KR101096793B1 - 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 - Google Patents

산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 Download PDF

Info

Publication number
KR101096793B1
KR101096793B1 KR1020100035755A KR20100035755A KR101096793B1 KR 101096793 B1 KR101096793 B1 KR 101096793B1 KR 1020100035755 A KR1020100035755 A KR 1020100035755A KR 20100035755 A KR20100035755 A KR 20100035755A KR 101096793 B1 KR101096793 B1 KR 101096793B1
Authority
KR
South Korea
Prior art keywords
data
variables
learning
process margin
value
Prior art date
Application number
KR1020100035755A
Other languages
English (en)
Other versions
KR20110116378A (ko
Inventor
김수영
Original Assignee
비앤에프테크놀로지 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 비앤에프테크놀로지 주식회사 filed Critical 비앤에프테크놀로지 주식회사
Priority to KR1020100035755A priority Critical patent/KR101096793B1/ko
Priority to PCT/KR2011/002758 priority patent/WO2011132900A2/ko
Priority to US13/519,070 priority patent/US20120271826A1/en
Publication of KR20110116378A publication Critical patent/KR20110116378A/ko
Application granted granted Critical
Publication of KR101096793B1 publication Critical patent/KR101096793B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Automation & Control Theory (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

이 발명은 산업설비의 공정 여유도를 통계적 학습 기법에 기반하여 분석하는 감시 시스템을 구현하는데 있어서, 발전소 컴퓨터의 데이터 베이스로부터 학습용 데이터를 수집하고 이를 학습하기 용이한 형태로 변환하기 위한, 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법에 관한 것으로서,
학습용 데이터 세트를 두 개 이상으로 구성하는 단계와, 학습용 데이터 세트를 운전모드별로 구분하는 단계와, 학습용 데이터에 모델링이 어려운 디지털 신호가 있는 경우에 해당 디지털 신호를 대신할 수 있는 아날로그 신호를 이용하여 학습용 데이터를 수집하는 단계와, 다수의 설비로부터 제공되는 동일한 성격의 데이터를 입력받아 가상 태그를 부여하는 단계와, 통계적인 방법과 엔지니어가 갖고 있는 설비에 대한 지식을 반영하여 데이터를 그룹핑하는 단계와, 신호의 분산을 격자크기의 기준으로 삼아 해당 격자 내의 데이터의 개수를 줄이는 단계를 포함하여 이루어진다.

