KR20220089540A - 원전의 감시 시스템 및 방법 - Google Patents

원전의 감시 시스템 및 방법 Download PDF

Info

Publication number
KR20220089540A
KR20220089540A KR1020200180268A KR20200180268A KR20220089540A KR 20220089540 A KR20220089540 A KR 20220089540A KR 1020200180268 A KR1020200180268 A KR 1020200180268A KR 20200180268 A KR20200180268 A KR 20200180268A KR 20220089540 A KR20220089540 A KR 20220089540A
Authority
KR
South Korea
Prior art keywords
power plant
nuclear power
data
cycle
monitoring system
Prior art date
Application number
KR1020200180268A
Other languages
English (en)
Other versions
KR102561061B1 (ko
Inventor
김혁종
최현우
전용혁
김신표
김대웅
김윤구
성노규
민지호
Original Assignee
주식회사 엠앤디
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 주식회사 엠앤디 filed Critical 주식회사 엠앤디
Priority to KR1020200180268A priority Critical patent/KR102561061B1/ko
Publication of KR20220089540A publication Critical patent/KR20220089540A/ko
Application granted granted Critical
Publication of KR102561061B1 publication Critical patent/KR102561061B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/08—Regulation of any parameters in the plant
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G21D1/00—Details of nuclear power plant
    • G21D1/04—Pumping arrangements
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/001—Computer implemented control
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/007—Expert systems
    • 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
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Plasma & Fusion (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 원전 운전 주기에 따른 상태감시 모델의 전이학습 및 학습변수 자동 튜닝을 통해 상태감시의 지속성 및 정확성이 증진되는 원전의 감시 시스템 및 방법을 제공하기 위하여, 원전 설비의 감시 시스템은 원전 설비로부터 학습 데이터를 취득하고, 취득한 학습 데이터의 회귀분석을 통해 안전구간을 설정하고, 상기 학습 데이터에 상기 안전구간을 반영하여 선행주기 물리적 모델을 생성하는 것에 의해 상기 원전 설비에 대한 선행주기 상태감시를 수행하고, 상기 원전 설비에 대한 운전주기가 변경될 때에 상기 물리적 모델을 전이학습하여 상기 원전 설비에 대한 후행주기 상태감시 지속성을 유지한다.

