This paper presents a digital twin-based lifecycle framework aimed at improving the safety and security of instrumentation and control (I&C) systems for nuclear power plants and small modular reactors. The approach formalizes DT components, functions, and stakeholder interactions across the entire lifecycle, enabling continuous V&V, accelerated commissioning, proactive fault detection, cyber-resilience, and faster and safer modification of I&C algorithms. The methodology is validated through case studies involving DT-supported V-model testing and Markov-based modeling of the intelligent diagnostic system of an NPP pump. The results show that the proposed DT-enabled lifecycle methodology increases test coverage, shortens verification time, and enhances proactive safety and security capabilities of I&C systems. The study outlines future research directions toward adaptive, explainable, and regulation-ready DTs for next-generation nuclear systems.

This work addresses the deployment gap in Small Modular Reactors (SMRs), where limited operational history constrains traditional reliability validation. A Digital Twin (DT)-based lifecycle methodology is proposed to enhance the availability of intelligent diagnostic systems for critical SMR equipment. The approach integrates adaptive relearning mechanisms into a Multi-Fragment Markov Model (MFMM) framework, enabling dynamic assessment of system availability as diagnostic trustworthiness evolves over time. A case study of a reactor coolant pump demonstrates the impact of relearning on long-term performance, identifying a transient “learning debt” followed by significant availability gains. Simulation results show that for systems with moderate initial diagnostic maturity, adaptive DT-enabled diagnostics can reduce stationary unavailability by up to 29.8%. The findings confirm that Digital Twins provide a viable strategy for ensuring reliability and safety in next-generation SMR fleets, including federated learning extensions.

Процеси оцінювання надійності та готовності інтелектуальних систем діагностування (ІСД) промислового обладнання, що функціонують в умовах Індустрії 4.0/5.0 та використовують технології цифрових двійників для адаптації до змін умов експлуатації. Розроблення інформаційної технології оцінювання готовності ІСД з функцією донавчання, яка дозволяє кількісно визначити вплив динаміки зміни достовірності діагностування на показники надійності системи та автоматизувати процес вибору відповідної математичної моделі. У роботі використано методи системного аналізу та теоретико-множинний підхід для побудови класифікатора моделей; апарат мультифрагментних марковських моделей (МФММ) для опису стохастичної поведінки систем зі змінними параметрами; методологію функціонального моделювання IDEF0 для формалізації інформаційної технології. Розроблено класифікатор базових моделей готовності, який, на відміну від існуючих, враховує специфічні ознаки процесів донавчання (тригери запуску, типи фрагментності, стратегії відновлення). На основі класифікатора синтезовано комплекс базових моделей (від лінійної BM1 до матричної BM5federated), що покриває широкий спектр сценаріїв: від простих IoT-пристроїв до критичного обладнання малих модульних реакторів (SMR). Розроблено та формалізовано у вигляді ієрархічної системи діаграм IDEF0 інформаційну технологію, яка описує процеси вибору моделі, синтезу матриці інтенсивностей переходів та верифікації результатів симуляції. Висновки. Запропонована технологія складає основу для програмного комплексу оцінювання надійності (RSIM). Її використання дозволяє обґрунтовано визначати доцільність впровадження адаптивних алгоритмів діагностування, балансуючи між зниженням ризику прихованих відмов та витратами часу на простій для донавчання системи.