核电厂仪控卡件PSPICE仿真及故障诊断研究

核电厂仪控卡件PSPICE仿真及故障诊断研究
秦凤1,王苗苗2,聂卫2,赵国3
(1.中核武汉核电运行技术股份有限公司,湖北武汉430223;2.秦山核电厂,浙江海盐314300;3.武汉大学,湖北武汉430072)
摘要：针对核电厂仪控卡件的可靠性检测与分析问题,在对卡件进行PSPICE仿真分析的基础上,为提高故障诊断的准确率,提出一种基于偏二叉树双支持向量机的故障诊断模型,将双支持向量机引入模型,利用偏二叉树多分类方法构造出多个2分类器,实现仪控卡件故障诊断的多类分类。

通过实例验证,提出的故障诊断模型提高故障诊断精度和泛化能力,时间消耗短。

关键词：仪控卡件；PSPICE仿真；故障诊断；支持向量机
中图分类号：TL48文献标识码：B DOI：10.16621/ki.issn1001-0599.2019.08D.15
0引言
核电厂仪控卡件的可靠性直接影响到整厂的安全和稳定，所以应尽可能的避免因卡件元器件性能不稳定导致的突发故障、卡件长期运行自然老化导致的渐进性故障、卡件元器件在各种不可预见输入信号组合下出现的不适应现象等问题的发生，这就需要对卡件功能特征和故障隐患进行在线监测及分析预警，以便快速评价卡件的性能，检测出故障源[1-4]。

目前，国内核电厂用仪控卡件部分细分类种仍被国外公司垄断，由于核心技术资料封闭，缺乏有效的诊断分析方法来对其进行状态检测，且无法实现元器件级的故障识别定位。

而且，备件昂贵、供货周期长等问题，也一直困扰着核电运维管理人员。

支持向量机（SVM，Support Vector Machines）是一种基于统计理论的机器学习算法，他按照结构风险最小化（SRM）原则对各个函数子集进行排列，其强大的学习、适应能力有效的提升误差反向传播（BP）神经网络的应用范围，例如，可以解决类似收敛精度低而导致的过度拟合、局部极值、收敛速度慢等问题[5-8]。

经典SVM的设计理念是用于解决两分类问题，目前，对于多分类问题一般通过多组合多分类方法进行分解，拆成多个二分类问题，间接的去解决多分类问题。

一对多、一对一等支持向量机是常用的过渡支撑手段，但通常会由于分类维数过高导致子分类器数量非常庞大，整体结构复杂；样本数据在每个子分类器中均需要流转分析，严重制约训练速度；训练样本的不均衡性因素，很大程度上也会影响SVM分类器的使用性能。

基于偏二叉树双支持向量机（partial binary tree algorithm and twin support vector machines，PBT-TSVM），提出一种仪控卡件的故障诊断模型。

为确保仿真分析中分类器训练精度与分类效率，解决训练样本不均衡性等问题，通过引入基于双支持向量机的偏二叉树多分类方法，通过2分类器提取仪控卡件的元器件级特征，将各敏感元器件的特征因子作为卡件故障诊断模型的输入条件，实现卡件典型故障的元器件级别故障诊断及定位。

1偏二叉树双支持向量机
1.1双支持向量机
双支持向量机（TSVM）是将经典SVM中的一个二次优化问题（Quadratic Programming Program，QPP）分解成两个规模较小的优化问题，从而获得两个不平行的分类超平面。

其中心思想是在n维空间构建两个非平行超平面，每一个超平面应该尽可能地让样本接近其所属的类别；同时，也尽可能地远离其它样本所属的类别。

采用TSVM算法来求解以下两个二次优化问题：min
ω(1),b(1)
12K(A,C)ω(1)+e1b(1)2+c1e2'q
s.t.-(K(B,C'))ω(1)+e2b(1)+q≥e2
min
ω(2),b(2)
12K(A,C')ω(2)+e2b(2)2+c2e1'q（1）
s.t.-(K(A,C'))ω(2)+e1b(2)+q≥e1
q≥0
其中：K表示核函数；A是m1个正类样本；B是m2个负类样本；e1是K(A,C)有相同维数的单位向量；e2是K(B,C)有相同维数的单位向量；c1、c2是惩罚系数；w是最优超平面的法向量；b是最优超平面的偏移量；q是松弛因子。

这2个超平面各自对应1个样本类型，样本的所属类型取决于样本和超平面之间的距离。

决策函数如下：
K(x T,C T)w r+b r=min
l=1,2
K(x T,C T)w l+b l（2）对于二分类问题，标准TSVM的空间复杂度用O(m3)表示，其中m指的是样本数目，假设每个类的样本数目是m/2，那么采用两个QPP的空间复杂度是O2×
m
2()3()。

因此TSVM的空间复杂度只有SVM的1/4。

同时，TSVM采用了两个惩罚系数c1、c2，针对不均衡样本的情况，采取差异化的惩罚系数分别作用于两类样本，可以有效克服SVM由样本不均衡引起的性能缺陷，提升分类精度。

1.2偏二叉树分类算法
TSVM的作用相当于2分类器，对于多分类问题，通过对多分类支持向量机进行组合排列来解决，最终用分解重构的方法让问题变成多个2分类问题，进行简化求解。

多类分类算法有很多，常见的有“一对一”算法、“一对多”算法、“决策有向无环图”算法以及“二叉树结构”算法。

其中二叉树结构算法相对于其他多类分类算法，具有如下优点：①具有很强
的融合性，使用时通常与其他分类模型结合使用；②具有更少的计算量，与其他分类方法比较，
该方法对于k 类问题所需2分类器数仅为k -1；③使用时对样本的要求会逐层递减，在同等层级下，训练时间更短、效率更高；④没有不可分的区域。

对于分类问题，二叉树又可分成完全二叉树和偏二叉树。

如图1所示，左图为完全二叉树，他的特征是每个决策结点下具有两个数目、类别相一致的子类；右图1为偏二叉树，其特征为每个决策结点只产生一类，以此类推，直至将所有类别分开。

使用偏二叉树结构算法组建
TSVM 的分层决策模型。

2
仪控卡件PSPICE
仿真基础
卡件故障模式分析有助于深入了解卡件故障机理，对卡件仿真和
故障诊断提供理论依据和故障案例标准。

故障模式分析工作包括卡件现场故障历史案例收集和卡件电路图模拟仿真分析。

在实际工作现场，故障历史案例
只能以文字记录，不能再现，不便于数据的分析和故障的进一步研究。

采用PSPICE 软件根据卡件的电路图搭建仿真模型，对模型进行调试使其复现卡件完整的工作过程，并在此基础上实现对卡件各类故障模式的模拟，从而获得各类故障模式下的标准输出波形。

PSPICE 是一种通用的电路仿真软件，
可以用来对电子电路进行交直流分析、稳态和瞬态等不同情况下的性能分析。

PSPICE 不仅支持模拟电路和数字电路的仿真分析，还支持数模混合电路的仿真，可以根据仿真
的结果对电路结构进行优化，
完善系统的设计。

对卡件进行PSPICE 仿真的目的是建立卡件正常
工况及故障工况下的仿真模型案例库，
为试验数据分析及故障诊断提供案例支持。

仿真流程如图2所示。

3基于PBT-TSVM 的卡件故障诊断模型3.1卡件PSPICE 仿真
卡件在运行中会遇到各种各样的故障种类，
有一些故障出现比较频繁且具有很明显的特征，
在核电领域，将这种代表性故障称为卡件的故障模式。

对卡件故障模式建立案例库后，可进行更有效的进行故障类型判断。

以核电厂中某型双通道绝对值报警卡件为分析对象。

绝对值报警卡实质上是指装在一块功能卡件上共用一只电源的二个独
立报警电路。

每个报警电路有一个输入、一个设定值和一个输出。

输入信号为（0~10）VDC ，输出为继电器触点。

报警设定值在0~
100%之间调整，具有上限报警和下限报警方式。

该卡件将输入电压与设定电压进行比较，控制继电器通断，
进而产生报警信号。

通过对卡件进行原理分析，绘制其PSPICE 仿真图。

图3为卡件锯齿波生成模块PSPICE 仿真电路。

根据卡件原理、功能分析及故障信息统计，
选择R1和R19作为敏感元器件。

着重讨论R1和R19在
短路与断路时故障模式（表1），其结论可在其他敏感元器件中推广应用。

（1）R1发生断路
R1发生断路时，会导致监测点TP1、SP3波形发生重大变
化，其他点波形不变，故障波形如图4所示。

（2）R1发生短路
R1发生短路时，会导致监测点TP1、SP3波形发生变化，电
压大小会减半，
故障波形如图5所示。

（3）R19发生断
路
图1完全二叉树与偏二叉树
支持向量机
图2PSPICE 仿真流程
卡件类型元器件名称故障模式双通道绝对值报警卡件
电阻R1R1断路故障
R1短路故障电阻R19
R19断路故障
R19短路故障
表1卡件故障模
式
图3PSPICE 仿真电路
R19发生断路时，会导致监测点TP7、SP4波形发生重大变
化，电压大小接近电源电压为14.8V ，其它点波形不变，
故障波形如图6所示。

（4）R19发生短路
R19发生短路时，会导致监测点TP7、SP4波形发生变化，
电压大小会减半，
故障波形如图7所示。

3.2
故障诊断模型构建
PBT-TSVM 算法可与卡件模式进行结合，形成基于PBT-TSVM 的故障诊断模型，
如图8所示。

将正常状态考虑在内，识别出卡件的故障模式共5种：正常状态（NF ），R1电阻断路（K1），R1电阻短路（D1），R19电阻断路
（K19），R19电阻短路（D19）。

模型中具有4个故障分类的子分类器，只需输入有效的特
征参数对分离器进行故障识别，
就可以实现模型训练和诊断效率的提高。

4卡件故障诊断实例分析
通过PSPICE 进行仿真后得到的200条仿真数据作为卡件
PBT-TSVM 故障诊断模型的训练样本；
同时，选取30条卡件实际故障数据作为模型测试样本。

样本分布如表2所示。

卡件的PBT-TSVM 故障诊断模型可以在MATLAB 仿真软件中构建。

故障诊断模型的训练结果见表3。

基于故障诊断模型对卡件
进行故障诊断分析，反应快速敏捷，仅耗时32ms 完成了对
30组实际故障样本的故障分类，同时，故障诊断的
准确率高达93.33%，充分验证了该模型对核
电厂仪控卡件故障诊断及元器件故障定位具有很好的适用性，泛化能力优于传统方法。

相较于其他人工
智能算法，提出的卡件PBT-TSVM 故障诊断模型在泛化能力、故障分类以及鲁棒性等方面具有更优性能，针对有限训练样本下的故障诊断模型构建更加适用。

5结束语
创新性地提出了一种基于偏二叉树多分类双支持向量机的核
电厂用卡件故障诊断模型，通过实例验证分析，
得出以下结论：（1）将故障模型与偏二叉树多分类双支持向量机相结合，利用二叉树多分类结构和双支持向量机的优势，提高了样本训练
效率和故障诊断精度
；
图5TP1与SP3故障波
形
图6TP7与SP4故障波
形
图7TP7与SP4故障波
形
图8PBT-TSVM 故障诊断模型
故障编码训练样本测试样本
NF 424K1406D1
446K19367D19
38
7
合计20030表2样本分布
模型训练样本测试样本分类精度TSVM120030100%
TSVM2158
2696.15%TSVM38412100%TSVM4
7414
92.86%表3故障诊断
结果
图4TP1与SP3故障波形
（2）得到的基于PBT-TSVM的卡件故障诊断模型对样本数据进行故障诊断的准确率高达93.33%，可以实现元器件级的故障诊断及定位，为核电厂仪控卡件的实时诊断和分析提供有效支持。

参考文献
［1］张允炜，李勇.核电站仪表和控制设备可靠性及老化检测技术［J］.
仪表技术，2017（11）：41-46.
［2］任莉华，郎爱国，李世欣，等.核电站仪控系统可靠性和可用性分析计算［J］.自动化仪表，2015，36（11）：127-132.
［3］侯伟宏，张沛超，胡炎.数字化变电站系统可靠性与可用性研究［J］.
电力系统保护与控制，2010，38（14）：34-38.［4］卢文跃，李晓明，韩庆浩，等.核电站设备可靠性管理体系的探索与运作［J］.核动力工程，2005，26（6）：65-72.
［5］陈友森，郭建胜.基于模糊神经网络的航空装备故障诊断专家系统框架［J］.航空制造技术，2007，（1）：79-83.
［6］陈琪，曲东才.基于故障字典和神经网络理论的故障诊断方法［J］.
计算机测量与控制，2007，15（1）：4-7.
［7］胡惟文.模拟电路故障诊断的神经网络实现［D］.长沙：湖南大学，2005.［8］樊敏，胡梅，王玲.一种容差模拟电路的分级故障诊断方法［J］.计算机测量与控制，2014，22（12）：3912-3914，3918.
〔编辑毕来金〕
大型异步电机修后试验数据分析比对的重要性
蒋琳
(大唐贵州发耳发电有限公司,贵州六盘水553011)
摘要：三相异步电机检修后必须进行全面检查,并根据检修内容进行相应的测试,重点做好数据分析比对。

杜绝质量不合格的电机投入安装运行,避免不必要的经济损失和设备质量事故。

关键词：电机；修理；验收；数据分析
中图分类号：TM306文献标识码：B DOI：10.16621/ki.issn1001-0599.2019.08D.16
0引言
电力行业机组容量不断增大，大型三相异步电机应用越来越广泛，电机因绝缘老化、故障运行导致绕组烧损的问题一直存在，因此定子绕组更换或局部修理后的质量验收非常关键。

从几起返修后电机绕组再次发生故障入手，探讨和论证电机修后投运可靠性问题。

实践证明，如果根据检修内容进行相应的测试和数据对比分析，加强电机入厂验收管控和质量把控，可有效杜绝质量不合格电机投入安装和运行，避免不必要的经济损失和设备事故。

1典型案例
（1）2015年6月，某电厂引风机电机（型号YFKK630-6W，功率1600kW）因转子断条磨损电机端部，导致绕组短路烧毁。

返厂家进行定子线圈重制修理。

电机修复后出厂试验报告及数据无明显异常，装机后电机带负荷运转，声音异常，电机定子温度上升过快。

拆机后重新检查，发现电机绕组并联支路接线错误。

（2）2015年2月，某电厂电动给水泵电机（型号YKS800-4，功率6000kW）因定子线圈老化被击穿，返厂家进行定子线圈重制修理。

电机修复后出厂试验报告及数据无明显异常，电机装复投运后运行电流偏大，过流保护动作，电机绝缘再次击穿，经检查发现电机极性接错。

（3）2018年6月，某电厂脱硫浆液循环泵电机（型号YKK500L2-4，功率1120kW）因定子端部绑线绝缘磨损导致烧毁，返厂家进行定子线圈重制修理，电机出厂试验报告及数据无明显异常，电机空载试运转发现电流偏小，只有额定电流的1/10，经检查发现电机绕组并联支路接线错误。

2质量验收存在的问题
分析3起电机返厂修理后发生二次故障的原因，主要体现在电机绕组并联支路容易接错和极性接错问题。

但在验收环节同样存在管理问题。

总结为4点：
（1）修后电机验收主要以查阅验收报告和验收试验为主，加上台账资料和历史数据不完整，导致验收时没有对比数据。

如电机直流电阻的测试，一般都未对照送修前数据开展验收，很难发现电机绕组并联支路接线错误。

（2）电机极性试验是非常规试验项目，厂家修后出厂试验和到厂验收试验忽略此项目，为极性错误故障电机投运埋下隐患。

（3）绕组隐藏性故障，原因是缺乏统一标准的验收步骤和试验方法。

（4）试验人员没能熟练掌握电机绕组结构及原理，导致对错误数据缺乏敏感认识。

3解决问题的思路及方法
重视电机维修中关键节点试验项目的见证和试验，确保修后试验的规范，明确修后验收作业标准和关键环节的数据分析，绕组存在质量问题能及时发现，并在投运前解决问题，主要思路和方法如下：
（1）定子绕组更换工作，要明确贯穿修理全过程的监督、验收流程和试验方法，严格按照GB1032—2012《三相异步电动机试验方法》标准要求执行。

如：在修理厂未焊绕组并头前的绝缘电阻、直流电阻、绕组极性测试、定子绕组首尾测试，穿转子前绕。