核电厂蒸汽发生器传热管状态监测及破口程度的评估方法

本申请涉及传热管状态监测，尤其涉及一种核电厂蒸汽发生器传热管状态监测及破口程度的评估方法。

背景技术：

1、蒸汽发生器是核电厂蒸汽动力转换系统的核心设备，将一次侧堆芯产生的热量通过传热管传递至二次侧，然后将二回路的水汽分离干燥之后，传输至汽轮机中进行发电。传热管是压水堆一回路边界的重要组成部分，是防止放射性裂变产物外泄的重要屏障，也是一回路系统最薄弱的环节之一。传热管在高温高压环境及高辐射计量介质的冲刷下容易产生机械损伤和化学损伤，当传热管破口达到维修标准时，就需要对其进行维修，防止放射性冷却剂材料外泄。因而在传热管发生破裂的情况下，及时准确监测出异常状态，并评估出传热管破裂程度，对于提高核电厂的经济性和安全性具有重要意义。但是核电厂蒸汽发生器监测数据的一些固有特性，所采集的蒸汽发生器特征参数维度较高，而且数据存在严重的样本不平衡问题，即正常状态数据很多，异常状态数据较少，因此，有必要提供一种能够准确地监测出蒸汽发生器传热管的异常状态，并评估出传热管破裂程度的方法。

技术实现思路

1、本说明书实施例提供一种核电厂蒸汽发生器传热管状态监测及破口程度的评估方法，以及时准确监测出异常状态，并评估出传热管破裂程度。

2、为解决上述技术问题，本说明书实施例是这样实现的：

3、本发明提供一种核电厂蒸汽发生器传热管状态监测及破口程度的评估方法，包括：

4、步骤s1、在待监测的核电站满功率运行条件下，采集所述待监测的核电站在未发生故障时的相关特征参量，然后在所述待监测的核电站的蒸汽发生器传热管中插入若干不同大小的破口，并采集与所述相关特征参量相对应的故障状态特征参量；

5、步骤s2、采用降噪自动编码器dae分别对所述未发生故障时的相关特征参量和所述故障状态特征参量进行降维处理，分别得到低维正常状态数据和低维异常状态数据，其中，所述降噪自动编码器dae的单隐层包含编码层函数f和解码层函数g，对样本增加分布服从n(0,σ2)的高斯白噪声ε，得到其中，所述编码层函数f将样本从输入向量空间非线性投影到特征向量空间获得所述解码层函数g将投影回输入向量空间，得到样本输入重构所述降噪自动编码器dae的损失函数为jdae，其中所述损失函数为jdae表示如下：

6、

7、步骤s3、设计基于one-class svm的状态监测模块，利用样本集{xi,i＝1,2,···,m},xi∈rn，通过非线性核函数映射k，在高维特征空间h中计算一个包含多个样本的最小超球作为决策边界，使得one-class svm能描述样本密度分布的二值模型

8、

9、式(2)中s为样本集合的第一子集，s′表示所述样本集合中除所述第一子集之外的其他元素组成的第二子集；

10、步骤s4、基于smote算法进行小样本数据的扩容，其中，所述smote算法的计算流程如下所示：

11、1)计算少数类样本之间的欧式距离，选取k邻近点；

12、2)根据不平衡比例设置采样倍率；

13、3)按照公式(10)的方式计算出新的样本点，

14、xnew＝x+rand(0,1)×(xi-x)     (10)

15、式(10)中x为小样本参数，符号xi表示为与小样本相邻的相同类型样本参数点；

16、步骤5、基于bi-lstm的故障程度评估，在t时刻，lstm的输入为：t时刻序列输入值xt，t-1时刻lstm的输出值ht-1，t-1时刻门控单元状态ct-1；lstm的输出为：t时刻lstm输出值ht和t时刻门控单元状态ct，在lstm中，遗忘门决定ct-1对ct的影响程度，输入门决定xt对ct的影响程度，输出门控制ct对ht的影响程度，遗忘门、输入门、输出门计算分别如式(11)、式(12)和式(13)所示：

17、ft＝σ(wf·[ht-1,xt]+bf)      (11)

18、it＝σ(wi·[ht-1,xt]+bi)      (12)

19、ot＝σ(wo·[ht-1,xt]+bo)       (13)

20、式(11)(12)(13)中，符号ft、it、ot分别表示遗忘门、输入门和输出门状态的计算结果，σ为激活函数，符号wf、wi、wo分别表示遗忘门、输入门和输出门的权重矩阵，符号bf、bi、bo分别表示遗忘门、输入门和输出门的偏置项；

21、lstm最终的输出由输出门和单元状态共同决定，如式(14)(15)(16)所示；

22、

23、

24、ht＝ot⊙tanh(ct)        (16)

25、式(14)(15)(16)中，符号表示t时刻输入的单元状态，符号wc表示输入单元状态权重矩阵，符号bc表示输入单元状态偏置项，符号⊙表示按元素相乘；

26、在bi-lstm中前向lstm沿着时间数据的正向顺序计算隐藏层信息，后向lstm沿时间数据的反向顺序计算隐藏层信息，然后融合两个lstm的隐藏层信息，并获得bi-lstm的输出信息，计算过程如式(17)(18)(19)所示：

27、

28、

29、

30、式(17)(18)(19)中，符号t表示序列长度，符号xt表示输入值，符号ct表示记忆单元，符号ht表示输出状态，符号表示正向隐藏层信息，符号表示反向隐藏层信息，符号ht表示bi-lstm在t时刻的隐藏状态。

31、本说明书一个实施例至少能够达到以下有益效果：本发明针对当核电厂蒸汽发生器传热管发生较大破口时，核电厂运行一段时间会紧急停堆，导致各种破口状态数据量不平衡且数据量较小的问题，首先利用合成少数类过采样技术smote对小样本数据量进行扩容处理，然后利用双向长短期深度神经网络进行传热管泄漏量评估，能够在传热管发生破裂的情况下，及时准确监测出异常状态，并评估出传热管破裂程度，对于提高核电厂的经济性和安全性具有重要意义。

技术特征：

1.一种核电厂蒸汽发生器传热管状态监测及破口程度的评估方法，其特征在于，所述方法包括：

技术总结
本说明书实施例公开了一种核电厂蒸汽发生器传热管状态监测及破口程度的评估方法，方案可以包括：在待监测的核电站满功率运行条件下，采集所述待监测的核电站在未发生故障时的相关特征参量，然后在所述待监测的核电站的蒸汽发生器传热管中插入若干不同大小的破口，并采集与所述相关特征参量相对应的故障状态特征参量；采用降噪自动编码器DAE分别对所述未发生故障时的相关特征参量和所述故障状态特征参量进行降维处理；设计基于One‑Class SVM的状态监测模块；基于SMOTE算法进行小样本数据的扩容；基于Bi‑LSTM的故障程度评估。

技术研发人员：夏虹,黄学颖,刘永阔,姜莹莹,尹文哲,张汲宇,冉文豪,赵纯洁,贾朱钧,张津铭,艾鑫
受保护的技术使用者：哈尔滨工程大学
技术研发日：
技术公布日：2024/4/17