CN104408303A - 一种基于数据匹配的lpms质量估计方法 - Google Patents

Abstract

一种基于数据匹配的LPMS质量估计方法，先进行压电式加速度传感器布置；再进行不同质量，不同坠落高度冲击信号采集；然后对这些时域信号进行傅里叶变换，转化为频谱；再设定截止频率，得到有效频段频谱；然后设定多项式拟合阶次，对有效频段频谱进行曲线拟合；再将所有拟合曲线作为样本组成质量估计数据库；然后进行现场数据采集，并得到拟合曲线；再将所得的曲线与数据库中所有样本进行相关性匹配分析；然后根据相关系数与样本信息，计算单通道质量估计值；再剔除异常值，计算最终的质量估计值。本发明避免了坠落高度因素和环境噪声因素的影响，具有精度高以及抗干扰能力强的优点，还具有鲁棒性。

Description

一种基于数据匹配的LPMS质量估计方法

技术领域

本发明涉及核工程技术领域，特别涉及一种基于数据匹配的LPMS质量估计方法。

背景技术

松动部件监测系统(Loose part monitoring system,LPMS)是核电站一回路基本的安全工具之一，对核电站的安全运行具有重大意义。其中，松动件的质量估计是LPMS系统的基本功能之一。当松动件脱离、碰撞时准确估计出其质量，继而判断松动件的类型和危害程度，为后续的故障诊断和排除提供依据。目前常用的LPMS质量估计方法有：

(1)基于碰撞信号高低频段能量比的质量估计方法；该方法极其依赖高低频段分界点的选择，同时依赖高低频段频带的选择，以上参数的不恰当选择会产生误差较大的质量估计结果。

(2)基于频谱特征与模式识别的质量估计方法；一种利用模式识别和人工神经网络理论实现LPMS质量估计的方法，主要存在以下问题：需要大量训练样本，学习速度慢，可能出现局部收敛。

(3)基于时频变换的质量估计方法；该方法中的时频变换包括：短时傅里叶变换、小波变换和S变换等。通过时频变换将时域冲击信号转化为时频谱，以时频谱中的频率分布信息作为质量特征参数进行质量估计。

(4)基于小波能量谱的质量估计方法。在小波变换的定义下，根据能量密度的定义可计算得到小波能量谱，其表征不同尺度所对应的能量密度函数。小波能量谱的分布情况与频谱分布相似。

上述方法中的质量特征均依赖于频谱或者时频谱中的频率信息，其基本假设认为质量是影响频率分布的唯一因素。然而，当同一质量的松动件坠落高度不同时，碰撞速度不同，产生信号的频率成分并不相同。在这种情况下，仅仅依靠频率信息难以准确体现质量特征，难以保证质量估计的准确性。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于数据匹配的LPMS质量估计方法，实现不同坠落高度松动部件的质量估计。

为了达到上述目的，本发明采取的技术方案为：

一种基于数据匹配的LPMS质量估计方法，包括以下步骤：

步骤一，在核电站反应堆的压力容器壁上安装三个压电式加速度传感器；

步骤二，用不同质量的钢球从不同高度坠落敲击压力容器壁，通过传感器采集冲击信号，记为其中m代表钢球质量，h代表坠落高度，i代表对应的传感器编号，即通道编号；

步骤三，对冲击信号进行傅里叶变换得到频谱，记为计算公式为：

$S_{m,h}^i\left(f\right)={\∫}_{-\∞}^{\∞}{S}_{m,h}^i\left(t\right)e^{-2\mathrm{\πft}}\mathrm{dt}---\left(1\right)$

步骤四，为了消除高频部分的冗余信息，选取截止频率f_max，使频谱80％以上的能量分布在频段[0,f_max]中，截止频率f_max设定在15kHz到20kHz之间；

步骤五，对有效频段频谱，进行n阶多项式曲线拟合，记为 ${\tilde{S}}_{m,h}^i\left(f\right)f\≤f_{\max };$

阶次n反映拟合特性，n越大拟合曲线越能反映频谱的细节信息，反之，n越小拟合曲线越能反映频谱的整体信息，阶次n设定在6到10之间；

步骤六，将步骤五中所得的所有信号，作为样本组成质量估计数据库；

步骤七，通过传感器采集现场由松动件跌落产生的冲击信号，记为x(t)，根据步骤三、四、五处理x(t)，得到

步骤八，查询数据库寻找最优匹配，通过互相关函数实现：

$\mathrm{\ρ}=\frac{\mathrm{Cov}[\tilde{S}\left(f\right),\tilde{X}\left(f\right)]}{{\mathrm{\σ}}_S{\mathrm{\σ}}_X}---\left(2\right)$

