KR101967524B1 - 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법 - Google Patents

커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법 Download PDF

Info

Publication number
KR101967524B1
KR101967524B1 KR1020170047774A KR20170047774A KR101967524B1 KR 101967524 B1 KR101967524 B1 KR 101967524B1 KR 1020170047774 A KR1020170047774 A KR 1020170047774A KR 20170047774 A KR20170047774 A KR 20170047774A KR 101967524 B1 KR101967524 B1 KR 101967524B1
Authority
KR
South Korea
Prior art keywords
time
data
variable
query vector
calculating
Prior art date
Application number
KR1020170047774A
Other languages
English (en)
Other versions
KR20180115448A (ko
Inventor
허균영
아미드 이브라힘
하가연
Original Assignee
경희대학교 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 경희대학교 산학협력단 filed Critical 경희대학교 산학협력단
Priority to KR1020170047774A priority Critical patent/KR101967524B1/ko
Publication of KR20180115448A publication Critical patent/KR20180115448A/ko
Application granted granted Critical
Publication of KR101967524B1 publication Critical patent/KR101967524B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—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
    • 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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법을 개시한다. 본 발명의 일실시예에 따르면 온라인 검증 장치는 제1 시간과 제2 시간의 차이에 기초하는 시간 의존 변환식을 이용하여 메모리 데이터를 변환하는 데이터 변환부, 상기 변환된 메모리 데이터에 기초하여 쿼리 벡터를 제공하는 쿼리 벡터 제공부, 상기 변환된 메모리 데이터를 이용하여 상기 쿼리 벡터에 대한 유클리디안 거리를 계산하는 거리 계산부, 상기 계산된 유클리디안 거리에 대하여 가우시안 커널 함수를 적용하여 커널 가중치를 계산하는 가중치 계산부, 및 상기 계산된 가중치를 이용하여 상기 쿼리 벡터에 대한 응답 변수를 계산하는 응답 변수 계산부를 포함할 수 있다.

Description

커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법{APPARATUS AND METHOD FOR AUTHENTICATING TIME-VARYING SIGNAL IN ONLINE VIA KERNEL REGRESSION MODEL}
본 발명은 커널 회귀 모델을 이용하여 시간에 따라 변화하는 신호를 온라인 검증 하기 위한 기술적 사상에 관한 것으로, 시간 간격에 기초하여 종래의 커널 회귀 모델을 수정함으로써 산업 설비의 프로세스와 관련된 시변 신호의 온라인 검증을 개선하는 장치 및 방법에 관한 것이다.
산업설비는 특정한 목적을 달성하기 위하여 다수의 계통 및 기기로 이루어진 장치로서, 일반적으로 운전 및 안전 상태를 확인하기 위한 하나 이상의 계측기가 설치되어 있고, 이를 오프라인 또는 온라인으로 측정할 수 있다.
산업설비는 외부 조건(대기 온도, 압력, 습도, 냉각수가 필요한 경우 해수 또는 강수 온도 등), 투입 연료의 특성, 설비의 열화 정도, 운전 범위 등에 따라 설비의 효율과 안정성이 달라질 수 있다.
이러한, 프로세스 및 기기 매개 변수를 모니터 하기 위한 견고하고 탄력적인 성능에 대한 요구로 인해 온라인 모니터링 및 신호 검증 기술이 선호되고 있다. 온라인 모니터링 및 신호 검증 기술은 산업설비(예: 발전소)의 가동 중에 기기 성능을 모니터링하는 자동화 방법을 포함한다.
해당 기술을 구현하기 위하여 적어도 하나 이상의 경험적 모델이 사용되는데 이 중 하나는 일반적으로 커널 회귀(Kernel Regression)로 알려진 비모수 회귀 모델이다. 모수 추정이 필요한 일반적인 회귀 모델과 달리, 커널 회귀는 모수에 대한 가정을 전제로 하지 않는 알고리즘 추정 절차를 수행한다.
커널 회귀 알고리즘은 하기 수학식 1 및 수학식 2와 같은 다중 변수를 고려할 수 있다.
[수학식 1]
Figure 112017036027235-pat00001
수학식 1에 따르면, X는 예측 변수를 나타낼 수 있고, m은 메모리 벡터의 개수를 나타낼 수 있으며, p는 예측 변수의 개수를 나타낼 수 있다.
일례로, xij는 j번째 예측 변수의 i번째 관측값을 나타낼 수 있다.
[수학식 2]
Figure 112017036027235-pat00002
수학식 2에 따르면, y는 응답 변수를 나타낼 수 있고, m은 메모리 벡터의 개수를 나타낼 수 있다.
예를 들어, 수학식 1 및 수학식 2에 기초하여 관찰된 쿼리 벡터에 대해 유클리디안 거리, 커널 가중치(가우시안 커널) 및 예상 응답 변수는 각각 하기 수학식 4, 수학식 5 그리고 수학식 6에 기초하여 계산될 수 있다. 먼저, 쿼리 벡터는 하기 수학식 3과 같을 수 있다.
[수학식 3]
Figure 112017036027235-pat00003
수학식 3에서, xq는 쿼리 벡터를 나타낼 수 있고, p는 예측 변수의 개수를 나타낼 수 있다.
[수학식 4]
Figure 112017036027235-pat00004
수학식 4에서, di는 i번째의 유클리디안 거리를 나타낼 수 있고, xi는 i번째의 예측 변수 관측값을 나타낼 수 있으며, xq는 쿼리 벡터를 나타낼 수 있다.
[수학식 5]
Figure 112017036027235-pat00005
수학식 5에서, Ki는 i번째의 커널 가중치를 나타낼 수 있고, Xi는 i번째의 예상 변수를 나타낼 수 있으며, xq는 쿼리 벡터를 나타낼 수 있으며, di는 i번째 유클리디안 거리를 나타낼 수 있고,
Figure 112017036027235-pat00006
는 커널 대역폭을 나타낼 수 있다.
예를 들어, 커널 가중치의 값은 "0"과 "1"사이의 범위일 수 있다. "1"의 값은 비교된 두 벡터가 동일함을 나타낼 수 있고, "0" 또는 "0"에 접근하는 값은 두 벡터 사이의 거리 또는 비유사성을 나타낼 수 있다.
[수학식 6]
Figure 112017036027235-pat00007
수학식 6에서,
Figure 112017036027235-pat00008
는 예상 응답 변수의 가중 평균을 나타낼 수 있고, K는 커널 가중치를 나타낼 수 있고, Xi는 i번째의 예상 변수를 나타낼 수 있으며, xq는 쿼리 벡터를 나타낼수 있고, yi는 i번째의 응답 변수를 나타낼 수 있다.
일례로, 수학식 6은 inferential KR(Kernel Regression), auto-associative KR(AAKR) 또는 hetero-associative 형태에서 예측 변수를 추정에 이용될 수 있다.
커널 회귀는 여러 데이터 기반 모델을 구축하는데 사용되어왔고, 응용 면에서 효율적임이 입증되었다. 커널 회귀는 통계적 모델링에서 과거 관측 값의 가중 평균을 계산하여 매개 변수 값을 추정하는 프로세스이다. 한편, 커널 회귀는 Nadraya-Waston 추정기로 대표될 수 있다.
또한, 종래에는 선형성이 명확한 설비 데이터와 설비 이상을 정의하여 각종 통계적 방법을 사용하여 그 관계성을 찾아 관리해 왔다. 그러나, 설비 데이터와 설비 이상간의 관계가 반드시 선형성을 가지는 것은 아니고, 설비 데이터와 설비 이상간에 비선형성을 가지는 경우에 통계적 방법으로는 관계성을 찾기 어려워 설비 이상을 예측하기 곤란하고, 변경점이 발생했을 시에 대처가 어렵다는 점이 있었다.
일반적인 설비데이터는 정규성과 등분산성을 보이지 않아 다양한 방식의 비모수 방법론들을 찾아야 하지만 시간이 많이 걸리고, 신뢰성을 높이기 어렵다는 한계성이 존재해왔다.
즉, 종래의 커널 회귀를 통하여 변수를 추정할 경우, 변수를 추정하는 시간은 변경되었으나, 제1 예측 지점과 제2 예측 지점이 동일하게 측정되어, 유클리디안 거리가 두 데이터 벡터까지의 거리를 동일한 값으로 계산하여 두 데이터 벡터를 구별할 수 없다.
따라서, 반복적인 조사가 동반될 경우, 제1 예측 지점과 제2 예측 지점의 결과 추정지가 예상된 기대 값의 평균과 동일한 값을 취할 수 있는 단점이 존재한다.
한국등록특허 제10-0997009호, "산업설비의 공정 여유도에 대한 동적 감시 및 적시 경보 방법" 한국등록특허 제10-0867938호, "종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법" 한국공개특허 제10-2015-0129507호, "설비 이상 예측 모델의 구축방법 및 시스템" 한국등록특허 제10-1096793호, "산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장 매체"
본 발명은 커널 회귀 모델을 통한 시변 신호의 온라인 검증 장치 및 방법을 제공하고자 한다.
본 발명은 시간 간격을 고려하여 커널 회귀 모델을 수정함으로써 시변 신호의 온라인 검증의 정확도를 개선하는 장치 및 방법을 제공하고자 한다.
본 발명은 타이밍 정보와 현재 데이터 지점의 변화에 대한 이전 데이터 지점의 영향이 고려하여 커널 회귀 모델을 수정함으로써 시변 신호의 온라인 검증의 정확도를 개선하는 장치 및 방법을 제공하고자 한다.
본 발명은 타이밍 및 이전 데이터 포인트의 정보를 현재 데이터 포인트의 유사성 매트릭의 평가를 통합하는 시간 의존 변환식을 유도하는 장치 및 방법을 제공하고자 한다.
본 발명은 시간 간격을 고려하여 시간 의존 변환식을 유도하고, 유도된 시간 의존 변환식을 이용하여 메모리 데이터를 변환하는 장치 및 방법을 제공하고자 한다.
본 발명은 시간 변동 신호에 대하여 갖는 한계성을 보완하여 시변 데이터에서 정확한 신호 검증 및 효율적인 모니터링을 수행하는 장치 및 방법을 제공하고자 한다.
본 발명은 시변 데이터에서 정확한 신호 검증 및 효율적인 모니터링을 수행하는 운영자에게 조기 경보 정보를 제공하여 발전소의 운전 성능을 향상시키는 장치 및 방법을 제공하고자 한다.
