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備，也是核動力裝置運行中發(fā)生故障最多的設備之一［1］。SG 作為一、二回路之間的樞紐，將反應堆產生的熱量傳給二回路，產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。

人工神經網絡是一種模擬生物神經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;神經網絡主要利用聯(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。隨著人工神經網絡(ANN)技術的興起，神經網絡在核動力領域開始獲得應用［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，將徑向基人工神經網絡與Labview 相結合用于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;主給水調節(jié)閥自控失調;SG 中U 型傳熱管破裂。

SG 發(fā)生故障時征兆參數具有不同特性及變化范圍，為了區(qū)分故障發(fā)生時相關參數所處的狀態(tài)，通過引入模糊的概念，將SG 發(fā)生故障時的征兆參數模糊量化處理，根據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 個參數作為SG 故障樣本集的征兆參數，將SG 故障征兆所對應的6 種常見故障類型作為人工神經網絡故障識別的輸出結果。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 二次側水位;Z4為二次側頂端溫度;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為主給水調節(jié)閥自控失調;F6為SG 中U 型傳熱管破裂。

由于SG 的故障與征兆之間的關系不能用確切的語言或數據來表示。因此，將征兆參數模糊化處理，量化到［0，1］范圍后;輸入到神經網絡進行訓練，經過訓練后的神經網絡，可實現(xiàn)征兆與故障之間的非線性映射，由神經網絡的輸出結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 神經網絡

Powell D 于1985年提出了多變量插值徑向基函數(Radial Basis Function，RBF)方法，1988年，Broomhead 和Lowe 等首先將RBF 用于神經網絡設計，從而確立了徑向基神經網絡［5］。RBF 神經網絡即徑向基函數神經網絡的簡稱，是一種性能良好的神經網絡，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;相比于BP 神經網絡具有更強的自適應、學習等能力。RBF 神經網絡作為一種新興的神經網絡，目前，已廣泛地用于故障診斷研究。本工作采用RBF 人工神經網絡對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 神經網絡結構

RBF 神經網絡是一種多層前饋神經網絡，已證明該神經網絡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，結構如圖1 所示。一般神經網絡包含了3 層結構，即輸入層、隱含層、輸出層。RBF 神經網絡輸入層到隱含層是權值為1 的固定連接，隱含層到輸出層為權連接;神經網絡的輸出為隱含層輸出的線性加權求和。RBF 神經網絡隱含層的基函數選取的是關于中心對稱的高斯函數，即

式(1)中x 為輸入向量，ci∈Rn為隱層第i 個基函數的中心，σi決定了基函數圍繞中心點的寬度。該函數對輸入數據局部產生響應，當數據靠近高斯函數中心時，隱含層節(jié)點產生較大的輸出，反之，產生較小的輸出［7］。隱層神經元數可以在神經網絡訓練時自適應調整，使得網絡的適應性得到了加強。RBF 神經網絡的輸入層實現(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 神經網絡結構

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

RBF 神經網絡主要依靠在學習過程中確定隱含層基函數中心、方差以及隱含層至輸出層的連接權值這幾個主要參數;從而建立輸入與輸出之間的映射關系。本工作采用Matlab 神經網絡工具箱中的newrb()函數來實現(xiàn)RBF 神經網絡的設計。其調用格式: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 為神經網絡的目標誤差;spread 為擴展常數;MN 為神經元個數最大值;DF 為訓練過程最大頻率;通過調整該函數的訓練參數值來達到網絡的訓練效果，該函數初始時不含有徑向基函數神經元，采用迭代的方法，每迭代一次可自動增加隱含層神經元數，直到網絡達到指定的均方差目標值為止［8］。

2.2 RBF 神經網絡故障診斷

將核動力裝置傳感器中傳來的樣本數據用于神經網絡的訓練。從樣本數據中提取征兆參數并進行歸一化處理，處理后的參數作為輸入向量送入設計好的RBF 神經網絡進行訓練;針對每種故障類型選取了10 個故障樣本用于訓練，訓練成熟后的神經網絡內部參數值將不再改變;此時神經網絡記憶了每種故障類型的相應特征;訓練好的神經網絡可用于SG 的故障診斷。當輸入的征兆與訓練過程中神經網絡記憶的某個故障類型的特征較為接近時，神經網絡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網絡的輸出結果。

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實現(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成［9］。程序設計與傳統(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 未提供神經網絡工具箱，在Labview 中實現(xiàn)神經網絡的方法主要有3 種:通過Labview 中的CIN 節(jié)點調用外部編譯好的C 語言代碼;直接使用Labview 編寫程序;調用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網絡算法實現(xiàn)較為復雜，神經網絡訓練效率難以保證。因此，本工作采用Labview 調用Matlab Script 節(jié)點的方式，借助Matlab 中提供的神經網絡工具箱，使用newrb()函數訓練RBF 神經網絡，以此來提高故障診斷效率。

3.2 Labview 與神經網絡結合的診斷系統(tǒng)結構

在Labview 前面板中診斷系統(tǒng)界面易于設計，擴展性強，RBF 神經網絡適合用于故障診斷研究。將Labview 與RBF神經網絡結合建立了故障診斷系統(tǒng)，系統(tǒng)結構示于圖2。從核動力裝置采集到的參數信息經過提取后得到SG 故障征兆參數值，送入Labview 平臺對征兆參數進行處理，處理后的數據作為神經網絡的輸入，通過調用Matlab Script 節(jié)點使用編譯好的RBF 神經網絡對其進行學習和訓練，訓練成熟后的神經網絡用于SG 故障診斷。將神經網絡進行故障識別后的輸出結果輸入故障診斷子VI，故障診斷子VI 由輸出結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據庫中，故障數據庫查找該代碼所對應的故障信息;將查找后的診斷結果顯示于前面板。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 根據設定的閾值進行故障類型的判斷與顯示。若神經網絡診斷后的輸出結果某列最大值大于0.9，經故障數據庫查找后顯示該故障診斷結果及有關信息;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 個模塊構成。分別為參數處理模塊，神經網絡訓練模塊;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)構成以及故障診斷原理。從核動力裝置采集到的征兆參數送入參數處理模塊進行處理，再由神經網絡訓練模塊進行故障識別;最后故障診斷模塊調用經神經網絡識別后的輸出結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，征兆參數經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 神經網絡中，調用Matlab Script 節(jié)點，經sim()函數仿真計算后;神經網絡的輸出結果:(-0.011 1、-0.004 9、1.022 9、-0.005 7、0.005 4、-0.006 6);神經網絡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;故障診斷結果前面板如圖5 所示。

圖5 故障診斷模塊前面板

由診斷結果可知，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)給出的診斷結論為:

1)診斷結果: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失靈。

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

4)診斷時間:2014 -6 -23 11:09:19。

5 結論

將RBF 神經網絡用于蒸汽發(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建立的故障診斷系統(tǒng)易于實現(xiàn)、界面友好、能夠對故障進行有效地判斷。核動力裝置是個復雜的系統(tǒng)，設備故障存在多方面的原因，因此，需要不斷地從實際運行經驗中獲取知識，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據采集、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.人工神經網絡理論在核動力領域的應用與展望［J］.核技術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，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.神經網絡控制［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.神經網絡模型及其Matlab 仿真程序設計［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)神經網絡控制［J］.測控技術.2005，24(3):51-54.