KR102267286B1 - 데이터 기반의 머신러닝 기술을 이용한 보일러 굴뚝원격감시체계(tms) 자동측정기기의 고장 식별 및 백업 시스템 - Google Patents

데이터 기반의 머신러닝 기술을 이용한 보일러 굴뚝원격감시체계(tms) 자동측정기기의 고장 식별 및 백업 시스템 Download PDF

Info

Publication number
KR102267286B1
KR102267286B1 KR1020200184372A KR20200184372A KR102267286B1 KR 102267286 B1 KR102267286 B1 KR 102267286B1 KR 1020200184372 A KR1020200184372 A KR 1020200184372A KR 20200184372 A KR20200184372 A KR 20200184372A KR 102267286 B1 KR102267286 B1 KR 102267286B1
Authority
KR
South Korea
Prior art keywords
tms
value
failure
automatic
automatic measurement
Prior art date
Application number
KR1020200184372A
Other languages
English (en)
Inventor
고홍철
김아름
고성근
Original Assignee
(주)테크다스
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 (주)테크다스 filed Critical (주)테크다스
Priority to KR1020200184372A priority Critical patent/KR102267286B1/ko
Application granted granted Critical
Publication of KR102267286B1 publication Critical patent/KR102267286B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Control Of Steam Boilers And Waste-Gas Boilers (AREA)
  • Regulation And Control Of Combustion (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 굴뚝원격감시체계(TMS)의 자동측정기기에 대한 고장 식별 및 백업 시스템에 관한 것으로, 공장 컴퓨터 네트워크에 설치된 실시간 데이터 저장 장치(10)로부터 자동측정기기의 측정값 데이터를 제공받는 수신부(110), 수신한 데이터의 잡음을 제거하는 전처리 모듈(120), 머신러닝 원리를 이용하여 보일러의 배기가스 성분의 농도를 예측하는 모듈(130), 상기 자동측정기기 측정값과 상기 예측 모듈(130)의 수식 모델 예측값의 차이가 3 시그마보다 크면 자동측정기기 고장으로 판단하는 TMS 자동측정기기 고장 식별 모듈(140), 상기 TMS 자동측정기기 고장 식별 모듈(140)이 고장이라고 판단 시에 상기 예측모듈(130)의 배기가스 예측값으로 TMS 자동측정기기를 백업하는 모듈(150), TMS 자동측정기기 고장 여부와 예측값을 단말기(170)로 보내는 송신부(160)를 포함하고, TMS 자동측정기기에 대해 고장을 감시하고, 고장을 신속하게 식별하여 제 때에 수리할 수 있게 함으로써 값비싼 TMS 자동측정기기의 신뢰도를 향상하며, 이를 기반으로 대기오염물질의 배출을 기준치 이하로 유지하도록 지원한다. 또한 TMS 자동측정기기가 고장 시에도 대기오염물질의 배출현황을 예측하여 알려줌으로써 상시 대기오염물질 배출량을 관리할 수 있게 해준다.

