KR102537723B1 - 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 - Google Patents
신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 Download PDFInfo
- Publication number
- KR102537723B1 KR102537723B1 KR1020200160251A KR20200160251A KR102537723B1 KR 102537723 B1 KR102537723 B1 KR 102537723B1 KR 1020200160251 A KR1020200160251 A KR 1020200160251A KR 20200160251 A KR20200160251 A KR 20200160251A KR 102537723 B1 KR102537723 B1 KR 102537723B1
- Authority
- KR
- South Korea
- Prior art keywords
- abnormal state
- state determination
- abnormal
- neural network
- network model
- Prior art date
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 198
- 238000003062 neural network model Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims description 28
- 238000003745 diagnosis Methods 0.000 title 1
- 238000009795 derivation Methods 0.000 claims abstract description 9
- 238000012800 visualization Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000002826 coolant Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 208000024891 symptom Diseases 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/04—Safety arrangements
- G21D3/06—Safety arrangements responsive to faults within the plant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/001—Computer implemented control
-
- 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
- Y02E30/30—Nuclear fission reactors
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Plasma & Fusion (AREA)
- High Energy & Nuclear Physics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Emergency Management (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치에 관한 것으로, 비정상 상태에 관한 복수의 시나리오가 저장된 비정상 운전 시나리오에서 상기 비정상 상태를 복수의 고장으로 분류하는 비정상 종류 분류부와, 상기 분류된 복수의 고장의 각각에 대해 비정상 상태 판단 결과에 영향을 주는 운전 변수를 도출하는 운전 변수 도출부와, 상기 운전 변수 중 상기 비정상 상태와 관련 있는 변수에 가중치를 부여하는 발전소 운전 변수별 가중치 부여부 및 상기 가중치가 부여된 발전소 운전 변수를 통하여 생성된 상기 비정상 상태 판단 결과에서 비정상 상태 판단 근거를 추적하는 비정상 상태 판단 근거 생성부를 포함한다.
Description
본 발명은 비정상 상태 판단 근거 추적 장치 및 방법에 관한 것으로, 더욱 구체적으로는 신경망 모델을 이용한 비정상 상태를 판단하고 그 판단 근거를 추적하는 장치 및 방법에 관한 것이다.
원자력 발전소에는 다양한 비정상 운전 상태가 존재한다. 비정상 운전 상태가 발생하면 주제어실에 경보가 발생하며, 관련된 발전소의 상태가 변화한다. 이러한 발전소의 상태 변화에는 온도, 압력, 유량 등이 포함된다.
운전원은 발전소의 경보를 근거로 하여 어떠한 비정상 운전 상태가 발생하였는지 판단하고, 비정상 운전 상태에 관한 절차서에 따라 적절한 조치를 수행한다.
하지만 원자력 발전소에는 수백 가지의 비정상 운전 상태가 존재하고, 미숙한 운전원은 비정상 상태에 관하여 정확한 판단을 내리기 어렵기 때문에 비정상 상태에 관한 조치를 적절히 수행하지 못하는 일이 발생하게 된다.
따라서, 운전원이 기기의 고장이나 설비의 이상에 의한 비정상 상태를 신속히 판단하여 적절한 조치를 취할 수 있도록 신경망 모델을 이용하여 비정상 상태의 운전데이터를 학습하여 원자력 발전소의 비정상 상태를 판단하여 제공하는 방법이 연구되고 있다. 그러나, 신경망 모델은 어떠한 발전소의 운전데이터의 변화가 비정상 상태의 판단의 근거가 되는지 추적하기 어렵다.
본 발명은 상술한 바와 같은 종래 기술의 문제점을 해결하기 위한 것으로, 신경망 모델을 적용한 원자력 발전소의 비정상 상태 판단 시, 판단의 근거가 되는 운전 변수를 추정할 수 있는 방법 및 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치를 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명에 따른 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치는 비정상 상태에 관한 복수의 시나리오가 저장된 비정상 운전 시나리오에서 상기 비정상 상태를 복수의 고장으로 분류하는 비정상 종류 분류부와 상기 분류된 복수의 고장의 각각에 대해 비정상 상태 판단 결과에 영향을 주는 운전 변수를 도출하는 운전 변수 도출부와 상기 운전 변수 중 상기 비정상 상태와 관련 있는 변수에 가중치를 부여하는 발전소 운전 변수별 가중치 부여부 및 상기 가중치가 부여된 발전소 운전 변수를 통하여 생성된 상기 비정상 상태 판단 결과에서 비정상 상태 판단 근거를 추적하는 비정상 상태 판단 근거 생성부를 포함한다.
