摘要：本文通过对核电厂不同环境监测技术的描述中引出对在线监技术的建模方法与其实现方法的研究，包括对经验建模和物理建模的深层次的探讨并举例说明在线监测技术的具体实现的功能与数据存储等相关问题。最后结合我国核电厂在线监测方面取得的成绩与不足提出对核电厂在线监测技术的几点建议。

　　关键词：核电厂，在线监测，建模方法，实现方法。

　　为了保证核电厂的安全，迫切需要对核电厂设备运行状态进行实时或定时的在线监测，及时反映劣化程度，以便采取预防措施，避免事故发生。在线监测技术的开发和应用工作对提高电力设备的运行维护水平，及时发现事故隐患，减少停电事故的发生起到了积极作用。

　　1.核电厂环境监测技术的描述

　　随着电脑系统和数字信号处理技术的发展，非在线测量已经被在线监测系统(on line monitoring，OLM)所取代，独立反应堆和反应堆类型的共振频率数据库也已经建立起来。表1为当前核电厂环境监测方法。

　　表1 核电厂环境监测技术方法

　　2.建模方法

　　在线监测常用的建模方法有经验建模和物理建模，这些方法已经被用于核电站中的设备状态监测。适当开发的模型可以很精确的计算出预估值并且对过程变量变化高度敏感，意外过程变量变化可以被自动的检测出来，而且经验表明，系统老化所造成的影响可以通过对过程变量的测量提早观察到。

　　核电站设备和系统的建模技巧可以在没有额外测量和数据采集系统的情况下应用。大多数核电站都有详细的实际数据库，这是与系统建模软件之间的接口。当测量到的数据和以前存储的数据之间的差值超过某一阈值的时候，数据记录器就会记录下来现在的数据，一个模型的输出通常是一组经过计算或者预测的数值，这些数值可以与测量出的或者期望的数值相比较，来确定与正常状态或者说是目标状态之间的偏差。物理模型和经验模型都能够完成异常检测。

　　2.1 经验建模

　　经验建模，是指通过历史操作数据和模拟数据来建模。建模的基本过程是把经过测量或者模拟得到的数据录入到一个一般性的线性或者非线性模型。这种过程可能是主动地，也可能是被动的，并且包含了对过程变量的确认以及把变量之间的关系嵌入到模型中。

　　经验建模的一种方式就是通过对一系列输入过程变量的处理，根据从经验数据得到的内在关系，得到对某些输入变量的期望(见图1)。测量值和预测值之间的差值被当作残值，这些残值被用来找出那些与预期行为之间的偏差。经验建模的另一种方法是通过一组输入过程变量直接探测异常值，进而诊断自己的假设(见图2)。在这种情况中，输入的一组过程测量值被这个模型分析并且与之前设定的错误假设建立对应关系，这种方案是一种人工神经网络中典型的分类问题，已被广泛应用[9,10]。

　　图 1 信息流程图和基于变量预期经验值模型的设备状态监测的解释 2.1.1 经验建模的要求如果要精确地预测，那么要考虑的一个极其重要的问题就是，经验数据要提供所有状态的样本，这并不是要求经验数据要包含所有可能的情况，二是要求它对各种情况达到一定的覆盖率。只有当经验模型运用的环境和开发模型的环境相同或者相似的情况下，经验模型才能足够可靠。

　　根据以前的教训，能否成功的建立设备状态监测的经验模型，最大的障碍就是数据能否获得。尽管有很多充分的测量管道用来建立用来检测异常状态的经验模型，但是对于异常状态下仪表读数的自动解释是更困难的事情，而且，并非所有可能的错误都能够模拟或者量化。 2.1.2 几种经验建模方法总结表2 为核电厂常用经验建模方法，包括此种建模方法的定义，应用及优缺点方面的总结。

　　表2 常用经验建模方法总结

2.2 物理建模

　　物理建模，则是根据基于基本原理和物理定律的等式变换来建模。假设一个系统的结构和设计都已经知道，那么建模就可以先把一些已经成型的组件连接起来建立一个完整的物理模型。对于过程的物理建模，参数之间的物理关系被明确，特定的输出变量是通过计算输入变量来确定的。因此，对于模拟器这种情况，计算值是根据过程所期望的操作来决定的，物理模型中的值则是根据直接测量的值来确定的。

　　利用物理模型进行设备状态监测和检查最常见的方法就是通过冗余分析的方法，产生留数，并分析以侦测异常。 如图2所示。留数是由对电站的监测和数学模型的计算之间的比较产生的。当出现错误、扰动、噪声或模型错误的时候，留数将不为零。 2.2.1 物理建模要求物理建模的最主要的要求就是要建模的过程设计结构和函数都能够用严谨的数学语言来描述，能够找到有效的计算方法来解决并应用到模型中的等式是应用这种建模方法的另一个主要要求。

　　图2 信息流程图和对基于物理模型的设备状态监测系统的解释 2.2.2 物理建模的优点和缺点一旦一个物理模型建立起来，那么它就能够被应用于很多用途。比如研究不同的老化机制。除此之外，如果需要，还能够提供很多关于这个过程的不能测量的变量。这些方法的主要缺点是这种分析方法要求非常精确的数学模型保证其有效性。对于大规模系统，这种信息可能无法取得，或者可能代价太高。 而且，如果电站做了一些调整，那么工程师需要对物理模型做一些调整。尽管可以用建模工具来支持这种建模和维护，但是依然需要过程专家来保证电站模型实时更新。 2.2.3物理建模的应用一个物理模型的复杂性，无论是从层次还是相互之间关联角度看，都取决于建模的最终目的。根据对最终精确度和精细程度不同等级的要求，模型可以大致分为两类定型模型和定量模型。定性分析模型能够直接从控制系统变化的物理定律推导出来，但是模型简单，由于这种物理模型应用的局限性，暂不予说明。定量模型能够被应用于很多状态检测和检测任务当中，如下所示： 热性能分析。 对核电站的热效率的监测和优化变得越来越重要。因为能源市场的自由化使得电厂要面对更激烈的竞争。热性能检测的总体目标是在保证安全运行的前提下，尽量最大化产出率。 数据调整。过程测量的偏差不可避免的会发生在测量，处理和传送信号的过程中，也会发生在过程的监测，错误的侦测和优化过程中。 错误的侦测和确认。 典型的错误有：热交换过程中的污垢和泄露，泄漏的阀，泵和压缩机的老化，还有传感器的漂移，特别是流量计的漂移。这些错误可能不会导致严重的操作问题，但是如果不及时找到问题却会影响电厂的经济效率。 2.3 物理建模的相关技术除了这两种经验模型和物理模型，还有很多其他的相关技术可以能够帮助为系统建模或者独立的完成监测和检测任务。比如最近在核电技术中广泛应用的模糊逻辑和多层流控制模型技术。其他较早的技术，像是专家系统，最近几年很少被人关注也很少被应用，我们就不再讨论了。

　　3 在线监测的实现方法

　　OLM实现策略可能有很大的不同，这主要取决于核电站不同的要求，因为不同的核电站之间在现存的数据提取能力和资金限制方面多有不同。

　　下面列出一些用OLM系统实现的典型例子： 预测失效影响(侦测核电站的异常操作状态) 减少维护(延长传感器和设备的校准周期) 用于核电站的优化(热效能检测) 减小辐射剂量 减少断电时间 核电站仪表与控制系统数字化升级是实现OLM的绝好机会，能否实现，关键问题在于是否得到合适的数据。例如，OLM需要高性能数据采集和处理设备。如果不能进行设备升级，那么就需要分析已有的历史数据，并判断这些数据是否适合于OLM应用。与此不同的是，基于过去的应用，像是传感器漂移监测系统只要求几秒钟一次的低采样频率，这样一来，核电站中已经安装的数据处理系统就能够提供足够精确的数据，这样能否实施OLM系统，就只取决于能否提取出数据，而不受限于核电站已有的数据处理系统了。

　　考虑到数据能否取得的问题，当我们考虑OLM实施的时候，需要解决下面的问题： 为了对现有数据进行补充，需要增加传感器 数据提取的方法，比如隔离，硬件，存储等问题 现存数据的实用性，比如精确程度，时间上的有效性 OLM应用，比如已经有成熟产品的还是专用的解决方案 数据的使用者，比如 维护工程师，核电站的经营者，操作工程师 分析的结果的目的，比如 维护规划或者用于决定是否要首先满足技术上的特定要求(比如安全还是不安全的应用) 能够接受的测试，比如用于决定某种应用能否满足功能设计要求 或是否完全满足某些能力的要求(比如在有关安全应用中，准确性和可靠性是很重要的) 管理的生命周期，比如OLM应用的调整和安全控制，支撑系统的维护等(例如：硬件和操作系统退化的管理) OLM知识的建立和维护。尽管OLM应用可能会减少外界强加的对核电站的干扰，但是还是需要一个常驻的专家担任‘智能操作者的角色’，尤其是，他要最后决定OLM分析和结果到底是否能够用来决定是否改变核电站操作、调整、维护等活动。 正如已经说明的，在一个理想的环境中，OLM应用系统的实施可能会成为整个核电站数据处理系统的一部分，所以这会要求专门加强核电站的测控系统的升级。但是，在现阶段，大多是OLM应用还只是一种创新，还有很多事情需要先解决，比如新的硬件和软件来加强OLM系统与现存的核电站之间的数据交换。除了上面所提到的这些问题，OLM应用系统的初步实施还会要求容纳性测试来保证各种分析方法是可靠的。一旦安装，OLM系统会要求专业操作员的持续的维护和支持，操作人员一定要了解核电站被监测部分的操作流程，还有OLM系统的目的和局限性。 3.1核电站数据的收集所有的OLM应用都会要求海量的核电站信息，OLM系统能否成功实施很大程度上取决于是否能够得到这些准确、高质量、高精度的数据。数据质量的性质会因为OLM具体应用有很大的不同，所以我们需要具体情况具体分析。比如，基于噪声分析的应用依赖于高采样率但是很少受回路精确度影响。但是，对于传感器校正系统，回路的精确性却是一个极重要的属性。现存的核电站的数据处理系统会对数据的采集有很大的影响。例如，在一个基于模拟的系统中，通常会用隔离放大器隔离保护控制电路和用于数据处理的电脑。这些隔离放大器会在提供给OLM和保护控制电路的信号中，引入一定程度的非确定性。在一个数字系统中，这些数据通常会通过管路传输并且在保护控制电路中被识别出来，但是可能会有一个由于处理时间不同而造成的时间偏斜。既然我们不可能涌现有的隔离接口来收集核电站的信息，或者说我们无法接受这种隔离所引入的不可接受的不确定性，所以我们有必要给现有的传感器接入一个专用的数据获取系统，或者直接提供一些专门用于OLM应用的专用传感器。如果在现存的传感器上接入了用于OLM的接口，那么我们一定要保证在隔离中采取一些预防措施，以保证核电站的信号不会被OLM的硬件应用所影响，信号不会因为接口的连接或重连接而被干扰。图5所示为核电厂OLM数据收集流程图。

　　图5 OLM数据收集. 3.2数据存储所有的OLM应用都会要求海量的数据，尽管现在的对于引入一个新的单独系统的存储设备价格应该可以接受，但是还是会带来一些问题。而OLM有史以来与现存的数据处理硬件设备的存储能力也是容易解决的问题，但更重要的问题是对这些数据视图的获取和存储。为了有最大化存储能力，核电站的数据处理系统通常需要记录这些数据，这主要是通过降低采样率或者降低精度实现的。这两种方法都会对原始的数据起到过滤和压缩的作用，这样有些重要的原始数据可能会丢失，因此要避免此类事情发生。 3.3 数据分析与结论既然已经获取并存储了这些数据，那么下一步就是确认出要完成那些分析，和要把这些数据提供给谁。管理利用现有的处理系统是一个很好的选择，但是这还是会造成几个问题： 现有的数据处理系统软件或硬件可能不支持新的应用; 新的应用可能会对现有的数据处理系统有威胁，这种威胁可能是因为与现存接口之间兼容的问题，也可能是来自于网络中某一点; OLM的终端使用者可能不能使用核电站的电脑系统。 我们可以考虑把数据转给诸如局域网的计算机环境中，并在一个更容易进入的系统中完成分析。这样做的缺点就是有可能会丢失设置控制，网络安全问题会变得更重要。因此，OLM应用可能最终不会影响关于设备是否要被调整的决定。现在被很多OLM应用所采用的替代放大时这种分析是在一台独立的电脑中完成的。这种方法的主要的问题是缺少不同应用之间的一致性和多个核电站数据库之间的数据不能分享。

　　所以，一种更好的方式是建立一个安全的工程电脑环境来当作OLM数据和OLM应用的存储器。英国的Sizewell B 核电站已经通过建立工程局域网(ELAN)建立了OSI电站信息记录系统。这个ELAN与商用ELAN和英特网平行工作，但是不与任何一个相连。ELAN相当于一个电站系统，是由核电站的工程师而不是IT团队来操作和维护。因此ELAN受到与其他核电站网络系统同样严格的限制。比如，系统的完整性往往比IT人员看中的机密性更重要。额外的核电站信号可以通过ELAN专用的数据登录系统，以可变的速率下载。这些输入可以通过暂时或永久的方式连接。其他数据可以通过OLE或在线过程控制(OPC)协议或专用链路来传递到系统中。

　　OLM软件包的运行，既可以在一个专用的服务器上直接进行，也可以把数据导出，在专用的独立计算机上进行。如果能得到的核电站中的数据，那么线下的测试环境也是可以的，再与ELAN相连，需要通过专门的客户端个人电脑进行操作。

　　4.我国核电厂在线监测技术开发和应用情况分析

　　4.1 已取得的成绩

　　1)在线监测系统应用情况表明，该系统可及时发现电力设备绝缘缺陷，并能保证设备安全运行。多年来对各种电气设备的在线监测技术的研究和开发，特别是对电容型设备的tgδ、ΔC、ΔI的监测;避雷器泄漏电流监测技术的开发和应用，已经取得了很大成绩;开发了集中型、分散型和便携式装置，也实时发现了一些被试设备绝缘受潮，并及时采取措施加以防范，避免了更大停电事故的发生，保证了电力系统的安全运行，取得了一定的社会效益和经济效益。

　　2)在线监测技术的开发, 例如多重人工神经网络的应用[22]等，推动了电力设备运行维护水平的提高，减少了维护人员的劳动强度，对部分设备采用根据监测结果确定停电检修周期的方法，为从预防性试验向状态检修方向过渡积累了经验。 另一方面，由于引进了先进的电子技术、信息处理技术，使得在线监测技术更具有先进性、实用性，推进了电力设备绝缘监督方法的革新。

　　3)在线监测技术的开发和应用，提高了运行管理的智能化程度，加快了设备运行状态的信息反馈，缩短了故障判断和处理时间，提高了工作效率，减少了因停电造成的经济损失，并为实现无人值班变电站创造了条件。

　　4.2 存在的问题

　　1)在线监测工作缺乏统一的管理。目前，开发和生产在线监测系统的单位很多， 投放市场的产品也很多，许多产品没有经过严格的检验和考核，近几年的运行情况已经暴露出产品质量问题。

　　2)监测系统本身运行可靠性欠佳。对57个变电站的集中型在线监测系统运行情况进行调查发现，属正常或比较正常的只占29.8%，而确定不能正常使用的系统约占 35%。问题主要集中在装置本身质量问题，如元件性能不稳定，失效或破损;装置的抗干扰性能较差，抗外界因素如温度、湿度变化的能力差;装置整体运行可靠性差，测量数据不稳定，起不到监测设备绝缘状况的作用等。

　　3)一些供货单位对产品质量缺乏应有的监督机制， 售后服务跟不上，不能及时排除故障，造成系统瘫痪或不能正常运作。

　　4)运行人员缺乏操作、管理水平也是造成装置不能正常运行的原因。如系统电源掉电或插头松脱，运行人员未能及时恢复，系统得不到应有的维护，使得本来很容易解决的问题复杂化。

　　5)在线监测系统的功能需进一步完善和提高。经过几年的运行，已经暴露出一些监测系统的设计问题， 需要结合在线监测的特点从技术角度综合考虑进一步提高产品的稳定性和准确性，保证传感器自身质量及现场测量中的可靠性，才能得到更好的效果。

　　5. 核电厂在线监测技术应用建议

　　针对本文对核电厂在线监测技术的研究与分析，以及我国核电厂在线监测系统的现状，提出笔者认为可实现的核电厂在线监测系统的功能： 实时状态监测功能。对机组实时的电气、机械、水力性能状态进行在线监测，通过通讯设备接收主变压器监测信号、水位信号、机组温度信号等。 故障预警功能。跟踪趋势变化，发现故障隐患，及时发出预警信号，提示现场人员适时维修，避免事故的进一步扩大。 优化运行参数功能。通过对运行数据的分析，掌握不稳定负荷区等危险运行工况，避开危险点，优化运行状态。 现场故障定位与事故追忆功能。通过分析工具和诊断策略，查找故障原因，为解决故障提供分析诊断咨询意见。通过针对性检修降低检修成本，避免盲目检修造成的经济损失和设备故障。 性能评价功能。对机组大修或改造的性能进行评价。 模拟现场工况功能。可进行机组动平衡、盘车、甩负荷、发电机启动等进行模拟试验。 远程监控功能。采用网络技术、设立远程分析诊断工作站，实现远程机组状态监测、分析诊断。 状态报告功能。定期和召唤报告机组状态及趋势、并发布必要信息。全面了解和掌握机组运行状态、指导检修、优化运行，逐步实现从计划检修向状态检修过渡。 针对已建与在建核电厂的特点开发和优化现有在线监测设备，提出以下几点可继续完善的性能及建议： 建立和健全操作人员的培训机制。 建立和完善专家知识库。 建立和完善设备采购标准体系。 建立一个庞大的数据库系统，使系统能记录和保存采集到的被监测系统的不同时刻的信息，以便必要时调用和查看这些数据。 建立和完善监测系统的自检功能，使系统能在不同的恶劣环境下都能经得起考验。 阅读文献

　　[1] NUCLEAR REGULATORY COMMISSION, Comprehensive Vibration Assessment Program for Reactor Internals

　　during Preoperational and Initial Startup Testing, Reg. Guide 1.20, NRC, Washington DC (1976).

　　[2] PARK, G.Y., CHEON, S.W., LEE, C.K., KWON, K.C., An estimation method for impact location of loose parts, Prog.

　　Nucl. Energy 48 (2006) 360.

　　[3] NICHOLAS, J.R., Analyzing electrical imbalance in motors, Maintenance Technol. (1993) 24.

　　[4] HAYNES, H.D., Aging and Service Wear of Electric Motor-Operated Valves Used in Engineered Safety-Feature

　　Systems of Nuclear Power Plants, Rep. NUREG/CR-4234, ORNL-6170/V2, Vol. 2, NRC, Washington DC (1989).

　　[5] KRYTER, R.C., HAYNES, H.D., Condition Monitoring of Machinery Using Motor Current Signature Analysis,

　　Sound Vib., September (1989).

　　[6] THIE, J.A., Reactor Noise, Rowman & Littlefield, Lanham, MD (1963).

　　[7] WILLIAMS, M.M.R., Random Processes in Nuclear Reactors, Pergamon Press, Oxford (1974).

　　[8] THIE, J.A., Power Reactor Noise, American Nuclear Society, La Grange Park, IL (1981).

　　[9] ROVERSO, D., On-Line Early Fault Detection & Diagnosis with the Aladdin Transient Classifier, Proc.

　　NPIC&HMIT-2004, Columbus, 19–22 September, ANS, La Grange Park, IL (2004).

　　[10] ROVERSO, D., “Dynamic empirical modelling techniques for equipment and process diagnostics in nuclear power

　　plants”, Proc. Conf. on On-Line Conditioning Monitoring of Equipment and Processes in Nuclear Power Plants Using

　　Advanced Diagnostic Systems, Knoxville, TN (2005).

　　[11] WHITE, H., Artificial Neural Networks: Approximation and Learning Theory, Blackwell, Oxford (1992).

　　[12] POR, G., KISS, J., SOROSÁNSZKY, J., SZAPPANOS, G., Development of a false alarm free advanced loose parts

　　monitoring system, Prog. Nucl. Energy 43 (2003) 243.

　　[13] OLMA, B.J., Experience with identification of loose parts by acoustic monitoring of primary system, Prog. Nucl.

　　Energy 43 (2003) 225.

　　[14] JOLLIFFE, I.T., Principal Component Analysis, Springer, New York (2002).

　　[15] HÖSKULDSSON, A., A combined theory for PCA and PLS, J. Chemometrics 9 (1995) 91.

　　[16] FANTONI, P., A neuro-fuzzy model applied to full range signal validation of PWR nuclear power plant data, Int. J.

　　Gen. Syst. 29 (2000) 305.

　　[17] PÁZSIT, I., KITAMURA, M., The role of neural networks in reactor diagnostics and control, Adv. Nucl. Sci. Technol.

　　24 (1996) 95.

　　[18] HOFFMANN, M., “On-line calibration monitoring with PEANO”, Proc. of NPIC&HMIT-2004, Columbus, OH,

　　19–22 September, ANS, La Grange Park, IL (2004).

　　[19] FANTONI, P.F., HOFFMANN, M., SHANKAR, R., DAVIS, E., “On-line monitoring of instrument channel

　　performance in nuclear power plants using PEANO”, Proc. of 10th Int. Conf. on Nuclear Engineering, 14–18 April

　　2002, Arlington, VA (2002).

　　[20] FANTONI, P.F., MAZZOLA, A., A pattern recognition-srtificial neural networks based model for signal validation in

　　nuclear power plants, Ann. Nucl. Energy 23 (1996) 1069.

　　[21] UPADHYAYA, B.R., EVREN, E., Application of neural networks for sensor validation and plant monitoring, Nucl.

　　Technol. 97 (1992) 170.

　　[22]李辉,王瑞偏,胡守印;多重人工神经网络在10MW高温气冷堆故障诊断中的应用研究[J];核动力工程;2003年06期;68-72