본 발명의 일실시예에 따르면 온라인 검증 장치는 제1 시간과 제2 시간의 차이에 기초하는 시간 의존 변환식을 이용하여 메모리 데이터를 변환하는 데이터 변환부, 상기 변환된 메모리 데이터에 기초하여 쿼리 벡터를 제공하는 쿼리 벡터 제공부, 상기 변환된 메모리 데이터를 이용하여 상기 쿼리 벡터에 대한 유클리디안 거리를 계산하는 거리 계산부, 상기 계산된 유클리디안 거리에 대하여 가우시안 커널 함수를 적용하여 커널 가중치를 계산하는 가중치 계산부, 및 상기 계산된 가중치를 이용하여 상기 쿼리 벡터에 대한 응답 변수를 계산하는 응답 변수 계산부를 포함할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 장치는 상기 제2 시간에서 상기 제1 시간을 차감한 값에 접선 미분 값을 곱한 후, 상기 제1 시간에서의 제1 예측 변수를 더하여 상기 제2 시간에서의 제2 예측 변수를 계산하여 상기 시간 의존 변환식을 유도할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 장치는 상기 제2 시간과 관련된 제2 데이터 포인트의 접선 미분 값과 상기 제2 시간을 곱한 값에 상기 제1 시간과 관련된 제1 데이터 포인트의 제1 예측 변수에서 상기 제1 데이터 포인트의 제1 예측 변수로부터 변환되는 제1 변환 결과를 차감한 값을 더함으로써 상기 제2 데이터 포인트로부터 변환되는 제2 변환 결과를 계산하여 상기 메모리 데이터를 변환할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 장치는 상기 유도된 시간 의존 변환식을 이용하여 상기 제1 데이터 포인트의 제1 예측 변수와 관련된 타이밍 발생 정보를 상기 제2 데이터 포인트의 제2 예측 변수와 결합하여 상기 메모리 데이터를 변환할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 장치는 상기 제1 데이터 포인트의 타이밍 발생 정보가 반영된 상기 쿼리 벡터를 제공할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 장치는 상기 쿼리 벡터를 이용하여 상기 제1 데이터 포인트 및 상기 제2 데이터 포인트 간의 상기 유클리디안 거리를 계산할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 장치는 상기 계산된 유클리디안 거리 및 커널 대역폭에 대하여 가우시안 커널 함수를 이용하여 커널 가중치를 계산할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 장치는 상기 계산된 커널 가중치, 상기 유클리디안 거리, 및 상기 제2 예측 변수에 상응하는 응답 변수에 기초하여 상기 쿼리 벡터에 상응하는 응답 변수의 가중 평균을 계산할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 장치는 상기 가중 평균에 기초하여 상기 쿼리 벡터에 상응하는 신호를 모니터링하여 산업 설비의 공정 여유도를 판단하는 공정 판단부를 더 포함할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 장치는 상기 변환된 메모리 데이터 중 적어도 3개 이상의 데이터 포인트에 대한 유한 차분(finite-difference)을 수행하여 상기 변환된 메모리 데이터를 근사화할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 장치는 커널 회귀 모델의 훈련 경로 및 실행 경로 중 어느 하나를 제공하는 경로 선택부, 및 발전소 작동 중 발전소 작동과 관련된 이력 데이터를 수집하는 이력 데이터 수집부를 더 포함할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 방법은 데이터 변환부에서, 제1 시간과 제2 시간의 차이에 기초하는 시간 의존 변환식을 이용하여 메모리 데이터를 변환하는 단계, 쿼리 벡터 제공부에서, 상기 변환된 메모리 데이터에 기초하여 쿼리 벡터를 제공하는 단계, 거리 계산부에서, 상기 변환된 메모리 데이터를 이용하여 상기 쿼리 벡터에 대한 유클리디안 거리를 계산하는 단계, 가중치 계산부에서, 상기 계산된 유클리디안 거리에 대하여 가우시안 커널 함수를 적용하여 커널 가중치를 계산하는 단계, 및 응답 변수 계산부에서, 상기 계산된 가중치를 이용하여 상기 쿼리 벡터에 대한 응답 변수를 계산하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 방법은 상기 제2 시간에서 상기 제1 시간을 차감한 값에 접선 미분 값을 곱한 후, 상기 제1 시간에서의 제1 예측 변수를 더하여 상기 제2 시간에서의 제2 예측 변수를 계산하여 상기 시간 의존 변환식을 유도하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 방법은 상기 제2 시간과 관련된 제2 데이터 포인트의 접선 미분 값과 상기 제2 시간을 곱한 값에 상기 제1 시간과 관련된 제1 데이터 포인트의 제1 예측 변수에서 상기 제1 데이터 포인트의 제1 예측 변수로부터 변환되는 제1 변환 결과를 차감한 값을 더함으로써 상기 제2 데이터 포인트로부터 변환되는 제2 변환 결과를 계산하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 방법은 상기 유도된 시간 의존 변환식을 이용하여 상기 제1 데이터 포인트의 제1 예측 변수와 관련된 타이밍 발생 정보를 상기 제2 데이터 포인트의 제2 예측 변수와 결합하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따르면 온라인 검증 장치는 시간 간격을 고려하여 커널 회귀 모델을 수정함으로써 시변 신호에 대한 온라인 검증의 정확도를 개선할 수 있다.
또한, 본 발명의 일실시예에 따르면 온라인 검증 장치는 타이밍 정보와 현재 데이터 지점의 변화에 대한 이전 데이터 지점의 영향이 고려하여 커널 회귀 모델을 수정함으로써 시변 신호의 온라인 검증의 정확도를 개선할 수 있다.
또한, 본 발명의 일실시예에 따르면 온라인 검증 장치는 타이밍 및 이전 데이터 포인트의 정보를 현재 데이터 포인트의 유사성 매트릭의 평가를 통합하는 시간 의존 변환식을 유도할 수 있다.
또한, 본 발명의 일실시예에 따르면 온라인 검증 장치는 시간 간격을 고려하여 시간 의존 변환식을 유도하고, 유도된 시간 의존 변환식을 이용하여 메모리 데이터를 변환할 수 있다.
또한, 본 발명의 일실시예에 따르면 온라인 검증 장치는 시간 변동 신호에 대하여 갖는 한계성을 보완하여 시변 데이터에서 정확한 신호 검증 및 효율적인 모니터링을 수행할 수 있다.
또한, 본 발명의 일실시예에 따르면 온라인 검증 장치는 시변 데이터에서 정확한 신호 검증 및 효율적인 모니터링을 수행하는 운영자에게 조기 경보 정보를 제공하여 발전소의 운전 성능을 향상시킬 수 있다.
도 1은 본 발명의 일실시예에 따른 온라인 검증 장치의 블록도를 도시한다.
도 2는 종래 기술에 따른 커널 회귀 모델을 통한 예측 변수 대비 응답 변수와 관련된 그래프를 도시한다.
도 3은 본 발명의 일실시예에 따른 시간 의존 변환식의 유도 절차와 관련된 그래프를 도시한다.
도 4는 본 발명의 일실시예에 따른 커널 회귀 모델의 블록도를 도시한다.
도 5는 본 발명의 일실시예에 따른 온라인 검증 방법과 관련된 흐름도를 도시한다.
도 6은 본 발명의 다른 실시예에 따른 온라인 검증 방법과 관련된 흐름도를 도시한다.
이하, 본 문서의 다양한 실시 예들이 첨부된 도면을 참조하여 기재된다.
실시 예 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다.
하기에서 다양한 실시 예들을 설명에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
그리고 후술되는 용어들은 다양한 실시 예들에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 문서에서, "A 또는 B" 또는 "A 및/또는 B 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다.
"제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤(예: 제1) 구성요소가 다른(예: 제2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다.
본 명세서에서, "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다.
어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다.
예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(예: CPU 또는 application processor)를 의미할 수 있다.
또한, '또는' 이라는 용어는 배타적 논리합 'exclusive or' 이기보다는 포함적인 논리합 'inclusive or' 를 의미한다.
즉, 달리 언급되지 않는 한 또는 문맥으로부터 명확하지 않는 한, 'x가 a 또는 b를 이용한다' 라는 표현은 포함적인 자연 순열들(natural inclusive permutations) 중 어느 하나를 의미한다.
도 1은 본 발명의 일실시예에 따른 온라인 검증 장치의 블록도를 도시한다. 구체적으로, 도 1은 본 발명의 일실시예에 따른 온라인 검증 장치의 구성 요소를 예시한다. 이하 사용되는 '. 부', '. 기' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1을 참고하면, 온라인 검증 장치(100)는 데이터 변환부(110), 쿼리 벡터 제공부(120), 거리 계산부(130), 가중치 계산부(140) 및 응답 변수 계산부(150)를 포함한다.
본 발명의 일실시예에 따르면 데이터 변환부(110)는 제1 시간과 제2 시간의 차이에 기초하는 시간 의존 변환식을 이용하여 메모리 데이터를 변환할 수 있다.
즉, 데이터 변환부(110)는 제1 데이터 포인트와 제2 데이터 포인트 간의 시간 간격에 해당하는 제1 시간과 제2 시간의 차이를 고려한 시간 의존 변환식을 유도하고, 유도된 시간 의존 변환식을 이용하여 메모리 데이터를 변환할 수 있다. 예를 들어, 메모리 데이터는 발전소의 설비 장치들로부터 수집된 이력 데이터를 포함할 수 있다.
또한, 일례에 따르면 데이터 변환부(110)는 제2 시간에서 제1 시간을 차감한 값에 접선 미분 값을 곱한 후, 제1 시간에서의 제1 예측 변수를 더하여 제2 시간에서의 제2 예측 변수를 계산하여 시간 의존 변환식을 유도할 수 있다. 예를 들어, 접선 미분은 도함수를 포함할 수 있다.
또한, 본 발명의 일실시예에 따르면 데이터 변환부(110)는 제2 시간과 관련된 제2 데이터 포인트의 접선 미분 값과 제2 시간을 곱한 값에 제1 시간과 관련된 제1 데이터 포인트의 제1 예측 변수에서 제1 데이터 포인트의 제1 예측 변수로부터 변환되는 제1 변환 결과를 차감한 값을 더함으로써 제2 데이터 포인트로부터 변환되는 제2 변환 결과를 계산하여 메모리 데이터를 변환할 수 있다.
또한, 일례에 따르면, 데이터 변환부(110)는 시간 간격을 고려하여 유도된 시간 의존 변환식을 이용하여 제1 데이터 포인트의 제1 예측 변수와 관련된 타이밍 발생 정보를 제2 데이터 포인트의 제2 예측 변수와 결합하여 메모리 데이터를 변환할 수 있다. 예를 들어, 제1 데이터 포인트는 시간축을 기준하여 제2 데이터 포인트 이전에 위치할 수 있다.
또한, 본 발명의 일실시예에 따르면, 데이터 변환부(110)는 변환된 메모리 데이터 중 적어도 3개 이상의 데이터 포인트에 대한 유한 차분(finite-difference)을 수행하여 변환된 메모리 데이터를 근사화할 수 있다.
본 발명의 일실시예에 따르면 쿼리 벡터 제공부(120)는 시간 의존 변환식을 이용하여 변환된 메모리 데이터에 기초하여 쿼리 벡터를 제공할 수 있다.
또한, 본 발명의 일실시예에 따르면 쿼리 벡터 제공부(120)는 제1 데이터 포인트의 타이밍 발생 정보가 반영된 쿼리 벡터를 제공할 수 있다.
일례로, 쿼리 벡터 제공부(120)는 변환된 메모리 데이터 중 특정 번째 예측 변수의 특정 번째 관측 값에 상응하는 쿼리 벡터를 제공할 수 있다.
본 발명의 일실시예에 따르면 거리 계산부(130)는 메모리 데이터로부터 변환된 변환 결과를 이용하여 쿼리 벡터에 대한 유클리디안 거리를 계산할 수 있다.
일례로, 거리 계산부(130)는 쿼리 벡터를 이용하여 제1 데이터 포인트 및 제2 데이터 포인트 간의 유클리디안 거리를 계산할 수 있다. 즉, 제1 데이터 포인트 및 제2 데이터 포인트 간의 시간 간격을 고려하여 유클리디안 거리를 계산할 수 있다.
본 발명의 일실시예에 따르면 가중치 계산부(140)는 거리 계산부(130)에 의하여 계산된 유클리디안 거리에 대하여 가우시안 커널 함수를 적용하여 커널 가중치를 계산할 수 있다.
또한, 일례로 가중치 계산부(140)는 계산된 유클리디안 거리 및 커널 대역폭에 대하여 가우시안 커널 함수를 이용하여 커널 가중치를 계산할 수 있다.
본 발명의 일실시예에 따르면 응답 변수 계산부(150)는 계산된 가중치를 이용하여 쿼리 벡터에 대한 응답 변수를 계산할 수 있다. 예를 들어, 응답 변수는 종속 변수를 포함할 수 있다.
일례로 응답 변수 계산부(150)는 커널 가중치, 제1 데이터 포인트와 제2 데이터 포인트 간의 유클리디안 거리, 제2 데이터 포인트에 상응하는 제2 예측 변수에 대한 응답 변수를 이용하여 쿼리 벡터에 상응하는 응답 변수의 가중 평균을 계산할 수 있다.
본 발명의 다른 실시예에 따르면 온라인 검증 장치(100)는 공정 판단부(미도시), 경로 선택부(미도시) 및 이력 데이터 수집부(미도시)를 포함할 수 있다.
본 발명의 다른 실시예에 따른 공정 판단부(미도시)는 가중 평균에 기초하여 쿼리 벡터에 상응하는 신호를 모니터링함으로써 산업 설비의 공정 여유도를 판단할 수 있다.
일례로, 공정 판단부(미도시)는 가중 평균이 "0"과 "1"사이로 결정하고, 결정된 값이 "1"이 가까울수록 유사성이 높다고 판단하고, "0"에 가까울수록 유사성이 낮다고 판단할 수 있다.
본 발명의 다른 실시예에 따른 경로 선택부(미도시)는 커널 회귀 모델의 훈련 경로 및 실행 경로 중 어느 하나를 제공할 수 있다. 즉, 경로 선택부(미도시)가 훈련 모델을 생성할 수 있는 훈련 경로가 선택되고, 경로 선택부(미도시)가 생성된 훈련 모델을 이용하여 모니터링을 수행하는 실행 경로를 선택할 수 있다.
본 발명의 다른 실시예에 따른 이력 데이터 수집부(미도시)는 발전소 작동 중 발전소 작동과 관련된 이력 데이터를 수집할 수 있다. 즉, 이력 데이터 수집부(미도시)는 발전소에 위치하는 산업 설비의 운전 데이터를 이용하여 공정 여유도에 대한 동적 감시 및 적시 경보를 수행하기 위한 이력 데이터를 수집할 수 있다. 또한, 이력 데이터는 학습 데이터를 포함할 수 있다.
일례로, 학습 데이터는 데이터 열화 또는 효율저하가 없는 정상적인 산업 설비의 운전 조건으로부터 얻어진 것으로서, 외부 조건(대기 온도, 압력, 습도, 냉각수가 필요한 경우 해수 또는 강수 온도 등), 투입 연료의 특성, 운전 범위 등의 다양한 조합에서의 운전 데이터를 준비한다. 감시 대상이 되는 산업 설비에 설치된 측정 장비를 통하여 온/오프 라인 방법으로 측정할 수 있는 모든 변수 또는 일부 변수를 학습용 데이터로 취급할 수 있다.
학습용 데이터의 수집 시간에 대한 요건은 없으나, 위와 같이 다양한 조건에서 충분한 데이터를 수집하기 위해서는 감시 대상 설비가 최초로 설치된 이후, 안정적인 운전에 접어든 상태에서 적어도 1년 이상 데이터를 수집하는 것이 바람직하다. 만일 안정적인 운전 상태에서 1년 이상의 데이터를 수집하는 것이 현실적으로 불가능한 경우에는 대체 방법을 활용할 수 있다. 예컨대 다년에 걸쳐 계획예방정지가 실시되고 난 이후 3개월씩 데이터를 수집하는 등의 방법으로 이를 대신할 수 있다.
도 2는 종래 기술에 따른 커널 회귀 모델을 통한 예측 변수 대비 응답 변수와 관련된 그래프를 도시한다.
구체적으로, 도 2는 종래 기술에 따른 커널 회귀 모델을 이용하여 예측 변수를 넣을 때 응답 변수를 예시한다.
도 2를 참고하면, 그래프의 가로축은 시간을 나타낼 수 있고, 세로축은 변수를 나타낼 수 있다. 변수는 제1 예상 변수(210), 제2 예상 변수(212), 제1 응답 변수(222) 및 제2 응답 변수(224)를 포함하고, 시간은 제1 시간(230) 및 제2 시간(232)을 포함할 수 있다.
여기서, 종래 기술에 따른 커널 회귀 모델은 제1 예상 변수(210) 및 제2 예상 변수(212)를 이용하여 제1 응답 변수(222) 및 제2 응답 변수(224)를 포함하는 응답 변수(200)를 추정할 수 있다.
다만, 제1 시간(230) 및 제2 시간(232)에서 제1 예상 변수(210) 및 제2 예상 변수(212)가 동일하다. 동일한 지점들은 제1 데이터 포인트(240) 및 제2 데이터 포인트(242)을 포함한다.
이 경우, 제1 데이터 포인트(240)에서의 예측 벡터와 제2 데이터 포인트(242)에서 예측 벡터가 동일함에 따라, 제1 데이터 포인트(240) 및 제2 데이터 포인트(242)에서 제1 예상 변수(212) 및 제2 예상 변수(214)에 각각 대응하는 제1 응답 변수(222) 및 제2 응답 변수(224)가 구별되지 않을 수 있다.
또한, 반복적인 조사에 따라 제1 응답 변수(222) 및 제2 응답 변수(224)에 대한 결과 추정치가 기대 값과 평균 값이 동일함에 따라 신호의 결함이 확인되지 않을 수 있다.
도 3은 본 발명의 일실시예에 따른 시간 의존 변환식의 유도 절차와 관련된 그래프를 도시한다.
구체적으로, 도 3은 본 발명의 일실시예에 따른 테일러 급수 전개를 사용하여 시간 의존 변환식을 유도하는 절차와 관련된 그래프를 도시한다.
도 3을 참고하면, 그래프의 가로축은 시간을 나타낼 수 있고, 세로축은 변수를 나타낼 수 있다. 변수는 제1 예상 변수(310), 제2 예상 변수(312) 및 제1 예상 변수와 제2 예상 변수의 차이값(314)을 포함하고, 시간은 제1 시간(320) 및 제2 시간(332)을 포함하고, 제1 접선(330) 및 제2 접선(332)를 포함한다.
제2 예상 변수(312)에서의 함수는 하기 수학식 7을 이용하여 근사될 수 있다.
[수학식 7]
Figure 112017036027235-pat00009
수학식 7에 따르면, x(t1)는 상기 제1 시간에서 제1 예측 변수를 나타낼 수 있고, x(t2)는 제2 시간에서 제2 예측 변수일 수 있고, t1은 제1 시간을 나타낼 수 있으며, t2는 제2 시간을 나타낼 수 있고, dx/dt는 접선 미분을 나타낼 수 있다.
여기서, 시간 간격은 제2 시간으로부터 제1 시간의 차이값일 수 있고, dx/dt는 접선의 미분으로, 시간 간격이 0에 가까워지면 제1 예상 변수와 제2 예상 변수를 통한 분할선의 미분 한계일 수 있다.
또한, 온라인 검증 장치는 수학식 7을 이용하여 시간 의존 변환식을 유도할 수 있다. 즉, 온라인 검증 장치는 제2 시간에서 제1 시간을 차감한 값에 접선 미분 값을 곱한 후, 제1 시간에서의 제1 예측 변수를 더하여 제2 시간에서의 제2 예측 변수를 계산하여 시간 의존 변환식을 유도할 수 있다.
또한, 수학식 7에 기초하여 일반적인 형태로 다변수 함수에 대한 시간 의존 변환식을 하기 수학식 8과 같이 계산될 수 있다.
[수학식 8]
Figure 112017036027235-pat00010
수학식 8에 따르면,
Figure 112017036027235-pat00011
는 현재 데이터 포인트의 변환 결과를 나타낼 수 있고,
Figure 112017036027235-pat00012
는
Figure 112017036027235-pat00013
의 이전 변환 결과에 해당하는
Figure 112017036027235-pat00014
와 이전 데이터 포인트에 해당하는
Figure 112017036027235-pat00015
의 차이를 나타낼 수 있으며, ti는 j번째 변수의 i번째 예측자의 데이터 포인트에 해당하는 xi,j의 시간 위치을 나타낼 수 있고, dx/dti,j는 데이터 포인트 xi,j에서 접선 미분을 나타낼 수 있다.
또한, 온라인 검증 장치는 수학식 8을 이용하여 메모리 데이터를 변환할 수 있다. 즉, 온라인 검증 장치는 제2 시간과 관련된 제2 데이터 포인트의 접선 미분 값과 제2 시간을 곱한 값에 제1 시간과 관련된 제1 데이터 포인트의 제1 예측 변수에서 제1 데이터 포인트의 제1 예측 변수로부터 변환되는 제1 변환 결과를 차감한 값을 더함으로써 제2 데이터 포인트로부터 변환되는 제2 변환 결과를 계산하여 메모리 데이터를 변환될 수 있다.
또한, 수학식 8에 기초하여 예측 변수를 하기 수학식 9와 같이 변환할 수 있다.
[수학식 9]
Figure 112017036027235-pat00016
수학식 9에 따르면,
Figure 112017036027235-pat00017
는 변환 결과에 대한 예측 변수를 나타낼 수 있고, m은 변환 결과와 관련된 메모리 벡터의 개수를 나타낼 수 있으며, p는 변환 결과에 대한 예측 변수의 개수를 나타낼 수 있다.
또한, 수학식 8에 기초하여 하기 수학식 10과 같이 쿼리 벡터를 제공할 수 있다.
[수학식 10]
Figure 112017036027235-pat00018
수학식 10에 따르면,
Figure 112017036027235-pat00019
는 변환 결과에 기초한 쿼리 벡터를 나타낼 수 있고, p는 상기 변환 결과에 기초한 쿼리 벡터에 대한 예측 변수의 개수를 나타낼 수 있다.
또한, 수학식 10에 기초하여 제공된 쿼리 벡터에 대하여 수학식 11을 이용하여 제1 데이터 포인트 및 제2 데이터 포인트 간의 유클리디안 거리를 계산할 수 있다.
[수학식 11]
Figure 112017036027235-pat00020
수학식 11에 따르면, di는 유클리디안 거리를 나타낼 수 있고,
Figure 112017036027235-pat00021
는 i번째 예측 변수로부터의 변환 결과를 나타낼 수 있으며,
Figure 112017036027235-pat00022
는 변환 결과에 기초한 쿼리 벡터를 나타낼 수 있고, p는 상기 변환 결과에 기초한 쿼리 벡터에 대한 예측 변수의 개수를 나타낼 수 있다.
또한, 수학식 11에 기초하여 계산된 유클리디안 거리에 대하여 수학식 12를 이용하여 커널 가중치를 계산할 수 있다. 수학식 12는 하기와 같다.
[수학식 12]
Figure 112017036027235-pat00023
수학식 12에 따르면, Ki는 i번째 예측 변수로부터의 변환 결과와 관련된 커널 가중치를 나타낼 수 있고, di는 i번째 예측 변수로부터의 변환 결과와 관련된 유클리디안 거리를 나타낼 수 있으며,
Figure 112017036027235-pat00024
는 커널 대역폭을 나타낼 수 있다.
또한, 수학식 11에 기초하여 계산된 유클리디안 거리 및 수학식 12에 기초하여 계산된 커널 가중치를 이용하는 수학식 13에 기초하여 응답 변수를 계산할 수 있다.
[수학식 13]
Figure 112017036027235-pat00025
수학식 13에 따르면,
Figure 112017036027235-pat00026
는 쿼리 벡터에 해당하는 xq에 대한 예상 응답 변수의 가중 평균을 나타낼 수 있고, Ki는 i번째의 커널 가중치를 나타낼 수 있으며, di는 i번째의 유클리디안 거리를 나타낼 수 있고, yi는 i번째의 응답 변수를 나타낼 수 있다.
도 4는 본 발명의 일실시예에 따른 커널 회귀 모델의 블록도를 도시한다.
구체적으로, 도 4는 본 발명의 일실시예에 따른 커널 회귀 모델을 통과하는 예측 변수(410)에 대응하는 응답 변수(420)를 예시한다.
설비가 정상적인 상태에서 얻어진 학습용 데이터로 자기상관 회귀 분석 모델을 구성할 경우, 설비가 정상적인 상태에서 얻어진 데이터가 입력되었을 경우에는 입력 신호와 출력 신호 사이에 편차가 발생하게 되고, 자기상관 모델은 모수기반(parametric) 또는 비모수기반(non-parametric)으로 구성될 수 있다.
일례로, 우수한 회귀분석 모델이란 적합도(goodness-of-fit)와 매끄러운 정도(smoothness)를 동시에 작게 해줄 수 있다.
일례로, 커널 회귀 모델(400)은 예측 변수(410)가 포함하는 제1 변수, 제2 변수 및 제m 변수를 이용하여 응답 변수(420)을 획득할 수 있다.
또한, 커널 회귀 모델(400)은 데이터를 회귀분석 모델의 입력 신호를 넣으면, 회귀 분석 모델은 자기상관 회귀 분석을 수행하여 출력 신호를 발생하게 되면, 잔차(residual)는 그룹 내에 속한 모든 변수에 대하여 각각 계산되며, 최종적으로 사용자에게 설비의 공정 여유도를 제공할 수 있다.
또한, 공정 여유도는 실제 측정된 값에 신뢰구간을 조합하여 결정될 수 있다.
도 5는 본 발명의 일실시예에 따른 온라인 검증 방법과 관련된 흐름도를 도시한다.
구체적으로, 도 5는 본 발명의 일실시예에 따른 온라인 검증 방법이 예측 변수들 간의 시간 간격을 고려한 시간 의존 변환식을 이용하여 메모리 데이터를 변환한 후, 응답 변수를 계산하는 절차를 예시한다.
도 5를 참고하면, 단계(501)에서 온라인 검증 방법은 시간 의존 변환식을 이용하여 메모리 데이터를 변환할 수 있다. 즉, 온라인 검증 방법은 제1 예측 변수에 해당하는 제1 시간과 제2 예측 변수에 해당하는 제2 시간의 차이에 기초하여 시간 의존 변환식을 이용하여 메모리 데이터를 변환할 수 있다.
단계(502)에서 온라인 검증 방법은 쿼리 벡터를 제공할 수 있다. 즉, 온라인 검증 방법은 단계(501)에서 메모리 데이터로부터 변환된 벡터들에 대한 쿼리 벡터를 제공할 수 있다.
단계(503)에서 온라인 검증 방법은 유클리디안 거리를 계산할 수 있다. 즉, 온라인 검증 방법은 변환된 벡터들을 이용하여 쿼리 벡터에 대한 유클리디안 거리를 계산할 수 있다.
단계(504)에서 온라인 검증 방법은 가우시안 커널 함수를 적용하여 커널 가중치를 계산할 수 있다. 즉, 온라인 검증 방법은 계산된 유클리디안 거리 및 커널 대역폭에 대하여 가우시안 커널 함수를 이용하여 커널 가중치를 계산할 수 있다.
단계(505)에서 온라인 검증 방법은 온라인 검증 방법은 쿼리 벡터에 대한 응답 변수를 계산한다. 즉, 온라인 검증 방법은 계산된 가중치를 이용하여 쿼리 벡터에 대한 응답 변수를 계산한다. 즉, 계산된 커널 가중치, 유클리디안 거리 및 제2 예측 변수에 상응하는 응답 변수에 기초하여 쿼리 벡터에 상응하는 응답 변수의 가중 평균을 계산할 수 있다.
도 6은 본 발명의 다른 실시예에 따른 온라인 검증 방법과 관련된 흐름도를 도시한다.
구체적으로, 도 6은 본 발명의 온라인 검증 방법이 훈련 모드와 실행 모드를 선택적으로 운영하여 훈련 모드에서 갱신된 커널 회귀 모델을 통하여 쿼리 벡터에 대한 신호 추정 및 에러 수량화하여 결과를 표시하는 절차를 예시한다.
도 6을 참고하면, 온라인 검증 방법은 단계(600)에서 훈련 모드의 여부를 판단한다. 여기서, 온라인 검증 방법은 훈련 모드일 경우, 단계(601)로 진행하고, 온라인 검증 방법은 훈련 모드가 아닐 경우, 단계(611)로 진행한다.
단계(601)에서 온라인 검증 방법은 이력 데이터를 수집할 수 있다. 즉, 온라인 검증 방법은 발전소 작동 중 발전소 작동과 관련된 이력 데이터를 수집할 수 있다. 여기서, 이력 데이터는 발전소의 설비의 작동과 관련될 수 있다.
단계(602)에서 온라인 검증 방법은 시간 의존 변환식을 유도할 수 있다. 즉, 온라인 검증 방법은 제1 예측 변수의 제1 시간에 상응하는 제1 데이터 포인트 및 제2 예측 변수의 제2 시간에 상응하는 제2 데이터 포인트 간의 시간 간격을 고려한 시간 의존 변환식을 유도할 수 있다.
단계(603)에서 온라인 검증 방법은 유한 차분을 이용하여 근사화를 수행할 수 있다. 즉, 온라인 검증 방법은 시간 의존 변환식을 이용한 특정 데이터 포인트의 미분은 유한 차분을 사용하여 근사 될 수 잇다.
단계(604)에서 온라인 검증 방법은 유한 차분을 이용하여 근사화하여 메모리 데이터를 변환할 수 있다. 즉, 온라인 검증 방법은 유한 차분을 이용하여 근사화된 메모리 데이터를 수학식 9를 통하여 메모리 데이터를 변환할 수 있다.
단계(605)에서 온라인 검증 방법은 변환된 메모리 데이터를 이용하여 커널 회귀 모델을 갱신할 수 있다. 즉, 온라인 검증 방법은 메모리 데이터로부터 변환된 결과를 이용하여 커널 회귀 모델을 갱신할 수 있다.
단계(606)에서 온라인 검증 방법은 훈련 모델의 상태를 확인할 수 있다. 즉, 온라인 검증 방법은 훈련 모델 적용 가능 여부를 판단하다. 여기서, 온라인 검증 방법은 훈련 모델이 적절한 훈련 모델을 판단하기 위한 기준값 이상의 점수를 획득한 경우, 단계(621)로 진행하고, 반대의 경우, 단계(605)로 돌아가서 커널 회귀 모델을 재 갱신한다. 또한, 훈련 모드에서 단계(621), 단계(622), 단계(623)을 진행할 수 있다.
단계(611)에서 온라인 검증 방법은 쿼리 벡터 수집할 수 있다. 즉, 온라인 검증 방법은 실행 모드에서 메모리 데이터로부터 변환된 결과로부터 쿼리 벡터를 수집할 수 있다.
단계(612)에서 온라인 검증 방법은 수집된 쿼리 벡터가 두 개 이상인지 판단한다. 즉, 온라인 검증 방법은 단계(611)에서 수집된 쿼리 벡터가 적어도 세 개 이상인지 여부를 판단한다. 온라인 검증 방법은 수집된 쿼리 벡터가 세 개 이하일 경우, 단계(611)로 돌아갈 수 있다.
단계(613)에서 온라인 검증 방법은 이전 쿼리 벡터들 저장할 수 있다. 즉, 온라인 검증 방법은 단계(612)에서 수집된 쿼리 벡터의 개수에 따라 판단하는 동안 단계(613)에서 이전 쿼리 벡터들을 저장할 수 있다. 즉, 온라인 검증 방법은 수집되는 이전 두 개의 쿼리 벡터는 평가하지 않고, 세 번째 입력되는 쿼리 벡터부터 평가한다.
단계(614)에서 온라인 검증 방법은 유한 차분을 이용하여 근사화를 수행할 수 있다. 또한, 온라인 검증 방법은 하기 수학식 14를 이용하여 근사화를 수행할 수 있다. 수학식 14는 하기와 같다.
[수학식 14]
Figure 112017036027235-pat00027
수학식 14에 따르면, dx/dti , j는 데이터 포인트 xi,j에서 근사화된 접선 미분을 나타낼 수 있고, xi,j는 j번째 예측 변수의 i번째 관측값을 나타낼 수 있으며, xi-1, j는 j번째 예측 변수의 i-1번째 관측값나타낼 수 있고, xi-2, j는 j번째 예측 변수의 i-2번째 관측값을 나타낼 수 있으며, h는 제1 시간과 제2 시간 간의 시간 간격을 나타낼 수 있다.
단계(615)에서 온라인 검증 방법은 단계(614)에서 근사화된 접선을 이용하여 데이터를 변환할 수 있다.
단계(621)에서 온라인 검증 방법은 커널 회귀 모델 갱신할 수 있다. 즉, 온라인 검증 방법은 커널 회귀 모델을 갱신하여 결정한다.
단계(622)에서 온라인 검증 방법은 신호 추정 및 에러를 수량화 할 수 있다. 즉, 온라인 검증 방법은 예측 변수로부터 대응되는 응답 변수와 관련된 신호를 추정하여 신호의 상태를 추정하고, 신호의 유사성 및 비유사성을 판단한다.
단계(623)에서 온라인 검증 방법은 예측 변수로부터 대응되는 응답 변수와 관련된 신호를 결과로서 표시한다.
단계(624)에서 온라인 검증 방법은 사용자에게 프로그램 종료 여부를 문의하고, 프로그램의 종료가 선택될 경우, 해당 절차를 종료하고, 프로그램의 종료가 선택되지 않을 경우, 단계(611)로 돌아가서, 쿼리 벡터를 수집한다.
상술한 구체적인 실시 예들에서, 발명에 포함되는 구성 요소는 제시된 구체적인 실시 예에 따라 단수 또는 복수로 표현되었다.
그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 상술한 실시 예들이 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.
한편 발명의 설명에서는 구체적인 실시 예에 관해 설명하였으나, 다양한 실시 예들이 내포하는 기술적 사상의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다.
그러므로 본 발명의 범위는 설명된 실시 예에 국한되어 정해져서는 아니되며 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
100: 온라인 검증 장치 110: 데이터 변환부
120: 쿼리 벡터 제공부 130: 거리 계산부
140: 가중치 계산부 150: 응답 변수 계산부

Claims (15)

  1. 제1 시간과 제2 시간의 차이에 기초하는 시간 의존 변환식을 이용하여 메모리 데이터를 변환하는 데이터 변환부;
    상기 변환된 메모리 데이터에 기초하여 쿼리 벡터를 제공하는 쿼리 벡터 제공부;
    상기 변환된 메모리 데이터를 이용하여 상기 쿼리 벡터에 대한 유클리디안 거리를 계산하는 거리 계산부;
    상기 계산된 유클리디안 거리에 대하여 가우시안 커널 함수를 적용하여 커널 가중치를 계산하는 가중치 계산부; 및
    상기 계산된 가중치를 이용하여 상기 쿼리 벡터에 대한 응답 변수를 계산하는 응답 변수 계산부를 포함하고,
    상기 데이터 변환부는,
    상기 제2 시간에서 상기 제1 시간을 차감한 값에 접선 미분 값을 곱한 후, 상기 제1 시간에서의 제1 예측 변수를 더하여 상기 제2 시간에서의 제2 예측 변수를 계산하여 상기 시간 의존 변환식을 유도하는
    시변 신호를 검증하는 온라인 검증 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 데이터 변환부는,
    상기 제2 시간과 관련된 제2 데이터 포인트의 접선 미분 값과 상기 제2 시간을 곱한 값에 상기 제1 시간과 관련된 제1 데이터 포인트의 제1 예측 변수에서 상기 제1 데이터 포인트의 제1 예측 변수로부터 변환되는 제1 변환 결과를 차감한 값을 더함으로써 상기 제2 데이터 포인트로부터 변환되는 제2 변환 결과를 계산하여 상기 메모리 데이터를 변환하는
    시변 신호를 검증하는 온라인 검증 장치.
  4. 제3항에 있어서,
    상기 데이터 변환부는
    상기 유도된 시간 의존 변환식을 이용하여 상기 제1 데이터 포인트의 제1 예측 변수와 관련된 타이밍 발생 정보를 상기 제2 데이터 포인트의 제2 예측 변수와 결합하여 상기 메모리 데이터를 변환하는
    시변 신호를 검증하는 온라인 검증 장치.
  5. 제4항에 있어서,
    상기 쿼리 벡터 제공부는,
    상기 제1 데이터 포인트의 타이밍 발생 정보가 반영된 상기 쿼리 벡터를 제공하는
    시변 신호를 검증하는 온라인 검증 장치.
  6. 제5항에 있어서,
    상기 거리 계산부는,
    상기 쿼리 벡터를 이용하여 상기 제1 데이터 포인트 및 상기 제2 데이터 포인트 간의 상기 유클리디안 거리를 계산하는
    시변 신호를 검증하는 온라인 검증 장치.
  7. 제6항에 있어서,
    상기 가중치 계산부는,
    상기 계산된 유클리디안 거리 및 커널 대역폭에 대하여 가우시안 커널 함수를 이용하여 커널 가중치를 계산하는
    시변 신호를 검증하는 온라인 검증 장치.
  8. 제7항에 있어서,
    상기 응답 변수 계산부는,
    상기 계산된 커널 가중치, 상기 유클리디안 거리, 및 상기 제2 예측 변수에 상응하는 응답 변수에 기초하여 상기 쿼리 벡터에 상응하는 응답 변수의 가중 평균을 계산하는
    시변 신호를 검증하는 온라인 검증 장치.
  9. 제8항에 있어서,
    상기 가중 평균에 기초하여 상기 쿼리 벡터에 상응하는 신호를 모니터링하여 산업 설비의 공정 여유도를 판단하는 공정 판단부를 더 포함하는
    시변 신호를 검증하는 온라인 검증 장치.
  10. 제1 시간과 제2 시간의 차이에 기초하는 시간 의존 변환식을 이용하여 메모리 데이터를 변환하는 데이터 변환부;
    상기 변환된 메모리 데이터에 기초하여 쿼리 벡터를 제공하는 쿼리 벡터 제공부;
    상기 변환된 메모리 데이터를 이용하여 상기 쿼리 벡터에 대한 유클리디안 거리를 계산하는 거리 계산부;
    상기 계산된 유클리디안 거리에 대하여 가우시안 커널 함수를 적용하여 커널 가중치를 계산하는 가중치 계산부; 및
    상기 계산된 가중치를 이용하여 상기 쿼리 벡터에 대한 응답 변수를 계산하는 응답 변수 계산부를 포함하고,
    상기 데이터 변환부는,
    상기 변환된 메모리 데이터 중 적어도 3개 이상의 데이터 포인트에 대한 유한 차분(finite-difference)을 수행하여 상기 변환된 메모리 데이터를 근사화하는
    시변 신호를 검증하는 온라인 검증 장치.
  11. 제1항에 있어서,
    커널 회귀 모델의 훈련 경로 및 실행 경로 중 어느 하나를 제공하는 경로 선택부; 및
    발전소 작동 중 발전소 작동과 관련된 이력 데이터를 수집하는 이력 데이터 수집부를 더 포함하는
    시변 신호를 검증하는 온라인 검증 장치.
  12. 데이터 변환부에서, 제1 시간과 제2 시간의 차이에 기초하는 시간 의존 변환식을 이용하여 메모리 데이터를 변환하는 단계;
    쿼리 벡터 제공부에서, 상기 변환된 메모리 데이터에 기초하여 쿼리 벡터를 제공하는 단계;
    거리 계산부에서, 상기 변환된 메모리 데이터를 이용하여 상기 쿼리 벡터에 대한 유클리디안 거리를 계산하는 단계;
    가중치 계산부에서, 상기 계산된 유클리디안 거리에 대하여 가우시안 커널 함수를 적용하여 커널 가중치를 계산하는 단계; 및
    응답 변수 계산부에서, 상기 계산된 가중치를 이용하여 상기 쿼리 벡터에 대한 응답 변수를 계산하는 단계를 포함하고,
    상기 메모리 데이터를 변환하는 단계는,
    상기 제2 시간에서 상기 제1 시간을 차감한 값에 접선 미분 값을 곱한 후, 상기 제1 시간에서의 제1 예측 변수를 더하여 상기 제2 시간에서의 제2 예측 변수를 계산하여 상기 시간 의존 변환식을 유도하는 단계를 포함하는
    시변 신호를 검증하는 온라인 검증 방법.
  13. 삭제
  14. 제12항에 있어서,
    상기 메모리 데이터를 변환하는 단계는,
    상기 제2 시간과 관련된 제2 데이터 포인트의 접선 미분 값과 상기 제2 시간을 곱한 값에 상기 제1 시간과 관련된 제1 데이터 포인트의 제1 예측 변수에서 상기 제1 데이터 포인트의 제1 예측 변수로부터 변환되는 제1 변환 결과를 차감한 값을 더함으로써 상기 제2 데이터 포인트로부터 변환되는 제2 변환 결과를 계산하는 단계를 포함하는
    시변 신호를 검증하는 온라인 검증 방법.
  15. 제14항에 있어서,
    상기 제2 데이터 포인트로부터 변환되는 제2 변환 결과를 계산하는 단계는,
    상기 유도된 시간 의존 변환식을 이용하여 상기 제1 데이터 포인트의 제1 예측 변수와 관련된 타이밍 발생 정보를 상기 제2 데이터 포인트의 제2 예측 변수와 결합하는 단계를 포함하는
    시변 신호를 검증하는 온라인 검증 방법.
KR1020170047774A 2017-04-13 2017-04-13 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법 KR101967524B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170047774A KR101967524B1 (ko) 2017-04-13 2017-04-13 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170047774A KR101967524B1 (ko) 2017-04-13 2017-04-13 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20180115448A KR20180115448A (ko) 2018-10-23
KR101967524B1 true KR101967524B1 (ko) 2019-04-09

Family

ID=64101755

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170047774A KR101967524B1 (ko) 2017-04-13 2017-04-13 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101967524B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102199695B1 (ko) 2018-12-27 2021-01-07 경희대학교 산학협력단 가중 거리 자기 연상 양방향 커널 회귀를 이용한 온라인 신호 데이터 검증 장치 및 방법
KR102286814B1 (ko) 2020-02-04 2021-08-09 경희대학교 산학협력단 가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100867938B1 (ko) * 2007-09-27 2008-11-10 한국전력공사 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100997009B1 (ko) 2009-06-09 2010-11-25 한국남동발전 주식회사 산업설비의 공정 여유도에 대한 동적 감시 및 적시 경보 방법
KR101096793B1 (ko) 2010-04-19 2011-12-21 비앤에프테크놀로지 주식회사 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체
US8660980B2 (en) * 2011-07-19 2014-02-25 Smartsignal Corporation Monitoring system using kernel regression modeling with pattern sequences
KR101871940B1 (ko) 2014-05-12 2018-06-27 한화에어로스페이스 주식회사 설비 이상 예측 모델의 구축방법 및 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100867938B1 (ko) * 2007-09-27 2008-11-10 한국전력공사 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법

Also Published As

Publication number Publication date
KR20180115448A (ko) 2018-10-23

Similar Documents

Publication Publication Date Title
CN107765347B (zh) 一种高斯过程回归和粒子滤波的短期风速预测方法
KR102153924B1 (ko) 모델 파라미터값 추정 장치 및 추정 방법, 프로그램, 프로그램을 기록한 기록 매체, 모델 파라미터값 추정 시스템
CN107145645B (zh) 带不确定冲击的非平稳退化过程剩余寿命预测方法
CN111222549B (zh) 一种基于深度神经网络的无人机故障预测方法
KR102042165B1 (ko) 미세먼지의 농도 예측 방법 및 장치
Zhang et al. RUL prediction and uncertainty management for multisensor system using an integrated data-level fusion and UPF approach
US20120296605A1 (en) Method, computer program, and system for performing interpolation on sensor data for high system availability
CN111639798A (zh) 智能的预测模型选择方法及装置
JP2018092445A5 (ko)
EP3904987B1 (en) Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system
JP6529096B2 (ja) シミュレートシステム、シミュレート方法およびシミュレート用プログラム
CN112840385A (zh) 采用多重预测模型的电厂预警装置和方法
KR101967524B1 (ko) 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법
JP2018163645A (ja) 故障診断装置、監視装置、故障診断方法、および故障診断プログラム
Wang et al. Degradation prediction method by use of autoregressive algorithm
WO2015083397A1 (ja) 演算装置
KR102110319B1 (ko) 학습 데이터 생성 시스템
JP2020177571A (ja) 異常予兆診断装置、異常予兆診断方法及び異常予兆診断プログラム
CN116187153B (zh) 基于层次贝叶斯的水工结构数字孪生模型更新方法
US10845792B2 (en) Failure diagnosis apparatus, monitoring apparatus, failure diagnosis method and recording medium
JPH10187226A (ja) プラント状態予測装置
JP7458268B2 (ja) 情報処理装置、情報処理方法、コンピュータプログラム及び情報処理システム
Cisotto et al. Performance prediction using neural network and confidence intervals: A gas turbine application
CN111443602A (zh) 一种基于隐马尔可夫的阀门健康度估计与寿命预测方法
JP7452311B2 (ja) 漏水検出装置及び漏水検出方法

Legal Events

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