KR102268733B1 - 선박기관의 고장검출 방법 및 시스템 - Google Patents

Abstract

본 발명은 선박기관 고장검출 방법 및 시스템을 제공한다. 이와 같은 본 발명에 따른 선박기관 고장검출 방법은 선박의 운항데이터를 수집하여 선박 운전과 무관한 무효데이터와 선박 운전과 유관한 유효데이터를 식별하고, 유효데이터를 추출하여 저장하는 제1단계; 상기 유효데이터 중에서 선박운전이 정상상태인 때의 정상상태 운항데이터와 선박운전이 비정상상태인 때의 비정상상태 운항데이터를 식별, 추출하여 저장하는 제2단계; 상기 정상상태 운항데이터로 정상상태를, 상기 비정상상태 운항데이터로 비정상상태를 학습시켜, 운항데이터를 출력하는 각 기기의 고장 여부를 판단하는 인공신경망을 형성시키는 제3단계;를 포함하여 이루어지는 것을 특징으로 한다.

Description

선박기관의 고장검출 방법 및 시스템{Ship engine failure detection method and system}

본 발명은 선박기관의 고장검출 시스템에 관한 것으로, 더욱 상세하게는 기계학습기법과 인공신경망학습기법을 이용하여 선박기관의 고장을 검출하고, 검출된 고장 종류에 따라 고장진단코드를 발생시키는 선박기관의 고장검출 시스템에 관한 것이다.

선박에 구비되는 주기관과 그 주변장치들을 포함하는 기관설비는 선박이 항해하는 데 있어 중요한 몫을 담당하고 있다. 한편, 기관설비 고장에 의한 해양사고는 전체 해양사고의 약 20%에 이르는 것으로 집계되고 있다. 이러한 사고는 선박 운항에 있어서 안전성 및 경제성 측면의 큰 손실로 이어질 수 있다. 특히, 최근 활발히 개발되고 있는 전기추진선박의 경우 기관설비의 고장이 발생하면 대형 안전사고가 발생할 가능성이 높다.

그러므로, 선박용 기관설비의 상태 감시 및 이상 경보에 대한 신속하고 적절한 조치는 선박 운항에 있어서 안전성 및 경제성을 위해서 매우 중요하다. 만약 유지보수 업무를 담당하는 엔지니어의 고장원인에 대한 진단 오류 등으로 인하여 적절한 조치를 취하지 못하게 되면 이는 곧 대형사고 및 재산 손해로 이어질 수 있다.

따라서 선박용 기관설비의 객관적인 고장을 진단하고, 위험을 미리 예측하여 사고를 방지하기 위한 고장진단 기술에 대한 수요가 증가하고 있는 추세이다.

이러한 기술로서, '선박의 고장 진단 장치(등록번호 : 10-1732625)'에서는 선박의 엔진과 엔진과 관련된 계통의 다수의 장치에 대해 각 장치의 동작 상태 정보를 나타내는 동작 상태 데이터를 통계 데이터와 비교하여 고장 원인을 분석하고, 분석된 고장 원인을 해결할 수 있는 대책을 제안하는 선박의 고장 진단 장치를 제시하고 있다.

그러나 상술한 문헌에서는 센서부로부터 검출된 각각의 기기에 대한 상태 데이터를 이용하여 가공된 통계 데이터만을 이용하여 이상신호가 검출되는 기기의 고장 발생 여부를 진단하므로 각각의 기기에 대한 상태 데이터가 충분히 누적되지 않은 경우에는 고장을 검출하는데 어려움이 존재하고, 기기의 고장진단에 고려하지 않아도 되는 무효데이터도 함께 고려하게 되므로 고장진단의 정확도가 저하된다는 한계가 존재하므로 이에 대한 새로운 기술 개발이 요구되는 시점이다.

KR 10-1732625 B1

본 발명은 상기한 문제점을 해결하기 위한 것으로, 정상운전상태와 비정상운전상태에서의 운항데이터를 수집하여 선박기관의 고장상태를 학습하고 데이터를 누적함으로써 실제 고장이 발생하는 경우 학습된 내용으로 고장을 추론하여 검출할 수 있도록 하는 선박기관의 고장검출 시스템을 제공하는 것을 목적으로 한다.

