KR102136141B1 - Emergency generator including function for fault prevention using artificial intelligence algorithm - Google Patents

Emergency generator including function for fault prevention using artificial intelligence algorithm Download PDF

Info

Publication number
KR102136141B1
KR102136141B1 KR1020190135827A KR20190135827A KR102136141B1 KR 102136141 B1 KR102136141 B1 KR 102136141B1 KR 1020190135827 A KR1020190135827 A KR 1020190135827A KR 20190135827 A KR20190135827 A KR 20190135827A KR 102136141 B1 KR102136141 B1 KR 102136141B1
Authority
KR
South Korea
Prior art keywords
emergency generator
unit
failure
emergency
generator
Prior art date
Application number
KR1020190135827A
Other languages
Korean (ko)
Inventor
하능교
Original Assignee
에너젠(주)
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 에너젠(주) filed Critical 에너젠(주)
Priority to KR1020190135827A priority Critical patent/KR102136141B1/en
Application granted granted Critical
Publication of KR102136141B1 publication Critical patent/KR102136141B1/en

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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J9/00—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting
    • H02J9/04—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source
    • H02J9/06—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source with automatic change-over, e.g. UPS systems
    • H02J9/066—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source with automatic change-over, e.g. UPS systems characterised by the use of dynamo-electric machines

Abstract

The present invention relates to an emergency generator having a failure prevention function using an artificial intelligence algorithm. According to the present invention, the emergency generator having a failure prevention function using an artificial intelligence algorithm comprises: an engine; a generator connected to the engine to generate electricity; a distribution board to supply electricity to a load side; a sensor unit; a memory; and a control unit. According to the present invention, it is possible to determine in advance the possibility of a failure of the emergency generator.

Description

인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기{EMERGENCY GENERATOR INCLUDING FUNCTION FOR FAULT PREVENTION USING ARTIFICIAL INTELLIGENCE ALGORITHM}Emergency generator with malfunction prevention function using artificial intelligence algorithm {EMERGENCY GENERATOR INCLUDING FUNCTION FOR FAULT PREVENTION USING ARTIFICIAL INTELLIGENCE ALGORITHM}

본 발명은 비상 발전기에 관한 것으로서, 보다 상세하게는 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기에 관한 것이다.The present invention relates to an emergency generator, and more particularly, to an emergency generator having a failure prevention function using an artificial intelligence algorithm.

비상 발전기는 사용 전원에 이상이 생기는 비상 상황에서 사용하게 되는데 그 용량을 한없이 크게 할 수 없어서 시설의 보안 등 극히 중요한 부하에 주로 사용하게 된다. 따라서, 비상 상황에서 원만한 작동을 하게 하기 위하여 주기적으로 점검 운전을 하게 되는데, 이러한 점검 운전은 상용 전원과 비상 전원이 함께 존재하고 2가지의 전원이 공존하면서 전원을 공급하는 것은 매우 위험하다. 따라서, 엔진의 작동 여부를 주로 점검하고 실제로 비상 전원을 공급치 않는 무부하로 운전하는 경우가 많다.Emergency generators are used in emergency situations where there is an abnormality in the power supply. Since the capacity cannot be increased infinitely, it is mainly used for extremely important loads such as security of facilities. Therefore, in order to operate smoothly in an emergency situation, the inspection operation is periodically performed. It is very dangerous to supply power while the commercial power supply and the emergency power supply exist together and two power sources coexist. Therefore, it is often checked whether the engine is operated and operated at no load that does not actually supply emergency power.

또한, 이러한 점검은 비상 발전기에 대한 지식이 적은 일반 사용자가 행하게 되므로 엔진의 비정상적인 작동이나 전원의 상용 전원과 비상 전원의 교체 동작의 부적절 등을 발견하기가 어려워 막상 비상 발전기를 가동하는 비상 상황에는 비상 발전기가 제대로 가동되지 아니하거나 정확한 전원의 상용 전원과 비상 전원의 교체 동작이 담보되지 않아 보안에 문제를 가져오고 심한 경우는 인명 피해까지 일어나는 경우가 종종 일어나고 있다.In addition, since such a check is performed by a general user with little knowledge of the emergency generator, it is difficult to detect abnormal operation of the engine or improper operation of replacing the commercial power of the power source and the emergency power source. Generators do not operate properly or replacement of commercial power and emergency power of the correct power source is not guaranteed, causing security problems and, in severe cases, personal injury.

또한, 비상 발전기는 엔진과 발전기가 결합된 종합 기계로 항상 출하 시의 신제품과 같은 최상의 상태를 유지할 수는 없고, 지속적인 점검과 사용에 의해 피로가 누적된다. In addition, the emergency generator is a comprehensive machine that combines an engine and a generator, and cannot always maintain the best condition as a new product at the time of shipment. Fatigue accumulates through continuous inspection and use.

이렇게 누적된 피로가 특정 한계치를 초과하는 경우 고장으로 이어지게 된다. 특히, 비상 발전기가 비정상적으로 구동하는 경우 또는 비상 발전기가 노출된 환경이 가혹한 환경인 경우, 비상 발전기의 피로가 보다 급격하게 누적될 수 있고, 비상 발전기가 고장날 확률과 시점이 보다 앞당겨지게 된다.If the accumulated fatigue exceeds a certain limit, it will lead to failure. In particular, when the emergency generator is abnormally driven or when the environment in which the emergency generator is exposed is a severe environment, the fatigue of the emergency generator may accumulate more rapidly, and the probability and time point at which the emergency generator will fail are advanced.

따라서, 어느 정도 피로가 누적되거나 일부 부품의 성능이 저하되어 비정상적인 운전이 지속되면 이를 사전에 발견하여 보수하는 것이 필요하다. Therefore, if fatigue is accumulated to some extent or performance of some parts deteriorates and abnormal operation continues, it is necessary to find and repair it in advance.

그러나, 평소에 비상 발전기의 점검은 전문적인 지식이 부족한 사용자가 행하게 되므로 고장의 징후를 발견할 수 없어 막상 비상 사용 시에 고장이 나는 경우가 많다.However, in general, the inspection of the emergency generator is performed by a user who lacks professional knowledge, and thus, a sign of the failure cannot be found.

이에, 본 발명이 해결하고자 하는 과제는 정기 점검 등 점검 시에 비상 발전기 자체의 상태 및 비상발전기 주변 환경에 대한 상태에 데이터를 수집하고, 수집된 결과를 데이터 베이스화하며, 데이터 베이스화된 데이터를 인공지능 학습 방식으로 처리하여, 비상 발전기 고장 발생 가능성과 그 위치를 사전에 판단할 수 있는 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기를 제공하는 것이다.Accordingly, the problem to be solved by the present invention is to collect data on the state of the emergency generator itself and the state of the surrounding environment of the emergency generator at the time of inspection, such as regular inspection, database the collected results, and artificial intelligence of the databased data. It is to provide an emergency generator having a failure prevention function using an artificial intelligence algorithm capable of preliminarily determining the possibility and location of an emergency generator failure by processing in a learning manner.

또한, 본 발명이 해결하고자 하는 과제는 판단된 고장 발생 가능성에 기초하여, 비상 발전기에 대한 점검을 수행하여, 결과적으로 비상 발전기 고장을 사전에 예방하고, 비상 상황에서 원만한 작동을 하게 하는 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기를 제공하는 것이다.In addition, the problem to be solved by the present invention is an artificial intelligence algorithm that performs an emergency generator check on the basis of the determined possibility of occurrence of a failure, and as a result prevents an emergency generator failure in advance and makes the operation smooth in an emergency situation. It is to provide an emergency generator having a failure prevention function using a.

또한, 본 발명이 해결하고자 하는 또 다른 과제는 비상 발전기의 센서부에 의해 측정된 센싱값들을 빅데이터화 하고, 머신러닝 알고리즘을 이용하여 불량 패턴 모델을 학습화하여, 불량을 사전에 정확하게 예측할 수 있는 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기를 제공하는 것이다.In addition, another problem to be solved by the present invention is that the sensing values measured by the sensor unit of the emergency generator are made into big data, and a defect pattern model is trained using a machine learning algorithm to accurately predict the defect in advance. It is to provide an emergency generator having a failure prevention function using an artificial intelligence algorithm.

본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problems of the present invention are not limited to the problems mentioned above, and other problems that are not mentioned will be clearly understood by those skilled in the art from the following description.

본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기에 있어서, 동력을 발생하는 엔진; 상기 엔진에 연결되어 전기를 생성하는 발전기; 전기를 부하 측에 공급하는 배전반; 상기 비상 발전기의 부품들 각각에 설치되는 센서부; 상기 센서부로부터 측정된 센싱값들이 저장되는 메모리; 및 상기 비상 발전기를 제어하는 제어부를 포함하고, 상기 메모리는, 상기 비상 발전기의 출하 시 규정된 성능을 발휘하는지를 점검하기 위해 초기 점검 시에 측정된 센싱값들이 저장되는 초기값 메모리; 상기 비상 발전기의 출하 이후에 일정한 주기에 따라 상기 비상 발전기의 상태를 점검하는 일상 점검 시에 측정된 센싱값들이 저장되는 점검값 메모리; 전문가가 전문적인 지식에 근거하여 상기 비상 발전기의 상태를 점검하는 전문 점검 시에 측정된 센싱값들이 저장되는 보정값 메모리; 및 상기 비상 발전기의 고장 여부의 기준값이 저장되는 기준값 메모리를 포함하고, 상기 제어부는, 상기 메모리에 저장된 센싱값들인 상태 데이터를 분석하여 상기 비상 발전기의 부품별 통계 데이터를 생성하는 데이터 처리부; 상기 센서부에 의해 측정된 센싱값들을 부품별 임계치와 비교하여 불량 여부를 판단하는 불량 판단부; 상기 데이터 처리부에 의해 생성된 상기 통계 데이터 및 불량 여부 판단을 타겟으로 하는 머신러닝 알고리즘을 이용하여, 특징 패턴과 불량 사이의 맵핑 관계를 검출하고, 상기 통계 데이터 및 상기 맵핑 관계로부터 불량 패턴 모델을 학습하는 불량 패턴 모델 학습부; 및 상기 데이터 처리부에 의해 생성된 상기 통계 데이터 및 상기 불량 패턴 모델 학습부에 의해 학습된 불량 패턴 모델을 이용하여 상기 비상 발전기의 불량을 사전에 예측하는 불량 예측부를 포함한다.An emergency generator having a failure prevention function using an artificial intelligence algorithm according to an embodiment of the present invention, comprising: an engine generating power; A generator connected to the engine to generate electricity; A switchboard that supplies electricity to the load side; A sensor unit installed in each of the parts of the emergency generator; A memory in which sensing values measured from the sensor unit are stored; And a control unit for controlling the emergency generator, wherein the memory comprises: an initial value memory in which sensing values measured at initial inspection are stored to check whether the emergency generator exhibits a prescribed performance when shipped; A check value memory in which sensing values measured during a routine check for checking the state of the emergency generator according to a predetermined cycle after shipment of the emergency generator are stored; A correction value memory in which sensing values measured at the time of a professional inspection by an expert to check the state of the emergency generator based on expert knowledge are stored; And a reference value memory in which a reference value of whether or not the emergency generator has failed is stored, and the control unit comprises: a data processor configured to generate statistical data for each part of the emergency generator by analyzing state data that is sensing values stored in the memory; A defect determination unit to determine whether a defect is defective by comparing sensing values measured by the sensor unit with a threshold value for each component; A mapping relationship between feature patterns and defects is detected using a machine learning algorithm targeting the statistical data and defects generated by the data processing unit, and a bad pattern model is trained from the statistical data and the mapping relationships. Bad pattern model learning unit; And a failure prediction unit for predicting the failure of the emergency generator in advance using the statistical data generated by the data processing unit and the failure pattern model learned by the failure pattern model learning unit.