ρ代表两组信号的相关系数，数学表达上是两组信号的协方差和两组信号标准差之积的比值，其大小反映了两组信号的相似程度，具体数值为0至1，式中协方差与标准差的具体公式如下：

$\mathrm{Cov}[\tilde{S}\left(f\right),\tilde{X}\left(f\right)]=\frac{\underset{i=1}{\overset{f_{\max }}{\mathrm{\Σ}}}[\tilde{S}\left(f\right)-\stackrel{\‾}{\tilde{S}}][\tilde{X}\left(f\right)-\stackrel{\‾}{\tilde{X}}]}{N}---\left(3\right)$

${\mathrm{\σ}}_S=\sqrt{\underset{i=1}{\overset{f_{\max }}{\mathrm{\Σ}}}{[\tilde{S}\left(f\right)-\stackrel{\‾}{\tilde{S}}]}^2}{\mathrm{\σ}}_X=\sqrt{\underset{i=1}{\overset{f_{\max }}{\mathrm{\Σ}}}{[\tilde{X}\left(f\right)-\stackrel{\‾}{\tilde{X}}]}^2}---\left(4\right)$

根据上述公式求出现场数据与数据库样本的匹配程度；

步骤九，假设数据库包含a×b×c组样本，其中a代表钢球质量种类数，b代表坠落高度种类数，c代表同一质量同一坠落高度试验重复次数，根据步骤八，共进行了a×b×c次相关性计算，选取最大的a×c个相关系数，记为ρ₁,ρ₂,ρ₃...ρ_a′c，对应样本的质量分别为m₁,m₂,m₃...m_a′c。那么，质量估计结果为：

$\max =\underset{i=1}{\overset{a\×c}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}_i{m}_i}{a\×c}---\left(5\right)$

步骤十，根据步骤七、八、九得到单个通道的质量估计结果，由于采用了三个传感器，得到三个质量估计结果，分别记为mas₁，mas₂和mas₃，剔除偏离平均值最大的结果，其编号为

$\hat{i}=\arg \underset{i}{\max }\left(\right|{\mathrm{mas}}_i-\frac{{\mathrm{mas}}_1+{\mathrm{mas}}_2+{\mathrm{mas}}_3}{3}\left|\right)---\left(6\right)$

剩余两者的平均值作为最终的质量估计结果。

本发明相比于现有技术，具有以下有益效果：

a)本发明所提出的一种LPMS质量估计方法，建立在数据匹配的基础上，适用于不同坠落高度的情况。

b)三个传感器通道监测过程中，假如某个通道出现异常，导致该通道产生错误的质量估计结果，本发明可以剔除错误值，提高了算法的鲁棒性。

c)当数据库样本量较大时，本发明中的质量方法具有较高的精度，且截止频率的引入弥补了因大样本引起的计算效率慢的缺陷，满足实时监测的需求。

d)环境噪声等干扰因素包含在数据库信息中，因此本发明中的质量估计方法抗干扰能力强。

附图说明

图1为本发明方法的流程图。

图2为本发明传感器布局示意图。

图3为实施例中641g钢球从50cm高度坠落产生的冲击信号时域图。

图4为实施例中图3所示时域信号对应的频谱。

图5为实施例中图4所示频谱中的有效频段部分。

图6为实施例中图5对应的多项式曲线拟合结果。

图7为实施例中不同质量，不同坠落高度对应的数据库样本。

具体实施方式

下面结合附图和实施例对本发明做详细描述。

以松动部件模拟碰撞实验为实施例。实验中用于模拟反应堆压力容器壁的钢板尺寸为200cm×200cm×2cm，为了尽量减少环境噪声的影响，在钢板的四个边沿下均加了缓冲隔离。每个缓冲隔离由3块支撑钢板和3块橡胶板组成，由底层开始分别为支撑钢板、橡胶板、支撑钢板、橡胶板、支撑钢板、橡胶板，总厚度约9.6cm。其中，支撑钢板尺寸为20cm×20cm×1.2cm，橡胶板尺寸为20cm×20cm×2cm。

如图1所示，一种基于数据匹配的LPMS质量估计方法，包括以下步骤：

步骤一，在钢板试件上安装三个压电式加速度传感器，传感器用502瞬干胶粘在钢板上，呈等边三角形分布，如图2所示；

步骤二，用不同质量的钢球从不同高度坠落敲击钢板，通过传感器采集冲击信号，记为其中m代表钢球质量，h代表坠落高度，i代表对应的传感器编号，即通道编号；

在本实施例中，质量m分别为110g、176g、227g、373g、509g、641g、877g、1400g、2500g、4000g、6000g、10000g和12500g。当m≤877g时，坠落高度h分别为10cm、20cm、30cm、40cm、50cm、60cm、70cm、80cm；当m≥1400g时，坠落高度h分别为2.5cm、5cm、7.5cm、10cm、12.5cm、15cm、17.5cm、20cm。i＝1、2、3。

