KR101902472B1 - 빅데이터 기반 인공지능형 밸브 자동제어 방법 및 이를 실행하는 기록매체에 저장된 프로그램 - Google Patents

Abstract

본 발명은 정상 운전 조건 하에서 데이터베이스에 축적된 센서 신호 데이터를 바탕으로 하여 머신러닝 기법을 적용함으로써 임의의 센서로부터의 신호가 상실되어도 정상적인 다른 센서신호를 바탕으로 상실 신호의 추정값과 자동 운전점을 생성하여 공정 및 시스템 운전의 지속성을 보장할 수 있는 빅데이터 기반 인공지능형 밸브 자동제어 방법 및 이를 실행하는 기록매체에 저장된 프로그램을 제공한다.

Description

빅데이터 기반 인공지능형 밸브 자동제어 방법 및 이를 실행하는 기록매체에 저장된 프로그램{Big data-based artificial intelligent valve automatic control method and program stored in a recording medium for executing it}

본 발명은 빅데이터를 기반으로 한 밸브 자동제어에 관한 것으로, 보다 상세하게는 가동 중인 밸브 시스템 내부에 설치된 센서들로부터 측정된 데이터를 축적, 분석하여 환경 및 인위적 요건 등에 의하여 운전을 위한 임의의 센서 신호가 상실되었을 때 다른 입력신호들을 바탕으로 상실 신호의 추정값과 자동 운전점을 생성하여 공정 및 시스템 운전의 지속성을 보장할 수 있는 빅데이터 기반 인공지능형 밸브 자동제어 방법 및 이를 실행하는 기록매체에 저장된 프로그램에 관한 것이다.

발전소, 플랜트 등과 같이 공정을 갖는 대형 시스템의 경우 특정 위치에 설치된 센서로부터 받아들여지는 신호를 바탕으로 공정 및 시스템 제어가 이루어진다.

그러나 임의의 신호가 상실될 경우 해당 센서로부터 신호를 전달받아 제어를 수행하는 구성요소들은 제어가 불가능함에 따라 부분 또는 전체 공정을 중단하여야 하며 이에 따라 공정효율이 감소, 결과적으로 사용자로 하여금 불가피한 경제적 손실의 발생을 야기한다.

또한 발전소나 상수 공급 시스템과 같이 공리를 위한 설비의 경우 상기에 명시된 문제가 발생할 경우 불특정 다수의 생활에 지대한 영향을 미치며, 특히 시스템의 복구 지연이 장기화되는 경우 심각한 사회적·경제적 공황을 야기할 수 있다.

특허문헌 1 : 대한민국 등록특허 10-1677462호 - IoT 기반의 환경 적응형 액추에이터 컨트롤 시스템

따라서, 본 발명은 상기와 같은 종래 기술의 제반 단점과 문제점을 해결하기 위한 것으로, 정상 운전 조건 하에서 데이터베이스에 축적된 센서 신호 데이터를 바탕으로 하여 머신러닝 기법을 적용함으로써 임의의 센서로부터의 신호가 상실되어도 정상적인 다른 센서신호를 바탕으로 상실 신호의 추정값과 자동 운전점을 생성하여 공정 및 시스템 운전의 지속성을 보장할 수 있는 빅데이터 기반 인공지능형 밸브 자동제어 방법 및 이를 실행하는 기록매체에 저장된 프로그램을 제공함에 그 목적이 있다.

상기와 같은 목적을 달성하기 위하여 본 발명 빅데이터 기반 인공지능형 밸브 자동제어 방법은, 플랜트 또는 설비 내에 설치된 각종 센서인 각종 게이지와, 신호 및 데이터 수(number)와 압력(P), 온도(T), 유량(W) 및 밸브 개도(L) 파라미터를 정의하는 단계(S100); 플랜트 또는 설비 내에 설치된 상기 게이지들로부터 각종 신호를 센싱하는 단계(S110 내지 S130); 상기 게이지들로부터 센싱된 신호와 사전에 설치된 게이지의 숫자가 동일하면 각각의 센서로부터 획득된 센싱 데이터를 지속적으로 실시간으로 Raw-data용 데이터베이스(DB 1)로 축적하고, 상기 축적된 Raw-data를 이용하여 회귀방정식을 생성(Fn Gen)하고(S160), 상기 생성된 회귀 방정식을 회귀방정식 데이터베이스(DB 2)에 저장하는 단계(S170)(S180); 상기 게이지들로부터 센싱된 신호와 사전에 설치된 게이지의 숫자가 동일하지 않다면 상기 압력(P), 온도(T), 유량(W) 및 밸브 개도(L)를 각각 판단(S190)(S220)(S250)(S280)하여, 상기 압력(P), 온도(T), 유량(W)의 경우에 대하여는 이상부분을 판단하기 위한 행정연산(lift calc')을 수행하여(S200)(S230)(S260), 상기 행정연산(S200)(S230)(S260)결과에 따라 실제 밸브 액추에이터를 구동하기 위한 Positioner Ctrl'을 통해 밸브 액추에이터로 개도를 조절하는 단계(S210)(S240)(S270); 및 신호 X가 상실되었을 경우 다른 신호(Y, Z)를 활용하여 X값을 추측할 수 있는 회귀방정식을 호출하는 단계(S300)와, 호출된, 신호 X에 대해 상기 회귀방정식 데이터베이스(DB 2)에 저장된(S180)회귀방정식을 이용해 호출된 신호 X에 대한 함수를 생성하고(S310), 정상적인 신호 Y, Z와 신호 X에 대한 회귀방정식으로 신호 X의 추측값 X'을 계산하는 단계(S320)와, 밸브 프로파일을 호출하는 단계(S330)와, 상기 회귀방정식 데이터베이스(DB 2)에 저장된 회귀방정식(S180)과 호출된 밸브 프로파일을 이용하여 밸브 개도(L) 함수를 생성하는 단계(S340)와, 상기 추측값 X'와 정상적인 신호 Y, Z를 호출된 밸브 프로파일에 대입하여 적절한 밸브 액추에이터 구동치(밸브 개도)를 산출하는 단계(S350);를 포함하여 상실된 신호를 추정하는 것을 특징으로 한다.

