Kaikki aineistot
Lisää
This technical report is based on five our recent articles: ”Self-organizing map based visualization techniques and their assessment”, ”Combining neural methods and knowledge-based methods in accident management”, ”Abnormal process state detection by cluster center point monitoring in BWR nuclear power plant”, “Generated control limits as a basis of operator-friendly process monitoring”, and “Modelling power output at nuclear power plant by neural networks”. Neural methods are applied in process monitoring, visualization and early fault detection. We introduce decision support schemes based on Self-Organizing Map (SOM) combined with other methods. Visualizations based on various data-analysis methods are developed in large Finnish research project many Universities and industrial partners participating. In our subproject the industrial partner providing data into our practical examples is Teollisuuden Voima Oy, Olkiluoto Nuclear power plant. Measurement of the information value is one challenging issue. On long run our research has moved from Accident Management to more Failure Management. One interesting case example introduced is detecting pressure drift of the boiling water reactor by multivariate methods including innovative visualizations. We also present two different neural network approaches for industrial process signal forecasting. Preprosessing suitable input signals and delay analysis are important phases in modelling. Optimized number of delayed input signals and neurons in hidden-layer are found to make a possible prediction of an idle power process signal. Algorithms on input selection and finding the optimal model for one-step-ahead prediction are developed. We introduce a method to detect abnormal process state based on cluster center point monitoring in time. Typical statistical features are extracted, mapped to n-dimensional space, and clustered online for every step. The process signals in the constant time window are classified into two clusters by the K-means method. In addition to monitoring features of the process signals, signal trends and alarm lists, a tool is got that helps in early detection of the pre-stage of a process fault. We also introduce data generated control limits, where alarm balance feature clarifies the monitoring. This helps in early and accurate fault detection.
This technical report is based on four our recent articles:"Data fusion of pre-election gallups and polls for improved support estimates", "Analyzing parliamentary elections based on voting advice application data", "The Finnish car rejection reasons shown in an interactive SOM visualization tool", and "Network visualization of car inspection data using graph layout". Neural methods are applied in political and technical decision making. We introduce decision support schemes based on Self-Organizing Map (SOM) combined with other methods. Visualizations based on various data-analysis methods are developed. In political decision making we have examples from one parliamentary election and one presidential election utilizing opinion data collected beforehand. In technical decision making we concentrate on rejection reasons in car inspection data. This technical report is a summary of our recent non-nuclear studies.
Early fault detection is an important issue in nuclear industry. Methods based on self-organizing map (SOM) in dynamic systems are discussed and developed to help operators and plant experts in their decision making and used together with other methods. Visualization issues are in an important role in this research. Prototype systems are built to be able to test the basic principles. Five different studies are presented in detail. This report summarizes the test case 4 (TC4) "Decision support at a nuclear power plant" in NoTeS and NoTeS2 projects in TEKES MASI research program.
In this article we examine the methods for detecting and predicting aging related process sensor failures by analyzing the noise of the sensor output signal. The study uses data from non-differential and differential pressure transmitters used in the pressure and water level measurements of the reactor pressure vessels of units 1 and 2 of the Olkiluoto nuclear power plant in Finland. The article contains a review of the current methods for detection of sensor failures. Additionally, we present a new method for detecting changes in the sensor output signal. The method creates fingerprints of the power spectra of the sensors by using Principal Component Analysis (PCA). The changes in these fingerprints together with the measurements of the redundant sensors can be used to detect indications of some of the impending sensor failures. In the experimental study we are able to produce stable fingerprints for both the non-differential and differential pressure transmitters. Also, a potential failure in one of the differential pressure transmitters in Olkiluoto unit 2 is detected by inspecting the fingerprints and analyzing the spectral changes of the transmitter output signal.
Tässä diplomityössä tutkitaan menetelmiä prosessiantureiden ikääntymiseen liittyvän vikaantumisen havaitsemiseksi anturin kohinasignaalista. Tutkimuksen kohteena ovat ydinvoimalaitosyksiköiden Olkiluoto 1 ja Olkiluoto 2 pinnankorkeuden ja paineen mittaukseen käytetyt paine-ero- ja painelähettimet. Työssä esitellään kirjallisuudesta löytyviä menetelmiä vikaantumiseen liittyvien indikaattoreiden: anturin kalibraation ja vasteajan muutosten sekä signaalin resonanssipiikkien muutosten tunnistamiseksi anturin signaalin tehospektristä. Lisäksi työssä esitellään menetelmä anturit yksilöivien sormenjälkien muodostamiseksi spektristä pääkomponenttianalyysin avulla. Seuraamalla näiden sormenjälkien muutoksia sekä eroja samaa suuretta mittaavien rinnakkaisten anturien välillä voidaan tunnistaa merkkejä anturien vikaantumisesta. Kokeellisissa mittauksissa menetelmällä pystytään muodostamaan stabiileja sormenjälkiä pintamittauksen paine-erolähettimistä. Sormenjälkimenetelmän ja spektrin muutosten avulla löydetään merkkejä mahdollisesta vikaantumisesta yhdessä Olkiluoto 2 hienopinnan mittaukseen käytettävässä anturissa.
Teollisuus ja liiketoiminta ovat täynnä monimutkaisia päätöksentekoprosesseja, joissa inhimillisen virheen mahdollisuus on suuri. Nämä prosessit ovat hyvin kriittisiä ydinvoimaloiden toiminnan ohjauksessa. Päätöksien laatua voidaan parantaa ja virheiden todennäköisyyttä vähentää antamalla tietokoneistettua päätöksenteon tukea päätöksen tekijälle. Itseorganisoituva kartta (SOM) on hyödyllinen tapa visualisoida moniulotteisia ja suuria data-aineistoja. Tämän työn tavoitteena on löytää tapoja SOM-menetelmän hyödyntämiseen ydinvoimalan operaattorin päätöksenteon tuessa ja analysoida, voiko kyseisiä tapoja käyttää myös muiden sovellusalueiden päätöksenteon tukeen. Työn tutkimusmenetelmät ovat kokeellinen prototyyppikehitys, tiedonlouhinta ja kirjallisuustutkimus. Tutkimuksessa on toteutettu prototyyppi (DERSI) päätöksenteon tukijärjestelmän (DSS) alustasta. Se hyödyntää päätöksenteon tuessa kokoelmaa erilaisia menetelmiä, kuten SOM kvantisointivirhettä, SOM U-matriisia, sumeaa logiikkaa, sääntöpohjaista päättelyä ja tapauspohjaista päättelyä. Prototyyppi on ohjelmoitu Matlabohjelmointikielellä ja se hyödyntää Matlabin SOM Toolbox -laajennusta. Siihen kuuluu myös graafinen käyttöliittymä, joka sisältää käytettyjen menetelmien visualisoinnit. Tutkimuksen alustalle on rakennettu kaksi päätöksenteon tukijärjestelmän prototyypiyksikköä. Yksi niistä hyödyntää tutkimuksen Simulink-simulaatiomallin dataa ja toinen Teollisuuden Voiman (TVO) ydinvoimalasimulaattorista saatua dataa. Nämä yksiköt demonstroivat prototyypin menetelmien mahdollisuuksia. Kirjallisuudessa esiintyi myös vaihtoehtoisia tapoja hyödyntää SOM-menetelmää päätöksenteon tuessa. Näitä verrattiin prototyypin menetelmiin ja lisäksi pohdittiin, voiko prototyyppialustaa hyödyntää muilla sovellusalueilla.
Normaalista poikkeavia tilanteita esiintyy ydinvoimaloissa kuten missä tahansa teollisuusprosessissa. Näitä voivat olla esimerkiksi vuoto putkiverkostossa, lämmönvaihtimen likaantuminen tai virtausmittarin mittauksen vääristymä. Hitaasti kehittyvät tapahtumat pitäisi havaita ennen kuin jotakin vakavampaa tapahtuu. Työssä tutkittiin ydinvoimalasta tallennettua prosessidataa. Erään tiedonlouhintaprosessimallin rakennetta laajennettiin. Data tutkittiin datanhallinnointityökalulla, joka ohjelmoitiin tämän projektin aikana. Työkalu auttaa asiantuntijaa aikasarjadatan analysoinnissa. Olennaiset muuttujat valittiin ja piirteet irrotettiin adaptiivista mallia varten. Pääkomponenttianalyysiä käytettiin tiedonlouhintatyökaluna. Viiveet prosessi- muuttujien välillä tunnistettiin ristikorrelaatiofunktion avulla. Painotettua rekursiivista pienimmän neliösumman menetelmää käytettiin adaptiiviseen mallinnukseen. Vuodontunnistusmenetelmä perustui mallin estimointivirheeseen. Työ suoritettiin NoTeS-projektin osana Teknillisen korkeakoulun Informaatiotekniikan laboratoriossa. Yhteistyökumppanina oli Teollisuuden Voima Oy.