CN111664083B - 一种基于贝叶斯网络的核电主泵故障诊断方法 - Google Patents

Abstract

本发明属于设备故障智能诊断领域，具体涉及一种基于贝叶斯网络的核电主泵故障诊断方法。本发明包括步骤一：确定贝叶斯网络各节点信息；步骤二：确定贝叶斯网络的结构；步骤三：确定贝叶斯网络的条件概率表；步骤四：贝叶斯诊断模型的输入；步骤五：诊断模型的应用。该方法结合主泵历史数据和人工经验对主泵传感器故障、工艺参数波动引起的振动异常以及主泵本体故障三大类故障进行诊断，减少现场的误报问题，提高主泵的检维修效率，保证主泵安全、可靠地运行。

Description

一种基于贝叶斯网络的核电主泵故障诊断方法

技术领域

本发明属于设备故障智能诊断领域，具体涉及一种基于贝叶斯网络的核电主泵故障诊断方法。

背景技术

核电主泵是压水堆核电站的关键设备之一，主泵一旦出现故障，轻则影响生产，造成经济损失，重则机毁人亡，引发核泄漏，造成严重环境污染。因此，准确、快速地诊断出主泵故障对核电站安全、高效地运行起着重要的作用。

核电现场采用单参数门限报警的方法对主泵状态进行监测，该种方法存在大量的误报，主要误报来源于两点：传感器故障、工艺参数波动引起振动异常超过报警门限，有必要采用一种方法将这两类故障识别出来。因此需要建立一种针对传感器故障、工艺参数波动引起的振动异常以及主泵设备本体故障的诊断方法。

考虑到主泵设备积累了大量的历史数据，若能将其应用于解决该问题，将有效改进诊断的准确性。基于以上分析，本发明提出了一种基于贝叶斯网络的核主泵故障诊断方法。该方法结合主泵历史数据和人工经验对主泵传感器故障、工艺参数波动引起的振动异常以及主泵本体故障三大类故障进行诊断，减少现场的误报问题，提高主泵的检维修效率，保证主泵安全、可靠地运行。

发明内容

针对现场采用的单参数门限报警方法对主泵设备是否本体故障存在误报的问题，本发明提出一种基于贝叶斯网络模型的主泵故障诊断方法，将由于传感器故障和工艺参数波动导致的误报诊断出来。本发明依据主泵各项监测的特征指标作为征兆变量，经贝叶斯网络进行推理，推断出最可能的故障类型。

本发明提出的基于贝叶斯网络的主泵故障诊断方法包括以下5个步骤：

步骤1：确定贝叶斯网络各节点信息。

本发明所提出的基于贝叶斯网络的主泵故障诊断模型包含故障层和征兆层。

其中，步骤1所述“确定贝叶斯网络各节点信息”，其内容为：根据主泵相关信息，确定主泵的故障及相应征兆，从而确定贝叶斯网络的故障层节点和征兆层节点。

其中，故障层节点包括传感器故障、工艺参数波动引起的振动异常和主泵设备本体故障3大类故障；征兆层节点包括波动指标、多参数相关性指标、经验指标以及振动频域指标4大类特征指标，以下将对4大类特征指标的征兆节点分别进行叙述。

其中，“波动指标”用于衡量各监测测点的波动情况，波动指标的计算方法为一个采样时长内监测测点数据与该段时间求得的皮尔逊相关系数的绝对值，其值范围在[0,1]，值越大表明该监测测点波动越剧烈，由于其值在[0,1]，因此可将其看做概率值作为贝叶斯网络中征兆发生的概率。将存在波动的概率以集合P(A＝1)表示，如式1所示。

P(A＝1)＝{P(A₁＝1),P(A₂＝1),…,P(A_i＝1),…,P(A_N＝1)} (1)

式1中，A_i＝1表示主泵第i个监测测点存在波动，P(A_i＝1)表示主泵第i个监测测点存在波动的概率，N为主泵监测测点的数量，P(A_i＝1)的计算方法见式2。

此外，A_i＝0表示主泵第i个监测测点不存在波动，P(A_i＝0)表示主泵第i个监测测点不存在波动的概率，由于P(A_i＝0)+P(A_i＝1)＝1，因此无需再次说明P(A_i＝0)。

式2中，X为一个采样时长的振动数据，其内包含n个采样点数据x_j；T为一个采样时长组成的时间序列，其内的任一时间点t_j对应为X中x_j的采样时间；E(·)表示计算均值。

其中，“多参数相关性指标”用于依据多传感器数据间的相关性推断传感器故障，具体是指在主泵的一些重要部位安装两个传感器进行监测，若在一定时间内两个传感器监测测点数据相关性越大，表明两传感器采集的数据趋势一致，由于两传感器同时出现故障的概率很小，由此可知相关性越大传感器故障的概率越小。将传感器发生故障的概率用集合P(B＝1)表示，如式3所示。

P(B＝1)＝{P(B₁＝1),P(B₂＝1),…,P(B_k＝1),…,P(B_M＝1)} (3)

式3中，B_k＝1表示主泵第k个部位的监测测点传感器发生故障，P(B_k＝1)表示主泵第k个部位的监测测点传感器发生故障的概率，取值于[0,1]，M为主泵上具有两个监测测点的部位的数量，P(B_k＝1)的计算方法见式4。

此外，B_k＝0表示主泵第k个部位的监测测点传感器不发生故障，P(B_i＝0)表示主泵第k个监测测点传感器不发生故障的概率，由于P(B_i＝0)+P(B_i＝1)＝1，因此无需再次说明P(B_i＝0)。

式4中，Y为主泵某部位两个相同传感器中的一个传感器采集的一段采样时长内的振动数据，其包含n个采样点数据y_j；Y'为相同部位另一个传感器采集的一段采样时长内振动数据，其内包n个采样点数据y'_j；E(·)表示计算均值。

其中，“经验指标”是依据人工经验添加的征兆节点，可以包含一种或多种。例如，依据现场经验，当监测测点数据超过预设报警门限值，表明有可能发生主泵设备本体故障，因此可以将监测测点是否达到现场设定的报警门限值设为征兆节点；又例如，依据经验当传感器测量值是否为零值(或满量程值)时很有可能是传感器出现故障，因此也可将传感器测量值是否为零值(或满量程值)设为征兆节点。将监测测点达到报警门限以集合P(C＝1)表示，如式5所示；令监测测点数值为端值(零值或满量程值)以集合P(D＝1)表示。

式5中，C_i＝1表示主泵第i个监测测点超过报警门限，P(C_i＝1)表示主泵第i个监测测点超过报警门限的概率；D_i＝1表示第i个监测测点数值为端值,P(D_i＝1)表示第i个监测测点数值为端值的概率；N为主泵监测测点的数量；P(C_i＝1)和P(D_i＝1)均为状态量0或1，0表示不发生，概率为0，1表示发生，概率为100％。

此外C_i＝0表示主泵第i个监测测点未超过报警门限，D_i＝0表示第i个监测测点数值不是端值，由于P(C_i＝1)+P(C_i＝0)＝1、P(D_i＝1)+P(D_i＝0)＝1，因此无需再次说明P(C_i＝0)和P(D_i＝0)。

其中，“振动频域指标”是指对主泵振动数据进行频域分析得到主要频率，判断主要频率是否为一倍频。令振动频域主要频率成分是一倍频以集合P(E＝1)表示，如式6所示。

P(E＝1)＝{P(E₁＝1),P(E₂＝1),…,P(E_h＝1),…,P(E_H＝1)}(6)

式6中，E_h＝1表示主要频率成分是一倍频，P(E_h＝1)表示第h个振动测点的主要频率是一倍频的概率，用状态量0或1来表示，0表示不是一倍频，概率为0，1表示是一倍频，概率为100％；H是振动测点的数量。

此外，E_h＝0表示主要频率成分不是一倍频，由于P(E＝1)+P(E＝0)＝1，因此无需再次说明P(E＝0)。

步骤2：确定贝叶斯网络的结构。确定贝叶斯网络结构是建立故障层和征兆层之间的连接关系。针对步骤1所述的4类特征指标，建立所有征兆节点与故障节点间的连接，如图2所示为建立的贝叶斯网络结构示意图，其中连线表示对应的故障节点和征兆节点存在关联。

