成果 | 颜拥军教授课题组对核探测器故障诊智能断研究取得阶段性进展

最近，威廉希尔颜拥军教授课题组提出了一种基于机器学习分类算法的核探测器故障诊断研究。相关研究成果以《Study of scintillation detector fault diagnosis based on ELM method》为题在线发表于(Nuclear Inst. and Methods in Physics Research, A)，首次以WilliamHill中文官方网站为第一单位在该期刊发表。

核探测器长期工作于高温湿度与高辐射强度的环境中，易导致老化、工作性能下降或出故障等现象，影响辐射监测系统的稳定性和可靠性。人工检查可以检测到一些明显的物理损伤，但无法预测到核探测器失效等故障。该课题组尝试将机器学习算法应用于核探测器故障诊断，探索智能故障诊断方法。先后采取了基于支持向量机、基于核信号统计方法、基于BP神经网络及基于KNN改进算法等方法，通过模拟仿真和实验研究，验证核探测器故障诊断方法的有效性，寻求实现核探测器智能故障诊断及定位且诊断准确率不断提高，发表了多篇SCI论文、EI论文。

发表于NIM-A的这篇论文《Study of scintillation detector fault diagnosis based on ELM method》尝试采用一种基于极限学习机(ELM)算法的进行核探测器故障诊断方法。以闪烁体探测器为实验对象，建立了包括核脉冲信号下降沿时间、信号幅值、各种工况下能谱信号的能谱峰值通道、低通道地址数等相关特征数据库，通过改进优化ELM算法，改变隐含层的激活函数和隐含层数，建立了核探测器的诊断模型。研究结果表明，该方法对故障类别的诊断准确率为100%，对故障程度的诊断准确率大于97.1%。

                                    (a)                                                                      (b)

                                    (c)                                                                      (d)

图(a)特征提取；图(b)波形仿真；(c)信号特性统计图；(d)光电倍增管故障

威廉希尔硕士生丁天松为第一作者，颜拥军教授为通讯作者。其他合作者包括威廉希尔博士生李翔以及威廉希尔硕士生刘霖霏。

上述研究工作得到国家自然科学基金及湖南省自然科学基金的资助。

附原文链接：

https://www.sciencedirect.com/science/article/abs/pii/S0168900222002066