基于SDG-QTA的一回路冷卻劑系統(tǒng)故障診斷方法研究?

楊 光 鐘小軍

1 引言

一回路冷卻劑系統(tǒng)作為防止裂變產(chǎn)物外泄的第二道屏障，可以保證堆芯的熱量及時散出，防止對堆芯熔毀。要保證核電廠的正常運(yùn)行，就要時刻保障冷卻劑系統(tǒng)正常而高效的運(yùn)行。所以，及時發(fā)現(xiàn)故障源并進(jìn)行處理就變得非常重要［1～2］。

SDG通過定性因果模型將龐大的系統(tǒng)變量的邏輯關(guān)系用有向圖的形式呈現(xiàn)出來［3］。然而傳統(tǒng)的SDG診斷方法雖能快速發(fā)現(xiàn)故障源，并可以將傳播路徑完整的展現(xiàn)出來，但各個節(jié)點(diǎn)只能表示當(dāng)前時刻的狀態(tài)，即只能在“+”“-”或“0”三中選一［4］。SDG針對多故障同時發(fā)生的情況，辨別能力不強(qiáng)。尤其在故障數(shù)據(jù)沒超過設(shè)定閾值的這段時間，SDG不能在核設(shè)備出現(xiàn)故障時進(jìn)行診斷，因而造成不能及早發(fā)現(xiàn)故障的后果。利用QTA靈敏度高、隔離性好、算法復(fù)雜程度小的特點(diǎn)將SDG的種種不足加以彌補(bǔ)［5］。

所以，將SDG和QTA應(yīng)用于一回路冷卻劑系統(tǒng)早期診斷。在數(shù)據(jù)還在五級閾值內(nèi)，但已超過三級閾值時，通過提取數(shù)據(jù)的定性趨勢來判斷數(shù)據(jù)是否有超過五級閾值的可能，盡可能在早期確定系統(tǒng)發(fā)生的故障。再通過基于節(jié)點(diǎn)的融合了SDG和QTA的相容規(guī)則反向推理，找到疑似的故障源及其傳播路徑。按著對疑似的故障源及傳播路徑計(jì)算可信度系數(shù)排序，最終確定全部真實(shí)的故障源［6］。這樣就可以幫助控制臺操作人員分析故障，輔助決策，提供準(zhǔn)確、及時的服務(wù)，減輕操作人員的工作壓力。

2 基于SDG-QTA的故障分析方法

傳統(tǒng)SDG應(yīng)用在核動力裝置中變量之間關(guān)系繁雜，核電廠防護(hù)系統(tǒng)眾多，對節(jié)點(diǎn)參數(shù)值調(diào)整幅度、頻率不同，導(dǎo)致節(jié)點(diǎn)狀態(tài)不定，容易漏掉真正的故障。閾值設(shè)定不準(zhǔn)確，傳感器容易造成誤差，也會造成漏掉真正故障。

當(dāng)出現(xiàn)有效節(jié)點(diǎn)一定時間，以SDG模型為基礎(chǔ)進(jìn)行，采用此框架進(jìn)行分析。

2.1 框架中的基本概念

定義1：敏感閾值 為了實(shí)現(xiàn)故障早期發(fā)現(xiàn)，選擇比工作閾值更加敏感的閾值范圍作為敏感閾值。敏感閾值能有效地提高監(jiān)測的靈敏度，并運(yùn)用QTA方法減小故障誤報的可能性。

定義2：工作閾值 在工程應(yīng)用中，大部分需監(jiān)測的變量都擁有自身閾值，稱為工作閾值。目的就是保證參數(shù)限制在正常范圍，系統(tǒng)能正常運(yùn)行［7］。而為了使系統(tǒng)正常運(yùn)行，但盡量又不觸發(fā)誤報，一般各個工作閾值范圍偏大，不利于故障早期發(fā)現(xiàn)。

定義3：SDG-QTA有效節(jié)點(diǎn)規(guī)則 SDG-QTA

有效節(jié)點(diǎn)規(guī)則決策樹，如圖1。

圖1 SDG-QTA有效節(jié)點(diǎn)決策樹

2.2 閾值的選取方法

1）U檢驗(yàn)

在核電廠正常工作時，其運(yùn)行的數(shù)據(jù)會出現(xiàn)隨機(jī)波動，可以使大部分參數(shù)的數(shù)據(jù)服從正態(tài)分布［8～9］。閾值的選取規(guī)則如圖2。

圖2 閾值的選取規(guī)則

為了能更加了解參數(shù)在時間上的分布，我們用U檢驗(yàn)來校核其是否服從正態(tài)分布。

2）敏感閾值的選取

進(jìn)行U檢驗(yàn)后，若參數(shù)符合正態(tài)分布，則通過該分布選取敏感閾值。若參數(shù)不服從正態(tài)分布時，則選取參數(shù)中的最大值和最小值作為工作閾值上下限值。

正態(tài)分布中當(dāng)參數(shù)X＜3σ時（σ為標(biāo)準(zhǔn)差），發(fā)生概率為0.9987，若參數(shù)變化服從正態(tài)分布，可以分析正常運(yùn)行的參數(shù)確定工作閾值。正常運(yùn)行時參數(shù)的絕對值小于3σ發(fā)生的概率是0.0026，若連續(xù)3s均發(fā)生這種情況，其概率為0.00263=1.76×10-8，發(fā)生概率非常低。選取3σ為敏感節(jié)點(diǎn)，參數(shù)連續(xù)3s均在閾值外，則認(rèn)為該參數(shù)可能出現(xiàn)異常。

2.3 診斷框架整體步驟

整體的診斷框架如圖3所示。

1）檢測節(jié)點(diǎn)參數(shù)，判斷是否超出敏感閾值。

2）檢測出超出敏感閾值，用QTA中趨勢識別提取，擬合出該節(jié)點(diǎn)一段時間后的趨勢。按照發(fā)生SDG-QTA故障規(guī)則，考慮早期故障階段，該節(jié)點(diǎn)是否為有效節(jié)點(diǎn)。

3）針對有效節(jié)點(diǎn)進(jìn)行實(shí)時QTA，識別提取趨勢。

4）根據(jù)SDG模型的推導(dǎo)與診斷方法，進(jìn)行正向推理與反向推理，盡可能找出全部相容路徑和候選故障源。計(jì)算可信度系數(shù)，從高到底的順序進(jìn)行排序［10］。

5）找出故障源。

圖3 SDG-QTA方法診斷流程圖

3 QTA趨勢識別提取方法

本論文采用Sylvie Charbonnier等提出的語言來描述趨勢［11］。這種語言定義了三個基元，如圖4。

圖4 基本趨勢基元

A狀態(tài)代表節(jié)點(diǎn)未發(fā)生變化；B狀態(tài)代表節(jié)點(diǎn)有上升趨勢；C狀態(tài)代表節(jié)點(diǎn)有下降趨勢。采用三基元表示可以在滿足趨勢識別需要的同時，降低系統(tǒng)復(fù)雜度，達(dá)到更加快速識別的目的。

趨勢識別提取的算法首先用最小二乘法擬合，得到線性片段。但最小二乘法的使用事先不知道并變量與時間的線性關(guān)系，所以對所得的擬合結(jié)果進(jìn)行F檢驗(yàn)，驗(yàn)證所得的結(jié)果。

4 SDG和QTA結(jié)合的反向推理

4.1 推理過程中的相容規(guī)則

1）支路狀態(tài)為正，節(jié)點(diǎn)對應(yīng)的趨勢片段應(yīng)一致才相容，即都為“上升”或“下降”。

2）支路狀態(tài)為負(fù)，節(jié)點(diǎn)對應(yīng)的趨勢片段應(yīng)相反才相容，即一個為“上升”，另一個為“下降”。

3）普通節(jié)點(diǎn)與故障源一定為相容的。

若同一支路的兩端節(jié)點(diǎn)，一個基元為A，另一基元為B或C，則為半相容。

4.2 反向推理主要算法

1）以已知的有效節(jié)點(diǎn)作為初始起點(diǎn)，反向搜索上層待探索節(jié)點(diǎn)。

2）按相容規(guī)則判斷含有定性趨勢片段的兩節(jié)點(diǎn)是否相容。

3）若相容，上層節(jié)點(diǎn)作為起點(diǎn)，再次進(jìn)行2），直至找到終節(jié)點(diǎn)，即非原因節(jié)點(diǎn)且無上層節(jié)點(diǎn)的節(jié)點(diǎn)。

4）若不相容，找其他能相容的上層節(jié)點(diǎn)。若沒有，返回上個節(jié)點(diǎn)，作為當(dāng)前節(jié)點(diǎn)，直至回到初始起點(diǎn)。

5）繼續(xù)從初始起點(diǎn)出發(fā)，重復(fù)以上步驟，至初始起點(diǎn)再無相容節(jié)點(diǎn)。

6）探索所有的有效節(jié)點(diǎn)后，結(jié)束。

4.3 可信度系數(shù)計(jì)算并排序

可信度系數(shù)（C.I.）體現(xiàn)了相容路徑成為故障傳播路徑的可能性，值越高，成為真正故障傳播路徑的可能越高。

n為整個相容路徑的支路數(shù)，Ci為支路i的可信度。

Si為每個基元相容的權(quán)值。若兩個片段相容，則 Sj為1；半相容，則 Sj為0.5。

式（1）、（2）說明，兩個節(jié)點(diǎn)趨勢識別出的片段相容的越多，相容的可能性越大，故障沿此相容路徑傳播的可能性越大。通過對每個相容路徑計(jì)算可信度系數(shù)，根據(jù)C.I.進(jìn)行排序，可以大幅提高診斷的分辨率。

5 SDG-QTA方法的應(yīng)用

本文以冷卻劑喪失事故為例，對SDG-QTA方法的診斷推理過程進(jìn)行分析。冷卻劑喪失事故是指反應(yīng)堆一回路壓力邊界不再完整，產(chǎn)生破口，一定量冷卻劑從破口泄出的事故，簡稱LOCA（Loss of Coolant Accident）［12］。冷卻劑喪失事故造成的后果，由于事故現(xiàn)象復(fù)雜、情況多樣，變得非常嚴(yán)重。因此，該故障在安全分析中處于重要地位。由于冷卻劑大量喪失，導(dǎo)致堆芯冷卻能力不足，熱量不能及時導(dǎo)出。嚴(yán)重情況下會導(dǎo)致堆芯熔毀［13］。

LOCA→環(huán)路冷卻劑壓力→主冷卻劑系統(tǒng)平均壓力→穩(wěn)壓器壓力→穩(wěn)壓器水位；LOCA→環(huán)路冷卻劑流量→蒸汽發(fā)生器水位→蒸汽發(fā)生器蒸汽流量→蒸汽發(fā)生器壓力→蒸汽管道壓力；LOCA→安全殼放射性；LOCA→地坑水位；LOCA→安全殼內(nèi)壓力；LOCA→安全殼內(nèi)溫度。

簡化后的SDG模型，如圖5所示。

圖5 LOCA的SDG模型

水位的趨勢基元為C；蒸汽發(fā)生器水位的趨勢基元 為C；蒸汽管道壓力的趨勢基元為C；蒸汽發(fā)生器壓

圖6 故障發(fā)生后的各節(jié)點(diǎn)參數(shù)值

而在故障于第1000s發(fā)生之后，變量的數(shù)據(jù)如圖6所示。

在采樣時間為50s的早期故障中，1#冷卻劑流量、1#蒸汽發(fā)生器壓力節(jié)點(diǎn)參數(shù)值未超過工作閾值，但超過敏感閾值。用未結(jié)合QTA的SDG方法進(jìn)行故障診斷，結(jié)果為未發(fā)現(xiàn)故障。而運(yùn)用SDG-QTA方法能判斷出，該節(jié)點(diǎn)為有效節(jié)點(diǎn)，該路徑疑似故障路徑。1#冷卻劑壓力的趨勢基元為C；1#冷卻劑流量的趨勢基元為A；一回路平均壓力的趨勢基元為C；穩(wěn)壓器壓力的趨勢基元為C；穩(wěn)壓器力的趨勢基元為B；1#蒸汽發(fā)生器蒸汽流量的趨勢基元為C。

LOCA→環(huán)路冷卻劑壓力→主冷卻劑系統(tǒng)平均壓力→穩(wěn)壓器壓力→穩(wěn)壓器水位。

計(jì)算得到該條相容通路的可信度：

LOCA→環(huán)路冷卻劑流量→蒸汽發(fā)生器水位→蒸汽發(fā)生器蒸汽流量→蒸汽發(fā)生器壓力→蒸汽管道壓力。

計(jì)算得到該條相容通路的可信度

在發(fā)生故障100S以后，1環(huán)路冷卻劑流量的趨勢基元變?yōu)镃；蒸汽發(fā)生器壓力的趨勢基元變?yōu)锳，其余的節(jié)點(diǎn)趨勢基元均為A，即不變。

LOCA→環(huán)路冷卻劑壓力→主冷卻劑系統(tǒng)平均壓力→穩(wěn)壓器壓力→穩(wěn)壓器水位。

計(jì)算得到該條相容通路的可信度：

LOCA→環(huán)路冷卻劑流量→蒸汽發(fā)生器水位→蒸汽發(fā)生器蒸汽流量→蒸汽發(fā)生器壓力→蒸汽管道壓力。

計(jì)算得到該路徑的可信度系數(shù)：

最終能確認(rèn)兩條路徑均為故障路徑，并且其他路徑的分析同理，從而確定故障源為LOCA。

6 結(jié)語

1）SDG-QTA建立模型方法能診斷出核電廠設(shè)備的故障。建立一回路系統(tǒng)的LOCA的SDG模型，利用SDG-QTA進(jìn)行診斷，取得了良好的故障診斷效果。

2）通過合理的簡化提高模型分析效率和準(zhǔn)確性。在典型故障SDG模型簡化過程中，簡化掉不可測量的節(jié)點(diǎn)和弱關(guān)聯(lián)支路，降低了復(fù)雜程度，而模型的正確性未受到影響。

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

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

［3］高東，許欣，馬昕.基于SDG與趨勢分析的故障診斷框架［J］. 計(jì)算機(jī)工程與應(yīng)用.2014（13）：6-9.

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

［5］吳軍強(qiáng)，梁軍.基于圖論的故障診斷技術(shù)及其發(fā)展［J］.機(jī)電工程，2003，20（5）：188-190.

［6］劉敏華，蕭德云.基于趨勢分析和SDG模型的故障診斷［J］. 控制理論與應(yīng)用.2006（02）：306-310.

［7］曹文亮.基于SDG的熱力系統(tǒng)故障診斷方法研究［D］.北京：華北電力大學(xué)（河北），2006.

［8］李安峰，夏濤，張貝克，等.化工過程SDG建模方法［J］.系統(tǒng)仿真學(xué)報.2003，15（10）：1364-1368.

［9］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(xué)學(xué)報：自然科學(xué)版，2012，52（8）：1112-1115.

［10］Charbonnier S，Garcia-Beltan C，Cadet C，et al.Trends extraction and analysis for complex system monitoring and decision support［J］.ENGINEERING APPLICA?TIONS OF ARTIFICIAL INTELLIGENCE.2005，18（1）：21-36.

［11］Wen-Liang C，Bing-Shu W，Liang-Yu M，et al.Study of fault diagnosis approach based on rules of deep knowl?edge representation of signed directed graph［C］//Hong Kong：2005.

［12］朱繼洲.核反應(yīng)堆安全分析［M］.西安：西安交通大學(xué)出版社，2004.

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