KR101086027B1 - 베이지안 통계기법을 이용한 발전설비 고장예측방법 - Google Patents
베이지안 통계기법을 이용한 발전설비 고장예측방법 Download PDFInfo
- Publication number
- KR101086027B1 KR101086027B1 KR1020090100320A KR20090100320A KR101086027B1 KR 101086027 B1 KR101086027 B1 KR 101086027B1 KR 1020090100320 A KR1020090100320 A KR 1020090100320A KR 20090100320 A KR20090100320 A KR 20090100320A KR 101086027 B1 KR101086027 B1 KR 101086027B1
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- rank
- power generation
- year
- value
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000003068 static effect Effects 0.000 title 1
- 238000010248 power generation Methods 0.000 claims abstract description 49
- 238000012423 maintenance Methods 0.000 claims description 34
- 238000005315 distribution function Methods 0.000 claims description 12
- 238000000611 regression analysis Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 238000013461 design Methods 0.000 abstract description 6
- 238000007619 statistical method Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006438 vascular health Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 발전설비 각 부품의 고장을 예측하기 위하여 발전설비 각 부품의 고장 이력에 대한 데이터베이스를 구축하고, 이를 토대로 통계 방법 중의 하나인 베이지안 통계기법을 사용하여 발전설비 각 부품들의 고장확률을 예측하는 방법을 제공하는데 그 목적 및 효과가 있다.
본 발명은 발전설비 각 부품들에 대한 고장이력을 데이터베이스화하고, 데이터베이스에 저장된 데이터를 바탕으로 베이지안 통계방법을 이용하여 발전설비 각 부품에 대한 고장을 예측하는 알고리즘 및 개발 프로그램을 설계 제작하되, 상기 발전설비 각 부품의 고장을 예측하는 알고리즘은 베이지안 통계기법 중 하나인 기기 고장 예측에 사용되는 웨이블(Weibull)함수를 본 발명에 적용하고, 이 방법을 이용하여 일정주기로 교체되는 발전설비의 구성품들의 수명을 예측ㆍ진단하여 불필요하게 미리 주기적으로 부품을 교체함에 따른 경제적인 손실을 미연에 방지하여 잦은 부품 구입에 따른 비용증가 및 발전 중지에 의한 경제적 손실을 방지하고, 발전설비의 신뢰성을 향상시키는데 있다.
웨이블 함수, 고장데이터베이스, 고장이력, 수명평가, 베이지안 통계기법
Description
본 발명은 발전설비 각 부품들에 대한 고장이력을 데이터베이스화하고, 데이터베이스에 저장된 데이터를 바탕으로 베이지안 통계방법을 이용하여 발전설비 각 부품에 대한 고장을 예측하는 알고리즘 및 개발 프로그램을 설계 제작하되, 상기 발전설비 각 부품의 고장을 예측하는 알고리즘은 베이지안 통계기법 중 하나인 기기 고장 예측에 사용되는 웨이블(Weibull)함수를 본 발명에 적용하고, 이 방법을 이용하여 일정주기로 교체되는 발전설비의 구성품들의 수명을 예측ㆍ진단하여 불필요하게 미리 주기적으로 부품을 교체함에 따른 경제적인 손실을 미연에 방지하여 부품구입에 따른 비용증가 및 발전 중지에 의한 경제적 손실을 방지하고, 발전설비의 신뢰성을 향상시킬 수 있는 베이지안 통계기법을 이용한 발전설비 고장예측 방법에 관한 것이다.
통상적인 기계제품에서는 기능설계, 강도설계, 최적화 설계방법 등을 통하여 신뢰성과 안정성을 확보할 수 있으나, 다품종 소량으로 생산되는 제품에서는 통계학 처리에 필요한 데이터를 충분히 얻지 못하는 경우가 많아 품질의 확률적 특성을 평가하는 것이 어려운 문제점이 있다.
통상적인 전자제품의 경우는 단품종, 대량생산으로 통계기법에 의한 예측이 가능하지만 기계 부품에 대해서는 신뢰성과 안정성 두 가지를 동시에 고려하여야 하기 때문에 안정성 평가의 잣대인 리스크를 기준으로 리스크 관리기준(Ri나 Based Design), 리스크 기준 보수관리(Risk Based Maintenance)등의 기준으로 평가하여야 한다.
현재까지 발전설비의 유지보수는 TBM(Time Based Maintenance)에 따라 일정 기간이 경과하면 해당 부품들을 분해 교체 및 정비하는 방법을 시행하여 왔으나, 신속하게 변화하는 발전산업의 주위 환경은 TBM의 유지보수 방법으로는 최대효율과 비용대비 이익을 보장 할 수 없는 문제점이 있다.
본 발명과 관련된 종래기술로, 대한민국 공개특허공보 제특10-2004-0015011호에는 네트워크혈관 건강 분석평가 시스템 및 방법을 이루기 위하여 사용된 베이지안 통계추론에 대한 기술적 구성이 개시되어 있고, 대한민국 공개특허공보 제10-2006-0044772호에는 베이지안 네트워크를 트리 학습을 위한 테이블 사용 방법에 대한 기술적 구성이 개시되어 있으나, 각각의 발명에서 사용하고 있는 베이지안 추론 및 베이지안 네트워크의 기술적 사상 및 구성은 발전설비 각 부품에 대한 고장을 예측하는 통계기법과는 현저한 차이가 있다.
본 발명이 해결하고자 하는 과제는 TBM(Time Based Maintenance) 방식의 발전설비의 정비를 리스크 기준 보수관리(Risk Based Maintenance) 등의 규정에 따라 발전설비를 유지관리하기 위한 것이며, 발전설비 부품들의 고장예측을 위하여 각 부품들의 고장이력을 데이터베이스화하고 이를 이용하여 통계기법 중의 하나인 베이지안 통계방법을 이용하여 발전설비의 구성 부품들의 고장확률을 예측 제공하여 부품의 잦은 교체에 따른 경제적 손실을 줄이고, 교체 시에 발전 중단에 따른 경제적인 손실을 줄이는데 있다.
본 발명이 해결하고자 하는 또 다른 과제는 베이지안 통계기법을 기초로 하는 유지보수의 시변고장율(TVFR : Time-Varying Failure Rate) 및 유지보수의 횟수 등을 고려하여 효과적인 유지보수 주기를 결정하고, 리스크 기준 보수관리(Risk Based Maintenance)등의 기준을 설정하여 발전설비를 효율적으로 유지 관리하여 경제적 손실을 최소화하고 신뢰성을 향상시키는데 있다.
본 발명의 과제해결 수단은 발전설비의 용량, 효율, 운전정보와 운전시간, 고장 및 정비이력을 입력하여 데이터베이스에 저장하고, 부품이나 설비의 고장확률 분포를 작성하며, 이를 바탕으로 웨이블 분포함수에 의하여 고장을 예측하되, 발전설비 각 부품의 고장 및 정비이력을 조사 분석하여 부품별 고장이력에 대한 정보(데이터)를 데이터베이스에 저장하는 단계를 거쳐서, 데이터베이스에 저장된 데이 터를 이용하여 발전설비 부품의 원인 별 각 고장주기, 고장년도 및 고장건수 등을 분석하는 단계를 거쳐서, 분석한 결과를 이용하여 발전설비 각 부품에 대하여 랭크(RANK) 및 역 랭크(REVERSE RANK)를 결정하는 단계를 거쳐서, 역 랭크(REVERSE RANK)를 이용하여 조절랭크(ADJUSTED RANK)와 중앙랭크(MEDIAN RANK)를 결정하는 단계를 거치며, 고장년도와 중앙랭크(MEDIAN RANK)를 이용하여 회귀분석 수행 후 웨이블(WEIBULL) 분포함수의 두 인자인 α,β 값을 결정하는 단계를 거쳐서, 웨이블(WEIBULL) 분포함수를 연산하여 고장예측을 수행하는 단계로 구성된 베이지안 통계기법을 이용한 발전설비 고장예측 방법을 구현하는데 있다.
본 발명의 또 다른 과제해결 수단은 베이지안 통계기법을 기초로 하는 유지보수의 시변 고장율(TVFR : Time-Varying Failure Rate) 및 유지보수의 횟수 등을 고려하여 효과적인 유지보수 주기를 결정하고, 리스크 기준 보수관리(Risk Based Maintenance)등의 기준을 설정하여 발전설비를 효율적으로 유지 관리하여 경제적 손실을 최소화하고 신뢰성을 향상시킬 수 있는 발전설비 고장예측 방법을 구현하는데 있다.
본 발명은 TBM 방식의 발전설비의 정비를 리스크 기준 보수관리 등의 기준으로 발전설비를 유지 관리하기 위한 것이며, 발전설비의 부품들의 고장예측을 위하여 각 부품들의 고장이력을 데이터베이스화하고 이를 이용하여 통계기법 중의 하나인 베이지안 통계방법으로 발전설비의 구성 부품들의 고장확률을 예측 제공하여 부품의 잦은 교체에 따른 경제적 손실을 줄이고, 부품교체를 위하여 발전을 중단함에 따른 경제적인 손실을 줄이는 작용효과가 있다.
본 발명의 또 다른 효과는 베이지안 통계기법을 기초로 하는 유지보수의 시변고장율 및 유지보수의 횟수 등을 고려하여 효과적인 유지보수 주기를 결정하고, 리스크 기준 보수관리 등의 기준을 설정하여 발전설비를 효율적으로 유지 관리하여 경제적 손실을 최소화하고 신뢰성을 높이는데 있다.
본 발명의 실시를 위한 구체적인 내용에 대하여 살펴본다. 본 발명은 발전설비의 용량, 효율, 운전정보와 운전시간, 고장 및 정비이력에 대한 정보를 데이터베이스에 입력 저장하는 단계를 거쳐서, 상기 데이터베이스에 저장된 데이터를 이용하여 발전설비 각 부품의 원인 별 고장주기, 고장년도 및 고장건수 등을 분석하는 단계를 거친다.
상기 데이터베이스에 저장된 데이터를 이용하여 발전설비 부품의 원인 별 각 고장주기, 고장년도 및 고장건수 등을 분석하는 단계를 거쳐서, 분석한 결과를 이용하여 발전설비 각 부품에 대하여 랭크(RANK) 및 역 랭크(REVERSE RANK)를 계산하는 단계를 거친다.
상기 역 랭크(REVERSE RANK)를 이용하여 조절랭크(ADJUSTED RANK)와 중앙랭크(MEDIAN RANK)를 계산하는 단계를 거치며, 고장년도와 중앙랭크(MEDIAN RANK)를 이용하여 회귀분석 수행 후 웨이블(WEIBULL) 분포함수의 두 인자인 α,β 값을 연산하는 단계를 거쳐서, 웨이블(WEIBULL) 분포함수를 연산하여 고장예측을 수행하는 단계를 거쳐서 베이지안 통계기법을 이용한 발전설비 고장예측 방법을 구현한다.
본 발명은 국내 발전 설비 뿐만 아니라, 다양한 산업설비 등에도 범용으로 적용될 수 있으며, 국내 산업 전반의 경제적인 설비 운영에도 적용할 수 있다. 현재 약 50기의 국내화력발전소와 국내 전반에 걸쳐있는 산업설비 및 완제품의 고장 및 불량확률에 대한 예측을 수행할 수 있으므로 이 기술의 수요성 및 적용분야가 매우 넓다. 국내외 제작사 및 연구소를 중심으로 발전설비 고장예측에 대한 요구와 연구가 활발히 이루어지고 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예의 구성과 작용을 설명하며, 도면에 도시되고 설명되는 본 발명의 구성과 작용은 적어도 하나 이상의 실시 예로서 설명되는 것이며, 이것에 의해 상기한 본 발명의 기술적 사상과 그 핵심 구성 및 작용이 제한되지는 않는다.
본 발명의 이해를 용이하게 하는 도면을 살펴본다. 도1은 고장 DB을 구축하는 방법과 이를 이용하여 고장확률 분포를 계산하고, 웨이블(WEIBULL) 분포함수를 이용하여 고장예측을 계산하는 방법을 나타낸 것이며, 도2는 발전설비 각 부품에 대한 고장예측을 위한 알고리즘을 수행하는데 필요한 각 단계별 흐름도를 나타낸 것이다. 도3은 고장예측을 위한 기본 알고리즘을 수행하기 위한 흐름도를 나타낸 것이다. 도4는 본 발명에 따라 설계 제작된 데이터베이스의 구성 중에서 하나의 화면을 캡쳐하여 나타낸 것이며, 도5는 회귀분석을 통한 웨이블 인자를 도출하기 위한 일차함수를 구하는 방법을 도시한 것이다. 본 발명에 따른 구체적인 실시 예를 살펴본다.
<실시 예>
본 발명에 따른 구체적인 실시 예를 도면에 기초하여 살펴본다. 도 4는 본 발명에 따라 설계 제작된 발전설비고장예측 시스템에 탑재된 데이터베이스의 한 화면을 캡쳐한 도면이고, 발전설비 부품 중에서 터빈을 선택한 경우의 화면을 나타낸 것이다. 터빈을 선택한 경우에 좌측 화면에는 고압(HP), 중압(IP) 및 저압(LP)로 나누어지고, 각각의 압력에 따른 부품이 나열되어 있으며, 우측에는 좌측에 나열된 각각의 부품에 대한 부품코드, 부품명, 준공년도, 해당 부품의 고장년도, 고장의 종류, 고장원인 및 고장에 대한 조치사항을 데이터베이스에 입력할 수 있도록 구성되어 있다. 상기 데이터베이스에는 발전설비 부품 중에서 터빈 외에 보일러, 발전기 등 발전설비에 채용되는 부품이 모두 해당될 수 있다.
본 발명은 통상의 발전설비고장예측 시스템에 본 발명에 따라 설계 제작된 데이터베이스와, 발전설비 각 부품에 대한 고장예측을 위한 알고리즘 및 본 발명을 수행하는데 필요한 제어프로그램이 탑재된 것으로부터 기술된 것이다.
따라서 이에 대한 언급을 생략한다.
도 2는 본 발명에 따라 설계 제작된 발전설비고장예측 시스템에 탑재된 발전설비 각 부품에 대한 고장예측을 위한 알고리즘을 수행하는데 필요한 각 단계별 흐름도를 나타낸 것이다. 각 단계별로 살펴보면, 발전설비 각 부품의 고장 및 정비이력을 조사하고 분석하여 부품별 고장이력에 대한 정보를 찾아내어 데이터베이스에 입력하는 단계를 거치고, 데이터베이스에 입력된 각 부품에 대한 정보를 바탕으로 발전설비 부품의 고장원인별 각 고장년도와 고장건수를 분석하는 단계를 거친다.
본 발명은 통상의 발전설비고장예측 시스템에 본 발명에 따라 설계 제작된 데이터베이스와, 발전설비 각 부품에 대한 고장예측을 위한 알고리즘 및 본 발명을 수행하는데 필요한 제어프로그램이 탑재된 것으로부터 기술된 것이다.
따라서 이에 대한 언급을 생략한다.
도 2는 본 발명에 따라 설계 제작된 발전설비고장예측 시스템에 탑재된 발전설비 각 부품에 대한 고장예측을 위한 알고리즘을 수행하는데 필요한 각 단계별 흐름도를 나타낸 것이다. 각 단계별로 살펴보면, 발전설비 각 부품의 고장 및 정비이력을 조사하고 분석하여 부품별 고장이력에 대한 정보를 찾아내어 데이터베이스에 입력하는 단계를 거치고, 데이터베이스에 입력된 각 부품에 대한 정보를 바탕으로 발전설비 부품의 고장원인별 각 고장년도와 고장건수를 분석하는 단계를 거친다.
삭제
상기 분석된 결과를 이용하여 본 발명에 따른 발전설비고장예측 시스템에 탑재된 랭크(RANK) 및 역 랭크 계산 모듈에서 랭크(RANK) 및 역 랭크(REVERSE RANK)를 계산하는 단계를 거치며, 결정된 역 랭크(REVERSE RANK)를 이용하여 조절랭크(ADJUSTED RANK)와 중앙랭크(MEDIAN RANK)를 계산하는 단계를 거친다.
상기 결정된 중앙랭크(MEDIAN RANK)와 고장년도를 이용하여 발전설비고장예측 시스템에 탑재된 척도모수(α)와 형상모수(β) 결정모듈에서 회귀분석 수행하여 웨이블 분포함수의 두 인자인 척도모수(α)와 형상모수(β)를 결정하는 단계(206)를 거치며, 결정된 척도모수(α)와 형상모수(β)를 웨이블 분포함수에 대입하여 각 부품에 대한 고장예측을 수행하는 단계(207)로 이루어져 있다.
상기 회귀분석은 통계학에서 관찰된 연속형 변수들에 대해 독립변수와 종속변수 사이의 인과관계에 따른 수학적 모델인 선형적 관계식을 구하여 어떤 독립변수가 주어졌을 때 이에 따른 종속변수를 예측하는 방법이며, 또한 이 수학적 모델이 얼마나 잘 설명하고 있는지를 판별하기 위한 적합도를 측정하는 분석방법이다.
본 발명은 상기 데이터베이스에 발전설비 각 부품의 고장이력 및 정보를 입력할 때, 도4에서와 같이 발전설비를 터빈, 발전기, 보일러 등의 큰 부품으로 나누어 구성하고(401), 대상설비(402) 선택 후 부품코드(404) 및 부품명(405)을 입력하며, 해당 부품이 채용된 발전설비의 준공년도(406), 부품의 고장발생년도(407), 고장종류(408), 고장원인(409) 및 조치사항(410)등을 차례로 입력하되, 정확하게 입력하여야 고장예측에 대한 신뢰도가 높아진다.
본 발명에 따른 고장예측 방법은 베이지안 통계기법을 기초로 하는 유지보수의 시변 고장율(TVFR : Time-Varying Failure Rate)과 유지보수의 횟수 등을 고려하여 효과적인 유지보수 주기를 결정하고, 리스크 기준 보수관리(Risk Based Maintenance)등의 기준을 설정하여 발전설비를 효율적으로 유지 관리하여 경제적 손실을 최소화하고 발전설비의 신뢰성을 향상시킬 수 있도록 구성되어 있다.
본 발명에 사용된 고장을 예측하는 알고리즘은 베이지안 통계기법 중 하나인 기기 고장 예측에 사용되는 웨이블(Weibull) 분포함수{f(t), 식(1)}를 이용하였다.
여기에서 α 는 척도모수이고, β 는 형상모수이다.
각 부품의 고장 데이터베이스를 이용하여 상기 척도모수 α와 형상모수 β를 다음과 같은 단계를 통하여 구할 수 있다.
a. (고장년도 - 준공년도)를 계산하고, 같은 년도에 발생한 고장건수를 계산하는 단계를 거친다.
b. 년도 별 계산된 고장건수(n)를 이용하여 랭크(Rank)를 부여하는 단계를 거친다. 상기 랭크(Rank)는 한해에 발생한 고장건수(n)가 n=1이면 1이고, 고장건수(n)가 1보다 크면 n/2가 된다.
c. 상기 랭크(Rank)를 이용하여 역 랭크(Reverse Rank)를 계산하는 단계를 거친다.
상기 역 랭크(Reverse Rank)는 랭크(Rank)의 역수이다.
d. 역 랭크(Reverse Rank)를 이용하여 조절랭크(Adjusted Rank)를 계산하는 단계를 거치며, 보다 구체적으로 조절랭크는 역 랭크를 이전조절랭크로 나누고, 이 값에 고장건수에 1을 더한 후, 이 값을 역 랭크에 1을 더한 값으로 나누어 계산한다.
수식으로 표현하면, 상기 조절랭크(Adjusted Rank)=[(Reverse Rank)(Previous Adjusted Rank)+(n+1)]/(Reverse Rank+1)
이다.
상기 이전 조절랭크(Previous Adjusted Rank)의 초기치는 0이다.
e. 조절랭크(Adjusted Rank)를 이용하여 중앙랭크(Median Rank)를 계산하는 단계를 거치며, 보다 구체적으로 중앙랭크는 상기 조절랭크에서 0.3을 뺀 값을 역 랭크에 0.4를 더한 값으로 나누어 계산한다. 수식으로 표현하면,
중앙랭크(Median Rank)=[(Adjusted Rank-0.3)]/[Reverse Rank+0.4]
이다.
f. 고장년도에서 준공년도를 뺀 값에 로그(ln)를 취하여 계산하는 단계를 거친다.
수식으로 표현하면,
x = ln(고장년도-준공년도)
이다.
g. 1에서 중앙랭크를 뺀 후 역수를 취하고, 역수를 취하여 얻은 값에 로그를 취하고, 로그를 취하여 얻은 값에 다시 로그를 취하여 계산하는 단계를 거친다.
수식으로 표현하면,
y = lnㆍln(1/(1-Median Rank))
이다.
상기 f 단계에서 계산한 다수의 값을 x축으로 하고, g 단계에서 각각의 x 값에 대응시켜 계산하여 얻은 다수의 값을 y축으로 하여 도5에서와 같이 그래프상에 도시한다.
상기 그래프의 회귀분석을 통하여 y = αx + β 의 1차 방정식(도5의 직선)을 구할 수 있으며, 이때 일차방정식의 기울기가 척도모수(α)가 된다.
또한 웨이블(Weibull) 분포함수의 두 번째 특성인자인 형상모수(β)는 수식(2)로부터 계산하여 얻을 수 있다.
상기 수식(2)에서 형상모수(β)는 다수의 x 값의 평균값에서 다수의 y 값의 평균값을 α 값으로 나눈 값을 뺀 값으로 지수함수를 취하여 계산하여 얻어진다.
본 발명은 발전설비 각 구성품을 통계적 방법인 웨이블(Weibull) 분포함수를 이용하여 사용년도 별로 고장예측을 수행할 수 있도록 설계된 알고리즘을 이용하므로 현재까지는 발전설비 각 구성품의 고장을 정확하게 예측할 수 없기 때문에 일정주기가 되면 구성품들을 일방적으로 교체함에 따른 경제적 손실이 크게 있었으나, 이 방법을 통하여 고장 예측을 수행할 수 있어 불필요한 구성품의 교체를 예방할 수 있다.
본 발명의 현장 적용을 통해 지속적으로 발전설비 각 부품의 고장 예측에 적용 사용할 수 있고, 통계를 이용한 발전설비 구성품의 고장예측 방법은 지속적인 고장 데이터베이스의 업데이트를 통하여 신뢰성 높은 데이터를 확보할 수 있으며 지속적으로 발전설비의 경제적인 운영에 크게 기여할 수 있다.
<산업상 이용가능성>
본 발명은 TBM 방식의 발전설비의 정비를 리스크 기준 보수 관리 등의 기준으로 발전설비를 유지 관리하기 위한 것이며, 발전설비의 부품들의 고장예측을 위하여 각 부품들의 고장이력을 데이터베이스화하고 이를 이용하여 통계기법 중의 하나인 베이지안 통계방법을 이용하여 발전설비의 구성 부품들의 고장확률을 예측하는 베이지안 통계기법을 이용한 발전설비 고장예측 방법을 제공하므로 부품의 잦은 교체에 따른 경제적 손실을 줄이고, 교체 시에 발전 중단에 따른 경제적인 손실을 줄일 수 있으므로 산업상 이용가능성이 매우 높다.
도1 : 고장 데이터베이스를 구축하는 방법과 웨이블 분포함수를 이용하여 고장예측을 계산하는 흐름도
도2 : 고장예측 계산을 수행하기 위한 일련의 단계별 흐름도
도3 : 고장예측을 위한 기본 알고리즘
도4 : 데이터베이스의 구성도의 하나의 예를 나타낸 화면을 캡쳐한 도면
도5 : 회귀분석을 통한 웨이블 인자 도출
Claims (6)
- 베이지안 통계기법을 이용한 발전설비 고장예측 방법에 있어서,부품이 채용된 발전설비의 준공년도, 부품의 고장발생년도, 고장종류, 고장원인 및 조치사항으로 이루어진 발전설비 각 부품의 고장 및 정비이력을 조사 분석하여 부품별 고장이력에 대한 정보를 찾아내어 발전설비고장예측 시스템에 탑재된 데이터베이스에 입력하는 단계;상기 발전설비고장예측 시스템에 탑재된 데이터베이스에 입력된 각 부품별 고장이력에 대한 정보를 바탕으로 발전설비 부품의 고장원인 별 각 고장년도와 고장건수를 분석하는 단계;상기 고장년도와 고장건수의 분석된 결과를 이용하여 발전설비고장예측 시스템에 탑재된 랭크 및 역 랭크 계산모듈에서 랭크 및 역 랭크를 계산하는 단계;상기 랭크 및 역 랭크 계산모듈에서 계산된 역 랭크를 이용하여 조절 랭크와 중앙 랭크를 계산하는 단계;계산된 중앙랭크와 고장년도를 이용하여 발전설비고장예측 시스템에 탑재된 척도모수(α)와 형상모수(β) 결정모듈에서 회귀분석을 수행하여 웨이블 분포함수의 두 인자인 척도모수(α)와 형상모수(β) 값을 연산하는 단계; 및연산된 척도모수와 형상모수를 발전설비고장예측 시스템에 탑재된 웨이블 분포함수에 대입하여 각 부품에 대한 고장예측을 수행하는 단계로 구성된 발전설비 부품고장예측 방법.
- 삭제
- 청구항1에 있어서,상기 척도모수(α)는 고장년도에서 준공년도를 뺀 값에 로그(ln)를 취한 값으로 x 축 값을 구하고,1에서 중앙 랭크를 뺀 후 역수를 취하고, 역수를 취하여 얻은 값에 로그를 취하고, 로그를 취하여 얻은 값에 다시 로그를 취하여 y 값을 구하며,상기 다수의 x 값 및 x 에 대응하는 다수의 y 값으로부터 구한 일차함수의 기울기를 연산하여 획득함을 특징으로 하는 발전설비 고장예측 방법.
- 청구항3에 있어서,상기 형상모수(β)는 y 의 평균값을 α값으로 나누고, 이 값에서 x 의 평균값에서 뺀 값에 지수함수 취하여 획득함을 특징으로 하는 발전설비 고장예측 방법.
- 청구항 1, 청구항 3 및 청구항 4 중 어느 한 항에 있어서,상기 랭크는 한해에 발생한 고장건수(n)가 n=1이면 1이며, 고장건수(n)가 1보다 크면 n/2로 하여 계산함을 특징으로 하는 발전설비 고장예측 방법.
- 청구항 1, 청구항 3 및 청구항 4 중 어느 한 항에 있어서,상기 조절랭크는 역 랭크를 이전조절랭크로 나누고, 나눈 값에 고장건수에 1을 더한 후, 이 값을 역 랭크에 1을 더한 값으로 나누어 계산함을 특징으로 하는 발전설비 고장예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090100320A KR101086027B1 (ko) | 2009-10-21 | 2009-10-21 | 베이지안 통계기법을 이용한 발전설비 고장예측방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090100320A KR101086027B1 (ko) | 2009-10-21 | 2009-10-21 | 베이지안 통계기법을 이용한 발전설비 고장예측방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20110043277A KR20110043277A (ko) | 2011-04-27 |
| KR101086027B1 true KR101086027B1 (ko) | 2011-11-22 |
Family
ID=44048576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020090100320A KR101086027B1 (ko) | 2009-10-21 | 2009-10-21 | 베이지안 통계기법을 이용한 발전설비 고장예측방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101086027B1 (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101561573B1 (ko) | 2012-05-14 | 2015-10-19 | 스미도모쥬기가이고교 가부시키가이샤 | 순환유동층보일러의 운전진단방법 및 운전진단장치 |
| KR101561572B1 (ko) | 2012-05-14 | 2015-10-19 | 스미도모쥬기가이고교 가부시키가이샤 | 순환유동층보일러의 운전제어시스템 |
| KR101869884B1 (ko) | 2016-10-06 | 2018-06-21 | 더블유에이테크놀러지 주식회사 | 발전설비 관리 서버 |
| KR102110601B1 (ko) | 2019-11-27 | 2020-05-13 | (주)대한기전 | 설비 고장 예측 시스템 |
| WO2020243297A1 (en) * | 2019-05-30 | 2020-12-03 | Schlumberger Technology Corporation | Equipment failure diagnostics using bayesian inference |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101369341B1 (ko) * | 2012-05-03 | 2014-03-06 | 한국수력원자력 주식회사 | 전자회로기판의 통합관리 데이터베이스 구축 시스템 |
| CN103198219A (zh) * | 2013-04-03 | 2013-07-10 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于失效模式区分和norm分布的继电保护装置时变失效率估算方法 |
| KR101729283B1 (ko) | 2014-09-01 | 2017-04-24 | 경희대학교 산학협력단 | 목표 달성 진단 장치 및 진단 방법 |
| CN110110967B (zh) * | 2019-04-09 | 2022-12-20 | 华能山东石岛湾核电有限公司 | 一种适用于核电站许可证基准变更的风险评价方法 |
| KR102496917B1 (ko) * | 2021-05-04 | 2023-02-07 | 한국남동발전 주식회사 | 고장예측모델을 기반으로 하는 고장 예측 시스템 |
| KR102637334B1 (ko) * | 2021-08-31 | 2024-02-19 | 주식회사 나루 | 레저보트 쉐어링 안전 예측관리시스템 |
-
2009
- 2009-10-21 KR KR1020090100320A patent/KR101086027B1/ko active IP Right Grant
Non-Patent Citations (1)
| Title |
|---|
| 논문 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101561573B1 (ko) | 2012-05-14 | 2015-10-19 | 스미도모쥬기가이고교 가부시키가이샤 | 순환유동층보일러의 운전진단방법 및 운전진단장치 |
| KR101561572B1 (ko) | 2012-05-14 | 2015-10-19 | 스미도모쥬기가이고교 가부시키가이샤 | 순환유동층보일러의 운전제어시스템 |
| KR101869884B1 (ko) | 2016-10-06 | 2018-06-21 | 더블유에이테크놀러지 주식회사 | 발전설비 관리 서버 |
| WO2020243297A1 (en) * | 2019-05-30 | 2020-12-03 | Schlumberger Technology Corporation | Equipment failure diagnostics using bayesian inference |
| US11703846B2 (en) | 2019-05-30 | 2023-07-18 | Cameron International Corporation | Equipment failure diagnostics using Bayesian inference |
| KR102110601B1 (ko) | 2019-11-27 | 2020-05-13 | (주)대한기전 | 설비 고장 예측 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20110043277A (ko) | 2011-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101086027B1 (ko) | 베이지안 통계기법을 이용한 발전설비 고장예측방법 | |
| Hu et al. | A prediction method for the real-time remaining useful life of wind turbine bearings based on the Wiener process | |
| US10521490B2 (en) | Equipment maintenance management system and equipment maintenance management method | |
| Caballé et al. | A condition-based maintenance of a dependent degradation-threshold-shock model in a system with multiple degradation processes | |
| Yang et al. | Opportunistic maintenance of production systems subject to random wait time and multiple control limits | |
| Byon et al. | Season-dependent condition-based maintenance for a wind turbine using a partially observed Markov decision process | |
| AU2016201724B2 (en) | Method and system for predicting equipment failure | |
| CN105844050A (zh) | 基于时间相关的数控机床组件更换时间方法 | |
| Zhou et al. | A novel prognostic model of performance degradation trend for power machinery maintenance | |
| Wang et al. | Optimal dynamic imperfect preventive maintenance of wind turbines based on general renewal processes | |
| Zhang et al. | Age-dependent maintenance strategies of medium-voltage circuit-breakers and transformers | |
| CN115453356A (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| Nichenametla et al. | Optimizing life cycle cost of wind turbine blades using predictive analytics in effective maintenance planning | |
| KR102130272B1 (ko) | 경험모델 기반 예측 알고리즘의 최적화 방법 | |
| Baboli et al. | Two-stage condition-based maintenance model of wind turbine: From diagnosis to prognosis | |
| Shafiee | Modelling and analysis of availability for critical interdependent infrastructures | |
| RU2703874C1 (ru) | Способ контроля и прогнозирования работы газотурбинной установки с использованием матрицы дефектов | |
| Nielsen et al. | Risk-based decision making for deterioration processes using POMDP | |
| KR102496924B1 (ko) | 고장예측모델을 기반으로 하는 예지보전 운영시스템 | |
| Sadiki et al. | Impact of intelligent wireless sensor network on predictive maintenance cost | |
| CN115392040A (zh) | 含缺陷风电叶片主梁在随机载荷作用下的寿命预测方法 | |
| CN112507516B (zh) | 一种基于可靠性的电气设备预防性维修优化方法及装置 | |
| Beduschi et al. | Optimizing rotating equipment maintenance through machine learning algorithm | |
| CN113591266A (zh) | 一种电能表故障概率的分析方法及系统 | |
| Zhao et al. | An inspection and replacement model based on a three-stage failure process |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20141114 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20151117 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20161115 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20181101 Year of fee payment: 8 |