KR102316773B1

KR102316773B1 - 선박 상태 예측 시스템 및 방법

Info

Publication number: KR102316773B1
Application number: KR1020200095613A
Authority: KR
Inventors: 유영준; 김성준; 시대엽; 임범현; 지창열
Original assignee: 삼성중공업(주)
Priority date: 2020-07-31
Filing date: 2020-07-31
Publication date: 2021-10-26

Abstract

오류 상황에 관련된 알람과 센서 데이터의 대응관계와 기계 학습 모델(알람, 센서 데이터의 가중치, 문턱값 등)을 검증하여 선박의 장비 이상을 정확하게 진단할 수 있으며, 선박 진단 알고리즘의 검증을 통해 신뢰성을 제고할 수 있는 선박 상태 예측 시스템 및 방법, 기록 매체가 개시된다. 본 발명의 실시예에 따른 선박 상태 예측 방법은, 오류 모델링 모듈에 의해, 선박 내 장비별 오류 상황에 대한 트리(Tree)를 정의하고, 각 오류 상황에 관련된 알람과 상기 알람에 해당하는 센서 데이터의 대응관계를 정의하는 단계; 기계 학습 모델링 모듈에 의해, 알람 및 센서 데이터 중 적어도 하나와 관련하여 선택된 태그(tag)에 관하여 정의된 필터링 조건에 해당하는 알람 및 센서 데이터를 기반으로 기계 학습 모델링을 수행하는 단계; 모니터링 및 오류 데이터 수집 모듈에 의해, 상기 기계 학습 모델링의 결과 데이터를 활용하여 상태 예측 지수를 계산하고, 상기 상태 예측 지수가 문턱값을 넘는 경우 오류 상황으로 판단하는 단계; 및 검증 모듈에 의해, 오류 상황에 관련된 알람 신호 발생 시점과 상기 알람 신호 발생 시점에서의 센서 데이터를 확인하여 오류 상황에 관련된 알람과 센서 데이터의 대응관계와 기계 학습 모델을 검증하는 단계를 포함한다.

Description

선박 상태 예측 시스템 및 방법{SYSTEM AND METHOD FOR PREDICTING HEALTH OF VESSEL}

본 발명은 선박 상태 예측 시스템 및 방법에 관한 것으로, 보다 상세하게는 선박 진단 알고리즘의 검증을 통해 신뢰성을 확보할 수 있으며, 선박의 이상 진단의 정확성을 향상시킬 수 있는 선박 상태 예측 시스템 및 방법에 관한 것이다.

일반적으로 선박에는 추진 유닛, 공기 조화 유닛, 발전기, 엔진 등의 다양한 장비들이 설치되어 운용되고 있다. 이러한 장비들의 고장 발생시 선박의 운용 성능이 저하되고 심각한 환경 문제나, 인명 피해가 발생할 수 있으므로, 장비들의 고장을 진단하고, 이상 예측된 장비에 대해 조기에 유지 보수 작업을 실시할 필요가 있다.

선박 내 각 장비의 이상을 예측하기 위하여, 기계 부품 중 회전체의 진동, 온도 등을 계측하여 진단을 수행하는 방법이나, 각종 센서 데이터의 통계적 분석을 통해 이상 상황을 진단하는 방법 등이 사용되고 있다. 데이터 기반의 진단 방법은 기존 통신 값을 활용하여 진단할 수 있는 장점이 있다.

종래의 데이터 기반의 선박 진단 방법은 확률적으로 운영 조건에서 벗어나는 것을 표현하는 방식이 대부분이며, 이를 위해 회귀 분석이나 클러스터링(clustering)을 통해 기설정된 운영 조건에서 벗어나는 정도를 지수(index)로 표시하는 방법이 사용되고 있다.

그러나, 회귀 분석이나 클러스터링 기준으로 선박의 장비를 진단하는 방식의 경우, 장비의 오류 상황에 영향을 미치는 아날로그 센서 데이터가 잘못 설정될 경우 장비의 상태를 정확하게 진단하지 못하게 되며, 장비 진단 결과에 대한 검증이 어려운 문제가 있다.

본 발명은 선박 진단 알고리즘의 검증을 통해 신뢰성을 확보할 수 있으며, 선박의 이상 진단의 정확성을 향상시킬 수 있는 선박 상태 예측 시스템 및 방법, 기록 매체를 제공하기 위한 것이다.

또한, 본 발명은 오류 상황에 관련된 알람과 센서 데이터의 대응관계와 기계 학습 모델을 검증하여 선박의 장비 이상을 정확하게 진단할 수 있는 선박 상태 예측 시스템 및 방법, 기록 매체를 제공하기 위한 것이다.

본 발명이 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않는다. 언급되지 않은 다른 기술적 과제들은 이하의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 실시예에 따른 선박 상태 예측 시스템은, 선박 내 장비별 오류 상황에 대한 트리(Tree)를 정의하고, 각 오류 상황에 관련된 알람과 상기 알람에 해당하는 센서 데이터의 대응관계를 정의하는 오류 모델링 모듈; 상기 알람 및 상기 센서 데이터 중 적어도 하나와 관련하여 선택된 태그(tag)에 관하여 필터링 조건을 정의하고, 상기 필터링 조건에 해당하는 알람 및 센서 데이터를 기반으로 기계 학습 모델링을 수행하는 기계 학습 모델링 모듈; 상기 기계 학습 모델링의 결과 데이터를 활용하여 상태 예측 지수를 계산하고, 상기 상태 예측 지수가 문턱값을 넘는 경우 오류 상황으로 판단하는 모니터링 및 오류 데이터 수집 모듈; 및 오류 상황에 관련된 알람 신호 발생 시점과 상기 알람 신호 발생 시점에서의 센서 데이터를 확인하여 오류 상황에 관련된 알람과 센서 데이터의 대응관계와 기계 학습 모델을 검증하는 검증 모듈을 포함한다.

상기 필터링 조건은 선박 장비 운용 조건, 센서 신호 이상치 제거 조건 및 다변량 변수 차원 축소 조건을 포함할 수 있다. 상기 기계 학습 모델링 모듈에 의해 생성되는 기계 학습 모델링 결과는 상기 선택된 태그에 해당하는 알람 및 센서 데이터와, 오류 상황 판단의 기준이 되는 문턱값을 입력값으로 가지고, 오류 상황을 판단하기 위한 상기 상태 예측 지수를 출력값으로 가질 수 있다.

상기 검증 모듈은 상기 알람 신호 발생 시점에서의 센서 데이터를 기반으로, 상기 알람과 센서 데이터의 대응관계와 상기 기계 학습 모델링 결과의 상기 알람과 센서 데이터의 가중치 및 문턱값을 업데이트하여 상기 기계 학습 모델을 검증하도록 구성될 수 있다.

본 발명의 실시예에 따른 선박 상태 예측 방법은, 오류 모델링 모듈에 의해, 선박 내 장비별 오류 상황에 대한 트리(Tree)를 정의하고, 각 오류 상황에 관련된 알람과 상기 알람에 해당하는 센서 데이터의 대응관계를 정의하는 단계; 기계 학습 모델링 모듈에 의해, 알람 및 센서 데이터 중 적어도 하나와 관련하여 선택된 태그(tag)에 관하여 정의된 필터링 조건에 해당하는 알람 및 센서 데이터를 기반으로 기계 학습 모델링을 수행하는 단계; 모니터링 및 오류 데이터 수집 모듈에 의해, 상기 기계 학습 모델링의 결과 데이터를 활용하여 상태 예측 지수를 계산하고, 상기 상태 예측 지수가 문턱값을 넘는 경우 오류 상황으로 판단하는 단계; 및 검증 모듈에 의해, 오류 상황에 관련된 알람 신호 발생 시점과 상기 알람 신호 발생 시점에서의 센서 데이터를 확인하여 오류 상황에 관련된 알람과 센서 데이터의 대응관계와 기계 학습 모델을 검증하는 단계를 포함한다.

상기 기계 학습 모델링에 의해 생성되는 기계 학습 모델링 결과는 상기 선된 태그에 해당하는 알람 및 센서 데이터와, 오류 상황 판단의 기준이 되는 문턱값을 입력값으로 가지고, 오류 상황을 판단하기 위한 상기 상태 예측 지수를 출력값으로 가질 수 있다. 상기 검증하는 단계는 상기 알람 신호 발생 시점에서의 센서 데이터를 기반으로, 상기 알람과 센서 데이터의 대응관계와 상기 기계 학습 모델링 결과의 상기 알람과 센서 데이터의 가중치 및 문턱값을 업데이트하여 상기 기계 학습 모델을 검증할 수 있다.

본 발명의 실시예에 의하면, 선박 진단 알고리즘의 검증을 통해 신뢰성을 확보할 수 있으며, 선박의 이상 진단의 정확성을 향상시킬 수 있는 선박 상태 예측 시스템 및 방법, 기록 매체가 제공된다.

또한, 본 발명의 실시예에 의하면, 오류 상황에 관련된 알람과 센서 데이터의 대응관계와 기계 학습 모델을 검증하여 선박의 장비 이상을 정확하게 진단할 수 있는 선박 상태 예측 시스템 및 방법, 기록 매체가 제공된다.

본 발명의 효과는 상술한 효과들로 제한되지 않는다. 언급되지 않은 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 본 발명의 실시예에 따른 선박 상태 예측 시스템의 구성도이다.
도 2는 본 발명의 실시예에 따른 선박 상태 예측 방법의 순서도이다.
도 3은 본 발명의 실시예에 따른 선박 상태 예측 방법의 구체적인 프로세스를 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 상태 예측 방법을 구성하는 오류 모델링 단계를 설명하기 위한 예시도이다.
도 5는 본 발명의 실시예에 따라 알람과 관련된 센서 값을 데이터베이스화한 것을 예시한 도면이다.
도 6은 본 발명의 실시예에 따른 상태 예측 방법을 구성하는 모니터링 및 오류 데이터 수집 단계를 설명하기 위한 예시도이다.
도 7 및 도 8은 본 발명의 실시예에 따라 시스템 별로 알람 기반 검증 진단 결과를 나타낸 예시도이다.

본 발명의 다른 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술하는 실시예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되지 않으며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 만일 정의되지 않더라도, 여기서 사용되는 모든 용어들(기술 혹은 과학 용어들을 포함)은 이 발명이 속한 종래 기술에서 보편적 기술에 의해 일반적으로 수용되는 것과 동일한 의미를 갖는다. 공지된 구성에 대한 일반적인 설명은 본 발명의 요지를 흐리지 않기 위해 생략될 수 있다. 본 발명의 도면에서 동일하거나 상응하는 구성에 대하여는 가급적 동일한 도면부호가 사용된다. 본 발명의 이해를 돕기 위하여, 도면에서 일부 구성은 다소 과장되거나 축소되어 도시될 수 있다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다", "가지다" 또는 "구비하다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 명세서 전체에서 사용되는 '~모듈'은 적어도 하나의 기능이나 동작을 처리하는 단위로서, 예를 들어 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미할 수 있다. 그렇지만 '~모듈'이 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 일 예로서 '~모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함할 수 있다. 구성요소와 '~모듈'에서 제공하는 기능은 복수의 구성요소 및 '~모듈'들에 의해 분리되어 수행될 수도 있고, 다른 추가적인 구성요소와 통합될 수도 있다.

본 발명의 실시예에 따른 선박 상태 예측 시스템 및 방법은 선박 내 장비별로 오류 상황에 대한 트리(tree)와, 오류 상황에 관련된 알람(alarm)과 알람에 해당하는 센서 데이터의 대응관계를 정의하고, 선택된 태그에 관하여 정의된 필터링 조건에 부합하는 알람 및 센서 데이터를 활용하여 기계 학습 모델링을 수행하고, 기계 학습 모델링 결과 데이터를 활용하여 산출한 상태 예측 지수를 기반으로 오류 상황을 판단한다.

본 발명의 실시예에 따른 선박 상태 예측 시스템 및 방법은 기계 학습 모델링에 따라 발생한 오류 상황에 관련된 알람 신호 발생 시점과 그 근처에서의 센서 값(센서 데이터)을 확인하여 오류 상황에 관련된 알람과 센서 데이터의 대응관계와 기계 학습 모델을 검증한다. 이와 같이, 알람과 센서 데이터의 대응관계와 기계 학습 모델의 검증을 통해, 선박 진단을 위한 알고리즘의 신뢰성을 제고하고, 선박의 이상 진단의 정확성을 향상시킬 수 있다.

도 1은 본 발명의 실시예에 따른 선박 상태 예측 시스템의 구성도이다. 도 1을 참조하면, 본 발명의 실시예에 따른 선박 상태 예측 시스템(100)은 오류 모델링(Abnormal modeling) 모듈(110), 기계 학습 모델링(Machine learning modeling) 모듈(120), 모니터링 및 오류 데이터 수집(Monitoring & Gathering abnormal Data) 모듈(130), 그리고 검증 모듈(140)을 포함할 수 있다.

오류 모델링 모듈(110)은 선박 내 장비별 오류 상황에 대한 트리(Tree)를 정의하고, 오류 상황에 관련된 알람과 알람에 해당하는 센서 데이터의 대응관계를 정의할 수 있다. 오류 모델링 모듈(110)은 선박 내의 각종 시스템 및 시스템에 속하는 하위 시스템 별로 알람과 센서 데이터의 대응관계를 정의할 수 있다.

선박 내 장비들은 예를 들어, 선박의 추진을 위한 추진(thruster) 유닛, 공기 조화를 위한 공기 조화 유닛(air handling unit), 전력 발생을 위한 발전기(generator), 엔진(engine), 회전체 등의 다양한 설비들을 포함할 수 있으나, 이에 제한되는 것은 아니다.

기계 학습 모델링 모듈(120)은 알람 및/또는 센서 데이터와 관련하여 미리 정의된 태그들 중 선택된 태그에 관하여 필터링 조건(예를 들어, 선박 장비 운용 조건, 센서 신호 이상치 제거 조건, 다변량 변수 차원 축소 조건 등)을 정의하고, 정의된 필터링 조건에 해당하는 알람과 센서 데이터를 활용하여 선박 진단을 위한 기계 학습 모델링을 수행할 수 있다.

기계 학습 모델링 모듈(120)에 의해 생성되는 기계 학습 모델링 결과(기계 학습 모델)는 선택된 태그에 해당하는 알람 및 센서 데이터와, 오류 상황 판단의 기준이 되는 문턱값을 입력값으로 가지고, 오류 상황 지수(선박 상태 지수)를 출력값으로 가질 수 있다.

모니터링 및 오류 데이터 수집 모듈(130)은 기계 학습 모델링 모듈(120)의 기계 학습 모델링 결과 데이터를 활용하여 알람 및 센서 데이터와, 문턱값을 기반으로 선박의 상태 예측 지수를 계산하고, 상태 예측 지수가 설정된 문턱값을 넘는 경우 이상 상황(오류 상황)으로 판단할 수 있다.

검증 모듈(140)은 오류 상황에 관련된 알람 신호 발생 시점과 그 근처에서의 주변 센서 값(센서 데이터)을 확인하여 오류 상황에 관련된 알람과 센서 데이터의 대응관계와 기계 학습 모델(알람과 센서 데이터의 가중치, 문턱값 등)을 검증할 수 있다.

도 2는 본 발명의 실시예에 따른 선박 상태 예측 방법의 순서도이다. 도 3은 본 발명의 실시예에 따른 선박 상태 예측 방법의 구체적인 프로세스를 나타낸 개념도이다. 도 1 내지 도 3을 참조하여 설명하면, 본 발명의 실시예에 따른 선박 상태 예측 방법은 오류 모델링 단계(S110), 기계 학습 모델링 단계(S120), 모니터링 및 오류 데이터 수집 단계(S130) 및 검증 단계(S140)의 4개의 단계로 나눌 수 있다.

먼저, 오류 모델링 단계(S110)에서, 오류 모델링 모듈(110)은 선박 내 각 장비 별 오류(Fault) 상황에 대한 트리(Tree)를 정의하고(S111), 오류 상황에 관련된 알람과 알람에 해당하는 센서 데이터(아날로그 센서 신호 값)의 대응관계를 정의할 수 있다(S112, S113).

또한, 오류 모델링 단계(S110)에서, 오류 모델링 모듈(110)은 알람/센서 데이터에 관하여 미리 정의된 태그들 중 하나 이상의 태그 값을 선택하고(S114), 선택된 태그에 관한 데이터 구조와 이를 시각화하기 위한 디자인 구조를 정의할 수 있다(S115, S116). 이때, 태그 선택은 관리자에 의해 선택될 수도 있고, 관리자에 의해 선택되지 않는 경우 장비 별로 설정된 디폴트 값에 의해 선택될 수도 있다.

오류 모델링 모듈(110)에 의해 정의되는 오류 상황에 대한 트리와, 알람 및 알람에 대응되는 센서 데이터의 대응관계는 관리자에 의해 정의(설정)되고 변경될 수 있으며, 이후 기계 학습 모델링 모듈(120)의 기계 학습 모델링에 따라 산출되는 결과 데이터를 기반으로 예측된 오류 상황 판단 결과에 따라 자동으로 실시간 업데이트(갱신)될 수 있다.

도 4는 본 발명의 실시예에 따른 상태 예측 방법을 구성하는 오류 모델링 단계를 설명하기 위한 예시도이다. 도 5는 본 발명의 실시예에 따라 알람과 관련된 센서 값을 데이터베이스화한 것을 예시한 도면이다. 도 1 내지 도 5를 참조하면, 알람(20)과 알람(20)에 관련된 센서 데이터(아날로그 센서 신호 값)(30)는 도 4에 도시된 바와 같이 각종 장비(10) 별로 장비의 P&ID, 매뉴얼 등을 기반으로, 시스템(System) 및 시스템에 속하는 하위 시스템(Sub System) 별로 분류되어 정리될 수 있다.

도 4는 연료 오일 시스템(F.O. System)에 관련된 일반 오류(COMMON FAIL), 해양 디젤 오일(Marine Diesel Oil) 시스템 오류(MDO SYSTEM FAIL), 중연료유(Heavy Fuel Oil) 오류(HFO FAIL), 가스 시스템 오류(GAS SYSTEM FAIL), 분해 연료유(Pyrolysis Fuel Oil) 오류(PFO SYSTEM FAIL)의 하위 오류에 해당하는 엔진 유입 압력 오류(ENGINE Inlet Pressure), 엔진 배출 압력 오류(ENGINE Outlet Pressure), 배출 펌프 오류(Outlet HP Pump)를 포함하는 다양한 알람(20)과, 각 알람(20)에 대응되는 다양한 센서 데이터(30)가 정의된 것을 나타내고 있다.

도 4에 나타낸 바와 같이 데이터(시스템, 하위 시스템, 알람, 센서 데이터 등)를 도 5에 도시된 바와 같이, 알람 설명 정보(Description)(40), 데이터 유형(Data Type), 센서 데이터(연관 Analog Tag)(41), 시스템(System)(42, 43), 하위 시스템(SubSystem)(44)을 포함하는 다양한 필드별로 분류하여 정의함으로써, 시스템 및 하위 시스템 별로 이상 유무를 판단(상태 지수를 예측)할 수 있도록 데이터베이스화할 수 있다.

다시 도 1 내지 도 3을 참조하면, 기계 학습 모델링 단계(S120)에서, 기계 학습 모델링 모듈(120)은 오류 모델링 단계(S110)에서 미리 설정된 태그들 중 알람/센서 데이터와 관련하여 선택된 각 태그(tag)에 대한 필터링 조건을 정의하고(S121), 이러한 필터링 조건에 해당하는 알람 및 센서 데이터 결과를 활용하여 기계 학습 모델링(machine learning modeling)을 수행할 수 있다(S122, S123).

실시예에서, 필터링 조건은 선박 장비에 대한 운영 조건이나, 센서 신호의 이상치(outlier) 제거, 다 변량 변수의 차원 축소 등이 활용될 수 있다. 일반적으로 선박의 고장 데이터가 확보되기 전에는 고장에 대한 정보가 없으므로, 이러한 경우 비지도 학습을 통한 확률적 진단 방법으로 기계 학습 모델링을 수행하고, 고장 데이터가 확보된 후에는 이를 훈련 데이터로 활용하여 기계 학습 모델링을 수행할 수 있다.

모니터링 및 오류 데이터 수집 단계(S130)에서, 모니터링 및 오류 데이터 수집 모듈(130)은 선박 진단을 위한 각종 데이터를 실시간으로 입력받고, 기계 학습 모델링 단계(S120)에서 얻은 기계 학습 모델링 결과를 기반으로 선박의 상태 예측 지수(index)를 계산할 수 있다(S131).

모니터링 및 오류 데이터 수집 모듈(130)은 기계 학습 모델링에 의해 산출되는 상태 예측 지수가 일정한 문턱값(threshold)을 넘게 되면 이상이라고 판단을 할 수 있다(S132). 또한, 모니터링 및 오류 데이터 수집 모듈(130)은 오류 상황 발생시 검증을 위해 문턱값을 분석하고 오류 상황을 저장할 수 있다(S133, S134).

도 6은 본 발명의 실시예에 따른 상태 예측 방법을 구성하는 모니터링 및 오류 데이터 수집 단계를 설명하기 위한 예시도이다. 도 6의 그래프에서 가로 축은 시간, 세로 축은 선박 상태 지수를 나타내고 있다. 도 1 내지 도 3, 도 6을 참조하면, 알람과 관련하여 정의된 센서 데이터의 아날로그(Analog) 신호 값을 기반으로 기계 학습 모델링 결과에 따라 선박 상태 지수(Health Index)를 계산할 수 있다.

이때 선정된 시스템 및/또는 하위 시스템 별로, 선박 상태 지수를 계산하여 오류 상황을 예측하여 선 조치를 하기 위한 진단 신호를 만들어낼 수 있다. 선박 상태 지수는 예를 들어, 확률적인 거리인 마할라노비스 거리(Mahalanobis distance)를 기준으로 산출될 수 있으며, 이때 1개의 확률적 모델 뿐 아니라, 다양한 차원 축소/클러스터링 알고리즘을 통해 선박 상태 지수를 계산하는 방법이 사용될 수 있다.

도 7 및 도 8은 본 발명의 실시예에 따라 시스템 별로 알람 기반 검증 진단 결과를 나타낸 예시도이다. 도 1 내지 도 3, 도 7 및 도 8을 참조하면, 검증 단계(S140)에서, 검증 모듈(140)은 오류 모델링 단계(S110)에서 실시한 오류 상황에 관련된 알람 신호 발생 시점과 그 근처에서의 주변 센서 값(센서 데이터)을 확인하여 오류 상황에 관련된 알람과 센서 데이터의 대응관계와 기계 학습 모델을 검증하여, 오류 진단을 위한 문턱값과 기계 학습 모델을 업데이트할 수 있다(S141, S142).

시스템 선택 항목(50)을 통해 선박 내 장비들 중 하나 이상의 시스템이 선택되면, 선택된 각 시스템 별로 하위 시스템의 각 선박 상태 지수(Health Index)가 계산되고, 이에 대한 모든 결과가 종합되어 진단 결과 항목(60)과 오류 상황 항목(70)을 통해 하위 시스템 별로 건전/체크/위험여부를 확인할 수 있다.

또한, 하위 시스템 선택 항목(51)을 통해 하위 시스템을 선택하고, 선박 상태 지수(Health Index) 값이 체크/위험인 지점을 선택(예를 들어, 더블클릭)하면, 이에 관련된 센서 데이터의 아날로그 신호(Analog Signal)로 연결되어 상세 데이터 항목(61, 62)을 통해 실제 데이터 값을 확인할 수 있으며, 오류 상황에 해당하는 알람 발생 시점의 센서 데이터(63)를 기반으로 검증을 수행할 수 있다.

본 발명의 상술한 프로세스를 통해, 오류 상황에 관련된 알람과 센서 데이터의 대응관계와 기계 학습 모델(알람, 센서 데이터의 가중치, 문턱값 등)을 검증하여 선박의 장비 이상을 정확하게 진단할 수 있으며, 선박 진단 알고리즘의 검증을 통해 신뢰성을 제고할 수 있다.

본 발명의 실시예에 따른 방법 중 적어도 일부는 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 컴퓨터로 읽을 수 있는 기록매체는 SRAM(Static RAM), DRAM(Dynamic RAM), SDRAM(Synchronous DRAM) 등과 같은 휘발성 메모리, ROM(Read Only Memory), PROM(Programmable ROM), EPROM(Electrically Programmable ROM), EEPROM(Electrically Erasable and Programmable ROM), 플래시 메모리 장치, PRAM(Phase-change RAM), MRAM(Magnetic RAM), RRAM(Resistive RAM), FRAM(Ferroelectric RAM)과 같은 불휘발성 메모리, 플로피 디스크, 하드 디스크 또는 광학적 판독 매체 예를 들어 시디롬, 디브이디 등과 같은 형태의 저장매체일 수 있으나, 이에 제한되지는 않는다.

이상의 실시예들은 본 발명의 이해를 돕기 위하여 제시된 것으로, 본 발명의 범위를 제한하지 않으며, 이로부터 다양한 변형 가능한 실시예들도 본 발명의 범위에 속하는 것임을 이해하여야 한다. 본 발명의 보호범위는 청구범위의 기술적 사상에 의해 정해져야 할 것이며, 본 발명의 보호범위는 청구범위의 문언적 기재 그 자체로 한정되는 것이 아니라 실질적으로는 기술적 가치가 균등한 범주의 발명까지 미치는 것임을 이해하여야 한다.

100: 선박 상태 예측 시스템
110: 오류 모델링 모듈
120: 기계 학습 모델링 모듈
130: 모니터링 및 오류 데이터 수집 모듈
140: 검증 모듈

Claims

선박 내 장비별 오류 상황에 대한 트리(Tree)를 정의하고, 각 오류 상황에 관련된 알람과 상기 알람에 해당하는 센서 데이터의 대응관계를 정의하는 오류 모델링 모듈;
상기 알람 및 상기 센서 데이터 중 적어도 하나와 관련하여 선택된 태그(tag)에 관하여 필터링 조건을 정의하고, 상기 필터링 조건에 해당하는 알람 및 센서 데이터를 기반으로 기계 학습 모델링을 수행하는 기계 학습 모델링 모듈;
상기 기계 학습 모델링의 결과 데이터를 활용하여 상태 예측 지수를 계산하고, 상기 상태 예측 지수가 문턱값을 넘는 경우 오류 상황으로 판단하는 모니터링 및 오류 데이터 수집 모듈; 및
오류 상황에 관련된 알람 신호 발생 시점과 상기 알람 신호 발생 시점에서의 센서 데이터를 확인하여 오류 상황에 관련된 알람과 센서 데이터의 대응관계와 기계 학습 모델을 검증하는 검증 모듈을 포함하는, 선박 상태 예측 시스템.
제1항에 있어서,
상기 필터링 조건은 선박 장비 운용 조건, 센서 신호 이상치 제거 조건 및 다변량 변수 차원 축소 조건을 포함하는, 선박 상태 예측 시스템.
제1항에 있어서,
상기 기계 학습 모델링 모듈에 의해 생성되는 기계 학습 모델링 결과는 상기 선택된 태그에 해당하는 알람 및 센서 데이터와, 오류 상황 판단의 기준이 되는 문턱값을 입력값으로 가지고, 오류 상황을 판단하기 위한 상기 상태 예측 지수를 출력값으로 가지고,
상기 검증 모듈은 상기 알람 신호 발생 시점에서의 센서 데이터를 기반으로, 상기 알람과 센서 데이터의 대응관계와 상기 기계 학습 모델링 결과의 상기 알람과 센서 데이터의 가중치 및 문턱값을 업데이트하여 상기 기계 학습 모델을 검증하도록 구성되는, 선박 상태 예측 시스템.
오류 모델링 모듈에 의해, 선박 내 장비별 오류 상황에 대한 트리(Tree)를 정의하고, 각 오류 상황에 관련된 알람과 상기 알람에 해당하는 센서 데이터의 대응관계를 정의하는 단계;
기계 학습 모델링 모듈에 의해, 알람 및 센서 데이터 중 적어도 하나와 관련하여 선택된 태그(tag)에 관하여 정의된 필터링 조건에 해당하는 알람 및 센서 데이터를 기반으로 기계 학습 모델링을 수행하는 단계;
모니터링 및 오류 데이터 수집 모듈에 의해, 상기 기계 학습 모델링의 결과 데이터를 활용하여 상태 예측 지수를 계산하고, 상기 상태 예측 지수가 문턱값을 넘는 경우 오류 상황으로 판단하는 단계; 및
검증 모듈에 의해, 오류 상황에 관련된 알람 신호 발생 시점과 상기 알람 신호 발생 시점에서의 센서 데이터를 확인하여 오류 상황에 관련된 알람과 센서 데이터의 대응관계와 기계 학습 모델을 검증하는 단계를 포함하는, 선박 상태 예측 방법.
제4항에 있어서,
상기 필터링 조건은 선박 장비 운용 조건, 센서 신호 이상치 제거 조건 및 다변량 변수 차원 축소 조건을 포함하는 선박 상태 예측 방법.
제4항에 있어서,
상기 기계 학습 모델링에 의해 생성되는 기계 학습 모델링 결과는 상기 선택된 태그에 해당하는 알람 및 센서 데이터와, 오류 상황 판단의 기준이 되는 문턱값을 입력값으로 가지고, 오류 상황을 판단하기 위한 상기 상태 예측 지수를 출력값으로 가지고,
상기 검증하는 단계는 상기 알람 신호 발생 시점에서의 센서 데이터를 기반으로, 상기 알람과 센서 데이터의 대응관계와 상기 기계 학습 모델링 결과의 상기 알람과 센서 데이터의 가중치 및 문턱값을 업데이트하여 상기 기계 학습 모델을 검증하는, 선박 상태 예측 방법.