KR102126394B1 - 가속도계를 이용한 유동 모니터링 방법 및 시스템 - Google Patents

가속도계를 이용한 유동 모니터링 방법 및 시스템 Download PDF

Info

Publication number
KR102126394B1
KR102126394B1 KR1020180139933A KR20180139933A KR102126394B1 KR 102126394 B1 KR102126394 B1 KR 102126394B1 KR 1020180139933 A KR1020180139933 A KR 1020180139933A KR 20180139933 A KR20180139933 A KR 20180139933A KR 102126394 B1 KR102126394 B1 KR 102126394B1
Authority
KR
South Korea
Prior art keywords
flow
feature data
feature
accelerometer
unit
Prior art date
Application number
KR1020180139933A
Other languages
English (en)
Other versions
KR20200056063A (ko
Inventor
성우제
양해상
정선아
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020180139933A priority Critical patent/KR102126394B1/ko
Publication of KR20200056063A publication Critical patent/KR20200056063A/ko
Application granted granted Critical
Publication of KR102126394B1 publication Critical patent/KR102126394B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P13/00—Indicating or recording presence, absence, or direction, of movement
    • G01P13/0006—Indicating or recording presence, absence, or direction, of movement of fluids or of granulous or powder-like substances
    • G01P13/0073—Indicating or recording presence, absence, or direction, of movement of fluids or of granulous or powder-like substances by using vibrations generated by the fluid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
    • G01P15/08—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values
    • G01P15/097—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values by vibratory elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

유동 모니터링 시스템은 내부에 유체가 이동하는 공간이 형성되는 관형의 파이프, 상기 파이프 내부의 유체의 이동으로부터 유발되는 진동을 시간의 흐름에 따라서 유동 유발 진동 신호로 측정하는 가속도계, 상기 유동 유발 진동 신호로부터 상기 유체의 유동의 안정성 및 유동의 불안정성을 판단하는 유동 모니터링부를 포함하고, 상기 유동 모니터링부는 상기 유동 유발 진동 신호로부터 평균, 분산, 왜도, 첨도 또는 제곱 평균 제곱근을 이용하여 통계량을 산출하여 이로부터 특징 데이터를 추출하는 특징 추출부, 및 기계학습을 수행하여, 상기 특징 데이터들 간의 값의 차이를 계산하고 이로부터 상기 특징 데이터를 안정적인 유동 그룹 및 불안정적인 유동 그룹으로 분류하도록 학습하는 기계학습부를 포함한다.

