摘要：本文将时序预报方法与BP神经网络相结合，研究蒸汽发生器故障预报方法。利用BP神经网络在数据处理方面的优越性，通过考虑残差的思想，将时序预报数据与相关的实验数据进行比较实现预报。最后将这种基于时序预报神经网络的预报方法应用于蒸汽发生器故障预报中，并利用Visual C++平台建立了基于时序预报神经网络蒸汽发生器故障预报系统。
1 前言
核动力装置是一个非常复杂的系统，由大量的设备和分系统组成，这样的一个系统在运行过程中会出现各种各样的事件或事故，当这些事件或者事故出现后需要运行人员进行一定的干预。如果还能预测在这些事件和事故后还能发生怎样的连续后果，将对缓解和减少事故的发生起到积极地作用[1]。在核动力装置中，如果很好的采用故障预报技术，可以在运行过程当中及早发现一些事故的隐患，为操作人员提前采取事故应对措施、延缓事故的蔓延、减少事故所造成的破坏起到十分重要的作用[2,3]。
利用神经网络的非线性映射关系进行故障预报已有不少研究结果，但这些方法的最大局限在于对数据要求高和难以处理具有动态特性的早期预报问题。本文引入一种基于时序预报的预报方法，这种方法在这两个问题上有着很大的优势。结合其优点和成熟的BP神经网络开发一种基于时序预报神经网络的故障预报方法，在结果处理方面通过对残差的分析来实现故障预报。
2 时序预报神经网络的故障预报方法
预报模型的结构是由在神经网络训练时输入数据加至神经网络输入节点的组织方式决定的。用 和 分别表示对象的输入和输出。记当前时刻为 ，移动数据窗口中则包含了具有成对关系的数据[4]
（1）
和输出变量数据
（2）
为了使网络预报能力得以实现，对神经网络施以训练样本
（3）
随着 的右移，数据窗生成具有时序关系的训练样本集。
为了能体现远期效应的遗忘过程，在时序输入样本集中引入遗忘因子 ，与此相仿，实际应用中往往希望近期预报能更准确一些，而长期预报可适当放宽要求。为此，在输出样本集中又引入期望因子 。故训练样本集成为如下形式：
（4）
式中因子取值范围为0与1之间的数。
时序预报方法与神经网络相结合，其实可以看成将时序预报方法作为网络的训练技巧，也可以说神经网络是实现时序预报方法的工具。
网络表达式为
（5）
其中 是网络输出， 是网络输入， 是网络内部神经元可训练参数。用向量表示，则有
（6）
在结果处理方面引入残差的概念以达到故障预报的目的。由于现代化控制系统的复杂性，精确的系统模型难以建立。因此，无模型的智能故障预报方法近年来日益受到关注。但是这类方法最大的困难就是需要故障训练样本或者故障先验知识。对于许多复杂系统，故障试验的代价高、危险性大所需的训练数据或先验知识难以全部获得，甚至只能得到系统正常运行的数据而无法得到故障数据，这严重地影响了故障预报的准确性。为此，本文结合时序处理数据的概念引入一种利用系统正常运行数据进行故障预报的思想。
基于时序方法设计的BP网络通过对装置正常运行数据进行训练。我们知道当装置出现故障时，被检测的特征参数会偏离原来正常运行时特征数据的趋势，此时由于训练网络的样本集中不包括这部分信息，网络的输出结果会出现较大偏差，残差(实际值与预测值之差)可以反映数据信息，所以引入残差的平均相对误差 作为判断系统是否发生故障的依据,将其与故障报警控制限 ( 根据经验确定)进行比较,若 ,认为系统正常；若 > ,则认为系统存在故障趋势。
3 蒸汽发生器故障预报系统
整个预报模型的程序流程如图1所示。
图1 网络学习流程图
预报模型的结构是由输入数据加至神经网络输入节点的组织方式决定的。数据处理程序主要功能是在样本训练过程中将样本数据进行处理，使神经网络通过样本的训练可以达到预报模型的要求。初始节点（即 ）选取时可以通过初始化模块进行设置，为了充分利用样本数据和便于数据处理，选择时尽量选择整数时间点上的数据作为初始节点并且不要浪费过多数据。节点前后截取的数据数由网络节点数目的选取为准。这里得到的样本元素形式[4]为：
{ }
其中 为输入变量， 为输出变量， ， 。随着初始节点 的向右移动，程序将一组装置运行参数转换成有时序关系的输出、输入网络训练样本。
预报模型的BP网络经过样本训练就可实现基于装置时序运行参数的预测功能。
根据流程图设计预报系统并对系统应用的BP网络进行设置和训练。样本为选取的部分蒸汽发生器传热管破裂事故实验数据和仿真源数据。取BP网络学习率为0.5、动量因子为0.4，输入层、隐含层和输出层节点数分别为6、10、1。
4 蒸汽发生器故障预报实验
本文采用RELAP5/MOD3作为仿真计算程序进行蒸发器传热管破裂事故的仿真计算，模拟事故。为了描述传热管破裂后蒸汽发生器相关参量实际的变化和预报系统得出结果的情况[5]，采用如下初始条件的工况（SG-1）。初始条件为：稳压器压力为14.9MPa，初始冷管段流体的温度完整回路为542K，破损回路为541K，热管段温度完整回路、破损回路分别为549K和550K，二次系统压力完整回路为5.5MPa，破损回路为5.3MPa，稳压器水位为1.38m，蒸汽发生器二次侧水位完整回路为5.9m，破损回路为4.6m。主要事件时间序列如表1所示。
表1 SG-1主要事件时间序列表
事件 时间（s）
破口发生 100
停堆信号 268
主给水停 268
主泵开始惰转 268
辅助给水投入 268
自然循环开始 320
稳压器排空 350
破损蒸汽发生器二次侧溢满 965
图3a是SG-1工况下从0秒一直到停堆蒸发器液位随时间变化的曲线，可以看到，1-100秒前为正常运行数据，数据波动较小，破口后液位立刻产生显著变化，脱离原来正常运行的数据变化趋势。
利用设计好的基于时序预报神经网络预报系统对蒸汽发生器单根传热管双端断裂工况（SG-1工况）进行预报实验。预报时我们连续取运行数据进行检测。将网络预报数据与实际数据进行误差分析，根据误差计算，考虑输出预测数据与被检测运行数据相对误差量 ，根据对实际故障分析和经验，本文为计算方便，故障报警极限 取6.5%，即 > 时考虑报警。图3b是对数据残差的分析情况。
图3a 蒸汽发生器液位变化曲线
图3b预报结果
从图3b可以看出，在前100秒正常运行时数据的相对误差很小，当时间序列中出现故障序列时，由于数据变化超出网络训练样本的信息，网络开始失效，相对误差无法受到控制，显著增大。于是出现了数据曲线的显著变化。从图中可以看到，误差数据在第105秒左右开始异常增大，相对误差 > ，结合本文前面小节的介绍，可判定此时有故障发生，也就是说在破口刚刚发生5秒左右预报系统就会发出故障报警。
用同样的方法，对蒸汽发生器传热管破损后二次侧压力变化故障数据做同样的分析。如图4。可以看出对于压力变化预测的实验结果，误差在第142秒左右达到报警极限，也就是说破口发生42秒后，预报系统才会报警。这是由于蒸汽发生器二次侧蒸汽空间较大，相对于水位上升的速度造成的压力上升比较缓慢。
图4a蒸发器二次侧压力变化曲线
图4b 预报结果
当传热管出现破口后压力变化比较缓慢，因此预报的滞后是符合实际情况的。比较两次实验结果可以看出，在蒸汽发生器传热管出现破口后，用本预报方法能较快的预报出水位的异常变化，因此针对水位参数数据预报的结果对于确定蒸汽发生器的故障更加理想。
从上面得到的结果可以看出本仿真中当破口发生将近5秒时，即在采样时间第105秒左右预报系统就能发出警报。从图3a可以得到，报警时蒸汽发生器二次侧液位比正常运行时只升高了290mm左右，结合实际蒸汽发生器的运行情况，在这种情况下并没有对蒸汽发生器构成严重危害。从图4a可以得到，当报警时蒸汽发生器二次侧压力还没有明显变化。
5 结论
（1）基于本文介绍的时序神经网络的预报系统，可以较准确地进行蒸汽发生破口事故的预报，证明了文章提出的预报方法可以较好的达到到蒸汽发生器故障预报的目的。
（2）本文提出的预报方法，在数据处理方面引入了一种先进的时序处理概念，在结果处理方面采用了残差理论，使其可以在事故发生的短时间内做出预报，得到了较好的效果，并且避免了对先验数据的过高要求。
参考文献
[1] J.M. Renders, A. Goosens, Viron, M. De Vlaminck. A prototype neural network to perform early warning in nuclear power plant[J]. Fuzzy Sets and Systems.1995,139-151．
[2] 陈浩，郑光明．核电厂故障检测与报警系统的发展概况[J]．原子能技术．2000.11．
[3] Keehoon Kim and Eric B. Bartlett. Nuclear Power Plant Fault Diagnosis Using Neural Networks with Error Estimation by Series Association. IEEE TRANSACTIONS ON NUCLEAR SCIENCE,1996,8．
[4] 冯恩波 肖德云 方崇智．一种基于时序预报神经网络的故障预报方法及其应用[J].自动化学报。Vol.21,No.3，1995. p348-352．
[5] 柴宝华．不同破口面积下蒸汽发生器传热管破裂事故试验研究[硕士学位论文]．中国原子能科学研究院．2001年7月。
|
