ATOMERŐMŰVI ZAJDIAGNOSZTIKAI MÉRÉSEK JELEINEK VIZSGÁLATA ÉS KOMBINÁLT MINŐSÍTÉSE. PhD értekezés. Kiss Sándor

ATOMERŐMŰVI ZAJDIAGNOSZTIKAI MÉRÉSEK JELEINEK VIZSGÁLATA ÉS KOMBINÁLT MINŐSÍTÉSE

PhD értekezés

Kiss Sándor

BME Nukleáris Technikai Intézet KFKI Atomenergia Kutatóintézet Budapest, 2003

Atomerőművi zajdiagnosztikai mérések jeleinek vizsgálata és kombinált minősítése

Cím: Atomerőművi zajdiagnosztikai mérések jeleinek vizsgálata és kombinált minősítése Kivonat – A dolgozat az atomerőművi zajdiagnosztikai mérésekhez kapcsolódó mérési és detektálási problémákkal, valamint a reaktorspecifikus jelminősítési lehetőségekkel foglalkozik. A dolgozat első felében a zajdiagnosztikai célra használt üzemi detektorok mérési tulajdonságait tárgyaljuk. Mivel a jel dinamikai tulajdonsága – a detektor átviteli tulajdonságain túl – a detektort és a detektor szerkezeti elemeit érő intenzív sugárzástól, valamint az adott mérési elrendezéstől is függ, ezért ezeket a tényezőket összefüggéseikben vizsgáljuk. Ennek során részletesen foglalkozunk a kompenzálatlan kábelű β-emissziós detektorok frekvenciaátviteli tulajdonságával is. A dolgozat második felében olyan eljárásokat és módszereket sorakoztatunk fel, amelyekkel a jel hitelesítése a reaktor üzeme alatt végezhető el. Ezt a nagyszámú, különféle célú vizsgálati eljárást egy rugalmasan alakítható struktúra segítségével egységes rendszerbe foglaljuk. A kidolgozott minősítő rendszerben az egyedi vizsgálati eljárások minősítő értékeket állítanak elő, melyekből az alkalmazott döntési struktúra összegzési mechanizmusa egy végső minősítési értéket képez.

Címfordítás: Investigation and Combined Validation of Noise Signals Measured in Nuclear Power Plants Abstract – The thesis deals with measurement and detection problems associated with noise diagnostics measurements performed in nuclear power plants, as well as with possible reactor specific signal validation methods. In the first part the measurement features of operating detectors used for noise diagnostics purposes are dealt with. Signal characteristics of detectors may be significantly influenced, besides the transfer properties of the detector, by the geometrical properties of the measuring arrangement and by the radiation, therefore these features are investigated collectively. In connection with this, the transfer property of the uncompensated Self Powered Neutron Detector (SPND) is examined in detail. In the second part a special emphasis is put on the methods and practices of signal validation procedures that can be carried out during reactor operation. Taking into account the great number of available methods, a general scheme has been elaborated that can be adapted to a wide range of different requirements. Individual validation methods produce reliability/validity values. These individual validity values are combined into a final judgement by using a summation mechanism based on the applied decision structure.

Megjegyzés A dolgozat bírálatai és a védésről készült jegyzőkönyv a későbbiekben a BME dékáni hivatalában megtekinthetők.

-i-


Bevezetés ..................................................................................................................................................... 1 1. A dolgozat előzményei és célkitűzései .................................................................................................... 2 1.1. Atomerőművi jelek hitelesítésének áttekintése................................................................................. 2 1.2. A reaktor diagnosztizálásakor használt zajdiagnosztikai és zajjel-hitelesítési módszerek ............... 5 1.3. A dolgozat célkitűzései..................................................................................................................... 7 2. A zajvizsgálatok során használt eszközök, jelek és eljárások áttekintése.......................................... 10 2.1. A paksi zajdiagnosztikai jelkicsatolás felépítése ....................................................................... 10 2.2. A reaktor és a primer kör zajdiagnosztikai célra elérhető jelei.................................................. 13 2.3. Mintavételezés ........................................................................................................................... 14 2.4. Alapvető zajdiagnosztikai feldolgozási módszerek ................................................................... 15 2.5. A detektorok tulajdonságainak áttekintése ................................................................................ 17 2.5.1. Az ionizációs kamrák............................................................................................................. 17 2.5.2. A zónán belüli neutrondetektorok.......................................................................................... 19 2.5.2.1 Az SPND detektorláncok............................................................................................... 19 2.5.2.2. A hűtőközeg sebességének becslése neutronzajjelekből ............................................... 27 2.5.2.2.1. Terjedő perturbációk vizsgálata................................................................................. 27 2.5.2.2.2. A korreláció alapú sebességbecslés ........................................................................... 29 2.5.2.3. Az SPND láncok modellezése ....................................................................................... 30 2.5.2.3.1. Az SPND láncok egyszerűsített modellezése ............................................................ 31 2.5.2.3.2. Egydimenziós reaktormodellen alapuló zajszimuláció.............................................. 35 2.5.2.4. Mért zajdiagnosztikai idősorok korrekciója................................................................... 37 2.5.2.5. Az SPND detektorlánc vizsgálatának összefoglalása .................................................... 41 2.5.3. Termoelemek ......................................................................................................................... 42 2.5.4. Vibrációs- és nyomásjelek ..................................................................................................... 44 3. Jelminősítés........................................................................................................................................ 46 3.1. A zajforrás, azaz a mért rendszer minősítése............................................................................. 47 3.1.1. DC jelek (értékek) vizsgálata................................................................................................. 47 3.1.2. Az üzemviteli információk felhasználása a minősítésben ..................................................... 48 3.2. Az elektronikai mérőlánc vizsgálata és minősítése.................................................................... 49 3.2.1. A mérőlánc tesztelése vezérelhető jelgenerátorral................................................................. 49 3.2.2. Automatikus erősítésállítás .................................................................................................... 50 3.2.3. Referenciacsatorna alkalmazása és vizsgálata ....................................................................... 51 3.2.4. Az idősorok vizsgálata (Time Domain Analysis) .................................................................. 54 3.2.4.1. Az időjeltranziensek egyedi vizsgálata.......................................................................... 55 3.2.4.2. Az egyváltozós autoregresszióval összekapcsolt SPRT módszer.................................. 56 3.2.4.2.1. A módszer leírása....................................................................................................... 56 3.2.4.2.2. A kísérlet összeállítása............................................................................................... 59 3.2.4.2.3. Kísérleti eredmények ................................................................................................. 61 3.2.4.2.4. Az UAR+SPR vizsgálatának összefoglalása ............................................................. 66 3.2.4.3. Csoportos vizsgálat (a tranziensek egyidejűségének vizsgálata) ................................... 66 3.3. Detektorminősítés ........................................................................................................................... 67 3.3.1. Az időállandó vizsgálata........................................................................................................ 67 3.3.1.1. Az időállandó számítási módszere.................................................................................... 68

- ii -


3.3.1.2. A számítási eljárás vizsgálata ........................................................................................... 71 3.3.1.3. Konklúzió.......................................................................................................................... 76 3.3.2. Spektrumvizsgálatok.............................................................................................................. 77 3.3.2.1. Neurális háló .................................................................................................................. 77 3.3.2.1.1. Neurális háló gyakorlati alkalmazása spektrumosztályozásra ................................... 78 3.3.2.1.2. A tanuló- és tesztadatbázis létrehozása...................................................................... 78 3.3.2.1.3. A neurális háló tanítása.............................................................................................. 81 3.3.2.1.4. A spektrumfelismerés ................................................................................................ 82 3.3.2.1.5. A neurális háló alkalmazási próbájának összefoglalása ............................................ 82 3.3.2.2. Tapasztalati (szakértői) spektrumvizsgálat .................................................................... 82 3.3.3. Koherencia (korreláció) alapú vizsgálat ................................................................................ 84 3.3.4. Tendenciafigyelés .................................................................................................................... 85 3.3.5. Műszeres detektorvizsgálat.................................................................................................... 87 4. A kombinált jelhitelesítési eljárás...................................................................................................... 89 4.1 Az egyszerű döntési módszereken alapuló minősítési struktúrák és kiértékelésük ....................... 89 4.1.1. A jelen belüli vizsgálat felépítése .......................................................................................... 90 4.1.2. A jelek közötti kapcsolatot is figyelembe vevő vizsgálat felépítése...................................... 91 4.1.3. A kiértékelés menete.............................................................................................................. 91 4.2. Alkalmazási próba a jel minősítésére ........................................................................................ 93 4.2.1. A zajforrás minősítése ............................................................................................................. 94 4.2.2. Az elektronikai lánc minősítése............................................................................................... 96 4.2.3. A detektor tulajdonságaira és környezetére jellemző zajtényezők vizsgálata. Detektorhitelesség.......................................................................................................................................... 101 4.4.4. A vizsgálati módszerek eredményeinek összegzése .............................................................. 102 5. Összefoglaló .................................................................................................................................... 105 6. Summary.......................................................................................................................................... 106 7. Irodalom........................................................................................................................................... 107 8. Köszönetnyilvánítás......................................................................................................................... 112 9. Rövidítések ...................................................................................................................................... 113 10. Publikációs lista ........................................................................................................................... 114 11. Nyilatkozat................................................................................................................................... 117

- iii -


Bevezetés A zajdiagnosztikai módszerek alkalmazása a paksi erőmű négy VVER-440/2131 típusú reaktorának vizsgálatára a KFKI AEKI-ben már az erőmű indításakor elkezdődött. A beépített mérőrendszerek első elemei a négy blokkra telepített PDR-PDA diagnosztikai láncok voltak, melyek lehetőséget biztosítottak néhány kiválasztott ex-core, in-core, nyomás és vibrációs detektor zajjelének megmérésére [1]. A mérőláncokon 1993-ig zajlottak „off-line” (magnetofonra rögzített) mérések, melyek az AEKI-ben kerültek feldolgozásra. Az AEKI és a VEIKI az AEKI szervezésében 1992-ben a kalinyini erőműbe szállított egy komplex zajdiagnosztikai rendszert [2], amely elöregedéséig sikeresen működött. 1993-ban az AEKI a paksi erőmű 3. és 4. blokkjaira kiépítette a kalinyini rendszer Paksra adaptált változatát, a CARD diagnosztikai rendszereket, melyek 1996-ig folyamatosan üzemeltek. 1992-ben megkezdődött a PDRPDA szekrények kiváltása a VERONA [3, 4, 5] zajdiagnosztikai kicsatolásokkal. Ezek teljes beüzemelése ez idáig csak a 4. blokkon történt meg, a többi blokkon csak részlegesen valósult meg. Az AEKI a 90-es évek elején elkezdte a JEDI zajdiagnosztikai rendszer [6] fejlesztését, de az ipari körülmények közé szánt változatnak a kidolgozását megrendelés hiánya miatt 1997-ben abbahagyta. Jelenleg az erőműben a felsorolt három rendszer hardver- és szoftvermoduljainak a keveréke használatos. A nemzetközi tapasztalatok szerint a zajdiagnosztika használatával több esetben sikerült olyan elváltozásokat feltárni, amelyek később komolyabb problémákhoz vezethettek volna, vagy olyan információt nyújtani, amely a költségek csökkenését eredményezte [7]. Olyan súlyos esemény is ismert, amely már egyszerűbb zajdiagnosztikai megoldások alkalmazásával időben felderíthető lett volna (a zónatartó kosár mozgása a greifswaldi erőműben [7]). A paksi zajdiagnosztika helyzete az elmúlt két évtizedben hullámzóan alakult. A módszer újdonságából eredő hajtóerőnek köszönhetően a kezdeti időszakban a diagnosztikai tevékenység folyamatosan fejlődött, majd 1996-ban – a paksi diagnosztikai tevékenység leállításával, ami részben a megelőző időszak viszonylagos eseménytelenségével magyarázható – mélypontra került. Az ezt követő – és a megelőző időszakhoz képest aggasztóbb, a reaktor biztonságát potenciálisan veszélyeztető – események (pl. kazettaeltömődés, idegen test jelenléte, SZBV beszorulás) következtében a zajdiagnosztikai tevékenység fokozatosan feléledt, és hasznos információkkal szolgált a felmerült rendellenességek kivizsgálásában [8]. Az iparági tapasztalatok szerint az élettartamuk felénél idősebb reaktorok esetén a technológiai folyamat és a rendszerkomponensek monitorozása nagyobb hangsúlyt igényel. Paks vonatkozásában a tervbe vett átalakítások, nevezetesen az élettartam meghosszabbítása, a teljesítmény növelése és az új típusú fűtőelemek bevezetése további indokokat adnak a diagnosztikai fejlesztésekre. Ezen projektek megvalósítása esetén olyan új vagy továbbfejlesztett, on-line monitorozó rendszer kifejlesztése válik szükségessé, amely nagyobb kapacitású adatgyűjtő és jelvizsgálati képességekkel rendelkezik. Ehhez kapcsolódóan szükségesnek látszik a jelenlegi zajdiagnosztikai rendszerek fokozatos rekonstrukciója is. A dolgozat egyik célja, hogy olyan eredményekkel szolgáljon, amelyek közvetlenül hasznosíthatók az elkövetkezendő zajdiagnosztikai rendszerépítések, illetve -fejlesztések során, ezért a rendszerfejlesztésben közvetlenül felhasználható, a reaktorra jellemző mérési és detektálási problémákat, valamint a reaktorspecifikus jelminősítési lehetőségeket járja körül, míg a reaktorban zajmódszerekkel felderíthető jelenségekkel csak érintőlegesen foglalkozik.

1

A közismert és a gyakran használt rövidítések jegyzéke külön fejezetben a dolgozat végén található. -1-


1. A dolgozat előzményei és célkitűzései 1.1. Atomerőművi jelek hitelesítésének áttekintése Az atomerőművek üzemeltetése sok potenciális veszélyt rejt magában, ezért a kezdetektől fogva nagy erőket fordítottak a reaktor működési biztonságának fokozására. A biztonságos üzem megvalósítása több pilléren nyugszik. Az egyik a reaktor inherens biztonsága. Ekkor a reaktort úgy tervezik és építik meg, hogy egy esetleges üzemzavar után bekövetkező események a reaktort biztonságos üzemállapot felé mozdítsák el [9, 10, 11, 12]. A másik fontos terület a reaktor külső biztonságának a növelése. Ez a reaktorhoz épített különböző biztonságvédelmi és szabályozó rendszerek segítségével valósul meg. A reaktor működésébe való beavatkozás kiváltása mind biztonságvédelmi, mind szabályzástechnikai vonatkozásban meghatározott fizikai paraméterek mérési eredményeinek (az úgynevezett folyamatváltozóknak) az alapján történik. (Például egy biztonsági rendszer akkor lép működésbe, ha az általa figyelt paraméter vagy paraméterek valamelyike egy adott szintet átlép.) Ezért a mért értékek megbízhatósága alapvető a biztonságos üzem megvalósításához. A továbbiakban [13, 14] alapján röviden áttekintjük a szabályozórendszerekben alkalmazott jelhitelesítési elveket. A jelek megbízhatóságának szavatolása a biztonságvédelmi rendszerekben elsősorban a redundancia és a diverzitás elvén alapszik. Redundancia: A fontos fizikai paraméterek mérésére több azonos mérőláncot építenek be. Például a háromszorosan redundáns rendszereknél akkor fogadnak el egy jelet hitelesnek, ha a három rendszerből kettő bizonyos hibahatáron belül ugyanazt az értéket mutatja. Alkalmazzák még a négyből a kettő redundáns rendszereket is. Gyakori megoldás a többszörösen redundáns jelek esetében, hogy a legnagyobb és a legkisebb értékeket eldobják, és a megmaradó értéket (több megmaradó érték esetén a megmaradó értékek átlagát) veszik alapul. Diverzitás: Ugyanazon fizikai jellemző mérésére különböző elven működő mérőláncokat építenek be, és a mért értékeket akkor tekintik hitelesnek, ha azok egy meghatározott hibahatáron belül megegyeznek. Ezzel a megoldással a szisztematikus hibák küszöbölhetők ki. A párhuzamos üzemű rendszerek létesítése jelentős többletköltséggel jár, ezért ezeket a megoldásokat főleg a kiemelten fontos jelek (fizikai mennyiségek) mérésekor használják. (Megjegyzendő, hogy a biztonsági rendszerekben gyakran nemcsak a mérőláncot, hanem az egész beavatkozási láncot redundánsan és/vagy diverzen építik meg.) Nagyszámú jel egyszerűen megvalósítható (és nem utolsósorban kevésbé költséges) minősítése a jelek értékének figyelésén alapszik. A legegyszerűbb ilyen eljárás a jelek limitfigyelése. Ennek során a mért jelet egy rögzített értékkel vagy értékekkel hasonlítják össze, és akkor fogadják el hitelesnek, ha a mért érték a beállított érték alá, vagy – alsó és felső limit esetén – a megadott, illetve a beállított korlátok közé esik. A jelek, mért adatok pontossága döntően függ a mérőrendszer állapotától, ezért a jel hitelességét időszakosan a mérőláncok vizsgálatával is ellenőrzik. Ennek két fontos módszere a mérőrendszer kalibrációjának és integritásának az ellenőrzése. A mérőrendszer kalibrációjának ellenőrzése. Az ellenőrzés a mért rendszer (illetve mennyiség) ismert mértékű megváltoztatása vagy a mérőlánc bemenő jeléhez kevert tesztjel segítségével történik.

-2-


A mérőlánc integritásának ellenőrzése. A vizsgálat a mérőlánc egészének működését ellenőrzi. A vizsgálat során a mért rendszer (illetve mennyiség) egy stabil állapotában ismert mértékben megváltoztatják a mérőrendszer bemenőoldali paramétereit, és a kimeneti oldalon bekövetkező változás alapján állapítják meg a rendszer állapotát, illetve működőképességét. Ezt a vizsgálatot sok esetben automatizáltan valósítják meg. (Az egyik elterjedt ellenőrzési módszer a detektorok ellenállásának a figyelése. Ezt a módszert a paksi erőműben is alkalmazzák.) A nyolcvanas évek közepéig gyakorlatilag az említett módszerek jelentették az atomerőművi jelek hitelesítését. A technika fejlődése magával hozta az analóg rendszereket fokozatosan felváltó digitális mérő- és vezérlőrendszereket. Magától értetődően a fentebb ismertetett elvek a digitális rendszerekben is megjelennek. Ezekben a rendszerekben különösen nagy hangsúlyt kap a szoftverek funkcionális diverzitásának megteremtése, valamint az eltérő hardver és az eltérő real-time operációs rendszerek alkalmazása is. (Ld. az U.S. Nuclear Regulatory Commission állásfoglalása [15].) A kilencvenes évekre a repülőgépekre kidolgozott jelhitelesítési technikák megteremtették a fejlett számítógépes jelhitelesítési módszerek alkalmazásának alapját az atomerőművi jelek hitelesítésére is [14]. Ezek a módszerek a jelek közötti összefüggések ismeretében, a redundanciák kihasználásával, logikai kapcsolatok és analitikus modellek felhasználásával végzik el a mért értékek hitelesítését [16, 17, 18]. A zajjeleknél redundáns kiépítéssel, illetve diverzitással nem rendelkezünk, azonban egyfajta redundanciával mégis számolhatunk. Ez abból adódik, hogy a reaktoron mért zajjelekben – a reaktor globális fluktuációja miatt – találhatók olyan jelkomponensek, amelyekben egyfajta azonosság megfigyelhető. Ezt pedig a jelek megfelelő csoportosításával, a zajjelek spektrumainak összevetésével, a jelek között koherenciák vizsgálatával és megfelelő szabályrendszer kidolgozásával a zajjelek hitelesítésére is kihasználhatjuk. Ebben az időszakban kísérletek történtek a neurális hálózaton alapuló jelhitelesítés bevezetésére is [19]. A módszert kiforratlansága (a számítási folyamat átláthatatlansága, a jelentős számításigény és a hitelesítést megelőző tanulási folyamat szükségessége) miatt a 90-es évek elején még csak elvétve alkalmazták. Hasonló sorsra jutott a hypercube módszer [18, 20] is, melynek használatát szintén egy nagy adatbázis létrehozása előzi meg, azzal a különbséggel, hogy az adatbázis feltöltését itt nem tanulásnak, hanem a rendszer kalibrációjának tekinthetjük. Az ilyen és az ezekhez hasonló, nagy számítógép-kapacitást igénylő módszerek alkalmazására a 90-es évek közepére értek meg a feltételek. Ez adta a lehetőséget, hogy megvizsgáljuk a neurális háló felhasználását a zajjelek minősítésére is. Itt nem rendszerállapot felismerésére, hanem a jelek spektrumaiban bekövetkező változások felismerésére próbáltuk alkalmazni a módszert (ennek részletei a 3.3.2.1. fejezetben találhatók). A kilencvenes évek végére ismét előtérbe kerültek az egész rendszer állapotát vizsgáló úgynevezett állapotazonosító rendszerek, amelyek már az előző bekezdésben említett módszereket is magukba olvasztották. Ilyenek például az MSET (Multivariate State Estimation Technique) [21] rendszer, vagy az általunk közelebbről megvizsgált PEANO (Process Evaluation and Analysis by Neural Operators) rendszer – azaz folyamatkiértékelés és -vizsgálat mesterséges neurális hálók segítségével [22] –, mely az OECD Halden Reaktor Projekt keretében került kifejlesztésre. Az MSET feketedoboz-módszer, amely on-line monitorozásra, hibafelismerésre, illetve diagnosztikára, valamint az elromlott szenzorok jelének becslésére készült. A szoftverrendszer három fő modulból áll. - Betanuló modulból, amely a normális üzemviteli adatok alapján megtanulja a detektorok normális működésének tartományát és a detektorjelek együttmozgását.

-3-


-

Modellező vagy állapotbecslő modulból, amely a betanult normálállapot alapján becslést ad a mért adatok tényleges értékére. Hibafelismerő modulból, amely a mért és a becsült értékek különbségét SPRT-vel (Sequential Probability Ratio Test) megvizsgálva szűri ki a hibás jeleket.

A PEANO rendszer több, különböző on-line méréssel azonosított folyamatot folytonosan értékel abból a szempontból, hogy mennyiben azonosítható a folyamat mögött álló technológia állapota valamely korábban megvalósult folyamatállapottal. Ehhez a rendszert be kell tanítani a tipikus folyamatállapotoknak megfelelő adatsorokkal. Ez a betanítás történhet rögzített mért adatokkal, vagy akár szimulátorral generált adatsorokkal is. A fentiekből következik, hogy itt tipikusan ún. feketedoboz-modellről beszélhetünk, tehát a rendszerbe nem építünk be semmit a mögöttes technológia fizikai modelljéből. A PEANO rendszer és algoritmus – minden olyan módszerhez hasonlóan, amely folyamatváltozók minősítését végzi – csak arra vonatkozóan hoz ítéletet, hogy az adatok mért rendszere valamely adott pillanatban, illetve időszakban mennyiben konzisztens. Az esetleges inkonzisztenciának alapvetően két oka lehet: mérési hiba, illetve rendellenes állapot a felügyelt technológiában. Az állapotazonosító rendszerek alkalmazásánál fontos szerepe van az emberi tényező effektusnak, nevezetesen hajlamosak vagyunk általános igazságnak tekinteni azt, ami az esetek nagy százalékában igaznak bizonyul. Itt azáltal jelentkezik ez az effektus, hogy inkonzisztencia esetén a mérőrendszer hibája a legvalószínűbb. Nem hagyhatjuk azonban figyelmen kívül azt a lehetőséget, hogy a jelenség a technológiából származik, hiszen ennek potenciálisan sokkal súlyosabbak a következményei. Emiatt sohasem szabad egyenlőségjelet tenni az inkonzisztens mérés és a hibás mérőrendszer fogalma közé. A PEANO és a hasonló rendszerek szerepe lezárul azzal, hogy felderítik az inkonzisztenciát, de a feltárt jelenség okainak vizsgálata kívül esik hatókörükön, az mindenképpen az emberi szakértők feladata. Az MSET és a PEANO is elsősorban állapothatározó rendszernek készültek, ezért a jelek sztochasztikus tartalmának vizsgálatára nem feltétlenül alkalmasak. Feketetoboz-módszerként elvileg mindenre betaníthatók, ez azonban csak akkor előny, ha nem, vagy csak nehezen tudunk a jelek tulajdonságaira, a jelek közötti kapcsolatokra szabályokat, illetve összefüggéseket felállítani. Hátránynak tekinthető az is, hogy a rendszerek betanításakor mindig felmerül, hogy a rendszerek mennyire megbízhatóak a betanított tartományon kívül eső hibák kimutatásában. Az MSET hiányosságai közé tartozik, hogy detektorcserék után a rendszert elvileg újra be kell tanítani. Kérdés az is, hogy ezen rendszerek miképpen boldogulnának a zajdiagnosztikában használatos mintaszámmal, ugyanis ez több nagyságrenddel meghaladhatja az állapotazonosítás során használt mintaszámokat. Az eddig vázoltaknál összetettebb, szerteágazóbb és egyben kiforratlanabb az idősorok (fluktuáló jelek) hitelesítése. Ezen a területen a számítástechnika fejlődésének következtében napjainkra sok, korábban inkább még csak elméletinek számító módszer vált alkalmazhatóvá (pl. Kálmán-szűrő), és néhány, már klasszikusnak számító módszer került ismét előtérbe, illetve továbbfejlesztésre (pl. az SPRT, MAR, ARMA) [23, 24, 25, 26]. A viszonylagos bőség mellett azonban még mindig nem alakult ki egy olyan általánosan alkalmazható vizsgálati módszer, amellyel az időben változó jelek hitelessége teljes biztonsággal megállapítható. A fluktuáló jelek használatának egyik jellemző területe a zajdiagnosztika, ahol a kapott eredmények megbízhatósága (illetve a kapott eredmények hibás értelmezése) erősen függ a zajjel minőségétől.

-4-


1.2. A reaktor diagnosztizálásakor használt zajdiagnosztikai és zajjel-hitelesítési módszerek Az 1980-as évekre megalapozták a reaktor-zajdiagnosztika elméleti és kísérleti alapjait. Az addig elért eredmények összefoglalása Kosály György cikkében [27] és J. A. Thie könyvében [28] olvasható. A zajdiagnosztikai módszerek segítségével lehetővé vált a reaktor és a reaktor szerkezeti elemeinek működés közbeni viselkedésének nyomon követése, és ezáltal néhány meghibásodás korai felismerése. Az eddig kialakult zajvizsgálati módszerekből a teljesség igénye nélkül néhány: • a tartály, zónatartó kosár, szabályozórudak, fűtőelemek, tartószerkezetek rezgésének monitorozása, • a hőmérséklet, nyomás, hűtőközeg-sebesség ingadozásának nyomon követése, • a reaktivitás-együttható vizsgálata a hőmérséklet, nyomás stb. ingadozásának függvényében, • a primer kör elemeinek (főkeringető-szivattyúk, térfogat-kompenzátor, gőzfejlesztő) a vizsgálata és hatáskapcsolatuk a reaktorral és a reaktor szerkezeti elemeivel. A zajdiagnosztikai vizsgálatok a kilencvenes évekig döntően a helyszínen időszakosan végzett kézi mérések utólagos feldolgozása és elemzése alapján készültek. A zajmódszerek fejlesztésére, az erőművi mérések jobb megértésére világszerte – köztük az AEKI-ben is – sok laboratóriumi modellkísérlet történt [29–35]. Magyarországon a paksi erőmű első blokkjának a beindításától kezdve készültek rendszeres zajdiagnosztikai mérések [36–39]. A jelek hitelesítése a mérés (magnetofonos mérésfelvétel) előtt a jel egyszerű műszeres ellenőrzésével (feszültségmérő, oszcilloszkóp és később frekvenciaanalizátor segítségével), valamint a reaktorállapotot rögzítő úgynevezett Órás naplók és a VERONA naplók alapján történt [3, 4]. A kilencvenes években jelentek meg azok a helyszínre telepített, nagy mennyiségű adatot gyűjtő és feldolgozó számítógépes rendszerek, amelyekkel akár órás gyakorisággal is lehetett zajvizsgálatokat (mérést és feldolgozást együttesen) végezni. Az AEKI az elsők között készített és szállított komplex, automatikus mérésre és feldolgozásra képes zajdiagnosztikai rendszert VVER-1000 reaktorra [2]. Németországban a Siemens fejlesztett atomerőművi zajdiagnosztikai rendszereket. Ezek a KÜS (elszabadult alkatrészt detektáló), SÜS (rezgésmonitorozó) és az ALÜS (akusztikus szivárgásdetektáló) rendszerek voltak. Ezek PC alapú első változatai 1989-90-ben, a fejlettebb verziók pedig 1994-95-ben készültek el [40, 41]. Franciaországban több mint ötven erőművi blokkon végeznek reaktordignosztikai vizsgálatokat. A francia diagnosztikai mérések és fejlesztések döntően az EDF (Electricité de France) közreműködésével történnek. A franciák 1995-ben mutatták be a PSAD (Poste de Surveillance et d’Aide au Diagnostic) újgenerációs, integrált on-line monitorozó és off-line diagnosztizáló rendszert, melynek prototípusát 1996-ra ígérték [42, 43]. A PSAD rendszert felkészítették a reaktor belső szerkezeti elemeinek és a primer kör gépészeti elemeinek rezgésdiagnosztikájára, valamint elszabadult alkatrészek detektálására is. A rendszer jelenlegi elterjedtségének mértékéről nem áll rendelkezésre információ. A kanadai (CANDU) reaktoroknál is alkalmaznak zajdiagnosztikai mérőrendszereket a szerkezeti elemek vibrációjának és a detektorok meghibásodásának kimutatására [44]. A távolkeleti országok közül Koreában és Japánban szintén történnek erőfeszítések reaktor-zajdiagnosztikai mérések végzésére és zajdiagnosztikai rendszerek létrehozására [45, 46]. Az amerikai atomerőművekben mind kutatási, mind ipari jelleggel végeznek szisztematikus zajdiagnosztikai méréseket, azonban a mérőrendszerekről nem rendelkezünk bővebb információkkal. Zárkózottságuk következtében kevés írásos információ áll rendelkezésre a Kínában és Indiában folyó reaktordiagnosztikai, illetve -zajdiagnosztikai tevékenységről. A konferenciákon időszakosan megjelenő szakembereiktől tudható, hogy figyelemmel kísérik a világban zajló ilyen típusú tevékenységet, továbbá saját diagnosztikai fejlesztéseket és méréseket is végeznek. -5-


Mint minden mérésfeldolgozás, úgy a számítógépes zajdiagnosztikai vizsgálatok eredményeinek hihetősége – az alkalmazott módszer eredményességén túl – a mért jelek valódiságától is függ, ezért a jelek bizonyos mértékű hitelesítése már a kezdetektől fogva helyt kapott a számítógépes zajdiagnosztikai rendszerekben. A zajdiagnosztikai rendszereket ismertető – fentebb hivatkozott – publikációkban közös, és ebből a szempontból saját publikációink sem kivételek, hogy nem közölnek részleteket a rendszerekbe befutó jelek hitelesítésének módjairól. Ennek oka lehet üzleti, vagy az, hogy a rendszerekben alkalmazott megoldásokat a szerzők nem tekintették publikációs értékűnek. Ezért egy olyan jelhitelesítési rendszer kifejlesztésénél, amely nagymértékben kihasználja a reaktorra jellemző jeltulajdonságokat, alapvetően a saját tapasztalatainkra kell támaszkodni. A leggyakoribb megoldás, hogy a mérés előtt az elektronikai rendszer öntesztelése zajlik le. A Siemens rendszerekben az elektronikai teszt mérés közben, a mérés megzavarása nélkül történik. Ennek technikai megoldását azonban már nem ismertetik. Az elektronika megfelelő működése csak egy azon feltételek közül, amelyek elengedhetetlenek a megfelelő minőségű jel biztosításához. Az ipari körülmények között a jelekre alkalmazott jelhitelesítési megoldások gyakorlatilag néhány mondatban összefoglalhatók. A 90es évek elején a vizsgálatok az akkori lehetőségek miatt általában csak egyszerű szintfigyelési (határértéktúllépés-figyelési) eljárással valósultak meg, amelyek döntően annak felismerésére irányultak, hogy előfordult-e a jelben túlvezérlés. Az általunk szállított zajdiagnosztikai rendszerekben ezt az eljárást még egy olyan speciális referenciacsatornával kombináltuk (ezt a 3.2.3. fejezetben részletesen ismertetjük), amely lehetővé tette a mérőrendszer állapotának mérés közbeni diagnosztizálását is. Ha a rendszerbe épített vizsgálatok bármelyike hibát jelzett, akkor a jel hibásnak lett minősítve. A minősítés alapján a felhasználó mérlegelhette, hogy megismétli-e a mérést. A zajjeleken már ekkor több jelhitelesítési módszert próbáltak, illetve próbáltunk ki (ld. 3. fejezet), kezdve az egyszerűbb koherencia alapú vizsgálatoktól az összetettebb UAR (egyváltozós autoregresszió) alapú SPRT-n (szekvenciális valószínűségi teszt) keresztül az FFT spektrumokra alapozott neurális hálózatokig, vagy a fizikai modelleken alapuló parity space és Kálmán-szűrős eljárásokig [23, 47, 48, 49, 50]. A bonyolultabb jelhitelesítési vagy vizsgálati módszerek eredményessége azonban gyakran nem volt arányban az igénybe vett – az adott időszakban még elfogadható – számítógépi erőforrásokkal, és a kapott eredmények is sokszor megbízhatatlanok voltak. A módszerek egy része csak válogatott (laboratóriumi) adatokon, hosszadalmas, egyedi paraméterbeállítások után hozta meg a kívánatosnak vélt eredményt, így gyakorlati alkalmazásuk sem történt meg. Másrészről, ha a jelet csak egy módszerrel, egy meghatározott szempont szerint vizsgáljuk meg, akkor a lehetséges hibaforrásoknak csak egy bizonyos fajtáját szűrjük ki. Tehát egy egyszerű vizsgálati eljárás nem feltétlenül elegendő a jel hitelességének pontos megállapításához. Az eddigiek a következőképpen összegezhetők. A diverzen, illetve redundánsan kiépített érzékelők jelét hitelesítő módszerek elsősorban a jelek állandósult vagy névleges értékeinek hitelesítéséhez lettek kidolgozva. A zajjelek hitelesítésénél ezeket a módszereket akkor használhatjuk fel, ha találunk olyan jelcsoportokat, melyek jeleinek meghatározott tulajdonságai normál körülmények között azonos jellemzőket mutatnak. Az 1.1. fejezetben ismertetett állapotazonosító rendszerek, a neurális hálón alapuló jelhitelesítési módszerek és a hypercube módszer egyaránt a jelek névleges értékeinek vizsgálatára készültek, és feladatukat csak egy tanulási folyamatot követően tudják elvégezni. A tanulás során önállóan térképezik fel az összefüggéseket, ami abban az esetben már nem olyan nagy előny, ha magunk is képesek vagyunk egyszerű és átlátható szabályrendszert felállítani a jelek tulajdonságaira, illetve a jelek közötti összefüggésekre. Az üzembe állított reaktor-zajdiagnosztikai rendszerekben alkalmazott jelhitelesítési -6-


megoldások részleteiről, illetve az üzemi tapasztalatokról – az AEKI fejlesztésű rendszereket leszámítva – nincsenek információink. Ugyanakkor nagyon sok jelvizsgálati eljárás, illetve módszer ismert, és a számítástechnika fejlődésének következtében napjainkra sok, korábban még csak elméletileg kidolgozott módszer vált alkalmazhatóvá a gyakorlatban. Az elmondottak alapján kézenfekvő, hogy a mérőrendszereink üzemeltetése és a jelfeldolgozások során nyert tapasztalatainkat hasznosítva, sokfajta vizsgálati módszert rendszerbe szervezve végezzük el a jel hitelesítését. Ezért a dolgozatban azt vizsgáljuk meg, hogy miként lehet zajjelekre a tapasztalataink felhasználásával, valamint a reaktorra jellemző jeltulajdonságokat kihasználva egy összetett (több vizsgálati módszer eredményét integráló), rugalmasan alakítható és megbízható hitelesítési rendszert létrehozni.

1.3. A dolgozat célkitűzései A reaktor-zajdiagnosztika egyik jellegzetessége, és egyben nehézsége is, hogy a vizsgálati eljárás technikai és gazdasági okok miatt főleg a reaktor üzemviteli detektorainak (ionizációs kamrák, SPND detektorok, termoelemek stb.) felhasználására épül. Ugyanis a reaktorban uralkodó szélsőséges viszonyokat – a magas hőmérsékletet és az intenzív sugárzást – csak az erre készített speciális detektorok képesek tartósan elviselni. Az üzemviteli detektorok hátránya azonban, hogy főleg statikus állapotok mérésére készülnek, így pl. a frekvenciaátvitelük fluktuáló jelek mérésére nem optimális. Esetükben általában nem állnak rendelkezésre olyan kalibrációs vagy átviteli görbék, amelyek zajdiagnosztikai alkalmazásnál, azaz a fluktuáló jelek mérésénél, illetve vizsgálatánál szükségesek lennének. Nagy ipari rendszereknél, ahol a komplexitás miatt több szervezeti egység munkája alapozza meg a méréseket, valamint a telepített detektorok hasznosítása is több szinten és helyszínen történik, előfordulhat, hogy a mérőrendszerekre vonatkozó aktuális információk késlekedve, esetleg csak részlegesen jutnak el a kevésbé fontosnak tekintett felhasználókhoz. Esetenként a fő mérőrendszer zavarása is megjelenik a diagnosztikai leágazás jeleiben. A kiépített mérőrendszer egyes elemeinek a vizsgálatára, bemérésére a reaktor üzeme alatt már nincs lehetőség. Ezért gyakori, hogy a mérőrendszer meghatározó elemeinek (pl. detektoroknak, előerősítőknek stb.) az állapotát is csak közvetve, a mérési eredmények alapján lehet meghatározni. Ahhoz, hogy önmagából a jelből állapítsuk meg annak használhatóságát, szét kell választani a jel különféle összetevőit, és ismerni kell azok lehetséges forrásait. Ezért a dolgozat egyik célkitűzése, hogy feltérképezze, illetve átfogóan megvizsgálja a reaktor zajjeleinek jellemző tulajdonságait, továbbá feltárja az ezeket meghatározó okokat. Mint minden mérésnél, úgy a zajdiagnosztikai vizsgálatoknál is valamilyen módszerrel meg kell győződni arról, hogy a mért értékek vagy jelsorozatok mennyire tükrözik a valóságot, azaz a mérésbeállítás, a mérőrendszer állapota stb. mennyiben felelt meg a mérési követelményeknek, nem történtek-e olyan, a vizsgált rendszertől független jelenségek, amelyek hatással lehettek a mért jelekre. (Ezt a vizsgálatot tekintjük a jel hitelesítésének.) Ugyanis a hibás adatok feldolgozása és elemzése helytelen eredményekre, illetve következtetésekre vezethet. A kézi mérések során a szakember a műszereket, kijelzőket folyamatosan figyelve sokéves tapasztalataira támaszkodva végezte el – illetve a technika korábbi szintjén még éppen el tudta végezni – a jel hitelesítését, azaz annak megállapítását, hogy a mért értékek megfelelnek-e a valóságnak. A mai technikai színvonalon olyan mennyiségű adat mérésére és feldolgozására van lehetőség, és egyben szükség is, ami már csak automatizáltan oldható meg. Egy egyszerű zajdiagnosztikai mérésnél egyidejűleg több száz detektor zajjeléről készülhet jelenként akár százezres nagyságrendű mintát tartalmazó idősor, és így a végeredményként kapott adathalmaz mérete a tízmilliós nagyságrendet is meghaladhatja. Nyilvánvaló, hogy ilyen mennyiségű adattömeg gyors és könnyen -7-


megismételhető hitelesítését csak automatizáltan, számítógépesítve lehet elvégezni. A nagyobb jeltömeget a korábbihoz képest összetettebb – analóg és digitális elemeket vegyesen tartalmazó – mérőrendszerek szolgáltatják, amelyekhez egyben újabb potenciális hibaforrások is társulnak. Mindennapi tapasztalat, hogy digitális rendszereknél a legmeglepőbb hibák felbukkanására is fel kell készülni. Napjainkig zajdiagnosztikai vizsgálatok céljára sok jelvizsgálati, jelhitelesítési módszert fejlesztettek ki, melyek egy része az atomreaktorok zajdiagnosztikájában is meghonosodott. Az eddig készített reaktor-zajdiagnosztikai rendszerek is tartalmaznak olyan egyszerű automatizmusokat, amelyekkel bizonyos jelhibákat, illetve mérőrendszer-hiányosságokat ki lehet szűrni, azonban ezek a mai igényeket már nem elégítik ki. Ezért a dolgozat másik fontos célkitűzése egy olyan jelhitelesítési eljárás kidolgozása, amellyel a reaktorzónából származó zajjeleknek – illetve a reaktor belsejének állapotát mérő detektorok zajjeleinek – a hitelesítése az eddigieknél megbízhatóbban, automatizálhatóan végezhető el. Az előzőekben vázolt két célkitűzés megvalósítása érdekében a dolgozatot a következőképpen építettem fel. A 2. fejezetben áttekintem az atomerőművi zajdiagnosztikai mérőrendszerek szokásos felépítését, tekintetbe véve már az általunk tervezett következő mérőrendszer-generációt is, majd a zajjelek tipikus tulajdonságait vizsgálom meg jeltípusok, illetve detektortípusok szerint, azzal a szándékkal, hogy az olvasó betekintést nyerjen az atomerőművi zajdiagnosztikai rendszerekbe, felmérhesse a potenciális hibalehetőségeket, ugyanakkor megismerkedhessen a hitelesítésre szánt jelek sokszínűségével is. A vizsgálatban fontos szerep jut az atomreaktoron végzett zajmérések mérési, detektálási hatásmechanizmusainak a tisztázására. A 2.5.2. fejezetben nagyobb terjedelemben foglalkozom a zajmérések során, alapvetően a VVER reaktoroknál jelentkező, egy eddig még nem vizsgált méréstechnikai problémával. A VVER reaktorokban kompenzálatlan SPND (β-emissziós neutron-) detektorok használatosak. A detektorok kábelében áram keletkezik, amely – a kompenzáció hiánya miatt – meghamisítja a mérés eredményét. Ez az áram a detektor zajjelében lényegesen nagyobb részt tesz ki, mint a detektor DC jelében [51, 52]. A jelenség vizsgálatát azért tekintem fontosnak, mert ennek az áramnak a mértéke, frekvenciatartománybeli viselkedése alapvetően befolyásolja a detektor zajjelének a hitelességét. A zajjelek automatizálható hitelesítésének megvalósításához a jelhitelesítési eljárást két részre bontom: •= egyedi2 hitelesítési vagy vizsgálati eljárásokra, •= és az egyedi vizsgálati eljárások eredményeit összegző mechanizmusra. Ehhez igazodva a 3. fejezetben több mint húszféle egyedi jelvizsgálati módszert és lehetséges felhasználási módjaikat tekintem át. Ennek során bemutatom az előforduló ismertebb jelhibákat is. A fejezetben visszatérek néhány, az előzőekben megemlített vizsgálati módszerre is. Az egyedi vizsgálati módszerek közül nagyobb terjedelemben tárgyalom azokat, melyekben a saját eredményeimet mutatom be. Ezek konkrétan: a referenciacsatorna használata (3.2.3. fejezet) [53], az UAR+SPRT vizsgálata (3.2.4.2 fejezet) [54], az időállandó meghatározása (3.3.1. fejezet) [53, 55] és a neurális hálózat zajspektrumok osztályozására történő felhasználásának vizsgálata (3.3.2.1. fejezet) [56]. A vizsgálati eljárásokat egy általam definiált hármas csoportosítás szerint ismertetem. Az eljárásokat aszerint csoportosítom, hogy az adott módszer a reaktor, az elektronika vagy a detektor állapotát vizsgálja-e. Lényegében ez a fejezet képezi a kombinált jelhitelesítési eljárás tudásbázisát. A 4. fejezetben egy – a reaktor zajjeleinek jellegzetességein alapuló – kombinált jelhitelesítés eljárást 2

Egyedi alatt itt az olyan egyszerű eljárások értendők, amelyek csak egy szempont vagy egy tulajdonság alapján

értékelik a jelet. -8-


mutatok be. Ebben az eljárásban – a szakértői vizsgálati és döntésmechanizmus mintájára, valamint az általam definiált hármas csoportosítást figyelembe véve – egységes rendszerbe foglalom a 3. fejezetben ismertetett egyedi vizsgálati módszereket. A minősítő rendszerben az egyedi vizsgálati eljárások az alkalmazott módszerek eredménye alapján minősítő értékeket állítanak elő, melyekből a struktúra kiértékelő mechanizmusa egy végső minősítési értéket határoz meg [53, 55]. Végül az 5. fejezetben példákat adok a rendszer kiértékelési mechanizmusára, majd a kombinált jelminősítési módszerrel valós mérési adatokon egy alkalmazási próbát mutatok be [53, 55]. Összefoglalva: Megvizsgálom a zajdiagnosztikai vizsgálatok körébe bevont detektorok zajmérések szempontjából fontos mérési és átviteli tulajdonságait. A jel hitelesítésére olyan eljárást dolgozok ki, amely egyszerű (módszertanilag könnyen áttekinthető), megbízható és viszonylag gyors ítéletalkotási (kiértékelési) módszerek együtteséből áll. Az ismertetésre kerülő jelhitelesítési rendszer alapján létrehozható lesz egy olyan szakértői programrendszer, amely tudásbázisának feltöltése után alkalmas lesz arra, hogy a beérkező jeleket maradéktalanul feldolgozza és minősítse. A dolgozatban bemutatott eredményekben a magam és – a munka méretéből fakadóan – munkatársaim által végzett sokoldalú gyakorlati munka is megjelenik, mivel ezek az általunk végzett mérések és az azokból készített adatbázis-könyvtárak, részben az általam írt szoftverek, valamint a segítségemmel, illetve részben az irányításommal tervezett és épített berendezések felhasználásával készültek. Fontosnak tartom megjegyezni, hogy például a helyszíni mérések, a komplex diagnosztikai rendszerek tervezése és elkészítése csak több ember egybehangolt munkájaként képzelhető el, azonban ezekhez a hozzájárulásomat jelentősnek tekintem. A dolgozatban több mint hetven ábra, az ábrákon belül pedig hozzávetőlegesen százötven grafikon található, melyek döntő részét magam készítettem, esetenként a saját programjaim segítségével, a közreműködésemmel végzett mérésekből állítottam elő. Az ábrákból néhányat a munkám során terveztem, illetve a munkám közben felkutatott adatokból rajzoltam meg. A néhány máshonnan átvett ábrát és forrásukat természetesen külön kihangsúlyozom, illetve megjelölöm.

-9-


2. A zajvizsgálatok során használt eszközök, jelek és eljárások áttekintése A mérési eredmények helyes értelmezéséhez ismernünk kell a detektorok, az elektronikai láncok és a zajforrás tulajdonságait, valamint a rendelkezésünkre álló módszerek teljesítőképességét, illetve használhatóságát. A reaktor-zajdiagnosztikában néha nemcsak a gerjesztőzaj tulajdonságait nem ismerjük, hanem a mérőrendszer pontos felépítését és átviteli tulajdonságait sem. Ebben a fejezetben ezt a problémakört tekintjük át és elemezzük.

