SISTEM MONITORING REAKTOR UNTUK - Digilib

ISSN 0854-5278
Prosidil1g Semil1ar Hasil Pel1elitial1 P2TRR
Tahul1 20M
SISTEM MONITORING REAKTOR UNTUK VALIDASI SENSOR
MENGGUNAKAN AUTOASSOCIA TIVE NEURAL NETWORK
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
operasi.
Dengan
peringatan
dini adanya drift pada sensor secara online tanpa menganggu
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
Adanya gangguan anomali pada salah satu input akan
dengan input pada keadaan normal.
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
VALIDA 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
163
ISSN 0854-5278
Pe/"{Jncangan dan Pe/llbua/an
Kris/edjo
Sis/e/ll.
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
yang diikuti dengan identitikasi
validasi sensor sebagai deteksi kegagalan sensor
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
parameter-parameter
pemilihan
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
untuk pelatihan dan pengujian beberapa model ANN. Model-model ANN itu kemudian
dievaluasi dengan dataset pengujian (test dataset) untuk kondisi normal maupun kondisi
164
ISSN 0854-5278
Prosiding Seminar Hasi/ Penelilian P2TRR
TO/11m
200-1
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)
Kramer [3] dalam tulisannya
menjelaskan
untuk pelatihannya.
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.
Lapis an
Lapiurl
Tet:sembunyi
(4 neULon)
Lapisan
Input
Output
(8 neULon)
(8 neULon)
Gambar 1. AANN dengan topoJogi 8-4-8
165
ISSN 0854-5278
Peroncongon dOl! Pembllotol! Sistem ...
Kristedjo KlImiol1to
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
x,
Fungsi
.\krivasi
-----g-J /I""i"","h
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
j=1
(1)
+ wo)
(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)
lapisan output (No)' Topologi ini ditulis dalam bentuk
166
Nj
-
Nh
-
dan jumlah neuron pada
No, sehingga topologi 4-
ProsidilJg SemilJar
TahulJ 2004
Hasi/
PelJelitialJ
ISSN 0854-5278
P2TRR
2-1 berarti sebuan ANN dengan 4 input, 2 unit neuron lapisan tersembunyi dan satu unit
neuron output.
XN,
Lapisan
tersembunyi
Lapisan
Input
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
w~),
W2
Nh
x N, dan elemen matrik
adalah matriks pembobot output (ukuran No x Nh dan elemen matrik w~), x
adalah vektor data, b I adalah vektor bias pada lapisan tersembunyi, b 2 adalah vektor bias
lapisan output dan
persamaan
I, (.),Ih 0
adalah fungsi aktifasi output dan tersembunyi. Notasi
(3) dapat disederhanakan
dengan menganggap bias sebagai sebuah input
konstan (biasanya + 1 atau -1), sehingga panjang x menjadi N; + 1, ukuran Wi menjadi
Nh
x Ni + 1 dan ukuran
W2
menjadi
No x Nh
+ 1. Bentuk sederhana persamaan (3)
menjadi
(4)
167
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,
W
k+1
=
W
k
+ ~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 E p 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,
BE p
awlnr
l)
dimana nilai
5 diberikan
I
(6)
= -51,p /-1
.I,p
oleh persamaan 7.
8"I,p = (t I,p
Uj,p
s:nr
=
1-1 )r'(
I. )
- Yi,p
J
ai,p
p (aj•pm
J
)""
L...,Ui.pWij
s:1
1m ,
m<L
(7)
Jika fungsi aktifasi adalah logistik sigmoid, maka fungsi turunan menjadi sederhana
pea) = y(1- y)
Proses ini berulang untuk epoch berikutnya
minimal.
168
(8)
sampai diperoleh nilai kesalahan
(MSE)
ISSN 0854-5278
Prosiding Seminar Hasil Penelirian P2TRR
Tahun 2004
Untuk mempercepat proses pembelajaran dan menghindari algoritma terjebak pada
local minima (nilai minimum yang palsu), persamaan (5) dimodifikasi menjadi persamaan
(9) dimana
mempercepat
sebuah parameter
proses
a
momentum
pembelajaran.
(bernilai
a = 0.9
Dengan
0 -
dapat
1) ditambahkan
meningkatkan
untuk
kecepatan
pembelajaran 10 kali 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
Mode
Start-up 1
Operasi
(I)
Pattern
Steady
(15MW)
II
Shut-down
1858-3417
3417-4797
1560)
(1380
169
(III)
ISSN 0854-5278
Perancangan dan Pembuatan .'lis/em ..
Kristedjo Kurnialllo
Tabel 2. Identifikasi sinyal data SIMOR
CX821
CX831
JE-01 CT821
CT811
KKS 2
CX811
V
CX841
Unit Pending
3
Suhu
Pendingin
inRange
PrimerSinyal
Redundan
Detektor
Power
Redundan
121 JKT-3
Detektor Neutron
Neutron
Power
Range
Redundan
4
Kanal
Identifikasi
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
Program ini dapat membuat
dengan menggunakan
perangkat
dan melatih AANN pada berbagai
lunak TRAJAN.
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.
170
ISSN 0854-5278
Prosiding Seminar Hasi/ Penelitian P2TRR
Tahun 2004
Oari ke-dua belas hasil pengujian tampak bahwa prediksi dan pengukuran hampir
berhimpit dan deviasi yang diperoleh relatif keci!. Hal ini menunjukkan
dikembangkan
telah mampu memodelkan
menghasilkan
sinyal prediksi
AANN yang
sistem berdasar data pelatihan dan mampu
yang baik untuk data yang sebelumnya
belum pemah
diajarkan.
IJ.}S
T--·--·--------·--·-----·
....
---·,
~---I
-r>,nl.k ••
ILl
not
I ~_~
T--=..-=- -----
'><d";:-i
"" j'
i
'",,'ji-:::::~'j
~ r
II;.!
1
,
illS'.
f
",I I~
OilS
I
~\
II n~
I
\
- -- -- __
m ••-.-
••••• ---.--
\i
~ ,,"
\.
J
I
'"
!~
\
i
\
":L/
·11us
Gambar 4. Pengujian Sensor JKT03 CX811
----
I:
~"~j
'\
~'"
I
,
\\
••----
j
no
•••,
'"
Pr"g"I"""':~'},
:
\
'illl
••••••••••
..uu.!
_
IIN!! ISIH
m ••••••••••••••••••••••••••••
:!UII!
:!;UI
Gambar 5. Pengujian Sensor JKT03 CX821
171
ISSN 0854-5278
•••."I1:"
••
-.--.--.""'"'
- r~.
,
.. '
.
I
=
IIII:!
~
~
j '"
IIO~
\
i
I
illS
!y.;J
,,".
III
••,••.•.
"'.n
~ ",
E
-Pu
•.d,Ir..,
-
_ ,,"
II"1~--=====,-----------------_·~_··,
-,
-P,
II)~
Perancangan dan Pembllalan Sislem ..
Krisledjo Klirnianlo
\
IUS
I~
I
\i
i
\
.•' n~
\
II os
i
Sill
Gambar 6. Pengujian Sensor JKT03 CX831
I~I
ZOOI
:SOl
3001
)SOI
tOOI'
HOI
"D'
.0,
..(105
1001
.0,
Gambar 7. Pengujian Sensor JKT03 CX841
---------.-
•.. ~ ()II~
-P •.•
,
il
~s
D •." .,:,,1••••••
•••
"'r=~
..
~ .
~
~
, ,
.;
":
d,' •.
uH
..
,;
III
till)
If,US
un§
I
Sill
IOU 1
15111
~CMII
~SOI
)11111
nOI
.• 0111
.• 501
Gambar 8.. Penguj ian Sensor JE-O1 CT811
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.
172
ISSN 0854-5278
Prosiding Seminar Hasi/ Penelitian P2TRR
Tahun 2004
lni menunjukkan
AANN selain dapat digunakan untuk mendeteksi
sensor juga mampu menyediakan
adanya kegagalan
sinyal pengganti sinyal yang mengalami
gangguan
tersebut (signal recovery).
------------ ------------------------------------
~_.~-
0.1
0.45
0.08
0.4
0.35
L
_
0.06
';
0.3
0.04
:''"
0.25
0.02
'i•.
••
II
o
•
c>
,.,
to
~
...
••
•• 015
- -0.02
0.1
- -0.04
0.05
-0.06
o
-0.08
:II:
-0.1
-0.05
Gambar 10. Hasil penguj ian kegagalan drift 10% sensor JK T03 CX821
04
t----------------------····--·
0::: .--~
01
r~-~.-.~,l:::
0.04
0.02
o
-0.02
-0.04
-0.06
-0.08
-0.1
Gambar 11. Hasil pengujian kegagalan ramp
173
1%1100
sam pel sensor JKT03 CX821
ISSN 0854-5278
Perallcallgall
Kns/edjo
dall Pemblia/ull
SWl.'m
KllnJW1l1O
KESIMPULAN
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.
174
ISSN 0854-5278
Prosiding Seminar Hasi/ Penelitian P2TRR
Tahun 2004
DISKUSI
1. Penanya: Dewanto Saptoadi
Pertanvaan
Dalam
pendahuluan
perawatanperiodic.
disebutkan
metoda
yang diteliti
bias
menggantikan
sistem
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
175