Development of unsupervised and semi-supervised clustering-based methods for degradation assessment of nuclear power plant steam generators

In the last decades, condition-based maintenance approaches have gained a lot of attention in the nuclear industry, since they allow optimizing maintenance on the basis of the health state of the plant components, reducing the number of unneeded maintenance interventions with tangible effect on the production profit and improving the plant safety. In condition-based maintenance, the degradation state of the component of interest is the key information required for efficiently plan maintenance. In this context, the objective of this thesis work is the development of diagnostic methods which aim at identifying the component degradation level on the basis of signal measurements performed during plant transients. To this aim, we consider data driven approaches in which the model for the degradation level identification is built using historical data collected during plant transients. The proposed methods are based on the extraction of a set of features from the raw monitoring signals collected from the sensors during the plant transients and the subsequent selection of the ones among them which are most correlated to the component degradation. Different strategies are proposed to handle different situations of information available ranging from cases in which the actual component degradation is never known to cases in which the results of non-destructive tests periodically performed on the component to assess its actual degradation are available. The main novelty of the thesis work stays in the fact that the proposed methods, based on an original combination of spectral clustering, feature selection and unsupervised and semi-supervised algorithms, allow systematically exploiting all the available information for the identification of the component degradation. The developed methods are applied to a real case study in which the degradation of a fleet of pressurized water reactors steam generators has to be monitored. The methods are shown to be able to identify the steam generator degradation level from signal measurements, with errors comparable to that obtained by ad-hoc, time consuming and expensive non-destructive tests which can be seldom performed.

Negli ultimi anni la manutenzione secondo condizione (condition-based maintenance) ha ricevuto molta attenzione in campo nucleare poiché permette di ottimizzare il tempo degli interventi di manutenzione sulla base dello stato di salute del componente di interesse, ri-ducendo il numero degli interventi non necessari e, di conseguenza, i costi di manutenzio-ne. Lo stato di degrado del componente è l’informazione necessaria per pianificare in mo-do efficiente gli interventi di manutenzione quando si utilizza la condition-based mainte-nance, quindi, una stima più precisa dell’attuale livello di degrado si traduce in una strate-gia di manutenzione più efficiente. Sfortunatamente, nei casi reali, spesso non è semplice determinare lo stato di salute del componente e molte risorse sono attualmente impiegate al fine di sviluppare metodi per stimare lo stato di degrado basandosi sui segnali provenienti dal componente. In questa tesi viene presentato un metodo per la determinazione di un buon indicatore di degrado. La procedura proposta si fonda sull’estrazione di alcune caratteristiche (features) dai segnali misurati dall’impianto e, successivamente, sulla classificazione di queste ultime sulla base di alcune proprietà ritenute importanti per un indicatore di degrado, al fine di trovare quelle più adatte a rappresentare l’evoluzione del degrado. Diverse strategie vengono proposte al fine di affrontare problemi caratterizzati da diverse fonti di informazione disponibili; in particolare viene presentato un metodo per la deter-minazione dei tempi degli interventi di manutenzione e sono proposti due algoritmi, uno non supervisionato ed uno semi-supervisionato, per selezionare un indicatore di degrado, che si differenziano per la diversa disponibilità di misure di degrado reali. Il metodo è applicato a un caso di studio reale in cui si vuole monitorare il livello di de-grado di una flotta di generatori di vapore. I risultati ottenuti sono molto positivi e l’errore commesso dall’algoritmo sviluppato è comparabile con quello ottenuto per mezzo dei test non distruttivi attualmente utilizzati, che risultano essere costosi e raramente effettuabili.