《Annals of Nuclear Energy》:Joint study on anomaly detection and remaining useful life prediction of ex-core neutron detector in nuclear power plant under interference factors
编辑推荐:
•系统的离群值预处理方法能有效去除干扰,提升数据质量。•轻量级虚拟冗余异常检测器可定位异常通道并准确识别故障起始时间。•双尺度RUL退化框架同时建模长期和短期趋势,使预测更加可靠。•该方法已在实际机组中程堆外中子探测器数据集上进行了验证。引言中程探测器(IRD)是核电厂运行中
- •
系统的离群值预处理方法能有效去除干扰,提升数据质量。
- •
轻量级虚拟冗余异常检测器可定位异常通道并准确识别故障起始时间。
- •
双尺度RUL退化框架同时建模长期和短期趋势,使预测更加可靠。
- •
该方法已在实际机组中程堆外中子探测器数据集上进行了验证。
引言
中程探测器(IRD)是核电厂运行中最关键的堆外中子探测器,被列为安全相关设备。预测IRD的剩余使用寿命(RUL)对于工程师制定及时的部件更换计划、降低可能危及反应堆安全的潜在风险至关重要。此外,它也是优秀的状态检修(CBM)体系的基础(Ayo-Imoru和Cilliers,2017)。
传统上,核电厂中设备RUL预测方法主要依赖工程师的经验和历史故障率,往往导致保守且劳动密集型的预防性维护策略。设备非健康状态分为异常状态(以性能退化为特征)和故障状态(以丧失必要功能为特征);RUL是指从异常状态到故障状态的时间间隔(Xu等,2023)。由于运行环境复杂且设备具有个体化行为特征,精确的RUL预测极具挑战性。现有方法可分为两类:基于物理模型的模型和基于数据驱动的方法。
基于物理模型的方法需要专业领域知识和精确的数学模型,限制了其适用范围(Lee等,1999;Khan等,2011)。数据驱动方法在建模时不需要明确的物理假设,仅依赖历史运行数据,因此在核电厂中得到了广泛应用(Nguyen等,2008;Peel,2008)。核电厂中RUL预测所使用的数据驱动方法可分为经典方法和新兴方法,主要包括统计方法、贝叶斯相关方法、隐马尔可夫模型(HMM)和人工神经网络(ANN)。
虽然基于统计的方法可以通过拟合退化数据来预测RUL而无需物理老化模型,但当假设的分布与实际设备退化情况不符时,这些方法可能失效(Saarela等,2022;Young等,2024)。Ramuhalli等人提出了一种贝叶斯预测算法,用于估计压水堆中被动部件的RUL(Ramuhalli等,2010)。为提高预测精度,有学者提出了将贝叶斯框架与LSTM网络相结合的框架来预测核电厂中的系统响应(Liu等,2020)。然而,贝叶斯方法依赖于先验分布和关于底层数据的假设,错误设定的先验可能导致有偏预测。
隐马尔可夫模型(HMM)是一种随机过程模型,是RUL估计的有力工具。HMM已被广泛应用于轴承寿命预测(Xu等,2023),因为它们通过建模隐状态来预测未来观测值,这与轴承退化过程相契合。由于核电厂采用保守的维护策略,从运行设备中收集的退化数据有限。有研究提出了一阶不确定隐半马尔可夫过程来研究核电厂中的离心泵(Liu,2020)。然而,HMM假设每个状态对应单峰观测分布;如果退化过程表现出多峰特性(例如存在多种故障模式),HMM可能无法准确捕捉这些模式。
最常用的预测方法基于人工神经网络(ANN)。为了融合工程经验和模型不确定性,模糊逻辑(或模糊推理系统)已被应用于预测汽轮机的RUL(Alamaniotis等,2014)。随着深度学习的兴起,深度神经网络(Utah和Jung,2020)、长短期记忆网络(LSTM)(Wang等,2020)和时序卷积网络(Wang等,2020b)已被应用于预测核电厂中阀门的RUL。为提升预测性能,许多组合深度学习算法已被应用于核电厂(Sun等,2025;Khattak等,2026;Wang等,2025)。
然而,上述大多数方法并未在存在干扰因素的情况下同时考虑异常检测和RUL预测。针对IRD的RUL预测面临的挑战,本文提出并验证了一个两阶段框架。第一阶段,开发了一种轻量级虚拟冗余异常检测器,用于定位异常的IRD通道并估计其故障起始时间。第二阶段,实现了RUL预测器,采用Prophet结合滑动窗口方法进行短期和长期预测,分别生成每日和每周预测结果。
主要贡献如下:(1)开发了系统的离群值数据预处理方法以去除干扰,并在实际IRD数据上进行了验证。(2)提出了一种基于轻量级虚拟冗余的异常检测方法,可定位异常的IRD通道并识别其故障起始时间。(3)提出了双尺度RUL退化趋势框架,用于长期和短期预测。
章节摘要
中程中子探测器简介
堆外中子探测器通过安装在反应堆压力容器外侧的一组探测器获取中子通量测量值,可提供连续的反应堆功率监测。其可分为三个测量通道:源量程通道、中量程通道和功率量程通道。中程探测器(IRD)具有最宽的测量范围、最复杂的实现方式和实际电厂运行中最高的故障率。IRD布置如图所示于图1。四个相同且独立的IRD
所提方法
IRD异常检测与RUL预测的联合研究框架如图2所示。该框架包含三个模型:数据预处理模型、异常检测模型和RUL预测模型。RUL预测模型包括三个子模型:故障日期预测子模型、每日滚动预测子模型和每周滚动预测子模型。原始IRD电流数据由核电厂的分布式控制系统(DCS)采集。由于DCS数据采集
实验结果与讨论
为评估所提方法的可行性,设计了联合异常检测与RUL预测框架。实验使用了一台配备NVIDIA GeForce GTX 1080(8 GB)GPU、Intel CPU(4.00 GHz)、三星850 PRO 512 GB SSD(MZ-7KE512B)和24 GB RAM的台式计算机。软件环境包括基于Python 3.5.3的TensorFlow(默认库)。采用MAE、MSE和MAPE作为评价指标来评估预测模型的性能。
结论
本文提出了一种融合虚拟冗余异常检测模型的RUL预测方法,用于预测IRD的剩余使用寿命。所提技术为核电厂的运行维护决策提供了有价值的支持。利用离群值检测算法消除了影响IRD的RUL预测的离群值。利用四个IRD之间的关系构建了异常检测模型,用于识别异常通道及其故障起始
利益冲突声明
作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。
徐永|蔡云泽|宋琳|杨汝珍|吴慧馨|黄宪轩