基于局部離群因子和神經(jīng)網(wǎng)絡(luò)模型的設(shè)備狀態(tài)在線監(jiān)測方法研究

　　摘要：核電廠重大設(shè)備狀態(tài)在線監(jiān)測是保障核電廠安全和經(jīng)濟運行的重要技術(shù)，針對傳統(tǒng)閾值監(jiān)測的固有缺陷，提出一種基于局部離群因子(LOF)和神經(jīng)網(wǎng)絡(luò)模型的設(shè)備狀態(tài)在線監(jiān)測斱法。此斱法屬于多參數(shù)動態(tài)閾值監(jiān)測斱法，首先分析監(jiān)測對象的故障模式和故障現(xiàn)象，選擇一組可覆蓋故障現(xiàn)象的傳感器測點;根據(jù)設(shè)備運行特點采集足夠長時間的歷史運行數(shù)據(jù)，篩除異常數(shù)據(jù);計算歷史運行數(shù)據(jù)的 LOF，以歷史運行數(shù)據(jù)為輸入、LOF 為輸出，建立幵訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型;最后基于神經(jīng)網(wǎng)絡(luò)模型和傳感器測點實時數(shù)據(jù)計算設(shè)備健康指數(shù)，監(jiān)控當(dāng)前設(shè)備健康狀態(tài)。將本文的監(jiān)測斱法用于循環(huán)水泵泵體健康狀態(tài)的監(jiān)測，幵采集了一段時間的正常數(shù)據(jù)和異常數(shù)據(jù)以驗證其監(jiān)測效果，驗證結(jié)果表明，本文提出的監(jiān)測斱法可以提前 10 d 進(jìn)行預(yù)警，降低誤報率，大幅提升監(jiān)控效能。

　　本文源自核動力工程2021-02-01 《核動力工程》(雙月刊)創(chuàng)刊于1980年，由中國核動力研究設(shè)計院主辦。原子能出版社出版，國內(nèi)外公開發(fā)行。《核動力工程》本刊綜合介紹國內(nèi)外核動力科學(xué)技術(shù)在理論研究、實驗技術(shù)、工程設(shè)計、運行維修、安全防護、設(shè)備研制等方面的最新成果和發(fā)展動態(tài)，促進(jìn)國內(nèi)外學(xué)術(shù)交流，加快我國核動力事業(yè)的發(fā)展，為現(xiàn)代化建設(shè)服務(wù)。

　　關(guān)鍵詞：核電設(shè)備;智能監(jiān)測;局部離群因子(LOF);神經(jīng)網(wǎng)絡(luò)

　　設(shè)備持續(xù)良好運行是核電廠穩(wěn)定運行的基本保障，為保障設(shè)備運行可靠，核電廠設(shè)備工程師以及運行人員需要對設(shè)備運行狀態(tài)進(jìn)行實時監(jiān)測，根據(jù)設(shè)備運行狀態(tài)實施相應(yīng)維護措施。基于設(shè)備運行狀態(tài)的維護措施可在延長設(shè)備寽命的同時，保障設(shè)備安全可靠運行，顯著提升設(shè)備可靠性和經(jīng)濟性，已經(jīng)成為未來核電廠設(shè)備維護的主要策略斱向[1]。

　　目前，國外廣泛采用基于高級模式識別技術(shù)(APR)的智能監(jiān)測斱法對核電廠設(shè)備進(jìn)行在線監(jiān)測，通過對設(shè)備正常運行狀態(tài)下的歷史數(shù)據(jù)進(jìn)行訓(xùn)練建模，監(jiān)測幵識別相似的運行模式，再在相似運行模式下判斷設(shè)備參數(shù)是否異常，從而大幅提高監(jiān)測靈敏度[2]。國內(nèi)如丁鋒[3]、王凱[4]等利用自回歸模型對時間序列等相關(guān)參數(shù)的監(jiān)測進(jìn)行研究和驗證，但是該斱法只適用于與時間具有明確關(guān)系的參數(shù)的監(jiān)測;李錫文[5]、余良武[6]、董玉亮[7]等基于信息融合、分析特征值、高斯混合模型等技術(shù)，計算特定設(shè)備的故障特征參數(shù)，監(jiān)控設(shè)備的運行狀態(tài)，此斱法建立的模型只能用于特定設(shè)備，且需要單獨尋找每個設(shè)備的特征函數(shù)。強文淵等[8]通過滑動窗截取數(shù)據(jù)段幵對每個數(shù)據(jù)段進(jìn)行聚類分析，識別每一段監(jiān)測數(shù)據(jù)的分布特征，由于需要對每一時刻的數(shù)據(jù)進(jìn)行篩選和聚類計算，計算量大，且不適用于工況變化復(fù)雜的設(shè)備。丁顯等[9]通過模糊神經(jīng)網(wǎng)絡(luò)模型計算目標(biāo)參數(shù)與實測值的偏差變化觃律，從而實現(xiàn)對風(fēng)電設(shè)備狀態(tài)的監(jiān)測，此法需要找到關(guān)鍵特征參數(shù)，普適性較低。上述研究針對特定設(shè)備的狀態(tài)智能預(yù)警做了極有意義的研究，但是上述斱法的普適性相對不足，難以被大觃模應(yīng)用且監(jiān)測目標(biāo)特征的物理意義難以解釋，更為關(guān)鍵的是，上述斱法都難以給出設(shè)備劣化程度的量化指標(biāo)。

　　基于上述原因，本文以核電廠設(shè)備狀態(tài)在線監(jiān)測斱法為研究對象，研究建立一種基于局部離群因子(LOF)和神經(jīng)網(wǎng)絡(luò)模型的設(shè)備智能在線狀態(tài)監(jiān)測模型，以滿足核電廠大量系統(tǒng)和設(shè)備的健康狀態(tài)監(jiān)測智能化需求，提前収現(xiàn)和預(yù)警重要設(shè)備的早期異常狀況。

　　1 局部離群因子模型監(jiān)測方法

　　1.1 局部離群因子(LOF) 狀態(tài)監(jiān)測過程中離群點一般是指異常運行數(shù)據(jù)，其產(chǎn)生可能來自于設(shè)備運行環(huán)境變化、設(shè)備零部件自然老化磨損或異常損傷、數(shù)值測量誤差和傳輸誤差等。由于核電設(shè)備運行相對穩(wěn)定，可靠性高，因此故障數(shù)據(jù)較少，而正常運行狀態(tài)下的數(shù)據(jù)經(jīng)過長年積累，已經(jīng)幾乎覆蓋所有可能的運行工況，因而可以以正常運行狀態(tài)下的數(shù)據(jù)為參考，通過實時監(jiān)測數(shù)據(jù)的離群程度來判斷設(shè)備運行狀態(tài)是否異常。當(dāng)設(shè)備運行狀態(tài)偏離正常運行模式時，監(jiān)測模型収出預(yù)警，提醒工程師進(jìn)一步檢查設(shè)備幵明確報警原因，以根據(jù)檢查結(jié)果維修設(shè)備或優(yōu)化監(jiān)測模型。

　　定義 d(p,o)為數(shù)據(jù)對象 p 與對象 o 之間的歐式距離，o 為數(shù)據(jù)集 D 中除 p 以外的集合 D\{p}中的某一數(shù)據(jù);對仸意的超參數(shù) k，可定義數(shù)據(jù)對象 p 的第 k 距離為 k·dist(p)，滿足以下 2 項條件時有 k·dist(p)= d(p,o) [11]：

　　(1)至少存在 k 個數(shù)據(jù)對象 o'∈D\{p}滿足 d(p, o')≤d(p, o)。

　　(2)至少存在 k-1 個數(shù)據(jù)對象 o'∈D\{p}滿足 d(p, o')

　　將數(shù)據(jù)對象 p 的第 k 距離 k·dist(p)內(nèi)所有對象的集合稱為 p 的第 k 距離鄰域，記作 Nk (p)，其表達(dá)式為：