또한 상기와 같은 목적을 달성하기 위하여 본 발명 빅데이터 기반 인공지능형 밸브 자동제어 방법을 기록매체에 저장된 프로그램은, 플랜트 또는 설비 내에 설치된 각종 센서인 각종 게이지와, 신호 및 데이터 수(number)와 사용자가 운전점의 개수를 미리 입력하여 1사이클간 운영되면서 누적된 데이터를 운전점의 개수만큼 클러스터링하여 부분집단의 평균값을 대표값으로 생성하여 생성된 대표값의 대표 운전점 Num of Standard = a 를 정의(준비)하는 단계; 플랜트 또는 설비 내에 설치된 상기 게이지들로부터 신호(s)가 게이지(g) 신호인가를 판단하는 단계(S400); 상기 신호(s)는 게이지(g) 신호이고, 상기 대표 운전점 데이터 수(N)가 Num of Standard = a 를 동일할 때까지(S430) Raw-data용 데이터베이스(DB 1)로 축적하는 단계(S410)(S420); 상기 축적된 raw-data와 k-mean 클러스터링 연산을 통해(S460), 자동운전점 선택시 이용되는 자동운전점(O.P)을 저장하는 단계(S470)(S480); 상기 신호(s)는 게이지(g) 신호가 아니면 임의의 신호가 상실되었을 경우이므로, 모든 신호가 정상적인, 가장 최근의 데이터를 바탕으로 자동운전점 계산에서 생성된 자동운전점(S480) 중 1개의 운전점을 호출(S490)하여, 기준운전점을 생성하고, 생성된 기준운전점으로부터 최근접한 이웃임과 동시에 상실된 신호를 제외한 정상적인 신호를 바탕으로 최근접한 이웃인 자동운전점을 선택하는 단계(S500); 및 상기 선택된 자동운전점을 이용해 밸브 리프트를 제어하고(S510), 액츄에이터를 제어하는 단계(S520);를 포함하여 임의의 신호 상실 시 정상적인 신호들을 바탕으로 사전에 생성된 운전점을 선택하여 시스템의 운전 지속성을 확보하는 것을 특징으로 한다.

여기서 데이터베이스에 축적된 Raw-data를 이용하여 상기 k-mean 클러스터링 하는 연산하는 단계(S460)는, signal input Vector = X, Random Point Vector = P, Representative Point Vector = P', num of O.P. = k, Residual = r로 정의(준비)하고, 사전에 입력되는, 생성하고자 하는 대표운전점의 개수로 학습을 위한 시운전 후 시스템 사이클에 따라 결정되는 k가 입력되면(S461), 데이터 벡터 상에 대표운전점 개수만큼 임의의 포인트 P를 생성하는 단계(S462); 상기 생성된 P에 따라 X까지의 거리를 알게되고, 임의의 포인트와 데이터 벡터 간의 거리를 계산하는 단계(S463); 상기 임의의 포인트 기준으로 거리가 가까운 벡터들을 그룹화하는 단계(S464); 상기 생성된 그룹의 벡터 평균을 대표값으로 생성하는 단계(S465); 상기 임의의 포인트와 새로운 대표값 간의 차이에 따라(S466), Residual이 지정값보다 작은 경우 오차가 적은 경우 그룹 별 벡터 평균인 대표값을 운전점으로 간주하고(S467), 운전점을 생성하는 단계(S468)를 포함하여 이루어지는 것을 특징으로 한다.

본 발명의 실시 예에 따르면 다음과 같은 효과가 있다.

첫째, 상실된 신호를 추정하기 위한 본 발명 회귀식 알고리즘은, 축적된 데이터를 바탕으로 변수들 간의 관계를 설명하는 회귀방정식을 생성하여 상실된 신호의 추정을 위해 미리 작성해 둔 회귀방정식을 호출하여 상실되지 않은 신호값을 바탕으로 상실된 신호의 추정을 가능하게 할 수 있다.

둘째, 종래의 경우 1개 신호를 상실할 시, 밸브 개도를 제어하기 위한 액추에이터는 프로파일 대로 운영하기 위한 데이터가 부족하므로 가동을 중단할 수 밖에 없었으나, 본 발명에서는 상실되지 않은 다른 신호를 바탕으로 상실된 신호를 추정한 후 추정된 더미 신호값을 액추에이터 프로파일에 대신 대입해주는 원리를 이용하여 액추에이터 입장에서는 더미 신호이긴 하나 이를 바탕으로 구동은 가능하므로 일시적으로 시스템을 지속 운영할 수 있게 된다.

셋째, 센서가 동시에 2개 이상 상실 될 경우를 대비하여 가능한 모든 경우에 대한 방정식을 생성할 수 있는데, 데이터베이스 기반 인공지능형 스마트 밸브 제어 시스템에서 압력, 온도 센서가 동시에 상실될 경우 유량신호는 정상적이므로 상실될 경우라 할지라도 유량신호가 정상적인 경우에는 본 발명 함수를 생성하여 상실된 신호를 추정할 수 있다.

넷째, 축적된 데이터와 k-mean 알고리즘을 바탕으로 사용자 혹은 설계자가 사전에 지정한 개수만큼의 운전점을 자동적으로 생성한 후 임의의 신호 상실 시 정상적인 신호들을 바탕으로 사전에 생성된 운전점을 선택하여 시스템의 운전 지속성을 확보할 수 있다.

다섯째, 본 알고리즘은 클러스터링을 활용하여 클러스터링 대푯값을 자동운전점으로 간주하여 시스템의 운전지속성을 확보한다는 특징을 가짐으로써 센싱 포인트, 즉 변수의 개수와 시스템의 복잡성과 무관하게 범용성을 확보한다는 장점이 있다.

도 1은 본 발명에 따른 빅데이터 기반 인공지능형 밸브 자동제어 시스템을 설명하기 위한 도면이다.
도 2는 도 1에 나타낸 빅데이터 기반 인공지능형 밸브 자동제어 시스템의 밸브 제어 방법의 동작 흐름도이다.
도 3 내지 도 5는 도 1에 나타낸 빅데이터 기반 인공지능형 밸브 자동제어 시스템에 대한 빅데이터 기반 인공지능형 밸브 자동제어 방법에서 상실된 신호의 추정을 위한 회귀식 알고리즘을 설명하기 위한 동작 흐름도이다.
도 6 내지 도 7은 도 1에 나타낸 빅데이터 기반 인공지능형 밸브 자동제어 시스템에 대한 빅데이터 기반 인공지능형 밸브 자동제어 방법에서 운전점 생성을 위한 알고리즘을 설명하기 위한 동작 흐름도이다.

본 발명의 바람직한 실시 예를 첨부된 도면에 의하여 상세히 설명하면 다음과 같다.

아울러, 본 발명에서 사용되는 용어는 가능한 한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며 이 경우는 해당되는 발명의 설명부분에서 상세히 그 의미를 기재하였으므로, 단순한 용어의 명칭이 아닌 용어가 가지는 의미로서 본 발명을 파악하여야 함을 밝혀두고자 한다. 또한 실시예를 설명함에 있어서 본 발명이 속하는 기술 분야에 익히 알려져 있고, 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.

도 1은 본 발명에 따른 빅데이터 기반 인공지능형 밸브 자동제어 시스템을 설명하기 위한 도면이다.

본 발명의 실시예에 따른 빅데이터 기반 인공지능형 밸브 자동제어 시스템은 도 1에 나타낸 바와 같이 발전소나 상수 공급 시스템과 같은 플랜트나 설비에서 이용되는 펌프에 연결된 밸브 포지셔너(110)와, 밸브 포지셔너(110)를 거친 펌프 유체 흐름을 감지하고 유량 신호를 출력하는 제1유량 센서(120)와, 펌프 유체를 저장하는 저장 탱크(170)와, 저장 탱크(170)에 설치되어 유체에 대한 압력 신호, 온도 신호 및 수위 신호를 출력하는 압력 센서(130)와 온도 센서(140) 및 수위 센서(150)와, 제1유량 센서(120)의 유량 신호, 압력 센서(130)의 압력 신호, 온도 센서(140)의 온도 신호, 수위 센서(150)의 수위 신호를 수집하고 수집된 신호에 기반하여 밸브를 자동 제어하고, 시스템에 의해 밸브가 제어된 밸브 운전 데이터를 저장하며, 사고 발생을 감지하고 사고 발생시 사고 발생을 대비하여 저장된 밸브 운전 데이터를 바탕으로 설정된 신호 정보에 따라 밸브를 제어하여 계속 운전하며, 유량센서로부터 센싱정보를 수집하고, 수집된 센싱정보에 기반하여 시계열로 변화하는 센싱정보로 펌프 유체의 흐름에 따른 유량의 강 레벨 또는 약 레벨을 계산하는 스마트 컨트롤러(160) 및 유량의 강 레벨 또는 약 레벨에 따른 패턴을 분석하고 분석된 패턴에 대한 학습을 진행하며, 분석 및 학습(머신 러닝, 데이터 마이닝)을 통한 빅데이터가 구축되는 스마트 밸브 제어 서버(180)를 포함한다. 또한 임의의 센서로부터의 신호 상실 시(센서 고장, 신호선 이상 등) 상실 신호의 추정값과 자동 운전점의 생성을 위한 연산 서버(190)가 구축된다.

여기서 밸브 포지셔너(110)는 펌프에 연결된다.

제1유량 센서(120)는 밸브 포지셔너(110)를 거친 펌프 유체 흐름을 감지한다.

저장 탱크(170)는 펌프 유체를 저장한다.

그리고 압력 센서(130), 온도 센서(140) 및 수위 센서(150)가 저장 탱크(170)에 설치된다.

스마트 컨트롤러(160)는 제1유량 센서(120)의 유량 신호, 압력 센서(130)의 압력 신호, 온도 센서(140)의 온도 신호, 수위 센서(150)의 수위 신호를 수집하여 밸브를 자동 제어하고, 사고 발생시 기록된 밸브 운전 데이터를 바탕으로 설정된 신호 정보에 따라 밸브를 제어하여 계속 운전한다.

한편 또 다른 유량 센서가 제1유량 센서(120)에 병렬로 연결되어 펌프 유체 흐름을 감지한다.

스마트 컨트롤러(160)는 센서 신호로 밸브 상태를 판단하고 동일하면 밸브 운전 데이터를 데이터베이스(DB)에 저장(기록)하고, 밸브 제어 중 사고 발생시 DB에 기록된 밸브 운전 데이터를 읽어들이고, 밸브 운전 데이터를 바탕으로 설정된 신호 정보에 따라 밸브를 제어하여 계속 운전한다.

스마트 컨트롤러(160)는 시스템에 의해 밸브가 제어된 밸브 운전 데이터를 저장하고, 사고 발생을 감지하여 사고 발생시 사고 발생을 대비하여 저장된 밸브 운전 데이터를 바탕으로 설정된 신호 정보에 따라 밸브를 제어하여 계속 운전한다.

또한 스마트 컨트롤러(160)는 센서로부터 센싱정보를 수집하고, 수집된 센싱정보에 기반하여 시계열로 변화하는 센싱정보로 펌프 유체 흐름에 따른 유량의 강 레벨 또는 약 레벨을 계산한다.

스마트 밸브 제어 서버(180)는 유량의 강 레벨 또는 약 레벨에 따른 패턴을 분석하고 분석된 패턴에 대한 학습을 진행하며, 분석 및 학습을 통한 빅데이터를 구축한다.

스마트 밸브 제어 서버(180)는 수집된 센싱정보로 분석된 패턴에 기반하여 밸브를 실시간 진단하고, 실시간 밸브 진단 및 빅데이터를 통한 밸브 상태를 예측 진단한다.

또한 스마트 밸브 제어 서버(180)는 실시간 진단 정보로 수집된 빅데이터의 패턴 분석을 통해 상황별 의사결정을 처리하고, 상황별 의사결정 처리에 따른 제어 신호를 추출한다.

그에 따라 스마트 밸브 제어 서버(180)는 패턴 분석 결과 유량의 강 레벨 또는 약 레벨의 특정 패턴이 검출되는 경우 상황별 의사결정에 기반하는 제어 신호를 출력할 수 있다.

또한 스마트 밸브 제어 서버(180)는 밸브 고장 외 주변 센서의 고장을 검출하고, 주변 센서의 고장 검출시 축적된 빅데이터를 통한 의사결정 데이터를 출력하고 밸브를 제어한다. 예를 들어 스마트 밸브 제어 서버(180)는 온도 센서가 고장난 경우 의사결정 데이터로 밸브를 약 레벨로 제어할 수 있다.

한편 연산 서버(190)는 임의의 센서로부터의 신호 상실 시(센서 고장, 신호선 이상 등) 상실 신호의 추정값과 자동 운전점의 생성을 위한 것으로, 축적된 데이터를 바탕으로 변수들 간의 관계를 설명하는 회귀방정식을 생성하여 상실된 신호의 추정을 위해 미리 작성해 둔 회귀방정식을 호출하여 상실되지 않은 신호값을 바탕으로 상실된 신호의 추정을 가능하게 한다.

도 2는 도 1에 나타낸 빅데이터 기반 인공지능형 밸브 자동제어 시스템의 밸브 제어 방법의 동작 흐름도이다.

도 1에 나타낸 빅데이터 기반 인공지능형 밸브 자동제어 시스템의 밸브 제어 방법은 도 2에 나타낸 바와 같은데, 스마트 밸브 제어 서버는 센서로부터 센싱정보를 수집하는 단계(S10)와, 수집된 센싱정보에 기반하여 시계열로 변화하는 센싱정보로 펌프 유체 흐름에 따른 유량의 강 레벨 또는 약 레벨을 계산하는 단계(S11)와, 유량의 강 레벨 또는 약 레벨에 따른 패턴을 분석하고 분석된 패턴에 대한 학습을 진행하는 단계(S12) 및 분석 및 학습을 통한 빅데이터를 구축하는 단계(S13)를 포함한다.

이러한 지능형 스마트 밸브 제어 시스템에서 실행되는 절차를 시계열 순으로 설명하면, 밸브 포지셔너(110)는 발전소나 상수 공급 시스템에 이용되는 펌프에 연결된다.

제1유량 센서(120)는 밸브 포지셔너(110)를 거친 펌프 유체 흐름을 감지한다.

저장 탱크(170)는 펌프 유체를 저장한다.

압력 센서(130), 온도 센서(140) 및 수위 센서(150)가 저장 탱크(170)에 설치되고, 스마트 컨트롤러(160)는 제1유량 센서(120)의 유량 신호, 압력 센서(130)의 압력 신호, 온도 센서(140)의 온도 신호 및 수위 센서(150)의 수위 신호를 수집하여 밸브를 자동 제어하고, 사고 발생시 기록된 밸브 운전 데이터를 바탕으로 설정된 신호 정보에 따라 밸브를 제어하여 계속 운전한다.

한편 다른 유량 센서가 제1유량 센서(120)에 병렬로 연결되어 펌프 유체 흐름을 감지한다.

유량 센서, 압력 센서(130), 온도 센서(140) 및 수위 센서(150)는 센서 신호를 스마트 컨트롤러(160)로 출력함에 따라 지능형 스마트 밸브 제어 시스템은 센서 신호로 밸브 상태를 판단하고 동일하면 밸브 운전 데이터를 DB에 저장하고, 밸브 제어 중 사고 발생시, 사고 발생시 DB에 저장(기록)된 밸브 운전 데이터를 읽어들이고, 읽어들인 밸브 운전 데이터를 바탕으로 설정된 신호 정보에 따라 밸브를 제어하여 계속 운전한다.

제1유량 센서(120)가 밸브 포지셔너(110)를 거친 펌프 유체 흐름을 감지하고 유량 신호를 출력한다.

지능형 스마트 밸브 제어 시스템은 시스템에 의해 밸브가 제어된 밸브 운전 데이터를 저장하고, 사고 발생을 감지하며 사고 발생시 사고 발생을 대비하여 저장된 밸브 운전 데이터를 바탕으로 설정된 신호 정보에 따라 밸브를 제어하여 계속 운전한다.

지능형 스마트 밸브 제어 시스템은 수집된 센싱정보에 기반하여 시계열로 변화하는 센싱정보로 유량의 강 레벨 또는 약 레벨을 계산하고, 유량의 강 레벨 또는 약 레벨에 따른 패턴을 분석하며, 분석된 패턴에 대한 학습을 진행하고, 분석 및 학습을 통한 빅데이터를 구축한다.

이러한 빅데이터를 구축하면서 지속적으로 발생되거나 발생될 수 있는 이벤트(S14)에 대하여 예를 들어 설명하면, 밸브진단, 상황정보 발생, 센서 고장 등이 있을 수 있다.

이러한 이벤트(S14) 중 스마트 밸브 제어 서버는 수집된 센싱정보로 분석된 패턴에 기반하여 밸브를 실시간 진단한다(S15).

그리고 실시간 진단 정보 역시 빅데이터로 저장한다(S16).

또한 실시간 밸브 진단 및 빅데이터를 통한 밸브 상태를 예측 진단한다(S17).

한편 스마트 밸브 제어 서버는 이벤트(S14)로써 상황정보가 발생하면 실시간 진단 정보로 수집된 빅데이터의 패턴 분석을 통해 상황별 의사결정을 처리한다(S18).

그리고 상황별 의사결정에 따른 제어 신호를 추출한다(S19).

이러한 경우에도 지능형 스마트 밸브 제어 시스템은 실시간 진단 정보로 수집된 빅데이터의 패턴 분석에 의해 상황별 의사결정을 처리한다. 그리고 지능형 스마트 밸브 제어 시스템은 상황별 의사결정에 기반하는 제어 신호를 출력한다.

한편 스마트 밸브 제어 서버는 이벤트로써(S14) 센서고장이 발생하면 밸브 고장 외 주변 센서의 고장을 검출한다(S20). 그리고 주변 센서의 고장 검출시 축적된 빅데이터를 통한 의사결정 데이터를 출력하고 밸브를 제어한다(S21). 이와 같이 주변 센서의 고장 검출시 축적된 빅데이터를 통한 의사결정 데이터를 출력하고 밸브를 제어하는 한편 밸브 고장 외 주변 센서의 고장도 검출하고, 주변 센서의 고장 검출시 축적된 빅데이터를 통한 의사결정 데이터를 출력하고 밸브를 제어한다.

도 3 내지 도 5는 도 1에 나타낸 빅데이터 기반 인공지능형 밸브 자동제어 시스템에 대한 빅데이터 기반 인공지능형 밸브 자동제어 방법에서 상실된 신호의 추정을 위한 회귀식 알고리즘을 설명하기 위한 동작 흐름도이다.

도 3 내지 도 5는 도 2에 나타낸 바와 같은 빅데이터 기반 인공지능형 밸브 자동제어 시스템의 밸브 제어 방법에 대하여 보다 진보된 방식의 인공지능형 밸브 자동제어 방법으로써, 상실된 신호를 추정하기 위한 본 발명 회귀식 알고리즘은, 축적된 데이터를 바탕으로 변수들 간의 관계를 설명하는 회귀방정식을 생성하여 상실된 신호의 추정을 위해 미리 작성해 둔 회귀방정식을 호출하여 상실되지 않은 신호값을 바탕으로 상실된 신호의 추정을 가능하게 하는 것으로, 회귀식 알고리즘은 도 3에 나타낸 바와 같이 크게 센싱파트(S110 내지 S130), 데이터 파트(S140 내지 S180) 및 연산파트(S190 내지 S290)로 구성된다.

이때, 우선 스마트 밸브 제어 시스템의 각종 게이지와, 신호 및 데이터 수(number)와 압력(P), 온도(T), 유량(W) 및 밸브 개도(L) 파라미터를 정의(준비)한다(S100). 여기서, 게이지는 라인에 설치된 센서를 의미하며, 신호는 이 센서들로부터 얻어지는 수치인데, 정상적인 조건 하에서 게이지의 개수와 신호의 개수는 동일하고, 데이터는 단위시간마다 게이지로부터 얻어지는 신호의 세트를 의미하며, 데이터 수는 이러한 데이터 세트의 수량을 의미한다.

우선 센싱파트(S110 내지 S130)는 플랜트 또는 설비 내에 설치된 센서들로부터 정보를 획득하는 부분으로, 획득되는 신호는 노이즈가 포함될 수도 있고, 포함되지 않을 수도 있으며 설비의 특성에 따라 달라질 수 있다.

센싱파트(S110 내지 S130)는 데이터 파트 및 연산파트에서 변수선언에 직접적인 영향은 끼치는 부분이다. 일례로 시스템의 안정성 향상을 위해 동일 측정지점에 복수의 동종 센서를 설치한 경우 변수 선언의 단순화 및 정확성 향상을 위해 동종 센서 간 측정데이터를 산술평균 등의 방법으로 merging 할 필요성이 있다.

이때, 우선 신호(s)는 게이지(g) 신호인가를 판단하는데(S110), 게이지(센서)의 개수와 센서로부터 송출되는 신호의 개수가 같은가를 판단한다.

신호(s)는 g-1인가를 판단하는 것은(S120), 1개 센서의 고장여부를 검출하는 것이고, 신호(s)는 g-2인가를 판단하는 것은(S130), 2개 센서의 고장여부를 판단하는 것이다. 이때, 도면상에 도시하지 않았지만, S=g-n을 이용하여 n개 센서 고장여부 검출할 수도 있다. 이는 어떤 컴포넌트에 적용되는지에 따라 항목의 n의 숫자가 달라질 수 있는 것으로, 시스템의 특성이나 센서의 종류 및 수량에 따라 달라지는 것으로 적용되는 시스템에 따라 지정해줘야 한다. 다시 말하면 이는 시스템에 따라 실험이나 현장경험 등에 따라 달리 적용될 수 있다. 물론 대부분의 경우에 일정 개수 이상의 센서가 동시에 고장 시 시스템은 정지되도록 설정되는 것이 바람직하다.

이를 보다 상세히 설명하면 센싱파트(S110 내지 S130)는 신호가 정상적인지 확인하는 절차를 수행하는 것으로, 사전에 설치된 게이지의 숫자와 입력되는 신호의 숫자가 동일하면 센서에 이상이 없다는 의미로, 운전중에 발생하는 데이터 세트를 데이터베이스에 저장하게 된다.

이때, 게이지의 숫자와 입력신호의 숫자가 동일하지 않은 경우에는 센서가 고장났음을 의미하며, 그 예시로 S=g-1 이라는 것은 설치된 센서 중 1개가 고장으로 게이지의 숫자에 비해 입력되는 신호 숫자가 1개 작다는 것을 의미하고, 센서 1개가 고장임을 의미한다.

이후 고장난 센서가 어떤 센서인지를 판단하는 절차가 S190, S220, S250, S280의 절차이며, 고장난 센서의 추정값을 구하기 위해 데이터베이스에 저장된 경험치를 바탕으로 시스템을 제어하게 된다.

그리고 데이터파트(S140 내지 S180)는 raw-data용 데이터베이스와 회귀방정식 데이터베이스로 나눌 수 있다.

우선 판단결과(S110) 신호(s)가 게이지(g) 신호인 경우 데이터베이스에 저장한다(S140). 즉 사전에 설치된 게이지의 숫자와 입력되는 신호의 숫자가 동일하면 센서에 이상이 없다는 것이다.

이때, 데이터베이스에 저장되는 데이터는 각각의 센서로부터 획득된 센싱 데이터를 지속적으로 실시간으로 축적하는 데이터베이스를 지칭하며 Raw-data용 데이터베이스(DB 1)라 할 수 있다(S150).

이러한 실시간으로 축적된 Raw-data를 이용하여 회귀방정식을 생성(Fn Gen)한다(S160). 이러한 회귀방정식을 생성(Fn Gen)에 대하여는 도 5를 통해 보다 상세히 설명하기로 한다.

그리고 생성된 회귀 방정식을 데이터베이스에 저장하는데(S170), 축적된 raw-data들을 바탕으로 지속적으로(미리 설정된 주기에 따라) 작성된 회귀방정식을 저장해두는 데이터베이스는 회귀방정식 데이터베이스(DB 2)라 할 수 있다(S180).

회귀방정식은 유사상황에 의한 특정 신호의 신호 상실 시 상실된 신호를 추정하기 위해 시스템이 정상상태일 때 사전에 작성해 둔 방정식을 지칭한다.

한편 판단결과(S110), 신호(s)가 g가 아니라면 신호(s)는 g-1인가를 판단한다(S120).

판단결과(S120) 신호(s)는 g-1라면 압력(P), 온도(T), 유량(W) 및 밸브 개도(L)를 판단(S190)(S220)(S250)(S280)하여, 압력(P), 온도(T), 유량(W)의 경우에 대하여는 행정연산(lift calc')을 수행한다(S200)(S230)(S260). 이러한 행정연산에 대하여는 도 5에서 보다 상세히 설명하기로 한다. 즉 사전에 설치된 게이지의 숫자와 입력되는 신호의 숫자 중 하나가 일치하지 않다는 것으로, 어떤 부분에 대한 이상인지를 판단하기 위한 행정연산을 수행하는 것이다.

이때, Positioner Ctrl'(S210)(S240)(S270)은 실제 밸브 액추에이터를 구동하는 것으로, 상기 상술한 바와 같이 lift clac'에서 추측된 신호와 정상적인 신호, 그리고 밸브 프로파일의 조합으로 밸브 개도를 어느 정도 조절해야 하는지에 대한 결정이 완료되므로 밸브 액추에이터로 개도를 조절하는 것이 가능하게 된다.

그리고 판단결과(S120) 신호(s)는 g-1이면서 밸브 개도(L)라면 밸브를 개방(valve open)한다(S290).

이어 신호(s)는 g-2인가를 판단한다(S130). 즉 사전에 설치된 게이지의 숫자와 입력되는 신호의 숫자 중 2개가 동일하지 않은 경우이다.

한편 연산파트는 크게 도 4에 나타낸 회귀방정식 생성(Fn Gen)과 도 5에 나타낸 바와 같은 행정 연산(Lift Calc’)으로 나눌 수 있다.

회귀방정식 생성은 raw-data용 데이터베이스에 사전에 축적해 둔 센싱데이터를 바탕으로 변수들 간의 관계를 가장 잘 나타내는 회귀방정식을 생성하는 연산을 지칭하는데, 이 연산은 도 4에 나타낸 바와 같이 개발자가 사전에 저장해 둔 함수 중 컴포넌트가 어디에 설치되는지, 어떤 목표로 운전이 되고있는지 등에 따라 참고하여야 하는 신호가 달라지게 되는데, 이에 따라 신호 간의 관계를 설명하는 회귀방정식 또한 달라지게 되고, 본 알고리즘이 적용되는 각 컴포넌트마다 최적의 성능을 보장할 수 있도록 별개의 회귀방정식을 형성해주어야 하며, 이미 알려진 다양한 형태의 방정식을 적용해 볼 필요가 있다. 예를 들어 컴포넌트 A에는 파라볼릭 모델을 적용하였을 경우에 에러가 적은 반면, 컴포넌트 B에는 가우스 모델 또는 Dose-Response 모델을 적용하였을 경우 에러가 적을 수도 있다. 그에 따라 개발자가 사전에 저장해 둔 함수는 계수가 정해지지 않은 함수모델이며, 데이터베이스와 연산부는 사전에 저장된 데이터들을 바탕으로 적절한 계수를 찾는 연산을 수행하여 회귀방정식을 생성하게 되므로, 최소자승법(LSM), MLE, RANSAC 등(S161 내지 S164)의 알고리즘을 활용하여 회귀에 가장 적합한 모델을 찾아가는 과정(S165)(S166)(S167)으로, 적용하고자 하는 시스템의 운전 프로파일을 활용하여 시스템에 가장 적합하다고 판단되는 함수들의 목록이 사전에 작성된다.

즉 본 발명의 핵심은 상실된 신호를 추정한다는 점에 있는데, 밸브의 설치 위치에 따라 밸브 운전에 참고해야 하는 신호는 달라질 수 있으며 이에 따라 밸브 컴포넌트 별 회귀방정식에 차이가 발생한다. 이때, 종래의 업계에서 통상적으로 사용되는 제어방식은 배관에 설치된 센서들로부터 입력 받은 신호들을 사전에 프로그래밍 된 밸브 액추에이터 프로파일에 대입하여 밸브 개도를 제어하는, negative control의 방식으로 운영되어오고 있었는데, 이러한 경우 1개 신호를 상실할 시, 밸브 개도를 제어하기 위한 액추에이터는 프로파일 대로 운영하기 위한 데이터가 부족하므로 가동을 중단할 수 밖에 없었으나, 본 발명에서는 상실되지 않은 다른 신호를 바탕으로 상실된 신호를 추정한 후 추정된 더미 신호값을 액추에이터 프로파일에 대신 대입해주는 원리를 이용하여 액추에이터 입장에서는 더미 신호이긴 하나 이를 바탕으로 구동은 가능하므로 일시적으로 시스템을 지속 운영할 수 있게 된다.

그리고 시스템에 가장 적합하다는 판단과, 회귀방정식 생성 파트 상 알고리즘 선정 기준은 r-square가 가장 큰 값을 기준으로 적용한다.

예를 들어 임의의 시스템에서 압력(P), 온도(T), 유량(W)에 대한 센싱데이터를 획득하고 밸브 개도(L)를 제어하는 경우, 본 연산은 f(P,T,W)=0 의 함수를 생성하여 임의의 신호 상실 시 정상상태의 다른 신호를 바탕으로 상실된 신호를 추정할 수 있으며 f(P,T,W)=L 의 함수를 생성하여 밸브 행정을 제어할 수 있다.

밸브 프로파일을 활용하여 밸브 행정을 제어할 경우 밸브행정 제어에 관한 함수, 즉 f(P,T,W)=L 는 밸브 프로파일과 동일하므로 별도로 회귀방정식으로 생성할 필요가 없다.

센서가 동시에 2개 이상 상실 될 경우를 대비하여 가능한 모든 경우에 대한 방정식을 생성할 수 있는데, 예를 들어 도 1에 나타낸 데이터베이스 기반 인공지능형 스마트 밸브 제어 시스템에서 압력, 온도 센서가 동시에 상실될 경우 유량신호는 정상적이므로 즉, 상실될 경우라 할지라도 유량신호가 정상적인 경우에는 f(P,W)=0, f(T,W)=0 의 함수를 생성하여 상실된 신호를 추정할 수 있다.

모든 센서가 동시에 상실되거나 사용자가 정상적인 시스템 운영이 어렵다고 판단될 경우 시스템은 안전을 위해 자동적으로 정지하며, 이때 모든 센서가 동시에 상실된다는 것은 단순히 수량적으로 모든 센서가 동시에 상실된다는 것 뿐 아니라 정상적인 다른 센싱 데이터를 활용하여 상실된 센서의 값을 정상적으로 추정하기 어려운 경우도 포함된다.

본 연산은 데이터의 수량에 따라 주기적으로 함수의 적합성을 재평가함으로써 시스템의 정확성에 기여할 수 있다.

그리고 행정 연산은 도 5에 나타낸 바와 같이 사전에 생성한 함수들을 활용하여 실제 밸브 행정을 조절하는 연산과정을 지칭하는 것으로, 사전에 생성한 f(P,T,W)=0 의 함수를 활용하여 사고로 상실된 임의의 센서로부터 획득되어질 것으로 생각되는 값을 추정하면 밸브 행정 제어에 관한 함수인 f(P,T,W)=L 또는 밸브 프로파일에 정상적인 신호와 추정한 신호를 함께 전달함으로써 밸브 행정을 조절, 시스템은 운전 지속성을 확보하게 된다.

신호 X가 상실되었을 경우 다른 신호(Y, Z)를 활용하여 X값을 추측할 수 있는 회귀방정식을 호출한다(S300).

호출된, 신호 X에 대한 회귀방정식(S310)

정상적인 신호 Y, Z와 신호 X에 대한 회귀방정식으로 신호 X의 추측값 계산한다(S320).

밸브 프로파일 호출한다(S330).

호출된 밸브 프로파일(또는 프로파일 함수)(S340)

추측값 X', 정상적인 신호 Y, Z를 호출된 밸브 프로파일에 대입하여 적절한 밸브 액추에이터 구동치(또는 밸브 개도) 산출한다(S350).

이러한 본 발명 알고리즘은 회귀분석을 활용하여 상실된 임의의 값을 추정한다는 특성을 가짐으로써 단위시스템에 대하여 통계적으로 상당히 근사한 추정이 가능하다는 장점이 있다.

다시 말하면 밸브 행정을 연산하는데 본 발명 알고리즘을 활용하여 상실된 신호를 추론하고 추론값을 실제 신호 대신으로 사용하는 것이므로 밸브 프로파일을 통하여 밸브 행정을 조절하는 부분은 종래의 기술과 큰 차이가 없을 수도 있으나, Fn_L이라는 것은 알고리즘이 추측한 신호와 정상적인 신호를 조합하여 밸브 액추에이터를 통해 개도를 조절하는 의미의 밸브 프로파일이 된다.

도 6 내지 도 7은 도 1에 나타낸 빅데이터 기반 인공지능형 밸브 자동제어 시스템에 대한 빅데이터 기반 인공지능형 밸브 자동제어 방법에서 운전점 생성을 위한 알고리즘을 설명하기 위한 동작 흐름도이다.

운전점 생성 알고리즘은 축적된 데이터와 k-mean 알고리즘을 바탕으로 사용자 혹은 설계자가 사전에 지정한 개수만큼의 운전점을 자동적으로 생성한 후 임의의 신호 상실 시 정상적인 신호들을 바탕으로 사전에 생성된 운전점을 선택하여 시스템의 운전 지속성을 확보할 수 있도록 한다.

이러한 운전점 생성 알고리즘은 도 6에 나타낸 바와 같이 크게 센싱, 데이터, 연산파트로 구성된다.

센싱파트(S400), 데이터 파트(S410 내지 S480) 및 연산파트(S490 내지 S520)로 구성된다.

이때, 우선 스마트 밸브 제어 시스템의 각종 게이지와, 신호 및 데이터 수(number)와 Num of Standard = a 를 정의(준비)한다. 이때, Num of Standard는 모집단에 근사한 표본집단의 최소 구성단위로서, 라플라스 정의에 의해 통계학적으로 표본집단의 수가 32개 이상일 때 모집단의 평균과 근사함에 따라 a는 32가 될 수도 있다. 물론, 이 숫자는 반드시 32가 아니라 시스템이 1사이클 운영되는 동안 수집되는 데이터 수량으로, 시운전 시 a를 산출하는 것이 가능하므로 사용자가 운전점의 개수를 미리 입력하면 1사이클간 운영되면서 누적된 데이터를 운전점의 개수만큼 클러스터링하여 부분집단의 평균값을 대표값으로 생성하며, 생성된 대표값이 대표 운전점이 된다. 이때, 게이지와 신호 및 데이터의 구체적인 예는 도 3에서 상술한 바와 동일하다.

우선 센싱파트는 플랜트 또는 설비 내에 설치된 센서들로부터 정보를 획득하는 부분으로, 획득되는 신호는 노이즈가 포함될 수도 있고, 포함되지 않을 수도 있으며 설비의 특성에 따라 달라질 수 있다.

센싱파트는 데이터 파트 및 연산파트에서 변수선언에 직접적인 영향은 끼치는 부분으로, 신호(s)가 게이지(g) 신호인가를 판단한다(S400). 일례로 시스템의 안정성 향상을 위해 동일 측정지점에 복수의 동종 센서를 설치한 경우 변수 선언의 단순화 및 정확성 향상을 위해 동종 센서 간 측정데이터를 산술평균 등의 방법으로 merging 할 필요성이 있다.

데이터파트(S410 내지 S480)는 raw-data용 데이터베이스와 자동운전점 데이터베이스로 나눌 수 있다.

Raw-data용 데이터베이스(DB 1)는 도 3에서 설명한 회귀식 알고리즘의 데이터 파트에 상술한 내용과 마찬가지로 센서로부터 획득된 센싱 데이터를 실시간으로 축적하는 데이터베이스를 지칭하며, 자동운전점 데이터베이스(DB 2)는 축적된 raw-data와 k-mean 클러스터링 연산을 통해 생성된 자동운전점을 저장하는 데이터베이스이다.

판단결과(S400), 신호(s)는 게이지(g) 신호이면 데이터베이스에 저장한다(S410).

이때, 데이터베이스에 저장되는 데이터는 각각의 센서로부터 획득된 센싱 데이터를 실시간으로 축적하는 데이터베이스를 지칭하며 Raw-data용 데이터베이스(DB 1)라 할 수 있다(S420).

이어 데이터 수(N)가 Num of Standard = a 를 동일한지(이상인지)를 판단한다(S430).

판단결과(S430) 초과한다면 데이터베이스에 저장한다(S440). 이때에도 데이터베이스에 저장되는 데이터는 각각의 센서로부터 획득된 센싱 데이터를 실시간으로 축적하는 데이터베이스를 지칭하며 Raw-data용 데이터베이스(DB 1)라 할 수 있다(S450).

이러한 실시간으로 축적된 Raw-data를 이용하여 k-mean 클러스터링 계산하고(S460), 자동운전점을 저장하는데(S470), 축적된 raw-data와 k-mean 클러스터링연산을 통해 생성된 자동운전점을 저장하는 데이터베이스는 자동운전점 데이터베이스(DB 2)라 할 수 있다(S480). 이러한 자동운전점 데이터베이스(DB 2)에 저장된 raw-data와 k-mean 클러스터링 연산을 통해 저장된 자동운전점(O.P)은 자동운전점 선택시 이용된다. k-mean 클러스터링 계산에 대하여는 첨부된 도 7을 통해 상세히 설명하기로 한다.

연산파트는 도 6의 연산파트인 자동운전점 선택(O.P. Select)과, 도 7의 자동운전점 계산(k-mean Calc’)으로 나눌 수 있다.

여기서 자동운전점 계산은 축적된 센싱 데이터(S480)를 바탕으로 k-mean 알고리즘을 활용하여 클러스터링을 수행함으로써 자동운전점을 생성한다.

이때, 축적된 센싱 데이터를 바탕으로 자동 운전점을 호출하고(S490), 자동운전점 선택(O.P. Select)한 후(S500), 밸브 리프트를 제어하고(S510), 액츄에이터를 제어한다(S520).

개발자 또는 사용자는 사전에 생성하고자 하는 자동운전점과 클러스터링 연산의 residual을 입력하여야 하며, 클러스터링은 사전에 입력된 자동운전점의 개수와 residual 기준에 의거하여 클러스터링 연산을 수행하고 연산 결과를 통해 얻어진 클러스터의 대푯값을 자동운전점으로서 적용한다.

본 연산은 데이터의 수량에 따라 주기적으로 자동운전점의 적합성을 재평가함으로써 시스템의 정확성에 기여한다.

자동운전점 선택은 임의의 신호가 상실되었을 경우 정상적인 신호만으로 자동운전점을 선택하는 연산으로, 임의의 신호가 상실되었을 경우 알고리즘은 모든 신호가 정상적인, 가장 최근의 데이터를 바탕으로 자동운전점 계산에서 생성된 운전점 중 1개의 운전점을 호출(S490)하여, 기준운전점을 생성하고, 생성된 기준운전점으로부터 최근접한 이웃임과 동시에(1) 상실된 신호를 제외한 정상적인 신호를 바탕으로 최근접한 이웃인(2) 자동운전점을 선택한다(S500).

자동운전점이 선택되면 최초에 선택된 기준운전점은 삭제되고, 이후 신호의 크기에 변화가 발생하여 자동운전점이 변경되어야 할 경우 현재의 자동운전점을 기준운전점으로서 간주, 다음 자동운전점을 선택할 때 반영된다.

한편 실시간으로 축적된 Raw-data를 이용하여 k-mean 클러스터링 계산하는 방법(S460) 도 7을 통해 보다 상세히 설명하면 우선, signal input Vector = X, Random Point Vector = P, Representative Point Vector = P', num of O.P. = k, Residual = r로 정의(준비)한다.

사전에 입력되는, 생성하고자 하는 대표운전점의 개수로 학습을 위한 시운전 후 시스템 사이클에 따라 결정되는 k가 입력되면(S461), 데이터 벡터 상에 대표운전점 개수만큼 임의의 포인트 P를 생성한다(S462).

생성된 P에 따라 X까지의 거리를 알게된다(S463).

그리고 임의의 포인트와 데이터 벡터 간의 거리를 계산한다(S463).

이어, 임의의 포인트 기준으로 거리가 가까운 벡터들을 그룹화 한다(S464).

그리고 생성된 그룹의 벡터 평균을 대표값으로 생성한다(S465).

임의의 포인트와 새로운 대표값 간의 차이를 검토합니다(S466). 이때, r값은 시스템에 따라 조절 가능하다.

여기서 Residual이 지정값보다 작은 경우 오차가 적다는 것을 의미하므로 그룹 별 벡터 평균, 즉 대표값을 운전점으로 간주하고(S467), 운전점을 생성한다(S468).

그러나 그렇지 않은 경우 오차가 아직 크다는 것을 의미하므로 S469로 이행하며, 이때, Raw-data용 데이터베이스(DB 1)를 이용한다(S450).

이러한 알고리즘의 구성은 시스템의 순환성, 즉 Cycle을 고려하기 위한 것이다.

본 알고리즘은 클러스터링을 활용하여 클러스터링 대푯값을 자동운전점으로 간주하여 시스템의 운전지속성을 확보한다는 특징을 가짐으로써 센싱 포인트, 즉 변수의 개수와 시스템의 복잡성과 무관하게 범용성을 확보한다는 장점이 있다.

또한 본 발명은 도 3 내지 도 5와 도 6 내지 도 7에 나타낸 상실된 신호를 추정하는 방법과, 임의의 신호 상실 시 정상적인 신호들을 바탕으로 사전에 생성된 운전점을 선택하여 시스템의 운전 지속성을 확보하는 방법을 구현하여 컴퓨터에서 동작가능하도록 기록된 기록매체를 제공할 수 있다.

이상과 같은 예로 본 발명을 설명하였으나, 본 발명은 반드시 이러한 예들에 국한되는 것이 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서 본 발명에 개시된 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 예들에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다.

110: 밸브 포지셔너 120: 제1유량 센서
130: 압력 센서 140: 온도 센서
150: 수위 센서 160: 스마트 컨트롤러
170: 저장 탱크 180: 스마트 밸브 제어 서버
190 : 연산서버

Claims (4)

1. 플랜트 또는 설비 내에 설치된 각종 센서인 각종 게이지와, 신호 및 데이터 수(number)와 압력(P), 온도(T), 유량(W) 및 밸브 개도(L) 파라미터를 정의하는 단계(S100);
   플랜트 또는 설비 내에 설치된 상기 게이지들로부터 각종 신호를 센싱하는 단계(S110 내지 S130);
   상기 게이지들로부터 센싱된 신호와 사전에 설치된 게이지의 숫자가 동일하면 각각의 센서로부터 획득된 센싱 데이터를 지속적으로 실시간으로 Raw-data용 데이터베이스(DB 1)로 축적하고, 상기 축적된 Raw-data를 이용하여 회귀방정식을 생성(Fn Gen)하고(S160), 상기 생성된 회귀 방정식을 회귀방정식 데이터베이스(DB 2)에 저장하는 단계(S170)(S180);
   상기 게이지들로부터 센싱된 신호와 사전에 설치된 게이지의 숫자가 동일하지 않다면 상기 압력(P), 온도(T), 유량(W) 및 밸브 개도(L)를 각각 판단(S190)(S220)(S250)(S280)하여, 상기 압력(P), 온도(T), 유량(W)의 경우에 대하여는 이상부분을 판단하기 위한 행정연산(lift calc')을 수행하여(S200)(S230)(S260), 상기 행정연산(S200)(S230)(S260)결과에 따라 실제 밸브 액추에이터를 구동하기 위한 Positioner Control을 통해 밸브 액추에이터로 개도를 조절하는 단계(S210)(S240)(S270); 및
   신호 X가 상실되었을 경우 다른 신호(Y, Z)를 활용하여 X값을 추측할 수 있는 회귀방정식을 호출하는 단계(S300)와, 호출된, 신호 X에 대해 상기 회귀방정식 데이터베이스(DB 2)에 저장된(S180) 회귀방정식을 이용해 호출된 신호 X에 대한 함수를 생성하고(S310), 정상적인 신호 Y, Z와 신호 X에 대한 회귀방정식으로 신호 X의 추측값 X'을 계산하는 단계(S320)와, 밸브 프로파일을 호출하는 단계(S330)와, 상기 회귀방정식 데이터베이스(DB 2)에 저장된 회귀방정식(S180)과 호출된 밸브 프로파일을 이용하여 밸브 개도(L) 함수를 생성하는 단계(S340)와, 상기 추측값 X'와 정상적인 신호 Y, Z를 호출된 밸브 프로파일에 대입하여 밸브 액추에이터 구동치(밸브 개도)를 산출하는 단계(S350);를 포함하여 상실된 신호를 추정하는 것을 포함하여 이루어지는 것을 특징으로 하는 빅데이터 기반 인공지능형 밸브 자동제어 방법.
2. 삭제
3. 삭제
4. 플랜트 또는 설비 내에 설치된 각종 센서인 각종 게이지와, 신호 및 데이터 수(number)와 압력(P), 온도(T), 유량(W) 및 밸브 개도(L) 파라미터를 정의하는 단계(S100);
   플랜트 또는 설비 내에 설치된 상기 게이지들로부터 각종 신호를 센싱하는 단계(S110 내지 S130);
   상기 게이지들로부터 센싱된 신호의 수(s)와 사전에 설치된 게이지의 숫자(g)가 동일하면 각각의 센서로부터 획득된 센싱 데이터를 지속적으로 실시간으로 Raw-data용 데이터베이스(DB 1)로 축적하고, 상기 축적된 Raw-data를 이용하여 회귀방정식을 생성(Fn Gen)하고(S160), 상기 생성된 회귀 방정식을 회귀방정식 데이터베이스(DB 2)에 저장하는 단계(S170)(S180);
   상기 게이지들로부터 센싱된 신호의 수(s)와 사전에 설치된 게이지의 숫자(g)가 동일하지 않다면 상기 압력(P), 온도(T), 유량(W) 및 밸브 개도(L)를 각각 판단(S190)(S220)(S250)(S280)하여, 상기 압력(P), 온도(T), 유량(W)의 경우에 대하여는 이상부분을 판단하기 위한 행정연산(lift calc')을 수행하여(S200)(S230)(S260), 상기 행정연산(S200)(S230)(S260)결과에 따라 실제 밸브 액추에이터를 구동하기 위한 Positioner Control을 통해 밸브 액추에이터로 개도를 조절하는 단계(S210)(S240)(S270); 및
   신호 X가 상실되었을 경우 다른 신호(Y, Z)를 활용하여 X값을 추측할 수 있는 회귀방정식을 호출하는 단계(S300)와, 호출된, 신호 X에 대해 상기 회귀방정식 데이터베이스(DB 2)에 저장된(S180) 회귀방정식을 이용해 호출된 신호 X에 대한 함수를 생성하고(S310), 정상적인 신호 Y, Z와 신호 X에 대한 회귀방정식으로 신호 X의 추측값 X'을 계산하는 단계(S320)와, 밸브 프로파일을 호출하는 단계(S330)와, 상기 회귀방정식 데이터베이스(DB 2)에 저장된 회귀방정식(S180)과 호출된 밸브 프로파일을 이용하여 밸브 개도(L) 함수를 생성하는 단계(S340)와, 상기 추측값 X'와 정상적인 신호 Y, Z를 호출된 밸브 프로파일에 대입하여 밸브 액추에이터 구동치(밸브 개도)를 산출하는 단계(S350);를 포함하여 상실된 신호를 추정하거나,
   상기 플랜트 또는 설비 내에 설치된 각종 센서인 각종 게이지와, 신호 및 데이터 수(number)와 사용자가 운전점의 개수를 미리 입력하여 1사이클간 운영되면서 누적된 데이터를 운전점의 개수만큼 클러스터링하여 부분집단의 평균값을 대표값으로 생성하여 생성된 대표값의 대표 운전점 Num of Standard = a 를 정의(준비)하는 단계;
   플랜트 또는 설비 내에 설치된 상기 게이지들로부터 신호의 수(s)가 사전에 설치된 게이지의 숫자(g)와 동일한지를 판단하는 단계(S400);
   상기 게이지들로부터 신호의 수(s)가 사전에 설치된 게이지의 숫자(g)와 동일하면, 상기 대표 운전점 데이터 수(N)가 Num of Standard = a 와 동일할 때까지(S430) Raw-data용 데이터베이스(DB 1)로 축적하는 단계(S410)(S420);
   상기 축적된 raw-data와 k-mean 클러스터링 연산을 통해(S460), 자동운전점 선택시 이용되는 자동운전점(O.P)을 저장하는 단계(S470)(S480);
   상기 게이지들로부터 신호의 수(s)가 사전에 설치된 게이지의 숫자(g)와 동일하지 않으면 임의의 신호가 상실되었을 경우이므로, 모든 신호가 정상적인, 가장 최근의 데이터를 바탕으로 자동운전점 계산에서 생성된 자동운전점(S480) 중 1개의 운전점을 호출(S490)하여, 기준운전점을 생성하고, 생성된 기준운전점으로부터 최근접한 이웃임과 동시에 상실된 신호를 제외한 정상적인 신호를 바탕으로 최근접한 이웃인 자동운전점을 선택하는 단계(S500); 및
   상기 선택된 자동운전점을 이용해 밸브 리프트를 제어하고(S510), 액츄에이터를 제어하는 단계(S520);를 포함하여 임의의 신호 상실 시 정상적인 신호들을 바탕으로 사전에 생성된 운전점을 선택하여 시스템의 운전 지속성을 확보하는 것을 특징으로 하는 빅데이터 기반 인공지능형 밸브 자동제어 방법을 실행하는 기록매체에 저장된 프로그램.

Images