Description

원전의 감시 시스템 및 방법{MONITORING SYSTEM AND METHOD FOR NUCLEAR POWER PLANT}
본 발명은 원전의 감시 시스템 및 방법에 관한 것으로, 보다 상세하게는 원전의 펌프 상태를 감지하는 원전의 감시 시스템 및 방법에 관한 것이다.
일반적으로 원전은 가동시간 등을 기준으로 정비 계획을 수립하여 정기적으로 정해진 정비 계획을 따라 예방정비를 수행하고 있다. 다만, 기술 발전에 따라 원전 설비로부터 취득된 통계적 특징을 기반으로 원전의 건전성을 예측 진단하는 기술의 개발이 이루어지고 있다. 종래의 원전 감시 시스템은 이미 "대한민국 공개특허공보 제2020-0103167호(원전 설비의 예측 진단 방법 및 시스템, 2020.09.02.)"에 의해 공개되어 있다.
다만, 종래의 원전 감시 시스템은 상태감시를 수행하기 위한 목적으로 데이터 기반 모델인 AAKR(Auto Associative Kernel Regression)알고리즘을 통해 계기 널 신호의 잔차 분석을 수행한다. 그러나 경험 데이터에 의존하는 데이터 기반 모델은 원전의 운영시스템 반영 및 학습 시에 경험하지 못한 데이터 분석에 한계가 있다. 이에, 계기 채널의 상관관계를 기반으로 한 물리적 모델과 발전소 계통의 운전 지식이 결합된 상태감시 방법이 제시되었다.
그러나 계기 채널의 교정 및 열화 등으로 인하여 운전 주기에 따라 계기 채널 측정 영역이 변화된다. 따라서 새로운 운전데이터가 반영되면 상태감시 기능이 저하되어 동일한 물리적 모델을 범주기적으로 활용하기 어렵다. 따라서 원전의 운전주기 변화에 따라 학습변수 자동 튜닝을 기반으로 한 전이학습을 통해 상태감시 공백 기간을 최소화할 수 있는 기술이 요구되고 있다.
대한민국 공개특허공보 제2020-0103167호(원전 설비의 예측 진단 방법 및 시스템, 2020.09.02.)
본 발명의 목적은 원전 운전 주기에 따른 상태감시 모델의 전이학습 및 학습변수 자동 튜닝을 통해 상태감시의 지속성 및 정확성이 증진되는 원전의 감시 시스템 및 방법을 제공하기 위한 것이다.
본 발명에 따른 원전 설비의 감시 시스템은 원전 설비로부터 학습 데이터를 취득하고, 취득한 학습 데이터의 회귀분석을 통해 안전구간을 설정하고, 상기 학습 데이터에 상기 안전구간을 반영하여 선행주기 물리적 모델을 생성하는 것에 의해 상기 원전 설비에 대한 선행주기 상태감시를 수행하고, 상기 원전 설비에 대한 운전주기가 변경될 때에 상기 물리적 모델을 전이학습하여 상기 원전 설비에 대한 후행주기 상태감시 지속성을 유지한다.
상기 원전 설비의 감시 시스템은 상기 원전 설비에 대한 운전주기가 변경된 이후에, 상기 원전 설비에 대해 데이터를 기설정된 후행주기 기간동안 취득하여 상기 선행주기 물리적 모델을 자동 튜닝할 수 있다.
상기 자동 튜닝에서는 상기 선행주기 물리적 모델의 일부 학습 변수를 상기 원전 설비의 특성을 고려하여 그대로 반영하고 나머지 학습변수는 기설정된 기간동안 취득된 후행주기 데이터를 활용할 수 있다.
상기 원전 설비의 감시 시스템은 상기 자동 튜닝을 수행한 이후에, 상기 자동 튜닝을 통해 생성된 임시적인 후행주기 물리적 모델에 안전구간을 설정하여 상태감시를 수행할 수 있다.
상기 원전 설비의 감시 시스템은 상기 자동 튜닝을 수행한 이후에, 기설정된 양의 데이터가 누적되면 후행주기 데이터만을 활용한 물리적 모델을 생성하여 상태감시를 수행할 수 있다.
상기 원전 설비의 감시 시스템은 상기 회귀분석을 수행하기 이전에, 상기 원전 설비로부터 취득된 학습 데이터를 전처리할 수 있다.
상기 전처리에서는 복수 개의 상기 원전 설비로부터 취득된 데이터를 합산하여 합산된 데이터를 시계열적으로 정렬하고, 상기 정렬된 데이터에 대하여 파라미터 분류를 수행할 수 있다.
상기 데이터의 정렬에서는 서로 상이한 시간 축을 가지는 복수 개의 데이터에 기설정된 알고리즘을 적용하여 하나의 시간 축으로 정렬할 수 있다.
상기 파라미터의 분류에서는 압력, 유량 및 전류를 분류할 수 있다.
상기 회귀분석에서는 상기 학습 데이터의 회귀분석을 통해 회귀계수의 최적화 및 물리적 관계를 도출하여, 성능곡선의 계수와 기초통계량의 평균을 산출하여 상기 안전구간이 설정되도록 할 수 있다.
상기 원전 설비는 펌프를 포함할 수 있다.
한편, 본 발명에 따른 원전 설비의 감시 방법은 원전 설비로부터 학습 데이터를 취득하고, 취득한 학습 데이터의 회귀분석을 통해 안전구간을 설정하고, 상기 학습 데이터에 상기 안전구간을 반영하여 선행주기 물리적 모델을 생성하는 것에 의해 상기 원전 설비에 대한 선행주기 상태감시를 수행하고, 상기 원전 설비에 대한 운전주기가 변경될 때에 상기 물리적 모델을 전이학습하여 상기 원전 설비에 대한 후행주기 상태감시 지속성을 유지한다.
본 발명에 따른 원전의 감시 시스템 및 방법은 원전 상태감시 모델 개선을 위한 운전 주기별 학습변수 자동 튜닝 기술을 반영하여 주기마다 변화도는 특성을 빠른 시간에 반영하여 오경보율을 최소화하고 상태감시 정확도를 향상시키는 효과가 있다.
또한, 본 발명에 따른 원전의 감시 시스템 및 방법은 학습변수 자동 튜닝 기술을 통해 운전 주기 변화로 인한 상태감시 기간의 공백을 최소화하고 높은 정확도로 실시간 상태를 유지할 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 원전의 감시 시스템을 나타낸 구성도이고,
도 2는 본 실시예에 따른 원전의 감시 방법을 나타낸 흐름도이고,
도 3은 압력-유량 성능곡선 최적화를 나타낸 도면이고,
도 4는 선행주기 물리적 모델 전이학습을 통한 후행주기 물리적 모델 생성을 나타낸 도면이고,
도 5는 종래의 테스트 결과를 나타낸 도면이고,
도 6은 본 실시예에 따른 원전의 감시 시스템의 모델에 대한 테스트 결과를 나타낸 도면이다.
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 원전의 감시 시스템을 나타낸 구성도이고, 도 2는 본 실시예에 따른 원전의 감시 방법을 나타낸 흐름도이다. 그리고 도 3은 압력-유량 성능곡선 최적화를 나타낸 도면이다.
도 1 내지 도 3에 도시된 바와 같이, 본 실시예에 따른 원전의 감시 시스템(100, 이하, 감시 시스템이라 칭한다.)은 원전 환경에 배치된 각종 설비에 대한 상태 감시에 적용될 수 있다. 이러한 감시 시스템(100)은 단일 또는 복수 개의 컴퓨터 환경에서 운용될 수 있다.
다만, 이하에서는 설명의 이해를 돕기 위하여 하나의 원전 설비로써, 펌프(10)를 대상으로 설명하도록 한다. 그러나 이는 본 실시예를 설명하기 위한 것으로 상태감시 대상은 다양하게 변경될 수 있음을 밝혀둔다.
한편, 감시 시스템(100)은 물리적 모델이 적용된다. 물리적 모델이 적용되기 위해서는 펌프(10)가 모터 구동 펌프이고, 작동 중이어야 한다. 작동 중이지 않은 펌프는 상태감시의 의미가 없으며, 펌프(10)의 작동 유무는 펌프(10)를 구동하는 모터의 전류 신호를 통해 판단하게 된다.
이러한 감시 시스템(100)으로는 학습 데이터가 제공된다(S100). 학습 데이터의 제공에서는 복수 개의 펌프(10)의 데이터를 동시에 취득할 수 있다. 이때, 감시 시스템(100)은 복수 개의 펌프(10) 각각에 설치될 수 있는 센서를 통해 데이터를 취득할 수 있다. 여기서, 감시 시스템(100)은 복수 개의 펌프(10)의 데이터를 취득하는 것에 의해 선행주기 물리적 모델 학습변수의 자동 튜닝 정확도를 높일 수 있으며, 후행주기 상태감시 지연을 최소화할 수 있다.
그리고 감시 시스템(100)에서는 복수 개의 펌프(10)로부터 학습 데이터가 제공된 이후에 전처리 과정을 수행한다(S200).
전처리 과정에서는 복수 개의 학습 데이터를 시계열적으로 정렬한다. 즉, 복수 개의 학습 데이터를 합산하고 합산된 데이터를 시간 축으로 정렬한다. 복수 개의 펌프(10)로부터 제공되는 학습 데이터들은 시간이 동일하지 않고 데이터 값에 따라 서로 다른 시간 축을 가지고 있다. 이에, 감시 시스템(100)은 서로 다른 시간 축을 가지는 복수 개의 학습 데이터들을 합산하고, 하나의 시간 축으로 만드는 알고리즘을 적용한다. 이후, 감시 시스템(100)에서는 파라미터 분류가 수행된다. 파라미터 분류에서는 압력, 유량 및 전류 등을 학습 데이터를 분류할 수 있다. 이때, 감시 시스템(100)은 학습 데이터를 취득한 센서의 종류를 기반으로 파라미터 분류를 수행하며 전처리 과정을 완료할 수 있다.
이러한 전처리 과정에서는 감시 시스템(100)이 기설정된 알고리즘 및 프로그램을 활용하여 전처리를 수행할 수 있으나, 관리자가 관여하여 수작업으로 전처리 과정을 진행할 수 있다.
한편, 전처리 과정이 완료되면, 감시 시스템(100)에서는 회귀분석을 수행한다(S300). 그리고 회귀분석 이후에 물리적 모델을 생성한다.
물리적 모델 생성을 살펴보면, 일반적으로 펌프(10) 작동 시 유량과 압력 사이에는 수학식 1과 같은 물리적 관계가 성립한다.
Figure pat00001
수학식 1에서
Figure pat00002
는 압력(bar)을 의미하고,
Figure pat00003
는 유량(
Figure pat00004
)을 의미하고,
Figure pat00005
는 회귀계수를 의미한다. 물리적 모델 생성은 성능곡선에 통한 성능 감시를 의미한다. 물리적 모델의 수립 및 상태감시를 위해서는 먼저 학습 데이터를 계측해야 한다. 수학식 2에서
Figure pat00006
는 학습 데이터 수를 의미한다.
Figure pat00007
그리고 취득한 학습 데이터의 회귀분석을 통해 회귀계수 최적화 및 물리적 관계식, 수학식 3을 유도한다. 그리고 이를 통해 성능곡선의 계수와 기초통계량의 평균에 대한 수학식 4 및 표준편차에 대한 수학식 5를 도출한다. 수학식 4는 압력 데이터의 평균이고, 수학식 5는 압력 데이터의 표준편차이다.
Figure pat00008
Figure pat00009
Figure pat00010
Figure pat00011
Figure pat00012
실제 계기 채널을 통해 측정된 물리량은 측정 잡음 등으로 인해 물리 법칙을 완벽하게 만족하지 않는다. 따라서 학습 데이터의 기초통계량을 활용한 물리적 모델의 안전 구간을 설정한다. 수학식 6에서
Figure pat00013
는 안전 구간 계수를 의미한다.
Figure pat00014
이후, 감시 시스템(100)은 물리적 모델을 기반으로 펌프(10)에 대한 상태감시를 수행하게 된다(S500). 이때 감시 시스템(100)은 새롭게 측정되는 테스트 데이터(
Figure pat00015
)에 대해 설정한 안전 구간 포함 여부를 통해 상태감시를 수행할 수 있다. 수학식 7은 정상 상태에 관련되고, 수학식 8은 이상 징후 발생에 관련된다.
Figure pat00016
Figure pat00017
한편, 원전은 운전 주기에 따라 기동, 정상운전 및 정지를 반복하게 된다(S600). 따라서 계기 채널의 교체 및 열화가 발생하게 된다. 이에, 후행주기에서는 정상 상태임에도 불구하고 선행주기에서 경험하지 못한 값이 측정될 수 있기 때문에 선행주기의 물리적 모델을 후행주기의 상태감시 모델로 활용하면 불필요한 오경보가 발생된다.
따라서, 감시 시스템(100)은 누적된 후행주기 데이터를 활용하여 물리적 모델을 생성하기 전에 실질적으로 적용 가능한 과도기적 물리적 모델을 생성한다. 즉, 감시 시스템(100)은 선행주기의 물리적 모델을 자동으로 전이 학습하여 후행주기에 활용함으로써 상태감시의 지속성을 향상시킨다. 감시 대상의 물리적 특성에 따라 필요한 가정(假定)을 할 수 있다. 예를 들어, 펌프(10) 상태 감시 모델에서는 주기가 변하더라도 펌프(10)의 특성을 나타내는 성능공선의 기울기는 (
Figure pat00018
)가 변하지 않음을 가정할 수 있다. 이에, 후행주기에 데이터를 단시간 동안 취득하고, 나머지 학습변수(
Figure pat00019
)를 자동 튜닝한다(S700).
그리고 전이학습을 통해 후행주기에 최적화된 물리적 모델을 빠르게 도출(S800)한 이후 상태감시를 수행한다(S900). 그리고 후행주기 분석에 유의미한 양의 데이터를 취득한 후에는 후행주기 데이터만으로 물리적 모델를 생성한다(S1000). 그리고 생성된 후행주기 물리적 모델로 상태감시를 수행할 수 있다(S1100).
보다 구체적으로, 학습변수의 자동 튜닝에서는 먼저 선행주기의 물리적 모델을 준비한다. 수학식 9는 선행주기의 물리적 모델을 의미한다.
Figure pat00020
이후, 후행주기가 시작되면 단기간의 데이터를 취득하게 된다. 수학식 10은 데이터 단기간의 데이터 취득을 의미한다. 수학식 10에서
Figure pat00021
은 후행주기 단기간 데이터 수를 나타낸다.
Figure pat00022
이후 수학식 11과 같이 선행주기 물리적 모델의 일부 학습 변수를 기기특성을 고려하여 그대로 활용하고 나머지 학습 변수는 단기간 취득한 후행주기 데이터를 활용하여 자동튜닝을 수행한다.
Figure pat00023
이후, 선행주기 학습변수(
Figure pat00024
)와 자동 튜닝된 학습변수(
Figure pat00025
)를 이용하여 수학식 12의 임시적인 후행주기 물리적 모델을 생성한다.
Figure pat00026
이후, 선행주기와 마찬가지로 계기 채널의 측정 잡음을 감안한 안전구간을 설정하고, 후행주기 측정 데이터(
Figure pat00027
)에 대한 상태감시를 수행한다. 수학식 13은 정상 상태에 관련되고, 수학식 14는 비정상에 관련된다.
Figure pat00028
Figure pat00029
이후, 감시 시스템(100)은 후행주기의 물리적 모델 수립에 적합한 양의 데이터가 누적되었을 경우에 후행주기 데이터만을 활용한 물리적 모델을 학습하고, 수학식 15와 같이 이를 상태감시 모델에 반영한다.
Figure pat00030
Figure pat00031
Figure pat00032
Figure pat00033
Figure pat00034
: 후행주기 압력 데이터의 평균
Figure pat00035
: 후행주기 압력 데이터의 표준편차
수학식 16은 정상 상태에 관련되고, 수학식 17은 이상 징후 발생에 관련된다.
Figure pat00036
Figure pat00037
한편, 다시 도 1 및 도 2를 참조하면, 물리적 모델의 생성 이전에 감시 시스템(100)은 회귀분석을 수행한다고 설명한 바 있다. 물리적 모델의 생성에서는 펌프(10)의 운전범위가 충분하지 않을 수 있다.
즉 운전범위가 짧을 수 있으며, 이때 물리적 모델의 생성에서 선형회귀를 통해 상향 돌출된 이차곡선 형태가 아닌 하향 돌출된 이차곡선의 형태가 생성될 수 있다. 따라서 유량(
Figure pat00038
)=0에 해당하는 압력(
Figure pat00039
)의 절편이 필요하며 이는 설계값을 적용하여 펌프 모델을 구성한다.
다만, 운전범위가 큰 펌프(10)는 튜닝 모델의 전제인 후행주기 펌프 성능곡선의 기울기가 선행주기 펌프 성능곡선의 기울기가 같다는 조건이 펌프의 성능저하나 센서 검교정 문제로 인해 안 맞을 수 있다. 이에, 펌프 성능곡선 기울기를 보정하는 방법을 적용해야 하고, 이를 적용하기 위해서는 운전범위가 펌프 모델 중 압력 모델의 경우에 압력을 구간으로 나눠 유량의 평균을 계산한다. 그리고 유량 모델의 경우 유량의 구간의 나눠서 평균을 계산한다. 그리고 평균으로 선형회귀를 통해 직선을 구한다. 이때 압력 모델의 경우에는 압력의 평균을 이용하고, 유량 모델의 경우에는 유량의 평균을 이용한다.
다만, 평균값에 가중치를 반영하지 않고 그대로 적용하면 값이 잘못 나와 이탈 부분도 같은 비중으로 포함되어 좋은 직선이 나오지 않는다. 따라서 각각의 평균 값 개수를 그 구간에 해당되는 데이터 값만큼 맞춰 가중치를 부여한다.
예를 들어, 평균이 2 및 3으로 나왔을 경우에, 두 개의 구간의 데이터 개수가 평균이 2인 곳은 10개, 평균이 3인 곳은 20개라고 가정한다. 이때, 선형회귀에 사용되는 평균의 집합은 [2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3]이다. 이에, 평균들의 집합으로 일차함수를 계산하고, 일차함수의 기울기를 도출한다. 그리고 후행주기 데이터가 튜닝시간 동안 전달되면 선행주기에서 일차함수를 구한 방법과 동일한 방법으로 일차함수 기울기를 구한다. 현재 모델의 튜닝시간은 1시간(1분 데이터 60개 적용)을 적용하였고, 이는 정규분포를 가정할 수 있는 최소한의 데이터가 30~50으로 알려져 있기 때문이다.
그리고 구한 일차함수 기울기(A')와 학습한 데이터의 일차함수 기울기(A) 비의 제곱근(
Figure pat00040
)을 학습한 데이터의 모델값(
Figure pat00041
) 중
Figure pat00042
에 곱하여 새로운 펌프 기울기를 계산하고, 이를
Figure pat00043
으로 정의할 수 있다. 다만, 운전범위가 짧은 펌프의 경우 기울기 비를 1로 할 수 있다.
한편, 운전범위가 짧은 펌프(10)는 데이터의 특성이 펌프 성능곡선을 반영하지 않는다. 이에, 정확한 데이터를 획득하기 어렵기 때문에 상술된 기울기를 변화시키는 방법을 적용하지 않는다. 펌프 성능곡선의 기울기가 일정하면 미지수는 하나만 남으면 아래의 과정을 통해 산출된다.
Figure pat00044
수학식 18에서
Figure pat00045
는 압력(bar)을 의미하고,
Figure pat00046
는 유량(
Figure pat00047
)을 의미한다. 그리고 수학식 18의 미지수와 미지수가 아닌 것들을 치환하면 다음과 같다.
Figure pat00048
따라서
Figure pat00049
일 때가 최솟값이 되며, n은 데이터 개수를 의미한다.
결론적으로 튜닝 펌프 성능곡선은 수학식 20과 같이 구해진다.
Figure pat00050
이러한 감시 시스템(100)을 적용하기 전 테스트 결과와 적용 이후의 결과는 도 4 및 도 4에 도시되어 있다. 도 5 및 도 6에 도시된 바와 같이, 압력 모델과 유량 모델 모두 92.85%에서 100%로, 0.41%에서 100%로 성능이 향상된 것을 확인할 수 있었다.
이와 같이, 원전의 감시 시스템 및 방법은 원전 상태감시 모델 개선을 위한 운전 주기별 학습변수 자동 튜닝 기술을 반영하여 주기마다 변화도는 특성을 빠른 시간에 반영하여 오경보율을 최소화하고 상태감시 정확도를 향상시키는 효과가 있다.
또한, 원전의 감시 시스템 및 방법은 학습변수 자동 튜닝 기술을 통해 운전 주기 변화로 인한 상태감시 기간의 공백을 최소화하고 높은 정확도로 실시간 상태를 유지할 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.

Claims (12)

  1. 원전 설비로부터 학습 데이터를 취득하고,
    취득한 학습 데이터의 회귀분석을 통해 안전구간을 설정하고,
    상기 학습 데이터에 상기 안전구간을 반영하여 선행주기 물리적 모델을 생성하는 것에 의해 상기 원전 설비에 대한 선행주기 상태감시를 수행하고,
    상기 원전 설비에 대한 운전주기가 변경될 때에 상기 선행주기 물리적 모델을 전이학습하여 상기 원전 설비에 대한 후행주기 상태감시 지속성을 유지하는 원전 설비의 감시 시스템.
  2. 제1 항에 있어서,
    상기 원전 설비에 대한 운전주기가 변경된 이후에,
    상기 원전 설비에 대해 데이터를 기설정된 후행주기 기간동안 취득하여 상기 선행주기 물리적 모델을 자동 튜닝하는 것을 특징으로 하는 원전 설비의 감시 시스템.
  3. 제2 항에 있어서,
    상기 자동 튜닝에서는
    상기 선행주기 물리적 모델의 일부 학습 변수를 상기 원전 설비의 특성을 고려하여 그대로 반영하고 나머지 학습변수는 기설정된 기간동안 취득된 후행주기 데이터를 활용하는 것을 특징으로 하는 원전 설비의 감시 시스템.
  4. 제2 항에 있어서,
    상기 자동 튜닝을 수행한 이후에,
    상기 자동 튜닝을 통해 생성된 임시적인 후행주기 물리적 모델에 안전구간을 설정하여 상태감시를 수행하는 것을 특징으로 하는 원전 설비의 감시 시스템.
  5. 제2 항에 있어서,
    상기 자동 튜닝을 수행한 이후에,
    기설정된 양의 데이터가 누적되면 후행주기 데이터만을 활용한 물리적 모델을 생성하여 상태감시를 수행하는 것을 특징으로 하는 원전 설비의 감시 시스템.
  6. 제1 항에 있어서,
    상기 회귀분석을 수행하기 이전에,
    상기 원전 설비로부터 취득된 학습 데이터를 전처리하는 것을 특징으로 하는 원전 설비의 감시 시스템.
  7. 제6 항에 있어서,
    상기 전처리에서는
    복수 개의 상기 원전 설비로부터 취득된 데이터를 합산하여 합산된 데이터를 시계열적으로 정렬하고,
    상기 정렬된 데이터에 대하여 파라미터 분류를 수행하는 것을 특징으로 하는 원전 설비의 감시 시스템.
  8. 제7 항에 있어서,
    상기 데이터의 정렬에서는
    서로 상이한 시간 축을 가지는 복수 개의 데이터에 기설정된 알고리즘을 적용하여 하나의 시간 축으로 정렬하는 것을 특징으로 하는 원전 설비의 감시 시스템.
  9. 제7 항에 있어서,
    상기 파라미터의 분류에서는
    압력, 유량 및 전류를 분류하는 것을 특징으로 하는 원전 설비의 감시 시스템.
  10. 제1 항에 있어서,
    상기 회귀분석에서는
    상기 학습 데이터의 회귀분석을 통해 회귀계수의 최적화 및 물리적 관계를 도출하고, 성능곡선의 계수와 기초통계량의 평균을 산출하여 상기 안전구간이 설정되도록 하는 것을 특징을 하는 원전 설비의 감시 시스템.
  11. 제1 항에 있어서,
    상기 원전 설비는
    펌프를 포함하는 것을 특징으로 하는 원전 설비의 감시 시스템.
  12. 원전 설비로부터 학습 데이터를 취득하고,
    취득한 학습 데이터의 회귀분석을 통해 안전구간을 설정하고,
    상기 학습 데이터에 상기 안전구간을 반영하여 선행주기 물리적 모델을 생성하는 것에 의해 상기 원전 설비에 대한 선행주기 상태감시를 수행하고,
    상기 원전 설비에 대한 운전주기가 변경될 때에 상기 물리적 모델을 전이학습하여 상기 원전 설비에 대한 후행주기 상태감시 지속성을 유지하는 원전 설비의 감시 방법.
KR1020200180268A 2020-12-21 2020-12-21 원전의 감시 시스템 및 방법 KR102561061B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200180268A KR102561061B1 (ko) 2020-12-21 2020-12-21 원전의 감시 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200180268A KR102561061B1 (ko) 2020-12-21 2020-12-21 원전의 감시 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20220089540A true KR20220089540A (ko) 2022-06-28
KR102561061B1 KR102561061B1 (ko) 2023-07-31

Family

ID=82268131

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200180268A KR102561061B1 (ko) 2020-12-21 2020-12-21 원전의 감시 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102561061B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170125265A (ko) * 2016-05-04 2017-11-14 두산중공업 주식회사 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법
KR20180040452A (ko) * 2016-10-12 2018-04-20 삼성에스디에스 주식회사 설비 노화 지수를 이용한 이상 감지 방법 및 장치
KR20200103167A (ko) 2019-02-12 2020-09-02 한국수력원자력 주식회사 원전설비의 예측 진단 방법 및 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170125265A (ko) * 2016-05-04 2017-11-14 두산중공업 주식회사 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법
KR20180040452A (ko) * 2016-10-12 2018-04-20 삼성에스디에스 주식회사 설비 노화 지수를 이용한 이상 감지 방법 및 장치
KR20200103167A (ko) 2019-02-12 2020-09-02 한국수력원자력 주식회사 원전설비의 예측 진단 방법 및 시스템

Also Published As

Publication number Publication date
KR102561061B1 (ko) 2023-07-31

Similar Documents

Publication Publication Date Title
EP3809220A1 (en) Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
CN109164343B (zh) 基于特征信息量化与加权knn的变压器故障诊断方法
US7275018B2 (en) Method of condition monitoring
US7827006B2 (en) Heat exchanger fouling detection
US20020128731A1 (en) Global state change indicator for empirical modeling in condition based monitoring
KR20170123332A (ko) 데이터 클린징 시스템 및 공급물 조성을 추론하기 위한 방법
CN101272580B (zh) 一种基于反馈的自适应移动基站系统可靠性评估方法
Garvey et al. Validation of on-line monitoring techniques to nuclear plant data
CN112187528B (zh) 基于sarima的工业控制系统通信流量在线监测方法
CN114943179A (zh) 基于多源退化数据融合的可靠性评估及剩余寿命预测方法
CN113742932A (zh) 一种用于风电机组齿轮箱故障预测诊断的方法
CN112395684A (zh) 一种高速列车走行部系统智能故障诊断方法
CN107907764B (zh) 一种适用于智能仪表智能特性验证的检测方法和系统
CN117556347A (zh) 一种基于工业大数据的电力设备故障预测与健康管理方法
KR20220089540A (ko) 원전의 감시 시스템 및 방법
US11339763B2 (en) Method for windmill farm monitoring
KR102561062B1 (ko) 원전의 감시 시스템 및 방법
CN116231624A (zh) 用于评估光伏电站经济效益的光伏组件输出功率预测方法
CN110532698B (zh) 一种基于数据模型的工业设备振动特征值趋势预测方法
KR102110319B1 (ko) 학습 데이터 생성 시스템
CN111966966A (zh) 一种传感器测量误差模型参数可行域分析方法及系统
Bachir et al. Application of principal component analysis approach in gas turbine defect diagnosis
Zhongyi et al. Health index construction and remaining useful lifetime prediction of aviation products based on multi-source degradation data fusion
CN118153950A (zh) 一种基于数据分析的水利工程风险预测方法及系统
Li et al. A Study on Health Assessment Technology for Sensor of Nuclear Power Plant Based on Dissimilarity of Residual Distribution

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant