KR20240003469A - 원전설비의 예측진단방법 및 시스템 - Google Patents
원전설비의 예측진단방법 및 시스템 Download PDFInfo
- Publication number
- KR20240003469A KR20240003469A KR1020220081041A KR20220081041A KR20240003469A KR 20240003469 A KR20240003469 A KR 20240003469A KR 1020220081041 A KR1020220081041 A KR 1020220081041A KR 20220081041 A KR20220081041 A KR 20220081041A KR 20240003469 A KR20240003469 A KR 20240003469A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- model
- nuclear power
- power plant
- preliminary
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013499 data model Methods 0.000 claims abstract description 108
- 238000010801 machine learning Methods 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 11
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims 1
- 230000002596 correlated effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012352 Spearman correlation analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/04—Safety arrangements
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Plasma & Fusion (AREA)
- Theoretical Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Emergency Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 대상 원전설비와 연관도가 높은 운전변수들을 이용하여 원전설비의 정상상태를 나타내는 데이터모델을 구축하고, 운전변수의 패턴정보와 원전설비의 결함정보를 연관시켜 생성된 학습데이터로 학습된 머신러닝기반 모델로 원전설비의 상태를 실시간으로 진단이 가능하도록 하는 원전설비의 예측진단방법 및 시스템을 제공하기 위하여, 본 발명에 따른 원전설비의 예측진단방법은 원전설비와 상기 원전설비의 주변설비로부터 운전변수를 획득하는 단계 및 상기 운전변수의 패턴 정보를 추출하는 단계 및 상기 패턴 정보에 대한 상관분석을 수행하여 상관도에 따라 상기 운전변수를 그룹화하여 복수 개의 그룹을 생성하는 단계 및 상기 복수 개의 그룹에 대하여 각각의 데이터모델을 구축하는 단계 및 상기 원전설비로부터 실시간으로 획득되는 실측데이터를 상기 데이터모델에 입력하여 상기 원전설비의 정상상태를 나타내는 추정치를 생성하는 단계 및 상기 실측데이터와 상기 추정치를 비교하여 상기 원전설비에 대한 이상상태를 진단하는 단계 및 상기 원전설비의 이상상태가 판단되는 실측데이터를 머신러닝기반 모델에 입력하여 정밀진단을 수행하는 단계를 포함한다.
Description
본 발명은 원전설비의 예측진단 방법 및 시스템에 관한 것으로, 보다 상세하게는 원전설비의 정상상태 정보를 상태를 나타내는 데이터모델과, 머신러닝기반 모델을 이용한 원전설비의 결함을 예측진단하는 원전설비의 예측진단방법 및 시스템에 관한 것이다.
원전에서는 설비의 고장으로 인한 가동중지 및 사고를 예방하기 위해 원전설비의 상태를 주기적으로 감시하고 있다. 여기서, 작업자는 원전설비에 설치되는 센서로부터 취득되는 신호를 기반으로 원전설비에 대한 상태를 감시하고 있다.
이러한 원전설비 진단기술은 이미 "대한민국 등록특허공고 제10-0798006호(원전 기기의 통합 감시 및 진단 방법과 이를 이용한 시스템, 2008.01.18.)"에 의해 공개되어 있다. 상기 등록발명은 원전설비에 장착되는 센서가 취득하는 신호 기반으로 원전설비의 상태를 인지하고 있다. 그러나 현재에는 원전설비에 이상상태 발생 시 신속한 대응과 정확한 결함진단을 하기 위해 원전설비에 대한 예측진단기술이 요구되고 있다.
한편, 원전산업계에서는 원자력발전소로부터 취득되는 운전 신호들을 기반으로 데이터모델을 구축하여 상태를 감시하고 있다. 이러한 종래의 데이터모델은 원자력발전소의 모든 설비를 포괄하는 운전변수들을 고려하여 구축되고 있다. 이에, 종래의 데이터모델은 각각의 원전설비에 적합한 변수를 충분히 고려하지 못하여 각각의 원전설비에 대한 진단의 정확도가 낮아질 수 있는 문제점이 있었다. 또한, 종래의 데이터모델은 원전설비의 정상가동 운전모드에 대한 운전변수만을 고려하여 구축됐다. 이에, 종래의 데이터모델은 원전설비의 과도운전모드에서 진단의 정확도가 떨어질 수 있는 문제점이 있었다.
본 발명의 목적은 대상 원전설비와 연관도가 높은 운전변수들을 이용하여 원전설비의 정상상태를 나타내는 데이터모델을 구축하고, 운전변수의 패턴정보와 원전설비의 결함정보를 연관시켜 생성된 학습데이터로 학습된 머신러닝기반 모델로 원전설비의 상태를 실시간으로 진단이 가능하도록 하는 원전설비의 예측진단방법 및 시스템을 제공하기 위한 것이다.
본 발명에 따른 원전설비의 예측진단방법은 원전설비와 상기 원전설비의 주변설비로부터 운전변수를 획득하는 단계 및 상기 운전변수의 패턴 정보를 추출하는 단계 및 상기 패턴 정보에 대한 상관분석을 수행하여 상관도에 따라 상기 운전변수를 그룹화하여 복수 개의 그룹을 생성하는 단계 및 상기 복수 개의 그룹에 대하여 각각의 데이터모델을 구축하는 단계 및 상기 원전설비로부터 실시간으로 획득되는 실측데이터를 상기 데이터모델에 입력하여 상기 원전설비의 정상상태를 나타내는 추정치를 생성하는 단계 및 상기 실측데이터와 상기 추정치를 비교하여 상기 원전설비에 대한 이상상태를 진단하는 단계 및 상기 원전설비의 이상상태가 판단되는 실측데이터를 머신러닝기반 모델에 입력하여 정밀진단을 수행하는 단계를 포함한다.
상기 원전설비는 복수 개의 운전모드로 운용되며, 상기 운전변수 및 상기 실측데이터는 상기 각각의 운전모드에 따라 구분되도록 획득되고, 상기 데이터모델은 상기 각각의 운전모드에 따라 각각의 데이터모델로 구축될 수 있다.
상기 그룹을 생성하는 단계 이전에, 상기 운전변수를 전처리하는 단계를 더 포함하고, 상기 전처리를 수행하는 단계에서는 상기 운전변수의 이상치를 제거하고, 상기 패턴 정보의 변동 폭의 노이즈를 제거하여 평활화를 수행할 수 있다.
상기 데이터모델을 구축하는 단계 이전에, 상기 모델구축데이터를 생성하는 단계를 더 포함하고, 상기 모델구축데이터를 생성하는 단계에서는 상기 복수 개의 그룹을 행렬의 형태로 변환하고, 상기 변환된 각각의 그룹을 기설정된 행의 크기를 기준으로 분할하여 상기 각각의 그룹에 대한 모델생성데이터, 모델최적화데이터 및 모델검증데이터를 생성할 수 있다.
상기 데이터모델을 구축하는 단계는 상기 모델생성데이터를 기반으로 예비데이터모델 생성하는 단계와, 상기 모델최적화데이터를 기반으로 상기 예비데이터모델을 최적화하는 단계와, 상기 모델검증데이터를 기반으로 상기 최적화된 예비데이터모델을 검증하여 상기 데이터모델을 선정할 수 있다.
상기 예비데이터모델을 생성하는 단계에서는 상기 모델학습데이터에 최소최대 기법(Min-Max Method)을 적용하여 정규화를 수행하여 상기 예비데이터모델을 생성하고, 상기 예비데이터모델이 예측값을 생성하기 위한 예비가중치를 생성할 수 있다.
상기 예비데이터모델을 최적화하는 단계에서는 상기 예비데이터모델 및 상기 모델최적화데이터에 표준점수 기법(Z-Score Method)을 적용하여 각각의 데이터에 대한 무차원화를 수행하고, 상기 무차원화된 모델최적화데이터를 상기 무차원화된 예비데이터모델에 입력하여 상기 예비가중치가 적용된 예측치를 산출하고, 상기 모델최적화데이터와 상기 예측치의 평균 제곱근 오차(Root Mean Square Error; RMSE)를 연산하고, 상기 예측치의 평균 제곱근 오차가 최소로 되도록 상기 예비데이터모델 및 상기 예비가중치를 조정하여 상기 예비데이터모델을 최적화할 수 있다.
상기 데이터모델을 선정하는 단계에서는 상기 모델검증데이터에 표준점수 기법을 적용하여 데이터에 대한 무차원화를 수행하고, 상기 무차원화된 모델검증데이터를 상기 조정된 데이터모델에 입력하여 상기 조정된 가중치가 적용된 검증예측치를 산출하고, 상기 모델검증데이터와 상기 검증예측치의 평균 제곱근 오차를 연산하고, 상기 모델검증데이터와 상기 검증예측치의 평균 제곱근 오차가 최소로 되도록 하는 상기 예비모델 및 상기 예비가중치를 상기 데이터모델로 선정할 수 있다.
상기 추정치를 생성하는 단계에서는 상기 실측데이터가 상기 원전설비의 각각의 운전모드에 해당하는 데이터모델에 입력될 수 있다.
상기 이상상태를 판단하는 단계에서는 상기 실측데이터와 상기 추정치에 대한 잔차(Residual)를 연산하고, 상기 잔차를 기반으로 상기 이상상태를 판단할 수 있다.
상기 이상상태를 판단하는 단계에서는 사전에 상기 잔차에 대한 기준치를 설정하고, 상기 잔차가 상기 기준치를 초과하는 경우에 이상상태로 판단할 수 있다.
상기 정밀진단을 수행하는 단계 이전에, 머신러닝기반 모델을 구축하는 단계를 더 포함하며, 상기 머신러닝기반 모델을 구축하는 단계는 상기 패턴 정보의 변화를 분석하여 패턴변화 데이터를 생성하는 단계와, 상기 패턴변화정보를 상기 원전설비에서 발생하는 결함과 연관시켜 학습데이터를 생성하는 단계와, 상기 학습데이터로 상기 머신러닝기반 모델을 학습시키는 단계를 포함할 수 있다.
상기 정밀진단정보를 생성하는 단계에서는 상기 실측데이터의 패턴정보를 추출하여 실측패턴정보를 획득하고, 상기 실측패턴정보를 상기 머신러닝기반 모델에 입력할 수 있다.
상기 원전설비는 원자력발전소에 설치되는 펌프설비를 포함할 수 있다.
본 발명에 따른 원전설비의 예측진단시스템은 원전설비와 상기 원전설비의 주변설비로부터 획득된 운전변수의 패턴 정보를 추출하고, 상기 패턴 정보에 대한 상관분석을 수행하여 상관도에 따라 상기 운전변수를 그룹화하여 복수 개의 그룹을 생성하는 데이터처리부 및 상기 복수 개의 그룹을 기반으로 각각의 데이터모델을 구축하는 모델생성부 및 상기 원전설비로부터 실시간으로 획득되는 실측데이터를 상기 각각의 데이터모델에 입력하여 추정치를 생성하며, 상기 실측데이터와 상기 추정치를 비교하여 상기 원전설비에 대한 이상 상태를 판단하고, 상기 원전설비의 이상 상태가 판단되는 실측데이터를 규칙기반모델에 입력하여 정밀진단을 수행하는 이상판단부를 포함한다.
본 발명에 따른 원전설비의 예측진단방법 및 시스템은 다음과 같은 효과를 포함한다.
첫째, 본 발명은 대상 원전설비와 연관성이 높은 운전변수를 이용하여 데이터모델을 구축하여, 종래의 데이터모델 기반 원전설비의 예측진단에 대한 정확도를 향상시키도록 하는 효과가 있다.
둘째, 본 발명은 원전의 각 운전모드에 적용이 가능하도록 하여 종래의 감시시스템의 한계성을 개선하며, 이에 따라 원전설비에 대한 감시기능 강화와 원전운영의 안정성을 향상시키도록 하는 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 예측진단시스템을 나타낸 흐름도이다.
도 2는 본 실시예에 따른 원전설비의 예측진단시스템을 나타낸 구성도이다.
도 3은 본 실시예에 따른 원전설비의 예측진단방법을 나타낸 순서도이다.
도 4는 본 실시예에 따른 원전설비의 예측진단방법 중 데이터모델 구축단계를 나타낸 순서도이다.
도 5는 본 실시예에 따른 원전설비의 예측진단방법 중 머신러닝기반 모델 생성단계를 나타낸 순서도이다.
도 6은 본 실시예에 따른 원전설비의 예측진단방법 중 머신러닝기반 모델 이상진단 및 진단정보 제공단계를 나타낸 순서도이다.
도 2는 본 실시예에 따른 원전설비의 예측진단시스템을 나타낸 구성도이다.
도 3은 본 실시예에 따른 원전설비의 예측진단방법을 나타낸 순서도이다.
도 4는 본 실시예에 따른 원전설비의 예측진단방법 중 데이터모델 구축단계를 나타낸 순서도이다.
도 5는 본 실시예에 따른 원전설비의 예측진단방법 중 머신러닝기반 모델 생성단계를 나타낸 순서도이다.
도 6은 본 실시예에 따른 원전설비의 예측진단방법 중 머신러닝기반 모델 이상진단 및 진단정보 제공단계를 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 원전설비의 예측진단시스템을 나타낸 흐름도이다.
도 1에 도시된 바와 같이, 본 실시예에 따른 원전설비의 예측진단시스템(100, 이하 예측진단시스템이라 한다)은 대상 원전설비의 센서로부터 수신되는 데이터를 기반으로 대상 원전설비에 대한 예측진단을 수행한다.
다만, 예측진단시스템(100)를 설명하기 위해, 예측진단시스템(100)이 원자로냉각재펌프(Reactor Coolant Pump; RCP, 10, 이하 펌프라 한다)에 적용되는 것에 대하여 설명하도록 한다. 다만, 진단시스템(100)이 적용되는 원전설비는 한정하지 않는다.
펌프(10)는 주변설비와 연결되어 순환구조로 설치될 수 있다. 이러한 펌프(10)는 원전의 운전모드에 따라 다르게 운용될 수 있다. 이때, 운전모드는 정상운전모드 및 과도운전모드를 포함할 수 있다. 그리고 펌프(10) 및 펌프(10)의 주변설비는 각각의 운전정보를 수집하기 위한 센서(30)가 설치된다.
센서(30)는 펌프(10) 및 펌프(10)의 주변설비로부터 운전변수 즉, 압력, 온도, 유량 및 수위 등을 수집하기 위해 다양한 종류의 계측기를 포함할 수 있다. 이러한 센서(30)는 운전변수를 시간에 따라 수집한다. 그리고 센서(30)는 운전변수를 예측진단시스템(100)에 제공하도록 마련될 수 있다.
그리고 예측진단시스템(100)은 원전의 운전모드에 따라 펌프(10) 및 펌프(10)의 주변설비의 운전변수를 구분되도록 저장하도록 마련될 수 있다. 예측진단시스템(100)은 제공된 운전변수를 기반하여, 펌프(10)의 정상상태를 나타내는 데이터모델과, 머신러닝기반 모델을 구축한다. 그리고 예측진단시스템(100)은 데이터모델 및 머신러닝기반 모델으로 펌프(10)의 상태에 대한 예측진단을 수행한다.
도 2는 본 실시예에 따른 원전설비의 예측진단시스템을 나타낸 구성도이다.
도 2에 도시된 바와 같이, 예측진단시스템(100)은 데이터처리부(110), 모델생성부(120), 진단부(130) 및 출력부(140)를 포함할 수 있다.
먼저, 데이터처리부(110)는 전처리부(111), 그룹화부(112) 및 데이터생성부(113)를 포함할 수 있다.
전처리부(111)는 운전변수에 대한 시계열분석을 수행하여, 시간에 따라 변동하는 운전변수의 패턴정보를 추출한다.
그리고 전처리부(111)는 운전변수 및 운전변수의 패턴정보에 대한 전처리를 수행한다. 전처리부(111)는 운전변수가 포함하는 이상치를 제거할 수 있다. 또한, 전처리부(111)는 운전변수가 포함하는 패턴 정보를 추출한다. 그리고 전처리부(111)는 추출된 패턴정보의 변동 폭에 대한 노이즈를 저감시켜, 패턴정보에 대한 평활화를 수행할 수 있다.
그룹화부(112)는 운전변수를 그룹화를 수행한다. 여기서, 그룹화부(112)는 펌프(10)에 이상상태가 발생할 때에, 동시에 변동하는 각각의 운전변수를 그룹화를 수행한다. 이를 위해, 그룹화부(112)는 각각의 운전변수들의 패턴 정보의 연관도에 따라 그룹화를 수행한다. 따라서, 그룹화부(112)는 각각의 운전변수들의 패턴 정보에 대한 상관분석을 수행한다. 이때, 그룹화부(112)는 스피어만 상관분석(Spearman Correlation Analysis)를 통해 상관분석을 수행할 수 있다. 여기서, 스피어만 상관분석은 두 변수의 선형관계를 판단하여 상관계수를 산출할 수 있다. 또한, 스피어만 상관분석은 각각의 운전변수의 패턴정보가 이상치를 감안한 상관계수를 추출하도록 한다. 이에, 그룹화부(112)는 각각의 패턴정보들의 상관계수를 기반으로 그룹화를 수행하며, 이에 따라 그룹화부(112)는 복수 개의 그룹을 생성할 수 있다.
데이터생성부(113)는 복수 개의 그룹으로부터 각각에 대한 모델구축데이터를 생성한다. 우선, 데이터생성부(113)는 각각의 그룹을 행렬의 형태로 변환한다. 일례로, 데이터생서부(113)는 모델구축데이터를 아래의 수학식 1의 행렬의 형태로 생성될 수 있다. 여기서, 
는 각각의 운전변수의 번호를 나타내며, 
는 센서(30)가 포함하는 각각의 계측기의 번호를 나타내고, 
은 수집된 시간에 따른 운전변수의 번호이다.
[수학식 1]
그리고 데이터생성부(113)는 변환된 각각의 그룹을 행의 번호로 분할하여 모델구축데이터를 생성할 수 있다. 여기서, 데이터생성부(113)는 모델생성데이터, 모델최적화데이터 및 모델검증데이터로 생성할 수 있다.
또한, 데이터생성부(113)는 복수 개의 그룹의 각각의 운전변수의 패턴정보를 이용하여 머신러닝기반 모델을 학습시키기 위한 학습데이터를 생성한다. 이때, 데이터생성부(113)는 펌프(10)의 결함과 각각의 패턴정보를 연관시켜 학습데이터를 생성할 수 있다.
그리고 데이터생성부(113)는 모델구축데이터 및 학습데이터를 모델생성부(120)에 제공한다.
한편, 모델생성부(120)는 모델구축데이터를 이용하여 펌프(10)의 정상상태를 나타내는 데이터모델을 구축한다. 이때, 모델생성부(120)는 복수 개의 그룹에 대한 각각의 데이터모델을 구축한다. 그리고 모델생성부(120)는 운전모드에 따른 각각의 운전변수를 이용하여, 원전의 운전모드에 따라 각각의 데이터모델 구축한다.
또한, 모델생성부(120)는 운전변수의 패턴정보를 이용하여 후술할 정밀진단정보를 생성을 위한 머신러닝기반 모델을 구축한다. 여기서, 모델생성부(120)는 학습데이터로 머신러닝기반 모델을 학습시키므로써 머신러닝기반 모델을 구축할 수 있다.
그리고 모델생성부(120)는 데이터모델 및 머신러닝기반 모델을 진단부(130)에 제공한다.
한편, 진단부(130)는 데이터모델을 기반으로 냉각재펌프(10)의 상태를 진단한다. 진단부(130)는 센서(30)로부터 실측데이터가 수신되면 데이터모델을 통해 펌프(10)의 정상상태를 나타내는 추정치를 생성한다. 그리고 진단부(130)는 추정치를 이용하여 펌프(10)에 대한 이상상태를 진단한다. 그리고 진단부(130)는 실측데이터로부터 펌프(10)의 이상상태가 판단되면, 펌프(10)에 대한 이상상태정보를 생성할 수 있다.
또한, 진단부(130)는 펌프(10)의 이상상태가 진단된 실측데이터를 머신러닝기반 모델에 입력하여 펌프(10)의 정밀진단을 수행한다. 여기서, 머신러닝기반 모델은 실측데이터의 패턴정보를 이용하여 펌프(10)의 정밀진단정보를 생성할 수 있다. 여기서, 정밀진단정보는 펌프(10)의 결함원인 및 결함위치에 대한 정보를 포함할 수 있다.
그리고 진단부(130)는 이상상태정보 및 정밀진단정보를 출력부(140)에 제공한다.
한편, 이하에서는 본 실시예에 따른 원전설비의 예측진단방법에 대하여 도 3 내지 도 6을 참조하여 상세히 설명하도록 한다.
도 3은 본 실시예에 따른 원전설비의 예측진단방법을 나타낸 순서도이고, 도 4는 본 실시예에 따른 원전설비의 예측진단방법 중 데이터모델 구축단계를 나타낸 순서도이다. 또한, 도 5는 본 실시예에 따른 원전설비의 예측진단방법 중 머신러닝기반 모델 생성단계를 나타낸 순서도이고, 도 6은 본 실시예에 따른 원전설비의 예측진단방법 중 머신러닝기반 모델 이상진단 및 진단정보 제공단계를 나타낸 순서도이다.
도 3에 도시된 바와 같이, 본 실시예에 따른 원전설비의 예측진단시스템(100)은 패턴정보 추출단계(S100), 전처리단계(S200), 그룹화단계(S300), 데이터모델 생성단계(S400), 머신러닝기반 모델 생성단계(S500) 및 이상진단 및 진단정보 제공단계(S600)을 통해 펌프(10)의 상태에 대한 예측진단을 수행한다.
패턴정보 추출단계(S100)에서는 전처리부(111)가 각각의 운전변수의 패턴정보를 추출한다.
그리고 전처리단계(S200)에서는 전처리부(111)가 각각의 운전변수와 각각의 운전변수에 대한 패턴정보에 대한 전처리를 수행한다. 이때, 전처리부(111)는 각각의 운전변수가 포함하는 이상치를 제거한다, 그리고 전처리부(111)는 패턴정보의 변동 폭에 대한 노이즈를 저감하여, 평활화를 수행한다.
그리고 그룹화단계(S300)에서는 그룹화부(112)가 각각의 운전변수의 패턴정보들에 대하여 상관분석을 수행한다. 그리고 그룹화부(112)는 각각의 운전변수들의 상관계수에 따라 그룹화를 수행한다. 일례로, 상관계수는 ??1에서 1사이의 값을 가지도록 산출된다. 이때, 그룹화부(112)는 상관계수가 1에 가까운 운전변수들을 그룹화하여 복수 개의 그룹을 생성한다. 이에 따라, 그룹화부(112)는 펌프(10)가 정상운전상태를 이탈할 때에 동시에 변동하는 운전변수들로 그룹화할 수 있다.
그리고 데이터모델 구축단계(S400)에서는 예측진단시스템(100)이 각각의 그룹을 이용하여 데이터모델을 구축한다. 예측진단시스템(100)은 원전의 운전모드에 따른 각각의 데이터모델을 구축한다.
도 5에 도시된 바와 같이, 예측진단시스템(100)은 모델구축데이터 생성단계(S410), 데이터모델 생성단계(S420), 데이터모델 최적화단계(S430) 및 데이터모델 검증단계(S440)를 통해 데이터모델을 구축할 수 있다.
모델구축데이터 생성단계(S410)에서는 데이터생성부(113)가 각각의 그룹으로 모델구축데이터를 생성한다. 상술한 바와 같이, 데이터생성부(113)는 각각의 그룹을 행렬의 형태로 변환하여 모델구축데이터를 생성한다. 그리고 데이터생성부(113)는 모델구축데이터를 분할하여 모델생성데이터, 모델최적화데이터 및 모델검증데이터를 생성한다.
데이터모델 생성단계(S420)에서는 모델생성부(120)가 모델생성데이터를 기반으로 예비데이터모델 및 예비가중치를 생성한다. 모델생성부(120)는 모델생성데이터에 최소최대 기법(Min-Max Method)을 적용하여 정규화를 수행하여 예비데이터모델을 생성한다.
이에, 모델생성부(120)는 수학식 2가 나타내는 행렬의 형태로 데이터모델을 생성할 수 있다. 이때, Y는 정규화된 운전변수를 나타내며, j는 센서(30)가 포함하는 각각의 계측기의 번호를 나타내며, k는 시계열 정보에 따른 정규화된 운전변수의 번호를 나타낸다.
[수학식 2]
여기서, 모델생성부(120)는 예비데이터모델이 펌프(10)의 정상상태를 나타내는 추정치를 생성하도록 구축할 수 있다. 그리고 예비데이터모델은 소정의 데이터가 입력되면 데이터 간의 거리를 산출하도록 구축될 수 있다. 이때, 입력되는 데이터는 아래의 [수학식 3]의 형태를 입력된다.
[수학식 3]
그리고 구축된 예비데이터모델은 아래의 [수학식 4]로 데이터간의 거리를 산출할 수 있다. 아래의 [수학식 4]는 유클리디안 거리(Euclidean Distance)를 의미하며, 유클리디안 거리는 각각의 데이터에 있어서, 데이터 간의 거리를 산출하는 데 이용된다.
[수학식 4]
그리고 예비데이터모델은 전술한 유클리디안 거리와 가우시안 커널함수(Gaussian Kernel Function)을 이용하여 예비추정치를 생성할 수 있다. 이때, 예비가중치는 아래의 [수학식 5]로 생성될 수 있다. 여기서, h는 커널 폭(Kernel Width)를 나타내며, 커널 폭은 후술할 데이터모델 최적화단계(S500) 및 데이터모델 검증단계(S600)에서 조정될 수 있다. 이에, 모델생성부(120)는 커널 폭을 조정하여 예비가중치를 조정할 수 있다.
[수학식 5]
따라서, 모델생성부(120)는 전술한 예비데이터모델 및 예비가중치를 이용하여 예측치를 생성할 수 있다. 모델생성부(120)는 예비데이터모델과 예비가중치를 결합한 [수학식 6]을 통해 예측치를 생성할 수있다. 이때, [수학식 6]은 가중평균값을 의미한다.
[수학식 6]
그리고 데이터모델 최적화단계(S500)에서는 모델생성부(120)가 예비데이터모델 및 예비가중치에 대한 최적화를 수행한다. 우선, 모델생성부(120)는 예비데이터모델 및 모델최적화데이터에 대한 무차원화를 수행한다. 여기서, 모델생성부(120)는 표준점수 기법(Z-Score Method)을 적용하여 무차원화를 수행할 수 있다. 이에, 모델생성부(120)는 예비데이터모델 및 모델최적화데이터의 단위 성분을 제거할 수 있다. 그리고 모델생성부(120)는 무차원화된 모델최적화데이터를 무차원화된 예비데이터모델에 입력하여 예비가중치를 적용한 예측치를 산출한다. 그리고 모델생성부(120)는 모델최적화데이터와 예측치를 비교한다. 여기서, 모델생성부(120)는 모델최적화데이터와 예측치의 평균 제곱근 오차의 (Root Mean Square Error; RMSE)를 산출하여 비교를 수행한다. 이때, 모델생성부(120)는 평균 제곱근 오차가 최소로 되도록 하는 예비데이터모델의 행의 개수를 도출하고, 예비가중치의 커널 폭을 조정하여 최적화를 수행한다.
그리고 데이터모델 검증단계(S600)에서는 모델생성부(120)가 최적화된 예비데이터모델에 대한 검증을 수행한다. 우선, 모델생성부(120)는 모델검증데이터에 표준점수 기법(Z-Score Method)를 적용하여 무차원화를 수행한다. 그리고 모델생성부(120)는 무차원화된 모델검증데이터를 최적화된 예측데이터모델에 입력한다. 그리고 모델생성부(120)는 최적화된 예비가중치를 적용한 검증예측치를 생성한다. 여기서, 모델생성부(120)는 모델검증데이터와 검증예측치의 평균 제곱근 오차를 연산하여 검증을 수행한다. 이때, 모델생성부(120)는 모델검증데이터와 검증예측치의 평균 제곱근 오차가 사전에 설정된 기준치에 도달하도록 전술한 데이터모델최적화단계(S500)를 반복수행한다. 이를 통해, 모델생성부(120)는 검증된 예비데이터모델을 이상상태 감지를 위한 데이터모델로 선정하여 진단부(130)로 제공한다.
그리고 머신러닝기반 모델 구축단계(S500)에서는 예측진단시스템(100)이 각각의 그룹에 포함된 운전변수의 패턴정보를 기반하여 머신러닝기반 모델을 구축한다.
도 5에 도시된 바와 같이, 예측진단시스템(100)은 패턴변화정보 추출단계(S510), 학습데이터 생성단계(S520) 및 머신러닝기반 모델 학습단계(S530)를 통해 머신러닝기반 모델을 구축할 수 있다.
패턴변화정보 추출단계(S510)에서는 전처리부(111)가 각각의 그룹에 포함된 각각의 운전변수의 패턴정보에 대하여 분석을 통해 시간에 따른 변화량을 추출하여 패턴변화데이터를 생성한다.
학습데이터 생성단계(S520)에서는 데이터생성부(113)가 각각의 그룹에 포함된 운전변수들의 패턴변화데이터와, 과거 펌프(10)에 발생한 결함을 연관시켜 학습데이터를 생성한다.
머신러닝기반 모델 학습단계(S530)에서는 모델생성부(120)가 학습데이터를 이용하여 머신러닝기반 모델을 학습시킨다.
그리고 모델생성부(120)는 학습된 머신러닝기반 모델을 진단부(130)에 제공한다.
이상진단 및 진단정보 제공단계(S600)에서는 진단부(130)가 제공된 데이터모델 및 머신러닝기반 모델를 통해 펌프(10)의 상태에 대한 실시간 예측진단을 수행한다. 그리고 진단부(130)는 펌프(10)에 결함이 진단되면, 펌프(10)에 상태에 대한 이상상태정보 및 정밀진단정보를 생성한다. 그리고 진단부(130)는 이상상태정보 및 정밀진단정보를 출력부(140)에 제공하며, 출력부(140)는 제공된 이상상태정보 및 정밀진단정보를 출력하여 사용자에게 제공할 수 있다.
도 6에 도시된 바와 같이, 진단부(130) 및 출력부(140)는 이상진단단계(S610), 정밀진단단계(S620) 및 진단정보 제공단계(S630)을 통해 펌프(10)에 상태를 진단하며, 이상상태정보 및 정밀진단정보를 제공할 수 있다.
이상진단단계(S610)에서는 진단부(130)가 센서(30)에 의해 실시간으로 획득되는 실측데이터를 데이터모델에 입력하여 펌프(10)의 이상상태를 진단한다. 이때, 진단부(130)는 실측데이터가 데이터모델에 입력되어 생성되는 추정치를 기반으로 이상상태를 진단한다. 진단부(130)는 추정치와 실측데이터의 잔차를 연산하여 진단한다. 이때, 진단부(130)는 잔차가 기준치를 초과하는 경우에 펌프(10)의 이상상태로 진단할 수 있다. 그리고 진단부(130)는 펌프(10)의 상태가 이상상태로 진단되는 경우에 이상상태정보를 생성하여 출력부(140)에 제공한다.
정밀진단단계(S620)에서는 진단부(130)가 펌프(10)의 이상상태로 판단되는 실측데이터를 머신러닝기반 모델에 입력하여 정밀진단을 수행한다. 이때, 진단부(130)는 실측데이터에 대하여 패턴분석을 수행하여 실측패턴데이터를 생성한다. 그리고 진단부(130)는 실측패턴데이터를 머신러닝기반 모델에 입력하여 정밀진단을 수행한다. 여기서, 머신러닝기반 모델은 학습된 데이터에서 실측패턴데이터와 유사한 패턴정보를 찾는다. 그리고 머신러닝기반 모델은 실측패턴데이터와 유사패턴정보를 유사도을 산출한다. 그리고 머신러닝기반 모델은 산출된 유사도를 평가하여, 유사도가 소정의 값을 초과하는 경우 해당 유사패턴정보가 포함하는 펌프(10)의 정밀진단정보를 추출하여 출력부(140)에 제공한다.
진단정보 제공단계(S630)에서는 출력부(140)가 제공된 이상상태정보 및 정밀진단정보를 출력한다. 출력부(140)는 이상상태정보 및 정밀진단정보를 시각화하여 출력할 수 있다. 일례로, 출력부(140)는 산출된 잔차와, 잔차에 대한 임계치를 나타내는 그래프를 출력할 수 있다. 또한, 출력부(140)는 펌프(10)를 시각화하여 정밀진단정보에 포함된 결함위치를 표시하여 출력할 수 있다.
이와 같이. 본 실시예에 따른 원전설비의 예측진단방법 및 시스템은 데이터모델 및 머신러닝기반 모델을 통해 대상 설비에 대한 예측진단을 수행하며, 이에 따라 생성된 예측진단정보를 출력하여 사용자에게 제공할 수 있다.
이에, 본 발명은 대상 원전설비와 연관성이 높은 운전변수를 이용하여 데이터모델을 구축하여, 종래의 데이터모델 기반 원전설비의 예측진단에 대한 정확도를 향상시키도록 하는 효과가 있다.
또한, 본 발명은 원전의 각 운전모드에 적용이 가능하도록 하여 종래의 감시시스템의 한계성을 개선하며, 이에 따라 원전설비에 대한 감시기능 강화와 원전운영의 안정성을 향상시키도록 하는 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 기술 분야에서 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 (15)
- 원전설비와 상기 원전설비의 주변설비로부터 운전변수를 획득하는 단계;
상기 운전변수의 패턴 정보를 추출하는 단계;
상기 패턴 정보에 대한 상관분석을 수행하여 상관도에 따라 상기 운전변수를 그룹화하여 복수 개의 그룹을 생성하는 단계;
상기 복수 개의 그룹에 대하여 각각의 데이터모델을 구축하는 단계;
상기 원전설비로부터 실시간으로 획득되는 실측데이터를 상기 데이터모델에 입력하여 상기 원전설비의 정상상태를 나타내는 추정치를 생성하는 단계;
상기 실측데이터와 상기 추정치를 비교하여 상기 원전설비에 대한 이상상태를 진단하는 단계; 및
상기 원전설비의 이상상태가 판단되는 실측데이터를 머신러닝기반 모델에 입력하여 정밀진단을 수행하는 단계를 포함하는 원전설비의 예측진단방법.
- 제1 항에 있어서,
상기 원전설비는
복수 개의 운전모드로 운용되며,
상기 운전변수 및 상기 실측데이터는
상기 각각의 운전모드에 따라 구분되도록 획득되고,
상기 데이터모델은
상기 각각의 운전모드에 따라 각각의 데이터모델로 구축되는 것을 특징으로 하는 원전설비의 예측진단방법.
- 제2 항에 있어서,
상기 그룹을 생성하는 단계 이전에,
상기 운전변수를 전처리하는 단계를 더 포함하고,
상기 전처리를 수행하는 단계에서는
상기 운전변수의 이상치를 제거하고,
상기 패턴 정보의 변동 폭의 노이즈를 제거하여 평활화를 수행하는 것을 특징으로 원전설비의 예측진단방법.
- 제2 항에 있어서,
상기 데이터모델을 구축하는 단계 이전에,
상기 모델구축데이터를 생성하는 단계를 더 포함하고,
상기 모델구축데이터를 생성하는 단계에서는
상기 복수 개의 그룹을 행렬의 형태로 변환하고,
상기 변환된 각각의 그룹을 기설정된 행의 크기를 기준으로 분할하여 상기 각각의 그룹에 대한 모델생성데이터, 모델최적화데이터 및 모델검증데이터를 생성하는 것을 특징으로 하는 원전설비의 예측진단방법.
- 제2 항에 있어서,
상기 데이터모델을 구축하는 단계는
상기 모델생성데이터를 기반으로 예비데이터모델 생성하는 단계와,
상기 모델최적화데이터를 기반으로 상기 예비데이터모델을 최적화하는 단계와,
상기 모델검증데이터를 기반으로 상기 최적화된 예비데이터모델을 검증하여 상기 데이터모델을 선정하는 단계를 포함하는 것을 특징으로 하는 원전설비의 예측진단방법.
- 제5 항에 있어서,
상기 예비데이터모델을 생성하는 단계에서는
상기 모델학습데이터에 최소최대 기법(Min-Max Method)을 적용하여 정규화를 수행하여 상기 예비데이터모델을 생성하고,
상기 예비데이터모델이 예비추정치를 생성하기 위한 예비가중치를 생성하는 것을 특징으로 하는 원전설비의 예측진단방법.
- 제6 항에 있어서,
상기 예비데이터모델을 최적화하는 단계에서는
상기 예비데이터모델 및 상기 모델최적화데이터에 표준점수 기법(Z-Score Method)을 적용하여 각각의 데이터에 대한 무차원화를 수행하고,
상기 무차원화된 모델최적화데이터를 상기 무차원화된 예비데이터모델에 입력하여 상기 예비가중치가 적용된 예비추정치를 산출하고,
상기 모델최적화데이터와 상기 예측치의 평균 제곱근 오차(Root Mean Square Error; RMSE)를 연산하고,
상기 예측치의 평균 제곱근 오차가 최소로 되도록 상기 예비데이터모델 및 상기 예비가중치를 조정하여 상기 예비데이터모델을 최적화하는 것을 특징으로 하는 원전설비의 예측진단방법.
- 제7 항에 있어서,
상기 데이터모델을 선정하는 단계에서는
상기 모델검증데이터에 표준점수 기법을 적용하여 데이터에 대한 무차원화를 수행하고,
상기 무차원화된 모델검증데이터를 상기 조정된 데이터모델에 입력하여 상기 조정된 가중치가 적용된 검증추정치를 산출하고,
상기 모델검증데이터와 상기 검증예측치의 평균 제곱근 오차를 연산하고,
상기 모델검증데이터와 상기 검증예측치의 평균 제곱근 오차가 최소로 되도록 하는 상기 예비모델 및 상기 예비가중치를 상기 데이터모델로 선정하는 것을 특징으로 하는 원전설비의 예측진단방법.
- 제2 항에 있어서,
상기 추정치를 생성하는 단계에서는
상기 실측데이터가 상기 원전설비의 각각의 운전모드에 해당하는 데이터모델에 입력되는 것을 특징을 하는 원전설비의 예측진단방법.
- 제1 항에 있어서,
상기 이상상태를 판단하는 단계에서는
상기 실측데이터와 상기 추정치에 대한 잔차(Residual)를 연산하고,
상기 잔차를 기반으로 상기 이상상태를 판단하는 것을 특징으로 하는 원전설비의 예측진단방법.
- 제10 항에 있어서,
상기 이상상태를 판단하는 단계에서는
사전에 상기 잔차에 대한 기준치를 설정하고,
상기 잔차가 상기 기준치를 초과하는 경우에 이상상태로 판단하는 것을 특징으로 하는 원전설비의 예측진단방법.
- 제1 항에 있어서,
상기 정밀진단을 수행하는 단계 이전에,
머신러닝기반 모델을 구축하는 단계를 더 포함하며,
상기 머신러닝기반 모델을 구축하는 단계는
상기 패턴 정보의 변화를 분석하여 패턴변화 데이터를 생성하는 단계와,
상기 패턴변화정보를 상기 원전설비에서 발생하는 결함과 연관시켜 학습데이터를 생성하는 단계와,
상기 학습데이터로 상기 머신러닝기반 모델을 학습시키는 단계를 포함하는 것을 특징으로 하는 원전설비의 예측진단방법.
- 제1 항에 있어서,
상기 정밀진단정보를 생성하는 단계에서는
상기 실측데이터의 패턴정보를 추출하여 실측패턴정보를 획득하고,
상기 실측패턴정보를 상기 머신러닝기반 모델에 입력하는 것을 특징으로 하는 원전설비의 예측진단방법.
- 제1 항에 있어서,
상기 원전설비는
원자력발전소에 설치되는 펌프설비를 포함하는 것을 특징으로 하는 원전설비의 예측진단방법.
- 원전설비와 상기 원전설비의 주변설비로부터 획득된 운전변수의 패턴 정보를 추출하고, 상기 패턴 정보에 대한 상관분석을 수행하여 상관도에 따라 상기 운전변수를 그룹화하여 복수 개의 그룹을 생성하는 데이터처리부;
상기 복수 개의 그룹을 기반으로 각각의 데이터모델을 구축하는 모델생성부; 및
상기 원전설비로부터 실시간으로 획득되는 실측데이터를 상기 각각의 데이터모델에 입력하여 추정치를 생성하며, 상기 실측데이터와 상기 추정치를 비교하여 상기 원전설비에 대한 이상 상태를 판단하고, 상기 원전설비의 이상 상태가 판단되는 실측데이터를 규칙기반모델에 입력하여 정밀진단을 수행하는 이상판단부를 포함하는 원전설비의 예측진단시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220081041A KR20240003469A (ko) | 2022-07-01 | 2022-07-01 | 원전설비의 예측진단방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220081041A KR20240003469A (ko) | 2022-07-01 | 2022-07-01 | 원전설비의 예측진단방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240003469A true KR20240003469A (ko) | 2024-01-09 |
Family
ID=89538535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220081041A KR20240003469A (ko) | 2022-07-01 | 2022-07-01 | 원전설비의 예측진단방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240003469A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117895511A (zh) * | 2024-03-14 | 2024-04-16 | 河北建筑工程学院 | 一种数据智能传输方法、系统及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100798006B1 (ko) | 2006-08-17 | 2008-01-24 | 한국원자력연구원 | 원전 기기의 통합 감시 및 진단 방법과 이를 이용한 시스템 |
-
2022
- 2022-07-01 KR KR1020220081041A patent/KR20240003469A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100798006B1 (ko) | 2006-08-17 | 2008-01-24 | 한국원자력연구원 | 원전 기기의 통합 감시 및 진단 방법과 이를 이용한 시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117895511A (zh) * | 2024-03-14 | 2024-04-16 | 河北建筑工程学院 | 一种数据智能传输方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
| CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
| CN109298697B (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
| EP1982301B1 (en) | Method of condition monitoring | |
| US7941701B2 (en) | Fuzzy classification approach to fault pattern matching | |
| KR101065767B1 (ko) | 성능저하 및 고장원인 조기 진단방법 | |
| KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
| KR102005138B1 (ko) | 기기 이상징후 사전감지 방법 및 시스템 | |
| CN109523171B (zh) | 一种基于svdd的燃气轮机进气系统健康度评估方法 | |
| KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
| WO2016208315A1 (ja) | プラント診断装置及びプラント診断方法 | |
| KR20110116378A (ko) | 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 | |
| CN113757093B (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
| KR102510060B1 (ko) | 딥러닝 펌프 시뮬레이션을 통한 이상 데이터 확보 방법과 오토인코더 기반의 이상 감지 모델 수립 방법과 시스템 | |
| CN116292367B (zh) | 基于一维卷积的电厂风机系统异常工况检测方法 | |
| CN116341272A (zh) | 一种用于配网工程数字化的施工安全风险管控系统 | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| CN114936520B (zh) | 基于改进mset的汽轮机故障预警分析方法 | |
| KR20240003469A (ko) | 원전설비의 예측진단방법 및 시스템 | |
| CN111354496B (zh) | 核电厂事故在线诊断及状态跟踪预测方法 | |
| EP4206838A1 (en) | Forecasting and anomaly detection method for low density polyethylene autoclave reactor | |
| KR100758152B1 (ko) | 진동신호 양자화에 의한 거동반응을 이용한 고장진단방법 | |
| CN111474476B (zh) | 一种电机故障预测方法 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| KR102601338B1 (ko) | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 |