In a complex and large-scale systems such as nuclear power plants which are strongly nonlinear systems, signal validation is very important for proper plant surveillance, control, and safe operation. Especially, it is very difficult to locate the fault(s) origin when there is influx of abnormal signals because abnormal states in the plant are often detected at devices other than at the failed device (fault origin).
A number of useful techniques for the automated fault diagnosis have been suggested[1-38], but there are some problems for the real application which are limited detection capability in case of model-based fault diagnosis[28,35], required large historical data treatment for the exact diagnosis in artificial neural networks(ANNs)-based diagnosis[6,8-10,12,15], and exact rule-derivation problem for signed directed graphs(SDGs)-based fault diagnosis[7,11,13,17].
In this study, by employing the merits of the existing ANN- and SDG- based fault diagnosis and adding a new concept, a method is proposed to overcome the typical drawbacks as described above. The SDG used here involves the feedback and feedforward control loops, adopts newly fault propagation time on each branch for faults diagnosis under a transient case, and was also modified to make possible the diagnosis of the troubled pipes such as broken, leaking, or throttled pipes by treating the troubled pipes as new source nodes.
Also, the large-scale system is divided into several subsystems and a neural network is incorporated on each subsystem basis for the on-line fault diagnosis. A method for extracting data for the subsystem diagnosis from the SDG is also presented. The value of each node of the SDG changes automatically according to various operation conditions through the system structure identifier which classifies the characteristics of the system into several operating patterns. The method in this study also applies for diagnosis in the transient cases as well as in the steady-state cases using the fault propagation time on the SDG.
The method proposed in this work is shown to be capable of diagnosing the incipient faults of a large-scale system efficiently. Some of the merits of the method are as follows:(1) It is capable of incipient faults diagnosis of large scale systems in real time because the fault diagnosis of a large-scale system is performed by the diagnosis of subsystems using the distributed artificial neural networks, (2) By virtue of use of the physical fault model of the SDG, the result of the fault diagnosis can be explained in a highly reliable manner, (3) The method shows practical applicability because the fault diagnosis is performed not only in steady-state but also in transient state cases, (4) The method can diagnose the faults of the pipe damage such as leakage, brokage, or throttled state, and (5) The method has tolerance to the noise of sensors and can diagnose the multi-faults, which is due to the inherent characteristics of ANN. In case of Uncertain fault propagation time, a fuzzy concept is used to calculate each uncertain FPT within a SDG model. It is possible that the spurious faults have the same pattern as the real faults of other nodes. In this case, the faults are not deleted from the declared fault set and can be detected as real faults inadvertently. The method should be extended in the future to be capable of finding real faults among spurious faults.
I have presented several applications such as multiple alarm filtering, pump system diagnosis, and the diagnosis of the pressurizer and its related subsystems to show the efficiency and applicability of the proposed method.
Their results are reported to show satisfactory performance of the method for the incipient multiple fault diagnosis of such a large-scale system in a real-time manner.
원자력 발전소와 같은 복잡한 대규모의 시스템은 대개 시변, 비선형 시스템이다. 이러한 시스템에서의 신호의 검증 및 진단은 플랜트의 감독과 제어 및 안전한 운전을 위하여 매우 중요하다. 하나의 좋은 예로, 고장에 의한 짧은 시간 내에 수십 개의 경보들이 발생하는 원자력 발전소를 들 수 있다. 이때 비정상적인 신호의 흐름이 디바이스들에서 감지된다. 플랜트 내의 이런 비정상적인 상태들은 고장원인이 되는 디바이스에서 감지되는 것보다는 영향을 받은 다른 디바이스들에서 종종 감지된다. 이 때문에 대규모 시스템에서 동시 다발적 증상을 갖는 비정상 상태의 원인 진단이 매우 어렵다. 지금까지 자동화된 고장진단에 관한 여러 가지 방법들이 연구되어 왔다 [1-11]. 그러나 기존의 방법들을 실제 플랜트에 응용하는 데는 몇 가지 제약점이 있다. 첫째, 모델기반 진단방법에서의 모델링 오차와 계산상의 부하로 인한 제한된 감지 능력을 들 수 있다[10]. 둘째, 규칙 기반 고장진단 방법에서는 엉뚱한(spurious) 해답들을 피하고, 보다 정확한 진단을 위한 진단 규칙 유도 문제가 있다[2,6,8,9]. 셋째, ANN(Artificial Neural Network)기반 고장 진단의 경우 진단된 결과들에 대한 설명기능("어떻게", "왜"에 대한 기능)이 없고 많은 통계학적 데이타 처리가 요구된다는 것이다[1,3,4,7]. 이들 대부분의 고장진단 방법에 관한 논문들에서는 하나의 고장의 경우와 하나의 동작 조건 및 정상상태(steady-state) 조건을 기본 전제로 하고 있는 데 주목이 된다. 본 논문에서는 feedback과 feedforward 제어루프들과 각 가지(branch) 들의 고장전파시간을 갖는 방향성선도들(SDGs)과 ANN의 비선형 사상, 분류, 병렬처리의 기능과 불필요한 고장들을 제거하기 위한 공정지식 기반 시스템을 이용한 새로운 접근 방법을 제안한다. 이 논문에서 제안된 방법은 실제 플랜트 환경에서 접할 수 있는 여러 문제들을 해결할 수 있을 것이다. 이를 위하여 고장진단용 플랜트 모델을 정성적 기법인 SDG모델에 고장전파 시간개념을 도입하여 정상 상태뿐만 아니라 비정상 상태(천이상태)에서도 진단이 가능하도록 고장진단용 데이타 축출 기법을 제시하고 대규모 시스템을 보다 작은 여러 개의 부 시스템으로 나누어 각 부시스템별 진단을 위해 ANN을 도입, 전체적으로 계층구조로서 실시간 진단 및 다중고장진단을 가능케 하였다. 또한 부시스템 간의 물리적 영향으로 발생할 수 있는 불필요한 고장 (spurious fault)을 부시스템간의 물리적 연계 관계와 고장 발생시간 정보를 이용하여 제거하는 기법을 도입했다. 비감독 학습 알고리즘을 이용하여 플랜트 운전 영역을 자동 식별하여 전 운전 영역에서도 적용가능토록 하였다. 이렇게 개발된 방법을 다중경보처리, 화학 플랜트의 펌프시스템, 고리2호기의 가압기 진단에 적용하여 보았으며, 또한 고장난 파이프진단 가능성도 보여 주었다. 그러나, 제거된 spurious fault 가 다른 절점들(nodes)의 실제 고장들과 같은 패턴을 가질 수 있다. 이 경우 spurious fault 와 같은 패턴을 갖는, 실제고장 가능성 있는 절점(들)도 우연히 각 부시스템으로부터 진단된 고장들의 집합에서 제거될 가능성이 있다. 앞으로 이와 같은 spurious faults들 가운데서 같은 패턴을 갖는 실제 고장들을 찾는 방법을 더 연구해야 하며 실제 발전소 고장 데이타를 이용 본 진단기법의 효율성을 더 검증할 필요가 있다 하겠다.