In this thesis, a transient identification based on a novel stochastic approach with the hidden Markov model (HMM) has been evaluated experimentally for the classification of nine types of transients in nuclear power plants (NPPs). A transient is defined as when a plant proceeds to an abnormal state from a normal state. Identification of the types of transients during an early accident stage in NPPs is crucial for proper action selection. The transient can be identified by its unique time dependent patterns related to the principal pvariables. The HMM, a double stochastic process can be applied to transient identification which is a spatial and temporal classification problem under a statistical pattern recognition framework.
The trained HMM is created for each transient from a set of training data by the maximum-likelihood estimation method which uses a forward-backward algorithm and the Baum-Welch re-estimation algorithm. The transient identification is determined by calculating which model has the highest probability for given test data using the Viterbi algorithm. The training and test are collected from the real-time test simulator. Several experimental tests for the base model are performed, then the selected model is suggested and tested to verify its performance and robustness. For choosing a selected model, experimental tests have been performed with normalization methods, clustering algorithms, and a number of states in HMM. There are also several experimental tests including superimposing random noise, adding systematic error, and untrained transients using the selected model. The selected model is robust within 10% of random noise, the identification rates are quite dependent on the selection of systematic errors and the partial transients are classified as unknown transients. The improved model which are using heuristic training methods is proposed to improve identification accuracy.
The selected model and improved model have high classification accuracy compared with the other applications, it means the HMM-based identifier is a proper method for solving identification problems in the dynamic process. The main contribution of this thesis is the improvement to the concept of classification problems in a complex dynamic process by applying the HMM-based spatial and temporal identifier. The proposed transient identification system has lots of advantages, however, there are still a lot of problems that should be solved before application to an operating NPPs. Further efforts are being made to improve the system performance and robustness to demonstrate reliability and accuracy to the required level.
본 논문에서는 은닉 마르코프 모델을 이용하는 확률론적 접근에 기반한 사고분류기법을 원자력발전소의 사고진단에 적용하여 실험적으로 평가하였다. 원자력발전소와 같이 복잡한 시스템에서 사고상태를 조기에 진단하여 적절한 운전조치를 취하는 것이 필요하다. 원자력발전소에서 사고가 발생하면 주요변수 및 기기의 증상패턴에 따라 사고유형을 패턴으로 표시할 수 있으며, 이 패턴을 인식함으로써 사고의 종류를 진단할 수 있다. 따라서 확률론적 패턴인식체제 하에서 시간적인 특성과 공간적인 특성을 효과적으로 모델링할 수 있는 이중 확률 모델인 은닉 마르코프 모델을 적용할 수 있게 된다. 각 사고에 대해서 훈련에 의하여 하나의 모델이 생성되며, 훈련은 최대확률 파라메터 추정방법을 사용하는데, Forward-Backward 알고리즘과 Baum-Welch 재추정 알고리즘을 이용한다. 사고진단은 주어진 입력패턴에 대해서 가장 큰 확률 값을 가지는 모델로 결정하며, Viterbi 알고리즘으로 각 모델에 대해 최적의 경로를 구한 다음, 최적 경로에 따른 확률을 구한다. 훈련 및 시험용 데이터는 실시간 시험용 원자력발전소 시뮬레이터로부터 획득하였으며, 9가지의 사고를 진단하기 위하여 21개의 플랜트 변수를 사용하였다. 취득한 데이터는 정규화 및 벡터양자화되어 codebook 형태로 은닉 마르코프 모델에 제공된다. 초기모델에 대한 다양한 실험 결과를 이용하여 선택모델을 제시하였으며, 선택모델의 성능과 건전성을 입증하기 위한 실험이 수행되었다. 선택모델을 제시하기 위하여 정규화 방법, 벡터양자화 방법, 은닉 마르코프 모델의 상태의 수 변경 등에 대한 실험이 수행되었다. 선택모델에 대해서도 임의의 잡음 첨가, 체계적인 오류 추가, 훈련되지 않은 사고에 대한 실험이 수행되어, 10% 이내의 잡음에 대해서는 건전함을 보였으나, 체계적인 오류 추가 및 훈련되지 않은 사고에 대해서는 불안정함을 보였다. 선택모델의 인식률을 높이기 위한 수단으로 경험적 훈련방법을 사용한 모델을 제안하였으며 약간의 인식률이 향상되었다.
제안한 선택모델은 다른 방법론과 비교하여 높은 수준의 인식률을 보였으며, 이는 은닉 마르코프 모델 기반의 인식기가 다이나믹 프로세스의 인식문제를 해결하는 적절한 수단임을 보여준다. 본 논문은 은닉 마르코프모델 기반의 시간.공간적 인식기를 적용하여 복잡한 다이나믹 프로세스에서의 인식 문제 개념을 한단계 높인 것으로 평가된다. 제안한 사고진단시스템은 많은 장점에도 불구하고 실제 원자력발전소에 적용하기 위해서는 해결해야 할 많은 문제점이 있다. 앞으로 요구되는 수준의 신뢰도와 정확도를 보여주기 위한 성능과 건전성을 향상시키기 위한 노력이 요구된다.
