Abstract
鬆動元件係指核能電廠一次側內因惡劣環境及強烈輻射造成構件材質劣化而斷裂之部份，由於一次側於運轉中是處於高壓高流速的狀態，一旦鬆動發生勢必立刻對反應器造成傷害的威脅，鬆動元件監測系統(LooseParts Monitoring System)目的即是在反應器壓力槽內產生鬆動之異物時對運轉人員提出警告，以避免進一步的損害發生鬆動元件監測系統主要是在估計兩件事：發生撞擊的位置和鬆動元件之重量。而其中對於質量之估計一直是鬆動元件監測系統未能完全解決的困難，原因在於理論對此缺乏完整的描述且因系統龐大使其撞擊信號之特性無法完全掌握，以致於只能依賴專家之經驗判斷鬆動元件事件之嚴重程度，且一般估計結果其準確度偏低亦不具時效性。有鑑於前期計畫僅以多層結構之類神經網路為估計質量之工具，未能顧及應用於實務之狀況，且對於估計出的結果亦不夠理想。本文將加入特徵資料分類之程序於估計質量之前，各類資料使用該類專屬之類神經網路，如此能降低各類神經網路於估計質量時之負擔，並可提高估計之準度。由本文實驗之結果，質量估計之百分標準差可降至0.5%以下，平均誤差也可降至0.6%以下。本文共分五章：第一章緒論；第二章為實驗架構及數據處理；第三章為特徵粹取；第四章為資料分類及估計質量；第五章則是結論與建議。