선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 원전에서 발생하는 여러 유형의 고장을 조기에 검출 및 식별하기 위한 방법을 연구하였다. 특히 취득이 어려운 현장의 다양한 고장 데이터를 원전 시뮬레이터(Simulator)를 이용해 간접적으로 취득하여 적용함으로써 실용 가능성을 확인하였다.
가설 설정
- 원전 전문가의 자문을 통해 발전소 운용 중 발생했던 고장 6종류를 선별하여 시나리오를 정의하고, 이에 따라 시뮬레이션을 수행하여 정상상태 데이터와 고장 데이터를 생성하였다. 본 논문에서는 이 데이터들을 원전에서 측정한 측정치로 가정하였다. 각 고장의 종류는 Table 2와 같다.
제안 방법
- AAKR 적용에 앞서 605개의 변수로 이루어진 원전 시뮬레이션 데이터의 상관분석(Correlation Analysis)을 수행하고 상관계수가 0.9 이상인 신호들을 그룹화 하였다. 또한 추정치를 계산하기 위해 Fig.
- AAKR을 적용하여 추정치와 측정치 사이의 잔차를 구하고 이를 분석하여 이상 변수의 조합과 이상 감지 시점으로 6가지 고장의 패턴을 추출하였다. 각 고장마다 고유의 패턴을 갖는 것을 확인하였고, 일부 고장에 대해서는 고장의 초, 중, 말기와 같은 상태의 판별 가능성도 확인하였다.
- Table 2의 고장에 대해서 임계치를 벗어나는 이상 변수를 검출하기 위해 AAKR 모델을 이용해 잔차를 구하고 임계치와 비교하여 이상 변수의 조합을 도출하였다.
-
4.3 고장 패턴 추출 및 고찰
고장 데이터 분석결과에서 각 고장마다 이상변수의 조합과 이상 신호의 검출 시점이 모두 다른 점을 근거로 하여 각 고장의 패턴을 추출하였다
. Table 3은 고장 패턴의 추출 결과이다. - 9 이상인 신호들을 그룹화 하였다. 또한 추정치를 계산하기 위해 Fig. 2와 같이 각 그룹에 대한 AAKR 모델을 만들고 각 모델에 해당하는 신호들로 벡터를 구성해 입력하였다.
- 모델의 정확도를 평가하기 위해 정상상태 데이터 중 50%를 학습 데이터로 이용하여 메모리 벡터를 구성하고 나머지 50%를 검증 데이터 세트로 하여 AAKR 모델을 검증하였다.
- 본 논문에서는 원전에서 발생하는 여러 유형의 고장을 조기에 검출 및 식별하기 위해 AAKR을 이용해 고장 패턴을 추출하였다. 이를 수행하기 위해 필요한 모든 원전 데이터는 원전 시뮬레이터로부터 취득하였다.
- 원전 전문가의 자문을 통해 발전소 운용 중 발생했던 고장 6종류를 선별하여 시나리오를 정의하고, 이에 따라 시뮬레이션을 수행하여 정상상태 데이터와 고장 데이터를 생성하였다. 본 논문에서는 이 데이터들을 원전에서 측정한 측정치로 가정하였다.
- 본 논문에서는 원전에서 발생하는 여러 유형의 고장을 조기에 검출 및 식별하기 위한 방법을 연구하였다. 특히 취득이 어려운 현장의 다양한 고장 데이터를 원전 시뮬레이터(Simulator)를 이용해 간접적으로 취득하여 적용함으로써 실용 가능성을 확인하였다. 여기서 고장 식별을 위한 패턴을 도출하기 위해 데이터 기반의 AAKR(Auto-Associative Kernel Regression) 방법을 적용하였다.
대상 데이터
- GPWR 시뮬레이터는 총 8개의 시스템과 72개의 서브시스템으로 구성되어 있으며 각 요소들을 클릭하여 해당 시스템/서브시스템 화면으로 넘어갈 수 있다. Fig.
- )가 개발한 GPWR(Generic Pressurized Water Reactor) 원전용 시뮬레이터를 사용하였다. GPWR의 원자로는 2개의 루프를 가지고 있으며 4개의 원자로 냉각재펌프와 2개의 증기발생기로 구성되어 있다. 터빈은 1개의 고압터빈과 3개의 저압터빈, 4개의 습분분리재열기로 구성되어 있다.
- 원전 신호의 변화를 분석하기 위해 WSC(Western Service Corp.)가 개발한 GPWR(Generic Pressurized Water Reactor) 원전용 시뮬레이터를 사용하였다. GPWR의 원자로는 2개의 루프를 가지고 있으며 4개의 원자로 냉각재펌프와 2개의 증기발생기로 구성되어 있다.
데이터처리
- 여기서 고장 식별을 위한 패턴을 도출하기 위해 데이터 기반의 AAKR(Auto-Associative Kernel Regression) 방법을 적용하였다. 상관분석(Correlation Analysis)을 통해 그룹화(Grouping)한 신호들과 AAKR 모델을 이용해 추정치를 계산하였고, 각 고장의 패턴(Pattern)은 모델 추정치와 측정치 사이의 잔차(Residual) 분석을 통해 도출하였다.
이론/모형
- 특히 취득이 어려운 현장의 다양한 고장 데이터를 원전 시뮬레이터(Simulator)를 이용해 간접적으로 취득하여 적용함으로써 실용 가능성을 확인하였다. 여기서 고장 식별을 위한 패턴을 도출하기 위해 데이터 기반의 AAKR(Auto-Associative Kernel Regression) 방법을 적용하였다. 상관분석(Correlation Analysis)을 통해 그룹화(Grouping)한 신호들과 AAKR 모델을 이용해 추정치를 계산하였고, 각 고장의 패턴(Pattern)은 모델 추정치와 측정치 사이의 잔차(Residual) 분석을 통해 도출하였다.
성능/효과
- 1) 주급수펌프 재순환밸브 고장(MFW Pump Recirculation Valve Fail)은 주급수펌프 A측 재순환밸브 고장 열림(25%)으로 인해 증기발생기로 급수공급이 감소하여 증기발생기 2대 모두 수위가 감소한다. 증기발생기 수위제어계통의 자동 운전으로 인해 주급수펌프 속도 등이 증가하고 증기발생기 수위를 회복시킨다.
- 2) 가압기 수위 전송기 고장(PRZ Level Master Controller Fail) 은 수위 주제어기로 신호를 공급, 수위가 높음을 감지하여 수위를 낮추려는 자동동작이 발생(CVCS 충전유량 증가), 실제 가압기 수위는 서서히 감소한다. 그리고 가압기 Back up Heaters all on 등의 추가적인 현상이 발생한다.
- 3) 원자로 냉각재계통 고온관 누설 고장(RCS Loop1 H/L Leak)은 RCS 고온관에서 미세한 누설이 발생하여 격납건물 내부의 방사선 준위, 습도 등이 증가하고 가압기 수위는 미세 감소 후 자동 운전계통으로 인해 정상으로 회복된다.
- 4) 복수기 진공도 저하 고장(Loss of Condenser Vacuum)은 높은 진공이 형성된 복수기에 복수계통의 밸브 스템에서 임의의 개구부가 발생하여 진공도가 나빠지면서 복수기 전체에 영향을 미쳐 결국은 열효율 감소로 인해 터빈/발전기 출력이 감소한다. 진공도 악화가 지속, 자동 터빈정지 설정치까지 도달 시에는 터빈정지까지 발생할 수 있다.
- 5) 가압기 PORV 내부누설 고장(PRZ PORV Internal Leakage)의 경우 가압기 PORV의 극미세 내부누설로 PORV 후단 온도가 증가하고 경보가 발생, 그 후단의 PRT(가압기압력방출탱크)의 온도/압력/수위가 증가한다. 또한, 밸브의 미세누설을 감지하는 음향누설감시계통(Acoustic Leak Monitoring Sys.
- 6개의 고장에서 추출된 고장의 패턴이 모두 다르기 때문에 이상이 나타나는 변수의 조합을 비교하는 것으로 각각의 고장의 판별 및 분류가 가능하고, 2개 이상의 변수가 순차적으로 나타나는 1, 2, 3번 고장의 경우에는 고장 패턴을 활용하여 고장을 초, 중, 말기 등으로 단계적인 판별도 가능한 것을 확인하였다.
- AAKR을 적용하여 추정치와 측정치 사이의 잔차를 구하고 이를 분석하여 이상 변수의 조합과 이상 감지 시점으로 6가지 고장의 패턴을 추출하였다. 각 고장마다 고유의 패턴을 갖는 것을 확인하였고, 일부 고장에 대해서는 고장의 초, 중, 말기와 같은 상태의 판별 가능성도 확인하였다.
- 고장의 종류와 변수에 따라 임계치를 동시에 넘거나 순차적으로 넘어서는 특징이 나타남을 확인하였다.
- 데이터 분석 결과에 따르면 6개의 고장 모두 특정 변수의 잔차가 임계치 이상으로 크게 증가하는 것으로 나타났다. 그 중 1, 2, 3, 4번 고장에서는 이상 변수가 여러 변수의 조합으로 나타났으며 5, 6번 고장에서는 1개의 변수만 유일하게 이상으로 판정되었다.
후속연구
- 향후, 추출된 고장 패턴을 패턴 인식 알고리즘을 적용하면 원전의 신호를 감시하여 고장의 감지 및 식별이 가능할 것으로 예상된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.