基于噪声分析和聚类算法的混合技术，实现自供电中子探测器及其电缆的在线故障检测与诊断

《Annals of Nuclear Energy》：Online fault detection and diagnostics for self powered neutron detector along with its cable using hybrid techniques of noise analysis and clustering algorithm

　　塔希尔·卡马尔·汗|S.R. 西姆吉斯|S. 穆科帕迪亚|阿吉塔·什里瓦斯塔瓦印度马哈拉施特拉邦孟买市400094，霍米·巴巴国家研究所摘要自供电中子探测器在大型核反应堆中被广泛用于核心区域中子通量测量，以支持监测、控制与保护功能。然而，这类探测器及其连接电缆容易老化退化，因此必须具备强大的故障检测与诊断能力，才能确保核电站运行的安全与可靠性。本文提出一种新型混合方法，将中子噪声分析与K均值聚类算法相结合，实现对自供电中子探测器及其电缆的在线、无侵入式连续健康监测与预测性维护。由于工艺相关噪声的影响，反应堆核心内的中子通量会在0–20赫兹范围内出现可测量的波动。研究表明，自供电中子探测器捕捉这些工艺噪声特征的能力可作为其健康状况的有效指标。首先构建包含电缆和放大器的完整自供电中子探测器模型，通过仿真验证所提方法。随后引入一种新的特征提取技术，对噪声分析得到的动态响应进行表征，从而将探测器分类为正常、退化及严重退化状态。该方法通过印度某压水重水反应堆的实际数据进行了验证，结果与现有的离线探测器健康评估高度一致，证明了所提方法的有效性。分析表明，由于绝缘电阻下降导致的中子探测器增益漂移，会使得输出信号的功率谱密度呈二次放大效应，相比时域分析方法，该方式能更灵敏地检测故障，有助于在聚类过程中识别故障。研究结果与现有文献对比后显示，本方法的准确度与性能更为优异。

引言在大型核反应堆中，如压水重水反应堆，监测和控制反应堆核心内的中子通量分布至关重要（Mishra等人，2012；国际原子能机构，2013；Zhang等人，2023）。为此需要大量战略性布置在核心区域的中子探测器，以用于保护、控制及监测目的。印度的大型压水重水反应堆采用一系列因科镍尔材质的自供电中子探测器，用于测量局部中子通量，以实现控制与安全保障功能。这类探测器具有较高的耐温性、较强的抗辐射能力（Du等人，2025），且体积小巧，无需外部电源供电， unlike其他类型的探测器如裂变室和电离室，因此便于安装在反应堆核心内部。自供电中子探测器由发射体、收集体以及绝缘材料构成。图1展示了一种典型的自供电中子探测器结构示意图（Raj等人，2020）。如图2所示，发射体材料在中子与伽马射线作用下会发生放射性衰变，通过三种主要相互作用产生电子，即(n,β)、(n,γ,e)和(γ,e)作用（Sion，2000；Raj等人，2020）。通过这些相互作用，自供电中子探测器能够产生纳安到微安级的电流，其表达式为：ITotal=I(n,γ,e)+I(γ,e)+I(n,β)，其中I(n,γ,e)是由中子被发射体材料捕获所产生的电流，这一分量与反应堆核心中的中子通量以及发射体材料原子的俘获截面成正比；I(γ,e)则是反应堆核心中的伽马射线与发射体材料相互作用产生的电流；I(n,β)为延迟分量，源于元素的衰变，例如在因科镍尔材质的自供电中子探测器中，是由64Ni和55Mn这两种元素在受到中子捕获后生成的65Ni和56Mn元素衰变所导致的（Sion，2000）。这些元素作为杂质存在于因科镍尔外壳和发射体中，该电流的符号取决于核心导线或外壳中的杂质含量，但通常为负值（Sion，2000）。现有文献中报道了多种针对自供电中子探测器的故障检测与诊断技术，这些技术主要分为基于模型的方法以及利用多变量统计分析的数据驱动方法。基于模型的方法依赖于物理或数学系统模型，而数据驱动方法则借助机器学习和对系统数据的统计分析。如果建模合理，基于模型的故障检测与诊断方法对于简单系统而言高效且可靠，这类方法具有良好的可解释性和可靠性。但对于复杂系统，构建精确的模型较为困难（Isermann，2006；Wang和Sun，2023）。数据驱动方法则适用于存在大量数据的复杂系统，这类方法实施速度快且易于应用，但需要大量标记数据，且可能无法检测到未曾出现过的故障。目前，故障检测与诊断领域的发展趋势逐渐转向深度学习与混合方法（Maican等人，2025），如图3所示。混合方法结合了基于模型与数据驱动技术的优势。Sagar等人（2015）提出的一种混合方案可通过动态补偿钒基自供电中子探测器的响应速度，利用卡尔曼滤波器降低随机误差，再通过广义似然比法进行故障检测与诊断，并能在线修正异常测量值。不过该方案仅能处理偏差型故障，而且健康状态的钒基自供电中子探测器信号中存在的噪声往往会导致对其错误隔离。Gautam等人（2019）提出了基于模型的故障检测与诊断方法，用于早期故障的检测与隔离，他们采用了扩展卡尔曼滤波器，结合统计算法实现传感器早期故障的检测与隔离，并运用库尔贝克-莱布勒散度与指数加权移动平均控制图共同构建故障决策指标。Peng等人（2015）描述了基于主成分分析的自供电中子探测器故障检测方法，该方法通过主成分分析构建同一串探测器中不同轴向位置探测器之间的相关性模型，分别利用基于模型预测误差的平方值与基于重建结果的探测器有效性指标来检测故障并隔离异常探测器。该故障检测与隔离方案通过四种模拟的自供电中子探测器故障类型——偏差、漂移、精度下降和完全失效——进行了验证，结果表明该方案能够检测出单一故障。Bhattacharyya等人（2017）提出了一种基于线性模型的在线自供电中子探测器重大误差检测、识别与估计方法，这些模型从数据中提取并能够随时间持续适配，这种适配是通过递归主成分分析-精确计算方法实现的。递归机制使得RPCA-EC的计算需求较低，便于在线应用，而持续的适配则能使模型不断演化，从而更好地捕捉自供电中子探测器之间随时间变化的关系。Chatterjee等人（2017）提出了一种基于簇统计的标准化方法，随后又采用了基于主成分分析的在线故障检测方法。他们将所提出的标准化方法应用于从运行中的核反应堆获取的自供电中子探测器数据，并将结果与现有的基于传感器统计的标准化方法进行了比较。结果表明，所提方法的误报率显著降低，但故障检测率也相对较低，尤其是在处理恒定偏差故障时。Yellapu等人（2017）提出了一种将数据协调方法与故障检测与隔离技术相结合的方法，用于先进重水反应堆核心探测器的测量数据分析，该方法采用了迭代主成分分析技术。Li等人（2018）和Li等人（2019）在核电站中应用主成分分析进行传感器的故障检测、识别与重建，他们将多种方法与主成分分析相结合，以优化模型性能。在故障检测与识别过程中，他们采用基于统计的方法，利用T2和Q统计量减少误报，同时从主空间和残差空间两方面分析异常行为，从而定位故障传感器。Yellapu等人（2019）提出了多尺度主成分分析方法，用于在线检测传感器的故障隔离。他们通过先进重水反应堆的实验数据验证了该技术的有效性。Zhang等人（2023）提出了一种基于虚拟冗余模型的机器学习方法，采用XGBoost算法来检测核心区域中子探测器的异常情况。Lin等人（2025）则提出了一种数据驱动的故障识别框架，用于核心区域自供电中子探测器的故障识别，该方法将图卷积网络与堆叠集成学习策略相结合，利用多个自供电中子探测器之间的空间与功能相关性，提升故障分类的准确性，尤其是在噪声较大的运行环境下。由于这些自供电中子探测器需在恶劣的运行环境中工作，其探测器外壳的退化会导致绝缘材料性能下降（Sion，2000；Ma，2006），还可能出现封装失效、水分侵入等问题。根据运行经验及以往的研究成果（Drewell和Delcol，1984；Thacker，1991；Ma和Jiang，2011），绝缘材料受到污染会导致其绝缘电阻大幅下降。污染还可能增加电缆的电容值，进而通过电容耦合引入噪声，影响探测器的动态响应并降低信号质量。电缆的有效电容值上升幅度如此之大，甚至可能引发腐蚀反应带来的电解效应（Thacker，1991）。随着绝缘电阻值的下降，绝缘电阻值较低的电路会形成低阻抗电流回路，从而降低探测器的灵敏度（Sion，2000），这又需要提高放大器的增益来弥补灵敏度的下降。整体绝缘电阻值的下降会导致电容耦合增强以及放大器增益上升，从而使测量电路中捕获更多噪声。正常的自供电中子探测器其绝缘电阻值通常在数百兆欧左右。已有研究证明，绝缘电阻值低于100千欧的自供电中子探测器与中子通量之间不存在正常的相关性（Drewell和Delcol，1984）。因此，考虑到绝缘电阻值估算可能存在的误差，绝缘电阻值低于1兆欧的自供电中子探测器可视为已发生故障，需要更换（Sion，2000）。完全失效的自供电中子探测器通道由于其绝缘电阻值极低，其信号通常会显得嘈杂且不稳定，很容易被识别出来。但很多时候，虽然该探测器的动态响应已经明显下降，但其稳态信号却仍看似正常（Drewell和Delcol，1984）。图4展示了从印度某正在运行的压水重水反应堆中采集的自供电中子探测器信号，从中也可以看出，尽管某个探测器的动态响应已经严重下降，但其稳态响应仍基本正常，这是因为灵敏度的变化可以通过调整放大器增益来补偿（Sion，2000）。因此，验证老化自供电中子探测器的动态响应是否满足保护系统的要求就显得极为重要。由于无法将自供电中子探测器从反应堆核心中取出进行测试，目前只能通过分析反应堆停运期间采集的阶跃响应数据来定期验证这类探测器的响应时间。这种方法只能偶尔使用，且会给反应堆带来较大负担（国际原子能机构，2013）。在反应堆长时间连续运行的情况下，其动态响应的状态始终无法得到验证。现有文献也未能详细阐述适用于核电站直接应用的、针对自供电中子探测器的故障检测与诊断方法。如果不能及时发现自供电中子探测器及其电缆、放大器（在本文中统称为自供电中子探测器通道）的绝缘电阻值下降问题，就会对核电站的可靠运行与控制造成不良影响。因此，监测自供电中子探测器通道的健康状况就显得十分重要。有必要开发一种更为有效的在线检测方法，通过监测绝缘电阻值下降及其对应的动态响应，来识别出现故障的自供电中子探测器通道。在设计自供电中子探测器放大器时，已经考虑通过阶跃响应方法来检测其故障。本文试图开发一种在线方法，用于检测SPND通道的红外退化现象及其动态响应，而不需要考虑SPND放大器的影响。该方法基于噪声分析与无监督K均值聚类的混合技术，能够同时识别IR退化以及SPND及其电缆的动态变化。通过分析印度核电站运行中的数据，验证了该方法的有效性。本文的主要贡献如下：1. 构建了一个基于物理原理的信号模型，用于描述IR退化及SPND动态响应变化的影响，将SPND的故障或退化与频谱特征直接关联起来；2. 提出了对功率谱密度进行频域分析的方法，通过峰值幅度及对应于过程噪声频率的峰下面积来评估SPND通道的敏感度与退化程度。由于直流增益的降低会导致特征过程噪声频率处的功率谱密度幅度呈二次衰减，因此这种方法具有更高的灵敏度；3. 采用基于K均值聚类的无监督学习方法，将SPND分为不同类别，从而帮助操作人员判断其健康状况是正常、退化还是严重退化，为操作人员提供直接的在线状态指示，进而减轻其监测测试负担；4. 通过比较基于功率谱密度特征的聚类方法与基于主成分分析的时域方法，证明了所提方法在故障区分度和抗噪声能力方面的优势，更适合用于早期检测SPND的渐进性动态退化；5. 利用实际核电站数据验证了基于频域特征的K均值聚类方法，其结果也与核电站的评估结果一致。文章的其余结构如下：第2节介绍了完整SPND通道（包括SPND、电缆及放大器）的建模方法；第3节阐述了所提出的噪声分析方法及K均值聚类技术；第4节展示了将该方法应用于印度压水堆SPND的实际案例；第5节将所提方法与先前报道的方法（Chatterjee等人，2017年）进行了比较；第6节则给出了结论。

SPND通道的建模
在核电站中，SPND被用于安全与控制功能，例如 Shutdown System-1（SDS-1）的Regional Overpower Protection System（ROPAS-1）、SDS-2的ROPAS-2、反应堆调节系统（RRS）以及通量映射系统（FMS）（国际原子能机构，2013年）。由于SPND产生的电流信号非常微弱，通常在纳安到微安级别，因此需要使用一种称为SPND放大器的信号调理电路来采集SPND的输出信号，并将其传递给相关系统。

混合方法的开发
由于冷却剂流动、慢化剂流动、结构振动以及重水层液位波动等物理过程的影响，核芯中的中子通量会出现微小但可测量的波动（Joshi和Arora，1982年；Pázsit和Gl?ckler，1988年；Demazere和Gl?ckler，2004年；Vidal-Ferrandiz等人，2022年）。通过对健康SPND通道的噪声分析，Demazere和Gl?ckler（2004年）指出，中子噪声信号……

利用实际数据验证所提方法
为验证所提方法，研究人员分析了某正在运行的压水堆中46个SPND的相关数据。基于所提方法得出的结果与这些SPND的实际状况评估一致，这些SPND随后被列为需要更换的对象。如图18和图19所示，分别计算了这些SPND的功率谱密度中的峰值及其峰下面积。随后利用聚类算法对这些数据进行处理，最终将SPND分为三类，如图20所示，第一类为……

所提方法的性能评估
为了将所提方法与先前报道的SPND检测技术（Chatterjee等人，2017年）进行比较，研究人员按照第3.4节所述的方法，对100个SPND在21600秒内的信号进行了模拟。在最初的3600秒内，SPND-1至90处于正常状态，SPND-91至95处于退化状态，而SPND-96至100则处于严重退化状态。从3600秒开始到21600秒期间，SPND-1、SPND-2和SPND-3出现了故障，如图21所示，同时SPND-91至SPND-100也出现了故障。在最初的3600秒内……

总结与结论
本研究提出了一种基于噪声分析与无监督K均值聚类混合技术的方法，可用于早期检测SPND及其电缆的IR退化现象及其动态响应。实验结果表明，SPND及其相关电缆的退化会降低其检测与重水层振荡相关的噪声峰值的能力。通过定期在线分析各个SPND信号的功率谱密度，并结合相干性评估，可以……

利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。