CN107301884B - 一种混合式核电站故障诊断方法 - Google Patents
一种混合式核电站故障诊断方法 Download PDFInfo
- Publication number
- CN107301884B CN107301884B CN201710608145.3A CN201710608145A CN107301884B CN 107301884 B CN107301884 B CN 107301884B CN 201710608145 A CN201710608145 A CN 201710608145A CN 107301884 B CN107301884 B CN 107301884B
- Authority
- CN
- China
- Prior art keywords
- parameter
- simulation model
- fault
- data
- calculated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/04—Safety arrangements
- G21D3/06—Safety arrangements responsive to faults within the plant
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
Abstract
本发明公开了一种混合式核电站故障诊断方法,属于故障诊断技术领域。具体步骤如下:采集被诊断系统中的运行参数,并传递给建立的机理仿真模型;将实时数据与仿真模型计算得到的对应参数做残差;当计算出的残差超过限值时,判断故障类型的结果或结果集;将诊断结果加入到仿真模型中进行故障验证;选取部分测量得到的运行参数作为评估参量,确定用于故障程度评估的马氏距离函数的数据分析模型;计算马氏距离值,建立不同故障模式的评估曲线;利用被诊断系统在故障后的运行数据,计算实际故障数据的马氏距离函数距离值,并建立的不同故障程度下的评估曲线进行匹配分析,从而完成故障程度的定量评估。
Description
技术领域
本发明涉及一种混合式核电站故障诊断方法,属于故障诊断技术领域。
背景技术
核电站具有潜在的放射性释放危险,一旦发生事故,其对周边环境甚至全球生态的影响将十分严重。核能发展史上几次严重的核事故使人们认识到只依靠主控室操纵员进行操作和响应极有可能导致人因失误。虽然数字化仪控系统可以帮助操纵员识别异常,但是它无法准确地对破口等突变型故障进行诊断分析,因此应进一步研究快速有效、准确率高的故障诊断方法,从而保证核电站的运行安全性。
故障诊断是根据系统的异常征兆判断系统异常原因的过程,是一个反向推理过程。目前,国内外学者提出了大量故障诊断方法,但总体上处于研究阶段,功能有限,应用范围较单一。可以分为三类:基于数据驱动的方法、基于专家知识的方法以及基于数学模型的方法。
基于数据驱动:可分为机器学习类方法、多元统计分析类方法、信号处理类方法、信息融合类方法和粗糙集方法等。这些方法不需要过程精确的解析模型,通过对历史数据的大量学习与训练构造数据分析模型,建模过程相对简单,通用性和实时性好。在国外,美国田纳西大学的Upadhyaya,B.R.利用残差空间分析对压水堆蒸汽发生器的典型故障进行诊断;伊朗设拉兹大学的Kamal Hadad采用BP人工神经网络和小波变换相结合的故障诊断方法。在国内,赵云飞等人将BP人工神经网络用于AP1000核电站部分事故诊断中。但是这类方法的缺点明显,即历史数据获取困难,无法完成学习与训练;可解释性差。
基于专家知识方法:代表性方法为专家系统,利用领域专家在长期实践中积累起来的经验建立知识库进行推理分析,从而获得有关系统或设备的故障原因。这类方法的优点是无需建立解析模型,且诊断结果易于理解、鲁棒性好。在国外,美国Nelson开发了进行故障诊断和反应堆事故处置的专家系统,丹麦科学技术大学的Morten Lind研究了多层流模型(MFM)在压水堆核电站主冷却剂系统故障诊断中的应用。在国内,刘永阔等人研究了基于符号有向图的定性故障诊断方法。而这类方法的不足之处是知识获取困难;当规则较多时,推理过程中存在匹配冲突、组合爆炸等问题。
基于数学模型:根据实施对象的过程机理,建立准确反应运行过程的满足质量守恒、能量守恒和动量守恒的解析数学模型。这类方法的主要优点是从系统和设备的运行机理出发,因此物理意义明确,可解释性强;不存在匹配冲突、组合爆炸等问题。在国外,William H.等人同样采用机理守恒方程进行状态监测和故障诊断。清华大学利用数学模型建立了核电汽轮机电力系统的分析模型,引入反映设备运行性能的特性参数,通过特性参数随其影响因素的变化关系来对系统进行诊断。但这类方法的主要缺点是建模过程复杂,需要考虑的因素多而杂,多数学者所建模型过于简单从而不足以反应核电站各设备和系统之间的关联关系和变化情况。
因为基于数据驱动方法、专家知识的方法和数学模型法都能进行故障诊断,所属领域的技术人员一般认为这是三类并列的故障诊断方法。
发明内容
本发明的发明目的是针对核电站运行过程中传感器测量得到的热工水力过程参数提供一种基于机理仿真模型、多层流模型和相似性度量的混合式核电站故障诊断方法,结合了多层流模型的因果推理能力、机理仿真模型的定量计算能力以及相似性度量中距离函数的数据分析能力,从而提高了过程状态监测和故障诊断的准确性和效率。
本发明是这样实现的:
一种混合式核电站故障诊断方法,其特征在于,包含以下步骤:
步骤一从核电站运行数据库中单向地实时采集被诊断系统中的电动阀门、泵等设备的状态信息和自动控制信号、以及过程参数,所述过程参数包括压力、温度、流量参数。
将状态信息和自动控制信号传递给建立的机理仿真模型作为计算输入边界条件,所述机理仿真模型是一种运行水力学以及传热学的关系式通过计算机数值计算模拟实际被诊断系统运行特性的分析模型;仿真模型计算出的对应参数与被诊断系统中有测点的实时数据进行对比,判断所有的对应参数误差是否小于2%;若参数相对误差大于2%,则调节机理仿真模型中不同物理节点之间的流量、压力、温度的计算关系式,直到对应参数小于2%为止;同时,在被诊断系统正常运行过程中,持续采集上述运行数据,使机理仿真模型能够与被诊断系统同步运行。
