KR101825809B1 - Plant system, and fault detecting method thereof - Google Patents
Plant system, and fault detecting method thereof Download PDFInfo
- Publication number
- KR101825809B1 KR101825809B1 KR1020160055409A KR20160055409A KR101825809B1 KR 101825809 B1 KR101825809 B1 KR 101825809B1 KR 1020160055409 A KR1020160055409 A KR 1020160055409A KR 20160055409 A KR20160055409 A KR 20160055409A KR 101825809 B1 KR101825809 B1 KR 101825809B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- plant
- unit
- learning
- state
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000013480 data collection Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000033772 system development Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q50/10—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- 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"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Security & Cryptography (AREA)
- Automation & Control Theory (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 플랜트 시스템에서 예측된 고장과 구축된 진단 데이터베이스 및 진단 로직을 이용하여 고장을 진단하고 근본 원인을 추적하여 시각화로 보여주는 플랜트 이상 감지 시스템 및 방법이 개시된다.
개시된 플랜트 이상 감지 시스템은, 플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있는 진단 데이터베이스; 플랜트에 대해 정해진 주기로 각 센서를 통해 실시간으로 플랜트 데이터를 수집하는 데이터 수집부; 수집된 실시간 플랜트 데이터를 이용하여 정상 상태를 학습하는 상태 학습부; 실시간 플랜트 데이터와 학습된 정상상태 데이터를 비교하여 고장을 조기에 경보(Alarm)하는 경보부; 학습된 정상상태 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 모델링부; 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고 근본 원인을 추적하는 고장 진단부; 및 고장 진단부의 진단 결과를 시각화 하여 출력하는 출력부를 포함한다.
본 발명에 의하면, 플랜트의 고장을 조기에 경보하고, 고장의 근본 원인을 진단하여 시각화 할 수 있다.Disclosed is a plant anomaly detection system and method for diagnosing faults using a diagnosed database and diagnostics logic built with predicted faults in plant systems, and tracking and visualizing root causes.
The disclosed plant anomaly detection system includes: a diagnostic database that stores failures in a plant as diagnostic data; A data collection unit for collecting plant data in real time through each sensor at a predetermined cycle with respect to the plant; A state learning unit for learning a steady state using the collected real time plant data; An alarm unit for comparing the real time plant data with the learned steady state data to alarm the failure early; A modeling unit for modeling the learned steady state data to generate a plant model; A fault diagnosis unit for diagnosing a plant fault using the diagnostic logic based on the diagnosis database and for tracking the root cause; And an output unit for visualizing and outputting diagnosis results of the fault diagnosis unit.
According to the present invention, the failure of the plant can be alertered early, and the root cause of the failure can be diagnosed and visualized.
Description
본 발명은 플랜트 시스템 및 그 이상 감지 방법에 관한 것으로서, 더욱 자세하게는 실시간으로 플랜트 데이터를 확보하고, 확보된 데이터를 이용하여 정상 상태를 학습하며, 실시간 플랜트 데이터와 자동 학습된 정상 상태의 데이터를 비교하여 고장을 조기에 경보하며, 예측된 고장과 구축된 진단 데이터베이스 및 진단 로직을 이용하여 고장을 진단하고 근본 원인을 추적하여 시각화 할 수 있도록 하는 플랜트 시스템 및 그 이상 감지 방법에 관한 것이다.The present invention relates to a plant system and a method for detecting abnormalities. More specifically, the present invention relates to a plant system that acquires plant data in real time, learns a steady state using secured data, and compares real- The present invention relates to a plant system and an abnormality detection method thereof, which can diagnose faults by using predicted faults and built diagnosis databases and diagnostic logic, and can trace and visualize root causes.
일반적으로 발전 또는 화학 등의 대형 플랜트들은 다양한 종류의 수백 개의 기계 및 전기 설비들이 복잡하게 연결되어 운전되고 있으며 주 제어실이라 불리는 중앙 제어실에서 운전(Operation)을 하게 된다. 이곳의 근무자는 2-10명으로 근래 기업 경쟁력 향상 및 생산성 증대 추구와 맞물려 그 수가 감소하고 있다. 특히, 과거 한 기당 수십 명이 근무하던 화력 발전소의 경우 이제는 5명 내외로 근무자 1인당 관리 및 제어해야 하는 설비의 수가 대폭 증가하였다. 이에 따라 운전 및 조작 방식도 과거 현장 제어반(Local Panel) 조작 방식에서 주 제어반 조작 방식으로 발전되었으며 근래 정보기술(IT)의 발달과 함께 컴퓨터 기반의 MMI(Man-Machine Interface)를 이용한 조작 방식이 주를 이루고 있다.Generally, large plants such as power plants or chemical plants are operated in complex operation with hundreds of machines and electrical equipments of various kinds and operated in a central control room called main control room. The number of people working here is 2-10, which is decreasing due to the recent improvement in corporate competitiveness and productivity. In particular, the number of facilities to be managed and controlled per worker has increased dramatically in the case of thermal power plants where dozens of workers have been working in the past. Accordingly, the operation and operation method has been developed from the operation method of the local panel to the operation method of the main control panel in the past. Recently, the operation method using the computer-based MMI (Man-Machine Interface) Respectively.
그런데, 수십 년의 근무 경력을 가진 숙련된 근무자의 경우에는 각종 상황별 조치 사항을 다양하게 숙지하고 있으며 복잡한 내부 제어 로직을 이해하고 있으나, 경험이 부족한 대부분의 근무자는 발생 상황에 따라 수시로 관련 참고 도서(운전 절차서, 공급자의 설계자료, 내부 도서 등)를 봐야 하는데 이러한 방식의 운전 환경은 신속하고 안정적인 조치를 요하는 플랜트의 운전 측면에서 대단히 취약할 수 밖에 없는 환경이다.However, in the case of skilled workers with decades of work experience, they are familiar with various situations and understand the complex internal control logic, but most of the inexperienced workers are often referred to as related reference books (Operating procedures, supplier design data, internal books, etc.). This type of operating environment is extremely vulnerable to the operation of plants that require quick and stable action.
또한, 운전정보를 표시하는 운전조작용 콘솔(Console)에도 기본적인 운전 정보를 표시해 줄 뿐 각종 상황 발생시 실제 조작에 필요한 정보는 충분히 나타내지 못한다. In addition, it also displays basic operation information in a driving operation console (console) for displaying driving information, and does not sufficiently display information necessary for actual operation in various situations.
따라서, 기본적인 정보만을 제공하는 주제어반의 조작용 콘솔(Console) 외 운전에 관련된 적절한 정보를 신속히 제공하고, 각 상황에 따른 적절한 정보를 제공해 줄 수 있는 시스템이 필요하다. Therefore, there is a need for a system that can provide appropriate information related to operation outside the operation console of the main control panel providing only basic information, and provide appropriate information according to each situation.
즉, 플랜트의 특정기기 관련 운전변수가 정상 운전 상태를 벗어나 위험한 상태에 접근할 경우 그 위험을 경고하여 신속한 조치를 취하도록 하기 위한 기술이 요구되고 있다.In other words, there is a need for a technique to warn a dangerous state when a plant-related operation-related variable deviates from a normal operation state, and to take prompt action.
전술한 문제점을 해결하기 위한 본 발명의 목적은, 실시간으로 플랜트 데이터를 확보하고, 확보된 데이터를 이용하여 정상 상태를 자동 학습하며, 실시간 플랜트 데이터와 자동 학습 수행으로 확보한 정상 상태를 비교하여 고장을 조기 경보하며, 예측된 고장과 구축된 진단 데이터베이스 및 진단 로직을 이용하여 고장을 진단하고 근본 원인을 추적하여 시각화 할 수 있도록 하는 플랜트 시스템 및 그 이상 감지 방법을 제공함에 있다.An object of the present invention to solve the above-mentioned problems is to obtain plant data in real time, to automatically learn steady state by using secured data, to compare steady state obtained by real- The present invention provides a plant system and an abnormality detection method that can diagnose faults using the predicted faults and the constructed diagnosis database and diagnostic logic, and can trace and visualize the root cause.
