KR102051227B1 - 원전 설비의 예측 진단 방법 및 시스템 - Google Patents

원전 설비의 예측 진단 방법 및 시스템 Download PDF

Info

Publication number
KR102051227B1
KR102051227B1 KR1020180107248A KR20180107248A KR102051227B1 KR 102051227 B1 KR102051227 B1 KR 102051227B1 KR 1020180107248 A KR1020180107248 A KR 1020180107248A KR 20180107248 A KR20180107248 A KR 20180107248A KR 102051227 B1 KR102051227 B1 KR 102051227B1
Authority
KR
South Korea
Prior art keywords
data
nuclear power
power plant
feature
plant equipment
Prior art date
Application number
KR1020180107248A
Other languages
English (en)
Inventor
신유수
김대웅
김태희
이원규
김주식
김희찬
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 KR1020180107248A priority Critical patent/KR102051227B1/ko
Application granted granted Critical
Publication of KR102051227B1 publication Critical patent/KR102051227B1/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 And Monitoring For Control Systems (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 수행하는 단계 및 상기 전처리된 데이터의 통계적 특징 및 형상적 특징 중 적어도 어느 하나를 추출하여 정규화하는 단계 및 상기 정규화된 데이터의 특징벡터에 차원축소 알고리즘을 적용하여 상기 원전 설비의 상태를 표현하는 새로운 특징을 구성하는 단계 및 상기 차원축소 알고리즘을 통해 구성된 새로운 특징을 학습하고, 학습된 특징을 군집 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 제0798006호(원전 기기의 통합 감시 및 진단 방법과 이를 이용한 시스템, 2008.01.18)
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 수행하는 단계 및 상기 전처리된 데이터의 통계적 특징 및 형상적 특징 중 적어도 어느 하나를 추출하여 정규화하는 단계 및 상기 정규화된 데이터의 특징벡터에 차원축소 알고리즘을 적용하여 상기 원전 설비의 상태를 표현하는 새로운 특징을 구성하는 단계 및 상기 차원축소 알고리즘을 통해 구성된 새로운 특징을 학습하고, 학습된 특징을 군집 알고리즘을 통해 분류하여 상기 원전 설비의 상태를 인지하는 단계를 포함한다.
상기 전처리를 수행하는 단계는 상기 데이터의 샘플을 분할하는 단계와, 상기 데이터의 불안정한 성질을 제거하고 상기 데이터의 크기를 감소시키는 단계를 포함할 수 있다.
상기 분할하는 단계에서는 입출구 유로저항 변화, 또는 토출 압력 불안정 중 적어도 어느 하나를 포함하는 데이터를 샘플 당 500ms 간격으로 설정하여 분할할 수 있다.
상기 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 차원축소 알고리즘은 주성분 분석(Principal Component Analysis; PCA)을 포함할 수 있다.
상기 군집 알고리즘은 K-NN(Nearest Neighbors) 알고리즘을 포함할 수 있다.
상기 원전 설비는 압축기를 포함할 수 있다.
한편, 본 발명에 따른 예측 진단 시스템은 원전 설비로부터 데이터를 취득하고, 상기 데이터의 전처리를 수행하고, 상기 전처리된 데이터의 통계적 특징 및 형상적 특징 중 적어도 어느 하나를 추출하여 정규화하고, 상기 정규화된 데이터의 특징벡터에 차원축소 알고리즘을 적용하여 상기 원전 설비의 상태를 표현하는 새로운 특징을 구성하고, 상기 차원축소 알고리즘을 통해 구성된 새로운 특징을 학습하고, 학습된 특징을 군집 알고리즘을 통해 분류하여 상기 원전 설비의 상태를 인지한다.
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 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, 압축기(10)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 압축기(10)에 장착된 진동센서로부터 신호를 취득한다. 여기서, 진동센서는 압축기(10)의 베어링부에 설치되어, 진동신호를 신호 처리부(110)로 제공한다.
그리고 신호 처리부(110)는 압축기(10)로부터의 신호를 취득하여, 전처리 단계를 수행한다.
신호 처리부(110)의 동작에 대하여 살펴보면, 신호 처리부(110)의 샘플 중첩부(111)에서는 압축기(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, 압력이 높은 압축기(압력 1kgh/cm2이상)에서 빈번하게 발생되는 입출구 유로저항 변화 및 토출압력 불안정 등과 같은 과도 및 충격의 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 설비 상태를 반복적으로 분석하는 메커니즘으로 구성될 수 있다.
그리고 신호 처리부(110)의 평균화부(112)에서는 데이터 대한 평균화 기능을 자동적 특성으로 수행하여 데이터의 크기를 감소시킨다. 평균화부(112)에서는 압축기(10)의 부적할한 토크로 인한 나사 이완, 및 블레이드 부식으로 인한 질량 불평형 등의 결함 검출 능력을 저하시키는 신호의 불안정한 성질을 제거한다. 이때, 평균화부(112)에서는 데이터의 크기가 감소하여 효율적인 데이터의 누적 관리가 가능하게 된다. 그리고 평균화부(112)에서는 평균화 간격 및 횟수에 따라 데이터가 분할되어 산출되며, 평균화 정도에 따라 분할된 각각의 데이터는 특징 모듈부(120)에서 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 112018089260031-pat00001
는 x(n)의 평균을 나타내고,
Figure 112018089260031-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 112018089260031-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 112018089260031-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 112018089260031-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 112018089260031-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 112018089260031-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 112018089260031-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 112018089260031-pat00009
그리고 수학식 8을 통해 마진백터(Margin factor)가 산출되도록 한다. 마진백터는 신호의 평균적인 크기에 비해 최소/최대값의 차이를 의미한다.
[수학식 8]
Figure 112018089260031-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 112018089260031-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 112018089260031-pat00012
그리고 수학식 11을 통해 주파수 중심(Frequency center)이 산출되도록 한다. 주파수 중심은 주파수 영역의 평균을 의미한다.
[수학식 11]
Figure 112018089260031-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 112018089260031-pat00014
그리고 수학식 13을 통해 Root variance frequency가 산출되도록 한다. Root variance frequency는 신호의 주파수 영역에서 주파수 값들의 분산을 의미한다.
[수학식 13]
Figure 112018089260031-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 압축기(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, 압축기(10)의 각 상태를 효과적으로 학습시키기 위해 제공된다.
한편, 특징 학습 및 분류부(130)는 머신러닝을 통한 특징의 차원축소, 학습 및 분류를 수행하여 압축기(10)의 상태를 나타낸다. 특징 학습 및 분류부(130)에서는 정규화된 특징을 사용하여 특징벡터의 차원을 축소화시켜 압축기(10)의 상태에 맞는 새로운 특징을 구성하는 과정, 및 K-NN(Nearest Neighbors)을 기반으로 압축기(10)의 과거 상태를 학습하고 이를 통해 현재의 압축기(10)의 상태를 분류하는 과정을 수행할 수 있다.
이러한 특징 학습 및 분류부(130)에서는 정규화된 각 특징을 활용하게 된다. 이때, 특징 학습 및 분류부(130)에서는 특징벡터의 차원을 축소화시켜 설비의 상태에 맞는 새로운 특징을 구성할 수 있다. 이때, 차원축소 및 추출에 사용되는 차원 축소 방법은 주성분 분석(Principal Component Analysis; PCA)일 수 있다. 주성분 분석은 특징이 많으면 잡음 특성까지 포함되어 분류성능이 떨어지고 분류기의 학습과 인식 속도가 느려지는 단점을 보완하기 위해 특징 벡터의 차원을 축소시키는 통계적 기법이다.
주성분 분석은 k번째 주성분(PC)이 모든 주성분들 사이에서 k번째 가장 큰 분산(Variance)을 가지도록 상관없이 순서화된다. k번째 주성분은 k-1번째 주성분과 직교가 되도록 데이터 점들의 투영(Projection)의 편차를 최대화하는 방향으로 설정된다.
주성분 분석에 의한 특징 추출 방법을 아래 수학식 14와 같이 원래 데이터
Figure 112018089260031-pat00016
로부터 평균 ㅅ, 분산
Figure 112018089260031-pat00017
, 공분산(covariance) cov를 계산한다.
[계산식 14]
Figure 112018089260031-pat00018
이에, 특징 학습 및 분류부(130)에서는 분산과 공분산으로 구성되는 공분산 행렬 S를 계산하고, 공분산 행렬의 고유치를 계산한다. 그리고 특징 학습 및 분류부(130)에서는 고유치를 크기순으로 나열하고 고유치에 기초한 주성분을 선택한다. 이때, 특징 학습 및 분류부(130)에서는 대상 설비의 상태를 면밀히 파악하기 위해 3개의 주성분을 추출한다.
한편, 특징 학습 및 분류부(130)의 상태 분류부(131)에서는 상술된 방법을 통해 과거의 압축기(10)의 상태 데이터를 학습한다. 그리고 상태 분류부(131)에서는 학습된 특징 벡터들을 기반으로 현재의 압축기(10) 상태가 파악된다. 이때, 특징 학습 및 분류에서 사용되는 머신러닝 기법은 K-NN(K-Nearest Neighbors)으로 비모수 방식의 분류 방법이다. K-NN은 새로운 데이터를 접하였을 때, 모든 학습된 데이터와의 거리 척도를 학습하여 거리가 가장 가까운 것부터 순서대로 지정한 K개의 데이터를 찾아 후보(압축기 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-NN은 탐색할 이웃 수(K)를 설정하는 것이 중요하다. 이를 위해 원자력 발전소의 압축기(10)의 학습 데이터와 검증 데이터를 활용하여 오분류율이 낮은 K값을 설정하며, 거리에 따른 가중치를 부과하여 분류의 정확도를 개선한다. 다만, K-NN의 거리척도 학습은 해당 분류기의 특성상 고차원 데이터의 학습에 불리하기 때문에 해당 분류기의 단점을 보완하는 주성분 분석이 필수적이다.
이러한 K-NN은 일관성 있는 분류가 가능하며, 미리 학습된 이상정보가 충분할 경우 효율적이고 정확하게 압축기(10)의 상태를 파악할 수 있다. 이에, K-NN은 발생할 수 있는 이상이 명확한 원전의 압축기(10)의 예측진단에 적합할 수 있으며, 노이즈의 영향을 적게 받기 때문에 평균화부(112)에서 노이즈가 완전히 제거되지 못하더라도 안정적인 분류가 가능할 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 : 압축기
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 수행하는 단계;
    특징 모듈부가 상기 데이터를 제공받아 상기 전처리된 데이터의 통계적 특징 및 형상적 특징 중 적어도 어느 하나를 추출하여 정규화하는 단계;
    특징 학습 및 분류부가 상기 정규화된 데이터의 특징벡터에 차원축소 알고리즘을 적용하여 상기 원전 설비의 상태를 표현하는 새로운 특징을 구성하는 단계; 및
    상기 특징 학습 및 분류부가 상기 차원축소 알고리즘을 통해 구성된 새로운 특징을 학습하고, 학습된 특징을 군집 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 전처리를 수행하는 단계는
    상기 데이터의 샘플을 분할하는 단계와,
    상기 데이터의 불안정한 성질을 제거하고 상기 데이터의 크기를 감소시키는 단계를 포함하는 것을 특징으로 하는 예측 진단 방법.
  3. 제2 항에 있어서,
    상기 분할하는 단계에서는
    입출구 유로저항 변화, 또는 토출 압력 불안정 중 적어도 어느 하나를 포함하는 데이터를 샘플 당 500ms 간격으로 설정하여 분할하는 것을 특징으로 하는 예측 진단 방법.
  4. 제3 항에 있어서,
    상기 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 차원축소 알고리즘은
    주성분 분석(Principal Component Analysis; PCA)을 포함하는 것을 특징으로 하는 예측 진단 방법.
  7. 제1 항에 있어서,
    상기 군집 알고리즘은
    K-NN(Nearest Neighbors) 알고리즘을 포함하는 것을 특징으로 하는 예측 진단 방법.
  8. 제1 항에 있어서,
    상기 원전 설비는
    압축기를 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 수행하는 단계;
    특징 모듈부가 상기 데이터를 제공받아 상기 전처리된 데이터의 통계적 특징 및 형상적 특징 중 적어도 어느 하나를 추출하여 정규화하는 단계;
    특징 학습 및 분류부가 상기 정규화된 데이터의 특징벡터에 차원축소 알고리즘을 적용하여 상기 원전 설비의 상태를 표현하는 새로운 특징을 구성하는 단계; 및
    상기 특징 학습 및 분류부가 상기 차원축소 알고리즘을 통해 구성된 새로운 특징을 학습하고, 학습된 특징을 군집 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.
KR1020180107248A 2018-09-07 2018-09-07 원전 설비의 예측 진단 방법 및 시스템 KR102051227B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180107248A KR102051227B1 (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
KR1020180107248A KR102051227B1 (ko) 2018-09-07 2018-09-07 원전 설비의 예측 진단 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102051227B1 true KR102051227B1 (ko) 2019-12-02

Family

ID=68847722

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180107248A KR102051227B1 (ko) 2018-09-07 2018-09-07 원전 설비의 예측 진단 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102051227B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210109206A (ko) 2020-02-27 2021-09-06 한국수력원자력 주식회사 원전의 지능형 상태감시 방법 및 시스템
KR102613820B1 (ko) * 2022-11-03 2023-12-15 (재)대구기계부품연구원 공작기계의 가공 조건 도출을 위한 db 생성 시스템 및 그 방법
WO2024098668A1 (zh) * 2022-11-08 2024-05-16 中广核研究院有限公司 基于5g的核电设备异常诊断方法、装置和计算机设备

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
KR100798006B1 (ko) 2006-08-17 2008-01-24 한국원자력연구원 원전 기기의 통합 감시 및 진단 방법과 이를 이용한 시스템
KR101249576B1 (ko) * 2010-09-13 2013-04-01 한국수력원자력 주식회사 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 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 (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
KR100798006B1 (ko) 2006-08-17 2008-01-24 한국원자력연구원 원전 기기의 통합 감시 및 진단 방법과 이를 이용한 시스템
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
KR101249576B1 (ko) * 2010-09-13 2013-04-01 한국수력원자력 주식회사 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210109206A (ko) 2020-02-27 2021-09-06 한국수력원자력 주식회사 원전의 지능형 상태감시 방법 및 시스템
KR102613820B1 (ko) * 2022-11-03 2023-12-15 (재)대구기계부품연구원 공작기계의 가공 조건 도출을 위한 db 생성 시스템 및 그 방법
WO2024098668A1 (zh) * 2022-11-08 2024-05-16 中广核研究院有限公司 基于5g的核电设备异常诊断方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
KR102051226B1 (ko) 원전 설비의 예측 진단 방법 및 시스템
KR102051227B1 (ko) 원전 설비의 예측 진단 방법 및 시스템
EP3186514B1 (en) Monitoring of a pump
KR101955305B1 (ko) 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출
US6408259B1 (en) Alert generation for trend performance analysis
Yu Bearing performance degradation assessment using locality preserving projections
EP3373089B1 (en) Operating state classification device
US20110191076A1 (en) Error detection method and system
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
KR102253230B1 (ko) 원전설비의 예측 진단 방법 및 시스템
KR20160097029A (ko) 배터리 상태 추정 장치 및 방법
KR102501883B1 (ko) 기계 학습 기반의 설비 이상 분류 시스템 및 방법
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
Zhang et al. A data-driven prognostics framework for tool remaining useful life estimation in tool condition monitoring
CN117195018B (zh) 基于多传感器的矿用水泵智能监测系统
KR20200005202A (ko) 기계 학습 기반의 설비 이상 탐지 시스템 및 방법
CN110469461B (zh) 一种风机齿带的断裂预估方法、其装置及可读存储介质
CN115828170A (zh) 一种基于掘进机电控数据的故障检测方法
CN117436712B (zh) 一种施工挂篮运行风险实时监测方法及系统
CN110674991A (zh) 一种基于ocsvm的火电厂一次风机异常检测方法
KR102017162B1 (ko) 원전설비의 예측 진단 방법 및 시스템
KR102028845B1 (ko) 원전설비의 예측 진단 방법 및 시스템
CN112016800A (zh) 一种基于有效性指标的特征选择方法与系统
KR102196611B1 (ko) 원전설비의 예측 진단 방법 및 시스템
CN113514742B (zh) 一种gis局部放电严重程度的评估方法、系统和介质

Legal Events

Date Code Title Description
GRNT Written decision to grant