KR102095389B1 - Fault diagnosis system of a faculty using energy - Google Patents

Fault diagnosis system of a faculty using energy Download PDF

Info

Publication number
KR102095389B1
KR102095389B1 KR1020180168201A KR20180168201A KR102095389B1 KR 102095389 B1 KR102095389 B1 KR 102095389B1 KR 1020180168201 A KR1020180168201 A KR 1020180168201A KR 20180168201 A KR20180168201 A KR 20180168201A KR 102095389 B1 KR102095389 B1 KR 102095389B1
Authority
KR
South Korea
Prior art keywords
facility
data
abnormal data
module
failure diagnosis
Prior art date
Application number
KR1020180168201A
Other languages
Korean (ko)
Inventor
정태윤
박래정
박용순
Original Assignee
강릉원주대학교산학협력단
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 강릉원주대학교산학협력단 filed Critical 강릉원주대학교산학협력단
Priority to KR1020180168201A priority Critical patent/KR102095389B1/en
Application granted granted Critical
Publication of KR102095389B1 publication Critical patent/KR102095389B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2513—Arrangements for monitoring electric power systems, e.g. power lines or loads; Logging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/08—Arrangements for measuring electric power or power factor by using galvanomagnetic-effect devices, e.g. Hall-effect devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2839—Fault-finding or characterising using signal generators, power supplies or circuit analysers
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/185—Electrical failure alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

The present invention relates to a fault diagnosis system for a facility using electric energy. The fault diagnosis system includes: a power measuring apparatus which measures an electrical signal applied to the facility; and a fault diagnosis apparatus which diagnoses whether the facility is broken. The fault diagnosis apparatus includes: a data collecting module which obtains normal data and abnormal data for a facility from the facility; a fake abnormal data generating module which uses a generator of a GAN neural network to generate fake abnormal data; a fault diagnosis learning module which uses, as learning data, the normal data and the fake abnormal data individually collected from the data collecting module and the fake abnormal data generating module for mechanical learning to generate a fault diagnosis discrimination model; and a fault diagnosing module which uses the fault diagnosis discrimination model to determine whether the facility is broken. According to the present invention, it is possible to more accurately perform learning for the fault diagnosis discrimination model.

Description

에너지 사용 시설물의 고장 진단 시스템{Fault diagnosis system of a faculty using energy}Fault diagnosis system of a faculty using energy

본 발명은 에너지 사용 시설물에 대한 고장 진단 시스템에 관한 것으로서, 더욱 구체적으로는 GAN 신경망을 이용하여 비정상 데이터를 획득하고, 비정상 데이터와 정상 데이터를 이용하여 학습하여 에너지 사용 시설물에 대한 고장 진단 모델을 생성하여 고장 진단할 수 있도록 하는 고장 진단 시스템 및 그 방법에 관한 것이다.The present invention relates to a failure diagnosis system for an energy use facility, and more specifically, acquires abnormal data using a GAN neural network, and learns using the abnormal data and normal data to generate a failure diagnosis model for the energy use facility. The present invention relates to a fault diagnosis system and a method for fault diagnosis.

전기 에너지 등을 사용하는 시설물들은 안정적인 동작을 위하여 정기적으로 이상 유무를 판단하거나 고장 여부를 판단하여야 된다. 특히, 전기 소자를 사용하는 시설물들은 시간의 흐름에 따라 부품 등의 노화 현상으로 인하여 전기적 특성에 변화가 생기게 되는데, 이러한 노화에 의한 특성 변화는 시간에 따라 서서히 진행되므로 발견하기가 쉽지 않다.Facilities that use electric energy, etc., should periodically check for abnormalities or determine whether or not there is a malfunction to ensure stable operation. In particular, facilities using electric devices have a change in electrical properties due to aging phenomenon of parts and the like over time, and the change in properties due to aging gradually progresses with time, which is not easy to find.

이러한 전기적 특성 변화는 시설물이 정상으로 동작할 때와 비정상으로 동작할 때를 구분하여 해당 시설물의 이상 유무를 판단하여야 한다. 따라서, 시설물에 대한 정상 데이터와 비정상 데이터들을 이용하여 학습함으로써 시설물에 대한 고장 진단 판단을 위한 학습 모델을 얻을 수 있을 것이다.The change in electrical characteristics should be determined by distinguishing whether a facility operates normally or abnormally. Therefore, by learning using the normal data and abnormal data for the facility, it will be possible to obtain a learning model for fault diagnosis judgment for the facility.

이러한 학습을 위하여, 시설물에 대한 정상 데이터와 비정상 데이터들로 이루어지는 학습 데이터가 필요하게 된다. 하지만, 정상 데이터들은 시설물이 정상으로 동작할 때의 데이터들로서 시설물을 정상으로 구동시킴으로써 쉽게 획득하여 수집할 수 있으나, 비정상 데이터들은 시설물이 비정상으로 동작할 때의 데이터들로서 시설물을 비정상적으로 구동시킬 수는 없기 때문에 획득하기 어렵게 된다. For such learning, learning data consisting of normal data and abnormal data for a facility is required. However, normal data are data when the facility is operating normally and can be easily obtained and collected by driving the facility to normal, but abnormal data are data when the facility is operating abnormally, which can cause the facility to abnormally drive the facility. It is difficult to obtain because there is no.

한편, GAN(Generative Adversarial Network) 신경망은 “대립쌍을 이루는(Adversarial)” 두 개의 네트워크, 즉 이미지를 만드는 생성자(Generator)와 이미지가 진짜인지 가짜인지 감별하는 감식자(Discriminator)를 서로 경쟁시켜 생성자가 감별자가 구분하기 어려운 진짜 같은 가짜를 만들게 하는 것이다.On the other hand, the GAN (Generative Adversarial Network) neural network is created by competing between two “adversarial” networks, namely, the generator that creates the image and the discriminator that discriminates whether the image is real or fake. Is to make a real fake that is difficult for discriminators to distinguish.

한국공개특허공보 제 10-2018-0048218호Korean Patent Publication No. 10-2018-0048218 한국공개특허공보 제 10-2007-0020720호Korean Patent Publication No. 10-2007-0020720

전술한 문제점을 해결하기 위한 본 발명은 GAN 신경망을 이용하여 시설물에 대한 다량의 가짜 비정상 데이터들을 생성하고, 정상 데이터와 가짜 비정상 데이터로 이루어진 학습 데이터를 이용하여 학습하여 시설물에 대한 고장 진단 시스템을 제공하는 것을 목적으로 한다. The present invention for solving the above-described problems provides a fault diagnosis system for a facility by generating a large amount of fake abnormal data for a facility using a GAN neural network, and learning by using training data consisting of normal data and fake abnormal data. It aims to do.

전술한 기술적 과제를 달성하기 위한 본 발명의 특징에 따른 전기 에너지를 사용하는 시설물에 대한 고장 진단 시스템은, 상기 시설물로 인가되는 전기 신호를 측정하는 전력 측정 장치; 및 상기 전력 측정 장치로부터 제공되는 전기 신호들을 이용하여, 상기 시설물에 대한 고장 여부를 진단하는 고장 진단 장치;를 구비하고, A failure diagnosis system for a facility using electrical energy according to the features of the present invention for achieving the above-described technical problem includes: a power measurement device for measuring an electric signal applied to the facility; And a failure diagnosis device for diagnosing a failure of the facility using electrical signals provided from the power measurement device.

상기 고장 진단 장치는, 시설물에 대한 정상 데이터 및 비정상 데이터를 시설물로부터 획득하는 데이터 수집 모듈; 상기 시설물의 정상 데이터와 유사한 가짜 비정상 데이터를 생성하는 가짜 비정상 데이터 생성 모듈; 상기 데이터 수집 모듈 및 가짜 비정상 데이터 생성 모듈로부터 각각 정상 데이터 및 가짜 비정상 데이터를 수집하고, 정상 데이터 및 가짜 비정상 데이터를 학습 데이터로 사용하여 기계 학습하여 고장 진단 판별 모델을 생성하는 고장 진단 학습 모듈; 상기 고장 진단 판별 모델을 이용하여, 상기 전력 측정 장치로부터 입력되는 측정 데이터들을 분석하여 상기 시설물의 고장 여부를 판단하는 고장 진단 모듈;을 구비한다. The failure diagnosis apparatus includes: a data collection module for acquiring normal data and abnormal data for a facility from the facility; A fake abnormal data generation module that generates fake abnormal data similar to the normal data of the facility; A failure diagnosis learning module that collects normal data and fake abnormal data from the data collection module and the fake abnormal data generation module, and machine-learns using the normal data and the fake abnormal data as training data to generate a failure diagnosis discrimination model; And a failure diagnosis module that analyzes measurement data input from the power measurement device to determine whether the facility has failed using the failure diagnosis determination model.

전술한 특징에 따른 시설물 고장 진단 시스템에 있어서, 상기 데이터 수집 모듈은 시설물에 대한 정상 데이터 및 소량의 비정상 데이터를 수집할 수 있다. In the facility failure diagnosis system according to the above-described feature, the data collection module may collect normal data and small amounts of abnormal data about the facility.

전술한 특징에 따른 시설물 고장 진단 시스템에 있어서, 상기 가짜 비정상 데이터 생성 모듈은 정상 데이터와 무작위 노이즈를 학습 데이터로 하여 GAN 신경망의 생성기(Generator)를 학습하여 정상 데이터의 파형과 유사한 파형을 갖는 가짜 비정상 데이터를 생성하거나, In the facility failure diagnosis system according to the above-mentioned feature, the fake abnormal data generation module learns the generator of the GAN neural network by using normal data and random noise as training data, and thus has a fake abnormality having a waveform similar to that of normal data. Create data, or

상기 가짜 비정상 데이터 생성 모듈은 소량의 비정상 데이터와 무작위 노이즈를 학습 데이터로 하여 GAN 신경망의 생성기를 학습하여 가짜 비정상 데이터를 생성하는 것이 바람직하다. Preferably, the fake abnormal data generation module generates a fake abnormal data by learning a generator of a GAN neural network using a small amount of abnormal data and random noise as training data.

전술한 특징에 따른 시설물 고장 진단 시스템에 있어서, 상기 정상 데이터는 시설물이 정상 구동될 때 시설물로 인가되는 전력 신호, 전류 신호, 및 전압 신호 중 하나 또는 둘 이상에 대한 파형이며, 비정상 데이터는 시설물이 비정상 구동될 때 시설물로 인가되는 전력 신호, 전류 신호, 및 전압 신호 중 하나 또는 둘 이상에 대한 파형인 것이 바람직하다. In the facility failure diagnosis system according to the above-described feature, the normal data is a waveform for one or more of a power signal, a current signal, and a voltage signal applied to the facility when the facility is normally driven, and the abnormal data is the facility It is preferably a waveform for one or more of a power signal, a current signal, and a voltage signal applied to the facility when it is abnormally driven.

전술한 특징에 따른 시설물 고장 진단 시스템에 있어서, 고장 진단 모듈에 의해 고장이라고 판단되면, 사전에 설정된 경고 메시지를 전송하는 경고 알림 모듈;을 더 구비하는 것이 바람직하다. In the facility failure diagnosis system according to the above-described feature, when it is determined that the failure is caused by the failure diagnosis module, it is preferable to further include a warning notification module for transmitting a preset warning message.

전술한 특징에 따른 시설물 고장 진단 시스템에 있어서, 상기 전력 측정 장치는, 시설물로 인가되는 전류를 측정하는 전류 센서, 시설물로 인가되는 전압을 측정하는 전압 센서, 및 상기 전류 센서 및 전압 센서에 의해 측정된 전류 및 전압을 이용하여 전력을 측정하는 전력 측정 모듈을 구비하고, 측정된 데이터들을 고장 진단 장치로 제공한다.In the facility failure diagnosis system according to the above-described features, the power measuring device, a current sensor for measuring the current applied to the facility, a voltage sensor for measuring the voltage applied to the facility, and measured by the current sensor and the voltage sensor It has a power measurement module for measuring the power using the current and voltage, and provides the measured data to the failure diagnosis device.

본 발명에 따른 고장 진단 시스템은, 정상 데이터와 가짜 비정상 데이터를 학습 데이터로 하여 기계 학습하여 고장 진단 판단 모델을 획득하게 된다. 이때, 정상 데이터는 정상 구동되는 시설물에 인가되는 신호 파형들을 수집하여 얻게 되며, 시설물로부터 쉽게 획득하기 어려운 비정상 데이터는 GAN 신경망의 생성기를 이용하여 가짜 비정상 데이터를 생성함으로써, 정상 데이터와 가짜 비정상 데이터를 학습 데이터로서 얻을 수 있게 된다. The fault diagnosis system according to the present invention acquires a fault diagnosis judgment model by machine learning using normal data and fake abnormal data as learning data. At this time, the normal data is obtained by collecting signal waveforms applied to a normally driven facility, and the abnormal data that is difficult to obtain easily from the facility is generated by using the GAN neural network generator to generate fake abnormal data, thereby generating normal data and fake abnormal data. It can be obtained as learning data.

본 발명에 있어서, 학습 데이터로 사용되는 비정상 데이터는 실제로 많은 양의 자료들을 확보하기 어려우므로, GAN 신경망을 학습하여 가짜 비정상 데이터를 생성하여 사용하게 된다. 따라서, 학습 데이터로 사용되는 가짜 비정상 데이터는 정상 데이터와 무작위 노이즈로부터 학습하여 생성하거나 소량의 비정상 데이터와 무작위 노이즈로부터 학습하여 생성하는 것을 특징으로 한다. In the present invention, since abnormal data used as learning data is difficult to secure a large amount of data, it is used to generate fake abnormal data by learning the GAN neural network. Therefore, the fake abnormal data used as the training data is characterized in that it is generated by learning from normal data and random noise or by learning from a small amount of abnormal data and random noise.

따라서, 본 발명에 따른 고장 진단 시스템은 학습을 위하여 많은 양의 가짜 비정상 데이터를 생성하여 획득할 수 있는 방안을 제시함으로써, 보다 정확하게 고장 진단 판단 모델을 위한 학습을 수행할 수 있게 된다. Therefore, the fault diagnosis system according to the present invention provides a method for generating and acquiring a large amount of fake abnormal data for learning, so that the fault diagnosis judgment model can be more accurately trained.

도 1은 본 발명에 따른 시설물 고장 진단 시스템을 설명하기 위하여, 시스템을 전체적으로 도시한 구성도이다.
도 2는 본 발명의 제1 실시예에 따른 시설물 고장 진단 시스템에 있어서, 내부의 구조를 도시한 블록도이다.
도 3은 본 발명의 제1 실시예에 따른 시설물 고장 진단 시스템에 있어서, 정상 데이터와 가짜 비정상 데이터를 예시적으로 도시한 파형도이다.
도 4는 본 발명의 제1 실시예에 따른 시설물 고장 진단 시스템에 있어서, 가짜 비정상 데이터 생성 모듈을 설명하기 위하여 도시한 블록도이다.
도 5는 본 발명의 제2 실시예에 따른 시설물 고장 진단 시스템에 있어서, 내부의 구조를 도시한 블록도이다.
도 6은 본 발명의 제2 실시예에 따른 시설물 고장 진단 시스템에 있어서, 가짜 비정상 데이터 생성 모듈을 설명하기 위하여 도시한 블록도이다.1 is a block diagram showing a system as a whole in order to describe a facility failure diagnosis system according to the present invention.
2 is a block diagram showing an internal structure in the facility failure diagnosis system according to the first embodiment of the present invention.
FIG. 3 is a waveform diagram exemplarily showing normal data and fake abnormal data in the facility failure diagnosis system according to the first embodiment of the present invention.
4 is a block diagram illustrating a fake abnormal data generation module in the facility failure diagnosis system according to the first embodiment of the present invention.
5 is a block diagram showing an internal structure in a facility failure diagnosis system according to a second embodiment of the present invention.
6 is a block diagram illustrating a fake abnormal data generation module in a facility failure diagnosis system according to a second embodiment of the present invention.

본 발명에 따른 고장 진단 시스템은 GAN 신경망을 이용하여 가짜 비정상 데이터를 생성하고, 가짜 비정상 데이터들과 실제 시설물로부터 획득된 정상 데이터들을 학습 데이터로 하여 학습하여 획득된 고장 진단 판단 모델을 이용하여 시설물에 대한 고장 진단 여부를 판단하는 것을 특징으로 한다. The fault diagnosis system according to the present invention generates fake abnormal data using a GAN neural network, and learns the fake abnormal data and normal data obtained from actual facilities as training data to learn the fault diagnosis judgment model obtained by using the fault diagnosis judgment model. It is characterized by judging whether or not to diagnose a failure.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들에 따른 전기 에너지를 사용하는 시설물에 대한 고장 진단 시스템의 구조 및 동작에 대하여 구체적으로 설명한다. Hereinafter, the structure and operation of the failure diagnosis system for a facility using electrical energy according to preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명에 따른 시설물 고장 진단 시스템을 설명하기 위하여, 시스템을 전체적으로 도시한 구성도이다. 1 is a block diagram showing a system as a whole in order to describe a facility failure diagnosis system according to the present invention.

도 1를 참조하면, 본 발명에 따른 고장 진단 시스템(1)은 시설물 등과 같은 부하(2)로 제공되는 전력 신호, 전류 신호 또는 전압 신호 중 하나 또는 둘 이상을 측정하고, 사전 학습된 고장 진단 판별 모델에 상기 측정된 신호들을 적용함으로써, 시설물 등과 같은 부하에 대한 고장 여부를 진단하게 된다.Referring to FIG. 1, the fault diagnosis system 1 according to the present invention measures one or more of a power signal, a current signal or a voltage signal provided to a load 2 such as a facility, and determines a pre-trained fault diagnosis By applying the measured signals to the model, it is diagnosed whether or not the load has failed.

도 2는 본 발명의 제1 실시예에 따른 시설물 고장 진단 시스템에 있어서, 내부의 구조를 도시한 블록도이다. 2 is a block diagram showing an internal structure in the facility failure diagnosis system according to the first embodiment of the present invention.

도 2를 참조하면, 본 발명의 제1 실시예에 따른 시설물 고장 진단 시스템(1)은, 전력 측정 장치(10) 및 고장 진단 장치(20)를 구비한다. Referring to FIG. 2, the facility failure diagnosis system 1 according to the first embodiment of the present invention includes a power measurement device 10 and a failure diagnosis device 20.

상기 전력 측정 장치(10)는 시설물로 인가되는 전류를 측정하는 전류 센서(100), 시설물로 인가되는 전압을 측정하는 전압 센서(110) 및 전류와 전압을 이용하여 전력을 측정하여 제공하는 전력 측정 모듈(120)을 구비한다. The power measuring device 10 is a current sensor 100 for measuring a current applied to a facility, a voltage sensor 110 for measuring a voltage applied to a facility, and a power measurement provided by measuring power using current and voltage The module 120 is provided.

상기 고장 진단 장치(20)는 상기 전력 측정 장치로부터 제공되는 데이터들을 이용하여 시설물에 대한 고장 여부를 진단하고 그 결과를 알려주는 장치로서, 데이터 수집 모듈(200), 가짜 비정상 데이터 생성 모듈(210), 고장 진단 학습 모듈(220), 고장진단 판별 모델(230), 고장 진단 모듈(240)을 구비하며, 경고 알림 모듈(250)을 더 구비할 수 있다. The failure diagnosis device 20 is a device for diagnosing whether a facility has failed using data provided from the power measurement device and notifying the result thereof, a data collection module 200 and a fake abnormal data generation module 210 , A fault diagnosis learning module 220, a fault diagnosis discrimination model 230, and a fault diagnosis module 240, and may further include a warning notification module 250.

상기 데이터 수집 모듈(200)은 시설물이 정상으로 구동될 때 시설물로 인가되는 데이터들을 수집하여 정상 데이터로 제공하거나 시설물이 비정상으로 구동될 때 시설물로 인가되는 데이터들을 수집하여 비정상 데이터로 제공한다. The data collection module 200 collects data that is applied to the facility when the facility is normally operated and provides it as normal data, or collects data that is applied to the facility when the facility is abnormally operated and provides it as abnormal data.

상기 가짜 비정상 데이터 생성 모듈(210)은 상기 데이터 수집 모듈로부터 제공되는 상기 시설물의 정상 데이터와 유사한 가짜 비정상 데이터를 생성한다. The fake abnormal data generation module 210 generates fake abnormal data similar to the normal data of the facility provided from the data collection module.

도 3은 본 발명의 제1 실시예에 따른 시설물 고장 진단 시스템에 있어서, 정상 데이터와 가짜 비정상 데이터를 예시적으로 도시한 파형도이다. 도 3을 참조하면, 가짜 비정상 데이터의 신호 파형은 정상 데이터의 신호 파형과 전체적으로는 유사하나 일부 구간이 상이하여, 시설물의 고장시에 발생되는 데이터들이 될 수 있다. 고장 여부에 대하여 정확한 판별 기능을 갖는 학습 모델을 얻기 위하여, 많은 양의 정상 데이터와 비정상 데이터들이 필요하나, 실제로 정상 데이터는 시설물로부터 획득하기 용이하나 비정상 데이터는 실제로 시설물로부터 획득하기가 쉽지 않다. 따라서, 본 발명은 학습 데이터로 사용될 많은 양의 비정상 데이터를 GAN 신경망으로 학습하여 가짜 비정상 데이터를 생성하는 것을 특징으로 한다. FIG. 3 is a waveform diagram exemplarily showing normal data and fake abnormal data in the facility failure diagnosis system according to the first embodiment of the present invention. Referring to FIG. 3, the signal waveform of the fake abnormal data is generally similar to the signal waveform of the normal data, but some sections are different, and thus may be data generated when a facility malfunctions. In order to obtain a learning model having an accurate discrimination function for a failure, a large amount of normal data and abnormal data are required, but actually normal data is easy to obtain from a facility, but abnormal data is not easy to actually obtain from a facility. Therefore, the present invention is characterized in that a large amount of abnormal data to be used as training data is trained with a GAN neural network to generate fake abnormal data.

도 4는 본 발명의 제1 실시예에 따른 시설물 고장 진단 시스템에 있어서, 가짜 비정상 데이터 생성 모듈을 설명하기 위하여 도시한 블록도이다. 4 is a block diagram illustrating a fake abnormal data generation module in the facility failure diagnosis system according to the first embodiment of the present invention.

도 4를 참조하면, 본 발명의 제1 실시예에 따른 상기 비정상 데이터 생성 모듈(210)은 정상 데이터와 무작위 노이즈를 학습 데이터로 하여 GAN(Generative Adversarial Network) 신경망의 생성기(Generator)로 학습하여 정상 데이터의 파형과 유사한 파형을 갖는 가짜 비정상 데이터를 생성하게 된다. 상기 고장 진단 학습 모듈(220)은, 상기 데이터 수집 모듈로부터 수집된 정상 데이터와 가짜 비정상 데이터 생성 모듈로부터 생성된 가짜 비정상 데이터를 수집하고, 상기 정상 데이터 및 가짜 비정상 데이터를 학습 데이터로 사용하여 기계 학습(Machine Learning)하여 고장 진단 판별 모델(230)을 생성한다.Referring to FIG. 4, the abnormal data generation module 210 according to the first embodiment of the present invention uses normal data and random noise as training data to learn by using a generator of a GAN (Generative Adversarial Network) neural network. It generates fake abnormal data having a waveform similar to that of the data. The failure diagnosis learning module 220 collects normal data collected from the data collection module and fake abnormal data generated from the fake abnormal data generation module, and uses the normal data and the fake abnormal data as training data to learn the machine. Fault diagnosis discrimination model 230 is generated by (Machine Learning).

상기 고장 진단 모듈(240)은, 상기 고장 진단 판별 모델(230)을 이용하여, 상기 전력 측정 장치로부터 입력되는 측정 데이터들을 분석하여 상기 시설물의 고장 여부를 판단하게 된다. The failure diagnosis module 240 analyzes measurement data input from the power measurement device using the failure diagnosis discrimination model 230 to determine whether the facility has failed.

상기 경고 알림 모듈(250)은, 상기 고장 진단 모듈에 의해 고장이라고 판단되면, 사전에 설정된 경고 메시지를 전송하거나 경광등을 구동시키거나 경고 싸이렌을 울리는 등의 사전 설정된 방식으로 운용자나 운용 시스템에게 시설물이 비정상 상태임을 알린다. When it is determined that the failure is caused by the failure diagnosis module, the warning notification module 250 transmits a predetermined warning message, drives a warning light, or sounds a warning siren, thereby providing facilities to the operator or the operating system. Report that it is abnormal.

이하, 첨부된 도면을 참조하여 본 발명의 제2 실시예에 따른 시설물 고장 진단 시스템의 구조 및 동작에 대하여 구체적으로 설명한다. Hereinafter, the structure and operation of the facility failure diagnosis system according to the second embodiment of the present invention will be described in detail with reference to the accompanying drawings.

도 5는 본 발명의 제2 실시예에 따른 시설물 고장 진단 시스템에 있어서, 내부의 구조를 도시한 블록도이다. 도 5를 참조하면, 본 발명의 제2 실시예에 따른 시설물 고장 진단 시스템(2)은 제1 실시예에 따른 시설물 고장 진단 시스템(1)과 유사하며, 다만 데이터 수집 모듈(201) 및 가짜 비정상 데이터 생성 모듈(211)만의 기능이 제1 실시예의 그것들과 상이하다. 따라서, 제1 실시예의 설명과 중복되는 설명은 생략하고 데이터 수집 모듈(201)과 가짜 비정상 데이터 생성 모듈(211)의 동작에 대하여만 구체적으로 설명한다. 5 is a block diagram showing an internal structure in a facility failure diagnosis system according to a second embodiment of the present invention. 5, the facility failure diagnosis system 2 according to the second embodiment of the present invention is similar to the facility failure diagnosis system 1 according to the first embodiment, except for the data collection module 201 and the fake abnormality The function of the data generation module 211 only is different from those of the first embodiment. Therefore, the description overlapping with the description of the first embodiment will be omitted, and only the operation of the data collection module 201 and the fake abnormal data generation module 211 will be described in detail.

상기 데이터 수집 모듈(201)은 전력 측정 장치로부터 정상 데이터 및 비정상 데이터를 모두 수집한다. 정상 데이터는 시설물이 정상 구동될 때 실제 수집되는 데이터이며, 비정상 데이터는 시설물이 비정상 구동될 때 실제 수집되는 데이터이다. 비정상 데이터는 많은 양의 데이터 수집이 어려우며 소량의 데이터 수집이 가능하다. The data collection module 201 collects both normal data and abnormal data from the power measurement device. Normal data is data that is actually collected when the facility is normally operated, and abnormal data is data that is actually collected when the facility is abnormally operated. It is difficult to collect a large amount of abnormal data and it is possible to collect a small amount of data.

도 6은 본 발명의 제2 실시예에 따른 시설물 고장 진단 시스템에 있어서, 가짜 비정상 데이터 생성 모듈을 설명하기 위하여 도시한 블록도이다. 도 6을 참조하면, 상기 가짜 비정상 데이터 생성 모듈(211)은 데이터 수집 모듈(201)로부터 소량의 비정상 데이터들을 제공받고, 소량의 비정상 데이터들과 무작위 노이즈들을 학습 데이터로 하여 GAN 신경망으로 학습하여 많은 양의 가짜 비정상 데이터를 생성하여 고장 진단 학습 모듈로 제공한다. 6 is a block diagram illustrating a fake abnormal data generation module in a facility failure diagnosis system according to a second embodiment of the present invention. Referring to FIG. 6, the fake abnormal data generation module 211 receives a small amount of abnormal data from the data collection module 201, learns a small amount of abnormal data and random noises as training data, and learns a lot using a GAN neural network. It generates positive fake abnormal data and provides it as a fault diagnosis learning module.

전술한 본 발명의 바람직한 실시예들에 따른 시설물 고장 진단 시스템은 학습을 위하여 필요한 학습 데이터들 중 시설물에 대한 비정상 데이터를 GAN 신경망을 이용하여 많은 양의 가짜 비정상 데이터들을 생성함으로써, 보다 정확한 고장 진단 판단 모델을 얻을 수 있게 된다. 실제로 정상 데이터는 수집하거나 획득하기가 용이한 반면에 고장시 발생되는 비정상 데이터는 수집하기가 용이하지 않기 때문에 많은 양의 학습 데이터를 얻기가 매우 어려운 실정이다. 하지만, 본 발명에서는 GAN 신경망을 이용함으로써, 많은 양의 가짜 비정상 데이터를 생성할 수 있게 된다. The facility failure diagnosis system according to the above-described preferred embodiments of the present invention determines a more accurate failure diagnosis by generating a large amount of fake abnormal data by using the GAN neural network to generate abnormal data for the facility among learning data necessary for learning You can get a model. In fact, it is very difficult to obtain a large amount of learning data because normal data is easy to collect or acquire, while abnormal data generated during a failure is not easy to collect. However, in the present invention, by using the GAN neural network, it is possible to generate a large amount of fake abnormal data.

그리고, 이렇게 생성된 가짜 비정상 데이터를 학습 데이터로 사용하여 학습함으로써, 매우 우수한 성능의 고장 진단 판단 모델을 제공할 수 있게 된다. And, by using the generated fake abnormal data as training data to learn, it is possible to provide a failure diagnosis judgment model with very good performance.

이상에서 본 발명에 대하여 그 바람직한 실시예를 중심으로 설명하였으나, 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 발명의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 그리고, 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다. In the above, the present invention has been mainly described with respect to its preferred embodiment, but this is only an example and does not limit the present invention, and those skilled in the art to which the present invention pertains do not depart from the essential characteristics of the present invention. It will be appreciated that various modifications and applications not illustrated above are possible in the scope. And, the differences related to these modifications and applications should be construed as being included in the scope of the invention defined in the appended claims.

1, 2 : 시설물 고장 진단 시스템
2 : 부하 또는 시설물
10 : 전력 측정 장치
100 : 전류 센서
110 : 전압 센서
120 : 전력 측정 모듈
20 : 고장 진단 장치
200, 201 : 데이터 수집 모듈
210, 211 : 비정상 데이터 생성 모듈
220 : 고장 진단 학습 모듈
230 : 고장진단 판별 모델
240 : 고장 진단 모듈
250 : 경고 알림 모듈1, 2: Facility failure diagnosis system
2: load or facility
10: power measuring device
100: current sensor
110: voltage sensor
120: power measurement module
20: fault diagnosis device
200, 201: data collection module
210, 211: abnormal data generation module
220: fault diagnosis learning module
230: Fault diagnosis discrimination model
240: fault diagnosis module
250: warning notification module

Claims (7)

전기 에너지를 사용하는 시설물에 대한 고장 진단 시스템에 있어서,
상기 시설물로 인가되는 전기 신호를 측정하는 전력 측정 장치; 및
상기 전력 측정 장치로부터 제공되는 전기 신호들을 이용하여, 상기 시설물에 대한 고장 여부를 진단하는 고장 진단 장치;
를 구비하고,
상기 고장 진단 장치는,
시설물에 대한 정상 데이터를 시설물로부터 획득하는 데이터 수집 모듈;
상기 시설물에 대한 가짜 비정상 데이터를 생성하는 가짜 비정상 데이터 생성 모듈;
상기 데이터 수집 모듈 및 가짜 비정상 데이터 생성 모듈로부터 각각 정상 데이터 및 가짜 비정상 데이터를 수집하고, 정상 데이터 및 가짜 비정상 데이터를 학습 데이터로 사용하여 기계 학습하여 고장 진단 판별 모델을 생성하는 고장 진단 학습 모듈; 및
상기 고장 진단 판별 모델을 이용하여, 상기 전력 측정 장치로부터 입력되는 측정 데이터들을 분석하여 상기 시설물의 고장 여부를 판단하는 고장 진단 모듈;을 구비하고,
상기 비정상 데이터 생성 모듈은 정상 데이터와 무작위 노이즈(random noise)를 학습 데이터로 하여 GAN(Generative Adversarial Network) 신경망의 생성기(Generator)를 학습하여 정상 데이터의 파형과 유사한 파형을 갖는 가짜 비정상 데이터를 생성하는 것을 특징으로 하는 시설물에 대한 고장 진단 시스템.In the failure diagnosis system for a facility using electrical energy,
A power measurement device that measures an electrical signal applied to the facility; And
A failure diagnosis device that diagnoses whether or not the facility has failed using electrical signals provided from the power measurement device;
Equipped with,
The fault diagnosis device,
A data collection module that obtains normal data for the facility from the facility;
A fake abnormal data generation module that generates fake abnormal data for the facility;
A failure diagnosis learning module that collects normal data and fake abnormal data from the data collection module and the fake abnormal data generation module, and machine-learns using the normal data and the fake abnormal data as training data to generate a failure diagnosis discrimination model; And
And a failure diagnosis module that analyzes measurement data input from the power measurement device to determine whether the facility has failed using the failure diagnosis determination model.
The abnormal data generation module learns a generator of a GAN (Generative Adversarial Network) neural network using normal data and random noise as training data to generate fake abnormal data having a waveform similar to that of normal data. Fault diagnosis system for facilities, characterized in that. 삭제delete 전기 에너지를 사용하는 시설물에 대한 고장 진단 시스템에 있어서,
상기 시설물로 인가되는 전기 신호를 측정하는 전력 측정 장치; 및
상기 전력 측정 장치로부터 제공되는 전기 신호들을 이용하여, 상기 시설물에 대한 고장 여부를 진단하는 고장 진단 장치;
를 구비하고,
상기 고장 진단 장치는,
시설물에 대한 정상 데이터를 시설물로부터 획득하는 데이터 수집 모듈;
상기 시설물에 대한 가짜 비정상 데이터를 생성하는 가짜 비정상 데이터 생성 모듈;
상기 데이터 수집 모듈 및 가짜 비정상 데이터 생성 모듈로부터 각각 정상 데이터 및 가짜 비정상 데이터를 수집하고, 정상 데이터 및 가짜 비정상 데이터를 학습 데이터로 사용하여 기계 학습하여 고장 진단 판별 모델을 생성하는 고장 진단 학습 모듈; 및
상기 고장 진단 판별 모델을 이용하여, 상기 전력 측정 장치로부터 입력되는 측정 데이터들을 분석하여 상기 시설물의 고장 여부를 판단하는 고장 진단 모듈;을 구비하고,
상기 데이터 수집 모듈은 시설물에 대한 비정상 데이터를 시설물로부터 획득하는 것을 특징으로 하며,
상기 비정상 데이터 생성 모듈은 상기 데이터 수집 모듈에 의해 수집된 비정상 데이터와 무작위 노이즈(random noise)를 학습 데이터로 하여 GAN(Generative Adversarial Network) 신경망의 생성기(Generator)를 학습하여 가짜 비정상 데이터를 생성하는 것을 특징으로 하는 시설물에 대한 고장 진단 시스템.In the failure diagnosis system for a facility using electrical energy,
A power measurement device that measures an electrical signal applied to the facility; And
A failure diagnosis device that diagnoses whether or not the facility has failed using electrical signals provided from the power measurement device;
Equipped with,
The fault diagnosis device,
A data collection module that obtains normal data for the facility from the facility;
A fake abnormal data generation module that generates fake abnormal data for the facility;
A failure diagnosis learning module that collects normal data and fake abnormal data from the data collection module and the fake abnormal data generation module, and machine-learns using the normal data and the fake abnormal data as training data to generate a failure diagnosis discrimination model; And
And a failure diagnosis module that analyzes measurement data input from the power measurement device to determine whether or not the facility has failed using the failure diagnosis determination model.
The data collection module is characterized by acquiring abnormal data for the facility from the facility,
The abnormal data generation module trains a generator of a GAN (Generative Adversarial Network) neural network using the abnormal data collected by the data collection module and random noise as training data to generate fake abnormal data. Fault diagnosis system for the facility. 제1항 및 제3항 중 어느 한 항에 있어서,
상기 정상 데이터는 시설물이 정상 상태로 동작될 때의 시설물로 인가되는 전력 신호, 전류 신호, 및 전압 신호 중 하나 또는 둘 이상에 대한 파형인 것을 특징으로 하는 시설물에 대한 고장 진단 시스템.According to any one of claims 1 and 3,
The normal data is a fault diagnosis system for a facility, characterized in that the waveform for one or more of the power signal, current signal, and voltage signal applied to the facility when the facility is operating in a normal state. 제3항에 있어서,
상기 비정상 데이터는 시설물이 비정상 상태로 동작될 때의 시설물로 인가되는 전력 신호, 전류 신호, 및 전압 신호 중 하나 또는 둘 이상에 대한 파형인 것을 특징으로 하는 시설물에 대한 고장 진단 시스템.According to claim 3,
The abnormal data is a fault diagnosis system for a facility, characterized in that the waveform for one or more of the power signal, current signal, and voltage signal applied to the facility when the facility is operated in an abnormal state. 제1항 및 제3항 중 어느 한 항에 있어서, 상기 고장 진단 시스템은
고장 진단 모듈에 의해 고장이라고 판단되면, 사전에 설정된 경고 메시지를 전송하는 경고 알림 모듈;을 더 구비하는 것을 특징으로 하는 시설물에 대한 고장 진단 시스템.The fault diagnosis system according to any one of claims 1 and 3,
If it is determined that the failure by the failure diagnosis module, a failure notification system for a facility characterized in that it further comprises a warning alert module for transmitting a predetermined warning message. 제1항 및 제3항 중 어느 한 항에 있어서, 상기 전력 측정 장치는,
시설물로 인가되는 전류를 측정하는 전류 센서;
시설물로 인가되는 전압을 측정하는 전압 센서;
상기 전류 센서 및 전압 센서에 의해 측정된 전류 및 전압을 이용하여 전력을 측정하는 전력 측정 모듈;
을 구비하는 것을 특징으로 하는 시설물에 대한 고장 진단 시스템.According to any one of claims 1 and 3, The power measuring device,
A current sensor measuring a current applied to the facility;
A voltage sensor measuring a voltage applied to the facility;
A power measurement module that measures power using current and voltage measured by the current sensor and the voltage sensor;
Failure diagnosis system for a facility, characterized in that it comprises a.
KR1020180168201A 2018-12-24 2018-12-24 Fault diagnosis system of a faculty using energy KR102095389B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180168201A KR102095389B1 (en) 2018-12-24 2018-12-24 Fault diagnosis system of a faculty using energy

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180168201A KR102095389B1 (en) 2018-12-24 2018-12-24 Fault diagnosis system of a faculty using energy

Publications (1)

Publication Number Publication Date
KR102095389B1 true KR102095389B1 (en) 2020-03-31

Family

ID=70001991

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180168201A KR102095389B1 (en) 2018-12-24 2018-12-24 Fault diagnosis system of a faculty using energy

Country Status (1)

Country Link
KR (1) KR102095389B1 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102268733B1 (en) * 2020-06-02 2021-06-23 한국해양대학교 산학협력단 Ship engine failure detection method and system
CN113311703A (en) * 2021-05-07 2021-08-27 华能青岛热电有限公司 Smart energy multi-energy interactive evaluation visualization system and evaluation method
KR102335604B1 (en) * 2020-07-29 2021-12-06 경북대학교 산학협력단 Apparatus and method for intelligent abnormal operation recognition of system using bitmap pattern representation of power-consumption
KR20220018256A (en) * 2020-08-06 2022-02-15 숭실대학교산학협력단 Self-healing method for service function chains
WO2022120758A1 (en) * 2020-12-10 2022-06-16 深圳先进技术研究院 Medical image noise reduction method and system, and terminal and storage medium
WO2023120888A1 (en) * 2021-12-23 2023-06-29 주식회사 아이티공간 Predictive maintenance method, for device, using gan algorithm

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005241089A (en) * 2004-02-25 2005-09-08 Mitsubishi Electric Corp Apparatus diagnosing device, refrigeration cycle device, apparatus diagnosing method, apparatus monitoring system and refrigeration cycle monitoring system
KR20070020720A (en) 2005-08-16 2007-02-22 삼성전자주식회사 Method and apparatus for offering one touch dial according to user in fax or multi function product
JP2013218725A (en) * 2013-06-19 2013-10-24 Hitachi Ltd Abnormality detecting method and abnormality detecting system
KR20170125238A (en) * 2016-05-04 2017-11-14 두산중공업 주식회사 Plant fault detection learning method and system
KR20170125265A (en) * 2016-05-04 2017-11-14 두산중공업 주식회사 Plant system, and fault detecting method thereof
KR20180048218A (en) 2016-10-31 2018-05-10 현대위아 주식회사 Machine tool breakdown diagnosis system based on Machine Learning, and method thereof

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005241089A (en) * 2004-02-25 2005-09-08 Mitsubishi Electric Corp Apparatus diagnosing device, refrigeration cycle device, apparatus diagnosing method, apparatus monitoring system and refrigeration cycle monitoring system
KR20070020720A (en) 2005-08-16 2007-02-22 삼성전자주식회사 Method and apparatus for offering one touch dial according to user in fax or multi function product
JP2013218725A (en) * 2013-06-19 2013-10-24 Hitachi Ltd Abnormality detecting method and abnormality detecting system
KR20170125238A (en) * 2016-05-04 2017-11-14 두산중공업 주식회사 Plant fault detection learning method and system
KR20170125265A (en) * 2016-05-04 2017-11-14 두산중공업 주식회사 Plant system, and fault detecting method thereof
KR20180048218A (en) 2016-10-31 2018-05-10 현대위아 주식회사 Machine tool breakdown diagnosis system based on Machine Learning, and method thereof

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102268733B1 (en) * 2020-06-02 2021-06-23 한국해양대학교 산학협력단 Ship engine failure detection method and system
KR102335604B1 (en) * 2020-07-29 2021-12-06 경북대학교 산학협력단 Apparatus and method for intelligent abnormal operation recognition of system using bitmap pattern representation of power-consumption
KR20220018256A (en) * 2020-08-06 2022-02-15 숭실대학교산학협력단 Self-healing method for service function chains
KR102365841B1 (en) * 2020-08-06 2022-02-21 숭실대학교산학협력단 Self-healing method for service function chains
WO2022120758A1 (en) * 2020-12-10 2022-06-16 深圳先进技术研究院 Medical image noise reduction method and system, and terminal and storage medium
CN113311703A (en) * 2021-05-07 2021-08-27 华能青岛热电有限公司 Smart energy multi-energy interactive evaluation visualization system and evaluation method
WO2023120888A1 (en) * 2021-12-23 2023-06-29 주식회사 아이티공간 Predictive maintenance method, for device, using gan algorithm

Similar Documents

Publication Publication Date Title
KR102095389B1 (en) Fault diagnosis system of a faculty using energy
CN106066184B (en) System and method for detecting vehicle system faults
CN106324385A (en) Testing system and method for battery management system
US20120133135A1 (en) Wind turbine generator system vibration detecting device and method
KR101846195B1 (en) Motor status monitoring system and method thereof
CN105675306A (en) Self-testing method and system for automobile
KR102355242B1 (en) Apparatus and method for diagnosing trouble of led module
KR102133385B1 (en) Artificial intelligence device providing induction motor real-time diagnostic service and operating method thereof
US11199177B2 (en) Detecting electrical failures in a wind turbine generator control system
EP3542172B1 (en) Method and apparatus for predicting failures in direct current circuits
KR20210084094A (en) Battery status monitoring system of wireless vibration sensor and method therefor
CN103379422A (en) System and methods for sensing the operational status of an acoustic horn
JP2003029818A (en) Failure diagnostic system and failure diagnostic program
CN207472908U (en) A kind of distribution overhead line ultrasonic defect auxiliary indication unit
KR101218012B1 (en) Condition diagnosis system using various signals for shoot blasting impeller motors
CN113553758B (en) Method and system for carrying out state identification based on event chain of Markov system
CN111456915A (en) Fault diagnosis device and method for internal components of fan engine room
KR200427533Y1 (en) Reed Switch Position Transmitter Wave Pattern Diagnosis System
CN112698617B (en) Safety output circuit and control method
KR101743640B1 (en) Self-diagnosis device of photovoltaic generation
KR101669401B1 (en) System for Previous Warning of Test Apparatus
KR101607759B1 (en) Apparatus for monitoring condition of stack of fuel cell and method thereof
CN111194431A (en) Method, device and system for diagnosing state of radiotherapy equipment and storage medium
CN203881534U (en) Fan gear box fault diagnosis system
CN113997319B (en) Hardware detection method, robot, server and storage medium

Legal Events

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