2.1. A paksi zajdiagnosztikai jelkicsatolás felépítése A detektorok jelei csak nagyon ritkán alkalmasak közvetlenül mérésre vagy feldolgozásra, általában csak több lépcsőben végrehajtott erősítés, jelformálás, szűrés után mérhetők meg. Különösen igaz ez az atomerőművi jelekre, melyeket – szigorú biztonsági követelmények betartása mellett – nagy távolságokra kell továbbítani. A detektorok jeleit gyakran különböző feladatokat ellátó alrendszerek felé osztják szét. Ezek az alrendszerek a következők lehetnek: • üzemviteli, • archiválási, • biztonsági, • zajdiagnosztikai • stb. A mérőláncok felépítésénél külön hangsúlyt kap az egyes mérőrendszerek visszahatásának megakadályozása. Ennek ellenére a diagnosztikai jelekben mégis előfordulnak az egyes alrendszerek visszahatásai, melyek gyakran (az alrendszer általi lekérdezések időpontjaiban) tüskék formájában jelennek meg. Mivel a jel igen hosszú és tekervényes út megtétele után jut el a feldolgozás helyszínére, ezért fokozottan kell számolni a jel minőségének romlásával, külső zajok megjelenésével, valamint elektronikai meghibásodásokkal. A mérni kívánt zajjel nem más, mint az adott fizikai mennyiséget mérő detektor jelének kismértékű, látszólagosan véletlenszerű ingadozása. Ez az ingadozás (vagy AC komponens) a detektorjel állandó értékéhez (DC komponenséhez) mérten csak néhány ezreléket tesz ki. Az AC jelet a vizsgálat előtt megfelelően fel kell erősíteni, ezért a jel AC és DC komponensét külön kell választani. A szétválasztott jeleket a továbbiakban még erősíteni, szűrni és biztonsági okokból (az esetleges visszahatások elkerülésére) le kell választani. A felsorolt, feldolgozás előtti jelátalakításokat, a jelnek a mérőrendszerhez való illesztését összefoglalóan jelkondicionálásnak nevezzük. A jelkondicionálás jobb megértéséhez a 2.1/1. ábrán a paksi VERONA zajdiagnosztikai kicsatolás két jelének sematikus áramköri rajzát mutatjuk be. Az ábrán a felsorolt elektronikai részegységeket láthatjuk, kiegészítve a berendezést vezérlő és a DC értékeket digitalizáló elektronikai egységekkel, valamint egy multiplexerrel. A kilencvenes évekig a jelkondicionálást és a digitalizálást – elfogadható költségek mellett – csak néhányszor tíz jelre lehetett megoldani. Ezért a jelkondicionáló berendezés elé egy multiplexer egységet kellett beépíteni, amely lehetővé tette a reaktor több száz jeléből egy kisebb csoport tetszőleges összetételű kiválasztását. A 2.1/1. ábrán egy beépített tesztgenerátor is látható, azonban ennek szabályozhatósága már nem valósult meg. A rajzon ezt a lehetséges kapcsolatot szaggatott vonal jelöli. A detektorok mérőláncoktól független vizsgálata, illetve diagnosztizálása csak a detektorra közvetlenül rácsatlakozva végezhető el. Az ábrán ezt a csatlakozási helyet műszeres mérési pontként tüntettük fel. A VERONA zajdiagnosztikai kicsatolás jeleire telepített – és a bevezetőben már említett – hibrid rendszert a hozzátartozó jelkészlettel sematikusan a 2.1/2. ábrán mutatjuk be.

- 10 -


Multiplexer Felüláteresztõ szûrõ

Au

MPX

(50 Hz) Sávszûrõ

HP

Aluláteresztõ szûrõ

Au

NF50

DC Erõsítõ

U

I

LP AC Jel

AC Erõsítõ

TesztJel

U

Optikai leválasztás

DC Jel

A/D Optikai leválasztás

Mûszeres mérési pont

DIGITÁLIS VEZÉRLÕ EGYSÉG Digitális vezérlés és DC érték lekérdezés

SPND Detektor

TH Elem

2.1/1. ábra. Az elektronikai mérőlánc logikai rajza a VERONA zajdiagnosztikai kicsatolás alapján REFERENCIA ELLENÁLLÁSHÕMÉRÕK

VIBRÁCIÓS JELEK

REAKTOR

EXCORE JELEK 2+1 IK

6 JK

KÜLSÕ Becsatl.

INCORE JELEK 36x7 SPND 36 KOMP. KÁBEL 210 KIL. HÕMÉRS. 6 KEV. TÉRI HÕM.

GÉPÉSZETI REZGÉSJELEK

NER

6 JK

SZÁMÍTÓGÉPTEREM

(PDR-PDA-n)

NYOMÁSJELEK 5 db

3 TH

VERONA zajdiagnosztikai kicsatolás

INCORE 32 AC

PDR-n DIAG. KICSATOLÁS

VEZÉRLÉS és DIGIT. DC

Kézi beállítású rendszer AC

DC

VEIKI REZGÉSJELEK Kézi beállítású rendszer CSAK AC KOMPONENS

SZÁMÍTÓGÉPES MULTIPLEXER 1-32 Csatorna

SOROS PORT

MULTIPLEXER 33-64 Csatorna

DIAGNOSZTIKAI RENDSZER

A/D KONVERTER

ZAJDIAGNOSZTIKAI PROGRAMRENDSZER VEZÉRLÕ SZÁMÍTÓGÉP

MÉRÕ SZÁMÍTÓGÉP

DIAGNOSZTIKAI SZOBA

2.1/2. ábra. A jelenlegi paksi zajdiagnosztikai rendszer a kicsatolások jeleivel Az ábrán bemutatott elrendezés egy költségtakarékos megoldás, amely a meglévő egységek összerakásával készült. A szaggatott vonallal elválasztott jelkészlet és a szaggatott vonallal jelölt 33-64 csatornáig terjedő multiplexer kivitelezése félbeszakadt. A rendszer hibájának róható fel, hogy a mérésbeállítást és az adatgyűjtést külön számítógép végzi. Az ábráról ugyan nem derül ki, de a feldolgozás már egy másik

- 11 -


helyszínen, azaz egy harmadik számítógépen történik. A vizsgálat körébe egyidejűleg bevonható jelkészlet legfeljebb 32 elemű, és ebbe a körbe a zónán kívüli (ex-core) jelek nem tartoznak bele. (A témához kapcsolódóan további részletek találhatók [57]-ben.) A felsorolt hibák megszüntetése már csak egy új mérőrendszertől várható [58, 59]. A közeljövőben kiépítésre kerülő – a kor lehetőségeihez és követelményeihez jobban igazodó – zajdiagnosztikai rendszerben a jelkicsatolást és az adatgyűjtést minden blokkon egy-egy autonóm rendszer látja majd el, melyeket szabványos hálózaton keresztül egy tetszőleges helyre telepített központi egység vezérel. A szakértő ezzel a központi egységgel végzi el a blokkokról lekért adatsorok feldolgozását és archiválását, továbbá elérhetőséget biztosít más részlegek számára bizonyos zajdiagnosztikai információk megtekintéséhez (ld. 2.1/3. ábra). 1. blokk

Rövidítések: BSZG

Blokkszámítógép

VERONA Zónamonitorozó rendszer VERONA

Zajjel

BSZG

WEB szerver

új VERONA zajdiagnosztikai kicsatolás

2. blokk

3. blokk

4. blokk

Adatgyűjtő számítógép

Autonóm adatgyűjtő

Informatikai hálózat

Központi zajdiagnosztikai rendszer

Nyomtató

BSZG távoli megjelenítő

Archívum

Zajdiagnosztikai központ

2.1/3. ábra. A tervezett zónadiagnosztikai rendszer felépítése A tervezett rendszerben az autonóm adatgyűjtő egységek szabványos felületen keresztül szólíthatók meg. Az autonóm rendszerek vezérlését és az adatsorok feldolgozását egy központi egység, az ábrán „Központi zajdiagnosztikai rendszer”-ként jelölt számítógép végzi. A diagnosztikai méréseknél ismernünk kell a mérés pillanatához tartozó reaktorállapotokat és üzemvitelei adatokat is. Ennek az információnak a megszerzését a diagnosztikai rendszer mellé telepített BSZG (blokkszámítógép) távoli megjelenítő terminálja teszi lehetővé, amely távlatilag egybeolvasztható a diagnosztikai rendszer központi egységével. Az új elképzelések szerint az autonóm adatgyűjtő rendszer a korábbi VERONA zajdiagnosztikai kicsatolás modernizálását is maga után vonja oly módon, hogy a teljes jelkészlet (ebbe beleértve az ionizációskamra-, nyomás- és rezgésjeleket is) egyidejűleg elérhető legyen (ld. 2.1/4. ábra).

- 12 -


SCXI-1100

(32 csatorna)

1.

RJM

16 AC 16 DC

16

1.

AC

A/D Ipari PC digitalizáló egységek

Au

DC erősítő

max. 256 jel SCXI-1100

(32 csatorna)

12.

DC

LP

Au

bemenet bővítő egységek

NF 50

Au

HP

Au

bemenet

felüláteresztő szűrő

aluláteresztő szűrő aluláteresztő szűrő

LP

RJM

16 AC 16 DC

bemeneti erősítő

sávszűrő

kimenet

PCI-6054E A/D

AC erősítő

AC erősítő

(16 csatorna)

jelkondícionáló egység (RJM)

(16 csatorna)

16

12. jelkondícionáló egységek

max. 256 jel

2.1/4. ábra. Az autonóm adatgyűjtő (National Instruments termékmegjelölésekkel) és jelkondicionáló (a tervezés alatt lévő új VERONA zajdiagnosztikai kicsatolás egy áramköri egységének) logikai rajza Ez a megoldás egy lényegesen hatékonyabb és egyszerűbben megvalósítható diagnosztikai rendszer kialakítását biztosítja. A több száz csatornás egyidejű adatgyűjtés megvalósításánál többletráfordítást jelent, hogy minden egyes jelnél egyedileg kell elvégezni a jelkondicionálást, és hogy a jelek digitalizálásához – az AC és DC komponensek szétválasztása miatt – a jelek számának kétszeresét feldolgozó A/D konverter szükséges. Ugyanakkor a 2.1/1. és a 2.1/4. ábra összehasonlításából is látható, hogy a felhasználandó elektronikai eszközök mennyisége a multiplexer és az optikai leválasztó egységek elhagyásával valamelyest csökken. Összegezve: A bemutatott rendszerek alapján látható, hogy a jel igen hosszú út megtétele (többszöri erősítés és szűrés, leválasztás, elágaztatás, jeltovábbítás stb.) után jut el a feldolgozás helyszínére. A megtett út során fokozottan kell számolni a jel minőségének romlásával, külső zajok megjelenésével és elektronikai meghibásodásokkal. Az adatgyűjtőbe beérkezett jelek további jelkondicionáláson és A/D konverzión esnek át. A digitális adatsorok továbbításánál és feldolgozásánál további hibalehetőségek adódhatnak. A sok potenciális hibalehetőség mindenképpen megköveteli a jel hitelességének vizsgálatát. A tervezett autonóm adatgyűjtő által szolgáltatott nagy mennyiségű adat még nagyobb igényt támaszt az adatsorok használhatóságának – lehetőleg automatikus – megállapítására. A továbbiakban azt tekintjük át, hogy az adatgyűjtő rendszerek milyen jelek mérését teszik lehetővé.

2.2. A reaktor és a primer kör zajdiagnosztikai célra elérhető jelei A zajdiagnosztikai célra felhasználható jelkészlet – melyet a 2.1/2. ábrán már bemutattunk – alapjában véve két csoportra osztható, úgymint • in-core (reaktoron belüli) és • ex-core (reaktoron kívüli) jelcsoport.

In-core jelek Az in-core (vagyis a reaktorzónából származó) jelek jelenleg a VERONA zajdiagnosztikai kicsatoláson keresztül érhetők el. Ezek a következők: • 252 SPND (Self-Powered Neutron Detector), 36 detektorláncban hét szintre osztva, • 36 SPND kompenzációskábel-áram (detektorlánconként egy-egy), - 13 -


• 210 kilépőhőmérséklet (termopár), • 6 keverőtéri hőmérséklet (termopár), • 36 referencia-ellenálláshőmérő, ún. "hidegpont" (ezek a reaktor fedelén lévő kapcsolószekrény-

ben /boxban/ vannak elhelyezve), • a reaktorzóna ki- és belépőnyomás-jele. Jelenleg ebből a jelcsoportból a 3. és 4. blokkon (a diagnosztikai kicsatoláson keresztül) egyszerre 32 jel érhető el, míg az 1. és 2. blokkon csak 18. Ex-core jelek Az ex-core jeleken a zónán kívülről származó jeleket értjük. Ezek közül a fontosabbak: • ionizációskamra-jelek, • a főkeringető-szivattyúk nyomásjelei (∆P), • hideg- és melegági hőmérsékletjelek, • térfogat-kompenzátor nyomásjele, • reaktorfedél-tőcsavar rezgésjelei, • szabályozókazetta-hajtások rezgésjelei, • gépészeti elemek (főkeringető-szivattyúk, tolózárak stb.) rezgésjelei.

A régi tervek szerint a felsorolt ex-core jelkészletből a diagnosztika számára további 32 jel mérésére lett volna lehetőség, de ezen jeleknek a mérőrendszerbe vezetése már félbeszakadt. Mielőtt a detektálás részleteibe bocsátkoznánk, célszerű megismerkedni a mérési adatok előállításának és feldolgozásának néhány részletével.

2.3. Mintavételezés A zajelemzéseket a kialakult gyakorlatnak megfelelően digitalizált idősorokon, számítógéppel végezzük, ezért a feldolgozás első lépéseként az elektronikai mérőláncokról érkező jeleket digitális mintasorokká alakítjuk. (Bár léteznek analóg feldolgozási formák, azok alkalmazása a reaktor-zajdiagnosztikában nem terjedt el.) A digitalizálás mintavételi frekvenciája alapvetően eldönti a feldolgozás frekvenciatartományát. A zajdiagnosztikai jelek kiértékeléséhez a kilencvenes évek elejéig 128 vonalas FFT spektrumokat használtunk. Ezt követően – a technikai fejlődés eredményeképpen – sokkal jobb felbontású, 512 vonalas spektrumokra tértünk át. A paksi neutrondetektor-zajjelek feldolgozása során nyert tapasztalataink szerint ahhoz, hogy az 512 vonalas spektrumok elfogadható statisztikájúak (elegendően simák) legyenek, legalább 32-szeres átlagolást kell végezni. (Az átlagolás során a különböző idősorrészletekből készített spektrumokat összeadjuk és átlagoljuk. Elfogadható statisztikájú neutronzaj-spektrumon (zajspektrumon) pedig azt értjük, hogy néhány ismert, a normálüzemben is állandóan jelen levő kis amplitúdójú szélesebb sávú csúcs – mint pl. primerköri állóhullámok által keltett neutronfluktuációk csúcsa – is még jól azonosíthatóan kiemelkedjék a háttérből.) Ehhez az átlagoláshoz – a tapasztalatok szerint – legalább 32 000 mintából álló idősorra van szükség. A Pakson végzett mérések tapasztalatai azt mutatják, hogy 60 percnél hosszabb zavarmentes jelet (a 2-3 óránkénti SZBV kazetta mozgások miatt) már csak kis eséllyel lehet mérni. Ennek oka, hogy a reaktoron végrehajtott legkisebb szabályozás is az SPND láncok jelei AC komponensének erőteljes túlvezérlését okozza. Természetesen elképzelhető olyan korrekciós módszer, ami a túlvezérelt tartományokat automatikusan kivágja, de ebben az esetben tekintettel kell lenni arra, - 14 -


hogy milyen mértékű volt a reaktor állapotába való beavatkozás. Túl nagy mértékben megváltozott reaktorállapot esetén a spektrumok már nem átlagolhatók. Tehát ha egy 60 perces mérés során 32 000 (még éppen elfogadható mennyiségű) mintát vételezünk, akkor a mintavételezési időre kb. 0,1 másodpercet kapunk. Ez azt mutatja, hogy a gyakorlatban rutinszerűen alkalmazható mintavételezési frekvencia alsó határa kb. 10 Hz. A mintavételi frekvenciára felső korlátot csak az adatgyűjtő hardver jelent, azonban a reaktor átviteli tulajdonságai miatt a neutronspektrum 30 Hz fölötti részét az elektronikai zajok elnyomják. Ha a teljes hasznos tartományt elemezni akarjuk, akkor a digitalizálás előtt alkalmazott ún. anti-aliasing szűrőt 30 Hz fölé kell méretezni. Figyelembe véve, hogy a szűrő letörése véges meredekségű, a spektrum maximális frekvenciája 50 Hz körül van. Ez a Nyquist-kritérium [60] miatt 100 Hz-es mintavételezést jelent. Az eddigiekből látható, hogy a diagnosztikai vizsgálatok mintavételezési frekvenciájának sávszélessége (rutinszerű ipari mérések esetén) meglehetősen szűk, 10–100 Hz.

2.4. Alapvető zajdiagnosztikai feldolgozási módszerek Az alábbiakban röviden összefoglaljuk a dolgozatban szereplő zajdiagnosztikai módszereket, mennyiségeket és rövidítéseket. Fourier-transzformáció. Egy fizikai folyamat leírható az időtartományban mint valamely f mennyiség változása a t idő függvényében ( f (t ) ), vagy leírható a frekvenciatartományban, ahol a folyamatot a ν frekvencia függvényében megadott F amplitúdóval jellemezzük ( F (ν ) , ami általában a fázisinformációt is tartalmazó komplex szám). Sok szempontból célszerű úgy tekinteni, hogy f (t ) és F (ν ) ugyanannak a függvénynek két különböző reprezentációja. Ez a két reprezentáció a Fourier-transzformációs egyenletek szerint oda-vissza alakítható [61]: ∞

F (ν ) =

ò f (t )⋅ e

− 2πiνt

dt ,

−∞

(2.5.1)

∞

f (t ) = ò F (ν ) ⋅ e 2πiνt dν . −∞

(Megjegyezzük, hogy a transzformációk exponenciális tagjában a kitevő előjele nem egyezményes, a szakirodalomban [61, 62] és [60, 63] eltérően szerepel. A lényeg, hogy az előjel ellentétes az oda-vissza transzformációkban.) A zajdiagnosztikában a mért időjelek véges hosszúak és diszkretizáltak, ezért átalakításukra a diszkrét Fourier-transzformáció (DFT) használatos. N −1

Fn = å f k ⋅ e −i 2πkn / N , k =0

(2.5.2)

1 N −1 f k = ⋅ å Fn ⋅ e i 2πkn / N , N n =0

ahol N a minták száma, ∆t a mintavételi idő, ∆ν a frekvencia-felbontás, n és k futó indexek, valamint:

f (t k ) = ∆ν ⋅ f k ,

t k = k ⋅ ∆t , k = 0,1,2,..., N − 1,

F (ν n ) = ∆t ⋅ Fn ,

νn =

n , N ⋅ ∆t

n=−

N N ,..., . 2 2

- 15 -


Ez megszorítást is jelent a jelre: véges hossza korlátozza a frekvenciatérbeli felosztást, míg a véges időközönként ( ∆t ) vett minta a legnagyobb értékelhető frekvenciára ad korlátot (Nyquist-kritérium):

fc =

1 . 2 ⋅ ∆t

(2.5.3)

Emiatt a jelből mintavételezés előtt – az aliasing effektus miatt [60] – ki kell szűrni a (2.5.3)-nál magasabb frekvenciájú összetevőket. A DFT egy speciálisan szervezett algoritmussal felgyorsított változata az FFT (Fast Fourier Transformation). A Fourier-analízis részletesebb matematikai tárgyalása gyakorlatilag minden, a témához kapcsolódó szakkönyvben megtalálható [60, 64], ezért a továbbiakban csak a legszükségesebb mennyiségeket emeljük ki. A diszkrét jelek Fourier-transzformáltjából teljesítményspektrumok (APSD: Auto Power Spectral Density) állíthatók elő, amelyek gyakran – a statisztikai hibák csökkentésére – a jel különböző szakaszain készült spektrumok átlagolásával készülnek. Jelölje egy X jel i-edik N elemű szakaszának (2.5.2) szerinti Fourier-transzformáltját X i (Fn , N ). Ekkor

APSD X =

1 K

K

X i ( Fn , N ) ⋅ X i∗ ( Fn , N ) ,

(2.5.4)

i =1

ahol a ∗ szimbólum a komplex konjugáltat és K az átlagolásba bevont jelszakaszok számát jelöli. A későbbiekben bemutatásra kerülő Fourier-spektrumok értelmezésének megkönnyítésére kiemeljük, hogy az általunk használt spektrumok – néhány kivételtől eltekintve – a jel DC értékére normáltak, és ezeket a normált spektrumokat a továbbiakban nAPSD-vel (normalised Auto Power Spectral Density) jelöljük. További kiegészítő információ még, hogy a bemutatásra került spektrumok 50%-os átlapolással és Hanning-ablak alkalmazásával készültek. A jelvizsgálatok hasznos eszköze a két különböző X és Y jel közötti keresztteljesítménysűrűség-spektrum vagy más néven CPSD (Cross Power Spectral Density):

CPSD X ,Y =

1 K

K

å X (F , N ) ⋅ Y (F , N ) . i

i

n

∗

n

(2.5.5)

i =1

Két jel között értelmezett további két gyakran használt függvénytípus a koherencia- (COH) és a fázisfüggvény (PHASE):

COH X ,Y =

CPSD X ,Y

2

APSD X ⋅ APSDY

.

(2.5.6)

æ Im(CPSD X ,Y ) ö . PHASE X ,Y = arctançç è Re(CPSD X ,Y )

(2.5.7)

Több más módszer is létezik, de egyik sem jelentett olyan áttörést, hogy érdemes lett volna egy jól bevált módszerről áttérni rá. Ezért jelvizsgálataink és jelhitelesítési eljárásaink egyik fontos pillérét továbbra is az FFT spektrumok kiértékelése képezi. Autoregressziós módszerek. Más néven parametrikus modellezési módszerek. A regressziós eljárásoknak több fajtája létezik. Gyakorlatunkban az UAR (Univariate Autoregression) és az MAR (Multivariate Autoregression) használatos [50, 62, 65]. A többváltozós regressziós módszerek segítségével a jelek közötti hatásterjedések vizsgálhatók. A regresszió során felállított modell az FFT spektrumokhoz hasonlóan az idősor valamilyen összesűrített lenyomata, amely azonban az ember számára önmagában - 16 -


nem hordoz szemléletes információt. Ezen modell segítségével az FFT spektrumhoz hasonló frekvenciaspektrum számolható ki, amelyben a csúcsok száma általában [M/2], ahol M a modellrend. A regressziós eljárások sarkalatos pontja ennek a modellrendnek a megválasztása. Időtartománybeli analízis. Az idősor bizonyos ismétlődéseit (egy külső vagy belső triggerjel hatására) meghatározott hosszon átlagoljuk. Ezzel a módszerrel egy közel periodikus, azonos lefolyású esemény időbeli viselkedése szűrhető ki a sztochasztikus jelből. A módszer elsősorban forgógépek diagnosztizálásakor használatos. A paksi neutronzajjelek kiértékelése során még nem fordult elő olyan jelenség, amelyre alkalmazni lehetett volna. (Elsősorban a triggerelési probléma miatt.) Az idősor vizsgálatához sorolhatjuk az idősorban bekövetkező, könnyen felismerhető statisztikai változások (pl. szórás, 3. és 4. momentum változása stb.) vagy az egyszerű határérték-túllépések detektálását. Ez alatt azt értjük, hogy ha pl. a jelszint vagy egy csúszóátlag-érték, esetleg a szórás egy előre megadott értéket meghalad, akkor az idősor ezen szakaszán eseményt detektálunk. A zajdiagnosztikában egy fluktuáló jel erősségének vagy jelszintjének összehasonlításánál gyakran a jel csúcsfeszültsége mellett a jel RMS (Root Mean Square), más néven effektív értéke használatos. Az RMS jelölést a továbbiakban gyakran fogjuk használni. Az idősorban bekövetkezett változások egyik összetettebb vizsgálati eljárása az SPRT (Sequential Probability Ratio Test), melyre a 3.2.4.2. fejezetben még részletesebben visszatérünk.

2.5. A detektorok tulajdonságainak áttekintése A reaktoron alkalmazott detektorokat elsősorban a reaktor statikus jellemzőinek mérésére tervezték. Ezért a detektorok dinamikai tulajdonságai bizonyos esetekben alig ismertek, gyári adatok a detektor frekvenciaátviteli tulajdonságaival kapcsolatban jóformán nem is állnak rendelkezésre. A detektorok laboratóriumi bemérésére a szükséges nagy neutronsugárzás miatt csak kevés helyen van meg a lehetőség, továbbá a szükséges neutronfluktuáció előállítása a nukleáris berendezés üzemeltetési, biztonsági szabályzatába és a technikai lehetőségekbe is ütközhet. Szintén nehézséget jelent – még ha a feltételek biztosítottak is –, hogy egy ilyen bemérés jelentős összegeket emésztene fel. Így a legkézenfekvőbb megoldás az, hogy a dinamikai tulajdonságokat közvetve, a detektor működési elve és a rendelkezésre álló technikai adatok alapján határozzuk meg.

2.5.1. Az ionizációs kamrák A dolgozat írásának időpontjában még tart a paksi reaktorok eredeti mérőrendszerének kiváltása új (SIEMENS gyártmányú) rendszerekkel, melyekről még nem rendelkezünk részletes információkkal. A régi rendszerek ugyan részben megmaradtak, de zajjeleik már nem elérhetők. Tekintettel azonban arra, hogy jelentős számú, régi rendszerrel készült archivált méréssel rendelkezünk, ezért indokoltnak tarjuk a régi rendszerek rövid áttekintését. Az ionizációs kamrák a reaktor szabályozó és védelmi rendszereinek meghatározó elemei. Az ionizációs kamrák (neutrondetektorok) a reaktor árnyékolását (biológiai védelmét) biztosító beton körgyűrűjében létrehozott függőleges csatornákban (lyukakban), a zóna közepének magasságában helyezkednek el. Az ionizációs kamrákat alapjában véve csak a közelükbe eső – a zóna külső részén elhelyezkedő – kazettákból származó neutronok érik el. Reaktorbiztonsági okokból nagyon fontos, hogy a neutronfluxust az egészen kis értékektől kezdve a maximális értékig pontosan ismerjük. Ezt a fluxustartományt a megkívánt mérési pontossággal nem lehet egy mérőeszközzel végigmérni. Ezért a mérőrendszert három - 17 -


teljesítménytartomány mérésére alakították ki. Biztonsági okokból minden egyes tartományban két teljesen független, háromdetektoros mérőlánc van kialakítva (az ΑΚΗΠ-2 leírása alapján). Az energetikai tartományú mérőrendszerekhez még kettő, a közbenső tartományú mérőrendszerekhez pedig egy tartalék detektor is tartozik. Az egyes energiatartományok kialakítása a következő: Forrástartomány. A 10-10–10-4 % teljesítménytartományban üzemel. A detektor károsodásának elkerülésére, ha a reaktor teljesítménye a megadott teljesítményszint felé megy, a detektorokat kihúzzák a reaktorzóna magasságából. A forrástartományi detektor impulzusüzemben működik. A γ-sugárzást a neutronsugárzástól az impulzusok amplitúdójának szétválasztásával (jelalak-diszkriminátorral) különítik el. Ezek a detektorok csak az indítási szakaszban működnek, zajdiagnosztikai célra nem használtuk őket. Közbenső tartomány. A 10-5–10 % teljesítménytartományt öleli fel. A gyors elhasználódás elkerülésére magasabb teljesítmény esetén távvezérléssel ezeket is kihúzzák a reaktor zónájának magasságából. Egyéb tulajdonságaik megegyeznek az energetikai tartományú detektorok tulajdonságaival. Energetikai tartomány. Az 1–120 %-os teljesítménytartomány. Az ebben a tartományban mérő kamrák állandó jelleggel a zóna magasságában helyezkednek el (távvezérléssel nem mozgathatóak). A detektorok átlagárammérő üzemmódban dolgoznak. Az ionizációs kamrákban a γ-sugárzás hátterének kiszűrésére két ionizációs kamra van összeépítve (ún. kompenzált ionizációs kamra). Az egyik kamra csak a γsugárzást, míg a másik a neutron- és a γ-sugárzást egyaránt érzékeli. A két ionizációs kamra úgy van méretezve, hogy az egybeépített kamrák áramainak a különbségi jele csak a neutronsugárzással arányos. Diagnosztikai vizsgálatokra az üzemviteli detektorok közül ezeknek a detektoroknak a jeleit használtuk. Ebből a detektorcsoportból a paksi diagnosztikai kicsatoláson keresztül mind a hat jel rendelkezésünkre állt. A 2.5.1/1. ábrán az ionizációs kamrák mérőláncának elvi felépítését tüntettük fel (készült a BME NTI szakmérnöki tanfolyamának anyagai és az ΑΚΗΠ-2 leírása alapján). A biológiai védelem beton körgyûrûje

A reaktorhoz közeli helyiség (101-es szoba)

Forrástartomány

f IK

u

impulzus jel

Védelem Közbensõ tartomány

i

u

i IK

Energetikai tartomány

(szabályozás) Kijelzés

i

u

i IK

Analóg jelek

f

f

áram jel

f

f

áram jel

Közbensõ tartomány (reakt. mérõ és tart.) Energetikai tartomány (tartalék)

JK jel

i

Diagnosztika

i IK

áram

u

IK jel

jel

2.5.1/1. ábra. Az ionizációs kamrák mérőláncának elvi felépítése Pakson Az ábrán látható, hogy az üzemi detektorok áramjelét frekvenciajellé konvertálják úgy, hogy a 100 % teljesítmény kb. 20 kHz-nek feleljen meg, és így továbbítják a különféle alrendszerekhez. Az ily módon átalakított jel kevésbé érzékeny a külső zajforrásokra. Az ionizációs kamrák K(ω) frekvenciaátviteli

- 18 -


karakterisztikája átlagárammérő üzemmódban az RC elektromos körével egyezik meg, ami az elektronikából jól ismert [66]:

K (ω ) =

1 1 + ω 2 ⋅τ 2

,

(2.5.1.1)

ahol ω a körfrekvencia, τ = R⋅C pedig a rendszer időállandója. Az orosz gyártó specifikációiban csak a teljes mérőlánc (frekvencia-visszakonvertálás utáni) időállandója található meg, amely 0,05–0,1 másodperc. Ez megfelel a védelmi rendszerek igényeinek, zajdiagnosztikai szempontból azonban az ezen időállandóhoz tartozó átviteli frekvencia meglehetősen alacsony (kb. 2-3 Hz). Az átvitel javítására a KFKI mérőlánc – mint az ábrán is látható – a frekvenciajelre kapcsolódik rá. A saját elektronikával kedvezőbb átviteli tulajdonságokat sikerült elérni. A pontos frekvenciaátviteli sávot azonban nem lehet megállapítani, mivel nem ismerjük pontosan a rendszer bemenő jelét. Az ionizációs kamrák által mért neutronfluktuáció spektrumára a 2.5.1/2. ábrán láthatunk egy példát. A spektrum alakját a reaktorspektrum és a detektor átviteli tulajdonságai együtt alakították ki. A spektrum első szakaszának meredek csökkenése elsősorban a reaktor zajspektrumának következménye. Ebbe a szakaszba esik még a kamra és az i/f konverter közé iktatott (az ábrán külön nem jelzett) 2,4 Hz-es LP szűrő letörési frekvenciája is. Az ábrán látható második frekvencialetörés (20–25 Hz között) már a zajdiagnosztikai mérőlánc átvitelének a következménye. 1e-06 "j2.48b" 1e-07

nAPSD

1e-08 1e-09 1e-10 1e-11 1e-12

0

5

10

15

20 25 30 Frekvencia [Hz]

35

40

45

50

2.5.1/2. ábra. A IV. blokki JK-2 detektor frekvenciaspektruma

2.5.2. A zónán belüli neutrondetektorok A reaktorzóna diagnosztizálásának fontos eszközei a neutronfluxust mérő in-core neutrondetektorok, melyek zajjelei lehetőséget adnak a belső szerkezeti elemek rezgéseinek felderítésére [67]. Az észlelt és lokalizált rezgések legfontosabbika az SZBV (szabályozó- és biztonságvédelmi) kazetta rezgése. Az elmúlt időszakban (1997-től kezdődően) a gőzfejlesztők dekontaminálásának következtében a kazettákon lerakódás képződött, ami miatt a zónán áthaladó hűtőközeg sebességeloszlásában anomáliák alakultak ki [8]. Mivel a zónában elhelyezkedő detektorok segítségével lehetőség van a hűtőközeg sebességének zónán belüli megmérésére, ezért az ezeken a detektorokon alapuló mérések fontossága felértékelődött. 2.5.2.1 Az SPND detektorláncok Pakson a reaktor neutronfluxusának mérése 36 neutrondetektor-lánc segítségével történik. Mindegyik lánc egy-egy üzemanyag-kazetta közepébe van helyezve. Egy detektorlánc hét detektorból és az úgyne-

- 19 -


vezett kompenzációs kábelből áll. A detektorok 20 cm-es hosszúságúak, és középpontjuk egymástól 30,5 cm-re helyezkedik el (2.5.2/1. ábra). hűtőközeg

reaktorzóna kompenzációs kábel

detektor

20

N1

20

N2

10.5

20

N3

10.5

20

N4

10.5

20

detektor kábelek N5

10.5

N6

10.5

20

20

N7

10.5

20

19

202 242

2.5.2/1. ábra. Az SPND detektorlánc elrendezése a VERONA adatok alapján. Az adatok cm-ben értendők A kompenzációs kábel hossza megegyezik a leghosszabb kábelű (a legalsó szinten elhelyezkedő) detektor kábelének hosszával. A paksi reaktorban ródium emitterű SPND (Self-Powered Neutron vagy más néven β-emissziós neutron-) detektorokat alkalmaznak. A ródiumdetektor esetén a zajdiagnosztikában fontos frekvenciaátvitelről gyári adatok nem állnak rendelkezésre. A következőekben bemutatott vizsgálathoz szükséges adatokhoz a detektor működési elve és néhány adata alapján könnyen hozzájuthatunk.3 Az SPND detektorok áramát a neutronsugárzás által kiváltott magreakciók β-bomlása termeli. A 2.5.2/2. ábrán a detektor anyagát képező ródium neutronsugárzás hatására bekövetkező bomlási sémája látható [68]. 104m

IT

Rh γ 99% T = 4.34min 1/2

7% 93%

103

Rh (n, γ )

EC 0.5%

104

β 0.18% Rh

β 1.5%

β 98% T = 42.3s 1/2

104

Pd

2.5.2/2. ábra. A ródium bomlási sémája [68] Az ábrán vastagabb vonal jelöli a detektor áramának döntő részét adó bomlási utakat. A bomlási képből rögtön látható, hogy a detektor válaszideje, késleltetése elég nagy. Az átlagos felezési idő nagyobb, mint 42 másodperc. Egy ilyen nagy tehetetlenségi idejű detektor a zajdiagnosztikai vizsgálatok frekvenciatartományában már nem lenne használható. A detektor anyagában azonban az ábrán szereplő magreakción kívül még úgynevezett prompt elektront termelő folyamatok is lezajlanak. A detektor anyagaiban bekövetkező (n,γ)(γ,e) reakciók során keletkező prompt töltések mellett, a reaktorban lezajló maghasadást követő intenzív γ-sugárzás is szabad elektronokat és ionokat kelt a detektorban. A keletkező elektronok egy része (még rekombinálódás előtt) eléri a detektor elektródáit, és így áramot kelt. Az ily

3

A detektor működésével sok publikáció foglalkozik, pl. [68, 69]. A dolgozat írásának idején az NTI-ben is

zajlanak az SPND detektorok működését elemző – Monte Carlo módszeren alapuló – számítások. A következőben részletezett vizsgálat azonban elsősorban a kábeláram hatását kívánja tisztázni, és ehhez elegendőek a 2.5.2/1. ábrán látható geometriai adatok, a prompt válasz mértéke és a saját mérési adataink. - 20 -


módon keletkező áram nagysága elsősorban a detektor szerkezeti felépítésétől és a detektort alkotó anyagoktól függ. A gyártók a promptjel-hányadot a detektor által mért állandósult érték százalékában fejezik ki. A promptjel-hányad kb. 6–10 %, a gyártás technológiájától, az emitter vastagságától és a detektor elhasználódottságától függően [69]. Az orosz gyártmányú ródium SPND detektorok esetében ez az érték kb. 7 %. A detektorban levő ródium mennyisége a sugárzás hatására fokozatosan fogy, ez a csökkenés a paksi reaktor egy-egy kampányában a detektort ért neutronfluens függvényében akár a 10– 15 %-ot is elérheti. Ezért a detektorokat időszakosan kalibrálni, három-négy évenként pedig cserélni kell. A detektor dinamikai tulajdonságát vizsgálva egyszerű számítással belátható, hogy a későjel-hányad szintje már 0,037 Hz-nél a tényleges jelszint 7 %-a (a prompthányad szintje) alá süllyed, tehát a detektorjelek zajdiagnosztikai kiértékelésre használt spektrumaiban gyakorlatilag már csak a detektor prompt válasza jelenik meg.4 (A zajvizsgálatok során szokásosnak vehető 50 Hz-es sávszélességű, 512 spektrumvonalat tartalmazó zajspektrum első vonala 0,098 Hz.) A bomlási séma és a prompthányad ismeretében a detektor válaszfüggvénye meglehetősen pontosan meghatározható. A detektor válaszidejének javítására nagy számban történtek, illetve történnek gyakorlati és elméleti próbálkozások [70, 71, 72], ezek azonban elsősorban az állandósult érték gyorsabb meghatározását szolgálják. Kom p en zálatlan S PN d etektor Á rnyékolt kábel

v

R R ód ium em itter

.

S zigetelõ anyag

V éd õburkolat és kollektor

E llenállás

Kom p en zált S P N d etektor elren d ezés Kom p enzációs vezeték

Á rnyékolás R

v R

.

Jelvezeték

.

Külsõ ká b ellel kom pen zált SP N d etektor m egh oss zabbított jelv ezeté kk el Kom p enzációs kábel R

v

. R

.

.

"Live tail" (élõ farok)

Külsõ ká b ellel kom pen zált SP N d etektor Kom penzációs kábel R

v

. R

.

.

2.5.2/3. ábra. Az SPND detektorok elvi elektromos kapcsolási rajza

4

A későjel-hányadot meghatározó bomlási út felezési ideje T1 2 = 42 s . A detektor egységugrásra adott válasza

I = I0 ⋅ e

−

ln 2 t T1 2

, ahol I az intenzitás. Ebből a frekvenciaátviteli függvény I (ω ) = I 0 (ω ) ⋅

1

, ahol ω a 2

æT ö ç ÷ 1+ ω2ç 1/ 2 ÷ ç ln 2 ÷ è ø körfrekvencia. Ennek felhasználásával azt kell meghatározni, hogy I (ω ) I 0 (ω ) milyen ω értékre lesz 0,07. Ebből

I 0 (ω ) 2

ω=

I (ω ) 2

−1⋅

ln 2 T1 2

=

1 0,07

2

−1 ⋅

0,69 42

=0,23. A kapott eredményt 2π-vel elosztva 0,037 Hz-t kapunk.

- 21 -


A detektálás során a sugárzás egyik kellemetlen velejárója, hogy a detektor kivezető kábelében is keletkezik áram, amely meghamisítja a mérést. A kábeleffektus kompenzálására több megoldás kínálkozik. A 2.5.2/3. ábrán egy (kompenzálatlan) neutrondetektor, valamint három kábelhatást kiküszöbölő megoldás elektromos bekötési rajza látható [73]. A legkifinomultabb megoldás az, amikor a vezetékbe egy másik vezető eret, úgynevezett kompenzációs szálat építenek be, majd ennek a szálnak a jelét kivonják a detektor jeléből. Mivel a kompenzációs szál anyaga és útvonalának geometriája megegyezik a kivezető száléval, ezért a detektor jelére szuperponálódott nemkívánatos áramokat ilyen módon lehet a legpontosabban kiszűrni. A VVER reaktoroknál azonban még kompenzálatlan detektorok használatosak. A paksi erőműben is kompenzálatlan detektorokat alkalmaznak, és a jelvezeték módosító hatását csak számítással veszik figyelembe. Minden detektorlánc mellé be van fűzve a detektorlánc leghosszabb kábelű detektorával megegyező hosszúságú pótkábel. A detektorjelek, illetve az állandósult értékek korrekciója ezen a kábelen mért áram alapján történik, az egyes detektorokhoz tartozó kábelhossznak és a neutronfluxus alakjának figyelembevételével. A kompenzálatlan detektorokkal végzett zajdiagnosztikai méréseknél azonban a kábeláramnak mérésre gyakorolt hatását részletesen még nem vizsgálták meg.5 A paksi reaktorban alkalmazott detektorok és kompenzációs kábelek árama egymással ellentétes irányú, és a kezdeti időszakban az utóbbi kb. 6–8 %-a volt a középső szinten levő detektorok áramának. Ez az arányszám a 80-as évek végétől a régebbi detektorokat fokozatosan felváltó új típusú detektoroknál átlagosan a felére-harmadára csökkent. Az új detektorok árama a régiekhez viszonyítva átlagosan kb. 70 %-ra, a kábeláramok kb. 30 %-ra csökkentek. A 2.5.2/4. ábrán a detektorok és a kompenzációs kábel árama látható a detektorok gyártási technológiájának váltása előtt, a 2.5.2/5. ábrán pedig a technológiaváltás után (a paksi VERONA [3, 4] zónamonitorozó rendszer archív állományából).

2.5.2/4. ábra. A 4. blokki in-core neutrondetektorok és kompenzációs kábelek árama a régi típusú detektorokkal. A kábeláram a K jelzésű mezőben olvasható le

5

A vizsgálat a kábeláramnak a zajdiagnosztikai mérésekre gyakorolt hatását kívánja tisztázni, és nem azt, hogy

ennek figyelmen kívül hagyása milyen interpretációs hibákat okozhatott. Fontos megjegyezni, hogy a következőkben bemutatott vizsgálatnak a zajdiagnosztikában nem találhatók irodalmi előzményei. - 22 -


2.5.2/5. ábra. A 4. blokki in-core neutrondetektorok és kompenzációs kábelek árama az új típusú detektorokkal. A kábeláram a K jelzésű mezőben látható A kábeláram mértéke függ a kábelt alkotó ötvözőanyagok és nyomelemek mennyiségétől és arányától, ami a neutronfluens és az adott izotóp hatáskeresztmetszetének függvényében jelentősen megváltozhat. Az ilyen változások a kábeláram nehezen nyomon követhető időbeni változását eredményezik. (Ez a jelenség a paksi SPND láncoknál is megfigyelhető, olyannyira, hogy az új SPND láncokon néha még pozitív kábeláramok is előfordulnak, bár abszolút értékben ezek lényegesen kisebbek a normál üzemi, negatív kábeláramoknál. A vizsgálatok szerint néhány hónapos üzem után az összes kábeláram negatív értéken állandósul [74, 75].) A VERONA archív adatokat tanulmányozva megállapítható, hogy a közel azonos állapotú, és közel azonos körülmények között üzemelő detektorláncok kábelárama jelentősen eltérhet egymástól. Ennek alátámasztására a 2.5.2/1. táblázat az új detektorláncok archív adataiból kiválasztott három olyan, hasonló előéletű detektorláncot mutat be, amelyeknek a kábelárama jelentősen eltér egymástól. VERONA archív detektor adatok, 1997.10.14, 2. blokk, 14. kampány Detektorlánc koord. 17-58 Detektor szint 1 2 3 4 5 6 Mért áram [µA] 0,53 0,66 0,71 0,71 0,67 0,59 Detektor kiégésre normalizált áram [µA] 0,82 1,08 1,18 1,12 1,01 0,85 Átlagos teljesítmény kiválás [MW/m] 1,87 2,21 2,34 2,21 1,96 1,57 Leadott össztöltés [mA perc] 1301,3 1538,4 1645,6 1597,4 1556,3 1493,6 Detektorlánc koord. 08-27 Detektor szint 1 2 3 4 5 6 Mért áram [µA] 0,52 0,66 0,72 0,71 0,67 0,59 Detektor kiégésre normalizált áram [µA] 0,83 1,07 1,14 1,09 0,99 0,80 Átlagos teljesítmény kiválás MW/m] 1,65 1,95 2,02 1,93 1,70 1,33 Leadott össztöltés [mA perc] 1302,6 1538,6 1564,1 1538,5 1520,5 1417,7 Detektorlánc koord. 18-51 Detektor szint 1 2 3 4 5 6 Mért áram [µA] 0,57 0,66 0,71 0,70 0,63 0,52 Detektor kiégésre normalizált áram [µA] 0,90 1,11 1,23 1,18 1,02 0,74 Átlagos teljesítmény kiválás [MW/m] 2,06 2,35 2,48 2,37 1,91 1,42 Leadott össztöltés [mA perc] 1507,9 1650,6 1745,9 1718,7 1709,9 1467,6

7 0,45 0,54 0,97 1178,0

Kábel -0,0028

7 0,45 0,52 0,83 1142,8

Kábel -0,0126

7 0,38 0,47 0,92 1183,2

Kábel -0,0346

2.5.2/1. táblázat. Detektor- és kábeláramok. A VERONA zónamonitorozó rendszer archív adatai alapján - 23 -


A detektorok által leadott össztöltések alapján a detektorláncok a harmadik kampányt töltik a reaktorban. Látható, hogy az azonos detektorszinten leadott össztöltések közötti eltérések nem haladják meg a 15 %ot, továbbá a detektorok kiégésre normalizált árama (amely a fluxus alakját írja le) 15 %-on belül megegyezik. Az első két detektorlánc új, a harmadik (abszolút értékben legnagyobb áramú) pedig egy második kampányos fűtőelemben helyezkedik el. A fenti különbségekkel nem magyarázható a kábeláramok többszörös – akár egy nagyságrendet is meghaladó – eltérése. (A dolgozat a kábeláram okainak vizsgálatával nem foglalkozik – részben a szükséges feltételek hiánya miatt –, hanem megelégszik annak mértékének és hatásának tisztázásával.) A kábeláramokban tapasztalt jelentős (egy nagyságrendet is elérő) eltérések az első és második kampányos detektorok esetében is megfigyelhetők. Az archivált adatok alapján a korábbi (80-as években használt) detektoroknál ehhez hasonló arányú eltérések fordultak elő, de abszolút értékben kb. háromszor nagyobb kábeláramok mellett (2.5.2/6. ábra).

4. blokk 1. kampány - 1987.10.06.

2. blokk 14. kampány - 1997.10.14.

12

12

10

10

8

8

6

6

4

4

2

2

0 0,41%

2,61%

4,81%

7,00%

9,20%

11,40%

13,60%

0 0,45%

15,80%

1,22%

1,98%

2,75%

3,52%

4,28%

5,05%

5,82%

2.5.2/6. ábra. A kompenzációskábel-áramok gyakorisági hisztogramja a detektorláncon belüli átlagos detektoráram százalékában kifejezve A 2.5.2/6. ábra első grafikonján 1987-ben a 4. blokk 1. kampányában, a második grafikonon 1997-ben a 2. blokk 14. kampányában használt detektorláncok kompenzációskábel-áramának gyakorisági hisztogramja látható az azonos detektorláncban lévő detektoráramok átlagának százalékában kifejezve. A grafikonokon jól látható, hogy a nyolcvanas években használt detektorok kábelárama lényegesen, kb. háromszor nagyobb volt az új típusúakénál. Az első grafikon 0,41%–2,61%-os tartományának viszonylagosan magas, 11%-os értéke azt mutatja, hogy már ebben az időszakban megkezdődött az új típusú detektorok fokozatos alkalmazása. A kábeláram a zajdiagnosztika szempontjából azért bír különös fontossággal, mivel a zajjelekben a már említett detektoráram promptrésze és a kábeláram együttesen jelenik meg. Ez a leghosszabb kábelű detektor esetén extrém esetben (a 80-as években használt detektoroknál) azt is jelentheti, hogy a kábeláram járuléka bizonyos frekvenciatartományokban – abszolút értékben – akár meg is haladhatja a detektor prompt válaszát. Ennek alátámasztására a nagyobb kábeláramú (a nyolcvanas években használt) detektorokkal végzett zajdiagnosztikai mérések közül kiválasztottam egy olyan mérést, amelyben a kábeláram fluktuációja is rendelkezésre állt. A detektorok és a kábel AC és DC áramát a 2.5.2/2. táblázat foglalja össze.

- 24 -


Zajdiagnosztikai mérés, 1987.11.12, 3. blokk, 1. kampány Detektorlánc-koordináta 13-40 Detektorszint N1 N2 N3 N4 N5 N6 Mért DC áram [µA] 0,98 1,13 1,19 1,14 1,07 A detektorban keletkező 0,07 0,08 0,08 0,08 0,07 becsült prompt DC áram [µA] 4,5 5,8 10,8 13,0 19,1 zaj RMS [nA] < |90|

A detektorjel és a kábeljel közötti fázis 0-5Hz-ig [fok]

< |160|

-

>|150|

>|150|

>|150|

N7 0,19 0,01

N8 -0,09 -0,09

N1-N8 0,89 -0,02

3,4

12,4

7,9

>|150|

0

-

2.5.2/2. táblázat. Detektor- és kábeláramok zajdiagnosztikai mérési adatai A táblázatban N8 jelöli a kompenzációs kábelt. Az N1-N8 oszlop az N1-es detektor és a kompenzációs kábel idősorának a különbségéből számolt adatokat tartalmazza. (A mérési jegyzőkönyv szerint a hármas detektor vagy a hozzá tartozó elektronikai lánc hibásan működött.) A táblázatban a gyártó által megadott 7%-os érték alapján a számolt prompt DC áram is helyt kapott. Az adatokból kitűnik, hogy a leghosszabb kábelű N1 detektor esetén, de valószínűsíthetően még az N2 detektornál is, a detektor (DC) kábelárama abszolút értékben nagyobb a detektor prompt DC áramánál. A táblázatban feltüntetett detektorjelek közötti fázisgörbéket a 2.5.2/7. ábra mutatja be.

