WO2021172723A1 - 원전의 지능형 상태감시 방법 및 시스템 - Google Patents
원전의 지능형 상태감시 방법 및 시스템 Download PDFInfo
- Publication number
- WO2021172723A1 WO2021172723A1 PCT/KR2020/018693 KR2020018693W WO2021172723A1 WO 2021172723 A1 WO2021172723 A1 WO 2021172723A1 KR 2020018693 W KR2020018693 W KR 2020018693W WO 2021172723 A1 WO2021172723 A1 WO 2021172723A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- sensor
- power plant
- layer
- state
- nuclear power
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003745 diagnosis Methods 0.000 claims abstract description 120
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 59
- 208000024891 symptom Diseases 0.000 claims description 52
- 230000005856 abnormality Effects 0.000 claims description 21
- 230000036541 health Effects 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 9
- 230000007257 malfunction Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 12
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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
- 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
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
- G21C17/10—Structural combination of fuel element, control rod, reactor core, or moderator structure with sensitive instruments, e.g. for measuring radioactivity, strain
-
- 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 method and system for intelligent condition monitoring of a nuclear power plant, and more particularly, to a method and system for monitoring the condition of a nuclear power plant for remote and automatic diagnosis of abnormal symptoms of a nuclear power plant.
- the device condition prediction system and health monitoring system of domestic and foreign nuclear power plants mainly use a method in which the accuracy of condition prediction is lowered when there is no empirical data in the calculation of the sensor prediction value. Therefore, compared to the case of full power operation, transient phenomena due to output increase/decrease occur more frequently.
- An object of the present invention is to reduce the state prediction error of the sensor during startup, full output and stop operation of the nuclear power plant, and to remotely and automatically diagnose the state of the sensor, device, system and power plant to provide early warning without error alarm. To provide a method and system.
- the intelligent state monitoring system of a nuclear power plant compares the sensor measurement value and the device measurement value with the predicted value to distinguish the first layer for detecting abnormal symptoms of the sensor and the device, and the type of the sensor, and from the first layer
- a second layer for diagnosing the presence or absence of abnormality of the sensor based on the provided abnormal symptom value of the sensor, and the detection and diagnosis result of the sensor provided from the first and second layers, and the device provided from the first layer Includes a third layer for diagnosing the status of nuclear power plant facilities based on the abnormal symptom results of
- the intelligent condition monitoring system of the nuclear power plant may further include a fourth layer for determining the level of early warning based on the status diagnosis result of the nuclear power plant facility provided from the third layer and calculating the health index for each layer of the nuclear power plant facility can
- the first layer includes a state monitoring module for each sensor that calculates a sensor prediction value and detects an abnormal symptom of the sensor according to an error between the sensor measurement value and the sensor prediction value, and calculates a device prediction value based on the sensor prediction value to determine the device It may include a device-specific state monitoring module for detecting abnormal signs of the device according to an error between the measured value and the device predicted value.
- the state monitoring module for each sensor and the state monitoring module for each device may detect abnormal symptoms of the sensor and the device while the device is in operation.
- an overlapping sensor group state monitoring module for diagnosing at least one of failure and drift of the sensor when the sensor is an overlapping sensor, and a failure and drift of failure of the sensor when the sensor is a strong correlation sensor It may include a strong correlation sensor group state monitoring module for diagnosing at least one.
- the third layer includes a sensor status diagnosis module for performing status diagnosis of the sensor based on detection and diagnosis results of the sensor provided from the first and second layers and interpreting the status monitoring result of the sensor;
- a device status diagnosis module that performs a status diagnosis of the device based on the abnormal symptom result of the device provided from the first layer and interprets the status monitoring result of the device, and the explanation provided from the sensor status diagnosis module and the device status It may include a system state diagnosis module for performing state diagnosis of the system based on the explanation provided from the diagnosis module.
- the sensor state diagnosis module utilizes the abnormal symptom result of the sensor provided from the first and second layers, respectively, as sensor state knowledge, compares the sensor state knowledge with a preset sensor state generation rule, and selects It may include a sensor abnormal symptom diagnosis inference engine that applies the state knowledge to a preset sensor state diagnosis rule set.
- the sensor condition diagnosis module may explain the condition monitoring result of the sensor by resolving contention according to a preset priority when there are a plurality of rule sets selected by the sensor abnormal symptom diagnosis inference engine.
- the device status diagnosis module uses the abnormal symptom result of the device provided from the first layer as device status knowledge, compares the device status knowledge with a preset device status generation rule, and stores the status knowledge selected by comparison. It may include a device abnormal symptom diagnosis inference engine applied to the set sensor condition diagnosis rule set.
- the device status diagnosis module may explain the status monitoring result of the device by resolving contention according to a preset priority when there are a plurality of rule sets selected by the device abnormal symptom diagnosis inference engine.
- the system state diagnosis module may perform system state diagnosis by applying the explanation provided from the sensor state diagnosis module and the explanation provided from the device state diagnosis module to a decision tree.
- the fourth layer includes an early warning module that determines the level of early warning by applying the state diagnosis result of the nuclear power plant facility provided from the third layer to a decision tree, and It may include a power plant comprehensive diagnosis module that calculates the health index weight to determine the health index for each layer of the nuclear power plant facility, and a user interface module that enables early warning according to the level of early warning issued from the early warning module. .
- the power plant comprehensive diagnosis module may calculate the health index for each tier according to the tier set according to the classification system of the power plant based on the result values of the first to third tiers.
- the user interface module may generate a report by collecting the health index for each layer calculated by the power plant comprehensive diagnosis module with the power plant operation status.
- the nuclear power plant facility may include at least one of a sensor, a device, and a system of the nuclear power plant environment.
- a rule-based expert system may be applied to diagnose the state of the nuclear power plant facility.
- the intelligent state monitoring method of a nuclear power plant includes the steps of detecting abnormal signs of the sensor and the device by comparing the sensor measurement value and the device measurement value with the predicted value, and classifying the type of the sensor and abnormal symptoms of the sensor Diagnosing the presence or absence of abnormality of the sensor based on a value and the detection and diagnosis result of the sensor generated in the detecting and diagnosing step, and the abnormal symptom result of the device generated in the detecting step and diagnosing the state of the nuclear power plant facility.
- the method and system for monitoring the state of a nuclear power plant not only improves the performance of the early warning system but also improves the performance of the early warning system by automatically diagnosing the cause when an alarm occurs even when it is difficult to predict the state in the multi-layer state monitoring of start, full output, and stop operation It has the effect of reducing the time required for monitoring and diagnosis and maximizing the utilization of computing resources.
- FIG. 1 and 2 are diagrams schematically showing the structure of an intelligent state monitoring system of a nuclear power plant according to the present embodiment
- FIG. 3 is a conceptual diagram showing a condition monitoring model according to the present embodiment
- FIG. 4 is a conceptual diagram showing the first layer of the intelligent state monitoring system of a nuclear power plant according to the present embodiment
- FIG. 5 is a conceptual diagram showing the second layer of the intelligent state monitoring system of a nuclear power plant according to the present embodiment
- FIG. 6 is a conceptual diagram showing the third layer of the intelligent state monitoring system of a nuclear power plant according to the present embodiment
- FIG. 7 is a conceptual diagram illustrating a fourth layer of the intelligent state monitoring system of a nuclear power plant according to the present embodiment.
- FIG. 1 and 2 are diagrams schematically showing the structure of an intelligent state monitoring system of a nuclear power plant according to the present embodiment.
- the intelligent condition monitoring system 1000 (hereinafter, referred to as a condition monitoring system) of the nuclear power plant according to the present embodiment is an abnormality occurring in individual sensors and devices installed in the nuclear power plant 10 .
- the state monitoring of nuclear power plant facilities is carried out based on the fourth layer 600, which comprehensively diagnoses the state monitoring and diagnosis results through the analysis of decision trees and deterministic conclusions.
- each layer may mean a systemic layer for performing a corresponding function.
- the condition monitoring system 1000 can minimize the occurrence of an error alarm in the condition monitoring of the nuclear power plant equipment during the start and stop operation of the nuclear power plant 10, where the state changes of operating variables are severe, and cause the alarm. may be analyzed and provided to the user 700 .
- each layer may be provided to include a module that performs a predetermined operation, but this is for explaining the present embodiment, and the entire operation of the four layers to be described below may be performed in a single or a plurality of computer environments. make it clear in advance that
- the first layer 300 monitors their states with one model per sensor and one device, and calculates a state predicted value. And when an abnormality out of the normal range occurs by comparing it with the measured value, it is transmitted to the second layer 400 and the third layer 500 .
- the first layer 300 includes a device operation state monitoring module 310 for monitoring the operation state of the device, a state monitoring module 320 for each sensor performing state monitoring of a sensor based on the device operation state, and the state of the device. It may include a device-specific state monitoring module 330 that performs monitoring.
- the second layer 400 analyzes the strong correlation sensor group or the overlapping sensor group to which the sensor having the abnormal symptom belongs to diagnose whether a failure or drift has occurred. Then, the diagnostic value is transmitted to the third layer 500 .
- the second layer 400 includes a strong correlation sensor group state monitoring module 410 for performing state monitoring of the strongly correlated sensor group and a superposed sensor group state monitoring module 420 for performing state monitoring of the overlapping sensor group.
- the strong correlation sensor refers to a sensor group having a physical causal relationship, and may mean, for example, a set of pump discharge pressure and flow sensors, and a set of flow sensors and inlet/outlet temperature sensors of high temperature and low temperature heat exchangers.
- the overlapping sensor means a sensor with the same specification that measures the same variable at the same point, and for example, a narrow range pressure sensor for pressurization of a nuclear power plant, a coolant pump rotation speed, etc. may include safety-related or safety-important sensors.
- the single sensor may refer to all sensors that do not belong to the strong correlation sensor group and the overlapped sensor group.
- the third layer 500 analyzes the abnormal symptoms of the sensor and device transmitted from the first layer 300 and the diagnostic result provided from the second layer 400 with a rule-based expert system to determine whether the sensor and device are abnormal. do. In this case, the third layer 500 diagnoses and determines the status of the layer based on the status of sensors and devices.
- the third layer 500 is a sensor state diagnosis module 510 that determines whether a sensor is abnormal, a device state diagnosis module 520 that determines whether there is an abnormality in the device, and determines whether or not there is an abnormality in the system by the state of the sensor and the device. It may include a system state diagnosis module 530 that
- the fourth layer 600 enables early warning based on the presence or absence of abnormalities in sensors, devices, and systems transmitted from the third layer 500 .
- a comprehensive diagnosis of the nuclear power plant 10 is possible based on the diagnosis results provided from the third layer 500 and the diagnosis results provided from the first layer 300 and the second layer 400 .
- the fourth layer 600 includes an early warning module 610 for performing early warning, a power plant comprehensive diagnosis module 620 for performing a comprehensive diagnosis of the nuclear power plant 10, and a user interface module for providing an interface to the user ( 630) may be included.
- FIG. 3 is a conceptual diagram illustrating a state monitoring model according to the present embodiment.
- condition monitoring model 200 is applied to the condition monitoring system 1000 according to the present embodiment.
- a physical model or a statistical model for predicting the state of a sensor and a device is developed, and this is trained as a regression model of supervised machine learning. Then, a state prediction algorithm is developed through the model performance test and reflected in the operation procedure of the state monitoring system 1000 .
- the state monitoring model 200 is based on a physical model and a statistical model, and it is possible to reduce the state prediction error of the sensor during start and stop operation of the nuclear power plant 10, which lacks empirical data and the state change of operating variables is severe. .
- FIG. 4 is a conceptual diagram illustrating a first layer of the intelligent state monitoring system of a nuclear power plant according to the present embodiment.
- the sensor data 100 may include experience data used for model development and real-time driving data monitored by a state monitoring system, for example, a sensor measurement value.
- the experience data uses the sensor measurement values included in the nuclear power plant's past operation data, and the real-time sensor measurement value can be acquired through the communication protocol of the HMI server of the nuclear power plant's general control room.
- the device measurement value is calculated from the sensor measurement value.
- the pump efficiency which is one of the device measurement values, may be calculated from the pump discharge part pressure and flow rate, the real-time current value applied to the pump motor, and the rated voltage.
- the first system 300 monitors whether the device is in operation and does not monitor the status of the related device and the sensor when the device is not in operation.
- the sensor measurement value and the device measurement value are transmitted to the fourth system 600 .
- the device may be any machine or air conditioning device having a device number in the nuclear power plant, and it is a device that can improve the safety and economic feasibility of operating a nuclear power plant by predicting and diagnosing the state of the device.
- Such devices may have sensors on the device itself that can predict the state of the device, or they may be equipped with sensors that measure the processes the device is responsible for.
- the sensor measurement value described in this embodiment may mean a value acquired from a sensor provided in the nuclear power plant, and the device measurement value may mean a value acquired from the device.
- the sensor of the device itself may be a pump vibration sensor, a pump bearing temperature sensor, a pump motor bearing temperature sensor, a pump motor stator temperature sensor, and the like, and the sensors for measuring the processor include a pump discharge part pressure and flow rate sensor, a high temperature part and a low temperature part of a heat exchanger. It may include, but is not limited to, an inlet and outlet temperature sensor and a flow sensor of the.
- the sensor measurement value is provided to the sensor-specific status monitoring module 320 .
- the state monitoring module 320 for each sensor calculates a state predicted value for the sensor. And when the difference is out of the normal range by comparing the calculated predicted value with the sensor measurement value provided from the outside, it is determined that an abnormality has occurred. And the state monitoring module 320 for each sensor transmits the sensor abnormality value to the second layer 400 and the third layer 500 .
- the sensor to which the abnormal symptom is transmitted to the second layer 400 is an overlap sensor or a strong correlation sensor, and the abnormal symptom generated from the other sensors may be transmitted to the third layer 500 .
- the device measurement value is provided to the device-specific status monitoring module 330 .
- the device-specific state monitoring module 330 calculates the predicted state of the device based on the predicted state of the sensor. And when the difference is out of the normal range by comparing the calculated predicted value with the device measurement value provided from the outside, it is judged that an abnormality has occurred. And the device-specific state monitoring module 330 transmits the abnormal symptom value of the device to the third layer 500 .
- the list of sensors that are not required to be monitored is displayed in the fourth layer 600 ) can be transferred.
- the list of unnecessary sensors is transmitted to the health index calculation process 622 for each layer of the fourth layer 600, and abnormal symptoms do not occur in the sensor-specific condition monitoring module 320 and the device-specific condition monitoring module 330.
- the state of the sensor and the device that are not there may also be transmitted to the health index calculation process 622 for each layer of the fourth layer 600 .
- the error limit may be set to three times the standard deviation of the predicted value and the measurement value residual of the sensor and the device's empirical data.
- the second layer 400 diagnoses a failure or drift of the sensor based on the abnormal symptom value of the sensor provided from the first layer 300 .
- FIG. 5 is a conceptual diagram illustrating a second layer of the intelligent state monitoring system of a nuclear power plant according to the present embodiment.
- the second layer 400 of the state monitoring system 1000 it is determined whether a sensor having an abnormal symptom in the first layer 300 is an overlapping sensor.
- the overlapping sensor group state monitoring module 420 diagnoses the failure or drift of the sensor. And the overlapping sensor group state monitoring module 420 provides the abnormality diagnosis result of the overlapping sensor to the third layer 500 .
- the strong correlation sensor group state monitoring module 410 diagnoses a malfunction or drift of the sensor. And the strong correlation sensor group state monitoring module 410 provides the abnormality diagnosis result of the strong correlation sensor to the third layer 500 .
- the abnormal symptom value of the sensor transmitted from the first layer 300 that is, the sensor and device in which the abnormal symptom occurred, is reflected in the sensor abnormality diagnosis result of the second layer 400, and the rule-based Diagnosis by expert system.
- FIG. 6 is a conceptual diagram illustrating a third layer of the intelligent state monitoring system of a nuclear power plant according to the present embodiment.
- the sensor and device abnormalities transmitted from the first layer 300 and the second layer 400 are The provided diagnostic results are analyzed by the rule-based expert system to determine whether there are any abnormalities in sensors and devices.
- the sensor state diagnosis module 510 compares the sensor state knowledge 511 with the sensor state generation rule 512 illustrated in Table 1 below.
- the difference between the predicted value and the measured value of the pump outlet pressure is within ⁇ 3 ⁇ B
- the difference between the predicted value and the measured value of the efficiency calculated by the pump pressure is within ⁇ 3 ⁇ C
- the difference between the predicted value and the measured value of the efficiency calculated by the pump flow rate is within ⁇ 3 ⁇ D
- the difference between the predicted value and the measured value of the pump outlet pressure in the two time periods immediately after the current time period is within ⁇ 3 ⁇ E
- the difference between the predicted value and the measured value of the pump outlet pressure in the 10 time period immediately before the current time is within ⁇ 3 ⁇ F
- the difference between the predicted value and the measured value of the pump outlet pressure in the 10th time period immediately before the current time period is ⁇ 3 ⁇ more than once G more than 1 ts among theprevious 8 ts are B driving rules
- H The pump outlet pressure is higher than the maximum value of the operating experience.
- I The pump outlet pressure is lower than the minimum value of the operating experience.
- J The pump outlet pressure is close to the abnormal operating value.
- the sensor state diagnosis module 510 may compare the sensor state knowledge 511 with the sensor state generation rule 512 and select the matching state in the sensor abnormal symptom diagnosis inference engine 514 as shown in Table 2.
- the sensor condition diagnosis module 510 satisfies the condition (If) of the sensor condition diagnosis rule set 513 illustrated in Table 3 below as a generation rule that matches the state knowledge selected by the sensor abnormal symptom diagnosis inference engine 514
- the rule set according to the sensor state knowledge 511 is selected as the state diagnosis rule set (Then) to the sensor abnormal symptom diagnosis inference engine 514 as exemplified in Table 4 below.
- the sensor state diagnosis module 510 resolves the contention by applying the priority of Table 3 (515). Accordingly, the sensor condition diagnosis module 510 selects a single rule set, and explains the sensor condition monitoring inference result as shown in Table 5 with the condition diagnosis rule set 513, Then illustrated in Table 3 (516). And it is provided to the fourth layer 600 and the system state diagnosis module 530 .
- the sensor condition diagnosis module 510 does not go through the contention resolution 515 and allows the inference result explanation 516 to be performed.
- the device status diagnosis module 520 provides the device status knowledge 521 with the abnormal symptom value of the device transmitted from the first layer 300 .
- the abnormal symptom value of the device may be derived knowledge derived from a sensor in calculating the predicted value of the first layer 300 .
- the device state diagnosis module 520 may propagate the reasoning result in the same manner as the sensor state diagnosis module 510 described above.
- the device status diagnosis module 520 compares the device status knowledge 521 with the device status generation rule 522 .
- the device status diagnosis module 520 may compare the device status knowledge 521 with the device status generation rule 522 and select the matching status from the device abnormal symptom diagnosis inference engine 524 .
- the device condition diagnosis module 520 is a condition diagnosis rule set that satisfies the condition (If) of the device condition diagnosis rule set 523 as a generation rule that matches the condition knowledge selected by the device abnormal symptom diagnosis inference engine 524 . (Then) is a device abnormal symptom diagnosis inference engine 514 and a rule set according to the device state knowledge 521 is selected.
- the device state diagnosis module 520 resolves the contention by applying a priority ( 525 ). Accordingly, the device status diagnosis module 520 selects a single rule set, and explains the device status monitoring reasoning result with the status diagnosis rule set 523, Then (526). And it is provided to the fourth layer 600 and the system state diagnosis module 530 . At this time, when the result of the device condition diagnosis module 520 inferred by the device abnormal symptom diagnosis inference engine 524 is a single rule set, the reasoning result explanation 526 can be made without going through contention.
- the system state diagnosis module 530 diagnoses the system state by applying the state monitoring reasoning result explanation of the sensor and the state monitoring reasoning result explanation of the device to the system state diagnosis decision tree 531 ( 532 ). Then, the system state diagnosis result is transmitted to the fourth layer 600 .
- the results from the first layer 300 to the third layer 500 are comprehensively diagnosed, and the results are delivered to the user.
- FIG. 7 is a conceptual diagram illustrating a fourth layer of the intelligent state monitoring system of a nuclear power plant according to the present embodiment.
- the early warning module 610 in the fourth layer 600 determines the state of the nuclear power plant 10 according to the operating variables of sensors, the state of the equipment and the system.
- the state decision tree 611 and the power plant state decision tree 611 the deterministic conclusion is analyzed by reflecting the states of sensors, devices, and systems (612).
- the level of early warning is determined according to the deterministic conclusion (613).
- the early warning module 610 uses the analysis results provided from the sensor status diagnosis module 510 , the device status diagnosis module 520 , and the system status diagnosis module 530 .
- the early warning module 610 provides the determined level of early warning to the power plant comprehensive diagnosis module 620 and the user interface module 630 .
- the power plant comprehensive diagnosis module 620 calculates the health index weights of sensors, devices, and systems by reflecting the determined level of early warning issuance (621). Then, the health index for each layer is calculated by weighting the results of the state monitoring of the first layer 300 to the third layer 500 (622).
- a final report 633 may be prepared by collecting the health index for each layer calculated by the power plant comprehensive diagnosis module 620 with the power plant operation status 632 .
- the final report 633 may be provided as a UI screen and a PDF report.
- the diagnosis result can be output in the form of a graph on the UI screen
- the PDF report can be prepared in the form of an instantaneous abnormal state report, a daily report, a weekly report, and a monthly report.
- the method and system for monitoring the state of a nuclear power plant according to the present invention can improve the performance of the early warning system by automatically diagnosing the cause when an alarm occurs, even when it is difficult to predict the state in the multi-layer state monitoring of start, full output, and stop operation. In addition, it has the effect of shortening the time required for condition monitoring and diagnosis and maximizing the use of computing resources.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- High Energy & Nuclear Physics (AREA)
- Plasma & Fusion (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
본 발명은 원전 기동, 전출력 및 정지 운전 시에 센서의 상태 예측 오차를 줄이고, 센서, 기기, 계통 및 발전소의 상태를 원격 자동으로 진단하여 오류경보 없이 조기 경보할 수 있는 원전의 상태감시 방법 및 시스템을 제공하기 위하여, 센서 측정값 및 기기 측정값을 예측값과 비교하여 상기 센서와 상기 기기의 이상징후를 감지하는 제1 계층 및 상기 센서의 종류를 구분하고 상기 제1 계층으로부터 제공되는 상기 센서의 이상징후 값을 기반으로 상기 센서의 이상유무를 진단하는 제2 계층 및 상기 제1 및 제2 계층으로부터 제공되는 상기 센서의 감지 및 진단결과와 상기 제1 계층으로부터 제공되는 상기 기기의 이상징후 결과를 기반으로 원전설비의 상태를 진단하는 제3 계층을 포함한다.
Description
본 발명은 원전의 지능형 상태감시 방법 및 시스템에 관한 것으로, 보다 상세하게는 원전의 이상 징후를 원격 자동 진단하는 원전의 상태감시 방법 및 시스템에 관한 것이다.
최근 들어, 원전에는 안전성 및 경제성을 향상하기 위하여 인공지능 기술이 적용되고 있다. 원전 분야에서는 센서의 상태를 예측하고, 이를 측정값과 비교하여 센서의 고장이나 드리프트를 원격으로 감시하는 센서 신뢰도 향상 기술이 개발되고 있다. 특히, 원전의 안전성 및 경제성을 더욱 향상하기 위하여, 인공지능 기술을 기기의 상태 예측에 적용하여 상태기반 정비체계를 구축하는 기술의 개발이 국내외에서 활발하게 진행되고 있다. 그리고 이와 함께 상태감시를 지원하는 컴퓨팅 시스템에 함께 개발되어 활용되고 있다.
아울러, 센서 원격감시 기술로 기기 및 계통의 상태를 감시하고, 이를 토대로 원전 전체의 건전성을 감시하는 기술개발 역시 국내외에서 활발하게 진행되고 있다. 이에, 국내 원전상태를 통합하여 감시하는 국내 원전 관련 기관과 기업의 종합상황실에서는 센서의 예측값과 실측값의 차이를 기반으로 발전소의 건전성을 정량적 지표로 산정하여 감시하는 조기경보 시스템이 개발되어 운용되고 있다.
그러나 국내외 원전의 기기 상태 예측 시스템 및 건전성 감시 시스템은 센서 예측값의 산정에서 경험데이터가 존재하지 않을 경우에, 상태 예측의 정확도가 저하되는 방법을 주로 사용하고 있다. 따라서 전출력 운전 시와 비교하여 출력 증감발로 인한 과도현상이 빈번하게 발생하고 있다.
이에, 상태 예측 모델의 학습에 필요한 경험데이터를 충분하게 확보할 수 없는 원전 기동 및 정지 운전 시의 센서와 기기의 상태에 대한 예측 오차를 줄일 수 있는 기술의 연구 개발이 요구된다.
또한, 기기 및 계통이 정상적으로 운전되고 있음에도 불구하고, 센서에서 발생한 일시적 과도현상으로 인해 발생하는 오류경보를 제거하는 기술개발이 필요하다. 그리고 센서의 고정이나 드리프트를 기기의 고장과 분리하여 진단하는 기술개발이 필요하다.
또한, 센서, 기기 및 계통의 상태가 터빈의 출력 감발, 원자로의 출력 불시 감발, 원자로 불시 정지 및 터빈 불시 정지의 원인이 될 수 있는 상태로 발전된 경우에, 이를 자동으로 진단하여 경보할 수 있는 개선된 예측 진단 방법의 개발이 요구되고 있다.
본 발명의 목적은 원전 기동, 전출력 및 정지 운전 시에 센서의 상태 예측 오차를 줄이고, 센서, 기기, 계통 및 발전소의 상태를 원격 자동으로 진단하여 오류경보 없이 조기 경보할 수 있는 원전의 상태감시 방법 및 시스템을 제공하기 위한 것이다.
본 발명에 따른 원전의 지능형 상태감시시스템은 센서 측정값 및 기기 측정값을 예측값과 비교하여 상기 센서와 상기 기기의 이상징후를 감지하는 제1 계층 및 상기 센서의 종류를 구분하고 상기 제1 계층으로부터 제공되는 상기 센서의 이상징후 값을 기반으로 상기 센서의 이상유무를 진단하는 제2 계층 및 상기 제1 및 제2 계층으로부터 제공되는 상기 센서의 감지 및 진단결과와 상기 제1 계층으로부터 제공되는 상기 기기의 이상징후 결과를 기반으로 원전설비의 상태를 진단하는 제3 계층을 포함한다.
상기 원전의 지능형 상태감시시스템은 상기 제3 계층으로부터 제공되는 상기 원전설비의 상태진단결과를 기반으로 조기경보의 수준을 결정하고 상기 원전설비의 계층별 건강지수를 산정하는 제4 계층을 더 포함할 수 있다.
상기 제1 계층은 센서 예측값을 산정하여 상기 센서 측정값과 상기 센서 예측값의 오차에 따라 상기 센서의 이상징후를 감지하는 센서별상태감시모듈과, 상기 센서 예측값을 기반으로 기기 예측값을 산정하여 상기 기기 측정값과 상기 기기 예측값의 오차에 따라 상기 기기의 이상징후를 감지하는 기기별상태감시모듈을 포함할 수 있다.
상기 제1 계층은 상기 기기가 가동 중인 상태에서 상기 센서별상태감시모듈과 상기 기기별상태감시모듈이 상기 센서와 상기 기기의 이상징후를 감지할 수 있다.
상기 제2 계층에서는 상기 센서가 중첩센서일 때에 상기 센서의 고장 및 드리프트 중 적어도 어느 하나를 진단하는 중첩센서군상태감시모듈과, 상기 센서가 강상관계센서일 때에 상기 센서의 고장의 고장 및 드리프트 중 적어도 어느 하나를 진단하는 강상관계센서군상태감시모듈을 포함할 수 있다.
상기 제3 계층은 상기 제1 및 제2 계층으로부터 제공되는 상기 센서의 감지 및 진단결과를 기반으로 상기 센서의 상태진단을 수행하고 상기 센서의 상태감시결과를 해설하는 센서상태진단모듈과, 상기 제1 계층으로부터 제공되는 상기 기기의 이상징후 결과를 기반으로 상기 기기의 상태진단을 수행하고 상기 기기의 상태감시결과를 해설하는 기기상태진단모듈과, 상기 센서상태진단모듈로부터 제공되는 해설과 상기 기기상태진단모듈로부터 제공되는 해설을 기반으로 계통의 상태진단을 수행하는 계통상태진단모듈을 포함할 수 있다.
상기 센서상태진단모듈은 상기 제1 및 제2 계층으로부터 각각 제공되는 상기 센서의 이상징후 결과를 센서상태지식으로 활용하고, 상기 센서상태지식을 기설정된 센서상태생성규칙과 비교하며 비교에 의해 선별된 상태지식을 기설정된 센서상태진단규칙집합에 적용하는 센서이상징후진단추론엔진을 포함할 수 있다.
상기 센서상태진단모듈은 상기 센서이상징후진단추론엔진에서 선별된 규칙집합이 복수 개일 때에 기설정된 우선순위에 따라 경합을 해결하여 상기 센서의 상태감시결과를 해설할 수 있다.
상기 기기상태진단모듈은 상기 제1 계층으로부터 제공되는 상기 기기의 이상징후 결과를 기기상태지식으로 활용하고, 상기 기기상태지식을 기설정된 기기상태생성규칙과 비교하며 비교에 의해 선별된 상태지식을 기설정된 센서상태진단규칙집합에 적용하는 기기이상징후진단추론엔진을 포함할 수 있다.
상기 기기상태진단모듈은 상기 기기이상징후진단추론엔진에서 선별된 규칙집합이 복수 개일 때에 기설정된 우선순위에 따라 경합을 해결하여 상기 기기의 상태감시결과를 해설할 수 있다.
상기 계통상태진단모듈은 상기 센서상태진단모듈로부터 제공되는 해설과 상기 기기상태진단모듈로부터 제공되는 해설을 (Decision tree)에 적용하여 계통의 상태진단을 수행할 수 있다.
상기 제4 계층은 상기 제3 계층으로부터 제공되는 상기 원전설비의 상태진단결과를 결정수목에 적용하여 상기 조기경보발령 수준을 결정하는 조기경보모듈과, 상기 조기경보발령 수준을 기반으로 상기 원전설비의 건강지수 가중치를 산정하여 상기 원전설비의 계층별 건강지수를 결정하는 발전소종합진단모듈과, 상기 조기경보모듈로부터 제공되는 조기경보발령 수준에 따라 조기경보가 가능하도록 하는 사용자인터페이스모듈을 포함할 수 있다.
상기 발전소종합진단모듈은 상기 제1 계층 내지 제3 계층의 결과값을 기반으로 발전소의 분류체계에 따라 설정된 계층에 따라서 계층별 건강지수를 산정할 수 있다.
상기 사용자인터페이스모듈은 상기 발전소종합진단모듈에서 산정된 상기 계층별 건강지수를 발전소 운영현황과 취합하여 보고서를 생성할 수 있다.
상기 원전설비는 상기 원전 환경의 센서, 기기 및 계통 중 적어도 어느 하나를 포함할 수 있다.
상기 제3 계층에서는 규칙기반전문가시스템을 적용하여 상기 원전설비의 상태를 진단할 수 있다.
한편, 본 발명에 따른 원전의 지능형 상태감시방법은 센서 측정값과 기기 측정값을 예측값과 비교하여 상기 센서와 상기 기기의 이상징후를 감지하는 단계 및 상기 센서의 종류를 구분하고 상기 센서의 이상징후 값을 기반으로 상기 센서의 이상유무를 진단하는 단계 및 상기 감지하는 단계 및 상기 진단하는 단계에서 생성된 상기 센서의 감지 및 진단결과와, 상기 감지하는 단계에서 생성된 상기 기기의 이상징후 결과를 기반으로 원전설비의 상태를 진단하는 단계를 포함한다.
본 발명에 따른 원전의 상태감시 방법 및 시스템은 기동, 전출력, 정지 운전의 다층 상태감시에서 상태 예측이 어려운 경우에도 경보 발생 시 그 원인을 자동진단하여 조기경보 시스템의 성능을 향상할 뿐만 아니라 상태감시 및 진단 소요시간을 단축하고 컴퓨팅 자원 활용을 극대화할 수 있는 효과가 있다.
이상과 같은 본 발명의 기술적 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 기술적 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1 및 도 2는 본 실시예에 따른 원전의 지능형 상태감시시스템의 구조를 개략적으로 나타낸 구성도이고,
도 3은 본 실시예에 따른 상태감시모델을 나타낸 개념도이고,
도 4는 본 실시예에 따른 원전의 지능형 상태감시시스템의 제1 계층을 나타낸 개념도이고,
도 5는 본 실시예에 따른 원전의 지능형 상태감시시스템의 제2 계층을 나타낸 개념도이고,
도 6은 본 실시에에 따른 원전의 지능형 상태감시시스템의 제3 계층을 나타낸 개념도이고,
도 7은 본 실시예에 따른 원전의 지능형 상태감시시스템의 제4 계층을 나타낸 개념도이다.
이하 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 그러나 본 실시예는 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 도면에서의 요소의 형상 등은 보다 명확한 설명을 위하여 과장되게 표현된 부분이 있을 수 있으며, 도면 상에서 동일 부호로 표시된 요소는 동일 요소를 의미한다.
도 1 및 도 2는 본 실시예에 따른 원전의 지능형 상태감시시스템의 구조를 개략적으로 나타낸 구성도이다.
도 1 및 도 2에 도시된 바와 같이, 본 실시예에 따른 원전의 지능형 상태감시시스템(1000, 이하, 상태감시시스템이라 칭한다.)은 원자력발전소(10)에 설치된 개별 센서와 기기에서 발생하는 이상 징후를 감시하는 제1 계층(300), 제1 계층(300)에서 감시한 센서 이상징후의 원인이 센서의 고장 또는 드리프트인가를 진단하는 제 2계층(400), 제1 계층(300)과 제2 계층(400)의 상태감시 결과를 규칙기반전문가시스템과 결정수목(Decision tree)으로 진단하여 센서의 운전변수와 기기 및 계통의 이상유무를 판정하는 제3 계층(500), 제3 계층(500)의 상태감시 및 진단결과를 결정수목과 결정론적 결말 분석으로 종합 진단하는 제4 계층(600)을 기반으로 원전설비의 상태감시를 진행한다. 여기서, 각각의 계층은 해당 기능을 수행하기 위한 시스템적 레이어(Layer)를 의미할 수 있다.
이에, 종래의 조기경보시스템과 비교하여 상태감시시스템(1000)은 운전변수들의 상태변화가 심한 원자력발전소(10) 기동 및 정지 운전 시의 원전설비 상태감시에서 오류경보 발생을 최소화할 수 있고 경보 원인을 분석하여 사용자(700)에게 제공할 수 있다.
한편, 이하에서는 다층 상태감시를 위한 계층의 특징 및 구성에 대하여 설명하도록 한다. 이에, 각각의 계층은 기설정된 동작을 수행하는 모듈을 포함하도록 마련될 수 있으나, 이는 본 실시예를 설명하기 위한 것으로 이하에서 설명될 4개 계층의 전체 동작은 단일 또는 복수 개의 컴퓨터 환경에서 진행될 수 있음을 사전에 밝혀둔다.
먼저, 제1 계층(300)은 센서와 기기 1개 당 1개의 모델로 이들의 상태를 감시하여, 상태 예측값을 산정한다. 그리고 이를 측정값과 비교하여 정상범위를 벗어나는 이상 징후가 발생하면, 제2 계층(400) 및 제3 계층(500)으로 전달한다. 여기서, 제1 계층(300)은 기기의 가동상태를 감시하는 기기가동상태감시모듈(310), 기기 가동상태를 기반으로 센서의 상태감시를 수행하는 센서별상태감시모듈(320) 및 기기의 상태감시를 수행하는 기기별상태감시모듈(330)을 포함할 수 있다.
그리고 제2 계층(400)은 이상 징후가 발생한 센서가 속한 강상관계센서군 또는 중첩센서군을 분석하여 고장 또는 드리프트의 발생 여부를 진단한다. 그리고 진단값을 제3 계층(500)으로 전달한다. 여기서, 제2 계층(400)은 강상관계센서군의 상태감시를 수행하는 강상관계센서군상태감시모듈(410) 및 중첩센서군의 상태감시를 수행하는 중첩센서군상태감시모듈(420)을 포함할 수 있다. 여기서, 강상관계센서란 물리적 인과관계를 가지는 센서군을 의미하며 예컨대, 펌프 토출부 압력과 유량 센서의 집합, 열교환기 고온부와 저온부의 유량센서와 입출구 온도 센서의 집합 등을 의미할 수 있다. 그리고 중첩센서란 동일지점에서 동일변량을 측정하는 동일한 사양의 센서를 의미하며, 예컨대 원자력 발전소 가압의 Narrow range 압력센서, 냉각재 펌프 회전수 등 안전관련 또는 안전에 중요한 센서를 포함할 수 있다. 또한, 단일센서로는 강상관계센서군과 중첩세서군에 속하지 않는 모든 센서를 의미할 수 있다.
제3 계층(500)은 제1 계층(300)에서 전달된 센서와 기기의 이상 징후와 제2 계층(400)으로부터 제공되는 진단결과를 규칙기반전문가시스템으로 분석하여 센서와 기기의 이상유무를 판정한다. 이때, 제3 계층(500)은 계층의 상태를 센서와 기기의 상태를 기반으로 진단하여 판정한다. 이러한 제3 계층(500)은 센서의 이상유무를 판정하는 센서상태진단모듈(510), 기기의 이상유무를 판정하는 기기상태진단모듈(520) 및 센서와 기기의 상태로 계통의 이상유무를 판정하는 계통상태진단모듈(530)을 포함할 수 있다.
최종적으로 제4 계층(600)은 제3 계층(500)에서 전달되는 센서, 기기 및 계통의 이상유무를 기반으로 조기경보가 가능하도록 한다. 그리고 제3 계층(500)에서 제공되는 진단결과와 제1 계층(300) 및 제2 계층(400)에서 제공되는 진단결과를 토대로 원자력발전소(10)의 종합진단이 가능하도록 한다. 이러한 제4 계층(600)은 조기경보를 수행하는 조기경보모듈(610), 원자력발전소(10)의 종합진단을 수행하는 발전소종합진단모듈(620), 및 사용자에게 인터페이스를 제공하는 사용자인터페이스모듈(630)을 포함할 수 있다.
한편, 이하에서는 상태감시 모델의 개발부터 4개 계층의 적용에 대하여 상세히 설명하도록 한다. 다만, 상술된 구성요소에 대해서는 상세한 설명을 생략하고 동일한 참조부호를 부여하여 설명하도록 한다.
도 3은 본 실시예에 따른 상태감시모델을 나타낸 개념도이다.
도 3에 도시된 바와 같이, 본 실시예에 따른 상태감시시스템(1000)에서는 상태감시모델(200)이 적용된다.
상태감시모델(200)의 개발에서는 센서와 기기의 상태 예측을 위한 물리적 모델 또는 통계적 모델을 개발하고, 이를 지도형 기계학습의 회귀모델로 학습시킨다. 그리고 모델성능시험을 통해 상태예측알고리즘을 개발하여 상태감시시스템(1000)의 연산절차로 반영된다.
이에, 상태감시모델(200)은 물리적 모델과 통계적 모델을 기반으로 하여, 경험데이터가 부족하고 운전변수의 상태변화가 심한 원자력발전소(10) 기동 및 정지 운전 시 센서의 상태 예측 오차를 줄일 수 있다.
도 4는 본 실시예에 따른 원전의 지능형 상태감시시스템의 제1 계층을 나타낸 개념도이다.
도 4에 도시된 바와 같이, 본 실시예에 따른 상태감시시스템(1000)의 제1 계층(300)에서는 센서데이터(100)로부터 정보가 제공된다. 여기서, 센서데이터(100)는 모델 개발에 사용되는 경험데이터와 상태감시시스템으로 감시하는 실시간 운전 데이터, 예컨대 센서 측정값을 포함할 수 있다. 경험데이터는 원전의 과거 운영 데이터에 포함된 센서 측정값을 사용하며, 실시간 센서 측정값은 원전의 종합상황실의 HMI 서버의 통신 프로토콜을 통하여 획득될 수 있다. 이때 센서 측정값은 손실압축되어 있으므로 이를 규칙에 따라 복원하여 이산간격의 실시간 측정값으로 사용할 수 있다. 또한, 기기 측정값은 센서 측정값으로부터 산정되며, 예컨대 기기의 측정값 중 하나인 펌프 효율은 펌프 토출부 압력과 유량, 펌프 모터에 인가되는 실시간 전류값 및 정격전압으로부터 산정될 수 있다.
이에, 제1 계통(300)에서는 기기의 가동여부를 감시하여 기기가 가동하지 않을 경우에 관련 기기와 센서의 상태를 감시하지 아니한다. 이때, 센서 측정값 및 기기 측정값은 제4 계통(600)으로 전달된다.
여기서, 기기는 원전에서 기기번호를 가지고 있는 모든 기계 및 공조 기기일 수 있으며, 기기의 상태를 예측 진단함으로써 원전 운영의 안전성 및 경제성을 제고할 수 있는 기기이다. 이러한 기기에는 기기의 상태를 예측할 수 있는 센서가 기기 자체에 달려있거나 기기가 담당하는 프로세스를 측정하는 센서가 마련될 수 있다.
이에, 본 실시예에서 설명하고 있는 센서 측정값은 원전 기기에 마련된 센서로부터 취득된 값을 의미할 수 있고, 기기 측정값은 기기로부터 취득된 값을 의미할 수 있다. 또한, 기기 자체의 센서는 펌프 진동 센서, 펌프 베어링 온도 센서, 펌프 모터 베어링 온도 센서 및 펌프 모터 고정자 온도 센서 등일 수 있고, 프로세서를 측정하는 센서는 펌프 토출부 압력과 유량 센서, 열교환기 고온부와 저온부의 입출구 온도센서 및 유량 센서 등을 포함할 수 있으나 이를 한정하지는 않는다.
한편, 기기가동상태감시모듈(310)로 기기의 가동이 확인되면, 센서별상태감시모듈(320)로 센서의 측정값이 제공된다. 센서별상태감시모듈(320)은 센서에 대한 상태 예측값을 산정한다. 그리고 산정된 예측값과 외부로부터 제공되는 센서 측정값을 비교하여 차이가 정상범위를 벗어나는 경우에 이상 징후가 발생한 것으로 판단한다. 그리고 센서별상태감시모듈(320)은 센서의 이상징후 값을 제2 계층(400)과 제3 계층(500)로 전달한다. 이때, 제2 계층(400)으로 이상징후가 전달되는 센서는 중첩센서 또는 강상관계센서이며, 이외의 센서에서 발생된 이상징후는 제3 계층(500)으로 전달될 수 있다.
또한, 기기가동상태감시모듈(310)로 기기의 가동이 확인되면, 기기 측정값은 기기별상태감시모듈(330)로 제공된다. 기기별상태감시모듈(330)은 센서에 대한 상태 예측값을 기반으로 기기에 대한 상태 예측값을 산정한다. 그리고 산정된 예측값과 외부로부터 제공되는 기기 측정값을 비교하여 차이가 정상범위를 벗어나는 경우에 이상 징후가 발생한 것으로 판단한다. 그리고 기기별상태감시모듈(330)은 기기의 이상징후 값을 제3 계층(500)으로 전달한다.
또한, 기기가동상태감시모듈(310)에서 가동이 되지 않은 기기의 목록과, 기기가동상태감시모듈(310)에서 기기가 가동되지 않은 것으로 확인되면, 감시가 불필요한 센서의 목록은 제4 계층(600)으로 전달될 수 있다. 이때, 불필요한 센서의 목록은 제4 계층(600)의 계층별 건강지수 산정과정(622)에 전달되고, 센서별상태감시모듈(320)과 기기별상태감시모듈(330)에서 이상징후가 발생하지 않은 센서와 기기의 상태 역시 제4 계층(600)의 계층별 건강지수 산정과정(622)으로 전달될 수 있다.
한편, 센서 측정값과 기기 측정값의 각각의 비교에서는 오차한계가 센서와 기기의 경험 데이터 예측값과 측정값 잔차의 표준편차의 3배로 설정될 수 있다.
한편, 제2 계층(400)은 제1 계층(300)으로부터 제공되는 센서의 이상징후 값을 기반으로 센서의 고장 또는 드리프트를 진단한다.
도 5는 본 실시예에 따른 원전의 지능형 상태감시시스템의 제2 계층을 나타낸 개념도이다.
도 5에 도시된 바와 같이, 본 실시예에 따른 상태감시시스템(1000)의 제2 계층(400)에서는 제1 계층(300)에서 이상징후가 발생한 센서가 중첩센서인지를 판단한다.
여기서, 이상징후가 발생한 센서가 중첩센서일 경우에는 중첩센서군상태감시모듈(420)이 센서의 고장 또는 드리프트를 진단한다. 그리고 중첩센서군상태감시모듈(420)은 중첩센서의 이상유무 진단결과를 제3 계층(500)으로 제공한다.
또한, 이상징후가 발생한 센서가 중첩센서가 아닐 경우에는 강상관계센서군상태감시모듈(410)이 센서의 고장 또는 드리프트를 진단한다. 그리고 강상관계센서군상태감시모듈(410)은 강상관계센서의 이상유무 진단결과를 제3 계층(500)으로 제공한다.
한편, 제3 계층(500)에서는 제1 계층(300)에서 전달되는 센서의 이상징후 값, 즉 이상 징후가 발생한 센서와 기기를 제2 계층(400)의 센서 이상유무 진단결과에 반영하여 규칙기반전문가시스템으로 진단한다.
도 6은 본 실시에에 따른 원전의 지능형 상태감시시스템의 제3 계층을 나타낸 개념도이다.
도 6에 도시된 바와 같이, 본 실시예에 따른 상태감시시스템(1000)의 제3 계층(500)에서는 제1 계층(300)에서 전달된 센서와 기기의 이상 징후와 제2 계층(400)로부터 제공되는 진단결과를 규칙기반전문가시스템으로 분석하여 센서와 기기의 이상유무를 판정한다.
먼저, 센서상태진단모듈(510)에는 제1 계층(300)의 센서의 이상징후 값과 제2 계층(400)의 센서의 이상유무 진단결과가 센서상태지식(511)으로 함께 제공된다. 이에, 센서상태진단모듈(510)에서는 센서상태지식(511)과 아래 표1에 예시된 센서상태생성규칙(512)을 비교한다.
분류 | 상태코드 | 내용 |
센서상태감시규칙 | A | 펌프 토출부 압력의 예측값과 측정값의 차이가 ±3σ 이내임 |
B | 펌프압력으로 계산한 효율의 예측값과 측정값의 차이가 ±3σ 이내임 | |
C | 펌프유량으로 계산한 효율의 예측값과 측정값의 차이가 ±3σ 이내임 | |
D | 현 시간대 직후 2 시간대의 펌프 토출부 압력의 예측값과 측정값의 차이가 ±3σ 이내임 | |
E | 현 시간대 직전 10 시간대의 펌프 토출부 압력의 예측값과 측정값의 차이가 ±3σ 이내임 | |
F | 현 시간대 직전 10 시간대의 펌프 토출부 압력의 예측값과 측정값의 차이가 ±3σ를 1회 이상임 | |
G | more than 1 ts among theprevious 8 ts are B | |
운전규칙 | H | 펌프 토출부 압력이 운전경험치의 최대값보다 높음 |
I | 펌프 토출부 압력이 운전경험치의 최소값보다 낮음 | |
J | 펌프 토출부 압력이 비정상운전치에 근접합 | |
K | 펌프 토출부 압력의 측정값이 경보 설정치에 근접합 |
그리고 센서상태진단모듈(510)은 센서상태지식(511)과 센서상태생성규칙(512)을 비교하여 일치하는 상태를 센서이상징후진단추론엔진(514)에서 표2와 같이 선별할 수 있다.
시간 (누적초) |
태그 번호 | 상태지식과 일치하는 생성규칙 | ||||||||
수 | 생성규칙 | |||||||||
90377430 | CD-PT0139 | 8 | A | B | C | D | E | H | I | J |
90377610 | CC-FY0049C02 | 8 | A | B | C | D | E | H | I | J |
90379170 | CD-PT0139 | 8 | A | B | C | D | E | H | I | J |
90382830 | CD-FT0135N02-ACO | 7 | A | C | D | E | H | I | J | - |
90382830 | CD-PT0139 | 6 | B | D | E | H | I | J | - | - |
90384510 | CD-PT0139 | 6 | B | D | E | H | I | J | - | - |
90387210 | CD-PT0139 | 8 | A | B | C | D | E | H | I | J |
90387750 | CD-PT0139 | 7 | A | B | C | D | H | I | J | - |
90388170 | CD-PT0139 | 7 | A | B | C | D | H | I | J | - |
90388950 | CD-PT0139 | 8 | A | B | C | D | E | H | I | J |
90392190 | CD-PT0139 | 7 | B | C | D | E | H | I | J | - |
90392370 | CD-FT0135N02-ACO | 7 | A | C | D | E | H | I | J | - |
90392370 | CD-PT0139 | 5 | B | D | H | I | J | - | - | - |
90392790 | CD-PT0139 | 8 | A | B | C | D | F | H | I | J |
그리고 센서상태진단모듈(510)은 센서이상징후진단추론엔진(514)에서 선별된 상태지식과 일치하는 생성규칙으로 아래 표 3에 예시한 센서상태진단규칙집합(513)의 조건(If)을 만족하는 상태진단 규칙집합(Then)을 센서이상징후진단추론엔진(514)으로 아래 표 4에 예시한 것과 같이 센서상태지식(511)에 따른 규칙집합을 선별한다.
If | Then | 순위 |
ABDE | 센서에 일시적 과도현상 발생 | 10 |
ABCD | 센서에 일시적 과도현상 발생 | 9 |
CFFH | 센서의 드리프트나 고장으로 진행될 수 있으므로 관찰필요 | 8 |
BGGH | 센서의 드리프트나 고장이 의심되므로 지속적 관찰 필요 | 7 |
GGGH | 펌프 임펠러의 경미한 손상 가능성이 있으므로 계속 관찰 필요 | 6 |
ABDH | 펌프 임펠러 경미한 손상이 의심되므로 현장 점검 필요 | 5 |
ABCI | 센서의 드리프트나 고장 점검 필요 | 4 |
ABCJ | 센서 정비계획 수립 필요 | 3 |
DEEH | 펌프 임펠러 손상 가능성이 있으므로 현장점검 필요 | 1 |
FFHH | 센서 손상이나 드리프트 발생 | 2 |
시간 (누적초) |
태그 번호 | 상태지식과 일치하는 센서상태 | ||||||
수 | 규칙집합 | |||||||
90379170 | 2811-CD-PT0139 | 6 | ABDE | ABCD | ABDH | ABCI | ABCJ | DEEH |
90382830 | 2811-CD-FT0135N02-ACO | 1 | DEEH | - | - | - | - | - |
90382830 | 2811-CD-PT0139 | 1 | DEEH | - | - | - | - | - |
90384510 | 2811-CD-PT0139 | 1 | DEEH | - | - | - | - | - |
90387210 | 2811-CD-PT0139 | 6 | ABDE | ABCD | ABDH | ABCI | ABCJ | DEEH |
90387750 | 2811-CD-PT0139 | 4 | ABCD | ABDH | ABCI | ABCJ | - | - |
90388170 | 2811-CD-PT0139 | 4 | ABCD | ABDH | ABCI | ABCJ | - | - |
90388950 | 2811-CD-PT0139 | 6 | ABDE | ABCD | ABDH | ABCI | ABCJ | DEEH |
90392190 | 2811-CD-PT0139 | 1 | DEEH | - | - | - | - | - |
90392370 | 2811-CD-FT0135N02-ACO | 1 | DEEH | - | - | - | - | - |
90392370 | 2811-CD-PT0139 | 0 | No Mps | - | - | - | - | - |
90392790 | 2811-CD-PT0139 | 6 | ABCD | CFFH | ABDH | ABCI | ABCJ | FFHH |
그리고 센서상태진단모듈(510)은 선별된 규칙집합이 2개 이상이어서 표 4에 예시한 경합집합인 경우에, 표 3의 우선순위를 적용하여 경합을 해결한다(515). 이에, 센서상태진단모듈(510)은 단일규칙집합을 선정하고, 표 3에 예시한 상태진단규칙집합(513, Then)으로 센서 상태감시 추론결과를 표 5와 같이 해설한다(516). 그리고 제4 계층(600)과 계통상태진단모듈(530)로 제공한다. 여기서, 센서상태진단모듈(510)은 센서이상징후진단추론엔진(514)으로 추론한 결과가 단일규칙집합인 경우에는 경합해결(515)을 거치지 않고, 추론결과해설(516)이 이루어지도록 한다.
시간 (누적초) |
태그 번호 | 선정 규칙집합 |
해설 |
90379170 | 2811-CD-PT0139 | ABDE | 센서에 일시적 과도현상 발생 |
90382830 | 2811-CD-FT0135N02-ACO | DEEH | 펌프 임펠러 손상 가능성이 있으므로 현장점검 필요 |
90382830 | 2811-CD-PT0139 | DEEH | 펌프 임펠러 손상 가능성이 있으므로 현장점검 필요 |
90384510 | 2811-CD-PT0139 | DEEH | 펌프 임펠러 손상 가능성이 있으므로 현장점검 필요 |
90387210 | 2811-CD-PT0139 | ABDE | 센서에 일시적 과도현상 발생 |
90387750 | 2811-CD-PT0139 | ABCD | 센서에 일시적 과도현상 발생 |
90388170 | 2811-CD-PT0139 | ABCD | 센서에 일시적 과도현상 발생 |
90388950 | 2811-CD-PT0139 | ABDE | 센서에 일시적 과도현상 발생 |
90392190 | 2811-CD-PT0139 | DEEH | 펌프 임펠러 손상 가능성이 있으므로 현장점검 필요 |
90392370 | 2811-CD-FT0135N02-ACO | DEEH | 펌프 임펠러 손상 가능성이 있으므로 현장점검 필요 |
90392370 | 2811-CD-PT0139 | No Mps | 일치하는 생성규칙 없음(보완 필요) |
90392790 | 2811-CD-PT0139 | ABCD | 센서에 일시적 과도현상 발생 |
90392910 | 2811-CD-PT0139 | CFFH | 센서의 드리프트나 고장으로 진행될 수 있으므로 관찰필요 |
90393030 | 2811-CD-PT0139 | CFFH | 센서의 드리프트나 고장으로 진행될 수 있으므로 관찰필요 |
90393270 | 2811-CD-PT0139 | ABCD | 센서에 일시적 과도현상 발생 |
한편, 기기상태진단모듈(520)은 제1 계층(300)에서 전달된 기기의 이상징후 값이 기기상태지식(521)으로 제공된다. 이때, 기기의 이상징후 값은 제1 계층(300)의 예측값 산정에서 센서로부터 파생된 파생지식일 수 있다. 기기상태진단모듈(520)은 앞서 설명한 센서상태진단모듈(510)과 동일하게 추론결과를 전파할 수 있다.
예컨대, 기기상태진단모듈(520)에서는 기기상태지식(521)과 기기상태생성규칙(522)을 비교한다. 그리고 기기상태진단모듈(520)은 기기상태지식(521)과 기기상태 생성규칙(522)을 비교하여 일치하는 상태를 기기이상징후진단추론엔진(524)에서 선별할 수 있다.
이때, 기기상태진단모듈(520)은 기기이상징후진단추론엔진(524)에서 선별된 상태지식과 일치하는 생성규칙으로 기기상태진단규칙집합(523)의 조건(If)을 만족하는 상태진단규칙집합(Then)을 기기이상징후진단추론엔진(514)으로 기기상태지식(521)에 따른 규칙집합을 선별한다.
그리고 기기상태진단모듈(520)은 선별된 규칙집합이 2개 이상인 경합집합인 경우에 우선순위를 적용하여 경합을 해결한다(525). 이에, 기기상태진단모듈(520)은 단일규칙집합을 선정하고, 상태진단규칙집합(523, Then)으로 기기 상태감시 추론결과를 해설한다(526). 그리고 제4 계층(600)과 계통상태진단모듈(530)로 제공한다. 이때, 기기상태진단모듈(520)은 기기이상징후진단추론엔진(524)으로 추론한 결과가 단일규칙집합인 경우에는 경합을 거치지 않고, 추론결과해설(526)이 이루어질 수 있다.
한편, 계통상태진단모듈(530)은 센서의 상태감시추론결과해설과 기기의 상태감시추론결과해설을 계통상태진단 결정수목(531)에 적용하여 계통상태를 진단한다(532). 그리고 계통상태진단결과를 제4 계층(600)으로 전달한다.
한편, 제4 계층(600)에서는 제1 계층(300)부터 제3 계층(500)까지의 결과를 종합진단하고, 결과를 사용자에게 전달한다.
도 7은 본 실시예에 따른 원전의 지능형 상태감시시스템의 제4 계층을 나타낸 개념도이다.
도 7에 도시된 바와 같이, 본 실시예에 따른 제4 계층(600)에서 조기경보모듈(610)은 센서의 운전변수, 기기 및 계통의 상태에 따라 원자력발전소(10)의 상태를 결정하는 발전소상태결정수목(611)과 , 발전소상태결정수목(611)에 따라서 센서, 기기 및 계통의 상태를 반영하여 결정론적 결말을 분석한다(612). 그리고 결정론적 결말에 따라서 조기경보의 발령수준을 결정한다(613). 여기서, 조기경보모듈(610)은 센서상태진단모듈(510), 기기상태진단모듈(520) 및 계통상태진단모듈(530)로부터 제공되는 분석결과를 이용한다. 그리고 조기경보모듈(610)은 결정된 조기경보의 발령수준을 발전소종합진단모듈(620)과 사용자인터페이스모듈(630)로 제공한다.
한편, 발전소종합진단모듈(620)은 결정된 조기경보의 발령수준을 반영하여 센서, 기기 및 계통의 건강지수 가중치를 산정한다(621). 그리고 제1 계층(300)부터 제3 계층(500)의 상태감시 결과를 가중치에 가중하여 계층별 건강지수를 산정한다(622).
그리고 사용자인터페이스모듈(630)은 조기경보모듈(610)로부터 제공되는 조기경보의 발령수준에 따라 조기경보발령이 가능하도록 한다(631). 그리고 발전소종합진단모듈(620)에서 산정된 계층별 건강지수를 발전소 운영현황(632)과 취합하여 최종 보고서(633)가 작성되도록 할 수 있다. 이때, 최종 보고서(633)은 UI화면과 PDF보고서로 마련될 수 있다. 이때, UI화면에서는 진단결과를 그래프 형태로 출력할 수 있고, PDF보고서는 순시적인 이상상태 보고서, 일간보고서, 주간보고서 및 월간보고서 형태로 작성될 수 있다.
이와 같이, 본 발명에 따른 원전의 상태감시 방법 및 시스템은 기동, 전출력, 정지 운전의 다층 상태감시에서 상태 예측이 어려운 경우에도 경보 발생 시 그 원인을 자동진단하여 조기경보 시스템의 성능을 향상할 뿐만 아니라 상태감시 및 진단 소요시간을 단축하고 컴퓨팅 자원 활용을 극대화할 수 있는 효과가 있다.
앞에서 설명되고, 도면에 도시된 본 발명의 일 실시예는 본 발명의 기술적 사상을 한정하는 것으로 해석되어서는 안 된다. 본 발명의 보호범위는 청구범위에 기재된 사항에 의하여만 제한되고, 본 발명의 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상을 다양한 형태로 개량 변경하는 것이 가능하다. 따라서 이러한 개량 및 변경은 통상의 지식을 가진 자에게 자명한 것인 한 본 발명의 보호범위에 속하게 될 것이다.
Claims (17)
- 원전의 지능형 상태감시시스템에 있어서,센서 측정값 및 기기 측정값을 예측값과 비교하여 상기 센서와 상기 기기의 이상징후를 감지하는 제1 계층;상기 센서의 종류를 구분하고 상기 제1 계층으로부터 제공되는 상기 센서의 이상징후 값을 기반으로 상기 센서의 이상유무를 진단하는 제2 계층; 및상기 제1 및 제2 계층으로부터 제공되는 상기 센서의 감지 및 진단결과와 상기 제1 계층으로부터 제공되는 상기 기기의 이상징후 결과를 기반으로 원전설비의 상태를 진단하는 제3 계층을 포함하는 원전의 지능형 상태감시시스템.
- 제1 항에 있어서,상기 제3 계층으로부터 제공되는 상기 원전설비의 상태진단결과를 기반으로 조기경보의 수준을 결정하고 상기 원전설비의 계층별 건강지수를 산정하는 제4 계층을 더 포함하는 것을 특징으로 하는 원전의 지능형 상태감시시스템.
- 제1 항에 있어서,상기 제1 계층은센서 예측값을 산정하여 상기 센서 측정값과 상기 센서 예측값의 오차에 따라 상기 센서의 이상징후를 감지하는 센서별상태감시모듈과,상기 센서 예측값을 기반으로 기기 예측값을 산정하여 상기 기기 측정값과 상기 기기 예측값의 오차에 따라 상기 기기의 이상징후를 감지하는 기기별상태감시모듈을 포함하는 것을 특징으로 하는 원전의 지능형 상태감시시스템.
- 제3 항에 있어서,상기 제1 계층은상기 기기가 가동 중인 상태에서 상기 센서별상태감시모듈과 상기 기기별상태감시모듈이 상기 센서와 상기 기기의 이상징후를 감지하는 것을 특징으로 하는 원전형 지능형 상태감시시스템.
- 제2 항에 있어서,상기 제2 계층에서는상기 센서가 중첩센서일 때에 상기 센서의 고장 및 드리프트 중 적어도 어느 하나를 진단하는 중첩센서군상태감시모듈과,상기 센서가 강상관계센서일 때에 상기 센서의 고장의 고장 및 드리프트 중 적어도 어느 하나를 진단하는 강상관계센서군상태감시모듈을 포함하는 것을 특징으로 하는 원전의 지능형 상태감시시스템.
- 제2 항에 있어서,상기 제3 계층은상기 제1 및 제2 계층으로부터 제공되는 상기 센서의 감지 및 진단결과를 기반으로 상기 센서의 상태진단을 수행하고 상기 센서의 상태감시결과를 해설하는 센서상태진단모듈과,상기 제1 계층으로부터 제공되는 상기 기기의 이상징후 결과를 기반으로 상기 기기의 상태진단을 수행하고 상기 기기의 상태감시결과를 해설하는 기기상태진단모듈과,상기 센서상태진단모듈로부터 제공되는 해설과 상기 기기상태진단모듈로부터 제공되는 해설을 기반으로 계통의 상태진단을 수행하는 계통상태진단모듈을 포함하는 것을 특징으로 하는 원전의 지능형 상태감시시스템.
- 제6 항에 있어서,상기 센서상태진단모듈은상기 제1 및 제2 계층으로부터 각각 제공되는 상기 센서의 이상징후 결과를 센서상태지식으로 활용하고,상기 센서상태지식을 기설정된 센서상태생성규칙과 비교하며 비교에 의해 선별된 상태지식을 기설정된 센서상태진단규칙집합에 적용하는 센서이상징후진단추론엔진을 포함하는 것을 특징으로 하는 원전의 지능형 상태감시시스템.
- 제7 항에 있어서,상기 센서상태진단모듈은상기 센서이상징후진단추론엔진에서 선별된 규칙집합이 복수 개일 때에 기설정된 우선순위에 따라 경합을 해결하여 상기 센서의 상태감시결과를 해설하는 것을 특징으로 하는 원전의 지능형 상태감시시스템.
- 제6 항에 있어서,상기 기기상태진단모듈은상기 제1 계층으로부터 제공되는 상기 기기의 이상징후 결과를 기기상태지식으로 활용하고,상기 기기상태지식을 기설정된 기기상태생성규칙과 비교하며 비교에 의해 선별된 상태지식을 기설정된 센서상태진단규칙집합에 적용하는 기기이상징후진단추론엔진을 포함하는 것을 특징으로 하는 원전의 지능형 상태감시시스템.
- 제9 항에 있어서,상기 기기상태진단모듈은상기 기기이상징후진단추론엔진에서 선별된 규칙집합이 복수 개일 때에 기설정된 우선순위에 따라 경합을 해결하여 상기 기기의 상태감시결과를 해설하는 것을 특징으로 하는 원전의 지능형 상태감시시스템.
- 제6 항에 있어서,상기 계통상태진단모듈은상기 센서상태진단모듈로부터 제공되는 해설과 상기 기기상태진단모듈로부터 제공되는 해설을 (Decision tree)에 적용하여 계통의 상태진단을 수행하는 것을 특징으로 하는 원전의 지능형 상태감시시스템.
- 제2 항에 있어서,상기 제4 계층은상기 제3 계층으로부터 제공되는 상기 원전설비의 상태진단결과를 결정수목에 적용하여 상기 조기경보발령 수준을 결정하는 조기경보모듈과,상기 조기경보발령 수준을 기반으로 상기 원전설비의 건강지수 가중치를 산정하여 상기 원전설비의 계층별 건강지수를 결정하는 발전소종합진단모듈과,상기 조기경보모듈로부터 제공되는 조기경보발령 수준에 따라 조기경보가 가능하도록 하는 사용자인터페이스모듈을 포함하는 것을 특징으로 하는 원전의 지능형 상태감시시스템.
- 제12 항에 있어서,상기 발전소종합진단모듈은상기 제1 계층 내지 제3 계층의 결과값을 기반으로 발전소의 분류체계에 따라 설정된 계층에 따라서 계층별 건강지수를 산정하는 것을 특징으로 하는 원전의 지능형 상태감시시스템.
- 제12 항에 있어서,상기 사용자인터페이스모듈은상기 발전소종합진단모듈에서 산정된 상기 계층별 건강지수를 발전소 운영현황과 취합하여 보고서를 생성하는 것을 특징으로 하는 원전의 지능형 상태감시시스템.
- 제1 항에 있어서,상기 원전설비는상기 원전 환경의 센서, 기기 및 계통 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 원전의 지능형 상태감시시스템.
- 제1 항에 있어서,상기 제3 계층에서는규칙기반전문가시스템을 적용하여 상기 원전설비의 상태를 진단하는 것을 특징으로 하는 원전의 상태감시시스템.
- 원전의 지능형 상태감시방법에 있어서,센서 측정값과 기기 측정값을 예측값과 비교하여 상기 센서와 상기 기기의 이상징후를 감지하는 단계;상기 센서의 종류를 구분하고 상기 센서의 이상징후 값을 기반으로 상기 센서의 이상유무를 진단하는 단계; 및상기 감지하는 단계 및 상기 진단하는 단계에서 생성된 상기 센서의 감지 및 진단결과와, 상기 감지하는 단계에서 생성된 상기 기기의 이상징후 결과를 기반으로 원전설비의 상태를 진단하는 단계를 포함하는 원전의 지능형 상태감시방법.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/802,006 US20230092472A1 (en) | 2020-02-27 | 2020-12-18 | Method and System for Intelligent Monitoring of State of Nuclear Power Plant |
EP20922024.3A EP4113539A4 (en) | 2020-02-27 | 2020-12-18 | METHOD AND SYSTEM FOR INTELLIGENT MONITORING OF MACHINE TOOL OPERATIONAL STATUS |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2020-0024170 | 2020-02-27 | ||
KR1020200024170A KR102470112B1 (ko) | 2020-02-27 | 2020-02-27 | 원전의 지능형 상태감시 방법 및 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021172723A1 true WO2021172723A1 (ko) | 2021-09-02 |
Family
ID=77491248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2020/018693 WO2021172723A1 (ko) | 2020-02-27 | 2020-12-18 | 원전의 지능형 상태감시 방법 및 시스템 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230092472A1 (ko) |
EP (1) | EP4113539A4 (ko) |
KR (1) | KR102470112B1 (ko) |
WO (1) | WO2021172723A1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881419A (zh) * | 2022-04-11 | 2022-08-09 | 核动力运行研究所 | 一种核电评估数据自动流分析方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102494721B1 (ko) * | 2022-10-19 | 2023-02-06 | (주)이엠시스텍 | 사물인터넷 기반 원격감시 제어시스템 |
KR20240061824A (ko) | 2022-11-01 | 2024-05-08 | 한국전력공사 | 조기경보 운영 최적화를 위한 오탐지 평가 시스템 및 방법 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120039160A (ko) * | 2010-10-15 | 2012-04-25 | 한국전력공사 | 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템 |
US20120304007A1 (en) * | 2011-05-23 | 2012-11-29 | Hanks Carl J | Methods and systems for use in identifying abnormal behavior in a control system |
KR20120138298A (ko) * | 2011-06-14 | 2012-12-26 | 한국전자통신연구원 | 플랜트 관리 네트워크에서의 관리 네트워크 장치 및 데이터 처리 방법 |
KR101372489B1 (ko) * | 2012-10-09 | 2014-03-10 | 주식회사 엠앤디 | 스마트 센서를 이용한 원전 저압 터빈 온라인 감시 시스템 |
KR20170125237A (ko) * | 2016-05-04 | 2017-11-14 | 두산중공업 주식회사 | 플랜트 이상 감지 시스템 및 방법 |
KR101829137B1 (ko) * | 2016-08-29 | 2018-02-13 | 한국수력원자력 주식회사 | 기기 중요도와 경보 유효성 판단을 포함한 기기 이상징후 조기경보 방법 및 시스템 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018044040A1 (ko) * | 2016-08-29 | 2018-03-08 | 한국수력원자력 주식회사 | 기기 중요도와 경보 유효성 판단 프로세서를 포함한 원자력발전소 기기 이상징후 사전감지 방법 및 그 시스템 |
JP6887361B2 (ja) * | 2017-10-31 | 2021-06-16 | 三菱重工業株式会社 | 監視対象選定装置、監視対象選定方法、およびプログラム |
KR102051227B1 (ko) | 2018-09-07 | 2019-12-02 | 한국수력원자력 주식회사 | 원전 설비의 예측 진단 방법 및 시스템 |
-
2020
- 2020-02-27 KR KR1020200024170A patent/KR102470112B1/ko active IP Right Grant
- 2020-12-18 EP EP20922024.3A patent/EP4113539A4/en active Pending
- 2020-12-18 WO PCT/KR2020/018693 patent/WO2021172723A1/ko unknown
- 2020-12-18 US US17/802,006 patent/US20230092472A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120039160A (ko) * | 2010-10-15 | 2012-04-25 | 한국전력공사 | 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템 |
US20120304007A1 (en) * | 2011-05-23 | 2012-11-29 | Hanks Carl J | Methods and systems for use in identifying abnormal behavior in a control system |
KR20120138298A (ko) * | 2011-06-14 | 2012-12-26 | 한국전자통신연구원 | 플랜트 관리 네트워크에서의 관리 네트워크 장치 및 데이터 처리 방법 |
KR101372489B1 (ko) * | 2012-10-09 | 2014-03-10 | 주식회사 엠앤디 | 스마트 센서를 이용한 원전 저압 터빈 온라인 감시 시스템 |
KR20170125237A (ko) * | 2016-05-04 | 2017-11-14 | 두산중공업 주식회사 | 플랜트 이상 감지 시스템 및 방법 |
KR101829137B1 (ko) * | 2016-08-29 | 2018-02-13 | 한국수력원자력 주식회사 | 기기 중요도와 경보 유효성 판단을 포함한 기기 이상징후 조기경보 방법 및 시스템 |
Non-Patent Citations (1)
Title |
---|
See also references of EP4113539A4 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881419A (zh) * | 2022-04-11 | 2022-08-09 | 核动力运行研究所 | 一种核电评估数据自动流分析方法 |
Also Published As
Publication number | Publication date |
---|---|
EP4113539A1 (en) | 2023-01-04 |
KR102470112B1 (ko) | 2022-11-23 |
EP4113539A4 (en) | 2024-03-13 |
KR20210109206A (ko) | 2021-09-06 |
US20230092472A1 (en) | 2023-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021172723A1 (ko) | 원전의 지능형 상태감시 방법 및 시스템 | |
WO2017191872A1 (ko) | 플랜트 이상 감지 방법 및 시스템 | |
JP3839478B2 (ja) | 技術的設備のプロセスデータの解析方法 | |
EP3299918B1 (en) | Abnormality diagnosis system and abnormality diagnosis method | |
WO2020004994A1 (ko) | 발전소 고장 예측 및 진단시스템과 그 방법 | |
WO2015026166A1 (ko) | 비정상 데이터 예측 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
WO2020076081A1 (ko) | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 | |
CN112713649A (zh) | 一种基于极限学习机的电力设备剩余寿命预测方法 | |
EP3553044A1 (en) | System and method of remote object monitoring | |
WO2020004996A1 (ko) | 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법 | |
JPH09237103A (ja) | 保守支援システム | |
Yang et al. | Research on knowledge graph and Bayesian network in fault diagnosis of steam turbine | |
WO2022114634A1 (ko) | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 | |
WO2024225811A1 (ko) | 이상징후, 화재, 및 고장 예측 기능을 가진 인공지능 기반 수배전반 장치 | |
KR102483210B1 (ko) | Xai를 활용한 제조설비 이상발생확률 예측에 의한, 설비 건강지수 도출 시스템 및 설비 건강지수 도출 방법 | |
EP3312844B1 (en) | Abnormality indication monitoring system | |
JP3461932B2 (ja) | エキスパートシステムを利用した故障診断装置 | |
CN112034782A (zh) | 一种空预器在线状态监测和故障预测方法 | |
US11665193B2 (en) | Method for managing plant, plant design device, and plant management device | |
CN117221145A (zh) | 基于物联网平台的设备故障预测性维护系统 | |
WO2022146020A1 (ko) | 회전기계의 결함을 종합적으로 진단하는 방법 및 시스템 | |
Singer et al. | A pattern-recognition-based, fault-tolerant monitoring and diagnostic technique | |
CN114624989A (zh) | 预防性控制器切换 | |
WO2021261614A1 (ko) | 설비의 진단 방법, 프로그램 및 시스템 | |
Suzuki et al. | An anomaly detection system for advanced maintenance services |
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: 20922024 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: 2020922024 Country of ref document: EP Effective date: 20220927 |