CN110415844A - 基于动作关键时序的控制棒驱动机构性能评估方法及系统 - Google Patents
基于动作关键时序的控制棒驱动机构性能评估方法及系统 Download PDFInfo
- Publication number
- CN110415844A CN110415844A CN201910542391.2A CN201910542391A CN110415844A CN 110415844 A CN110415844 A CN 110415844A CN 201910542391 A CN201910542391 A CN 201910542391A CN 110415844 A CN110415844 A CN 110415844A
- Authority
- CN
- China
- Prior art keywords
- signal
- drive mechanism
- control rod
- rod drive
- current
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
- G21C17/10—Structural combination of fuel element, control rod, reactor core, or moderator structure with sensitive instruments, e.g. for measuring radioactivity, strain
-
- 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
本发明公开一种基于动作关键时序的控制棒驱动机构性能评估方法,包括:获取一段时间的电流相关信号和振动信号;进行周期划分,得到N个完整的CRDM提棒信号;提取时序关键点,形成特征向量;建立决策函数,通过决策函数获得正常信号的基准距离;获取实时电流相关信号和振动信号,对获取到的电流相关信号和振动信号进行周期划分,得到当前时刻的CRDM提棒信号;提取实时时序关键点,形成特征向量;建立当前数据决策函数,得到当前特征向量到正常信号的基准距离之间的差值,根据差值来判断控制棒驱动机构是否出现性能衰退。本发明能够实现对CRDM的在线性能评估,有助于实现CRDM设备的预测性维护;能够自动实现对原始CRDM信号的周期划分,解决了在线监测的难题。
Description
技术领域
本发明涉及性能评估技术领域,尤其涉及一种基于动作关键时序的控制棒驱动机构性能评估方法及系统。
背景技术
控制棒驱动机构(Control Rod Drive Mechanism,CRDM)是核电站反应堆控制系统和安全保护系统的一种伺服机构,其中磁力提升型CRDM是当前最常用的机构类型。由于CRDM 是核反应堆压力容器内唯一可动部件,其故障或性能退化都会直接导致卡棒、失步等事故,从而严重影响机组的安全可靠运行。因此,有必要采用实时监测手段对CRDM进行在线性能评估,尽可能早的发现其性能劣化趋势。查阅相关资料发现,现阶段没有明确的关于CRDM 性能在线评估的技术文献,一般的研究都聚焦于通过电流信号分析来实现对CRDM的离线故障诊断。此外,CRDM作为控制核反应堆运行的重要部件,由于其机械结构紧凑、工作环境恶劣且安全标准严苛,对监测方案的可靠性要远高于一般机械设备,这样又对传感器的类型、数量和安装方式提出了更多的限制要求。不仅在线监测结果不够精确,反而误差会很大。
发明内容
本发明针对现有技术中的缺点,提供了一种基于动作关键时序的控制棒驱动机构性能评估方法及系统。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种基于动作关键时序的控制棒驱动机构性能评估方法,包括以下步骤:
获取一段时间的N个周期的若干路电流相关信号和至少一路振动信号;
对获取到的电流相关信号和振动信号进行周期划分,得到N个完整的控制棒驱动机构提棒信号;
基于N个完整的控制棒驱动机构提棒信号,提取控制棒驱动机构在提棒过程中的时序关键点,并提取若干个信号关键特征,形成特征向量;
基于特征向量建立决策函数,通过决策函数获得正常信号的基准距离;
在线获取实时电流相关信号和振动信号,对获取到的电流相关信号和振动信号进行周期划分,得到当前时刻的控制棒驱动机构提棒信号;
基于当前时刻的控制棒驱动机构提棒信号,提取控制棒驱动机构在提棒过程的实时时序关键点,并提取若干个信号关键特征,形成特征向量;
基于特征向量建立当前数据决策函数,得到当前特征向量到正常信号的基准距离之间的差值,根据差值来判断控制棒驱动机构是否出现性能衰退。
作为一种可实施方式,所述获取一段时间的N个周期的若干路电流相关信号和至少一路振动信号,电流相关信号为电流数据或者功率数据,若干路电流相关信号为3路或者其他数据。
作为一种可实施方式,所述对获取到的电流相关数据和振动信号进行周期划分,采用上升沿截断的方法进行周期划分,具体步骤为:
选择电流相关信号或者振动信号作为周期切分的目标;
对电流相关信号或者振动信号进行滤波,得到滤波后的结果;
基于滤波结果,提取电流相关信号或者振动信号中联系上升超过设定值K个点的信号段,将此新号段的起始点作为周期切断点;
进而将获取到的N个周期的若干路电流相关信号或振动信号进行切分,获得N个完整的控制棒驱动机构提棒信号。
作为一种可实施方式,所述提取若干个信号关键特征,具体为:提取61个信号关键特征,包括6个时序关键点的位置特征、15个时序关键点位置差值特征、20个相邻时序关键点之间信号的均值特征、20个相邻时序关键点之间信号的方差特征。
作为一种可实施方式,所述基于特征向量建立决策函数,通过决策函数获得正常信号的基准距离,具体步骤为:
基于SVDD算法计算,寻找一个包容体积最小的超球面,并选用高斯核函数K(x,y)对超球体进行优化,进而决策函数表示为:
其中,αi,αj是由训练得到的对应于xi,xj的系数,当系数为零时对应的目标样本称为支持向量xs,i和j是输入样本的序号,总共有N个样本,每个样本就是一个x,α是拉格朗日乘子,z代表的是新的数据点;
则超球体的半径表示为
作为一种可实施方式,所述基于特征向量建立当前数据决策函数,得到当前特征向量到正常信号的基准距离之间的差值,根据差值来判断控制棒驱动机构是否出现性能衰退,具体步骤为:
将当前特征向量所对应的决策函数f(z),则当前特征向量到正常信号的基准距离之间的差值表示为
若HI≤0,则表示控制棒驱动机构处于正常状态;若HI>0,表示控制棒驱动机构出现了性能衰退。
一种基于动作关键时序的控制棒驱动机构性能评估系统,包括获取模块,划分模块、第一处理模块、决策函数建立模块、获取划分模块、第二处理模块、建立判断模块:
所述获取模块,用于获取一段时间的N个周期的若干路电流相关信号和至少一路振动信号;
所述划分模块,用于对获取到的电流相关信号和振动信号进行周期划分,得到N个完整的控制棒驱动机构提棒信号;
所述第一处理模块,用于基于N个完整的控制棒驱动机构提棒信号,提取控制棒驱动机构在提棒过程中的时序关键点,并提取若干个信号关键特征,形成特征向量;
所述决策函数建立模块,用于基于特征向量建立决策函数,通过决策函数获得正常信号的基准距离;
所述获取划分模块,用于在线获取实时电流相关信号和振动信号,对获取到的电流相关信号和振动信号进行周期划分,得到当前时刻的控制棒驱动机构提棒信号;
所述第二处理模块,用于基于当前时刻的控制棒驱动机构提棒信号,提取控制棒驱动机构在提棒过程的实时时序关键点,并提取若干个信号关键特征,形成特征向量;
所述建立判断模块,用于基于特征向量建立当前数据决策函数,得到当前特征向量到正常信号的基准距离之间的差值,根据差值来判断控制棒驱动机构是否出现性能衰退。
作为一种可实施方式,所述划分模块被设置为:
选择电流相关信号或者振动信号作为周期切分的目标;
对电流相关信号或者振动信号进行滤波,得到滤波后的结果;
基于滤波结果,提取电流相关信号或者振动信号中联系上升超过设定值K个点的信号段,将此新号段的起始点作为周期切断点;
进而将获取到的N个周期的若干路电流相关信号或振动信号进行切分,获得N个完整的控制棒驱动机构提棒信号。
作为一种可实施方式,所述决策函数建立模块被设置为:
基于SVDD算法计算,寻找一个包容体积最小的超球面,并选用高斯核函数K(x,y)对超球体进行优化,进而决策函数表示为:
其中,αi,αj是由训练得到的对应于xi,xj的系数,当系数为零时对应的目标样本称为支持向量xs,i和j是输入样本的序号,总共有N个样本,每个样本就是一个x,α是拉格朗日乘子,z代表的是新的数据点;
则超球体的半径表示为
作为一种可实施方式,所述建立判断模块被设置为:
将当前特征向量所对应的决策函数f(z),则当前特征向量到正常信号的基准距离之间的差值表示为
若HI≤0,则表示控制棒驱动机构处于正常状态;若HI>0,表示控制棒驱动机构出现了性能衰退。
本发明由于采用了以上技术方案,具有显著的技术效果:
本发明能够实现对CRDM的在线性能评估,有助于实现CRDM设备的预测性维护;能够自动实现对原始CRDM信号的周期划分,解决了在线监测的难题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的整体流程示意图;
图2是本发明的整体结构示意图;
图3是本发明实施例中提取的原始波形图;
图4是滤波效果图;
图5是提升过程时序关键点;
图6是提取的时序关键点波动;
图7 SVDD算法原理图;
图8基于本发明的方法形成的性能退化结果展示;
图9本发明的系统构架图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
一种基于动作关键时序的控制棒驱动机构性能评估方法,如图1所示,包括以下步骤:
S100、获取一段时间的N个周期的若干路电流相关信号和至少一路振动信号;
S200、对获取到的电流相关信号和振动信号进行周期划分,得到N个完整的控制棒驱动机构提棒信号;
S300、基于N个完整的控制棒驱动机构提棒信号,提取控制棒驱动机构在提棒过程中的时序关键点,并提取若干个信号关键特征,形成特征向量;
S400、基于特征向量建立决策函数,通过决策函数获得正常信号的基准距离;
S500、在线获取实时电流相关信号和振动信号,对获取到的电流相关信号和振动信号进行周期划分,得到当前时刻的控制棒驱动机构提棒信号;
S600、基于当前时刻的控制棒驱动机构提棒信号,提取控制棒驱动机构在提棒过程的实时时序关键点,并提取若干个信号关键特征,形成特征向量;
S700、基于特征向量建立当前数据决策函数,得到当前特征向量到正常信号的基准距离之间的差值,根据差值来判断控制棒驱动机构是否出现性能衰退。
在本发明中,控制棒驱动机构正常提升时七个动作点依次为:传递勾爪抓入、保持勾爪退出、负荷传递、提升衔铁吸合、保持勾爪抓入、传递勾爪退出和提升衔铁释放,其中保持勾爪退出和符合传递两者基本为连续过程,此处将其处理为一个关键时序点。
需要详细说明的是,步骤S500-步骤S700中,这些步骤的实现方式和S100-S400的实现方式是相同的。因此,本发明重点讲述了步骤S100-S400的实现方式。
在步骤S100中,所述获取一段时间的N个周期的若干路电流相关信号和至少一路振动信号,电流相关信号为电流数据或者功率数据,若干路电流相关信号为3路或者其他数据。如图2所示,本实施例中就是3路电流信号和1路振动信号,其中VB表示振动信号。
在步骤S200中,所述对获取到的电流相关数据和振动信号进行周期划分,采用上升沿截断的方法进行周期划分,具体步骤为:
选择电流相关信号或者振动信号作为周期切分的目标;
对电流相关信号或者振动信号进行滤波,得到滤波后的结果;
基于滤波结果,提取电流相关信号或者振动信号中联系上升超过设定值K个点的信号段,将此新号段的起始点作为周期切断点;
进而将获取到的N个周期的若干路电流相关信号或振动信号进行切分,获得N个完整的控制棒驱动机构提棒信号。
基于以上步骤,更加具体地,选择LC信号作为周期切分目标信号;
由于实际电流信号存在着噪声干扰,在上升阶段并非严格单调递增,必须对其进行滤波,此处采用中值滤波,假设LC原始信号为x=x1,x2,...,xn,则滤波后信号可表示为信号滤波效果如图4所示;
提取信号中连续上升超过K个点的信号段,取其起始点为周期切断点;
将原始信号进行切分,获得N个完整的CRDM控制棒驱动机构提棒信号。
在步骤S300中,提取关键特征,可以参见附图5,给出了单周期提棒过程的各个机械动作点,将其从左到有分别表示为P1,P2,P3,P4,P5和P6。根据各个时序关键点在不同信号通道中的表现形式,分别采用不同的方式进行提取,具体如表1所示。图6为采用当前关键点提取方法对原始信号247个周期进行关键点提取后的具体值,其中P1-P6关键点的波动范围分别为0.0440s、0.0095s、0.0345s、0.0190s、0.0310s和0.0150s,远远小于判断时序异常的标准,证明了各个时序关键点提取算法的可靠性。
表1时序关键点提取方法汇总
另外,在步骤S300中,所述提取若干个信号关键特征,具体为:提取61个信号关键特征,包括6个时序关键点的位置特征、15个时序关键点位置差值特征、20个相邻时序关键点之间信号的均值特征、20个相邻时序关键点之间信号的方差特征。
