KR102017162B1 - 원전설비의 예측 진단 방법 및 시스템 - Google Patents

Abstract

본 발명은 원전 설비로부터 취득된 정보를 기반으로 머신러닝을 수행하여 원전 설비에 대한 자동 예측 진단을 수행하는 원전설비 예측 진단 방법 및 시스템을 제공하기 위하여, 원전 설비로부터 데이터를 취득하는 단계 및 상기 데이터에 복수 개의 특징 선택 알고리즘을 적용하여 상기 원전 설비의 상태를 표현하는 특징을 선택하는 단계 및 상기 복수 개의 특징 선택 알고리즘에 의해 선택된 특징 마다 복수 개의 결함 분류 알고리즘을 적용하여 학습하는 단계 및 상기 복수 개의 결함 분류 알고리즘을 평가하여, 상기 원전 설비의 이상 진단을 검출하기 위한 최적의 특징 선택 알고리즘과 결함 분류 알고리즘을 도출하는 단계를 포함한다.

Description

원전설비의 예측 진단 방법 및 시스템{PREDICTIVE DIAGNOSIS METHOD AND SYSTEM OF NUCLEAR POWER PLANT EQUIPMENT}

본 발명은 원전설비의 예측 진단 방법 및 시스템에 관한 것으로, 보다 상세하게는 원전 환경에 구비되는 원전 설비의 예측 진단 방법 및 시스템에 관한 것이다.

일반적으로 원전은 가동 시간 등을 기준으로 정비 계획을 세워 정기적으로 정해진 정비 계획을 수행하는 예방정비(Preventive Maintenance; PM)를 수행하고 있다. 여기서, 설비의 감시상태는 설비로부터 발생된 진동의 실효값(Root Mean Square; RMS)이나 피크 투 피크(Peak to Peak) 값의 진동 평가 규격에 의한 경보 및 비상정지 값을 설정하여, 차후 예방정비 기간까지 안전한 설비 운행을 위하여 진동 트렌드를 관리한다.

다만, 종래의 정비방법은 일정시간 경과에 따라 무조건적으로 이루어지는 정비에 의해 과잉 정비가 발생될 수 있다. 또한, 종래의 정비방법은 불필요한 정비에 의해 안정적으로 운행되던 설비를 정비하여, 전에 없던 문제를 발생시킬 수 있다.

아울러, 종래의 정비방법은 설비의 안정적인 운행을 위해 진동 트렌드의 감지만이 이루어지고 있다. 이에, 종래의 정비방법은 설비의 이상 발생 시점을 예측하기 어려우며, 이상 발생 시 상세 분석이 요구되는 문제점이 있었다.

대한민국 등록특허공보 제1258017호(펌프 성능 진단 장치, 2013.04.18)

본 발명의 목적은 원전 설비로부터 취득된 정보를 기반으로 머신러닝을 수행하여, 원전 설비에 대한 자동 예측 진단을 수행하는 원전설비 예측 진단 방법 및 시스템을 제공하기 위한 것이다.

본 발명에 따른 원전 설비의 예측 진단 방법은 원전 설비로부터 데이터를 취득하는 단계 및 상기 데이터에 복수 개의 특징 선택 알고리즘을 적용하여 상기 원전 설비의 상태를 표현하는 특징을 선택하는 단계 및 상기 복수 개의 특징 선택 알고리즘에 의해 선택된 특징 마다 복수 개의 결함 분류 알고리즘을 적용하여 학습하는 단계 및 상기 복수 개의 결함 분류 알고리즘을 평가하여, 상기 원전 설비의 이상 진단을 검출하기 위한 최적의 특징 선택 알고리즘과 결함 분류 알고리즘을 도출하는 단계를 포함한다.

상기 원전 설비의 예측 진단 방법은 상기 도출하는 단계 이후에, 상기 최적의 특징 선택 알고리즘과 결함 분류 알고리즘을 기반으로 상기 원전 설비와 동일한 원전 설비의 예측 진단을 수행하는 단계를 더 포함할 수 있다.

상기 복수 개의 특징 선택 알고리즘은 유전자 알고리즘 및 주성분 분석 알고리즘 중 적어도 어느 하나를 포함할 수 있다.

상기 복수 개의 결함 분류 알고리즘은 SVM(Support vector machine) 알고리즘 및 K-NN(K-Nearest Neighbor) 중 적어도 어느 하나를 포함할 수 있다.

상기 원전 설비의 예측 진단 방법은 상기 취득하는 단계 이후에, 상기 데이터를 전처리하는 단계를 더 포함하고, 상기 전처리하는 단계는 상기 데이터를 분할하는 단계와, 상기 데이터의 불안정한 성질을 제거하고 상기 데이터의 크기를 감소시키는 단계를 포함할 수 있다.

상기 분할하는 단계는 상기 데이터를 500ms 간격으로 분할할 수 있다.