Description

가속도계를 이용한 유동 모니터링 방법 및 시스템{MONITORING METHOD OF SEVERE SLUGGING USING ACCELEROMETER AND MONITORING SYSTEM USING THEREOF}
본 발명은 가속도계를 이용한 유동 모니터링 방법 및 가속도계를 이용한 유동 모니터링 시스템에 관한 것이다. 보다 상세하게는 가속도계를 이용하여 유체의 이동으로부터 발생하는 유동 유발 진동을 신호로 측정하고, 이를 분석하여 유체의 유동의 변화를 판단하는 가속도계를 이용한 유동 모니터링 방법 및 가속도계를 이용한 유동 모니터링 시스템에 관한 것이다.
유체의 이동 경로를 제공하는 파이프는 다양한 분야에서 사용된다. 해양 석유 산업 분야에서는 파이프 라인과 수직 라이저로 구성된 구조물이 일반적으로 사용되고 있으며, 해상에 존재하는 플랫폼으로 유체를 운반하거나 서로 다른 플랫폼 사이에서 유체를 운반하는 데에 사용된다. 이러한 구조물은 가스와 액체로 구성된 다상 유동의 경우 환경 조건에 따라 파이프 내부에서 유동의 양상이 매우 다양하게 나타나는데, 이 중 severe 슬러깅 유동의 경우 압력과 유동의 변화 폭이 큰 불안정한 유동의 양상을 의미한다. 일반적으로 severe 슬러깅 유동은 액체를 수직 라이저로 끌어 올리는 힘이 부족해져 수직 라이저의 하단에 액체가 축적되기 시작하는 단계, 수직 라이저 하단에 액체가 축적됨에 따라 가스의 유입이 막히고 수직 라이저 하단의 압력이 증가하는 단계, 수직 라이저로 유입되지 못한 가스가 파이프 라인에 모이고, 가스의 압력이 수직 라이저에 축적된 액체의 정수압 보다 커져 가스가 액체를 빠르게 밀어내면서 수직 라이저로 배출되는 단계(blowout) 및 수직 라이저 내부에 남아 있는 액체가 하단부로 떨어지는 단계(Fallback)가 반복되어 진행된다. 이러한 severe 슬러깅의 경우 유체가 blowout 되면서 세퍼레이터에 높은 압력을 가할 수 있고 유체의 범람을 발생시킬 수 있으며, 가스 컴프레서의 과부하, 지속적인 충격으로 인한 피로 현상 유발, 부식의 증가, 생산량 저하 등의 부정적 영향들을 끼칠 수 있다. 따라서, 유체의 유동을 파악하는 모니터링 기법에 대한 연구는 매우 중요시되고 있으며, 다양한 방법들이 연구되고 있다.
유체의 유동을 파악하는 기존의 방법 중 가장 보편적인 방법으로는 압력계를 사용하는 방법이 있다. 압력계를 사용하는 방법은 유체의 유동을 파악하는 데는 용이하나, 압력계의 탭이 막히는 경우가 발생하거나 한 번 설치 시 이동시키기 어려워 효율이 저하되는 문제점이 있다. 이 외의 유체의 유동을 파악하는 방법으로는 방사선 이미지를 이용하는 방법, 전기 저항 프로브 센서를 이용하는 방법 및 임피던스 센서를 이용하는 방법 등이 있다. 그러나, 실제 상업적으로는 이용하기 어려운 부분이 있고, 분석하는 데에 필요한 신호 길이가 짧게는 10초 길게는 20분의 데이터가 필요하기 때문에 신속한 판단 및 컨트롤을 하기 어려운 문제점이 있다. 따라서, severe 슬러깅을 포함한 유체 유동을 분석하기 위한 다른 기술이 절실히 요구되고 있다.
한국공개특허공보 제10-2012-0064727호(2012.06.19)
이에 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로, 본 발명의 목적은 파이프 내에서 발생하는 유체의 유동의 변화를 신속하고 정확하게 판단하는 가속도계를 이용한 유동 모니터링 방법을 제공하는 것이다.
또한 본 발명의 다른 목적은 파이프 내에서 발생하는 유체의 유동의 변화를 신속하고 정확하게 판단하는 가속도계를 이용한 유동 모니터링 시스템을 제공하는 것이다
상기한 본 발명의 목적을 실현하기 위한 유동 모니터링 시스템은 내부에 유체가 이동하는 공간이 형성되는 관형의 파이프, 상기 파이프 내부의 유체의 이동으로부터 유발되는 진동을 시간의 흐름에 따라서 유동 유발 진동 신호로 측정하는 가속도계, 상기 유동 유발 진동 신호로부터 상기 유체의 유동의 안정성 및 유동의 불안정성을 판단하는 유동 모니터링부를 포함하고, 상기 유동 모니터링부는 상기 유동 유발 진동 신호로부터 평균, 분산, 왜도, 첨도 또는 제곱 평균 제곱근을 이용하여 통계량을 산출하여 이로부터 특징 데이터를 추출하는 특징 추출부, 및 기계학습을 수행하여, 상기 특징 데이터들 간의 값의 차이를 계산하고 이로부터 상기 특징 데이터를 안정적인 유동 그룹 및 불안정적인 유동 그룹으로 분류하도록 학습하는 기계학습부를 포함한다.
본 발명의 일 실시예에 있어서, 상기 유동 모니터링부는 상기 특징 데이터를 저차원의 데이터로 변환하는 저차원 데이터 변환부를 포함하고, 상기 기계학습부는 상기 저차원의 데이터로 변환된 특징 데이터로부터 기계학습을 수행할 수 있다.
본 발명의 일 실시예에 있어서, 상기 가속도계는 하나 이상이고, 상기 특징 추출부는, 상기 가속도계별로 상기 유동 유발 진동 신호로부터 평균, 분산, 왜도, 첨도 또는 제곱 평균 제곱근을 이용하여 통계량을 산출하여 이로부터 제1 특징 벡터를 생성하는 제1 특징 벡터 생성부; 및 상기 가속도계별로 추출한 상기 제1 특징 벡터들로부터 제2 특징 벡터를 생성하는 제2 특징 벡터 생성부를 포함하고, 상기 제2 특징 벡터는 사용된 상기 통계량을 산출하는 방법의 개수와 상기 가속도계의 개수를 곱한값과 동일한 차원의 수를 갖고, 상기 특징 데이터는 상기 제2 특징 벡터일 수 있다.
본 발명의 일 실시예에 있어서, 상기 저차원 데이터 변환부는 상기 특징 데이터로부터 변동 누적 백분율을 계산하여 이로부터 상기 차원 중 주성분의 차원을 선택하고, 상기 특징 데이터를 상기 주성분의 차원을 갖는 저차원의 데이터로 변환하여 저차원 특징 데이터를 생성할 수 있다.
본 발명의 일 실시예에 있어서, 상기 변동 누적 백분율은 다음의 수학식에 의해 정의될 수 있다.
Figure 112018113244941-pat00001
여기서,
Figure 112018113244941-pat00002
은 변동 누적 백분율이고, m은 주성분의 개수이고, p는 고유벡터(eigenvalue)들의 총 개수이고,
Figure 112018113244941-pat00003
는 i번째로 큰 고유벡터이다.
본 발명의 일 실시예에 있어서, 상기 저차원 특징 데이터는 다음의 수학식에 의해 산출될 수 있다.
Figure 112018113244941-pat00004
여기서,
Figure 112018113244941-pat00005
은 저차원 특징 데이터이고, x는 특징 데이터이고,
Figure 112018113244941-pat00006
은 m차원의 주성분으로 구성된 변환 행렬이다.
본 발명의 일 실시예에 있어서, 상기 기계학습부는 기계학습을 수행하여 상기 특징 데이터로부터 초평면(hyper-plane)을 구축하는 초평면 생성부 및 상기 초평면으로부터 도출된 출력값이 양수인 경우 유동이 안정적이라고 판단하고, 출력값이 음수인 경우 유동이 불안정적이라고 판단하는 유동 안정성 판단부를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 기계학습은 서포트 벡터 머신(SVM: Support Vector Machine)이고, 상기 초평면은 다음의 수학식으로 정의될 수 있다.
Figure 112018113244941-pat00007
(단,
Figure 112018113244941-pat00008
)
여기서, y는 서포트 벡터 머신의 결정함수이고, w는 초평면의 법선 벡터이고,
Figure 112018113244941-pat00009
는 가중치 벡터의 전치행렬이고, z는 저차원 특징 데이터이고, i는 클래스이고, b는 바이어스 가중치이다.
본 발명의 일 실시예에 있어서, 상기 유체는 석유이고, 상기 파이프는 수직 라이저 및 상기 수직 라이저와 연결되는 파이프 라인을 포함하고, 상기 유체의 유동의 불안정성은 슬러깅을 포함할 수 있다.
본 발명의 일 실시예에 있어서, 유동 모니터링 시스템은 상기 가속도계의 위치를 변경하는 위치 변경부를 더 포함할 수 있다.
상기한 본 발명의 목적을 실현하기 위한 유동 모니터링 방법은 가속도계가 파이프 내부의 유체의 이동으로부터 유발되는 진동을 시간의 흐름에 따라서 유동 유발 진동 신호로 측정하는 단계 및 유동 모니터링부가 상기 유동 유발 진동 신호로부터 상기 유체의 유동의 안정성 및 불안정성을 판단하는 유동 모니터링 단계를 포함하고, 상기 유동 모니터링 단계는 특징 추출부가 상기 유동 유발 진동 신호로부터 평균, 분산, 왜도, 첨도 또는 제곱 평균 제곱근을 이용하여 통계량을 산출하여 이로부터 특징 데이터를 추출하는 단계 및 기계학습부가 기계학습을 수행하여, 상기 특징 데이터들 간의 값의 차이를 계산하고 이로부터 상기 특징 데이터를 안정적인 유동 그룹 및 불안정적인 유동 그룹으로 분류하도록 학습하는 단계를 포함한다.
본 발명의 일 실시예에 있어서, 상기 유동 모니터링 단계는 저차원 데이터 변환부가 상기 특징 데이터를 저차원의 데이터로 변환하는 단계를 포함하고, 상기 분류하도록 학습하는 단계에서는 상기 저차원의 데이터로 변환된 특징 데이터로부터 기계학습을 수행할 수 있다.
본 발명의 일 실시예에 있어서, 상기 가속도계는 하나 이상이고, 상기 특징 데이터를 추출하는 단계는, 제1 특징 벡터 생성부가 상기 가속도계별로 상기 유동 유발 진동 신호로부터 평균, 분산, 왜도, 첨도 또는 제곱 평균 제곱근을 이용하여 통계량을 산출하여 이로부터 제1 특징 벡터를 생성하는 단계 및 제2 특징 벡터 생성부가 상기 가속도계별로 추출한 상기 제1 특징 벡터들로부터 제2 특징 벡터를 생성하는 단계를 포함하고, 상기 제2 특징 벡터는 사용된 상기 통계량을 산출하는 방법의 개수와 상기 가속도계의 개수를 곱한값과 동일한 차원의 수를 가질 수 있다.
본 발명의 일 실시예에 있어서, 상기 저차원의 데이터로 변환하는 단계는 상기 특징 데이터로부터 변동 누적 백분율을 계산하여 이로부터 상기 차원 중 주성분인 저차원을 선택하고, 상기 특징 데이터를 상기 주성분의 차원을 갖는 저차원의 데이터로 변환하여 저차원 특징 데이터를 생성할 수 있다.
본 발명의 일 실시예에 있어서, 상기 변동 누적 백분율은 다음의 수학식에 의해 정의될 수 있다.
Figure 112018113244941-pat00010
여기서,
Figure 112018113244941-pat00011
은 변동 누적 백분율이고, m은 주성분의 개수이고, p는 고유벡터(eigenvalue)들의 총 개수이고,
Figure 112018113244941-pat00012
는 i번째로 큰 고유벡터이다.
본 발명의 일 실시예에 있어서, 상기 저차원 특징 데이터는 다음의 수학식에 의해 산출될 수 있다.
Figure 112018113244941-pat00013
여기서,
Figure 112018113244941-pat00014
은 저차원 특징 데이터이고, x는 특징 데이터이고,
Figure 112018113244941-pat00015
은 m차원의 주성분으로 구성된 변환 행렬이다.