为构建有效的决策函数,此处采用支持向量数据描述(Support Vector DataDescription, SVDD)算法,如图7所示,是SVVD算法的原理图。SVDD是一种重要的数据描述方法,它能够寻求一个包含所有或几乎所有的目标样本且体积最小的超球体或域,实现对目标数据的超球形描述。若将步骤5所获得的特征通过非线性映射,落入最优超球体内,则该样本被视为一个正常点;否则,样本在特征空间中的像落入到最优超球体外,则该样本被视为一个异常点,而其性能退化程度可以由到最优超球体的距离决定。更加具体地在步骤S400中,所述基于特征向量建立决策函数,通过决策函数获得正常信号的基准距离,具体步骤为:
基于SVDD算法计算,寻找一个包容体积最小的超球面,并选用高斯核函数K(x,y)对超球体进行优化,进而决策函数表示为:
其中,αi,αj是由训练得到的对应于xi,xj的系数,当系数为零时对应的目标样本称为支持向量xs,i和j是输入样本的序号,总共有N个样本,每个样本就是一个x,α是拉格朗日乘子,z代表的是新的数据点;
则超球体的半径表示为
更加具体地,所述基于特征向量建立当前数据决策函数,得到当前特征向量到正常信号的基准距离之间的差值,根据差值来判断控制棒驱动机构是否出现性能衰退,具体步骤为:
将当前特征向量所对应的决策函数f(z),则当前特征向量到正常信号的基准距离之间的差值表示为
若HI≤0,则表示控制棒驱动机构处于正常状态;若HI>0,表示控制棒驱动机构出现了性能衰退。
为验证算法的有效性,对某一具有失步故障的CRDM设备进行评估,结果如图8所示。图中黑色‘○’表示健康的基准样本,‘*’表示支持向量,红色‘○’表示异常样本。正常状态下的样本点在图中基本处于HI≤0的位置,而出现性能退化的样本则远离支持向量。该试例结果表明,本发明提出的基于动作关键时序的控制棒驱动机构性能评估方法能够有效的评估 CRDM的状态,具有广阔的应用前景。
实施例2:
一种基于动作关键时序的控制棒驱动机构性能评估系统,如图2所示,包括获取模块100,划分模块200、第一处理模块300、决策函数建立模块400、获取划分模块500、第二处理模块600、建立判断模块700:
所述获取模块100,用于获取一段时间的N个周期的若干路电流相关信号和至少一路振动信号;
所述划分模块200,用于对获取到的电流相关信号和振动信号进行周期划分,得到N个完整的控制棒驱动机构提棒信号;
所述第一处理模块300,用于基于N个完整的控制棒驱动机构提棒信号,提取控制棒驱动机构在提棒过程中的时序关键点,并提取若干个信号关键特征,形成特征向量;
所述决策函数建立模块400,用于基于特征向量建立决策函数,通过决策函数获得正常信号的基准距离;
所述获取划分模块500,用于在线获取实时电流相关信号和振动信号,对获取到的电流相关信号和振动信号进行周期划分,得到当前时刻的控制棒驱动机构提棒信号;
所述第二处理模块600,用于基于当前时刻的控制棒驱动机构提棒信号,提取控制棒驱动机构在提棒过程的实时时序关键点,并提取若干个信号关键特征,形成特征向量;
所述建立判断模块700,用于基于特征向量建立当前数据决策函数,得到当前特征向量到正常信号的基准距离之间的差值,根据差值来判断控制棒驱动机构是否出现性能衰退。
更进一步地,所述划分模块200被设置为:
选择电流相关信号或者振动信号作为周期切分的目标;
对电流相关信号或者振动信号进行滤波,得到滤波后的结果;
基于滤波结果,提取电流相关信号或者振动信号中联系上升超过设定值K个点的信号段,将此新号段的起始点作为周期切断点;
进而将获取到的N个周期的若干路电流相关信号或振动信号进行切分,获得N个完整的控制棒驱动机构提棒信号。
所述决策函数建立模块400被设置为:
基于SVDD算法计算,寻找一个包容体积最小的超球面,并选用高斯核函数K(x,y)对超球体进行优化,进而决策函数表示为:
其中,αi,αj是由训练得到的对应于xi,xj的系数,当系数为零时对应的目标样本称为支持向量xs,i和j是输入样本的序号,总共有N个样本,每个样本就是一个x,α是拉格朗日乘子,z代表的是新的数据点;
则超球体的半径表示为
所述建立判断模块700被设置为:
将当前特征向量所对应的决策函数f(z),则当前特征向量到正常信号的基准距离之间的差值表示为
若HI≤0,则表示控制棒驱动机构处于正常状态;若HI>0,表示控制棒驱动机构出现了性能衰退。
另外,在本实施例中,对获取模块100进行限定,所述获取一段时间的N个周期的若干路电流相关信号和至少一路振动信号,具体地,电流相关信号为电流数据或者功率数据,若干路电流相关信号为3路或者其他数据。
另外,对第一处理模块300也进行了限定,具体为:提取61个信号关键特征,包括6个时序关键点的位置特征、15个时序关键点位置差值特征、20个相邻时序关键点之间信号的均值特征、20个相邻时序关键点之间信号的方差特征。
更加具体地,本系统的获取模块,划分模块、第一处理模块、决策函数建立模块、获取划分模块、第二处理模块、建立判断模块可以对应到具体的结构中,具体结构CRDM控制棒驱动机构设备、传感器、边缘设备、云平台和Web端软件。
1)、每个CRDM设备包括提升(LC)、传递(MC)、保持(SC)线圈各一个,即为获取模块以及获取划分模块要获取数据的装置。
2)、分别采用电流传感器采集提升线圈、传递线圈和保持线圈的电流信号。此外,在CRDM 即控制棒驱动机构的外壳埋入振动加速度传感器,提取设备的振动信号;此装置相当于是获取模块和获取划分模块;
3)、将三路电流和一路振动信号输入边缘设备进行特征计算,提取特征后上传云平台;此相当于是第一处理模块和第二处理模块;
4)、云平台集成CRDM即控制棒驱动机构性能评估算法,对输入的特征进行计算,评估当前设备性能;此相当于是决策函数建立模块和建立判断模块;
5)、在Web端软件界面显示设备性能评估结果。这个相当于是个显示模块,本系统中可以不做详细要求,对于整个系统来说,这个可以是外接显示设备也可以是直接显示设备。
基于本发明的系统,能够实现对CRDM的在线性能评估,有助于实现CRDM设备的预测性维护;能够自动实现对原始CRDM信号的周期划分,解决了在线监测的难题。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是:
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
此外,需要说明的是,本说明书中所描述的具体实施例,其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于动作关键时序的控制棒驱动机构性能评估方法,其特征在于,包括以下步骤:
获取一段时间的N个周期的若干路电流相关信号和至少一路振动信号;
对获取到的电流相关信号和振动信号进行周期划分,得到N个完整的控制棒驱动机构提棒信号;
基于N个完整的控制棒驱动机构提棒信号,提取控制棒驱动机构在提棒过程中的时序关键点,并提取若干个信号关键特征,形成特征向量;
基于特征向量建立决策函数,通过决策函数获得正常信号的基准距离;
在线获取实时电流相关信号和振动信号,对获取到的电流相关信号和振动信号进行周期划分,得到当前时刻的控制棒驱动机构提棒信号;
基于当前时刻的控制棒驱动机构提棒信号,提取控制棒驱动机构在提棒过程的实时时序关键点,并提取若干个信号关键特征,形成特征向量;
基于特征向量建立当前数据决策函数,得到当前特征向量到正常信号的基准距离之间的差值,根据差值来判断控制棒驱动机构是否出现性能衰退。
2.根据权利要求1所述的基于动作关键时序的控制棒驱动机构性能评估方法,其特征在于,所述获取一段时间的N个周期的若干路电流相关信号和至少一路振动信号,电流相关信号为电流数据或者功率数据,若干路电流相关信号为3路或者其他数据。
3.根据权利要求1所述的基于动作关键时序的控制棒驱动机构性能评估方法,其特征在于,所述对获取到的电流相关数据和振动信号进行周期划分,采用上升沿截断的方法进行周期划分,具体步骤为:
选择电流相关信号或者振动信号作为周期切分的目标;
对电流相关信号或者振动信号进行滤波,得到滤波后的结果;
基于滤波结果,提取电流相关信号或者振动信号中联系上升超过设定值K个点的信号段,将此新号段的起始点作为周期切断点;
进而将获取到的N个周期的若干路电流相关信号或振动信号进行切分,获得N个完整的控制棒驱动机构提棒信号。
4.根据权利要求1所述的基于动作关键时序的控制棒驱动机构性能评估方法,其特征在于,所述提取若干个信号关键特征,具体为:提取61个信号关键特征,包括6个时序关键点的位置特征、15个时序关键点位置差值特征、20个相邻时序关键点之间信号的均值特征、20个相邻时序关键点之间信号的方差特征。
5.根据权利要求1所述的基于动作关键时序的控制棒驱动机构性能评估方法,其特征在于,所述基于特征向量建立决策函数,通过决策函数获得正常信号的基准距离,具体步骤为:
基于SVDD算法计算,寻找一个包容体积最小的超球面,并选用高斯核函数K(x,y)对超球体进行优化,进而决策函数表示为:
其中,αi,αj是由训练得到的对应于xi,xj的系数,当系数为零时对应的目标样本称为支持向量xs,i和j是输入样本的序号,总共有N个样本,每个样本就是一个x,α是拉格朗日乘子,z代表的是新的数据点;
则超球体的半径表示为
6.根据权利要求5所述的基于动作关键时序的控制棒驱动机构性能评估方法,其特征在于,所述基于特征向量建立当前数据决策函数,得到当前特征向量到正常信号的基准距离之间的差值,根据差值来判断控制棒驱动机构是否出现性能衰退,具体步骤为:
将当前特征向量所对应的决策函数f(z),则当前特征向量到正常信号的基准距离之间的差值表示为
若HI≤0,则表示控制棒驱动机构处于正常状态;若HI>0,表示控制棒驱动机构出现了性能衰退。
7.一种基于动作关键时序的控制棒驱动机构性能评估系统,其特征在于,包括获取模块,划分模块、第一处理模块、决策函数建立模块、获取划分模块、第二处理模块、建立判断模块:
所述获取模块,用于获取一段时间的N个周期的若干路电流相关信号和至少一路振动信号;
所述划分模块,用于对获取到的电流相关信号和振动信号进行周期划分,得到N个完整的控制棒驱动机构提棒信号;
所述第一处理模块,用于基于N个完整的控制棒驱动机构提棒信号,提取控制棒驱动机构在提棒过程中的时序关键点,并提取若干个信号关键特征,形成特征向量;
所述决策函数建立模块,用于基于特征向量建立决策函数,通过决策函数获得正常信号的基准距离;
所述获取划分模块,用于在线获取实时电流相关信号和振动信号,对获取到的电流相关信号和振动信号进行周期划分,得到当前时刻的控制棒驱动机构提棒信号;
所述第二处理模块,用于基于当前时刻的控制棒驱动机构提棒信号,提取控制棒驱动机构在提棒过程的实时时序关键点,并提取若干个信号关键特征,形成特征向量;
所述建立判断模块,用于基于特征向量建立当前数据决策函数,得到当前特征向量到正常信号的基准距离之间的差值,根据差值来判断控制棒驱动机构是否出现性能衰退。
8.根据权利要求7所述的基于动作关键时序的控制棒驱动机构性能评估系统,其特征在于,所述划分模块被设置为:
选择电流相关信号或者振动信号作为周期切分的目标;
对电流相关信号或者振动信号进行滤波,得到滤波后的结果;
基于滤波结果,提取电流相关信号或者振动信号中联系上升超过设定值K个点的信号段,将此新号段的起始点作为周期切断点;
进而将获取到的N个周期的若干路电流相关信号或振动信号进行切分,获得N个完整的控制棒驱动机构提棒信号。
9.根据权利要求7所述的基于动作关键时序的控制棒驱动机构性能评估系统,其特征在于,所述决策函数建立模块被设置为:
基于SVDD算法计算,寻找一个包容体积最小的超球面,并选用高斯核函数K(x,y)对超球体进行优化,进而决策函数表示为:
其中,αi,αj是由训练得到的对应于xi,xj的系数,当系数为零时对应的目标样本称为支持向量xs,i和j是输入样本的序号,总共有N个样本,每个样本就是一个x,α是拉格朗日乘子,z代表的是新的数据点;
则超球体的半径表示为
10.根据权利要求9所述的基于动作关键时序的控制棒驱动机构性能评估系统,其特征在于,所述建立判断模块被设置为:
将当前特征向量所对应的决策函数f(z),则当前特征向量到正常信号的基准距离之间的差值表示为
若HI>0,则表示控制棒驱动机构处于正常状态;若HI>0,表示控制棒驱动机构出现了性能衰退。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542391.2A CN110415844B (zh) | 2019-06-21 | 2019-06-21 | 基于动作关键时序的控制棒驱动机构性能评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542391.2A CN110415844B (zh) | 2019-06-21 | 2019-06-21 | 基于动作关键时序的控制棒驱动机构性能评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415844A true CN110415844A (zh) | 2019-11-05 |
CN110415844B CN110415844B (zh) | 2021-06-01 |
Family
ID=68359504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910542391.2A Active CN110415844B (zh) | 2019-06-21 | 2019-06-21 | 基于动作关键时序的控制棒驱动机构性能评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415844B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2810330B2 (ja) * | 1994-10-03 | 1998-10-15 | 三菱電機株式会社 | 原子炉制御棒駆動装置の作動監視装置 |
CN101067976A (zh) * | 2006-09-15 | 2007-11-07 | 核电秦山联营有限公司 | 压水堆核电站控制棒驱动机构在线监测及故障诊断方法 |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
CN105528504A (zh) * | 2016-03-01 | 2016-04-27 | 哈尔滨理工大学 | 基于cfoa-mkhsvm的滚动轴承健康状态评估方法 |
CN106384611A (zh) * | 2016-11-14 | 2017-02-08 | 广东核电合营有限公司 | 核电站棒控系统测试装置及方法 |
CN106710653A (zh) * | 2016-12-05 | 2017-05-24 | 浙江大学 | 一种用于核电机组运行监控的实时数据异常诊断方法 |
CN108680783A (zh) * | 2018-05-11 | 2018-10-19 | 中国核动力研究设计院 | 监测反应堆控制棒驱动机构线圈电流下降沿振荡的方法 |
CN108848512A (zh) * | 2018-05-30 | 2018-11-20 | 江南大学 | 基于模型选择的svdd无线传感器网络离群数据检测方法 |
CN109523171A (zh) * | 2018-11-20 | 2019-03-26 | 未必然数据科技(北京)有限公司 | 一种基于svdd的燃气轮机进气系统健康度评估方法 |
CN109712728A (zh) * | 2018-09-05 | 2019-05-03 | 中国船舶重工集团公司第七一九研究所 | 核电站反应堆掉棒事故的诊断方法及装置 |
-
2019
- 2019-06-21 CN CN201910542391.2A patent/CN110415844B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2810330B2 (ja) * | 1994-10-03 | 1998-10-15 | 三菱電機株式会社 | 原子炉制御棒駆動装置の作動監視装置 |
CN101067976A (zh) * | 2006-09-15 | 2007-11-07 | 核电秦山联营有限公司 | 压水堆核电站控制棒驱动机构在线监测及故障诊断方法 |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
CN105528504A (zh) * | 2016-03-01 | 2016-04-27 | 哈尔滨理工大学 | 基于cfoa-mkhsvm的滚动轴承健康状态评估方法 |
CN106384611A (zh) * | 2016-11-14 | 2017-02-08 | 广东核电合营有限公司 | 核电站棒控系统测试装置及方法 |
CN106710653A (zh) * | 2016-12-05 | 2017-05-24 | 浙江大学 | 一种用于核电机组运行监控的实时数据异常诊断方法 |
CN108680783A (zh) * | 2018-05-11 | 2018-10-19 | 中国核动力研究设计院 | 监测反应堆控制棒驱动机构线圈电流下降沿振荡的方法 |
CN108848512A (zh) * | 2018-05-30 | 2018-11-20 | 江南大学 | 基于模型选择的svdd无线传感器网络离群数据检测方法 |
CN109712728A (zh) * | 2018-09-05 | 2019-05-03 | 中国船舶重工集团公司第七一九研究所 | 核电站反应堆掉棒事故的诊断方法及装置 |
CN109523171A (zh) * | 2018-11-20 | 2019-03-26 | 未必然数据科技(北京)有限公司 | 一种基于svdd的燃气轮机进气系统健康度评估方法 |
Non-Patent Citations (1)
Title |
---|
曾杰,等: "控制棒驱动机构电流监测与故障诊断技术研究", 《核动力工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110415844B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4113138B1 (en) | Traction motor fault diagnosis method and apparatus | |
Ondel et al. | Coupling pattern recognition with state estimation using Kalman filter for fault diagnosis | |
KR20180016582A (ko) | 컴퓨터 저장 매체, 컴퓨터 프로그램 제품, 및 풍력 발전기 세트의 장애를 모니터링하기 위한 방법, 및 장치 | |
CN114781552A (zh) | 电机性能测试方法、装置、设备及存储介质 | |
CN105074503B (zh) | 地震预测装置 | |
CN108875971A (zh) | 设备现场诊断方法、装置、诊断头盔和诊断服务器 | |
CN109753689A (zh) | 一种电力系统机电振荡模态特征参数在线辩识方法 | |
EP2149980A2 (en) | Stray flux processing method and system | |
JP4279763B2 (ja) | 電力系統の安定度診断装置、電力系統安定化装置および電力系統縮約支援装置 | |
CN116541800A (zh) | 基于振动和声音数据的融合诊断方法、系统、设备及介质 | |
JPWO2017126236A1 (ja) | 異常検知装置及び異常検知システム | |
CN110415844A (zh) | 基于动作关键时序的控制棒驱动机构性能评估方法及系统 | |
CN111472946A (zh) | 一种风力发电机组智能辅助维修系统及辅助维修方法 | |
CN110361052A (zh) | 一种施工安全监控预警方法及系统 | |
CN110472373A (zh) | 一种电力系统扰动后的动态频率估计测量方法 | |
Darabi et al. | Employing adaptive particle swarm optimization algorithm for parameter estimation of an exciter machine | |
WO2015115325A1 (ja) | 電力系統監視装置および電力系統監視方法 | |
Leelaruji et al. | Computing sensitivities from synchrophasor data for voltage stability monitoring and visualization | |
CN113656977B (zh) | 一种基于多模态特征学习的线圈故障智能诊断方法及装置 | |
CN116142019A (zh) | 电动车充电的通讯方法、装置、充电桩以及系统 | |
CN108614208A (zh) | 液压操动机构断路器分合闸压降数据检测装置及方法 | |
CN111082420B (zh) | 一种改善交直流混联电网暂态稳定性的方法和系统 | |
CN114384413A (zh) | 一种电机状态感知芯片 | |
CN111929630A (zh) | 一种电流互感器饱和度的检测方法及检测装置 | |
US20240176318A1 (en) | Computer-implemented method and device for predicting a state of a technical system |
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 |