陽(yáng) 惠，曾 輝，張 倬，楊昆霖，黃擎宇，林源峰

(中國(guó)核動(dòng)力研究設(shè)計(jì)院 核反應(yīng)堆系統(tǒng)設(shè)計(jì)技術(shù)重點(diǎn)實(shí)驗(yàn)室，成都 610213)

0 引言

核電廠狀態(tài)監(jiān)測(cè)和故障診斷，是核電廠安全運(yùn)行的重要保證。早期的狀態(tài)監(jiān)測(cè)普遍使用傳統(tǒng)的閾值方法，當(dāng)檢測(cè)出異常情況時(shí)，可能已經(jīng)發(fā)展到難以處理的地步，因此后期逐步發(fā)展為優(yōu)于閾值方法的基于神經(jīng)網(wǎng)絡(luò)模型的方法[1-3]。針對(duì)核反應(yīng)堆設(shè)備的故障診斷發(fā)展較早，經(jīng)歷了個(gè)體專家經(jīng)驗(yàn)診斷、基于材料壽命分析與估計(jì)、基于傳感器與計(jì)算機(jī)技術(shù)等幾個(gè)階段的發(fā)展，隨著人工智能技術(shù)的發(fā)展，邁入了智能化故障診斷及預(yù)測(cè)階段，以知識(shí)處理和知識(shí)推理代替數(shù)值計(jì)算和信號(hào)處理手段[4-5]。

控制棒驅(qū)動(dòng)系統(tǒng)是核電站反應(yīng)堆一回路中的重要專用儀控系統(tǒng)，用于提升、插入和保持控制棒束，實(shí)現(xiàn)反應(yīng)堆正常啟堆、停堆和維持反應(yīng)功率[6]?？刂瓢趄?qū)動(dòng)系統(tǒng)的工作原理為接收邏輯控制裝置發(fā)出的指令，按照特定的時(shí)序向控制棒驅(qū)動(dòng)機(jī)構(gòu)(CRDM)各線圈供電，形成磁場(chǎng)按照順序使機(jī)構(gòu)內(nèi)部配合動(dòng)作。CRDM作為反應(yīng)堆結(jié)構(gòu)中唯一運(yùn)動(dòng)部件，動(dòng)作的準(zhǔn)確性和及時(shí)性直接關(guān)系到反應(yīng)堆的功率控制與運(yùn)行安全，當(dāng)CRDM出現(xiàn)故障或性能退化到一定程度時(shí)，可能發(fā)生卡棒、滑棒和提不起等事故，甚至使控制棒失控掉落觸發(fā)停堆，影響核電廠的安全經(jīng)濟(jì)運(yùn)行[7-10]。

CRDM動(dòng)作故障的原因可分為兩個(gè)方面。一方面是CRDM電氣控制設(shè)備故障導(dǎo)致線圈電流波形異常，這可以通過(guò)監(jiān)視線圈電流大小、波紋、過(guò)渡過(guò)程來(lái)確認(rèn)。另一方面是CRDM機(jī)械部件磨損或故障導(dǎo)致機(jī)構(gòu)動(dòng)作不正常，這種故障可以通過(guò)檢查線圈電流波形上的動(dòng)作點(diǎn)發(fā)現(xiàn)，也可以在動(dòng)作故障累積到一定程度導(dǎo)致控制棒位置故障后，通過(guò)監(jiān)視控制棒位置發(fā)現(xiàn)。

因此，對(duì)CRDM的線圈電流進(jìn)行監(jiān)測(cè)與故障診斷具有重要意義。西屋公司很早就提出利用CRDM線圈電流來(lái)監(jiān)測(cè)CRDM的運(yùn)動(dòng)狀態(tài)，通過(guò)將當(dāng)前動(dòng)作點(diǎn)處的平均斜率與前一周期對(duì)應(yīng)處的平均斜率進(jìn)行對(duì)比，用來(lái)檢測(cè)線圈電流上動(dòng)作點(diǎn)的變化[11]。楊城凱[12]依據(jù)CRDM線圈電流的大小和時(shí)序作為報(bào)警依據(jù)，當(dāng)線圈電流幅值超過(guò)設(shè)定的上下限定或轉(zhuǎn)換時(shí)間限定時(shí)，便會(huì)產(chǎn)生報(bào)警。昌正科[13]針對(duì)秦山核電站反應(yīng)堆CRDM線圈電流，總結(jié)出線圈電流無(wú)動(dòng)作點(diǎn)、線圈電流大小異常以及線圈電流異常震蕩等多種故障形式，并根據(jù)線圈電流的大小以及時(shí)序，設(shè)計(jì)了線圈電流故障診斷判據(jù)。曾杰等人[14]提出將濾波后的線圈電流分為3個(gè)部分進(jìn)行研究，分別提取各部分的特征參數(shù)，將這些特征參數(shù)與標(biāo)準(zhǔn)參數(shù)進(jìn)行比較，用以判斷線圈電流的異常。周澤軍[19]使用支持向量機(jī)(SVM)探討了在含有噪聲復(fù)雜條件下的動(dòng)作點(diǎn)識(shí)別的可能性，發(fā)現(xiàn)在使用小波能量值作為特征向量時(shí)能取得較好的識(shí)別效果，但是由于分析對(duì)象選取的限制，該方法只能用于識(shí)別線圈電流無(wú)動(dòng)作點(diǎn)的故障。李國(guó)勇[24]基于LabVIEW平臺(tái)設(shè)計(jì)了CRDM性能監(jiān)測(cè)平臺(tái)，該平臺(tái)可生成設(shè)定的線圈電流轉(zhuǎn)換時(shí)序和線圈電流幅值上下限，當(dāng)采集到的線圈電流時(shí)序或幅值大小與設(shè)定的線圈電流時(shí)序或幅值大小產(chǎn)生偏差時(shí)，軟件平臺(tái)將會(huì)報(bào)警。文獻(xiàn)[25]針對(duì)線圈電流時(shí)序故障，設(shè)計(jì)了特殊的線圈健康狀態(tài)指數(shù)來(lái)識(shí)別故障。

本研究通過(guò)對(duì)CRDM線圈電流和振動(dòng)信號(hào)的監(jiān)測(cè)與特征分析，構(gòu)建了CRDM狀態(tài)判別與故障診斷智能模型，并利用實(shí)時(shí)數(shù)字仿真系統(tǒng)建立了控制棒驅(qū)動(dòng)系統(tǒng)自適應(yīng)控制數(shù)字化模型，通過(guò)將故障診斷模型與CRDM控制系統(tǒng)集成耦合，實(shí)現(xiàn)對(duì)CRDM運(yùn)行狀態(tài)的自我感知、判別、診斷、反饋、控制等功能。

1 控制棒驅(qū)動(dòng)機(jī)構(gòu)智能感知與自適應(yīng)控制系統(tǒng)架構(gòu)設(shè)計(jì)

CRDM通常包含有驅(qū)動(dòng)軸、線圈、銜鐵和勾爪等部件[21]，其結(jié)構(gòu)如圖1所示。每組CRDM中包含有提升線圈、傳遞線圈和保持線圈各1個(gè)，磁通環(huán)與線圈構(gòu)成電磁鐵，三塊電磁鐵與兩個(gè)勾爪相配合實(shí)現(xiàn)控制棒的運(yùn)動(dòng)[15]。以控制棒提升1步為例，其步驟為：傳遞線圈通電、保持線圈斷電、提升線圈通電、控制棒提升、保持線圈通電、傳遞線圈斷電、提升線圈斷電、銜鐵釋放[16]。3個(gè)線圈按一定的時(shí)序密切配合，實(shí)現(xiàn)控制棒提升或插入的步進(jìn)運(yùn)動(dòng)[22-24]。

圖1 CRDM結(jié)構(gòu)示意圖

通過(guò)對(duì)CRDM運(yùn)行狀態(tài)數(shù)據(jù)線圈電流、振動(dòng)信號(hào)的實(shí)時(shí)完備獲取，結(jié)合CRDM各種正常運(yùn)行工況(提升、下插、落棒、保持等)和典型故障模式(如滑棒、卡棒、提不起等)的機(jī)理分析，獲取運(yùn)行數(shù)據(jù)與工況模式之間的關(guān)聯(lián)關(guān)系，并借助機(jī)器學(xué)習(xí)構(gòu)建CRDM狀態(tài)識(shí)別與故障診斷智能模型。通過(guò)分析并模擬CRDM的靜態(tài)和動(dòng)態(tài)特性，建立CRDM數(shù)字化模型，并基于半實(shí)物仿真系統(tǒng)dSPACE搭建控制棒驅(qū)動(dòng)系統(tǒng)自適應(yīng)控制數(shù)字化模型，并與棒控系統(tǒng)電源控制設(shè)備形成有機(jī)連接。根據(jù)對(duì)CRDM電流、振動(dòng)信號(hào)的實(shí)時(shí)監(jiān)測(cè)，由自適應(yīng)控制系統(tǒng)通過(guò)Netty數(shù)據(jù)轉(zhuǎn)發(fā)服務(wù)將信號(hào)傳遞給算法服務(wù)，利用故障診斷智能模型對(duì)CRDM的運(yùn)行狀態(tài)進(jìn)行判別，并將狀態(tài)判別的結(jié)果返回給自適應(yīng)控制系統(tǒng)，實(shí)現(xiàn)控制策略和控制參數(shù)的自適應(yīng)調(diào)整。CRDM智能感知與自適應(yīng)控制系統(tǒng)架構(gòu)如圖2所示，該系統(tǒng)建立了監(jiān)測(cè)、分析、診斷、控制完善的閉環(huán)反饋機(jī)制，實(shí)現(xiàn)對(duì)CRDM運(yùn)行狀態(tài)的實(shí)時(shí)感知、在線診斷與自適應(yīng)控制。

圖2 CRDM智能感知與自適應(yīng)控制系統(tǒng)架構(gòu)

2 控制棒驅(qū)動(dòng)機(jī)構(gòu)智能感知與自適應(yīng)控制系統(tǒng)實(shí)現(xiàn)

2.1 CRDM故障診斷智能模型構(gòu)建

2.1.1 CRDM故障診斷智能模型構(gòu)建系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

CRDM故障診斷智能模型構(gòu)建系統(tǒng)采用B/S架構(gòu)模式，主要采用Python+Java語(yǔ)言混合開(kāi)發(fā)，后端采用SpringCloud框架，前端采用Vue框架，系統(tǒng)結(jié)構(gòu)如圖 3所示，自底向上分別由基礎(chǔ)平臺(tái)層、數(shù)據(jù)層、中間層、業(yè)務(wù)層、網(wǎng)關(guān)、表現(xiàn)層。

圖3 CRDM故障診斷智能模型構(gòu)建系統(tǒng)結(jié)構(gòu)圖

1)基礎(chǔ)平臺(tái)層：作為整個(gè)系統(tǒng)運(yùn)行的底層支撐環(huán)境，主要包括Java和Python運(yùn)行環(huán)境。

2)數(shù)據(jù)層：通過(guò)關(guān)系型數(shù)據(jù)庫(kù)、非關(guān)系型數(shù)據(jù)庫(kù)等不同形式對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)。設(shè)備運(yùn)行數(shù)據(jù)通過(guò)數(shù)據(jù)接入服務(wù)以文件形式存儲(chǔ)于分布式文件系統(tǒng)，并將文件路徑地址存于關(guān)系數(shù)據(jù)庫(kù)；進(jìn)行數(shù)據(jù)預(yù)處理服務(wù)時(shí)從文件系統(tǒng)中讀取文件并對(duì)其進(jìn)行解析和預(yù)處理，處理過(guò)程中的中間數(shù)據(jù)放入數(shù)據(jù)緩存中以便上層應(yīng)用使用。

3)中間層：包括算法架構(gòu)和微服務(wù)架構(gòu)；算法架構(gòu)基于Tensorflow框架和SkLearn庫(kù)，主要為數(shù)據(jù)清洗、特征提取等數(shù)據(jù)預(yù)處理和模型訓(xùn)練提供服務(wù)；微服務(wù)架構(gòu)主要支撐業(yè)務(wù)層內(nèi)各服務(wù)的正常運(yùn)行。

4)業(yè)務(wù)層：包括系統(tǒng)功能所需要對(duì)外提供的各個(gè)服務(wù)。

5)網(wǎng)關(guān)：通過(guò)Nginx做服務(wù)代理、SpringCloudGateway以及OAuth2進(jìn)行權(quán)限驗(yàn)證。

6)表現(xiàn)層：采用Vue、Echarts等前端框架對(duì)業(yè)務(wù)功能進(jìn)行渲染，并在瀏覽器進(jìn)行可視化展示。

CRDM故障診斷智能模型構(gòu)建系統(tǒng)的功能模塊主要包括：

1)運(yùn)行數(shù)據(jù)接入模塊：利用Python pandas庫(kù)實(shí)現(xiàn)csv、excel等源文件數(shù)據(jù)的接入，通過(guò)文件流方式將文件上傳到服務(wù)器，并提取文件元數(shù)據(jù)信息保存到MySQL數(shù)據(jù)庫(kù)。

2)數(shù)據(jù)預(yù)處理模塊：采用Python sklearn和pandas庫(kù)結(jié)合CRDM運(yùn)行數(shù)據(jù)特點(diǎn)開(kāi)發(fā)，實(shí)現(xiàn)數(shù)據(jù)清洗、數(shù)據(jù)切割、數(shù)據(jù)標(biāo)注、數(shù)據(jù)增廣、特征處理、數(shù)據(jù)均衡處理等功能。

3)算法管理模塊：包括算法模型開(kāi)發(fā)、算法庫(kù)管理等功能。算法模型開(kāi)發(fā)基于TensorFlow框架，實(shí)現(xiàn)故障診斷算法選擇、數(shù)據(jù)集劃分、模型訓(xùn)練、模型驗(yàn)證與評(píng)估、模型生成等功能。

4)數(shù)據(jù)存儲(chǔ)模塊：基于MySQL數(shù)據(jù)庫(kù)存儲(chǔ)系統(tǒng)在使用過(guò)程中產(chǎn)生的數(shù)據(jù)，包括預(yù)處理后的數(shù)據(jù)、模型數(shù)據(jù)、模型應(yīng)用的結(jié)果數(shù)據(jù)、用戶數(shù)據(jù)、日志數(shù)據(jù)等。

5)系統(tǒng)管理模塊：包括用戶管理、角色管理、日志管理及字典管理等。

2.1.2 CRDM運(yùn)行數(shù)據(jù)預(yù)處理

為構(gòu)建CRDM故障診斷模型，需對(duì)電流和振動(dòng)信號(hào)進(jìn)行數(shù)據(jù)切割與標(biāo)注、數(shù)據(jù)集增強(qiáng)、數(shù)據(jù)不平衡處理、特征處理等數(shù)據(jù)預(yù)處理。

CRDM的正常運(yùn)行工況包括提升、下插、單保持、雙保持和落棒5種狀態(tài)，通過(guò)對(duì)提升線圈(LC)、保持線圈(SC)、傳遞線圈(MC)3種線圈電流和振動(dòng)信號(hào)的特征分析，可根據(jù)規(guī)則設(shè)置數(shù)據(jù)切割周期和運(yùn)行狀態(tài)的自動(dòng)標(biāo)注(見(jiàn)圖4)。數(shù)據(jù)周期切割的規(guī)則如下：當(dāng)傳遞線圈電流和保持線圈電流同時(shí)上升時(shí)為提升工況；保持線圈電流持續(xù)為4.7 A(誤差±0.2)，提升線圈電流和傳遞線圈電流為0 A時(shí)為單保持工況；保持線圈電流從4.7 A下降到0 A，直到振動(dòng)信號(hào)趨于平緩為落棒工況；保持線圈電流上升，20 ms后提升線圈電流上升為下插工況。受線圈電流過(guò)渡時(shí)間限制，控制棒移動(dòng)的最大速度為72步/分鐘，對(duì)應(yīng)提升、插入的時(shí)序周期為833 ms，因此CRDM運(yùn)行數(shù)據(jù)的切割周期設(shè)定為833個(gè)運(yùn)行數(shù)據(jù)。

圖4 數(shù)據(jù)切割與標(biāo)注

針對(duì)CRDM的單保持、雙保持、落棒等運(yùn)行工況，通過(guò)分析發(fā)現(xiàn)數(shù)據(jù)沒(méi)有周期性的特點(diǎn)，因此可采用重疊采樣方式對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)增廣。數(shù)據(jù)重疊采樣是指從原始信號(hào)采集訓(xùn)練樣本時(shí)，每一段信號(hào)與其后一段信號(hào)是重疊的。另外，考慮到數(shù)據(jù)是從任意位置進(jìn)行采樣，在進(jìn)行模型實(shí)時(shí)診斷時(shí)，無(wú)法保證數(shù)據(jù)在切割后剛好滿足所在狀態(tài)的分段數(shù)據(jù)在一個(gè)完整周期內(nèi)，因此進(jìn)行重疊采樣可以使得模型的狀態(tài)識(shí)別具有容錯(cuò)性，在任意起始點(diǎn)和一個(gè)周期的長(zhǎng)度內(nèi)都可以正確識(shí)別出當(dāng)前的狀態(tài)。當(dāng)設(shè)置偏移量為50，雙保持?jǐn)?shù)據(jù)從原來(lái)的10個(gè)擴(kuò)充到103個(gè)，落棒數(shù)據(jù)從原來(lái)的16擴(kuò)充到185個(gè)。分別將數(shù)據(jù)擴(kuò)充前和擴(kuò)充后的數(shù)據(jù)集采用LSTM模型進(jìn)行訓(xùn)練，測(cè)試集精度分別為96%和100%，混淆矩陣如圖 5所示。

圖5 數(shù)據(jù)集擴(kuò)充前后模型測(cè)試結(jié)果混淆矩陣圖

從混淆矩陣圖可以看出，當(dāng)未進(jìn)行數(shù)據(jù)擴(kuò)充時(shí)，受到數(shù)據(jù)不平衡的影響，會(huì)使得單保持、雙保持和落棒狀態(tài)的識(shí)別存在誤判，而采用了重疊采樣后，每種狀態(tài)的數(shù)據(jù)達(dá)到平衡狀態(tài)，模型最終的精度可以達(dá)到100%，說(shuō)明使用重疊采樣進(jìn)行增廣可以解決落棒數(shù)據(jù)和雙保持?jǐn)?shù)據(jù)的數(shù)據(jù)不平衡問(wèn)題，從而使模型達(dá)到更好容錯(cuò)性。但是這種方法是基于落棒數(shù)據(jù)和雙保持?jǐn)?shù)據(jù)沒(méi)有周期性的特點(diǎn)，不適用于有周期性的故障數(shù)據(jù)。

針對(duì)CRDM運(yùn)行工況數(shù)據(jù)集，由于受到實(shí)驗(yàn)條件等因素限制，各個(gè)工況的數(shù)據(jù)集存在明顯的不平衡情況(通常情況下把多數(shù)類樣本的比例接近100：1這種情況下的數(shù)據(jù)稱為不平衡數(shù)據(jù))，特別是卡棒、滑棒、提不起等故障模式數(shù)據(jù)相比于正常運(yùn)行工況數(shù)據(jù)量較少，為避免構(gòu)建的故障診斷模型出現(xiàn)過(guò)擬合問(wèn)題，采用SMOTE算法[17]進(jìn)行數(shù)據(jù)均衡處理。

SMOTE算法的基本思想是對(duì)少數(shù)類樣本進(jìn)行分析，并根據(jù)少數(shù)類樣本人工合成新樣本添加到數(shù)據(jù)集中，算法流程如下：

1)對(duì)于少數(shù)類樣本中的每一個(gè)樣本x，計(jì)算該點(diǎn)與少數(shù)類中其它樣本點(diǎn)的距離，得到最近的k個(gè)近鄰(即對(duì)少數(shù)類點(diǎn)進(jìn)行KNN算法)。

2)根據(jù)樣本不平衡比例設(shè)置一個(gè)采樣比例以確定采樣倍率，對(duì)于每一個(gè)少數(shù)類樣本，從其k近鄰中隨機(jī)選擇若干個(gè)樣本，假設(shè)選擇的近鄰為x’。

3)對(duì)于每一個(gè)隨機(jī)選出的近鄰x’，分別與原樣本按照如下的公式構(gòu)建新的樣本：

xnew=x+rand(0,1)*(x’-x)

采用SMOTE算法對(duì)故障模式數(shù)據(jù)樣本進(jìn)行擴(kuò)充，并將擴(kuò)充前后的數(shù)據(jù)集分別放入LSTM模型中進(jìn)行訓(xùn)練，針對(duì)滑棒、提不起、卡棒故障模式的識(shí)別準(zhǔn)確率提升了75.1%～100%，說(shuō)明SMOTE在一定程度上可以提高模型的泛化能力，且總體效果優(yōu)于隨機(jī)過(guò)采樣(見(jiàn)表1)。

針對(duì)CRDM保持線圈電流、提升線圈電流、傳遞線圈電流和振動(dòng)信號(hào)，分別提取其時(shí)域特征和頻域特征，并針對(duì)所提取的特征集，采用方差選擇法，計(jì)算各個(gè)特征的方差，然后根據(jù)閾值大小(時(shí)域方差設(shè)置為5，頻域方差設(shè)置為0.01)進(jìn)行特征篩選。對(duì)CRDM線圈電流和振動(dòng)信號(hào)的最大值、最小值、峰值、峰峰值、均值、整流平均值、方差、標(biāo)準(zhǔn)差、均方值、均方根值、方根幅值、偏度、峭度、峰值因子、裕度因子、脈沖因子、波形因子等17種時(shí)域特征以及平均頻率、重心頻率、均方頻率、均方根頻率、頻率方差、頻率標(biāo)準(zhǔn)差等6種頻域特征進(jìn)行特征選擇的結(jié)果如圖 6所示。

圖6 電流、振動(dòng)信號(hào)特征處理

保持線圈電流方差大于5的時(shí)域特征有：最大值、峰值、峰峰值、方差、均方值、峭度；方差大于0.01的頻域特征有：均方頻率、均方根頻率、頻率方差、頻率標(biāo)準(zhǔn)差。提升線圈電流方差大于5的時(shí)域特征有：最大值、峰值、峰峰值、方差、均方值、均方根值、偏度、峭度；方差大于0.01的頻域特征有：重心頻率、均方頻率、均方根頻率、頻率方差。傳遞線圈電流方差大于5的時(shí)域特征有：最大值、峰值、峰峰值、均值、整流平均值、方差、均方值、均方根值、峭度；方差大于0.01的頻域特征有：重心頻率、均方頻率、均方根頻率、頻率方差、頻率標(biāo)準(zhǔn)差。振動(dòng)信號(hào)方差大于5的時(shí)域特征有：峭度；方差大于0.01的頻域特征有：重心頻率、均方頻率、均方根頻率、頻率方差。

2.1.3 CRDM故障診斷智能模型構(gòu)建

通過(guò)對(duì)CRDM正常運(yùn)行工況和故障模式的機(jī)理分析和電流、振動(dòng)信號(hào)的數(shù)據(jù)特征分析，本研究基于LSTM、CNN、Random-Forest、SVM、KNN等算法構(gòu)建了5種故障診斷智能模型。故障診斷智能模型構(gòu)建的基本流程如下：

圖7 自適應(yīng)控制參數(shù)辨識(shí)控制器

1)將CRDM提升、下插、單保持、雙保持、落棒5種正常運(yùn)行工況和卡棒、滑棒、提不起3種故障模式的帶標(biāo)簽數(shù)據(jù)組合在一起，并切割為833的片段數(shù)據(jù)集。

2)將切割好的數(shù)據(jù)集按比例(如7：3)劃分為訓(xùn)練集、測(cè)試集。利用訓(xùn)練集對(duì)算法進(jìn)行迭代訓(xùn)練，獲得模型最優(yōu)參數(shù)。

3)利用測(cè)試集對(duì)訓(xùn)練好的模型進(jìn)行測(cè)試，評(píng)估模型性能。

針對(duì)提升、下插等正常運(yùn)行工況和卡棒、滑棒等故障模式，CRDM故障診斷智能模型的識(shí)別準(zhǔn)確率均達(dá)到99.2%以上(見(jiàn)表2)。

2.2 控制棒驅(qū)動(dòng)系統(tǒng)自適應(yīng)控制數(shù)字化模型構(gòu)建

根據(jù)控制棒驅(qū)動(dòng)系統(tǒng)控制和驅(qū)動(dòng)電路原理，基于半實(shí)物仿真系統(tǒng)dSPACE[18]搭建了控制棒驅(qū)動(dòng)系統(tǒng)數(shù)字模型的IGBT控制方案仿真模型(如圖 7所示)。

表2 CRDM故障診斷算法對(duì)比表 %

dSPACE實(shí)時(shí)仿真系統(tǒng)是德國(guó)dSPACE公司開(kāi)發(fā)的一套基于MATLAB/Simulink 的控制系統(tǒng)在實(shí)時(shí)環(huán)境下的開(kāi)發(fā)及測(cè)試工作平臺(tái)。dSPACE實(shí)時(shí)系統(tǒng)具有實(shí)時(shí)性強(qiáng)，可靠性高，擴(kuò)充性好等優(yōu)點(diǎn)，目前已成為進(jìn)行快速控制原型驗(yàn)證和半實(shí)物仿真的首選實(shí)時(shí)平臺(tái)。

自適應(yīng)控制參數(shù)辨識(shí)控制器實(shí)時(shí)采樣CRDM電感電流(I_RL信號(hào))、指令電流(I_LC_order信號(hào))和IGBT拓?fù)鋽夭ü艿腜WM信號(hào)(PWM_1信號(hào))，利用遺忘因子遞推最小二乘法辨識(shí)得到系統(tǒng)結(jié)構(gòu)參數(shù)。圖8顯示了自適應(yīng)控制方法與傳統(tǒng)PI控制方法的效果對(duì)比，自適應(yīng)控制模型的辨識(shí)準(zhǔn)確率可達(dá)到95%。

圖8 傳統(tǒng)控制算法與自適應(yīng)控制方法對(duì)比

2.3 CRDM故障診斷智能模型與自適應(yīng)控制系統(tǒng)集成

CRDM故障診斷智能模型與自適應(yīng)控制系統(tǒng)基于Netty通信實(shí)現(xiàn)集成。Netty是一個(gè)基于NIO(Nonblocking I/O,即非阻塞IO)的客戶、服務(wù)器端的編程框架，提供異步的、事件驅(qū)動(dòng)的網(wǎng)絡(luò)應(yīng)用持續(xù)框架和工具，用以快速開(kāi)發(fā)高性能、高可靠的網(wǎng)絡(luò)服務(wù)器和客戶端程序。

自適應(yīng)控制系統(tǒng)接收到dSPACE實(shí)時(shí)仿真系統(tǒng)發(fā)送的CRDM線圈電流、振動(dòng)信號(hào)，將數(shù)據(jù)按照UDP協(xié)議數(shù)據(jù)格式轉(zhuǎn)發(fā)給Netty服務(wù)器。UDP數(shù)據(jù)包的總長(zhǎng)度為43個(gè)字節(jié)，每個(gè)參數(shù)占4個(gè)字節(jié)，從左到右依次為：LC線圈電流、MC線圈電流、SC線圈電流、振動(dòng)信號(hào)、LC線圈辨識(shí)參數(shù)a1，LC線圈辨識(shí)參數(shù)b0，MC線圈辨識(shí)參數(shù)a1、MC線圈辨識(shí)參數(shù)b0，SC線圈辨識(shí)參數(shù)a1、SC線圈辨識(shí)參數(shù)b0。Netty服務(wù)器接收到數(shù)據(jù)監(jiān)控轉(zhuǎn)發(fā)的實(shí)時(shí)數(shù)據(jù)后，根據(jù)協(xié)議進(jìn)行數(shù)據(jù)解析，并按數(shù)據(jù)切割周期(每833個(gè)數(shù)據(jù)一個(gè)周期)進(jìn)行數(shù)據(jù)封裝滿足模型輸入要求，以HTTP方式調(diào)用算法服務(wù)，根據(jù)故障診斷智能模型進(jìn)行CRDM運(yùn)行狀態(tài)的判別與診斷，并將判別結(jié)果通過(guò)UDP協(xié)議進(jìn)行封裝，發(fā)送給自適應(yīng)控制系統(tǒng)，模型集成流程如圖 9所示。

圖9 模型集成流程圖

3 控制棒驅(qū)動(dòng)機(jī)構(gòu)智能感知與自適應(yīng)控制系統(tǒng)功能驗(yàn)證

為驗(yàn)證CRDM智能感知與自適應(yīng)控制系統(tǒng)狀態(tài)感知、模式判別、故障診斷、反饋控制等功能，本研究基于dSPACE系統(tǒng)搭建了實(shí)驗(yàn)樣機(jī)，并與CRDM形成有機(jī)連接(如圖10所示)。接口模塊實(shí)時(shí)接收提升線圈、傳遞線圈和保持線圈的電流信號(hào)和振動(dòng)傳感器的振動(dòng)信號(hào)，并將所獲取的信號(hào)傳遞到CRDM智能感知與自適應(yīng)控制系統(tǒng)。CRDM故障診斷智能模型對(duì)所接收的電流、振動(dòng)信號(hào)進(jìn)行實(shí)時(shí)監(jiān)測(cè)與判別，并將識(shí)別出的運(yùn)行狀態(tài)模式信號(hào)(分別用0～8九個(gè)狀態(tài)碼表示單保持、雙保持、落棒、下插、提升、滑棒、提不起、提升卡棒、下插卡棒9種運(yùn)行狀態(tài))傳遞給自適應(yīng)控制系統(tǒng)，根據(jù)運(yùn)行狀態(tài)模式信號(hào)，控制系統(tǒng)產(chǎn)生相應(yīng)的時(shí)序指令信號(hào)，使控制電流在外部環(huán)境變化和CRDM動(dòng)態(tài)運(yùn)行過(guò)程中都能滿足電流的響應(yīng)要求，實(shí)現(xiàn)系統(tǒng)控制回路的自適應(yīng)控制。

圖10 樣機(jī)系統(tǒng)連接圖

功能驗(yàn)證的操作步驟如下：

1)操作CRDM智能感知與自適應(yīng)控制系統(tǒng)帶動(dòng)CRDM運(yùn)行，監(jiān)測(cè)智能模型的工況識(shí)別結(jié)果和驅(qū)動(dòng)電流的穩(wěn)態(tài)誤差、時(shí)序精度及轉(zhuǎn)換時(shí)間；

2)向CRDM發(fā)出提升控制指令，監(jiān)測(cè)智能模型的工況識(shí)別結(jié)果和控制電流的穩(wěn)態(tài)誤差、時(shí)序精度及轉(zhuǎn)換時(shí)間；

3)向CRDM發(fā)出插入控制指令，監(jiān)測(cè)智能模型的工況識(shí)別結(jié)果和控制電流的穩(wěn)態(tài)誤差、時(shí)序精度及轉(zhuǎn)換時(shí)間。

圖11顯示了當(dāng)CRDM以72步/分的速度進(jìn)行下插運(yùn)動(dòng)時(shí)，智能診斷模型能實(shí)時(shí)準(zhǔn)確地識(shí)別出CRDM的運(yùn)行工況。同時(shí)，針對(duì)提升線圈、移動(dòng)線圈和保持線圈在大電流波動(dòng)、小電流波動(dòng)、零電流到大電流時(shí)間的采集值與額定值進(jìn)行對(duì)比分析，時(shí)序電流的控制精度優(yōu)于額定值的±4%(如圖12所示)。

圖11 CRDM運(yùn)行狀態(tài)驗(yàn)證

圖12 控制電流實(shí)測(cè)值

4 結(jié)束語(yǔ)

本研究構(gòu)建了一套CRDM智能感知與自適應(yīng)控制系統(tǒng)，通過(guò)實(shí)驗(yàn)樣機(jī)模擬驗(yàn)證，得到如下結(jié)論：

(1)通過(guò)對(duì)CRDM保持線圈、傳遞線圈、提升線圈電流信號(hào)和振動(dòng)信號(hào)的特征分析，基于LSTM、CNN、隨機(jī)森林、SVM和KNN算法構(gòu)建了5種CRDM故障診斷智能模型，對(duì)提升、下插、保持、落棒等正常運(yùn)行工況和卡棒、滑棒、提不起等典型故障模式均可實(shí)現(xiàn)運(yùn)行狀態(tài)的準(zhǔn)確判別與故障診斷，識(shí)別準(zhǔn)確率在99.2%以上。

2)通過(guò)在dSPACE實(shí)時(shí)仿真系統(tǒng)上構(gòu)建控制棒自適應(yīng)控制數(shù)字化模型，并集成CRDM故障診斷智能模型，可實(shí)時(shí)獲取與監(jiān)測(cè)CRDM線圈電流和振動(dòng)信號(hào)，實(shí)現(xiàn)CRDM運(yùn)行狀態(tài)的實(shí)時(shí)感知與判別、故障模式的在線診斷、控制完善的閉環(huán)反饋機(jī)制，提高了CRDM的智能化水平、可靠性和安全性，為深入開(kāi)展核反應(yīng)堆智能設(shè)備的研制工作奠定了技術(shù)基礎(chǔ)。