基于相关系数的核电主泵振动异常定位方法研究

侯修群，蒋庆磊，包彬彬，苗碧琪，李元姣，张梦阳

基于相关系数的核电主泵振动异常定位方法研究

侯修群，蒋庆磊，包彬彬，苗碧琪，李元姣，张梦阳

（中核武汉核电运行技术股份有限公司核设备研究设计中心，湖北 武汉 430223）

在工业互联网的大背景下，核电厂积累了大量过程监测数据，但大多数据都未进行标记，无法将其直接应用于以数据驱动为核心的智能预警诊断。采用现场的报警门限值仅能对少量的振动异常进行定位，忽略了大量未超报警门限但波动明显的振动异常现象。针对该问题，提出一种基于相关系数的振动异常定位方法，该方法将振动数据与对应时间的相关系数作为衡量振动数据的波动指标，并通过历史数据统计计算波动阈值，进而对波动异常数据进行定位。核电主泵的振动监测数据表明，提出方法能有效检测数据的波动异常现象并实现了振动异常起始点的定位，为核电设备智能诊断方法的研究提供了大量有效的数据。

振动异常定位；变化趋势计算；相关系数；核电主泵；故障诊断

随着能源转型步伐的逐步推进，核电在我国能源结构中将占据越来越重要的地位[1,2]。能源发展“十三五”规划指出应安全高效发展核电，推动核电主泵等关键重大装备的科技创新[3]，主泵作为核电一回路系统能量传递的唯一动力源，其健康状态对反应堆安全运行意义重大[4]，因此有必要采用先进的技术手段对主泵的运行状态进行监测与诊断，确保核电站的安全稳定运行[5,6]。

主泵运行过程中受工艺参数波动、设备故障以及外界环境干扰存在大量的振动异常现象，需对振动异常数据进行检测、定位，进一步分析振动异常原因。且近年来，随着工业互联网的推进和以数据驱动为核心的深度学习技术的发展，机械设备状态监测与故障诊断进入大数据时代[7,8]，大量的历史监测数据将为主泵监测技术的研究提供充足动力。然而这些数据未对其状态进行标记，价值密度低，无法直接应用于基于深度学习的智能预警诊断技术中。人工标记数据周期性长、经济性差[9,10]，因此急需寻求一种高效准确的振动异常数据检测定位方法，充分发挥主泵监测数据的价值，为主泵设备的预警及诊断提供数据支撑。

依据现场单特征报警门限值的定位方法[11]仅能完成对小部分振动异常数据的定位，而对于更为广泛的未超过报警门限但存在明显波动的振动异常数据不能实现有效检测。异常检测与定位作为数据挖掘领域的一个重要分支，众多研究者对其进行了研究[12-14]。文献［12］为降低时间序列分析中时间代价高昂的问题，引入知识粒度的方法进行异常检测，通过属性间的组合粒度划分正常数据与异常数据，提高了异常检测的效率；文献［13］提出一种混合式聚类算法，将基于密度和基于距离的聚类算法相结合，先用基于距离的聚类算法找出聚类中心，再结合基于密度的聚类算法计算出异常度，从而识别异常数据；文献［14］采用基于小波模极大值的遥测振动信号异常检测方法，可以更为细致地捕获到遥测振动信号的非平稳程度以及在不同尺度下动态变化的复杂度。以上方法在异常检测方面取得一定效果，但检测的异常是一些显著偏离分析对象的数据，无法反应主泵运行过程中受工艺参数波动等原因引起的振动异常波动的情况。文献［15］通过计算地区风电出力和典型日负荷的皮尔逊相关系数，分析得出该地区风电出力的调峰特性，实现了调峰容量的计算。皮尔逊相关系数可用于衡量两变量间的相关性，基于此，本文考虑采用皮尔逊相关系数分析振动数据与对应时间的相关性，实现波动异常数据的定位。

综上所述，针对主泵振动异常数据的检测与定位问题，提出一种基于皮尔逊相关系数的方法。该方法将通过计算一段时间内振动数据和对应时间的相关系数判断振动的变化趋势，通过历史振动数据的统计特性确定波动阈值进而实现振动异常的检测，并结合皮尔逊相关系数的等级强弱关系完成振动异常起始点的定位，最终通过主泵振动数据对提出方法进行验证。

1　理论背景

1.1　皮尔逊相关系数

皮尔逊相关系数用来反映两个变量线性相关程度的统计量，常被简称为相关系数，两变量间的相关系数定义为变量间的协方差和标准差的商，如公式（1）所示。

表1　相关系数与相关度对应关系

2　振动异常定位方法

本文提出的基于相关系数的主泵振动异常定位方法流程如图1所示，包括数据预处理、变化趋势计算、异常检测和异常起始点定位四部分。

图1　振动异常定位方法流程图

2.1　数据预处理

主泵历史振动数据中存在异常值等无效数据，需对其进行清洗，此外，在相关系数计算之前进行滤波以减少数据噪声的干扰。

2.1.1数据清洗

此外，由于数据传输故障、传感器故障等原因历史监测数据中存在孤立数据，孤立数据无法体现数据的变化趋势应将其删除。孤立数据为相邻数据点间时间间隔过大或一段时间内数据点过少的数据，如图3所示为孤立数据示意图。

图2　箱型图判断异常值

图3　孤立数据示意图

分析，若持续时长过短，一个分析窗口内可能同时存在上升（或下降）阶段，导致相关系数不能反映其变化趋势。

2.1.2平滑滤波

振动数据的波动异常现象如图4所示的两种类型，一种为图4（a）所示的缓变趋势，通过提取均值指标可反映该振动数据的变化趋势；另一种为图4（b）所示的快变趋势，均值指标无法准确反映该类型数据的变化情况，而方差指标可体现数据幅值的波动情况。因此本文通过提取振动数据的均值和方差指标捕捉振动异常特征，并实现平滑滤波。具体滤波方法采用防脉冲干扰滤波[16]，即去掉一段数据内的最大值和最小值，求取剩余数据的均值和方差。

图4　不同类型振动波动异常现象示意图

2.2　变化趋势计算

式中：——分析窗口滑动的次数。

由公式（2）计算X与T的相关系数Y，由此得到一组相关系数，如公式（4）所示。将用于衡量振动数据的变化趋势。

由图5所示计算方法分析可知，若滑动步长与分析窗口大小选取不合适，将导致计算得到的相关系数无法体现振动数据的变化趋势。

对于振动异常的定位不是必须的。

图5　变化趋势计算方法示意图

图6　滑动步长和分析窗口大小的影响

2.3　异常检测

振动是否存在异常是对一段时间内的振动数据进行观察分析得到的结论，因此本部分将通过计算一段时间内变化趋势的均值，并通过波动阈值判断该段时间内是否存在振动异常。

2.4　异常起始点定位

在对振动异常原因进行分析时，需要定位振动上升（或下降）趋势的起始点，将其与邻近时间内的其他因素进行分析，由此确定引起振动异常的原因。

图8　振动异常起始点定位方法流程

3 工程数据验证

为验证提出方法的有效性，利用某核电站主泵一年的振动数据进行实验，分别对异常检测和异常定位的效果进行分析。

3.1　试验数据

主泵振动监测传感器的测点布局[17]如图9所示，分别装有电机机架振动106 MV和107 MV、泵轴振动150 MM和151 MM、电机轴振动152 MM和153 MM共六个振动传感器，每个部位的两个传感器成90°安装。从数据存储系统导出的历史振动数据采样点间隔为2 s，通过对振动数据的初步分析，其中既有较平稳数据也有波动较大的异常数据，如图10所示。由于泵轴存在较多的振动异常数据，因此以下将重点以泵轴的150 MM测点为例进行分析，其中图10（a）、图10（b）均为150 MM测点数据。

图9　某主泵振动传感器布局示意图

图10　主泵振动数据趋势图

3.2　应用效果及分析

3.2.1异常检测效果分析

图11　相关系数分布直方图

图12　相关系数趋势图

3.2.2异常定位效果分析

如图13和图14所示为提出方法对振动异常起始点定位的效果图，其中上图为相关系数的变化趋势，从图中可看出多处相关系数大于0.6；中图为依据初选值定位得到的振动异常起始点，即相关系数等于0.6的时间点，可看出多处上升（或下降）的起始点存在明显偏差；下图是结合经验法则之后定位到的振动异常起始点，分别与图13和图14的中图进行对比可看出，定位效果明显得到改善。

图13　振动异常起始点定位效果（150 MM）

图14　振动异常起始点定位效果（151 MM）

4　结论

为提取出主泵历史监测数据中的异常振动数据，提出一种基于相关系数的振动异常定位方法，通过本文的研究，得到如下结论：

（1）本文提出的相关系数计算方法能够很好的表征振动数据的变化情况，基于统计分析得到的波动阈值可用于实现对振动异常数据的检测，具有很好的应用效果。

（2）结合经验法则的振动异常定位方法，可以有效提高异常定位的精度，为分析振动异常原因提供了充足数据。

值得注意的是，提出方法对故障预警提供了一种新思路，可基于此方法建立主泵振动故障预警模型；此外可将提出方法应用于其他类型时序数据的波动分析，对相关研究具有一定的借鉴意义。

［1］ 赵成昆．中国核电发展现状与展望［J］．核动力工程，2018，39（05）：5-7.

［2］ 赵和安．我国核电发展及其与紧固件的关系［J］．兵器装备工程学报，2018，39（4）：131-137.

［3］ 中华人民共和国国家发展改革委，国家能源局．能源发展“十三五”规划［R/OL］．（2016-12-26）[2020-09-15]. http://www.nea.gov.cn/2017-01/17/c_135989417.htm

［4］ Kiss，S；Lipcsei，S. Analysis of propagating temperature perturbations in the primary circuit of PWRs［J］．Annals of Nuclear Energy，2015，85：1167-1174.

［5］ 陈甲华，邹树梁．基于噪声信号分析和HMM-SVM混合模型的乏燃料剪切机故障诊断研究［J］．核科学与工程，2018，38（5）：825-832.

［6］ Andrey，S. The study of cesium ionization at high gas temperature in a primary circuit［J］．Nuclear Engineering and Design，2016，310：453-460.

［7］ Jia，F，Lei，Y，Lin，J，et al. Deep neural networks：A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data［J］．Mechanical System and Signal Processing，2016，72-73：303-315.

［8］ Li，C，Sanchez，R V，Zurita，G，et al. Fault diagnosis for rotating machinery using vibration measurement deep statistical feature learning［J］．Sensors，2016，16（6）．

［9］ 朱宝，陈忠圣，余乐安．一种新颖的小样本整体趋势扩散技术［J］．化工学报，2016，67（3）：820-826.

［10］ Zhu，N，Chen，S. Weighted sparse representation based on virtual test samples for face recognition［J］．Optik- International Journal for Light and Electron Optics，2017，140：853-859.

［11］龚安，史海涛．基于特征组合分析的主泵异常检测方法［J］．科学技术与工程，2019，19（12）：223-230.

［12］杨志勇，朱跃龙，万定生．基于知识粒度的时间序列异常检测研究［J］．计算机技术与发展，2016，26（7）：51-54.

［13］尹娜，张琳．基于混合式聚类算法的离群点挖掘在异常检测中的应用研究［J］．计算机科学，2017，44（5）：116-119+140.

［14］刘学，梁红，玄志武．基于小波模极大值模糊熵的遥测振动信号异常检测［J］．振动与冲击，2016，35（9）：147-151+158.

［15］林俐，周鹏，王世谦，等．考虑相关性的地区风电出力对调峰容量的影响分析［J］．现代电力，2016，33（6）：21-26.

［16］沙林秀．带时间戳的移动平均防脉冲干扰数字滤波算法［J］．石油机械，2012，40（3）：13-15+66.

［17］李振，袁少波．核电厂主泵轴振异常分析［J］．核动力工程，2019，40（1）：167-171.

Study on Abnormal Vibration Localization Method of Nuclear Main Pump Based on Correlation Coefficient

HOU Xiuqun，JIANG Qinglei，BAO Binbin，MIAO Biqi，LI Yuanjiao，ZHANG Mengyang

（China Nuclear Power Operation Technology Co.，Ltd.，Wuhan of Hubei Prov.430223，China）

Under the background of industrial Internet，nuclear power plants have accumulated a large amount of process monitoring data，but most of the data has not been labeled，and it cannot be directly applied to data-driven intelligent early warning diagnosis. The on-site alarm threshold can only locate a small number of vibration anomalies，and ignores a large number of vibration anomalies that do not exceed the alarm threshold but have significant fluctuations. Aiming at this problem，a method for locating vibration anomalies based on correlation coefficients is proposed. This method uses the correlation coefficient of vibration data and corresponding time as a measure of the fluctuation index of vibration data，and calculates the fluctuation threshold through statistical analysis of historical data and then the abnormal data fluctuations are located. The vibration monitoring data of nuclear power main pumps show that the proposed method can effectively detect the abnormal data fluctuations and locate the abnormal starting point of the vibration，which provides a lot of effective data for the study of intelligent diagnostic methods for nuclear power equipment.

Abnormal vibration location；Trend calculation；Correlation coefficient；Primary pump；Fault diagnosis

TH17

A

0258-0918（2021）05-0920-09

2021-02-11

候修群（1991—），男，湖北安陆人，硕士，工程师，现主要从事核设备性能监测、故障诊断以及机器学习方面研究