본 발명의 다른 특징에 따르면, 상기 불량 예측부는, 상기 데이터 처리부에 의해 생성된 상기 통계 데이터를 입력받는 통계 데이터 입력부; 특징 패턴 검출 알고리즘을 이용하여 상기 통계 데이터 입력부에 입력된 상기 부품별 상기 통계 데이터의 특징 패턴을 검출하는 특징 패턴 검출부; 상기 특징 패턴 검출부에 의해 검출된 상기 특징 패턴과, 해당 부품에 대응되는 상기 불량 패턴 모델의 특징 패턴을 비교하여 연관성을 산출하는 연관성 산출부; 상기 연관성 산출부에 의해 산출된 연관성이 임계치 이상인 경우 상기 비상 발전기에 불량이 발생할 것으로 판단하는 불량 예측 판단부; 및 상기 불량 예측 판단부에 의해 불량이 발생할 것으로 판단될 때, 불량이 발생할 것으로 판단된 부품을 식별하기 위한 식별 정보 및 불량에 대한 내용 정보를 포함하는 불량 예측 데이터를 생성하는 불량 예측 데이터 생성부를 포함한다.According to another aspect of the invention, the failure prediction unit, a statistical data input unit for receiving the statistical data generated by the data processing unit; A feature pattern detection unit for detecting a feature pattern of the statistical data for each part input to the statistical data input unit using a feature pattern detection algorithm; An association calculating unit comparing the characteristic pattern detected by the characteristic pattern detection unit with the characteristic pattern of the defective pattern model corresponding to the corresponding component to calculate an association; A failure prediction determination unit determining that a failure will occur in the emergency generator when the correlation calculated by the association calculation unit is greater than or equal to a threshold; And a defect prediction data generation unit that generates defect prediction data including identification information for identifying a component determined to be defective and content information about the defect when the defect is determined to occur by the defect prediction determination unit. do.

본 발명의 또 다른 특징에 따르면, 상기 센서부는 상기 엔진의 진동, 배기가스의 조성, 상기 엔진의 소음, 상기 엔진 냉각수의 온도 변화, 엔진 오일의 온도 변화, 발생 전기의 전압, 전류, 고조파 형상, 대체 부하, 상용전원과 비상 전원의 교체 동작의 속도, 상용 전원과 비상 전원의 교체 동작 후의 전압 및 전류 중의 적어도 일부를 센싱한다.According to another feature of the invention, the sensor unit vibration of the engine, the composition of the exhaust gas, the noise of the engine, the temperature change of the engine coolant, the temperature change of the engine oil, the voltage of the generated electricity, current, harmonic shape, The load of the alternative load, the speed of the replacement operation of the commercial power supply and the emergency power supply, and the voltage and current after the replacement operation of the commercial power supply and the emergency power supply are sensed.

본 발명의 또 다른 특징에 따르면, 상기 기준값은 상기 비상 발전기의 출하 점검 시에 상기 센서부에 의해 측정된 센싱값들의 평균값이고, 상기 보정값 메모리에 저장되는 보정값은 상기 전문 점검 시에 측정된 센싱값들의 평균값을 포함한다.According to another feature of the present invention, the reference value is an average value of sensing values measured by the sensor unit during shipment inspection of the emergency generator, and a correction value stored in the correction value memory is measured during the professional inspection. Contains the average value of sensing values.

본 발명의 또 다른 특징에 따르면, 상기 센서부는 상기 비상 발전기의 피로 누적 상태 및 수집된 데이터에 기초한 인공지능 학습을 위해, 상기 비상 발전기의 온도, 소음, 부하율, 이상 전류 발생 여부, 습도, 진동, 전력 품질을 센싱한다.According to another feature of the present invention, the sensor unit for artificial intelligence learning based on the accumulated state of fatigue and the collected data of the emergency generator, temperature, noise, load factor, whether an abnormal current is generated, humidity, vibration, Sensing power quality.

본 발명의 또 다른 특징에 따르면, 상기 센서부는 상기 비상 발전기의 이상 상태 및 피로 누적 상태를 확인하기 위해 상기 비상 발전기 주변 환경에 대한 데이터를 센싱한다.According to another feature of the present invention, the sensor unit senses data about the environment surrounding the emergency generator to check the abnormal condition and the accumulated fatigue state of the emergency generator.

본 발명의 또 다른 특징에 따르면, 상기 센서부는 상기 비상 발전기의 외함 내부 및 외함 외부에 대한 데이터를 센싱한다.According to another feature of the present invention, the sensor unit senses data for the inside of the emergency generator and the outside of the enclosure.

본 발명의 또 다른 특징에 따르면, 상기 데이터 처리부는 상기 비상 발전기의 설치 위치에 따라 상기 메모리에 저장된 센싱값들을 가공하고, 상기 불량 패턴 모델 학습부는 상기 비상 발전기의 설치 위치에 따른 상기 통계 데이터의 왜곡을 고려하여 학습한다.According to another feature of the present invention, the data processing unit processes sensing values stored in the memory according to the installation location of the emergency generator, and the bad pattern model learning unit distorts the statistical data according to the installation location of the emergency generator. Learn by considering.

기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.Specific details of other embodiments are included in the detailed description and drawings.

본 발명은 정기 점검 등 점검 시에 비상 발전기 자체의 상태 및 비상발전기 주변 환경에 대한 상태에 데이터를 수집하고, 수집된 결과를 데이터 베이스화하며, 데이터 베이스화된 데이터를 인공지능 학습 방식으로 처리하여, 비상 발전기 고장 발생 가능성과 그 위치를 사전에 판단할 수 있는 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기를 제공할 수 있다.The present invention collects data on the state of the emergency generator itself and the state of the surrounding environment of the emergency generator at the time of inspection, such as a regular inspection, processes the collected results into a database, and processes the databased data using an artificial intelligence learning method, thereby It is possible to provide an emergency generator having a failure prevention function using an artificial intelligence algorithm capable of determining in advance the possibility of a generator failure and its location.

또한, 본 발명은 판단된 고장 발생 가능성에 기초하여, 비상 발전기에 대한 점검을 수행하여, 결과적으로 비상 발전기 고장을 사전에 예방하고, 비상 상황에서 원만한 작동을 하게 하는 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기를 제공할 수 있다.In addition, the present invention, on the basis of the determined possibility of failure, performs a check for the emergency generator, as a result, prevents the failure of the emergency generator in advance, and prevents a failure function using an artificial intelligence algorithm that enables smooth operation in an emergency situation. It is possible to provide an emergency generator having a.

또한, 본 발명은 비상 발전기의 센서부에 의해 측정된 센싱값들을 빅데이터화 하고, 머신러닝 알고리즘을 이용하여 불량 패턴 모델을 학습화하여, 불량을 사전에 정확하게 예측할 수 있는 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기를 제공할 수 있다.In addition, the present invention is a big data of the sensing values measured by the sensor unit of the emergency generator, and learning a failure pattern model using a machine learning algorithm, to prevent failure using an artificial intelligence algorithm that can accurately predict the failure in advance It is possible to provide an emergency generator with a function.

본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 발명 내에 포함되어 있다.The effects according to the present invention are not limited by the contents exemplified above, and more various effects are included in the present invention.

도 1은 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기의 블록도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기의 메모리의 블록도이다.
도 3은 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기의 제어부의 블록도이다.
도 4는 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기의 제어부의 불량 예측부의 블록도이다.
도 5는 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기 및 관리 서버에 대한 도면이다. 1 is a block diagram of an emergency generator with a function for preventing failure using an artificial intelligence algorithm according to an embodiment of the present invention.
2 is a block diagram of a memory of an emergency generator having a function of preventing a failure using an artificial intelligence algorithm according to an embodiment of the present invention.
3 is a block diagram of a control unit of an emergency generator having a function of preventing a failure using an artificial intelligence algorithm according to an embodiment of the present invention.
4 is a block diagram of a failure prediction unit of a control unit of an emergency generator having a function of preventing a failure using an artificial intelligence algorithm according to an embodiment of the present invention.
5 is a diagram of an emergency generator and a management server having a function of preventing a failure using an artificial intelligence algorithm according to an embodiment of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형상으로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.Advantages and features of the present invention, and methods for achieving them will be clarified with reference to embodiments described below in detail together with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in various shapes different from each other, only the present embodiments allow the disclosure of the present invention to be complete, and common knowledge in the technical field to which the present invention pertains. It is provided to completely inform the person having the scope of the invention, and the present invention is only defined by the scope of the claims.

본 발명의 실시예를 설명하기 위한 도면에 개시된 형상, 면적, 비율, 각도, 개수 등은 예시적인 것이므로 본 발명이 도시된 사항에 제한되는 것은 아니다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다. 또한, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 발명 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우 '~만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다.The shapes, areas, ratios, angles, numbers, and the like disclosed in the drawings for describing the embodiments of the present invention are exemplary, and the present invention is not limited to the illustrated matters. The same reference numerals refer to the same components throughout the specification. In addition, in the description of the present invention, when it is determined that detailed descriptions of related known technologies may unnecessarily obscure the subject matter of the present invention, detailed descriptions thereof will be omitted. When'include','have','consist of', etc. mentioned in the present invention are used, other parts may be added unless'~man' is used. When a component is expressed as a singular number, the plural number is included unless otherwise specified.

구성 요소를 해석함에 있어서, 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다. In interpreting the components, it is interpreted as including the error range even if there is no explicit description.

위치 관계에 대한 설명일 경우, 예를 들어, '~상에', '~상부에', '~하부에', '~옆에' 등으로 두 부분의 위치 관계가 설명되는 경우, '바로' 또는 '직접'이 사용되지 않는 이상 두 부분 사이에 하나 이상의 다른 부분이 위치할 수도 있다.In the case of the description of the positional relationship, for example, when the positional relationship of two parts is described as'~top','~upper','~bottom','~side', etc.,'right' Alternatively, one or more other parts may be located between the two parts unless'direct' is used.

소자 또는 층이 다른 소자 또는 층 "위 (on)"로 지칭되는 것은 다른 소자 바로 위에 또는 중간에 다른 층 또는 다른 소자를 개재한 경우를 모두 포함한다.An element or layer being referred to as being "on" another element or layer includes all instances of other layers or other elements immediately above or in between.

또한 제 1, 제 2 등이 다양한 구성 요소들을 서술하기 위해서 사용되나, 이들 구성 요소들은 이들 용어에 의해 제한되지 않는다. 이들 용어들은 단지 하나의 구성 요소를 다른 구성 요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제 1 구성 요소는 본 발명의 기술적 사상 내에서 제 2 구성 요소일 수도 있다.Also, the first, second, etc. are used to describe various components, but these components are not limited by these terms. These terms are only used to distinguish one component from another component. Accordingly, the first component mentioned below may be the second component within the technical spirit of the present invention.

명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.The same reference numerals refer to the same components throughout the specification.

도면에서 나타난 각 구성의 면적 및 두께는 설명의 편의를 위해 도시된 것이며, 본 발명이 도시된 구성의 면적 및 두께에 반드시 한정되는 것은 아니다.The area and thickness of each configuration shown in the drawings are shown for convenience of description, and the present invention is not necessarily limited to the area and thickness of the configuration.

본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하고, 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시할 수도 있다.Each of the features of the various embodiments of the present invention may be partially or wholly combined or combined with each other, technically various interlocking and driving may be possible, and each of the embodiments may be independently implemented with respect to each other or may be implemented together in an associative relationship. It might be.

이하에서는 도면을 참조하여 본 발명에 대해 설명하기로 한다.Hereinafter, the present invention will be described with reference to the drawings.

도 1은 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기의 블록도이다. 도 1을 참조하면, 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기(100)는 외함(110), 엔진(120), 발전기(130), 배전반(140), 메모리(150), 제어부(160) 및 센서부(170)를 포함한다.1 is a block diagram of an emergency generator with a function for preventing failure using an artificial intelligence algorithm according to an embodiment of the present invention. Referring to FIG. 1, an emergency generator 100 having a failure prevention function using an artificial intelligence algorithm according to an embodiment of the present invention includes an enclosure 110, an engine 120, a generator 130, and a switchboard 140 , A memory 150, a control unit 160 and a sensor unit 170.

비상 발전기(100)는 상시 운전하지 않고 있다가 상용 전원의 정전 시에만 가동하는 발전기로 지칭된다. 비상 발전기(100)는 동력을 발생시키는 엔진(120), 엔진(120)에 연결되어 전기를 생성하는 발전기(130), 전기를 부하 측에 공급하는 배전반(140) 및 엔진(120), 발전기(130) 및 배전반(140)을 둘러싸는 외함(110)을 포함한다. 비상 발전기(100)는 동력을 발생시키기 위한 엔진(120)의 종류에 따라 디젤 발전기, 가스 터빈 발전기, 스팀 터빈 발전기 등이 사용되는데, 일반적으로 디젤 엔진(120)을 사용하여 동력을 발생시키는 디젤 발전기가 가장 널리 사용되고 있다. 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기(100)의 엔진(120), 발전기(130) 및 배전반(140)은 일반적인 비상 발전기(100)에서 사용되는 엔진(120), 발전기(130) 및 배전반(140)을 사용할 수 있으며, 엔진(120), 발전기(130) 및 배전반(140)의 종류 및 구조는 설계에 따라 다양하게 사용될 수 있다. 또한, 엔진(120), 발전기(130) 및 배전반(140) 이외에 일반적인 비상 발전기(100)에서 사용되는 다양한 부품들이 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기(100)에 더 포함될 수도 있다.The emergency generator 100 is referred to as a generator that does not operate at all times and operates only when a commercial power is interrupted. The emergency generator 100 includes an engine 120 that generates power, a generator 130 that is connected to the engine 120 to generate electricity, a switchboard 140 that supplies electricity to the load side, and an engine 120, a generator ( 130) and an enclosure 110 surrounding the switchboard 140. As the emergency generator 100, a diesel generator, a gas turbine generator, a steam turbine generator, etc. are used according to the type of the engine 120 for generating power. In general, a diesel generator that generates power using a diesel engine 120 Is the most widely used. The engine 120, the generator 130, and the switchboard 140 of the emergency generator 100 having a failure prevention function using an artificial intelligence algorithm according to an embodiment of the present invention are engines used in the general emergency generator 100 120, the generator 130 and the switchboard 140 may be used, and the type and structure of the engine 120, the generator 130, and the switchboard 140 may be used in various ways depending on the design. Further, in addition to the engine 120, the generator 130, and the switchboard 140, various parts used in the general emergency generator 100 have an emergency generator having a failure prevention function using an artificial intelligence algorithm according to an embodiment of the present invention. It may be further included in (100).

센서부(170)는 비상 발전기(100)의 피로 누적 상태 및 수집된 데이터에 기초한 인공지능 학습을 위해, 비상 발전기(100)의 온도, 소음, 부하율, 이상 전류 발생 여부, 습도, 진동, 전력 품질을 센싱할 수 있다. 이에, 센서부(170)는 비상 발전기(100)의 부품들 각각에 설치될 수 있다. 예를 들어, 센서부(170)는 비상 발전기(100)의 엔진(120), 발전기(130), 배전반(140), 메모리(150), 제어부(160) 등과 같은 비상 발전기(100)의 각각의 부품들에 설치될 수 있다. 비상 발전기(100)가 엔진(120), 발전기(130), 배전반(140), 메모리(150), 제어부(160) 이외에 다른 부품들을 더 포함하는 경우, 해당 부품들 각각에도 센서부(170)가 설치될 수 있다.The sensor unit 170 for the artificial intelligence learning based on the accumulated state of fatigue and the collected data of the emergency generator 100, temperature, noise, load rate, whether an abnormal current occurs, humidity, vibration, power quality of the emergency generator 100 You can sense Accordingly, the sensor unit 170 may be installed in each of the components of the emergency generator 100. For example, the sensor unit 170 of each of the emergency generator 100, such as the engine 120, the generator 130, the switchboard 140, the memory 150, the control unit 160 of the emergency generator 100 It can be installed on parts. When the emergency generator 100 further includes other parts in addition to the engine 120, the generator 130, the switchboard 140, the memory 150, and the control unit 160, the sensor unit 170 is also provided for each of the parts. Can be installed.

센서부(170)는 비상 발전기(100)의 부품들 각각에 설치되어 부품들 각각의 상태를 센싱할 수 있다. The sensor unit 170 may be installed on each of the parts of the emergency generator 100 to sense the state of each of the parts.

먼저, 센서부(170)는 엔진(120)에 설치되어 엔진(120)의 상태를 센싱할 수 있다. 구체적으로, 센서부(170)는 엔진(120)의 온도, 엔진(120)의 진동, 엔진(120)의 배기 가스의 조성, 엔진(120)의 소음, 엔진(120) 냉각수의 온도 변화, 엔진(120) 오일의 온도 변화 등과 같은 엔진(120)의 상태를 센싱할 수 있다. 센서부(170)로부터 측정된 엔지의 상태에 대한 센싱값들은 메모리(150)에 저장될 수 있다.First, the sensor unit 170 may be installed in the engine 120 to sense the state of the engine 120. Specifically, the sensor unit 170 is the temperature of the engine 120, the vibration of the engine 120, the composition of the exhaust gas of the engine 120, the noise of the engine 120, the temperature change of the engine 120 cooling water, the engine (120) It is possible to sense the state of the engine 120, such as the temperature change of the oil. Sensing values for the state of the engine measured from the sensor unit 170 may be stored in the memory 150.

또한, 센서부(170)는 발전기(130)에 배치되어 발전기(130)의 상태를 센싱할 수 있다. 구체적으로, 센서부(170)는 발전기(130)의 온도, 소음, 부하율, 이상 전류 발생 여부, 습도, 진동, 전력 품질, 발생 전기의 전압, 전류, 고조파 형상, 대체 부하, 상용 전원과 비상 전원의 교체 동작의 속도, 상용 전원과 비상 전원의 교체 동작 후의 전압 및 전류 등과 같은 발전기(130)의 상태를 센싱할 수 있다. 센서부(170)로부터 측정된 발전기(130)의 상태에 대한 센싱값들은 메모리(150)에 저장될 수 있다.In addition, the sensor unit 170 may be disposed on the generator 130 to sense the state of the generator 130. Specifically, the sensor unit 170, the temperature of the generator 130, noise, load rate, whether an abnormal current is generated, humidity, vibration, power quality, voltage, current, harmonic shape of the generated electricity, alternative load, commercial power and emergency power It can sense the state of the generator 130, such as the speed of the replacement operation, the voltage and current after the replacement operation of the commercial power and emergency power. Sensing values for the state of the generator 130 measured from the sensor unit 170 may be stored in the memory 150.

또한, 센서부(170)는 배전반(140)에 배치되어 배전반(140)의 상태를 센싱할 수 있다. 구체적으로, 센서부(170)는 배전반(140)의 온도, 소음, 습도, 진동 등과 같은 배전반(140)의 상태를 센싱할 수 있다. 센서부(170)로부터 측정된 배전반(140)의 상태에 대한 센싱값들은 메모리(150)에 저장될 수 있다.In addition, the sensor unit 170 is disposed on the switchboard 140 to sense the state of the switchboard 140. Specifically, the sensor unit 170 may sense the state of the switchboard 140 such as temperature, noise, humidity, vibration, etc. of the switchboard 140. Sensing values for the state of the switchboard 140 measured from the sensor unit 170 may be stored in the memory 150.

또한, 센서부(170)는 비상 발전기(100)의 이상 상태 및 피로 누적 상태를 확인하기 위해 비상 발전기(100) 주변 환경에 대한 데이터를 센싱할 수 있다. 즉, 센서부(170)는 상술한 바와 같이 비상 발전기(100)의 외함(110) 내부에 배치되는 엔진(120), 발전기(130), 배전반(140) 등과 같은 구성 요소에 대한 데이터뿐만 아니라, 외함(110) 외부와 같은 비상 발전기(100) 주변 환경에 대한 데이터를 센싱할 수 있다. In addition, the sensor unit 170 may sense data on the environment surrounding the emergency generator 100 in order to check the abnormal state and the cumulative state of the emergency generator 100. That is, the sensor unit 170 as well as data for components such as the engine 120, the generator 130, the switchboard 140 disposed inside the enclosure 110 of the emergency generator 100, as described above, The emergency generator 100, such as the outside of the enclosure 110, may sense data on the surrounding environment.

구체적으로, 센서부(170)는 외함(110) 외부와 같은 비상 발전기(100) 주변 환경의 온도, 소음, 습도, 진동 등과 같은 다양한 비상 발전기(100) 주변 환경에 대한 데이터를 센싱할 수 있다. 예를 들어, 비상 발전기(100)의 온도가 상승하는 경우, 해당 온도 상승은 비상 발전기(100) 자체의 피로 누적이나 기계적 결함에 의해 발생할 수도 있으나, 외부의 온도 상승, 외함(110)의 환풍 기능/공기 순환 기능 이상 등에 의해 발생할 수도 있다. 이와 같이, 비상 발전기(100) 주변 환경에 의해 비상 발전기(100)의 온도가 함께 상승하는 경우에도 비상 발전기(100)의 피로 누적에 영향을 줄 수 있지만, 해당 온도 상승의 원인이 외부에서 일시적으로 발생하는 것이라면, 외부 원인을 제거함에 의해 용이하게 비상 발전기(100)의 피로 누적을 방지할 수 있다. 비상 발전기(100)의 소음, 진동 등에 대한 다양한 데이터도 마찬가지이다. Specifically, the sensor unit 170 may sense data on various surrounding environments of the emergency generator 100, such as temperature, noise, humidity, and vibration of the surrounding environment of the emergency generator 100, such as outside the enclosure 110. For example, when the temperature of the emergency generator 100 rises, the temperature rise may occur due to fatigue accumulation or mechanical defects of the emergency generator 100 itself, but an external temperature rise, a ventilation function of the enclosure 110 / It may be caused by an abnormal air circulation function. As described above, even when the temperature of the emergency generator 100 rises together by the surrounding environment of the emergency generator 100, it may affect the accumulation of fatigue of the emergency generator 100, but the cause of the temperature rise may be temporarily externally. If it occurs, it is possible to easily prevent the accumulation of fatigue of the emergency generator 100 by eliminating the external cause. The same applies to various data on noise and vibration of the emergency generator 100.

이에, 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기(100)는 비상 발전기(100) 자체에 대한 데이터뿐만 아니라 비상 발전기(100)의 주변 환경에 대한 데이터를 동시에 수집하여, 비상 발전기(100)의 피로 누적에 기여하는 다양한 팩터들을 보다 정확하게 수집할 수 있다.Accordingly, the emergency generator 100 having a failure prevention function using an artificial intelligence algorithm according to an embodiment of the present invention not only provides data about the emergency generator 100 itself, but also data about the surrounding environment of the emergency generator 100. By collecting at the same time, various factors contributing to the accumulation of fatigue in the emergency generator 100 can be collected more accurately.

메모리(150)는 센서부(170)로부터 측정된 센싱값들을 저장한다. 메모리(150)는 비상 발전기(100)의 다양한 부품에 설치되어 다양한 데이터를 측정하는 센서부(170)로부터 측정된 센싱값들을 저장할 수 있다.The memory 150 stores sensing values measured from the sensor unit 170. The memory 150 may be installed in various parts of the emergency generator 100 to store sensing values measured from the sensor unit 170 measuring various data.

이하에서는, 메모리(150)에 대한 보다 상세한 설명을 위해 도 2를 함께 참조한다.Hereinafter, FIG. 2 is referred together for a more detailed description of the memory 150.

도 2는 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기의 메모리의 블록도이다. 2 is a block diagram of a memory of an emergency generator having a function of preventing a failure using an artificial intelligence algorithm according to an embodiment of the present invention.

도 2를 참조하면, 메모리(150)는 초기값 메모리(151), 점검값 메모리(152), 보정값 메모리(153) 및 기준값 메모리(154)를 포함한다. 다만, 이에 제한되지 않고, 초기값 메모리(151), 점검값 메모리(152), 보정값 메모리(153) 및 기준값 메모리(154)가 혼용될 수도 있다. 또한, 메모리(150)는 다양한 값들을 저장하는 다른 메모리(150)를 더 포함할 수 있다. Referring to FIG. 2, the memory 150 includes an initial value memory 151, a check value memory 152, a correction value memory 153, and a reference value memory 154. However, the present invention is not limited thereto, and the initial value memory 151, the check value memory 152, the correction value memory 153, and the reference value memory 154 may be mixed. Further, the memory 150 may further include another memory 150 storing various values.

먼저, 초기값 메모리(151)는 비상 발전기(100)의 출하 시 규정된 성능을 발휘하는지를 점검하기 위해 초기 점검 시에 측정된 센싱값들을 저장한다. 비상 발전기(100)의 출하 시에 정상적으로 비상 발전기(100)가 제조되었는지를 확인하기 위해 비상 발전기(100)의 부품들, 예를 들어, 엔진(120)의 상태, 발전기(130)의 상태 및 배전반(140)의 상태를 측정할 수 있다. 이러한 상태 측정은 센서부(170)를 통해 이루어질 수도 있고, 별도 측정 장비를 통해 이루어질 수도 있다. 초기 점검 시에 측정된 센싱값들을 통해 비상 발전기(100)가 정상적으로 제조되었는지를 확인할 수도 있고, 출하 이후 비상 발전기(100)의 점검 시에 사용될 수도 있다. First, the initial value memory 151 stores sensing values measured at the initial inspection to check whether the emergency generator 100 exhibits a prescribed performance when shipped. The parts of the emergency generator 100, for example, the state of the engine 120, the state of the generator 130, and the switchboard to check whether the emergency generator 100 is normally manufactured at the time of shipment of the emergency generator 100 The state of 140 can be measured. The state measurement may be performed through the sensor unit 170 or may be performed through separate measurement equipment. It is also possible to check whether the emergency generator 100 is normally manufactured through sensing values measured at the initial inspection, or may be used at the time of inspection of the emergency generator 100 after shipment.

또한, 초기 점검 시에는 비상 발전기(100)의 부품들에 대한 데이터뿐만 아니라 비상 발전기(100)의 주변 환경에 대한 데이터도 센싱할 수 있고, 주변 환경에 대한 센싱값도 초기값 메모리(151)에 저장될 수 있다. 이에, 출하 이후 비상 발전기(100)이 점검 시에 측정되는 비상 발전기(100)의 주변 환경에 대한 센싱값과 비교할 수도 있다.In addition, at the time of initial inspection, it is possible to sense not only data on the components of the emergency generator 100, but also data on the surrounding environment of the emergency generator 100, and sensing values on the surrounding environment are also stored in the initial value memory 151. Can be saved. Accordingly, after the shipment, the emergency generator 100 may be compared with a sensing value of the surrounding environment of the emergency generator 100 measured at the time of inspection.

다음으로, 점검값 메모리(152)는 비상 발전기(100)의 출하 이후에 일정한 주기에 따라 비상 발전기(100)의 상태를 점검하는 일상 점검 시에 측정된 센싱값들을 저장한다. 비상 발전기(100)의 출하 이후에 정상적으로 비상 발전기(100)가 동작하는지를 확인하기 위해 비상 발전기(100)의 부품들, 예를 들어, 엔진(120)의 상태, 발전기(130)의 상태 및 배전반(140)의 상태를 측정할 수 있다. 이러한 상태 측정은 일정한 주기에 따라 이루어질 수 있으나 이에 제한되는 것은 아니다. 또한, 일상 점검은 비상 발전기(100)의 제어부(160)에 의해 자동으로 이루어질 수도 있고, 일반적인 지식을 가진 사용자 또는 점검자에 의해 이루어질 수도 있다.Next, the check value memory 152 stores sensing values measured at the time of daily inspection to check the state of the emergency generator 100 according to a predetermined cycle after the emergency generator 100 is shipped. Parts of the emergency generator 100, for example, the state of the engine 120, the state of the generator 130, and the switchboard to check whether the emergency generator 100 operates normally after shipment of the emergency generator 100 ( 140) can be measured. The state measurement may be performed according to a certain period, but is not limited thereto. In addition, the routine inspection may be automatically performed by the control unit 160 of the emergency generator 100, or may be performed by a user or inspector having general knowledge.

또한, 일상 점검 시에는 비상 발전기(100)의 부품들에 대한 데이터뿐만 아니라 비상 발전기(100)의 주변 환경에 대한 데이터도 센싱할 수 있고, 주변 환경에 대한 센싱값도 점검값 메모리(152)에 저장될 수 있다. 이에, 초기 점검 시에 측정되는 비상 발전기(100)의 주변 환경에 대한 센싱값과 비교할 수도 있다.In addition, during routine inspection, data on the components of the emergency generator 100 as well as data on the surrounding environment of the emergency generator 100 can be sensed, and sensing values on the surrounding environment are also stored in the check value memory 152. Can be saved. Accordingly, it may be compared with the sensing value for the surrounding environment of the emergency generator 100 measured at the initial inspection.

다음으로, 보정값 메모리(153)는 전문가가 전문적인 지식에 근거하여 비상 발전기(100)의 상태를 점검하는 전문 점검 시에 측정된 센싱값들을 저장한다. 비상 발전기(100)의 출하 이후에 정상적으로 비상 발전기(100)가 동작하는지를 확인하기 위해 일상 점검이 수행될 수도 있으며, 필요 시 전문가에 의한 전문 점검이 수행될 수도 있다. 전문 점검 시에는 전문가가 전문적인 지식에 근거하여 비상 발전기(100)의 부품들, 예를 들어, 엔진(120)의 상태, 발전기(130)의 상태 및 배전반(140)의 상태를 측정할 수 있다. 이러한 전문 점검은 일정한 주기에 따라 이루어질 수도 있고, 비상 발전기(100)의 고장이나 불량이 예상되는 경우 이루어질 수도 있으나 이에 제한되는 것은 아니다. 전문 점검 시에는 비상 발전기(100)의 상태를 점검과 동시에 전문 점검 시에 측정된 센싱값에 기초하여 전문가에 의한 비상 발전기(100)의 수리 또한 이루어질 수 있다. Next, the correction value memory 153 stores the sensed values measured at the time of the expert inspection, where the expert checks the state of the emergency generator 100 based on expert knowledge. After the emergency generator 100 is shipped, a routine inspection may be performed to confirm whether the emergency generator 100 operates normally, or a professional inspection by an expert may be performed if necessary. At the time of the professional inspection, the expert can measure the parts of the emergency generator 100, for example, the state of the engine 120, the state of the generator 130, and the state of the switchboard 140 based on expert knowledge. . This specialized inspection may be performed at regular intervals, or may be performed when a failure or failure of the emergency generator 100 is expected, but is not limited thereto. At the time of the professional inspection, the state of the emergency generator 100 can be checked and at the same time, the emergency generator 100 can be repaired by an expert based on the sensed value measured during the professional inspection.

또한, 전문 점검 시에는 비상 발전기(100)의 부품들에 대한 데이터뿐만 아니라 비상 발전기(100)의 주변 환경에 대한 데이터도 센싱할 수 있고, 주변 환경에 대한 센싱값도 보정값 메모리(153)에 저장될 수 있다. 이에, 초기 점검이나 일상 점검 시에 측정되는 비상 발전기(100)의 주변 환경에 대한 센싱값과 비교할 수도 있다.In addition, during the professional inspection, it is possible to sense not only data on the components of the emergency generator 100, but also data on the surrounding environment of the emergency generator 100, and the sensing values on the surrounding environment are also stored in the correction value memory 153. Can be saved. Thus, it may be compared with the sensing value for the surrounding environment of the emergency generator 100, which is measured at the time of initial inspection or daily inspection.

전문 점검 시 보정값 메모리(153)에 저장되는 보정값은 해당 전문 점검 시에 측정된 센싱값 및 전문 점검 시에 측정된 센싱값들의 평균값을 포함할 수 있다. 즉, 복수회 전문 점검을 수행한 경우, 각각의 전문 점검 시체 측정된 센싱값이 개별적으로 보정값 메모리(153)에 저장될 뿐만 아니라 복수회 전문 점검 시에 측정된 센싱값들의 평균값 또한 보정값 메모리(153)에 저장될 수 있다.The correction value stored in the correction value memory 153 during the professional inspection may include a sensing value measured during the corresponding professional inspection and an average value of sensing values measured during the professional inspection. In other words, when a full-time professional check is performed, not only the sensed values measured for each full-body check body are individually stored in the correction value memory 153, but also the average value of the sensed values measured during the multiple full-time check is also a correction value memory. 153.

다음으로, 기준값 메모리(154)는 비상 발전기(100)의 고장 여부의 기준값을 저장한다. 기준값은 비상 발전기(100) 및 비상 발전기(100)의 각 부품들에 대하여 고장 여부를 판단하기 위한 값이다. 기준값은 비상 발전기(100)의 출하 점검 시에 센서부(170)에 의해 측정된 센싱값일 수 있다. 즉, 비상 발전기(100)의 부품들에 대해 출하 점검 시에 센싱된 센싱값이 기준값으로 저장될 수 있다. 또한, 기준값은 비상 발전기(100)의 출하 점검 시에 센서부(170)에 의해 측정된 센싱값에 오차 범위를 고려한 센싱값의 범위로 설정될 수도 있다. 또한, 비상 발전기(100)의 출하 점검이 복수회 이루어지는 경우 비상 발전기(100)의 출하 점검 시에 센서부(170)에 의해 측정된 센싱값들의 평균값이 기준값으로 기준값 메모리(154)에 저장될 수 있다.Next, the reference value memory 154 stores a reference value of whether the emergency generator 100 has failed. The reference value is a value for determining whether a failure occurs for each component of the emergency generator 100 and the emergency generator 100. The reference value may be a sensing value measured by the sensor unit 170 during shipment inspection of the emergency generator 100. That is, the sensing values sensed at the time of shipment inspection for the components of the emergency generator 100 may be stored as a reference value. In addition, the reference value may be set to a range of sensing values in consideration of an error range in the sensing values measured by the sensor unit 170 during shipment inspection of the emergency generator 100. In addition, when the shipment of the emergency generator 100 is checked multiple times, the average value of the sensing values measured by the sensor unit 170 during the shipment inspection of the emergency generator 100 may be stored in the reference value memory 154 as a reference value. have.

도 2에서는 메모리(150)에 저장되는 센싱값들의 센싱 시점에 대해 설명한 것이며, 하나의 시점에서 센싱되는 값들의 종류는 도 1을 참조하여 설명된 센서부(170)의 센싱값의 적어도 일부를 포함할 수 있다.In FIG. 2, a sensing time point of sensing values stored in the memory 150 is described, and the types of values sensed at one time point include at least a part of the sensing value of the sensor unit 170 described with reference to FIG. 1. can do.

다시 도 1을 참조하면, 제어부(160)는 비상 발전기(100)를 제어한다. 즉, 제어부(160)는 비상 발전기(100)의 전체적인 동작뿐만 아니라 비상 발전기(100)의 각각의 부품들에 대한 동작을 제어할 수 있다. Referring back to FIG. 1, the control unit 160 controls the emergency generator 100. That is, the controller 160 may control the operation of each component of the emergency generator 100 as well as the overall operation of the emergency generator 100.

제어부(160)는 메모리(150)에 저장된 센싱값들에 기초하여 비상 발전기(100) 및 비상 발전기(100)의 부품들의 불량 여부를 판단하고, 인공지능 알고리즘을 이용하여 비상 발전기(100)의 불량을 사전에 예측할 수 있다.The control unit 160 determines whether the emergency generator 100 and the parts of the emergency generator 100 are defective based on the sensing values stored in the memory 150 and uses the artificial intelligence algorithm to determine whether the emergency generator 100 is defective. Can be predicted in advance.

이하에서는, 제어부(160)에 대한 보다 상세한 설명을 위해 도 3을 함께 참조한다.Hereinafter, FIG. 3 is also referred to for a more detailed description of the control unit 160.

도 3은 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기의 제어부의 블록도이다. 3 is a block diagram of a control unit of an emergency generator having a function of preventing a failure using an artificial intelligence algorithm according to an embodiment of the present invention.

제어부(160)는 데이터 처리부(161), 불량 판단부(162), 불량 패턴 모델 학습부(163) 및 불량 예측부(164)를 포함한다.The control unit 160 includes a data processing unit 161, a bad determination unit 162, a bad pattern model learning unit 163, and a bad prediction unit 164.

먼저, 데이터 처리부(161)는 메모리(150)에 저장된 센싱값들인 상태 데이터를 분석하여 비상 발전기(100)의 부품별 통계 데이터를 생성한다. 데이터 처리부(161)는 메모리(150)에 저장된 다양한 센싱값들을 이용하여 비상 발전기(100) 및 비상 발전기(100)의 각 부품의 상태를 나타내는 상태 데이터를 분석한다. 이후, 데이터 처리부(161)는 불량 판단부(162), 불량 패턴 모델 학습부(163) 및 불량 예측부(164)에서 상태 데이터를 활용한 분석이 이루어질 수 있도록, 상태 데이터를 사용하여 비상 발전기(100)의 부품별로 통계 데이터를 생성한다. First, the data processing unit 161 analyzes state data that is sensing values stored in the memory 150 to generate statistical data for each part of the emergency generator 100. The data processing unit 161 analyzes state data representing states of the emergency generator 100 and each component of the emergency generator 100 using various sensing values stored in the memory 150. Subsequently, the data processing unit 161 uses the state data so that the failure determination unit 162, the failure pattern model learning unit 163, and the failure prediction unit 164 can perform analysis using the state data, and the emergency generator ( Statistical data is generated for each part of 100).

이때, 데이터 처리부(161)는 비상 발전기(100)의 설치 위치에 따라 메모리(150)에 저장된 센싱값들을 가공할 수 있다. 비상 발전기(100)의 설치 위치에 따라 비상 발전기(100)의 주변 환경이 변화하므로, 비상 발전기(100)의 설치 위치는 센서부(170)에 의해 의해 수집되는 센싱값에 영향을 미칠 수 있다. 예를 들어, 비상 발전기(100)가 고지대에 위치한 경우, 해변가에 위치한 경우, 도심지 주변에 위치한 경우 등과 같이, 비상 발전기(100)의 다양한 설치 위치에 따라 비상 발전기(100)의 각 부품의 온도, 습도, 진동, 소음 등이 왜곡되어 측정될 수 있다. 이에, 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기(100)에서는 비상 발전기(100) 설치 위치에 따른 센싱값에 대한 영향을 고려하여, 데이터 처리부(161)는 비상 발전기(100)의 설치 위치에 따라 메모리(150)에 저장된 센싱값들을 가공할 수 있다고, 이에 따라 정확한 데이터 수집과 함께 인공지능 학습 시에도 이를 고려한 학습이 이루어지게 할 수 있다.At this time, the data processing unit 161 may process sensing values stored in the memory 150 according to the installation location of the emergency generator 100. Since the surrounding environment of the emergency generator 100 changes according to the installation location of the emergency generator 100, the installation location of the emergency generator 100 may affect the sensing value collected by the sensor unit 170. For example, the temperature of each part of the emergency generator 100 according to the various installation positions of the emergency generator 100, such as when the emergency generator 100 is located in the highlands, located on the beach, or located around the downtown area, Humidity, vibration, noise, etc. can be measured with distortion. Accordingly, in the emergency generator 100 equipped with a failure prevention function using an artificial intelligence algorithm according to an embodiment of the present invention, considering the effect on the sensing value according to the installation location of the emergency generator 100, the data processing unit 161 Is capable of processing the sensing values stored in the memory 150 according to the installation location of the emergency generator 100. Accordingly, it is possible to perform accurate data collection and learning taking this into consideration when learning artificial intelligence.

불량 판단부(162)는 센서부(170)에 의해 측정된 센싱값들을 부품별 임계치와 비교하여 불량 여부를 판단한다. 불량 판단부(162)는 메모리(150)에 저장된 각 부품별 센싱값들 및 각 부품별 임계치를 사용하여 각 부품별 불량 여부를 판단할 수 있다. 예를 들어, 불량 판단부(162)는 일상 점검 시에 측정된 센싱값들이 저장된 점검값 메모리(152)로부터의 센싱값들과 임계치를 비교할 수 있다. 여기서, 임계치는 각 부품별로 설정된 값이다. 임계치는 별도로 설정될 수도 있고, 앞서 설명한 바와 같이, 기준값 메모리(154)에 저장된 기준값일 수도 있다. 또한, 임계치는 비상 발전기(100)의 주변 환경에 대한 센싱값을 고려하여 변경될 수도 있다. 예를 들어, 비상 발전기(100)의 주변 환경에 대한 센싱값 중 온도가 다른 일반적인 환경에 비해 상대적으로 2°C 높은 값을 갖는 경우, 비상 발전기(100)의 부품별로 온도에 대한 임계치도 2°C 높도록 임계치가 조정될 수 있다.The defect determining unit 162 compares the sensing values measured by the sensor unit 170 with the component-specific thresholds to determine whether the defect is defective. The defect determination unit 162 may determine whether each component is defective by using sensing values for each component and a threshold value for each component stored in the memory 150. For example, the defect determination unit 162 may compare the sensing values from the check value memory 152 in which the sensing values measured during the routine inspection are stored and the threshold. Here, the threshold is a value set for each component. The threshold may be set separately, or as described above, may be a reference value stored in the reference value memory 154. In addition, the threshold may be changed in consideration of the sensing value of the surrounding environment of the emergency generator 100. For example, when the temperature among the sensing values for the surrounding environment of the emergency generator 100 has a relatively high value of 2°C compared to other general environments, the threshold for temperature for each component of the emergency generator 100 is also 2° The threshold can be adjusted to be C high.

만약, 불량 판단부(162)의 불량 여부 판단 결과 해당 부품에 불량이 발생하였다고 판단되는 경우, 불량 판단부(162)는 해당 부품에 대해 불량이 발생하였다는 불량 메시지를 생성할 수 있다. 이때 불량 메시지는 해당 부품을 식별할 수 있는 데이터, 불량의 종류를 식별할 수 있는 데이터, 불량이 발생한 시점을 식별할 수 있는 데이터 등을 포함할 수 있다. 불량 판단부(162)가 생성한 불량 메시지는 별도의 통신 방식을 통해 관리 서버(900)나 관리자의 단말기 등으로 전송될 수 있다. 또한, 불량 메시지가 포함하는 데이터들은 불량 패턴 모델 학습부(163) 및 불량 예측부(164)로 전달되어 인공지능 알고리즘에 반영되도록 할 수도 있다.If it is determined that a defect has occurred in the corresponding part as a result of determining whether the defect is determined by the defect determining unit 162, the defect determining unit 162 may generate a defective message indicating that a defect has occurred in the corresponding component. At this time, the defect message may include data that can identify the corresponding part, data that can identify the type of defect, and data that can identify when the defect occurred. The bad message generated by the bad determining unit 162 may be transmitted to the management server 900 or the administrator's terminal through a separate communication method. In addition, the data included in the bad message may be transmitted to the bad pattern model learning unit 163 and the bad predicting unit 164 to be reflected in the artificial intelligence algorithm.

불량 패턴 모델 학습부(163)는 데이터 처리부(161)에 의해 생성된 통계 데이터 및 불량 여부 판단을 타겟으로 하는 머신러닝 알고리즘을 이용하여, 특징 패턴과 불량 사이의 맵핑 관계를 검출하고, 통계 데이터 및 맵핑 관계로부터 불량 패턴 모델을 학습한다. 불량 패턴 모델 학습부(163)는 데이터 처리부(161)로부터 생성된 통계 데이터를 수신하여, 메모리(150)에 저장된 다양한 머신러닝 알고리즘을 사용하여 불량 패턴 모델을 학습할 수 있다. 여기서, 불량 패턴 모델은 비상 발전기(100)에 포함된 다양한 부품들에 불량이 발생하는 것을 예측하기 위한 모델일 수 있다. 불량 패턴 모델 학습부(163)는 다양한 머신러닝 알고리즘을 사용하여 통계 데이터 및 맵핑 관계를 사용하여 불량 패턴 모듈을 학습할 수 있다. 예를 들어, 불량 패턴 모델 학습부(163)는 인공 신경망 기법과 같은 머신러닝 알고리즘을 사용할 수 있으나, 이에 제한되지 않고, 다양한 기 공지된 머신러닝 알고리즘을 사용할 수도 있다. 즉, 불량 패턴 모델 학습부(163)는 데이터 처리부(161)에 의해 생성된 통계 데이터와 메모리(150)에 저장된 불량 여부 판단을 타겟으로 하는 머신 러닝 알고리즘을 사용하여 특징 패턴과 불량 간의 맵핑 관계를 학습 및 검출하여, 통계 데이터 및 맵핑 관계로부터 불량 패턴 모델을 학습할 수 있다. 또한, 이렇게 학습된 불량 패턴 모델은 메모리(150)에 저장될 수도 있다. The bad pattern model learning unit 163 detects the mapping relationship between the feature patterns and the defects by using the statistical data generated by the data processing unit 161 and a machine learning algorithm targeting the determination of the defects, and the statistical data and The bad pattern model is learned from the mapping relationship. The bad pattern model learning unit 163 may receive statistical data generated from the data processing unit 161 and train a bad pattern model using various machine learning algorithms stored in the memory 150. Here, the failure pattern model may be a model for predicting that failure occurs in various parts included in the emergency generator 100. The bad pattern model learning unit 163 may learn a bad pattern module using statistical data and mapping relationships using various machine learning algorithms. For example, the bad pattern model learning unit 163 may use a machine learning algorithm such as an artificial neural network technique, but is not limited thereto, and may use various well-known machine learning algorithms. That is, the bad pattern model learning unit 163 uses the statistical data generated by the data processing unit 161 and a machine learning algorithm that targets the badness determination stored in the memory 150 to establish a mapping relationship between the feature patterns and the defects. By learning and detecting, a bad pattern model can be trained from statistical data and mapping relationships. In addition, the learned bad pattern model may be stored in the memory 150.

또한, 불량 패턴 모델 학습부(163)는 비상 발전기(100)의 설치 위치에 따라 통계 데이터의 왜곡을 고려하여 학습할 수 있다. 비상 발전기(100)의 설치 위치에 따라 비상 발전기(100)의 주변 환경이 변화하므로, 비상 발전기(100)의 설치 위치는 센서부(170)에 의해 의해 수집되는 센싱값에 영향을 미칠 수 있다. 이에, 비상 발전기(100)의 설치 위치에 따라 통계 데이터에 왜곡이 발생할 수 있다. 이에, 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기(100)에서는 비상 발전기(100) 설치 위치에 따른 통계 데이터의 왜곡을 고려하여, 불량 패턴 모델 학습부(163)는 비상 발전기(100)의 설치 위치에 따라 불량 패턴 모델을 학습할 수 있다.In addition, the bad pattern model learning unit 163 may learn by considering distortion of statistical data according to the installation location of the emergency generator 100. Since the surrounding environment of the emergency generator 100 changes according to the installation location of the emergency generator 100, the installation location of the emergency generator 100 may affect the sensing value collected by the sensor unit 170. Accordingly, distortion may occur in the statistical data according to the installation location of the emergency generator 100. Thus, in the emergency generator 100 equipped with a failure prevention function using an artificial intelligence algorithm according to an embodiment of the present invention, considering the distortion of statistical data according to the installation location of the emergency generator 100, the defective pattern model learning unit ( 163) can learn the bad pattern model according to the installation location of the emergency generator (100).

또한, 불량 패턴 모델 학습부(163)는 불량 판단부(162)로부터 생성되는 불량 메시지에 포함된 다양한 데이터에 기초하여 불량 패턴 모델을 학습할 수도 있다. 즉, 불량 패턴 모델 학습부(163)는 데이터 처리부(161)에 의해 생성된 통계 데이터 및 불량 여부 판단을 타겟으로 하는 머신러닝 알고리즘뿐만 아니라 불량 메시지에 포함된 해당 부품을 식별할 수 있는 데이터, 불량의 종류를 식별할 수 있는 데이터, 불량이 발생한 시점을 식별할 수 있는 데이터 등을 사용하여 불량 패턴 모델을 학습할 수 있고, 이에 따라 불량 패턴 모델이 보다 정교하게 학습될 수 있다.Also, the bad pattern model learning unit 163 may learn the bad pattern model based on various data included in the bad message generated from the bad determining unit 162. That is, the defect pattern model learning unit 163 is not only a machine learning algorithm targeting the determination of whether or not the statistical data generated by the data processing unit 161 is defective, but also data that can identify the corresponding part included in the defective message, defective A defect pattern model can be trained using data that can identify the type of data, data that can identify when a defect has occurred, and the like, so that the defect pattern model can be more precisely learned.

불량 예측부(164)는 데이터 처리부(161)에 의해 생성된 통계 데이터 및 불량 패턴 모델 학습부(163)에 의해 학습된 불량 패턴 모델을 이용하여 비상 발전기(100)의 불량을 사전에 예측한다. 불량 예측부(164)는 센서부(170)에 의해 측정된 다양한 센싱값들을 분석하고, 비상 발전기(100)의 부품들의 특징 패턴 정보를 검출한다. 또한, 검출된 특징 패턴 정보와 불량 패턴 모델을 비교하여 특징 패턴 정보와 불량 패턴 모델의 연관도가 기 설정된 임계치 이상이면 해당 부품에 불량이 발생될 수 있다는 것을 나타내는 불량 예측 데이터를 성성할 수 있다. 여기서, 특징 패턴 정보와 불량 패턴 모델 간의 연관도를 검출하는 알고리즘은 기 공지된 다양한 알고리즘이 적용될 수 있다. 불량 예측부(164)에 의해 성성된 불량 예측 데이터는 메모리(150)에 저장될 수 있고, 불량 예측 데이터는 별도의 통신 방식을 통해 관리 서버(900)나 관리자의 단말기 등으로 전송될 수 있다. The bad predictor 164 predicts the failure of the emergency generator 100 in advance using the statistical data generated by the data processor 161 and the bad pattern model learned by the bad pattern model learning unit 163. The failure prediction unit 164 analyzes various sensing values measured by the sensor unit 170 and detects feature pattern information of parts of the emergency generator 100. In addition, by comparing the detected feature pattern information and the defect pattern model, if the correlation between the feature pattern information and the defect pattern model is greater than or equal to a preset threshold, defect prediction data indicating that a defect may occur in the corresponding component may be generated. Here, various algorithms previously known may be applied to the algorithm for detecting the association between the feature pattern information and the bad pattern model. The failure prediction data generated by the failure prediction unit 164 may be stored in the memory 150, and the failure prediction data may be transmitted to the management server 900 or a terminal of the administrator through a separate communication method.

이하에서는, 불량 예측부(164)에 대한 보다 상세한 설명을 위해 도 4를 함께 참조한다.Hereinafter, reference is made to FIG. 4 for a more detailed description of the failure prediction unit 164.

도 4는 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기의 제어부의 불량 예측부의 블록도이다. 4 is a block diagram of a failure prediction unit of a control unit of an emergency generator having a function of preventing a failure using an artificial intelligence algorithm according to an embodiment of the present invention.

불량 예측부(164)는 통계 데이터 입력부(164A), 특징 패턴 검출부(164B), 연관성 산출부(164C), 불량 예측 판단부(164D) 및 불량 예측 데이터 생성부(164E)를 포함한다.The failure prediction unit 164 includes a statistical data input unit 164A, a feature pattern detection unit 164B, an association calculation unit 164C, a failure prediction determination unit 164D, and a failure prediction data generation unit 164E.

먼저, 통계 데이터 입력부(164A)는 데이터 처리부(161)에 의해 생성된 통계 데이터를 입력받는다. 통계 데이터 입력부(164A)는 데이터 처리부(161)에서 생성된 통계 데이터를 각 부품 별로 입력받을 수 있다. 통계 데이터 입력부(164A)는 데이터 처리부(161)로부터 직접 통계 데이터를 입력받을 수도 있고, 메모리(150)를 통해 입력받을 수도 있다.First, the statistical data input unit 164A receives statistical data generated by the data processing unit 161. The statistical data input unit 164A may receive statistical data generated by the data processing unit 161 for each component. The statistical data input unit 164A may receive statistical data directly from the data processing unit 161 or may be input through the memory 150.

특징 패턴 검출부(164B)는 특징 패턴 검출 알고리즘을 이용하여 통계 데이터 입력부(164A)에 입력된 부품별 통계 데이터의 특징 패턴을 검출한다. 특징 패턴 검출부(164B)는 통계 데이터 입력부(164A)에 입력된 비상 발전기(100)의 부품별 통계 데이터에 대하여 특징 패턴 검출 알고리즘을 적용하고, 이에 의해 비상 발전기(100)의 부품별 통계 데이터의 특징 패턴을 검출할 수 있다. 이때 사용되는 특징 패턴 검출 알고리즘으로는 다양한 기 공지된 알고리즘을 사용할 수 있다.The feature pattern detection unit 164B detects a feature pattern of statistical data for each part input to the statistical data input unit 164A using a feature pattern detection algorithm. The feature pattern detection unit 164B applies a feature pattern detection algorithm to the statistical data for each component of the emergency generator 100 input to the statistical data input unit 164A, whereby the characteristic of the statistical data for each component of the emergency generator 100 Patterns can be detected. At this time, as the feature pattern detection algorithm used, various well-known algorithms can be used.

연관성 산출부(164C)는 특징 패턴 검출부(164B)에 의해 검출된 특징 패턴과, 해당 부품에 대응되는 불량 패턴 모델의 특징 패턴을 비교하여 연관성을 산출한다. 연관성 산출부(164C)는 각 부품 별로 연관성을 산출할 수 있다. 즉, 연관성 산출부(164C)는 각 부품 별로 특징 패턴 검출부(164B)에 의해 검출된 특징 패턴과 불량 패턴 모델의 특징 패턴을 비교하여 연관성을 산출할 수 있다. 여기서, 특징 패턴 검출부(164B)에 의해 검출된 특징 패턴과 불량 패턴 모델의 특징 패턴을 비교하여 연관성을 검출하는 알고리즘은 기 공지된 다양한 알고리즘이 적용될 수 있다.The association calculator 164C compares the feature patterns detected by the feature pattern detector 164B with feature patterns of a defective pattern model corresponding to the corresponding component to calculate the association. The association calculating unit 164C may calculate an association for each component. That is, the association calculator 164C may calculate association by comparing the feature patterns detected by the feature pattern detector 164B for each component and feature patterns of the defective pattern model. Here, various algorithms known in advance may be applied to the algorithm for detecting the association by comparing the feature pattern detected by the feature pattern detector 164B with the feature pattern of the bad pattern model.

이때, 비상 발전기(100)의 고장 상황에 이르기 전에 비상 발전기(100)의 피로 누적 정도에 기초하여 비상 발전기(100)의 고장 여부를 미리 예측하고, 사전에 고장을 예방하는 것이 중요하다. 이에, 연관성 산출부(164C)는 비상 발전기(100)의 피로 누적 정도, 예를 들어, 비상 발전기(100)의 연식이나 비상 발전기(100)의 각 부품의 교체에 따른 연식, 비상 발전기(100)의 각 부품에서 측정된 센싱값들의 변화 양상에 기초하여, 특징 패턴 검출부(164B)에 의해 검출된 특징 패턴과 불량 패턴 모델의 특징 패턴을 비교할 수 있고, 이에 의해 연관성을 산출할 수 있다.At this time, it is important to predict in advance whether the emergency generator 100 has failed based on the degree of accumulation of fatigue in the emergency generator 100 before reaching the failure situation of the emergency generator 100, and to prevent the failure in advance. Thus, the correlation calculating unit 164C is the degree of fatigue accumulation of the emergency generator 100, for example, the year of the emergency generator 100 or the replacement of each component of the emergency generator 100, the emergency generator 100 Based on the change pattern of the sensed values measured at each component of the, the feature pattern detected by the feature pattern detector 164B and the feature pattern of the bad pattern model may be compared, thereby calculating the association.

불량 예측 판단부(164D)는 연관성 산출부(164C)에 의해 산출된 연관성이 임계치 이상인 경우 비상 발전기(100)에 불량이 발생할 것으로 판단한다. 불량 예측 판단부(164D)는 연관성 산출부(164C)에 의해 산출된 연관성에 기초하여 비상 발전기(100) 및 비상 발전기(100)의 각 부품에 대한 불량 발생 여부를 판단한다. 즉, 불량 예측 판단부(164D)는 연관성 산출부(164C)에 의해 산출된 연관성이 임계치 이상일 경우, 즉, 특징 패턴 검출부(164B)에 의해 검출된 특징 패턴과 불량 패턴 모델의 특징 패턴의 연관성이 높은 경우, 비상 발전기(100)나 비상 발전기(100)의 각 부품에 불량이 발생할 것으로 예측할 수 있다. 또한, 불량 예측 판단부(164D)는 비상 발전기(100)의 피로 누적 정도를 판단하여, 미래의 피로 누적 정도를 예상하고, 비상 발전기(100)의 불량 발생에 대한 예상 시점도 예상할 수 있다.The failure prediction determination unit 164D determines that failure occurs in the emergency generator 100 when the correlation calculated by the association calculation unit 164C is greater than or equal to a threshold. The failure prediction determination unit 164D determines whether a failure occurs for each component of the emergency generator 100 and the emergency generator 100 based on the correlation calculated by the association calculation unit 164C. That is, the failure prediction determination unit 164D is the correlation between the feature pattern detected by the feature pattern detection unit 164B and the feature pattern detected by the feature pattern detection unit 164B when the correlation calculated by the association calculation unit 164C is greater than or equal to a threshold value. If it is high, it can be predicted that a failure will occur in each component of the emergency generator 100 or the emergency generator 100. In addition, the failure prediction determining unit 164D determines the degree of fatigue accumulation of the emergency generator 100, predicts the degree of fatigue accumulation in the future, and can also predict an expected time point for the occurrence of the failure of the emergency generator 100.

불량 예측 데이터 생성부(164E)는 불량 예측 판단부(164D)에 의해 불량이 발생할 것으로 판단될 때, 불량이 발생할 것으로 판단된 부품을 식별하기 위한 식별 정보 및 불량에 대한 내용 정보를 포함하는 불량 예측 데이터를 생성한다. 이때 불량 예측 데이터는 해당 부품을 식별할 수 있는 데이터, 불량의 종류를 식별할 수 있는 데이터, 불량이 발생할 시점을 식별할 수 있는 데이터 등을 포함할 수 있다. 불량 예측 데이터 생성부(164E)가 생성한 불량 예측 데이터는 별도의 통신 방식을 통해 관리 서버(900)나 관리자의 단말기 등으로 전송될 수 있다. 또한, 불량 예측 데이터는 데이터들은 불량 패턴 모델 학습부(163) 및 불량 예측부(164)로 전달되어 인공지능 알고리즘에 반영되도록 할 수도 있다.The defect prediction data generation unit 164E predicts a defect including identification information for identifying a component determined to be defective and content information about the defect when it is determined that the defect will occur by the defect prediction determination unit 164D. Generate data. At this time, the defect prediction data may include data capable of identifying the corresponding component, data capable of identifying the type of defect, data capable of identifying when a defect occurs. The failure prediction data generated by the failure prediction data generation unit 164E may be transmitted to a management server 900 or a terminal of an administrator through a separate communication method. In addition, the failure prediction data may be transmitted to the failure pattern model learning unit 163 and the failure prediction unit 164 to be reflected in the artificial intelligence algorithm.

본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기(100)에서는 비상 발전기(100) 자체에 대한 데이터뿐만 아니라 비상 발전기(100)의 주변 환경에 데이터를 수집하여 데이터 베이스화하며, 수집된 데이터에 대해 인공지능 학습을 수행하여 비상 발전기(100)의 피로 누적 정도를 판단할 수 있다. 또한, 미래의 피로 누적 정도를 예상하고, 비상 발전기(100)의 예상 수명, 고장 여부 등을 예측할 수 있다. 이에, 사용자는 비상 발전기(100)의 예상 수명이나 고장 여부를 사전에 예측할 수 있고, 예측 결과에 기초하여 비상 발전기(100)에 대한 점검 및 수리 등을 수행하여 비상 발전기(100)의 수명을 연장시키고 고장 발생을 방지할 수 있다. In the emergency generator 100 equipped with a failure prevention function using an artificial intelligence algorithm according to an embodiment of the present invention, data is collected by collecting data in the surrounding environment of the emergency generator 100 as well as data about the emergency generator 100 itself. Based on this, artificial intelligence learning may be performed on the collected data to determine the degree of fatigue accumulation of the emergency generator 100. In addition, it is possible to predict the degree of accumulation of fatigue in the future, and to predict the expected life of the emergency generator 100 and whether or not it has failed. Accordingly, the user can predict the expected life or failure of the emergency generator 100 in advance, and extend the life of the emergency generator 100 by performing checks and repairs on the emergency generator 100 based on the predicted results. And prevent the occurrence of a malfunction.

또한, 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기(100)에서는 수집된 데이터에 대한 인공지능 학습 결과에 대한 정보 내용을 실시간으로 디스플레이하거나, 사용자 단말 등에 송신함으로써, 사용자는 보다 용이하고 신속하게 비상 발전기(100)의 피로 누적 상태를 확인하고, 불량 발생 여부 및 불량 예상 여부를 확인할 수 있다.In addition, in the emergency generator 100 having a function for preventing a failure using an artificial intelligence algorithm according to an embodiment of the present invention, information on artificial intelligence learning results for collected data is displayed in real time or transmitted to a user terminal, etc. By doing so, the user can more easily and quickly check the cumulative state of the emergency generator 100, and determine whether a defect has occurred and whether a failure is expected.

도 5는 본 발명의 일 실시예에 따른 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기 및 관리 서버에 대한 도면이다. 5 is a diagram of an emergency generator and a management server having a function of preventing a failure using an artificial intelligence algorithm according to an embodiment of the present invention.

관리 서버(900)는 비상 발전기(100)를 관리하기 위한 원격 서버일 수 있다. 비상 발전기(100)는 메모리(150)에 저장될 모든 센싱값, 제어부(160)에 의해 생성되는 모든 데이터 및 모델에 대해 관리 서버(900)에 전달할 수 있다. 또한, 비상 발전기(100)는 해당 데이터 및 모델 등에 대해 사용자 단말로 송신할 수도 있다. 이에, 불량이 예측되는 경우 또는 불량이 발생한 경우 신속한 점검 및 부품 교체가 가능할 수 있다.The management server 900 may be a remote server for managing the emergency generator 100. The emergency generator 100 may transmit all sensing values to be stored in the memory 150 and all data and models generated by the controller 160 to the management server 900. In addition, the emergency generator 100 may transmit the data and model to the user terminal. Accordingly, when a defect is predicted or when a defect occurs, it may be possible to quickly inspect and replace parts.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 제한하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 제한되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 제한적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The embodiments of the present invention have been described in more detail with reference to the accompanying drawings, but the present invention is not necessarily limited to these embodiments, and may be variously modified without departing from the technical spirit of the present invention. . Therefore, the embodiments disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these embodiments. Therefore, it should be understood that the above-described embodiments are illustrative in all respects and not restrictive. The scope of protection of the present invention should be interpreted by the claims below, and all technical spirits within the scope equivalent thereto should be interpreted as being included in the scope of the present invention.

100: 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기
900: 관리 서버
110: 외함
120: 엔진
130: 발전기:
140: 배전반
150: 메모리
151: 초기값 메모리
152: 점검값 메모리
153: 보정값 메모리
154: 기준값 메모리
160: 제어부
161: 데이터 처리부
162: 불량 판단부
163: 불량 패턴 모델 학습부
164: 불량 예측부
164A: 통계 데이터 입력부
164B: 특징 패턴 검출부
164C: 연관성 산출부
164D: 불량 예측 판단부
164E: 불량 예측 데이터 생성부
170: 센서부100: emergency generator equipped with a failure prevention function using artificial intelligence algorithm
900: management server
110: enclosure
120: engine
130: generator:
140: switchboard
150: memory
151: initial value memory
152: check value memory
153: correction value memory
154: reference value memory
160: control unit
161: data processing unit
162: bad judgment unit
163: bad pattern model learning unit
164: bad prediction unit
164A: Statistical data input
164B: feature pattern detection unit
164C: Association calculation unit
164D: bad prediction judgment unit
164E: Bad prediction data generator
170: sensor unit

Claims (8)

인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기에 있어서,
동력을 발생하는 엔진;
상기 엔진에 연결되어 전기를 생성하는 발전기;
전기를 부하 측에 공급하는 배전반;
상기 비상 발전기의 부품들 각각에 설치되는 센서부;
상기 센서부로부터 측정된 센싱값들이 저장되는 메모리; 및
상기 비상 발전기를 제어하는 제어부를 포함하고,
상기 메모리는,
상기 비상 발전기의 출하 시 규정된 성능을 발휘하는지를 점검하기 위해 초기 점검 시에 측정된 센싱값들이 저장되는 초기값 메모리; -
상기 비상 발전기의 출하 이후에 일정한 주기에 따라 상기 비상 발전기의 상태를 점검하는 일상 점검 시에 측정된 센싱값들이 저장되는 점검값 메모리;
전문가가 전문적인 지식에 근거하여 상기 비상 발전기의 상태를 점검하는 전문 점검 시에 측정된 센싱값들이 저장되는 보정값 메모리; 및
상기 비상 발전기의 고장 여부의 기준값이 저장되는 기준값 메모리를 포함하고,
상기 제어부는,
상기 메모리에 저장된 센싱값들인 상태 데이터를 분석하여 상기 비상 발전기의 부품별 통계 데이터를 생성하는 데이터 처리부;
상기 센서부에 의해 측정된 센싱값들을 부품별 임계치와 비교하여 불량 여부를 판단하는 불량 판단부;
상기 데이터 처리부에 의해 생성된 상기 통계 데이터 및 불량 여부 판단을 타겟으로 하는 머신러닝 알고리즘을 이용하여, 특징 패턴과 불량 사이의 맵핑 관계를 검출하고, 상기 통계 데이터 및 상기 맵핑 관계로부터 불량 패턴 모델을 학습하는 불량 패턴 모델 학습부; 및
상기 데이터 처리부에 의해 생성된 상기 통계 데이터 및 상기 불량 패턴 모델 학습부에 의해 학습된 불량 패턴 모델을 이용하여 상기 비상 발전기의 불량을 사전에 예측하는 불량 예측부를 포함하고,
상기 불량 패턴 모델 학습부는 비상 발전기의 출하 점검이 복수 회 이루어지는 경우 상기 초기 점검 시에 측정된 센싱값들의 평균값을 기준값으로 하고, 전문 점검 시에 측정된 센싱값들의 평균값을 보정 값으로 학습하여 불량 여부를 판단하는 임계치를 설정하고, 상기 불량 판단부는 일상 점검 시에 측정된 센싱값들이 저장된 점검값 메모리로부터의 센싱값들과 임계치를 비교하여 비상 발전기에 불량이 발생할 것으로 판단하며,
상기 불량 예측부는,
상기 데이터 처리부에 의해 생성된 상기 통계 데이터를 입력받는 통계 데이터 입력부;
특징 패턴 검출 알고리즘을 이용하여 상기 통계 데이터 입력부에 입력된 상기 부품별 상기 통계 데이터의 특징 패턴을 검출하는 특징 패턴 검출부;
상기 특징 패턴 검출부에 의해 검출된 상기 특징 패턴과, 해당 부품에 대응되는 상기 불량 패턴 모델의 특징 패턴을 비교하여 연관성을 산출하는 연관성 산출부;
상기 연관성 산출부에 의해 산출된 연관성이 임계치 이상인 경우 상기 비상 발전기에 불량이 발생할 것으로 판단하는 불량 예측 판단부; 및
상기 불량 예측 판단부에 의해 불량이 발생할 것으로 판단될 때, 불량이 발생할 것으로 판단된 부품을 식별하기 위한 식별 정보 및 불량에 대한 내용 정보를 포함하는 불량 예측 데이터를 생성하는 불량 예측 데이터 생성부를 포함하며,
상기 연관성 산출부는 비상 발전기의 연식과 비상 발전기의 각 부품의 교체에 따른 연식, 비상 발전기의 각 부품에서 측정된 센싱값들의 변화 양상에 기초하여, 특징 패턴 검출부에 의해 검출된 특징 패턴과 불량 패턴 모델의 특징 패턴을 비교하여 연관성을 산출하며,
상기 불량 예측 데이터 생성부가 생성한 불량 예측 데이터는 비상 발전기를 관리하기 위한 원격 서버인 관리 서버와 관리자의 단말기로 전송되고, 불량 패턴 모델 학습부 및 불량 예측부로 전달되어 인공지능 알고리즘에 반영되도록 하며,
상기 데이터 처리부는 상기 비상 발전기의 설치 위치에 의한 상기 센서부에 의해 수집되는 센싱값에 대한 영향을 고려하기 위해 상기 비상 발전기의 설치 위치에 따라 상기 메모리에 저장된 센싱값들을 가공하고,
상기 불량 패턴 모델 학습부는 상기 비상 발전기의 설치 위치에 따른 상기 통계 데이터의 왜곡을 고려하여 학습하는, 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기.In the emergency generator equipped with a failure prevention function using an artificial intelligence algorithm,
An engine generating power;
A generator connected to the engine to generate electricity;
A switchboard that supplies electricity to the load side;
A sensor unit installed in each of the parts of the emergency generator;
A memory in which sensing values measured from the sensor unit are stored; And
It includes a control unit for controlling the emergency generator,
The memory,
An initial value memory in which sensing values measured during initial inspection are stored to check whether the emergency generator exhibits a prescribed performance upon shipment; -
A check value memory in which sensing values measured during a routine check for checking the state of the emergency generator according to a predetermined cycle after shipment of the emergency generator are stored;
A correction value memory in which sensing values measured at the time of a professional inspection by an expert to check the state of the emergency generator based on expert knowledge are stored; And
And a reference value memory in which a reference value of whether the emergency generator has failed is stored,
The control unit,
A data processing unit that analyzes state data, which are sensing values stored in the memory, to generate statistical data for each part of the emergency generator;
A defect determination unit to determine whether a defect is defective by comparing sensing values measured by the sensor unit with a threshold value for each component;
A mapping relationship between feature patterns and defects is detected using a machine learning algorithm targeting the statistical data and defects generated by the data processing unit, and a bad pattern model is trained from the statistical data and the mapping relationships. Bad pattern model learning unit; And
And a failure prediction unit for predicting the failure of the emergency generator in advance by using the statistical data generated by the data processing unit and the failure pattern model learned by the failure pattern model learning unit,
If the defective pattern model learning unit performs a shipment inspection of the emergency generator multiple times, the average value of the sensing values measured during the initial inspection is used as a reference value, and the average value of the sensing values measured during the professional inspection is learned as a correction value to determine whether the defect is defective. Set a threshold value for determining, and the failure determining unit determines that a failure occurs in the emergency generator by comparing the threshold value with the sensing values from the check value memory in which the sensing values measured during the routine inspection are stored,
The defective prediction unit,
A statistical data input unit that receives the statistical data generated by the data processing unit;
A feature pattern detection unit for detecting a feature pattern of the statistical data for each part input to the statistical data input unit using a feature pattern detection algorithm;
An association calculating unit comparing the feature pattern detected by the feature pattern detection unit with a feature pattern of the defective pattern model corresponding to the corresponding component to calculate an association;
A failure prediction determination unit determining that a failure will occur in the emergency generator when the correlation calculated by the association calculation unit is greater than or equal to a threshold; And
When the defect is determined to occur by the defect prediction determination unit, it includes a defect prediction data generation unit for generating defect prediction data including identification information for identifying a component determined to be defective and content information about the defect. ,
The correlation calculation unit is based on the model of the emergency pattern of the emergency generator, the replacement of each component of the emergency generator, and the change pattern of sensing values measured at each component of the emergency generator, the feature pattern detected by the feature pattern detection unit and the defective pattern model Comparing the feature patterns of to calculate the association,
The failure prediction data generated by the failure prediction data generation unit is transmitted to a management server which is a remote server for managing an emergency generator and a terminal of an administrator, and transmitted to a failure pattern model learning unit and a failure prediction unit to be reflected in the artificial intelligence algorithm,
The data processing unit processes sensing values stored in the memory according to the installation location of the emergency generator in order to consider an effect on the sensing value collected by the sensor unit by the installation location of the emergency generator,
The bad pattern model learning unit learns in consideration of the distortion of the statistical data according to the installation location of the emergency generator, an emergency generator having a failure prevention function using an artificial intelligence algorithm. 삭제delete 제1항에 있어서,
상기 센서부는 상기 엔진의 진동, 배기가스의 조성, 상기 엔진의 소음, 상기 엔진 냉각수의 온도 변화, 엔진 오일의 온도 변화, 발생 전기의 전압, 전류, 고조파 형상, 대체 부하, 상용전원과 비상 전원의 교체 동작의 속도, 상용 전원과 비상 전원의 교체 동작 후의 전압 및 전류 중의 적어도 일부를 센싱하는, 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기.According to claim 1,
The sensor unit includes vibration of the engine, composition of exhaust gas, noise of the engine, temperature change of the engine coolant, temperature change of engine oil, voltage of electric current, current, harmonic shape, alternative load, commercial power and emergency power. Emergency generator with failure prevention function using artificial intelligence algorithm that senses at least a part of the speed of replacement operation, voltage and current after replacement operation of commercial power and emergency power. 제1항에 있어서,
상기 기준값은 상기 비상 발전기의 출하 점검 시에 상기 센서부에 의해 측정된 센싱값들의 평균값이고,
상기 보정값 메모리에 저장되는 보정값은 상기 전문 점검 시에 측정된 센싱값들의 평균값을 포함하는, 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기.According to claim 1,
The reference value is an average value of sensing values measured by the sensor unit during shipment inspection of the emergency generator,
The correction value stored in the correction value memory includes an average value of sensing values measured at the time of the professional inspection, and an emergency generator having a failure prevention function using an artificial intelligence algorithm. 제1항에 있어서,
상기 센서부는 상기 비상 발전기의 피로 누적 상태 및 수집된 데이터에 기초한 인공지능 학습을 위해, 상기 비상 발전기의 온도, 소음, 부하율, 이상 전류 발생 여부, 습도, 진동, 전력 품질을 센싱하는, 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기.According to claim 1,
The sensor unit senses the temperature, noise, load rate, abnormal current occurrence, humidity, vibration, and power quality of the emergency generator for artificial intelligence learning based on the accumulated state of fatigue of the emergency generator and collected data, an artificial intelligence algorithm Emergency generator with malfunction prevention function using 제1항에 있어서,
상기 센서부는 상기 비상 발전기의 이상 상태 및 피로 누적 상태를 확인하기 위해 상기 비상 발전기 주변 환경에 대한 데이터를 센싱하는, 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기.According to claim 1,
The sensor unit senses the data about the surrounding environment of the emergency generator in order to check the abnormal state and the cumulative state of the emergency generator, emergency generator with a failure prevention function using an artificial intelligence algorithm. 제6항에 있어서,
상기 센서부는 상기 비상 발전기의 외함 내부 및 외함 외부에 대한 데이터를 센싱하는, 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기.The method of claim 6,
The sensor unit senses data for the inside of the emergency generator and the outside of the enclosure, an emergency generator having a failure prevention function using an artificial intelligence algorithm. 삭제delete
KR1020190135827A 2019-10-29 2019-10-29 Emergency generator including function for fault prevention using artificial intelligence algorithm KR102136141B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190135827A KR102136141B1 (en) 2019-10-29 2019-10-29 Emergency generator including function for fault prevention using artificial intelligence algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190135827A KR102136141B1 (en) 2019-10-29 2019-10-29 Emergency generator including function for fault prevention using artificial intelligence algorithm

Publications (1)

Publication Number Publication Date
KR102136141B1 true KR102136141B1 (en) 2020-07-22

Family

ID=71893161

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190135827A KR102136141B1 (en) 2019-10-29 2019-10-29 Emergency generator including function for fault prevention using artificial intelligence algorithm

Country Status (1)

Country Link
KR (1) KR102136141B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102213940B1 (en) * 2020-08-04 2021-02-08 위즈코어 주식회사 Method for intelligent autonomous production
EP3995919A1 (en) * 2020-11-05 2022-05-11 Hitachi, Ltd. Method and system for diagnosing a machine
KR102528445B1 (en) * 2022-10-19 2023-05-02 박준건 Real-time crane remote maintenance management device, method and system
KR102583019B1 (en) * 2023-04-13 2023-09-27 주식회사 쿨맥스 Artificial Intelligence Refrigerator with failure prediction function
KR20230170219A (en) 2022-06-10 2023-12-19 딥센싱 주식회사 Equipment failure detection method and system using deep neural network

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09305224A (en) * 1996-05-17 1997-11-28 Hitachi Ltd Method and device for preventive maintenance
JP2013041448A (en) * 2011-08-17 2013-02-28 Hitachi Ltd Method of abnormality detection/diagnosis and system of abnormality detection/diagnosis
KR20170140588A (en) * 2016-06-13 2017-12-21 두산중공업 주식회사 Apparatus and method for determining state of power plant

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09305224A (en) * 1996-05-17 1997-11-28 Hitachi Ltd Method and device for preventive maintenance
JP2013041448A (en) * 2011-08-17 2013-02-28 Hitachi Ltd Method of abnormality detection/diagnosis and system of abnormality detection/diagnosis
KR20170140588A (en) * 2016-06-13 2017-12-21 두산중공업 주식회사 Apparatus and method for determining state of power plant

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102213940B1 (en) * 2020-08-04 2021-02-08 위즈코어 주식회사 Method for intelligent autonomous production
EP3995919A1 (en) * 2020-11-05 2022-05-11 Hitachi, Ltd. Method and system for diagnosing a machine
KR20230170219A (en) 2022-06-10 2023-12-19 딥센싱 주식회사 Equipment failure detection method and system using deep neural network
KR102528445B1 (en) * 2022-10-19 2023-05-02 박준건 Real-time crane remote maintenance management device, method and system
KR102583019B1 (en) * 2023-04-13 2023-09-27 주식회사 쿨맥스 Artificial Intelligence Refrigerator with failure prediction function

Similar Documents

Publication Publication Date Title
KR102136141B1 (en) Emergency generator including function for fault prevention using artificial intelligence algorithm
CN108596229B (en) Method and system for monitoring and diagnosing online abnormity
KR102092185B1 (en) Platform for analyzing electric motor health and analysis method using the same
Coble et al. Identifying optimal prognostic parameters from data: a genetic algorithms approach
JP5306902B2 (en) System and method for high performance condition monitoring of asset systems
KR20210109136A (en) Equipment and system including function for fault prevention using artificial intelligence algorithm
de Andrade Vieira et al. Failure risk indicators for a maintenance model based on observable life of industrial components with an application to wind turbines
Alarcin et al. Fuzzy AHP and Fuzzy TOPSIS integrated hybrid method for auxiliary systems of ship main engines
GB2522926A (en) Method of identifying anomalies
JP6523815B2 (en) Plant diagnostic device and plant diagnostic method
CN108268689A (en) Method for diagnosing and evaluating state of heating element and application thereof
CN113379223A (en) Ship-borne spare part multi-level configuration method for ship main engine based on fault correlation model
KR102516227B1 (en) A system for predicting equipment failure in ship and a method of predicting thereof
CN117114454B (en) DC sleeve state evaluation method and system based on Apriori algorithm
KR20210109753A (en) Emergency generator including function for fault prevention using artificial intelligence algorithm
Han et al. Implementation strategy of predictive maintenance in nuclear power plant
US20230359191A1 (en) System and method for determining a cause of an operating anomaly of a machine, computer program and electronically readable data storage device
CN115864310A (en) Multi-parameter fusion power transformer defect identification, state classification and active safety protection method
EP4113539A1 (en) Method and system for intelligent monitoring of state of nuclear power plant
KR20220096729A (en) Electric vehicle charger monitoring system
JP2008267351A (en) Method and system for monitoring power generating device
RU2648413C1 (en) Method of the modes control based on the neural network diagnostics of faults and technical condition of the electric-drive gas-compressor unit
KR102606063B1 (en) Building Automation System with failure prediction function
CN117706943B (en) Self-adaptive control method and system for converter transformer valve side sleeve end screen voltage divider
CN117458399B (en) Mining explosion-proof motor protection method and system based on multi-source data monitoring

Legal Events

Date Code Title Description
GRNT Written decision to grant