核电站反应堆冷却剂泵故障诊断系统设计研究

匡成骁 王 岩 毛远帆 谭 鑫

（核反应堆系统设计技术重点实验室，四川 成都 610000）

0 引言

反应堆冷却剂泵（简称“主泵”）是反应堆冷却剂系统压力边界的一部分，主泵能否正常工作直接关系到核电站的运行安全[1]。核电主泵由于振动过高、轴封泄漏量异常、轴裂纹、辅助系统监测及预警不及时等典型故障最终导致机组停运而临时检修或抢修而引起反应堆停堆的事件已达到数百起之多，对商业运行的核电站的造成了较大的经济损失。郭清[2]提出了一种基于DSmT决策级主冷却剂泵并发故障融合的诊断模型；陈志辉[3]针对主泵的典型振动故障，利用小波分析的方法对模拟的主泵振动信号进行处理，结果表明小波分析技术能够有效地对故障特征进行提取；冯俊婷[4]采用主元分析的方法，建立了核电站主泵参数异常情况的故障特征方向库，通过实测数据验证了该方法的可行性。关于主泵故障诊断技术的研究一直在进行[5-9]，但是，以上只是针对主泵某一方面的故障展开研究，而主泵故障诊断的系统性研究和工程实践还较少，因此本文提出一个主泵故障诊断的系统框架，为主泵故障诊断系统国产化的研制提供必要的准备。

1 主泵的参数监测

设备故障诊断首先要获取设备的状态信息，这些信息通常来自设备运行过程中的各种参数变化，因此故障诊断的前提就是状态参数的测量。测量数据真实性的含义，不仅是要求具有较高的信噪比、保真度，还要求能测量到引起故障原因的直接参数。当然不是所有故障都可以直接监测到反映故障征兆的参数，绝大多数故障特征信号是从振动和噪声的信号经过一定方式提取得到的。以某三轴承主泵为例，为了保证主泵的正常运行及状态监测需要，设置的测点如表1所示。

表1 主泵测点布置

2 主泵故障诊断系统设计

2.1 需求分析

主泵的故障诊断过程主要包括信号采集、信号处理、故障模式识别、故障防治策略支持等。信号采集就是利用主泵设置的测点对各运行参数进行采集，包括振动、位移、温度、压力、流量、转速、油位等信号；信号处理主要是对采集的样本数据进行处理以提取能够反映故障状态、性质、类型和程度的特征信息；故障模式识别就是根据故障特征采用智能故障诊断方法对故障进行分类，获取最终的故障诊断结果；故障防治与控制就是根据防治策略专家知识库对已经确定的故障提出对应的控制方案或治理措施。因此，主泵故障诊断系统应具备以下几点功能：

（1）在不拆卸或少拆卸主泵零部件的条件下，能够定量地监测、评价主泵各部件（如电机转子、飞轮和水力部件等）的运动性能和受力状态，轴承和轴封系统的缺陷和磨损状态；

（2）能够确定主泵的故障性质、故障类型、发生部位和危害程度；

（3）对故障发展趋势进行预测；

（4）能够确定故障来源，并提出干预措施建议等。

2.2 结构设计

针对上述故障诊断系统的功能需求，本文设计了一个四层结构的系统框架，分别为信息采集和转换层、数据管理层、逻辑层和表示层，如图1所示。

信号采集和转换层首先获取传感器采集到的数据信息（模拟信号），随后通过模数转换器（ADC）将模拟信号转换为数字信号。转换后的数字信号一方面经串行接口传输到数据管理层实现数据的存储和查询等操作，另一方面直接传输到故障诊断系统逻辑层实现故障诊断。数据管理层一方面与信号采集和转换层交互实现原始信号的存储，另一方面与逻辑层交互实现诊断结果和诊断日志的存储。此外，数据管理层允许用户通过表现层进行程序参数的修改以及自定义内容的存取。逻辑层是整个系统软件部分的核心，是故障诊断程序在软件中的直接表达。逻辑层包含各信号处理与故障诊断的算法模块。其功能：采用频谱分析对非平稳信号（振动、轴位移）进行信号特征提取，采用多元时间序列法对信号进行状态趋势预测，等等。逻辑层使用到的算法模块有GRU、ARIMA和PCA等，逻辑层是系统实现故障诊断与状态趋势预测的核心。表示层是操纵员与应用程序进行交互的界面，主要功能是数据展示、人机交互、诊断结果显示和报警等。

2.3 数据库设计

数据库作为主泵故障诊断系统的一部分，其主要作用就是存放和管理数据。数据来源主要有主泵各工况下运行的实时参数、专家知识、故障诊断过程信息和结果信息等；而管理包括了对用户权限的管理和给定条件的数据进行查询、修改、删除、导出等功能，并且配置良好的接口程序，便于故障诊断程序或其他第三方应用程序调用。其功能需求如图2所示。

数据库的功能主要有两个方面，即数据的存储和管理。其中数据存储分为自动存储和手工存储两种方式。对于主泵实时数据、诊断过程数据和诊断结果数据采用自动存储的方式。而对于诊断知识、用户信息、设备信息和主泵运行状态信息等数据采用手工存储的方式。

图1 故障诊断系统框架

图2 数据库功能分析

数据管理就是对存储的数据进行查询、输出、更新和权限设置等功能。数据查询可以按照需求对关键字或者时间范围进行查询搜索；数据输出有三种方式，分别为文本输出、表格输出和图形输出；数据的更新操作包括了对数据的插入、修改和删除等，特别是知识库，这些数据是建立在领域知识的基础上的，随着知识的获取和积累，需要及时地对数据库进行更新。并且这些更新的操作情况会被记录在日志文件中，当数据发生损坏或丢失时，可以使用事务文件日志恢复数据；为了保证数据使用的安全，数据库会对用户的操作权限加以限制。管理员用户拥有最高的权限。而普通用户只能对数据进行查询和输出，同时某些子库不对普通用户开放。

根据上述功能需求，设计了包含5个子库的数据库系统，即运行参数库、知识库、用户信息库、设备信息库和诊断信息库，其组织结构如图3所示。运行数据库存放了主泵运行各测点获取的数据以及故障诊断程序提取的特征数据，具有实时的特性，反映了主泵的运行状态；知识数据库用于存放主泵故障诊断相关的特征信息，包括主泵的故障描述、故障查询规则和故障决策信息等；用户信息库用于存放数据库的用户信息、权限信息等；设备信息库用于存储主泵主要零部件的信息，包括传感器、叶轮、泵轴、轴承、隔热部件、轴封、联轴器、电机、辅助设备等重要部件的厂商、型号、材料、安装、维修等信息；诊断信息库存储了主泵历史故障信息，数据表中展现了历史故障的故障类型、当时的干预措施以及诊断程序获取的历史故障特征信息。

图3 数据库组织结构

2.4 故障诊断程序研发

故障诊断程序采用多种故障诊断方法，对传感器监测的参数进行处理，获取主泵的状态特征，然后根据状态特征利用模式识别技术最终实现主泵故障的诊断，其诊断流程如图4所示。

图4 故障诊断流程

对振动信号进行频谱分析，包括分析幅值谱、功率谱和相位谱。在Python语言下可直接调用FeatureExtract.py模块。振动信号频域变换模块主要采用FFT算法。通过此调用方法可提高FFT算法的求解速度。

主成分分析方法PCA是一种高维数据分析的有效手段，该方法不仅能降低计算量，同时也能提高分类器的诊断精度。利用主泵正常运行情况下的监测数据即可建立一个主元模型，然后再对不同故障情况下的监测数据进行主成分分析，求解出第一负荷向量，就可以得到这些故障的特征方向，从而建立故障特征方向库。在主泵的运行过程中，通过不断地监测主元模型的误差平方和（SPE）对过程故障进行检测。一旦检测到系统运行出现异常情况，就可以利用主元分析来计算当前的数据方向，并与故障特征方向库相比较，从而实现主泵异常状态的诊断。

对于过程信号则采用多元时间序列分析，使用的分析方法有差分整合移动平均自回归模型、Prophet算法、GRU神经网络算法等。

时间序列模型为回归模型（Auto Regression，AR）和滑动平均模型（Moving Average，MA）相结合的差分整合移动平均自回归模型 （Autoregressive Integrated Moving Average Model，ARIMA）。模型中通过高斯函数中“异常度”这一指标量来对主泵在该时间点是否处于异常运转情况进行判定。

2.5 人机界面设计研究

核电领域有相当数量的软件界面依旧使用大量的灰阶色调和突兀的蓝色渐变，颜色的色相、明度和饱和度的变化不合理。同时所使用的字体过于统一，颜色直接使用纯黑色，使得原本偏暗的灰色界面更加暗淡，导致软件整体视觉上过于单调。软件面板灰色偏暗同时无任何的合理细微的变化，在人眼球长时间观看后极易产生视觉疲劳并有可能导致近视、阅读串行、无法集中注意力等问题。

因此为了解决上述问题，本故障诊断系统的人机界面设计上，将进行科学的图形界面设计、交互体验设计和用户研究设计。本主泵故障诊断系统人机界面如图5所示，人机界面分为7大功能区，分别为菜单栏、参数监测区、主视图区、特性参数区、异常参数列表区、诊断结果区和决策支持区。为方便用户使用，前端设计采用分列式设计，使用bootstrap前端UI框架。将前端分为三个模块，分别为左侧主检测区、中间泵视图区、右侧实时参数检测区。左侧主检测区中分列特性参数监测、异常参数列表、故障诊断结果显示和决策支持。特性参数监测使用数据绑定（Data Binding）功能从数据库实时读取主泵参数，实时显示主泵转速、功率、扬程等重要参数。

图5 主泵故障诊断系统人机界面

3 结语

本文针对核电站主泵设计了具有四层结构的故障诊断系统框架，分别为信号采集和转换层、数据层、逻辑层和表示层。然后通过系统数据库设计、故障诊断算法开发和人机界面等详细设计。最终能够实现主泵异常状态的监测、识别以及主泵参数的实时展示、故障结果的显示、报警和操作指导等功能。该系统框架的设计也为主泵故障诊断系统的国产化提供了必要的准备。