WO2012050262A1 - 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템 - Google Patents

에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템 Download PDF

Info

Publication number
WO2012050262A1
WO2012050262A1 PCT/KR2010/008308 KR2010008308W WO2012050262A1 WO 2012050262 A1 WO2012050262 A1 WO 2012050262A1 KR 2010008308 W KR2010008308 W KR 2010008308W WO 2012050262 A1 WO2012050262 A1 WO 2012050262A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
fsvr
glrt
power plant
cluster
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2010/008308
Other languages
English (en)
French (fr)
Inventor
서인용
하복남
이성우
신창훈
박민호
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Korea Electric Power Corp
Original Assignee
Korea Electric Power Corp
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 Korea Electric Power Corp filed Critical Korea Electric Power Corp
Publication of WO2012050262A1 publication Critical patent/WO2012050262A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • G05B23/0221—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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • 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

Definitions

  • the present invention relates to a technology required to monitor the performance of the safety monitoring instrument of a nuclear power plant at all times while the power plant is operating.
  • the clustering of data FCM clustering, principal component extraction and FSVR (Fuzzy Support Vector Regression)
  • FCM clustering principal component extraction
  • FSVR Fuzzy Support Vector Regression
  • the method is used to model the system for various cases, and then the three parameters of the regression equation are optimized using response surface methodology, modeled the power plant system, and then used to monitor the instrument signals.
  • FFSy Fuzzy Support Vector Regression
  • GLRT Generalized Likelihood Ratio Test
  • GLRT Generalized Likelihood Ratio Test
  • the comparison module 2 compares the measured value with the predicted value and inputs the difference into the judgment logic 3 and continuously monitors the drift and the failure of the measuring instrument.
  • MSET Multivariate State Estimation Technique
  • Knelnel Regression to calculate the instrument's predictions. This method selects other instrument signals that have a high linear correlation with the instrument signal to be predicted as shown in Equation 1, and calculates the regression coefficient so that the sum of the error squares of the predicted and measured values is minimized.
  • Linear regression analysis can predict independent variables for unknown dependent variables when the regression coefficients are determined by known and independent variables.
  • the conventional linear regression method when the dependent variables are linearly related to each other, a problem of multiple collinearity occurs, and a large error occurs in the independent variable for the small noise included in the dependent variable.
  • Kernel regression does not use parameters such as regression coefficients or weights to optimize the correlation between inputs and outputs, like conventional linear regression or neural networks. It is a non-parametric regression method that calculates the weight of the kernel from the Euclidean distance of the training data set in the memory vector and applies it to the memory vector. Nonparametric regression methods, such as kernel regression, have robust advantages over models and signal noise where input / output relationships are nonlinear. The following is the calculation procedure of the existing kernel regression method.
  • Step 1 Display training data in the form of a matrix.
  • X is the training data matrix stored in the memory vector
  • n is the number of training data
  • m is the number of the measuring instrument.
  • Step 2 Sum the Euclidean distance of the training data for the first instrument signal set.
  • x is training data
  • q is test data (or Query data)
  • trn is the number of training data
  • j is the number of the measuring instrument.
  • Step 3 Using the kernel function, find the weights for each training dataset and a given test dataset.
  • the Gaussian kernel is used as the weighting function and is defined as follows.
  • Step 4 The test data estimate is obtained by multiplying each training data by the weight and dividing the sum of the weights.
  • Step 5 Repeat the process from Step 2 to Step 4 to get predictions for the entire test data.
  • AAKR auto-associative kernel regression
  • the present invention has been invented in view of the above, and the optimization of parameters (kernel bandwidth ⁇ , loss function ⁇ , penalty C) of FSVR model regression using normalization, fuzzy clustering, extraction of principal components, response surface analysis, and
  • the FSVR model implementation and output value prediction, the denormalization method of the prediction value, and the failure determination by GLRT are used to model the power plant system and then monitor the signal signal prediction and abnormality of the instrument.
  • the purpose of this study is to provide the performance monitoring method of power plant instrumentation using Fuzzy Support Vector Regression (FSVR) and Generalized Likelihood Ratio Test (GLRT), which can improve the accuracy of prediction calculation and detect early failure.
  • FSVR Fuzzy Support Vector Regression
  • GLRT Generalized Likelihood Ratio Test
  • the malfunction of the measuring instrument can be monitored in real time to improve the reliability of the measuring instrument, and the instrument calibration cycle of the nuclear power plant is Increase the fuel replacement cycle from 18 months to a maximum of 8 years to reduce calibration costs and radiation exposure of calibration workers in the radiation zone, and to prevent unnecessary downtime by reducing the number of unnecessary calibrations, and to prevent plant outages.
  • the power consumption it is possible to increase the utilization rate of the power plant.
  • fuzzy clustering principal component analysis, response surface analysis, and FSVR regression modeling can be used to improve the accuracy of prediction calculations compared to conventional kernel regression, and GLRT can be used to detect an early failure of the instrument. Will be.
  • the prediction method for power plant instrument performance monitoring using Principal Component Analysis (FSVR), Fuzzy Support Vector Regression (FSVR), and GLRT method includes normalization of plant data, extraction of principal components, data clustering, and response surface analysis.
  • the conventional kernel regression method used by optimizing the parameters of the FSVR model regression equation (kernel bandwidth ⁇ , loss function ⁇ , penalty C), implementing the power plant system model using the FSVR, and de-normalizing the output predictions Compared with this, the accuracy of the prediction calculation can be improved.
  • even in the case of a very small shift drift that cannot be detected by an ordinary alarm system it is possible to accurately identify a failure early by using the GLRT technique proposed by the present invention to determine the failure of the instrument. .
  • FIG. 1 is a block diagram of a performance monitoring system of a general power plant instrument
  • FIG. 2 is a schematic configuration diagram of a performance monitoring system of a power plant instrument according to an embodiment of the present invention.
  • FIG. 3 is a flowchart of a power plant instrument performance monitoring method using principal component analysis, fuzzy support vector regression (FSVR) and GLRT method according to the present invention.
  • FSVR fuzzy support vector regression
  • 4 is a general conceptual diagram of an optimal regression line by an SVR.
  • 5 is a diagram illustrating a measurement example of the fuzzy membership size for each cluster.
  • FIG. 6 is a diagram for explaining an example of a reaction surface for clusters 1 and 2;
  • FIG. 7 is a diagram showing an experimental point in the central composition plan when there are three model parameters.
  • FIG. 8 is a diagram illustrating a method of extracting an optimal point from a response surface for cluster 2.
  • FIG. 10 is a diagram illustrating an example of calculating a value of MSE (GT i ) according to a window size.
  • Fig. 11 is a diagram showing an example of failure determination for the case of a normal state and an abnormal state of a measuring instrument.
  • 13 is a graph showing the nuclear power plant pressurizer water level data for accuracy test.
  • FIG. 14 is a graph illustrating steam flow rate data of a steam generator for a nuclear power plant for accuracy test.
  • 15 is a graph showing the nuclear power plant steam generator narrow level data for accuracy test.
  • 16 is a graph showing nuclear power plant steam generator pressure data for accuracy test.
  • FIG. 17 is a graph showing wide-range water level data for a nuclear power plant steam generator for accuracy test.
  • 19 is a graph showing nuclear power plant turbine output data for accuracy test.
  • 20 is a graph illustrating primary flow rate flow rate data for a nuclear power plant for accuracy test.
  • 21 is a graph showing the residual heat removal flow rate data of nuclear power plants for accuracy test.
  • 22 is a graph showing the temperature of the reactor coolant temperature of the nuclear power plant for the accuracy test.
  • an input unit 11 receiving time-series field signals for the m field sensors and sending them to the clustering unit 12;
  • a clustering unit 12 dividing an input signal for the time series field signal received from the input unit 11 into N desired data clusters using a fuzzy clustering method
  • a PCA unit 13 for extracting a main component for each data cluster divided into N data clusters received from the clustering unit 12;
  • An FSVR unit 14 for calculating fuzzy membership grade for each data cluster, training a model, obtaining optimal parameters of the model using response surface analysis, and performing signal prediction on test data;
  • a comparison operation unit 15 for comparing a signal predicted by the FSVR unit 14 with an input signal to obtain a difference
  • the GLRT unit 16 for calculating the statistic of the GLRT using the output of the comparison operation unit to determine the drift of the sensor is characterized in that it is configured.
  • Each FSVR model of reacting with a surface analysis method the optimization of each data cluster of data (Zopt) for (Z opt1, Z opt2) minimizes the prediction error of the optimization data (Zopt) for optimal constant And Obtaining a sixth step;
  • the normalized test data obtained in step 10 is normalized to the original range by denormalizing the predicted value of each sensor of the original scale. Eleventh step of obtaining according to equation 45 and;
  • the matrix in the first step is
  • the normalized entire data set (Z) is
  • the normalized training (Ztr), optimization (Zopt), experimental (Zts) data set is a formula
  • the present invention in the fourth step, the variance of the main components in order of magnitude, starting from the main component having the largest percentage variance value until the cumulative sum is 99.5% or more (Ztr), for optimization ( Zopt), the main component (Ptr, Pop, Pts) of each data set of the test (Zts) is selected to extract the main component.
  • Step 4-1 represented by;
  • the present invention is characterized in that the desired percentage dispersion in the above 4-6 step is 99.98%.
  • the training data (Ztr) is divided into two groups Ztr1 and Ztr2 by using a Fuzzy C-Means (FCM) clustering method.
  • FCM Fuzzy C-Means
  • step 5-1 for the optimization data (Zopt) and the test data (Zts), and dividing them into normalized data clusters (Zopt1, Zopt2, Zts1, Zts2) and principal component clusters (Popt1, Popt2, Pts1, Pts2), respectively. It is characterized by consisting of the 5-2 step.
  • the present invention the FCM (Fuzzy C-Means) clustering method
  • the termination condition in the step 4 is It is characterized by represented by.
  • the potential (P 1 ) of each data pointer is calculated using the Euclidean distance between each data pointer of the first cluster of training data (Ztr1) and all other input data, and the fuzzy membership grade is used. ) 6-1 step of calculating the;
  • Step 6-2 selecting the first test point ( v 1 , v 2 , v 3 ) of the test point for the cluster 1;
  • Step 6-4 by using a Popt svi 1 and to obtain a radial basis function (radial basis function) (Kopt1) ;
  • Step 6-6 After repeating steps 6-3 to 6-5 with respect to the other instrument signals of Ztr1, the prediction matrix output is performed. Step 6-6 to obtain;
  • Step 6-11 to obtain; characterized in that made up.
  • steps 6-4 of obtaining a radial basis function Kopt1 are given by
  • Beta vector with index of svi among beta vector (here, : Beta vector with index of svi among beta vector)
  • the present invention in the sixth to eighth step of the central synthesis plan (CCD) to the test three times (test points 15, 16, 17), but the 15th test using the entire Zopt, 16th
  • the test is characterized in that 1/2 of Zopt and 17th test are performed on the other half of Zopt.
  • the present invention also provides an optimal constant for the FSVR model for cluster 2.
  • the present invention the method for obtaining the optimum constant of the FSVR model using the response surface analysis method in the sixth step,
  • the data set Pop is input into m AAFSVRs to normalize the predictions of the optimization data. 6-10-8 calculating the MSE, which is the accuracy of the output model, from Equation 38;
  • Optimal condition It is characterized by consisting of; 6-10-11 step to convert to the original unit.
  • the search range for the cluster 1 in the step 6-10-2 0.2 to 2.0, : 0.0005 to 0.05, : 0.1 to 10.0, and the search range for cluster 2 is 0.3 to 1.9; : 0.0001 to 0.0009, It is characterized by setting to 0.1-10.
  • the present invention the MSE that is the accuracy of the output model in the step 6-10-8,
  • reaction surface is a formula
  • the estimated response surface is a
  • the optimal parameters for cluster # 1 , , The estimated log (MSE) under this condition is -5.3249,
  • step 8-1 of generating a model of FSVR 1 by obtaining w 1 (n ⁇ 1) and a bias constant b 1 ;
  • Step 8-1 for the second to m th measurement signals and Step 8-2 to generate a model of the FSVR 2 ⁇ FSVR m by obtaining the;
  • the kernel function ( K ts1 (n ⁇ n)) of the Gaussian Radial Basis Function is obtained using the principal component (Ptr1) of the training data and the principal component (Pts1) of the test data.
  • K ts1 (n ⁇ n) The kernel function ( K ts1 (n ⁇ n)) of the Gaussian Radial Basis Function is obtained using the principal component (Ptr1) of the training data and the principal component (Pts1) of the test data.
  • 8-8-3 obtaining an output of the FSVR 1 using the support vector weight w 1 and the bias constant b 1 of the FSVR model obtained in the 8-8 step;
  • the prediction value for the test data Zts1 is expressed by
  • the prediction value for the test data Zts2 is
  • the predicted value (Zts_hat) for the entire data in the ninth step is:
  • the prediction value for each sensor of the original scale in the eleventh step Expression
  • the present invention also provides a twelfth step of determining the drift of the sensor
  • GT is obtained by generating the same number random numbers of normal distributions having the same mean and standard deviation as the mean and standard deviation of the residuals in the normal case calculated in step 12-1, and repeating 1000 times to obtain the maximum GT .
  • Step 12-4 taking the upper control limit (UCL) taken;
  • model residual (R) which is the difference between the input value and the predicted value in the step 12-1 is expressed by the equation:
  • the present invention is characterized in that the average value of the residual for the normal case in step 12-2 is -0.00096347, and the standard deviation ( ⁇ ) is 0.0069.
  • the GLRT test statistic GT is defined as the largest within the window size in the GLR obtained at the time point t ,
  • the optimum window size is set in that the decrease of MSE (GT i ) is slowed down.
  • Reactor output (%), pressurizer level (%), steam generator steam flow rate (Mkg / hr), steam generator narrow water level data (%), steam generator pressure data (Kg / cm 2 ), steam generator wide water level data (% ), Steam generator main feed water flow data (Mkg / hr), turbine output data (MWe), reactor coolant fill flow data (m 3 / hr), residual heat removal flow rate data (m 3 / hr), reactor top coolant temperature data ( It is characterized by the above).
  • N is the number of test data, : estimate of the model for the i test data, : measured value of the i-th test data
  • FIG. 2 is a schematic configuration diagram of a performance monitoring system of a power plant instrument according to an embodiment of the present invention.
  • the performance monitoring system of the power plant meter includes an input unit 11, a clustering unit 12, a PCA unit 13, an FSVR unit 14, and a comparison operation unit 15. And a GLRT unit 16.
  • the input unit 11 receives time-series field signals from m field sensors and sends them to the clustering unit 12.
  • the clustering unit 12 divides the input signal for the time series field signal received from the input unit 11 into N desired data clusters using a fuzzy clustering method.
  • the PCA unit 13 extracts a principal component for each data cluster divided into N data clusters received from the clustering unit 12.
  • the FSVR unit 14 calculates a fuzzy membership grade for each data cluster, trains the model, obtains optimal parameters of the model using response surface analysis, and performs signal prediction on the test data. do.
  • the comparison operation unit 15 compares the signal predicted by the FSVR unit 14 with the input signal to obtain a difference.
  • the GLRT unit 16 sets the window size optimization and management limit line, and then calculates a GLRT test statistic using the output of the comparison operation unit to determine whether there is a drift of the sensor.
  • FIG. 3 is a flowchart of a power plant instrument performance monitoring method using principal component analysis, fuzzy support vector regression (FSVR) and generalized likelihood ratio test (GLRT) method according to the present invention.
  • FSVR fuzzy support vector regression
  • GLRT generalized likelihood ratio test
  • the power plant instrument performance monitoring method comprises a first step (ST1) for displaying the entire data set (X) in the form of a matrix; A second step ST2 of normalizing the entire data set; A third step ST3 of dividing the data set into a training (Ztr), an optimization (Zopt), and a test (Zts); A fourth step ST4 of extracting main components Ptr, Popt, and Pts of each normalized data set; A fifth step ST5 of dividing the data set and the main component into as many data clusters as desired using fuzzy clustering; A sixth step (ST6) of obtaining an optimum constant (epsilon, C, sigma) of the FSVR model which minimizes the prediction error of the optimization data using the response surface method; A seventh step (ST7) of calculating a fuzzy membership grade for each cluster of training data; An eighth step (ST8) of training the FSVR model using the data and the optimal parameters for each cluster, and then calculating the output prediction value of each cluster; A first step (ST1) for displaying the entire data
  • the conventional kernel regression method calculates weights using only the Euclidean distance of training data and test data, and weights them on the training data to calculate the predicted value of the test data.
  • the present invention improves the accuracy of predictive calculation and proposes a new discrimination method for measuring instrument anomalies by using principal component analysis, data clustering, optimization using response surface analysis, and FSVR regression modeling. .
  • the entire data set (X) is expressed in the form of a matrix as shown in Equation 6, and divided into training, optimization, and test, respectively, and is called Xtr, Xopt, and Xts, respectively.
  • Equation 8 The normalized entire data Z is expressed as in Equation 8 below.
  • the normalized data set (Z) is divided into training, optimization, and test, and divided into Ztr, Zopt, and Zts, respectively.
  • the data is divided into n data sets as shown in Equation 9 below.
  • each normalized data set Ztr, Zop, Zts is extracted. List the variances of the principal components (ie, the eigenvalues of the covariance matrix) in order of magnitude, with the principal components for Ztr, Zop, and Zts starting with the principal component with the largest percentage variance and reaching a cumulative sum of at least 99.5%. Select (Ptr, Pop, Pts).
  • Principal Component Analysis is a useful method for compressing many input variables into a few variables through linear transformation.
  • the compressed variable is called the principal component and the extraction method is as follows.
  • the seven principal components account for 99.98% of the variance, with only 0.02% of the loss of information resulting from the abandonment of the remaining principal components.
  • Table 1 below shows the dispersion of the main components.
  • Equation 20 m- dimensional input variable For When the predicted value of the first output is obtained using the FSVR, it can be expressed as an optimal regression line (ORL) as shown in Equation 20 below.
  • Equation 20 the weight of the support vector (SV) And bias
  • Equation 21 the normalized risk function using the fuzzy concept is defined as in Equation 21 below, and w k and b k are minimized.
  • Is The magnitude of the fuzzy membership for the I data of the first signal.
  • Output variable The insensitive loss function is defined as in Equation 22 below.
  • Equation 23 In order to find the ORL of the equation, the optimization problem is converted into a constrained risk function as shown in Equation 23.
  • Equation 23 After converting Equation 23 into Lagrangian function, it is solved by quadratic programming.
  • Wow After obtaining the value of AAFSVR, Determine the nonlinear regression equation for the first output variable.
  • Equation 25 a Gaussian Radial Basis Function (RBF) is used, as shown in Equation 25 below.
  • the bias term is any SV (Support Vector) as shown in Equation 26 below.
  • the data set and principal components are divided into as many data clusters as desired.
  • data is divided into two groups, and the procedure for the present invention will be described based on this.
  • the training data (Ztr) is divided into two groups Ztr1 and Ztr2 using the FCM (Fuzzy C-Means) clustering method.
  • the main component Ptr is also divided into the same number of clusters Ptr1 and Ptr2 by using the same index of each generated data group.
  • i is the number of clusters
  • k is the number of patterns
  • r is the number of repetitions
  • N is the number of sampled data for each sensor
  • u ik is the membership size of data group X k belonging to group i.
  • the center vector vi (r) and membership u ik for each cluster are calculated as in Equation 28 below.
  • fuzzy membership grade for the first cluster of training data (Ztr1) Calculate Using the Euclidean distance between each data pointer of Ztr1 and all other input data, the potential (P 1 ) of each data pointer is calculated according to Equation 31, and using this, fuzzy membership grade Calculate
  • 5 is a diagram illustrating a measurement example of the fuzzy membership size for each cluster.
  • test points 15, 16, 17 are performed for the origin of the central synthesis plan (CCD). The whole test is used for the 15th test, half of Zopt for the 16th test, and the other half of Zopt for the 17th test.
  • 6a shows an example of the response surface for cluster 1
  • 6b shows the response surface for cluster 2.
  • the search range for Cluster 1 is : 0.2 to 2.0, : 0.0005 to 0.05, : 0.1 to 10.0, and the search range for cluster 2 is 0.3 to 1.9; : 0.0001 to 0.0009, : 0.1-10 were set.
  • FIG. 7 is a diagram illustrating an experimental point in the central synthesis plan when three model parameters are shown.
  • FIG. 7 is a diagram illustrating an experimental point in the central synthesis plan when three model parameters are shown.
  • Tables 3-1 and 3-2 show the Experimental point of), Table 3-1 shows the experimental point of Cluster 1, Table 3-2 shows the experimental point of Cluster 2.
  • the data set Pop is input to m AAFSVRs to normalize the predictions of the optimization data. Obtain From this, the accuracy of the output model, ie MSE, is calculated according to equation 38.
  • Table 4 shows the experimental MSE calculation results.
  • Table 4-1 shows the MSE of cluster # 1
  • Table 4-2 shows the MSE of cluster # 2.
  • the estimated response surface in this example is as follows.
  • the optimal condition (0,0.04525,0).
  • the optimal parameters for cluster # 1 are , ,
  • the estimated log (MSE) under this condition is -5.3249.
  • the optimal parameters for cluster # 2 are , ,
  • the estimated log (MSE) under this condition is -5.4170.
  • FIG. 8 is a diagram illustrating a method of extracting an optimal point from a response surface for cluster 2.
  • the output prediction values Zts1_hat and Zts2_hat are obtained by inputting each cluster principal component vector Pts1 and Pts2 of Zts) as follows.
  • the kernel function ( K ts1 (n ⁇ n)) of the Gaussian Radial Basis Function is obtained and the FSVR model obtained above.
  • the output of FSVR 1 is obtained using w 1 , the bias constant b 1 , which is the weight of SV (Support vector) of.
  • the prediction value for the test data Zts2 is obtained as shown in Equation 43 below.
  • the prediction values (Zts_hat) for the entire data are obtained by connecting the prediction values (Zts1_hat and Zts2_hat) for each cluster according to Equation 44.
  • the normalized test data obtained in step 10 is denormalized to the original range to estimate the estimated value for each sensor of the original scale. Is obtained according to equation 45.
  • the prediction program is executed to calculate the difference (residual) between the predicted value and the measured value for each sensor.
  • the mean value and standard deviation ( ⁇ ) for the residuals are calculated.
  • the model residual (R) is a difference between an input value and a predicted value, as shown in Equation 46 below.
  • the mean value of the residuals for the normal case is -0.00096347 and the standard deviation is 0.0069.
  • the GT statistic for each window size is calculated using the residual when the meter is normal, increasing the window size w by 5 from minimum (eg, 5) to maximum (eg, 150).
  • Recent window size Means the average of the data, and 48 is expressed as follows.
  • the test statistic GT of GLRT is defined as the largest within the window size among the GLRs obtained at time t , and is obtained as in Equation 49 below.
  • MSE calculated by the difference between the GT statistic in each window size GT statistic and the maximum window in the formula 50.
  • FIG. 10 is a diagram illustrating an example of calculating a value of MSE (GT i ) according to a window size.
  • the horizontal axis represents window size
  • the vertical axis represents MSE (GT i )
  • the 12.1) to generate the same number of random numbers has mean and standard deviation values and the same mean and standard deviation of the residuals for, if the normal calculated normal distribution obtain and GT in, by repeating 1000 times this takes the maximum value of GT management limit Set to (UCL: Upper Control Limit).
  • UCL is set to 28.25.
  • FIG. 11 is a diagram illustrating an example of failure determination for a case where the meter is in a normal state and an abnormal state.
  • FIG. 11A is a case where a shift drift occurs in the meter when the meter is in a normal state. will be.
  • FIG. 11B the occurrence of the drift of the sensor is detected at the 58th step.
  • the output of the actual nuclear power plant was increased from 0% to 100%.
  • the data used in the analysis was measured on a total of 11 sensors.
  • Table 5 is a table comparing the accuracy of the instrument prediction according to the conventional kernel regression method and the present invention.
  • Accuracy is the most basic measure for applying predictive models to driving surveillance. In most cases, accuracy is expressed as the mean square error between model predictions and actual measurements. The following 51 is a formula for the accuracy of one instrument.
  • N the number of test data
  • the present invention extracts the principal component of the measuring instrument signal, obtains the optimal constant of the FSVR model using the response data, using the response analysis surface method, and trained the model using the training data and tested the test data using the existing data. Improve the accuracy of prediction calculations compared to kernel regression. In addition, even when a very fine shift drift occurs that cannot be detected by an ordinary alarm system, failure can be identified early by using the GLRT method according to the present invention.
  • a graph of the data as a function of time is as follows.
  • FIG. 13 is a graph showing the nuclear power plant pressurizer water level data for accuracy test, the "Measured” line corresponds to the test input data X ts_2 of Equation 6, and the "Predicted” line is predicted using the algorithm of the present invention.
  • Estimated Data for Test Input X ts_2 in Equation 45 Indicates.
  • FIG. 15 is a graph showing the narrow-range water level data of a nuclear power plant steam generator for accuracy test, wherein a "Measured” line corresponds to the test input data X ts_4 of Equation 6, and a "Predicted” line is predicted using the algorithm of the present invention.
  • Estimate data for test input X ts_4 in Equation 45 Indicates.
  • 16 is a graph showing the steam generator pressure data for the accuracy test, the "Measured” line corresponds to the test input data X ts_5 of Equation 6, and the "Predicted” line is predicted using the algorithm of the present invention.
  • Estimate data for test input X ts_5 in equation 45 Indicates.
  • 17 is a graph showing the water level data of the nuclear power plant steam generator for accuracy test, the line "Measured” corresponds to the test input data X ts_6 of Equation 6, and the line “Predicted” is predicted using the algorithm of the present invention.
  • Estimate data for test input X ts_6 in Equation 45 Indicates.
  • FIG. 19 is a graph showing nuclear power plant turbine output data for accuracy test, in which the "Measured” line corresponds to the test input data X ts_8 of Equation 6 and the "Predicted” line is predicted using the algorithm of the present invention. Estimate data for test input X ts_8 at 45 Indicates.
  • Equation 20 is a graph showing the primary side charge flow rate data for the nuclear power plant for accuracy test, the "Measured” line corresponds to the test input data X ts_9 of Equation 6, and the "Predicted” line is predicted using the algorithm of the present invention.
  • Estimate data for test input X ts_9 in Equation 45 Indicates.
  • 21 is a graph showing the residual heat removal flow rate data of a nuclear power plant for accuracy test, where the "Measured” line corresponds to the test input data X ts_10 of Equation 6, and the "Predicted” line is predicted using the algorithm of the present invention.
  • Estimate data for test input X ts_10 in equation 45 Indicates.
  • FIG. 22 is a graph showing temperature data of the upper reactor coolant temperature of a nuclear power plant for accuracy test, in which the "Measured” line corresponds to the test input data X ts_11 of Equation 6, and the "Predicted” line is predicted using the algorithm of the present invention.
  • Estimate data for test input X ts_11 in Equation 45 Indicates.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Plasma & Fusion (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명의 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법은, 전체의 데이터 셋(X)을 행렬의 형태로 표시하고, 훈련용(Xtr), 최적화용(Xopt), 시험용(Xts)으로 삼분하는 제1단계와; 상기 제1단계에서 행렬 형태로 표시된 전체의 데이터를 정규화하는 제2단계; 상기 제2단계에서 정규화된 데이터 셋(Z)을 훈련용(Ztr), 최적화용(Zopt), 시험용(Zts)으로 삼분하는 제3단계; 상기 제3단계에서 정규화되어 삼분된 훈련용(Ztr), 최적화용(Zopt), 시험용(Zts)의 각 데이터 셋(Z)의 주성분을 추출하는 제4단계; 데이터 셋과 주성분을 원하는 개수 만큼의 데이터 군집으로 나누는 제5단계; 각 FSVR 모델의 최적 상수 (ε1,C1,σ1) 및 (ε2,C2,σ2)를 구하는 제6단계; 퍼지 멤버쉽 그레이드(μ1,μ2)를 계산하는 제7단계; 출력 예측치(Zts1_hat과 Zts2_hat)를 구하는 제8단계; 전체의 데이터에 대한 예측치(Zts_hat)를 구하는 제9단계; 시험용 데이터에 대한 예측치를 시간순으로 분류하는 제10단계; 원래 스케일의 각 센서에 대한 예측치를 구하는 제11단계 및; 센서의 드리프트를 판별하는 제12단계를 갖추어 이루어진 것을 특징으로 한다.

