本研究應用圖樣比對法(Template matching)進行壓水式核能電廠暫態辨識。圖樣比對法是一種圖形辨識方法，將欲辨識的圖樣特徵與預先儲存於資料庫中的圖樣特徵進行比對，並以某種相似性量測值來計算兩圖樣間的相似程度。
本論文使用核三廠事故模擬分析軟體PCTran-PWR模擬多種暫態及事故來進行方法的驗證。選用參數的原始數據經過警戒數值的轉換後可取出各暫態的特徵；暫態的特徵是以向量序列的方式呈現，稱之為特徵向量序列。藉由設定距離函數計算特徵向量間的距離，並求得測試暫態序列與參考暫態序列的最小總距離來表示兩暫態的匹配程度。
將主資料庫中參考暫態的特徵序列逐一進行比對測試，結果發現大部分暫態都可明顯地辨識。喪失爐心冷卻水事故的破口位置位於熱端管路或冷端管路則無法明確辨識。圍阻體內蒸汽管路破管暫態與喪失爐心冷卻水事故在不同破口大小的情況下，大都能正確地判定破口大小與破口大小範圍。
資料庫以外的暫態如汽機跳脫旁通閥未開啟與三浬島事件等雙重故障暫態，測試結果顯示這兩種暫態不屬於資料庫中任一種參考暫態。考慮相同事件，但因數據有差異的辨識能力，使用RELAP5模擬兩項參考暫態進行測試，測試結果仍可正確地判定暫態類別。此外，在資料庫中加入不同初始功率的暫態序列能擴充資料庫的應用範圍。在多種的測試中，證明本方法皆可達到辨識的目的。

摘要 i
Abstract ii
誌 謝 iii
目錄 iv
圖目錄 vii
表目錄 x
第一章 緒論 1
1.1 研究緣起與目的 1
1.2 文獻回顧 1
1.3 研究概要 3
第二章 圖樣比對法介紹 5
2.1 簡介 5
2.2 最佳化路徑搜尋技巧 5
2.2.1 Bellman’s 最佳化理論 6
2.2.2 端點限制(End Point Constraints)、全域限制(Global Constraints)與區域限制(Local Constraints) 8
第三章 研究原理與方法 11
3.1 研究原理 11
3.2 研究方法 13
3.2.1 模擬的暫態事件與選用參數 14
3.2.2 警戒數值之設定 18
3.2.3 數據轉換與特徵向量序列 18
3.2.4 特徵向量序列比對 24
3.2.4.1 比對規則與範圍 25
3.2.4.2 求最小總距離 27
3.2.4.3 最小平均總距離 29
第四章 結果與討論 30
4.1 資料庫暫態進行辨識效能測試 30
4.1.1 測試暫態TR1 「迴路A主蒸汽隔離閥意外關閉」與測試暫態TR2 「迴路B主蒸汽隔離閥意外關閉」 33
4.1.2 測試暫態TR3 「所有主蒸汽隔離閥意外關閉」 34
4.1.3 測試暫態TR4 「調壓槽安全閥意外開啟」 35
4.1.4 測試暫態TR5 「蒸汽產生器管破管」 36
4.1.5 測試暫態TR6 「蒸汽管路安全閥意外開啟暫態」與測試暫態TR12「圍阻體內蒸汽管路破口200 cm2」 37
4.1.6 測試暫態TR7 「喪失迴路A飼水」 38
4.1.7 測試暫態TR9 「喪失所有正常飼水」與測試暫態TR10 「汽機跳脫旁通閥開啟」 39
4.1.8 測試暫態TR13 「圍阻體內蒸汽管路破口1000 cm2」與測試暫態TR14 「圍阻體內蒸汽管路破口2000 cm2」 40
4.2 主資料庫參考暫態以外之暫態辨識效能測試 47
4.2.1 測試暫態UN1「汽機跳脫旁通閥未開啟」 47
4.2.2 測試暫態UN2「三浬島事件」 48
4.3 「圍阻體內蒸汽管路破管暫態」不同破口大小辨識效能測試 49
4.3.1測試案例「圍阻體內蒸汽管路破口500 cm2」 50
4.4 「喪失冷卻水暫態」不同破口大小辨識效能測試 53
4.5 以RELAP5模擬主資料庫中兩項參考暫態進行測試 56
4.5.1 使用RELAP5模擬「調壓槽安全閥意外開啟」暫態進行測試 57
4.5.2 使用RELAP5模擬「喪失所有正常飼水」暫態進行測試 58
4.6 不同初始功率的暫態辨識效能測試 59
第五章 結論與建議 62
參考文獻 63
附錄一 65

1. E. B. Bartlett and R. E. Uhrig, “Nuclear Power Plant Status Diagnostics Using an Artificial Neural Network,” Nucl. Technol.,Vol.97, pp. 272-281, 1992.
2. Y.Ohga and H. Seki, “Abnormal Event Identification in Nuclear Power Plants Using a Neural Network and Knowledge Processing,” Nucl. Technol.,Vol.101, pp. 159, 1993.
3. Y. Bartal, J. Lin, and Robert E. Uhrig, “Nuclear Power Plant Transient Diagnostics Using Artificial Neural Networks that Allow ‘Don’t-Know’ Classifications,” Nucl. Technol., Vol. 110, pp. 436, 1995.
4. D. Roverso, “Soft Computing Tools for Transient classification,” Information Sciences, Vol. 127, pp. 137-156, 2000.
5. D. Roverso, “Plant Diagnostics by Transient Classification: the Aladdin Approach,” International Journal of Intelligent Systems (IJIS), 2002.
6. D. Roverso, “Fault Diagnosis with the Aladdin Transient Classifier,” Proceedings of SPIE, Vol. 5107, pp. 162-171, 2003.
7. Kee-Choon Kwon, “HMM-Based Transient Identification in Dynamic Process,” Transaction on Control Automation, and Systems Engineering, Vol. 2, No. 1, pp.40-4, 2000.
8. Marzio Marseguerra, Enrico Zio, Andrea Oldrini, Enrico Brega, “Fuzzy Identification of Transients in Nuclear Power Plants,” Nuclear Engineering and Design, Vol. 225, pp.285-294, 2003.
9. C. Gottlieb, V. Arzhanov, W. Gudowski, N. Garis, “Feasibility Study on Transient Identification in Nuclear Power Plants Using Support Vector Machines,” Nucl. Technol., Vol. 155, pp. 67, 2006.
10. Jose Antonio Carlos Canedo Medeiros, Roberto Schirru, “Identification of Nuclear Power Plant Transients Using the Particle Swarm Optimization Algorithm,” Annals of Nuclear Energy, Vol. 35, pp. 576-582, 2008.
11. S. Theodoridis and K. Koutroumbas, Pattern Recognition, Academic Press, USA, pp. 283-298, 1999.
12. 「核能發電訓練基本教材-壓水式反應器系統介紹」，台灣電力公司第三核能發電廠，1983。