지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김성신
- 발행연도
- 2022
- 저작권
- 부산대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
원자력발전소(이하 원전)는 수많은 설비로 이루어진 복잡한 시스템이므로 다양한 비정상 상황이 발생할 수 있다. 이에 따라 원전조종사가 이상 상황을 빠르게 진단하고 조치할 수 있도록 지원하는 기술이 원전 안전성을 높이는 데 필요하다. 본 연구는 현장 데이터의 이상(Anomaly) 탐지를 위해 마할라노비스 거리를 활용하고, 이상으로 분류된 데이터를 랜덤포레스트를 이용하여 이상 분류를 할 수 있음을 보임으로써 실제 적용 가능성을 확인하였다. 데이터는 1년 동안 실제 원전의 출력 관련 데이터 12개 변수를 1분 간격으로 취득한 PI 신호를 사용하며, 동적인 특성을 반영하기 위해 각 변수의 이전값과의 차이를 입력으로 추가하였다. 또한, 설비 운전 가능성을 확인하기 위한 시험이 여러 시간에 걸쳐 수행되는 구간을 따로 분류하기 위해 테스트 인자를 추가하였다. 직관적이며 가우시안 분포를 가정하지 않아도 되는 거리기반 알고리즘을 활용하였기에, 데이터 라벨링이 쉽고 출력변화에도 적용할 수 있다. 주기적인 시험과 실제 기기 비정상 동작에 따른 이상의 패턴을 DB화하여, 학습하지 않은 기간에서도 이상 분류가 가능함을 확인하였고, 랜덤포레스트에 의해 분류된 결과를 기여도 분석을 통해 분석함으로써 신뢰성을 더하였다. 이와 같은 연구 결과를 통해 원전 운전 측면에서 기계학습이 적용 가능한 부분과 한계점을 확인하였고 앞으로의 연구 방향에 참고자료로써 활용할 수 있을 것으로 판단한다.
목차
Ⅰ. 서론1. 연구 배경과 목적 12. 기존의 연구 동향 23. 논문의 구성 4Ⅱ. 이론적 배경1. 마할라노비스 거리 62. 랜덤포레스트 83. SVM 104. XGBoost 12Ⅲ. 대상시스템 및 데이터1. 원자력발전 개요 142. 실험 데이터 설명 153. 이상 분류 유형 17가. 계측기 이상 19나. 제어봉 변동 20다. 충전펌프 시험 21라. 터빈밸브 시험 22마. 이상 진단 결론 23Ⅳ. 실험 및 결과1. 실험 계획 24가. 데이터 구성 24나. 제안모델의 구성 25다. 마할라노비스 거리 문턱값 설정 26라. 랜덤포레스트 및 비교 모델 구현 282. 실험 결과 29가. 마할라노비스 거리 적용 결과 29나. 랜덤포레스트 및 비교 모델 적용 결과 30다. 테스트 인자 추가 34라. 이상 진단 결과 37Ⅴ. 결론 및 향후 과제1. 결론 422. 향후 과제 43< 참고 문헌 > 44< 부 록 > 48
최근 본 자료
댓글(0)
0