WO2018044040A1 - 기기 중요도와 경보 유효성 판단 프로세서를 포함한 원자력발전소 기기 이상징후 사전감지 방법 및 그 시스템 - Google Patents

기기 중요도와 경보 유효성 판단 프로세서를 포함한 원자력발전소 기기 이상징후 사전감지 방법 및 그 시스템 Download PDF

Info

Publication number
WO2018044040A1
WO2018044040A1 PCT/KR2017/009429 KR2017009429W WO2018044040A1 WO 2018044040 A1 WO2018044040 A1 WO 2018044040A1 KR 2017009429 W KR2017009429 W KR 2017009429W WO 2018044040 A1 WO2018044040 A1 WO 2018044040A1
Authority
WO
WIPO (PCT)
Prior art keywords
alarm
monitoring
early warning
data
value
Prior art date
Application number
PCT/KR2017/009429
Other languages
English (en)
French (fr)
Inventor
민지호
김지인
하훈권
오정학
박영섭
박치용
김대웅
김양석
이병오
Original Assignee
한국수력원자력 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020160110313A external-priority patent/KR102005138B1/ko
Priority claimed from KR1020160110307A external-priority patent/KR101829137B1/ko
Application filed by 한국수력원자력 주식회사 filed Critical 한국수력원자력 주식회사
Priority to CN201780053355.9A priority Critical patent/CN109690641B/zh
Priority to US16/328,627 priority patent/US11200790B2/en
Priority to EP17846965.6A priority patent/EP3506229A4/en
Publication of WO2018044040A1 publication Critical patent/WO2018044040A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/001—Computer implemented control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/187—Machine fault alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
    • G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/14—Central alarm receiver or annunciator arrangements
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B27/00—Alarm systems in which the alarm condition is signalled from a central station to a plurality of substations
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21C—NUCLEAR REACTORS
    • G21C17/00—Monitoring; Testing ; Maintaining
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/04—Safety arrangements
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/04—Safety arrangements
    • G21D3/06—Safety arrangements responsive to faults within the plant
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Definitions

  • the present invention relates to a device anomaly warning, and more particularly to the generation of an alarm by judging an indication of a device anomaly in a power plant and to pre-detection of an anomaly of devices of a nuclear power plant.
  • monitoring data such as temperature and pressure were acquired from a measuring instrument, and the present value of the data was compared with a predicted value to determine an abnormality of the device and an early warning was generated.
  • the early warning system currently used is implemented by the difference between the present value of the device monitoring variable and the predicted value calculated by the early warning program as a residual and an alarm is generated when the residual is out of the normal operating range of the device monitoring variable.
  • a conventional early warning system receives a measuring device 100 measuring a state of power plant devices, and monitoring signals (eg, pressure, temperature, flow rate, etc.) acquired from the measuring devices 100.
  • Data processing device 110 for storing and converting to digital data
  • early warning processing device 120 for analyzing the converted data to generate an early warning
  • operator computer for the operator to query the device status and early warning status, etc. 130.
  • the data processing apparatus 110 receives instrument signals from the instruments (S200).
  • the data processing apparatus 110 undergoes a data processing step of converting the digital signal into digital data (S210).
  • the data processing apparatus 110 calculates current values of the instrument signals in real time (S220).
  • the early warning processing apparatus 120 receives the past measuring instrument signal data of the predetermined period of time from the data processing step from the data processing apparatus 110 to generate a pattern learning model in advance (S230).
  • the calculated current values are transmitted to the early warning processing apparatus 120, and the early warning processing apparatus 120 calculates the predicted values using the pattern learning model generated in advance (S240).
  • Residuals ie,
  • Each of the residuals is compared with a normal operating range of each preset monitoring variable (eg, pressure, temperature, flow rate, etc.) (S260). If the residuals are out of the normal operating range, an alarm is generated (S270), and if the residuals are not out of the normal operating range, no alarm is generated. At this time, the normal operation range for alarm can be adjusted by the operator.
  • a preset monitoring variable eg, pressure, temperature, flow rate, etc.
  • the early warning processing device 120 transmits the alarm status information to the operator computer 130 to allow the operator to inquire (S280).
  • An abnormal symptom detection system of conventional nuclear power plant equipments alarms when the excess value reaches a preset set point when the normal operation interval is exceeded for the variable monitoring the equipment as shown in FIG. 5A. Generates.
  • the conventional alarm method receives a measurement signal from a data processing device (S100) and performs a data processing process of converting the received measurement signal into a digital signal (S110). Then, the current value is calculated at predetermined time intervals (S120), and it is determined whether the current value calculated by the early warning processing device exceeds the set value for each monitoring variable (S130). If it is determined that the current value exceeds the set value for each monitoring variable, an alarm is generated (S140).
  • An object of the present invention is to adjust the frequency of alarm occurrence according to the importance of the device, and early warning of device abnormalities, including device importance and alarm validity determination provided to the operator by classifying alarms that need to be tracked and analyzed and alarms that do not require It is to provide a method and system.
  • An object of the present invention is to detect a device abnormal symptoms in advance in order to prevent the failure of the major nuclear power plant in advance and to generate an early warning to minimize the device failure and uninterrupted equipment of the nuclear power plant in advance, To provide.
  • the present invention provides a method for early warning of abnormal symptoms of a device including device importance and alarm validity determination.
  • the early warning method for device abnormalities is a first step in the early warning processing device, determining whether the value of the device monitoring signal exceeds the normal operating range by using a weight based on the importance data for each monitoring variable previously analyzed by the operator.
  • a second step of generating an alarm when the device monitoring signal value exceeds the normal operating range, and in the alarm determination device, determining whether the generated alarm is a valid alarm to be analyzed and tracked It includes a third step.
  • the first step is analog-to-digital conversion of the monitoring signals received from the measuring instrument in the data processing device and calculating the current value of the monitoring signals transmitted to the early warning processing device and the importance classifier at regular intervals. It may include a step.
  • the first step may further include retrieving, from the importance database, the importance level and weight of the monitoring variable corresponding to the received current value, from the importance database, to the early warning processing device.
  • the first step may further include calculating a residual in the early warning processing apparatus by using the received current value, the weight, and a pre-established pattern learning model.
  • the first step may further include determining whether the early warning processing device deviates from a normal operation range preset by an operator using the residual.
  • the third step may include receiving, by the alarm determination device, the status information of the alarm and classifying the alarm into a noticed alarm and an analysis target alarm when the alarm occurs.
  • the above-described alarm may correspond to at least one of a power plant main control room occurrence alarm, an occurrence alarm by a device replacement operation, and an occurrence alarm by a pre-planned test or maintenance.
  • the alarm determination device may notify the alarm occurrence to at least one of the plant operator computer and the plant operator personal wireless communication device. Can be.
  • the present invention provides a device abnormal symptom early warning system including device importance and alarm validity determination.
  • the device abnormality early warning system determines whether the device monitoring signal value exceeds the normal operating range by using a weight based on the importance data of each monitoring variable previously analyzed by an operator, and the device monitoring signal value is normal operation. It includes an early warning processing device for generating an alarm when the range is exceeded, and an alarm determination device for determining whether the generated alarm is a valid alarm to be analyzed and tracked.
  • the device abnormality early warning system is an analog-to-digital conversion of the monitoring signals received from the instruments, the data processing device for calculating the current value of the monitoring signals and transmits to the early warning processing device and the importance classifier at regular intervals It may further include.
  • the device abnormality early warning system may further include the importance classification device for retrieving the importance level and weight of the monitoring variable corresponding to the received current value from the importance database and transmitting the same to the early warning processing device.
  • the early warning processing apparatus may calculate a residual using the received current value, the weight, and the pre-established pattern learning model.
  • the early warning processing device may determine whether it is out of the normal operation range set by the operator using the residual.
  • the alarm determining device may receive the status information of the alarm and classify it into a noticed alarm and an analysis target alarm.
  • the above-described alarm may correspond to at least one of a power plant main control room occurrence alarm, an occurrence alarm by a device replacement operation, and an occurrence alarm by a pre-planned test or maintenance.
  • the alarm determination device may notify the alarm occurrence to at least one of the plant operator computer and the plant operator personal wireless communication device. Can be.
  • the present invention provides a method for pre-detection of abnormalities in equipment of a nuclear power plant.
  • the apparatus abnormality pre-detection method includes a step of grouping the monitoring variables showing similar patterns for the same device by performing a pattern learning with the past device monitoring data of a predetermined period in the pattern learning apparatus and the patterns of the grouped monitoring variables in the predictive value calculation apparatus. And generating a predicted value of the current monitoring data received in real time.
  • the grouping the monitoring variables may include a first step of grouping the monitoring variables by the same device and a second step of grouping the monitoring variables grouped by the same device with the monitoring variables having a similar pattern.
  • the generating of the predicted value may be performed by comparing the current monitoring data with a pattern learning value of a similar pattern monitoring variable group belonging to the same device, and calculating a predicted value by giving a higher weight.
  • the past device monitoring data and the present monitoring data may be digital data that has undergone analog-to-digital conversion.
  • the past device monitoring data and the present monitoring data may be data regarding an early warning target monitoring variable previously selected by an operator.
  • the apparatus for detecting an abnormal symptom of the device may further include generating a residual value as an absolute value of the difference between the predicted value and the current data in the early warning processing device, and generating an early alarm when the residual is larger than the normal operating range residual. .
  • the normal operation range residual may be stored in a database by the operator in advance for each monitoring variable.
  • the present invention provides a system for detecting the abnormal symptoms of the nuclear power plant.
  • the device abnormality symptom pre-detection system receives a pattern learning apparatus using a pattern learning device for grouping monitoring variables showing similar patterns for each same device by performing pattern learning with past device monitoring data of a predetermined period and received in real time using patterns of the grouped monitoring variables. And a prediction value calculation device for generating a prediction value of the current monitoring data.
  • Grouping the monitoring variables may include grouping the monitoring variables by the same device and grouping the monitoring variables grouped by the same device among the monitoring variables having a similar pattern.
  • the generating of the prediction value may be performed by comparing the current monitoring data with a pattern learning value of a similar pattern monitoring variable group belonging to the same device, and calculating a prediction value by giving a higher weight.
  • the past device monitoring data and the present monitoring data may be digital data that has undergone analog-to-digital conversion.
  • the past device monitoring data and the present monitoring data may be data regarding an early warning target monitoring variable previously selected by an operator.
  • the device abnormality symptom pre-detection system may further include an early warning processing device that obtains a residual by an absolute value of the difference between the predicted value and the current data and generates an early warning when the residual is larger than a normal operating range residual.
  • the normal residual range may be stored in a database by the operator in advance for each monitoring variable.
  • Early warning method and system for device abnormal symptoms including device importance and alarm validity determination of the present invention can reduce the frequency of occurrence of low-critical devices, thereby minimizing manpower requirements for early warning analysis, and high-critical devices have small changes. It can also be used effectively to prevent equipment and plant outages by detecting and alerting quickly.
  • the early warning system of many units can be operated efficiently with a small number of personnel.
  • the alarm is triggered only when the set value of the preset monitoring variable is reached, and only when the operator recognizes it.
  • Most of the monitoring variables have a significant difference between the normal operation range and the set value, so that the alarm does not occur when the device has a slight abnormality, which is difficult for the operator to recognize.
  • continuous accumulation of minute abnormalities in such equipment may lead to serious failure problems.
  • Apparatus and system for pre-detection of anomalous symptoms of the present invention calculate a residual using a predicted value calculated in real time by a pattern learning model, and apply a method of immediately generating an alarm when the magnitude of the residual is out of the normal operating deviation range. Minor signs of the device can be detected in advance.
  • FIG. 1 is a block diagram of a conventional early warning system.
  • FIG. 2 is a flowchart of a conventional early warning method.
  • FIG. 3 is a block diagram of an early warning system according to an embodiment of the present invention.
  • Figure 4 is a flow chart of the early warning method according to an embodiment of the present invention.
  • Figure 5a is a diagram showing the early warning generation range of the conventional method and the present invention.
  • 5b is a flow chart of a conventional alert method.
  • FIG. 6 is a diagram illustrating an early warning system according to an embodiment of the present invention.
  • FIG. 7 is a diagram illustrating a conventional monitoring variable grouping method and a monitoring variable grouping method according to an embodiment of the present invention.
  • FIG. 8 is a flowchart illustrating the generation of early warning according to an embodiment of the present invention.
  • first, second, etc. may be used to describe various components, but the components are not limited by the terms. The terms are used only for the purpose of distinguishing one component from another.
  • the first component may be referred to as the second component, and similarly, the second component may also be referred to as the first component.
  • the early warning system of the present invention is a measuring instrument 100 for measuring the status of the power plant equipment, monitoring signals obtained from the measuring instruments (for example, pressure, temperature, flow rate data, etc.)
  • Data processing apparatus 110 for receiving and storing the data and converting the data into digital data
  • Early warning processing apparatus 120 for analyzing the converted data and generating an early warning using the importance of each monitoring signal, Monitoring analyzed in advance
  • the importance classification device 140 for storing the importance data for each signal and classifying the collected monitoring signals according to the importance
  • the alarm determination device 150 for determining the validity of the alarm when an alarm occurs
  • the operator of the integrated center is the device state and early Integrated center operator computer 130 for receiving and inquiring alarm status, power plant operator computer 160 for receiving alarm status only when valid alarm, and plant operator personal affairs
  • the line communication device 170 is included.
  • the measuring instrument 100 is attached to or around the power plant equipment to measure the state of the equipment (for example, pressure, temperature, flow rate, etc.) and transmits the monitoring data to the data processing apparatus 110 by wire.
  • the transmission interval may be transmitted at an operator-specified time interval (eg, one second interval).
  • the data processing device 110 includes an analog-to-digital converter to convert analog surveillance data received from the measuring instrument 100 into digital surveillance data.
  • the digital surveillance data is transmitted to the early warning processor 120 and the importance classifier 140 via a wired communication link.
  • the early warning processing device 120 generates a pattern learning model using past monitoring data of a predetermined period (for example, 18 months) transmitted. In addition, by comparing the transmitted current monitoring data value with the predicted value of the previously generated pattern learning model to determine the normal operation and generates an alarm. When comparing the current monitoring data value and the predicted value, the importance of each monitoring variable stored in the importance classification device is applied to determine whether it is in normal operation.
  • the importance classification device 140 includes an importance database.
  • the importance database includes all the monitoring variables of the devices operating in the nuclear power plant, and stores information classifying the importance of each monitoring variable according to the importance classification criteria specified by the operator.
  • variables affecting plant outages (class A), variables that do not affect plant outages but affect a single unit outage (class B), and variables that do not affect plant outages (class C) ) can be classified and stored in three ways.
  • the feed pump bearing temperature can be classified as Class B as a variable that can cause the feed pump to stop in a sudden rise
  • turbine bearing vibration can be classified as Class A as a variable that can cause power generation stop if the vibration is increased.
  • the weight database for each grade designated by the operator to be used for calculating the predicted value is stored in the importance database.
  • the weight for each grade may be set to 1.2 to 1.5 for A grade, 1.1 to 0.9 for Grade B, and 0.8 to 0.6 for Grade C.
  • the importance level and the weight of each class may be arbitrarily determined by the operator based on the contents described in various operating procedures of the nuclear power plant and the operation experience of the operator.
  • the importance classification apparatus 140 determines whether the monitoring data transmitted from the data processing apparatus 110 corresponds to the importance as the importance information stored in the importance database.
  • the alarm determining device 150 automatically sends an alarm status to the power plant operator computer 160 and the power plant operator personal wireless communication device 170 when it is determined that the generated alarm is a valid alarm requiring notification and action to the power plant.
  • the valid alarm judgment is generated by, for example, whether the same alarm occurs even in the power plant main control room (MCR) (i.e., when the monitoring data value reaches a predetermined set value and the alarm occurs) or when the alarm is triggered. It is determined whether the alarm is an alarm generated by a predetermined test or maintenance, and only an alarm that does not correspond to this case is considered as a valid alarm.
  • MCR power plant main control room
  • FIG. 4 is a flow chart of the early warning method according to an embodiment of the present invention.
  • the data processing apparatus 110 receives instrument signals from instruments (S400).
  • the data processing apparatus 110 undergoes an analog-digital conversion step of converting the digital data into digital data (S410).
  • the converted digital data is transmitted to the early warning processing device 120.
  • the data processing apparatus 110 calculates current values of the signal signals at a predetermined time interval (for example, 1 second interval) (S520), and the early warning processing apparatus 120 and the importance classifier 140. send.
  • a predetermined time interval for example, 1 second interval
  • the importance classifier 140 determines the importance of the current value received from the data processing apparatus 110 (S460). The importance determination is performed by searching the value stored in the importance database of the importance classification apparatus 140 on the importance level and weight of the monitoring variable corresponding to the received current value. For example, if the current value received is feedwater pump bearing temperature data, the importance grade of the feedwater pump bearing temperature stored in the importance database and the weight of the corresponding grade are searched.
  • the early warning processing device 120 generates a pattern learning model using past monitoring data for a predetermined period (for example, 18 months) passed through the analog-digital conversion step S410 transmitted from the data processing device 110. (S430).
  • the early warning processing apparatus 120 calculates prediction values by using the received current values and the pattern learning model generated in advance (S440). That is, the prediction value is calculated by finding a similar pattern by comparing the present value with the learning value of the pattern learning model at a predetermined time interval (for example, one second interval).
  • Residuals b (using the weighted values corresponding to the importance of the calculated residuals a and the monitoring variable determined by the importance classification device 140) ) Is calculated (S470).
  • the early warning processing device 120 includes a function of finding the weight of the same monitoring variable from the importance classification device 140 while calculating the residual a in real time, so that the residual b may be calculated in real time.
  • the calculated residuals b are compared with the normal operating range of each preset monitoring variable (S480).
  • the normal operation range for alarm can be adjusted by the operator.
  • the normal operating range of the feedwater pump is 45 (minimum) to 55 (maximum) and the deviation between the minimum and maximum values is 10.
  • the residual is programmed to generate an alarm when 30% ( ⁇ 3) of the [maximum value-minimum value] deviation (10) of the normal operating range is entered, the residual value is 8 if the present value entered is 60 and the calculated predicted value is 52. Alarming occurs in excess of 30% of the deviation.
  • the present value is 43 and the predicted value is 45, the residual becomes 2 and no alarm occurs.
  • the early warning processing device 120 transmits the alarm status information to the integrated center operator computer 130 for monitoring the entire power plants so that the operator can inquire (S500). At the same time, the alarm status information is sent to the alarm determination device 150.
  • the alarm determination device 150 receives the alarm status information and performs an alarm validity determination process.
  • the alarm determining apparatus 150 determines the analysis target by classifying the received alarm type (S510).
  • the alarm judging device 150 determines whether the generated alarm is the same alarm occurs in the power plant main control room (MCR), or is generated by the device replacement operation, or is generated by a pre-planned test or maintenance. If it is an alarm or not, any one of them is stored in the alarm list notified and all alarms that do not correspond are stored in the alarm list.
  • MCR power plant main control room
  • the alarm stored in the analysis target alarm list is performed by the Integration Center operator for alarm tracking / analysis (S520). As a result, if it is determined that the power plant inspection is necessary, the alarm occurrence is notified to the personal radio communication device 170 of the power plant operator computer 160 and the predetermined plant operator (or device manager) (S530). If plant inspection is deemed unnecessary, the trend should be continuously monitored and further analysis performed if necessary.
  • the early warning system selects and monitors the measuring devices 200 of the power plant devices, the data processing device 210 for processing the monitoring signals obtained from the measuring devices, and the monitoring variable selection for selecting and storing the monitoring variables to be applied to the early warning.
  • / Storage device 220 monitoring variable pattern learning device 230 for learning the normal operation history for a predetermined period of time (for example, 18 months) for the selected monitoring variable, monitoring having a similar pattern grouped together
  • the pattern database 240 storing the variables, the predictive value calculator 250 that calculates the predicted value with the present value transmitted in real time from the data processing device 210, and the early warning comparing the present value with the predicted value to determine whether an alarm has occurred.
  • Processing unit 260 and a normal operating range database 270 that stores the normal operating range for each monitoring variable.
  • the data processing device 210 collects and stores monitoring signals (eg, temperature, pressure, flow rate, etc.) obtained from the measuring instruments 200 of power plant devices and converts them into digital data.
  • monitoring signals eg, temperature, pressure, flow rate, etc.
  • the monitoring variable selection / storage device 220 selects and applies a database for applying the early warning target variables.
  • the number of monitoring variables collected by the data processing device 210 in the power plant is about 7,000 to 10,000, and the monitoring variable selection / storage device 220 selects and stores monitoring variables that can be usefully used for early warning. do.
  • Selection is a variable that enables early warning through pattern recognition, mainly monitoring variables (eg, temperature, pressure, flow rate, vibration, etc.) and active devices of active devices (eg pumps, valves, turbines, generators, etc.).
  • monitoring variables eg, temperature, pressure, flow rate, vibration, etc.
  • active devices of active devices eg pumps, valves, turbines, generators, etc.
  • this study targets important variables that can determine the operating status of a plant (eg plant output, radiation concentration, etc.).
  • the monitoring variable pattern learning apparatus 230 learns a normal operation history for a period of one year or more (for example, 18 months) of the selected monitoring variable. Collect and pattern steady state values (ie past operating values) over a period of time (e.g., 18 months, one cycle of a nuclear power plant) for selected monitoring variables (around 1300 per plant). Do the learning. That is, when the normal operation history is collected by collecting values in the normal operation state for a certain period for each monitoring variable, the normal operation pattern of the corresponding variables may be completed. Each variable may have various driving patterns over the period and all of these patterns are learned.
  • the learned patterns can be grouped by the monitoring variables with similar patterns, and the monitoring variables belonging to the same group can be said to have similar operation patterns.
  • Surveillance variables grouped in a group are stored in the pattern database 240.
  • FIG. 7 is a diagram illustrating a conventional monitoring variable grouping method and a monitoring variable grouping method according to an embodiment of the present invention.
  • the existing pattern learning group generation method on the left is a method of pattern learning of all monitoring variables (approximately 1,300 pieces) of data and classifying each pattern to form a pattern learning group. Classified as a pattern group.
  • the first grouping is a method of first classifying all variables for pattern learning by device and in the second grouping, variables representing similar patterns in the same device are grouped together.
  • the current value is first classified into a device to which the current value belongs, and a similar pattern is found in the corresponding device. Therefore, the time for finding a similar pattern is also shortened, and the accuracy is also improved because the highly correlated variables are grouped together and used to calculate the predicted value.
  • the data processing apparatus 210 calculates the values of the monitoring variables currently measured by the predictive value calculator 250 and the early warning processor 260 in real time (for example, at 1 second intervals). send.
  • the predictive value calculator 250 calculates a predicted value by using current values of monitoring variables transmitted from the data processing apparatus 210 in real time.
  • the algorithm for calculating the prediction value may use techniques such as, for example, Auto Associative Kernel Regression (AAKR).
  • AAKR Auto Associative Kernel Regression
  • the device to which the monitoring variable belongs is recognized and compared with the pattern learning values of the most similar pattern group among the grouped patterns of the corresponding device.
  • the weight is given to the most similar pattern model and the weight is lowered to the least similar pattern model to calculate the predicted value.
  • each of the relevant pattern models may be weighted and summed so that the sum of the weights is 1, and the predicted value may be calculated.
  • the early warning processing device 260 calculates a residual by comparing the calculated predicted value with a present value.
  • the residual is calculated using the calculated prediction value and Equation 1.
  • the calculated residual is compared with the normal operating range residual of each of the monitoring variables stored in the normal operating range database 270 to generate an early warning when the calculated residual is larger than the normal operating range residual.
  • the early warning may be set to generate an alarm when the calculated residual is out of the deviation range (%) set by the operator (ie, the normal operation range residual) in the normal operation maximum value and the minimum value range of each variable.
  • the normal operating range residual preset by the operator is stored in the normal operating range database 270.
  • the normal operating range of the feed water pump is 45 (minimum) to 55 ° C (maximum) and the deviation between the minimum and maximum values is 10 ° C.
  • Residual value is
  • the predicted value calculator 350 receives a current value of the monitoring signals after converting the digital data from the data processing apparatus 210 (S400).
  • the device to which the monitoring variable of the current value belongs is recognized (S410). That is, if the present value is the feed water pump bearing temperature value, the device to which the monitoring variable belongs is recognized as the feed water pump.
  • the early warning processing device 260 receives the predicted value calculated by the predictive value calculator 250 and the current value from the data processing device 210 and calculates a residual using Equation 1.
  • the normal operating range residual for the corresponding monitoring variable stored in the normal operating range database 270 is compared with the residual (S460). If the calculated residual is larger than the normal operation range residual, an alarm is generated (S470).
  • measuring instrument 110 data processing device
  • 100-1 normal operation range of device 110-1: MCR alarm (based on setpoint)
  • monitoring variable selection / storage device 230 monitoring variable pattern learning device

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Emergency Management (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Plasma & Fusion (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Security & Cryptography (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Linguistics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

본 발명은 기기 중요도와 경보 유효성 판단을 포함하는 기기 이상징후 조기경보 방법 및 시스템을 제공한다. 상기 기기 이상징후 조기경보 방법은 조기경보처리장치에서, 운영자에 의해 사전에 분석된 감시변수별 중요도 데이터에 기반한 가중치를 이용하여 기기 감시 신호 값이 정상운전범위를 초과하는지 여부를 판단하는 제1단계, 상기 조기경보처리장치에서, 상기 기기 감시 신호 값이 정상운전범위를 초과하는 경우 경보를 발생하는 제2단계와 경보판단장치에서, 상기 발생한 경보가 경보 분석과 추적 대상인 유효한 경보인지를 판단하는 제3단계를 포함한다.

Description

기기 중요도와 경보 유효성 판단 프로세서를 포함한 원자력발전소 기기 이상징후 사전감지 방법 및 그 시스템
본 발명은 기기 이상징후 경보에 관한 것으로, 더 구체적으로는 발전소에서 기기 이상 징후를 판단하여 경보를 발생시키는 것 및 원자력발전소의 기기들의 이상징후 사전감지에 관한 것이다.
종래에는 발전소에서 기기의 이상 여부를 판단하여 경보를 발생시키기 위해 계측기로부터 온도, 압력 등의 감시 데이터를 취득하고 데이터의 현재 값과 예측값을 비교하여 기기의 이상 여부를 판단하고 조기경보를 발생시켰다. 현재 사용되는 조기경보 시스템은 기기 감시 변수의 현재 값과 조기경보 프로그램에 의해 계산된 예측값의 차이를 잔차로 나타내고 그 잔차가 기기 감시 변수의 정상 운전 범위를 벗어나면 경보를 발생하는 원리로 구현된다.
도 1은 종래의 조기경보 시스템의 구성도이다. 도 1을 참조하면, 종래의 조기경보 시스템은 발전소 기기들의 상태를 계측하는 계측기(100), 상기 계측기(100)들로부터 취득된 감시 신호(예를 들어, 압력, 온도, 유량 등)를 수신하여 저장하고 디지털 데이터로 변환하는 데이터처리장치(110), 상기 변환된 데이터를 분석하여 조기 경보를 발생시키는 조기경보처리장치(120), 및 운영자가 상기 기기 상태 및 조기 경보 상태 등을 조회하는 운영자컴퓨터(130)를 포함한다.
도 2는 종래의 조기경보 방법의 순서도이다. 도 2에 도시된 바와 같이, 데이터처리장치(110)는 계측기들로부터 계측기 신호들을 수신한다(S200).
수신된 계측기 신호들은 아날로그 신호이므로 데이터처리장치(110)에서 디지털 데이터로 변환하는 데이터 처리 단계를 거친다(S210).
그런 다음 데이터처리장치(110)는 실시간으로 계측기 신호들의 현재 값들을 산출한다(S220).
조기경보처리장치(120)는 상기 데이터 처리 단계를 거친 일정기간의 과거 계측기 신호 데이터들을 데이터처리장치(110)로부터 수신하여 사전에 패턴 학습 모델을 생성한다(S230).
산출된 현재 값들은 조기경보처리장치(120)로 전송되고, 조기경보처리장치(120)는 미리 생성한 패턴 학습 모델을 이용하여 예측값들을 산출한다(S240).
상기 현재값들과 예측값들을 이용하여 잔차(residual)들(즉, |현재값-예측값|)을 계산한다(S250).
상기 잔차들을 각각 미리 설정된 각 감시변수(예를 들어, 압력, 온도, 유량 등)의 정상 운전 범위와 비교한다(S260). 잔차가 정상 운전 범위를 벗어나면 경보를 발생시키고(S270), 잔차가 정상 운전 범위를 벗어나지 않으면 경보를 발생시키지 않는다. 이때 경보 발생을 위한 정상운전 범위는 운영자가 조정할 수 있다.
경보 발생시 조기경보처리장치(120)는 운영자컴퓨터(130)로 경보 현황 정보를 전송하여 운영자가 조회할 수 있게 한다(S280).
그러나 이러한 조기경보 시스템은 다음과 같은 문제점이 있다.
발전소에 감시 대상 기기는 수백 개에 이르며 감시변수가 1,000~2,000개/호기에 이른다. 따라서 상기와 같은 방식으로 경보를 발생시키면 경보가 매우 빈번하게 발생하게 되고, 운영자가 경보 확인 및 분석에 많은 시간을 소요하게 된다.
또한, 기기들의 중요도가 고려되지 않아 경보 발생시 운영자가 일일이 경보의 중요성을 판단해야 하는 문제점이 있다.
또한, 경보 발생 후에는 경보가 실제 기기의 이상 징후에 의해 발생한 경보인지 또는 사전에 계획된 기기의 교체 운전이나 시험, 정비 등에 의해 발생한 경보인지 구분을 할 수 없다. 따라서, 운영자가 경보 발생시마다 경보 분석을 하여 경보의 유효성 판단을 해야 하는 문제점이 있다.
그러므로, 사전에 실제 기기의 이상 상태 시에만 경보가 발생하도록 하여 운영자가 효율적으로 조기경보시스템을 운영할 필요가 있다.
종래의 원자력발전소 기기들의 이상징후 감지 시스템은 도 5a에 도시된 바와 같이 기기들을 감시하는 변수에 대하여 정상운전 구간을 초과하는 경우 그 초과한 값이 사전에 설정한 설정치(set point)에 도달하면 경보를 발생시킨다.
도 5b는 종래 경보 방법의 순서도이다. 도 5b를 참조하면, 종래 경보 방법은 데이터처리장치에서 계측기 신호를 수신하고(S100), 수신한 계측기 신호를 디지털 신호로 변환하는 데이터 처리 과정을 진행한다(S110). 그런 다음 일정 시간 간격으로 현재 값을 산출하고(S120), 조기경보처리장치에서 산출된 현재 값이 해당 감시변수별 설정치를 초과하는지 판단한다(S130). 판단 결과 현재 값이 감시변수별 설정치를 초과하는 경우에는 경보를 발생시킨다(S140).
상기와 같은 종래 경보 방법의 경우 도 5a의 정상운전구간(100)과 설정치 도달구간(110)까지의 이상 상태에 대해서는 원자력발전소 운영자가 알기 어려우며, 이러한 과도상태구간(120)에서 갑자기 기기가 고장나거나 발전소 정지를 유발하는 사고로 전개되기도 하여 정상운전구간과 설정값 도달 구간 사이에 유용한 사전감시 수단이 필요하다.
본 발명의 목적은 기기의 중요도에 따라 경보 발생 빈도를 조정하고 발생한 경보에 대해서는 추적 및 분석이 필요한 경보와 필요없는 경보로 구분하여 운영자에게 제공하는 기기 중요도와 경보 유효성 판단을 포함한 기기 이상징후 조기경보 방법 및 시스템을 제공하는 것이다.
본 발명의 목적은 원자력발전소 주요기기들의 고장을 방지하기 위해 기기들의 미세한 이상징후를 사전에 감지하고 조기경보를 발생시켜 원자력발전소의 기기 고장 및 불시정지를 최소화하는 기기 이상징후 사전 감지 방법 및 시스템을 제공하는 것이다.
본 발명의 일 측면에 따르면, 본 발명은 기기 중요도와 경보 유효성 판단을 포함하는 기기 이상징후 조기경보 방법을 제공한다. 상기 기기 이상징후 조기 경보 방법은 조기경보처리장치에서, 운영자에 의해 사전에 분석된 감시변수별 중요도 데이터에 기반한 가중치를 이용하여 기기 감시 신호 값이 정상운전범위를 초과하는지 여부를 판단하는 제1단계, 상기 조기경보처리장치에서, 상기 기기 감시 신호 값이 정상운전범위를 초과하는 경우 경보를 발생하는 제2단계, 그리고 경보판단장치에서, 상기 발생한 경보가 경보 분석과 추적 대상인 유효한 경보인지를 판단하는 제3단계를 포함한다.
상기 제1단계는 데이터처리장치에서, 계측기들로부터 수신한 감시 신호들을 아날로그-디지털 변환하는 단계와 상기 감시 신호들의 현재값을 산출하여 일정 시간 간격으로 상기 조기경보처리장치와 중요도분류장치로 전송하는 단계를 포함할 수 있다.
상기 제1단계는 상기 중요도분류장치에서, 전송받은 상기 현재값이 해당되는 감시 변수의 중요도 등급 및 가중치를 중요도 데이터베이스로부터 검색하여 상기 조기경보처리장치로 전송하는 단계를 더 포함할 수 있다.
상기 제1단계는 상기 조기경보처리장치에서, 전송받은 상기 현재 값, 상기 가중치와 사전 구축된 패턴학습모델을 이용하여 잔차(residual)을 계산하는 단계를 더 포함할 수 있다.
상기 제1단계는 상기 조기경보처리장치에서 상기 잔차를 이용하여 운영자가 사전에 설정한 정상운전범위를 벗어나는지를 판단하는 단계를 더 포함할 수 있다.
상기 제3단계는 상기 경보가 발생한 경우, 경보판단장치에서, 상기 경보의 현황 정보를 수신하여 예고된 경보와 분석대상 경보로 분류하는 단계를 포함할 수 있다.
상기 예고된 경보는 발전소 주제어실 발생 경보, 기기 교체 운전에 의한 발생 경보, 및 사전 계획된 시험 또는 정비에 의한 발생 경보 중 적어도 하나에 해당할 수 있다.
상기 경보가 상기 분석대상 경보인 경우, 통합센터 운영자에 의해 경보 분석 및 추적 결과 발전소 점검이 필요하다고 판단되면 상기 경보판단장치가 발전소 운영자컴퓨터 및 발전소 운영자 개인 무선통신기기 중 적어도 하나로 경보 발생을 통보할 수 있다.
본 발명의 또 다른 측면에 따르면, 본 발명은 기기 중요도와 경보 유효성 판단을 포함하는 기기 이상징후 조기경보 시스템을 제공한다. 상기 기기 이상징후 조기경보 시스템은 운영자에 의해 사전에 분석된 감시변수별 중요도 데이터에 기반한 가중치를 이용하여 기기 감시 신호 값이 정상운전범위를 초과하는지 여부를 판단하고, 상기 기기 감시 신호 값이 정상운전범위를 초과하는 경우 경보를 발생시키는 조기경보처리장치와 상기 발생한 경보가 경보 분석과 추적 대상인 유효한 경보인지를 판단하는 경보판단장치를 포함한다.
상기 기기 이상징후 조기경보 시스템은 계측기들로부터 수신한 감시 신호들을 아날로그-디지털 변환하고, 상기 감시 신호들의 현재값을 산출하여 일정 시간 간격으로 상기 조기경보처리장치와 중요도분류장치로 전송하는 데이터처리장치를 더 포함할 수 있다.
상기 기기 이상징후 조기경보 시스템은 전송받은 상기 현재값이 해당되는 감시 변수의 중요도 등급 및 가중치를 중요도 데이터베이스로부터 검색하여 상기 조기경보처리장치로 전송하는 상기 중요도분류장치를 더 포함할 수 있다.
상기 조기경보처리장치는 전송받은 상기 현재 값, 상기 가중치와 사전 구축된 패턴학습모델을 이용하여 잔차(residual)을 계산할 수 있다.
상기 조기경보처리장치는 상기 잔차를 이용하여 운영자가 사전에 설정한 정상운전범위를 벗어나는지를 판단할 수 있다.
상기 경보판단장치는 상기 경보가 발생한 경우, 상기 경보의 현황 정보를 수신하여 예고된 경보와 분석대상 경보로 분류할 수 있다.
상기 예고된 경보는 발전소 주제어실 발생 경보, 기기 교체 운전에 의한 발생 경보, 및 사전 계획된 시험 또는 정비에 의한 발생 경보 중 적어도 하나에 해당할 수 있다.
상기 경보가 상기 분석대상 경보인 경우, 통합센터 운영자에 의해 경보 분석 및 추적 결과 발전소 점검이 필요하다고 판단되면 상기 경보판단장치가 발전소 운영자컴퓨터 및 발전소 운영자 개인 무선 통신 기기 중 적어도 하나로 경보 발생을 통보할 수 있다.
본 발명의 또 다른 측면에 따르면, 본 발명은 원자력 발전소의 기기 이상징후 사전감지 방법을 제공한다. 상기 기기 이상징후 사전감지 방법은 패턴학습장치에서 소정 기간의 과거 기기 감시 데이터로 패턴 학습을 하여 동일 기기별로 유사 패턴을 보이는 감시 변수들을 그룹화하는 단계와 예측값 계산 장치에서 상기 그룹화된 감시변수들의 패턴들을 이용하여 실시간으로 수신된 현재 감시 데이터의 예측값을 생성하는 단계를 포함한다.
상기 감시변수들을 그룹화하는 단계는 상기 감시변수들을 동일 기기별로 그룹화하는 제1단계와 상기 동일 기기별로 그룹화된 감시변수들을 유사한 패턴을 나타내는 감시변수들끼리 그룹화하는 제2단계를 포함할 수 있다.
상기 예측값을 생성하는 단계는 상기 현재 감시 데이터를 동일 기기에 속하는 유사 패턴 감시변수 그룹의 패턴 학습값과 비교하여 유사할수록 높은 가중치를 주어 예측값을 계산하는 것을 특징으로 할 수 있다.
상기 과거 기기 감시 데이터와 상기 현재 감시 데이터는 아날로그-디지털 변환을 거친 디지털 데이터일 수 있다.
상기 과거 기기 감시 데이터와 상기 현재 감시 데이터는 운영자에 의해 미리 선정된 조기경보 대상 감시 변수에 관한 데이터일 수 있다.
상기 기기 이상징후 사전감지 방법은 조기경보처리장치에서 상기 예측값과 상기 현재 데이터의 차의 절대값으로 잔차를 구하여 상기 잔차가 정상운전범위 잔차보다 큰 경우 조기경보를 발생시키는 단계를 더 포함할 수 있다.
상기 정상운전범위 잔차는 운영자가 감시변수별로 사전에 지정하여 데이터베이스에 저장할 수 있다.
본 발명의 또 다른 측면에 따르면, 본 발명은 원자력 발전소의 기기 이상징후 사전감지 시스템을 제공한다. 상기 기기 이상징후 사전감지 시스템은 소정 기간의 과거 기기 감시 데이터로 패턴 학습을 하여 동일 기기별로 유사 패턴을 보이는 감시변수들을 그룹화하는 패턴학습장치와 상기 그룹화된 감시변수들의 패턴들을 이용하여 실시간으로 수신된 현재 감시 데이터의 예측값을 생성하는 예측값 계산 장치를 포함한다.
상기 감시변수들을 그룹화하는 것은 상기 감시변수들을 동일 기기별로 그룹화하는 것과 상기 동일 기기별로 그룹화된 감시변수들을 유사한 패턴을 나타내는 감시변수들끼리 그룹화하는 것을 포함할 수 있다.
상기 예측값을 생성하는 것은 상기 현재 감시 데이터를 동일 기기에 속하는 유사 패턴 감시변수 그룹의 패턴 학습값과 비교하여 유사할수록 높은 가중치를 주어 예측값을 계산하는 것을 특징으로 할 수 있다.
상기 과거 기기 감시 데이터와 상기 현재 감시 데이터는 아날로그-디지털 변환을 거친 디지털 데이터일 수 있다.
상기 과거 기기 감시 데이터와 상기 현재 감시 데이터는 운영자에 의해 미리 선정된 조기경보 대상 감시 변수에 관한 데이터일 수 있다.
상기 기기 이상징후 사전감지 시스템은 상기 예측값과 상기 현재 데이터의 차의 절대값으로 잔차를 구하여 상기 잔차가 정상운전범위 잔차보다 큰 경우 조기경보를 발생시키는 조기경보처리장치를 더 포함할 수 있다.
상기 정상잔차범위는 운영자가 감시변수별로 사전에 지정하여 데이터베이스에 저장할 수 있다.
본 발명의 기기 중요도와 경보 유효성 판단을 포함한 기기 이상징후 조기경보 방법 및 시스템은 중요도가 낮은 기기들은 경보 발생 빈도를 감소시켜 조기경보 분석에 인력 소요를 최소화할 수 있으며, 중요도가 높은 기기들은 작은 변화도 신속하게 감지하고 경보가 발생되도록 하여 기기 및 발전소 정지를 막는데 효과적으로 활용될 수 있다.
또한 발생한 경보를 추적 및 분석이 필요한 경보와 필요없는 경보로 구분함으로써 소수의 인력으로 다수호기의 조기경보 시스템을 효율적으로 운영할 수 있다.
종래의 설정치 기반 경보 방식은 기기에 미소한 이상이 발생하더라도 사전에 설정해 놓은 감시변수의 설정치에 도달해야 경보가 발생되고 이때야 비로소 운영자가 인지를 하게 된다. 대부분의 감시변수는 정상운전 범위와 설정치간에 상당한 차이가 있어 기기의 미소한 이상 발생시 경보가 발생하지 않아 운영자가 인지하기 어렵다. 또한, 이러한 기기의 미소한 이상이 지속적으로 축적될 경우 심각한 고장 문제로 진행될 수도 있다.
본 발명의 기기 이상징후 사전감지 방법 및 시스템은 패턴학습모델에 의해 실시간으로 계산되는 예측값을 이용하여 잔차를 계산하고 잔차의 크기가 정상운전편차범위를 벗어나면 바로 경보를 발생하게 하는 방법을 적용하여 기기의 미소한 징후를 사전에 감지할 수 있다.
또한, 원자력발전소 기기들의 고장징후를 빠르게 감지하여 기기의 고장으로 확산되는 것을 차단할 수 있다. 따라서, 발전소 불시정지를 최소화하고 미리 기기의 고장을 예측하여 계획된 정비를 수행함으로써 정비 비용을 절감하는데 기여할 수 있다.
도 1은 종래의 조기경보 시스템의 구성도이다.
도 2는 종래의 조기경보 방법의 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 조기경보 시스템의 구성도이다.
도 4는 본 발명의 일 실시 예에 따른 조기경보 방법의 순서도이다.
도 5a는 종래 방법과 본 발명의 조기경보 발생 범위를 도시한 도면이다.
도 5b는 종래 경보 방법의 순서도이다.
도 6는 본 발명의 일 실시 예에 따른 조기 경보 시스템을 도시한 도면이다.
도 7은 종래의 감시변수 그룹화 방법과 본 발명의 일 실시 예에 따른 감시변수 그룹화 방법을 도시한 도면이다.
도 8은 본 발명의 일 실시 예에 따른 조기경보 발생 순서도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등을 포함하는 용어가 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재 항목들의 조합 또는 복수의 관련된 기재 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여 본 발명에 바람직한 실시 예를 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어 도면 부호에 상관없이 동일하거나 대응하는 구성요소는 동일한 참조번호를 부여하고 이에 대해 중복되는 설명은 생략하기로 한다.
도 3은 본 발명의 일 실시 예에 따른 조기경보 시스템의 구성도이다. 도 3을 참조하면, 본 발명의 조기 경보 시스템은 발전소 기기들의 상태를 계측하는 계측기(100), 상기 계측기(100)들로부터 취득된 감시 신호들(예를 들어, 압력, 온도, 유량 데이터 등)을 수신하여 저장하고 디지털 데이터로 변환하는 데이터처리장치 (110), 상기 변환된 데이터를 분석하고, 감시신호별 중요도를 이용하여 조기 경보를 발생시키는 조기경보처리장치(120), 사전에 분석된 감시신호별 중요도 데이터를 저장하여 수집된 감시 신호들을 중요도에 따라 분류하는 중요도분류장치(140), 경보 발생 시 경보의 유효성을 판단하는 경보판단장치(150), 통합센터의 운영자가 상기 기기 상태 및 조기 경보 상태 등을 수신하여 조회하는 통합센터 운영자컴퓨터(130), 유효 경보인 경우에만 경보 현황을 수신하는 발전소 운영자컴퓨터(160), 및 발전소 운영자 개인무선통신장치(170)를 포함한다.
상기 계측기(100)는 발전소 기기들 또는 그 주위에 부착되어 기기들의 상태(예를 들어, 압력, 온도, 유량 등)를 계측하여 그 감시 데이터를 유선으로 데이터처리장치(110)로 전송한다. 전송 간격은 운영자가 지정한 시간 간격(예를 들어, 1초 간격)으로 전송할 수 있다.
상기 데이터처리장치(110)는 아날로그-디지털 변환기를 포함하여 상기 계측기(100)로부터 수신한 아날로그 감시 데이터를 디지털 감시 데이터로 변환한다. 상기 디지털 감시 데이터는 상기 조기경보처리장치(120) 및 상기 중요도분류장치(140)로 유선 통신 링크를 통해 전송된다.
상기 조기경보처리장치(120)는 전송된 일정 기간(예를 들어, 18개월)의 과거 감시 데이터를 이용하여 패턴학습모델을 생성한다. 또한 전송된 현재 감시 데이터 값을 사전에 생성된 패턴학습모델의 예측값과 비교하여 정상 운전 여부를 판단하고 경보를 발생시킨다. 현재 감시 데이터 값과 예측값의 비교시 중요도분류장치에 저장된 감시변수별 중요도를 적용하여 정상 운전 여부를 판단한다.
상기 중요도분류장치(140)는 중요도 데이터베이스를 포함한다.
상기 중요도 데이터베이스에는 원자력 발전소에서 운전 중인 기기들의 모든 감시변수가 포함되어 있으며, 운영자가 미리 지정한 중요도 분류 기준에 따라 감시변수별 중요도를 분류한 정보가 저장된다.
예를 들어, 감시변수 별로 발전소 정지에 영향을 미치는 변수(A등급), 발전소 정지에는 영향이 없으나 단일 기기 정지에는 영향을 미치는 변수(B등급), 및 기기의 정지에 영향이 없는 변수(C등급) 3가지로 분류하여 저장할 수 있다.
예를 들어, 급수펌프 베어링온도는 급상승시 급수펌프 정지를 유발할 수 있는 변수로 B등급으로 분류될 수 있고, 터빈 베어링진동은 진동이 커지면 발전정지를 유발할 수 있는 변수로 A등급으로 분류될 수 있다.
또한, 상기 중요도 데이터베이스에는 예측값 산출에 사용될 운영자가 지정한 각 등급별 가중치가 저장된다. 예를 들어, 각 등급별 가중치는 A등급의 경우 1.2 ~ 1.5, B등급의 경우 1.1 ~ 0.9, C등급의 경우 0.8 ~ 0.6 등으로 정할 수 있다.
상기와 같이 가중치를 결정할 경우 중요도가 높은 등급의 감시변수의 경우에는 잔차(
Figure PCTKR2017009429-appb-I000001
)가 더욱 커지는 효과가 있어 작은 변화에도 경보가 발생한다. 따라서, 중요한 감시변수의 경우 미세한 변화도 감지할 수 있다.
중요도가 낮은 등급 감시변수의 경우에는 잔차가 더욱 작아지는 효과가 있어 아주 크게 변하는 경우에만 경보가 발생하도록 되어있어 경보 빈도를 많이 감소시킬 수 있다.
상기 중요도 등급 및 각 등급별 가중치는 원자력 발전소의 각종 운전 절차서에 기술된 내용과 운영자의 운영 경험을 바탕으로 운영자가 임의로 결정할 수 있다.
상기 중요도 분류장치(140)는 상기 데이터처리장치(110)로부터 전송된 감시 데이터가 어떤 중요도에 해당하는지를 상기 중요도 데이터베이스에 저장된 중요도 정보로 판단한다.
상기 경보판단장치(150)는 발생한 경보가 발전소에 통보 및 조치가 필요한 유효한 경보라고 판단되면 발전소 운영자컴퓨터(160), 및 발전소 운영자 개인무선통신장치(170)로 경보현황을 자동 발송한다. 상기 유효한 경보 판단은 예를 들어, 발전소 주제어실(MCR)에서도 동일 경보가 발생하는 경우인지(즉, 감시 데이터 값이 사전에 정해진 설정치에 도달하여 경보가 발생하는 경우), 기기 교체 운전에 의해 발생된 경보인지, 사전에 계획된 시험 또는 정비에 의해 발생된 경보인지 등을 판단하여 이러한 경우에 해당하지 않는 경보만 유효한 경보로 판단한다.
도 4는 본 발명의 일 실시 예에 따른 조기경보 방법의 순서도이다. 도 4를 참조하면, 데이터처리장치(110)는 계측기들로부터 계측기 신호들을 수신한다(S400).
수신된 계측기 신호들은 아날로그 신호이므로 데이터처리장치(110)에서 디지털 데이터로 변환하는 아날로그-디지털 변환단계를 거친다(S410). 변환된 디지털 데이터는 조기 경보처리장치(120)로 전송된다.
그런 다음 데이터처리장치(110)는 미리 지정된 시간 간격(예를 들어, 1초 간격)으로 계측기 신호들의 현재 값을 산출하여(S520), 조기 경보 처리장치(120)와 중요도분류장치(140)로 전송한다.
중요도분류장치(140)는 데이터처리장치(110)로부터 전송받은 현재값의 중요도를 판단한다(S460). 상기 중요도 판단은 전송받은 현재값이 해당되는 감시변수의 중요도 등급 및 가중치를 상기 중요도 분류장치(140)의 중요도 데이터베이스에 저장된 값을 검색하여 수행한다. 예를 들어, 전송받은 현재값이 급수펌프 베어링온도 데이터인 경우 중요도 데이터베이스에 저장된 급수펌프 베어링온도의 중요도 등급과 해당 등급의 가중치를 검색한다.
조기경보처리장치(120)는 상기 데이터처리장치(110)로부터 전송된 아날로그-디지털 변환단계(S410)를 거친 일정 기간(예를 들어, 18개월)의 과거 감시 데이터를 이용하여 패턴학습모델을 생성한다(S430).
조기경보처리장치(120)는 전송받은 현재값들과 사전에 생성된 패턴학습모델을 이용하여 예측값들을 산출한다(S440). 즉, 미리 지정된 시간 간격(예를 들어, 1초 간격)으로 현재값과 패턴학습모델의 학습값을 비교하여 유사 패턴을 찾아 예측값을 산출한다.
그런 다음 상기 현재값들과 예측값들을 이용하여 잔차a들(residual a)(즉,
Figure PCTKR2017009429-appb-I000002
)을 계산한다(S450).
상기 계산된 잔차a들과 중요도분류장치(140)에서 판단된 감시 변수의 중요도에 해당하는 가중치를 이용하여 잔차b들 (
Figure PCTKR2017009429-appb-I000003
)을 계산한다(S470). 조기경보처리장치(120)에는 잔차a를 실시간으로 계산하면서 중요도분류장치(140)로부터 동일 감시변수의 가중치를 찾아내는 기능이 포함되어 실시간으로 잔차b가 계산될 수 있다.
상기 계산된 잔차b들을 각각 미리 설정된 각 감시변수의 정상운전 범위와 비교한다(S480).
잔차b가 정상 운전 범위를 벗어나면 경보를 발생시키고(S490), 잔차b가 정상 운전 범위를 벗어나지 않으면 경보를 발생시키지 않는다.
이때 경보 발생을 위한 정상운전 범위는 운영자가 조정할 수 있다. 예를 들어 급수펌프의 정상운전범위는 45(최소) ~ 55(최대)이고 이때 최소값과 최대값의 편차는 10가 된다. 잔차가 정상운전범위의 [최대값 - 최소값] 편차(10)의 30%(±3) 초과시 경보가 발생되도록 프로그램된 경우 입력된 현재값이 60이고 계산된 예측값이 52인 경우에는 잔차는 8가 되고 편차의 30%를 초과하여 경보가 발생하게 된다. 반대로 현재값이 43이고 예측값이 45라면 잔차가 2가 되어 경보가 발생하지 않게 된다.
경보 발생시 조기경보처리장치(120)는 전체 발전소들을 모니터링하는 통합센터 운영자컴퓨터(130)로 경보 현황 정보를 전송하여 운영자가 조회할 수 있게 한다(S500). 그와 동시에 경보판단장치(150)로 경보 현황 정보를 전송한다.
경보판단장치(150)는 경보 현황 정보를 수신하여 경보의 유효성 판단 프로세스를 수행한다.
먼저 경보판단장치(150)는 수신한 경보의 종류를 분류하여 분석 대상을 판단한다(S510).
예를 들어, 경보판단장치(150)에서는 발생된 경보가 발전소 주제어실(MCR)에서도 동일 경보가 발생하는 경우인지, 기기 교체 운전에 의해 발생된 경보인지, 사전에 계획된 시험 또는 정비에 의해 발생된 경보인지 등을 판단하고 이 중 한 개라도 해당하는 경우에는 예고된 경보리스트에 저장하고 모두 해당하지 않는 경보는 분석대상경보리스트에 저장한다.
분석대상경보리스트에 저장된 경보는 통합센터 운영자가 경보추적/분석을 수행한다(S520). 그 결과 발전소 점검이 필요하다고 판단이 되면 발전소 운영자컴퓨터(160)와 미리 지정한 발전소 운영자(또는 기기 담당자)의 개인 무선통신장치(170)에 경보 발생이 통보되도록 한다(S530). 발전소점검이 불필요하다고 판단이 되면 지속적으로 추세를 감시하고 필요시 추가 분석을 수행하도록 한다.
이상에서 본 발명의 다수의 실시 예가 기술되었다. 그럼에도 불구하고, 전술한 설명은 예시를 위한 것이며 다음의 청구항들의 범위에 의해 정의되는 본 발명의 범위를 한정하는 것이 아닌 것으로 이해되어야 한다. 따라서 다른 실시 예들이 또한 다음 청구항들의 범위 내에 있다. 예를 들어, 다양한 변형이 본 발명의 범위를 벗어남 없이 만들어질 수 있다. 부가적으로, 전술된 단계들의 일부는 순서 독립적이므로 기술된 것과 다른 순서로 수행될 수 있다.
도 6는 본 발명의 일 실시 예에 따른 조기 경보 시스템을 도시한 도면이다. 도 6를 참조하면, 조기 경보 시스템은 발전소 기기들의 계측기들(200), 계측기들로부터 취득된 감시 신호를 처리하는 데이터처리장치(210), 조기경보 적용 대상 감시변수들을 선정하여 저장하는 감시변수선정/저장장치(220), 선정된 감시변수에 대한 일정 기간 동안(예를 들어, 18개월)의 정상운전 이력을 학습하는 감시변수패턴학습장치(230), 유사 패턴을 가지는 것끼리 그룹으로 묶인 감시변수들을 저장하는 패턴데이터베이스(240), 데이터처리장치(210)로부터 실시간으로 전송되는 현재값으로 예측값을 산출하는 예측값계산장치(250), 현재값과 예측값을 비교하여 경보발생 여부를 판단하는 조기경보처리장치(260), 및 감시변수별로 정상운전범위를 저장하는 정상운전범위 데이터베이스(270)를 포함한다.
상기 데이터처리장치(210)는 발전소 기기들의 계측기들(200)로부터 취득된 감시신호들(예를 들어, 온도, 압력, 유량 등)을 수집하고 저장한 뒤 디지털데이터로 변환한다.
상기 감시변수선정/저장장치(220)는 조기경보 적용 대상 변수들을 선정하여 데이터베이스화시킨다. 발전소 내 데이터처리장치(210)에서 수집되는 감시변수는 약 7,000~10,000개 정도이며, 감시변수선정/저장장치(220)는 이중 조기경보에 유용하게 활용될 수 있는 감시변수들을 사전에 선정하여 저장한다. 선정은 패턴인식을 통해 조기경보가 가능한 변수들로 주로 능동기기(예를 들어, 펌프, 밸브, 터빈, 발전기 등)들의 감시변수(예를 들어, 온도, 압력, 유량, 진동 등)와 능동기기는 아니지만 발전소의 운전상태를 파악할 수 있는 중요한 변수들(예를 들어, 발전소 출력, 방사능 농도 등)을 대상으로 한다. 그러나 순간적으로 발생하는 on/off 신호나 발전소 안전과 운영에 영향이 적은 기기들의 감시변수들은 제외한다. 너무 많은 데이터를 처리하면 실시간(1초 단위) 데이터의 처리 및 전송이 어려워지기 때문이다.
상기 감시변수패턴학습장치(230)에서는 선정된 감시 변수의 과거 1년치 이상(예를 들어, 18개월) 기간의 정상운전 이력을 학습한다. 선정된 감시변수들(발전소별 약 1300개 내외)에 대해 일정 기간(예를 들어, 원자력발전소의 한 주기 운전기간인 18개월)의 정상운전 상태값들(즉, 과거 운전값)을 수집하고 패턴학습을 수행한다. 즉, 각 감시변수별로 일정 기간 동안의 정상운전 상태일 때 값들을 수집하여 정상운전 이력을 학습하면 해당 변수들의 정상운전 패턴이 완성될 수 있다. 각 변수들은 상기 일정 기간 동안 다양한 운전 패턴들을 가질 수 있고 이러한 패턴들이 모두 학습된다.
학습된 패턴들은 유사한 패턴을 보이는 감시변수들끼리 그룹으로 묶일 수 있으며 동일 그룹에 속한 감시변수들은 유사한 운전패턴을 가지고 있다고 볼 수 있다. 그룹으로 묶인 감시변수들은 패턴데이터베이스(240)에 저장된다.
도 7은 종래의 감시변수 그룹화 방법과 본 발명의 일 실시 예에 따른 감시변수 그룹화 방법을 도시한 도면이다. 도 7을 참조하면, 좌측의 기존 패턴학습그룹 생성 방법은 전체 감시변수(약 1300여 개) 데이터를 패턴학습하고 각 패턴별로 분류하여 패턴학습 그룹을 만드는 방법으로 동일 기기가 아니더라도 패턴만 유사하면 동일패턴 그룹으로 분류하였다.
이 경우 일부에서 패턴학습의 신뢰성과 정확성이 떨어지는 문제점이 있다. 예를 들어, 급수펌프의 온도, 압력, 유량과 발전기 급유탱크의 수위가 1년동안 유사 패턴을 보여 유사 패턴그룹으로 묶어버린 경우 문제가 생길 수 있다. 사실 급수펌프의 온도, 압력, 유량은 물리적으로 보나, 운전 경험으로 보나 유사한 패턴을 보여주는 것이 타당하지만, 위의 3가지 변수와 발전기 급유탱크의 수위는 물리적으로나, 운전경험상 아무런 유사성이 없다. 그런데 단지 패턴이 유사하다는 이유만으로 같은 패턴그룹으로 묶여지게 되면 추후에 예측값을 생성할 때 유사 패턴그룹의 감시변수들이 서로 영향을 주기 때문에 예측값의 정확도가 낮아지게 된다. 또한, 기존 방법의 경우 현재값이 입력되면 유사 패턴그룹으로 분류된 모든 패턴을 대상으로 유사 패턴이 있는지 찾아내야 해서 분석처리에 많은 시간이 소요된다. 즉, 1초내에 결과를 도출하기 어렵거나, 도출하기 위해서는 추가의 많은 수의 컴퓨터가 동원되어야 한다.
본 발명의 일 실시 예에서는 패턴학습 모델의 신뢰성을 높여서 예측값 계산의 정확도를 높이고자 도 3의 우측과 같이 2차례에 걸친 그룹화 작업을 수행한다. 즉, 1차 그룹화는 먼저 패턴학습 대상 전체 변수들을 기기별로 분류하고 2차 그룹화에서는 동일 기기 내에서 유사 패턴을 나타내는 변수들끼리 그룹화를 하는 방법이다.
상기와 같이 그룹화하는 경우, 예를 들어, 현재값이 입력되면 그 현재값이 속한 기기로 먼저 분류되고, 그 해당 기기 내에서 유사 패턴을 찾는다. 따라서, 유사 패턴을 찾는 시간도 단축이 되고 실제 상호 연관성이 높은 변수들끼리 그룹화되어서 예측값 계산에 활용되기 때문에 그 정확도도 높아지게 된다.
다시 도 6을 참조하면, 상기 데이터처리장치(210)는 실시간으로(예를 들어, 1초간격으로) 예측값계산장치(250)와 조기경보처리장치(260)로 현재 측정된 감시변수들의 값을 전송한다.
상기 예측값계산장치(250)에서는 상기 데이터처리장치(210)로부터 실시간으로 전송되는 감시변수들의 현재값으로 예측값을 산출한다.
상기 예측값을 계산하는 알고리즘은 예를 들어, AAKR(Auto Associative Kernel Regression)과 같은 기법들을 사용할 수 있다. 측정된 감시변수들의 현재값이 입력되면 그 감시변수가 속한 기기를 인식하여 해당 기기의 그룹화된 패턴들 중 가장 유사한 패턴 그룹의 패턴 학습값들과 비교한다. 가장 유사한 패턴 모델에 대해서는 가중치를 높게 주고, 가장 유사하지 않은 패턴 모델에 대해서는 가중치를 낮게 주어 관련된 모든 패턴 모델에 대해 가중치를 부여하여 예측값을 계산한다. 예를 들어, 관련된 각각의 패턴 모델 각각에 가중치의 합이 1이 되도록 가중치를 부여하고 합산하여 예측값을 계산할 수 있다.
상기 조기경보처리장치(260)는 계산된 예측값을 현재값과 비교하여 잔차(residual)를 계산한다.
계산된 예측 값과 수학식 1을 이용하여 잔차를 계산한다.
Figure PCTKR2017009429-appb-M000001
그런 다음 계산된 잔차를 정상운전범위 데이터베이스(270)에 저장된 각 감시변수들의 정상운전범위 잔차와 비교하여 계산된 잔차가 정상운전범위 잔차보다 크면 조기경보를 발생시킨다.
조기경보는 계산된 잔차가 각 변수의 정상운전 최대값과 최소값 범위에서 운영자가 설정해 놓은 편차 범위(%)(즉, 상기 정상운전범위 잔차)를 벗어나면 경보가 발생하도록 설정할 수 있다. 운영자가 사전에 설정한 정상운전범위 잔차는 정상운전범위 데이터베이스(270)에 저장된다.
예를 들어, 급수펌프의 정상운전범위는 45(최소) ~ 55℃(최대)이고 이때 최소값과 최대값의 편차는 10℃가 된다. 잔차가 정상운전범위의 |최대값 - 최소값| 편차(즉, 10℃)의 30% 초과시(즉, ±3℃) 경보가 발생되도록 설정된 경우에는 예를 들어, 입력된 현재값이 60℃이고 계산된 예측값이 52℃인 경우에 잔차는 8℃가 되어 경보가 발생하게 된다. 반대로 현재값이 43℃이고 예측값이 45℃라면 잔차가 2℃가 되어 경보가 발생하지 않게 된다.
도 8은 본 발명의 일 실시 예에 따른 조기경보 발생 순서도이다. 도 8을 참조하면, 예측값계산장치(350)는 데이터처리장치(210)로부터 디지털 데이터로 변환한 후의 감시신호들의 현재값을 수신한다(S400).
그런 다음 상기 현재값의 감시 변수가 속한 기기를 인식한다(S410). 즉, 상기 현재값이 급수펌프 베어링온도 값이라면 감시 변수가 속한 기기는 급수펌프로 인식한다.
패턴 데이터베이스에 저장된 패턴 모델들 중 상기 감시변수가 속한 기기 내 유사 패턴 모델들을 확인한다(S420).
유사 패턴 모델들이 확인되면 그에 속한 각 감시변수의 학습값과 현재값 간의 유사성을 분석한다(S430).
유사성이 높은 패턴 모델의 경우 높은 가중치를 부여하고 유사성이 낮은 모델의 경우 낮은 가중치를 부여하여 수학식 2과 같이 각 유사 패턴 모델의 학습값에 가중치를 곱한 합을 예측값으로 구한다(S440).
Figure PCTKR2017009429-appb-M000002
(여기서, 가중치의 합은 1이다.)
조기경보처리장치(260)는 예측값계산장치(250)에서 산출된 상기 예측값과 데이터처리장치(210)로부터의 현재값을 수신하여 상기 수학식 1을 이용하여 잔차를 계산한다.
그런 다음 정상운전범위 데이터베이스(270)에 저장된 해당 감시 변수에 대한 정상운전범위 잔차를 상기 잔차와 비교한다(S460). 계산된 잔차가 정상운전범위 잔차보다 큰 경우에는 경보를 발생한다(S470).
이상에서 본 발명의 다수의 실시 예가 기술되었다. 그럼에도 불구하고, 전술한 설명은 예시를 위한 것이며 다음의 청구항들의 범위에 의해 정의되는 본 발명의 범위를 한정하는 것이 아닌 것으로 이해되어야 한다. 따라서 다른 실시 예들이 또한 다음 청구항들의 범위 내에 있다. 예를 들어, 다양한 변형이 본 발명의 범위를 벗어남 없이 만들어질 수 있다. 부가적으로, 전술된 단계들의 일부는 순서 독립적이므로 기술된 것과 다른 순서로 수행될 수 있다.
[부호의 설명]
100 : 계측기 110 : 데이터처리장치
120 : 조기경보처리장치 130 : 통합센터 운영자컴퓨터
140 : 중요도분류장치 150 : 경보판단장치
160 : 발전소 운영자컴퓨터 170 : 발전소 운영자 개인 무선통신장치
100-1: 기기 정상운전구간 110-1: MCR경보(설정치기반)
120-1: 과도상태(조기경보구간)
200: 원자력발전소 주요기기(계측기 포함)
210: 데이터처리장치(소내전산기)
220: 감시변수선정/저장장치 230: 감시변수패턴학습장치
240: 패턴데이터베이스 250: 예측값계산장치
260: 조기경보처리장치 270: 정상운전범위 데이터베이스

Claims (30)

  1. 기기 중요도와 경보 유효성 판단을 포함하는 기기 이상징후 조기경보 방법에 있어서,
    조기경보처리장치에서, 운영자에 의해 사전에 분석된 감시변수별 중요도 데이터에 기반한 가중치를 이용하여 기기 감시 신호 값이 정상운전범위를 초과하는지 여부를 판단하는 제1단계;
    상기 조기경보처리장치에서, 상기 기기 감시 신호 값이 정상운전범위를 초과하는 경우 경보를 발생하는 제2단계; 및
    경보판단장치에서, 상기 발생한 경보가 경보 분석과 추적 대상인 유효한 경보인지를 판단하는 제3단계를 포함하는, 기기 이상징후 조기 경보 방법.
  2. 제1항에 있어서, 상기 제1단계는
    데이터처리장치에서, 계측기들로부터 수신한 감시 신호들을 아날로그-디지털 변환하는 단계; 및
    상기 감시 신호들의 현재값을 산출하여 일정 시간 간격으로 상기 조기경보처리장치와 중요도분류장치로 전송하는 단계를 포함하는, 기기 이상징후 조기 경보 방법.
  3. 제2항에 있어서,
    상기 중요도분류장치에서, 전송받은 상기 현재값이 해당되는 감시 변수의 중요도 등급 및 가중치를 중요도 데이터베이스로부터 검색하여 상기 조기경보처리장치로 전송하는 단계를 더 포함하는, 기기 이상징후 조기 경보 방법.
  4. 제3항에 있어서,
    상기 조기경보처리장치에서, 전송받은 상기 현재 값, 상기 가중치와 사전 구축된 패턴학습모델을 이용하여 잔차(residual)을 계산하는 단계를 더 포함하는, 기기 이상징후 조기 경보 방법.
  5. 제4항에 있어서,
    상기 조기경보처리장치에서 상기 잔차를 이용하여 운영자가 사전에 설정한 정상운전범위를 벗어나는지를 판단하는 단계를 더 포함하는, 기기 이상징후 조기 경보 방법.
  6. 제1항에 있어서, 상기 제3단계는
    상기 경보가 발생한 경우, 경보판단장치에서, 상기 경보의 현황 정보를 수신하여 예고된 경보와 분석대상 경보로 분류하는 단계를 포함하는, 기기 이상징후 조기 경보 방법.
  7. 제6항에 있어서, 상기 예고된 경보는
    발전소 주제어실 발생 경보, 기기 교체 운전에 의한 발생 경보, 및 사전 계획된 시험 또는 정비에 의한 발생 경보 중 적어도 하나에 해당하는, 기기 이상징후 조기 경보 방법.
  8. 제6항에 있어서,
    상기 경보가 상기 분석대상 경보인 경우, 통합센터 운영자에 의해 경보 분석 및 추적 결과 발전소 점검이 필요하다고 판단되면 상기 경보판단장치가 발전소 운영자컴퓨터 및 발전소 운영자 개인 무선통신기기 중 적어도 하나로 경보 발생을 통보하는, 기기 이상징후 조기 경보 방법.
  9. 기기 중요도와 경보 유효성 판단을 포함하는 기기 이상징후 조기경보 시스템에 있어서,
    운영자에 의해 사전에 분석된 감시변수별 중요도 데이터에 기반한 가중치를 이용하여 기기 감시 신호 값이 정상운전범위를 초과하는지 여부를 판단하고, 상기 기기 감시 신호 값이 정상운전범위를 초과하는 경우 경보를 발생시키는 조기경보처리장치; 및
    상기 발생한 경보가 경보 분석과 추적 대상인 유효한 경보인지를 판단하는 경보판단장치를 포함하는, 기기 이상징후 조기 경보 시스템.
  10. 제9항에 있어서,
    계측기들로부터 수신한 감시 신호들을 아날로그-디지털 변환하고, 상기 감시 신호들의 현재값을 산출하여 일정 시간 간격으로 상기 조기경보처리장치와 중요도분류장치로 전송하는 데이터처리장치를 더 포함하는, 기기 이상징후 조기 경보 시스템.
  11. 제10항에 있어서,
    전송받은 상기 현재값이 해당되는 감시 변수의 중요도 등급 및 가중치를 중요도 데이터베이스로부터 검색하여 상기 조기경보처리장치로 전송하는 상기 중요도분류장치를 더 포함하는, 기기 이상징후 조기 경보 시스템.
  12. 제11항에 있어서,
    상기 조기경보처리장치는 전송받은 상기 현재 값, 상기 가중치와 사전 구축된 패턴학습모델을 이용하여 잔차(residual)을 계산하는 것을 특징으로 하는, 기기 이상징후 조기 경보 시스템.
  13. 제12항에 있어서,
    상기 조기경보처리장치는 상기 잔차를 이용하여 운영자가 사전에 설정한 정상운전범위를 벗어나는지를 판단하는 것을 특징으로 하는, 기기 이상징후 조기 경보 시스템.
  14. 제9항에 있어서,
    상기 경보판단장치는 상기 경보가 발생한 경우, 상기 경보의 현황 정보를 수신하여 예고된 경보와 분석대상 경보로 분류하는 것을 특징으로 하는, 기기 이상징후 조기 경보 시스템.
  15. 제14항에 있어서, 상기 예고된 경보는
    발전소 주제어실 발생 경보, 기기 교체 운전에 의한 발생 경보, 및 사전 계획된 시험 또는 정비에 의한 발생 경보 중 적어도 하나에 해당하는, 기기 이상징후 조기 경보 시스템.
  16. 제14항에 있어서,
    상기 경보가 상기 분석대상 경보인 경우, 통합센터 운영자에 의해 경보 분석 및 추적 결과 발전소 점검이 필요하다고 판단되면 상기 경보판단장치가 발전소 운영자컴퓨터 및 발전소 운영자 개인 무선 통신 기기 중 적어도 하나로 경보 발생을 통보하는 것을 특징으로 하는, 기기 이상징후 조기 경보 시스템.
  17. 원자력 발전소의 기기 이상징후 사전감지 방법에 있어서,
    패턴학습장치에서 소정 기간의 과거 기기 감시 데이터로 패턴 학습을 하여 동일 기기별로 유사 패턴을 보이는 감시 변수들을 그룹화하는 단계; 및
    예측값 계산 장치에서 상기 그룹화된 감시변수들의 패턴들을 이용하여 실시간으로 수신된 현재 감시 데이터의 예측값을 생성하는 단계를 포함하는, 기기 이상징후 사전감지 방법.
  18. 제17항에 있어서, 상기 감시변수들을 그룹화하는 단계는
    상기 감시변수들을 동일 기기별로 그룹화하는 제1단계; 및
    상기 동일 기기별로 그룹화된 감시변수들을 유사한 패턴을 나타내는 감시변수들끼리 그룹화하는 제2단계를 포함하는, 기기 이상징후 사전감지 방법.
  19. 제18항에 있어서, 상기 예측값을 생성하는 단계는
    상기 현재 감시 데이터를 동일 기기에 속하는 유사 패턴 감시변수 그룹의 패턴 학습값과 비교하여 유사할수록 높은 가중치를 주어 예측값을 계산하는 것을 특징으로 하는, 기기 이상징후 사전감지 방법.
  20. 제17항에 있어서,
    상기 과거 기기 감시 데이터와 상기 현재 감시 데이터는 아날로그-디지털 변환을 거친 디지털 데이터인, 기기 이상징후 사전감지 방법.
  21. 제17항에 있어서,
    상기 과거 기기 감시 데이터와 상기 현재 감시 데이터는 운영자에 의해 미리 선정된 조기경보 대상 감시 변수에 관한 데이터인, 기기 이상징후 사전감지 방법.
  22. 제17항에 있어서,
    조기경보처리장치에서 상기 예측값과 상기 현재 데이터의 차의 절대값으로 잔차를 구하여 상기 잔차가 정상운전범위 잔차보다 큰 경우 조기경보를 발생시키는 단계를 더 포함하는, 기기 이상징후 사전감지 방법.
  23. 제22항에 있어서,
    상기 정상운전범위 잔차는 운영자가 감시변수별로 사전에 지정하여 데이터베이스에 저장하는, 기기 이상징후 사전감지 방법.
  24. 원자력 발전소의 기기 이상징후 사전감지 시스템에 있어서,
    소정 기간의 과거 기기 감시 데이터로 패턴 학습을 하여 동일 기기별로 유사 패턴을 보이는 감시변수들을 그룹화하는 패턴학습장치; 및
    상기 그룹화된 감시변수들의 패턴들을 이용하여 실시간으로 수신된 현재 감시 데이터의 예측값을 생성하는 예측값 계산 장치를 포함하는, 기기 이상징후 사전감지 시스템.
  25. 제24항에 있어서, 상기 감시변수들을 그룹화하는 것은
    상기 감시변수들을 동일 기기별로 그룹화하는 것; 및
    상기 동일 기기별로 그룹화된 감시변수들을 유사한 패턴을 나타내는 감시변수들끼리 그룹화하는 것을 포함하는, 기기 이상징후 사전감지 시스템.
  26. 제25항에 있어서, 상기 예측값을 생성하는 것은
    상기 현재 감시 데이터를 동일 기기에 속하는 유사 패턴 감시변수 그룹의 패턴 학습값과 비교하여 유사할수록 높은 가중치를 주어 예측값을 계산하는 것을 특징으로 하는, 기기 이상징후 사전감지 시스템.
  27. 제24항에 있어서,
    상기 과거 기기 감시 데이터와 상기 현재 감시 데이터는 아날로그-디지털 변환을 거친 디지털 데이터인, 기기 이상징후 사전감지 시스템.
  28. 제24항에 있어서,
    상기 과거 기기 감시 데이터와 상기 현재 감시 데이터는 운영자에 의해 미리 선정된 조기경보 대상 감시 변수에 관한 데이터인, 기기 이상징후 사전감지 시스템.
  29. 제24항에 있어서,
    상기 예측값과 상기 현재 데이터의 차의 절대값으로 잔차를 구하여 상기 잔차가 정상운전범위 잔차보다 큰 경우 조기경보를 발생시키는 조기경보처리장치를 더 포함하는, 기기 이상징후 사전감지 시스템.
  30. 제29항에 있어서,
    상기 정상운전범위 잔차는 운영자가 감시변수별로 사전에 지정하여 데이터베이스에 저장하는, 기기 이상징후 사전감지 시스템.
PCT/KR2017/009429 2016-08-29 2017-08-29 기기 중요도와 경보 유효성 판단 프로세서를 포함한 원자력발전소 기기 이상징후 사전감지 방법 및 그 시스템 WO2018044040A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201780053355.9A CN109690641B (zh) 2016-08-29 2017-08-29 包括确定设备重要度和警报有效性的处理程序的用于预检核电站设备异常迹象的方法及系统
US16/328,627 US11200790B2 (en) 2016-08-29 2017-08-29 Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor
EP17846965.6A EP3506229A4 (en) 2016-08-29 2017-08-29 METHOD FOR DETECTING ANOMALY CHARACTERS OF A NUCLEAR POWER PLANT WITH PROCESSOR FOR DETERMINING THE DEVICE MEANING AND THE WARNING VALIDITY AND SYSTEM THEREFOR

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2016-0110313 2016-08-29
KR10-2016-0110307 2016-08-29
KR1020160110313A KR102005138B1 (ko) 2016-08-29 2016-08-29 기기 이상징후 사전감지 방법 및 시스템
KR1020160110307A KR101829137B1 (ko) 2016-08-29 2016-08-29 기기 중요도와 경보 유효성 판단을 포함한 기기 이상징후 조기경보 방법 및 시스템

Publications (1)

Publication Number Publication Date
WO2018044040A1 true WO2018044040A1 (ko) 2018-03-08

Family

ID=61301088

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/009429 WO2018044040A1 (ko) 2016-08-29 2017-08-29 기기 중요도와 경보 유효성 판단 프로세서를 포함한 원자력발전소 기기 이상징후 사전감지 방법 및 그 시스템

Country Status (4)

Country Link
US (1) US11200790B2 (ko)
EP (1) EP3506229A4 (ko)
CN (2) CN109690641B (ko)
WO (1) WO2018044040A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112868069A (zh) * 2018-11-30 2021-05-28 韩国水力原子力株式会社 用于通过使用信号分类来监控处于瞬态的核电站的方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102470112B1 (ko) * 2020-02-27 2022-11-23 한국수력원자력 주식회사 원전의 지능형 상태감시 방법 및 시스템
CN113127542B (zh) * 2021-05-06 2023-06-16 郑州航空工业管理学院 一种数据异常分析方法和装置
CN114003771A (zh) * 2021-09-17 2022-02-01 中通服和信科技有限公司 基于物联网的特殊作业现场异常预警分析系统及方法
CN116502156B (zh) * 2023-06-30 2023-09-08 中国电力科学研究院有限公司 一种换流站光ct异常状态智能辨识方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05157668A (ja) * 1991-12-10 1993-06-25 Mitsubishi Atom Power Ind Inc プラント機器の異常検知方法及び装置
JPH09145553A (ja) * 1995-11-29 1997-06-06 Hitachi Ltd プラント監視診断方法及び装置
JP2000029513A (ja) * 1998-07-09 2000-01-28 Toshiba Corp プロセスデータ監視装置および監視方法
KR101065767B1 (ko) * 2010-04-22 2011-09-19 주식회사 지오네트 성능저하 및 고장원인 조기 진단방법
KR101543636B1 (ko) * 2014-09-15 2015-08-21 주식회사 일산이엔씨 비접촉의 적외선 온도 감지 및 과도대지전압 감지에 의한 열화 고장진단 기능의 고압배전반, 저압배전반, 분전반, 모터제어반
KR101615085B1 (ko) * 2015-08-20 2016-04-26 주식회사 베가스 설비의 이상 경보 시스템 및 방법

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01119896A (ja) * 1987-11-02 1989-05-11 Hitachi Ltd 遠隔監視装置
JPH064789A (ja) 1992-06-22 1994-01-14 Hitachi Ltd 機器の異常監視方法および装置
US7096074B2 (en) * 2002-05-30 2006-08-22 Insyst Ltd. Methods and apparatus for early fault detection and alert generation in a process
US7181654B2 (en) * 2004-09-17 2007-02-20 Fisher-Rosemount Systems, Inc. System and method for detecting an abnormal situation associated with a reactor
JP4595611B2 (ja) * 2005-03-24 2010-12-08 パナソニック電工株式会社 監視システム
US20120330631A1 (en) * 2007-02-27 2012-12-27 Exxonmobil Research And Engineering Company Method and System of Using Inferential Measurements for Abnormal Event Detection in Continuous Industrial Processes
JP5048625B2 (ja) * 2008-10-09 2012-10-17 株式会社日立製作所 異常検知方法及びシステム
JP5301310B2 (ja) * 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
KR100997009B1 (ko) * 2009-06-09 2010-11-25 한국남동발전 주식회사 산업설비의 공정 여유도에 대한 동적 감시 및 적시 경보 방법
JP5297272B2 (ja) * 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム
DE102009051446B4 (de) * 2009-10-30 2014-11-27 Abb Technology Ag Verfahren und Vorrichtung zur Überwachung eines Prozesses und/oder einer technischen Anlage
EP2523625B1 (en) * 2010-01-14 2017-03-08 PhysIQ Inc. Multivariate residual-based health index for human health monitoring
CN101819411B (zh) * 2010-03-17 2011-06-15 燕山大学 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法
KR101096793B1 (ko) * 2010-04-19 2011-12-21 비앤에프테크놀로지 주식회사 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체
JP5439265B2 (ja) * 2010-04-20 2014-03-12 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
CN102393922B (zh) * 2011-06-23 2013-11-27 山西省电力公司晋中供电分公司 变电站智能报警专家系统的模糊Petri推理方法
WO2013039911A1 (en) * 2011-09-12 2013-03-21 Oktem Ulku Dynamic prediction of risk levels for manufacturing operations through leading risk indicators
CN103336199B (zh) 2013-06-21 2015-04-22 国家电网公司 一种全封闭管式母线故障率预测装置及方法
CN104724098B (zh) 2013-12-20 2017-11-03 广州地铁集团有限公司 一种城轨列车制动系统故障诊断方法
CN103824129B (zh) * 2014-02-26 2017-05-17 国家电网公司 一种基于动态阈值的高铁电能质量异常状态预警方法
KR20160025664A (ko) * 2014-08-27 2016-03-09 삼성에스디에스 주식회사 이상 조기 감지 장치 및 방법
CN105389406B (zh) 2014-09-03 2019-07-19 上海通用汽车有限公司 基于故障的单位加权累计数的整车设计可靠性评估方法
US9514636B2 (en) 2014-12-30 2016-12-06 Google Inc. Premises management system with prevention measures
CN104730458B (zh) 2015-04-01 2017-11-24 贵州电力试验研究院 发电机励磁系统状态监测方法
CN105184386A (zh) * 2015-07-22 2015-12-23 中国寰球工程公司 一种结合专家经验和历史数据建立异常事件预警系统的方法
CN105068529B (zh) 2015-08-05 2018-02-09 清华大学 一种基于加权残差分量比较的故障分离方法及系统
CN105160601A (zh) * 2015-09-24 2015-12-16 国网重庆市电力公司永川供电分公司 一种准确的调控质量分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05157668A (ja) * 1991-12-10 1993-06-25 Mitsubishi Atom Power Ind Inc プラント機器の異常検知方法及び装置
JPH09145553A (ja) * 1995-11-29 1997-06-06 Hitachi Ltd プラント監視診断方法及び装置
JP2000029513A (ja) * 1998-07-09 2000-01-28 Toshiba Corp プロセスデータ監視装置および監視方法
KR101065767B1 (ko) * 2010-04-22 2011-09-19 주식회사 지오네트 성능저하 및 고장원인 조기 진단방법
KR101543636B1 (ko) * 2014-09-15 2015-08-21 주식회사 일산이엔씨 비접촉의 적외선 온도 감지 및 과도대지전압 감지에 의한 열화 고장진단 기능의 고압배전반, 저압배전반, 분전반, 모터제어반
KR101615085B1 (ko) * 2015-08-20 2016-04-26 주식회사 베가스 설비의 이상 경보 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3506229A4 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112868069A (zh) * 2018-11-30 2021-05-28 韩国水力原子力株式会社 用于通过使用信号分类来监控处于瞬态的核电站的方法

Also Published As

Publication number Publication date
CN109690641B (zh) 2022-11-22
EP3506229A4 (en) 2020-07-15
EP3506229A1 (en) 2019-07-03
US20210287515A1 (en) 2021-09-16
US11200790B2 (en) 2021-12-14
CN112085200A (zh) 2020-12-15
CN109690641A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
WO2018044040A1 (ko) 기기 중요도와 경보 유효성 판단 프로세서를 포함한 원자력발전소 기기 이상징후 사전감지 방법 및 그 시스템
US20220259947A1 (en) Monitoring system and method for wellsite equipment
WO2017191872A1 (ko) 플랜트 이상 감지 방법 및 시스템
US9483049B2 (en) Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program
CA2217808C (en) Method and apparatus for performing pre-emptive maintenance on operating equipment
WO2013027970A1 (ko) 네트워크의 이상증후를 탐지하는 장치 및 방법
KR102005138B1 (ko) 기기 이상징후 사전감지 방법 및 시스템
WO2016085172A1 (ko) 설비의 예측 정비 시스템 및 방법
US11152126B2 (en) Abnormality diagnosis system and abnormality diagnosis method
WO2015026166A1 (ko) 비정상 데이터 예측 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
US20230162484A1 (en) Apparatus and method for generating learning data for artificial intelligence model
WO2020076083A1 (ko) 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법
WO2021172723A1 (ko) 원전의 지능형 상태감시 방법 및 시스템
WO2023090876A1 (ko) 선제적 풍력발전 유지관리 시스템
CN117215940A (zh) 智慧运维应急处理系统
WO2024071607A1 (ko) 산업현장 방폭검사용 스마트 플랫폼
WO2018199656A1 (ko) 변전소의 자산 관리 방법
CN114137302B (zh) 一种电能计量器具检定全过程监控系统
WO2018044041A1 (ko) 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템
KR101829137B1 (ko) 기기 중요도와 경보 유효성 판단을 포함한 기기 이상징후 조기경보 방법 및 시스템
CN112782504A (zh) 一种通风冷却的环网柜故障诊断方法
WO2022146020A1 (ko) 회전기계의 결함을 종합적으로 진단하는 방법 및 시스템
JP2008140109A (ja) プロセス操作支援装置およびプロセス操作支援方法
CN106771729A (zh) 一种继电保护设备风险评估系统及方法
CN114754900A (zh) 一种船舶主机气缸温度传感器故障诊断方法及系统

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: 17846965

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2017846965

Country of ref document: EP