[发明专利]基于大数据分析的核电厂主泵三级密封故障预测方法

权利要求书

1.一种基于大数据分析技术的核电厂主泵三级密封故障预测方法，包括以下步骤：

步骤一：建立主泵三级密封故障预警的业务模型；

步骤二：比较主泵的运行实测参数与业务模型输出的变量虚值，捕获异常数据；

步骤三：将捕获的异常数据与设备历史故障特征参数数据进行比对，完成故障的预测；通过与故障模式表征参数数据的对比，获知设备的故障模式；并通过故障预测算法来预测故障可能发生的时间点；这种预测算法通过分析问题测点的报警事件数列整体趋势特点，从中挖掘出该数据序列随时间变化而变化的规律，这些规律包括长期发展趋势规律、周期波动规律、不规则变动规律，针对这些规律获取这些模式的对应数学模型，长期发展趋势模型采用线性模型、周期波动模型采用正余弦模型、不规则变动模型采用高斯白噪声模型，去综合预测该测点将来运行的状态。

2.根据权利要求1所述的基于大数据分析技术的核电厂主泵三级密封故障预测方法，其特征在于：所述的步骤一按照以下步骤进行：

步骤1.1，测点的选择；根据运行经验分析，给出建模测点，共16个，具体测点见表1所示；

表1构建主泵业务模型的参数类型

步骤1.2，进行数据选择；在历年的运行状态数据中，观察测点数据曲线，截取最近三年的数据作为建模数据；

步骤1.3，进行测点相关性分析；该步骤对监测设备任意两个不同测点数据之间是否存在相关关系，以及何种关系作出判断；采用协方差数值作为测点相关性判断的依据；其数学模型可以表达为：

16个测点的相关性分析结果如表2所示：

表2测点相关性分析结果

步骤1.4，进行数据筛选；这一步骤是对建模数据进行二次清洗，确认设备非正常运行的数据，该数据又可分为不正确数据和设备异常状态的运行数据；可利用的工具包括趋势筛选、规则筛选和散点筛选；其中趋势筛选是直接在数据的曲线图中通过观察找出非正常运行的数据；规则筛选是通过设定某些数据条件，如某个时间段、某个数据范围等，来确定非正常运行的数据；散点筛选则是对任意两个测点进行数据分析，获得线性函数关系和非线性函数关系；这种筛选方法是完成两个参数关系拟合后挑选出离群点，再通过测点趋势辅助判定该离群点数据是否为非正常运行数据，将不正确数据删除，并将设备异常状态的运行数据作为故障模式表征参数数据；

步骤1.5，进行参数配置；根据测点的相关性分析对测点的权重进行配置，如表3所示，最终16个测点的权重设定；以及对模型运行参数进行调整，如模型运行周期、计算周期和事件判定规则等；

表3 16个测点的权重设定

序号	测点	权重设定
1	循环水温度	0.3
2	泵X向轴位移	0.6
3	泵Y向轴位移	0.6
4	泵轴承壳振	0.8
5	轴封冷却水进口温度	0.3
6	轴封冷却水出口温度	0.7
7	第一级密封腔室压力	1
8	第二级密封腔室压力	1
9	第三级密封腔室压力	1
10	第一级密封压差	1
11	第二级密封压差	1
12	第三级密封压差	1
13	轴封注入流量	1
14	泵入口压力	0.8
15	泵出口压力	1
16	主泵转速	1

步骤1.6，进行模型训练；该步骤以经过筛选的历史数据对模型进行训练，采用聚类分析算法选取聚类中心作为回归模型训练集，训练阈值产生器，获取各测点参数的动态阈值；模型训练这一过程需要通过调整测点参数的权重，来提高模型输出的评估值曲线与历史实测参数曲线的拟合度；待动态阈值空间基本包络历史实测参数曲线，模型训练完毕。