KR102350636B1 - 플랜트 고장 예지 장치 및 방법 - Google Patents

플랜트 고장 예지 장치 및 방법 Download PDF

Info

Publication number
KR102350636B1
KR102350636B1 KR1020200019860A KR20200019860A KR102350636B1 KR 102350636 B1 KR102350636 B1 KR 102350636B1 KR 1020200019860 A KR1020200019860 A KR 1020200019860A KR 20200019860 A KR20200019860 A KR 20200019860A KR 102350636 B1 KR102350636 B1 KR 102350636B1
Authority
KR
South Korea
Prior art keywords
model
data
failure
plant
failure prediction
Prior art date
Application number
KR1020200019860A
Other languages
English (en)
Other versions
KR20210105196A (ko
Inventor
박지훈
김현식
나상건
유준우
Original Assignee
두산중공업 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 두산중공업 주식회사 filed Critical 두산중공업 주식회사
Priority to KR1020200019860A priority Critical patent/KR102350636B1/ko
Priority to US17/165,544 priority patent/US11334053B2/en
Publication of KR20210105196A publication Critical patent/KR20210105196A/ko
Application granted granted Critical
Publication of KR102350636B1 publication Critical patent/KR102350636B1/ko

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
    • G05B23/0283—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
    • 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
    • G05B23/0218—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
    • G05B23/0256—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 injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

플랜트로부터 수집되는 데이터를 기초로 물리 기반 고장 예지 모델 및 데이터 기반 고장 예지 모델 중 하나의 모델을 선정하고, 선정된 고장 예지 모델을 이용하여 플랜트의 고장을 예지하는 플랜트 고장 예지 장치 및 방법에 관한 것이다.
본 발명의 실시 예에 따른 플랜트 고장 예지 방법은 물리 기반 모델인 제1모델 그룹 및 데이터 기반의 모델인 제2모델 그룹을 메모리에 저장하는 단계와, 플랜트로부터 측정되는 데이터를 수집하는 단계와, 수집된 데이터를 기초로 상기 제1모델 그룹 및 상기 제2모델 그룹 중 플랜트의 고장을 예지하기 위한 고장 예지 모델 그룹을 선정하고, 선정된 모델 그룹에 포함된 모델 중 적어도 하나의 고장 예지 모델을 선정하는 단계와, 선정된 고장 예지 모델의 성능을 검증하는 단계와, 상기 고장 예지 모델의 성능을 검증한 결과에 따라 선정된 고장 예지 모델을 이용하여 플랜트의 고장을 예지하는 단계를 포함한다.