Description

데이터 기반의 머신러닝 기술을 이용한 보일러 굴뚝원격감시체계(TMS) 자동측정기기의 고장 식별 및 백업 시스템{Tele-Monitoring System(TMS) analyzer fault detection and back-up system using data driven machine learning technology}
본 발명은 데이터 기반의 머신러닝 기술을 이용한 보일러 굴뚝원격감시체계(TMS)의 자동측정기기에 대한 고장 식별 및 백업 시스템과 그 방법에 관한 것으로 특히, 보일러의 운전 데이터에 인공지능 머신러닝 기술을 적용하여 보일러 배기가스의 농도를 예측하는 수식 모델을 CO, NOx, SOx, 탄화수소, 먼지에 대해 각각 만들고, 자동측정기기에 고장이 발생하면 수식 모델의 계산값과 자동측정기기의 측정값의 차이가 커지는 원리에 따라 그 차이가 3시그마보다 크면 TMS 자동측정기기에 고장이 발생한 것으로 판단하고 자동측정기기 측정값 대신에 수식 모델로 계산한 값을 제공해주는, 데이터 기반의 머신러닝 기술을 이용한 보일러 TMS의 자동측정기기에 대한 고장 식별 및 백업 시스템과 그 방법에 관한 것이다.
일반적으로 산업용 보일러는 우리나라에서 에너지 사용량이 가장 많으며, 미세먼지 배출 등 환경오염의 영향도가 가장 크다.
환경부에서는 대기오염물질 배출현황을 감시하기 위하여, 대기오염물질 배출량이 큰 보일러에 대해서 굴뚝에 자동측정기기를 설치하고 실시간으로 대기오염물질의 농도를 분석하여 결과를 전송하는 TMS의 설치를 의무화하고 있다.
대기오염물질의 농도 자동측정기기는 여러 가지 원인에 의해 고장에 노출되어 있다.
예를 들어서 먼지로 인한 시료의 배관이 막히거나, 배기가스 중의 수분이 포함되어 있거나, 먼지 필터와 가열로 전처리가 불량하거나, 진동으로 인해 자동측정기기가 틀어지거나, 적정 시료의 유량아 확보되지 않는 등의 원인에 의해서 자동측정기기가 오지시하는 경우가 발생한다.
이렇게 자동측정기기에 고장이 발생하면 대기오염물질 농도를 규정치 이하로 배출하는지 알 수 없어서 대기오염물질의 배출을 관리하는데 어려움이 발생한다.
이 경우, 기업 입장에서는 고장으로 인해서 배출허용 기준을 초과하는 것으로 인식될 경우에는 불필요하게 법적인 책임을 지거나 고장 발생의 소명자료를 제출해야 하는 불편이 발생한다.
그리고 환경부에서는 반복적으로 배출허용 기준을 초과하면 벌과금 징수나 공장 가동 중단 등의 중징계를 내리고 있다.
이와 같은 문제점을 면하기 위해서는 TMS 자동측정기기의 고장을 감시하고, 고장 발생 시에 자동측정기기 대신에 대기오염물질의 농도를 알려주는 수단이 필요한 실정이다.
본 발명이 이루고자 하는 기술적 과제는 종래의 문제를 개선하기 위한 것으로, 보일러의 운전 데이터에 대해 인공지능 머신러닝 기술을 적용하여 보일러의 배기가스 성분의 농도를 예측하는 수식 모델을 만들고, 수식 모델로 계산한 값과 TMS 자동측정기기의 측정값을 비교하여 그 차이가 일정 값보다 크면 TMS 자동측정기기의 고장으로 판단하여, 수식 모델로 계산한 값으로 자동측정기기의 측정값을 대신하는, 데이터 기반의 머신러닝 기술을 이용한 보일러 TMS의 자동측정기기에 대한 고장 식별 및 백업 시스템을 제공하는 것이다.
또한, 본 발명이 이루고자 하는 기술적 과제는 종래의 불편한 점을 개선하고자 하는 것으로, TMS 자동측정기기에 대해 고장을 감시하고, 고장 시에 대기오염물질의 농도의 예측값을 제공하여 대기오염물질 배출량을 기준치 이하로 유지하도록 지원하는 시스템으로 데이터 기반의 머신러닝 기술을 이용하여 대기오염물질 배출량 예측 모델을 개발하고, 이를 이용하여 보일러 TMS 자동측정기기에 대한 고장 식별과 고장 시에 백업하는 시스템을 제공하는 것이다.
이러한 과제를 해결하기 위한 본 발명의 특징에 따른 데이터 기반의 머신러닝 기술을 이용한 보일러 TMS의 자동측정기기 고장 식별 시스템은,
공장 컴퓨터 네트워크에 설치된 실시간 데이터 저장 장치(10)로부터 자동측정기기의 측정값 데이터를 제공받는 수신부(110),
수신한 데이터의 잡음을 제거하는 전처리 모듈(120),
머신러닝 원리를 이용하여 보일러의 배기가스 성분의 농도를 예측하는 모듈(130),
상기 자동측정기기 측정값과 상기 예측 모듈(130)의 수식 모델 예측값의 차이가 3 시그마보다 크면 자동측정기기 고장으로 판단하는 TMS 자동측정기기 고장 식별 모듈(140),
상기 TMS 자동측정기기 고장 식별 모듈(140)이 고장이라고 판단 시에 상기 예측모듈(130)의 배기가스 예측값으로 TMS 자동측정기기를 백업하는 모듈(150),
TMS 자동측정기기 고장 여부와 예측값을 단말기(170)로 보내는 송신부(160)를 포함한다.
이러한 과제를 해결하기 위한 데이터 기반의 머신러닝 기술을 이용한 보일러의 TMS 자동측정기의 고장 식별 방법은,
데이터 기반의 머신러닝 기술을 이용한 보일러 TMS 자동측정기기의 고장 식별 및 백업 시스템과 그 방법으로서,
전처리 모듈(120)이 수신부(110)로부터 제공받은 데이터의 잡음을 제거하는 단계;
보일러의 배기가스 성분의 농도를 예측하는 모듈(130)이 머신러닝 원리를 이용하여 보일러의 배기가스 성분의 농도를 예측하는 단계;
고장 식별 모듈(140)이 TMS 각각의 성분을 측정하는 자동측정기기에 대해 고장 여부를 식별하는 단계;
TMS 자동측정기기를 백업하는 모듈(150)이 TMS의 각각의 성분 자동측정기기가 고장 시에 배기가스 예측값으로 대신하는 단계를 포함한다.
상기 고장 식별 모듈(140)이 물리 센서의 측정값과 모델 예측값의 차이 r 벡터를 구하되,
물리 센서가 정상이면 r이 0에 근접하지만, 고장이 있으면 r이 임의의 크기를 가지므로 r은 정규분포를 따른다고 가정하고,
r 벡터 요소의 제곱합에서 r 벡터의 요소들이 크기 차이에 따른 영향을 없애기 위하여 측정값과 모델 예측값의 차이의 분산으로 나누어 정규화(Normalization)하고,
Figure 112020141643926-pat00001
Figure 112020141643926-pat00002
여기서 σi 2는 i번째 센서 측정값과 예측값의 차이의 분산이다. 정규화된 요소
Figure 112020141643926-pat00003
가 다른 요소에 대해 독립적으로 표준정규분포 N(0,1)을 따르므로 제곱의 합
Figure 112020141643926-pat00004
는 물리 센서의 수만큼 자유도를 갖는 카이-제곱(χ2) 분포를 따른다.
상기 고장 식별 모듈(140)이
Figure 112020141643926-pat00005
가 하기 수학식과 같이 자유도
Figure 112020141643926-pat00006
에 유의수준
Figure 112020141643926-pat00007
의 카이-제곱 기준값보다 크면 물리 센서에 고장이 있다고 판단하고,
Figure 112020141643926-pat00008
여기서, 유의수준
Figure 112020141643926-pat00009
로 0.1을 적용한다.
Figure 112020141643926-pat00010
는 자유도로서 측정 센서의 개수이다.
상기의 TMS 자동측정기기 백업 모듈(150)은 배기가스 농도 수식 모델로 예측한 값과 자동측정기기로 측정한 값의 차이가 3 시그마보다 커서 자동측정기기 고장으로 판단되면, 자동측정기기 농도에 대해 수식 모델로 예측한 값을 배기가스의 현재 값으로 결정하는 것을 특징으로 한다.
본 발명의 실시예에서는, 보일러의 운전 데이터에 대해 인공지능 머신러닝 기술을 적용하여 보일러의 배기가스 성분의 농도를 예측하는 수식 모델을 만들고, 수식 모델로 계산한 값과 TMS 자동측정기기의 측정값을 비교하여 그 차이가 일정 값보다 크면 TMS 자동측정기기에 고장이 발생한 것으로 판단하여, 수식 모델로 계산한 값으로 자동측정기기의 측정값을 대신하는, 데이터 기반의 머신러닝 기술을 이용한 보일러 TMS의 자동측정기기에 대한 고장 식별 및 백업 시스템을 제공할 수 있다.
또한, 본 발명의 실시예에서는, TMS 자동측정기기에 대해 고장을 감시하고, 고장 시에 대기오염물질의 농도의 예측값을 제공하여 대기오염물질 배출을 기준치 이하로 유지하도록 지원하는 시스템으로 데이터 기반의 머신러닝 기술을 이용하여 대기오염물질 배출량 예측 모델을 개발하고, 이를 이용하여 보일러 TMS 자동측정기기에 대한 고장 식별과 고장 시에 백업하는 시스템을 제공할 수 있다.
또한, 본 발명의 실시예에서는, TMS 자동측정기기에 대해 고장을 감시하고, 고장을 신속하게 식별하여 제 때에 수리할 수 있게 함으로써 값비싼 TMS 자동측정기기의 신뢰도를 향상하며, 이를 기반으로 대기오염물질의 배출을 기준치 이하로 유지하도록 지원한다. 또한 TMS 자동측정기기가 고장 시에도 대기오염물질의 배출현황을 예측하여 알려줌으로써 상시 대기오염물질 배출량을 관리할 수 있게 해준다.
도 1은 본 발명의 실시예에 따른 데이터 기반의 머신러닝 기술을 이용한 보일러 TMS의 자동측정기기에 대한 고장 식별 및 백업 시스템의 구성도이다.
도 2는 본 발명의 실시예에 따른 데이터 기반의 머신러닝 기술을 이용한 보일러 TMS의 자동측정기기에 대한 고장 식별 및 백업 시스템에서 적용되는 배기가스 농도 예측 계산식의 입력 파라미터 예시이다.
도 3은 본 발명의 실시예에 따른 데이터 기반의 머신러닝 기술을 이용한 보일러 TMS의 자동측정기기에 대한 고장 식별 및 백업 시스템에서 적용되는, PLS 기법으로 수식 모델을 개발하는 NIPALS(Non-iterative Partial Least Square) 알고리즘으로 Wold S, Esbensen K, Geladi P가 제안한 방법의 계산 흐름도이다.
도 4는 TMS 자동측정기기에 대한 고장 식별 절차의 구성도이다.
도 5는 물리 센서의 고장 여부를 판단하는데 필요한 카이-제곱 기준값을 찾는 카이-제곱 분포표이다.
도 6은 TMS 배기가스 자동측정기기의 고장 여부를 판단하는 사례로서 보일러의 단순구성도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본 발명의 실시예에 따른 데이터 기반의 머신러닝 기술을 이용한 보일러 TMS의 자동측정기기에 대한 고장 식별 및 백업 시스템의 구성도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 데이터 기반의 머신러닝 기술을 이용한 보일러 TMS의 자동측정기기에 대한 고장 식별 및 백업 시스템은,
공장 컴퓨터 네트워크에 설치된 실시간 데이터 저장 장치(10)로부터 데이터를 제공받는 수신부(110),
수신한 데이터의 잡음을 제거하는 전처리 모듈(120),
머신러닝 원리를 이용하여 보일러의 배기가스 성분의 농도를 예측하는 모듈(130),
TMS 자동측정기기 고장을 식별하는 모듈(140),
고장 식별 시에 배기가스 예측값으로 TMS 자동측정기기를 백업하는 모듈(150),
TMS 자동측정기기 고장 여부와 예측값을 단말기(170)로 보내는 송신부(160)를 포함한다.
본 발명의 실시예에서는 배기가스의 CO, NOx, SOx, 탄화수소, 먼지의 농도를 수식 모델로 예측하고, 예측값을 자동측정기기의 측정값과 비교하여 그 차이가 크면 배기가스의 CO, NOx, SOx, 탄화수소, 먼지 자동측정기기가 고장이라고 판단하는 단순한 원리에 기반한다.
먼저 상기 배기가스 농도 예측 모듈(130)은 수식 모델을 이용하여 배기가스에 포함된 성분의 농도를 예측한다. 여기서 수식 모델은 유량, 온도, 압력과 같은 물리 센서가 만들어낸 파라미터를 머신러닝 알고리즘으로 결합해 배기가스의 CO, NOx, SOx, 탄화수소, 먼지의 농도를 예측하는 계산식을 말한다.
머신러닝 기법으로 잠재변수 모델(Latent Variable Model)로 분류되는 부분최소제곱법(PLS)을 사용한다.
통상적으로 보일러에는 도 2의 물리 센서가 설치되어 있다.
보일러에 설치된 물리 센서 값을 파라미터로 포함하여 배기가스 농도를 예측하는 수식 모델을 구성하는데, 실제 보일러에는 도 2의 물리 센서가 모두 있는 것은 아니므로 수식 모델의 파라미터가 다를 수 있다.
상기 배기가스 농도 예측 모듈(130)은 최소 3개월에서 길게는 1년 동안 배기가스의 CO, NOx, SOx, 탄화수소, 먼지의 농도 분석값과 동시간의 물리 센서 측정값을 수집하여 학습 데이터를 마련하고, PLS기법으로 머신러닝을 실시하여 CO, NOx, SOx, 탄화수소, 먼지의 농도를 예측한다.
특히, 도 3의 NIPALS(Non-iterative Partial Least Square) 알고리즘에 따라 수식 모델을 실행한다.
본 발명의 실시예에서는 NIPALS 알고리즘으로 Wold S. 등이 1987년에 제안한 것(Principal component analysis. Chemometrics Intell. Lab. Syst. 1987; 2: Page 37~52)을 이용한다.
상기의 배기가스 농도 예측 모듈(130)은 NIPALS 알고리즘으로 개발한 수식 모델의 파라미터에 현재의 물리 센서 측정값을 입력하여 현재의 배기가스 CO, NOx, SOx, 탄화수소, 먼지의 농도를 예측할 수 있다.
상기의 TMS 자동측정기기의 고장 식별 모듈(140)은 TMS에 설치된 자동측정기기에 고장이 있는지를 판단한다.
도 4와 같이 배기가스 농도 수식 모델로 예측한 값과 자동측정기기로 측정한 값의 차이가 3 시그마보다 크면 자동측정기기 고장으로 판단한다.
자동측정기기에 고장이 있으면, 자동측정기기 측정값과 모델 예측값의 차이가 커지는 원리를 따른 것이다. 단, 이 판단이 유효하려면 수식 모델의 파라미터에 해당하는 물리 센서가 모두 고장이 없어야 한다. 왜냐하면 수식 모델의 파라미터에 해당하는 물리 센서가 하나라도 고장이 있으면 배기가스 농도 예측값이 부정확해지고 이로 인해 자동측정기기에 대해 고장 여부를 판단할 수 없기 때문이다. 여기서 시그마는 학습 데이터에 적용한 수식 모델 예측값과 측정값의 차이의 표준편차이다.
따라서 상기의 TMS 자동측정기기의 고장 식별 모듈(140)은 물리 센서 고장 식별 과정을 포함한다.
여기서, 물리 센서 고장 식별을 위해 사용하는 기존의 방법에서는 자동측정기기의 고장 식별 방법과 동일하다. 즉, 물리 센서를 예측하는 수식 모델의 계산값과 물리 센서의 측정값의 차이가 3 시그마보다 크면 고장으로 판단한다.
본 발명에서는 물리 센서 고장을 다음의 수학식 1 내지 수학식 3을 통해 판단한다.
여러 물리 센서가 서로 상관관계가 있으므로 단변량 통계분석보다는 다변량 통계분석이 더 적합하다. 단순히 물리 센서 각각에 대해 3 시그마를 기준으로 평가하는 방법보다 고장 식별이 일관적이다.
자동측정기기의 수식 모델과 마찬가지로 물리 센서의 수식 모델도 PLS 모델로서 NIPALS 알고리즘으로 구현한다.
물리 센서의 측정값과 모델 예측값의 차이 r 벡터를 구한다. 물리 센서가 정상이면 r이 0에 근접하지만, 고장이 있으면 r이 임의의 크기를 가지므로 r은 정규분포를 따른다고 가정할 수 있다. r 벡터 요소의 제곱합, 즉 아래 수학식 1에는 r 벡터 요소들의 크기 차이에 따른 영향을 없애기 위하여 수학식 2와 같이 측정값과 모델 예측값의 차이의 분산으로 나누어 정규화(Normalization)하는 과정이 있다.
Figure 112020141643926-pat00011
Figure 112020141643926-pat00012
여기서 σi2는 i번째 센서 측정값과 예측값의 차이의 분산이다. 정규화된 요소
Figure 112020141643926-pat00013
가 다른 요소에 대해 독립적으로 표준정규분포 N(0,1)을 따르므로 제곱의 합
Figure 112020141643926-pat00014
는 물리 센서의 수만큼 자유도를 갖는 카이-제곱(χ2) 분포를 따른다. 따라서
Figure 112020141643926-pat00015
가 수학식 3과 같이 자유도
Figure 112020141643926-pat00016
에 유의수준
Figure 112020141643926-pat00017
의 카이-제곱 기준값보다 크면 물리 센서에 고장이 있다고 판단할 수 있다.
Figure 112020141643926-pat00018
본 발명의 실시예에서는 유의수준
Figure 112020141643926-pat00019
로 0.1을 적용한다.
Figure 112020141643926-pat00020
는 자유도로서 측정 센서의 개수이다. 도 5의 카이-제곱 분포표에서 α와
Figure 112020141643926-pat00021
에 대한 기준치를 찾는다.
상기의 TMS 자동측정기기 백업 모듈(150)은
Figure 112020141643926-pat00022
가 수학식 3을 만족하지 못하여 물리 센서에 고장이 없다고 판단되는 상황에서, 도 4와 같이 배기가스 농도 수식 모델로 예측한 값과 자동측정기기로 측정한 값의 차이가 3 시그마보다 커서 자동측정기기 고장으로 판단되면, 자동측정기기 농도에 대해 수식 모델로 예측한 값을 배기가스의 현재 값으로 결정한다.
본 발명의 이해를 돕기 위하여 사례를 통해 자동측정기기 고장 식별 과정을 설명하고자 한다.
먼저 PLS 수식 모델을 예로 설명한다.
도 6의 보일러에는 LNG 유량(x1), 공급수 온도(x2), 고압스팀 유량(x3), 고압스팀 온도(x4), 공기 온도(x5), 굴뚝 온도(x6) 센서가 설치되어 있다.
배기가스 CO 농도를 예측하는 PLS 수식 모델은 6개의 센서 측정값을 파라미터로 한다.
보일러 과거 운전 데이터에 대해 NIPALS 알고리즘을 적용하여 PLS 수식 모델을 구현하고, 이를 이용하여 자동측정기기의 정상 여부를 판단한다.
먼저 CO 예측 모델은 6개의 파라미터로 구성되며 아래와 같다.
yp = 0.005 x1 + 0.361 x2 + 0.298 x3 + 1.926 x4 - 0.059 x5 + 0.458 x6 - 502.306
x1부터 x6까지의 파라미터 예측 모델은 자신을 제외한 5개의 파라미터로 구성되며 아래와 같다.
x1p = -26.658 x2 + 21.409 x3 + 105.178 x4 - 5.692 x5 + 24.315 x6 -22978.523
x2p = -0.001 x1 - 0.045 x3 +0.184 x4 + 0.052 x5 + 0.096 x6 +43.810
x3p = 0.005 x1 - 0.608 x2 + 1.665 x4 - 0.094 x5 +0.343 x6 ?? 337.859
x4p = 0.000 x1 - 0.153 x2 + 0.027 x3 - 0.013 x5 + 0.017 x6 + 227.978
x5p =-0.007 x1 + 6.350 x2 - 0.456 x3 - 5.046 x4 + 0.180 x6 + 483.683
x6p = 0.011 x1 + 3.769 x2 + 0.601 x3 - 0.54 x4 + 0.084 x5 - 78.770
여기서 파라미터 명에 붙어 있는 p는 파라미터의 예측 모델 계산값을 의미한다. 학습용 데이터를 이용하면 측정값 대비 모델 예측값의 차이의 표준편차는 CO 농도가 4.39이고, σ1부터 σ6까지는 9.29, 1.50, 0.25, 0.51, 0.27, 1.03이다.
이 때 관측값 x1부터 x6가 1355.03, 99.18, 21.75, 216.55, 30.48, 160.50이고, CO 자동측정기기의 측정값 y가 51.05ppm일 때 이 값은 CO 자동측정기기에 고장이 없으므로 믿을 만한가를 판단한다.
위의 CO 예측 모델에 x1부터 X6 파라미터 측정값을 입력하면, CO 예측값은 35.46이다. 예측값과 측정값의 차이는 35.46-51.05로 15.59이며, 이를 시그마 수준으로 표현하기 위하여 표준편차 4.39로 나누면 3.55 시그마이다. 차이가 3시그마보다 크므로 만약에 물리 센서가 모두 정상이면, CO 자동측정기기는 고장이므로 측정값 대신에 예측값을 사용하여야 한다.
파라미터의 예측값 x1p 부터 x6p까지는 1348.70, 98.91, 21.43, 216.37, 30.61, 162.02이고, 측정값과의 차이 r1부터 r6까지는 6.33, 0.27, 0.32, 0.18, -0.13, -1.52이다. 수학식 1을 풀어서 표현하면
Figure 112020141643926-pat00023
는 다음과 같이 계산된다.
Figure 112020141643926-pat00024
도 5로부터 자유도 6에 유의수준 0.1에 대한 카이-제곱 기준치를 찾으면 10.65이다.
수학식 3을 충족하지 않으므로 물리 센서에는 고장이 없다.
따라서 CO 자동측정기기는 고장이다.
CO 자동측정기기 측정값 51.05ppm 은 믿을 수 없으며, 대신에 예측값 35.46ppm을 출력한다.
본 발명의 실시예에서는, 보일러의 운전 데이터에 대해 인공지능 머신러닝 기술을 적용하여 보일러의 배기가스 성분의 농도를 예측하는 수식 모델을 만들고, 수식 모델로 계산한 값과 TMS 자동측정기기의 측정값을 비교하여 그 차이가 일정 값보다 크면 TMS 자동측정기기에 대해 고장으로 판단하여, 수식 모델로 계산한 값으로 자동측정기기의 측정값을 대신할 수 있다.
또한, 본 발명의 실시예에서는, TMS 자동측정기기에 대해 고장을 감시하고, 고장 시에 대기오염물질의 농도의 예측값을 제공하여 대기오염물질 배출을 기준치 이하로 유지하도록 지원하는 시스템으로 데이터 기반의 머신러닝 기술을 이용하여 대기오염물질 배출량 예측 모델을 개발하고, 이를 이용하여 보일러 TMS 자동측정기기에 대한 고장 식별과 고장 시에 백업하는 시스템을 제공할 수 있다.
또한, 본 발명의 실시예에서는, TMS 자동측정기기에 대해 고장을 감시하고, 고장을 신속하게 식별하여 제 때에 수리할 수 있게 함으로써 값비싼 TMS 자동측정기기의 신뢰도를 향상하며, 이를 기반으로 대기오염물질의 배출을 기준치 이하로 유지하도록 지원한다. 또한 TMS 자동측정기기가 고장 시에도 대기오염물질의 배출현황을 예측하여 알려줌으로써 상시 대기오염물질 배출량을 관리할 수 있게 해준다.
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (3)

  1. 공장 컴퓨터 네트워크에 설치된 실시간 데이터 저장 장치(10)로부터 자동측정기기의 측정값 데이터를 제공받는 수신부(110),
    수신한 데이터의 잡음을 제거하는 전처리 모듈(120),
    유량, 온도 및 압력과 같은 물리 센서가 만들어낸 파라미터를 잠재변수 모델(Latent Variable Model)로 분류되는 부분최소제곱법(PLS)을 사용하여 배기가스의 CO, NOx, SOx, 탄화수소 및 먼지의 농도를 예측하는 예측 모듈(130),
    상기 자동측정기기 측정값과 상기 예측 모듈(130)의 수식 모델 예측값의 차이가 3 시그마보다 크면 자동측정기기 고장으로 판단하는 TMS 자동측정기기 고장 식별 모듈(140),
    상기 TMS 자동측정기기 고장 식별 모듈(140)이 고장이라고 판단 시에 상기 예측모듈(130)의 배기가스 예측값으로 TMS 자동측정기기를 백업하는 모듈(150),
    TMS 자동측정기기 고장 여부와 예측값을 단말기(170)로 보내는 송신부(160)를 포함하고,
    상기 고장 식별 모듈(140)이 물리 센서의 측정값과 모델 예측값의 차이 r 벡터를 구하되,
    물리 센서가 정상이면 r이 0에 근접하지만, 고장이 있으면 r이 임의의 크기를 가지므로 r은 정규분포를 따른다고 가정하고,
    r 벡터 요소의 제곱합, 즉 아래 수학식 에는 r 벡터의 요소들이 크기 차이에 따른 영향을 없애기 위하여 측정값과 모델 예측값의 차이의 분산으로 나누어 정규화(Normalization)하고,
    Figure 112021022841341-pat00025


    Figure 112021022841341-pat00026


    (여기서 σi2는 i번째 센서 측정값과 예측값의 차이의 분산이다. 정규화된 요소
    Figure 112021022841341-pat00027
    가 다른 요소에 대해 독립적으로 표준정규분포 N(0,1)을 따르므로 제곱의 합
    Figure 112021022841341-pat00028
    는 물리 센서의 수만큼 자유도를 갖는 카이-제곱(χ2) 분포를 따른다.)

    상기 고장 식별 모듈(140)이
    Figure 112021022841341-pat00029
    가 하기 수학식과 같이 자유도
    Figure 112021022841341-pat00030
    에 유의수준
    Figure 112021022841341-pat00031
    의 카이-제곱 기준값보다 크면 물리 센서에 고장이 있다고 판단하고,
    Figure 112021022841341-pat00032

    (여기서, 유의수준
    Figure 112021022841341-pat00033
    로 0.1을 적용한다.
    Figure 112021022841341-pat00034
    는 자유도로서 측정 센서의 개수이다. )
    상기의 TMS 자동측정기기 백업 모듈(150)은 배기가스 농도 수식 모델로 예측한 값과 자동측정기기로 측정한 값의 차이가 3 시그마보다 커서 자동측정기기 고장으로 판단되면, 자동측정기기 농도에 대해 수식 모델로 예측한 값을 배기가스의 현재 값으로 결정하는 것을 특징으로 하는 데이터 기반의 머신러닝 기술을 이용한 보일러 TMS의 자동측정기기에 대한 고장 식별 및 백업 시스템.
  2. 삭제
  3. 데이터 기반의 머신러닝 기술을 이용한 보일러 TMS 자동측정기기에 대한 고장 식별 및 백업 시스템과 그 방법으로서,
    전처리 모듈(120)이 수신부(110)로부터 제공받은 데이터의 잡음을 제거하는 단계;
    예측 모듈(130)이 유량, 온도 및 압력과 같은 물리 센서가 만들어낸 파라미터를 잠재변수 모델(Latent Variable Model)로 분류되는 부분최소제곱법(PLS)을 사용하여 배기가스의 CO, NOx, SOx, 탄화수소 및 먼지의 농도를 예측하는 단계;
    고장 식별 모듈(140)이 TMS 각각의 성분을 측정하는 자동측정기기에 대한 고장 여부를 식별하는 단계;
    TMS 자동측정기기를 백업하는 모듈(150)이 TMS의 각각의 성분 자동측정기기에 대하여 고장 시에 배기가스 예측값으로 대신하는 단계를 포함하고,
    상기 고장 식별 모듈(140)이 물리 센서의 측정값과 모델 예측값의 차이 r 벡터를 구하되,
    물리 센서가 정상이면 r이 0에 근접하지만, 고장이 있으면 r이 임의의 크기를 가지므로 r은 정규분포를 따른다고 가정하고,
    r 벡터 요소의 제곱합, 즉 아래 수학식 에는 r 벡터의 요소들이 크기 차이에 따른 영향을 없애기 위하여 측정값과 모델 예측값의 차이의 분산으로 나누어 정규화(Normalization)하고,
    Figure 112021022841341-pat00041


    Figure 112021022841341-pat00042


    (여기서 σi2는 i번째 센서 측정값과 예측값의 차이의 분산이다. 정규화된 요소
    Figure 112021022841341-pat00043
    가 다른 요소에 대해 독립적으로 표준정규분포 N(0,1)을 따르므로 제곱의 합
    Figure 112021022841341-pat00044
    는 물리 센서의 수만큼 자유도를 갖는 카이-제곱(χ2) 분포를 따른다.)

    상기 고장 식별 모듈(140)이
    Figure 112021022841341-pat00045
    가 하기 수학식과 같이 자유도
    Figure 112021022841341-pat00046
    에 유의수준
    Figure 112021022841341-pat00047
    의 카이-제곱 기준값보다 크면 물리 센서에 고장이 있다고 판단하고,
    Figure 112021022841341-pat00048

    (여기서, 유의수준
    Figure 112021022841341-pat00049
    로 0.1을 적용한다.
    Figure 112021022841341-pat00050
    는 자유도로서 측정 센서의 개수이다. )
    상기의 TMS 자동측정기기 백업 모듈(150)은 배기가스 농도 수식 모델로 예측한 값과 자동측정기기로 측정한 값의 차이가 3 시그마보다 커서 자동측정기기 고장으로 판단되면, 자동측정기기 농도에 대해 수식 모델로 예측한 값을 배기가스의 현재 값으로 결정하는 것을 특징으로 하는
    데이터 기반의 머신러닝 기술을 이용한 보일러 TMS의 자동측정기기에 대한 고장 식별 및 백업 방법.
KR1020200184372A 2020-12-28 2020-12-28 데이터 기반의 머신러닝 기술을 이용한 보일러 굴뚝원격감시체계(tms) 자동측정기기의 고장 식별 및 백업 시스템 KR102267286B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200184372A KR102267286B1 (ko) 2020-12-28 2020-12-28 데이터 기반의 머신러닝 기술을 이용한 보일러 굴뚝원격감시체계(tms) 자동측정기기의 고장 식별 및 백업 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200184372A KR102267286B1 (ko) 2020-12-28 2020-12-28 데이터 기반의 머신러닝 기술을 이용한 보일러 굴뚝원격감시체계(tms) 자동측정기기의 고장 식별 및 백업 시스템

Publications (1)

Publication Number Publication Date
KR102267286B1 true KR102267286B1 (ko) 2021-06-22

Family

ID=76600872

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200184372A KR102267286B1 (ko) 2020-12-28 2020-12-28 데이터 기반의 머신러닝 기술을 이용한 보일러 굴뚝원격감시체계(tms) 자동측정기기의 고장 식별 및 백업 시스템

Country Status (1)

Country Link
KR (1) KR102267286B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116399400A (zh) * 2023-04-13 2023-07-07 大唐绥化热电有限公司 一种锅炉机组运行故障检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0960549A (ja) * 1995-08-21 1997-03-04 Fujitsu Ten Ltd センサの故障モードによる被制御機器の制御方法および装置
JP2001242154A (ja) * 2000-02-28 2001-09-07 Hitachi Ltd 燃焼排ガス中のダイオキシン濃度の推定方法および装置とそれを用いた廃棄物燃焼炉制御装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0960549A (ja) * 1995-08-21 1997-03-04 Fujitsu Ten Ltd センサの故障モードによる被制御機器の制御方法および装置
JP2001242154A (ja) * 2000-02-28 2001-09-07 Hitachi Ltd 燃焼排ガス中のダイオキシン濃度の推定方法および装置とそれを用いた廃棄物燃焼炉制御装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116399400A (zh) * 2023-04-13 2023-07-07 大唐绥化热电有限公司 一种锅炉机组运行故障检测方法及系统
CN116399400B (zh) * 2023-04-13 2023-12-15 大唐绥化热电有限公司 一种锅炉机组运行故障检测方法及系统

Similar Documents

Publication Publication Date Title
Hashemian State-of-the-art predictive maintenance techniques
WO2020052147A1 (zh) 监测设备故障检测方法及装置
US6970808B2 (en) Realtime computer assisted leak detection/location reporting and inventory loss monitoring system of pipeline network systems
EP2423768B1 (en) Sensor validation and value replacement for continuous emissions monitoring
JP4610649B2 (ja) 化学検出システムを診断する装置および方法
JP3449560B2 (ja) 産業プロセス監視システム
US7873581B2 (en) Method and system for determining the reliability of a DC motor system
EP2247990B1 (en) Developments in or relating to a condensate recovery system
Chen et al. Status self-validation of sensor arrays using gray forecasting model and bootstrap method
JP2008198213A (ja) センサの性能確認装置および方法
CN112799898B (zh) 基于分布式故障检测的互联系统故障节点定位方法及系统
US10581665B2 (en) Content-aware anomaly detection and diagnosis
KR102267286B1 (ko) 데이터 기반의 머신러닝 기술을 이용한 보일러 굴뚝원격감시체계(tms) 자동측정기기의 고장 식별 및 백업 시스템
US7698074B1 (en) Emission monitoring methods and systems
KR102297804B1 (ko) 대기 시료 채취 장치, 시스템 및 방법
CN112763655A (zh) 一种自动质控方法、系统及装置
Katipamula et al. Automated proactive techniques for commissioning air-handling units
Dzakowic et al. Advanced Techniques for the verification and validation of prognostics & health management capabilities
Singer et al. A pattern-recognition-based, fault-tolerant monitoring and diagnostic technique
US20230359191A1 (en) System and method for determining a cause of an operating anomaly of a machine, computer program and electronically readable data storage device
CN118053275B (zh) 一种激光甲烷报警器运行管理系统
KR102561073B1 (ko) 실시간 효율 관리선을 이용한 산업용 보일러의 스마트 성능 모니터링 시스템
JP2016081104A (ja) プロセス診断支援装置
US11977001B2 (en) Monitoring full emissions profile of a natural gas compressor
Buswell et al. Model-based condition monitoring of a HVAC cooling coil sub-system in a real building

Legal Events

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