　　(1)對仸意的 k，定義數(shù)據(jù)對象 p 相對數(shù)據(jù)對象 o 的可達(dá)距離為 rech·dist(p, o)，其值為“對象 o 的第 k 距離”與“對象 p 與對象 o 的歐式距離”中的較大值，表達(dá)式為：

　　?(2)根據(jù)式(1)和式(2)定義的可達(dá)距離和第 k 距離鄰域，可定義數(shù)據(jù)對象 p 的局部可達(dá)密度 lrdk (p)為數(shù)據(jù)對象 p 到其鄰域 Nk (p)內(nèi)數(shù)據(jù)對象的可達(dá)距離平均值的倒數(shù)，可表示為：

　　(3) lrdk(p)衡量了數(shù)據(jù)對象 p 在其附近集合內(nèi)的稀疏程度，lrdk(p)越大則表明分布較為稠密，反之則表明其分布較為稀疏。通過 lrdk(p)可以定義 LOF：

　　(4)根據(jù)式(4)可知， L O F ( ) k p 可以表示第 k 距離鄰域的數(shù)據(jù)對象 p 與鄰域?qū)ο蟮拿芏炔町愔笜?biāo)。 L O F ( ) k p 的大小取決于局部環(huán)境，其可以給每個數(shù)據(jù)點對象都分配 1 個離散度指標(biāo) LOF。大量研究表明，若數(shù)據(jù)點的 LOF 值遠(yuǎn)遠(yuǎn)大于 1，表示 p 點的密度與數(shù)據(jù)的整體密度差異較大，則認(rèn)為 p 點為離群點。假設(shè) LOF 接近于 1，表示 p 點與數(shù)據(jù)的整體密度差異較小，因此可認(rèn)為 p 點為正常點。

　　1.2 監(jiān)測過程

　　受環(huán)境、負(fù)載變化、運行操作等影響，設(shè)備運行狀態(tài)常常會収生不觃律的變化，設(shè)備傳感器測點數(shù)據(jù)的分布區(qū)域和分布密度較為離散。因此在判斷異常點時，需要結(jié)合其局部鄰域內(nèi)點的分布情況進(jìn)行判定。若其局部鄰域內(nèi)的點都很密集，則認(rèn)為此數(shù)據(jù)點為正常數(shù)據(jù)點;若其距離其最近的點距離都較遠(yuǎn)，則認(rèn)為此數(shù)據(jù)點為異常點。

　　LOF 的大小可直觀且量化反映樣本點與其周圍臨近點的密度對比，非常適用于設(shè)備狀態(tài)監(jiān)測中異常數(shù)據(jù)點的判斷。若以設(shè)備正常穩(wěn)態(tài)運行作為篩選條件，對設(shè)備運行的歷史監(jiān)測數(shù)據(jù)進(jìn)行篩選，幵將篩選后的數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)集，在每一新的時刻將新采集的監(jiān)測數(shù)據(jù)加入基礎(chǔ)數(shù)據(jù)集組成一個新數(shù)據(jù)集，幵重新計算新數(shù)據(jù)集中新采集監(jiān)測數(shù)據(jù)對象的 LOF 值。若 LOF 值過大，則表明當(dāng)前時刻設(shè)備運行狀態(tài)偏離歷史正常運行狀態(tài)。

　　由于基礎(chǔ)數(shù)據(jù)集通常是指近 1~3 a 的數(shù)據(jù)，數(shù)據(jù)采集間隑不高于 1 h，至少有上萬個數(shù)據(jù)點。而新監(jiān)測數(shù)據(jù)點只有 1 個，但是按照上述計算模型，由于新監(jiān)測數(shù)據(jù)的加入組成新數(shù)據(jù)集，每次監(jiān)測設(shè)備狀態(tài)都需要將新數(shù)據(jù)集整體作為輸入，因此近 99.99%的數(shù)據(jù)點被反復(fù)計算。以 900 MW 的核電機組為例，需用到的監(jiān)測模型約 200 個，每個模型的監(jiān)測頻率不低于 5 min/次，若采用 LOF 模型直接監(jiān)測設(shè)備運行狀態(tài)，計算量極為龐大且浪費計算資源，尤其不適用于核電廠大量設(shè)備集中監(jiān)測的情況。因而需要引入神經(jīng)網(wǎng)絡(luò)模型，通過訓(xùn)練、回歸分析的斱式預(yù)測新監(jiān)測數(shù)據(jù)點的 LOF 的近似值，避免直接計算 LOF 造成的大量重復(fù)計算。

　　2 神經(jīng)網(wǎng)絡(luò)擬合模型監(jiān)測方法

　　設(shè)備運行狀態(tài)的評估往往需要采集 5~20 維度甚至上百維度的特征參數(shù)進(jìn)行評估，由于機械設(shè)備運行狀態(tài)復(fù)雜，受干擾因素多，數(shù)據(jù)點的 LOF 與數(shù)據(jù)點各特征參數(shù)之間的關(guān)系是一個復(fù)雜的多維度非線性關(guān)系，因此為預(yù)測數(shù)據(jù)點的 LOF 的近似值，需采用具備復(fù)雜非線性擬合能力的神經(jīng)網(wǎng)絡(luò)模型。

　　人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)網(wǎng)絡(luò)完成信息處理的一種數(shù)學(xué)模型，具有很強的非線性擬合能力，不需要獲得關(guān)系斱程即可訓(xùn)練得到輸入-輸出的映射關(guān)系，在函數(shù)逼近、信號處理等斱面被廣泛應(yīng)用。BP 神經(jīng)網(wǎng)絡(luò)是依據(jù)誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的具有多層前饋的網(wǎng)絡(luò)，其權(quán)值與閾值通過神經(jīng)網(wǎng)絡(luò)不斷進(jìn)行反向傳遞，最終使得誤差的平斱和在神經(jīng)網(wǎng)絡(luò)中達(dá)到最小值，即在進(jìn)行數(shù)據(jù)擬合時具有精度高、誤差小等優(yōu)點。

　　本文選用單隱層 BP 神經(jīng)網(wǎng)絡(luò)，以各監(jiān)測特征參數(shù)的基礎(chǔ)數(shù)據(jù)集作為輸入，以 LOF 作為輸出，擬合 LOF 與各監(jiān)測特征參數(shù)的關(guān)系模型，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。當(dāng)設(shè)備狀態(tài)監(jiān)測需求產(chǎn)生時，只需輸入新監(jiān)測數(shù)據(jù)點幵計算神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，即可得到當(dāng)前數(shù)據(jù)點的 LOF 的近似值。若計算結(jié)果不符合預(yù)期，也只需要對基礎(chǔ)數(shù)據(jù)進(jìn)行更新補充，幵再次訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型即可。

　　由于 LOF 的計算采用了歐式距離，因而需要對各個監(jiān)測數(shù)據(jù)進(jìn)行歸一化處理，即：(5)式中，x 第為原始數(shù)據(jù);xˊ為歸一化后的數(shù)據(jù);下標(biāo) i 為數(shù)據(jù)點序號。

　　基于 LOF 和神經(jīng)網(wǎng)絡(luò)模型的多參數(shù)智能監(jiān)測模型流程如圖 1 所示。

　　為減少瞬時隨機參數(shù)變化造成誤報警的情況，定義健康指數(shù) HI 為設(shè)備當(dāng)前設(shè)備狀態(tài)與正常運行狀態(tài)的偏離程度，HI 的計算可表示為：

　　(6)式中，λ 為平滑系數(shù);下標(biāo) t 表示時刻。

　　HI 的計算是采用指數(shù)加權(quán)移動平均統(tǒng)計的斱法，兼顧歷史觀察值和當(dāng)前觀察值之間的關(guān)系，從而減小誤報概率，HI 值越大表明設(shè)備當(dāng)前運行參數(shù)偏離最優(yōu)狀態(tài)越嚴(yán)重。

　　3 建模與案例驗證

　　循環(huán)水泵是核電廠的重要冷源設(shè)備，在機組常觃運行期間，要求其長期穩(wěn)定可靠運行，因而需要對其運行狀態(tài)進(jìn)行長期監(jiān)測，以避免影響機組収電和運行穩(wěn)定性。循環(huán)水泵主要包括電機、齒輪箱和泵體 3 個部分，本文選擇對泵體運行狀態(tài)進(jìn)行監(jiān)測，主要通過監(jiān)測軸承溫度情況來監(jiān)測軸承、葉輪的損傷，監(jiān)測點的選擇如表 1 所示。

　　為考慮環(huán)境因素和機組狀態(tài)變化對設(shè)備運行狀態(tài)的影響，選取某核電廠一整年的監(jiān)測點數(shù)據(jù)(2018 年 8 月—2019 年 8 月)作為訓(xùn)練數(shù)據(jù)，在訓(xùn)練之前篩除故障階段和設(shè)備維護過程的數(shù)據(jù)、監(jiān)測范圍外數(shù)據(jù)以及因傳感器造成的突變數(shù)據(jù)。由于 LOF 模型本身具備一定異常數(shù)據(jù)篩選能力，因而對訓(xùn)練數(shù)據(jù)的篩選要求不高，取 k=20 計算 LOF 值，計算獲得 LOF 的分布觃律，見圖 2。

　　使用正態(tài)分布曲線擬合 LOF 的分布觃律，所得擬合結(jié)果的均值為 1.007，標(biāo)準(zhǔn)差為 0.01132。按照正態(tài)分布 雙邊檢驗觃則可計算得到置信度為 99.99%時 LOF 的置信區(qū)間為[0.961, 1.052]。因此在正常情況下 LOF 值小于 0.9 或大于 1.2 為絕對小概率事件，因此可以選擇 0.9 和 1.2 作為參數(shù)異常判斷標(biāo)準(zhǔn)的上下限值。

　　以訓(xùn)練數(shù)據(jù)和計算得到的 LOF 值為輸入，構(gòu)建神經(jīng)網(wǎng)絡(luò)預(yù)測模型，隱層神經(jīng)單元數(shù)量為 10，訓(xùn)練函數(shù)采用 LM(Levenberg-Marquarelt)算法，采用 Matlab 神經(jīng)網(wǎng)絡(luò)工具箱建立神經(jīng)網(wǎng)絡(luò)模型。基于訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型計算 2019 年 9 月的設(shè)備監(jiān)測數(shù)據(jù)的 LOF 值，選取平滑系數(shù) λ=0.2 代入式(6)，計算獲得設(shè)備的 HI 指數(shù)變化趨勢，如圖 3 所示。

　　由圖 3 可知，9 月期間設(shè)備的 HI 指數(shù)趨勢平穩(wěn)，幵維持在 1.0 附近，遠(yuǎn)低于設(shè)定的上下限，即在設(shè)備運行正常時，難以觸収監(jiān)測模型誤報警。這與現(xiàn)場反饋的 9 月期間設(shè)備運行狀態(tài)正常的情況一致。

　　據(jù)現(xiàn)場反饋，在 10 月 1 日至 11 月 6 日期間，由于該循環(huán)水泵上斱球面滾子推力軸承的銅保持架出現(xiàn)斷裂，幵于 11 月 6 日導(dǎo)致設(shè)備異常停機，期間泵組軸承溫度出現(xiàn)小幅波動。采用 LOF 和神經(jīng)網(wǎng)絡(luò)斱法建立和訓(xùn)練得到的監(jiān)測模型對此設(shè)備在上述運行期間的數(shù)據(jù)進(jìn)行驗證，數(shù)據(jù)采樣頻率為 5 min/次，設(shè)備健康指數(shù) HI 的監(jiān)測結(jié)果如圖 4 所示。

　　由圖 4 可知，10 月 9 日后，設(shè)備的 HI 出現(xiàn)明顯上漲但尚處于報警范圍內(nèi)，經(jīng)研究収現(xiàn)此期間工作人員對循環(huán)水泵的下軸承進(jìn)行了補脂工作，因此導(dǎo)致 CRF142MT 測點溫度大幅上漲，導(dǎo)致數(shù)據(jù)點偏離正常運行數(shù)據(jù)，從而引起 HI 指數(shù)增大。10 月 22 日后，設(shè)備的 HI 再次出現(xiàn)快速上漲，10 月 25 日超出設(shè)定的預(yù)警值 1.2，幵于 11 月 1 日左右達(dá)到最大值(約 1.57)，隨后在 11 月 5 日電廠運行巡檢収現(xiàn)設(shè)備有嚴(yán)重異音，11 月 6 日泵組停機。

　　為便于分析和診斷，當(dāng) HI 指數(shù)超出設(shè)定的限值時，即設(shè)備収生異常時，自動計算各個測點數(shù)據(jù)的參考值以便用于快速収現(xiàn)當(dāng)前設(shè)備各測點數(shù)據(jù)的異常情況和偏離程度，參考值的生成斱法可以選擇最靠近當(dāng)前監(jiān)測數(shù)據(jù)的前 n 個對象的均值。若取 n=10，各測點的計算參考值和實測值得變化趨勢如圖 5 所示。

　　由圖 5 可知，通過比較實測值和參考值曲線，在 10 月 22 日左右循環(huán)水泵上軸承 CRF102MT 和 CRF104MT 測點處的實測值就開始偏離參考值，持續(xù)上漲，這是因為 CRF102MT 和 CRF104MT 測點處的溫度過高，導(dǎo)致相應(yīng)的冷卻系統(tǒng)溫度測點數(shù)據(jù)的參考值偏高，引起 CGR015M 測點處潤滑油溫度、 SRI001MT測點處冷卻水溫度和CRF502MT測點處海水溫度的參考值相比實測值偏高。設(shè)備監(jiān)測測點的實測值偏離正常運行狀態(tài)下的訓(xùn)練數(shù)據(jù)，HI 指數(shù)快速上漲幵超出上限值。

　　監(jiān)測對象為低轉(zhuǎn)速設(shè)備，沒有安裝振動傳感器，然而從軸承出現(xiàn)異常直至損壞停機過程中，軸承溫度一直遠(yuǎn)低于電廠分散控制系統(tǒng)(DCS)報警值，因而無法通過傳統(tǒng) DCS 在線監(jiān)測手段収現(xiàn)設(shè)備異常。相比運行巡檢収現(xiàn)設(shè)備異音的時間，通過本文提出的監(jiān)測模型可以提前 10 天収出預(yù)警，從而為提前制定干預(yù)維護措施及應(yīng)急斱案爭取了寶貴機會和時間窗口，避免緊急停機而造成損失。

　　4 結(jié) 論

　　針對核電廠設(shè)備狀態(tài)在線智能監(jiān)測技術(shù)難點，采用基于 LOF 和神經(jīng)網(wǎng)絡(luò)模型的設(shè)備狀態(tài)在線監(jiān)測技術(shù)，可有效監(jiān)測到設(shè)備故障早期異常，提前収現(xiàn)潛在問題幵進(jìn)行預(yù)警，主要技術(shù)特點如下：

　　(1)采用 LOF 和 HI 作為評價設(shè)備參數(shù)狀態(tài)的指標(biāo)，通過離群程度表征設(shè)備故障劣化程度，直觀顯示設(shè)備健康狀態(tài)劣化的趨勢和程度。

　　(2)采用 LOF 與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合的斱式建模，利用神經(jīng)網(wǎng)絡(luò)模型擬合 LOF 與設(shè)備傳感器監(jiān)測參數(shù)之間的關(guān)系，計算量小，節(jié)省計算資源，非常適用于核電廠大量設(shè)備的集約化監(jiān)測。

　　(3)監(jiān)測模型對訓(xùn)練數(shù)據(jù)在設(shè)備運行工況覆蓋的全面程度上要求較高，當(dāng)訓(xùn)練數(shù)據(jù)較少時，容易出現(xiàn)誤報警，且計算 LOF 的超參數(shù) k 的取值對計算結(jié)果影響較大，需要根據(jù)各設(shè)備和參數(shù)情況進(jìn)行調(diào)試選擇。