Fázis [fok]

180

N2 -N1

0

Fázis [fok]

-180 180

N4 -N1

N4 -N2

N5 -N1

N5 -N2

N5 -N4

N6 -N1

N6 -N2

N6 -N4

N6 -N5

N7 -N1

N7 -N2

N7 -N4

N7 -N5

N7 -N6

N8 -N1

N8 -N2

N8 -N4

N8 -N5

N8 -N6

0

Fázis [fok]

-180 180 0

Fázis [fok]

-180 180 0

Fázis [fok]

-180 180 0

Fázis [fok]

-180 180

N8 -N7

0 -180 0

5 10 Frekvencia [Hz]

0


0


0


0


0


2.5.2/7. ábra. A 13-40-es detektorláncon mért jelek fázisdiagramjai. (A grafikon alsó sorában a fel-le ugráló görbe az alkalmazott ±180º-os ábrázolásmód következménye, és ez egyben az ellenfázis tipikus megjelenése.) A kábeláramnak a detektoráramhoz viszonyított ellentétes előjeléből következik, hogy a kábelben és a detektorban (globálisan, azaz a detektor és a kábel minden pontjában azonosan) keletkező áram ellenfázisban van egymással. Ezért egy adott frekvencián az eredő áram irányát a nagyobbik áramjel iránya - 25 -


határozza meg.6 Ebből következik, hogy ha a kompenzációs kábel és az N1 detektorjel között egy adott frekvencián azonos fázist tapasztalunk, akkor a kábeláram határozza meg az eredő jel irányát (azaz a kábeláram meghaladja a detektoráramot), ellenfázis esetén viszont a detektoráram határozza meg az eredő jel irányát (azaz a detektoráram nagyobb a kábeláramnál). A 2.5.2/7. ábra fázisportréi és a 2.5.2/2. táblázat szerinti (N8) kompenzációs kábel és a detektorok közötti fázisadatokból látható, hogy az N1 és N2 detektoroknál a detektorhoz csatlakoztatott kábel árama a kb. 0–5 Hz-es tartományban valószínűleg meghaladja a detektor áramát. Ugyanis ezek a jelek közelítőleg azonos fázisban vannak, és ez azonos előjelű áramra, azaz két kábel közötti fázismenetre utal. Az N2 detektornál megfigyelhető nagyobb fázisérték azt jelzi, hogy itt (az N1 detektorhoz viszonyítva) a kábel járuléka – a rövidebb kábelhossz miatt – a detektor jeléhez képest már kisebb, de még éppen meghaladja a detektor áramát. Az N4…N7 detektorjelek és a kompenzációs kábel jele közötti ellenfázis – amely ellentétes irányú áramokra utal – már azt mutatja, hogy a rövidebb kábelhosszak miatt a detektorok jelében a detektorkábel árama kisebb a detektor áramánál, azaz a jelben már a detektor árama marad meg. Ez egyben azt is jelenti, hogy a detektor és a kábeláram az N2 és N4 detektorok közötti tartományban egyenlítődik ki. A 2.5.2/2. táblázat RMS értékeiből az is megállapítható, hogy a kábel RMS értéke elég nagy ahhoz, hogy az első két detektornál abszolút értékben meghaladja a detektorok áramát.7 Az N1 detektor idősorából a kompenzációs kábel idősorát kivonva jó közelítéssel megkapjuk a detektor torzítatlan jelét. Ez alapján azt kapjuk, hogy a detektor tényleges jelének RMS értéke a hozzátartozó kábel jelének 64%-át teszi ki, azaz a kábeláram meghaladja a detektor prompt jelét. A kábeláram frekvenciafüggő hatásának illusztrálására a 2.5.2/8. ábrán bemutatjuk a kábel (N8), a detektor (N1) és az idősorok kivonásával előállított (kompenzált) detektor (N1-N8) autoteljesítménysűrűség-spektrumát (APSD). 120 13-40/N1 13-40/N8 13-40/N1 -13-40/N8

100

APSD [nA2]

80

60

40

20

0

0

0.5

1

1.5

2

2.5

3

Frekvencia [Hz]

2.5.2/8. ábra. A kábel (N8), a kompenzált detektor (N1-N8) és a kompenzálatlan (N1) detektor áramának autospektruma

6

Mivel a detektor és a kábel környezetében fellépő lokális zajok (pl. terjedő perturbációk) által keltett áramok

között fáziseltérések vannak, ezért ez nem teljesen igaz. Esetünkben a feltevésnek az ad alapot, hogy a reaktorban – normál körülmények között – alacsony frekvencián (kb. 1 Hz-ig) a globális háttérzaj a domináns [76], továbbá – mint azt a későbbiekben látni fogjuk – a kompenzációs kábel frekvenciaátvitele a kábel mentén haladó perturbációknál kb. 1 Hz-től már elhanyagolható. 7

Az RMS értéket a reaktor átviteli – azaz a neutronzajspektrumok exponenciálisan csökkenő – tulajdonsága miatt

az alacsonyfrekvenciás komponensek határozzák meg [12, 77]. - 26 -


A 2.5.2/8. ábrán látható, hogy a jel alacsonyfrekvenciás tartományában, kb. 1,5 Hz-ig, a tényleges (kompenzált) detektoráram végig kisebb a kábeláramnál. Ez már egyértelműen bizonyítja, hogy a leghosszabb kábelű (N1) detektorra – a bemutatott mérésnél – a detektor prompt jelét 1,5 Hz-ig a kábeláram szolgáltatta. Az elemzett méréshez tartozó kábeláram a 2.5.2/6. ábra első grafikonjának a közepére esik. A grafikonról az is leolvasható, hogy ennél az értéknél kétszer nagyobb áramok is előfordultak, azaz a múltban a vizsgálthoz képest jelentősebb méréshibák is lehettek. 2.5.2.2. A hűtőközeg sebességének becslése neutronzajjelekből A neutrondetektorok jeleiben észlelhető ingadozások egy részét a reaktoron áthaladó hűtőközegben lévő perturbációk okozzák. A haladó perturbációk által kiváltott jelenségek és matematikai leírásuk a méréstechnikában és a zajdiagnosztikában is jól ismertek. A reaktordiagnosztikában ezeket a jelenségeket kihasználva lehetőség van a hűtőközeg-sebesség zónán belüli megmérésére. Mivel a kábeláram módosítja a detektor jelét, ezért célszerű megvizsgálni, hogy a detektor kábeláramának hatása miképpen jelenik meg a detektorláncok mentén elhaladó perturbációk mérési eredményeiben. A vizsgálatok ismertetése előtt röviden összefoglaljuk a reaktorban áthaladó perturbációkkal kapcsolatos fontosabb ismereteket. 2.5.2.2.1. Terjedő perturbációk vizsgálata A reaktoron átáramló hűtőközegben lévő inhomogenitások (sűrűségingadozás, bórkoncentráció-ingadozás stb.) a megváltozott makroszkopikus hatáskeresztmetszeteken keresztül perturbációt okoznak a neutronfluxusban. Ezért a detektorok előtt elhaladó perturbáció kis tranziens formájában – a detektorok távolságával arányos időkéséssel – megjelenik a detektorok jelében is (2.5.2/9. ábra). perturbáció

a perturbáció sebessége

v

d1

l

d2

detektorok

i1 ( t )

a detektoráram ok időjele

i2 ( t ) τ 1, 2 =

l v

2.5.2/9. ábra. A terjedő perturbáció tranzitideje becsülhető a detektorok időjeleinek felhasználásával A detektorok közötti tranzitidő mérésével a detektorok távolsága alapján az áramló hűtőközeg sebessége egyszerű osztással számítható. Mivel a reaktor üzemelése közben a kazettákon átáramló hűtőközeg sebességét csak áttételesen, számítások útján lehet meghatározni, ezért bizonyos esetekben fontos lehet egy olyan mérési eljárás, amelynek segítségével a hűtőközeg sebessége az adott helyen mérhető meg. A tranzitidő meghatározása történhet a terjedő perturbációk hatására a jelek között mérhető lineáris fázis meredekségének meghatározásával vagy a jelek keresztkorrelációs függvényében a tranzitidőre jellemző csúcs azonosításával. A továbbiakban ismertetett formulákban, levezetésekben a következő jelöléseket használjuk: ∞

i (ω ) =

ò i(t )e

− iω t

dt

a jel Fourier-transzformáltja,

(2.5.2.1)

CPSD1, 2 (ω ) = i1 (ω ) ⋅ i2 (ω ) keresztteljesítménysűrűség-spektrum vagy keresztspektrum,

(2.5.2.2)

−∞

- 27 -


APSD1 (ω ) = i1 (ω ) ⋅ i1 (ω )

autoteljesítménysűrűség-spektrum, röviden autospektrum,

K a várható értéket, ω a körfrekvenciát és a

(2.5.2.3)

(felülhúzás) a komplex konjugáltat jelöli.

A 2.5.2/9. ábra alapján a detektoráramokra i2 (t ) ≅ i1 (t − τ 1, 2 ) , ahol τ 1, 2 =

l a két detektor közötti v

transzportidő, l a detektorok távolsága és v a terjedő perturbáció sebessége. Ennek az egyenletnek a − iωτ Fourier-transzformáltja: i 2 (ω ) = i1 (ω )e 1, 2 . Képezve a két jel közötti keresztspektrumot:

CPSD12 = i1 (ω ) ⋅ i2 (ω ) = i1 (ω ) ⋅ i1 (ω ) e

iωτ 1, 2

= APSD1e

iωτ 1, 2

(

.

(2.5.2.4)

)

Ebből a terjedő perturbáció lineáris fázisa ϕ = arg CPSD1, 2 = −ωτ 1, 2 , melynek ω = nulla átmenete van, ω =

(2n + 1)π τ 1, 2

2nπ τ 1, 2

Hz-nél

Hz-nél (n=1,2,..) pedig π átmenete.

A reaktorban terjedő perturbációk vizsgálatánál azonban nehézséget okoz, hogy a detektor nemcsak az előtte elhaladó perturbációt, hanem egy, a reaktor minden pontjában érzékelhető, ún. globális zajt is lát. (A lokális-globális koncepcióról további információk találhatók a [77, 78, 79, 80, 81, 82] publikációkban.) Ez azt jelenti, hogy a detektor egyszerre egy lokális és egy globális zajmezőt mér. A továbbiakban [77] alapján felírjuk a terjedő perturbációk globális effektust is figyelembe vevő fázismenetét. A probléma megoldására kidolgozott lokális-globális koncepció szerint az in-core neutrondetektorok által mért jelet két jól szeparálható részre lehet bontani, egy ún. lokális és egy globális részre:

i (t ) = i lo (t ) + i gl (t ) .

(2.5.2.5)

A reaktorban felfelé áramló hűtőközeg esetén a felső neutrondetektor iu (t ) jele felírható mint

iu (t ) = illo (t − τ ) + i gl (t ) + (...) ,

(2.5.2.6)

ahol illo (t ) a neutronzaj lokális komponense a reaktortartály alsó részében [ 77, 78]. Az első tag lényegében a terjedési folyamatot írja le, míg a harmadik tag a két pont közötti gőzfejlődést (ez utóbbit PWR reaktorra elhanyagoljuk). A (2.5.2.6) egyenletet a frekvenciatartományban a következőképpen írhatjuk fel:

iu (ω ) = illo (ω )e

− iωτ l ,u

+ i gl (ω ) ,

(2.5.2.7)

Ezt felhasználva (2.5.2.4) a következő:

CPSDl ,u = il (ω ) ⋅ iu (ω ) = (illo (ω ) + i gl (ω )) ⋅ (illo (ω )e

= illo (ω ) ⋅ illo (ω ) e

iωτ l ,u

= APSD gl + APSDllo e

−iωτl ,u

+ i gl (ω )) =

+ illo (ω ) ⋅ i gl (ω ) + i gl (ω ) ⋅ illo (ω ) e iωτ l ,u

+ CPSDllo, gl + CPSD gl ,llo e

feltéve, hogy CPSDllo , gl = 0 és CPSD gl ,llo e

iωτ l ,u

− iωτ l , u

iωτ l ,u

+ i gl (ω ) ⋅ i gl (ω ) =

= APSD gl + APSDllo e

iωτ l , u

, (2.5.2.8)

= 0.

Fontos megjegyezni, mivel ezt még kihasználjuk, hogy ha valamilyen ok miatt a globális hatás valamelyik detektor jelében nem jelentkezik, akkor a következő – globális tag nélküli – egyenletre jutunk: - 28 -


CPSDl ,u = APSDllo e

iωτ l ,u

+ CPSD gl ,llo e

iωτ l ,u

= APSDllo e

iωτ l ,u

.

(2.5.2.9)

Vagyis a fázistolás a két pont között

− K sin(ωτ l ,u )

APSDllo ϕ = arctg , ahol K = . 1 + K cos(ωτ l ,u ) APSD gl

(2.5.2.10)

Az így kapható fázisösszefüggés néhány esetben jól leírja a fázisportrék, illetve azok egyes szakaszainak alakját [83, 84, 85]. Az összefüggés jól mutatja, hogy a globális hatás elmossa, illetve a nulla fázis felé kényszeríti a fázisgörbét. A fő probléma az, hogy a detektorok között mérhető fázisportrék, a vázoltakkal ellentétben, sokkal összetettebbek, és ezért az ilyen egyszerű megközelítések az esetek nagy részében nem állják meg a helyüket. A kísérletileg mért sebességek és a lineáris fázismeneten alapuló zajdiagnosztikai módszerekkel meghatározott sebességek között sok esetben jelentős eltérés mutatkozott. A témakörben megjelent publikációkra jellemző, hogy általában egy-egy újabb fázistorzítási lehetőségre mutatnak rá, ugyanakkor a korábban már magyarázott torzítási lehetőségeket rendre figyelmen kívül hagyják. (Az elmondottakkal részletesebben a [83, 84, 85, 86, 87, 88] publikációkban találkozhatunk.) Valójában ezeknek a hatásoknak az együttes figyelembevétele az analitikus módszerekkel gyakorlatilag lehetetlen. A zajszimulátoros kísérletekben ezeket a hatásokat együttesen lehetett figyelembe venni, kiegészítve még egy eddig elhanyagolt hatással (nevezetesen a kábeleffektussal), ami – mint azt később bizonyítom is – szintén képes befolyásolni a fázismeredekségből történő sebességbecslés pontosságát. Hangsúlyozni kell, hogy más zajdiagnosztikai módszerekkel – pl. a korrelációs technikával vagy az impulzus-válaszfüggvényen alapuló sebességbecsléssel – pontosabb eredmények kaphatók [8]. 2.5.2.2.2. A korreláció alapú sebességbecslés

A sebességmeghatározás másik módszere azon alapszik, hogy a két detektor között kiszámolt korrelációs függvényben a repülési vagy transzportidőnek megfelelő helyen a függvénynek lokális maximuma van. A korrelációs függvény elemzésénél problémát okoz, hogy a reaktor zónájában lévő neutrondetektorok jelei – a reaktor globális fluktuációja miatt – erősen korreláltak. Ez a globális fluktuáció a korrelációs függvényben elfedi a transzportidőre jellemző csúcsot. A transzportidő meghatározásának járhatóbb útját a detektorok közötti impulzus-válaszfüggvény vizsgálata jelenti, amelyben a globális effektus kevésbé jelenik meg, ezért a transzportidőre jellemző csúcs könnyebben azonosítható (lásd a 2.5.2/10. ábra felső és alsó grafikonjai közötti különbséget). A grafikonok vízszintes időtengelyein 0 másodperc értéknél a globális, minden detektort azonos időpontban érő zajjelek okozta csúcs látható, míg a 0,4 másodperc körüli értékeknél az 1. és 5. szinteken levő detektorok közötti – a hűtőközeg sebességére jellemző – késleltetési időnek megfelelő csúcs. Az A és B detektorok közötti keresztkorrelációs függvényt (CORRAB) és impulzus-válaszfüggvényt (IMPAB) inverz Fourier-transzformációval a következőképpen számíthatjuk ki: ∞

⋅ e iωt dω ≡ F -1 (CPSD AB ) ,

(2.5.2.11)

CPSD AB iωt æ CPSD AB ö ⋅ e dω ≡ F -1 çç ÷÷ , APSD APSD A è ø A −∞

(2.5.2.12)

CORR AB =

ò CPSD

AB

−∞

IMP AB =

∞

ò

ahol CPSDAB az A és B detektor közötti keresztspektrum, APSDA az A detektor autospektruma és F -1 az inverz Fourier-transzformációt jelöli. A (2.5.2.5) és (2.5.2.8) összefüggések alapján - 29 -


APSD A = APSD gl + APSD Alo ,

CPSD AB = APSD gl + APSD Alo e

(2.5.2.13) iωτ A , B

.

(2.5.2.14)

Ezeket behelyettesítve a (2.5.2.11) és (2.5.2.12) kifejezésekbe, a

CORR AB = F

−1

(APSD

gl

+ APSD Alo e

iωτ A , B

æ APSDgl + APSDAlo e iωτ A, B IMPAB = F çç gl lo è APSD + APSDA −1

) és

(2.5.2.15)

iωτ ö æ APSDAlo e A, B ö APSDgl ÷ = F −1 ç ÷ + ÷ ç APSDgl + APSDlo APSDgl + APSDlo ÷ (2.5.2.16) A A ø ø è

összefüggéseket kapjuk. A (2.5.2.15) és (2.5.2.16) egyenletekben a korrelációs függvények és impulzusválaszfüggvények argumentumában lévő első tag a globális rész (nulla körüli) csúcsát hozza létre, a második tag pedig a lokális (a tranzitidő körüli) csúcsért felelős. A (2.5.2.16) egyenletben az osztás keskenyebb csúcsot eredményez, ezért az impulzus-válaszfüggvények kiértékelése egyszerűbbé válik (ez figyelhető meg 2.5.2/10. ábra alsó grafikonjain). Erre a 2.5.2.4. fejezet végén még visszatérünk. A terjedő perturbációk okozta SPND detektorjel-fluktuációk a nyomott vizes reaktorokban igen kicsik (a detektorjel DC értékének 0,001-0,01 %-a), míg az egyéb, a transzportsebesség meghatározását zavaró zajjelek ennél nagyságrendekkel is nagyobbak lehetnek. Ezért azokban az esetekben, amikor ezeknek az effektusoknak (pl. egy rezgés vagy a megnövekedett 50 Hz-es zaj stb.) nagy a hatása, a perturbációk terjedési sebességének meghatározása nem, vagy csak nagyon nagy hibával lehetséges. Erre adnak példát a 2.5.2/10. ábra harmadik oszlopbeli grafikonjai, melyeken a terjedő perturbáció által keltett csúcs 0,4 másodpercnél már az azonosíthatóság határán van. A középső grafikonon egy átlagosnak tekinthető, míg az elsőn egy nagyon jól azonosítható transzportidőcsúcs figyelhető meg.

keresztkorreláció

6.2

x 10

-6

04-37/N1-N5

6

6

-6

17-58/N1-N5

0

5.8

-1

5.6

-2

5.4

-3

5.2

-4

x 10

-7

15-56/N1-N5

5.8 5.6 5.4

-1

0

1

04-37/N1-N5

40

5

-1

0

1

17-58/N1-N5

30

30 impulzus válasz

x 10

-5

-1

0

1

15-56/N1-N5

40 30

20

20

20 10

10

10 0

0 -10

-1

0 idő [mp]

1

-10

0 -1

0 idő [mp]

1

-10

-1

0 idő [mp]

1

2.5.2/10. ábra. Detektorpárok közötti keresztkorrelációs függvények (felül) és impulzusválaszfüggvények (alul) 0,4 másodperc körüli transzportidőkkel 2.5.2.3. Az SPND láncok modellezése

Az in-core neutrondetektorok detektálási folyamatának tisztázására két modellkísérlet, illetve szimuláció készült. Elsőként egy olyan egyszerű, a mérési geometriát tartalmazó zajdiagnosztikai modellt alkottam, amelyben az egyes zajösszetevők elkülönítve jelentek meg. Ennek kidolgozásánál a cél az egyes zajösszetevők tulajdonságainak megértése, azok szemléletesebb bemutatása volt, valamint az, hogy alapot szolgáltasson egy esetleges mélyrehatóbb vizsgálat elvégzéséhez. Az egyszerű modellen végzett szimu-

- 30 -


lációk után a vizsgálatokat – egy egydimenziós reaktormodellt tartalmazó – zajszimulátorral készült idősorokon ismételtem meg. A szimulátor modellrendszere egy csatolt neutronkinetikai és termohidraulikai modellt tartalmaz, és így a szimulátor alkalmas arra, hogy realisztikusan írja le a reaktoron belüli legfontosabb zajterjedési folyamatokat. 2.5.2.3.1. Az SPND láncok egyszerűsített modellezése

A reaktoron áthaladó perturbációk által keltett neutronzaj SPND detektorlánccal történő mérésének egyszerűsített egydimenziós zajdiagnosztikai modelljét a 2.5.2/11. ábra szemlélteti. KOMPENZÁLT DETEKTOR

KOMPENZÁLATLAN DETEKTOR

A

i1ki d1

A c1

Súlyfaktorok

+

+

+

i1ki A

d1

i2ki A

+

+

d1

+

i2ki A d2

A c2

+

+

L c1

A globális hatást helyettesítõ detektor L d1

v

A kábeleffektust helyettesítõ detektor v

P

P Hr

Perturbáció

v

x d1

x c1

v

Detektor

P

P

Perturbáció

L d2

x xc2

xd2

2.5.2/11. ábra. Az SPND detektorok egydimenziós zajdiagnosztikai modellje terjedő perturbációkra, kompenzált és kompenzálatlan detektor esetén Az egyszerű modell három tényező – a detektoráram, a kábeláram és a globális hatás –, valamint a mérési geometria figyelembevételén alapul. Ezek együttesen alakítják ki a detektoron mérhető jelet. Az egyszerű modell nem modellezi a reaktoron áthaladó perturbációk pontos hatásmechanizmusát. A modell egyetlen kapcsolata a reaktorhoz a globális effektus elnagyolt közelítése. A modellen véletlenszerűen s kiterjedésű, v sebességű perturbációk haladnak át, amelyeket P egységnyi szakaszra eső erősség jellemez. A legegyszerűbb esetet alapul véve a perturbáció erősségének az eloszlása ì P, ha vt ≤ x ≤ vt + s, p( x, t ) = í egyébként, î 0,

(2.5.2.17)

ahol x a perturbáció térbeli változója, t pedig az időbeli változó. A modellezéskor – a megfelelő statisztikákhoz – véletlenszerűen, másodpercenként 1–10 perturbáció lett generálva, véletlenszerű s és P paraméterekkel, egyenletes eloszlás szerint. A detektor modellezése. Az egydimenziós modellben a detektort egy megfelelő xd pozícióba helyezett

l d hosszúságú szakasz képviseli, amelyet minden pontjában Gd prompt detektorérzékenység (vagy elektronproduktivitás) jellemez. (A továbbiakban a detektorérzékenységet a detektor prompt áramára - 31 -


vonatkozólag értjük. A detektorérzékenységet a modellezés során egynek vesszük, és a többi érzékenységet ehhez viszonyítjuk.) A detektorra vezessük be az alábbi, helytől függő átviteli függvényt: ìG , ha x d ≤ x ≤ x d + l d , γ d ( x) = í d egyébként. î 0,

(2.5.2.18)

A detektor id (t ) áramát az adott szakaszon áthaladó perturbáció és a szakasz közös részével, valamint a perturbáció mértékével vesszük arányosnak, azaz ∞

id (t ) =

ò p( x, t )γ

d

(2.5.2.19)

( x )dx.

−∞

A kábel modellezése. Diagnosztikai szemszögből nézve a kompenzálatlan detektor kábele is detektornak tekinthető, amely egy nem, vagy csak nehezen leválasztható járulékot ad a detektor jeléhez. Az egydimenziós modellben a kábelt is egy olyan l c hosszúságú detektornak tekintjük, amely geometriailag a tényleges detektor végénél kezdődik, és a reaktor felső részéig tart, vagyis ìG , ha x d + l d ≤ x ≤ x d + l d + l c , γ c ( x) = í c egyébként. î 0,

(2.5.2.20)

Fontos hangsúlyozni, hogy a kábelt modellező detektor árama ellentétes előjelű a detektoréhoz képest, azaz a fajlagos érzékenységre Gc ≤ 0 . (A kábeláramot önkényesen három csoportba soroljuk: Nagy, ha

Gc ≥ 0,09 . Ekkor a kábel árama meghaladhatja a detektor áramát. Normál, ha 0,09 > Gc ≥ 0,03 . Kicsi, ha 0,03 > Gc .) A kábelt reprezentáló detektor által mért áram az előző pontban – a valódi detektornál – ismertetett mechanizmus szerint írható fel, azaz

ic (t ) =

∞

ò p( x, t )γ

c

( x)dx .

(2.5.2.21)

−∞

A kábelt modellező detektor árama előjelesen hozzáadódik a valódi detektor áramához. A globális hatás modellezése. A reaktor globális hatását egy H hosszúságú detektor mentén elhaladó perturbációval modellezzük, ahol H a reaktorzóna magassága. A globális hatás modellezésére kétféle alternatíva kínálkozik. Az első változat esetén ìG , ha 0 ≤ x ≤ H , g r ( x) = í r egyébként. î 0,

(2.5.2.22)

A második változatban a perturbáció neutronfluxusra gyakorolt hatását – a perturbáció értékességét – koszinusz alakú átviteli függvénnyel közelítjük: ì æ πx ö G cosç , ha 0 ≤ x ≤ H , g r ( x) = í r èH 0, egyébként. î

(2.5.2.23)

A reaktoron bekövetkező globális (minden pontban azonosnak tekintett) Φ gl (t ) fluxusváltozás mértékét a modellben a következőképpen adjuk meg: ∞

Φ gl (t ) =

ò p ( x, t ) g

r

( x)dx .

(2.5.2.24)

−∞

- 32 -


Ennek alapján a globális hatásnak a valódi detektorban megjelenő hányada a következőképpen írható fel: ∞

∞

−∞

−∞

id , gl (t ) = ò Φ gl (t )γ d ( x )dx = Φ gl (t ) ò γ d ( x )dx .

(2.5.2.25)

Az összefüggésből látható, hogy a globális hatás a detektor jeléhez egy állandó számmal megszorozva adódik hozzá. Formailag tehát úgy tekinthető, mint ha egy g r (x ) átviteli tulajdonságú detektor árama egy ∞

Ad =

òγ

(2.5.2.26)

d ( x) dx

−∞

erősítésű erősítőn keresztül adódna hozzá a detektor jeléhez. A kábel esetén hasonló megfontolásokkal járhatunk el, azaz a globális effektus következtében a kábelben keletkező áram icgl (t ) =

∞

∞

−∞

−∞

gl gl gl ò Φ (t )γ c ( x )dx = Φ (t ) ò γ c ( x )dx = Ac Φ (t ) , ahol

(2.5.2.27)

∞

Ac = ò γ c ( x)dx . −∞

A fentiek figyelembevételével a detektoron mérhető i(t ) teljes áramot a következő alakban adhatjuk meg: i (t ) = id (t ) + idgl (t ) + ic (t ) + icgl (t ) .

(2.5.2.28)

A modellezés során a detektorérzékenységek a valódi detektor érzékenységére normáltak. A hossztól függő átvitel vizsgálata.

A felvázolt modellből a jelek néhány tulajdonsága már megjósolható. Egy l hosszúságú detektor mentén terjedő hullám esetén a detektorban kialakuló áramra a következő összefüggés írható fel: l

ò

i (ω , t ) = G sin(ωt + 0

x =l

xω xω ù cæ lω é c ö = −G ç cos(ωt + ) − cos(ωt ) ÷ , )dx = G ê − cos(ωt + )ú c c û x =0 ωè c ë ω ø

(2.5.2.29)

ahol G a detektor fajlagos érzékenysége és c a hullám sebessége. Ezt átalakítva az æ lω ö æ lω + 2ωt ÷ ç 2c çç c ÷ ⋅ sinç c i (ω , t ) = G sin 2 ω ç ÷ ç 2 ç ÷ ç è ø è

ö ÷ ÷ = G 2c sinæç lω + ωt ö÷ ⋅ sinæç lω ö÷ ω ÷ è 2c ø è 2c ø ÷ ø

(2.5.2.30)

összefüggést kapjuk. Képezzük a hullám teljesítménysűrűség-függvényét az alábbi módon: t′=t

t

i 2 (ω ) = lim G 2 t →∞

4c 2 4c 2 1 æ lω æ lω æ lω ö æ lω ö é 1 öù ö sin2 ç + ωt ′ ÷ ⋅ sin2 ç ÷dt ′ = lim G 2 2 ⋅ sin2 ç ÷ ⋅ ê t ′ − sin 2ç + ωt ′ ÷ú , 2 t → ∞ c c c ω c 2 2 2 2 4 2 ω t0 ω t è è è ø è ø ë øû t′=0 ø

i 2 (ω ) = lim G 2 t →∞

− lim G 2 t →∞

ò

4c 2 1 æ lω ö é 1 æ lω ö 1 æ lω öù ⋅ sin 2 ç ÷ ⋅ ê t − sin 2ç + ωt ÷ + sin 2ç ÷ú , ahol ω 2t è 2c ø ë 2 4ω è 2c ø 4ω è 2c ø û

4c 2 1 æ lω ö é æ lω ö æ lω öù ⋅ sin 2 ç ÷ ⋅ êsin 2ç + ωt ÷ + sin 2ç ÷ú = 0 . 2 ω t 4ω è 2c ø ë è 2c ø è 2c ø û

Tehát a teljesítménysűrűségre a következő összefüggést kapjuk: - 33 -

(2.5.2.31) (2.5.2.32) (2.5.2.33)


i 2 (ω ) =

G 2 2c 2 æ lω ö ⋅ sin 2 ç ÷ . 2 ω è 2c ø

(2.5.2.34)

A 2,02 m kábelhosszúságot, 2,42 m reaktorzóna-magasságot, 0,2 m detektorhosszt és a hűtőközeg 3,2 m/s-os sebességét behelyettesítve a 2.5.2/12. ábrán látható görbéket kapjuk. Kábel Globális Detektor

0.02

[Magnitudó]

0.015

i 2 (v ) =

G 2c 2 æ lπν ö ⋅ sin 2 ç ÷ 2π 2ν 2 è c ø

0.01

0.005

0 0.5

1

1.5

2

2.5

3

3.5

4

4.5

5

Frekvencia [Hz]

2.5.2/12. ábra. A kábeláram teljesítménysűrűség-függvényének alakja a kábel mentén haladó perturbációk esetén A grafikonon bemutatott görbéknél a detektorérzékenységek a következők: Gd = 1 , a kábelre Gc = 0,09 és a globális effektusra G r = 0.075 . A grafikonon látható, hogy a frekvenciaátvitel a frekvenciával fordított arányban meredeken csökken, továbbá a detektorhossz függvényében a

ν=

nc , (n = 1,2,...) l

(2.5.2.35)

helyeken nulla. A (2.5.2.31)–(2.5.2.33) összefüggésekben szereplő határérték a numerikus szimulációban, illetve a mérések kiértékelésében csak közelíthető, vagyis a formulák véges hosszúságú kiértékelés mellett alacsony frekvencián ((2.5.2.33) miatt) csak korlátozottan érvényesek t >> c 2 ω 3 . A gyakor-

(

)

latban ez azt jelenti, hogy a kábel hatása terjedő perturbációk esetén kb. 1 Hz-től kezdve elhanyagolhatóvá válik. A globális hatást modellező detektor hossza csak kb. 20 %-kal nagyobb a kábelénál, ezért az APSD görbéje (a kábel és a detektor G faktorainak arányát figyelembe véve) nem tér el jelentősen a kábelétól. A valódi detektornál az első zérushely a detektor kis mérete miatt 50 Hz körül van. A detektorokra merőlegesen haladó perturbációknál a detektor átvitele a detektor tényleges átviteli tulajdonságaival egyezik meg. Esetünkben ezt 0,1 Hz felett lineárisnak vehetjük. A detektorok elrendezéséből közvetlenül adódik, hogy a reaktor teljes globális zaját – amely alatt nemcsak a terjedő perturbációk által keltett zajt értjük – a kábel (ellentétes előjelű árama miatt) kivonja a detektor áramából. Ebből az következik, hogy a leghosszabb kábel, meghatározott fajlagos kábelérzékenységnél (az átviteli jellemzők különbségéből eredő kisebb zavaroktól eltekintve) gyakorlatilag teljesen kompenzálhatja az adott detektorban a globális hatást. Ennek következtében a lineáris fázis tulajdonságai jelentős mértékben javulhatnak. Túl nagy kábeláram esetén viszont „túlkompenzáltság” léphet fel, ami azzal járhat, hogy a kábeláram a fázisportrét a π irányába kényszeríti. Ez azt is jelenti, hogy egy alkalmas súlyfaktort találva lehetőség nyílik a kompenzációs kábel áramát a globális effektus kompenzálására felhasználni. A modellel 1986-ban mért nagy kábeláramú kompenzálatlan detektorokkal készített zajdiagnosztikai mérések jeleinek reprodukálására történt kísérlet. A mérésekben a kábel okozta fázis-visszafordulás a - 34 -


0,5–2 Hz-es frekvenciatartományban jól megfigyelhető volt (ld. a 2.5.2/13. ábra szaggatott vonalú görbéjét). A modellezés a 2.5.2/1. ábra szerinti elrendezésnek megfelelően az N1 és N3 detektorok jeleinek előállításával, a globális hatás modellezése pedig a koszinusz alakú átviteli függvénnyel történt. Az egyszerű modell – a fajlagos detektorérzékenységek kísérleti megtalálása után – 1–8 Hz tartományban elfogadhatóan reprodukálta a valós mérési eredményeket (ld. 2.5.2/13. ábra). A szimulált fázisgörbét a 2.5.2/13. ábrán folyamatos vonal mutatja. A modellezéssel kapott görbén 0,5-2 Hz között a kábelnek tulajdonítható fázisvisszahajlás is jól megfigyelhető. "szimulált" "N1-N3

150 Fázis [fok]

100 50 0 -50 -100 -150 0

2

4

6

8

10

12

Frekvencia [Hz]

2.5.2/13. ábra. A 15-32 detektorlánc N1 és N3 detektorai közötti „szimulált” és mért fázis a P2B3K.6C mérésben A kedvező eredmények ellenére az egyszerűsített modell nagy hátránya, hogy nem modellezi a reaktor termohidraulikai viselkedését, ezért 0,5 Hz alatt eleve nem szolgáltathatott jó eredményt. A modell hibájának tekinthető, hogy nem modellezi a globális háttérzajt – ami alatt a reaktor minden pontjában jelentkező, a modellezett perturbációktól független zajt értünk –, ezért a kapott fázisgörbe egyenletesebb a valóságosnál. Globális háttérzaj figyelembevétele esetén azonban a modellezésnél már három paramétert kellene variálni. A valóságos, három dimenziós esetben a detektor jelében a perturbációk globális és lokális komponensének aránya lényegesen nagyobb lehet, mint az egydimenziós modellben, mert a környező kazettákban áthaladó perturbációk hatása is megjelenhet a detektor jelében. Ennek oka, hogy a nagyobb távolság miatt a perturbáció lokális komponense kisebb mértékben, míg a globális komponens teljes mértékben érvényesül. Ezért az egydimenziós modellezésnél a globális effektust nagyobb súllyal kell figyelembe venni. A felsorolt hiányosságok ellenére az eredmények meggyőztek arról, hogy a vizsgálatot érdemes nagyobb teljesítőképességű eszközzel is elvégezni. A valóságot jobban megközelítő vizsgálat végezhető a Házi és Pór által kidolgozott, egydimenziós reaktormodellt alkalmazó zajszimulátor [89] segítségével. 2.5.2.3.2. Egydimenziós reaktormodellen alapuló zajszimuláció

Az egydimenziós reaktormodellen alapuló szimulátor az SPND jeleket egy csatolt termohidraulikai és neutronkinetikai modellel szimulálta. A szimuláció során az elsődleges zajforrás a belépő hűtőközeg hőmérsékletingadozása volt. A szimulátorban a reaktorzóna viselkedését egy egydimenziós kétcsoport diffúziós egyenlet írta le, amely egy egyszerű axiális fűtőanyag- és hűtőközeg-modellel volt összekapcsolva. A csoport- és a termohidraulikai paraméterek összecsatolása alkalmasan megválasztott összefüggések felhasználásával történt. A modell egyenleteit – speciális megfontolások alapján kiválasztott – numerikus módszerek oldották meg, eredményként a neutronfluxus idősorát állítva elő. A szimulátor lehetővé tette tetszőleges méretű neutrondetektoroknak a reaktorzóna tetszőleges axiális pozíciójába helyezését. A detektorok hosszuk mentén a termikus neutronfluxust „mérték”. A szimulátor az egyes detektorok kábelét egy megfelelő hosszúságú és érzékenységű detektorral modellezte. A detektorokból

- 35 -


nyert idősorok a szokásos jelfeldolgozási módszerekkel kezelhetők voltak. A zajszimulátor részletes ismertetése a [89] publikációban található. A szimulátorban az egyszerű modellnél is használt N1, N3 detektorok jeleinek a modellezése történt. A szimulátorral előállított idősoroknál a kábeláramot (kis lépésekben 0,02–0,25 tartományba eső – a kábel fajlagos érzékenységének megfelelő – szorzókkal megszorozva) a detektor idősorához hozzá lehetett adni. (A detektor fajlagos érzékenysége egynek lett választva.) Az így előállított idősorok között fázist számítva a 2.5.2/14. ábrán látható fázisgörbéket állítottam elő. Az ábra felső grafikonján azok a fázisportrék tekinthetők meg, melyek esetében a kábeláram abszolút értékben kisebb volt a detektorok áramánál, és a kábel még nem kompenzálta túl a globális effektust. Az ábrán jól látható, hogy a kábel G fajlagos érzékenységének, és ezen keresztül a kábeláramnak a növekedésével a fázisportré fokozatosan kezdi felvenni a lineáris fázisra jellemző alakot. 180

G = 0.020 G = 0.060

135

G = 0.080

Fázis [fok]

90

G = 0.090 G = 0.100

45

G = 0.110 0 -45 -90 -135 -180 0,0

1,0

2,0

3,0

4,0

5,0

6,0

7,0

8,0

9,0

10,0

11,0

12,0

13,0

14,0

15,0

Frekvencia [Hz]

180

G = 0.110 G = 0.120

135

G = 0.135

Fázis [fok]

90

G = 0.150 G = 0.175

45

G = 0.200 0

G = 0.250

-45 -90 -135 -180 0,0

1,0

2,0

3,0

4,0

5,0

6,0

7,0

8,0

9,0

10,0

11,0

12,0

13,0

14,0

15,0

Frekvencia [Hz]

2.5.2/14. ábra. A kábeláram hatása a fázisgörbék alakjára Az alsó grafikonon megfigyelhető, hogy amikor a kábelérzékenység a globális hatás kompenzációjának optimumát elérte, a fázis fokozatosan átmegy ellenfázisba. Ebben a tartományban az egyik detektor már túl van kompenzálva, a másik azonban még nincs. Ha mind a két detektor erősen túlkompenzált lesz, akkor az egymást átfedő, hosszú detektorok közötti fázisgörbék jellemzői alakulnak ki. A szimulációval kapott eredmények a 2.5.2/7. ábra fázisgörbéin is jól megfigyelhetők. Pl. az N5-N6 fázismenetnél a kis kábeláramra jellemző fázisgörbe, az N4-N5-nél a globális effektust optimálisan kompenzáló fázismenet, míg az N2-N4 diagramon a túlkompenzált detektorú (a detektoráramot meghaladó kábeláramú) fázismenet figyelhető meg. A szimuláció eredményei alapján egyértelműen kijelenthető, hogy a kábeláram mértékének függvényében jelentős különbségek alakulhatnak ki az azonos körülmények között lévő detektorjelek jellemzőiben. Tehát a kompenzálatlan detektorokkal való mérések során a kompenzációs kábel jelét mindig számításba kell venni. A következő fejezet a szimulációkból leszűrt következtetések valós mérési adatokon való alkalmazását tárgyalja.

- 36 -


2.5.2.4. Mért zajdiagnosztikai idősorok korrekciója

A szimuláció során megállapítást nyert, hogy a kábeláram bizonyos határok között javítja a detektorjelek közötti lineáris fázisgörbe alakját. Így ha a valós mérésekben valahogyan megváltoztatjuk a detektor és a kábeláram közötti arányokat, és ezt úgy végezzük el, hogy a kábeláram a reaktorzaj globális komponensét lényegesen csökkentse, illetve optimális mértékben kompenzálja, akkor pl. a sebesség meghatározásához alkalmasabb jelekhez juthatunk. A kompenzálás végrehajtásához a kompenzációs kábel áramát használjuk, kiaknázva azt, hogy a jelentősen eltérő detektor- és kábelhossz miatt a lokális és globális komponensek aránya lényegesen kisebb a kábelben, mint a detektorban.8 Az A detektorjel i Am (t ) mért árama a következő összetevőkből áll:

i Am (t ) = i Alo (t ) + i Agl (t ) + i Ac (t ) ,

(2.5.2.36)

ahol i Alo (t ) a lokális, i Agl (t ) a globális komponens és i Ac (t ) a kábel árama. Ez utóbbi a leghosszabb kábelű detektornál megegyezik a kompenzációs kábel i cc (t ) áramával. A kábeláramban a lokális tagot már elhanyagoljuk. Feltevéseink alapján a (2.5.2.36) kifejezésben a globális tag

i(t ) A ≅ x Af ⋅ i cc (t ) gl

(2.5.2.37)

alakban írható fel, ahol x Af az A detektorhoz tartozó korrekciós faktor. A korrekciós faktor azt mutatja meg, hogy mennyivel kell a kábeláramot megváltoztatni ahhoz, hogy az áram azonos legyen a detektor által mért globális fluktuáció áramával. (2.5.2.36)-ból a lokális tagot kifejezve az

i(t ) A = i Am (t ) − i Agl (t ) − i Ac (t ) lo

(2.5.2.38a)

összefüggést kapjuk. A kompenzációs kábel hosszával közel megegyező hosszúságú kábelű detektoroknál ((2.5.2.37) felhasználásával és i Ac (t ) ≅ i cc (t ) következtében) a lokális tag a következő alakú:

i(t ) A = i Am (t ) − i Agl (t ) − i Ac (t ) ≅ i Am (t ) − (1 + x Af ) ⋅ i cc (t ) . lo

(2.5.2.38b)

A kísérletek a 2.5.2/1. táblázatban már ismertetett mérési adatokkal történtek. A mérés fázisdiagramjai a 2.5.2/7. ábrán láthatóak. A detektorjelek kompenzációja úgy történt, hogy a detektorokon mért adatsorokhoz hozzá lett adva a kompenzációs kábel egy alkalmasan megválasztott súlyfaktorral megszorzott jelének adatsora. A súlyfaktor a lineáris fázis optimalizálásával, az egyes detektorok kábelhosszának és a jel DC szintjének figyelembevételével kísérletileg lett meghatározva. Az alkalmazott faktorokat a 2.5.2/3. táblázat foglalja össze. (Ezek a faktorok minden detektorláncra egyediek.) 1987.11.12., 3. blokk, 1. kampány, 4A mérés, 13-40 detektorlánc

Detektor f n

x súlyfaktor

N1 -0,52

N2 -0,25

N3 -

N4 0,28

N5 0,4

N6 0,55

N7 0,16

2.5.2/3. táblázat. A detektorjelek kompenzációjához használt faktorok

8

Több detektorlánc kompenzációskábel-áramának átlagolásával a kábeláram lokális komponense gyakorlatilag teljesen eltün-

tethető, tapasztalataink szerint azonban már a vizsgált detektorlánc kompenzációs kábelének áramával is kielégítő eredmény kapható.

- 37 -


A 2.5.2/15. ábra olyan fázisdiagramokat mutat be, ahol a detektorpároknak csak az egyik jele lett korrigálva. A grafikonokon folytonos vonallal a korrigált jelek, pontozott vonallal az eredeti jelek fázisgörbéi láthatók. A kétfajta fázisportré összevetéséből látható, hogy a kábeláram megváltoztatásával a fázisgörbék linearitása jelentősen javul. Megfigyelhető, hogy a fázisgörbék 0–3 Hz tartományából eltűnt az eredeti adatsort jellemző fázis-visszafordulás. A kompenzációs kábel jelének fázist javító (fázist rekonstruáló) hatása az alsó szinteken levő (a kompenzációs kábellel közel azonos kábelhosszúságú) detektoroknál a legjelentősebb. A rövidebb kábelű hatos és hetes szinten lévő N6 és N7 detektorok jeleinél már nem lehet számottevő fázismenet-javulást megfigyelni, ezért az N7 detektorral vett fázisgörbéket az ábráról elhagytuk. Ez a viselkedés részben azzal is magyarázható, hogy a detektorszinteken felfelé haladva egyre nagyobb mértékű kompenzációt kell végezni, egyre inkább eltérő kábeláram-jellemzők mellett. A 2.5.2/16. ábra fázisdiagramjai a detektorpárok mindkét jelében elvégzett korrekció után készültek. Az ábrán látható, hogy a csak egyik jelében kompenzált fázisdiagramokhoz képest a fázisok linearitása 10 Hz-ig valamelyest tovább javult. Az azonos jelkomponens hozzáadása miatt azonban magasabb (5 Hz feletti) frekvenciákon már azonos fázisú vagy ellenfázisú jelkorreláltság lép fel. A kis kábeláramú detektorok jeleinek kompenzációjánál (elsősorban a vizsgált mérés kedvezőtlen jel/zaj viszonya miatt) a fázisportrékban számottevő javulás nem jelentkezett. Az időjeleken végrehajtott korrekciók hatása természetesen nem csak a fázismenetekben jelentkezik, hanem a jel egyéb statisztikai jellemzőiben, így például a korrelációs függvényekben is (2.5.2/17. ábra). N2 -N1*

Fázis [fok]

180

0

-180 N4 -N1*

N4 -N2*

N5 -N1*

N5 -N2*

N5 -N4*

N6 -N1*

N6 -N2*

N6 -N4*

Fázis [fok]

180

0

-180

Fázis [fok]

180

0

-180

Fázis [fok]

180

N6 -N5*

0

-180

0

5 Frekvencia [Hz]

10

0

5 Frekvencia [Hz]

10

0

5 Frekvencia [Hz]

10

0

5 Frekvencia [Hz]

10

2.5.2/15. ábra. A detektorlánc jelei közötti fázisok az első (csillaggal jelzett) detektoron végzett kompenzációval

- 38 -


N2* -N1*

Fázis [fok]

180

0

-180 N4* -N1*

N4* -N2*

N5* -N1*

N5* -N2*

N5* -N4*

N6* -N1*

N6* -N2*

N6* -N4*

Fázis [fok]

180

0

-180

Fázis [fok]

180

0

-180

Fázis [fok]

180

N6* -N5*

0

-180

0

5 Frekvencia [Hz]

10

0

5 Frekvencia [Hz]

10

0

5 Frekvencia [Hz]

10

0

5 Frekvencia [Hz]

10

2.5.2/16. ábra. A kompenzált jelek közötti fázisok A 2.5.2/17. ábra első grafikonja az N1-N4, a második az N4-N7 detektorok keresztkorrelációs függvényeit tartalmazza. Az ábrán a szaggatott vonal az eredeti idősorok, a folytonos vonal pedig a korrigált idősorok keresztkorrelációs függvényét jelzi. Az első grafikonon az eredeti jelek keresztkorrelációs függvényei a nulla közelében – a globális effektus tartományában – negatív értéket vesznek fel az N1-es detektor nagy, a detektor jelét meghaladó kábeláramának következtében. A görbén a hűtőközeg transzportidejénél (0,27 sec) a transzportidő csúcsa még éppen azonosítható. A korrigált jelek keresztkorrelációs függvényénél a globális effektus már alig jelentkezik, míg a transzportidő csúcsa jól azonosítható. 0.25

N4* -N1*

0.2

N7* -N4*

0.2 0.15

0.15

0.1 0.05

0.1

0 -0.05

0.05

-0.1 -0.15

0

-0.2 -0.25 -1.25

0

1.25

Idő [sec]

-0.05 -1.25

0

1.25

Idő [sec]

2.5.2/17. ábra. Az eredeti (szaggatott vonal) és a korrigált (folytonos vonal) idősorok keresztkorrelációs függvényei az N1-N4 és az N4-N7 detektorok között A második grafikonon látható N4 és N7 detektorok jeleiben a kábeláram járuléka az N1-hez viszonyítva lényegesen kisebb. (Az N4-es, illetve N7-es kábelárama az N1-eséhez viszonyítva kisebb, mint 40%, - 39 -


illetve mint 5%.) A kis kábeláram következtében az eredeti jelek keresztkorrelációs függvényében a globális effektus erősebb, ezért a jelek a [-1,1] időtartományban erősen korreláltak. A görbén a transzportidő csúcsát legfeljebb sejteni lehet. Az eredeti jelek keresztkorrelációs függvénye a 2.5.2/10. ábrán bemutatott kis kábeláramú jelek keresztkorrelációs függvényeinek jellemzőit mutatja. A korrigált idősorok keresztkorrelációs függvényeiben a globális effektus jelentősen lecsökkent, és a transzportidő csúcsa is egyértelműen meghatározható. A valódi idősorokkal végzett kísérleteket összegezve megállapítható, hogy a szimulációs és a valódi mérések eredményei összhangban vannak egymással, és egyértelműen bizonyítják a kábeláram hatását. Megállapítást nyert, hogy a nagy kábeláramú detektorok jelének vizsgálatánál a feldolgozások eredményessége a kompenzációs kábel áramának felhasználásával javítható. A kompenzáció a leghosszabb kábelű N1 detektornál végezhető el legpontosabban, mivel ennél a kompenzációs kábel hossza azonos a detektor kábelének hosszával. Felhasználva a detektorhoz használt korrekciós faktort, a globális fluktuáció spektrumára (2.5.2.37) alapján a következő közelítés írható fel:

[

]

APSDNgl1 ≅ F X Nf 1 ⋅ i cc (t ) = X Nf 1 ⋅ APSD cc ,

(2.5.2.39)

ahol F a Fourier-transzformációt jelöli, X Nf 1 pedig az N1 detektorhoz tartozó korrekciós faktor. A lokális fluktuáció spektruma (2.5.2.38b) alapján a következő:

[

(

]

)

(

)

APSDNlo1 ≅ F iNm1 (t ) − 1 + X Nf 1 ⋅ i cc (t ) = APSDNm1 − 1 + X Nf 1 ⋅ APSD cc .