상기 분할하는 단계에서는 상기 분할된 데이터를 중첩시켜 인접 데이터 간의 정보가 포함될 수 있다.

상기 원전 설비의 예측 진단 방법은 상기 취득하는 단계 이후에, 상기 데이터를 정규화하는 단계를 더 포함하고, 상기 정규화하는 단계는 시간영역 및 데이터영역 데이터에 대하여 각각 통계적 특징과 형상적 특징을 가진 특징을 추출하는 단계와, 상기 추출된 데이터의 범위를 일치시키고 분포를 유사하게 조정하는 단계를 포함할 수 있다.

상기 원전 설비는 펌프, 압축기 및 팬 중 적어도 어느 하나를 포함할 수 있다.

한편, 본 발명에 따른 원전 설비의 예측 진단 시스템은 원전 설비로부터 데이터를 취득하고, 상기 데이터에 복수 개의 특징 선택 알고리즘을 적용하여 상기 원전 설비의 상태를 표현하는 특징을 선택하고, 상기 복수 개의 특징 선택 알고리즘에 의해 선택된 특징 마다 복수 개의 결함 분류 알고리즘을 적용하여 학습하고, 상기 복수 개의 결함 분류 알고리즘을 평가하여 상기 원전 설비의 이상 진단을 검출하기 위한 최적의 특징 선택 알고리즘과 결함 분류 알고리즘을 도출한다.

한편, 본 발명에 따른 예측 진단 시스템의 연산프로세서는 원전 설비로부터 데이터를 취득하고, 상기 데이터에 복수 개의 특징 선택 알고리즘을 적용하여 상기 원전 설비의 상태를 표현하는 특징을 선택하고, 상기 복수 개의 특징 선택 알고리즘에 의해 선택된 특징 마다 복수 개의 결함 분류 알고리즘을 적용하여 학습하고, 상기 복수 개의 결함 분류 알고리즘을 평가하여 상기 원전 설비의 이상 진단을 검출하기 위한 최적의 특징 선택 알고리즘과 결함 분류 알고리즘을 도출한다.

본 발명에 따른 예측 진단 방법 및 시스템은 회전기기별 이상 진단을 위한 최적의 알고리즘을 추출하고 회전기기의 진단에서 최적의 알고리즘을 이용하여 이상 진단을 수행할 수 있는 효과가 있다.

이상과 같은 본 발명의 기술적 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 기술적 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 실시예에 따른 원전설비의 예측 진단 시스템을 나타낸 구성도이다.
도 2는 본 실시예에 따른 예측 진단 시스템의 연산프로세서를 나타낸 구성도이다.
도 3은 본 실시예에 따른 원전설비 예측 진단 방법을 나타낸 흐름도이다.
도 4는 본 실시예에 따른 원전설비 예측 진단 방법의 전처리 단계를 나타낸 흐름도이다.

이하 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 그러나 본 실시예는 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 도면에서의 요소의 형상 등은 보다 명확한 설명을 위하여 과장되게 표현된 부분이 있을 수 있으며, 도면 상에서 동일 부호로 표시된 요소는 동일 요소를 의미한다.

도 1은 본 실시예에 따른 원전설비의 예측 진단 시스템을 나타낸 구성도이고, 도 2는 본 실시예에 따른 예측 진단 시스템의 연산프로세서를 나타낸 구성도이다. 그리고 도 3은 본 실시예에 따른 원전설비 예측 진단 방법을 나타낸 흐름도이고, 도 4는 본 실시예에 따른 원전설비 예측 진단 방법의 전처리 단계를 나타낸 흐름도이다.

도 1 내지 도 4에 도시된 바와 같이, 본 실시예에 따른 원전설비의 예측 진단 시스템(100)은 원전 환경에 마련된 각종 설비에 대한 예측 진단을 수행한다. 여기서, 원전 설비는 다양한 회전기기(10)일 수 있다. 예컨대, 원전 환경에 배치되는 회전기기(10)는 펌프, 압축기 및 팬 등일 수 있다. 다만, 이는 본 실시예를 설명하기 위한 것으로, 회전기기(10)의 종류는 한정하지 않는다.

한편, 예측 진단 시스템(100)은 복수 개의 회전기기(10)에 대하여 정보를 취득하고, 취득된 정보에 복수의 특징 선택 알고리즘 및 결함 분류 알고리즘을 적용하여 회전기기(10)에 대한 결함 분류를 수행한다. 그리고 예측 진단 시스템(100)은 시뮬레이션 결과를 기반으로 회전기기(10) 각각에 대한 최적의 특징 선택 알고리즘 및 결함 분류 알고리즘을 선정하여, 향후 해당 회전기기(10)의 예측 진단에서 선정된 특징 선택 알고리즘 및 결함 분류 알고리즘을 사용할 수 있다.

먼저, 복수 개의 회전기기(10) 각각에는 회전기기(10)의 물리적 또는 전기적 정보를 취득하기 위한 다양한 센서가 장착될 수 있다. 여기서, 회전기기(10) 각각에 장착된 센서는 예측 진단 시스템(100)에 연동되어, 취득된 정보가 예측 진단 시스템(100)으로 제공되도록 한다(S100).

그리고 예측 진단 시스템(100)에는 센서로부터 제공된 정보가 저장되는 저장부(110) 및 센서로부터 취득된 정보를 기반으로 예측 진단을 수행하는 연산 프로세서(120)가 마련될 수 있다. 여기서, 연산 프로세서(120)는 컴퓨터에 마련되는 연산 장치, 연산을 위한 소프트웨어 및 연산을 위한 Computer language 등을 포함할 수 있다.

이러한 예측 진단 시스템(100)은 센서를 통해 회전기기(10)로부터 정보를 취득한 이후에 데이터의 전처리를 수행할 수 있다. 이때, 예측 진단 시스템(100)에서는 회전기기(10) 각각의 특성을 고려하여 최적의 전처리 단계를 수행할 수 있다(S200).

예컨대, 다양한 회전기기(10) 중 펌프를 대상을 설명하면, 예측 진단 시스템(100)은 펌프의 진동 특성을 고려하여 샘플 중첩 단계를 수행할 수 있다(S210). 여기서, 예측 진단 시스템(100)은 최적의 데이터 샘플 분할 방식을 적용할 수 있다. 즉, 종래의 데이터 샘플 길이는 1000ms, 즉 1초이다. 이러한 종래의 데이터 샘플의 신호는 샘플 분할 방식에서 하나의 샘플을 갖게 된다.

다만, 종래의 데이터 샘플 방식을 이용할 경우에는 회전기기(10)의 유체유발 특성 또는 적정 효율점이 벗어난 운전, 및 다른 설비의 진동 등의 성분이 포함될 수 있다. 이에, 종래의 데이터 샘플 방식에서는 데이터 샘플 내의 상태 정보가 손실될 수 있으며, 분석 결과에 영향을 미쳐 오진단을 초래하게 된다.

이에, 본 실시예에서는 데이터 샘플 당 간격을 500ms, 약 0.5초로 설정한다. 이때, 해당 데이터 샘플은 인접 데이터 샘플 간의 정보가 포함될 수 있도록 중첩되며, 다수로 분할된다. 데이터 샘플의 중첩에서는 데이터 샘플 내의 회전 동기 및 결함 성분이 포함되는 범위가 자동으로 설정될 수 있다. 그리고 중첩된 데이터 샘플은 회전기기(10)의 상태를 반복적으로 분석하는 메커니즘으로 구성될 수 있다.

그리고 예측 진단 시스템(100)은 데이터 샘플에 포함된 결함 정보의 제거 방지를 위한 필터링 단계를 수행한다(S220). 여기서, 예측 진단 시스템(100)은 노이즈가 포함될 수 있는 주파수 대역에 대하여 저주파, 중주파 및 고주파 등의 통과 필터링을 수행한다. 이때, 예측 진단 시스템(100)은 회전기기(10)에서 수집된 아날로그 정보를 디지털 정보로 변환하게 된다. 그리고 양자화 오차로 인해 발생되는 노이즈 성분을 제거하여, 회전기기(10)에서 발생되는 진동 결함 성분의 수렴현상이 방지되도록 한다.

즉, 필터링 단계에서의 예측 진단 시스템(100)은 필수적인 디지털화 과정에서 불가피하게 발생하는 노이즈를 사전에 제거 및 저감할 수 있다.

한편, 예측 진단 시스템(100)은 필터링 단계를 거친 데이터에 대한 평균화 단계를 자동적 특성으로 수행하여 데이터의 크기를 감소시킨다(S230). 이때, 예측 진단 시스템(100)은 회전기기(10)의 부적합한 나사 이완 및 블레이드 부식으로 인한 질량 불평형 등의 결함 검출 능력을 저하시키는 신호의 불안정한 성질을 제거한다. 이때, 불안정한 성질이 제거된 데이터는 크기가 감소하여 효율적인 데이터의 누적 관리가 가능하게 된다. 이때, 예측 진단 시스템(100)에서는 평균화 간격 및 횟수에 따라 데이터가 분할되어 산출된다. 즉, 평균화 정도에 따라 분할된 복수 개의 데이터가 출력된다.

이후, 예측 진단 시스템(100)은 평균화 단계를 거친 데이터를 특정 기저 함수의 집합으로 분리하는 부대역 지정 단계를 수행한다(S240). 여기서, 사용되는 기저 함수의 집합은 하나의 기본 웨이블릿 기저함수에 대한 시간 축 방향으로 확대 및 축소, 평행 이동을 통해 확보된다. 이때, 임의의 구간은 설정된 레벨에 따라 선택할 수 있는 노드로 마련되며, 신호 파형 내에 포함된 충격파를 구분하여 산출된다. 즉, 예측 진단 시스템(100)은 데이터를 임의의 구간으로 분해한다. 따라서 종래의 신호처리 기술로는 검출이 어려운 시간 의존도가 높은 결함 성분을 조기에 검출할 수 있다.

즉, 회전기기(10)에서 발생할 수 있는 결함 중에서 조기 검출이 어려운 정상 마모로 인한 베어링의 미소한 결함 진전, 과도한 축 방향 추력으로 인한 비금속부품의 피로 손상, 및 열 충격에 의한 미소 뒤틀림 등을 조기에 검출할 수 있다.

이는 곧 회전기기(10)의 진단 성능 향상을 위한 차별화된 신호 처리 기술일 수 있다. 여기서, 산출된 결과는 복수의 시간구간으로 나누어 각 구간에 대한 포락분석을 적용한 평가, 및 여러 주파수 대역으로 구획하여 각 구간에 대한 포락분석을 적용한 평가로 구분되어 출력된다.

이후, 예측 진단 시스템(100)은 전처리 단계를 거친 데이터로부터 통계적이거나 형상적인 특징을 추출/정규화하는 특징 표현 및 정규화 단계를 수행한다(S300). 여기서, 예측 진단 시스템(100)은 후술할 수학식을 통해 시간영역 및 데이터영역 데이터에 대하여 각각의 통계적 특징 및 형상적 특징을 추출한다. 그리고 추출된 특징 데이터의 범위를 일치시켜 분포를 유사하게 만들어주는 정규화를 수행한다.

이때, 예측 진단 시스템(100)은 출력된 시간 영역 및 주파수 영역 데이터에 대하여 각각의 통계적 특성 또는 형태적 특성을 가진 특징을 추출한다. 여기서, 통계적 특성 또는 형태적 특성을 가진 특징의 추출은 아래 수학식을 통해 설정된 개수만큼 추출된다. 그리고 추출된 각 특징 값은 예측 진단 시스템(100) 내에서 특징 벡터별 상관계수 도출을 통한 머신러닝 알고리즘용 분석 데이터로 제공된다.

아래 수학식에서 x(n)는 고장 특징 추출에 사용되는 시간 영역 신호를 나타내고, N은 x(n)의 샘플 개수를 나타낸다. 그리고 는 x(n)의 평균을 나타내고, 은 x(n)의 표준편차를 나타낸다.

먼저, 예측 진단 시스템(100)에서는 수학식 1을 통해 자승 평균 평방근이 산출되도록 할 수 있다. 자승 평균 평방근은 신호의 변화 크기에 대한 값으로 사인 파형과 같이 연속되는 파형의 음과 양을 오가는 정도 또는 그 크기를 의미한다.

[수학식 1]

그리고 예측 진단 시스템(100)은 수학식 2를 통해 비대칭도가 산출되도록 한다. 통계에서 비대칭도는 확률 분포의 비대칭성을 나타낸 지표이다. 비대칭도는 신호의 편중성(신호의 평균을 기준으로 신호 값들의 분포가 한 쪽으로 몰리는 정도)이 증가할수록 함께 증가하게 된다.

[수학식 2]

그리고 예측 진단 시스템(100)은 수학식 3을 통해 임펄스 팩터가 산출되도록 한다. 임펄스 팩터는 신호에서 가장 큰 임펄스, 즉 파형이 뾰족하게 솟아오르는 부분의 크기를 나타낸다.

[수학식 3]

그리고 예측 진단 시스템(100)은 수학식 4를 통해 첨도가 산출되도록 한다. 통계에서 첨도는 확률분포의 모양이 뾰족한 정도를 나타내는 지표이다. 이때, 첨도는 신호의 값들의 분포가 특정 값 근처에 몰려 뾰족한 형태를 이룰수록 증가하게 된다.

[수학식 4]

그리고 예측 진단 시스템(100)은 수학식 5를 통해 첨도 벡터가 산출되도록 한다. 첨도 벡터는 첨도의 변형된 값으로 첨도가 신호 전체에 크기에 민감한 단점을 보완할 수 있다.

[수학식 5]

그리고 예측 진단 시스템(100)은 수학식 6을 통해 평균 평방근이 산출되도록 한다. 평균 평방근은 자승 평균 평방근과 동일하게 연속되는 파형의 음과 양을 오가는 정도 또는 그 크기를 의미한다. 그리고 평균 평방근은 자승 평균 평방근보다 신호의 크기에 더 민감할 수 있다.

[수학식 6]

그리고 예측 진단 시스템(100)은 수학식 7을 통해 피크 투 피크가 산출되도록 한다. 피크 투 피크는 신호의 전체 폭을 나타낸 지표로 신호에서 가장 작은 값과 가장 큰 값의 차이다.

[수학식 7]

그리고 예측 진단 시스템(100)은 수학식 8을 통해 마진백터가 산출되도록 한다. 마진백터는 신호의 평균적인 크기에 비해 최소/최대값의 차이를 의미한다.

[수학식 8]

그리고 예측 진단 시스템(100)은 수학식 9를 통해 파고율이 산출되도록 한다. 파고율은 마진과 동일하게 신호의 평균적인 크기에 비해 최소/최대값의 차이를 의미한다. 이때, 파고율은 평균 평방근 대신 자승 평균 평방근을 사용할 수 있다.

[수학식 9]

그리고 예측 진단 시스템(100)은 수학식 10을 통해 형상계수가 산출되도록 한다. 형상계수는 전자공학에서 DC성분 및 AC성분의 비율을 나타내는 지표이다. 형상계수는 신호의 평균 대비 음과 양을 오가는 연속 파형의 크기 비율을 의미한다.

[수학식 10]

그리고 예측 진단 시스템(100)은 수학식 11을 통해 주파수 중심이 산출되도록 한다. 주파수 중심은 주파수 영역의 평균을 의미한다.

[수학식 11]

그리고 예측 진단 시스템(100)은 수학식 12를 통해 RMS of Frequency가 산출되도록 한다. RMS of Frequency는 주파수 영역의 자승 평균 평방근 값을 의미한다.

[수학식 12]

그리고 예측 진단 시스템(100)은 수학식 13을 통해 Root Variance Frequency가 산출되도록 한다. Root Variance Frequency는 신호의 주파수 영역에서 주파수 값들의 분산을 의미한다.

[수학식 13]

이와 같이, 예측 진단 시스템(100)은 상기 계산식을 통해 산출된 특징에 대하여 정규화를 수행한다. 이러한 정규화 단계에서는 추출된 특징 데이터의 범위를 일치시킨다. 그리고 분포를 유사하게 만들어주며, 인공지능 기반 기계학습 분석의 자동적 특성으로 제공될 수 있도록 한다. 정규화 단계는 데이터의 범위를 일치시키는데 목적이 있다. 만약, 정규화 단계가 수행되지 않을 경우에는 후술할 회전기기(10)의 상태별 특징 값의 군집범위에서 과소 및 과대평가되어 진단 결과에 대한 신뢰성이 낮아지게 된다.

일반적으로 데이터의 평가에서는 각 군집의 영역 또는 여타 군집 간의 거리가 어느 정도인지를 평가하여 상태를 분류하게 된다. 그러나 정규화 단계를 거치지 않은 데이터를 분석에 활용할 시에 각 변수 값은 통계 및 형태적으로 단위가 -100 내지 -10, 1 내지 10 및 1000 내지 10000 등으로 상이하기 때문에 거리측정치 계산에 상당한 영향을 미치게 된다. 그리고 변수 간의 상관관계가 잘못 평가될 수 있다. 따라서 정규화 단계는 이를 방지하고 회전기기의 각 상태를 효과적으로 학습시키기 위해 수행된다.

한편, 본 실시예서는 단일의 회전기기(10)로부터 취득된 데이터를 정규화시키는 것에 대하여 설명하고 있다. 그러나 이는 본 실시예를 설명하기 위한 것으로, 예측 진단 시스템(100)은 복수 개의 회전기기(10)로부터 취득된 각각의 데이터를 처리하여, 복수 개의 회전기기(10) 각각에 대한 정규화된 데이터를 취득한다.

한편, 예측 진단 시스템(100)은 복수 개의 데이터를 기반으로 머신러닝을 수행한다. 이때, 예측 진단 시스템(100)은 회전기기(10) 각각에 대한 데이터에 대해 특징 선택 단계를 수행한다(S400).

먼저, 예측 진단 시스템(100)은 복수 개의 회전기기(10)로부터 취득된 데이터 각각에 유전자 알고리즘 및 주성분 분석 알고리즘 등과 같은 복수의 특징 선택 알고리즘을 순차적으로 적용한다. 즉, 예측 진단 시스템(100)은 펌프, 압축기 및 팬 등과 같은 회전기기(10) 각각에 대한 데이터에 복수의 특징 선택 알고리즘을 순차적으로 적용하여 알고리즘 별 특징을 추출한다.

예컨대, 유전자 알고리즘의 적용에서는 집단이라 불리는 n개의 해 부호 집합을 초기 값으로 병렬 탐색한다. 집단에서의 각 객체는 염색체라 불리며, 집단을 이루는 염색체들은 세대라고 불리는 계속되는 반복 과정을 통해 개선된다. 이러한 유전자 알고리즘에서는 한 세대가 종료되면, 각각의 염색체가 적응도라는 값을 이용하여 평가를 받게 된다. 그리고 유전자 알고리즘은 선택 과정이 완료되면, 교차와 돌연변이를 이용하여 객체의 적응도를 높게 개선한다. 이때, 목적 함수에 따라 선택방법, 교차확률 및 돌연변이확률을 설정하면, 이상의 과정을 세대 수 만큼 또는 정해진 오차 범위를 만족하는 최적의 해를 얻을 때까지 반복하게 된다.

이에, 본 실시예서는 최적화된 특징의 학습 및 분류의 활용을 위해 유전자 알고리즘의 목적함수를 클래스, 즉 공통된 속성을 가지는 패턴의 집합 내 군집도와 클래스 간의 거리의 평균으로 설정한다. 이에, 유전자 알고리즘에서는 활용된 특징 중에서 회전기기(10)의 상태를 효과적으로 표현하는 특징을 선별할 수 있다. 그리고 선별된 특징은 회전기기(10) 상태의 미소한 결함에 대하여 사전 감지 가능하기 때문에 하위단계에서 수행될 학습 및 분류 성능을 극대화시킬 수 있다.

그리고 주성분 분석 알고리즘의 적용에서는 특징벡터의 차원을 축소시켜 회전기기의 상태에 맞는 새로운 특징을 구성할 수 있다. 다만, 본 실시예서는 차원축소 및 추출에 사용되는 차원 축소 방법으로서 주성분 분석 알고리즘에 대하여 설명하나, 이는 본 실시예를 설명하기 위한 것으로 차원축소 및 추출에는 다양한 알고리즘이 사용될 수 있다.

한편, 주성분 분석 알고리즘은 특징이 많으면 잡음 특성까지 포함되어 분류 성능이 떨어지고 분류기의 학습과 인식 속도가 느려지는 단점을 보완하기 위해 특징 벡터의 차원을 축소시키는 통계적 기법이다.

이러한 주성분 분석 알고리즘의 적용에서는 주성분이 모든 주성분들 사이에서 k번째 가장 큰 분산을 가지도록 상관없이 순서화된다. 이때, k번째 주성분은 k-1번째 주성분과 직교가 되도록 데이터 점들의 투영의 편차를 최대화하는 방법으로 설정된다. 이에, 주성분 분석 알고리즘에서는 특징 추출 방법으로 아래 수학식 14와 같이 원래 데이터 로부터 평균 ㅅ, 분산 , 공분산(covariance) cov를 계산한다.

[계산식 14]

이에, 예측 진단 시스템(100)에서는 분산과 공분산으로 구성되는 공분산 행렬 S를 계산하고 공분산 행렬의 고유치를 계산한다. 그리고 계산된 고유치를 크기순으로 나열하여 고유치에 대한 주성분을 선택한다. 여기서, 예측 진단 시스템(100)은 회전기기(10)의 상태를 면밀히 파악하기 위해 3개의 주성분을 추출할 수 있다.

한편, 복수 개의 회전기기(10)에 복수의 특징 선택 알고리즘을 적용하여 알고리즘별 회전기기(10)에 대한 각각의 특징 선택이 완료되면, 예측 진단 시스템(100)은 특징선택 단계를 거친 데이터에 대한 결함 분류 단계를 수행한다(S500).

일례로, 예측 진단 시스템(100)은 펌프에 대한 특징 선택 알고리즘별 분석 데이터에 SVM 알고리즘 및 K-NN 알고리즘 등의 결함 분류 알고리즘을 적용한다. 그리고 예측 진단 시스템(100)은 압축기 및 팬에 대한 특징 선택 알고리즘별 분석 데이터에 SVM 및 K-NN 알고리즘 등의 결함 분류 알고리즘을 각각 적용한다.

여기서, 예측 진단 시스템(100)은 특징 선택 단계에서 선택된 특징 벡터들을 학습하고 이를 바탕으로 회전기기(10)의 상태를 파악한다. 그리고 분석 데이터에 결함 분류 알고리즘을 적용한다.

이하에서는 예측 진단 시스템(100)에서 SVM 및 K-NN 알고리즘을 적용하는 것에 대하여 설명하도록 한다. 다만, 이는 본 실시예를 설명하기 위한 것으로 예측 진단 시스템(100)은 분석 데이터 각각에 다양한 결함 분류 알고리즘을 적용하여 결함 상태를 진단할 수 있다.

예컨대, SVM 알고리즘은 선형뿐만 아니라 비선형 데이터의 분류를 위해서도 사용 가능하다. 이러한 SVM 알고리즘은 기본적으로 이진 분류를 수행한다. 그러나 실제 적용에서는 여러 상태를 구분하기 위하여 각 클래스의 분류에 대응하는 SVM 알고리즘을 학습시킨다. 그리고 새로운 데이터의 판별에서는 모든 SVM 알고리즘을 적용한 이후 가장 많은 투표 값을 가진 클래스로 그 소속을 판별하는 멀티 SVM 알고리즘이 적용될 수 있다.

