One of the important components of a nuclear fuel cycle facility is a hot cell. Hot cells are engineered robust structures and barriers, which are used to handle radioactive materials and to keep workers, public, and the environment safe from radioactive materials. To provide a confinement function for these hot cells, it is necessary to maintain the soundness of the physical structure, but also to maintain the negative pressure inside the hot cell using the operation of the heating, ventilation, and air conditioning (HVAC) systems. The negative pressure inside the hot cells allows air to enter from outside hot cells and limits the leakage of any contaminant or radioactive material within the hot cell to the outside. Thus, the HVAC system is one of the major components for maintaining this negative pressure in the hot cell. However, as the facility ages, all the components of the hot cell HVAC system are also subject to age-related deterioration, which can cause an unexpected failure of some parts. The abnormal operating condition from the failure results in the increase of facility downtime and the decrease in operating efficiency. Although some major parts are considered and constructed in redundancy and diversity aspects, an unexpected failure and abnormal operating condition could result in reduction of public acceptance and reliability to the facility. With the advent of the 4th Industrial Revolution, prognostics and health management (PHM) technology is advancing at a rapid pace. Korea Hydro & Nuclear Power, Siemens, and other companies have already developed technologies to constantly monitor the integrity of power plants and are applying the technology in the form of digital twins for efficiency and safety of their facility operation. The main point of PHM, based on this study, is to monitor changes and variations of soundness and safety of the operation and equipment to analyze current conditions and to ultimately predict the precursors of unexpected failures in advance. Through PHM, it would be possible to establish a maintenance plan before the failure occurs and to perform predictive maintenance rather than corrective maintenance after failures of any component. Therefore, it is of importance to select appropriate diagnostic techniques to monitor and to diagnose the condition of major components using the constant examination and investigation of the PHM technology. In this study, diagnostic techniques are investigated for monitoring of HVAC and discussed for application of PHM into nuclear fuel cycle facilities with hot cells.

최근 회전 회전기계의 건전성 관련 연구가 활발하게 진행중이며, 조선업의 대표적인 회전기계인 갠트리 크레인에도 이를 적용하고자 하는 연구가 활발하게 진행되고 있다. 하지만 조선업의 갠트리 크레인의 경우 상대적으로 낮은 RPM으로 구동되고 잦은 운 전과 정지가 이루어지며 충격, 소음 등의 외부환경 인자가 측정 데이터에 영향을 크게 미쳐 오차를 발생시킬 수 있다. 본 연구에서는 조선업의 내업공정에서 사용되는 갠트리 크레인의 Hoist 모사장비를 제작하여, 운전조건(RPM) 변화와 데이터 획득 센서의 위치 차이가 획득 데이터에 미치는 오차를 통계적으로 분석하였다. 연구결과 상대적으로 낮은 운전조건에서는 센서 위치 차이에 따른 획득 데이터 의 오차는 크게 발생하지 않았으나, 상대적으로 높은 운전조건에서는 획득 데이터의 오차가 크게 발생하는 것으로 확인하였으며, 회전 기계의 데이터 획득 시 운전조건과 획득 센서위치가 획득 데이터에 영향을 미치는 것으로 확인하였다.

베어링은 많은 회전체에서 사용되는 핵심부품으로, 예기치 않은 고장을 방지하기 위해 많은 연구가 집중되고 있다. 이때 중요한 것은 되도록 초기에 건전성 상태를 잘 나타내는 적절한 특징신호를 추출하는 것이다. 그러나 기존의 연구들은 주로 진단관점에서 특징신호를 추출하여 고장예지에는 적합하지 않은 측면이 있었다. 본 논문에서는 이러한 문제를 극복하기 위 해 베어링 고장 주파수의 에너지와 시간 사이의 상관계수 가중 합을 이용하여 베어링 수명 예측에 용이한 특징신호를 추출 하는 방법을 개발하였다. 그 결과 일반적으로 고장진단에서 많이 사용되고 있는 특징신호인 RMS에 비해서 결함 초기부터 단조로운 증가 경향의 특징신호를 추출함을 알 수 있었다. 이를 입증하기 위해서 NASA Ames에서 제공한 IMS bearing 진 동 데이터를 이용하였고 제시한 특징신호와 일반적인 RMS와 의 거동을 비교하여 유효성을 검증하였다.

건전성 예측은 구조물의 고장이 발생될 때까지 남은 시간인 잔존유효수명을 예측하는 것으로, 이는 안전 및 정비 계획과 직접적으로 연관되기 때문에 매우 중요하다. 건전성 예측방법에는 물리모델 기반방법, 데이터 기반방법과 두 방법의 장점 을 통합하는 방법이 있으며, 본 연구에서는 잔존수명 예측의 정확도가 모델변수 추정과 직접적으로 관련되는 물리모델 기 반 건전성 예측에 초점을 맞춘다. 물리모델기반 건전성 예측에서는 모델변수 추정을 통해 시스템 상태의 장기 예측이 가능 하지만, 대부분의 실제 구조물들의 상태모델은 여러 개의 모델변수를 포함함은 물론이고, 그 변수들이 서로 상관되어 있기 때문에 모델변수를 추정하는 일은 간단한 문제가 아니다. 본 연구에서는 물리모델 기반 건전성 예측을 위한 세 가지 변수 추정방법들의 차이를 논한다. 이 세 가지 방법들은 파티클 필터, 전반적인 베이지안 접근법, 그리고 순차적인 베이지안 접 근법으로 모두 베이지안 추론이라는 하나의 이론적 바탕에 기반하지만, 샘플링 방법이나 갱신 절차 등에서 차이가 있다. 균열성장을 표현하는 Paris 모델의 변수 추정을 통해 세 가지 방법의 차이점이 논해지고, 건전성 예측 메트릭을 이용하여 정량적 차이를 표현한다. 파티클 필터방법이 건전성 예측 메트릭 측면에서 가장 높은 성능을 나타내었지만, 전반적인 베이 지안 방법은 파티클 필터방법과 근소한 차이를 보이면서도 데이터가 집단으로 존재할 때에는 가장 효율적인 방법으로 나 타났다.