(2.5.2.40)

Visszatérve a sebesség becslésére, most már rendelkezésünkre áll egy becslés a jel globális és lokális komponensére, ezért a (2.5.2.15) korrelációs függvényeket és a (2.5.2.16) impulzus-válaszfüggvényeket leíró egyenletek argumentumai már kiszámíthatók. Az eredményeket a 2.5.2/18. ábra mutatja be. Globális és lokális rész

2

Keresztkorreláció

0.4

globális rész lokális rész 10

0.4

0.3

0.3

0

0.2

0.2

0.1 10

Keresztkorreláció

0.5

2

APSD [nA /s]

10

-2

0

5

10

0

0.1 -1

Globális és lokális hányad

0

1

0

-1

Impulzus válasz

1

0

1

Impulzus válasz

1

1

0.5

0.5

0

0

0.8 0.6 0.4 0.2 0

0

5 Frekvencia [Hz]

10

-0.5

-1

0 Idő [sec]

1

-0.5

-1

0 Idő [sec]

1

2.5.2/18. ábra. A korrelációs függvények és az impulzus-válaszfüggvények számítási részletei τ = 0,4 mellett A bal oldali grafikonok az argumentumok frekvenciamenetét mutatják, míg a középső grafikonok az inverz Fourier-transzformáció utáni görbemeneteket tüntetik fel. A jobb oldali grafikonokon az összeg, vagyis a modellből számolt keresztkorrelációs függvény és impulzus-válaszfüggvény látható. Ha ezeket összevetjük a valós mérésekből közvetlenül nyert görbékkel (2.5.2/10. ábra), meggyőző hasonlóságot tapasztalunk. A modell jól bizonyítja, hogy a tranzitidő az impulzus-válaszfüggvényekből olvasható le a legtisztábban. Teljes egyezés a modellezett és a valós mérési eredmény között nem várható el, mivel a

- 40 -


modell nem írja le azt a jelenséget, hogy a detektorok mentén haladó perturbációk fokozatosan szétfolynak, illetve újabb fluktuációk is keletkezhetnek. 2.5.2.5. Az SPND detektorlánc vizsgálatának összefoglalása

A VVER-440-es reaktorban használt kompenzálatlan detektoron végzett mérések adatait vizsgálva megállapítást nyert, hogy a detektorok kábeláramai jelentősen (akár egy nagyságrendet meghaladó mértékben is) eltérhetnek egymástól. A kábeláram – prompt jellege miatt – a detektorok dinamikai viselkedését jelentősen befolyásolhatja, és ez a jelek statisztikai jellemzőiben (pl. a frekvenciacsúcsok amplitúdójában, a fázisportrék alakjában stb.) is megjelenik. A mérések tanúsága szerint a 80-as években használt detektorokkal végzett, a detektoráram prompt részét hasznosító zajdiagnosztikai mérésekben a leghosszabb kábelű detektorok esetén a kábeláram egyes esetekben meghaladta a detektor áramát. A kábeláram az új detektoroknál sem hanyagolható el, ezért a kábeláramot továbbra is figyelembe kell venni. A terjedő perturbációkat modellezve bemutattam, hogy a kábeláram jelentősen befolyásolja a terjedő perturbációk fázisportréját is. A szimulációk igazolták, hogy a kábeláram a mért jelben (a kábeláram ellentétes iránya miatt) kompenzálja a reaktor globális fluktuációját, ezért bizonyos kábeláramoknál a terjedő perturbációkra jellemző, közel lineáris fázismenet mérhető. A modellkísérletek eredményeit mért jeleken végzett kísérletekkel támasztottam alá. A kísérletek során a detektorok idősoraihoz különböző súlyfaktorokkal megszorozva hozzáadtam a kompenzációs kábel idősorát. A kísérletek szerint a módosított idősorok statisztikai jellemzőiben a terjedő perturbációk tulajdonságai tisztábban jelentek meg. A reaktor zajának valódi alakját – a kábeleffektustól (amely végül is kompenzálható) és a lokális eredetű effektusok csúcsaitól eltekintve – esetünkben legjobban az SPND detektorok spektrumai tükrözik. A 2.5.2/19. ábrán egy tipikus in-core neutronspektrum látható. 1e-06 "e6.48b" 1e-07

nAPSD

1e-08 1e-09 1e-10 1e-11 1e-12

0

5

10

15


35

40

45

50

2.5.2/19. ábra. A IV. blokki 15–32/N6 koordinátájú in-core neutrondetektor frekvenciaspektruma Végül a kábeláramnak a zajjel hitelességére gyakorolt hatását egyszerűen szemléltethetjük azzal, ha ismét megnézzük a 2.5.2/2. táblázatot. A táblázat harmadik oszlopában az N3 detektorjel rossznak van minősítve. Ez annak a következménye, hogy a mérés időszakában nem vettük figyelembe a kábeláram hatását. A vizsgálat eredményéből nyilvánvaló, hogy a kábeláram miatt a detektoráram prompt része – bizonyos kábelhossznál – jelentősen lecsökkenhet. Akkori tudásunk szerint a detektorról jövő jel nem illett a sorba, mert a szomszédaihoz képest nagyon kis jelet szolgáltatott, és az ilyen jeleket hibásnak minősítettük. Az általam végzett vizsgálatok eredményei alapján ez a jel már nem elektronikusan tekint- 41 -


hető hibásnak, hanem azért, mert a mért jel nem a feltételezett forrásból származik. Ezért a táblázatban jónak tekintett N1, N2 detektorok jelei sem hitelesek, mert ezek a zajjelek is döntően a detektorok kábeléből és nem a detektorból származnak.

2.5.3. Termoelemek A reaktorzóna hőmérsékleti viszonyainak, a hőmérséklet eloszlásának mérése 210 darab, a fűtőelemkazetta kilépőhűtőközeg-áramába és 6 darab, a reaktor keverőterébe helyezett hőelemmel, úgynevezett termoelemmel (termopárral) történik. A termoelemek jeleinek kezelése valamivel nehezebb, mint más elektromos hőmérőké (pl. az ellenállás-hőmérőé), azonban a reaktorban uralkodó szélsőséges viszonyokat (a magas hőmérsékletet és az intenzív sugárzást) csak ezek a detektortípusok tudják tartósan elviselni. A termofeszültség két különböző fém érintkezési pontjánál lép fel. A termoelemek úgy készülnek, hogy két különböző anyagú drótszálat a végüknél összeolvasztanak. Ez az összeolvadási pont képezi a termoelemet. A gyakorlati felhasználhatóság érdekében az ilyen módon elkészült termoelemet szigeteléssel és védőburkolattal kell ellátni. A detektort a reaktorban lévő mérési ponthoz az ott végződő bevezető csőben (vagy védőcsőben) való végigtolással juttatják el. A 2.5.3/1. ábrán egy ilyen szerkezeti felépítést láthatunk. Az említett technológia több mérési problémát vet fel, melyek a következők.

A TERMOELEM ELHELYEZKEDÉSE A BURKOLATBAN

A TERMOELEM Védõburkolat

Szigetelõ anyag A termoelem vége hibás behelyezésnél

Áramvezetõ szálak

A termoelem vége

Hegesztési pont Hûtõközeg

2.5.3/1. ábra. A termoelem elhelyezkedése a védőburkolatban - A védőburkolat(ok) jelentősen megnöveli(k) a termoelem hőkapacitását, aminek következtében a detektor dinamikai tulajdonságai jelentősen leromlanak. A reaktorban lévő termoelemek időállandói 0,4– 1,6 másodperc között szórnak, amely igen alacsony, 1–2 Hz-es frekvenciaátvitelt eredményez. - A védőcsőbe betolt detektor pontos helye és kontaktusa a fallal nem mindig optimális (ld. 2.5.3/1. ábra). A részlegesen betolt detektor által okozott probléma nyilvánvaló: a hőmérsékletet nem azon a ponton mérjük, ahol terveztük. Az egészen durva pozicionálási hibától eltekintve (ami a mért hőmérsékletérték alapján is észrevehető) ezen eltérések az állandó hőmérsékletérték mérésében nem jelentenének nagy problémát. Ha azonban a detektor nem a kívánt pozícióba (számára kialakított helyre) kerül, akkor a detektor és a hűtőközeg közötti hőátadási tulajdonságok ismeretlen mértékben változnak meg. A kontaktus, amint az a 2.5.3/1. ábra alapján is kikövetkeztethető, általában romlik. - A reaktorban van egy olyan jelenség, amely más hőmérsékletmérés során nem merül fel: az intenzív radioaktív sugárzás. A sugárzás a detektor anyagában elnyelődve hőt termel. Ezt a plusz hőt röviden sugárzási vagy más néven radiációs hőnek nevezik (mivel ezt a hőt alapvetően a γ-sugárzás kelti, ezért az angol terminológia a „γ heating” kifejezést használja). Ha a hőellenállás kontakthiba következtében a - 42 -


detektor és a hűtőközeg között megnövekszik, vagyis a hőátvitel lecsökken, akkor a sugárzás útján keletkező hő nagyobb szerephez jut a mért jelben, azaz a detektorban a termikus egyensúly magasabb hőmérsékleten áll be [74]. Ennek következtében a termoelem valamivel magasabb hőmérsékletet fog jelezni. Zajdiagnosztikai szempontból a jel fluktuáló tartalma a fontos. A detektornál megjelenő radiációs hő és hűtőközeg-hőmérséklet egymástól nem teljesen független. A sugárzásban történő változás némi időkésleltetéssel jelenik meg a hűtőközeg hőmérsékletében a detektor pozíciójánál. Ez az időkésés elsősorban a hűtőközeg sebességétől függ. A legegyszerűbb magyarázat az, hogy a zónán áthaladó hőcsomagok által okozott reaktivitás- és az ennek következtében fellépő sugárzásváltozás akkor a legnagyobb, amikor a hőcsomag a zóna közepénél halad el. Ezért az átlagos időeltérés a sugárzási és a hőmérsékleti maximum között az az idő, amennyi idő alatt a hőcsomag a zóna közepétől eljut a termoelemig. Valamennyire rontja a képet, hogy amíg a detektort érő sugárzás a reaktor egészéből érkezik, addig a hőfluktuáció csak az adott hűtőcsatornából. A dinamikai tulajdonságok szempontjából meg kell még említeni, hogy a reaktor reaktivitásának negatív hőmérsékleti együtthatója miatt a radiációs hő és a hűtőközeg hőmérsékleti fluktuációja ellenfázisban van (illetve a fázismenet ellenfázisból indul ki). A fentebb vázolt jelenségekből kiindulva megadtam a termoelemnek egy olyan frekvenciaátviteli függvényét, amely figyelembe veszi a radiációs hőnek és a kontaktellenállásnak a módosító hatását is [55]. Az itt nem részletezett számítás eredményeként kapott átviteli függvényt a 2.5.3/2. ábra mutatja be. Az ábrán megfigyelhető, hogy az Rc-vel jelölt hőkontaktus jelentős romlásának következtében – a radiációs hő miatt – a termoelem átviteli függvénye fokozatosan ellaposodik, azaz az alakja egyre közelít egy külső védőburkolat, illetve védőcső nélküli termoelem átviteli függvényének az alakjához. Ebből az is következik, hogy egy rossz kontaktusú termoelem időjeléből számolva az időállandót kisebb értéket kapunk, mint ha azt egy jó kontaktusú termoelem időjeléből számolnánk. A görbeseregen látható hullámzást a γ-sugárzás intenzitásának és a hűtőközeg hőmérséklet-ingadozásának fázisbeli eltérése okozza. Ennek a hullámzásnak a kimérése azonban csak egy rendkívül jó jel/zaj viszonyú mérőrendszeren lenne lehetséges. A hőkontaktus megváltozásának zajdiagnosztikai kimutatására még a termoelem és az ionizációs kamrák jelei közötti koherencia- és fázisspektrum megváltozása ad lehetőséget. Jó kontaktus esetén a detektorok közötti jelben a hűtővíz transzportjára jellemző koherencia- és fáziskép jelenik meg. Ha a hőkontaktus a hűtőközeg irányában megromlik, ez a koherencia- és fázisspektrum ellaposodásával jár együtt [90]. Ezt a jelenséget csak nagy átlagolású, a jelenség kimutatására kiélezett mérések esetén lehet megfigyelni. Az ilyen mérések mindennapi gyakorlatba való átültetetése egyelőre nem könnyű feladat. abs(UTH(x,y))/a0

Magnitúdó

1 0.1 0.01 0.001 0

5

10 Frekvencia [Hz]

15

20

0

5

10

15 Rc

20

25

2.5.3/2. ábra. A termoelem radiációs hőtől módosult frekvenciaátviteli függvénye a kontaktellenállás függvényében [55]

- 43 -


Összefoglalva: A termoelem hőkontaktusának romlását három tényező jelezheti • a mért hőmérsékletérték megnövekedése, • az ionizációs kamrákkal vett fázisspektrum ellaposodása és • a frekvenciaspektrum meredekségének csökkenése, illetve az ebből számítható időállandó csökkenése. Végezetül a 2.5.3/3. ábrán egy valódi mérésből készített termoelemjel-spektrum, nevezetesen egy kazetta-kilépőhőmérséklet spektrum látható. 1e-06 "t3.4bm" 1e-07

nAPSD

1e-08 1e-09 1e-10 1e-11 1e-12

0

5

10

15


35

40

45

50

2.5.3/3. ábra. Tipikus kazetta-kilépőhőmérséklet spektrum A 2.5.3/3. ábrán látható frekvenciaspektrumban a termoelemek nagy időállandójával magyarázható jelentős amplitúdócsökkenés figyelhető meg. Az átvitt zaj amplitúdója 2 Hz-et elérve már három nagyságrendet csökken. A hasznos jel 5–10 Hz között a mérés zaja alá kerül, tehát a termoelemjelek spektrumait legfeljebb eddig érdemes vizsgálni.

2.5.4. Vibrációs- és nyomásjelek A rezgés- és nyomásmérők használata az iparban igen elterjedt. A rezgésdetektorok átviteli jellemzőit a gyártók részletesen specifikálják. A nyomásmérők átviteli jellemzői kevésbé ismertek, mivel főleg statikus mérésekre készülnek, azonban megfelelő laboratóriumban könnyen meghatározhatók. A vibrációsés nyomásjeleket főleg összehasonlító vizsgálatokra használjuk. (Németországban például a tartályra helyezett elmozdulásérzékelők jeleinek spektrális tendenciaelemzésével a zónatartó zsámoly fellazulását mutatták ki.) A vibrációs és nyomásdetektorok széles frekvenciasávban visznek át. A zajdiagnosztikailag vizsgált frekvenciatartományban a detektorok alsó határfrekvenciája valamivel magasabb a kívánatosnál, ugyanis 1 Hz alatt jelentősen leromlik az érzékenységük. A detektorok felső határfrekvenciája messze felette van a zajdiagnosztikai szempontból érdekes frekvenciatartománynak. A nyomásjel frekvenciaátvitelét erőteljesen befolyásolják a mérést lehetővé tevő csőcsonkok (úgynevezett impulzuscsövek) átviteli tulajdonságai. Sajnos ezek a csövek az 1. és 2. reaktorblokk esetében kb. 40 méter hosszúak, ezért a bennük kialakuló állóhullámok frekvenciái (8,5 Hz, 25 Hz stb.) éppen a mérési tartományba esnek [39]. A nyomásjeleknél a membrán sajátfrekvenciája is megjelenhet a spektrumokban. A 2.5.4/1. és 2.5.4/2. ábrákon tipikus reaktorrezgés- és reaktornyomás-spektrumokat mutatunk be.

- 44 -


0.001 "r2.48b"

APSD

0.0001

1e-05

1e-06

1e-07

0

5

10

15


35

40

45

50

2.5.4/1. ábra. A 4. blokki r2 (tőcsavar) jel frekvenciaspektruma

1e-06 "p3.48b" 1e-07

nAPSD

1e-08 1e-09 1e-10 1e-11 1e-12

0

5

10

15


35

40

45

50

2.5.4/2. ábra. A 4. blokki p3 (reaktor bemenő nyomás) jel frekvenciaspektruma

A következő fejezetben rátérünk a jelhitelesítésre kiválasztott módszerek és a gyakran előforduló jelhibák ismertetésére.

- 45 -


3. Jelminősítés A mérésfeldolgozás előtt az első lépés annak megállapítása, hogy a mért adatok, illetve idősorok valóban a valóságos folyamatot írják-e le és nem rakódtak-e rájuk olyan elektronikus vagy egyéb nem kívánt zavarok, amelyek meghamisítják a mért értékeket. Azaz feldolgozás előtt meg kell állapítani a jelek hitelességét. A zajdiagnosztikai mérések korai szakaszában a mérést végző szakember a mérőrendszer beállításakor ellenőrző méréseket hajtott végre, majd a mérési folyamatot folyamatosan figyelve végezte el a jel hitelességének megállapítását. Napjainkban az automatikus és egyszerre igen sok jelet mérő rendszereknél az adatsorok hitelességének megállapítása a hagyományos módon már nem lehetséges. A mérések kiértékelésére sok – az 1. fejezetben már részben bemutatott – jelvizsgálati módszert fejlesztettek ki, azonban a tapasztalatok azt mutatják, hogy az adatsor jelhibáktól való mentessége, illetve használhatósága csak komplex, összetett vizsgálatokkal állapítható meg. Ugyanis ha egy szempont szerint jónak találunk egy jelet az még nem jelenti azt, hogy más szempont szerint az. Erre a 2.5.2.2. fejezetben a kábeláram vizsgálatakor mutattunk be példát. Tehát a munka során abból indulunk ki, hogy ha egy adatsort többféle vizsgálati eljárásnak vetünk alá, és a minősítéskor több szempontot veszünk figyelembe, akkor a hibás adatsorok felderítésének nagyobb az esélye. A jelminősítés során az adatsorokat egy adott módszerrel megvizsgálva – a kapott eredmények alapján – nemcsak jónak vagy rossznak nyilvánítjuk, hanem ezen fogalmak valamilyen keverékének is, azaz a fuzzy halmazelméletben szokásos módon egy folytonos jelminőségi ítéletet vezetünk be. Eszerint akkor tekintjük jónak, illetve hitelesnek a jelet, ha a minősítése egy adott szintnél jobb. A továbbiakban a jelhitelesítési rendszer létrehozásához, tudásbázisának felépítéséhez áttekintjük, hogy a zajjel minősítéséhez milyen jelenségeket, illetve jeltulajdonságokat lehet felhasználni, és hogy ezek vizsgálatára milyen eszközöket vehetünk igénybe. A 4. fejezetben ezen vizsgálatokat – mintegy a szakértői vizsgálati döntésmechanizmust leképezve – egységes rendszerbe foglaljuk, és megmutatjuk hogyan lehet a jel hitelességéről egy végső (automatizálható) megállapítást tenni. Ennek megfelelően a kombinált jelhitelesítési rendszert két részre bontjuk: •Υ egyedi validációs vagy vizsgálati eljárásokra és •Υ az egyedi vizsgálati eljárások eredményeit összegző mechanizmusra. Egyedi vizsgálati eljáráson olyan módszert értünk, amely csak egy jól meghatározott, illetve jól elkülöníthető szempont szerint vizsgálja vagy minősíti a jelet. A továbbiakban az egyedi validációs eljárásokat – a vizsgálat céljának megfelelően – a következő három, önkényesen kialakított felosztás vagy kategória szerint csoportosítjuk: a) A zajforrás minősítése. A mért berendezés (esetünkben a reaktor) viselkedésének minősítését jelenti a mérés időtartama alatt. Ez tulajdonképpen annak a vizsgálata, hogy a mérés időtartama alatt a zajforrás (reaktor) bizonyos paraméterei a megadott (mérhetőségi) korlátok között maradnak-e. Ez azért szükséges, mert mérés csak meghatározott reaktorállapotokban lehetséges (pl. követelmény, hogy mérés alatt a reaktor stacioner állapotban és teljesítményen legyen). b) A mérőlánc minősítése. Az elektronikai lánc egyes elemeinek készültségi, illetve működési állapotát jellemzi. Lényeges szempont, hogy ebbe a sorba nem tartozik bele a jelforrás, azaz a detektor. Helyette a hagyományos minősítési eljárásoknál a bemérés idejére a mérőlánc bemenetére kapcsolt referencia-jelforrás szolgáltatja a meghajtó jelet, amelyet a kimeneten megvizsgálva a lánc állapota egyszerűen meg-

- 46 -


határozható. Másik lehetőség a tényleges mérések célzott elemzése, amellyel az elektronikai láncok legkülönfélébb meghibásodása, ha áttételesen és egyben megbízhatatlanabbul is, de szintén kimutatható. c) Detektorminősítés. Olyan eljárást jelent, mely a detektorok (termopár, SPND stb.) állapotát határozza meg. Ez történhet a mérőrendszer megbontásával speciális műszerek segítségével vagy analitikus úton, pl. egy referenciadetektor jelével történő összehasonlítással, jellemző detektorparaméterek meghatározásával stb. Ezt az elkülönítést az is indokolja, hogy a reaktorba vagy a zárt térbe felszerelt detektorok és elektronikai részegységek helyszíni vizsgálatra üzem közben gyakorlatilag már nem érhetők el, így állapotuk csak közvetve vizsgálható.

Az egyedi vizsgálati eljárásoktól csak azt várjuk el, hogy azok lehetőség szerint egyszerűek és megbízhatóak legyenek, akár azon az áron is, hogy az általuk szolgáltatott eredmény esetleg pontatlanabb. A végső minősítés megállapítását az egyedi eljárások eredményei alapján egy speciális felépítésű összegzési eljárás segítségével végezzük el. Végül néhány fontos szempont a minősítéssel kapcsolatban. 1) 2) 3) 4)

A vizsgálat során egyszerre nagy mennyiségű (több száz) adatsort kell megvizsgálni. Nagy megbízhatóságú ítéletet szeretnénk kapni. A lehető legkevesebb vizsgálat alapján kívánunk döntést hozni. A módszertől elvárjuk, hogy azonnali eredményeket szolgáltasson. (Ne csak hosszú távú tendenciák, adatbázisok felépítése alapján ítélkezzen.) 5) Az eljárás az igényeknek megfelelően rugalmasan változtatható legyen. 6) Az eljárás automatizálható legyen. A következőkben főbb vonalaiban áttekintjük a jelek, illetve mérőláncok vizsgálatára kifejlesztett eljárásokat. A bonyolultabb módszereket részletesebb vizsgálatnak vetjük alá. A módszerek ismertetése során javaslatokat fogalmazunk meg a vizsgálati eljárás minősítésre való felhasználásának módjáról is.

3.1. A zajforrás, azaz a mért rendszer minősítése A továbbiakban azokat a lehetőségeket tekintjük át, amelyekkel megállapítható, hogy a mért rendszer (esetünkben a reaktor) vizsgált paraméterei a mérés időtartama alatt a mérhetőségi korlátok között maradtak-e.

3.1.1. DC jelek (értékek) vizsgálata A részletes tárgyalás előtt előrebocsátjuk a következőket. A mért jelek DC értékei egyben a vizsgált rendszer állapothatározói, amelyek szorosan kötődnek az alkalmazott technológiához. Az állapothatározók minősítésére – tekintettel arra, hogy a folyamat irányítása ezen változókon alapszik, és így az ipar érdekeltsége is igen erős – már a legkülönfélébb hitelesítési eljárások léteznek (néhány kifinomultabb ezek közül a már bemutatott MSET [21] és PEANO [22]), és a kutatások továbbra is jelentős erőkkel folynak. Azonban a zajjelek hitelesítésénél a DC komponensek vizsgálatára elegendőnek tartjuk a lehető legegyszerűbb megoldás alkalmazását is. A jelekben megjelenő DC szint jól meghatározott fizikai jelentéssel bír (gondoljunk az SPND-knél a neutronfluxusra, a termopároknál a hőmérsékletre stb.). Ezek a fizikai mennyiségek természetesen függenek a reaktor állapotától (egyszerűsítve a reaktor teljesítményétől). Ebből következik, hogy ismert - 47 -


teljesítmény esetén tudjuk, hogy a detektorok által mért mennyiségnek milyen értéket kellene felvennie, helyesebben a felvett értéknek milyen intervallumba kellene esnie. A vizsgálat elvégzéséhez az alábbi lépések szükségesek: • A kapott DC jelek eredeti értékének a meghatározása, azaz az erősítésértékekkel való vissza-

osztás. • A kapott DC jelek visszakonvertálása a mért fizikai mennyiségre. • Az így előálló fizikai mennyiség összevetése a várakozással. A „várakozás” alatt egy olyan eljárást értünk, amely a teljesítmény, a detektortípus és -helykoordináta, valamint az energiakiválás alapján egy olyan intervallumot ad meg, amelybe a kérdéses fizikai mennyiségnek bele kell esnie. Több paraméter (az előzőeken kívül pl. még a bórkoncentráció, az effektív napok száma stb.) figyelembevételével pontosabb becslés adható. A függvény előállításakor néhány egyszerűsítő feltevéssel élhetünk: • A kazetták kilépőhőmérsékletét mérő termoelemek normál üzemi körülmények között viszonylag

szűk hőmérséklettartományban mozognak, ezért a gyakorlatban egy intervallum elegendő az összes ilyen termoelemre. Az eredmény a fűtőelemek energiakiválásának figyelembevételével tovább javítható. • Az SPND-knél ugyanez nem igaz. Amennyiben nem kívánunk mélyebben belemenni pl. a neutronfluxus egyenetlenségeibe, durva becslésként megtehetjük, hogy csak egy intervallumot adunk meg. Ennek azonban elég szélesnek kell lennie ahhoz, hogy nagy valószínűséggel minden üzemi körülményt lefedjen. Ennek a közelítésnek az az ára, hogy az így kapott minősítés súlya kicsi. Az elv a lényeges. Ha a függvényen tudunk finomítani, megnövelhető a kapott értékelés súlya. A DC szintek vizsgálata során idősorok állnak rendelkezésre. A fejezet eddigi megállapításai csupán az idősor egy elemére vonatkoztak. A DC jelekben drasztikus változásra (az átlagértékhez képest kb. 1 %nál nagyobbra) nem kell számítani, hiszen a jel értéke szorosan kapcsolódik a reaktor teljesítményéhez, amelyet normálüzem közben nem szokás hirtelen megváltoztatni. Ha a jelszint mégis jelentősen megváltozik, akkor ez katasztrofális hatással van az azokról leválasztott AC jelekre és a minősítés kimenetelére is. Ezért egy változásdetektálási vizsgálatot is célszerű elvégezni (a DC szint ingadozásának vizsgálatát), melynek taglalása átvezet egy másik vizsgálati módszerre, az idősorok vizsgálatára. A változás mértékének és lefolyásának alapján a reaktorszabályozás, esetleg -leállás egyszerűen elkülöníthető a merőlánc meghibásodásától. A reaktorteljesítmények szinten tartásakor is történnek kisebb szabályozórúd-mozgatások. Ekkor a megmozdított szabályozórudak környezetében lévő SPND láncok jeleiben már olyan mértékű változások következnek be, amelyek túlvezérlésbe viszik a detektorokra kötött zajdiagnosztikai mérőláncokat. Az DC értékek ismeretében az elmondottak figyelembevételével már egyszerűen konstruálható egy olyan eljárás, amely a DC értékre válaszul egy minősítési értéket ad vissza. Ez a minősítő eljárás lehet tapasztalati vagy fuzzy alapú is.

3.1.2. Az üzemviteli információk felhasználása a minősítésben A minősítés szempontjából azok az üzemviteli információk fontosak, amelyek olyan jelenségre hívják fel a figyelmünket, amik kihatással lehetnek a mérésekre is. Ezek az információk sok esetben nem pontosan - 48 -


meghatározottak. Ilyen lehet egy főkeringető-szivattyúnak a leállítása, szabályozási vagy szabályozórúdmozgatási kísérlet, transzformátormeghibásodás, tervezett leterhelésnek az időpontja, áramkimaradás stb. Ezek az információk például a következőképpen vehetők figyelembe. Vegyük azt az esetet, amikor valamelyik napra be van jegyezve egy szabályozási kísérlet, de a szabályozás pontos idejét nem ismerjük. Ez nem azt jelenti, hogy az időpont nincs pontosan megadva, hanem azt a tapasztalati tényt, hogy a kísérletek ritkán kezdődnek el pontosan a kiírt időpontban. A hitelesítés során a kísérlet kiírt időpontját és a detektormérés tényleges időpontját vetjük össze. Minél közelebb vannak ezek egymáshoz, a módszer annál nagyobb valószínűséggel állítja a mérésről, hogy az problémás lehet. Itt a probléma nem az információ matematikai kezelésében, hanem az információ megszerzésében van. Bizonyos mértékig egy ilyen adatbázis kezelését rá lehet, sőt kisebb mértékben rá is kell bízni a felhasználóra azért, hogy a saját észrevételeit is megtehesse. Az igazi megoldás azonban az adatok számítástechnikai elérésének a biztosítása.

3.2. Az elektronikai mérőlánc vizsgálata és minősítése A következőkben – a detektor kivételével – az elektronikai lánc egyes elemeinek működési állapotát felderítő megoldásokat tekintjük át. Ennek során a – hardveres teszteléseken felül – megvizsgáljuk az idősorban elkülöníthető olyan jellemzőket, és az ezek felderítésére alkalmas eljárásokat is, amelyek az elektronikára, illetve valamilyen elektronikai rendellenességre utalnak.

3.2.1. A mérőlánc tesztelése vezérelhető jelgenerátorral A nagyszámú elektronikai mérőláncot tartalmazó rendszereknél bizonyos számú és fajtájú rendellenesség megengedhető, ha arról a felhasználó vagy az adatgyűjtő és -feldolgozó rendszer tud, és azt tekintetbe is tudja venni. Mivel a mérőrendszer viszonylag sok mérőláncot, és a mérőláncon belül sok beállítási lehetőséget tartalmaz, ezért a szükséges gyakoriságú tesztelés megvalósítása gyakorlatilag csak automatikus megoldással lehetséges. A tesztelés lényege az, hogy az elektronikai rendszer bemeneteire ismert tulajdonságú, úgynevezett tesztjelet kapcsolva megvizsgáljuk a rendszer kimenetén megjelenő jelet. A bemeneti és kimeneti jelek tulajdonságainak összehasonlításával feltérképezzük a mérőrendszer állapotát. Ennek során létrehozunk egy olyan adatbázist, amely leírja ezt az állapotot, és egyben megadja a mérőcsatornák minősítését is. Ennek elvégzése egy változtatható referenciajel felhasználásával történhet, mely egy adott feszültségű DC jel és egy adott frekvenciájú AC jel szuperpozíciója.9 Az elektronika tesztje után már nem foglalkozunk azzal a lehetőséggel, hogy egy feltételezett anomália oka esetleg a mérőlánc valamely elemében keresendő. Megjegyezzük, hogy hitelesítési eljárásunk egyik alapfeltevése az, hogy egyetlen módszertől sem várunk el tévedhetetlenséget. Ezért az elektronika öntesztje után is maradhatnak detektálatlan (nem bejegyzett) hibás elektronikai egységek.

9

A tesztjel AC komponensét képezhetné egy sweep generátor vagy egy fehérzaj-generátor jele is. Ezekkel a rend-

szer tesztelése ugyan kifinomultabb, de egyben bonyolultabb is lenne, mint egy egyszerű szinuszos jel alkalmazásával. Ugyanakkor mivel ez utóbbi is elegendő arra, hogy a jelhitelesítési eljárás kiindulását képezze, ezért az egyszerűség kedvéért ezt választjuk. - 49 -


3.2.2. Automatikus erősítésállítás Minden egyes detektorfajta jeléhez (adott körülmények között) tartozik egy olyan optimális erősítésérték, amelynél a jel a legdinamikusabb. Ez az az erősítésérték, amelynél a digitalizált jel felbontása a legnagyobb, és még nem fordul elő túlvezérlés. Az automata erősítésállítás ennek a tartománynak a megtalálását szolgálja. Az erősítésállítás folyamata olyan információkat tartalmaz a mérőrendszer és a jel állapotára vonatkozólag, amelyeket a jel minősítésére is felhasználhatunk. Automata erősítésállításra már a hardvereszközök is képesek. Használatuk azonban – a kiértékelő rendszer részét képező szoftveres eljárásokkal ellentétben – mégsem célszerű, mégpedig a következők miatt: • Nem mindig optimális a beállítási idejük. Ez a nagyszámú állítási igény miatt tetemes időveszte-

séget okozhat. • Továbbfejlesztésük nehéz vagy nem lehetséges. • Nem szolgáltatnak információt a beállítás folyamatáról, a beállítási problémákról. • Nem képesek hibatáblázatot kezelni. (Ez tartalmazná a kiesett részegységek listáját.) Tehát a minősítési eljárás szempontjából a szoftveres erősítésállítás legnagyobb előnye a hardveres erősítésállítással szemben a folyamat értékelésének a lehetősége. Az automatizmus menete egyszerű (ld. 3.2.1/1. ábra).

ALAPBEÁLLÍTÁS

MINTAVÉT.

KIÉRT.

BEÁLLÍTÁS

NAPLÓ FÁJL

3.2.1/1. ábra. Az automatikus erősítésállítás felépítése A beállító rendszer egy alapbeállításból kiindulva mintavételez egy rövid idősort, amelyet egy kiértékelő modul megvizsgál. A vizsgálat eredménye alapján a rendszer vagy befejezettnek tekinti a beállítást, vagy állít az erősítőkön. Az állítást követően megismétli az eljárást. A beállítási folyamat addig tart, amíg a beállítás sikeres nem lesz, de legfeljebb egy meghatározott ciklusszámig. A kiértékelés során a beállítási folyamatról egy információs állomány is készül. A beállítási folyamat értékelése

Bontsuk szét a problémát külön a DC és külön az AC erősítések beállításának a kérdésére. DC erősítésállítás eredménye • DC1) • DC2) • DC3)

Rendben. Minden fokozatban túlvezérlés. Sikertelen vagy befejezetlen beállítás (Time-out).

AC erősítésállítás eredménye • AC1) • AC2) • AC3)

Rendben. Minden fokozatban túlvezérlés. Nagyon kis RMS érték. - 50 -


• AC4)

Sikertelen vagy befejezetlen beállítás (Time-out).

A rendben alatt az optimális erősítésérték megtalálását értjük. Ez vagy annál az erősítőfokozatnál van, amelyiknél a jel még nincs túlvezérelve, de a következő erősítőfokozat már túlerősítené a jelet, vagy a legnagyobb erősítő fokozat, ha a jel még nincs túlvezérelve. A DC1) és AC1) pontokhoz nem kell külön magyarázat. Ugyanis ha a szoftveres erősítésállító stabilan be tud állni egy olyan erősítésértékre, ami megfelel a jeltípushoz tartozó várakozásnak, akkor az erősítésállítás sikeres. A DC2) és AC2) esetek hasonlóak. Akármilyen kis erősítésértéket is állít be az eszköz, mindig talál szignifikáns túlvezérlést. (Ennek az esetnek a megítélésénél már figyelembe kell venni a mérőlánc tesztjének eredményét. Ugyanis előfordulhat, hogy az adott elektronikai lánc erősítése nem állítható megfelelően.) Az AC3) két esetben fordulhat elő. Az első eset az előző bekezdésben tárgyaltak ellenkező oldalról való megközelítése. A második lehetőség, hogy a mért fizikai folyamatnak valóban kicsi az RMS értéke, azaz a maximális erősítés is elégtelen az optimális jelszinthez. Ilyenkor még esetleg felhasználhatók a jelek, bár a mintavételezés után csökken a felbontásuk. Ilyen lehet: • neutronjel esetén a rendszer az úgynevezett kábeláramot méri (pl. elkötés miatt), • a kábel zárlatos, • a detektor sérült, • az előerősítő rossz, nincs tápfeszültség stb.

A DC3) és AC4) esetben az erősítő nem tud egy stabil értékre beállni, azaz az automata a rendelkezésre álló lépésszámban (állítási lehetőségen belül) nem találta meg az optimális erősítés értékét. Az erősítésállító ilyenkor az utolsó állításban marad, de visszajelzést küld, mely utal arra, hogy a jel nem stabil. Ez arra mutat, hogy a jelszint „ugrálva” nagyságrendeket változik, azaz a jel leng. Ez nehezen magyarázható valós fizikai folyamattal (a mérőlánc hibáján kívül), ezért egy ilyen jellegű hibajelzés nagy súlyt kaphat. Az okok például a következők lehetnek: • kábelszakadás vagy kontaktushiba (szakadásos jel), • elektronikai meghibásodás, • időszakosan fellépő erős jelszintnövekedés (pl. triggerjel burst vagy akár fizikai folyamat ered-

ményeképpen). A fentiek alapján minősítésre felhasználható legfontosabb információk a sikertelen beállítás (time-out) és az erősítés szélsőérték (hibás beállítás).

3.2.3. Referenciacsatorna alkalmazása és vizsgálata A mérőrendszer és a jelhitelesítés biztonsága jelentősen javítható egy referenciacsatorna létrehozásával. Ekkor az egyik mérőlánc bemenetére állandó jelleggel egy ismert tulajdonságú jelet kapcsolunk. Ez lehet egy olyan értékű stabil DC jel, amely a többi csatornán nem fordul elő. Lényeges szempont, hogy a referenciajel a jelkicsatoló egységben kapjon helyet, és annak az alacsony feszültségű tápellátását használja fel. Azt a veszteséget, ami egy mérőcsatorna elvesztésével jár, bőven ellensúlyozzák azok az információk, amelyeket a referenciacsatorna elemzésével kapunk. Ezek az előnyök a következők:

- 51 -


1) Csatornakeveredés felismerése. (Korábban gyakran előforduló hibajelenség volt, hogy az AD konverterbeli vagy a külső multiplexer tévesztett, ezért a digitalizált idősorban a jelek eltolódtak.) Ekkor a referenciacsatornában egy másik csatorna fluktuáló jele jelenik meg. Ez könnyen felismerhető egyszerű limitfigyeléssel, vagy pl. a jel szórásának és átlagértékekének a megváltozásából. 2) Szekrény tápellátás-kimaradásának, illetve az elektronikus tápegység meghibásodásának észlelése. Ekkor a referenciacsatorna értéke nullára esik le. Felismerése egyszerű. 3) A tápegység részleges meghibásodásának felismerése. A feszültségérték lecsökken és elzajosodik. 4) Referenciajel-elzajosodás detektálása. A jel középértéke megegyezik a referenciajel értékével, de ingadozása a referenciajel szokásos stabilitásához képest jelentősen megemelkedik. A jelek közötti áthallás növekedése (pl. a tápegységen keresztül), esetleg az árnyékolás vagy a földelés meghibásodása okozza. 5) A jelszint szakadásos ingadozásának észlelése. Elektronikai hibára utal. Az említett jelenségek csak nagy valószínűséggel rendelhetők a megadott hibaokokhoz vagy hibákhoz. Más lehetőségek és kombinációk is előfordulhatnak, tehát a hibás magyarázatnak is van esélye. A fent említett hibák azonban egyértelműen a mérőrendszer ellenőrizetlen működésére, hibáira utalnak. Tehát a mérés megismétlése és a jelenség tisztázása szinte mindegyik esetben indokolt. Természetesen az az eset sem zárható ki, hogy csak a referenciacsatorna lánca hibásodott meg. Az említett jel-elváltozások egyszerű idősorvizsgálati módszerekkel felismerhetők. A referenciacsatorna első alkalmazására a kalinyini atomerőműbe szállított KARD zajdiagnosztikai rendszerben került sor [2]. A telepített diagnosztikai rendszer a mérhető sztochasztikus fluktuációkat A/D konverzió útján alakította a programrendszer által feldolgozható digitális adatsorrá. (Adatsor alatt a létrehozott adatállomány tartalmát, idősor alatt pedig ezen adatsor egy csatornáról származó adatait értjük.) A KARD rendszerben adatsor tulajdonképpen 64 idősor összefésüléseként állt elő, azaz az adatsorban minden 64. adat tartozott azonos csatornához. A fejlesztés idején a rendszer követelményeinek megfelelő hardverelemek nem léteztek vagy megfizethető áron nem voltak hozzáférhetőek, ezért az egész adatgyűjtő és jelkondicionáló rendszer hazai fejlesztés volt. Az adatállomány létrehozásában kétféle multiplexer is részt vett (lásd 3.2.3/1. ábra). Az egyik multiplexer (a 3.2.3/1. ábrán 64/16 MUX-nak rövidítve, a továbbiakban 64/16 csatornás vagy AC multiplexer) 4 jelcsoportot – csoportonként 16 csatornát – kapcsolt váltakozva az A/D 16 csatornás bemenetére. A másik multiplexernek (a továbbiakban 32/1-es vagy a DC csatorna multiplexere) 32 csatornás bemenete volt, ezek jeleit kapcsolgatta váltakozva a 64/16 csatornás multiplexer egyik bemenetére, amelyet DC csatornának neveztünk. A 32/1-es multiplexer a 64/16-os multiplexer minden negyedik léptetése után lépett egyet, azaz akkor, amikor a 64/16-os multiplexer már végigléptetetett az összes jelen.

- 52 -


64/16 MUX 2

1. MUX

8 AC

6. MUX

8 AC

8/2

A/D

Számítógép

16

2

8/2

2

7. MUX 8/2

2

8. MUX 8/2

7 AC Ref. (–4V) 7 AC

31 DC 1

MUX 32/1

Ref. (–4V)

3.2.3/1. ábra. A kalinyini KARD rendszer adatgyűjtőjének sematikus felépítése Mindkét multiplexer egyik bemenete egy úgynevezett referenciabemenet volt, amelyre a fenti szempontoknak megfelelően állandóan ugyanaz az egyenszintű jel (referenciajel) volt csatlakoztatva. A referenciajel -4V-os volt azért, hogy a lehető legjobban eltérjen a mért jelektől. A DC csatornán belül a multiplexált jelek a referenciajel kivételével mind pozitív értékűek voltak. Az adatgyűjtő rendszer hibájának és a gyenge földelési rendszer miatti elektronikus zavaroknak tulajdoníthatóan a multiplexálás során előfordult, hogy a 64/16-os multiplexer nem váltott át a következő csatornasorozatra, vagy pedig átugrott egy vagy több csatornasorozatot, és ezzel az adatsor keveredését idézte elő. A keveredés (adatelcsúszás) nemcsak a teljes adatsoron belül, hanem még az adatsor DC jelén belül is előfordult. A multiplexer tévesztésére a 3.2.3/2. ábrán mutatunk be egy tipikus példát.

3.2.3/2. ábra. A multiplexer hibájából bekövetkezett csatornakeveredés. A multiplexer léptetésének kimaradása miatt a 33. csatornán látható referenciajel a 17. csatornára került át A –4 voltos referenciajel a grafikon harmadik idősorán a 33. csatornán látható. A grafikonon nyomon követhető, hogy 33,7 másodperckor (a grafikon közepén) a multiplexer tévesztésének következtében a referenciacsatorna jele a 17-es csatornára (az ábra második idősorára) ugrik át. A 17. csatornán az átugrás előtt egy alacsony jelszintű vagy hibás detektor jele látható. (A rendszerben a referenciajel a 49. csatornára volt kötve, az ábrán már a multiplexer második tévesztését láthatjuk.) Azaz az adatsorban minden jel 16 csatornával tolódott el. A grafikon negyedik idősorán (a 49. csatornán) az is jól megfigyelhető, hogy az azonos tulajdonságú jeleknél a szakadás alig jelenik meg, azaz a jelbeli változást csak bonyolultabb vizsgálati eljárás, pl. SPRT, mutathatná ki. A kalinyini rendszerbe egy olyan automatikusan futó program került beépítésre, amely a referenciacsatornát elemezve megállapította az idősor meghibásodását, valamint multiplexálási hibák esetén az - 53 -


idősorban a referenciacsatorna jelét megkeresve képes volt az adatsorok helyreállítására is. A program által kijavított idősoroknál a feldolgozás után az eredményekben a javításnak betudható eltérést, illetve minőségromlást nem lehetett tapasztalni. Rossz esetben – csatornánként 64 ezer mintát tartalmazó idősorban – 6-7 csatornaelcsúszás is előfordult. A rendszer üzemeltetetése során a referenciajelen alapuló jelhitelesítés és jelhelyreállítás a diagnosztikai rendszer egyik létfontosságú elemének bizonyult. Hasonló problémák jelentkeztek a paksi CARD diagnosztikai rendszerek telepítési szakaszában az Advantech gyártmányú egységekből felépített adatgyűjtő moduljainál is. A csatornatévesztés átlagosan csatornánként félmillió mintavételnél fordult elő. A referenciacsatorna jóvoltából a hiba azonnal kiderült. A módosított adatgyűjtő program az idősort valós időben korrigálja. A fentebb ismertetetett gyakorlati alkalmazás során szerzett tapasztalatok is azt támasztják alá, hogy a módszert a döntéshozatal során nagy súllyal célszerű figyelembe venni. Ezt az is indokolja, hogy a felhasználó a referenciacsatorna helyszíni ellenőrzését, ellentétben a zárt térben lévő detektorokkal és elektronikákkal, könnyen el tudja végezni. Mivel azonban a vizsgálati eljárás független a jeltulajdonságoktól (azaz pl. a jel jó tulajdonságairól nem tud információval szolgálni), csak általános hibadetektálásra használjuk. Ezt úgy valósítjuk meg, hogy a módszer csak egy küszöbszint elérése (pl. a referenciajel szórásának meghatározott mértékű megnövekedése) esetén aktivizálódik.

3.2.4. Az idősorok vizsgálata (Time Domain Analysis) Ezzel a módszerrel részlegesen a jelforrásról is kapunk információt. A mért jelet tranziensek torzíthatják, melyek közül a leggyakrabban előfordulók: 1)

Szakadás. A jelben történt hirtelen, átmenet nélkül bekövetkező szinteltolódás. A DC jelben történő hirtelen változás egy meredek szinteltolódást idéz elő az AC jel idősorában, amelynek megszűnése az erősítőlánc felüláteresztő szűrőjének időállandójától függ. Hasonló jelenséget okozhat még valamilyen rövid időre előforduló kontaktushiba (lebegő földpotenciál kialakulása) vagy valamilyen elektronikai alkatrész (kondenzátor, tranzisztor) meghibásodása során fellépő esetleges feszültségugrások rárakódása a jelre. Egy exponenciálisan lecsengő additív jel hatása az

y( t ) = y0 ( t ) + Ae

−

t −t0 τ

formulával írható le, ahol τ az elektromos körre jellemző időállandó, t0

pedig a feszültségugrás időpontja. Ezek az értékek nem mindig ismertek. Az elmondottakból is következik, hogy a szakadásos jel kialakulásának helye (pl. a bemenetnél vagy a kimenetnél) jelentősen kihat a szakadás mértékére és meredekségére. Ha a DC jelben látható időállandó értéke lényegesen nagyobb az elektronikai láncénál, akkor nagyon valószínű, hogy reaktorszabályozás történt. A reaktorszabályozás során a kétszerezési idő egészen kis teljesítmény mellett is nagyobb 60 másodpercnél. A hősokk elkerülésére – a vészleállástól eltekintve – a teljesítménycsökkentés és -növelés is lassú. A leállás egyébként is könnyen azonosítható, mert ekkor csak a neutronjelek csökkennek drasztikusan, a többi jelszintben nem történik nagymértékű változás. A 3.2.4/1. ábra alsó grafikonján egy tipikus elektronikai meghibásodásból származó szinteltolódásos, szakadásos idősor-részlet látható. 2)

Tüske vagy impulzus. Az idősorból élesen kiemelkedő impulzus, amely esetenként csak néhány mintavételnyi hosszúságú. Általában elektronikai eredetű. A paksi blokkokon régebben az

- 54 -


úgynevezett HINDUKUS rendszer lekérdező jele váltott ki ilyen tranzienst. A 3.2.4/1. ábra felső grafikonján ez a jelenség figyelhető meg.

3.2.4/1. ábra. Impulzus-rárakódásos és szakadásos adatsor- (idősor-) részletek 3)

Burst („kitörés”). Az idősorban hirtelen megjelenő, esetenként exponenciális lecsengésű, nagyfrekvenciás tartalmú jelnövekedés (lásd a későbbiekben, az SPRT kísérleteknél bemutatott 3.2.4/11. ábrát). Normális esetekben ilyen jelalakot okoznak a mért rendszerben bekövetkező mechanikai (fel)ütközések, ütődések. Hibajelenségként a vezeték mentén keletkező külső zavarok, például ívkisülés, hegesztés, szikrázás, a vezetékek közelében működő valamely nagyfrekvenciás berendezés (adóvevő), strikciós áram (a kábelt ért valamilyen mechanikus, pl. torziós vagy nyíró hatás) okozhatnak hasonló jelenséget.

4) „Kikoppanás” vagy rövid idejű túlvezérlés. Az erősítő időszakos túlvezérlése esetén nem tudja követni a bemenetén lévő jelszintet. Ez a kimeneten a jel stagnálásában mutatkozik meg. Néhány korábbi, rosszul megszerkesztett (hibás konstrukciójú) AD konverter esetében a túlvezérlés a konverter túlcsordulását okozta, amely a jel erőteljes ugrálásában nyilvánult meg (ld. 3.2.4/2. ábra).

3.2.4/2. ábra. Időszakos túlvezérlés hatására bekövetkezett túlcsordulás 3.2.4.1. Az időjeltranziensek egyedi vizsgálata

A leggyakoribb tranziensek az 1) – 4) modellekkel elég jól leírhatók. Ezért az idősorok vizsgálatát le lehet szűkíteni néhány tipikus esetet vizsgáló módszerre. A leszűkítésnél szem előtt kell tartani, hogy a módszerek legyenek robusztusak, így nagy valószínűséggel a nem szokványos jelenségekre is alkalmazhatóak lesznek. A tranziens típusa mellett még mérvadó a tranziens időtartama és a jelen belüli előfordu- 55 -


lások száma. A módszerek által hozott ítéleteknek valamilyen szinten tükrözniük kell a jelben bekövetkezett esemény mértékét. Ugyanis egy rövid idejű tranziens még nem feltétlenül teszi lehetetlenné a feldolgozást, azonban egy bizonyos szint felett már nincs értelme a jelet feldolgozni. A túlvezérléseket egyszerű szintfigyelési eljárással (határértéksértés figyelésével) vehetjük észre. A vizsgálati módszer figyeli, hogy a jel valamilyen tulajdonsága nem lép-e túl egy határt. Ezekre néhány egyszerű példa:

• Kikoppanás-vizsgálat. Ha a mért érték néhány százalékra megközelíti az AD konverter maximális vagy minimális értékét, akkor a módszer hibát jelez. Ennek súlya függhet a kikoppanások számától.

• Szakadás- és burst-vizsgálat. Az idősor változási sebességét és/vagy szórását vizsgáljuk. A vizsgált paramétert figyeljük, hogy nem lép-e túl egy korlátot. Például a változási sebesség vizsgálatakor a következőképpen járhatunk el. Képezzük az idősor differenciáját. Szakadásos jel esetén egy impulzusos idősort, burst esetén pedig egy impulzussorozatokat tartalmazó idősort kapunk. Ezen idősor impulzusainak két jellemzőjét – a magasságukat és az egymást követő impulzusok távolságának a tapasztalati eloszlását – vizsgálva megkülönböztethető a burst a szakadástól.

• SPRT (Sequential Probability Ratio Test). Egy referenciamodell használatával – vagy a jel egy korábbi, normálisnak tekintett szakaszát referenciaként használva – próbálunk következtetni arra, hogy a jel egy későbbi szakaszának viselkedése megfelel-e a referenciaszakasz által előre jelezhető viselkedésnek. Annak érdekében, hogy az eljárás minél általánosabb legyen, a referenciamodell előállítására célszerű minél kevesebb detektorspecifikus ismeretet felhasználni. Ezért a modellt egy statisztikus leírás (pl. autoregresszív modell) szolgáltathatja, a döntési eljárást pedig a szekvenciális módszer adhatja. 3.2.4.2. Az egyváltozós autoregresszióval összekapcsolt SPRT módszer

A változásdetektálás célja annak megállapítása, hogy egy állandósult, normális állapotban lévő rendszer viselkedése mikor tér ki normális állapotából. Ennek a feladatnak a megvalósításához a szekvenciális valószínűségi vizsgálatot hívtuk segítségül. A teszt esetünkben annak megállapítására irányul, hogy a vizsgált idősorok jellemző statisztikai paraméterére (konkrétan az idősorok szórására) tett két hipotézis közül melyik teljesül a jel adott szakaszára. A vizsgálat elvégzésére az egyváltozós autoregresszióval (Univariate Autoregression, UAR) kombinált SPRT-t választottuk. Az autoregresszióval összekapcsolt SPRT (UAR+SPRT) alkalmazhatóságát a zajjelek vizsgálatára az általam megtervezett és összeállított laboratóriumi eszközzel, illetve kísérletekkel és a kísérlet céljára megírt programrendszerrel ellenőriztük. A kísérletben használt jeleket fehérzajjal gerjesztett alumíniumrúdra szerelt rezgésdetektorok adták. A kísérleti elrendezés a következő anomáliák előidézését tette lehetővé: a gerjesztés mértékének és a pálca sajátfrekvenciáinak változtatását, továbbá a detektor fellazulását és a rúd felütődését. A reziduális idősort UAR modellel állítottuk elő, míg a hipotézisvizsgálatot a – ma már klasszikusnak számító, Wald Ábrahám magyar származású matematikus által 1947-ben megalapozott [24] – SPRT-vel végeztük. 3.2.4.2.1. A módszer leírása A reziduális idősor előállítása. A vizsgálat alapját képező úgynevezett reziduális idősort egy jónak tekintett jel, illetve jelszakasz UAR modelljének a felhasználásával határozhatjuk meg. (Az UAR-t részletesebben az időállandó becslésével foglakozó 3.3.1. szakaszban tárgyaljuk.) A reziduális idősor képzése úgy történik, hogy a vizsgált jelre illesztett UAR modell felhasználásával előre jelezzük egy t + k , k ≥ 1 jövőbeli időpontra az idősor yˆ (t + k ) értékét, majd ebből az értékből kivonjuk az adott

időponthoz tartozó tényleges értéket. Azaz - 56 -


n

yˆ i = å u j ⋅ yi − j ,

(3.2.4.1)

j =1

ri

≡

yˆ i − yi ,

ahol yi a mért jel értékeit, uj az UAR modell együtthatóit, n az UAR modell rendjét, ri pedig a reziduális idősor értékeit jelöli. Az UAR modell rendjét az AIC (Akaike Information Criterion, lásd később a 3.3.1. fejezetben) segítségével határozhatjuk meg. Az így kapott reziduális idősor lényegében a rendszert gerjesztő zajforrást írja le. Nyilvánvaló, hogy ha pl. a gerjesztőforrás erőssége megváltozik, akkor a fenti módon előállított reziduális idősor statisztikai jellemzőiben is változás következik be. Hasonlóan megváltozhatnak a statisztikai jellemzők, ha a rendszer fizikai tulajdonságaiban áll be változás. Ugyanis a normális állapotra illesztett autoregressziós modell már pontatlanul fogja megjósolni az időközben megváltozott rendszer idősorának jövőbeli értékeit, így a rendszer járulékának, azaz a determinisztikus résznek az eltávolítása az idősorból pontatlanná válik. Az említett elváltozások kimutatása statisztikai próbával történhet. Szekvenciális hipotézisvizsgálat. Valamely valószínűségi változó eloszlására, illetve annak egy paraméterére vonatkozó feltevést statisztikai hipotézisnek, az ennek ellenőrzésére szolgáló módszert pedig statisztikai próbának nevezzük. A próba célja, hogy dönteni tudjunk arról, elfogadjuk-e vagy elvessük az adott feltevést. A statisztikai próbával hozott döntés kétféle módon lehet hibás: 1) A próba eredménye alapján a helyes feltevést vetjük el. Ez az elsőfajú hiba, aminek a valószínűségét α -val jelöljük. 2) A helytelen hipotézist a próba alapján elfogadjuk. Ezt másodfajú hibának nevezzük, és valószínűségét β -val jelöljük.

A statisztikai próbák alkalmazása során a Wald által kidolgozott szekvenciális analízis segítségével – a rögzített mintaelemzésen alapuló eljárásokhoz képest – lényegesen kevesebb mintaelemszámból vonhatunk le kielégítő biztonsággal következtetéseket. Az alábbiakban röviden áttekintjük a módszert arra az esetre, amikor a nullhipotézis és az ellenhipotézis is egyszerű feltevés (részletesen ld. [24, 91, 92]). Legyen f ( x, a ) az X valószínűségi változó eloszlását jellemző sűrűségfüggvény, ahol a valamilyen paraméter. Tekintsük az a paraméterre a következő egyszerű hipotéziseket: H 0 : a = a0 nullhipotézis és H 1 : a = a1 alternatív hipotézis,

ahol a0 és a1 konstans. A célunk annak megállapítása, hogy melyik hipotézis igaz. Egymást követő megfigyeléseket végezve a következő három döntés valamelyikét hozhatjuk: 1) A H 0 nullhipotézist elfogadjuk. 2) A H 1 alternatív hipotézist fogadjuk el. 3) Újabb megfigyelést hajtunk végre, azaz folytatjuk az információszerzést. A szekvenciális módszer esetén adottak az α elsőfajú és a β másodfajú hibák. Tekintsük a következő döntési korlátokat:

A=

1− β , amelyet a továbbiakban elutasítási küszöbnek és α

(3.2.4.3a)

B=

β , amelyet pedig elfogadási küszöbnek nevezünk. 1−α

(3.2.4.3b)

- 57 -


x1 , akkor meghatározzuk a H 0 és H 1 hipotézisekhez tartozó

Ha az első megfigyelés eredménye

p( x1 H 0 ) és p( x1 H 1 ) valószínűségeket, azaz a sűrűségfüggvény ismerete alapján meghatározzuk az f ( x1 ,a0 ) és f ( x1 ,a1 ) függvényértékeket. Ezután kiszámoljuk a következő L1 likelihood (valószínűségi) hányadost:

L1 =

p( x1 H 1 ) f ( x1 , a1 ) ≡ . p( x1 H 0 ) f ( x1 , a 0 )

(3.2.4.4)

Az L1 ≤ B esetben a H 0 , az L1 ≥ A esetben a H 1 hipotézist fogadjuk el. Ha viszont B < L1 < A , akkor újabb megfigyelést hajtunk végre. Ekkor a következő megfigyelés x2 eredménye alapján (3.2.4.4)nek megfelelően kiszámítjuk az L2 likelihood hányadost, majd képezzük az L = L1 ⋅ L2 szorzatot. Ha a kapott értékre megint a B < L < A feltétel teljesül, akkor ismét tovább folytatjuk a megfigyelést egészen addig, amíg végső döntésre nem jutunk. Ha az n-edik lépésben jutunk végső döntésre, akkor az L valószínűségi hányados a következő alakú lesz: n

p ( x1 , x 2 ,..., x n H 1 ) L = L1 ⋅ L2 ⋅ ⋅ ⋅ Ln = ≡ p ( x1 , x 2 ,..., x n H 0 )

∏ f (x , a ) 1

i

i =1 n

∏ f (x , a i

0

.

(3.2.4.5)

)

i =1

A próba egyszerűbb végrehajtásához az L likelihood hányadosnak a logaritmusával szokás számolni, mivel így a szorzások összeadásra egyszerűsödnek, és lehetővé válik, hogy a számításokat rekurzív módon lehessen elvégezni. A Λ log-likelihood hányados Λ = ln L = ln L1 + ln L2 + ... + ln Ln alakú. A jel szórásának szekvenciális hipotézisvizsgálata. A változásdetektálásra előállított reziduális idősorokról feltesszük, hogy σ szórású, nulla várható értékű, Gauss-eloszlású adatsorok. A vizsgálat során a folyamatra a következő két hipotézist tesszük: H 0 : σ 2 = σ 02 nullhipotézis és H 1 : σ 2 = q ⋅ σ 02 ; q > 1 alternatív hipotézis.

Itt a q paraméter tartalmazza azt, hogy a szórás milyen mértékű megnövekedése esetén következtetünk változásra. A hipotéziseknek megfelelően a következő valószínűségi függvényeket kapjuk:

p( x1 , x2 ,..., xn H 0 ) =

p( x1 , x2 ,..., xn H 1 ) =

1 n 2 2 0

(2πσ )

æ 1 n 2ö r ÷ és expç − 2 å i è 2σ 0 i =1 ø

1 n 2 2 0

(2πqσ )

1 æ expç − 2 è 2 qσ 0

n

år

i

i =1

2

ö ÷, ø

(3.2.4.6)

(3.2.4.7)

ahol ri a (3.2.4.1) reziduális idősor értékeit jelöli. Az Ln likelihood hányados (3.2.4.7) és (3.2.4.6) hányadosaként előállítva a következő: n − p (x1 , x 2 ,..., x n H 1 ) æ 1 q −1 n 2 ö Ln = = q 2 ⋅ expçç 2 ⋅ ⋅ å ri ÷ . p (x1 , x2 ,..., x n H 0 ) q i =1 ÷ø è 2σ 0

(3.2.4.8)

Ennek felhasználásával az n-edik lépésben a log-likelihood hányadosra a következő értéket kapjuk:

Λ n = ln( Ln ) =

1 q −1 n 2 n ⋅ ⋅ å ri − ln(q ) 2 2σ 02 q i =1

- 58 -

(3.2.4.9)


A (3.2.4.9) összefüggésből az (n+1)-edik log-likelihood hányados értékére a következő rekurzív formulát kapjuk:

Λ n +1 = Λ n +

1 q −1 2 ln(q ) ⋅ , rn +1 − 2 q 2 2σ 0

(3.2.4.10)

ahol Λ n az n-edik log-likelihood hányados és a kezdőérték Λ 0 = 0 . Folyamatos jelfigyelés során Λ nulla értéket kap, ha döntés történt a hipotézisről, azaz a Λ n sorozat képzése a következőképpen történik: 1) Kiszámoljuk Λ n értékét a (3.2.4.10) rekurzív formula segítségével. 2) Ha Λ n ≥ ln( A) , akkor a jelet hibásnak tekintjük, és Λ n = 0 értéket állítunk be. Ha Λ n ≤ ln( B ) , akkor a jelet jónak tekintjük, és szintén Λ n = 0 értéket adunk. 3) A következő mintaelemre lépünk. Az algoritmusból nyilvánvaló, hogy a Λ n sorozat minden eleme az (ln( A), ln( B ) ) intervallumba esik.

Kézenfekvő, hogy a mintának azon tartományait tekintsük normálisnak, melyekben Λ n ∈ (ln (B ), M ] ,

abnormálisnak pedig azokat, melyekben Λ n ∈ (M , ln ( A)) , ahol M az intervallum középpontja. Megje-

gyezzük, hogy azonos α és β esetén M = 0 teljesül. 3.2.4.2.2. A kísérlet összeállítása

A laboratóriumi kísérletben a változásdetektálás vizsgálatához egy alumínium rúd (ZR-6 fűtőelempálcamodell) rezgését használtuk fel. A rúd rezgését fehérzajjal gerjesztett rázópad idézte elő. A kísérleti adatsorok számítógépes analóg-digitális konverzióval a következő öt jelről készültek (ld. 3.2.4/3. ábra): Ch1) A vizsgálat elsődleges jelét adó változtatható rögzítettségű (D1) detektor jele. A detektor B&K 4375 típusú. Ch2) Fixen felerősített (D2) referenciadetektor jele. A detektor B&K 4375 típusú. Ch3) A D1 detektor rögzítettségét változtató fűtőáram. Ch4) A rázópad rezgését mérő detektor jele. A detektor B&K 4375 típusú. Ch5) A fehérzaj-generátor jele. A kísérleti berendezéssel előidézhető anomáliák:

E1) A gerjesztés mértékének változtatása. Ez a zajgenerátor jelszintjének megnövelésével történik. (A kísérlet elsősorban a vizsgálati módszer q szórásparamétertől való függésének vizsgálatát szolgálja.) E2) A rúd sajátfrekvenciáinak megváltoztatása, a rázópaddal átellenes vég befogási módjának – mérés közbeni tetszőleges – megváltoztatásával az alábbi lehetőségek szerint: a) csuklós megfogás, b) merev megfogás, c) szabad vég, d) átmenet az a) és b) esetek között. A kísérlet alatt a rúd rázópad oldali vége végig csuklós megfogású. (A kísérlet elsősorban a vizsgálati eljárás regressziós modelltől való függését tisztázza.) E3) Detektorfellazulás előidézése. Ehhez a kísérlethez a 3.2.4/3. ábrán a kinagyított részben látható kísérleti eszközt készítettük el. A detektort egy nagy szakítószilárdságú, rugalmas ellenálláshuzallal rögzítettük. Az ellenálláshuzalon áramot vezetve – a huzal hőtágulásának köszönhetően – a huzal - 59 -


feszítettsége a merev rögzítéstől a teljes elszakadásig folyamatosan változtatható. (A kísérletnél reverzibilisen, az ellenálláshuzal sérülése nélkül, kb. 1-2 mm detektorfellazulást lehetett modellezni.) A kísérlet során – a detektor teljes leszakadásának előidézésén kívül – a 3.2.4/3. ábrán a detektorrajz feletti áramdiagram szerinti állapotokat idéztük elő. Ahol: I. Normális állapot. A detektor mereven rögzített. II. Lassú felfűtés. A detektor fokozatosan fellazul. III. Állandósult állapot. A detektor fellazult, de még nem szabadult el. IV. Az áram gyors csökkenése. A detektor rögzítése visszaáll a normális állapotba. E4) Pálcafelütődés, illetve a korábban már ismertetett burst előidézése, amely egy kalapáccsal a rúdra mért ütéssel történik. Az ábrán nincs külön feltüntetve az ütés pillanatának meghatározási módja. Ezt a kalapácson és a rúdon átvezetett fűtőáramkör zárulásának figyelésével oldottuk meg (elhanyagolhatóan kis fűtőáram mellett). B&K 2635

D3 det.

Fűtés

Rázópad

III.

Áram

B&K 4375

IV.

II.

I.

Előerősítő

I. Idő

Rúd

MMF LV 103

erősítő Ellenállás huzal

Fehérzaj generátor

Kalapács Rezgés det.

Előerősítő Számítógép

A/D

B&K 2635

D2 Ref. det. B&K 4375

Szűrő B&K 2635

D1 Modell Fűtés

Rúd

Változt. megfogás

3.2.4/3. ábra. A kísérleti elrendezés és a változtatható rögzítésű detektor rajza A kísérleti eljárás a következő előnyöket biztosítja: A vizsgálatok során nem sérül meg a detektor. Egy jelen belül tanulmányozhatóak különböző állapotok és azok átmenetei (pl. normális állapot, a degradáció kezdete, abnormális állapot, a mérőrendszer hibája stb.) A normális állapot ugyanazon mérésen belül tetszőlegesen visszaállítható annak ellenőrzésére, hogy a hipotézisvizsgálat képes-e folyamatában felismerni a normális → abnormális, illetve az (ellenkező) abnormális → normális állapotba való átmenetet. A mesterségesen előidézett változások időpontja pontosan ismert, ezért lehetőség van a változásdetektálás késlekedésének vizsgálatára is. A számítógépes program

A mérési adatok kiértékelése egy C programozási nyelven írt, DOS és Windows operációs rendszer alatt futtatható, általános célú UAR+SPRT programcsomaggal történt. A programrendszer a következő mennyiségek kiszámítását tette lehetővé: UAR együtthatók (gyakorlatilag a modellrendre való korlátozás nélkül), AIC függvény, teljesítményspektrum, - 60 -


korrelációs függvény, reziduális idősor, log-likelihood arány.

A programrendszer különböző input adatok fogadására képes, konkrétan: idősor, teljesítményspektrum, korrelációs függvény, UAR együtthatók. A programrendszer szervezése megengedi, hogy a vizsgált idősorhoz különböző formátumú referenciamodelleket rendeljünk hozzá, azaz minden olyan input függvény alkalmas referenciamodellnek, amelyből az autoregressziós együtthatók kiszámíthatók. Például a teljesítménysűrűség-spektrumból inverz Fourier-transzformációval vagy az idősorból közvetlenül korrelációs függvény (COR) állítható elő, amelyből az autoregressziós együtthatók közvetlenül kiszámolhatók. A vizsgálati eljárás menetét vázlatosan a 3.2.4/4. ábra szemlélteti.

{ui}

Refrencia idősor COR

UAR együtthatók

Teszt idősor Felhasználó által megadott paraméterek

rk Rezidual generálás

σ 02

Log-likelihood arány SPRT Kijelző Λk {q,α,β}

p

{p,q,α,β} UAR+SPRT Programrendszer

3.2.4/4. ábra. A programrendszer vázlata A felhasználó által megválasztható paraméterek:

p UAR modellrend, q szórásparaméter,

α elsőfajú hiba (a téves riasztás valószínűsége), β másodfajú hiba (az elmulasztott riasztás valószínűsége). A { p, q,α , β } paraméterek különféle értékei mellett lehetőség nyílik az UAR+SPRT eljárás érzékenységének a vizsgálatára. 3.2.4.2.3. Kísérleti eredmények

A kísérleti eszköz által biztosított lehetőségeknek megfelelően négyféle kísérletcsoportot hajtottunk végre. A kísérleti eredményeket a következő három mennyiségen keresztül mutatjuk be: • • •

a vizsgált jel, a vezérlőjel és a logaritmikus valószínűségi hányados.

A kísérleti adatsorok harmincezernél több mintából állnak, ezért csak a jellemző részletek bemutatására szorítkozunk. A jelekről készített idősorok 5 ms-os mintavételezéssel és ±5V bemeneti érzékenységű ±2048 felbontású analóg-digitál konverterrel készültek. (Mivel a szekvenciális módszer alkalmazása - 61 -


szempontjából a valós fizikai mértékegységek érdektelenek, az idősorok grafikonjain nem tüntettük fel az időléptéket, csak a mintavételek sorszámát.) Az eredményekkel együtt a { p, q,α , β } paramétereket is feltüntetjük a kapcsos zárójelen belüli sorrendnek megfelelően. Terjedelmi okokból a kísérleti eredmények bemutatásánál csak a fő lépések leírására szorítkozunk, a részletes ismertetés [54]-ben található. A mérőrendszer alapállapoti jelei idő- (első grafikon) és frekvenciatérben (második grafikon) ábrázolva a 3.2.4/5. ábrán láthatóak.

3.2.4/5. ábra. A mérőrendszer alapállapoti jelei Az első két jel a teszt (D1) és a referenciadetektor (D2) jele. A jelek FFT spektrumaiban a rúd sajátfrekvenciái tisztán láthatóak. A két jel amplitúdójának eltérése a detektorok pozíciójának eltéréséből adódik [31]. A rázópad spektrumában (3. spektrum) a rázópad kedvezőtlen alacsonyfrekvenciás átvitele és a rúdrezgés visszacsatolódása figyelhető meg. Az utolsó grafikonon a fehérzaj-generátor spektruma látható, amely jól mutatja a fehérzaj egyenletes frekvenciaeloszlását. I. kísérlet

Az első kísérletnél a gerjesztőzaj mértéke – a 3.2.4/5. ábrán bemutatott – normális állapotból (kb. a 8800. mintától kezdve) fokozatosan növekedett, majd hirtelen (kb. a 20000. mintától) visszaállt a normális szintre. (A gerjesztés változásának lefolyása a fehérzaj-generátor jelének RMS értéke alapján ellenőrizhető. A kísérlet a rúd csuklós megfogása mellett történt.) A normális állapotban az AIC függvény 22-es UAR modellrendnél mutatott minimumot. A döntési határokhoz α=0,001 és β=0,001 értékeket állítottunk be. A kísérlet eredményét a 3.2.4/6. ábra mutatja be.

3.2.4/6. ábra. A log-likelihood arány változó erősségű gerjesztőzaj esetén A módszerrel előállított görbe az elvárásoknak megfelelően a gerjesztőzaj mértékének függvényében az abnormális tartományban egyre sűrűbb fűrészfogakat ír le, majd a gerjesztés normális szintre esésével hirtelen visszatér a normális tartományba. Ez annak tulajdonítható, hogy a növekvő gerjesztési amplitúdó gyakorlatilag a q szórási paraméter növekedésének felel meg. A változás kezdetének, azaz a normális →

- 62 -


abnormális (N→A) átmenet kezdetének és a normális állapotba való visszatérés (A→N) kezdetének a q paramétertől való függését a 3.2.4/1. táblázat mutatja. q

N→A

A→N

1,2

9400

20050

2,5

9800

20055

3,5

10500

20050

3.2.4/1. táblázat. A normális → abnormális (N→A) és abnormális → normális (A→N) átmenetek kezdete a q függvényében Mivel a zajgenerátor erősítése fokozatosan növekedett, majd egy állandósult szakasz után hirtelen állt vissza a normális állapotba (hasonlóan a 3.2.4/3. ábrán bemutatott áramdiagramhoz), ezért az A→N átmenet – a N→A átmenettel ellentétben – egyértelmű, határozott átmenetet képez. A táblázatból is látható, hogy a hirtelen és viszonylagosan nagy változás kimutatása alig érzékeny q értékére. A változás kezdetét (kb. a 8800. minta) természetszerűleg a legkisebb q érték közelíti meg, azaz a változás kimutatásának érzékenysége függ q-tól. Említésre méltó, hogy a N→A átmenet kialakulásától kezdve már egyik q paraméterre sem fordult elő az elfogadási küszöb elérése.

II. kísérlet A kísérlet során a fizikai rendszerben (a rúd sajátfrekvenciáiban) idéztünk elő változást, és az így kapott jeleket vizsgáltuk a szekvenciális módszerrel. A változást – a kísérleti elrendezést ismertető fejezet E2) pontjában ismertetett módon – a rúdvég rögzítési módjának megváltoztatásával idéztük elő. Az egyes rögzítési módokhoz tartozó sajátfrekvenciák a 3.2.4/7. ábrán tekinthetők meg.

3.2.4/7. ábra. A rúd sajátfrekvenciái a rúd végének különböző rögzítései esetén Az ábrán jól látható, hogy a különböző befogási módokhoz tartozó spektrumok és a sajátfrekvenciákat jelző csúcsok jelentősen eltérnek egymástól, ezért az átmenetek során készített adatsorok a változásdetektálás, vagyis a szekvenciális módszer vizsgálatához alkalmasnak ígérkeznek. (A rúd sajátfrekvenciáit a befogás függvényében részletesebben ld. [32].) A négy lehetőség több kísérleti megoldást tesz lehetővé. Az elvégzett kísérletek közül egyet ismertetünk. A kísérletben a pálca befogását – folyamatos, állandó gerjesztés mellett – csuklós befogásból fokozatosan merev megfogásba vittük át. A kapott adatsoron két szekvenciális vizsgálatot hajtottunk végre. Az egyik esetben a merev megfogáshoz tartozó UAR modellt, a másikban pedig a csuklós megfogás UAR modelljét használtuk fel. A kísérlet

- 63 -


során megvizsgáltuk az egyes rúdmegfogási módokhoz tartozó AIC függvényeket (ld. 3.2.4/8. ábra). A négy vizsgált esetre az optimális modellrend a 16-tól 44-ig terjedő intervallumba esik.

3.2.4/8. ábra. Különböző rúdmegfogási módok mellett számolt AIC függvények A 3.2.4/8. ábrán látható, hogy a második oszlopbeli görbék esetén nem határozható meg egyértelműen az optimális modellrend. Az általános tapasztalat szerint az AIC függvény a minimumhely körül gyakran ellaposodik. A kísérleti eredmények azonban azt mutatták, hogy hatos modellrendtől kezdve (a még vizsgált 100-as modellrendig) a szekvenciális teszt gyakorlatilag azonos eredményre vezetett. Nyilvánvaló, hogy egy adott modellrend alatt (ez esetünkben hat volt) a regressziós modell már nem képes leírni a vizsgált rendszer fő tulajdonságát, így a szekvenciális teszt eredménye sem lehet elfogadható. A vizsgálat eredményét a 3.2.4/9. ábra mutatja be. A vizsgálat paraméterei {p=15; q=1,4; α=0,001; β=0,001}.

3.2.4/9. ábra. Átmenet a csuklós-csuklós megfogásból a csuklós-merev megfogásba A 3.2.4/9. ábra felső grafikonsorán a merev megfogású modellel, az alsón pedig a csuklós megfogású modellel készített SPRT diagram látható. Mivel a kísérlet csuklós megfogásból indul, ezért a csuklós megfogásos modellben a log-likelihood érték az elfogadási (normális) tartományban mozog, ellenben a merev megfogású modellben – az elvárásainkkal összhangban – az elutasítási (abnormális) tartományban ingadozik. A középső átmeneti tartományban mind a két diagramon bizonytalanság figyelhető meg, azaz a görbék mind a két tartományban ingadoznak. A harmadik oszlopbeli grafikonokon a kezdeti állapot ellentettje látható, ami a megfordult helyzetnek a következménye. Az eddigiek alapján megállapítható, hogy a módszer sikeresen detektálja a fizikai rendszerben bekövetkező változásokat.

III. kísérlet A harmadik kísérletsorozat annak tisztázására irányult, hogy a szekvenciális módszer képes-e észlelni a detektálási folyamatban – valamilyen rendellenesség miatt – bekövetkezett olyan mértékű változást, - 64 -


amelynél a jel alaptulajdonságai még megmaradnak. A laboratóriumi kísérletekben a detektor (pontosabban detektálás) mechanikai jellegű meghibásodását idéztük elő a már ismertetett detektorfellazulást modellező kísérleti eszközzel. A detektor fellazulásának vizsgálatára több forgatókönyv szerint készült mérés, ezek közül egy tipikusat mutatunk be. A kísérlet végrehajtása az I. kísérlethez hasonlóan történt, azzal a különbséggel, hogy itt – a gerjesztőforrás erőssége helyett – a detektort rögzítő ellenálláshuzal fűtését növeltük fokozatosan, egészen a detektor 1,5-2 mm-es fellazulásáig, majd a fűtést viszonylag rövid ideig állandó értéken tartva, hirtelen megszüntettük a fűtőáramot. (Mivel a detektor teljes fellazulásánál az ellenálláshuzal – a magas hőmérséklet és a detektor mozgása miatt – már túlzottan erős igénybevételnek volt kitéve, ezért ezt az időtartamot minimalizálni kellett a szál elszakadásának az elkerülése végett.) A kiértékelésnél használt paraméterek {25; 1,3; 0,001; 0,001} voltak. A kísérlet eredményét a 3.2.4/10. ábra mutatja be.

3.2.4/10. ábra. A detektorfellazulás SPRT diagramja A 3.2.4/10. ábrán felülről lefelé a tesztdetektor, a fűtés és az SPRT ( Λ n log-likelihood arány) összetartozó adatainak három különböző részlete látható. Az első részleten az abnormális állapot kialakulásának kezdete mutatkozik. A kezdeti szakaszon még a normális állapot figyelhető meg: az ellenálláshuzal nyúlása még nem érte el a kritikus szintet. A normális állapotot a beállított paraméterértékek miatt viszonylagosan gyakori döntéshozatal jellemzi. A változás kimutatásának kezdete az első részlet második harmadára tehető. (Ekkor a detektor fellazulását már jól hallható zörgő hang kíséri. Gyakorlatilag ez a hang jelzi az abnormalitás kialakulásának kezdetét is.) Tehát a döntéshozó eljárás minimális késéssel mutatja az elváltozást. A második részleten egy köztes állapot figyelhető meg. Ekkorra az abnormális állapot már egyértelműen kialakult, a fűtőáram értéke állandósult. A harmadik részlet első harmadában a fűtőáram hirtelen megszűnik, a normális állapot – a szál kihűlési idejének megfelelően (1,5-2 sec.) – gyorsan visszaáll. (A harmadik részlet középső szakaszán igen gyors egymás utáni döntések láthatók, amiket a normális rögzítettségre hirtelen visszaálló detektor mozgása vált ki.) A grafikonok azt is megmutatják, hogy a tesztdetektor adatsorán szemmel látható változás nem figyelhető meg. Az eredményt összegezve megállapítható, hogy a szekvenciális teszt sikeresen mutatta ki a mesterségesen előidézett abnormalitást.

IV. kísérlet A rúd ütögetésével megzavarjuk a rendszer alapállapoti viselkedését, azaz a jelben a már ismertetett „burst” jelenséget idézzük elő. A kísérletben – a mérésleírásban elmondottak szerint – az előidézett tranziensek kezdete pontosan rögzített. A hipotézisvizsgálat alkalmazhatóságának megállapítására a tranzienseket tartalmazó adatsorokat szekvenciális hipotézisvizsgálatnak vetettük alá. A vizsgálat ered-

- 65 -


ményéből a 3.2.4/11. ábrán két reprezentatív adatsor-részletet mutatunk be. A kiértékelésnél használt paraméterek {25; 3; 0,001; 0,001}.

3.2.4/11. ábra. Az ütődéssekkel előidézett tranziensek adatsora és SPRT diagramja Az ábra felső görbéin a D1 tesztdetektor idősora látható. A középső görbéken a lefelé mutató tüskék az előidézett tranziensek kezdetét jelzik. A szekvenciális teszt eredményét az ábra alsó görbéi mutatják. A teszt eredményéből az látható, hogy a módszer biztonságosan, késés nélkül kimutatja a tranzienseket. A grafikonokon jól látható, hogy a szekvenciális teszt olyan helyen (nyíllal jelzett második „tüskepár”) is kimutatta az ütődést, amely szemmel nem vehető észre. A jelzett tranzienst közvetlen idősorvizsgálati módszerekkel – pl. limitfigyelési eljárással – sem mutathatnánk ki. Az eljárás természetéből fakadóan azonban olyan eset is előfordul, amikor a módszer hibásan jelez. A vizsgálatot különböző q paraméterek mellett hajtottuk végre. A bemutatott tesztben használtnál kisebb q paraméterekre a módszer érzékenyebbé vált, azonban ennek következményeként növekedett a hibásan detektált tranziensek száma is. 3.2.4.2.4. Az UAR+SPR vizsgálatának összefoglalása

A kísérletsorozatban mesterségesen előállított tranzienseket vizsgáltunk az egyesített UAR+SPRT módszer gyakorlati alkalmazhatóságának tisztázására. A kísérletekből két kérdésre vártunk választ: 1) Alkalmazható-e az eljárás valós zajdiagnosztikai adatsorok vizsgálatára? 2) Milyen, a felhasználó által állítható paraméterek befolyásolják a vizsgálat eredményességét? A kísérleti berendezés négy valósághű tranziens előidézését tette lehetővé. Az eredmények alapján megállapítható, hogy a vizsgálati módszer eredményesen mutatta ki a laboratóriumi körülmények között előidézett anomáliákat. A módszer hátránya, hogy nem tud különbséget tenni az egyes tranziensek között, így azt sem tudja megkülönböztetni, hogy pl. a gerjesztőforrás erőssége vagy a fizikai rendszer változotte meg. Ez azért hátrányos, mivel előfordulhat, hogy a vizsgált rendszerben a gerjesztőzaj megváltozása megengedett. Összegzésként megállapítható, hogy azokban az esetekben, amikor az anomália okának ismerete nem szükséges, az ismertetett eljárás – egyszerűsége folytán – könnyen és hatékonyan alkalmazható. 3.2.4.3. Csoportos vizsgálat (a tranziensek egyidejűségének vizsgálata)

Több csatorna, illetve jel egyidejű viselkedésének vizsgálatával a tranziensek forrására nagyobb biztonsággal következtethetünk. Az eljárás lényege a következő:

- 66 -


Ha a vizsgálati módszer a jel adott szakaszán tranzienst észlel, akkor ellenőrzi, hogy a többi jelben a kérdéses helyen (esetleg kis időeltéréssel) szintén fellelhetőek-e a tranziensek. A zavar forrása bizonyos valószínűséggel meghatározható annak alapján, hogy milyen típusú a tranziens, és hogy milyen jelforrástípusokban jelentkezik. Mint már említettük, pl. a reaktor szabályozása a különböző detektorok jeleiben másképpen jelentkezik, és ez módot ad az elektronikai hibától való megkülönböztetésre. Amennyiben a vizsgálati módszer a zajforrás (a reaktor) viselkedésével kapcsolatban érzékel hibát (pl. ha a jelek döntő többsége túlvezérelt vagy a jelekben egyidejű túlvezérlések, szakadások stb. vannak, és így vélhetően valamilyen szabályozási folyamat zajlott le az erőművi blokkon), akkor a zajforrást hitelesítő modul automata üzemmódban megismételteti a mérést. A végtelen ciklus elkerülése érdekében azonban limitálandó a megengedett ismétlések száma, például legfeljebb háromban. A kiértékelés folyamán azt is meg kell jelentetni – esetleg figyelembe is kell venni –, hogy hányadik ismétlésre történt sikeres mintavételezés, illetve azt, ha az utolsó ismétlés sem hozott megnyugtató eredményt. Az idősorok frekvenciatartománybeli vizsgálata során szintén megfigyelhetők olyan jellegzetességek, amelyek a detektor és az elektronika tulajdonságaira, illetve állapotára egyaránt jellemzőek.

3.3. Detektorminősítés A továbbiakban olyan jelenségeket és eljárásokat tekintünk át, amelyek a detektorok (termopár, SPND stb.) állapotáról adnak információt. Egyrészt a mérőrendszer megbontásával speciális műszerek segítségével, illetve analitikus úton (például egy referenciadetektor jelével történő összehasonlítással) végzett vizsgálatokat ismertetünk. Másrészt az idősorból és annak statisztikai jellemzőiből (pl. spektrumokból, koherenciákból vagy jellemző detektorparaméterek meghatározásából stb.) levonható következtetéseket foglaljuk össze.

3.3.1. Az időállandó vizsgálata A detektorok egyik jellemző paramétere a válaszidő vagy időállandó, amely közvetlenül a jelből is meghatározható. Mint minden alternatív módszerre, az időállandó vizsgálatára is igaz, hogy valamilyen mértékben hozzájárul a végleges ítélethez. Az időállandó kicsi változása önmagában még nem sokat jelent, mivel nagyon nehéz a mögötte rejlő okokat feltárni, különösen, ha nincs megfelelő fizikai modellünk. A termoelemekkel kapcsolatosan a 2.5.3. fejezetben már bemutattunk egy lehetséges hibás mérést, amely megfelelő minőségű mérőrendszerrel a detektor időállandója alapján kimutatható. A bemutatott hiba mögötti fizikai jelenség, nevezetesen a rossz kontaktus, azonban nem okoz az időállandóban jelentős változást. Ugyanakkor ha a mért jel nem az adott fizikai folyamatot, hanem valamilyen hibajelenséget vagy egy rossz helyre bekötött detektor viselkedését tükrözi, akkor az idősorból számolt időállandó jelentősen eltérhet az eredeti, hibátlan jel időállandójától. Erre a 3.3.1/1. ábrán mutatunk be egy példát. Az ábrán vastag vonallal ábrázoltuk egy hibátlan termoelemjel spektrumát, amelynek a számított időállandója 1,05 másodperc. Vékony vonallal ugyanennek a detektornak a spektruma látható meghibásodott AC erősítő esetén. A hibás jelre számított időállandó csak 0,16 másodperc. Mint a példa is mutatja, az ilyen típusú jelenségek az időállandó vizsgálatával jól diagnosztizálhatók, ami szintén indokolja ezen vizsgálatok létjogosultságát.

- 67 -


1e-07 't3.4ak' 't3.49f'

nAPSD

1e-08 1e-09 1e-10 1e-11 1e-12

0

5

10

15


35

40

45

50

3.3.1/1. ábra. A grafikonon vastag vonallal egy jó időállandójú termoelemjel spektruma látható, vékony vonallal ugyanezen detektor spektrumát láthatjuk elromlott AC erősítés esetén A jelek (spektrumok) egy másik csoportjánál (az SPND-k és ionizációs kamrák esetében) nem egy valódi detektor-időállandóról, hanem a jel alapján számolt időállandóról beszélhetünk. A mért neutronjelben a reaktor termohidraulikai és neutronkinetikai viselkedése társul a detektor átviteli tulajdonságaival. Azonban a tapasztalat szerint az időállandó kiszámítása ilyen jeleken is jól meghatározható, jellemző mennyiséget eredményez, amely felhasználható a detektor jelének hitelesítéséhez. Fontos hangsúlyoznunk, hogy a minősítéshez nem szükséges a valós időállandók meghatározása, mivel a célunk elsősorban olyan mennyiségek keresése, amelyek érzékenyek a normális állapottól való eltérésre. A minősítés menete: Minden detektortípushoz hozzárendelünk egy jellemző időállandót és egy tűrést, melyekkel a jelből számított adat összevethető. Az időállandót UAR, MAR vagy ARMA modellek segítségével határozhatjuk meg [65, 93]. Az időállandó meghatározására a következő szakaszban mutatunk be egy lehetséges megoldást. 3.3.1.1. Az időállandó számítási módszere

Az időállandót egyváltozós autoregressziós (UAR) modell felhasználásával számoljuk ki. Első lépésként meghatározzuk a c k autokorrelációs függvényt. Jelölje az idősor elemeit ψ i , átlagértékét ψ , az idősor elemeinek számát N, a korrelációs időt pedig k max . Ekkor:

ck =

N −k 1 ⋅ å (ψ i −ψ ) ⋅ (ψ i +k −ψ ) , N − k i =1

k = 0,1,..., k max .

(3.3.1.1)

Jelölje rk a normalizált autokorrelációs függvényt:

rk =

ck . c0

(3.3.1.2)

Az autoregressziós modellt a következő formában állítjuk elő: M

yk = å ai ⋅yk −i + vk ,

(3.3.1.3)

i =1

ahol ai az autoregressziós együtthatókat jelöli, y k = ψ k − ψ , M az autoregressziós modell rendje és vk a gerjesztő fehérzaj. A regressziós együtthatók a Durbin rekurzív formula [65] alapján a következők:

- 68 -


å 1− å

p

r p +1 −

a p +1, p +1 =

a ⋅ rp +1−i i =1 p ,i p a ⋅r i =1 p ,i i

a p +1,i = a p ,i − a p+1, p +1 ⋅ a p , p+1−i ,

,

(3.3.1.4)

i = 1,2,..., p ,

ahol p az iterációs lépéseket, i az autoregressziós együttható sorszámát jelöli. Az iterációt az optimális modellrendig célszerű végezni. Az optimális modellrendet az AIC (Akaike Information Criterion) függvény minimumhelye alapján határozhatjuk meg: p

AIC p = N ⋅ 1 −

a p ,i ⋅ ri + 2 ⋅ p .

(3.3.1.5)

i =1

(A modell részletes ismertetése pl. [65]-ben található.) Az autoregressziós modell segítségével kiszámíthatjuk az egységugrás függvényre adott átmeneti függvényt (step response, az ábrákon rövidítve STP), amely M

si =

ìvi = 0, ha i < 0, a k ⋅ si −k + vi , ahol í vi = 1, ha i ≥ 0. k =1

(3.3.1.6)

Az időállandót az átmeneti függvény végtelenben vett határértékének 63,2%-ához, pontosabban (1-1/e)ed részéhez tartozó abszcisszaérték adja meg, amennyiben a határérték létezik. A számítási módszer részletes kidolgozása a [93, 94] munkákban található. Az ismertetett módszer hiányossága, hogy a numerikusan kiszámolt átmeneti függvény határértéke nincs meghatározva, ezért az időállandó leolvasásához az idősort olyan hosszan kell kiszámolni, hogy az már csak elhanyagolható mértékben változzon. Hiányzik a módszer gyakorlati alkalmazhatóságának a vizsgálata is. További hiányosság, hogy ha a számított átmeneti függvényben oszcilláció alakul ki, akkor az időállandó leolvasása nagyon pontatlanná válhat (lásd a 3.3.1/2. ábra bal oldali grafikonját). Az általam kidolgozott és a következőkben bemutatott eljárás kiküszöböli a fenti problémákat. A módszer pontosítható, ha meghatározzuk az idősor határértékét. Ez egyszerűen megtehető, ugyanis, ha a (3.3.1.6) sorozat konvergens, a végtelenben vett K határértékre igaz, hogy

K = lim si = lim si − k ; ∀k ∈ [1,.., M ] , ahol M a modell rendje. i →∞

i →∞

(3.3.1.7)

A (3.3.1.6) egyenletből határértéket képezve és a K értéket behelyettesítve átrendezés után a K határértékre a következőt kapjuk:

K=

1 1 − å k =1 ak M

.

(3.3.1.8)

Ha a K értékkel elosztjuk a (3.3.1.6) alapján számolt idősort, akkor megkapjuk az átmeneti függvény 1-re normált alakját, ahol az időállandó a 0,63 ordinátaértékhez tartozó abszcisszaérték lesz. A határérték-számítási és az esetleges numerikus osztási problémák elkerülhetők, azaz egyszerűbb és könnyebben kezelhető megoldáshoz juthatunk, ha a negatív egységugrásra (az egységnyi csökkenésre) adott átmeneti függvényt (drop response függvényt, az ábrákon rövidítve DRP) vizsgáljuk, amelyről biztosan tudjuk, hogy nullához tart. Ennek alakja a következő:

- 69 -


M ì v = 1, ha i ≤ 0, . d i = å ak ⋅ d i − k + vi , ahol í i v 0 , ha i 0. = > k =1 î i

(3.3.1.9)

A pozitív és negatív egységugrás függvények átmeneti függvényei egymásnak az y = 0,5 egyenes menti tükörképei. Ez, a numerikus számítási hibáktól eltekintve, az autoregressziós számítással kapott átmeneti függvényekre is igaz (lásd a 3.3.1/2. ábra első grafikonját). Egy τ időállandójú rendszer vagy detektor egységnyi csökkenésre adott átmeneti függvényének analitikus alakja −

t

y = 1⋅ e τ ,

(3.3.1.10)

1 iránytangensű egyenes. Ebből következik, hogy a τ numerikusan számolt adatsor logaritmusának is egy egyenes mentén kell elhelyezkednie (lásd a 3.3.1/2. ábra második grafikonját). Ezért az időállandó reciprokát a (3.3.1.9) alapján kapott függvényértékek logaritmusára illesztett egyenes iránytangensének abszolút értékeként számítástechnikailag könnyebben és pontosabban kaphatjuk meg. Azaz:

ahol t az időt jelöli. Az egyenlet logaritmusa egy −

n

1 = τ

i =0

[ln(d i ) − D]⋅ ( xi − x ) n i =0

,

( xi − x ) 2

(3.3.1.11)

n

xi = i ⋅ ∆t ; x =

ahol

n

1 n ⋅ ∆t 1 ⋅ i ⋅ ∆t = ; D= ⋅ ln(d i ) , n + 1 i =0 2 n + 1 i =0

továbbá

∆t

az

idősor

mintavételezési ideje. 1

0

0.9 -1

STP DRP DRP illesztett

0.8 0.7 0.6

y=e

ln(DRP) ln(DRP) illesztett y = -2.5763x

-2

-2.5763x

0.5

-3

0.4 -4

0.3 0.2

-5

0.1 0

-6 0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

Idő [sec]

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

Idő [sec]

3.3.1/2. ábra. Negatív és pozitív egységugrás függvények számított átmeneti függvényei a negatív átmeneti függvényre illesztett függvénnyel (balra). A negatív egységugrás függvény átmeneti függvényének természetes alapú logaritmusára illesztett egyenes (jobbra) A 3.3.1/2. ábra bal oldali grafikonján vastagabb vonallal a negatív egységugrás függvényre fektetett görbe látható, ami a jobb oldali grafikonon bemutatott illesztés eredményének felhasználásával állt elő. A valós adatsorok alapján számított átmeneti függvények általában eltérnek az ideálistól, ezért a logaritmus értékekre fektetett egyenesek nem feltétlenül haladnak át az origón. Ha megköveteljük, hogy a számított értékekre illesztett átmeneti függvényeknél az exponenciális tag együtthatója egy legyen, amit a (3.3.1.10) összefüggésben ki is kötöttünk, akkor a logaritmikusértékekre illesztett egyenesnek az origón át kell mennie. Az origón való áthaladást megkövetelő illesztésnél a (3.3.1.11) egyenlet a következő alakú lesz: - 70 -


1 = τ

å

n x i =0 i n

å

⋅ ln (d i )

i =0

xi2

.

(3.3.1.12)

A 3.3.1/2. ábrán látható rossz minőségű átmeneti függvény esetén a két illesztés közötti eltérés (2,595-2,576=0,019) kisebb egy százaléknál. Ennél nagyságrenddel nagyobb eltérések adódhatnak pl. az autoregressziós együtthatók és az idősor mintavételezési idejének megválasztásából. 3.3.1.2. A számítási eljárás vizsgálata

A gyakorlati bevezetés előtt a módszert alkalmazhatósági vizsgálatnak kell alávetni. Ennek során meg kell vizsgálni, hogy az eljárás mennyire alkalmazható valós mérési körülmények között, illetve milyen feltételek teljesülése esetén várható el, hogy megfelelő eredményeket adjon. Az időállandó számításának eredményére az alábbi tényezők lehetnek befolyással: –

A zajdiagnosztikai mérések sávja alulról és felülről korlátozott. A jeleknek az elektronikai mérőlánc LP (felüláteresztő) szűrője miatt nincs konstans összetevője (DC értéke). Bizonyos mérésbeállításoknál – vagy rosszul méretezett szűrőknél – az átviteli sáv elején a szűrő hatása túlzott mértékben érvényesülhet. A felső határfrekvenciát a vizsgálandó jelenségekhez szükséges mérési követelmények és a mérőrendszer képességei határolják be. Ez diagnosztikai mérések esetén néhány száz Hz. A paksi mérések során a legáltalánosabb az 50 Hz-es spektrumok készítése.

–

A digitalizált mérések sávszélessége és a mérésekből készített spektrumok felbontása korlátozott. A Pakson végzett zajdiagnosztikai mérések idősoraiból döntően 512 frekvenciavonalból álló spektrumok készülnek.

–

Az alkalmazható mintavételezési és szűrőfrekvenciák általában adottak.

–

A vizsgált rendszer, illetve detektor bemenetére kerülő jelek spektruma nem pontosan ismert.

–

Az elektronikai mérőrendszer zaja rárakódik a mért jelre.

A tesztelési adatsor előállítása

Az időállandó számításának ellenőrzése ismert tulajdonságú, mesterségesen előállított bemenő adatok segítségével történhet. Az alkalmazott módszer menete a következő: Az LP szűrők átvitele jól ismert [66]. Ez alapján egy fehérzajjal gerjesztett τ időállandójú, H (ω ) frekvenciaátvitelű rendszer kimenetén mérhető teljesítménysűrűség-spektrum (APSD) felírható mint APSD = H (ω ) 2 =

1 1 + iωτ

2

=

1 1 + ω 2τ 2

, ahol ω = 2πf a körfrekvencia.

(3.3.1.13)

A 3.3.1/3. ábrán egy – a (3.3.1.13) összefüggés szerinti – tipikus frekvenciaspektrum látható, amelyen 0,1–1 Hz tartományban a szűrőkre jellemző „frekvencialetörés” (a spektrum lehajló szakaszára illesztett egyenes és a felső abszcisszatengely metszéspontja) is jól megfigyelhető.

- 71 -


1.00E+00

nAPSD

1.00E-01

1.00E-02

1.00E-03

1.00E-04 0.01

0.1

1

10

100

Frekvencia [Hz]

3.3.1/3. ábra. Egy τ=0,5 sec időállandójú rendszer kimenetén mért normált teljesítménysűrűségspektrum (nAPSD) logaritmikus ábrázolásban, ha a bemenő jel fehérzaj Az autoregressziós együtthatók kiszámításához szükséges C(t) autokorrelációs függvény a teljesítménysűrűség-spektrum inverz F -1 Fourier-transzformáltjaként is előállítható. Azaz ∞

e iωt 1 æ ö C (t ) = F ç dω . = ÷ 2 2 2 2 ò è 1 + ω τ ø −∞1 + ω τ −1

(3.3.1.14a)

Szimmetrikus, kétoldalú teljesítménysűrűség-spektrumok esetén a transzformáció egyoldalú alakkal is közelíthető (lásd [61]), amely alapján az autokorrelációs függvény a következő alakú lesz: ∞

C (t ) = 2

cos(ωt )

ò1+ω τ

2 2

dω .

(3.3.1.14b)

0

A numerikus kísérletekhez a korrelációs függvényben a korrelációs időközt – a mérési gyakorlathoz igazodva – a mintavételi idővel azonosnak választjuk. A számításokban az f frekvencia és a ∆t mintavételi idő közötti kapcsolatot az alábbi összefüggések adják meg: ∆t =

1 1 , = f m 2 f max

(3.3.1.15)

ahol f m a mintavételi frekvenciának, f max pedig a spektrum legnagyobb frekvenciavonalának az értéke. A frekvenciaspektrum ∆f felbontása f 1 , ahol n a frekvenciavonalak száma. ∆f = max = n 2n ⋅ ∆t

(3.3.1.16)

A számítási eljárás vizsgálatához a fenti (3.3.1.14-16) összefüggések felhasználásával különböző τ időállandókhoz tartozó autokorrelációs függvények készíthetők. A próbához a kiindulási teljesítménysűrűség-spektrumokat a zajdiagnosztikai gyakorlatban megszokott n = 512 frekvenciavonalat tartalmazó spektrumokként állítjuk elő, amelyben ∆f az első spektrumvonal frekvenciája. Az időállandó függése az adatsor mintavételi idejétől

A számítás ellenőrzéséhez ismert időállandókhoz tartozó, különféle mintavételi frekvenciával készített korrelációs függvények sorát készítettük el. A korrelációs függvényeken az időállandó számítását elvégezve a 3.3.1/4. ábrán bemutatott görbéket kaptuk. A számítás az AIC kritérium által visszaadott optimális modellrenddel történt. Ez minden esetben háromnak adódott. Az inverz Fourier-transzformáció alapját a [60]-ban közölt eljárások képezték.

- 72 -


1

1 T=0,90 sec T=0,70 sec T=0,50 sec T=0,30 sec T=0,10 sec T=0,05 sec

0.8 Időállandó [sec]

0.7 0.6

0.9 0.8 0.7 Időállandó [sec]

0.9

0.5 0.4

0.6 0.5

0.3

0.2

0.2

0.1

0.1

0

T=0,90 sec T=0,70 sec T=0,50 sec T=0,30 sec T=0,10 sec T=0,05 sec

0.4

0.3

0

0.1

1

10

100

0

1000

50

100

150

200

250

300

Mintavételi idő [ms]


3.3.1/4. ábra. Modellezett időállandók számított értékei a mintavételi idő függvényében, az AIC szerinti optimális (3-as) modellrenddel számítva, logaritmikus és lineáris időtengely mentén Az ábrán jól látható, hogy a számítás pontosságát a mintavételi frekvencia befolyásolja. A grafikonról leolvasható, hogy az ábrázolt görbéknél a vizsgált időállandóhoz tartozó optimális mintavételi frekvencia fél nagyságrendű eltérése kb. 10% eltérést okoz a számított időállandóban. Megfigyelhető, hogy a görbesereg a grafikon origója felé halad, azaz egyre kisebb és kisebb mintavételi időt használva – ha a számítás az időállandóhoz képest egyre rövidebb korrelációs hosszon történik – a számított időállandó is egyre kisebb lesz. Ennek egyszerű magyarázata az, hogy a mintavételi idő csökkenésével (rögzített spektrumszélesség, spektrumvonalszám esetén) a normált korrelációs függvények alakja – dimenzió nélkül összerajzolva – egyformává válik (lásd 3.3.1/5.ábra). 1

Fmax=10KHz; st=0.1ms Fmax= 1KHz; st=0.5ms Fmax=500Hz; st=1.00ms Fmax=250Hz; st=2.00ms Fmax=150Hz; st=3.33ms Fmax= 80Hz; st=6.25ms Fmax= 40Hz; st=12.5ms Fmax= 20Hz; st=25.0ms Fmax= 1Hz; st=500ms

0.8 0.6 0.4 0.2 0 -0.2 -200

-100

0

100

200

együttható sorszám

3.3.1/5.ábra. τ = 0,3 sec időállandóhoz tartozó, különböző ∆t mintavételi idővel numerikusan készített normált korrelációs függvények alakja az együtthatók sorszáma szerint ábrázolva. (Az ábrázolt görbék a feltüntetett görbeelnevezések sorrendjének megfelelően – egymás alatt – helyezkednek el.) Az autoregresszión alapuló számítás csak a korrelációs görbe alakját veszi figyelembe, és a számított időállandó a mintavételi-, illetve a korrelációs idő lineáris függvénye. Ennek következménye, hogy egy meghatározott értéknél kisebb mintavételi időkre – amikor a korrelációs függvény alakja már elhanyagolható mértékben változik – a számított időállandó közel lineárisan csökken a mintavételi idővel. (Valós méréseknél a spektrum csak a mérőrendszer alapzajáig csökkenhet, azaz itt az időállandó számított csökkenése a háttérzaj frekvenciamenetétől függően meg is állhat, sőt emelkedésbe válthat át.) A korrelációs függvények alakjának egymásba esése a következők alapján könnyen belátható. Ha ωτ >> 1 , akkor a szűrő frekvenciaspektruma H (ω ) 2 =

1 2 2

1+ω τ

≅

1

(3.3.1.17)

2 2

ω τ

- 73 -


alakba megy át (ez a 3.3.1/3. ábrán is megfigyelhető, ha gondolatban a vízszintes tengely kezdőpontját 1 Hz-ig eltoljuk). Ennek az inverz Fourier-transzformáltja (3.3.1.14b) alapján a következő:

C (t ) = 2

f max

ò

∆f

cos(2πft ) 1 df = 2 2 2 2 2 4π f τ 2π τ

f max ìïé − cos(2πft ) ù f max ù üï é (2πft )3 (2πft )5 π t π ft 2 2 ... − ⋅ − + − íê ú ý . (3.3.1.18) ê ú f 3 ⋅ 3! 5 ⋅ 5! ïîë û ∆f û ∆f ïþ ë

Az integrálást elvégezve és a (3.3.1.15-16) összefüggéseket behelyettesítve a következőt kapjuk:

ì æ πt ö æ πt ö cosç ÷ cosç ÷ ï ∞ 1 ï è n ⋅ ∆t ø è ∆t ø C (t ) = t π (− 1) k +1 − − ⋅ 2 å 2 2 í π π 2π τ ï k =1 ïî n ⋅ ∆t ∆t

2 k −1

2 k −1

πt ö æ πt ö − æç ç ÷ ÷ è ∆t ø è n ⋅ ∆t ø (2k − 1) ⋅ (2k − 1)!

ü ïï ý. ï ïþ

(3.3.1.19)

A korrelációs függvényt t = i ⋅ ∆t , i = [1...n] lépésközönként számítjuk ki: 2 k −1 ü ì 2 k −1 æ πi ö æ πi ö cos n t i ⋅ ∆ ⋅ − π ( ) ç ÷ ç ÷ ïï ï ∞ 1 ï k +1 è n ø ∆t ⋅ cos(πi ) ènø C (i ⋅ ∆t ) = 2 2 í − − 2πi ⋅ ∆t ⋅ å (− 1) ý . (3.3.1.20) π π (2k − 1) ⋅ (2k − 1)! ï 2π τ ï k =1 ïþ ïî

A fenti összefüggésben a ∆t mintavételezési idő kiemelhető, azaz a korrelációs együtthatók a ∆t mintavételi időtől lineárisan függenek. Ez egyben azt is jelenti, hogy az rk normalizált autokorrelációs függvényben a ∆t mintavételezési idővel egyszerűsíteni lehet. Azaz az

rk =

ck (k ⋅ ∆t ) max[ci (i ⋅ ∆t )]

(3.3.1.21)

i∈[1..n ]

adatsor minden mintavételezési időre azonos értéket vesz fel. Diszkrét inverz Fourier-transzformációt használva a nulla időponthoz tartozó értéket is visszakapjuk, a fenti számítás azonban a t = 0 időre (illetve i = 0 -ra) nem érvényes. Ezt az értéket csak határérték-számítással kaphatnánk meg. Ettől eltekintve a korreláció hasonlóságát bizonyítottnak tekintjük. A továbbiakban vizsgáljuk meg, hogy mi történik, ha egyre nagyobb mintavételi idővel (azaz egyre kisebb mintavételi frekvenciával) végezzük az adatgyűjtést. A mintavételi idő növekedésével a frekvenciaspektrum balra tolódik, azaz a spektrum konstans értékhez kezd közelíteni, aminek következtében a szűrő frekvencialetörési sávja fokozatosan eltűnik a spektrumból. (Ilyet láthatunk, ha a 3.3.1/3. ábra frekvenciaspektrumának felső határfrekvenciáját 0,1 Hz alá visszük.). A jelenséget frekvenciatérben vizsgálva fejtsük Taylor-sorba a szűrő (3.3.1.13) frekvenciaspektrumát. H (ω ) 2 =

1 2 2

1+ω τ

= 1 + 0 ⋅ ω − ω 2τ 2 + 0 ⋅ ω 3 + ω 4τ 4 + ... .

(3.3.1.22)

Ha olyan frekvenciasávot választunk, amelyben ωτ << 1 , akkor a spektrum ebben a frekvenciasávban egyhez közeli értéket vesz fel, azaz a spektrum „kifehéredik”. Ennek az a következménye, hogy az autokorrelációs függvény a nulla pozíció ( r0 = 1 érték) után rögtön igen kis (vagy abszolút értékben kicsi) negatív értékeket vesz fel (lásd 3.3.1/5. ábra), tehát a korreláció jellemzői is a fehérzajhoz közelítenek. (A fehérzajra számított időállandó nulla.) Az időállandó számítása ilyen korrelációs értékekre instabillá válik, mert az átmeneti függvényekben oszcilláció jelentkezik és/vagy a függvények divergenssé válnak. A negatív egységugrás átmeneti függvénye negatív tartományba is átmegy, ami már a logaritmus - 74 -


kiszámításában is problémát okoz. Kisebb mértékű oszcillációk szükségmegoldásként esetleg pontelhagyással kezelhetők. Az optimális mintavételi idő meghatározásához a tényleges időállandó és a mintavételi frekvencia arányának függvényében ábrázoltuk a számított időállandók relatív hibáját (lásd 3.3.1/6. ábra). 50

T=0,90 sec T=0,70 sec T=0,50 sec T=0,30 sec T=0,10 sec T=0,05 sec

Relatív hiba [%]

40

30

20

10

0 0

10

20

30

40

50

60

70

80

90

100

Időállandó / Mintavételi idő

3.3.1/6. ábra. Modellezett időállandók számított értékeinek relatív hibája a tényleges időállandó és a mintavételi idő arányának függvényében Az ábráról leolvasható, hogy a modellezési feltételek mellett az optimális mintavételi idő minden időállandónál az időállandó tizennyolcad része, azaz az adott feltételek mellett azonos. Az időállandó függése a modell rendjétől

A modellrend növekedésével az autoregresszió egyre pontosabban írja le a vizsgált rendszer tulajdonságait. Minél magasabb modellrenddel készítjük el például a jel autospektrumát, annál finomabb részletek jelennek meg benne, azaz az autoregressziós spektrum az FFT spektrumot egyre jobban kezdi megközelíteni. Az időállandó számításához nem szükséges, sőt zavaró a jel minél pontosabb modellezése, ehelyett elegendő a jel alaptulajdonságainak a leírása. A modellrend megválasztásának hatását az időállandó számításának eredményére a 3.3.1./7. ábrán mutatjuk be. 1.4

T=0,90s; ST=50,0ms T=0,70s; ST=35,7ms T=0,50s; ST=27,8ms T=0,30s; ST=16,7ms T=0,10s; ST=5,56ms T=0,05s; ST=2,50ms

1.2

Időállandó [sec]

1 0.8 0.6 0.4 0.2 0 0

5

10

15

20

25

Modellrend

3.3.1/7.ábra. Optimális mintavételezési idővel számított időállandók a modellrend függvényében Az ábrán látható, hogy a számítás szempontjából ideális tulajdonságú adatsoroknál – a modellrend feltüntetett tartományában – a számított időállandó a jelmagyarázatban feltüntetett pontos érték 15%-os környezetében váltakozik. Az időállandó hármas modellrendnél közelíti meg legjobban a pontos értéket, ez egybeesik az AIC-vel kapott optimális modellrenddel. Valós adatsoroknál probléma lehet, hogy az AIC által visszaadott adatsor a minimumhely körül ellaposodik, emiatt nehezebben határozható meg az optimális modellrend. Felvetődik az is, hogy olyan mért idősorok esetén, melyekben más folyamatok

- 75 -


hatásai (és időállandói) is jelen vannak, az AIC-vel meghatározott optimális modellrend nem feltétlenül optimális az időállandó meghatározására. Az időállandó számításának ellenőrzése mért adatsorokon

A módszer gyakorlati teszteléséhez egy 0,6 sec időállandójú rendszeren (RC körön) fehérzajt vezettünk át. A kijövő jelet különböző mintavételi időkkel digitalizáltuk. Az adatgyűjtést 0,01 Hz-es felüláteresztő szűrő közbeiktatásával készítettük. A vizsgálatot az alacsonyabb mintavételi idejű méréseknél a szűrő kiiktatásával is végrehajtottuk. A számításokat az idősorokból készített autokorrelációs függvényeken végeztük el. Ezek eredményét a 3.3.1/9. ábra mutatja be.

0,7

Időállandó [sec]

0,6 0,5 0,4 0,3 0,2 T=0,6 sec; HP=0,01 Hz

0,1

T=0,6 sec; HP sz. nélkül

0 0

20

40

60

80

100


3.3.1/9. ábra. Mért adatsorokból számított időállandók a mintavételi idő függvényében Az ábrán jól látható, hogy a görbe fő vonulata jelentős mértékű egyenetlensége ellenére hasonló a numerikus szimulációval kapott görbékhez. A feldolgozás tapasztalatai szerint a görbe egyenetlensége elsősorban az AIC alapján számított optimális modellrendből származik. (A modellrend választásának függvényében 10-15%-os eltérések adódtak.) Másodsorban az okozza, hogy a mérőrendszer aluláteresztő szűrője csak meghatározott értékekre állítható, és a beállított érték nem mindig esik egybe a mintavételi frekvencia által megkövetelt értékkel. Az ábra jól demonstrálja, hogy ha a felüláteresztő szűrő levágási sávja eléri a spektrum első vonalait, akkor a számított időállandókra kisebb értékek adódnak. Ez figyelhető meg 25 ms-tól, ahol a görbék elágaznak. 3.3.1.3. Konklúzió

A tesztelési eredmények alapján megállapítható, hogy az időállandó meghatározásának módszere kellő körültekintéssel, csak a megfelelő modellrend és a mérendő időállandóhoz optimalizált mintavételezési idő meghatározása mellett használható. A módszert pontatlansága ellenére is érdemes használni, mivel az időállandó becslését a mérőrendszer megbontása nélkül, a jel ingadozó komponensének felhasználásával teszi lehetővé. A valósághoz közel álló eredmény érdekében a gerjesztőzaj spektrumát is figyelembe kell venni. Az időállandó számításának szempontjából optimális modellrend meghatározására és a nem fehér bemenő zajoknak a számított időállandóra gyakorolt hatásának tisztázására azonban még további vizsgálatok szükségesek.

- 76 -


3.3.2. Spektrumvizsgálatok Az idősorok vizsgálata mellett jelentős szerepet szánunk a frekvenciatartományban történő vizsgálatoknak is. Ebben az esetben az idősorokhoz képest egy lényegesen kisebb adathalmazunk van, nevezetesen a jel spektruma. Mint a 2.4. fejezetben már említettük, a spektrumokat generáló algoritmusok többfélék lehetnek. (A spektrumot leggyakrabban diszkrét Fourier-transzformációval határozzuk meg, de lehetőség van más módszerekkel, pl. UAR, MAR vagy ARMA modellekkel való számolásra is.) A vizsgálat szempontjából legkézenfekvőbb jellemző a spektrum alakja, vagyis a frekvenciagörbe menete. Azt, hogy a vizsgálat tárgyát képező görbe alakjában egy szakértő milyen jellegzetességet lát, vagy miképpen különbözteti meg azt egy másik görbétől, igen nehéz a matematika nyelvén általánosan megfogalmazni. Ez egy alakfelismerési probléma, amelynek megoldására nagy intenzitással folynak a kutatások. Az alakfelismerés, illetve osztályozás ígéretes eszközei a mesterséges neurális hálózatok vagy neurális hálók (artificial neural networks). A továbbiakban a neurális háló kifejezést használjuk. A dolgozatban nem bocsátkozunk a neurális hálók elméletének részleteibe, hanem a módszer alkalmazási lehetőségeit egy kész neurális háló segítségével vizsgáljuk meg. 3.3.2.1. Neurális háló

Egy rendszer állapothatározóiban beállt változások kimutatására a rendszert leíró pontos modellekre vagy megfelelő szakértői tudásra van szükség, amely tudás mibenlétét esetenként nehéz pontosan körülhatárolni, és még nehezebb automatikusan döntést hozó algoritmusokra lefordítani. A neurális hálókat éppen az tette vonzóvá, hogy a változások észrevételéhez nincs szüksége a mögöttes technológia fizikai modelljére, hanem csak a normálállapotok megtanulására. (A reaktor folyamatváltozóinak minősítésére jól működő neurális háló alkalmazást készített P. Fantoni és A. Mazzola a Halden Reactor Project keretében [49].) Az ipari alkalmazásoknál a neurális hálók tréningje mindenképpen nehezebb feladat, mint pl. a karakterfelismerésé. (Amíg pl. egy postai feldolgozóban tetszőleges számban lehet a legkülönbözőbb kézírással írt számokhoz, illetve betűkhöz jutni, addig egy nagy ipari berendezés a normális működési tartományának is csak egy szűk sávjában mozog, és ezen aligha változtatnak egy neurális algoritmus tanítása érdekében.) Bizonyos esetekben a neurális háló azon előnye, hogy nem tartalmaz fizikai modelleket, egyben hátránya is, mivel így tudását a tanítási folyamat alapossága határozza meg, ez pedig magában hordozza a tévedés lehetőségét is. Az eljárással szemben idegenkedést válthat ki, hogy a módszer döntési folyamata az ember számára nem áttekinthető. Ennek ellenére ott, ahol egy esetlegesen téves ítéletnek nincs súlyos következménye, a módszer nyugodtan alkalmazható. Tapasztalatszerzés céljából megvizsgáltuk, hogy a neurális háló mennyire alkalmazható zajspektrumok osztályozására. A vizsgálat eredményét a következő fejezetben foglaljuk össze. A minősítés alapgondolata: A neurális hálóval egy spektrumosztályozást végzünk, melynek során a hálót megtanítjuk a különböző jeltípusok spektrumainak – esetleg még a jeltípuson belüli alosztályoknak – a felismerésére. Ezt követően a minősíteni kívánt jel spektrumát bevisszük a neurális hálóba. Egyszerű alkalmazásnál a neurális háló a bevitt spektrumra egy típusazonosítóval válaszol. Ha ez a visszaadott spektrumazonosító nem egyezik meg a spektrumtípus azonosítójával, akkor a jelet hibásnak minősítjük.

A neurális háló alkalmazásával kapcsolatban az a fő probléma, hogy nehéz nagy szoftverrendszerekhez kapcsolható, gyors, megbízható neurális háló szoftverhez jutni. Bár a neurális hálóval a spektrum egyedi tulajdonságai is megtaníthatók, célszerű egyéb vizsgálati módszereket is alkalmazni, hogy a lehető legtöbb módszerre támaszkodhassunk. A 3.3.2/1. ábrán példaként egy jó és egy elektronikailag részlege-

- 77 -


sen meghibásodott jel spektruma látható. A neurális hálótól azt várjuk, hogy az ilyen mértékű eltéréséket már biztonsággal megkülönbözteti. 1e-06 't3.527' 't3.522'

1e-07

nAPSD

1e-08 1e-09 1e-10 1e-11 1e-12

0

5

10

15


35

40

45

50

3.3.2/1. ábra. A grafikonon egy olyan termoelemjel spektruma (vastagabb vonal) látható, amely egy másik mérésben jeltovábbítási probléma (szakadásos idősor) miatt jelentősen eltorzult (vékony vonal) 3.3.2.1.1. Neurális háló gyakorlati alkalmazása spektrumosztályozásra

A vizsgálatot egy kereskedelmi forgalomban kapható termékkel végeztük el. (Ezzel a tapasztalatszerzés egyszerűbbnek ígérkezett, ugyanakkor az így megszerzett tudás lehetővé teszi egy jobb megoldás későbbi kidolgozását.) A neurális hálók elméletével és gyakorlati alkalmazásával számos szakkönyv és szakcikk foglalkozik (ld. [95]), ezért ezek részleteit nem tárgyaljuk. A lehetőségeket számba véve a választásunk a GERENIA Shell szoftverre esett. A választott rendszer az ún. Classitron modellre épül [96]. Ez a többrétegű perceptron továbbfejlesztett változata, a következő változtatásokkal: nem kell előre definiálni az architektúrát, az architektúra a tanítási folyamat alatt dinamikusan épül ki, egyetlen neuronnal indul, csak a minimálisan szükséges neuronszámot tartalmazza.

Az utolsó pontban leírt tulajdonság következtében a háló rendkívül gyors. Ennek elérésére egyrészt a kiépülő struktúrában mindazon kapcsolatok, amelyek egy adott határ alatt lévő súllyal vesznek részt, lebomlanak. Másrészt, ha egy neuron minden kapcsolatát elveszíti, törlődik az architektúrából. Ilyen módon elérhető, hogy csupán azok a neuronok maradnak meg, amelyek ténylegesen részt vesznek a feldolgozásban. A neurális hálók hatékony működésének egyik legfontosabb feltétele – és egyben a beüzemelési munka első feladata – a háló megfelelő tréningje. Ennek a munkának az első lépése a tanuló-adatbázis összeállítása, melynek során a különféle szempontok szerint összeválogatott spektrumokat – a neurális háló bemeneti specifikációihoz igazodó – egész értékű mintasorokká kellett átalakítani. 3.3.2.1.2. A tanuló- és tesztadatbázis létrehozása

A rendelkezésre álló méréseket átvizsgálva – a neurális hálón folytatott kísérleteinkhez – választásunk egy VVER-1000 reaktorból származó digitális mérési adatokra esett, mivel ezek a vizsgálat idején a paksi VVER-440-es mérésekhez képest nagyobb mennyiségben és jobb minőségben álltak rendelkezésünkre. Egyedileg megvizsgálva a rendelkezésünkre álló 22 mérés hozzávetőleg 1300 spektrumát, a kifogástalannak talált spektrumokból – hét csoportra osztva – 750 spektrumot tartalmazó adatbázist

- 78 -


válogattunk össze. (A válogatás során – a hibás vagy téves adatok kiszűréséhez – a spektrumok szakértői vizsgálatát is el kellett végezni. Ennek részleteit a 3.3.2.2. fejezetben ismertetjük.) A csoportokon belül egy tanuló- és egy tesztadatbázist hoztunk létre (lásd 3.3.2/1 táblázat). N° 1 2 3 4 5 6 7

Típus In-core neutron Ex-core neutron Huroknyomás Termoelem X csoport rezgés Hurok rezgés Be- és kimenő nyomás

Azonosító IN EN LP TC GV LV IP

Tanulás 150 60 30 48 10 7 13

Felismerés 195 78 39 65 52 3 0

3.3.2/1. táblázat. Spektrumtípusok a hozzájuk rendelt azonosítókkal, valamint a tanulásra és felismerésre előkészített minták számával. (Az in-core neutron az SPND detektorokat, az ex-core neutron pedig az ionizációs kamrákat jelöli.) A kísérleti mintasorhoz a reaktoron mérhető tipikus zajjeleket válogattuk össze. A legnagyobb számban a zónán belüli neutrondetektorok (SPND detektorok) spektrumait használtuk. (Megjegyezzük, hogy a zónán belüli láncoknál lehetőség nyílt annak kipróbálására is, hogy a neurális háló hogyan mutatja ki az egyes láncok közötti kisebb különbségeket.) A második legnagyobb csoportot az ionizációs kamrák jelei képezik, amelyeknek a spektrumai általában jellegtelenek, frekvenciacsúcsoktól mentesek. A harmadik csoportként kiválasztott huroknyomás-spektrumok általában markáns frekvenciacsúcsokat tartalmaznak, és jellegükben erősen eltérnek a neutronjelek spektrumaitól. A negyedik nagyobb csoportot a termoelemjelek képezik. Ezeknek a legnagyobb az alaki hasonlósága a neutronjelekhez, legalábbis a tesztadatbázisban. Az adatbázisba bevett többi adatsor rezgés- és nyomásjel, melyek elsősorban a típusválaszték bővítését szolgálják. A kiválasztott spektrumok változatossága lehetővé teszi, hogy a neurális háló képességeit típusok közötti különbségek és hasonlóságok kimutatásában egyaránt próbára lehessen tenni. Az összeválogatott adatok a jelek DC értékére normált 512 spektrumvonalból álló frekvenciaspektrumok, amelyekben az első spektrumvonal értéke 0,098 Hz, az utolsó pedig 50 Hz. A spektrumok közös jellegzetessége a mindegyikben egyaránt jelen lévő 40 Hz-es frekvencialetörés, amit a mérőrendszer aluláteresztő szűrője okoz. A minták általános jellegzetességének megismerésére a 3.3.2/2. ábra négy grafikonján bemutatjuk a táblázat első négy spektrumtípusának alakját 40-40 spektrum együttes ábrázolásával. A grafikonon jól látható a reaktorok spektrumait jellemző (a kezdeti szakaszon meredeken csökkenő, majd stagnáló) frekvenciamenet. (Ez a hasonlóság várhatóan csökkenti az osztályozás sikerességét.) A grafikon függőleges tengelye mentén a spektrumok logaritmikus léptékűek. Az ordinátaskála azért nincs feltüntetve, mert minden egyes spektrum a saját minimális és maximális értékének skálája szerint lett ábrázolva, ez pedig a függőleges tengely mentén minden spektrumra más és más.

- 79 -


3.3.2/2. ábra. Összefésült spektrumok A választott lineáris-logaritmikus ábrázolás a zajdiagnosztikai elemzések szokásos megjelenítési módja, mert tapasztalataink szerint a spektrumok diagnosztikai értékű jellegzetességei ilyen skálázás esetén láthatóak a legjobban. Ugyanis lineáris ordinátaskála alkalmazása esetén a neutronzaj-spektrumok kezdeti szakaszának meredek, logaritmikus csökkenése miatt néhány frekvenciavonal után a spektrumvonalak értékei nagyon kicsivé válnak, ezért a spektrum részletei már nem vehetők ki. Kézenfekvő, hogy akárcsak a szakértőt, úgy a neurális hálót is olyan spektrumokkal lássuk el, amelyeknél a típusok jellemző tulajdonságai hangsúlyozottabban jelennek meg. Ahhoz, hogy a spektrumokat a neurális háló szoftver bemenő adatává alakíthassuk, a spektrumértékek logaritmusát ugyanabba az intervallumba transzformáltuk úgy, hogy a minimális és a maximális értékek minden egyes spektrum esetén az intervallum végpontjaiba kerüljenek. Ezt két dolog miatt tehetjük meg. - Az egyik, hogy a zajdiagnosztikai célra használt reaktorspektrumok fokozatosan csökkenve 4-8 nagyságrendet ölelnek át. (Ez azért fontos, mert a közel konstans értékű spektrumok minimális és maximális érték közötti ábrázolása – a véletlenszerű ingadozások miatt – az esetek nagy részében gyakorlatilag áttekinthetetlen.) - A másik ok, hogy azonos felépítésű, jó mérőláncok esetén a minimális értékek – az aluláteresztő szűrő miatt – a mérési alapzajra esnek, ami jeltípuson belül gyakorlatilag azonos. A maximális értéket pedig a legtöbb jelnél a DC érték és az aluláteresztő szűrő paraméterei határozzák meg, ami típusonként szintén hasonló. (Természetesen ezek az értékek többszörösen eltérhetnek egymástól, de az ábrázolt spektrumok hat nagyságrendet felölelő dinamikája mellett ez nem tekinthető jelentősnek.) A transzformáció javára írható, hogy eltünteti a kampány során fellépő, de normálisnak tekinthető fokozatos zajszintnövekedést, valamint azokat a normálási, illetve mérési pontatlanságokat is, amelyek (pl. az SPND detektorok esetén) a detektor prompt válaszának eltéréséből adódhatnak. Az adatok átalakítására egy másik lehetőség, hogy a minimális értéket vesszük alapul, és ehhez viszonyítva ábrázoljuk az adatokat, de ezen kívül még sok egyéb megoldás is elképzelhető. Azonban mindkét adatátalakítási megoldás esetén egyaránt lényeges, hogy minden spektrumnál azonos transzformációt kell alkalmazni, méghozzá lehetőleg olyat, amely a típuson belüli hasonlóságot és a típusok közötti különbségeket egyaránt kiemeli.

- 80 -


A grafikonokat vizsgálva a minták transzformálásából származó alaki hasonlóság miatti tévesztést az SPND detektorjelek és a termoelemjelek között várhatunk. A transzformációt a gyakorlatban a következőképpen hajtottuk végre. A GENERIA Shell neurális hálóban egy mintát egy típusazonosítóval és legfeljebb 79 egész számmal lehetett jellemezni. A kísérletekhez az adatbázis spektrumait a háló bemenő adatformátumának eleget tevő adatsorrá kellett alakítani. Első lépésként az 512 vonalat tartalmazó spektrumokat nyolc-nyolc egymást követő adat összeadásával 64 vonalas spektrumokká alakítottuk át. Az így kapott spektrumvonalak értékeinek logaritmusát a [0,100] intervallumba normáltuk, majd egész értékűre kerekítettük. A spektrumok átalakítására a 3.3.2/3. ábrán mutatunk be egy példát. 100 Kiindulási spektrum Kondenzált spektrum

E -7

90 80

nAPSD

E -8

70 60

E -9

50 40

E-10

30 E-11

20 10

E-12

0 0

10


40

50

3.3.2/3. ábra. Tipikus 512 vonalas in-core neutronspektrum (bal skála) és vastag vonallal a neurális háló bemeneti követelményeihez átalakított, 64 elemet tartalmazó adatsor (jobb skála) A 3.3.2/3. ábrán látható, hogy bár a tömörítéssel (a spektrumvonalak nyolcankénti összeadásával) a spektrum finomabb részletei elvesznek, fő tendenciája megmarad. 3.3.2.1.3. A neurális háló tanítása

A bemenő adatok előállítása után a neurális háló tanítását végeztük el. Ennek során a tanulóciklusokat, azaz a mintafájl beolvasását addig ismételtük, amíg a háló minden mintát sikeresen osztályozott. Helyes tanulóminta használata esetén az osztályozás statisztikája folyamatosan javul, azaz egyaránt csökken a tévesztések, bizonytalanságok, és az osztályba nem sorolt esetek száma (lásd 3.3.2/4. ábra). 1,00

helyes/összes

0,80

0,60

0,40

0,20

0,00 1

2

3

4

5

6

7

Tanulási ciklus

3.3.2/4. ábra. Az osztályozás helyességének alakulása a tanulási ciklus függvényében Rosszul kiválasztott, ellentmondásosan összeállított tananyag nem, vagy csak nagyon rossz hatékonysággal dolgozható fel, azaz a betanítás alatt az osztályozás statisztikája a tanulási ciklusok során romlik. Ez akkor fordul elő, ha a kiválasztott osztályok átfedik egymást. A GENERIA használatakor a hibás - 81 -


tananyagra két tény figyelmeztet. Az egyik a már említett statisztika romlása. A másik, ennél közvetlenebb jelzés a felhasznált neuronok számának alakulása. Ugyanis hibás, ellentmondó tanulóminták alkalmazásakor a tanítási ciklusok során a kiépülő neuronszám ugrásszerűen megnövekszik. (A tanítási folyamat vizsgálatával részletesebben a [97] irodalom foglalkozik.) 3.3.2.1.4. A spektrumfelismerés

A háló spektrumfelismerési képességének kipróbálására más időpontban, kismértékben eltérő reaktorállapotok mellett készített méréseket használtunk fel (lásd 3.3.2/2. táblázat). N° 1 2 3 4 5 6

Típus In-core neutron Ex-core neutron Huroknyomás Termoelem X csoport rezgés Hurok rezgés

Azonosító IN EN LP TC GV LV

Azonosításra 195 78 39 65 52 3

Felismert 183 64 39 40 28 3

[%] 94 82 100 62 54 100

3.3.2/2. táblázat. A spektrumfelismerés eredménye A táblázatból látható, hogy a neurális háló a spektrumok felismerését sikeresen hajtotta végre. Pl. a 195 in-core neutron spektrumból 183-at helyesen ismert fel. A vizsgálat eredménye azt mutatja, hogy a többitől jól megkülönböztethető, egyedi jellegzetességgel rendelkező spektrumtípusokat (pl. huroknyomás, ld. 3.3.2/2. ábra) a háló 100%-os biztonsággal ismerte fel. A tévesztések általában annak tudhatók be, hogy a rosszul felismert spektrumok (illetve a spektrumokból készített minták) alakja nagyon hasonlít valamely más osztálybeli spektrumok alakjára. Ez is azt mutatja, hogy mennyire fontos a spektrumok transzformálását úgy elvégezni, hogy az egyes típusokhoz tartozó minták különbözősége a lehető legnagyobb legyen. 3.3.2.1.5. A neurális háló alkalmazási próbájának összefoglalása

A perceptron alapú neurális hálóval folytatott kísérleteinkben jó eredménnyel sikerült spektrumosztályozást végezni [97]. A kísérlethez egy tanuló- és egy tesztadatbázist állítottam össze. Az 512 vonalas spektrumot 64 vonalas spektrummá vontam össze, majd a kompresszált spektrum vonalainak értékeit logaritmálás után a 0 és 100 közötti egész számok halmazára vetítettem. Az így készített mintát (egész értékeket tartalmazó vektort) adtuk meg a neurális háló inputjaként. 3.3.2.2. Tapasztalati (szakértői) spektrumvizsgálat

Ez a vizsgálati módszer a spektrum bizonyos tartományainak és néhány jól meghatározható jellemzőjének az elemzését jelenti (ld. 3.3.2/4. ábra). A tapasztalati spektrumvizsgálatok közül néhány: • White tail. A reaktorzónából származó jelek döntő része fokozatosan ereszkedő–csökkenő jellegű.

Bizonyos elektronikai meghibásodások, az erősítők elzajosodása stb. a spektrumok második részének (farok vagy white tail: a spektrum azon része, ahol a reaktorzaj már az egyéb zajok alá csökken) a megemelkedéséhez vezetnek. A 3.3.2/5. ábrán erre láthatunk példát. Megjegyezzük, hogy ezt a megemelkedést az egyéb módszerek általában nem értékelik hibaként. Algoritmikus úton lehetőség van a háttér (white tail) emelkedésének felismerésére is. A hiba forrása elektronikus zajok felerősödése, szűrőmeghibásodás stb. lehet. (A 3.3.2/4. ábra esetében a white tail sávba eső szűrőletörés miatt a white tail helyett inkább a pink tail (rózsaszín farok) elnevezés lenne helyesebb.) - 82 -


1e-06 1e-07

Primerköri állóhullám csúcsa

nAPSD

1e-08

"uda1.26p"

Állandó technológiai zaj

Szűrő letörés

1e-09 1e-10

Plató

1e-11 1e-12

RMS

0

5

2

White tail

10

15


35

40

45

50

3.3.2/4. ábra. VVER-1000-es reaktor SPND zajspektruma a fontosabb spektrumtartományokkal. A szűrő letörési frekvenciája ebben a spektrumban a paksi spektrumokhoz képest jobban megfigyelhető 1e-06 "e3.489" "e3.48p"

1e-07

nAPSD

1e-08 1e-09 1e-10 1e-11 1e-12

0

5

10

15


35

40

45

50

3.3.2/5. ábra. SPND spektrum fehérzaj-tartományának megemelkedése (szaggatott vonal) az elektronika elzajosodásának következtében •

Csúcseltűnés. Bizonyos technológiai és elektromos zajok állandóan jelen vannak a spektrumokban. Ezek az esetek nagy részében jól meghatározható helyen, stabilan jelentkeznek, és jelentős amplitúdóval rendelkeznek, mint pl. – a főkeringető-szivattyú lapátfrekvenciája (25 Hz), – a hálózati 50 Hz, – primerköri állóhullám, impulzusvezeték sajátfrekvenciái (a nyomásspektrumokban).

Ezek igen keskeny sávú, harmonikus zajok. Amennyiben a detektor jeléből ezek a jelek eltűnnek, akkor valamilyen hibára (pl. a detektor leszakadására, erőteljes háttérnövekedésre) lehet gyanakodni. •

Keskeny sávú, nagy amplitúdójú csúcsok megjelenése. Ezek a hasznos jelre külső forrásokból rárakódó nagyfrekvenciás zajok, amelyek olyan nagy intenzitásúak, hogy az AD konverter LP szűrője nem tudja teljesen kiszűrni őket, ezért az aliasing effektus következtében megjelennek a spektrumban. Példaképpen egy, a szokásosnál lényegesen nagyobb nagyfrekvenciás sugárzást kibocsátó monitor miatt keletkezett csúcsokat mutatunk be a 3.3.2/6. ábrán.

- 83 -


1e-06 "e5.48b" "e5.48g"

1e-07

nAPSD

1e-08 1e-09 1e-10 1e-11 1e-12 1e-13

0

5

10

15


35

40

45

50

3.3.2/6. ábra. Szaggatott vonallal egy olyan SPND spektrumot ábrázoltunk, amelynél a mintavételezés alatt a feldolgozórendszerhez közel egy erősen sugárzó monitor volt. A folytonos vonallal ugyanennek a detektornak a spektrumát látjuk a zavart okozó monitor kikapcsolása után készítve •

RMS (Root Mean Square) érték figyelés. A reaktorzónából származó jel fluktuáló hányadának döntő része a jel alacsonyfrekvenciás összetevőire, azaz a spektrum kezdeti szakaszára (gyakorlatilag annak néhány vonalára) koncentrálódik. (A teljesítményreaktorok átviteli függvényeiről és kísérleti meghatározásáról részletesen Keepin könyvében olvashatunk [12].) Fontos kiemelnünk, hogy ennek kapcsán nem négyzetes, azaz teljesítményspektrumokról, hanem közönséges amplitúdóspektrumokról beszélünk. Az RMS érték figyelési módszer a spektrumok kezdeti szakasza vizsgálatának felel meg. A zajspektrumoknál az amplitúdóértékek nehezen kapcsolhatók össze a kiváltó folyamat intenzitásával, ezért az amplitúdót általában más amplitúdókhoz (mennyiségekhez) viszonyítva és trendként érdemes tanulmányozni. Az RMS érték ennek a kezdeti szakasznak az integrálja. Neutronjelek esetén egy VVER-1000 reaktor zajának RMS értéke a DC jelszint 1 %-át teszi ki, a VVER-440 típusnál az arány ennek a harmada, azaz néhány ezrelék. Az RMS szint figyelését a DC értékek vizsgálatához hasonlóan végezhetjük azzal az eltéréssel, hogy itt a vizsgálatba a jel DC jelszintjének értékét is bevonhatjuk. Megjegyezzük, hogy a spektrum RMS tartományának vizsgálatát – áttételesen – az időállandó alapján történő minősítő eljárás is elvégzi, tehát bizonyos mértékben ez az RMS érték figyelés alternatív módszere.

3.3.3. Koherencia (korreláció) alapú vizsgálat Az eddig bemutatott részvizsgálatok a detektorokat izolált jelforrásnak tekintették. A detektorminősítési módszerek egy másik, bonyolultabb fajtája a kérdéses detektorjelet (illetve a detektort) egy detektorhalmaz egyik elemének tekinti [98]. Ebben az esetben a legkézenfekvőbb az FFT-alapra épülő koherencia(esetleg fázis-) vizsgálatok végzése. A vizsgálat alapját az képezi, hogy a detektorok egy csatolt fizikai rendszert mérnek. Ezért a jelekben jelentős a közös eredetű zajösszetevők intenzitása. A koherenciaspektrum vizsgálata ezen összetevők azonosítását teszi lehetővé. Ismert, hogy a reaktorzónában lévő detektorok jelei a globális fluktuáció miatt a 0–3 Hz tartományban erősen korreláltak [76]. Ez a korreláltság az SPND detektorok jeleiben jól felismerhető [99]. A termoelemek nagy tehetetlenségi ideje miatt a jelenség csak kb. 1 Hz alatt, és csak kis intenzitással figyelhető meg.

- 84 -


A korreláción alapuló eljárás lényege, hogy két jó detektor között – normális körülmények esetén – a globális fluktuáció miatt minden esetben jelentkezik koherencia. A vizsgálat során detektorhalmazokat állítunk fel, melyeken belül páronként kiszámolva a koherenciákat, egy egyszerű szintfigyelési eljárással meghatározzuk azokat a detektorpárokat, amelyeknek a jelei a vizsgált frekvenciatartományban korreláltak. Így a megmaradó nem korrelált jelek valamilyen hibás mérésből származnak. A 3.3.3/1. ábra két SPND detektor közötti koherenciát mutat. A folytonos görbe azt az esetet ábrázolja, amikor mind a két detektor megfelelően működött. Ekkor a koherencia az elmondottaknak megfelelően alakult. A szaggatott vonallal rajzolt görbe azt az esetet mutatja, amikor a kettő közül az egyik detektor mérőlánca meghibásodott. Az ábrából látható, hogy ebben az esetben a koherencia a globális tartományban közel nullára csökkent. 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0

"ca5d5.52e" "ca5d5.4ct"

0

5

10

15


35

40

45

50

3.3.3/1. ábra. SPND koherenciaspektrumok. Folytonos vonallal két jó detektor közötti koherencia látható. A szaggatott vonal azt az esetet mutatja, amikor az egyik mérőlánc meghibásodott Gyakran előforduló hibajelenség az is, hogy az elektronikai láncok valamilyen meghibásodás miatt • jelentősen egymásra hatnak, vagy • valamilyen külső elektronikus zajt szednek fel.

Ekkor a jelek közötti koherencia széles tartományban – esetenként az egész spektrumra kiterjedően – lényegesen magasabb a normális értéknél. (A gerjedések leggyakrabban a spektrumok felső tartományában jelentkeznek.) Ez a jelenség a koherenciaértékekben egy egyszerű algoritmussal felismerhető. A koherencia alapú minősítés gyakorlati megvalósításakor egy olyan adatbázis készítendő, amely a detektorpárok közötti jellemző koherenciákat tartalmazza. Az adatbázis segítségével csak egyidejűleg mért jelek értelmezhetők. Természetesen a koherencia mellett rendelkezésre áll a fázisinformáció is. Ennek felhasználása csupán távlatilag képzelhető el. A fázisinformáció feldolgozását nehezíti, hogy a különböző típusú elektronikai láncok közötti fázisviszonyok nehezen értékelhetők ki. Az ok főleg az elektronikák okozta különböző fázistolásokban keresendő, melyek kompenzációja, illetve figyelembevétele ipari körülmények között nehezen valósítható meg.

3.3.4. Tendenciafigyelés A trendelemzés bizonyos kritériumok alapján kiválasztott és időrendbe állított adatokra támaszkodva egy adott mennyiség, illetve jelenség hosszú távú időbeni viselkedését vizsgálja. Az elemzés alapját az adja, hogy egy viszonylag nagy ingadozású mennyiségben egy kismértékű tendenciózus változás meghatáro-

- 85 -


zott idő elteltével már annyira felhalmozódik, hogy észrevehetővé, kimutathatóvá válik. Ilyen változások történnek pl. anyagfáradás, detektorelhasználódás stb. esetén. A zajdiagnosztikai értelemben vett trend végső soron egy olyan idősor, amelynek viszonylagosan nagy az időléptéke, és amely – részben ezért – viszonylag kevés adatból áll. A változás az ezen idősoron alkalmazott csúszóátlag képzésével (mint a nagy frekvenciájú ingadozások kiszűrésére alkalmazható legegyszerűbb eljárással) mutatható ki. A trendépítés fő nehézsége az időben nagy kiterjedésű és nagyszámú adatot tartalmazó adatbázis létrehozása. Ez azt is jelenti, hogy viszonylag hosszú időnek kell eltelnie, hogy a trendvizsgálaton alapuló módszerek eredményt produkáljanak. Így például ezzel a módszerrel kampányfüggő mennyiségek kampány elején nem vizsgálhatók, hanem csak az előző kampányhoz hasonlíthatók. A tendenciavizsgálatokat a tudomány számos területén és szinte minden hosszabb zajdiagnosztikai méréssorozat kiértékelésekor is alkalmazzák. (Trendelemzési példákkal elsősorban a rendszerelváltozások vizsgálatával kapcsolatban rendelkezünk. Az eljárás szempontjából abban azonban nincs különbség, hogy a vizsgálat a mérőrendszer paramétereinek vagy egy rendszer állapothatározóinak a figyelésére vonatkozik-e.) Egy számított mennyiség tendenciavizsgálatára a hűtőközeg-sebesség meghatározása kapcsán mutatunk be egy jellegzetes példát (lásd 3.3.4/1. ábra).

3 ,6 0 3 ,4 0

1 5. kam p án y

14 . k am pán y

3 ,2 0

[m/sec]

3 ,0 0 2 ,8 0 2 ,6 0

R eferen cia oldal C sö kk en t fo rg alm ú o ld al

2 ,4 0 2 ,2 0 2 ,0 0 9 7 .09 .2 7

9 7 .1 1 .16

9 8.0 1 .0 5

9 8 .0 2 .24

9 8.0 4 .1 5

9 8 .0 6.0 4

D átu m

3.3.4/1. ábra. A referencia- és a csökkent forgalmú csatornák átlagos hűtőközeg-sebességének a trendje Az ábrán a reaktorzóna két felén mért átlagos hűtőközeg-sebesség tendenciája látható. A grafikonon jól nyomon követhető, hogy a sebesség-aszimmetria a kampány folyamán megmaradt, illetve kis ingadozások mellett valamelyest növekedett. Ez az aszimmetria a következő kampány indításakor megszűnt, azaz az aszimmetriát kiváltó okot az átrakás során sikerült megszüntetni. A statisztikai jellemzők tendenciájának leggyakoribb fajtája az idősorok FFT spektrumainak a vizsgálata. A trendépítésnek frekvenciaspektrumok vizsgálatára való alkalmazására két lehetőség kínálkozik: Frekvenciacsúcs eltolódásának figyelése. Bizonyos folyamatok frekvenciái olyan jól meghatározható mennyiségek, amelyeknek (a frekvenciaspektrumokban gyakran csúcs formájában megjelenő) mért értéke független a mérőrendszer átviteli jellemzőitől. Ezért hibadetektálás terén csúcseltolódás-figyeléssel jó eredményeket lehet elérni. Ilyen módszerrel egy KWU gyártmányú 1300 MWe PWR-en a „zónatartó zsámoly” fellazulását sikerült időben észlelni (lásd 3.3.4/2. ábra). A vizsgálat eredményét a rendelkezésünkre bocsátott mérési adatokon elvégzett saját elemzéseink is megerősítették. A spektrum valamely tartományának vagy csúcsának az amplitúdójában bekövetkező változás figyelése. Bár a spektrumvonalak amplitúdóinak egy részéhez még ma sem tudjuk mennyiségileg hozzárendelni a mögötte lezajló eseményt, a relatív változások mégis fontos jelentéssel bírnak. Az amplitú-

- 86 -


dóváltozás-figyelés menete vázlatosan a következő. Méréssorozatokkal feltérképezzük a rendszer normálállapotát, majd a továbbiakban ezen állapothoz viszonyítjuk a változások mértékét. Gyakran azonban csak tapasztalatilag dönthető el, hogy a fellépett rezgés mértéke meghaladja-e a biztonságos mértéket. Egy kiemelten fontos területen, a zónatartó kosár mozgásának monitorozása kapcsán már sikerült olyan módszert kidolgozni, amellyel a mozgás mértéke a zónán kívüli neutronjelekből számszerűen meghatározható. Meg kell azonban jegyezni, hogy a magnitúdótrend-vizsgálat a frekvenciatrend-vizsgálatoknál kevésbé hatékony módszer, mivel a spektrumcsúcsok mért amplitúdója sokkal több paramétertől függ.

Riasztási küszöb Frek. [Hz] Javítás előtt

Javítás után

Dátum

3.3.4/2. ábra. KWU 1300 MWe reaktor zónatartó-szerkezetének rezgése az idő függvényében [7] Összefoglalásként megállapítható, hogy a tendenciaelemzés a diagnosztikai vizsgálatok egyik fontos, általános vizsgálati eljárása.

3.3.5. Műszeres detektorvizsgálat Az előerősítő előtt megbontva a mérőláncot a detektorok néhány tulajdonsága műszerrel közvetlenül vizsgálható. Az elektronikai mérőláncok megbontása biztonsági okokból sok erőműben nem elfogadott, bár a technikai lehetősége adott. Ugyanis kellően szeparált mérőláncok esetén gyakorlatilag nem fordul elő, hogy az összes mérőlánc meghibásodjon a beavatkozás következtében, a vezérlőrendszerek pedig néhány lánc kikapcsolását el tudják viselni. Rendszeres műszeres méréseket neutrondetektorokon a VVER-440 és – a nyugati típusok közül tudtunkkal – a kanadai CANDU reaktorokon végeznek [100]. A műszeres mérések főleg a detektor ellenállásának a meghatározására szorítkoznak. A CANDU reaktoroknál a neutrondetektorokat a mérés alapján akkor minősítik rossznak, ha az ellenállásuk kisebb mint 100 KΩ. (Ez az érték természetesen gyártmánytól függ.) Nyilvánvaló, hogy ha az ellenállás értéke túl nagy (például néhányszor 10 MΩ), akkor szakadásgyanús a detektor. A paksi reaktorokon régebben néhány hónapos gyakorisággal történtek detektorellenállás-mérések a következő műszaki megoldással. A neutrondetektorok áramkörébe egy 1 MΩ-os ellenállás van sorba kötve, amelyet normálüzemben egy kapcsoló zár rövidre (ld. 3.3.5/1. ábra). A detektorellenállás meghatározása a zárt és a nyitott kapcsolóálláshoz tartozó detektoráramok összevetésével történik (ld. a VERONA felhasználói kézikönyvét [101]). A detektor ellenállását a 3.3.5/1. ábra alapján a következőképpen kapjuk:

- 87 -


DETEKTOR

MŰSZER

iΦ

1 MΩ

iR

R

d

R

iRs

m

R

d

s

mV

3.3.5/1. ábra. Az SPND detektor ellenállásának meghatározása üzem közben A detektor által leadott áram

iΦ = iRd + iRS .

(3.3.5.1)

A műszerünk söntellenállásán átfolyó áram

iRs =

Rd ⋅ iΦ . Rs + Rd

(3.3.5.2)

Ha a kapcsolót felnyitjuk, akkor az áramkörbe sorosan bekerülő mérőellenállás hatására a műszer által mért áram a következő értékre változik: iR′ s =

Rd ⋅ iΦ Rs + Rm + Rd

.

(3.3.5.3)

Mivel a mérőrendszer söntellenállása az áramkör többi ellenállásához képest elhanyagolható, azaz

Rs << Rm , a két mérési eredmény arányából a detektor ellenállására a következő egyszerű összefüggés származtatható:

Rd =

(

Rm ⋅ i R′ s − Rs i Rs − i R′ s i Rs − i R′ s

) ≅ i′

Rs

⋅ Rm

i Rs − i R′ s

.

(3.3.5.4)

Ebből látható, hogy a kapcsoló pillanatnyi felnyitásával a detektor ellenállása egyszerű számítással meghatározható. (A mérés menete a következő: A reaktor egy stabil állapotában megmérik a detektorok áramát. Ezt követően felnyitják a kapcsolót, és ismét megmérik az áramot. A két áramértékből és a bekötött Rm ellenállás értékéből a detektor szigetelési ellenállása a (3.3.5.4) képlettel már kiszámolható.) A Pakson alkalmazott SPND detektoroknál néhány száz kΩ-os érték alatt tekintik a detektort rossznak. A minősítési eljárás megalkotható naprakész mérési eredmények nélkül is. Elég, ha valamilyen korábbi mérési eredményt vagy csak az átrakás idején mért értékeket használjuk fel, esetleg az effektív napok függvényében korrigálva (csökkentve). Ha ismerjük, hogy a detektor hány effektív napot töltött a reaktorban, valamint a detektort ért fluenciát, és a gyári paramétereket is, akkor nemcsak a detektor állapotát tudjuk megbecsülni, hanem akár a várható élettartamát is.

- 88 -


4. A kombinált jelhitelesítési eljárás Az eljárás több, egymástól többé-kevésbé független, önálló módszer integrálásán alapul. Minden egyes módszer ad egy értékelést a kérdéses jelről. Ezeket az értékeléseket egy döntési rendszer egyesíti, amely egy átfogóbb, több szempontot figyelembe vevő ítéletet alakít ki. Ez a döntési rendszer többféle lehet, például • egyszerű többségi, • Bayes-alapú, • fuzzy, • kevert (az előzőek kombinációja) stb.

A jel hitelesítésére több megközelítési lehetőség kínálkozik, nevezetesen amikor a kérdéses detektort • izoláltan, • több detektorral együtt, • a tendenciális változások figyelembevételével vagy • az előzőek valamely értelmes kombinációjaként

vizsgáljuk. A felsorolt szempontokat szem előtt tartva a fejezet további részében az egyedi minősítési eljárások rendszerbe foglalásával egy kombinált minősítési eljárást építek fel.

4.1 Az egyszerű döntési módszereken alapuló minősítési struktúrák és kiértékelésük Az elemi döntési, illetve kiértékelési eljárások által adott értékeléseket a végső minősítés kialakításához összegezni kell, így végeredményként – várakozásaink szerint – nagyobb megbízhatóságú eredményt kaphatunk a jel állapotára. A különböző módszerekkel végzett kiértékeléseket e célból egy fastruktúrába rendezzük. Az elemi kiértékelési mechanizmusok a fa levelein helyezkednek el. Az általuk szolgáltatott ítélet egy olyan számérték, amely a vizsgálat tárgyát képező jelenség jó vagy rossz megítélését, illetve ezek árnyalatait tükrözi. A kiértékelési struktúrától nem várjuk el, hogy a végső minősítés kialakításában minden egyes vizsgálat mindig részt vegyen. Egy módszer értékelésből való átmeneti elhagyásának számos oka lehet: pl. az adott módszer csak bizonyos feltételek megléte esetén képes döntést hozni; csak meghatározott körű és számú módszert akarunk alkalmazni; a kihagyott eljárás hibás, nem vált be vagy még nem készült el stb. Esetleg a rendszert fokozatosan akarjuk bővíteni új módszerek, eljárások bevonásával. Nyilvánvaló, hogy a döntésben részt vevő ítéletalkotó (egymásnak nem ellentmondó) módszerek száma befolyásolja a végső értékelés megbízhatóságát. Sokféle, megfelelően szervezett módszer alkalmazása esetén (és mi erre törekszünk) akkor is elegendően megbízható ítélet hozható, ha a fastruktúra egyes szintjein csak egyszerű többséggel hozunk döntéseket. Egyszerű többséggel hozott döntésen azt értjük, hogy az egyes módszerek csak igen, nem és tartózkodom (vagy nem tudom) válaszokat adnak. A döntési eljárás tovább finomítható árnyaltabb válaszok adásával, pl. az igen és a nem válaszok közötti fokozatos átmenet megteremtésével. A módszerek által hozott ítéletek megfelelő súlyozással az adott hitelesítési részterület integrátoraiba, csomópontjaiba (eggyel magasabb szintre) futnak be. A súlyfaktorok megállapítása a szakértő feladata. A súlyfaktor határozza meg, hogy egy módszer a többihez képest mekkora fontossággal bír. Tehát például

- 89 -


egy csomóponton belül akár egy módszer is többséget képezhet. Az egy csomópontba befutó értékelések súlyfaktorainak összegét egységnyinek választjuk. (Elképzelhető olyan megoldás is, amikor ezt nem követeljük meg.) A fastruktúra az általunk definiált minősítési területeknek megfelelően hármas tagozódású. A végektől távolodva az egyes részterületek már összefonódnak. A továbbiakban a módszerek rendszerbe szervezését mutatjuk be.

4.1.1. A jelen belüli vizsgálat felépítése Első példaként a jel egyedi – más jelek viselkedését, azaz a jelek közötti kapcsolatokat figyelmen kívül hagyó – vizsgálatán alapuló struktúra egyik lehetséges megvalósítását mutatjuk be a 4.1.1/1. ábrán. Jel hitelesség

Elektronik. lánc hitelesség

Zajforrás minősítés

DC szint és teljesítm. reláció

DC szint ingadozás

Technolog. inform.

Erősítés szélső érték

Elektronik. teszt ref. jellel

Sikertelen beállítás (time-out)

Automata erõsítés állítás

Idősor minõsítés

Idõsoranalízis

SPRT referencia modellel

Túlvezérlés Szakadás és (határérték burst sértés) vizsgálat

Detektor hitelesség

Ref. csatorna elemzés

Szűrő letörési frekvencia

Spektrális elektronika minősítés

Spektrális minősítés

RMS White Keskenyérték tail sávú emelkedés teljesítmény csúcsok reláció megjel.

Ellenállás mérés

Időállandó vizsgálat

Markáns csúcsok eltűnése

Neural network

Plató vizsgálat

Impulzus keresés

4.1.1/1. ábra. A jelen belüli vizsgálati módszerekből felépített fastruktúrából származtatott gráf10 A fa csomópontjaiban a 3. fejezet rövidített elnevezéseit tüntettük fel. A fa élei irányítottak, minden él az alsóbb szinttől a felső felé mutat. A módszerek között még más kapcsolatok is elképzelhetők, azonban a kapcsolatrendszer inkább konkrét vizsgálatok tapasztalatai alapján finomítható. A fa levelein elhelyezkedő módszerek fontossága bizonyos mértékig arányos azzal, hogy azok a fa mely szintjén helyezkednek el. A hitelesítés biztonsága a fa kiterjesztésével, más módszereknek (szempontoknak) az értékelésbe való bevonásával javítható.

10

Az ábrákon az áttekinthetőség kedvéért a fastruktúra két vagy több csúcsát egy csúcsként jelenítjük meg, ha a kér-

déses csúcsok ugyanazt a minősítési eljárást reprezentálják. A származtatott csúcsból a felette levő szintre futó élek száma az összevont csúcsok számával egyezik meg. - 90 -


4.1.2. A jelek közötti kapcsolatot is figyelembe vevő vizsgálat felépítése Nagyobb megbízhatóságú, de lényegesen bonyolultabb fastruktúra állítható fel a jelek közös tulajdonságainak a figyelembevételével (ld. 4.1.2/1. ábra). A fa vastag keretű levelei egy-egy további alstruktúra kiinduló pontját jelentik. Ugyanis a detektorok csoportos hitelesítésére (ld. koherencia alapú vizsgálatok) elvileg a spektrumvizsgálatokhoz hasonló ág hozható létre, a trendelemzés mechanizmusa pedig az idősorok elemzéséhez hasonlóan építhető fel. Tehát a fa ezekben az irányokban könnyen kibővíthető. Jel hitelesség

Egyedi jelforrás minősítés

DC szint és teljesítmény reláció

DC szint ingadozás

Detektor hitelesség

Elektronikai lánc hitelesség

Zajforrás minősítés

Egyedi elektronikai lánc hitelesít.

Jelcsoport minősítés

Technolog. inform.

Együttes előfordulás >33%

Elektronik. teszt ref. jellel

Erősítés szélső érték

Automata erősítés állítás

Sikertelen beállítás (time-out)

Túlvezérlés (határérték sértés)

Idősor minősítés

Egyedi detektor hitelesség

Csoport. vizsgálat

Ref. csatorna elemzés

Idősoranalízis

SPRT referencia modellel

Szakadás, burst vizsgálat

Impulzus keresés

Spektrális elektronika minősítés

Szűrő letörési frekvencia

Meghíbásodási arány

Áthallás vizsgálat

RMS White érték tail emelkedés teljesítmény reláció

Trend vizsgálatok

Spektrális minősítés

Keskenysávú csúcsok megjel.

Időállandó vizsgálat

Ellenállás mérés

Markáns csúcsok eltűnése

Csoportos detektor hitelesség

Neural network

Plató vizsgálat

4.1.2/1. ábra. A jelek közös tulajdonságait figyelembe vevő struktúra

4.1.3. A kiértékelés menete A fenti struktúrák kiértékelésére vezessük be a 4.1.3/1. ábrán látható jelölésrendszert. A fa leveleinek esetében Vij az i-edik szinten elhelyezkedő j-edik módszer által adott értékelés, integrátor csomópontok esetében pedig a hozzá kapcsolódó módszerek, illetve integrátorok értékeléséből számolt értéket jelenti. az ij integrátorcsúcsba befutó élek súlyát jelöli. S ij ,( i +1) k

- 91 -


V

11

S

S

11,21

S

11,22

11,23

V

V

V

22

21

S

21,34

S

21,31

23

S

S

S

22,37

22,33

23,36

S S

S

21,32

V 31

S

21,33

V

32

22,34

V

33

V

34

S

23,37

S

23,38

S

22,35

22,36

V

35

V

V

36

V

37

S

37,41

V

41

S

37,42

V

42

38

S

37,43

V

43

4.1.3/1. ábra. A kiértékelési mechanizmus felépítése A struktúra kiértékelése

Az leveleken lévő döntésekhez (értékelésekhez) rendeljük hozzá a következő diszkrét értékeket:

ì − 1, ha a módszer értékelése nemleges, ï Vij = í 0, ha a módszer nem tud dönteni, ïî1, ha a módszer értékelése pozitív.

(4.1.3.1)

Az egyes csomópontokba befutó válaszok súlyfaktoraira igaz, hogy

å Sij,( i +1) k = 1.

(4.1.3.2)

k

A Vij értékek megadásánál nem vettük figyelembe azokat az eseteket, amikor valamely ij levélen levő módszerre Vij azért 0, mert a módszer passzív (azaz valami – pl. adathiány – miatt nem alkalmazható). Ebben az esetben ugyanis ezt a levelet elhagyhatjuk. Ekkor a kiértékelési fa éleinek súlyozását úgy kell módosítani, hogy minden, az ij levéllel összekötött csúcsból az alatta levő szintre kifutó élek súlyainak összege az ij levél és a belőle kifutó élek eltávolítása után is 1 legyen (pl. minden kérdéses él súlyát ugyanazzal az egynél nagyobb számmal megszorozzuk). Az integrátor csomópontokhoz az alábbi értékeket rendeljük hozzá:

Vij :=

S ij ,(i +1)k ⋅ V(i +1)k

(4.1.3.3)

Belátható, hogy Vij ∈[−1, 1] . A Vij értékeket diszkretizáljuk:

ì− 1, ha Vij < 0, Vij := í 0, ha Vij = 0, î 1, ha Vij > 0.

(4.1.3.4)

- 92 -


A struktúrában a levelekből a gyökér felé haladva eljutunk a végső értékeléshez. Az utolsó szint kiértékelésénél az előzőnél szigorúbb feltételt is alkalmazhatunk, például amely szerint a végső értékelés már egy nemleges válasz esetén is nemleges. Ha az egyes módszerek nem diszkrét, hanem folyamatos értékelést adnak, akkor egy lehetséges kiértékelési eljárás a következő: Az ágak végein lévő döntések értékei legyenek a [-1, 1] intervallumban: Vij ∈[ −1, 1] .

(4.1.3.5)

A csomópontokba befutó értékelések súlyfaktoraira továbbra is igaz, hogy

S ij ,(i +1)k = 1 .

(4.1.3.6)

k

Az integrátor csomópontok a

Vij :=

S ij ,(i +1)k ⋅ V(i +1)k

(4.1.3.7)

k

értéket kapják. A végső minősítés

ìrossz, ha V11 ≤ Q, ~ V11: = í ha V11 > Q, î jó,

(4.1.3.8)

ahol Q egy tapasztalatilag (kísérletek alapján) beállítandó konstans, amely alatt a jel minősítő értékét értjük. A Q érték megadásánál figyelembe kell venni, hogy az egyedi vizsgálati módszerek mennyire érzékenyek a hibajelenségekre, és azok alapján milyen minősítési pontokat állítanak elő. (A kialakítható pontozási rendszereknél a jó és a rossz értékelés szimmetriája nehezen biztosítható.) A Q minősítő érték megállapításánál az is fontos, hogy milyen biztonsággal akarjuk a hibás jeleket kiszűrni. Általánosságban az mondható, hogy ezt az értéket a [0,1) intervallumból célszerű választani, a gyakorlatban valószínűleg a 0,5 körüli értékek bizonyulnak majd jónak.

4.2. Alkalmazási próba a jel minősítésére A vázolt jelhitelesítési eljárás kipróbálására vegyünk néhány konkrét mérést, és alkalmazzuk rájuk a felsorolt minősítési-kiértékelési módszereket. A vizsgálathoz a Pakson készült zajdiagnosztikai mérések jeleiből választottuk ki egy detektor három olyan mérését (egy jó és két, különböző mértékben hibás mérést), amelyeknél ismerjük a mérés során fellépett hiba természetét. Tekintettel arra, hogy az archivált mérések nem a mai technikai lehetőségek és elképzelések szerint készültek, az elemi vizsgálati módszerek egy része nem hajtható végre. Ezért néhány vizsgálati módszert vagy alternatív eljárással helyettesítettünk, vagy becsléssel határoztuk meg az adott módszerrel kapható eredményt. A tesztet az egyszerűbb, a 4.1.1/1. ábra szerinti jelhitelesítési eljárásra (a jelen belüli vizsgálati módszerekre alapozva) végeztük el. Az elemzéshez egy zóna-kilépőhőmérsékletet mérő (T3) termoelem jelét választottuk, mert erről a detektorról a szükséges információk nagyrészt a rendelkezésünkre állnak. A kiválasztott mérések a következők: a)

Jó (T3.527, 95.02.07) mérés. A jel spektruma a 3.3.2/1. ábrán vastag vonallal látható.

- 93 -


b)

Közepesen rossz (T3.522, 95.02.02 ) mérés. A mérés folyamán elektronikai meghibásodás miatt az AC jel szakadásossá vált (ld. 3.2.4/1. ábra). A jel spektrumát a 3.3.2/1. ábrán vékony vonallal ábrázoltuk.

c)

Rossz (T3.49f, 94.09.15) mérés. A jel spektrumát a 3.3.1/1. ábrán vékony vonallal rajzoltuk meg. A mérés meghibásodott AC erősítőjű elektronikai láncon készült.

A továbbiakban ezeket a méréséket rendre a), b) és c) esetekként tüntetjük fel. A reaktor mindhárom mérés alatt 100 % teljesítményen üzemelt. A továbbiakban azt elemezzük, hogy az egyes elemi vizsgálati módszerek a kiválasztott jelekre mit eredményeznek, és ezek alapján milyen minősítő értékeket (tapasztalati formulákat) adhatunk.

4.2.1. A zajforrás minősítése 1) A DC szintek és a teljesítmény közötti kapcsolat vizsgálata. A termoelemek DC jelei kompenzálatlanul lettek a diagnosztikai helyiségbe vezetve, ezért a DC értékek hőmérsékletre átszámolt értékei (T≈ 265 °C) általában kb. 30-35 °C-kal kisebbek a tényleges értéknél. Ez az eltérés a mérés hibás kivitelezéséből adódó probléma, így azt a jelhitelesítési próba során szisztematikus hibának tekintjük, amit a mért jel 35 °C-kal történő megemelésével ellensúlyozunk. A minősítési érték megállapítására több lehetőségünk is van. A reaktor hűtővizének kazetta-kilépőhőmérsékletei 100 %-os teljesítményen néhány %-os eltéréssel 300 °C környezetében vannak, de a belépőhőmérsékletnél (270 °C) mindenképpen magasabbak. Így például a belépőhőmérsékletnél kisebb értéket vagy a névleges értéket ( T ≈299 °C) legalább 10 %-kal meghaladó értéket vehetjük jelhibának. Ekkor a sávon belül elhelyezkedő értékek minősítése 1, az azon kívül esőké pedig -1. A fenti módszer Q(T) minősítési függvénye:

ì T-T ≤ 0,1 , ïï 1, ha T Q (T ) = í ï − 1, ha T - T > 0,1 . ïî T

(4.2.1.1)

Keressünk e helyett az egyszerű, de durva módszer helyett egy kifinomultabb minősítési eljárást. A négyszög alakú függvény helyett alkossunk folytonos minősítési függvényt. Erre a legegyszerűbb megoldás a háromszög alakú függvény lenne. Ennek hátránya az, hogy érzékeny arra a hibára, amit a hőmérséklet névleges értéke hordoz. Trapéz alakú függvénnyel tovább lehetne finomítani a minősítést, de ennél sokkal jobb megoldásnak látszik egy harang alakú függvény alkalmazása:

ì − (T − T )2 ü Q(T ) = 2 ⋅ expí ý − 1. 2 î 2 ⋅σ h þ

(4.2.1.2)

2 Itt σ h értékét úgy választjuk meg, hogy a fent említett 10 %-os hiba esetén a Q(T) függvény -1-hez 2 közeli értéket adjon. A 4.2.1/1. ábrán σ h = 105 esetére ábrázoltuk a minősítési függvényt. Összehasonlí-

tásképpen szaggatott vonallal a névleges hőmérséklet eloszlását is berajzoltuk az ábrába, ha azt kb. 1 % 2 pontosságúnak ( σ ≈ 3) feltételezzük.

- 94 -


1

2*exp(-(299-T)**2/210)-1 2*exp(-(299-T)**2/6)-1

0.8 0.6 0.4 0.2 [Q]

0 -0.2 -0.4 -0.6 -0.8 -1 260

270

280

290 300 310 Hőmérséklet [°C]

320

330

340

350

4.2.1/1. ábra. A hőmérsékletérték minősítési görbéje Az ábrán jól megfigyelhető, hogy a névleges érték hibájára a minősítő függvényünk kevéssé érzékeny. Vegyük alapul azt az esetet, amikor a mért értékünk hibátlan. A legkedvezőtlenebb esetben az érték ekkor a minősítő görbe közepétől 3 °C-kal kifelé tolódik el. Ez az eltolódás kb. 0,1 minősítési pont csökkenést okoz. Ha a mérés hibás, és a kapott érték a minősítő görbe meredek szakaszához esik, akkor a 3 °C-os eltolódás a minősítési értékben kb. 0,2 változást eredményez. Ezért kedvezőtlen esetben a tényleges érték hibája (azaz a névleges érték mérési pontatlanságának) miatt a mért érték minősítési pontszáma csak kb. 0,2 pontszámot (10 %-ot) változik. (Ebből is látható, hogy a minősítő görbe szórástagját az adott esetnek megfelelően kell meghatározni.) Az elmondottak a fuzzy halmazelmélet fogalomrendszerében megszokottak. Az általunk konstruált minősítő függvények annyiban térnek el a fuzzy halmazelméletben használt tagsági függvényektől, hogy azoknak az értelmezési tartománya általában a [0,1] intervallum. (Ez a különbség egy egyszerű koordinátatranszformációval megszüntethető.) A vizsgált jelek minősítése a (4.2.1.2) kifejezésbe való behelyettesítéssel a következő: a)

A DC értékből adódó hőmérsékletérték 264 + 35 = 299 °C. A reaktor kilépőhőmérséklete a VERONA napló szerint 299 °C. Tehát a DC szint a reaktor hőmérsékletének megfelelő érték. Minősítés = 1,0. b) A DC értékből adódó hőmérsékletérték 267 + 35 = 302 °C. A VERONA érték nem állt rendelkezésre. A 100 %-os teljesítményhez tartozó szokásos értéket vettük alapul, ami 299 °C. A DC szint megfelelő. Minősítés = 0,92. c) A DC értékből adódó hőmérsékletérték 262 + 35 = 297 °C. VERONA érték 299,4 °C. A DC szint megfelelő. Minősítés = 0,96. Mivel a DC értékek vizsgálata jól meghatározható elemekből áll, ezért magas – 0,6 – súlyfaktorral vesszük figyelembe. 2) DC szint ingadozás vizsgálata. A mérések során csak a DC értékek átlagértéke került megőrzésre, ezért ez a vizsgálat már nem végezhető el. Emiatt ez a vizsgálati eljárás kimarad a jelen minősítési eljárásból. Az eljárás súlyfaktorát egyébként 0,3-nek vennénk. 3) Technológiai információk. A mérési információk között (felvételi jegyzőkönyvek, VERONA naplók, órás naplók) zavaró körülmény nincs jelezve. Mindhárom jelet jónak minősítjük.

a) Minősítés = 1,0. b) Minősítés = 1,0. c) Minősítés = 1,0. Az eljárást az információ bizonytalansága miatt csak alacsony, 0,1-es súlyfaktorral vesszük figyelembe. - 95 -


4.2.2. Az elektronikai lánc minősítése 4) Elektronikai teszt referenciajellel. A mérőrendszer kézi beállítású, ezért elektronikai bemérések a kampány kezdetén, a kampány során alkalomszerűen, valamint hibák észlelelése és azok javítása során történtek. Ezeknek a teszteknek az eredményéről nem állnak rendelkezésre adatok, így ehelyett a minősítés helyett egy egyszerű alternatív minősítést végeztünk. A tapasztalat szerint egy kampány során viszonylag sok a jelkicsatolási probléma. Általában a láncok ötödénél előfordul valamilyen nehézség. A problémák nagy része nem az elektronika közvetlen meghibásodásának a következménye, hanem valamilyen emberi beavatkozás miatt lép fel. Tipikus hibaforrások a kábelek, csatlakozók feszegetése, (pl. ideiglenes át- és visszadugaszolás, asztaltologatás, szerelés) következtében jelentkező kontaktushibák, esetleg jelelkötések. A kézi kapcsolású (beállítású) rendszeren a hibás beállítást is elektronikai hibának soroltuk be. (A kézi rendszert elvileg minden mérés előtt ellenőrizni kell.) Az elmondottak alapján az a), b) és c) esetek mindegyikére a maximális, 20 % meghibásodási valószínűséget vesszük alapul. A 20 % hibát a [-1, 1] intervallumba vetítve a következőt kapjuk:

a) Minősítés = 0,6. b) Minősítés = 0,6. c) Minősítés = 0,6. A módszer súlyfaktorát valódi referenciajeles vizsgálat esetében legalább 0,33-ra állítanánk, mivel ez a teszt alapvető az elektronikai lánc minősítésében. Ebben esetben az információ bizonytalansága miatt a súlyfaktort viszonylag kicsinek, 0,12-nek vesszük. 5-6) Automatikus erősítésállítás. A rendszer kézi beállítású, és a beállítási folyamatról nem rendelkezünk információval. A beállítás minőségét azonban utólag is megállapíthatjuk a digitalizált jelsorozatok alapján. Az integrátor csomópont súlyfaktora 0,12. 5) Sikertelen beállítás (Time out). Nincs meg a szükséges információ. Az értékelésből kimarad. Súlyfaktora 0,5 lenne. 6) Erősítés szélsőérték (Hibás beállítás). A vizsgálat szerinti jelszinteket még többszörösére kellett volna erősíteni ahhoz, hogy a digitalizálási tartományt a jel optimálisan töltse ki. A jelet az optimálishoz szükséges erősítési szükséglet alapján minősítjük úgy, hogy kettőhatványonként 0,2-del csökkentjük a maximális (=1) minősítési értéket.

a) Az optimálishoz szükséges többleterősítés 8-szoros. Minősítés = 0,4. b) Az optimálishoz szükséges többleterősítés 4-szeres. Minősítés = 0,6. c) Az optimálishoz szükséges többleterősítés 32-szeres. Minősítés = 0,0. A módszer súlyfaktora 0,5. 7-10) Az idősor minősítése. 7-9) Idősoranalízis (minősítés).

Az idősor minősítésének számszerűsítése a jelhibák alapján az egyik legnehezebben megfogalmazható probléma. Ennek oka, hogy a feldolgozás szempontjából a jelminőség romlását a bekövetkezett jeltorzulás nagysága, lefutása, gyakorisága, a jeltulajdonságok, az idősor hossza, stb. határozzák meg. A tapasztalat szerint 32 ezer mintát tartalmazó idősor FFT spektruma 512 frekvenciavonal esetén néhány jelhibával (pl. szakadással vagy tüskével, ha a jelre rárakódó hiba amplitúdója nem haladja meg lényegesen - 96 -


a jel legnagyobb és legkisebb értéke közötti különbséget) még jól kiértékelhető. Azonban kb. tíznél több jelhibánál a jel spektrumának finom szerkezete már eltűnik. Ez akkor is igaz, ha a jelhiba amplitúdója nem haladja meg lényegesen a jel átlagos ingadozását. Az optimális beállítású jelre ez általában teljesül, mivel ekkor a jel kb. feléig tölti ki a méréshatárt, ezért a hibarárakódás során a jelszint legfeljebb kétszeresére nőhet. A jelhibák FFT spektrumokra gyakorolt hatásának a bemutatására egy neutronjelben mesterségesen hibákat idéztünk elő: a jelhez véletlenszerű helyen, véletlen hosszúságban a neutronjel maximális csúcstól-csúcsig vett értékével megegyező amplitúdójú négyszögjeleket kevertünk. Az előidézett jelhibák spektrumra gyakorolt hatását a 4.2.2/1. ábrán mutatjuk be. Az ábrán ugyanazon neutronjel spektrumai láthatók 0, 3, 6 és 9 számú négyszögjelnek a jelsorozathoz való keverése esetén. Amennyiben jelhibának a jelben keletkező szakadásokat tekintjük, akkor ezek száma kétszer annyi, mint a négyszögjelek száma. Az ábrán jól látható, hogy 9 szintugrás (18 szakadás) esetén a spektrum kis csúcsai a háttéremelkedés miatt már eltűnnek. 1e-05 'n6.42f' '0' '3' '6' '9'

1e-06 1e-07 1e-08 1e-09 1e-10 1e-11 1e-12 0

5

10

15


35

40

45

50

4.2.2/1. ábra. A véletlenszerű jelhibák hatása az FFT spektrumokra A jelsorozat minősítését az idősorban előforduló hibák számának függvényében a következő egyszerű tapasztalati összefüggéssel határozhatjuk meg:

Q( n) = 2 n − 1, 1+ h

(4.2.2.3)

ahol Q(n) a minősítés értéke, n pedig a 32 ezer mintára eső jelhibák száma (ld. 4.2.2/2. ábra). A képletben szereplő h paraméter a jeltípustól és a kereső algoritmustól függően változhat. A mostani vizsgálatban h értékét 10-nek vesszük. A jelhibák automatikus keresése során szinte elkerülhetetlen a téves hibadetektálás, ezért ezt az értéket a jelhibakereső módszer képességei is befolyásolhatják. 1 2/(1+n/10)-1

0.8 0.6 0.4 0.2 [Q]

0 -0.2 -0.4 -0.6 -0.8 -1 0

20

40 60 Hibaszám [n]

80

100

4.2.2/2. ábra. A jelhibák számának függvényében vett minősítési görbe

- 97 -


7) A túlvezérlés (határértéksértés) vizsgálata. A jelekben túlvezérléses tartomány nem található. Ezért mindegyik jel minősítése jó.

a) Minősítés = 1,0. b) Minősítés = 1,0. c) Minősítés = 1,0. 8) Szakadásvizsgálat. A tesztjelek minősítési értéke a (4.2.2.3) minősítő függvénybe való behelyettesítéssel a következők: a) Szakadás = 2. Minősítés = 0,7. b) Szakadás = 18. Minősítés = -0,3. c) Szakadás = 0. Minősítés = 1,0. 9) Impulzusfigyelés. A minősítési értékek (4.2.2.3) alapján a következők: a) Impulzus = 1. Minősítés = 0,8. b) Impulzus = 14. Minősítés = -0,2. c) Impulzus = 2. Minősítés = 0,7. 10) SPRT (Sequential Probability Ratio Test). A vizsgálatot a 3.2.4.2. fejezetben ismertetett SPRT kísérletekhez hasonlóan végeztük el. (A reziduális idősort egy jónak tekintett jel 10-es modellrendű UAR modelljének a felhasználásával határoztuk meg.) A vizsgálat paraméterei { p = 10; q = 1,4; α = 0,005; β = 0,005} . A vizsgálat eredményeképpen a

4.2.2/3. ábrán látható adatsorokat kaptuk.

4.2.2/3. ábra. Az a), b) és c) mérések (3.2.4.10) összefüggés szerinti adatsorai. A grafikonon a jó döntéseket negatív értékkel ábrázoltuk Az eredményállomány alapján annak számszerűsítésére, hogy az SPRT szerint mennyire jó vagy rossz a jel, sok – és többnyire vitatható – megoldást adhatunk. Már az is elég, ha a döntés csak kis mértékben (nem feltétlenül arányosan) tükrözi a jel hibáit. A jel jóságának eldöntésére vizsgálhatjuk azt, hogy a lambda-függvény hányszor érte el a hibás döntési korlátot, vagy azt is, hogy mennyi a hibás és a jó döntések aránya. (Az SPRT paraméterezése is erősen befolyásolja a jó és a rossz döntések számát.) Azt azonban tudjuk, hogy a jelben már néhány jelentősebb zavar is tönkreteszi a zajjel feldolgozásának eredményét. Ezért a minősítésnek már kis mennyiségű hiba észlelése esetén is szigorúnak kell lennie. (A minősítés szigorúságát a módszer kevésbé érzékennyé való tételével is enyhíthetjük.) A minősítést a jó, illetve rossz lambda-értékek összegének aránya alapján végezzük. A mértékadó hibahatárt kísérletileg

- 98 -


célszerű meghatározni. Jelenleg ezt egy százaléknak (0,01) vesszük. Ezek alapján a jel minősítése a következő módon történik. Képezzük R-et a (3.2.4.10) összefüggés alapján létrehozott eredményállományban lévő jó (G) és rossz (B) értékelések összegéből a következőképpen:

R=

B , ahol G = å Λ i ; B = å Λ i . G Λ i ≤0 Λ i >0

(4.2.2.4)

Ennek felhasználásával a jel Q(R) minősítése a jelhibák minősítéséhez hasonlóan a következő:

Q( R) =

2 R 1+ 0,01

− 1.

(4.2.2.5)

A minősítő görbét a 4.2.2/4. ábrán mutatjuk be. 1 2/(1+R/0.01)-1

0.8 0.6 0.4 0.2 [Q]

0 -0.2 -0.4 -0.6 -0.8 -1 0

0.01

0.02

0.03 0.04 0.05 0.06 Rossz/Jó arány [R]

0.07

0.08

0.09

0.1

4.2.2/4. ábra. Az SPRT-n alapuló minősítési eljárás görbéje Az SPRT-n alapuló minősítési eljárás (4.2.2.5) függvénye alapján a következő minősítést hoztuk: a) R = 1,8·10-4. Minősítés = 1,0. b) R = 1,8·10-3. Minősítés = 0,7. c) R = 45. Minősítés = -1,0. A módszer súlyfaktora 0,5. 11) A referenciacsatorna elemzése. A referenciacsatorna alkalmazása a minősítési eljárásban a többi eljáráshoz képest eltérő módon történik. Az eltérés lényege az, hogy a csatorna értékelése a minősítési eljárásba csak akkor szól bele, ha a szórás értéke egy meghatározott küszöbértéket (a KARD rendszerben a jelzési szint 0,1) túllép. A módszer súlyfaktora (0,52) a többi értékeléshez képest igen jelentős. Esetünkben a mért referenciajel szórása a módszer aktivizálási szintjét nem lépi át. a) Középérték = -4,0359. Szórás = 0,0249. b) Középérték = -4,0357. Szórás = 0,0236. c) Középérték = -4,0370. Szórás = 0,0236. A módszer a 3.2.3. fejezet végén írtaknak megfelelően kimarad az értékelésből. 12-18) Spektrális elemzés, minősítés. 12-15) Spektrális alapú elektronikavizsgálat. 12) Szűrő letörési frekvenciájának vizsgálata. A 3. és 4. blokkon a PDR diagnosztikai kicsatolás aluláteresztő szűrőinek letörési szakasza nem jelenik meg a frekvenciaspektrumokban, ezért a letörési sza-

- 99 -


kasz vizsgálata kimarad a minősítési eljárásból. Az eljárás súlyfaktora az elektronika minősítési ágban 0,25, a spektrális detektorvizsgálati ágban pedig 0,14. 13) Az elektronikai eredetű zaj tartományának vizsgálata (White tail). Az elektronikai eredetű zajtartomány megemelkedése nem figyelhető meg a spektrumokban, ezért a minősítés mindegyik jelre jó. a) Minősítés = 1,0. b) Minősítés = 1,0. c) Minősítés = 1,0. A minősítés súlyfaktora 0,25. 14) Az RMS érték vizsgálata. A vizsgálatot a teljesítményspektrum alapján végezzük, ezért az RMS érték négyzetével dolgozunk. Az RMS2 értéket az 1 Hz-ig vett spektrumintegrállal határoztuk meg. Az átlagértéket néhány jónak tekintett mérés átlagából képeztük. Ez alapján az RMS2 átlag = 3.8·10-8. A zajjelek RMS2 értékei még a jó jelek között is jelentősen eltérhetnek. Ezért a zajjel RMS2 érték szerinti minősítését a nagyságrendbeli eltérések alapján célszerű végezni. Erre egy egyszerű példa:

Q (R ) = 2 ⋅ 10

− (lg ( Raver )− lg ( R ))2 10

−1 ,

(4.2.2.6)

ahol Q(R) a minősítés értéke, R a számolt RMS2 érték, Raver pedig az átlagos RMS2 érték (ld. 4.2.2/5. ábra). Az ábrán jól látható, hogy a minősítő görbe maximumától jobbra és balra egy nagyságrendig a minősítési pontszám kevesebb, mint 10%-ot csökken, három nagyságrendnél a csökkenés viszont már 90%-os. Ilyen mértékű RMS2 csökkenések erősítőmeghibásodásoknál, illetve kábelrövidzárak esetén könnyen előfordulhatnak. A tesztjelek minősítési értékei a (4.2.2.6) minősítő függvénybe való behelyettesítéssel a következők: a) RMS2 érték = 8,9·10-8. Minősítés = 0,9. b) RMS2 érték = 6,2·10-7. Minősítés = 0,4. c) RMS2 érték = 1,2·10-9. Minősítés = 0,2. A módszer súlyfaktora az elektronikai ágban 0,25, a detektorágban 0,14. 1

2 -(-7.4-lg(R)) 10

0.8

2*10

0.6

-1

0.4 0.2 [Q]

0 -0.2 -0.4 -0.6 -0.8 -1 1e-10

1e-09

1e-08

1e-07

1e-06 2 RMS

1e-05

0.0001

0.001

0.01

4.2.2/5. ábra. Az RMS2 érték szerinti minősítés görbéje 15) A keskenysávú csúcsok vizsgálata. Elektronikai eredetű keskenysávú zajok számottevő megjelenése a vizsgált jelekben nem figyelhető meg, ezért mindegyik jel jónak minősíthető. a) Minősítés = 1,0. b) Minősítés = 1,0. c) Minősítés = 1,0. - 100 -


A módszer súlyfaktora az elektronikai ágban 0,25, a detektorágban 0,14.

4.2.3. A detektor tulajdonságaira és környezetére jellemző zajtényezők vizsgálata. Detektorhitelesség 16) Az időállandó vizsgálata. Az időállandót – a 3.3.1. fejezetben ismertetett módon – UAR modell segítségével előállított ún. negatív egységugrás függvény időállandójából határoztuk meg. A regressziós modellt APSD spektrumokból kiindulva (inverz FFT-vel képzett autokorrelációs függvény segítségével) állítottuk elő. A termoelemjelek esetén az AIC kritérium alapján az optimális modellrendre 15-öt kaptunk, ezért az időállandók számításához ezt az értéket használtuk. A termopároknak az átviteli frekvenciája igen alacsony (néhány tized Hz), ezért az 50 Hz-es spektrumokból az időállandó csak igen pontatlanul számítható ki. (Az ideális spektrumszélesség a rendelkezésünkre álló spektrumokhoz képest egy nagyságrenddel kisebb, 0,01–5 Hz sávszélességű spektrum lenne.) A jónak ítélt mérésekből számolt átlagos időállandó 0,65±0,3 másodperc volt. A minősítés alapját több megoldás is képezheti. Ezek közül kettőt részletezünk. Az egyik esetben az értékelő függvényt a számított értéknek az átlaghoz vett aránya alapján képeztük a következő módszerrel: 1. eset: ⋅D − 1, ha D ≤ Daver , ì D2aver Q( D) = í 2⋅ Daver î D − 1, ha D > Daver ,

(4.2.3.1)

ahol Q(D) a minősítés értéke, D a számolt időállandó, Daver pedig az átlagos időállandó. Ekkor a minősítési érték a mért értéknek az átlagos időállandótól való eltérésével rohamosan csökken, de ez a csökkenés nagyobb eltérésekre lelassul. A másik lehetőség haranggörbe-jellegű minősítési pontozás alkalmazása. Erre egy lehetséges megoldás: 2. eset:

{[

] } −1

Q( D) = 2 ⋅ exp − ln( Daver ) − ln( D)

2

(4.2.3.2)

A két pontozási megoldást a 4.2.3/1. ábrán mutatjuk be. A minősítéshez a névleges értéktől való kis eltérésekre kevésbé szigorú 2. esetet alkalmazzuk. 1

If D < 0.65 : 2*D/0.65-1 If D >= 0.65 : 2*0.65/D-1 2*exp(-(log(0.65)-log(D))**2)-1

0.8 0.6 0.4 0.2 [Q]

0 -0.2 -0.4 -0.6 -0.8 -1 0.1 (Log. skála)

1 Időállandó [sec]

10

100

4.2.3/1. ábra. Az időállandó alapján előállított minősítési görbék. Az 1. eset folytonos, a 2. eset szaggatott vonallal látható Számítsuk ki a példánkban szereplő idősorokra a (4.2.3.1) és (4.2.3.2) szerinti minősítési értékeket. a) Időállandó = 1,02 sec. (1. eset: a minősítés 0,3). 2. eset: a minősítés 0,6. b) Időállandó = 0,62 sec. (1. eset: a minősítés 0,9). 2. eset: a minősítés 1,0. - 101 -


c) Időállandó = 0,16 sec. (1. eset: a minősítés -0,5). 2. eset: a minősítés -0,7. A módszer súlyfaktora 0,14. 17) Technológiai eredetű csúcsok eltűnése. A termoelemek spektrumaiban technológiai eredetű keskenysávú csúcsok nincsenek, ezért ez a vizsgálati módszer kimarad a jelvizsgálati eljárásból. A módszer súlyfaktora 0,14. 18) Platóvizsgálat. A spektrumok középső tartományában csak a b) jelben van lényeges eltérés (nagyobb ingadozás és kb. 30°-os dőlésszögbeli eltérés), a másik két plató vízszintes, és gyakorlatilag egybeesik az átlagos spektrumokéval. Ezért a minősítést csak szubjektív értékeléssel adjuk meg: a) Minősítés = 0,9. b) Minősítés = 0,4. c) Minősítés = 0,9. A módszer súlyfaktora 0,14. 19) Ellenállásmérés (Műszeres vizsgálat). A termoelemek bevizsgálásáról nem rendelkezünk adatokkal, ezért ezt az eljárást szintén kihagyjuk a hitelesítési folyamatból. A módszer súlyfaktora 0,33 lenne. 20) Neurális háló alapú minősítés. A neurális hálón alapuló vizsgálat valószínű eredményét a jelentős adat- és eszközigény miatt csak tapasztalatainkra építve [97] becsüljük meg. A múltbeli méréseken végzett vizsgálataink szerint a jelentősen eltérő spektrumformákat a háló nagy (90 %-ot meghaladó) biztonsággal el tudta különíteni egymástól. Ezért a minősítési értékekre a következő becsléseket adjuk: a) Minősítés = 0,8. b) Minősítés = -0,3. c) Minősítés = -0,8. A módszer súlyfaktora 0,33.

4.4.4. A vizsgálati módszerek eredményeinek összegzése Az a), b) és c) esetek egyedi módszerekkel kapott minősítéseinek az összegzését a 4.4.4/1. ábrán mutatjuk be. Az értékelésből kihagyott módszereket vékony vonallal jelöltük. Az ábrán a szövegben nem említett súlyfaktorokat is feltüntettük, ezek a faktorok egyenletesen oszlanak meg az egyes ágak között. A súlyfaktorok a vizsgálati módszereket jelképező négyzetekből kifutó vonalak felett helyezkednek el. Ha egy kiértékelési/döntési ágban valamely módszer elmaradt (vagy passzív volt), akkor a súlyfaktorát a többi súlyfaktor arányában osztottuk szét a többi módszer faktorai között. Ilyen esetben az ábrán az eredeti érték zárójelben szerepel, az újra számolt értékek a vonal alatt helyezkednek el. A végső kiértékelést a (4.1.3.5)–(4.1.3.8) összefüggésekkel végeztük el a 4.1.1/1. ábra alapján: a) Minősítés = 0,85. b) Minősítés = 0,59. c) Minősítés = 0,38. Az értékek jól tükrözik a jelek közötti minőségi különbséget. Azt, hogy milyen értéktől kezdve tekintünk egy értéket használhatatlannak, csak a minősítési rendszerrel történt nagyszámú vizsgálat alapján, tapasztalatilag dönthetjük el. Ez a kijelölt érték megállapodás szerint lehet például 0,66. Felmerülhet, hogy a jó jel miért kapott ”csak” 0,85-ös osztályzatot. Ennek az az egyik a magyarázata, hogy a vizsgálatok során a jelről kiderült néhány olyan hiba (szakadás az idősorban, rossz jelfelbontás),

- 102 -


amelyre a vizsgálat kezdetén nem figyeltünk fel, és amelyek miatt a jelet eleve nem tekinthetjük teljesen jónak. További fontos kérdés, hogy a rossznak feltételezett jel miért kapott viszonylag magas (pozitív értékű) osztályzatot. Ennek egyrészt az a magyarázata, hogy a jel DC komponense jó volt, és ennek következtében magasabb lett az értékelés pontszáma. Másrészt, néhány minősítő eljárás a "rossz" tartományokban kisebb mértékben változik, mint a "jó" tartományokban. A rossz jel viszonylagosan jó értékeléséhez ezeken kívül hozzájárulhat még a fastruktúrát kiértékelő eljárás jellege is, ugyanis az integrátor csomópontok minősítési értékeit egyenletes súlyozással (kivéve a DC érték és a referenciacsatorna súlyait) határoztuk meg. Bár a hitelesítési rendszer működőképességéről már ezen eredmények alapján is meggyőződtünk, az integrátor csomópontokban mégis célszerűnek látszik olyan összetettebb (esetleg egyedi szempontokat is figyelembe vevő) összegzési eljárás bevezetése, amellyel módszer eredményessége tovább javítható. Ezen kívül az egyedi minősítési eljárások pontozási módszere is tovább finomítható. A rendszer eredményeinek statisztikus vizsgálata, és ennek alapján a rendszer paramétereinek a jobb beállítása, más összegzési metódusok kipróbálása csak további, nagy számú teszteléssel valósítható meg. Ez azonban már megkívánja a minősítő rendszer automatizálását és még néhány elemi minősítő módszer kidolgozását.

- 103 -


1. DC érték 1,0 0,92 0,96

a b c

(0,6) 0,86

2. DC szint ing. a b c

(0,3) 0,0

Zajforrás min. a 1,0 b 0,93 c 0,97

0,33

3. Technológia a b c

4. Elektron. teszt 0,6 a 0,6 b 0,6 c

5. Sikertelen beáll. a b c

(0,5) 0,0

6. Szélsõérték 7. Túlvezérlés 1,0 a 1,0 b 1,0 c 8. Szakadás 0,7 a -0,3 b 1,0 c

0,33

a b c

0,4 0,6 0,0

(0,5) 1,0

Idõsoranalízis 0,33

a b c

0,83 0,17 0,90

1,0 1,0 1,0

0,5

(0,1) 0,14

(0,12) 0,25

Automat. erõs. a b c

0,4 0,6 0,0

Idõsorminõsítés a 0,92 b 0,44 c -0,05

(0,12) 0,25

Elektronika min. (0,12) 0,25

a b c

0,72

0,33

0,61 0,32

9. Impulzus a b c

0,8 -0,2 0,7

Jelhitelesség a 0,85 b 0,59 c 0,38

0,33 10. SPRT a b c

1,0 0,7 -1,0

12. Szûrõletörés a b c

1,0 1,0 1,0

14. RMS 0,9 a 0,4 b c

(0,25) 0,0 (0,14) 0,2

13. White tail a b c

0,5

0,2

15. Kesk. csúcs. 1,0 a 1,0 b 1,0 c 16. Idõállandó 0,6 a 1,0 b -0,7 c

a b c

(0,52) 0,0

(0,25) 0,33 (0,14) 0,2

(0,25) 0,33 (0,14) 0,2

Spektr. elekt. min. a 0,97 (0,12) 0,25 b 0,80 0,73 c

(0,25) 0,33 (0,14) 0,2

(0,14)

Spektrális min. a b c

0.88 0,76 0,48

(0,33) 0,5

0,2 19. Mûszeres vizsg.

17. Csúcseltûnés a b c

11. Refer. csat.

(0,14)

a b c

(0,33) 0,0

Detektor minõs. a 0,84 0,33 b 0.23 c -0.16

0,0 20. Neural net.

18. Plató a b c

0,9

(0,14)

0,4 0,9

0,2

a b c

0,8 -0,3 -0,8

(0,33) 0,5

4.4.4/1. ábra. Alkalmazási próba a kombinált jelhitelesítésre

- 104 -


5. Összefoglaló A disszertáció első fejezete a dolgozat előzményeit és célkitűzéseit fogalmazta meg. Ezt követően a második fejezetben áttekintettük az atomerőművi jelforrásokat (detektorokat), a hozzájuk kapcsolódó elektronikai láncokat, és megvizsgáltuk azok tulajdonságait. Kimutattuk, hogy a kompenzálatlan neutrondetektorokkal mért neutronfluktuációknál – 0,1-5 Hz tartományban – a detektor kábelében keletkező áram – a detektor gyártási különbségeinek következtében – esetenként meghaladhatja a detektor által termelt áramot. Modellkísérlettel kimutattuk, hogy két egymás alatt lévő detektor által mért terjedő perturbációk fázisportréjának alakját a kábeláram mértéke jelentősen befolyásolja. Kihasználva a kompenzációs kábel és a detektor jelében a globális és lokális effektus arányának jelentős különbségét, a valós mérésadatokban kikompenzáltuk a reaktor globális effektusát, és visszaállítottuk a detektorok közötti lineáris fázismenetet. Megmutattuk, hogy a kompenzáció a keresztkorrelációs függvényekben a tranzitidő csúcsát is kiemeli. A harmadik fejezetben meghatároztuk a jelhitelesítés szempontjait, felvázoltuk a jelhitelesítés alapgondolatát és a vizsgálat fő irányait, tanulmányoztuk a jellegzetes jeltulajdonságokat és hibákat, ezekkel összhangban ismertettük azoknak a vizsgálati módszereknek a körét, amelyekkel a jel szisztematikus minősítése a reaktor üzemelése közben is elvégezhető. Ajánlásokat tettünk a módszerek gyakorlati megvalósítására is. Ennek során ismertettük a folyamatváltozók vizsgálatának, valamint elektronikai teszteknek és az automatikus erősítésállításnak minősítési eljárásként való alkalmazását, továbbá a gyakorlatban már bevált, referenciacsatornán alapuló hibadetektálási és minősítési módszert. Laboratóriumi kísérletekben megvizsgáltuk az SPRT alkalmazhatóságát zajjelek vizsgálatára, amely meghatározott keretek között alátámasztotta a módszer használhatóságát. Ismertettük a negatív egységugrás függvényen alapuló időállandó-számítás módszerét, amelyet egyben részletes vizsgálatnak vetettünk alá. A vizsgálat során megállapítottuk a módszernek a mérésbeállítástól való függését is. Az idősorok frekvenciatartománybeli vizsgálata során áttekintettük a jelek azon spektrális tulajdonságait, amelyek a jelhitelesítésben hasznosíthatók. A hibás jelek spektrumainak kiszűrésére neurális hálóval spektrumosztályozási kísérleteket végeztünk. A kísérlet eredménye bizonyította a neurális háló alkalmasságát a hibás jelek kiszűrésére. A nagy számú vizsgálati módszerre támaszkodva a negyedik fejezetben olyan – az igényeknek megfelelően rugalmasan alakítható – struktúrákat dolgoztunk ki, melyek segítségével a jel minősítése nagyobb biztonsággal elvégezhető, továbbá egyszerű módszereket adtunk ezen struktúrák kiértékelésére. Végezetül az elemi vizsgálati módszerekhez minősítő függvényeket konstruáltunk, és alkalmazási próbával győződtünk meg a hitelesítési rendszer működőképességéről. A továbbfejlesztés érdekében a jelhitelesítési rendszerrel nagyszámú ismert hibájú jelsorozatot kell megvizsgálni. A dolgozatban ismertetetett, tapasztalatokon alapuló új, fenomenologikus minősítési függvények egy későbbi részletesebb vizsgálat kiindulási alapját képezhetik. A felhasználási tapasztalatokra és nagyszámú vizsgálati eredményre alapozva lépéseket lehet tenni az egyedi vizsgálati módszerek megbízhatóságának növelésére, más módszerek adaptálására, valamint alternatív módszerek keresésére. Javítani lehet az egyes módszerekhez tartozó minősítési értékképzés eljárásain és a módszerekhez tartozó súlyfaktorok beállításain. Célszerű megvizsgálni azt is, hogy a rendszer minősítési biztonsága miképpen javítható az integrátor csomópontokban másfajta összegzési módszerek alkalmazásával.

- 105 -


6. Summary In the first chapter the motivation and the basic idea of the thesis were described. In the second chapter the properties of detectors and the attached electronic devices, being used for noise diagnostics purposes in nuclear reactors, were discussed. It was concluded that the currents induced in the detector cables – in the range 0.1-1.5 Hz – might exceed the current of the detector as a consequence of manufacturing deviations. By modeling propagating perturbations it was shown that the cable currents have remarkable influence on the phase portraits measured between detectors having the same vertical position. Such a measurement was presented that contains both detector and background cable signals, where the ratios of the global and local components differ significantly because of their very different lengths. Based on these measurements it was demonstrated that the cable current might compensate the effect of global fluctuations in the measured signals, thus undistorted linear phase can be measured for certain cable currents. This compensation made the peak of the transit time clearly identifiable in cross correlation functions. The third chapter was devoted to combined signal validation: the basic idea and the main directions of signal validation were defined, the typical features and failures were studied; and the scope of investigation methods, that can be used for combined signal validation during reactor operation, were described. Recommendations were given for practical realization of the methods and qualification functions. It was outlined that DC values evaluation method, electronic test and automated amplification setting can be applied as qualification methods. The reference channel method, that is well proven for qualification and failure detection, was also described. Methodological investigations were performed in order to check the applicability of the combination of the well-known univariate autoregressive model and the classical SPRT (Sequential Probability Ratio Test) method in noise signal evaluation. Within certain limits the investigation has produced positive results for the applicability of the method. The calculation method of the time delay constant based on generating the drop response function was presented and thoroughly examined. Influence of the measurement settings on the calculation was also investigated. Some properties of the time series in the frequency domain were used for signal qualification purposes. A neural network was successfully applied in order to detect changes in the spectra of the noise signals. Based on the numerous investigation methods, flexible structures were developed to perform more reliable signal validation. Furthermore, simple methods were provided to evaluate these structures. Qualification functions were constructed in order to validate the results of the basic evaluation procedures. Finally, an application test was executed to demonstrate the operability of the combined signal validation system. Further development requires the processing of numerous signals with known failures. Based on experience using the system and numerous investigation results to increase the reliability of individual methods, the possibility should be considered of adapting other complementary methods. The qualification procedures of the methods and the setting of weight factors can be improved. It is suggested that additional summation methods be developed and tested.

- 106 -


7. Irodalom 1.

2.

3.

4.

5.

6.

7.

8.

9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21.

G. Pór et al. „Sophisticated Systems for Analysing Standard Signals of a PWR NPP for Diagnostic Purposes”, Proceedings of the 6th Power Plant Dynamics, Control and Testing Symposium, Knoxville (USA), 1986. G. Pór, S. Bende-Farkas, O. Glöckler, S. Kiss, K. Krinizs and S. Lipcsei „Development and Utilization of an Automated Reactor Noise Measuring and Processing System”, SMORN VI, Gatlinburg (USA), 19-24 May, 1991. Adorján Ferenc, Bürger Gáborné, Makai Mihály, Sándor György, Valkó János, Végh Endre: „VERONA - a Paksi Atomerőmű zónakiértékelő rendszere”, Mérés és Automatika, 32. évf. 12. sz. 1984. F. Adorján, L. Bürger, I. Lux, M. Makai, J. Valkó, J. Végh „Core Monitoring System for VVER440 PWR’s”, “Computerization of Operation and Maintenance for Nuclear Power Plants” IAEATECDOC-808, 1995. I. Lux, J. Végh, F. Adorján, L. Bürger „Experiences with the Upgraded VERONA-u VVER-440 Core Monitoring System”, Proceedings of the IAEA Specialists Meeting on Advanced Information Methods and Artificial Intelligence in Nuclear Power Plant Control Rooms, Halden (Norway), 1994. A. Rácz, S. Kiss, T. Czibók, J. Láz, S. Lipcsei, O. Glódi, T. Csikós, T. D. Tri, K. Krinizs, G. Pataki and A. Dévényi „A Family of Integrated Information and Expert Systems for Plant Noise Analysis”, Proceedings of SMORN VII, Avignon (France), 19-23 June, 1995. U. Kunze and P. Jirsa „Report on Analysis of Known Events from Russian and Foreign NPP’s Detected with Diagnostic Systems or Methods”, Report for the project Monitoring Vibrations RPV Internals, PHARE project N° PH.1.03/95 (CEC Contract: 97-0749.00), Technical Report N° S01. F. Adorján, T. Czibók, S. Kiss, K. Krinizs, J. Végh „Core Asymmetry Evaluation using Static Measurements and Neutron Noise Analysis”, Annals of Nuclear Energy, Vol. 27, pp. 649-658, 2000. Szatmáry Zoltán „Bevezetés a reaktorfizikába”, Akadémiai Kiadó, Budapest, 2000. Csom Gyula „Atomerőművek üzemtana, I. kötet”, Műegyetemi Kiadó, 1997. G. I. Bell and S. Glasstone „Nuclear Reactor Theory”, Van Nostrand Reinhold Company, 1970. G. Robert Keepin „Physics of Nuclear Kinetics”, Addison-Wesley Publishing Company, Inc., 1965. Petz Ernő „Atomerőművi blokkok szabályozása”, Jegyzet, Ipari Szakmai Továbbképző Intézet, Paks, 1995. S. Murthy Divakaruni, Bill K.-H. Sun and Owen L. Deutsch „Signal Validation Techniques and Power Plant Applications”, Progress in Nuclear Energy, Vol. 22, No. 3, pp. 181-213, 1988. „Digital Instrumentation and Control Systems in Nuclear Plants, Safety and Reliability Issues”, Final Report, National Academy Press, Washington, D.C., 1997. Keith E. Holbert, A. Sharif Heger, Nahrul K. Alang-Rashid „Redundant Sensor Validation by Using Fuzzy Logic”, Nuclear Science and Engineering, Vol. 118, No. 1, pp. 54-64, 1994. Keith E. Holbert, B. R. Upadhyaya „Empirical Process Modeling Technique for Signal Validation”, Annals of Nuclear Energy, Vol. 21, No. 7, pp. 387-403, 1994. Keith E. Holbert „Process Hypercube Comparison for Signal Validation”, IEEE Transactions on Nuclear Science, Vol. 38, No. 2, pp. 803-811, 1991. Belle R. Upadhyaya and Evren Eryurek „Application of Neural Networks for Sensor Validation and Plant Monitoring”, Nuclear Technology, Vol. 97, pp. 170-176, Feb. 1992. Keith E. Holbert and Belle R. Upadhyaya „An Integrated Signal Validation System for Nuclear Power Plants”, Nuclear Technology, Vol. 92, pp. 411-427, Dec. 1990. „MSET (Multivariate State Estimation Technique) On-Line Monitoring of Instrument Channel Performance”, EPRI, Palo Alto, CA: 1998. TR-104965.

- 107 -


22. P. F. Fantoni, S. Figedy, A. Rácz „PEANO, a Toolbox for Real-time Process Signal Validation and Estimation”, HWR-515, Halden (Norway), 1998. 23. A. Rácz „Detection of Small Leakages by a Combination of Dedicated Kalman Filters and an Extended Version of the Binary Sequential Probability Ratio Test”, Nuclear Technology, Vol. 104, pp. 128-146, 1993. 24. A. Wald „A Sequential Analysis”, John Wiley & Sons, New York, 1947. 25. O. Glöckler, B. R. Upadhyaya and T. W. Kerlin „Signal Validation Algorithms for Consistency Checking and Sequential Probability Ratio Testing of Redundant Measurements”, Report, The U. S. Departments of Energy, Contract No. DE-AC02-86NE37959, 1987. 26. T. D. Tri „A New Algorithm for Recursive Estimation of ARMA Parameters in Reactor Noise Analysis”, Annals of Nuclear Energy, No. 5, pp. 287-301, 1992. 27. G. Kosály „Noise Investigations in Boiling-Water and Pressurized-Water Reactors”, Progress in Nuclear Energy, Vol. 5, pp. 145-199, 1980. 28. Josep A. Thie „Power Reactor Noise”, American Nuclear Society, La Grange Park, Illinois, 1981. 29. G. Pór, S. Horányi and O. J. Dikanarov „Measuring Neutron Noise Induced by Traveling Air Bubbles in Research Reactor”, Annals of Nuclear Energy, No. 1, pp. 197-201, 1984. 30. S. Kiss and S. Lipcsei „Laboratory Experiments with Impacting Fuel Rods”, Progress in Nuclear Energy, Vol. 29, No. 3/4, pp. 193-201, 1995. 31. S. Lipcsei, S. Kiss and G. Pór „Effect of Detector Size and Position on Measured Vibration Spectra of Strings and Roads”, Progress in Nuclear Energy, Vol. 28, No. 2, pp. 91-102, 1994. 32. S. Lipcsei, S. Kiss and G. Pór „On the Eigenfrequencies of Fuel Rod Vibration in NPPs”, Progress in Nuclear Energy, Vol. 27, No. 1, pp. 11-24, 1992. 33. Kiss S., Lipcsei S. és Pór G. „A detektor helyzetének hatása a húr- és rúdrezgési spektrumokra”, KFKI-1990-41/G. 34. Kiss S., Lipcsei S. és Pór G. „A fűtőelem-rezgésmodell alátámasztása laboratóriumi kísérletekkel”, KFKI-1990-18/G. 35. Lipcsei S., Kiss S. és Pór G. „Atomerőművi fűtőelempálca hajlítólengéseinek mechanikai modelljei”, KFKI-1989-46/G. 36. G. Pór, É. Izsák and J. Valkó „Some Results of Noise Measurement in a PWR NPP”, Progress in Nuclear Energy, Vol. 15, pp. 387-393, 1985. 37. Kiss S., Pór G. „Kutatási jelentés a Paksi Atomerőműben végzett rendszeres zajdiagnosztikai mérésekről”, KFKI AEKI, 1987. 38. Kiss S., Pór G. „Rendszeres zajdiagnosztikai mérések a PAE reaktorain telepített neutron mérőláncokkal”, Kutatási jelentés. G4/1.2.2.3, KFKI AEKI, 1986. 39. S. Kiss and G. Pór „On Interpretation of Noise Spectra Measured at an Operating NPP Unit”, IAEANPPCI Specialists' Meeting on Early Failure Detection And Diagnosis In Power Plants – System And Operational Experience, pp. 205-214, Dresden, 20-22 June, 1989. 40. U. Kunze „Service and Consultancy Logistic Concept for Diagnostic Systems in Nuclear Power Plans in Germany and Abroad”, Informal Meeting on Reactor Noise, IMORN-25, Raleigh (North Carolina, USA), 1994. 41. U. Kunze „KÜS-95 a New Generation of Loose Parts Monitoring Systems with One-line Diagnostics”, Informal Meeting on Reactor Noise, IMORN-25, Raleigh (North Carolina, USA), 1994. 42. A. Jousellin, A. Trenty, J. C. Benas, Y. Renault, J. L. Busquet, B. Mohamed „Monitoring and Aid to Diagnosis of French NPPs”, SMORN VII, Avignon (France), 19-23 June, 1995. 43. Sebastian Cassen and Pierre Schlupp „Primary Circuit Monitoring with PSAD Workstation Tested at Tricastin 2 NPP”, IMORN 28, Athens (Greece), 11-13 October, 2000. 44. S. T. Craig, P. D. Tonner, J. P. Johnston, L. E. Nicholson, O. Glöckler, D. Williams „Portable System for Reactor Noise Data Acquisition”, SMORN VII, Avignon (France), 19-23 June, 1995.

- 108 -


45. Y. S. Joo, H. S. Eom, C. M. Sim, S. L. Lee, H. K. Jeong, K. S. Jang, C. U. Yi „A Development of Reactor Internal Vibration Monitoring System (RIVMOS) using Ex-core Neutron Noise”, SMORN VII, Avignon (France), 19-23 June, 1995. 46. Junichi Uchiyama and Kazuo Sakai „A Reactor Equipment Monitoring System for Japanese PWRs”, SMORN VII, Avignon (France), 19-23 June, 1995. 47. Ferenc Adorján and Thoshio Morita „A Correlation-Based Signal Validation Method for Fixed InCore Detectors”, Nuclear Technology, 118, No. 3, pp. 264-275, 1997. 48. F. Loisy et al. „Detection of Degradation and Monitoring of Operation Sensors in Nuclear Power Plants”, SMORN VII, Avignon (France), 19-23 June, 1995. 49. P. Fantoni, A. Mazzola „Applications of Autoassociative Neural Networks for Signal Validation in Accident Management”, Proceedings of the IAEA Specialists Meeting on Advanced Information Methods and Artificial Intelligence in Nuclear Power Plant Control Rooms, Halden (Norway), 1315 September, 1994. 50. T. D. Tri „Applications of Autoregressive Moving Average Model in Reactor Noise Analysis”, Annals of Nuclear Energy, Vol. 12, pp. 815-822, 1993. 51. S. Kiss, S. Lipcsei and G. Házi „Effect of Uncompensated SPND Cables on Noise Signals Measured in VVER-440 Reactors”, Nuclear Engineering and Design, Vol. 220/2, pp. 179-192, 2003. 52. S. Kiss, S. Lipcsei and G. Házi „Investigations of SPND Noise Signals in VVER-440 Reactors”, Proceedings of the International Conference on Nuclear Energy in Central Europe 2001, Portorož (Slovenia), 10-13 September, 2001. 53. S. Kiss and S. Lipcsei „Combined Validation of Noise Signals Measured in NPPs”, Annals of Nuclear Energy, Vol. 26, pp. 327-346, 1999. 54. A. Rácz and S. Kiss „Methodological Examination of UAR-Based Change Detection”, Progress in Nuclear Energy, Vol. 29, No. 3/4, pp. 299-320, 1995. 55. Kiss S. „Atomerőművi zajdiagnosztikai mérések jeleinek szisztematikus minősítése”, Szakmérnöki szakdolgozat, BME NTI, 1997. 56. A. Rácz and S. Kiss „Systematic Classification and Identification of Noise Spectra Using Perceptron-Based Neural Networks”, Annals of Nuclear Energy, Vol. 21, No. 1, pp. 19-44, 1994. 57. Kiss S. és Czibók T. „A Paksi Atomerőmű reaktordiagnosztikai rendszereinek felmérése”, Kutatási jelentés, ARL, Budapest, 2000. december. 58. Kiss S., Adorján F., Házi G., Lipcsei S., Péter A., Bessenyei Z., Pór G. „VVER-440 típusú reaktorok primerköri diagnosztikájának stratégiai kérdései”, Főkonzulensi tanulmány, Szerkesztette: Kiss S., KFKI AEKI, 2000. október. 59. Kiss S., Czibók T. és Lipcsei S. „A Paksi Atomerőmű Rt. zajdiagnosztikai adatgyűjtő rendszerének felújítása”, Rendszerterv, ARL, Budapest, 2002. 60. William H. Press, Brian P. Flannery, Saul A. Teukolsky, William T. Vetterling „Numerical Recipes”, Cambridge University Press, Cambridge, 1986. 61. Julius S. Bendat and Allan G. Piersol „Random Data: Analysis and Measurement Procedures”, Wiley-Iterscience, a division of John Wiley & Sons, Inc., New York, 1971. 62. A. Korn – T. M. Korn „Matematikai kézikönyv műszakiaknak”, Műszaki Könyvkiadó, Budapest, 1975. 63. George B. Arfken and Hans J. Weber „Mathematical Methods for Physicists”, Academic Press, New York, 1995. 64. Dr. Shell László „Jelek és rendszerek méréstechnikája”, Műszaki Könyvkiadó, Budapest, 1985. 65. E. P. Box and G. M. Jenkins „Time Series Analysis, Forecasting and Control”, Holden-Day Inc., USA, 1976. 66. Dr. Fodor György „Elméleti Elektrotechnika”, Tankönyvkiadó, Budapest, 1979.

- 109 -


67. I. Pázsit and O. Glöckler „On the Neutron Noise Diagnostics of PWR Control Rod Vibration, III. Application at Power Plant”, Nuclear Science and Engineering, Vol. 99, pp. 313-328, 1988. 68. Siaka O. Yusuf and David K. Wehe „Analog and Digital Dynamic Compensation Techniques for Delayed Self-Powered Neutron Detectors”, Nuclear Science and Engineering, Vol. 106, pp. 399408, 1990. 69. M. I. Kanrowitz „An Improved Dynamic Compensation Algorithm for Rhodium Self-Powered Neutron Detectors”, IEEE Transaction on Nuclear Science, Vol. NS-34, No. 1, pp. 562-566, 1987. 70. H. D. Warren „Calculation Model for Self-Powered Neutron Detectors”, Nuclear Science and Engineering, Vol. 48, pp. 331-342, 1972. 71. S. V. Guru and D. K. Wehe „Instantaneous Flux Measurements Using the Background Signal of the Rhodium Self-Powered Neutron Detector”, Annals of Nuclear Energy, Vol. 19, No. 4, pp. 203-215, 1992. 72. Katalin Kulacsy and Iván Lux „A Method for Prompt Calculation of Neutron Flux from Measured SPND Currents”, Annals of Nuclear Energy, Vol. 24, pp. 361-374, 1997. 73. J. Eugene Lynch and K. C. Playfoot „Fixed In-Core Detectors: Past, Presents and Future”, SMORN VI, Gatlinburg (USA), 1991. 74. Adorján Ferenc, Végh János „Vizsgálatok a PARt 2-es kampány VERONA-u archívumai alapján”, KFKI AEKI belső kutatási jelentés, 1994. december. 75. Adorján Ferenc, Végh János „A VERONA-u rendszer input adataiként használt mérések hibaanalízise”, MTA KFKI AEKI Alkalmazott Reaktorfizikai Laboratórium, 1996. március. 76. W. Seifritz, F. Cioli „On-load Monitoring of Local Steam Velocity in BWR Cores by Neutron Noise analysis”, Transactions of American Nuclear Society, Vol. 17, pp. 451-453, 1973. 77. Kosály György „Könnyű vízzel moderált atomreaktorokban uralkodó neutron-zaj lokális és globális komponensének vizsgálata”, Doktori értekezés, KFKI, Budapest, 1976. 78. G. Kosály „Investigation of the Local Component of Power Reactor Noise via Diffusion Theory”, KFKI Report, KFKI-75-27, 1975. 79. K. Behringer, G. Kosály and Lj. Kostić „Theoretical Investigation of the Local and Global Components of the Neutron-Noise Field in a Boiling Water Reactor”, Nuclear Science and Engineering, Vol. 63, pp. 306-318, 1977. 80. G. Kosály, L. Kostić, L. Miteff, G. Váradi, K. Behringer „Investigation of the Local Component of the Neutron Noise in a BWR and its Application to the Study of Two Phase Flow”, Progress in Nuclear Energy, Vol. 1, pp. 99-117, 1977. 81. Kosály G., Albrecht R.W., Crowe R.D., Dailey D.J. „Neutronic Response to Two Phase Flow in a Nuclear Reactor”, Progress in Nuclear Energy, Vol. 9, pp. 23-36, 1982. 82. K. Behringer, G. Kosály and I. Pázsit „Linear Response of the Neutron Field to a Propagating Perturbation of Moderator Density (Two-Group Theory of Boiling Water Reactor Noise”, Nuclear Science and Engineering, Vol. 72, pp. 304-321, 1979. 83. T. Katona, L. Meskó, G. Pór, J. Valkó „Some Aspects of the Theory of Neutron Noise due to Propagating Perturbances”, Progress in Nuclear Energy, Vol. 9, pp. 209-222, 1982. 84. G. Pór, O. Glöckler, U. Rindelhardt „Boiling Detection in PWRs by Noise Measurement”, Progress in Nuclear Energy, Vol. 21, pp. 555-563, 1988. 85. J. Valkó „In-core Generated Temperature Fluctuations and Boiling Detection in Pressurized Water Reactors”, Annals of Nuclear Energy, Vol. 19, pp. 155-168, 1992. 86. F.J. Sweeney, B.R. Upadhyaya, D.J. Shieh „In-core Coolant Flow Monitoring of Pressurized Water Reactors using Temperature and Neutron Noise”, Progress in Nuclear Energy, Vol. 15, pp. 201208, 1985. 87. M. Antonopoulos-Domis, S. Kadi, K. Mourtzanos „Departure from Linearity of Neutron CrossSpectra Phase in BWRs”, Annals of Nuclear Energy, Vol. 22, pp. 39-50, 1995. 88. M. Antonopoulos-Domis, S. Kadi „Velocity Profile Effects on Neutron Cross-spectra in BWRs”, Annals of Nuclear Energy, Vol. 23, pp. 217-228, 1996. - 110 -


89. G. Házi, G. Pór „Numerical Simulator for Noise Diagnostic Investigations in NPPs”, Annals of Nuclear Energy, Vol. 26, pp. 1113-1130, 1999. 90. Kiss S., Pór G. „Detektorok és mérőláncok működőképességének monitorozása”, KFKI-1988-67/G. 91. J. C. Hancook and P. A. Wintz „Signal Detection Theory”, McGraw-Hill Book Company, New York, 1966. 92. Michelberger Pál, Szeidl László és Várlaki Péter „Alkalmazott folyamatstatisztika és idősoranalízis”, Typotex Kiadó, Budapest, 2001. 93. G. Pór, J. Runkel „A Study on Applicability of Decay Ratio Estimation in a Pressurized Water Reactor”, Nuclear Science and Engineering, 116, pp. 205-212, 1994. 94. Rácz A., Horváth A., Csikós T., Kiss S., Láz J. „Az emberi tényező megbízhatóságának növelése, az ember-gép kapcsolat vizsgálata, az operátort segítő rendszerek kidolgozása az atomerőművek biztonságának fokozása céljából című OMFB által is finanszírozott kutatás-fejlesztési munka; Mérésmeghibásodás korai észlelése című részjelentés”, KFKI AEKI, 29-30, 1992. 95. M. H. Hassoun „Fundamentals of Artificial Neural Network”, The MIT Press, Cambridge, Mass., USA, 1995. 96. GENERIA, Neural Network Simulation Toolkit, Version 1.0, User’s Manual, Active Record Software Systems, 1992. 97. Rácz A. és Kiss S. „Az emberi tényező megbízhatóságának növelése, az ember-gép kapcsolat vizsgálata, az operátort segítő rendszerek kidolgozása az atomerőművek biztonságának fokozása céljából című OMFB által is finanszírozott kutatás-fejlesztési munka; Mesterséges ideghálózat mintarendszer”, OTKA 1845 és OMFB-91-97-42-0344, KFKI AEKI, Budapest, 1993. 98. A. Rácz, S. Kiss and S. Bende-Farkas „Logic Based Feature Detection on In-core Neutron Spectra”, Annals of Nuclear Energy, Vol. 20, No. 4, pp. 265-278, 1993. 99. G. Pór, S. Kiss, K. Krinizs, A. Husemann, J. Runkel and D. Stegemann „Phase Behaviour Between the Signals from Detectors Located in and Around the Reactor”, Progress in Nuclear Energy, Vol. 28, No. 2, pp. 103-113, 1994. 100. O. Glöckler and M. V. Tulett „Development and Application of Noise Analysis in CANDU Reactors: Ontario Hydro’s Experience Gained in the Past Three Years”, SMORN VII, Avignon (France), 19-23 June, 1995. 101. „VERONA RENDSZER, 5.2 Verzió”, Felhasználói kézikönyv, KFKI AEKI ARL, Budapest, 2001. július.

- 111 -


8. Köszönetnyilvánítás Ezúton szeretnék köszönetet mondani a KFKI Atomenergia Kutatóintézet Alkalmazott Reaktorfizikai Laboratórium dolgozóinak, akiknek a segítsége hozzájárult ezen dolgozat megszületéséhez. Külön köszönetet szeretnék mondani Végh Jánosnak és Lipcsei Sándornak a dolgozat átnézéséért és hasznos észrevételeikért. Házi Gábornak a zajszimulátoros kísérletekben nyújtott segítségéért. Rácz Attilának a jelhitelesítés területén folytatott közös munkánkért. Végh Jánosnak a VERONA adatokért, Czibók Tamásnak az elektronikai láncokkal kapcsolatos információkért.

- 112 -


9. Rövidítések A/D AC AEKI AIC AKHП APSD ARMA B&K BSZG CANDU CARD CPSD DC DFT DOS FFT GERENIA HINDUKUS HP KARD KFKI KWU LP MAR MSET MUX nAPSD NTI OECD PDR-PDA PEANO RMS SPND SPRT SZBV UAR VEIKI VERONA VVER

Analóg-digitál konverter Alternating Current. Váltakozó áram (A jel fluktuáló része) Atomenergia Kutatóintézet Akaike Information Criterion Automatyicseszkij Kontrol Nejtronnovo Patoka (régebbi, szovjet verzió) Auto Power Spectral Density (Teljesítménysűrűség-spektrum) Autoregressive, Moving Average (Mozgóátlagú, autoregressziós eljárás) Brüel & Kjaer Blokkszámítógép CANadian Deuterium-Uranium (Reactor) Computer Aided Reactor Diagnostics System (A kalinyini zajdiagnosztikai rendszer paksi változata) Cross Power Spectral Density (Keresztteljesítménysűrűség-spektrum) Direct Current. Egyenáram (A jel állandó értéke) Discrete Fourier Transformation (Diszkrét Fourier-transzformáció) Disc Operating System Fast Fourier Transformation (Gyors Fourier-transzformáció) Neurális háló, amely az Active Record Kft. terméke A reaktor belső ellenőrző rendszere Highpass filter (Felüláteresztő szűrő) Kalinyini zajdiagnosztikai rendszer Központi Fizikai Kutató Intézet Kraftwerk Union (SIEMENS AG) Lowpass filter (Aluláteresztő szűrő) Multivariate Autoregression (Többváltozós autoregresszió) Multivariate State Estimation Technique (Állapotazonosító rendszer) Multiplexer normalised Auto Power Spectral Density (Normalizált teljesítménysűrűség-spektrum) Nukleáris Technikai Intézet Organisation for Economic Corporation and Development Paks Diagnostic System (Paksi diagnosztikai rendszer) – Polip Data Acquisition (A reaktor belső adatgyűjtő rendszere) Process Evaluation and Analysis by Neural Operators (Folyamatkiértékelés és -vizsgálat mesterséges neurális hálók segítségével) Root Mean Square (Négyzetes értékek átlagának a négyzetgyöke) Self-Powered Neutron Detector, (Béta-emissziós neutrondetektor) Sequential Probability Ratio Test (Szekvenciális valószínűségi teszt) Szabályozó- és biztonságvédelmi rudak a reaktor aktív zónájában Univariate Autoregression (Egyváltozós autoregresszió) Villamosenergiaipari Kutató Intézet Vizes Energetikai Reaktor On-line Analízise, zónaellenőrző számítógépi rendszer Szovjet típusú nyomottvizes energetikai reaktor

- 113 -


10.

Publikációs lista

A. Folyóiratcikkek

A/1.

T. Czibók, G. Kiss, S. Kiss, K. Krinizs, J. Végh „Regular Neutron Noise Diagnostics Measurements at the Hungarian Paks NPP”, Progress in Nuclear Energy, in press.

A/2.

S. Kiss, S. Lipcsei and G. Házi „Effect of Uncompensated SPND Cables on Noise Signals Measured in VVER-440 Reactors”, Nuclear Engineering and Design, Vol. 220/2, pp. 179-192, 2003.

A/3.

S. Kiss, S. Lipcsei, J. Végh „Overview of Recent KFKI AEKI Activities of Plant Surveillance and Diagnostic”, Power Plant Surveillance and Diagnostics – Modern Approaches and Advanced Applications, Editors: Da Ruan and Paolo F. Fantoni, pp. 51-62, Physica-Verlag, Germany, 2002.

A/4.

F. Adorján, T. Czibók, S. Kiss, K. Krinizs, J. Végh „Core Asymmetry Evaluation using Static Measurements and Neutron Noise Analysis”, Annals of Nuclear Energy, Vol. 27, pp. 649-658, 2000.

A/5.

S. Kiss and S. Lipcsei „Combined Validation of Noise Signals Measured in NPPs”, Annals of Nuclear Energy, Vol. 26, pp. 327-346, 1999.

A/6.

Házi G. és Kiss S. „Nukleáris reaktorok zajdiagnosztikai szimulációja”, Magyar Energetika, pp. 2-6, 1999/5.

A/7.

S. Kiss and S. Lipcsei „Laboratory Experiments with Impacting Fuel Rods”, Progress in Nuclear Energy, Vol. 29, No. 3/4, pp. 193-201, 1995.

A/8.

A. Rácz and S. Kiss „Methodological Examination of UAR-Based Change Detection”, Progress in Nuclear Energy, Vol. 29, No. 3/4, pp. 299-320, 1995.

A/9.

A. Rácz and S. Kiss „Systematic Classification and Identification of Noise Spectra Using Perceptron-Based Neural Networks”, Annals of Nuclear Energy, Vol. 21, No. 1, pp. 19-44, 1994.

A/10. G. Pór, S. Kiss, K. Krinizs, A. Husemann, J. Runkel and D. Stegemann „Phase Behaviour between the Signals from Detectors Located in and Around the Reactor”, Progress in Nuclear Energy, Vol. 28, No. 2, pp. 103-113, 1994. A/11. S. Lipcsei, S. Kiss and G. Pór „Effect of Detector Size and Position on Measured Vibration Spectra of Strings and Roads”, Progress in Nuclear Energy, Vol. 28, No. 2, pp. 91-102, 1994. A/12. A. Rácz, S. Kiss and S. Bende-Farkas „Logic Based Feature Detection On Incore Neutron Spectra”, Annals of Nuclear Energy, Vol. 20, No. 4, pp. 265-278, 1993. A/13. S. Lipcsei, S. Kiss and G. Pór „On the Eigenfrequencies of Fuel Rod Vibration in NPPs”, Progress in Nuclear Energy, Vol. 27, No. 1, pp. 11-24, 1992.

B. Konferencia cikkek és előadások

B/1.

T. Czibók, Z. Dezső, S. Kiss, K. Krinizs and S. Lipcsei „Upgrading the Reactor Noise Diagnostic Systems at the Paks NPP”, Proceedings of the International Conference Nuclear Energy for New Europe, 0709, Kranjska Gora (Slovenia), 9-12 September, 2002.

B/2.

S. Kiss, S. Lipcsei and G. Házi „Investigations of SPND Noise Signals in VVER-440 Reactors”, Proceedings of the International Conference on Nuclear Energy in Central Europe 2001, Portorož (Slovenia), 10-13 September, 2001. - 114 -


B/3.

S. Lipcsei and S. Kiss „Investigation and Enhancements of Some Models Describing Core Barrel Motion in VVER-440 Type Reactor”, IMORN 28, Athens (Greece), 11-13 October, 2000.

B/4.

S. Kiss and S. Lipcsei „Combined Validation of Noise Signals Measured in NPPs”, IMORN 27, Valencia (Spain), 18-20 November, 1997.

B/5.

J. Végh, F. Adorján, I. Lux, L. Bürger, S. Kiss, A. Rácz „Developing Operator Support Systems for VVER-440 Type Nuclear Power Plants”, OECD Halden Reactor Project, Proceedings of the Enlarged Halden Programme Group Mtg., HRP-348/25, Loen (Norway), 19-24 May, 1996.

B/6.

A. Rácz, S. Kiss, T. Czibók, J. Láz, S. Lipcsei, O. Glódi, T. Csikós, T. D. Tri, K. Krinizs, G. Pataki and A. Dévényi „A Family of Integrated Information and Expert System for Plant Noise Analysis”, SMORN VII, Avignon (France), 19-23 June, 1995.

B/7.

G. Pór, S. Kiss „Reactor Noise Diagnostic System for Experts Using Neutron Noise Fluctuation”, 8th International IMEKO Symposium On Technical Diagnostics, pp. 552-561, Dresden, 23-25 September, 1992.

B/8.

G. Pór, S. Bende-Farkas, O. Glöckler, S. Kiss, K. Krinizs and S. Lipcsei „Development and Utilization of an Automated Reactor Noise Measuring and Processing System”, SMORN VI, Gatlinburg (USA), 19-24 May, 1991.

B/9.

S. Lipcsei, S. Bende-Farkas, O. Glöckler, S. Kiss, K. Krinizs and G. Pór „Development of an Automated Reactor Noise Measuring and Processing System”, Proceedings of the First Symposium of AER (Atomic Energy Research), pp. 535-543, Řež near Prague (Czech and Slovak Federal Republic), 23-28 September 1991.

B/10. S. Kiss and G. Pór „On Interpretation of Noise Spectra Measured at an Operating NPP Unit”, IAEA-NPPCI Specialists' Meeting on Early Failure Detection and Diagnosis in Power Plants – Systems and Operational Experience, pp. 205-214, Dresden, 20-22 June, 1989.

C. Tanulmányok, kutatási jelentések

C/1.

Kiss S. és Czibók T. „A Paksi Atomerőmű reaktordiagnosztikai rendszereinek felmérése”, Kutatási jelentés, KFKI AEKI ARL, Budapest, 2000. december.

C/2.

Kiss S., Adorján F., Házi G., Lipcsei S., Péter A., Bessenyei Z., Pór G. „VVER-440 típusú reaktorok primerköri diagnosztikájának stratégiai kérdései”, Főkonzulensi tanulmány, Szerkesztette: Kiss S., KFKI AEKI, 2000. október.

C/3.

Kiss S. „Atomerőművi zajdiagnosztikai mérések jeleinek szisztematikus minősítése”, Szakmérnöki szakdolgozat, BME NTI, 1997.

C/4.

Kiss S., Czibók T., Glódi O., Házi G., Horváth Cs., Krinizs K., Láz J., Lipcsei S. „Zárójelentés a bonyolult ipari berendezések operátorait segítő eszközök fejlesztése című OMFB által is finanszírozott kutatás-fejlesztési munkáról”, OMFB-04448 94 09 05; KFKI AEKI, Budapest, 1997. december.

C/5.

Kiss S. „Atomerőművi zajdiagnosztikai mérések jeleinek szisztematikus minősítése”, KFKI Report, KFKI-1996-12/G.

C/6.

Rácz A., Kiss S., Házi G., Láz J., Lipcsei S., Horváth Á., T. D. Tri., Csikós T., Krinizs K., Glódi O., Dévényi A. „Zárójelentés az emberi tényező megbízhatóságának növelése, az ember-gép

- 115 -


kapcsolat vizsgálata, az operátort segítő rendszerek az atomerőművek biztonságának fokozása céljából”, OMFB-91-97-42-0344, KFKI AEKI, Budapest, 1993. C/7.

Rácz A. és Kiss S. „Az emberi tényező megbízhatóságának növelése, az ember-gép kapcsolat vizsgálata, az operátort segítő rendszerek kidolgozása az atomerőművek biztonságának fokozása céljából című OMFB által is finanszírozott kutatás-fejlesztési munka; Mesterséges ideghálózat mintarendszer”, OTKA 1845 és OMFB-91-97-42-0344, KFKI AEKI, Budapest, 1993.

C/8.

Kiss S., Lipcsei S. és Pór G. „A detektor helyzetének hatása a húr- és rúdrezgési spektrumokra”, KFKI Report, KFKI-1990-41/G.

C/9.

Kiss S., Lipcsei S. és Pór G. „A fűtőelem-rezgésmodell alátámasztása laboratóriumi kísérletekkel”, KFKI Report, KFKI-1990-18/G.

C/10. Lipcsei S., Kiss S. és Pór G. „Atomerőművi fűtőelempálca hajlítólengéseinek mechanikai modelljei”, KFKI Report, KFKI-1989-46/G. C/11. Kiss S., Pór G. „Detektorok és mérőláncok működőképességének monitorozása”, KFKI Report, KFKI-1988-67/G. C/12. Kiss S., Pór G. „Kutatási jelentés a Paksi Atomerőműben végzett rendszeres zajdiagnosztikai mérésekről”, Kutatási jelentés, KFKI AEKI, 1987. C/13. Kiss S., Pór G. „Rendszeres zajdiagnosztikai mérések a PAE reaktorain telepített neutron mérőláncokkal”, Kutatási jelentés, G4/1.2.2.3, KFKI AEKI, 1986.

- 116 -


11.

Nyilatkozat

Alulírott Kiss Sándor kijelentem, hogy ezt a doktori értekezést magam készítettem és abban csak a megadott forrásokat használtam fel. Minden olyan részt, amelyet szó szerint, vagy azonos tartalomban, de átfogalmazva más forrásból átvettem, egyértelműen, a forrás megadásával megjelöltem.

Budapest, 2003. április 28.

_____________________

- 117 -

ATOMERŐMŰVI ZAJDIAGNOSZTIKAI MÉRÉSEK JELEINEK VIZSGÁLATA ÉS KOMBINÁLT MINŐSÍTÉSE. PhD értekezés. Kiss Sándor

Recommend Documents