Description

에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템
본 발명은 원자력발전소의 안전감시용 계측기의 성능을 발전소가 운전 중인 상태에서 상시 감시하는데 필요한 기술에 관한 것으로, 특히 데이터의 FCM(Fuzzy C-Means) 클러스터링, 주성분 추출 및 FSVR(Fuzzy Support Vector Regression)방법을 이용하여 시스템을 여러 가지 케이스에 대해 모델링한 다음, 회귀식의 3가지 파라미터를 반응표면분석법을 이용하여 최적화하고, 이를 이용하여 발전소 시스템을 모델링한 후 계측기 신호를 감시함으로써, 기존에 널리 사용되는 커널회귀법에 비해 예측치 계산의 정확도를 향상시킬 수 있을 뿐만 아니라 GLRT(Generalized Likelihood Ratio Test)를 이용하여 계측기의 드리프트를 포함한 이상 발생유무를 감시할 수 있도록 된 FSVR(Fuzzy Support Vector Regression)과 GLRT(Generalized Likelihood Ratio Test)를 이용한 발전소 계측기 성능감시 방법에 관한 것이다.
일반적으로 모든 발전설비는 운전성 향상과 안전성 확보를 목적으로 다수의 계측기를 설치하여 실시간으로 신호를 취득하여 발전소 감시계통과 보호계통에 이용하고 있다. 특히, 원자력발전소의 안전계통 관련 계측채널들은 계측신호의 정확도와 신뢰도를 보장하기 위하여 다중 계측기 개념을 채택하고 운영기술지침서 상에서 매 핵주기(약 18개월)마다 점검과 교정을 수행하고 있다. 전 세계적으로 원자력발전소들은 불필요하게 수행되는 계측기 교정업무를 조건기반 감시(CBM, Condition Based Monitoring) 방법론을 개발하여 점검과 교정주기를 연장하는 기술을 개발하고 있다.
도 1은 계측기 성능 상시 감시 시스템의 블록구성도이다. 도 1에 도시된 바와 같이 계측신호를 예측모델(1)에 입력하면, 상기 예측모델(1)은 입력 측정치에 대한 모델의 예측치를 출력하게 되는데, 이를 오토-어소시에이션(Auto-Associative) 모델이라 부른다. 이어, 비교 모듈(2)에서 측정치와 예측치를 비교하여 그 차이를 판단로직(3)에 입력하고 연속적으로 감시하면 계측기의 드리프트와 고장을 감지할 수 있게 된다.
아르곤 내쇼날 래보래토리(Argonne National Laboratory)에서는 MSET(Multivariate State Estimation Technique)를 개발하여 미국 특허를 획득하였고, 스마트시그널 코포레이션(SmartSignal Corporation)사 및 익스퍼트 마이크로시스템스(Expert Microsystems)사가 이 특허를 상업적으로 사용할 수 있도록 제품화하였다. 익스퍼트 마이크로시스템스사는 미국내 Palo Verde, Limerick 1&2, TMI, V.C. Summer, Sequoyah 1, Salem 1 호기에서 MSET을 이용한 제품을 현장에 설치하여 계측채널 온라인 감시를 수행하고 있다. 스마트시그널 코포레이션(SmartSignal Corporation)사는 그 후 MSET에 대한 특허를 사용할 수 없게 되어 커널회귀법 기반의 계측기 성능감시기술을 개발하였다.
계측기의 예측치를 계산하기 위해 선형 회귀분석법(Kernel Regression)을 가장 일반적으로 사용한다. 이 방법은 식 1과 같이 예측하고자 하는 계측기 신호와 선형적인 상관관계가 높은 다른 계측기 신호들을 선택하고, 예측치와 측정치의 오차 제곱합이 최소가 되도록 회귀계수를 구하는 방법이다.
식 1
Figure PCTKR2010008308-appb-I000001
선형 회귀분석법은 이미 알고 있는 종속변수와 독립변수로 회귀계수가 결정되면 미지의 종속변수에 대한 독립변수를 예측 할 수 있다. 기존 선형 회귀방법론은 종속변수들이 서로 선형적 연관성이 큰 경우, 다중 공선성의 문제가 발생하여 종속변수에 포함된 작은 노이즈에 대해서 독립변수는 커다란 오차가 발생한다.
커널 회귀법은 기존의 선형 회귀방법론이나 신경회로망과 같이 입력과 출력의 상관관계를 최적화하는 회귀계수나 가중치 같은 매개변수(Parameter)를 사용하지 않고, 선별된 측정 데이터를 메모리 벡터로 저장하고, 측정 신호세트에 대한 메모리벡터 내의 훈련데이터 세트의 유크리디안 거리로부터 커널의 가중치를 구하고, 이를 메모리벡터에 적용하여 계측기의 예측치를 구하는 비매개변수 회귀법(Non-parametric regression method) 이다. 커널 회귀법과 같은 비매개변수 회귀법은 입출력 관계가 비선형 상태인 모델과 신호잡음에 강인한 장점을 가진다. 다음은 기존 커널 회귀법의 계산절차이다.
단계 1 : 훈련 데이터를 행렬의 형태로 표시함.
식 2
Figure PCTKR2010008308-appb-I000002
여기서, X는 메모리 벡터에 저장되는 훈련데이터 행렬, n은 훈련데이터 개수, m은 계측기의 번호이다.
단계 2 : 첫 번째 계측기 신호세트에 대한 훈련데이터의 유크리디안 거리의 합을 구함.
식 3
Figure PCTKR2010008308-appb-I000003
여기서, x는 훈련데이터, q는 테스트데이터(or Query data), trn은 훈련데이터의 번호, j는 계측기의 번호이다.
단계 3 : 커널함수를 이용하여 각각의 훈련 데이터세트와 주어진 테스트 데이터 셋에 대한 가중치를 구함.
식 4
Figure PCTKR2010008308-appb-I000004
여기서, 가중함수로 가우시언 커널을 이용하고 다음과 같이 정의된다.
Figure PCTKR2010008308-appb-I000005
단계 4 : 테스트 데이터의 예측치는 각각의 훈련데이터에 가중치를 곱한 후 가중치의 합을 나누어 구함.
식 5
Figure PCTKR2010008308-appb-I000006
단계 5 : 전체 테스트 데이터에 대한 예측치를 구하기 위하여 단계 2부터 단계 4의 과정을 반복함.
상기의 AAKR(Auto-Associative Kernel Regression) 방법은 비선형 상태인 모델과 신호잡음에 강인한 장점을 가지고 있으나, 선별된 측정 데이터를 메모리 벡터로 저장하고 측정 신호세트에 대한 메모리벡터 내의 훈련데이터 세트의 유크리디안 거리로부터 커널의 가중치를 구하며 이를 메모리벡터에 적용하여 계측기의 예측치를 구하는 것으로 인해 출력 예측치의 분산이 커짐으로 인해 선형 회귀분석법에 비하여 정확도가 떨어진다.
본 발명은 상기한 점을 감안하여 발명된 것으로, 발전소 데이터의 정규화, 퍼지 클러스터링, 주성분을 추출, 반응표면분석법을 이용한 FSVR모델 회귀식의 파라미터(커널대역폭 σ, 손실함수 ε, 페널티 C) 최적화와, 이를 이용한 FSVR 모델 구현 및 출력값 예측, 예측치의 역정규화 방법 및 GLRT에 의한 고장판별 등을 이용하여 발전소 시스템을 모델링한 후 계측기 신호예측 및 이상여부를 감시함으로써, 기존의 널리 사용되는 커널회귀법에 비해 예측치 계산의 정확도 향상 및 조기 고장검출 할 수 있도록 된 FSVR(Fuzzy Support Vector Regression)과 GLRT(Generalized Likelihood Ratio Test)를 이용한 발전소 계측기 성능감시 방법을 제공함에 그 목적이 있다.
본 발명에 의하면, 원자력발전소 안전감시채널에 이용되는 계측기의 성능을 운전 중인 상태에서 온라인으로 감시하는 것에 의해, 계측기의 오작동을 실시간으로 감시하여 계측기 신뢰도를 향상시키고, 원자력발전소의 계측기 교정주기를 현재 연료교체 주기 18개월에서 최대 8년으로 늘림으로써 교정비용과 방사선 구역에서의 교정 작업종사자의 방사선 피폭을 저감하며, 불필요한 교정횟수를 줄임으로써 오교정에 의한 발전소 불시정지를 예방하고, 발전소 예방 정지기간을 단축하여 발전소 이용률을 증진할 수 있게 된다.
또한, 퍼지 클러스터링, 주성분 분석법, 반응표면분석법을 이용한 최적화, FSVR 회귀 모델링 기법을 이용하여 기존 커널회귀법에 비해 예측치 계산의 정확도를 향상시키고, GLRT를 이용하여 계측기의 고장발생 여부를 조기에 감지할 수 있게 된다.
즉, 본 발명에 따른 주성분분석(Principal Component Analysis), FSVR(Fuzzy Support Vector Regression) 및 GLRT 방법을 이용한 발전소 계측기 성능감시용 예측방법은, 발전소 데이터의 정규화, 주성분 추출, 데이터 클러스터링, 반응표면분석법을 이용한 FSVR모델 회귀식의 파라미터(커널대역폭 σ, 손실함수 ε, 페널티 C) 최적화, FSVR을 이용한 발전소 시스템 모델 구현, 출력 예측치의 역정규화 방법을 이용하여 계측기 신호를 감시함으로써 기존의 많이 사용되는 커널회귀법에 비해 예측치 계산의 정확도를 향상시킬 수 있게 된다. 또한, 보통의 경보시스템으로는 감지할 수 없는 아주 미세한 시프트 드리프트(shift drift)가 발생하는 경우라도 본 발명에서 제안한 GLRT 기법을 이용하여 계측기의 고장을 판별하여 조기에 정확히 고장을 식별할 수 있게 된다.
도 1은 일반적인 발전소 계측기의 성능 상시 감시 시스템의 블록구성도이다
도 2는 본 발명의 실시예에 따른 발전소 계측기의 성능 감시 시스템의 개략 구성도이다.
도 3은 본 발명에 따른 주성분분석, FSVR(Fuzzy Support Vector Regression) 및 GLRT 방법을 이용한 발전소 계측기 성능감시 방법의 흐름도이다.
도 4는 SVR에 의한 최적회귀선의 일반적인 개념도이다.
도 5는 각 클러스터에 대한 퍼지 멤버쉽 크기에 대한 측정 예를 나타낸 도면이다.
도 6은 클러스터 1,2에 대한 반응표면의 예를 설명하기 위한 도면이다.
도 7은 모델파라미터가 3개인 경우, 중심합성계획에서의 실험점을 나타낸 도면이다.
도 8은 클러스터 2에 대해 반응표면으로부터 최적점을 추출하는 방법을 나타낸 도면이다.
도 9는 정상상태 잔차와 δ = 0.01의 시프트가 발생했을 경우의 잔차에 대한 예를 나타낸 도면이다.
도 10은 윈도우 크기에 따른 MSE(GTi)의 값을 계산한 예를 나타낸 도면이다.
도 11은 계측기가 정상상태의 경우 및 이상상태의 경우에 대한 고장판별의 예를 나타낸 도면이다.
도 12는 정확도 테스트를 위한 원자력발전소 원자로 노심출력 데이터를 나타낸 그래프이다.
도 13은 정확도 테스트를 위한 원자력발전소 가압기 수위 데이터를 나타낸 그래프이다.
도 14는 정확도 테스트를 위한 원자력발전소 증기발생기 증기유량 데이터를 나타낸 그래프이다.
도 15는 정확도 테스트를 위한 원자력발전소 증기발생기 협역 수위 데이터를 나타낸 그래프이다.
도 16은 정확도 테스트를 위한 원자력발전소 증기발생기 압력 데이터를 나타낸 그래프이다.
도 17은 정확도 테스트를 위한 원자력발전소 증기발생기 광역 수위 데이터를 나타낸 그래프이다.
도 18은 정확도 테스트를 위한 원자력발전소 증기발생기 주급수 유량 데이터를 나타낸 그래프이다.
도 19는 정확도 테스트를 위한 원자력발전소 터빈 출력 데이터를 나타낸 그래프이다.
도 20은 정확도 테스트를 위한 원자력발전소 1차측 충전 유량 데이터를 나타낸 그래프이다.
도 21은 정확도 테스트를 위한 원자력발전소 잔열제거 유량 데이터를 나타낸 그래프이다.
도 22는 정확도 테스트를 위한 원자력발전소 원자로 상부 냉각재 온도데이터를 나타낸 그래프이다.
상기 목적을 달성하기 위한 본 발명에 따른 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 시스템은,
m개의 현장센서에 대해 시계열 현장신호를 인가받아 클러스터링부(12)로 보내는 입력부(11)와;
상기 입력부(11)로부터 입력받은 시계열 현장신호에 대한 입력신호를 퍼지 클러스터링 방법을 이용하여 원하는 N개의 데이터 군집으로 나누는 클러스터링부(12);
상기 클러스터링부(12)로부터 인가받은 N개의 데이터 군집으로 나누어진 각 데이터 클러스터에 대해 주성분을 추출하는 PCA부(13);
각 데이터 클러스터에 대해 퍼지 멤버쉽 그레이드(fuzzy membership grade)를 계산하고, 모델을 훈련시키며, 반응표면 분석법을 이용해서 모델의 최적 파라미터를 구하고, 시험데이터에 대해 신호예측을 수행하는 FSVR부(14);
상기 FSVR부(14)에서 예측한 신호와 입력신호를 비교하여 차이를 구하는 비교연산부(15) 및;
윈도우 사이즈의 최적화 및 관리한계선을 설정한 후, 비교연산부의 출력을 이용하여 GLRT의 검정통계량을 계산하여 센서의 드리프트 유무를 판별하는 GLRT부(16)를 구비하여 구성된 것을 특징으로 한다.
본 발명에 따른 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법은,
전체의 데이터 셋(X)을 행렬의 형태로 표시하고, 훈련용(Xtr), 최적화용(Xopt), 시험용(Xts)으로 삼분하는 제1단계와;
상기 제1단계에서 행렬 형태로 표시된 전체의 데이터를 정규화하는 제2단계;
상기 제2단계에서 정규화된 데이터 셋(Z)을 훈련용(Ztr), 최적화용(Zopt), 시험용(Zts)으로 삼분하는 제3단계;
상기 제3단계에서 정규화되어 삼분된 훈련용(Ztr), 최적화용(Zopt), 시험용(Zts)의 각 데이터 셋(Z)의 주성분을 추출하는 제4단계;
FCM(Fuzzy C-Means) 클러스터링을 이용하여, 데이터 셋과 주성분을 원하는 개수 만큼의 데이터 군집으로 나누는 제5단계;
반응표면분석법으로 최적화용 데이터(Zopt)의 각 클러스터 데이터(Zopt1, Zopt2)를 사용하여 최적화용 데이터(Zopt)의 예측치 오차를 최소화시키는 각 FSVR 모델의 최적 상수
Figure PCTKR2010008308-appb-I000007
및
Figure PCTKR2010008308-appb-I000008
를 구하는 제6단계;
훈련용 데이터 Ztr의 각 클러스터에 대해 상기 제6-1단계에 따라 퍼지 멤버쉽 그레이드
Figure PCTKR2010008308-appb-I000009
를 계산하는 제7단계;
각 클러스터에 대한 훈련용 데이터와, 훈련용 데이터의 주성분벡터, 상기 제6단계에서 구한 최적 파라미터 및, 상기 제7단계에서 구한 퍼지 멤버쉽 그레이드(fuzzy membership grade)를 이용하여 FSVR 모델을 훈련시킨 후, 시험용 데이터(Zts)의 각 클러스터 주성분벡터(Pts1, Pts2)를 입력시켜 출력 예측치(Zts1_hat과 Zts2_hat)를 구하는 제8단계;
각 클러스터에 대한 예측치(Zts1_hat과 Zts2_hat)를 연결시켜 전체의 데이터에 대한 예측치(Zts_hat)를 구하는 제9단계;
시험용 데이터에 대한 예측치
Figure PCTKR2010008308-appb-I000010
를 원래의 시간 인덱스를 이용하여 시간순으로 분류하는 제10단계;
상기 제10단계에서 얻어진 정규화된 시험데이터의 예측치를 원래의 범위로 역정규화하여 원래 스케일의 각 센서에 대한 예측치
Figure PCTKR2010008308-appb-I000011
를 식 45에 따라 구하는 제11단계 및;
예측치에 대한 잔차를 계산하고 GLRT를 이용하여 센서의 드리프트를 판별하는 제12단계를 갖추어 이루어진 것을 특징으로 한다.
또한 본 발명은, 상기 제1단계에서의 행렬이, 식
Figure PCTKR2010008308-appb-I000012
에 의해 표시되는 것을 특징으로 한다.
또한 본 발명은, 상기 제2단계에서 정규화가, 식
Figure PCTKR2010008308-appb-I000013
(여기서, i = 1,2 … 3n)
에 의해 이루어지는 것을 특징으로 한다.
또한 본 발명은, 정규화된 전체의 데이터 셋(Z)이, 식
Figure PCTKR2010008308-appb-I000014
에 의해 표시되는 것을 특징으로 한다.
또한 본 발명은, 정규화된 상기 훈련용(Ztr), 최적화용(Zopt), 시험용(Zts) 데이터 셋이, 식
Figure PCTKR2010008308-appb-I000015
(단, 여기서 i = 0,1,2 … n-1)
에 의해 나누어지는 것을 특징으로 한다.
또한 본 발명은, 상기 제4단계에서 주성분의 분산을 크기 순으로 나열하고, 백분율 분산 값이 가장 큰 주성분부터 시작하여 그 누적 합이 99.5% 이상 될 때까지의 훈련용(Ztr), 최적화용(Zopt), 시험용(Zts)의 각 데이터 셋의 주성분(Ptr, Pop, Pts)을 선택하여 주성분을 추출하는 것을 특징으로 한다.
또한 본 발명은, 상기 주성분 추출이,
훈련용(Ztr), 최적화용(Zopt), 시험용(Zts)의 각 데이터 셋에서 각 변수의 평균값을 빼고, 이를 A 매트릭스
Figure PCTKR2010008308-appb-I000016
로 나타내는 제4-1단계와;
식
Figure PCTKR2010008308-appb-I000017
에 따라
Figure PCTKR2010008308-appb-I000018
의 고유치(eigenvalue)
Figure PCTKR2010008308-appb-I000019
를 구하고, 식
Figure PCTKR2010008308-appb-I000020
에 따라 내림차순으로 정리하며, 식
Figure PCTKR2010008308-appb-I000021
에 따라 A의 특이치(singular value) s를 구하는 제4-2단계;
Figure PCTKR2010008308-appb-I000022
로부터 고유치(eigenvalue)
Figure PCTKR2010008308-appb-I000023
를 구하고, 구해진 고유치(eigenvalue)
Figure PCTKR2010008308-appb-I000024
를 식
Figure PCTKR2010008308-appb-I000025
에 대입하여 각 고유치(eigenvalue)
Figure PCTKR2010008308-appb-I000026
에 대한 n×1인 고유벡터(eigenvector)
Figure PCTKR2010008308-appb-I000027
를 구하는 것에 의해, n×n매트릭스인
Figure PCTKR2010008308-appb-I000028
의 고유벡터(eigenvector)를 구하는 제4-3단계;
식
Figure PCTKR2010008308-appb-I000029
에 따라 각 주성분의 분산을 구하는 제4-4단계;
식
Figure PCTKR2010008308-appb-I000030
및 식
Figure PCTKR2010008308-appb-I000031
에 따라 각 주성분의 분산을 전체 주성분의 분산을 합한 값으로 나누어 백분율을 구하는 제4-5단계;
백분율 분산
Figure PCTKR2010008308-appb-I000032
이 가장 큰 것부터 누적 계산을 하여 원하는 백분율 분산(예컨대, 99.98%)까지의 주성분 p개를 선택하는 제4-6단계;
주성분을 식
Figure PCTKR2010008308-appb-I000033
에 따라 계산하여 추출하는 제4-7단계 및;
최적화용(Zopt), 시험용(Zts) 데이터 셋에 대해 상기 제4-1단계 내지 제4- 7단계에 의해 주성분을 추출하는 제4-8단계;를 갖추어 이루어진 것을 특징으로 한다.
또한 본 발명은, 상기 제4-6단계에서의 원하는 백분율 분산이 99.98%인 것을 특징으로 한다.
또한 본 발명은, 상기 제5단계가, 훈련데이터(Ztr)를 FCM(Fuzzy C-Means) 클러스터링 방법을 이용하여 두 그룹 Ztr1과 Ztr2으로 나누되, 생성된 각 데이터 그룹의 같은 인덱스를 이용하여 주성분(Ptr)도 같은 수의 클러스터(Ptr1, Ptr2)로 나누는 제5-1단계와;
최적화용 데이터(Zopt)와 시험용 데이터(Zts)에 대해 상기 제5-1단계를 반복하여 정규화 데이터 클러스터(Zopt1, Zopt2, Zts1, Zts2)와 주성분 클러스터(Popt1, Popt2, Pts1, Pts2)로 각각 나누는 제5-2단계를 갖추어 이루어진 것을 특징으로 한다.
또한 본 발명은, 상기 FCM(Fuzzy C-Means) 클러스터링 방법이,
입력신호 집합
Figure PCTKR2010008308-appb-I000034
에 대한 클러스터 개수
Figure PCTKR2010008308-appb-I000035
퍼지 계수 m(=2)를 결정하고, 소속행렬
Figure PCTKR2010008308-appb-I000036
을 초기화하는 단계 1과;
각각의 클러스터에 대한 중심 벡터 vi(r)과 멤버쉽 uik를 구하는 단계 2;
각각의 클러스터 중심과 데이터와의 거리를 계산하여 목적함수(Q)를 최소로 하는 새로운 소속행렬 U(r+1) 생성하는 단계 3 및;
종료조건을 만족하면 종료하고, 종료조건을 만족하지 않으면 r=r+1로 정한 다음 상기 단계 2로 진행해서 상기 단계 2 내지 상기 단계 3을 반복하는 단계 4;를 갖추어 이루어진 것을 특징으로 한다.
또한 본 발명은, 상기 단계 1이,
식
Figure PCTKR2010008308-appb-I000037
(여기서, i는 클러스터의 번호, k는 패턴의 번호, r은 반복 횟수, N은 각 센서의 샘플된 데이터 개수, uik는 데이터 포인터 Xk가 그룹 i에 속하는 멤버쉽 크기임)
에 의해 수행되는 것을 특징으로 한다.
또한 본 발명은, 상기 단계 2가,
식
Figure PCTKR2010008308-appb-I000038
에 의해 수행되는 것을 특징으로 한다.
또한 본 발명은, 상기 단계 3에서의 목적함수(Q)가,
식
Figure PCTKR2010008308-appb-I000039
에 의해 나타내어지는 것을 특징으로 한다.
또한 본 발명은, 상기 단계 4에서의 종료조건이 식
Figure PCTKR2010008308-appb-I000040
에 의해 나타내어지는 것을 특징으로 한다.
또한 본 발명은, 각 FSVR 모델의 최적 상수
Figure PCTKR2010008308-appb-I000041
및
Figure PCTKR2010008308-appb-I000042
를 구하는 상기 제6단계가,
훈련용 데이터의 첫 번째 클러스터(Ztr1)의 각 데이터 포인터와 다른 모든 입력데이터간의 유클리디언 거리를 이용하여 각 데이터 포인터의 포텐셜(P1)을 계산하고, 이를 이용하여 퍼지 멤버쉽 그레이드(fuzzy membership grade)
Figure PCTKR2010008308-appb-I000043
을 계산하는 제6-1단계와;
클러스트 1에 대한 시험점 중 첫 번째 시험점(v 1 , v 2 , v 3 )을 선택하는 제6-2단계;
선택된 시험점에 대해 Ztr1의 첫 번째 신호(Ztr1-1),
Figure PCTKR2010008308-appb-I000044
및 Ptr1을 입력한 후, FSVR 모델을 훈련시켜 svi(support vector index), w 1 (SV(Support Vector)의 가중치(weight)) 및 b 1 (bias)를 구하는 제6-3단계;
Popt 1과 svi를 이용하여 방사형 기저 함수(radial basis function)(Kopt1)를 구하는 제6-4단계;
최적화용 데이터 Zopt1의 첫 번째 계측기 신호에 대한 예측치를 구하는 제6-5단계;
Ztr1의 나머지 다른 계측기 신호에 대해 상기 제6-3단계∼상기 제6-5단계를 반복 수행한 후, 예측 매트릭스 출력
Figure PCTKR2010008308-appb-I000045
을 얻는 제6-6단계;
최적화용 데이터(Zopt1)의 측정치와 예측치의 잔차
Figure PCTKR2010008308-appb-I000046
에 대한 RMS(Root mean square)을 구하고, 이를 저장하는 제6-7단계;
다른 시험점에 대해 상기 제6-2단계∼제6.7단계를 반복 수행하고, 잔차에 대한 RMS 값을 저장하는 제6-8단계;
최적화용 데이터 Zopt1를 이용해서 구한 잔차의 RMS값을 전체 입력신호 개수에 대해 평균값(MSE)(수학식 38)을 계산하고, 평균값에 대한 자연 로그(natural log) 값을 구하는 제6-9단계;
반응표면분석법을 이용해서 클러스터 1에 대한 ln{MSE}를 최소화시키는 FSVR 모델의 최적상수
Figure PCTKR2010008308-appb-I000047
를 구하는 제6-10단계 및;
클러스터 2에 대해 제6-1단계∼제6-10단계를 반복 수행하여 식 35에 따라 클러스터 2에 대한 FSVR 모델의 최적상수
Figure PCTKR2010008308-appb-I000048
를 구하는 제6-11단계;를 갖추어 이루어진 것을 특징으로 한다.
또한 본 발명은, 각 데이터 포인터의 포텐셜(P1)이, 식
Figure PCTKR2010008308-appb-I000049
(여기서,
Figure PCTKR2010008308-appb-I000050
: 한 클러스터 내의 데이터 개수,
Figure PCTKR2010008308-appb-I000051
: 첫 번째 클러스터(Ztr1)의 반경)
Figure PCTKR2010008308-appb-I000052
에 의해 계산되는 것을 특징으로 한다.
또한 본 발명은, 방사형 기저 함수(radial basis function)(Kopt1)를 구하는 제6-4단계가, 식
Figure PCTKR2010008308-appb-I000053
(여기서,
Figure PCTKR2010008308-appb-I000054
: Zopt1의 주성분벡터,
Figure PCTKR2010008308-appb-I000055
: Ptr1 중에서 svi의 인덱스를 갖는 주성분벡터)
에 의해 구해지는 것을 특징으로 한다.
또한 본 발명은, 최적화용 데이터 Zopt1의 첫 번째 계측기 신호에 대한 예측치를 구하는 상기 제6-5단계가, 식
Figure PCTKR2010008308-appb-I000056
(여기서,
Figure PCTKR2010008308-appb-I000057
: 베타(beta) 벡터 중에서 svi의 인덱스를 갖는 베타(beta) 벡터)
에 의해 구하는 것을 특징으로 한다.
또한 본 발명은, 상기 예측 매트릭스 출력
Figure PCTKR2010008308-appb-I000058
을 얻는 제6-6단계가, 식
Figure PCTKR2010008308-appb-I000059
에 의해 얻어지는 것을 특징으로 한다.
또한 본 발명은, 상기 제6-8단계에서 중심합성계획(CCD)의 원점에 대해서는 시험을 세 번(시험점 15, 16,17) 수행하되, 15번째 시험에는 Zopt 전체를 사용하고, 16번째 시험에는 Zopt의 1/2, 17번째 시험에는 Zopt의 나머지 1/2에 대해 시험을 수행하는 것을 특징으로 한다.
또한 본 발명은, 상기 단계6-9에서의 평균값(MSE)을, 식
Figure PCTKR2010008308-appb-I000060
에 의해 계산하는 것을 특징으로 한다.
또한 본 발명은, 클러스터 2에 대한 FSVR 모델의 최적상수
Figure PCTKR2010008308-appb-I000061
를 구하는 상기 제6-11단계가, 식
Figure PCTKR2010008308-appb-I000062
에 의해 구해지는 것을 특징으로 한다.
또한 본 발명은, 상기 FSVR 모델의 최적상수가,
Figure PCTKR2010008308-appb-I000063
=(2.0, 0.0005, 10)이고,
Figure PCTKR2010008308-appb-I000064
=(1.1404, 0.0005, 5.247)인 것을 특징으로 한다.
또한 본 발명은, 상기 제6-10단계에서의 반응표면 분석법을 이용하여 FSVR 모델의 최적 상수를 구하는 방법이,
FSVR 모델파라미터인 시그마(sigma)(σ), 입실론(epsilon)(ε), C를 각각
Figure PCTKR2010008308-appb-I000065
로 두는 제6-10-1단계와;
Figure PCTKR2010008308-appb-I000066
에 대한 탐색범위를 각각 정하는 제6-10-2단계;
탐색범위의 상한과 하한을 각각
Figure PCTKR2010008308-appb-I000067
와
Figure PCTKR2010008308-appb-I000068
로 두고, 모델 파라미터를 표준화하는 제6-10-3단계;
중심합성계획을 이용해서 표준화된 모델파라미터
Figure PCTKR2010008308-appb-I000069
의 탐색범위에 대응하여 모델성능의 평가지점을 설정하는 제6-10-4단계;
실험오차의 크기를 추정하고, 축점의 좌표 α를 식 α = [요인실험점의 수]1/4에 의해 정의하는 제6-10-5단계;
중심합성계획에 의한(
Figure PCTKR2010008308-appb-I000070
)의 실험점에 따라 모델파라미터
Figure PCTKR2010008308-appb-I000071
의 값을 정하고, 이어 중심합성계획에 의한 (
Figure PCTKR2010008308-appb-I000072
)의 실험점을 얻으며, 중심합성계획에 의한 (
Figure PCTKR2010008308-appb-I000073
)의 실험점 값을 모델파라미터로 이용하여 FSVR 모델링 실험을 수행하는 제6-10-6단계;
중심합성계획에 의한(
Figure PCTKR2010008308-appb-I000074
)의 실험점에서 Ztr과 Ptr, 퍼지 멤버쉽 μ을 이용하여 FSVR모델의 베타(beta) 벡터와 바이어스(bias) 상수를 각각 얻는 제6-10-7단계;
각 모델의 정확도를 평가하기 위해 데이터 셋 Pop를 m개의 AAFSVR에 입력하여 최적화 데이터의 정규화된 예측치
Figure PCTKR2010008308-appb-I000075
을 구하고, 이로부터 출력 모델의 정확도인 MSE를 식 38에 따라 계산하는 제6-10-8단계;
모델파라미터
Figure PCTKR2010008308-appb-I000076
와 log(MSE) 간의 반응표면식을 추정하는 제6-10-9단계;
추정된 반응표면식을 이용하여 log(MSE)를 최소화하는
Figure PCTKR2010008308-appb-I000077
의 최적조건
Figure PCTKR2010008308-appb-I000078
을 구하는 제6-10-10단계 및;
최적조건
Figure PCTKR2010008308-appb-I000079
을 원래의 단위로 환산하는 제6-10-11단계;를 갖추어 이루어진 것을 특징으로 한다.
또한 본 발명은, 상기 제6-10-2단계에서의 클러스터 1에 대한 탐색범위를
Figure PCTKR2010008308-appb-I000080
: 0.2∼2.0,
Figure PCTKR2010008308-appb-I000081
: 0.0005∼0.05,
Figure PCTKR2010008308-appb-I000082
: 0.1∼10.0이고, 클러스터 2에 대한 탐색범위가
Figure PCTKR2010008308-appb-I000083
: 0.3∼1.9,
Figure PCTKR2010008308-appb-I000084
: 0.0001∼0.0009,
Figure PCTKR2010008308-appb-I000085
: 0.1∼10로 설정하는 것을 특징으로 한다.
또한 본 발명은, 상기 제6-10-3단계에서의 모델 파라미터의 표준화가, 식
Figure PCTKR2010008308-appb-I000086
에 의해 이루어지는 것을 특징으로 한다.
또한 본 발명은, 상기 제6-10-8단계에서 출력 모델의 정확도인 MSE를, 식
Figure PCTKR2010008308-appb-I000087
(여기서,
Figure PCTKR2010008308-appb-I000088
는 Pop 중에 센서
Figure PCTKR2010008308-appb-I000089
의
Figure PCTKR2010008308-appb-I000090
번째 입력데이터를 의미하며,
Figure PCTKR2010008308-appb-I000091
는 모델에 의한 추정치임)
에 의해 계산하는 것을 특징으로 한다.
또한 본 발명은, 반응표면이, 식
Figure PCTKR2010008308-appb-I000092
(e는 랜덤오차를 의미함)
에 의해 2차 모형을 갖고,
추정된 반응표면이, 식
Figure PCTKR2010008308-appb-I000093
에 의해 표현되는 것을 특징으로 한다.
또한 본 발명은, 상기 단계 제6-10-10단계에서의
Figure PCTKR2010008308-appb-I000094
의 최적조건이, 식
Figure PCTKR2010008308-appb-I000095
에 의한 편미분을 통해 구해지는 것을 특징으로 한다.
또한 본 발명은, 클러스터 #1에 대해 얻어진 반응표면의 경우 최적조건이
Figure PCTKR2010008308-appb-I000096
= (0,0.04525,0)이고, 클러스터 #2에 대해 얻어진 반응표면의 경우 최적조건이
Figure PCTKR2010008308-appb-I000097
= (1.1364,-0.0005,5.2487)인 것을 특징으로 한다.
또한 본 발명은, 상기 제6-10-11단계에서 최적조건
Figure PCTKR2010008308-appb-I000098
을 원래의 단위로 환산하는 것이, 식
Figure PCTKR2010008308-appb-I000099
에 의해 이루어지는 것을 특징으로 한다.
또한 본 발명은, 클러스터 #1에 대한 최적 파라미터가 각각
Figure PCTKR2010008308-appb-I000100
,
Figure PCTKR2010008308-appb-I000101
,
Figure PCTKR2010008308-appb-I000102
로 되고, 이 조건에서 예측된 log(MSE)가 -5.3249이며,
클러스터 #2에 대한 최적 파라미터가 각각
Figure PCTKR2010008308-appb-I000103
,
Figure PCTKR2010008308-appb-I000104
,
Figure PCTKR2010008308-appb-I000105
로 되고, 이 조건에서 예측된 log(MSE)가 -5.4170인 것을 특징으로 한다.
또한 본 발명은, 출력 예측치(Zts1_hat과 Zts2_hat)를 구하는 상기 제8단계가,
상기 제6단계에서 구한 FSVR 모델의 3개의 최적상수
Figure PCTKR2010008308-appb-I000106
와, 훈련데이터의 주성분(Ptr1) 및, 훈련데이터의 첫 번째 신호(Ztr1의 제1열)를 입력으로 하여 2차 계획(quadratic programming) 기법을 이용하여 최적화 문제를 풀고, 라그랑지 승수의 차이인 w 1 (n×1)와 바이어스 상수 b 1 을 구하여 FSVR1의 모델을 생성하는 제8-1단계와;
2번부터 m번째의 계측기 신호에 대해 상기 제8-1단계를 반복 수행하여
Figure PCTKR2010008308-appb-I000107
과
Figure PCTKR2010008308-appb-I000108
을 구하는 것에 의해 FSVR2∼FSVRm의 모델을 생성하는 제8-2단계;
훈련데이터의 주성분(Ptr1), 시험데이터의 주성분(Pts1)을 이용하여 가우시언 방사형 기저 함수(Gaussian Radial Basis Function)의 커널함수(K ts1 (n×n))를 구하고, 상기 제8-12단계 및 상기 제8-2단계에서 구한 FSVR 모델의 Support vector weight w 1 , 바이어스 상수 b 1 을 이용하여 FSVR1의 출력을 구하는 제8-3단계 및;
2번부터 m번째의 센서에 대해 상기 제8-3단계를 반복 수행하여 FSVR2∼FSVRm의 출력인 모델 예측치를 구하는 제8-4단계;를 갖추어 이루어진 것을 특징으로 한다.
또한 본 발명은, 시험용 데이터 Zts1에 대한 예측치가, 식
Figure PCTKR2010008308-appb-I000109
(
Figure PCTKR2010008308-appb-I000110
: Zts1의 주성분벡터,
Figure PCTKR2010008308-appb-I000111
: Ptr1 중에서 svi의 인덱스를 갖는 주성분벡터)
Figure PCTKR2010008308-appb-I000112
(
Figure PCTKR2010008308-appb-I000113
: 클러스터1의 i번째 센서에 대한 SV(Support vector)의
가중치(weight)
Figure PCTKR2010008308-appb-I000114
: 클러스터1의 i번째 센서에 대한 바이어스(bias))
Figure PCTKR2010008308-appb-I000115
에 의해 구해지는 것을 특징으로 한다.
또한 본 발명은, 시험용 데이터 Zts2에 대한 예측치가, 식
Figure PCTKR2010008308-appb-I000116
(
Figure PCTKR2010008308-appb-I000117
: 클러스터2의 i번째 센서에 대한 SV(Support vector)의
가중치(weight)
Figure PCTKR2010008308-appb-I000118
: 클러스터2의 i번째 센서에 대한 바이어스(bias))
Figure PCTKR2010008308-appb-I000119
에 의해 구해지는 것을 특징으로 한다.
또한 본 발명은, 상기 제9단계에서 전체의 데이터에 대한 예측치(Zts_hat)가, 식
Figure PCTKR2010008308-appb-I000120
에 의해 구해지는 것을 특징으로 한다.
또한 본 발명은, 상기 제11단계에서 원래 스케일의 각 센서에 대한 예측치
Figure PCTKR2010008308-appb-I000121
를, 식
Figure PCTKR2010008308-appb-I000122
에 의해 구하는 것을 특징으로 한다.
또한 본 발명은, 센서의 드리프트를 판별하는 제12단계가,
센서의 정기교정 후 정상적으로 동작할 때, 예측 프로그램을 수행하여 각 센서에 대한 예측치와 실측치와의 잔차를 계산하고, 잔차에 대한 평균값과 표준편차(σ)를 계산하는 제12-1단계와;
계측기가 정상적일 경우의 잔차를 이용하여 윈도우의 크기(w)를 최소부터 최대까지 5씩 증가시키면서 각 윈도우 크기에 대한 GT 통계량을 계산하는 제12-2단계;
GT 통계량 계산을 위해 최적 윈도우 크기 w를 이용하여 검사하고자 하는 잔차에 대해 상기 식
Figure PCTKR2010008308-appb-I000123
과, 식
Figure PCTKR2010008308-appb-I000124
및, 식
Figure PCTKR2010008308-appb-I000125
를 이용하여, 윈도우를 1time step씩 이동하여 가면서 GLR t (k)(단, k=1, 2, ..., w)와 GT를 계산하는 제12-3단계;
상기 제12-1단계에서 계산한 정상적인 경우의 잔차의 평균 및 표준편차 값과 동일한 평균 및 표준편차 갖는 정규분포의 동일 개수 무작위 숫자를 생성하여 GT를 구하고, 이를 1000회 반복하여 GT의 최대값을 취하여 관리한계선(UCL : Upper Control Limit)으로 설정하는 제12-4단계 및;
GT가 관리한계선(UCL)을 이탈하면 센서에 드리프트가 발생한 것으로 판정하고, 이탈하지 않으면 센서가 정상적인 것으로 판정하여 드리프트 유무 판정하는 제12-5단계;를 갖추어 이루어진 것을 특징으로 한다.
또한 본 발명은, 상기 제12-1단계에서의 입력값과 예측치의 차이인 모델 잔차(R)가, 식
Figure PCTKR2010008308-appb-I000126
에 의해 구해지는 것을 특징으로 한다.
또한 본 발명은, 상기 제12-2단계에서 정상일 경우에 대한 잔차의 평균값이 -0.00096347이고, 표준편차(σ)가 0.0069인 것을 특징으로 한다.
또한 본 발명은, 상기 제12-2단계에서 시점 t에서의 GLR(Generalized Likelihood Ratio)이, 식
Figure PCTKR2010008308-appb-I000127
(
Figure PCTKR2010008308-appb-I000128
는 최근 윈도우 크기
Figure PCTKR2010008308-appb-I000129
개의 데이터로 구한 평균을 의미함)
에 의해 구해지고,
Figure PCTKR2010008308-appb-I000130
가, 식
Figure PCTKR2010008308-appb-I000131
에 의해 표현되는 것을 특징으로 한다.
또한 본 발명은, 제12-2단계에서 GLRT의 검정통계량 GT가 시점 t에서 얻어지는 GLR 중의 윈도우 크기 내에서 가장 큰 것으로 정의하고, 식
Figure PCTKR2010008308-appb-I000132
(단,
Figure PCTKR2010008308-appb-I000133
는 최근 k개의 데이터로 시점 t에서 구한 평균을 나타냄)
에 의해 구하는 것을 특징으로 한다.
또한 본 발명은, 각 윈도우 크기에서의 GT 통계량과 최대 윈도우에서의 GT 통계량과의 MSE 차이를, 식
Figure PCTKR2010008308-appb-I000134
에 의해 구하고,
MSE(GT i )의 감소가 둔화되는 점에서 최적 윈도우크기를 설정하는 것을 특징으로 한다.
또한 본 발명은, 상기 제12-4단계에서의 관리한계선(UCL)을 UCL=28.25로 설정하는 것을 특징으로 한다.
또한 본 발명은, 상기 제12-5단계에서 분석에 사용되는 센서 데이터가,
원자로 출력(%)과, 가압기 수위(%), 증기발생기 증기 유량(Mkg/hr), 증기발생기 협역 수위 데이터(%), 증기발생기 압력 데이터(Kg/cm2), 증기발생기 광역 수위 데이터(%), 증기발생기 주급수 유량 데이터(Mkg/hr), 터빈 출력 데이터(MWe), 원자로 냉각재 충전 유량 데이터(m3/hr), 잔열제거 유량 데이터(m3/hr), 원자로 상부 냉각재 온도 데이터(℃)인 것을 특징으로 한다.
또한 본 발명은, 상기 제12-5단계에서 계측기에 대한 정확도가, 식
Figure PCTKR2010008308-appb-I000135
(여기서, N : 시험데이터의 수,
Figure PCTKR2010008308-appb-I000136
: i번째 시험데이터에 대한 모델의 추정치,
Figure PCTKR2010008308-appb-I000137
: i번째 시험데이터의 측정치)
에 의해 나타내어지는 것을 특징으로 한다.
이하, 예시도면을 참조하면서 본 발명에 따른 실시예를 상세히 설명한다.
도 2는 본 발명의 실시예에 따른 발전소 계측기의 성능 감시 시스템의 개략 구성도이다.
도 2로부터 알 수 있는 바와 같이, 본 발명에 따른 발전소 계측기의 성능 감시 시스템은, 입력부(11)와, 클러스터링부(12), PCA부(13), FSVR부(14), 비교연산부(15) 및, GLRT부(16)로 구성된다.
상기 입력부(11)는 m개의 현장센서에 대해 시계열 현장신호를 인가받아 클러스터링부(12)로 보낸다.
상기 클러스터링부(12)는 상기 입력부(11)로부터 입력받은 시계열 현장신호에 대한 입력신호를 퍼지 클러스터링 방법을 이용하여 원하는 N개의 데이터 군집으로 나눈다.
상기 PCA부(13)는 상기 클러스터링부(12)로부터 인가받은 N개의 데이터 군집으로 나누어진 각 데이터 클러스터에 대해 주성분을 추출한다.
상기 FSVR부(14)는 각 데이터 클러스터에 대해 퍼지 멤버쉽 그레이드(fuzzy membership grade)를 계산하고, 모델을 훈련시키며, 반응표면 분석법을 이용해서 모델의 최적 파라미터를 구하고, 시험데이터에 대해 신호예측을 수행한다.
상기 비교연산부(15)는 상기 FSVR부(14)에서 예측한 신호와 입력신호를 비교하여 차이를 구한다.
상기 GLRT부(16)는 윈도우 사이즈의 최적화 및 관리한계선을 설정한 후, 비교연산부의 출력을 이용하여 GLRT의 검정통계량을 계산하여 센서의 드리프트 유무를 판별한다.
도 3은 본 발명에 따른 주성분분석, FSVR(Fuzzy Support Vector Regression) 및 GLRT(Generalized Likelihood Ratio Test) 방법을 이용한 발전소 계측기 성능감시 방법의 흐름도이다.
도 3으로부터 알 수 있는 바와 같이, 본 발명에 따른 발전소 계측기 성능감시 방법은, 전체 데이터 셋(X)을 행렬의 형태로 표시하는 제1단계(ST1)와; 전체 데이터 셋을 정규화하는 제2단계(ST2)와; 데이터 셋을 훈련용(Train; Ztr), 최적화용(Optimization; Zopt), 시험용(Test; Zts)으로 삼분하는 제3단계(ST3)와; 정규화된 각 데이터 셋의 주성분(Ptr,Popt,Pts)을 추출하는 제4단계(ST4)와; 퍼지 클러스터링을 이용하여 데이터 셋과 주성분을 원하는 개수 만큼의 데이터 군집으로 나누는 제5단계(ST5)와; 반응표면분석법을 이용하여 최적화용 데이터의 예측치 오차를 최소화시키는 FSVR 모델의 최적 상수(epsilon, C, sigma)를 구하는 제6단계(ST6)와; 훈련용 데이터의 각 클러스터에 대해 퍼지 멤버쉽 그레이드(fuzzy membership grade)를 계산하는 제7단계(ST7)와; 각 클러스터에 대한 데이터 및 최적 파라미터를 이용하여 FSVR 모델을 훈련시킨 후, 각 클러스터의 출력 예측치를 구하는 제8단계(ST8); 각 클러스터에 대한 예측치를 연결시켜 전체 예측치(Zts_hat)를 구하는 제9단계(ST9)와; 시험용 데이터에 대한 예측치(Zts_hat)를 원래의 시간 순으로 분류하는 제10단계(ST10)와; 상기 제10단계에서 얻어진 정규화된 시험데이터의 예측치를 원래의 범위로 역정규화하여 원래 스케일의 각 센서에 대한 예측치(Xts_hat)를 구하는 제11단계(ST11)와; 상기 제11단계에서 구한 예측치와 입력값인 실측치에 대한 잔차를 구하고 GLRT 기법을 이용하여 센서의 드리프트를 판별하는 제12단계(ST12);를 포함하여 이루어진다.
이하, 각 상기 단계에 대해 상세히 설명한다.
기존의 커널 회귀법은 훈련데이터와 시험데이터의 유크리디안 거리만을 이용하여 가중치를 계산하고, 이를 훈련데이터에 가중하여 시험데이터의 예측치를 계산하게 된다. 이에 반해, 본 발명은 주성분 분석법, 데이터 클러스터링, 반응표면분석법을 이용한 최적화, FSVR 회귀 모델링 기법을 이용하여 기존 커널회귀법에 비해 예측치 계산의 정확도를 향상시키고, 계측기 이상발생에 대한 새로운 판별 기법을 제안한다.
[단계 1]
전체의 데이터 셋(X)을 식 6과 같이 행렬의 형태로 표시하고, 훈련용(Training), 최적화용(Optimization), 시험용(Test)으로 삼분하며, 각각 Xtr, Xopt, Xts라 한다.
식 6
Figure PCTKR2010008308-appb-I000138
[단계 2]
전체의 데이터를 식 7에 따라 정규화한다.
식 7
Figure PCTKR2010008308-appb-I000139
여기서, i = 1,2 … 3n
정규화된 전체의 데이터 Z는 다음의 식 8과 같이 표시된다.
식 8
Figure PCTKR2010008308-appb-I000140
[단계 3]
정규화된 데이터 셋(Z)을 훈련용(Training), 최적화용(Optimization), 시험용(Test)으로 삼분하고, 각각 Ztr, Zopt, Zts로 둔다. 본 예에서는 다음의 식 9와 같이 n 크기의 데이터 셋으로 나눈다.
식 9
Figure PCTKR2010008308-appb-I000141
단, 여기서 i = 0,1,2 … n-1
[단계 4]
정규화된 각 데이터 셋 Ztr, Zop, Zts의 주성분을 추출한다. 주성분의 분산(즉, 공분산 매트릭스의 고유치(Eigenvalue))을 크기 순으로 나열하고, 백분율 분산 값이 가장 큰 주성분부터 시작하여 그 누적 합이 99.5% 이상 될 때까지의 Ztr, Zop, Zts에 대한 주성분(Ptr, Pop, Pts)을 선택한다.
여기서, 주성분을 구하는 방법에 대해 설명한다.
주성분분석(PCA; Principal Component Analysis)은 많은 입력변수를 선형변환을 통해 소수의 변수로 압축하는데 유용한 방법이다. 이때 압축된 변수를 주성분(Principal Component)이라고 부르고 추출방법은 다음과 같다.
1) 각 데이터 셋 Ztr, Zopt, Zts에서 각 변수의 평균값을 빼고, 이를 A 매트릭스라 하고, 식 10과 같이 나타낸다. 여기서는 Ztr에 대해서만 설명한다.
식 10
Figure PCTKR2010008308-appb-I000142
2) 식 11에 따라
Figure PCTKR2010008308-appb-I000143
의 고유치(eigenvalue)
Figure PCTKR2010008308-appb-I000144
를 구하고, 식 12에 따라 내림차순으로 정리하며, 식 13에 따라 A의 특이치(singular value) s를 구한다.
식 11
Figure PCTKR2010008308-appb-I000145
식 11의 특성방정식으로부터 구한 0을 제외한 고유치(근; eigenvalue)
Figure PCTKR2010008308-appb-I000146
를 식 12에 따라 내림차순으로 정리하고, 이를
Figure PCTKR2010008308-appb-I000147
이라 한다
식 12
Figure PCTKR2010008308-appb-I000148
식 13
Figure PCTKR2010008308-appb-I000149
3) n×n매트릭스인
Figure PCTKR2010008308-appb-I000150
의 고유벡터(eigenvector)를 구한다.
식 14
Figure PCTKR2010008308-appb-I000151
상기 식 14로부터 고유치(eigenvalue)
Figure PCTKR2010008308-appb-I000152
를 구하고, 이를 다음의 식 15에 대입하여 각 고유치(eigenvalue)
Figure PCTKR2010008308-appb-I000153
에 대한 n×1인 고유벡터(eigenvector)
Figure PCTKR2010008308-appb-I000154
를 구한다.
식 15
Figure PCTKR2010008308-appb-I000155
4) 다음의 식 16에 따라 각 주성분의 분산을 구한다.
식 16
Figure PCTKR2010008308-appb-I000156
5) 다음의 식 17 및 식 18에 따라 각 주성분의 분산을 전체 주성분의 분산을 합한 값으로 나누어 백분율을 구한다.
식 17
Figure PCTKR2010008308-appb-I000157
식 18
Figure PCTKR2010008308-appb-I000158
6) 백분율 분산
Figure PCTKR2010008308-appb-I000159
이 가장 큰 것부터 누적 계산을 하여 원하는 백분율 분산(예컨데, 99.98%)까지의 주성분 p개를 선택한다.
7) 주성분을 다음의 식 19와 같이 계산하여 추출한다.
식 19
Figure PCTKR2010008308-appb-I000160
8) Zopt, Zts에 대해서도 1) 내지 7)과 같은 절차에 의해 주성분을 추출한다.
본 예에서는 7개의 주성분을 사용하였다. 7개의 주성분을 다룰 경우 전체 분산의 99.98%를 설명할 수 있으며 나머지 주성분을 포기함으로써 발생하는 정보의 손실은 0.02%에 불과하다.
다음의 표 1은 주성분의 분산을 나타낸 것이다
표 1
Figure PCTKR2010008308-appb-I000161
여기서, FSVR 모델링에 대해 설명한다.
도 2에 도시된 바와 같이, m차원의 입력변수
Figure PCTKR2010008308-appb-I000162
에 대한
Figure PCTKR2010008308-appb-I000163
번째 출력의 예측치를 FSVR로 이용하여 구하면, 다음의 식 20과 같은 최적회귀식(ORL: Optimum Regression Line)으로 나타낼 수 있다.
식 20
Figure PCTKR2010008308-appb-I000164
단,
Figure PCTKR2010008308-appb-I000165
식 20에서 SV(support vector)의 가중치(weight)인
Figure PCTKR2010008308-appb-I000166
및 바이어스
Figure PCTKR2010008308-appb-I000167
파라미터를 구하기 위해서는 퍼지 개념을 이용한 정규화된 위험함수(regularized risk function)를 다음의 식 21과 같이 정의하고, 이를 최소화시키는 w k 및 b k 를 구한다.
식 21
Figure PCTKR2010008308-appb-I000168
여기서,
Figure PCTKR2010008308-appb-I000169
는
Figure PCTKR2010008308-appb-I000170
번째 신호의 I번째 데이터에 대한 퍼지 멤버쉽의 크기이다. 또한,
Figure PCTKR2010008308-appb-I000171
번째 출력변수
Figure PCTKR2010008308-appb-I000172
에 대해ε-인센시티브 손실함수(insensitive Loss Function)는 다음의 식 22와 같이 정의한다.
식 22
Figure PCTKR2010008308-appb-I000173
k번째 출력
Figure PCTKR2010008308-appb-I000174
에 대한 ORL을 구하기 위해 상기 최적화 문제를 다음의 식 23과 같이 제한조건을 가진 위험함수(constrained risk function)로 변환한다.
식 23
Figure PCTKR2010008308-appb-I000175
여기서,
Figure PCTKR2010008308-appb-I000176
이고,
Figure PCTKR2010008308-appb-I000177
와
Figure PCTKR2010008308-appb-I000178
는 도 4에 나타낸 여유변수(Slack Variable)를 의미한다. 단, 여기서
Figure PCTKR2010008308-appb-I000179
라 하면 벡터 θ의
Figure PCTKR2010008308-appb-I000180
번째 요소가 아니라
Figure PCTKR2010008308-appb-I000181
에 대한
Figure PCTKR2010008308-appb-I000182
번째 관측치 벡터에 대응되는 주성분벡터를 의미한다.
상기 식 23을 라그랑지 함수로 변환한 후, 2차 계획(quadratic programming) 기법으로 풀어서
Figure PCTKR2010008308-appb-I000183
와
Figure PCTKR2010008308-appb-I000184
를 구한 후, 다음의 식 24와 같이 AAFSVR의
Figure PCTKR2010008308-appb-I000185
번째 출력변수에 대한 비선형 회귀식을 결정한다.
식 24
Figure PCTKR2010008308-appb-I000186
본 실시예에서는 다음의 식 25와 같은 가우시안 RBF(Gaussian Radial Basis Function)을 사용하였다.
식 25
Figure PCTKR2010008308-appb-I000187
단, 바이어스항은 다음의 식 26과 같이 임의의 SV(Support Vector)인 과 를
Figure PCTKR2010008308-appb-I000189
이용하여 계산한다.
식 26
Figure PCTKR2010008308-appb-I000190
비선형회귀식의 손실함수(loss function)의 상수 ε(epsilon), 쌍대목적함수
Figure PCTKR2010008308-appb-I000191
에 페널티 C, RBF(Radial Basis Function)를 커널로 이용하는 경우, 커널대역폭 σ는 단계 6을 수행하는 것에 의해 얻는다. 이 과정을 반복하여 각각의 출력에 대한 총 m개의 SVR을 얻고, 도 2에 도시된 바와 같이 AAFSVR을 구축한다.
[단계 5]
퍼지 클러스터링을 이용하여, 데이터 셋과 주성분을 원하는 개수 만큼의 데이터 군집으로 나눈다. 본 실시예에서는 데이터를 2그룹으로 나누었으며 이를 기본으로 본 발명에 대한 절차를 설명한다.
5.1) 훈련데이터(Ztr)를 FCM(Fuzzy C-Means) 클러스터링 방법을 이용하여 두 그룹 Ztr1과 Ztr2으로 나눈다. 이때 생성된 각 데이터 그룹의 같은 인덱스를 이용하여 주성분(Ptr)도 같은 수의 클러스터(Ptr1, Ptr2)로 나눈다.
5.2) 최적화용 데이터(Zopt)와 시험용 데이터(Zts)에 대해서도 같은 방법으로 정규화 데이터 클러스터(Zopt1, Zopt2, Zts1, Zts2)와 주성분 클러스터(Popt1, Popt2, Pts1, Pts2)로 각각 나눈다.
여기서, FCM(Fuzzy C-Means) 클러스터링 방법에 대해 설명한다.
(단계 1)
입력신호 집합
Figure PCTKR2010008308-appb-I000192
에 대한 클러스터 개수
Figure PCTKR2010008308-appb-I000193
퍼지 계수 m(=2)를 결정하고, 소속행렬
Figure PCTKR2010008308-appb-I000194
을 초기화한다.
식 27
Figure PCTKR2010008308-appb-I000195
여기서, i는 클러스터의 번호, k는 패턴의 번호, r은 반복횟수, N은 각 센서의 샘플된 데이터 개수, uik는 데이터 포인터 Xk가 그룹 i에 속하는 멤버쉽 크기임.
(단계 2)
각각의 클러스터에 대한 중심 벡터 vi(r)과 멤버쉽 uik를 다음의 식 28과 같이 구한다.
식 28
Figure PCTKR2010008308-appb-I000196
(단계 3)
각각의 클러스터 중심과 데이터와의 거리를 계산하여 식 29로 나타내어지는 목적함수(Q)를 최소로 하는 새로운 소속행렬 U(r+1) 생성한다.
식 29
Figure PCTKR2010008308-appb-I000197
(단계 4)
다음의 식 30을 나타내어지는 종료조건을 만족하면 종료하고, 그렇지 않으면 r=r+1로 정하고 (단계 2)로 진행해서 알고리즘을 반복한다.
식 30
Figure PCTKR2010008308-appb-I000198
[단계 6]
반응표면분석법으로 최적화용 데이터(Zopt)의 각 클러스터 데이터(Zopt1, Zopt2)를 사용하여 최적화용 데이터(Zopt)의 예측치 오차를 최소화시키는 각 FSVR 모델의 최적 상수
Figure PCTKR2010008308-appb-I000199
및
Figure PCTKR2010008308-appb-I000200
를 구한다.
6.1) 훈련용 데이터의 첫 번째 클러스터(Ztr1)에 대해 퍼지 멤버쉽 그레이드(fuzzy membership grade)
Figure PCTKR2010008308-appb-I000201
을 계산한다. Ztr1의 각 데이터 포인터와 다른 모든 입력데이터간의 유클리디언 거리를 이용하여 각 데이터 포인터의 포텐셜(P1)을 식 31에 따라 계산하고, 이를 이용하여 퍼지 멤버쉽 그레이드(fuzzy membership grade)
Figure PCTKR2010008308-appb-I000202
을 계산한다.
식 31
Figure PCTKR2010008308-appb-I000203
Figure PCTKR2010008308-appb-I000204
: 한 클러스터 내의 데이터 개수,
Figure PCTKR2010008308-appb-I000205
: 첫 번째 클러스터(Ztr1)의 반경
Figure PCTKR2010008308-appb-I000206
도 5는 각 클러스터에 대한 퍼지 멤버쉽 크기에 대한 측정 예를 나타낸 도면이다.
6.2) 클러스트 1에 대한 시험점(FSVR parameter 세트, 표3-1 참조) 중 첫 번째 시험점(v 1 , v 2 , v 3 )을 선택한다.
6.3) 선택된 시험점에 대해 Ztr1의 첫 번째 신호(Ztr1-1),
Figure PCTKR2010008308-appb-I000207
및 Ptr1을 입력한 후, FSVR 모델을 훈련시켜 svi(support vector index), w 1 (Support Vector weight) 및 b 1 (bias)를 구한다.
6.4) Popt 1과 svi를 이용하여 식 32에 따라 방사형 기저 함수(radial basis function)(Kopt1)을 구한다.
식 32
Figure PCTKR2010008308-appb-I000208
여기서,
Figure PCTKR2010008308-appb-I000209
: Zopt1의 주성분벡터
Figure PCTKR2010008308-appb-I000210
: Ptr1 중에서 svi의 인덱스를 갖는 주성분벡터
6.5) 최적화용 데이터 Zopt1의 첫 번째 계측기 신호에 대한 예측치를 식 33에 따라 구한다.
식 33
Figure PCTKR2010008308-appb-I000211
여기서,
Figure PCTKR2010008308-appb-I000212
: 베타(beta) 벡터 중에서 svi의 인덱스를 갖는 베타(beta) 벡터
6.6) Ztr1의 나머지 다른 계측기 신호에 대해서도 상기 6.3)∼6.5)를 동일한 방법으로 수행한 후, 식 34에 따라 예측 매트릭스 출력
Figure PCTKR2010008308-appb-I000213
을 얻는다.
식 34
Figure PCTKR2010008308-appb-I000214
6.7) 최적화용 데이터(Zopt1)의 측정치와 예측치의 잔차에
Figure PCTKR2010008308-appb-I000215
대한 RMS(Root mean square)을 구하고, 이를 저장한다.
6.8) 다른 시험점에 대해서도 상기 6.2)∼6.7)을 동일한 방법으로 수행하고, 잔차에 대한 RMS 값을 저장한다. 단, 중심합성계획(CCD)의 원점에 대해서는 시험을 세 번(시험점 15, 16,17) 수행한다. 15번째 시험에는 Zopt 전체를 사용하고, 16번째 시험에는 Zopt의 1/2, 그리고 17번째 시험에는 Zopt의 나머지 1/2에 대해 시험을 수행한다.
6.9) 최적화용 데이터 Zopt1를 이용해서 구한 잔차의 RMS값을 전체 입력신호 개수에 대해 평균값(MSE)(수학식 38)을 계산하고, 평균값에 대한 자연 로그(natural log) 값을 구한다.
6.10) MinitapTR의 반응표면분석법을 이용해서 클러스터 1에 대한 ln{MSE}를 최소화시키는 최적의 FSVR 초모수(hyperparameter)
Figure PCTKR2010008308-appb-I000216
를 구한다.
6.11) 클러스터 2에 대해서도 6.1)∼6.10)을 동일한 방법으로 수행하여 식 35에 따라 클러스터 2에 대한 최적의 FSVR 초모수(hyperparameter)
Figure PCTKR2010008308-appb-I000217
를 구한다.
식 35
Figure PCTKR2010008308-appb-I000218
본 예에서 구한 FSVR 초모수(hyperparameter)는
Figure PCTKR2010008308-appb-I000219
=(2.0, 0.0005, 10)와
Figure PCTKR2010008308-appb-I000220
=(1.1404, 0.0005, 5.247)이다.
도 6a는 클러스터 1에 대한 반응표면의 예를 보여주고 있고, 6b는 클러스터 2에 대한 반응표면을 보여주고 있다.
여기서, 반응표면 분석법을 이용하여 FSVR 모델의 최적 상수를 구하는 방법에 대해 설명한다.
1. FSVR 모델파라미터인 시그마(sigma)(σ), 입실론(epsilon)(ε), C를 각각
Figure PCTKR2010008308-appb-I000221
로 둔다.
2.
Figure PCTKR2010008308-appb-I000222
에 대한 탐색범위를 각각 정한다. 적절한 탐색범위는 사전경험이나 소규모의 예비실험을 통해 파악한다. 본 예에서 클러스터 1에 대한 탐색범위는 각각
Figure PCTKR2010008308-appb-I000223
: 0.2∼2.0,
Figure PCTKR2010008308-appb-I000224
: 0.0005∼0.05,
Figure PCTKR2010008308-appb-I000225
: 0.1∼10.0이고, 클러스터 2에 대한 탐색범위는
Figure PCTKR2010008308-appb-I000226
: 0.3∼1.9,
Figure PCTKR2010008308-appb-I000227
: 0.0001∼0.0009,
Figure PCTKR2010008308-appb-I000228
: 0.1∼10 을 설정하였다.
3. 탐색범위의 상한과 하한을 각각
Figure PCTKR2010008308-appb-I000229
와
Figure PCTKR2010008308-appb-I000230
로 두고 다음의 식 36과 같이 모델 파라미터를 표준화한다.
식 36
Figure PCTKR2010008308-appb-I000231
4. 표준화된 모델파라미터
Figure PCTKR2010008308-appb-I000232
의 탐색범위를 고려하여 실험점, 즉 모델성능의 평가지점을 정한다. 이를 위해, 통계적인 실험계획의 하나인 중심합성계획을 이용한다. 도 7은 모델파라미터가 3개인 경우, 중심합성계획에서의 실험점을 나타낸 도면으로, 중심합성계획에 의해 정해지는 실험점을 3차원 공간으로 표현하면 도 7과 같이 표현된다.
5. 중심합성계획에 의한 실험점은 8개의 꼭지점, 1개의 중심점, 그리고 6개의 축점으로 구성된다. 실험오차의 크기를 추정하기 위해 중심점에서는 3회 내외의 반복실험을 수행한다. 축점의 좌표는 예측분산에 관한 통계적인 성질을 감안하여 α = 23/4 = 1.68179로 정한다. 여기서, α는 식 37에 의해 정의된다.
식 37
α = [요인실험점의 수]1/4
중심점에서 3회의 반복을 한 경우 중심합성계획에 의한 실험점은 다음 표 2와 같다.
표 2 : 중심합성계획에 의한(
Figure PCTKR2010008308-appb-I000233
)의 실험점
Figure PCTKR2010008308-appb-I000234
6. 표 2에서 지시하는 대로 모델파라미터
Figure PCTKR2010008308-appb-I000235
의 값을 정하여 다음 표 3-1 및 표 3-2를 얻고 이 값을 모델파라미터로 이용하여 FSVR 모델링 실험을 수행한다.
표 3-1 및 3-2는 중심합성계획에 의한 (
Figure PCTKR2010008308-appb-I000236
)의 실험점을 나타낸 것으로, 표 3-1은 클러스터 1의 실험점을 나타내고, 표 3-2는 클러스터 2의 실험점을 나타낸다.
표 3-1
Figure PCTKR2010008308-appb-I000237
표 3-2
Figure PCTKR2010008308-appb-I000238
7. 표 2의 각 실험점에서 Ztr과 Ptr, 퍼지 멤버쉽 μ을 이용하여 FSVR모델의 베타(beta) 벡터와 바이어스(bias) 상수를 각각 얻는다. 실제로, 중심점에 해당되는 No. 15부터 No. 17까지는 동일한 모델이 얻어지게 된다.
8. 각 모델의 정확도를 평가하기 위해 데이터 셋 Pop를 m개의 AAFSVR에 입력하여 최적화 데이터의 정규화된 예측치
Figure PCTKR2010008308-appb-I000239
을 구한다. 이로부터 출력 모델의 정확도 즉, MSE를 식 38에 따라 계산한다.
식 38
Figure PCTKR2010008308-appb-I000240
여기서,
Figure PCTKR2010008308-appb-I000241
는 Pop 중에 센서
Figure PCTKR2010008308-appb-I000242
의
Figure PCTKR2010008308-appb-I000243
번째 입력데이터를 의미하며,
Figure PCTKR2010008308-appb-I000244
는 모델에 의한 추정치이다. 본 예의 실험결과는 다음 표4와 같다.
표 4는 실험에 의한 MSE 계산결과를 나타낸 것으로, 표 4-1은 클러스터 #1의 MSE를 나타내고, 표 4-2는 클러스터 #2의 MSE를 나타낸다.
표 4-1
Figure PCTKR2010008308-appb-I000245
표 4-2
Figure PCTKR2010008308-appb-I000246
9. 반응표면을 구할 때에는 MSE 대신 로그를 취한 log(MSE)를 사용한다. 이 점을 고려하여, 모델파라미터
Figure PCTKR2010008308-appb-I000247
와 log(MSE) 간의 반응표면을 추정한다. 반응표면은 다음의 식 39와 같은 2차 모형을 가정한다.
식 39
Figure PCTKR2010008308-appb-I000248
단, e는 랜덤오차를 의미한다. 본 예에서 추정된 반응표면은 다음과 같다.
Figure PCTKR2010008308-appb-I000249
10. 추정된 반응표면식을 이용하여 log(MSE)를 최소화하는
Figure PCTKR2010008308-appb-I000250
의 최적조건을 구한다. 2차 반응표면을 가정하였으므로 최적조건은 편미분을 통해 확인한다. 즉, 다음의 40을 동시에 만족하는
Figure PCTKR2010008308-appb-I000251
를 구한다.
식 40
Figure PCTKR2010008308-appb-I000252
본 예에서 클러스터 #1에 대해 얻어진 반응표면의 경우, 최적조건은
Figure PCTKR2010008308-appb-I000253
= (0,0.04525,0)이다.
또한, 클러스터 #2에 대한 최적조건은
Figure PCTKR2010008308-appb-I000254
= (1.1364,-0.0005,5.2487)이다.
11. 최적조건
Figure PCTKR2010008308-appb-I000255
를 다음의 식 41을 이용하여 원래의 단위로 환산한다.
식 41
Figure PCTKR2010008308-appb-I000256
본 예에서 클러스터 #1에 대한 최적 파라미터는 각각
Figure PCTKR2010008308-appb-I000257
,
Figure PCTKR2010008308-appb-I000258
,
Figure PCTKR2010008308-appb-I000259
가 되며, 이 조건에서 예측된 log(MSE)는 -5.3249이다.
또한, 클러스터 #2에 대한 최적 파라미터는 각각
Figure PCTKR2010008308-appb-I000260
,
Figure PCTKR2010008308-appb-I000261
,
Figure PCTKR2010008308-appb-I000262
가 되며, 이 조건에서 예측된 log(MSE)는 -5.4170이다.
도 8은 클러스터 2에 대해 반응표면으로부터 최적점을 추출하는 방법을 나타낸 도면이다.
[단계 7]
훈련용 데이터 Ztr의 각 클러스터에 대해 단계 6.1)에 따라 퍼지 멤버쉽 그레이드(fuzzy membership grade)
Figure PCTKR2010008308-appb-I000263
를 계산한다.
[단계 8]
각 클러스터에 대한 훈련용 데이터, 훈련용 데이터의 주성분벡터, 상기 단계 6에서 구한 최적 파라미터 및, 상기 단계 7에서 구한 퍼지 멤버쉽 그레이드(fuzzy membership grade)를 이용하여 FSVR 모델을 훈련시킨 후, 시험용 데이터(Zts)의 각 클러스터 주성분벡터(Pts1, Pts2)를 입력시켜 출력 예측치(Zts1_hat과 Zts2_hat)를 다음과 같이 구한다.
8.1) 상기 단계 6에서 구한 FSVR 모델의 3개의 최적상수
Figure PCTKR2010008308-appb-I000264
와 훈련데이터의 주성분(Ptr1), 훈련데이터의 첫 번째 신호(Ztr1의 제1열)을 입력으로 하여 2차 계획(quadratic programming) 기법을 이용하여 최적화 문제를 풀고, 라그랑지 승수의 차이인 w 1 (n×1)와 바이어스 상수 b 1 을 구하여 도 2의 FSVR1의 모델을 생성한다.
8.2) 상기 8.1)같은 방법으로 2번부터 m번째의 계측기 신호에 대해 이를 반복 수행하여
Figure PCTKR2010008308-appb-I000265
과
Figure PCTKR2010008308-appb-I000266
을 구하여 FSVR2에서 FSVRm의 모델을 생성한다. 도 2와 같은 전 센서에 대한 FSVR 모델을 구축한다.
8.3) 훈련데이터의 주성분(Ptr1), 시험데이터의 주성분(Pts1)을 이용하여 가우시언 방사형 기저 함수(Gaussian Radial Basis Function)의 커널함수(K ts1 (n×n))를 구하고, 위에서 구한 FSVR 모델의 SV(Support vector)의 가중치(weight)인 w 1 , 바이어스 상수 b 1 을 이용하여 FSVR1의 출력을 구한다.
8.4) 상기 8.3)과 같은 방법으로 2번부터 m번째의 센서에 대해 이를 반복 수행하여 FSVR2에서 FSVRm의 출력인 모델 예측치를 구한다.
시험용 데이터 Zts1에 대한 예측치는 다음의 식 42와 같이 구한다.
식 42
Figure PCTKR2010008308-appb-I000267
Figure PCTKR2010008308-appb-I000268
: Zts1의 주성분벡터,
Figure PCTKR2010008308-appb-I000269
: Ptr1 중에서 svi의 인덱스를 갖는 주성분벡터,
Figure PCTKR2010008308-appb-I000270
Figure PCTKR2010008308-appb-I000271
: 클러스터1의 i번째 센서에 대한 SV(Support vector)의 가
중치(weight)
Figure PCTKR2010008308-appb-I000272
: 클러스터1의 i번째 센서에 대한 바이어스(bias)
Figure PCTKR2010008308-appb-I000273
시험용 데이터 Zts2에 대한 예측치는 다음의 식 43과 같이 구한다.
식 43
Figure PCTKR2010008308-appb-I000274
Figure PCTKR2010008308-appb-I000275
: 클러스터2의 i번째 센서에 대한 SV(Support vector)의 가
중치(weight)
Figure PCTKR2010008308-appb-I000276
: 클러스터2의 i번째 센서에 대한 바이어스(bias)
Figure PCTKR2010008308-appb-I000277
[단계 9]
각 클러스터에 대한 예측치(Zts1_hat과 Zts2_hat)를 연결시켜 전체의 데이터에 대한 예측치(Zts_hat)를 식 44에 따라 구한다.
식 44
Figure PCTKR2010008308-appb-I000278
[단계 10]
시험용 데이터에 대한 예측치
Figure PCTKR2010008308-appb-I000279
를 원래의 시간 인덱스를 이용하여 시간순으로 분류한다.
[단계 11]
상기 단계 10에서 얻어진 정규화된 시험데이터의 예측치를 원래의 범위로 역정규화하여 원래 스케일의 각 센서에 대한 예측치
Figure PCTKR2010008308-appb-I000280
를 식 45에 따라 구한다.
식 45
Figure PCTKR2010008308-appb-I000281
[단계 12]
이하의 단계에 따라 예측치에 대한 잔차를 계산하고 GLRT를 이용하여 센서의 드리프트를 판별한다.
12.1) 잔차의 계산
센서를 정기교정 후 정상적으로 동작할 때(정기점검 후), 예측 프로그램을 수행하여 각 센서에 대한 예측치와 실측치와의 차이(잔차)를 계산한다. 또한, 잔차에 대한 평균값과 표준편차(σ)를 계산한다.
모델 잔차(R)는 입력값과 예측치의 차이로서 다음 식 46과 같다.
식 46
Figure PCTKR2010008308-appb-I000282
도 9는 정상상태 잔차와 δ = 0.01의 시프트가 발생했을 경우의 잔차에 대한 예를 나타낸 도면으로, 센서 7번(증기발생기 주급수 유량)에 대한 잔차의 일부인 151개의 데이터를 이용하여 실시 예를 보였다. 본 사례에서는 time step 50∼150 구간 중에 표준편차(σ)가 +0.01 증가된 경우를 가정하였으며, 계측기에 시프트가 발생한 신호에 대한 모델의 출력신호의 잔차를 같이 나타내었다.
본 예에 있어서 정상일 경우에 대한 잔차의 평균값은 -0.00096347, 표준편차는 0.0069 이다.
12.2) 윈도우 크기 설정
계측기가 정상적일 경우의 잔차를 이용하여 윈도우의 크기(w)를 최소(예컨대, 5)부터 최대(예컨대, 150)까지 5씩 증가시키면서 각 윈도우 크기에 대한 GT 통계량을 계산한다.
어느 시점 t에서의 GLR(Generalized Likelihood Ratio)은 다음의 식 47과 같다.
식 47
Figure PCTKR2010008308-appb-I000283
Figure PCTKR2010008308-appb-I000284
는 최근 윈도우 크기
Figure PCTKR2010008308-appb-I000285
개의 데이터로 구한 평균을 의미하고, 식 48가 같이 표현된다.
식 48
Figure PCTKR2010008308-appb-I000286
GLRT의 검정통계량 GT는 시점 t에서 얻어지는 GLR 중의 윈도우 크기(window size) 내에서 가장 큰 것으로 정의하며, 다음의 식 49와 같이 구한다.
식 49
Figure PCTKR2010008308-appb-I000287
단,
Figure PCTKR2010008308-appb-I000288
는 최근 k개의 데이터로 시점 t에서 구한 평균을 나타낸다.
각 윈도우 크기에서의 GT 통계량과 최대 윈도우에서의 GT 통계량과의 MSE 차이를 식 50에 따라 구한다.
식 50
Figure PCTKR2010008308-appb-I000289
MSE(GT i )의 감소가 둔화되는 점에서 최적 윈도우크기를 설정한다.
도 10은 윈도우 크기에 따른 MSE(GTi)의 값을 계산한 예를 나타낸 도면으로, 가로축은 윈도우 크기, 세로축은 MSE(GT i )를 나타내며, 최적윈도우의 크기는 w=50을 선택하였다.
12.3) GT 통계량 계산
최적 윈도우 크기 w를 이용하여 검사하고자 하는 잔차에 대해 상기 식 47, 식 48 및 식 49를 이용하여, 윈도우를 1time step씩 이동하여 가면서 GLR t (k)와 GT를 계산한다. 단, k=1, 2, ..., w
12.4) 관리한계선(UCL) 설정
상기 12.1)에서 계산한 정상적인 경우의 잔차의 평균 및 표준편차 값과 동일한 평균 및 표준편차 갖는 정규분포의 동일 개수 무작위 숫자를 생성하여 GT를 구하고, 이를 1000회 반복하여 GT의 최대값을 취하여 관리한계선(UCL : Upper Control Limit)으로 설정한다.
본 예에서는 UCL=28.25로 설정하였다.
12.5) 드리프트 유무 판정
GT와 UCL을 그래프에 그린다. GT가 관리한계선(UCL)을 이탈하면 센서에 드리프트가 발생한 것으로 판정하고, 그 이하에 있으면 센서가 정상적인 것으로 판정한다.
도 11은 계측기가 정상상태의 경우 및 이상상태의 경우에 대한 고장판별의 예를 나타낸 도면으로, 도 11a는 계측기가 정상 상태일 경우, 도 11b는 계측기에 시프트 드리프트가 발생된 경우의 예를 나타낸 것이다. 도 11b에서는 58번째 step에서 센서의 드리프트의 발생을 탐지함을 나타낸다.
본 발명의 효과와 새로운 방법론의 우수성을 확인하기 위하여 실제 원자력발전소의 출력을 0%에서 100%로 상승 중에 1,2차 계통에서 측정한 계측기 신호데이터를 이용하여 기존 방법론과 비교하여 확인하였다. 분석에 사용된 데이터는 총 11개의 센서에서 측정된 값이다.
표 5는 종래의 커널회귀법과 본 발명에 따른 계측기 예측치의 정확도를 비교한 표이다.
표 5에서와 같이, 분석에 사용된 데이터는 다음과 같은 총 11개의 센서에서 측정된 값이다.
- 1 : 원자로 출력(%)
- 2 : 가압기 수위(%)
- 3 : 증기발생기 증기 유량(Mkg/hr)
- 4 : 증기발생기 협역 수위 데이터(%)
- 5 : 증기발생기 압력 데이터(Kg/cm2)
- 6 : 증기발생기 광역 수위 데이터(%)
- 7 : 증기발생기 주급수 유량 데이터(Mkg/hr)
- 8 : 터빈 출력 데이터(MWe)
- 9 : 원자로 냉각재 충전 유량 데이터(m3/hr)
- 10 : 잔열제거 유량 데이터(m3/hr)
- 11 : 원자로 상부 냉각재 온도 데이터(℃)
정확도는 예측 모델을 운전감시에 적용하는데 있어 가장 기본적인 척도가 된다. 대부분 정확도는 모델 예측치와 실제 측정치의 평균 자승오차로 나타낸다. 다음의 51은 한 개의 계측기에 대한 정확도를 나타내는 수식이다.
식 51
Figure PCTKR2010008308-appb-I000290
여기서, N : 시험데이터의 수
Figure PCTKR2010008308-appb-I000291
: i번째 시험데이터에 대한 모델의 추정치
Figure PCTKR2010008308-appb-I000292
: i번째 시험데이터의 측정치
표 5 : 기존 커널 회귀법과 본 발명에 따른 계측기 예측치의 정확도 비교
Figure PCTKR2010008308-appb-I000293
본 발명은 계측기 신호의 주성분을 추출하고, 최적화용 데이터를 이용하여 FSVR모델의 최적 상수를 반응분석표면법에 의해 구하며, 다시 모델을 훈련데이터를 이용하여 훈련시켜 시험용 데이터를 이용하여 시험해 본 결과 기존 커널 회귀법에 비해 예측치 계산의 정확도를 향상시킨다. 또한, 보통의 경보시스템으로는 감지할 수 없는 아주 미세한 시프트 드리프트(shift drift)가 발생하였을 경우라도 본 발명에 따른 GLRT 방법을 이용하여 고장을 판별하면 조기에 고장식별을 할 수 있게 된다.
상기 데이터를 시간의 함수로 그래프를 그리면 다음과 같다.
도 12는 정확도 테스트를 위한 원자력발전소 원자로 노심출력 데이터를 나타낸 그래프로서, "Measured" 선은 상기 식 6의 시험용 입력데이터 X ts_1 에 해당하고, "Predicted" 선은 본 발명의 알고리즘을 이용하여 예측한 상기 식 45의 시험용 입력 X ts_1 에 대한 추정 데이터
Figure PCTKR2010008308-appb-I000294
를 나타낸다.
도 13은 정확도 테스트를 위한 원자력발전소 가압기 수위 데이터를 나타낸 그래프로서, "Measured" 선은 상기 식 6의 시험용 입력데이터 X ts_2 에 해당하고, "Predicted" 선은 본 발명의 알고리즘을 이용하여 예측한 상기 식 45의 시험용 입력 X ts_2 에 대한 추정 데이터
Figure PCTKR2010008308-appb-I000295
를 나타낸다.
도 14는 정확도 테스트를 위한 원자력발전소 증기발생기 증기유량 데이터를 나타낸 그래프로서, "Measured" 선은 상기 식 6의 시험용 입력데이터 X ts_3 에 해당하고, "Predicted" 선은 본 발명의 알고리즘을 이용하여 예측한 상기 식 45의 시험용 입력 X ts_3 에 대한 추정 데이터
Figure PCTKR2010008308-appb-I000296
를 나타낸다.
도 15는 정확도 테스트를 위한 원자력발전소 증기발생기 협역 수위 데이터를 나타낸 그래프로서, "Measured" 선은 상기 식 6의 시험용 입력데이터 X ts_4 에 해당하고, "Predicted" 선은 본 발명의 알고리즘을 이용하여 예측한 식 45의 시험용 입력 X ts_4 에 대한 추정 데이터
Figure PCTKR2010008308-appb-I000297
를 나타낸다.
도 16은 정확도 테스트를 위한 원자력발전소 증기발생기 압력 데이터를 나타낸 그래프로서, "Measured" 선은 상기 식 6의 시험용 입력데이터 X ts_5 에 해당하고, "Predicted" 선은 본 발명의 알고리즘을 이용하여 예측한 식 45의 시험용 입력 X ts_5 에 대한 추정 데이터
Figure PCTKR2010008308-appb-I000298
를 나타낸다.
도 17은 정확도 테스트를 위한 원자력발전소 증기발생기 광역 수위 데이터를 나타낸 그래프로서, "Measured" 선은 상기 식 6의 시험용 입력데이터 X ts_6 에 해당하고, "Predicted" 선은 본 발명의 알고리즘을 이용하여 예측한 식 45의 시험용 입력 X ts_6 에 대한 추정 데이터
Figure PCTKR2010008308-appb-I000299
를 나타낸다.
도 18은 정확도 테스트를 위한 원자력발전소 증기발생기 주급수 유량 데이터를 나타낸 그래프로서, "Measured" 선은 상기 식 6의 시험용 입력데이터 X ts_7 에 해당하고, "Predicted" 선은 본 발명의 알고리즘을 이용하여 예측한 식 45의 시험용 입력 X ts_7 에 대한 추정 데이터
Figure PCTKR2010008308-appb-I000300
를 나타낸다.
도 19는 정확도 테스트를 위한 원자력발전소 터빈 출력 데이터를 나타낸 그래프로서, "Measured" 선은 상기 식 6의 시험용 입력데이터 X ts_8 에 해당하고, "Predicted" 선은 본 발명의 알고리즘을 이용하여 예측한 식 45의 시험용 입력 X ts_8 에 대한 추정 데이터
Figure PCTKR2010008308-appb-I000301
를 나타낸다.
도 20은 정확도 테스트를 위한 원자력발전소 1차측 충전 유량 데이터를 나타낸 그래프로서, "Measured" 선은 상기 식 6의 시험용 입력데이터 X ts_9 에 해당하고, "Predicted" 선은 본 발명의 알고리즘을 이용하여 예측한 식 45의 시험용 입력 X ts_9 에 대한 추정 데이터
Figure PCTKR2010008308-appb-I000302
를 나타낸다.
도 21은 정확도 테스트를 위한 원자력발전소 잔열제거 유량 데이터를 나타낸 그래프로서, "Measured" 선은 상기 식 6의 시험용 입력데이터 X ts_10 에 해당하고, "Predicted" 선은 본 발명의 알고리즘을 이용하여 예측한 식 45의 시험용 입력 X ts_10 에 대한 추정 데이터
Figure PCTKR2010008308-appb-I000303
를 나타낸다.
도 22는 정확도 테스트를 위한 원자력발전소 원자로 상부 냉각재 온도데이터를 나타낸 그래프로서, "Measured" 선은 상기 식 6의의 시험용 입력데이터 X ts_11 에 해당하고, "Predicted" 선은 본 발명의 알고리즘을 이용하여 예측한 식 45의 시험용 입력 X ts_11 에 대한 추정 데이터
Figure PCTKR2010008308-appb-I000304
를 나타낸다.

Claims (47)

  1. m개의 현장센서에 대해 시계열 현장신호를 인가받아 클러스터링부(12)로 보내는 입력부(11)와;
    상기 입력부(11)로부터 입력받은 시계열 현장신호에 대한 입력신호를 퍼지 클러스터링 방법을 이용하여 원하는 N개의 데이터 군집으로 나누는 클러스터링부(12);
    상기 클러스터링부(12)로부터 인가받은 N개의 데이터 군집으로 나누어진 각 데이터 클러스터에 대해 주성분을 추출하는 PCA부(13);
    각 데이터 클러스터에 대해 퍼지 멤버쉽 그레이드(fuzzy membership grade)를 계산하고, 모델을 훈련시키며, 반응표면 분석법을 이용해서 모델의 최적 파라미터를 구하고, 시험데이터에 대해 신호예측을 수행하는 FSVR부(14);
    상기 FSVR부(14)에서 예측한 신호와 입력신호를 비교하여 차이를 구하는 비교연산부(15) 및;
    윈도우 사이즈의 최적화 및 관리한계선을 설정한 후, 비교연산부의 출력을 이용하여 GLRT의 검정통계량을 계산하여 센서의 드리프트 유무를 판별하는 GLRT부(16)를 구비하여 구성된 것을 특징으로 하는 FSVR(Fuzzy Support Vector Regression)과 GLRT(Generalized Likelihood Ratio Test)를 이용한 발전소 계측기 성능감시 시스템.
  2. 전체의 데이터 셋(X)을 행렬의 형태로 표시하고, 훈련용(Xtr), 최적화용(Xopt), 시험용(Xts)으로 삼분하는 제1단계와;
    상기 제1단계에서 행렬 형태로 표시된 전체의 데이터를 정규화하는 제2단계;
    상기 제2단계에서 정규화된 데이터 셋(Z)을 훈련용(Ztr), 최적화용(Zopt), 시험용(Zts)으로 삼분하는 제3단계;
    상기 제3단계에서 정규화되어 삼분된 훈련용(Ztr), 최적화용(Zopt), 시험용(Zts)의 각 데이터 셋(Z)의 주성분을 추출하는 제4단계;
    FCM(Fuzzy C-Means) 클러스터링을 이용하여, 데이터 셋과 주성분을 원하는 개수 만큼의 데이터 군집으로 나누는 제5단계;
    반응표면분석법으로 최적화용 데이터(Zopt)의 각 클러스터 데이터(Zopt1, Zopt2)를 사용하여 최적화용 데이터(Zopt)의 예측치 오차를 최소화시키는 각 FSVR 모델의 최적 상수
    Figure PCTKR2010008308-appb-I000305
    및
    Figure PCTKR2010008308-appb-I000306
    를 구하는 제6단계;
    훈련용 데이터 Ztr의 각 클러스터에 대해 상기 제6-1단계에 따라 퍼지 멤버쉽 그레이드
    Figure PCTKR2010008308-appb-I000307
    를 계산하는 제7단계;
    각 클러스터에 대한 훈련용 데이터와, 훈련용 데이터의 주성분벡터, 상기 제6단계에서 구한 최적 파라미터 및, 상기 제7단계에서 구한 퍼지 멤버쉽 그레이드(fuzzy membership grade)를 이용하여 FSVR 모델을 훈련시킨 후, 시험용 데이터(Zts)의 각 클러스터 주성분벡터(Pts1, Pts2)를 입력시켜 출력 예측치(Zts1_hat과 Zts2_hat)를 구하는 제8단계;
    각 클러스터에 대한 예측치(Zts1_hat과 Zts2_hat)를 연결시켜 전체의 데이터에 대한 예측치(Zts_hat)를 구하는 제9단계;
    시험용 데이터에 대한 예측치
    Figure PCTKR2010008308-appb-I000308
    를 원래의 시간 인덱스를 이용하여 시간순으로 분류하는 제10단계;
    상기 제10단계에서 얻어진 정규화된 시험데이터의 예측치를 원래의 범위로 역정규화하여 원래 스케일의 각 센서에 대한 예측치
    Figure PCTKR2010008308-appb-I000309
    를 식 45에 따라 구하는 제11단계 및;
    예측치에 대한 잔차를 계산하고 GLRT를 이용하여 센서의 드리프트를 판별하는 제12단계를 갖추어 이루어진 것을 특징으로 하는 FSVR(Fuzzy Support Vector Regression)과 GLRT(Generalized Likelihood Ratio Test)를 이용한 발전소 계측기 성능감시 방법.
  3. 제2항에 있어서,
    상기 제1단계에서의 행렬이, 식
    Figure PCTKR2010008308-appb-I000310
    에 의해 표시되는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  4. 제2항에 있어서,
    상기 제2단계에서 정규화가, 식
    Figure PCTKR2010008308-appb-I000311
    (여기서, i = 1,2 … 3n)
    에 의해 이루어지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  5. 제4항에 있어서,
    정규화된 전체의 데이터 셋(Z)이, 식
    Figure PCTKR2010008308-appb-I000312
    에 의해 표시되는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  6. 제2항에 있어서,
    정규화된 상기 훈련용(Ztr), 최적화용(Zopt), 시험용(Zts) 데이터 셋이, 식
    Figure PCTKR2010008308-appb-I000313
    (단, 여기서 i = 0,1,2 … n-1)
    에 의해 나누어지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  7. 제2항에 있어서,
    상기 제4단계에서 주성분의 분산을 크기 순으로 나열하고, 백분율 분산 값이 가장 큰 주성분부터 시작하여 그 누적 합이 99.5% 이상 될 때까지의 훈련용(Ztr), 최적화용(Zopt), 시험용(Zts)의 각 데이터 셋의 주성분(Ptr, Pop, Pts)을 선택하여 주성분을 추출하는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  8. 제7항에 있어서,
    상기 주성분 추출이,
    훈련용(Ztr), 최적화용(Zopt), 시험용(Zts)의 각 데이터 셋에서 각 변수의 평균값을 빼고, 이를 A 매트릭스
    Figure PCTKR2010008308-appb-I000314
    로 나타내는 제4-1단계와;
    식
    Figure PCTKR2010008308-appb-I000315
    에 따라
    Figure PCTKR2010008308-appb-I000316
    의 고유치(eigenvalue)
    Figure PCTKR2010008308-appb-I000317
    를 구하고, 식
    Figure PCTKR2010008308-appb-I000318
    에 따라 내림차순으로 정리하며, 식
    Figure PCTKR2010008308-appb-I000319
    에 따라 A의 특이치(singular value) s를 구하는 제4-2단계;
    Figure PCTKR2010008308-appb-I000320
    로부터 고유치(eigenvalue)
    Figure PCTKR2010008308-appb-I000321
    를 구하고, 구해진 고유치(eigenvalue)
    Figure PCTKR2010008308-appb-I000322
    를 식
    Figure PCTKR2010008308-appb-I000323
    에 대입하여 각 고유치(eigenvalue)
    Figure PCTKR2010008308-appb-I000324
    에 대한 n×1인 고유벡터(eigenvector)
    Figure PCTKR2010008308-appb-I000325
    를 구하는 것에 의해, n×n매트릭스인
    Figure PCTKR2010008308-appb-I000326
    의 고유벡터(eigenvector)를 구하는 제4-3단계;
    식
    Figure PCTKR2010008308-appb-I000327
    에 따라 각 주성분의 분산을 구하는 제4-4단계;
    식
    Figure PCTKR2010008308-appb-I000328
    및 식
    Figure PCTKR2010008308-appb-I000329
    에 따라 각 주성분의 분산을 전체 주성분의 분산을 합한 값으로 나누어 백분율을 구하는 제4-5단계;
    백분율 분산
    Figure PCTKR2010008308-appb-I000330
    이 가장 큰 것부터 누적 계산을 하여 원하는 백분율 분산(예컨대, 99.98%)까지의 주성분 p개를 선택하는 제4-6단계;
    주성분을 식
    Figure PCTKR2010008308-appb-I000331
    에 따라 계산하여 추출하는 제4-7단계 및;
    최적화용(Zopt), 시험용(Zts) 데이터 셋에 대해 상기 제4-1단계 내지 제4- 7단계에 의해 주성분을 추출하는 제4-8단계;를 갖추어 이루어진 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  9. 제8항에 있어서,
    상기 제4-6단계에서의 원하는 백분율 분산이 99.98%인 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  10. 제2항에 있어서,
    상기 제5단계가, 훈련데이터(Ztr)를 FCM(Fuzzy C-Means) 클러스터링 방법을 이용하여 두 그룹 Ztr1과 Ztr2으로 나누되, 생성된 각 데이터 그룹의 같은 인덱스를 이용하여 주성분(Ptr)도 같은 수의 클러스터(Ptr1, Ptr2)로 나누는 제5-1단계와;
    최적화용 데이터(Zopt)와 시험용 데이터(Zts)에 대해 상기 제5-1단계를 반복하여 정규화 데이터 클러스터(Zopt1, Zopt2, Zts1, Zts2)와 주성분 클러스터(Popt1, Popt2, Pts1, Pts2)로 각각 나누는 제5-2단계를 갖추어 이루어진 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  11. 제10항에 있어서,
    상기 FCM(Fuzzy C-Means) 클러스터링 방법이,
    입력신호 집합
    Figure PCTKR2010008308-appb-I000332
    에 대한 클러스터 개수
    Figure PCTKR2010008308-appb-I000333
    퍼지 계수 m(=2)를 결정하고, 소속행렬
    Figure PCTKR2010008308-appb-I000334
    을 초기화하는 단계 1과;
    각각의 클러스터에 대한 중심 벡터 vi(r)과 멤버쉽 uik를 구하는 단계 2;
    각각의 클러스터 중심과 데이터와의 거리를 계산하여 목적함수(Q)를 최소로 하는 새로운 소속행렬 U(r+1) 생성하는 단계 3 및;
    종료조건을 만족하면 종료하고, 종료조건을 만족하지 않으면 r=r+1로 정한 다음 상기 단계 2로 진행해서 상기 단계 2 내지 상기 단계 3을 반복하는 단계 4;를 갖추어 이루어진 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  12. 제11항에 있어서,
    상기 단계 1이,
    식
    Figure PCTKR2010008308-appb-I000335
    (여기서, i는 클러스터의 번호, k는 패턴의 번호, r은 반복 횟수, N은 각 센서의 샘플된 데이터 개수, uik는 데이터 포인터 Xk가 그룹 i에 속하는 멤버쉽 크기임)
    에 의해 수행되는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  13. 제11항에 있어서,
    상기 단계 2가,
    식
    Figure PCTKR2010008308-appb-I000336
    에 의해 수행되는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  14. 제11항에 있어서,
    상기 단계 3에서의 목적함수(Q)가,
    식
    Figure PCTKR2010008308-appb-I000337
    에 의해 나타내어지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  15. 제11항에 있어서,
    상기 단계 4에서의 종료조건이 식
    Figure PCTKR2010008308-appb-I000338
    에 의해 나타내어지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  16. 제2항에 있어서,
    각 FSVR 모델의 최적 상수
    Figure PCTKR2010008308-appb-I000339
    및
    Figure PCTKR2010008308-appb-I000340
    를 구하는 상기 제6단계가,
    훈련용 데이터의 첫 번째 클러스터(Ztr1)의 각 데이터 포인터와 다른 모든 입력데이터간의 유클리디언 거리를 이용하여 각 데이터 포인터의 포텐셜(P1)을 계산하고, 이를 이용하여 퍼지 멤버쉽 그레이드(fuzzy membership grade)
    Figure PCTKR2010008308-appb-I000341
    을 계산하는 제6-1단계와;
    클러스트 1에 대한 시험점 중 첫 번째 시험점(v 1 , v 2 , v 3 )을 선택하는 제6-2단계;
    선택된 시험점에 대해 Ztr1의 첫 번째 신호(Ztr1-1),
    Figure PCTKR2010008308-appb-I000342
    및 Ptr1을 입력한 후, FSVR 모델을 훈련시켜 svi(support vector index), w 1 (SV(Support Vector)의 가중치(weight)) 및 b 1 (bias)를 구하는 제6-3단계;
    Popt 1과 svi를 이용하여 방사형 기저 함수(radial basis function)(Kopt1)를 구하는 제6-4단계;
    최적화용 데이터 Zopt1의 첫 번째 계측기 신호에 대한 예측치를 구하는 제6-5단계;
    Ztr1의 나머지 다른 계측기 신호에 대해 상기 제6-3단계∼상기 제6-5단계를 반복 수행한 후, 예측 매트릭스 출력
    Figure PCTKR2010008308-appb-I000343
    을 얻는 제6-6단계;
    최적화용 데이터(Zopt1)의 측정치와 예측치의 잔차
    Figure PCTKR2010008308-appb-I000344
    에 대한 RMS(Root mean square)을 구하고, 이를 저장하는 제6-7단계;
    다른 시험점에 대해 상기 제6-2단계∼제6.7단계를 반복 수행하고, 잔차에 대한 RMS 값을 저장하는 제6-8단계;
    최적화용 데이터 Zopt1를 이용해서 구한 잔차의 RMS값을 전체 입력신호 개수에 대해 평균값(MSE)(수학식 38)을 계산하고, 평균값에 대한 자연 로그(natural log) 값을 구하는 제6-9단계;
    반응표면분석법을 이용해서 클러스터 1에 대한 ln{MSE}를 최소화시키는 FSVR 모델의 최적상수
    Figure PCTKR2010008308-appb-I000345
    를 구하는 제6-10단계 및;
    클러스터 2에 대해 제6-1단계∼제6-10단계를 반복 수행하여 식 35에 따라 클러스터 2에 대한 FSVR 모델의 최적상수
    Figure PCTKR2010008308-appb-I000346
    를 구하는 제6-11단계;를 갖추어 이루어진 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  17. 제16항에 있어서,
    각 데이터 포인터의 포텐셜(P1)이, 식
    Figure PCTKR2010008308-appb-I000347
    (여기서,
    Figure PCTKR2010008308-appb-I000348
    : 한 클러스터 내의 데이터 개수,
    Figure PCTKR2010008308-appb-I000349
    : 첫 번째 클러스터(Ztr1)의 반경)
    Figure PCTKR2010008308-appb-I000350
    에 의해 계산되는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  18. 제16항에 있어서,
    방사형 기저 함수(radial basis function)(Kopt1)를 구하는 제6-4단계가, 식
    Figure PCTKR2010008308-appb-I000351
    (여기서,
    Figure PCTKR2010008308-appb-I000352
    : Zopt1의 주성분벡터,
    Figure PCTKR2010008308-appb-I000353
    : Ptr1 중에서 svi의 인덱스를 갖는 주성분벡터)
    에 의해 구해지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  19. 제16항에 있어서,
    최적화용 데이터 Zopt1의 첫 번째 계측기 신호에 대한 예측치를 구하는 상기 제6-5단계가, 식
    Figure PCTKR2010008308-appb-I000354
    (여기서,
    Figure PCTKR2010008308-appb-I000355
    : 베타(beta) 벡터 중에서 svi의 인덱스를 갖는 베타(beta) 벡터)
    에 의해 구하는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  20. 제16항에 있어서,
    상기 예측 매트릭스 출력
    Figure PCTKR2010008308-appb-I000356
    을 얻는 제6-6단계가, 식
    Figure PCTKR2010008308-appb-I000357
    에 의해 얻어지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  21. 제16항에 있어서,
    상기 제6-8단계에서 중심합성계획(CCD)의 원점에 대해서는 시험을 세 번(시험점 15, 16,17) 수행하되, 15번째 시험에는 Zopt 전체를 사용하고, 16번째 시험에는 Zopt의 1/2, 17번째 시험에는 Zopt의 나머지 1/2에 대해 시험을 수행하는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  22. 제16항에 있어서,
    상기 단계6-9에서의 평균값(MSE)을, 식
    Figure PCTKR2010008308-appb-I000358
    에 의해 계산하는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  23. 제16항에 있어서,
    클러스터 2에 대한 FSVR 모델의 최적상수
    Figure PCTKR2010008308-appb-I000359
    를 구하는 상기 제6-11단계가, 식
    Figure PCTKR2010008308-appb-I000360
    에 의해 구해지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  24. 제16항에 있어서,
    상기 FSVR 모델의 최적상수가,
    Figure PCTKR2010008308-appb-I000361
    =(2.0, 0.0005, 10)이고,
    Figure PCTKR2010008308-appb-I000362
    =(1.1404, 0.0005, 5.247)인 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  25. 제16항에 있어서,
    상기 제6-10단계에서의 반응표면 분석법을 이용하여 FSVR 모델의 최적 상수를 구하는 방법이,
    FSVR 모델파라미터인 시그마(sigma)(σ), 입실론(epsilon)(ε), C를 각각
    Figure PCTKR2010008308-appb-I000363
    로 두는 제6-10-1단계와;
    Figure PCTKR2010008308-appb-I000364
    에 대한 탐색범위를 각각 정하는 제6-10-2단계;
    탐색범위의 상한과 하한을 각각
    Figure PCTKR2010008308-appb-I000365
    와
    Figure PCTKR2010008308-appb-I000366
    로 두고, 모델 파라미터를 표준화하는 제6-10-3단계;
    중심합성계획을 이용해서 표준화된 모델파라미터
    Figure PCTKR2010008308-appb-I000367
    의 탐색범위에 대응하여 모델성능의 평가지점을 설정하는 제6-10-4단계;
    실험오차의 크기를 추정하고, 축점의 좌표 α를 식 α = [요인실험점의 수]1/4에 의해 정의하는 제6-10-5단계;
    중심합성계획에 의한(
    Figure PCTKR2010008308-appb-I000368
    )의 실험점에 따라 모델파라미터
    Figure PCTKR2010008308-appb-I000369
    의 값을 정하고, 이어 중심합성계획에 의한 (
    Figure PCTKR2010008308-appb-I000370
    )의 실험점을 얻으며, 중심합성계획에 의한 (
    Figure PCTKR2010008308-appb-I000371
    )의 실험점 값을 모델파라미터로 이용하여 FSVR 모델링 실험을 수행하는 제6-10-6단계;
    중심합성계획에 의한(
    Figure PCTKR2010008308-appb-I000372
    )의 실험점에서 Ztr과 Ptr, 퍼지 멤버쉽 μ을 이용하여 FSVR모델의 베타(beta) 벡터와 바이어스(bias) 상수를 각각 얻는 제6-10-7단계;
    각 모델의 정확도를 평가하기 위해 데이터 셋 Pop를 m개의 AAFSVR에 입력하여 최적화 데이터의 정규화된 예측치
    Figure PCTKR2010008308-appb-I000373
    을 구하고, 이로부터 출력 모델의 정확도인 MSE를 식 38에 따라 계산하는 제6-10-8단계;
    모델파라미터
    Figure PCTKR2010008308-appb-I000374
    와 log(MSE) 간의 반응표면식을 추정하는 제6-10-9단계;
    추정된 반응표면식을 이용하여 log(MSE)를 최소화하는
    Figure PCTKR2010008308-appb-I000375
    의 최적조건
    Figure PCTKR2010008308-appb-I000376
    을 구하는 제6-10-10단계 및;
    최적조건
    Figure PCTKR2010008308-appb-I000377
    을 원래의 단위로 환산하는 제6-10-11단계;를 갖추어 이루어진 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  26. 제25항에 있어서,
    상기 제6-10-2단계에서의 클러스터 1에 대한 탐색범위를
    Figure PCTKR2010008308-appb-I000378
    : 0.2∼2.0,
    Figure PCTKR2010008308-appb-I000379
    : 0.0005∼0.05,
    Figure PCTKR2010008308-appb-I000380
    : 0.1∼10.0이고, 클러스터 2에 대한 탐색범위가
    Figure PCTKR2010008308-appb-I000381
    : 0.3∼1.9,
    Figure PCTKR2010008308-appb-I000382
    : 0.0001∼0.0009,
    Figure PCTKR2010008308-appb-I000383
    : 0.1∼10로 설정하는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  27. 제25항에 있어서,
    상기 제6-10-3단계에서의 모델 파라미터의 표준화가, 식
    Figure PCTKR2010008308-appb-I000384
    에 의해 이루어지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  28. 제25항에 있어서,
    상기 제6-10-8단계에서 출력 모델의 정확도인 MSE를, 식
    Figure PCTKR2010008308-appb-I000385
    (여기서,
    Figure PCTKR2010008308-appb-I000386
    는 Pop 중에 센서
    Figure PCTKR2010008308-appb-I000387
    의
    Figure PCTKR2010008308-appb-I000388
    번째 입력데이터를 의미하며,
    Figure PCTKR2010008308-appb-I000389
    는 모델에 의한 추정치임)
    에 의해 계산하는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  29. 제25항에 있어서,
    반응표면이, 식
    Figure PCTKR2010008308-appb-I000390
    (e는 랜덤오차를 의미함)
    에 의해 2차 모형을 갖고,
    추정된 반응표면이, 식
    Figure PCTKR2010008308-appb-I000391
    에 의해 표현되는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  30. 제25항에 있어서,
    상기 단계 제6-10-10단계에서의
    Figure PCTKR2010008308-appb-I000392
    의 최적조건이, 식
    Figure PCTKR2010008308-appb-I000393
    에 의한 편미분을 통해 구해지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  31. 제30항에 있어서,
    클러스터 #1에 대해 얻어진 반응표면의 경우 최적조건이
    Figure PCTKR2010008308-appb-I000394
    = (0,0.04525,0)이고, 클러스터 #2에 대해 얻어진 반응표면의 경우 최적조건이
    Figure PCTKR2010008308-appb-I000395
    = (1.1364,-0.0005,5.2487)인 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  32. 제25항에 있어서,
    상기 제6-10-11단계에서 최적조건
    Figure PCTKR2010008308-appb-I000396
    을 원래의 단위로 환산하는 것이, 식
    Figure PCTKR2010008308-appb-I000397
    에 의해 이루어지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  33. 제25항에 있어서,
    클러스터 #1에 대한 최적 파라미터가 각각
    Figure PCTKR2010008308-appb-I000398
    ,
    Figure PCTKR2010008308-appb-I000399
    ,
    Figure PCTKR2010008308-appb-I000400
    로 되고, 이 조건에서 예측된 log(MSE)가 -5.3249이며,
    클러스터 #2에 대한 최적 파라미터가 각각
    Figure PCTKR2010008308-appb-I000401
    ,
    Figure PCTKR2010008308-appb-I000402
    ,
    Figure PCTKR2010008308-appb-I000403
    로 되고, 이 조건에서 예측된 log(MSE)가 -5.4170인 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  34. 제2항에 있어서,
    출력 예측치(Zts1_hat과 Zts2_hat)를 구하는 상기 제8단계가,
    상기 제6단계에서 구한 FSVR 모델의 3개의 최적상수
    Figure PCTKR2010008308-appb-I000404
    와, 훈련데이터의 주성분(Ptr1) 및, 훈련데이터의 첫 번째 신호(Ztr1의 제1열)를 입력으로 하여 2차 계획(quadratic programming) 기법을 이용하여 최적화 문제를 풀고, 라그랑지 승수의 차이인 w 1 (n×1)와 바이어스 상수 b 1 을 구하여 FSVR1의 모델을 생성하는 제8-1단계와;
    2번부터 m번째의 계측기 신호에 대해 상기 제8-1단계를 반복 수행하여
    Figure PCTKR2010008308-appb-I000405
    과
    Figure PCTKR2010008308-appb-I000406
    을 구하는 것에 의해 FSVR2∼FSVRm의 모델을 생성하는 제8-2단계;
    훈련데이터의 주성분(Ptr1), 시험데이터의 주성분(Pts1)을 이용하여 가우시언 방사형 기저 함수(Gaussian Radial Basis Function)의 커널함수(K ts1 (n×n))를 구하고, 상기 제8-12단계 및 상기 제8-2단계에서 구한 FSVR 모델의 Support vector weight w 1 , 바이어스 상수 b 1 을 이용하여 FSVR1의 출력을 구하는 제8-3단계 및;
    2번부터 m번째의 센서에 대해 상기 제8-3단계를 반복 수행하여 FSVR2∼FSVRm의 출력인 모델 예측치를 구하는 제8-4단계;를 갖추어 이루어진 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  35. 제34항에 있어서,
    시험용 데이터 Zts1에 대한 예측치가, 식
    Figure PCTKR2010008308-appb-I000407
    (
    Figure PCTKR2010008308-appb-I000408
    : Zts1의 주성분벡터,
    Figure PCTKR2010008308-appb-I000409
    : Ptr1 중에서 svi의 인덱스를 갖는 주성분벡터)
    Figure PCTKR2010008308-appb-I000410
    (
    Figure PCTKR2010008308-appb-I000411
    : 클러스터1의 i번째 센서에 대한 SV(Support vector)의
    가중치(weight)
    Figure PCTKR2010008308-appb-I000412
    : 클러스터1의 i번째 센서에 대한 바이어스(bias))
    에 의해 구해지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  36. 제34항에 있어서,
    시험용 데이터 Zts2에 대한 예측치가, 식
    Figure PCTKR2010008308-appb-I000414
    (
    Figure PCTKR2010008308-appb-I000415
    : 클러스터2의 i번째 센서에 대한 SV(Support vector)의
    가중치(weight)
    Figure PCTKR2010008308-appb-I000416
    : 클러스터2의 i번째 센서에 대한 바이어스(bias))
    Figure PCTKR2010008308-appb-I000417
    에 의해 구해지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  37. 제2항에 있어서,
    상기 제9단계에서 전체의 데이터에 대한 예측치(Zts_hat)가, 식
    Figure PCTKR2010008308-appb-I000418
    에 의해 구해지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  38. 제2항에 있어서,
    상기 제11단계에서 원래 스케일의 각 센서에 대한 예측치
    Figure PCTKR2010008308-appb-I000419
    를, 식
    Figure PCTKR2010008308-appb-I000420
    에 의해 구하는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  39. 제2항에 있어서,
    센서의 드리프트를 판별하는 제12단계가,
    센서의 정기교정 후 정상적으로 동작할 때, 예측 프로그램을 수행하여 각 센서에 대한 예측치와 실측치와의 잔차를 계산하고, 잔차에 대한 평균값과 표준편차(σ)를 계산하는 제12-1단계와;
    계측기가 정상적일 경우의 잔차를 이용하여 윈도우의 크기(w)를 최소부터 최대까지 5씩 증가시키면서 각 윈도우 크기에 대한 GT 통계량을 계산하는 제12-2단계;
    GT 통계량 계산을 위해 최적 윈도우 크기 w를 이용하여 검사하고자 하는 잔차에 대해 상기 식
    Figure PCTKR2010008308-appb-I000421
    과, 식
    Figure PCTKR2010008308-appb-I000422
    및, 식
    Figure PCTKR2010008308-appb-I000423
    를 이용하여, 윈도우를 1time step씩 이동하여 가면서 GLR t (k)(단, k=1, 2, ..., w)와 GT를 계산하는 제12-3단계;
    상기 제12-1단계에서 계산한 정상적인 경우의 잔차의 평균 및 표준편차 값과 동일한 평균 및 표준편차 갖는 정규분포의 동일 개수 무작위 숫자를 생성하여 GT를 구하고, 이를 1000회 반복하여 GT의 최대값을 취하여 관리한계선(UCL : Upper Control Limit)으로 설정하는 제12-4단계 및;
    GT가 관리한계선(UCL)을 이탈하면 센서에 드리프트가 발생한 것으로 판정하고, 이탈하지 않으면 센서가 정상적인 것으로 판정하여 드리프트 유무 판정하는 제12-5단계;를 갖추어 이루어진 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  40. 제39항에 있어서,
    상기 제12-1단계에서의 입력값과 예측치의 차이인 모델 잔차(R)가, 식
    Figure PCTKR2010008308-appb-I000424
    에 의해 구해지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  41. 제39항에 있어서,
    상기 제12-2단계에서 정상일 경우에 대한 잔차의 평균값이 -0.00096347이고, 표준편차(σ)가 0.0069인 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  42. 제39항에 있어서,
    상기 제12-2단계에서 시점 t에서의 GLR(Generalized Likelihood Ratio)이, 식
    Figure PCTKR2010008308-appb-I000425
    (
    Figure PCTKR2010008308-appb-I000426
    는 최근 윈도우 크기
    Figure PCTKR2010008308-appb-I000427
    개의 데이터로 구한 평균을 의미함)
    에 의해 구해지고,
    Figure PCTKR2010008308-appb-I000428
    가, 식
    Figure PCTKR2010008308-appb-I000429
    에 의해 표현되는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  43. 제39항에 있어서,
    제12-2단계에서 GLRT의 검정통계량 GT가 시점 t에서 얻어지는 GLR 중의 윈도우 크기 내에서 가장 큰 것으로 정의하고, 식
    Figure PCTKR2010008308-appb-I000430
    (단,
    Figure PCTKR2010008308-appb-I000431
    는 최근 k개의 데이터로 시점 t에서 구한 평균을 나타냄)
    에 의해 구하는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  44. 제43항에 있어서,
    각 윈도우 크기에서의 GT 통계량과 최대 윈도우에서의 GT 통계량과의 MSE 차이를, 식
    Figure PCTKR2010008308-appb-I000432
    에 의해 구하고,
    MSE(GT i )의 감소가 둔화되는 점에서 최적 윈도우크기를 설정하는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  45. 제39항에 있어서,
    상기 제12-4단계에서의 관리한계선(UCL)을 UCL=28.25로 설정하는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  46. 제39항에 있어서,
    상기 제12-5단계에서 분석에 사용되는 센서 데이터가,
    원자로 출력(%)과, 가압기 수위(%), 증기발생기 증기 유량(Mkg/hr), 증기발생기 협역 수위 데이터(%), 증기발생기 압력 데이터(Kg/cm2), 증기발생기 광역 수위 데이터(%), 증기발생기 주급수 유량 데이터(Mkg/hr), 터빈 출력 데이터(MWe), 원자로 냉각재 충전 유량 데이터(m3/hr), 잔열제거 유량 데이터(m3/hr), 원자로 상부 냉각재 온도 데이터(℃)인 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
  47. 제39항에 있어서,
    상기 제12-5단계에서 계측기에 대한 정확도가, 식
    Figure PCTKR2010008308-appb-I000433
    (여기서, N : 시험데이터의 수,
    Figure PCTKR2010008308-appb-I000434
    : i번째 시험데이터에 대한 모델의 추정치,
    Figure PCTKR2010008308-appb-I000435
    : i번째 시험데이터의 측정치)
    에 의해 나타내어지는 것을 특징으로 하는 FSVR과 GLRT를 이용한 발전소 계측기 성능감시 방법.
PCT/KR2010/008308 2010-10-15 2010-11-24 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템 Ceased WO2012050262A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2010-0100697 2010-10-15
KR1020100100697A KR101178235B1 (ko) 2010-10-15 2010-10-15 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템

Publications (1)

Publication Number Publication Date
WO2012050262A1 true WO2012050262A1 (ko) 2012-04-19

Family

ID=45938460

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2010/008308 Ceased WO2012050262A1 (ko) 2010-10-15 2010-11-24 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템

Country Status (2)

Country Link
KR (1) KR101178235B1 (ko)
WO (1) WO2012050262A1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107291991A (zh) * 2017-05-25 2017-10-24 华侨大学 一种基于动态网络标志的风电机组早期缺陷预警方法
CN108490923A (zh) * 2018-04-28 2018-09-04 南京航空航天大学 用于电气牵引系统的微小故障检测与定位的系统设计方法
CN109270907A (zh) * 2018-10-24 2019-01-25 中国计量大学 一种基于分层概率密度分解的过程监测和故障诊断方法
CN110472689A (zh) * 2019-08-19 2019-11-19 东北大学 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法
CN110823474A (zh) * 2019-09-27 2020-02-21 一汽解放汽车有限公司 一种燃油系统泄漏程度评估方法及存储介质
CN112069457A (zh) * 2020-08-13 2020-12-11 山东科技大学 一种基于动态平稳子空间分析的非平稳动态过程异常监测方法
CN113433913A (zh) * 2021-07-06 2021-09-24 上海新氦类脑智能科技有限公司 系统监测模型生成及监测方法、处理器芯片以及工业系统
CN116215293A (zh) * 2023-05-08 2023-06-06 广东电网有限责任公司佛山供电局 一种电动汽车充电桩运行状态预测方法及装置

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101998553B1 (ko) * 2012-08-01 2019-07-10 한국전력공사 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법
CN107678930A (zh) * 2017-09-11 2018-02-09 华东理工大学 一种基于光滑支持向量机的银行自动终端异常报警方法
CN107606745B (zh) * 2017-09-27 2019-09-27 南京中灿科技有限公司 地铁空调季逐时环控能耗预测方法
KR102130272B1 (ko) * 2018-07-17 2020-07-08 한국전력공사 경험모델 기반 예측 알고리즘의 최적화 방법
KR102470112B1 (ko) * 2020-02-27 2022-11-23 한국수력원자력 주식회사 원전의 지능형 상태감시 방법 및 시스템
CN113640607B (zh) * 2021-08-18 2023-02-28 江苏科技大学 一种针对高速列车逆变电路及电机的早期故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100340967B1 (ko) * 1999-10-08 2002-06-20 손재익 일반 회귀 신경망을 이용한 고장 검출 방법
US20050261837A1 (en) * 2004-05-03 2005-11-24 Smartsignal Corporation Kernel-based system and method for estimation-based equipment condition monitoring
KR100867938B1 (ko) * 2007-09-27 2008-11-10 한국전력공사 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100340967B1 (ko) * 1999-10-08 2002-06-20 손재익 일반 회귀 신경망을 이용한 고장 검출 방법
US20050261837A1 (en) * 2004-05-03 2005-11-24 Smartsignal Corporation Kernel-based system and method for estimation-based equipment condition monitoring
KR100867938B1 (ko) * 2007-09-27 2008-11-10 한국전력공사 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
IN-YONG SEO ET AL., JOURNAL OF THE KOREA SOCIETY FOR SIMULATION, vol. 18, no. 3, September 2009 (2009-09-01), pages 103 - 112 *
NA, M.G. ET AL.: "A SOFT-SENSING MODEL FOR FEEDWATER FLOW RATE USING FUZZY SUPPORT VECTOR REGRESSION", NUCLEAR ENGINEERING AND TECHNOLOGY, vol. 40, no. 1, February 2008 (2008-02-01), pages 69 - 76 *
YANG, H.Y. ET AL.: "FUZZY SUPPORT VECTOR REGRESSION MODEL FOR THE CALCULATION OF THE COLLAPSE MOMENT FOR WALL-THINNED PIPES", NUCLEAR ENGINEERING AND TECHNOLOGY, vol. 40, no. 7, December 2008 (2008-12-01), pages 607 - 614 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107291991A (zh) * 2017-05-25 2017-10-24 华侨大学 一种基于动态网络标志的风电机组早期缺陷预警方法
CN107291991B (zh) * 2017-05-25 2020-08-07 华侨大学 一种基于动态网络标志的风电机组早期缺陷预警方法
CN108490923A (zh) * 2018-04-28 2018-09-04 南京航空航天大学 用于电气牵引系统的微小故障检测与定位的系统设计方法
CN109270907B (zh) * 2018-10-24 2020-07-28 中国计量大学 一种基于分层概率密度分解的过程监测和故障诊断方法
CN109270907A (zh) * 2018-10-24 2019-01-25 中国计量大学 一种基于分层概率密度分解的过程监测和故障诊断方法
CN110472689A (zh) * 2019-08-19 2019-11-19 东北大学 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法
CN110472689B (zh) * 2019-08-19 2022-11-15 东北大学 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法
CN110823474A (zh) * 2019-09-27 2020-02-21 一汽解放汽车有限公司 一种燃油系统泄漏程度评估方法及存储介质
CN112069457A (zh) * 2020-08-13 2020-12-11 山东科技大学 一种基于动态平稳子空间分析的非平稳动态过程异常监测方法
CN112069457B (zh) * 2020-08-13 2023-11-17 山东科技大学 一种基于动态平稳子空间分析的非平稳动态过程异常监测方法
CN113433913A (zh) * 2021-07-06 2021-09-24 上海新氦类脑智能科技有限公司 系统监测模型生成及监测方法、处理器芯片以及工业系统
CN116215293A (zh) * 2023-05-08 2023-06-06 广东电网有限责任公司佛山供电局 一种电动汽车充电桩运行状态预测方法及装置
CN116215293B (zh) * 2023-05-08 2023-07-04 广东电网有限责任公司佛山供电局 一种电动汽车充电桩运行状态预测方法及装置

Also Published As

Publication number Publication date
KR101178235B1 (ko) 2012-08-30
KR20120039160A (ko) 2012-04-25

Similar Documents

Publication Publication Date Title
WO2012050262A1 (ko) 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템
WO2009131376A2 (en) Multiple antenna communication system including adaptive updating and changing of codebooks
WO2011136627A2 (en) Multiple input multiple output communication system using codebook corresponding to each reporting mode
WO2020242260A1 (ko) 전역적 문맥을 이용하는 기계 학습 기반의 이미지 압축을 위한 방법 및 장치
WO2020159154A1 (en) Method for encoding images and corresponding terminals
WO2009157715A2 (en) Codebook design method for multiple input multiple output system and method for using the codebook
WO2020246631A1 (ko) 온도 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법
WO2024072017A1 (en) Method and system for federated learning
WO2023080379A1 (ko) 다유전자 위험점수를 이용한 시간 의존 연관성 기반의 질환 발병 정보 생성 장치 및 그 방법
WO2018182171A1 (ko) 운항선의 표준운항상태 선속-동력 해석 방법
WO2023191206A1 (ko) 변수 속성에 기반한 탐색적 데이터 분석 자동화 시스템과 방법
WO2020060161A1 (ko) 대화형 인터페이스를 이용한 통계 분석 시스템과 통계분석 방법
WO2021025545A1 (ko) Rf 체인의 특성을 측정하기 위한 방법 및 장치
WO2024167362A1 (ko) 사용자 중심 셀자유 분산 거대 다중입출력 통신 전력 할당 방법 및 장치
WO2020101271A1 (ko) 전지의 정상 및 단락 상태에 대한 온도 변화 예측 방법
WO2021242063A1 (ko) 초음파 투과 장치 및 파동 제어 방법
WO2022108420A1 (ko) 그리드 포밍 전력변환 제어 장치 및 방법
WO2023101472A1 (ko) 프로그램된 활성화 함수 실행 유닛을 포함하는 신경 프로세싱 유닛
WO2026059148A1 (ko) 복수의 인공신경모델을 이용하여 관절염등급을 판정하는 방법, 시스템, 및 컴퓨터판독가능 기록매체
WO2011040707A2 (en) Multiple-input multiple-output communication system using explicit feedback
WO2021235750A1 (ko) 강인음성인식을 위한 방향벡터 추정을 겸한 온라인 우도최대화를 이용한 빔포밍 방법 및 그 장치
WO2025135818A1 (ko) 온실의 대상 사이트에 대한 과실 수확량 예측 방법 및 시스템
WO2014030930A2 (ko) 에너지 관리 대상 모델링을 통한 에너지 관리 방법
WO2017018593A1 (ko) 단말간 통신 시스템에서 전송 전력을 결정하는 장치 및 방법
WO2024172305A1 (ko) 제품 검사 시스템의 제어 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10858449

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 10858449

Country of ref document: EP

Kind code of ref document: A1