CN109545403B - 一种反应堆堆内构件的健康管理方法及系统 - Google Patents

一种反应堆堆内构件的健康管理方法及系统 Download PDF

Info

Publication number
CN109545403B
CN109545403B CN201811379683.0A CN201811379683A CN109545403B CN 109545403 B CN109545403 B CN 109545403B CN 201811379683 A CN201811379683 A CN 201811379683A CN 109545403 B CN109545403 B CN 109545403B
Authority
CN
China
Prior art keywords
order
arma
reactor
power spectrum
estimation model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811379683.0A
Other languages
English (en)
Other versions
CN109545403A (zh
Inventor
刘肇阳
陈通
田骏
孙瑜
李天友
吕智宏
张祥林
杨凡
王明明
吴鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHAANXI WEIFENG NUCLEAR INSTRUMENT Inc
Shenzhen China Guangdong Nuclear Engineering Design Co Ltd
Original Assignee
SHAANXI WEIFENG NUCLEAR INSTRUMENT Inc
Shenzhen China Guangdong Nuclear Engineering Design Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHAANXI WEIFENG NUCLEAR INSTRUMENT Inc, Shenzhen China Guangdong Nuclear Engineering Design Co Ltd filed Critical SHAANXI WEIFENG NUCLEAR INSTRUMENT Inc
Priority to CN201811379683.0A priority Critical patent/CN109545403B/zh
Publication of CN109545403A publication Critical patent/CN109545403A/zh
Application granted granted Critical
Publication of CN109545403B publication Critical patent/CN109545403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21C—NUCLEAR REACTORS
    • G21C17/00—Monitoring; Testing ; Maintaining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Plasma & Fusion (AREA)
  • General Engineering & Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

一种反应堆堆内构件的健康管理方法及系统；所述反应堆堆内构件的健康管理方法，包括以下步骤：步骤S1、监测反应堆堆外中子噪声信号；步骤S2、根据反应堆堆外中子噪声信号的特征确定反应堆堆外中子噪声信号的ARMA功率谱估计模型；再基于该反应堆堆外中子噪声信号，并根据AIC准则或BIC准则确定所述ARMA功率谱估计模型的阶数，并进而确定ARMA功率谱估计模型的参数；步骤S3、基于已确定阶数和参数的ARMA功率谱估计模型获取与其对应的反应堆堆内构件的健康情况。本发明的反应堆堆内构件的健康管理方法及系统设计科学，实用性强。

Description

一种反应堆堆内构件的健康管理方法及系统
