WO2020076081A1 - 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 - Google Patents

신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 Download PDF

Info

Publication number
WO2020076081A1
WO2020076081A1 PCT/KR2019/013270 KR2019013270W WO2020076081A1 WO 2020076081 A1 WO2020076081 A1 WO 2020076081A1 KR 2019013270 W KR2019013270 W KR 2019013270W WO 2020076081 A1 WO2020076081 A1 WO 2020076081A1
Authority
WO
WIPO (PCT)
Prior art keywords
driving state
abnormal driving
abnormal
neural network
network model
Prior art date
Application number
PCT/KR2019/013270
Other languages
English (en)
French (fr)
Inventor
김윤구
김태준
최선미
문종설
이도환
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
Application filed by 한국수력원자력 주식회사 filed Critical 한국수력원자력 주식회사
Priority to EP19870406.6A priority Critical patent/EP3866177A4/en
Priority to US17/279,121 priority patent/US20210397950A1/en
Publication of WO2020076081A1 publication Critical patent/WO2020076081A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/04—Safety arrangements
    • G21D3/06—Safety arrangements responsive to faults within the plant
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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 an apparatus and method for determining an abnormal driving state using a neural network model, and more specifically, to an apparatus and method for determining an abnormal driving state using a neural network model that enables to provide an abnormal driving state by utilizing an artificial intelligence neural network. will be.
  • Nuclear power plants have a variety of abnormal operating conditions. When an abnormal operation condition occurs, an alarm is generated in the main control room, and the status of the power plant concerned changes. These power plant conditions include temperature, pressure, and flow.
  • the operator determines what abnormal operation condition has occurred based on the alarm of the power plant, and performs appropriate measures according to the procedure for the abnormal operation condition.
  • the present invention is to solve the problems of the prior art as described above, it is an object to provide information to the operator by quickly determining the abnormal operation state of the nuclear power plant.
  • the apparatus for determining an abnormal driving state using the neural network model according to the present invention for achieving the above object includes: an abnormal driving state data generator for generating abnormal driving state data based on information on the abnormal driving state; An abnormal driving state learning unit that receives the abnormal driving state data and visualizes the abnormal driving state data through a visualization algorithm to train the neural network model to learn the abnormal driving state data; And a neural network state determination unit equipped with a neural network model for determining an abnormal state based on the learned abnormal driving state data.
  • the abnormal driving state learning unit may be provided with a first visualization arrangement unit, and the first visualization arrangement unit may arrange operation variables based on a physical location to collect and arrange operation variables at a location where an abnormal operation condition occurs.
  • abnormal driving state learning unit is provided with a second visualization arrangement unit, and the second visualization arrangement unit may preferentially arrange physically identical variables.
  • the abnormal driving state data generating unit includes a scenario database and a simulator, and the abnormal driving state data may be generated by the simulator performing the abnormal driving state based on the driving scenario of the abnormal driving state stored in the scenario database. .
  • the neural network model may be provided in plural, and the abnormal driving state data learned according to driving variables may be different.
  • the procedure providing unit may provide an abnormal driving procedure manual including a response to the abnormal driving state.
  • the abnormal driving state determining unit further includes a matching unit, and the signal matching unit may transmit information on the abnormal driving state in correspondence with devices.
  • a method for determining an abnormal driving state using the neural network model according to the present invention for achieving the above object includes: generating an abnormal driving state data based on information on the abnormal driving state; Receiving the abnormal driving state data generated by the abnormal driving state learning unit and visualizing the abnormal driving state data through a visualization algorithm to learn the abnormal driving state data in a neural network model; Determining an abnormal state based on the abnormal driving state data learned by the abnormal driving state determination unit; And providing a procedure document providing unit with a procedure for responding to an abnormal driving condition.
  • the apparatus and method for determining an abnormal driving state using the neural network model according to the present invention can determine the type of the abnormal abnormal driving state in a short time using the neural network model and provide it to the operator when various abnormal driving states occur. It is possible to quickly and accurately respond to abnormal operating conditions of the nuclear power plant, and to improve the safety of the nuclear power plant.
  • FIG. 1 is a view schematically showing an apparatus for determining an abnormal driving state using a neural network model according to an embodiment of the present invention.
  • FIG. 2 is a block diagram of an apparatus for determining an abnormal driving state using a neural network model according to an embodiment of the present invention.
  • FIG. 3 is a view schematically showing an operation process of an apparatus for determining an abnormal driving state to which a neural network model is applied according to an embodiment of the present invention.
  • FIG. 4 is a flowchart of an apparatus for determining an abnormal driving state using a neural network model according to an embodiment of the present invention.
  • FIG. 5 is a diagram schematically showing that the driving variables are arranged according to the physical position of the driving variables by the first visualization arrangement unit in the apparatus for determining an abnormal driving state to which the neural network model according to an embodiment of the present invention is applied.
  • FIG. 6 is a view schematically showing that the driving variables are arranged according to the physical characteristics of the driving variables by the second visualization arrangement unit in the apparatus for determining an abnormal driving state using the neural network model according to an embodiment of the present invention.
  • FIG. 1 is a diagram schematically showing an apparatus for determining an abnormal driving state using a neural network model according to an embodiment of the present invention
  • FIG. 2 is a block diagram of an apparatus for determining an abnormal driving state using a neural network model according to an embodiment of the present invention to be.
  • an abnormal driving state determination device (hereinafter referred to as "abnormal driving state determination device") to which the neural network model according to an embodiment of the present invention is applied is an abnormal driving state data generating unit 100 , An abnormal driving state data learning unit 200, an abnormal driving state determining unit 300, an abnormal driving state monitoring unit 400, and a procedure providing unit 500.
  • the abnormal driving state data generating unit 100 is a configuration that virtually generates abnormal driving state data based on information on the abnormal driving state, and may include a scenario database 110 and a simulator 120.
  • the scenario database 110 is configured with a plurality of scenarios related to abnormal driving conditions. Such scenarios include scenarios according to operating variables related to temperature changes of nuclear power plant equipment, scenarios related to operating variables related to turbine bearing vibration, and scenarios related to various abnormal operating states are stored in the scenario database 110.
  • the simulator 120 is a configuration that simulates an abnormal driving state with respect to a selected scenario among scenarios related to the abnormal driving state stored in the scenario database 110. Accordingly, data on an abnormal driving state may be virtually generated.
  • the abnormal driving state data learning unit 200 is configured to visualize and learn the abnormal driving state by applying a visualization algorithm based on the abnormal driving state data generated by the abnormal driving state data generating unit 100.
  • the abnormal driving state data learning unit 200 may include a first visualization array unit 210 and a second visualization array unit 220.
  • the first visualization arrangement unit 210 is a component that is arranged based on the physical location of the operating variables of the equipment provided in the nuclear power plant. In other words, the operating parameters can be listed in the same arrangement as the actual nuclear power plant structure.
  • the second visualization arrangement unit 220 is configured to preferentially arrange physically identical operation variables. For example, by placing the operating variables related to temperature in the same zone, if the temperature change occurs, the characteristics of each event appear.
  • the abnormal operation state determination unit 300 learns the abnormal operation state based on the abnormal operation state data learning unit 200 applying a visualization algorithm to represent the operation variables, and the devices acquired in the process monitoring and alarm system of the nuclear power plant. This configuration determines whether an abnormal operation condition has occurred based on the operation variables.
  • the abnormal driving state determining unit 300 may include a neural network model 310 and a signal matching unit 320.
  • the neural network model 310 is a component that learns abnormal operation state data visualized by the first visualization array unit 210 and the second visualization array unit 220 based on a visualization algorithm.
  • the signal matching unit 320 is configured to transmit information on a monitoring signal including information on an abnormal operation state in correspondence with devices so that the procedure providing unit 500 can distinguish.
  • the abnormal operation state monitoring unit 400 is configured to monitor whether the operating state is within a normal range for each device provided in the nuclear power plant.
  • the abnormal operation status monitoring unit 400 may periodically acquire a monitoring signal including information on operation variables of each device and transmit the abnormality to the abnormal operation status determination unit 300.
  • the procedure providing unit 500 is configured to provide the operator with a procedure including a response to the abnormal operation state when the device is determined to be in the abnormal operation state from the abnormal operation state determination unit 300.
  • FIG. 3 is a diagram schematically showing an operation process of an apparatus for determining an abnormal driving state to which a neural network model 310 is applied according to an embodiment of the present invention.
  • abnormal driving state data is virtually generated by first applying a visualization algorithm.
  • the abnormal driving state data may be generated by the abnormal driving state data generator 100 based on a scenario, and the abnormal driving state data learning unit 200 may apply a visualization algorithm.
  • the neural network model 310 provided in the abnormal driving state determination unit 300 performs learning of the abnormal driving state data to which the visualization algorithm is applied.
  • the neural network model 310 may periodically monitor the abnormal operation state of the devices to determine whether the operation is abnormal.
  • FIG. 4 is a flowchart of an apparatus for determining an abnormal driving state to which a neural network model 310 is applied according to an embodiment of the present invention.
  • the abnormal driving state data generating unit 100 generates abnormal driving state data based on information on the abnormal driving state.
  • the abnormal operation state data generation unit 100 is provided with a scenario database 110 and a simulator 120 so that the simulator 120 detects abnormal operation states based on scenarios related to each abnormal operation state stored in the scenario database 110. It can occur randomly. In this way, information about the abnormal driving state data randomly generated through the simulator 120 may be transmitted to the abnormal driving state learning unit.
  • the abnormal driving state learning unit receives the generated abnormal driving state data and visualizes the abnormal driving state data through a visualization algorithm to train the abnormal driving state data in the neural network model 310.
  • the first visualization array unit 210 and the second visualization array unit 220 visualize the abnormal driving state data through a visualization algorithm so that the neural network model 310 can learn. This will be described with reference to FIGS. 5 and 6.
  • FIG. 5 schematically shows that the driving variable is arranged according to the physical position of the driving variable by the first visualization arrangement unit 210 in the apparatus for determining an abnormal driving state using the neural network model 310 according to an embodiment of the present invention. It is a drawing.
  • the first visualization arrangement unit 210 may be arranged based on the physical location of operating variables for the devices of the nuclear power plant.
  • the first visualization arrangement unit 210 when visualizing the temperature of the pipe in the nuclear power plant, when the first visualization arrangement unit 210 visualizes along the pipe disposed in the actual nuclear power plant, the change according to the position of the temperature can be reflected in the visualization.
  • the accuracy of the abnormal driving state can be increased. That is, temperature 1, temperature 2, and temperature 3 may be visualized by being arranged at adjacent positions by the first visualization arrangement unit 210 based on the visualization algorithm.
  • the operating variables are operating elements for operating states of devices of a nuclear power plant, and may include about 1000 to 2000 for each device. These operating variables may include pressure, temperature, and flow rate.
  • FIG. 6 schematically shows that the driving variables are arranged according to the physical characteristics of the driving variables by the second visualization arrangement unit 220 in the apparatus for determining an abnormal driving state to which the neural network model 310 according to an embodiment of the present invention is applied. It is shown in the figure.
  • the second visualization arrangement unit 220 may preferentially arrange physically identical variables.
  • the second visualization arrangement unit 220 visualizes the occurrence of a characteristic for each event when a temperature change occurs by arranging operating variables related to temperature at the same location. That is, in devices distributed in various locations, the T system can be visualized to be adjacent to the T systems, and the P system is visualized to be adjacent to the P systems to generate abnormal operation. It can be easily learned, and similarly, it can easily learn that an abnormal operation state occurs in P-type devices.
  • the abnormal driving state determination unit 300 may previously learn the abnormal driving state data visually generated and visually generated through the first visualization array unit 210 and the second visualization array unit 220.
  • the abnormal driving state determining unit 300 determines an abnormal state based on the learned abnormal driving state data.
  • the abnormal operation state determination unit 300 When the abnormal operation state determination unit 300, in which learning has been completed, periodically monitors the operation status of devices of the nuclear power plant and transmits a monitoring signal periodically, the abnormal operation status monitoring unit 400 determines whether these monitoring signals are within a set normal range. By determining, it is possible to determine the abnormal operation state of the devices.
  • the procedure providing unit 500 provides a procedure for responding to abnormal driving conditions to the operator.
  • the procedure providing unit 500 When it is determined that the devices are in an abnormal driving state by the abnormal driving state determining unit 300, the procedure providing unit 500 provides a procedure for responding to the abnormal driving conditions of the corresponding devices to the operator. At this time, the procedure providing unit 500 ), The procedures are matched to the types of devices and abnormal operating conditions.
  • the signal matching unit 320 of the abnormal operation state determination unit 300 may be distinguished by the procedure providing unit 500 according to whether the monitoring signal for the abnormal operation state is a monitoring signal corresponding to the types of devices and the abnormal operation state. So, it is possible to transmit information about the abnormal operation state in correspondence with devices.
  • the abnormal operation state determining unit 300 provides information of devices showing abnormal temperatures to the procedure providing unit 500, and the procedure providing unit 500 provides these devices. Separately, procedures related to temperature can be provided to the operator.
  • the abnormal driving state is previously learned through the visualization algorithm, and then the abnormal driving state of the devices is detected, thereby helping the operator to easily respond to the abnormal driving state.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Plasma & Fusion (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Emergency Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 신경망 모델을 이용한 비정상 운전 상태 판단 장치에 관한 것으로, 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 생성하는 비정상 운전 상태 데이터 생성부; 상기 비정상 운전 상태 데이터를 수신하여 시각화 알고리즘을 통해 상기 비정상 운전 상태 데이터를 시각화함으로써, 신경망 모델에 비정상 운전 상태 데이터를 학습시키는 비정상 운전 상태 학습부; 및 학습된 상기 비정상 운전 상태 데이터를 기반으로 비정상 상태를 판단하는 신경망 모델이 구비된 비정상 운전 상태 판단부;를 포함할 수 있다.

Description

신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법
본 발명은 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법에 관한 것으로, 더욱 구체적으로는 인공지능 신경망을 활용함으로써 비정상 운전 상태를 제공할 수 있도록 하는 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법에 관한 것이다.
원자력 발전소에는 다양한 비정상 운전 상태가 존재한다. 비정상 운전 상태가 발생하면 주제어실에 경보가 발생하며, 관련된 발전소의 상태가 변화한다. 이러한 발전소의 상태 변화에는 온도, 압력, 유량 등이 포함된다.
운전원은 발전소의 경보를 근거로 하여 어떠한 비정상 운전 상태가 발생하였는지 판단하고, 비정상 운전 상태에 관한 절차서에 따라 적절한 조치를 수행한다.
하지만 원자력 발전소에는 수백 가지의 비정상 운전 상태가 존재하고, 미숙한 운전원은 비정상 운전 상태에 관하여 정확한 판단을 내리기 어렵기 때문에 비정상 운전 상태에 관한 조치를 적절히 수행하지 못하는 일이 발생하게 된다.
따라서 운전원이 비정상 운전 상태에 관한 적절한 판단을 내릴 수 있도록 신속하게 비정상 운전 상태를 판단하여 제공하는 방안이 연구되고 있다.
본 발명은 상술한 바와 같은 종래 기술의 문제점을 해결하기 위한 것으로, 원자력 발전소의 비정상 운전 상태를 신속하게 판단하여 운전원에게 관련 정보를 제공하는 데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명에 따른 신경망 모델을 이용한 비정상 운전 상태 판단 장치는 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 생성하는 비정상 운전 상태 데이터 생성부; 상기 비정상 운전 상태 데이터를 수신하여 시각화 알고리즘을 통해 상기 비정상 운전 상태 데이터를 시각화함으로써, 신경망 모델에 비정상 운전 상태 데이터를 학습시키는 비정상 운전 상태 학습부; 및 학습된 상기 비정상 운전 상태 데이터를 기반으로 비정상 상태를 판단하는 신경망 모델이 구비된 비정상 운전 상태 판단부;를 포함할 수 있다.
여기서, 상기 비정상 운전 상태 학습부는 제1시각화 배열 유닛이 구비되고, 상기 제1시각화 배열 유닛은 물리적 위치를 기반으로 운전변수를 배열하여 비정상 운전 상태가 발생한 위치의 운전변수를 모아 배치할 수 있다.
또한, 상기 비정상 운전 상태 학습부는 제2시각화 배열 유닛이 구비되고, 상기 제2시각화 배열 유닛은 물리적으로 동일한 변수를 우선적으로 배열할 수 있다.
또, 상기 비정상 운전 상태 데이터 생성부는 시나리오 데이터베이스 및 시뮬레이터를 포함하고, 상기 시나리오 데이터베이스에 저장된 비정상 운전 상태의 운전 시나리오를 기반으로 상기 시뮬레이터가 비정상 운전 상태를 수행함으로써 상기 비정상 운전 상태 데이터를 생성할 수 있다.
아울러, 상기 신경망 모델은 복수로 구비되어 운전변수에 따라 학습하는 상기 비정상 운전 상태 데이터가 상이할 수 있다.
또한, 상기 비정상 운전 상태 판단부가 비정상 운전 상태임을 판단할 시 절차서 제공부가 비정상 운전 상태에 대한 대응이 포함된 비정상 운전 절차서를 제공할 수 있다.
또, 상기 비정상 운전 상태 판단부는 매칭유닛을 더 포함하고, 상기 신호 매칭유닛은 비정상 운전 상태에 대한 정보를 기기들에 대응하여 전달할 수 있다.
한편, 상기 목적을 달성하기 위한 본 발명에 따른 신경망 모델을 이용한 비정상 운전 상태 판단 방법은 비정상 운전 상태 데이터 생성부가 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 생성하는 단계; 비정상 운전 상태 학습부가 생성된 상기 비정상 운전 상태 데이터를 수신하여 시각화 알고리즘을 통해 상기 비정상 운전 상태 데이터를 시각화하여 신경망 모델에 비정상 운전 상태 데이터를 학습시키는 단계; 비정상 운전 상태 판단부가 학습된 상기 비정상 운전 상태 데이터를 기반으로 비정상 상태를 판단하는 단계; 및 절차서 제공부가 비정상 운전 상태의 대응을 위한 절차서를 운전원에게 제공하는 단계;를 포함할 수 있다.
본 발명에 따른 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법은 다양한 비정상 운전 상태가 발생한 경우 신경망 모델을 이용하여 빠른 시간 내에 정확한 비정상 운전 상태에 관한 종류를 판단하여 운전원에게 제공할 수 있고, 이에 따라 원자력 발전소의 비정상 운전 상태에 대한 신속하고 정확한 대응이 가능하며, 원자력 발전소의 안전성을 향상시킬 수 있다.
도1은 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치를 개략적으로 나타낸 도면이다.
도2는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치의 블록도이다.
도3은 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치의 동작과정을 개략적으로 나타낸 도면이다.
도4는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치의 순서도이다.
도5는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치에서 제1시각화 배열 유닛에 의해 운전변수의 물리적 위치에 따라 운전변수가 배열된 것을 개략적으로 나타낸 도면이다.
도6은 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치에서 제2시각화 배열 유닛에 의해 운전변수의 물리적 특성에 따라 운전변수가 배열된 것을 개략적으로 나타낸 도면이다.
<부호의 설명>
100 : 비정상 운전 상태 데이터 생성부
110 : 시나리오 데이터베이스
120 : 시뮬레이터
200 : 비정상 운전 상태 데이터 학습부
210 : 제1시각화 배열 유닛
220 : 제2시각화 배열 유닛
300 : 비정상 운전 상태 판단부
310 : 신경망 모델
320 : 신호 매칭유닛
400 : 비정상 운전 상태 감시부
500 : 절차서 제공부
이하에서는 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명한다. 다만 발명의 요지와 무관한 일부 구성은 생략 또는 압축할 것이나, 생략된 구성이라고 하여 반드시 본 발명에서 필요가 없는 구성은 아니며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 결합되어 사용될 수 있다.
도1은 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치를 개략적으로 나타낸 도면이고, 도2는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치의 블록도이다.
도1 및 도2에 도시된 바와 같이, 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치(이하 "비정상 운전 상태 판단 장치"라 함)는 비정상 운전 상태 데이터 생성부(100), 비정상 운전 상태 데이터 학습부(200), 비정상 운전 상태 판단부(300), 비정상 운전 상태 감시부(400) 및 절차서 제공부(500)를 포함할 수 있다.
비정상 운전 상태 데이터 생성부(100)는 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 가상으로 생성하는 구성으로, 시나리오 데이터베이스(110) 및 시뮬레이터(120)를 포함할 수 있다.
시나리오 데이터베이스(110)는 비정상 운전 상태에 관한 다수의 시나리오가 구비되어 있는 구성이다. 이러한 시나리오는 원자력 발전소 기기들의 온도 변화와 관련된 운전변수에 따른 시나리오, 터빈 베어링 진동과 관련된 운전변수에 따른 시나리오 등이 포함되고, 다양한 비정상 운전 상태에 관한 시나리오가 시나리오 데이터베이스(110)에 저장되어 있다.
시뮬레이터(120)는 시나리오 데이터베이스(110)에 저장되어 있는 비정상 운전 상태에 관한 시나리오 중에서 선택된 시나리오에 관해 비정상 운전 상태를 시뮬레이션 하는 구성이다. 이에 따라, 비정상 운전 상태에 대한 데이터가 가상으로 생성될 수 있다.
비정상 운전 상태 데이터 학습부(200)는 비정상 운전 상태 데이터 생성부(100)에서 생성한 비정상 운전 상태 데이터를 기반으로 시각화 알고리즘을 적용함으로써, 비정상 운전 상태를 시각화하고, 이를 학습시키는 구성이다. 이러한 비정상 운전 상태 데이터 학습부(200)는 제1시각화 배열 유닛(210) 및 제2시각화 배열 유닛(220)을 포함할 수 있다.
제1시각화 배열 유닛(210)은 원자력 발전소에 구비된 기기들의 운전변수의 물리적 위치를 기반으로 배열하는 구성이다. 즉, 실제 원자력 발전소의 구조와 동일한 배열로 운전변수가 나열될 수 있다.
제2시각화 배열 유닛(220)은 물리적으로 동일한 운전변수를 우선적으로 배열하는 구성이다. 예를 들어, 온도와 관련된 운전변수를 동일한 구역에 배치하여 온도의 변화가 발생하는 경우 사건별 특성이 나타나도록 하는 것이다.
비정상 운전 상태 판단부(300)는 비정상 운전 상태 데이터 학습부(200)가 시각화 알고리즘을 적용하여 운전변수를 나타낸 것을 기반으로 비정상 운전 상태를 학습하고, 원자력 발전소의 공정 감시 및 경보계통에서 취득한 기기들의 운전변수를 기반으로 비정상 운전 상태가 발생하였는지 판단하는 구성이다. 이러한 비정상 운전 상태 판단부(300)는 신경망 모델(310) 및 신호 매칭유닛(320)이 포함될 수 있다.
신경망 모델(310)은 시각화 알고리즘에 기반하여 제1시각화 배열 유닛(210) 및 제2시각화 배열 유닛(220)에 의해 시각화된 비정상 운전 상태 데이터를 학습하는 구성이다.
신호 매칭유닛(320)은 절차서 제공부(500)가 구분할 수 있도록 비정상 운전 상태에 대한 정보를 포함하는 감시 신호에 대한 정보를 기기들에 대응하여 전달하는 구성이다.
비정상 운전 상태 감시부(400)는 원자력 발전소에 구비된 각각의 기기들에 대하여 운전 상태가 정상범위에서 있는지 감시하는 구성이다. 이러한 비정상 운전 상태 감시부(400)는 각 기기들의 운전변수에 관한 정보가 포함된 감시 신호를 주기적으로 취득하여 비정상 운전 상태 판단부(300)로 전송할 수 있다.
절차서 제공부(500)는 비정상 운전 상태 판단부(300)로부터 기기가 비정상 운전 상태에 있는 것으로 판단되었을 시 비정상 운전 상태에 관한 대응이 포함된 절차서를 운전원에게 제공하는 구성이다.
이하에서는 도3을 통해 신경망 모델(310)을 적용한 비정상 운전 상태 판단 장치의 전체적인 동작과정을 개략적으로 살펴보기로 한다.
도3은 본 발명의 일실시예에 따른 신경망 모델(310)을 적용한 비정상 운전 상태 판단 장치의 동작과정을 개략적으로 나타낸 도면이다.
도3에 도시된 바와 같이, 본 발명에서는 먼저 시각화 알고리즘을 적용하여 비정상 운전 상태 데이터를 가상으로 생성한다. 이러한 비정상 운전 상태 데이터는 비정상 운전 상태 데이터 생성부(100)가 시나리오를 기반으로 정보를 생성하고, 비정상 운전 상태 데이터 학습부(200)가 시각화 알고리즘을 적용하여 생성할 수 있다.
이후 시각화 알고리즘이 적용된 비정상 운전 상태 데이터를 비정상 운전 상태 판단부(300)에 구비된 신경망 모델(310)이 학습을 진행한다.
이렇게 신경망 모델(310)이 시각화 알고리즘이 적용된 비정상 운전 상태 데이터를 학습하고 나서, 기기들의 비정상 운전 상태를 주기적으로 감시하여 비정상 운전 상태인지 아닌지를 판단할 수 있다.
이하에서는 도면을 참고하여 신경망 모델(310)을 이용하여 비정상 운전 상태를 판단하는 과정에 대해 설명하기로 한다.
도4는 본 발명의 일실시예에 따른 신경망 모델(310)을 적용한 비정상 운전 상태 판단 장치의 순서도이다.
도4에 도시된 바와 같이, 최초에 비정상 운전 상태 데이터 생성부(100)가 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 생성한다.<S40>
비정상 운전 상태 데이터 생성부(100)에는 시나리오 데이터베이스(110) 및 시뮬레이터(120)가 구비되어 시나리오 데이터베이스(110)에 저장된 각각의 비정상 운전 상태에 관한 시나리오를 기반으로 시뮬레이터(120)가 비정상 운전 상태를 임의로 발생시킬 수 있다. 이렇게 시뮬레이터(120)를 통해 임의로 발생된 비정상 운전 상태 데이터에 관한 정보는 비정상 운전 상태 학습부로 전달될 수 있다.
이후 비정상 운전 상태 학습부가 생성된 상기 비정상 운전 상태 데이터를 수신하여 시각화 알고리즘을 통해 상기 비정상 운전 상태 데이터를 시각화하여 신경망 모델(310)에 비정상 운전 상태 데이터를 학습시킨다.<S41>
이러한 비정상 운전 상태 데이터는 신경망 모델(310)이 학습할 수 있도록 시각화 알고리즘을 통해 제1시각화 배열 유닛(210) 및 제2시각화 배열 유닛(220)이 시각화를 수행한다. 이를 도5 및 도6을 참고하여 설명하기로 한다.
도5는 본 발명의 일실시예에 따른 신경망 모델(310)을 적용한 비정상 운전 상태 판단 장치에서 제1시각화 배열 유닛(210)에 의해 운전변수의 물리적 위치에 따라 운전변수가 배열된 것을 개략적으로 나타낸 도면이다.
도5에 도시된 바와 같이, 제1시각화 배열 유닛(210)은 원자력 발전소의 기기들에 대한 운전변수의 물리적 위치를 기반으로 배열할 수 있다.
예를 들어, 제1시각화 배열 유닛(210)은 원자력 발전소 내의 배관의 온도를 시각화 할 때 실제 원자력 발전소에 배치된 배관을 따라 시각화 한다면 온도의 위치에 따른 변화가 시각화에 반영될 수 있기 때문에 해당 배관의 상태를 학습하고 판단할 시 비정상 운전 상태에 대한 정확도가 증가될 수 있다. 즉, 온도1, 온도2 및 온도3은 시각화 알고리즘에 기반한 제1시각화 배열 유닛(210)에 의해 인접한 위치에 배열되어 시각화될 수 있다.
따라서 시각화 알고리즘을 통하면 배관 파단과 같은 사건 발생 시 실제 사건이 일어난 위치의 운전변수가 모여서 배치됨에 따라 신경망 모델(310)의 사전 처리 컨볼루션(convolution) 및 풀링(pooling) 시 해당 특성의 추출을 유리하게 할 수 있다.
여기서, 운전변수라 함은 원자력 발전소의 기기들의 운전 상태에 대한 운전 요소들로써, 각 기기마다 1000개 내지 2000개 정도 포함될 수 있다. 이러한 운전변수는 압력, 온도, 유량 등이 포함될 수 있다.
또한, 도6은 본 발명의 일실시예에 따른 신경망 모델(310)을 적용한 비정상 운전 상태 판단 장치에서 제2시각화 배열 유닛(220)에 의해 운전변수의 물리적 특성에 따라 운전변수가 배열된 것을 개략적으로 나타낸 도면이다.
도6에 도시된 바와 같이, 제2시각화 배열 유닛(220)은 물리적으로 동일한 변수를 우선적으로 배열할 수 있다.
예를 들어, 제2시각화 배열 유닛(220)은 온도와 관련된 운전변수를 같은 위치에 배치하여 온도의 변화가 발생하는 경우 사건별 특성이 나타나도록 시각화하는 것이다. 즉, 다양한 위치로 분산되어 있는 계통의 기기들에서 T계통은 T계통끼리 모아서 인접하도록 시각화될 수 있고, P계통은 P계통끼리 모아서 인접하도록 시각화함으로써, T계통의 기기들에서 비정상 운전 상태가 발생하는 것을 용이하게 학습할 수 있고, 동일하게 P계통의 기기들에서 비정상 운전 상태가 발생하는 것을 용이하게 학습할 수 있다.
따라서 물리적 특성이 동인한 운전변수를 같은 위치에 배치함으로써, 계통의 변화를 더욱 잘 반영할 수 있고, 컨볼루션 및 풀링 시 해당 특성의 추출을 유리하여 온도와 관련된 운전변수를 학습하고 판단할 시 비정상 운전 상태에 대한 정확도가 증가될 수 있다.
결과적으로, 비정상 운전 상태 판단부(300)는 이와 같이 제1시각화 배열 유닛(210) 및 제2시각화 배열 유닛(220)을 통해 가상으로 생성되어 시각화 된 비정상 운전 상태 데이터를 미리 학습할 수 있다.
이후 비정상 운전 상태 판단부(300)가 학습된 상기 비정상 운전 상태 데이터를 기반으로 비정상 상태를 판단한다.<S42>
학습이 완료된 비정상 운전 상태 판단부(300)는 비정상 운전 상태 감시부(400)가 원자력 발전소의 기기들에 대한 운전 상태를 감시하여 주기적으로 감시 신호를 전송하면, 이러한 감시 신호가 설정된 정상범위에 있는지 판단하여 기기들의 비정상 운전 상태를 판단할 수 있다.
마지막으로, 절차서 제공부(500)가 비정상 운전 상태의 대응을 위한 절차서를 운전원에게 제공한다.<S43>
비정상 운전 상태 판단부(300)에 의해 기기들이 비정상 운전 상태임이 판단될 경우 절차서 제공부(500)가 해당 기기들의 비정상 운전 상태를 대응을 위한 절차서를 운전원에게 제공하는데, 이 때 절차서 제공부(500)에는 기기들 및 비정상 운전 상태 종류에 대응하여 절차서가 매칭되어 있다.
따라서 해당 비정상 운전 상태에 대한 감시 신호가 기기들 및 비정상 운전 상태 종류에 해당되는 감시 신호인지에 따라 비정상 운전 상태 판단부(300)의 신호 매칭유닛(320)은 절차서 제공부(500)가 구분할 수 있도록 비정상 운전 상태에 대한 정보를 기기들에 대응하여 전달할 수 있다.
예를 들어, 기기들의 온도와 관련되어 있는 경우, 비정상 운전 상태 판단부(300)는 이상 온도를 보이는 기기들의 정보를 절차서 제공부(500)로 제공하며, 절차서 제공부(500)는 이러한 기기들을 구분하여 온도와 관련된 절차서를 운전원에게 제공할 수 있다.
이처럼 본 발명에서는 신경망 모델(310)을 이용하여 시각화 알고리즘을 통해 비정상 운전 상태를 미리 학습한 후 기기들의 비정상 운전 상태를 감지함으로써, 운전원에게 비정상 운전 상태를 대응하기 용이하도록 도움을 줄 수 있다.
상기한 본 발명의 바람직한 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면, 본 발명의 사상과 범위 안에서 다양한 수정, 변경 및 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 본 발명의 특허청구 범위에 속하는 것으로 보아야 할 것이다.

Claims (8)

  1. 신경망 모델을 이용한 비정상 운전 상태 판단 장치에 있어서,
    비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 생성하는 비정상 운전 상태 데이터 생성부;
    상기 비정상 운전 상태 데이터를 수신하여 시각화 알고리즘을 통해 상기 비정상 운전 상태 데이터를 시각화함으로써, 신경망 모델에 비정상 운전 상태 데이터를 학습시키는 비정상 운전 상태 학습부; 및
    학습된 상기 비정상 운전 상태 데이터를 기반으로 비정상 상태를 판단하는 신경망 모델이 구비된 비정상 운전 상태 판단부;를 포함하는 신경망 모델을 이용한 비정상 운전 상태 판단 장치.
  2. 제1항에 있어서,
    상기 비정상 운전 상태 학습부는 제1시각화 배열 유닛이 구비되고,
    상기 제1시각화 배열 유닛은 물리적 위치를 기반으로 운전변수를 배열하여 비정상 운전 상태가 발생한 위치의 운전변수를 모아 배치하는 신경망 모델을 이용한 비정상 운전 상태 판단 장치.
  3. 제1항에 있어서,
    상기 비정상 운전 상태 학습부는 제2시각화 배열 유닛이 구비되고,
    상기 제2시각화 배열 유닛은 물리적으로 동일한 변수를 우선적으로 배열하는 신경망 모델을 이용한 비정상 운전 상태 판단 장치.
  4. 제1항에 있어서,
    상기 비정상 운전 상태 데이터 생성부는 시나리오 데이터베이스 및 시뮬레이터를 포함하고,
    상기 시나리오 데이터베이스에 저장된 비정상 운전 상태의 운전 시나리오를 기반으로 상기 시뮬레이터가 비정상 운전 상태를 수행함으로써 상기 비정상 운전 상태 데이터를 생성하는 신경망 모델을 이용한 비정상 운전 상태 판단 장치.
  5. 제1항에 있어서,
    상기 신경망 모델은 복수로 구비되어 운전변수에 따라 학습하는 상기 비정상 운전 상태 데이터가 상이한 신경망 모델을 이용한 비정상 운전 상태 판단 장치.
  6. 제1항에 있어서,
    상기 비정상 운전 상태 판단부가 비정상 운전 상태임을 판단할 시 절차서 제공부가 비정상 운전 상태에 대한 대응이 포함된 비정상 운전 절차서를 제공하는 신경망 모델을 이용한 비정상 운전 상태 판단 장치.
  7. 제1항에 있어서,
    상기 비정상 운전 상태 판단부는 매칭유닛을 더 포함하고,
    상기 신호 매칭유닛은 비정상 운전 상태에 대한 정보를 기기들에 대응하여 전달하는 신경망 모델을 이용한 비정상 운전 상태 판단 장치.
  8. 신경망 모델을 이용한 비정상 운전 상태 판단 방법에 있어서,
    비정상 운전 상태 데이터 생성부가 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 생성하는 단계;
    비정상 운전 상태 학습부가 생성된 상기 비정상 운전 상태 데이터를 수신하여 시각화 알고리즘을 통해 상기 비정상 운전 상태 데이터를 시각화하여 신경망 모델에 비정상 운전 상태 데이터를 학습시키는 단계;
    비정상 운전 상태 판단부가 학습된 상기 비정상 운전 상태 데이터를 기반으로 비정상 상태를 판단하는 단계; 및
    절차서 제공부가 비정상 운전 상태의 대응을 위한 절차서를 운전원에게 제공하는 단계;를 포함하는 신경망 모델을 이용한 비정상 운전 상태 판단 방법.
PCT/KR2019/013270 2018-10-12 2019-10-10 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 WO2020076081A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP19870406.6A EP3866177A4 (en) 2018-10-12 2019-10-10 DEVICE AND METHOD FOR DETERMINING ABNORMAL DRIVING STATE USING A NEURONAL NETWORK MODEL
US17/279,121 US20210397950A1 (en) 2018-10-12 2019-10-10 Abnormal driving state determination device and method using neural network model

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180121648A KR102095653B1 (ko) 2018-10-12 2018-10-12 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법
KR10-2018-0121648 2018-10-12

Publications (1)

Publication Number Publication Date
WO2020076081A1 true WO2020076081A1 (ko) 2020-04-16

Family

ID=70002461

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/013270 WO2020076081A1 (ko) 2018-10-12 2019-10-10 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법

Country Status (4)

Country Link
US (1) US20210397950A1 (ko)
EP (1) EP3866177A4 (ko)
KR (1) KR102095653B1 (ko)
WO (1) WO2020076081A1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102377489B1 (ko) * 2019-12-12 2022-03-24 한전원자력연료 주식회사 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법
KR102537723B1 (ko) 2020-11-25 2023-05-26 한국수력원자력 주식회사 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법
KR102438189B1 (ko) 2021-06-14 2022-08-30 주식회사 마키나락스 비정상 데이터 검출 방법 및 장치
KR20230111015A (ko) 2022-01-17 2023-07-25 한국수력원자력 주식회사 기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템
KR20230130794A (ko) 2022-03-04 2023-09-12 한국수력원자력 주식회사 인공지능을 이용하여 플랜트의 이상상태를 판단하는 방법
KR20230132926A (ko) 2022-03-10 2023-09-19 한국수력원자력 주식회사 인공지능을 이용하여 플랜트의 이상상태에 대한 조치사항을 제공하는 방법
KR20230151754A (ko) 2022-04-26 2023-11-02 한국수력원자력 주식회사 나선형 증기발생기를 포함하는 소형모듈형 원자로

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2699607B2 (ja) * 1990-04-03 1998-01-19 三菱電機株式会社 神経回路網原子力プラント診断装置
JP3087974B2 (ja) * 1991-08-28 2000-09-18 株式会社日立製作所 プラントの異常時運転支援方法及びその装置
US20070073518A1 (en) * 2005-09-26 2007-03-29 Lockheed Martin Corporation Method and system of monitoring and prognostics
KR101651893B1 (ko) * 2015-04-13 2016-08-29 한전원자력연료 주식회사 신경망 회로를 이용한 원자로 노심의 축방향 출력분포 합성방법 및 그 방법이 적용된 노심감시계통
KR20180024333A (ko) * 2016-08-29 2018-03-08 한국수력원자력 주식회사 기기 이상징후 사전감지 방법 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2699607B2 (ja) * 1990-04-03 1998-01-19 三菱電機株式会社 神経回路網原子力プラント診断装置
JP3087974B2 (ja) * 1991-08-28 2000-09-18 株式会社日立製作所 プラントの異常時運転支援方法及びその装置
US20070073518A1 (en) * 2005-09-26 2007-03-29 Lockheed Martin Corporation Method and system of monitoring and prognostics
KR101651893B1 (ko) * 2015-04-13 2016-08-29 한전원자력연료 주식회사 신경망 회로를 이용한 원자로 노심의 축방향 출력분포 합성방법 및 그 방법이 적용된 노심감시계통
KR20180024333A (ko) * 2016-08-29 2018-03-08 한국수력원자력 주식회사 기기 이상징후 사전감지 방법 및 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3866177A4 *

Also Published As

Publication number Publication date
US20210397950A1 (en) 2021-12-23
EP3866177A1 (en) 2021-08-18
KR102095653B1 (ko) 2020-03-31
EP3866177A4 (en) 2022-06-01

Similar Documents

Publication Publication Date Title
WO2020076081A1 (ko) 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법
WO2017191872A1 (ko) 플랜트 이상 감지 방법 및 시스템
US7720639B2 (en) Automatic remote monitoring and diagnostics system and communication method for communicating between a programmable logic controller and a central unit
WO2018044036A1 (ko) 원격지에서 원자력 발전소의 온라인 통합 모니터링 방법 및 온라인 통합 모니터링 시스템
WO2018207973A1 (ko) 발전 설비의 자동 진단 시스템 및 자동 진단 방법
WO2018044061A2 (ko) 공기구동 제어밸브의 온라인 진단 시스템 및 방법
WO2020004994A1 (ko) 발전소 고장 예측 및 진단시스템과 그 방법
WO2012057378A1 (ko) 범용 센서 자가 진단 장치 및 그 진단 방법
WO2021075842A1 (ko) 분포도를 통한 기기의 예지 보전방법
CN103178615A (zh) 电力设备故障监控方法及其系统
WO2019146849A1 (ko) 설비 진단 시스템을 이용한 설비 진단 방법
WO2020004996A1 (ko) 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법
WO2021172723A1 (ko) 원전의 지능형 상태감시 방법 및 시스템
WO2019083126A1 (ko) 원자력 발전소 계측제어시스템의 검증방법과 이를 위한 검증장치
WO2021112577A1 (ko) 인공지능을 통한 기기의 이상 부위 학습 검출방법
WO2016013711A1 (ko) 동적위치유지시스템의 신뢰성평가시스템 및 그 방법
WO2018044041A1 (ko) 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템
WO2022025386A1 (ko) 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법
CN104950832B (zh) 钢铁厂控制系统
WO2021075845A1 (ko) 분포도를 통한 기기의 예지 보전방법
WO2022014864A1 (ko) 가스공급시설 정보관리 및 예지보전 통합 시스템
WO2023128320A1 (ko) 인공지능 검증 시스템 및 방법
WO2022114634A1 (ko) 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법
WO2018044042A1 (ko) 다수호기 통합 감시를 위한 대형통합감시화면의 구현 방법과 그 시스템
WO2024117273A1 (ko) 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템

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: 19870406

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019870406

Country of ref document: EP

Effective date: 20210512