核电厂应急柴油发电机组监测数据异常检测综述

2020-10-12朱鹏树杜晓光

仪器仪表用户 2020年10期

周勇，朱鹏树，陈星，马波，杜晓光

（1.大亚湾核电运营管理有限责任公司，广东深圳 518031；2.北京化工大学，北京 100029；3.中广核研究院有限公司北京分公司，北京 100086）

0 引言

核电厂依靠核反应堆将核能转换为热能，产生水蒸气推动汽轮机发电。虽然其功能与火电厂相似，但核电厂的厂用电系统设计不同于火电厂，因为核电厂有核安全的要求，对厂用电系统的可靠性具有更高的要求。因此，在正常供电系统出现故障时，要求有多重备用电源，以保证达到核安全的要求。为此，核电厂每台机组配备两套应急柴油发电机组。为确保核电厂应急母线供电的可靠性，IEEE387-1994[1]规定应急柴油发电机组必须在10s 内启动并建立额定电压和额定频率，所以核电厂应急柴油发电机组对于核安全至关重要，必须保证其设备的可靠性。

图1 应急柴油发电机组系统组成图Fig.1 Composition of the EDG system

核电站应急柴油发电机组系统非常复杂，根据IEEE387-1994 的规定，应急柴油发电机组由柴油机本体、发电机、机械辅助系统和电气辅助系统等组成[2]，如图1所示。

应急柴油发电机组每月会进行定期试验，但如果仅仅依靠试验期间，技术人员的巡检和就地仪表的显示将无法对应急柴油发电机组的状态进行评估，无法发现潜在故障。为此，在应急柴油发电机组上增加专用状态监测系统，专用状态监测系统的组成如图2 所示。通过对检测数据的异常检测，来发现机组潜在故障。

1 监测数据异常检测技术体系

应急柴油发电机组监测数据异常检测常用的方法有3种：基于固定阈值的异常检测方法、基于专家系统的异常检测方法和基于数据驱动的异常检测方法。监测系统的异常检测流程如图3 所示。

1.1 基于固定阈值的异常检测方法

基于固定阈值的异常检测方法是目前核电厂应急柴油发电机组普遍使用的异常检测方法。应急柴油发电机组在定期试验和大修再鉴定过程中，运维人员实时关注关键测点，或者采用录波仪记录关键测点的数据，将数据与厂家预设的阈值进行比较，例如气缸温度、柴油机转速、励磁电压、电流、电压频率是否超出预设的上下限值，一旦超出此范围，则发出警告。固定阈值只能对部分关键测点进行检测，无法监测到所有关键测点。但固定阈值监测操作简单、方便，无须借助专用分析软件。

图2 状态监测系统组成图Fig.2 Composition diagram of condition monitoring system

基于固定阈值的异常检测方法存在以下问题：

1）应急柴油发电机组的状态如果出现异常，比如在正常值上下波动，不会导致关键测点的值超过阈值。通过固定阈值的异常检测方法，将无法发现很多类型的异常。

2）厂家出厂设定的阈值，用于对系统运行安全提供保障。如果出现超阈值情况，意味着某些部件已出现损害，应停机检查，并更换相应的部件。因此，固定阈值的异常检测无法发现设备故障早期的异常。

图3 监测数据异常检测流程Fig.3 The flow chart of anomaly detection for monitor data

1.2 基于专家系统的异常检测方法

基于专家系统的异常检测方法在工业界有大量的应用，尤其是在航天和铁路系统中[3]。专家系统基本上是基于规则进行异常检测。这些规则是系统设计或运行过程中，专家通过经验总结的，描述异常和征兆之间的关系。

该方法的优点是在于表现直观、简单，异常检测速度快，专家诊断系统开发方便、快速，可以在很短时间内完成开发和部署。

该方法的缺点是由于应急柴油发电机组系统复杂，核心部件依赖进口，关键设备的运行或故障规则未知，要建立准确完备的规则非常困难。应急柴油发电机组日常处于热备状态，每月才执行一次试验，为收集规则带来挑战。因此，基于专家系统的异常检测方法无法处理未知异常。

1.3 基于数据驱动的异常检测方法

基于数据驱动的异常检测方法采用统计学分析技术、机器学习技术和信号处理技术，对监测数据进行建模和分析，识别异常数据。基于数据驱动的监测数据异常检测方法不依赖专家经验，而仅根据监测数据特征进行异常发现。监测数据中包含时间戳，其异常类型与时间序列异常相似。

数据驱动的异常检测方法可大致分为基于相似性、基于统计和基于偏差等3 种方法。

1）基于相似性的方法

计算待分析数据与基础数据的相似度，将待分析数据按相似度进行划分，与基础数据相似性较低的数据被标定为异常数据。前提必须是基础数据量要远远大于待分析数据，特别适合于工业设备的异常检测，包括基于距离、基于聚类、基于密度等[4]。

优点在于只需要找到一个特征函数，就能描述基础数据的分布，并且可根据该函数，使用相似性的方法检测出异常的数据；缺点在于其对特征函数依赖度高，容易受噪声影响。

2）基于统计的方法

使用统计学算法，计算待分析数据在数据集中出现的概率。该方法假设正常数据发生概率高，而异常数据发生概率低，分为参数方法和非参数方法。

优点在于可以利用统计和概率的理论知识，这些知识在工业和生产中有大量应用；缺点在于为了统计数据发生的概率，通常需要将数据进行离散化表示。对于高频采样的数据，例如应急柴油发电机组启动过程中的数据，就无法应用该方法进行异常检测。

3）基于偏差的方法

通过基础数据建立数学模型，使用数学模型计算待分析数据与基础数据之间的偏差，如果偏差较大，判定为异常数据。分为：基于预测、基于分类以及基于统计方法。

优点在于建立数学模型后，待分析数据的异常检测效率高；缺点在于建立比较准确的数学模型难度较大。

基于数据驱动的异常检测方法为监测数据异常检测提供了方法基础，但由于不同的监测对象，其监测数据的特征存在较大差异，必须具体问题具体分析，对不同的监测数据采用不同的异常检测算法。因为没有一个异常检测方法，可以有效地检测所有的异常类型。

1.4 监测数据异常检测方法分析

由于核电厂应急柴油发电机组系统复杂，设备众多，监测点多，专业性和相关性强，导致监测数据量非常大。目前核电厂运维过程中，应急柴油发电机组的潜在故障及异常的发现仍以人工巡查和阈值判断为主。发现潜在故障后，主要依靠专家经验进行分析。假设核电厂有4 台机组，每台机组配备两套应急柴油发电机组，全厂配备一台应急柴油发电机组，一共有9 套应急柴油发电机组。如果只靠人力和简单阈值判断，无法满足设备运维的需求。随着设备可靠性要求的逐渐提高和海量监测数据的收集，基于数据驱动的方法已经成为现在及未来监测数据异常检测的重点。

表1 不同检测方法的性能特点Table 1 Performance specialties of different detection methods

虽然基于数据驱动的监测数据异常检测在工业界有大量应用，但是在应急柴油发电机组的各种类型异常检测过程中，由于监测数据本身的特点，很多异常检测算法在应用时需要优化和调整参数，才能更好地应用于监测数据异常检测。

2 监测数据异常检测方法不足及展望

2.1 异常检测方法存在不足

虽然应急柴油发电机组监测数据按采集时间戳进行存储和分析，但由于应急柴油发电机组自身的复杂性以及核电站对其高可靠性的要求，该领域的研究还处于算法的尝试阶段。核电厂应急柴油发电机组安装状态监测系统可以使用大数据技术对监测数据进行存储和分析，对监测数据进行异常检测。监测数据具有测点多、种类复杂（振动测点、热力学测点、工艺量测点、开关量测点等）、采样率高（振动测点采样率最高25.6k）等特点，使其成为工业大数据应用的典型场景。不同检测方法的性能特点见表1。

由表1 可知，对比固定阈值和专家系统检测方法，基于数据驱动的方法具备无需专家经验、自动检测能力强，实时性满足现场需求等优点。但是数据驱动的异常检测方法只能提供数据算法和数学模型，其在应急柴油发电机组的异常检测应用方面仍存在缺陷。根据表1 所示，基于数据驱动的异常检测方法存在以下缺陷：

1）应急柴油发电机组结构复杂，不同部件的工作模式差别很大，柴油机及辅助系统的关键测点之间关系复杂，使用纯数据驱动方法的异常检测，其误检率较高，无法满足系统预测性维护需求。

2）如果将数据分析算法直接应用于监测数据的异常检测，而忽略监测数据特性以及异常类型特点，将导致算法的适应性差，检测结果可解释性差，无法有效指导故障诊断以及维修。

因此，高可靠的应急柴油发电机组运行要求以及工业大数据的分析场景，需要开发专用的异常检测方法对海量监测数据进行数据挖掘，以找出数据中的异常。所以，必须在充分理解应急柴油发电机组特性的基础上，对不同测点采用不同的数学模型和分析策略，才能建立具有实用性的基于数据驱动的应急柴油发电机组监测数据异常检测体系。