TW201517053A - 一種鬆動元件質量估測方法及裝置 - Google Patents

一種鬆動元件質量估測方法及裝置 Download PDF

Info

Publication number
TW201517053A
TW201517053A TW102138704A TW102138704A TW201517053A TW 201517053 A TW201517053 A TW 201517053A TW 102138704 A TW102138704 A TW 102138704A TW 102138704 A TW102138704 A TW 102138704A TW 201517053 A TW201517053 A TW 201517053A
Authority
TW
Taiwan
Prior art keywords
quality
loose component
loose
frequency
unit
Prior art date
Application number
TW102138704A
Other languages
English (en)
Inventor
Tseng-Hui Lin
Chang-Kao Chen
Chung-Lin Lee
Shian-Shing Shyu
Original Assignee
Iner Aec Executive Yuan
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 Iner Aec Executive Yuan filed Critical Iner Aec Executive Yuan
Priority to TW102138704A priority Critical patent/TW201517053A/zh
Publication of TW201517053A publication Critical patent/TW201517053A/zh

Links

Classifications

    • 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

  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本發明係一種鬆動元件質量估測方法及裝置，提供一種類神經網路應用於鬆動元件質量即時估測方法，推估反應器內鬆動元件之質量，判斷其危害程度，以及後續因應對策，以類神經網路結合頻率比值、頻譜重心、以及線性預測編碼等輸入特徵，建構鬆動元件質量估測之類神經網路模型，最後，透過模糊演算法修正類神經網路輸出之質量指標的偏移量與非線性，有效地估測鬆動元件之質量。

