核电厂仪控卡件PSPICE 仿真及故障诊断研究

秦 凤，王苗苗，聂 卫，赵 国

（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）

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：

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：

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。

图1 完全二叉树与偏二叉树支持向量机

图2 PSPICE 仿真流程

图3 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

表1 卡件故障模式

图4 TP1 与SP3 故障波形

图5 TP1 与SP3 故障波形

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14.8 V，其它点波形不变，故障波形如图6 所示。

图6 TP7 与SP4 故障波形

（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。

图7 TP7 与SP4 故障波形

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PBTTSVM 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）。

图8 PBT-TSVM 故障诊断模型

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32 ms 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；

表2 样本分布

表3 故障诊断结果

（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。