基于數據驅動的核電設備狀態評估研究綜述

核電廠設備狀態評估是保障核電廠進行安全運行的提前條件，同時也是提高設備可靠性的重要手段，一直以來都面臨著設備數量巨大且種類繁多、部分區域設備運行環境惡劣(高溫、高壓、高輻射等)以及部分設備位于人員不可達區域等問題.目前，主要利用被監測參數變量的閾值進行核電設備的異常監視或故障診斷.但在面對系統與系統、設備與設備的復雜數據接口，以及高緯度、多變量數據時，變量閾值法過于簡單，評估效果不佳.此外，目前主要依賴設備運行的故障情況、運行維修手冊和相關經驗數據預估設備壽命周期，并給出設備的預防維修策略.但在設備壽命評估過程中，受設備運行環境、溫度和狀態以及設備工程師的經驗水平等因素影響，同時存在設備過度維修和失效未及時發現的問題.在故障診斷方面，多依賴于工程師的經驗和技術水平進行故障定位和排查，從而判斷設備的運行參數和故障后的測量參數，該過程耗時往往較長，對核電的可靠運行是一個巨大考驗.

在線監測系統和智能巡檢系統等新技術通過各類傳感器或巡檢采集海量核電設備相關運行數據，能夠為核電廠設備的狀態評估積累數據.近年來，核電廠逐漸引入新技術，國內外專家學者也逐步關注核電設備的可靠性分析、異常辨識和故障診斷等相關領域研究，在提高核電廠的安全性和降低維護成本方面，取得了一定成效.

基于上述背景，本文介紹核電設備的監視和檢修維護現狀，引出設備狀態與維修策略之間的關系.基于數據驅動，重點綜述設備的異常檢測、故障診斷和壽命預測，并結合核電廠設備狀態評估發展新趨勢，探討深度學習技術在該領域的應用前景；進一步指出未來研究中將面臨的挑戰和解決方案，重點闡述核電廠的潛伏性故障研究.具言之，首先詳細描述在線監督和檢修維護的現狀，包括核電廠設備狀態監視現狀、檢修維護現狀和存在問題；其次介紹核電廠常見的機械、電氣和儀控設備及故障模式；再次從異常檢測、故障診斷和壽命預測3個方面詳細闡述核電設備的狀態評估方法；最后介紹深度學習在核電設備狀態評估中的探索研究，以及核電設備狀態評估面臨的挑戰及其解決方案.

1 核電廠在線監測與檢修維護現狀

1.1 核電廠設備狀態監測現狀

核電廠設備狀態監測主要分為在線監測和離線監測，其中在線監測是將傳感器數據接入核電廠全廠數字化儀控系統實現設備監測.以壓水堆核電廠為例，在線監測框架如圖1所示，包括微機診斷、在線監督和工藝參數監控等3部分.離線監測主要采用人工巡檢和設備定期試驗的方式進行，現有核電廠設備的監測與檢修、在線監測與離線監測并重，涉及設備層、儀表層、自診斷層、設備監視層和設備監督層.依據設備診斷方式不同，分為以下4種類型的診斷與告警.

(1) 設備狀態的離線監測診斷.分為定期試驗和人工巡檢.在定期試驗中，核電廠的相關法規規范HAF102、IEC 60671—2007、IEEE 338—2006和GB/T 5204—2008等對核電廠設備的定期試驗內容和周期等均進行了要求，包括正常功率運行和機組大修情況下的定期試驗.定期試驗的目的為確保設備在事故工況下的可用性，以及考慮到部分設備的老化、性能下降問題，需要進行測試以確保核安全.其執行的主要內容包括現場儀表校驗、核安全設備是否正常動作、管道焊縫檢驗、貫穿件密封性試驗、水壓試驗、安全殼打壓試驗和安全系統監督試驗大綱要求的相關定期試驗項目等.在人工巡檢中，考慮到在線監督無法覆蓋所有核電廠設備的故障情況，核電廠工程師需要定期巡檢設備，主要采用熱成像儀等巡檢工具，以及聲音、振動、目視檢查等人工巡檢方式.

1.4 統計學方法 采用SPSS 22.0統計學軟件對數據進行處理。計量資料以均數±標準差表示，組間比較采用t檢驗；計數資料以例(百分率)表示，組間比較采用χ2檢驗。以P<0.05為差異有統計學意義。

她一上車就說，好幸運，暴雨天打到了車。但這話剛說完，她就發現一個問題，都這么晚了，她家住得有點偏，還下這么大雨——她越想越害怕。這時候，司機問她，“這么晚了，你是剛下班嗎？”

(2) 控制電氣類設備微機診斷.涉及的核電廠設備主要為電氣保護和控制類帶微處理器單元設備，包括集散控制系統、可編程邏輯控制器和廠家的微機處理器.一般情況下，設備以綜合報警的形式將自身狀態監測通過全廠數字化儀控系統傳送至設備監視層人機界面，并進行綜合報警.其診斷信息若沒有接入全廠數字化儀控系統，則以就地報警的形式進行報警顯示.

(3) 機電工藝參數監控.主要監控系統現場運行工藝參數和設備運行參數，并通過設備監視層的人機界面進行監視.從系統和設備兩個層級劃分為反應堆安全及工藝系統的狀態監測和設備運行的工藝參數狀態監測.前者從整體工藝系統和反應堆的安全狀態考慮，對采集到的溫度、壓力、水位和反應堆中子注量率等現場工藝參數數據進行邏輯判斷，由特定的控制系統給出故障診斷，并做出邏輯動作；該類型故障或異常報警閾值主要依靠核電廠設計單位對反應堆安全及工藝系統的運行要求進行設定.后者主要監測核電廠設備的運行參數，保護設備安全運行.主要涉及的設備包括：① 汽輪機、應急柴油機、泵、閥門、風機等轉機設備；② 發電機、電動機、變壓互感器、開關、電纜、蓄電池等電氣設備；③ 部分容器、交換器、管道等靜機設備.其狀態監測系統主要利用設備上的相關傳感器收集相關數據，并根據廠家對機械設備保護的要求設置報警閾值、進行設備故障診斷、報警和保護動作.

(4) 早期故障在線診斷.當上述控制電氣類設備微機診斷和機電工藝參數監控觸發告警時，設備已處于故障模式或已影響核電廠的正常運行.如何能夠在故障出現前，識別和評估現場的故障風險是當前核電設備狀態評估的發展趨勢.依托于現有數字化電廠，全廠數字化儀控系統將現場采集到的各類設備數據上傳至在線狀態評估系統中，突破原有單純依靠故障報警閾值的觸發機制，利用數據驅動建模分析手段，構建核電設備狀態評估模型, 實現在故障報警之前識別早期故障風險，提升核電廠設備監測水平，是目前業內重點關注的研究領域.

1.2 核電廠檢修維護現狀與問題

目前，核電廠的維修策略多采用周期性預防性維修與故障性維修策略相結合的方法.周期性預防性維修主要包括對設備進行定期加油、加脂等保養，根據設備部件的預期壽命定期更換老化部件.故障性維修是對設備故障進行的搶救性維修.現有核電廠維修策略多關注于尋求預防維修和故障性維修之間的最佳匹配平衡點，盡量避免過度維修或維修不及時，但采用該策略存在如下問題：

大劑量甲氨蝶呤治療兒童急性淋巴細胞白血病后的不良反應及血藥濃度監測…………………………………………………………………… 李 靜，等(4):431

(1) 利用人工經驗判斷不易得到最優預防性維修周期.預防性維修周期往往是基于設備工程師或維修工程師對整個設備的運行故障經驗、廠家設備運行維護手冊和外部同行電廠經驗反饋的綜合考慮，并結合工程師經驗而設定，受主觀因素的影響較大，且設備工程師往往無法給出準確的最優預防性維修周期.

(2) 現有設備產品的整個生命周期均采用同一個預防性維修策略，使得維護周期不夠靈活.產品預防性周期的調整僅根據相同或同類產品的相關故障情況的經驗反饋，以及工程師經驗進行人為判斷.而更合理的維修策略應為隨著產品的老化，逐步增加維護手段或維護頻度，但該方面依賴于對設備老化狀態的有效評估.

(3) 現有采用保守定期部件更換的維修策略，其維修代價高昂.目前，預防性維修策略因不能有效判斷設備的運行情況，而存在過度維修問題，從而消耗大量人工和備品、備件.

綜上所述，預防性維修與故障性維修策略相結合的方法無法執行有針對性的維修.因此，利用大數據分析技術，將預防性維修與故障性維修相結合的維修策略向基于狀態維修策略轉變是核電廠運維檢修的必然趨勢.

2 核電廠設備及其常見的故障分析

以壓水堆核電廠為例，根據系統設備所在的位置與功能，其設備組成通常可分為3部分：①反應堆及其有關的一回路主輔系統和設備以及所在建筑物，即核島；②汽輪發電機組及其有關的二、三回路系統和設備以及所在建筑物，包括循環水系統及其建筑物，即常規島；③相關外圍輔助系統.而根據核電廠內設備類型又可分為機械類設備、電氣類設備和儀控類設備.核電機械類設備主要由轉機械設備和靜機械設備組成，核電電氣類設備主要由電機等大型設備、各類變壓器設備、繼電保護設備和其他設備組成，核電儀控類設備由安裝在現場的各類探測器、集散控制系統(DCS)和可編程邏輯控制器控制系統等組成，其常見設備種類和故障類型如表1～3所示.

分析上述3類核電設備的故障模式.可知，大部分故障的產生原因為長期服役過程中設備或部件的逐漸劣化.對于核電廠的絕大多數設備而言，依據其在線檢測的時序數據，可以將失效過程分為兩個階段：第一個階段為從系統安裝調試運行到出現異常的正常工作階段，在該階段監測得到的數據一般比較平穩，沒有明顯的變動趨勢.第二階段是從異常點出現到系統退化直到失效的過程，該階段監測得到的數據將呈現一定的退化趨勢，可以根據退化趨勢建立模型，預測系統的壽命或剩余壽命.一些電儀類部件的失效具有瞬時性，一般情況下可以通過統計該部件或設備的工作壽命，對現有運行設備進行壽命預測.

將第二階段作為設備狀態評估的關鍵，以便制定相應的維修方案.設備狀態與維修策略關系如圖2所示，包括3種類型的設備生命周期狀態評估，即設備的異常檢測、壽命預測和故障診斷.針對上述核電設備狀態評估類型，圍繞基于數據驅動的方法，對現有國內外相關研究進行分析總結.

3 核電設備狀態評估方法

(3) 核電廠在安裝和調試設備過程中產生的數據.該數據中的部分數據以紙質版形式記錄在安裝文件和調試報告中；部分數據由全廠數字化儀控系統采集，但同樣具有分散和摻雜人工因素判斷等特點.

近年來的研究也逐漸關注到數據驅動的異常檢測方法.系統的動態特性必然表現在變化的輸入輸出數據中，通過分析在線監測系統獲得大量運行數據，有望獲得對設備狀態的實時評估.因此，以神經網絡為代表的數據建模手段開始應用于核電設備異常檢測.Kozma等針對堆芯泡核沸騰問題，采用三層前向神經網絡建立冷卻劑狀態變化的檢測模型，并取得初步進展.此后，該團隊進一步將神經網絡應用于核電廠大系統，實現在一個比較寬的功率范圍內實時檢測核電啟堆、停堆以及穩態情況下的數據異常.在此基礎上，該團隊又基于神經網絡設計了專家系統，對異常原因進行定位，主要研究包括一回路冷卻劑微小泄漏、主蒸汽隔離閥泄漏、部分失去主給水等多個事故工況的故障問題.但上述神經網絡的應用均采用單一神經網絡，考慮到經典三層神經網絡的學習性能和泛化能力面臨多維數據的局限性，Ayaz提出將單一神經網絡擴展到多個神經網絡.此后，一些新的機器學習算法也逐步得到應用.Stephen等利用隱馬爾科夫模型對氣冷式反應堆的燃料抓斗負荷跟蹤數據進行異常檢測；Jin等為解決核電設備的伴生異常問題，利用符號動態濾波法檢測微小且發展緩慢的異常; Cózar等將動態貝葉斯網絡應用到核電站異常檢測.2005年，SVM模型嶄露頭角.與神經網絡相比，SVM無需調參，模型訓練更高效，更易獲得全局最優解.Rocco等將單分類SVM和多分類SVM組合成層次結構的分類器，能夠辨識核電系統中暫態過程的異常; Ayodeji等利用多分類SVM對核電廠蒸汽發生器傳熱管出口、入口以及穩壓器破口事故等多個異常進行分類檢測; Wang等進一步利用改進粒子群算法優化SVM參數，提升了SVM的精度和速度，并應用于LOCA檢測問題.

(2) 核電廠設備在制造和出廠測試過程中產生的數據.該數據主要為由廠家以設備完工報告形式提交的PDF版離散數據，需要由有經驗的工程師尋找獲取數據，且需要進行必要的文件格式轉換.

核電廠設備數據的獲取和質量是基于數據驅動方法的核電廠設備狀態評估的基礎.目前，核電廠設備數據主要包括以下幾種：

總體而言，在建造、安裝和調試階段產生的核電廠數據的整體質量不高，需要人工清洗；在運維階段，由全廠數字化儀控系統和就地采集柜獲取的數據，其整體質量相對較高，但在應用到設備的狀態評估算法之前，仍需要對數據進行清洗和加工.

傳統機器學習方法的數據特征依靠人工提取，在面對核電廠日益復雜的非線性動態系統、大量狀態參數和大量故障信息及特征時，往往存在性能瓶頸.2016年后，深度學習作為機器學習利器異軍突起，其通過深度層次網絡自動提取數據特征，可獲得更易于辨識診斷的高層特征.DBN是早期比較實用的深度學習網絡，Mandal等利用DBN對核電廠堆芯熱電偶進行故障檢測，并利用廣義似然比檢驗進行故障分類，獲得93.78%的故障識別率.Peng等利用相關性分析過濾故障數據中的無關或弱相關參數，并同樣利用DBN進行數據預訓練和調參，應用于失去一回路冷/熱段破口、蒸汽管道破口、蒸汽超負荷、SGTR等事故的故障診斷.陳玉昇等直接將時域信號數據輸入DBN并進行訓練和整體微調，研究LOCA和U型管破裂事故，整體故障識別率達97%.上述研究結果均表明DBN性能優于反向傳播神經網絡和SVM.

從K鄰近值(KNN)、決策樹、隨機森林、隱馬爾科夫、SVM、主成分分析(PCA)等傳統機器學習算法，到目前熱門流行的深度神經網絡(DNN)、長短時記憶網絡(LSTM)、DBN等深度學習算法，以及自編碼器等人工智能方法均在核電廠的設備狀態評估方面應用廣泛.

的士直接開到了竹韻居住的宿舍大院停下來，竹韻從屋里推出輪椅，坐在司機副座的公司男員工下車，打開車門把龍斌抱到了輪椅上。竹韻付了車費，推著龍斌回到屋里，男員工和小保姆提著從醫院帶回的生活用品跟在后面。男員工喝了茶告辭回公司上班去了，小保姆在一旁開始整理從醫院帶回的東西。竹韻推著龍斌來到了電腦前為他開了機，打開了電子信箱：“阿斌，你住院期間，收到了好多網友的郵件。你看，他們都很關心你！”

浙江省已建成水庫4 000多座，總庫容380多億m3，灌溉農田1 200多萬畝（80多萬hm2），年供水量90多億m3，年發電量約 60億 kWh。浙江省大部分大中型水庫工程修建于20世紀六七十年代，工程運行管理面臨財政投入水平低、管理維護經費短缺、員工待遇低等問題，制約了水庫生存和發展，嚴重影響水庫效益的發揮。為切實了解浙江省大中型水庫財務運行實際狀況，于2010年9月開始對浙江省內大中型水庫進行了典型調查，涉及省內7個地市53座水庫。

3.1 基于數據驅動的核電設備異常檢測研究現狀

核電設備異常檢測的早期研究主要是基于模型驅動的檢測方法.Tamaoki等針對快中子堆的冷卻系統異常檢測問題，建立溫度噪聲監測模型.但是模型驅動法需要以充分理解系統工作原理為前提，才能利用數理定律推導出描述系統的數學模型.而核電系統具有非常復雜的工作原理和結構組成，精確建模面臨著較高挑戰.

(1) 在核電機組運維期間產生的數據.該數據主要由現場儀表采集，如一回路/二回路的壓力、溫度、水位等傳感器采集的工藝參數數據，汽輪機/主泵的轉速、振動、出口流量、壓力等設備狀態數據.其中，設備狀態數據可以通過全廠數字化儀控系統獲取，剩余一小部分可以通過現場二次儀表和就地獨立采集柜獲取，其基本為時間序列數據，采樣時間間隔與核電廠所采用的全廠數字化儀控平臺相關，采樣間隔基本不固定，且數據隨著現場機組狀態和設備啟停改變，易受現場高溫、高輻照等工業環境干擾.此外，在核電機組運維階段中還包括由人員巡檢、設備定期試驗等產生的數據，主要以巡檢報告、定期試驗報告等紙質報告形式留存，數據的時間跨度大、分散廣，采集難度較大.

影響基于數據驅動的異常檢測模型檢測精度的關鍵在于對異常數據的特征提取.近5年，PCA作為主流的核電數據特征提取方法，廣泛應用于各類模型構建前的數據降維和核心特征提取.為進一步解決非線性的異常檢測問題，Wang等將KPCA法應用于傳感器數據讀取的異常檢測，同時作為相似度聚類算法的特征提取，以分辨異常的類型和程度.Peng等利用稀疏自編碼器進行特征提取和降維，并利用孤立森林法對LOCA、蒸汽管線破口、蒸汽傳熱管破裂、甩負荷等故障進行異常檢測，獲得了比SVM更優越的檢測性能.

黨的十九大報告明確指出，我們要建設的現代化是人與自然和諧共生的現代化，既要創造更多物質財富和精神財富以滿足人民日益增長的美好生活需要，也要提供更多優質生態產品以滿足人民日益增長的優美生態環境需要。交通運輸是導致氣候變化、環境污染的重要原因之一，測試工況與實際工況下的排放差異，表明傳統的計算方法不再適用，需要有效地建立城市交通排放治理機制和實現達峰的愿景，需根據實際工況建立科學、客觀的移動源MRV排放測量標準，來量化每一次交通出行行為的環境影響，從而更合理的制定城市道理交通規劃與相應政策，推進城市環境的優化。

對異常檢測而言，數據源形式多樣，全面的同源設備數據信息不易獲取.一方面，目前只有部分傳感器數據進入全廠數字化系統，而沒有進行全廠數字化系統改造的核電廠只能夠獲取較少的在線監測數據.另一方面，核電設備獲取的數據存在異構性，如維修或定期試驗數據以紙質單形式存在；還有一些數據信息則因設備廠家之間接口的壁壘而難以獲取.此外，正常情況下核電廠均在滿功率狀態運行，機組上下行的次數一般為1.5年/次，若異常數據產生在上下行期間，則實際驗證困難.

綜上所述，現有基于數據驅動的核電設備異常檢測技術的發展得益于機器學習的發展：從神經網絡技術到SVM的深化引用；從簡單直接的網絡模型訓練到更注重對異常特征的深化提取；從單一模型到多種模型的融合應用.

3.2 基于數據驅動的核電設備壽命預測研究現狀

核電設備的壽命預測方法一般分為3種類型：可靠性模型分析、物理模型驅動和數據驅動.其中，基于可靠性模型分析的方法主要通過概率原理和統計模型擬合設備歷史性能數據以推測設備壽命, 并不需要依賴于特定的設備物理模型.但該方法大多利用高斯分布或威布爾分布構建觀測值與設備壽命的線性關系，而實際上設備的生命周期與觀測值之間的關系是非線性的，因此其無法滿足預測結果的精確度.基于物理模型驅動的方法需要比較嚴謹的數理建模過程，同樣面臨核電系統的復雜性問題，核電設備的老化機制不易建模，限制了該方法的應用.相比之下，基于數據驅動的壽命預測方法更高效.該方法可以利用在線監測系統積累的歷史數據對設備生命周期進行較為全面的觀測，廣泛應用于核電設備中.Aizpurua等結合極限梯度提升算法與熱力學模型，對核電變壓器的壽命進行預測.Elmashtoly等提出利用模糊邏輯控制器對機組變壓器的健康指標進行預測以建立預測性健康管理系統.進一步地，數字孿生成為核電健康管理系統的關鍵技術.Oluwasegun等利用PCA進行觀測數據降維，并結合SVM對控制棒驅動機構進行狀態監測，模型精度達到98.4%.基于數據驅動的方法依賴于設備的觀測數據，而實際中，核電設備的失效樣本比較稀缺.對此，Liu利用一階不確定隱半馬爾科夫過程建立了一個適用于缺失數據的老化模型，并應用于核電離心泵的失效預測.

隨著深度學習在機器學習領域的出現，Utah等對比了包括KNN、決策樹、隨機森林、SVM在內的傳統機器學習與DNN對電磁閥剩余壽命的預測性能，證實了深度的網絡結構可以提高模型預測精度. Wang等先后利用TCN和集成卷積核的LSTM預測電磁閥壽命，比其他現有方法的預測精度更高.上述研究證實了深度學習方法在壽命預測方面的泛化性能，為其提供了極具潛力的解決方案.

3.3 基于數據驅動的核電設備故障診斷研究現狀

故障診斷的任務主要包括故障檢測、故障識別(類型判斷)、故障定位和故障恢復等.目前，核電廠進行故障診斷的主要方法為預先分析核電廠設備的故障模式，在故障發生時便可以根據故障模式分析結論進行故障診斷.但即使經驗豐富的工程師也很難全面分析設備的故障模式，且核電設備的故障模式數學模型也尚未建立完善.近年來，核電設備故障診斷領域的總體研究脈絡為從機理模型到知識工程，再到數據驅動方法.早在1994年，Holbert等結合模糊函數，利用經驗過程建模法對壓水反應堆的9種信號建立多輸入多輸出信號的校驗模型，并對故障信號進行初步診斷分析.該類基于機理模型的故障診斷方法需要建立較完備的數學模型，充分匹配其過程機理，但核電廠是一個非常復雜的過程系統，具有非線性、強耦合性、不確定性等復雜特性，多數設備信號尚無法建立精準的機理模型.因此，知識工程技術逐步應用于核電領域，即通過專家經驗知識來明確故障的傳播路徑以實現故障的檢測、識別和分析，是現有國內核電廠普遍建立的故障診斷方法.Wu等利用貝葉斯網絡對核電廠蒸汽發生器傳熱管破裂(SGTR)、失去主給水、主蒸汽管道破口(MSLB)、全廠失電事故等故障進行診斷，并建立了一個核電多源傳感節點的故障診斷框架.為克服貝葉斯網絡對動態問題、連續和離散變量混合問題的處理瓶頸，Zhao等利用DUCG理論體系對寧德核電廠的23種故障模式進行診斷研究，包括主給隔離閥無法開啟、主蒸汽旁排閥無法開啟和主蒸汽管道泄漏等.但知識工程技術一方面需要大量積累現場經驗知識，消耗大量時間和人力成本；另一方面，不同設備、工藝、堆型、機組等通常存在較大差異，該方法不具備普適性和通用性.

近年來，在知識工程技術基礎上，利用機器學習方法并借助海量核電監測數據將專家經驗轉化為具有泛化能力的診斷模型越來越受到重視.在故障檢測方面，Li等提出將核電廠大量傳感器分組，并對比分析不同PCA模型方法的檢測效率.為解決PCA模型受外界環境影響和內部模型錯誤導致的誤報警問題，該團隊提出提高PCA模型可靠性的改進方法.為克服PCA在重構過程中受特征值類型的影響，Mandal等利用奇異值分解(SVD)法進行傳感器故障檢測.為進一步提高故障檢測性能，該團隊提出利用增強SVD法進行快中子增值試驗反應堆的熱電偶傳感器故障檢測.在故障識別方面，Li等提出將PCA模型應用于故障識別，研究對象包括一回路冷卻劑出口溫度、主蒸汽流量、主給水流量、堆芯水位、冷凝器水位、穩壓器水位、主泵進出口壓力等.考慮SVD法比PCA模型的優勢，Mandal等利用SVD法對熱電偶的故障進行故障識別.為解決核電系統中大規模故障類別的識別問題，Cho等提出等價空間費希爾判別分析法，并應用于加拿大重水鈾反應堆試驗裝置的給水系統.人工神經網絡(ANN)和SVM的發展進一步推動了核電設備故障診斷的研究進程.Messai等利用四層ANN，結合控制棒位置和一回路流量預測堆芯熱電偶溫度，并根據預測值與實測值之間的偏差判斷故障；Lin等利用可緊縮的序列前向選擇法對傳感器組進行特征提取和傳感器選擇，然后利用KNN進行故障檢測與識別；Jamil等提出利用核SVM法對巴基斯坦反應堆的控制棒提升故障進行診斷，并對外部反應性插入故障時反應堆出入口溫度、堆芯溫度、反應性、冷卻劑導電率、中子通量等參數進行研究；Liu等利用PCA降維方法對核電廠LOCA、MSLB、SGTR等故障進行檢測，然后建立符號有向圖模型對故障進行定位，最后通過神經網絡對故障進行估計識別.

綜上所述，以機器學習為代表的數據驅動法解決了早期知識工程對核電故障知識抽取的高成本和低普適性問題，有利于大量數據的特征提取與歸納，并不斷提升對核電設備復雜非線性模型的逼近能力，形成了較多高性能的故障診斷解決方案.

4 深度學習在核電設備狀態評估中的探索

近年來，國內學者熱衷于采用數據驅動法評估核電設備狀態.在核電設備的異常檢測方面，Wang等利用改進粒子群算法優化支持向量機(SVM)算法對核電廠一回路破口進行研究.該團隊還利用核主成分分析(KPCA)算法解決傳感器異常檢測的非線性問題；在核電設備壽命預測方面，利用時域卷積網絡(TCN)對核電廠電磁閥壽命進行預測研究.在核電故障診斷方面，Zhao等提出動態不確定因果圖(DUCG)理論體系，并在核電廠典型的23個故障模式中進行應用；Li等對核電廠傳感器的故障診斷進行大量研究.在利用深度學習評估核電設備方面，陳玉昇等通過深度信念網絡(DBN)對一回路冷段小破口(LOCA)和U型管破裂事故進行研究.

隨著卷積神經網絡(CNN)的出現及其在圖像領域的深度應用，研究者將量測數據轉化為圖像數據，并利用CNN在圖像數據特征提取方面的優越性，建立更高性能的診斷模型.Lee等首次提出將反射性儀的測量信號轉化為圖像，然后借助ANN和聚類算法對核電控制電纜進行故障診斷；在此基礎上，Bang等進一步利用CNN實現了電纜故障的精確定位和故障分類，檢測精度升高.受此啟發，Saeed等利用深度CNN結合滑動窗口對SGTR、主給水管道破裂、主泵失效和穩壓器安全閥無法開啟等故障進行診斷.

核電設備故障診斷的數據多為時序數據，而循環神經網絡(RNN)對時序數據具有技術獨特優勢，在工程實踐中應用廣泛.Kim等利用RNN對全廠失電、引入過剩反應性、失去流量、失去冷卻、失去熱交換等故障進行診斷，改變了傳統反應堆保護系統所采用的閾值觸發報警機制.針對長序列數據進行學習時，常規RNN存在梯度消失和長期依賴問題，而改進RNN-LSTM極大程度地推動了該領域的研究進程.Yang等利用LSTM對LOCA、SGTR和MSLB等事故進行故障診斷；為解決緊急情況下，核電廠參數變化的復雜性和非線性問題，Choi等利用LSTM-RNN對核電廠典型事故(LOCA、SGTR、蒸汽超負荷、主給水失去)進行研究.此外，為進一步解決核電廠多種工況模式下的故障檢測和無需采用標簽數據的問題，Yang等利用帶RNN的自編碼器深度學習算法對核電廠的典型事故(LOCA、SGTR、蒸汽管道破口)進行故障診斷.

在核電設備故障診斷領域，深度學習技術已逐步形成其有效的研究路徑.隨著更多高性能網絡模型的出現，其在核電狀態評估領域的應用必然會爆發出令人矚目的潛力.

結合分析我國歷史上一些已潰水庫大壩的各個間接影響因素產生的特點，采用AHP法分析計算。對表1中的十個間接影響因素，建議給出如下權重系數的一個10×10判斷矩陣：

5 面臨的挑戰及解決方案

異常檢測、壽命預測和故障診斷技術為核電廠設備狀態評估提供了切實可行的技術路線，同時也面臨著來自核電廠設備評估的特殊挑戰.

為此，我們調查與分析初中學生抄襲作業的起始時間、程度、科目及原因，教師布置作業的種類、分量、難度、方法及教師授課情況，教師對學生抄襲作業的態度、措施以及學生認為應采取的措施。以期進一步改進教學方法，提高教育教學水平，使初中學生能夠充分認識抄襲作業現象的嚴重性、危害性和糾正的必要性。

北京市河湖基本情況普查技術路線及特點分析………………………………… 王亞娟，李 濤，楊大杰等(1.47)

對壽命預測而言，因所處環境、溫度和輻射水平不同，核電廠設備的工作環境千差萬別；同時還面臨設備故障樣本數量較少和預測信息難以真實驗證等諸多問題.

對故障診斷而言，核電廠不僅面臨設備種類多、個性定制強、故障樣本量少、故障信息難以驗證和設備工作環境千差萬別等問題，還面臨故障信息提取困難問題，這主要是由于核電廠存在多種工況，且絕大部分工況的運行時間較短.

5.1 針對核電設備數據問題可采取的解決方案

2.建立資源環境承載能力監測預警機制。建立潿洲島資源環境監測預警數據庫和信息技術平臺，定期編制資源環境承載能力監測預警報告，在資源消耗和環境容量超過或接近承載能力時，實行預警提醒和采取限制性措施。

設備狀態數據源問題.目前，核電廠主要借助傳感器對設備的相關物理參數獲取設備的狀態數據.為解決現有設備狀態數據不足的問題，對于需要監督的物理參數沒有通過傳感器進行參數獲取的情況，可以借助便攜式振動測量、熱成像儀和設備巡檢儀等人工外部手持設備，對定期試驗過程中產生的相關人工記錄數據加以利用.此外，還可以利用外部加裝傳感器的方式.為避免有線傳輸的實施條件問題，可利用無線傳感器采集設備狀態數據.

其實，“勇敢做自己”是困難的，對青少年學生而言更是如此。這和人類的從眾心理有關，不能苛求青少年學生。不僅如此，在當下的社會，過于固定而單一的成功成才標準也在不知不覺中對青少年學生施加影響。比如，最近有媒體報道，一到暑假，青少年學生就成為整容的主力軍。學生們之所以容易受社會上對“高顏值”的盲目追捧影響，一方面固然是出于愛美之心，但缺乏主見、追逐流俗的心態也毋庸諱言。但這樣的行為是否就是“洪水猛獸”？恐怕也不必過于擔憂。其實，這在當下許多國家都是常見現象，而且青少年學生大多處在叛逆期，只要不傷害他人，征得家人的理解和支持，對自己的外貌做一些技術處理，也不必大驚小怪。

設備狀態數據傳輸整合問題.早期核電廠多采用模擬儀表方式，數據傳輸易受到現場信號干擾，同時存在數據傳輸、存儲和管理等挑戰.為此，核電廠現多通過升級改造數字化系統，來改善數據的傳輸、存儲和管理.此外，為整合多個數據源數據，提升設備數據的管理水平，建設信息化統一數據庫，有效整合所有數據源，減少信息孤島.

異常樣本(負樣本)數據匱乏問題.多數情況下，核電廠較難獲取異常或故障數據，且核電廠運維人員也難以憑經驗判斷獲取的數據是否為異常或故障數據.對此，專家學者利用RELAP5仿真軟件模擬各反應堆運行的機組瞬態工況和假象事故，探究核電設備故障對整個工藝系統的影響.但實際運維需求不僅只關注核安全問題，更關注在核電廠的機組運行過程中如何評估設備狀態，從而有利于核電廠制定有效的維修策略.而核電廠設備復雜多樣，利用一種仿真軟件或仿真手段往往難以滿足工程應用需求，且某些設備由于自身的復雜性、老化以及受工作環境的影響等，往往難以利用仿真手段來獲取異常或故障數據.目前，可利用以下3種思路開展研究.

(1) 結合仿真模型和系統辯識法.系統辨識是通過輸入、輸出數據研究確定系統數學模型的理論和方法.可以利用系統辨識法辨識仿真模型的系統模型結構和參數；利用已獲取的正常數據和少量異常數據，進一步驗證系統模型結構和參數的正確性.此外，隨著仿真技術的發展，智能仿真和平行仿真等技術也可彌補設備異常樣本不足的問題.

在利用基于數據驅動法進行設備狀態評估過程中，最主要的挑戰是數據問題.具體可從以下幾個方面加以改善.

(2) 生成對抗網絡(GAN).GAN通常包含一個生成器和一個判別器，原理為首先根據經大量正常數據訓練得到的模型G，生成或重建正常數據；然后將測試樣本輸入至訓練好的模型G，并利用判別器對真實數據和生成器生成的正常數據進行異常檢測.如果真實數據與正常數據相同或相近，則表明真實數據是正常數據，否則被判別器判別為異常數據.GAN能夠有效解決核電數據極度不平衡的問題，且經過了多次發展，如AnoGAN、BiGAN和GANomaly等.

(3) 同源異構數據.一般情況下，在異常或故障數據的收集過程中，考慮核電廠內同一型號設備在運行時產生的故障數據，但多數設備即使在多機組的情況下其數量也并不多，往往無法滿足數據使用需求.不同機組的同一個功能位號的設備，可能來自不同設備廠家，其生產工藝等均不同，且受生產批次、零部件等差異影響.但從設備使用的角度考慮，該類數據可歸為異構同源數據.利用異構同源數據可進一步進行數據遷移和特征遷移，利用遷移學習法進行模型遷移，從而實現在不同工況下的異常檢測和故障診斷.

此次研究尚有不足之處：(1)本次研究為單中心、回顧性研究，在數據收集方面受到一定限制。例如，鎮靜組患者術中僅記錄了因劇烈疼痛中止手術的患者數據，對輕中度疼痛的患者，雖及時給予處理但并未記錄。G組患者術中循環波動情況也為間斷記錄，不能精確地反應患者使用鎮靜鎮痛藥物后循環的變化情況，可能導致了數據偏倚；(2)肺靜脈狹窄也是房顫導管消融手術的嚴重并發癥之一，其發生概率約為1%～21%[18-19]，但由于各方面條件限制并沒有將其納入試驗研究中。

隨著人工智能技術的發展，針對數據異常或故障樣本量較少的情況，未來將出現更多的解決方法，如少樣本或零樣本的學習，其在異常檢測方面顯示出較好的應用前景.

5.2 潛伏性故障檢測

核電廠設備狀態的生命周期經歷了故障潛伏性和故障發生兩個階段.在實際工程的運維過程中，現場運維人員通常關注故障識別、故障診斷和故障定位，采取糾正性的維修策略快速搶修設備.近年來，設備的潛伏性故障逐漸受到核電現場運維需求的關注.檢測潛伏性故障可以有效制定狀態維修的維修策略，通過狀態維修，核電廠的經濟性和安全性得以提高.但潛伏性故障與正常運行數據的偏離程度往往較小，由前文文獻研究可知，目前的研究主要集中于一回路破口、SGTR、蒸汽超負荷、主給水失去等核電典型事故工況的故障識別、檢測和診斷.潛伏性故障的特征數據具有很強的隱蔽性，與正常數據相似，因此迷惑性強，比故障識別更具挑戰性.目前，可利用以下2種思路開展核電廠設備潛伏性的故障檢測.

(1) 借助設備之間的關聯性.考慮潛伏性故障的隱蔽性和復雜性，針對某一設備的狀態數據，可通過其關聯設備的工藝表現挖掘該設備的數據特征.在采集數據方面，應更關注對數據相關性的研究分析，以期對設備表現的潛伏性故障特征進行關聯數據挖掘.

(2) 結合異常數據檢測.利用在設備運行期間發現的異常數據，識別和發現設備的潛伏性故障.異常數據可以視為設備正常的運行數據疊加噪聲數據后的離群點，異常數據的產生頻度和數值指標等與設備故障相關，而針對核電廠設備，可更關注于分析傳感器的時間序列數據和對其他關聯設備數據進行信息融合綜合診斷.

2011年區水務行政執法支隊累計出動執法人員2 434人次，參加行政檢查1 314次，實施行政許可事后監督檢查110家，共立案查處74件，責令采取補救措施216件。2011年先后對重點排水企業進行摸底調查，確定排水執法檢查重點跟蹤企業450家；專項執法檢查2 400多家排水企業，對違法企業進行了嚴厲查處；聯合區環保部門對全區范圍內的重點排水企業污水預處理設施和檢測井、沿河沿江水環境安全進行了專項執法檢查。

6 結論

近年來，對核電廠設備狀態的評估研究多集中在與核安全相關的設備上，如SGTR、一回路破口、MSLB、主給水失去等核電廠典型事故工況的設備狀態研究.核電能源與火電、風電、太陽能等能源的競爭日益強烈，利用基于設備狀態的維修是目前提高核電廠安全性、降低運維成本的關鍵.而提高設備狀態評估的精準度是核電廠進行設備維修的有效手段.隨著人工智能的發展，利用基于數據驅動的核電廠設備狀態評估將大有可為，深度學習的興起，有望大幅度提高設備狀態評估的精準度.針對數據驅動技術特點和目前核電廠設備狀態評估面臨的挑戰，提出如下建議和設想：

(1) 核電廠設備狀態數據庫建設.機組設備的運行為核電廠積累了很多數據，包括日常巡檢數據、DCS監視設備產生的設備狀態數據、機組維修過程中產生的維修規程記錄、運行執行定期試驗產生的日常記錄等.基于數據驅動的核電廠設備狀態評估需要大量的數據作為支撐.建設核電廠設備狀態數據庫可以極大地促進深度學習技術的落地，為數據標準規范建設，以及深化多系統、多元信息融合的應用提供前提保障.

(2) 核電狀態評估算法研究.核電廠設備運行數據的異常檢測融合時間序列數據、巡檢數據、規程記錄數據，甚至包含長時間跨度等特點，且受核電廠的核安全監督和機組運行規范等的間接影響.因此，需要深入研究如何進一步進行核電廠設備狀態評估的算法.

(3) 零樣本故障數據的設備狀態評估.與其他工業領域不同，核行業的很多設備均采用定制化開發方式，同類型的設備數量較少；在核電廠進行變更改造安裝新設備或在核電機組剛剛建設后，存在沒有故障樣本數據的問題.因此，進行零樣本的異常檢測研究也是核電設備狀態評估的一個研究方向.

(4) 核電廠潛伏性故障研究.綜合利用設備的關聯信息，深入挖掘設備潛伏性故障的數據特征，利用深度學習進行異常檢測，從而識別和診斷核電設備的潛伏性故障；利用現場設備的運行情況對算法進行反饋，從而不斷改進和提高智能體潛伏性故障的診斷水平和能力.算法與現場的有效互動將逐步提高潛伏性故障的診斷精準度.