전술한 목적을 달성하기 위한 본 발명에 따른 플랜트 이상 감지 시스템은, 플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있는 진단 데이터베이스; 플랜트에 대해 정해진 주기로 각 센서를 통해 실시간으로 플랜트 데이터를 수집하는 데이터 수집부; 수집된 실시간 플랜트 데이터를 이용하여 정상 상태를 학습하는 상태 학습부; 실시간 플랜트 데이터와 학습된 정상상태 데이터를 비교하여 고장을 조기에 경보(Alarm)하는 경보부; 학습된 정상상태 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 모델링부; 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고 근본 원인을 추적하는 고장 진단부; 및 고장 진단부의 진단 결과를 시각화 하여 출력하는 출력부를 포함한다.According to an aspect of the present invention, there is provided a plant anomaly detection system including: a diagnostic database that stores failure cases in a plant as diagnostic data; A data collection unit for collecting plant data in real time through each sensor at a predetermined cycle with respect to the plant; A state learning unit for learning a steady state using the collected real time plant data; An alarm unit for comparing the real time plant data with the learned steady state data to alarm the failure early; A modeling unit for modeling the learned steady state data to generate a plant model; A fault diagnosis unit for diagnosing a plant fault using the diagnostic logic based on the diagnosis database and for tracking the root cause; And an output unit for visualizing and outputting diagnosis results of the fault diagnosis unit.
또한, 상태 학습부는, 수집된 실시간 플랜트 데이터에 대해 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하고, 전처리 된 플랜트 데이터에 근거해 정상 상태를 학습하게 된다.In addition, the state learning unit deletes the abnormal data through a pre-processing process on the collected real-time plant data, and learns the normal state based on the preprocessed plant data.
또한, 경보부는, 실시간 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하게 된다.In addition, the alarm unit generates, as the actual value, the value obtained by subtracting the predicted value from the actual value, using the learned steady-state data as the actual value, and outputs the alarm logic Logic will output an early warning.
또한, 모델링부는, 학습된 정상상태 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링(Modeling)하여 플랜트 모델을 생성하게 된다.Also, the modeling unit generates a plant model by modeling the learned steady state data into a parametric model or a non-parametric model.
그리고, 상태 학습부는, 학습된 정상상태 데이터를 학습 데이터 세트로 생성하고, 실시간 플랜트 데이터에서 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태의 플랜트 데이터를 학습 데이터 세트에 조합시켜 특징을 추출해 새로운 학습 데이터를 생성하며, 새로운 학습 데이터에 따른 새로운 패턴을 생성하여 학습 데이터를 업데이트 하며, 모델링부는, 새로 업데이트 된 학습 데이터를 상태 학습부로부터 전달받아 플랜트 모델에 적용하여 플랜트 모델을 업데이트하게 된다.The state learning unit generates the learned steady-state data as a learning data set, extracts the characteristics by combining the steady-state plant data in which the abnormal data is deleted through the preprocessing process in the real-time plant data, And generates a new pattern according to new learning data to update the learning data. The modeling unit receives the updated updated learning data from the state learning unit, applies the new updated learning data to the plant model, and updates the plant model.
한편, 전술한 목적을 달성하기 위한 본 발명에 따른 플랜트 이상 감지 방법은, (a) 데이터 수집부에서 플랜트에 대해 정해진 주기로 각 센서를 통해 실시간으로 플랜트 데이터를 수집하는 단계; (b) 상태 학습부가 수집된 실시간 플랜트 데이터를 이용하여 정상 상태를 학습하는 단계; (c) 경보부에서 실시간 플랜트 데이터와 학습된 정상상태 데이터를 비교하여 고장을 조기에 경보(Alarm)하는 단계; (d) 모델링부가 학습된 정상상태 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 단계; (e) 고장 진단부에서 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고 근본 원인을 추적하는 단계; 및 (f) 출력부에서 플랜트의 고장 진단 결과를 시각화 하여 출력하는 단계를 포함할 수 있다.According to another aspect of the present invention, there is provided a method for detecting a plant abnormality, comprising the steps of: (a) collecting plant data in real time through each sensor at a predetermined cycle with respect to the plant; (b) learning the steady state using the collected real time plant data by the state learning unit; (c) comparing the learned real time plant data and the learned steady state data in the alarm unit to alarm the fault early; (d) generating a plant model by modeling the steady state data on which the modeling unit has been learned; (e) diagnosing the failure of the plant using the diagnostic logic based on the diagnostic database in the fault diagnosis section and tracking the root cause; And (f) visualizing and outputting a diagnosis result of the plant at the output section.
또한, (b) 단계에서 상태 학습부는, 수집된 실시간 플랜트 데이터에 대해 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하고, 전처리 된 플랜트 데이터에 근거해 정상 상태를 학습하게 된다.In step (b), the state learning unit deletes the abnormal data through a pre-processing process on the collected real-time plant data, and learns the normal state based on the preprocessed plant data.
또한, (c) 단계에서 경보부는, 실시간 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하게 된다.Also, in the step (c), the alarm unit generates, as the residual, a value obtained by subtracting the predicted value from the actual value, using the learned steady-state data as the actual value, and the real time plant data as the actual value. If the generated residual value exceeds the allowable value The alarm signal is output by the alarm logic.
또한, (d) 단계에서 모델링부는, 학습된 정상상태 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링(Modeling)하여 플랜트 모델을 생성하게 된다.In step (d), the modeling unit generates a plant model by modeling the learned steady state data into a parametric model or a non-parametric model.
그리고, (b) 단계에서 상태 학습부는, 학습된 정상상태 데이터를 학습 데이터 세트로 생성하고, 실시간 플랜트 데이터에서 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태의 플랜트 데이터를 학습 데이터 세트에 조합시켜 특징을 추출해 새로운 학습 데이터를 생성하며, 새로운 학습 데이터에 따른 새로운 패턴을 생성하여 학습 데이터를 업데이트 하며, (d) 단계에서 모델링부는, 새로 업데이트 된 학습 데이터를 상태 학습부로부터 전달받아 플랜트 모델에 적용하여 플랜트 모델을 업데이트하게 된다.In the step (b), the state learning unit generates the learned steady state data as a learning data set, combines the steady-state plant data in which the abnormal data is deleted through the preprocessing process in the real-time plant data, In the step (d), the modeling unit receives the new updated learning data from the state learning unit and applies the new updated learning data to the plant model The plant model will be updated.
본 발명에 의하면, 플랜트에서 발생하는 다양한 주기의 센서 데이터를 실시간으로 확보하고, 이상 징후 예측을 위한 모델을 만들기 위한 단위로 구분하며, 정상 상태 데이터에 근거해 자동 학습 기능을 수행할 수 있다.According to the present invention, sensor data of various periods generated in a plant can be obtained in real time, and classified into units for creating a model for anomalous symptom prediction, and an automatic learning function can be performed based on steady state data.
또한, 전처리, 모델링, 잔차 생성, 진단 기능 간 시스템 분리로 기능 간 영향을 최소화 하여 시스템 개발 및 유지 보수 용이성을 확보하고 재사용으로 자산화 할 수 있다.In addition, system separation between preprocessing, modeling, residual generation, and diagnosis functions minimizes the effects between functions, ensuring ease of system development and maintenance, and reusing it as an asset.
또한, 진단 로직 및 데이터베이스를 활용한 진단 노하우를 자산화 하고, 진단 가이드 시스템을 제공할 수 있다.In addition, we can capitalize diagnostic know-how using diagnostic logic and database, and provide diagnostic guide system.
그리고, 플랜트 이상 징후 포착을 위한 기반 시스템을 제공할 수 있으며, 작업자의 전문성과 무관하게 이상 징후에 대한 진단 시스템을 제공하며, 수작업에 따른 작업자의 시간과 노력의 감소를 통한 운영 효율성을 극대화 할 수 있다.In addition, it is possible to provide an infrastructure system for capturing plant anomalies, to provide a diagnostic system for anomalous indications regardless of the operator's expertise, and to maximize operational efficiency by reducing the worker's time and effort by hand have.
도 1은 본 발명의 실시예에 따른 플랜트 이상 감지 시스템의 기능 블록을 개략적으로 나타낸 구성도이다.
도 2는 본 발명의 실시예에 따른 플랜트 이상 감지 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 플랜트 이상 감지 방법에 따라 플랜트 데이터를 수집하고 자동 학습하여 진단하는 전체적인 과정을 도식화하여 나타낸 도면이다.
도 4는 본 발명에 따른 모수성 모델과 비모수성 모델을 기반으로 하는 앙상블 학습 과정을 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 모수성 모델과 비모수성 모델을 조합하여 앙상블 학습을 수행하는 예를 나타낸 도면이다.
도 6은 본 발명의 실시예에 따른 모수성 모델 및 비모수성 모델의 조합에 따라 정확도가 높은 예측 값을 산출한 결과를 나타낸 도면이다.
도 7은 본 발명의 실시예에 따른 플랜트를 측정한 센서 데이터로부터 알람을 출력하는 과정과, 플랜트 이상 감지를 위해 자동 학습하는 과정을 나타낸 도면이다.
도 8은 본 발명의 실시예에 따라 현재 측정된 센서 데이터에 대해 데이터 처리를 수행하는 예를 나타낸 도면이다.
도 9는 본 발명의 실시예에 따라 현재 측정된 센서 데이터와 기존의 학습 데이터를 조합하여 새로운 학습 데이터를 생성하는 예를 나타낸 도면이다.1 is a block diagram schematically showing functional blocks of a plant anomaly detection system according to an embodiment of the present invention.
FIG. 2 is a flowchart illustrating a method for detecting a plant anomaly according to an embodiment of the present invention. Referring to FIG.
3 is a diagram illustrating an overall process of collecting and automatically diagnosing and collecting plant data according to a plant anomaly detection method according to an embodiment of the present invention.
FIG. 4 is a diagram illustrating an ensemble learning process based on the model of the model and the model of non-parametricity according to the present invention.
FIG. 5 is a diagram illustrating an example of performing ensemble learning by combining an aqueous model and a non-parametric model according to an embodiment of the present invention.
FIG. 6 is a diagram showing a result of calculating a highly accurate prediction value according to a combination of an aqueous model and a non-parametric model according to an embodiment of the present invention.
FIG. 7 is a diagram illustrating a process of outputting an alarm from sensor data of a plant according to an embodiment of the present invention, and an automatic learning process for detecting a plant anomaly.
8 is a diagram illustrating an example of performing data processing on sensor data that is currently measured according to an embodiment of the present invention.
9 is a diagram illustrating an example of generating new learning data by combining existing sensor data and existing learning data according to an embodiment of the present invention.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings, which will be readily apparent to those skilled in the art to which the present invention pertains. The present invention may be embodied in many different forms and is not limited to the embodiments described herein.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.In order to clearly illustrate the present invention, parts not related to the description are omitted, and the same or similar components are denoted by the same reference numerals throughout the specification.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우 뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a part is referred to as being "connected" to another part, it includes not only "directly connected" but also "electrically connected" with another part in between . Also, when an element is referred to as "comprising ", it means that it can include other elements as well, without departing from the other elements unless specifically stated otherwise.
어느 부분이 다른 부분의 "위에" 있다고 언급하는 경우, 이는 바로 다른 부분의 위에 있을 수 있거나 그 사이에 다른 부분이 수반될 수 있다. 대조적으로 어느 부분이 다른 부분의 "바로 위에" 있다고 언급하는 경우, 그 사이에 다른 부분이 수반되지 않는다.If any part is referred to as being "on" another part, it may be directly on the other part or may be accompanied by another part therebetween. In contrast, when a section is referred to as being "directly above" another section, no other section is involved.
제1, 제2 및 제3 등의 용어들은 다양한 부분, 성분, 영역, 층 및/또는 섹션들을 설명하기 위해 사용되나 이들에 한정되지 않는다. 이들 용어들은 어느 부분, 성분, 영역, 층 또는 섹션을 다른 부분, 성분, 영역, 층 또는 섹션과 구별하기 위해서만 사용된다. 따라서, 이하에서 서술하는 제1 부분, 성분, 영역, 층 또는 섹션은 본 발명의 범위를 벗어나지 않는 범위 내에서 제2 부분, 성분, 영역, 층 또는 섹션으로 언급될 수 있다.The terms first, second and third, etc. are used to describe various portions, components, regions, layers and / or sections, but are not limited thereto. These terms are only used to distinguish any moiety, element, region, layer or section from another moiety, moiety, region, layer or section. Thus, a first portion, component, region, layer or section described below may be referred to as a second portion, component, region, layer or section without departing from the scope of the present invention.
여기서 사용되는 전문 용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분의 존재나 부가를 제외시키는 것은 아니다.The terminology used herein is for the purpose of describing particular embodiments only and is not intended to limit the invention. The singular forms as used herein include plural forms as long as the phrases do not expressly express the opposite meaning thereto. Means that a particular feature, region, integer, step, operation, element and / or component is specified and that the presence or absence of other features, regions, integers, steps, operations, elements, and / It does not exclude addition.
"아래", "위" 등의 상대적인 공간을 나타내는 용어는 도면에서 도시된 한 부분의 다른 부분에 대한 관계를 보다 쉽게 설명하기 위해 사용될 수 있다. 이러한 용어들은 도면에서 의도한 의미와 함께 사용 중인 장치의 다른 의미나 동작을 포함하도록 의도된다. 예를 들면, 도면 중의 장치를 뒤집으면, 다른 부분들의 "아래"에 있는 것으로 설명된 어느 부분들은 다른 부분들의 "위"에 있는 것으로 설명된다. 따라서 "아래"라는 예시적인 용어는 위와 아래 방향을 전부 포함한다. 장치는 90˚ 회전 또는 다른 각도로 회전할 수 있고, 상대적인 공간을 나타내는 용어도 이에 따라서 해석된다.Terms indicating relative space such as "below "," above ", and the like may be used to more easily describe the relationship to other portions of a portion shown in the figures. These terms are intended to include other meanings or acts of the apparatus in use, as well as intended meanings in the drawings. For example, when inverting a device in the figures, certain portions that are described as being "below" other portions are described as being "above " other portions. Thus, an exemplary term "below" includes both up and down directions. The device can be rotated by 90 degrees or rotated at different angles, and terms indicating relative space are interpreted accordingly.
다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련 기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms including technical and scientific terms used herein have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Commonly used predefined terms are further interpreted as having a meaning consistent with the relevant technical literature and the present disclosure, and are not to be construed as ideal or very formal meanings unless defined otherwise.
이하, 첨부한 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily carry out the present invention. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein.
도 1은 본 발명의 실시예에 따른 플랜트 이상 감지 시스템의 기능 블록을 개략적으로 나타낸 구성도이다.1 is a block diagram schematically showing functional blocks of a plant anomaly detection system according to an embodiment of the present invention.
도 1을 참조하면, 본 발명에 따른 플랜트 이상 감지 시스템(100)은, 데이터 수집부(110)와 상태 학습부(120), 경보부(130), 모델링부(140), 고장 진단부(150), 출력부(160) 및 진단 데이터베이스(170)를 포함한다.1, a plant
데이터 수집부(110)는 플랜트에 대해 정해진 주기로 각 센서를 통해 실시간으로 플랜트 데이터를 수집한다. 즉, 데이터 수집부(110)는 예컨대, 5분 단위로 플랜트의 각 측정 센서로부터 실시간으로 플랜트 데이터를 수집한다.The
상태 학습부(120)는 수집된 실시간 플랜트 데이터를 이용하여 정상 상태를 학습한다. 이때, 상태 학습부(120)는, 수집된 실시간 플랜트 데이터에 대해 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하고, 전처리 된 플랜트 데이터에 근거해 정상 상태를 학습하게 된다. 여기서, 전처리 과정은 아래 실시예에서 좀 더 상세히 설명한다.The
경보부(130)는 실시간 플랜트 데이터와 학습된 정상상태 데이터를 비교하여 고장을 조기에 경보(Alarm)한다. 즉, 경보부(130)는, 실시간 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하게 된다.The
모델링부(140)는 학습된 정상상태 데이터를 모델링(Modeling)하여 예측 모델로서 플랜트 모델을 생성한다. The
또한, 모델링부(140)는, 학습된 정상상태 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링(Modeling)하여 플랜트 모델을 생성하게 된다.In addition, the
그리고, 모델링부(140)는 상태 학습부(120)에서 학습된 정상상태 데이터를 학습 데이터 세트로 생성하고, 5분마다 실시간으로 수집된 플랜트 데이터에서 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태의 플랜트 데이터를 학습 데이터 세트에 조합시켜 특징을 추출해 새로운 학습 데이터를 생성하며, 새로운 학습 데이터에 따른 새로운 패턴을 생성하여 학습 데이터를 업데이트 하며, 새로 업데이트 된 학습 데이터를 하루에 한 번 플랜트 모델에 적용하여 플랜트 모델을 업데이트하게 된다.The
고장 진단부(150)는 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고 근본 원인을 분석(Root Cause Analysis)하여 추적한다.The
출력부(160)는 고장 진단부의 진단 결과를 시각화 하여 출력한다.The
진단 데이터베이스(170)는 플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있다. 여기서, 고장 난 사례들에 대한 데이터는 실시간으로 측정한 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성해, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 따라 경보(Alarm)가 발생된 비정상 상태의 플랜트 데이터들과, 비정상 상태의 플랜트 데이터들이 제거된 정상 상태의 플랜트 데이터를 별도로 분리해 저장한 데이터들이다.The
도 2는 본 발명의 실시예에 따른 플랜트 이상 감지 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.FIG. 2 is a flowchart illustrating a method for detecting a plant anomaly according to an embodiment of the present invention. Referring to FIG.
도 2를 참조하면, 본 발명에 따른 플랜트 이상 감지 시스템(100)은, 먼저 데이터 수집부(110)에서 플랜트에 대해 정해진 주기로 각 센서를 통해 실시간으로 플랜트 데이터를 수집한다(S210).Referring to FIG. 2, the plant
즉, 데이터 수집부(110)는 플랜트의 각 영역에 설치된 각각의 측정센서를 통해 예컨대, 5분마다 해당 센서 데이터를 수집하게 되는데(Data Collecting), 도 3에 도시된 바와 같이 배치 스케줄러(Batch Scheduler)에 따라 각 센서들로부터 순차적으로 5분마다 센서 데이터를 각각 수신하여 원본 데이터(Raw Data)로 데이터베이스에 수집하는 것이다. 도 3은 본 발명의 실시예에 따른 플랜트 이상 감지 방법에 따라 플랜트 데이터를 수집하고 자동 학습하여 진단하는 전체적인 과정을 도식화하여 나타낸 도면이다. That is, the
이어, 상태 학습부(120)는 수집된 실시간 플랜트 데이터를 이용하여 정상 상태를 학습한다(S220).Next, the
즉, 상태 학습부(120)는, 실시간으로 수집된 플랜트 데이터에 대해 도 3에 도시된 바와 같이 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하고, 전처리 된 플랜트 데이터에 근거해 정상 상태를 자동으로 학습(Learning)하여 정상 상태 데이터를 생성하게 되는 것이다.That is, as shown in FIG. 3, the
여기서, 전처리(Pre-Processing) 과정은, 실시간 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성해, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 따라 경보(Alarm)가 발생된 비정상 플랜트 데이터들을 삭제하고 정상 상태의 플랜트 데이터를 생성하는 것이다.Here, in the pre-processing step, the value obtained by subtracting the predicted value from the actual value is used as the residual, with the real-time plant data as the measured value, the learned steady-state data as the predicted value, and the generated residual value exceeds the allowable value The abnormal plant data in which an alarm is generated is deleted according to the alarm logic and the plant data of the normal state is generated.
이때, 상태 학습부(120)는 도 3에 도시된 바와 같이 배치 스케줄러(Batch Scheduler)를 통해 정해진 주기마다 예컨대, 5분마다 데이터 수집부(110)에서 실시간으로 수집한 실시간 플랜트 데이터에 대해 비정상 데이터가 삭제된 정상 상태 데이터를 학습하여 참조 데이터(Reference)로 플랜트 데이터베이스(DB)에 저장하는 것이다.At this time, as shown in FIG. 3, the
이어, 경보부(130)에서는 실시간 플랜트 데이터와 학습된 정상상태 데이터를 비교하여 차이가 발생한 경우에 고장을 조기에 경보(Alarm)한다(S230).Next, the
즉, 경보부(130)는, 실시간 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 도 3에 도시된 바와 같이 실측치에서 예측치를 뺀 값을 잔차로 생성하며(Residual Generation), 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하게 되는 것이다.That is, the
이때, 경보부(130)는 잔차 값이 허용치(특정값)를 초과하는 경우에 조기 알람을 발생하지만, 실측치가 허용치(특정값)을 초과하는 경우에도 플랜트 고장에 대한 조기 알람을 발생할 수 있다.At this time, the
이어, 모델링부(140)는 학습된 정상상태 데이터를 모델링(Modeling)하여 플랜트 모델을 생성한다(S240).Next, the
이때, 모델링부(140)는, 학습된 정상상태 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링(Modeling)하여 예측 모델로서의 플랜트 모델을 생성할 수 있다.At this time, the
즉, 모델링부(140)는 정상상태 데이터를 학습하는데 필요한 학습 모델에 대해, 도 4에 도시된 바와 같이 서로 다른 특징을 지닌 모델을 기반으로 예측하기 위해 모수성(Parametric) 모델과 비모수성(Non-Parametric) 모델을 이용하여 모델링을 수행한다.That is, as shown in FIG. 4, the
이때, 모델링부(140)는, 모수성 모델과 비모수성 모델에서, 특정 단일 모델들의 장점에 해당하는 기능을 선택하고 약점에 해당하는 기능들을 보완하기 위해, 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 모델링을 수행할 수 있다.At this time, the
즉, 모델링부(140)는, 도 4에 도시된 바와 같이 MLRM(Multiple Linear Regression Model), PLS(Partial Least Squares), DPCA(Dynamic Principal Component Analysis), K-NN(Nearest Neighbor) 모델 중 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 모델링을 수행할 수 있다.That is, as shown in FIG. 4, the
또한, 도 4에 도시된 바와 같이 MLRM 모델은 ARX(Auto-Regressive eXogeneous)모델과 MLM(Maximum Likelihood Method) 모델을 포함하고, PLS 모델은 GLM(Generalized Linear Model) 모델과 MLM(Maximum Likelihood Method) 모델을 포함하며, DPCA 모델은 ARX 모델과 MLM 모델을 포함하며, K-NN 모델은 비모수성 모델과 RBF(Radial Basis Function) 커널(Kernel)을 포함할 수 있다.4, the MLRM model includes an ARX (Auto Regressive eXogeneous) model and an MLM (Maximum Likelihood Method) model. The PLS model includes a GLM (Generalized Linear Model) model and an MLM DPCA model includes ARX model and MLM model, and K-NN model can include non-parametric model and RBF (Radial Basis Function) kernel.
본 발명에 적용되는 모수성 모델과 비모수성 모델의 장점과 단점은 아래 표 1과 같다.Table 1 below shows the advantages and disadvantages of the model of the model and the model of non-parametricity applied to the present invention.
모델Mother water
Model
ㅇ매우 우수한 성능 발휘
ㅇ공학분야 유명한 모델
ㅇ사용 실적 많음
ㅇ모델 해석이 용이
ㅇ비선형 모델링 가능ㅇ Sophisticated model design possible
ㅇ Very high performance
ㅇ Famous model in engineering field
ㅇ High performance
ㅇ Easy model interpretation
ㅇ Nonlinear modeling possible
ㅇMIMO 시스템 모델링 어려움
ㅇ표현력이 매우 부족함
ㅇ영상, 음성 인식 분야 사용ㅇ Model considering the result, not the process of system state
ㅇ Difficulty modeling MIMO system
ㅇ Very poor expressiveness
ㅇ Use of video and speech recognition
모델Nonmonopoly
Model
Parametric
ModelNon
Parametric
Model
ㅇ모델의 정교함에 따라 예측 성능 산포 심함ㅇ DB establishment for highly sophisticated learning data
O Predictive performance is highly dependent on the sophistication of the model
ㅇ일반 NN 대비 모델 성능 우수
ㅇ이미지 처리에 우수한 성능
ㅇ모델 구조 설계가 어려울 경우 유익한 모델
ㅇMIMO 시스템 모델링에 우수ㅇ Excellent expressiveness
ㅇ Excellent performance compared to general NN model
ㅇ Excellent performance for image processing
ㅇ A useful model when model structure design is difficult
ㅇ Excellent for modeling MIMO system
ㅇLocal Optimization 발생많음
ㅇ정교한 모델을 만든다는 보장이 없음ㅇ Model interpretation is impossible
O Local Optimization
ㅇ There is no guarantee of making a sophisticated model.
따라서, 모델링부(140)는 전술한 각 모델들의 장점과 단점 및 성능 제약 사항을 감안하여 다음 표 2와 같은 검토 결과를 통해 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 모델링을 수행할 수 있다.Therefore, the
HTMNN based
HTM
ㅇ설정변수 50개로 최적화 어려움
ㅇ정형화된 설계 방법 없음
ㅇ학계에서 인정받지 못함
ㅇ라이센스 문제 있음O Optimized by model
ㅇ It is difficult to optimize with 50 setting variables.
No formalized design method
ㅇ Not recognized in academia
ㅇ License problem
PLS
MLRMDPCA
PLS
MLRM
(VBM)k-NN
(VBM)
DBNNN based
DBN
ㅇLocal Optimization 위험으로 최적화가 어려움
ㅇ정형화 된 설계 방법 없음
ㅇ동적 데이터에 취약O Optimized by model
ㅇ Local Optimization Difficult to Optimize
No formalized design method
O vulnerable to dynamic data
SVDD
SVRSVM based
SVDD
SVR
ㅇKernel 및 변수 설정에 따른 성능 변화 심함ㅇ Data sampling effect is significant
ㅇ Severe performance change due to kernel and variable setting
즉, 모델링부(140)는, 특정 고장에 대한 정밀 검출이 필요한 경우에 K-NN 모델을 선택하고, 시간 설정에 따른 성능 변화가 심하여 모델 별 최적화가 필요한 경우에 DPCA 모델과 PLS 모델, MLRM 모델을 선택할 수 있다.That is, the
예를 들면, 모델링부(140)는 도 5에 도시된 바와 같이 모수성 모델로서 ARX 모델과 LS(Least Square) Method를 이용하는 MLRM 모델과, 비모수성 모델로서 RBF 커널 등을 이용하는 k-NN 모델을 조합할 수 있다. 도 5는 본 발명의 실시예에 따른 모수성 모델과 비모수성 모델을 조합하여 앙상블 학습을 수행하는 예를 나타낸 도면이다. 따라서, 데이터 학습부(130)는 (k)라는 데이터를 입력받으면, 도 5에 도시된 바와 같이 학습모델 선택부(120)에 의해 선택된 MLRM 모델을 통해 x(1)이라는 추정값(Estimated Value_mlrm(k)/Residual_mlrm(k))을 획득하고, k-NN 모델을 통해 x(2)라는 추정값(Estimated Value_kNN(k)/Residual_kNN(k))을 획득하여, 이러한 추정값들 중에서 가장 최적의 하나를 선택하는 배깅(Bagging) 방법으로 앙상블 학습(Ensemble Learning)을 수행하고, 앙상블 학습을 수행한 결과, 다음 수학식1과 같은 추정값(Estimated Value) 및 최적 추정값(Optimal_Estimated Value) (k)을 얻을 수 있다.For example, as shown in FIG. 5, the
이에, 모델링부(140)는 정상상태 데이터에 대해 학습 모델을 통해 앙상블 학습(Ensemble Learning)을 수행하여 도 6에 도시된 바와 같이 가장 정확도가 높은 예측 데이터(Optimal_Estimated Value)를 출력할 수 있다. 따라서, 모델링부(140)는 앙상블 학습에 따라 산출된 최적의 예측 데이터(Optimal_Estimated Value)를 경보 로직(Alarm Logic)에 전달하여 플랜트 이상 감지의 경보에 이용할 수 있도록 한다. 도 6은 본 발명의 실시예에 따른 모수성 모델 및 비모수성 모델의 조합에 따라 정확도가 높은 예측 값을 산출한 결과를 나타낸 도면이다. 도 6에서, 데이터 학습부(130)는 MLRM, PLS, DPCA, k-NN 모델을 이용하여 앙상블 학습을 수행한 결과 98.6%, 95.1%의 정확도를 갖는 Proposed Method* 값을 출력한다. 또한, 모델링부(140)는 도 6에 도시된 바와 같이 MLRM, PLS, DPCA, k-NN 모델을 이용할 뿐만 아니라 여기에 자동 학습 알고리즘(Auto-Learning Algorithm)을 이용하여 앙상블 학습을 수행한 결과 98.6%, 97.9%의 정확도를 갖는 Proposed Method** 값을 출력한다.Accordingly, the
또한, 모델링부(140)는 모델링 한 정상 상태 데이터를 도 3에 도시된 바와 같이 모델 데이터로 플랜트 데이터베이스에 저장하여 경보부(130)가 가져다가 참고하도록 할 수 있다.Also, the
그리고, 모델링부(140)는 상태 학습부(120)에서 정상상태 데이터를 학습 데이터 세트로 생성하고, 실시간 플랜트 데이터에서 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태의 플랜트 데이터를 학습 데이터 세트에 조합시켜 특징(feature)을 추출해 새로운 학습 데이터를 생성하며, 새로운 학습 데이터에 따른 새로운 패턴을 적용하여 업데이트 한 학습 데이터를 하루에 한 번 전달받아, 새로 업데이트 된 학습 데이터를 기존 플랜트 모델에 적용하여 플랜트 모델을 업데이트하게 된다.The
먼저, 상태 학습부(120)는 현재 측정된 센서 데이터를 기존의 학습 데이터 세트에 조합시켜 특징(feature)을 추출한다. 이때, 상태 학습부(120)는 데이터의 특징에 대해 규모(Magnitude)와 각도(Angle) 두 가지로 설정하고, N1 Norm, N2 Norm, N-Infinity Norm 등과 같은 기술을 기반으로 각 데이터 셋의 규모(Magnitude)와 각도(Angle)를 구한다. 예를 들면, 1차원 방법(1 Dimension Method)에서는 규모(Magnitude), 2차원 방법(2 Dimension Method)에서는 규모(Magnitude)와 각도(Angle) 1개, 3차원 방법(3 Dimension Method)에서는 규모(Magnitude)와 각도(Angle) 2개, , N 차원 방법(N Dimension Method)에서는 규모(Magnitude)와 각도(Angle) N-1 개를 데이터의 특징으로 설정하고 계산을 수행하게 되는 것이다.First, the
예를 들면, 플랜트 데이터의 개수가 2,000 개이고, 경보부(130)에서 경보(Alarm)가 출력됨에 따라 경보부(130)로부터 알람 정보가 입력될 때, 현재 측정되어 입력된 센서 데이터가 288 개인 경우, 상태 학습부(120)는 기존의 플랜트 데이터(Xm_Pool) 2,000 개에 현재 측정된 센서 데이터(indexAddData) 288 개를 더한 총 데이터(Xm_PoolOn) 2,288 개에 대해 도 7에 도시된 바와 같이 데이터 처리(Data Processing)를 수행한다. 여기서, 추가 데이터(indexAddData)는 최대 288 개이고, 자동 학습을 하면 하루 288 이하의 값이 상태 학습부(120)에 입력된다. 도 7은 본 발명의 실시예에 따른 플랜트를 측정한 센서 데이터로부터 알람을 출력하는 과정과, 플랜트 이상 감지를 위해 자동 학습하는 과정을 나타낸 도면이다.For example, when the number of plant data is 2,000 and alarm information is input from the
상태 학습부(120)는 도 8에 도시된 바와 같이, i=1 일때 number XmPoolOn에서 indexAddData 값에 따라 numberXmPoolOn 0~288 값이 입력된 후 L2norm을 구하여 분류(Sort)를 수행한다. 도 8은 본 발명의 실시예에 따라 현재 측정된 센서 데이터에 대해 데이터 처리를 수행하는 예를 나타낸 도면이다.As shown in FIG. 8, the
여기서, 상태 학습부(120)는 데이터 간격(interval)에 대해 다음 수학식 2에 따라 전체 데이터 개수(2,288)를 플랜트 데이터 개수(2,000)로 나누어 1.144를 획득한다.Here, the
따라서, 상태 학습부(120)는 규모(magnitude)가 2,288 개의 전체 데이터를 1.144 간격으로 분류(sort)하면, 1.14, 2.28, , 6.864, 8.008로 되지만 소수점 이하를 버려서 1, 2, , 6, 8이라는 값을 얻게 된다. 이때, 7번째는 빠지게 된다.Accordingly, the
이러한 과정으로 상태 학습부(120)는 도 9에 도시된 바와 같이 현재 측정된 센서 데이터(Xm_PoolOn)(288 개)와 기존의 학습 데이터(Xm_Pool)(2,000 개)를 조합하고, 비정상 데이터를 삭제하여 새로운 학습 데이터(Xm) 2,000 개를 생성하게 되는 것이다. 도 9는 본 발명의 실시예에 따라 현재 측정된 센서 데이터와 기존의 학습 데이터를 조합하여 새로운 학습 데이터를 생성하는 예를 나타낸 도면이다. 따라서, 상태 학습부(120)는 이런 과정으로 생성된 새로운 학습 데이터를 모델링부(140)에 전달한다.In this process, the
이어, 모델링부(140)는 새로운 학습 데이터 2,000 개를 정해진 주기, 예컨대, 하루에 한 번(1회) 자동 학습(Auto-Learning)을 수행한 후 기존의 플랜트 모델에 적용하여 기존의 플랜트 모델을 새로 업데이트하게 되는 것이다.Then, the
여기서, 본 발명에 따른 플랜트 이상 감지 시스템(100)은 도 1에 도시된 구성 요소 이외에, 도 3에 도시된 바와 같이 각 센서들로부터 센싱하여 수집한 플랜트 데이터를 원본 데이터로 저장하거나, 플랜트 데이터에 대해 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태 데이터를 참조 데이터(Reference Data)로 저장하거나, 학습된 정상상태 데이터를 모델링하여 모델 데이터(Model Data)로 저장하기 위한 플랜트 데이터베이스를 더 포함할 수 있다.Here, the plant
또한, 본 발명에 따른 플랜트 이상 감지 시스템(100)은 도 3에 도시된 바와 같이, 학습된 정상상태 데이터를 모델링하여 생성한 플랜트 모델을 예측 모델(Prediction Model)로 저장하는 예측 데이터베이스(Prediction DB)를 더 포함할 수 있다.3, the plant
이어, 고장 진단부(150)에서 진단 데이터베이스(170)에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고 근본 원인을 추적한다(S250).Next, the
여기서, 진단 로직은 실시간 플랜트 데이터와 정상상태 데이터가 허용치를 초과하는 정도로 차이가 나서 조기 알람이 발생하게 되면, 플랜트 고장에 대한 근본적인 원인을 진단 데이터에 근거해 분석하여 찾게 되는 알고리즘이다. Here, the diagnosis logic is an algorithm that is searched based on the diagnostic data based on the root cause of the plant failure if an early alarm occurs due to a difference between the real-time plant data and the steady-state data exceeding the allowable value.
따라서, 고장 진단부(150)는 진단 데이터에 근거해 플랜트의 고장에 대한 근본적인 원인을 분석하여 추적할 수 있게 되는 것이다.Therefore, the
이어, 출력부(160)는 플랜트의 고장 진단 결과를 시각화 하여 출력한다(S260).Next, the
즉, 출력부(160)는 완성된 데이터들을 시각화 솔루션을 통해 웹이나 모바일을 통해 확인할 수 있도록 각 단말기에 전송하여 출력하도록 할 수 있다.That is, the
또한, 본 발명은 도 3에 도시된 바와 같이 전처리, 모델링, 잔차 생성, 진단 기능 간 시스템 분리로 기능 간 영향도 최소화를 통한 시스템 개발과 유지 보수 용이성 및 재사용 자산을 확보할 수 있다.Also, as shown in FIG. 3, the present invention can secure system development, maintenance easiness, and reusable assets by minimizing the influence between functions by separating system between pre-processing, modeling, residual generation and diagnosis functions.
그리고, 본 발명은 시스템 간 응집도는 높이되 결합도를 최대한 낮춤으로써, 시스템 간의 의존성을 최소화로 줄이고, 이로 인해 개발 및 유지 보수에 용이한 시스템 구축을 가능하게 하는 시스템 모델을 제공하고, 각 시스템은 타 시스템에서 쉽게 재활용이 가능하다.The present invention provides a system model that reduces the dependency between systems by minimizing the degree of cohesion between systems and minimizing the degree of coupling, thereby making it possible to construct a system that is easy to develop and maintain. It is easily recyclable from other systems.
전술한 바와 같이 본 발명에 의하면, 실시간으로 플랜트 데이터를 확보하고, 확보된 데이터를 이용하여 정상 상태를 자동 학습하며, 실시간 플랜트 데이터와 자동 학습 수행으로 확보한 정상 상태를 비교하여 고장을 조기 경보하며, 예측된 고장과 구축된 진단 데이터베이스 및 진단 로직을 이용하여 고장을 진단하고 근본 원인을 추적하여 시각화 할 수 있도록 하는 플랜트 시스템 및 그 이상 감지 방법을 실현할 수 있다.As described above, according to the present invention, the plant data is acquired in real time, the steady state is automatically learned using the secured data, the steady state obtained by the real-time plant data and the automatic learning is compared with each other, , A plant system for diagnosing faults using a predicted fault, a built-in diagnosis database and diagnostic logic, and tracking and visualizing the root cause can be realized.
본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.It will be understood by those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the present invention as defined by the following claims and their equivalents. Only. It is intended that the present invention covers the modifications and variations of this invention provided they come within the scope of the appended claims and their equivalents. .
100 : 플랜트 이상 감지 시스템 110 : 데이터 수집부
120 : 상태 학습부 130 : 경보부
140 : 모델링부 150 : 고장 진단부
160 : 출력부 170 : 진단 DB100: Plant anomaly detection system 110: Data collection unit
120: state learning unit 130: alarm unit
140: Modeling unit 150: Fault diagnosis unit
160: output unit 170: diagnosis DB
Claims (11)
상기 플랜트에 대해 정해진 주기로 플랜트 데이터를 수집하는 데이터 수집부;
상기 수집된 플랜트 데이터를 이용하여 정상 상태를 학습하는 상태 학습부;
상기 플랜트 데이터와 상기 학습된 정상상태 데이터를 비교하여 고장을 조기에 경보(Alarm)하는 경보부;
상기 학습된 정상상태 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 모델링부;
상기 진단 데이터베이스에 근거해 상기 플랜트의 고장을 진단하고 근본 원인을 추적하는 고장 진단부; 및
상기 고장 진단부의 진단 결과를 시각화 하여 출력하는 출력부;
를 포함하고,
상기 상태 학습부는 상기 학습된 정상상태 데이터를 학습 데이터 세트로 생성하고, 실시간 플랜트 데이터에서 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태의 플랜트 데이터를 상기 학습 데이터 세트에 조합시켜 특징을 추출해 새로운 학습 데이터를 생성하며, 새로운 학습 데이터에 따른 새로운 패턴을 생성하여 학습 데이터를 업데이트 하며,
상기 모델링부는 새로 업데이트 된 학습 데이터를 상기 상태 학습부로부터 전달받아 상기 플랜트 모델에 적용하여 상기 플랜트 모델을 업데이트하는,
플랜트 이상 감지 시스템.
A diagnostic database that stores failed events in the plant as diagnostic data;
A data collection unit for collecting plant data at a predetermined cycle with respect to the plant;
A state learning unit for learning a steady state using the collected plant data;
An alarm unit for comparing the plant data with the learned steady state data to alarm the failure early;
A modeling unit for modeling the learned steady state data to generate a plant model;
A failure diagnostic unit for diagnosing a failure of the plant based on the diagnostic database and for tracking a root cause; And
An output unit for visualizing and outputting a diagnosis result of the failure diagnosis unit;
Lt; / RTI >
The state learning unit generates the learned steady state data as a learning data set and extracts features by combining the steady state plant data in which the abnormal data is deleted through the preprocessing process in the real time plant data with the learning data set, Generates a new pattern according to the new learning data, updates the learning data,
Wherein the modeling unit receives the updated learning data from the state learning unit and applies the updated learning data to the plant model to update the plant model,
Plant anomaly detection system.
상기 상태 학습부는, 수집된 실시간 플랜트 데이터에 대해 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하고, 전처리 된 플랜트 데이터에 근거해 정상 상태를 학습하는, 플랜트 이상 감지 시스템.
The method according to claim 1,
Wherein the state learning unit deletes the abnormal data through a pre-processing process on the collected real-time plant data, and learns the normal state based on the preprocessed plant data.
상기 경보부는, 상기 실시간 플랜트 데이터를 실측치로 하고, 상기 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하는, 플랜트 이상 감지 시스템.
The method according to claim 1,
Wherein the warning unit generates the residual data by using the learned real time plant data as the actual value and using the learned steady state data as the predicted value, subtracting the predicted value from the actual value, and when the generated residual value exceeds the allowable value, Alarm Logic) to output an early warning.
상기 모델링부는, 상기 학습된 정상상태 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링(Modeling)하여 플랜트 모델을 생성하는, 플랜트 이상 감지 시스템.
The method according to claim 1,
Wherein the modeling unit generates a plant model by modeling the learned steady state data into a parametric model or a non-parametric model.
상기 고장 난 사례들에 대한 진단 데이터는, 알람 로직(Alarm Logic)에 따라 경보(Alarm)가 발생된 비정상 상태의 플랜트 데이터들과, 비정상 상태의 플랜트 데이터들이 제거된 정상 상태의 플랜트 데이터를 별도로 분리해 저장한 데이터들인 플랜트 이상 감지 시스템.
The method according to claim 1,
The diagnostic data for the failed examples are obtained by separately separating the plant data in an abnormal state in which an alarm is generated according to an alarm logic and the plant data in a normal state in which the plant data in an abnormal state is removed, The plant data anomaly detection system.
(b) 상태 학습부에서 상기 수집된 플랜트 데이터를 이용하여 정상 상태를 학습하는 단계;
(c) 경보부에서 상기 플랜트 데이터와 상기 학습된 정상상태 데이터를 비교하여 고장을 조기에 경보(Alarm)하는 단계;
(d) 모델링부에서 상기 학습된 정상상태 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 단계;
(e) 고장 진단부에서 진단 데이터베이스에 근거해 상기 플랜트의 고장을 진단하고 근본 원인을 추적하는 단계; 및
(f) 출력부에서 상기 플랜트의 고장 진단 결과를 시각화 하여 출력하는 단계;를 포함하고,
상기 (b) 단계에서 상기 상태 학습부는, 상기 학습된 정상상태 데이터를 학습 데이터 세트로 생성하고, 실시간 플랜트 데이터에서 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태의 플랜트 데이터를 상기 학습 데이터 세트에 조합시켜 특징을 추출해 새로운 학습 데이터를 생성하며, 새로운 학습 데이터에 따른 새로운 패턴을 생성하여 학습 데이터를 업데이트 하며,
상기 (d) 단계에서 상기 모델링부는, 새로 업데이트 된 학습 데이터를 상기 상태 학습부로부터 전달받아 상기 플랜트 모델에 적용하여 상기 플랜트 모델을 업데이트하는,
플랜트 이상 감지 방법.
(a) collecting plant data at a predetermined cycle with respect to the plant in the data collection unit;
(b) learning a steady state by using the collected plant data in a state learning unit;
(c) comparing the plant data and the learned steady state data at an alarm unit to alarm the fault early;
(d) modeling the learned steady state data in a modeling unit to generate a plant model;
(e) diagnosing a failure of the plant based on a diagnostic database in the failure diagnosis unit and tracking the root cause; And
(f) visualizing and outputting the diagnosis result of the plant at the output unit,
In the step (b), the state learning unit may generate the learned steady state data as a learning data set, and combine the steady-state plant data in which the abnormal data is deleted through the preprocessing in the real- Extract new features to generate new learning data, generate new patterns according to new learning data, update learning data,
In the step (d), the modeling unit receives the updated updated learning data from the state learning unit and applies the updated learning data to the plant model to update the plant model.
Plant anomaly detection method.
상기 (b) 단계에서 상기 상태 학습부는, 수집된 실시간 플랜트 데이터에 대해 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하고, 전처리 된 플랜트 데이터에 근거해 정상 상태를 학습하는, 플랜트 이상 감지 방법.
8. The method of claim 7,
In the step (b), the state learning unit deletes abnormal data through a pre-processing process on the collected real time plant data, and learns a normal state based on the preprocessed plant data. .
상기 (c) 단계에서 상기 경보부는, 상기 실시간 플랜트 데이터를 실측치로 하고, 상기 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하는, 플랜트 이상 감지 방법.
8. The method of claim 7,
In the step (c), the warning unit generates, as a residual, a value obtained by subtracting a predicted value from a measured value, using the learned steady-state data as a measured value, and the generated residual value exceeds an allowable value And outputting an early alarm by an alarm logic in the event of a fault.
상기 (d) 단계에서 상기 모델링부는, 상기 학습된 정상상태 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링(Modeling)하여 플랜트 모델을 생성하는, 플랜트 이상 감지 방법.
8. The method of claim 7,
In the step (d), the modeling unit generates a plant model by modeling the learned steady state data into a parametric model or a non-parametric model.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020160055409A KR101825809B1 (en) | 2016-05-04 | 2016-05-04 | Plant system, and fault detecting method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020160055409A KR101825809B1 (en) | 2016-05-04 | 2016-05-04 | Plant system, and fault detecting method thereof |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20170125237A KR20170125237A (en) | 2017-11-14 |
KR101825809B1 true KR101825809B1 (en) | 2018-03-22 |
Family
ID=60387466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020160055409A KR101825809B1 (en) | 2016-05-04 | 2016-05-04 | Plant system, and fault detecting method thereof |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101825809B1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220074277A (en) * | 2020-11-27 | 2022-06-03 | 한국과학기술연구원 | Monitoring system and method for sensing failure of power generation facilities early |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102145984B1 (en) * | 2018-01-10 | 2020-08-19 | 주식회사 서연이화 | Appratus and method for analyzing failure of automated system |
JP7062505B2 (en) * | 2018-04-24 | 2022-05-06 | 株式会社日立製作所 | Equipment management support system |
KR102245922B1 (en) * | 2018-11-30 | 2021-04-30 | 두산중공업 주식회사 | System and method for predicting anomalies in cfd interpretation |
KR102051037B1 (en) * | 2018-12-10 | 2019-12-02 | (주) 씨이에스 | Apparatus for educating plant process and safety integrated design and method thereof |
KR102265459B1 (en) * | 2019-03-18 | 2021-06-15 | 스퀘어네트 주식회사 | Predictive maintenance system for defects in plant facilities |
KR102342476B1 (en) | 2019-10-25 | 2021-12-24 | 한국과학기술연구원 | System and method for determining situation of facility by imaging seinsing data of facility |
KR102340395B1 (en) * | 2020-01-02 | 2021-12-15 | 두산중공업 주식회사 | Apparatus for diagnosing plant failure and method therefor |
KR102470112B1 (en) * | 2020-02-27 | 2022-11-23 | 한국수력원자력 주식회사 | Intelligent condition monitoring method and system for nuclear power plants |
KR102383774B1 (en) * | 2020-05-07 | 2022-04-05 | 두산중공업 주식회사 | Method for predicting plant failure and system therefor |
CN111931561A (en) * | 2020-06-24 | 2020-11-13 | 深圳市法本信息技术股份有限公司 | Management method, system and agent equipment of heterogeneous RPA robot |
KR102185017B1 (en) * | 2020-07-14 | 2020-12-01 | (주)부품디비 | Integrated information management and predictive maintenance system for gas supply facilities |
KR102383411B1 (en) * | 2020-08-21 | 2022-04-05 | 연세대학교 산학협력단 | Apparatus for adaptive predictive maintenance of industrial robot using dynamic classification signal learning and method thereof |
KR102411915B1 (en) | 2021-01-27 | 2022-06-22 | 달리웍스 주식회사 | System and method for froviding real time monitering and ai diagnosing abnormality sign for facilities and equipments |
KR102439323B1 (en) * | 2021-08-27 | 2022-09-02 | 에스에이치플랜트(주) | System for plant condition management |
CN113805564A (en) * | 2021-08-31 | 2021-12-17 | 国能榆林能源有限责任公司 | Equipment fault early warning and diagnosis system based on CEP |
KR102521000B1 (en) * | 2021-11-22 | 2023-04-13 | 한국건설기술연구원 | System and method for managing plant facilities |
KR102492514B1 (en) | 2022-10-21 | 2023-01-30 | 가온플랫폼 주식회사 | Alarm method using sequential probability ratio |
KR102547605B1 (en) | 2022-10-21 | 2023-06-26 | 가온플랫폼 주식회사 | Method for calculating dynamic threshold value |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006135412A (en) * | 2004-11-02 | 2006-05-25 | Tokyo Gas Co Ltd | Remote supervisory system |
JP2006258535A (en) * | 2005-03-16 | 2006-09-28 | Omron Corp | Inspection device and inspection method |
JP2011227706A (en) * | 2010-04-20 | 2011-11-10 | Hitachi Ltd | Abnormality detection and diagnosis method, abnormality detection and diagnosis system, and abnormality detection and diagnosis program |
-
2016
- 2016-05-04 KR KR1020160055409A patent/KR101825809B1/en active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006135412A (en) * | 2004-11-02 | 2006-05-25 | Tokyo Gas Co Ltd | Remote supervisory system |
JP2006258535A (en) * | 2005-03-16 | 2006-09-28 | Omron Corp | Inspection device and inspection method |
JP2011227706A (en) * | 2010-04-20 | 2011-11-10 | Hitachi Ltd | Abnormality detection and diagnosis method, abnormality detection and diagnosis system, and abnormality detection and diagnosis program |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220074277A (en) * | 2020-11-27 | 2022-06-03 | 한국과학기술연구원 | Monitoring system and method for sensing failure of power generation facilities early |
KR102455723B1 (en) * | 2020-11-27 | 2022-10-19 | 한국과학기술연구원 | Monitoring system and method for sensing failure of power generation facilities early |
Also Published As
Publication number | Publication date |
---|---|
KR20170125237A (en) | 2017-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101825809B1 (en) | Plant system, and fault detecting method thereof | |
KR101842347B1 (en) | Plant system, and fault detecting method thereof | |
KR101827108B1 (en) | Plant fault detection learning method and system | |
EP3776113B1 (en) | Apparatus and method for controlling system | |
US7496798B2 (en) | Data-centric monitoring method | |
JP5538597B2 (en) | Anomaly detection method and anomaly detection system | |
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
JP5284503B2 (en) | Diagnostic system and method for predictive condition monitoring | |
EP3497527B1 (en) | Generation of failure models for embedded analytics and diagnostics | |
AU2012284460B2 (en) | System of sequential kernel regression modeling for forecasting and prognostics | |
KR101065767B1 (en) | Online early fault detection and diagnostic method for plant operation | |
US20120316835A1 (en) | Anomaly detection method and anomaly detection system | |
WO2010095314A1 (en) | Abnormality detecting method and abnormality detecting system | |
US20130024166A1 (en) | Monitoring System Using Kernel Regression Modeling with Pattern Sequences | |
CN108027611B (en) | Decision assistance system and method for machine maintenance using expert opinion supervised decision mode learning | |
CA2841999A1 (en) | Monitoring method using kernel regression modeling with pattern sequences | |
AU2012284459A1 (en) | Method of sequential kernel regression modeling for forecasting and prognostics | |
KR20190025474A (en) | Apparatus and Method for Predicting Plant Data | |
JP2009053938A (en) | Equipment diagnosing system and equipment-diagnosing method on the basis of multiple model | |
JPH06236207A (en) | Method and apparatus for diagnosis of trouble | |
Fu et al. | Bayesian network for integrated circuit testing probe card fault diagnosis and troubleshooting to empower Industry 3.5 smart production and an empirical study | |
JPWO2018051568A1 (en) | Plant abnormality diagnosis device and plant abnormality diagnosis system | |
JP2016080585A (en) | Plant state analysis device | |
WO2022043030A1 (en) | System and method for determining a cause of an operating anomaly of a machine, computer program and electronically readable data storage device | |
Garvey et al. | An integrated fuzzy inference-based monitoring, diagnostic, and prognostic system for intelligent control and maintenance |
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 |