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
(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--=..-=- -----
'>
"" 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