Description

一種鬆動元件質量估測方法及裝置
本發明係有關一種鬆動元件質量估測方法及裝置，尤指一種類神經網路應用於鬆動元件質量即時估測方法，可以有效地即時推估反應器內鬆動元件之質量，判斷其危害程度，以及後續因應對策。
鬆動元件監測系統(Loose Part Monitor Svstem，LPMS)為核電廠必備之儀控系統，雖然國外有功能類似的儀控系統，但因鬆動元件監測系統必須在電廠實地進行繁複的系統校正及敲擊試驗作業，以建立估算電廠鬆動元件之位置及質量所需資料與演算法，國外廠家有配合困難及後續系統維護的問題。傳統鬆動元件之診斷與判斷方法，多半是利用歷史資料進行分析，且操作者必須具備專業的知識。因此，鬆動元件監測系統如何有效地即時估測鬆動元件之質量，成為一項重要的設計指標。
目前國內外專利，皆著重於鬆動元件訊號判別，以減少誤判的機率，非即時鬆動元件之質量估測；傳統鬆動元件監測系統，操作者必須具備專業的診斷知識，從震動感測器量測數據，必須迅速地分析鬆動元件的位置及質量；否則，花費過多的時間進行解讀與分析，將導致因鬆動元件造成潛在重大危害的發生機率上升，故具有改善的空間。
基於解決以上所述習知技藝的缺失，本發明為一種鬆動元件質量估測方法及裝置，其主要目的為提供一種類神經網路應用於鬆動元件質量即時估測方法，可以有效地即時推估反應器內鬆動元件之質量，判斷其危害程度，以及後續因應對策(譬如是否需要 停機檢修或繼續運作)，以類神經網路結合頻率比值(Frequency Ratio，FR)、頻譜重心(Frequency Center，FC)、以及線性預測編碼(Linear Predictive Coding，LPC)等輸入特徵，建構鬆動元件質量估測之類神經網路(Artificial Neural Network，ANN)模型，最後，透過模糊演算法(Fuzzy Algorithm)修正類神經網路輸出之質量指標(Mass Indicator)的偏移量與非線性，有效地估測鬆動元件之質量。
為達上述目的，本發明為一種鬆動元件質量估測方法，其係包括有下列步驟：a.利用複數個不同的鬆動元件之一測試樣本碰撞一反應器，並記錄一震動感測器量測數據；b.將該震動感測器量測數據進行一快速傅利葉轉換後得到該測試樣本的頻譜信號；c.計算該測試樣本的一頻率比值、一頻譜重心、以及一線性預測編碼係數；d.將該頻率比值、該頻譜重心、以及該線性預測編碼之特徵值，代入一類神經網路訓練，並以該類神經網路輸出之質量指標的最小均方差作為收斂指標；e.透過一鬆動元件測試樣本之一估測質量與一實際質量的差異，以一模糊演算法建立一非線性函數，修正一鬆動元件質量指標的偏移量與非線性；f.確認估測之該鬆動元件質量指標是否落在一誤差範圍內，若符合該誤差範圍則停止估測；若不符合，則執行步驟e再進行修正；以及g.結束。
為達上述目的，本發明為一種鬆動元件質量估測裝置，其係包括有：一震動感測器，利用複數個不同的鬆動元件之一測試樣本碰撞一反應器，並記錄該震動感測器量測數據；一快速傅利葉轉換單元，接受該震動感測器量測數據，經運算後以獲得一頻譜信號； 一類神經網路，接受該頻譜信號，經運算後以獲得一質量指標；一模糊演算法單元，接受該質量指標，經運算後以修正該質量指標的一偏移量與一非線性量；以及一質量估測單元，接受該質量指標的該偏移量與該非線性量，確認估測之該鬆動元件質量指標是否落在一誤差範圍內，若符合該誤差範圍則停止估測；若不符合，則交付至該模糊演算法單元再進行修正，直到修正完成為止。
較佳者，該類神經網路更係包括一頻率比值單元、一頻譜重心單元、一線性預測編碼單元。
為進一步對本發明有更深入的說明，乃藉由以下圖示、圖號說明及新型詳細說明，冀能對 貴審查委員於審查工作有所助益。
11‧‧‧震動感測器
12‧‧‧快速傅利葉轉換單元
13‧‧‧類神經網路
131‧‧‧頻率比值單元
132‧‧‧頻譜重心單元
133‧‧‧線性預測編碼單元
14‧‧‧模糊演算法單元
15‧‧‧質量估測單元
21‧‧‧頻率比值單元
22‧‧‧頻譜重心單元
23‧‧‧線性預測編碼單元
24‧‧‧輸入層
25‧‧‧隱藏層
26‧‧‧輸出層
27‧‧‧質量指標單元
31‧‧‧利用複數個不同的鬆動元件之一測試樣本碰撞一反應器，並記錄一震動感測器量測數據
32‧‧‧將該震動感測器量測數據進行一快速傅利葉轉換後得到該測試樣本的頻譜信號
33‧‧‧計算該測試樣本的一頻率比值、一頻譜重心、以及一線性預測編碼係數
34‧‧‧將該頻率比值、該頻譜重心、以及該線性預測編碼之特徵值，代入一類神經網路訓練，並以該類神經網路輸出之質量指標的最小均方差作為收斂指標
35‧‧‧透過一鬆動元件測試樣本之一估測質量與一實際質量的差異，以一模糊演算法建立一非線性函數，修正一鬆動元件質量指標的偏移量與非線性
36‧‧‧確認估測之該鬆動元件質量指標是否落在一誤差範圍內
37‧‧‧結束
圖1係為本發明鬆動元件質量估測裝置之功能方塊示意圖；圖2係為本發明鬆動元件質量估測之類神經網路模型示意圖；圖3係為本發明鬆動元件質量估測方法之流程示意圖。
茲配合下列之圖式說明本發明之詳細結構，及其連結關係，以利於 貴審委做一瞭解。
請參閱圖1所示，係為本發明鬆動元件質量估測裝置之功能方塊示意圖，其中一震動感測器11，利用複數個不同的鬆動元件之一測試樣本碰撞一反應器，並記錄該震動感測器11量測數據(Impact Waveform)；一快速傅利葉轉換單元(Fast Fourier Transform，FFT)12，接受該震動感測器量測數據，經運算後以獲得一頻譜信號；一類神經網路(ANN)13，接受該頻譜信號，經運算後以獲得一質量指標，該類神經網路13更係包括一頻率比值(FR)單元131、一頻譜重心(FC)單元132、一線性預測編碼單元(LPC)133，由該頻譜信號可計算頻率比值(FR)、頻譜重心(FC)、以及線性預測編碼(LPC)等輸入特徵值；一模糊演算法單元14，接受該質量指標，經運算後以修正該質量指標的一偏移量與一非線性量； 一質量估測單元15，接受該質量指標的該偏移量與該非線性量，確認估測之該鬆動元件質量指標是否落在一誤差範圍內，若符合該誤差範圍則停止估測；若不符合，則交付至該模糊演算法單元14再進行修正，直到修正完成為止。
