운전 중 진동응답을 이용한 곡관 두께 추정용 딥러닝 모델 개발

Abstract

Various defects occur in nuclear power plants (NPPs). The representative defects include loose parts, leakage, thinning of pipes, and high vibration of pipes. Cases of human casualties by fractures caused by pipe thinning have occurred in the Surry Nuclear Power Plant (1986) and Mihama Nuclear Power Plant (2004). Major countries have developed in-house pipe thinning management programs to prevent accidents caused by pipe thinning. The pipe thinning management program outputs a list of pipes that require thinning inspection, when pipes and fitting products are input according to the order of flow. Presently, 150–200 pipes with a high possibility of thinning from among the inspection list provided by the program are managed during periodic inspections of NPPs conducted every 18–20 months. This periodic management method has disadvantages in that the inspection cycle of pipes excluded from the inspection is prolonged, and it is difficult to address unforeseen accidents. Studies have been conducted on condition-based monitoring (CBM) methods to supplement the existing periodic inspection methods. As components of CBM, the methods for directly measuring and monitoring the thickness using ultrasonic waves have been studied. However, its use is hindered in places where it is difficult to install a sensor. Because it is difficult to install multiple sensors in the field, a method of using one sensor was studied. Therefore, in this study, a method of monitoring the thinning phenomenon using one accelerometer sensor that is convenient to install is proposed. The elbows, which account for the largest number in the thinning inspection list, were targeted in this study. Six elbow specimens with different degrees of thinning were fabricated to analyze the variation in the characteristics of the signal measured during loop operation caused by the thinning phenomenon. The fabricated specimens were fastened alternately to the test loop of the secondary system. The acceleration signal for each specimen was measured when the pump was operated under similar conditions. The variations in dynamic characteristics were observed by transforming the measured acceleration signal into the frequency domain. It was verified that the natural frequency and the magnitude of the response value vary. The accelerometer location suitable for monitoring was proposed by comparing the variations in dynamic characteristics according to the location of the accelerometer installed on the elbow. In the case of a large structure such as an NPP, it is difficult to theoretically analyze the effect of the thinning of one of its parts on the variations in its dynamic characteristics. Therefore, the method of estimating the thickness based on experimental data was studied. As a data-driven estimation model, a deep learning model was used. It is used for images and data in various fields (including vibration) owing to recent developments. A regression deep learning model has been developed to learn the measured acceleration signals during loop operation and to estimate the pipe thickness of unseen data during training. The acceleration response measured during the loop operation is a signal containing random noise. It is difficult to verify the characteristics of the signal when the data of only one accelerometer is used and the noise component is large. The average value of the model's predictions was similar to the actual thickness of the elbow when the experimental data were learned using the existing machine learning model. However, the variance of the predictions was large owing to the noise component of the data. This hinders the accurate prediction of the thickness. A multi-input block structure has been proposed for accurate thickness estimations. It inputs the average value of the data measured over a long period so that the main features within the signal with random noise can be identified. The average error and variance of the predicted values were improved by the proposed model. Thereby, the thickness of the elbow could be estimated more accurately. The thickness estimation performance for unseen data during model training was also improved compared with conventional machine learning models.|원자력 발전소에는 여러가지의 결함이 존재하고 대표적으로 이물질 발생, 누설 발생, 배관 감육(Thinning), 배관의 고진동 등의 결함이 존재한다. 그 중 배관 감육 현상으로 인하여 1986년 Sury 원자력 발전소 및 2004년 mihama 원자력 발전소에서 배관파단사고가 발생하여 인명피해를 입었던 사례들이 보고되었다. 배관 감육현상으로 인한 사고를 예방하기 위하여 각 나라에서는 배관감육 관리 프로그램을 개발하여 관리하고 있다. 배관감육 관리 프로그램은 유동의 흐름에 따라 배관 및 피팅제품들을 입력하면 감육검사가 필요한 배관의 목록을 출력한다. 현재는 18~20개월간의 주기마다 수행되는 원자력발전소의 정기검사시에 감육검사 목록 중 감육현상이 발생할 가능성이 높은 150~200여개의 배관에만 감육검사를 수행하는 방식으로 관리되어오고 있다. 이러한 주기적인 관리방법은 검사 대상에서 제외된 배관들의 검사주기가 길어지고, 예측하지 못한 사고가 발생할 경우 대처하기 어려운 단점이 존재한다. 기존의 정기검사 방법을 보완하기 위하여 상태기반모니터링 (condition based monitoring, CBM) 방법에 대한 연구들이 수행되어왔다. CBM의 한가지 방안으로 초음파를 이용하여 직접 두께를 측정하여 모니터링하는 방법들이 연구되어왔으나, 센서의 설치가 어려운 곳에서는 사용이 어려운 문제가 존재한다. 현장에는 다수의 센서를 설치하는 것이 어렵기 때문에 1개의 센서만을 이용하는 방법에 대하여 연구하였다. 따라서 본 연구에서는 설치가 용이한 가속도계 센서 1개를 이용하여 감육현상을 모니터링하는 방법에 대해서 제안하고자 한다. 정기검사시에 감육검사 배관중 가장 많은 수를 차지하는 곡관을 대상으로 선정하였다. 감육현상에 의한 운전 중 데이터의 특성변화를 파악하기 위하여 감육정도가 다른 6개의 곡관시편을 제작하였다. 제작된 시편을 번갈아가며 2차계통 테스트 루프에 체결하였고, 펌프를 작동하여 동일한 유동이 발생하는 조건하에서 각각의 시편에 대한 가속도 신호를 계측하였다. 가속도 신호를 이용해 구조물의 상태를 진단하는 경우 주로 주파수 도메인에서의 특성을 분석한다. 계측된 가속도 신호를 주파수 도메인으로 변환하여 동특성 변화를 관찰하였고, 고유진동수의 변화 및 주파수 응답 값의 크기가 변화하는 것을 확인하였다. 곡관에 설치된 가속도계 위치에 따라 계측된 신호의 진동 특성변화를 비교하였고, 모니터링에 적합한 가속도계의 위치를 제안하였다. 원전과 같은 대형 구조물의 경우 구조물의 일부분에서 발생한 감육현상이 구조물의 동적 특성 변화에 미치는 영향을 이론적으로 분석하기 어렵기 때문에 실험 데이터에 기반한 배관 두께 추정 방법을 연구하였다. 데이터에 기반한 추정 모델로는 영상뿐만 아니라 최근의 개발로 인해 진동 분야를 포함한 다양한 분야의 데이터에 활용되고 있는 딥러닝 모델을 사용하였다. 루프 작동 중에 측정된 가속도 신호를 학습하고, 훈련 중에 보지 않는 데이터의 파이프 두께를 추정할 수 있는 회귀 딥 러닝 모델을 개발하였다. 운전 중 루프에서 측정된 가속도 응답은 랜덤 노이즈가 포함된 신호이다. 하나의 가속도계 데이터만을 이용하는 경우, 노이즈 성분이 큰 경우 신호의 특징을 파악하기 어려운 문제가 존재한다. 기존 머신러닝 모델을 이용하여 실험 데이터를 학습한 경우, 모델의 예측값들의 평균 값은 실제 곡관의 두께값과 유사하지만 데이터의 노이즈 성분으로 인해 예측값들의 분산이 커 정확한 두께 예측이 어려웠다. 정확한 두께 추정을 위해 랜덤 노이즈가 있는 신호 내 주요 특징을 인식할 수 있도록 장기간에 걸쳐 측정된 데이터의 평균값을 함께 입력하는 Multi-input block구조가 제안되었다. 제안된 모델의 예측값들의 평균 값 오차와 분산 값이 감소하여 곡관의 두께를 보다 정확하게 예측할 수 있었다. 모델 훈련 중 보지 않은 데이터에 대한 두께 추정 성능도 기존 머신러닝 모델에 비해 개선되었다.