CN113591406B - 一种热管冷却反应堆测点优化布置及故障诊断方法及系统 - Google Patents
一种热管冷却反应堆测点优化布置及故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113591406B CN113591406B CN202110845420.XA CN202110845420A CN113591406B CN 113591406 B CN113591406 B CN 113591406B CN 202110845420 A CN202110845420 A CN 202110845420A CN 113591406 B CN113591406 B CN 113591406B
- Authority
- CN
- China
- Prior art keywords
- heat pipe
- temperature
- section
- heat
- measuring
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000009413 insulation Methods 0.000 claims abstract description 83
- 238000001704 evaporation Methods 0.000 claims abstract description 53
- 230000008020 evaporation Effects 0.000 claims abstract description 53
- 230000005494 condensation Effects 0.000 claims abstract description 36
- 238000009833 condensation Methods 0.000 claims abstract description 36
- 238000004088 simulation Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims abstract description 21
- 239000012530 fluid Substances 0.000 claims abstract description 10
- 238000007499 fusion processing Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 19
- 238000007621 cluster analysis Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明公开了一种热管冷却反应堆测点优化布置及故障诊断方法及系统，选择热管冷却反应堆中蒸发段与绝热段之间，以及绝热段与冷凝段之间作为测点位置；确定测点位置的测点热管的数量，在热管上分别布置温度测点；收集温度测点处的温度、反应堆堆芯功率测量值和热电转化装置的电功率测量值，结合计算流体力学模拟手段实现对热管冷却反应堆的精确模拟计算，进行信息融合处理得到每根热管在蒸发段与绝热段之间，以及热管在绝热段与冷凝段之间的温度；根据计算的温度数据判断热管冷却反应堆中每根热管是否正常工作，并判断出破损热管的数量和位置。本发明通过测点位置选择，测点数量优化，测点信息融合，最终对每根热管都能够进行故障诊断。
Description
技术领域
本发明属于反应堆故障诊断技术领域，具体涉及一种热管冷却反应堆测点优化布置及故障诊断方法及系统。
背景技术
与压水堆、沸水堆和高温气冷堆相比，热管冷却反应堆因为其可靠性高、噪声低和结构紧凑等特点，被广泛应用于航空航天和深海探测等领域。在热管冷却反应堆中，热管是连接反应堆堆芯与热电转化装置的能量传递设备，其安全运行对于热管冷却反应堆至关重要。
然而，由于热管冷却反应堆长时间在深海或深空工作，且热管工作温度较高，一般为1000K，当热管发生故障时，若不及时发现处置，会影响热管冷却反应堆的正常运行，可能会使得其它热管相继发生故障，严重时会导致反应堆堆芯损坏，引起安全事故，并危害环境安全。
因此有必要对热管的工作状态进行有效监测，掌握发生故障的热管数量等信息，为进行热管堆的控制与运行提供信息。由于热管冷却反应堆结构紧凑，如果每根热管都安装传感器，对热管进行测量，则会导致传感器数量巨大，相应的信号传输和收集装置也会大量增加，增加了建设和运行成本，且热管冷却反应堆的体积有限，由于物理空间的限制也不能实现安装。因此，有必要采用软测量手段即信息融合方法结合有限数量的实测数据进行热管工作状态的监测，同时对测点实现优化布置，在保证对热管进行有效监测的基础上，达到经济有效的目标。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种热管冷却反应堆测点优化布置及故障诊断方法及系统，过测点位置选择，测点数量优化，测点信息融合，最终对每根热管都能够进行故障诊断。
本发明采用以下技术方案：
一种热管冷却反应堆测点优化布置及故障诊断方法，包括以下步骤：
S1、选择热管冷却反应堆中蒸发段与绝热段之间，以及绝热段与冷凝段之间作为测点位置；
S2、对步骤S1测点位置的热管温度进行模糊聚类分析，确定测点热管的数量m，在m根热管上分别布置2个温度测点；
S3、基于步骤S2确定的温度测点数量，收集温度测点处的温度、反应堆堆芯功率测量值和热电转化装置的电功率测量值，结合计算流体力学模拟手段实现对热管冷却反应堆的精确模拟计算，根据实测的热管温度进行信息融合处理，得到每根热管在蒸发段与绝热段之间，以及热管在绝热段与冷凝段之间的温度；
S4、根据步骤S3计算的温度数据判断热管冷却反应堆中每根热管是否正常工作，并判断出破损热管的数量和位置。
具体的，步骤S2中，首先确定热管的截面形状，然后对测点进行筛选，再分别对筛选的蒸发段与绝热段之间，以及绝热段与冷凝段之间的测点进行模糊聚类分析，得到最终用于热管冷却反应堆的温度测点。
进一步的，模糊聚类分析具体为：
采用相关系数法建立模糊相似矩阵；采用平方法求取模糊相似矩阵的传递闭包作为模糊等价矩阵；根据模糊等价矩阵,在[0,1]中选取阈值λ，对温度变量分类，在每个类中选取某一个测点安装传感器，监测热管冷却反应堆工作状态。
进一步的，若某个测点的热管损坏，通过测点传递损坏热管的温度信息；若没有测点相邻的热管损坏，传递所有测点的热管温度，进行信息融合后得到在所有热管节点两个测点位置上的温度；若某个测点失效、不准确或传感器损坏，计算所有热管节点两个测点位置上的温度。
具体的，步骤S3具体为：
将各热管测点的温度、堆芯功率和热电转化装置电功率进行融合处理，利用CFD得到热管冷却反应堆的稳态温度分布，再通过实测点的温度，对CFD模拟计算的温度分布进行修正，得到所有热管在节点的蒸发段与绝热段之间，以及绝热段与冷凝段之间的温度。
进一步的，各个热管在蒸发段和绝热段之间的温度Th,x计算如下：
Th,x＝fh(Th,1,Th,2,...Th,m,Qcore,Qtec)
各个热管在绝热段和冷凝段之间的温度Tc,x计算如下：
Tc,x＝fc(Tc,1,Tc,2,...Tc,m,Qcore,Qtec)
其中，x∈[1,n]，n为热管总数量，fh为蒸发段和绝热段之间的信息融合函数，Th,1,Th,2,...Th,m为热管在蒸发段与绝热段之间的测量温度，Qcore为堆芯功率，Qtec为热电转化装置电功率，Tc,1,Tc,2,...Tc,m为热管在绝热段与冷凝段之间的测量温度，fc为绝热段与冷凝段之间的信息融合函数。
具体的，步骤S4中，基于热管冷却反应堆，用堆芯功率测量值估计堆芯出口处温度Tcore和热管热端温度Thot，将热管热端温度Thot与蒸发段与绝热段之间的温度Th,x比较，如果Thot＝Th,x，则热管x完好；如果从Thot＝Th,x发展到Th,x-Thot>C1，则热管x损坏，否则是周围热管损坏引起温度变化，C1值是根据CFD模拟热管损坏时，蒸发段与绝热段之间的热管温度变化取定。
具体的，步骤S4中，基于热管冷却反应堆，用热电转化装置电功率估计热管冷端温度Tcool，与绝热段和冷凝段之间的温度Tc,x比较，若Tcool＝Tc,x，则热管x完好；若从Tcool＝Tc,x发展到Tcool-Tc,x>C2，则热管x损坏，否则是周围热管损坏引起温度变化，C2值是根据CFD模拟热管损坏时，绝热段与冷凝段之间的热管温度变化取定。
具体的，步骤S4中，基于热管冷却反应堆，蒸发段与绝热段之间的温度Th,x和绝热段和冷凝段之间的温度Tc,x之间存在温度梯度，若Th,x-Tc,x>C3，则热管x损坏，否则是周围热管损坏引起其温度变化，C3值是根据CFD模拟热管损坏时，蒸发段与绝热段之间和绝热段与冷凝段之间的热管温度变化取定。
本发明的另一技术方案是，一种热管冷却反应堆测点优化布置及故障诊断系统，包括：
选择模块，选择热管冷却反应堆中蒸发段与绝热段之间，以及绝热段与冷凝段之间作为测点位置；
布置模块，对选择模块测点位置的热管温度进行模糊聚类分析，确定测点热管的数量m，在m根热管上分别布置2个温度测点；
计算模块，基于布置模块确定的温度测点数量，收集温度测点处的温度、反应堆堆芯功率测量值和热电转化装置的电功率测量值，结合计算流体力学模拟手段实现对热管冷却反应堆的精确模拟计算，根据实测的热管温度进行信息融合处理，得到每根热管在蒸发段与绝热段之间，以及热管在绝热段与冷凝段之间的温度；
诊断模块，根据计算模块计算的温度数据判断热管冷却反应堆中每根热管是否正常工作，并判断出破损热管的数量和位置。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种热管冷却反应堆测点优化布置及故障诊断方法，先确定测点位置和测点数量，然后将测点温度、堆芯功率和热电转化装置电功率数据信息收集，并结合计算流体力学(CFD)模拟或其它手段，实现对热管冷却反应堆的精确模拟计算，获得系统内各参数的主要特征和相互关系，在此基础上根据实测的热管温度进行信息融合处理，得到每根热管的工作状态，根据热管的温度梯度，判断反应堆中每根热管是否正常工作，并判断出破损热管的数量和位置，即一方面降低故障信息诊断难度，另外一方面也提高故障信息诊断精度。
进一步的，针对蒸发段与绝热段之间，以及绝热段与冷凝段之间的两个测点位置，利用模糊聚类分析的方法，就可以将测点进行优化，以减少不必要的测点。
进一步的，首先建立模糊相似矩阵，然后利用模糊计算得到模糊等价矩阵，最后选取阈值λ以对温度变量模糊聚类。模糊聚类分析的原则为：最小化类间相似性，最大化类内相似性。通过对温度变量的客观分类，可以选取具有代表性的样本，以此既能减少温度测点，也能保证所选测点具有代表性，使得后续的信息融合更准确实现。
进一步的，针对热管测点存在所有问题做出总结，包括所测的热管损坏、测点相邻的热管损坏、测点失效或传感器损坏、以及测点不准确，结合传热学，分析计算所有热管节点的温度，并判断热管是否损坏。
进一步的，对于步骤S2中所到的数据，结合CFD模拟进行数据融合，CFD模拟能够很好的补充热管冷却反应堆在蒸发段与绝热段之间，以及绝热段与冷凝段之间的两个测点位置的温度分布，而实测点的数据能够对CFD模拟进行修正，依此对每根热管是否损坏做出判断。
进一步的，热管的测点位置选择为蒸发段与绝热段之间和绝热段与冷凝段之间，是出于两方面考虑：首先，热管共分为三部分：蒸发段(堆芯处)、绝热段(屏蔽处)和冷凝段(热电转化处)。将测点装置选择在这两处地方，便于安装；其次，目前已有CFD模拟结果显示，热管冷却反应堆在稳态运行时和热管损坏时，两处地方的温度梯度变化明显，有利于后续的故障诊断。
进一步的，基于热管冷却反应堆，利用堆芯功率测量值估计热管热端温度Thot(信息融合)，热管冷却反应堆稳态运行时，热管热端温度Thot和蒸发段与绝热段之间的温度Th,x的温度梯度较小，若热管损坏，则其温度梯度增大，依此作为判断热管是否损坏的依据。
进一步的，基于热管冷却反应堆，利用热电转化装置电功率估计热管冷端温度Tcool(信息融合)，热管冷却反应堆稳态运行时，绝热段和冷凝段之间的温度Tc,x和热管冷端温度Tcool的温度梯度较小，若热管损坏，则其温度梯度增大，依此作为判断热管是否损坏的依据。
进一步的，热管冷却反应堆稳态运行时，蒸发段与绝热段之间的温度Th,x和绝热段和冷凝段之间的温度Tc,x之间的温度梯度较小，若热管损坏，则堆芯热量不能及时导出，导致蒸发段与绝热段之间的温度Th,x和绝热段和冷凝段之间的温度Tc,x之间的温度梯度明显增大，依此作为判断热管是否损坏的依据。
综上所述，本发明测点位置便于安装测量设备，且选取合理；测点数量经过优化后，能够有效避免测点冗余；结合CFD模拟的信息融合可以得到所有热管的两个测点位置的温度；利用信息融合得到的热管温度对每根热管都能够进行故障诊断。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为热管冷却反应堆示意图；
图2为热管剖面示意图；
图3为信息融合流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明一种热管冷却反应堆测点优化布置及故障诊断方法，包括以下步骤：
S1、确定测点位置；
请参阅图1，在热管冷却反应堆中，热管一般分为三部分：蒸发段(热管热端，负责导出堆芯热量)、绝热段(热管中间，堆芯轴向屏蔽处)和冷凝段(热管冷端，将热量传递至热电转化器)。测点位置选择为蒸发段与绝热段之间和绝热段与冷凝段之间，每根热管有两个测点。
S2、优化并确定测点数量；
温度测点的位置布置会直接影响信息融合的简洁性和准确性。测点数量越多，判断热管是否损坏的准确性越高。但考虑到热管冷却反应堆本身结构紧凑，所以需要在满足准确性的前提条件下，尽可能减少测点数量，避免测点冗余。
测点数量为2m，分别布置在m根热管的两个位置处。热管共有n根，m<n，在两个位置处，需要将各自m个测点合理布置。本发明提出一种基于模糊聚类分析的测点优化方法，采用对温度测点进行聚类，并据此优选温度变量，以确定热管的测点位置。
具体为：
目前热管冷却反应堆常见的堆芯及热管截面形状为正六边形或正四边形，这里以正六边形为例，热管剖面示意图如图2，其中被测温度的热管已被红色标记。
利用温度测点之间存在相互影响，提出对温度进行模糊聚类分析，对于温度测点进行筛选，以达到测点优化的目的，得到最终用于热管冷却反应堆的温度测点。
因为测点位置分为两个，分别是蒸发段与绝热段之间和绝热段与冷凝段之间，所以将两个位置分开进行模糊聚类分析。最终选取某根热管作为测量热管时，也可以将两种分析结果相结合，作为选择测点的依据。此外，目前已有成熟的计算流体力学(CFD)模拟计算热管冷却反应堆稳态运行时和单根或多根热管损坏时的温度分布，可以在模拟计算中提取所需要的温度进行模糊聚类分析。
模糊聚类分析是一种采用模糊数学语言对事物按照一定的要求进行描述和分类的数学方法，本文中的对象是温度变量，为使处理过程直观简单，一般将模糊关系转化为模糊矩阵，并在此基础上根据一定的隶属度来确定聚类关系。
模糊聚类分析方法的具体步骤如下：
1)建立模糊相似矩阵；
采用相关系数法建立模糊相似矩阵如下：
M＝[mij]
其中，设X＝{x1，x2，...，xp}为p个温度变量的集合，xi＝{xi1，xi2，？...，xin}，i＝1,2,...,n，表示第i个温度变量的n个观测值，则用来描述温度变量和热管损坏信息之间的关联程度的相关系数计算公式为：
其中，
2)生成模糊等价矩阵；
模糊等价矩阵需要同时满足自反性、对称性和传递性。模糊相似矩阵M已经具有自反性和对称性，但模糊相似矩阵M一般不具备可传递性，因此模糊相似矩阵M不一定是X的模糊等价关系。为将模糊相似矩阵M构造为模糊等价矩阵，可采用平方法求取M的传递闭包T,即经过有限次运算后存在k使得M2k＝M2(k+1)，则令T＝M2k，T为所需要的模糊等价矩阵。
3)对温度变量模糊聚类。
根据模糊等价矩阵T,在[0,1]中选取阈值λ，令Tij>λ的元素为1，否则为0，从而对温度变量分类，不同的λ相对不同的聚类结果。各个类之间的数据差别较大，类内之间的数据差别较小，因此可以在每个类中选取某一个测点作为代表，在其位置安装传感器，以监测热管冷却反应堆工作状态。
结合热工水力知识，当单根热管发生损坏，其传热能力下降，不能将堆芯热量及时导出，则使得热管周围温度上升，距离损坏的热管越近，温度上升越明显，距离损坏的热管越远，温度上升越小。当相邻的两根热管或多根热管发生损坏时，热管之间的温度上升最大，周围正常热管的温度也会受到影响，温度也会有不同程度的上升。
1、若某测点的热管损坏(即热管失去导热能力)，则可以通过测点将损坏热管的温度信息传递至步骤S3和步骤S4，判断出损坏热管的位置；
2、若某测点相邻的热管损坏(即热管失去导热能力)，将通过将所有测点的热管温度传递至步骤S3，在步骤S3中结合其它信息进行信息融合，得到所有热管节点在两个测点位置上的温度，再通过步骤S4判断出损坏热管的位置；
3、若某测点失效，或传感器损坏(即热管可以导热，但热管的温度数据不能被测量或传递)。此时，一方面对于步骤S3的算法要求较高，需要在缺失某一测点信息时，仍将所有热管节点两个测点位置上的温度计算出，再通过步骤S4判断出损坏热管的位置；另一方面是在确定热管测点数量时，留有一定裕量，使实际测量的测点数量略多于最少测点数量；
4、若某测点不准确(即对于所测热管的测量温度相对实际温度过高或过低)。此时，也是对于步骤S3的算法要求较高，要求算法对于数据有一定的筛选能力，在排除不合理数据之后，在缺少某一测点信息时，仍可以将所有热管节点两个测点位置上的温度计算出，再通过步骤S4判断出热管是否有损坏，及损坏热管的位置。
S3、收集并处理数据；
基于步骤S1和步骤S2得到热管在蒸发段与绝热段之间的测量温度Th,1,Th,2,...Th,m，和绝热段与冷凝段之间的测量温度Tc,1,Tc,2,...Tc,m；并收集堆芯功率和热电装置电功率功率的测量数据。已知在热管蒸发段和绝热段之间布置m个测点，并且各个热管之间存在热力平衡，各个热管在蒸发段和绝热段之间的温度根据Th,x＝fh(Th,1,Th,2,...Th,m,Qcore,Qtec)计算得到，其中xε[1,n],n为热管数量。
同理，各个热管在绝热段和冷凝段之间的温度根据Tc,x＝fc(Tc,1,Tc,2,...Tc,m,Qcore,Qtec)计算得到，其中，x∈[1,n]n为热管总数量；即得到所有热管在蒸发段与绝热段之间和绝热段与冷凝段之间的温度。
信息融合的流程请参阅图3，分为三部分：各项数据的输入，信息融合对数据的处理和各温度的输出。其中数据包括步骤S2中确定的温度测点所测量的温度、堆芯功率和热电转化器功率。因为输入数据分别为热管冷却反应堆内某个位置的特征描述，其特征是温度或功率，因此很难对这样的信息直接进行融合，以得到对所有的热管工作状态的描述，所以需要在融合时对这些信息进行适当的处理。
处理方式为：目前已有利用CFD模拟计算热管冷却反应堆稳态运行时的温度分布，以及单根或多根热管发生损坏时，反应堆和热管的温度分布。因此，结合实际的热管冷却反应堆，在设定堆芯功率和热电转化装置电功率等边界条件后，也可以利用CFD得到热管冷却反应堆的稳态温度分布，再通过实测点的温度，对CFD模拟计算的温度分布进行修正，得到热管节点的温度分布。
S4、判断损坏热管。
根据步骤S3获得的数据对热管是否损坏进行判断，并输出损坏热管位置的详细信息。
具体为：
(1)基于热管冷却反应堆，用堆芯功率测量值估计堆芯出口处温度Tcore和热管热端温度Thot，将热管热端温度Thot与蒸发段与绝热段之间的温度Th,x比较，如果Thot＝Th,x，则热管x完好；如果从Thot＝Th,x发展到Th,x-Thot>C1(C1值是根据CFD模拟热管损坏时，蒸发段与绝热段之间的热管温度变化取定)，则热管x损坏，否则是周围热管损坏引起其温度变化。
(2)基于热管冷却反应堆，用热电转化器功率估计热管冷端温度Tcool，与绝热段和冷凝段之间的温度Tc,x比较，若Tcool＝Tc,x，则热管x完好；若从Tcool＝Tc,x发展到Tcool-Tc,x>C2(C2值是根据CFD模拟热管损坏时，绝热段与冷凝段之间的热管温度变化取定)，则热管x损坏，否则是周围热管损坏引起其温度变化。
(3)基于热管冷却反应堆，蒸发段与绝热段之间的温度Th,x和绝热段和冷凝段之间的温度Tc,x之间有比较小的温度梯度，若Th,x-Tc,x>C3(C3值是根据CFD模拟热管损坏时，蒸发段与绝热段之间和绝热段与冷凝段之间的热管温度变化取定)，则热管x损坏，否则是周围热管损坏引起其温度变化。
由以上三个关系为基础构成估计融合的条件，根据正常工况以上各参数之间的关系，以及这些关系随时间变化的情况，判断热管是否损坏及损坏程度。
信息融合是指充分考虑系统各影响因素及其相互间的耦合，应用传感器技术、信息处理技术和数学工具，利用有限的信息，产生对观测对象准确描述的一种方法。测点优化布置包含两部分：测点位置优化布置和测点数量优化布置。测点位置优化布置是指通过比较不同位置的测点所测数据及其所提供信息的重要性，以确定最优测点位置。测点数量优化布置则是指在测点位置确定后，在能满足测量精度的前提下，尽可能减少布置测点，避免测点冗余。
本发明再一个实施例中，提供一种热管冷却反应堆测点优化布置及故障诊断系统，该系统能够用于实现上述热管冷却反应堆测点优化布置及故障诊断方法，具体的，该热管冷却反应堆测点优化布置及故障诊断系统包括选择模块、布置模块、计算模块以及诊断模块。
其中，选择模块，选择热管冷却反应堆中蒸发段与绝热段之间，以及绝热段与冷凝段之间作为测点位置；
布置模块，对选择模块测点位置的热管温度进行模糊聚类分析，确定测点热管的数量m，在m根热管上分别布置2个温度测点；
计算模块，基于布置模块确定的温度测点数量，收集温度测点处的温度、反应堆堆芯功率测量值和热电转化装置的电功率测量值，结合计算流体力学模拟手段实现对热管冷却反应堆的精确模拟计算，根据实测的热管温度进行信息融合处理，得到每根热管在蒸发段与绝热段之间，以及热管在绝热段与冷凝段之间的温度；
诊断模块，根据计算模块计算的温度数据判断热管冷却反应堆中每根热管是否正常工作，并判断出破损热管的数量和位置。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于热管冷却反应堆测点优化布置及故障诊断方法的操作，包括：
选择热管冷却反应堆中蒸发段与绝热段之间，以及绝热段与冷凝段之间作为测点位置；对测点位置的热管温度进行模糊聚类分析，确定测点热管的数量m，在m根热管上分别布置2个温度测点；基于温度测点数量，收集温度测点处的温度、反应堆堆芯功率测量值和热电转化装置的电功率测量值，结合计算流体力学模拟手段实现对热管冷却反应堆的精确模拟计算，根据实测的热管温度进行信息融合处理，得到每根热管在蒸发段与绝热段之间，以及热管在绝热段与冷凝段之间的温度；根据计算的温度数据判断热管冷却反应堆中每根热管是否正常工作，并判断出破损热管的数量和位置。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关热管冷却反应堆测点优化布置及故障诊断方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
选择热管冷却反应堆中蒸发段与绝热段之间，以及绝热段与冷凝段之间作为测点位置；对测点位置的热管温度进行模糊聚类分析，确定测点热管的数量m，在m根热管上分别布置2个温度测点；基于温度测点数量，收集温度测点处的温度、反应堆堆芯功率测量值和热电转化装置的电功率测量值，结合计算流体力学模拟手段实现对热管冷却反应堆的精确模拟计算，根据实测的热管温度进行信息融合处理，得到每根热管在蒸发段与绝热段之间，以及热管在绝热段与冷凝段之间的温度；根据计算的温度数据判断热管冷却反应堆中每根热管是否正常工作，并判断出破损热管的数量和位置。
综上所述，本发明一种热管冷却反应堆测点优化布置及故障诊断方法及系统，测点位置选取合理且便于安装测量设备；测点经过模糊聚类分析后，可对测点数量进行优化，能够有效避免测点冗余；测点温度信息，结合CFD模拟，进行信息融合，即可以得到两个测点位置的所有热管的温度；利用信息融合得到的热管温度对每根热管都能够进行故障诊断。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (5)
1.一种热管冷却反应堆测点优化布置及故障诊断方法，其特征在于，包括以下步骤：
S1、选择热管冷却反应堆中蒸发段与绝热段之间，以及绝热段与冷凝段之间作为测点位置；
S2、对步骤S1测点位置的热管温度进行模糊聚类分析，确定测点热管的数量m，在m根热管上分别布置2个温度测点，首先确定热管的截面形状，然后对测点进行筛选，再分别对筛选的蒸发段与绝热段之间，以及绝热段与冷凝段之间的测点进行模糊聚类分析，得到最终用于热管冷却反应堆的温度测点；模糊聚类分析具体为：
采用相关系数法建立模糊相似矩阵；采用平方法求取模糊相似矩阵的传递闭包作为模糊等价矩阵；根据模糊等价矩阵,在[0,1]中选取阈值λ，对温度变量分类，在每个类中选取某一个测点安装传感器，监测热管冷却反应堆工作状态；若某个测点的热管损坏，通过测点传递损坏热管的温度信息；若没有测点相邻的热管损坏，传递所有测点的热管温度，进行信息融合后得到在所有热管节点两个测点位置上的温度；若某个测点失效、不准确或传感器损坏，计算所有热管节点两个测点位置上的温度；
S3、基于步骤S2确定的温度测点数量，收集温度测点处的温度、反应堆堆芯功率测量值和热电转化装置的电功率测量值，结合计算流体力学模拟手段实现对热管冷却反应堆的精确模拟计算，根据实测的热管温度进行信息融合处理，得到每根热管在蒸发段与绝热段之间，以及热管在绝热段与冷凝段之间的温度，具体为：
将各热管测点的温度、堆芯功率和热电转化装置电功率进行融合处理，利用CFD得到热管冷却反应堆的稳态温度分布，再通过实测点的温度，对CFD模拟计算的温度分布进行修正，得到所有热管在节点的蒸发段与绝热段之间，以及绝热段与冷凝段之间的温度，各个热管在蒸发段和绝热段之间的温度Th,x计算如下：
Th,x＝fh(Th,1,Th,2,...Th,m,Qcore,Qtec)
各个热管在绝热段和冷凝段之间的温度Tc,x计算如下：
Tc,x＝fc(Tc,1,Tc,2,...Tc,m,Qcore,Qtec)
其中，x∈[1,n]，n为热管总数量，fh为蒸发段和绝热段之间的信息融合函数，Th,1,Th,2,...Th,m为热管在蒸发段与绝热段之间的测量温度，Qcore为堆芯功率，Qtec为热电转化装置电功率，Tc,1,Tc,2,...Tc,m为热管在绝热段与冷凝段之间的测量温度，fc为绝热段与冷凝段之间的信息融合函数；
S4、根据步骤S3计算的温度数据判断热管冷却反应堆中每根热管是否正常工作，并判断出破损热管的数量和位置。
2.根据权利要求1所述的方法，其特征在于，步骤S4中，基于热管冷却反应堆，用堆芯功率测量值估计堆芯出口处温度Tcore和热管热端温度Thot，将热管热端温度Thot与蒸发段与绝热段之间的温度Th,x比较，如果Thot＝Th,x，则热管x完好；如果从Thot＝Th,x发展到Th,x-Thot>C1，则热管x损坏，否则是周围热管损坏引起温度变化，C1值是根据CFD模拟热管损坏时，蒸发段与绝热段之间的热管温度变化取定。
3.根据权利要求1所述的方法，其特征在于，步骤S4中，基于热管冷却反应堆，用热电转化装置电功率估计热管冷端温度Tcool，与绝热段和冷凝段之间的温度Tc,x比较，若Tcool＝Tc,x，则热管x完好；若从Tcool＝Tc,x发展到Tcool-Tc,x>C2，则热管x损坏，否则是周围热管损坏引起温度变化，C2值是根据CFD模拟热管损坏时，绝热段与冷凝段之间的热管温度变化取定。
4.根据权利要求1所述的方法，其特征在于，步骤S4中，基于热管冷却反应堆，蒸发段与绝热段之间的温度Th,x和绝热段和冷凝段之间的温度Tc,x之间存在温度梯度，若Th,x-Tc,x>C3，则热管x损坏，否则是周围热管损坏引起其温度变化，C3值是根据CFD模拟热管损坏时，蒸发段与绝热段之间和绝热段与冷凝段之间的热管温度变化取定。
5.一种热管冷却反应堆测点优化布置及故障诊断系统，其特征在于，包括：
选择模块，选择热管冷却反应堆中蒸发段与绝热段之间，以及绝热段与冷凝段之间作为测点位置；
布置模块，对选择模块测点位置的热管温度进行模糊聚类分析，确定测点热管的数量m，在m根热管上分别布置2个温度测点，首先确定热管的截面形状，然后对测点进行筛选，再分别对筛选的蒸发段与绝热段之间，以及绝热段与冷凝段之间的测点进行模糊聚类分析，得到最终用于热管冷却反应堆的温度测点；模糊聚类分析具体为：
采用相关系数法建立模糊相似矩阵；采用平方法求取模糊相似矩阵的传递闭包作为模糊等价矩阵；根据模糊等价矩阵,在[0,1]中选取阈值λ，对温度变量分类，在每个类中选取某一个测点安装传感器，监测热管冷却反应堆工作状态；若某个测点的热管损坏，通过测点传递损坏热管的温度信息；若没有测点相邻的热管损坏，传递所有测点的热管温度，进行信息融合后得到在所有热管节点两个测点位置上的温度；若某个测点失效、不准确或传感器损坏，计算所有热管节点两个测点位置上的温度；
计算模块，基于布置模块确定的温度测点数量，收集温度测点处的温度、反应堆堆芯功率测量值和热电转化装置的电功率测量值，结合计算流体力学模拟手段实现对热管冷却反应堆的精确模拟计算，根据实测的热管温度进行信息融合处理，得到每根热管在蒸发段与绝热段之间，以及热管在绝热段与冷凝段之间的温度，具体为：
将各热管测点的温度、堆芯功率和热电转化装置电功率进行融合处理，利用CFD得到热管冷却反应堆的稳态温度分布，再通过实测点的温度，对CFD模拟计算的温度分布进行修正，得到所有热管在节点的蒸发段与绝热段之间，以及绝热段与冷凝段之间的温度，各个热管在蒸发段和绝热段之间的温度Th,x计算如下：
Th,x＝fh(Th,1,Th,2,...Th,m,Qcore,Qtec)
各个热管在绝热段和冷凝段之间的温度Tc,x计算如下：
Tc,x＝fc(Tc,1,Tc,2,...Tc,m,Qcore,Qtec)
其中，x∈[1,n]，n为热管总数量，fh为蒸发段和绝热段之间的信息融合函数，Th,1,Th,2,...Th,m为热管在蒸发段与绝热段之间的测量温度，Qcore为堆芯功率，Qtec为热电转化装置电功率，Tc,1,Tc,2,...Tc,m为热管在绝热段与冷凝段之间的测量温度，fc为绝热段与冷凝段之间的信息融合函数；
诊断模块，根据计算模块计算的温度数据判断热管冷却反应堆中每根热管是否正常工作，并判断出破损热管的数量和位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110845420.XA CN113591406B (zh) | 2021-07-26 | 2021-07-26 | 一种热管冷却反应堆测点优化布置及故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110845420.XA CN113591406B (zh) | 2021-07-26 | 2021-07-26 | 一种热管冷却反应堆测点优化布置及故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113591406A CN113591406A (zh) | 2021-11-02 |
| CN113591406B true CN113591406B (zh) | 2024-03-29 |
Family
ID=78250213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110845420.XA Active CN113591406B (zh) | 2021-07-26 | 2021-07-26 | 一种热管冷却反应堆测点优化布置及故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113591406B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114943281B (zh) * | 2022-05-12 | 2024-04-19 | 西安交通大学 | 一种热管冷却反应堆智能决策方法及系统 |
| CN115862276B (zh) * | 2022-11-22 | 2023-11-03 | 江苏中烟工业有限责任公司 | 应用于卷烟机组的水冷系统预警方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012173172A (ja) * | 2011-02-22 | 2012-09-10 | Toshiba Corp | 高速炉プラント冷却系およびその二重伝熱管の破損検出方法 |
| 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 |
| CN112632845A (zh) * | 2020-10-23 | 2021-04-09 | 西安交通大学 | 基于数据的小型反应堆在线故障诊断方法、介质及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140376678A1 (en) * | 2013-06-25 | 2014-12-25 | Robert H. Leyse | Method of and Apparatus for Monitoring a Nuclear Reactor Core Under Normal and Accident Conditions |
-
2021
- 2021-07-26 CN CN202110845420.XA patent/CN113591406B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012173172A (ja) * | 2011-02-22 | 2012-09-10 | Toshiba Corp | 高速炉プラント冷却系およびその二重伝熱管の破損検出方法 |
| 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 |
| CN112632845A (zh) * | 2020-10-23 | 2021-04-09 | 西安交通大学 | 基于数据的小型反应堆在线故障诊断方法、介质及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 姜子英 ; 张燕齐 ; 温保印 ; 廖海涛 ; 李红 ; .球床高温气冷堆核电站放射性废物最小化策略研究.辐射防护.2018,(02),全文. * |
| 张文文 ; 王成龙 ; 田文喜 ; 秋穗正 ; 苏光辉 ; 赵小林 ; 刘汉刚 ; .新型热管反应堆堆芯热工安全分析.原子能科学技术.2017,(05),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113591406A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113591406B (zh) | 一种热管冷却反应堆测点优化布置及故障诊断方法及系统 | |
| He et al. | Fault detection and diagnosis of chiller using Bayesian network classifier with probabilistic boundary | |
| Belman-Flores et al. | Analysis of a variable speed vapor compression system using artificial neural networks | |
| Ertunc et al. | Comparative analysis of an evaporative condenser using artificial neural network and adaptive neuro-fuzzy inference system | |
| Fan et al. | Feasibility and improvement of fault detection and diagnosis based on factory-installed sensors for chillers | |
| EP3944125A1 (en) | Method and system for manufacturing a heat exchanger for supercritical pressure fluid | |
| JPH11148750A (ja) | 膨張バルブの動作を監視するための方法 | |
| Zhang et al. | Fault detection and diagnosis for the screw chillers using multi-region XGBoost model | |
| Zhao et al. | A simplified physical model-based fault detection and diagnosis strategy and its customized tool for centrifugal chillers | |
| CN105184395A (zh) | 含余热利用系统的火电机组的初参数确定方法 | |
| Monfet et al. | Ongoing commissioning of water-cooled electric chillers using benchmarking models | |
| Garcia | Improving heat exchanger supervision using neural networks and rule based techniques | |
| Li et al. | Across working conditions fault diagnosis for chillers based on IoT intelligent agent with deep learning model | |
| Zendehboudi et al. | Data-driven modeling of residential air source heat pump system for space heating | |
| CN110266046A (zh) | 基于复杂网络的电热微网拓扑综合诊断方法与系统 | |
| CN106021759A (zh) | 变压器故障识别方法及系统 | |
| Mandal et al. | Nuclear power plant sensor fault detection using singular value decomposition-based method | |
| Chen et al. | Combination of Support Vector Regression with Particle Swarm Optimization for Hot-spot temperature prediction of oil-immersed power transformer | |
| JP4434905B2 (ja) | プロセス管理装置 | |
| CN101852658B (zh) | 汽机带蒸冷和疏冷器加热器出水及疏水温度测算方法 | |
| CN101832545B (zh) | 汽机带蒸汽冷却器的加热器出水及疏水温度测算方法 | |
| Raptis et al. | An adaptive particle filtering-based framework for real-time fault diagnosis and failure prognosis of environmental control systems | |
| Wen et al. | Development and validation of online parameter estimation for HVAC systems | |
| CN105699043A (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
| Husmann et al. | Analysis and qualitative observability of two vapor compression cycle models |
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 |