技术领域
本发明涉及核电领域，尤其涉及一种反应堆堆内构件的健康管理方法及系统，其通过利用新型谱分析方法和趋势分析方法监测反应堆堆内构件运行时的振动状态。
背景技术
核电站堆内构件振动监测是核电站反应堆健康运行的安全工作项目之一，国际标准(如IEC 61502、ASME OM-S/G-2000(Part 5))和国家核工业行业标准(EJ/T 1188-2005)规定，反应堆堆内构件振动监测技术可以通过中子噪声技术检测堆内构件和燃料组件的异常行为，为正在运行的反应堆堆内构件的振动提供数据支撑。
国际标准IEC 61502-1999指出，利用反应堆堆外中子噪声谱分析技术可间接检测反应堆堆内构件振动状态，并提供了具体实施方案，这也是现行多数核电厂堆内构件振动监测系统的设计依据。其采用反应堆堆外中子信号的自功率谱和互功率谱估算反应堆堆内构件振动状态，其使用的谱分析技术是传统的经典谱分析技术(平均周期图法)，要求采用汉宁(Hanning)加权窗，并进行至少64次平均，用相同的权对所有谱求和。
国际标准ASME OM-S/G-2000提出了功率谱密度的窄带与宽带分析技术，指出了中子噪声在宽带频带内归一化均方根值会随运行时间，燃耗加深或硼浓度的减少成线性增大。
以上现有技术存在以下缺陷：
1)作为一种非参数化谱估计方法，平均周期图法具有分辨率低、方差性差的固有缺陷，不能适应高分辨功率谱估计的需要，在低的分辨率要求及相同采样率的条件下，其需要的采样点数多，数据量大。
2)我国针对核电厂堆内构件振动监测的振动趋势预测研究较少，未将其纳入反应堆堆内构件健康管理数据监测范畴。
发明内容
本发明针对上述技术问题，提出一种反应堆堆内构件的健康管理方法及系统。
本发明所提出的技术方案如下：
本发明提出了一种反应堆堆内构件的健康管理方法，包括以下步骤：
步骤S1、监测反应堆堆外中子噪声信号；
步骤S2、根据反应堆堆外中子噪声信号的特征确定反应堆堆外中子噪声信号的ARMA功率谱估计模型；再基于该反应堆堆外中子噪声信号，并根据AIC准则或BIC准则确定所述ARMA功率谱估计模型的阶数，并进而确定ARMA功率谱估计模型的参数；
步骤S3、基于已确定阶数和参数的ARMA功率谱估计模型获取与其对应的反应堆堆内构件的健康情况。
本发明上述的健康管理方法中，所述ARMA功率谱估计模型为：
Figure BDA0001868573610000021
Figure BDA0001868573610000022
其中，q为MA阶数；
p为AR阶数；
a1，a2，…，ap表示AR参数；
Cx(k)表示{x(n)}的协方差函数；
x(n)表示序数为n的离散的反应堆堆外中子噪声信号。
本发明上述的健康管理方法中，当根据AIC准则确定所述ARMA功率谱估计模型的阶数时，步骤S2包括：
将AIC函数定义为：
Figure BDA0001868573610000031
其中，
Figure BDA0001868573610000032
表示拟合ARMA功率谱估计模型时的残差之方差；
N表示反应堆堆外中子噪声信号的数据总数；
根据所监测获取的反应堆堆外中子噪声信号，AIC函数值趋于稳定时将其中AIC函数值的最小值对应的p和q，并以此分别作为ARMA功率谱估计模型的AR阶数和MA阶数。
本发明上述的健康管理方法中，步骤S2还包括：
令M≥pe,pe≥p,qe≥q，且qe-pe≥q-p；并
根据Reae＝0；
Figure BDA0001868573610000033
Figure BDA0001868573610000035
Figure BDA0001868573610000034
从而计算得到ARMA功率谱估计模型的AR参数。
本发明上述的健康管理方法中，步骤S1还包括设置偏差阈值的步骤；
步骤S3还包括：当反应堆堆外中子噪声信号的已确定阶数和参数的ARMA功率谱估计模型在某一时间段内的累计偏差超过偏差阈值时，会自动产生报警。
本发明还提出了一种反应堆堆内构件的健康管理系统，包括：
实时监测模块，用于监测反应堆堆外中子噪声信号；
基准数据库建立模块，用于根据反应堆堆外中子噪声信号的特征确定反应堆堆外中子噪声信号的ARMA功率谱估计模型；再基于该反应堆堆外中子噪声信号，并根据AIC准则或BIC准则确定所述ARMA功率谱估计模型的阶数，并进而确定ARMA功率谱估计模型的参数；
