жүгү жалпысынан төмөндөө тенденциясын көрсөткөнүн ачып көрсөтөт.

Ошондуктан 15 жылдык маалымат топтомун “15 жыл бою үзгүлтүксүз өлчөнгөн станциянын талаа маалыматы” деп түшүнүүгө болбойт.

Transformer-LSTM архитектурасындагы милдет бөлүштүрүү

Модель эки параллелдүү убакыт катар бутагына ээ.

Transformer бутагы көп баштуу өзүнө көңүл буруу механизми аркылуу узак убакыт аралыктарында бири-биринен алыс байкоолордун ортосундагы глобалдык байланыштарды үйрөнүү үчүн колдонулган.

LSTM бутагы унутуу, киргизүү жана чыгаруу дарбазалары аркылуу ырааттуу убакыт чекиттериндеги кыска жана орто масштабдагы жергиликтүү өзгөрүүлөрдү үйрөнөт.

Бул эки бутактын жашыруун белгилери кийин бириктирилип, Байес толук байланышкан катмарына өткөрүлөт.

Байес Катмары Эмне Үчүн Керек?

Байес катмары нейрон тармагынын салмактарын жалгыз жана туруктуу сандар катары эмес, ыктымалдык бөлүштүрүүлөрү катары көрсөтүп, RUL божомолунун күтүлгөн маанисин гана эмес, божомолду коштогон белгисиздикти да эсептөө үчүн колдонулат. Ошентип модель бир гана калган мөөнөт маанисинин ордуна техникалык тейлөө чечиминде колдонууга боло турган божомол бөлүштүрүүсүн жана божомол аралыгын түзөт.

Байес чыгаруунун негизги posterior байланышы булакта төмөнкүдөй берилген:

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

Бул жерде \(Z\) модель параметрлерин, \(X\) киргизүүлөрдү жана \(Y\) байкалган максаттарды билдирет.

Жаңы \(x\) киргизүүсү үчүн posterior божомол бөлүштүрүүсү болсо:

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

түрүндө берилет. Изилдөөдө жогорку өлчөмдүү posteriordan үлгү алуу үчүн Markov Chain Monte Carlo (MCMC) ыкмасы колдонулган.

Моделди окутуу жөндөөлөрү

MC үлгү саны тандалганда 18, 20 жана 30 үлгү салыштырылган; ката тиешелүүлүгүнө жараша болжол менен %2,03, %1,98 жана %1,96 деп табылган. 20дан жогору болгондо пайда аз болгондуктан, эсептөө чыгымы менен тактыктын тең салмактуулугу үчүн 20 MC үлгүсү тандалган.

Иштөө мөөнөтүнүн аягына жакындаганда белгисиздиктин көбөйүшү

Булактагы 17-сүрөт модель белгисиздиги иштөө мөөнөтүнүн аягына жакындаган сайын кыйла көбөйөрүн көрсөтөт. Моделдин орточо белгисиздик катасы %2ден төмөн экени, бирок башкы насос өмүрүнүн аягына жакындаганда маани %3,5тен жогору жогорулай турганы билдирилген.

Бул жүрүм-турум техникалык тейлөө үчүн маанилүү: жабдуу көбүрөөк бузулган сайын келечектеги иштөө мөөнөтү боюнча божомолдун тактыгы да азайышы мүмкүн. Байес ыкмасынын максаты ушул белгисиздикти көрүнүктүү кылуу.

Ар башка иш шарттары боюнча кайчылаш текшерүү

Модель бир гана иш абалын жаттап алган-албаганын текшерүү үчүн маалымат топтому реакторду ишке киргизүү, кубаттуулукту жогорулатуу жана кубаттуулукту төмөндөтүү абалдарына бөлүнгөн. Ар бир айлампада бир абал тест үчүн калтырылып, калган эки абал окутуу үчүн колдонулган.

Бул кыйыныраак текшерүүдө орточо RMSE = 0,126 жана R² = 0,669 алынган. Бул натыйжа моделдин ар башка эксплуатациялык шарттарда белгилүү бир жалпылоо жөндөмүнө ээ экенин, бирок негизги тест топтомундагы R² = 0,997 деңгээлиндеги натыйжалуулукту сактай албаганын көрсөтөт.

Ошондуктан моделдин чыныгы талаа шарттарында жалпылануусуна байланыштуу эң күчтүү эскертүүлөрдүн бири — ушул кайчылаш-шарт натыйжалуулугунун төмөндөшү.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Компоненттен система деңгээлине маалымат агымы

RUL божомол архитектурасы

Абляция тажрыйбасы

Бул абляция натыйжалары бириккен моделдин эки өзүнчө бутак моделине караганда төмөн ката бергенин көрсөтөт. Авторлордун чечмелөөсүнө ылайык Transformer өтө узун убакыт катарындагы глобалдык көз карандылыктарды, ал эми LSTM кыска мөөнөттүү жергиликтүү өзгөрүүлөрдү жакшыраак кармайт жана бирге колдонулганда бири-биринин кемчиликтерин жарым-жартылай толуктайт.

LSTM менен салыштырганда бириккен модель MAEни болжол менен %11,1, RMSEни %18,2 азайткан. Transformer менен гана салыштырганда MAE азайышы %20,0, ал эми RMSE азайышы %21,7 деп билдирилген.

R² = 0,997 Модель Чыныгы Атомдук Электр Станциясында Катасыз Иштей Турганын Көрсөтөбү?

Жок. R² = 0,997 булак изилдөө түзгөн тест маалымат топтомунда бириккен модель эталондук бузулуу ийри сызыгына өтө жакшы дал келгенин көрсөтөт; чыныгы атомдук электр станциясында бардык иш шарттарында, сенсор бузулууларында жана күтүлбөгөн бузулуу режимдеринде ошол эле натыйжалуулук сакталарын далилдебейт. Чынында, иш шарттарынын ортосундагы кайчылаш текшерүүдө орточо R² мааниси 0,669га төмөндөгөн.

Белгисиздик метрикалары

Изилдөөдө эки негизги аралык метрика колдонулган:

• PICP — Prediction Interval Coverage Probability: Чыныгы RUL маанилеринин түзүлгөн божомол аралыгынын ичинде калуу үлүшү.
• MPIW — Mean Prediction Interval Width: Божомол аралыктарынын орточо туурасы.

Булактагы натыйжаларда PICP = 0,839 жана MPIW = 0,0435 берилген.

Бул жерде маанилүү чечмелөө чеги бар. Макаланын ыкма бөлүмүндө PICP алдын ала белгиленген %95 ишеним максатына жооп бериши ишенимдүү белгисиздик сандык баалоосун көрсөтөрү түшүндүрүлгөн. Билдирилген 0,839 мааниси болжол менен %83,9 камтууга туура келет жана %95тен төмөн. Ошондуктан натыйжаны “номиналдык %95 камтууну толук камсыз кылат” деп чечмелөөгө болбойт.

Булактагы метрика дал келбестиги

Макаланын кыскача мазмуну жана 3-таблица бириккен модель үчүн R² = 0,997, MAE = 0,016 жана RMSE = 0,018 маанилерин берет. Бирок натыйжалар бөлүмүндөгү бир абзацта R², MAE, RMSE, PICP жана MPIW тиешелүүлүгүнө жараша 0,016, 0,014, 0,097, 0,839 жана 0,0435 деп тизмектелген. Бул ирет 3-таблица жана кыскача мазмун менен дал келбейт.

Ошондуктан Verianla текстинде модель архитектураларын салыштыруу үчүн ачык берилген 3-таблицанын маанилери негиз катары алынган; булактагы карама-каршылык унчукпай оңдолгон эмес.

Изилдөө колдогон жыйынтыктар

• Ротор титирөөсүнүн амплитудасы, кош конустуу тыгыздоонун болтунун алдын ала тартылуу күчү жана экран гильзасынын куюн ток жоготуусу изилденген бузулуу режимдерине сезимтал белгилер катары колдонулушу мүмкүн.
• Mahalanobis аралыгы жана салмакталган бириктирүү компонент маалыматтарын бир система ден соолук көрсөткүчүнө бириктире алат.
• Бириккен Transformer-LSTM бул изилдөөнүн тест маалымат топтомунда өзүнчө LSTM же Transformerге караганда төмөн MAE жана RMSE чыгарган.
• Байес катмары чекиттик RUL менен катар божомол белгисиздигин да чыгарат.
• Божомол белгисиздиги иштөө мөөнөтүнүн аягына жакындаган сайын көбөйөт.
• Ар башка эксплуатациялык шарттарга өткөндө моделдин натыйжалуулугу негизги тест топтомуна салыштырганда төмөндөйт.

Изилдөө колдобогон жалпылоолор

• Модель бардык атомдук электр станцияларынын башкы насосторунда R² = 0,997 менен иштейт деп айтууга болбойт.
• 15 жылдык маалымат тизмегинин баары 15 жылдык түздөн-түз талаа өлчөөсү болгон деп айтууга болбойт.
• PICP = 0,839 натыйжасы %95 божомол аралыгынын максаты толук аткарылганын билдирбейт.
• Модель чыгышы өз алдынча коопсуздук үчүн өтө маанилүү техникалык тейлөө чечиминин ордун баспайт.
• Изилденбеген бузулуу режимдери ошол эле CHI жана RUL модели менен ишенимдүү божомолдоно турганы көрсөтүлгөн эмес.
• Кайчылаш шарт натыйжалары модель эксплуатациялык режимдердин өзгөрүшүнө толук туруктуу экенин көрсөтпөйт.

Келечектеги изилдөө

Изилдөөчүлөр MCMC өзгөчө Transformerдин чоң параметр саны менен бирге жогорку эсептөө чыгымын жаратарын белгилешет. Келечекте autoencoder колдоосу бар Variational Inference колдонуп, posterior божомол убактысын кыскартуу пландалууда.

Экинчи сунуш — ар башка иш шарттарында белги бөлүштүрүлүшүнүн жылышын азайтуу үчүн transfer learning модулдарын модельге кошуу. Бул муктаждык өзгөчө кайчылаш-шарт R² маанисинин негизги тест натыйжасына салыштырмалуу кыйла төмөндөшүнө байланыштуу.

Булак жана Ыкма Жөнүндө Эскертүү

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

Авторлор: Kai Wang, Zhi Chen, Yifan Jian, Hui Li жана Xiufeng Wang. Жооптуу автор Zhi Chen.

Мекемелер: 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.

Жарыя: Energies, 2026, 19, 4161. MDPI.

DOI: 10.3390/en19174161

Жарыялоо процесси: Изилдөө 17 июнь 2026-жылы алынган, 5 июль 2026-жылы кайра каралган, 31 август 2026-жылы кабыл алынган жана 3 сентябрь 2026-жылы жарыяланган.

Рецензиялоо: Рецензияланган изилдөө макаласы.

Лицензия: Creative Commons Attribution (CC BY).

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

Маалымат жеткиликтүүлүгү: Маалыматты жооптуу автордон сурап алууга болору, бирок тиешелүү мекеменин интеллектуалдык менчик укуктарын коргоо себептүү жалпыга ачык эмес экени көрсөтүлгөн.

Жасалма интеллектти колдонуу билдирүүсү: Авторлор макаланы даярдоодо кытай тилиндеги айрым тексттерди англис тилине которуу жана тилдик редакциялоо үчүн Doubao, Seed 2.0 колдонушканын; чыгарылган натыйжаларды өздөрү карап чыгып, түзөтүшкөнүн билдиришкен.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Негизги методологиялык чектөөлөр: Узак мөөнөттүү кызмат маалымат топтому өлчөө, симуляция, Monte Carlo маалымат көбөйтүү жана цикл экстраполяциясынын айкалышы. Моделдин кайчылаш-шарт R² натыйжалуулугу 0,669га төмөндөйт. MCMC жогорку эсептөө чыгымына ээ. PICP = 0,839 номиналдык %95 камтуу деңгээлинен төмөн. Булактын натыйжалар бөлүмүндө айрым натыйжалуулук маанилеринин тексттик берилүүсү менен 3-таблицанын ортосунда дал келбестик бар.