一种核电疲劳监测系统中温度传感器响应时间校准方法技术方案

本发明专利技术公开了一种核电疲劳监测系统中温度传感器响应时间校准方法，包括测量关键参数和响应时间，所述关键参数包括环境温度以及测量频率还有响应时间常数，对所述关键参数和响应时间进行数据预处理，计算所述预处理后的关键参数对响应时间的贡献度，对所述贡献度进行纠正，根据纠正后的所述贡献度依次校准温度传感器响应时间。该方法不仅可以提高校准精度，同时具有较好的可解释性，可以直接应用于核电疲劳监测系统中。疲劳监测系统中。疲劳监测系统中。

【技术实现步骤摘要】
一种核电疲劳监测系统中温度传感器响应时间校准方法


[0001]本专利技术涉及校准
，尤其涉及一种核电疲劳监测系统中温度传感器响应时间校准方法。

技术介绍

[0002]校准技术在核电疲劳监测领域的应用越来越广泛，可以帮助疲劳监测管理者及时、高效地获取设备疲劳信息，实现设备疲劳精准管理。目前，在核电厂所有运行事件中，约有10％是与传感器异常直接相关的，传感器故障导致核电厂重要设备的停运或停机、停堆等事故的发生。
[0003]通常在一个校准周期内，某些传感器的漂移或偏差程度不足以需要进行校准或维修，而每一个不必要的维修校准行为都有可能造成仪表的损坏或性能退化，因此传感器的过度测试校准不仅造成人力物力的浪费，还可能降低仪表性能，减少仪表使用寿命，若传感器的故障发生在仪表的校准周期内，造成传感器故障不能被及时发现，影响控制系统运行状态，导致核电厂运行经济性下降以及威胁核电厂的安全。

技术实现思路

[0004]本专利技术的目的是要提供一种核电疲劳监测系统中温度传感器响应时间校准方法。
[0005]为达到上述目的，本专利技术是按照以下技术方案实施的：
[0006]本专利技术包括以下步骤：
[0007]A测量关键参数和响应时间，所述关键参数包括环境温度以及测量频率还有响应时间常数；
[0008]B对所述关键参数和响应时间进行数据预处理；
[0009]C计算所述预处理后的关键参数对响应时间的贡献度，
[0010]D对所述贡献度进行纠正；
[0011]E根据纠正后的所述贡献度依次校准温度传感器响应时间，包括以下步骤：
[0012]构建基于粒子群的基于粒子群的支持向量机算法；
[0013]采用飞鼠搜索算法和粒子群算法依次优化核函数参数和惩罚因子；
[0014]使用预处理后的部分数据训练所述基于粒子群的支持向量机算法，利用剩下的预处理数据预测所述关键参数；
[0015]进一步，测量所述关键参数和响应时间的，采用回路电流阶跃响应法测量所述响应时间，所述测量方法包括：
[0016]将恒流源和采集设备分别并联在温度传感器的两边；给恒流源通30～80mA的直流电，持续20～40s；测量并记录温度的变化过程，重复测量10～50次后；归一化处理采样平均值，计算温度传感器响应时间：
[0017]R(τ)＝B0+∑B
i
exp
i
(
‑
P
i
τ)
[0018]其中B
i
毕渥数，P
i
是极点，B0是频域传递函数转换为时域动态响应方程时的常数；
[0019]将信号发生器产生一个已知频率的信号输入温度传感器中，当输出电信号的频率与信号发生器的频率相同，信号发生器的频率就是温度传感器的测量频率；
[0020]根据测量温度传感器的输入电阻确定电压响应范围，输入电阻越小，电压响应范围越大，响应时间常数越小；
[0021]利用温度传感器实时测量环境温度。
[0022]进一步，对所述响应时间进行数据预处理，所述预处理包括去除离群点，剔除随机噪声，使用稳健独立成分分析算法对预处理后的环境温度和测量频率以及响应时间常数进行去除相关性。
[0023]进一步，使用稳健独立成分分析算法所述对预处理后的环境温度和测量频率以及响应时间常数进行去除相关性，包括：
[0024]由n个未知的关键参数所组成的数据，在经过线性混合之后得出如下模型：
[0025][0026]其中X(t)＝[x1(t)，x2(t)，
…
，x
m
(t)]T
为观测向量，S(t)＝[s1(t)，s2(t)，
…
，s
m
(t)]T
为n个未知数据源所组成的向量，矩阵H为未知的混合矩阵(m
×
n)，假设矩阵H行满秩，则其中每个元素h
ij
(h
ij
＝[H]ij
)表示第j个关键参数在第i个观测变量上的混合系数；
[0027]对关键参数贡献度S的估计：
[0028]为了从X中估计出关键参数S，需要引入一个：
[0029][0030]μ
opt
＝arg max
μ
|K(w
i
+μg)|
[0031][0032]w
i.
(k)＝w
i
(k
‑
1)+μ
optg
[0033][0034]S＝w
1i.
(k)X
[0035]其中W(n
×
m)是分离矩阵，最优步长的精确线性搜索μ
opt
，g为梯度，峭度准则更新分离矩阵w
i.
(k)w
i
(k)归一化处理得到w
1i
(k)。
[0036]进一步，计算所述预处理后的关键参数对响应时间的贡献度，包括：
[0037]估计出样本数据X＝(x1，x2，
…
，x
k
)的关键参数S＝(s1，s2，
…
，s
k
)；计算关键参数贡献度：
[0038][0039][0040]其中ω(|S|)是贡献分配加权因子，|S|是关键参数的大小，n是关键参数的参数个数，W
i*
(V)是关键参数贡献度，V(S/i)表示关键参数出去参数i后剩余的贡献度。
[0041]进一步，所述纠正贡献度，包括：
[0042][0043][0044]ΔW
i
(V)＝ΔH
i
V(N)
[0045][0046]W
i*
(V)＝W
i
(V)
‑
ΔW
i
(V)
[0047]其中响应时间的贡献度θ
i
，响应时间i的新权重为H
i
，新旧权重之差ΔH
i
，微调量ΔW
i
(V)，纠正贡献度W
i*
(V)。
[0048]进一步，所述采用飞鼠搜索算法和粒子群算法依次优化核函数参数和惩罚因子，包括：
[0049]a、设置响应时间范围和迭代次数以及响应时间取值间隔还有误差概率，将核函数参数作为初始位置，惩罚因子作为优化目标；将响应时间倒数的最小值作为适应度函数，根据适应度函数计算每个响应时间的适应度并进行排序，确定出响应时间在环境温度和测量频率以及响应时间常数，分别作为全局最优解与局部最优解；对于仍在搜索的响应时间，不断更新其位置信息以靠近响应时间；若满足适应度函数值最小则输出结果，否则更新环境温度和测量频率以及响应时间常数找适应度函数值最小，迭代到最大次数，算法终止，输出结果；
[0050]b、所述输出结果与粒子对应，混沌初始化粒本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种核电疲劳监测系统中温度传感器响应时间校准方法，其特征在于，包括以下步骤：A测量关键参数和响应时间，所述关键参数包括环境温度以及测量频率还有响应时间常数；B对所述关键参数和响应时间进行数据预处理；C计算所述预处理后关联响应时间的关键参数的贡献度，D对所述贡献度进行纠正；E根据纠正后的所述贡献度依次校准温度传感器响应时间，具体包括以下步骤：S1构建基于粒子群的基于粒子群的支持向量机算法；S2采用飞鼠搜索算法和粒子群算法依次优化初始位置和惩罚因子；S3依据优化后的初始位置和惩罚因子设置基于粒子群的支持向量机算法的初始参数，随机选取预处理后的数据训练所述基于粒子群的支持向量机算法，利用随机选取剩下的预处理数据预测所述关键参数；S4根据所述纠正贡献度依次校准，根据预测测量频率调整所述关键参数的温度传感器的测量频率，将温度传感器串联可调电阻根据预测响应时间常数调整可调电阻的阻值，根据预测环境温度采用正余弦优化下的最小二乘支持向量机的方法对温度传感器进行温度补偿。2.根据权利要求1所述核电疲劳监测系统中温度传感器响应时间校准方法，其特征在于，对所述响应时间进行数据预处理，所述预处理包括去除离群点，剔除随机噪声，使用稳健独立成分分析算法对预处理后的环境温度和测量频率以及响应时间常数进行去除相关性。3.根据权利要求2所述核电疲劳监测系统中温度传感器响应时间校准方法，其特征在于，使用稳健独立成分分析算法所述对预处理后的环境温度和测量频率以及响应时间常数进行去除相关性，包括：由n个未知的关键参数所组成的数据，在经过线性混合之后得出如下模型：其中X(t)＝[x1(t),x2(t),
…
,x
m
(t)]
T
为观测向量，S(t)＝[s1(t),s2(t),
…
,s
m
(t)]
T
为n个未知关键参数所组成的向量，矩阵H为未知的混合矩阵(m
×
n)，假设矩阵H行满秩，则其中每个元素h
ij
(h
ij
＝[H]
ij
)表示第j个关键参数在第i个观测变量上的混合系数；对关键参数S的估计：μ
opt
＝argmax
μ
|K(w
i
+μg)|w
i.
(k)＝w
i
(k
‑
1)+μ
opt
gS＝w
1i.
(k)X
其中W(n
×
m)是分离矩阵，最优步长的精确线性搜索μo
pt
，g为梯度，峭度准则更新分离矩阵w
i
.(k) w
i
(k)归一化处理得到w
1i
(k)。4.根据权利要求1所述核电疲劳监测系统中温度传感器响应时间校准方法，其特征在于，计算所述预处理后的关键参数对响应时间的贡献度，包括：估计出样本数据X＝(x1,x2,
…
,x
k
)的关键参数S＝(s1,s2,
…
,s
k
)；计算关键参数贡献度：度：其中ω(|S|)是贡献分配加权因子，|S|是关键参数的大小，n是关键参数的参数个数，W
i*
(V)是关键参数贡献度，V(S/i)表示关键参数出去参数i后剩余的贡献度。5.根据权...

【专利技术属性】
技术研发人员：董亮，肖哲，王海涛，文萌，孙云飞，王浩，
申请(专利权)人：辽宁省计量科学研究院，
类型：发明
国别省市：