請參閱圖2所示，係為本發明鬆動元件質量估測之類神經網路模型示意圖，藉由上述的裝置，本發明利用不同質量之榔頭敲擊，透過現場感測器記錄的量測數據，計算該筆數據的頻率比值單元21、頻譜重心單元22、以及線性預測編碼單元23之鬆動元件質量估測的輸入特徵，進入一輸入層24，再由該輸入層24傳送至一隱藏層25，該隱藏層25訓練類神經網路模型，以類神經網路輸出之質量指標的最小均方差作為收斂指標，再由該隱藏層25傳送至一輸出層26及質量指標單元27，將差異回饋至類神經網路模型進行必要的調整與修改，以達到鬆動元件質量估測的目標。
請參閱圖3所示，係為本發明鬆動元件質量估測方法之流程示意圖，本發明發展流程包括：以類神經網路建立鬆動元件質量估測模型、以模糊演算法修正質量指標的偏移量與非線性、以及確認估測之鬆動元件質量是否落在誤差範圍內。
本發明以類神網路建立鬆動元件質量估測模型之步驟如下：31~利用複數個不同的鬆動元件之一測試樣本碰撞一反應器，並記錄一震動感測器量測數據；32~將該震動感測器量測數據進行一快速傅利葉轉換後得到該測試樣本的頻譜信號；33~計算該測試樣本的一頻率比值、一頻譜重心、以及一線性預測編碼係數；34~將該頻率比值、該頻譜重心、以及該線性預測編碼之特徵值，代入一類神經網路訓練，並以該類神經網路輸出之質量指標的最小均方差作為收斂指標；35~透過一鬆動元件測試樣本之一估測質量與一實際質量的差異，以一模糊演算法建立一非線性函數，修正一鬆動元件質量指標的偏移量與非線性； 36~確認估測之該鬆動元件質量指標是否落在一誤差範圍內，若符合該誤差範圍則停止估測；若不符合，則執行步驟35再進行修正；37~結束。
本發明以類神經網路建立鬆動元件質量估測模型，輸入層與輸出層神經元節點之數學模型採線性函數，隱藏層神經元節點之數學模型採雙彎曲函數(Sigmoid Function)，定義如下：
類神經網路的輸入特徵：頻率比值、頻譜重心、以及線性預測編碼分別定義如下：
(1)頻率比值(Frequency Ratio,FR)
其中frequency_spec為震動感測器量測數據經快速傅利葉轉換後的頻譜信號，f up 與f low 分別為量測頻率的上下限，f mid 為量測頻率的中間值(f mid =(f up +f low )/2)，當鬆動元件質量越大時，頻率比值則越小，反之亦然。
(2)頻譜重心(Frequency Center,FC)
其中f為頻率(f low f f up )，與頻率比值類似，當鬆動元件質量越大時，頻譜重心則越小，反之亦然。
(3)線性預測編碼(Linear Predictive Coding,LPC)
其中Y(e jw )為最後輸出信號、V(e jw )為p階的全極濾波器(All-Pole Filter)、E(e jw )為白雜訊(White Noise)、G為白雜訊之強度(Strength)， a k 為線性預測編碼係數，可透過最小均方差(Least Mean Squared Error)求得，換言之，Y(e jw )趨近於測試樣本之頻譜信號。由於每個測試樣本的線性預測編碼[a 1 a 2...a k ]皆不同，故非常適合作為該測試樣本的特徵。
藉由上述圖1至圖3的揭露，即可瞭解本發明為一種鬆動元件質量估測方法及裝置，提供一種類神經網路應用於鬆動元件質量即時估測方法，可以有效地即時推估反應器內鬆動元件之質量，判斷其危害程度，以及後續因應對策(譬如是否需要停機檢修或繼續運作)，以類神經網路結合頻率比值(Frequency Ratio，FR)、頻譜重心(Frequency Center，FC)、以及線性預測編碼(Linear Predictive Coding，LPC)等輸入特徵，建構鬆動元件質量估測之類神經網路(Artificial Neural Network，ANN)模型，最後，透過模糊演算法(Fuzzy Algorithm)修正類神經網路輸出之質量指標(Mass Indicator)的偏移量與非線性，有效地估測鬆動元件之質量，而於核能電廠中具有維護安全性的作用，故提出專利申請以尋求專利權之保護。
綜上所述，本發明之結構特徵及各實施例皆已詳細揭示，而可充分顯示出本發明案在目的及功效上均深賦實施之進步性，極具產業之利用價值，且為目前市面上前所未見之運用，依專利法之精神所述，本發明案完全符合新型專利之要件。
唯以上所述者，僅為本發明之較佳實施例而已，當不能以之限定本發明所實施之範圍，即大凡依本發明申請專利範圍所作之均等變化與修飾，皆應仍屬於本發明專利涵蓋之範圍內，謹請 貴審查委員明鑑，並祈惠准，是所至禱。
31‧‧‧利用複數個不同的鬆動元件之一測試樣本碰撞一反應器，並記錄一震動感測器量測數據
32‧‧‧將該震動感測器量測數據進行一快速傅利葉轉換後得到該測試樣本的頻譜信號
33‧‧‧計算該測試樣本的一頻率比值、一頻譜重心、以及一線性預測編碼係數
34‧‧‧將該頻率比值、該頻譜重心、以及該線性預測編碼之特徵值，代入一類神經網路訓練，並以該類神經網路輸出之質量指標的最小均方差作為收斂指標
35‧‧‧透過一鬆動元件測試樣本之一估測質量與一實際質量的差異，以一模糊演算法建立一非線性函數，修正一鬆動元件質量指標的偏移量與非線性
36‧‧‧確認估測之該鬆動元件質量指標是否落在一誤差範圍內
37‧‧‧結束

Claims (9)

  1. 一種鬆動元件質量估測方法，其係包括有下列步驟：a.利用複數個不同的鬆動元件之一測試樣本碰撞一反應器，並記錄一震動感測器量測數據；b.將該震動感測器量測數據進行一快速傅利葉轉換後得到該測試樣本的頻譜信號；c.計算該測試樣本的一頻率比值、一頻譜重心、以及一線性預測編碼係數；d.將該頻率比值、該頻譜重心、以及該線性預測編碼之特徵值，代入一類神經網路訓練，並以該類神經網路輸出之質量指標的最小均方差作為收斂指標；e.透過一鬆動元件測試樣本之一估測質量與一實際質量的差異，以一模糊演算法建立一非線性函數，修正一鬆動元件質量指標的偏移量與非線性；f.確認估測之該鬆動元件質量指標是否落在一誤差範圍內，若符合該誤差範圍則停止估測；若不符合，則執行步驟e再進行修正；以及g.結束。
  2. 如申請專利範圍第1項所述之鬆動元件質量估測方法，其中該頻率比值(Frequency Ratio，FR)運算公式如下： 其中frequency_spec為震動感測器量測數據經快速傅利葉轉換後的頻譜信號，f up 與f low 分別為量測頻率的上下限，f mid 為量測頻率的中間值(f mid =(f up +f low )/2)，當鬆動元件質量越大時，頻率比值則越小，反之亦然。
  3. 如申請專利範圍第1項所述之鬆動元件質量估測方法，其中該頻譜重心(Frequency Center，FC)運算公式如下： 其中f為頻率(f low f f up )，與頻率比值類似，當鬆動元件質量越大時，頻譜重心則越小，反之亦然。
  4. 如申請專利範圍第1項所述之鬆動元件質量估測方法，其中該線性預測編碼(Linear Predictive Coding，LPC)運算公式如下： 其中Y(e jw )為最後輸出信號、V(e jw )為p階的全極濾波器(All-Pole Filter)、E(e jw )為白雜訊(White Noise)、G為白雜訊之強度(Strength)，a k 為線性預測編碼係數，透過最小均方差(Least Mean Squared Error)求得。
  5. 一種鬆動元件質量估測裝置，其係包括有：一震動感測器，利用複數個不同的鬆動元件之一測試樣本碰撞一反應器，並記錄該震動感測器量測數據；一快速傅利葉轉換單元，接受該震動感測器量測數據，經運算後以獲得一頻譜信號；一類神經網路，接受該頻譜信號，經運算後以獲得一質量指標；一模糊演算法單元，接受該質量指標，經運算後以修正該質量指標的一偏移量與一非線性量；以及一質量估測單元，接受該質量指標的該偏移量與該非線性量，確認估測之該鬆動元件質量指標是否落在一誤差範圍內，若符合該誤差範圍則停止估測；若不符合，則交付至該模糊演算法單元再進行修正，直到修正完成為止。
  6. 如申請專利範圍第5項所述之鬆動元件質量估測裝置，其中該類神經網路更係包括一頻率比值單元、一頻譜重心單元、一線性預測編碼單元。
  7. 如申請專利範圍第6項所述之鬆動元件質量估測裝置，其中該 該頻率比值(Frequency Ratio，FR)單元運算公式如下： 其中frequency_spec為震動感測器量測數據經快速傅利葉轉換後的頻譜信號，f up 與f low 分別為量測頻率的上下限，f mid 為量測頻率的中間值(f mid =(f up +f low )/2)，當鬆動元件質量越大時，頻率比值則越小，反之亦然。
  8. 如申請專利範圍第6項所述之鬆動元件質量估測裝置，其中該頻譜重心(Frequency Center，FC)單元運算公式如下： 其中f為頻率(f low f f up )，與頻率比值類似，當鬆動元件質量越大時，頻譜重心則越小，反之亦然。
  9. 如申請專利範圍第6項所述之鬆動元件質量估測裝置，其中該線性預測編碼(Linear Predictive Coding，LPC)單元運算公式如下： 其中Y(e jw )為最後輸出信號、V(e jw )為p階的全極濾波器(All-Pole Filter)、E(e jw )為白雜訊(White Noise)、G為白雜訊之強度(Strength)，a k 為線性預測編碼係數，透過最小均方差(Least Mean Squared Error)求得。
TW102138704A 2013-10-25 2013-10-25 一種鬆動元件質量估測方法及裝置 TW201517053A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW102138704A TW201517053A (zh) 2013-10-25 2013-10-25 一種鬆動元件質量估測方法及裝置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW102138704A TW201517053A (zh) 2013-10-25 2013-10-25 一種鬆動元件質量估測方法及裝置

Publications (1)

Publication Number Publication Date
TW201517053A true TW201517053A (zh) 2015-05-01

Family

ID=53720458

Family Applications (1)

Application Number Title Priority Date Filing Date
TW102138704A TW201517053A (zh) 2013-10-25 2013-10-25 一種鬆動元件質量估測方法及裝置

Country Status (1)

Country Link
TW (1) TW201517053A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112665810A (zh) * 2020-12-28 2021-04-16 湖北亿咖通科技有限公司 芯片振动脱落的确定方法、系统、存储介质及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112665810A (zh) * 2020-12-28 2021-04-16 湖北亿咖通科技有限公司 芯片振动脱落的确定方法、系统、存储介质及电子设备
CN112665810B (zh) * 2020-12-28 2023-05-30 亿咖通(湖北)技术有限公司 芯片振动脱落的确定方法、系统、存储介质及电子设备

Similar Documents

Publication Publication Date Title
TWI449883B (zh) 結構體安全性之分析方法
JP6005638B2 (ja) はんだ接合の品質検査方法
JP4799168B2 (ja) 配水及び管路情報解析システム
CN101477340B (zh) 基于索力监测的索结构中索系统的递进式健康监测方法
WO2017169849A1 (ja) バルブ診断方法及びバルブ診断装置
EP2853972A3 (en) Device and method for detection and/or diagnosis of faults in a process, equipment and sensors
CN101504333B (zh) 基于应变监测的索结构中索系统的递进式健康监测方法
JP5425027B2 (ja) ランダムノイズ信号の検出及びフィルタリング方法
CN114964429A (zh) 一种超声波水表检定方法
CN110274669A (zh) 一种大口径电子水表在线检定方法
CN113757093B (zh) 一种闪蒸汽压缩机组故障诊断方法
KR101953558B1 (ko) 스마트 기기 결함 관리 장치 및 방법
CN108319664A (zh) 一种大坝及工程安全监测数据粗差识别方法及系统
CN113158558B (zh) 一种高速铁路路基连续压实分析方法、装置及分析仪
TW201517053A (zh) 一種鬆動元件質量估測方法及裝置
CN104111157A (zh) 一种检查风洞测量设备初读数的方法
RU135795U1 (ru) Установка для поверки и калибровки счетчиков, расходомеров и расходомеров-счетчиков газа
CN114495438A (zh) 基于多传感器的灾害预警方法、系统、设备及存储介质
US20120053895A1 (en) Method and system for evaluating the condition of a collection of similar elongated hollow objects
RU2680852C1 (ru) Способ метрологической диагностики измерительных каналов уровня жидкости
CN112131781A (zh) 基于全连接神经网络与传递率函数的钢结构损伤检测方法
CN108318213B (zh) 一种基于多种参数综合评估的风洞测量系统故障诊断方法
CN112949816A (zh) 一种基于ann的静力水准仪异常数据识别方法及系统
CN106096219B (zh) 一种用于果蔬识别算法性能评价的数据质量分析方法
CN116738859B (zh) 一种铜管在线无损寿命评估方法及系统