基于Labview 的核動力蒸汽發(fā)生器故障診斷系統(tǒng)研究

宋 輝，陸古兵，金傳喜

(海軍工程大學核能科學與工程系，武漢 430033)

核動力裝置是一個高度復雜的系統(tǒng)，系統(tǒng)中不同設(shè)備之間既相互聯(lián)系又執(zhí)行著不同的功能。核動力裝置運行過程的可靠性、安全性為核電廠提供了強有力的安全保障。因此，提高核動力裝置的故障診斷能力顯得十分重要。蒸汽發(fā)生器(以下簡稱SG)是核動力裝置中的重要設(shè)備，也是核動力裝置運行中發(fā)生故障最多的設(shè)備之一［1］。SG 作為一、二回路之間的樞紐，將反應堆產(chǎn)生的熱量傳給二回路，產(chǎn)生的蒸汽推動汽輪機做功，同時防止帶有放射性的冷卻劑流入二回路。一旦SG 出現(xiàn)故障，將降低電廠機組運行效率，并帶來嚴重的后果。通過對SG 常見故障進行分析，基于Labview平臺建立了SG 故障診斷系統(tǒng)，對故障進行實時診斷與顯示，并提供相應的運行指導，操縱員可以及時獲取故障信息，做出正確的決策以保證核動力系統(tǒng)的安全。

人工神經(jīng)網(wǎng)絡(luò)是一種模擬生物神經(jīng)元特征與功能的人工系統(tǒng)，作為人工智能重要的組成部分，具有很強的學習、泛化、信息處理和魯棒容錯等能力，在模式識別、智能控制、故障診斷等方面有著廣泛的應用;神經(jīng)網(wǎng)絡(luò)主要利用聯(lián)想、記憶功能，通過學習階段獲取的知識來實現(xiàn)故障診斷。隨著人工神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)的興起，神經(jīng)網(wǎng)絡(luò)在核動力領(lǐng)域開始獲得應用［2］。Labview 提供了一個虛擬儀器開發(fā)環(huán)境，可以根據(jù)需要高效、快速地建立用戶界面，并提供一個虛擬仿真的環(huán)境對信息實時顯示。相比于使用傳統(tǒng)的C、VB 等文本語言進行程序的編寫，大大縮短了系統(tǒng)開發(fā)時間，提高了故障診斷效率。

本工作對SG 故障原因和故障處置對策進行了分析，將徑向基人工神經(jīng)網(wǎng)絡(luò)與Labview 相結(jié)合用于SG 故障的診斷與顯示，取得了良好的效果。

1 SG 故障分析［3，4］

對SG 的動態(tài)特性分析中，水位是反映SG 是否處于正常運行狀態(tài)的重要指標，SG 的水位會隨蒸汽流量或給水流量的改變而發(fā)生相應的變化，SG 在運行過程中的異常變化會在一、二回路運行參數(shù)中反映，由SG 傳熱平衡方程可知，多種因素都可造成SG 水位超限，通過對這些因素分析，SG 在運行中出現(xiàn)的主要故障有:蒸汽出口閥卡死，汽輪給水泵進汽調(diào)節(jié)閥故障;給水泵葉輪、口環(huán)等損壞;汽輪給水泵軸承燒毀;給水加熱器泄露;主給水調(diào)節(jié)閥自控失調(diào);SG 中U 型傳熱管破裂。

