核电厂设备状态多参数同步监测技术研究

核电厂设备稳定的运行状态以及长期的运行数据积累为实现数据驱动的设备状态智能监测建立了良好的数据基础。本文提出一种基于多参数关联关系的设备状态智能监测方法,该方法包括建模、训练和推断3个步骤,建立数据驱动的设备状态智能监测和预警模型。首先识别并分析系统设备监测参数、参数监测内容和关联关系,设计建立监测参数的关联关系模型;其次,采集并筛选设备正常运行历史数据作为训练数据,基于反向传播（BP）前馈神经网络训练关联关系模型;最终,实时采集设备监测参数实测值,并基于模型推断各参数的预测值,监控实测值与预测值的偏差,当偏差超过预定的阀值时发出预警信息。本文以某电厂热交换器和主给水泵为例进行建模并验证,结果表明本文提出的监测模型可以有效同步监测设备参数微小异常变化,预警早期异常,同时保持极低的误报警率。      

基于模型的主泵智能状态监测研究

随着信息技术以及大数据分析技术的发展,对设备的状态监测提出了智能化的要求,期望通过监测发布早期预警,识别并警示潜在的设备异常。智能状态监测的主要方法和步骤如下,对历史数据进行筛选,识别正常工况下的测点数据,再通过聚类算法建立模型,将实测值与期望值进行偏差比较,对超出限定范围的偏差进行预警。通过对主泵各相关变量的分析和研究,辨别各变量间的关联性,识别该设备的特征变量,综合考虑偏差程度和持续时间的影响,分功能建立主泵监测模型。该建模技术可有效降低外在干扰对设备监测的影响,通过仿真试验及模型的持续调优,降低误报警的几率,提高主泵监测的准确性。     

核主泵机械密封故障溯源方法与验证

核主泵机械密封受结构限制而无法得到足够的监测信息，导致系统物理模型处于欠定义状态而无法求得定解，即不同部件(密封、节流盘管)的不同特性参数变化可能导致相近的监测结果无法区分。本文提出一种基于概率模型的分析算法，用于在机械密封运行中实时分析其健康状态、发生故障时及时报警并分析其原因。此方法以最大似然系统状态和故障事件概率两种形式给出分析结果。前者推算具有最大概率密度的密封、节流盘管特性参数，并重构系统状态；后者基于采样对用户关注的指定事件计算概率。采用某核电机组约1年时长的真实分压、流量数据对方法进行了检验，发现本文方法得到的结果与停机检修结论及真实监测所得的总低压泄漏量具有较好的一致性。这表明本文方法可有效对核主泵机械密封进行健康监测和故障溯源，具有较高的推广价值。     

基于局部离群因子和神经网络模型的设备状态在线监测方法研究

核电厂重大设备状态在线监测是保障核电厂安全和经济运行的重要技术,针对传统阈值监测的固有缺陷,提出一种基于局部离群因子（LOF）和神经网络模型的设备状态在线监测方法。此方法属于多参数动态阈值监测方法,首先分析监测对象的故障模式和故障现象,选择一组可覆盖故障现象的传感器测点;根据设备运行特点采集足够长时间的历史运行数据,筛除异常数据;计算历史运行数据的LOF,以历史运行数据为输入、LOF为输出,建立并训练得到神经网络模型;最后基于神经网络模型和传感器测点实时数据计算设备健康指数,监控当前设备健康状态。将本文的监测方法用于循环水泵泵体健康状态的监测,并采集了一段时间的正常数据和异常数据以验证其监测效果,验证结果表明,本文提出的监测方法可以提前10d进行预警,降低误报率,大幅提升监控效能。       

基于机器深度学习的核电厂主给水泵性能预测及提升关键技术研究

核电厂主给水系统是核电厂二回路的关键部分,主给水泵是主给水系统的关键设备,是影响核电厂一回路安全性、电站经性的重要设备。鉴于主给水泵的关键地位及日益突显亟待解决的振动问题,需加快开展主给水泵故障研究和治理,解决电厂已出现的振动报警问题,有效控制和改善轴系振动稳定性,避免振动发散造成重大安全事故,减少核电厂停机、停堆时间、维修备件及人工成本,提升电厂效益。通过流量和压力等工艺参数,以及振动时域、频域等状态特征参数,建立基于以流量和压力等工艺参数为工况变量,多参数融合的变工况预警方法,实现故障早期的预警;以设备健康状态数据为基础,运用机理-个性地生成模型方法,生成设备个性化的训练样本。以个性化训练样本为输入训练基于深度CNN的诊断模型,实现设备智能诊断。     

核电厂重大设备健康状态的模糊综合评价方法

针对核电厂重大设备管理细则、设备运行特点和要求,提出了核电厂的重大设备健康状态综合评价方法。根据核电厂设备状态监测特点,建立了基于监测任务的多层次指标体系模型。基于设备零部件潜在故障模式分析故障现象,分析设备监测任务,并构建监测任务隶属度函数模型。总结专家实际评估经验,提出指标权重由所辖多个监测任务共享,由劣化最严重的监测任务继承权重,得到设备的指标状态;通过改进的层次分析法,分配各指标的初始权重,并提出基于指标状态等级的分级变权理论模型,均衡考虑关键指标的恶化情况。将建立的评价方法应用于核岛主泵轴封系统健康状态评估,结果表明该方法可靠实用,能够有效表征重大设备的实际运行健康状态。      

基于事件触发机制的核电站智能诊断专家系统置信规则库的研究

为提高核电站故障诊断的准确性和及时性,提出采用以核电站主要设备运行参数的报警状态为事件的触发机制对核电站设备故障进行诊断,利用核电站相关运行参数的信息集合建立事件触发下的核电站智能诊断专家系统置信规则库,而构建规则库采用故障机理模型与核电模型等相结合的方式,即在故障引起的报警下进行描述故障的征兆集合提取、规则的表示和规则变量的设定。通过在核电模型中人为引入故障,利用基于事件触发机制的核电站智能诊断专家系统进行故障诊断。诊断结果表明,本系统诊断出的故障类型与在核电模型中引入的故障类型一致,验证了本系统诊断结果的准确性,证明了此规则库的有效性和可行性。     

反应堆主泵现场动平衡

核电站反应堆主泵是一回路的关键设备，其设备状态的优劣将直接影响核电站的安全和运和。本文描述了大亚湾核电站在反应堆主泵发生振动高的异常情况下，通过频谱分析和诊断，确定为不平衡故障，最终采用现场动平衡法进行处理，使主泵振动状态恢复到良好水平的过程。     

基于核主元分析法的核电厂设备状态监测技术研究

为解决核电厂传统监测手段的局限性,提出将核主元分析法（KPCA）引入核电厂设备在线监测领域中,并设计了监测模型建设方法以及在线监测策略。为验证算法的有效性,将其应用在国内某核电机组电动主给水泵的真实监测案例中。仿真结果表明,KPCA算法可适应核电厂设备监测的要求,能比现有阈值监测手段提供更为早期的故障预警。同时,相比于常规的主元分析法（PCA）,KPCA算法能够提取各变量之间的非线性关系,识别出设备不同的运行模式,有效减少误报警。      

核电厂主泵转速测量现状分析及可靠性改进

核电厂主泵转速前置器(简称前置器)是监测主泵转速的关键设备。核电厂运行20多年间出现数次由前置器自身问题引起的主泵转速测量故障,其根本原因是元器件质量问题和电路设计不够合理。为彻底解决转速测量异常问题,采用前置器1E级开发的改进性方案。新产品在电路开发方面进行了全面改进,在结构设计方面进行了局部优化,具有精度高、性能稳定、抗干扰能力强等特点,在现场进行实际运用后状态良好,提高了核电厂运行的安全性和可靠性。     

基于数据挖掘的一回路小泄漏故障预警研究

一回路小泄漏的过度演变有可能引起严重事故,为防止事故发生,提出一种基于多特征参数综合的改进高斯混合模型-灰色关联度法-熵权法（GMM-GRA-EWM）的故障预警方法。首先,对一回路小泄漏的动态运行特性进行机理分析,确定了预警特征参数。然后,根据已确定的预警特征参数,结合熵权法和灰色关联度法,建立多参数综合预警模型。最后,采用相关性分析、改进高斯混合模型算法有效学习了大量数据的统计特性,使预警阈值在不同工况下具有自适应能力。结果表明,该方法在变工况运行条件下,可以有效达到预警。相较于单参数和固定阈值预警,该方法具有更好的稳定性,预警更加准确、有效、及时,可为实现一回路系统的状态监测提供参考。      

基于频域数据注意力机制的核电厂水泵故障模式识别模型研究

针对核电厂水泵共性的异常振动、转子部件摩擦与磨损等故障模式,利用水泵最容易获取的泵壳加速度信号的频域数据为输入,提出了一种结合卷积神经网络和注意力网络的频域数据注意力机制方法,并建立了核电厂水泵故障模式识别模型。研究结果表明:相对于传统方法,利用频域数据作为输入、基于频域数据注意力网络算法建立的水泵故障模式识别模型输入的数据长度更短,能够有效提升模型训练的效率,该故障模式识别模型在测试集上的故障模式识别准确率达到100%,优于其他基于深度学习算法建立的故障诊断模型,证明了本文提出方法的优势。      

基于核主元分析法的核电厂设备状态监测技术研究

In order to solve the limitations of the traditional monitoring methods for nuclear power plants, this paper proposes to introduce Kernel Principal Component Analysis (KPCA) into the online monitoring field of nuclear power plant equipment, and design the monitoring method and online monitoring strategy. In order to verify the effectiveness of the algorithm, it has been applied in the real monitoring case of the motor driven main feed water pump a nuclear power plant in China. The simulation results show that the KPCA algorithm can adapt to the requirements of nuclear power plant equipment monitoring, and can provide earlier warnings of failure than the existing threshold monitoring methods. At the same time, compared with the conventional PCA algorithm, the KPCA algorithm can extract the nonlinear relationship between variables, identify different operating modes of the device, and effectively reduce false alarms.     

Transient identification in nuclear power plants: A review

A transient is defined as an event when a plant proceeds from a normal state to an abnormal state. In nuclear power plants (NPPs), recognizing the types of transients during early stages, for taking appropriate actions, is critical. Furthermore, classification of a novel transient as “don't know”, if it is not included within NPPs collected knowledge, is necessary. To fulfill these requirements, transient identification techniques as a method to recognize and to classify abnormal conditions are extensively used. The studies revealed that model-based methods are not suitable candidates for transient identification in NPPs. Hitherto, data-driven methods, especially artificial neural networks (ANN), and other soft computing techniques such as fuzzy logic, genetic algorithm (GA), particle swarm optimization (PSO), quantum evolutionary algorithm (QEA), expert systems are mostly investigated. Furthermore, other methods such as hidden Markov model (HMM), and support vector machines (SVM) are considered for transient identification in NPPs. By these modern techniques, NPPs safety, due to accidents recognition by symptoms rather than events, is improved. Transient identification is expected to become increasingly important as the next generation reactors being designed to operate for extended fuel cycles with less operators' oversight. In this paper, recent studies related to the advanced techniques for transient identification in NPPs are presented and their differences are illustrated.     

基于PCA的主泵传感器状态监测模型

核电厂主泵的主、辅系统中布置了大量的传感器,随着主泵的运行,传感器会出现不同程度的老化或故障。为了改善现有核电厂传感器周期性测试和校准方案的不足,提高运行的安全性与经济性,采用主成分分析（PCA）技术对主泵的传感器进行状态监测。使用某核电厂主泵的运行数据建立PCA监测模型,并利用该模型对传感器的小漂移故障和共模故障进行识别,仿真结果表明该模型对主泵传感器具有很好的监测效果。      

基于Adaboost算法的核电站故障诊断方法

针对当前基于集成学习的核电站故障诊断算法大多注重提高各种机器学习算法识别精度而忽略底层基学习器整合方法,导致集成学习算法识别事故类型精度难以提高,而且存在识别结果是否可信的问题。本文基于Adaboost算法设计了一种可使核电站控制系统自主识别故障类型的机器学习算法模型,该算法模型通过为集成学习的各种故障识别算法合理分配权重系数,提升集成学习整体算法对核电站事故类型的识别精度和算法可靠性。同时测试结果表明Adaboost算法对7种典型的核电站运行或事故工况的平均识别正确率可达95%以上;而且当事故发生150 s后,识别正确率可达100%。因此基于Adaboost算法的基学习器整合方法可用于优化集成学习的算法结构,提高算法对核电站事故类型的识别精度。