KR102212390B1 - 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치 및 방법 - Google Patents
디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치 및 방법 Download PDFInfo
- Publication number
- KR102212390B1 KR102212390B1 KR1020200039971A KR20200039971A KR102212390B1 KR 102212390 B1 KR102212390 B1 KR 102212390B1 KR 1020200039971 A KR1020200039971 A KR 1020200039971A KR 20200039971 A KR20200039971 A KR 20200039971A KR 102212390 B1 KR102212390 B1 KR 102212390B1
- Authority
- KR
- South Korea
- Prior art keywords
- virtual
- data
- plant
- acquisition data
- unit
- Prior art date
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
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 기계학습을 이용하여 실제 플랜트(1) 설비의 상태를 진단하고, 진단정보를 디지털 트윈 시뮬레이터(2)에 적용하여 가상의 운전결과를 획득하며, 가상의 운전결과를 다시 기계학습에 입력하여 분석함으로써 실제 플랜트(1)의 최적 운영 규칙을 도출할 수 있는 장치에 관한 기술로서,
실제 플랜트(1)의 건설,운영 단계에서 생성 및 개정 관리되는 기술 데이터(120)와 운영 중 발생하는 획득 데이터(110)를 수신하는 정보수집부(100); 상기 실제 플랜트(1)를 디지털로 구현한 가상 플랜트 모델(600); 상기 가상 플랜트 모델(600)을 설정된 가상운전 조건에 따라 가상으로 운전하여 가상운전 획득 데이터(440)를 생성하는 가상운전부(400); 상기 정보수집부(100)가 수신한 운영 획득 데이터(110) 또는 가상운전부(400)가 생성하는 가상운전 획득 데이터(440)를 이용하여 상기 실제 플랜트(1) 내의 설비 상태를 예측 및 진단하여 예측진단 결과 문서(550)를 생성하는 데이터 분석 및 예측진단부(500); 상기 정보수집부(100)가 수신한 기술 데이터(120) 및 운영 획득 데이터(110)와, 상기 데이터 분석 및 예측진단부(500)의 예측진단 결과 문서(550)를 정보융합 플랫폼(210)에 탑재하는 정보융합부(200); 및 상기 정보융합부(200)의 정보융합 플랫폼(210)에 탑재된 데이터를 조회하는 단말기를 포함하는 협업조회부(300); 를 포함하는 것을 특징으로 한다.
실제 플랜트(1)의 건설,운영 단계에서 생성 및 개정 관리되는 기술 데이터(120)와 운영 중 발생하는 획득 데이터(110)를 수신하는 정보수집부(100); 상기 실제 플랜트(1)를 디지털로 구현한 가상 플랜트 모델(600); 상기 가상 플랜트 모델(600)을 설정된 가상운전 조건에 따라 가상으로 운전하여 가상운전 획득 데이터(440)를 생성하는 가상운전부(400); 상기 정보수집부(100)가 수신한 운영 획득 데이터(110) 또는 가상운전부(400)가 생성하는 가상운전 획득 데이터(440)를 이용하여 상기 실제 플랜트(1) 내의 설비 상태를 예측 및 진단하여 예측진단 결과 문서(550)를 생성하는 데이터 분석 및 예측진단부(500); 상기 정보수집부(100)가 수신한 기술 데이터(120) 및 운영 획득 데이터(110)와, 상기 데이터 분석 및 예측진단부(500)의 예측진단 결과 문서(550)를 정보융합 플랫폼(210)에 탑재하는 정보융합부(200); 및 상기 정보융합부(200)의 정보융합 플랫폼(210)에 탑재된 데이터를 조회하는 단말기를 포함하는 협업조회부(300); 를 포함하는 것을 특징으로 한다.
Description
본 발명은 디지털 트윈 시뮬레이터(2) 및 기계학습을 이용하는 실제 플랜트(1)의 최적 운영 규칙 도출 장치 및 방법에 관한 것으로서, 보다 상세하게는 실제 플랜트(1)의 운영획득 데이터(110)로 기계학습을 이용하여 실제 플랜트(1) 설비의 상태를 예측진단에 활용하고 디지털트윈 시뮬레이터(2)와 기계학습을 이용하여실제 플랜트(1)의 최적 운영 규칙을 도출할 수 있는 장치에 관한 기술이다.
발전소등과 같이 복잡한 공정을 요구하는 플랜트에서 적용되는 기계장치는 고 비용이다. 따라서 변경된 복잡한 공정의 제어 시나리오를 시험 없이 기계장치에 적용하면 고장이나 사고가 발생될 수 있다.
따라서 기계장치를 대신하여 컴퓨팅 환경 내에서 가상으로 운전을 시뮬레이션 할 수 있는 학습용 시뮬레이터가 제안되었다. 시뮬레이터에는 기계장치에 대응되는 가상모델이 구현된다.
특히, 시뮬레이션 기술로서 디지털 트윈(Digital Twin)이 제안되었다. 디지털 트윈은 미국 제너럴 일렉트릭(GE)이 주창한 개념으로, 기계장치와 쌍둥이가 되는 가상모델을 만들고, 현실에서 발생할 수 있는 상황을 가상모델에서 시뮬레이션 함으로써 결과를 예측하는 기술이다. 디지털 트윈은 제조업과 플랜트산업 뿐 아니라 다양한 산업, 사회 문제를 해결할 수 있는 기술로 주목 받고 있다.
그러나, 종래의 시뮬레이션 기술은 플랜트의 운전 데이터에 따라 수정된 파라미터에 대응하는 가상모델의 운전 결과만을 보여주어 실제 관찰되는 정보 이상을 제공할 수 없었다. 즉, 미래 상태 예측, 공정 최적화 등과 같은 기능을 제공하지 못하는 문제가 있었다.
이에 본 발명은 상기와 같은 종래의 제반 문제점을 해소하기 위해 제안된 것으로, 본 발명의 목적은 기계학습 및 디지털 트윈 시뮬레이터(2)를 이용하여 실제 플랜트(1) 설비의 상태를 진단할 수 있고, 나아가 실제 플랜트(1)의 최적 운영 규칙을 도출할 수 있는 실제 플랜트의 최적 운영 규칙 도출 장치 및 방법을 제공하는 것이다.
본 발명의 실시예는 상기와 같은 과제를 해결하고자, 다음과 같은 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치 및 방법을 제공한다.
본 발명 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치는, 실제 플랜트(1)의 건설,운영 단계에서 생성 및 개정 관리되는 기술 데이터(120)와 운영 중 발생하는 획득 데이터(110)를 수신하는 정보수집부(100); 상기 실제 플랜트(1)를 디지털로 구현한 가상 플랜트 모델(600); 상기 가상 플랜트 모델(600)을 설정된 가상운전 조건에 따라 가상으로 운전하여 가상운전 획득 데이터(440)를 생성하는 가상운전부(400); 상기 정보수집부(100)가 수신한 운영 획득 데이터(110) 또는 가상운전부(400)가 생성하는 가상운전 획득 데이터(440)를 이용하여 상기 실제 플랜트(1) 내의 설비 상태를 예측 및 진단하여 예측진단 결과 문서(550)를 생성하는 데이터 분석 및 예측진단부(500); 상기 정보수집부(100)가 수신한 기술 데이터(120) 및 운영 획득 데이터(110)와, 상기 데이터 분석 및 예측진단부(500)의 예측진단 결과 문서(550)를 정보융합 플랫폼(210)에 탑재하는 정보융합부(200); 및 상기 정보융합부(200)의 정보융합 플랫폼(210)에 탑재된 데이터를 조회하는 단말기를 포함하는 협업조회부(300); 를 포함하는 것을 특징으로 한다.
