CN113323891B - 基于混合模型的核电站主泵密封故障诊断方法 - Google Patents
基于混合模型的核电站主泵密封故障诊断方法 Download PDFInfo
- Publication number
- CN113323891B CN113323891B CN202110738020.9A CN202110738020A CN113323891B CN 113323891 B CN113323891 B CN 113323891B CN 202110738020 A CN202110738020 A CN 202110738020A CN 113323891 B CN113323891 B CN 113323891B
- Authority
- CN
- China
- Prior art keywords
- main pump
- point
- sealing device
- nuclear
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003745 diagnosis Methods 0.000 title claims abstract description 56
- 230000015556 catabolic process Effects 0.000 claims abstract description 70
- 238000006731 degradation reaction Methods 0.000 claims abstract description 70
- 238000007789 sealing Methods 0.000 claims abstract description 68
- 230000036541 health Effects 0.000 claims abstract description 64
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 230000007797 corrosion Effects 0.000 claims abstract description 9
- 238000005260 corrosion Methods 0.000 claims abstract description 9
- 239000012530 fluid Substances 0.000 claims description 60
- 230000008859 change Effects 0.000 claims description 29
- 238000012544 monitoring process Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 12
- 239000002826 coolant Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims description 3
- 238000005381 potential energy Methods 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 14
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010998 test method Methods 0.000 description 4
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 229910052796 boron Inorganic materials 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000003556 assay Methods 0.000 description 2
- 238000009835 boiling Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 239000004480 active ingredient Substances 0.000 description 1
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0077—Safety measures
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0088—Testing machines
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D29/00—Details, component parts, or accessories
- F04D29/08—Sealings
- F04D29/086—Sealings especially adapted for liquid pumps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明提供一种基于混合模型的核电站主泵密封故障诊断方法,其包括以下步骤:S1、分析核电站主泵密封装置的故障影响因素及机理:核电站主泵的故障影响因素及机理包括腐蚀以及结垢;S2、构建退化点检测模型:将数据库划分为退化点前的数据和退化点后的数据;S3、基于混合模型构建故障诊断模型并进行实时诊断分析;本发明提出了基于混合模型的故障诊断模型方法,其中物理模型的构建有效地将不可被监测的健康指标Sm与可被监测的变量联系起来,使模型具有较好的物理可解释性;数据驱动的模型则提高了模型参数估计的有效性。
Description
技术领域
本发明涉及故障诊断方法领域,具体地涉及一种基于混合模型的核电站主泵密封故障诊断方法。
背景技术
核电作为一种新兴的能源方式,具有着清洁、安全、资源消耗小、运输成本低、发电量稳定等优点。其长期、持续发展对于减少碳排放、优化能源结构有着重要的作用。然而,核电站一旦发生放射性泄漏事故,难以得到有效、快速的处理,将会引发严重的公共安全事件。我国在《中国的能源政策(2012)***》中强调了构建安全、稳定、清洁的现代能源体系的重要性。同时,核电站的投资、设计、制造、运行、维护陈本极高。因而,核电站的稳定运行,是全世界核电发展研究的共同目标。
自1960年起,第二代核电站在世界范围内陆续建成。他们主要分为压水堆(PWR)、沸水反应堆(BWR),先进气冷反应堆(AGR)和Vodo-Vodyanoi Energetichesky反应堆(VVER)等核电机组,通常被称为轻水堆(LWRs)。这些核电站大部分情况下由核反应堆的操作人员对于相关功能进行电机操作,只有少部分安全功能,如压力安全阀,是自动控制、无需操作员进行操控的。压水堆中的冷却剂,或称载热剂,为轻水。其热容和热导率大,熔点低、沸点高,对热和辐射有良好的稳定性,因而使得轻水堆可以有较大的运作功率,使核反应堆占地面积更小、经济效益更高。压水堆核电站共有三级循环回路,其工作过程主要依赖于冷却剂在回路中不断循环以达到散热。在一级回路中,发电机做功带动循环泵,将冷却剂抽取到回路中,以蒸汽的形式将核反应产生的热量通过管壁传输至二级回路。二级回路中的高温蒸汽进入汽轮机,三分之一的能量可以带动发电机进行发电,余下的三分之二则通过冷凝器排除到循环体系外。三回路则是一个开式回路,用于排除无法利用的剩余热量。目前,压水堆核电站技术逐渐成熟,停堆、换料时间逐步缩短,组件也逐渐标准化、系列化,商业应用发展前景向好。
主冷却剂循环泵(简称核主泵)用于推动冷却剂在核反应堆中的流动,是核反应堆中最重要的装置。它主要由电动机、液压部分和密封装置三部分组成。密封装置位于电动机与液压装置之间,将装置漏出的冷却剂收回到***中,以防止其泄漏至外部环境而造成污染和潜在危险。据统计,70%以上的核主泵故障来自于密封装置。一级机械密封装置是一个构件繁多、结构复杂、非线性的***,要想解决该问题,需要对于该装置的故障模式及产生原因进行具体分析,采取有效的检测、诊断方法,并及时向核电站工作人员进行反馈,以便于及时有针对性地开展视情维修。
当前,核电站的安全、高效运行受到人们广泛的关注,其中核主泵一级机械密封装置的故障机理诊断与处理更是亟待解决的问题。然而,由于现有的故障诊断模型,如专家经验模型、物理模型、数据驱动模型等都具有各自的局限性,或是缺乏诊断的准确度,或是可解释性较差、无法反馈到***设计阶段。
发明内容
为了解决上述提到的现有技术的不足,本文提出了一种基于混合模型的核电站主泵密封故障诊断方法,用于对核电站主泵密封故障机理进行诊断并对故障类型及发生时间进行判断,从而能够避免故障的发生。该方法建立在对于核主泵泄漏量数据的分析,主要包括退化点检测、故障机理诊断两个步骤。
具体地,本发明提供一种基于混合模型的核电站主泵密封故障诊断方法,其包括以下步骤:
S1、分析核电站主泵密封装置的故障影响因素及机理:核电站主泵的故障影响因素及机理包括腐蚀以及结垢;
S2、构建退化点检测模型:将数据库划分为退化点前的数据和退化点后的数据;
S21、选择健康状态监测值:确定密封装置输入端温度Tin、密封装置输出端温度Tout、密封装置输入端流量Qin以及密封装置输出端流量Qout为健康状态监测值;
S22、对退化点进行监测,其包括以下子步骤:
S221、确定最佳退化点:当数据点中的某个点同时满足下述两条约束时,则该数据点则为密封装置的退化起始点:
分别对N取不同的值,对于a,b进行遍历计算,对于不同的N的取值,通过与真实退化点进行比较,计算出相应的误差率,从而找出最佳的a值和b值以及对应的N的取值,即为最佳N,a,b的原始数据点即为寻找的退化点;
对平滑后的曲线进行求导处理,画出其导数的图像,以导数的大小为退化点的阈值,对于全部的导数值进行遍历,求出最佳导数阈值,利用该最佳导数阈值反推回退化点,将计算得到的退化点与真实退化点进行比较,计算得到的误差率;
S3、基于混合模型构建故障诊断模型并进行实时诊断分析:
S31、构建故障诊断模型,其包括如下子步骤:
S311、构建不考虑温度调节下的故障诊断模型:
根据伯努利方程:
式中,p为流体中某点的压强,v为流体该点的流速,ρ为流体密度,g为重力加速度,h为该点所在高度;
根据上式,忽略流体的势能影响,得到:
根据流量等于流体速度乘截面积,得到:
Q=v·S (5)
式中,Q为流体该点的流量,v为流体该点的流速,S为该点的横截面积;
根据稳定流动公式,得到:
式中,Q为流体该点的流量,μ为一个常数系数,S为流通面积,P1为流体前端的压力值,P2为流体后端的压力值,ρ为流体的密度;
S312、得到不考虑温度变化条件时的模型如下:
在核主泵输入端,得到:
式中,Pin为核主泵一级密封装置管道输入端的压强,ρ为核主泵一级密封装置管道中流体的密度,Vin为核主泵一级密封装置管道输入端的流体速度,Cin为一个常数;
在核主泵输出端,得到:
式中,Pout为核主泵一级密封装置管道输出端的压强,ρ为核主泵一级密封装置管道中流体的密度,Vin为核主泵一级密封装置管道输出端的流体速度,Cout为一个常数;
将式(5)、式(7)、式(8)带入式(6),得到:
式中,Sm为核主泵一级密封装置管道的横截面积,Qm为流过管道的总流量,μ为一个常数系数,Cout为核主泵一级密封装置管道输出端常数,Cin为核主泵一级密封装置管道输入端常数,vin为核主泵一级密封装置管道输入端的流体速度,vout为核主泵一级密封装置管道输出端的流体速度,Qin为核主泵一级密封装置管道输入端的流量,Qout为核主泵一级密封装置管道输出端的流量;
其中,为了简化表达,用C0,C1,C2,C3代表相对应的参数,则最终不考虑温度变化条件下的故障诊断模型为:
S313、构建考虑温度变化条件的故障诊断模型:
由Peng-Robinson方程得到压力与温度成正比,即:
P=kT (11)
式中,P为流体的压强,k为一常数系数,T为流体的温度;
对于核主泵输入端,用pins代表一标准压力值,用Tins代表一标准温度值,对等式两边进行去量纲处理,有:
式中,pin为输入端的压强,pins为一标准压力值,k为一常数系数,Tin为输入端的温度,Tins为一标准温度值;
对于核主泵输出端,用pouts代表一标准压力值,用Tout代表一标准温度值,对等式两边进行去量纲处理,得到:
式中,pout为核主泵输出端的压强,Pouts为一标准压力值,k为一常数系数,Touts为输出端的温度,为一标准温度值,
在不考虑温度变化条件的故障诊断模型中,输入端压强pin看作模型中的标准量pins,将式(7)带入式(12),得到:
变形后可得:
对于核主泵输出端有:
将式(15)、式(16)带入式(9)得到:
为简化计算,引入参数:
得到最终的考虑温度变化条件的故障诊断模型为:
S32、计算参数量级;
S33、对参数进行优化;
S34、计算健康指标Sm随时间变化的序列;
S35、对得到的健康指标Sm的曲线变化趋势上升或下降做出判断;
S36、对步骤S35计算得到的健康指标Sm进行实时诊断分析,得到最早发生故障的时间点。
优选地,步骤S32具体包括以下步骤:
计算参数量级:在进行遍历前,对参数的量级进行推导,
得到四个参数的表达式分别为:
根据伯努利定理,在输出端和输入端的常数系数相同:
即:
Cin≈Cout (24)
标准温度下:
Tins≈Touts (25)
所以:
C1≈C2 (26)
因为:
Sin>>Sout (27)
取经验值为:
Sin=10Sout (28)
所以:
C3>>C4 (29)
将C4设定为标准值:
C4=1 (30)
则:
C3=100 (31)
C2与C3的比值表达为:
其中:
根据实际操作得到输入端压力值pin,输出端压力值pout,温度T,流体流速v以及冷却剂密度ρ,对输入端流量Qin,输出端流量Qout取代表值,带入式(33)中,计算出C1、C2、C3、C4四个参数的量级。
优选地,步骤S33具体包括以下子步骤:
S331、选取退化点前的数据,带入每时刻的监测得到的健康状态数据Tin,Qin,Tout,Qout,以及随机生成参数C1、C2、C3、C4到式(18)中,得到一系列健康指标Sm的值;
S332、对一系列产生的Sm的值进行方差运算,通过方差最小值进行约束,求得最佳的参数C1、C2、C3、C4的值作为优化后参数。
优选地,步骤S34中计算健康指标的具体步骤如下:
将实际监测得到的健康状态数据Tin,Qin,Tout,Qout和步骤S6中参数优化中得到的C1、C2、C3、C4的结果带入到式(18)中,得到健康指标Sm随时间变化的序列;
优选地,步骤S35具体如下:根据步骤S34得到的健康指标Sm随时间变化的序列进行变化趋势判断,从而对故障进行诊断,当健康指标Sm呈现变大的趋势时,则发生的故障模式为腐蚀;当健康指标Sm呈现变小的趋势时,则发生的故障模式为结垢;
步骤S35中健康指标Sm随时间变化的序列进行变化趋势判断包括以下三种方法:分别为斜率法、Cox-Stuart检测法和Mann-Kendall检测法。
优选地,步骤S35中利用Mann-Kendall检测法对健康指标Sm曲线的变化趋势进行判断,其具体包括以下步骤:
S351、将数据按照采集时间进行排序,得到一个时序数列,计为x1,x2,...,xn,取1<k<j<n,确定所有xj-xk的差值的正负;
S352、令sgn(xj-xk)作为指示函数,xj-xk为正时计为1,xj-xk为负时计为-1,xj与xk相等时计为0,计算即差值为正的数量减去差值为负的数量,如果S的计算结果是一个正数,则后一部分的观测值相比之前的观测值会趋向于变大,反之则趋于变小;
计算S的方差公式如下式所示:
VAR(S)=n(n-1)(2n+5)/18 (34)
S353、测试上面的H0与Ha,其1型错误率为α,0<α<0.5,如果|ZMK|≥Z1-α,则拒绝零假设H0,接受替代假设Ha。
优选地,步骤S2中退化点前的数据即为发生故障前的正常数据,其用于核电站主泵密封装置泄漏量的建模分析;退化点后的数据即为发生故障后的异常数据,其用于核电站主泵密封装置故障机理诊断。
优选地,步骤S36中,对于计算得到的健康指标Sm值,从某一点起,每增加一个数据点,利用三种方法各自对曲线趋势进行一次判断,并标注出该点位置,判断的结果是上升、不变或者下降,当三种方法的判断结果相同且长时间保持一致时,即判断该点为最早正确进行故障机理诊断的时间点。
与现有技术相比,本发明具有以下有益效果:
(1)本发明基于对核主泵一级机械密封装置的结构及其故障影响因素、故障机理的分析,得出其主要的两种故障机理为腐蚀和结垢,并基于这些故障因素建立相关预测模型。
(2)本发明提出了两种数据驱动的退化点检测方法,对退化点进行预测,并且两种退化点监测的方法都具有较高的准确性,并且方法简单、可操作性强。
(3)本发明提出了基于混合模型的故障诊断模型方法,其中物理模型的构建有效地将不可被监测的健康指标Sm与可被监测的变量联系起来,使模型具有较好的物理可解释性;数据驱动的模型则提高了模型参数估计的有效性。
附图说明
图1为本发明的方法流程示意图;
图2为本发明的核主泵一级密封故障诊断简化模型;
图3为本发明的实施例中输出端流量Qout的原始数据示意图;
图4为本发明的实施例中n=55时,对a,b进行遍历求解最优值图像示意图;
图5为本发明的实施例中均值拟合后曲线示意图;
图6为本发明的实施例中第二次均值拟合后曲线示意图;
图7为本发明的实施例中十点均值拟合图像导数图;
图8为本发明的实施例中导数最佳阈值求解图像示意图;
图9为本发明的实施例中参数优化后得到的Sm曲线示意图;
图10a-图10f分别为本实施例中1-6号泵趋势判断结果示意图。
具体实施方式
以下将参考附图详细说明本发明的示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
具体地,本发明提供一种基于混合模型的核电站主泵密封故障诊断方法,如图1及图2所示,其包括以下步骤:
S1、分析核电站主泵密封装置的故障影响因素及机理:核电站主泵的故障影响因素及机理包括腐蚀以及结垢;
S2、构建退化点检测模型:将数据库划分为退化点前的数据和退化点后的数据;
S21、选择健康状态监测值:确定密封装置输入端温度Tin、密封装置输出端温度Tout、密封装置输入端流量Qin以及密封装置输出端流量Qout为健康状态监测值;
S22、对退化点进行监测,其包括以下子步骤:
S221、确定最佳退化点:当数据点中的某个点同时满足下述两条约束时,则该数据点则为密封装置的退化起始点:
分别对N取不同的值,对于a,b进行遍历计算,对于不同的N的取值,通过与真实退化点进行比较,计算出相应的误差率,从而找出最佳的a值和b值以及对应的N的取值,即为最佳N,a,b的原始数据点即为寻找的退化点;
对平滑后的曲线进行求导处理,画出其导数的图像,以导数的大小为退化点的阈值,对于全部的导数值进行遍历,求出最佳导数阈值,利用该最佳导数阈值反推回退化点,将计算得到的退化点与真实退化点进行比较,计算得到的误差率;
S3、基于混合模型构建故障诊断模型并进行实时诊断分析:
S31、构建故障诊断模型,其包括如下子步骤:
S311、构建不考虑温度调节下的故障诊断模型:
根据伯努利方程:
式中,p为流体中某点的压强,v为流体该点的流速,ρ为流体密度,g为重力加速度,h为该点所在高度;
根据上式,忽略流体的势能影响,得到:
根据流量等于流体速度乘截面积,得到:
Q=v·S (5)
式中,Q为流体该点的流量,v为流体该点的流速,S为该点的横截面积;
根据稳定流动公式,得到:
式中,Q为流体该点的流量,μ为一个常数系数,S为流通面积,P1为流体前端的压力值,P2为流体后端的压力值,ρ为流体的密度;
S312、得到不考虑温度变化条件时的模型如下:
在核主泵输入端,得到:
式中,Pin为核主泵一级密封装置管道输入端的压强,ρ为核主泵一级密封装置管道中流体的密度,Vin为核主泵一级密封装置管道输入端的流体速度,Cin为一个常数;
在核主泵输出端,得到:
式中,Pout为核主泵一级密封装置管道输出端的压强,ρ为核主泵一级密封装置管道中流体的密度,Vin为核主泵一级密封装置管道输出端的流体速度,Cout为一个常数;
将式(5)、式(7)、式(8)带入式(6),得到:
式中,Sm为核主泵一级密封装置管道的横截面积,Qm为流过管道的总流量,μ为一个常数系数,Cout为核主泵一级密封装置管道输出端常数,Cin为核主泵一级密封装置管道输入端常数,vin为核主泵一级密封装置管道输入端的流体速度,vout为核主泵一级密封装置管道输出端的流体速度,Qin为核主泵一级密封装置管道输入端的流量,Qout为核主泵一级密封装置管道输出端的流量;
其中,为了简化表达,用C0,C1,C2,C3代表相对应的参数,则最终不考虑温度变化条件下的故障诊断模型为:
S313、构建考虑温度变化条件的故障诊断模型:
由Peng-Robinson方程得到压力与温度成正比,即:
P=kT (11)
式中,P为流体的压强,k为一常数系数,T为流体的温度;
对于核主泵输入端,用pins代表一标准压力值,用Tins代表一标准温度值,对等式两边进行去量纲处理,有:
式中,pin为输入端的压强,pins为一标准压力值,k为一常数系数,Tin为输入端的温度,Tins为一标准温度值;
对于核主泵输出端,用pouts代表一标准压力值,用Tout代表一标准温度值,对等式两边进行去量纲处理,得到:
式中,pout为核主泵输出端的压强,Pouts为一标准压力值,k为一常数系数,Touts为输出端的温度,为一标准温度值,
在不考虑温度变化条件的故障诊断模型中,输入端压强pin看作模型中的标准量pins,将式(7)带入式(12),得到:
变形后可得:
对于核主泵输出端有:
将式(15)、式(16)带入式(9)得到:
为简化计算,引入参数:
得到最终的考虑温度变化条件的故障诊断模型为:
S32、计算参数量级;
S33、对参数进行优化;
S34、计算健康指标Sm随时间变化的序列;
S35、对得到的健康指标Sm的曲线变化趋势上升或下降做出判断;
S36、对步骤S35计算得到的健康指标Sm进行实时诊断分析,得到最早发生故障的时间点。
优选地,步骤S32具体包括以下步骤:
计算参数量级:在进行遍历前,对参数的量级进行推导,
得到四个参数的表达式分别为:
根据伯努利定理,在输出端和输入端的常数系数相同:
即:
Cin≈Cout (24)
标准温度下:
Tins≈Touts (25)
所以:
C1≈C2 (26)
因为:
Sin>>Sout (27)
取经验值为:
Sin=10Sout (28)
所以:
C3>>C4(29)
将C4设定为标准值:
C4=1 (30)
则:
C3=100 (31)
C2与C3的比值表达为:
其中:
根据实际操作得到输入端压力值pin,输出端压力值pout,温度T,流体流速v以及冷却剂密度p,对输入端流量Qin,输出端流量Qout取代表值,带入式(33)中,计算出C1、C2、C3、C4四个参数的量级。
优选地,步骤S33具体包括以下子步骤:
S331、选取退化点前的数据,带入每时刻的监测得到的健康状态数据Tin,Qin,Tout,Qout,以及随机生成参数C1、C2、C3、C4到式(18)中,得到一系列健康指标Sm的值;
S332、对一系列产生的Sm的值进行方差运算,通过方差最小值进行约束,求得最佳的参数C1、C2、C3、C4的值作为优化后参数。
优选地,步骤S34中计算健康指标的具体步骤如下:
将实际监测得到的健康状态数据Tin,Qin,Tout,Qout和步骤S6中参数优化中得到的C1、C2、C3、C4的结果带入到式(18)中,得到健康指标Sm随时间变化的序列;
优选地,步骤S35具体如下:根据步骤S34得到的健康指标Sm随时间变化的序列进行变化趋势判断,从而对故障进行诊断,当健康指标Sm呈现变大的趋势时,则发生的故障模式为腐蚀;当健康指标Sm呈现变小的趋势时,则发生的故障模式为结垢;
步骤S35中健康指标Sm随时间变化的序列进行变化趋势判断包括以下三种方法:分别为斜率法、Cox-Stuart检测法和Mann-Kendall检测法。
优选地,步骤S35中利用Mann-Kendall检测法对健康指标Sm曲线的变化趋势进行判断,其具体包括以下步骤:
S351、将数据按照采集时间进行排序,得到一个时序数列,计为x1,x2,...,xn,取1<k<j<n,确定所有xj-xk的差值的正负;
S352、令sgn(xj-xk)作为指示函数,xj-xk为正时计为1,xj-xk为负时计为-1,xj与xk相等时计为0,计算即差值为正的数量减去差值为负的数量,如果S的计算结果是一个正数,则后一部分的观测值相比之前的观测值会趋向于变大,反之则趋于变小;
计算S的方差公式如下式所示:
VAR(S)=n(n-1)(2n+5)/18 (34)
S353、测试上面的H0与Ha,其1型错误率为α,0<α<0.5,如果|ZMK|≥Z1-α,则拒绝零假设H0,接受替代假设Ha。
优选地,步骤S2中退化点前的数据即为发生故障前的正常数据,其用于核电站主泵密封装置泄漏量的建模分析;退化点后的数据即为发生故障后的异常数据,其用于核电站主泵密封装置故障机理诊断。
优选地,步骤S36中,对于计算得到的健康指标Sm值,从某一点起,每增加一个数据点,利用三种方法各自对曲线趋势进行一次判断,并标注出该点位置,判断的结果是上升、不变或者下降,当三种方法的判断结果相同且长时间保持一致时,即判断该点为最早正确进行故障机理诊断的时间点。
具体实施例
本实施例中使用的核主泵一级机械密封装置的实际监测数据。这些核主泵都是功率为1300MWe PWR的压水堆核反应堆,其中每个回路由四个基本回路组成,而每个基本回路由反应堆、管道、蒸汽机、核主泵组成。在一回路中,含硼水流过核主泵,循环流动在回路中。因而,核主泵可以看作含硼水循环***的加速器,旨在推动巨大流量(可达20000m3/h)的含硼水克服压降。该反应堆使用的核主泵为螺旋离心型核主泵,具有单级垂直轴,带有旋转接头装置来控制泄漏,由液压部分(蜗壳,叶轮,扩散器和导水装置)、热障、导向轴承和旋转装置组成关节。核主泵的机械密封装置则是其中最为精密的部件。其一级机械密封为是一种流体动力型密封件,其端面设计成具有恒定的游隙,因此可控制泄漏量的大小。它由与轴一体的旋转环(静环)和安装在壳体中的浮动环(动环)组成。不具有弹簧装置。其构成材料为不锈钢环和用于覆盖活性成分的氧化铝。在实际操作中,界面间隙约为0.01毫米。其二级机械密封和三级机械密封则是带有弹簧支撑的摩擦碳环结构的装置。
