2024年4月27日，实验室博士生许勇顺利完成了毕业论文答辩工作。

论文题目：《基于数据驱动的核电反应堆关键设备状态评估研究》

论文摘要：

核电设备的状态评估对提高核电厂安全性、经济性有着重要的作用。 现有方法依赖于设备自身报警机制、简单阈值判断以及工程师经验等传统方式加以状态评估。然而， 这些方法难以满足核电运维的更高需求。随着在线监测系统在核电机组的应用以及运行设备海量数据的积累，利用数据驱动技术进行设备健康状态评估已经成为行业关注焦点。 本文以解决核电厂面临的实际工程问题为导向，根据设备运行特性与采集数据特点， 提出基于数据驱动的核电反应堆测控关键设备状态评估方法，构建多种关键设备的状态评估模型并进行验证。具体研究工作内容如下：

1) 针对反应堆堆芯内空间复杂多变带来的堆芯自给能中子探测器 (Self-Powered Neutron Detector， SPND) 异常检测精度的不确定性以及传统异常检测手段难以应用的问题， 提出了一种基于虚拟冗余的 SPND 异常检测模型。 利用 SPND 间蕴含的空间关联性构建了与真实 SPND 一一对应的极限梯度提升 (Extreme Gradient Boosting， XGBoost) 冗余模型；通过健康样本训练便可重构 SPND 电流；还采用较宽残差统计置信区间来解决异常样本带来的不确定性。 通过集中、分散及混合三种类型多个异常探测器的检测结果，验证了模型的多异常检测能力。 研究异常及隔离 SPND 数量与模型输出精度之间的关联性，证明所提模型具有较高的检测准确性与鲁棒性。

2) 针对机组调峰、调停、通道定期试验等多种干扰因素导致堆外核测中间量程探测器 (Intermediate Range Detector， IRD) 寿命预测复杂性以及传统寿命预测方法缺乏与异常检测手段相结合的问题， 提出一种结合数据预处理和异常检测的IRD 剩余寿命预测模型。 利用多种预处理手段， 成功剔除因外部干扰产生的非寿命特征引起的电流偏离； 沿用虚拟冗余模型的建模思想， 通过线性回归虚拟冗余模型辨识异常探测器的通道和异常时间； 在此基础上，利用滚动累积的异常数据， 构建 Prophet 故障时间预测和劣化趋势滚动预测模型。 通过 IRD 老化案例的实验表明， 所提寿命预测模型具有较高的预测精度。

3) 针对核电场景下故障样本少且故障信息受限带来电子卡件寿命预测的局限性以及传统数据增加技术难以应用的问题，提出改一种改进威布尔的电子卡件寿命预测方法。 利用删失样本对完全故障样本扩充， 再通过线性回归方法来获得模型参数； 运用粒子群优化算法获得删失样本与完全故障样本之间的最佳权重比，进一步优化预测卡件寿命； 借助 Arrhenius 模型构建运行环境温度与剩余寿命的关系模型，并通过聚类分组实验方法获取模型参数。通过中间量程高压卡件的案例研究表明， 所提方法能够有效解决样本稀缺条件下核电厂电子卡件的寿命预测问题。

4) 针对正常样本与故障样本数量极度不平衡带来的控制棒驱动机构 (Control Rod Drive Mechanism， CRDM) 故障检测及诊断准确性不足以及传统方法过度依赖故障标签数据的问题， 提出了一种门控循环单元自动编码器 (Gated Recurrent Unit Autoencoder， GRU-AE) 和随机森林 (Random Forest， RF) 相结合的 CRDM故障检测及诊断模型。 通过半监督学习方式， 利用 GRU-AE 学习正常状态下控制棒数据的变化规律以重建电流信号，再采用典型故障样本叠加噪声方法构建适量模拟样本， 进而通过 RF 有效检测多种控制棒故障。 通过对 CRDM 保持线圈的电流大小故障、过渡时间故障、无动作点故障和动作点衔接故障的 4 种典型故障的实验表明， 所提 CRDM 电流的检测及诊断方法具有较好的故障检测与诊断性能。

综上，本文针对核电测控关键设备状态评估的关键问题，克服了传统评估方法准确性与灵活性不足的问题，提出多种数据驱动的设备状态评估模型， 能够为设备运维策略的制定提供决策依据，有助于核电厂运维智能化转型。

图 1：许勇答辩现场

图 2：许勇与老师们合影