Abstract
於核能系統中，當反應爐內有鬆脫或鬆動組件，則水的循環流動勢必造成元件對反應器的撞擊，若組件質量大者，可能造成爐心損壞，偵測技術的建立可以預防嚴重事故的發生，鬆動元件的偵測技術可分為質量和位置的估測，由撿測到的振動波信號和信號相關參數作為偵測技術的依據，傳統偵測技術雖已有一個基礎，但實行的經驗顯示，始終無法避免參數實際量測值和理論值的差距所引起估測上的誤差，若是在有參數量測誤差或雜訊干擾影響參數讀取時，更會造成估測結果嚴重不準確。針對傳統方法技術上的缺失，為了作更前瞻性技術的發展，本論文研究方向主要是將具備良好樣型辨識能力的類神經網路應用於鬆動元件的偵測，研究過程採用三種已發展成熟的模型，分別是具備良好內插，堅固特性的(Backpropagation)模型，最佳歸納特性的CPN(Counterpropagation )模型和融合兩種模型特徵所建立的RBF(Radial Basis Function)模型，進行質量和位置的估測，再將估測結果計算出相關的準確度和特性，由統計圖表顯示質量平均誤差均在20%以內，位置估測的誤差大多落於8公分合理的範圍內，適足以彌補傳統方法無法忍受參數量測誤差的缺撼，同時也証明類神經網路在偵測技術有其發展價值。本論文同時考慮到偵測技術應用在雜訊干擾的現場環境中，為避免因撿測信號摻雜了雜訊影響到信號參數量取的正確性，研究另一重點是將適應雜訊消除(Adaptive noisecancellation)技術應用於鬆動元件撞擊信號的雜訊消除，其特點是無須了解雜訊和撞擊信號的頻率範圍，只需撿測背景雜訊和受干擾的撞擊信號，由軟體模擬結果顯示，雜訊的擾動雖不至於明顯的影響振幅和主頻率值的判讀，但完全無法自動撿測出到達時間，經由適應雜訊消除技術的處理，能夠大幅消除振動波到達之前的雜訊，可自動撿測出未受干擾前的準確到達時間改善信號參數量測的準確性，也替偵測技術應用於現場環境的準確度和可靠性提供進一步的保障。