核电厂重大设备状态在线监测是保障核电厂安全和经济运行的重要技术,针对传统阈值监测的固有缺陷,提出一种基于局部离群因子（LOF）和神经网络模型的设备状态在线监测方法。此方法属于多参数动态阈值监测方法,首先分析监测对象的故障模式和故障现象,选择一组可覆盖故障现象的传感器测点;根据设备运行特点采集足够长时间的历史运行数据,筛除异常数据;计算历史运行数据的LOF,以历史运行数据为输入、LOF为输出,建立并训练得到神经网络模型;最后基于神经网络模型和传感器测点实时数据计算设备健康指数,监控当前设备健康状态。将本文的监测方法用于循环水泵泵体健康状态的监测,并采集了一段时间的正常数据和异常数据以验证其监测效果,验证结果表明,本文提出的监测方法可以提前10 d进行预警,降低误报率,大幅提升监控效能。

针对核电厂重大设备管理细则、设备运行特点和要求,提出了核电厂的重大设备健康状态综合评价方法.根据核电厂设备状态监测特点,建立了基于监测任务的多层次指标体系模型.基于设备零部件潜在故障模式分析故障现象,分析设备监测任务,并构建监测任务隶属度函数模型.总结专家实际评估经验,提出指标权重由所辖多个监测任务共享,由劣化最严重的监测任务继承权重,得到设备的指标状态;通过改进的层次分析法,分配各指标的初始权重,并提出基于指标状态等级的分级变权理论模型,均衡考虑关键指标的恶化情况.将建立的评价方法应用于核岛主泵轴封系统健康状态评估,结果表明该方法可靠实用,能够有效表征重大设备的实际运行健康状态.