KR101984248B1 - 원자력 발전설비의 기계학습식 예측진단장치 - Google Patents

Abstract

본 발명은 원자력 발전설비의 기계학습식 예측진단장치에 관한 것으로, 펌프로부터 진동신호를 수신하여 저장하는 진동신호 수신모듈(3); 상기 진동신호를 전처리하는 신호 전처리모듈(5); 상기 진동신호로부터 통계적, 형태적 특성값을 계산하는 특성 추출모듈(7); 펌프에 적합한 복수의 특성값을 펌프의 부품 별로 선택하고, 선택된 특성값을 차원 축소시켜 특성값 주성분을 생성하는 특성 선택모듈(9); 및 상기 특성값 주성분으로 상기 펌프의 상태를 학습하고, 그 학습 결과를 통해 상기 펌프를 진단하는 진단모듈(11);을 포함하여 이루어지며, 상기 신호 전처리모듈(5)은, 상기 진동신호를 평균화하는 평균화부(13); 및 상기 진동신호를 임의의 구간으로 분할한 뒤 시간분할영역 및 주파수분할영역으로 구분한 다음, 상기 특성 추출모듈(7)로 출력하는 결함신호 추출부(15);를 포함하여 이루어지는 것을 특징으로 하며, 따라서 펌프에서 발생할 수 있는 결함을 예측 진단할 수 있도록 결함신호 데이터를 처리하므로, 펌프에 대한 자동 예측진단 결과의 신뢰성 및 성능을 크게 개선할 수 있게 될 뿐 아니라, 기계학습을 도입함으로써 예측진단 장치의 효용성을 대폭 향상시킬 수 있게 된다.

Description

원자력 발전설비의 기계학습식 예측진단장치{Apparatus For Making A Predictive Diagnosis Of Nuclear Power Plant By Machine Learning}

본 발명은 원자력 발전설비의 기계학습식 예측진단장치에 관한 것으로, 보다 상세하게는 원자력 발전설비 특히, 펌프의 각 부품에서 취득한 진동신호를 가공하여 부품 간 공통되면서 각 부품의 진동상태를 적절히 반영하고 있는 적합한 특성값을 선별하고, 선별된 특성값에 따라 머신을 학습한 다음, 학습된 머신에 의해 역으로 펌프 각 부품의 진동상태를 진단할 수 있도록 한 원자력 발전설비의 기계학습식 예측진단장치에 관한 것이다.

원자력 발전 설비의 운전 상태를 정밀하게 파악하는 결함진단(diagnostics)기술은 설비가 의도된 기능과 표준성능을 지속하기 위한 일련의 활동으로 설비가 취득되어 폐기될 때까지의 전 수명기간 동안 관리하는 설비 관리기술(terotechnology) 중의 핵심기술이다. 설비의 건전성 감시와 예측결함 진단기술은 설비의 유지관리, 보수에 이용되는 지식기반의 서비스기술로서, 펌프와 같은 핵심기계설비의 상시 상태감시, 향후 결함 진행정도를 파악하기 위한 각 결정 단계(결함감지, 결함 진단)에서 신뢰성 높은 결과를 추론하기 위해 데이터를 융합하는 새로운 형태의 지식기반의 공정 모니터링 기술이 산업설비에 대한 적용 및 개발이 활발하게 진행되는 실정이다.

하지만 원자력 발전설비의 경우, 전술한 결함진단 기술의 단계는 예방정비(Preventive Maintenance) 수준 즉, 주기적으로 설비를 점검하는 수준에 머물러 있는 실정이며, 따라서 결함을 예측하여 진단하기 위한 신뢰성 높은 결과를 도출할 수 없는 문제점이 있었다.

또한, 원자력 발전설비의 개별 부품들은 가동 시간 등을 기준으로 정비 계획을 세워 정기적으로 정해진 정비계획에 따라 정비하는 예방정비(Preventive Maintenance; PM)를 기반으로 수행되고 있다. 설비의 상태 감시는 진동의 RMS(Root Mean Square)나 P-P(Peak to Peak)값의 진동 평가 규격에 의한 경보와 비상정지(Trip)값을 설정하여 차후 예방정비기간까지 안전한 설비 운행을 위하여 진동 추세(trend) 관리를 수행한다.

그런데, 전술한 방법은 일정 시간이 되면 무조건적으로 이루어지는 정비에 의해 과잉정비가 발생할 수 있으며, 불필요한 정비에 의해 안정적으로 운행되던 설비를 정비함으로써, 전에 없던 문제를 야기할 수 있다. 또한 종래의 기술에는 설비의 안정적인 운행을 위한 진동 추세 모니터링만 이루어지고 있기 때문에, 설비의 이상(결함) 발생 시점을 예측하기 어려우며, 이상 발생 시 전문가의 상세한 분석이 필요하게 되는 문제점이 있었다.

또한, 원자력 발전설비의 각 부품으로부터 진동 신호를 취합하여 진동 상태를 잘 나타낼 수 있는 특성값을 선별(선택)함에 있어, 부품의 상태는 정상상태를 포함하여 각각의 결함에 따라 서로 상이한 상태로 구분될 수 있는데, 이는 곧 상태 별로 선별되는 진동의 특징이 상이함을 뜻한다. 이와 같이, 상태 별로 선별되는 특징이 상이하기 때문에, 예상되는 결함의 종류에 따라 분할하여 분석해야 하는 문제점이 발생하며, 따라서 해당 설비에 대한 다원화된 관리는 진단장치 사용자의 혼란을 초래할 가능성이 있고, 분석 절차를 복잡화시키며, 결과적으로 진단 소요시간을 늘리는 문제점이 있었다.

KR 10-1060139 KR 10-1607047

본 발명은 위와 같은 종래의 발전설비 예측진단장치가 가지고 있는 문제점을 해결하기 위해 제안된 것으로, 펌프와 같은 원자력 발전설비의 각 부품으로부터 진동신호를 취득하고, 이 진동신호에 대한 데이터 처리를 통해 진동신호의 통계적 특성값들을 추출하고, 이 특성값들을 머신에 학습시켜, 이후 역으로 머신에 의해 펌프의 진동 상태를 예측 진단할 수 있도록 하는 데 그 목적이 있다.

또한, 펌프와 같은 발전설비의 부품 별로 수동 정비에 의해 수행되는 예측 진단 작업을 자동 예측진단으로 대체함으로써, 설비 건전성을 더욱 높이고, 원자력 발전소의 운영을 보다 원활히 할 수 있도록 하는 데 다른 목적이 있다.

또한, 위와 같이 부품에서 발생할 수 있는 결함에 의한 진동신호 즉, 진동신호 중 결함성분을 진동신호로부터 추출하여 처리함으로써, 원전 설비에 대한 효율적인 자동 예측진단을 가능하게 하는 데 또 다른 목적이 있다.

아울러, 펌프의 전체 부품의 정상 및 각 결함 상태에 대하여 특성값 주성분을 생성함으로써 각 부품의 진동 상태를 통합적으로 관리할 수 있도록 하는 데 또 다른 목적이 있다.

이러한 목적을 달성하기 위해 본 발명은 펌프로부터 진동신호를 수신하여 저장하는 진동신호 수신모듈; 상기 진동신호 수신모듈에 수신된 상기 진동신호를 전처리하는 신호 전처리모듈; 상기 신호 전처리모듈에서 전처리된 상기 진동신호로부터 통계적, 형태적 특성값을 계산하는 특성 추출모듈; 상기 특성 추출모듈에서 추출된 특성값 중 펌프에 적합한 복수의 특성값을 펌프의 부품 별로 선택하고, 선택된 특성값을 차원 축소시켜 특성값 주성분을 생성하는 특성 선택모듈; 및 상기 특성 선택모듈에서 선택된 특성값 주성분으로 상기 펌프의 상태를 학습하고, 그 학습 결과를 통해 상기 펌프를 진단하는 진단모듈;을 포함하여 이루어지며, 상기 신호 전처리모듈은, 상기 진동신호 수신모듈에 수신된 상기 진동신호를 평균화하는 평균화부; 및 상기 평균화부에서 평균화를 마친 상기 펌프의 상기 진동신호를 임의의 구간으로 분할한 뒤 시간분할영역 및 주파수분할영역으로 구분한 다음, 상기 특성 추출모듈로 출력하는 결함신호 추출부;를 포함하여 이루어지는 원자력 발전설비의 기계학습식 예측진단장치를 제공한다.

또한, 상기 특성 선택모듈은, 상기 특성 추출모듈에서 추출된 특성값을 클래스 별로 구분하여 저장하는 분류부; 상기 분류부에 각각의 상기 클래스 별로 저장된 특성값의 데이터 범위를 일치시키고, 분포를 유사하게 만드는 정규화부; 상기 정규화부에서 정규화된 특성값을 후보로 하여 유전 알고리즘을 수행함으로써 적합한 특성값을 부품 별로 복수 개 선별하는 선택부; 및 상기 선택부에서 선별된 다수의 특성값을 대상으로 주성분 분석 알고리즘을 수행함으로써 차원을 축소시켜 특성값 주성분을 생성하는 차원 축소부;를 포함하여 이루어지는 것이 바람직하다.

또한, 상기 진단모듈은 상기 차원 축소부에서 차원 축소된 특성값 주성분을 대상 머신에 학습시키고, 학습된 머신에 의해 펌프의 현재 상태를 상기 부품을 망라하여 통합적으로 진단하는 것이 바람직하다.

또한, 상기 특성 추출모듈은 특정 부품의 결함 진동신호 뿐 아니라, 정상 진동신호를 수신하여 특성값을 계산하도록 되어 있으며, 상기 특성 선택모듈은 특성값 주성분에 따라 부품 결함 또는 정상 시의 상기 결함 또는 정상 진동신호를 계산하여 나타낸 결함 또는 정상 그래프로 전체 부품의 상태를 통합적으로 나타내도록 되어 있는 것이 바람직하다.

또한, 상기 진단모듈은 상기 결함 그래프와 상기 정상 그래프를 비교함으로써, 전체 부품의 결함 정도를 정상일 때와 대비시켜 파악할 수 있도록 되어 있는 것이 바람직하다.

본 발명의 원자력 발전설비의 기계학습식 예측진단장치에 따르면, 원전설비 특히, 펌프에서 발생할 수 있는 결함을 예측 진단할 수 있도록 결함신호 데이터를 처리하므로, 펌프에 대한 자동 예측진단 결과의 신뢰성과 성능을 크게 향상시킬 수 있을 뿐 아니라, 기계학습을 도입함으로써 예측진단 장치의 효용성을 대폭 향상시킬 수 있게 된다.

또한, 원자력 발전설비 특히, 펌프에서 발생할 수 있는 결함 중에서 조기 검출이 어려운 정상 마모로 인한 베어링의 미소한 결함진전, 과도한 축방향 추력으로 인한 비금속부품의 피로 손상 및 열 충격에 의한 미소 뒤틀림 등을 조기에 검출할 수 있게 되므로, 펌프에 대한 예측진단 성능을 획기적으로 향상시킬 수 있게 된다.

도 1은 본 발명의 일 실시예에 따른 원자력 발전설비의 기계학습식 예측진단장치의 블록도.
도 2는 진동신호 분할부분에서 진동신호를 복수 회차 분할하여 복수의 부대역을 만드는 과정을 보인 도면.
도 3은 도 1의 특성 선택모듈의 하위 구성을 보인 블록도.
도 4는 특성값 해의 적합도를 평가하기 위해 3 개의 특성값을 각각 x, y, z 축으로 하여 작도한 목적함수 그래프.
도 5는 도 1의 예측진단장치에 의해 펌프를 예측진단하는 과정을 보인 흐름도.
도 6은 도 5의 결함신호 추출 과정을 상세히 설명하는 흐름도.
도 7은 도 6의 결함신호 추출 방식을 보다 상세히 나타낸 흐름도.
도 8은 도 5의 특성값 선택 과정을 상세히 설명하는 흐름도.

이하, 본 발명의 일 실시예에 따른 원자력 발전설비의 기계학습식 예측진단장치를 첨부 도면을 참조로 상세히 설명한다.

본 발명의 예측진단장치는 도 1에 도면부호 1로 도시된 바와 같이, 진동신호 수신모듈(3), 신호 전처리모듈(5), 특성 추출모듈(7), 특성 선택모듈(9), 및 진단모듈(11)을 포함하여 이루어진다.

여기에서, 먼저 상기 진동신호 수신모듈(3)은 원자력 발전설비 중 예측 진단을 하고자 하는 대상인 펌프에서 발생한 진동신호를 수신하는 부분으로, 도 1에 도시된 바와 같이, 펌프의 임펠러나 회전축 등과 같은 부품 즉, 진동원에 설치한 진동센서(변위 및 가속도 센서)로부터 보내진 진동신호를 단위 시간 동안 예컨대, 2 초 간 수신하여 해당 부품의 종류 별로 구분하여 DB에 저장한다.

이때, 도 1에 도시되어 있지 않지만, DB에 저장된 진동신호 데이터는 후술하는 전처리를 진행하기 전에 노이즈제거부를 통해 노이즈가 포함될 수 있는 주파수 대역을 저주파, 중주파, 고주파 등의 통과 필터링 과정을 거치게 된다. 해당 과정은 원자력 발전설비에서 변위 및 가속도 센서 등의 진동센서를 통해 수집된 아날로그 신호를 디지털화하는 과정에서 양자화 오차로 인해 발생하는 노이즈 성분을 제거하며, 특히 부품이 회전 설비인 경우 진동신호의 결함성분이 수렴(convergence)하는 현상을 방지한다. 즉, 필수 요소인 디지털화 과정에서 불가피하게 발생하는 노이즈를 사전에 제거 및 저감하는 역할을 수행한다.

상기 신호 전처리모듈(5)은 위 진동신호 수신모듈(3)에 수신된 진동신호를 전처리하는 부분으로, 도 1에 도시된 바와 같이, 노이즈제거부(12), 평균화부(13) 및 결함신호 추출부(15)를 포함하여 이루어진다.

여기에서, 상기 노이즈제거부(12)는 도 1에 도시된 것처럼, DB에 저장된 진동신호 데이터에 대하여 노이즈가 포함될 수 있는 주파수 대역에 따라 저주파, 중주파, 고주파 등의 통과 필터링 과정을 거치게 된다. 해당 과정은 원자력 발전설비 중 펌프에서 변위 및 가속도 센서 등의 진동센서를 통해 수집된 아날로그 신호를 디지털화하는 과정에서 양자화 오차로 인해 발생하는 노이즈 성분을 제거하며, 특히 부품이 펌프와 같이 회전 설비인 경우 진동신호의 결함성분이 수렴(convergence)하는 현상을 방지한다. 즉, 필수 요소인 디지털화 과정에서 불가피하게 발생하는 노이즈를 사전에 제거 및 저감하는 역할을 수행한다.

상기 평균화부(13)는 진동신호 내의 불안정한 성분을 저감하는 부분으로, 이미 정해져 있는 펌프의 적정 회수만큼 진동신호를 평균화한다. 즉, 평균화부(13)는 노이즈가 제거된 진동신호 데이터에 대하여 부품 즉, 진동원 별로 횟수를 달리하여 평균화 처리를 수행한다. 이때, 펌프는 구동 특성 상 적정 효율점을 벗어난 운전 및 다른 부품의 진동 등으로 인한 진단 방해요인(진동 성분) 때문에 진단 오류를 일으킬 가능성이 높으므로, 평균화 횟수를 늘려 신호의 불안정한 성질(non-stationary)을 제거한다. 한편, 평균화부(13)는 평균화 수행과정을 거치면서 데이터 크기를 감소시키므로, 효율적인 데이터 누적 관리도 가능하게 한다.

또한, 상기 결함신호 추출부(15)는 평균화를 마친 진동신호를, 결함신호의 시간 의존도가 높은 즉, 단시간 의존성인 펌프의 특성을 고려하여 임의의 구간으로 분할한 뒤 시간분할영역 및 주파수분할영역으로 구분한 다음 특성 추출모듈(7)로 출력한다. 이때, 결함신호의 시간 의존도가 높다는 것은 결함신호가 시간 경과에 따라 변화가 크다는 것을 의미한다. 즉, 펌프와 같이 상대적으로 경박단소한 부품은 진동신호가 다른 이웃한 부품의 영향을 많이 받고, 결함이 일단 발생하면 결함신호가 간헐적으로 발생한다는 것을 의미한다.

이를 위해, 결함신호 추출부(15)는 도 1에 도시된 바와 같이, 부대역 지정섹터(23)를 구비하는 바, 위에서 언급한 것처럼, 부대역 지정섹터(23)는 시간 의존도가 높은 펌프의 평균화를 마친 진동신호의 시간파형을 임의의 구간 즉, 부대역으로 분할한 뒤 시간분할영역 및 주파수분할영역으로 구분하여 출력한다.

이때, 부대역 지정섹터(23)는 다시 도 1에 도시된 것처럼, 결함신호 추출단(31) 그리고 진동분할신호 출력단(33)을 포함하여 이루어지는 바, 상기 결함신호 추출단(31)은 부대역 지정섹터(23)로 전달된 진동신호를 웨이블릿(wavelet) 기반으로 포락분석하여 복수의 부대역으로 분할한다. 이와 같이 분할된 진동신호 즉, 진동분할신호 데이터는 특정 기저 함수의 집합으로 분리하는 과정을 수행하며, 사용되는 기저 함수의 집합은 하나의 기본 웨이블릿 기저함수(mother wavelet basic function)에 대한 시간 축 방향으로의 확대 및 축소와 평행이동을 통해 확보된다. 또한, 결함신호 추출단(31)은 위와 같이 분할된 각 부대역의 진동분할신호 레벨을 평가하여 해당 진동분할신호의 결함여부를 판단한다.

이를 위해, 결함신호 추출단(31)은 다시 결함신호 비교부분(41), 진동신호 분할부분(43), 결함 판단부분(45), 및 결함신호 추출부분(47)으로 이루어지는 바, 상기 결함신호 비교부분(41)은 부품을 이루는 각각의 요소마다 이미 정해져 있는 결함신호의 주파수대역폭을 DB로부터 확인하고, 확인한 값을 요소끼리 서로 비교하여 결함신호의 주파수대역폭이 최소인 요소를 찾아낸다. 예컨대, 발전설비인 펌프의 부품을 임펠러라고 하면, 임펠러의 각 요소 즉, 블레이드 또는 부싱 등이 갖는 결함신호의 주파수대역폭을 DB에서 각각 확인하여 최소의 결함신호 주파수대역폭을 갖는 요소 예컨대 블레이드를 찾아낸다.

또한, 상기 진동신호 분할부분(43)은 위와 같이 결함신호 비교부분(41)에서 찾아낸 요소의 결함신호 주파수성분을 포함하는 최소폭이 될 때까지 진동신호를 도 2에 도시된 것처럼 n회차 예컨대, 4회차에 걸쳐 분할한다. 이때, 매 분할회차마다 진동신호는 n+1개의 부대역을 생성한다, 즉, 진동신호를 1회차 분할한 때는 2개의 부대역이, 2회차 분할한 때는 3개의 부대역이, 3회차 분할한 때는 4개의 부대역이, 4회차 분할한 때는 5개의 부대역이 각각 생성된다.

또한, 상기 결함 판단부분(45)은 위 진동신호 분할부분(43)에서 진동신호가 n=4회차 분할되는 동안 발생한 총 n(n+1)/2+n개 즉, 예컨대 14개의 부대역을 대상으로 하여 각 부대역의 진동분할신호의 레벨을 평가하고, 해당 요소 즉, 블레이드의 진동분할신호의 결함성장 가능성을 판단한다.

또한, 상기 결함신호 추출부분(47)은 위 결함 판단부분(45)에서 평가된 각 부대역의 진동분할신호가 결함성장 가능성이 있는 것으로 판단된 때 즉, 해당 요소 즉, 블레이드의 결함신호가 임계치를 초과한 때, 해당 진동분할신호를 결함신호로 추출하여 진동분할신호 출력단(33)으로 전달한다.

이와 동시에, 결함 판단부분(45)은 위 n(n+1)/2+n개 즉, 14개의 부대역 전체를 대상으로 각각의 진동분할신호의 레벨을 평가함으로써, 결함신호 주파수대역폭이 최소가 아닌 요소 예컨대, 부싱에서 발생된 진동분할신호의 결함성장 가능성을 판단한다. 판단 결과, 다른 요소에 결함성장 가능성이 있는 것으로 판단되면, 마찬가지로 결함신호 추출부분(47)은 해당 진동분할신호를 결함신호로 추출하여 진동분할신호 출력단(33)으로 전달하도록 한다.

상기 진동분할신호 출력단(33)은 위 결함신호 추출단(31)에 분할된 복수의 부대역 중 위 결함신호 추출단(31)에서 진동분할신호에 결함이 있다고 판단된 특정 부대역의 해당 진동분할신호를 도 6에 도시된 바와 같이, 시간분할영역 및 주파수분할영역으로 구분하여 특성 추출모듈(7)로 출력한다. 다만, 이때에도 주파수분할영역 데이터를 출력하기 위해서는 마찬가지로 진동분할신호에 대해 FFT를 수행한다.

따라서, 부대역 지정섹터(23)로 전달된 진동신호는 임의의 구간으로 분할되기 때문에, 기존의 신호처리 기술로는 검출이 어려운 시간 의존도가 높은 결함성분이 조기에 검출될 수 있다.

상기 특성 추출모듈(7)은 도 1에 도시된 것처럼, 위에서 신호 전처리모듈(5)에 의해 전처리가 완료되어 출력된 진동신호 데이터에 대하여 각각 통계적, 형태적 특성을 가진 계산값을 추출하는 기능을 수행한다. 추출은 후술하는 수학식을 통해 설정된 개수만큼의 특성을 추출함으로써 이루어진다. 수학식 1 내지 13에 의해 추출된 각 특성값은 머신러닝 알고리즘 전용 데이터로서 특성 선택모듈(9)에 제공된다.

x(n) : 고장 특징 추출에 사용되는 시간 영역 신호 (이하 동일)

N : x(n)의 샘플 개수 (이하 동일)

RMS(Root-Mean-Square)는 신호의 변화 크기에 대한 값으로 사인 파형과 같이 연속되는 파형의 음과 양을 오가는 정도 또는 그 크기를 의미한다.

: x(n)의 평균, σ : x(n)의 표준편차 (이하 동일)

통계에서 왜도(skewness)는 확률 분포의 비대칭성을 나타내는 지표로 신호의 편중성(신호의 평균을 기준으로 신호 값들의 분포가 한쪽으로 몰리는 정도)이 증가할수록 왜도 또한 증가한다.

임펄스 계수(impulse factor)는 신호에서 가장 큰 임펄스(파형이 뾰족하게 솟아오르는 부분)의 크기에 대한 지표이다.

통계에서 첨도(kurtosis)는 확률분포의 모양이 뾰족한 정도를 나타내는 지표로 신호의 값들의 분포가 특정 값 근처에 몰려 뾰족한 형태를 이룰수록 첨도가 증가한다.

첨도 계수(kurtosis factor)는 첨도의 변형된 값으로 첨도가 신호 전체의 크기에 민감한 단점을 보완한 값이다.

SMR(Square-Mean-Root)는 RMS와 동일하게 연속되는 파형의 음과 양을 오가는 정도 또는 그 크기를 의미하며 RMS보다 신호의 크기에 더 민감하다.

양진폭(peak-to-peak)은 신호의 전체 폭을 나타내는 지표로 신호에서 가장 작은 값과 가장 큰 값의 차이이다.

여유도 계수(margin factor)는 신호의 평균적인 크기에 비해 최소/최대 값의 차이를 의미한다.

파고율(crest factor)은 여유도와 동일하게 신호의 평균적인 크기에 비해 최소/최대 값의 차이를 의미하며 평균 크기로 SMR대신 RMS를 사용한다.

형상 계수(shape factor)는 전자공학에서 DC 성분과 AC 성분의 비율을 나타내는 지표로 신호의 평균 대비 음과 양을 오가는 연속 파형의 크기 비율을 의미한다.

주파수 중심(frequency center)는 주파수 영역의 평균을 의미한다.

주파수 RMS는 주파수 영역의 RMS 값을 의미한다.

표준편차 주파수(root variance frequency)는 주파수 영역에서 주파수 값들의 분산을 의미한다.

상기 특성 선택모듈(9)은 위 수학식을 통해 계산된 특성값 중에서 펌프에 적합한 특성값을 펌프의 부품 별로 선택하고, 선택된 특성값의 차원을 축소시켜 통합하는 부분으로, 도 3에 도시된 바와 같이, 분류부(51), 정규화부(53), 선택부(55), 및 차원 축소부(57)를 포함하여 이루어진다.

여기에서, 상기 분류부(51)는 상기 특성 추출모듈(7)에서 추출된 특성값을 클래스 별로 구분하여 부품 별로 저장하는 부분으로, 특성값을 클래스 별로 구분하기에 앞서 펌프의 부품 즉, 임펠러나 회전축 등의 부품 별로 나누어 저장한다. 이때, 클래스란 위 선택부(55)에서 위 특성값에 유전알고리즘(GA;Genetic Algorithm)을 적용하기 전에, 유전알고리즘(GA)에서의 적합도 평가에 대비하여 위 특성값을 일정 기준에 따라 분류하여 묶은 특성값의 군집을 의미하는 것으로, 특성값들은 예컨대, 진동신호 데이터값을 펌프로부터 취득하는 날짜 별로 또는 진동신호의 결함 유무에 따라 클래스가 만들어질 수 있다.

상기 정규화부(53)는 위와 같이 각각의 부품마다 분류부(51)에 각각의 클래스 별로 저장된 특성값의 데이터 범위를 일치시키고, 분포를 유사하게 만드는 부분으로, 위 특성 추출모듈(7)에서 추출된 특성값 즉, 수학식 1 내지 13에 의해 계산된 계산값의 데이터 범위를 일치시키는 바, 각각의 특성값은 정규화되는 과정에서 벡터화된다. 따라서, 정규화가 수행되지 않는 경우, 특성값은 클래스 분류 시 과소 또는 과대평가되기 쉽고, 따라서 진단결과에 대한 신뢰성을 낮추게 된다. 왜냐하면, 분류부(51)에서 클래스를 정할 때, 각 클래스의 영역 또는 다른 클래스와의 거리가 어느 정도인지를 평가하여 상태를 분류하는데, 정규화되지 않은 데이터를 분석에 활용하게 되면, 각각의 특성값은 통계적 또는 형태적으로 단위가 -100 내지 -10, 1 내지 10, 및 1,000 내지 10,000 등으로 상이하기 때문에 거리 측정치 계산에 큰 영향을 미치고, 변수 간의 상관관계가 잘못 평가될 수 있기 때문이다.

상기 선택부(55)는 부품 별로 위 정규화부(53)에서 정규화된 특성값을 후보로 놓고, 이들을 대상으로 유전 알고리즘(GA;Genetic Algorithm)을 수행함으로써 적합한 특성값을 선별할 수 있도록 하는 부분으로, 도 3에 도시된 바와 같이, 다시 초기해 설정섹터(61), 적합도 평가섹터(63), 및 자손해 생성섹터(65)를 포함하여 이루어진다.

여기에서, 상기 초기해 설정섹터(61)는 유전 알고리즘을 시작하는 첫 번째 부분으로, 먼저 집단(Population)이라고 하는 n 개의 해 후보 집합을 초기에 설정하여야 한다. 따라서, 해 후보로는 예컨대, 위 수학식 1 내지 13에서 매일 30개씩 계산하여 정해 진 날짜 동안 누적한 특성값을 사용할 수 있으며, 따라서 집단의 크기는 수학식 1 내지 13에 의해 매일 30개씩 계산되는 특성값을 누적하는 일수에 비례하여 증가한다. 집단의 크기가 정해지면 즉, 특성값 누적일수가 정해지면, 아래 표에 나타난 것처럼, 집단 내에서 특성값(f1 내지 f30)을 조합함으로써 초기해를 만들고, 이를 유전자로 하는 복수의 염색체 예컨대, 6 개의 염색체(Chrom1 내지 Chrom6)를 생성한다. 이때, 특성값(f1 내지 f30)에 2진수로 된 난수를 무작위로 대입하여 초기해를 생성하며, 따라서 각각의 염색체(Chrom1 내지 Chrom6)는 아래 표 1과 같이, 각각의 특성값(f1 내지 f30)의 초기해로서 무작위로 대입한 0 또는 1이라는 복수의 유전자를 갖게 된다. 여기에서, 2진 난수 중 0의 값이 대입된 초기해는 해당 특성값(f1 내지 f30)이 선택되지 않은 것을 의미하고, 1의 값이 대입된 초기해는 해당 특성값(f1 내지 f30)이 선택된 것을 의미한다.

	f1	f2	f3	f4	f5		f29	f30
chrom1	1	0	1	1	0		1	0
chrom2	0	1	1	1	1		0	1
chrom3	0	0	1	0	0	…	0	0
chrom4	1	0	0	0	1		1	0
chrom5	0	1	1	1	0		0	1
chrom6	0	1	0	1	1		0	1

상기 적합도 평가섹터(63)는 위 초기해 설정섹터(61)에서 최초로 생성된 복수의 염색체(Chrom1 내지 Chrom6)가 갖는 각각의 유전자 즉, 초기해에 대하여 또는 제2 세대 이후의 염색체가 갖는 유전자 즉, 자손해에 대하여 적합도를 평가하는 부분으로, SVM(Support Vector Machine) 알고리즘을 채용하여, 각각의 유전자 즉, 0 또는 1로 해가 정해진 특성값(f1 내지 f30)의 적합도를 평가한다. 적합도 평가를 위해 초기해가 1인 특성값들을 조합하여 예컨대, 도 4에 도시된 바와 같은 목적함수 그래프를 작성한다.

이 그래프에 따르면, 예컨대, 특성값 중 f1을 주파수 RMS 값, f3를 주파수 중심 값, f4를 표준편차 주파수 값이라고 하면, f1을 x축으로, f3을 y축으로, f4를 z축으로 설정하고, 일별로 취득한 f1, f3, f4 값을 그래프에 표시한다. 이때, 1 번 염색체(chrom1)의 경우에는 위 그래프에 f1, f3, f4 값이 모두 표시된다. 그러나, 2 번 염색체(chrom2)는 f1 값이 표시되지 않고, f3 값과 f4 값만 위 그래프에 표시된다. 이렇게 해서 복수의 염색체 모두의 초기해가 위 그래프에 표시되면, 위에서 언급한 바 있듯이, 표시된 점들은 특정 기준에 따라 분류되어 클래스를 형성한다. 그리고 각 클래스 내부의 밀도(D)와 각 클래스 간의 거리(L)에 따라 위 그래프 상에 목적함수(OF)가 생성된다. 이에 따라, 그래프 상에 표시된 모든 점 즉, 모든 유전자(f1 내지 f30) 값은 목적함수에 대하여 얼마나 부합하는지에 따라 비로소 적합도가 평가된다.

상기 자손해 생성섹터(65)는 동물 유전자에 있어서 염색체 간의 교배가 이루어져 자손이 생성되듯이 복수의 염색체를 통해 자손해를 생성하는 부분으로, 위 적합도 평가섹터(63)에서 우수한 것으로 평가된 유전자를 많이 갖고 있는 즉, 유전자 적합도 총점이 높은 일정 비율의 우수 염색체를 그대로 다음 세대로 전달한 자손해와, 위 우수 염색체를 제외한 나머지 염색체들을 교차시켜 자손해를 생성한다. 이를 위해서는 먼저 위에서 평가된 각 유전자(f1 내지 f30)의 적합도를 합산하여 각각의 염색체(Chrom1 내지 Chrom6)에 대하여 적합도를 평가한다. 이에 따라, 적합도 총점은 예컨대, 염색체1(chrom1)이 1, 염색체2(chrom2)가 3, 염색체3(chrom3)이 2, 염색체4(chrom4)가 5, 염색체5(chrom5)가 6, 염색체6(chrom6)이 4로 정해질 수 있으며, 그렇다면 적합도 순위는 염색체5, 염색체4, 염색체6, 염색체2, 염색체3, 염색체1의 순으로 높다. 이때, 엘리티즘(elitism)을 33%로 적용하면, 최적 염색체로 선택된 염색체5와 염색체4가 다음 세대로 즉, 제2 세대 자손해로 그대로 전달되어 보존된다. 나머지 4 개의 염색체6, 염색체2, 염색체3, 및 염색체1는 임의로 두 개씩 짝을 지어 교차됨으로써 새로운 4개의 염색체 즉, 제2 세대 자손해를 만들게 되며, 결과적으로 총 6 개의 자손해를 생성하게 된다. 이때, 두 염색체의 교차는 돌연변이 없이 50%의 비율로 유전자 교환이 일어나는 것으로 한다.

