基于PoF与数据驱动融合算法的核电仪控卡件剩余寿命预测方法研究.pdf

第卷增刊原子能科学技术 ，年月 基于 与数据驱动融合算法的核电仪控卡件剩余寿命预测方法研究周田蜜，周宇，马一鸣，秦凤，颜凯，蓝剑（中核武汉核电运行技术股份有限公司，湖北 武汉 ；秦山核电有限公司，浙江 嘉兴 ）摘要：作为核电厂的神经中枢，仪表控制系统的稳定性与可靠性是保证核电厂安全运行的关键。对核电仪控系统卡件进行剩余寿命预测可降低直接更换带来的维护、购置费用，可减少关键设备的损坏风险，是提高系统可靠性的重要手段。数据驱动和故障物理（）是剩余寿命预测领域的两种主要方法，然而这两种方法都存在着一定的局限性，且现有融合算法难以对应力多样、结构复杂的核电产品实现准确的剩余寿命预测。针对以上问题，本文提出了一套基于 与数据驱动融合算法的核电产品剩余寿命预测方法，该方法采用广义阿伦尼斯模型进行 建模，利用维纳过程进行退化过程建模并生成退化数据，基于长短期记忆（）神经网络实现 数据与数据驱动方法的有效融合。依据所提方法完成了某核电站仪表控制系统 卡件的剩余使用寿命预测，通过不同算法的比较，验证了本文所提方法的有效性与准确性。研究结果可用于指导核电站仪控设备的预防性维修，也为设备可靠性管理提供了参考和方向。关键词：故障物理；数据驱动；维纳过程；长短期记忆网络；剩余寿命预测中图分类号：文献标志码：文章编号：（）收稿日期：；修回日期：基金项目：中核集团“青年英才”项目通信作者：周田蜜：，（，；，）：，（），（），：，（），（）（），：；核电厂仪表与控制系统是核电厂的重要组成部分，反应堆的运行水平在很大程度上取决于仪控系统的性能水平。作为核电厂的神经中枢，仪控系统的稳定性与可靠性受到广泛关注，然而核电仪控系统卡件在使用过程中不可避免地受到环境应力的作用，其可靠性面临着严峻的挑战。目前核电站缺乏系统性的卡件可靠性分析评估手段，直接进行卡件更换也大大增加了维护、购置的费用以及关键设备的损坏风险。对核电仪控卡件开展剩余寿命预测是保障核电厂安全运行的前提条件，同时也是提高设备可用性、可靠性和安全性的重要手段。随着技术的发展，剩余寿命预测的主流方法从基于故障物理（）模型的预测，逐渐发展到基于数据驱动算法的预测。基于 模型的预测方法是根据产品的结构、材料、工艺参数和环境应力参数，结合 模型和概率方法，计算每个故障点的故障时间。常用的物理模型有焊点疲劳、振动疲劳、电迁移以及与时间相关的介质击穿模型等，该方法所需要的数据信息量少，但是难以对复杂的产品建立 模型，且只有较高的模型准确度才能保证较高的预测精度。基于数据驱动算法的寿命预测方法是从退化数据中导出模型，该方法依赖于统计特征，而识别这些特征是实现数据驱动寿命预测的关键。数据驱动模型包括统计模型增刊周田蜜等：基于 与数据驱动融合算法的核电仪控卡件剩余寿命预测方法研究（隐马尔可夫模型、动态贝叶斯网络等）、可靠性函数（威 布 尔 失 效 率 函 数、高斯 过 程等）、人工智能模型（神经网络、支持向量机（）等，其中，基于机器学习生成人工智能模型来进行寿命预测，可借助机器学习的强大数据处理能力，成为数据驱动的寿命预测算法的重要分支。但是基于数据驱动算法的寿命预测方法的预测精度依赖于大量的数据，只有通过足够多的数据进行学习、训练，才能获得较好的预测精度。基于 模型的预测方法以及基于数据驱动算法的预测方法均存在一定的局限性，因此，基于 与数据驱动融合的预测方法逐渐得到发展。现有的融合预测方法可以分为以下类。）数据驱动方法用来映射系统健康状态与特征之间的关系，当监测到系统故障就触发基于 模型的寿命预测；等利用马氏距离的数据驱动方法评估系统健康状态，并通过腐蚀 模型预测铁结构的剩余寿命。这种方法的寿命预测结果仍仅依赖 模型，基于 模型的寿命预测方法的不足并没有在融合算法中得到解决。）数据驱动方法用于系统退化过程建模，用退化模型来代替物理模型；等在无法获得系统 模型的情况下，通过历史数据训练的自适应神经模糊推理系统来代替 模型进而完成剩余寿命预测。这种方法适用于复杂系统 模型难以建立的情况，但如果可用数据不足以构建退化模型，则会在预测中引入大量的不确定性。）分别使用 模型以及寿命预测算法进行剩余寿命预测，并将预测结果融合起来。这种方法可以有效提高预测结果的可靠度，但目前的融合机制大多仍为两种结果的平均或加权平均，设计合适的融合机制成为难点。）数据驱动算法对退化数据进行预测，在退化数据充足的情况下利用 模型完成剩余寿命预测。这种方法有效融合了二者的各自优点，但目前的研究集中在单一故障机理和数据驱动算法的融合，单一故障机理的 模型难以满足环境应力多变的复杂系统求解需求。综上所述，一种适用于应力多样、结构复杂的核电产品剩余寿命预测方法亟待提出。本文提出一种基于 和数据驱动融合的剩余寿命预测方法，利用广义 模型描述环境应力对产品退化速率的影响，利用维纳过程对产品参数退化过程进行建模，基于长短期记忆（）神经网络实现对产品退化速率和退化参数的预测。该方法将 模型与数据驱动方法有效融合，考虑环境应力影响，在退化数据较少的情况下实现对复杂产品的剩余寿命预测。融合方法及寿命预测算法本文所提出的基于 与数据驱动的融合算法，将基于 的广义 模型以及基于数据驱动的维纳过程输入 神经网络进行训练，训练后的结果可用于产品退化速率以及退化参数预测。基于 损伤累积法则，完成产品的剩余使用寿命预测。融合算法如图所示。广义 模型 利用产品的结构、材料、工艺参数和环境应力参数，结合故障机理模型和概率方法，计算每个故障点的故障时间。广义 模型是常见的 模型，可以描述在环境应力影响下的器件退化速率。广义 模型，反应速率 为：（）（）（）（）其中：为普朗克常量；为参数的退化量；为温度以外的应力，如湿度、电压、机械应力等；为玻尔兹曼常数，；（）为的函数；为激活能；、为常数。维纳过程维纳过程是一种连续时间随机过程，可以描述退化过程的不确定性，其表达式为：（）其中：和为常数；为标准布朗运动。但在实际过程中，和不一定为常数，可能会逐渐变化。几何布朗运动是一种广义的维纳过程，其表达式为：（，）（，）（）其中：（，）为均值（也称漂移率）；（，）为原子能科学技术第 卷图基于 和数据驱动的融合算法 方差（也称波动率），在漂移过程中均值和方差都会随着随机变量和时间变化。神经网络人工神经网络具备从多个不同的渠道即时合并数字信息的能力，可很好地将数据与系统的健康监测与寿命预测结合起来。网络是循环神经网络的一种。网络结构单元如图所示。的计算节点由遗忘门、输入门、输出门和细胞组成，遗忘门从记忆单元的系统状态中舍弃无用的预测信息，输入门则决定哪些信息可以作为当前记忆单元状态的输入，输出门用来决定信息的最终输出。在任意时刻，的状态更新算法过程的遗忘门、输入门和输出门的具体内容如下。）遗忘门负责将输入信息中不重要的信息进行遗忘，避免计算过程中可能会出现的梯度爆炸和梯度消失问题，遗忘门使用下式进行计算：（）（）输入门用来确认哪些信息在细胞状态中需要被保留，并对细胞状态进行更新，输入门通过式（）进行计算：（）（）（）输出门负责输出细胞状态的相关信息，将信息传递到下一时刻，输出门的计算为：（）（）（）其中：为遗忘门的值；为输入门的值；为输出门的值；和为记忆细胞的候选值和细胞状态；为 函数；为 双曲正切函数；、分别为输入权重矩阵、循环权重矩阵及偏置矩阵；为最终输出。损伤累积法电子产品性能参数是产品退化的重要表征，基于性能参数的产品寿命预测算法可基于 线性损伤累积法开展。性能参数在时刻的退化量与系统工作时间呈正比：（）（）（）其中：（）为系统时刻的退化量；为性能参数的裕量；为性能参数超出阈值时间，等于系统工作时间加上之后的剩余寿命 （）。由式（）可得到数据驱动预测的在时刻的剩余寿命表达式为：（）（）（）（）寿命预测算法首先根据产品环境应力计算 参数，建立 模型，同时根据已有产品退化数据拟合维纳过程参数，建立维纳过程；其次，将基于 模型描述环境应力影响下的产品退化速率增刊周田蜜等：基于 与数据驱动融合算法的核电仪控卡件剩余寿命预测方法研究以及基于维纳过程生成退化数据描述产品性能参数退化过程分别输入 神经网络进行训练，基于训练结果，利用 神经网络实现对产品退化速率以及产品性能参数的预测；最后，基于 损伤累积法则，将预测的性能参数值转换为剩余寿命，完成剩余使用寿命预测。神经网络训练输入为所有真实数据的前（推荐），预测输入为所有数据的后 的数据，若退化趋势明显，取值可较小，若退化不明显，取值较大的情况下预测的效果会更好。核电仪控系统 卡件剩余寿命预测对某核电站仪控系统的 卡件开展剩余寿命预测。在该卡件中，电流输出模块与通用辅助接口模块配合使用，实现电流信号输出功能。结合历史故障数据 和，确 定 卡件的输出电压为整个电路的关键性能参数。对该卡件开展退化试验并进行连续个月的持续测量，在试验后期，该卡件的输出电压发生了明显的退化。监测过程中 卡件的输出电压和监测温度如图所示。根据试验条件，拟合可得到广义 模型 中 的 参 数：激 活 能 ，。采用维纳过程对数据进行预测，通过融合预测方法得到的产品性能参数退化预测结果和误差情况如图所示，可看出使用 算法后，预测数据与真实数据之间具有很强的相关性，输出电压的预测误差在 以内，拟合精度较高。为了对比说明维纳过程在该融合算法中发挥的作 用，不 采 用 维 纳 过 程 生 成 退 化 数 据，神经网络输入参数仅依靠现有数据的预测结果如图所示。可看出，部分预测结果与真实结果之间差异较大，误差范围在 之间，相较于本文所提出的融合算法，整体预测误差较大。由此可见，维纳过程不仅可以有效对产品的退化过程进行描述，也可以进一步扩充可用数据，提高预测精度。本文选用的 算法是神经网络算法的一种，为了对比其他算法的预测效果，利用双向长短期记忆（）以及 算法对 图卡件的输出电压和监测温度 图基于 和数据驱动融合算法的预测结果和误差 原子能科学技术第 卷卡件进行剩余寿命融合预测，并结合维纳过程的作用进行综合的评价和分析。图、为基于 的预测结果，其中前者使用了维纳过程，后者未使用。类似地，图、为基于 的真实数据的预测结果。从图、以及图、的对比可见，相较于仅依赖现有数据进行预测，采用本文的方法，即通过维纳过程对参数退化过程进行描述并进行数据预测普遍会取得更为准确的预测结果。对比不同的算法，基于 的预测结果拟合效果最差，且在预测的数据末端，呈现近乎直线上升的 趋 势，与 实 际 结 果 的 偏 差 很 大；基 于 的预测结果拟合误差较小，但预测结果则绝大部分都在真实值的上方，最终结果会导致剩余寿命预测结果估计值过高，不能及时准确的对产品故障采取措施。种算法的均方误差结果列于表，可知，使用 算法的均方误差最大（是另外两种算法的倍），而使用 和 的均 方误差都很小，且二者较为接近。由于 图未使用维纳过程的预测结果和误差 图基于 神经网络的预测结果和误差（维纳过程）图基于 神经网络的真实数据预测结果和误差（未使用维纳过程）增刊周田蜜等：基于 与数据驱动融合算法的核电仪控卡件剩余寿命预测方法研究图基于 的预测结果和误差（维纳过程）图基于 的真实数据预测结果和误差（未使用维纳过程）预测结果在实际值的上方，考虑到对最终寿命预测结果的影响，对于本文所研究的核电仪控系统 卡 件 剩 余 寿 命 预 测 问 题，采 用 算法进行寿命预测更为合理。表种算法的均方误差比较 算法均方误差真实数据维纳数据 核电仪控系统 卡件关键性能参数电压的期望值为，规定退化阈值为，退化量为。使用 算法作为融合的数据驱动算法，预测得到性能参数退化值后，基于性能参数的剩余寿命计算方法，计算得到核电仪控系统 卡件剩余寿命预测结果如图所示。可看出，剩余寿命预测结果与实际数据非常接近，如当卡件使用时间达到 时，卡件剩余使用寿命约为 左右。图剩余使用寿命预测结果 结论本文提出了一种基于 和数据驱动融合剩余寿命预测方法，并对某核电站仪表控制系统 卡件完成了剩余寿命预测。该方法首先采用广义 模型对产品失效物理过程进行建模，其次基于维纳过程对退化数据进行退化建模并生成退化数据，最后基于原子能科学技术第 卷 神经网络实现 和数据驱动的融合计算。在案例 卡件的剩余寿命预测中，对比发现使用维纳过程生成退化数据后进行预测会获得更为准确的预测效果。通过将使用 、和 种算法的预测效果进行对比，综合考虑预测效果及预测误差，发现 算法取得的预测效果最佳，验证了本文所提出方法的有效性及准确性。本文的研究结果可用于指导核电站仪控设备的预防性维修，也为设备可靠性管理提供了参考和方向。参考文献：，（）：，：，：，（），：，（）：，：，：，：，：李春，邸曼丽故障预测技术在半导体设计中的应用 半 导 体 技 术，（）：，（）：，（），：，（）：，：，：，（）：，（）：汪祖民，张志豪，秦静，等基于卷积神经网络的机械故障诊断技术综述计算机应用，（）：，（）：（）于震梁，孙志礼，曹汝男，等基于支持向量机和卡尔曼滤波的机械零件剩余寿命预测模型研究兵工学报，（）：，增刊周田蜜等：基于 与数据驱动融合算法的核电仪控卡件剩余寿命预测方法研究 ，（）：（），：，：，（）：，（）：，：，：，（）：，（）：，（）：原子能科学技术第 卷