Description

플랜트 고장 예지 장치 및 방법{Apparatus and method of plant failure prediction}
본 발명은 플랜트 고장 예지 장치 및 방법에 관한 것으로, 보다 자세하게는 플랜트로부터 수집되는 데이터를 기초로 물리 기반 고장 예지 모델 및 데이터 기반 고장 예지 모델 중 하나의 모델을 선정하고, 선정된 고장 예지 모델을 이용하여 플랜트의 고장을 예지하는 플랜트 고장 예지 장치 및 방법에 관한 것이다.
일반적으로 발전 또는 화학 등의 대형 플랜트(plant)들은 다양한 종류의 수백 개의 기계 및 전기 설비들이 복잡하게 연결되어 운전되고 있다. 이런 플랜트들의 신뢰성을 확보하고 정상적인 운용을 위하여 사고의 발단이 되는 이상 징후를 상시로 감시해야 한다. 이에 플랜트를 구성하는 주요 구성 부품의 파손 여부를 실시간으로 감지하고 부품에 이상 징후가 발견되는 경우 운전자에게 알람을 발생시키는 감시장치가 이용되고 있다.
즉, 플랜트의 고장은 플랜트에 피해를 끼쳐 원하지 않는 성능을 보이게 되거나, 이에 더 나아가 플랜트가 파괴되는 경우, 사람이 다치거나 죽을 수 있으며, 환경 문제를 야기할 수도 있다. 따라서 조기에 고장을 감지할 수 있는 조기 경보 시스템이 반드시 필요하다.
일반적으로 조기 경보 시스템을 위한 플랜트의 고장 예지는 도메인 지식(Domain-Knowledge)을 기반으로 수행되는데. 플랜트의 복잡성, 질 좋은 데이터 및 고장 데이터의 부족, 고장 감지/진단 정보 이용 미비 등으로 인해 플랜트의 고장이 제대로 예지되지 못하는 문제가 있다.
삭제
공개특허공보 제10-2017-0125238호
본 발명은 앞에서 설명한 문제점을 해결하기 위한 것으로, 플랜트로부터 수집되는 데이터를 기초로 물리 기반 고장 예지 모델 및 데이터 기반 고장 예지 모델 중 하나의 고장 예지 모델을 선정하고, 선정된 고장 예지 모델을 이용하여 플랜트의 고장을 예지하는 플랜트 고장 예지 장치 및 방법을 제공하는 것을 목적으로 한다.
위에서 언급된 본 발명의 기술적 과제 외에도, 본 발명의 다른 특징 및 이점들이 이하에서 기술되거나, 그러한 기술 및 설명으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 플랜트 고장 예지 방법은 물리 기반 모델인 제1모델 그룹 및 데이터 기반의 모델인 제2모델 그룹을 메모리에 저장하는 단계와, 플랜트로부터 측정되는 데이터를 수집하는 단계와, 수집된 데이터를 기초로 제1모델 그룹 및 제2모델 그룹 중 플랜트의 고장을 예지하기 위한 고장 예지 모델을 선정하고, 선정된 모델 그룹에 포함된 모델 중 적어도 하나의 고장 예지 모델을 선정하는 단계와, 선정된 고장 예지 모델의 성능을 검증하는 단계와, 고장 예지 모델의 성능을 검증한 결과에 따라 선정된 고장 예지 모델을 이용하여 플랜트의 고장을 예지하는 단계를 포함할 수 있다.
또한, 앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 플랜트 고장 예지 장치는 물리 기반 모델인 제1모델 그룹 및 데이터 기반 모델인 제2모델 그룹을 저장하는 메모리와, 플랜트로부터 측정되는 데이터를 수집하고, 수집된 데이터를 기초로 제1모델 그룹 및 제2모델 그룹 중 플랜트의 고장을 예지하기 위한 고장 예지 모델 그룹을 선정하고, 선정된 모델 그룹에 포함된 모델 중 적어도 하나의 고장 예지 모델을 선정하고, 선정된 고장 예지 모델의 성능을 검증하고, 고장 예지 모델의 성능을 검증한 결과에 따라 선정된 고장 예지 모델을 이용하여 플랜트의 고장을 예지하는 프로세서를 포함할 수 있다.
본 발명의 실시 예에 따른 플랜트 고장 예지 장치 및 방법은 최적의 고장 예지 모델을 이용하여 플랜트의 고장을 예지할 수 있다.
또한, 고장이 발생한 플랜트의 구성에 대한 전문 지식과 고장 사례 및 데이터가 부족한 경우에도 정확하게 플랜트의 고장을 예지할 수 있다.
이 밖에도, 본 발명의 실시 예들을 통해 본 발명의 또 다른 특징 및 이점들이 새롭게 파악될 수도 있을 것이다.
도 1은 본 발명의 실시 예에 따른 플랜트 고장 예지 시스템의 구성을 나타내는 도면이다.
도 2는 본 발명의 실시 예에 따른 고장 예지 장치의 구성을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 4는 본 발명의 실시 예에 따른 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 6은 본 발명의 실시 예에 따른 플랜트 고장 예지 방법을 나타내는 도면이다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.
다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련 기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.
이하, 첨부한 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
도 1은 본 발명의 실시 예에 따른 플랜트 고장 예지 시스템의 구성을 나타내는 도면이다.
도 1을 참조하면, 본 발명의 실시 예에 따른 플랜트 고장 예지 시스템(1000)은 플랜트(100) 및 고장 예지 장치(200)를 포함할 수 있다.
고장 예지 장치(200)는 플랜트(100)로부터 수집되는 데이터를 이용하여 물리적 고장 예지 모델 및 데이터 기반의 고장 예지 모델을 포함하는 복수의 고장 예지 모델들 중 최적의 고장 예지 모델을 선정하고, 선정된 최적의 고장 예지 모델을 이용하여 플랜트(100)의 고장을 예지할 수 있다.
여기서, 플랜트(100)로부터 수집된 데이터는 플랜트(100)의 플랜트(100)에 포함되는 특정 구성에 대한 온도, 압력 및 습도, NOx, SOx, O2, 배기량, 효율 및 발전 출력 등을 포함할 수 있다. 또한, 플랜트(100)로부터 수집된 데이터는 플랜트(100)의 상태에 대한 데이터로, 이전 시점에서 플랜트(100)로부터 수집된 데이터 및 현재 시점에서 플랜트(100)로부터 수집된 데이터를 포함할 수 있다.
