SDG故障診斷方法在核動力裝置中的應用研究

劉永闊，劉 震，吳小天

(哈爾濱工程大學 核安全與仿真技術國防重點學科實驗室,黑龍江 哈爾濱 150001)

核電站設備繁多、結(jié)構(gòu)復雜，對其安全性要求極高。運行過程中若故障不能及時發(fā)現(xiàn)并排除，則可能會造成更嚴重的后果，導致停堆停機。目前在役核電站雖有完整的異常運行規(guī)程和報警手冊，但由于報警信號太多，且每個報警信號又可能是由幾種甚至多種原因引起的，一旦出現(xiàn)故障，面對眾多的報警信號，操作員很難在短時間內(nèi)判斷其警報來源，并采取正確的措施。此外，報警部件并不一定均為故障源，若直接將報警部件當作故障源進行操作，可能導致不僅沒有排除故障，還會擴大故障影響，造成不可預知的嚴重后果。因此，對核電站系統(tǒng)進行故障診斷研究，幫助運行人員提供運行支持具有重要意義。

近年來，關于符號定向圖(SDG)方法的研究已成為熱點，并取得了很大進展，其在化工領域和航天器等方面應用較廣[1-4]。目前在國內(nèi)公開的文獻中尚未見到將SDG方法應用于核動力裝置故障診斷的研究。本文擬將SDG方法應用于核動力裝置中，并以蒸汽發(fā)生器傳熱管破裂(SGTR)事故和彈棒事故為例對其診斷推理過程進行具體分析。

1 基于SDG模型的故障診斷

1.1 SDG模型簡介

SDG是一種基于定性模型和因果分析的故障診斷方法。它由節(jié)點和節(jié)點之間有方向的支路組成。節(jié)點代表系統(tǒng)中的狀態(tài)變量，可是物理變量，也可是操作變量，還可表示一種事件，如管道堵塞、材料傳熱性能下降等。節(jié)點狀態(tài)一般取“+”、“-”和“0”等3種，其中“+”表示該節(jié)點代表的變量值超過了允許的上限，“-”表示低于允許的下限，“0”表示變量值正常。支路表示節(jié)點間的定性影響關系，有增量影響和減量影響兩種，用“+”和“-”表示，在SDG模型中通常用實線和虛線表示。以圖1為例說明SDG模型，其中A、B、C分別表示節(jié)點。若節(jié)點A符號為“+”，則該模型表示的結(jié)果為：A增大→B增大→C減小。同理，若節(jié)點A的符號為“-”,則結(jié)果為：A減小→B減小→C增大。

圖1 SDG模型示意圖

Fig.1 Sketch map of SDG model

SDG模型中所有節(jié)點在同一時刻狀態(tài)觀測值的一個集合稱為瞬時樣本[5]。對于一個瞬時樣本，可在SDG模型中搜索到已經(jīng)發(fā)生偏離的節(jié)點及支路傳播路徑。這種由若干方向一致且已產(chǎn)生影響作用的支路所構(gòu)成的一系列通路稱為相容通路，相容通路是能傳播故障信息的通路，它不僅能描述故障演變的具體過程，而且能很好地解釋故障成因。因此，SDG故障診斷就是在某一瞬時樣本中尋找所有相容通路的過程。消除與相容通路無關的節(jié)點和支路后，余下的殘圖稱為樣本的原因-后果(CE)圖。

1.2 SDG建模方法

SDG建模是進行故障診斷的基礎，具有很強的針對性和靈活性。SDG建模方法通常有基于數(shù)學模型的方法、基于流程圖的方法、基于經(jīng)驗知識的方法等[6-8]?；跀?shù)學模型的方法需建立系統(tǒng)的精確數(shù)學模型，通過求偏導來確定變量間的影響關系，雖然通過此方法建立的模型精度高，但推導過程過于繁瑣，且用該方法得到的SDG模型中的節(jié)點不能表示事件，因此該方法并不適用于復雜系統(tǒng)的建模?；诹鞒虉D的方法是將系統(tǒng)分成若干設備級單元，分別建立其子模型，然后將子模型組合成系統(tǒng)總模型。這種建模方法直觀形象，易于建立，但容易遺漏重要變量?；诮?jīng)驗知識的方法建立的模型簡單直觀，包含較少的未測節(jié)點，具有較高的分辨率，但故障的完備性難以保證。對于核動力裝置這樣復雜大型的系統(tǒng)，顯然難以建立其精確的數(shù)學模型，所以本文采用流程圖和經(jīng)驗知識相結(jié)合的方法來建立SDG模型。

1.3 SDG推理規(guī)則

根據(jù)SDG模型進行故障診斷一般采用反向推理與正向推理相結(jié)合的混合推理方法[9]，以提高診斷精度和分辨率。所謂反向推理就是在已知的SDG瞬態(tài)樣本中，從當前的報警節(jié)點出發(fā)向所有可能的原因節(jié)點反向探索找出所有相容通路，并選定候選故障源。反向推理的過程與故障診斷一致，故也稱其為故障診斷模式；正向推理就是從選定的候選故障源開始，結(jié)合觀測到的節(jié)點正向探索所有的相容通路。在正向推理過程中，若發(fā)現(xiàn)與已知事實不符則該候選故障源為虛假解，應舍去。同理，若與觀測事實一致則認為該候選故障源可信，可將其作為可能故障源之一。正向推理的過程與安全評價一致，所以也稱為安全評價模式。以圖2為例說明SDG推理過程。假設圖2中瞬時樣本為：A(+)、B(-)、C(0)。根據(jù)反向推理可得到兩條相容路徑：B→A→R1、B→A→R2，R1與R2為候選故障源。接著進行正向推理驗證：若R1為故障源，則節(jié)點C應偏大或偏小，但得到的瞬時樣本中節(jié)點C狀態(tài)為“0”，即處于正常值范圍內(nèi)，這與觀察情況不符，所以候選故障源R1為虛假解，應舍去。同理對R2正向推理驗證，R2為故障源時與實際觀測值一致，說明R2為故障源是可信的。圖3為用SDG進行規(guī)則推理的流程圖。

圖2 假設案例中SDG模型

2 SDG在核動力裝置中的應用

2.1 核動力裝置SDG建模

核電站的運行工況不止1種，但絕大多數(shù)時間是在額定功率下運行的，所以本文僅研究額定功率下的運行情況。一般建立的SDG模型是指系統(tǒng)某一階段的模型，通常指初始響應階段、中間響應階段和最終響應階段，對于核電站系統(tǒng)來說應建立其初始響應階段模型，因為核電站系統(tǒng)存在大量的保護系統(tǒng)，即使在系統(tǒng)發(fā)生故障甚至嚴重事故后，在保護系統(tǒng)的作用下經(jīng)過一段時間，系統(tǒng)的某些參數(shù)也能恢復到正常范圍之內(nèi)，這樣會導致一些相容通路的斷開，這對SDG的診斷是非常不利的。此外，故障診斷要求在最短的時間內(nèi)確定故障源以便迅速采取有效措施來控制故障的擴大，防止造成更嚴重的后果。

圖3 SDG規(guī)則推理流程圖

由于核動力裝置的復雜性，即使發(fā)生某一確定的故障，有些參數(shù)的變化趨勢也會隨時間而變，例如突然增加蒸汽發(fā)生器(SG)的給水流量。開始時由于給水在SG環(huán)形空間積累，導致其水位略有上升。接著由于給水流量增加，SG下降通道中水的過冷度增大，使上升通道中的沸騰區(qū)縮短、沸騰減弱、含氣量減小，因而流動阻力減小，水的流速增大；由于沸騰減弱，上升通道汽水混合流量減小，從汽水分離器分離出的再循環(huán)水減少，所以下降通道水位降低。水位降低后，流動的驅(qū)動壓頭減小使循環(huán)流量減小，從而又導致上升通道沸騰區(qū)增大，水位又恢復上升。最后由于給水流量大于產(chǎn)生的蒸汽流量，水位不斷上升，直到給水流量等于蒸汽流量為止。圖4為給水流量突然增大時SG水位的變化趨勢。以此過程建立的SDG模型如圖5所示。

圖4 突然增加10%給水流量時SG水位變化

圖5 SG水位SDG模型

雖然給水流量增加時，SG水位會經(jīng)歷上升、下降和上升的階段，但最終給水流量會使SG水位上升。另外，給水流量增加時，SG水位下降的這一過渡過程在滿負荷時只有幾十秒的時間。所以在建立SDG模型時應將這一短暫的過渡過程舍去，而應建立過渡過程結(jié)束后參數(shù)達到穩(wěn)定變化趨勢的模型。這一處理看似與故障診斷的及時性原則相矛盾，但現(xiàn)役核電廠一般采用“30 min不干預”原則[10]，因此在建模時舍去這幾十秒的過渡過程而分析之后的事故進程是核電廠所允許的。因而給水流量與SG水位之間的SDG模型應為圖6所示。這樣在大幅簡化模型的同時，還不會影響診斷結(jié)果。同理，對于給水流量突然減小、蒸汽流量突然增加或減少等在建模時做相同的處理。

圖6 給水流量與蒸汽發(fā)生器水位SDG模型

根據(jù)以上分析，本文以典型的壓水堆核電站主冷卻劑系統(tǒng)為例提出了針對核動力裝置進行SDG建模的步驟：1) 按照系統(tǒng)流程將主冷卻劑系統(tǒng)劃分為幾個設備級單元，如穩(wěn)壓器、蒸汽發(fā)生器、主冷卻劑泵等；2) 分析各單元中參數(shù)間的關系，分別建立每個單元的SDG子模型；3) 根據(jù)參數(shù)間的關系將各設備單元的子SDG模型整合成主冷卻劑系統(tǒng)總的SDG模型圖。

需要注意的是，通常支路在任何條件下都成立，但對于有些參數(shù)間的關系，需滿足一定的條件才會成立。例如，只有當穩(wěn)壓器壓力上升到一定值時，穩(wěn)壓器泄壓閥才會開啟，這時為與普通的支路有所區(qū)別，將這種支路稱作條件支路，在模型中用帶雙豎線“‖”的有向線段表示。另外，規(guī)定控制棒的位移向上移動為正，向下為負。為便于理解，規(guī)定故障發(fā)生的事件狀態(tài)默認為“+”。例如，若發(fā)生彈棒事故或硼酸失控稀釋等事件，則在SDG模型中代表它們的節(jié)點的狀態(tài)均為“+”。根據(jù)以上建模方法，建立的主冷卻劑系統(tǒng)SDG模型如圖7所示。

2.2 案例分析

根據(jù)2.1節(jié)所建立的主冷卻劑系統(tǒng)SDG模型，應用C#3.0程序在Windows XP平臺下開發(fā)了基于SDG方法的核動力裝置故障診斷系統(tǒng)，本文以SGTR事故和彈棒事故為例對該系統(tǒng)的診斷推理過程進行具體分析。

1) SGTR事故分析

對于SGTR事故，如果診斷及時、處理正確，后果不會很嚴重，可能只是少量帶放射性的蒸汽排放到大氣[11]。通過仿真機模擬SGTR故障，其初始條件列于表1。設定反應堆在初始條件下運行100 s后SGTR發(fā)生，并于隨后5 s內(nèi)SG單根傳熱管完全斷裂，得到的瞬態(tài)響應如圖8所示。

圖7 主冷卻劑系統(tǒng)SDG模型

表1SGTR事故初始條件

Table1InitialconditionofSGTRaccident

參數(shù)狀態(tài)及數(shù)值參數(shù)狀態(tài)及數(shù)值燃耗燃料循環(huán)初期(BOL)冷卻劑平均溫度306.9 ℃反應堆運行功率100%FP其他上充泵運行反應堆一回路冷卻劑系統(tǒng)壓力15.5 MPa

圖8 SGTR事故中主要參數(shù)變化趨勢

SG排污系統(tǒng)放射性、SG水溫及水位、穩(wěn)壓器水位及壓力、堆功率、上充流量等參數(shù)均為可測參量，實驗中提取事故發(fā)生100 s后的各參數(shù)值。表2為將SGTR事故后得到的參數(shù)值與閾值比較后轉(zhuǎn)化成SDG模型中節(jié)點的狀態(tài)值所對應的瞬時樣本。本案例中反向推理得到的相容通路如下(↓表示減小，↑表示增大)：

(1) 冷卻劑平均溫度(↓)←堆芯功率(↓)←穩(wěn)壓器壓力(↓)←穩(wěn)壓器汽空間(↑)←穩(wěn)壓器液位(↓)←冷卻劑流量(↓)←SGTR；

(2) 上充流量(↑)←上充閥開度(↑)←穩(wěn)壓器液位(↓)←冷卻劑流量(↓)←SGTR；

(3) SG排污水放射性(↑)←SGTR；

(4) 冷凝器放射性(↑)←SGTR；

(5) 破損SG水位(↑)←SGTR。

表2 SGTR事故中SDG模型瞬時樣本檢測值

圖9 SGTR的CE圖

反向推理可判定故障源為SGTR，之后正向驗證，這一診斷結(jié)論能解釋所有征兆，即認為診斷結(jié)論可信。圖9為SGTR的CE圖。CE圖能很好地描述故障傳播過程，同時，也有很好的解釋能力，能對診斷結(jié)果提供故障是如何起源、如何演變傳播到當前狀況的解釋信息。

蒸汽發(fā)生器傳熱管破裂CE圖提供的解釋如下：

(1) SGTR后，首先一回路壓力邊界的完整性遭到破壞，冷卻劑流入二回路，導致蒸汽發(fā)生器排污系統(tǒng)和冷凝器的放射性明顯增大；

(2) 一回路冷卻劑喪失使得穩(wěn)壓器水位、壓力降低，上充流量增大以補償穩(wěn)壓器水位的下降；

(3) 隨一回路冷卻劑不斷流失，反應堆因穩(wěn)壓器的低壓保護而緊急停閉，反應堆功率將為零，冷卻劑溫度下降。

需要說明的是，本文建立的是主冷卻劑系統(tǒng)SDG初始響應模型在事故初期診斷準確，如本案例中在事故發(fā)生后300 s內(nèi)均可給出準確診斷結(jié)果。事故后期安注系統(tǒng)的投入導致上充流量降至零，此時再診斷就會使部分相容路徑斷開，降低診斷的可信度。

圖10為開發(fā)系統(tǒng)對SGTR事故的診斷結(jié)果示意圖，圖中標記為冷卻劑密度、上充閥開度、上充流量、穩(wěn)壓器汽空間、SGTR、SG排污水放射性、冷凝器放射性和SG水位的節(jié)點表示其值超過上限，標記為堆芯功率、冷卻劑平均溫度、冷卻劑體積、穩(wěn)壓器液位、穩(wěn)壓器波動管溫度、穩(wěn)壓器壓力和冷卻劑流量節(jié)點表示值低于下限值。該圖可直觀地表達故障的演變過程，并給出故障傳播的路徑及應采取的措施，操作人員能夠根據(jù)故障傳播路徑和建議的操作措施，采取下一步操作。

2) 彈棒事故分析

控制棒驅(qū)動機構(gòu)密封套破裂時，堆芯內(nèi)外巨大的壓差可將控制棒瞬間彈出堆芯，即為彈棒事故。彈棒事故屬于極限事故，由于發(fā)生彈棒事故后，反應堆一回路壓力邊界完整性遭到破壞，所以同時也會引入一個小破口失水事故。彈棒事故特征明顯，基于SDG的推理過程與上述SGTR事故類似，本文不再重復，而給出彈棒事故的CE圖，如圖11所示。CE圖可提供的故障傳播過程解釋如下：

(1) 發(fā)生彈棒事故的同時引入小破口失水事故，導致安全殼壓力、溫度和放射性均超過上限值，地坑水位上升，失流又導致冷卻劑流量降低；

圖10 SGTR事故診斷結(jié)果

圖11 彈棒事故CE圖

(2) 控制棒彈出引起中子注量率激增，快速在堆芯引入正的反應性，導致功率增大，冷卻劑溫度上升，體積膨脹，穩(wěn)壓器液位上升，壓力升高。

3 結(jié)論

本文對基于定性模型的SDG的方法在核動力裝置故障診斷中的應用進行了研究。針對核動力裝置自身的特點，提出了建立其SDG模型的方法和推理規(guī)則，并建立了典型壓水堆核電站的主冷卻劑系統(tǒng)SDG模型。仿真案例表明，盡管事故發(fā)生后核電站各系統(tǒng)眾多運行參數(shù)發(fā)生變化，報警信號較多，但運用SDG進行推理診斷僅需少量信息即可得出結(jié)論，而且SDG能提供故障的傳播路徑，具有良好的解釋性。因此，SDG故障診斷方法在核動力裝置中可進行有效的診斷，能為運行人員提供決策支持。

由于核動力裝置結(jié)構(gòu)復雜，參數(shù)眾多，本文所建立的主冷卻劑系統(tǒng)SDG模型還需進一步細化，且不同的堆型所建立的SDG模型也不完全相同，此外，為提高SDG模型診斷的正確性，與其他定量方法相結(jié)合對故障進行定量、定性分析也是今后研究的方向。

參考文獻：

[1]徐新海. 基于層次SDG的航空發(fā)動機故障診斷方法研究[D]. 南京：南京航空航天大學，2010.

[2]MAURYA M R, RENGASWAMY R, VENKATASUBRAMANIAN V. Application of signed digraphs-based analysis for fault diagnosis of chemical process flowsheets[J]. Engineering Applications Artificial Intelligence, 2004, 17(5): 501-518.

[3]GAO Dong, WU Chongguang, ZHANG Beike, et al. Signed directed graph and qualitative trend analysis based fault diagnosis in chemical industry[J]. Chinese Journal of Chemical Engineering, 2010, 18(2): 265-276.

[4]黃衛(wèi)東,王克昌. 基于定性和定量關系的液體火箭發(fā)動機故障診斷[J]. 航空動力學報,1996,11(3)：281-284.

HUANG Weidong, WANG Kechang. Liquid rocket engine fault diagnosis based on qualitative/quantitative model[J]. Journal of Aerospace Power, 1996, 11(3): 281-284(in Chinese).

[5]李秀喜,吉世明. 基于半定量SDG模型的化工過程故障診斷[J]. 清華大學學報:自然科學版,2012,52(8)：1 112-1 115.

LI Xiuxi, JI Shiming. Chemical process fault diagnosis using semi-quantitative SDG model[J]. Journal of Tsinghua University: Science and Technology, 2012, 52(8): 1 112-1 115(in Chinese).

[6]YANG Fan, SHAH S L, XIAO Deyun. Signed directed graph modeling of industrial processes and their validation by data-based methods[C]∥2010 Conference on Control and Fault Tolerant Systems. Nice, France: [s. n.], 2010.

[7]聶銀燕,林曉煥. 基于SDG的壓縮機故障診斷方法研究[J]. 微電子學與計算機,2013,30(3):140-142.

NIE Yinyan, LIN Xiaohuan. Research on the fault diagnosis of compressor based on the SDG method[J]. Microelectronics & Computer, 2013, 30(3): 140-142(in Chinese).

[8]ZHANG Zhaoqian，WU Chongguang，ZHANG Beike, et al. SDG multiple fault diagnosis by real-time inverse inference[J]. Reliability Engineering and System Safety, 2005, 87: 173-189.

[9]MA Yongguang, GAO Jianqiang, MA Liangyu, et al. Study on fault diagnosis based on the qualitative/quantitative model of SDG and genetic algorithm[C]∥Proceedings of the Fifth International Conference on Machine Learning and Cybernetics. [S. l.]: [s. n.], 2006.

[10] 朱繼洲. 核反應堆安全分析[M]. 西安：西安交通大學出版社,2004.

[11] 鄭福裕,邵向業(yè),丁云峰. 核電廠運行概論[M]. 北京:原子能出版社,2010.