在本实施例中,共选取了核反应堆中六个核主泵的数据。对于每个核主泵,按照时序检测并记录了其工作过程中四个指标,分别是核主泵一级机械密封装置输入端的温度Tin,输入端的流量Qin,输出端的温度Tout,输出端的流量Qout。对于每个核主泵,在其技术报告中给出了对应的真实退化点及其真实的故障模式,用于本实施例中退化点检测的参考以及故障诊断结果是否准确的参照。
退化点检测
根据前述分析,选择核主泵一级机械密封装置输出端的流量Qout适合作为本实施例退化点检测的检测值。将六个泵的输出端流量Qout的值带入到两种退化点检测方法中进行计算,并与技术报告中给出的真实退化点进行比较,选择出较优的退化点检测方法。输出端流量Qout的原始数据如图3所示:
(1)N点均值检测方法
根据前述分析,将六个核主泵输出端流量Qout的全部N个数据点计为Q1,Q2,...,Qi,...,QN,令分别对n取不同的值,并对于a,b进行遍历计算。此处分别取N=10、15、20、25、30、35、40、45、50、55、60,对a,b进行遍历,寻找与真实值相比误差率最低的数据点作为最优值。以n=55为例,得到遍历求解最优值图像如图4所示。
将该检测方法的检测结果与六个泵在技术报告中退化点的真实值作比较,可以得到如表1所示误差率结果:
表1n取值不同时得到的a,b最优解
N | a | b | 误差率 |
10 | 1.143 | 1.096 | 84.0% |
15 | 1.161 | 1.096 | 81.8% |
20 | 1.107 | 1.257 | 80.3% |
25 | 1.074 | 1.284 | 51.5% |
30 | 1.079 | 1.252 | 44.7% |
35 | 1.115 | 1.176 | 26.5% |
40 | 1.101 | 1.194 | 22.1% |
45 | 1.129 | 1.153 | 16.4% |
50 | 1.122 | 1.103 | 11.8% |
55 | 1.122 | 1.126 | 11.7% |
60 | 1.128 | 1.103 | 11.9% |
其中N=55,a=1.122,b=1.126时,得到的误差率最低,各个泵的检测误差率具体值如表2所示:
表255点平均值得到各个泵的检测误差率
泵号 | 真实值 | n点平均检测值 | 均值检测相对误差 |
1 | 1900 | 1969 | 3.6% |
2 | 2000 | 2037 | 1.8% |
3 | 650 | 661 | 1.7% |
4 | 950 | 945 | 0.5% |
5 | 450 | 458 | 1.8% |
6 | 450 | 460 | 2.2% |
(2)均值曲线检测方法
根据均值思想,对于从第n个点开始的数据点Qt,n,取该点与前n-1个点的平均值代表该点数据,以保证曲线不会受到个别离群点的干扰。此处我们取n=10进行第一次均值拟合,得到第一次拟合后的曲线如图5所示:
接下来对该数据进行多项式拟合,再次消除个别点的干扰。得到如下图所示的第二次拟合后的曲线如图6所示:
根据前述分析可知,真实突变值后伴随着曲线斜率的大幅增加。对二次拟合后的图像进行求导。结果如图7所示:
由图可以观察到,前100个数据点并不稳定,会对整体分析造成影响。因而去除前100个数据点后,再在Python程序中对导数值进行遍历,求得导数的最佳阈值为0.516。如图8所示:
将该检测方法的检测结果与六个泵在技术报告中退化点的真实值作比较,如表3所示:
表3核电站主泵轴封泄漏量变点检测结果:均值曲线拟合方法
根据检测结果可知,两种方法得到的误差率都比较低,效果很好。其中均值曲线拟合检测方法得到的六个泵的误差率普遍小于N点均值检测方法得到的误差率,因而均值曲线拟合检测方法较优于N点均值检测方法。
故障模式诊断
根据前述分析,基于混合模型的故障故障诊断模型建立共分为六个步骤,分别是物理模型构建、参数量级计算、参数优化、健康指标计算、曲线趋势判断和实时诊断分析。现带入六个泵在技术报告中的数据进行分析和验证。
物理模型构建
根据前述分析,得到健康指标Sm的物理模型为下式:
本案例中使用这一模型作为分析基础。公式中,输入端温度Tin,输入端流量Qin,输出端温度Tout,输出端流量Qout使用的是六个泵在报告中给出的的实际监测值。
参数量级计算
根据前述分析,已知将C4设定为标准值,C4=1,C3=100,C1≈C2。
带入实际现场数据,以求得C1、C2、C3、C4的数量级。现场得到的实际数据为:
pin=15.5MPa
T=321℃
v=16m/s
pout=0.21MPa
ρ=1×103kg/m3
取Qout的平均值大约为:
带入式(22)中,可得:
计算后得到得到C1、C2、C3、C4的数量级约为:
C1=5.8×10-7
C2=5.8×10-7
C3=100
C4=1
参数优化结果
根据推得的C1、C2、C3、C4的数量级范围,将参数带入Python中进行初始值范围限定并进行优化。得到的实际参数如表4所示:
表4参数优化结果
泵号 | C<sub>1</sub> | C<sub>2</sub> | C<sub>3</sub> | C<sub>4</sub> |
1 | 9.3439×10<sup>-5</sup> | 7.4205×10<sup>-5</sup> | 119.9993 | 1 |
2 | 4.4452×10<sup>-5</sup> | 7.1026×10<sup>-5</sup> | 119.9998 | 1 |
3 | 3.6760×10<sup>-5</sup> | 1.0548×10<sup>-5</sup> | 119.9990 | 1 |
4 | 1.0017×10<sup>-4</sup> | 2.1146×10<sup>-5</sup> | 119.9989 | 1 |
5 | 1.2932×10<sup>-4</sup> | 2.5172×10<sup>-5</sup> | 119.9982 | 1 |
6 | 5.5493×10<sup>-5</sup> | 9.4066×10<sup>-6</sup> | 119.9994 | 1 |
健康指标计算
从上一步骤中参数优化的实际结果可以得到,对于每个泵,其参数优化结果都有一定程度的的不同。因而在健康指标Sm计算过程中,对于每个泵,使用了其自身的参数值C1、C2、C3、C4。对于每一个泵,带入技术报告中给出的对于其一级机械密封装置输入端温度Tin,输入端流量Qin,输出端温度Tout,输出端流量Qout的健康监测数据,并带入计算得到的C1、C2、C3、C4。画出的健康指标Sm曲线如图9所示:
通过图像可以看出,对于1号泵、2号泵,其健康指标Sm呈现上升的趋势,说明其横截面积Sm不断增大,出现的故障模式为腐蚀;对于3号泵、4号泵、5号泵、6号泵,其健康指标Sm呈现下降的趋势,说明其横截面积Sm不断减小,出现的故障模式为结垢。
曲线趋势判断
通过斜率法、Cox-Stuart检测法和Mann-Kendall检测法对健康指标Sm曲线的变化趋势进行判断,并将判断的结果与技术报告中给出的真实故障机理对应的趋势进行比较,得到的结果如表5所示:
表5曲线变化趋势检测结果
由该表可知,三种方法中,准确率最高的方法Cox-Stuart检测方法,对于六个泵的趋势检测都判断正确。因而在实际的故障诊断过程中,可以选用该方法作为最终的判断方法。
实时诊断分析
为了进行实时诊断分析,根据前述分析,对六个泵计算得到的健康指标Sm从第20个点开始,每增加一个数据点,进行一次趋势判断分析。得到的判断结果如图10a至图10f所示。
由图可得,六个泵的趋势判断一致的点分别为第456个数据点、第430个数据点、第389个数据点、第484个数据点、第401个数据点、第191个数据点。因而可以得到结论为,大多数情况下,在第500个数据点前即可得到正确的健康指标Sm的变化趋势判断,即在此之后可以对核主泵的故障模式做出正确的判断。
在本次案例分析中,主要对于六个核主泵的一级机械密封装置进行了退化点检测分析和故障机理分析。在退化点检测分析中,与技术报告中给出的真实退化点数据相比,应用N点均值检测方法时,得到n=55,a=1.122,b=1.126时监测的误差值最低;应用均值曲线方法时,得到的斜率最佳阈值为0.516,此时检测的误差值最低。对比两种方法,均值曲线方法的误差率低于N点均值方法,更加适合使用在实际的核电站退化点检测应用中。
在故障模式诊断分析过程中,首先将前文推断得出的物理模型应用于六个核主泵的中,并且带入了六个泵在技术报告中的实际健康监测数据:输入端温度Tin,输入端流量Qin,输出端温度Tout,输出端流量Qout进行分析。在参数量级计算的步骤,代入了实际工作环境中得到的参数值,算出了C1、C2、C3、C4四个参数的量级。接下来根据推得的C1、C2、C3、C4的量级范围,将参数带入Python中进行初始值范围限定并进行优化,得到了实际参数值。再带入健康指标Sm的计算公式,得到了其随时间变化的退化曲线。接下来使用了斜率法、Cox-Stuart检测法和Mann-Kendall检测法对健康指标Sm曲线的变化趋势进行判断,与技术报告中给出的结果进行比较。最终得到判断准确率最高的方法为Cox-Stuart检测方法。通过实时诊断分析,得出在第500个数据点之后,一般可以对核主泵健康指标Sm的趋势做出正确的判断,从而正确判断其故障机理。
从案例分析的结果来看,该方法中的退化点检测方法有效地检测到了核主泵一级机械密封装置的退化点,且准确率较高。在实际的应用场景中,这对于工业中及时发现核主泵的退化点,尽早采取相对应措施有着重要的意义。且该方法操作简单,原理易懂,具有很好的工程应用性。对于基于混合模型的故障诊断方法而言,其正确地判断了核主泵的故障机理,并对于实时应用的场景做出了探究。它有效地将不可被监测的健康指标Sm与可被监测到的健康数据Tin,Qin,Tout,Qout联系起来,同时兼顾了模型物理意义的可解释性与数据方法的高准确性和快速性,具有实际工程意义。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于混合模型的核电站主泵密封故障诊断方法,其特征在于:其包括以下步骤:
S1、分析核电站主泵密封装置的故障影响因素及机理:核电站主泵的故障影响因素及机理包括腐蚀以及结垢;
S2、构建退化点检测模型并对退化点进行监测,将数据库划分为退化点前的数据和退化点后的数据;
S3、基于混合模型构建故障诊断模型并进行实时诊断分析:
S31、构建故障诊断模型,其包括如下子步骤:
S311、构建不考虑温度调节下的故障诊断模型:
根据伯努利方程:
式中,p为流体中某点的压强,v为流体该点的流速,ρ为流体密度,g为重力加速度,h为该点所在高度;
根据上式,忽略流体的势能影响,得到:
根据流量等于流体速度乘截面积,得到:
Q=v·S (5)
式中,Q为流体该点的流量,v为流体该点的流速,S为该点的横截面积;
根据稳定流动公式,得到:
式中,Q为流体该点的流量,μ为一个常数系数,S为流通面积,P1为流体前端的压力值,P2为流体后端的压力值,ρ为流体的密度;
S312、得到不考虑温度变化条件时的模型如下:
在核主泵输入端,得到:
式中,Pin为核主泵一级密封装置管道输入端的压强,ρ为核主泵一级密封装置管道中流体的密度,Vin为核主泵一级密封装置管道输入端的流体速度,Cin为一个常数;
在核主泵输出端,得到:
式中,Pout为核主泵一级密封装置管道输出端的压强,ρ为核主泵一级密封装置管道中流体的密度,vout为核主泵一级密封装置管道输出端的流体速度,Cout为一个常数;
将式(5)、式(7)、式(8)带入式(6),得到:
式中,Sm为核主泵一级密封装置管道的横截面积,Qm为流过管道的总流量,μ为一个常数系数,Cout为核主泵一级密封装置管道输出端常数,Cin为核主泵一级密封装置管道输入端常数,voin为核主泵一级密封装置管道输入端的流体速度,vout为核主泵一级密封装置管道输出端的流体速度,Qin为核主泵一级密封装置管道输入端的流量,Qout为核主泵一级密封装置管道输出端的流量,Sin为核主泵一级密封装置管道输入端的横截面积,Sout为核主泵一级密封装置管道输出端的横截面积;
其中,为了简化表达,用C0,C01,C02,C03对应的参数,则最终不考虑温度变化条件下的故障诊断模型为:
S313、构建考虑温度变化条件的故障诊断模型:
由Peng-Robinson方程得到压力与温度成正比,即:
P=kT (11)
式中,P为流体的压强,k为一常数系数,T为流体的温度;
对于核主泵输入端,用pins代表一标准压力值,用Tins代表一标准温度值,对等式两边进行去量纲处理,有:
式中,pin为输入端的压强,pins为一标准压力值,k为一常数系数,Tin为输入端的温度,Tins为一标准温度值;
对于核主泵输出端,用pouts代表一标准压力值,用Touts代表一标准温度值,对等式两边进行去量纲处理,得到:
式中,pout为核主泵输出端的压强,pouts为一标准压力值,k为一常数系数,Tout为输出端的温度,Touts为一标准温度值,
在不考虑温度变化条件的故障诊断模型中,输入端压强pin看作模型中的标准量pins,将式(7)带入式(12),得到:
变形后可得:
对于核主泵输出端有:
将式(15)、式(16)带入式(9)得到:
为简化计算,引入参数:
得到最终的考虑温度变化条件的故障诊断模型为:
S32、计算参数量级;
S33、对参数进行优化;
S34、计算健康指标Sm随时间变化的序列;
S35、对得到的健康指标Sm的曲线变化趋势上升或下降做出判断;
S36、对步骤S35计算得到的健康指标Sm进行实时诊断分析,得到最早发生故障的时间点。
2.根据权利要求1所述的基于混合模型的核电站主泵密封故障诊断方法,其特征在于:步骤S2具体包括以下步骤:
S21、选择健康状态监测值:确定密封装置输入端温度Tin、密封装置输出端温度Tout、密封装置输入端流量Qin以及密封装置输出端流量Qout为健康状态监测值;
S22、对退化点进行监测,其包括以下子步骤:
S221、根据步骤S21中的健康状态监测值确定最佳退化点:当数据点中的某个点同时满足下述两条约束时,则该数据点则为密封装置的退化起始点:
分别对N取不同的值,对于a,b进行遍历计算,对于不同的N的取值,通过与真实退化点进行比较,计算出相应的误差率,从而找出最佳的a值和b值以及对应的N的取值,即为最佳N,a,b的原始数据点即为寻找的退化点;
对平滑后的曲线进行求导处理,画出其导数的图像,以导数的大小为退化点的阈值,对于全部的导数值进行遍历,求出最佳导数阈值,利用该最佳导数阈值反推回退化点,将计算得到的退化点与真实退化点进行比较,计算得到的误差率。
3.根据权利要求1所述的基于混合模型的核电站主泵密封故障诊断方法,其特征在于:步骤S32具体包括以下步骤:
计算参数量级:在进行遍历前,对参数的量级进行推导,
得到四个参数的表达式分别为:
根据伯努利定理,在输出端和输入端的常数系数相同:
即:
Cin≈Cout (24)
标准温度下:
Tins≈Touts (25)
所以:
C1≈C2 (26)
因为:
Sin>>Sout (27)
取经验值为:
Sin=10Sout (28)
所以:
C3>>C4 (29)
将C4设定为标准值:
C4=1 (30)
则:
C3=100 (31)
C2与C3的比值表达为:
其中:
根据实际操作得到输入端压力值pin,输出端压力值pout,温度T,流体流速v以及冷却剂密度ρ,对输入端流量Qin,输出端流量Qout取代表值,带入式(33)中,计算出C1、C2、C3、C4四个参数的量级。
4.根据权利要求3所述的基于混合模型的核电站主泵密封故障诊断方法,其特征在于:步骤S33具体包括以下子步骤:
S331、选取退化点前的数据,带入每时刻的监测得到的健康状态数据Tin,Qin,Tout,Qout,以及随机生成参数C1、C2、C3、C4到式(18)中,得到一系列健康指标Sm的值;
S332、对一系列产生的Sm的值进行方差运算,通过方差最小值进行约束,求得最佳的参数C1、C2、C3、C4的值作为优化后参数。
5.根据权利要求3所述的基于混合模型的核电站主泵密封故障诊断方法,其特征在于:步骤S34中计算健康指标的具体步骤如下:
将实际监测得到的健康状态数据Tin,Qin,Tout,Qout和步骤S33中参数优化中得到的C1、C2、C3、C4的结果带入到式(18)中,得到健康指标Sm随时间变化的序列。
6.根据权利要求3所述的基于混合模型的核电站主泵密封故障诊断方法,其特征在于:步骤S35具体如下:根据步骤S34得到的健康指标Sm随时间变化的序列进行变化趋势判断,从而对故障进行诊断,当健康指标Sm呈现变大的趋势时,则发生的故障模式为腐蚀;当健康指标Sm呈现变小的趋势时,则发生的故障模式为结垢;
步骤S35中健康指标Sm随时间变化的序列进行变化趋势判断包括以下三种方法:分别为斜率法、Cox-Stuart检测法和Mann-Kendall检测法。
7.根据权利要求6所述的基于混合模型的核电站主泵密封故障诊断方法,其特征在于:
步骤S35中利用Mann-Kendall检测法对健康指标Sm曲线的变化趋势进行判断,其具体包括以下步骤:
S351、将数据按照采集时间进行排序,得到一个时序数列,计为x1,x2,…,xn,取1<k<j<n,确定所有xj-xk的差值的正负;
S352、令sgn(xj-xk)作为指示函数,xj-xk为正时计为1,xj-xk为负时计为-1,xj与xk相等时计为0,计算即差值为正的数量减去差值为负的数量,如果S的计算结果是一个正数,则后一部分的观测值相比之前的观测值会趋向于变大,反之则趋于变小;
计算S的方差公式如下式所示:
VAR(S)=n(n-1)(2n+5)/18 (34)
S353、测试上面的H0与Ha,其1型错误率为α,0<α<0.5,如果|ZMK|≥Z1-α,则拒绝零假设H0,接受替代假设Ha。
8.根据权利要求1所述的基于混合模型的核电站主泵密封故障诊断方法,其特征在于:步骤S2中退化点前的数据即为发生故障前的正常数据,其用于核电站主泵密封装置泄漏量的建模分析;退化点后的数据即为发生故障后的异常数据,其用于核电站主泵密封装置故障机理诊断。
9.根据权利要求1所述的基于混合模型的核电站主泵密封故障诊断方法,其特征在于:步骤S36中,对于计算得到的健康指标Sm值,从某一点起,每增加一个数据点,利用三种方法各自对曲线趋势进行一次判断,并标注出该点位置,判断的结果是上升、不变或者下降,当三种方法的判断结果相同且长时间保持一致时,即判断该点为最早正确进行故障机理诊断的时间点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738020.9A CN113323891B (zh) | 2021-06-30 | 2021-06-30 | 基于混合模型的核电站主泵密封故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738020.9A CN113323891B (zh) | 2021-06-30 | 2021-06-30 | 基于混合模型的核电站主泵密封故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113323891A CN113323891A (zh) | 2021-08-31 |
CN113323891B true CN113323891B (zh) | 2022-04-01 |
Family
ID=77423592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110738020.9A Active CN113323891B (zh) | 2021-06-30 | 2021-06-30 | 基于混合模型的核电站主泵密封故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113323891B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638174B (zh) * | 2022-02-17 | 2023-11-21 | 清华大学 | 多级机械密封***故障溯源方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2006100826A4 (en) * | 2005-12-19 | 2006-11-02 | Paul William Meneghel | A fluid pump |
CN107461342B (zh) * | 2017-08-16 | 2019-05-31 | 江苏大学 | 一种离心泵故障在线诊断方法及*** |
CN111853553B (zh) * | 2020-07-30 | 2022-02-25 | 中冶赛迪重庆信息技术有限公司 | 流体管道的故障检测方法及*** |
-
2021
- 2021-06-30 CN CN202110738020.9A patent/CN113323891B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113323891A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Applications of fault detection and diagnosis methods in nuclear power plants: A review | |
CN106597965A (zh) | 核动力装置运行状态监控***及监控方法 | |
Patel et al. | Fault detection and diagnosis methods in power generation plants-the Indian power generation sector perspective: an introductory review | |
CN110970142B (zh) | 一种压水堆大破口失水事故始发应急工况预测方法 | |
CN111537257B (zh) | 一种在线检测水轮发电机空气冷却器异常方法 | |
Wu et al. | Output-relevant common trend analysis for KPI-related nonstationary process monitoring with applications to thermal power plants | |
CN113323891B (zh) | 基于混合模型的核电站主泵密封故障诊断方法 | |
CN111159844A (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
CN110513336B (zh) | 一种电站燃气轮机离线水洗时间的确定方法 | |
CN115496188A (zh) | 一种基于深度学习卷积神经网络的磨煤机故障预警方法 | |
Wang et al. | Improved methods of online monitoring and prediction in condensate and feed water system of nuclear power plant | |
CN107895194B (zh) | 一种核电厂主冷却剂***故障诊断方法 | |
CN111898794A (zh) | 一种大型燃煤锅炉热效率的异常监测方法 | |
Jharko | Calculating technical and economical indexes and providing normal NPP operation | |
US11342089B2 (en) | Predictive model construction and prediction method for radioactive metal corrosion concentration in nuclear reactor water | |
Maitloa et al. | Recent advances in nuclear power plant for fault detection and diagnosis-a review | |
Nguyen et al. | A Data-Driven approach for predicting the remaining useful life of steam generators | |
CN109409758B (zh) | 水电站设备健康状态评价方法及*** | |
CN106774190A (zh) | 湿冷汽轮机组凝汽器真空异常自动诊断***及方法 | |
Ramuhalli et al. | An updated methodology for enhancing risk monitors with integrated equipment condition assessment | |
CN115095534B (zh) | 一种基于kpca的candu6反应堆主泵故障诊断方法 | |
Fadil et al. | Analysis characterisation of coolant monitoring system for nuclear research reactor digital instrumentation | |
Shimazaki et al. | Development of the maintenance technologies for the future high-temperature gas cooled reactor (HTGR) using operating experiences acquired in high-temperature engineering test reactor (HTTR) | |
CN113837535B (zh) | 一种用于核电厂严重事故进程回溯的方法 | |
Jharko et al. | The Information Task of “Calculating Technical and Economical Indexes” and its Concern with Assurance of Normal Operation of Nuclear Power Plants |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |