KR102754811B1 - PIP leak location detection device and Detection method using the same - Google Patents
PIP leak location detection device and Detection method using the sameDownload PDFInfo
- Publication number
- KR102754811B1 KR102754811B1KR1020220060061AKR20220060061AKR102754811B1KR 102754811 B1KR102754811 B1KR 102754811B1KR 1020220060061 AKR1020220060061 AKR 1020220060061AKR 20220060061 AKR20220060061 AKR 20220060061AKR 102754811 B1KR102754811 B1KR 102754811B1
- Authority
- KR
- South Korea
- Prior art keywords
- pip
- leak
- inner pipe
- data
- leak location
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/002—Investigating fluid-tightness of structures by using thermal means
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K2213/00—Temperature mapping
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
Translated fromKoreanDescription
Translated fromKorean본 발명은 내부 파이프와 외부 파이프로 이루어진 PIP 파이프 구조에서 DTS (Distributed Temperature Sensing)와 인공지능(컨볼루션 신경망, CNN)을 이용하여 내부 파이프의 누출 위치를 빠르고 정확하게 감지할 수 있는 PIP의 누출 위치 감지장치 및 감지방법에 관한 것이다.The present invention relates to a PIP leak location detection device and detection method that can quickly and accurately detect a leak location of an inner pipe in a PIP pipe structure composed of an inner pipe and an outer pipe by using DTS (Distributed Temperature Sensing) and artificial intelligence (convolutional neural network, CNN).
파이프라인은 유체를 전달하거나 유체를 열 교환하기 위한 설비로 석유 또는 가스 시추, 가스 파이프라인, 원자력 발전소, 화학 플랜트 등 대규모 산업 시설에서 사용되고 있다. 그러나 파이프의 파손 시에 고온 고압의 유체가 누출되는 것에 의해 화학적 오염이나 폭발사고의 위험은 항상 존재하고 있다. 그래서 이의 대안으로 유체가 누출되더라도 외부로 누출되는 것을 방지하도록 파이프를 추가한 파이프 인 파이프(PIP) 구조가 개발되었다. 즉 PIP 구조는 내부 파이프와 외부 파이프의 2중 관 형태를 말한다. 이러한 PIP 구조는 원자력 발전소의 열 교환 시스템, 화학 플랜트 또는 석유 시추와 같이 오염 위험이 있는 배관 시스템에서 안전을 위한 필수적인 방법으로 사용된다. 또 PIP 구조는 단열 성능이 우수하여 고온 유체의 전달이 필요한 플랜트에서 특히 중요하게 사용된다.Pipelines are facilities for transferring fluids or exchanging heat between fluids, and are used in large-scale industrial facilities such as oil or gas drilling, gas pipelines, nuclear power plants, and chemical plants. However, there is always a risk of chemical contamination or explosion due to leakage of high-temperature and high-pressure fluids when the pipe breaks. Therefore, as an alternative, a pipe-in-pipe (PIP) structure was developed in which a pipe is added to prevent fluids from leaking to the outside even if they leak. In other words, the PIP structure refers to a double-pipe form with an inner pipe and an outer pipe. This PIP structure is used as an essential method for safety in piping systems with a risk of contamination, such as heat exchange systems in nuclear power plants, chemical plants, or oil drilling. In addition, the PIP structure has excellent insulation performance, so it is particularly important in plants that require the transfer of high-temperature fluids.
상기 PIP 구조에서는 내부 파이프의 누출 현상을 조기에 감지하는 것이 매우 중요하다. PIP 구조에서 내부 파이프에는 고온 고압의 유체가 흐르며, 이러한 유체의 누출이 지속될 경우 큰 사고로 이어질 수 있기 때문이다. 그러나 아직까지 PIP 구조에서 내부 파이프의 누출을 조기에 감지하는 작업은 매우 힘들었다.In the above PIP structure, it is very important to detect leakage of the inner pipe early. This is because in the PIP structure, high temperature and high pressure fluid flows through the inner pipe, and if leakage of this fluid continues, it can lead to a major accident. However, it has been very difficult to detect leakage of the inner pipe in the PIP structure early.
PIP 구조에서 내부 파이프의 누출을 감지하는 기술들은 많이 제안된 바 있다. 누출 감지 기술들의 예를 보면, 선행문헌 1은 자속 누설을 이용하여 파이프라인의 파손을 감지하는 기술이 공개되어 있고, 선행문헌 2는 파이프라인 모델과 파이프라인의 유체 압력 분석을 사용하여 누출 위치를 수치적으로 분석하는 기술이 공개되어 있으며, 선행문헌 3, 4는 와이어형 센서를 이용하여 누출을 감지하는 기술이 공개되어 있으며, 선행문헌 5는 에어로졸 감지기를 이용하는 기술이 공개된 바 있다.Many techniques have been proposed to detect leaks in internal pipes in PIP structures. For example, prior art document 1 discloses a technique for detecting pipeline damage using magnetic flux leakage, prior art document 2 discloses a technique for numerically analyzing a leak location using a pipeline model and fluid pressure analysis of the pipeline, prior art documents 3 and 4 disclose techniques for detecting leaks using wire-type sensors, and prior art document 5 discloses a technique for using an aerosol detector.
그러나 상기한 선행문헌들은 내부 파이프에서 누출되는 유체가 소량인 경우 이를 감지할 수 없고, 정확한 누출 위치도 파악하기 어려웠다. 설령 유체의 누출 현상을 감지하더라도 이를 파악하고 누출 위치를 찾기까지 많은 시간이 필요하였다. 또 감지기를 이용하는 경우는 교환 주기가 매우 짧기 때문에 비용이 증가하는 문제가 있었고, 누출 감지를 위한 최적환 시스템이 필요하지만, 이러한 최적화를 위한 조건으로 감지기의 위치나 간격 등을 배치하기 위한 노력이 필요하고, 나아가 PIP 구조의 배관 등이 모두 동일하지 않기 때문에, 최적화를 구축하는데 있어 시간 및 비용 증가를 초래한다.However, the above-mentioned prior literatures could not detect a small amount of fluid leaking from the internal pipe, and it was difficult to identify the exact location of the leak. Even if the fluid leak was detected, it took a long time to identify it and find the location of the leak. In addition, when using a detector, the replacement cycle was very short, so there was a problem that the cost increased, and although an optimal system for leak detection was required, efforts were needed to arrange the location and spacing of the detector as a condition for such optimization, and furthermore, since the piping of the PIP structure is not all the same, it leads to an increase in time and cost in establishing optimization.
본 발명의 목적은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, PIP 구조에서 내부 파이프의 유체 누출 현상을 조기에 감지할 수 있는 PIP의 누출 위치 감지장치 및 감지방법을 제공하는 것이다.The purpose of the present invention is to solve the above problems, and to provide a leak location detection device and detection method of a PIP capable of early detection of a fluid leak phenomenon of an internal pipe in a PIP structure.
본 발명의 다른 목적은, PIP의 내부 파이프에서 누출되는 유체량이 소량이더라도 이를 정확하게 감지할 수 있는 PIP의 누출 위치 감지장치 및 감지방법을 제공하는 것이다.Another object of the present invention is to provide a leak location detection device and detection method of a PIP capable of accurately detecting even a small amount of fluid leaking from an internal pipe of the PIP.
본 발명의 또 다른 목적은, DTS(Distributed Temperature Sensing, 분포 온도 측정)를 통한 온도 데이터를 인공지능 기술에 적용하여 내부 파이프의 누출 여부를 시각적으로 표현할 수 있는 PIP의 누출 위치 감지장치 및 감지방법을 제공하는 것이다.Another object of the present invention is to provide a leak location detection device and detection method of a PIP that can visually express whether or not there is a leak in an internal pipe by applying temperature data through DTS (Distributed Temperature Sensing) to artificial intelligence technology.
본 발명의 또 다른 목적은, FFT(Fast Fourier Transform)와 영상처리기법을 이용하여 내부 파이프의 누출 여부를 정확하게 감지할 수 있는 PIP의 누출 위치 감지장치 및 감지방법을 제공하는 것이다.Another object of the present invention is to provide a leak location detection device and detection method of a PIP that can accurately detect whether there is a leak in an internal pipe by using FFT (Fast Fourier Transform) and an image processing technique.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the description below.
이와 같은 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 PIP(Pipe-in-Pipe)의 누출 위치 감지장치는, 제1 직경의 내부 파이프; 제1 직경보다 큰 제2 직경을 가지며, 상기 내부 파이프를 감싸는 외부 파이프; 상기 내부 파이프와 외부 파이프 사이에 설치되어 상기 내부 파이프의 길이방향으로 온도를 측정하는 DTS(Distributed Temperature Sensing) 디바이스; 상기 DTS 디바이스의 온도 데이터를 2차원 영상 데이터로 처리하는 데이터 처리부; 상기 2차원 영상 데이터를 입력받아 기계 학습하는 학습부; 및 상기 학습부의 학습결과에 따라 상기 내부 파이프의 누출 여부를 판단하는 판단부를 포함하여 구성되는 것을 특징으로 한다.In order to achieve the above-described purpose, according to an embodiment of the present invention, a leak location detection device of a PIP (Pipe-in-Pipe) is characterized by comprising: an inner pipe having a first diameter; an outer pipe having a second diameter larger than the first diameter and surrounding the inner pipe; a DTS (Distributed Temperature Sensing) device installed between the inner pipe and the outer pipe and measuring a temperature in a longitudinal direction of the inner pipe; a data processing unit which processes temperature data of the DTS device into two-dimensional image data; a learning unit which receives the two-dimensional image data and performs machine learning; and a judgment unit which determines whether there is a leak in the inner pipe based on a learning result of the learning unit.
상기 내부 파이프와 외부 파이프 사이 공간은 질소(Nitrogen)가 충진된다.The space between the inner pipe and the outer pipe is filled with nitrogen.
상기 데이터 처리부는, one-point 데이터를 생성하도록 상기 내부 파이프의 길이 방향을 따라 서로 인접한 2개의 측정 지점들 간의 온도 차이의 표준편차를 계산하는 표준편차 계산부; 상기 one-point 데이터를 FFT 변환하는 FFT부; 및 상기 FFT 변환된 데이터를 2차원 영상 데이터로 변환하는 변환부를 포함하여 구성된다.The above data processing unit is configured to include a standard deviation calculation unit that calculates a standard deviation of a temperature difference between two adjacent measurement points along the length direction of the inner pipe to generate one-point data; an FFT unit that FFT-converts the one-point data; and a conversion unit that converts the FFT-converted data into two-dimensional image data.
상기 학습부는, CNN Convolutional Neural Network) 모델이고, 상기 CNN 모델은 크기에 따라 결정된 픽셀에서 특징을 추출하는 4개의 컨볼루션 레이어(convolution layer); 정규화 및 평균 풀링작업을 통해 입력 데이터의 너비, 크기 및 특징 맵의 사이즈를 조절하는 트랜지션 레이어(transition layer); 클래스를 분류하는 완전 연결 레이어(fully-connected layer) 및 소프트맥스 레이어(softmax layer)를 포함하여 구성된다.The above learning unit is a CNN Convolutional Neural Network (CNN) model, and the CNN model is configured to include four convolution layers that extract features from pixels determined according to size; a transition layer that adjusts the width and size of input data and the size of the feature map through normalization and average pooling operations; a fully-connected layer and a softmax layer that classify classes.
상기 판단부는 상기 CNN 모델의 결과 데이터를 시각적으로 표현하는 t-SNE 알고리즘이 사용된다.The above judgment part uses the t-SNE algorithm to visually express the result data of the CNN model.
본 발명의 다른 실시 예에 따른 PIP의 누출 위치 감지방법은, 내부 파이프와 외부 파이프 사이에 설치된 DTS 디바이스가 상기 내부 파이프의 외부 온도를 실시간 측정하는 제1 단계; 데이터 처리부가 상기 측정된 온도 데이터를 영상 데이터화 하는 제2 단계; 학습부가 상기 영상 데이터를 인공지능(AI) 기술을 활용하여 학습하는 제3 단계; 및 판단부가 상기 학습 결과를 통해 누출 여부를 판단하는 제4 단계를 포함하여 진행되는 것을 특징으로 한다.A method for detecting a leak location of a PIP according to another embodiment of the present invention is characterized by including a first step in which a DTS device installed between an inner pipe and an outer pipe measures the external temperature of the inner pipe in real time; a second step in which a data processing unit converts the measured temperature data into image data; a third step in which a learning unit learns the image data using artificial intelligence (AI) technology; and a fourth step in which a judgment unit determines whether there is a leak based on the learning result.
상기 제2 단계는, 상기 내부 파이프의 어느 한 제1 지점과 상기 제1 지점과 인접한 제2 지점간의 표준편차 값을 계산하여, DTS 온도 데이터를 one-point 데이터로 생성하는 전처리 단계; 상기 전처리 된 one-point 데이터를 FFT 변환하는 FFT 변환 단계; 상기 변환된 FFT 데이터를 2차원 영상 데이터로 변환하는 데이터 변환 단계를 포함하고, 여기서 상기 제1 지점과 상기 제2 지점은 연속해서 나타난다.The second step includes a preprocessing step of calculating a standard deviation value between a first point of the inner pipe and a second point adjacent to the first point to generate DTS temperature data as one-point data; an FFT conversion step of FFT-converting the preprocessed one-point data; and a data conversion step of converting the converted FFT data into two-dimensional image data, wherein the first point and the second point appear continuously.
상기 제3 단계는 컨볼루션 신경망(CNN)에 의해 수행된다.The third step is performed by a convolutional neural network (CNN).
상기 제4 단계는 상기 2차원 영상 데이터를 시각화하여 제공한다.The fourth step provides a visualization of the two-dimensional image data.
상기 내부 파이프의 누출 지점은, 상기 내부 파이프에서 제1 지점, 상기 제1 지점과 인접한 제2 지점간의 온도 차이가 가장 큰 지점일 수 있다.The leakage point of the inner pipe may be a point where the temperature difference between a first point in the inner pipe and a second point adjacent to the first point is the greatest.
이와 같은 본 발명은 영상화된 DTS 온도 데이터와 CCN 기술을 이용하여 PIP 구조의 내부 파이프의 누출 여부를 조기에 감지할 수 있는 효과가 있다.The present invention has the effect of enabling early detection of leakage in an internal pipe of a PIP structure by using visualized DTS temperature data and CCN technology.
본 발명에 따르면 PIP 구조의 동작 온도가 계속 변화하는 환경에서도 누출 여부를 효율적으로 감지할 수 있는 효과가 있다.According to the present invention, there is an effect of efficiently detecting whether there is a leak even in an environment where the operating temperature of the PIP structure continuously changes.
따라서 본 발명은 원자력 발전소나 화학 플랜트와 같은 고온 유체를 공급하는 시스템의 안전성을 향상시킬 수 있다.Therefore, the present invention can improve the safety of a system that supplies high-temperature fluids, such as a nuclear power plant or a chemical plant.
도 1은 본 발명의 설명을 위해 제안된 SFR 시스템 구성도이다.
도 2는 본 발명의 실시 예에 따른 SFR 시스템의 PIP 구조를 나타내고 있는 구성도이다.
도 3은 도 2의 PIP 구조의 단면도이다.
도 4는 본 발명의 실시 예에 따라 PIP의 누출 위치 감지장치를 도시한 구성도이다.
도 5는 본 발명에 적용된 CNN 구조도이다.
도 6은 본 발명의 실시 예에 따른 누출 감지방법을 설명하는 흐름도이다.
도 7은 본 발명의 누출 감지방법에 따라 온도 데이터를 처리한 실시 예 도면이다.
도 8은 본 발명에 따라 DTS 온도 데이터 측정 및 이의 전처리 과정을 설명하기 위한 예시 그래프이다.Figure 1 is a configuration diagram of an SFR system proposed for explaining the present invention.
FIG. 2 is a configuration diagram showing the PIP structure of an SFR system according to an embodiment of the present invention.
Figure 3 is a cross-sectional view of the PIP structure of Figure 2.
FIG. 4 is a configuration diagram illustrating a leak location detection device of a PIP according to an embodiment of the present invention.
Figure 5 is a diagram of the CNN structure applied to the present invention.
Figure 6 is a flowchart explaining a leak detection method according to an embodiment of the present invention.
Figure 7 is a diagram showing an example of processing temperature data according to the leak detection method of the present invention.
Figure 8 is an example graph for explaining the DTS temperature data measurement and its preprocessing process according to the present invention.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.The present invention can be modified in various ways and has various embodiments, and specific embodiments are illustrated in the drawings and described in detail. However, this is not intended to limit the present invention to specific embodiments, and it should be understood that all modifications, equivalents, and substitutes included in the spirit and technical scope of the present invention are included. In describing the present invention, if it is determined that a specific description of a related known technology may obscure the gist of the present invention, the detailed description thereof will be omitted.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.The terms first, second, etc. may be used to describe various components, but the components should not be limited by the terms. The terms are used only to distinguish one component from another.
본 발명에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terminology used herein is only used to describe specific embodiments and is not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly indicates otherwise. In this application, the terms "comprises" or "has" and the like are intended to specify that a feature, number, step, operation, component, part or combination thereof described in the specification is present, but should be understood to not exclude in advance the possibility of the presence or addition of one or more other features, numbers, steps, operations, components, parts or combinations thereof.
공간적으로 상대적인 용어인 아래(below, beneath, lower), 위(above, upper) 등은 도면에 도시되어 있는 바와 같이 하나의 소자 또는 구성 요소들과 다른 소자 또는 구성 요소들과의 상관 관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 소자의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들면, 도면에 도시되어 있는 소자를 뒤집을 경우, 다른 소자의 아래(below, beneath)로 기술된 소자는 다른 소자의 위(above, upper)에 놓여질 수 있다. 따라서, 예시적인 용어인 아래는 아래와 위의 방향을 모두 포함할 수 있다. 소자는 다른 방향으로도 배향될 수 있고, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.The spatially relative terms, such as below, beneath, lower, above, upper, etc., can be used to easily describe the relationship between one element or component and other elements or components, as depicted in the drawings. The spatially relative terms should be understood to include different orientations of the elements during use or operation in addition to the orientations depicted in the drawings. For example, if an element depicted in the drawings is flipped over, an element described as being below or beneath another element may end up being placed above or above the other element. Thus, the exemplary term below can include both the below and above directions. The elements may also be oriented in other directions, and thus the spatially relative terms may be interpreted according to the orientation.
본 발명에서 사용되는 “부” 또는 “부분” 등의 일부분을 나타내는 표현은 해당 구성요소가 특정 기능을 포함할 수 있는 장치, 특정 기능을 포함할 수 있는 소프트웨어, 또는 특정 기능을 포함할 수 있는 장치 및 소프트웨어의 결합을 나타낼 수 있음을 의미하나, 꼭 표현된 기능에 한정된다고 할 수는 없으며, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.The expressions “part” or “section” used in the present invention to indicate a part mean that the corresponding component can represent a device that can include a specific function, software that can include a specific function, or a combination of a device and software that can include a specific function, but are not necessarily limited to the expressed function. This is provided only to help a more general understanding of the present invention, and those with common knowledge in the field to which the present invention pertains can make various modifications and variations from this description.
또한, 본 발명에서 사용되는 모든 전기 신호들은 일 예시로서, 본 발명의 회로에 반전기 등을 추가적으로 구비하는 경우 이하 설명될 모든 전기 신호들의 부호가 반대로 바뀔 수 있음을 유의해야 한다. 따라서, 본 발명의 권리범위는 신호의 방향에 한정되지 않는다.In addition, it should be noted that all electric signals used in the present invention are merely examples, and if an inverter or the like is additionally provided in the circuit of the present invention, the signs of all electric signals described below may be reversed. Therefore, the scope of the present invention is not limited to the direction of the signal.
따라서, 본 발명의 사상은 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.Therefore, the idea of the present invention should not be limited to the described embodiments, and all things that are equivalent or equivalent to the claims described below as well as the claims are considered to belong to the scope of the idea of the present invention.
이하에서는 도면에 도시한 실시 예에 기초하면서 본 발명에 대하여 더욱 상세하게 설명하기로 한다.Hereinafter, the present invention will be described in more detail based on embodiments illustrated in the drawings.
원자력 발전소 등의 경우 설비 운전 중에 누설량에 따라 제한된 시간안에 누설을 탐지하여야 한다. 누설을 조기에 탐지하지 못하는 경우 화재가 발생하여 중대 사고로 이어질 수 있다. 따라서 본 발명은 소량이 누출되더라도 누출 여부는 물론 누출 위치를 신속하고 정확하게 감지할 수 있는 구성이라 할 것이다.In the case of nuclear power plants, etc., during the operation of the facility, it is necessary to detect leakage within a limited time according to the amount of leakage. If the leakage is not detected early, a fire may occur, which may lead to a serious accident. Therefore, the present invention is a configuration that can quickly and accurately detect the presence of a leak as well as the location of the leak, even if a small amount is leaked.
도 1은 본 발명의 설명을 위해 제안된 SFR 시스템 구성도이다.Figure 1 is a configuration diagram of an SFR system proposed for explaining the present invention.
SFR(sodium fast reactor)(1)는 사용 후 핵연료 처리를 위한 원자로로 개발되고 있는 소듐 냉각 고속로를 말하며, 상기 SFR 시스템(1)은 유체로서 sodium을 사용하기 때문에 누출될 경우 화재로 인한 안전사고 발생 위험이 있고 적절한 조치가 취해지지 않으면 위험한 상황으로 진행될 수 있다.SFR (sodium fast reactor) (1) refers to a sodium-cooled fast reactor being developed as a reactor for processing spent nuclear fuel. Since the SFR system (1) uses sodium as a fluid, there is a risk of a safety accident due to fire in the event of a leak, and if appropriate measures are not taken, it can lead to a dangerous situation.
특히 SFR 시스템(1)에서 열 교환기(3)가 있는 primary sodium(2)과 secondary sodium(4) 사이를 연결하는 열전달 파이프에서 누출이 일어날 경우 외부로 누출 가능성이 있으므로 누출 방지를 위한 추가 수단이 필요하다. 따라서 이러한 SFR(1) 에서는 sodium의 외부 누출을 방지하기 위하여 배관을 구획하거나 이중관으로 구성할 필요가 있고, 이를 기초로 하여 본 실시 예의 경우 도 1의 열 전달 파이프(5)배관에 누출 감지 PIP 구조가 적용된 예를 제안하고 있는 것이다.In particular, in the case of a leak in the heat transfer pipe connecting the primary sodium (2) and the secondary sodium (4) with the heat exchanger (3) in the SFR system (1), there is a possibility of leakage to the outside, so additional means for preventing leakage are required. Therefore, in such an SFR (1), it is necessary to partition the pipe or configure it as a double pipe to prevent external leakage of sodium, and based on this, in the case of this embodiment, an example in which a leak detection PIP structure is applied to the heat transfer pipe (5) of FIG. 1 is proposed.
도 2는 본 발명의 실시 예에 따른 SFR 시스템의 PIP 구조를 나타내고 있는 구성도이고, 도 3은 도 2의 PIP 구조의 단면도이다.FIG. 2 is a configuration diagram showing the PIP structure of an SFR system according to an embodiment of the present invention, and FIG. 3 is a cross-sectional view of the PIP structure of FIG. 2.
도 2에 도시한 바와 같이, 누출 감지장치가 설치된 PIP 구조(100)는 제1 직경의 내부 파이프(110), 제1 직경보다 큰 제2 직경의 외부 파이프(120), 내부 파이프(110)와 외부 파이프(120) 사이에 삽입되어 내부 파이프(110)의 주위 온도를 측정하는 DTS(Distributed Temperature Sensing) 디바이스(130)를 포함한다.As illustrated in FIG. 2, a PIP structure (100) having a leak detection device installed includes an inner pipe (110) having a first diameter, an outer pipe (120) having a second diameter larger than the first diameter, and a Distributed Temperature Sensing (DTS) device (130) inserted between the inner pipe (110) and the outer pipe (120) to measure the ambient temperature of the inner pipe (110).
상기 DTS 디바이스(130)는 레이저 펄스의 산란광을 시간으로 분할하여 온도 및 거리를 분석하는 방식이다. 도면에서 도시하지 않았지만 이러한 DTS 디바이스는 보통 온도 감지선과 광 펄스 생성 레이저부, 산란광을 수신하여 분석하는 신호 처리부 등의 구성들을 포함하여 구성되며, 온도 감지선은 광 섬유(optical fiber)가 사용되고 있다. 온도 측정 방식의 예를 설명하면, PIP 구조에서 온도가 높아지는 지점은 분자 운동이 상승하는데, 펄스광이 투사되면 펄스광으로부터 에너지를 받아 분자운동은 더욱 활성화되고, 이때 투사된 펄스광의 대부분은 전방으로 진행하나 일부 산란된 광은 회귀하게 된다. 이러한 산란광을 통해 내부 파이프(110) 주변의 분포된 온도를 측정하는 것이다. 여기서 DTS 디바이스(130) 구조 및 이를 이용한 온도 측정 방식은 공지된 기술로서 본 실시 예에서는 상세 설명은 생략할 것이다.The above DTS device (130) is a method of analyzing temperature and distance by dividing scattered light of a laser pulse by time. Although not shown in the drawing, such a DTS device is usually configured to include components such as a temperature sensing line, a light pulse generating laser unit, and a signal processing unit that receives and analyzes scattered light, and an optical fiber is used as the temperature sensing line. As an example of a temperature measurement method, in a PIP structure, the point where the temperature increases is where molecular motion increases, and when pulse light is projected, energy is received from the pulse light and the molecular motion becomes more active, and at this time, most of the projected pulse light moves forward, but some scattered light returns. The distributed temperature around the internal pipe (110) is measured through this scattered light. Here, the structure of the DTS device (130) and the temperature measurement method using the same are known technologies, and a detailed description thereof will be omitted in this embodiment.
이처럼 DTS 디바이스(130)는 광섬유를 이용하여 온도를 측정하는 것이고, 하나의 광섬유를 사용하여 여러 위치의 온도 변화를 실시간으로 모니터링 할 수 있다는 장점이 있다. 또 간단한 설치 작업으로 내부 파이프(110)의 어느 위치에서나 온도 측정이 가능하고, 외부 충격과 고온에 강하여 주변보다 상대적으로 온도가 높은 유체를 사용하는 PIP 구조에 이점이 있다. 이러한 이유로 본 발명은 광섬유를 포함한 DTS 디바이스를 적용하는 것이다.In this way, the DTS device (130) measures temperature using optical fibers, and has the advantage of being able to monitor temperature changes at multiple locations in real time using a single optical fiber. In addition, temperature measurement is possible at any location in the inner pipe (110) with simple installation work, and it is advantageous in that it is resistant to external impact and high temperatures, and uses a fluid that is relatively hotter than the surroundings in a PIP structure. For this reason, the present invention applies a DTS device including an optical fiber.
한편 도 2에서 보듯이 본 발명의 시뮬레이션을 위한 구성의 일환으로 상기 내부 파이프(110)의 중앙에 삽입되어 수온이 일정하게 유지하는 카트리지 히터(140), 써머커플(Thermocouple)(150) 소자 등이 더 설치되어 있음을 알 수 있다. 여기서 써머커플(150)의 설치는 예를 들면 원주 방향으로 내부 파이프(110)에 소정 각도(45°) 간격으로 소정 개수 설치하고 내부 파이프(110)와 외부 파이프(120) 사이에 소정 각도(90°) 간격으로 설치할 수 있다. 물론 이러한 설치 설계는 내부 파이프(110)의 온도 변화를 효과적으로 측정할 수 있다면 다른 설계 방식으로도 충분히 가능할 것이다.Meanwhile, as shown in Fig. 2, as part of the configuration for the simulation of the present invention, a cartridge heater (140), a thermocouple (150) element, etc., which are inserted into the center of the inner pipe (110) to maintain a constant water temperature, are further installed. Here, the thermocouple (150) may be installed, for example, in a predetermined number at predetermined angles (45°) apart in the circumferential direction in the inner pipe (110) and at predetermined angles (90°) apart between the inner pipe (110) and the outer pipe (120). Of course, such an installation design may be sufficiently possible with other design methods as long as the temperature change of the inner pipe (110) can be effectively measured.
도 3을 보면, 내부 파이프(110)를 통해 열전달 유체인 sodium이 흐르며, 내부 파이프(110)와 외부 파이프(120)의 사이 공간(S)은 누출이 발생하더라도 공기 중의 산소나 물과의 접촉을 방지하도록 질소(Nitrogen)가 채워져 있고, 제2 파이프의 외부는 유리 섬유(glass wool)로 단열되어 있다.Referring to FIG. 3, sodium, a heat transfer fluid, flows through the inner pipe (110), and the space (S) between the inner pipe (110) and the outer pipe (120) is filled with nitrogen to prevent contact with oxygen or water in the air even if a leak occurs, and the outside of the second pipe is insulated with glass wool.
도 4는 본 발명의 실시 예에 따라 PIP의 누출 위치 감지장치를 도시한 구성도이다.FIG. 4 is a configuration diagram illustrating a leak location detection device of a PIP according to an embodiment of the present invention.
도 4를 보면, PIP의 누출 위치 감지장치(200)는 내/외부 파이프(110,120) 사이에 설치되어 주변 온도를 측정하는 DTS 디바이스(130), DTS 디바이스(130)가 측정한 온도 데이터를 2차원 영상 데이터화 하는 데이터 처리부(210), 2차원 영상 데이터를 인공지능 기술을 이용하여 학습하는 학습부(220), 및 학습 결과에 따라 배관(즉 내부 파이프)의 누출 여부를 판단하는 판단부(230)를 포함하여 구성된다.Referring to FIG. 4, the leak location detection device (200) of the PIP is configured to include a DTS device (130) installed between inner/outer pipes (110, 120) to measure the surrounding temperature, a data processing unit (210) that converts the temperature data measured by the DTS device (130) into two-dimensional image data, a learning unit (220) that learns the two-dimensional image data using artificial intelligence technology, and a judgment unit (230) that determines whether there is a leak in the pipe (i.e., the inner pipe) based on the learning result.
상기 데이터 처리부(210)는 학습부(220)가 학습할 수 있도록 데이터를 처리하기 때문에 데이터를 전처리 하는 유닛이라 할 수 있다. 실시 예에 따르면 데이터 처리부(210)는 표준편차 계산부(211), FFT부(Fast Fourier transform unit)(212) 및 변환부(spectrogram conversion unit)(213)를 포함한다.The above data processing unit (210) can be said to be a unit that preprocesses data because it processes data so that the learning unit (220) can learn. According to an embodiment, the data processing unit (210) includes a standard deviation calculation unit (211), an FFT unit (Fast Fourier transform unit) (212), and a conversion unit (spectrogram conversion unit) (213).
여기서, 표준편차 계산부(211)는, 내부 파이프(110)의 측정되는 두 지점들 간의 온도 차이의 표준편차를 계산하여 one-point 데이터를 생성한다. 그리고 FFT부(212)는 one-point 데이터를 FFT 변환하고, 변환부(213)는 FFT 변환된 데이터를 2차원 영상 데이터로 변환한다. 여기서 2차원 영상 데이터로 변환하는 이유는 학습부(220)가 FFT 변환 데이터로는 인공지능 분석, 즉 CNN 분석을 수행할 수 없기 때문이다. 실시 예에 따르면, FFT 데이터는 변환부(213)에 의해 스펙트로그램으로 변환되어 주파수와 진폭의 관계를 2차원 영상의 색차로 표현될 수 있다.Here, the standard deviation calculation unit (211) calculates the standard deviation of the temperature difference between two measured points of the inner pipe (110) to generate one-point data. Then, the FFT unit (212) performs FFT conversion on the one-point data, and the conversion unit (213) converts the FFT-converted data into two-dimensional image data. The reason for converting into two-dimensional image data here is that the learning unit (220) cannot perform artificial intelligence analysis, i.e., CNN analysis, with FFT-converted data. According to an embodiment, the FFT data is converted into a spectrogram by the conversion unit (213), so that the relationship between frequency and amplitude can be expressed as a color difference of a two-dimensional image.
상기 학습부(220)는 딥러닝 알고리즘인 CNN Convolutional Neural Network)이 이용된다. 상기 CNN은 커널 크기에 따라 결정된 픽셀에서 특징을 추출하는 컨볼루션 레이어(convolution layer)(221), 정규화 및 평균 풀링작업을 통해 입력 데이터의 너비, 크기 및 특징 맵의 사이즈를 줄이기 위한 트랜지션 레이어(transition layer)(222), 클래스를 분류하는 완전 연결 레이어(fully-connected layer)(223)와 소프트맥스 레이어(softmax layer)(224)를 포함하여 구성된다.The above learning unit (220) uses a deep learning algorithm, CNN Convolutional Neural Network. The CNN is configured to include a convolution layer (221) that extracts features from pixels determined according to a kernel size, a transition layer (222) that reduces the width and size of input data and the size of a feature map through normalization and average pooling operations, a fully-connected layer (223) that classifies classes, and a softmax layer (224).
상기 판단부(230)는 t-SNE 알고리즘을 사용하여 시각화를 통해 평가할 수 있도록 한다. 상기 t-SNE 알고리즘은 CNN(220)의 결과 데이터를 시각적으로 표현하는데 사용되는 것이다.The above judgment unit (230) enables evaluation through visualization using the t-SNE algorithm. The t-SNE algorithm is used to visually express the result data of the CNN (220).
본 실시 예에 따른 CNN 구조는 도 5에 도시하였다.The CNN structure according to this embodiment is illustrated in Fig. 5.
도 5를 보면 CNN 구조에서 상기 컨볼루션 레이어(221)는 총 4개가 사용된다. 그리고 데이터 처리과정을 보면 3-tensor을 입력으로 하여, 99(너비)×5(높이)×1(깊이), 23×5×8, 10×5×8, 4×4×8, 1×1×9의 이미지 크기를 처리하고 있다.As shown in Fig. 5, a total of four convolution layers (221) are used in the CNN structure. And as shown in the data processing process, a 3-tensor is input, and image sizes of 99 (width) x 5 (height) x 1 (depth), 23 x 5 x 8, 10 x 5 x 8, 4 x 4 x 8, and 1 x 1 x 9 are processed.
도 6은 본 발명의 실시 예에 따른 누출 감지방법을 설명하는 흐름도이고, 도 7은 누출 감지방법에 따라 온도 데이터를 처리한 실시 예 도면이다.FIG. 6 is a flowchart explaining a leak detection method according to an embodiment of the present invention, and FIG. 7 is a diagram showing an embodiment of processing temperature data according to the leak detection method.
본 발명의 PIP 구조(100)와 같이 내부 파이프(110)와 외부 파이프(120)의 2중관 배관 구조에서, 내부 파이프(110)와 외부 파이프(120) 사이에 설치된 DTS 디바이스(130)는 실시간으로 내부 파이프(110)의 온도를 측정한다(S100). 온도 측정은 내부 파이프(110)의 소정 간격마다 측정이 가능하며, 측정된 온도 데이터는 데이터 처리부(210)로 전달된다.In a double-pipe piping structure of an inner pipe (110) and an outer pipe (120) such as the PIP structure (100) of the present invention, a DTS device (130) installed between the inner pipe (110) and the outer pipe (120) measures the temperature of the inner pipe (110) in real time (S100). Temperature measurement is possible at predetermined intervals of the inner pipe (110), and the measured temperature data is transmitted to the data processing unit (210).
데이터 처리부(210)가 온도 데이터를 인가받게 되면, 이를 영상 데이터로 변환하는 과정을 수행한다(S110). 구체적으로, 먼저 표준편차 계산부(211)가 측정된 온도 데이터(즉 raw data)를 기초로 하여 어느 한 지점과 인접한 지점 간의 표준편차 값을 계산하여 전처리 수행한다(도 7의 a 참조)(S111). 상기 과정에 의해 one-point 데이터가 생성된다. 그런 다음 FFT부(212)가 상기 one-point 데이터를 FFT 변환하고(도 7의 b)(S112), 변환부(213)는 FFT 변환된 데이터를 처리하여 2차원 영상 데이터로 변환한다(도 7의 c)(S113). 이렇게 변환된 2차원 영상 데이터는 학습부(220)로 전달된다.When the data processing unit (210) receives temperature data, it performs a process of converting it into image data (S110). Specifically, first, the standard deviation calculation unit (211) calculates a standard deviation value between a point and an adjacent point based on the measured temperature data (i.e., raw data) and performs preprocessing (see a of FIG. 7) (S111). One-point data is generated through the above process. Then, the FFT unit (212) performs FFT conversion on the one-point data (b of FIG. 7) (S112), and the conversion unit (213) processes the FFT-converted data and converts it into two-dimensional image data (c of FIG. 7) (S113). The two-dimensional image data thus converted is transmitted to the learning unit (220).
학습부(220)는 컨볼루션 레이어(221), 트랜지션 레이어(222), 완전 연결 레이어(223) 및 소프트맥스 레이어(224)의 동작을 통해 2차원 영상 데이터를 학습한다(도 7의 d)(S120).The learning unit (220) learns two-dimensional image data through the operations of a convolution layer (221), a transition layer (222), a fully connected layer (223), and a softmax layer (224) (S120 of FIG. 7d).
그러면 판단부(230)는 최종적으로 2차원 영상 데이터에 대해 t-SNE 알고리즘을 사용하여 시각화를 통해 내부 파이프(110)의 누출 여부를 판단한다(도 7의 e)(S130).Then, the judgment unit (230) finally uses the t-SNE algorithm on the two-dimensional image data to visualize and determine whether there is a leak in the internal pipe (110) (S130 of FIG. 7).
본 실시 예에 따르면 내부 파이프(110)의 측정된 온도 데이터를 참조하면, 온도 차이가 가장 큰 지점이 누출 위치일 수 있다. 그리고 이러한 판단결과에 따라 작업자는 내부 파이프(110)의 어느 위치에서 누출이 발생하였는지 확인할 수 있고, 후속 조치를 취할 수 있게 된다.According to this embodiment, referring to the measured temperature data of the inner pipe (110), the point where the temperature difference is the greatest may be the location of the leak. And based on this judgment result, the worker can check where the leak occurred in the inner pipe (110) and take follow-up measures.
도 8은 본 발명에 따라 DTS 온도 데이터 측정 및 이의 전처리 과정을 설명하기 위한 예시 그래프이다.Figure 8 is an example graph for explaining the DTS temperature data measurement and its preprocessing process according to the present invention.
도 8에서 (a)는 다양한 실험 조건에 따라 3 지점에서의 온도 데이터를 나타내고 있다. 그래프와 같이 유체 온도 변화를 확인할 수 있다.In Fig. 8, (a) shows temperature data at three points according to various experimental conditions. The change in fluid temperature can be confirmed as shown in the graph.
도 8에서 (b)는 실험에서 누출 지점과 인접 지점 사이의 온도 차이를 나타내고 있다. 누출 지점(X0)과 인접 지점(X-, X+) 간의 온도 비율은 각각 R1(X-/X0)와 R2(X0/X+)로 각각 계산된다. 그리고 R1와 R2간의 차이의 표준편차는 one-point 데이터를 생성하기 위해 계산된다.In Fig. 8, (b) shows the temperature difference between the leak point and the adjacent point in the experiment. The temperature ratios between the leak point (X0 ) and the adjacent points (X- , X+ ) are calculated as R1 (X- /X0 ) and R2 (X0 /X+ ), respectively. And the standard deviation of the difference between R1 and R2 is calculated to generate one-point data.
도 8에서 (c)가 계산된 one-point 데이터를 나타내고 있다. 상기 one-point 데이터는 PIP 배관 구조에서 내부 파이프의 누출 위치 감지를 위해 최적화된 데이터라고 할 수 있다.In Fig. 8, (c) shows the calculated one-point data. The one-point data can be said to be optimized data for detecting a leak location of an inner pipe in a PIP piping structure.
본 발명에 따르면, DTS와 CNN 기법을 이용하여 PIP 배관에서의 누출을 감지함에 있어, 다양한 누출율과 온도 조건에서 약 1000초 이내에 86.25%의 정확도로 누출을 감지할 수 있음을 실험을 통해 확인되었다.According to the present invention, it was experimentally confirmed that leaks can be detected with an accuracy of 86.25% within about 1000 seconds under various leak rates and temperature conditions when detecting leaks in PIP pipes using DTS and CNN techniques.
즉 실험에서는 하기 표 1과 같이 ADADELTA, ADAGRAD, SGD 및 ADAM의 4가지 유형의 최적화 프로그램을 사용했을 때, ADAM 최적화 프로그램을 사용했을 때가 가장 높은 정확도를 달성하고 있다.That is, in the experiment, when four types of optimization programs, ADADELTA, ADAGRAD, SGD, and ADAM, were used as shown in Table 1 below, the highest accuracy was achieved when the ADAM optimization program was used.
이와 같이 본 발명은 PIP 구조의 내부파이프에서 실시간으로 전달되는 온도 데이터를 이미지화 한 다음, 그 이미지 데이터를 학습모델을 통해 학습함으로써, 빠르고 정확하게 누출 여부 및 위치를 확인할 수 있게 됨을 알 수 있다.In this way, it can be seen that the present invention can quickly and accurately identify the presence and location of a leak by imaging temperature data transmitted in real time from an internal pipe of a PIP structure and then learning the image data through a learning model.
이상과 같이 본 발명의 도시된 실시 예를 참고하여 설명하고 있으나, 이는 예시적인 것들에 불과하며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자라면 본 발명의 요지 및 범위에 벗어나지 않으면서도 다양한 변형, 변경 및 균등한 타 실시 예들이 가능하다는 것을 명백하게 알 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적인 사상에 의해 정해져야 할 것이다.Although the present invention has been described with reference to the illustrated embodiments as above, these are merely exemplary, and it will be apparent to those skilled in the art to which the present invention pertains that various modifications, changes, and equivalent other embodiments are possible without departing from the spirit and scope of the present invention. Therefore, the true technical protection scope of the present invention should be determined by the technical idea of the appended claims.
130: DTS 디바이스
200: 누출 감지장치
210: 데이터 처리부
211: 표준편차 계산부
212: FFT부
213: 변환부
220: 학습부
221: 컨볼루션 레이어
222: 트랜지션 레이어
223: 완전연결 레이어
224: 소프트맥스 레이어
230: 판단부130: DTS Device
200: Leak detection device
210: Data Processing Unit
211: Standard Deviation Calculator
212: FFT section
213: Conversion section
220: Learning Department
221: Convolutional Layer
222: Transition Layer
223: Fully connected layer
224: Softmax layer
230: Judgment
Claims (10)
Translated fromKoreanone-point 데이터를 생성하도록 상기 DTS 디바이스가 상기 내부 파이프의 길이 방향을 따라 측정한 서로 인접한 2개의 측정 지점들 간의 온도 차이를 이용하여 표준 편차를 계산하는 표준편차 계산부;
상기 one-point 데이터를 FFT 변환하는 FFT부;
상기 변환된 FFT 데이터를 스펙트럼그램으로 변환하고 주파수와 진폭의 관계를 2차원 영상의 색차 데이터로 표현되게 변환하는 변환부;
상기 2차원 영상의 색차 데이터를 입력받아 기계학습하는 학습부; 및
상기 학습부의 학습결과에 따라 상기 내부 파이프의 누출 여부를 판단하는 판단부를 포함하여 구성되는 것을 특징으로 하는, PIP의 누출 위치 감지장치.A Distributed Temperature Sensing (DTS) device installed between an inner pipe having a first diameter and an outer pipe having a second diameter larger than the first diameter to measure temperature in the longitudinal direction of the inner pipe;
A standard deviation calculation unit for calculating a standard deviation by using the temperature difference between two adjacent measurement points measured along the length direction of the inner pipe by the DTS device to generate one-point data;
An FFT section that performs FFT conversion on the above one-point data;
A conversion unit that converts the above-mentioned converted FFT data into a spectrumgram and converts the relationship between frequency and amplitude into color difference data of a two-dimensional image;
A learning unit that inputs color difference data of the above two-dimensional image and performs machine learning; and
A PIP leak location detection device characterized by comprising a judgment unit that determines whether there is a leak in the internal pipe based on the learning results of the learning unit.
상기 내부 파이프와 외부 파이프 사이 공간은 질소(Nitrogen)가 충진되는, PIP의 누출 위치 감지장치.In paragraph 1,
A PIP leak location detection device, where the space between the inner pipe and the outer pipe is filled with nitrogen.
상기 학습부는, CNN (Convolutional Neural Network) 모델이고,
상기 CNN (Convolutional Neural Network)모델은,
크기에 따라 결정된 픽셀에서 특징을 추출하는 4개의 컨볼루션 레이어(convolution layer);
정규화 및 평균 풀링작업을 통해 입력 데이터의 너비, 크기 및 특징 맵의 사이즈를 조절하는 트랜지션 레이어(transition layer);
클래스를 분류하는 완전 연결 레이어(fully-connected layer) 및 소프트맥스 레이어(softmax layer)를 포함하여 구성되는, PIP의 누출 위치 감지장치.In paragraph 1,
The above learning unit is a CNN (Convolutional Neural Network) model,
The above CNN (Convolutional Neural Network) model,
Four convolution layers that extract features from pixels determined by their size;
A transition layer that adjusts the width, size, and feature map size of the input data through normalization and average pooling operations;
A PIP leak location detector comprising a fully-connected layer and a softmax layer for classifying classes.
상기 판단부는 상기 CNN (Convolutional Neural Network)모델의 결과 데이터를 시각적으로 표현하는 t-SNE 알고리즘을 사용하는, PIP의 누출 위치 감지장치.In paragraph 4,
The above judgment part is the CNN (Convolutional Neural Network)A PIP leak location detector using the t-SNE algorithm to visually represent the model's output data.
내부 파이프와 외부 파이프 사이에 설치된 DTS 디바이스가 상기 내부 파이프의 길이 방향으로 온도를 측정하는 제1 단계;
표준편차 계산부가 one-point 데이터를 생성하도록 상기 DTS 디바이스가 상기 내부 파이프의 길이 방향을 따라 측정한 서로 인접한 2개의 측정 지점들 간의 온도 차이를 이용하여 표준 편차를 계산하는 제2 단계;
FFT부가 상기 one-point 데이터를 FFT 변환하는 제3 단계;
변환부가 상기 변환된 FFT 데이터를 스펙트럼그램으로 변환하고 주파수와 진폭의 관계를 2차원 영상의 색차 데이터로 표현되게 변환하는 제4 단계;
학습부가 상기 2차원 영상의 색차 데이터를 인공지능(AI) 기술을 활용하여 학습하는 제5 단계; 및
판단부가 상기 학습 결과를 통해 누출 여부를 판단하는 제6 단계를 포함하여 진행되는 것을 특징으로 하는, PIP의 누출 위치 감지방법.In a method for detecting a leak location of the PIP, the leak location detection device of the PIP comprises:
A first step in which a DTS device installed between an inner pipe and an outer pipe measures the temperature in the longitudinal direction of the inner pipe;
A second step in which the DTS device calculates the standard deviation by using the temperature difference between two adjacent measurement points measured along the length direction of the inner pipe so that the standard deviation calculation unit generates one-point data;
The third step of FFT conversion of the one-point data;
A fourth step in which the conversion unit converts the above-mentioned converted FFT data into a spectrumgram and converts the relationship between frequency and amplitude into color difference data of a two-dimensional image;
The fifth step in which the learning unit learns the color difference data of the above two-dimensional image using artificial intelligence (AI) technology; and
A method for detecting a leak location of a PIP, characterized in that the method includes a sixth step in which a judgment unit determines whether there is a leak based on the above learning results.
상기 제3 단계는 컨볼루션 신경망(CNN)에 의해 수행되는, PIP의 누출 위치 감지방법.In Article 6
The third step is a method for detecting a leak location of PIP, performed by a convolutional neural network (CNN).
상기 제6 단계는 상기 학습부의 학습 결과를 시각화하여 표현하는, PIP의 누출 위치 감지방법.In Article 6
The above 6th step is a method for detecting a PIP leak location by visualizing the learning results of the learning unit.
상기 내부 파이프의 누출 지점은, 상기 내부 파이프에서 제1 지점, 상기 제1 지점과 인접한 제2 지점간의 온도 차이가 가장 큰 지점인, PIP의 누출 위치 감지방법.In Article 6
A method for detecting a leak location of a PIP, wherein the leak point of the inner pipe is a point where the temperature difference between a first point in the inner pipe and a second point adjacent to the first point is the greatest.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220060061AKR102754811B1 (en) | 2022-05-17 | 2022-05-17 | PIP leak location detection device and Detection method using the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220060061AKR102754811B1 (en) | 2022-05-17 | 2022-05-17 | PIP leak location detection device and Detection method using the same |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230160509A KR20230160509A (en) | 2023-11-24 |
| KR102754811B1true KR102754811B1 (en) | 2025-01-21 |
Family
ID=88972537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220060061AActiveKR102754811B1 (en) | 2022-05-17 | 2022-05-17 | PIP leak location detection device and Detection method using the same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102754811B1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002515597A (en) | 1998-05-15 | 2002-05-28 | ゲゾ ゲゼルシャフト フュール ゼンゾーリク，ゲオテクニシェン ウムヴェルトシュツ ウント マテマーティシェ モデリールンク エムベーハー イェナ | Method and apparatus for permanently and automatically monitoring temperature distribution and / or temperature anomalies based on distributed fiber optic temperature sensing and applications of the method |
| KR102272100B1 (en) | 2020-07-28 | 2021-07-02 | 현대제철 주식회사 | Method and system for surface crack detection of continuous casting using deep learning images |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005221348A (en)* | 2004-02-04 | 2005-08-18 | Laserfront Technologies Inc | Piping with leak detecting function and leak detector |
- 2022
- 2022-05-17KRKR1020220060061Apatent/KR102754811B1/enactiveActive
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002515597A (en) | 1998-05-15 | 2002-05-28 | ゲゾ ゲゼルシャフト フュール ゼンゾーリク，ゲオテクニシェン ウムヴェルトシュツ ウント マテマーティシェ モデリールンク エムベーハー イェナ | Method and apparatus for permanently and automatically monitoring temperature distribution and / or temperature anomalies based on distributed fiber optic temperature sensing and applications of the method |
| KR102272100B1 (en) | 2020-07-28 | 2021-07-02 | 현대제철 주식회사 | Method and system for surface crack detection of continuous casting using deep learning images |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230160509A (en) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Advanced thermal fluid leakage detection system with machine learning algorithm for pipe-in-pipe structure | |
| CN102901748B (en) | Nondestructive testing device and method based on pipeline temperature field distribution | |
| Jia et al. | Multipoint hoop strain measurement based pipeline leakage localization with an optimized support vector regression approach | |
| Sachedina et al. | A review of pipeline monitoring and periodic inspection methods | |
| JP2022552498A (en) | Leak detection method | |
| KR102754811B1 (en) | PIP leak location detection device and Detection method using the same | |
| CN102737744B (en) | Nuclear power plant's instrument piping fire risk analysis method | |
| WO2015127255A1 (en) | Apparatus for distance measurement using inductive means | |
| Siraj et al. | Quantification of measurement errors in the lengths of metal-loss corrosion defects reported by inline inspection tools | |
| Sandhu et al. | Deep learning application for monitoring degradation in nuclear safety systems | |
| Kadir | Pipeline fault & leakage diagnosis in smart oil and gas field using electrical capacitance tomography: a review | |
| KR101958626B1 (en) | Apparatus for detecting crack of steam generator and method using thereof | |
| Park et al. | Conceptual Design for Underground Hydrogen Pipeline Monitoring System: Case Study on Fiber Optic Sensing | |
| Lamborn et al. | Probabilistic Surviving Population Remaining Life and Inspection Timing Guidance | |
| Awolusi et al. | Emerging technologies and systems for gas pipeline leak detection | |
| Kulkarni et al. | Offshore pipeline leak detection system concepts and feasibility study | |
| JP2688792B2 (en) | Temperature abnormality detection structure in fluid flow line | |
| Kanaan et al. | Leak Detection in Steel Pipelines: A Software for Mapping Thermal Anomalies and Ascertaining Pipeline Integrity | |
| Hlaing et al. | Defect analysis of operating hydro-gasified piping system | |
| JP2005127741A (en) | Leakage detection method and leak detection apparatus for gaseous substances | |
| JPH05223656A (en) | Temperature anomaly detection structure in fluid flow conduit | |
| CN107842714A (en) | An oil pipeline defect experimental system and method of a distributed optical fiber temperature measurement system | |
| Thom et al. | Failure probability calculation model applied to gas pipelines | |
| Sankarasubramanian et al. | IoT based Optimal Liquid Metal Pipeline Damage Detection Using Hybrid Soft Computing Techniques | |
| Aljaroudi et al. | Probabilistic performance assessment of fiber optic leak detection systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application | St.27 status event code:A-0-1-A10-A12-nap-PA0109 | |
| PA0201 | Request for examination | St.27 status event code:A-1-2-D10-D11-exm-PA0201 | |
| R18-X000 | Changes to party contact information recorded | St.27 status event code:A-3-3-R10-R18-oth-X000 | |
| R18-X000 | Changes to party contact information recorded | St.27 status event code:A-3-3-R10-R18-oth-X000 | |
| PG1501 | Laying open of application | St.27 status event code:A-1-1-Q10-Q12-nap-PG1501 | |
| R18-X000 | Changes to party contact information recorded | St.27 status event code:A-3-3-R10-R18-oth-X000 | |
| D13-X000 | Search requested | St.27 status event code:A-1-2-D10-D13-srh-X000 | |
| D14-X000 | Search report completed | St.27 status event code:A-1-2-D10-D14-srh-X000 | |
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection | St.27 status event code:A-1-2-D10-D21-exm-PE0902 | |
| E13-X000 | Pre-grant limitation requested | St.27 status event code:A-2-3-E10-E13-lim-X000 | |
| P11-X000 | Amendment of application requested | St.27 status event code:A-2-2-P10-P11-nap-X000 | |
| P13-X000 | Application amended | St.27 status event code:A-2-2-P10-P13-nap-X000 | |
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration | St.27 status event code:A-1-2-D10-D22-exm-PE0701 | |
| PN2301 | Change of applicant | St.27 status event code:A-3-3-R10-R13-asn-PN2301 St.27 status event code:A-3-3-R10-R11-asn-PN2301 | |
| P22-X000 | Classification modified | St.27 status event code:A-2-2-P10-P22-nap-X000 | |
| PG1601 | Publication of registration | St.27 status event code:A-4-4-Q10-Q13-nap-PG1601 | |
| R18-X000 | Changes to party contact information recorded | St.27 status event code:A-5-5-R10-R18-oth-X000 |