[发明专利]响应学得的声音特征的诊断系统

说明书

本发明涉及对核反应器冷却剂管道中脱落的零件的声音特征的识别，所述脱落的零件在运行着的压力水核反应器或其类似物的冷却剂管道中运动。具体地说，涉及一种包括神经网络配置的系统，所述神经网络可操作，以便学习代表松开零件的特定特征，并且然后用于辨别在运行的设备背景噪声中是否存在这种特征。

当松散的金属碎片撞击管道壁时会发出声音，借助于控制这种声音，可以检测通过核反应器冷却系统的管道移动的金属碎片。经过一段时间之后，这些松散的碎片可能腐蚀管道，或积聚在管道内导致运行故障。如果碎片中包括核燃料颗粒，积聚的碎片可能导致局部发热并发生核放射。即使碎片是无害的金属，例如松开的钢螺母或螺栓，它们可能滞留下来导致妨碍机械系统例如阀门的正常工作，或者可能撞击暴露的部分，结果导致破坏或产生更多的金属碎片。通过系统的强有力的冷却剂流会驱动这些碎片，使其具有相当的冲量。因而希望能监视这些松散碎片的存在，以便采取合适的补救措施。

借助设置声学检测器、放大器和门限检测器可以提供一种检测松散碎片的系统，以便监视由冷却剂管道的构件发出的声音。尤其是在管道的拐弯处，较重的金属碎片的动量将碎片推向管道壁或阻挡物。这种系统依赖于在检测器和放大器的频率响应范围内发声幅值的增加，因而不能识别松散零件的噪声和在正常运行时管道系统的背景噪声即运行噪声。使用这种检测系统，不能容易地识别背景噪声，例如扰动流的嗡嗡声，也不能辨别由于热膨胀引起的管道相对于其支撑的相对位移而产生的吱吱声或劈拍声以及类似的其它正常噪声。

用于改善门限检测系统的识别能力的装置是公知的。例如，可以改变检测器触发的门限值，从而反应背景噪声的变化，即只有当声音大于平均背景噪声时才触发，以便减少误触发。但这具有相反的效果，即使检测到由松散零件产生的噪声的可能性也随之减小。

在冷却剂流中的松散零件可以产生不同于由直接碰撞产生的尖的声音，例如，松散零件与直的管道部分之间的摩擦可以产生低幅值的声音，或者由于它的限制改变了管道截面，从而改变冷却剂流动的声音。当然，门限检测系统不容易响应这种低幅值的声音。

本发明监视由冷却剂管道发出的具有特定声音特征的声音。所述的声音特征可以代表松散零件的撞击。撞击对于特定类型和特定大小的碎片而言具有特定的振铃特征，一般定义一种具有特定频率的周期波，在发生撞击时声音突然升高，而后基本上以指数形式降低回背景噪声值。刮削声和其它形式的撞击或摩擦噪声也有其特征，这些特征是独特的，例如在某一时间间隔内存在特定的信号参数。按照本发明，这种特征被作为经验学习，即作为识别参数被存储在神经网络的决定树配置中。在设备运行期间，借助于持续方式监视这些识别参数的发生，就能够精确地辨别背景噪声的类型。虽然背景噪声的幅值可以大于松散零件的特征幅值，并且可能包括全部或部分相同的频率范围，但是随机的背景噪声不能触发神经网络识别装置。

用于自动类型辨别之类的神经网络被披露过，如US5，010，512-Hartstein等，5，095，443-Watanabe;以及5，103，496-Andes等美国专利中。节点或神经元细胞的阵列以连续的级被这样相互连结着，使得在给定级中的每个节点和前一级中的全部节点相连。各个神经元从前一级对其输入施加一算述函数，并且每个产生输出，该输出是该神经元输入的加权和的函数。该输出成为下一级神经元的输入，并且在若干级之后，至少产生一个输出，该输出代表初始输入表示神经元网络要辨识的类型的可能性。神经元处的算术函数可以是简单的，例如为输入的加权和（为每一种神经元的输入都存储着加权系数），也可以是较复杂的。在学习周期期间，各个输入的系数被向上或向下调整，以便使最后的结果误差最小，这样便对网络要辨识的类型进行学习。

神经元网络的输入可以代表一段时间内相继采样的幅值，在一频率范围内的频率信息，或所选取的频率梳，幅值和/或频率存在的时间等等。神经网络可用硬件实现，例如上述专利中那样，也可以用软件实现。