基于大数据的反应堆系统全生命周期智能检修方案研究

万浩　王炳炎　陈相羽　殷琪　蒲耀洲　李豪

摘要：目前核反应堆换料检修耗时长，基于维修人员经验判断，存在缺陷识别不精确、数据零散、可追溯性低等不足，并且受个人主观影响较大。随着新一代技术的发展，如大数据、人工智能等，智能维护能够有效提高维护质量和效率。本文阐述分析了反应堆系统检修的现状和工业检修技术的进展，提出了基于大数据的反应堆系统全生命周期智能检修思路，研究了全生命周期检修数据标准、数据库构建、施工检修过程管理和智能检修方案等关键技术。以反应堆压力容器的主螺栓螺纹检修为例，提出了主螺栓螺纹检修的数据挖掘与智能决策支持技术路线、实施路径及其寿命预测，从而提高主螺栓螺纹检修过程的服务能力，有利于进一步保障核反应堆结构服役的安全性与可靠性。最后，针对智能检修技术在反应堆系统的加快推进提出了一些建议。

关键词：智能检修；大数据；全生命周期；决策支持；反应堆换料

中图分类号：TL38+7 文献标志码：A doi：10.3969/j.issn.1006-0316.2023.04.001

文章编号：1006-0316 （2023） 04-0001-08

Solution of Full-Life-Cycle Intelligent Maintenance of Nuclear Reactor System Based on Big Data

WAN Hao，WANG Bingyan，CHEN Xiangyu，YIN Qi，PU Yaozhou，LI Hao

（ Science and Technology on Reactor System Design Technology Laboratory，

Nuclear Power Institute of China， Chengdu 610041， China ）

Abstract：Nuclear reactor refueling maintenance takes a long time at present. It is mostly based on experience， which causes problems such as inaccurate identification of defects， scattered data， and poor traceability， and it is greatly affected by subjective factors. With the development of new generation technologies， such as big data and artificial intelligence，  the quality and efficiency of maintenance can be effectively improved. This paper described and analyzed the research status of reactor system maintenance and the progress of industrial maintenance technology. The solution of full-life-cycle intelligent maintenance of reactor system based on big data was put forward， and the key technologies， such as data standardization， database construction， maintenance progress management， and intelligent maintenance scheme， were studied. Taking the thread maintenance of the main bolt as an example， a data mining and intelligent decision support technology roadmap were proposed to improve the serviceability of the maintenance process， and to ensure the safety and reliability of the nuclear reactor in service. Finally， some suggestions were put forward for the promotion of intelligent maintenance in reactor system.

Key words：intelligent maintenance；big data；full-life-cycle；decision support；nuclear reactor refueling

反应堆系统换料检修是确保核电厂长期安全运行和稳定营运的必要手段。当前反应堆系统的检修过程常采用人工管理方式或部分计算机辅助存档等管理方式，缺乏对检修过程数据的重视。而随着核电厂多年的运行与检修，检修过程数据得到了大量积累，这些数据在反应堆系统缺陷识别、可靠性维护、健康状态管理等方面将发揮显著作用，对切实保障反应堆运行的安全性、可靠性与经济性具有重要意义。

当前，以大数据、人工智能、云计算为特征新一代技术的快速发展，使反应堆检修管理模式逐渐开始转变，以数据挖掘、大数据分析、智能决策支持等方式进行检修管理，可以弥补传统检修方式耗时长、缺陷识别不精确、数据零散、可追溯性不强、受个人主观影响较大等不足。因此，智能检修是推进核反应堆全生命周期管理的有效手段，融合设备设计与过程状态信息，采用数据建模的分析理念，提供成熟可靠的智能检修一体化解决方案，实时分析出检修对象的当前状态和与预估寿命，实现检修过程系统化闭环管理，提高对核反应堆系统的维护能力。

1 发展现状

1.1 反应堆系统检修现状

在核电厂反应堆系统换料大修期间，检修对象包括：压力容器主螺栓与密封面、上部堆内构件、指套管、控制棒驱动机构、反应堆顶盖等。按照维修发生的时机，可将维修分为修复性维修和预防性维修两大类[1]。目前核电厂换料检修大多数实施的是预防性维修模式，即在结构或设备未发生事故或未造成损失的前提下就展开一系列检修，通过对反应堆各零部件的系统性检查、維修和更换，使其保持在规定的状态。

针对不同的检修对象，现有核电厂通常采用视频或图片回传、超声检测、无损检测、磁粉探伤等不同工程检测手段，通过维修人员或设备对各类信号的判断，采用相应的修理方式[2]。总的来看，由于反应堆检修频率低，大多检修工作由人工完成，自动化程度偏低，检修工艺流程和策略需要进一步完善。同时，反应堆系统检修期间产生了大量的现场检测维修数据，而在传统的反应堆管理模式中，这些数据大多是静态和孤立的，数据之间建立的关系较少，且较为抽象[3]。而这些数据对反应堆设计、施工、运行及安全性、可靠性具有重要的价值[4]。

为此，方满洲等[5]针对核电厂反应堆检修管理方式的不足，提出了换料检修计算机化管理的方法，以提高检修效率和可靠性及其管理水平。王百众等[6]研究了大亚湾核电厂三维数字化管理及其在核电厂大修期间中应用的方法，并在反应堆检修中进行应用，结果表明可以缩短工期。随着计算机软硬件的不断发展，虚拟现实技术变得日渐成熟，李喆等[7]对反应堆检修对象进行了数字化建模，将混合现实技术应用到了核电厂日常设备维护中，大大提高了核电厂的检修效率。针对核电厂中产生的大量数据，相关研究人员建立了检修数据库[8-9]，并对其中存在的问题进行大量分析，从而进一步推动了检修数据库管理工作的专业化、标准化[10]。

以上研究有利于核反应堆系统检修过程数字化技术水平的发展，但少有学者对检修对象的全生命周期数据收集与利用进行研究，而这些数据对检修过程自动化程度以及对缺陷识别、剩余寿命预测等具有重要价值，对确保反应堆检修和运行安全与建设数字化反应堆具有重要意义。

1.2 工业检修技术进展

检修技术是通过对零部件存在的缺陷进行

识别，根据已有的经验对缺陷进行维修决策，并同时对零部件的寿命做出预测，达到系统运行安全可靠的目的。研究人员近些年在数据驱动的故障检测与诊断技术方面取得了大量研究成果[11-13]。检修测量技术针对对象的不同有各类技术手段获得数据，分析技术手段常有统计法、频谱法、模型法等，其中融合机器学习技术是这些方法研究的热点[14]。智能制造环境下，解决问题的方法逐渐从过去的以人的经验为核心，转向依靠大数据分析来发现和解决各种显性（如缺陷、故障等）与隐性（如性能下降、磨损、运行风险上升等）问题。以大数据为核心，工业检修技术正向智能化迈进。

另一方面，在具体的工业领域应用中，一些研究人员针对不同行业进行了相关研究。在水电站领域，李林等[15]从设备全生命周期管理角度，采用基于时间序列分解模型的趋势预测模型，对发电机机组和水轮机设备的故障进行实时诊断，达到水电站智慧检修。在石油管网领域，董绍华等[16]针对管网当前系统繁多及数据采集与应用脱节的问题，提出了大数据驱动的全生命周期智能管网解决方案，从而保障管道安全、高效运营。在电力领域，蒲天骄等[17]认为人工智能技术对电力设备信息提取与知识库建立、健康状态评价、设备运行状态预测、缺陷识别与故障诊断、影像分析、寿命预测、检修策略推荐等环节具有广阔的应用前景。在轨道交通领域，王华伟等[18]将故障诊断、状态维修等检修决策融合到了铁路运输设备技术状态大数据平台。在电子设备[19]、机械加工[20]、高温锅炉[21]、油气钻采[22]等相关方面，研究人员利用智能技术提高了这些设备或零件的检修水平。

以上文献可以看出，核反应堆换料检修技术的发展需要依靠大数据、智能决策等先进手段，从全生命周期角度，借鉴智能技术在其他工业领域的应用经验来开展实践，从而提高检修过程的管理水平和智能化检修技术。

2 反应堆系统全生命周期智能检修关键技术

反应堆系统检修的全生命周期管理可以定义为：在项目规划、参数研究、反应堆结构设计、设备制造、安装设计、现场施工、运行维护、检修、退役等整个生命周期内，整合不同阶段的业务与知识数据信息，建立检修对象数据管理模型，实现检修对象从规划到退役的全过程信息化管理。核电站反应堆全生命周期智能检修关键技术包括以下四个方面。

2.1 构建全生命周期检修数据标准

构建反应堆系统检修对象统一数据标准和规范，在其全生命周期内执行相同的数据标准，同时通过数据模型整合各业务数据，从而形成与检修对象相对应的数据资产，进一步保证数据的完整性和可重复应用。在此基础上，规范数据的格式、编码、结构，最终实现数据的全面统一和集成共享。全生命周期检修数据标准构建思路如图1所示。

2.2 构建全生命周期检修数据库

构建反应堆系统全生命周期检修数据模型，以检修对象的本体数据和运行及检修的过程数据为主，将全生命周期各阶段数据按统一标准录入数据库，并将该全部数据作为检修对象的设备画像。其中，反应堆检修对象本体数据包括对象属性、设计、结构参数、制造装配等数据，过程数据包括监测、运行、检测、维修等数据。将这些数据资源进行统一入库和开发利用，对检修对象进行数字化管理，从而构建全生命周期检修数据库，如图2所示。

另一方面，上述八类数据的来源主要包括历史数据和施工现场数据。同时，对于这些数据的获取，根据数据对象的不同，如报告文档、图纸文件、记录表格、运行状态二进制文件以及智能设备、传感器采集的数据，进行特征处理，在传统经验规则的基础上，形成关系型数据库。

2.3 施工检修过程管理

施工检修过程管理包括对检测数据、维修数据采集进行录入管理，以及智能化决策支持管理。

施工数据录入主要包含检修全过程的数据采集与加载，需要满足数据完整性以及检修数据与属性数据的关联一致性，如设计、制造、装配、缺陷等数据。智能化决策支持是利用已有的数据资源或者数据训练集，对检修对象的状态、工程参数、是否存在缺陷、存在哪类缺陷等智能识别和决策，以支持工程人员对检修对象进行修配，并结合设计数据对检修对象进行剩余壽命预测。

2.4 全生命周期智能检修方案设计

智能检修的核心是对已有的数据资源充分利用，并结合先进的智能算法，重点突出数据资源对检修过程的决策支持功能，如图3所示。首先，在传统关系型数据库的基础上，对检修过程产生的图片、超声检测、无损检测、磁粉探伤等数据进行大数据建模，通过训练进一步发掘检测过程与维修过程的非关系型数据。其次，利用得到的数据模型，对施工检测过程进行决策支持，智能判断出缺陷类型与维修方式。同时，根据对象属性数据和设计数据，实时分析出检修对象的剩余寿命，以提高对反应堆结构的维护水平。

3 智能检修数据挖掘与决策支持——以主螺栓螺纹检修为例

以核反应堆压力容器的主螺栓螺纹检修为例，开展检修数据挖掘与决策支持的技术路线研究。压力容器螺孔螺纹状态关系到核反应堆的正常运行。在核反应堆寿期内，螺纹可能会出现粘结、污染、生锈以及损伤等情况，因此需要针对螺纹进行系统性的检查及修复等相关工作。

现有对主螺栓螺纹检修采用的是人工的方式，数据主要记录于文本材料中，没有形成系统的检修工艺及流程，检修策略不够完善。目前的压力容器主螺栓检修存在一定局限性：①零散性。仅对已经出现的缺陷进行被动处理，关键步骤之间缺乏必要反馈，数据流通性较差；②自动化程度低。依靠维修人员进行人工肉眼评判缺陷情况和局部修复；③可追溯性差。检修结果没有进行系统的数据分析、经验反馈以及录入螺纹质量数据库；④缺乏科学判据。例如，螺纹多次检修后累积的抛光加工量对螺栓使用寿命或者对压力容器影响，并无明确评判标准。

因此，针对以上存在的局限，提出了一种全新的、系统性的主螺栓孔螺纹全寿期检修方案。首先，完善主螺栓的全生命周期数据，以此建立关系型数据资源库；其次，利用智能技术提高维修人员的决策能力及自动化水平，并挖掘非关系型数据；建立专家系统，结合已有数据资源，对检修后的主螺栓进行寿命预测。

3.1 全生命周期数据挖掘

根据图2所示的全生命周期检修数据库构成，以主螺栓为对象，对螺纹的本体数据和过程数据进行挖掘。从项目总体方案设计资料中挖掘主螺栓螺纹对象的属性数据，如功能、安全等级等；从基本方案中挖掘设计数据，如强度、失效特征等；从详细设计图纸中挖掘结构参数数据，如材料、基本要素等；从装配图纸和施工计划中挖掘装配数据，如配合对象、预紧力等；监测主螺栓运行过程中的振动、温度等数据；同样地，针对检测和维修过程，挖掘其检测数据和缺陷维修数据。主螺栓螺纹全生命周期检修数据挖掘的内容如图4所示。

3.2 智能检修决策支持的技术路线

施工现场对主螺栓螺纹缺陷检查方式主要是由维修人员通过肉眼观察采集的螺纹图像情况，并且采集的螺纹图像是较为规范和结构化的图片，如图5所示。现有对此较为成熟的智能决策支持技术是基于机器视觉的缺陷识别。

基于机器视觉的主螺栓螺纹缺陷检测主要由螺纹图像采集、螺纹图像预处理、螺纹缺陷识别三部分组成。螺纹图像采集可以采取适用于核辐射环境下的双目相机对螺纹进行拍照采集，通过相机标定算子、A/D转换、数据传输等上传到数据存储中心；图像预处理包括图像降噪和图像增强两部分，其中图像降噪可通过中值滤波和均值滤波减低外部环境噪声干扰等影响，图像增强可选择合适的增强算法和灰度拉伸算法增强图片识别度；螺纹缺陷识别过程首先需要对分割得到的螺纹图像提取得到螺纹缺陷的几何形状特征，然后构建螺纹缺陷特征库，最后利用神经网络算法的识别模型进行螺纹缺陷识别。基于机器视觉的螺纹缺陷检测系统技术路线如图6所示。

以该技术路线建立的基于机器视觉系统将能实现螺纹图像的自动采集、自动处理分析、外部缺陷的自动识别。同时，结合专家系统以及相关的对象属性数据、设计数据、结构参数数据等，对识别到的缺陷类型进行自动判断，为检修操作人员提供相应地维修方式及维修量参数等。

3.3 主螺栓连接剩余寿命预测

由于反应堆运行中，主螺栓承受的应力基本保证不变，疲劳强度较高。因此，主螺栓连接剩余寿命或失效机理主要与核电厂每次换料时检修发现的螺纹缺陷类型和维修量（如铣削量）相关，即异常缺陷及其导致或累积了较大维修量。

异常缺陷检测与剩余寿命预测的关系：由于异常点是进行退化建模的起始点，因此异常点检测结果的准确性直接影响到剩余寿命预测的结果。因此，异常检测和寿命预测需要结合起来考虑，其主要思路如图7所示。

在图7中，图像检测系统运行后，首先以监测得到的数据为基础，采用统计过程控制的方法对异常点u进行检测，一旦异常点u被检测到，基于该异常点到当前时刻tk时的监测数据进行退化建模，然后对对象退化到失效阈值的首次到达时间（即寿命或剩余寿命）进行预测，并得出预测的剩余寿命分布情况。

4 结论与建议

（1）反应堆智能检修集成了计算机技术、大数据技术、智能决策技术等先进技术，是实现检修系统化闭环管理的重要手段，未来可以作为数字化反应堆技术重要组成部分，进一步提高检修过程的服务能力和反应堆结构服役的可靠性。

（2）数据是智能检修的根本，加强检修对象和运行过程的数字化建设是关键，数据与决策分析模型的精准性是核心因素，实现智能检修的基本途径需要各类数据的融合。

（3）智能检修的数字化建设依赖智能设备和传感的数据采集能力，需要加强智能设备开发，综合考虑核辐射对设备和传感器数据采集过程的影响，对此设置相应的维护机制。

（4）加强反应堆智能检修一体化数字平台建设，加大数据的应用范围。

参考文献：

[1]陈学楚. 现代维修理论[M]. 北京：国防工业出版社，2003.

[2]Wachia E，Nishitania J，Okimura K，et al. Maintenance technology and its applications for PWR plants[C]. Salt Lake City， USA：International Conference on Nuclear Power Plant Life Management for Long Term Operations，2012：1-8.

[3]方浩宇，李庆，宫兆虎，等. 数字化反应堆技术在设计阶段的应用研究[J]. 核动力工程，2018，39（4）：187-191.

[4]施锦，陈松，核电站预防性维修的重要性[J]. 中国核电，2011，4（3）：278-281.

[5]方满洲，吴中旺，奚树人. 核电站大修换料的计算机化管理[J]. 核科学与工程，2002，22（4）：380-384.

[6]王百众，罗亚林，方昊，等. 核电站维修的三维数字化动态管理[J]. 核动力工程，2005，26（2）：196-198.

[7]李喆，陈佳宁，张林鍹. 核电站设备维修中混合现实技术的应用研究[J]. 计算机仿真，2018，35（5）：340-344.

[8]Shimizu A，Furusawa T，Homma F，et al. Operation and maintenance experience from the HTTR database[J]. Journal of Nuclear Science and Technology，2014，51（11-12）：1444-1451.

[9]李艳良，刘丙月，高建勇，等. 核电厂SRCM分析及可靠性数据库平台[J]. 中国核电，2014，7（2）：186-189.

[10]孙中佩. 国内某核电站大修数据库的管理工作分析[J]. 企业技术开发，2015，34（17）：170-171.

[11]周东华，胡艳艳. 动态系统的故障诊断技术[J]. 自动化学报，2009，35（6）：748-758.

[12]Wang H，Chai T Y，Ding J，et al. Data driven fault diagnosis and fault tolerant control：some advances and possible new directions[J]. Acta Automatica Sinica，2009，35（6）：739-747.

[13]周東华，魏慕恒，司小胜. 工业过程异常检测、寿命预测与维修决策的研究进展[J]. 自动化学报，2013，39（6）：28-36.

[14]裴洪，胡昌华，司小胜，等. 基于机器学习的设备剩余寿命预测方法综述[J]. 机械工程学报，2019，55（8）：1-13.

[15]李林，侯远航，郑建，等. 基于全生命周期的水电站智慧检修创新实践[J]. 水电站机电技术，2019，42（12）：31-34.

[16]董绍华，张河苇. 基于大数据的全生命周期智能管网解决方案[J]. 油气储运，2017，36（1）：28-36.

[17]蒲天骄，乔骥，韩笑人，等. 人工智能技术在电力设备运维检修中的研究及应用[J]. 高电压技术，2020，46（2）：369-383.

[18]王华伟，史天运，蒋荟，等. 铁路运输设备技术状态大数据平台研究[J]. 铁道运输与经济，2018，40（2）：38-43.

[19]Liu D T，Wang H，Peng Y，et al. Satellite lithium-ion battery remaining cycle life prediction with novel indirect health indicator extraction[J]. Energies，2013，6（8）：3654-3668.

[20]梁志宇，王宏志，李建中，等. 制造业中的大数据分析技术应用研究综述[J]. 机械，2018，45（6）：1-13.

[21]Zhang J X，Hu C H，He X，et al. Lifetime prognostics for deteriorating systems with time-varying random jumps[J]. Reliability Engineering and System Safety，2017，167：338-350.

[22]李思辰，张公社，纪国法. 基于大数据挖掘技术的页岩气井压裂液产出规律分析[J]. 科学技术与工程，2019，19（25）：130-134.

收稿日期：2022-12-20

基金项目：国家自然科学基金（52175241）

作者简介：万浩（1992－），男，四川眉山人，博士，工程师，主要研究方向为反应堆结构及专用设备，E-mail：wanhao_92@163.com。