KR102206737B1 - Method and system for fault diagnosis of pump-turbines based on machine learning - Google Patents

Method and system for fault diagnosis of pump-turbines based on machine learning Download PDF

Info

Publication number
KR102206737B1
KR102206737B1 KR1020200004456A KR20200004456A KR102206737B1 KR 102206737 B1 KR102206737 B1 KR 102206737B1 KR 1020200004456 A KR1020200004456 A KR 1020200004456A KR 20200004456 A KR20200004456 A KR 20200004456A KR 102206737 B1 KR102206737 B1 KR 102206737B1
Authority
KR
South Korea
Prior art keywords
abnormal state
data
machine learning
abnormal
measurement data
Prior art date
Application number
KR1020200004456A
Other languages
Korean (ko)
Inventor
이필승
신소진
현철규
Original Assignee
한국과학기술원
한국수력원자력 주식회사
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 한국과학기술원, 한국수력원자력 주식회사 filed Critical 한국과학기술원
Priority to KR1020200004456A priority Critical patent/KR102206737B1/en
Application granted granted Critical
Publication of KR102206737B1 publication Critical patent/KR102206737B1/en

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
    • F03B11/008—Measuring or testing arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/80—Diagnostics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/20—Hydro energy

Abstract

The present invention relates to a method and a system for diagnosing failure of a machine learning-based pump turbine. More specifically, the present invention relates to the method for diagnosing types of failure and whether there is failure of a pump turbine of a pumped storage power plant by using a real-time previously learned machine learning model, and a system for performing the method. According to the present invention, the present invention minimizes excessive preventive maintenance by diagnosing the type of the failure and whether there is the failure of the pump turbine of the pumped storage power plant by using the real-time previously learned machine learning model, thereby reducing loss cost caused by maintenance costs and sudden failure and minimizing operation data analysis of an expert to reduce a work amount.

Description

기계학습 기반 펌프수차 고장 진단 방법 및 시스템{Method and system for fault diagnosis of pump-turbines based on machine learning}Method and system for fault diagnosis of pump-turbines based on machine learning}

본 발명은 기계학습 기반 펌프수차 고장 진단 방법 및 시스템에 관한 것으로서, 더욱 상세하게는 사전 및 실시간 학습한 기계학습 모델을 이용하여 양수발전소 펌프수차의 고장 유무 및 종류를 진단하기 위한 방법 및, 그 방법을 수행하는 시스템에 관한 것이다.The present invention relates to a machine learning-based pump aberration failure diagnosis method and system, and more particularly, a method for diagnosing the presence and type of a pump aberration of a pumping power plant using a machine learning model learned in advance and in real time, and a method thereof. It relates to a system that performs.

청평 양수발전소(1980), 삼랑진 양수발전소(1985) 등 양수발전소 노후화에 따라 발전설비의 실시간 상태진단 필요성이 높아지고 있다. 전력상황에 따른 부하 변동 및 빈번한 기동 정지가 발생하는 양수발전에는 임계값 기준으로 기동 정지(경보)를 판단하는 기법들은 적용하기 어려운 상황이다. 즉, 실제 부하에 맞는 최적의 임계값 설정에 어려움이 존재하는 것이다. 예를 들어, 사고 예방을 위해 임계값을 보수적으로 설정하면 불필요한 기동정지가 발생할 수 있다. 또한, 국내 양수발전소 이상상태 경보시스템의 경우 각각의 센서로부터 측정된 값을 단일 형태로 분석하여 사용하기 때문에 이상상태 분석이 어렵다. 나아가, 정상가동을 벗어난 설비의 이상만을 판단하는 경보시스템이므로 상태진단이 어렵다. 따라서 양수발전소의 고장으로 인한 비계획적 비용 손실을 줄일 수 있는 이상상태 감지 및 종류 분석이 가능한 시스템이 필요한 실정이다.With the deterioration of pumping power plants such as the Cheongpyeong pumping power plant (1980) and the Samrangjin pumping power plant (1985), the need for real-time condition diagnosis of power generation facilities is increasing. It is difficult to apply techniques for determining start-stop (alarm) based on a threshold value to pumped-out power generation in which load fluctuations and frequent start-stops occur according to power conditions. In other words, there is a difficulty in setting the optimal threshold value for the actual load. For example, if the threshold is conservatively set to prevent accidents, unnecessary start-ups and stops can occur. In addition, in the case of an abnormal condition alarm system for domestic pumping power plants, it is difficult to analyze the abnormal condition because the measured values from each sensor are analyzed and used in a single form. Furthermore, it is difficult to diagnose the condition because it is an alarm system that judges only abnormalities of facilities outside of normal operation. Therefore, there is a need for a system capable of detecting abnormal conditions and analyzing types that can reduce unplanned cost loss due to failure of a pumped power plant.

KRKR 10-202738910-2027389 B1B1

본 발명은 이와 같은 문제점을 해결하기 위해 창안된 것으로서, 사전 및 실시간 학습한 기계학습 모델을 이용해 양수발전소 펌프수차의 고장 유무 및 종류를 진단하도록 하여 과도한 예방정비를 최소화하며, 이로써 유지보수 비용 및 돌발고장으로 인한 손실비용을 절감하고, 전문가에 의한 운전 데이터 분석을 최소화해 작업량을 감소시킬 수 있도록 하는데 그 목적이 있다.The present invention was invented to solve such a problem, and minimizes excessive preventive maintenance by diagnosing the presence and type of failure of pump aberrations in pumping power plants using a machine learning model learned in advance and in real time, thereby minimizing maintenance costs and unexpected maintenance. Its purpose is to reduce the cost of loss due to failure and to reduce the amount of work by minimizing the analysis of operation data by experts.

이와 같은 목적을 달성하기 위하여 본 발명에 따른 기계학습 기반 펌프수차 고장 진단 시스템은, 복수의 센서에서 계측된 신호 데이터(이하 '계측 데이터'라 한다)를 수집하고, 이에 대한 전처리를 수행하는 신호 수집부; 정상상태 또는 이상상태 여부를 판단하는 이상상태 경보 모델을 생성하는 이상상태 경보 모델 생성 모듈을 구비하는 학습부; 및, 상기 학습부에서 생성된 이상상태 경보 모델을 이용하여 정상상태 또는 이상상태 여부를 판단하는 이상상태 경보 모듈을 구비하는 판단부를 포함하고, 상기 이상상태 경보 모델 생성 모듈은, 다변량 계측 데이터에 대한 평균, 공분산 및, 상기 다변량 계측 데이터의 확률밀도함수 값에서 이상상태와 정상상태를 구분하는 경계값인 신뢰한계값을 산출함으로써 이상상태 경보 모델을 생성한다.In order to achieve this object, the machine learning-based pump aberration fault diagnosis system according to the present invention collects signal data (hereinafter referred to as'measurement data') measured by a plurality of sensors, and collects signals that perform pre-processing thereon. part; A learning unit including an abnormal state alarm model generation module that generates an abnormal state alarm model that determines whether a normal state or an abnormal state exists; And a determination unit including an abnormal state alarm module that determines whether a normal state or an abnormal state is detected using the abnormal state alarm model generated by the learning unit, and the abnormal state alarm model generation module includes: An abnormal state alarm model is generated by calculating a confidence limit value, which is a boundary value that distinguishes an abnormal state from a steady state, from the mean, covariance, and probability density function values of the multivariate measurement data.

상기 학습부는, 정상/이상 여부 및, 이상일 경우 이상상태 종류를 분류 산출하는 이상상태 진단 모델을 생성하는 이상상태 진단 모델 생성모듈을 더 구비하고, 상기 판단부는, 상기 학습부에서 생성한 이상상태 진단 모델을 이용하여 정상/이상 여부 및, 이상일 경우 이상상태 종류를 분류 산출하는 이상상태 진단 모듈을 더 구비할 수 있다.The learning unit further includes an abnormal state diagnosis model generation module that generates an abnormal state diagnosis model that classifies and calculates the abnormal state type in case of normal/abnormality, and the determination unit, the abnormal state diagnosis generated by the learning unit. An abnormal state diagnosis module for classifying and calculating the normal/abnormal status and, if abnormal, the abnormal state type using the model may be further provided.

상기 기계학습 기반 펌프수차 고장 진단 시스템은, 기계학습 기반 펌프수차 고장 진단 시스템의 운행 중 이상 여부를 모니터링하고, 상기 판단부에서 산출된 결과 및, 상기 모니터링에 의해 확인된 실제 이상 여부 결과를 상기 학습부로 전달하는 모니터링부를 더 포함할 수 있다.The machine learning-based pump aberration failure diagnosis system monitors the operation of the machine learning-based pump aberration failure diagnosis system, and learns the result calculated by the determination unit and the actual abnormality result confirmed by the monitoring. It may further include a monitoring unit for transmitting to the department.

상기 신호 수집부의 계측 데이터 전처리에는, 노이즈 제거, 데이터 분류, 데이터 정규화 기능을 포함할 수 있다.The preprocessing of the measurement data of the signal collection unit may include noise removal, data classification, and data normalization functions.

상기 데이터 분류 기능은, 양수(펌프) 및 발전(터빈) 기동 데이터로의 분류를 포함할 수 있다.The data classification function may include classification into pumping (pump) and power generation (turbine) start data.

상기 데이터 분류 기능은, 상기 양수(펌프) 기동 데이터 및 발전(터빈) 기동 데이터 각각에 대하여, 휴동 구간, 변동 구간 및 가동 구간으로의 분류를 더 포함할 수 있다.The data classification function may further include classification of the pumping (pump) starting data and the power generation (turbine) starting data into an idle section, a variable section, and an operating section.

상기 데이터 정규화 기능은, 분류된 데이터 별로 정규화를 수행할 수 있다.The data normalization function may perform normalization for each classified data.

상기 다변량 계측 데이터의 확률밀도함수는,

Figure 112020003774715-pat00001
로 결정될 수 있고, x는 계측 데이터, μ는 계측 데이터의 평균, Σ는 계측 데이터의 공분산, d는 데이터의 차원을 의미한다.The probability density function of the multivariate measurement data is,
Figure 112020003774715-pat00001
Where x is the measurement data, μ is the average of the measurement data, Σ is the covariance of the measurement data, and d is the dimension of the data.

다변량 계측 데이터에 대한 평균, 공분산은, 정상상태의 계측 데이터를 이용하여 산출될 수 있다.The average and covariance of the multivariate measurement data can be calculated using the measurement data in a steady state.

상기 신뢰한계값은, 계측 데이터 중, 검증 데이터를 이용해 정밀도(precision), 재현율(recall), F1(재현율과 정밀도의 조화평균) 등을 이용해 성능이 가장 좋은 지점의 확률밀도함수값으로 결정될 수 있다.The confidence limit value may be determined as a probability density function value at a point with the best performance using precision, recall, F1 (harmonized average of reproducibility and precision) using verification data among measurement data. .

상기 이상상태 진단 모듈에서 사용하는 이상상태 진단 모델은 인공신경망이 이용되고, 정상/이상 여부 및, 이상일 경우 이상 유형 분류를 산출할 수 있으며, 상기 이상상태 진단 모델은 상기 이상상태 진단 모델 생성 모듈에서 기계학습에 의해 생성될 수 있다.The abnormal condition diagnosis model used in the abnormal condition diagnosis module uses an artificial neural network, and if it is normal/abnormal, and if it is abnormal, the abnormality type classification can be calculated, and the abnormal condition diagnosis model is used in the abnormal condition diagnosis model generation module. It can be created by machine learning.

상기 이상상태 진단 모델은, 정상/이상 여부 및 산출된 이상 유형 분류 각각에 대한 확률값을 산출할 수 있으며, 확률값이 가장 높은 정상/이상 여부 또는 이상 유형 분류를 판별해 모니터링부로 전달할 수 있다.The abnormal state diagnosis model may calculate a probability value for each of the normal/abnormality and the calculated abnormality type classification, and determine whether the normal/abnormality or abnormality type classification having the highest probability value and transmit it to the monitoring unit.

상기 이상상태 진단 모델이 상기 모니터링부로 전달하는 데이터에는, 분류된 각 정상/이상 여부의 확률값 또는 이상 유형 분류의 확률값을 더 포함할 수 있다.The data transmitted from the abnormal state diagnosis model to the monitoring unit may further include a probability value of each classified normal/abnormal condition or a probability value of an abnormal type classification.

본 발명의 다른 측면에 따르면, 기계학습 기반 펌프수차 고장 진단 시스템이 수행하는 펌프수차 고장 진단 방법은, (a) 복수의 센서에서 계측된 신호 데이터(이하 '계측 데이터'라 한다)를 수집하고, 이에 대한 전처리를 수행하는 단계; (b) 정상상태 또는 이상상태 여부를 판단하는 이상상태 경보 모델을 생성하는 단계; 및, (c) 상기 이상상태 경보 모델을 이용하여 정상상태 또는 이상상태 여부를 판단하는 단계를 포함하고, 상기 단계(b)에서는, 다변량 계측 데이터에 대한 평균, 공분산 및, 상기 다변량 계측 데이터의 확률밀도함수 값에서 이상상태와 정상상태를 구분하는 경계값인 신뢰한계값을 산출함으로써 이상상태 경보 모델을 생성한다.According to another aspect of the present invention, a pump aberration failure diagnosis method performed by a machine learning-based pump aberration failure diagnosis system includes (a) collecting signal data (hereinafter referred to as'measurement data') measured by a plurality of sensors, and Performing pretreatment for this; (b) generating an abnormal state alarm model for determining whether a normal state or an abnormal state is present; And, (c) determining whether a normal state or an abnormal state is performed using the abnormal state alarm model, and in the step (b), the average, covariance and probability of the multivariate measurement data An abnormal state alarm model is created by calculating a confidence limit value, which is a boundary value that distinguishes an abnormal state from a steady state from the density function value.

본 발명의 또 다른 측면에 따르면, 기계학습 기반 펌프수차 고장 진단 시스템이 펌프수차 고장 진단을 수행하기 위한, 비일시적 저장매체에 저장된 컴퓨터 프로그램은, 비일시적 저장매체에 저장되며, 프로세서에 의하여, (a) 복수의 센서에서 계측된 신호 데이터(이하 '계측 데이터'라 한다)를 수집하고, 이에 대한 전처리를 수행하는 단계; (b) 정상상태 또는 이상상태 여부를 판단하는 이상상태 경보 모델을 생성하는 단계; 및, (c) 상기 이상상태 경보 모델을 이용하여 정상상태 또는 이상상태 여부를 판단하는 단계가 실행되도록 하는 명령을 포함하고, 상기 단계(b)에서는, 다변량 계측 데이터에 대한 평균, 공분산 및, 상기 다변량 계측 데이터의 확률밀도함수 값에서 이상상태와 정상상태를 구분하는 경계값인 신뢰한계값을 산출함으로써 이상상태 경보 모델을 생성한다.According to another aspect of the present invention, a computer program stored in a non-transitory storage medium for the machine learning-based pump aberration failure diagnosis system to perform a pump aberration failure diagnosis is stored in a non-transitory storage medium, and by a processor, ( a) collecting signal data (hereinafter referred to as “measurement data”) measured by a plurality of sensors, and performing pre-processing thereon; (b) generating an abnormal state alarm model for determining whether a normal state or an abnormal state is present; And, (c) using the abnormal state alarm model, a command for determining whether a normal state or an abnormal state is performed, wherein in step (b), the average, covariance, and the multivariate measurement data An abnormal state alarm model is created by calculating a confidence limit value that is a boundary value that distinguishes an abnormal state from a steady state from the probability density function value of the multivariate measurement data.

본 발명의 또 다른 측면에 따르면, 기계학습에 기반하여 펌프수차 고장 진단을 수행하는 시스템은, 적어도 하나의 프로세서; 및 컴퓨터로 실행가능한 명령을 저장하는 적어도 하나의 메모리를 포함하되, 상기 적어도 하나의 메모리에 저장된 상기 컴퓨터로 실행가능한 명령은, 상기 적어도 하나의 프로세서에 의하여, (a) 복수의 센서에서 계측된 신호 데이터(이하 '계측 데이터'라 한다)를 수집하고, 이에 대한 전처리를 수행하는 단계; (b) 정상상태 또는 이상상태 여부를 판단하는 이상상태 경보 모델을 생성하는 단계; 및, (c) 상기 이상상태 경보 모델을 이용하여 정상상태 또는 이상상태 여부를 판단하는 단계가 실행되도록 하고, 상기 단계(b)에서는, 다변량 계측 데이터에 대한 평균, 공분산 및, 상기 다변량 계측 데이터의 확률밀도함수 값에서 이상상태와 정상상태를 구분하는 경계값인 신뢰한계값을 산출함으로써 이상상태 경보 모델을 생성한다.According to another aspect of the present invention, a system for diagnosing a failure of a pump aberration based on machine learning includes: at least one processor; And at least one memory for storing a computer-executable instruction, wherein the computer-executable instruction stored in the at least one memory comprises: (a) signals measured by a plurality of sensors by the at least one processor Collecting data (hereinafter referred to as'measurement data') and performing pre-processing thereon; (b) generating an abnormal state alarm model for determining whether a normal state or an abnormal state is present; And, (c) determining whether a normal state or an abnormal state is performed using the abnormal state alarm model, and in the step (b), the average, covariance of the multivariate measurement data, and the multivariate measurement data are An abnormal state alarm model is created by calculating a confidence limit value, which is a boundary value that distinguishes an abnormal state from a steady state from the value of the probability density function.

본 발명에 의하면, 사전 및 실시간 학습한 기계학습 모델을 이용해 양수발전소 펌프수차의 고장 유무 및 종류를 진단하도록 하여 과도한 예방정비를 최소화하며, 이로써 유지보수 비용 및 돌발고장으로 인한 손실비용을 절감하고, 전문가에 의한 운전 데이터 분석을 최소화해 작업량을 감소시킬 수 있도록 하는 효과가 있다.According to the present invention, excessive preventive maintenance is minimized by diagnosing the presence or type of a pump aberration of a pumping power plant using a machine learning model learned in advance and in real time, thereby reducing maintenance costs and loss costs due to sudden failures, It is effective to reduce the amount of work by minimizing the analysis of driving data by experts.

도 1은 본 발명의 기계학습 기반 펌프수차 고장 진단 시스템의 구성을 도시한 도면.
도 2는 본 발명의 본 발명의 기계학습 기반 펌프수차 고장 진단 방법을 수행하는 순서도.
도 3은 펌프 및 터빈의 기동에 대한 모니터링 데이터를 나타낸 그래프.
도 4는 각 모니터링 데이터에 대한 시간별 변화값을 정규화하여 나타낸 그래프.
도 5는 2개의 모니터링 데이터를 각각 정규화하여 각각 x축 및 y축으로 나타낸 그래프.
도 6은 2개의 모니터링 데이터에 대하여 정규분포로 나타내어지는 확률밀도함수를 나타낸 도면.
도 7은 이상상태 경보 모델이 이상상태를 판단하는 단계를 나타내는 순서도.
도 8은 이상상태 진단 모델이 이상상태의 종류를 판단하는 단계를 나타내는 순서도.
도 9는 이상상태 진단 모델의 내부 레이어에 대한 일 실시예로서의 도면.1 is a diagram showing the configuration of a machine learning-based pump aberration failure diagnosis system of the present invention.
Figure 2 is a flow chart for performing a machine learning-based pump aberration failure diagnosis method of the present invention of the present invention.
3 is a graph showing monitoring data for starting of a pump and a turbine.
4 is a graph showing the normalized change values for each monitoring data over time.
Fig. 5 is a graph showing two monitoring data by normalization of each of the x-axis and y-axis, respectively.
6 is a diagram showing a probability density function represented by a normal distribution for two monitoring data.
7 is a flow chart showing the steps of the abnormal state alarm model to determine the abnormal state.
8 is a flow chart showing a step in which an abnormal state diagnosis model determines the type of an abnormal state.
9 is a diagram showing an embodiment of an inner layer of an abnormal state diagnosis model.

이하 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings. Prior to this, terms or words used in the specification and claims should not be construed as being limited to their usual or dictionary meanings, and the inventors appropriately explain the concept of terms in order to explain their own invention in the best way. Based on the principle that it can be defined, it should be interpreted as a meaning and concept consistent with the technical idea of the present invention. Accordingly, the embodiments described in the present specification and the configurations shown in the drawings are only the most preferred embodiment of the present invention, and do not represent all the technical spirit of the present invention, and thus various alternatives that can be substituted for them at the time of application It should be understood that there may be equivalents and variations.

도 1은 본 발명의 기계학습 기반 펌프수차 고장 진단 시스템(100)의 구성을 도시한 도면이고, 도 2는 본 발명의 본 발명의 기계학습 기반 펌프수차 고장 진단 방법을 수행하는 순서도이다.1 is a diagram showing the configuration of a machine learning-based pump aberration failure diagnosis system 100 of the present invention, and FIG. 2 is a flow chart of performing a machine learning-based pump aberration failure diagnosis method according to the present invention.

이하, 도 1 및 도 2를 참조하여서는 기계학습 기반 펌프수차 고장 진단 시스템(100)의 구성 및 수행하는 방법에 대하여 전체적 및 개략적으로 설명하도록 하며, 각 구성 및 방법의 세부 단계에 대하여 필요한 부분에 대하여는 도 3 내지 도 9를 참조하여 더욱 상세히 설명하기로 한다.Hereinafter, with reference to Figs. 1 and 2, the configuration and method of performing the machine learning-based pump aberration failure diagnosis system 100 will be generally and schematically described, and necessary parts for detailed steps of each configuration and method will be described. It will be described in more detail with reference to FIGS. 3 to 9.

기계학습 기반 펌프수차 고장 진단 시스템(100)은, 신호 수집부(110), 학습부(120) 및 판단부(130)를 포함하고, 모니터링부(140)를 더 포함할 수 있다.The machine learning-based pump aberration failure diagnosis system 100 may include a signal collection unit 110, a learning unit 120, and a determination unit 130, and may further include a monitoring unit 140.

신호 수집부(110)는 하나 또는 복수의 센서를 구비하는 계측신호 수집부(111)와 신호 전처리부(112)를 포함한다. 계측신호 수집부(111)에서 수집(S201)하는 계측신호 데이터, 즉, 계측 데이터의 종류는 온도, 변위, 속도, 전류 등 다양한 신호를 포함한다. 수집된 계측 데이터들은 신호 전처리 모듈(112)로 전달되어 데이터 전처리가 수행된다(S202). 데이터 전처리에는 노이즈 제거, 데이터 분류, 데이터 정규화가 포함된다.The signal collection unit 110 includes a measurement signal collection unit 111 including one or a plurality of sensors and a signal preprocessing unit 112. Measurement signal data collected (S201) by the measurement signal collection unit 111, that is, the type of measurement data includes various signals such as temperature, displacement, speed, and current. The collected measurement data is transmitted to the signal preprocessing module 112 to perform data preprocessing (S202). Data preprocessing includes noise removal, data classification, and data normalization.

학습부(120)는 신호 수집부(110)에서 전처리된 데이터를 이용해 학습을 수행하며, 이상상태 경보 모델 생성 모듈(121) 및 이상상태 진단 모델 생성 모듈(122)을 포함한다. 이상상태 경보 모델은 이상상태의 유무를 판별하는 모델이고 이상상태 진단 모델은 발생한 이상상태의 종류를 판단하는 모델이다. 학습부(120)에서 기계학습에 의하여 생성된 이상상태 경보 모델(S203) 및 이상상태 진단 모델(S204)은 판단부(130)로 전달되어 이상상태 판단 및 진단에 사용된다.The learning unit 120 performs learning using data preprocessed by the signal collection unit 110, and includes an abnormal state alarm model generation module 121 and an abnormal state diagnosis model generation module 122. The abnormal state alarm model is a model that determines the presence or absence of an abnormal state, and the abnormal state diagnosis model is a model that determines the type of abnormal state that has occurred. The abnormal condition warning model S203 and the abnormal condition diagnosis model S204 generated by machine learning in the learning unit 120 are transmitted to the determination unit 130 and used for determining and diagnosing the abnormal condition.

판단부(130)는 이상상태 경보 모듈(131) 및 이상상태 진단 모듈(132)을 포함하며, 각각 학습부(120)에서 생성되고 전달받은 이상상태 경보 모델 및 이상상태 진단 모델을 이용해 신호 수집부(110)에서 전달받은 계측 데이터들의 이상상태 유무 및 종류를 판별한다. 이상상태 경보 모듈은 이상상태 경보 모델에 의해 이상상태 유무를 판별하며(S205), 이상상태 진단 모듈은 이상상태 진단 모델에 의해 정상/이상 여부 및, 이상일 경우 이상상태 종류를 분류한다(S206).The determination unit 130 includes an abnormal condition alarm module 131 and an abnormal condition diagnosis module 132, and a signal collection unit using an abnormal condition alarm model and an abnormal condition diagnosis model generated and transmitted by the learning unit 120, respectively. Determine the presence and type of abnormality of the measurement data received from (110). The abnormal state alarm module determines the presence or absence of an abnormal state according to the abnormal state alarm model (S205), and the abnormal state diagnosis module classifies the normal/abnormal state and the abnormal state type according to the abnormal state diagnosis model (S206).

기계학습 기반 펌프수차 고장 진단 시스템(100)이 모니터링부(140)를 포함하는 경우, 이상상태 경보 모듈(131)에서 판단된 정상/이상 여부 정보 및, 이상상태 진단 모듈(132)에서 판단된 이상상태 종류에 대한 정보는 모니터링부(140)로 전달되며(S207), 모니터링부(140)는 실제 발생된 정상/이상 여부 정보 및 이상상태 종류를 모니터링에 의해 파악할 수 있다(S208). 모니터링부(140)는, 이상상태 경보 모듈(131) 및 이상상태 진단 모듈(132)로부터 전달받은 정상/이상 여부 정보 및 이상상태 종류에 대한 정보와, 실제 확인된 정상/이상 여부 정보 및 이상상태 종류에 대한 정보를 다시 학습부(120)로 전달할 수 있으며(S209), 이로써 학습부(120)는 이상상태 경보 모델 또는 이상상태 진단 모델의 학습을 더욱 수행하여 각 모델을 업데이트함으로써 실시간 학습의 신뢰도를 높일 수 있다.When the machine learning-based pump aberration fault diagnosis system 100 includes the monitoring unit 140, the abnormality/abnormality information determined by the abnormal state alarm module 131 and the abnormality determined by the abnormal state diagnosis module 132 The information on the type of state is transmitted to the monitoring unit 140 (S207), and the monitoring unit 140 may identify the actual generated normal/abnormal information and the type of abnormal state by monitoring (S208). The monitoring unit 140 includes information on normal/abnormality information and types of abnormal states received from the abnormal state alarm module 131 and the abnormal state diagnosis module 132, and the actually confirmed normal/abnormal information and abnormal state. Information on the type can be transferred back to the learning unit 120 (S209), whereby the learning unit 120 further performs learning of an abnormal state alarm model or an abnormal state diagnosis model and updates each model to ensure reliability of real-time learning. Can increase.

도 3은 펌프 및 터빈의 기동에 대한 모니터링 데이터를 나타낸 그래프이다.3 is a graph showing monitoring data for starting of a pump and a turbine.

신호 수집부(110)의 신호 전처리 모듈(112)은, 도 2를 참조하여 전술한 바와 같이 노이즈 제거, 데이터 분류, 데이터 정규화를 수행한다.The signal preprocessing module 112 of the signal collection unit 110 performs noise removal, data classification, and data normalization as described above with reference to FIG. 2.

신호 전처리 모듈(112)은 수집된 계측 데이터에 대하여 노이즈 제거 후, 데이터 구간 분리를 수행한다. 양수 발전소 운행시 양수(펌프) 및 발전(터빈) 기동 데이터의 경향이 상이하므로, 효율적인 학습 및 진단을 위해, 도 3(a) 및 도 3(b)와 같이 모니터링 데이터를 우선 양수(펌프) 및 발전(터빈) 기동 데이터로 분류하여 학습 및 진단에 사용한다.The signal preprocessing module 112 removes noise on the collected measurement data and then separates the data section. When the pumping power plant is operated, the tendency of the pumping (pump) and power generation (turbine) start data is different, so for efficient learning and diagnosis, monitoring data is first pumped (pump) and Classified as power generation (turbine) startup data and used for learning and diagnosis.

또한 펌프 데이터(도 3(a)) 및 터빈 데이터(도 3(b)) 각각에서, 회전속도를 기준으로 휴동 구간(회전속도 0 RPM), 변동 구간(회전속도 증가 또는 감소하는 구간), 가동 구간(회전속도가 일정한 구간) 등의 세 구간으로 분류해서 학습 및 진단에 사용한다.In addition, in each of the pump data (Fig. 3(a)) and turbine data (Fig. 3(b)), based on the rotation speed, the operating section (rotation speed 0 RPM), the variable section (the section where the rotation speed increases or decreases), and operation It is classified into three sections: section (section with constant rotational speed) and used for learning and diagnosis.

도 4는 각 모니터링 데이터에 대한 시간별 변화값을 정규화하여 나타낸 그래프이고, 도 5는 2개의 모니터링 데이터를 각각 정규화하여 각각 x축 및 y축으로 나타낸 그래프이다.FIG. 4 is a graph showing the normalized change values for each monitoring data over time, and FIG. 5 is a graph showing two monitoring data by normalizing each of the x-axis and y-axis, respectively.

신호 전처리부(112)는 도 3을 참조하여 전술한 바와 같은 데이터 분류, 즉, 펌프, 터빈 별 기동 데이터의 분류 및 그와 같은 각 기동 데이터에서 휴동 구간, 변동 구간, 가동 구간 등의 구간 분류를 수행한 후, 각 분류된 데이터에 대한 데이터 정규화를 수행한다. 데이터 정규화를 수행하는 이유는, 계측 데이터와 관련한 여러 요인이 학습에 영향을 미치기 때문이다. 즉, 온도, 진동, 전력 등 모니터링 데이터의 단위가 서로 다른 요인과, 외부 환경 변화와 같은 요인 등이 학습에 영향을 미치게 되는 이유이다. 이러한 문제를 해결하기 위해 일정한 간격으로 센서별 모니터링된 계측 데이터의 정규화를 실시하는 것이다.The signal pre-processing unit 112 classifies the data as described above with reference to FIG. 3, that is, classifies start data for each pump and turbine, and classifies sections such as an idle section, a fluctuation section, and an operation section from the respective start data. After performing, data normalization is performed on each classified data. The reason for performing data normalization is that various factors related to measurement data affect learning. That is, the reason why factors such as temperature, vibration, power, and other monitoring data units differ from each other, and factors such as changes in the external environment affect learning. To solve this problem, normalization of the monitored measurement data for each sensor is performed at regular intervals.

도 4(a)는 2016년 7월부터 2016년 12월까지의 측정된 온도 데이터를 시간축(sec)에 나타낸 그래프이고, 도 4(b)는 도 4(a)의 데이터를 2개월 간격으로 정규화한 온도 데이터이다. 도 4에 표시한 수식에서 x는 계측된 온도 데이터이며, xmin은 각 2개월에 대한 계측 온도 데이터 중 최소값, xmax은 해당 2개월에 대한 계측 온도 데이터 중 최대값을 나타내고, z는 해당 x값이 정규화된 값을 의미한다.Fig. 4(a) is a graph showing measured temperature data from July 2016 to December 2016 on a time axis (sec), and Fig. 4(b) normalizes the data in Fig. 4(a) every two months. One temperature data. In the formula shown in Fig. 4, x is the measured temperature data, x min is the minimum value of the measured temperature data for each two months, x max is the maximum value of the measured temperature data for the two months, and z is the corresponding x The value is the normalized value.

도 5(a)는 측정된 데이터 세트(set)를 하나의 그래프로 나타낸 것이다. 즉, 도 5(a)의 각 점들은 한 시점에 측정된 온도(temperature)와 진동(vibration) 데이터로서, (온도, 진동) 좌표를 나타낸다.Fig. 5(a) shows a measured data set as one graph. That is, each point of FIG. 5(a) is data of temperature and vibration measured at a time point, and represents (temperature, vibration) coordinates.

도 5(b)의 각 점들은, 도 5(a)의 온도 및 진동 데이터를 각각 정규화한 데이터로서 (온도, 진동) 좌표를 나타낸다.Each point in FIG. 5(b) represents (temperature, vibration) coordinates as data obtained by normalizing the temperature and vibration data of FIG. 5(a), respectively.

도 6은 2개의 모니터링 데이터에 대하여 정규분포로 나타내어지는 확률밀도함수를 나타낸 도면이고, 도 7은 이상상태 경보 모델이 이상상태를 판단하는 단계를 나타내는 순서도이다.6 is a diagram showing a probability density function represented by a normal distribution with respect to two monitoring data, and FIG. 7 is a flow chart showing a step in which an abnormal state alarm model determines an abnormal state.

일반적으로 고장 데이터 갯수는 정상 데이터 갯수 보다 매우 적기 때문에, 많은 수의 정상 데이터를 효과적으로 이용할 수 있는 다수의 변수에 대한 정규분포 형태의 확률밀도함수, 즉, 다변량 정규분포(다변량 가우시안 분포로도 불림)를 이용한다. 도 6(a)는 그와 같은 다변량 정규분포의 일 예를 도시한 것이다. 편의상 확률밀도함수 그래프를 전면과 측면상에 붉은색과 파란색으로 일부만 도시하였으나, 실제로는 수평면상의 각 (variable 1, variable 2) 좌표점에 대하여 확률밀도함수 값이 존재하여 모두 도시하면, 3차원 그래프가 된다.In general, since the number of failure data is much smaller than the number of normal data, a probability density function in the form of a normal distribution for a number of variables that can effectively use a large number of normal data, i.e., a multivariate normal distribution (also called a multivariate Gaussian distribution). Use 6(a) shows an example of such a multivariate normal distribution. For convenience, only some of the graphs of the probability density function are shown in red and blue on the front and sides, but in reality, the probability density function values exist for each (variable 1, variable 2) coordinate point on the horizontal plane, and if all are shown, a three-dimensional graph Becomes.

또한 도 6에서는 도면으로 나타낼 수 있도록, 편의상 2개의 변수(variable 1, variable 2)에 대한 확률밀도함수로서의 정규분포를 도시하였으나, 일반적으로 N개의 변수(variable 1, variable 2, ..., variable N)에 대한 확률밀도함수로서의 정규분포를 사용할 수 있다. 여기서 '변수'란 온도, 진동, 회전속도 등, 다양한 종류의 센서에 의한 측정값들을 의미한다.In addition, Fig. 6 shows a normal distribution as a probability density function for two variables (variable 1, variable 2) for convenience so that it can be represented as a diagram, but in general, N variables (variable 1, variable 2, ..., variable We can use the normal distribution as the probability density function for N). Here,'variable' means measured values by various types of sensors such as temperature, vibration, and rotational speed.

도 6(b)는 도 6(a)의 각 다변량 변수 좌표점 (variable 1, variable 2) 들을 나타낸 것이며, 초록색 범위 내부에 있는 다변량 데이터 좌표점들은, 확률밀도함수 값이 일정 값 이상인 점들로서, 정상상태에 있다고 판단하며, 초록색 범위 외부에 있는 다변량 데이터 좌표점들은, 확률밀도함수 값이 해당 값 미만인 점들로서, 이상상태에 있다고 판단한다. 이와 같은 확률밀도함수의 '일정 값'을 '신뢰한계값'이라 한다.6(b) shows the coordinate points of each multivariate variable (variable 1, variable 2) of FIG. 6(a), and the multivariate data coordinate points within the green range are points having a probability density function value equal to or greater than a certain value, It is judged that it is in a steady state, and the multivariate data coordinate points that are outside the green range are points whose probability density function value is less than the corresponding value, and are judged to be in an abnormal state. The'constant value' of such a probability density function is called a'confidence limit value'.

다변량 정규분포 확률밀도함수는 [수학식 1]과 같다.The multivariate normal distribution probability density function is shown in [Equation 1].

[수학식 1][Equation 1]

Figure 112020003774715-pat00002
Figure 112020003774715-pat00002

여기서 x는 계측 데이터, μ는 계측 데이터의 평균, Σ는 계측 데이터의 공분산, d는 데이터의 차원을 의미한다. x는 다변량 데이터로서 N개의 센서에 의한 계측 데이터일 경우, (variable 1, variable 2, ..., variable N)과 같이 표현될 수 있으며, 이 경우 μ도 마찬가지로 (μ1, μ2, ..., μN)과 같이 표현될 수 있다. 이때 d=N이된다. 공분산(covariance) Σ는 다변량 확률변수의 상관정도를 나타내는 값이다.Where x is the measurement data, μ is the average of the measurement data, Σ is the covariance of the measurement data, and d is the dimension of the data. x is multivariate data, and in the case of measurement data by N sensors, it can be expressed as (variable 1, variable 2, ..., variable N), and in this case, μ is also (μ1, μ2, ..., μN). At this time, d=N. The covariance Σ is a value representing the degree of correlation of a multivariate random variable.

학습부(120)의 이상상태 경보 모델 생성 모듈(121)은, 이상상태 경보 모듈(131)에서 사용되는 이상상태 경보 모델을 생성하는데, 이와 같은 이상상태 경보 모델에서는 도 7의 순서도(S701 내지 S705)에 나타난 바와 같이 특정 계측 데이터에 대해, [수학식 1]을 이용하여 산출한 확률밀도함수값이 신뢰한계값 미만인 경우 이상상태, 이상인 경우 정상상태로 판단하므로, 결국 이상상태 경보 모델을 구성하기 위해서는 평균, 공분산, 신뢰한계값이 필요하다. 즉, 이상상태 경보 모델 생성 모듈(121)은 계측 데이터로부터 평균, 공분산, 신뢰한계값을 산출함으로써 이상상태 경보 모델을 생성하는 것이다.The abnormal state alarm model generation module 121 of the learning unit 120 generates an abnormal state alarm model used in the abnormal state alarm module 131. In such an abnormal state alarm model, the flow charts S701 to S705 of FIG. 7 ), for specific measurement data, if the probability density function value calculated using [Equation 1] is less than the confidence limit, it is judged as an abnormal state, and if it is abnormal, it is determined as a normal state. To do this, you need mean, covariance, and confidence limits. That is, the abnormal condition alarm model generation module 121 generates an abnormal condition alarm model by calculating an average, covariance, and confidence limit value from the measured data.

계측 데이터는 학습 데이터, 검증(validation) 데이터 및 평가(test) 데이터로 나누는데, 학습 데이터는 다변량 정규 분포를 구성하기 위한 정상상태 데이터로서, 검증 데이터 및 평가 데이터를 제외한 데이터를 의미한다. 이러한 정상상태 데이터인 학습 데이터를 이용하여 평균(μ)과 공분산(Σ)을 산출한다.Measurement data is divided into training data, validation data, and test data, and the training data is a steady state for constructing a multivariate normal distribution. As data, it means data excluding verification data and evaluation data. The mean ( μ ) and covariance ( Σ ) are calculated using the training data, which is the steady state data.

검증 데이터는 신뢰한계값을 결정하기 위한 정상상태 및 이상상태 데이터이며, 평가 데이터는 생성된 모델의 성능을 평가하기 위한 정상상태 및 이상상태 데이터이다.The verification data are steady state and abnormal state data for determining the confidence limit value, and the evaluation data are steady state and abnormal state data for evaluating the performance of the generated model.

검증 데이터를 이용한 신뢰한계값 결정 방법은 다음과 같다.The method of determining the confidence limit using the verification data is as follows.

즉, 검증 데이터를 이용해 정밀도(precision), 재현율(recall), F1(재현율과 정밀도의 조화평균) 등을 이용해 성능이 가장 좋은 지점의 확률밀도함수값으로 신뢰한계값을 결정하는 것이다. 고장을 양성이라 정의하면, 정밀도란, '그 중 실제 고장인 경우의 수/고장이라고 판단된 경우의 수'를 의미하고, 재현률이란 '그 중 고장이라고 판단되었던 경우의 수/실제 고장인 경우의 수'를 의미한다.That is, the confidence limit value is determined as the probability density function value at the point with the best performance using the verification data, using precision, recall, and F1 (harmonized average of reproducibility and precision). If failure is defined as positive, precision means'the number of actual failures/number of cases judged to be failure', and the recall ratio means'the number of cases judged as failure/actual failure. Means'number'.

예를 들어 신뢰 한계값을 10200에서 10-200까지 변화시켜가며 F1 값을 계산하고, F1이 가장 큰 신뢰한계값을 선택할 수 있다.For example, you can calculate the value of F1 by varying the confidence limit value from 10 200 to 10 -200 and select the confidence limit value where F1 is the largest.

도 8은 이상상태 진단 모델이 이상상태의 종류를 판단하는 단계를 나타내는 순서도이고, 도 9는 이상상태 진단 모델의 내부 레이어에 대한 일 실시예로서의 도면이다.FIG. 8 is a flowchart illustrating a step of determining the type of an abnormal state by the abnormal state diagnosis model, and FIG. 9 is a diagram illustrating an embodiment of an inner layer of the abnormal state diagnosis model.

도 8을 참조하면, 이상상태 경보 모듈(131)을 거친 계측 데이터는 이상상태 진단 모듈(132)로 전달된다. 그 계측 데이터는 이상상태 진단 모듈(132)에 의하여 정상/이상 여부 및, 이상상태의 종류를 판단한다. 이상상태 진단 모듈(132)에서 사용하는 이상상태 진단 모델은 인공신경망이 이용될 수 있는데, 이러한 이상상태 진단 모델은 이상상태 진단 모델 생성 모듈(122)에서 기계학습에 의해 생성된다.Referring to FIG. 8, measurement data that has passed through the abnormal condition alarm module 131 is transmitted to the abnormal condition diagnosis module 132. The measurement data is determined by the abnormal state diagnosis module 132 whether it is normal or abnormal and the type of the abnormal state. The abnormal condition diagnosis model used in the abnormal condition diagnosis module 132 may be an artificial neural network. The abnormal condition diagnosis model is generated by machine learning in the abnormal condition diagnosis model generation module 122.

이러한 이상상태 진단 모델을 구성하는 인공신경망의 예가 도 9에 예시되어 있는데, 이상상태 진단 예시 모델은 입력층에서 전처리된 데이터를 받아 여러개의 은닉층(hidden layer), 출력층(output layer) 및 softmax 함수를 통과해 확률값이 가장 높은 클래스를 판별해 모니터링부(140)로 전달한다. 이때 분류된 정상/이상 여부의 확률값 또는 각 고장(이상) 유형 분류(클래스)의 확률값도 함께 출력하여 전달함으로써, 이상상태 경보 모듈 및 이상상태 진단 모듈의 결과가 상이할 경우 고장 진단시스템(100)의 운전원의 선택에 도움을 준다.An example of an artificial neural network constituting such an abnormal condition diagnosis model is illustrated in FIG. 9. The abnormal condition diagnosis model receives pre-processed data from the input layer and uses several hidden layers, output layers, and softmax functions. The class with the highest probability value passing through is determined and transmitted to the monitoring unit 140. At this time, by outputting and transmitting the classified probability value of normal/abnormality or the probability value of each failure (abnormal) type classification (class), if the results of the abnormal state alarm module and the abnormal state diagnosis module are different, the fault diagnosis system 100 Help in the choice of the operator of the car.

100: 기계학습 기반 펌프수차 고장 진단 시스템100: Machine learning-based pump aberration fault diagnosis system

Claims (17)

기계학습 기반 펌프수차 고장 진단 시스템으로서,
복수의 센서에서 계측된 신호 데이터(이하 '계측 데이터'라 한다)를 수집하고, 이에 대한 전처리를 수행하는 신호 수집부;
정상상태 또는 이상상태 여부를 판단하는 이상상태 경보 모델을 생성하는 이상상태 경보 모델 생성 모듈을 구비하는 학습부; 및,
상기 학습부에서 생성된 이상상태 경보 모델을 이용하여 정상상태 또는 이상상태 여부를 판단하는 이상상태 경보 모듈을 구비하는 판단부
를 포함하고,
상기 이상상태 경보 모델 생성 모듈은,
다변량 계측 데이터에 대한 평균, 공분산 및, 상기 다변량 계측 데이터의 확률밀도함수 값에서 이상상태와 정상상태를 구분하는 경계값인 신뢰한계값을 산출함으로써 이상상태 경보 모델을 생성하는,
기계학습 기반 펌프수차 고장 진단 시스템.As a machine learning-based pump aberration fault diagnosis system,
A signal collection unit that collects signal data (hereinafter referred to as “measurement data”) measured by a plurality of sensors and performs pre-processing thereon;
A learning unit including an abnormal state alarm model generation module that generates an abnormal state alarm model that determines whether a normal state or an abnormal state exists; And,
A determination unit including an abnormal state alarm module for determining whether a normal state or an abnormal state exists using the abnormal state alarm model generated by the learning unit.
Including,
The abnormal state alarm model generation module,
Generating an abnormal state alarm model by calculating the average, covariance for the multivariate measurement data, and a confidence limit value that is a boundary value that distinguishes the abnormal state from the steady state from the value of the probability density function of the multivariate measurement data,
Machine learning based pump aberration fault diagnosis system. 청구항 1에 있어서,
상기 학습부는,
정상/이상 여부 및, 이상일 경우 이상상태 종류를 분류 산출하는 이상상태 진단 모델을 생성하는 이상상태 진단 모델 생성모듈
을 더 구비하고,
상기 판단부는,
상기 학습부에서 생성한 이상상태 진단 모델을 이용하여 정상/이상 여부 및, 이상일 경우 이상상태 종류를 분류 산출하는 이상상태 진단 모듈
을 더 구비하는 것을 특징으로 하는 기계학습 기반 펌프수차 고장 진단 시스템.The method according to claim 1,
The learning unit,
Abnormal state diagnosis model generation module that generates an abnormal state diagnosis model that classifies and calculates the type of abnormal state in case of normal/abnormality
And more
The determination unit,
An abnormal state diagnosis module that classifies and calculates whether there is a normal/abnormal condition and, in case of an abnormality, using the abnormal state diagnosis model generated by the learning unit
Machine learning-based pump aberration failure diagnosis system, characterized in that it further comprises. 청구항 1 또는 청구항 2에 있어서,
기계학습 기반 펌프수차 고장 진단 시스템의 운행 중 이상 여부를 모니터링하고, 상기 판단부에서 산출된 결과 및, 상기 모니터링에 의해 확인된 실제 이상 여부 결과를 상기 학습부로 전달하는 모니터링부
를 더 포함하는 것을 특징으로 하는 기계학습 기반 펌프수차 고장 진단 시스템.The method according to claim 1 or 2,
A monitoring unit that monitors whether there is an abnormality during operation of the machine learning-based pump aberration failure diagnosis system, and delivers the result calculated by the determination unit and the actual abnormality result confirmed by the monitoring to the learning unit
Machine learning-based pump aberration failure diagnosis system, characterized in that it further comprises. 청구항 1에 있어서,
상기 신호 수집부의 계측 데이터 전처리에는,
노이즈 제거, 데이터 분류, 데이터 정규화 기능을 포함하는 것
을 특징으로 하는 기계학습 기반 펌프수차 고장 진단 시스템.The method according to claim 1,
In the pre-processing of the measurement data of the signal collection unit,
Including noise removal, data classification, and data normalization functions
Machine learning-based pump aberration failure diagnosis system, characterized in that. 청구항 4에 있어서,
상기 데이터 분류 기능은,
양수(펌프) 및 발전(터빈) 기동 데이터로의 분류를 포함하는 것
을 특징으로 하는 기계학습 기반 펌프수차 고장 진단 시스템.The method of claim 4,
The data classification function,
Including classification into pumping (pump) and power generation (turbine) startup data
Machine learning-based pump aberration failure diagnosis system, characterized in that. 청구항 5에 있어서,
상기 데이터 분류 기능은,
상기 양수(펌프) 기동 데이터 및 발전(터빈) 기동 데이터 각각에 대하여, 휴동 구간, 변동 구간 및 가동 구간으로의 분류를 더 포함하는 것
을 특징으로 하는 기계학습 기반 펌프수차 고장 진단 시스템.The method of claim 5,
The data classification function,
For each of the pumping (pump) starting data and the power generation (turbine) starting data, further comprising classification into an idle section, a variable section, and an operating section
Machine learning-based pump aberration failure diagnosis system, characterized in that. 청구항 4에 있어서,
상기 데이터 정규화 기능은,
분류된 데이터 별로 정규화를 수행하는 것
을 특징으로 하는 기계학습 기반 펌프수차 고장 진단 시스템.The method of claim 4,
The data normalization function,
Performing normalization for classified data
Machine learning-based pump aberration failure diagnosis system, characterized in that. 삭제delete 청구항 1에 있어서,
상기 다변량 계측 데이터의 확률밀도함수는,
Figure 112020138939627-pat00003

로 결정되고,
x는 계측 데이터, μ는 계측 데이터의 평균, Σ는 계측 데이터의 공분산, d는 데이터의 차원을 의미하는 것
을 특징으로 하는 기계학습 기반 펌프수차 고장 진단 시스템.The method according to claim 1,
The probability density function of the multivariate measurement data is,
Figure 112020138939627-pat00003

Is determined by
x is the measurement data, μ is the mean of the measurement data, Σ is the covariance of the measurement data, and d is the dimension of the data.
Machine learning-based pump aberration failure diagnosis system, characterized in that. 청구항 1에 있어서,
다변량 계측 데이터에 대한 평균, 공분산은,
정상상태의 계측 데이터를 이용하여 산출되는 것
을 특징으로 하는 기계학습 기반 펌프수차 고장 진단 시스템.The method according to claim 1,
The mean and covariance for multivariate measurement data is,
Calculated using steady-state measurement data
Machine learning-based pump aberration failure diagnosis system, characterized in that. 청구항 1에 있어서,
상기 신뢰한계값은,
계측 데이터 중, 검증 데이터를 이용해 정밀도(precision), 재현율(recall), F1(재현율과 정밀도의 조화평균) 등을 이용해 성능이 가장 좋은 지점의 확률밀도함수값으로 결정되는 것
을 특징으로 하는 기계학습 기반 펌프수차 고장 진단 시스템.The method according to claim 1,
The confidence limit is,
Among measurement data, the value of the probability density function at the point with the best performance is determined by using the verification data, such as precision, recall, and F1 (harmonized average of reproducibility and precision).
Machine learning-based pump aberration failure diagnosis system, characterized in that. 청구항 2에 있어서,
상기 이상상태 진단 모듈에서 사용하는 이상상태 진단 모델은 인공신경망이 이용되고, 정상/이상 여부 및, 이상일 경우 이상 유형 분류를 산출하며,
상기 이상상태 진단 모델은 상기 이상상태 진단 모델 생성 모듈에서 기계학습에 의해 생성되는 것
을 특징으로 하는 기계학습 기반 펌프수차 고장 진단 시스템.The method according to claim 2,
The abnormal condition diagnosis model used in the abnormal condition diagnosis module uses an artificial neural network, and if it is normal/abnormal, and if it is abnormal, the abnormality type classification is calculated,
The abnormal condition diagnosis model is generated by machine learning in the abnormal condition diagnosis model generation module.
Machine learning-based pump aberration failure diagnosis system, characterized in that. 청구항 12에 있어서,
상기 이상상태 진단 모델은,
정상/이상 여부 및 산출된 이상 유형 분류 각각에 대한 확률값을 산출하며,
확률값이 가장 높은 정상/이상 여부 또는 이상 유형 분류를 판별해 모니터링부로 전달하는 것
을 특징으로 하는 기계학습 기반 펌프수차 고장 진단 시스템.The method of claim 12,
The abnormal state diagnosis model,
Probability values for each of normal/abnormality and calculated abnormality type classification are calculated,
Determining the normal/abnormal or abnormal type classification with the highest probability value and transmitting it to the monitoring unit
Machine learning-based pump aberration failure diagnosis system, characterized in that. 청구항 13에 있어서,
상기 이상상태 진단 모델이 상기 모니터링부로 전달하는 데이터에는,
분류된 각 정상/이상 여부의 확률값 또는 이상 유형 분류의 확률값을 더 포함하는 것
을 특징으로 하는 기계학습 기반 펌프수차 고장 진단 시스템.The method of claim 13,
In the data transmitted by the abnormal condition diagnosis model to the monitoring unit,
Each classified probability value of normal/abnormality or the probability value of abnormal type classification further includes
Machine learning-based pump aberration failure diagnosis system, characterized in that. 청구항 1의 기계학습 기반 펌프수차 고장 진단 시스템이 수행하는 펌프수차 고장 진단 방법으로서,
(a) 복수의 센서에서 계측된 신호 데이터(이하 '계측 데이터'라 한다)를 수집하고, 이에 대한 전처리를 수행하는 단계;
(b) 정상상태 또는 이상상태 여부를 판단하는 이상상태 경보 모델을 생성하는 단계; 및,
(c) 상기 이상상태 경보 모델을 이용하여 정상상태 또는 이상상태 여부를 판단하는 단계
를 포함하고,
상기 단계(b)에서는,
다변량 계측 데이터에 대한 평균, 공분산 및, 상기 다변량 계측 데이터의 확률밀도함수 값에서 이상상태와 정상상태를 구분하는 경계값인 신뢰한계값을 산출함으로써 이상상태 경보 모델을 생성하는,
기계학습 기반 펌프수차 고장 진단 방법.A pump aberration failure diagnosis method performed by the machine learning-based pump aberration failure diagnosis system of claim 1,
(a) collecting signal data (hereinafter referred to as “measurement data”) measured by a plurality of sensors, and performing pre-processing thereon;
(b) generating an abnormal state alarm model for determining whether a normal state or an abnormal state is present; And,
(c) determining whether there is a normal state or an abnormal state using the abnormal state alarm model
Including,
In step (b),
Generating an abnormal state alarm model by calculating the average, covariance for the multivariate measurement data, and a confidence limit value that is a boundary value that distinguishes the abnormal state from the steady state from the value of the probability density function of the multivariate measurement data,
Machine learning-based pump aberration failure diagnosis method. 기계학습 기반 펌프수차 고장 진단 시스템이 펌프수차 고장 진단을 수행하기 위한, 비일시적 저장매체에 저장된 컴퓨터 프로그램으로서,
비일시적 저장매체에 저장되며, 프로세서에 의하여,
(a) 복수의 센서에서 계측된 신호 데이터(이하 '계측 데이터'라 한다)를 수집하고, 이에 대한 전처리를 수행하는 단계;
(b) 정상상태 또는 이상상태 여부를 판단하는 이상상태 경보 모델을 생성하는 단계; 및,
(c) 상기 이상상태 경보 모델을 이용하여 정상상태 또는 이상상태 여부를 판단하는 단계
가 실행되도록 하는 명령을 포함하고,
상기 단계(b)에서는,
다변량 계측 데이터에 대한 평균, 공분산 및, 상기 다변량 계측 데이터의 확률밀도함수 값에서 이상상태와 정상상태를 구분하는 경계값인 신뢰한계값을 산출함으로써 이상상태 경보 모델을 생성하는,
기계학습 기반 펌프수차 고장 진단 시스템이 펌프수차 고장 진단을 수행하기 위한, 비일시적 저장매체에 저장된 컴퓨터 프로그램.As a computer program stored in a non-transitory storage medium for the machine learning-based pump aberration failure diagnosis system to perform pump aberration failure diagnosis,
It is stored in a non-transitory storage medium, and by the processor,
(a) collecting signal data (hereinafter referred to as “measurement data”) measured by a plurality of sensors, and performing pre-processing thereon;
(b) generating an abnormal state alarm model for determining whether a normal state or an abnormal state is present; And,
(c) determining whether there is a normal state or an abnormal state using the abnormal state alarm model
Contains the command to cause
In step (b),
Generating an abnormal state alarm model by calculating the average, covariance for the multivariate measurement data, and a confidence limit value that is a boundary value that distinguishes the abnormal state from the steady state from the value of the probability density function of the multivariate measurement data,
A computer program stored in a non-transitory storage medium for the machine learning-based pump aberration failure diagnosis system to perform pump aberration failure diagnosis. 기계학습에 기반하여 펌프수차 고장 진단을 수행하는 시스템으로서,
적어도 하나의 프로세서; 및
컴퓨터로 실행가능한 명령을 저장하는 적어도 하나의 메모리를 포함하되,
상기 적어도 하나의 메모리에 저장된 상기 컴퓨터로 실행가능한 명령은, 상기 적어도 하나의 프로세서에 의하여,
(a) 복수의 센서에서 계측된 신호 데이터(이하 '계측 데이터'라 한다)를 수집하고, 이에 대한 전처리를 수행하는 단계;
(b) 정상상태 또는 이상상태 여부를 판단하는 이상상태 경보 모델을 생성하는 단계; 및,
(c) 상기 이상상태 경보 모델을 이용하여 정상상태 또는 이상상태 여부를 판단하는 단계
가 실행되도록 하고,
상기 단계(b)에서는,
다변량 계측 데이터에 대한 평균, 공분산 및, 상기 다변량 계측 데이터의 확률밀도함수 값에서 이상상태와 정상상태를 구분하는 경계값인 신뢰한계값을 산출함으로써 이상상태 경보 모델을 생성하는,
기계학습 기반 펌프수차 고장 진단 수행 시스템.As a system that performs pump aberration failure diagnosis based on machine learning,
At least one processor; And
Including at least one memory for storing computer-executable instructions,
The computer-executable instruction stored in the at least one memory, by the at least one processor,
(a) collecting signal data (hereinafter referred to as “measurement data”) measured by a plurality of sensors, and performing pre-processing thereon;
(b) generating an abnormal state alarm model for determining whether a normal state or an abnormal state is present; And,
(c) determining whether there is a normal state or an abnormal state using the abnormal state alarm model
To run,
In step (b),
Generating an abnormal state alarm model by calculating the average, covariance for the multivariate measurement data, and a confidence limit value that is a boundary value that distinguishes the abnormal state from the steady state from the value of the probability density function of the multivariate measurement data,
Machine learning based pump aberration failure diagnosis system.
KR1020200004456A 2020-01-13 2020-01-13 Method and system for fault diagnosis of pump-turbines based on machine learning KR102206737B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200004456A KR102206737B1 (en) 2020-01-13 2020-01-13 Method and system for fault diagnosis of pump-turbines based on machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200004456A KR102206737B1 (en) 2020-01-13 2020-01-13 Method and system for fault diagnosis of pump-turbines based on machine learning

Publications (1)

Publication Number Publication Date
KR102206737B1 true KR102206737B1 (en) 2021-01-25

Family

ID=74237929

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200004456A KR102206737B1 (en) 2020-01-13 2020-01-13 Method and system for fault diagnosis of pump-turbines based on machine learning

Country Status (1)

Country Link
KR (1) KR102206737B1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230043585A (en) 2021-09-24 2023-03-31 한국수자원공사 Pumping station monitoring apparatus and method
CN117589444A (en) * 2024-01-18 2024-02-23 湖南科技大学 Wind driven generator gear box fault diagnosis method based on federal learning
KR20240043450A (en) * 2022-09-27 2024-04-03 한국기계연구원 Fault diagnosis device and method of oil purifier

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0666241A (en) * 1992-08-11 1994-03-08 Tokyo Electric Power Co Inc:The Soundeness diagnostic unit for rotary machine
KR101991296B1 (en) * 2018-09-13 2019-06-27 임강민 Apparatus For Making A Predictive Diagnosis Of Nuclear Power Plant By Machine Learning
KR102027389B1 (en) 2019-03-20 2019-10-01 (주)브이엠에스 Fault diagnosis system of mechanical devices using autoencoder and deep-learning
KR102051226B1 (en) * 2018-09-07 2019-12-02 한국수력원자력 주식회사 Predictive diagnosis method and system of nuclear power plant equipment

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0666241A (en) * 1992-08-11 1994-03-08 Tokyo Electric Power Co Inc:The Soundeness diagnostic unit for rotary machine
KR102051226B1 (en) * 2018-09-07 2019-12-02 한국수력원자력 주식회사 Predictive diagnosis method and system of nuclear power plant equipment
KR101991296B1 (en) * 2018-09-13 2019-06-27 임강민 Apparatus For Making A Predictive Diagnosis Of Nuclear Power Plant By Machine Learning
KR102027389B1 (en) 2019-03-20 2019-10-01 (주)브이엠에스 Fault diagnosis system of mechanical devices using autoencoder and deep-learning

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230043585A (en) 2021-09-24 2023-03-31 한국수자원공사 Pumping station monitoring apparatus and method
KR102631329B1 (en) * 2021-09-24 2024-02-01 한국수자원공사 Pumping station monitoring apparatus and method
KR20240043450A (en) * 2022-09-27 2024-04-03 한국기계연구원 Fault diagnosis device and method of oil purifier
KR102654326B1 (en) 2022-09-27 2024-04-04 한국기계연구원 Fault diagnosis device and method of oil purifier
CN117589444A (en) * 2024-01-18 2024-02-23 湖南科技大学 Wind driven generator gear box fault diagnosis method based on federal learning
CN117589444B (en) * 2024-01-18 2024-04-02 湖南科技大学 Wind driven generator gear box fault diagnosis method based on federal learning

Similar Documents

Publication Publication Date Title
KR102206737B1 (en) Method and system for fault diagnosis of pump-turbines based on machine learning
US10496466B2 (en) Preprocessor of abnormality sign diagnosing device and processing method of the same
KR101955305B1 (en) Gas turbine sensor failure detection utilizing a sparse coding methodology
US7499777B2 (en) Diagnostic and prognostic method and system
CN115034248A (en) Automatic diagnostic method, system and storage medium for equipment
KR102444442B1 (en) System and method for diagnosing facility fault
EP1960853B1 (en) Evaluating anomaly for one-class classifiers in machine condition monitoring
US20210140851A1 (en) System and method for automatic diagnosis of power generation facility
CN102999038B (en) The diagnostic device of generating set and the diagnostic method of generating set
KR102321607B1 (en) Rotating machine fault detecting apparatus and method
KR102268733B1 (en) Ship engine failure detection method and system
KR102510060B1 (en) An obtaining method abnormality data through deep learning pump simulation and an abnormality detection model establishment method based on auto-encoder and a system thereof
CN114738132B (en) Supercharger rotation speed sensor fault diagnosis method and system based on real ship data
CN117980707A (en) Autonomous discrimination of operational vibration signals
KR20200010671A (en) System and method for fault diagnosis of equipment based on machine learning
CN105466707A (en) Method, system and computer program for fault detection in a machine
KR20210031179A (en) System for predicting engine failure using big data
KR102108975B1 (en) Apparatus and method for condition based maintenance support of naval ship equipment
Lv et al. General log-linear weibull model combining vibration and temperature characteristics for remaining useful life prediction of rolling element bearings
KR102350636B1 (en) Apparatus and method of plant failure prediction
CN116802471A (en) Method and system for comprehensively diagnosing defects of rotary machine
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
KR102212022B1 (en) Method of automatically determining condition of hydro turbine in hydroelectric power plant and system for the same
KR102321602B1 (en) Rotating machine fault detecting apparatus and method
Koukoura et al. An insight into wind turbine planet bearing fault prediction using SCADA data

Legal Events

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