本发明涉及核电厂安全运行控制技术领域，尤其涉及压水堆核电机组蒸汽发生器水位控制的一种容错控制器实现方法。
背景技术：
目前全球在役和新建核电机组均采用了数字化仪控系统(简称dcs)，以实现全厂工艺过程的集中监视、远程操作和自动控制及保护功能。然而，目前dcs对于核电机组的成功控制是基于控制回路中的检测仪表(如温度检测、压力检测、水位检测等)和执行机构(如调节阀、开关阀、各种泵、电机等)都能够正确运行这样的前提条件的。一旦这些检测仪表和执行机构发生故障，dcs系统的控制功能将部分或全部失效，对核电机组运行造成灾难性风险。
自日本福岛核电站事故以来，世界各主要核电国家都加强了核电机组安全运行方面的研究，其中，提高以dcs为代表的控制系统的安全性是非常重要的一个方面。然而，从目前的公开报道和对国内外在役核电站的调研分析，尽管dcs实现了完善的控制和保护任务，但dcs平台下针对于检测仪表和调节阀等发生故障时的安全应对措施尚未得到成功应用。本发明旨在解决这一高安全风险的严重问题。
技术实现要素：
本发明的目的在于，针对目前核电机组蒸汽发生器水位控制回路中发生检测仪表和调节阀等故障时dcs系统无法保证安全运行的现有技术不足，提供一种容错控制器。
本发明的目的是通过以下技术方案来实现的：一种用于核电机组蒸汽发生器水位控制的容错控制器，包括以下步骤：
步骤1：采集水位控制回路中检测仪表流量和调节阀开度等数据，并对数据进行去噪声和归一化标准化预处理，得到样本数据集；
步骤2：根据步骤1得到的为样本数据集，运用基于即时学习模型的概率主元分析的改进故障诊断算法进行在线故障诊断，判明检测仪表或调节阀所产生故障的类型和程度，从而得到故障诊断结果；
步骤3：根据步骤2得到的故障诊断结果，运用容错控制算法进行故障检测仪表的信号重构、面向调节阀故障的控制器结构容错重构和控制器参数容错最优估计，得到最优化的容错控制器新结构和新参数，抵消或降低故障影响；
步骤4：根据步骤3得到的容错控制器新结构和新参数，计算存在故障情况下的容错控制指令(控制指令的计算方式分为两种情况：1)检测仪表故障时，发生故障的仪表信号用步骤3得到的信号重构值来代替进行控制指令计算，控制器结构不做变化；2)调节阀故障时，采用步骤3得到的容错控制器新结构和新参数来计算控制指令)，然后通过现场总线下达到核电机组的数字化仪控系统执行控制指令，达到控制要求。
进一步地，所述步骤1包括如下子步骤：
(1.1)借助dcs对蒸汽发生器水位控制回路的全部变量进行连续采样，形成样本数据集。数据集的时间长度预先根据水位过程动态时间常数确定，超过时间长度的旧数据将逐次移除以保持数据长度不变；
(1.2)为保证样本数据集的质量，需要进行预处理，主要包括离群数据点的处理、数据中随机噪声项的处理、缺失数据点的插值处理、数据的标准化处理等等。本发明中，采用统计方差分析的方法剔除离群点，采用功率相等原则补插被剔除的离群点，采用低通噪声滤波器的方法滤去高频噪声，采用最小二乘拟合的方法进行缺失数据点的插值，采用均值和方差的统计运算进行标准化处理。
进一步地，所述步骤2包括如下子步骤：
(2.1)将步骤1得到的样本数据集划分为训练数据集和测试数据集，其中训练数据集进行基于即时学习模型的概率主元分析离线模型的训练，测试数据集用于在线过程监测；
(2.2)对(2.1)确定的训练数据集进行离线模型训练，首先计算训练样本xi和其他训练样本xj之间的相似度si,j,i为第i个训练样本，j代表除i以外的其他训练样本，并对全部样本间相似度进行降序排列，选取前l个相似度所对应的样本作为相关训练样本，l取值范围为10-100，进行局部最小二乘支持向量回归算法模型的离线训练；
(2.3)对(2.1)确定的测试数据集进行模型更新判断，首先计算当前时刻测试样本xk′和前一时刻测试样本xk-1′之间的相似度sk,k-1,其中当前时刻为k，前一时刻为k-1，并与离线训练模型中得到的相似度中最小值相比较，判断是否需要更新训练模型，如果低于阈值则保持(2.2)已训练的局部最小二乘支持向量回归模型，否则进行(2.4)步骤；
(2.4)计算测试样本xk′和全部训练样本xi之间的相似度sk,i,i指所有训练样本，并对全部样本间相似度进行降序排列，选取前l个对应的样本作为相关训练样本，进行局部最小二乘支持向量回归模型更新，替代(2.2)原有的局部最小二乘支持向量回归模型；
(2.5)根据概率主元分析模型得到的检测统计量阈值和(2.3)或(2.4)步骤得到的局部最小二乘支持向量回归模型判断当前工况是否出现故障，得到故障诊断结果，并传递给容错控制模块。
进一步地，所述步骤3包括如下子步骤：
(3.1)对蒸汽发生器水位控制过程，确定典型的检测仪表故障sfi,i＝1,2,…m和调节阀故障vfj,j＝1,2,…n，即考虑m种典型的检测仪表故障和n种典型的调节阀故障；
(3.2)故障检测仪表的信号重构：对每一种典型的检测仪表故障sfi,i＝1,2,…m，采用偏最小二乘方法pls，离线建立该检测仪表在故障情况下的软测量模型msfi,i＝1,2,…m，用于对故障检测仪表的信号重构。共有m个软测量模型，每一种软测量模型对应一种典型检测仪表故障；
(3.3)控制器结构容错重构和控制器参数容错最优估计：对每一种典型的调节阀故障vfi,i＝1,2,…n，采用仿真和实际实验相结合的方法，离线确定该调节阀在故障情况下能实现保底控制容错控制器结构cvfj,j＝1,2,…n，并根据调节阀故障的严重程度在线进行参数优化得到容错控制器参数最优估计pvfj,j＝1,2,…n。共有n个容错控制器和n套最优控制器参数，每一种容错控制器及其最优参数对应一种典型调节阀故障；
(3.4)根据(3.1)、(3.2)、(3.3)的结果，在线使用时，根据步骤二关于故障类型的诊断结果，进行两级容错重构决策以确定是采用哪种容错重构措施来完成容错控制任务。第一级决策判别当前故障是属于检测仪表故障还是调节阀故障，并进一步在集合{msfi,i＝1,2,…m}或{cvfj,j＝1,2,…n}中实现准确定位；第二级决策是在已经确定为调节阀故障的基础上，根据步骤二关于故障程度的结果，进一步完成容错控制器参数优化求解；
(3.5)根据(3.4)的结果，通过一个简单的多选一切换逻辑单元，完成容错控制器的在线切换应用。
进一步地，所述步骤4包括如下子步骤：
(4.1)根据步骤3得到的故障检测仪表信号重构的软测量模型，在线计算故障检测仪表的预测输出，通过现场总线下达到核电机组的数字化仪控系统dcs，控制器结构不做变化；
(4.2)根据步骤3得到的容错控制器新结构和新参数，计算存在调节阀故障情况下的容错控制指令，通过现场总线下达到核电机组的数字化仪控系统dcs，控制器结构进行容错重构，pid参数进行在线最优自整定，最终达到控制要求和目的。
本发明的有益效果是，本发明在核电机组蒸汽发生器水位控制回路中加入了故障诊断功能，使运行人员对检测仪表和调节阀发生故障的情况能够及时掌握，并能提前采取合理的防控干预措施；本发明在核电机组蒸汽发生器水位控制回路中加入了容错控制功能，使dcs系统能够在发生检测仪表或调节阀故障时自动启动容错控制手段实现保底控制，抑制故障的不良影响，提高了核电机组的主动安全性；总体上，本发明能大大提高核电站的整体安全性。
附图说明
图1是本发明的总体技术架构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
步骤1：dcs控制系统监测采集故障信息并将故障信息提供给故障诊断模块，具体包括以下子步骤：
(1.1)借助dcs对蒸汽发生器水位控制回路的全部变量进行连续采样，形成样本数据集。数据集的时间长度预先根据水位过程动态时间常数确定，超过时间长度的旧数据将逐次移除以保持数据长度不变；
(1.2)为保证样本数据集的质量，需要进行预处理，主要包括离群数据点的处理、数据中随机噪声项的处理、缺失数据点的插值处理、数据的标准化处理等等。本发明中，采用统计方差分析的方法剔除离群点，采用功率相等原则补插被剔除的离群点，采用低通噪声滤波器的方法滤去高频噪声，采用最小二乘拟合的方法进行缺失数据点的插值，采用均值和方差的统计运算进行标准化处理。
步骤2：故障诊断模块提取故障检测信息始终在线检测各检测表、执行器的失效情况，一旦出现故障征兆，则启动故障识别算法诊断出故障的类型、位置、时间等特征，并将诊断结果送往容错控制模块，具体包括以下子步骤：
(2.1)将步骤一得到的数据集划分为训练数据集和测试数据集，其中正常工况下的数据作为训练数据集，以进行基于即时学习模型的概率主元分析离线模型的训练，训练集样本均包含输入向量
(2.2)对(2.1)确定的训练数据集进行离线模型训练，训练过程见附图图1。首先，每个循环内，计算训练样本xi和其他训练样本xj之间的相似度si,j,i为第i个训练样本，j代表除i以外的其他训练样本，并对全部样本间相似度进行降序排列，选取前l个对应的样本作为相关训练样本进行局部最小二乘支持向量回归算法模型的离线训练，其中l取值范围为10-100，构建局部最小二乘支持向量回归模型，预测当前时刻的输出向量
其中，局部最小二乘支持向量回归算法模型对非线性信息的提取能力与模型中参数γ,σ2密切相关，故障诊断模块中采取网格搜索法确定最佳参数组合。
之后将
(2.3)对(2.1)确定的测试数据集进行模型更新判断，首先计算测试样本xk′和前一时刻测试样本xk-1′之间的相似度sk,k-1,其中当前时刻为k，前一时刻为k-1，并与离线训练模型中得到的相似度中最小值相比较，判断是否需要更新训练模型，如果低于阈值则保持(2.2)已训练的局部最小二乘支持向量回归模型，否则进行(2.4)步骤；
(2.4)计算测试样本xk′和全部训练样本xi之间的相似度sk,i,并对全部样本间相似度进行降序排列，选取前l个(l取值范围为10-100)对应的样本作为相关训练样本进行局部最小二乘支持向量回归模型的更新，替代(2.2)原有的局部最小二乘支持向量回归模型，并且更新原有的相似度阈值；
(2.5)根据概率主元分析模型得到的检测统计量阈值和(2.3)或(2.4)步骤得到的局部最小二乘支持向量回归模型，预测当前样本xi的输出
步骤3：容错控制模块接收由故障诊断模块提供的故障特征，决定启用合适的容错控制策略，进而将容错控制策略化为具体的容错控制指令，具体包括以下子步骤：
(3.1)对蒸汽发生器水位控制过程，确定典型的检测仪表故障sfi,i＝1,2,…m和调节阀故障vfj,j＝1,2,…n，即考虑m种典型的检测仪表故障和n种典型的调节阀故障。本子步骤的检测仪表故障个数和种类、调节阀故障个数和种类，一般依赖长期运行经验、故障检修记录和有企业运维专家来确认；
(3.2)故障检测仪表的信号重构：对每一种典型的检测仪表故障sfi,i＝1,2,…m，采用偏最小二乘方法pls，离线建立该检测仪表在故障情况下的软测量模型msfi,i＝1,2,…m，用于对故障检测仪表的信号重构。共有m个软测量模型，每一种软测量模型对应一种典型检测仪表故障。本子步骤中，基于pls的软测量模型通过以下子子步骤完成：
(3.2.1)针对每一个检测仪表，选择足够多的与该检测仪表输出有关联的过程变量作为软测量模型的输入变量，构成输入向量xm；选择该检测仪表输出作为软测量模型的输出变量ym；
(3.2.2)从正常运行过程采集一组软测量建模样本集
(3.2.3)对建模样本矩阵xx和yy进行标准化、归一化处理，使得各变量均值为0、方差为1，得到输入矩阵x和输出矩阵y；
(3.2.4)将输入矩阵x和输出矩阵y分成训练样本矩阵x1，y1和测试样本矩阵x2，y2，采用基于多元统计投影原理的偏最小二乘方法在训练样本中建立软测量模型
(3.2.5)将当前测量数据矩阵代入子子步骤(3.2.4)中的软测量模型进行预测计算，并把预测结果
(3.3)控制器结构容错重构和控制器参数容错最优估计：对每一种典型的调节阀故障vfi,i＝1,2,…n，采用仿真和实际实验相结合的方法，离线确定该调节阀在故障情况下能实现保底控制容错控制器结构cvfj,j＝1,2,…n(保底控制的含义是既能保持控制回路稳定又能保持基本的控制性能，基本控制性能由控制工程师事先规定)，并根据调节阀故障的严重程度在线进行参数优化得到容错控制器参数最优估计pvfj,j＝1,2,…n。共有n个容错控制器和n套最优控制器参数，每一种容错控制器及其最优参数对应一种典型调节阀故障；
本子步骤中，控制器结构容错重构和控制器参数容错最优估计通过以下子子步骤完成：
(3.3.1)控制器结构容错重构是指在核电机组蒸汽发生器水位控制系统中，针对每一种典型的调节阀故障vfi,i＝1,2,…m，在容错控制器设计阶段逐次人为地设置每个调节阀故障失效(本发明假设每次仅有一个调节阀故障，其他调节阀均为正常)这样的“破坏性试验”，通过仿真和实际相结合的验证方式确定由剩余完好调节阀仍然能够实现保底控制的容错控制器结构。这样，对于所有的调节阀故障vfi,i＝1,2,…m，共有n个容错控制器结构cvfj,j＝1,2,…n；
(3.3.2)控制器参数容错最优估计是指，对于n个容错控制器结构cvfj,j＝1,2,…n，在容错控制器使用阶段，按照当前发生的调节阀故障的严重程度对容错控制器参数进行在线优化，得到容错控制器最优参数pvfj,j＝1,2,…n。由于本发明中n个容错控制器cvfj,j＝1,2,…n采用pid控制律(与核电机组dcs控制模式相同，使用简便)，控制器参数特指为pid参数，而参数的容错最优估计可采用如下方法：根据调节阀故障类型和程度的诊断结果，在线启动pid参数的智能优化自整定算法，整定优化目标函数根据故障调节阀在控制回路中的角色可采用绝对偏差积分准则
(3.4)根据(3.1)、(3.2)、(3.3)的结果，在线使用时，根据步骤2关于故障类型的诊断结果，进行两级容错重构决策以确定是采用哪种容错重构措施来完成容错控制任务。第一级决策判别当前故障是属于检测仪表故障还是调节阀故障，并进一步在集合{msfi,i＝1,2,…m}或{cvfj,j＝1,2,…n}中实现准确定位；第二级决策是在已经确定为调节阀故障的基础上，根据步骤2关于故障程度的结果，进一步完成容错控制器参数优化求解；
(3.5)根据(3.4)的结果，通过一个简单的多选一切换逻辑单元，完成容错控制器的在线切换应用。
步骤4：得到的容错控制器新结构和新参数，计算存在故障情况下的容错控制指令，并通过现场总线下达到核电机组的数字化仪控系统，具体包括以下子步骤：
(4.1)根据步骤3得到的故障检测仪表信号重构的软测量模型，在线计算故障检测仪表的预测输出。计算方法是：根据当前得到的最新样本数据集(由有关无故障仪表检测值和各类中间计算值组成)，经过标准化后通过子子步骤(3.2.4)中软测量模型
(4.2)根据步骤3得到的容错控制器新结构和新参数，计算存在调节阀故障情况下的容错控制指令。计算方法是：1)计算当前控制误差e(t)；2)根据步骤(3.5)确定的容错控制器结构(为pid模式，与常规dcs的模式相同)，计算当前的容错控制指令
1.一种核电机组蒸汽发生器的水位容错控制方法，所述核电机组蒸汽发生器具有水位控制回路，所述水位控制回路具有检测仪表和调节阀。其特征在于，该方法包括以下步骤：
步骤1：采集水位控制回路中检测仪表流量和调节阀开度等数据，并对数据进行去噪声和归一化标准化预处理，得到样本数据集；
步骤2：根据步骤1得到的为样本数据集，运用基于即时学习模型的概率主元分析的改进故障诊断算法进行在线故障诊断，判明检测仪表或调节阀所产生故障的类型和程度，从而得到故障诊断结果；
步骤3：根据步骤2得到的故障诊断结果，运用容错控制算法进行故障检测仪表的信号重构，得到信号重构值；面向调节阀故障的控制器结构容错重构和控制器参数容错最优估计，得到最优化的容错控制器新结构和新参数，抵消或降低故障影响；
步骤4：根据步骤3得到的容错控制器新结构和新参数，计算存在故障情况下的容错控制指令，所述控制指令的计算方式分为两种情况：(a)检测仪表故障时，发生故障的仪表信号用步骤3得到的信号重构值来代替进行控制指令计算，控制器结构不做变化；(b)调节阀故障时，采用步骤3得到的容错控制器新结构和新参数来计算控制指令；控制指令通过现场总线下达到核电机组的数字化仪控系统执行控制指令，达到控制要求。
2.根据权利要求1所述的蒸汽发生器水位容错控制器，其特征在于，所述步骤2通过以下子步骤来实现：
(2.1)将步骤1得到的样本数据集划分为训练数据集和测试数据集，其中训练数据集进行基于即时学习模型的概率主元分析离线模型的训练，测试数据集用于在线过程监测；
(2.2)对(2.1)确定的训练数据集进行离线模型训练，首先计算训练样本xi和其他训练样本xj之间的相似度si,j,i为第i个训练样本，j代表除i以外的其他训练样本，并对全部样本间相似度进行降序排列，选取前l个相似度所对应的样本作为相关训练样本，l取值范围为10-100，进行局部最小二乘支持向量回归算法模型的离线训练；
(2.3)对(2.1)确定的测试数据集进行模型更新判断，首先计算当前时刻测试样本xk′和前一时刻测试样本xk-1′之间的相似度sk,k-1,其中当前时刻为k，前一时刻为k-1，并与离线训练模型中得到的相似度中最小值相比较，判断是否需要更新训练模型，如果低于阈值则保持(2.2)已训练的局部最小二乘支持向量回归模型，否则进行(2.4)步骤；
(2.4)计算测试样本xk′和全部训练样本xi之间的相似度sk,i,i指所有训练样本，并对全部样本间相似度进行降序排列，选取前l个对应的样本作为相关训练样本，进行局部最小二乘支持向量回归模型更新，替代(2.2)原有的局部最小二乘支持向量回归模型；
(2.5)根据概率主元分析模型得到的检测统计量阈值和(2.3)或(2.4)步骤得到的局部最小二乘支持向量回归模型判断当前工况是否出现故障，得到故障诊断结果。
3.根据权利要求1所述的蒸汽发生器水位容错控制器，其特征在于，所述步骤3通过以下子步骤来实现：
(3.1)对蒸汽发生器水位控制过程，确定典型的检测仪表故障sfi,i＝1,2,…m和调节阀故障vfj,j＝1,2,…n，即考虑m种典型的检测仪表故障和n种典型的调节阀故障；
(3.2)故障检测仪表的信号重构：对每一种典型的检测仪表故障sfi,i＝1,2,…m，采用偏最小二乘方法pls，离线建立该检测仪表在故障情况下的软测量模型msfi,i＝1,2,…m，用于对故障检测仪表的信号重构。共有m个软测量模型，每一种软测量模型对应一种典型检测仪表故障；
(3.3)控制器结构容错重构和控制器参数容错最优估计：对每一种典型的调节阀故障vfi,i＝1,2,…n，采用仿真和实际实验相结合的方法，离线确定该调节阀在故障情况下能实现保底控制容错控制器结构cvfj,j＝1,2,…n，并根据调节阀故障的严重程度在线进行参数优化得到容错控制器参数最优估计pvfj,j＝1,2,…n。共有n个容错控制器和n套最优控制器参数，每一种容错控制器及其最优参数对应一种典型调节阀故障；
(3.4)根据(3.1)、(3.2)、(3.3)的结果，在线使用时，根据步骤2关于故障类型的诊断结果，进行两级容错重构决策以确定是采用哪种容错重构措施来完成容错控制任务。第一级决策判别当前故障是属于检测仪表故障还是调节阀故障，并进一步在集合{msfi,i＝1,2,…m}或{cvfj,j＝1,2,…n}中实现准确定位；第二级决策是在已经确定为调节阀故障的基础上，根据步骤2关于故障程度的结果，进一步完成容错控制器参数优化求解；
(3.5)根据(3.4)的结果，通过一个多选一切换逻辑单元，完成容错控制器的在线切换应用。
技术总结