상술한 목적을 달성하기 위한 본 발명의 특징에 의하면, 본 발명은 선박의 운항데이터를 수집하여 선박 운전과 무관한 무효데이터와 선박 운전과 유관한 유효데이터를 식별하고, 유효데이터를 추출하여 저장하는 제1단계; 상기 유효데이터 중에서 선박운전이 정상상태인 때의 정상상태 운항데이터와 선박운전이 비정상상태인 때의 비정상상태 운항데이터를 식별, 추출하여 저장하는 제2단계; 상기 정상상태 운항데이터로 정상상태를, 상기 비정상상태 운항데이터로 비정상상태를 학습시켜, 운항데이터를 출력하는 각 기기의 고장 여부를 판단하는 인공신경망을 형성시키는 제3단계; 를 포함하여 이루어지며 상기 무효데이터는, 선박의 기기가 정지되어 있을 때 수집된 데이터, 디젤엔진의 경우 시동 및 정지 직후, 급격한 부하 변동 구간에서 수집된 데이터, 외란에 의해 발생된 노이즈, 데이터 수집 중 누락되는 구간 발생시의 데이터를 포함하는 결측데이터인 것을 특징으로 한다.

삭제

이와 같은 본 발명에 따른 선박기관 고장검출 방법의 상기 정상상태 운항데이터는, 선박의 기기의 운전 중 알람 변수 데이터의 알람 발생 제한 범위 내의 모든 데이터, 선택된 변수의 평균으로부터 설정된 범위 이내이거나 비정상작동 판단 구간 내에서 취득된 데이터인 것을 특징으로 한다.

이와 같은 본 발명에 따른 선박기관 고장검출 방법의 상기 비정상상태 운항데이터는, 선박의 기기 운전 중 비정상 진동 발생시의 데이터, 선박의 기기 운전 중 성능이 해상 시운전(sea trial) 및 공장 시운전(shop test) 데이터를 기준으로 설정된 범위 이외의 데이터, 선박의 기기의 운전 중 알람 변수 데이터의 알람 발생 제한 범위 이외의 모든 데이터, 선택된 변수의 평균으로부터 설정된 범위 이외이거나 비정상작동 판단 구간 외에서 취득된 데이터인 것을 특징으로 한다.

이와 같은 본 발명에 따른 선박기관 고장검출 방법의 상기 제3단계는, 기계학습 알고리즘에 따라 정상상태 및 비정상상태를 학습하는 것을 특징으로 한다.

이와 같은 본 발명에 따른 선박기관 고장검출 방법의 상기 제3단계는, 인공신경망학습 알고리즘에 따라 정상상태 및 비정상상태를 학습하는 것을 특징으로 한다.

이와 같은 본 발명에 따른 선박기관 고장검출 방법은 선박의 각 기기를 계통 구분하고, 각 기기에 대하여 계통별 순차 식별하는 코드로 예지정비코드를 생산 출력하는 제4단계를 더 포함하는 것을 특징으로 한다.

이와 같은 본 발명에 따른 선박기관 고장검출 방법의 상기 예지정비코드는, 선박운항에 영향을 미치는 위험정도에 따라 level이 구분되는 것을 특징으로 한다.

또한, 상술한 목적을 달성하기 위한 본 발명의 특징에 의하면, 선박의 운항데이터를 수집하여 데이터베이스에 저장하는 데이터 수집부; 상기 데이터베이스에 저장된 선박의 운항데이터를 유효데이터와 무효데이터로 구분하고, 상기 유효데이터를 정상상태 운항데이터와 비정상상태 운항데이터로 분류하여 상기 데이터베이스에 누적시키는 데이터 전처리부; 상기 데이터베이스에 누적된 유효데이터를 이용하여 선박기관의 정상운전상태와 비정상운전상태를 기계학습하고, 상기 유효데이터가 인공신경망학습을 수행 가능한 만큼 충분히 누적되면 인공신경망학습을 통해 학습하는 데이터 학습부; 상기 데이터 학습부에서 학습된 내용을 기반으로 선박기관의 고장을 검출하고, 그 결과를 데이터베이스에 저장하는 고장 검출부; 및 상기 고장 검출부에서 선박기관의 고장이 검출되면 고장 단계에 따라 알람 신호를 발생시키는 모니터링부를 포함하여 구성되는 것을 기술적 요지로 한다.

이와 같은 본 발명에 따른 선박기관 고장검출 시스템의 상기 고장 검출부는, 검출된 고장의 종류에 따라 예지정비코드를 발생시키고, 발생된 상기 예지정비코드를 상기 모니터링부로 전달하는 것을 특징으로 한다.

이와 같은 본 발명에 따른 선박기관 고장검출 시스템의 상기 데이터 학습부는, 확률통계수치, 전문가 지식, 제작사 가이드 중 선택된 어느하나 이상을 기준으로 상관분석 또는 회귀분석 기법을 활용하여 기계학습을 수행하는 것을 특징으로 한다.

이와 같은 본 발명에 따른 선박기관 고장검출 시스템의 상기 데이터 학습부는, 빅데이터 기반으로 인공신경망학습을 수행하는 것을 특징으로 한다.

이와 같은 본 발명에 따른 선박기관 고장검출 방법 및 시스템의 상기 운항데이터는, 선종에 따라 구분되는 선종별 데이터, 선박 운항 기기들에서 출력되는 선박기기 데이터, 선박 항해상태를 감지하는 선박항해상태 데이터인 것을 특징으로 한다.

상기 과제의 해결수단에 의한 본 발명은, 선박기관의 고장을 검출함으로써 해상안전사고를 미연에 방지할 수 있는 효과가 있다.

또한, 학습을 위해 수집된 데이터가 충분하지 않을 경우 확률통계수치, 전문가 지식, 제작사 가이드, 시운전 데이터 등을 활용한 기계학습을 통해 고장을 검출하고, 데이터가 충분히 누적된 이후에는 인공신경망학습을 통해 고장을 검출하므로 고장검출의 정확도를 향상시킬 수 있다.

추가로, 고장진단코드를 발생시킴으로써 선박기관에서 고장이 발생한 부속과 그 원인을 관리자가 직관적으로 확인할 수 있고, 그에 따라 신속한 대응이 가능하다는 이점이 있다.

도 1은 본 발명의 실시예에 따른 선박기관 고장검출 방법의 순서도.
도 2는 본 발명의 실시예에 따른 유효데이터와 무효데이터의 분류 예시도.
도 3 및 도 4는 본 발명의 실시예에 따른 유효데이터의 정상상태 운항데이터와 비정상상태 운항데이터의 분류 예시도.
도 5는 본 발명의 실시예에 따른 비정상상태 운항데이터의 예시도.
도 6은 본 발명의 실시예에 따른 무효데이터의 예시도.
도 7은 본 발명의 실시예에 따른 기계학습 및 인공신경망학습의 예시도.
도 8은 본 발명의 실시예에 따른 예지정비코드의 예시도.
도 9는 본 발명의 실시예에 따른 선박기관 고장검출 시스템의 블록도.

이하, 본 발명의 실시예를 첨부된 도면 도 1 내지 도 9에 의거하여 상세히 설명한다. 한편, 도면과 상세한 설명에서 일반적인 선박의 운항데이터 수집, 기계학습 및 인공신경망학습 등으로부터 이 분야의 종사자들이 용이하게 알 수 있는 구성 및 작용에 대한 도시 및 언급은 간략히 하거나 생략하였다. 특히 도면의 도시 및 상세한 설명에 있어서 본 발명의 기술적 특징과 직접적으로 연관되지 않는 요소의 구체적인 기술적 구성 및 작용에 대한 상세한 설명 및 도시는 생략하고, 본 발명과 관련되는 기술적 구성만을 간략하게 도시하거나 설명하였다.

본 발명은 선박기관의 고장데이터를 학습하여 선박기관의 실제 고장 발생시 학습된 내용을 기반으로 고장을 검출하는 방법 및 그 시스템에 관한 것이다. 이러한 본 발명의 일 실시예에 따른 선박기관의 고장검출 방법은 도 1과 같이, 운항데이터를 수집하고, 유효데이터를 추출하는 제1단계(S1), 정상상태 운항데이터와 비정상상태 운항데이터를 식별하는 제2단계(S2), 정상상태/비정상상태를 학습하고, 고장 예지강도를 판단하는 인공신경망을 형성시키는 제3단계(S3), 예지정비코드를 출력시키는 제4단계(S4)를 포함하여 이루어진다.

먼저, 제1단계(S1)는 운항데이터 수집 및 유효데이터 추출 단계이다.

선박의 운항데이터는 선박 운항시 선박에 존재하는 AMS(Alarm. Monitoring & Control System), ECDIS(Electronic Chart Display and Information System), VDR(Voyage Data Recorder) 등을 통해서 수집되는 선박기관 또는 그 주변기기의 운전데이터일 수 있다.

이때, 선박기관 또는 그 주변기기는 선박의 주기관(main engine), 발전기(generator), 보일러(boiler), 압축기(compressor), 청정기(purifier), 펌프(pump), 팬(fan), 모터(motor), 예열기(heater), 냉각기(cooler), 탱크(tank) 등을 포함하는 선박의 기관실에 설치되는 기기일 수 있다.

이러한 운항데이터는 데이터 분류를 용이하게 하고, 동일하거나 유사한 운항조건에서 운항데이터를 비교하기 위하여 선종에 따라 구분되는 선종별 데이터와, 선박 운항 기기들에서 출력되는 선박기기 데이터, 선박 항해상태를 감지하는 선박항해상태 데이터 순으로 구분되어 수집될 수 있다.

이와 같이 수집된 선박의 운항데이터는 선박 운전과 무관한 무효데이터와 선박 운전과 유관한 유효데이터로 구분한다. 수집된 선박의 운항데이터에서 무효데이터를 제외하고 유효데이터만 추출하여 고장검출에 이용함으로써 정확도를 향상시킬 수 있는 것이다.

선박의 운항데이터 중 무효데이터는 선박의 운항과는 무관한 외란에 의한 노이즈 등을 포함할 수 있다. 즉, 무효데이터는 선박의 기기가 정지되어 있을 때 수집된 데이터, 디젤엔진의 경우 시동 및 정지 직후, 급격한 부하 변동 구간에서 수집된 데이터, 데이터 수집과정 및 센서의 정확도 정도에 따라 발생된 외란(노이즈), 결측데이터 (데이터 수집 중 누락되는 구간 발생시의 데이터)를 포함한다.

반면, 선박의 운항데이터 중 유효데이터는 무효데이터를 제외한 모든 데이터를 포함할 수 있다. 즉, 유효데이터는 선박의 운항과 유관한 데이터로서 정상상태 운항데이터와 비정상상태 운항데이터를 포함한다. 이러한 유효데이터를 추출하여 데이터베이스에 저장한다.

다음으로, 제2단계(S2)는 정상상태 운항데이터 및 비정상상태 운항데이터를 식별하는 단계이다.

즉, 제1단계(S1)에서 추출한 유효데이터를 정상상태 운항데이터와 비정상상태 운항데이터로 구분하여 데이터베이스에 저장한다.

정상상태 운항데이터는 선박 기기의 운전 중 알람 변수 데이터의 알람 발생 제한 범위 내의 모든 데이터, 선박 디젤엔진의 경우 전 실린더 평균 변수값의 특정 범위(ex : ±10%) 이내에서 취득된 데이터, 선박 기기 운전 중 취득된 변수의 설정된 비정상작동 판단 구간 내의 데이터를 포함한다.

비정상상태 운항데이터는 선박 기기 운전 중 비정상 진동 발생시의 데이터, 선박 기기 운전 중 성능(출력, 회전수, 연료소비율 등)이 해상 시운전(sea trial) 또는 공장 시운전(shop test) 데이터의 특정 범위(ex : ±10%)를 넘어선 데이터, 선박 기기의 운전 중 알람 변수 데이터의 알람 발생 제한 범위 밖의 모든 데이터, 선박의 디젤엔진의 경우 전 실린더 평균 변수값의 특정 범위(ex : ±10%) 밖에서 일정시간이상 운전 중 취득된 데이터, 선박의 기기 운전 중 취득된 변수의 설정된 비정상작동 판단 구간 밖에서 일정시간 운전 중 취득된 데이터를 포함한다.

이와 같이, 선박의 운항데이터를 무효데이터와 유효데이터로 분류하고, 유효데이터를 정상상태 운항데이터와 비정상상태 운항데이터로 분류하는 예시를 살펴보면 다음과 같다.

도 2는 본 발명의 실시예에 따른 유효데이터와 무효데이터의 분류 예시도이고, 도 3 및 도 4는 본 발명의 실시예에 따른 유효데이터의 정상상태 운항데이터와 비정상상태 운항데이터의 분류 예시도이다. 도 5는 본 발명의 실시예에 따른 정상상태와 비정상상태 운항데이터의 예시도이고, 도 6은 본 발명의 실시예에 따른 무효데이터의 예시도이다.

도 2와 같이, 제1단계(S1)에서는 알람 발생 제한 범위 내의 모든 데이터는 유효데이터로 분류하고, 급격한 부하 변동 구간에서 수집된 데이터와 정지 상태에서 수집된 데이터는 무효데이터로 분류한다. 또한, 제2단계(S2)에서는 알람 발생 제한 범위 내의 데이터이므로 정상상태 운항데이터로 분류한다.

도 3에 도시된 바와 같이, 비정상작동 판단 구간 내의 데이터는 모두 정상상태 운항데이터로 분류되고, 비정상작동 판단 구간을 벗어난 데이터는 비정상상태 운항데이터로 분류된다.

도 4를 참조하면, 수집된 디젤엔진의 실린더 데이터 중 제1데이터는 전 실린더 데이터의 평균값의 ±10% 범위 이내에 존재하므로 정상상태 운항데이터로 분류한다. 반면, 수집된 디젤엔진의 실린더 데이터 중 제2데이터는 비정상작동 판단 구간을 벗어난 데이터이므로 제1단계(S1)에서 무효데이터로 분류될 수도 있으나, 도 4에서는 비정상작동 판단 구간인 기준데이터 범위 밖에서 일정시간 운전 중 취득된 데이터이므로 무효데이터가 아닌 유효데이터 중 비정상상태 운항데이터로 분류되는 것이다.

도 5에서는 유입가스의 온도가 해상 시운전 데이터를 기준으로 ±10% 범위 외에 존재하므로 비정상상태 운항데이터로 분류한 것이다.

도 6의 원형 표시부는 데이터 수집과정 중 외란에 의해 발생된 노이즈로 판단하여 무효데이터 구간으로 분류된 것이다. 이는 오차범위 밖에서 일정시간 취득된 데이터가 아닌 단시간 데이터 추이와 상관없이 발생된 노이즈이기 때문에 비정상상태 운항데이터로 분류되는 것이 아닌 무효데이터로 분류되는 것이다.

도 2 내지 도 6을 통해 살펴본 바와 같이, 선박 기기와 각 변수의 오차범위는 전문가 지식에 기반하거나 제작사 가이드에 의하여 결정될 수도 있고, 데이터 변수마다 설정된 비정상작동 판단 구간에 의하여 결정될 수도 있다.

다음으로, 제3단계(S3)는 정상상태와 비정상상태를 학습하고, 고장 예지강도를 판단하는 인공신경망을 형성시키는 단계이다.

상술한 바와 같이 분류된 정상상태 운항데이터와 비정상상태 운항데이터를 이용하여 기계학습 알고리즘에 따라 정상상태 및 비정상상태를 학습하고, 운항데이터가 충분히 누적되면 인공신경망학습 알고리즘에 따라 정상상태 및 비정상상태를 학습한다. 이러한 학습을 통해 고장 예지강도를 판단하는 인공신경망을 형성시키는 것이다.

선박의 운항데이터가 충분히 누적되지 않은 상태인 선박의 운항 초기에는 확률통계수치, 전문가 지식 또는 제작사 가이드를 기반으로 상관분석 또는 회귀분석 기법을 활용하여 기계학습을 수행한다.

기계학습을 수행하다가 선박의 운항데이터가 인공신경망학습을 수행할 수 있을 만큼 충분히 누적되면 빅데이터를 기반으로 인공신경망학습을 수행한다.

이러한 예시를 도 7을 참고하여 살펴보면 다음과 같다.

기계학습을 수행하기 위하여 데이터베이스에 저장된 운항데이터에서 변수를 추출하여 변수의 데이터가 예측구간 범위 이내인지 아닌지를 확인하고, 그에따른 정상상태와 비정상상태를 학습하고, 비정상상태인 경우 고장의 종류를 학습한다.

기계학습을 수행하면서 운항데이터가 충분히 누적되면 인공신경망학습에 의하여 각 변수를 추출하고 변수 데이터들을 상호 비교하여 정상상태와 비정상상태를 학습하고, 비정상상태인 경우 고장의 종류를 학습하는 것이다.

이러한 방법으로 학습된 인공신경망을 이용하여 운항데이터를 출력하는 각 기기의 고장 예지강도를 판단하여 고장을 검출하는 것이다.

마지막으로, 제4단계(S4)는 예지정비코드를 출력시키는 단계이다.

예지정비코드는 선박의 각 기기를 계통 구분하고, 각 기기에 대하여 계통별 순차 식별하는 코드이다. 또한, 예지정비코드는 선박운항에 영향을 미치는 위험정도에 따라 level이 구분될 수 있다. 구분된 level에 대응하는 경고를 발생시킴으로써 고장 검출시 적절한 대응이 가능하도록 한다.

도 8을 참조하면, E11014라는 예지정비코드가 발생되면 엔진->연료->1번실린더->연료분사펌프->연료품질나쁨 순으로 검출된 고장의 위치와 종류를 신속하게 인식할 수 있다.

따라서, 선박 기기의 고장이 검출되면 예지정비코드를 통해 사용자가 직관적으로 고장이 발생된 부위와 고장의 종류를 확인할 수 있으므로 그에 대한 신속한 대응이 가능하게 되는 것이다.

또한, 고장검출 결과를 코드화함으로써 선박의 제어부가 인식하기 용이하며, 이에 대한 대응을 자동화 할 수 있으므로 자율운항선박에도 적용 가능하다는 이점이 있다.

상술한 방법으로 선박기관의 고장을 검출하는 본 발명의 실시예에 따른 선박기관의 고장검출 시스템은 도 9와 같이, 데이터 수집부(100), 데이터 전처리부(200), 데이터 학습부(300), 고장 검출부(400) 및 모니터링부(500)을 포함하여 구성된다.

먼저, 데이터 수집부(100)는 선박의 운항데이터를 수집하는 구성이다.

선박의 운항데이터는 선종에 따라 구분되는 선종별 데이터, 선박 운항 기기들에서 출력되는 선박기기 데이터, 선박 항해상태를 감지하는 선박항해상태 데이터순으로 구분되어 수집될 수 있다. 이와 같이 수집된 운항데이터는 데이터베이스(10)에 저장된다.

다음으로, 데이터 전처리부(200)는 데이터베이스(10)에 저장된 운항데이터 중 유효데이터를 추출하여 정상상태 운항데이터와 비정상상태 운항데이터로 분류하는 구성이다.

즉, 운항데이터를 무효데이터와 유효데이터로 분류하여 무효데이터는 걸러내고, 유효데이터를 추출한다. 추출된 유효데이터는 정상상태 운항데이터와 비정상상태 운항데이터로 분류하여 데이터베이스(10)에 누적시킨다.

여기서, 무효데이터와 유효데이터, 정상상태 운항데이터와 비정상상태 운항데이터는 전술한 바와 같으므로 상세설명은 생략하기로 한다.

다음으로, 데이터 학습부(300)는 누적된 유효데이터를 이용하여 선박의 정상상태와 비정상상태를 학습하는 구성이다.

이러한 데이터 학습부(300)는 확률통계수치, 전문가 지식, 제작사 가이드 중 선택된 어느 하나 이상을 기준으로 상관분석 또는 회귀분석 등의 기법을 포함하는 기계학습 알고리즘에 따라 학습하고, 데이터베이스(10)에 운항데이터가 충분히 누적되면 빅데이터 기반의 인공신경망학습 알고리즘에 따라 학습한다.

따라서, 인공신경망학습은 매우 방대한 양의 데이터를 학습하여, 새로운 데이터가 입력될 경우 학습 결과를 바탕으로 확률적으로 가장 높은 답을 선택하는 것으로서, 입력에 따라 적응적으로 동작할 수 있으며, 데이터에 기초하여 모델을 학습하는 과정에서 특성인자를 자동으로 찾아내므로 인공신경망을 형성시킬 수 있게 되는 것이다.

다음으로, 고장 검출부(400)는 학습된 내용을 기반으로 선박기관의 고장을 검출하고, 그 결과를 데이터베이스(10)에 저장한다.

추가로, 고장 검출부(400)는 검출된 고장의 종류에 따라 코드화된 예지정비코드를 발생시킬 수 있다. 예지정비코드는 고장이 검출된 부위와 고장원인을 직관적으로 확인할 수 있도록 선박의 각 기기를 계통 구분하고, 각 기기에 대하여 계통별 순차 식별하는 코드이다. 이러한 예지정비코드는 선박운항에 영향을 미치는 위험정도에 따라 level이 구분될 수 있다.

다음으로, 모니터링부(500)는 고장이 검출되면 알람을 발생시키는 구성이다.

고장이 검출되면 알람을 발생시키거나 예지정비코드를 출력시켜 검출된 고장에 대한 신속한 대응이 가능하도록 한다. 또한, 예지정비코드의 각 level에 대응하는 경고 알람을 발생시킬 수 있다.

도 8을 참조하면, 예지정비코드의 level이 1단계로 설정된 성능 저하가 검출된 경우 경고창을 출력시키고, 예지정비코드의 level이 2단계로 설정된 연료품질저하가 검출된 경우 경고창과 경고등을 출력시키며, 예지정비코드의 level이 3단계로 설정된 마모가 검출된 경우 경고창 및 경고등과 함께 경고음을 출력시키는 것과 같이 검출된 고장의 위험단계에 대응하는 경고 알람을 발생시킬 수 있는 것이다.

상술한 바와 같은, 본 발명의 실시예에 따른 선박기관의 고장검출 시스템을 상기한 설명 및 도면에 따라 도시하였지만, 이는 예를 들어 설명한 것에 불과하며 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 변화 및 변경이 가능하다는 것을 이 분야의 통상적인 기술자들은 잘 이해할 수 있을 것이다.

10: 데이터베이스
100: 데이터 수집부
200: 데이터 전처리부
300: 데이터 학습부
400: 고장 검출부
500: 모니터링부

Claims (14)

1. 선박의 운항데이터를 수집하여 선박 운전과 무관한 무효데이터와 선박 운전과 유관한 유효데이터를 식별하고, 유효데이터를 추출하여 저장하는 제1단계;
   상기 유효데이터 중에서 선박운전이 정상상태인 때의 정상상태 운항데이터와 선박운전이 비정상상태인 때의 비정상상태 운항데이터를 식별, 추출하여 저장하는 제2단계;
   상기 정상상태 운항데이터로 정상상태를, 상기 비정상상태 운항데이터로 비정상상태를 학습시켜, 운항데이터를 출력하는 각 기기의 고장 여부를 판단하는 인공신경망을 형성시키는 제3단계;
   를 포함하여 이루어지며
   상기 무효데이터는,
   선박의 기기가 정지되어 있을 때 수집된 데이터, 디젤엔진의 경우 시동 및 정지 직후, 급격한 부하 변동 구간에서 수집된 데이터, 외란에 의해 발생된 노이즈, 데이터 수집 중 누락되는 구간 발생시의 데이터를 포함하는 결측데이터인 것을 특징으로 하는 선박기관 고장검출 방법.
2. 제1항에 있어서,
   상기 정상상태 운항데이터는,
   선박의 기기의 운전 중 알람 변수 데이터의 알람 발생 제한 범위 내의 모든 데이터, 선택된 변수의 평균으로부터 설정된 범위 이내이거나 비정상작동 판단 구간 내에서 취득된 데이터인 것을 특징으로 하는 선박기관 고장검출 방법.
3. 제1항에 있어서,
   상기 비정상상태 운항데이터는,
   선박의 기기 운전 중 비정상 진동 발생시의 데이터, 선박의 기기 운전 중 성능이 해상 시운전(sea trial) 및 공장 시운전(shop test) 데이터를 기준으로 설정된 범위 이외의 데이터, 선박의 기기의 운전 중 알람 변수 데이터의 알람 발생 제한 범위 이외의 모든 데이터, 선택된 변수의 평균으로부터 설정된 범위 이외이거나 비정상작동 판단 구간 외에서 취득된 데이터인 것을 특징으로 하는 선박기관 고장검출 방법.
4. 제1항에 있어서,
   상기 제3단계는,
   기계학습 알고리즘에 따라 정상상태 및 비정상상태를 학습하는 것을 특징으로 하는 선박기관 고장검출 방법.
5. 제1항에 있어서,
   상기 제3단계는,
   인공신경망학습 알고리즘에 따라 정상상태 및 비정상상태를 학습하는 것을 특징으로 하는 선박기관 고장검출 방법.
6. 제1항에 있어서,
   상기 선박기관 고장검출 방법은,
   선박의 각 기기를 계통 구분하고, 각 기기에 대하여 계통별 순차 식별하는 코드로 예지정비코드를 생산 출력하는 제4단계를 더 포함하는 것을 특징으로 하는 선박기관 고장검출 방법.
7. 제6항에 있어서,
   상기 예지정비코드는,
   선박운항에 영향을 미치는 위험정도에 따라 level이 구분되는 것을 특징으로 하는 선박기관 고장검출 방법.
8. 선박의 운항데이터를 수집하여 데이터베이스에 저장하는 데이터 수집부;
   상기 데이터베이스에 저장된 선박의 운항데이터를 유효데이터와 무효데이터로 구분하고, 상기 유효데이터를 정상상태 운항데이터와 비정상상태 운항데이터로 분류하여 상기 데이터베이스에 누적시키는 데이터 전처리부;
   상기 데이터베이스에 누적된 유효데이터를 이용하여 선박기관의 정상운전상태와 비정상운전상태를 기계학습하고, 상기 유효데이터가 인공신경망학습을 수행 가능한 만큼 충분히 누적되면 인공신경망학습을 통해 학습하는 데이터 학습부;
   상기 데이터 학습부에서 학습된 내용을 기반으로 선박기관의 고장을 검출하고, 그 결과를 데이터베이스에 저장하는 고장 검출부; 및
   상기 고장 검출부에서 선박기관의 고장이 검출되면 고장 단계에 따라 알람 신호를 발생시키는 모니터링부를 포함하여 구성되는 것을 특징으로 하는 선박기관의 고장검출 시스템.
9. 제8항에 있어서,
   상기 운항데이터는,
   선종에 따라 구분되는 선종별 데이터, 선박 운항 기기들에서 출력되는 선박기기 데이터, 선박 항해상태를 감지하는 선박항해상태 데이터인 것을 특징으로 하는 선박기관의 고장검출 시스템.
10. 제8항에 있어서,
    상기 고장 검출부는,
    검출된 고장의 종류에 따라 예지정비코드를 발생시키고, 발생된 상기 예지정비코드를 상기 모니터링부로 전달하는 것을 특징으로 하는 선박기관의 고장검출 시스템.
11. 제8항에 있어서,
    상기 데이터 학습부는,
    확률통계수치, 전문가 지식, 제작사 가이드 중 선택된 어느하나 이상을 기준으로 상관분석 또는 회귀분석 기법을 활용하여 기계학습을 수행하는 것을 특징으로 하는 선박기관의 고장검출 시스템.
12. 제8항에 있어서,
    상기 데이터 학습부는,
    빅데이터 기반으로 인공신경망학습을 수행하는 것을 특징으로 하는 선박기관의 고장검출 시스템.
13. 삭제
14. 삭제

Images