고장 예지 장치(200)는 플랜트(100)로부터 수집된 데이터를 기초로 선정된 최적의 예지 모델을 이용하여 플랜트(100)에 고장이 발생할 시점 및 위치를 판단하고, 플랜트(100)에 고장이 발생하게 될 원인, 예상 경보 레벨, 예지치, 트렌드를 판단할 수 있다. 이에 따라, 고장 예지 장치(200)는 고장을 감지하고 진단한 정보를 이용하여 플랜트(100)의 고장을 예지함으로써 보다 정확하게 플랜트(100)의 고장을 예지할 수 있다.
도 2는 본 발명의 실시 예에 따른 고장 예지 장치의 구성을 나타내는 도면이다.
도 2를 참조하면, 본 발명의 실시 예에 따른 고장 예지 장치(200)는 메모리(210) 및 프로세서(220)를 포함할 수 있다.
메모리(210)는 고장 예지 모델을 저장하고 있을 수 있다. 여기서, 고장 예지 모델은 물리 기반 모델인 제1모델 그룹 및 데이터 기반의 제2모델 그룹을 포함할 수 있다. 제1모델 그룹은 물리 법칙을 기반으로 한 제1모델들을 그룹핑한 것으로, 특정값에 대해 정해져 있는 값을 출력하는 모델일 수 있다. 제2모델 그룹은 데이터를 기반으로 한 제2모델들을 그룹핑한 것으로, 특정값에 대해 저장된 데이터를 분석하여 출력하는 모델일 수 있다.
프로세서(220)는 플랜트(100)로부터 데이터를 수집하고, 수집된 데이터를 분석할 수 있다. 여기서, 플랜트(100)로부터 수집된 데이터는 플랜트(100)의 플랜트(100)에 포함되는 특정 구성에 대한 온도, 압력 및 습도, NOx, SOx, O2, 배기량, 효율 및 발전 출력 등을 포함할 수 있다. 또한, 플랜트(100)로부터 수집된 데이터는 플랜트(100)의 상태에 대한 데이터로, 이전 시점에서 플랜트(100)로부터 수집된 데이터 및 현재 시점에서 플랜트(100)로부터 수집된 데이터를 포함할 수 있다.
프로세서(220)는 수집된 데이터를 기초로 새로운 특징 데이터를 생성할 수 있다. 예컨대, 프로세서(220)는 수집된 데이터를 기초로 평균값, 최소/최대값 등에 대한 특징 데이터를 생성할 수 있다. 또한, 프로세서(220)는 수집된 데이터 및 생성된 데이터의 상관관계를 분석하여 데이터의 변화, 트렌드 등을 분석할 수 있다.
또한, 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 입력 데이터 및 출력 데이터로 분류할 수 있다. 예컨대, 플랜트(100)에 포함되는 특정 구성에 대한 온도, 압력, 습도에 따라 발전 출력은 상이할 수 있으며, 특정 구성에 대한 온도, 압력, 습도, 발전 출력은 프로세서(220)에 수집될 수 있다. 이때, 발전 출력은 최종 결과로써, 특정 구성의 고장을 판단할 수 있는 파라미터일 수 있다. 예컨대, 발전 출력이 일정 값 이하인 경우 특정 구성은 고장인 것으로 판단하는 등의 고장을 판단하는 지표가 될 수 있다. 이에 따라, 프로세서(220)는 발전 출력에 대한 데이터를 출력 데이터로 분류할 수 있다.
한편, 특정 구성에 대한 온도, 압력, 습도는 최종 결과에 영향을 주는 파라미터일 수 있다. 예컨대, 특정 구성에 대한 온도, 압력, 습도에 변화됨에 따라 최종 결과인 발전 출력 또한 변화될 수 있다. 이에 따라, 프로세서(220)는 특정 구성에 대한 온도, 압력, 습도를 입력 데이터로 분류할 수 있다.
프로세서(220)는 수집된 데이터를 기초로 제1모델 그룹 및 제2모델 그룹 중 플랜트(100)의 고장을 예지하기 위한 모델 그룹을 선정할 수 있다. 구체적으로, 프로세서(220)는 수집된 데이터의 개수에 따라 제1모델 그룹 및 제2모델 그룹 중 모델 그룹을 선정할 수 있다. 즉, 프로세서(220)는 플랜트(100)로부터 수집되는 데이터의 개수가 일정 개수 이상인 경우 제2모델 그룹을 선정할 수 있고, 플랜트(100)로부터 수집되는 데이터의 개수가 일정 개수 미만인 경우 제1모델 그룹을 선정할 수 있다.
여기서, 플랜트(100)로부터 수집된 데이터가 플랜트(100)의 고장을 예지할 수 있을만큼 충분한 경우, 프로세서(220)는 수집된 데이터를 이용하여 플랜트(100)의 고장을 예지할 수 있다. 즉, 프로세서(220)는 데이터를 기반으로 플랜트(100)의 고장을 예지하기 위해 제2모델 그룹을 선정할 수 있다.
또한, 플랜트(100)로부터 수집된 데이터가 플랜트(100)의 고장을 예지할 수 있을만큼 충분하지 않은 경우, 프로세서(220)는 물리법칙을 이용하여 플랜트(100)의 고장을 예지할 수 있다. 즉, 프로레서(220)는 물리법칙을 기반으로 플랜트(100)의 고장을 예지하기 위해 제1모델 그룹을 선정할 수 있다.
프로세서(220)는 제2모델 그룹이 선정된 경우, 데이터 개수에 따라 제2모델 그룹에 포함되는 제2모델 중 적어도 하나의 제2모델을 선정할 수 있다. 구체적으로, 제2모델 그룹에 포함되는 제2모델들 각각은 데이터 개수와 매칭되어 있을 수 있다. 프로세서(220)는 플랜트(100)로부터 수집된 데이터의 개수에 해당하는 제2모델을 고장 예지 모델로 선정할 수 있다.
또한, 프로세서(220)는 제2모델과 매칭된 데이터의 개수가 플랜트로부터 수집되는 데이터의 개수보다 더 작은 제2모델들을 고장 예지 모델로 선정할 수 있다. 예컨대, 제2모델과 매칭된 데이터의 개수는 해당 모델을 이용하기 위해 요구되는 데이터의 개수일 수 있다. 이에 따라, 각 모델에 매칭되는 데이터의 개수는 최소한의 데이터를 의미하므로, 플랜트(100)로부터 수집되는 데이터의 개수가 매칭되는 데이터의 개수보다 많은 제2모델의 경우 고장 예지를 수행할 수 있다. 즉, 프로세서(220)는 매칭된 데이터의 개수가 플랜트(100)로부터 수집되는 데이터의 개수보다 더 작은 제2모델을 모두 고장 예지 모델로 선정할 수 있다.
또한, 프로세서(220)는 제1모델 그룹이 선정된 경우, 플랜트(100)로부터 수집된 데이터를 이용하여 제1모델 그룹에 포함되는 제1모델 중 적어도 하나의 제1모델을 선정할 수 있다. 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 입력 데이터 및 출력 데이터로 구분한 결과를 이용하여 제1모델 그룹에 포함되는 제1모델 중 적어도 하나의 제1모델을 선정할 수 있다. 프로세서(220)는 입력 데이터를 제1모델들의 입력값으로 설정할 수 있고, 입력값에 의해 제1모델들에서 출력되는 출력값을 출력 데이터와 비교할 수 있다.
프로세서(220)는 제1모델들에서 출력되는 출력값과 출력 데이터를 비교한 결과, 출력값과 출력 데이터간의 잔차가 가장 작은 제1모델을 고장 예지 모델로 선정할 수 있다.
한편, 도면에는 개시되지 않았으나, 프로세서(220)는 제1모델 그룹 및 제2모델 그룹 각각에서 적어도 하나의 모델들을 선정하고, 제1모델 그룹 및 제2모델 그룹을 조합하여 새로운 모델을 도출할 수도 있다. 예컨대, 프로세서(220)는 제1모델 그룹에 포함된 모델들 중 제1모델 하나를 선정하고, 제2모델 그룹에 포함된 모델들 중 제2모델 하나를 선정할 수 있다. 프로세서(220)는 선정된 제1모델 및 제2모델을 조합하여 새로운 고장 예지 모델을 도출할 수도 있다. 또한, 조합하는 모델의 개수는 각 모델 그룹별 하나씩으로 한정하지 않고, 복수개의 모델들이 각 모델 그룹별로 선정되어 조합될 수 있으며, 각 모델 그룹별 선정되는 모델의 개수는 동일하지 않을 수 있다.
프로세서(220)는 선정된 고장 예지 모델의 성능을 검증할 수 있다. 프로세서(220)는 사전에 수집되어 저장된 데이터셋을 이용하여 선정된 고장 예지 모델의 성능을 검증할 수 있다. 여기서, 데이터셋은 과거의 플랜트(100)로부터 수집된 데이터들일 수 있고, 입력 데이터 및 출력 데이터가 매칭되어 저장되어 있을 수 있다.
프로세서(220)는 선정된 고장 예지 모델에 데이터셋의 입력 데이터를 입력하고, 선정된 고장 예지 모델에서 출력되는 출력값과 입력 데이터와 매칭되는 출력 데이터를 비교할 수 있다. 프로세서(220)는 선정된 고장 예지 모델에서 출력되는 출력값과 출력 데이터를 비교한 결과, 출력값과 출력 데이터간의 잔차가 일정크기 이상인 경우, 선정된 고장 예지 모델의 성능이 낮은 것으로 검증하고, 출력값과 출력 데이터간의 잔차가 일정크기 미만인 경우, 선정된 고장 예지 모델의 성능이 높은 것으로 검증할 수 있다.
여기서, 출력값과 출력 데이터간의 잔차가 작은 경우 선정된 고장 예지 모델은 출력 데이터와 유사한 값을 출력한 것으로, 프로세서(220)는 출력값과 출력 데이터간의 잔차가 작은 경우, 생성된 고장 예지 모델의 성능은 좋은 것으로 검증할 수 있다. 또한, 출력값과 출력 데이터간의 잔차가 큰 경우 선정된 고장 예지 모델은 출력 데이터와 유사하지 않은 값을 출력한 것으로, 프로세서(220)는 출력값과 출력 데이터간의 잔차가 큰 경우, 선정된 고장 예지 모델의 성능은 좋지 않은 것으로 검증할 수 있다.
프로세서(220)는 선정된 고장 예지 모델의 성능을 검증한 결과를 기초로 플랜트(100)의 고장을 예지할 수 있다.
여기서, 프로세서(220)는 선정된 고장 예지 모델의 성능이 좋지 않은 것으로 검증된 경우 프로세서(220)는 선정된 고장 예지 모델을 이용하여 플랜트(100)의 고장을 예지하지 않을 수 있다. 선정된 고장 예지 모델의 성능이 좋지 않은 경우 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 이용하여 고장 예지 모델을 재선정할 수 있다.
또한, 프로세서(220)는 선정된 고장 예지 모델의 성능이 좋은 것으로 검증된 경우, 프로세서(220)는 선정된 고장 예지 모델을 이용하여 플랜트(100)의 고장을 예지할 수 있다.
프로세서(220)는 특정 시점에 대한 예지치 및 트렌드, 고장이 발생할 것으로 예상되는 시점 및 위치, 고장이 발생하게 될 원인 및 경보 레벨을 예지할 수 있다. 즉, 프로세서(220)는 플랜트(100)의 현재 상태에 따른 고장 예지 모델에 미래의 시점에 대한 입력 데이터를 입력값으로 입력함으로써, 미래의 특정 시점에서의 출력값을 예지할 수 있다.
예컨대, 현재 엔진의 회전수가 계속적으로 증가되고 있는 경우, 증가되는 정도를 기초로 미래의 특정 시점의 회전수를 추정할 수 있다. 프로세서(220)는 추정한 회전수를 고장 예지 모델의 입력값으로 입력하고, 출력되는 출력값을 기초로 플랜트의 고장을 예지할 수 있다.
본 발명의 실시 예에 따른 고장 예지 장치(200)는 플랜트(100)로부터 수집되는 데이터를 이용하여 물리 기반 모델인 제1모델 및 데이터 기반 모델인 제2모델 중 하나의 모델을 선정하고, 선정된 고장 예지 모델을 이용하여 플랜트(100)의 고장을 예지할 수 있다.
도 3은 본 발명의 실시 예에 따른 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 3을 참조하면, 메모리(210)는 제1모델들 및 제2모델들을 저장하고 있을 수 있다. 여기서, 제1모델은 물리법칙 기반의 모델로, 물리법칙을 기반으로 한 제1모델들끼리 그룹핑되어 메모리(210)에 저장될 수 있다. 또한, 제2모델은 데이터 기반의 제2모델로, 데이터를 기반으로 한 제2모델들끼리 그룹핑되어 메모리(210)에 저장될 수 있다. 또한, 제1모델은 특정값에 대해 정해져 있는 값을 출력할 수 있고, 제2모델은 특정값에 대해 저장된 데이터를 분석하여 값을 출력할 수 있다.
메모리(210)에는 물리법칙 기반 모델인 제1모델들이 그룹핑된 제1모델 그룹이 저장될 수 있다. 또한, 메모리(210)에는 데이터 기반 모델인 제2모델들이 그룹핑된 제2모델 그룹이 저장될 수 있다.
도 4는 본 발명의 실시 예에 따른 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 4를 참조하면, 프로세서(220)는 플랜트(100)로부터 수집되는 데이터의 개수에 따라 제1모델 및 제2모델 중 플랜트(100)의 고장을 예지하기 위한 예지 모델을 선정할 수 있다.
예컨대, 프로세서(220)는 플랜트(100)로부터 수집되는 데이터의 개수가 일정 개수 이상인지 판단하고, 판단된 결과에 따라 제1모델 및 제2모델 중 적어도 하나의 모델을 선정할 수 있다.
예컨대, 일정 개수가 N개이고, 플랜트(100)로부터 수집된 데이터의 개수가 N+1000개인 경우, 플랜트(100)로부터 수집된 데이터의 개수는 일정 개수 이상인 것으로 판단할 수 있다. 한편, 일정 개수가 N개이고, 플랜트(100)로부터 수집된 데이터의 개수가 N-100개인 경우, 플랜트(100)로부터 수집된 데이터의 개수는 일정 개수 미만인 것으로 판단할 수 있다.
도 5는 본 발명의 실시 예에 따른 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 5를 참조하면, 프로세서(220)는 플랜트(100)로부터 수집되는 데이터의 개수가 일정 개수 이상인 경우 제2모델을 고장 예지 모델로 선정할 수 있고, 플랜트(100)로부터 수집되는 데이터의 개수가 일정 개수 미만인 경우 제1모델을 고장 예지 모델로 선정할 수 있다.
여기서, 플랜트(100)로부터 수집된 데이터가 플랜트(100)의 고장을 예지할 수 있을만큼 충분한 경우, 프로세서(220)는 수집된 데이터를 이용하여 플랜트(100)의 고장을 예지할 수 있다. 즉, 프로세서(220)는 데이터를 기반으로 플랜트(100)의 고장을 예지하기 위해 제2모델을 고장 예지 모델로 선정할 수 있다.
또한, 플랜트(100)로부터 수집된 데이터가 플랜트(100)의 고장을 예지할 수 있을만큼 충분하지 않은 경우, 프로세서(220)는 물리법칙을 이용하여 플랜트(100)의 고장을 예지할 수 있다. 즉, 프로레서(220)는 물리법칙을 기반으로 플랜트(100)의 고장을 예지하기 위해 제1모델을 고장 예지 모델로 선정할 수 있다.
프로세서(220)는 플랜트(100)로부터 수집된 데이터의 개수에 따른 모델 그룹을 메모리(210)로부터 리드할 수 있다. 예컨대, 플랜트(100)로부터 수집된 데이터의 개수가 N+100개인 경우, 일정 개수인 N개보다 크므로, 메모리(210)로부터 제2모델 그룹(214)을 리드할 수 있고, 플랜트(100)로부터 수집된 데이터의 개수가 N-100개인 경우, 일정 개수인 N개보다 작으므로, 메모리(210)로부터 제1모델 그룹(212)을 리드할 수 있다.
도 6은 본 발명의 실시 예에 따른 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 6을 참조하면, 선정된 모델 그룹에 포함되는 모델들 중 적어도 하나의 모델을 선정할 수 있다.
프로세서(220)는 제2모델 그룹이 선정된 경우, 데이터 개수에 따라 제2모델 그룹에 포함되는 제2모델 중 적어도 하나의 제2모델을 선정할 수 있다. 구체적으로, 메모리(210)에는 제2모델 그룹에 포함되는 제2모델들 각각과 데이터 개수가 매칭되어 저장되어 있을 수 있다. 프로세서(220)는 플랜트(100)로부터 수집된 데이터와 제2모델들 각각의 데이터 개수를 비교할 수 있다.
도면상에는 제2모델 그룹이 모델 그룹으로써 선정되고, 제2모델 그룹에 포함되는 제2모델들 중 적어도 하나의 모델을 선정하기 위한 것을 개시하고 있으나, 제1모델 그룹이 모델 그룹으로써 선정되고, 제1모델 그룹에 포함되는 제1모델들 중 적어도 하나의 모델을 선정할 수도 있다.
구체적으로, 프로세서(220)는 제1모델 그룹이 선정된 경우, 플랜트(100)로부터 수집된 데이터를 이용하여 제1모델 그룹에 포함되는 제1모델 중 적어도 하나의 제1모델을 선정할 수 있다. 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 입력 데이터 및 출력 데이터로 구분한 결과를 이용하여 제1모델 그룹에 포함되는 제1모델 중 적어도 하나의 제1모델을 선정할 수 있다. 프로세서(220)는 입력 데이터를 제1모델들의 입력값으로 설정할 수 있고, 입력값에 의해 제1모델들에서 출력되는 출력값을 출력 데이터와 비교할 수 있다.
도 6은 본 발명의 실시 예에 따른 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 6을 참조하면, 프로세서(220)는 선정된 모델 그룹에 포함되는 모델들 중 적어도 하나의 모델을 선정할 수 있다. 프로세서(220)는 제2모델 그룹이 선정된 경우, 데이터 개수에 따라 제2모델 그룹에 포함되는 제2모델 중 적어도 하나의 제2모델을 선정할 수 있다. 예컨대, 메모리(210)에는 제2모델(Mdel2-1)과 데이터 개수 N-1000개가 매칭되어 저장되어 있을 수 있고, 제2모델(Model2-2)과 데이터 개수 N-500개가 매칭되어 저장되어 있을 수 있다. 또한, 메모리(210)에는 제2모델(Model2-3)과 데이터 개수 N개가 매칭되어 저장되어 있을 수 있고, 제2모델(Model2-4)과 데이터 개수 N+500개가 매칭되어 저장되어 있을 수 있고, 제2모델(Model2-5)과 데이터 개수 N+1000개가 매칭되어 저장되어 있을 수 있다.
이에 따라, 프로세서(220)는 플랜트(100)로부터 수집된 데이터의 개수에 해당하는 모델을 고장 예지 모델로 선정할 수 있다. 예컨대, 플랜트(100)로부터 수집된 데이터의 개수가 N개인 경우, 프로세서(220)는 데이터의 개수 N개를 포함하는 제2모델(Model2-3)을 고장 예지 모델로 선정할 수 있다.
또한, 프로세서(220)는 플랜트(100)로부터 수집된 데이터의 개수보다 작은 데이터의 개수와 매칭되는 모델을 고장 예지 모델로 선정할 수 있다. 예컨대, 플랜트(100)로부터 수집된 데이터의 개수가 N개인 경우, 프로세서(220)는 플랜트(100)로부터 수집된 데이터의 개수 N개를 포함하는 제2모델(Model2-3)과, 플랜트(100)로부터 수집된 데이터의 개수 N개보다 작은 데이터 개수와 매칭되는 제2모델(Model2-1) 및 제2모델(Model2-2)를 고장 예지 모델로 선정할 수 있다.
도면상에는 제2모델 그룹이 모델 그룹으로써 선정되고, 제2모델 그룹에 포함되는 제2모델들 중 적어도 하나의 모델을 선정하기 위한 것을 개시하고 있으나, 제1모델 그룹이 모델 그룹으로써 선정되고, 제1모델 그룹에 포함되는 제1모델들 중 적어도 하나의 모델을 선정할 수도 있다.
구체적으로, 프로세서(220)는 제1모델 그룹이 선정된 경우, 플랜트(100)로부터 수집된 데이터를 이용하여 제1모델 그룹에 포함되는 제1모델 중 적어도 하나의 제1모델을 선정할 수 있다. 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 입력 데이터 및 출력 데이터로 구분한 결과에 따라 입력 데이터를 제1모델들의 입력값으로 설정할 수 있고, 입력값에 의해 제1모델들에서 출력되는 출력값을 출력 데이터와 비교할 수 있다.
프로세서(220)는 제1모델들에서 출력되는 출력값과 출력 데이터를 비교한 결과, 출력값과 출력 데이터간의 잔차가 가장 작은 제1모델을 고장 예지 모델로 선정할 수 있다.
도 8은 본 발명의 실시 예에 따른 플랜트 고장 예지 방법을 나타내는 도면이다.
도 6을 참조하면, 프로세서(220)는 플랜트(100)로부터 데이터를 수집할 수 있다(S100). 플랜트(100)로부터 수집된 데이터는 플랜트(100)의 플랜트(100)에 포함되는 특정 구성에 대한 온도, 압력 및 습도, NOx, SOx, O2, 배기량, 효율 및 발전 출력 등을 포함할 수 있다. 또한, 플랜트(100)로부터 수집된 데이터는 플랜트(100)의 상태에 대한 데이터로, 이전 시점에서 플랜트(100)로부터 수집된 데이터 및 현재 시점에서 플랜트(100)로부터 수집된 데이터를 포함할 수 있다.
또한, 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 입력 데이터 및 출력 데이터로 분류할 수 있다. 예컨대, 출력 데이터는 최종 결과로써, 특정 구성의 고장을 판단할 수 있는 파라미터일 수 있고, 입력 데이터는 특정 구성에 대한 최종 결과에 영향을 주는 파라미터일 수 있다.
프로세서(220)는 수집된 데이터를 기초로 제1모델 그룹 및 제2모델 그룹 중 고장 예지를 위한 모델 그룹을 선정할 수 있다(S200). 여기서, 고장 예지 모델은 물리 기반 모델인 제1모델 그룹 및 데이터 기반의 제2모델 그룹을 포함할 수 있다. 제1모델 그룹은 물리 법칙을 기반으로 한 제1모델들을 그룹핑한 것으로, 특정값에 대해 정해져 있는 값을 출력하는 모델일 수 있다. 제2모델 그룹은 데이터를 기반으로 한 제2모델들을 그룹핑한 것으로, 특정값에 대해 저장된 데이터를 분석하여 출력하는 모델일 수 있다.
프로세서(220)는 플랜트(100)로부터 수집되는 데이터의 개수가 일정 개수 이상인 경우 제2모델을 고장 예지 모델로 선정할 수 있고, 플랜트(100)로부터 수집되는 데이터의 개수가 일정 개수 미만인 경우 제1모델을 고장 예지 모델로 선정할 수 있다.
프로세서(220)는 선정된 모델 그룹에 포함된 모델들 중 적어도 하나의 모델을 고장 예지 모델로 선정할 수 있다(S300).
프로세서(220)는 제2모델 그룹이 선정된 경우, 데이터 개수에 따라 제2모델 그룹에 포함되는 제2모델 중 적어도 하나의 제2모델을 선정할 수 있다. 구체적으로, 제2모델 그룹에 포함되는 제2모델들 각각은 데이터 개수와 매칭되어 있을 수 있다. 프로세서(220)는 플랜트(100)로부터 수집된 데이터의 개수에 해당하는 제2모델을 고장 예지 모델로 선정할 수 있다. 또한, 프로세서(220)는 수집된 데이터의 개수보다 더 작은 데이터 개수와 매칭되는 제2모델을 고장 예지 모델로 선정할 수 있다.
한편, 프로세서(220)는 제1모델 그룹이 선정된 경우, 플랜트(100)로부터 수집된 데이터를 이용하여 제1모델 그룹에 포함되는 제1모델 중 적어도 하나의 제1모델을 선정할 수 있다. 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 입력 데이터 및 출력 데이터로 구분한 결과를 이용하여 제1모델 그룹에 포함되는 제1모델 중 적어도 하나의 제1모델을 선정할 수 있다. 프로세서(220)는 입력 데이터를 제1모델들의 입력값으로 설정할 수 있고, 입력값에 의해 제1모델들에서 출력되는 출력값을 출력 데이터와 비교할 수 있다.
프로세서(220)는 제1모델들에서 출력되는 출력값과 출력 데이터를 비교한 결과, 출력값과 출력 데이터간의 잔차가 가장 작은 제1모델을 고장 예지 모델로 선정할 수 있다.
프로세서(220)는 선정된 고장 예지 모델의 성능을 검증할 수 있다(S400). 프로세서(220)는 사전에 수집되어 저장된 데이터셋을 이용하여 선정된 고장 예지 모델의 성능을 검증할 수 있다. 여기서, 데이터셋은 과거의 플랜트(100)로부터 수집된 데이터들일 수 있고, 입력 데이터 및 출력 데이터가 매칭되어 저장되어 있을 수 있다.
프로세서(220)는 선정된 고장 예지 모델에 데이터셋의 입력 데이터를 입력하고, 선정된 고장 예지 모델에서 출력되는 출력값과 입력 데이터와 매칭되는 출력 데이터를 비교할 수 있다. 프로세서(220)는 선정된 고장 예지 모델에서 출력되는 출력값과 출력 데이터를 비교한 결과, 출력값과 출력 데이터간의 잔차가 일정크기 이상인 경우, 선정된 고장 예지 모델의 성능이 낮은 것으로 검증하고, 출력값과 출력 데이터간의 잔차가 일정크기 미만인 경우, 선정된 고장 예지 모델의 성능이 높은 것으로 검증할 수 있다.
프로세서(220)는 선정된 고장 예지 모델의 성능을 검증한 결과를 기초로 플랜트(100)의 고장을 예지할 수 있다(S500).
여기서, 프로세서(220)는 선정된 고장 예지 모델의 성능이 좋지 않은 것으로 검증된 경우 프로세서(220)는 선정된 고장 예지 모델을 이용하여 플랜트(100)의 고장을 예지하지 않을 수 있다. 선정된 고장 예지 모델의 성능이 좋지 않은 경우 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 이용하여 고장 예지 모델을 재선정할 수 있다.
또한, 프로세서(220)는 선정된 고장 예지 모델의 성능이 좋은 것으로 검증된 경우, 프로세서(220)는 선정된 고장 예지 모델을 이용하여 플랜트(100)의 고장을 예지할 수 있다.
전술한 바와 같이 본 발명의 실시 예에 따르면 플랜트로부터 수집되는 데이터를 기초로 물리 기반 고장 예지 모델 및 데이터 기반 고장 예지 모델 중 하나의 모델을 선정하고, 선정된 고장 예지 모델을 이용하여 플랜트의 고장을 예지하는 플랜트 고장 예지 장치 및 방법을 실현할 수 있다.
본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 플랜트
200: 고장 예지 장치
210: 메모리
220: 프로세서

Claims (18)

  1. 물리 기반 모델인 제1모델 그룹 및 데이터 기반의 모델인 제2모델 그룹을 메모리에 저장하는 단계;
    플랜트로부터 측정되는 데이터를 수집하는 단계;
    수집된 데이터를 기초로 상기 제1모델 그룹 및 상기 제2모델 그룹 중 플랜트의 고장을 예지하기 위한 모델 그룹을 선정하고, 선정된 모델 그룹에 포함된 모델 중 적어도 하나의 고장 예지 모델을 선정하는 단계;
    선정된 고장 예지 모델의 성능을 검증하는 단계;
    상기 고장 예지 모델의 성능을 검증한 결과에 따라 선정된 고장 예지 모델을 이용하여 플랜트의 고장을 예지하는 단계를 포함하는 플랜트 고장 예지 방법.
  2. 제1항에 있어서,
    상기 고장 예지 모델을 선정하는 단계는,
    상기 플랜트로부터 수집되는 데이터의 개수가 일정 개수 이상인 경우 상기 제2모델 그룹을 선정하고, 상기 플랜트로부터 수집되는 데이터의 개수가 일정 개수 미만인 경우 상기 제1모델 그룹을 선정하는 플랜트 고장 예지 방법.
  3. 제1항에 있어서,
    상기 고장 예지 모델을 선정하는 단계는,
    상기 제2모델 그룹에 포함된 제2모델들 각각은 데이터 개수와 매칭되어 저장되어 있고,
    상기 제2모델 그룹이 선정된 경우, 상기 제2모델 중 상기 플랜트로부터 수집되는 데이터의 개수에 해당하는 제2모델을 고장 예지 모델로 선정하는 플랜트 고장 예지 방법.
  4. 제3항에 있어서,
    상기 고장 예지 모델을 선정하는 단계는,
    상기 제2모델과 매칭된 데이터의 개수가 상기 플랜트로부터 수집되는 데이터의 개수보다 더 작은 제2모델들을 고장 예지 모델로 선정하는 플랜트 고장 예지 방법.
  5. 제1항에 있어서,
    상기 데이터를 수집하는 단계는,
    상기 플랜트로부터 수집되는 데이터 중 플랜트의 고장을 판단할 수 있는 데이터를 출력 데이터로 분류하고, 상기 출력 데이터에 영향을 주는 데이터를 입력 데이터로 분류하고,
    상기 입력 데이터와 상기 출력 데이터를 매칭하여 저장하는 플랜트 고장 예지 방법.
  6. 제5항에 있어서,
    상기 고장 예지 모델을 선정하는 단계는,
    상기 제1모델 그룹이 선정된 경우, 상기 제1모델 그룹에 포함되는 제1모델들 각각에 상기 입력 데이터를 입력하고, 상기 제1모델들 각각에서 출력되는 출력값과 상기 입력 데이터와 매칭되는 상기 출력 데이터를 비교하고, 상기 출력값과 상기 출력 데이터간의 잔차가 가장 작은 제1모델을 고장 예지 모델로 선정하는 플랜트 고장 예지 방법.
  7. 제1항에 있어서,
    상기 고장 예지 모델의 성능을 검증하는 단계는,
    사전에 수집되어 저장된 데이터셋을 이용하여 상기 선정된 고장 예지 모델의 성능을 검증하고,
    상기 데이터셋은 입력 데이터 및 출력 데이터가 매칭되어 저장되어 있는 플랜트 고장 예지 방법.
  8. 제7항에 있어서,
    상기 고장 예지 모델의 성능을 검증하는 단계는,
    상기 선정된 고장 예지 모델에 상기 데이터셋의 입력 데이터를 입력하고, 상기 선정된 고장 예지 모델에서 출력되는 출력값과 상기 입력 데이터와 매칭되는 출력 데이터를 비교한 결과, 상기 출력값과 상기 출력 데이터간의 잔차가 일정크기 이상인 경우, 상기 선정된 고장 예지 모델의 성능이 낮은 것으로 검증하고, 상기 출력값과 상기 출력 데이터간의 잔차가 일정크기 미만인 경우, 상기 선정된 고장 예지 모델의 성능이 높은 것으로 검증하는 플랜트 고장 예지 방법.
  9. 제1항에 있어서,
    상기 플랜트의 고장을 예지하는 단계는,
    특정 시점에 대한 예지치 및 트렌드, 고장이 발생할 것으로 예상되는 시점, 위치 및 경보 레벨, 고장이 발생하는 원인을 예지하는 플랜트 고장 예지 방법.
  10. 물리 기반 모델인 제1모델 그룹 및 데이터 기반 모델인 제2모델 그룹을 저장하는 메모리;
    플랜트로부터 측정되는 데이터를 수집하고, 수집된 데이터를 기초로 상기 제1모델 그룹 및 상기 제2모델 그룹 중 플랜트의 고장을 예지하기 위한 모델 그룹을 선정하고, 선정된 모델 그룹에 포함된 모델 중 적어도 하나의 고장 예지 모델을 선정하고, 선정된 고장 예지 모델의 성능을 검증하고, 고장 예지 모델의 성능을 검증한 결과에 따라 선정된 고장 예지 모델을 이용하여 플랜트의 고장을 예지하는 프로세서를 포함하는 플랜트 고장 예지 장치.
  11. 제10항에 있어서,
    상기 프로세서는 상기 플랜트로부터 수집되는 데이터의 개수가 일정 개수 이상인 경우 상기 제2모델 그룹을 선정하고, 상기 플랜트로부터 수집되는 데이터의 개수가 일정 개수 미만인 경우 상기 제1모델 그룹을 선정하는 플랜트 고장 예지 장치.
  12. 제10항에 있어서,
    상기 메모리에는 상기 제2모델 그룹에 포함된 제2모델들 각각은 데이터 개수와 매칭되어 저장되어 있고,
    상기 프로세서는 상기 제2모델 그룹이 선정된 경우, 상기 제2모델 중 상기 플랜트로부터 수집되는 데이터의 개수에 해당하는 제2모델을 고장 예지 모델로 선정하는 플랜트 고장 예지 장치.
  13. 제12항에 있어서,
    상기 프로세서는 상기 제2모델과 매칭된 데이터의 개수가 상기 플랜트로부터 수집되는 데이터의 개수보다 더 작은 제2모델들을 고장 예지 모델로 선정하는 플랜트 고장 예지 장치.
  14. 제10항에 있어서,
    상기 프로세서는 상기 플랜트로부터 수집되는 데이터 중 플랜트의 고장을 판단할 수 있는 데이터를 출력 데이터로 분류하고, 상기 출력 데이터에 영향을 주는 데이터를 입력 데이터로 분류하고,
    상기 입력 데이터와 상기 출력 데이터를 매칭하여 저장하는 플랜트 고장 예지 장치.
  15. 제14항에 있어서,
    상기 프로세서는 상기 제1모델 그룹이 선정된 경우, 상기 제1모델 그룹에 포함되는 제1모델들 각각에 상기 입력 데이터를 입력하고, 상기 제1모델들 각가에서 출력되는 출력값과 상기 입력 데이터와 매칭되는 상기 출력 데이터를 비교하고, 상기 출력값과 상기 출력 데이터간의 잔차가 가장 작은 제1모델을 고장 예지 모델로 선정하는 플랜트 고장 예지 장치.
  16. 제10항에 있어서,
    상기 프로세서는 사전에 수집되어 저장된 데이터셋을 이용하여 상기 선정된 고장 예지 모델의 성능을 검증하고,
    상기 데이터셋은 입력 데이터 및 출력 데이터가 매칭되어 저장되어 있는 플랜트 고장 예지 장치.
  17. 제16항에 있어서,
    상기 프로세서는 상기 선정된 고장 예지 모델에 상기 데이터셋의 입력 데이터를 입력하고, 상기 선정된 고장 예지 모델에서 출력되는 출력값과 상기 입력 데이터와 매칭되는 출력 데이터를 비교한 결과, 상기 출력값과 상기 출력 데이터간의 잔차가 일정크기 이상인 경우, 상기 선정된 고장 예지 모델의 성능이 낮은 것으로 검증하고, 상기 출력값과 상기 출력 데이터간의 잔차가 일정크기 미만인 경우, 상기 선정된 고장 예지 모델의 성능이 높은 것으로 검증하는 플랜트 고장 예지 장치.
  18. 제10항에 있어서,
    상기 프로세서는 특정 시점에 대한 예지치 및 트렌드, 고장이 발생할 것으로 예상되는 시점, 위치 및 경보 레벨, 고장이 발생하는 원인을 예지하는 플랜트 고장 예지 장치.

KR1020200019860A 2020-02-11 2020-02-18 플랜트 고장 예지 장치 및 방법 KR102350636B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200019860A KR102350636B1 (ko) 2020-02-18 2020-02-18 플랜트 고장 예지 장치 및 방법
US17/165,544 US11334053B2 (en) 2020-02-11 2021-02-02 Failure prediction model generating apparatus and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200019860A KR102350636B1 (ko) 2020-02-18 2020-02-18 플랜트 고장 예지 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210105196A KR20210105196A (ko) 2021-08-26
KR102350636B1 true KR102350636B1 (ko) 2022-01-14

Family

ID=77465577

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200019860A KR102350636B1 (ko) 2020-02-11 2020-02-18 플랜트 고장 예지 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102350636B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102439323B1 (ko) * 2021-08-27 2022-09-02 에스에이치플랜트(주) 플랜트 상태 관리 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101713985B1 (ko) 2016-09-02 2017-03-09 에이블맥스(주) 예지 정비 방법 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101827108B1 (ko) 2016-05-04 2018-02-07 두산중공업 주식회사 플랜트 이상 감지 학습 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101713985B1 (ko) 2016-09-02 2017-03-09 에이블맥스(주) 예지 정비 방법 및 장치

Also Published As

Publication number Publication date
KR20210105196A (ko) 2021-08-26

Similar Documents

Publication Publication Date Title
KR101955305B1 (ko) 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출
CN107491057B (zh) 保护工业资产控制系统的系统及方法及计算机可读介质
EP3515039A1 (en) Decision system and method for separating faults from attacks
US7483774B2 (en) Method and system for intelligent maintenance
US10686806B2 (en) Multi-class decision system for categorizing industrial asset attack and fault types
CN107111309B (zh) 利用监督式学习方法的燃气涡轮机故障预测
CN115034248A (zh) 用于设备的自动诊断方法、系统和存储介质
JP2018139101A (ja) 産業資産制御システムにおける脅威検出のための特徴および境界の調整
KR102079359B1 (ko) 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법
EP2410312A1 (en) A method for computer-assisted analyzing of a technical system
US11916940B2 (en) Attack detection and localization with adaptive thresholding
Steurtewagen et al. Adding interpretability to predictive maintenance by machine learning on sensor data
Khan et al. AI based real-time signal reconstruction for wind farm with SCADA sensor failure
KR102350636B1 (ko) 플랜트 고장 예지 장치 및 방법
CN117092445A (zh) 基于大数据的配电系统的故障检测方法及系统
US11334053B2 (en) Failure prediction model generating apparatus and method thereof
KR102350635B1 (ko) 플랜트 고장 예지 장치 및 방법
KR102350637B1 (ko) 고장 예지 모델 생성 장치 및 방법
KR102366922B1 (ko) 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템 및 그 방법
US20180087489A1 (en) Method for windmill farm monitoring
Sahasrabudhe et al. Experimental Analysis of Machine Learning Algorithms used in Predictive Maintenance
WO2020166072A1 (ja) 時系列データ処理方法
CN113447813B (zh) 海上风力发电机组的故障诊断方法及设备
de Paula Monteiro et al. Opportunities in Neural Networks for Industry 4.0
Forest et al. Interpretable Prognostics with Concept Bottleneck Models

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right