WO2022114634A1 - 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 - Google Patents

신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 Download PDF

Info

Publication number
WO2022114634A1
WO2022114634A1 PCT/KR2021/016627 KR2021016627W WO2022114634A1 WO 2022114634 A1 WO2022114634 A1 WO 2022114634A1 KR 2021016627 W KR2021016627 W KR 2021016627W WO 2022114634 A1 WO2022114634 A1 WO 2022114634A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormal state
abnormal
state determination
neural network
network model
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2021/016627
Other languages
English (en)
French (fr)
Inventor
김윤구
성노규
박대승
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Korea Hydro and Nuclear Power Co Ltd
Original Assignee
Korea Hydro and Nuclear Power Co Ltd
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 Korea Hydro and Nuclear Power Co Ltd filed Critical Korea Hydro and Nuclear Power Co Ltd
Priority to JP2023527774A priority Critical patent/JP7639134B2/ja
Priority to EP21898460.7A priority patent/EP4254430A4/en
Priority to US18/033,477 priority patent/US20230394301A1/en
Priority to CN202180079289.9A priority patent/CN116490933A/zh
Publication of WO2022114634A1 publication Critical patent/WO2022114634A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • 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
    • 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
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21C—NUCLEAR REACTORS
    • G21C17/00—Monitoring; Testing ; Maintaining
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/001—Computer implemented control
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/10—Plc systems
    • G05B2219/16—Plc to applications
    • G05B2219/161—Nuclear plant
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24063—Select signals as function of priority, importance for diagnostic
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Definitions

  • the present invention relates to an apparatus and method for tracking an abnormal state determination basis, and more particularly, to an apparatus and method for determining an abnormal state using a neural network model and tracking the basis for the determination.
  • the operator determines what kind of abnormal operation condition has occurred based on the alarm of the power plant, and takes appropriate action according to the procedure for abnormal operation condition.
  • the method of determining and providing the abnormal state of the nuclear power plant by learning the operation data of the abnormal state using the neural network model so that the operator can quickly determine the abnormal state due to the failure of the equipment or the abnormality of the equipment and take appropriate measures. is being studied
  • the neural network model it is difficult to track which power plant operation data changes are the basis for judging an abnormal state.
  • Patent Document 1 Korean Patent Registration 2095653 (Apparatus and Method for Determining Abnormal Driving State Using Neural Network Model, Korea Hydro & Nuclear Power Co., Ltd.)
  • Patent Document 2 US Registered Patent 10452845 (Generic framework to detect cyber threats in electric power grid, GENERAL ELECTRIC COMPANY)
  • Patent Document 2 US Patent Publication 20190164057 (Mapping and quantification of influence of neural network features for explainable artificial intelligence, INTEL CORP)
  • the present invention is to solve the problems of the prior art as described above, and when determining the abnormal state of a nuclear power plant to which the neural network model is applied, a method for estimating the operating variable that is the basis of the judgment and the abnormal state determination using the neural network model
  • An object of the present invention is to provide an evidence tracking device.
  • an apparatus for tracking the basis for determining an abnormal state using a neural network model includes an abnormality type classification unit that classifies the abnormal state into a plurality of failures in an abnormal driving scenario in which a plurality of scenarios related to the abnormal state are stored, and the An operation variable derivation unit for deriving an operating variable that affects the abnormal state determination result for each of the plurality of classified failures, and a weighting unit for each power plant operation variable that assigns weights to variables related to the abnormal state among the operation variables and an abnormal state determination basis generating unit that tracks an abnormal state determination basis from the abnormal state determination result generated through the weighted power plant operation variable.
  • the weighting unit for each power plant operation variable that gives weight to the variable related to the abnormal state among the operating variables is classified in consideration of the physical correlation of the system related to the abnormal state, and weights the physical variable related to the abnormal state It is characterized in that it is given.
  • the abnormal type classification unit includes at least one of a valve leakage, a pump failure, a heat exchanger failure, and a coolant leakage in the abnormal operation scenario.
  • the operation variable derivation unit for deriving an operation variable affecting the abnormal state determination result for each of the plurality of classified failures, when classified as the valve leakage the flow rate of the system related to the valve is converted to the pump failure.
  • classification it includes deriving the flow rate and pressure of the system related to the valve, the temperature of the system related to the heat exchanger when classified as a failure of the heat exchanger, and deriving the radiation level of the leakage area when classified as the coolant leakage do.
  • the physical variables related to the abnormal state are prepared with reference to the abnormal procedure or actual power plant operation history.
  • the reason for determining the abnormal state is the driving variable that can be distinguished from other abnormal states, and is used to verify the abnormal state determination logic used in the abnormal state determination system.
  • the reason for determining the abnormal state is used to verify the symptoms described in the abnormal procedure, and the abnormal procedure describes the operating variable that is changed when the abnormal state occurs.
  • the method includes the steps of: generating an abnormal state determination result at the last end of the neural network model by performing learning using power plant operation data and a neural network model; and performing influence analysis on the abnormal state determination result in a fully connected layer before generating the state determination result, and extracting variable values affecting the abnormal state determination result.
  • the step of extracting the variable values affecting the abnormal state determination result is to apply a visualization algorithm to virtually generate visualized input change data, and to use the virtual input change data as an input through calculation of the neural network model. and analyzing the influence of the input change data on the change of the abnormal state determination result, and extracting the input change data that most contributes to deriving the change of the abnormal state determination result.
  • the apparatus and method for tracking abnormality determination grounds using a neural network model can determine the type of the abnormal state within a short time and provide it to the operator when various abnormal states occur, and accordingly, the nuclear power plant It is possible to quickly and accurately respond to abnormal conditions in nuclear power plants, thereby improving the safety of nuclear power plants.
  • FIG. 1 is a diagram schematically illustrating an apparatus for determining an abnormal state to which a conventional neural network model is applied.
  • FIG. 2 is a diagram schematically illustrating an operation process of an abnormal state determination basis tracking apparatus to which a neural network model is applied according to an embodiment of the present invention.
  • FIG. 3 is a diagram schematically illustrating an operation process of extracting a driving variable affecting a change in an abnormal state determination result to which a neural network model is applied according to an embodiment of the present invention.
  • FIG. 4 is a diagram illustrating an operation process of generating an abnormal state determination basis according to an embodiment of the present invention.
  • FIG. 5 is a schematic block diagram of an apparatus for extracting an abnormal state determination basis according to an embodiment of the present invention.
  • FIG. 6 is a diagram illustrating the use of a basis for determining an abnormal state derived by applying a neural network model according to an embodiment of the present invention.
  • FIG. 1 is a diagram schematically illustrating an apparatus for determining an abnormal state to which a conventional neural network model is applied.
  • the abnormal driving state determination apparatus 100 to which the neural network model is applied includes an abnormal driving state data generating unit 110 , an abnormal driving state data learning unit 130 , an abnormal driving state determining unit 150 , It may include an abnormal driving state monitoring unit 170 .
  • the abnormal driving state data generator 110 is configured to virtually generate abnormal driving state data based on information about the abnormal driving state, and may include a scenario database 111 and a simulator 112 .
  • the scenario database 111 is a configuration in which a plurality of scenarios related to an abnormal driving state are provided. These scenarios include a scenario according to an operating variable related to a temperature change of nuclear power plant devices, a scenario according to an operating variable related to turbine bearing vibration, and the like, and scenarios related to various abnormal operating conditions are stored in the scenario database 111 .
  • the operating variables are operating factors for the operating conditions of the devices of the nuclear power plant, and may be included in about 1,000 to 2,000 for each device. These operating variables may include pressure, temperature, flow rate, and the like.
  • the simulator 112 is configured to simulate an abnormal driving state with respect to a scenario selected from among the scenarios related to the abnormal driving state stored in the scenario database 111 . Accordingly, data on the abnormal driving state may be virtually generated.
  • the abnormal driving state data learning unit 130 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 110 .
  • the abnormal driving state data learning unit 130 may include a first visualization arrangement unit 131 and a second visualization arrangement unit 132 .
  • the first visualization arrangement unit 131 is configured to arrange based on the physical locations of operating variables of devices provided in the nuclear power plant. That is, the operating variables may be arranged in the same arrangement as the structure of an actual nuclear power plant.
  • the second visualization arrangement unit 132 is configured to preferentially arrange the physically identical driving variables. For example, by arranging temperature-related operating variables in the same zone, event-specific characteristics appear when temperature changes occur.
  • the abnormal operation state determination unit 150 learns the abnormal operation state based on the operation variables indicated by the abnormal operation state data learning unit 130 applying a visualization algorithm, and the device acquired from the process monitoring and alarm system of the nuclear power plant It is a configuration that determines whether an abnormal driving state has occurred based on the driving variables.
  • the abnormal driving state determining unit 150 may include a neural network model 151 and a signal matching unit 152 .
  • the neural network model 151 is configured to learn the abnormal driving state data visualized by the first visualization arrangement unit 131 and the second visualization arrangement unit 132 based on the visualization algorithm.
  • the signal matching unit 152 is configured to transmit information on a monitoring signal including information on an abnormal driving state to the devices.
  • the abnormal operation state monitoring unit 170 is configured to monitor whether the operation state of each device provided in the nuclear power plant is within a normal range.
  • the abnormal driving state monitoring unit 170 may periodically acquire a monitoring signal including information on driving variables of each device and transmit it to the abnormal driving state determining unit 150 .
  • FIG. 2 is a diagram schematically illustrating an operation process of an abnormal state determination basis tracking apparatus to which a neural network model is applied according to an embodiment of the present invention.
  • the abnormal state determination basis tracking apparatus 200 performs learning using the power plant operation data 210 and the neural network model 230 to generate an abnormal state determination result 250 .
  • the neural network model 230 is calculated through multiple layers of neural networks (Deep Learning) in order to effectively learn each abnormal state.
  • An abnormal state determination result 250 is generated at the last end of the neural network model 230.
  • an abnormal state determination result 250 is performed in the Fly Connected Layer before the abnormal state determination result 250 is generated.
  • By performing the influence analysis 270 on variable values affecting the abnormal state determination result 250 are extracted.
  • FIG. 3 is a diagram schematically illustrating an operation process of extracting a driving variable affecting a change in an abnormal state determination result to which a neural network model is applied according to an embodiment of the present invention.
  • the change data 310 of the visualized input is virtually generated by first applying a visualization algorithm. Using this virtual input change data 310 as an input, the effect of the input change data 310 of each item on the result change 350 is analyzed through the calculation of the neural network model 330, and the result change ( 350), the change data 310 of the input that contributes the most to deriving is extracted.
  • FIG. 4 is a diagram illustrating an operation process of generating an abnormal state determination basis according to an embodiment of the present invention.
  • FIG. 5 is a schematic block diagram of an apparatus for extracting an abnormal state determination basis according to an embodiment of the present invention.
  • the abnormal state determination basis tracking device 500 includes an abnormal operation scenario 510 , an abnormal type classification unit 520 , a driving variable derivation unit 530 , and a weighting unit for each operating variable of the power plant. It may include whether or not 540 and an abnormal state determination basis generating unit 550 .
  • the abnormal driving scenario 500 is a configuration in which a plurality of scenarios related to an abnormal driving state are provided. These scenarios include a scenario according to an operating variable related to temperature change of nuclear power plant devices and a scenario according to an operating variable related to turbine bearing vibration, and the abnormal type classification unit 520 divides the abnormal operation scenario 500 into valve leakage, A pump failure, a heat exchanger failure, a coolant leak, etc. are classified, and the operation variable derivation unit 530 for the classified failure derives an operation variable that affects the abnormal determination result.
  • the flow rate of the system related to the valve when classified as a pump failure, the flow rate and pressure of the system related to the valve, and when classified as a heat exchanger failure, related to the corresponding heat exchanger If the system temperature is classified as coolant leakage, the radiation level at the leakage site is derived.
  • the input range that affects the abnormal state result includes a number of uncertainties, and in order to extract the basis for the abnormal state judgment result, it is important to change the input physically related to the abnormal state.
  • the extracted driving variables as the basis for judging the abnormal state are used as the basis for judging the neural network in consideration of the physical correlation of related systems.
  • An abnormal state is physically classified based on the information on the abnormal state, and a weight is given to a physical variable related to each corresponding abnormal state.
  • the abnormal state is classified as valve leakage, and a high weight is given to the flow rate of the system that is thermally hydraulically related to the system, and is used to explain the basis for determining the abnormal state.
  • the selection of operating variables physically related to the abnormal state should be prepared by referring to the abnormal procedure or actual power plant operation history.
  • the weighting unit 540 for each operating variable of the power plant gives weight to the physical variable related to the abnormal state among the operating variables for each failure, and finally, the abnormal state determination basis generating unit 550 provides a more accurate basis through the weighted result. tracking becomes possible.
  • FIG. 6 is a diagram illustrating the use of a basis for determining an abnormal state derived by applying a neural network model according to an embodiment of the present invention.
  • the abnormality determination basis 620 derived from the simulated abnormal driving simulation data 610 for a scenario selected from among the abnormal driving scenarios 600 having a plurality of scenarios related to the abnormal state is It is a power plant operation variable that can be distinguished from other abnormal conditions in the case of an abnormality. This can be utilized for verification 630 of the abnormal state determination logic being used in the abnormal state determination system. That is, it can be checked whether or not the abnormal state determination logic has been developed by using the operation variable that is changed due to the abnormal state.
  • the abnormal procedure describes the operating variables that change when the abnormal condition occurs. It can be used to verify and revise the procedure so that the operator can more effectively determine the abnormal condition by verifying the symptoms regarding the abnormal procedure through the abnormal procedure-related symptom verification 640 using the abnormal condition determination basis 620. have.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Plasma & Fusion (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Emergency Management (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치에 관한 것으로, 비정상 상태에 관한 복수의 시나리오가 저장된 비정상 운전 시나리오에서 상기 비정상 상태를 복수의 고장으로 분류하는 비정상 종류 분류부와, 상기 분류된 복수의 고장의 각각에 대해 비정상 상태 판단 결과에 영향을 주는 운전 변수를 도출하는 운전 변수 도출부와, 상기 운전 변수 중 상기 비정상 상태와 관련 있는 변수에 가중치를 부여하는 발전소 운전 변수별 가중치 부여부 및 상기 가중치가 부여된 발전소 운전 변수를 통하여 생성된 상기 비정상 상태 판단 결과에서 비정상 상태 판단 근거를 추적하는 비정상 상태 판단 근거 생성부를 포함한다.

Description

신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법
본 특허와 관련된 연구는 산업통상자원부 주관 하에 원자력핵심기술개발 사업(과제명:인공지능 기반 원전 기동 및 정지 운전자원 기술 개발, 과제고유번호:1415159084)의 지원에 의해 이루어진 것이다.
본 발명은 비정상 상태 판단 근거 추적 장치 및 방법에 관한 것으로, 더욱 구체적으로는 신경망 모델을 이용한 비정상 상태를 판단하고 그 판단 근거를 추적하는 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 상태에 관하여 정확한 판단을 내리기 어렵기 때문에 비정상 상태에 관한 조치를 적절히 수행하지 못하는 일이 발생하게 된다.
따라서, 운전원이 기기의 고장이나 설비의 이상에 의한 비정상 상태를 신속히 판단하여 적절한 조치를 취할 수 있도록 신경망 모델을 이용하여 비정상 상태의 운전데이터를 학습하여 원자력 발전소의 비정상 상태를 판단하여 제공하는 방법이 연구되고 있다. 그러나, 신경망 모델은 어떠한 발전소의 운전데이터의 변화가 비정상 상태의 판단의 근거가 되는지 추적하기 어렵다.
[선행기술문헌]
[특허문헌]
(특허문헌 1) 대한민국 등록 특허 2095653 (신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법, 한국수력원자력 주식회사)
(특허문헌 2) 미국 등록 특허 10452845 (Generic framework to detect cyber threats in electric power grid , GENERAL ELECTRIC COMPANY)
(특허문헌 2) 미국 공개 특허 20190164057 (Mapping and quantification of influence of neural network features for explainable artificial intelligence, INTEL CORP)
본 발명은 상술한 바와 같은 종래 기술의 문제점을 해결하기 위한 것으로, 신경망 모델을 적용한 원자력 발전소의 비정상 상태 판단 시, 판단의 근거가 되는 운전 변수를 추정할 수 있는 방법 및 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치를 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명에 따른 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치는 비정상 상태에 관한 복수의 시나리오가 저장된 비정상 운전 시나리오에서 상기 비정상 상태를 복수의 고장으로 분류하는 비정상 종류 분류부와 상기 분류된 복수의 고장의 각각에 대해 비정상 상태 판단 결과에 영향을 주는 운전 변수를 도출하는 운전 변수 도출부와 상기 운전 변수 중 상기 비정상 상태와 관련 있는 변수에 가중치를 부여하는 발전소 운전 변수별 가중치 부여부 및 상기 가중치가 부여된 발전소 운전 변수를 통하여 생성된 상기 비정상 상태 판단 결과에서 비정상 상태 판단 근거를 추적하는 비정상 상태 판단 근거 생성부를 포함한다.
또한, 상기 운전 변수 중 상기 비정상 상태와 관련 있는 변수에 가중치를 부여하는 발전소 운전 변수별 가중치 부여부는 상기 비정상 상태와 관련된 계통의 물리적 상관관계를 고려하여 분류되고 상기 비정상 상태와 관련 있는 물리적 변수에 가중치를 부여하는 것을 특징으로 한다.
또한, 상기 비정상 종류 분류부는 상기 비정상 운전 시나리오를 밸브 누설, 펌프 고장, 열교환기 고장, 냉각재 누설 중 적어도 하나를 포함한다.
또한, 상기 분류된 복수의 고장의 각각에 대해 비정상 상태 판단 결과에 영향을 주는 운전 변수를 도출하는 운전 변수 도출부에서는 상기 밸브 누설로 분류된 경우에는 해당 밸브과 관련된 계통의 유량을, 상기 펌프 고장으로 분류된 경우에는 해당 밸브와 관련된 계통의 유량 및 압력을, 상기 열교환기 고장으로 분류된 경우에는 해당 열교환기와 관련된 계통의 온도를, 상기 냉각제 누설로 분류된 경우에는 누설부위 방사선 준위를 도출하는 것을 포함한다.
또한, 상기 비정상 상태와 관련 있는 물리적 변수는 비정상 절차서 또는 실제 발전소 운전이력을 참조하여 작성된다.
또한, 상기 비정상 상태 판단 근거는 상이한 비정상 상태와 구분할 수 있는 상기 운전 변수로서, 비정상 상태 판단 시스템에서 사용하는 비정상 상태 판단 논리의 검증에 사용된다.
또한, 상기 비정상 상태 판단 근거는 비정상 절차서에서 기술하고 있는 증상을 검증하는데 사용되며, 상기 비정상 절차서는 상기 비정상 상태 발생 시 변화하는 상기 운전 변수를 기술한다.
아울러, 신경망 모델을 이용한 비정상 상태를 판단하는 근거를 생성하는 방법에 있어서, 발전소 운전데이터와 신경망 모델을 활용하여 학습을 진행하여 상기 신경망 모델의 최후단에서 비정상 상태 판단 결과를 생성하는 단계와 상기 비정상 상태 판단 결과를 생성하기 전의 완전결합층(Fully Connected Layer)에서 상기 비정상 상태 판단 결과에 대해 영향분석을 수행하여 상기 비정상 상태 판단 결과에 영향을 주는 변수 값들을 추출하는 단계를 포함한다.
또한, 상기 비정상 상태 판단 결과에 영향을 주는 변수 값들을 추출하는 단계는 시각화 알고리즘을 적용하여 시각화된 입력 변화 데이터를 가상으로 생성하며, 상기 가상의 입력 변화 데이터를 입력으로 상기 신경망 모델의 계산을 통하여 상기 입력 변화 데이터가 상기 비정상 상태 판단 결과의 변화에 미치는 영향을 분석하여, 상기 비정상 상태 판단 결과의 변화를 도출하는데 가장 크게 기여하는 상기 입력 변화 데이터를 추출하는 단계를 포함한다.
본 발명의 실시예들에 따른 신경망 모델을 이용한 비정상 판단 근거 추적 장치 및 그 방법은 다양한 비정상 상태가 발생한 경우 빠른 시간 내에 정확한 비정상 상태에 관한 종류를 판단하여 운전원에게 제공할 수 있고, 이에 따라 원자력 발전소의 비정상 상태에 대한 신속하고 정확한 대응이 가능하여, 원자력 발전소의 안전성을 향상시킬 수 있다.
도 1은 기존의 신경망 모델을 적용한 비정상 상태 판단 장치를 개략적으로 나타낸 도면이다.
도2는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 상태 판단 근거 추적 장치의 동작 과정을 개략적으로 나타낸 도면이다.
도3은 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 상태 판단 결과의 변화에 영향을 주는 운전 변수를 추출하는 동작과정을 개략적으로 나타낸 도면이다.
도 4는 본 발명의 일실시예에 따른 비정상 상태 판단 근거를 생성하는 동작 과정을 보여주는 도면이다.
도 5는 본발명의 일실시예에 따른 비정상 상태 판단 근거 추출 장치의 개략적인 블록 구성도이다.
도 6은 본 발명의 일실시예에 따른 신경망 모델을 적용하여 도출된 비정상 상태 판단 근거의 활용을 보여주는 도면이다.
[부호의 설명]
100 : 비정상 운전 상태 판단 장치
200, 500 : 비정상 상태 판단 근거 추적 장치
210 : 발전소 운전데이터
230 : 신경망
510, 600 : 비정상 운전 시나리오
520 : 비정상 종류 분류부
530 : 운전 변수 도출부
540 : 발전소 운전 변수별 가중치 부여부
550 : 비정상 상태 판단 근거 생성부
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.
도 1은 기존의 신경망 모델을 적용한 비정상 상태 판단 장치를 개략적으로 나타낸 도면이다.
도1에 도시된 바와 같이, 신경망 모델을 적용한 비정상 운전 상태 판단 장치(100)는 비정상 운전 상태 데이터 생성부(110), 비정상 운전 상태 데이터 학습부(130), 비정상 운전 상태 판단부(150), 비정상 운전 상태 감시부(170)를 포함할 수 있다.
비정상 운전 상태 데이터 생성부(110)는 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 가상으로 생성하는 구성으로, 시나리오 데이터베이스(111) 및 시뮬레이터(112)를 포함할 수 있다.
시나리오 데이터베이스(111)는 비정상 운전 상태에 관한 다수의 시나리오가 구비되어 있는 구성이다. 이러한 시나리오는 원자력 발전소 기기들의 온도 변화와 관련된 운전 변수에 따른 시나리오, 터빈 베어링 진동과 관련된 운전 변수에 따른 시나리오 등이 포함되고, 다양한 비정상 운전 상태에 관한 시나리오가 시나리오 데이터베이스(111)에 저장되어 있다. 여기서, 운전 변수라 함은 원자력 발전소의 기기들의 운전 상태에 대한 운전 요소들로써, 각 기기마다 1,000개 내지 2,000개 정도 포함될 수 있다. 이러한 운전 변수는 압력, 온도, 유량 등이 포함될 수 있다.
시뮬레이터(112)는 시나리오 데이터베이스(111)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(130)는 비정상 운전 상태 데이터 생성부(110)에서 생성한 비정상 운전 상태 데이터를 기반으로 시각화 알고리즘을 적용함으로써, 비정상 운전 상태를 시각화하고, 이를 학습시키는 구성이다. 이러한 비정상 운전 상태 데이터 학습부(130)는 제1시각화 배열 유닛(131) 및 제2시각화 배열 유닛(132)을 포함할 수 있다.
제1시각화 배열 유닛(131)은 원자력 발전소에 구비된 기기들의 운전 변수의 물리적 위치를 기반으로 배열하는 구성이다. 즉, 실제 원자력 발전소의 구조와 동일한 배열로 운전 변수가 나열될 수 있다.
제2시각화 배열 유닛(132)은 물리적으로 동일한 운전 변수를 우선적으로 배열하는 구성이다. 예를 들어, 온도와 관련된 운전 변수를 동일한 구역에 배치하여 온도의 변화가 발생하는 경우 사건별 특성이 나타나도록 하는 것이다.
비정상 운전 상태 판단부(150)는 비정상 운전 상태 데이터 학습부(130)가 시각화 알고리즘을 적용하여 운전 변수를 나타낸 것을 기반으로 비정상 운전 상태를 학습하고, 원자력 발전소의 공정 감시 및 경보계통에서 취득한 기기들의 운전 변수를 기반으로 비정상 운전 상태가 발생하였는지 판단하는 구성이다. 이러한 비정상 운전 상태 판단부(150)는 신경망 모델(151) 및 신호 매칭유닛(152)이 포함될 수 있다.
신경망 모델(151)은 시각화 알고리즘에 기반하여 제1시각화 배열 유닛(131) 및 제2시각화 배열 유닛(132)에 의해 시각화된 비정상 운전 상태 데이터를 학습하는 구성이다.
신호 매칭유닛(152)은 비정상 운전 상태에 대한 정보를 포함하는 감시 신호에 대한 정보를 기기들에 대응하여 전달하는 구성이다.
비정상 운전 상태 감시부(170)는 원자력 발전소에 구비된 각각의 기기들에 대하여 운전 상태가 정상범위에서 있는지 감시하는 구성이다. 이러한 비정상 운전 상태 감시부(170)는 각 기기들의 운전 변수에 관한 정보가 포함된 감시 신호를 주기적으로 취득하여 비정상 운전 상태 판단부(150)로 전송할 수 있다.
도2는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 상태 판단 근거 추적 장치의 동작 과정을 개략적으로 나타낸 도면이다.
도2에 도시된 바와 같이, 비정상 상태 판단 근거 추적 장치(200)는 발전소 운전데이터(210)와 신경망 모델(230)을 활용하여 학습을 진행하여, 비정상 상태 판단 결과(250)를 생성한다. 신경망 모델(230)은 각각의 비정상 상태를 효과적으로 학습하기 위해 여러층의 신경망(Deep Learning)을 거쳐 계산된다. 신경망 모델(230)의 최후단에서 비정상 상태 판단 결과(250)를 생성하는데, 본 발명에서는 비정상 상태 판단 결과(250)를 생성하기 전의 완전결합층(Flly Connected Layer)에서 비정상 상태 판단 결과(250)에 대한 영향분석(270)을 수행하여 비정상 상태 판단 결과(250)에 영향을 주는 변수 값들을 추출한다.
도3는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 상태 판단 결과의 변화에 영향을 주는 운전 변수를 추출하는 동작과정을 개략적으로 나타낸 도면이다.
도3에 도시된 바와 같이, 본 발명에서는 먼저 시각화 알고리즘을 적용하여 시각화된 입력의 변화 데이터(310)를 가상으로 생성한다. 이러한 가상의 입력 변화 데이터(310)를 입력으로 하여 신경망 모델(330)의 계산을 통하여 각 항목의 입력의 변화 데이터(310)가 결과의 변화(350)에 미치는 영향을 분석하여, 결과의 변화(350)를 도출하는데 가장 크게 기여하는 입력의 변화 데이터(310)를 추출한다.
따라서, 시각화 알고리즘을 통하면 배관 파단과 같은 사건 발생 시 실제 사건이 일어난 위치의 운전 변수가 모여서 배치됨에 따라 신경망 모델(330)의 사전 처리 컨볼루션(convolution) 및 풀링(pooling) 시 해당 특성의 추출을 유리하게 할 수 있다.
도 4은 본 발명의 일실시예에 따른 비정상 상태 판단 근거를 생성하는 동작 과정을 보여주는 도면이다.
도 5는 본발명의 일실시예에 따른 비정상 상태 판단 근거 추출 장치를 구성하는 개략적인 블록 구성도이다.
도 4 및 도 5에 도시된 바와 같이, 비정상 상태 판단 근거 추적 장치(500)는 비정상 운전 시나리오(510), 비정상 종류 분류부(520), 운전 변수 도출부(530), 발전소 운전 변수별 가중치 부여부(540) 및 비정상 상태 판단 근거 생성부(550)를 포함할 수 있다.
비정상 운전 시나리오(500)는 비정상 운전 상태에 관한 다수의 시나리오가 구비되어 있는 구성이다. 이러한 시나리오는 원자력 발전소 기기들의 온도 변화와 관련된 운전 변수에 따른 시나리오, 터빈 베어링 진동과 관련된 운전 변수에 따른 시나리오를 포함하고 있으며, 비정상 종류 분류부(520)는 비정상 운전 시나리오(500)를 밸브누설, 펌프 고장, 열교환기 고장, 냉각재 누설 등으로 분류를 하게 되며, 분류된 고장에 대해 운전 변수 도출부(530)에서는 비정상 판단 결과에 영향을 주는 운전 변수를 도출하게 된다. 일 실시예로, 밸브 누설로 분류된 경우에는 해당 밸브과 관련된 계통의 유량을, 펌프 고장으로 분류된 경우에는 해당 밸브와 관련된 계통의 유량 및 압력을, 열교환기 고장으로 분류된 경우에는 해당 열교환기와 관련된 계통의 온도를, 냉각제 누설로 분류된 경우에는 누설부위 방사선 준위를 도출한다. 비정상 상태 결과에 영향을 주는 입력의 범위는 다수의 불확실성을 포함하며, 비정상 상태 판단 결과의 근거를 추출하기 위해서는 해당 비정상 상태와 물리적으로 관련있는 입력의 변화가 중요하다.
따라서, 추출된 비정상 상태를 판단하는 근거의 운전 변수는 관련 계통의 물리적 상관관계를 고려하여 신경망 판단의 근거로 사용된다. 비정상 상태에 관한 정보를 기반으로 비정상 상태를 물리적으로 분류하고 해당하는 각각의 비정상 상태와 관련 있는 물리적 변수에 가중치를 주게 된다.
일 실시예로, 비정상 상태를 밸브 누설로 분류하고, 해당 계통과 열수력적으로 관련있는 계통의 유량에 높은 가중치를 부여하여 비정상 상태 판단 근거의 설명에 사용된다. 비정상 상태와 물리적으로 관련이 있는 운전 변수의 선정은 비정상 절차서 또는 실제 발전소 운전이력을 참조하여 작성한다.
발전소 운전 변수별 가중치 부여부(540)에서는 고장별 운전 변수 중 비정상 상태와 관련 있는 물리적 변수에 가중치를 주게 되며, 최종적으로 비정상 상태 판단 근거 생성부(550)에서는 가중치가 반영된 결과를 통하여 보다 정확한 근거 추적이 가능하게 된다.
도 6은 본 발명의 일실시예에 따른 신경망 모델을 적용하여 도출된 비정상 상태 판단 근거의 활용을 보여주는 도면이다.
도 6에 도시된 바와 같이, 비정상 상태에 관한 다수의 시나리오가 구비되어 있는 비정상 운전 시나리오(600) 중에서 선택된 시나리오에 관해 시뮬레이션된 비정상 운전 시뮬레이션 데이터(610)에 도출된 비정상 상태 판단 근거(620)는 해당 비정상 시 다른 비정상 상태와 구분할 수 있는 발전소 운전 변수이다. 이를 활용하여 비정상 상태 판단시스템에서 사용중인 비정상 상태 판단 논리의 검증(630)에 활용할 수 있다. 즉, 비정상 상태로 인해 변동되는 운전 변수를 활용하여 비정상 상태 판단 논리를 개발하였는지의 유무를 확인할 수 있다.
또한, 비정상 절차서에는 해당 비정상 상태 발생 시 변화하는 운전 변수에 대해 기술되어 있다. 비정상 상태 판단 근거(620)를 활용하여 비정상 절차서 관련 증상 검증(640)을 통하여 비정상 절차서에 관해 증상을 검증하고, 운전원이 보다 효과적으로 비정상 상태를 판단할 수 있도록 절차서를 검증하고 개정하는 데 활용될 수 있다.

Claims (9)

  1. 비정상 상태에 관한 복수의 시나리오가 저장된 비정상 운전 시나리오에서 상기 비정상 상태를 복수의 고장으로 분류하는 비정상 종류 분류부;
    상기 분류된 복수의 고장의 각각에 대해 비정상 상태 판단 결과에 영향을 주는 운전 변수를 도출하는 운전 변수 도출부;
    상기 운전 변수 중 상기 비정상 상태와 관련 있는 변수에 가중치를 부여하는 발전소 운전 변수별 가중치 부여부; 및
    상기 가중치가 부여된 발전소 운전 변수를 통하여 생성된 상기 비정상 상태 판단 결과에서 비정상 상태 판단 근거를 추적하는 비정상 상태 판단 근거 생성부를 포함하는 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치.
  2. 제1항에 있어서,
    상기 운전 변수 중 상기 비정상 상태와 관련 있는 변수에 가중치를 부여하는 발전소 운전 변수별 가중치 부여부는
    상기 비정상 상태와 관련된 계통의 물리적 상관관계를 고려하여 분류되고 상기 비정상 상태와 관련 있는 물리적 변수에 상기 가중치를 부여하는 것을 특징으로 하는
    신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치.
  3. 제1항에 있어서,
    상기 비정상 종류 분류부는 상기 비정상 운전 시나리오를 밸브 누설, 펌프 고장, 열교환기 고장, 냉각재 누설 중 적어도 하나를 포함하도록 분류하는 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치.
  4. 제1항에 있어서,
    상기 분류된 복수의 고장의 각각에 대해 비정상 상태 판단 결과에 영향을 주는 운전 변수를 도출하는 운전 변수 도출부에서는 상기 밸브 누설로 분류된 경우에는 해당 밸브과 관련된 계통의 유량을, 상기 펌프 고장으로 분류된 경우에는 해당 밸브와 관련된 계통의 유량 및 압력을, 상기 열교환기 고장으로 분류된 경우에는 해당 열교환기와 관련된 계통의 온도를, 상기 냉각제 누설로 분류된 경우에는 누설부위 방사선 준위를 도출하는 것을 포함하는 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치.
  5. 제1항에 있어서,
    상기 비정상 상태와 관련 있는 물리적 변수는 비정상 절차서 또는 실제 발전소 운전이력을 참조하여 작성되는 신경망 모델을 이용한 비정상 상태 판단 근거 추적장치.
  6. 제1항에 있어서,
    상기 비정상 상태 판단 근거는 상이한 비정상 상태와 구분할 수 있는 상기 운전 변수로서, 비정상 상태 판단 시스템에서 사용하는 비정상 상태 판단 논리의 검증에 사용되는 신경망 모델을 이용한 비정상 상태 판단 근거 추적장치.
  7. 제1항에 있어서,
    상기 비정상 상태 판단 근거는 비정상 절차서에서 기술하고 있는 증상을 검증하는데 사용되며, 상기 비정상 절차서는 상기 비정상 상태 발생 시 변화하는 상기 운전 변수를 기술하고 있는 비정상 상태 판단 근거 추적장치.
  8. 신경망 모델을 이용한 비정상 상태를 판단하는 근거를 생성하는 방법에 있어서,
    발전소 운전데이터와 신경망 모델을 활용하여 학습을 진행하여 상기 신경망 모델의 최후단에서 비정상 상태 판단 결과를 생성하는 단계; 및
    상기 비정상 상태 판단 결과를 생성하기 전의 완전결합층(Fully Connected Layer)에서 상기 비정상 상태 판단 결과에 대해 영향분석을 수행하여 상기 비정상 상태 판단 결과에 영향을 주는 변수 값들을 추출하는 단계를 포함하는
    신경망 모델을 이용한 비정상 운전 상태 판단 근거를 생성하는 방법.
  9. 제8항에 있어서,
    상기 비정상 상태 판단 결과에 영향을 주는 변수 값들을 추출하는 단계는 시각화 알고리즘을 적용하여 시각화된 입력 변화 데이터를 가상으로 생성하며, 상기 가상의 입력 변화 데이터를 입력으로 상기 신경망 모델의 계산을 통하여 상기 입력 변화 데이터가 상기 비정상 상태 판단 결과의 변화에 미치는 영향을 분석하여, 상기 비정상 상태 판단 결과의 변화를 도출하는데 가장 크게 기여하는 상기 입력 변화 데이터를 추출하는 단계를 포함하는 신경망 모델을 이용한 비정상 운전 상태 판단 근거를 생성하는 방법.
PCT/KR2021/016627 2020-11-25 2021-11-15 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 Ceased WO2022114634A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2023527774A JP7639134B2 (ja) 2020-11-25 2021-11-15 ニューラルネットワークモデルを利用した非正常状態判断根拠追跡装置及び方法
EP21898460.7A EP4254430A4 (en) 2020-11-25 2021-11-15 Device and method for tracking basis of abnormal state determination by using neural network model
US18/033,477 US20230394301A1 (en) 2020-11-25 2021-11-15 Device and method for tracking basis of abnormal state determination by using neural network model
CN202180079289.9A CN116490933A (zh) 2020-11-25 2021-11-15 使用神经网络模型跟踪异常状态判断依据的装置和方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0160251 2020-11-25
KR1020200160251A KR102537723B1 (ko) 2020-11-25 2020-11-25 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2022114634A1 true WO2022114634A1 (ko) 2022-06-02

Family

ID=81756116

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/016627 Ceased WO2022114634A1 (ko) 2020-11-25 2021-11-15 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법

Country Status (6)

Country Link
US (1) US20230394301A1 (ko)
EP (1) EP4254430A4 (ko)
JP (1) JP7639134B2 (ko)
KR (1) KR102537723B1 (ko)
CN (1) CN116490933A (ko)
WO (1) WO2022114634A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI863352B (zh) * 2023-04-25 2024-11-21 南韓商韓國電力公司 基於異常徵兆累積閾值的異常徵兆訊號處理及機器學習預測之方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102685434B1 (ko) * 2024-03-04 2024-07-16 성균관대학교산학협력단 인공신경망 기반의 고장 분류 모델을 이용하여 하이브리드 전력망의 고장을 식별하는 방법 및 장치
WO2024209450A1 (en) * 2024-04-24 2024-10-10 Ahmadkhan Kamelia Automated fault detection algorithm reporting and resolving issues in any type of industrial production lines based on artificial intelligence
KR102779435B1 (ko) 2024-12-13 2025-03-10 김진우 냉장 및 냉동창고 시스템

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR101829137B1 (ko) * 2016-08-29 2018-02-13 한국수력원자력 주식회사 기기 중요도와 경보 유효성 판단을 포함한 기기 이상징후 조기경보 방법 및 시스템
US20190164057A1 (en) 2019-01-30 2019-05-30 Intel Corporation Mapping and quantification of influence of neural network features for explainable artificial intelligence
US10452845B2 (en) 2017-03-08 2019-10-22 General Electric Company Generic framework to detect cyber threats in electric power grid
KR102062992B1 (ko) * 2018-09-13 2020-01-06 한국수력원자력 주식회사 발전소 경보나 증상 및 주요 운전변수의 변화에 기반한 비정상 상태 판단 시스템 및 방법
KR102095653B1 (ko) 2018-10-12 2020-03-31 한국수력원자력 주식회사 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5717894A (en) * 1980-07-07 1982-01-29 Nippon Atomic Ind Group Co Operator supporting system for atomic power plant
JP2001022723A (ja) * 1999-07-13 2001-01-26 Fuji Electric Co Ltd ニューラルネットワーク評価装置
CN100412993C (zh) * 2005-11-10 2008-08-20 上海交通大学 基于状态监测的核电厂智能维护系统
US8010321B2 (en) * 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes
US7756678B2 (en) * 2008-05-29 2010-07-13 General Electric Company System and method for advanced condition monitoring of an asset system
JP5284433B2 (ja) * 2011-09-14 2013-09-11 株式会社東芝 プロセス監視・診断・支援装置
EP3373089B1 (en) * 2016-01-13 2021-03-10 Mitsubishi Electric Corporation Operating state classification device
US10247087B2 (en) * 2016-04-18 2019-04-02 Faraday & Future Inc. Liquid temperature sensor
JP6837848B2 (ja) * 2017-01-27 2021-03-03 オークマ株式会社 診断装置
US11037426B2 (en) * 2017-03-07 2021-06-15 Ge-Hitachi Nuclear Energy Americas Llc Systems and methods for combined lighting and radiation detection
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
US11348018B2 (en) * 2017-12-19 2022-05-31 Aspen Technology, Inc. Computer system and method for building and deploying models predicting plant asset failure
CN108304960A (zh) * 2017-12-29 2018-07-20 中车工业研究院有限公司 一种轨道交通设备故障诊断方法
US11204602B2 (en) * 2018-06-25 2021-12-21 Nec Corporation Early anomaly prediction on multi-variate time series data
KR102069442B1 (ko) * 2018-08-31 2020-01-22 휠러스 주식회사 원자력 발전소 운전지원 및 감시 시스템
CN109086889B (zh) * 2018-09-30 2021-05-11 广东电网有限责任公司 基于神经网络的终端故障诊断方法、装置和系统
CN109343395B (zh) * 2018-10-17 2020-03-27 深圳中广核工程设计有限公司 一种核电厂dcs操作日志的异常检测系统和方法
CN111461555B (zh) * 2020-04-02 2023-06-09 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 一种生产线质量监测方法、装置及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR101829137B1 (ko) * 2016-08-29 2018-02-13 한국수력원자력 주식회사 기기 중요도와 경보 유효성 판단을 포함한 기기 이상징후 조기경보 방법 및 시스템
US10452845B2 (en) 2017-03-08 2019-10-22 General Electric Company Generic framework to detect cyber threats in electric power grid
KR102062992B1 (ko) * 2018-09-13 2020-01-06 한국수력원자력 주식회사 발전소 경보나 증상 및 주요 운전변수의 변화에 기반한 비정상 상태 판단 시스템 및 방법
KR102095653B1 (ko) 2018-10-12 2020-03-31 한국수력원자력 주식회사 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법
US20190164057A1 (en) 2019-01-30 2019-05-30 Intel Corporation Mapping and quantification of influence of neural network features for explainable artificial intelligence

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4254430A4

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI863352B (zh) * 2023-04-25 2024-11-21 南韓商韓國電力公司 基於異常徵兆累積閾值的異常徵兆訊號處理及機器學習預測之方法

Also Published As

Publication number Publication date
CN116490933A (zh) 2023-07-25
KR102537723B1 (ko) 2023-05-26
JP7639134B2 (ja) 2025-03-04
US20230394301A1 (en) 2023-12-07
KR20220072533A (ko) 2022-06-02
EP4254430A4 (en) 2025-02-19
JP2023548414A (ja) 2023-11-16
EP4254430A1 (en) 2023-10-04

Similar Documents

Publication Publication Date Title
WO2022114634A1 (ko) 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법
WO2020004994A1 (ko) 발전소 고장 예측 및 진단시스템과 그 방법
WO2020076081A1 (ko) 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법
WO2017191872A1 (ko) 플랜트 이상 감지 방법 및 시스템
CN103178615A (zh) 电力设备故障监控方法及其系统
WO2021172723A1 (ko) 원전의 지능형 상태감시 방법 및 시스템
WO2020004996A1 (ko) 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법
WO2019083126A1 (ko) 원자력 발전소 계측제어시스템의 검증방법과 이를 위한 검증장치
JP6812312B2 (ja) プラント支援評価システム及びプラント支援評価方法
CN117783769A (zh) 基于可视平台的配电网络故障定位方法、系统、设备及存储介质
CN110533294A (zh) 一种基于人工智能技术的核电厂运行故障报警方法
CN117172545A (zh) 一种风险预警方法、装置及计算机可读存储介质
CN118210642A (zh) 远程可靠性寿命验证测试系统及其方法
CN120811778A (zh) 一种基于虚拟攻防推演的电力网络漏洞分析系统及方法
CN119400030B (zh) 用于火电机组人员实训的仿真考核系统
KR102136956B1 (ko) 입출력 핫스와퍼블 배선 인터페이스 제공 방법 및 그를 위한 장치 및 시스템
Bushby et al. The virtual cybernetic building testbed–a building emulator
CN118759848A (zh) 基于安全性需求的ima多状态平衡系统及自适应控制方法
CN119011616A (zh) 一种用于风电场状态监控与评估的云计算平台及其方法
CN118092267A (zh) 一种建筑设备监控系统(bas)工程的调试方法
WO2023128320A1 (ko) 인공지능 검증 시스템 및 방법
Wang et al. Testability modeling and simulation of ship equipment based on multi-signal flow diagram
WO2020004998A1 (ko) 발전소 고장 예측 및 진단시스템의 화면표시방법
CN116931546A (zh) 一种基于虚实结合技术的dcs可靠性验证方法及系统
CN118966805B (zh) 一种高分子电缆材料生产车间的生产安全预警装置

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: 21898460

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023527774

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 202180079289.9

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021898460

Country of ref document: EP

Effective date: 20230626