본 발명의 일 실시예에 있어서, 상기 분류하도록 학습하는 단계는, 초평면 생성부가 기계학습을 수행하여 상기 특징 데이터로부터 초평면(hyper-plane)을 구축하는 단계 및 유동 안정성 판단부가 상기 초평면으로부터 도출된 출력값이 양수인 경우 유동이 안정적이라고 판단하고, 출력값이 음수인 경우 유동이 불안정적이라고 판단하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 기계학습은 서포트 벡터 머신(SVM: Support Vector Machine)이고, 상기 초평면은 다음의 수학식으로 정의될 수 있다.
Figure 112018113244941-pat00016
(단,
Figure 112018113244941-pat00017
)
여기서, y는 서포트 벡터 머신의 결정함수이고, w는 초평면의 법선 벡터이고,
Figure 112018113244941-pat00018
는 가중치 벡터의 전치행렬이고, z는 저차원 특징 데이터이고, i는 클래스이고, b는 바이어스 가중치이다.
본 발명의 일 실시예에 있어서, 상기 유체는 석유이고, 상기 파이프는 수직 라이저 및 상기 수직 라이저와 연결되는 파이프 라인을 포함하고, 상기 액체의 유동의 불안정성은 슬러깅을 포함할 수 있다.
본 발명의 일 실시예에 있어서, 위치 변경부가 상기 가속도계의 위치를 변경하는 단계를 더 포함할 수 있다.
본 발명의 실시예들에 따르면, 가속도계를 이용한 유동 모니터링 방법 및 가속도계를 이용한 유동 모니터링 시스템은 가속도계를 이용하여 유체의 이동으로부터 발생하는 유동 유발 진동을 신호로 측정하고, 이를 분석하여 유체의 유동의 변화를 판단한다. 따라서, 짧은 시간 동안의 신호의 변화로부터 유체의 유동의 변화를 높은 정확도로 판단할 수 있으며 이로 인해 유체의 급격한 유동을 실시간으로 효율적으로 판단할 수 있다.
또한, 가속도계를 이용한 유동 모니터링 방법 및 가속도계를 이용한 유동 모니터링 시스템은 기계학습을 이용하여 유동 유발 진동 신호의 변화의 차이를 학습한다. 따라서, 유체의 유동의 변화에 대한 신호 정보가 축적될수록 유체의 급격한 유동을 보다 정확하게 판단할 수 있다.
또한, 가속도계를 이용한 유동 모니터링 방법 및 가속도계를 이용한 유동 모니터링 시스템은 복수개의 가속도계를 포함한다, 따라서, 가속도계들의 설치 위치에 따라서 유체의 유동의 변화에 관한 신호를 교차 학습할 수 있고, 이로부터 신뢰성 있는 유체의 유동을 분석 결과를 도출할 수 있다.
또한, 가속도계를 이용한 유동 모니터링 방법 및 가속도계를 이용한 유동 모니터링 시스템은 위치 변경부를 포함한다. 따라서, 사용자의 목적에 따라 위치를 변경할 수 있어 사용자 편의성이 높으며, 유체의 유동의 변화가 잦은 위치로 이동될 수 있어 유체 유동 분석의 정확도가 높아질 수 있다.
도 1은 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 시스템을 나타내는 구성도이다.
도 2는 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 시스템의 파이프를 나타내는 구성도이다.
도 3은 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 시스템의 유동 모니터링부를 나타내는 구성도이다.
도 4는 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 시스템의 특징 추출부를 나타내는 구성도이다.
도 5는 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 시스템의 기계학습부를 나타내는 구성도이다.
도 6은 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 방법을 나타내는 흐름도이다.
도 7은 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 방법의 유동 모니터링 단계를 나타내는 흐름도이다.
도 8은 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 방법의 특징 데이터를 추출하는 단계를 나타내는 흐름도이다.
도 9는 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 방법의 분류하도록 학습하는 단계를 나타내는 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 방법의 가속도계의 위치를 변경하는 단계를 나타내는 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 실시예들을 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다.
상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함하다" 또는 "이루어진다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 시스템을 나타내는 구성도이다. 도 2는 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 시스템의 파이프를 나타내는 구성도이다. 도 3은 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 시스템의 유동 모니터링부를 나타내는 구성도이다. 도 4는 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 시스템의 특징 추출부를 나타내는 구성도이다. 도 5는 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 시스템의 기계학습부를 나타내는 구성도이다.
도 1 내지 도 5를 참조하면, 본 발명의 일 실시예에 따른 가속도계(200)를 이용한 유동 모니터링 시스템은 파이프(100), 가속도계(200), 유동 모니터링부(300)를 포함한다,
상기 파이프(100)는 내부에 유체가 이동하는 공간이 형성될 수 있다. 예를 들면, 상기 유체는 석유이고, 상기 파이프(100)는 내부에 상기 석유가 이동하는 통로를 형성하는 파이프(100)라인일 수 있다. 상기 파이프(100)는 해양플랜트에 설치될 수 있다. 상기 파이프(100)는 해저와 선박의 사이에 설치될 수 있다.
상기 파이프(100)는 수직 라이저(110) 및 상기 수직 라이저(110)와 연결되는 파이프 라인(120)을 포함할 수 있다. 상기 수직 라이저(110)는 해저 유정과 해상 플랫폼을 잇는 파이프(100) 형태일 수 있다. 상기 수직 라이저(110)는 상기 해저 유정과 해상 플랫폼 사이에 수직으로 된 구간을 포함할 수 있다. 상기 파이프(100)라인은 상기 수직 라이저(110)와 상기 해저 유정 또는 해상 플랫폼을 잇는 수평의 파이프(100)로 형성된 라인일 수 있다. 예를 들면, 상기 유체는 석유이고, 상기 석유는 해저 유정으로부터 상기 파이프 라인(120)으로, 상기 파이프 라인(120)으로부터 상기 수직 라이저(110)로, 상기 수직 라이저(110)로부터 상기 해상 플랫폼으로 이동할 수 있다.
상기 가속도계(200)는 상기 파이프(100) 내부의 유체의 이동으로부터 유발되는 진동을 시간의 흐름에 따라서 유동 유발 진동 신호로 측정할 수 있다. 상기 가속도계(200)는 가속도 센서일 수 있다. 상기 가속도계(200)는 상기 파이프(100) 내부의 유체의 가속도, 진동 또는 충격을 측정할 수 있다. 상기 가속도계(200)는 가동 코일형, 압전형, 정전용량형, 변형 게이지형, 서보형, 차동 트랜스형 또는 실리콘 반도체형 등이 사용될 수 있으나, 본 발명에서는 가속도계(200)의 종류가 한정되는 것은 아니다.
상기 가속도계(200)는 상기 유체의 유동이 감소함에 따라 유동 유발 진동이 급격하게 감소되는 것을 유동 유발 진동 신호로 측정할 수 있다. 예를 들면, 상기 수직 라이저(110)의 하단에 유체가 축적되면서 유동의 흐름이 점차 줄어들어 유동 유발 진동이 급격하게 감소하며 이를 가속도계(200)가 유동 유발 진동 신호의 변화로 측정할 수 있다. 상기 유동 유발 진동 신호는 시간 영역에서 나타낸 신호일 수 있다. 상기 가속도계(200)는 시간의 흐름에 따른 신호의 변화를 측정할 수 있다. 상기 가속도계(200)는 시간 영역에서 상기 유동 유발 진동 신호를 측정할 수 있다.
상기 가속도계(200)는 하나 이상일 수 있다. 상기 가속도계(200)는 복수개일 수 있다. 예를 들면, 상기 가속도계(200)들은 상기 수직 라이저(110)의 하부에 다수개가 설치될 수 있다. 예를 들면, 상기 가속도계(200)들은 상기 수직 라이저(110)의 하부에 서로 상이한 높이에 설치될 수 있다. 예를 들면, 상기 가속도계(200)들은 상기 수직 라이저(110)의 하부 및 상기 파이프 라인(120)에 설치되어, 상기 파이프 라인(120)에서의 유체의 이동과 상기 수직 라이저(110)의 하부의 유체의 이동을 측정할 수 있다. 상기 가속도계(200)는 상기 가속도계(200)에서 측정된 데이터를 저장할 수 있는 저장부를 포함할 수 있다. 상기 저장부는 메모리일 수 있다. 상기 가속도계(200)는 상기 가속도계(200)에서 측정된 데이터를 상기 유동 모니터링부(300)에 유선 또는 무선으로 전송할 수 있는 송신부를 포함할 수 있다.
상기 유동 모니터링부(300)는 상기 유동 유발 진동 신호로부터 상기 유체의 유동의 안정성 및 유동의 불안정성을 판단할 수 있다. 상기 유동 모니터링부(300)는 상기 유동 유발 진동 신호들 간의 차이로부터 상기 유체의 유동의 안정성 및 유동의 불안정성을 판단할 수 있다. 상기 유동 모니터링부(300)는 상기 유동 유발 진동 신호로부터 상기 파이프(100)에서 상기 유체의 축적 여부를 판단할 수 있다. 상기 유체의 유동의 안정성이란 상기 유체가 균일하게 또는 유사한 속도로 이동하는 것을 의미할 수 있다. 상기 유체의 유동의 불안정성이란 상기 유체가 불균일하게 이동하거나 또는 정체되어 있는 것을 의미할 수 있다. 예를 들면, 상기 유체의 유동의 불안정성은 슬러깅일 수 있다. 상기 유체의 유동의 불안정성은 severe 슬러깅일 수 있다.
예를 들면, 상기 유동 모니터링부(300)는 급격하게 감소하는 상기 유동 유발 진동 신호가 감지되면 상기 유체의 유동이 불안정하다고 판단할 수 있다. 예를 들면, 상기 유동 모니터링부(300)는 상기 파이프(100)에 설치된 복수개의 가속도계(200)들의 상기 유동 유발 진동 신호의 크기를 비교하여 상기 유동 유발 진동 신호의 크기가 작은 부분을 유체가 축적되고 있는 부분으로 판단할 수 있다.
예를 들면, 상기 유동 모니터링부(300)는 상기 파이프(100)에서 유체가 축적되고 있는 또는 축적된 부분의 상기 유동 유발 진동 신호의 크기와 상기 파이프(100)에서 유체가 축적되지 않은 부분의 상기 유동 유발 진동 신호의 크기를 비교하여 상기 가속도계(200)들의 위치에 따른 유체의 유동 불안정성 및 유체의 안정성을 판단할 수 있다. 예를 들면, 상기 파이프 라인(120)에 설치된 가속도계(200)에서 측정된 상기 유동 유발 진동 신호 및 상기 수직 라이저(110)부에 설치된 가속도계(200)에서 측정된 상기 유동 유발 진동 신호를 비교하여 상기 가속도계(200)들의 위치에 따른 유체의 유동 불안정성 및 유체의 안정성을 판단할 수 있다.
상기 유동 모니터링부(300)는 특징 추출부(310), 저차원 데이터 변환부(320) 및 기계학습부(330)를 포함할 수 있다. 상기 유동 모니터링부(300)는 데이터를 저장하기 위한 메모리를 포함할 수 있다. 상기 유동 모니터링부(300)는 상기 가속도계(200)에서 전송한 데이터를 유선 또는 무선으로 수신할 수 있는 수신부를 포함할 수 있다.
상기 특징 추출부(310)는 상기 유동 유발 진동 신호에 통계량을 산출하여 특징 데이터를 추출할 수 있다. 상기 통계량의 산출 방법은 평균(mean), 분산(variance), 왜도(skewness), 첨도(kurtosis) 또는 제곱 평균 제곱근(RMS: Root Mean Square)일 수 있다. 상기 특징 추출부(310)는 상기 가속도계(200)별로 상기 특징 데이터를 추출할 수 있다. 상기 특징 데이터는 행렬일 수 있다. 상기 특징 데이터는 벡터일 수 있다.
상기 특징 추출부(310)는 제1 특징 데이터 생성부(311) 및 제2 특징 데이터 생성부(312)를 포함할 수 있다. 상기 특징 데이터는 다음의 수학식 1에 의해 정의될 수 있다.
수학식 1
Figure 112018113244941-pat00019
(단,
Figure 112018113244941-pat00020
)
여기서, x는 제2 특징 벡터이고,
Figure 112018113244941-pat00021
는 제1 특징 벡터이고, F는 통계량 산출 함수이다.
상기 제1 특징 벡터는 상기 가속도계별로 상기 유동 유발 진동 신호로부터 평균, 분산, 왜도, 첨도 또는 제곱 평균 제곱근을 이용하여 통계량을 산출한 벡터일 수 있다. 예를 들면, 상기 유동 유발 진동 신호에 대한 상기 제1 특징 벡터는 1×a로 구성된 벡터일 수 있다. 여기서 a는 사용된 통계량 산출 방법의 개수일 수 있다.
상기 제2 특징 벡터는 상기 가속도계별로 추출한 상기 제1 특징 벡터들로부터 산출된 벡터일 수 있다. 예를 들면, 상기 유동 유발 진동 신호에 대한 상기 제1 특징 벡터는 1×a로 구성된 벡터이고, 상기 가속도계의 개수(b)는 두개인 경우, 상기 제2 특징 벡터는 1×(a*b)로 구성된 벡터일 수 있다. 여기서 a는 사용된 통계량 산출 방법의 개수이고, b는 가속도계의 개수일 수 있다. 따라서, 상기 제2 특징 벡터는 상기 복수개의 가속도계들의 특징을 모두 포함할 수 있다.
상기 특징 데이터는 상기 제2 특징 벡터일 수 있다. 상기 제2 특징 벡터는 사용된 상기 통계량을 산출하는 방법의 개수와 상기 가속도계의 개수를 곱한값과 동일한 차원의 수를 가질 수 있다. 예를 들면, 상기 유동 유발 진동 신호에 대한 상기 특징 데이터는 1×n(n은 가속도계 개수와 사용된 통계량 산출 방법의 개수의 곱임)으로 구성될 수 있다. 예를 들면, 상기 가속도계가 6개이고, 상기 5개의 통계량의 산출 방법을 모두 사용하여 상기 특징 데이터를 추출한다면, 하나의 상기 유동 유발 진동 신호에 대한 상기 특징 데이터는 1×30의 차원을 가질 수 있다. 예를 들면, 상기 유동 유발 진동 신호에 대한 상기 특징 데이터는 K×n(n은 가속도계 개수와 사용된 통계량 산출 방법의 개수의 곱임)를 가질 수 있다. 여기서, 상기 K는 복수개의 상기 유동 유발 진동 신호에 대한 데이터를 의미할 수 있다.
상기 저차원 데이터 변환부(320)는 상기 특징 데이터를 저차원의 데이터로 변환할 수 있다. 예를 들면, 상기 저차원 데이터 변환부(320)는 상기 특징 데이터의 차원의 수를 감소시켜 저차원의 데이터로 변환할 수 있다. 예를 들면, 상기 특징 데이터는 K×n으로 구성되는 벡터이고, 상기 저차원의 데이터는 K×m으로 구성되는 벡터일 수 있다. 여기서, n은 가속도계 개수와 사용된 통계량 산출 방법의 개수의 곱이고, m은 상기 저차원의 차원수일 수 있다.
상기 저차원 데이터 생성부는 상기 특징 데이터로부터 변동 누적 백분율(cumulative percentage of total variation)을 계산할 수 있다. 상기 변동 누적 백분율은 다음의 수학식 2에 의해 정의될 수 있다.
수학식 2
Figure 112018113244941-pat00022
여기서,
Figure 112018113244941-pat00023
은 변동 누적 백분율이고, m은 주성분의 개수이고, p는 고유벡터(eigenvalue)들의 총 개수이고,
Figure 112018113244941-pat00024
는 i번째로 큰 고유벡터이다.
상기 저차원 데이터 변환부(320)는 상기 변동 누적 백분율로부터 상기 차원 중 주성분의 차원을 선택하고, 상기 특징 데이터를 상기 주성분의 차원을 갖는 저차원의 데이터로 변환하여 저차원 특징 데이터를 생성할 수 있다. 예를 들면, 상기 저차원 데이터 생성부는 상기 특징 데이터로부터 상기 변동 누적 백분율을 계산하고, 이에 따라서 상기 주성분의 차원을 선택할 수 있다. 상기 변동 누적 백분율은 저차원의 차원수를 선택하는 기준이 될 수 있다. 예를 들면, 상기 기준의 값은 95% 일 수 있다. 또는, 상기 기준의 값은 90%일 수 있다. 그러나, 본 발명은 그 기준의 값이 한정되는 것은 아니며, 상기 기준의 값은 사용자, 시스템 관리자 또는 생산자에 의해 설정될 수 있다.
상기 저차원 데이터 변환부(320)는 주성분 분석(PCA: Principal Component Analysis) 알고리즘을 수행하여 상기 특징 데이터로부터 상기 저차원 특징 데이터를 생성할 수 있다. 상기 주성분 분석 알고리즘이란 데이터를 한 개의 축으로 사상시켰을 때 그 분산이 가장 커지는 축을 첫번째 주성분, 두번째로 커지는 축을 두번째 주성분으로 놓이도록 새로운 좌표계로 데이터를 선형 변환하여 고차원의 데이터를 저차원의 데이터로 변환시키는 기법을 의미한다. 상기 주성분 분석 알고리즘은 표본 분산이 큰 순서대로 주성분을 선정할 수 있다.
상기 저차원 데이터 변환부(320)는 상기 주성분 분석 알고리즘을 수행할때 상기 변동 누적 백분율을 이용할 수 있다. 예를 들면, 30차원의 데이터에 주성분 분석 알고리즘을 수행할 경우 표본 분산이 큰 순서대로 추출한 두개의 주성분의 고유벡터(eigenvalue)의 합과 전체의 고유벡터(eigenvalue)들의 합의 비율이 상기 변동 누적 백분율의 특정 기준을 만족할 경우 상기 두개의 주성분을 선택할 수 있다. 예를 들면, 상기 두개의 주성분의 고유벡터(eigenvalue)의 합과 전체의 고유벡터(eigenvalue)들의 합의 비율이 상기 변동 누적 백분율의 특정 기준을 만족하지 못하는 경우, 상기 저차원 데이터 변환부(32)는 상기 주성분의 개수를 순차적으로 늘리면서 상기 변동 누적 백분율의 특정 기준을 만족하는 상기 주성분의 개수를 찾을 수 있다. 예를 들면, 여기서 상기 변동 누적 백분율의 특정 기준은 90%일 수 있다.
상기 저차원 특징 데이터는 다음의 수학식 3에 의해 산출될 수 있다.
수학식 3
Figure 112018113244941-pat00025
여기서,
Figure 112018113244941-pat00026
은 저차원 특징 데이터이고, x는 특징 데이터이고,
Figure 112018113244941-pat00027
은 m차원의 주성분으로 구성된 변환 행렬이다.
상기 기계학습부(330)는 기계학습을 수행하여, 시간의 흐름에 따라서 추출된 상기 특징 데이터들의 값의 차이를 계산하고 이로부터 상기 특징 데이터를 안정적인 유동 그룹 및 불안정적인 유동 그룹으로 분류하도록 학습할 수 있다.
상기 기계학습부(330)는 상기 저차원의 데이터로 변환된 특징 데이터로부터 기계학습을 수행할 수 있다. 상기 기계학습부(330)는 상기 저차원 특징 데이터로부터 기계학습을 수행할 수 있다. 상기 기계학습부(330)는 상기 기계학습의 수행을 위한 데이터를 저장하는 저장소를 포함할 수 있다.
상기 기계학습부(330)는 상기 특징 데이터들 간의 값의 차이를 계산할 수 있다. 상기 기계학습부(330)는 시간의 흐름에 따라서 추출된 상기 특징 데이터들의 값의 차이를 계산할 수 있다. 예를 들면, 상기 기계학습부(330)는 동시간대의 상기 복수개의 가속도계(200)에서 취득된 특징 데이터들 사이의 값의 차이를 계산할 수 있다. 상기 기계학습부(330)는 하나의 상기 가속도계(200)에서 추출된 특징 데이터들 중 서로 상이한 시간 간격을 갖는 특징 데이터들 간의 값의 차이를 계산할 수 있다. 예를 들면, 상기 기계학습부(330)는 상기 특징 데이터와 상기 저장소에 저장된 특징 데이터 간의 차이를 계산할 수 있다.
상기 기계학습부(330)는 상기 특징 데이터들 간의 값의 차이로부터 상기 특징 데이터를 안정적인 유동 그룹 및 불안정적인 유동 그룹으로 분류할 수 있다. 예를 들면, 상기 안정적인 유동 그룹은 상기 특징 데이터의 값이 큰 그룹일 수 있다. 예를 들면, 상기 불안정적인 유동 그룹은 상기 특징 데이터의 값이 작은 그룹일 수 있다. 상기 특징 데이터의 값이 크고 작은 것을 판단하는 기준은 상기 기계학습에 의하여 학습될 수 있다. 예를 들면, 상기 기계학습은 서포트 벡터 머신이고, 상기 특징 데이터의 값이 크고 작은 것을 판단하는 기준은 상기 서포트 벡터 머신의 초평면으로부터 선정될 수 있다.
서포트 벡터 머신(SVM: Support Vector Machine)이란 패턴 인식 및 자료 분석을 위한 지도 학습 모델을 포함하는 기계학습의 분야 중 하나로, 두 카테고리 중 어느 하나에 속한 데이터의 집합이 주어졌을 때 주어진 데이터 집합을 바탕으로 새로운 데이터가 어느 카테고리에 속하는지 판단하는 비확률적 이진 선형 분류 모델이다.
상기 기계학습부(330)는 초평면 생성부(331) 및 유동 안정성 판단부(332)를 포함할 수 있다.
상기 초평면 생성부(331)는 기계학습을 수행하여 상기 특징 데이터로부터 초평면을 구축할 수 있다. 상기 초평면 생성부(331)는 기계학습을 수행하여 상기 저차원 특징 데이터로부터 초평면을 구축할 수 있다. 초평면(hyper-plane)이란 평면의 개념을 다른 차원으로 확장시킨 것을 의미하는 것으로, 전체 공간보다 차원이 낮은 공간을 의미한다. 예를 들면, 상기 저차원 특징 데이터는 3차원을 가질 때, 상기 초평면은 2차원을 가질 수 있다.
상기 초평면은 다음의 수학식 4으로 정의될 수 있다.
수학식 4
Figure 112018113244941-pat00028
(단,
Figure 112018113244941-pat00029
)
여기서, y는 서포트 벡터 머신의 결정함수이고, w는 초평면의 법선 벡터이고,
Figure 112018113244941-pat00030
는 가중치 벡터의 전치행렬이고, z는 저차원 특징 데이터이고, i는 클래스이고, b는 바이어스 가중치이다.
예를 들면, 상기 초평면 생성부(331)는 샘플의 특징 데이터를 의미하는 상기 저차원 특징 데이터인 z, 클래스를 의미하는 i, 각 클래스에 따라 +1 또는 -1의 값을 갖는 y i, 결정 초평면(decision hyper-plane)을 정의하는 매개 변수w와 b로부터 2/|w|로 표현되는 margin (여백)을 최대화하는 w를 찾을 수 있다. 이때, w는 초평면의 법선 벡터로 초평면의 방향을 나타내고 b는 위치를 나타낼 수 있다.
상기 초평면 생성부(331)는 상기 특징 데이터 또는 상기 저차원 특징 데이터를 두 그룹으로 분류할 수 있는 특정 기준인 초평면을 생성할 수 있다. 예를 들면, 상기 기계학습부(330)는 상기 특징 데이터 또는 상기 저차원 특징 데이터를 상기 초평면의 결정함수를 이용하여 값이 큰 그룹 과 값이 작은 그룹으로 분류하고, 하나의 그룹에 속하는 경우 양수로, 또 다른 하나의 그룹에 속하는 경우 음수로 출력할 수 있다.
상기 초평면 생성부(331)는 상기 초평면으로부터 상기 서포트 벡터 머신의 결정함수 값을 산출할 수 있다. 예를 들면, 상기 서포트 벡터 머신의 결정함수(
Figure 112018113244941-pat00031
)의 값은 +1 또는 -1일 수 있다. 상기 초평면 생성부(331)는 상기 서포트 벡터 머신의 결정함수(
Figure 112018113244941-pat00032
)의 값에 따라서 상기 특징 데이터 및 상기 저차원 특징 데이터를 두 그룹으로 분류할 수 있다.
상기 유동 안정성 판단부(332)는 상기 초평면으로부터 도출된 출력값이 양수인 경우 유동이 안정적이라고 판단하고, 출력값이 음수인 경우 유동이 불안정적이라고 판단할 수 있다. 예를 들면, 상기 기계학습은 서포트 벡터 머신이고, 상기 서포트 벡터 머신의 결정함수의 값이 양수인 경우 유동이 안정적이라고 판단하고, 출력값이 음수인 경우 유동이 불안정적이라고 판단할 수 있다. 예를 들면, 상기 기계학습은 서포트 벡터 머신이고, 상기 서포트 벡터 머신의 결정함수(
Figure 112018113244941-pat00033
)의 값이 1인 경우 유동이 안정적이라고 판단하고, 출력값이 -1인 경우 유동이 불안정적이라고 판단할 수 있다.
본 발명의 일 실시예에 따른 가속도계(200)를 이용한 유동 모니터링 시스템은 위치 변경부(400)를 더 포함할 수 있다.
상기 위치 변경부(400)는 상기 가속도계(200)의 위치를 변경할 수 있다. 상기 위치 변경부(400)는 상기 가속도계(200)의 위치를 사용자로부터 입력 받는 입력부를 포함할 수 있다. 예를 들면, 상기 위치 변경부(400)는 상기 파이프(100)의 외측면을 따라서 설치된 라인을 포함하고, 상기 가속도계(200)는 상기 라인을 따라 이동하며, 상기 위치 변경부(400)는 상기 가속도계(200)가 상기 라인의 어느 위치에 배치되는지를 제어할 수 있는 제어부를 포함할 수 있다. 예를 들면, 상기 위치 변경부(400)는 상기 가속도계(200)가 서로 상이한 높이에 설치된 긴 막대의 형상이고, 상기 긴 막대는 상기 수직 라이저(110)를 따라서 상하로 이동할 수 있다.
도 6은 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 방법을 나타내는 흐름도이다. 도 7은 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 방법의 유동 모니터링 단계를 나타내는 흐름도이다. 도 8은 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 방법의 특징 데이터를 추출하는 단계를 나타내는 흐름도이다. 도 9는 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 방법의 분류하도록 학습하는 단계를 나타내는 흐름도이다. 도 10은 본 발명의 일 실시예에 따른 가속도계를 이용한 유동 모니터링 방법의 가속도계의 위치를 변경하는 단계를 나타내는 흐름도이다.
본 실시예에 따른 유동 모니터링 방법은 카테고리가 상이할 뿐 도 1 내지 도 5의 유동 모니터링 시스템과 실질적으로 동일하다. 따라서, 도 1 내지 도 5의 유동 모니터링 시스템과 동일한 구성요소는 동일한 도면 부호를 부여하고, 반복되는 설명은 생략하며, 각 단계의 연관성만을 추가 기술한다.
도 6 내지 도 10을 참조하면, 본 발명의 일 실시예에 따른 유동 모니터링 방법은 유동 유발 진동 신호로 측정하는 단계(S100) 및 유동 모니터링 단계(S200)를 포함한다,
상기 유동 유발 진동 신호로 측정하는 단계(S100)에서는 가속도계(200)가 파이프(100) 내부의 유체의 이동으로부터 유발되는 진동을 시간의 흐름에 따라서 유동 유발 진동 신호로 측정할 수 있다.
상기 유동 모니터링 단계(S200)는 상기 유동 모니터링부(300)가 상기 유동 유발 진동 신호로부터 상기 유체의 유동의 안정성 및 불안정성을 판단할 수 있다.
상기 유동 모니터링 단계(S200)는 특징 데이터를 추출하는 단계(S210), 저차원의 데이터로 변환하는 단계(S220) 및 분류하도록 학습하는 단계(S230)를 포함할 수 있다.
상기 특징 데이터를 추출하는 단계(S210)에서는 특징 추출부(310)가 상기 유동 유발 진동 신호로부터 평균, 분산, 왜도, 첨도 또는 제곱 평균 제곱근을 이용하여 통계량을 산출하여 이로부터 특징 데이터를 추출할 수 있다. 상기 저차원의 데이터로 변환하는 단계(S220)에서는 저차원 데이터 변환부(320)가 상기 특징 데이터를 저차원의 데이터로 변환할 수 있다. 이때, 상기 분류하도록 학습하는 단계(S230)에서는 상기 저차원의 데이터로 변환된 특징 데이터로부터 기계학습을 수행할 수 있다. 상기 분류하도록 학습하는 단계(S230)에서는 기계학습부(330)가 기계학습을 수행하여, 시간의 흐름에 따라서 추출된 상기 특징 데이터들의 값의 차이를 계산하고 이로부터 상기 특징 데이터를 안정적인 유동 그룹 및 불안정적인 유동 그룹으로 분류하도록 학습할 수 있다.
상기 특징 데이터를 추출하는 단계(S210)는 제1 특징 벡터를 생성하는 단계(S211) 및 제2 특징 벡터를 생성하는 단계(S212)를 포함할 수 있다.상기 제1 특징 벡터를 생성하는 단계(S211)에서는 제1 특징 벡터 생성부가 상기 가속도계별로 상기 유동 유발 진동 신호로부터 평균, 분산, 왜도, 첨도 또는 제곱 평균 제곱근을 이용하여 통계량을 산출하여 이로부터 제1 특징 벡터를 생성할 수 있다. 상기 제2 특징 벡터를 생성하는 단계(S212)에서는 제2 특징 벡터 생성부가 상기 가속도계별로 추출한 상기 제1 특징 벡터들로부터 제2 특징 벡터를 생성할 수 있다. 상기 특징 벡터는 사용된 상기 통계량을 산출하는 방법의 개수와 상기 가속도계의 개수를 곱한값과 동일한 차원의 수를 가질 수 있다.
상기 저차원의 데이터로 변환하는 단계(S220)에서는 상기 특징 데이터로부터 변동 누적 백분율을 계산하여 이로부터 상기 차원 중 주성분인 저차원을 선택하고, 상기 특징 데이터를 상기 주성분의 차원을 갖는 저차원의 데이터로 변환하여 저차원 특징 데이터를 생성할 수 있다.
상기 분류하도록 학습하는 단계(S230)는 초평면을 구축하는 단계(S231) 및 판단하는 단계(S232)를 포함할 수 있다. 상기 초평면을 구축하는 단계(S231)에서는 초평면 생성부(331)가 기계학습을 수행하여 상기 특징 데이터로부터 초평면(hyper-plane)을 구축할 수 있다. 상기 판단하는 단계(S232)에서는 유동 안정성 판단부(332)가 상기 초평면으로부터 도출된 출력값이 양수인 경우 유동이 안정적이라고 판단하고, 출력값이 음수인 경우 유동이 불안정적이라고 판단할 수 있다.
상기 유동 모니터링 방법은 가속도계(200)의 위치를 변경하는 단계(S90)를 더 포함할 수 있다. 상기 가속도계(200)의 위치를 변경하는 단계(S90)에서는 위치 변경부(400)가 상기 가속도계(200)의 위치를 변경할 수 있다.
상기 가속도계의 위치를 변경하는 단계(S90)는 상기 유동 유발 진동 신호로 측정하는 단계(S100) 이전에 수행될 수 있다. 또한, 이러한 단계는 반복 수행될 수 있다. 예를 들면, 상기 가속도계의 위치를 변경하는 단계(S90)와 상기 유동 유발 진동 신호로 측정하는 단계(S100)는 순차적으로 반복 수행되며, 특정 위치를 전부 순환한 후 상기 유동 모니터링 단계(S200)를 수행할 수 있다. 예를 들면, 상기 가속도계의 위치를 변경하는 단계(S90), 상기 유동 유발 진동 신호로 측정하는 단계(S100) 및 상기 유동 모니터링 단계(S200) 모두가 순차 수행된 후 다시 처음부터 반복 수행될 수 있다.
상기 유동 모니터링 단계(S200)는 상기 유동 유발 진동 신호로 측정하는 단계(S100)이후에 수행될 수 있다. 상기 유동 모니터링 단계(S200)에서는 상기 특징 데이터를 추출하는 단계(S210), 상기 저차원의 데이터로 변환하는 단계(S220) 및 상기 분류하도록 학습하는 단계(S230)가 순차적으로 수행될 수 있고, 상기 특징 데이터를 추출하는 단계(S210)에서는 상기 제1 특징 벡터를 생성하는 단계(S211) 및 상기 제2 특징 벡터를 생성하는 단계(S212)가, 상기 분류하도록 학습하는 단계(S230)에서는 상기 초평면을 구축하는 단계(S231) 및 상기 판단하는 단계(S232)가 순차적으로 수행될 수 있다.
도 6 내지 도 10의 상기 유동 모니터링 방법은 도 1 내지 도 5의 상기 유동 모니터링 시스템과 카테고리만 상이할 뿐 상기 유동 모니터링 방법의 상기 유동 유발 진동 신호로 측정하는 단계(S100), 상기 유동 모니터링 단계(S200), 상기 특징 데이터를 추출하는 단계(S210), 상기 저차원의 데이터로 변환하는 단계(S220), 상기 분류하도록 학습하는 단계(S230), 상기 제1 특징 벡터를 생성하는 단계(S211), 상기 제2 특징 벡터를 생성하는 단계(S212), 상기 초평면을 구축하는 단계(S231), 상기 판단하는 단계(S232) 및 상기 가속도계의 위치를 변경하는 단계(S90)는 각각 상기 유동 모니터링 시스템의 상기 가속도계(200), 상기 유동 모니터링부(300), 상기 특징 추출부(310), 상기 저차원 데이터 변환부(320), 상기 기계학숩부(330), 상기 제1 특징 벡터 생성부(311), 상기 제2 특징 벡터 생성부(312), 상기 초평면 생성부(331), 상기 유동 안정성 판단부(332) 및 상기 위치 변경부(400)가 수행하는 내용과 실질적으로 동일하다. 따라서, 반복되는 설명은 생략한다.
또한, 도 6 내지 도 10의 상기 유동 모니터링 방법은 상기 도 1 내지 도 5의 상기 유동 모니터링 시스템의 파이프(100)를 포함하므로 이에 대한 반복되는 설명 또한 생략한다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 통상의 기술자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 파이프
200: 가속도계
300: 유동 모니터링부
400: 위치 변경부

Claims (20)

  1. 내부에 유체가 이동하는 공간이 형성되는 관형의 파이프;
    상기 파이프 내부의 유체의 이동으로부터 유발되는 진동을 시간의 흐름에 따라서 유동 유발 진동 신호로 측정하는 가속도계;
    상기 유동 유발 진동 신호로부터 상기 유체의 유동의 안정성 및 유동의 불안정성을 판단하는 유동 모니터링부를 포함하고,
    상기 유동 모니터링부는,
    상기 유동 유발 진동 신호로부터 평균, 분산, 왜도, 첨도 또는 제곱 평균 제곱근을 이용하여 통계량을 산출하여 이로부터 특징 데이터를 추출하는 특징 추출부; 및
    기계학습을 수행하여, 상기 특징 데이터들 간의 값의 차이를 계산하고 이로부터 상기 특징 데이터를 안정적인 유동 그룹 및 불안정적인 유동 그룹으로 분류하도록 학습하는 기계학습부를 포함하고,
    상기 유동 모니터링부는 상기 특징 데이터를 저차원의 데이터로 변환하는 저차원 데이터 변환부를 포함하고,
    상기 기계학습부는 상기 저차원의 데이터로 변환된 특징 데이터로부터 기계학습을 수행하고,
    상기 가속도계는 하나 이상이고,
    상기 특징 추출부는,
    상기 가속도계별로 상기 유동 유발 진동 신호로부터 평균, 분산, 왜도, 첨도 또는 제곱 평균 제곱근을 이용하여 통계량을 산출하여 이로부터 제1 특징 벡터를 생성하는 제1 특징 벡터 생성부; 및
    상기 가속도계별로 추출한 상기 제1 특징 벡터들로부터 제2 특징 벡터를 생성하는 제2 특징 벡터 생성부를 포함하고,
    상기 제2 특징 벡터는 사용된 상기 통계량을 산출하는 방법의 개수와 상기 가속도계의 개수를 곱한값과 동일한 차원의 수를 갖고,
    상기 특징 데이터는 상기 제2 특징 벡터이고,
    상기 유동 유발 진동 신호에 대한 상기 제1 특징 벡터는 1×a로 구성된 벡터이고, 상기 가속도계의 개수(b)는 두개인 경우, 상기 제2 특징 벡터는 1×(a*b)로 구성된 벡터(여기서 a는 사용된 통계량 산출 방법의 개수이고, b는 가속도계의 개수)이고,
    상기 저차원 데이터 변환부는 상기 특징 데이터로부터 변동 누적 백분율을 계산하여 이로부터 상기 차원 중 주성분의 차원을 선택하고, 상기 특징 데이터를 상기 주성분의 차원을 갖는 저차원의 데이터로 변환하여 저차원 특징 데이터를 생성하고,
    상기 변동 누적 백분율은 다음의 수학식에 의해 정의되고,
    Figure 112020045156120-pat00062

    여기서,
    Figure 112020045156120-pat00063
    은 변동 누적 백분율이고, m은 주성분의 개수이고, p는 고유벡터(eigenvalue)들의 총 개수이고,
    Figure 112020045156120-pat00064
    는 i번째로 큰 고유벡터임.
    상기 저차원 특징 데이터는 다음의 수학식에 의해 산출되고,
    Figure 112020045156120-pat00065

    여기서,
    Figure 112020045156120-pat00066
    은 저차원 특징 데이터이고, x는 특징 데이터이고,
    Figure 112020045156120-pat00067
    은 m차원의 주성분으로 구성된 변환 행렬임.
    상기 기계학습부는,
    기계학습을 수행하여 상기 특징 데이터로부터 초평면(hyper-plane)을 구축하는 초평면 생성부; 및
    상기 초평면으로부터 도출된 출력값이 양수인 경우 유동이 안정적이라고 판단하고, 출력값이 음수인 경우 유동이 불안정적이라고 판단하는 유동 안정성 판단부를 포함하고,
    상기 기계학습은 서포트 벡터 머신(SVM: Support Vector Machine)이고,
    상기 초평면은 다음의 수학식으로 정의되고,
    Figure 112020045156120-pat00068

    (단,
    Figure 112020045156120-pat00069
    )
    여기서, y는 서포트 벡터 머신의 결정함수이고, w는 초평면의 법선 벡터이고,
    Figure 112020045156120-pat00070
    는 가중치 벡터의 전치행렬이고, z는 저차원 특징 데이터이고, i는 클래스이고, b는 바이어스 가중치임.
    상기 저차원 데이터 변환부는 데이터를 한 개의 축으로 사상시켰을 때 그 분산이 가장 커지는 축을 첫번째 주성분, 두번째로 커지는 축을 두번째 주성분으로 놓이도록 새로운 좌표계로 데이터를 선형 변환하여 고차원의 데이터를 저차원의 데이터로 변환시키는 주성분 분석(PCA: Principal Component Analysis) 알고리즘을 수행하여 상기 특징 데이터로부터 상기 저차원 특징 데이터를 생성하고,
    상기 가속도계의 위치를 변경하는 위치 변경부를 더 포함하고,
    상기 위치 변경부는 상기 가속도계의 위치를 사용자로부터 입력받는 입력부를 포함하고,
    상기 위치 변경부는 상기 파이프의 외측면을 따라서 설치된 라인을 포함하고,
    상기 가속도계는 상기 라인을 따라 이동하며,
    상기 위치 변경부는 상기 가속도계가 상기 라인의 어느 위치에 배치되는지를 제어할 수 있는 제어부를 포함하는 유동 모니터링 시스템
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 제1항에 있어서, 상기 유체는 석유이고,
    상기 파이프는 수직 라이저 및 상기 수직 라이저와 연결되는 파이프 라인을 포함하고,
    상기 유체의 유동의 불안정성은 슬러깅을 포함하는 유동 모니터링 시스템.
  10. 삭제
  11. 가속도계가 파이프 내부의 유체의 이동으로부터 유발되는 진동을 시간의 흐름에 따라서 유동 유발 진동 신호로 측정하는 단계; 및
    유동 모니터링부가 상기 유동 유발 진동 신호로부터 상기 유체의 유동의 안정성 및 불안정성을 판단하는 유동 모니터링 단계를 포함하고,
    상기 유동 모니터링 단계는,
    특징 추출부가 상기 유동 유발 진동 신호로부터 평균, 분산, 왜도, 첨도 또는 제곱 평균 제곱근을 이용하여 통계량을 산출하여 이로부터 특징 데이터를 추출하는 단계; 및
    기계학습부가 기계학습을 수행하여, 상기 특징 데이터들 간의 값의 차이를 계산하고 이로부터 상기 특징 데이터를 안정적인 유동 그룹 및 불안정적인 유동 그룹으로 분류하도록 학습하는 단계를 포함하고,
    상기 유동 모니터링 단계는 저차원 데이터 변환부가 상기 특징 데이터를 저차원의 데이터로 변환하는 단계를 포함하고,
    상기 분류하도록 학습하는 단계에서는 상기 저차원의 데이터로 변환된 특징 데이터로부터 기계학습을 수행하고,
    상기 가속도계는 하나 이상이고,
    상기 특징 데이터를 추출하는 단계는,
    제1 특징 벡터 생성부가 상기 가속도계별로 상기 유동 유발 진동 신호로부터 평균, 분산, 왜도, 첨도 또는 제곱 평균 제곱근을 이용하여 통계량을 산출하여 이로부터 제1 특징 벡터를 생성하는 단계; 및
    제2 특징 벡터 생성부가 상기 가속도계별로 추출한 상기 제1 특징 벡터들로부터 제2 특징 벡터를 생성하는 단계를 포함하고,
    상기 제2 특징 벡터는 사용된 상기 통계량을 산출하는 방법의 개수와 상기 가속도계의 개수를 곱한값과 동일한 차원의 수를 갖고,
    상기 특징 데이터는 상기 제2 특징 벡터이고,
    상기 유동 유발 진동 신호에 대한 상기 제1 특징 벡터는 1×a로 구성된 벡터이고, 상기 가속도계의 개수(b)는 두개인 경우, 상기 제2 특징 벡터는 1×(a*b)로 구성된 벡터(여기서 a는 사용된 통계량 산출 방법의 개수이고, b는 가속도계의 개수)이고,
    상기 저차원의 데이터로 변환하는 단계는 상기 특징 데이터로부터 변동 누적 백분율을 계산하여 이로부터 상기 차원 중 주성분인 저차원을 선택하고, 상기 특징 데이터를 상기 주성분의 차원을 갖는 저차원의 데이터로 변환하여 저차원 특징 데이터를 생성하고,
    상기 변동 누적 백분율은 다음의 수학식에 의해 정의되고,
    Figure 112020045156120-pat00071

    여기서,
    Figure 112020045156120-pat00072
    은 변동 누적 백분율이고, m은 주성분의 개수이고, p는 고유벡터(eigenvalue)들의 총 개수이고,
    Figure 112020045156120-pat00073
    는 i번째로 큰 고유벡터임.
    상기 저차원 특징 데이터는 다음의 수학식에 의해 산출되고,
    Figure 112020045156120-pat00074

    여기서,
    Figure 112020045156120-pat00075
    은 저차원 특징 데이터이고, x는 특징 데이터이고,
    Figure 112020045156120-pat00076
    은 m차원의 주성분으로 구성된 변환 행렬임.
    상기 분류하도록 학습하는 단계는,
    초평면 생성부가 기계학습을 수행하여 상기 특징 데이터로부터 초평면(hyper-plane)을 구축하는 단계; 및
    유동 안정성 판단부가 상기 초평면으로부터 도출된 출력값이 양수인 경우 유동이 안정적이라고 판단하고, 출력값이 음수인 경우 유동이 불안정적이라고 판단하는 단계를 포함하고,
    상기 기계학습은 서포트 벡터 머신(SVM: Support Vector Machine)이고,
    상기 초평면은 다음의 수학식으로 정의되고,
    Figure 112020045156120-pat00077

    (단,
    Figure 112020045156120-pat00078
    )
    여기서, y는 서포트 벡터 머신의 결정함수이고, w는 초평면의 법선 벡터이고,
    Figure 112020045156120-pat00079
    는 가중치 벡터의 전치행렬이고, z는 저차원 특징 데이터이고, i는 클래스이고, b는 바이어스 가중치임.
    상기 위치 변경부가 상기 가속도계의 위치를 변경하는 단계를 더 포함하고,
    상기 위치 변경부는 상기 가속도계의 위치를 사용자로부터 입력 받는 입력부를 포함하고,
    상기 위치 변경부는 상기 파이프의 외측면을 따라서 설치된 라인을 포함하고,
    상기 가속도계는 상기 라인을 따라 이동하며,
    상기 위치 변경부는 상기 가속도계가 상기 라인의 어느 위치에 배치되는지를 제어할 수 있는 제어부를 포함하는 유동 모니터링 방법.
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
  17. 삭제
  18. 삭제
  19. 제11항에 있어서, 상기 유체는 석유이고,
    상기 파이프는 수직 라이저 및 상기 수직 라이저와 연결되는 파이프 라인을 포함하고,
    상기 액체의 유동의 불안정성은 슬러깅을 포함하는 유동 모니터링 방법.
  20. 삭제
KR1020180139933A 2018-11-14 2018-11-14 가속도계를 이용한 유동 모니터링 방법 및 시스템 KR102126394B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180139933A KR102126394B1 (ko) 2018-11-14 2018-11-14 가속도계를 이용한 유동 모니터링 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180139933A KR102126394B1 (ko) 2018-11-14 2018-11-14 가속도계를 이용한 유동 모니터링 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20200056063A KR20200056063A (ko) 2020-05-22
KR102126394B1 true KR102126394B1 (ko) 2020-06-24

Family

ID=70913965

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180139933A KR102126394B1 (ko) 2018-11-14 2018-11-14 가속도계를 이용한 유동 모니터링 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102126394B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104807589B (zh) * 2015-04-17 2017-03-01 西安交通大学 一种集输－立管系统内气液两相流流型的在线识别方法
WO2018170323A1 (en) * 2017-03-16 2018-09-20 Chevron U.S.A. Inc. Fluid characterization using acoustics

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8490705B2 (en) 2009-10-28 2013-07-23 Diamond Offshore Drilling, Inc. Hydraulic control system monitoring apparatus and method
KR101127862B1 (ko) * 2010-04-28 2012-03-21 한국원자력연구원 튜브 유체유발진동 측정용 삽입형 가속도센서
US9593568B1 (en) * 2015-10-09 2017-03-14 General Electric Company System for estimating fatigue damage

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104807589B (zh) * 2015-04-17 2017-03-01 西安交通大学 一种集输－立管系统内气液两相流流型的在线识别方法
WO2018170323A1 (en) * 2017-03-16 2018-09-20 Chevron U.S.A. Inc. Fluid characterization using acoustics

Also Published As

Publication number Publication date
KR20200056063A (ko) 2020-05-22

Similar Documents

Publication Publication Date Title
EP3532704B1 (en) Plunger lift state estimation and optimization using acoustic data
Ye et al. Multiphase flow pattern recognition in pipeline–riser system by statistical feature clustering of pressure fluctuations
CN109458561B (zh) 油气集输立管系统有害流型的预警方法、控制方法及系统
CN104807589B (zh) 一种集输－立管系统内气液两相流流型的在线识别方法
KR20120039160A (ko) 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템
KR100795227B1 (ko) 센서 어레이 신호 패턴 분석 방법 및 장치
KR102126394B1 (ko) 가속도계를 이용한 유동 모니터링 방법 및 시스템
Xu et al. Signal optimization for recognition of gas–liquid two-phase flow regimes in a long pipeline-riser system
Khan et al. Flow Regime Identification in Gas-Liquid Two-Phase Flow in Horizontal Pipe by Deep Learning
Zhao et al. Design of a novel knowledge-based fault detection and isolation scheme
CN110273681B (zh) 石油生产测井中油气水多相流体分相含率测量系统及方法
KR101711606B1 (ko) 유사도 기반 해양 구조물 손상 추정 방법
Xu et al. Features selection for recognition of severe slugging in a long pipeline with an S-shaped riser by decision tree
Khan et al. Identification of horizontal gas-liquid two-phase flow regime using deep learning
CN110953488A (zh) 基于堆栈自编码的气液两相流管道泄漏声发射检测方法
KR102379695B1 (ko) 지도학습을 이용한 이상유동의 형태 판별 장치 및 그 방법
Gomm et al. Diagnosis of process faults with neural networks and principal component analysis
CN117313568A (zh) 耦合领域知识和深度学习的排水管道淤积病害诊断方法
CN117171702A (zh) 一种基于深度学习的多模态电网故障检测方法和系统
CN105719300A (zh) 基于sne流形学习的河道主溜线检测方法
CN109282965A (zh) 一种集输立管内有害流型快速识别装置及方法
Yan et al. Process tomography for model free adaptive control (MFAC) via flow regime identification in multiphase flows
JP2000266570A (ja) 定常状態と非定常状態を弁別する信号処理装置
Wang et al. Improved process fault diagnosis by using neural networks with Andrews plot and autoencoder
US10586154B2 (en) State estimation apparatus, state estimation method, and integrated circuit

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant