재발신경망 기반 고장 진단 의사결정 지원 시스템

초록

본 논문은 원자력 발전소와 같은 복합 설비에서 발생하는 비정상 현상을 실시간으로 진단하기 위해, 사전 잡음 제거 단계에 주성분 분석(PCA)을 적용하고, 주요 고장 특성을 입력으로 하는 방사형 기저 재발신경망(RBF‑RNN)을 설계하였다. 시뮬레이션 기반 압력형 원자로 데이터를 이용해 다양한 결함 시나리오를 검증했으며, 결함 위치와 규모를 높은 정확도로 예측함을 보였다. 주요 하이퍼파라미터와 진단 결과도 제시한다.

상세 분석

본 연구는 복합 시스템의 동적 특성을 고려한 신경망 기반 의사결정 지원(DSS) 모델을 설계하는 과정에서 두 가지 핵심 기술을 결합하였다. 첫 번째는 사전 처리 단계에서의 주성분 분석(PCA)이다. 원자력 플랜트 시뮬레이션 데이터는 센서 노이즈, 측정 오차, 그리고 비선형 상호작용으로 인해 고차원이며 잡음이 많이 포함된다. PCA는 공분산 행렬을 기반으로 데이터의 분산을 최대화하는 축을 찾아 차원을 축소함으로써, 신호 대 잡음비(SNR)를 향상시킨다. 특히, 고장 전조 신호가 미세한 변동으로 나타나는 경우에도 주요 성분만을 추출함으로써 신경망이 학습해야 할 유용한 특징을 강조한다.

두 번째 핵심은 방사형 기저 함수(RBF)를 활성화 함수로 채택한 재발신경망(RBF‑RNN)이다. 전통적인 다층 퍼셉트론(MLP)이나 장단기 기억(LSTM) 구조와 달리, RBF‑RNN은 시간적 의존성을 유지하면서도 지역적 근접성을 기반으로 하는 비선형 매핑을 제공한다. 입력 벡터가 고차원 PCA 성분으로 구성될 때, RBF는 각 입력 패턴을 고유한 중심점에 매핑하고, 가우시안 폭(σ)을 통해 인접 패턴 간의 유사성을 정량화한다. 재발 연결은 이전 시점의 은닉 상태를 현재 계산에 반영함으로써, 시스템 동역학의 연속성을 학습한다.

하이퍼파라미터 설정은 모델 성능에 결정적 영향을 미친다. 논문에서는 은닉층 노드 수를 3050개, RBF 중심 수를 20개, 가우시안 폭을 0.51.0 범위에서 교차 검증을 통해 최적화하였다. 학습률은 0.001로 설정하고, 모멘텀 0.9를 적용해 수렴 속도를 높였다. 손실 함수는 평균 제곱 오차(MSE)를 사용했으며, 조기 종료(Early Stopping) 기법을 도입해 과적합을 방지하였다.

실험 결과는 두 가지 주요 지표로 평가되었다. 첫 번째는 결함 위치 식별 정확도이며, 전체 시나리오 중 96% 이상의 정확도를 달성했다. 두 번째는 결함 규모(예: 파이프 손상 면적) 추정 오차이며, 평균 절대 오차가 실제 값의 5% 이하로 나타났다. 이는 PCA가 잡음을 효과적으로 제거하고, RBF‑RNN이 비선형·시계열 특성을 동시에 포착했기 때문이다. 또한, 모델은 실시간 추론이 가능하도록 설계되어, 1초당 200개의 샘플을 처리할 수 있는 처리량을 보였다.

하지만 몇 가지 한계점도 존재한다. 첫째, 시뮬레이션 데이터에 기반한 검증이므로 실제 현장 데이터에 대한 일반화 능력은 추가 검증이 필요하다. 둘째, PCA 차원 축소 비율을 과도하게 낮추면 중요한 고장 전조 신호가 손실될 위험이 있다. 셋째, RBF‑RNN은 중심점 초기화에 민감해, 클러스터링 기반 초기화 방법을 적용하지 않을 경우 수렴이 불안정해질 수 있다. 이러한 점들을 보완하기 위해 향후 연구에서는 실제 플랜트 로그 데이터를 활용한 전이 학습(Transfer Learning)과, 중심점 자동 최적화 알고리즘을 도입할 계획이다.

요약하면, 본 논문은 잡음 억제와 동적 특성 학습을 동시에 만족시키는 PCA‑RBF‑RNN 프레임워크를 제시함으로써, 복합 설비의 고장 진단 정확도와 실시간 대응 능력을 크게 향상시켰다.