또한, 상기 운전 변수 중 상기 비정상 상태와 관련 있는 변수에 가중치를 부여하는 발전소 운전 변수별 가중치 부여부는 상기 비정상 상태와 관련된 계통의 물리적 상관관계를 고려하여 분류되고 상기 비정상 상태와 관련 있는 물리적 변수에 가중치를 부여하는 것을 특징으로 한다.
또한, 상기 비정상 종류 분류부는 상기 비정상 운전 시나리오를 밸브 누설, 펌프 고장, 열교환기 고장, 냉각재 누설 중 적어도 하나를 포함한다.
또한, 상기 분류된 복수의 고장의 각각에 대해 비정상 상태 판단 결과에 영향을 주는 운전 변수를 도출하는 운전 변수 도출부에서는 상기 밸브 누설로 분류된 경우에는 해당 밸브과 관련된 계통의 유량을, 상기 펌프 고장으로 분류된 경우에는 해당 밸브와 관련된 계통의 유량 및 압력을, 상기 열교환기 고장으로 분류된 경우에는 해당 열교환기와 관련된 계통의 온도를, 상기 냉각제 누설로 분류된 경우에는 누설부위 방사선 준위를 도출하는 것을 포함한다.
또한, 상기 비정상 상태와 관련 있는 물리적 변수는 비정상 절차서 또는 실제 발전소 운전이력을 참조하여 작성된다.
또한, 상기 비정상 상태 판단 근거는 상이한 비정상 상태와 구분할 수 있는 상기 운전 변수로서, 비정상 상태 판단 시스템에서 사용하는 비정상 상태 판단 논리의 검증에 사용된다.
또한, 상기 비정상 상태 판단 근거는 비정상 절차서에서 기술하고 있는 증상을 검증하는데 사용되며, 상기 비정상 절차서는 상기 비정상 상태 발생 시 변화하는 상기 운전 변수를 기술한다.
아울러, 신경망 모델을 이용한 비정상 상태를 판단하는 근거를 생성하는 방법에 있어서, 발전소 운전데이터와 신경망 모델을 활용하여 학습을 진행하여 상기 신경망 모델의 최후단에서 비정상 상태 판단 결과를 생성하는 단계와 상기 비정상 상태 판단 결과를 생성하기 전의 완전결합층(Fully Connected Layer)에서 상기 비정상 상태 판단 결과에 대해 영향분석을 수행하여 상기 비정상 상태 판단 결과에 영향을 주는 변수 값들을 추출하는 단계를 포함한다.
또한, 상기 비정상 상태 판단 결과에 영향을 주는 변수 값들을 추출하는 단계는 시각화 알고리즘을 적용하여 시각화된 입력 변화 데이터를 가상으로 생성하며, 상기 가상의 입력 변화 데이터를 입력으로 상기 신경망 모델의 계산을 통하여 상기 입력 변화 데이터가 상기 비정상 상태 판단 결과의 변화에 미치는 영향을 분석하여, 상기 비정상 상태 판단 결과의 변화를 도출하는데 가장 크게 기여하는 상기 입력 변화 데이터를 추출하는 단계를 포함한다.
본 발명의 실시예들에 따른 신경망 모델을 이용한 비정상 판단 근거 추적 장치 및 그 방법은 다양한 비정상 상태가 발생한 경우 빠른 시간 내에 정확한 비정상 상태에 관한 종류를 판단하여 운전원에게 제공할 수 있고, 이에 따라 원자력 발전소의 비정상 상태에 대한 신속하고 정확한 대응이 가능하여, 원자력 발전소의 안전성을 향상시킬 수 있다.
도 1은 기존의 신경망 모델을 적용한 비정상 상태 판단 장치를 개략적으로 나타낸 도면이다.
도2는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 상태 판단 근거 추적 장치의 동작 과정을 개략적으로 나타낸 도면이다.
도3은 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 상태 판단 결과의 변화에 영향을 주는 운전 변수를 추출하는 동작과정을 개략적으로 나타낸 도면이다.
도 4는 본 발명의 일실시예에 따른 비정상 상태 판단 근거를 생성하는 동작 과정을 보여주는 도면이다.
도 5는 본발명의 일실시예에 따른 비정상 상태 판단 근거 추출 장치의 개략적인 블록 구성도이다.
도 6은 본 발명의 일실시예에 따른 신경망 모델을 적용하여 도출된 비정상 상태 판단 근거의 활용을 보여주는 도면이다.
도2는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 상태 판단 근거 추적 장치의 동작 과정을 개략적으로 나타낸 도면이다.
도3은 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 상태 판단 결과의 변화에 영향을 주는 운전 변수를 추출하는 동작과정을 개략적으로 나타낸 도면이다.
도 4는 본 발명의 일실시예에 따른 비정상 상태 판단 근거를 생성하는 동작 과정을 보여주는 도면이다.
도 5는 본발명의 일실시예에 따른 비정상 상태 판단 근거 추출 장치의 개략적인 블록 구성도이다.
도 6은 본 발명의 일실시예에 따른 신경망 모델을 적용하여 도출된 비정상 상태 판단 근거의 활용을 보여주는 도면이다.
이하에서는 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명한다. 다만 발명의 요지와 무관한 일부 구성은 생략 또는 압축할 것이나, 생략된 구성이라고 하여 반드시 본 발명에서 필요가 없는 구성은 아니며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 결합되어 사용될 수 있다.
도 1은 기존의 신경망 모델을 적용한 비정상 상태 판단 장치를 개략적으로 나타낸 도면이다.
도1에 도시된 바와 같이, 신경망 모델을 적용한 비정상 운전 상태 판단 장치(100)는 비정상 운전 상태 데이터 생성부(110), 비정상 운전 상태 데이터 학습부(130), 비정상 운전 상태 판단부(150), 비정상 운전 상태 감시부(170)를 포함할 수 있다.
비정상 운전 상태 데이터 생성부(110)는 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 가상으로 생성하는 구성으로, 시나리오 데이터베이스(111) 및 시뮬레이터(112)를 포함할 수 있다.
시나리오 데이터베이스(111)는 비정상 운전 상태에 관한 다수의 시나리오가 구비되어 있는 구성이다. 이러한 시나리오는 원자력 발전소 기기들의 온도 변화와 관련된 운전 변수에 따른 시나리오, 터빈 베어링 진동과 관련된 운전 변수에 따른 시나리오 등이 포함되고, 다양한 비정상 운전 상태에 관한 시나리오가 시나리오 데이터베이스(111)에 저장되어 있다. 여기서, 운전 변수라 함은 원자력 발전소의 기기들의 운전 상태에 대한 운전 요소들로써, 각 기기마다 1,000개 내지 2,000개 정도 포함될 수 있다. 이러한 운전 변수는 압력, 온도, 유량 등이 포함될 수 있다.
시뮬레이터(112)는 시나리오 데이터베이스(111)에 저장되어 있는 비정상 운전 상태에 관한 시나리오 중에서 선택된 시나리오에 관해 비정상 운전 상태를 시뮬레이션 하는 구성이다. 이에 따라, 비정상 운전 상태에 대한 데이터가 가상으로 생성될 수 있다.
비정상 운전 상태 데이터 학습부(130)는 비정상 운전 상태 데이터 생성부(110)에서 생성한 비정상 운전 상태 데이터를 기반으로 시각화 알고리즘을 적용함으로써, 비정상 운전 상태를 시각화하고, 이를 학습시키는 구성이다. 이러한 비정상 운전 상태 데이터 학습부(130)는 제1시각화 배열 유닛(131) 및 제2시각화 배열 유닛(132)을 포함할 수 있다.
제1시각화 배열 유닛(131)은 원자력 발전소에 구비된 기기들의 운전 변수의 물리적 위치를 기반으로 배열하는 구성이다. 즉, 실제 원자력 발전소의 구조와 동일한 배열로 운전 변수가 나열될 수 있다.
제2시각화 배열 유닛(132)은 물리적으로 동일한 운전 변수를 우선적으로 배열하는 구성이다. 예를 들어, 온도와 관련된 운전 변수를 동일한 구역에 배치하여 온도의 변화가 발생하는 경우 사건별 특성이 나타나도록 하는 것이다.
비정상 운전 상태 판단부(150)는 비정상 운전 상태 데이터 학습부(130)가 시각화 알고리즘을 적용하여 운전 변수를 나타낸 것을 기반으로 비정상 운전 상태를 학습하고, 원자력 발전소의 공정 감시 및 경보계통에서 취득한 기기들의 운전 변수를 기반으로 비정상 운전 상태가 발생하였는지 판단하는 구성이다. 이러한 비정상 운전 상태 판단부(150)는 신경망 모델(151) 및 신호 매칭유닛(152)이 포함될 수 있다.
신경망 모델(151)은 시각화 알고리즘에 기반하여 제1시각화 배열 유닛(131) 및 제2시각화 배열 유닛(132)에 의해 시각화된 비정상 운전 상태 데이터를 학습하는 구성이다.
신호 매칭유닛(152)은 비정상 운전 상태에 대한 정보를 포함하는 감시 신호에 대한 정보를 기기들에 대응하여 전달하는 구성이다.
비정상 운전 상태 감시부(170)는 원자력 발전소에 구비된 각각의 기기들에 대하여 운전 상태가 정상범위에서 있는지 감시하는 구성이다. 이러한 비정상 운전 상태 감시부(170)는 각 기기들의 운전 변수에 관한 정보가 포함된 감시 신호를 주기적으로 취득하여 비정상 운전 상태 판단부(150)로 전송할 수 있다.
도2는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 상태 판단 근거 추적 장치의 동작 과정을 개략적으로 나타낸 도면이다.
도2에 도시된 바와 같이, 비정상 상태 판단 근거 추적 장치(200)는 발전소 운전데이터(210)와 신경망 모델(230)을 활용하여 학습을 진행하여, 비정상 상태 판단 결과(250)를 생성한다. 신경망 모델(230)은 각각의 비정상 상태를 효과적으로 학습하기 위해 여러층의 신경망(Deep Learning)을 거쳐 계산된다. 신경망 모델(230)의 최후단에서 비정상 상태 판단 결과(250)를 생성하는데, 본 발명에서는 비정상 상태 판단 결과(250)를 생성하기 전의 완전결합층(Flly Connected Layer)에서 비정상 상태 판단 결과(250)에 대한 영향분석(270)을 수행하여 비정상 상태 판단 결과(250)에 영향을 주는 변수 값들을 추출한다.
도3는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 상태 판단 결과의 변화에 영향을 주는 운전 변수를 추출하는 동작과정을 개략적으로 나타낸 도면이다.
도3에 도시된 바와 같이, 본 발명에서는 먼저 시각화 알고리즘을 적용하여 시각화된 입력의 변화 데이터(310)를 가상으로 생성한다. 이러한 가상의 입력 변화 데이터(310)를 입력으로 하여 신경망 모델(330)의 계산을 통하여 각 항목의 입력의 변화 데이터(310)가 결과의 변화(350)에 미치는 영향을 분석하여, 결과의 변화(350)를 도출하는데 가장 크게 기여하는 입력의 변화 데이터(310)를 추출한다.
따라서, 시각화 알고리즘을 통하면 배관 파단과 같은 사건 발생 시 실제 사건이 일어난 위치의 운전 변수가 모여서 배치됨에 따라 신경망 모델(330)의 사전 처리 컨볼루션(convolution) 및 풀링(pooling) 시 해당 특성의 추출을 유리하게 할 수 있다.
도 4은 본 발명의 일실시예에 따른 비정상 상태 판단 근거를 생성하는 동작 과정을 보여주는 도면이다.
도 5는 본발명의 일실시예에 따른 비정상 상태 판단 근거 추출 장치를 구성하는 개략적인 블록 구성도이다.
도 4 및 도 5에 도시된 바와 같이, 비정상 상태 판단 근거 추적 장치(500)는 비정상 운전 시나리오(510), 비정상 종류 분류부(520), 운전 변수 도출부(530), 발전소 운전 변수별 가중치 부여부(540) 및 비정상 상태 판단 근거 생성부(550)를 포함할 수 있다.
비정상 운전 시나리오(500)는 비정상 운전 상태에 관한 다수의 시나리오가 구비되어 있는 구성이다. 이러한 시나리오는 원자력 발전소 기기들의 온도 변화와 관련된 운전 변수에 따른 시나리오, 터빈 베어링 진동과 관련된 운전 변수에 따른 시나리오를 포함하고 있으며, 비정상 종류 분류부(520)는 비정상 운전 시나리오(500)를 밸브누설, 펌프 고장, 열교환기 고장, 냉각재 누설 등으로 분류를 하게 되며, 분류된 고장에 대해 운전 변수 도출부(530)에서는 비정상 판단 결과에 영향을 주는 운전 변수를 도출하게 된다. 일 실시예로, 밸브 누설로 분류된 경우에는 해당 밸브과 관련된 계통의 유량을, 펌프 고장으로 분류된 경우에는 해당 밸브와 관련된 계통의 유량 및 압력을, 열교환기 고장으로 분류된 경우에는 해당 열교환기와 관련된 계통의 온도를, 냉각제 누설로 분류된 경우에는 누설부위 방사선 준위를 도출한다. 비정상 상태 결과에 영향을 주는 입력의 범위는 다수의 불확실성을 포함하며, 비정상 상태 판단 결과의 근거를 추출하기 위해서는 해당 비정상 상태와 물리적으로 관련있는 입력의 변화가 중요하다.
따라서, 추출된 비정상 상태를 판단하는 근거의 운전 변수는 관련 계통의 물리적 상관관계를 고려하여 신경망 판단의 근거로 사용된다. 비정상 상태에 관한 정보를 기반으로 비정상 상태를 물리적으로 분류하고 해당하는 각각의 비정상 상태와 관련 있는 물리적 변수에 가중치를 주게 된다.
일 실시예로, 비정상 상태를 밸브 누설로 분류하고, 해당 계통과 열수력적으로 관련있는 계통의 유량에 높은 가중치를 부여하여 비정상 상태 판단 근거의 설명에 사용된다. 비정상 상태와 물리적으로 관련이 있는 운전 변수의 선정은 비정상 절차서 또는 실제 발전소 운전이력을 참조하여 작성한다.
발전소 운전 변수별 가중치 부여부(540)에서는 고장별 운전 변수 중 비정상 상태와 관련 있는 물리적 변수에 가중치를 주게 되며, 최종적으로 비정상 상태 판단 근거 생성부(550)에서는 가중치가 반영된 결과를 통하여 보다 정확한 근거 추적이 가능하게 된다.
도 6은 본 발명의 일실시예에 따른 신경망 모델을 적용하여 도출된 비정상 상태 판단 근거의 활용을 보여주는 도면이다.
도 6에 도시된 바와 같이, 비정상 상태에 관한 다수의 시나리오가 구비되어 있는 비정상 운전 시나리오(600) 중에서 선택된 시나리오에 관해 시뮬레이션된 비정상 운전 시뮬레이션 데이터(610)에 도출된 비정상 상태 판단 근거(620)는 해당 비정상 시 다른 비정상 상태와 구분할 수 있는 발전소 운전 변수이다. 이를 활용하여 비정상 상태 판단시스템에서 사용중인 비정상 상태 판단 논리의 검증(630)에 활용할 수 있다. 즉, 비정상 상태로 인해 변동되는 운전 변수를 활용하여 비정상 상태 판단 논리를 개발하였는지의 유무를 확인할 수 있다.
또한, 비정상 절차서에는 해당 비정상 상태 발생 시 변화하는 운전 변수에 대해 기술되어 있다. 비정상 상태 판단 근거(620)를 활용하여 비정상 절차서 관련 증상 검증(640)을 통하여 비정상 절차서에 관해 증상을 검증하고, 운전원이 보다 효과적으로 비정상 상태를 판단할 수 있도록 절차서를 검증하고 개정하는 데 활용될 수 있다.
100 : 비정상 운전 상태 판단 장치
200, 500 : 비정상 상태 판단 근거 추적 장치
210 : 발전소 운전데이터
230 : 신경망
510, 600 : 비정상 운전 시나리오
520 : 비정상 종류 분류부
530 : 운전 변수 도출부
540 : 발전소 운전 변수별 가중치 부여부
550 : 비정상 상태 판단 근거 생성부
200, 500 : 비정상 상태 판단 근거 추적 장치
210 : 발전소 운전데이터
230 : 신경망
510, 600 : 비정상 운전 시나리오
520 : 비정상 종류 분류부
530 : 운전 변수 도출부
540 : 발전소 운전 변수별 가중치 부여부
550 : 비정상 상태 판단 근거 생성부
Claims (9)
- 비정상 상태에 관한 복수의 시나리오가 저장된 비정상 운전 시나리오에서 상기 비정상 상태를 복수의 고장으로 분류하는 비정상 종류 분류부;
상기 분류된 복수의 고장의 각각에 대해 비정상 상태 판단 결과에 영향을 주는 운전 변수를 도출하는 운전 변수 도출부;
상기 운전 변수 중 상기 비정상 상태와 관련 있는 변수에 가중치를 부여하는 발전소 운전 변수별 가중치 부여부; 및
상기 가중치가 부여된 발전소 운전 변수를 통하여 생성된 상기 비정상 상태 판단 결과에서 비정상 상태 판단 근거를 추적하는 비정상 상태 판단 근거 생성부를 포함하되,
상기 비정상 상태 판단 결과는 발전소 운전데이터와 신경망 모델을 활용하여 학습을 진행하여 상기 신경망 모델의 최후단에서 생성되며,
상기 신경망 모델의 최후단 전의 완전결합층(Fully Connected Layer)에서 상기 비정상 상태 판단 결과에 대해 영향분석을 수행하여 상기 비정상 상태 판단 결과에 영향을 주는 변수 값들을 추출하는 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치. - 제1항에 있어서,
상기 운전 변수 중 상기 비정상 상태와 관련 있는 변수에 가중치를 부여하는 발전소 운전 변수별 가중치 부여부는
상기 비정상 상태와 관련된 계통의 물리적 상관관계를 고려하여 분류되고 상기 비정상 상태와 관련 있는 물리적 변수에 상기 가중치를 부여하는 것을 특징으로 하는
신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치. - 제1항에 있어서,
상기 비정상 종류 분류부는 상기 비정상 운전 시나리오를 밸브 누설, 펌프 고장, 열교환기 고장, 냉각재 누설 중 적어도 하나를 포함하도록 분류하는 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치. - 제1항에 있어서,
상기 분류된 복수의 고장의 각각에 대해 비정상 상태 판단 결과에 영향을 주는 운전 변수를 도출하는 운전 변수 도출부에서는 밸브 누설로 분류된 경우에는 해당 밸브과 관련된 계통의 유량을, 펌프 고장으로 분류된 경우에는 해당 펌프와 관련된 계통의 유량 및 압력을, 열교환기 고장으로 분류된 경우에는 해당 열교환기와 관련된 계통의 온도를, 냉각제 누설로 분류된 경우에는 누설부위 방사선 준위를 도출하는 것을 포함하는 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치. - 제1항에 있어서,
상기 비정상 상태와 관련 있는 물리적 변수는 비정상 절차서 또는 실제 발전소 운전이력을 참조하여 작성되는 신경망 모델을 이용한 비정상 상태 판단 근거 추적장치. - 제1항에 있어서,
상기 비정상 상태 판단 근거는 상이한 비정상 상태와 구분할 수 있는 상기 운전 변수로서, 비정상 상태 판단 시스템에서 사용하는 비정상 상태 판단 논리의 검증에 사용되는 신경망 모델을 이용한 비정상 상태 판단 근거 추적장치. - 제1항에 있어서,
상기 비정상 상태 판단 근거는 비정상 절차서에서 기술하고 있는 증상을 검증하는데 사용되며, 상기 비정상 절차서는 상기 비정상 상태 발생 시 변화하는 상기 운전 변수를 기술하고 있는 비정상 상태 판단 근거 추적장치. - 신경망 모델을 이용한 비정상 상태를 판단하는 근거를 생성하는 방법에 있어서,
발전소 운전데이터와 신경망 모델을 활용하여 학습을 진행하여 상기 신경망 모델의 최후단에서 비정상 상태 판단 결과를 생성하는 단계; 및
상기 비정상 상태 판단 결과를 생성하기 전의 완전결합층(Fully Connected Layer)에서 상기 비정상 상태 판단 결과에 대해 영향분석을 수행하여 상기 비정상 상태 판단 결과에 영향을 주는 변수 값들을 추출하는 단계를 포함하는
신경망 모델을 이용한 비정상 운전 상태 판단 근거를 생성하는 방법. - 제8항에 있어서,
상기 비정상 상태 판단 결과에 영향을 주는 변수 값들을 추출하는 단계는 시각화 알고리즘을 적용하여 시각화된 입력 변화 데이터를 가상으로 생성하며, 상기 가상의 입력 변화 데이터를 입력으로 상기 신경망 모델의 계산을 통하여 상기 입력 변화 데이터가 상기 비정상 상태 판단 결과의 변화에 미치는 영향을 분석하여, 상기 비정상 상태 판단 결과의 변화를 도출하는데 가장 크게 기여하는 상기 입력 변화 데이터를 추출하는 단계를 포함하는 신경망 모델을 이용한 비정상 운전 상태 판단 근거를 생성하는 방법.
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200160251A KR102537723B1 (ko) | 2020-11-25 | 2020-11-25 | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 |
JP2023527774A JP2023548414A (ja) | 2020-11-25 | 2021-11-15 | ニューラルネットワークモデルを利用した非正常状態判断根拠追跡装置及び方法 |
CN202180079289.9A CN116490933A (zh) | 2020-11-25 | 2021-11-15 | 使用神经网络模型跟踪异常状态判断依据的装置和方法 |
US18/033,477 US20230394301A1 (en) | 2020-11-25 | 2021-11-15 | Device and method for tracking basis of abnormal state determination by using neural network model |
PCT/KR2021/016627 WO2022114634A1 (ko) | 2020-11-25 | 2021-11-15 | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 |
EP21898460.7A EP4254430A1 (en) | 2020-11-25 | 2021-11-15 | Device and method for tracking basis of abnormal state determination by using neural network model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200160251A KR102537723B1 (ko) | 2020-11-25 | 2020-11-25 | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220072533A KR20220072533A (ko) | 2022-06-02 |
KR102537723B1 true KR102537723B1 (ko) | 2023-05-26 |
Family
ID=81756116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200160251A KR102537723B1 (ko) | 2020-11-25 | 2020-11-25 | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230394301A1 (ko) |
EP (1) | EP4254430A1 (ko) |
JP (1) | JP2023548414A (ko) |
KR (1) | KR102537723B1 (ko) |
CN (1) | CN116490933A (ko) |
WO (1) | WO2022114634A1 (ko) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3087974B2 (ja) * | 1991-08-28 | 2000-09-18 | 株式会社日立製作所 | プラントの異常時運転支援方法及びその装置 |
KR102062992B1 (ko) * | 2018-09-13 | 2020-01-06 | 한국수력원자력 주식회사 | 발전소 경보나 증상 및 주요 운전변수의 변화에 기반한 비정상 상태 판단 시스템 및 방법 |
KR102095653B1 (ko) * | 2018-10-12 | 2020-03-31 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7277823B2 (en) * | 2005-09-26 | 2007-10-02 | Lockheed Martin Corporation | Method and system of monitoring and prognostics |
KR101829137B1 (ko) * | 2016-08-29 | 2018-02-13 | 한국수력원자력 주식회사 | 기기 중요도와 경보 유효성 판단을 포함한 기기 이상징후 조기경보 방법 및 시스템 |
US10452845B2 (en) | 2017-03-08 | 2019-10-22 | General Electric Company | Generic framework to detect cyber threats in electric power grid |
US20190164057A1 (en) | 2019-01-30 | 2019-05-30 | Intel Corporation | Mapping and quantification of influence of neural network features for explainable artificial intelligence |
-
2020
- 2020-11-25 KR KR1020200160251A patent/KR102537723B1/ko active IP Right Grant
-
2021
- 2021-11-15 JP JP2023527774A patent/JP2023548414A/ja active Pending
- 2021-11-15 CN CN202180079289.9A patent/CN116490933A/zh active Pending
- 2021-11-15 US US18/033,477 patent/US20230394301A1/en active Pending
- 2021-11-15 WO PCT/KR2021/016627 patent/WO2022114634A1/ko active Application Filing
- 2021-11-15 EP EP21898460.7A patent/EP4254430A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3087974B2 (ja) * | 1991-08-28 | 2000-09-18 | 株式会社日立製作所 | プラントの異常時運転支援方法及びその装置 |
KR102062992B1 (ko) * | 2018-09-13 | 2020-01-06 | 한국수력원자력 주식회사 | 발전소 경보나 증상 및 주요 운전변수의 변화에 기반한 비정상 상태 판단 시스템 및 방법 |
KR102095653B1 (ko) * | 2018-10-12 | 2020-03-31 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
WO2022114634A1 (ko) | 2022-06-02 |
US20230394301A1 (en) | 2023-12-07 |
CN116490933A (zh) | 2023-07-25 |
KR20220072533A (ko) | 2022-06-02 |
JP2023548414A (ja) | 2023-11-16 |
EP4254430A1 (en) | 2023-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3098681B1 (en) | Artificial intelligence based health management of host system | |
KR101065767B1 (ko) | 성능저하 및 고장원인 조기 진단방법 | |
KR102095653B1 (ko) | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 | |
CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
NO20180628A1 (en) | Digital twin and decision support for low or unmanned facilities | |
CN112632845B (zh) | 基于数据的小型反应堆在线故障诊断方法、介质及设备 | |
CN116756909A (zh) | 一种基于数据模型及机理模型的火电厂预警诊断系统 | |
Li et al. | Deep learning based covert attack identification for industrial control systems | |
Nikitin et al. | Mechatronic modules diagnosis by use of fuzzy sets | |
Hou et al. | An artificial neural network based anomaly detection algorithm for nuclear power plants | |
KR102537723B1 (ko) | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 | |
Kościelny et al. | Towards a unified approach to detection of faults and cyber-attacks in industrial installations | |
CN105279553B (zh) | 一种高加给水系统故障程度识别方法 | |
CN104460337B (zh) | 一种基于修正β因子的控制系统共因失效分析方法 | |
Karlsson et al. | Detection and interactive isolation of faults in steam turbines to support maintenance decisions | |
CN105090000B (zh) | 一种空间环境模拟器粗抽真空系统的故障诊断方法 | |
Kumar et al. | Performance based anomaly detection analysis of a gas turbine engine by artificial neural network approach | |
José et al. | Improvements in failure detection of DAMADICS control valve using neural networks | |
CN105629091A (zh) | 一种基于人工神经的供电线路保护方法 | |
Vasquez et al. | Chronicle based alarm management in startup and shutdown stages | |
Raza et al. | Application of intelligent technique to identify hidden abnormalities in a system: A case study from oil export pumps from an offshore oil production facility | |
Uhrig | Potential Use Of Neural Networks In Nuclear Power Plants | |
HINES et al. | A Novel Method for Monitoring Single Variable Systems for Fault Detection, Diagnostics and Prognostics | |
Akinluli et al. | Development of an expert system for the repair and maintenance of bulldozer's work equipment failure | |
Changfeng et al. | A novel real-time fault diagnostic system for steam turbine generator set by using strata hierarchical artificial neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application | ||
GRNT | Written decision to grant |