步骤二在核电站运行过程中,将采集到的实时数据与在线机理仿真模型计算得到的对应参数做残差,对所有残差数据设置阈值,所述阈值根据核电站的设定规则或操作人员的设定进行设置,并实时地监测所有残差数据的变化;当残差在允许范围内时,表明核电站正常运行,则持续进行监测;当有多个或大量数据的残差超过阈值,则发出警报,表明核电站运行过程出现了异常。
步骤三当出现步骤二中所述的异常后,以所有异常节点为起点,利用多层流模型描述的因果关系沿因果链逆向传播的方向进行反向推理,确定下游功能状态与上游功能状态是否匹配;如果匹配,则以上游功能状态为节点重复进行逆向推理,直至找到导致当前异常功能状态的根节点为止;如果不能匹配,则说明上游节点不是下游状态的原因,因此更换新的节点进行推理,最终诊断得到故障类型结果或结果集。
步骤四在得到故障类型结果或结果集时,立刻将机理仿真模型从在线实时运行切换至离线超实时运行;具体地,切断实时采集的状态数据和自动控制信号与机理仿真模型之间的连接,机理仿真模型通过缩短仿真计算的时间步长,以使仿真模型的计算速度成比例提高;在此基础上,将多层流模型诊断结果或结果集依次加入到离线仿真模型中,机理仿真模型在加载每种故障后,快速超实时计算出参数的变化趋势,并将计算得到的参数趋势与对应测量值的变化趋势进行对比分析,所有参数变化趋势均一致的加载项即为最终诊断得出的故障类型,也就是达到了对故障的正向验证。
步骤五当经步骤三和步骤四诊断为通用故障时,直接显示到人机界面上;而当经步骤三和步骤四诊断为典型故障时,需要诊断典型故障的故障程度;在已经切换至离线超实时运行的仿真模型中分别加入当前故障类型的不同故障程度,超实时仿真模型逐一在故障发生前的初始条件下进行快速计算,最后将计算结果分别储存到仿真模型数据库中;所述的典型故障是指设计基准事故,包括主冷却剂系统管道破裂,控制棒失控提升、控制棒落棒事故;所述的通用故障是指泵和阀等设备由于故障或误动作导致其状态偏离相应工况设定值的现象,包括阀的误动作、未按规定条件开启、未按规定条件关闭。
步骤六选取发生故障后近似于线性变化或近似于阶跃变化的可以测量得到的运行参数作为评估参量,即可以通过这些参数的变化斜率或变化幅度来进行有效的分析判断,而变化微小或变化无规律的参数没法进行判断;然后利用稳态下一段时间内的评估参数构成被诊断系统的稳态运行数据,首先计算得出协方差矩阵,并求出运行数据的平均值,从而确定马氏距离函数的数据分析模型。
步骤七马氏距离函数从超实时仿真模型计算得出的参数数据库中读取数据,并计算所有超实时仿真数据的马氏距离值;然后通过多项式拟合方法,将时间作为自变量,不同故障程度下所计算出的马氏距离值作为因变量,分别建立不同故障程度的评估曲线。
步骤八通过核电站仪表和控制系统的运行数据库读取被诊断系统在故障后的运行数据,经过马氏距离函数的数据分析模型计算出实际故障数据的马氏距离值,并将时间作为自变量,实际故障数据的马氏距离作为因变量,求得评估曲线,分别对步骤七中建立的不同故障程度下的评估曲线和实际数据的评估曲线进行数值积分,并相互比较,参数之间误差最小的即为最终评估得到的故障程度;最终将结果显示在人机界面上,让操作人员意识到故障的全部信息和严重程度。
本发明的主要原理:通过反复试验和应用,发现在对核电站相关系统进行过程故障诊断时,基于数据驱动方法具有较强的非线性映射能力并可以并行计算,因此诊断速度快。但是,这类方法需要历史数据进行训练,而大多数故障无法获得其历史数据,导致其应用具有很大的局限性;另外,其诊断结果可读性差,不易理解,因此操纵员难以判断正确与否。而基于专家知识的方法建模简单、可解释性强、具有反向推理能力;但是定性推理过程中容易存在匹配冲突,从而导致诊断结果不唯一,带来一定的不确定性。同时,基于数学模型的方法物理意义明确,能准确反映被诊断系统的运行特性;但是建模过程相对复杂,同时逆向推理能力相对较弱。因此,本发明利用基于专家知识的方法进行故障类型的诊断,最大程度发挥其反向推理能力;在得到故障结果后,将原本处于与被诊断系统同步运行的机理仿真模型切换至离线超实时运行,从而在反映被诊断系统当前组态的前提下加载故障进行正向验证;在确定故障类型后,若是通用故障,则直接给人机界面显示;而诊断结果为特殊故障时,通过机理仿真模型超实时运算为基于数据驱动方法的距离函数提供样本训练数据,解决数据驱动类方法原始数据无法获得的难题,并利用数据驱动方法在数据分析上的优势进行故障程度评估,保障对故障类型、位置和程度的准确诊断与预测。
本发明的有益效果是首先根据被诊断系统的组成和运行原理利用系统仿真建模软件或自主编程建立相关系统的工艺过程仿真模型和控制系统仿真模型,为了满足故障验证的需求并提供样本数据,建模过程中节点划分根据测点的布置尽可能简化管网节点数目,从而保证仿真模型可以满足实时和超实时计算的需求;同时为了体现一些关键设备,应在满足超实时计算的前提下对被诊断系统中的关键设备进行精细化建模,保证能够精确反映该设备在正常运行和故障后的动态特性;离线调试被诊断系统的仿真模型,保证仿真模型的计算结果与核电站保持一致,误差在允许范围内;然后,应用多层流建模工具建立系统多层流模型,从而完成专家知识库的构建:先根据被诊断系统的测点布置,选择描述功能状态的测点变量,测点变量一定与设备的安全有直接的关系。在此基础上,运用符号化的建模语言描述被诊断系统在物质、能量和信息方面的交互作用,功能之间的连接关系表明了功能状态之间的相互影响,因此对系统建立多层流模型的过程,就是描述系统异常状态之间因果关联的过程;接着,对被诊断系统进行故障模式及影响分析,并利用多层流建模工具建立故障专家知识库。故障诊断知识库结合故障模式及影响分析建立所有故障与警报之间的推理模型,即可形成故障诊断专家知识库,故障诊断专家知识库分为典型故障专家知识库和通用故障专家知识库。
最终,达到应用多层流模型、机理仿真模型和距离函数对核电站进行在线故障诊断的目的。先由多层流模型给出定性诊断结果,再进一步利用机理仿真模型进行诊断结果的筛选和验证,若为典型故障,可以采用距离函数进行故障程度评估。通过引入机理仿真模型,本发明能极大地提高故障诊断的准确性;解决了单纯采用数据驱动方法时不可解释、训练数据匮乏的缺点;同时排除了专家知识方法在定性推理过程中的局限性。
综上所述,本发明采用的多层流模型对故障类型的定性推理效果好,机理仿真模型的定量计算准确性好,可以用来进行故障验证。而相似性度量中的距离函数对数据的分析能力强,可用于故障程度评估,充分结合不同方法的优点,取长补短,达到优势互补,提高故障诊断的准确性和效率。
附图说明
图1为本发明的混合式故障诊断方法流程图;
图2为本发明的混合式故障诊断方法结构示意图;
图3为主冷却剂系统的机理仿真模型;
图4为主冷却剂系统冷管段微小破口后的多层流模型;
图5为故障类型诊断的因果推理过程图;
图6为机理仿真模型的超实时计算结果;
图7为不同故障程度下的马氏距离值随时间变化的评估曲线。
具体实施方式
为了能够更好的理解本发明,首先对本发明中涉及的基本概念作简单的介绍:
多层流模型:一种功能性建模方法,从认知科学的角度运用符号学方法将目标系统的生产过程抽象成“流”来描述系统在物质、能量和信息三个层次上的关系。它将工艺过程抽象成“手段——目的”以及“部分——整体”的相互关联的层次结构,采用一套标准化的符号语言将复杂的系统过程描述为物质和能量的产生、传输和消耗,以及信息的采集、决策和执行等,遵循能量守恒和质量守恒定律。同时模型描述了功能之间的相互影响关系,方便进行因果推理。
故障模式及影响分析(FMEA):一种用于分析产品设计或过程设计可能导致的故障及后果的技术方法。FMEA以规范化的表格形式归纳分析系统中每一个产品可能产生的故障模式及其对系统造成的所有可能影响,并按每一个故障模式的严重程度,检测难易程度以及发生频度予以分类。
机理仿真模型:运行水力学以及传热学的关系式通过计算机数值计算模拟实际被诊断系统运行特性的分析模型。为了进行故障验证和提供样本训练数据,机理仿真模型可以按照需求进行实时或者超实时数值计算。
马氏距离函数:表示数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧式距离不同的是它考虑到各种特性之间的联系并且是尺度无关的,即独立于测量尺度。可以把每一时刻内多个样本点看作高维空间中的一个点,进而表示样本点之间的相似性,距离较近的样本点性质较相似,距离较远的样本点则差异较大。
典型故障:设计基准事故,主要包括主冷却剂系统管道破裂,控制棒失控提升、控制棒落棒事故等。
通用故障:泵和阀等设备由于故障或误动作导致其状态偏离相应工况设定值的现象,主要包括阀的误动作、未按规定条件开启、未按规定条件关闭等。
下面结合附图对本发明的技术方案做进一步的详细说明。
如附图1-2所示,本发明的一种混合式核电站故障诊断方法,其特征在于,具体步骤如下:
1)从核电站运行数据库中单向地实时采集被诊断系统中的电动阀门、泵等设备的状态信息和自动控制信号、以及过程参数如压力、温度、流量等参数。首先将状态信息和自动控制信号传递给建立的机理仿真模型作为计算输入边界条件,仿真模型计算出的对应参数与被诊断系统中有测点的实时数据进行对比,判断所有的对应参数误差是否小于2%;若参数相对误差大于2%,则调节机理仿真模型中不同物理节点之间的流量、压力、温度的计算关系式,直到对应参数小于2%为止。同时,在被诊断系统正常运行过程中,持续采集上述运行数据,使机理仿真模型能够与被诊断系统同步运行;
2)在核电站运行过程中,将采集到的实时数据与在线机理仿真模型计算得到的对应参数做残差,对所有残差数据设置阈值(阈值可以根据核电站的设定规则进行设置,也可以依赖操作人员的设定),并实时地监测所有残差数据的变化;当残差在允许范围内时,表明核电站正常运行,则持续进行监测;如果有多个或大量数据的残差超过阈值,则发出警报,表明核电站运行过程出现了异常;
3)当出现异常后,以所有异常节点为起点,利用多层流模型描述的因果关系沿因果链逆向传播的方向进行反向推理,确定下游功能状态与上游功能状态是否匹配;如果匹配,则以上游功能状态为节点重复进行逆向推理,直至找到导致当前异常功能状态的根节点为止;如果不能匹配,则说明上游节点不是下游状态的原因,因此更换新的节点进行推理;最终诊断得到故障类型结果或结果集。
4)在得到故障类型结果或结果集时,立刻将机理仿真模型从在线实时运行切换至离线超实时运行,具体地,切断实时采集的状态数据和自动控制信号与机理仿真模型之间的连接,机理仿真模型通过缩短仿真计算的时间步长,以使仿真模型的计算速度成比例提高;在此基础上,将多层流模型诊断结果或结果集依次加入到离线仿真模型中,机理仿真模型在加载每种故障后,快速超实时计算出参数的变化趋势,并将计算得到的参数趋势与对应测量值的变化趋势进行对比分析,所有参数变化趋势均一致的加载项即为最终诊断得出的故障类型,也就是达到了对故障的正向验证;
5)当经步骤3)和4)诊断为通用故障时,直接显示到人机界面上;而当经步骤3)和4)诊断为典型故障时,还需要诊断典型故障的故障程度,因为不同故障程度的同种故障最终对核电站的安全影响差别很大。因此,在已经切换至离线超实时运行的仿真模型中分别加入当前故障类型的不同故障程度,超实时仿真模型逐一在故障发生前的初始条件下进行快速计算,最后将计算结果分别储存到仿真模型数据库中;
6)选取发生故障后近似于线性变化或近似于阶跃变化的可以测量得到的运行参数作为评估参量,即可以通过这些参数的变化斜率或变化幅度来进行有效的分析判断,而变化微小或变化无规律的参数没法进行判断;然后利用稳态下一段时间内的评估参数构成被诊断系统的稳态运行数据,首先计算得出协方差矩阵,并求出运行数据的平均值,从而确定马氏距离函数的数据分析模型;
7)马氏距离函数从超实时仿真模型计算得出的参数数据库中读取数据,并计算所有超实时仿真数据的马氏距离值;然后通过多项式拟合方法,将时间作为自变量,不同故障程度下所计算出的马氏距离值作为因变量,分别建立不同故障程度的评估曲线;
8)通过核电站仪表和控制系统的运行数据库读取被诊断系统在故障后的运行数据,经过马氏距离函数的数据分析模型计算出实际故障数据的马氏距离值,并将时间作为自变量,实际故障数据的马氏距离作为因变量,求得评估曲线,分别对步骤7)中建立的不同故障程度下的评估曲线和实际数据的评估曲线进行数值积分,并相互比较,参数之间误差最小的即为最终评估得到的故障程度。最终将结果显示在人机界面上,让操作人员意识到故障的全部信息和严重程度。
本发明实施实例如下(以“秦山一期核电站主冷却剂系统的冷管段微小破口故障”的诊断为例),为了保证核电站的安全运行,无法在核电站中人为加入故障。因此本发明采用300MW秦山一期核电站全范围仿真机作为实际待诊断对象,设定核电站在正常运行200s后,发生了主冷却剂系统的冷管段1cm2微小破口故障:
利用SimExec实时仿真平台和系统仿真软件RELAP5-HD建立主冷却剂系统的机理仿真模型,在节点划分时为了满足超实时计算的需求,将管道尽可能地用较少的节点来表示;而在满足了超实时计算之后,对反应堆和蒸汽发生器进行精细化划分,以保证能够准确反映流体在设备内的流动过程,具体节点划分图如图3所示。在离线调试主冷却剂系统的仿真模型之后,从运行数据库中单向地实时采集主冷却剂系统中所有的电动阀门、泵等设备的状态信息和以及所有相关的自动控制信号并传递给建立的机理仿真模型,对比主冷却系统中的过程参数如温度、压力、流量、水位等参数与仿真模型计算出的对应参数,直到所有对应参数误差小于2%;若不一致,调节机理仿真模型不同物理节点之间的流量、压力、温度的计算关系式,直到满足要求为止。同时,在主冷却剂系统正常运行过程中,持续采集上述运行数据,使机理仿真模型能够与被诊断系统同步运行;一些关键参数的对比如表1所示:
在核电站正常运行过程中从运行数据库单向地实时读取相关测点运行数据,并与在线机理仿真模型计算得到的对应参数分别计算出残差,在本例中设置残差变化的阈值为相对误差的1%(部分参数如流量的绝对值较大,因此对于这些参数取其绝对误差)。随后,持续监测实测值和对应仿真值得残差变化,在200s内所有参数的残差变化始终在允许范围内.然而在200s之后,通过核电站全范围模拟机随机插入1cm2的冷管段微小破口后,部分实测值与对应仿真值的残差值超过设定的阈值,而且残差的变化持续增大,从而表明核电站运行过程出现了异常,应该发出报警激活后续的模块继续运算。得到主要的异常参数警报结果为:
1#环路反应堆入口流量下降;
稳压器压力下降;
稳压器水位下降;
反应堆出口压力下降;
稳压器汽空间温度下降;
上充流量增加;
稳压器电加热器功率增加;
得到异常参数后,多层流模型根据所有的异常值,进行因果推理。应用多层流建模工具建立的核电站主冷却剂系统的多层流模型如图4所示,模型主要包括两个流结构,其中S1表示主冷却剂系统能量流,S2表示主冷却剂系统物质流。G0表示主冷却剂系统的主要目标为传递堆芯热量给二回路。G1、G2分别表示维持左右环路循环流动的目标。G3表示维持冷却剂装量。图中每个功能单元的含义具体见表2。
表2主冷却剂系统多层流模型功能含义
对主冷却剂系统进行故障模式及影响分析如表3。
表3主冷却剂系统管道破裂后的FMEA表
多层流模型的典型故障专家知识库和通用故障专家库在多层流模型的基础上建立,根据表3添加导致根原因警报发生的直接故障原因,即可建立故障模式与系统多层流模型的联系如表4所示。
表4故障诊断专家知识库
在此基础上,故障诊断结果如图5所示。警报传播过程如下,1环路冷管段发生破口,导致管道作为压力边界的屏蔽功能失效(F17-Leak),在破口之后的管段冷却剂流量降低(F18-L),冷却剂的流失导致一回路的水装量减少(G3-L),虽然来自化容系统的上充流量增加,但是不足以弥补水装量的流失,因此稳压器的水负波动流出(F31-H),从而导致稳压器水位降低(F28-L),整个RCS的压力测点包括稳压器的压力降低(F37-L),电加热器逐渐投入(F36-H)以延缓压力的降低。稳压器的水位与上充流量共同作用,弥补了冷却剂的流失,同时由于未达到反应堆停堆的控制限值,因此蒸汽发生器二次侧的给水流量、蒸汽产量和二次侧水位保持不变。同时,将核电站的安全分析报告中的内容加入多层流模型的知识库中,安全分析报告指出在发生10cm2的破口时,蒸汽发生器二次侧的压力和水位会发生较大幅度的变化,但是在本案例中并未发生,因此可以通过多层流模型和知识库推理得出此时的1环路冷管段的破口面积应该在小破口的范畴内(小于10cm2)。
在对应参数的残差异常发出警报激活多层流模型的同时,将机理仿真模型从在线实时运行切换至离线超实时运行,即切断从核电站中采集到的状态参数和自动控制信号;在此基础上,将多层流模型诊断得到的主冷却剂系统1#环路冷管段破口加入到离线超实时仿真模型中。机理仿真模型在加载该故障,由于此时不知道故障程度,因此结合安全分析报告随机插入一个10cm2以下的当前故障,然后通过缩短5倍的计算时间步长使仿真模型可以加速5倍运算。快速计算出参数的变化趋势,并将计算得到的参数趋势与对应测量值的变化趋势进行对比分析,通过图6可以看到所有仿真计算的参数与实测值的变化趋势均保持一致。因此通过利用机理仿真模型的故障正向验证,可以最终诊断得出当前故障类型就是主冷却剂系统的1#冷管段破裂。
由于经过故障类型诊断和故障验证,诊断结果为管道破裂这种典型故障,因此还需要诊断1#冷管段破裂的故障严重程度。因此,将在故障验证中已经切换至离线超实时运行的仿真模型通过回溯至故障发生之前的那一刻,加入8cm2破口的当前故障,并重新缩短5倍的计算时间步长使仿真模型可以加速5倍运算,超实时仿真模型在与发生故障开始前同样的系统和设备组态条件以及初始条件下进行快速计算,最后将计算结果分别储存到仿真模型数据库中;然后不断重复这一过程直到将1cm2、2cm2、4cm2、6cm2破口的当前故障全部计算并存储到仿真模型数据库中为止。最终,为下一步利用马氏距离函数评估故障程度提供了样本数据。所计算得出的稳压器水位、压力以及1#环路反应堆进口流量的参数变化对比趋势图如图6所示。
选取了故障发生后近似于线性变化或近似于阶跃变化的可以测量得到的运行参数作为评估参量,这些参量包括稳压器汽空间压力、稳压器水位、稳压器汽空间温度、反应堆进口流量、蒸汽发生器二次侧出口蒸汽产量、蒸汽发生器水位作为评估参量,这些评估参量覆盖到了主冷却剂系统的所有主要设备,具有较好的通用性。然后利用这些参数的稳态运行下一段时间内的数据首先计算每一列数据的平均值,然后计算得到这些评估参量矩阵的协方差矩阵Cx,由于评估参量一共有6维,因此得到的协方差矩阵为6×6维:
利用马氏距离公式就可以生成用于故障程度评估的数据分析模型,其中y表示实时运行数据,u表示输入数据的稳态均值,Cx为协方差矩阵。
马氏距离函数从仿真模型数据库中读取超实时计算模拟的破口程度分别为:1cm2、2cm2、4cm2、6cm2、8cm2的当前故障运行数据,并通过建立的故障程度评估模型计算出所有超实时仿真数据的马氏距离值,得到如图7所示的不同故障程度下马氏距离值随时间变化的变化数据(横坐标为时间,纵坐标为以10为底的对数处理后的马氏距离值)。
通过多项式拟合方法,将时间作为自变量,不同故障程度下所计算出的马氏距离值作为因变量,建立不同故障模式的评估曲线的拟合关系式分别如下:
1cm2破口:y1=1.8227×10-5x2-0.0039x+4.3036
2cm2破口:y2=4.1571×10-5x2-0.0035x+4.5871
4cm2破口:y3=1.86238×10-5x2-0.0012x+4.8734
6cm2破口:y4=7.1586×10-7x2-2.1447×10-4x+5.0454
8cm2破口:y5=2.9855×10-4x2-0.0109x+5.0916
得到样本数据的曲线关系式后,通过从核电站仪表和控制系统的运行数据库读取主冷却系统在故障后的实际运行数据。通过与上述相同计算步骤后,计算出实际故障数据的马氏距离值,并将时间作为自变量,实际故障数据的马氏距离作为因变量,求得评估曲线得到实际数据评估曲线的拟合关系式为y6=2.5887×10-5x2-0.0042x+4.3541,分别对实时数据评估曲线和仿真模型计算出的六条不同故障程度的数据曲线进行数值积分,并对实时数据的积分值分别与仿真模型计算出的数据积分值进行对比,实际数据在发生故障后100s内的数据积分为417.5719;而超实时仿真计算的1cm2冷管段破口后的数据积分值为412.231;相对误差为1.3%。所以,给出的故障程度评估结果为:主冷却剂系统冷管段破口为1cm2的故障,最终将结果显示在人机界面上,让操作人员意识到故障的全部信息和严重程度。
Claims (1)
1.一种混合式核电站故障诊断方法,其特征在于,包含以下步骤:
步骤一从核电站运行数据库中单向地实时采集被诊断系统中的电动阀门、泵等设备的状态信息和自动控制信号、以及过程参数,所述过程参数包括压力、温度和流量参数;
将状态信息和自动控制信号传递给建立的机理仿真模型作为计算输入边界条件,所述机理仿真模型是一种运行水力学以及传热学的关系式通过计算机数值计算模拟实际被诊断系统运行特性的分析模型;仿真模型计算出的对应参数与被诊断系统中有测点的实时数据进行对比,判断所有的对应参数误差是否小于2%;若参数相对误差大于2%,则调节机理仿真模型中不同物理节点之间的流量、压力和温度的计算关系式,直到对应参数的误差小于2%为止;同时,在被诊断系统正常运行过程中,持续采集上述运行数据,使机理仿真模型能够与被诊断系统同步运行;
步骤二在核电站运行过程中,将采集到的实时数据与在线机理仿真模型计算得到的对应参数做残差,对所有残差数据设置阈值,所述阈值根据核电站的设定规则或操作人员的设定进行设置,并实时地监测所有残差数据的变化;当残差在允许范围内时,表明核电站正常运行,则持续进行监测;当有多个或大量数据的残差超过阈值,则发出警报,表明核电站运行过程出现了异常;
步骤三当出现步骤二中所述的异常后,以所有异常节点为起点,利用多层流模型描述的因果关系沿因果链逆向传播的方向进行反向推理,确定下游功能状态与上游功能状态是否匹配;如果匹配,则以上游功能状态为节点重复进行逆向推理,直至找到导致当前异常功能状态的根节点为止;如果不能匹配,则说明上游节点不是下游状态的原因,因此更换新的节点进行推理,最终诊断得到故障类型结果或结果集;
步骤四在得到故障类型结果或结果集时,立刻将机理仿真模型从在线实时运行切换至离线超实时运行;具体地,切断实时采集的状态数据和自动控制信号与机理仿真模型之间的连接,机理仿真模型通过缩短仿真计算的时间步长,以使仿真模型的计算速度成比例提高;在此基础上,将多层流模型诊断结果或结果集依次加入到离线仿真模型中,机理仿真模型在加载每种故障后,快速超实时计算出参数的变化趋势,并将计算得到的参数趋势与对应测量值的变化趋势进行对比分析,所有参数变化趋势均一致的加载项即为最终诊断得出的故障类型,也就是达到了对故障的正向验证;
步骤五当经步骤三和步骤四诊断为通用故障时,直接显示到人机界面上;而当经步骤三和步骤四诊断为典型故障时,需要诊断典型故障的故障程度;在已经切换至离线超实时运行的仿真模型中分别加入当前故障类型的不同故障程度,超实时仿真模型逐一在故障发生前的初始条件下进行快速计算,最后将计算结果分别储存到仿真模型数据库中;所述的典型故障是指设计基准事故,包括主冷却剂系统管道破裂,控制棒失控提升、控制棒落棒事故;所述的通用故障是指泵和阀等设备由于故障或误动作导致其状态偏离相应工况设定值的现象,包括阀的误动作、未按规定条件开启、未按规定条件关闭;
步骤六选取发生故障后近似于线性变化或近似于阶跃变化的可以测量得到的运行参数作为评估参量,即可以通过这些参数的变化斜率或变化幅度来进行有效的分析判断,而变化微小或变化无规律的参数没法进行判断;然后利用稳态下一段时间内的评估参数构成被诊断系统的稳态运行数据,首先计算得出协方差矩阵,并求出运行数据的平均值,从而确定马氏距离函数的数据分析模型;
步骤七马氏距离函数从超实时仿真模型计算得出的参数数据库中读取数据,并计算所有超实时仿真数据的马氏距离值;然后通过多项式拟合方法,将时间作为自变量,不同故障程度下所计算出的马氏距离值作为因变量,分别建立不同故障程度的评估曲线;
步骤八通过核电站仪表和控制系统的运行数据库读取被诊断系统在故障后的运行数据,经过马氏距离函数的数据分析模型计算出实际故障数据的马氏距离值,并将时间作为自变量,实际故障数据的马氏距离作为因变量,求得评估曲线,分别对步骤七中建立的不同故障程度下的评估曲线和实际数据的评估曲线进行数值积分,并相互比较,参数之间误差最小的即为最终评估得到的故障程度;最终将结果显示在人机界面上,让操作人员意识到故障的全部信息和严重程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710608145.3A CN107301884B (zh) | 2017-07-24 | 2017-07-24 | 一种混合式核电站故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710608145.3A CN107301884B (zh) | 2017-07-24 | 2017-07-24 | 一种混合式核电站故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107301884A CN107301884A (zh) | 2017-10-27 |
CN107301884B true CN107301884B (zh) | 2019-07-16 |
Family
ID=60132962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710608145.3A Active CN107301884B (zh) | 2017-07-24 | 2017-07-24 | 一种混合式核电站故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301884B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522088A (zh) * | 2023-04-27 | 2023-08-01 | 哈尔滨工程大学 | 一种基于机器学习的核动力装置运行数据分析方法与系统 |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984382B (zh) * | 2018-07-26 | 2022-05-13 | 广西防城港核电有限公司 | 核电站模拟机i/o通道故障模拟方法及装置 |
CN108803467B (zh) * | 2018-08-14 | 2020-06-12 | 北京天安智慧信息技术有限公司 | 立式分离器运行状态的实时监测方法及系统 |
CN109448874B (zh) * | 2018-09-29 | 2020-11-20 | 国核自仪系统工程有限公司 | 核动力反应堆保护系统的停堆功能的测试装置及方法 |
CN111354497B (zh) * | 2018-12-21 | 2022-03-22 | 核动力运行研究所 | 一种核电站破口事故信息诊断方法 |
CN111400850B (zh) * | 2018-12-28 | 2024-04-09 | 阿里巴巴集团控股有限公司 | 设备故障分析方法、装置、设备和存储介质 |
CN109978500A (zh) * | 2019-03-20 | 2019-07-05 | 武汉瑞莱保能源技术有限公司 | 一种核电站失电试验管理系统 |
CN110286698B (zh) * | 2019-04-24 | 2022-11-25 | 四川中鼎智能技术有限公司 | 基于集水井水位数据关联的诊断控制方法、系统、存储介质和终端 |
CN110148481B (zh) * | 2019-06-03 | 2021-05-18 | 中国原子能科学研究院 | 反应堆水力驱动安全棒运行状态的判断方法 |
CN110322977B (zh) * | 2019-07-10 | 2021-02-09 | 河北工业大学 | 一种核电堆芯水位监测系统的可靠性分析方法 |
CN110533294B (zh) * | 2019-07-30 | 2024-04-16 | 中国核电工程有限公司 | 一种基于人工智能技术的核电厂运行故障报警方法 |
CN110887671B (zh) * | 2019-10-18 | 2022-04-12 | 北京百度网讯科技有限公司 | 自动驾驶中定位车辆故障的根本原因的方法和装置 |
CN110738274A (zh) * | 2019-10-26 | 2020-01-31 | 哈尔滨工程大学 | 一种基于数据驱动的核动力装置故障诊断方法 |
CN111308337A (zh) * | 2020-03-31 | 2020-06-19 | 张铭源 | 一种离心风机入口导叶调节阀门性能评价方法 |
CN111816338A (zh) * | 2020-06-08 | 2020-10-23 | 核动力运行研究所 | 一种核电厂信息系统健康监测与故障定位系统及方法 |
CN111767657B (zh) * | 2020-07-09 | 2022-04-22 | 哈尔滨工程大学 | 一种核动力系统故障诊断方法和系统 |
CN112036568B (zh) * | 2020-07-09 | 2023-10-17 | 中国人民解放军海军工程大学 | 一种核动力装置一回路冷却剂系统破损故障智能诊断方法 |
CN111899905B (zh) * | 2020-08-05 | 2022-11-01 | 哈尔滨工程大学 | 一种基于核动力装置的故障诊断方法及系统 |
CN112130998B (zh) * | 2020-09-23 | 2022-02-01 | 中国核动力研究设计院 | 适用于多环路压水堆的核反应堆系统分析程序的优化方法 |
CN112597631B (zh) * | 2020-12-03 | 2023-08-01 | 中广核工程有限公司 | 轴向功率偏差的超实时计算方法、电子设备及存储介质 |
CN113076684B (zh) * | 2021-02-23 | 2022-09-20 | 中国核动力研究设计院 | 一种核反应堆堆芯调棒过程瞬态参数智能计算方法 |
CN112947290B (zh) * | 2021-05-16 | 2021-08-20 | 北京赛博联物科技有限公司 | 基于边云协同的设备状态监测方法、监测系统及存储介质 |
CN113110114B (zh) * | 2021-05-24 | 2023-07-14 | 北京润科通用技术有限公司 | 一种超实时联合仿真的调度方法及装置 |
CN113552840B (zh) * | 2021-07-30 | 2024-01-30 | 娄底市同丰科技有限公司 | 一种机械加工控制系统 |
CN113569423B (zh) * | 2021-08-04 | 2023-08-01 | 国网河北省电力有限公司电力科学研究院 | 微电网联合故障定位方法、终端及存储介质 |
WO2023044907A1 (en) * | 2021-09-27 | 2023-03-30 | Siemens Aktiengesellschaft | Method and device for monitoring equipment health and computer readable storage medium |
CN114062896A (zh) * | 2021-11-11 | 2022-02-18 | 深圳市慧邦电子科技有限公司 | 一种集成电路的成品测试方法和存储介质 |
US20230305551A1 (en) * | 2022-03-25 | 2023-09-28 | Yokogawa Electric Corporation | Method and system for automated fault detection |
CN115329639B (zh) * | 2022-08-26 | 2023-10-20 | 中国长江三峡集团有限公司 | 一种风电站维护方法、平台和电子设备 |
CN115905886A (zh) * | 2023-01-09 | 2023-04-04 | 北京和利时系统集成有限公司 | 站台屏蔽门的故障诊断方法、装置以及存储介质 |
CN117740083A (zh) * | 2024-02-19 | 2024-03-22 | 达斯玛环境科技(北京)有限公司 | 一种搅拌器故障监测方法、系统、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000356696A (ja) * | 1999-05-14 | 2000-12-26 | Siemens Corporate Res Inc | 複雑系で診断を行う方法、複雑系でのエラー状態を診断する際に支援するための装置、及び、複雑系でのエラー状態を診断するシステム |
CN101158874A (zh) * | 2007-09-26 | 2008-04-09 | 大亚湾核电运营管理有限责任公司 | 一种核电机组的控制系统及其自动诊断方法和子系统 |
KR101103131B1 (ko) * | 2010-10-05 | 2012-01-04 | 한국수력원자력 주식회사 | 원자력발전소 예비디젤발전기의 진단장치 및 방법 |
CN104299659A (zh) * | 2013-07-16 | 2015-01-21 | 中广核工程有限公司 | 核电站运行状态监控方法、装置及系统 |
CN104850750A (zh) * | 2015-05-27 | 2015-08-19 | 东北大学 | 一种核电站反应堆保护系统可靠性分析方法 |
CN104915768A (zh) * | 2015-06-02 | 2015-09-16 | 中科华核电技术研究院有限公司 | 一种用于核电厂严重事故诊断及响应支持的方法及系统 |
CN105955069A (zh) * | 2016-06-12 | 2016-09-21 | 哈尔滨工程大学 | 一种基于在线仿真的核电站系统级状态监测方法 |
-
2017
- 2017-07-24 CN CN201710608145.3A patent/CN107301884B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000356696A (ja) * | 1999-05-14 | 2000-12-26 | Siemens Corporate Res Inc | 複雑系で診断を行う方法、複雑系でのエラー状態を診断する際に支援するための装置、及び、複雑系でのエラー状態を診断するシステム |
EP1065578A1 (en) * | 1999-05-14 | 2001-01-03 | Siemens Corporate Research, Inc. | Fault diagnosis in a complex system, such as a nuclear plant, using probabilistic reasoning |
CN101158874A (zh) * | 2007-09-26 | 2008-04-09 | 大亚湾核电运营管理有限责任公司 | 一种核电机组的控制系统及其自动诊断方法和子系统 |
KR101103131B1 (ko) * | 2010-10-05 | 2012-01-04 | 한국수력원자력 주식회사 | 원자력발전소 예비디젤발전기의 진단장치 및 방법 |
CN104299659A (zh) * | 2013-07-16 | 2015-01-21 | 中广核工程有限公司 | 核电站运行状态监控方法、装置及系统 |
CN104850750A (zh) * | 2015-05-27 | 2015-08-19 | 东北大学 | 一种核电站反应堆保护系统可靠性分析方法 |
CN104915768A (zh) * | 2015-06-02 | 2015-09-16 | 中科华核电技术研究院有限公司 | 一种用于核电厂严重事故诊断及响应支持的方法及系统 |
CN105955069A (zh) * | 2016-06-12 | 2016-09-21 | 哈尔滨工程大学 | 一种基于在线仿真的核电站系统级状态监测方法 |
Non-Patent Citations (2)
Title |
---|
Implementation of an integrated real-time process surveillance and diagnostic system for nuclear power plants;Wenlin Wang, Ming Yang;《Annals of Nuclear Energy》;20160628;第2016年卷(第97期);全文 |
基于多层流模型和故障树的可靠性分析方法研究;陈强,杨明;《原子能科学技术》;20141031;第48卷(第增刊期);全文 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522088A (zh) * | 2023-04-27 | 2023-08-01 | 哈尔滨工程大学 | 一种基于机器学习的核动力装置运行数据分析方法与系统 |
CN116522088B (zh) * | 2023-04-27 | 2024-01-26 | 哈尔滨工程大学 | 一种基于机器学习的核动力装置运行数据分析方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107301884A (zh) | 2017-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301884B (zh) | 一种混合式核电站故障诊断方法 | |
Ayodeji et al. | Knowledge base operator support system for nuclear power plant fault diagnosis | |
CN104915768B (zh) | 一种用于核电厂严重事故诊断及响应支持的方法及系统 | |
CN105955069B (zh) | 一种基于在线仿真的核电站系统级状态监测方法 | |
CN104238545B (zh) | 一种石油炼化生产过程故障诊断和预警系统及其建立方法 | |
CN106682376A (zh) | 参数随工况变化实际特性的全过程汽轮机建模及辨识方法 | |
CN103713628A (zh) | 基于符号有向图和数据重构的故障诊断方法 | |
CN104536439B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障诊断方法 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN105975797A (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
CN115437344A (zh) | 一种数字孪生综合能源故障诊断系统、方法、设备和介质 | |
CN107103167A (zh) | 针对甩负荷工况的deh调速功能诊断方法及系统 | |
Wang et al. | Improved methods of online monitoring and prediction in condensate and feed water system of nuclear power plant | |
CN105279553B (zh) | 一种高加给水系统故障程度识别方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
Ikonomopoulos et al. | Gaussian processes for state identification in pressurized water reactors | |
Elashmawi et al. | Neural network monitoring model for industrial gas turbine | |
Ouyang et al. | Modeling of PWR plant by multilevel flow model and its application in fault diagnosis | |
CN105699043A (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
Da-Peng et al. | Intelligent Fault Classification and Identification of Heat Exchange Station Based on Time-Series Analysis | |
CN110688152A (zh) | 一种结合软件开发质量信息的软件可靠性定量评估方法 | |
Lei et al. | Early Warning of Gas Turbine Based on Bayesian Optimized Dynamic Neural Network | |
Uhrig | Potential Use Of Neural Networks In Nuclear Power Plants | |
Han et al. | Automatic Modeling Method Based on Bayesian Network | |
Wu et al. | Research of boiler fault diagnosis based on fuzzy neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |