技术领域
[0001] 本
发明涉及一种监测模拟装置和监测方法，尤其涉及一种核废物桶暂存库热源分布监测模拟装置及监测方法。
背景技术
[0002] 核废物是指含有α、β和γ
辐射的不稳定元素并伴随有热产生的无用材料。核废物进入环境后会造成
水、大气、
土壤的污染，并通过各种途径进入人体，当
放射性辐射超过一定水平，就能杀死
生物体的细胞，妨碍正常细胞分裂和再生，引起细胞内遗传信息的突变。核废物主要来源于：
铀、钍矿山、水冶厂、精炼厂、浓缩厂、钚
冶金厂、
燃料元件加工厂等、各类反应堆、乏燃料后处理工业活动。目前我国对无法处理的核废物通过废物桶进行贮存、并集中暂存在核废物暂存库中的方式。
[0003] 而核废物暂存库中核废物桶，可能在面临的受外
力如
地震或山体滑坡的冲击下，发生倾倒、
变形，导致的核废物
泄漏的安全问题。但这种泄漏是不便于监测的，目前检测核废物泄漏常用的核
辐射探测器很难做到实时的、分布式的监测，且核辐射探测器的成本高昂。
[0004] 核废物泄漏一般伴随着在泄漏处产生较强的核辐射，核辐射效应释放出的
能量会使泄
露点周围
温度升高，所以我们利用这一特性来进行研究。
发明内容
[0005] 本发明的目的就在于提供一种解决上述问题，能实时监测核废物泄漏、且
定位准确、成本低廉的核废物桶暂存库热源分布监测模拟装置。
[0006] 为了实现上述目的，本发明采用的技术方案是这样的：一种核废物桶暂存库热源分布监测模拟装置，包括m个模拟桶、一分布式拉曼温度
传感器和一上位机，所述模拟桶用于模拟核废物桶；
[0007] 所述分布式拉曼温度传感器包括依次连接的激光脉冲
光源、波分复用器和传感光纤，所述传感光纤依次均匀缠绕在m个模拟桶外壁，所述波分复用器输出端经
雪崩光电
二极管、
放大器、连接
数据采集卡；
[0008] 其中，激光脉冲光源发出激光脉冲，经波分复用器耦合进传感光纤，传感光纤产生后向
拉曼散射光送回波分复用器，由波分复用器分为anti-Stokes光和Stokes光，经雪崩
光电二极管转换为anti-Stokes电
信号和Stokes
电信号，再经过放大器和数据采集卡转换为anti-Stokes数据和Stokes数据；
[0009] 所述数据采集卡用于将anti-Stokes数据累加求均值，得到anti-Stokes均值数据，且数据采集卡连接上位机，用于根据上位机预设的累加次数，输出该累加次数对应anti-Stokes均值数据；
[0010] 所述上位机用于获取anti-Stokes均值数据并判断出温度异常的模拟桶。
[0011] 作为优选：所述模拟桶容积为2L。
[0012] 一种核废物桶暂存库热源分布监测模拟装置的监测方法，包括以下步骤：
[0013] (1)建立一核废物桶暂存库热源分布监测模拟装置，其中传感光纤均匀缠绕在m个模拟桶外壁，数据采集卡连接上位机；将m个模拟桶按顺序标号，分别为第1个到第m个，且模拟桶容积为V；
[0014] (2)构建温度异常参考样本集和测试样本集；
[0015] (21)设置实验条件：
[0016] 设置s种测试水温，分别为T1到Ts；
[0017] 将模拟桶容积V等分为P份，每份体积为V/P；
[0018] 上位机设置B组累加次数；
[0019] (22)获取第一个模拟桶的温度异常样本：
[0020] 获取温度为T1时的温度异常数据；：在第一个模拟桶中，分P次加入体积为V/P、温度为T1的水，且每加水一次测量一次；每次测量时，数据采集卡分别导出B组累加次数时的anti-Stokes均值数据，共得到P×B组anti-Stokes均值数据；
[0021] 再依次获取温度为T2-TS的anti-Stokes均值数据，则第一个模拟桶的anti-Stokes均值数据为S×P×B组；
[0022] (23)按照步骤(22)，获取其余模拟桶的anti-Stokes均值数据，每个模拟桶的anti-Stokes均值数据为S×P×B组；
[0023] (24)从每个模拟桶的anti-Stokes均值数据中，各选一组实验条件完全相同的anti-Stokes均值数据作为参考样本数据，构成参考样本集，其余anti-Stokes均值数据构成为测试样本集；
[0024] (3)提取温度异常样本数据特征；
[0025] (31)利用参考样本集中的样本数据构建参考样本矩阵
[0026]
[0027] 其中，矩阵的列向量表示对应模拟桶的参考样本数据，n表示每个参考样本数据的长度；
[0028] (32)通过下式对参考样本矩阵XRef进行中心化，得到中心化后的样本矩阵[0029]
[0030] (33)计算中心化后的样本矩阵 的协方差矩阵
[0031]
[0032] (34)对
角化协方差矩阵C以得到特征值λi(i＝1,2,…,n)及其对应的
特征向量ui，将特征值向量按对应特征值的大小降序排列成矩阵，取前k行组成变换矩阵Tk×n，[0033] 其中，k《n，k值通过下式来确定：
[0034]
[0035] (35)通过下式得到
降维后的参考样本矩阵
[0036]
[0037] 则将Rk×m的列向量rj(j＝1,2,…,m)，作为第j个模拟桶的温度异常样本数据特征；
[0038] (4)温度异常定位
[0039] (41)按照步骤(31)-(35)，得到降维后的测试样本矩阵Vk×l，将该矩阵的列向量vq(q＝1,2,…,l)，l＝m×S×P×B-m；
[0040] (42)采用下式，计算矩阵Vk×l中每个列向量与m个模拟桶的温度异常样本数据特征间的欧式距离
[0041]
[0042] (43)找出使d(v,r)最小的温度异常样本数据特征，该温度异常样本数据特征对应的模拟桶，则为温度异常
位置。
[0043] 作为优选：设置s＝3种测试水温，分别45.0℃、55.5℃、65.0℃，模拟桶容积为V＝2L，将模拟桶容积V等分为P＝4份，每份体积为500mL，上位机设置B＝7组累加次数，分别为
1000次、2000次、4000次、6000次、8000次、10000次和16000。
[0044] 本发明的思路为：先搭建一核废物桶暂存库热源分布监测模拟装置，该装置包括多个模拟桶、一分布式拉曼温度传感器和一上位机三部分，用分布式拉曼温度传感器的传感光纤去均匀缠绕模拟桶，而分布式拉曼温度传感器采集到的数据，送入上位机中进行处理。
[0045] 上位机获取到数据后，也就是anti-Stokes均值数据，先将多组数据分为参考样本集和测试样本集，再分别将两个样本集经过一系列数学变化，形成降维后的参考样本矩阵、和降维后的测试样本矩阵，再通过计算降维后的测试样本矩阵中列向量与m个模拟桶的温度异常样本数据特征间的欧式距离，来判断温度异常位置。
[0047] (1)利用核废物泄漏会使局部温度升高这一特性，采用拉曼分布式光纤温度传感器对核废物暂存库中核废物桶的温度异常事件进行
感知和定位，建立的方法简单、成本低廉，且能够做到实时的、分布式的监测核废物泄漏导致的温度异常事件。
[0048] (2)搭建了一种核废物桶暂存库热源分布监测模拟装置，通用性强、结构简单，可用于验证基于拉曼分布式光纤温度传感器的核废物桶暂存库热源分布监测模型和监测方法。
[0049] (3)开发了一种基于上述核废物桶暂存库热源分布监测模拟装置的监测方法，该方法能够有效地提取监测数据中温度异常事件的特征，通过与参考样本集中已知位置的温度异常事件的监测数据进行匹配，能够定位温度异常事件的位置，且有较高的定位准确率。
附图说明
[0050] 图1为本发明结构示意图；
[0052] 图中：1、模拟桶；2、传感光纤；3、分布式拉曼温度传感器；4、上位机。
具体实施方式
[0053] 下面将结合附图对本发明作进一步说明。
[0054]
实施例1：参见图1和图2，一种核废物桶暂存库热源分布监测模拟装置，包括m个模拟桶1、一分布式拉曼温度传感器3和一上位机4，所述模拟桶1用于模拟核废物桶；
[0055] 所述分布式拉曼温度传感器3包括依次连接的激光脉冲光源、波分复用器和传感光纤2，所述传感光纤2依次均匀缠绕在m个模拟桶1外壁，所述波分复用器输出端经
雪崩光电二极管、放大器、连接数据采集卡；
[0056] 其中，激光脉冲光源发出激光脉冲，经波分复用器耦合进传感光纤2，传感光纤2产生后向拉曼散射光送回波分复用器，由波分复用器分为anti-Stokes光和Stokes光，经雪崩光电二极管转换为anti-Stokes电信号和Stokes电信号，再经过放大器和数据采集卡转换为anti-Stokes数据和Stokes数据；
[0057] 所述数据采集卡用于将anti-Stokes数据累加求均值，得到anti-Stokes均值数据，且数据采集卡连接上位机4，用于根据上位机4预设的累加次数，输出该累加次数对应anti-Stokes均值数据；
[0058] 所述上位机4用于获取anti-Stokes均值数据并判断出温度异常的模拟桶1。
[0059] 本实施例中：所述模拟桶1容积为2L，当然也可以为其他容积。
[0060] 一种核废物桶暂存库热源分布监测模拟装置的监测方法，包括以下步骤：
[0061] (1)建立一核废物桶暂存库热源分布监测模拟装置，其中传感光纤2均匀缠绕在m个模拟桶1外壁，数据采集卡连接上位机4；将m个模拟桶1按顺序标号，分别为第1个到第m个，且模拟桶1容积为V；
[0062] (2)构建温度异常参考样本集和测试样本集；
[0063] (21)设置实验条件：
[0064] 设置s种测试水温，分别为T1到Ts；
[0065] 将模拟桶1容积V等分为P份，每份体积为V/P；
[0066] 上位机4设置B组累加次数；
[0067] (22)获取第一个模拟桶1的温度异常样本：
[0068] 获取温度为T1时的温度异常数据；：在第一个模拟桶1中，分P次加入体积为V/P、温度为T1的水，且每加水一次测量一次；每次测量时，数据采集卡分别导出B组累加次数时的anti-Stokes均值数据，共得到P×B组anti-Stokes均值数据；
[0069] 再依次获取温度为T2-TS的anti-Stokes均值数据，则第一个模拟桶1的anti-Stokes均值数据为S×P×B组；
[0070] (23)按照步骤(22)，获取其余模拟桶1的anti-Stokes均值数据，每个模拟桶1的anti-Stokes均值数据为S×P×B组；
[0071] (24)从每个模拟桶1的anti-Stokes均值数据中，各选一组实验条件完全相同的anti-Stokes均值数据作为参考样本数据，构成参考样本集，其余anti-Stokes均值数据构成为测试样本集；
[0072] (3)提取温度异常样本数据特征；
[0073] (31)利用参考样本集中的样本数据构建参考样本矩阵
[0074]
[0075] 其中，矩阵的列向量表示对应模拟桶的参考样本数据，n表示每个参考样本数据的长度；
[0076] (32)通过下式对参考样本矩阵XRef进行中心化，得到中心化后的样本矩阵[0077]
[0078] (33)计算中心化后的样本矩阵 的协方差矩阵
[0079]
[0080] (34)对角化协方差矩阵C以得到特征值λi(i＝1,2,…,n)及其对应的特征向量ui，将特征值向量按对应特征值的大小降序排列成矩阵，取前k行组成变换矩阵Tk×n，[0081] 其中，k《n，k值通过下式来确定：
[0082]
[0083] (35)通过下式得到降维后的参考样本矩阵
[0084]
[0085] 则将Rk×m的列向量rj(j＝1,2,…,m)，作为第j个模拟桶的温度异常样本数据特征；
[0086] (4)温度异常定位
[0087] (41)按照步骤(31)-(35)，得到降维后的测试样本矩阵Vk×l，将该矩阵的列向量vq(q＝1,2,…,l)，l＝m×S×P×B-m；
[0088] (42)采用下式，计算矩阵Vk×l中每个列向量与m个模拟桶的温度异常样本数据特征间的欧式距离
[0089]
[0090] (43)找出使d(v,r)最小的温度异常样本数据特征，该温度异常样本数据特征对应的模拟桶，则为温度异常位置。
[0091] 实施例2：参见图1和图2，一种核废物桶暂存库热源分布监测模拟装置，结构同实施例1。
[0092] 且本实施例2中，模拟桶1为8个，每个模拟桶1容积为2L，在图2中，为了更方便的缠绕传感光纤2，我们将模拟桶1两两重叠设置。
[0093] 一种核废物桶暂存库热源分布监测模拟装置的监测方法，包括以下步骤：
[0094] (1)建立一核废物桶暂存库热源分布监测模拟装置，其中传感光纤2均匀缠绕在8个模拟桶1外壁，数据采集卡连接上位机4；将8个模拟桶1按顺序标号，分别为第1个到第8个，且模拟桶1容积为2L；
[0095] (2)构建温度异常参考样本集和测试样本集；
[0096] (21)设置实验条件：
[0097] 设置3种测试水温，分别为45.0℃、55.5℃、65.0℃。
[0098] 将模拟桶1容积2L等分为4份，每份体积为500ml
[0099] 上位机4设置7组累加次数，且这7组累计次数分别是分别在1000次、2000次、4000次、6000次、8000次、10000次和16000次；
[0100] (22)获取第一个模拟桶1的温度异常样本：
[0101] 获取温度为45.0℃时的温度异常数据：在第一个模拟桶1中，分4次加入体积为500ml、温度为45.0℃的水，第一次加水时测量第一次，数据采集卡分别在累计次数为1000次、2000次、4000次、6000次、8000次、10000次和16000次时，导出anti-Stokes均值数据，共得到7组anti-Stokes均值数据；同理，第二次、第三次、第四次加水时，各得到7组anti-Stokes均值数据，则一共得到28组anti-Stokes均值数据。同理，依次获取温度为55.5℃的anti-Stokes均值数据，共28组，温度为65.0℃的anti-Stokes均值数据，共28组。此时，第一个模拟桶1测量完成，共得到84组anti-Stokes均值数据数据。
[0102] (23)按照步骤(22)，获取其余7个模拟桶1的anti-Stokes均值数据，每个模拟桶1的anti-Stokes均值数据为84组。这样，8个模拟桶1的数据均为762组；
[0103] (24)从每个模拟桶1的的anti-Stokes均值数据中，各选一组实验条件完全相同的anti-Stokes均值数据作为参考样本数据，构成参考样本集，本实施例中，我们选取每个模拟桶1加水量为1500mL、水温为65.0℃、在1000次累加平均次数下获得的anti-Stokes均值数据，这里参考样本数据共8组，其余anti-Stokes均值数据共664组构成为测试样本集；
[0104] (3)提取温度异常样本数据特征；
[0105] (31)-(35)，同实施例1步骤(31)-(35)，得到降维后的参考样本矩阵，并用该矩阵的的列向量r1-r8，分别表示第1个到第8个模拟桶1的温度异常样本数据特征；
[0106] (4)温度异常定位
[0107] (41)按照步骤(31)-(35)，得到降维后的测试样本矩阵，该矩阵的列向量分别为V1-V664；
[0108] (42)采用下式，计算降维后的测试样本矩阵Vk×l中每个列向量与m个模拟桶1的温度异常样本数据特征间的欧式距离
[0109]
[0110] (43)找出使d(v,r)最小的温度异常样本数据特征，该温度异常样本数据特征对应的模拟桶1，则为温度异常位置。
[0111] 本实施例中，测试样本集中样本数据组数为664，测试样本集中定位正确的样本数据组数为639，定位的准确率＝639/664＝96.23％。
[0112] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何
修改、等同替换和改进等，均应包含在本发明的保护范围之内。
