一种用于核电机组运行监控的实时数据异常诊断方法与流程
本发明涉及核电机组启动前现场调试和商业运行领域，尤其涉及一种用于核电机组运行监控的实时数据异常诊断方法。
背景技术：
核电机组运行期间可能会出现意外状况，如跳机、跳堆、一回路泄漏等。这时需要运行、检修、调试工作人员通过过程数据分析故障原因、判断故障趋势等。目前，全球新建核电机组均采用了先进主控室设计并全面应用数字化仪控系统(简称DCS)，以实现全厂工艺系统的集中监视、灵活操作和控制保护功能。然而，就目前国内占绝对主导地位的自主知识产权CPR1000核电机组来说，尽管DCS实现了完善的控制和保护任务，但DCS数据平台下的深层数据挖掘，尤其是与核电站安全性有关的异常分析、故障(事故)诊断和风险管控功能非常欠缺。因此，基于完善的DCS系统对核电机组进行实时数据的异常诊断，从而预警可能发生的故障和事故、提高核电机组的安全性，已成为必要且迫切的技术手段。
近十几年来，学术界和工程界以为此进行了许多研究和尝试，但由于以下困难成功应用并不多：(1)这类方法往往需要实时数据异常诊断模型，而该模型的建立又基于大量的实时数据样本。由于实际工业数据具有严重的相关性、冗余性特点，致使由这样数据建立的模型或多或少地存在“病态”；(2)实际工业系统一般具有多模式运行、随机噪声影响严重的特点，这就决定了数据异常诊断模型不能一成不变，须具备根据运行模式变化和噪声情况自动更新的能力；(3)对于数据异常“事件”的判定准则非常重要，是避免“误报警”、“漏报警”的关键。由于这类判定准则多由被诊断系统的动态性质所决定，以往将系统特性简化处理的方法自然难于胜任。
技术实现要素：
本发明的目的在于针对现有技术的不足，提供了一种用于核电机组运行监控的实时数据异常诊断方法。
本发明的目的是通过以下技术方案和步骤来实现的：一种用于核电机组运行监控的实时数据异常诊断方法，具体包括如下步骤：
(1)选择多个与故障有关的重要变量构成实时数据异常诊断变量集，在此基础上，在线采集核电机组生产过程的重要变量的运行数据，得到建立数据异常诊断模型的原始训练数据集X0；
(2)对所得到的原始训练数据集X0进行建模前的标准化、归一化处理，得到实际应用的建模训练数据集X；
(3)对训练数据集进行“白化”处理，即对所得到的建模训练数据集X进行主元分析，并根据交叉检验方法确定主元个数，得到主元矩阵T和负荷矩阵P；
(4)根据步骤(3)得到的主元矩阵T和负荷矩阵P，运用独立元分析建立实时数据异常诊断模型；
(5)通过限定记忆的块式递推校正技术对实时数据异常诊断模型进行更新和维护；
(6)在建立的实时数据异常诊断模型的基础上，利用核密度估计方法确定核密度估计函数方程，通过核密度估计函数方程确定“异常事件”是否发生的控制限
(7)实时采集一组当前重要变量的运行数据集并进行标准化，得到的标准化检测数据集为Xnew；
(8)将检测数据集为Xnew代入步骤4实时数据异常诊断模型中，得到当前检测数据的独立元矩阵Snew；
(9)利用步骤6中的核密度估计函数方程和95％或99％置信度，代入独立元矩阵Snew，得到其中为核密度估计函数方程，H为带宽矩阵；将与正常运行范围控制限进行比较，如果则表示生产装置在正常运行范围内，否则表示属异常状况或产生了故障。
进一步的，所述步骤(4)具体为：根据步骤(3)主元分析得到的主元矩阵T和负荷矩阵P，进行独立元分析，以求取独立元解合矩阵方程形式的故障诊断模型其中，S为独立元矩阵，W为变换矩阵的伪逆，为基于主元分析的解合矩阵；独立元个数取为主元个数k；
进一步的，所述独立元分析的具体过程如下：
(4.1)取主元矩阵T和负荷矩阵P，并令a＝1，a为迭代步数；
(4.2)任取一个范数为1的初始列向量wa(0)，若a≥2，则令其中Wa-1＝[w1,w2,…wa-1]，并作归一化处理wi(0)＝wi(0)/||wi(0)||，令b＝0,b为内层迭代步数；
(4.3)对wa进行迭代更新，wa(b+1)＝wa(b)-μ[E{ta(wa(b)Tta)3}-3wa(b)]，式中：μ＝0.1或0.01为学习率，其中的期望E由样本值进行估计获得。
(4.4)对wa(b+1)进行分解投影得并进行归一化处理wa(b+1)＝wa(b+1)/||wa(b+1)||。
(4.5)若|wa(b+1)Twa(b)|≈1，则继续步骤(4.6)，否则，令b＝b+1并转至步骤(4.3)。
(4.6)令wa＝wa(b+1)，a＝a+1，然后转至步骤(4.2)并一直迭代计算至a＝k。
(4.7)将得到的W＝[w1w2……wk]与步骤(3)得到的P按构成解合矩阵，即得到了故障诊断模型
进一步的，所述步骤(5)具体为：设原建模训练数据集为{Xj}，j为当前迭代步数，经过一段时间运行后新鲜数据集为{Xj+1}，则{Xj}经过主元分析和独立元分析后得到的实时数据异常诊断模型为其中kj分别为原建模训练数据集Xj的均值、方差和主元个数，Pj为对Xj主元分析后得到的负荷矩阵，Wj为独立元分析后得到的变换矩阵的伪逆。根据新鲜数据集{Xj+1}和得到更新后的实时数据异常诊断模型其中Pj+1＝Pj+αPΔFP(||Xj+1-Xj||,γP,Pj)，Wj+1＝Wj+αWΔFW(||Xj+1-Xj||,γW,Wj)，ΔFP,ΔFW为块式递推校正函数，γP,γW为校正遗忘因子，αP,αW为加权系数，k分别为新鲜数据集的均值、方差和主元个数，。
进一步的，所述步骤(6)具体为：由诊断模型得到的独立元数据矩阵为X0＝[x1,x2,…xn]T，n为独立元个数，xn为第n个独立元，则密度函数f(x)的核估计为其中，i＝1,2，…n，H为带宽矩阵，|H|为H的行列式，K(·)为核函数，且由上述核密度估计函数和95％或99％置信度可求得表征正常运行范围的控制限
本发明与现有技术相比，具有有益效果如下：
(1)本发明的方法基于数据驱动的建模原理，避开了复杂的过程机理分析，使得现场实施方便，尤其适用于类似核电机组这样的高维且过程数据非常丰富的工业场合；
(2)本发明采用了基于多元统计投影原理的独立元分析技术建立异常诊断模型，大大消除了由于实际工业数据具有严重相关性、冗余性而带来的数据模型存在“病态”的问题，使模型精度较其它方法提高许多；
(3)本发明采用了核密度估计技术确定用于判断“异常事件”是否发生的判定准则，有效降低了“误报警”和“漏报警”发生的概率；
(4)本发明引入了限定记忆的块式递推校正技术对数据异常诊断进行在线自动更新，避免了因生产模式或设备状态变化带来的模型退化、精度下降的缺陷；
(5)本发明的方法用于实时监控核电机组的实际运行，能使核电生产的安全性得到提高。
附图说明
图1是一个典型的核电机组设备结构示意图。
图2是本发明的核电机组实时数据异常方法流程图；图中，反应堆1、控制棒及驱动机构2、一回路系统3、稳压器4、主冷却剂泵5、蒸汽发生器6、二回路系统7、汽轮发电机8、凝汽器9、给水泵10、循环水系统11、冷却水源12；
具体实施方式
下面通过一个典型的实施案例并结合附图，详细阐述本发明的具体实施方式，本发明的目的和效果将更加明显。
图1是一个典型的核电机组的设备结构示意图，它由反应堆1、控制棒及驱动机构2、一回路系统3、稳压器4、主冷却剂泵5、蒸汽发生器6、二回路系统7、汽轮发电机8、凝汽器9、给水泵10、循环水系统11和冷却水源12构成，其中，与核电机组安全性有关的重要监控变量大都分布在1-8设备中。
为实现核电生产的连续进行，通常采用DCS对核电机组设备的运行加以控制和操作。由于回路复杂、设备众多，尤其是长期在高温、高压、辐射环境下工作，产生生产异常和设备故障在所难免。
实施例
选择多个与各种可能故障有关的若干重要变量构成实时数据异常诊断变量集。在此基础上，在线采集核电机组生产过程的操作运行数据(一般需连续采集72小时以上)，得到建立数据异常诊断模型的原始训练数据集X0。选择的异常诊断变量集主要包括：电网负荷、反应堆核功率、汽轮发电机转速、安全壳地坑水位、安全壳内空气中的放射性浓度、主蒸汽放射性、一回路冷却剂压力、反应堆压力容器水位、蒸汽发生器压力、蒸汽发生器水位、一回路流量、一回路冷却剂温度、稳压器水位、冷凝器排气放射性浓度、稳压器压力、1-5#汽轮机轴承瓦振、1-5#汽轮机轴承轴振、6-8#发电机轴承瓦振、6-8#发电机轴振、推力轴承位移、1-5#汽轮机轴承温度、6-8#发电机轴承温度、推力轴承温度、高压缸排气温度、低压缸排气温度、主蒸汽温度、主蒸汽压力、主蒸汽流量、主机润滑油压力、EH油压力、主机润滑油油位、凝汽器真空度、发电机定子温度、发电机冷氢温度等等。
包括实时数据异常诊断模型的离线建立和在线维护、“异常事件或事故”的在线预警和诊断两个阶段。
第一阶段：实时数据异常诊断模型的离线建立和在线维护功能包括以下步骤：
步骤A1：在对核电机组运行机理和以往故障处理报告分析的基础上，确定与各种可能故障有关的若干重要变量构成实时数据异常诊断变量集，持续采集一段时间(超过48小时)的实时运行数据，构成建立数据异常诊断模型的原始训练数据集X0；
步骤A2：对所得到的原始训练数据集X0进行建模前的标准化处理，使每个过程变量的均值为0、方差为1，由此得到实际应用的训练数据集X。标准化的方法为：
均值计算：
方差计算：
归一化计算：
式中，N是数据集的样本个数。
步骤A3：运用协方差矩阵奇异值分解原理，对所得到的建模训练数据集X进行主元分析，并根据交叉检验技术确定满足一定方差表征率的主元个数，得到主元矩阵T和负荷矩阵P。这一步骤称为建模训练数据集的“白化”处理，具体方法为：首先计算建模训练数据集X的协方差矩阵∑X，然后对∑X进行奇异值分解，得到按大小顺序排列的特征根λ1,λ2,λ3……和对应的特征向量p1,p2,p3……，第三，对建模训练数据集X的奇异值分解结果进行方差贡献率的交叉检验，确定信息占优的特征根个数(亦即主元个数)k，第四，选取前k个特征向量，构造负荷矩阵P＝[p1p2……pk]T，最后，求取主元矩阵T＝[t1t2……tk]T＝XP。
步骤A4：由于实际工业数据大都具有严重的相关性、冗余性特点，致使由这样数据建立的模型或多或少地存在“病态”。为此，运用基于多元统计投影原理的独立元分析技术建立异常诊断模型，即根据主元分析得到的主元矩阵T和负荷矩阵P，进一步进行独立元分析，以求取独立元解合矩阵方程形式的故障诊断模型其中，S为独立元矩阵，W为变换矩阵的伪逆，为基于主元分析的解合矩阵。由于进行了主元分析的“白化”处理，独立元个数可以简单地取为主元个数k。独立元分析的具体过程为：
(4.1)取主元矩阵T和负荷矩阵P，并令a＝1，a为迭代步数；
(4.2)任取一个范数为1的初始列向量wa(0)，若a≥2，则令其中Wa-1＝[w1,w2,…wa-1]，并作归一化处理wi(0)＝wi(0)/||wi(0)||，令b＝0；
(4.3)对wa进行迭代更新，wa(b+1)＝wa(b)-μ[E{ta(wa(b)Tta)3}-3wa(b)]，式中：μ＝0.1或0.01为学习率，其中的期望E由样本值进行估计获得。
(4.4)对wa(b+1)进行分解投影得并进行归一化处理wa(b+1)＝wa(b+1)/||wa(b+1)||。
(4.5)若|wa(b+1)Twa(b)|≈1，则继续步骤(4.6)，否则，令b＝b+1并转至步骤(4.3)。
(4.6)令wa＝wa(b+1)，a＝a+1，然后转至步骤(4.2)并一直迭代计算至a＝k。
(4.7)将得到的W＝[w1w2……wk]与步骤(3)得到的P按构成解合矩阵，即得到了故障诊断模型
步骤A5：由于实际工业系统一般具有多模式运行、随机噪声影响严重的特点，这就决定了数据异常诊断模型须具备根据运行模式变化和噪声情况自动更新的能力。为此，在线运行应用时，应根据实时采样数据定期(设为96小时)进行异常诊断模型的更新和维护，以保证模型的长时间精确性，即利用新鲜的采样数据对当前诊断模型通过限定记忆的块式递推故障诊断模型校正技术进行校正计算。具体为：设原建模训练数据集为{Xj}，j为当前迭代步数，经过一段时间运行后新鲜数据集为{Xj+1}，则{Xj}经过主元分析和独立元分析后得到的实时数据异常诊断模型为其中σX0,j,kj分别为原建模训练数据集的Xj的均值、方差和主元个数，Pj为对Xj主元分析后得到的负荷矩阵，Wj为独立元分析后得到的变换矩阵的伪逆。根据新鲜数据集{Xj+1}和得到更新后的实时数据异常诊断模型其中Pj+1＝Pj+αPΔFP(||Xj+1-Xj||,γP,Pj),Wj+1＝Wj+αWΔFW(||Xj+1-Xj||,γW,Wj)，ΔFP,ΔFW为块式递推校正函数，γP,γW为校正遗忘因子，αP,αW为加权系数，σX0,j+1,k分别为新鲜数据集的均值、方差和主元个数。可见，首先它是基于块式数据的，只有当新数据累积到一定规模形成数据块的时候才进行处理，且在递推过程中以数据块代替数据本身进行迭代计算，大大减少了计算量。其次，它始终依赖于有限个最新数据块所提供的信息，每增加一个新数据块，就要去掉一个老数据块，即影响模型的数据始终是最新的若干数据块。最后，限定记忆的遗忘因子被引入数据块队列中，时间越久，数据块可信度越小(现时刻的数据块信度为1)，相邻时刻的数据块信度按指数衰减。
第二阶段：“异常事件或事故”的在线预警和诊断功能包括以下步骤：
步骤B1：对于数据“异常事件”的判定准则非常重要，是避免“误报警”、“漏报警”的关键。本发明中，在第一阶段建立实时数据异常诊断模型的基础上，利用核密度估计技术确定用于判断“异常事件”是否发生的准则(控制限)具体为：由诊断模型而来的独立元数据矩阵为X＝[x1,x2,…xn]T，n为独立元个数，xn为第n个独立元则密度函数f(x)的核估计为其中i＝1,2，…n，H为带宽矩阵，|H|为H的行列式，K(·)为核函数，且核函数估计的概率密度实际上可以看作是在样本点上构成的分割梯度的加和，核函数K(·)决定分割梯度的形状而带宽则决定其宽度。较常用的K(·)为高斯核函数，可选择形式为在给定样本及选取了核函数形式后，核密度估计函数取决于H的选取，可选对角矩阵由上述核密度估计函数和95％或99％置信度可求得表征正常运行范围的控制限
步骤B2：在需要对当前运行工况进行“异常事件”诊断时，实时采集一组当前运行数据集并进行标准化，得到的标准化检测数据集为Xnew。
步骤B3：将检测数据集为Xnew代入实时数据异常诊断模型，得到当前检测数据的独立元矩阵Snew。
步骤B4：利用步骤B1中的核密度估计函数方程和95％或99％置信度，代入独立元矩阵Snew可计算并与正常运行范围控制限比较，如果则表示生产装置在正常运行范围内，否则表示属异常状况或产生了故障。
步骤B5：一旦判断为“异常事件”发生，则启动“异常事件”预警处理。
以上即为本发明一个具体、完整的实施过程，该例用来解释说明本发明的用法而非对本发明进行限制。在本发明权利要求的保护范围内进行的任何改变，都属于本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！