Использование аналитики больших данных для прогнозирования и предотвращения сбоев оборудования Pwr

Одно из важнейших различий заключается в различии между описательной аналитикой (что произошло), диагностической аналитикой (почему это произошло) и прогнозной аналитикой (что произойдет). Для предотвращения сбоев основное внимание уделяется прогнозной аналитике, которая использует исторические модели сбоев для прогнозирования будущих событий с количественной неопределенностью. Этот переход от реактивного или периодического обслуживания к основанному на условиях, прогнозному обслуживанию является краеугольным камнем Индустрии 4.0 в производстве электроэнергии.

Как работает предиктивное техническое обслуживание в средах PWR

Предиктивное техническое обслуживание использует алгоритмы машинного обучения для обнаружения отклонений от нормального поведения и оценки оставшегося срока полезного использования (RUL) компонентов. Рабочий процесс обычно начинается с приема данных: очистки и выравнивания данных временных рядов из разрозненных источников. Далее извлекаются характеристики - статистические показатели, такие как средние значения крутящихся колес, спектральные полосы в вибрационных данных или скорости изменения температуры. Эти особенности поступают в модели, которые были обучены на прошлых неудачных событиях.

Типичный алгоритм выбора для данных PWR

• Случайный лес и градиентный бустинг (XGBoost, LightGBM): Эти методы ансамбля хорошо справляются с нелинейными отношениями и обеспечивают ранжирование важности функций, что делает их популярными для определения того, какие показания датчиков наиболее сильно коррелируют с надвигающимися сбоями. Они устойчивы к отсутствующим данным и могут обрабатывать смешанные числовые и категориальные данные, типичные для журналов технического обслуживания растений.
• Долгосрочная память (LSTM) Нейронные сети: Особенно эффективны для последовательных данных, таких как вибрация или временные ряды температуры. LSTM захватывают долгосрочные зависимости и широко используются для прогнозирования RUL критических насосов и двигателей в первичной петле.
• Поддерживающие векторные машины (SVM): Эффективны для выявления аномалий и проблем классификации, например, для различения нормального износа и аномальной деградации в эффективности теплопередачи парогенератора.
• Автокодеры: Неконтролируемые модели обучения, которые учатся реконструировать нормальные шаблоны датчиков. При скачках ошибок реконструкции сигнализирует об аномалии, ранее не замеченной, что позволяет обнаруживать новые режимы отказа.

Пример: Надеватель накачки с реактором

Насосы охлаждающей жидкости реактора (RCP) являются одними из наиболее важных вращающихся сборок в PWR. Внезапный отказ подшипника может вызвать погружение реактора и вызвать обширные вторичные повреждения. Постоянно анализируя спектры вибрации, температурные тенденции и количество частиц смазочного масла, прогностическая модель может обнаружить ранние стадии разбрызгивания в гонках подшипников. Операторы получают оповещения за несколько дней или недель до катастрофического отказа, что позволяет им планировать замену во время запланированного отключения дозаправки, а не страдать от незапланированного отключения. Исследование 2022 года Международного агентства по атомной энергии (МАГАТЭ) задокументировало 40%-ное сокращение вынужденных отключений на установках, которые внедрили такую аналитику для своих основных насосов охлаждающей жидкости (Технический отчет МАГАТЭ, 2022) .

Ключевые методы анализа данных для прогнозирования сбоев PWR

Несколько аналитических методов формируют инструментарий для прогнозирования сбоев, основанных на больших данных. Помимо основных моделей машинного обучения, эффективное развертывание требует надежной предварительной обработки данных и экспертизы домена.

Статистический контроль процессов (SPC)

Методы SPC, такие как контрольные диаграммы Шеухарта и диаграммы кумулятивной суммы (CUSUM), используются для мониторинга параметров устойчивого состояния. Например, дифференциальное давление в основных клапанах управления подачей воды может быть отображено, и любой сдвиг за пределами трех триггеров сигмы. Эти методы просты для интерпретации и дополнения более сложных моделей.

Распознавание шаблонов по данным временнóго ряда

Повторяющиеся подписи, такие как специфическая гармоника в вибрации насоса, которая появляется до отказа уплотнения, могут быть идентифицированы с использованием методов обработки сигналов, таких как быстрые преобразования Фурье (FFT) или анализ вейвлетов. После каталогизации шаблона его можно автоматически искать по историческим данным и данным в реальном времени. EPRI опубликовал руководящие принципы по использованию распознавания шаблонов для разрушения клапана и привода (EPRI Report 3002022055, 2023) .

Слияние моделей на основе физики и данных

Многие режимы отказа в оборудовании PWR имеют хорошо понятные физические механизмы (например, тепловая усталость, износ фреттинга, коррозионное растрескивание напряжения). Гибридные подходы сочетают основанные на физике модели (например, анализ конечных элементов тепловых напряжений) с обнаружением аномалий на основе данных. Это уменьшает количество ложных срабатываний и повышает надежность прогнозирования. Например, модель для деградации трубки парогенератора может использовать физическое понимание скорости дендирования или истончения наряду с данными проверки вихря тока для прогнозирования вероятностей утечки.

Преимущества внедрения аналитики больших данных на заводах PWR

Операционные и финансовые преимущества прогнозной аналитики хорошо документированы во многих отраслях, но ядерный сектор может выиграть, особенно из-за высокой стоимости простоев и премии за безопасность.

• Повышение безопасности и нормативное соответствие: Предотвращение сбоев оборудования напрямую снижает риск инициирования событий, которые могут бросить вызов системам безопасности. Правило технического обслуживания NRC (10 CFR 50.65) требует мониторинга производительности оборудования; аналитика больших данных предоставляет доказательства, необходимые для демонстрации эффективного мониторинга и обоснования изменений интервалов технического обслуживания.
• Сниженные затраты на техническое обслуживание: Вместо замены деталей по фиксированному графику (например, каждые 18 месяцев) аналитика позволяет заменять их на основе условий. Это позволяет избежать ненужных работ и материалов, гарантируя, что изношенные компоненты будут пойманы рано. Исследование 2020 года Национальной лабораторией возобновляемых источников энергии подсчитало, что прогнозное техническое обслуживание может снизить общие затраты на техническое обслуживание на 18-25% для атомных станций [NREL Report, 2020] .
• Увеличение доступности оборудования и коэффициента мощности:] Планируя вмешательства во время отключений, а не реагируя на поездки, операторы станции могут поддерживать более высокие коэффициенты мощности. Средний коэффициент мощности ядерного флота США за последнее десятилетие колебался около 90%; прогнозное техническое обслуживание является ключевым фактором для продвижения к 93-95%.
• При принятии решений о продлении срока службы на основе данных: Заводы, приближающиеся к концу своей первоначальной 40-летней лицензии, могут использовать аналитику для обоснования продолжения работы, демонстрируя, что критические компоненты имеют достаточную маржу. Процессы Лицензионного продления и последующего продления лицензии все чаще полагаются на вероятностные оценки рисков, основанные на оперативных данных.