低信噪比下松动部件的检测方法

针对低信噪比环境下核电站松动件的检测,以降低误报率、漏报率为目标,提出了一种基于盲解卷积算法的松动部件冲击响应提取方法,并进一步结合支持向量机分类辨识算法,给出了一种低信噪比环境下核电站松动部件检测方法。利用叠加实堆背景噪声的平板钢球跌落实验数据开展了报警研究,并对盲解卷积算法进行了参数优化设计。结果表明:优化后的盲解卷积算法能够很好地恢复出信噪比低至-20dB的冲击响应信号,并使噪声能量降低了75%,有效抑制了噪声;给出的松动部件检测方法在信噪比低至-14dB时,仍具有极低的漏报率,并且噪声误报率和脉冲干扰误报率为零,因而具有良好的抗误报、抗漏报能力。

基于深度置信网络的松动部件质量估计方法研究

为解决以往核电站冷却系统松动部件质量估计方法存在的精度不高的问题,提出了一种基于深度置信网络的松动部件质量估计方法。基于平板模型上的不同质量钢球跌落实验,利用冲击信号的自功率谱与对应钢球质量来训练深度置信网络模型,进一步对跌落钢球质量进行了分类预测,并与支撑向量机和神经网络模型预测方法进行了比较。结果表明:深度置信网络方法能对跌落钢球质量进行较好的分类预测,分类平均正确率达到94%以上,预测结果好于支撑向量机(87.57%)和神经网络(91.64%),具有较高的跌落钢球质量预测精度。