그리고 K-NN 알고리즘은 비모수 방식의 분류 방법이다. 이에, K-NN 알고리즘에서는 새로운 데이터를 접하였을 때에 모든 학습된 데이터와의 거리 척도를 학습하여, 가장 가까운 것부터 순서대로 지정한 k개의 데이터를 찾아 후보(회전기기 상태) 집합을 만든다. 그리고 후보 집합의 각 원소가 어떤 클래스에 속하는지 그 라벨 값을 찾은 뒤 찾아진 라벨 값 중 가장 많은 빈도수를 차지하는 클래스를 찾아 새로운 데이터를 그 클래스에 할당한다.

이에, K-NN 알고리즘은 탐색할 이웃 수를 설정하는 것이 중요하다. 이를 위해 원전 환경의 회전기기(10)의 학습 데이터와 검증 데이터를 활용하여 오분류율이 낮은 k값을 설정하며, 거리에 따른 가중치를 부과하여 분류의 정확도를 개선한다. 다만, K-NN 알고리즘의 거리척도 학습은 해당 분류기의 특성 상 고차원 데이터의 학습에 불리하기 때문에 해당 분류기의 단점이 보완되는 것이 바람직하다. 이에, 예측 진단 시스템(100)은 주성분 분석 알고리즘이 적용된 데이터에 K-NN 알고리즘을 적용하는 것이 바람직할 수 있다.

이러한 K-NN 알고리즘은 일관성이 있는 분류가 가능하며, 미리 학습된 이상 정보가 충분할 경우 효율적이며 정확하게 회전기기의 상태를 파악할 수 있다. 이에, K-NN 알고리즘은 발생할 수 있는 이상이 명확한 원전의 회전기기(10)의 예측 진단에 적합할 수 있으며, 노이즈의 영향을 적게 받기 때문에 평균화 단계에서 노이즈가 완전히 제거되지 못하더라도 안정적인 분류가 가능할 수 있다.

한편, 예측 진단 시스템(100)은 회전기기(10)에 대한 결함 분류가 완료되면, 회전기기(10)별 최적의 알고리즘을 도출한다. 이때, 예측 진단 시스템(100)은 평가 알고리즘을 사용하여 특징 선택 알고리즘 및 결함 분류 알고리즘 중 회전기기별 결함 분류를 위한 최적의 알고리즘 도출 단계를 수행한다(S600). 여기서, 예측 진단 시스템(100)은 알고리즘별 성능지표를 산출할 수 있다. 예컨대, 성능평가에서는 펌프의 결함 진단을 위한 최적의 알고리즘으로 다양한 특징 선택 알고리즘 중 유전자 알고리즘이 높은 점수를 받고, 다양한 결함 분류 알고리즘 중 SVM 알고리즘이 높은 점수를 받을 수 있다. 그리고 압축기의 결함 진단을 위한 최적의 알고리즘으로는 다양한 특징 선택 알고리즘 중 주성분 분석 알고리즘이 높은 점수를 받고, 다양한 결함 분류 알고리즘 중 K-NN 알고리즘이 높은 점수를 받을 수 있다.

이에, 예측 진단 시스템(100)은 추후 회전기기(10)에 대한 결함 진단에서 회전기기(10) 종류에 따른 최적의 알고리즘을 적용하여, 회전기기의 이상 진단을 수행할 수 있다(S700). 즉, 펌프의 이상 진단에서는 상술한 바와 같이 성능지표에서 가장 높은 성능을 보인 유전자 알고리즘 및 SVM 알고리즘을 사용하여 특징 추출 및 결함분류를 수행하게 된다. 그리고 압축기의 이상 진단에서는 성능지표에서 가장 높은 성능을 보인 주성분 분석 알고리즘 및 K-NN 알고리즘을 사용하여 특징 추출 및 결함분류를 수행하게 된다. 이에, 예측 진단 시스템(100)은 회전기기(10)에 따른 최적의 알고리즘을 적용하여, 이를 기반으로 회전기기(10) 종류에 따라 신뢰성이 높은 최적의 알고리즘을 통해 예측 진단을 수행할 수 있는 이점이 있다.

이와 같이, 본 발명에 따른 예측 진단 방법 및 시스템은 회전기기별 이상 진단을 위한 최적의 알고리즘을 추출하고 회전기기의 진단에서 최적의 알고리즘을 이용하여 이상 진단을 수행할 수 있는 효과가 있다.

앞에서 설명되고, 도면에 도시된 본 발명의 일 실시예는 본 발명의 기술적 사상을 한정하는 것으로 해석되어서는 안 된다. 본 발명의 보호범위는 청구범위에 기재된 사항에 의하여만 제한되고, 본 발명의 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상을 다양한 형태로 개량 변경하는 것이 가능하다. 따라서 이러한 개량 및 변경은 통상의 지식을 가진 자에게 자명한 것인 한 본 발명의 보호범위에 속하게 될 것이다.

10 : 회전기기
100 : 예측 진단 시스템
110 : 저장부
120 : 연산프로세서

Claims (11)

1. 원전 설비로부터 데이터를 취득하는 단계;
   상기 데이터를 정규화하는 단계;
   상기 데이터에 복수 개의 특징 선택 알고리즘을 적용하여 상기 원전 설비의 상태를 표현하는 특징을 선택하는 단계;
   상기 복수 개의 특징 선택 알고리즘에 의해 선택된 특징 마다 복수 개의 결함 분류 알고리즘을 적용하여 학습하는 단계; 및
   상기 복수 개의 결함 분류 알고리즘을 평가하여, 상기 원전 설비의 이상 진단을 검출하기 위한 최적의 특징 선택 알고리즘과 결함 분류 알고리즘을 도출하는 단계를 포함하고,
   상기 정규화하는 단계는
   시간영역 및 데이터영역 데이터에 대하여 각각 통계적 특징과 형상적 특징을 가진 특징을 추출하는 단계와,
   상기 추출된 데이터의 범위를 일치시키고 분포를 유사하게 조정하는 단계를 포함하는 원전 설비의 예측 진단 방법.
   
2. 제1 항에 있어서,
   상기 도출하는 단계 이후에,
   상기 최적의 특징 선택 알고리즘과 결함 분류 알고리즘을 기반으로 상기 원전 설비와 동일한 원전 설비의 예측 진단을 수행하는 단계를 더 포함하는 원전 설비의 예측 진단 방법.
   
3. 제1 항에 있어서,
   상기 복수 개의 특징 선택 알고리즘은
   유전자 알고리즘 및 주성분 분석 알고리즘 중 적어도 어느 하나를 포함하는 원전 설비의 예측 진단 방법.
   
4. 제1 항에 있어서,
   상기 복수 개의 결함 분류 알고리즘은
   SVM(Support vector machine) 알고리즘 및 K-NN(K-Nearest Neighbor) 중 적어도 어느 하나를 포함하는 원전 설비의 예측 진단 방법.
   
5. 제1 항에 있어서,
   상기 취득하는 단계 이후에, 상기 데이터를 전처리하는 단계를 더 포함하고,
   상기 전처리하는 단계는
   상기 데이터를 분할하는 단계와,
   상기 데이터의 불안정한 성질을 제거하고 상기 데이터의 크기를 감소시키는 단계를 포함하는 원전 설비의 예측 진단 방법.
   
6. 제5 항에 있어서,
   상기 분할하는 단계는
   상기 데이터를 500ms 간격으로 분할하는 원전 설비의 예측 진단 방법.
   
7. 제5 항에 있어서,
   상기 분할하는 단계에서는
   상기 분할된 데이터를 중첩시켜 인접 데이터 간의 정보가 포함될 수 있도록 하는 원전 설비의 예측 진단 방법.
   
8. 삭제
9. 제1 항에 있어서,
   상기 원전 설비는
   펌프, 압축기 및 팬 중 적어도 어느 하나를 포함하는 회전기기로 마련되는 원전 설비의 예측 진단 방법.
   
10. 원전 설비로부터 데이터를 취득하고,
    상기 데이터를 정규화하고,
    상기 데이터에 복수 개의 특징 선택 알고리즘을 적용하여 상기 원전 설비의 상태를 표현하는 특징을 선택하고,
    상기 복수 개의 특징 선택 알고리즘에 의해 선택된 특징 마다 복수 개의 결함 분류 알고리즘을 적용하여 학습하고,
    상기 복수 개의 결함 분류 알고리즘을 평가하여 상기 원전 설비의 이상 진단을 검출하기 위한 최적의 특징 선택 알고리즘과 결함 분류 알고리즘을 도출하고,
    상기 데이터의 정규화에서는
    시간영역 및 데이터영역 데이터에 대하여 각각 통계적 특징과 형상적 특징을 가진 특징을 추출하고,
    상기 추출된 데이터의 범위를 일치시키고 분포를 유사하게 조정하는 것을 특징으로 하는 원전 설비의 예측 진단 시스템.
    
11. 원전 설비로부터 데이터를 취득하고,
    상기 데이터를 정규화하고,
    상기 데이터에 복수 개의 특징 선택 알고리즘을 적용하여 상기 원전 설비의 상태를 표현하는 특징을 선택하고,
    상기 복수 개의 특징 선택 알고리즘에 의해 선택된 특징 마다 복수 개의 결함 분류 알고리즘을 적용하여 학습하고,
    상기 복수 개의 결함 분류 알고리즘을 평가하여 상기 원전 설비의 이상 진단을 검출하기 위한 최적의 특징 선택 알고리즘과 결함 분류 알고리즘을 도출하고,
    상기 데이터의 정규화에서는
    시간영역 및 데이터영역 데이터에 대하여 각각 통계적 특징과 형상적 특징을 가진 특징을 추출하고,
    상기 추출된 데이터의 범위를 일치시키고 분포를 유사하게 조정하는 것을 특징으로 하는 예측 진단 시스템의 연산프로세서.