학습 기반 금속 이물질에 의한 충격신호 진위 판별 시스템 및 그 방법

이하, 상기한 바와 같은 구성을 가지는 본 발명에 의한 학습 기반 금속 이물질에 의한 충격신호 진위 판별 시스템 및 그 방법을 첨부된 도면을 참고하여 상세하게 설명한다.

더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.

상술한 바와 같이, 종래의 금속 이물질 감시 시스템을 통해서는, 원자로를 이루고 있는 다양한 복합 구조물들의 열팽창 불균형에 의한 열 충격신호와 원자로 내부에 존재하는 금속 이물질에 의한 충격신호를 구분할 수 없어, 구조물의 건전성에 영향이 없는 열 충격신호를 금속 이물질에 의한 충격신호로 추정하게 된다.

이러한 '거짓 신호'로 인해 부정확하고, 불필요한 경보 신호가 발생되는 것을 방지하기 위하여, 종래의 금속 이물질 감시 시스템은 추정된 충격신호에 대해서 후속 진단분석을 수행하게 되는데 이는 많은 시간이 소요되어, 신속한 진단 수행이 어려운 문제점이 있다. 특히, 방사선 노출 위험이 높은 원자로 특성상, 실시간에 가까운 신속 처리가 요구될 뿐 아니라, 결과에 대해서도 높은 정확성이 요구되는 바, 종래의 금속 이물질 감시 시스템을 통해서는, 금속 이물질에 의한 충격신호와 열 충격신호를 신속하게 구분하여, 금속 이물질에 의한 충격신호일 경우, 이에 대한 신속 경보를 제공할 수 있는 기술이 필요한 실정이다.

이러한 종래 기술의 문제점을 해결하기 위하여, 본 발명의 일 실시예에 따른 학습 기반 금속 이물질에 의한 충격신호 진위 판별 시스템 및 그 방법은, 학습 모델을 이용하여 감지된 진동 신호가 원자로 구조물에서 발생되는 열팽창 불균형에 의한 열 충격신호인지, 원자로 내부의 금속 이물질에 의한 충격신호인지 실시간으로 구분하여, 금속 이물질에 의한 충격신호만을 신속하게 판별하는 것에 관한 것이다.

도 1은 본 발명의 일 실시예에 따른 학습 기반 금속 이물질에 의한 충격신호 진위 판별 시스템을 나타낸 예시도로서, 도 1을 참고로 하여 본 발명의 일 실시예에 따른 학습 기반 금속 이물질에 의한 충격신호 진위 판별 시스템을 상세히 설명한다.

본 발명의 일 실시예에 따른 학습 기반 금속 이물질에 의한 충격신호 진위 판별 시스템은 도 1에 도시된 바와 같이, 인공지능 학습부(100), 신호 검출부(200), 신호 처리부(300) 및 신호 분석부(400)를 포함하여 구성되는 것이 바람직하다.

각 구성들은 컴퓨터를 포함하는 다수 개의 연산처리수단에 각각 구비되거나, 하나의 연산처리수단에 구비되어, 동작을 수행하는 것이 바람직하다.

각 구성에 대해서 자세히 알아보자면,

상기 인공지능 학습부(100)는 종래에 발생되어 어떠한 신호인지 정확하게 라벨링되어 있는 원자로 구조물에서 발생되는 열 충격신호 데이터(원자로를 구성하고 있는 다양한 내부 구조물들 간의 열팽창 불균형에 따른 열 충격신호 데이터)와 충격신호 데이터(원자로 구조물 내부에 발생된 금속 이물질에 의한 충격신호)를 수집하고, 이들에 대한 인공지능 학습 처리를 수행하는 것이 바람직하다. 상기 인공지능 학습부(100)의 상세 구성에 대해서는 후술하도록 한다.

상기 신호 검출부(200)는 원자로 구조물에 미리 부착되어 있는 다수의 진동 센서(진동 감지 센서 등)들로부터 획득되는 센싱 신호들을 전달받는 것이 바람직하다.

상세하게는, 국내 가동 원전에는 원자로 내부에서 발생할 수 있는 금속 이물질을 조기에 감시하고 진단하기 위한 금속 이물질 감시 시스템(LPMS)이 설치 운영되고 있으며, 이를 위해 원자로 상하부 영역, 증기발생기 상하부 영역, 냉각재 펌프 몸체 영역(냉각재 펌프 몸체의 외부 표면)로 나뉘어진 원자로 구조물의 각 영역에 다수의 진동 센서들이 부착되어 있다.

상기 신호 검출부(200)는 이를 활용하여, 부착되어 있는 상기 진동 센서들로부터 획득되는 센싱 신호들을 전달받는 것이 바람직하다.

상술한 바와 같이, 금속 이물질에 의한 충격신호가 가지고 있는 특성으로는 동일 영역 내의 센서에서 센싱 신호가 동시에 발생하는 특성과, 전달되는 센싱 신호들은 충격 발생 지점에서 가까운 순서대로 도달 시간이 짧고 크기가 큰 특성이 있으며, 충격파의 전형적인 특징인 주파수 분산 특성을 보이고 있다. 또한, 다른 영역에서는 신호가 발생하지 않거나, 발생 영역보다 상대적으로 크기가 작은 특성이 있다.

더불어, 원자로를 구성하고 있는 다양한 내부 구조물들 간의 열팽창 불균형에 따른 열 충격신호가 가지고 있는 특성으로는 신호의 형태 자체는 금속 이물질에 의한 충격신호와 유사하나, 충격이 발생한 영역 외의 다른 영역에서도 신호가 센싱되며, 신호 지속 시간이 긴 특성이 있다. 또한, 충격파의 특징인 주파수 분산 특성이 미미한 특성이 있다.

이에 따라, 본 발명의 일 실시예에 따른 학습 기반 금속 이물질에 의한 충격신호 진위 판별 시스템은, 이를 구분하기 위하여, 데이터 패턴 처리를 수행하는 것이 바람직하다.

물론, 상기 인공지능 학습부(100) 역시도 수집 데이터에 대한 데이터 패턴 처리를 수행하여, 학습 데이터를 생성하고 이에 대한 학습 처리를 수행하게 된다.

이를 위해, 상기 인공지능 학습부(100)는 도 1에 도시된 바와 같이, 데이터 수집부(110), 제1 패턴 처리부(120), 제2 패턴 처리부(130), 제3 패턴 처리부(140), 학습 데이터 생성부(150) 및 학습 처리부(160)를 포함하여 구성되는 것이 바람직하다.

상기 데이터 수집부(110)는 사전에, 원자로 구조물에 미리 부착된 다수의 진동 센서들로부터, 원자로 온도 상승 및 냉각 진행 중 발생되는 열팽창 불균형에 의한 열 충격신호 데이터와 원자로 강구 충격 실험에 의한 충격신호 데이터들을 수집하여, 각각의 데이터베이스를 구축하는 것이 바람직하다.

즉, 학습 기반 진위 판별을 수행하기 위하여 학습용 데이터 구축이 요구되며, 종래에는 강구 충격 시험 또는, 충격 시뮬레이션을 수행하여 충격 위치 및 금속 이물질 질량 추정에 필요한 데이터를 구축하였으나, 수집 데이터를 원전 1차 계통에 설치된 모든 진동 센서를 기준으로 수집한 것이 아니라, 특정 진동 센서를 기준으로 수집하여 활용하였다.

이에 반해, 본 발명의 일 실시예에 따른 학습 기반 금속 이물질에 의한 충격신호 진위 판별 시스템은, 금속 이물질에 의한 충격신호의 진위 판별을 목적으로 하고 있는 바, 금속 이물질에 의한 충격신호와 열팽창 불균형에 의한 열 충격신호를 구분하기 위해서, 반드시 상기 데이터 수집부(100)를 통해서 사전에 원자로 구조물에 미리 부착된 다수의 진동 센서들로부터, 원자로 온도 상승 및 냉각 진행 중 발생되는 열팽창 불균형에 의한 열 충격신호 데이터와 원자로 강구 충격 실험에 의한 충격신호 데이터들을 수집하는 것이 바람직하다.

이 때, 수집한 데이터들을 학습 데이터로 가공하여 활용하기 위해서는 반드시 사전에 라벨링된 데이터, 다시 말하자면, 사전에 예정된 강구 충격 실험을 통해서 예측되는 충격신호 데이터, 사전에 예측되는 원자로 온도 상승 및 냉각 진행 중 발생되는 열팽창 불군형에 의한 열 충격신호 데이터를, 설치된 모든 영역에 대한 진동 센서들로부터 전송받는 것이 바람직하다.

또한, 상기 다수의 진동 센서들은 원자로 상하부 영역, 증기발생기 상하부 영역, 냉각재 펌프 몸체 영역(냉각재 펌프 몸체의 외부 표면)로 나뉘어진 원자로 구조물의 각 영역에 부착된 센서인 것이 바람직하다.

상기 제1 패턴 처리부(120)는 상기 데이터 수집부(110)에서 구축한 상기 각각의 데이터베이스(열 충격신호 데이터베이스/충격신호 데이터베이스)를 이용하여, 선택되는 어느 하나의 열팽창 불균형에 의한 상기 열 충격신호 데이터들 또는, 선택되는 어느 하나의 원자로 강구 충격 실험에 의한 충격신호 데이터들에 대해, 각각의 상이한 임의의 각도로 회전변환을 수행하는 것이 바람직하다.

상세하게는, 상기 데이터 수집부(110)에서 구축한 상기 각각의 데이터베이스는 각각의 열 충격신호 또는, 충격신호에 대한 다수의 데이터가 수집되기 때문에, 개별 특성을 도출하여 학습 알고리즘에 적용하는 것이 정확도 향상에 도움이 된다.

즉, 다수의 강구 충격 실험을 통해서 다수 번의 충격신호 데이터들을 수집하되, 다수의 진동 센서들로부터 한 번의 강구 충격 실험을 통해서 센싱되는 신호들끼리 데이터베이스화하여 저장 및 관리하는 것이 바람직하다. 또한, 온도 상승 및 냉각 진행 중 발생되는 열팽창 불군형에 의한 열 충격신호 데이터 역시도 다수의 진동 센서들로부터 한 번의 온도 상승 및 냉각 진행을 통해서 센싱되는 신호들끼리 데이터베이스화하여 저장 및 관리하는 것이 바람직하다.

그렇기 때문에, 각각의 데이터베이스에서 선택되는 어느 하나의 열팽창 불균형에 의한 상기 열 충격신호 데이터들 또는, 선택되는 어느 하나의 원자로 강구 충격 실험에 의한 충격신호 데이터들을 선택하여, 하기의 수학식 1을 적용하여 수집 데이터가 가지고 있는 x, y 좌표를 임의의 각도(θ)를 갖는 회전 좌표 x', y'로 표시하게 된다.

이 때, 선택되는 하나의 데이터베이스에 포함되어 있는 동일한 발생 충격에 의한 모든 센싱 신호들에 대해 동일한 방법으로 회전 변환을 수행하되, 서로 다른 임의의 각도를 적용하는 것이 바람직하다.

즉, 도 2에 도시된 바와 같이, 동일한 발생 충격에 의한 모든 센싱 신호들에 대해서 회전 변환을 수행하되, 이 때, 시간 신호는 엔벨로프(Envolop) 처리 후 각각의 그래프 세로 축의 양의 방향에 출력하고, 주파수 신호는 시간 신호에 대한 푸리에 변환을 수행하여 세로 축의 음의 방향에 출력하여 하나의 그래프가 되도록 하고, 모든 신호에 대해 서로 다른 임의의 각도로 적용하여 원주 방향으로 도식되도록 패턴 처리하는 것이 바람직하다.

상기 제2 패턴 처리부(130)는 상기 데이터 수집부(110)에서 구축한 상기 각각의 데이터베이스를 이용하여, 상기 제1 패턴 처리부(120)에 의해 상기 선택된 열 충격신호 데이터들 중 가장 최초 도달된 열 충격신호 데이터 또는, 상기 선택된 충격신호 데이터들 중 가장 최초 도달된 충격신호 데이터에 대해, 앰비규어티 함수(ambiguity function) 연산을 수행하는 것이 바람직하다.

즉, 상기 제1 패턴 처리부(120)는 선택되는 하나의 데이터베이스에 포함되어 있는 동일한 발생 충격에 의한 모든 센싱 신호들에 대해 회전 변환을 수행하는데 반해, 상기 제2 패턴 처리부(130)는 선택되는 하나의 데이터베이스에 포함되어 있는 동일한 발생 충격에 의한 센싱 신호들 중 가장 최초 도달된 센싱 신호에 대해 앰비규어티 함수 연산을 수행하게 된다.

상세하게는, 하기의 수학식 2를 이용하여 앰비규어티 함수 연산을 수행하게 된다. 앰비규어티 함수는 시간종속 자기상관함수()를 절대 시간 t에 대한 퓨리에 변환한 것이다.

(여기서, 는 시간 지연 변수,

는 축과 축으로 이루어진 함수를 나타내는 신호 처리 함수임.)

앰비규어티 함수 연산은 도 3에 도시된 바와 같이, N개의 시간 신호 데이터에 대해 제로 패딩(Zero Padding)을 통해 2*N개의 데이터로 재생성하고, 정방향 및 역방향으로 이루어지는 한 쌍의 데이터를 생성하여 값을 기준으로 시간 데이터 배열을 이동(time shift)하여 자기상관함수(Auto correlation function)를 연산한 결과를 다시 시계열 데이터로 입력받아 역 푸리에변환(INV FFT)을 수행하게 된다. 그 결과 도 3의 b)에 도시된 바와 같이, 3차원 좌표계의 z축에 대칭되도록 좌우로 y축에 따라 스펙트럼 크기 값 데이터를 배열하며, 값을 증가시키면서 반복 수행함으로써, 도 3의 c)에 도시된 바와 같이, 결과가 표시되게 된다.

상기 제3 패턴 처리부(140)는 상기 제1 패턴 처리부(120)에 의한 데이터들(회전 변환 수행 데이터)과 상기 제2 패턴 처리부(130)에 의한 데이터들(앰비규어티 함수 연산 수행 데이터)을 합성하고, 특징 벡터를 추출하여 패턴 이미지를 생성하는 것이 바람직하다.

상세하게는, 도 4 및 도 5에 도시된 바와 같이, 시간 신호 및 주파수 신호와, 앰비규어티 연산 결과를 합성한 데이터 패턴 이미지를 생성하는 것이 바람직하다.

도 4는 앰비규어티 연산 결과를 중앙에 배치한 경우로서, 상기 제2 패턴 처리부(130)에 의한 데이터들을 중앙에 위치시키고, 상기 제1 패턴 처리부(120)에 의한 데이터들은 모든 진동 신호들을 해당하는 진동 센서들의 부착 영역(원자로 상하부 영역, 증기발생기 상하부 영역, 냉각재 펌프 몸체 영역(냉각재 펌프 몸체의 외부 표면))별로 구분하여 원주 방향으로 등분할하여 배치하는 것이 바람직하다.

도 5는 앰비규어티 연산 결과를 각 분면의 모서리에 분할 배치한 경우로서, 상기 제2 패턴 처리부(130)에 의한 데이터들을 4개의 사각형 모서리에 분할 배치시키고, 상기 제1 패턴 처리부(120)에 의한 데이터들은 모든 진동 신호들을 해당하는 진동 센서들의 부착 영역(원자로 상하부 영역, 증기발생기 상하부 영역, 냉각재 펌프 몸체 영역(냉각재 펌프 몸체의 외부 표면))별로 구분하여 원주 방향으로 등분할하여 배치하는 것이 바람직하다.

상기 학습 데이터 생성부(150)는 상기 제3 패턴 처리부(140)에서 생성한 패턴 이미지들을 이용하여 인공지능 학습을 위한 학습 데이터로 변환하는 것이 바람직하다.

상기 학습 처리부(160)는 미리 저장된 인공지능 알고리즘을 이용하여 상기 학습 데이터 생성부(150)에 의한 학습 데이터들에 대한 학습 처리를 수행하여 학습 모델을 생성하는 것이 바람직하다.

상기 학습 처리부(160)는 딥러닝 기반의 CNN(Convolutional Neural Network) 모델을 적용하여 학습 모델을 생성하는 것이 가장 바람직하다.

상기 신호 처리부(300)는 상기 신호 검출부(200)에 의한 상기 센싱 신호들을 이용하여, 모든 채널에 의한 센싱 신호들 또는, 최초 도달된 센싱 신호를 분석하여, 데이터 패턴 처리를 수행하는 것이 바람직하다.

상기 신호 처리부(300)는 도 1에 도시된 바와 같이, 제1 신호 처리부(310), 제2 신호 처리부(320) 및 제3 신호 처리부(330)를 포함하여 구성되는 것이 바람직하다.

상기 제1 신호 처리부(310)는 분석하고자 하는 어느 원인에 의해 발생된 충격에 따라 모든 채널에 의한 센싱 신호들에 대해, 각각의 상이한 임의의 각도로 회전변환을 수행하는 것이 바람직하다.

상세하게는, 상기의 수학식 1을 적용하여 수집 데이터가 가지고 있는 x, y 좌표를 임의의 각도(θ)를 갖는 회전 좌표 x', y'로 표시하게 된다.

이 때, 발생한 동일한 충격에 의한 모든 센싱 신호들에 대해 동일한 방법으로 회전 변환을 수행하되, 서로 다른 임의의 각도를 적용하는 것이 바람직하다.

즉, 도 2에 도시된 바와 같이, 동일한 발생 충격에 의한 모든 센싱 신호들에 대해서 회전 변환을 수행하되, 이 때, 시간 신호는 엔벨로프(Envolop) 처리 후 각각의 그래프 세로 축의 양의 방향에 출력하고, 주파수 신호는 시간 신호에 대한 푸리에 변환을 수행하여 세로 축의 음의 방향에 출력하여 하나의 그래프가 되도록 하고, 모든 신호에 대해 서로 다른 임의의 각도로 적용하여 원주 방향으로 도식되도록 패턴 처리하는 것이 바람직하다.

상기 제2 신호 처리부(320)는 분석하고자 하는 어느 원인에 의해 발생된 충격에 따라 모든 채널에 의한 센싱 신호들 중 가장 최초 도달된 센싱 신호에 대해, 앰비규어티 함수(ambiguity function) 연산을 수행하는 것이 바람직하다.

상세하게는, 상기의 수학식 2를 이용하여 앰비규어티 함수 연산을 수행하게 된다. 앰비규어티 함수는 시간종속 자기상관함수()를 절대 시간 t에 대한 퓨리에 변환한 것이다.

앰비규어티 함수 연산은 도 3에 도시된 바와 같이, N개의 시간 신호 데이터에 대해 제로 패딩(Zero Padding)을 통해 2*N개의 데이터로 재생성하고, 정방향 및 역방향으로 이루어지는 한 쌍의 데이터를 생성하여 값을 기준으로 시간 데이터 배열을 이동(time shift)하여 자기상관함수(Auto correlation function)를 연산한 결과를 다시 시계열 데이터로 입력받아 역 푸리에변환(INV FFT)을 수행하게 된다. 그 결과 도 3의 b)에 도시된 바와 같이, 3차원 좌표계의 z축에 대칭되도록 좌우로 y축에 따라 스펙트럼 크기 값 데이터를 배열하며, 값을 증가시키면서 반복 수행함으로써, 도 3의 c)에 도시된 바와 같이, 결과가 표시되게 된다.

상기 제3 신호 처리부(330)는 상기 제1 신호 처리부(310)에 의한 데이터들과 상기 제2 신호 처리부(320)에 의한 데이터들을 합성하고, 특징 벡터를 추출하여 패턴 이미지를 생성하는 것이 바람직하다.

상세하게는, 도 4 및 도 5에 도시된 바와 같이, 시간 신호 및 주파수 신호와, 앰비규어티 연산 결과를 합성한 데이터 패턴 이미지를 생성하는 것이 바람직하다.

도 4는 앰비규어티 연산 결과를 중앙에 배치한 경우로서, 앰비규어티 연산 결과 데이터들을 중앙에 위치시키고, 회전변환 수행된 데이터들은 모든 진동 신호들을 해당하는 진동 센서들의 부착 영역(원자로 상하부 영역, 증기발생기 상하부 영역, 냉각재 펌프 몸체 영역(냉각재 펌프 몸체의 외부 표면))별로 구분하여 원주 방향으로 등분할하여 배치하는 것이 바람직하다.

도 5는 앰비규어티 연산 결과를 각 분면의 모서리에 분할 배치한 경우로서, 앰비규어티 연산 결과 데이터들을 4개의 사각형 모서리에 분할 배치시키고, 회전변환 수행된 데이터들은 모든 진동 신호들을 해당하는 진동 센서들의 부착 영역(원자로 상하부 영역, 증기발생기 상하부 영역, 냉각재 펌프 몸체 영역(냉각재 펌프 몸체의 외부 표면))별로 구분하여 원주 방향으로 등분할하여 배치하는 것이 바람직하다.

상기 신호 처리부(300)에서 수행한 데이터 패턴 처리 결과를 통해서, 상기 신호 분석부(400)에서는 데이터 패턴 처리된 각 센싱 신호들이 갖고 있는 특성을 분석하여, 이들이 상술한 충격신호의 특성 중 어느 특성에 해당하는지 보다 정확하게 분석할 수 있다.

다시 말하자면, 상기 신호 분석부(400)는 상기 신호 처리부(300)에 의한 상기 데이터 패턴 처리 결과를 분석하여 상기 신호 검출부(200)에 의한 상기 센싱 신호들이 원자로 구조물의 열팽창 불균형에 의한 열 충격신호인지, 원자로 구조물 내부에 발생한 금속 이물질에 의한 충격신호인지 구별하는 것이 바람직하다.

이 때, 상기 신호 분석부(400)는 상기 인공지능 학습부(100)의 학습 처리 결과에 의해 생성된 학습 모델을 이용하는 것이 바람직하다.

더불어, 본 발명의 일 실시예에 따른 학습 기반 금속 이물질에 의한 충격신호 진위 판별 시스템은 도 1에 도시된 바와 같이, 경보 발생부(500)를 더 포함하여 구성되는 것이 바람직하다.

상기 경보 발생부(500)는 상기 신호 분석부(400)의 분석 결과에 따라, 금속 이물질에 의한 충격신호로 구별될 경우, 연계되어 있는 경보 수단의 동작 신호를 생성하여 전달함으로써, 경보 신호가 출력되도록 하게 된다.

도 6은 본 발명의 일 실시예에 따른 학습 기반 금속 이물질에 의한 충격신호 진위 판별 방법을 나타낸 순서도로서, 도 6을 참조로 하여 본 발명의 일 실시예에 따른 학습 기반 금속 이물질에 의한 충격신호 진위 판별 방법을 상세히 설명한다.

본 발명의 일 실시예에 따른 학습 기반 금속 이물질에 의한 충격신호 진위 판별 방법은 도 6에 도시된 바와 같이, 검출 단계(S100), 처리 단계(S200), 분석 단계(S300) 및 구별 단계(S400)를 포함하여 구성되는 것이 바람직하며, 컴퓨터로 구현되는 학습 기반 금속 이물질에 의한 충격신호 진위 판별 시스템에 의해 각 단계가 수행되게 된다.

각 단계에 대해서 자세히 알아보자면,

상기 검출 단계(S100)는 상기 신호 검출부(200)에서, 원자로 구조물에 미리 부착되어 있는 다수의 진동 센서(진동 감지 센서 등)들로부터 획득되는 센싱 신호들을 전달받게 된다.

상세하게는, 국내 가동 원전에는 원자로 내부에서 발생할 수 있는 금속 이물질을 조기에 감시하고 진단하기 위한 금속 이물질 감시 시스템(LPMS)이 설치 운영되고 있으며, 이를 위해 원자로 상하부 영역, 증기발생기 상하부 영역, 냉각재 펌프 몸체 영역(냉각재 펌프 몸체의 외부 표면)로 나뉘어진 원자로 구조물의 각 영역에 다수의 진동 센서들이 부착되어 있다.

상기 검출 단계(S100)는 이를 활용하여, 부착되어 있는 상기 진동 센서들로부터 획득되는 센싱 신호들을 전달받게 된다.

상기 처리 단계(S200)는 상기 신호 처리부(300)에서, 상기 검출 단계(S100)에 의해 획득한 상기 신호들을 이용하여, 모든 채널에 의한 신호들 또는, 최초 도달된 신호를 분석하여 데이터 패턴 처리를 수행하게 된다.

상세하게는, 상기 처리 단계(S200)는 분석하고자 하는 어느 원인에 의해 발생된 충격에 따라 모든 채널에 의한 센싱 신호들에 대해, 각각의 상이한 임의의 각도로 회전변환을 수행하게 된다.

상기의 수학식 1을 적용하여 수집 데이터가 가지고 있는 x, y 좌표를 임의의 각도(θ)를 갖는 회전 좌표 x', y'로 표시하게 된다.

이 때, 발생한 동일한 충격에 의한 모든 센싱 신호들에 대해 동일한 방법으로 회전 변환을 수행하되, 서로 다른 임의의 각도를 적용하는 것이 바람직하다.

즉, 도 2에 도시된 바와 같이, 동일한 발생 충격에 의한 모든 센싱 신호들에 대해서 회전 변환을 수행하되, 이 때, 시간 신호는 엔벨로프(Envolop) 처리 후 각각의 그래프 세로 축의 양의 방향에 출력하고, 주파수 신호는 시간 신호에 대한 푸리에 변환을 수행하여 세로 축의 음의 방향에 출력하여 하나의 그래프가 되도록 하고, 모든 신호에 대해 서로 다른 임의의 각도로 적용하여 원주 방향으로 도식되도록 패턴 처리하는 것이 바람직하다.

이 후, 분석하고자 하는 어느 원인에 의해 발생된 충격에 따라 모든 채널에 의한 센싱 신호들 중 가장 최초 도달된 센싱 신호에 대해, 앰비규어티 함수(ambiguity function) 연산을 수행하게 된다.

상기의 수학식 2를 이용하여 앰비규어티 함수 연산을 수행하게 된다. 앰비규어티 함수는 시간종속 자기상관함수()를 절대 시간 t에 대한 퓨리에 변환한 것이다.

앰비규어티 함수 연산은 도 3에 도시된 바와 같이, N개의 시간 신호 데이터에 대해 제로 패딩(Zero Padding)을 통해 2*N개의 데이터로 재생성하고, 정방향 및 역방향으로 이루어지는 한 쌍의 데이터를 생성하여 값을 기준으로 시간 데이터 배열을 이동(time shift)하여 자기상관함수(Auto correlation function)를 연산한 결과를 다시 시계열 데이터로 입력받아 역 푸리에변환(INV FFT)을 수행하게 된다. 그 결과 도 3의 b)에 도시된 바와 같이, 3차원 좌표계의 z축에 대칭되도록 좌우로 y축에 따라 스펙트럼 크기 값 데이터를 배열하며, 값을 증가시키면서 반복 수행함으로써, 도 3의 c)에 도시된 바와 같이, 결과가 표시되게 된다.

이 후, 회전변환을 수행한 데이터들과 앰비규어티 함수 연산을 수행한 데이터들을 합성하고, 특징 벡터를 추출하여 패턴 이미지를 생성하게 된다.

상세하게는, 도 4 및 도 5에 도시된 바와 같이, 시간 신호 및 주파수 신호와, 앰비규어티 연산 결과를 합성한 데이터 패턴 이미지를 생성하는 것이 바람직하다.

도 4는 앰비규어티 연산 결과를 중앙에 배치한 경우로서, 앰비규어티 연산 결과 데이터들을 중앙에 위치시키고, 회전변환 수행된 데이터들은 모든 진동 신호들을 해당하는 진동 센서들의 부착 영역(원자로 상하부 영역, 증기발생기 상하부 영역, 냉각재 펌프 몸체 영역(냉각재 펌프 몸체의 외부 표면))별로 구분하여 원주 방향으로 등분할하여 배치하는 것이 바람직하다.

도 5는 앰비규어티 연산 결과를 각 분면의 모서리에 분할 배치한 경우로서, 앰비규어티 연산 결과 데이터들을 4개의 사각형 모서리에 분할 배치시키고, 회전변환 수행된 데이터들은 모든 진동 신호들을 해당하는 진동 센서들의 부착 영역(원자로 상하부 영역, 증기발생기 상하부 영역, 냉각재 펌프 몸체 영역(냉각재 펌프 몸체의 외부 표면))별로 구분하여 원주 방향으로 등분할하여 배치하는 것이 바람직하다.

상기 분석 단계(S300)는 상기 신호 분석부(400)에서, 저장되어 있는 학습 모델을 이용하여, 상기 처리 단계(S200)에 의한 상기 데이터 패턴 처리 결과를 분석하게 된다.

이 때, 저장되어 있는 학습 모델은 도 6에 도시된 바와 같이, 인공지능 학습부(100)에서, 원자로 구조물에서 발생되는 열 충격신호 데이터와 충격신호 데이터를 수집하여 인공지능 학습 처리를 수행하여 학습 모델을 생성하는 학습 처리 단계(S10)를 더 수행하게 된다.

이 때, 상기 학습 처리 단계(S10)는 상기 분석 단계(S300)를 수행하기 전 수행되는 것이 바람직하며, 데이터 수집 단계(S11), 수집 데이터 처리 단계(S12), 학습 데이터 생성 단계(S13) 및 학습 모델 생성 단계(S14)를 포함하여 구성되는 것이 바람직하다.

상기 데이터 수집 단계(S11)는 상기 데이터 수집부(110)에서, 사전에, 원자로 구조물에 미리 부착된 다수의 진동 센서들로부터, 원자로 온도 상승 및 냉각 진행 중 발생되는 열팽창 불균형에 의한 열 충격신호 데이터와 원자로 강구 충격 실험에 의한 충격신호 데이터들을 수집하여, 각각의 데이터베이스를 구축하게 된다.

즉, 학습 기반 진위 판별을 수행하기 위하여 학습용 데이터 구축이 요구되며, 종래에는 강구 충격 시험 또는, 충격 시뮬레이션을 수행하여 충격 위치 및 금속 이물질 질량 추정에 필요한 데이터를 구축하였으나, 수집 데이터를 원전 1차 계통에 설치된 모든 진동 센서를 기준으로 수집한 것이 아니라, 특정 진동 센서를 기준으로 수집하여 활용하였다.

이에 반해, 본 발명은 금속 이물질에 의한 충격신호의 진위 판별을 목적으로 하고 있는 바, 금속 이물질에 의한 충격신호와 열팽창 불균형에 의한 열 충격신호를 구분하기 위해서, 반드시 상기 데이터 수집 단계(S11)를 통해서 사전에 원자로 구조물에 미리 부착된 다수의 진동 센서들로부터, 원자로 온도 상승 및 냉각 진행 중 발생되는 열팽창 불균형에 의한 열 충격신호 데이터와 원자로 강구 충격 실험에 의한 충격신호 데이터들을 수집하게 된다.

이 때, 수집한 데이터들을 학습 데이터로 가공하여 활용하기 위해서는 반드시 사전에 라벨링된 데이터, 다시 말하자면, 사전에 예정된 강구 충격 실험을 통해서 예측되는 충격신호 데이터, 사전에 예측되는 원자로 온도 상승 및 냉각 진행 중 발생되는 열팽창 불군형에 의한 열 충격신호 데이터를, 설치된 모든 영역에 대한 진동 센서들로부터 전송받게 되며, 상기 다수의 진동 센서들은 원자로 상하부 영역, 증기발생기 상하부 영역, 냉각재 펌프 몸체 영역(냉각재 펌프 몸체의 외부 표면)로 나뉘어진 원자로 구조물의 각 영역에 부착된 센서인 것이 바람직하다.

상기 수집 데이터 처리 단계(S12)는 상기 수집 단계(S11)에 의해 구축한 각각의 데이터베이스(열 충격신호 데이터베이스/충격신호 데이터베이스)를 이용하여, 선택되는 어느 하나의 열팽창 불균형에 의한 상기 열 충격신호 데이터들 또는, 선택되는 어느 하나의 원자로 강구 충격 실험에 의한 충격신호 데이터들에 대해 분석하여, 데이터 패턴 처리를 수행하게 된다.

상세하게는, 각각의 데이터베이스에서 선택되는 어느 하나의 열팽창 불균형에 의한 상기 열 충격신호 데이터들 또는, 선택되는 어느 하나의 원자로 강구 충격 실험에 의한 충격신호 데이터들을 선택하여, 상기의 수학식 1을 적용하여 수집 데이터가 가지고 있는 x, y 좌표를 임의의 각도(θ)를 갖는 회전 좌표 x', y'로 표시하게 된다.

이 때, 선택되는 하나의 데이터베이스에 포함되어 있는 동일한 발생 충격에 의한 모든 센싱 신호들에 대해 동일한 방법으로 회전 변환을 수행하되, 서로 다른 임의의 각도를 적용하는 것이 바람직하다.

즉, 도 2에 도시된 바와 같이, 동일한 발생 충격에 의한 모든 센싱 신호들에 대해서 회전 변환을 수행하되, 이 때, 시간 신호는 엔벨로프(Envolop) 처리 후 각각의 그래프 세로 축의 양의 방향에 출력하고, 주파수 신호는 시간 신호에 대한 푸리에 변환을 수행하여 세로 축의 음의 방향에 출력하여 하나의 그래프가 되도록 하고, 모든 신호에 대해 서로 다른 임의의 각도로 적용하여 원주 방향으로 도식되도록 패턴 처리하는 것이 바람직하다.

이 후, 상기 선택된 열 충격신호 데이터들 중 가장 최초 도달된 열 충격신호 데이터 또는, 상기 선택된 충격신호 데이터들 중 가장 최초 도달된 충격신호 데이터에 대해, 앰비규어티 함수(ambiguity function) 연산을 수행하게 된다.

상기의 수학식 2를 이용하여 앰비규어티 함수 연산을 수행하게 된다. 앰비규어티 함수는 시간종속 자기상관함수()를 절대 시간 t에 대한 퓨리에 변환한 것이다.

앰비규어티 함수 연산은 도 3에 도시된 바와 같이, N개의 시간 신호 데이터에 대해 제로 패딩(Zero Padding)을 통해 2*N개의 데이터로 재생성하고, 정방향 및 역방향으로 이루어지는 한 쌍의 데이터를 생성하여 값을 기준으로 시간 데이터 배열을 이동(time shift)하여 자기상관함수(Auto correlation function)를 연산한 결과를 다시 시계열 데이터로 입력받아 역 푸리에변환(INV FFT)을 수행하게 된다. 그 결과 도 3의 b)에 도시된 바와 같이, 3차원 좌표계의 z축에 대칭되도록 좌우로 y축에 따라 스펙트럼 크기 값 데이터를 배열하며, 값을 증가시키면서 반복 수행함으로써, 도 3의 c)에 도시된 바와 같이, 결과가 표시되게 된다.

이 후, 상기 회전 변환 수행한 데이터들과 상기 앰비규어티 함수 연산 수행 데이터들을 합성하고, 특징 벡터를 추출하여 패턴 이미지를 생성하게 된다.

즉, 도 4 및 도 5에 도시된 바와 같이, 시간 신호 및 주파수 신호와, 앰비규어티 연산 결과를 합성한 데이터 패턴 이미지를 생성하는 것이 바람직하다.

도 4는 앰비규어티 연산 결과를 중앙에 배치한 경우로서, 앰비규어티 연산 결과에 의한 데이터들을 중앙에 위치시키고, 상기 회전 변환 수행한 데이터들은 모든 진동 신호들을 해당하는 진동 센서들의 부착 영역(원자로 상하부 영역, 증기발생기 상하부 영역, 냉각재 펌프 몸체 영역(냉각재 펌프 몸체의 외부 표면))별로 구분하여 원주 방향으로 등분할하여 배치하는 것이 바람직하다.

도 5는 앰비규어티 연산 결과를 각 분면의 모서리에 분할 배치한 경우로서, 앰비규어티 연산 결과에 의한 데이터들을 4개의 사각형 모서리에 분할 배치시키고, 상기 회전 변환 수행한 데이터들은 모든 진동 신호들을 해당하는 진동 센서들의 부착 영역(원자로 상하부 영역, 증기발생기 상하부 영역, 냉각재 펌프 몸체 영역(냉각재 펌프 몸체의 외부 표면))별로 구분하여 원주 방향으로 등분할하여 배치하는 것이 바람직하다.

상기 학습 데이터 생성 단계(S13)는 상기 수집 데이터 처리 단계(S12)의 분석 결과를 이용하여, 다시 말하자면, 상기 수집 데이터 처리 단계(S12)에 의해 생성한 패턴 이미지들을 이용하여 인공지능 학습을 위한 학습 데이터로 변환하게 된다.

상기 학습 모델 생성 단계(S14)는 미리 저장된 인공지능 알고리즘을 이용하여 상기 학습 데이터 생성 단계(S13)에 의한 학습 데이터들에 대한 학습 처리를 수행하여 학습 모델을 생성하게 된다. 이 때, 미리 저장된 인공지능 알고리즘으로 딥러닝 기반의 CNN(Convolutional Neural Network) 모델을 적용하는 것이 바람직하다.

상기 구별 단계(S400)는 상기 신호 분석부(400)에서, 상기 분석 단계(S300)의 분석 결과에 따라, 상기 검출 단계(S100)에 의해 획득한 상기 충격신호들이 원자로 구조물의 열팽창 불균형에 의한 열 충격신호인지, 원자로 구조물 내부에 발생한 금속 이물질에 의한 충격신호인지 구별하게 된다.

더불어, 본 발명의 일 실시예에 따른 학습 기반 금속 이물질에 의한 충격신호 진위 판별 방법은 도 6에 도시된 바와 같이, 상기 구별 단계(S400)를 수행하고 난 후, 경보 단계(S500)를 더 수행할 수도 있다.

상기 경보 단계(S500)는 상기 경보 발생부(500)에서, 상기 구별 단계(S400)의 결과에 따라, 금속 이물질에 의한 충격신호로 구별될 경우, 연계되어 있는 경보 수단의 동작 신호를 생성하여 전달함으로써, 경보 신호가 출력되도록 하게 된다.

본 발명은 상기한 실시예에 한정되지 아니하며, 적용범위가 다양함은 물론이고, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이다.