Intelligent Metallic Loose Part Monitoring in Steam Generator Using Convolutional Neural Networks and the Position-Invariant Loss Function

Abstract

The degradation and aging of primary system in nuclear power plants, as well as the potential ingress of Loose parts during planned maintenance, can result in internal impacts caused by loose parts within the primary system. When these loose parts collide with the welded tube sections in the lower part of the steam generator, cracks may develop, potentially leading to coolant leakage from the primary side to the secondary system. To prevent such incidents, nuclear power plants have implemented Loose Parts Monitoring Systems (LPMS). Current LPMS employ rule-based algorithms to estimate the impact location and mass of loose parts. However, this approach has notable drawbacks, including variability in analysis results depending on the proficiency of signal analysts and the considerable time required for signal analysis. To address these limitations, this study proposes a Convolutional Neural Network (CNN)-based model for estimating the mass and impact location of loose parts. The proposed model incorporates a Position-invariant Loss Function based on Cartesian coordinates and uses the WignerVille distribution as input. The proposed method was validated using impact signals obtained from a 1/4-scale steam generator testbed designed to simulate a primary system steam generator. Experimental results demonstrate that the proposed approach can estimate the impact location and mass of foreign objects in three-dimensional structures more quickly and accurately than conventional methods.|합성곱 신경망과 위치 불변 손실함수를 이용한 증기발생기의 지능형 금속파편 감시 시스템 원자력 발전소 일차계통 구조물 열화 및 노후화로 인한 이물질 발생 또는 계획 정비 기간 동안 외부 이물질 유입 등 다양한 이유로 일차계통 내부에 이물질에 의한 내부 충격이 발생할 수 있다. 내부 이물질이 증기발생기 하부 세관 용접 부위에 충돌하게 되면 균열이 발생하고, 이 부위를 통해 냉각수가 2차측으로 유입 되는 사고가 발생할 수 있다. 이러한 사고를 예방하기 위해 원전에서는 LPMS(Loose Parts Monitoring System)를 설치하여 운영하고 있다. 기존 LPMS는 Rule base 알고리즘을 적용하여 내부 이물질 충돌위치 및 질량을 추정하고 있다. 따라서, 알람 신호에 대해 신호분석 전문가의 능숙도에 따라 분석결과가 달라지고, 신호분석에 시간이 많이 걸린다는 단점이 있다. 이러한 문제점을 해결하기 위해 본 논문에서는 신속하고 정확한 분석을 위해 데카르트 좌표계에 기반한 Position-invariant Loss function과 위그너-빌 분포를 입력으로 하는 Convolutional Neural Network 기반 이물질 질량, 충격 위치 추정 모델을 제안한다. 1차 계통 증기발생기를 모사하는 1/4 스케일 테스트베드에서 취득된 충격 신호를 사용하여 제안된 방법을 검증한다. 본 연구에서 제안된 방법이 3차원 구조물에서 내부 이물질의 충격 위치와 질량을 기존 방법에 비해 더 빠르고 정확하게 추정할 수 있음을 실험적으로 확인한다.