KR102051226B1 - 원전 설비의 예측 진단 방법 및 시스템 - Google Patents

원전 설비의 예측 진단 방법 및 시스템 Download PDF

Info

Publication number
KR102051226B1
KR102051226B1 KR1020180107247A KR20180107247A KR102051226B1 KR 102051226 B1 KR102051226 B1 KR 102051226B1 KR 1020180107247 A KR1020180107247 A KR 1020180107247A KR 20180107247 A KR20180107247 A KR 20180107247A KR 102051226 B1 KR102051226 B1 KR 102051226B1
Authority
KR
South Korea
Prior art keywords
data
nuclear power
power plant
feature
plant equipment
Prior art date
Application number
KR1020180107247A
Other languages
English (en)
Inventor
이원규
김대웅
신유수
김태희
김주식
김민호
Original Assignee
한국수력원자력 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국수력원자력 주식회사 filed Critical 한국수력원자력 주식회사
Priority to KR1020180107247A priority Critical patent/KR102051226B1/ko
Application granted granted Critical
Publication of KR102051226B1 publication Critical patent/KR102051226B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D1/00—Details of nuclear power plant
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/04—Safety arrangements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Plasma & Fusion (AREA)
  • General Engineering & Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명은 원전 설비로부터 취득된 진동 신호의 통계적 특징들을 기반으로 머신러닝을 수행하여 원전 설비에 대한 자동 예측 진단을 수행하는 원전 설비의 예측 진단 방법 및 시스템을 제공하기 위하여, 원전 설비로부터 데이터를 취득하는 단계 및 상기 데이터의 전처리를 수행하며, 상기 데이터의 노이즈를 제거하는 단계 및 상기 데이터의 통계적 특징 및 형상적 특징 중 적어도 어느 하나를 추출하여, 정규화하는 단계 및 상기 정규화된 데이터에 특징선택 알고리즘을 적용하여, 상기 원전 설비의 상태를 표현하는 특징을 선별하는 단계 및 상기 특징선택 알고리즘을 통해 선별된 특징을 학습하고, 학습된 특징을 분류 알고리즘을 통해 분류하여 상기 원전 설비의 상태를 인지하는 단계를 포함한다. 이에, 설비에 대한 자동 예측 진단 결과의 신뢰성 및 성능이 향상되고, 고장 발생 전 결함 진단이 가능해져서 원전 설비 진단의 효율성을 극대화되고 최적의 정비시점을 예측할 수 있는 효과가 있다.

Description

원전 설비의 예측 진단 방법 및 시스템{PREDICTIVE DIAGNOSIS METHOD AND SYSTEM OF NUCLEAR POWER PLANT EQUIPMENT}
본 발명은 원전 설비의 예측 진단 방법 및 시스템에 관한 것으로, 보다 상세하게는 원전 환경에 구비되는 원전 설비의 예측 진단 방법 및 시스템에 관한 것이다.
일반적으로 원자력 발전소는 가동 시간 등을 기준으로 정비 계획을 세워 정기적으로 정해진 정비계획을 따라 정비하는 예방정비(Preventive Maintenance; PM)를 수행하고 있다. 여기서, 설비의 상태 감시는 설비로부터 발생된 진동의 실효값(Root Mean Square; RMS)이나 피크투피크(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 있었다.
아울러, 종래의 정비방법은 설비의 안정적인 운행을 위해 진동 트렌드의 감지만이 이루어지고 있다. 이에, 종래의 정비방법은 설비의 이상 발생 시점을 예측하기 어려우며, 이상 발생 시 전문가의 상세 분석이 요구되는 문제점이 있었다.
대한민국 등록특허공보 제1258017호(펌프 성능 진단 장치, 2013.04.18)
본 발명의 목적은 원전 설비로부터 취득된 진동 신호의 통계적 특징들을 기반으로 머신러닝을 수행하여, 원전 설비에 대한 자동 예측 진단을 수행하는 원전 설비의 예측 진단 방법 및 시스템을 제공하기 위한 것이다.
본 발명은 다른 목적은 원전 설비에서 발생되는 이상 진동에 대한 패턴 인식 및 학습을 기반으로 신속 정확한 상태 파악이 가능한 원전 설비의 예측 진단 방법 및 시스템을 제공하기 위한 것이다.
본 발명에 따른 예측 진단 방법은 원전 설비로부터 데이터를 취득하는 단계 및 상기 데이터의 전처리를 수행하며, 상기 데이터의 노이즈를 제거하는 단계 및 상기 데이터의 통계적 특징 및 형상적 특징 중 적어도 어느 하나를 추출하여, 정규화하는 단계 및 상기 정규화된 데이터에 특징선택 알고리즘을 적용하여, 상기 원전 설비의 상태를 표현하는 특징을 선별하는 단계 및 상기 특징선택 알고리즘을 통해 선별된 특징을 학습하고, 학습된 특징을 분류 알고리즘을 통해 분류하여 상기 원전 설비의 상태를 인지하는 단계를 포함한다.
상기 노이즈를 제거하는 단계는 상기 데이터의 샘플을 분할하는 단계와, 샘플이 분할된 상기 데이터를 디지털화하며, 디지털화 과정에서 발생된 노이즈를 제거 또는 저감하는 단계와, 상기 데이터의 불안정한 성질을 제거하고 상기 데이터의 크기를 감소시키는 단계와, 상기 데이터를 기설정된 구간으로 분해하여 결함성분을 검출하는 단계를 포함할 수 있다.
상기 데이터의 샘플을 분할하는 단계에서는 유체유발 특성 또는 적정 효율성에서 벗어난 운전, 및 다른 설비의 진동 중 적어도 어느 하나를 포함하는 데이터를 샘플 당 500ms 간격으로 설정하여 분할할 수 있다.
상기 데이터의 샘플을 분할하는 단계에서는 상기 분할된 샘플을 중첩시켜 인접 샘플 간의 정보가 포함될 수 있도록 할 수 있다.
상기 정규화하는 단계에서는 시간영역 및 데이터영역 데이터에 대하여 각각 통계적 특징 및 형상적 특징을 가진 특징을 추출하는 단계와, 추출된 데이터의 범위를 일치시키고 분포를 유사하게 조정하는 단계를 포함할 수 있다.
상기 특징성택 알고리즘은 유전 알고리즘을 포함할 수 있다.
상기 분류 알고리즘은 서포트 벡터 머신(Support Vector Machine; SVM) 알고리즘을 포함할 수 있다.
상기 원전 설비는 메인시일오일펌프(Main Seal Oil Pump; MSOP)를 포함할 수 있다.
본 발명에 따른 원전 설비의 예측 진단 방법 및 시스템은 설비에 대한 자동 예측 진단 결과의 신뢰성 및 성능이 향상되고, 고장 발생 전 결함 진단이 가능해져서 원전 설비 진단의 효율성을 극대화되고 최적의 정비시점을 예측할 수 있는 효과가 있다.
또한, 본 발명에 원전 설비의 예측 진단 방법 및 시스템은 불필요한 정비작업 제거 및 상태 모니터링을 통해 더 나은 정비계획 수립을 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 원전 설비의 예측 진단 시스템을 나타낸 구성도이다.
도 2 및 도 3은 본 실시예에 따른 원전 설비의 예측 진단 방법을 나타낸 순서도이다.
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 원전 설비의 예측 진단 시스템을 나타낸 구성도이고, 도 2 및 도 3은 본 실시예에 따른 원전 설비의 예측 진단 방법을 개략적으로 나타낸 순서도이다.
도 1 내지 도 3에 도시된 바와 같이, 본 실시예에 따른 원전 설비의 예측 진단 시스템(100, 이하, 예측 진단 시스템)은 원전 환경에 배치된 각종 설비에 대한 예측 진단을 수행한다.
다만, 이하에서는 설명의 이해를 돕기 위하여 하나의 원전 설비로써, 메인시일오일펌프(10, Main Seal Oil Pump; MSOP, 이하, 오일펌프라 칭한다.)의 예측 진단에 대하여 설명하도록 한다. 다만, 이는 본 실시예를 설명하기 위한 것으로 예측 진단 대상은 다양하게 변경될 수 있음을 밝혀둔다.
이러한 예측 진단 시스템(100)은 신호 처리부(110), 특징 모듈부(120), 및 특징 학습 및 분류부(130)를 포함한다.
먼저, 신호 처리부(110)는 오일펌프(10)에 장착된 진동센서 및 가속도센서 등으로부터 신호를 취득한다. 여기서, 진동센서는 오일펌프(10)의 베어링부에 설치되어, 진동신호를 신호 처리부(110)로 제공한다.
그리고 신호 처리부(110)는 오일펌프(10)로부터의 신호를 취득하여, 전처리 단계를 수행한다.
신호 처리부(110)의 동작에 대하여 살펴보면, 신호 처리부(110)의 샘플 중첩부(111)에서는 오일펌프(10)의 진동 특성을 고려한 최적의 데이터 샘플 분할 방식을 적용한다. 보다 구체적으로, 종래의 데이터 샘플 길이는 1,000ms, 약 1초이다. 이러한 종래의 데이터 샘플의 신호는 종래 샘플 분할 방식에서 하나의 샘플을 갖게 된다. 다만, 종래의 데이터 샘플을 이용할 경우에, 유체유발 특성 또는 적정 효율점이 벗어난 운전 및 다른 설비의 진동 등의 성분이 포함될 수 있다. 이에, 데이터 샘플 내의 상태 정보가 손실될 수 있으며, 분석결과에 영향을 미쳐 오진단을 초래할 수 있다.
따라서 본 실시예에서는 상기 문제점을 해결하기 위해 샘플 당 간격을 500ms, 약 0.5초로 설정한다. 이때, 해당 샘플은 인접 샘플 간의 정보가 포함될 수 있도록 중첩되며 다수의 샘플로 분할된다. 해당 샘플의 중첩에서는 샘플 내에 회전 동기 및 결함 성분이 포함되는 범위가 자동으로 설정될 수 있으며, 중첩된 샘플은 오일펌프(10)의 상태를 반복적으로 분석하는 메커니즘으로 구성될 수 있다.
또한, 신호 처리부(110)의 노이즈 제거부(112)로는 샘플 중첩부(111)의 출력 값이 입력된다. 여기서, 신호 처리부(110)는 결함 데이터 제거 방지를 위한 필터링을 수행한다. 노이즈 제거부(112)는 노이즈가 포함될 수 있는 주파수 대역에 대하여 저주파, 중주파, 및 고주파 등의 통과 필터링을 수행한다. 이러한 노이즈 제거부(112)에서는 오일펌프(10)에서 수집된 아날로그 신호의 디지털화를 수행하며, 양자화 오차로 인해 발생되는 노이즈 성분을 제거하여 오일펌프(10)에서 발생되는 진동 결합성분의 수렴현상이 방지되도록 한다. 즉, 노이즈 제거부(112)에서는 필수요소인 디지털화 과정에서 불가피하게 발생하는 노이즈를 사전에 제거 및 저감할 수 있다.
그리고 신호 처리부(110)의 평균화부(113)에서는 데이터 대한 평균화 기능을 자동적 특성으로 수행하여 데이터의 크기를 감소시킨다. 평균화부(113)에서는 오일펌프(10)의 부적할한 토크로 인한 나사 이완 및 블레이드 부식으로 인한 질량 불평형 등의 결함 검출 능력을 저하시키는 신호의 불안정한 성질을 제거한다. 이때, 평균화부(113)에서는 데이터의 크기가 감소하여 효율적인 데이터의 누적 관리가 가능하게 된다. 그리고 평균화부(113)에서는 평균화 간격 및 횟수에 따라 데이터가 분할되어 산출되며, 평균화 정도에 따라 분할된 각각의 데이터는 부대역 지정부(114)에서 출력된다.
신호 처리부(110)의 부대역 지정부(114)는 특정 기저 함수의 집합으로 분리하는 과정을 수행하며, 사용되는 기저 함수의 집합은 하나의 기본 웨이블릿 기저함수(mother wavelet basic function)에 대한 시각 축 방향으로 확대 및 축소, 평행이동을 통해 확보된다. 여기서, 임의의 구간은 설정된 레벨에 따라 선택할 수 있는 노드로 구성되며, 신호 파형 내에 포함된 충격파를 구분하여 산출된다. 부대역 지정부(114)에서는 신호를 임의의 구간으로 분해한다. 따라서 기존 신호처리 기술로는 검출이 어려운 시간 의존도가 높은 결함성분을 조기에 검출할 수 있다.
즉, 오일펌프(10)에서 발생할 수 있는 결함 중에서 조기 검출이 어려운 정상 마모로 인한 베어링의 미소한 결함진전, 과도한 축방향 추력으로 인한 비금속부품 피로 손상, 및 열충격에 의한 미소 뒤틀림 등을 조기에 검출할 수 있다. 이는 곧 오일펌프(10)의 진단 성능 향상을 위한 차별화된 신호처리 기술일 수 있다. 여기서, 산출된 결과는 복수의 시간구간으로 나누어 각 구간에 대한 포락분석(Envelope Analysis)을 적용한 평가, 및 여러 주파수 대역으로 구획하여 각 구간에 대한 포락분석을 적용한 평가로 구분되어 출력된다.
한편, 특징 모듈부(120)는 신호 처리부(110)에서 제공되는 신호의 통계적이거나 형상적인 특징을 추출 및 정규화한다. 여기서, 특징 모듈부(120)는 아래 수학식을 통해 시간영역 및 데이터영역 데이터에 대하여 각각의 통계적 특징 및 형상적 특징을 가진 특징을 추출하는 과정, 및 추출된 특징 데이터의 범위를 일치시키고 분포를 유사하게 만들어주는 정규화 과정을 수행할 수 있다.
이러한 특징 모듈부(120)의 특징 추출부(121)에서는 출력된 시간 영역 및 주파수 영역 데이터에 대하여 각각의 통계적 특성 또는 형태적 특성을 가진 특징을 추출한다. 여기서, 추출방법은 아래 수학식을 통해 설정된 개수만큼의 특징을 추출한다. 추출된 각 특징 값은 구성된 시스템 내에서 특징 벡터별 상관계수 도출을 통한 머신러닝 알고리즘용 데이터로 제공된다.
아래, 수학식들에서 x(n)는 고장 특징 추출에 사용되는 시간 영역 신호를 나타내고, N은 x(n)의 샘플 개수를 나타낸다. 그리고
Figure 112018089259972-pat00001
는 x(n)의 평균을 나타내고,
Figure 112018089259972-pat00002
은 x(n)의 표준편차를 나타낸다.
먼저, 수학식 1을 통해 자승 평균 평방근(Root-mean-square; RMS)이 산출되도록 한다. 자승 평균 평방근은 신호의 변화 크기에 대한 값으로 사인 파형과 같이 연속되는 파형의 음과 양을 오가는 정도 또는 그 크기를 의미한다.
[수학식 1]
Figure 112018089259972-pat00003
그리고 수학식 2를 통해 비대칭도(Skewness)가 산출되도록 한다. 통계에서 비대칭도는 확률 분포의 비대칭성을 나타내는 지표이다. 여기서, 비대칭도는 신호의 편중성(신호의 평균을 기준으로 신호 값들의 분포가 한쪽으로 몰리는 정도)이 증가할수록 함께 증가하게 된다.
[수학식 2]
Figure 112018089259972-pat00004
그리고 수학식 3을 통해 임펄스 팩터(Impulse factor)가 산출되도록 한다. 임펄스 팩터는 신호에서 가장 큰 임펄스 즉, 파형이 뾰족하게 솟아오르는 부분의 크기에 대한 지표를 나타낸다.
[수학식 3]
Figure 112018089259972-pat00005
그리고 수학식 4를 통해 첨도(Kurtosis)가 산출되도록 한다. 통계에서 첨도는 확률분포의 모양이 뾰족한 정도를 나타내는 지표로 신호의 값들의 분포가 특정 값 근처에 몰려 뾰족한 형태를 이룰수록 첨도가 증가하게 된다.
[수학식 4]
Figure 112018089259972-pat00006
그리고 수학식 5를 통해 첨도 백터(Kurtosis factor)가 산출되도록 한다. 첨도 백터는 첨도의 변형된 값으로 첨도가 신호 전체의 크기에 민감한 단점을 보완할 수 있다.
[수학식 5]
Figure 112018089259972-pat00007
그리고 수학식 6을 통해 평균 평방근(Square-mean-root; SMR)이 산출되도록 한다. 평균 평방근은 자승 평균 평방근과 동일하게 연속되는 파형의 음과 양을 오가는 정도 또는 그 크기를 의미하며, 자승 평균 평방근보다 신호의 크기에 더 민감할 수 있다.
[수학식 6]
Figure 112018089259972-pat00008
그리고 수학식 7을 통해 피크 투 피크(Peak-to-peak)가 산출되도록 한다. 피크 투 피크는 신호의 전체 폭을 나타내는 지표로 신호에서 가장 작은 값과 가장 큰 값의 차이다.
[수학식 7]
Figure 112018089259972-pat00009
그리고 수학식 8을 통해 마진백터(Margin factor)가 산출되도록 한다. 마진백터는 신호의 평균적인 크기에 비해 최소/최대값의 차이를 의미한다.
[수학식 8]
Figure 112018089259972-pat00010
그리고 수학식 9를 통해 파고율(Crest factor)이 산출되도록 한다. 파고율은 마진과 동일하게 신호의 평균적인 크기에 비해 최소/최대값의 차이를 의미하며 평균 크기로 평균 평방근(Square-mean-root; SMR) 대신 자승 평균 평방근(Root-mean-square; RMS)을 사용한다.
[수학식 9]
Figure 112018089259972-pat00011
그리고 수학식 10을 통해 형상계수(Shape factor)가 산출되도록 한다. 형상계수는 전자공학에서 DC 성분과 AC 성분의 비율을 나타내는 지표로 신호의 평균 대비 음과 양을 오가는 연속 파형의 크기 비율을 의미한다.
[수학식 10]
Figure 112018089259972-pat00012
그리고 수학식 11을 통해 주파수 중심(Frequency center)이 산출되도록 한다. 주파수 중심은 주파수 영역의 평균을 의미한다.
[수학식 11]
Figure 112018089259972-pat00013
그리고 수학식 12를 통해 RMS of frequency가 산출되도록 한다. RMS of frequency는 주파수 영역의 자승 평균 평방근(Root-mean-square; RMS) 값을 의미한다.
[수학식 12]
Figure 112018089259972-pat00014
그리고 수학식 13을 통해 Root variance frequency가 산출되도록 한다. Root variance frequency는 신호의 주파수 영역에서 주파수 값들의 분산을 의미한다.
[수학식 13]
Figure 112018089259972-pat00015
한편, 특징 모듈부(120)에서는 상기 계산식을 통해 산출된 특징들에 대하여 정규화를 수행한다.
특징 데이터의 정규화 과정에서는 추출된 특징 데이터의 범위를 일치시킨다. 그리고 분포를 유사하게 만들어주며, 인공지능 기반 기계학습 분석의 자동적 특정으로 제공될 수 있게 한다. 이는 상술한 바와 같이 데이터의 범위를 일치시키는데 목적이 있으며, 정규화가 미수행될 경우 후술할 오일펌프(10)의 상태별 특징 값의 군집분석에서 과소 및 과대평가되어 진단결과에 대한 신뢰성이 낮아지게 된다.
일반적으로 각 군집의 영역 또는 여타 군집 간의 거리가 어느 정도인지를 평가하여 상태를 분류하게 된다. 그러나 정규화되지 않는 데이터를 분석에 활용하게 되면 각 변수 값은 통계 및 형태적으로 단위가 ??100~-10, 1~10 및 1000~10000 등으로 상이하기 때문에 거리측정치 계산에 상당한 영향을 미치게 된다. 그리고 변수 간의 상관관계가 잘못 평가될 수 있다. 따라서 정규화과정은 이를 방지하고, 오일펌프(10)의 각 상태를 효과적으로 학습시키기 위해 제공된다.
한편, 특징 학습 및 분류부(130)는 머신러닝을 통한 특징 선택, 학습 및 분류를 수행하여 오일펌프(10)의 상태를 나타낸다. 특징 학습 및 분류부(130)에서는 유전자 알고리즘(Genetic Algorithm; GA)을 기반으로 특징을 선택하여 오일펌프(10)에 최적화된 특징을 선택하는 과정, 및 서포트 벡터 머신(Support Vector Machine; SVM)을 기반으로 한 선택된 특징을 이용하여 오일펌프(10)의 과거 상태를 학습하고 이를 통해 현재의 오일펌프(10)의 상태를 분류하는 과정을 수행할 수 있다.
이러한 특징 학습 및 분류부(130)에서는 정규화된 각 특징을 활용하게 된다. 여기서, 오일펌프(10)에 최적화된 특징 선별과정의 유전자 알고리즘은 집단(Population)이라 분리는 n개의 해 부호 집합을 초기 값으로 병렬 탐색한다. 집단에서의 각 객체는 염색체(Chromosome)라 불리며, 집단을 이루는 염색체들은 세대(Generation)라고 불리는 계속되는 반복 과정을 통해서 개선된다. 이러한 유전자 알고리즘에서는 한 세대가 종료되면 각각의 염색체가 적응도(Fitness)라는 값을 이용하여 평가를 받게 된다. 유전자 알고리즘은 선택 과정이 완료되면, 교차(crossover)와 돌연변이(mutation)를 이용하여 개체의 적응도를 높게 개선한다. 이때, 목적 함수에 따라 선택방법, 교차 확률, 돌연변이 확률을 설정하면, 이상의 과정을 세대 수 만큼 또는 정해진 오차 범위를 만족하는 최적 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 오일펌프(10)의 상태를 효과적으로 표현하는 특징을 선별할 수 있고, 선별된 특징은 오일펌프(10)의 상태의 미소한 결합에 대하여 사전 감지가 가능하기 때문에 하위단계에서 수행될 학습 및 분류 성능을 극대화시키는 기능을 수행한다.
그리고 특징 학습 및 분류부(130)의 상태 분류부(131)에서는 상술된 방법을 통해 과거의 오일펌프(10)의 상태 데이터를 선택된 특징 벡터들로 학습하고, 이를 바탕으로 현재의 오일펌프(10)의 상태를 파악한다. 이때, 상태 분류부(131)에서는 서포트 벡터 머신을 기반으로 한 데이터 집합을 기반으로 새로운 데이터를 자동 분류할 수 있다. 여기서, 서포트 벡터 머신은 선형뿐만 아니라 비선형 데이터의 분류를 위해서도 사용 가능하다.
서포트 벡터 머신은 기본적으로 이진 분류를 수행하지만 실제 적용에서는 여러 상태를 구분하기 위한 각 클래스의 분류에 대응하는 서포트 벡터 머신을 학습시키고, 새로운 데이터에 대한 판별은 모든 서포트 벡터 머신을 수행한 후 가장 많은 투표 값을 가진 클래스로 그 소속을 판별하는 멀티 클래스 서포트 벡터 머신이 적용될 수 있다.
이와 같이, 본 발명에 따른 오일펌프의 예측 진단 방법 및 시스템은 설비에 대한 자동 예측 진단 결과의 신뢰성 및 성능이 향상되고, 고장 발생 전 결함 진단이 가능해져서 원전 설비 진단의 효율성을 극대화되고 최적의 정비시점을 예측할 수 있는 효과가 있다.
또한, 본 발명에 따른 오일펌프의 예측 진단 방법 및 시스템은 불필요한 정비작업 제거 및 상태 모니터링을 통해 더 나은 정비계획 수립을 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 : 메인시일오일펌프
100 : 원전 설비의 예측 진단 시스템
110 : 신호 처리부
120 : 특징 모듈부
130 : 특징 학습 및 분류부

Claims (9)

  1. 원전 설비의 결함을 예측 진단하는 예측 진단 방법에 있어서,
    신호 처리부가 상기 원전 설비로부터 센서를 통해 데이터를 취득하는 단계;
    상기 신호 처리부가 상기 데이터의 전처리를 수행하며, 상기 데이터의 노이즈를 제거하는 단계;
    특징 모듈부가 상기 데이터를 제공받아 상기 데이터의 통계적 특징 및 형상적 특징 중 적어도 어느 하나를 추출하여, 정규화하는 단계;
    특징 학습 및 분류부가 상기 정규화된 데이터에 특징선택 알고리즘을 적용하여, 상기 원전 설비의 상태를 표현하는 특징을 선별하는 단계; 및
    상기 특징 학습 및 분류부가 상기 특징선택 알고리즘을 통해 선별된 특징을 학습하고, 학습된 특징을 분류 알고리즘을 통해 분류하여 상기 원전 설비의 상태를 인지하는 단계를 포함하고,
    상기 정규화하는 단계에서는
    시간영역 및 데이터영역 데이터에 대하여 각각 통계적 특징 및 형상적 특징을 가진 특징을 추출하는 단계와,
    추출된 데이터의 범위를 일치시키고 분포를 유사하게 조정하는 단계를 포함하는 예측 진단 방법.
  2. 제1 항에 있어서,
    상기 노이즈를 제거하는 단계는
    상기 데이터의 샘플을 분할하는 단계와,
    샘플이 분할된 상기 데이터를 디지털화하며, 디지털화 과정에서 발생된 노이즈를 제거 또는 저감하는 단계와,
    상기 데이터의 불안정한 성질을 제거하고 상기 데이터의 크기를 감소시키는 단계와,
    상기 데이터를 기설정된 구간으로 분해하여 결함성분을 검출하는 단계를 포함하는 것을 특징으로 하는 예측 진단 방법.
  3. 제2 항에 있어서,
    상기 데이터의 샘플을 분할하는 단계에서는
    유체유발 특성 또는 적정 효율성에서 벗어난 운전, 및 다른 설비의 진동 중 적어도 어느 하나를 포함하는 데이터를 샘플 당 500ms 간격으로 설정하여 분할하는 것을 특징으로 하는 예측 진단 방법.
  4. 제3 항에 있어서,
    상기 데이터의 샘플을 분할하는 단계에서는
    상기 분할된 샘플을 중첩시켜 인접 샘플 간의 정보가 포함될 수 있도록 하는 것을 특징으로 하는 예측 진단 방법.
  5. 삭제
  6. 제1 항에 있어서,
    상기 특징선택 알고리즘은
    유전 알고리즘을 포함하는 것을 특징으로 하는 예측 진단 방법.
  7. 제1 항에 있어서,
    상기 분류 알고리즘은
    서포트 벡터 머신(Support Vector Machine; SVM) 알고리즘을 포함하는 것을 특징으로 하는 예측 진단 방법.
  8. 제1 항에 있어서,
    상기 원전 설비는
    메인시일오일펌프(Main Seal Oil Pump; MSOP)를 포함하는 것을 특징으로 하는 예측 진단 방법.
  9. 원전 설비의 결함을 예측 진단하는 예측 진단 시스템에 있어서,
    신호 처리부가 상기 원전 설비로부터 센서를 통해 데이터를 취득하는 단계;
    상기 신호 처리부가 상기 데이터의 전처리를 수행하며, 상기 데이터의 노이즈를 제거하는 단계;
    특징 모듈부가 상기 데이터를 제공받아 상기 데이터의 통계적 특징 및 형상적 특징 중 적어도 어느 하나를 추출하여, 정규화하는 단계;
    특징 학습 및 분류부가 상기 정규화된 데이터에 특징선택 알고리즘을 적용하여, 상기 원전 설비의 상태를 표현하는 특징을 선별하는 단계; 및
    상기 특징 학습 및 분류부가 상기 특징선택 알고리즘을 통해 선별된 특징을 학습하고, 학습된 특징을 분류 알고리즘을 통해 분류하여 상기 원전 설비의 상태를 인지하는 단계를 포함하고,
    상기 정규화하는 단계에서는
    시간영역 및 데이터영역 데이터에 대하여 각각 통계적 특징 및 형상적 특징을 가진 특징을 추출하는 단계와,
    추출된 데이터의 범위를 일치시키고 분포를 유사하게 조정하는 단계를 포함하는 예측 진단 시스템.
KR1020180107247A 2018-09-07 2018-09-07 원전 설비의 예측 진단 방법 및 시스템 KR102051226B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180107247A KR102051226B1 (ko) 2018-09-07 2018-09-07 원전 설비의 예측 진단 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180107247A KR102051226B1 (ko) 2018-09-07 2018-09-07 원전 설비의 예측 진단 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102051226B1 true KR102051226B1 (ko) 2019-12-02

Family

ID=68847694

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180107247A KR102051226B1 (ko) 2018-09-07 2018-09-07 원전 설비의 예측 진단 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102051226B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102206737B1 (ko) * 2020-01-13 2021-01-25 한국과학기술원 기계학습 기반 펌프수차 고장 진단 방법 및 시스템
KR102212022B1 (ko) * 2020-02-18 2021-02-05 한국과학기술원 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템
KR102274139B1 (ko) * 2020-03-10 2021-07-06 조선대학교산학협력단 원자력 발전소의 운영기술지침서 이행 실시간 감시시스템
KR20210103381A (ko) 2020-02-13 2021-08-23 주식회사 루닛 데이터의 전향적 전처리 장치 및 그 방법
KR102345245B1 (ko) 2020-12-30 2021-12-31 한국수력원자력 주식회사 원전 시설의 감시 진단 시스템 및 방법
KR20220059837A (ko) 2020-11-03 2022-05-10 주식회사 케이티 기계 상태를 모니터링 하기 위한 예지 정비 모델 학습 방법, 서버 및 컴퓨터 프로그램
CN116933170A (zh) * 2023-09-18 2023-10-24 福建福清核电有限公司 一种机械密封故障分类算法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0145146B1 (ko) * 1994-12-01 1998-08-17 장문현 신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법
KR20120027733A (ko) * 2010-09-13 2012-03-22 한국수력원자력 주식회사 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치
KR101258017B1 (ko) 2011-07-07 2013-04-25 한전케이피에스 주식회사 펌프 성능 진단 장치
JP2015172945A (ja) * 2009-08-28 2015-10-01 株式会社日立製作所 設備状態監視方法およびその装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0145146B1 (ko) * 1994-12-01 1998-08-17 장문현 신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법
JP2015172945A (ja) * 2009-08-28 2015-10-01 株式会社日立製作所 設備状態監視方法およびその装置
KR20120027733A (ko) * 2010-09-13 2012-03-22 한국수력원자력 주식회사 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치
KR101249576B1 (ko) * 2010-09-13 2013-04-01 한국수력원자력 주식회사 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치
KR101258017B1 (ko) 2011-07-07 2013-04-25 한전케이피에스 주식회사 펌프 성능 진단 장치

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102206737B1 (ko) * 2020-01-13 2021-01-25 한국과학기술원 기계학습 기반 펌프수차 고장 진단 방법 및 시스템
KR20210103381A (ko) 2020-02-13 2021-08-23 주식회사 루닛 데이터의 전향적 전처리 장치 및 그 방법
KR102395564B1 (ko) 2020-02-13 2022-05-10 주식회사 루닛 데이터의 전향적 전처리 장치 및 그 방법
KR102212022B1 (ko) * 2020-02-18 2021-02-05 한국과학기술원 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템
KR102274139B1 (ko) * 2020-03-10 2021-07-06 조선대학교산학협력단 원자력 발전소의 운영기술지침서 이행 실시간 감시시스템
KR20220059837A (ko) 2020-11-03 2022-05-10 주식회사 케이티 기계 상태를 모니터링 하기 위한 예지 정비 모델 학습 방법, 서버 및 컴퓨터 프로그램
KR102345245B1 (ko) 2020-12-30 2021-12-31 한국수력원자력 주식회사 원전 시설의 감시 진단 시스템 및 방법
CN116933170A (zh) * 2023-09-18 2023-10-24 福建福清核电有限公司 一种机械密封故障分类算法
CN116933170B (zh) * 2023-09-18 2024-01-02 福建福清核电有限公司 一种机械密封故障分类方法

Similar Documents

Publication Publication Date Title
KR102051226B1 (ko) 원전 설비의 예측 진단 방법 및 시스템
KR101936283B1 (ko) 기계적 결함에 대한 진단 및 예측 방법
KR102051227B1 (ko) 원전 설비의 예측 진단 방법 및 시스템
KR102253230B1 (ko) 원전설비의 예측 진단 방법 및 시스템
KR20190013017A (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
CN111325410B (zh) 基于样本分布的通用故障预警系统及其预警方法
CN111538311B (zh) 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
CN110738255A (zh) 一种基于聚类算法的设备状态监测方法
KR101984248B1 (ko) 원자력 발전설비의 기계학습식 예측진단장치
KR20210046356A (ko) 부분방전 진단 장치 및 방법
CN117191305B (zh) 一种公路桥梁的状态评估方法及系统
KR102028845B1 (ko) 원전설비의 예측 진단 방법 및 시스템
KR102196611B1 (ko) 원전설비의 예측 진단 방법 및 시스템
Zhang et al. Fault diagnosis based on optimized node entropy using lifting wavelet packet transform and genetic algorithms
CN115495274A (zh) 基于时序数据的异常处理方法、网络设备和可读存储介质
CN117331790A (zh) 一种用于数据中心的机房故障检测方法及装置
CN116047164A (zh) 一种电动汽车绝缘电阻异常的检测方法和检测装置
CN118030409A (zh) 用于风机机组的运行性能异常检测方法及系统
CN117391458B (zh) 基于数据分析的安全生产风险检测预警方法及系统
KR102017162B1 (ko) 원전설비의 예측 진단 방법 및 시스템
KR101967633B1 (ko) 원자력 발전설비의 기계학습식 예측진단장치
KR101983603B1 (ko) 증강현실을 활용한 원자력 발전설비의 기계학습식 예측진단장치
CN113515554A (zh) 用于不规则采样的时间序列的异常检测方法和系统
CN111157694A (zh) 一种核电厂蒸汽发生器排污水质量异常的诊断方法
Yadav et al. Multiclass Fault Classification of an Induction Motor Bearing Vibration Data Using Wavelet Packet Transform Features and Artificial Intelligence

Legal Events

Date Code Title Description
GRNT Written decision to grant