SISTEM MONITORING REAKTOR UNTUK VALIDASI SENSOR MENGGUNAKAN AUTOASSOCIA TIVE NEURAL NETWORK

(1)

Prosidil1g Semil1ar Hasil Pel1elitial1 P2TRR Tahul1 20M

ISSN 0854-5278

Krlstedjo Kurnianto

Pusat Pengembangan Teknologi Reaktor Riset-Batan

ABSTRAK

SISTEM MONITORING REAKTOR UNTUK VALIDASI SENSOR MENGGUNAKAN AUTOASSOCIA TIVE NEURAL NETWORK. Terjadinya penurunan unjuk kerja sebuah sensor sangat mempengaruhi keandalan operasi dan tingkat keselamatan reaktor nuklir. Penelitian ini menitik beratkan pada pengembangan metode validasi sinyal sensor yang dapat memberikan peringatan dini adanya drift pada sensor secara online tanpa menganggu operasi. Dengan menggunakan sinyal-sinyal dari sensor-sensor yang memiliki korelasi tinggi dibuat sebuah model dengan menggunakan Auto Associative Neural Network (AANN). AANN dilatih dengan menggunakan data pada berbagai kondisi operasi sehingga menghasilkan sinyal output yang sama dengan input pada keadaan normal. Adanya gangguan anomali pada salah satu input akan diindikasikan pada perbedaan sinyal output dan input pada kanal yang bersangkutan (sinyal residu).

Pengujian dan integrasi sistem validasi sensor dilakukan dengan meJakukan pelatihan model AANN dengan menggunakan data pengukuran Sistem Monitoring Reaktor (SIMOR) kanal JKT03 CX8xI dan JE-OI CT8xl RSG-GAS. Pengujian pada sinyal aktual menunjukkan bahwa tidak ada penyimpangan drift yang berarti. Simulasi terjadinya drift menunjukkan AANN dapat mendeteksi kegagalan sensor dengan akurat dan dapat menyediakan sinyal pengganti kanal yang sedang mengalami gangguan.

ABSTRACT

REACTOR MONITORING SYSTEM FOR SENSOR V ALIDA nON USING AUTOASSOCIA TIVE NEURAL NETWORK. Performace deterioration of a sensor plays a significant role in nuclear reactor safety and operation. This research is focused on sensor validation method development, which is designed for onlined drift detector. An Autoassociative Neural Network (ANN) is designed using high correlated signals. ANNN was trained to produce similar input and output signal on various mode operation. The difference between input and output (residual signal) can be used to determine anomaly occurance. System testing was establisehed using JKT03 8xl and JE-Ol CT8xl channels from SIMOR measurement system. Actual signal testing provides that there is no significant drift. AANN also detect artificial drift and succsesfully provide signal replacement for the related channel.

Kata kunci: Sensor validation, neural network, drift detection.

PENDAHULUAN

Reaktor Nuklir dalam operasinya selalu melibatkan sistem yang besar dan kompleks. Sistem kompleks tersebut menjadi sarat dengan instrumentasi dan menjadi sangat peka terhadap kegagalan sensor dan sistem elektroniknya. Pengoperasian reaktor nuklir dengan aman dan ekonomis membutuhkan verifikasi status sistem instrumentasi

(2)

ISSN 0854-5278 Pe/"{Jncangan dan Pe/llbua/an Sis/e/ll.

Kris/edjo Kurman/a

pengukuran prameter kritis. Sebagai contoh, sinyal-sinyal yang berhubungan dengan daya reaktor adalah salah satu sinyal yang sangat menentukan kinerja sebuah reaktor nuklir.

Metode konvensional untuk validasi sensor adalah mengoperasikan sensor redundan dan melakukan kalibrasi berkala untuk memastikan sensor beroperasi dengan baik dan benar. Metode kalibrasi berkala biasanya membutuhkan proses dalam keadaan shut-down dan sensor diambil atau dilepaskan dari sistem untuk dikalibrasi. Hal tersebut berakibat pada meningkatnya kemungkinan kerusakan sensor pada saat kalibrasi karena kalibrasi dilakukan pada lingkungan yang berbeda dari sistem pengukuran yang sesungguhnya.

Perawatan berbasis kondisi saat ini menjadi lebih diminati dari perawatan berkala.

Perubahan metoda perawatan ini berdampak pada perlunya dikembangkan metode-metode perawatan berbasis kondisi yang biasanya dilakukan bersamaan dengan operasi sistem yang diamati. Proses monitoring dilakukan tanpa mengganggu operasi sistem yang diamati.

Dunia et al. [1] mendetinisikan validasi sensor sebagai deteksi kegagalan sensor yang diikuti dengan identitikasi dan rekonstruksi sensor terkait dengan sebuah model.

Tulisan ini akan lebih memfokuskan pada deteksi kegagalan dan recovery sinyal sensor pada sistem kompleks seperti reaktor nuklir dengan menggunakan jaringan saraftiruan atau biasa disingkat ANN (Artifical Neural Network) sebagai model.

Secara teoritis penunjukkan besaran dari sebuah sensor dapat digantikan oleh sensor-sensor lain yang memiliki korelasi tinggi [2]. Sebagai contoh indikator suhu sebuah bejana tertutup, secara tidak langsung dapat diukur dengan memperhatikan tekanan dan volumenya. Masalah utama yang muncul adalah bagaimana membuat model yang dapat merepresentasikan karakteristik dari sistem yang diamati. ANN menjadi salah satu pilihan dalam pemodelan sistem yang cukup baik karena ANN mampu belajar dari data operasi yang ada dan dapat mensimulasikan sistem yang memiliki hubungan non-linear dan kompleks.

Yalidasi sensor pada tulisan ini dilakukan dengan cara melakukan pemilihan parameter-parameter pengukuran sistem instrumentasi RSG-GAS yang memiliki korelasi tinggi. Parameter-parameter terse but kemudian diamati pada berbagai mode operasi seperti start-up, steady-state dan shutdown. Data yang telah dikumpulkan kemudian digunakan

(3)

Prosiding Seminar Hasi/ Penelilian P2TRR

TO/11m 200-1

ISSN 0854-5278

gaga!. Kegagalan dalam tulisan adalah kegagalan berupa munculnya drift. Model ANN yang terbaik diharapkan dapat menghasilkan sinyal prediksi dan dapat menggantikan sinyal

sensor yang mengalami kegagalan (signal recovery).

TEORI

1. Auto Associative Neural Network

Autoassociative Neural Network (AANN) adalah sebuah feedforward Neural Network yang dilatih untuk menghasilkan maping identitas (maping identity) antara input dan output dan menggunakan propagasi balik (back propagation) untuk pelatihannya.

Kramer [3] dalam tulisannya menjelaskan bahwa fitur utama sebuah AANN adalah memiliki input dan output yang sama dan biasanya memiliki topologi bottleneck (jumlah neuron pada hidden layer lebih sedikit dari input dan output layer) sebagai representasi dari kompresi informasi akibat kuatnya korelasi antar input.

Seperti Feedforward Neural Network pada umumnya, AANN memiliki sebuah lapisan input dan output dan satu atau lebih lapisan tersembunyi (hidden layer). Setiap lapisan terdiri dari beberapa neuron dimana setiap neuron terhubung ke seluruh neuron pada lapisan berikutnya (fully connected). Semua sinyal neural menyebar dalam arah maju (feed forward) melalui setiap lapisan network dari lapisan input ke ouput. Perambatan balik dimungkinkan hanya pada saat pelatihan untuk mengkoreksi nilai bobot sebuah neuron berdasarkan nilai error (selisih antara target dan output dari neuron) neuron bersangkutan.

Gambar 1 mengilustrasikan sebuah AANN dengan topologi 8-4-8.

Lapiurl Input (8 neULon)

Lapis an Tet:sembunyi

(4 neULon) Lapisan

Output (8 neULon)

Gambar 1. AANN dengan topoJogi 8-4-8

(4)

ISSN 0854-5278 Peroncongon dOl! Pembllotol! Sistem ...

Kristedjo KlImiol1to

Fungsi .\krivasi

Seperti neuron pada jaringan syaraf manusia, artitisial neuron pada setiap lapisan berfungsi menghitung hasil fungsi aktifasi dari jumlahan terbobot input-inputnya. Fungsi aktifasi dapat dipilih seperti fungsi sigmoid, fungsi linear, fungsi step atau radial basis.

Jenis fungsi aktifasi tergantung jenis sistem yang dimodelkan. Untuk topologi AANN dalam tulisa ini menggunakan fungsi aktifasi logistik sigmoid pada lapisan tersembunyi dan fungsi aktifasi linear pada lapisan input dan output. Gambar 2 menunjukkan skema sebuah artitisial neuron.

Bias 1

y

/I""i"","h

x,

---g-J

Gambar 2. Blok diagram sebuah artifisial neuron

Hubungan matematis sebuah neuron artitisial dapat dinyatakan dalam persamaan (1), dimana fungsi aktifasi sigmoid ditunjukkan pada persamaan (2).

n

y =f(a) =f(L ^WjXj +wo)

j=1

(1)

(2)

ANN biasanya terdiri atas beberapa lapisan atau sering disebut sebagai multi layer perceptron (MLP). MLP dengan lapisan tersembunyi tunggal didetinisikan dengan jumlah

neuron input ^(Nj), jumlah neuron pada lapisan tersembunyi ^(Nh) dan jumlah neuron pada lapisan output (No)' Topologi ini ditulis dalam bentuk ^Nj ^- Nh - No, sehingga topologi 4-

(5)

ProsidilJg SemilJar Hasi/ PelJelitialJ P2TRR TahulJ 2004

ISSN 0854-5278

2-1 berarti sebuan ANN dengan 4 input, 2 unit neuron lapisan tersembunyi dan satu unit neuron output.

XN,

Lapisan Input

Lapisan tersembunyi

Lapisan output

Gambar 3. Topologi umum MLP

Persamaan matematis MLP dalam format matriks dapat ditulis sebagai persamaan (3).

(3)

Dimana Wi adalah matriks pembobot input (ukuran ^Nh xN, dan elemen matrik

w~), W2 adalah matriks pembobot output (ukuran No xNh dan elemen matrik w~), x adalah vektor data, b^I adalah vektor bias pada lapisan tersembunyi, b² adalah vektor bias lapisan output dan

I, (.),

^Ih

0

^adalah fungsi aktifasi output dan tersembunyi. Notasi persamaan (3) dapat disederhanakan dengan menganggap bias sebagai sebuah input konstan (biasanya +1 atau -1), sehingga panjang x menjadi N; +1, ukuran Wi menjadi

Nh xNi +1 dan ukuran W2 menjadi No xNh +1. Bentuk sederhana persamaan (3) menjadi

(4)

(6)

ISSN 0854-5278 Perancangan dall PembualG/l Sislem.

Krisledjo Kurniolllo

2. Algoritma propagasi balik uotuk pelatihao

Pelatihan ANN pada dasarnya adalah masalah optimasi cost-function, dimana nilai bobot diatur sedemikian rupa sehingga output ANN (y)mendekati atau sarna dengan target (t) berdasarkan sebuah cost-function seperti kesalahan rata-rata kuadrat (Mean Squared Error). Pelatihan propagasi balik dilakukan dengan earn meminimalkan fungsi kesalahan dengan merubah nilai pembobot. Algoritma pelatihan propagasi balik didasarkan pad a algoritma gradient descent, pertamakali dikenalkan oleh Rumelhart [4], yang menghitung nilai gradient gk pada tiap epoch dan memperbaharui niali bobot dengan menggunakan persamaan,

Wk+1 = Wk +~W k

(5)

dimana 1] (learning rate) adalah konstanta positif kecil (biasanya bernilai antara 0-1), Gradient ^gk pada persamaan (5) dihitung melalui dua fase.

Output network dihitung dengan perambatan maju dari lapisan input ke lapisan output, dari lapisan I= 1 ke I= L. Kemudian kesalahan Ep dihitung merambat mundur dari lapisan output ke lapisan input. Pada proses ini gradient g^p dihitung menggunakan persamaan (6) dari lapisan I = L ke I = 1,

BEp I

awlnr_l) = -51_,p

/-1

_.I,p

dimana nilai

5

diberikan oleh persamaan 7.

8"I,p =(tI,p - Yi,p^1-1)r'(J ai,pI. )

s:nr

p (

^m )"" s:1 1m

Uj,p = J aj•p L...,Ui.pWij , m<L

(6)

(7)

Jika fungsi aktifasi adalah logistik sigmoid, maka fungsi turunan menjadi sederhana

pea) = y(1- y) (8)

Proses ini berulang untuk epoch berikutnya sampai diperoleh nilai kesalahan (MSE) minimal.

(7)

Prosiding Seminar Hasil Penelirian P2TRR Tahun 2004

ISSN 0854-5278

Untuk mempercepat proses pembelajaran dan menghindari algoritma terjebak pada local minima (nilai minimum yang palsu), persamaan (5) dimodifikasi menjadi persamaan (9) dimana sebuah parameter momentum

a

(bernilai 0 - 1) ditambahkan untuk mempercepat proses pembelajaran. Dengan

a

= 0.9 dapat meningkatkan kecepatan pembelajaran 10kali dari algoritma perambatan balik standar.

(9) Isu penting lain dalam proses pembelajaran ANN adalah inisialisasi bobot pada awal tahap pembelajaran. Pada umumnya nilai bobot diberi nilai awal dengan bilangan random yang kecil, namun beberapa peneliti mengajukan beberapa metode inisialisasi bobot awal dengan bilangan random uniform (i.i.d) [5] atau dengan inisialisasi bilangan random dengan rata-rata nol dan standar deviasi satu [6], a^w = ^m-1/2 ^, dimana m adalah jumlah unit input.

EKSPERIMEN

Data yang digunakan pada eksperimen ini adalah data dari pengukuran SIMOR.

Data terdiri dari 6 sinyal yang diambil pada berbagai mode operasi. Mode operasi dan identifikasi ke 6 sinyal tersebut dapat dilihat pada Tabell dan Tabe12.

Setelah melakukan eksperimen dalam berbagai jenis topologi, pada tulisan ini akan dipaparkan unjuk kerja terbaik dari dua kelompok arsitektur, yaitu AANN dengan lapisan tersembunyi tunggal (6-4-6) dan AANN dengan tiga buah lapisan tersembunyi (6-8-4-8-6).

Pemilihan ini disesuaikan dengan usulan Kramer [3] bahwa AANN memiliki lapisan bottleneck atau bisa juga memiliki tiga buah lapisan tersembunyi dengan yaitu mapping layer, bottleneck layer dan demaping layer.

Tabel I. Mode-mode operasi RSG-GAS Operasi

Steady (15MW)

II

1858-3417 3417-4797

1560) (1380

Mode Operasi

Pattern

Start-up 1 (I)

Shut-down (III)

(8)

ISSN 0854-5278

Tabel 2. Identifikasi sinyal data SIMOR

Perancangan dan Pembuatan .'lis/em ..

Kristedjo Kurnialllo

Kanal Unit Identifikasi SinyalKKS 1

Detektor Neutron Power Range Redundan 1V JKT-3 CX811 2

Detektor Neutron Power Range Redundan 4V JKT-3 CX841

5

Detektor Suhu Pendingin Primer Redundan 1V JE-01 CT811 6

Detektor Suhu Pending in Primer Redundan 2V JE-01 CT821

Data pelatihan diambil dari 3000 data pertama, sedangkan 1000 data berikutnya digunakan sebagai data validasi. Data validasi digunakan untuk mencegah pelatihan AANN mengalami overfitting. Sisa data lainnya digunakan untuk data tes. Pengujian kegagalan sensor dilakukan pada data tes sehingga menjamin evaluasi unjuk kerja AANN karena selama proses pelatihan data ini tidak pemah diberikan.

Pelatihan AANN dilakukan dengan menggunakan perangkat lunak TRAJAN.

Program ini dapat membuat dan melatih AANN pada berbagai topologi, sekaligus menyimpan hasilnya dan kemudian dapat dipanggil oleh program lain dengan WinAPI (Windows Aplication Program Intelface). Dengan fasilitas WinAPI ini, penulis rriembuat program dengan Lab VIEW untuk melakukan pengujian pada kondisi normal maupun simulasi kegagalan.

HASIL DAN PEMBAHASAN

Hasil pengujian AANN 6-4-6 dapat dilihat pada Gambar 5 sampai dengan 9. Sinyal prediksi adalah sinyal yang dihasilkan oleh AANN, sinyal pengukuran merupakan hasil pengukuran dari sensor sedangkan sinyal deviasi adalah perbedaan antara prediksi dan pengukuran. Sinyal deviasi inilah yang kemudian digunakan sebagai bahan analisis untuk menentukan kondisi sebuah sensor.

(9)

Prosiding Seminar Hasi/ Penelitian P2TRR Tahun 2004

ISSN 0854-5278

Oari ke-dua belas hasil pengujian tampak bahwa prediksi dan pengukuran hampir berhimpit dan deviasi yang diperoleh relatif keci!. Hal ini menunjukkan AANN yang dikembangkan telah mampu memodelkan sistem berdasar data pelatihan dan mampu menghasilkan sinyal prediksi yang baik untuk data yang sebelumnya belum pemah diajarkan.

II n~

..uu.!

IJ.}ST--·--·---·--·---· ....---·, ILl

~---I

-r>,nl.k •• I ~_~

,,'ji-:::::~'j

^r ^~\

'"

~

II;.! 1 I

, \

illS'. f

",I ~ I \ \

OilS I \

Gambar 4. Pengujian Sensor JKT03 CX811

not T--=..-=- ---

"" j' '><d";:-i - -- -- __m ••-.- ••---- ---- ••••• ---.-- •••, '"

i Pr"g"I"""':~'},

I: ~"~j'\

~'" I \

, i

~ ,," I \.

J '" !~ \

i :

":L/ \

j 'illl IIN!! ISIH

·11us no••••••••••_m •••••••••••••••••••••••••••• :!UII! :!;UI

(10)

ISSN 0854-5278

-P, •.d,Ir..,

-,

Perancangan dan Pembllalan Sislem ..

Krisledjo Klirnianlo

II"1~--=====,---_·~_··, III

-Pu ••,••.•.

II)~ - •••."I1:" ••"'.n

.--.""'"' ~. ,..

_ ,," -.--- - r ' .

~ ", I

= ~ \

E illS I

~ i

j '" !

^y.;J ^\ⁱ

,,". i \

IIII:!

IUS

IIos

I~I

\

i

IIO~

.•' n~

..(105 .0, "D'

Sill 1001 I~I ZOOI :SOl 3001 )SOI tOOI' HOI

.0,

"'r=~ ..

^{d,' •.}

-P •.•,

il~s .,:,,1•••••• , ,

D •." •••

~ .

~

~ uH

..

,; III

till)

If,US

I Sill IOU 1 15111 ~CMII ~SOI )11111 nOI .• 0111 .• 501

Gambar 8.. Penguj ian Sensor JE-O1 CT811

---.- •.. ~ ()II~

.; ":

un§

Gambar 9. Pengujian Sensor J£-OI CT821

Hasil eksperimen dengan topologi 6-8-4-8-6 memberikan hasil prediksi dan deviasi yang tidak jauh berbeda. Hal ini menunjukkan non-linearitas sistem yang diamati tidak begitu besar, sehingga pemodelan dengan lapisan tersembunyi tunggal sudah mampu memberikan unjuk kerja yang baik. Peningkatan kompleksitas AANN tidak memberikan sumbangan yang signifikan terhadap pemodelan sistem yang tingkat non-linearitasnya tidak begitu tinggi. Perlu dicatat pula bahwa proses pelatihan dengan topologi yang kompleks ini memakan waktu pelatihan yang lebih dan mudah terjebak pada local minima.

Untuk menguji unjuk kerja AANN ini Gambar 10 dan 11 mengilustrasikan hasil pengujian pada kondisi salah satu sensor mengalami kegagalan. Jenis kegagalan berupa drift sebesar 10% dan ramp 1%/ 100 sam pel, ternyata tidak mempengaruhi hasil prediksi.

(11)

ISSN 0854-5278

lni menunjukkan AANN selain dapat digunakan untuk mendeteksi adanya kegagalan sensor juga mampu menyediakan sinyal pengganti sinyal yang mengalami gangguan tersebut (signal recovery).

~_.~-

--- ---

0.45 0.4

0.35

'; 0.3

'i•.

:' 0.25 '"

••II

c>

,.,

•

to~

•• 015

...

_••

:II: 0.1

0.05 o -0.05

L _

0.1

0.08 0.06 0.04 0.02 o - -0.02 - -0.04 -0.06 -0.08 -0.1

Gambar 10. Hasil penguj ian kegagalan drift 10% sensor JK T03 CX821

04

t---····--·

⁰¹

0::: .--~ r~-~.-.~,l:::

0.04 0.02 o -0.02 -0.04 -0.06 -0.08 -0.1

Gambar 11. Hasil pengujian kegagalan ramp 1%1100 sam pel sensor JKT03 CX821

(12)

ISSN 0854-5278

KESIMPULAN

Perallcallgall dall Pemblia/ull SWl.'m Kns/edjo KllnJW1l1O

Validasi sensor dengan menggunakan AANN telah dilakukan. Hasil eksperimen dengan menggunakan data dari Sistem Monitoring Reaktor (SIMOR) RSG-GAS menunjukkim AANN dapat mendeteksi kegagalan sensor drift. AANN yang dibuat selain dapat digunakan untuk mendeteksi adanya kegagalan atau penurunan unjuk kerja sensor, juga dapat digunakan untuk menyediakan sinyal pengganti dari sensor yang mengalami

gangguan. Dengan melakukan eksplorasi berbagai jenis arsitektur AANN, akan diperoleh arsitektur AANN yang sesuai dengan sistem yang dimodelkan.

DAFT AR PUST AKA

I. DUNIA, R., et aI., Identification of faulty sensors using principal component analysis. Aiche Journal, 1996. 42(10): p. 2797-2812.

2. BLACK, c.L., R.E. UHRIG, and J.W. HINES. Inferential Neural Networksfor Nuclear Power Plant Sensor Channel Drift Monitoring. in The 1996 American Nuclear Society International Topical Meeting on Nuclear Plant Instrumentation, Control and Human Machine Intelface Technologies. 1996. University Park, PA:

University Park, PA.

3. KRAMER, M.A., Autoassociative neural networks. Comput Chern Eng, 1992.

16(4): p. 313-328.

4. RUMELHART, D.E., J.L. MCCLELLAND, and University of California San Diego. POP Research Group., Parallel distributed processing: explorations in the microstructure of cognition. Computational models of cognition and perception.

1986, Cambridge, Mass.: MIT Press. 2 v.

5. YOUNGJIK, L., O. SANG HOON, and K. MYUNG WON. An analysis of premature saturation in back propagation learning. 1993.

6. LECUN, Y., ET AL., Efficient BackProp, in Neural networks: tips and tricks of the trade. 1998, Springer: New York. p. 9-50.

(13)

DISKUSI

ISSN 0854-5278

1. Penanya: Dewanto Saptoadi Pertanvaan

Dalam pendahuluan disebutkan metoda yang diteliti bias menggantikan sistem perawatanperiodic. Bagaimana hubungan dengan peraturan perawatan di reaktor

Jawaban :

Perawatan "Condition based' tidak dimaksud untuk menggantikan perawatan periodik.

Metode ini dilakukan bersama dengan metode-metode perawatan lain