Description

산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체{data collecting method for detection and on-time warning system of industrial process}
이 발명은 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체에 관한 것으로서, 좀더 세부적으로 말하자면 산업설비의 공정 여유도를 통계적 학습 기법에 기반하여 분석하는 감시 시스템을 구현하는데 있어서, 발전소 컴퓨터의 데이터 베이스로부터 학습용 데이터를 수집하고 이를 학습하기 용이한 형태로 변환하기 위한, 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체에 관한 것이다.
산업설비는 특정한 목적을 달성하기 위하여 다수의 계통 및 기기로 이루어진 장치로서, 일반적으로 운전 및 안전 상태를 확인하기 위한 하나 이상의 계측기가 설치되어 있고, 이를 오프라인 또는 온라인으로 측정할 수 있는 구성으로 이루어진다.
상기한 산업설비는 외부 조건(대기 온도, 압력, 습도, 냉각수가 필요한 경우 해수 또는 강수 온도 등), 투입 연료의 특성, 설비의 열화 정도, 운전 범위 등에 따라 설비의 효율과 안전성이 달라지게 되는데, 비용 관점에서 설비의 효율과 안전성을 용인할 수 있는 변화 범위를 공정 여유도라 한다. 대부분의 산업설비에서는 이와 같은 공정 여유도를 넘어서는 운전을 막기 위하여, 특정 계통 또는 기기에 대한 정지/보호 기능을 마련해 놓고 있으며, 이와 같은 정지/보호 기능의 구현을 위하여 특정 운전 변수의 값이 상기한 정지/보호 신호 설정치를 넘어서게 되면 설비를 강제로 정지시키는 제어장치를 마련해 두고 있다.
상기한 공정 여유도와 정지/보호 설정치는 상호 의존적인 변수로서, 정지/보호 설정치가 지나치게 높게 설정될 경우에는, 상대적으로 공정 여유도가 많아지게 되어 산업설비를 가동함으로써 얻는 비용 이득은 커지게 되지만, 자칫 심각한 사고가 발생하여 장기간의 설비 정지를 초래할 수 있는 문제점이 있다. 이와는 반대로, 상기한 정지/보호 설정치가 지나치게 낮게 설정될 경우에는, 사고 발생에 대한 확률은 낮아지지만, 상대적으로 공정 여유도가 적어지게 되어 산업설비가 자주 정지됨으로써 산업설비 가동에 따른 비용 이득이 적어지게 된다.
따라서, 이러한 양면성을 반영하여 전체적인 공정 여유도를 결정하게 되는데, 고도의 안전성이 요구될수록 외부 조건, 투입 연료, 설비의 열화 정도, 운전 범위 등을 모두 포괄하여 보수적인 값으로 공정 여유도를 정하는 것이 일반적이다.
하지만, 외부 조건, 투입 연료, 설비의 열화 정도, 운전 범위 등과 같이 다양한 상황에 대한 종합적인 공정 여유도를 결정하는 것은 매우 어렵다.
한편, 특정 운전 변수의 값이 정지/보호 설정치에 접근하기 전에 예비 정지/보호 설정치를 제공하여, 운전원이 설비의 정지에 대비하도록 하거나, 적절한 조치를 취하여 정상화되도록 하는 절차서를 구비하고 있는 것이 보편적이다.
그런데 이와 같은 예비 정지/보호 설정치는 보통 정적인 값으로서 일단 정해지면 값이 변하지 않거나, 값이 변화하는 경우에도 설비의 특성을 나타내는 한, 두 가지의 조건에 대한 함수로서 설정치가 정해진다.
따라서, 공정이 상기한 정지/보호 설정치 이내에 있기만 하면 실제로 공정이 정상적인지 비정상적인지 여부를 알려줄 수는 없으며, 공정의 문제점이 설정치까지 전파되는 시간을 예상하기 어려우므로 매우 긴박한 상황이 되기 직전까지 적절한 대처를 하기가 불가능한 문제점이 있다.
상기한 바와 같은 종래의 문제점을 해결하기 위한 것으로서, 일련의 통계적 학습 및 예측 모델에 기반하여 산업설비의 정지/보호 신호에 대한 동적 감시 및 적시 경보를 가능하게 할 수 있는 기술이 알려진 바 있다.
본 발명의 목적은 상기한 바와 같은 종래의 문제점을 해결하기 위한 것으로서, 산업설비의 공정 여유도를 통계적 학습 기법에 기반하여 분석하는 감시 시스템을 구현하는데 있어서, 발전소 컴퓨터의 데이터 베이스로부터 학습용 데이터를 수집하고 이를 학습하기 용이한 형태로 변환하기 위한, 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체를 제공하는 데 있다.
상기한 목적을 달성하기 위한 수단으로서 이 발명의 구성은, 학습용 데이터 세트를 두 개 이상으로 구성하는 단계와, 학습용 데이터 세트를 운전모드별로 구분하는 단계와, 학습용 데이터에 모델링이 어려운 디지털 신호가 있는 경우에 해당 디지털 신호를 대신할 수 있는 아날로그 신호를 이용하여 학습용 데이터를 수집하는 단계와, 다수의 설비로부터 제공되는 동일한 성격의 데이터를 입력받아 가상 태그를 부여하는 단계와, 통계적인 방법과 엔지니어가 갖고 있는 설비에 대한 지식을 반영하여 데이터를 그룹핑하는 단계와, 신호의 분산을 격자크기의 기준으로 삼아 해당 격자 내의 데이터의 개수를 줄이는 단계를 포함하여 이루어진다.
이 발명의 구성은, 상기 학습용 데이터 세트는, 첫 번째 세트에서는 특정 설비의 공정 여유도 감시를 위한 신호로만 구성되며, 두 번째 세트에서는 전체 설비의 공정 여유도 감시를 위하여 모든 신호가 포함되며, 세 번째 세트는 특정 이벤트가 발생한 직후의 설비 조건을 기준으로 하여, 특정 이벤트 별로, 신호가 주기적으로 업데이트되면 바람직하다.
이 발명의 구성은, 실행모드에서 디지털 신호에 대한 결과가 0 또는 1만 나오는 것이 아니라, 중간값이나, 이를 벗어나는 값이 나오는 경우에 디지털 신호가 의미하는 개폐 또는 정지/동작 등의 지시자가 틀렸을 가능성이 있는 것으로 판단하면 바람직하다.
이 발명의 구성은, 상기 데이터를 그룹핑하는데 있어 최적의 조합 선정단계는, 상관계수를 이용하여 사용자가 지정한 임의의 값, 예컨대 0.8 이상인 값을 나타낸 변수끼리는 같은 그룹으로 간주하는 단계와, 위에서 구성된 그룹의 변수를 대상으로, 4중 검증(4-fold validation) 방법을 이용하여 평활 모수를 계산하는 단계와, 같은 그룹 내의 변수가 아닌 다른 모든 변수의 조합을 그룹에 포함시켜 4중 검증 방법을 이용하여 평활 모수를 계산하면서 잔차의 제곱합(Square Sum of Residuals, SSR)을 계산하는 단계와, 잔차의 제곱합(SSR) 줄어드는 시점에서 그룹핑을 종료하는 단계와,설비의 특성을 고려하여 독립 변수를 결정하고, 독립변수만을 대상으로 4중 검증(4-fold validation) 방법을 수행하는 단계를 포함하여 이루어진다.
이 발명의 구성은, 상기 상관계수는 다음과 같은 수식에 의해 분석되면 바람직하다.
Figure 112010024723485-pat00001
여기서, ρXY: 변수 X와 Y 사이의 상관계수, Xi: 학습용 데이터의 샘플링 구간 기준으로 i번째 값, Yi: 학습용 데이터의 샘플링 구간 기준으로 i번째 값, 단 X와 다른 변수, μX: 변수 X에 대한 평균, μY: 변수 Y에 대한 평균, σX: 변수 X에 대한 표준편차, σY: 변수 Y에 대한 표준편차, N: 학습용 데이터의 샘플링 구간 내에 데이터 수집 간격의 횟수이다.
이 발명의 구성은, 상기 각 격자내의 데이터의 개수를 줄이기 위해서 사용자가 입력하는 일정한 비율을 이용하여, 이 비율에 따라 모든 격자 내의 데이터의 개수를 줄이면 바람직하다.
이 발명의 구성은, 상기 비율에 따라 데이터가 줄어들 경우 1개도 남지 않는 경우에는 최소한 1개는 남기면 바람직하다.
이 발명은, 산업설비의 공정 여유도를 통계적 학습 기법에 기반하여 분석하는 감시 시스템을 구현하는데 있어서, 발전소 컴퓨터의 데이터 베이스로부터 학습용 데이터를 수집하고 이를 학습하기 용이한 형태로 변환할 수 있는 효과를 갖는다.
도 1은 산업설비로서 일반적인 발전 시스템의 개요도이다.
도 2은 이 발명의 일실시예에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법의 다중 학습용 데이터 세트의 구성예를 보여주기 위한 도면이다.
도 3은 이 발명의 일실시예에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법의 학습용 데이터 세트를 선택하기 위한 사용자 인터페이스를 보여주기 위한 도면이다.
도 4는 이 발명의 일실시예에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법의 아날로그 데이터 또는 디지털 데이터의 수집 예를 보여주기 위한 도면이다.
도 5는 이 발명의 일실시예에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법의 실행모드에서의 디지털 신호에서 0에서 1사이의 출력이 나오는 경우를 보여주기 위한 도면이다.
도 6은 이 발명의 일실시예에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법의 가상 태그 생성을 보여주기 위한 도면이다.
도 7a 및 도 7b는 이 발명의 일실시예에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법의 단계적 변수 선정을 보여주기 위한 도면이다.
도 8은 이 발명의 일실시예에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법의 단계적 변수 선정 결과와 변수들의 교차 그룹핑의 결과를 보여주기 위한 도면이다.
도 9a 및 도 9b는 이 발명의 일실시예에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법의 데이터 압축의 원리를 설명하기 위한 도면이다.
이하, 이 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 이 발명을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 이 발명의 가장 바람직한 실시예를 첨부된 도면을 참조로 하여 상세히 설명하기로 한다. 이 발명의 목적, 작용, 효과를 포함하여 기타 다른 목적들, 특징점들, 그리고 동작상의 이점들이 바람직한 실시예의 설명에 의해 보다 명확해질 것이다.
참고로, 여기에서 개시되는 실시예는 여러가지 실시가능한 예중에서 당업자의 이해를 돕기 위하여 가장 바람직한 실시예를 선정하여 제시한 것일 뿐, 이 발명의 기술적 사상이 반드시 이 실시예에만 의해서 한정되거나 제한되는 것은 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위내에서 다양한 변화와 부가 및 변경이 가능함은 물론, 균등한 타의 실시예가 가능함을 밝혀 둔다.
통계적 학습 및 예측 모델에 기반하여, 공정 여유도에 대한 적시 경보를 해 주는 공정 여유도 감시 시스템이 개발되고 있는데, 상기 공정 여유도 감시 시스템은 설비의 운전 이력으로부터 얻어진 통계 자료(이하 "학습용 데이터"라고 부른다)를 이용하여, 계측기의 오류와 실제 설비의 이상을 구분하는 것이 특징이다.
그런데 상기 공정 여유도 감시 시스템의 정확성은, 설비의 운전 이력으로부터 학습용 데이터를 얼마나 신뢰적인 방법으로 수집하는지와, 수집된 학습용 데이터를 어떤 방법으로 그룹핑(Grouping)하여 예측 모델 구성에 활용하느냐 하는 데에 달려 있다.
공정 여유도 감시 시스템의 정확성을 높이기 위하여 요구되는 조건을 좀더 세부 항목으로 구분하면 다음과 같다.
(1) 데이터의 수집 방법
발전소 컴퓨터에 설치된 데이터베이스로부터 학습용 데이터를 수집하는 시작 시점과 종료 시점의 선정에 대한 방법을 말한다.
(2) 발전설비가 정상상태로 운전되고 있는 경우와 그렇지 않은 경우에 대한 데이터 수집방법
정상상태는 설비의 운전 조건이 변화하지 않고 안정적인 상태를 유지하고 있음을 의미하는데, 이 때 수집된 데이터는 보편적으로 통계적 모델 구성이 용이하다. 반면에 발전설비가 기동 또는 정지, 다양한 제어 논리에 의하여 상태가 변화하고 있는 경우에 얻어지는 데이터는 통계적 모델 구성이 어렵다. 따라서 발전소 컴퓨터에 설치된 데이터베이스로부터 정상상태와 그렇지 않은 경우를 구분하여 데이터를 수집하여 공정 여유도 감시 시스템에 입력하는 방법이 필요하다.
(3) 아날로그 데이터와 디지털 데이터의 수집방법
일반적인 공정 신호를 나타내는 아날로그 데이터와는 달리, 밸브의 개폐 상태, 펌프의 운전/정지 상태 등 주로 설비의 작동 상태를 알려주는 신호인 디지털 데이터는 통계적 학습 모델에서 중요한 역할을 하지만, 아날로그 데이터 위주로 개발된 통계적 학습 모델에 반영하는데 있어서 문제점이 발생하게 된다. 따라서, 발전소 컴퓨터에 설치된 데이터 베이스로부터 디지털 데이터를 입력받아서 이를 공정 여유도 감시 시스템에 입력하는 방법이 필요하다.
(4) 다수의 설비로부터 제공되는 동일한 성격의 데이터의 처리방법
중요한 기능을 수행하는 산업 설비인 경우 동일한 기능을 수행할 수 있는 한 대 이상의 백업 설비를 두고 있는 경우가 많다. 예컨대, 몇 대의 펌프가 작동하고 있는 상태에서 다른 한 대는 정지상태로 대기하고 있다가, 작동중인 펌프들중에서 한대가 어떤 이유로 정지하게 되는 경우에, 정지상태로 대기하고 있던 펌프가 기동되어 고장난 펌프의 역할을 대신하게 되는 것이다. 이런 경우 전체적으로는 가동 설비의 개수가 변화하는 것은 아니므로 운전 조건이 바뀌지는 않겠지만, 동작중인 설비가 바뀌었으므로 사용자에게 감시 결과를 제공하는데 있어서 바뀌어야 할 부분이 생긴다. 즉 다수의 설비로부터 제공되는 동일한 성격의 데이터를 발전소 컴퓨터에 설치된 데이터베이스로부터 입력받아 가공한 다음, 공정 여유도 감시 시스템에 입력하는 방법이 필요하다.
(5) 데이터를 그룹핑하는데 있어 최적의 조합 선정방법
발전 설비를 감시하고 있는 신호 목록은 일반적으로 매우 방대하며, 그중에서는 설비의 공정 여유도를 파악하는데 중요한 것도 있지만, 불필요한 신호도 상당수 포함되어 있다. 그룹핑을 하는 가장 간단한 방법은 신호들 간의 상관계수를 확인하여 상관도가 높은 것을 같은 그룹으로 만드는 것이지만, 학습용 데이터의 수집 정책에 따라 그룹핑 결과가 일관적이지 않을 수가 있다. 따라서 통계적인 방법과 엔지니어가 갖고 있는 설비에 대한 지식을 반영하여 데이터를 그룹핑한 다음, 이를 공정 여유도 감시 시스템에 입력하는 방법이 필요하다.
(6) 수집된 데이터를 실제로 학습이 가능할 정도로 줄여주는 방법
일반적으로 단기간에 데이터를 수집한다 하더라도 샘플링 간격이 짧다면 수집되는 데이터의 양은 상당히 방대해 진다. 또한 대형 발전설비의 경우 감시하는 신호 목록도 매우 많기 마련이다. 따라서 고성능 컴퓨터를 사용한다 하더라도 통계적 학습 모델을 구성하는데 소요되는 막대한 계산량을 해결하기는 쉽지 않다. 이에따라 수집된 데이터의 정보를 최소한의 손실로 실제로 학습이 가능하도록 줄여서, 이를 공정 여유도 감시 시스템에 입력하는 방법이 필요하다.
다음으로는 공정 여유도 감시 시스템의 정확성을 높이기 위하여 요구되는 조건을 충족시키기 위한 방법을 각 세부 항목 별로 상세하게 기술하도록 한다.
(1) 데이터의 수집 (다중 학습용 데이터 세트 구성)
도 1은 산업설비로서 일반적인 발전 시스템의 개요도이다. 도 1에 도시되어 있는 바와 같이 일반적인 발전 시스템은, 기력 발전소의 보일러 또는 원자력 발전소의 증기발생기와 같은 증기발생 설비(1)와, 상기 증기발생 설비(1)에 연결되어 있는 증기터빈(2)과, 상기 증기터빈(2)에 연결되어 있는 복수기(3)와, 상기 복수기(3)와 증기발생 설비(1)의 사이에 연결되어 있는 펌프(4)를 포함하여 이루어진다. 도 1에서 A부터 G까지는 각각의 설비에 설치된 센서로부터 얻을 수 있는 신호로서, A는 증기발생 설비(1)의 출구압력 신호이고, B는 복수기(3)의 압력 신호이고, C는 복수의 온도 신호이고, D는 펌프(4)의 출구 압력 신호이고, E는 급수 유량 신호이고, F는 증기발생 설비(1)내의 압력신호이고, G는 증기발생 설비(1)내의 온도신호이다.
이상적인 학습용 데이터는 경년열화 또는 효율저하가 없는 정상적인 설비의 운전 조건으로부터 얻어진 것으로만 준비되어야 하며, 모든 외부 조건(대기 온도, 압력, 또는 습도, 냉각수가 필요한 경우 해수 또는 강수 온도 등) 및 내부 조건(투입 연료의 특성, 운전 범위) 등의 조합에서의 운전 데이터로 구성되어야 한다. 그러나 현실적으로 이와 같은 데이터를 완벽하게 수집하는 것은 불가능하므로, 다음과 같은 방법으로 학습용 데이터를 준비한다.
먼저, 학습용 데이터 세트를 두 개 이상으로 구성한다. 학습용 데이터는 현재 설비의 상태와 비교할 기준 대상으로서의 역할을 수행하므로, 이에 맞도록 학습용 데이터 세트를 다중으로 구성할 수 있다. 도 2에서와 같이 세 가지 세트의 학습용 데이터를 구성한다고 하면, 첫 번째 학습용 데이터 세트에서는 특정 설비(예를들면 발전 시스템의 펌프(4))의 공정 여유도 감시를 위한 신호들(C, D, E)로만 구성된 학습용 데이터베이스를 갖고 있으며, 여기에는 설비의 교체 또는 정비 직후 수집된 3개월 데이터를 주기적으로 수집하여 저장하고 있다. 두 번째 학습용 데이터 세트에서는 전체 설비의 공정 여유도 감시를 위하여 모든 신호들(A, B, C, D, E, F, G)이 학습용 데이터베이스에 포함되어 있으며, 여기에는 설비가 처음 설치된 이후에 1년간의 운전 이력 데이터가 담겨 있다. 두 번째 학습용 데이터 세트는 현재 발전설비의 상태가 설계치에 비하여 어느 정도의 차이가 있는지를 확인하는데 이용된다. 세 번째 학습용 데이터 세트에서는 전체 설비에 대한 신호들(A, B, C, D, E, F, G)이 담겨져 있으나, 특정 이벤트 별로, 예컨대 매번 계획예방정지 이후에 3개월, 매년 하절기 또는 동절기, 특정 설비 교체 후 3개월 등 신호가 주기적으로 업데이트된다. 세 번째 세트는 특정 이벤트가 발생한 직후의 설비 조건을 기준으로 하여, 여기에 비교되는 상태를 관찰하기 위하여 활용될 수 있다.
통계적 학습 방법의 경우, 학습 모드와 실행 모드로 구분된다. 다중 학습용 데이터 세트는 각 세트별로 학습 모드에서 모델로 만들어지며, 실행 모드를 시작할 때 사용자가 선택할 수 있도록 적절한 인터페이스가 제공된다. 도 3에서는 도 2에서 구성된 학습용 데이터 세트를 선택하는 경우에 대한 사용자 인터페이스의 예시를 보여주고 있다.
(2) 설비가 정상상태로 운전되고 있는 경우와 그렇지 않은 경우에 대한 데이터 수집 (운전모드별 학습용 데이터 수집)
대부분의 설비의 경우는 처음 정지되어 있다가 기동하여 차츰 운전조건이 일정한 상태로 유지되고, 일정한 기간이 되면 정지의 절차를 밟는다. 따라서 크게 기동모드, 정상운전모드, 정지모드 등으로 구분할 수 있다. 경우에 따라서 운전모드를 세분화하여 운영할 수 있다. 학습용 데이터를 수집할 때, 운전모드별로 데이터 세트를 구분하도록 한다. 운전모드에 따라 데이터가 구분되어 있으면 그룹핑의 신뢰도가 높아지고 모델이 단순해지므로, 전체적인 감시 시스템의 정확도가 높아진다. 따라서, 위의 (1)에서 설명한 다중 학습용 데이터 선택 방법을 이용하여, 운전 모드별로 학습용 데이터를 구분하여 수집한다. 실행모드에서는 운전모드에 따라 이에 맞는 모델을 사용하도록 하고, 특정 운전모드에서만 감시를 할 경우에는 학습모드에서 준비된 데이터의 범위를 넘지 않는 운전 조건에서 얻어진 데이터가 입력되는 경우에 대해서만 수행되며, 그렇지 않은 시스템 상태가 되면 사용자에게 출력 결과의 신뢰성이 떨어진다는 경보를 발생하거나 자동적으로 계산이 우회되도록 한다.
(3) 아날로그 데이터와 디지털 데이터의 수집
통계적 학습 방법을 이용하는데 있어 학습용 데이터에 디지털 신호가 있는 경우에 모델링이 어렵다면, 해당 디지털 신호를 대신할 수 있는 아날로그 신호를 이용하여 학습용 데이터를 수집하도록 한다. 예컨대 밸브의 개폐를 나타나는 디지털 신호의 모델링이 어렵다면, 밸브 하류측에 위치한 배관에서의 유량이나 압력, 온도 등을 반드시 학습용 데이터에 넣어서 밸브의 개폐 상태를 간접적으로 알 수 있도록 한다. 도 4는 아날로그 데이터 또는 디지털 데이터의 수집 예를 보여준다. 도 4에서 A1은 펌프(4)의 토출부 압력에 관한 아날로그 신호이고, A2은 펌프(4)의 토출부 온도에 관한 아날로그 신호이며, D1은 펌프(4)의 온/오프 상태에 관한 디지털 신호이다.
만일 학습용 데이터의 모델로서 커널회귀분석을 사용하는 경우 아날로그 데이터와 디지털 데이터를 혼용해서 사용해도 문제는 없다. 또한 중요한 디지털 데이터는 반드시 학습용 데이터의 동일한 그룹으로 지정되어야 하는데, 기존의 통계적 학습방법에서 사용하였던 선형상관계수에만 기반한 그룹핑 방법은, 중요한 디지털 데이터가 그룹핑 과정에서 손실될 수 있다. 따라서 나중에 설명될 그룹핑 최적 조합을 찾는 방법을 활용하여야 한다.
단, 실행모드에서는 디지털 신호에 대한 결과가 0 또는 1만 나오는 것이 아니라, 중간값이나, 이를 벗어나는 값이 나올 수 있다. 이런 경우는 디지털 신호가 의미하는 개폐 또는 정지/동작 등의 지시자가 틀렸을 가능성이 있다는 것으로 판단한다. 도 5는 실행모드에서 디지털 신호가 0에서 1사이 출력이 나오는 경우를 보여주고 있다.
(4) 다수의 설비로부터 제공되는 동일한 성격의 데이터의 처리 (가상 아날로그/디지털 태그 생성)
학습용 데이터는 설비 중심으로 수집되는 것이 아니라, 기능 중심으로 수집된다. 따라서 다수의 설비로부터 동일한 성격의 데이터가 제공되는 경우에는 가상 태그를 부여한다. 이와 같은 가상 태그의 부여를 위하여, 도 6에서와 같이 4개의 펌프(4a, 4b, 4c, 4d) 중에서 3개는 가동 중에 있으며 마지막 1개는 비상시에 기동하기 위하여 정지되어 있는 경우를 가정한다. 즉, 각 펌프는 33.3%의 용량을 가지고 있으며, 4개 중에서 3대는 반드시 가동되어야 한다고 가정한다. 4개의 펌프(4a, 4b, 4c, 4d)는 다른 설비이지만 동일한 기능을 수행하고 있다. 따라서 학습용 데이터는 H1∼H4 지점과 같이 4개의 펌프(4a, 4b, 4c, 4d)의 출구에 바로 위치하고 있는 유량계나 온도계를 사용하는 것이 아니라, H 지점과 같이 4개의 펌프(4a, 4b, 4c, 4d)가 합쳐지는 위치에 설치되어 있는 유량계와 온도계를 사용해야 한다. 만일 이 위치에 원하는 계측기가 없다면 가상의 태그를 생성하여 실제의 유량계나 온도계를 대신한다. 각 펌프의 작동 상태를 보고, 작동되는 펌프 3대의 유량을 합치거나, 온도를 평균 내는 방법으로 구성된 가상 태그를 이용한다.
가상 태그 개념은 필요한 신호이지만 실제로 계측기가 설치되어 있지 않은 위치, 계측기가 설치될 수 없는 위치, 계측할 수 있는 성격의 것이 아닌 물리량을 나타내기 위하여 사용이 가능하다. 예컨대, 도 6의 H1∼H4 지점에서 펌프(4a, 4b, 4c, 4d)의 토출구 쪽의 위치(H1~H4)에 온도계와 압력계 이외에 엔탈피를 신호로서 활용하고 싶다면, 이 위치(H1∼H4)에 온도와 압력의 함수인 엔탈피 가상 태그를 만들어 사용할 수 있다.
(5) 데이터를 그룹핑하는데 있어 최적의 조합 선정 (단계적 변수 선정 및 교차 그룹핑)
그룹핑의 정확성을 높이기 위하여 기본적으로 학습용 데이터에 포함된 다양한 특이점은 제거되어야 한다. 특이점의 대표적인 사례로는 ‘Bad Input’과 같이 아예 데이터가 입력되지 않는 경우와, ‘Out of Range’와 같이 데이터가 입력은 되지만 일시적으로 정상적인 범위를 훨씬 넘어서는 정도로 크거나 작은 경우가 해당된다. 이러한 특이점을 갖는 데이터가 발생한 경우에는 그 시점에서 취득된 모든 변수의 데이터를 동시에 제거함으로써 학습용 데이터의 신뢰도를 높인다. 학습데이터의 샘플링 기간 중에 전혀 변화가 없는 변수는 모두 'Bad Input'으로 처리하여 모델링에서의 잡음이 되지 않도록 한다.
학습용 데이터는 특정 설비의 상태를 알려주기에 유용한 정보를 포함하고 있는 것과, 그렇지 않은 것이 다수 섞여 있다. 또한 유용한 정보를 포함하고 있는 신호라 할지라도 모든 신호가 시스템 내의 모든 설비에 대한 상태를 알려주고 있지는 않다. 따라서 대상이 되는 설비별로 상태를 점검하는데 유용한 정보를 포함하고 있는 신호를 그룹핑할 필요가 있다. 이와 같은 그룹핑을 수행하면, 유용하지 않은 정보를 포함하고 있는 신호를 학습용 데이터에서 제외시킬 수 있으며, 특정 설비를 감시하는데 있어서 필요한 신호의 개수를 적절한 수준으로 감소시킬 수 있다.
일반적으로 통계적 학습 방법에서 그룹핑의 기준으로 사용하는 상관계수(Correlation Coefficient)는 학습용 데이터를 구성하는 모든 변수 쌍에 대해 분석이 되고, 이 값이 설정치 이상이 되면 학습용 데이터로 간주하고, 그렇지 않으면 학습용 데이터에서 탈락시킨다. 설정치는 사용자에 의해서 입력된다.
Figure 112010024723485-pat00002
여기서, ρXY: 변수 X와 Y 사이의 상관계수, Xi: 학습용 데이터의 샘플링 구간 기준으로 i번째 값, Yi: 학습용 데이터의 샘플링 구간 기준으로 i번째 값, 단 X와 다른 변수, μX: 변수 X에 대한 평균, μY: 변수 Y에 대한 평균, σX: 변수 X에 대한 표준편차, σY: 변수 Y에 대한 표준편차, N: 학습용 데이터의 샘플링 구간 내에 데이터 수집 간격의 횟수이다.
그러나 이와 같이 상관계수에만 의존하는 그룹핑은 중요한 두 가지의 문제점이 있다.
첫 번째 문제점은, 물리적으로는 연관관계가 있어야 할 변수끼리의 상관계수가 매우 낮아 같은 그룹으로 속하지 않을 가능성이 많다는 것이다. 상관계수는 두 변수의 선형관계를 나타낸다. 그런데 어떤 두 변수의 선형성은 샘플링되는 학습용 데이터의 기간에 따라 달리 분석될 수 있다. 예컨대 설비의 공정 변화에 비하여 훨씬 천천히 변화하는 변수들, 예컨대 외기조건, 해수 또는 강수조건, 연료 조건과 같이 발전설비의 전체적인 성능에 영향을 끼치지만 변화가 느려서 상관계수에 충분히 반영이 되지 않는 것들이다. 이러한 변수들을 전체 시스템의 독립변수로 간주할 수 있다. 즉 시스템의 변동은 이러한 변수에 영향을 끼치지 않지만, 이러한 변수들은 시스템의 변동에 영향을 준다.
두 번째 문제점은, 이와 같은 변수들이 특정 그룹에 속하게 되면, 다른 그룹에는 속할 수 없다는 것이다. 시스템의 독립변수는 모든 그룹에 영향을 끼치고 있으므로, 다수의 그룹에서 독립변수는 공유되어야 할 필요가 있다.
따라서, 그룹핑을 보다 정밀하게 구성하기 위하여 다음과 같은 단계적 변수 선정 방법이 제안된다.
① 우선 상관계수를 이용하여 사용자가 지정한 임의의 값, 예컨대 0.8 이상인 값을 나타낸 변수끼리는 같은 그룹으로 간주한다.
② ①에서 구성된 그룹의 변수를 대상으로, 4중 검증(4-fold validation) 방법을 이용하여 평활 모수를 계산한다. 상기 4중 검증 방법은 학습용 데이터를 4등분하여, 3등분의 데이터를 이용하여 자기상관 회귀분석 모델을 만든 다음, 나머지 데이터를 이용하여 모델을 검증하는 방법을 서로 다른 조합으로 반복하는 것이다. 이렇게 하면 총 4번의 검증이 수행된다. 이 중에서 자기상관 회귀분석 모델을 만드는데 사용되는 3등분의 데이터는 학습용 데이터(Learning Data)라고 부르고, 만들어진 회귀분석 모델을 검증하는데 사용되는 1등분의 데이터는 시험용 데이터(Testing Data)라고 부른다. 그리고 각 검증 단계를 런(Run)이라고 부른다. 따라서 4중 검증 방법은 4번의 런을 수행하게 된다. 각 런마다 회귀분석 모델의 우수성을 나타내는 지표로는 입력 신호와 출력 신호 사이의 잔차의 제곱합(Square Sum of Residuals; SSR)을 이용한다. 이 때 계산된 잔차의 제곱합(SSR)을 SSR1이라고 정의한다.
③ 같은 그룹 내의 변수가 아닌 다른 모든 변수의 조합을 (1)에서 구성된 그룹에 포함시켜 4중 검증 방법을 이용하여 평활 모수를 계산하면서 잔차의 제곱합(SSR)을 계산한다. 조합의 순서에 따라 i번째 조합의 잔차의 제곱합을 SSRi로 정의한다.
④ 도 7a의 도표 및 도 7b의 그래프에서와 같이 그룹에 속하는 변수의 개수가 늘어갈 수록 잔차의 제곱합(SSR)은 작아지게 된다. 그러나 너무 많은 변수를 같은 그룹에 포함시키는 것은 또 다른 문제가 생길 수 있으므로, SSRi이 미비하게 줄어드는 시점인 Case 4에서 그룹핑을 종료하도록 한다. 따라서 도 7a 및 도 7b의 경우에는 변수 A, B, C, F가 동일한 그룹으로 결정된다.
⑤ 실제로는 수많은 변수에 대한 조합을 생각해야 하기 때문에, ③번이 매우 시간이 오래 걸릴 가능성이 높다. 이런 경우에는 설비의 특성을 고려하여 독립 변수를 결정하고, 독립변수만을 대상으로 ③번을 수행하도록 한다.
상기 두 번째 문제점은 앞에서 설명한 단계적 변수 선정 방법을 이용하면 자동적으로 해결이 된다. 단계적 변수 선정 결과와 변수들의 교차 그룹핑의 결과는 도 8과 같이 될 것이다. 도 8에 나타나 있는 세 개의 변수 A0001, A0002, A0003은 각각 그룹 1, 2, 3에 속하며, 특별히 A0002의 경우는 그룹 1에도 속해 있음을 보여주고 있다.
(6) 수집된 데이터를 실제로 학습이 가능할 정도로 줄여주는 방법
실제로 수집되는 학습용 데이터의 분량은 최신의 컴퓨터로도 분석하기 힘들 정도로 많은 경우가 대부분이다. 이런 경우에는 특히 (5)번의 단계적 변수 선정 및 교차 그룹핑에 엄청난 시간이 소요될 수 있다.
이와 같은 문제점을 해결하기 위하여 신호의 분산을 격자크기의 기준으로 삼고, 해당 격자 내의 데이터의 개수를 줄이는 방법을 다음과 같이 제시한다. 먼저, 특정 변수가 갖는 값의 분산을 계산하여, 이를 기준 격자 크기로 설정한다. 기준 격자 크기는 사용자가 크게 또는 좁게 설정할 수 있도록 한다. 다음에, 격자를 각 변수별로 설정하고, 실제 데이터를 각 격자 안에 타점하도록 한다.
도 9a 및 도 9b에서는 변수가 두 개 있는 경우에 대한 설명을 하고 있다. 우선 도 9a를 보면 원래의 데이터를 보여주고 있다. 가로축과 세로축에 그려진 격자는 가로축에 해당되는 변수와 세로축에 해당되는 변수의 분산의 크기로 결정되었다. 다음으로는 각 격자에 포함된 데이터의 개수를 줄이기 위해서 사용자가 입력하는 일정한 비율을 이용하여, 이 비율에 따라 모든 격자 내의 데이터의 개수를 줄이도록 한다. 만일 이 비율에 따라 데이터가 줄어들 경우 1개도 남지 않는 경우에는 최소한 1개는 남길 수 있도록 한다. 도 9b는 이러한 원리에 의해 제거되고 남은 데이터의 모습이다. 커널회귀분석에서 신호를 예측할 때, 전체 데이터로부터 거리를 환산하여 반영되는데, 대부분의 공정 변수들은 정규분포의 형태를 따르므로, 전체 구간에서 놓고 보면, 중간 지점에 학습데이터가 몰려 있기 마련이다. 이는 신호 예측에 영향을 미치게 되어, 예측값이 전체적으로 중앙으로 쏠리게 되는 결과가 나오게 된다. 하지만, 외부에 가끔 위치하는 데이터의 중요성도 완전히 배제하기는 어렵다. 이 방법을 사용하게 되면, 데이터의 분포도를 고려하여 갯수를 줄이기 때문에 중요한 데이터를 잃지 않고, 개수를 효과적으로 줄이는데 도움을 주게 되며, 이것은 이 방법의 또 하나의 장점이다.
상기 데이터 압축 방법은 통계적 학습 방법에서 다양하여 이용될 수 있으나, 그 효과가 가장 좋기 위해서는 변수들의 그룹핑이 수행되고 난 다음, 같은 그룹 내에서 이루어져야 한다. 전혀 신호 처리를 거치지 않은 신호에 대하여 적용되는 경우 압축 효과가 감소할 수 있기 때문이다.

Claims (8)

  1. 학습용 데이터 세트를 두 개 이상으로 구성하는 단계와,
    학습용 데이터 세트를 운전모드별로 구분하는 단계와,
    학습용 데이터에 모델링이 어려운 디지털 신호가 있는 경우에 해당 디지털 신호를 대신할 수 있는 아날로그 신호를 이용하여 학습용 데이터를 수집하는 단계와,
    다수의 설비로부터 제공되는 동일한 데이터를 입력받아 가상 태그를 부여하는 단계와,
    통계적인 방법과 엔지니어가 갖고 있는 설비에 대한 지식을 반영하여 데이터를 그룹핑하는 단계와,
    신호의 분산을 격자크기의 기준으로 삼아 해당 격자 내의 데이터의 개수를 줄이는 단계를 포함하여 이루어지는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법.
  2. 제 1항에 있어서,
    상기 학습용 데이터 세트를 세 개로 구성하는 경우에,
    첫 번째 세트에서는 특정 설비의 공정 여유도 감시를 위한 신호로만 구성되며,
    두 번째 세트에서는 전체 설비의 공정 여유도 감시를 위하여 모든 신호가 포함되며,
    세 번째 세트는 특정 이벤트가 발생한 직후의 설비 조건을 기준으로 하여, 특정 이벤트 별로, 신호가 주기적으로 업데이트되는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법.
  3. 제 1항에 있어서,
    실행모드에서 디지털 신호에 대한 결과가 0 또는 1만 나오는 것이 아니라, 중간값이나, 이를 벗어나는 값이 나오는 경우에 디지털 신호가 의미하는 개폐 또는 정지/동작 등의 지시자가 틀렸을 가능성이 있는 것으로 판단하는 단계를 더 포함하여 이루어지는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법.
  4. 제 1항에 있어서,
    상기 데이터를 그룹핑하는 단계 있어서,
    학습용 데이터를 구성하는 모든 변수에 대하여, 상관계수를 이용하여 사용자가 지정한 임의의 값, 예컨대 0.8 이상인 값을 나타낸 변수끼리는 같은 그룹으로 구성하는 단계와,
    이와 같이 구성된 그룹의 변수를 대상으로, 4중 검증 방법을 이용하여 평활 모수를 계산하는 단계와,
    같은 그룹 내의 변수가 아닌 다른 그룹의 모든 변수의 조합을 그룹에 포함시켜 4중 검증 방법을 이용하여 평활 모수를 계산하면서 잔차의 제곱합(SSR)을 계산하는 단계와,
    잔차의 제곱합(SSR)이 줄어드는 시점에서 그룹핑을 종료하는 단계와,
    설비의 특성을 고려하여 독립 변수를 결정하고, 독립변수만을 대상으로 4중 검증 방법을 수행하는 단계를 포함하여 이루어지는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법.
  5. 제 4항에 있어서,
    상기 상관계수는 다음과 같은 수식에 의해 분석되는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법.
    Figure 112010036407106-pat00003

    여기서, ρXY: 변수 X와 Y 사이의 상관계수, Xi: 학습용 데이터의 샘플링 구간 기준으로 i번째 값, Yi: 학습용 데이터의 샘플링 구간 기준으로 i번째 값, 단 X와 다른 변수, μX: 변수 X에 대한 평균, μY: 변수 Y에 대한 평균, σX: 변수 X에 대한 표준편차, σY: 변수 Y에 대한 표준편차, N: 학습용 데이터의 샘플링 구간 내에 데이터 수집 간격의 횟수이다.
  6. 제 1항에 있어서,
    상기 격자내의 데이터의 개수를 줄이기 위해서 사용자가 입력하는 일정한 비율을 이용하여, 이 비율에 따라 모든 격자 내의 데이터의 개수를 줄이는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법.
  7. 제 6항에 있어서,
    상기 비율에 따라 데이터가 줄어들 경우 1개도 남지 않는 경우에는 최종 데이터 1개는 남기는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법.
  8. 제 1항 내지 제 7항중 어느 한항에 있어서,
    상기 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법이 컴퓨터 프로그램화되어 저장되어 있는 것을 특징하는 저장매체.
KR1020100035755A 2010-04-19 2010-04-19 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 KR101096793B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020100035755A KR101096793B1 (ko) 2010-04-19 2010-04-19 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체
PCT/KR2011/002758 WO2011132900A2 (ko) 2010-04-19 2011-04-18 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체
US13/519,070 US20120271826A1 (en) 2010-04-19 2011-04-18 Data collecting method for detection and on-time warning system of industrial process

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100035755A KR101096793B1 (ko) 2010-04-19 2010-04-19 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체

Publications (2)

Publication Number Publication Date
KR20110116378A KR20110116378A (ko) 2011-10-26
KR101096793B1 true KR101096793B1 (ko) 2011-12-21

Family

ID=44834615

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100035755A KR101096793B1 (ko) 2010-04-19 2010-04-19 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체

Country Status (3)

Country Link
US (1) US20120271826A1 (ko)
KR (1) KR101096793B1 (ko)
WO (1) WO2011132900A2 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180115448A (ko) 2017-04-13 2018-10-23 경희대학교 산학협력단 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법
KR20190095642A (ko) * 2018-02-07 2019-08-16 두산중공업 주식회사 플랜트 이상 예측 장치 및 방법
KR20190111440A (ko) * 2018-03-23 2019-10-02 두산중공업 주식회사 플랜트 이상 예측 장치 및 방법
KR20200139991A (ko) 2019-06-05 2020-12-15 조만영 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템, 방법 및 컴퓨터 프로그램

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2012233018B2 (en) 2011-10-06 2013-10-24 Schlumberger Technology B.V. High-frequency data capture for diagnostics
CN105657367B (zh) * 2016-01-05 2018-07-17 山东康威通信技术股份有限公司 一种监狱多子系统接入的监管中心综合平台及接入方法
JP6386488B2 (ja) * 2016-03-17 2018-09-05 ファナック株式会社 工作機械の稼働管理方法およびプログラム
KR101876185B1 (ko) 2016-08-29 2018-07-09 한국수력원자력 주식회사 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템
CN112085200A (zh) * 2016-08-29 2020-12-15 韩国水力原子力株式会社 包括确定设备重要度和警报有效性的处理程序的用于预检核电站设备异常迹象的方法及系统
TR201806963A2 (tr) * 2018-05-17 2018-06-21 Siskon Enduestriyel Otomasyon Sistemleri Sanayi Ve Ticaret Anonim Sirketi Veri̇ toplama si̇stemi̇
JP7031502B2 (ja) * 2018-06-07 2022-03-08 オムロン株式会社 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム
JP7162560B2 (ja) * 2019-03-28 2022-10-28 日立造船株式会社 情報処理装置、情報処理方法、情報処理プログラム、およびゴミ焼却プラント
CN111581191B (zh) * 2020-04-10 2023-10-13 岭东核电有限公司 核安全数据校验方法、装置、计算机设备及存储介质
CN113325797B (zh) * 2021-06-11 2022-07-12 中山凯旋真空科技股份有限公司 控制设备的数据采集方法、装置、存储介质和电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005283269A (ja) 2004-03-29 2005-10-13 Toshiba Corp 沸騰水型原子炉の過渡沸騰遷移監視システムおよび監視方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3918697B2 (ja) * 2001-12-27 2007-05-23 日本電気株式会社 サーバ構築支援システム及びサーバ構築支援方法並びにプログラム
JP2003295937A (ja) * 2002-03-29 2003-10-17 Hitachi Ltd プラント監視装置とプラント監視方法
US7143098B2 (en) * 2002-05-10 2006-11-28 International Business Machines Corporation Systems, methods, and computer program products to reduce computer processing in grid cell size determination for indexing of multidimensional databases
US7751955B2 (en) * 2006-06-30 2010-07-06 Spx Corporation Diagnostics data collection and analysis method and apparatus to diagnose vehicle component failures
WO2008091814A2 (en) * 2007-01-22 2008-07-31 Wyeth Assessment of asthma and allergen-dependent gene expression
KR100928205B1 (ko) * 2007-06-05 2009-11-25 삼성전자주식회사 반도체 제조설비 관리시스템 및 그의 통계적 공정 관리방법
KR100898077B1 (ko) * 2007-08-28 2009-05-15 비앤에프테크놀로지 주식회사 산업플랜트 설비의 종합 정지 여유도 감시방법 및 그 장치
KR101276013B1 (ko) * 2008-05-07 2013-06-19 비앤에프테크놀로지 주식회사 산업플랜트의 트립원인 추적 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005283269A (ja) 2004-03-29 2005-10-13 Toshiba Corp 沸騰水型原子炉の過渡沸騰遷移監視システムおよび監視方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180115448A (ko) 2017-04-13 2018-10-23 경희대학교 산학협력단 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법
KR20190095642A (ko) * 2018-02-07 2019-08-16 두산중공업 주식회사 플랜트 이상 예측 장치 및 방법
KR102020247B1 (ko) * 2018-02-07 2019-09-10 두산중공업 주식회사 플랜트 이상 예측 장치 및 방법
US11113360B2 (en) 2018-02-07 2021-09-07 Doosan Heavy Industries & Construction C Plant abnormality prediction system and method
KR20190111440A (ko) * 2018-03-23 2019-10-02 두산중공업 주식회사 플랜트 이상 예측 장치 및 방법
KR102047815B1 (ko) * 2018-03-23 2019-11-22 두산중공업 주식회사 플랜트 이상 예측 장치 및 방법
US11449781B2 (en) 2018-03-23 2022-09-20 Doosan Enerbility Co., Ltd Plant abnormality prediction system and method
KR20200139991A (ko) 2019-06-05 2020-12-15 조만영 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템, 방법 및 컴퓨터 프로그램

Also Published As

Publication number Publication date
WO2011132900A2 (ko) 2011-10-27
US20120271826A1 (en) 2012-10-25
WO2011132900A3 (ko) 2012-02-02
KR20110116378A (ko) 2011-10-26

Similar Documents

Publication Publication Date Title
KR101096793B1 (ko) 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체
CN108596229B (zh) 在线异常的监测诊断方法和系统
Wang et al. An overview of industrial alarm systems: Main causes for alarm overloading, research status, and open problems
KR101955305B1 (ko) 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출
CN105205569B (zh) 风机齿轮箱状态在线评估模型建立方法及在线评估方法
KR101065767B1 (ko) 성능저하 및 고장원인 조기 진단방법
KR100997009B1 (ko) 산업설비의 공정 여유도에 대한 동적 감시 및 적시 경보 방법
Venturini et al. Prediction reliability of a statistical methodology for gas turbine prognostics
JP6523815B2 (ja) プラント診断装置及びプラント診断方法
US20150241304A1 (en) Method for the computer-assisted monitoring of the operation of a technical system, particularly of an electrical energy-generating installation
Yang et al. A Petri net approach to early failure detection and isolation for preventive maintenance
KR102073537B1 (ko) 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법 및 리스크 평가 프로그램
CN111340307B (zh) 预测风机风力发电功率的方法以及相关装置
CN111563685B (zh) 一种基于自联想核回归算法的发电设备状态预警方法
KR20200009081A (ko) 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법, 리스크 평가 프로그램 및 데이터 구조
CN111443602B (zh) 一种基于隐马尔可夫的阀门健康度估计与寿命预测方法
JP2018169754A (ja) 情報処理装置、情報処理方法およびプログラム
Yang et al. Monitoring and uncertainty analysis of feedwater flow rate using data-based modeling methods
EP4224380A1 (en) Maintenance simulation device and maintenance simulation method
KR20240003469A (ko) 원전설비의 예측진단방법 및 시스템
CN114923287A (zh) 一种高压加热器故障预警方法、系统和介质
KR102045874B1 (ko) 상태 진단 시스템 및 방법
Kumar et al. Gas turbine engine operational data analysis for anomaly detection: Statistical vs. neural network approach
Shen Classification of Wind Turbine Blade Performance State through Statistical Methods
Goyal et al. Prediction Enhancement of Machine Learning Using Time Series Modeling in Gas Turbines

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20141126

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20151123

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20161213

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20171127

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20181025

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20191010

Year of fee payment: 9