CN115095534A - 一种基于kpca的candu6反应堆主泵故障诊断方法 - Google Patents

Abstract

本发明提供了一种基于KPCA的CANDU6反应堆主泵故障诊断方法，包括如下步骤：步骤S1：对历史数据进行数据预处理；步骤S2：采用核函数将数据映射到高维空间；步骤S3：对高维空间的数据进行PCA降维处理；步骤S4：计算Hotelling T2统计量与Q统计量的控制限制；步骤S5：判断Hotelling T2统计量或Q统计量是否超出控制限，若其中一个统计量超出控制限，则判断主泵出现故障。本发明提供的基于KPCA的CANDU6反应堆主泵故障诊断方法能够及时发现设备的早期异常，从而提高主泵的智能预警能力，补偿固定阈值报警和人工检测发现主泵故障的不足之处，并为后续维护策略的优化提供支持。

Description

一种基于KPCA的CANDU6反应堆主泵故障诊断方法

技术领域

本发明涉及核电站设备故障诊断技术领域，尤其涉及一种基于KPCA的 CANDU6反应堆主泵故障诊断方法。

背景技术

核电站主泵是核电站一回路主要的大型机械旋转设备，为一回路冷却剂的 强迫循环提供循环动力，将反应堆产生的热量通过一回路冷却剂传递到蒸发器 二次侧。一旦主泵出现故障，可能会导致放射性泄露、反应堆停堆，给核电站 的安全经济运行带来很大的威胁。因此对主泵的运行监视和故障诊断就尤为重 要，及时准确的定位故障可以给核电站人员的干预提供更多的时间。

当前核电站的系统及设备状态监测，以秦山3期为例，是通过主控室的窗 报和CRT报警，现场值班员的定期巡检，主控室操作员的巡盘和PDS(Plant Display System)参数检查等手段实现。主控室的窗报和CRT报警是通过报警 阈值对参数进行监测，不能提前发现缺陷；现场值班员的定期巡检，主控操作 员的巡盘和PDS参数检查又不能做到全时间段的覆盖并且缺陷发现能力又和人 员的工作经验相关。

核电站装设了众多的传感器采集设备的运行数据，且随着运行会积累大量 的历史数据，这些数据蕴藏着设备的运行信息、缺陷演化过程，基于数据驱动 建模分析的核电站状态智能监测，代替固定阈值报警和人工检测是有利于核电 站的安全稳定运行。

发明内容

本发明的目的在于克服现有技术中所述的缺陷，从而提供一种基于KPCA的CANDU6反应堆主泵故障诊断方法，该主泵故障诊断方法能够及时发现设备的早 期异常，从而提高主泵的智能预警能力，补偿固定阈值报警和人工检测发现主 泵故障的不足之处，并为后续维护策略的优化提供支持。

为了实现上述目的，本发明提供如下技术方案：

一种基于KPCA的CANDU6反应堆主泵故障诊断方法，包括如下步骤：

步骤S1：对历史数据进行数据预处理；

步骤S2：采用核函数将数据映射到高维空间；

步骤S3：对高维空间的数据进行PCA降维处理；

步骤S4：计算Hotelling T2统计量与Q统计量的控制限制；

步骤S5：判断Hotelling T2统计量或Q统计量是否超出控制限，若其中一 个统计量超出控制限，则判断主泵出现故障。

步骤S1具体包括如下步骤：

步骤S11：对主泵运行过程中m个测点进行n次取样构成原始空间的数据集 X＝{x_i}，i＝1，2，…，n，x_i∈R^m，其中，n表示数据数量，m代表数据维度；

步骤S12：采用滑动均值滤波对获得的统计量进行平滑处理；

步骤S13：将滑动均值滤波处理后的数据进行归一化，得到归一化后的训练 数据。

在步骤S12中，滑动均值滤波采用

其中，x(j)和y(i)分 别为输入信号和输出信号，l为时间窗长度。

在步骤S13中，通过X_i＝(x_i-mean(x_i))/Std(x_i)进行归一化，其中，mean(x_i) 为数据的平均值，Std(x_i)为数据的标准差。

步骤S2中，利用核函数计算核矩阵K，K_ij＝K(x_i，x_j)。

所述核函数采用径向基核函数

步骤S3具体包括如下步骤：

步骤S31：计算出核矩阵K中心化后的矩阵

其中，

步骤S32：求解特征方程

v＝[v₁，v₂，…，v_n]^T的特征值和特征向 量，可以得到特征值λ₁≥λ₂≥λ₃≥…≥λ_n和对应的特征向量v₁，v₂，…，v_n；

步骤S33：采用累计方差贡献率方法来确定主元个数k，取CPV值大于85％ 时的主元个数。

步骤S4具体包括如下步骤：

步骤S41：建立KPCA模型，将过程数据分别投影到相互正交的主元空间和 残差空间中，并且分别在相应子空间中建立统计量来进行监测，采用的故障检 测统计量为Hotelling T2统计量和平方预测误差SPE，分别监测数据在KPCA主 元空间和残差空间中的变化，其中

SPE＝||x-xPP^T||²≤Q_a，式中， Λ＝diag(λ₁，λ₂，…，λ_k)；P为载荷矩阵，由降序排列的前k个特征值所对应的特征向量 构成；

步骤S42：计算T²统计量和SPE统计量的限值，分别为

和Q_a，若

和Q_a其中 一个统计量超出控制限，则判断主泵出现故障，

其中，

通过

得到，T²服从F分布，其自由度为m与 K-m，α为显著水平，

Q_a通过

得到，Q服从χ²分布，其中C_α为标准 正态分布(1-α)分位点处的标准差。

所述的基于KPCA的CANDU6反应堆主泵故障诊断方法还包括步骤S6：根据实 时数据建立KPCA模型，计算出对应的T²统计量和SPE统计量。

所述的基于KPCA的CANDU6反应堆主泵故障诊断方法包括步骤S7：采用贡 献图法对故障进行定位和辨识，通过

和

得到变量的贡献值，式中，C_T²和C_SPE分别 表示变量x_i对T²统计量和SPE统计量的贡献值；P_r为一个标准正交矩阵，且满足

P_ri表示矩阵P_r中的第i行。

与现有技术相比，本发明提供的基于KPCA的CANDU6反应堆主泵故障诊断 方法具有以下有益效果：

相比较于CANDU6核电站目前的人工检查和固定阈值报警的参数监测手段， 本发明可以提供一种参数的自动监视和预警技术，实现对设备状态的故障早期 异常监测和诊断，并且贡献图法能够准确地识别出异常信号源，从而对故障进 行定位。

本发明应用于秦山3期CANDU6反应堆主泵电机下推力轴承温度异常、轴承 系统状态异常和轴承壳振异常3种场景中，验证结果表明该技术能够对主泵的 异常进行及时有效的检测和识别。有效改善了核电厂中阈值检测的滞后性，弥 补了人工检查的不足，为优化操纵人员的维护策略提供了有效的支持。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为基于KPCA的CANDU6反应堆主泵故障诊断方法的流程图；

图2为电机下推力轴承温度异常信号；

图3为轴封异常信号；

图4为轴承壳振动异常信号；

图5至图7为电机下推力轴承温度异常情况下KPCA检测结果，其中，图5 示出了T²和SPE统计量变化情况，图6示出了正常情况下各统计量贡献率，图7 示出了异常情况下各统计量贡献率；

图8至图10为轴封异常情况下KPCA检测结果，其中，图8示出了T²和SPE统 计量变化情况，图9示出了正常情况下各统计量贡献率，图10示出了异常情况 下各统计量贡献率；

图11至图13为轴承壳振异常情况下KPCA检测结果，其中，图11示出了T²和SPE统计量变化情况，图12示出了正常情况下各统计量贡献率，图13示出了 异常情况下各统计量贡献率。

具体实施方式

下面通过具体实施方式进一步详细说明。

为了便于理解，首先对秦山3期CANDU6反应堆的主泵做简要介绍。该主泵 为立式、单级、双蜗壳离心泵，有一个垂直的入口管和两个出口管。主泵由一 台6.7MWe的鼠笼式感应电机驱动。电机上不设置飞轮，通过增加电机转子主轴 的质量来增加转动惯量。为了防止冷却剂泄露，主泵设置了三道机械密封和一 道备用密封。正常运行工况下，轴封系统3.33％的重水将向上进入各级机械密封。 其余96.6％的重水将向下分成两个部分，其中3.33％进入泵体，剩余93.3％成为 强迫再循环流。

在主泵上设置了各类传感器以监测主泵的运行状态，其测点布置情况如下 表1所示。

表1

主泵含有各类测点20个，根据主泵各部件的功能及测点的参数特征，将主 泵分为电机监测、轴封监测和振动信号监测，采用分布式策略分别建立监测模 型。建立各部件模型所需的测点参量如下表2所示。表中加粗的测点表示在后 续验证过程中考虑的异常信号。分别为电机下推力轴承温度异常信号，如图2 所示；轴封异常信号，如图3所示；轴承壳振动异常信号，如图4所示。

针对3种故障情景，采用KPCA方法分别建立电机、轴封和振动信号的异常 检测模型，建立各模型所需的测点和编号如表2所示。

表2

模型均采用历史数据的正常样本进行训练。

如图1所示，本发明提供了一种基于KPCA的CANDU6反应堆主泵故障诊断 方法，包括如下步骤：

步骤S1：对历史数据进行数据预处理；

步骤S2：采用核函数将数据映射到高维空间；

步骤S3：对高维空间的数据进行PCA降维处理；

步骤S4：计算Hotelling T2统计量与Q统计量的控制限制；

步骤S5：判断Hotelling T2统计量或Q统计量是否超出控制限，若其中一 个统计量超出控制限，则判断主泵出现故障。

具体地，步骤S1包括如下步骤：

步骤S11：对主泵运行过程中m(在本案例中，m取20)个测点进行n次取样 (在本案例中，n取1000)构成原始空间的数据集X＝{x_i}，i＝1，2，…，n， x_i∈R^m，式中n表示数据数量，m代表数据维度。

步骤S12：为了降低参数随机波动造成的误报警，采用滑动均值滤波技术对 获得的统计量进行平滑处理。滑动均值滤波本质上是一个低通滤波器，它在保 持原始信号特征的同时，能够有效抑制信号噪声，从而降低误报警的发生。滑 动均值滤波的原理如下式所示：

式中，x(j)和y(i)分别为输入信号和输出信号；l为时间窗长度，本案例中 取l数值为3。

步骤S13：数据的归一化。将滑动均值滤波处理后的数据进行归一化。得到 归一化后的训练数据。归一化的公式为：

X_i＝(x_i-mean(x_i))/Std(x_i)

式中mean(x_i)为数据的平均值，Std(xi)为数据的标准差。

步骤S2为利用核函数计算核矩阵K，K_ij＝K(x_i，x_j)。本案例中采用的核函数为 径向基核函数，公式如下：

步骤S3具体包括如下步骤：

步骤S31：计算出核矩阵K中心化后的矩阵K，

其中

步骤S32：求解特征方程

的特征值和特征向量，可以得到特征值λ₁≥λ₂≥λ₃≥…≥λ_n和对应的特征向量v₁，v₂，…，v_n。 根据PCA的原理，每一个特征向量v都可以代表高维映射空间中的非线性主元方 向。

步骤S33：采用累计方差贡献率(Cumulative percent variance，CPV)方 法来确定主元个数k，通常取CPV值大于85％时的主元个数。

步骤S4具体包括如下步骤：

步骤S41：建立KPCA模型，将过程数据分别投影到相互正交的主元空间和 残差空间中，并且分别在相应子空间中建立统计量来进行监测。本案例采用的 故障检测统计量为Hotelling T2统计量和平方预测误差(Squared prediction error，SPE)。这两个统计量分别监测数据在KPCA主元空间和残差空间中的变化。

SPE＝||x-xPP^T||²≤Q_a

式中，Λ＝diag(λ₁，λ₂，…，λ_k)；P为载荷矩阵，由降序排列的前k个特征值所对应的特征向量构成；

步骤S42：计算T²统计量和SPE统计量的限值，分别为

和Q_a。其中

计算过 程为：

T²服从F分布，其自由度为m与K-m，α为显著水平，当出现故障时T²统 计量会超过限制；

Q_a计算过程为：

h₀＝1-2θ₁θ₃/3θ₂ ²

Q服从χ²分布，其中C_α为标准正态分布(1-α)分位点处的标准差，当有故 障发生时就会出现Q统计量超出控制限。

步骤S6：在线监测。重复上述过程，根据实时数据建立KPCA模型，计算出 对应的T²统计量和SPE统计量。当任一个统计量超出限值后，即认为主泵发生异 常。

步骤S7：采用贡献图法对故障进行定位和辨识。与传统PCA方法贡献图不 同，KPCA方法中检测样本与统计量之间存在非线性关系，无法采用线性变化求 取变量的贡献率。但是，经过研究发现统计量数值等于其对每个变量的偏导数 之和，因此统计量对每个变量的偏导数可以视为相应变量对统计量的贡献值。 因此可得变量的贡献值如下所示：

式中，C_T²和C_SPE分别表示变量x_i对T²统计量和SPE统计量的贡献值；P_r为一 个标准正交矩阵，且满足

P_ri表示矩阵P_r中的第i行。

3个故障场景KPCA的T²和SPE统计量及相应的贡献率图如下图5至图所示。

如图5至图7所示，故障为电机下推力轴承温度异常，异常信号为5号测 点“电机下推力轴承温度”，虽然T²统计量没有有效检测出异常，但是SPE统计量 及时地检测出了系统异常，并且T²和SPE统计量贡献图分别识别出了异常信号源， 即第5个测点“电机下推力轴承温度”。T²统计量表示的是样本在主元空间的变 化情况，而SPE统计量表示的是样本在残差空间的变化情况，显然从图5可以看 出，残差空间对系统的异常更为敏感。

此外，如图8至图10所示，故障为轴封异常，异常信号为2号测点“轴封 回流温度”、4号测点“第二级密封腔室压力”和5号测点“第三级密封腔室压 力”；并且如图11至图13所示，故障为轴承壳振动异常，异常信号为2号测点 “电机下轴承壳振”和5号测点“泵轴承壳振”。从图8至图13可以看出，异 常发生后T²和SPE统计量均升高并超出了限值，表明KPCA方法有效检测出了主泵 的轴封系统异常和轴承壳振动异常，同时贡献图法也准确识别出了异常信号源。 因此，上述结果验证了KPCA方法在主泵异常检测和故障识别方面的有效性。

以上所述仅为本发明的具体实施方式，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变 化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以 所述权利要求的保护范围为准。

Claims (10)

1.一种基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，包括如下步骤：

步骤S1：对历史数据进行数据预处理；

步骤S2：采用核函数将数据映射到高维空间；

步骤S3：对高维空间的数据进行PCA降维处理；

步骤S4：计算Hotelling T2统计量与Q统计量的控制限制；

步骤S5：判断Hotelling T2统计量或Q统计量是否超出控制限，若其中一个统计量超出控制限，则判断主泵出现故障。

2.根据权利要求1所述的基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，步骤S1具体包括如下步骤：

步骤S11：对主泵运行过程中m个测点进行n次取样构成原始空间的数据集X＝{x_i}，i＝1，2，...，n，x_i∈R^m，其中，n表示数据数量，m代表数据维度；

步骤S12：采用滑动均值滤波对获得的统计量进行平滑处理；

步骤S13：将滑动均值滤波处理后的数据进行归一化，得到归一化后的训练数据。

3.根据权利要求2所述的基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，在步骤S12中，滑动均值滤波采用

其中，x(j)和y(i)分别为输入信号和输出信号，l为时间窗长度。

4.根据权利要求2所述的基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，在步骤S13中，通过X_i＝(x_i-mean(x_i))/Std(x_i)进行归一化，其中，mean(x_i)为数据的平均值，Std(x_i)为数据的标准差。

5.根据权利要求1所述的基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，步骤S2中，利用核函数计算核矩阵K,K_ij＝K(x_i,x_j)。

6.根据权利要求5所述的基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，所述核函数采用径向基核函数

7.根据权利要求1所述的基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，步骤S3具体包括如下步骤：

步骤S31：计算出核矩阵K中心化后的矩阵

其中，

步骤S32：求解特征方程

的特征值和特征向量，可以得到特征值λ₁≥λ₂≥λ₃≥…≥λ_n和对应的特征向量v₁，v₂，...，v_n；

步骤S33：采用累计方差贡献率方法来确定主元个数k，取CPV值大于85％时的主元个数。

8.根据权利要求1所述的基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，步骤S4具体包括如下步骤：

步骤S41：建立KPCA模型，将过程数据分别投影到相互正交的主元空间和残差空间中，并且分别在相应子空间中建立统计量来进行监测，采用的故障检测统计量为Hotelling T2统计量和平方预测误差SPE，分别监测数据在KPCA主元空间和残差空间中的变化，其中

SPE＝||x-xPP^T||²≤Q_a，式中，Λ＝diag(λ₁，λ₂，…，λ_k)；P为载荷矩阵，由降序排列的前k个特征值所对应的特征向量构成；

步骤S42：计算T²统计量和SPE统计量的限值，分别为

和Q_a，若

和Q_a其中一个统计量超出控制限，则判断主泵出现故障，

其中，

通过

得到，T²服从F分布，其自由度为m与K-m，α为显著水平，

Q_a通过

得到，Q服从χ²分布，其中C_α为标准正态分布(1-α)分位点处的标准差。

9.根据权利要求1所述的基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，还包括步骤S6:根据实时数据建立KPCA模型，计算出对应的T²统计量和SPE统计量。

10.根据权利要求1至9中任一项所述的基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，包括步骤S7：采用贡献图法对故障进行定位和辨识，通过

和

得到变量的贡献值，式中，C_T²和C_SPE分别表示变量x_i对T²统计量和SPE统计量的贡献值；P_r为一个标准正交矩阵，且满足

P_ri表示矩阵P_r中的第i行。

Images