ISSN 0854-5278digilib.batan.go.id/e-prosiding/File Prosiding... · ISSN 0854-5278 Pe/"{Jncangan dan...
Transcript of ISSN 0854-5278digilib.batan.go.id/e-prosiding/File Prosiding... · ISSN 0854-5278 Pe/"{Jncangan dan...
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