SG 發(fā)生故障時征兆參數(shù)具有不同特性及變化范圍，為了區(qū)分故障發(fā)生時相關(guān)參數(shù)所處的狀態(tài)，通過引入模糊的概念，將SG 發(fā)生故障時的征兆參數(shù)模糊量化處理，根據(jù)變化趨勢分為急劇變大、變大、正常、變小、急劇變小五種不同的狀態(tài)，分別用數(shù)值1、0.75、0.5、0.25、0 表示。采用核動力裝置運行過程中的13 個參數(shù)作為SG 故障樣本集的征兆參數(shù)，將SG 故障征兆所對應的6 種常見故障類型作為人工神經(jīng)網(wǎng)絡(luò)故障識別的輸出結(jié)果。SG 典型故障樣本知識庫見表1，其中Z 表示征兆集，F(xiàn) 表示故障集;Z1為主冷卻劑平均溫度;Z2為主冷卻劑壓力;Z3為SG 二次側(cè)水位;Z4為二次側(cè)頂端溫度;Z5為SG 給水流量;Z6為SG 給水溫度;Z7為SG 蒸汽流量;Z8為汽輪給水泵轉(zhuǎn)速;Z9為汽輪給水泵出口壓力;Z10為汽輪給水泵流量;Z11為穩(wěn)壓器水位;Z12為SG 排污水放射性含量檢測;Z13為冷凝器抽氣器排汽口放射性含量檢測;F1為汽輪給水泵進汽調(diào)節(jié)閥故障或給水泵葉輪、口環(huán)等損壞;F2為汽輪給水泵軸承燒毀;F3為蒸汽出口閥卡死;F4為給水加熱器泄露;F5為主給水調(diào)節(jié)閥自控失調(diào);F6為SG 中U 型傳熱管破裂。

由于SG 的故障與征兆之間的關(guān)系不能用確切的語言或數(shù)據(jù)來表示。因此，將征兆參數(shù)模糊化處理，量化到［0，1］范圍后;輸入到神經(jīng)網(wǎng)絡(luò)進行訓練，經(jīng)過訓練后的神經(jīng)網(wǎng)絡(luò)，可實現(xiàn)征兆與故障之間的非線性映射，由神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果可判別出對應的故障類型。

表1 SG 典型故障樣本知識庫

2 RBF 神經(jīng)網(wǎng)絡(luò)

Powell D 于1985年提出了多變量插值徑向基函數(shù)(Radial Basis Function，RBF)方法，1988年，Broomhead 和Lowe 等首先將RBF 用于神經(jīng)網(wǎng)絡(luò)設(shè)計，從而確立了徑向基神經(jīng)網(wǎng)絡(luò)［5］。RBF 神經(jīng)網(wǎng)絡(luò)即徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的簡稱，是一種性能良好的神經(jīng)網(wǎng)絡(luò)，具有較好的泛化能力，可以任意精度逼近任意的非線性函數(shù);相比于BP 神經(jīng)網(wǎng)絡(luò)具有更強的自適應、學習等能力。RBF 神經(jīng)網(wǎng)絡(luò)作為一種新興的神經(jīng)網(wǎng)絡(luò)，目前，已廣泛地用于故障診斷研究。本工作采用RBF 人工神經(jīng)網(wǎng)絡(luò)對SG 出現(xiàn)的故障進行識別，可準確而又快速地判斷故障類型，為及早發(fā)現(xiàn)并排除故障起到了重要的作用。

2.1 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

RBF 神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，已證明該神經(jīng)網(wǎng)絡(luò)具有全局逼近的能力，不存在局部最小化問題［6］。假定輸出層只含一個節(jié)點，結(jié)構(gòu)如圖1 所示。一般神經(jīng)網(wǎng)絡(luò)包含了3 層結(jié)構(gòu)，即輸入層、隱含層、輸出層。RBF 神經(jīng)網(wǎng)絡(luò)輸入層到隱含層是權(quán)值為1 的固定連接，隱含層到輸出層為權(quán)連接;神經(jīng)網(wǎng)絡(luò)的輸出為隱含層輸出的線性加權(quán)求和。RBF 神經(jīng)網(wǎng)絡(luò)隱含層的基函數(shù)選取的是關(guān)于中心對稱的高斯函數(shù)，即

式(1)中x 為輸入向量，ci∈Rn為隱層第i 個基函數(shù)的中心，σi決定了基函數(shù)圍繞中心點的寬度。該函數(shù)對輸入數(shù)據(jù)局部產(chǎn)生響應，當數(shù)據(jù)靠近高斯函數(shù)中心時，隱含層節(jié)點產(chǎn)生較大的輸出，反之，產(chǎn)生較小的輸出［7］。隱層神經(jīng)元數(shù)可以在神經(jīng)網(wǎng)絡(luò)訓練時自適應調(diào)整，使得網(wǎng)絡(luò)的適應性得到了加強。RBF 神經(jīng)網(wǎng)絡(luò)的輸入層實現(xiàn)x→Ri(x)的非線性映射，輸出層實現(xiàn)Ri(x)→y 之間的線性映射。其輸出為

圖1 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

式(2)中w=［w1，w2，…，wm］T，wi為隱含層第i 個節(jié)點到輸出的連接權(quán)值。

RBF 神經(jīng)網(wǎng)絡(luò)主要依靠在學習過程中確定隱含層基函數(shù)中心、方差以及隱含層至輸出層的連接權(quán)值這幾個主要參數(shù);從而建立輸入與輸出之間的映射關(guān)系。本工作采用Matlab 神經(jīng)網(wǎng)絡(luò)工具箱中的newrb()函數(shù)來實現(xiàn)RBF 神經(jīng)網(wǎng)絡(luò)的設(shè)計。其調(diào)用格式:net=newrb(P，T，goal，spread，MN，DF)，其中P 與T 分別為輸入向量和目標輸出向量;goal 為神經(jīng)網(wǎng)絡(luò)的目標誤差;spread 為擴展常數(shù);MN 為神經(jīng)元個數(shù)最大值;DF 為訓練過程最大頻率;通過調(diào)整該函數(shù)的訓練參數(shù)值來達到網(wǎng)絡(luò)的訓練效果，該函數(shù)初始時不含有徑向基函數(shù)神經(jīng)元，采用迭代的方法，每迭代一次可自動增加隱含層神經(jīng)元數(shù)，直到網(wǎng)絡(luò)達到指定的均方差目標值為止［8］。

2.2 RBF 神經(jīng)網(wǎng)絡(luò)故障診斷

將核動力裝置傳感器中傳來的樣本數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)的訓練。從樣本數(shù)據(jù)中提取征兆參數(shù)并進行歸一化處理，處理后的參數(shù)作為輸入向量送入設(shè)計好的RBF 神經(jīng)網(wǎng)絡(luò)進行訓練;針對每種故障類型選取了10 個故障樣本用于訓練，訓練成熟后的神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)值將不再改變;此時神經(jīng)網(wǎng)絡(luò)記憶了每種故障類型的相應特征;訓練好的神經(jīng)網(wǎng)絡(luò)可用于SG 的故障診斷。當輸入的征兆與訓練過程中神經(jīng)網(wǎng)絡(luò)記憶的某個故障類型的特征較為接近時，神經(jīng)網(wǎng)絡(luò)通過訓練階段獲取的知識判斷出該組征兆所對應的故障，并將對應故障作為神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果。

3 基于Labview 的故障診斷系統(tǒng)

3.1 Labview 編程語言

Labview(laboratory virtual instrument engineering workbench)是美國國家儀器公司提供的一個圖形化編程環(huán)境，俗稱G 語言。運用模塊化的編程思想，將任務分由幾個不同子程序完成，在主程序中集合不同的子程序?qū)崿F(xiàn)不同的功能。該軟件程序編寫簡單、直觀、易于理解。每一個程序稱為VI，每個VI 由前面板、程序框圖和圖標連接端口構(gòu)成［9］。程序設(shè)計與傳統(tǒng)語言相似，用戶可在前面板自定義控件來模擬真實的物理儀器，建立基于虛擬儀器的交互式用戶界面，便于系統(tǒng)開發(fā)。

由于Labview 未提供神經(jīng)網(wǎng)絡(luò)工具箱，在Labview 中實現(xiàn)神經(jīng)網(wǎng)絡(luò)的方法主要有3 種:通過Labview 中的CIN 節(jié)點調(diào)用外部編譯好的C 語言代碼;直接使用Labview 編寫程序;調(diào)用Labview 中的Matlab Script 節(jié)點，用Matlab 編寫程序［10］。基于前兩種方法的神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)較為復雜，神經(jīng)網(wǎng)絡(luò)訓練效率難以保證。因此，本工作采用Labview 調(diào)用Matlab Script 節(jié)點的方式，借助Matlab 中提供的神經(jīng)網(wǎng)絡(luò)工具箱，使用newrb()函數(shù)訓練RBF 神經(jīng)網(wǎng)絡(luò)，以此來提高故障診斷效率。

3.2 Labview 與神經(jīng)網(wǎng)絡(luò)結(jié)合的診斷系統(tǒng)結(jié)構(gòu)

在Labview 前面板中診斷系統(tǒng)界面易于設(shè)計，擴展性強，RBF 神經(jīng)網(wǎng)絡(luò)適合用于故障診斷研究。將Labview 與RBF神經(jīng)網(wǎng)絡(luò)結(jié)合建立了故障診斷系統(tǒng)，系統(tǒng)結(jié)構(gòu)示于圖2。從核動力裝置采集到的參數(shù)信息經(jīng)過提取后得到SG 故障征兆參數(shù)值，送入Labview 平臺對征兆參數(shù)進行處理，處理后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，通過調(diào)用Matlab Script 節(jié)點使用編譯好的RBF 神經(jīng)網(wǎng)絡(luò)對其進行學習和訓練，訓練成熟后的神經(jīng)網(wǎng)絡(luò)用于SG 故障診斷。將神經(jīng)網(wǎng)絡(luò)進行故障識別后的輸出結(jié)果輸入故障診斷子VI，故障診斷子VI 由輸出結(jié)果尋找該故障類型所在位置并輸出故障代碼，進一步送入已建好的故障數(shù)據(jù)庫中，故障數(shù)據(jù)庫查找該代碼所對應的故障信息;將查找后的診斷結(jié)果顯示于前面板。故障診斷流程如圖3 所示。

圖3 故障診斷流程

故障診斷子VI 根據(jù)設(shè)定的閾值進行故障類型的判斷與顯示。若神經(jīng)網(wǎng)絡(luò)診斷后的輸出結(jié)果某列最大值大于0.9，經(jīng)故障數(shù)據(jù)庫查找后顯示該故障診斷結(jié)果及有關(guān)信息;同時布爾控件指示燈顯示紅色報警信息。若某列最大值在0.6與0.9 之間，則顯示為此次診斷不可靠，指示燈為黃色。若某列最大值小于0.6，則顯示無故障，此時指示燈顯示綠色，表示正常。障診斷子VI 程序框圖見圖4。蒸汽發(fā)生器故障診斷系統(tǒng)主界面由4 個模塊構(gòu)成。分別為參數(shù)處理模塊，神經(jīng)網(wǎng)絡(luò)訓練模塊;故障診斷模塊;系統(tǒng)幫助模塊。4 個模塊分別由4 個不同的子VI 構(gòu)成，分別完成不同功能;系統(tǒng)幫助模塊詳細介紹蒸汽發(fā)生器故障診斷系統(tǒng)構(gòu)成以及故障診斷原理。從核動力裝置采集到的征兆參數(shù)送入?yún)?shù)處理模塊進行處理，再由神經(jīng)網(wǎng)絡(luò)訓練模塊進行故障識別;最后故障診斷模塊調(diào)用經(jīng)神經(jīng)網(wǎng)絡(luò)識別后的輸出結(jié)果并在前面板顯示故障信息。

圖4 故障診斷子VI 程序框圖

4 診斷實例分析

某蒸汽發(fā)生器運行過程中，表現(xiàn)出一組征兆，征兆參數(shù)經(jīng)過模糊量化處理后為:(0.75、0.5、0.5、0.75、0.27、0.5、0.75、0.5、0.5、0.5、0.5、0.5、0.5)，將其輸入到訓練好的RBF 神經(jīng)網(wǎng)絡(luò)中，調(diào)用Matlab Script 節(jié)點，經(jīng)sim()函數(shù)仿真計算后;神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果:(-0.011 1、-0.004 9、1.022 9、-0.005 7、0.005 4、-0.006 6);神經(jīng)網(wǎng)絡(luò)通過聚類功能識別出故障，由故障診斷模塊顯示該組征兆所對應的故障類型;故障診斷結(jié)果前面板如圖5 所示。

圖5 故障診斷模塊前面板

由診斷結(jié)果可知，該組征兆所對應的故障為蒸汽發(fā)生器蒸汽出口閥卡死。通過故障診斷模塊可以知道是否存在故障，當故障診斷模塊處于運行狀態(tài)時，表示正在診斷;一旦存在故障，前面板布爾指示燈顯示紅色，并給出可能的故障原因及運行指導。點擊“生成報表”可以將故障信息以報表的形式顯示。該故障診斷系統(tǒng)給出的診斷結(jié)論為:

1)診斷結(jié)果:蒸汽出口閥卡死。

2)故障原因:可能為閥門機械故障或閥門控制機構(gòu)失靈。

3)運行決策指導:啟動核設(shè)備故障應急方案，檢查閥門及控制機構(gòu)線路;以恢復蒸汽出口閥正常功能。

4)診斷時間:2014 -6 -23 11:09:19。

5 結(jié)論

將RBF 神經(jīng)網(wǎng)絡(luò)用于蒸汽發(fā)生器的故障診斷，使用Labview 來實現(xiàn)診斷系統(tǒng)的界面設(shè)計，節(jié)省了系統(tǒng)開發(fā)時間，便于故障診斷。本工作重點了故障診斷系統(tǒng)的軟件設(shè)計，通過Labview 與Matlab 混合編程，借助兩者的優(yōu)勢;將復雜的算法應用于虛擬儀器開發(fā)中，實現(xiàn)有效地結(jié)合;可快速開發(fā)功能強大的故障診斷系統(tǒng)用于故障的實時診斷與顯示。實驗表明，基于智能虛擬儀器技術(shù)建立的故障診斷系統(tǒng)易于實現(xiàn)、界面友好、能夠?qū)收线M行有效地判斷。核動力裝置是個復雜的系統(tǒng)，設(shè)備故障存在多方面的原因，因此，需要不斷地從實際運行經(jīng)驗中獲取知識，完善故障樣本知識庫，從而建立完整的故障診斷系統(tǒng);Labview 仿真軟件具有強大的數(shù)據(jù)采集、處理等功能，可應用于核動力裝置狀態(tài)監(jiān)測、故障診斷及控制系統(tǒng)仿真研究中。

［1］張大發(fā).船舶核反應堆運行與管理［M］.北京:原子能出版社，1997.

［2］周剛，張大發(fā)，蔡章生.人工神經(jīng)網(wǎng)絡(luò)理論在核動力領(lǐng)域的應用與展望［J］.核技術(shù)2004，27(3):237-240.

［3］丁訓慎.壓水堆核電廠蒸汽發(fā)生器傳熱管破裂事故及其處理［J］.核電工程與技術(shù)，1991，4(3):20-24.

［4］史凱，孫建華.付明玉，等.船舶核電廠蒸汽發(fā)生器故障診斷系統(tǒng)研究［J］.哈爾濱工程大學學報，2001，22(3):1-4.

［5］徐麗娜.神經(jīng)網(wǎng)絡(luò)控制［M］.北京:電子工業(yè)出社，2003.

［6］Binchi M，F(xiàn)ransconi P，Gori.Learning without Local Minima in Radial Basis Function Networks［J］.IEEE Trans on Neural Networks，1995，6(3):749-755.

［7］周東華，葉銀忠.現(xiàn)代故障診斷與容錯控制［M］.北京;清華大學出版社，2000.

［8］周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其Matlab 仿真程序設(shè)計［M］.北京:清華大學出版社，2004.

［9］喬瑞萍.Labview 大學實用教程［M］.3 版.北京:電子工業(yè)出版社，2008.

［10］熊秀，石秀華.用Labview 實現(xiàn)神經(jīng)網(wǎng)絡(luò)控制［J］.測控技術(shù).2005，24(3):51-54.