降低核电厂的松脱部件与振动监测误报警率的系统和方法与流程

本发明涉及核工业安全技术领域，适用于核电厂松脱部件与振动监测系统的报警方案设计，尤其涉及一种降低核电厂的松脱部件与振动监测误报警率的系统和方法。

背景技术：

kir系统由松脱部件监测系统和振动监测系统组成，其松动部件监测子系统主要用于监测反应堆冷却剂中脱落部件与松动部件，防止安装阶段遗留在管道中的“零件”或运行中脱落件对流道或反应堆压力容器内构件的冲击，从而对核电站一回路关键设备的运行提供安全防护。当监测系统运行时，安装在蒸汽发生器封头和压力容器底封头上的加速度计实时监测反应堆压力容器、主管道、蒸汽发生器内的松动件和脱落件，系统采用实时监测，将加速度传感器传来的信号隔离放大后进行实时信号识别，判断信号属性，如果是松脱件信号，系统自动对事件区间对应的通道信号进行采样，保存并给出声光报警信号。但由于核岛厂房内的噪声源非常丰富，各种干扰信号的幅度往往较大，如金属管道挤压噪声、防管道抛甩阻尼器的摩擦噪声等都可以通过金属介质传导到传感器而被记录，形成伪“松动件”信号而发生误报警。误报警除降低监测结果的可靠性外，还使反应堆运行人员对其失去信任感，最终使监测系统不能发挥应有的作用。

现有技术公开了一种通过细网格划分方法，根据赫兹理论，若将被监测区间划分成细网格，使每个网格中心点到各探测器的距离确定，则当各网格中心到探测器的信号传播时间差是确定的条件下，可粗略确定碰撞点的位置；在探测器位置确定、材料及壁厚确定后，其各网格传导到探测器的时间即可确定，从而即可反推计算出松动部件发生位置，这种划分可以区别出干扰噪声，优化甄别软件的设计，提高抗误报能力。但该方法存在如下缺陷：在松动件撞击下，一回路容器壁上会产生不同振动模态的弯曲波，随着传播距离的增大，波的形状会发生很大的变化。当传感器与碰撞点相隔较远的时候，采用该方法就需要关注不同振动模态带来的影响，增大了干扰噪声识别的难度，很难识别干扰噪声，从而无法有效提高抗误报能力。

所以，现有技术存在缺陷需要改进。

技术实现要素：

为解决上述问题，本发明提供了一种降低核电厂的松脱部件与振动监测误报警率的系统和方法，通过综合运用模糊优化诊断方法，降低核电厂的松脱部件与振动监测系统的误报警率，提高系统的可靠性及可用性。

本发明就上述技术问题而提出的技术方案如下：一种降低核电厂的松脱部件与振动监测误报警率的系统,包括：信号采集判断模块,连接松脱部件,用于持续采集松脱部件的实际振动信号,并同时监控实际振动信号的振幅,当某一时刻振动信号振幅超过触发阈值,采集该时刻附近时间段的振动信号的多个振幅,对多个振幅进行计算、求均方根值,若所述均方根值大于预设的均方根阈值时,发送该振动信号；模糊智能识别模块,连接信号采集判断模块,用于接收所述振动信号,根据所述振动信号的特征向量参数和隶属度函数计算值来判定振动信号的病态征兆和异常征兆,选择对异常征兆信号进行报警。

其中，所述信号采集判断模块包括:采集监测模块,连接松脱部件,用于持续采集松脱部件的实际振动信号，同时实时监控持续采集的实际振动信号的振幅；当某一时刻振动信号振幅超过预设的触发阈值,采集该时刻附近时间段的振动信号的多个振幅；计算模块,连接所述采集监测模块,用于根据所述采集该时刻附近时间段的多个振幅,计算求取其短时的均方根值；判断模块，连接计算模块，用于调取预设的均方根阈值，并判断在实际均方根值大于预设的均方根阈值时,发送该振动信号至模糊智能识别模块。

其中，所述判断模块还用于判断若实际均方根值小于预设的均方根阈值,拒绝发送振动信号至所述模糊智能识别模块。

其中，所述模糊智能识别模块包括:建立模块,用于根据实测的特征向量参数和异常模糊参数之间的关系建立隶属度函数；比较模块,用于根据隶属度函数对所述实测的特征向量参数和异常模糊参数进行差异比较,若差异值大于预设的隶属度函数阈值时，选择对所述异常征兆信号进行报警。

其中，所述比较模块还用于比较若差异值小于预设的隶属度函数阈值时,判断为病态征兆振动信号,拒绝识别。

其中，所述特征向量参数包括：振动信号曲线的波形上升沿的斜率(x1)、波形下降沿的斜率(x2)、事件波纹(x3)以及波形宽度(x4)；

所述建立模块进一步包括:实测函数建立模块,用于根据实测的振动信号的特征向量参数建立函数u0,u0＝[x1,x2,x3,x4]；理论函数建立模块,用于根据历史理论振动信号的特征向量参数建立函数ui；隶属度函数建立模块,用于根据函数u0和ui计算实测值和理论值的距离函数di；隶属度函数计算模块,用于计算每一个特征向量对应参数差值,各特征向量参数中差值最大值设为d,根据公式计算隶属度函数rui(u0)；所述比较模块还用于将隶属度函数rui(u0)与预设的隶属度函数阈值λ进行比较,并判定振动信号的病态征兆和异常征兆,选择对异常征兆信号进行报警。

其中，所述异常征兆和病态征兆的判断条件是：若隶属度函数rui(u0)小于预设隶属度函数阈值λ，判断待识别异常征兆集为病态，拒绝识别；若隶属度函数rui(u0)大于预设隶属度函数阈值λ，判断待识别异常征兆集健康,按最大隶属原则对各实测的特征向量参数进行判定，触发报警。

另一个方面，本发明还提供了一种降低核电厂的松脱部件与振动监测误报警率的方法，所述方法包括如下步骤：持续采集松脱部件的实际振动信号,并同时监控实际振动信号的振幅,当某一时刻振动信号振幅超过触发阈值,采集该时刻附近时间段的振动信号的多个振幅,对多个振幅进行计算、求均方根值,若所述均方根值大于预设的均方根阈值时,发送该振动信号；接收所述振动信号,根据所述振动信号的特征向量参数和隶属度函数计算值来判定振动信号的病态征兆和异常征兆,选择对异常征兆信号进行报警。

其中，还进一步包括如下步骤：持续采集松脱部件的实际振动信号，同时实时监控持续采集的实际振动信号的振幅；当某一时刻振动信号振幅超过预设的触发阈值,采集该时刻附近时间段的振动信号的多个振幅；根据所述采集该时刻附近时间段的多个振幅,计算求取其短时的均方根值；调取预设的均方根阈值，并判断在实际均方根值大于预设的均方根阈值时,发送该振动信号至模糊智能识别模块,否则拒绝发送。

其中，所述特征向量参数包括：振动信号曲线的波形上升沿的斜率(x1)、波形下降沿的斜率(x2)、事件波纹(x3)以及波形宽度(x4)。

其中，还进一步包括如下步骤：根据实测的振动信号的特征向量参数建立函数u0,u0＝[x1,x2,x3,x4]；根据历史理论振动信号的特征向量参数建立函数ui；根据函数u0和ui计算实测值和理论值的距离函数di；计算每一个特征向量对应参数差值,各特征向量参数中差值最大值设为d,根据公式计算隶属度函数rui(u0)；将隶属度函数rui(u0)与预设的隶属度函数阈值λ进行比较,并判定振动信号的病态征兆和异常征兆,选择对异常征兆信号进行报警。

其中，所述异常征兆和病态征兆的判断条件是：若隶属度函数rui(u0)小于预设隶属度函数阈值λ，判断待识别异常征兆集为病态，拒绝识别；若隶属度函数rui(u0)大于预设隶属度函数阈值λ，判断待识别异常征兆集健康,按最大隶属原则对各实测的特征向量参数进行判定，触发报警。

本发明实施例提供的技术方案带来的有益效果是：采用本发明系统所实现的方法，采用低高通滤波、均方根值rms阈值比较以及模糊判断三步法，分层次逐步降低松脱部件监测系统的误报警率；通过引入模糊函数的理念，即特征向量和隶属度函数矩阵，让机器通过学习专家知识和已有事件的经验积累自动做出判断，提高报警的准确率；通过对不同特征参数的隶属度函数进行合理设置，可以起到波形甄别器的功能，过滤信号频率高、衰减缓慢、加速度幅值较低的干扰噪声信号，保留衰减快速、加速度幅值较大的真正事件波形；通过对事件波纹的隶属度函数进行合理设置，可选择合理的信噪比区间，以提高报警的可靠性。

附图说明

图1是本发明实施例一提供的降低核电厂的松脱部件与振动监测误报警率的系统结构示意图。

图2是本发明实施例一提供的系统整体架构结构示意图。

图3是本发明实施例二提供的一种降低核电厂的松脱部件与振动监测误报警率方法流程图。

图4是本发明实施例二提供的步骤s100的方法流程图。

图5是本发明实施例二提供的步骤s200的方法的流程图。

图6是本发明实施例二提供的报警方案设计流程图。

图7为本发明提供的特征向量参数波形图。

具体实施方式

为了解决现有技术中所存在误报警，对干扰噪声识别性差，无法有效提高抗误报能力的问题，本发明旨在提供一种降低核电厂的松脱部件与振动监测误报警率的系统和方法，采用初步判断和精确判断所采集到的松脱部件的振动信号幅值，分层次逐步降低松脱部件监测系统的误报警率；通过引入模糊函数的理念，即特征向量和隶属度函数矩阵，让机器通过学习专家知识和已有事件的经验积累自动做出判断，运用模糊数学方法,将阀值原则和最大隶属原则相结合,建立了异常信号诊断模型；通过模糊诊断模块可以实现波形甄别器及设置合理信噪比区间，过滤外部干扰噪声，其核心思想是：对采集的振动信号经低高通滤波后，初步判断采集到的振动信号的幅值大于振幅的触发阈值时,在相近的时间点再采集振动信号多个振幅,对多个振幅求均方根,在均方根值大于预设的均方根阈值时,将采集的振动信号送至下一级做精确判断；采用合适的模糊关系矩阵(特征向量)和隶属度函数来判定异常故障与征兆之间的不确定关系，进而确认信号的真伪,本发明采用松动部件报警算法采用“三步”法，即采用低高通滤波、rms阈值比较以及模糊判断三步法，分层次逐步降低松脱部件监测系统的误报警率；本发明根据核电厂运行技术要求，通过在系统中增加模糊智能识别模块,采用合适的模糊关系矩阵(特征向量)和隶属度函数来判定异常故障与征兆之间的不确定关系，进而确认异常事件，提高报警的正确率。解决了现有技术中不能准确地自动识别非松脱部件撞击产生的信号、松脱部件监测系统的误报警率高的问题。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

实施例一

本发明实施例提供了降低核电厂的松脱部件与振动监测误报警率的系统，参见图1，该系统包括：信号采集判断模块100和与信号采集判断模块100连接的模糊智能识别模块200,信号采集判断模块100连接松脱部件,用于持续采集松脱部件的实际振动信号,并同时监控实际振动信号的振幅,当某一时刻振动信号振幅超过触发阈值,采集该时刻附近时间段的振动信号的多个振幅,对多个振幅进行计算、求均方根值,若所述均方根值大于预设的均方根阈值时,发送该振动信号。

进一步地，信号采集判断模块100具体包括:采集监测模块101,连接松脱部件,用于持续采集松脱部件的实际振动信号，同时实时监控持续采集的实际振动信号的振幅；并对所述振动信号进行低通和高通滤波；当监视到某一时刻振动信号振幅超过预设的触发阈值,采集该时刻附近时间段的振动信号的多个振幅；计算模块102,连接所述采集监测模块101,用于根据所述采集该时刻附近时间段的多个振幅,计算求取其短时的均方根值；判断模块103，连接计算模块102，用于调取预设的均方根阈值，并判断在实际均方根值大于预设的均方根阈值时,发送该振动信号至模糊智能识别模块200。判断模块103还用于判断若实际均方根值小于预设的均方根阈值,拒绝发送振动信号至所述模糊智能识别模块200。

模糊智能识别模块200用于接收所述振动信号,根据所述振动信号的特征向量参数和隶属度函数计算值来判定振动信号的病态征兆和异常征兆,选择对异常征兆信号进行报警。模糊智能识别模块200具体包括：建立模块201,用于根据实测的特征向量参数和异常模糊参数之间的关系建立隶属度函数；比较模块202,用于根据隶属度函数对所述实测的特征向量参数和异常模糊参数进行差异比较,若差异值大于预设的隶属度函数阈值时，选择对所述异常征兆信号进行报警。比较模块202还用于比较若差异值小于预设的隶属度函数阈值时,判断为病态征兆振动信号,拒绝识别。

其中，特征向量参数包括：振动信号曲线的波形上升沿的斜率(x1)、波形下降沿的斜率(x2)、事件波纹(x3)以及波形宽度(x4)；建立模块201进一步包括:实测函数建立模块201a,用于根据实测的振动信号的特征向量参数建立函数u0,u0＝[x1,x2,x3,x4]；理论函数建立模块201b,用于根据历史理论振动信号的特征向量参数建立函数ui；隶属度函数建立模块201c,用于根据函数u0和ui计算实测值和理论值的距离函数di；隶属度函数计算模块201d,用于计算每一个特征向量对应参数差值,各特征向量参数中差值最大值设为d,根据公式计算隶属度函数rui(u0)；比较模块202还用于将隶属度函数rui(u0)与预设的隶属度函数阈值λ进行比较,并判定振动信号的病态征兆和异常征兆,选择对异常征兆信号进行报警。

进一步地，异常征兆和病态征兆的判断条件是：若隶属度函数rui(u0)小于预设隶属度函数阈值λ，判断待识别异常征兆集为病态，拒绝识别；若隶属度函数rui(u0)大于预设隶属度函数阈值λ，判断待识别异常征兆集健康,按最大隶属原则对各实测的特征向量参数进行判定，触发报警。

参见附图2，为系统整体架构图，包括位于安全壳内侧的多个加速度传感器(对应附图1上的采集监控模块101)，每一个加速度传感器均连接至其对应的前置放大器，用于对采集的振动信号进行放大处理，将放大处理后的信号传输至位于安全壳内外侧的与每一个前置放大器电连接的多通道的信号调理器，每一个通道对应连接一个前置放大器，放大处理后的信号传输至行低通和高通滤波电路进行滤波，选择合适的、符合探测算法的频率范围，频率下限建议设置为1khz，频率上限建议设置为10khz，低通和高通滤波电路可以有效消除大部分背景噪声。进一步地，将经过消除大部分背景噪声的振动信号传输至报警信号阈值比较模块(即附图1上的信号采集判断模块100)，通过报警信号阈值比较模块设置触发阈值，触发阈值＝系数×背景噪声水平(背景噪声水平由实验数据确定。在实际工程中，选取冷态低功率运行状态下的背景噪声来确定触发阈值以避免漏报)；在信号持续采集过程中，一旦某一点的幅值超过了触发阈值，则采集该点附近时间的数据，并求取其短时均方根值rms，rms定量反映了所采数据整体幅值的大小。报警信号模糊智能识别模块(即附图1上的模糊智能识别模块200)，该模块采用合适的模糊关系矩阵(特征向量)和隶属度函数来判定异常故障与征兆之间的不确定关系，进而确认异常事件，提高报警的正确率。将进行识别的信号通过信号显示终端(上位机)分别传输至连接至信号显示终端的显示器，打印机，报警指示盘，声监器等，并通过上位机将需要传输的数据传输至dcs系统中。本发明通过增加模糊智能识别模块，采用初步判断和精确判断所采集到的松脱部件的振动信号幅值，分层次逐步降低松脱部件监测系统的误报警率；通过引入模糊函数的理念，让机器通过学习专家知识和已有事件的经验积累自动做出判断，通过模糊诊断模块可以实现波形甄别器及设置合理信噪比区间，过滤外部干扰噪声，提高报警的正确率。解决了现有技术中不能准确地自动识别非松脱部件撞击产生的信号、松脱部件监测系统的误报警率高的问题。

实施例二

本发明实施提供了一种降低核电厂的松脱部件与振动监测误报警率方法，适用于实施例一所示的系统中，参见图3松脱部件与振动监测误报警率方法流程图，主要包括如下步骤：s100、持续采集松脱部件的实际振动信号,并同时监控实际振动信号的振幅,当某一时刻振动信号振幅超过触发阈值,采集该时刻附近时间段的振动信号的多个振幅,对多个振幅进行计算、求均方根值,若所述均方根值大于预设的均方根阈值时,发送该振动信号；s200、接收所述振动信号,根据所述振动信号的特征向量参数和隶属度函数计算值来判定振动信号的病态征兆和异常征兆,选择对异常征兆信号进行报警。

结合附图4所示，步骤s100进一步包括如下步骤：

s101、持续采集松脱部件的实际振动信号，同时实时监控持续采集的实际振动信号的振幅，并对所述振动信号进行低通和高通滤波；当某一时刻振动信号振幅超过预设的触发阈值,采集该时刻附近时间段的振动信号的多个振幅；

s102、根据所述采集该时刻附近时间段的多个振幅,计算求取其短时的均方根值；

s103、调取预设的均方根阈值，并判断在实际均方根值大于预设的均方根阈值时,发送该振动信号至模糊智能识别模块,否则拒绝发送。

参见附图5所示，步骤s200进一步包括如下步骤：

s201、根据实测的振动信号的特征向量参数建立函数u0,u0＝[x1,x2,x3,x4]；特征向量参数包括：振动信号曲线的波形上升沿的斜率(x1)、波形下降沿的斜率(x2)、事件波纹(x3)以及波形宽度(x4)。

s202、根据历史理论振动信号的特征向量参数建立函数ui；

s203、根据函数u0和ui计算实测值和理论值的距离函数di；

s204、计算每一个特征向量对应参数差值,各特征向量参数中差值最大值设为d,根据公式计算隶属度函数rui(u0)；

s205、将隶属度函数rui(u0)与预设的隶属度函数阈值λ进行比较,并判定振动信号的病态征兆和异常征兆,选择对异常征兆信号进行报警。

进一步地，参见附图6所示，图6为报警方案设计流程图，松动部件报警算法采用“三步”法进行计算和判断，主要包括如下步骤：

第一步：先进行低通和高通滤波，选择合适的、符合探测算法的频率范围。频率下限建议设置为1khz，频率上限建议设置为10khz，该步骤可以有效消除大部分背景噪声。

第二步：设置触发阈值，触发阈值＝系数×背景噪声水平(背景噪声水平由实验数据确定。在实际工程中，选取冷态低功率运行状态下的背景噪声来确定触发阈值以避免漏报)在信号持续采集过程中，一旦某一点的幅值超过了触发阈值，则采集该点附近时间(一般为)的数据，并求取其短时均方根值rms。rms定量反映了所采数据整体幅值的大小，其计算公式如下：

式中，s(i)表示采集到的数据，n表示数据长度。

随后，将求得的rms与第一阈值(均方根阈值)进行对比来判断是否报警。若rms<第一阈值，则不报警；若rms＞第一阈值，则进入第三步。

第三步：采用合适的模糊关系矩阵(特征向量)和隶属度函数来判定异常故障与征兆之间的不确定关系，进而确认异常事件，提高报警的正确率。

用模糊模式识别的方法进行状态诊断,其效果依赖于建立模糊模式的隶属函数的准确程度。本发明将待识别对象以矢量形式表示,用求距离的方法建立隶属函数。

设待识别对象(实测值：实际振动信号)u0＝[x1,x2,x3,x4]，它与预先设置的第二阈值，即均方根阈值，该第二阈值的计算依据为：t组典型异常模糊模式(理论值)之间的距离为：

式中xj为待识别对象u0的特性指标,j＝1，2，3，4；xij为典型异常模糊模式ui的特性指标，i＝1,2,….t,j＝1，2，3，4。

令d＝max(di(u0,,ui)),j＝1，2，3，4

则模糊模式ui的隶属函数为：

由公式(1)、(2)求得隶属度后，将最大隶属原则和第二阀值原则相结合，进行识别判断。

规定某一阀值(第三阈值)λ∈[0,1]，

若待识别异常征兆集病态，拒绝识别；

若待识别异常征兆集健康,进一步按最大隶属原则对u0进行判定，认为u0归属于ui所代表的异常模糊模式，即触发报警。

本发明的阀值大小是经大量实例计算后确定的，将确定后的每一个阈值存储在存储器中以备调用与实际的计算值进行比较判断。在将模型应用于异常信号诊断之前，先提供大量的病态征兆集，计算为剔除每一病态征兆集所需的最小阀值，最后取这一组第三阀值的最大值作为诊断模型的阀值。一般取阀值λ＝0.35即可有效地剔除病态待识别异常征兆集。

附图7为特征向量参数波形图，图中包表示振动信号曲线的波形上升沿的斜率、波形下降沿的斜率，理论值与实际值之间的正交误差代表事件波纹以及曲线下方的积分曲面为波形宽度。本发明运用模糊数学方法,将阀值原则和最大隶属原则相结合,建立了异常信号诊断模型；通过模糊识别模块可以实现波形甄别器及设置合理信噪比区间，过滤外部干扰噪声。

需要说明的是：上述实施例提供系统在方法实现时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的系统和方法实施例属于同一构思，其具体实现过程详见方法实施例的描述，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中。上面所提到的控制或者实现的切换功能都是通过控制器实现，控制、计算或者处理模块等可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。上面所提到的存储器可以是终端内置的存储设备，例如硬盘或内存。本发明系统还包括了存储器，存储器也可以是系统的外部存储设备，插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。存储器还可以既包括系统的内部存储单元，也包括外部存储设备，用于存储计算机程序以及所需的其他程序和信息。存储器还可以用于暂时地存储已经输出或者将要输出的信息。

综上所述，本发明通过采用低高通滤波、rms阈值比较以及模糊判断三步法，分层次逐步降低松脱部件监测系统的误报警率；通过引入模糊函数的理念，即特征向量和隶属度函数矩阵，让机器通过学习专家知识和已有事件的经验积累自动做出判断，提高报警的准确率；通过对不同特征参数的隶属度函数进行合理设置，可以起到波形甄别器的功能，过滤信号频率高、衰减缓慢、加速度幅值较低的干扰噪声信号，保留衰减快速、加速度幅值较大的真正事件波形；过对事件波纹的隶属度函数进行合理设置，可选择合理的信噪比区间，以提高报警的可靠性。运用模糊数学方法,将阀值原则和最大隶属原则相结合,建立了异常信号诊断模型；通过增加模糊智能识别模块可以实现波形甄别器及设置合理信噪比区间，过滤外部干扰噪声。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。