[发明专利]一种核电站松脱部件事前预测系统及预测方法

说明书

本发明提供了一种核电站松脱部件事前预测系统和预测方法,包括第一建立模块，用于建立神经网络模型，将正常振动信号数据和松脱部件信号数据以及仿真松脱事件信号数据注入至建立神经网络模型进行训练，得到预松动振动信号的标准曲线；第一信号采集模块，用于实时采集需要预测的零部件振动信号；预测模块，用于将实时采集的零部件振动信号注入至所述神经网络模型进行识别判断，预测零部件松脱的可能性。本发明在预测过程中不需要大量的真实故障数据,通过有限的真实数据和系统数学模型仿真得到典型零部件不同阶段的松脱数据，利用神经网络方法进行识别和预测；填补了该领域对松脱部件监测只能进行事后判断的无法进行事前预测空白。

技术领域

本发明涉及核电站反应堆一回路松脱部件监测领域，具体涉及一种基于信号采集及处理系统和预测性算法的松脱部件分析预测方法，尤其涉及一种核电站松脱部件事前预测系统及预测方法。

背景技术

核电站反应堆一回路是核电站最为核心、也是安全级别最高的系统，但在核电站调试和运行中，时有松脱部件现象发生，威胁核电站的安全运行，为此尽可能早地发现松脱件可避免或减轻回路系统部件发生与安全相关的损坏或故障，减小核电站的经济损失。松脱部件监测系统(Loose part monitoring system,LPMS)是核电站一回路基本的安全监测系统之一，对核电站的安全运行具有重大意义。

现有的松脱部件监测系统是对已经产生的冲击信号进行分析，即只能对已经松脱脱落或与其他部件产生明显撞击的零部件进行识别和报警，无法在明显碰撞发生前对撞击事件进行预测，且传统的故障预测方法建立在经验公式或实验数据上，但由于核电站一回路结构复杂，零件数量庞大，没有成熟的经验公式和大量的系统实验数据。神经网络和人工智能技术虽在复杂系统的故障诊断和预测中得到日益广泛的应用，但机器学习往往需要大量的样本进行训练，而核电站一回路是安全级别要求最高的系统，同样没有太多现场的故障数据进行机器学习。

所以急需寻求一种可以实现对一回路典型零部件可能发生的松脱事件进行预测的技术方案。

发明内容

本发明针对上述技术问题，提供了一种基于预测性数学模型的神经网络算法的核电站松脱部件事前预测方法及系统，解决了现有技术中无法在明显碰撞发生前对撞击事件进行预测以及传统松脱部件预测方法需要借鉴经验公式以及大量的真实故障数据的技术问题。

本发明用于解决以上技术问题的技术方案为，一种核电站松脱部件事前预测系统,用于核电站反应堆一回路松脱部件监测,其系统包括：第一建立模块，用于建立神经网络模型，将正常振动信号数据和松脱部件信号数据以及仿真松脱事件信号数据注入至建立神经网络模型进行训练，得到预松动振动信号的标准曲线；第一信号采集模块，用于实时采集需要预测的零部件振动信号；预测模块，连接所述第一建立模块和第一信号采集模块，用于将实时采集的零部件振动信号注入至所述神经网络模型进行识别判断，预测零部件松脱的可能性。

其中，所述系统还包括显示模块，连接所述预测模块，用于将预测结果进行量化呈现。

其中，所述系统还包括：第二信号采集模块，设置在所述一回路某一区域上，用于采集该区域零部件的正常振动信号；第三信号采集模块，设置在所述一回路某一区域上，用于采集该区域松动零部件的松脱部件振动信号。第二建立模块，用于根据一回路各区域的结构特点，建立不同区域的数学模型；优化仿真模型模块，连接第二信号采集模块和第二建立模块，用于接收所述正常振动信号，利用正常振动信号数据对所述数学模型进行优化以得到优化仿真模型；仿真故障信号数据模块，连接第三信号采集模块和优化仿真模型模块，用于接收松脱部件振动信号，将松脱部件信号数据和预设的松脱指标输入至所述优化仿真模型，计算得到所述仿真松脱事件信号数据。