KR101663426B1 - 대형 운용 시스템의 상태 기반 예방정비 장치 및 방법 - Google Patents

대형 운용 시스템의 상태 기반 예방정비 장치 및 방법 Download PDF

Info

Publication number
KR101663426B1
KR101663426B1 KR1020150098524A KR20150098524A KR101663426B1 KR 101663426 B1 KR101663426 B1 KR 101663426B1 KR 1020150098524 A KR1020150098524 A KR 1020150098524A KR 20150098524 A KR20150098524 A KR 20150098524A KR 101663426 B1 KR101663426 B1 KR 101663426B1
Authority
KR
South Korea
Prior art keywords
sensor data
calculated
slope
energy spectrum
wavelet
Prior art date
Application number
KR1020150098524A
Other languages
English (en)
Inventor
배석주
Original Assignee
한양대학교 산학협력단
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 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020150098524A priority Critical patent/KR101663426B1/ko
Priority to PCT/KR2016/007529 priority patent/WO2017010778A1/ko
Priority to CN201680040401.7A priority patent/CN107851294B/zh
Application granted granted Critical
Publication of KR101663426B1 publication Critical patent/KR101663426B1/ko
Priority to US15/865,676 priority patent/US11068859B2/en

Links

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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

대형 운용 시스템의 상태 기반 예방정비 장치 및 방법이 개시된다. 대형 운용 시스템의 상태 기반 예방정비 장치는, 시스템에 설치된 복수의 센서로부터 센서 데이터를 수집하는 수집부; 상기 수집된 센서 데이터를 웨이블릿 변환하여 에너지 스펙트럼을 특징값으로 추출하는 특징 추출부; 상기 추출된 특징값의 기울기와 절편을 계산하는 계산부; 및 상기 계산된 기울기와 절편을 이용하여 상기 시스템의 고장 여부를 모니터링하는 모니터링부를 포함한다.

Description

대형 운용 시스템의 상태 기반 예방정비 장치 및 방법{Condition based predictive maintenance method and apparatus for large operating system}
본 발명은 대형 운용 시스템의 노화 과정을 예측하고, 고장을 사전에 감지하기 위한 상태 기반 예방정비 장치 및 그 방법에 관한 것이다.
상태기반정비는 센서와 연산처리 기술의 급격한 발전으로 시스템의 노화과정을 모니터링하여 이상 상태를 조기에 감지, 고장을 사전에 방지하기 위한 접근법으로 산업체로부터 많은 주목을 받고 있다. 상태기반보전은 실시간으로 시스템을 모니터링, 시스템의 상태를 평가하며, 시스템의 이상이나 고장 징후를 사전에 감지하여 정비활동을 수행하여 고장으로 인한 교체 및 시스템 다운으로 인한 기회비용 등 불필요한 비용을 최소화할 수 있다.
기존의 시간기준 정비의 경우 일정한 시간이 경과되면 무조건 부품이나 시스템을 교체하여 적용이 쉬운 반면에, 고장을 100% 예방할 수 없고 과정비로 인한 필요없는 초과비용이 발생할 가능성이 존재한다. 하지만 상태기반정비는 시스템의 상태를 센서를 통해 실시간으로 모니터링하여 이상여부를 판단하고 고장발생 가능성이 높은 치명적인 수준까지 언제 도달할지를 예측하여 사전에 정비활동을 취함으로써 고장을 100% 방지할 수 있는 새로운 개념의 정비활동이다.
기존의 상태기반정비는 Artificial Neural Network, Support Vector Machine 혹은 Genetic Algorithm을 통한 정상과 이상상태를 구분하기 위한 연구가 주를 이루었다.
시스템의 상태는 센서로부터 실시간 모니터링을 통해 수치화되며, 수치화된 데이터는 잡음을 포함하기 때문에 시스템의 특징을 정확하게 추출할 수 없다. 일반적으로 고장과 직접적으로 관련된 특성을 모니터링하는 직접 상태모니터링은 비교적 많지 않은 편이며, 주로 고장과 연관이 있다고 판단되는 품질 특성치를 모니터링하는 간접 상태모니터링이 주로 사용된다. 산업현장에서 쓰이는 간접상태모니터링의 일반적인 예로는 진동모니터링, 온도모니터링, 기름찌꺼기 분석이 있다
종래에는 정비보전의 개념이 고장이 난 후에 실시하거나 사전에 예방을 해도 변수의 잡음으로 인해 예측률이 현저히 떨어지는 단점이 있다. 또한, 종래의 기술은 센서 데이터를 사람이 모니터링하여 사람의 시각에 의존하는 실정이며, 센서데이터의 경우 센서가 부착된 환경이나 개인의 능력 차이로 인해 제대로 관리가 힘든 문제점이 있다.
본 발명은 센서 데이터를 신호분석한 결과를 기반으로 Hurst 계수를 포함하는 선형 프로파일을 활용하여 시스템의 이상 유무를 판단하고, 시스템의 노화 과정을 예측하며, 고장을 사전에 감지하기 위한 상태 기반 예방정비 장치 및 그 방법을 제공하기 위한 것이다.
본 발명의 일 측면에 따르면, 센서 데이터를 신호분석한 결과를 기반으로 Hurst 계수를 포함하는 선형 프로파일을 활용하여 시스템의 이상 유무를 판단하고, 시스템의 노화 과정을 예측하며, 고장을 사전에 감지하기 위한 상태 기반 예방정비 방법이 제공된다.
본 발명의 일 실시예에 따르면, (a) 시스템에 설치된 복수의 센서로부터 센서 데이터를 수집하는 단계; (b) 상기 수집된 센서 데이터를 웨이블릿 변환하여 에너지 스펙트럼을 특징값으로 추출하는 단계; (c) 상기 추출된 특징값의 기울기와 절편을 계산하는 단계; 및 (d) 상기 계산된 기울기와 절편을 이용하여 상기 시스템의 고장 여부를 모니터링하는 단계를 포함하는 대형 운용 시스템의 상태 기반 예방정비 방법이 제공될 수 있다.
상기 (b) 단계는, 상기 센서 데이터를 웨이블릿 변환한 데이터로부터 에너지 스펙트럼 분석을 통해 허스트(Hurst) 계수를 도출하여 상기 특징값을 추출할 수 있다.
상기 (b) 단계는, 상기 센서 데이터를 웨이블릿 변환한 결과에서 디테일 시그널(father)에 대한 에너지 평균값을 계산하여 상기 에너지 스펙트럼을 특징값으로 추출하는 것을 특징으로 하되, 상기 기울기와 절편은 상기 디테일 시그널의 에너지 스펙트럼에 대한 기울기와 절편이다.
상기 (d) 단계는, 상기 기울기와 절편을 이용하여 T2 통계량을 계산하고, 상기 계산된 T2 통계량을 이용하여 상기 시스템의 고장 여부를 모니터링할 수 있다.
상기 (d) 단계는, 상기 계산된 T2 통계량과 상한 관리 한계를 비교하여 상기 시스템의 고장 여부를 모니터링할 수 있다.
본 발명의 다른 측면에 따르면, 센서 데이터를 신호분석한 결과를 기반으로 Hurst 계수를 포함하는 선형 프로파일을 활용하여 시스템의 이상 유무를 판단하고, 시스템의 노화 과정을 예측하며, 고장을 사전에 감지하기 위한 상태 기반 예방정비 장치가 제공된다.
본 발명의 일 실시예에 다르면, 시스템에 설치된 복수의 센서로부터 센서 데이터를 수집하는 수집부; 상기 수집된 센서 데이터를 웨이블릿 변환하여 에너지 스펙트럼을 특징값으로 추출하는 특징 추출부; 상기 추출된 특징값의 기울기와 절편을 계산하는 계산부; 및 상기 계산된 기울기와 절편을 이용하여 상기 시스템의 고장 여부를 모니터링하는 모니터링부를 포함하는 대형 운용 시스템의 상태 기반 예방정비 장치가 제공될 수 있다.
상기 특징 추출부는, 상기 센서 데이터를 웨이블릿 변환한 데이터로부터 에너지 스펙트럼 분석을 통해 허스트(Hurst) 계수를 도출하여 상기 특징값을 추출할 수 있다.
상기 특징 추출부는, 상기 센서 데이터를 웨이블릿 변환한 결과에서 디테일 시그널(father)에 대한 에너지 평균값을 계산하여 상기 에너지 스펙트럼을 특징값으로 추출하는 것을 특징으로 하되, 상기 기울기와 절편은 상기 디테일 시그널의 에너지 스펙트럼에 대한 기울기와 절편이다.
상기 모니터링부는, 상기 기울기와 절편을 이용하여 T2 통계량을 계산하고, 상기 계산된 T2 통계량을 이용하여 상기 시스템의 고장 여부를 모니터링할 수 있다.
상기 모니터링부는, 상기 계산된 T2 통계량과 상한 관리 한계를 비교하여 상기 시스템의 고장 여부를 모니터링할 수 있다.
본 발명의 일 실시예에 따른 대형 운용 시스템의 상태 기반 예방정비 장치 및 방법을 제공함으로써, 센서 데이터를 신호 분석한 결과를 기반으로 Hurst 계수를 포함하는 선형 프로파일을 활용하여 시스템의 이상 유무를 판단하고, 시스템의 노화 과정을 예측하며, 고장을 사전에 감지할 수 있는 이점이 있다.
이를 통해, 본 발명은 시스템의 상태 평가, 이상 고장 징후를 사전에 감지할 수 있어 불필요한 비용 및 시간을 최소화할 수 있는 이점도 있다.
도 1은 본 발명의 일 실시예에 따른 대형 운용 시스템의 상태 기반 예방정비 방법을 나타낸 순서도.
도 2는 본 발명의 일 실시예에 따른 대형 운용 시스템의 상태 기반 예방정비 장치의 내부 구성을 개략적으로 도시한 블록도.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 본 발명의 실시예를 첨부한 도면들을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 대형 운용 시스템의 상태 기반 예방정비 방법을 나타낸 순서도이다. 이하에서는 스팀 터빈 발전기와 같은 대형 운용 시스템에 복수의 센서가 구비되어 있을 것을 가정하기로 한다. 여기서, 복수의 센서는 적어도 둘 이상의 상이한 센서일 수 있다. 이하, 본 명세서에서는 시스템이 온도 센서와 진동 센서를 각각 복수개 구비하며, 각 온도 센서와 진동 센서로부터 센서 데이터를 획득하는 것을 가정하여 설명하나, 센서의 유형은 더 다양할 수 있다.
단계 110에서 상태 기반 예방정비 장치(100)는 시스템의 복수의 센서로부터 센서 데이터를 수집한다.
예를 들어, 시스템에는 복수개의 온도 센서가 구비될 수 있다. 이와 같은 경우, 상태 기반 예방정비 장치는 시스템에 구비된 온도 센서로부터 계측된 온도 데이터를 센서 데이터로 수집할 수 있다.
이와 같이, 각 센서를 통해 수집된 센서 데이터들은 노이즈(noise)를 포함할 수 있다.
따라서, 단계 115에서 상태 기반 예방정비 장치(100)는 수집된 센서 데이터를 웨이블릿 변환(wavelet transform)하여 에너지 스펙트럼을 특징값으로 추출한다.
상태 기반 예방정비 장치는 센서 데이터를 웨이블릿 변환함으로써, 수집된 센서 데이터에 포함된 노이즈를 제거할 수 있을 뿐만 아니라, 에너지 스펙트럼을 특징값으로 추출할 수 있다.
본 발명의 일 실시예에 따른 상태 기반 예방정비 장치는 센서 데이터를 웨이블릿 변환한 데이터로부터 에너지 스펙트럼 분석을 통해 허스트(Hurst) 계수를 도출하여 상기 특징값을 추출할 수 있다.
또한, 본 발명의 일 실시예에 따른 상태 기반 예방정비 장치는 상기 센서 데이터를 웨이블릿 변환한 결과에서 디테일 시그널(father)에 대한 에너지 평균값을 계산하여 상기 에너지 스펙트럼을 특징값으로 추출할 수 있다.
이에 대해서는 하기의 설명에 의해 보다 상세하게 이해될 것이다.
웨이블릿 영역은 스케일(Scale)과 Heisenberg의 법칙 제약으로 인한 시간 지역화와의 상층관계를 나타냄으로써 적응가능한 집약성을 제공한다. 또한, 웨이블릿 영역은 시그널의 시간 척도의 표현으로 웨이블릿 변환은 효과적인 데이터의 노이즈 제어와 축소에 효과적이다.
웨이블릿 함수는 고주파 부분(평탄하지 않은 부분)을 설명하는 모 웨이블릿(mother wavelet)과 저주파 부분(평탄한 부분)을 설명하는 부 웨이블릿(father wavelet)으로 구성된다.
이를 각각 수식으로 나타내면, 수학식 1 및 수학식 2와 같다.
Figure 112015067076073-pat00001
Figure 112015067076073-pat00002
2차 비유동적인 시계열 데이터
Figure 112015067076073-pat00003
를 고려하면, 모든 레벨
Figure 112015067076073-pat00004
에 맞는 조건에 해당하는 웨이블릿 계수(
Figure 112015067076073-pat00005
)는 유동적이다. 따라서, j레벨에 따르는 에너지 순위는 수학식 3과 같이 나타낼 수 있다.
Figure 112015067076073-pat00006
Figure 112015067076073-pat00007
여기서,
Figure 112015067076073-pat00008
는 에너지 스펙트럼에 대한 밀도함수를 나타낸다.
여기서,
Figure 112015067076073-pat00009
는
Figure 112015067076073-pat00010
를 만족하는 조건하의 X에 대한 자기 상관관계를 나타낸다. 파사발(Parseval) 변수의 독자성과 변화에 기반하여 수학식 3을 정리하면 수학식 5와 같이 나타낼 수 있다.
Figure 112015067076073-pat00011
여기서,
Figure 112015067076073-pat00012
는
Figure 112015067076073-pat00013
에 대한 퓨리에 변환식을 나타내다. j값이 클 경우
Figure 112015067076073-pat00014
는 0에 근접하는 주파수에 대한 스펙트럼 밀도식(
Figure 112015067076073-pat00015
)에 확장된 버전을 나타낸다. X(t)가 장기적 비독립적인 시그널이며 근원에서 무한한 스펙트럼 밀도를 가지는 조건이 있으며,
Figure 112015067076073-pat00016
할수록 수학식 6과 같이 나타낼 수 있다.
Figure 112015067076073-pat00017
여기서,
Figure 112015067076073-pat00018
이고, ~는 수학식에서 왼쪽 항과 오른쪽 항이 둘다 1로 수렴되는 것을 나타낸다.
수학식 5와 수학식 6을 이용하여
Figure 112015067076073-pat00019
에 따라 에너지 순위는 수학식 7과 같이 나타낼 수 있다.
Figure 112015067076073-pat00020
여기서,
Figure 112015067076073-pat00021
이며,
Figure 112015067076073-pat00022
는 장기적 비독립적 변수를 나타내며, 하기 수학식 8에 정의된 웨이블릿 스펙트럼 도메인에 최소제곱 희귀식을 통해 유추하여 획득되는 허스트 지수(
Figure 112015067076073-pat00023
)로 나타낼 수 있다.
Figure 112015067076073-pat00024
여기서,
Figure 112015067076073-pat00025
는 수학식 9와 같은 표본의 평균값을 구함으로써 획득될 수 있다.
Figure 112015067076073-pat00026
여기서,
Figure 112015067076073-pat00027
는 j레벨의 해상도에 대한 이항값을 나타낸다.
Figure 112015067076073-pat00028
는 표본 에너지의 평균 값을 사용하여 수학식 10과 같이 예측될 수 있다.
Figure 112015067076073-pat00029
여기서,
Figure 112015067076073-pat00030
는 분해 레벨 j에 따른 웨이블릿 스펙트럼을 나타낸다.
수학식 8에서, 장기적인 비독립적인 시계열 등급은 기울기(
Figure 112015067076073-pat00031
)와 선형을 이루며, 이를 다시 정리하면,
Figure 112015067076073-pat00032
과 같이 정리될 수 있다.
해밀턴(Hamilton) 이론을 이용하여 기울기에 대한 Theil-type 추정량에 대해 간략하게 설명하기로 한다.
Figure 112015067076073-pat00033
는 수학식 11과 같이 나타낼 수 있다.
Figure 112015067076073-pat00034
여기서,
Figure 112015067076073-pat00035
는
Figure 112015067076073-pat00036
에서부터
Figure 112015067076073-pat00037
까지 지수의 모든 쌍에 대한 샘플을 나타내고,
Figure 112015067076073-pat00038
는 해상도 레벨r과 s사이의 기울기를 나타내며,
Figure 112015067076073-pat00039
는 가중치를 나타낸다.
Theil-type 추정량은 쌍별 기울기의 가중된 평균값을 사용하며, 추정량이 존재할 수 있는 이상점과 분포의 제약에 대해 강인(robust)하다.
수학식 11에서
Figure 112015067076073-pat00040
는 수학식 12와 같이 정의될 수 있다.
Figure 112015067076073-pat00041
최적화를 고려하기 위해, 표본 크기의 레벨에 따른 조화평균을 기반으로 한 가중치(
Figure 112015067076073-pat00042
)를 사용하며, 이는 수학식 13과 같이 나타낼 수 있다.
Figure 112015067076073-pat00043
수학식 13에서,
Figure 112015067076073-pat00044
과 같다. 또한, 가중치(
Figure 112015067076073-pat00045
)는
Figure 112015067076073-pat00046
의 분산에 대해 반비례한다. Hamilton이 제한한 미분의 결과로, 각 쌍의 가중치는 추정량으로부터 이상점의 비정상적인 효과를 막기 위해 설계되었다.
수학식 11의
Figure 112015067076073-pat00047
를 사용하여 허스트 지수는 수학식 14와 같이 추정될 수 있다.
Figure 112015067076073-pat00048
장기간(long-range) 비독립적인 시계열 계수의 웨이블릿 에너지 스펙트럼은 1-2H라는 기울기로 선행적인 관계를 가진다.
허스트 지수는 회귀라인을 해상도 레벨 j에 따라 웨이블릿 에너지 스펙트럼을 맞춤으로써 추정될 수 있다.
본 발명의 일 실시예에서는 다변량 컨트롤 차트를 이용하여 웨이블릿 에너지 스펙트럼 변환된 시계열 데이터를 관찰할 수 있다.
단계 120에서 상태 기반 예방정비 장치(100)는 추출된 특징값의 기울기와 절편을 계산한다. 모니터링 목적을 위해 모든 관측 시기를 n 블록으로 나누고, 로그 웨이블릿 에너지 스펙트럼(
Figure 112015067076073-pat00049
)과 해상도 레벨(
Figure 112015067076073-pat00050
)의 관계는
Figure 112015067076073-pat00051
번째 블록에 대해서 선형적이며, 이는 수학식 15와 같이 나타낼 수 있다.
Figure 112015067076073-pat00052
여기서,
Figure 112015067076073-pat00053
는 독립적이며, 균일하게 평균값(0)과 분산값(
Figure 112015067076073-pat00054
)을 가진 정규 분포를 따른다. 수학식 15의 실행을 적합하게 하기 위해
Figure 112015067076073-pat00055
값은 고정되어 있으며, 각 블록에서부터 같은 값을 가져왔다.
Figure 112015067076073-pat00056
블록에 대한 기울기와 절편은 최소제곱법을 사용하여 추정될 수 있다.
Figure 112015067076073-pat00057
블록에 대한
Figure 112015067076073-pat00058
와
Figure 112015067076073-pat00059
의 최소제곱 추정량은 수학식 16과 같이 나타낼 수 있다.
Figure 112015067076073-pat00060
여기서,
Figure 112015067076073-pat00061
이고,
Figure 112015067076073-pat00062
이다.
또한, 잔차(
Figure 112015067076073-pat00063
)를 사용하여 에러(
Figure 112015067076073-pat00064
)에 대한 분산값은
Figure 112015067076073-pat00065
로 추정할 수 있다. 에러에 대한 분산값 추정식에서,
Figure 112015067076073-pat00066
은 독립함수로, 평균값(0)과 분산값(
Figure 112015067076073-pat00067
)을 가진 정규 분포를 따른다.
선택된 블록(
Figure 112015067076073-pat00068
)에서
Figure 112015067076073-pat00069
과
Figure 112015067076073-pat00070
의 최소제곱 추정량은 평균값 벡터(
Figure 112015067076073-pat00071
)와 분산-공분산 메트릭스(
Figure 112015067076073-pat00072
)를 가진 이항 정규 분포를 따른다. 여기서,
Figure 112015067076073-pat00073
이고,
Figure 112015067076073-pat00074
이며,
Figure 112015067076073-pat00075
이며, 각각
Figure 112015067076073-pat00076
과
Figure 112015067076073-pat00077
의 분산과 공분산을 나타낸다.
수학식 15의 변수 추정 문제를 해결하기 위해,
Figure 112015067076073-pat00078
과
Figure 112015067076073-pat00079
의 변수 추정량과 각 블록(
Figure 112015067076073-pat00080
)에 대한 분산값(
Figure 112015067076073-pat00081
)을 사용하여
Figure 112015067076073-pat00082
와
Figure 112015067076073-pat00083
의 추정량을 수학식 17과 같이 계산할 수 있다.
Figure 112015067076073-pat00084
여기서,
Figure 112015067076073-pat00085
과
Figure 112015067076073-pat00086
은 각각
Figure 112015067076073-pat00087
과
Figure 112015067076073-pat00088
의 불편성 추정량을 나타낸다. 또한, 수학식 17은
Figure 112015067076073-pat00089
과
Figure 112015067076073-pat00090
을 따르기에
Figure 112015067076073-pat00091
로 갈수록
Figure 112015067076073-pat00092
이 되고,
Figure 112015067076073-pat00093
이 된다.
이어, 단계 125에서 상태 기반 예방정비 장치(100)는 계산된 기울기와 절편을 이용하여 시스템의 고장 여부를 모니터링할 수 있다.
보다 상세하게, 본 발명의 일 실시예에 따른 상태 기반 예방정비 장치는 기울기와 절편을 이용하여 T2 통계량을 계산하고, 계산된 T2 통계량을 이용하여 상기 시스템의 고장 여부를 모니터링할 수 있다.
이때, 상태 기반 예방정비 장치는 계산된 상기 계산된 T2 통계량과 상한 관리 한계를 비교하여 시스템의 고장 여부를 모니터링할 수 있다.
이하, 이에 대해 상세히 설명하기로 한다.
프로세스 모니터링은 두 단계(Phase I과 Phase II)를 포함하는 컨트롤 차트를 기반으로 이루어진다. Phase I의 데이터를 기반으로 한 관리범위내의 프로세스 변수를 측정한 뒤, 프로세스가 안정적으로 지속될지를 설명하기 위해 Phase I에서 계산한 관리한계를 사용하여 향후 관측치를 관찰할 수 있다.
본 발명의 일 실시예에서는 시스템의 초기 고장결함을 찾을 수 있도록 두 단계 모니터링을 수행할 수 있다.
선형 프로파일을 관측할 때 T2 통계량은 수학식 18을 이용하여 계산될 수 있다.
Figure 112015067076073-pat00094
공정 단계가 관리 가능할 때,
Figure 112015067076073-pat00095
는 자유도값 2와 관리상한(
Figure 112015067076073-pat00096
)의 카이제곱분포도를 따른다. 여기서,
Figure 112015067076073-pat00097
는 2의 자유도를 가진 카이제곱 분포의
Figure 112015067076073-pat00098
백분위를 나타낸다.
만일 공정예측에 변화가 있다면,
Figure 112015067076073-pat00099
는 비중심점의
Figure 112015067076073-pat00100
을 따르며, 비중심점 변수
Figure 112015067076073-pat00101
을 가진다.
비중심점 변수 수식에서
Figure 112015067076073-pat00102
와
Figure 112015067076073-pat00103
는
Figure 112015067076073-pat00104
으로 구성되며, 절편
Figure 112015067076073-pat00105
에 대한 변화기 기울기
Figure 112015067076073-pat00106
에 대한 변화를 뜻한다.
현실적으로는 관리범위 값의 공정변수는 알기 어려우므로, Phase I에서 공정단계를 통해 얻은 데이터로 추정해야만 한다. 모든 값이 관리 한계 내에 있다면, 언급된
Figure 112015067076073-pat00107
를 통해
Figure 112015067076073-pat00108
와
Figure 112015067076073-pat00109
의 가장 최선의 추정값인
Figure 112015067076073-pat00110
와
Figure 112015067076073-pat00111
을 정할 수 있다.
그러나 만일 임의의 어떤 값이 관리 한계를 벗어난다면, 데이터 세트에서 그 데이터는 삭제된다. 상태 기반 정비예측 장치(100)는 남은 데이터를 통해,
Figure 112015067076073-pat00112
와
Figure 112015067076073-pat00113
의 추정치를 새로 계산하고, 다시 모든 데이터 값이 관리 한계 내에 존재하는지를 검사한다.
모든 블록에 대해 통계치가 남은 데이터와 계산하여 관리 한계내에 있도록 상기의 과정을 반복할 수 있다.
또한, 상태 기반 예방정비 장치(100)는 참고 프로파일(reference profile)의 Phase I에 있는 관심 영향을 위해 생성할 수 있다.
Figure 112015067076073-pat00114
과
Figure 112015067076073-pat00115
를 모른다는 가정하에
Figure 112015067076073-pat00116
블록에 대한 T2 통계량은 수학식 19와 같이 수정될 수 있다.
Figure 112015067076073-pat00117
여기서,
Figure 112015067076073-pat00118
는
Figure 112015067076073-pat00119
의 불편성 추정값이고, 표본 분산과 공분산 메트릭스인
Figure 112015067076073-pat00120
는
Figure 112015067076073-pat00121
의 불편성 추정값이다. 또한,
Figure 112015067076073-pat00122
이고,
Figure 112015067076073-pat00123
이며,
Figure 112015067076073-pat00124
이다.
수정된 T2 통계량은
Figure 112015067076073-pat00125
의 자유도를 가진 분포와 연관 있으므로, Phase I에서
Figure 112015067076073-pat00126
라는 상한 관리한계를 가진다. 여기서,
Figure 112015067076073-pat00127
는
Figure 112015067076073-pat00128
의 자유도를 가진 F분포의
Figure 112015067076073-pat00129
백분위를 나타낸다.
본 발명의 일 실시예에서는 시장위험측정(EWMA)와 R-chart를 사용하여 공정분산의 변경이나 변화를 찾아서 평가하였다. 잔차를 활용한 EWMA 차트의 관리 상한은 수학식 20과 같이 정해질 수 있다.
Figure 112015067076073-pat00130
여기서,
Figure 112015067076073-pat00131
는
Figure 112015067076073-pat00132
의 조건을 만족하는 가중치이고, L은 오류 검출률을 설명하는 다량의 블록 통계량의 표준편차를 나타낸다. 대체적으로, L=3으로 설정하고,
Figure 112015067076073-pat00133
또는 0.2로 설정한다.
EWMA 차트는 여러 표본이 관리범위 바깥으로 시그널 값을 가질 때, 표본 제거법과 한계의 재계산이 확실하게 정의되지 않는 문제점이 있다.
R-chart의 경우, 보충 사용법으로 관리상한은 수학식 21과 같이 나타낼 수 있다.
Figure 112015067076073-pat00134
여기서,
Figure 112015067076073-pat00135
와
Figure 112015067076073-pat00136
는 각각 range, 표준편차와 연관 있는 고정함수를 나타낸다.
도 2는 본 발명의 일 실시예에 따른 대형 운용 시스템의 상태 기반 예방정비 장치의 내부 구성을 개략적으로 도시한 블록도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 대형 운용 시스템의 상태 기반 예방정비 장치(100)는 수집부(210), 특징 추출부(215), 계산부(220), 모니터링부(225), 메모리(230) 및 프로세서(235)를 포함하여 구성된다.
수집부(210)는 시스템에 설치된 복수의 센서로부터 센서 데이터를 수집하는 기능을 한다. 이미 전술한 바와 같이, 대형 운용 시스템은 스팀 터빈 발전기와 같은 시스템으로, 복수의 센서가 시스템에 각각 부착될 수 있다. 본 발명의 일 실시예에서는 시스템이 발전기인 것을 가정하므로 센서가 각각 온도 센서와 진동 센서가 복수개 구비되는 것을 가정하였다. 그러나, 시스템의 특성에 따라 구비되는 센서의 유형은 상이해질 수 있음은 당연하다.
특징 추출부(215)는 수집된 센서 데이터를 웨이블릿 변환하여 에너지 스펙트럼을 특징값으로 추출할 수 있다.
예를 들어, 특징 추출부(215)는 센서 데이터를 웨이블릿 변환한 데이터로부터 에너지 스펙트럼 분석을 통해 허스트(Hurst) 계수를 도출하여 특징값을 추출할 수 있다.
또한, 특징 추출부(215)는 센서 데이터를 웨이블릿 변환한 결과에서 디테일 시그널(father)에 대한 에너지 평균값을 계산하여 에너지 스펙트럼을 특징값으로 추출할 수도 있다.
이는 이미 도 1을 참조하여 전술한 바와 동일하므로 중복되는 설명은 생략하기로 한다.
계산부(220)는 추출된 특징값의 기울기와 절편을 계산하는 기능을 한다.
예를 들어, 계산부(220)는 디테일 시그널의 에너지 스펙트럼에 대한 기울기와 절편을 계산할 수 있다.
이는 도 1에서 설명한 바와 동일하므로 중복되는 설명은 생략하기로 한다.
모니터링부(225)는 계산된 기울기와 절편을 이용하여 시스템의 고장 여부를 모니터링하는 기능을 한다.
예를 들어, 모니터링부(225)는, 기울기와 절편을 이용하여 T2 통계량을 계산하고, 계산된 T2 통계량을 이용하여 시스템의 고장 여부를 모니터링할 수 있다. 이때, 모니털이부()는 계산된 T2 통계량과 상한 관리 한계를 비교하여 상기 시스템의 고장 여부를 모니터링할 수 있다.
이는 도 1에서 상세히 설명하였으므로 중복되는 설명은 생략하기로 한다.
메모리(230)는 센서 데이터를 신호분석한 결과를 기반으로 Hurst 계수를 포함하는 선형 프로파일을 활용하여 시스템의 이상 유무를 판단하기 위한 상태 기반 예방정비 방법을 수행하기 위해 필요한 다양한 알고리즘, 어플리케이션, 이 과정에서 파생되는 다양한 데이터를 저장한다.
프로세서(235)는 본 발명의 일 실시예에 따른 상태 기반 예방정비 장치(100)의 내부 구성 요소들(예를 들어, 수집부(210), 특징 추출부(215), 계산부(220), 모니터링부(225), 메모리(230) 등)을 제어하기 위한 수단이다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
210: 수집부
215: 특징 추출부
220: 계산부
225: 모니터링부
230: 메모리
235: 프로세서

Claims (11)

  1. (a) 시스템에 설치된 복수의 센서로부터 센서 데이터를 수집하는 단계;
    (b) 상기 수집된 센서 데이터를 웨이블릿 변환하여 에너지 스펙트럼을 특징값으로 추출하는 단계;
    (c) 상기 추출된 특징값의 기울기와 절편을 계산하는 단계; 및
    (d) 상기 계산된 기울기와 절편을 이용하여 상기 시스템의 고장 여부를 모니터링하는 단계를 포함하되,
    상기 (b) 단계는,
    상기 센서 데이터를 웨이블릿 변환한 결과에서 디테일 시그널(father)에 대한 에너지 평균값을 계산하여 상기 에너지 스펙트럼을 특징값으로 추출하는 것을 특징으로 하되,
    상기 기울기와 절편은 상기 디테일 시그널의 에너지 스펙트럼에 대한 기울기와 절편인 것을 특징으로 하는 대형 운용 시스템의 상태 기반 예방정비 방법.
  2. 제1 항에 있어서, 상기 (b) 단계는,
    상기 센서 데이터를 웨이블릿 변환한 데이터로부터 에너지 스펙트럼 분석을 통해 허스트(Hurst) 계수를 도출하여 상기 특징값을 추출하는 것을 특징으로 하는 대형 운용 시스템의 상태 기반 예방정비 방법.
  3. 삭제
  4. 제1 항에 있어서, 상기 (d) 단계는,
    상기 기울기와 절편을 이용하여 T2 통계량을 계산하고, 상기 계산된 T2 통계량을 이용하여 상기 시스템의 고장 여부를 모니터링하는 것을 특징으로 하는 대형 운용 시스템의 상태 기반 예방정비 방법.
  5. 제4 항에 있어서,
    상기 (d) 단계는,
    상기 계산된 T2 통계량과 상한 관리 한계를 비교하여 상기 시스템의 고장 여부를 모니터링하는 것을 특징으로 하는 대형 운용 시스템의 상태 기반 예방정비 방법.
  6. 제1 항 내지 제2항, 제4항, 제 5항 중 어느 하나의 항에 따른 방법을 수행하기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록매체.
  7. 시스템에 설치된 복수의 센서로부터 센서 데이터를 수집하는 수집부;
    상기 수집된 센서 데이터를 웨이블릿 변환하여 에너지 스펙트럼을 특징값으로 추출하는 특징 추출부;
    상기 추출된 특징값의 기울기와 절편을 계산하는 계산부; 및
    상기 계산된 기울기와 절편을 이용하여 상기 시스템의 고장 여부를 모니터링하는 모니터링부를 포함하되,
    상기 특징 추출부는,
    상기 센서 데이터를 웨이블릿 변환한 결과에서 디테일 시그널(father)에 대한 에너지 평균값을 계산하여 상기 에너지 스펙트럼을 특징값으로 추출하는 것을 특징으로 하되,
    상기 기울기와 절편은 상기 디테일 시그널의 에너지 스펙트럼에 대한 기울기와 절편인 것을 특징으로 하는 대형 운용 시스템의 상태 기반 예방정비 장치.
  8. 제7 항에 있어서, 상기 특징 추출부는,
    상기 센서 데이터를 웨이블릿 변환한 데이터로부터 에너지 스펙트럼 분석을 통해 허스트(Hurst) 계수를 도출하여 상기 특징값을 추출하는 것을 특징으로 하는 대형 운용 시스템의 상태 기반 예방정비 장치.
  9. 삭제
  10. 제7 항에 있어서, 상기 모니터링부는,
    상기 기울기와 절편을 이용하여 T2 통계량을 계산하고, 상기 계산된 T2 통계량을 이용하여 상기 시스템의 고장 여부를 모니터링하는 것을 특징으로 하는 대형 운용 시스템의 상태 기반 예방정비 장치.
  11. 제10 항에 있어서,
    상기 모니터링부는,
    상기 계산된 T2 통계량과 상한 관리 한계를 비교하여 상기 시스템의 고장 여부를 모니터링하는 것을 특징으로 하는 대형 운용 시스템의 상태 기반 예방정비 장치.
KR1020150098524A 2015-07-10 2015-07-10 대형 운용 시스템의 상태 기반 예방정비 장치 및 방법 KR101663426B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020150098524A KR101663426B1 (ko) 2015-07-10 2015-07-10 대형 운용 시스템의 상태 기반 예방정비 장치 및 방법
PCT/KR2016/007529 WO2017010778A1 (ko) 2015-07-10 2016-07-11 대형 운용 시스템의 상태 기반 예방정비 장치 및 방법
CN201680040401.7A CN107851294B (zh) 2015-07-10 2016-07-11 大型运行系统的基于状态的预防维护装置及方法
US15/865,676 US11068859B2 (en) 2015-07-10 2018-01-09 Condition based preventive maintenance apparatus and method for large operation system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150098524A KR101663426B1 (ko) 2015-07-10 2015-07-10 대형 운용 시스템의 상태 기반 예방정비 장치 및 방법

Publications (1)

Publication Number Publication Date
KR101663426B1 true KR101663426B1 (ko) 2016-10-07

Family

ID=57145262

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150098524A KR101663426B1 (ko) 2015-07-10 2015-07-10 대형 운용 시스템의 상태 기반 예방정비 장치 및 방법

Country Status (4)

Country Link
US (1) US11068859B2 (ko)
KR (1) KR101663426B1 (ko)
CN (1) CN107851294B (ko)
WO (1) WO2017010778A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110178145A (zh) * 2017-01-18 2019-08-27 微软技术许可有限责任公司 支持感测特征的信号段的组织
CN111582682A (zh) * 2020-04-24 2020-08-25 深圳市海梁科技有限公司 一种车辆调度方法、装置及终端

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190026473A1 (en) * 2017-07-21 2019-01-24 Pearson Education, Inc. System and method for automated feature-based alert triggering
US10867128B2 (en) 2017-09-12 2020-12-15 Microsoft Technology Licensing, Llc Intelligently updating a collaboration site or template
US10742500B2 (en) * 2017-09-20 2020-08-11 Microsoft Technology Licensing, Llc Iteratively updating a collaboration site or template
CN111382754B (zh) * 2018-12-27 2024-03-01 中国移动通信集团山西有限公司 用户聚类方法、装置、设备和介质
US10802942B2 (en) * 2018-12-28 2020-10-13 Intel Corporation Methods and apparatus to detect anomalies of a monitored system
CN111122191B (zh) * 2019-12-05 2021-09-03 杭州哲达科技股份有限公司 一种基于ewma控制的设备安康报警阈值设定方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080044508A (ko) * 2006-11-16 2008-05-21 삼성에스디에스 주식회사 통계적인 분석을 이용한 성능장애 관리시스템 및 그 방법
KR20110107096A (ko) * 2010-03-24 2011-09-30 삼성중공업 주식회사 자동화 장비의 실시간 장비 상태 모니터링 장치
KR20120038729A (ko) * 2010-10-14 2012-04-24 한국기계연구원 기계시스템 상태감시장치 및 상태감시방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7539532B2 (en) * 2006-05-12 2009-05-26 Bao Tran Cuffless blood pressure monitoring appliance
WO2011060424A1 (en) * 2009-11-16 2011-05-19 Nrg Systems, Inc. Data acquisition system for condition-based maintenance
CN102083087A (zh) * 2011-01-25 2011-06-01 南京金思科技有限公司 一种主客观模型结合的话务量异常检测方法
US9845012B2 (en) * 2011-07-06 2017-12-19 General Electric Company System and method for predicting mechanical failure of a motor
CN102594836B (zh) * 2012-03-06 2014-11-05 青岛农业大学 一种基于小波能量谱的流量识别方法
CN104121985B (zh) * 2013-04-29 2020-07-14 艾默生电气（美国）控股公司（智利）有限公司 过采样数据的选择性抽取和分析

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080044508A (ko) * 2006-11-16 2008-05-21 삼성에스디에스 주식회사 통계적인 분석을 이용한 성능장애 관리시스템 및 그 방법
KR20110107096A (ko) * 2010-03-24 2011-09-30 삼성중공업 주식회사 자동화 장비의 실시간 장비 상태 모니터링 장치
KR20120038729A (ko) * 2010-10-14 2012-04-24 한국기계연구원 기계시스템 상태감시장치 및 상태감시방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110178145A (zh) * 2017-01-18 2019-08-27 微软技术许可有限责任公司 支持感测特征的信号段的组织
CN110178145B (zh) * 2017-01-18 2024-03-26 微软技术许可有限责任公司 支持感测特征的信号段的组织
CN111582682A (zh) * 2020-04-24 2020-08-25 深圳市海梁科技有限公司 一种车辆调度方法、装置及终端
CN111582682B (zh) * 2020-04-24 2023-04-28 深圳市海梁科技有限公司 一种车辆调度方法、装置及终端

Also Published As

Publication number Publication date
US20180130032A1 (en) 2018-05-10
US11068859B2 (en) 2021-07-20
CN107851294A (zh) 2018-03-27
CN107851294B (zh) 2022-07-12
WO2017010778A1 (ko) 2017-01-19

Similar Documents

Publication Publication Date Title
KR101663426B1 (ko) 대형 운용 시스템의 상태 기반 예방정비 장치 및 방법
Qian et al. A multi-time scale approach to remaining useful life prediction in rolling bearing
US9465387B2 (en) Anomaly diagnosis system and anomaly diagnosis method
JP5303474B2 (ja) 連続工業プロセスでの異常事象検出のために推論計測を使用する方法およびシステム
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
JP4046309B2 (ja) プラント監視装置
CN113614359A (zh) 用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和系统
CN110008096B (zh) 数据监测方法、装置、电子设备及计算机可读存储介质
Gonçalves et al. Faults detection and classification in a centrifugal pump from vibration data using markov parameters
CN108956111B (zh) 一种机械部件的异常状态检测方法及检测系统
JP6164311B1 (ja) 情報処理装置、情報処理方法、及び、プログラム
CN104620248A (zh) 使用遗传编程估计剩余使用寿命
KR102253230B1 (ko) 원전설비의 예측 진단 방법 및 시스템
CN112272763A (zh) 异常探测装置、异常探测方法以及异常探测程序
CA2252868C (en) Automatic control loop monitoring and diagnostics
Qiu et al. Remaining useful life estimation for rolling bearing with SIOS-based indicator and particle filtering
JP5771317B1 (ja) 異常診断装置及び異常診断方法
US11941495B2 (en) Information processing device, information processing method, and recording medium
CN117216481A (zh) 一种用于电器的远程监控方法及系统
Gildish et al. Vibration-Based Estimation of Gearbox Operating Conditions: Machine Learning Approach
Toosi et al. Method for detecting aging related failures of process sensors via noise signal measurement
CN109072882A (zh) 预测风力涡轮机油过滤器磨损水平的预测与健康管理模型
Marhadi et al. Automatic threshold setting and its uncertainty quantification in wind turbine condition monitoring system
Marhadi et al. Using Johnson distribution for automatic threshold setting in wind turbine condition monitoring system
CN105912843B (zh) 基于两视角和粒子滤波的非监督故障预报方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190624

Year of fee payment: 4