Prosidil1g Semil1ar Hasil Pel1elitial1 P2TRRTahul1 20M

ISSN 0854-5278

SISTEM MONITORING REAKTOR UNTUK VALIDASI SENSORMENGGUNAKAN AUTOASSOCIA TIVE NEURAL NETWORK

Krlstedjo KurniantoPusat Pengembangan Teknologi Reaktor Riset-Batan

ABSTRAKSISTEM MONITORING REAKTOR UNTUK VALIDASI SENSOR MENGGUNAKANAUTOASSOCIA TIVE NEURAL NETWORK. Terjadinya penurunan unjuk kerja sebuah sensor

sangat mempengaruhi keandalan operasi dan tingkat keselamatan reaktor nuklir. Penelitian inimenitik beratkan pada pengembangan metode validasi sinyal sensor yang dapat memberikanperingatan dini adanya drift pada sensor secara online tanpa menganggu operasi. Denganmenggunakan sinyal-sinyal dari sensor-sensor yang memiliki korelasi tinggi dibuat sebuah model

dengan menggunakan Auto Associative Neural Network (AANN). AANN dilatih denganmenggunakan data pada berbagai kondisi operasi sehingga menghasilkan sinyal output yang samadengan input pada keadaan normal. Adanya gangguan anomali pada salah satu input akandiindikasikan pada perbedaan sinyal output dan input pada kanal yang bersangkutan (sinyal residu).Pengujian dan integrasi sistem validasi sensor dilakukan dengan meJakukan pelatihan modelAANN dengan menggunakan data pengukuran Sistem Monitoring Reaktor (SIMOR) kanal JKT03CX8xI dan JE-OI CT8xl RSG-GAS. Pengujian pada sinyal aktual menunjukkan bahwa tidak adapenyimpangan drift yang berarti. Simulasi terjadinya drift menunjukkan AANN dapat mendeteksikegagalan sensor dengan akurat dan dapat menyediakan sinyal pengganti kanal yang sedangmengalami gangguan.

ABSTRACTREACTOR MONITORING SYSTEM FOR SENSOR VALIDA nON USINGAUTOASSOCIA TIVE NEURAL NETWORK. Performace deterioration of a sensor plays a

significant role in nuclear reactor safety and operation. This research is focused on sensor validationmethod development, which is designed for onlined drift detector. An Autoassociative Neural

Network (ANN) is designed using high correlated signals. ANNN was trained to produce similarinput 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 establisehedusing 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 succsesfullyprovide 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 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

untuk pelatihan dan pengujian beberapa model ANN. Model-model ANN itu kemudian

dievaluasi dengan dataset pengujian (test dataset) untuk kondisi normal maupun kondisi

164

Prosiding Seminar Hasi/ Penelilian P2TRRTO/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.

LapiurlInput

(8 neULon)

Lapis an

Tet:sembunyi(4 neULon) Lapisan

Output(8 neULon)

Gambar 1. AANN dengan topoJogi 8-4-8

165

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.

Bias1

y

/I""i"","hx, -----g-JGambar 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-

166

ProsidilJg SemilJar Hasi/ PelJelitialJ P2TRRTahulJ 2004

ISSN 0854-5278

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

neuron output.

XN,

LapisanInput

Lapisantersembunyi

Lapisanoutput

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 x N, dan elemen matrik

w~), W2 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 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 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 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 = -51 /-1l) ,p .I,p

dimana nilai 5 diberikan oleh persamaan 7.

8" (t 1-1 )r'( I. )I,p = I,p - Yi,p J ai,p

s:nr p ( m )"" s:1 1mUj,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.

168

Prosiding Seminar Hasil Penelirian P2TRRTahun 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 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

Steady

(15MW)II

1858-3417 3417-4797

1560) (1380

Mode

Operasi

Pattern

Start-up 1

(I)

169

Shut-down

(III)

ISSN 0854-5278

Tabel 2. Identifikasi sinyal data SIMOR

Perancangan dan Pembuatan .'lis/em ..Kristedjo Kurnialllo

Kanal Identifikasi SinyalKKSUnit

1

Detektor Neutron Power Range Redundan 1 JKT-3 CX811V

2

Detektor Neutron Power Range Redundan 2 JKT-3 CX821V

3

Detektor Neutron Power Range Redundan 3 JKT-3 CX831V

4

Detektor Neutron Power Range Redundan 4 JKT-3 CX841V

5

Detektor Suhu Pendingin Primer Redundan 1 JE-01 CT811V

6

Detektor Suhu Pending in Primer Redundan 2 JE-01 CT821V

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.

170

Prosiding Seminar Hasi/ Penelitian P2TRRTahun 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-:::::~'jr ~\'" ~II;.! 1 I

, \illS'. f

",I ~ \I \OilS I \

Gambar 4. Pengujian Sensor JKT03 CX811

171

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

Gambar 5. Pengujian Sensor JKT03 CX821

ISSN 0854-5278

-,-P, •.d,Ir..,

Perancangan dan Pembllalan Sislem ..Krisledjo Klirnianlo

II"1~--=====,-----------------_·~_··, III-Pu ••,••.•.

II)~ - •••."I1:" ••"'.n

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

~ ", I= ~ \

E illS I~ ij '" y.;J \! i

,,". i \

IIII:!

IUS

II os

I~I

\

\i

IIO~

.•' n~

..(105 .0, "D'Sill 1001 I~I ZOOI :SOl 3001 )SOI tOOI' HOI

.0,

Gambar 6. Pengujian Sensor JKT03 CX831

"'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

Gambar 7. Pengujian Sensor JKT03 CX841

---------.- •..~ ()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.

172

Prosiding Seminar Hasi/ Penelitian P2TRRTahun 2004

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'"••IIc>

,.,•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 sampel sensor JKT03 CX821

173

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.

174

Prosiding Seminar Hasi/ Penelitian P2TRRTahun 2004

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

175