Aplikasi Principal Component Analysis untuk pemantauan kondisi sistem sensor pada Reaktor Serbaguna G.A. Siwabessy

MIRZA ANDRE AKHMAD, Nazrul Effendy, S.T., M.T.,Ph.D.; Ir. Agus Arif, M.T.

2020 | Skripsi | S1 TEKNIK FISIKA

Pemeliharaan instrumen pada reaktor nuklir, salah satunya di Reaktor Serbaguna G.A. Siwabessy (RSG-GAS), masih menerapkan pendekatan konservatif, dengan melakukan pengecekan kondisi dan kalibrasi manual secara berkala. Pengalaman praktis menunjukkan teknik tersebut dirasa kurang efektif, sehingga teknik pemeliharaan lain berbasis kondisi yang memanfaatkan pembacaan sensor secara real-time mulai dikembangkan. Principal Component Analysis (PCA) adalah teknik pemodelan yang mengubah sekumpulan variabel menjadi set variabel lain dengan tetap mempertahankan sebagian besar informasi. PCA bersama dengan indeks statistik SPE dan T2 sudah banyak digunakan untuk deteksi anomali terutama pada instrumen proses. Penelitian ini bertujuan untuk menyelidiki penggunaan PCA untuk deteksi dan identifikasi sensor bermasalah pada RSGGAS. Terdapat 17 sensor yang akan diamati, terdiri dari 7 sensor temperatur, 5 sensor laju aliran, dan 5 sensor tekanan pada sistem pendingin utama reaktor. Dua macam model dipakai, yakni tipe 1 dengan semua sensor dan tipe 2 sensor dipisah berdasarkan tipenya. Aplikasi eksperimental dilakukan untuk melihat performa dari metode pada kondisi normal dan anomali. Pengujian pada data normal menunjukkan akurasi yang wajar. Pengujian pada data yang dimodifikasi menunjukkan pergeseran 1% jangkauan sensor dapat terdeteksi dan teridentifikasi dengan baik pada sebagian besar sensor dengan akurasi diatas 90%, kecuali pada sensor nomor 14, 15, dan 23 dengan akurasi dibawah 50%. Didapatkan juga bahwa penggunaan model tipe 2 memberikan nilai minimum deteksi lebih rendah dari tipe 1, namun juga lebih rentan terhadap false alarm.

Instrument maintenance in nuclear reactors, including in G.A. Siwabessy Multipurpose Reactor (RSG-GAS), currently still practices a conservative approach where manual performance and calibration test is done periodically. Practical experience shows that this kind of practice is not efficient. This fact has provided motivation to develop new techniques for identifying drifting instruments during plant operation. Principal Component Analysis (PCA) is a data-driven modeling technique that transforms a set of correlated variables into a smaller set of new uncorrelated variables called principal components that retains most of the original information. The use of PCA with SPE dan T2 statistics was frequently used in process monitoring especially for process instruments. This study was done to investigate the application of PCA modeling for fault detection and identification of sensors in RSGGAS. Seventeen sensors that consist of 7 temperature sensors, 5 flow sensors, and 5 pressure sensors are considered in the model. Two types of models were used, type 1 used all sensors in the same model, type 2 uses a different model for each type of sensors. The experimental application was done with real data to evaluate the method. Experiment using normal data shows that the accuracy of the PCA model is within the tolerance limit. Experiments with modified data show that a drift of 1% from sensor range can be detected and identified at most of the sensors with accuracy over 90%, except at sensor numbers 14, 15, and 23. It is also showed that type 2 gives a smaller minimum detection value than type 1, but more susceptible to false alarms.

Kata Kunci : Principal Component Analysis, Pemantauan proses, Deteksi kesalahan, Sensor, Kontrol proses statistik