基于机器学习的核电厂DCS卡件故障诊断研究

随着核电厂运行时间的累积,数字化仪控设备的老化问题日益凸显。开关电源电路模块是分布式控制系统(DCS)卡件的关键组成部分。该模块的故障会导致卡件失效,甚至可能破坏核电厂的安全经济运行。针对核电厂某DCS卡件开关电源电路模块,开展了基于机器学习的板级故障诊断研究。根据传统机器学习和深度学习,分别开发了粒子群优化(PSO)-支持向量机(SVM)和一维卷积神经网络(1D-CNN)模型。小波包变换用于PSO-SVM模型的电路故障特征提取。基于加速寿命试验获得的电容老化过程数据,通过Saber电路建模仿真采集了开关电源在对应故障模式下的输出电压波形,用于模型的训练和测试。试验结果表明,所开发的故障诊断模型均表现出良好的诊断性能。该研究完成了故障诊断方法的可行性验证,不仅为DCS卡件的预测性维护提供了具有实际工程意义的应用参考,也为后续开展系统级健康管理研究奠定了一定的理论基础。     

基于Chained-SVR的铝电解电容老化预测

开关电源作为核电厂分布式控制系统(DCS)卡件的关键部分,其故障可能造成卡件的失效,甚至破坏核电厂的经济、可靠和安全运行。铝电解电容是开关电源最易受损的短寿命元器件之一。此处提出了一种基于链式支持向量回归(Chained-SVR)的铝电解电容老化预测方法,以实现对多个电容的同时预测。为验证该方法可行性,首先通过所设计的加速寿命试验(ALT)获取4组不同系列电容老化过程中等效串联电阻(ESR)和电容,以构建所需数据集;进而建立基于Chained-SVR的预测模型,以初始健康状态作为输入变量,实现对电容的老化预测。试验结果表明,Chained-SVR模型具有良好的泛化能力且对同系列电容老化预测表现出较高准确性。