凝給水系統故障分析及其診斷技術研究

李成鈿 何 歐 潘隆軒 程笑宇 王宏業

（中國核動力研究設計院反應堆運行與應用研究所）

凝給水系統是工程試驗裝置的核心系統之一，二回路的重要組成部分，對整個裝置的穩定運行起著至關重要的作用［1］。 某企業現有的二回路凝給水系統采用了大量新技術和新設備，系統極為復雜，涉及多個子系統，各個子系統相互影響，其中任一設備出現故障都將對凝給水系統的安全生產帶來威脅，甚至影響整個裝置的穩定運行［2，3］。系統性能跨越式發展的同時也給故障診斷帶來了新的難題，受系統復雜性影響，操作員難以迅速確定故障發生的機理， 并定位故障地點。為了盡快處理故障， 避免故障影響進一步擴大，亟待建立新的凝給水系統故障知識庫［4］。 筆者以最新凝給水系統為研究對象，結合調試運行過程中主要設備的實際情況與專家經驗，建立故障知識庫。

此外，凝給水系統故障種類繁多，而且故障現象與故障原因的映射關系復雜，致使傳統的基于系統模型的故障診斷方法排除故障效率欠佳、準確率低，操作員精神壓力大。 復雜系統的故障診斷歷來是學者們不斷攻克的難題，隨著近些年人工智能故障診斷方法的大規模發展，學者們將專家系統、神經網絡及深度學習等人工智能方法應用在核電廠和核動力裝置的系統故障診斷中［5～9］。 為了有效地實現新凝給水系統的故障診斷，筆者提出基于深度置信神經網絡的凝給水系統故障在線診斷技術。

1 凝給水系統故障知識庫

凝給水系統由多臺蒸汽發生器、 汽輪給水泵、給水調節閥、冷凝器、凝水泵、熱井及水位調節閥等構成，系統結構如圖1所示。

圖1 凝給水系統結構簡圖

凝給水系統的主要功能是： 抽出1#冷凝器和2#冷凝器中的凝水， 由水質處理模塊去除凝水中的雜質，使之達到蒸汽發生器水質指標后，通過汽輪給水泵輸送到蒸汽發生器；在系統運行過程中，需時刻調節共用冷凝器的水位并平衡系統水量。 相比于傳統凝給水系統，新凝給水系統的控制方式、運行特點和工作情況變化極大。

凝給水系統按照功能可劃分為給水系統和凝水系統兩個子系統，二者相互配合，缺一不可，子系統中任一設備出現故障或異常情況，都將導致整個凝給水系統參數異常和二回路“癱瘓”。 給水系統通過控制汽輪給水泵給水調節閥的開度和給水泵轉速，將蒸汽發生器壓力調節在規定的范圍內，保證向蒸汽發生器安全穩定地給水。 凝水系統的作用是保持凝水泵出口凝水的壓力在規定的范圍內，將凝水輸送到給水泵，從而完成汽水循環工作。 因此，凝給水系統的故障模式最終體現為蒸汽發生器壓力與凝水泵出口凝水壓力超出規定的范圍。

基于積累的裝置長時間運行統計的凝給水系統故障的經驗，分析凝水泵、汽輪給水泵、給水調節閥及蒸汽發生器等關鍵設備的結構與功能， 提取出新凝給水系統的故障知識庫， 具體見表1。

表1 凝給水系統故障知識庫

（續表1）

2 凝給水系統故障診斷方法研究

深度置信神經網絡通過預訓練受限玻爾茲曼機（RBM）的方法，分析提取原始數據特征并進行數據重建， 進而獲得網絡初始權值和閾值，在提高網絡訓練效率的同時，改善普通深層神經網絡極易陷于局部最優的問題［10，11］。基于以上優點，提出基于深度置信神經網絡的凝給水系統故障診斷方法。

2.1 模型的建立

以表1的凝給水系統知識庫為基礎， 結合裝置實際運行情況和模擬機仿真情況， 總結出6種凝給水系統常見故障：凝水泵汽蝕、汽輪給水泵汽蝕、汽輪給水泵抽氣壓力低、給水調節閥閥位不動、蒸汽發生器給水控制系統失靈和冷凝器水位調節閥無法復位。 共涉及15個參數：1#冷凝器水位、2#冷凝器水位、1#冷凝器凝水過冷度、2#冷凝器凝水過冷度、1#冷凝器真空度、2#冷凝器真空度、1#凝水泵進口壓力、2#凝水泵進口壓力、1#凝水泵出口壓力、2#凝水泵出口壓力、給水流量、給水調節閥壓差、給水壓力、凝水流量和汽輪給水泵轉速。

為建立基于深度置信神經網絡的凝給水系統故障診斷模型， 對6種常見故障和正常工作狀態下的凝給水系統進行診斷，因此診斷網絡模型的輸出層神經元數k為7個；將15個參數作為模型輸入，因此輸入層的神經元數i為15個。 所建立的基于深度置信神經網絡的凝給水系統故障診斷模型如圖2所示，主要包含由2個RBM逐層堆疊而成的深度置信網絡（DBN）和Softmax分類層兩部分，RBM組成結構包含可見層和隱含層， 其中隱含層Ⅰ既是RBM1的隱含層也是RBM2的可見層。故障診斷網絡2層隱含層的神經元個數分別為10和5。

圖2 基于深度置信神經網絡的凝給水系統故障診斷模型

隱含層和Softmax分類層的激活函數以及代價函數E的表達式分別為：

其中，x為網絡輸入向量；zl為第l個節點的輸出值；zc為第c個節點的輸出值；C為輸出節點的個數，即故障的類別數；M為總類別數；為第j個樣本第m類的正確值；為第j個樣本第m類的預測值。

2.2 模型的訓練算法

新凝給水系統故障診斷訓練樣本來自于運行時積累的數據和模擬機仿真數據，以此為基礎構造和擴充得到140組數據樣本。

開始訓練前，首先對樣本輸入（故障征兆）進行歸一化處理，統一映射到［0，1］。 其中，0.25和0.75為凝給水系統正常運行時該輸入變化范圍的下限值和上限值，0和1為該輸入變化范圍的下限值和上限值。訓練前將數據樣本按7∶3劃分為訓練集和測試集。

訓練過程包括無監督預訓練RBM與有監督微調權值和閾值兩個重要環節。 有監督微調過程采用Adam優化算法， 網絡權值W和閾值b的更新公式為：

訓練過程中， 采用批處理法逐批輸入訓練集，對故障診斷模型進行訓練，算法流程如圖3所示。

圖3 新凝給水系統故障診斷模型算法流程

2.3 凝給水系統故障診斷結果

訓練中，取迭代次數為200、學習率為0.018，凝給水系統故障診斷網絡的訓練效果如圖4所示，可以看出，迭代170次后，訓練集代價函數值趨于穩定，迭代收斂；而測試集準確率隨著迭代次數的增加而增大， 最終故障診斷準確率達到98%。

圖4 凝給水系統故障診斷網絡訓練效果

3 結束語

為實現新凝給水系統故障的在線診斷，針對6種典型故障建立了基于深度置信神經網絡的凝給水系統故障診斷模型，診斷結果表明該模型能有效識別出6種典型故障， 減輕了操作員的工作壓力。 所建立的新凝給水系統故障知識庫可為工程試驗裝置運行過程中凝給水系統的故障排查提供技術參考。