核電廠電動閘閥外漏故障預(yù)測方法研究

徐仁義， 王航， 彭敏俊， 劉永闊， 鄧強

(1.哈爾濱工程大學(xué) 核安全與先進核能技術(shù)重點實驗室,黑龍江 哈爾濱 150001; 2.工業(yè)和信息化部 核安全與仿真技術(shù)重點學(xué)科實驗室,黑龍江 哈爾濱 150001)

電動閘閥是核電廠應(yīng)用最多且動作頻繁的通用設(shè)備，其主要用于調(diào)節(jié)和控制管路中流體介質(zhì)的流量，由于長時間接觸蒸汽、油品和放射性液體等介質(zhì)，因此隨著服役時間的加長不可避免地會出現(xiàn)老化現(xiàn)象。據(jù)統(tǒng)計，在核電站中電動閘閥等切斷型閥門故障占閥門總故障的1/3左右[1]，因此有必要基于預(yù)測性維護理念研究電動閘閥的故障預(yù)測技術(shù)，計算其剩余使用壽命(remaining useful life，RUL)，從而根據(jù)RUL預(yù)測結(jié)果有針對性地實施維修活動，提高設(shè)備的可靠性和運行的經(jīng)濟性。

學(xué)者們針對設(shè)備的故障預(yù)測技術(shù)進行了大量研究，在研究方法上可以分為3類[2]，第1類是多元統(tǒng)計分析方法，一般是根據(jù)大量運行數(shù)據(jù)將RUL預(yù)測結(jié)果以失效概率的形式呈現(xiàn)，但是，這類方法需要假設(shè)壽命分布，因此與實際情況有較大差距[3]；第2類為機器學(xué)習(xí)方法，由于其預(yù)測過程具有“黑箱”屬性，因此RUL預(yù)測結(jié)果很難被信服；同時，設(shè)備實際運行過程的退化數(shù)據(jù)獲取困難也限制了它的發(fā)展；第3類方法則是基于失效機理的物理模型，其通過構(gòu)建描述設(shè)備失效機理的參數(shù)化數(shù)學(xué)模型，結(jié)合設(shè)備的運行數(shù)據(jù)或經(jīng)驗知識辨識模型參數(shù), 進而基于運行數(shù)據(jù)更新機理模型參數(shù)實現(xiàn)設(shè)備的RUL預(yù)測[4]。常用的參數(shù)識別主要有粒子濾波[5]、卡爾曼濾波[6]等，而目前，應(yīng)用最為廣泛的機理模型是Paris-Forman模型及其變體形式，徐東等[7]利用改進的Paris模型進行了球軸承的壽命預(yù)測。馬波等[8]在改進Paris及Forman公式的基礎(chǔ)上建立了滾動軸承不同退化階段的狀態(tài)空間模型。Chen等[5]將Paris公式融入正則化粒子濾波中，對裂紋進行了疲勞分析。雖然對于一些復(fù)雜設(shè)備難以解析其故障機理，但是一旦建立物理機理模型，準確度相對較高[9]。

本文以電動閘閥的外漏故障為典型退化模式，分析故障后聲發(fā)射信號特征參數(shù)與故障本身之間的非線性關(guān)系，總結(jié)形成故障機理模型，構(gòu)建電動閘閥外漏故障的物理模型，并將其作為粒子濾波(particle filter，PF)的狀態(tài)空間方程。利用粒子群優(yōu)化的粒子濾波故障預(yù)測模型(particle filter optimized by particle swarm optimization，PSO-PF)實現(xiàn)電動閘閥的RUL預(yù)測，通過實驗測試證明，所述方法相較于基本粒子濾波模型、長短時記憶網(wǎng)絡(luò)(long and short term memory network，LSTM)模型具有更高的預(yù)測精度。

1 電動閘閥閥體外漏故障機理分析

1.1 電動閘閥裂紋拓展機理模型

由于運行環(huán)境的特殊性以及長時間高溫高壓介質(zhì)的沖擊等原因，閥門有時會產(chǎn)生裂紋甚至破口，而裂紋一旦產(chǎn)生又會由于繼續(xù)受到?jīng)_擊而不斷延伸擴展，進而影響閥門的密閉性。而在裂紋的拓展過程中，閥門的裂紋穩(wěn)定擴展階段是工程實際中考慮最多的階段，描述此階段的常用方法有Paris模型、Walker模型以及Forman模型。Paris模型表征整體數(shù)據(jù)的均值，不考慮應(yīng)力比的變化。Walker模型考慮了應(yīng)力比的變化，但相關(guān)參數(shù)均需要實驗數(shù)據(jù)擬合來獲得。Forman模型與Walker模型相似，不同之處在于斷裂韌度參數(shù)由實驗或查手冊來獲得。為了避免Walker和Forman模型獲得材料參數(shù)C和m擬合值的困難，且避免實驗獲得的斷裂韌度Kc通常不可靠，本文采取Paris模型研究電動閘閥閥體裂紋擴展過程。在解決實際問題的過程中，Paris公式常常通過差分方程的形式對其進行近似處理：

ak=C(ΔK)mdN+ak-1

(1)

(2)

式中：a為裂紋長度；dN為疲勞載荷間隔；ΔK為應(yīng)力強度因子幅；下標k表示時間；Δσ為應(yīng)力范圍；C和m為材料參數(shù)。

1.2 電動閘閥裂紋拓展的傳感感知

本文通過聲發(fā)射傳感器將難以測量的裂紋長度與實驗獲得的聲發(fā)射信號聯(lián)系起來。由于裂紋拓展造成閥門外漏的模擬是通過在電動閘閥與連接螺絲中間留下縫隙，介質(zhì)從縫隙漏出來實現(xiàn)的。泄漏量的大小可以通過螺絲松緊程度來調(diào)節(jié)，當螺絲擰緊時，沒有發(fā)生泄漏。當螺絲未擰緊時，閥門出現(xiàn)泄漏現(xiàn)象，螺絲越緊，泄漏量越小，反之越大。具體外漏故障件設(shè)置與聲發(fā)射傳感器布置如圖1所示。

當閥門泄漏發(fā)生時，泄漏流體紊流導(dǎo)致產(chǎn)生波動壓力場，從而引發(fā)聲發(fā)射信號，信號通過聲發(fā)射傳感器采集完成。因為聲發(fā)射信號在泄漏孔處的強度最大，且聲發(fā)射傳感器需要安裝在較為平整的位置，因此將聲發(fā)射傳感器安裝圖1所示在電動閘閥閥體底部的平面。

圖1 電動閘閥外漏故障設(shè)置與傳感器布置Fig.1 External leakage fault setting and sensor layout of electric gate valve

在閥門部件表面發(fā)生泄漏時，當泄漏孔的壓力邊界處存在湍流環(huán)境時，流體流動的不穩(wěn)定性導(dǎo)致了流體流動的時間相關(guān)性。此時產(chǎn)生的聲發(fā)射信號為高階聲源釋放彈性波。在Lighthill聲波方程下湍流產(chǎn)生的聲功率為：

Ps=ρv8D2/α5

(3)

式中：v為流體平均湍射流的速度，m/s；α為聲音在測試流體中的傳播速度，m/s；ρ為閥門泄漏孔處的流體密度，kg/m3；D為閥門的公稱直徑，m。在實際閥門流體泄漏時，根據(jù)流體參數(shù)導(dǎo)出聲功率：

(4)

式中：C0是比例常數(shù)；P1為閥門進口壓力，Pa；d為閥門泄漏孔等效直徑，m。

假設(shè)裂紋拓展形狀為寬為單位長度l，長為a的長條矩形，則泄漏孔等效直徑d為：

(5)

聲發(fā)射傳感器測得的聲發(fā)射信號均方根值(root mean square，RMS)的平方與閥門泄漏聲功率Ps成正比，比例系數(shù)設(shè)為β，則二者關(guān)系為：

(6)

2 粒子群優(yōu)化粒子濾波的故障預(yù)測方法

2.1 基于粒子群優(yōu)化的粒子濾波方法

粒子濾波算法是一種基于蒙特卡羅方法實現(xiàn)貝葉斯估計的算法，其通過非參數(shù)化的蒙特卡羅模擬來實現(xiàn)遞推貝葉斯濾波，適用于任何能用狀態(tài)空間模型描述的非線性系統(tǒng)，因此它為電動閘閥外漏故障預(yù)測提供了一種有效的解決方法，粒子濾波的基本理論詳見文獻[10]。但是基本粒子濾波在濾波估計過程中存在粒子退化問題，即隨著粒子迭代次數(shù)的增加，大部分粒子的權(quán)重會變得很小，只有很少的粒子具有較大的權(quán)重。因此為了提高粒子濾波的估計精度，本文利用粒子群算法對重要采樣過程進行迭代優(yōu)化，該優(yōu)化過程在重要采樣過程中引入最新的觀測值，并定義適應(yīng)度函數(shù)為：

(7)

式中：Rk為觀測值噪聲；zNew為最新的觀測值；zPred為預(yù)測觀測值。

粒子群算法通過計算適應(yīng)度將所有的粒子向最優(yōu)粒子移動，如果此時粒子均分布在真實狀態(tài)附近，則每個粒子的適應(yīng)度均很高，反之每個粒子的個體最優(yōu)值和粒子群的局部最優(yōu)值均很低，這說明粒子沒有分布在系統(tǒng)真實狀態(tài)附近。此時，算法通過不斷根據(jù)最優(yōu)值并利用粒子速度、位置更新方程實現(xiàn)粒子狀態(tài)的更新，使粒子不斷向真實狀態(tài)靠近。

(8)

(9)

通過上述移動粒子群向全局最優(yōu)值靠近，可驅(qū)動所有粒子向高似然概率區(qū)域運動，當粒子群的最優(yōu)值符合迭代停止條件時，說明粒子群均已分布在真實狀態(tài)附近，此時再對粒子集利用最新觀測值進行權(quán)值更新并歸一化處理：

(10)

(11)

式中：N為粒子濾波的粒子數(shù)；w為粒子權(quán)值。

為解決粒子退化問題，利用重采樣算法對權(quán)值大的粒子進行復(fù)制和選擇，實現(xiàn)粒子集合的狀態(tài)更新。重采樣后的粒子狀態(tài)為：

(12)

式中x為當前時刻的粒子狀態(tài)。

通過上述的優(yōu)化過程，使得粒子集在權(quán)值更新前更加趨向于高似然區(qū)域，從而改善了粒子退化問題，提高粒子濾波的估計精度。

2.2 電動閘閥外漏故障預(yù)測流程

基于粒子濾波進行電動閘閥外漏故障的預(yù)測時，需要構(gòu)建用于遞推的狀態(tài)空間模型，本文基于電動閘閥閥體外漏故障的機理分析，利用式(1)和式(6)構(gòu)建出狀態(tài)空間模型：

(13)

(14)

式中：uk和vk分別為狀態(tài)噪聲和觀測噪聲；A為系數(shù)。

在狀態(tài)空間模型的基礎(chǔ)上，基于粒子群優(yōu)化粒子濾波的電動閘閥外漏故障預(yù)測流程如下圖2所示，其基本流程為：

1)粒子群和粒子濾波算法的參數(shù)初始化，設(shè)置粒子群算法和粒子濾波算法的粒子數(shù)均為100；

3)粒子重采樣：進行粒子有效粒子數(shù)的計算并將其與所設(shè)閾值Nth進行比較，從而判斷粒子退化情況來決定是否采取重采樣算法。粒子有效值Neff為：

(15)

當Neff

4)對每個粒子的狀態(tài)值依權(quán)重值進行加權(quán)平均計算，估計kp時刻下的裂紋長度。而后將此時的粒子集合全部代入系統(tǒng)狀態(tài)空間模型中進行故障預(yù)測；當達到故障閾值時，選取所有粒子預(yù)測軌跡的中位數(shù)為當前時刻閥門的剩余使用壽命，即故障預(yù)測結(jié)果。下一時刻重復(fù)步驟2)、3)、4)，獲得完整的裂紋長度變化情況以及電動閘閥的故障預(yù)測結(jié)果。

圖2 基于粒子濾波的電動閘閥外漏故障預(yù)測流程Fig.2 Fault prediction flow chart of electric gate valve based on particle filter

3 電動閘閥外漏故障預(yù)測分析

3.1 電動閘閥外漏故障試驗

本研究搭建了電動閘閥外漏故障模擬的試驗臺架，用于研究的電動閘閥型號為Z941H-25P直螺桿型閘閥，閘閥采用法蘭與裝置連接，管道直徑為50 mm，同時為防止主管道全部截斷時導(dǎo)致泵損壞的情況，在泵出口附近安裝了前置泄流閥，可將工質(zhì)直接引回儲水箱，儲水箱為敞口容器，最大蓄水量約3 m3。

圖3 電動閘閥外漏故障試驗臺結(jié)構(gòu)Fig.3 Structure diagram of electric gate valve fault simulation test bench

在數(shù)據(jù)采集過程中，通過聲發(fā)射傳感器獲取閥門正常運行狀態(tài)與閥體外漏狀態(tài)下的信息。聲發(fā)射采集卡的采樣率為5 000 kHz，實驗過程中可以控制的變量為回路的泵頻率和閥門開度，泵頻率通過控制臺經(jīng)變頻器進行調(diào)節(jié)，閥門開度則可直接通過控制臺進行調(diào)節(jié)。實驗共設(shè)計5種泵頻率和8種閥門開度，共計40個閥門運行工況。實驗記錄的聲發(fā)射數(shù)據(jù)包括振鈴計數(shù)、聲發(fā)射信號能量、均方根值以及幅度等。圖4所示為泵頻率35 Hz、閥門開度30%工況下的RMS數(shù)據(jù)變化趨勢：在一定的泵頻率和閥門開度下，隨著泄漏量的增加，RMS值的變化總體呈現(xiàn)出單調(diào)遞增的特性，在泄漏量小于一定值時，RMS值的變化并不明顯，而當泄漏量超過這個值時，RMS值的變化會呈現(xiàn)出明顯的上升趨勢，因此可以得出，通過RMS指標來間接反映電動閘閥外漏故障的退化過程是可行的[11]。

圖4 典型工況下電動閘閥狀態(tài)跟蹤結(jié)果Fig.4 State tracking results of electric gate valve under typical condition

3.2 電動閘閥狀態(tài)跟蹤結(jié)果分析

圖5所示為不同工況下基于粒子濾波的RMS跟蹤變化趨勢，本文選取了4個典型工況，將實驗數(shù)據(jù)RMS值進行提取并作為觀測值代入粒子濾波算法，進而基于粒子濾波狀態(tài)空間模型獲得RMS的濾波值。每個運行工況的實驗條件如表1所示。

表1 電動閘閥典型工況的運行條件

從各個工況下的RMS跟蹤變化趨勢可以看出，基于粒子濾波的電動閘閥外漏故障預(yù)測模型具有很好的跟蹤趨勢，能夠很好地跟蹤電動閘閥的整個退化過程。除此之外，為了定量分析不同工況下粒子濾波跟蹤效果的好壞，本項目選用解釋方差分EVS、均方根誤差RMSE、平均絕對誤差MAE、平均絕對百分比誤差MAPE以及擬合優(yōu)度R2等誤差指標來分析粒子濾波預(yù)測模型的狀態(tài)跟蹤精度，計算結(jié)果如表2所示。

圖5 不同工況下下電動閘閥狀態(tài)跟蹤結(jié)果Fig.5 State tracking results of the electric gate valve under different working conditions

綜合上述評價結(jié)果可以看出：不同工況下的EVS和R2均處于較高水平，說明模型對于實際退化過程的擬合程度相對較好，同時模型對數(shù)據(jù)集波動的解釋程度較好。雖然個別工況下的MAPE值相對較大，但從RMSE和MAE指標上看，不同工況下的均方根誤差和平均絕對誤差均處于較小水平，則可說明模型的跟蹤誤差相對較小，模型具有很好的濾波跟蹤特性。

表2 電動閘閥不同工況下RMS跟蹤結(jié)果誤差比較

3.3 電動閘閥故障預(yù)測結(jié)果分析

電動閘閥的故障預(yù)測即是計算設(shè)備從當前狀態(tài)到達故障閾值時的時間，即設(shè)備當前時刻的剩余使用壽命(remaining useful life，RUL)。圖6為不同工況下電動閘閥剩余使用壽命預(yù)測及裂紋拓展的變化趨勢圖，其中不同工況下電動閘閥外漏故障下的實際退化曲線根據(jù)電動閘閥外漏故障模擬試驗的實驗時間進行線性反演得到?；诹Ｗ訛V波的電動閘閥剩余使用壽命預(yù)測結(jié)果表示裂紋尺寸隨時間的拓展趨勢。由于裂紋在早期階段保持穩(wěn)定，此時退化程度不會明顯降低，因此該階段的裂紋值是恒定的，同時，剩余使用壽命的預(yù)測值與實際結(jié)果基本一致。而在電動閘閥退化過程中，由于測量不確定度的存在，剩余使用壽命預(yù)測值與真實值可能存在誤差，這就解釋了趨勢曲線中存在的較小不匹配。然而，預(yù)測值與真實值的退化曲線始終保持一致。各工況反映了裂紋長度與電動閘閥剩余使用壽命之間的變化關(guān)系，二者之間的反向變化關(guān)系表示當裂紋長度不斷增加，電動閘閥的剩余時間逐漸縮短。

為了定量驗證模型在不同運行工況下的預(yù)測精度，并分析本研究所提方法的有效性，對比分析了所提故障預(yù)測方法與基本粒子濾波模型、長短時記憶網(wǎng)絡(luò)模型故障預(yù)測方法的預(yù)測效果，基于均方根誤差和擬合優(yōu)度的指標評價結(jié)果如表3所示。

表3 不同預(yù)測模型下的電動閘閥RUL預(yù)測誤差比較

從表3的結(jié)果誤差可以看出，對于不同的運行工況，所提PSO-PF方法的預(yù)測誤差較小，預(yù)測精度也明顯大于其他2種方法，模型對數(shù)據(jù)集的解釋程度更好。綜合來看，在不同工況下，通過PSO-PF方法得出的壽命預(yù)測模型能夠較為準確地對電動閘閥外漏故障下的剩余使用壽命進行預(yù)測，因此認為本研究所述方法具有較好的實用性和可行性。

圖6 不同工況下電動閘閥故障預(yù)測結(jié)果Fig.6 Prediction results of electric gate valve failure under different working conditions

4 結(jié)論

1)本文基于Paris模型與聲發(fā)射信號RMS值建立了電動閘閥外漏故障的狀態(tài)空間模型，通過循環(huán)迭代能夠準確表述設(shè)備裂紋的拓展過程。

2)通過粒子群算法優(yōu)化粒子濾波的重要性采樣過程，能夠有效解決粒子退化問題，提高粒子濾波算法的預(yù)測精度。

3)PSO-PF故障預(yù)測方法對電動閘閥外漏故障的預(yù)測性能優(yōu)于基本粒子濾波和長短時記憶網(wǎng)絡(luò)，本研究所提方法具有更好的實用性和可行性。

本文僅對實驗室環(huán)境下的電動閘閥實驗數(shù)據(jù)進行了案例測試，后續(xù)將會考慮核電廠中真實閥門設(shè)備的更多故障工況的驗證，以完善算法的測試工作。