葛秋原
(上海交通大學機械與動力工程學院,上海 200240)
核電作為一種安全、清潔的能源,應用日益廣泛,但其安全運行同樣受到世人關注[1]。而電機作為核電廠運行的主要電氣和機械設備,在核電廠安全運行中發(fā)揮著舉足輕重的作用。眾所周知,核電廠的安全運行離不開設備的可靠運行,也離不開設備維護的質量[2-3]。
目前,核電電機的維護策略主要是預防性維修,其主要思想是通過內外部經驗反饋和部件分析,找出所有可能的故障情況,并對同類故障進行統(tǒng)一處理,保證設備的安全穩(wěn)定運行[4]。由于預防性維修具有一定的盲目性,無法準確了解設備的運行狀態(tài)及工況,僅僅根據(jù)歷史經驗確定更換周期,即便隨著科學技術的革新和設備可靠性的增加,也很少有變更設備定期檢查周期的情況。
國內核電廠目前使用的維護模式為定期檢查與維護[5-7],同時結合日常消缺工作,即對于所有電機,每一個換料周期進行年檢(一般為外觀檢查、絕緣檢查、潤滑檢查等),同時每3個換料周期進行解體檢查(一般需拆解電機,更換軸承等)。在此模式下,由于每年需要解體1/3的電機和定期維護所有電機,這樣產生的維護成本相當高。由于電機的使用壽命較長,如果使用狀態(tài)檢修的方法將大大降低成本。而狀態(tài)檢修的關鍵就是預測電機的狀態(tài)和工況,在每一個燃料周期末端進行有計劃的糾正性維修。但是由于每一燃料周期內電機磨損的數(shù)量及程度無法判斷,以至于無法采購相對應的備件以及安排相應數(shù)量的檢修人員,大大增加了狀態(tài)檢修實施的難度。
因此,本文結合實際項目,建立基于馬爾科夫鏈的電機狀態(tài)預測模型[8-9],由前一次大修電機的運行狀態(tài)分布來推算下一次大修電機狀態(tài)的分布,從而有效靈活地改變核電廠電機大修檢查維護的策略,并按照模型所預測的情況擬定新的檢修計劃,將核電廠電機大修從預防性維修的策略水平推向更精準的狀態(tài)檢修。
根據(jù)相關研究,將電機設備的生命周期分為N個階段,每一個階段都會向其他階段發(fā)展,但是由于電機運行是不斷損耗的,其總是向不好的狀態(tài)發(fā)展,但是在每個時間周期內,階段不一定發(fā)生改變。假設電機有1~n個狀態(tài),n表示狀態(tài)最好,n-1表示狀態(tài)其次,1表示狀態(tài)最差。令XT=a(a為1~n中的一個數(shù)值,表示T時刻電機X所處的狀態(tài)),根據(jù)馬爾科夫鏈原理,T+1時刻電機X的狀態(tài)僅與T時刻的狀態(tài)有關。
XT+1=PijXT
(1)
式中,Pij為轉移矩陣,表示在沒有進行檢修的情況下X電機從i狀態(tài)(T時刻)向j狀態(tài)(T+1時刻)轉移的概率;Pij表示為P(XT+1=jXT=i),如式(2)所示
(2)
由于從T時刻到T+1時刻的過程中并未進行檢修維護,所以Pij中所有i 本例選用國內某核電廠GEV系統(tǒng)風冷電機作為樣本進行研究。該廠共有162臺同型電機,按照每臺設備每一個換料周期會檢查一次狀態(tài),并給出狀態(tài)評估分數(shù)。電機的狀態(tài)分為4~5(嶄新的)、3~4(新的)、2~3(正常的)、1~2(需維護的)、0~1(需立即停機檢修的),見表1。 表1 電機狀態(tài)評估劃分表 對于GEV系統(tǒng)電機,每次狀態(tài)檢查時的轉移矩陣為 (3) 具體數(shù)值為 (4) 根據(jù)國內某核電廠GEV系統(tǒng)T時刻節(jié)點的電機狀態(tài)統(tǒng)計(表2),通過上述馬爾科夫鏈的預測方法,并使用Pij系數(shù)進行預測,得出T+1時刻的該系統(tǒng)電機的狀態(tài)分布(表3)。需要說明的是T時刻處于1狀態(tài)的電機,必須進行更換維護,所以T時刻處于1狀態(tài)的電機在T+1時刻變將會變?yōu)?。 表2 T時刻的設備狀態(tài)分布 表3 T+1時刻的設備狀態(tài)分布(預測) 根據(jù)生產實際,T+1時刻實際GEV系統(tǒng)電機的狀態(tài)分布見表4。 表4 T+1時刻的設備狀態(tài)分布(實際) 據(jù)此可以計算出預測的誤差。根據(jù)T+1時刻處于該狀態(tài)電機的預測數(shù)量和實際數(shù)量,可以得出處于i狀態(tài)的電機的預測準確率,即 δi=(Si,p-Si,f)÷Si,p(i=1,2,3,4,5)(5) 式中,δi表示從T時刻變化到T+1時刻,i狀態(tài)下的電機數(shù)量的預測誤差;Si,p為T+1時刻i狀態(tài)下電機的實際數(shù)量;Si,f為T+1時刻i狀態(tài)下電機的預測數(shù)量。 在研究過程中,使用標準誤差來表示。所以,預測誤差的均方根為 (6) 式中,δT表示本次預測的誤差值;N為狀態(tài)等級數(shù)(即將電機狀態(tài)劃分的份數(shù)),在本算例中取N=5。最終求得:δT=33.29%。進一步,當把電機狀態(tài)劃為10等份時,最終求得δT的值為21.68%。這說明,隨著狀態(tài)的劃分越來越細,預測的精度將會提高。 按照上述實例,GEV系統(tǒng)的電機共計162臺,若按照預防性檢修,每一個換料周期需對54臺電機進行解體檢查并更換相應部件,同時對其他108臺電機進行定期檢查與維護;相比之下,按照上述馬爾科夫鏈模型預測的電機狀態(tài),只需對處于狀態(tài)1和2的兩類狀態(tài)進行維護,即:只需準備19臺電機解體檢查和37臺電機定期檢查與維護的相對應的備件、材料、人員儲備,從而大大減少了核電廠電機設備維護所帶來的成本消耗。 本文通過馬爾科夫鏈預測核電廠核級電機狀態(tài)的變化,利用建立的馬爾科夫鏈模型,根據(jù)初始同一類電機所處狀態(tài)的分布預測下一時刻電機狀態(tài)的分布,由于知道未來電機狀態(tài)的大致分布,使電機所在核電廠提前按計劃做好設備采購、人員儲備等工作,從而實現(xiàn)經濟的備件采購、良好的維修人員安排、合理的大修工期安排。這必將會改變呆板固化的預防性檢修模式,使之成為靈活多變的狀態(tài)檢修,同時降低核電廠的運行成本,增加設備運行的可靠性。3 基于馬爾科夫鏈的電機狀態(tài)預測
3.1 模型建立
3.2 按照馬爾科夫鏈模型進行預測
3.3 生產實際取得的數(shù)值與模型所預測的數(shù)值對比
3.4 狀態(tài)檢修與預防性檢修的差別及優(yōu)勢
4 結語