频谱分析模块，用于基于已确定阶数和参数的ARMA功率谱估计模型获取与其对应的反应堆堆内构件的健康情况。
本发明上述的健康管理系统中，所述ARMA功率谱估计模型为：
Figure BDA0001868573610000041
Figure BDA0001868573610000042
其中，q为MA阶数；
p为AR阶数；
a1，a2，…，ap表示AR参数；
Cx(k)表示{x(n)}的协方差函数；
x(n)表示序数为n的离散的反应堆堆外中子噪声信号。
本发明上述的健康管理系统中，当根据AIC准则确定所述ARMA功率谱估计模型的阶数时，基准数据库建立模块还用于：
将AIC函数定义为：
Figure BDA0001868573610000043
其中，
Figure BDA0001868573610000044
表示拟合ARMA功率谱估计模型时的残差之方差；
N表示反应堆堆外中子噪声信号的数据总数；
根据所监测获取的反应堆堆外中子噪声信号，AIC函数值趋于稳定时将其中AIC函数值的最小值对应的p和q，并以此分别作为ARMA功率谱估计模型的AR阶数和MA阶数。
本发明上述的健康管理系统中，基准数据库建立模块还用于：
令M≥pe,pe≥p,qe≥q，且qe-pe≥q-p；并
根据Reae＝0；
Figure BDA0001868573610000051
Figure BDA0001868573610000052
Figure BDA0001868573610000053
从而计算得到ARMA功率谱估计模型的AR参数。
本发明上述的健康管理系统中，还包括：
参数设置模块，用于设置偏差阈值；
趋势分析模块，用于当反应堆堆外中子噪声信号的已确定阶数和参数的ARMA功率谱估计模型在某一时间段内的累计偏差超过偏差阈值时，会自动产生报警。
本发明的反应堆堆内构件的健康管理方法及系统使用ARMA功率谱估计方法可以很好的对堆内构件振动进行谱分析，分析精度优于经典的平均周期法功率谱密度，适用于堆内构件振动状态下的低频段高精度分析；同时，通过设定偏差阈值，当反应堆堆外中子噪声信号的已确定阶数和参数的ARMA功率谱估计模型在某一时间段内的累计偏差超过偏差阈值时，会自动产生报警，从而能够进行趋势分析与预测，能更好地满足使用者需求。本发明的反应堆堆内构件的健康管理方法及系统设计科学，实用性强。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1示出了平均周期法求得模拟中子噪声信号功率谱估计图；
图2示出了AIC值随AR阶数的变化示意图；
图3示出了AR阶数为10时模拟中子噪声信号功率谱估计图的示意图；
图4示出了AR阶数为50时模拟中子噪声信号功率谱估计图的示意图；
图5示出了AR阶数为200时模拟中子噪声信号功率谱估计图的示意图；
图6示出了本发明实施例的反应堆堆内构件的健康管理方法的流程图；
图7示出了一组平稳随机数据采用图6所示的健康管理方法的ARMA预测(平稳序列)的示意图；
图8示出了一组发散随机数据采用图6所示的健康管理方法的ARMA预测(发散序列)的示意图；
图9示出了本发明优选实施例的反应堆堆内构件的健康管理系统的功能模块方框图；
图10示出了本发明的健康管理系统的工作流程图。
具体实施方式
本发明所要解决的技术问题是：平均周期图法分辨率低、方差性差的固有缺陷问题；现有核电厂堆内构件振动监测缺少振动趋势预测分析的问题。本发明就该技术问题而提出的技术思路是：利用ARMA(自回归滑动平均模型)功率谱估计方法进行堆内构件振动监测，并对功率谱的归一化均方根值及其它处理结果进行趋势分析，从而弥补现行堆内构件振动监测系统的缺点和不足。
为了使本发明的技术目的、技术方案以及技术效果更为清楚，以便于本领域技术人员理解和实施本发明，下面将结合附图及具体实施例对本发明做进一步详细的说明。
本发明提出了一种反应堆堆内构件的健康管理方法，包括以下步骤：
步骤S1、监测反应堆堆外中子噪声信号；
步骤S2、根据反应堆堆外中子噪声信号的特征确定反应堆堆外中子噪声信号的ARMA功率谱估计模型；再基于该反应堆堆外中子噪声信号，并根据AIC准则或BIC准则确定所述ARMA功率谱估计模型的阶数，并进而确定ARMA功率谱估计模型的参数；
在本步骤中，反应堆堆外中子噪声信号的ARMA功率谱估计模型ARMA(p,q)的离散随机过程满足如下差分方程：
Figure BDA0001868573610000071
其中，x(n)表示序数为n的离散的反应堆堆外中子噪声信号；
a1，a2，…，ap表示自回归(AR)参数；
p表示AR阶数；
e(n)表示序数为n的离散白噪声，满足e(n)～N(0，σ2)；
b1，b2，…，bq表示滑动平均(MA)参数；
q表示MA阶数；
然后，采用Kaveh谱估计子，则ARMA功率谱估计模型可表示为：
Figure BDA0001868573610000072
Figure BDA0001868573610000073
其中，q为MA阶数；
p为AR阶数；
a1，a2，…，ap表示AR参数；
Cx(k)表示{x(n)}的协方差函数。
对于上式中的ARMA功率谱估计模型，需要知道AR参数、MA阶数和AR阶数，而这些参数都可根据反应堆堆外中子噪声信号进行估计。
具体地，当根据AIC准则确定所述ARMA功率谱估计模型的阶数时，步骤S2包括：
将AIC函数定义为：
Figure BDA0001868573610000081
其中，
Figure BDA0001868573610000082
表示拟合ARMA功率谱估计模型时的残差之方差；
N表示反应堆堆外中子噪声信号的数据总数；
根据所监测获取的反应堆堆外中子噪声信号，AIC函数值趋于稳定时将其中AIC函数值的最小值对应的p和q，并以此分别作为ARMA功率谱估计模型的AR阶数和MA阶数。
进一步地，令M≥pe,pe≥p,qe≥q，且qe-pe≥q-p；并
根据Reae＝0；
Figure BDA0001868573610000083
Figure BDA0001868573610000084
Figure BDA0001868573610000085
从而计算得到ARMA功率谱估计模型的AR参数。
在现有的技术中，设堆内构件正常运行状态下，测得一组反应堆堆外中子噪声信号x(n)为：
Figure BDA0001868573610000086
其中，n＝5000
式(12)中v(n)为一均值为0，方差为1的高斯白噪声。
采用经典谱分析技术(平均周期图法)，并采用汉宁(Hanning)加权窗，进行100次平均，得出该反应堆堆外中子噪声信号的功率谱估计，如图1所示。
而在本实施例中，本发明的健康管理方法采用ARMA功率谱估计方法，首先确定AR阶数。AR阶数采用AIC判定准则，如图2所示，图2示出了AIC值随AR阶数的变化示意图；当AR阶数p大于50时，AIC值趋于稳定。
设AR阶数分别为10，50，200时，ARMA功率谱估计图像分别如图3、图4以及图5所示。由图3、图4以及图5对比可以得出，AR阶数最小取值为AIC值趋于稳定时对应的(p,q)值，否则将会出现由于阶数太小，ARMA谱估算误差太大，即出现图3所示的ARMA功率谱估计。
步骤S3、基于已确定阶数和参数的ARMA功率谱估计模型获取与其对应的反应堆堆内构件的健康情况。
具体地，对比图4、图5与图1可以得出，ARMA得出的谱估计峰值对应频率分别为8，16。与模拟中子噪声信号的频率完全对应，而传统使用平均周期法得到的功率谱峰值频率8.008和16.02，与模拟中子噪声信号频率有一定偏差。通过该对比可以得出，使用ARMA功率谱估计方法可以很好的对堆内构件振动进行谱分析，分析精度优于经典的平均周期法功率谱密度，适用于堆内构件振动状态下的低频段高精度分析。通过上述技术方案，根据所估计的反应堆堆内构件的振动情况，进行对应的健康管理措施，实现反应堆对内构件的健康管理。
对于该系统监测结果的趋势分析与预测也是本健康管理方法所提出的重要内容。由于本健康管理方法并非实时的采集显示系统，吊篮松动、堆内构件振动异常发生在整个反应堆燃料循环中，且其为一缓慢持续的过程，本健康管理方法通过设置偏差阈值，当反应堆堆外中子噪声信号的已确定阶数和参数的ARMA功率谱估计模型在某一时间段内的累计偏差超过偏差阈值时，会自动产生报警。由于该检测系统为一长时分析系统，因此本系统提出了结果参数的趋势分析与预测，能更好地满足使用者需求。
进一步地，本发明还提出了一种反应堆堆内构件的健康管理方法的实施例，其流程图如图6所示。设分析结果(即一组反应堆堆外中子噪声信号数据)为一组平稳随机数据，对该组数据采用ARMA预测法，预测其70组后的30组数据，ARMA(p，q)的阶数选取满足AIC判定准则，预测结果如下图7所示。
假设分析结果(即一组反应堆堆外中子噪声信号数据)为一组发散随机数据，对该组数据采用ARMA预测法，预测其70组后的30组数据，预测结果如图8所示。
由图7、图8可以看出，对于堆内构件振动监测这种长时监测的健康管理方法，使用ARMA参数预测法对其结果参数的预测是合理的，预测结果是可信的，这种参数预测可帮助用户在堆内构件结果数据累计偏差未超过设定阈值而进行提前预报警，从而使堆内构件振动监测更加方便智能。
进一步地，本发明还提出了一种反应堆堆内构件的健康管理系统。该健康管理系统利用ARMA(自回归滑动平均模型)功率谱估计方法进行堆内构件振动监测，并可对功率谱的归一化均方根值及其它处理结果进行趋势分析，从而弥补现行堆内构件振动监测系统的缺点和不足。
具体地，健康管理系统主要包括以下几个功能模块：主控模块100、系统自检模块200、参数设置模块300、基准数据库建立模块400、实时监测模块500、频谱分析模块600、趋势分析模块700和记录查询模块800，如图9所示。
如图10所示，图10示出了本发明的健康管理系统的工作流程图。其中，系统自检、参数设置、实时监测、以及基准数据库建立中的部分内容都属于传统监测软件设计模块，对其设计应符合行业相关标准ASME OM-S/G-2000(Part5)、IEC 61502-1999、EJ/T 1188-2005及软件设计规范GB 8566-2007。对于堆内构件健康管理系统中的频谱分析模块中的功率谱分析以及处理结果的趋势分析是本发明所研究的主要内容。
具体地，所述反应堆堆内构件的健康管理系统，包括：
实时监测模块500，用于监测反应堆堆外中子噪声信号；
基准数据库建立模块400，用于根据反应堆堆外中子噪声信号的特征确定反应堆堆外中子噪声信号的ARMA功率谱估计模型；再基于该反应堆堆外中子噪声信号，并根据AIC准则或BIC准则确定所述ARMA功率谱估计模型的阶数，并进而确定ARMA功率谱估计模型的参数；
在这里，反应堆堆外中子噪声信号的ARMA功率谱估计模型ARMA(p,q)的离散随机过程满足如下差分方程：
Figure BDA0001868573610000101
其中，x(n)表示序数为n的离散的反应堆堆外中子噪声信号；
a1，a2，…，ap表示自回归(AR)参数；
p表示AR阶数；
e(n)表示序数为n的离散白噪声，满足e(n)～N(0，σ2)；
b1，b2，…，bq表示滑动平均(MA)参数；
q表示MA阶数；
然后，采用Kaveh谱估计子，则ARMA功率谱估计模型可表示为：
Figure BDA0001868573610000111
Figure BDA0001868573610000112
其中，q为MA阶数；
p为AR阶数；
a1，a2，…，ap表示AR参数；
Cx(k)表示{x(n)}的协方差函数。
对于上式中的ARMA功率谱估计模型，需要知道AR参数、MA阶数和AR阶数，而这些参数都可根据反应堆堆外中子噪声信号进行估计。
具体地，当根据AIC准则确定所述ARMA功率谱估计模型的阶数时，基准数据库建立模块400，还用于：
将AIC函数定义为：
Figure BDA0001868573610000113
其中，
Figure BDA0001868573610000114
表示拟合ARMA功率谱估计模型时的残差之方差；
N表示反应堆堆外中子噪声信号的数据总数；
根据所监测获取的反应堆堆外中子噪声信号，AIC函数值趋于稳定时将其中AIC函数值的最小值对应的p和q，并以此分别作为ARMA功率谱估计模型的AR阶数和MA阶数。
进一步地，令M≥pe,pe≥p,qe≥q，且qe-pe≥q-p；并
根据Reae＝0；
Figure BDA0001868573610000121
Figure BDA0001868573610000122
Figure BDA0001868573610000123
从而计算得到ARMA功率谱估计模型的AR参数。
频谱分析模块600，用于基于已确定阶数和参数的ARMA功率谱估计模型获取与其对应的反应堆堆内构件的健康情况。
对于该系统监测结果的趋势分析与预测也是本健康管理系统所提出的重要内容。由于本健康管理系统并非实时的采集显示系统，吊篮松动、堆内构件振动异常发生在整个反应堆燃料循环中，且其为一缓慢持续的过程，本健康管理系统还包括趋势分析模块700，其通过设置偏差阈值，当反应堆堆外中子噪声信号的已确定阶数和参数的ARMA功率谱估计模型在某一时间段内的累计偏差超过偏差阈值时，会自动产生报警。由于该检测系统为一长时分析系统，因此本系统提出了结果参数的趋势分析与预测，能更好地满足使用者需求。
本发明的反应堆堆内构件的健康管理方法及系统使用ARMA功率谱估计方法可以很好的对堆内构件振动进行谱分析，分析精度优于经典的平均周期法功率谱密度，适用于堆内构件振动状态下的低频段高精度分析；同时，通过设定偏差阈值，当反应堆堆外中子噪声信号的已确定阶数和参数的ARMA功率谱估计模型在某一时间段内的累计偏差超过偏差阈值时，会自动产生报警，从而能够进行趋势分析与预测，能更好地满足使用者需求。本发明的反应堆堆内构件的健康管理方法及系统设计科学，实用性强。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.一种反应堆堆内构件的健康管理方法，其特征在于，包括以下步骤：
步骤S1、监测反应堆堆外中子噪声信号；
步骤S2、根据反应堆堆外中子噪声信号的特征确定反应堆堆外中子噪声信号的ARMA功率谱估计模型；再基于该反应堆堆外中子噪声信号，并根据AIC准则或BIC准则确定所述ARMA功率谱估计模型的阶数，并进而确定ARMA功率谱估计模型的参数；
步骤S3、基于已确定阶数和参数的ARMA功率谱估计模型获取与其对应的反应堆堆内构件的健康情况；其中，所述ARMA功率谱估计模型为：
Figure FDA0002529526300000011
Figure FDA0002529526300000012
其中，q为MA阶数；
p为AR阶数；
a1，a2，…，ap表示AR参数；
Cx(k)表示{x(n)}的协方差函数；
x(n)表示序数为n的离散的反应堆堆外中子噪声信号。
2.根据权利要求1所述的健康管理方法，其特征在于，当根据AIC准则确定所述ARMA功率谱估计模型的阶数时，步骤S2包括：
将AIC函数定义为：
Figure FDA0002529526300000013
其中，
Figure FDA0002529526300000014
表示拟合ARMA功率谱估计模型时的残差之方差；
N表示反应堆堆外中子噪声信号的数据总数；
根据所监测获取的反应堆堆外中子噪声信号，AIC函数值趋于稳定时将其中AIC函数值的最小值对应的p和q，并以此分别作为ARMA功率谱估计模型的AR阶数和MA阶数。
3.根据权利要求2所述的健康管理方法，其特征在于，步骤S2还包括：
令M≥pe,pe≥p,qe≥q，且qe-pe≥q-p；并
根据Reae＝0；
Figure FDA0002529526300000021
Figure FDA0002529526300000022
Figure FDA0002529526300000023
从而计算得到ARMA功率谱估计模型的AR参数；
其中，pe是所选模型AR阶数的扩展阶数；qe是所选模型MA阶数的扩展阶数；l是大于MA阶数扩展阶数qe任一整数；M是大于AR阶数扩展阶数pe的任一整数；RX(l)是l个观测样本的自相关；
Re表示由自相关函数R组成的阶数为M*(pe+1)的矩阵，相当于自相关函数R的集合；
ae表示pe+1个AR参数，只是AR参数的集合；
Rx表示自相关函数。
4.根据权利要求1所述的健康管理方法，其特征在于，步骤S1还包括设置偏差阈值的步骤；
步骤S3还包括：当反应堆堆外中子噪声信号的已确定阶数和参数的ARMA功率谱估计模型在某一时间段内的累计偏差超过偏差阈值时，会自动产生报警。
5.一种反应堆堆内构件的健康管理系统，其特征在于，包括：
实时监测模块(500)，用于监测反应堆堆外中子噪声信号；
基准数据库建立模块(400)，用于根据反应堆堆外中子噪声信号的特征确定反应堆堆外中子噪声信号的ARMA功率谱估计模型；再基于该反应堆堆外中子噪声信号，并根据AIC准则或BIC准则确定所述ARMA功率谱估计模型的阶数，并进而确定ARMA功率谱估计模型的参数；
频谱分析模块(600)，用于基于已确定阶数和参数的ARMA功率谱估计模型获取与其对应的反应堆堆内构件的健康情况；
其中，所述ARMA功率谱估计模型为：
Figure FDA0002529526300000031
Figure FDA0002529526300000032
其中，q为MA阶数；
p为AR阶数；
a1，a2，…，ap表示AR参数；
Cx(k)表示{x(n)}的协方差函数；
x(n)表示序数为n的离散的反应堆堆外中子噪声信号。
6.根据权利要求5所述的健康管理系统，其特征在于，当根据AIC准则确定所述ARMA功率谱估计模型的阶数时，基准数据库建立模块(400)还用于：
将AIC函数定义为：
Figure FDA0002529526300000033
其中，
Figure FDA0002529526300000034
表示拟合ARMA功率谱估计模型时的残差之方差；
N表示反应堆堆外中子噪声信号的数据总数；
根据所监测获取的反应堆堆外中子噪声信号，AIC函数值趋于稳定时将其中AIC函数值的最小值对应的p和q，并以此分别作为ARMA功率谱估计模型的AR阶数和MA阶数。
7.根据权利要求6所述的健康管理系统，其特征在于，基准数据库建立模块(400)还用于：
令M≥pe,pe≥p,qe≥q，且qe-pe≥q-p；并
根据Reae＝0；
Figure FDA0002529526300000041
Figure FDA0002529526300000042
Figure FDA0002529526300000043
从而计算得到ARMA功率谱估计模型的AR参数；
其中，pe是所选模型AR阶数的扩展阶数；qe是所选模型MA阶数的扩展阶数；l是大于MA阶数扩展阶数qe任一整数；M是大于AR阶数扩展阶数pe的任一整数；RX(l)是l个观测样本的自相关；
Re表示由自相关函数R组成的阶数为M*(pe+1)的矩阵，相当于自相关函数R的集合；
ae表示pe+1个AR参数，只是AR参数的集合；
Rx表示自相关函数。
8.根据权利要求5所述的健康管理系统，其特征在于，还包括：
参数设置模块(300)，用于设置偏差阈值；
趋势分析模块(700)，用于当反应堆堆外中子噪声信号的已确定阶数和参数的ARMA功率谱估计模型在某一时间段内的累计偏差超过偏差阈值时，会自动产生报警。
CN201811379683.0A 2018-11-16 2018-11-16 一种反应堆堆内构件的健康管理方法及系统 Active CN109545403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811379683.0A CN109545403B (zh) 2018-11-16 2018-11-16 一种反应堆堆内构件的健康管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811379683.0A CN109545403B (zh) 2018-11-16 2018-11-16 一种反应堆堆内构件的健康管理方法及系统

Publications (2)

Publication Number Publication Date
CN109545403A CN109545403A (zh) 2019-03-29
CN109545403B true CN109545403B (zh) 2020-08-11

Family

ID=65848356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811379683.0A Active CN109545403B (zh) 2018-11-16 2018-11-16 一种反应堆堆内构件的健康管理方法及系统

Country Status (1)

Country Link
CN (1) CN109545403B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206114107U (zh) * 2016-09-25 2017-04-19 陕西卫峰核电子有限公司 一种核电站冷却剂泵和控制棒驱动机构风机的振动监测系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5076998A (en) * 1990-06-21 1991-12-31 Westinghouse Electric Corp. Monitoring of low frequency pulse rate
CN101685678B (zh) * 2008-09-27 2012-11-21 中国核动力研究设计院 反应堆的堆内构件振动监测系统
CN101533045B (zh) * 2008-12-31 2011-04-13 重庆大学 一种中子脉冲序列的频谱分析方法
JP5531277B2 (ja) * 2010-06-16 2014-06-25 日立Ｇｅニュークリア・エナジー株式会社 原子炉起動領域中性子監視装置
CN102736558A (zh) * 2011-04-07 2012-10-17 姚晓栋 基于时间序列算法的数控机床热误差实时补偿建模方法
CN102222136B (zh) * 2011-05-26 2013-05-22 西安交通大学 基于稳态图的arma模型阶次确定方法
CN105225433B (zh) * 2015-08-22 2017-10-10 上海核工程研究设计院 一种核电站松动部件监测报警系统及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206114107U (zh) * 2016-09-25 2017-04-19 陕西卫峰核电子有限公司 一种核电站冷却剂泵和控制棒驱动机构风机的振动监测系统

Also Published As

Publication number Publication date
CN109545403A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109977535B (zh) 一种线损异常诊断方法、装置、设备及可读存储介质
EP0746855B1 (en) System for monitoring an industrial process and determining sensor status
US7054769B2 (en) Statistical method and apparatus for monitoring parameters in an electric power distribution system
US6240372B1 (en) System for surveillance of spectral signals
CN108696368B (zh) 一种网元健康状态的检测方法及设备
CN103728429A (zh) 水质在线监测方法及监测系统
CN110930052A (zh) 一种变电设备故障率预测方法，系统，设备及可读存储介质
CN117439827B (zh) 一种网络流量大数据分析方法
CN115115282A (zh) 一种高电压台区电力系统数据分析方法
CN105974223B (zh) 一种用于在线检测用电设备工作状态的方法及系统
CN117886241B (zh) 基于振动分析的塔式起重机自检系统
CN117971625B (zh) 基于计算机云平台的性能数据智能监测系统
CN113592308A (zh) 一种基于常态模型的监测数据告警阈值提取方法
US9535917B1 (en) Detection of anomalous utility usage
CN111339986A (zh) 基于时域/频域分析的装备用频规律挖掘方法和系统
CN109613372B (zh) 一种基于多元电网数据库的电网故障诊断方法
CN102346948A (zh) 一种周界入侵检测方法和系统
CN117169804B (zh) 基于合电流矢量分析的电流互感器误差状态在线辨识方法
CN109545403B (zh) 一种反应堆堆内构件的健康管理方法及系统
CN103928923B (zh) 一种基于灵敏度分析的网络稳态电能质量预警方法
CN101923605B (zh) 铁路防灾风预警方法
CN116307886A (zh) 一种企业生产状态的实时监测方法及装置
Montalvo et al. Improving the in situ measurement of RTD response times through discrete wavelet transform in NPP
Deng et al. A fractional hilbert transform order optimization algorithm based DE for bearing health monitoring
CN110069809B (zh) 一种基于蒙特卡罗模拟法的go法中的不确定性分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant