KR102095653B1 - 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 - Google Patents
신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 Download PDFInfo
- Publication number
- KR102095653B1 KR102095653B1 KR1020180121648A KR20180121648A KR102095653B1 KR 102095653 B1 KR102095653 B1 KR 102095653B1 KR 1020180121648 A KR1020180121648 A KR 1020180121648A KR 20180121648 A KR20180121648 A KR 20180121648A KR 102095653 B1 KR102095653 B1 KR 102095653B1
- Authority
- KR
- South Korea
- Prior art keywords
- driving state
- abnormal driving
- abnormal
- neural network
- network model
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/04—Safety arrangements
- G21D3/06—Safety arrangements responsive to faults within the plant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- High Energy & Nuclear Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Plasma & Fusion (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Emergency Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 신경망 모델을 이용한 비정상 운전 상태 판단 장치에 관한 것으로, 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 생성하는 비정상 운전 상태 데이터 생성부; 상기 비정상 운전 상태 데이터를 수신하여 시각화 알고리즘을 통해 상기 비정상 운전 상태 데이터를 시각화함으로써, 신경망 모델에 비정상 운전 상태 데이터를 학습시키는 비정상 운전 상태 학습부; 및 학습된 상기 비정상 운전 상태 데이터를 기반으로 비정상 상태를 판단하는 신경망 모델이 구비된 비정상 운전 상태 판단부;를 포함할 수 있다.
Description
본 발명은 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법에 관한 것으로, 더욱 구체적으로는 인공지능 신경망을 활용함으로써 비정상 운전 상태를 제공할 수 있도록 하는 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법에 관한 것이다.
원자력 발전소에는 다양한 비정상 운전 상태가 존재한다. 비정상 운전 상태가 발생하면 주제어실에 경보가 발생하며, 관련된 발전소의 상태가 변화한다. 이러한 발전소의 상태 변화에는 온도, 압력, 유량 등이 포함된다.
운전원은 발전소의 경보를 근거로 하여 어떠한 비정상 운전 상태가 발생하였는지 판단하고, 비정상 운전 상태에 관한 절차서에 따라 적절한 조치를 수행한다.
하지만 원자력 발전소에는 수백 가지의 비정상 운전 상태가 존재하고, 미숙한 운전원은 비정상 운전 상태에 관하여 정확한 판단을 내리기 어렵기 때문에 비정상 운전 상태에 관한 조치를 적절히 수행하지 못하는 일이 발생하게 된다.
따라서 운전원이 비정상 운전 상태에 관한 적절한 판단을 내릴 수 있도록 신속하게 비정상 운전 상태를 판단하여 제공하는 방안이 연구되고 있다.
본 발명은 상술한 바와 같은 종래 기술의 문제점을 해결하기 위한 것으로, 원자력 발전소의 비정상 운전 상태를 신속하게 판단하여 운전원에게 관련 정보를 제공하는 데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명에 따른 신경망 모델을 이용한 비정상 운전 상태 판단 장치는 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 생성하는 비정상 운전 상태 데이터 생성부; 상기 비정상 운전 상태 데이터를 수신하여 시각화 알고리즘을 통해 상기 비정상 운전 상태 데이터를 시각화함으로써, 신경망 모델에 비정상 운전 상태 데이터를 학습시키는 비정상 운전 상태 학습부; 및 학습된 상기 비정상 운전 상태 데이터를 기반으로 비정상 상태를 판단하는 신경망 모델이 구비된 비정상 운전 상태 판단부;를 포함할 수 있다.
여기서, 상기 비정상 운전 상태 학습부는 제1시각화 배열 유닛이 구비되고, 상기 제1시각화 배열 유닛은 물리적 위치를 기반으로 운전변수를 배열하여 비정상 운전 상태가 발생한 위치의 운전변수를 모아 배치할 수 있다.
또한, 상기 비정상 운전 상태 학습부는 제2시각화 배열 유닛이 구비되고, 상기 제2시각화 배열 유닛은 물리적으로 동일한 변수를 우선적으로 배열할 수 있다.
또, 상기 비정상 운전 상태 데이터 생성부는 시나리오 데이터베이스 및 시뮬레이터를 포함하고, 상기 시나리오 데이터베이스에 저장된 비정상 운전 상태의 운전 시나리오를 기반으로 상기 시뮬레이터가 비정상 운전 상태를 수행함으로써 상기 비정상 운전 상태 데이터를 생성할 수 있다.
아울러, 상기 신경망 모델은 복수로 구비되어 운전변수에 따라 학습하는 상기 비정상 운전 상태 데이터가 상이할 수 있다.
또한, 상기 비정상 운전 상태 판단부가 비정상 운전 상태임을 판단할 시 절차서 제공부가 비정상 운전 상태에 대한 대응이 포함된 비정상 운전 절차서를 제공할 수 있다.
또, 상기 비정상 운전 상태 판단부는 매칭유닛을 더 포함하고, 상기 신호 매칭유닛은 비정상 운전 상태에 대한 정보를 기기들에 대응하여 전달할 수 있다.
한편, 상기 목적을 달성하기 위한 본 발명에 따른 신경망 모델을 이용한 비정상 운전 상태 판단 방법은 비정상 운전 상태 데이터 생성부가 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 생성하는 단계; 비정상 운전 상태 학습부가 생성된 상기 비정상 운전 상태 데이터를 수신하여 시각화 알고리즘을 통해 상기 비정상 운전 상태 데이터를 시각화하여 신경망 모델에 비정상 운전 상태 데이터를 학습시키는 단계; 비정상 운전 상태 판단부가 학습된 상기 비정상 운전 상태 데이터를 기반으로 비정상 상태를 판단하는 단계; 및 절차서 제공부가 비정상 운전 상태의 대응을 위한 절차서를 운전원에게 제공하는 단계;를 포함할 수 있다.
본 발명에 따른 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법은 다양한 비정상 운전 상태가 발생한 경우 신경망 모델을 이용하여 빠른 시간 내에 정확한 비정상 운전 상태에 관한 종류를 판단하여 운전원에게 제공할 수 있고, 이에 따라 원자력 발전소의 비정상 운전 상태에 대한 신속하고 정확한 대응이 가능하며, 원자력 발전소의 안전성을 향상시킬 수 있다.
도1은 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치를 개략적으로 나타낸 도면이다.
도2는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치의 블록도이다.
도3은 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치의 동작과정을 개략적으로 나타낸 도면이다.
도4는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치의 순서도이다.
도5는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치에서 제1시각화 배열 유닛에 의해 운전변수의 물리적 위치에 따라 운전변수가 배열된 것을 개략적으로 나타낸 도면이다.
도6은 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치에서 제2시각화 배열 유닛에 의해 운전변수의 물리적 특성에 따라 운전변수가 배열된 것을 개략적으로 나타낸 도면이다.
도2는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치의 블록도이다.
도3은 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치의 동작과정을 개략적으로 나타낸 도면이다.
도4는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치의 순서도이다.
도5는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치에서 제1시각화 배열 유닛에 의해 운전변수의 물리적 위치에 따라 운전변수가 배열된 것을 개략적으로 나타낸 도면이다.
도6은 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치에서 제2시각화 배열 유닛에 의해 운전변수의 물리적 특성에 따라 운전변수가 배열된 것을 개략적으로 나타낸 도면이다.
이하에서는 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명한다. 다만 발명의 요지와 무관한 일부 구성은 생략 또는 압축할 것이나, 생략된 구성이라고 하여 반드시 본 발명에서 필요가 없는 구성은 아니며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 결합되어 사용될 수 있다.
도1은 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치를 개략적으로 나타낸 도면이고, 도2는 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치의 블록도이다.
도1 및 도2에 도시된 바와 같이, 본 발명의 일실시예에 따른 신경망 모델을 적용한 비정상 운전 상태 판단 장치(이하 "비정상 운전 상태 판단 장치"라 함)는 비정상 운전 상태 데이터 생성부(100), 비정상 운전 상태 데이터 학습부(200), 비정상 운전 상태 판단부(300), 비정상 운전 상태 감시부(400) 및 절차서 제공부(500)를 포함할 수 있다.
비정상 운전 상태 데이터 생성부(100)는 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 가상으로 생성하는 구성으로, 시나리오 데이터베이스(110) 및 시뮬레이터(120)를 포함할 수 있다.
시나리오 데이터베이스(110)는 비정상 운전 상태에 관한 다수의 시나리오가 구비되어 있는 구성이다. 이러한 시나리오는 원자력 발전소 기기들의 온도 변화와 관련된 운전변수에 따른 시나리오, 터빈 베어링 진동과 관련된 운전변수에 따른 시나리오 등이 포함되고, 다양한 비정상 운전 상태에 관한 시나리오가 시나리오 데이터베이스(110)에 저장되어 있다.
시뮬레이터(120)는 시나리오 데이터베이스(110)에 저장되어 있는 비정상 운전 상태에 관한 시나리오 중에서 선택된 시나리오에 관해 비정상 운전 상태를 시뮬레이션 하는 구성이다. 이에 따라, 비정상 운전 상태에 대한 데이터가 가상으로 생성될 수 있다.
비정상 운전 상태 데이터 학습부(200)는 비정상 운전 상태 데이터 생성부(100)에서 생성한 비정상 운전 상태 데이터를 기반으로 시각화 알고리즘을 적용함으로써, 비정상 운전 상태를 시각화하고, 이를 학습시키는 구성이다. 이러한 비정상 운전 상태 데이터 학습부(200)는 제1시각화 배열 유닛(210) 및 제2시각화 배열 유닛(220)을 포함할 수 있다.
제1시각화 배열 유닛(210)은 원자력 발전소에 구비된 기기들의 운전변수의 물리적 위치를 기반으로 배열하는 구성이다. 즉, 실제 원자력 발전소의 구조와 동일한 배열로 운전변수가 나열될 수 있다.
제2시각화 배열 유닛(220)은 물리적으로 동일한 운전변수를 우선적으로 배열하는 구성이다. 예를 들어, 온도와 관련된 운전변수를 동일한 구역에 배치하여 온도의 변화가 발생하는 경우 사건별 특성이 나타나도록 하는 것이다.
비정상 운전 상태 판단부(300)는 비정상 운전 상태 데이터 학습부(200)가 시각화 알고리즘을 적용하여 운전변수를 나타낸 것을 기반으로 비정상 운전 상태를 학습하고, 원자력 발전소의 공정 감시 및 경보계통에서 취득한 기기들의 운전변수를 기반으로 비정상 운전 상태가 발생하였는지 판단하는 구성이다. 이러한 비정상 운전 상태 판단부(300)는 신경망 모델(310) 및 신호 매칭유닛(320)이 포함될 수 있다.
신경망 모델(310)은 시각화 알고리즘에 기반하여 제1시각화 배열 유닛(210) 및 제2시각화 배열 유닛(220)에 의해 시각화된 비정상 운전 상태 데이터를 학습하는 구성이다.
신호 매칭유닛(320)은 절차서 제공부(500)가 구분할 수 있도록 비정상 운전 상태에 대한 정보를 포함하는 감시 신호에 대한 정보를 기기들에 대응하여 전달하는 구성이다.
비정상 운전 상태 감시부(400)는 원자력 발전소에 구비된 각각의 기기들에 대하여 운전 상태가 정상범위에서 있는지 감시하는 구성이다. 이러한 비정상 운전 상태 감시부(400)는 각 기기들의 운전변수에 관한 정보가 포함된 감시 신호를 주기적으로 취득하여 비정상 운전 상태 판단부(300)로 전송할 수 있다.
절차서 제공부(500)는 비정상 운전 상태 판단부(300)로부터 기기가 비정상 운전 상태에 있는 것으로 판단되었을 시 비정상 운전 상태에 관한 대응이 포함된 절차서를 운전원에게 제공하는 구성이다.
이하에서는 도3을 통해 신경망 모델(310)을 적용한 비정상 운전 상태 판단 장치의 전체적인 동작과정을 개략적으로 살펴보기로 한다.
도3은 본 발명의 일실시예에 따른 신경망 모델(310)을 적용한 비정상 운전 상태 판단 장치의 동작과정을 개략적으로 나타낸 도면이다.
도3에 도시된 바와 같이, 본 발명에서는 먼저 시각화 알고리즘을 적용하여 비정상 운전 상태 데이터를 가상으로 생성한다. 이러한 비정상 운전 상태 데이터는 비정상 운전 상태 데이터 생성부(100)가 시나리오를 기반으로 정보를 생성하고, 비정상 운전 상태 데이터 학습부(200)가 시각화 알고리즘을 적용하여 생성할 수 있다.
이후 시각화 알고리즘이 적용된 비정상 운전 상태 데이터를 비정상 운전 상태 판단부(300)에 구비된 신경망 모델(310)이 학습을 진행한다.
이렇게 신경망 모델(310)이 시각화 알고리즘이 적용된 비정상 운전 상태 데이터를 학습하고 나서, 기기들의 비정상 운전 상태를 주기적으로 감시하여 비정상 운전 상태인지 아닌지를 판단할 수 있다.
이하에서는 도면을 참고하여 신경망 모델(310)을 이용하여 비정상 운전 상태를 판단하는 과정에 대해 설명하기로 한다.
도4는 본 발명의 일실시예에 따른 신경망 모델(310)을 적용한 비정상 운전 상태 판단 장치의 순서도이다.
도4에 도시된 바와 같이, 최초에 비정상 운전 상태 데이터 생성부(100)가 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 생성한다.<S40>
비정상 운전 상태 데이터 생성부(100)에는 시나리오 데이터베이스(110) 및 시뮬레이터(120)가 구비되어 시나리오 데이터베이스(110)에 저장된 각각의 비정상 운전 상태에 관한 시나리오를 기반으로 시뮬레이터(120)가 비정상 운전 상태를 임의로 발생시킬 수 있다. 이렇게 시뮬레이터(120)를 통해 임의로 발생된 비정상 운전 상태 데이터에 관한 정보는 비정상 운전 상태 학습부로 전달될 수 있다.
이후 비정상 운전 상태 학습부가 생성된 상기 비정상 운전 상태 데이터를 수신하여 시각화 알고리즘을 통해 상기 비정상 운전 상태 데이터를 시각화하여 신경망 모델(310)에 비정상 운전 상태 데이터를 학습시킨다.<S41>
이러한 비정상 운전 상태 데이터는 신경망 모델(310)이 학습할 수 있도록 시각화 알고리즘을 통해 제1시각화 배열 유닛(210) 및 제2시각화 배열 유닛(220)이 시각화를 수행한다. 이를 도5 및 도6을 참고하여 설명하기로 한다.
도5는 본 발명의 일실시예에 따른 신경망 모델(310)을 적용한 비정상 운전 상태 판단 장치에서 제1시각화 배열 유닛(210)에 의해 운전변수의 물리적 위치에 따라 운전변수가 배열된 것을 개략적으로 나타낸 도면이다.
도5에 도시된 바와 같이, 제1시각화 배열 유닛(210)은 원자력 발전소의 기기들에 대한 운전변수의 물리적 위치를 기반으로 배열할 수 있다.
예를 들어, 제1시각화 배열 유닛(210)은 원자력 발전소 내의 배관의 온도를 시각화 할 때 실제 원자력 발전소에 배치된 배관을 따라 시각화 한다면 온도의 위치에 따른 변화가 시각화에 반영될 수 있기 때문에 해당 배관의 상태를 학습하고 판단할 시 비정상 운전 상태에 대한 정확도가 증가될 수 있다. 즉, 온도1, 온도2 및 온도3은 시각화 알고리즘에 기반한 제1시각화 배열 유닛(210)에 의해 인접한 위치에 배열되어 시각화될 수 있다.
따라서 시각화 알고리즘을 통하면 배관 파단과 같은 사건 발생 시 실제 사건이 일어난 위치의 운전변수가 모여서 배치됨에 따라 신경망 모델(310)의 사전 처리 컨볼루션(convolution) 및 풀링(pooling) 시 해당 특성의 추출을 유리하게 할 수 있다.
여기서, 운전변수라 함은 원자력 발전소의 기기들의 운전 상태에 대한 운전 요소들로써, 각 기기마다 1000개 내지 2000개 정도 포함될 수 있다. 이러한 운전변수는 압력, 온도, 유량 등이 포함될 수 있다.
또한, 도6은 본 발명의 일실시예에 따른 신경망 모델(310)을 적용한 비정상 운전 상태 판단 장치에서 제2시각화 배열 유닛(220)에 의해 운전변수의 물리적 특성에 따라 운전변수가 배열된 것을 개략적으로 나타낸 도면이다.
도6에 도시된 바와 같이, 제2시각화 배열 유닛(220)은 물리적으로 동일한 변수를 우선적으로 배열할 수 있다.
예를 들어, 제2시각화 배열 유닛(220)은 온도와 관련된 운전변수를 같은 위치에 배치하여 온도의 변화가 발생하는 경우 사건별 특성이 나타나도록 시각화하는 것이다. 즉, 다양한 위치로 분산되어 있는 계통의 기기들에서 T계통은 T계통끼리 모아서 인접하도록 시각화될 수 있고, P계통은 P계통끼리 모아서 인접하도록 시각화함으로써, T계통의 기기들에서 비정상 운전 상태가 발생하는 것을 용이하게 학습할 수 있고, 동일하게 P계통의 기기들에서 비정상 운전 상태가 발생하는 것을 용이하게 학습할 수 있다.
따라서 물리적 특성이 동인한 운전변수를 같은 위치에 배치함으로써, 계통의 변화를 더욱 잘 반영할 수 있고, 컨볼루션 및 풀링 시 해당 특성의 추출을 유리하여 온도와 관련된 운전변수를 학습하고 판단할 시 비정상 운전 상태에 대한 정확도가 증가될 수 있다.
결과적으로, 비정상 운전 상태 판단부(300)는 이와 같이 제1시각화 배열 유닛(210) 및 제2시각화 배열 유닛(220)을 통해 가상으로 생성되어 시각화 된 비정상 운전 상태 데이터를 미리 학습할 수 있다.
이후 비정상 운전 상태 판단부(300)가 학습된 상기 비정상 운전 상태 데이터를 기반으로 비정상 상태를 판단한다.<S42>
학습이 완료된 비정상 운전 상태 판단부(300)는 비정상 운전 상태 감시부(400)가 원자력 발전소의 기기들에 대한 운전 상태를 감시하여 주기적으로 감시 신호를 전송하면, 이러한 감시 신호가 설정된 정상범위에 있는지 판단하여 기기들의 비정상 운전 상태를 판단할 수 있다.
마지막으로, 절차서 제공부(500)가 비정상 운전 상태의 대응을 위한 절차서를 운전원에게 제공한다.<S43>
비정상 운전 상태 판단부(300)에 의해 기기들이 비정상 운전 상태임이 판단될 경우 절차서 제공부(500)가 해당 기기들의 비정상 운전 상태를 대응을 위한 절차서를 운전원에게 제공하는데, 이 때 절차서 제공부(500)에는 기기들 및 비정상 운전 상태 종류에 대응하여 절차서가 매칭되어 있다.
따라서 해당 비정상 운전 상태에 대한 감시 신호가 기기들 및 비정상 운전 상태 종류에 해당되는 감시 신호인지에 따라 비정상 운전 상태 판단부(300)의 신호 매칭유닛(320)은 절차서 제공부(500)가 구분할 수 있도록 비정상 운전 상태에 대한 정보를 기기들에 대응하여 전달할 수 있다.
예를 들어, 기기들의 온도와 관련되어 있는 경우, 비정상 운전 상태 판단부(300)는 이상 온도를 보이는 기기들의 정보를 절차서 제공부(500)로 제공하며, 절차서 제공부(500)는 이러한 기기들을 구분하여 온도와 관련된 절차서를 운전원에게 제공할 수 있다.
이처럼 본 발명에서는 신경망 모델(310)을 이용하여 시각화 알고리즘을 통해 비정상 운전 상태를 미리 학습한 후 기기들의 비정상 운전 상태를 감지함으로써, 운전원에게 비정상 운전 상태를 대응하기 용이하도록 도움을 줄 수 있다.
상기한 본 발명의 바람직한 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면, 본 발명의 사상과 범위 안에서 다양한 수정, 변경 및 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 본 발명의 특허청구 범위에 속하는 것으로 보아야 할 것이다.
100 : 비정상 운전 상태 데이터 생성부
110 : 시나리오 데이터베이스
120 : 시뮬레이터
200 : 비정상 운전 상태 데이터 학습부
210 : 제1시각화 배열 유닛
220 : 제2시각화 배열 유닛
300 : 비정상 운전 상태 판단부
310 : 신경망 모델
320 : 신호 매칭유닛
400 : 비정상 운전 상태 감시부
500 : 절차서 제공부
110 : 시나리오 데이터베이스
120 : 시뮬레이터
200 : 비정상 운전 상태 데이터 학습부
210 : 제1시각화 배열 유닛
220 : 제2시각화 배열 유닛
300 : 비정상 운전 상태 판단부
310 : 신경망 모델
320 : 신호 매칭유닛
400 : 비정상 운전 상태 감시부
500 : 절차서 제공부
Claims (8)
- 신경망 모델을 이용한 비정상 운전 상태 판단 장치에 있어서,
비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 생성하는 비정상 운전 상태 데이터 생성부;
상기 비정상 운전 상태 데이터를 수신하여 시각화 알고리즘을 통해 상기 비정상 운전 상태 데이터를 시각화함으로써, 신경망 모델에 비정상 운전 상태 데이터를 학습시키는 비정상 운전 상태 학습부; 및
학습된 상기 비정상 운전 상태 데이터를 기반으로 비정상 상태를 판단하는 신경망 모델이 구비된 비정상 운전 상태 판단부;를 포함하되,
상기 비정상 운전 상태 학습부는 제1시각화 배열 유닛이 구비되고,
상기 제1시각화 배열 유닛은 물리적 위치를 기반으로 운전변수를 배열하여 비정상 운전 상태가 발생한 위치의 운전변수를 모아 배치하는 신경망 모델을 이용한 비정상 운전 상태 판단 장치.
- 삭제
- 제1항에 있어서,
상기 비정상 운전 상태 학습부는 제2시각화 배열 유닛이 구비되고,
상기 제2시각화 배열 유닛은 물리적으로 동일한 변수를 우선적으로 배열하는 신경망 모델을 이용한 비정상 운전 상태 판단 장치.
- 제1항에 있어서,
상기 비정상 운전 상태 데이터 생성부는 시나리오 데이터베이스 및 시뮬레이터를 포함하고,
상기 시나리오 데이터베이스에 저장된 비정상 운전 상태의 운전 시나리오를 기반으로 상기 시뮬레이터가 비정상 운전 상태를 수행함으로써 상기 비정상 운전 상태 데이터를 생성하는 신경망 모델을 이용한 비정상 운전 상태 판단 장치.
- 제1항에 있어서,
상기 신경망 모델은 복수로 구비되어 운전변수에 따라 학습하는 상기 비정상 운전 상태 데이터가 상이한 신경망 모델을 이용한 비정상 운전 상태 판단 장치.
- 제1항에 있어서,
상기 비정상 운전 상태 판단부가 비정상 운전 상태임을 판단할 시 절차서 제공부가 비정상 운전 상태에 대한 대응이 포함된 비정상 운전 절차서를 제공하는 신경망 모델을 이용한 비정상 운전 상태 판단 장치.
- 제1항에 있어서,
상기 비정상 운전 상태 판단부는 신호 매칭유닛을 더 포함하고,
상기 신호 매칭유닛은 비정상 운전 상태에 대한 정보를 기기들에 대응하여 전달하는 신경망 모델을 이용한 비정상 운전 상태 판단 장치.
- 신경망 모델을 이용한 비정상 운전 상태 판단 방법에 있어서,
비정상 운전 상태 데이터 생성부가 비정상 운전 상태에 관한 정보를 기반으로 비정상 운전 상태 데이터를 생성하는 단계;
비정상 운전 상태 학습부가 생성된 상기 비정상 운전 상태 데이터를 수신하여 시각화 알고리즘을 통해 상기 비정상 운전 상태 데이터를 시각화하여 신경망 모델에 비정상 운전 상태 데이터를 학습시키는 단계;
비정상 운전 상태 판단부가 학습된 상기 비정상 운전 상태 데이터를 기반으로 비정상 상태를 판단하는 단계; 및
절차서 제공부가 비정상 운전 상태의 대응을 위한 절차서를 운전원에게 제공하는 단계;를 포함하되,
상기 비정상 운전 상태 학습부는 제1시각화 배열 유닛이 구비되고,
상기 제1시각화 배열 유닛은 물리적 위치를 기반으로 운전변수를 배열하여 비정상 운전 상태가 발생한 위치의 운전변수를 모아 배치하는 신경망 모델을 이용한 비정상 운전 상태 판단 방법.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180121648A KR102095653B1 (ko) | 2018-10-12 | 2018-10-12 | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 |
EP19870406.6A EP3866177A4 (en) | 2018-10-12 | 2019-10-10 | DEVICE AND METHOD FOR DETERMINING ABNORMAL DRIVING STATE USING A NEURONAL NETWORK MODEL |
US17/279,121 US20210397950A1 (en) | 2018-10-12 | 2019-10-10 | Abnormal driving state determination device and method using neural network model |
PCT/KR2019/013270 WO2020076081A1 (ko) | 2018-10-12 | 2019-10-10 | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180121648A KR102095653B1 (ko) | 2018-10-12 | 2018-10-12 | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102095653B1 true KR102095653B1 (ko) | 2020-03-31 |
Family
ID=70002461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180121648A KR102095653B1 (ko) | 2018-10-12 | 2018-10-12 | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210397950A1 (ko) |
EP (1) | EP3866177A4 (ko) |
KR (1) | KR102095653B1 (ko) |
WO (1) | WO2020076081A1 (ko) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210075257A (ko) * | 2019-12-12 | 2021-06-23 | 한전원자력연료 주식회사 | 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법 |
KR20220072533A (ko) | 2020-11-25 | 2022-06-02 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 |
KR20230111015A (ko) | 2022-01-17 | 2023-07-25 | 한국수력원자력 주식회사 | 기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템 |
KR20230130794A (ko) | 2022-03-04 | 2023-09-12 | 한국수력원자력 주식회사 | 인공지능을 이용하여 플랜트의 이상상태를 판단하는 방법 |
WO2023172020A1 (ko) * | 2022-03-10 | 2023-09-14 | 한국수력원자력 주식회사 | 인공지능을 이용하여 플랜트의 이상상태에 대한 조치사항을 제공하는 방법 |
US11803177B1 (en) | 2021-06-14 | 2023-10-31 | MakinaRocks Co., Ltd. | Method and apparatus for detecting anomaly data |
KR20230151754A (ko) | 2022-04-26 | 2023-11-02 | 한국수력원자력 주식회사 | 나선형 증기발생기를 포함하는 소형모듈형 원자로 |
Citations (3)
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 |
KR101651893B1 (ko) | 2015-04-13 | 2016-08-29 | 한전원자력연료 주식회사 | 신경망 회로를 이용한 원자로 노심의 축방향 출력분포 합성방법 및 그 방법이 적용된 노심감시계통 |
KR20180024333A (ko) * | 2016-08-29 | 2018-03-08 | 한국수력원자력 주식회사 | 기기 이상징후 사전감지 방법 및 시스템 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2699607B2 (ja) * | 1990-04-03 | 1998-01-19 | 三菱電機株式会社 | 神経回路網原子力プラント診断装置 |
US7277823B2 (en) * | 2005-09-26 | 2007-10-02 | Lockheed Martin Corporation | Method and system of monitoring and prognostics |
CN110800273B (zh) * | 2017-04-24 | 2024-02-13 | 卡内基梅隆大学 | 虚拟传感器*** |
CN107529667B (zh) * | 2017-06-30 | 2020-05-19 | 厦门达阵信息科技有限公司 | 混合现实核电站仿真和分析*** |
US11630040B2 (en) * | 2017-07-11 | 2023-04-18 | Qatar University | Real-time structural damage detection by convolutional neural networks |
EP3682269B1 (en) * | 2017-09-12 | 2024-03-06 | Services Pétroliers Schlumberger | Seismic image data interpretation system |
US10771488B2 (en) * | 2018-04-10 | 2020-09-08 | Cisco Technology, Inc. | Spatio-temporal anomaly detection in computer networks using graph convolutional recurrent neural networks (GCRNNs) |
-
2018
- 2018-10-12 KR KR1020180121648A patent/KR102095653B1/ko active IP Right Grant
-
2019
- 2019-10-10 US US17/279,121 patent/US20210397950A1/en active Pending
- 2019-10-10 WO PCT/KR2019/013270 patent/WO2020076081A1/ko unknown
- 2019-10-10 EP EP19870406.6A patent/EP3866177A4/en active Pending
Patent Citations (3)
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 |
KR101651893B1 (ko) | 2015-04-13 | 2016-08-29 | 한전원자력연료 주식회사 | 신경망 회로를 이용한 원자로 노심의 축방향 출력분포 합성방법 및 그 방법이 적용된 노심감시계통 |
KR20180024333A (ko) * | 2016-08-29 | 2018-03-08 | 한국수력원자력 주식회사 | 기기 이상징후 사전감지 방법 및 시스템 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210075257A (ko) * | 2019-12-12 | 2021-06-23 | 한전원자력연료 주식회사 | 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법 |
KR102377489B1 (ko) | 2019-12-12 | 2022-03-24 | 한전원자력연료 주식회사 | 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법 |
KR20220072533A (ko) | 2020-11-25 | 2022-06-02 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 |
WO2022114634A1 (ko) | 2020-11-25 | 2022-06-02 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 |
KR102537723B1 (ko) * | 2020-11-25 | 2023-05-26 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 |
US11803177B1 (en) | 2021-06-14 | 2023-10-31 | MakinaRocks Co., Ltd. | Method and apparatus for detecting anomaly data |
KR20230111015A (ko) | 2022-01-17 | 2023-07-25 | 한국수력원자력 주식회사 | 기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템 |
KR20230130794A (ko) | 2022-03-04 | 2023-09-12 | 한국수력원자력 주식회사 | 인공지능을 이용하여 플랜트의 이상상태를 판단하는 방법 |
WO2023172020A1 (ko) * | 2022-03-10 | 2023-09-14 | 한국수력원자력 주식회사 | 인공지능을 이용하여 플랜트의 이상상태에 대한 조치사항을 제공하는 방법 |
KR20230132926A (ko) | 2022-03-10 | 2023-09-19 | 한국수력원자력 주식회사 | 인공지능을 이용하여 플랜트의 이상상태에 대한 조치사항을 제공하는 방법 |
KR20230151754A (ko) | 2022-04-26 | 2023-11-02 | 한국수력원자력 주식회사 | 나선형 증기발생기를 포함하는 소형모듈형 원자로 |
Also Published As
Publication number | Publication date |
---|---|
EP3866177A4 (en) | 2022-06-01 |
EP3866177A1 (en) | 2021-08-18 |
WO2020076081A1 (ko) | 2020-04-16 |
US20210397950A1 (en) | 2021-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102095653B1 (ko) | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 | |
CN109001649B (zh) | 一种电源智能诊断***及保护方法 | |
US7720639B2 (en) | Automatic remote monitoring and diagnostics system and communication method for communicating between a programmable logic controller and a central unit | |
KR102073912B1 (ko) | 고부하 가스 터빈들에 대한 진단 규칙들을 위한 방법 및 시스템 | |
US9261862B2 (en) | Automation management system and method | |
KR100887433B1 (ko) | 시스템-감시 모델들을 갱신하기 위한 시스템, 장치, 및방법들 | |
US20080188972A1 (en) | Method and System for Detecting Faults in a Process Plant | |
US20230162484A1 (en) | Apparatus and method for generating learning data for artificial intelligence model | |
JP2009053938A (ja) | 複数モデルに基づく設備診断システム及びその設備診断方法 | |
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 | |
US20230013006A1 (en) | A system for monitoring and controlling a dynamic network | |
CN116483054A (zh) | 一种工业机器人运行状态监测预警***及方法 | |
CN107783495A (zh) | 单元控制*** | |
Kościelny et al. | Towards a unified approach to detection of faults and cyber-attacks in industrial installations | |
KR20200044507A (ko) | Ict 기반의 통합 모니터링 시스템을 활용한 특수 차량 고장 진단 및 운영법 | |
EP2618231A2 (en) | System and method for monitoring, diagnostics, and prognostics | |
JP2019057196A (ja) | 情報収集装置、情報収集方法 | |
KR20130049232A (ko) | 엔진 모니터링 시스템 및 방법 | |
KR102537723B1 (ko) | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 | |
JP2645017B2 (ja) | プラント診断方法及びその装置 | |
KR102414537B1 (ko) | 딥러닝 기반 결함 위치 추적 장치 | |
KR20200034339A (ko) | 음향신호를 이용한 플랜트 설비의 결함 진단 방법 | |
EA201800239A1 (ru) | Способ и система для диагностирования промышленного объекта | |
CN116910615A (zh) | 一种核电厂故障溯源及辅助决策*** | |
CN115335790A (zh) | 用于诊断消息方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GRNT | Written decision to grant |