在本实施例中，m＝641g，h＝50cm，i＝1时对应的冲击信号时域图如图3所示；

步骤三，对冲击信号进行傅里叶变换得到频谱，记为计算公式为：

$S_{m,h}^i\left(f\right)={\∫}_{-\∞}^{\∞}{S}_{m,h}^i\left(t\right)e^{-2\mathrm{\πft}}\mathrm{dt}---\left(1\right)$

在本实施例中，图3所示时域信号对应的频谱如图4所示。

步骤四，频谱能量主要集中在低频部分，为了消除高频部分的冗余信息，选取截止频率f_max，使频谱80％以上的能量分布在频段[0,f_max]中，针对核电站实际情况截止频率f_max设定在15kHz到20kHz之间，在本实施例中选定为18kHz；

在本实施例中，图4所示频谱中有效频段部分如图5所示。

步骤五，对有效频段频谱，进行n阶多项式曲线拟合，记为 ${\tilde{S}}_{m,h}^i\left(f\right)f\≤f_{\max };$

阶次n反映拟合特性，n越大拟合曲线越能反映频谱的细节信息，反之，n越小拟合曲线越能反映频谱的整体信息，针对核电站实际情况阶次n设定在6到10之间，在本实施例中选定为8；

在本实施例中，图5对应的拟合结果如图6所示。

步骤六，将步骤五中所得的所有信号，作为样本组成质量估计数据库；

由步骤二可知，本实施例中数据库由104组样本组成。以不同质量，不同坠落高度对应的9组样本为例，如图7所示，由图可见同一质量对应的样本在形状、位置上更加相似，此现象是数据匹配方法的依据。

步骤七，通过传感器采集现场由松动件跌落产生的冲击信号，记为x(t)，根据步骤三、四、五处理x(t)，得到

步骤八，查询数据库寻找最优匹配，通过互相关函数实现：

$\mathrm{\ρ}=\frac{\mathrm{Cov}[\tilde{S}\left(f\right),\tilde{X}\left(f\right)]}{{\mathrm{\σ}}_S{\mathrm{\σ}}_X}---\left(2\right)$

ρ代表两组信号的相关系数，数学表达上是两组信号的协方差和两组信号标准差之积的比值，其大小反映了两组信号的相似程度，具体数值为0至1。式中协方差与标准差的具体公式如下：

$\mathrm{Cov}[\tilde{S}\left(f\right),\tilde{X}\left(f\right)]=\frac{\underset{i=1}{\overset{f_{\max }}{\mathrm{\Σ}}}[\tilde{S}\left(f\right)-\stackrel{\‾}{\tilde{S}}][\tilde{X}\left(f\right)-\stackrel{\‾}{\tilde{X}}]}{N}---\left(3\right)$

${\mathrm{\σ}}_S=\sqrt{\underset{i=1}{\overset{f_{\max }}{\mathrm{\Σ}}}{[\tilde{S}\left(f\right)-\stackrel{\‾}{\tilde{S}}]}^2}{\mathrm{\σ}}_X=\sqrt{\underset{i=1}{\overset{f_{\max }}{\mathrm{\Σ}}}{[\tilde{X}\left(f\right)-\stackrel{\‾}{\tilde{X}}]}^2}---\left(4\right)$

根据上述公式可以求出现场数据与数据库样本的匹配程度；

步骤九，假设数据库包含a×b×c组样本，其中a代表钢球质量种类数，b代表坠落高度种类数，c代表同一质量同一坠落高度试验重复次数。根据步骤八，共进行了a×b×c次相关性计算，选取最大的a×c个相关系数，记为ρ₁,ρ₂,ρ₃...ρ_a′c，对应样本的质量分别为m₁,m₂,m₃...m_a′c。那么，质量估计结果为：

$\max =\underset{i=1}{\overset{a\×c}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}_i{m}_i}{a\×c}---\left(5\right)$

在本实施例中，根据步骤二可知，a＝13，b＝8，c＝1。

步骤十，根据步骤七、八、九得到单个通道的质量估计结果，由于采用了三个传感器，可以得到三个质量估计结果，分别记为mas₁，mas₂和mas₃。剔除偏离平均值最大的结果，其编号为

$\hat{i}=\arg \underset{i}{\max }\left(\right|{\mathrm{mas}}_i-\frac{{\mathrm{mas}}_1+{\mathrm{mas}}_2+{\mathrm{mas}}_3}{3}\left|\right)---\left(6\right)$

剩余两者的平均值作为最终的质量估计结果。

在本发明中，步骤二到步骤六是数据库的建立，步骤七到步骤十是采用现场数据进行质量估计方法的精度验证。在步骤七中，采集了不同质量、不同坠落高度的现场数据，如表1所示。表1中的误差定义为：

从表中可以看出，质量估计误差最大为10.5％，最小为-2.3％，质量估计误差基本控制在10％以下。因此本发明提出的基于数据匹配的LPMS质量估计方法具有较高的精度。

表1不同质量，不同坠落高度的现场数据对应的质量估计结果及误差

Claims (1)

1.一种基于数据匹配的LPMS质量估计方法，其特征在于，包括以下步骤：

步骤一，在核电站反应堆的压力容器壁上安装三个压电式加速度传感器；

步骤二，用不同质量的钢球从不同高度坠落敲击压力容器壁，通过传感器采集冲击信号，记为其中m代表钢球质量，h代表坠落高度，i代表对应的传感器编号，即通道编号；

步骤三，对冲击信号进行傅里叶变换得到频谱，记为计算公式为：

$S_{m,h}^i\left(f\right)={\∫}_{-\∞}^{\∞}{s}_{m,h}^i\left(t\right)e^{-2\mathrm{\πft}}\mathrm{dt}---\left(1\right)$

步骤四，为了消除高频部分的冗余信息，选取截止频率f_max，使频谱80％以上的能量分布在频段[0,f_max]中，截止频率f_max设定在15kHz到20kHz之间；

步骤五，对有效频段频谱，进行n阶多项式曲线拟合，记为 ${\tilde{S}}_{m,h}^i\left(f\right)f\≤f_{\max };$

阶次n反映拟合特性，n越大拟合曲线越能反映频谱的细节信息，反之，n越小拟合曲线越能反映频谱的整体信息，阶次n设定在6到10之间；

步骤六，将步骤五中所得的所有信号，作为样本组成质量估计数据库；

步骤七，通过传感器采集现场由松动件跌落产生的冲击信号，记为x(t)，根据步骤三、四、五处理x(t)，得到

步骤八，查询数据库寻找最优匹配，通过互相关函数实现：

$\mathrm{\ρ}=\frac{\mathrm{Cov}[\tilde{S}\left(f\right),\tilde{X}\left(f\right)]}{{\mathrm{\σ}}_S{\mathrm{\σ}}_X}---\left(2\right)$

ρ代表两组信号的相关系数，数学表达上是两组信号的协方差和两组信号标准差之积的比值，其大小反映了两组信号的相似程度，具体数值为0至1，式中协方差与标准差的具体公式如下：

$\mathrm{Cov}[\tilde{S}\left(f\right),\tilde{X}\left(f\right)]=\frac{\underset{i=1}{\overset{f_{\max }}{\mathrm{\Σ}}}[\tilde{S}\left(f\right)-\stackrel{\‾}{\tilde{S}}][\tilde{X}\left(f\right)-\stackrel{\‾}{\tilde{X}}]}{N}---\left(3\right)$

${\mathrm{\σ}}_S=\sqrt{\underset{i=1}{\overset{f_{\max }}{\mathrm{\Σ}}}{[\tilde{S}\left(f\right)-\stackrel{\‾}{\tilde{S}}]}^2}{\mathrm{\σ}}_X=\sqrt{\underset{i=1}{\overset{f_{\max }}{\mathrm{\Σ}}}{[\tilde{X}\left(f\right)-\stackrel{\‾}{\tilde{X}}]}^2}---\left(4\right)$

根据上述公式求出现场数据与数据库样本的匹配程度；

步骤九，假设数据库包含a×b×c组样本，其中a代表钢球质量种类数，b代表坠落高度种类数，c代表同一质量同一坠落高度试验重复次数，根据步骤八，共进行了a×b×c次相关性计算，选取最大的a×c个相关系数，记为ρ₁,ρ₂,ρ₃...ρ_a×c，对应样本的质量分别为m₁,m₂,m₃...m_a×c。那么，质量估计结果为：

$\mathrm{mas}=\underset{i=1}{\overset{a\×c}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}_i{m}_i}{a\×c}---\left(5\right)$

步骤十，根据步骤七、八、九得到单个通道的质量估计结果，由于采用了三个传感器，得到三个质量估计结果，分别记为mas₁，mas₂和mas₃，剔除偏离平均值最大的结果，其编号为

$\hat{i}=\arg \underset{i}{\max }\left(\right|{\mathrm{mas}}_i-\frac{{\mathrm{mas}}_1+{\mathrm{mas}}_2+{\mathrm{mas}}_3}{3}\left|\right)---\left(6\right)$

剩余两者的平均值作为最终的质量估计结果。