In order to assist operators in effectively maintaining plant safety and to enhance plant availability, the need to develop operator support systems is growing to increase. The application of both expert system and neural network technologies to the operator support has the potential to increase the performance of these systems.
A prototype integrated operator support system, called NSSS-DS, has been developed for multiple alarm processing, plant trip diagnosis, and the failure diagnosis of three main systems (a rod control system, reactor coolant pumps (RCPs) and a pressurizer) in the primary side of the Kori-2 nuclear power plant. This system diagnoses system malfunction quickly and offers appropriate guidance to operators. The system uses rule-based deduction with certainty factor operation. Diagnosis is performed using an establish-refine inference strategy. This strategy is to match a set of symptoms with a specific malfunction hypothesis in a predetermined structure of possible hypotheses. The diagnostic symptoms include alarms, indication lamps, parameter values and valve lineup that can be acquired at a main control room.
The overall plant-wide diagnosis is performed at the main control part which can process multiple alarms and diagnose possible failure modes and failed systems in the plant. The method of alarm processing is the object-oriented approach in which each alarm can be represented as an active data element, an object. The alarm processing is performed using alarm processing meta rules and alarm processing frames. Also, the diagnosis of a plant trip can be performed at the main control part. The specific diagnosis of the three main systems can be performed followed by the diagnostic results of the main control part. The system also provides follow-up treatments to the operators. The application to these systems is described from the point of view of diagnostic strategies.
For the applications of the neural network technology, two feasibility studies on pattern recognition problems in nuclear power plants have been performed. One is transient identification and the other is multiple alarm processing and diagnosis. The backpropagation network (BPN) training algorithm is applied to both of the two studies. The general mapping capability of the neural networks enables to identify a transient or an alarm's fault well.
The transient identification is performed by mapping or associating patterns of symptom input vectors to patterns representing transient conditions. In the implemented network, an input layer consists of 24 sensor input nodes, a hidden layer consists of 17 nodes, and an output layer consists of 14-class transient identification nodes. The input values are various parameter trends (increasing/unchanging/decreasing), valve states (open/closed), pump states (operating/stop) and alarm data (on/off).
The multiple alarm processing and diagnosis is performed by training multiple alarm patterns for the diagnosis of faults in the RCP system. In the implemented network, an input layer consists of 9-class fault identification nodes.
A number of case studies are performed with emphasis on the applicability of the neural networks to the pattern recognition problems. Based on the case studies, it is revealed that the BPN training algorithm can identify the transient or the alarm's fault well, although untrained, incomplete, sensor-failed, or time-varying symptoms are given. Also, multiple transients or alarm's faults are easily identified with a given symptom input vector.
원자력발전소의 이용율 향상과 안전을 위해 컴퓨터를 이용한 운전원 지원시스템 (Operator Support System)의 필요성이 점차 대두되고 있다. 특히 1979년 미국의 Three Mile Island 원전 사고 이후, 전 세계적으로 인공지능(Artificial Intelligence)의 한 분야인 전문가 시스템(Expert System) 구축 방법을 운전원 지원시스템 개발에 적용하여 왔다. 그리고 최근에는 인공 신경회로망(Artificial Neural Network) 적용 방법의 가능성 연구들이 활발하게 진행되고 있는 추세이다.
전문가시스템은 전문가의 지식을 컴퓨터를 이용하여 지식을 체계적으로 구축하여 추론 (Inference)을 통해서 정보나 해를 얻을 수 있는 시스템을 말한다. 인공 신경회로망은 인간의 두뇌 작용을 컴퓨터로 모사 (Biological Simulation)한 것을 말하며 생물학적 뉴런 (Neuron)의 기능과 유사한 성능을 나타낸다.
따라서 본 논문에서는, 원자력발전소를 대상으로 운전원 지원 시스템 구축에 새로운 방법인 전문가시스템과 신경회로망 적용 가능성에 대해 연구하였다.
전문가시스템 적용으로, 고리2호기 원전을 대상으로 경보처리 (Alarm Processing), 트립진단(Trip Diagnosis)을 할 수 있고, 제어봉 제어 (Rod Control), 냉각재펌프 (Reactor Coolant Pump) 및 가압기(Pressurizer) 계통들을 대상으로 고장진단을 할 수 있는 시스템인 NSSSDS를 개발하였다. NSSS-DS는 IBM 호환성 PC에서 수행되며 PROLOG언어와 C언어로 구축하였다.
경보처리는 다중 경보(Multiple Alarms)들이 발생시 원인 경보 (Causal Alarm)와 가능한 고장유형 및 고장계통들을 운전원에게 알려줄 수 있다. 다중 경보들의 우선 순위 (Prioritization) 처리는 전반적인 발전소 열평형 관련 경보 (Global Alarms)들에 대한 방법과 단일 계통내 경보(Local Alarms)들에 대한 방법들로 수행된다. 이 시스템은 최종적으로 원인 경보에 대한 고장원인 및 조치사항들을 포함한 경보 지침(Alarm Guidance)을 운전원에게 알려 줄 수 있다.
트립 진단은 총 35개 트립경보들에 대해 고장원인 및 조치사항들을 운전원에게 알려줄 수 있도록 했다. 추론방법은 "Establish-Refine" 방법에 의해 효과적으로 지식베이스 (Knowledge Base)를 탐색할 수 있도록 했다. 추론과정에 있어서 불확실성 처리 (Uncertainty Management)는 전문가시스템 도구 (Tool)인 EMYCIN에서 유래한 확실도 인자(Certainty Factor) 방법을 사용하였다. 지식베이스는 각 가능한 고장유형들에 따라 계층적으로 세분화 시켰다.
계통 고장진단으로는 일차계통내에서 중추적인 역활을 하는 제어봉 제어, 냉각재펌프 및 가압기 계통들을 대상으로 해서, 이들 계통들이 고장 상태를 나타낼 때 가능한 고장원인, 비상조치 및 후속조치 사항들을 운전원 및 보수원에게 제공해서 빠른 시간내에 발전소를 정상 상태로 복귀시킬 수 있도록 했다. 그리고, 온라인(On-line) 고장진단의 예로서 냉각재펌프를 대상으로 온라인 진단시스템 구축방법에 대해 알아보았다.
본 연구에서는 아울러 위 개발 시스템들의 지식베이스들을 효과적으로 추론할 수 있는 Prototype 전문가시스템 쉘 (Expert System Shell)을 개발하였다. 이 쉘은 "Why" 기능, "How" 기능, 확실도 인자 처리 기능 등이 있다. 본 연구에서 간단한 지식베이스 운용 예를 보였다.
신경회로망 적용으로는 원자력발전소 과도현상 진단 (Transient Identification)과 다중 경보처리 및 진단(Multuple Alarm Processing and Diagnosis) 분야들에 대해 연구하였다. 이들 학습(Training) 과정은 신경회로망 모델 중 가장 많이 응용되는 역전파 학습 알고리즘 (Backpropagation Training Algorithm)을 사용하였다.
과도현상 진단은 각종 계측 계기 (Sensor Instruments)들의 상태들을 입력으로 하여 발전소 과도현상을 진단할 수 있도록 했다. 모두 24가지 계기 상태 (8가지 운전변수들의 추이 (Trend), 4가지 밸브들의 개폐 상태, 3가지 펌프들의 작동 여부 및 9가지 경보들의 발생여부)들을 입력으로 하고 14가지 가능한 과도현상들을 출력으로 하는 신경회로망(24x17x14 Network)을 구축하였다. 이 신경회로망을 RMS(Root Mean Square) 오차가 0.001로 감소 할 때 까지 학습을 시켰다. 학습된 신경회로망 실행(Recall) 결과, 학습되지 않은 증상, 고장 계측기값이 포함된 증상, 부족한 증상들에 대한 입력에도 이 신경회로망은 과도현상을 올바로 진단할 수 있음을 알았다. 또, 이 신경회로망은 다중 과도현상(Multiple Transients) 상태도 진단할 수 있고, 시간에 따라 변하는 증상들에 대한 입력에도 좋은 성능을 보임을 알 수 있었다.
다중 경보 처리 및 진단은, 냉각재펌프에 관련된 12가지 경보들을 대상으로 9가지의 가능한 원인 중 하나를 진단할 수 있도록 했다. 각 경보들과 고장원인들의 원인-인과 수목(Cause-Consequence Tree)으로 부터 모두 41가지의 가능한 경보 집합(Alarm Sets)들을 구성하여 이들을 신경회로망(12 $times; 8 $times; 9 Network) 학습 데이타 (Training Data)로 이용하였다. 학습된 신경회로망 실행 결과, 과도현상진단의 경우와 마찬가지로 학습되지 않은 증상, 고장 경보가 포함된 증상들에 대한 입력에도 이 신경회로망은 경보 발생 원인을 제대로 진단할 수 있음을 알았다. 또, 이 신경회로망은 다중 고장(Multiple Faults) 상태를 진단할 수 있었고, 시간에 따라 변하는 경보들 증상에도 좋은 성능을 보임을 알 수 있었다.
