Data analysis for nuclear power plants maintenance : applications to pneumatic valves and control clusters

The use of data science is tending to become more widespread in industry and production. The present thesis was developed during an intership at EDF, the leading producer and supplier of electricity in France and Europe, within the UNIE-GMAP team, which is in charge of organising and optimising the maintenance of nuclear power plants, as well as defining maintenance strategies and programs. In this context, this work presents four independent data science missions. The first part concerns a survival analysis of pneumatic valve diaphragms. The objective of this mission is to carry out the survival analysis on all the membranes of the French nuclear park and then to possibly propose an optimal maintenance period for each type of pneumatic valve. The second mission concerns the control clusters, which are used to reduce the power or completely shut down a nuclear reactor. Here, the aim is to develop a functional data analysis tool that automatically examines a control cluster fall time curve, and detects whether the curve studied is within the norm or not and, if necessary, to carry out an initial diagnosis based on previously analysed curves. The third mission again deals with pneumatic valves, and represents a preliminary feasibility study of a tool to predict in advance an incident or malfunction of a valve by determining relevant indicators for the detection of such an event. Finally, the fourth and final mission concerns the rails used to guide the fall of the control clusters into the reactor, also known as cluster guides. The purpose of the study is, on the basis of the latest measurements made, to estimate the wear at the time of the next inspection so as to better quantify the number of cluster guides to be replaced. In this work, quantile regression forests are used, allowing us to improve the estimation accuracy with respect to the classical regression methods that have been used until now, and to cope with the very noisy nature of the data.

L'uso della data science tende a diffondersi nell'industria e nella produzione. La presente tesi è stata sviluppata nel corso di un tirocinio presso EDF, il principale produttore e fornitore di energia elettrica in Francia e in Europa, all'interno del team UNIE-GMAP, che si occupa dell'organizzazione e dell'ottimizzazione della manutenzione delle centrali nucleari, nonché della definizione delle strategie e dei programmi di manutenzione. In questo contesto, questo lavoro presenta quattro missioni indipendenti di data science. La prima parte riguarda l'analisi della sopravvivenza dei diaframmi delle valvole pneumatiche. L'obiettivo di questa missione è di effettuare l'analisi di sopravvivenza su tutte le membrane del parco nucleare francese e di proporre eventualmente un periodo di manutenzione ottimale per ogni tipo di valvola pneumatica. La seconda missione riguarda i gruppi di controllo, che servono a ridurre la potenza o a spegnere completamente un reattore nucleare. In questo caso, l'obiettivo è quello di sviluppare uno strumento di analisi funzionale dei dati che esamini automaticamente una curva del tempo di caduta dei cluster di controllo, e rilevi se la curva studiata è nella norma o meno e, se necessario, di effettuare una diagnosi iniziale basata sulle curve analizzate in precedenza. La terza missione si occupa ancora una volta di valvole pneumatiche, e rappresenta uno studio preliminare di fattibilità di uno strumento per prevedere in anticipo un incidente o un malfunzionamento di una valvola, determinando indicatori rilevanti per la rilevazione di un tale evento. Infine, la quarta e ultima missione riguarda le rotaie utilizzate per guidare la caduta dei gruppi di controllo nel reattore, note anche come guide dei gruppi. Lo scopo dello studio è, sulla base delle ultime misurazioni effettuate, di stimare l'usura al momento della prossima ispezione in modo da quantificare meglio il numero di guide dei cluster da sostituire. In questo lavoro vengono utilizzate quantile regression forests, che permettono di migliorare l'accuratezza della stima rispetto ai metodi di regressione classici finora utilizzati, e di far fronte alla natura molto rumorosa dei dati.