이후, 원하는 자손해가 생성될 때까지 적합도 평가와 자손해 생성이 반복하여 수행되는 바, 소정의 세대 수 만큼 또는 정해진 오차 범위를 만족하는 최적해 또는 호적해를 얻을 때까지, 선택부(55)는 위 적합도 평가섹터(63)에서의 적합도 평가와 자손해 생성섹터(65)에서의 자손해 생성을 반복하여 수행한다. 반복 수행 결과 최적해 또는 호적해가 얻어지면, 선택부(55)는 펌프의 특정 부품으로부터 수신한 진동신호의 최적 또는 호적의 특성값을 선택할 수 있게 된다. 즉, 펌프의 특정 부품의 진동 상태를 으뜸으로 또는 버금으로 현저하게 나타내는 특성값을 선택할 수 있게 된다.

상기 차원 축소부(57)는 부품 별로 위 선택부(55)에서 선별된 복수의 특성값을 모아 차원을 축소함으로써 특성값 주성분을 생성하는 부분으로, 먼저 위 선택부(55)에서 펌프의 부품 별로 선별된 최적 또는 호적의 특성값을 모두 모은다. 즉, 예컨대 임펠러의 특성값 중에서 선별된 주파수 RMS, 주파수 중심, 표준편차 주파수의 3 개의 특성값과, 회전축에서 선별된 RMS, 왜도, 임펄스 계수의 3 개의 특성값을 모아 총 6 개의 특성값을 선별한다. 그리고 나서, 예컨대 6 개인 다수의 특성값을 대상으로 하여 주성분 분석(PCA) 알고리즘을 수행하여 특성값의 차원을 축소한다. 이때, 차원 축소된 특성값은 2 또는 3 개의 특성값 주성분을 갖도록 하는 것이 바람직하다. 왜냐하면, 특성값 주성분이 2 개일 때는 2차원 그래프 하나로, 3 개일 때는 3차원 그래프 하나로 전체 부품의 상태를 통합적으로 나타낼 수 있기 때문이다. 다만, 이와 같이 특성값 주성분에 의해 전체 부품의 상태를 나타낼 수 있도록, 특성 추출모듈(7)은 전체 부품 중 어느 하나라도 결함을 가지고 있는 결함 상태에서 결함이 있는 부품으로부터 결함 진동신호를 수신하여 특성값을 계산할 뿐 아니라, 정상 상태에서의 정상 진동신호를 수신하여 특성값을 계산한다. 이에 따라, 특성 선택모듈(9)은 전체 부품이 각각 발생시킨 결함 진동신호에 따른 특성값 주성분 뿐만 아니라, 정상 진동신호에 따른 특성값 주성분에 의해 결함 그래프 또는 정상 그래프를 각각 작도함으로써 전체 부품의 상태를 2 또는 3 차원 그래프에 의해 통합적으로 나타낼 수 있게 된다.

상기 진단모듈(11)은 위 특성 선택모듈(9)에서 선택된 특성값 주성분을 통해 펌프의 상태를 학습하고, 그 학습 결과를 통해 이후 펌프의 상태를 진단하는 부분으로, 일차적으로 위 특성 선택모듈(9)의 차원 축소부(57)에서 차원 축소시킨 특성값 주성분으로 만든 결함 그래프 및 정상 그래프를 대상 머신에 학습시킨다. 그 다음, 펌프의 전체 부품으로부터 새롭게 수신되는 진동신호를 머신에 의해 파악함으로써 펌프 전체 부품의 현재 상태를 통합적으로 예측하여 진단할 수 있게 된다.

이를 위해, 학습된 머신에 의해 수신된 새로운 진동신호를 자동 분류하여 파악하기 위해서도 SVM이 사용 가능한 바, SVM은 선형 뿐 아니라 비선형 데이터 분류를 위해 사용 가능하며, 기본적으로 이진 분류를 수행하지만, 실제 적용에서는 여러 상태를 구분하기 위해 각 클래스의 분류에 대응하는 SVM들을 학습하고 새로운 데이터에 대한 판별은 모든 SVM을 수행한 후 가장 많은 투표값을 가진 클래스로 그 소속을 판별하는 멀티 클래스 SVM(Muiti-Class SVM)이 적용될 수도 있다. 따라서, 기계학습이 완료된 뒤 펌프의 진동 상태를 예측하여 진단하기 위해 머신에 입력되는 새로운 진동 데이터 즉, 특성값은 SVM을 거쳐 그래프 상에 표시됨으로써 펌프의 진동 상태를 시각적으로 나타낸다. 다만, 이때, 진단모듈(11)은 위와 같이 특성 선택모듈(9)에서 만들어진 결함 그래프와 정상 그래프를 서로 비교함으로써, 전체 부품의 결함 정도를 정상일 때와 대비시켜 파악할 수 있게 된다. 즉, 특성값 주성분은 차원이 축소되는 과정 중에 물리적인 의미를 특정할 수 없게 되므로, 정상 그래프와의 비교를 통해서 결함 그래프의 결함 정도를 파악할 수밖에 없게 되기 때문이다.

이제, 본 발명의 바람직한 실시예에 따른 원자력 발전설비의 기계학습식 예측진단장치(1)의 작용을 설명하면 다음과 같다.

본 발명의 예측진단장치(1)에 의하면, 도 5에 도시된 것처럼, 최초 도 1에 도시된 진동신호 수신모듈(3)을 통해 원자력 설비 중 결함의 예측진단이 요구되는 펌프의 예컨대, 임펠러와 같은 부품으로부터 진동신호를 수신한다(S100).

다음으로, 위 수신모듈(3)을 통해 수신된 진동신호 데이터를 신호 전처리모듈(5)을 통해 전처리한다(S200).

그리고 나서, 특성 추출모듈(7)에서 전처리된 진동신호로부터 위 수학식 1 내지 13을 이용해 통계적, 형태적 특성값을 계산하고, 계산값을 외부로 송신한다(S300),

그 다음, 특성 선택모듈(9)에서 위 특성 추출모듈(7)로부터 수신된 특성값 데이터 중에서 적합한 특성값을 선택한다(S400).

끝으로, 진단모듈(11)에서는 특성 선택모듈(9)에서 선별된 특성값을 대상 머신에 학습시키고, 학습이 완료된 머신에 펌프 진동에 관한 테스트 신호 또는 펌프로부터 수신한 새로운 진동신호를 보내 머신을 시험하거나 머신을 통해 펌프의 현재 상태를 파악하여 예측 진단하며(S500), 이에 따라 펌프에 대한 일련의 기계학습식 예측진단을 마치게 된다.

이때, 신호 전처리모듈(5)로 입력된 진동신호 데이터는 도 5에 도시된 바와 같이, 일차적으로 노이즈부를 통해 노이즈가 제거된다. 특히, 진동센서로부터 수집된 아날로그 신호를 디지털화하는 과정에서 불가피하게 발생하는 양자화 오차로 인한 노이즈 성분을 사전에 제거 및 저감한다(S210).

그 다음으로, 노이즈가 제거된 진동신호 데이터는 도 5에 도시된 것처럼, 평균화부(13)에 의해 평균화되는 바(S220), 대상 부품이 시간 의존도가 높은 펌프이므로, 특성 상 진동오류가 발생할 가능성이 높기 때문에, 상대적으로 평균횟수를 늘려, 진동신호 중의 불안정한 성질을 제거한다.

이어서, 평균화가 완료된 진동신호는 결함신호 추출부(15)로 전달되어, 결함신호가 추출된다(S230). 이를 위해, 시간의존도가 높은 펌프의 진동신호 데이터는 도 6에 도시된 것처럼, 부대역 지정섹터(23)로 보내져 결함신호가 추출된다. 이때, 해당 진동신호 데이터는 결함신호 추출단(31)으로 보내져 결함신호 추출단(31)에서 결함신호를 추출하고(SS100), 추출된 결함신호는 진동분할신호 출력단(33)을 통해 특성 추출모듈(7)로 출력된다. 이때, 추출된 결함신호는 도 6에 도시된 것처럼, 시간 또는 주파수 영역으로 구분된 다음, 시간분할영역에서는 시간분할영역 데이터를 출력하며, 주파수분할영역에서는 먼저 FFT를 수행한 다음, 주파수분할영역 데이터를 출력한다(SS200).

한편, 결함신호 추출단(31)에서 진동신호 데이터는 도 6 및 도 7에 도시된 바와 같이, 먼저 결함신호 비교부분(41)에 의해 위에서 언급한 바와 같이, 부품의 각 요소마다 이미 정해져 있는 결함신호의 주파수대역폭을 서로 비교하여 결함신호의 주파수대역(B) 폭이 최소인 요소를 찾아낸다(SS110). 그 다음, 결함신호 비교부분(41)에서 찾아낸 요소의 결함신호 주파수대역(B)을 포함하는 최소폭이 될 때까지 진동신호를 n회차에 걸쳐 분할하여 매 분할회차 마다 n+1개씩 총 n(n+1)/2+n개의 부대역을 생성한다(SS120). 끝으로, 총 n(n+1)/2+n개의 부대역을 대상으로 하여 각 부대역의 진동분할신호의 레벨을 평가하고, 해당 요소의 진동분할신호의 결함성장 가능성을 판단하여(SS130), 최종적으로 결함신호를 추출한다(SS140).

한편, 특성 선택모듈(9)에서 특성값을 선택하기 위해서는 도 8에 도시된 바와 같이, 먼저, 특성 추출모듈(7)에서 추출된 특성값을 분류부(51)에서 클래스 별로 구분하여 저장한다(S410). 이때, 예컨대 30 종류의 특성값은 위에서 언급한 바 있듯이, 진동신호 데이터를 펌프로부터 취득한 날짜 별로 또는 진동신호의 결함 유무에 따라 예컨대, 도 4에 도시된 것처럼 클래스가 구분될 수 있다,

그 다음, 위와 같이 분류된 복수의 특성값은 위에서 언급한 바와 같이 정규화부(53)에서 정규화되어 무차원의 벡터값으로 표현된다(S420).

이와 같이, 정규화된 특성값들은 위에서 상세히 언급한 바와 같이, 선택부(55)에서 유전 알고리즘에 따라 적합도가 평가되며, 그 결과에 따라 선택부(55)는 적합한 특성값을 선별하게 된다(S430). 이를 위해, 선택부(55)는 먼저 초기해 설정섹터(61)에서 n 개의 해 후보를 최초로 설정하여 유전 알고리즘을 개시한다(S431). 그 다음, 선택부(55)는 적합도 평가섹터(63)에서 SVM 알고리즘을 통해 위 초기해의 적합도를 평가한다(S432). 그리고 나서, 자손해 생성섹터(65)에서 n=1차의 자손해를 생성하는 바(S433), 적합도가 높은 일정 비율의 우수 염색체는 엘리티즘에 따라 그대로 1차 자손해로 전달되며, 나머지 염색체는 교차에 의해 다른 염색체와 유전자를 교환하여 또 다른 1차 자손해를 생성한다. 이어서, 1차 자손해가 적합한 해인지 확인하는데(S434), 1차 자손해는 적합한 해가 아니므로 위 적합도 평가와 자손해 생성을 반복하여 2차 자손해를 생성하며, 이를 반복한 결과 n차의 자손해가 적합한 해로 판단된 때, 비로소 해당 해를 최적 또는 호적의 특성값으로 선택한다(S435). 이후, 이러한 특성값 선택의 과정은 펌프의 모든 부품에 대해 수행되며, 모든 부품에 대해 예컨대 3 개씩 선별된 최적 또는 호적의 특성값들은 위에서 언급한 바와 같이, 차원 축소부(57)에서 주성분 분석 알고리즘에 의해 2 내지 3 개의 특성값 주성분을 생성하면서 차원이 축소된다.

이와 같이 특성값 주성분이 생성되면서 특성 선택모듈(9)에 의한 특성값 선택이 완료되면, 진단모듈(11)은 선택된 특성값을 대상 머신에 학습시키고, 학습이 완료된 머신에 의해 이후 펌프로부터 수신한 새로운 진동신호를 진단하는 바(S500), 머신은 위 특성 선택모듈(9)에서 생성된 특성값 주성분에 의해 전체 부품의 현재 상태를 통합적으로 학습할 수 있게 된다(S510).

다만, 기계학습을 위해서는 선택된 특성값의 수치는 물론, 해당 부품의 현재 상태에 대한 정보도 함께 학습 내용에 포함시켜야 한다. 즉, 어떤 특성값이 임의의 수치로 계산된 때의 펌프의 특정 부품의 현재 상태를 DB화시켜 머신에 학습시켜야 한다. 단, 부품의 현재 상태는 정상 아니면 결함 상태이므로, 정상 상태는 한 가지 데이터로 나타나지만, 결함 상태는 무한정하게 데이터를 늘릴 수 있으므로, 결함 데이터가 상세할수록 차후 머신에 의한 진단 성능을 높일 수 있다. 다시 말해, 부품이 결함 상태라는 것은 부품을 이루는 구성요소들 어디에도 결함이 발생할 수 있고, 하나의 구성요소에 대해서도 결함의 종류나 개수 그리고 크기가 얼마든지 다를 수 있기 때문에, 결함 데이터를 무한정하게 DB화시킬 수 있는 것이다. 예컨대, 진동신호의 진동원이 베어링이라고 하고, 선택된 특성값을 주파수 RMS라고 하고, 주파수 RMS 값으로 200이 계산되었다면, 사전에 베어링을 분해하여, 주파수 RMS 값으로 200이 나온 진동신호를 발생시킨 결함의 원인이 무엇인지 확인하고, 예컨대 내륜의 1㎜ 길이의 크랙이 위 결함의 원인이라면 이들을 모두 함께 DB화시켜야 한다. 이후, 기계학습 시 주파수 RMS 값이 200이라는 정보는 물론, 이때 베어링에는 내륜에 1㎜의 크랙이 발생하였다는 결함 정보도 함께 학습시켜야 하는 것이다.

이렇게 해서 머신에 대한 학습이 완료되면, 몇 차례의 테스트를 거친 후, 위 그래프 하나만으로 전체 부품의 현재 상태를 진단할 수 있게 된다(S520). 이때, 진단이란 펌프로부터 주파수 RMS 값이 200인 진동신호가 머신에 수신되었다면, 머신은 이 신호를 통해 현재 펌프는 베어링의 내륜에 1㎜의 크랙이 발생하였다는 예측 진단을 내리게 되는 것이다.

1 : 예측진단장치 3 : 진동신호 수신모듈
5 : 신호 전처리모듈 7 : 특성 추출모듈
9 : 특성 선택모듈 11 : 진단모듈
13 : 평균화부 15 : 결함신호 추출부
23 : 부대역 지정섹터 31 : 결함신호 추출단
33 : 진동분할신호 출력단 41 : 결함신호 비교부분
43 : 진동신호 분할부분 45 : 결함 판단부분
47 : 결함신호 추출부분 51 : 분류부
53 : 정규화부 55 : 선택부
57 : 차원 축소부 61 : 초기해 설정섹터
63 : 적합도 평가섹터 65 : 자손해 생성섹터

Claims (5)

1. 삭제
2. 펌프로부터 진동신호를 수신하여 저장하는 진동신호 수신모듈(3);
   상기 진동신호 수신모듈(3)에 수신된 상기 진동신호를 전처리하는 신호 전처리모듈(5);
   상기 신호 전처리모듈(5)에서 전처리된 상기 진동신호로부터 통계적, 형태적 특성값을 계산하는 특성 추출모듈(7);
   상기 특성 추출모듈(7)에서 추출된 특성값 중 상기 펌프에 대한 복수의 특성값을 펌프의 부품 별로 선택하고, 선택된 특성값을 차원 축소시켜 특성값 주성분을 생성하는 특성 선택모듈(9); 및
   상기 특성 선택모듈(9)에서 선택된 특성값 주성분으로 상기 펌프의 상태를 학습하고, 그 학습 결과를 통해 상기 펌프를 진단하는 진단모듈(11);을 포함하여 이루어지며,
   상기 신호 전처리모듈(5)은,
   상기 진동신호 수신모듈(3)에 수신된 상기 진동신호를 평균화하는 평균화부(13); 및
   상기 평균화부(13)에서 평균화를 마친 상기 펌프의 상기 진동신호를 임의의 구간으로 분할한 뒤 시간분할영역 및 주파수분할영역으로 구분한 다음, 상기 특성 추출모듈(7)로 출력하는 결함신호 추출부(15);를 포함하여 이루어지며,
   상기 특성 선택모듈(9)은,
   상기 특성 추출모듈(7)에서 추출된 특성값을 클래스 별로 구분하여 저장하는 분류부(51);
   상기 분류부(51)에 각각의 상기 클래스 별로 저장된 특성값의 데이터 범위를 일치시키고, 분포를 유사하게 만드는 정규화부(53);
   상기 정규화부(53)에서 정규화된 특성값을 후보로 하여 유전 알고리즘을 수행함으로써 각 부품의 진동상태를 반영하는 특성값을 부품 별로 복수 개 선별하는 선택부(55); 및
   상기 선택부(55)에서 선별된 다수의 특성값을 대상으로 주성분 분석(PCA) 알고리즘을 수행함으로써 차원을 축소시켜 특성값 주성분을 생성하는 차원 축소부(57);를 포함하여 이루어지는 것을 특징으로 하는 원자력 발전설비의 기계학습식 예측진단장치.
3. 청구항 2에 있어서,
   상기 진단모듈(11)은 상기 차원 축소부(57)에서 차원 축소된 특성값 주성분을 대상 머신에 학습시키고, 학습된 머신에 의해 펌프의 현재 상태를 상기 부품을 망라하여 통합적으로 진단하는 것을 특징으로 하는 원자력 발전설비의 기계학습식 예측진단장치.
4. 청구항 2 또는 청구항 3에 있어서,
   상기 특성 추출모듈(7)은 특정 부품의 결함 진동신호 뿐 아니라, 정상 진동신호를 수신하여 특성값을 계산하도록 되어 있으며,
   상기 특성 선택모듈(9)은 특성값 주성분에 따라 부품 결함 시의 상기 결함 진동신호 또는 부품 정상 시의 상기 정상 진동신호를 계산하여 나타낸 결함 또는 정상 그래프로 전체 부품의 상태를 통합적으로 나타내도록 되어 있는 것을 특징으로 하는 원자력 발전설비의 기계학습식 예측진단장치.
5. 청구항 4에 있어서,
   상기 진단모듈(11)은 상기 결함 그래프와 상기 정상 그래프를 비교함으로써, 전체 부품의 결함 정도를 정상일 때와 대비시켜 파악할 수 있도록 되어 있는 것을 특징으로 하는 원자력 발전설비의 기계학습식 예측진단장치.

Images