步骤3：确定贝叶斯网络的条件概率表。确定贝叶斯网络的条件概率表的目的是确定步骤2所建立的贝叶斯网络结构中，相互连接的故障节点和征兆节点间的条件概率以及各故障发生的先验概率，即图3中连接线之间的条件概率。

具体步骤为：对于“波动指标”，首先从历史监测数据中筛选出与传感器故障、工艺参数波动引起的振动异常以及主泵设备本体故障相关的数据，通过对筛选出的数据进行定量分析，确定各类故障发生的先验概率P_prior；其次统计各故障发生时各监测测点发生波动的概率，将其作为各监测测点的波动指标与故障的条件概率；对于其他三类特征指标，则依据人工经验和文献资料进行设定，对于无法确定的征兆节点，将其条件概率设为所有征兆节点数的倒数(P_guess)，由此确定了贝叶斯网络的条件概率表P_condition。

步骤4：贝叶斯诊断模型的输入。基于以上三个步骤，完成了贝叶斯诊断模型的建立，以下将计算各征兆节点的征兆变量值，将其作为贝叶斯诊断模型的输入。

对于不同特征指标其计算方法不同，以下将分别进行讲述：

(1)对于“波动指标”，这类节点的征兆变量值反映监测测点是否存在波动，并用一个概率值表示，计算方法如步骤1公式2所述，其值为[0,1]间的数值，0表示不存在波动，1表示存在波动，(0,1)之间的数值表示存在波动的概率值，可认为其值越接近于1波动越剧烈。

(2)对于“多参数相关系数指标”，这类节点的变量为同一部位两个传感器监测测点的关联性，计算方法如步骤1公式4所述，其值为[0,1]间的数值，0表示两参数相关，1表示两参数不相关，(0,1)之间的数值表示两参数不存在相关性的概率值，可认为其值越接近于1两者越不相关。

(3)对于“经验指标”，这类节点包含“监测测点是否超过报警门限”和“传感器测量值是否达到端值”。对于“监测测点是否超过报警门限”，根据主泵手册确定各个监测测点的报警门限，当监测测点幅值大于报警门限时，该征兆节点的征兆变量值为1，反之为0；对于“传感器测量值是否达到端值”，根据各个传感器参数确定量程，当监测测点数值为端值时，该征兆节点的征兆变量值为1，反之为0。

(4)对于“振动频域指标”，这类节点变量为主要频率成分是否为一倍频。对振动数据进行频域分析，若分析的振动频域特征主要特征为一倍频，该征兆节点的征兆变量值为0，反之为1。

由此得到贝叶斯网络的输入为：

P(I)＝(P(A),P(B),P(C),P(D),P(E))

步骤5：诊断模型的应用。依据步骤4得到的各征兆节点的征兆变量值作为输入，经贝叶斯网络诊断模型推理，计算出各类故障发生的概率计算方法如式7所示，将最大概率值作为诊断结论，公式7较为抽象，具体的计算方法将在实施例中进行说明。

本发明提出了一种基于贝叶斯网络的核主泵故障诊断方法，该方法结合了历史监测数据和人工经验，可以实现对主泵传感器故障、工艺参数波动引起的振动异常以及主泵设备本体故障三大类故障。此外，该方法相比基于单参数门限确定主泵设备是否存在本体故障的方法，可有效降低误报率。

附图说明

图1是基于贝叶斯网络的核主泵故障诊断方法流程图

图2是本发明建立的贝叶斯网络诊断模型结构示意图

图3是本发明建立的详细的贝叶斯诊断模型的结构

图4是具体实施例构建的贝叶斯诊断模型的结构

图5是实施例中泵轴振动1号测点振动数据的变化趋势图

图6是实施例中泵轴振动2号测点振动数据的变化趋势图

具体实施方式

下面以某核电厂的主泵为例并结合附图对本发明做进一步的说明。

基于贝叶斯网络的核主泵故障诊断方法的实施步骤流程图如图1所示，其具体内容包括以下5步：

步骤1：确定贝叶斯网络各节点信息。

根据核主泵相关信息可知，故障层节点为传感器故障、工艺参数波动引起的振动异常和主泵本体故障三大类。征兆层节点包括四类，分别为：波动指标、多参数相关性指标、经验指标和振动频域指标。每类征兆节点均包含多个主泵监测测点，如压力、温度、流量等，为便于更清晰的表达本发明方法，以下仅选取泵轴振动监测参数进行说明。

以泵轴处包含的两个振动测点为例，即N＝2，诊断主泵三类故障，图5、图6所示分别为泵轴1号振动测点和泵轴2号振动测点的变化趋势图，对于这两个振动测点现场预设的报警门限值为250，图中的水平线即为报警门限值，征兆层包含7个征兆节点，分别如下：

(1)2个“波动指标”：泵轴1号振动测点的波动指标P(A₁＝1)、泵轴2号振动测点的波动指标P(A₂＝1)；

(2)1个“多参数相关性指标”：泵轴1号振动测点与2号振动测点的相关性P(B₁＝1)；

(3)对于“经验指标”，选择是否超过报警门限值，因此包含2个“经验指标”：泵轴1号振动测点幅值是否超过报警门限值P(C₁)、泵轴2号振动测点幅值是否超过报警门限值P(C₂＝1)；

(4)2个“振动频率指标”：泵轴1号振动测点主要频率是否为一倍频P(E₁＝1)，泵轴2号振动测点主要频率是否为一倍频P(E₂＝1)。

共包含7个征兆节点，则节点信息如图4所示。

步骤2：确定各节点的关联关系。

依据本发明内容步骤2所述方法，建立如图4所示的贝叶斯网络结构。

步骤3：确定贝叶斯网络的条件概率表。

依据本发明内容步骤3所述方法，通过对核主泵一年历史监测数据的分析，确定贝叶斯网络的条件概率表，如表1所示。

表1贝叶斯网络的条件概率表

其中各节点代号的含义如下：

(1)Y₁表示传感器故障，Y₂表示工艺参数波动引起的振动异常，Y₃表示主泵设备本体故障；

(2)对于故障节点Y₁～Y₃，变量0表示该故障未发生，变量1表示该故障发生；

(3)对于征兆节点，变量0表示该征兆不发生，变量1表示该征兆发生，例如，A₁＝0，Y₁,Y₂,Y₃＝0处，表示在Y₁～Y₃三种故障均未发生的条件下，泵轴振动数据不存在波动的概率为0.98，泵轴振动数据存在波动的概率为0.02。

步骤4：利用计算图5、图6所示泵轴振动数据，采用本发明内容公式2计算，征兆节点A₁的征兆变量P(A₁＝1)＝0.893；征兆节点A₂的征兆变量P(A₂＝1)＝0.912；依据本发明内容公式4计算，征兆节点B₁的征兆变量P(A₃＝1)＝0.067；其余征兆节点的征兆变量值如表2所示，其所代表的含义见本发明内容步骤1，表2征兆可表示为式8。

I＝(A₁＝1,A₂＝1,B₁＝1,C₁＝1,C₂＝0,E₁＝0,E₂＝0)(8)

表2征兆节点输入值

步骤5：诊断模型的应用

采用贝叶斯网络进行计算，为具体的对本方法进行说明，以下将对计算过程进行展示，但在实际使用中，是不需要这样人为计算的，实际使用中使用计算机构建好贝叶斯网络之后，输入征兆变量就可以直接输出诊断结果。

应用贝叶斯定理，有

其中，

同理，可求得P(A₁＝1|Y₂＝0)＝0.188。

由于P(A₁＝1)＝0.893，用插值法可求得

P(A₁＝1|Y₂＝1)＝0.188+0.893×(0.812-0.188)＝0.745。

同理，可求得其他征兆在Y₂＝1时的条件概率，结果如表3所示表3在Y₂＝0或Y₂＝1时求得的相关征兆的条件概率

根据表3中求得的条件概率，可得

工艺参数波动引起的振动异常故障发生的概率:

P(Y₂＝1|I)＝0.751

同理可得，传感器故障发生的概率P(Y₁＝1|I)＝0.219,主泵本体故障发生概率:P(Y₃＝1|I)＝0.028。

根据以上贝叶斯网络诊断模型的计算结果可知，在表2征兆出现的情况下，工艺参数波动引起振动异常故障发生的概率最高，为最可能发生的故障，符合人工推理的结论。

Claims (5)

1.一种基于贝叶斯网络的核电主泵故障诊断方法，其特征在于：包括步骤一：确定贝叶斯网络各节点信息；步骤二：确定贝叶斯网络的结构；步骤三：确定贝叶斯网络的条件概率表；步骤四：贝叶斯诊断模型的输入；步骤五：诊断模型的应用；

其中，步骤一：确定贝叶斯网络各节点信息，具体包括：根据主泵相关信息，确定主泵的故障及相应征兆，从而确定贝叶斯网络的故障层节点和征兆层节点；

故障层节点包括传感器故障、工艺参数波动引起的振动异常和主泵设备本体故障3大类故障；征兆层节点包括波动指标、多参数相关性指标、经验指标以及振动频域指标4大类特征指标；

所述的波动指标，用于衡量各监测测点的波动情况，波动指标的计算方法为一个采样时长内监测测点数据与该段时间求得的皮尔逊相关系数的绝对值，其值范围在[0,1]，由于其值在[0,1]，因此可将其看做概率值作为贝叶斯网络中征兆发生的概率；

将存在波动的概率以集合P(A＝1)表示，如式1所示：

P(A＝1)＝{P(A₁＝1),P(A₂＝1),…,P(A_i＝1),…,P(A_N＝1)} (1)

式1中，A_i＝1表示主泵第i个监测测点存在波动，P(A_i＝1)表示主泵第i个监测测点存在波动的概率，N为主泵监测测点的数量；

A_i＝0表示主泵第i个监测测点不存在波动，P(A_i＝0)表示主泵第i个监测测点不存在波动的概率，由于P(A_i＝0)+P(A_i＝1)＝1，因此无需再次说明P(A_i＝0)；

式2中，x为一个采样时长的振动数据，其内包含n个采样点数据x_j；T为一个采样时长组成的时间序列，其内的任一时间点t_j对应为x中x_j的采样时间；E(·)表示计算均值；

所述的“多参数相关性指标”用于依据多传感器数据间的相关性推断传感器故障，将传感器发生故障的概率用集合P(B＝1)表示，如式3所示：

P(B＝1)＝{P(B₁＝1),P(B₂＝1),…,P(B_k＝1),…,P(B_M＝1)} (3)

式3中，B_k＝1表示主泵第k个部位的监测测点传感器发生故障，P(B_k＝1)表示主泵第k个部位的监测测点传感器发生故障的概率，取值于[0,1]，M为主泵上具有两个监测测点的部位的数量，P(B_k＝1)的计算方法见式4；

此外，B_k＝0表示主泵第k个部位的监测测点传感器不发生故障，P(B_i＝0)表示主泵第k个监测测点传感器不发生故障的概率，由于P(B_i＝0)+P(B_i＝1)＝1，因此无需再次说明P(B_i＝0)；

式4中，Y为主泵某部位两个相同传感器中的一个传感器采集的一段采样时长内的振动数据，其包含n个采样点数据y_j；Y'为相同部位另一个传感器采集的一段采样时长内振动数据，其内包n个采样点数据y'_j；E(·)表示计算均值；

所述的“经验指标”是依据人工经验添加的征兆节点；将监测测点达到报警门限以集合P(C＝1)表示；令监测测点数值为端值(零值或满量程值)以集合P(D＝1)表示，如式5所示：

式5中，C_i＝1表示主泵第i个监测测点超过报警门限，P(C_i＝1)表示主泵第i个监测测点超过报警门限的概率；D_i＝1表示第i个监测测点数值为端值,P(D_i＝1)表示第i个监测测点数值为端值的概率；N为主泵监测测点的数量；P(C_i＝1)和P(D_i＝1)均为状态量0或1，0表示不发生，概率为0，1表示发生，概率为100％；

此外C_i＝0表示主泵第i个监测测点未超过报警门限，D_i＝0表示第i个监测测点数值不是端值，由于P(C_i＝1)+P(C_i＝0)＝1、P(D_i＝1)+P(D_i＝0)＝1，因此无需再次说明P(C_i＝0)和P(D_i＝0)；

所述的“振动频域指标”是指对主泵振动数据进行频域分析得到主要频率，判断主要频率是否为一倍频；令振动频域主要频率成分是一倍频以集合P(E＝1)表示，如式6所示：

P(E＝1)＝{P(E₁＝1),P(E₂＝1),…,P(E_h＝1),…,P(E_H＝1)}(6)

式6中，E_h＝1表示主要频率成分是一倍频，P(E_h＝1)表示第h个振动测点的主要频率是一倍频的概率，用状态量0或1来表示，0表示不是一倍频，概率为0，1表示是一倍频，概率为100％；H是振动测点的数量；

此外，E_h＝0表示主要频率成分不是一倍频，由于P(E＝1)+P(E＝0)＝1，因此无需再次说明P(E＝0)。

2.根据权利要求1所述的一种基于贝叶斯网络的核电主泵故障诊断方法，其特征在于：所述的步骤2：确定贝叶斯网络的结构，具体包括：确定贝叶斯网络结构是建立故障层和征兆层之间的连接关系；针对步骤一所述的4大类特征指标，建立所有征兆节点与故障节点的连接。

3.根据权利要求1所述的一种基于贝叶斯网络的核电主泵故障诊断方法，其特征在于：所述的步骤3：确定贝叶斯网络的条件概率表；确定贝叶斯网络的条件概率表的目的是确定步骤2所建立的贝叶斯网络结构中，相互连接的故障节点和征兆节点间的条件概率以及各故障发生的先验概率，具体步骤为：

对于“波动指标”，首先从历史监测数据中筛选出与传感器故障、工艺参数波动引起的振动异常以及主泵设备本体故障相关的数据，通过对筛选出的数据进行定量分析，确定各类故障发生的先验概率P_prior；

其次统计各故障发生时各监测测点发生波动的概率，将其作为各监测测点的波动指标与故障的条件概率；

对于其他三类特征指标，则依据人工经验和文献资料进行设定，对于无法确定的征兆节点，将其条件概率设为所有征兆节点数的倒数(P_guess)，由此确定贝叶斯网络的条件概率表P_condition。

4.根据权利要求1所述的一种基于贝叶斯网络的核电主泵故障诊断方法，其特征在于：步骤4：贝叶斯诊断模型的输入，具体包括如下步骤：

基于以上三个步骤，完成了贝叶斯诊断模型的建立，以下将计算各征兆节点的征兆变量值，将其作为贝叶斯诊断模型的输入：

对于不同特征指标其计算方法不同，具体方法如下：

(1)对于“波动指标”，这类节点的征兆变量值反映监测测点是否存在波动，并用一个概率值表示，计算方法如步骤1公式2所述，其值为[0,1]间的数值，0表示不存在波动，1表示存在波动，(0,1)之间的数值表示存在波动的概率值，可认为其值越接近于1波动越剧烈；

(2)对于“多参数相关系数指标”，这类节点的变量为同一部位两个传感器监测测点的关联性，计算方法如步骤1公式4所述，其值为[0,1]间的数值，0表示两参数相关，1表示两参数不相关，(0,1)之间的数值表示两参数不存在相关性的概率值，可认为其值越接近于1两者越不相关；

(3)对于“经验指标”，这类节点包含“监测测点是否超过报警门限”和“传感器测量值是否达到端值”；对于“监测测点是否超过报警门限”，根据主泵手册确定各个监测测点的报警门限，当监测测点幅值大于报警门限时，该征兆节点的征兆变量值为1，反之为0；对于“传感器测量值是否达到端值”，根据各个传感器参数确定量程，当监测测点数值为端值时，该征兆节点的征兆变量值为1，反之为0；

(4)对于“振动频域指标”，这类节点变量为主要频率成分是否为一倍频，对振动数据进行频域分析，若分析的振动频域特征主要特征为一倍频，该征兆节点的征兆变量值为0，反之为1；

由此得到贝叶斯网络的输入为：

P(I)＝(P(A),P(B),P(C),P(D),P(E))。

5.根据权利要求4所述的一种基于贝叶斯网络的核电主泵故障诊断方法，其特征在于：步骤5：诊断模型的应用，依据步骤4得到的各征兆节点的征兆变量值作为输入，经贝叶斯网络诊断模型推理，计算出各类故障发生的概率计算方法如式7所示，将最大概率值作为诊断结论：

其中，P_prior各类故障发生的先验概率；P_condition贝叶斯网络的条件概率表；P_fault为各类发生概率。