또한 상기 가상운전부(400)는, 실제 플랜트(1)의 프로세스, 제어, 운전, 현장 운전환경 설비를 모사하는 가상의 장치인 가상 엔지니어링 모델(410); 상기 가상 엔지니어링 모델(410)을 제어하기 위한 가상 제어실 모델(420); 설정된 가상 운전조건을 입력할 수 있는 가상운전 플랫폼(430); 및 상기 가상 엔지니어링 모델(410), 가상 제어실 모델(420), 가상운전 플랫폼(430)을 물리적으로 운영하기 위한 하드웨어 장치; 를 포함하는 것을 특징으로 한다.
또한 상기 가상운전부(400)는, 상기 가상운전 플랫폼(430)을 이용하여 상기 가상 플랜트 모델(600)의 상기 설정된 가상운전 조건을 변경 시, 변경된 가상운전 조건이 상기 가상 플랜트 모델(600)에 즉시 반영되며, 필요시 운전 조건을 변경하여 복수회 시행함으로써 최적의 가상운전 획득 데이터(440)를 생성하는 것을 특징으로 한다.
또한 상기 데이터 분석 및 예측진단부(500)는, 상기 운영 획득 데이터(110) 중 선별된 예측진단 적용 데이터와, 상기 가상운전 획득 데이터(440)가 수집, 정제 및 분류되는 데이터 수집모듈(510); 빅데이터 플랫폼(530)기반 위에서 실행되며, 분류된 데이터를 분석 및 예측진단하여 예측진단 결과를 생성하는 기계학습 알고리즘 모듈(520); 상기 예측진단 결과를 판독할 수 있는 그래프, 패턴에 의한 분석이미지, 테이블, 기타 시각적으로 인식할 수 있는 형태 중 어느 하나 이상으로 변환하는 예측진단 결과 시각화 모듈(540); 을 포함하는 것을 특징으로 한다.
또한 상기 정보융합부(200)는, 상기 실제 플랜트(1) 내 설비별로 관련된 상기 기술 데이터(120), 상기 운영 획득 데이터(110) 및 상기 예측진단 결과 문서(550)를 매칭하는 것을 특징으로 한다.
또한 상기 플랜트는 복수의 설비를 포함하며, 상기 데이터 분석 및 예측진단부(500)는, 상기 복수의 설비 중 어느 하나 이상의 설비를 대상으로 설비의 상태를 예측 및 진단하는 것을 특징으로 한다.
디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 방법은, 실제 플랜트(1)의 기술 데이터(120) 및 운영 획득 데이터(110)와, 가상 플랜트 모델(600)의 가상운전 획득 데이터(440)를 수집하는 단계(S11); 상기 운영 획득 데이터(110) 또는 가상운전 획득 데이터(440)를 이용하여 실제 플랜트(1) 내의 설비 상태를 예측 및 진단하고(S12) 예측진단 결과 문서(550)를 생성하는 단계; 및 상기 기술 데이터(120), 운영 획득 데이터(110) 및 예측진단 결과 문서(550)를 이용하여 각 설비별로 융합정보를 생성하는 단계(S13); 를 포함하는 것을 특징으로 한다.
또한 상기 가상운전 획득 데이터(440)를 수집하는 단계(S11)는, 상기 가상 플랜트 모델(600)을 설정된 가상운전 조건으로 운전하여 가상운전 획득 데이터(440)를 생성하는 단계(S21); 상기 운영 획득 데이터(110) 또는 가상운전 획득 데이터(440)를 이용하여 상기 가상 플랜트 모델(600) 내의 설비 상태를 예측 및 진단하는 단계(S22); 상기 가상운전부(400)에서 최적의 운전 조건에 도달하였는지를 판단하는 가상운전 조건 변경 필요 여부를 결정하는 단계(S23); 상기 가상운전 조건을 변경하는 단계(S24); 및 상기 가상 플랜트 모델(600)을 변경된 가상운전 조건으로 운전하여 가상운전 획득 데이터(440)를 재생성하는 단계; 에 의해 상기 가상운전 획득 데이터(440)를 수집하는 것을 특징으로 한다.
이상에서 살펴본 바와 같은 본 발명의 과제해결 수단에 의하면 다음과 같은 사항을 포함하는 다양한 효과를 기대할 수 있다. 다만, 본 발명이 하기와 같은 효과를 모두 발휘해야 성립되는 것은 아니다.
본 발명에 의한 디지털 트윈 시뮬레이터(2) 및 기계학습을 이용하는 실제 플랜트(1)의 최적 운영 규칙 도출 장치 및 방법에 따르면, 첫째, 실제 플랜트(1)의 기술 데이터(120) 및 운영 획득 데이터(110)를 수신하고, 운영 획득 데이터(110) 중 실제 플랜트(1) 운영에서 중요도가 높은 데이터를 이용하여, 데이터 분석 및 예측진단부(500)의 기계학습 알고리즘을 통해 예측진단 결과 문서(550)를 생성할 수 있다. 데이터 분석 및 예측진단을 함으로써 미래 실제 플랜트(1)에서 발생할 수 있는 공정오류 및 설비고장에 대비할 수 있게 된다.
둘째, 추가적인 설비의 증설이나 변경 및 보다 더 세부적인 운전조건의 분석이 필요할 경우에는 분석조건에 상응하는 임의의 가상운전 조건을 디지털 트윈 시뮬레이터(2)에 적용하여 변화된 운전 환경을 파악하며, 디지털 트윈 시뮬레이터(2)의 결과를 이용하여 설비의 상태를 재차 분석하고 디지털 트윈 시뮬레이터(2)에 다시 적용함으로써, 실제 플랜트(1)의 최적 운영 방법을 도출할 수 있고, 미래 실제 플랜트(1)에서 발생할 수 있는 공정오류 및 설비고장에 대비할 수 있게 된다.
셋째, 실제 플랜트(1)에서 근무하는 중앙제어실(310) 실무자, 정비기술실(320) 실무자, 현장(330)의 실무자는 단말기를 이용하여 정보융합 플랫폼(210)에 탑재된 상기 기술 데이터(120), 운영 획득 데이터(110) 및 상기 예측진단 결과 문서(550)를 조회하고 협업에 의한 의사결정에 활용함으로써 미래 실제 플랜트(1)에서 발생할 수 있는 공정오류 및 설비고장에 대비할 수 있게 된다.
도 1 및 도 2는 본 발명의 실시예에 따른 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치의 전체 프로세스 흐름을 나타낸 도면,
도 3은 본 발명의 실시예에 따른 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치의 구성도,
도 4는 도 3에서 기술 데이터 및 운영획득 데이터의 종류와 정보융합 플랫폼을 이용한 데이터 흐름을 나타내는 구성도,
도 5는 본 발명의 실시예에 따른 실제 플랜트를 이용한 운영획득 데이터 생성, 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 방법의 순서도,
도 6은 본 발명의 실시예에 따른 디지털 트윈 시뮬레이터를 이용한 가상운전 획득 데이터 생성 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 방법의 순서도이다.
도 3은 본 발명의 실시예에 따른 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치의 구성도,
도 4는 도 3에서 기술 데이터 및 운영획득 데이터의 종류와 정보융합 플랫폼을 이용한 데이터 흐름을 나타내는 구성도,
도 5는 본 발명의 실시예에 따른 실제 플랜트를 이용한 운영획득 데이터 생성, 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 방법의 순서도,
도 6은 본 발명의 실시예에 따른 디지털 트윈 시뮬레이터를 이용한 가상운전 획득 데이터 생성 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 방법의 순서도이다.
첨부한 도면을 참조하여 본 발명의 실시예들에 의한 디지털 트윈 시뮬레이터(2) 및 기계학습을 이용하는 실제 플랜트(1)의 최적 운영 규칙 도출 장치 및 방법에 대하여 상세히 설명한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1 및 도 2는 본 발명의 실시예에 따른 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치의 전체 프로세스 흐름을 나타낸 도면, 도 3은 본 발명의 실시예에 따른 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치의 구성도, 도 4은 도 3에서 기술 데이터 및 운영획득 데이터의 종류와 정보융합 플랫폼을 이용한 데이터 흐름을 나타내는 구성도이다.
본 발명은 실제 플랜트(1), 실제 플랜트(1)를 디지털로 구현한 디지털 트윈 시뮬레이터(2), 실제 플랜트(1) 및 디지털 트윈 시뮬레이터(2)로부터 얻어지는 데이터를 이용하여 최적 운영 규칙을 도출하는 최적운영부를 포함한다.
도 1 및 도 2는 (A), (B), (C)로 표시된 선을 연결함으로써 하나의 시스템을 나타내는 것이다. 이를 참조하여 본 발명을 개략적으로 설명하면, 본 발명의 실시예에 따른 디지털 트윈 시뮬레이터(2) 및 기계학습을 이용하는 실제 플랜트(1)의 최적 운영 규칙 도출 장치는 자동화 설비가 포함된 실제 플랜트(1)의 건설,운영 단계에서 생성되거나 개정 관리되는 기술 데이터(120) 및 운영 획득 데이터(110)를 수집하고, 기술 데이터(120) 및 운영 획득 데이터(110) 중 데이터 수집모듈(510)에 저장한 선별된 데이터를 기계학습 분석 알고리즘에 입력하여 설비의 상태를 예측 진단하며, 기술 데이터(120) 및 운영 획득 데이터(110)와 예측 진단 결과 문서(550)를 설비 또는 공정별로 매칭하고 융합하여 융합정보를 생성하고, 융합정보를 디지털 트윈 시뮬레이터(2)에 입력하여 실제 플랜트(1)에서 적용될 수 있는 가상운전 획득 데이터(440)을 생성한다. 생성된 가상운전 획득 데이터(440)는 다시 기계학습 분석 알고리즘에 입력되어 설비의 예측 진단이 실시되고, 이러한 예측진단 결과를 토대로 재조정 된 가상운전 조건이 다시 디지털 트윈 시뮬레이터(2)에 입력되어 가상운전 획득 데이터(440)과 예측 진단이 반복 실행된다. 예측진단 정보는 실제 플랜트(1) 전반을 운전 및 관제하는 중앙제어실(310)에 제공되어 향후 실제 플랜트(1)의 운전 방법에 참고 되고, 실무자에게도 제공되어 각 설비에서 장애나 고장이 발생하기 전에 사전예방조치 및 정비가 실시될 수 있게 지원한다.
실제 플랜트(1)의 생애주기는 사업 계획에 따라 발주되는 것으로 시작된다. 발주된 실제 플랜트(1)는 발주요건에 따라 건설되고, 건설이 완료되면 실제 플랜트(1)에 포함된 설비들을 시운전하여 전체 실제 플랜트(1) 시스템을 운영에 적합하게 조정한다. 조정이 완료된 실제 플랜트(1)는 운영(Operation & Maintenance)을 실시하게 된다. 오랜 기간 운영된 실제 플랜트(1)는 내부에 포함된 설비들의 이용 유효기간이 종료되거나, 실제 플랜트(1)에 포함된 공정으로 생산되는 제품이 더 이상 적합한 가치가 없을 경우 폐기된다.
본 발명의 실시예는 실제 플랜트(1)의 운영 기간 동안 빅데이터(Big Data) 및 기계학습분석(Machine Learning)을 이용하여 설비의 장애 또는 고장을 예측하고, 고장 예측 정보를 중앙제어실(310), 정비기술실(320) 및 현장(330)의 실무자에게 제공함으로써 협업을 통해 후속적인 예방조치를 시행함으로써 효율적인 실제 플랜트(1) 운영이 가능하게 한다.
도 3 및 도 4를 참조하여 더욱 상세히 설명하면, 본 발명의 실시예에 따른 디지털 트윈 시뮬레이터(2) 및 기계학습을 이용하는 실제 플랜트(1)의 최적 운영 규칙 도출 장치의 최적운영부는, 실제 플랜트(1)의 기술 데이터(120) 및 운영 획득 데이터(110)를 수신하는 정보수집부(100); 기술 데이터(120), 운영 획득 데이터(110) 및 예측진단 결과 문서(550)를 정보융합 플랫폼(210)에 탑재하여 제공하는 정보융합부(200); 정보융합부(200)에서 제공하는 융합정보를 중앙제어실(310), 정비기술실(320) 및 현장(330)의 실무자가 단말기를 이용하여 조회 및 활용할 수 있는 환경을 제공하는 협업조회부(300); 및 정보수집부(100)이 수신한 운영 획득 데이터(110) 또는 가상운전부(400)이 생성한 가상운전 획득 데이터(440)을 이용하여 실제 플랜트(1) 내 설비 상태를 예측진단하는 데이터 분석 및 예측진단부(500)을 포함한다.
또한 디지털 트윈 시뮬레이터(2)는, 플랜트의 중앙 제어실(310)과 현장(330)의 실무자간의 업무절차의 가상 시뮬레이션을 위한 목적으로 제공하는 가상 플랜트 모델(600); 및 가상운전 획득 데이터(440)을 생성하는 가상운전부(400)를 포함한다. 나아가 가상운전부(400)는, 실제 플랜트(1)의 프로세스, 제어, 운전, 현장 운전환경 설비를 모사하는 가상의 장치로 가상 엔지니어링 모델(410); 가상 엔지니어링 모델(410)을 제어하기 위한 가상 제어실 모델(420); 및 임의의 가상 운전조건을 입력할 수 있는 가상운전 플랫폼(430);을 포함할 수 있다. 따라서 가상 엔지니어링 모델(410) 및 가상 제어실 모델(420)을 이용하여 가상운전의 결과로서 가상운전 획득 데이터(440)를 생성할 수 있다. 가상운전부(400)에서 임의의 가상운전 조건설정에 따라 가상운전 획득 데이터(440)를 생성하는 과정에서 실제 플랜트(1)의 운영획득 데이터(110)가 물리적으로 고려가 되어야 하며, 디지털 트윈 시뮬레이터(2)는 이를 물리적으로 운영하기 위한 하드웨어 장치를 포함할 수 있다.
각 구성을 더욱 자세히 설명하면, 정보수집부(100)는 실제 플랜트(1)의 설비로부터 기술 데이터(120) 및 운영 획득 데이터(110)를 수집한다.
기술 데이터(120)에는, 설비의 기본사양, 운전조건 등이 명시되어있는 설비 데이터(121); 플랜트 및 설비의 3차원 입체 형상과 설비의 고유 속성정보를 포함하고 있는 디지털 목업(122); 플랜트의 각 분야별 프로세스, 배치, 상세내용을 포함하고 있는 도면(123); 계약자로부터 공급되는 설비의 설치, 운전, 정비 및 기타 기술문서(124); 운전절차, 정비절차, 점검절차 및 실제 플랜트(1) 운영을 위해 정의된 업무규정(126)등이 포함되며, 상기의 기술 데이터(120)는 플랜트의 건설 및 설비개선과 같은 계약관계에 의해 계약자로부터 공급되어야 하며, 지속적인 개정관리에 의해 유지되는 기술테이터(120)는 정보융합 플랫폼(210)에 탑재되어 협업조회부(300)의 중앙제어실(310), 정비기술실(320) 및 현장(330)의 실무자 간 협업을 통해 후속적인 예방초지를 시행하는 것이 가능하다.
또한, 실제 플랜트(1)의 운영 획득 데이터(110)에는, 각 설비에 기 결합된 센서를 이용하여 검출되는 운전 데이터(111); 각 설비의 정비유지보수 과정에서 시행한 구성품의 교체, 보수, 상태점검 등의 정비 데이터(112); 실제 플랜트(1)의 운영 중 설비 또는 공정 라인 상에서 발생된 장애 또는 고장 발생과 관련된 정지, 설비파손, 성능저하, 단락, 신호전달 오류 등의 다양한 고장 데이터(113); 설비의 정상 및 비정상 상황판단을 위하여 실제 플랜트(1)의 내/외부에 설치된 CCTV, 열화상 카메라, 적외선카메라 등의 영상 데이터(114); 환경 및 산업안전와 같은 다양한 분야에서 적용되고 있는 화재, 출입, 가스, 소음, 먼지등의 기타 모니터링 데이터 등이 포함되며, 상기의 운영 획득 데이터(110)는 실제 플랜트(1)의 운영 중에 지속적으로 생성되어야 하며, 운영 획득 데이터(110) 중 실제 플랜트(1) 운영에서 중요도가 높은 데이터를 이용하여 데이터 분석 및 예측진단 하고 정보융합 플랫폼(210)에 탑재된 정보를 이용하여 협업조회부(300)의 실무자간 협업을 통해 조기대응 함으로써 미래 실제 플랜트(1)에서 발생할 수 있는 공정오류, 설비고장 및 산업재해에 대비할 수 있게 된다.
즉, 기술 데이터(120)는 실제 플랜트(1)의 건설과 운영을 위해 기 마련되는 정적인 성격의 데이터이고, 운영 획득 데이터(110)는 운전 데이터(111), 영상 데이터(114), 기타 모니터링 데이터 등과 같이 실시간으로 수신되는 데이터가 있고 고장 데이터(113), 정비 데이터(112) 등과 같이 상황 발생시 작성되는 데이터가 있으며, 정기 또는 비정기적이지만 지속적으로 수신되는 특성이 있는 동적인 성격의 데이터이다. 기술 데이터(120) 및 운영 획득 데이터(110)는 대단히 방대한 양의 데이터이고, 실제 플랜트(1)가 운영되는 기간동안 지속적으로 데이터양이 확대되고 설비의 상태를 파악하고 예측하기 위한 상호 연관성이 있는 특성의 데이터이므로 빅데이터 및 기계학습을 이용하여 운영되는 것이 바람직하다.
정보융합부(200)는, 실제 플랜트(1)의 건설 및 설비개선과 같은 계약관계에 의해 계약자로부터 공급되는 설비 데이터(121), 디지털 목업(122), 도면(123), 기술문서(124) 등과 같은 계약자 기술 데이터(120); 운전절차, 정비절차, 점검절차등과 같은 업무규정(126)을 지칭하는 운영 기술 데이터(120); 운전 데이터(111), 정비 데이터(112), 고장 데이터(113), 영상 데이터(114) 및 기타 모니터링 데이터 등과 같은 운영 획득 데이터(110); 및 실제 플랜트(1)의 운영 획득 데이터(110) 또는 가상운전 획득 데이터(440)을 이용하여 진행된 데이터 분석 및 예측진단부(500)의 일련의 과정 및 결과값으로 작성된 예측진단 결과 문서(550)를 연계하여 이용할 수 있다.
다종의 식별코드를 갖는 데이터 간의 상호 연계방식은 식별코드를 동기화 하기위한 매칭테이블로 정의하며, 정보융합 플랫폼(210)에서 데이터 조회 및 연계정보 조회시 실행함으로써 기능이 구현된다.
협업조회부(300)는, 실제 플랜트(1) 내의 플랜트 설비의 운전을 담당하는 중앙제어실(310); 플랜트 설비의 예방정비 및 유지보수 업무를 담당하는 정비기술실(320); 플랜트 운전 중 중앙제어실의 지시를 받아 실무자에 의해 설비가 조작, 점검되는 운전 현장(330)을 포함할 수 있다.
또한 플랜트 설비의 예방정비 및 유지보수 업무수행 시 현장에서 설비의 분해, 조립, 측정, 보수등 의 업무를 담당하는 현장 정비원을 감독하는 정비 현장(330)의 실무자간 업무추진 및 해결을 위한 협업에 활용 된다.
도 4을 참조하면, 중앙제어실(310) 및 정비기술실(320)에서 근무하는 실무자는 사무실 내에 설치된 개인용 컴퓨터(340)를 이용하여 정보융합 플랫폼(210)에 접속하여 상기 기술 데이터(120), 운영 획득 데이터(110) 및 상기 예측진단 결과 문서(550)를 조회하고 협업에 의한 의사결정에 활용할 수 있다.
반면, 실제 플랜트(1) 내에서 공간이동을 하면서 업무를 수행해야하는 특성을 가진 현장(330)의 실무자는 현장에 설치된 키오스크형 정보조회 단말기(360) 또는 스마트폰, 태블릿 등과 같은 휴대용 정보조회 단말기(350)와 스마트 글래스, 기타 웨어러블 디바이스(370) 등을 이용한다. 휴대용 정보조회 단말기(350)는 제조사에서 제공하는 전용 운영체제 기반위에서 정보융합 플랫폼(210)의 설치 및 실행이 되는 응용 프로그램으로 실시될 수 있다.
현장 실무자가 현장에 설치된 키오스크형 정보조회 단말기(360)를 사용하여 직접 식별코드를 입력함으로써 상기 실제 플랜트(1) 내 설비에 부착된 고유의 식별코드가 수신되면 상기 식별코드에 대응되는 설비를 식별하고, 정보융합 플랫폼(210)에서 식별된 설비와 관련된 기술 데이터(120), 운영 획득 데이터(110) 및 예측진단 결과 문서(550) 중 적어도 하나를 로드 할 수 있다.
현장 실무자가 휴대용 정보조회 단말기(350) 또는 웨어러블 디바이스(370)를 사용하여 비접촉상태에서 피사체의 식별코드를 인식하거나 직접 식별코드를 입력함으로써 상기 실제 플랜트(1) 내 설비에 부착된 고유의 식별코드가 수신되면 상기 식별코드에 대응되는 설비를 식별하고, 정보융합 플랫폼(210)에서 식별된 설비와 관련된 기술 데이터(120), 운영 획득 데이터(110) 및 예측진단 결과 문서(550) 중 적어도 하나를 로드 할 수 있다.
또한, 상기 협업조회부(300)의 현장(330)의 실무자는 휴대용 정보조회 단말기(350)를 이용하여 비접촉상태에서 피사체의 식별코드를 인식하는 방법으로 증강현실 기술을 활용할 수 있으며, 설비 데이터(121), 디지털 목업(122), 도면(123), 기술문서(124), 기타자료(125) 중 적어도 하나를 로드하여 이용할 수 있다.
실제 플랜트(1) 내에 배치된 수많은 설비에는 각 설비를 효과적으로 관리하기 위해 개별적으로 식별할 수 있는 식별코드가 부여된다. 실제 플랜트(1)를 구성하고 있는 건물의 내부에서 사용할 수 있는 식별코드는 전용마크, QR코드, 바코드 등과 같이 광학적인 방법으로 디지털 정보를 제공할 수 있는 코드가 이용될 수 있다. 식별코드는 인쇄되어 설비의 일측면에 부착되거나, 설비 측면에 인쇄되는 것으로 실시될 수 있다.
또한, 건물의 외부에서 사용할 수 있는 식별코드는 실제 플랜트(1) 경계부지내에 정밀 위치인식 기준설비를 설치하여 위치기반 연산기술과 인쇄형식의 식별코드를 혼용하여 식별 될 수 있다.
협업조회부(300)는 상기 실제 플랜트(1) 내 설비에 부착된 고유의 식별코드가 수신되면 상기 식별코드에 대응되는 설비를 식별하고, 식별된 설비와 관련된 기술 데이터(120), 운영 획득 데이터(110) 및 예측진단 결과 중 적어도 하나를 로드할 수 있다. 예를 들어, 실무자가 휴대기기의 카메라를 이용하여 식별코드를 촬영하면, 협업조회부(300)이 식별코드를 촬영한 영상에서 식별코드를 찾아내고, 식별코드로부터 관련 설비가 무엇인지 탐색할 수 있다.
나아가, 협업조회부(300)는 실제 플랜트(1) 내 설비의 3차원 형상인 디지털 목업(122), 설비별 운전원리 또는 정비순서등의 내용을 포함하는 가상현실 및 3D 컨텐츠를 정보융합 플랫폼(210)을 통해 이용할 수 있다.
디지털 트윈 시뮬레이터(2)는 실제 플랜트(1)의 프로세스, 제어, 운전, 현장 운전환경 설비를 모사하는 가상의 장치로 가상 엔지니어링 모델(410), 가상 제어실 모델(420), 가상운전 플랫폼(430), 가상 플랜트 모델(600)로 구성되어 있으며 이를 물리적으로 운영하기 위한 하드웨어 장치를 포함한다.
가상운전부(400)는 상기 디지털 트윈 시뮬레이터(2)의 구성요소 중 가상 엔지니어링 모델(410), 가상 제어실 모델(420) 및 가상운전 플랫폼(430)을 대표하며 추가적인 설비의 증설이나 변경 및 보다 더 세부적인 운전조건의 분석이 필요할 경우에는 분석조건에 상응하는 임의의 가상운전 조건을 적용하고 가상운전 획득 데이터(440)을 생성하여 데이터 분석 및 예측진단부(500)에 적용하여 예측진단 결과 시각화 모듈(540)을 통한 결과를 확인 한 후 필요시, 변경된 임의의 가상운전 조건을 재차 적용함으로써, 실제 플랜트(1)의 최적 운영 방법을 도출할 수 있는 역할을 수행한다.
가상 플랜트 모델(600)은 상기 디지털 트윈 시뮬레이터(2)의 구성요소 중 하나로 가상운전부(400)에서 임의의 가상운전 조건설정에 따라 가상운전 획득 데이터(440)를 생성하는 과정에서 물리적으로 고려가 되어야 하는 플랜트의 중앙 제어실(310)과 현장(330)의 실무자간의 업무절차의 가상 시뮬레이션을 위한 목적으로 제작된 컴퓨터내의 가상공간에 존재하는 3차원 형식의 디지털 목업(122) 플랜트 모델이다.
또한, 가상 플랜트 모델(600)은 실제 플랜트(1) 설비 및 구성품을 대체하는 디지털 목업(122)으로 이루어져 있으며, 필요시 실제 플랜트(1) 계통을 구성하는 기체, 유체 및 기타 비정형화 된 매질의 표현 기능을 포함하는 것을 특징으로 한다.
정보수집부(100)가 수신한 운영 획득 데이터(110) 중 실제 플랜트(1) 내 설비 상태를 예측진단이 필요한 설비 및 계통을 대상으로 데이터 분석 및 예측진단부(500)에 적용된다.
데이터 분석 및 예측진단부(500)는 1차적으로 정보수집부(100)이 수신한 운영 획득 데이터(110) 또는 가상운전부(400)이 생성한 가상운전 획득 데이터(440)를 기계학습 알고리즘 및 규칙 기반 알고리즘에 입력하여 실제 플랜트(1)의 상태분석을 실시한다. 기계학습 알고리즘 및 규칙 기반 알고리즘은 실제 플랜트(1)나, 각 설비에 대한 현재의 상태를 의미하는 기 정의된 항목에 대한 평가를 수행하는 것으로 실시될 수 있다.
데이터 분석 및 예측진단부(500)는 운영 획득 데이터(110) 또는 가상운전 획득 데이터(440)를 중심으로 데이터 수집모듈(510)에서 수집/정제/분류의 과정을 거치며, 기계학습 알고리즘 모듈(520)에 의해 데이터의 분석 및 예측진단 되어 결과 생성하게 된다.
실시간으로 제공되는 빅데이터와 이를 연산하기 위한 기계학습 알고리즘의 실행은 많은 처리시간을 요구하게 된다. 이를 빠른시간 내 효율적으로 분산처리하기 위한 빅데이터 플랫폼(530)의 역할이 필요하며, 상기 기계학습 알고리즘 모듈(520)과 빅데이터 플랫폼(530)의 고속 분산 연산에 의해 생성된 결과값은 예측진단 결과 시각화 모듈(540)을 실행하여 실무자가 판독할 수 있는 그래프, 패턴에 의한 분석이미지, 테이블 등의 다양한 형태로 볼 수 있다.
또한, 실제 플랜트(1)에 적용할 수 있는 데이터 분석 및 예측진단의 결과는 예측진단 결과 문서(550)로 작성되어 정보융합 플랫폼(210)에 자동으로 탑재되며 협업조회부(300)의 구성원인 실무자들이 협업에 활용할 수 있으며, 미래 실제 플랜트(1)에서 발생할 수 있는 공정오류 및 설비고장에 대비할 수 있게 된다.
또한, 추가적인 설비의 증설이나 변경 및 보다 더 세부적인 운전조건의 분석이 필요할 경우에는, 임의의 가상 운전조건을 입력함으로써 가상운전부(400)에 의해 생성된 가상운전 획득 데이터(440)를 이용하여 반복적으로 데이터 분석 및 예측진단부(500)에 적용함으로써 최적의 운전환경의 결과를 예측진단 및 도출할 수 있다.
도 5는 본 발명의 실시예에 따른 실제 플랜트(1)를 이용한 운영획득 데이터 생성, 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 방법의 순서도, 도 6은 본 발명의 실시예에 따른 디지털 트윈 시뮬레이터(2)를 이용한 가상운전 획득 데이터 생성 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 방법의 순서도이다.
도 5는 도 1 및 도 2에서 (A)-(D)-(C), 또는 (B)-(D)-(C)로 형성되는 경로로 이해될 수 있으며, 도 6은 도 1 및 도 2에서 (E)-(D)-(C)경로로 이해될 수 있다.
이들 도면을 참조하면, 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 방법은, 실제 플랜트(1)의 기술 데이터(120) 및 운영 획득 데이터(110)와, 가상 플랜트 모델(600)의 가상운전 획득 데이터(440)를 수집하는 단계(S11); 상기 운영 획득 데이터(110) 또는 가상운전 획득 데이터(440)를 이용하여 실제 플랜트(1) 내의 설비 상태를 예측 및 진단하고(S12) 예측진단 결과 문서(550)를 생성하는 단계; 및 상기 기술 데이터(120), 운영 획득 데이터(110) 및 예측진단 결과 문서(550)를 이용하여 각 설비별로 융합정보를 생성하는 단계(S13); 를 포함한다.
나아가 실제 플랜트(1)의 운전을 제어하는 중앙제어실(310), 정비업무를 담당하는 정비기술실(320) 및 실제 현장(330)의 실무자가 물리적으로 분리된 환경에서 원격으로 협업 및 의사결정을 할 수 있도록 PC(340), 휴대용 정보조회 단말기(350), 키오스크형 정보조회 단말기(360), 웨어러블 디바이스(370) 등의 기기들로 기술 데이터(120), 운영 획득 데이터(110), 예측진단 결과 문서(550), 또는 설비별로 매칭되어 융합된 융합정보를 조회하는 단계(S14); 를 더 포함할 수 있다.
또한 상기 가상운전 획득 데이터(440)를 수집하는 단계(S11)는 도 6에 도시된 바와 같이, 가상 엔지니어링 모델(410) 및 가상 제어실 모델(420)을 이용하여 상기 가상 플랜트 모델(600)을 설정된 가상운전 조건으로 운전하여 가상운전 획득 데이터(440)를 생성하는 단계(S21); 상기 운영 획득 데이터(110) 또는 가상운전 획득 데이터(440)를 이용하여 상기 가상 플랜트 모델(600) 내의 설비 상태를 예측 및 진단하는 단계(S22); 추가적인 설비의 증설이나 변경 및 보다 더 세부적인 운전조건의 분석이 필요한지 판단하는 단계(S23), 가상운전 조건이 필요한 경우 상기 가상운전 조건을 변경하는 단계(S24); 및 상기 가상 플랜트 모델(600)을 변경된 가상운전 조건으로 운전하여 가상운전 획득 데이터(440)를 재생성하는 단계; 에 의해 상기 가상운전 획득 데이터(440)를 수집할 수 있다.
가상운전 조건 변경이 필요하지 않은 경우, 기술 데이터(120), 운영 획득 데이터(110) 및 예측진단 결과 문서(550)를 이용하여 융합정보를 생성하고(S25), PC(340), 휴대용 정보조회 단말기(350), 키오스크형 정보조회 단말기(360), 웨어러블 디바이스(370) 등의 기기들로 기술 데이터(120), 운영 획득 데이터(110), 예측진단 결과 문서(550), 또는 설비별로 매칭되어 융합된 융합정보를 조회하는 단계(S14)를 더 포함할 수 있는 것은 도 5의 S13, S14 단계와 동일하다.
본 명세서에서는 각 실시예를 나누어 설명하였으나, 각 실시예를 조합하여 도출될 수 있는 실시예 역시 본 발명의 권리범위 내에 속하는 것이다.
이상의 설명은 본 발명의 기술사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형 가능한 것으로, 본 발명의 보호범위는 아래의 청구범위에 의하여 해석되어야하며, 그와 동등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
1 : 실제 플랜트 2 : 디지털 트윈 시뮬레이터
100 : 정보수집부 110 : 운영 획득 데이터
111 : 운전 데이터 112 : 정비 데이터
113 : 고장 데이터 114 : 영상 데이터
120 : 기술 데이터 121 : 설비 데이터(121)
122 : 디지털 목업(Digital Mockup) 123 : 도면
124 : 기술문서 125 : 기타자료
126 : 업무규정 200 : 정보융합부
210 : 정보융합 플랫폼 300 : 협업조회부
310 : 중앙제어실 320 : 정비기술실
330 : 현장 340 : 개인용 컴퓨터(PC)
350 : 휴대용 정보조회 단말기 360 : 키오스크형 정보조회 단말기
370 : 웨어러블 디바이스(Wearable Device)
400 : 가상운전부 410 : 가상 엔지니어링 모델
420 : 가상 제어실 모델 430 : 가상운전 플랫폼
440 : 가상운전 획득 데이터 500 : 데이터 분석 및 예측진단부
510 : 데이터 수집 모듈 520 : 기계학습 알고리즘 모듈
530 : 빅데이터 플랫폼 540 : 예측진단 결과 시각화 모듈
550 : 예측진단 결과 문서 600 : 가상 플랜트 모델
100 : 정보수집부 110 : 운영 획득 데이터
111 : 운전 데이터 112 : 정비 데이터
113 : 고장 데이터 114 : 영상 데이터
120 : 기술 데이터 121 : 설비 데이터(121)
122 : 디지털 목업(Digital Mockup) 123 : 도면
124 : 기술문서 125 : 기타자료
126 : 업무규정 200 : 정보융합부
210 : 정보융합 플랫폼 300 : 협업조회부
310 : 중앙제어실 320 : 정비기술실
330 : 현장 340 : 개인용 컴퓨터(PC)
350 : 휴대용 정보조회 단말기 360 : 키오스크형 정보조회 단말기
370 : 웨어러블 디바이스(Wearable Device)
400 : 가상운전부 410 : 가상 엔지니어링 모델
420 : 가상 제어실 모델 430 : 가상운전 플랫폼
440 : 가상운전 획득 데이터 500 : 데이터 분석 및 예측진단부
510 : 데이터 수집 모듈 520 : 기계학습 알고리즘 모듈
530 : 빅데이터 플랫폼 540 : 예측진단 결과 시각화 모듈
550 : 예측진단 결과 문서 600 : 가상 플랜트 모델
Claims (8)
- 실제 플랜트(1)와 동일하게 디지털로 구현된 디지털트윈 시뮬레이터(2)를 포함하는 실제 플랜트의 최적 운영 규칙 도출 장치에 있어서,
실제 플랜트(1) 설비의 기본사양 및 운전조건이 명시된 설비 데이터(121)를 포함하는 기술 데이터(120)와, 상기 운전조건에 따른 운영 중 발생하고 실제 플랜트(1)에 설치된 센서를 이용하여 검출되는 획득 데이터(110)를 수신하는 정보수집부(100);
상기 실제 플랜트(1)를 디지털로 구현한 가상 플랜트 모델(600);
상기 가상 플랜트 모델(600)을 설정된 가상운전 조건에 따라 가상으로 운전하여 가상운전 획득 데이터(440)를 생성하는 가상운전부(400);
상기 정보수집부(100)가 수신한 운영 획득 데이터(110)를 이용하여 상기 실제 플랜트(1) 내의 설비 상태를 예측 및 진단하며, 가상운전부(400)가 생성하는 가상운전 획득 데이터(440)를 이용하여 상기 가상 플랜트 모델(600)의 상기 설정된 가상운전의 결과를 예측 및 진단하여, 예측진단 결과 문서(550)를 생성하는 데이터 분석 및 예측진단부(500);
상기 정보수집부가 수신한 기술 데이터(120) 및 운영 획득 데이터(110)와, 상기 운영 획득 데이터(110)를 이용한 예측진단 결과 문서(550) 및 상기 가상운전 획득 데이터(440)를 이용한 예측진단 결과 문서(550)를 정보융합 플랫폼(210)에 탑재하는 정보융합부(200);
상기 정보융합부(200)의 정보융합 플랫폼(210)에 탑재된 기술 데이터(120), 운영 획득 데이터(110), 상기 운영 획득 데이터(110)를 이용한 예측진단 결과 문서(550) 또는 상기 가상운전 획득 데이터(440)를 이용한 예측진단 결과 문서(550)를조회하는 단말기를 포함하는 협업조회부(300);
를 포함하고,
상기 가상운전부(400)는, 설정된 가상 운전조건을 입력할 수 있는 가상운전 플랫폼(430)을 포함하여, 상기 가상 플랜트 모델(600)의 상기 설정된 가상운전 조건을 변경 시, 변경된 가상운전 조건에 따라 상기 가상 플랜트 모델(600)을 복수 회 운전하여 가상운전 획득 데이터(440)를 생성하는 것을 특징으로 하는 실제 플랜트의 최적 운영 규칙 도출 장치.
- 제1항에 있어서,
상기 가상운전부(400)는,
실제 플랜트(1)의 프로세스, 제어, 운전, 현장 운전환경 설비를 모사하는 가상의 장치인 가상 엔지니어링 모델(410);
상기 가상 엔지니어링 모델(410)을 제어하기 위한 가상 제어실 모델(420); 및
상기 가상 엔지니어링 모델(410), 가상 제어실 모델(420), 가상운전 플랫폼(430)을 물리적으로 운영하기 위한 하드웨어 장치;
를 더 포함하는 것을 특징으로 하는 실제 플랜트의 최적 운영 규칙 도출 장치.
- 삭제
- 제1항에 있어서,
상기 데이터 분석 및 예측진단부(500)는,
상기 운영 획득 데이터(110) 중 선별된 예측진단 적용 데이터와, 상기 가상운전 획득 데이터(440)가 수집, 정제 및 분류되는 데이터 수집모듈(510);
빅데이터 플랫폼(530)기반 위에서 실행되며, 분류된 데이터를 분석 및 예측진단하여 예측진단 결과를 생성하는 기계학습 알고리즘 모듈(520);
상기 예측진단 결과를 판독할 수 있는 그래프, 패턴에 의한 분석이미지, 테이블, 기타 시각적으로 인식할 수 있는 형태 중 어느 하나 이상으로 변환하는 예측진단 결과 시각화 모듈(540);
을 포함하는 것을 특징으로 하는 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치.
- 제1항에 있어서,
상기 정보융합부(200)는, 상기 실제 플랜트(1) 내 설비별로 관련된 상기 기술 데이터(120), 상기 운영 획득 데이터(110) 및 상기 예측진단 결과 문서(550)를 매칭하는 것을 특징으로 하는 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치.
- 제1항에 있어서,
상기 플랜트는 복수의 설비를 포함하며,
상기 데이터 분석 및 예측진단부(500)는, 상기 복수의 설비 중 어느 하나 이상의 설비를 대상으로 설비의 상태를 예측 및 진단하는 것을 특징으로 하는 실제 플랜트의 최적 운영 규칙 도출 장치.
- 실제 플랜트(1)와 동일하게 디지털로 구현된 디지털트윈 시뮬레이터(2)를 포함하는 실제 플랜트의 최적 운영 규칙 도출 방법에 있어서,
실제 플랜트(1) 설비의 기본사양 및 운전조건이 명시된 설비 데이터(121)를 포함하는 기술 데이터(120) 및 상기 운전조건에 따른 운영 중 발생하고 실제 플랜트(1)에 설치된 센서를 이용하여 검출되는 운영 획득 데이터(110)와, 상기 실제 플랜트(1)를 디지털로 구현한 가상 플랜트 모델(600)을 설정된 가상운전 조건에 따라 가상으로 운전하여 획득하는 가상운전 획득 데이터(440)를 수집하는 단계(S11);
정보수집부(100)가 수신한 운영 획득 데이터(110)를 이용하여 상기 실제 플랜트(1) 내의 설비 상태를 예측 및 진단하며, 가상운전부(400)가 생성하는 가상운전 획득 데이터(440)를 이용하여 상기 가상 플랜트 모델(600)의 상기 설정된 가상운전의 결과를 예측 및 진단하고(S12) 각각의 예측진단 결과 문서(550)를 생성하는 단계; 및
상기 기술 데이터(120), 운영 획득 데이터(110) 및 예측진단 결과 문서(550)를 이용하여 각 설비별로 융합정보를 생성하는 단계(S13);
를 포함하고,
상기 가상운전 획득 데이터(440)를 수집하는 단계(S11)는,
상기 가상 플랜트 모델(600)을 설정된 가상운전 조건으로 운전하여 가상운전 획득 데이터(440)를 생성하는 단계(S21);
상기 운영 획득 데이터(110) 또는 가상운전 획득 데이터(440)를 이용하여 상기 가상 플랜트 모델(600) 내의 설비 상태를 예측 및 진단하는 단계(S22);
가상운전 플랫폼(430)에 입력되는 상기 가상운전 조건을 변경하는 단계(S24); 및
상기 가상 플랜트 모델(600)을 변경된 가상운전 조건으로 운전하여 가상운전 획득 데이터(440)를 재생성하는 단계;
에 의해 상기 가상운전 획득 데이터(440)를 수집하는 것을 특징으로 하는 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 방법.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200039971A KR102212390B1 (ko) | 2020-04-01 | 2020-04-01 | 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200039971A KR102212390B1 (ko) | 2020-04-01 | 2020-04-01 | 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102212390B1 true KR102212390B1 (ko) | 2021-02-04 |
Family
ID=74558637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200039971A KR102212390B1 (ko) | 2020-04-01 | 2020-04-01 | 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102212390B1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102404007B1 (ko) | 2021-07-20 | 2022-05-31 | 한국산업기술시험원 | 디지털 트윈 기법을 적용한 열 유체 시스템의 가속화 강화학습 수행 시스템 |
| KR102458104B1 (ko) * | 2022-06-29 | 2022-10-24 | (주)씨아이피시스템 | 디지털트윈기반 건설현장의 안전관리서비스 시스템 및 그 방법 |
| KR102499920B1 (ko) * | 2022-04-06 | 2023-02-16 | 김용희 | 디지털트윈을 이용한 bim기반 건설현장 관제 시스템 |
| KR20230134960A (ko) * | 2022-03-15 | 2023-09-22 | (주)에스디플렉스 | 공정 운영 최적화를 위한 하이브리드 디지털 트윈 모델 기반의 현장 설비 제어 시스템 및 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150124241A (ko) * | 2014-04-28 | 2015-11-05 | 대우조선해양 주식회사 | 가상 현실을 이용한 해양 플랜트 통합 운영 시스템 및 방법 |
| KR101853480B1 (ko) * | 2017-03-31 | 2018-04-30 | (주)부품디비 | 해양플랜트 예지보전 시스템 |
| KR20180125658A (ko) | 2017-05-15 | 2018-11-26 | 현대오토에버 주식회사 | 디지털sop 및 예측기반 빌딩통합운영시스템 및 방법 |
| KR20190123895A (ko) * | 2018-04-25 | 2019-11-04 | 전자부품연구원 | 디지털 트윈 기반 건설기계 지능화를 위한 실시간 데이터 처리 방법 |
-
2020
- 2020-04-01 KR KR1020200039971A patent/KR102212390B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150124241A (ko) * | 2014-04-28 | 2015-11-05 | 대우조선해양 주식회사 | 가상 현실을 이용한 해양 플랜트 통합 운영 시스템 및 방법 |
| KR101853480B1 (ko) * | 2017-03-31 | 2018-04-30 | (주)부품디비 | 해양플랜트 예지보전 시스템 |
| KR20180125658A (ko) | 2017-05-15 | 2018-11-26 | 현대오토에버 주식회사 | 디지털sop 및 예측기반 빌딩통합운영시스템 및 방법 |
| KR20190123895A (ko) * | 2018-04-25 | 2019-11-04 | 전자부품연구원 | 디지털 트윈 기반 건설기계 지능화를 위한 실시간 데이터 처리 방법 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102404007B1 (ko) | 2021-07-20 | 2022-05-31 | 한국산업기술시험원 | 디지털 트윈 기법을 적용한 열 유체 시스템의 가속화 강화학습 수행 시스템 |
| KR20230134960A (ko) * | 2022-03-15 | 2023-09-22 | (주)에스디플렉스 | 공정 운영 최적화를 위한 하이브리드 디지털 트윈 모델 기반의 현장 설비 제어 시스템 및 방법 |
| KR102604830B1 (ko) * | 2022-03-15 | 2023-11-22 | (주)에스디플렉스 | 공정 운영 최적화를 위한 하이브리드 디지털 트윈 모델 기반의 현장 설비 제어 시스템 및 방법 |
| KR102499920B1 (ko) * | 2022-04-06 | 2023-02-16 | 김용희 | 디지털트윈을 이용한 bim기반 건설현장 관제 시스템 |
| KR102458104B1 (ko) * | 2022-06-29 | 2022-10-24 | (주)씨아이피시스템 | 디지털트윈기반 건설현장의 안전관리서비스 시스템 및 그 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102212390B1 (ko) | 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치 및 방법 | |
| Kiangala et al. | Initiating predictive maintenance for a conveyor motor in a bottling plant using industry 4.0 concepts | |
| Adamenko et al. | Review and comparison of the methods of designing the Digital Twin | |
| Shao | Use case scenarios for digital twin implementation based on ISO 23247 | |
| Alves et al. | Deployment of a smart and predictive maintenance system in an industrial case study | |
| EP3335083B1 (en) | Rich contextualization of automation data | |
| Vogl et al. | Standards for prognostics and health management (PHM) techniques within manufacturing operations | |
| CN108009081B (zh) | 工程设计工具协同装置及工程设计工具协同方法 | |
| Soori et al. | Digital twin for smart manufacturing, A review | |
| KR20140130543A (ko) | 설비들의 그룹의 조건 모니터링을 위한 방법 및 시스템 | |
| Weiss et al. | Measurement science for prognostics and health management for smart manufacturing systems: key findings from a roadmapping workshop | |
| Cupek et al. | Determination of the machine energy consumption profiles in the mass-customised manufacturing | |
| KR20210097369A (ko) | 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 시스템 및 그 방법 | |
| KR102284282B1 (ko) | 증강현실 이미지 기반의 원격협업 모니터링 방법 | |
| Cohen et al. | A smart process controller framework for Industry 4.0 settings | |
| WO2018148029A1 (en) | System for analyzing machine data | |
| Groba et al. | Architecture of a predictive maintenance framework | |
| JP2021522626A (ja) | 工業プラントのスイッチキャビネットに関するライフサイクル情報を処理する方法及びコンピュータ支援システム | |
| US20180122133A1 (en) | System and method for displaying industrial asset alarms in a virtual environment | |
| Shao et al. | An analysis of the new ISO 23247 series of standards on digital twin framework for manufacturing | |
| Lee et al. | Intelligent factory agents with predictive analytics for asset management | |
| Alijani Mamaghani et al. | A framework to implement augmented reality based on BIM to improve operation and maintenance of mechanical facilities of commercial complexes | |
| CN113508349B (zh) | 用于具有混合现实和机器学习技术的qcs扫描架的360°辅助 | |
| Al Rashdan et al. | Automation of data collection methods for online monitoring of nuclear power plants | |
| Al Rashdan et al. | Methods of data collection in nuclear power plants |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |