1 背景介绍
1.1 数据驱动的PHM
PHM包含三个方面，1增强的故障诊断（Enhance Diagnostic），2故障预测（prognostics），3健康管理（Health Management），健康指的是与期望的正常状态相比较的性能下降或偏差程度；故障预测指的是根据系统现在或历史性能状态预测性地诊断部件或系统完成其功能的状态，例如，确定部件或系统的剩余寿命或正常工作的时间长度；健康管理是根据诊断/预测信息，可用维修资源和使用要求对维修活动作出适当决策的能力。
基于数据驱动（Data-driven）的PHM基于测试或者传感器数据进行预测的方法称为数据驱动的故障预测技术。优点：不需要对象系统的先验知识（数学模型和专家经验），以测试和状态监测数据为对象，估计对象系统未来状态演化趋势。缺点：具有一定的不确定性和不完整性。因此本文以实验数据为基础，对燃料组件的CHF进行建模，相对的降低其不确定性和不完整性。
一般的数据驱动的PHM常用的预测方法有以下几种：
1、基于回归模型
2、AR模型（AR，AutoRegression）
3、灰色模型。：适用于解决数据资料少，随时间呈某种变化趋势的非平稳过程宏观趋势预测问题。
4、人工神经网络（ BPANN，BackPropagation Artificial Neural Network ）。
5、支持向量机（SVM， Support Vector Machine）
6、相关向量机（RVM， Relative Vector Machine）
7、高斯过程回归（GPR）
8、卡尔曼滤波（KF）/扩展卡尔曼滤波
9、粒子滤波：采用序列重要性采样的方法
本文采用反向传播人工神经网络算法对核反应堆燃料组件中的CHF数值进行预测。
1.2 海洋条件下CHF介绍
临界热流密度（Critical Heat Flux， CHF）是指引起燃料棒烧毁的热流密度，当热流密度超过一定极限值时，传热表面温度会突然激增，造成烧毁。对于核电厂来说，燃料棒是核反应堆的心脏，一旦烧毁必须停堆，甚至启动核事故预防措施，会极大地影响正常生产经营，甚至人员的生命安全，危害性大。
核动力装置在海洋上运行的时候，其热工水力特性将会受六种运动条件的影响，如衡摇、倾斜、水平速度和这些运动的联合运动。这样多种变化的运动模式将会对反应堆中的热量传递以及临界热流密度产生影响。
2 模型建立
2.1 海洋条件物理模型
如图5所示，建立了反应堆一次冷却剂回路的物理模型。左下A为反应器，右上C为蒸汽发生器，反应器与蒸汽发生器之间的传热可简化为零维模型。冷却剂回路高H=4m，宽L= 2m。假设冷却剂为不可压缩流体，将冷却剂回路分为四个部分。AB和BC段流体受热，其密度表示为。CD和DA中的流体被冷却，它密度表示为，假设流体的参数相同，在相同的截面上。冷却剂为一维流动，忽略冷却剂回路的热损失[1-3]。
图1 反应堆一回路物理简单模型
冷却剂通道在海洋条件下，将产生五种加速度:1.水平加速度; 2.垂直加速度; 3.惯性离心加速度;4. 惯性加速度;5. 科里奥利加速度[4]。在运动条件下，冷却剂循环流量的影响可以用动量方程的变化来表示。因此假设:
(1)在每个通道瞬态流体质量保持不变;
(2)在每个通道瞬态流体不能压缩。
本文主要讨论横摇条件下不同周期的质量流量的变化对CHF的影响，其中根据实验，得到特征参数有，流量，含气率，压强，由于海洋条件下主要影响回路中流量的变化，因此本文假设回路中在流量变化时，含气率和压强维持恒定，最大摇摆角度为π/20。通过质量流量的变来计算CHF 的变化。
2.2 CHF数据准备
本文中的CHF数据主要来源是The 2006 CHF look-up table[5]，其中以局部条件进行差值查询，结合横摇条件下的质量流量的变化，可得表1所示的参数矩阵。
表1 局部条件下的CHF参数矩阵
2.3 构建BP神经网络模型
本文采用的是用BP算法训练的多层前馈式神经网络，它的网络拓扑结构包括一层输入输出和单隐层，如图12所示。
图2 单隐层BP神经网络结构图
3 结果分析
图3 P=0.3Mpa时BP网络预测不同含气率情况下CHF随着时间的变化
表2显示了所计算的误差均值，和标准差发现，误差未能达到预期的0.01范围，这说明网络的泛化性能还是不够，模拟的误差性能还是较大，但是，只要有大量的数据训练，并且使用恰当的训练方式以及合适的网络结构，对网络的泛化性能的优化程度还是很好的。
表2 预测温差结果
本文建立了压力p=0.3，含气率在0.6~0.8的工况情况下，周期T=12s，T=16s，T=20s三种横摇摇摆情况下的CHF变化数据，通过建立BP神经网络，预测拟合摇摆条件下的CHF，发现只有在低压高含气率工况下尚不能很好的预测。为进一步建立海洋条件下的PHM系统做了初步的工作，针对核心故障预测这一环节进行进行尝试性实现，取得初步的成果。
4 总结及展望
一个完整的核电厂 PHM 系统包含 5 个环节：数据采集与处理、状态监测、故障预测、寿命评估和健康管理。
本文仅针对浮动核电平台的CHF初步做了数据采集及处理，故障预测这两个步骤，若后续要建立完整的海洋浮动核电平台的PHM系统，还需进行状态监测，寿命评估和健康管理等工作。针对核电平台CHF以外的关键故障参数进行预测分析。这样会大大提高核电平台的运行安全性和经济性。
参考文献：
[1] GAO, P.Z., LIU, S.L., WANG, Z.X.: The influence of natural circulation under rolling motion condition, Nuclear Power Engineering, 1999, 19(2):116-120.
[2] GAO, P.Z., LIU, S.L., WANG, Z.X.: The influence of natural circulation under rolling motion condition, Nuclear Power Engineering, 1999, 19(2):179-183.
[3] GAO, P.Z., PANG, F.G., WANG, Z.X.: Mathematical model of the loop coolant influenced by marine condition. Journal of Harbin Engineering University ,1997, 18(1):24-27
[4] 谢春丽, 夏虹, 刘永阔, 等. BP 神经网络改进算法在核电设备故障诊断中的应用[J]. 核动力工程, 2007, 28(4):85–90. DOI: 10.3969/j.issn.0258-0926.2007.04.020
