[논문]신경망을 이용한 원자력발전소의 주요 고장진단

권순일; 이종규; 송치권; 배현; 김성신

신경망을 이용한 원자력발전소의 주요 고장진단
The Fault Diagnosis using Neural Networks for Nuclear Power Plants 원문보기

권순일 (한국수력원자력(주) 원자력교육원) , 이종규 (한국수력원자력(주) 원자력교육원) , 송치권 (부산대학교 전기공학과) , 배현 (부산대학교 전기공학과) , 김성신 (부산대학교 전기공학과)

Nuclear power generations have been developed gradually since 1950. Nowadays, 440 nuclear power generations are taking charge of 16% of electric power production in the world. The most important factor to operate the nuclear power generations is safety. It is not easy way to control nuclear power generations with safety because nuclear power generations are very complicated systems. In the main control room of the nuclear power generations, about 4000 numbers of alarms and monitoring devices are equipped to handle the signals corresponding to operating equipments. Thus, operators have to deal with massive information and to grasp the situation immediately. If they could not achieve these task, then they should make big problem in the power generations Owing to too many variables, operators could be also in the uncontrolled situation. So in this paper, automatic systems to diagnose the fault are constructed using 2 steps neural networks. This diagnosis method is based on the pattern of the principal variables which could represent the type and severity of faults.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 2가지의 사고진단 방법예 대하여 실험하였다. 먼저 단일 사고에 대한 데이터를 이용하여 신경망을 학습하고 테스트를 통해 사고진단이 가능한지 검토해 보았으며 두 번째로 신경망의 적응성을 이용하여 학습되지 않은 사고에 대해서도 진단이 가능한지 모의실험하였다.
본 논문에서는 운전원의 오판으로 대응조치가 잘못되었을 때 주변환경을 방사성물질로 오염시킬 가능성이 있는 사고 위주로 사고분류를 하였다. 6가지의 주요한 사고에 대해 나타나는 11개 주요 변수들의 데이터를 얻어 고장진단을 한다〔4〕.
본 절에서의 모의실험은 학습되지 않는 사고 종류에 대해서 진단이 가능한지를 알아보기 위한 테스트이다. 예를 들어 40%, 60%, 80%의 사고크기를 이용하여 신경망 모델을 학습한 후 50%와 70%의 테스트 데이터를 입력했을 때 사고종류를 정확하게 분류되는지를 실험하였다.

제안 방법

① hyperbolic tangent(은닉층, 출력층) 함수 사용 1차 네트워크의 은닉충과 출력층 활성함수를 모두 hyperbolic tangent 함수를 써서 모델을 구성하였다. 실험결과는 오차는 다소 컸으나, 사고 분류는 가능함을 알 수 있었다.
활성함수는 앞 절의 실험에서 사용한 은닉층에는 hyperbolic tangent함수를 사용하고 출력층에는 logistic함수를 사용한다. 두 활성함수의 조합은 사고 종류를 분류하기 위한 실험에서 성능이 우수하다고 확인되었기 때문에 본 신경망 모델에도 적용하였다. 학습을 위한 출력측의 목표값은 1로 설정하여 학습 동안 출력값이 수렴하도록 하였다.
먼저 단일 사고에 대한 데이터를 이용하여 신경망을 학습하고 테스트를 통해 사고진단이 가능한지 검토해 보았으며 두 번째로 신경망의 적응성을 이용하여 학습되지 않은 사고에 대해서도 진단이 가능한지 모의실험하였다. 두 경우에 있어서 사고진단이 잘되는 것을 확인되었다.
본 논문에서 사용한 신경망은 그림 3과 같이 두 개의 독립된 신경망을 직렬형으로 연결하였다. 분류목적이 사고의 종류와 크기이기 때문에 하나의 학습을 마치고 나온 결과를 기반으로 하여 두 번째 결과를 테스트하는 것이 보다 효과적이라고 생각돤다.
본 논문에서는 실제 운전중인 원자력발전소를 모방한 시뮬레이터로부터 획득한 데이터를 신경망을 이용한 패턴 인식방법을 이용하였다. 각 사고에 대한 변수는 총 11개를 사용하였고 사고의 종류는 6개이다.

대상 데이터

인식방법을 이용하였다. 각 사고에 대한 변수는 총 11개를 사용하였고 사고의 종류는 6개이다. 11개의 변수는 사고가 발생했을 때 계기들의 값의 변화로서 0초에서 30초까지의 경과를 기준으로 하였다.
븐 실험에서 사용한 실험 데이터들은 실제 가동중인 , 자력발전소를 모방한 시뮬레이터를 통해서 획득한 것이다. 실제 사고가 발생하였을 때와 같은 조건하에 만들어진 데이터이므로 신뢰도가 높다.

이론/모형

최종적으로 두 결과를 조합함으로서 테스트 데이터가 어떤 종류의 사고이고, 그 사고의 고장크기가 얼마나 되는지 알 수 있다. 신경망 학습은 신뢰할 만한 도구인 MATRAB을 사용하였다 ⑹.

성능/효과

두 경우에 있어서 사고진단이 잘되는 것을 확인되었다. 단일 사고에 대해서는 사고크기도 함께 고려하여 실험하였는데 총 사고크기는 40%~80%까지 5개로 나누어서 실험하였고 분류가 잘됨을 확인할 수 있었다. 두 진단의 경우 hyperbolic tangent함수를 은닉층, logistic함수를 줄력증 활성함수로 사용하였을 경우에 있어서 성능이 우수하였다.
단일 사고에 대해서는 사고크기도 함께 고려하여 실험하였는데 총 사고크기는 40%~80%까지 5개로 나누어서 실험하였고 분류가 잘됨을 확인할 수 있었다. 두 진단의 경우 hyperbolic tangent함수를 은닉층, logistic함수를 줄력증 활성함수로 사용하였을 경우에 있어서 성능이 우수하였다. 따라서 활성함수의 선택이 신경망의 학습에 중요함을 알 수 있다.
11개의 변수는 사고가 발생했을 때 계기들의 값의 변화로서 0초에서 30초까지의 경과를 기준으로 하였다. 본 논문에서 구성한 신경망 모델을 이용하여 학습한 후 테스트를 해본 결과 각 사고의 종류를 효율적으로 분류할 수 있음을 알 수 있었다. 물론 패턴이 비슷한 사고의 경우 다른 경우보다 오차가 많이 발생하였다.
본 모의실험의 결과를 통해 전체적으로 사고분류가 잘됨을 알 수 있다. 단지 사고의 패턴이 비슷하거나 사고 시 변수들의 변화가 경미한 경우는 오차의 크기가 큰 것을 확인할 수 있었다.
구성하였다. 실험결과는 오차는 다소 컸으나, 사고 분류는 가능함을 알 수 있었다.
전반적으로 본 모의실험을 통해 다양한 사고종류와 크기를 가진 데이터를 통해 원하는 진단결과로 신경망을 학습시킬 수 있고 원하는 진단결과를 얻을 수 있음을 확인할 수 있었다. 그리고 이러한 결과를 바탕으로 하여 알고리즘을 보완할 수 있다면 실제 현장에서 과도상태 또는 비상상태 발생시 운전원이 하는 사고진단들을 지능제어 기법을 이용하여 대행할 수 있다고 생각된다.
1차 네트워크의 입력으로 사용한 데이터를 다시 2차 네트워크의 입력으로 넣으면 출력단에서 사고의 크기를 분류할 수 있다. 최종적으로 두 결과를 조합함으로서 테스트 데이터가 어떤 종류의 사고이고, 그 사고의 고장크기가 얼마나 되는지 알 수 있다. 신경망 학습은 신뢰할 만한 도구인 MATRAB을 사용하였다 ⑹.

후속연구

수 있었다. 그리고 이러한 결과를 바탕으로 하여 알고리즘을 보완할 수 있다면 실제 현장에서 과도상태 또는 비상상태 발생시 운전원이 하는 사고진단들을 지능제어 기법을 이용하여 대행할 수 있다고 생각된다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

신경망을 이용한 원자력발전소의 주요 고장진단
The Fault Diagnosis using Neural Networks for Nuclear Power Plants 원문보기

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

신경망을 이용한 원자력발전소의 주요 고장진단 The Fault Diagnosis using Neural Networks for Nuclear Power Plants 원문보기

Abstract ▼ AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

신경망을 이용한 원자력발전소의 주요 고장진단
The Fault Diagnosis using Neural Networks for Nuclear Power Plants 원문보기

AI 본문요약
AI-Helper