Koneoppimisen hyödyntäminen ydinvoimalaitoksen eliniänhallinnassa

Abstract

Ydinvoimalaitoksissa on tuhansia laitteita, joista kerätään dataa sekä määräaikaisilla että käytön aikaisilla mittauksilla. Laitteet ikääntyvät käytön ja ajan myötä, joka johtaa lopulta laitteiden vikaantumiseen. Vikaantumistapahtumista kerätään vikaantumistilastoja, joista voidaan nähdä laitteiden vikaantumishistoria. Ikääntymistä estetään ja hidastetaan laitteita huoltamalla. Laitteiden huoltojen suunnittelussa täytyy priorisoida niiden järjestys tietyillä kriteereillä.

Koneoppimisessa kone eli tietokoneohjelma koulutetaan tekemään itsenäisiä johtopäätöksiä sille syötetystä datasta. Koneelle annetaan ensin koulutusdataa, joka sisältää esimerkiksi joukon mittaustuloksia ja mahdollisesti käyttäjän niistä tekemät luokitukset. Kone käy datan läpi valituilla koneoppimisalgoritmeilla ja muodostaa säännöt datan sisäiselle luokittelulle. Kone osaa tämän jälkeen tehdä tietyllä luottamusvälillä johtopäätöksiä sille syötettävästä uudesta datasta.

Tässä diplomityössä tärkeimpänä työkaluna oli MathWorks Inc:in MATLAB-laskentaohjelma ja sen koneoppimismoduulit. Tarkasteltavana oli kolme erilaista tapausta: Syöttövesipumpun akselitiivisteen vuodon havaitseminen, reaktoripaineastian pin-nanmittauksen mittasignaalien analysointi, ja ydinvoimalaitoksen kunnossapidon priorisoinnin järkeistäminen. Koneoppimisella saatiin lupaavia tuloksia syöttövesipumppujen ja etenkin reaktoripaineastian pinnanmittauksen tapauksessa, mutta kunnossapidon priorisoinnin järkeistämiseen se ei tässä tapauksessa sopinut. Koneoppimisen erilaisista menetelmistä saatiin hyvää perustietoa, ja osaa niistä tullaan jatkossa hyödyntämään Olkiluo-don ydinvoimalaitoksella.

Nuclear power plants have thousands of devices for collecting data with both periodic and online measurements. The devices age over time, which eventually leads to device failure. These failures are recorded and stored as statistics. Ageing is prevented and slowed down by performing maintenance on the devices. When planning the mainte-nance of these devices, the order of the maintenance tasks is prioritized by certain criteria.

In machine learning, a computer program is trained to make independent conclusions from the data it receives. The machine is first provided with training data, which includes, for example, a set of measurement results and possibly also man-made conclusions about the data. The machine then goes through the data using the chosen machine learning algorithms and formulates rules regarding the internal classification of the data. New data can then be provided to the machine, which will make new conclusions about the data within a certain confidence interval.

The most important tool used in this thesis was the MATLAB computing program and its machine learning modules made by MathWorks Inc. Three different cases were looked at: Detecting a feedwater pump axle seal leak, analysing the reactor pressure vessel surface level measurements, and rationalizing the prioritisation of the maintenance of nuclear power plant systems. Utilizing machine learning provided promising results in the case of the feedwater pumps and especially in the case of the surface level measurements but proved unsuitable for rationalizing the prioritisation of maintenance tasks. Basic knowledge of the different methods of machine learning was acquired, and some of them will be utilized in the future at the Olkiluoto nuclear powerplant.