核電站反應堆冷卻劑泵故障診斷系統設計研究

匡成驍 王 巖 毛遠帆 譚 鑫

（核反應堆系統設計技術重點實驗室，四川 成都 610000）

0 引言

反應堆冷卻劑泵（簡稱“主泵”）是反應堆冷卻劑系統壓力邊界的一部分，主泵能否正常工作直接關系到核電站的運行安全[1]。核電主泵由于振動過高、軸封泄漏量異常、軸裂紋、輔助系統監測及預警不及時等典型故障最終導致機組停運而臨時檢修或搶修而引起反應堆停堆的事件已達到數百起之多，對商業運行的核電站的造成了較大的經濟損失。郭清[2]提出了一種基于DSmT決策級主冷卻劑泵并發故障融合的診斷模型；陳志輝[3]針對主泵的典型振動故障，利用小波分析的方法對模擬的主泵振動信號進行處理，結果表明小波分析技術能夠有效地對故障特征進行提??；馮俊婷[4]采用主元分析的方法，建立了核電站主泵參數異常情況的故障特征方向庫，通過實測數據驗證了該方法的可行性。關于主泵故障診斷技術的研究一直在進行[5-9]，但是，以上只是針對主泵某一方面的故障展開研究，而主泵故障診斷的系統性研究和工程實踐還較少，因此本文提出一個主泵故障診斷的系統框架，為主泵故障診斷系統國產化的研制提供必要的準備。

1 主泵的參數監測

設備故障診斷首先要獲取設備的狀態信息，這些信息通常來自設備運行過程中的各種參數變化，因此故障診斷的前提就是狀態參數的測量。測量數據真實性的含義，不僅是要求具有較高的信噪比、保真度，還要求能測量到引起故障原因的直接參數。當然不是所有故障都可以直接監測到反映故障征兆的參數，絕大多數故障特征信號是從振動和噪聲的信號經過一定方式提取得到的。以某三軸承主泵為例，為了保證主泵的正常運行及狀態監測需要，設置的測點如表1所示。

表1 主泵測點布置

2 主泵故障診斷系統設計

2.1 需求分析

主泵的故障診斷過程主要包括信號采集、信號處理、故障模式識別、故障防治策略支持等。信號采集就是利用主泵設置的測點對各運行參數進行采集，包括振動、位移、溫度、壓力、流量、轉速、油位等信號；信號處理主要是對采集的樣本數據進行處理以提取能夠反映故障狀態、性質、類型和程度的特征信息；故障模式識別就是根據故障特征采用智能故障診斷方法對故障進行分類，獲取最終的故障診斷結果；故障防治與控制就是根據防治策略專家知識庫對已經確定的故障提出對應的控制方案或治理措施。因此，主泵故障診斷系統應具備以下幾點功能：

（1）在不拆卸或少拆卸主泵零部件的條件下，能夠定量地監測、評價主泵各部件（如電機轉子、飛輪和水力部件等）的運動性能和受力狀態，軸承和軸封系統的缺陷和磨損狀態；

（2）能夠確定主泵的故障性質、故障類型、發生部位和危害程度；

（3）對故障發展趨勢進行預測；

（4）能夠確定故障來源，并提出干預措施建議等。

2.2 結構設計

針對上述故障診斷系統的功能需求，本文設計了一個四層結構的系統框架，分別為信息采集和轉換層、數據管理層、邏輯層和表示層，如圖1所示。

信號采集和轉換層首先獲取傳感器采集到的數據信息（模擬信號），隨后通過模數轉換器（ADC）將模擬信號轉換為數字信號。轉換后的數字信號一方面經串行接口傳輸到數據管理層實現數據的存儲和查詢等操作，另一方面直接傳輸到故障診斷系統邏輯層實現故障診斷。數據管理層一方面與信號采集和轉換層交互實現原始信號的存儲，另一方面與邏輯層交互實現診斷結果和診斷日志的存儲。此外，數據管理層允許用戶通過表現層進行程序參數的修改以及自定義內容的存取。邏輯層是整個系統軟件部分的核心，是故障診斷程序在軟件中的直接表達。邏輯層包含各信號處理與故障診斷的算法模塊。其功能：采用頻譜分析對非平穩信號（振動、軸位移）進行信號特征提取，采用多元時間序列法對信號進行狀態趨勢預測，等等。邏輯層使用到的算法模塊有GRU、ARIMA和PCA等，邏輯層是系統實現故障診斷與狀態趨勢預測的核心。表示層是操縱員與應用程序進行交互的界面，主要功能是數據展示、人機交互、診斷結果顯示和報警等。

2.3 數據庫設計

數據庫作為主泵故障診斷系統的一部分，其主要作用就是存放和管理數據。數據來源主要有主泵各工況下運行的實時參數、專家知識、故障診斷過程信息和結果信息等；而管理包括了對用戶權限的管理和給定條件的數據進行查詢、修改、刪除、導出等功能，并且配置良好的接口程序，便于故障診斷程序或其他第三方應用程序調用。其功能需求如圖2所示。

數據庫的功能主要有兩個方面，即數據的存儲和管理。其中數據存儲分為自動存儲和手工存儲兩種方式。對于主泵實時數據、診斷過程數據和診斷結果數據采用自動存儲的方式。而對于診斷知識、用戶信息、設備信息和主泵運行狀態信息等數據采用手工存儲的方式。

圖1 故障診斷系統框架

圖2 數據庫功能分析

數據管理就是對存儲的數據進行查詢、輸出、更新和權限設置等功能。數據查詢可以按照需求對關鍵字或者時間范圍進行查詢搜索；數據輸出有三種方式，分別為文本輸出、表格輸出和圖形輸出；數據的更新操作包括了對數據的插入、修改和刪除等，特別是知識庫，這些數據是建立在領域知識的基礎上的，隨著知識的獲取和積累，需要及時地對數據庫進行更新。并且這些更新的操作情況會被記錄在日志文件中，當數據發生損壞或丟失時，可以使用事務文件日志恢復數據；為了保證數據使用的安全，數據庫會對用戶的操作權限加以限制。管理員用戶擁有最高的權限。而普通用戶只能對數據進行查詢和輸出，同時某些子庫不對普通用戶開放。

根據上述功能需求，設計了包含5個子庫的數據庫系統，即運行參數庫、知識庫、用戶信息庫、設備信息庫和診斷信息庫，其組織結構如圖3所示。運行數據庫存放了主泵運行各測點獲取的數據以及故障診斷程序提取的特征數據，具有實時的特性，反映了主泵的運行狀態；知識數據庫用于存放主泵故障診斷相關的特征信息，包括主泵的故障描述、故障查詢規則和故障決策信息等；用戶信息庫用于存放數據庫的用戶信息、權限信息等；設備信息庫用于存儲主泵主要零部件的信息，包括傳感器、葉輪、泵軸、軸承、隔熱部件、軸封、聯軸器、電機、輔助設備等重要部件的廠商、型號、材料、安裝、維修等信息；診斷信息庫存儲了主泵歷史故障信息，數據表中展現了歷史故障的故障類型、當時的干預措施以及診斷程序獲取的歷史故障特征信息。

圖3 數據庫組織結構

2.4 故障診斷程序研發

故障診斷程序采用多種故障診斷方法，對傳感器監測的參數進行處理，獲取主泵的狀態特征，然后根據狀態特征利用模式識別技術最終實現主泵故障的診斷，其診斷流程如圖4所示。

圖4 故障診斷流程

對振動信號進行頻譜分析，包括分析幅值譜、功率譜和相位譜。在Python語言下可直接調用FeatureExtract.py模塊。振動信號頻域變換模塊主要采用FFT算法。通過此調用方法可提高FFT算法的求解速度。

主成分分析方法PCA是一種高維數據分析的有效手段，該方法不僅能降低計算量，同時也能提高分類器的診斷精度。利用主泵正常運行情況下的監測數據即可建立一個主元模型，然后再對不同故障情況下的監測數據進行主成分分析，求解出第一負荷向量，就可以得到這些故障的特征方向，從而建立故障特征方向庫。在主泵的運行過程中，通過不斷地監測主元模型的誤差平方和（SPE）對過程故障進行檢測。一旦檢測到系統運行出現異常情況，就可以利用主元分析來計算當前的數據方向，并與故障特征方向庫相比較，從而實現主泵異常狀態的診斷。

對于過程信號則采用多元時間序列分析，使用的分析方法有差分整合移動平均自回歸模型、Prophet算法、GRU神經網絡算法等。

時間序列模型為回歸模型（Auto Regression，AR）和滑動平均模型（Moving Average，MA）相結合的差分整合移動平均自回歸模型 （Autoregressive Integrated Moving Average Model，ARIMA）。模型中通過高斯函數中“異常度”這一指標量來對主泵在該時間點是否處于異常運轉情況進行判定。

2.5 人機界面設計研究

核電領域有相當數量的軟件界面依舊使用大量的灰階色調和突兀的藍色漸變，顏色的色相、明度和飽和度的變化不合理。同時所使用的字體過于統一，顏色直接使用純黑色，使得原本偏暗的灰色界面更加暗淡，導致軟件整體視覺上過于單調。軟件面板灰色偏暗同時無任何的合理細微的變化，在人眼球長時間觀看后極易產生視覺疲勞并有可能導致近視、閱讀串行、無法集中注意力等問題。

因此為了解決上述問題，本故障診斷系統的人機界面設計上，將進行科學的圖形界面設計、交互體驗設計和用戶研究設計。本主泵故障診斷系統人機界面如圖5所示，人機界面分為7大功能區，分別為菜單欄、參數監測區、主視圖區、特性參數區、異常參數列表區、診斷結果區和決策支持區。為方便用戶使用，前端設計采用分列式設計，使用bootstrap前端UI框架。將前端分為三個模塊，分別為左側主檢測區、中間泵視圖區、右側實時參數檢測區。左側主檢測區中分列特性參數監測、異常參數列表、故障診斷結果顯示和決策支持。特性參數監測使用數據綁定（Data Binding）功能從數據庫實時讀取主泵參數，實時顯示主泵轉速、功率、揚程等重要參數。

圖5 主泵故障診斷系統人機界面

3 結語

本文針對核電站主泵設計了具有四層結構的故障診斷系統框架，分別為信號采集和轉換層、數據層、邏輯層和表示層。然后通過系統數據庫設計、故障診斷算法開發和人機界面等詳細設計。最終能夠實現主泵異常狀態的監測、識別以及主泵參數的實時展示、故障結果的顯示、報警和操作指導等功能。該系統框架的設計也為主泵故障診斷系統的國產化提供了必要的準備。