원전 계측 신호 오류 식별 알고리즘 개발

국문 초록 (Abstract)

본 논문에서는 원전 비상 상황 발생 시 다수의 신호 오류가 발생했을 때 어떤 신호에 오류가 발생했는지를 추정하는 신호 오류 식별 (Fault identification) 방법론을 개발하였다. 변분 오토인코더 (Variational autoencoder; VAE) 기반 모델은 기존의 이상 탐지 방법론과 같이 정상 신호 데이터만을 이용하여 훈련이 진행되며, 이후 각 신호에 대한 복원 오차 (Reconstruction error)와 복원 오차를 입력의 특정 부분으로 미분한 값을 이용하여 어떤 부분에 오류가 포함되어 있는지를 예측한다. 데이터 취득을 위하여 시뮬레이션을 수행하였으며, 일련의 실험으로부터 제시한 신호 오류 식별 방법이 적절한 오차 범위 내에서 오류가 발생한 신호를 특정할 수 있음을 확인하였다.

다국어 초록 (Multilingual Abstract)

In this paper, the author proposed a nuclear power plant (NPP) instrumentation signal faults identification algorithm. A variational autoencoder (VAE)-based model is trained by using only normal dataset as same as existing anomaly detection method, and trained model predicts which signal within the entire signal set is anomalous. Classification of anomalous signals is performed based on the reconstruction error for each kind of signal and partial derivatives of reconstruction error with respect to the specific part of an input. Simulation was conducted to acquire the data for the experiments. Through the experiments, it was identified that the proposed signal fault identification method can specify the anomalous signals within acceptable range of error.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 배경
• 3. 변분 오토인코더 기반 신호 오류 식별방법론
• 4. 실험
• 5. 결론
• References

참고문헌 (Reference)

1 미나르 마드올 라흐만, "이미지를 사용한 가상의상착용을 위한 개선된 알고리즘" 한국산업정보학회 25 (25): 11-18, 2020

2 김성수, "순환 신경망 기술을 이용한 코스피 200 지수에 대한 예측 모델 개발 및 성능 분석 연구" 한국산업정보학회 22 (22): 23-29, 2017

3 김성수, "딥러닝을 활용한 자산분배 시스템" 한국산업정보학회 24 (24): 23-30, 2019

4 An, J. W., "Variational autoencoder based anomaly detection using reconstruction probability, Special Lecture on IE" 2 : 1-18, 2015

5 Hines, J. W., "Use of autoassociative neural networks for signal validation" 21 : 143-154, 1998

6 No, Y. G., "Smart-sensing of the aux. feed-water pump performance in NPP severe accidents using advanced GMDH method" 2016

7 Lim, D. H., "Smart soft-sensing for the feedwater flowrate at PWRs using a GMDH algorithm" 57 (57): 340-347, 2010

8 Shaheryar, A., "Selection of optimal denoising-based regularization hyper-parameters for performance improvement in a sensor validation model" 50 (50): 341-382, 2018

9 김승근, "PREDICTION OF SEVERE ACCIDENT OCCURRENCE TIME USING SUPPORT VECTOR MACHINES" 한국원자력학회 47 (47): 74-84, 2015

10 Goodfellow, I. J., "Generative adversarial nets" 2014

11 양준언, "Fukushima Dai-Ichi Accident: Lessons Learned and Future Actions from the Risk Perspectives" 한국원자력학회 46 (46): 27-38, 2014

12 No, Y. G., "Development of a prediction method for SAMG entry time in NPPs using the extended group method of data handling(GMDH)model" 121 : 552-556, 2018

13 Kim, S. G., "Development of a generative –adversarial – network - based signal reconstruction method for nuclear power plants" 142 : 107410-, 2020

14 Na, M. G., "Detection and diagnostics of loss of coolant accident using support vector machines" 55 (55): 628-636, 2008

15 Nair, A. M., "Bayesian inference for high confidence signal validation and sensor calibration assessment" 1688-1697, 2017

16 Kingma, D. P., "Auto-encoding variational Bayes, arXiv:1312.6114 [stat]"

17 Korea Atomic Energy Research Institute, "Advanced Compact Nuclear Simulator Textbook" Nuclear Training Center in Korea Atomic Energy Research Institute 1990

18 Kingma, D. P., "Adam: a method for stochastic optimization, arXiv:1412.6980v9 [cs.LG]"

19 Fantoni, P. F., "A neuro-fuzzy model applied to full range signal validation of PWR nuclear power plant data" 29 (29): 305-320, 2000

20 Shaheryar, A., "A Denoising based autoassociative model for robust sensor monitoring in nuclear power plants" 2016