智能核電廠的發(fā)展及應(yīng)用

黃建華,郭天覺

(1.中國核動力研究設(shè)計院，四川 成都 610000;2.和昇集團 香港)

核電廠收集了大量歷史、實時運轉(zhuǎn)和維修數(shù)據(jù)，這些數(shù)據(jù)是一個核電廠非常寶貴的資產(chǎn)，如果善加利用，將會幫助核電廠的運轉(zhuǎn)和維修更安全、更有效能，過去因為受技術(shù)限制大量數(shù)據(jù)并沒有被充分利用。

利用大數(shù)據(jù)和機器學(xué)習技術(shù)(Big Data and Machine Learning)提升生產(chǎn)力，國內(nèi)外很多非核能工業(yè)已經(jīng)廣泛實施，核電廠也已開始應(yīng)用，但仍有很大改善空間。

本論文提出核電廠“數(shù)字雙胞胎”集成大數(shù)據(jù)和機器學(xué)習技術(shù)構(gòu)想，就是數(shù)據(jù)驅(qū)動建模加上物理驅(qū)動建模觀念，有別于一般常用的單獨數(shù)據(jù)驅(qū)動建模方法，并依此開發(fā)預(yù)測維護系統(tǒng)和操作輔助工具，建立智能核電廠，目的是更有效的利用核電廠歷史、實時運轉(zhuǎn)和維修數(shù)據(jù)，幫助核電廠的工程師和操作員更安全、更有效能地運轉(zhuǎn)和維修核電廠。

1 智能核電廠的目標

智能核電廠總體目標是：

1)幫助核電廠工程師和操作員減少無預(yù)警跳機;

2)幫助核電廠工程師和操作員在突發(fā)狀況或天災(zāi)狀況時(風災(zāi)、水災(zāi)、地震等)能及時反應(yīng)，保持機組安全、穩(wěn)定運轉(zhuǎn);

3)遇到不明狀況時幫助核電廠工程師和操作員了解根本原因，并作最佳處理建議，操作員并能預(yù)知處理后的行為;

4)幫助核電廠工程師和維護員了解設(shè)備狀況，并提供早期故障預(yù)警，使維護員能針對設(shè)備維修作最佳之規(guī)劃。

最終目標是進一步改善核電廠運轉(zhuǎn)效率、成本效益以及運轉(zhuǎn)安全。具體行動目標是利用以下資源和技術(shù)：

1)核能電廠收集的大量歷史運轉(zhuǎn)和維修數(shù)據(jù);

2)先進建模和仿真技術(shù);

3)數(shù)據(jù)同化技術(shù)(Data Assimilation)。

建立核能電廠“數(shù)字雙胞胎”又稱“數(shù)字孿生”(NPP Digital Twin)

運用“數(shù)字雙胞胎”、大數(shù)據(jù)和機器學(xué)習技術(shù)，研發(fā)并聚焦于以下應(yīng)用：

1)使用核能電廠“數(shù)字雙胞胎”建立核能電廠物理驅(qū)動模型(簡稱物理模);

2)使用大數(shù)據(jù)和機器學(xué)習技術(shù)建立核能電廠數(shù)據(jù)驅(qū)動模型(簡稱數(shù)據(jù)模);

3)整合物理模、數(shù)據(jù)模落實核電廠預(yù)測性維護系統(tǒng)(Predictive Maintenance System);

4)整合物理模、數(shù)據(jù)模開發(fā)核電廠智能操作輔助工具(Smart Operation Aid)。

2 大數(shù)據(jù)、機器學(xué)習在工業(yè)上的應(yīng)用

2.1 非核能工業(yè)應(yīng)用簡介

大數(shù)據(jù)、機器學(xué)習已經(jīng)廣泛應(yīng)用在非核能工業(yè)上，比較常見的應(yīng)用包括：工藝優(yōu)化(Process Optimization)、預(yù)測性維護(Predictive Maintenance)、 “數(shù)字雙胞胎” 。

2.1.1 工藝優(yōu)化應(yīng)用介紹

應(yīng)用機器學(xué)習，工藝優(yōu)化可以使數(shù)千種工業(yè)流程受益，包括各行各業(yè)，例如,化學(xué)工業(yè)、塑料行業(yè)、玻璃制造、半導(dǎo)體制造、礦石選礦、氣體處理、煉油廠、電廠等。

以火力電廠為例，工藝優(yōu)化已經(jīng)應(yīng)用到下列范圍：效率優(yōu)化(Efficiency Optimization)、靈活性優(yōu)化(Flexibility Optimization)、可用性優(yōu)化(Availability Optimization)、容量優(yōu)化(Capability Optimization)、減排優(yōu)化(Emission Reduction Optimization)。

2.1.2 預(yù)測性維護應(yīng)用介紹

預(yù)測性維護是電力工業(yè)不可或缺的一部分，有助于提高生產(chǎn)率并降低成本。預(yù)測性維護工具可檢查運行設(shè)備的狀況，并幫助預(yù)見其維護需求，以實現(xiàn)最佳性能并避免任何設(shè)備故障。

預(yù)測性維護已經(jīng)廣泛在非核能工業(yè)應(yīng)用，很多供應(yīng)商都提供這方面的產(chǎn)品。以下介紹幾家較知名的廠商以及他們的產(chǎn)品：

Maximo資產(chǎn)績效管理(APM)是IBM APM套件的關(guān)鍵部分。它的主要關(guān)鍵領(lǐng)域是使維護經(jīng)理能夠確定和管理資產(chǎn)可靠性風險，這些風險可能會嚴重影響工廠或業(yè)務(wù)運營。它可以根據(jù)預(yù)測評分，確定可能影響資產(chǎn)運行狀況的因素來制定行動，并對影響資產(chǎn)績效的歷史因素提供全面比較。

Siemens的預(yù)測學(xué)習平臺基于云的開放式IoT操作系統(tǒng)MindSphere，可以提前通知資產(chǎn)缺陷，從而使公司避免計劃外的設(shè)備停機。

Microsoft在全球范圍內(nèi)開發(fā)，許可和支持軟件，服務(wù)，設(shè)備和解決方案。借助Microsoft Azure，該公司將自己設(shè)置為工業(yè)物聯(lián)網(wǎng)(IoT)解決方案以及預(yù)測性維護的主要公共云平臺。

Enel已將GE的Predix平臺用于檢查，預(yù)測和增強Enel電廠的可靠性。 GE使用其先進的預(yù)測分析來監(jiān)視數(shù)據(jù)，檢測和識別任何與設(shè)備有關(guān)的問題，并規(guī)劃維護活動以幫助減少設(shè)備停機時間。

Aveva是一家英國信息技術(shù)公司。 2018年，Aveva與總部位于法國的施耐德電氣的工業(yè)軟件業(yè)務(wù)合并。 PRiSM是Aveva[1]提供的預(yù)測資產(chǎn)分析軟件。 PRiSM的功能包括：

1)使用高級模式識別的軟件，執(zhí)行設(shè)備建模;

2)使用歷史數(shù)據(jù)描述設(shè)備正常運行的方式并建立模型;

3)持續(xù)實時監(jiān)控行為;

4)操作不同于歷史規(guī)范時發(fā)出警報，在發(fā)現(xiàn)設(shè)備問題時提出預(yù)警;

5)先進的分析功能，包括問題識別和根本原因分析。

2.1.3 “數(shù)字雙胞胎”或“數(shù)字孿生”應(yīng)用介紹

“數(shù)字雙胞胎”簡單來說就是有形資產(chǎn)到數(shù)字平臺映射的描述，從而產(chǎn)生一個與該有形資產(chǎn)一模一樣的虛擬復(fù)制品(Virtual Replica)。“數(shù)字雙胞胎”技術(shù)已經(jīng)在很多非核能工業(yè)上應(yīng)用，包括飛機發(fā)動機、風力發(fā)電機、汽車工業(yè)、電廠等。

“數(shù)字雙胞胎”的主要供應(yīng)商包括：Siemens、Bently、ABB、AVEVA、GE、Schneider和其他[2-3]。

“數(shù)字雙胞胎”應(yīng)用范例

GE公司在全球范圍內(nèi)開發(fā)了數(shù)以萬計“數(shù)字雙胞胎”，其中包括來自電力，能源，航空和醫(yī)療保健等行業(yè)的各種資產(chǎn)，以及其自己的工廠和流程的資產(chǎn)。

主要電動汽車生產(chǎn)商之一的Tesla為其生產(chǎn)的每輛汽車都配備了一個“數(shù)字雙胞胎”。該公司根據(jù)汽車的車輛識別號(VIN)識別每輛汽車的“數(shù)字雙胞胎”。在該技術(shù)的幫助下，數(shù)據(jù)不斷地從汽車到工廠來回發(fā)送。

Siemens為其燃氣輪機機群實施了“數(shù)字雙胞胎”以解決他們在燃氣輪機機群運營上遇到的困難。它允許使用復(fù)雜的仿真和數(shù)據(jù)分析來為機群運營建模。提供的功能包括：

1)系統(tǒng)KPI預(yù)測;

2)燃氣輪機機群和維護設(shè)施的運營可視化;

3)瓶頸識別和成本核算;

4)假設(shè)情景探索為運營以及投資決策提供依據(jù)。

2.2 核能工業(yè)應(yīng)用簡介

2.2.1 法國 EDF大數(shù)據(jù)、機器學(xué)習應(yīng)用介紹

EDF是歐洲核能發(fā)電最大的電力公司，共有59 部核能發(fā)電機組，總發(fā)電量63 GW。EDF的核能發(fā)電大數(shù)據(jù)、機器學(xué)習規(guī)劃應(yīng)用在大修管理,運轉(zhuǎn)和維護兩方面[4]。在大修管理方面的應(yīng)用包括：使用虛擬現(xiàn)實進行大修準備和工作前簡報說明以及使用機器學(xué)習來協(xié)助工廠維護和改善。在運轉(zhuǎn)和維護方面的應(yīng)用包括：開發(fā)基于計算機的程序以及電子工作包、電腦化操作員輔助系統(tǒng)、開發(fā)用于運營和維護的數(shù)字孿生以及利用高級在線監(jiān)測，用于狀態(tài)監(jiān)測和診斷。

2.2.2 美國Exelon大數(shù)據(jù)、機器學(xué)習應(yīng)用介紹

Exelon是美國領(lǐng)先的核能發(fā)電公司。Exelon作為創(chuàng)新領(lǐng)導(dǎo)者的地位以及能源行業(yè)中唯一的財富500強公司提供了獨特的機會來開發(fā)和采用新的數(shù)字技術(shù)，包括和GE合作共同開發(fā)基于Predix平臺的應(yīng)用程序，專門為能源行業(yè)提供下一代解決方案。Exelon 使用 Predix 平臺從風力渦輪機，水力發(fā)電大壩和核電站中獲取數(shù)據(jù)，并將其轉(zhuǎn)換為資產(chǎn)的“數(shù)字雙胞胎”。借助這些“數(shù)字雙胞胎”， Exelon可以運行預(yù)測分析并創(chuàng)建可行的情報來解決問題。這項新功能使Exelon 能夠優(yōu)化資產(chǎn)性能，利用維護資源做出更明智的決策并改善資產(chǎn)的可持續(xù)性。

3 大數(shù)據(jù)、機器學(xué)習發(fā)展近況

3.1 一些專家的看法

在2018全球人工智能與機器人峰會上，清華大學(xué)人工智能研究院院長張鈸院士做了題為“走向真正的人工智能”(Towards a Real Artifitial Intelligence)的大會報告，其中提出大數(shù)據(jù)、機器學(xué)習發(fā)展最近所遇到的一些根本問題以及可能的解決方案[5]：

“通過數(shù)據(jù)驅(qū)動建立的系統(tǒng)能不能算是有智能呢？必須打一個很大的問號，就是說你做出來的人臉識別系統(tǒng)甚至識別率會比人還高，但是我們還不能說它有智能，為什么呢？這種通過數(shù)據(jù)驅(qū)動做出來的系統(tǒng)，它的性能跟人類差別非常大，魯棒性很差，很容易受干擾，會發(fā)生重大的錯誤，需要大量的訓(xùn)練樣本……

還有一個辦法就是把數(shù)據(jù)驅(qū)動跟知識驅(qū)動結(jié)合起來。剛才講了，人的智能沒法通過單純的大數(shù)據(jù)學(xué)習把它學(xué)出來，那怎么辦？很簡單，加上知識，讓它有推理的能力，做決策的能力，這樣就能解決突發(fā)事件……”

2018年7月11日紐約時報在標題“Is There a Smarter Path to Artificial Intelligence?”文章中也有類似說法[6]。

加州大學(xué)伯克利分校的教授邁克爾·喬丹(Michael I. Jordan)說：“那里沒有真正的智慧?！?喬丹教授是四月份發(fā)表的一篇論文的作者，論文的目的是緩和圍繞人工智能的崇高期望)。他說“我認為過分相信這些蠻力算法是一種錯誤的信念?！?/p>

“深度學(xué)習算法在一批相關(guān)數(shù)據(jù)(例如人臉圖片)上進行訓(xùn)練，然后再獲取越來越多的數(shù)據(jù)，從而穩(wěn)步提高了軟件的模式匹配精度。盡管這項技術(shù)取得了成功，但結(jié)果在很大程度上僅限于那些擁有大量數(shù)據(jù)集，且任務(wù)定義明確的領(lǐng)域，例如為圖像加卷標或?qū)⒄Z音轉(zhuǎn)換為文本……”

3.2 大數(shù)據(jù)和機器學(xué)習在工業(yè)上的應(yīng)用

對于大數(shù)據(jù)和機器學(xué)習在工業(yè)上的應(yīng)用來說，大多數(shù)時候解決工業(yè)問題使用的是蠻力方法：收集大量數(shù)據(jù)，然后應(yīng)用機器學(xué)習算法尋找到一個模式。這就是Jordan教授在2018年7月11日紐約時報中所說的“蠻力方法”與現(xiàn)實物理世界并無關(guān)系。

因此，提出了我們的方法：數(shù)據(jù)驅(qū)動建模(Data-Driven Modeling)+物理驅(qū)動建模(Physics-Driven Modeling)這和張鈸院士提出的數(shù)據(jù)驅(qū)動與知識驅(qū)動結(jié)合有點類似，在物理世界包括工業(yè)世界的行為依據(jù)物理定律，機器學(xué)習再往前走需要數(shù)據(jù)驅(qū)動建模與物理驅(qū)動建模結(jié)合。

3.3 數(shù)據(jù)驅(qū)動建模與物理驅(qū)動建模介紹

3.3.1 數(shù)據(jù)驅(qū)動建模

數(shù)據(jù)驅(qū)動建模是目前使用大數(shù)據(jù)解決工業(yè)問題普遍使用方法，就是采用大量可用數(shù)據(jù)(大數(shù)據(jù))，使用機器學(xué)習方法依據(jù)這大量數(shù)據(jù)建立模型，一般來說可用數(shù)據(jù)量越大模型越準確。此方法的缺點是模型依據(jù)大量數(shù)據(jù)建立，當遇到數(shù)據(jù)不足狀況時模型便不可靠，一般工業(yè)應(yīng)用大部分是正常運轉(zhuǎn)數(shù)據(jù)，通常非正常運轉(zhuǎn)或緊急狀況運轉(zhuǎn)數(shù)據(jù)不多。而且使用此方法使用者不容易了解所獲得結(jié)果其中的物理意義。

3.3.2 物理驅(qū)動建模

物理驅(qū)動建模就是使用物理、數(shù)學(xué)方程式建立模型，一般來說系統(tǒng)越簡單，對系統(tǒng)相關(guān)物理現(xiàn)象越了解，模型越準確。因為依據(jù)基本物理建成，所以比較有預(yù)測能力。此方法的缺點是當遇到復(fù)雜物理現(xiàn)象和復(fù)雜系統(tǒng)時不容易建立準確模型，而且如果沒有足夠設(shè)計數(shù)據(jù)也不容易建立準確模型。