KR102517036B1 - 증기 발생기 전열관 검사 장치 및 방법 - Google Patents
증기 발생기 전열관 검사 장치 및 방법 Download PDFInfo
- Publication number
- KR102517036B1 KR102517036B1 KR1020220049674A KR20220049674A KR102517036B1 KR 102517036 B1 KR102517036 B1 KR 102517036B1 KR 1020220049674 A KR1020220049674 A KR 1020220049674A KR 20220049674 A KR20220049674 A KR 20220049674A KR 102517036 B1 KR102517036 B1 KR 102517036B1
- Authority
- KR
- South Korea
- Prior art keywords
- steam generator
- heat pipe
- inspection
- generator heat
- data
- Prior art date
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 36
- 238000012546 transfer Methods 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 20
- 230000007547 defect Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B37/00—Component parts or details of steam boilers
- F22B37/002—Component parts or details of steam boilers specially adapted for nuclear steam generators, e.g. maintenance, repairing or inspecting equipment not otherwise provided for
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B1/00—Methods of steam generation characterised by form of heating method
- F22B1/02—Methods of steam generation characterised by form of heating method by exploitation of the heat content of hot heat carriers
- F22B1/16—Methods of steam generation characterised by form of heating method by exploitation of the heat content of hot heat carriers the heat carrier being hot liquid or hot vapour, e.g. waste liquid, waste vapour
- F22B1/162—Methods of steam generation characterised by form of heating method by exploitation of the heat content of hot heat carriers the heat carrier being hot liquid or hot vapour, e.g. waste liquid, waste vapour in combination with a nuclear installation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B37/00—Component parts or details of steam boilers
- F22B37/02—Component parts or details of steam boilers applicable to more than one kind or type of steam boiler
- F22B37/42—Applications, arrangements, or dispositions of alarm or automatic safety devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
-
- 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
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
- G21C17/017—Inspection or maintenance of pipe-lines or tubes in nuclear installations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Thermal Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Sustainable Development (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Sustainable Energy (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Plasma & Fusion (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
본 발명의 일 실시 예에 따른 증기 발생기 전열관 검사 장치는 증기 발생기 검사 데이터를 취득하는 데이터취득부, 상기 데이터 취득부와 연동하여 빅데이터를 저장 및 가공하는 데이터베이스, 빅데이터 분석 알고리즘 기반으로 상기 증기 발생기 전열관 손상 여부를 평가하는 자동평가부 및 상기 증기 발생기를 가상의 3차원 모델로 구현하는 모델구현부를 포함할 수 있다.
Description
본 발명은 증기 발생기 전열관 검사 장치 및 방법에 관한 것이다.
원자력발전소의 증기 발생기 전열관(약 5,000개~13,000개)은 원전 압력경계부로서 잔열 제거를 위한 1차 계통과 2차 계통 사이의 열 전달 매체이면서, 1차 계통의 방사성 핵분열 생성물이 2차 계통으로 유입되지 않도록 차단하는 중요한 기능을 가진다.
원자력발전소의 장기간 운전시 전열관은 응력부식균열(SCC), 마모, 파울링, 피로 등으로 인하여 손상이 발생할 수 있다. 증기 발생기 전열관의 손상으로 인한 문제를 예방하기 위하여 원자력 법규, 산업기술기준, 발전소 운영기술지침서 등에서 요구하는 검사 및 평가를 주기적으로 수행하여야 한다.
증기 발생기 전열관 검사 및 평가는 계획예방정비 기간 중에 와전류 탐상 검사(ECT)로 이루어지고 있다. 이러한 검사는 평가자의 감각(시각)에 의하여 이루어지므로, 평가자의 기량, 피로 누적, 복합적인 요인에 의하여 결함 신호를 검출해 내지 못하거나 결함 판정에 오류 발생 가능성이 있다.
본 발명의 일 목적은 인공지능(AI) 및 빅데이터 기반의 디지털 트윈 플랫폼을 구축하여 증기 발생기의 전열관 와전류 검사 데이터의 체계적인 수집과 평가가 가능한 증기 발생기 전열관 검사 장치 및 방법을 제공하는데 있다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 해당 분야의 기술자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시 예에 따른 증기 발생기 전열관 검사 장치는 증기 발생기 전열관 검사 데이터를 취득하는 데이터취득부, 상기 데이터 취득부와 연동하여 빅데이터를 저장 및 가공하는 데이터베이스, 빅데이터 분석 알고리즘 기반으로 상기 증기 발생기 전열관 손상 여부를 평가하는 자동평가부 및 상기 증기 발생기를 가상의 3차원 모델로 가시화하는 모델구현부를 포함할 수 있다.
일 실시 예에 있어서, 상기 데이터취득부는 상기 증기 발생기 전열관의 와전류 탐상 검사를 수행할 수 있다.
일 실시 예에 있어서, 상기 데이터취득부는 상기 전열관의 손상 상태를 나타내는 와전류 탐상 검사 데이터를 실시간으로 수집할 수 있다.
일 실시 예에 있어서, 상기 데이터베이스는 상기 증기 발생기 전열관의 와전류 탐상 검사 데이터를 실시간으로 수집하여 저장할 수 있다.
일 실시 예에 있어서, 상기 자동평가부는 딥러닝 기반의 특징 추출 모듈을 이용하여 상기 증기 발생기 전열관 손상 여부를 평가하는 데이터를 추출할 수 있다.
일 실시 예에 있어서, 상기 자동평가부는 곱측도이론을 이용한 특징 추출, 일반우세지수 이론을 이용한 특징 추출, Genetic 알고리즘을 이용한 특징 추출 또는 상대가중치이론을 이용한 특징 추출을 기반으로 딥러닝 기반의 특징 추출을 수행할 수 있다.
일 실시 예에 있어서, 상기 자동평가부는 상기 딥러닝 기반의 특징 추출 수행으로 상기 증기 발생기 전열관의 위험도를 정량화할 수 있다.
일 실시 예에 있어서, 상기 자동평가부는 상기 증기 발생기 전열관의 위치별 위험도를 가시화할 수 있다.
일 실시 예에 있어서, 상기 모델구현부는 상기 증기 발생기의 Physical Model, 전열관 운영 정보, 전열관 검사 데이터를 제공할 수 있다.
일 실시 예에 있어서, 상기 모델구현부는 상기 Physical Model을 통하여 상기 증기 발생기의 현재 상태를 확인할 수 있도록 제공하고, 상기 전열관 운영 정보 및 상기 전열관 검사 데이터를 기반으로 잔여 수명을 예측할 수 있다.
본 발명의 다른 일 실시 예에 따른 증기 발생기 전열관 검사 방법은 데이터취득부에서 증기 발생기 전열관 검사 데이터를 취득하는 단계, 상기 데이터 취득부와 연동하여 데이터베이스에서 빅데이터를 저장 및 가공하는 단계, 빅데이터 분석 알고리즘 기반으로 자동평가부에서 상기 증기 발생기 전열관 손상 여부를 평가하는 단계 및 모델구현부에서 상기 증기 발생기를 가상의 3차원 모델로 가시화하는 단계를 포함할 수 있다.
일 실시 예에 있어서, 상기 데이터취득부에서 증기 발생기 검사 데이터를 취득하는 단계는 상기 증기 발생기 전열관의 와전류 탐상 검사를 수행하는 단계를 포함할 수 있다.
일 실시 예에 있어서, 상기 데이터취득부에서 증기 발생기 전열관 검사 데이터를 취득하는 단계는 상기 전열관의 손상 상태를 나타내는 임피던스 데이터를 실시간으로 수집하는 단계를 포함할 수 있다.
일 실시 예에 있어서, 상기 데이터 취득부와 연동하여 데이터베이스에서 빅데이터를 저장 및 가공하는 단계는 상기 증기 발생기 전열관의 와전류 탐상 검사 데이터를 실시간으로 수집하여 저장하는 단계를 포함할 수 있다.
일 실시 예에 있어서, 상기 빅데이터 분석 알고리즘 기반으로 자동평가부에서 상기 증기 발생기 전열관 손상 여부를 평가하는 단계는 딥러닝 기반의 특징 추출 모듈을 이용하여 상기 증기 발생기 전열관의 손상 여부를 평가하는 데이터를 추출하는 단계를 포함할 수 있다.
일 실시 예에 있어서, 상기 빅데이터 분석 알고리즘 기반으로 자동평가부에서 상기 증기 발생기 전열관 손상 여부를 평가하는 단계는 곱측도이론을 이용한 특징 추출, 일반우세지수 이론을 이용한 특징 추출 또는 상대가중치이론을 이용한 특징 추출을 기반으로 딥러닝 기반의 특징 추출을 수행하는 단계를 포함할 수 있다.
일 실시 예에 있어서, 상기 빅데이터 분석 알고리즘 기반으로 자동평가부에서 상기 증기 발생기 전열관 손상 여부를 평가하는 단계는 상기 딥러닝 기반의 특징 추출 수행으로 상기 증기 발생기 전열관의 위험도를 정량화하는 단계를 포함할 수 있다.
일 실시 예에 있어서, 상기 빅데이터 분석 알고리즘 기반으로 자동평가부에서 상기 증기 발생기 전열관 손상 여부를 평가하는 단계는 상기 증기 발생기 전열관의 위치별 위험도를 가시화하는 단계를 포함할 수 있다.
일 실시 예에 있어서, 상기 모델구현부에서 상기 증기 발생기를 가상의 3차원 모델로 가시화하는 단계는 상기 증기 발생기의 Physical Model, 전열관 운영 정보, 전열관 검사 데이터를 제공하는 단계를 포함할 수 있다.
일 실시 예에 있어서, 상기 모델구현부에서 상기 증기 발생기를 가상의 3차원 모델로 가시화하는 단계는 상기 Physical Model을 통하여 상기 증기 발생기의 현재 상태를 확인할 수 있도록 제공하고, 상기 전열관 운영 정보 및 상기 전열관 검사 데이터를 기반으로 잔여 수명을 예측하는 단계를 포함할 수 있다.
본 기술은 인공지능(AI) 및 빅데이터 기반의 디지털 트윈 플랫폼을 구축하여 증기 발생기의 전열관 와전류 검사 데이터의 체계적인 수집과 평가가 가능하다.
이 외에, 본 문서를 통하여 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 증기 발생기 전열관 검사 장치를 나타내는 블록도이며,
도 2는 본 발명의 일 실시 예에 따른 증기 발생기 전열관 Physical Model을 나타내는 도면이며,
도 3은 본 발명의 일 실시 예에 따른 증기 발생기 건전성 관리 어플리케이션과 데이터 흐름도를 나타낸 도면이며,
도 4는 본 발명의 일 실시 예에 따른 증기 발생기 검사 방법을 설명하기 위한 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 증기 발생기 전열관 Physical Model을 나타내는 도면이며,
도 3은 본 발명의 일 실시 예에 따른 증기 발생기 건전성 관리 어플리케이션과 데이터 흐름도를 나타낸 도면이며,
도 4는 본 발명의 일 실시 예에 따른 증기 발생기 검사 방법을 설명하기 위한 순서도이다.
이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.
본 문서의 다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다.
도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다.
본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다.
"제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
도 1은 본 발명의 일 실시 예에 따른 증기 발생기 전열관 검사 장치를 나타내는 블록도이며, 도 2는 본 발명의 일 실시 예에 따른 증기 발생기 전열관 Physical Model을 나타내는 도면이며, 도 3은 본 발명의 일 실시 예에 따른 증기 발생기 전열관 건전성 관리 어플리케이션과 데이터 흐름도를 나타낸 도면이다.
도 1 내지 도 3을 참조하면, 본 발명의 일 실시 예에 따른 증기 발생기 전열관 검사 장치는 데이터취득부(100), 데이터베이스(200), 자동평가부(300) 및 모델구현부(400)를 포함할 수 있다.
데이터취득부(100)는 증기 발생기 전열관의 와전류 탐상 검사(ECT) 데이터를 취득할 수 있다. 데이터취득부(100)는 전열관의 와전류 탐상 검사 데이터를 취득하는 과정에서 전열관의 손상 상태 여부를 나타내는 임피던스 데이터를 실시간으로 수집할 수 있다.
데이터취득부(100)는 보빈(Bobbin) 프로브, MRPC 프로브 또는 Array 프로브를 통하여 전열관의 와전류 탐상 검사 데이터를 취득할 수 있다.
이때, 400kHz, 300kHz, 100kHz, 10kHz 등의 주파수를 이용하여 코일이 장착된 보빈(Bobbin) 프로브, MRPC 프로브 또는 Array 프로브를 사용하여 와전류 검사 신호를 획득할 수 있으며, 증기발생기 전열관의 균열 정보를 지속적으로 축적함으로써 증기발생기 전열관의 파단을 빅데이터 기반으로 예측할 수 있다.
한편, MRPC 프로브를 통한 전열관 와전류 탐상 검사는 증기 발생기 가동 중에 보빈 프로브에 의해 전열관의 결함이 검출되는 경우, 결함의 상세한 길이 및 깊이 크기 검사를 위해 사용할 수 있다.
데이터베이스(200)는 데이터취득부(100)와 인터페이스를 통하여 연동되어 빅데이터를 저장 및 가공할 수 있다.
데이터베이스(200)는 실시간으로 수집되는 플랜트(Plant) 운영 데이터, 전열관 와전류 탐상 검사 데이터, 분석 기술자들에 의해 분석된 분석데이터를 데이터베이스화하고, 기존에 저장된 데이터인 Legacy 데이터를 컨버팅(Converting)하여 통합 데이터베이스를 구축할 수 있다.
통합 데이터베이스에 구축된 데이터들은 후술하는 전열관 상태 평가, 전열관 수명 예측 등을 위한 입력 데이터로 활용할 수 있다.
자동평가부(300)는 딥러닝 기반의 빅데이터 분석 알고리즘을 탑재하고, 전열관의 손상 여부를 평가할 수 있다. 자동평가부(300)는 딥러닝 모델 설계에 의미 있는 입력 데이터를 추출 할 수 있는 특징 추출(Feature Extraction) 모듈을 포함할 수 있다. 특징 추출은 곱측도 이론을 이용한 특징 추출, 일반 우세 지수 이론을 이용한 특징 추출, 상대 가중치 이론을 이용한 특징 추출, Genetic 알고리즘을 이용한 특징 추출 등의 방법을 이용할 수 있다.
자동평가부(300)는 곱측도 이론을 이용한 특징 추출, 일반 우세 지수 이론을 이용한 특징 추출, 상대 가중치 이론을 이용한 특징 추출 등에 의해 정해진 특징을 이용한 최적 값을 찾기 위하여 딥러닝 기반의 결함 검출 모듈을 이용할 수 있다.
자동평가부(300)는 Bobbin 프로브를 통하여 취득한 신호 패턴을 분석하는 딥러닝 모델, MRPC 프로브를 통하여 취득한 신호 패턴을 분석하는 딥러닝 모델, 또는 Array 프로브를 통하여 취득한 신호 패턴을 분석하는 딥러닝 모델을 설계할 수 있다.
자동평가부(300)는 Bobbin 프로브, MRPC 프로브 또는 Array 프로브를 통하여 취득한 신호 패턴을 분석하는 SVM(Support Vector Machine) 딥러닝 모델, Random Forest 머신러닝 모델 또는 AutoEncoder 머신러닝 모델을 설계할 수 있다.
자동평가부(300)는 딥러닝 모델을 통하여 학습된 결함의 종류 및 신호 패턴을 분석하여 위험도를 정량화하여 위험을 관리할 수 있다.
자동평가부(300)는 Bobbin 프로브, MRPC 프로브 또는 Array 프로브에 장착되는 코일의 전압이 일정 수준 이하로 떨어질 때 알람을 통해 위험 관리를 실시할 수 있고, Sharpness 결함과 Flat 결함의 위험도를 결함률(%)과 예측 체적량(전압)에 따라 위험 수준을 가시화할 수 있다.
자동평가부(300)는 전열관의 위치별(Tube Sheet(Hot), Hot-leg, U-bend, Cold-leg, Baffle, Tube Sheet(Cold)) 치명 결함의 위험도를 가시화하고, 결함 원인을 분석할 수 있다.
자동평가부(300)는 미리 취득되어 저장되고 관리되는 전열관 평가 및 분석을 위한 빅데이터를 인공지능(AI) 알고리즘을 이용하여 정해진 기준치를 초과하는 이벤트를 경고하고 수명 예측과 원인 분석용 입력으로 활용할 수 있다.
모델구현부(400)는 증기 발생기를 가상의 3차원 모델로 구현할 수 있다.
모델구현부(400)는 증기 발생기의 전열관 상태를 실시간으로 모니터링하기 위한 디지털 트윈을 기반으로 가상화된 증기 발생기를 시뮬레이션 할 수 있다.
도 2를 참조하면, 증기 발생기 디지털 트윈에서는 전열관의 물리적(Physical) 모델 및 사용자가 실시간으로 전열관 운영 정보, 검사 데이터 및 분석 데이터를 디지털 환경에서 확인할 수 있는 가시화 모듈과, 어플리케이션(도 3 참조)으로 구성된다.
증기 발생기 디지털 트윈에서 증기 발생기의 평면도와 측면도를 통해 현재 전열관의 상태를 효과적으로 확인할 수 있도록 구성하며, 운영 정보, 검사 데이터 및 분석 데이터를 기반으로 전열관의 잔여 수명을 예측할 수 있다.
모델구현부(400)는 디지털 트윈을 기반으로 가상화된 증기 발생기 모델에서 Bobbin 프로브, MRPC 프로브 또는 Array 프로브를 이용한 와전류 검사에 필요한 검사 주파수에 따른 채널을 관리하고, 발생하는 전류, 전압, 검사대상 전열관의 위치, 검사 속도 등을 관리하고 가시화할 수 있다.
모델구현부(400)는 증기 발생기 모델에서 증기 발생기 모델 별 평면도와 측면도를 통하여 주요 점검 위치 별 실시간 와전류 탐상 검사 신호를 모니터링할 수 있다. 모델구현부(400)는 증기 발생기 모델에서 와전류 탐상 검사 시 코일에 가해지는 전압을 실시간으로 확인할 수 있다.
모델구현부(400)는 구현한 증기 발생기에서 와전류 탐상 검사를 통해 취득되는 임피던스 신호를 실시간 스트립 차트(Strip Chart) 형식으로 나타낼 수 있다.
스트립 차트에는 증기 발생기 구조물의 위치가 표시될 수 있으며, 사용자가 직접 다양한 주파수를 설정할 수 있다. 스트립 차트에는 위상차, 결함 백분율, 전압, 해당 검사대상 전열관의 위치 등을 나타낼 수 있다.
모델구현부(400)는 구현한 증기 발생기에서 와전류 탐상 검사를 통하여 취득되는 임피던스 신호에 대해 일정 시간 동안의 임피던스 다이어그램을 확인할 수 있다.
임피던스 다이어그램은 다양한 주파수에서 확인할 수 있으며 각 주파수는 사용자가 직접 설정할 수 있다. 임피던스 다이어그램은 임의의 시간 동안의 위상차, 결함 백분율, 전압, 해당 검사대상 전열관의 위치를 표시할 수 있고, 위상차, 결함 백분율, 전압의 표준 값 정보를 설정할 수 있다. 임피던스 다이어그램은 Differential, Absolute 타입을 선택하여 출력할 수 있다. 임피던스 다이어그램을 축방향 리액턴스 변화량, 원주 방향 리액턴스 변화량으로 나타낼 수 있다. 와전류 탐상 검사들 통해 취득되는 임의의 두 주파수 임피던스 신호에 대해 주파수 Mixing을 통해 새로운 채널 신호를 출력할 수 있다.
모델구현부(400)는 구현한 증기 발생기에서 증기 발생기 전열관의 관막음 상태를 실시간으로 표시하고, 전체 전열관 수 대비 관막음율을 가시화할 수 있다. 전열관의 관막음 상태룰 대상으로 과거 검사 이력 데이터와 관막음 실시 전까지의 검사데이터에 기반한 잔여 수명을 예측할 수 있다.
모델구현부(400)는 구현한 증기 발생기에서 전열관 두께비 10% 이하의 결함에 대한 백분율 증가비를 분석한 결함성장예측을 나타낼 수 있고, 증기 발생기 2차측 육안 검사 실시에서 특이 전열관에 대한 위치 별 육안 검사 이력을 관리할 수 있다.
이하, 도 4를 참조하여 본 발명의 다른 일 실시 예에 따른 증기 발생기 전열관 검사 방법을 구체적으로 설명하기로 한다.
도 4는 본 발명의 일 실시 예에 따른 증기 발생기 전열관 검사 방법을 설명하기 위한 순서도이다.
이하에서는 도 1의 증기 발생기 전열관 검사 장치가 도 4의 프로세스를 수행하는 것을 가정한다.
먼저, 데이터취득부(100)는 증기 발생기 전열관의 와전류 탐상 검사(ECT) 데이터를 취득할 수 있는 것으로, 전열관의 와전류 탐상 검사 데이터를 취득하는 과정에서 전열관의 손상 상태 여부를 나타내는 임피던스 데이터를 실시간으로 수집할 수 있다(S110).
이어서, 데이터베이스(200)는 데이터취득부(100)와 인터페이스를 통하여 연동되어 빅데이터를 저장 및 가공할 수 있으며, 실시간으로 수집되는 플랜트(Plant) 운영 데이터, 전열관 와전류 탐상 검사 데이터, 분석 기술자들에 의해 분석된 분석데이터를 데이터베이스화하고, 기존에 저장된 데이터인 Legacy 데이터를 컨버팅(Converting)하여 통합 데이터베이스를 구축할 수 있다(S120).
이어서, 통합 데이터베이스에 구축된 데이터들을 전열관 상태 평가, 전열관 수명 예측 등을 위한 입력 데이터로 활용할 수 있는 것으로, 자동평가부(300)는 딥러닝 기반의 빅데이터 분석 알고리즘을 탑재하고, 전열관의 손상 여부를 평가할 수 있다(S130).
이어서, 모델구현부(400)는 증기 발생기를 가상의 3차원 모델로 구현할 수 있으며, 증기 발생기의 전열관 상태를 실시간으로 모니터링하기 위한 디지털 트윈을 기반으로 가상화된 증기 발생기를 구현하여, 증기 발생기 디지털 트윈에서 증기 발생기의 평면도와 측면도를 통해 현재 전열관의 상태를 효과적으로 확인할 수 있고, 운영 정보, 검사 데이터 및 분석 데이터를 기반으로 전열관의 잔여 수명을 예측할 수 있다(S140).
이상에서 설명한 바와 같이 본 발명에 따르면 AI, 디지털 트윈 기반의 원전 증기 발생기 전열관 와전류 탐상 검사 자동 평가 시스템을 활용함으로써 기존 평가자의 경험과 감각에 의한 판정 오류를 예방하여 평가의 신뢰성을 향상시키고 검사와 동시에 실시간 평가가 이루어지므로 평가 시간을 단축할 수 있고, 기존 Rule 기반의 자동 평가 프로그램이 가진 한계성으로 인하여 복잡한 신호에 대한 판정 오류로 평가 신뢰성이 낮은 문제점을 AI 기반의 자동 평가 프로그램으로 결함 판정의 신뢰성을 확보할 수 있고, 기존 평가 시스템의 빅데이터 확장성 및 활용성의 한계로 인하여 평가 신뢰성이 낮은 문제점을 AI 기반의 자동 평가를 위한 빅데이터 플랫폼을 구축함으로써 빅데이터 기반의 딥러닝으로 증기 발생기 전열관의 건전성을 효율적으로 관리할 수 있으며, 디지털 트윈 기반의 가상화된 모델을 통하여 증기 발생기의 수명 예측, 손상 원인을 정확히 분석하여 최적의 정비관리 및 설비관리가 이루어질 수 있도록 종합적인 정보를 운영자에게 제공함으로써 원전의 안정적인 운영에 기여할 수 있다.
본 문서의 다양한 실시 예들은 기기(machine) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리 또는 외장 메모리)에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램)로서 구현될 수 있다. 예를 들면, 기기는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다.
기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어를 통해 또는 두 개의 사용자 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다.
다양한 실시 예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다.
대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다.
다양한 실시 예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
이상에서 설명한 바와 같이 본 기술은 인공지능(AI) 및 빅데이터 기반의 디지털 트윈 플랫폼을 구축하여 증기 발생기의 전열관 와전류 검사 데이터의 체계적인 수집과 평가가 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (20)
- 증기 발생기 전열관 검사 데이터를 취득하는 데이터취득부;
상기 데이터 취득부와 연동하여 빅데이터를 저장 및 가공하는 데이터베이스;
빅데이터 분석 알고리즘 기반으로 상기 증기 발생기 전열관 손상 여부를 평가하는 자동평가부; 및
상기 증기 발생기를 가상의 3차원 가시화하는 모델구현부
를 포함하고,
상기 모델구현부는, 상기 증기 발생기 전열관 상태를 실시간으로 모니터링하기 위한 디지털 트윈을 기반으로 가상화된 증기 발생기 모델, 전열관 운영 정보, 전열관 검사 데이터를 제공하고,
상기 가상화된 증기 발생기 모델에서 상기 증기 발생기의 평면도와 측면도를 통해 점검 위치 별 실시간 와전류 탐상 검사 신호가 모니터링되도록 제공하고, 증기 발생기 모델에서 와전류 탐상 검사 시 코일에 가해지는 전압이 실시간으로 확인되고, 증기 발생기 모델에서 와전류 탐상 검사를 통해 취득되는 임피던스 신호를 실시간 스트립 차트 형식으로 나타내며, 상기 전열관 운영 정보 및 상기 전열관 검사 데이터를 기반으로 잔여 수명을 예측하는 것을 특징으로 하는 증기 발생기 전열관 검사 장치. - 청구항 1에 있어서, 상기 데이터취득부는,
상기 증기 발생기 전열관의 와전류 탐상 검사를 수행하는 것을 특징으로 하는 증기 발생기 전열관 검사 장치. - 청구항 2에 있어서, 상기 데이터취득부는,
상기 증기 발생기 전열관의 손상 상태를 나타내는 와전류 탐상 검사 데이터를 실시간으로 수집하는 것을 특징으로 하는 증기 발생기 전열관 검사 장치. - 청구항 1에 있어서, 상기 데이터베이스는,
상기 증기 발생기 전열관의 와전류 탐상 검사 데이터를 실시간으로 수집하여 저장하는 것을 특징으로 하는 증기 발생기 전열관 검사 장치. - 청구항 1에 있어서, 상기 자동평가부는,
딥러닝 기반의 특징 추출 모듈을 이용하여 상기 증기 발생기 전열관 손상 여부를 평가하는 데이터를 추출하는 것을 특징으로 하는 증기 발생기 전열관 검사 장치. - 청구항 5에 있어서, 상기 자동평가부는,
곱측도이론을 이용한 특징 추출, 일반우세지수 이론을 이용한 특징 추출, Genetic 알고리즘을 이용한 특징 추출 또는 상대가중치이론을 이용한 특징 추출을 기반으로 딥러닝 기반의 특징 추출을 수행하는 것을 특징으로 하는 증기 발생기 전열관 검사 장치. - 청구항 6에 있어서, 상기 자동평가부는,
상기 딥러닝 기반의 특징 추출 수행으로 상기 증기 발생기 전열관의 위험도를 정량화하는 것을 특징으로 하는 증기 발생기 전열관 검사 장치. - 청구항 7에 있어서, 상기 자동평가부는,
상기 증기 발생기 전열관의 위치별 위험도를 가시화하는 것을 특징으로 하는 증기 발생기 전열관 검사 장치. - 삭제
- 삭제
- 데이터취득부에서 증기 발생기 전열관 검사 데이터를 취득하는 단계;
상기 데이터 취득부와 연동하여 데이터베이스에서 빅데이터를 저장 및 가공하는 단계;
빅데이터 분석 알고리즘 기반으로 자동평가부에서 상기 증기 발생기 전열관 손상 여부를 평가하는 단계; 및
모델구현부에서 상기 증기 발생기를 가상의 3차원 모델로 가시화하는 단계
를 포함하고,
상기 모델구현부에서 상기 증기 발생기를 가상의 3차원 모델로 가시화하는 단계는, 상기 증기 발생기 전열관 상태를 실시간으로 모니터링 하기 위한 디지털 트윈을 기반으로 가상화된 증기 발생기 모델, 전열관 운영 정보, 전열관 검사 데이터를 제공하는 단계를 포함하고, 상기 가상화된 증기 발생기 모델에서 상기 증기 발생기의 평면도와 측면도를 통해 점검 위치 별 실시간 와전류 탐상 검사 신호가 모니터링되도록 제공하고, 상기 증기 발생기 모델에서 와전류 탐상 검사 시 코일에 가해지는 전압이 실시간으로 확인되는 단계, 상기 증기 발생기 모델에서 와전류 탐상 검사를 통해 취득되는 임피던스 신호를 실시간 스트립 차트 형식으로 나타내는 단계, 상기 전열관 운영 정보 및 상기 전열관 검사 데이터를 기반으로 잔여 수명을 예측하는 단계를 포함하는 것을 특징으로 하는 증기 발생기 전열관 검사 방법. - 청구항 11에 있어서, 상기 데이터취득부에서 증기 발생기 전열관 검사 데이터를 취득하는 단계는,
상기 증기 발생기 전열관의 와전류 탐상 검사를 수행하는 단계를 포함하는 것을 특징으로 하는 증기 발생기 전열관 검사 방법. - 청구항 12에 있어서, 상기 데이터취득부에서 증기 발생기 전열관 검사 데이터를 취득하는 단계는,
상기 증기 발생기 전열관의 손상 상태를 나타내는 와전류 탐상 검사 데이터를 실시간으로 수집하는 단계를 포함하는 것을 특징으로 하는 증기 발생기 전열관 검사 방법. - 청구항 11에 있어서, 상기 데이터 취득부와 연동하여 데이터베이스에서 빅데이터를 저장 및 가공하는 단계는,
상기 증기 발생기 전열관의 와전류 탐상 검사 데이터를 실시간으로 수집하여 저장하는 단계를 포함하는 것을 특징으로 하는 증기 발생기 전열관 검사 방법. - 청구항 11에 있어서, 상기 빅데이터 분석 알고리즘 기반으로 자동평가부에서 상기 증기 발생기 전열관 손상 여부를 평가하는 단계는,
딥러닝 기반의 특징 추출 모듈을 이용하여 상기 증기 발생기 전열관 손상 여부를 평가하는 데이터를 추출하는 단계를 포함하는 것을 특징으로 하는 증기 발생기 전열관 검사 방법. - 청구항 15에 있어서, 상기 빅데이터 분석 알고리즘 기반으로 자동평가부에서 상기 증기 발생기 전열관 손상 여부를 평가하는 단계는,
곱측도이론을 이용한 특징 추출, 일반우세지수 이론을 이용한 특징 추출, Genetic 알고리즘을 이용한 특징 추출 또는 상대가중치이론을 이용한 특징 추출을 기반으로 딥러닝 기반의 특징 추출을 수행하는 단계를 포함하는 것을 특징으로 하는 증기 발생기 전열관 검사 방법. - 청구항 16에 있어서, 상기 빅데이터 분석 알고리즘 기반으로 자동평가부에서 상기 증기 발생기 전열관 손상 여부를 평가하는 단계는,
상기 딥러닝 기반의 특징 추출 수행으로 상기 증기 발생기 전열관의 위험도를 정량화하는 단계를 포함하는 것을 특징으로 하는 증기 발생기 전열관 검사 방법. - 청구항 17에 있어서, 상기 빅데이터 분석 알고리즘 기반으로 자동평가부에서 상기 증기 발생기 전열관 손상 여부를 평가하는 단계는,
상기 증기 발생기 전열관의 위치별 위험도를 가시화하는 단계를 포함하는 것을 특징으로 하는 증기 발생기 전열관 검사 방법. - 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220049674A KR102517036B1 (ko) | 2022-04-21 | 2022-04-21 | 증기 발생기 전열관 검사 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220049674A KR102517036B1 (ko) | 2022-04-21 | 2022-04-21 | 증기 발생기 전열관 검사 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102517036B1 true KR102517036B1 (ko) | 2023-04-04 |
Family
ID=85929114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220049674A KR102517036B1 (ko) | 2022-04-21 | 2022-04-21 | 증기 발생기 전열관 검사 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102517036B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100562358B1 (ko) * | 2005-07-20 | 2006-03-20 | 한국원자력연구소 | 열교환기의 전열관 상태 검출 장치 및 그 방법 |
| JP2021011992A (ja) * | 2019-07-09 | 2021-02-04 | 株式会社日立製作所 | ボイラチューブリーク早期検知システム及びその方法 |
| KR20210085559A (ko) * | 2019-12-30 | 2021-07-08 | 울산과학기술원 | 빅데이터 기반 증기발생기 전열관 파단 예측 및 수명 관리시스템 |
| KR20210119596A (ko) * | 2020-03-24 | 2021-10-06 | 주식회사 이앤씨코리아 | 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템 |
-
2022
- 2022-04-21 KR KR1020220049674A patent/KR102517036B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100562358B1 (ko) * | 2005-07-20 | 2006-03-20 | 한국원자력연구소 | 열교환기의 전열관 상태 검출 장치 및 그 방법 |
| JP2021011992A (ja) * | 2019-07-09 | 2021-02-04 | 株式会社日立製作所 | ボイラチューブリーク早期検知システム及びその方法 |
| KR20210085559A (ko) * | 2019-12-30 | 2021-07-08 | 울산과학기술원 | 빅데이터 기반 증기발생기 전열관 파단 예측 및 수명 관리시스템 |
| KR20210119596A (ko) * | 2020-03-24 | 2021-10-06 | 주식회사 이앤씨코리아 | 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6949060B2 (ja) | パイプライン、圧力容器及び配管系の水素誘起割れ（ｈｉｃ）の迅速な予測ならびにそれに関する処置をとるためのシステムと方法 | |
| EP0358994B1 (en) | Corrosion-erosion trend monitoring and diagnostic system | |
| Hashemian | State-of-the-art predictive maintenance techniques | |
| US20140229149A1 (en) | Probabilistic modeling and sizing of embedded flaws in ultrasonic nondestructive inspections for fatigue damage prognostics and structural integrity assessment | |
| CA2477968C (en) | Method for assessing the integrity of a structure | |
| Bond et al. | Prognostics and life beyond 60 years for nuclear power plants | |
| NO20131001A1 (no) | Fortolkningssystem for rørskade | |
| JP7230958B2 (ja) | 配管診断装置、配管診断方法、及びプログラム | |
| Reinertsen | Residual life of technical systems; diagnosis, prediction and life extension | |
| KR20160055020A (ko) | 데이터 정형화 처리기 및 실시간 제어 분석기를 이용한 사고 회복 방법 및 사고 회복 장치 | |
| Povarov et al. | Data support system for controlling decentralised nuclear power industry facilities through uninterruptible condition monitoring | |
| Nobakhti et al. | Dynamic reliability assessment of a complex recovery system using fault tree, fuzzy inference and discrete event simulation | |
| KR102517036B1 (ko) | 증기 발생기 전열관 검사 장치 및 방법 | |
| CN110119759B (zh) | 一种基于增益张量的高温承压元件红外图像监测方法 | |
| Al Rashdan et al. | Development of a Technology Roadmap for Online Monitoring of Nuclear Power Plants | |
| WO2018155536A1 (ja) | 位置決定装置、それを備えた位置決定システム、及び位置決定方法並びに位置決定プログラム | |
| CN206656749U (zh) | 火电厂传感器故障诊断*** | |
| KR101387968B1 (ko) | 상태분석 룰 기반 플랜트 필드 데이터 상태분석 방법 | |
| KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
| JP2024507920A (ja) | 原子炉炉内構造物の状態を継続的に監視するためのシステムおよび方法 | |
| Riahi et al. | Differentiation of leakage and corrosion signals in acoustic emission testing of aboveground storage tank floors with artificial neural networks | |
| KR102195266B1 (ko) | 음향신호를 이용한 플랜트 설비의 결함 진단 방법 | |
| RU2574578C2 (ru) | Система многопараметрического непрерывного мониторинга эксплуатационной повреждаемости оборудования атомной электростанции | |
| Milazzo et al. | Estimation of the Equipment Residual Lifetime in Major Hazard Industries by Using a Virtual Sensor | |
| Savić et al. | Business intelligence in managing of technical-information system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |