KR102366922B1 - 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템 및 그 방법 - Google Patents

Abstract

본 발명은 시계열적 절연 진단 정보를 분석하여 중전기기의 열화를 예측하는 시스템에 대한 것으로, 시계열 데이터 기반의 절량적인 분석을 통해 정확한 중전기기의 열화 정도 및 고장 시점을 예측할 수 있도록 각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 포함한 데이터 베이스를 구축하고, 데이터 베이스로부터 복수의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받아 상기 중전기기의 열화 진행을 예측하여 고장 예상 시점을 포함하는 고장 예측 정보를 생성하는 기술을 제공하는 것을 목적으로 한다.

Description

시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템 및 그 방법{heavy electric equipment deterioration prediction system based on time-series isolation diagnostic information and method therefor}

본 발명은 시계열적 절연 진단 정보를 분석하여 중전기기의 열화를 예측하는 시스템에 대한 것으로 종래 경험칙 적으로 중전기기들의 고장 시점 및 열화 정도를 예측하던 것과는 다르게 중전기기 별로 진단 정보를 시계열적으로 정렬하여 복수의 중전기기에 대한 진단 이력 데이터를 생성하고, 복수의 중전기기에 대한 진단 이력 데이터를 이용하여 선형 회귀 분석 및 열화 시뮬레이션 모델을 이용하여 열화 예측 정보를 생성함으로써, 중전기기의 열화를 예측할 수 있는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템 및 그 방법을 제공하는데 그 목적이 있다.

고압 회전기, 변압기 등과 같은 중전기기는 발전소를 구성하는 핵심 구성품으로 고장 시 발전정지와 같은 중대한 문제를 야기한다. 절연 파괴 발생 시, 고장 발생 전동기의 복구비용 뿐만 아니라 전력 공급 지장에 의한 이익 손실이 발생하고, 전동기 고장 시 해당 중전기기 뿐만 아니라 주변 설비까지 손실되는 사례도 발생한다.

따라서, 이러한 중전기기의 고장 발생 전에, 이상 여부를 미리 진단하고 기계의 잔여 수명을 예측할 필요가 있으며, 일반적으로 기계의 수명을 예측하기 위해서는 기계의 진동 상태를 모니터링하여 경험칙적으로 기계 열화의 정도를 파악하고, 이를 기반으로 잔여 수명을 예측하는 방법이 사용되고 있으나 이러한 방법은, 잔여수명의 정확한 예측이 어려운 문제가 있다.

종래 방법으로는 정확한 예측이 어려워 고장이 발생할 가능성이 낮지 않으며, 고장이 발생할 경우, 출력 감발이나 발전 정지, 혹은 시설 손상 등 중대한 문제를 야기할 뿐만 아니라, 전동기 고장 시 재권선에 약 20일이 소요되며, 발전기 권선 절연파괴의 경우 권선의 신규제작, 설치 등 약 6개월이 소요될 정도로 복구 기간 동안의 운전 손실 비용이 막대하므로, 중전기기의 정확한 열화 시점을 예측하는 기술에 대한 중요도가 점차 증가하고 있는 추세이다.

본 발명은 종래의 경험칙적인 열화 예측을 벗어나 시계열 데이터 기반의 정량적인 분석을 통해 정확한 중전기기의 열화 정도 및 고장 시점을 예측할 수 있도록 각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 포함한 데이터 베이스를 구축하고, 데이터 베이스로부터 복수의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받아 상기 중전기기의 열화 진행을 예측하여 고장 예상 시점을 포함하는 고장 예측 정보를 생성하는 기술을 제공하는 것을 목적으로 한다.

본 발명의 실시예에 따르면 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템은 각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 저장하고, 제조사, 제조시기, 전동기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 관리하는 데이터 베이스; 상기 데이터 베이스로부터 복수의 진단 이력 데이터 및 중전기기 식별 정보를 입력받아 상기 중전기기의 열화 진행을 예측하여 고장 예상 시점을 포함하는 고장 예측 정보를 생성하는 관리 서버를 포함하고, 상기 관리 서버는, 상기 데이터 베이스로부터 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받는 중전기기 데이터 입력부; 상기 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 선형 회귀 분석을 수행하여 상기 복수의 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출하는 회귀 분석 수행부; 및 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 상기 방정식에 적용하고, 상기 방정식을 이용하여 상기 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 상기 진단 이력 데이터에 포함된 복수의 데이터를 입력하여 열화 예측 정보를 생성하는 열화 예측부를 더 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 회귀 분석 수행부는, 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하고, 상기 모수 추청된 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출하며, 상기 열화 예측부는, 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 상기 방정식에 적용하며 상기 방정식을 이용하여 상기 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측할 수 있다.

본 발명의 일 실시예에 따르면 상기 중전기기 데이터 입력부는, 상기 데이터 베이스로부터 예측 대상 중전기기와 동일 그룹으로 분류된 중전기기의 진단 이력 데이터를 입력 받고, 상기 회귀 분석 수행부는, 상기 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 복수의 데이터 및 입력 받은 동일 그룹으로 분류된 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행할 수 있다.

본 발명의 일 실시예에 따르면 상기 회귀 분석 수행부는 상기 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하고, 상기 열화 예측부는,

상기 미리 저장된 회귀 모델 중 분석 결과 값과 진단 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성하는 열화 시뮬레이션 모델 생성부; 및 상기 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성하는 열화 예측 생성부를 더 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 열화 예측부는, 상기 열화 시뮬레이션 모델을 이용하여 파라미터 최적값 검사, 조건부 고장 확률 추정, 열화 관계성 추적 중 적어도 하나 이상을 수행하고, 수행한 결과 값을 열화 예측 정보에 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 관리 서버는, 상기 열화 예측 정보에 포함된 열화 예측 시점에 따라 해당 중전기기에 대한 예방정비 권고 메시지를 사용자에게 출력할 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 주요 변수 측정 데이터를 입력 받고, 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 정상 그룹을 형성하며, 상기 중전기기 측정 데이터와 형성된 정상 그룹의 중심과의 확률 분포 거리를 측정하여 상기 중전기기의 상태가 정상인지 여부를 판단하는 중전기기 상태 진단부를 더 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 중전기기 상태 진단부는, 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반으로 단위 공간을 설정하는 단위 공간 설정부; 입력 받은 중전기기 주요 변수 측정 데이터에 포함된 각 개별 데이터를 기준 공간 내에 표현하고, 표현된 상기 각 개별 데이터와 상기 기준 공간 내의 정상 그룹의 중심점으로부터 확률분포 거리를 측정하여 단위 거리를 측정하는 단위 거리 측정부; 상기 개별 데이터의 단위 거리가 미리 설정된 문턱 값보다 크면 상기 개별 데이터가 포함된 중전기기의 상태는 비정상으로 판단하고, 상기 미리 설정된 문턱 값보다 작으면 상기 개별 데이터가 포함된 중전기기의 상태는 정상으로 판단하는 상태 판단부를 포함할 수 있다.

본 발명의 일 실시예에 따르면 생성된 복수의 상기 열화 예측 정보에 포함된 예측 대상 중전기기의 열화 시점 데이터를 분석하여 존재하는 일정한 패턴을 파악하고, 상기 파악된 패턴을 이용하여 현재 측정값, 과거 측정값과 미리 설정된 특수 조건을 기반으로 트리 형태의 예측 가능한 규칙의 조합을 분석함으로써 상기 예측대상 중전기기의 건정성을 분석하는 건전성 분석부를 더 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 데이터 베이스는, 예측 대상 중전기기에 설치된 온라인 센서로부터 중전기기 검사 항목 측정값을 입력받아 시계열적으로 정렬하여 상기 중전기기에 대한 검사 항목별 온라인 센서 이력 데이터를 생성하고, 상기 중전기기 데이터 입력부는, 상기 데이터 베이스로부터 상기 검사 항목별 온라인 센서 이력 데이터를 입력 받고, 상기 열화 예측부는, 입력 받은 상기 검사 항목별 온라인 센서 이력 데이터를 분석하여 상기 열화 시뮬레이션 모델의 열화 가중치 및 불시 고장 발생 확률에 가중치를 갱신할 수 있다.

본 발명의 일 실시예에 따르면 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 방법은 각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 저장하고, 제조사, 제조시기, 전동기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 관리하는 단계; 복수의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받아 상기 중전기기의 열화 진행을 예측하여 고장 예상 시점을 포함하는 고장 예측 정보를 생성하는 단계를 포함하고, 상기 고장 예측 정보를 생성하는 단계는, 상기 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받는 단계; 상기 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 선형 회귀 분석을 수행하여 상기 복수의 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출하는 단계; 및 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 상기 방정식에 적용하고, 상기 방정식을 이용하여 상기 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 상기 진단 이력 데이터에 포함된 복수의 데이터를 입력하여 열화 예측 정보를 생성하는 단계를 더 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 방정식을 산출하는 단계는, 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하고, 상기 모수 추청된 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출하며, 상기 열화 예측 정보를 생성하는 단계는, 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 상기 방정식에 적용하며 상기 방정식을 이용하여 상기 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측할 수 있다.

본 발명의 일 실시예에 따르면 상기 진단 이력 데이터 및 중전기기 식별 정보를 입력 받는 단계는, 상기 데이터 베이스로부터 예측 대상 중전기기와 동일 그룹으로 분류된 중전기기의 진단 이력 데이터를 입력 받고, 상기 방정식을 산출하는 단계는, 상기 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 복수의 데이터 및 입력 받은 동일 그룹으로 분류된 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행할 수 있다.

본 발명의 일 실시예에 따르면 상기 방정식을 산출하는 단계는, 상기 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하고, 상기 열화 예측 정보를 생성하는 단계는, 상기 미리 저장된 회귀 모델 중 분석 결과 값과 진단 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성하는 단계; 및 상기 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성하는 단계를 더 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 열화 예측 정보를 생성하는 단계는, 상기 열화 시뮬레이션 모델을 이용하여 파라미터 최적값 검사, 조건부 고장 확률 추정, 열화 관계성 추적 중 적어도 하나 이상을 수행하고, 수행한 결과 값을 열화 예측 정보에 포함할 수 있다.

본 발명의 일 실시예에 따르면 고장 예측 정보를 생성하는 단계는, 상기 열화 예측 정보에 포함된 열화 예측 시점에 따라 해당 중전기기에 대한 예방정비 권고 메시지를 사용자에게 출력할 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 주요 변수 측정 데이터를 입력 받고, 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 정상 그룹을 형성하며, 상기 중전기기 측정 데이터와 형성된 정상 그룹의 중심과의 확률 분포 거리를 측정하여 상기 중전기기의 상태가 정상인지 여부를 판단하는 단계를 더 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 상태가 정상인지 여부를 판단하는 단계는, 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반으로 단위 공간을 설정하는 단계; 입력 받은 중전기기 주요 변수 측정 데이터에 포함된 각 개별 데이터를 기준 공간 내에 표현하고, 표현된 상기 각 개별 데이터와 상기 기준 공간 내의 정상 그룹의 중심점으로부터 확률분포 거리를 측정하여 단위 거리를 측정하는 단계; 상기 개별 데이터의 단위 거리가 미리 설정된 문턱 값보다 크면 상기 개별 데이터가 포함된 중전기기의 상태는 비정상으로 판단하고, 상기 미리 설정된 문턱 값보다 작으면 상기 개별 데이터가 포함된 중전기기의 상태는 정상으로 판단하는 단계를 포함하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 방법.

본 발명의 일 실시예에 따르면 생성된 복수의 상기 열화 예측 정보에 포함된 예측 대상 중전기기의 열화 시점 데이터를 분석하여 존재하는 일정한 패턴을 파악하고, 상기 파악된 패턴을 이용하여 현재 측정값, 과거 측정값과 미리 설정된 특수 조건을 기반으로 트리 형태의 예측 가능한 규칙의 조합을 분석함으로써 상기 예측대상 중전기기의 건정성을 분석하는 단계를 더 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 관리하는 단계는, 예측 대상 중전기기에 설치된 온라인 센서로부터 중전기기 검사 항목 측정값을 입력받아 시계열적으로 정렬하여 상기 중전기기에 대한 검사 항목별 온라인 센서 이력 데이터를 생성하고, 상기 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받는 단계는, 상기 데이터 베이스로부터 상기 검사 항목별 온라인 센서 이력 데이터를 입력 받고, 상기 열화 예측 정보를 생성하는 단계는, 입력 받은 상기 검사 항목별 온라인 센서 이력 데이터를 분석하여 상기 열화 시뮬레이션 모델의 열화 가중치 및 불시 고장 발생 확률에 가중치를 갱신할 수 있다.

본 발명의 실시예에 따라 구현된 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템에 의하며, 데이터 베이스로 구축된 진단 이력 데이터를 대상으로 선형 회귀 분석을 수행하여 복수의 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출하고, 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 적용한 방정식을 이용하여 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 진단 이력 데이터에 포함된 복수의 데이터를 입력하여 열화 예측 정보를 생성함으로써, 약 91.5%이상의 예측 정확도를 확보할 수 있으며, 이를 통해 전문가가 아니어도 중전기기의 관리를 용이하고도 정확하게 할 수 있어 출력 감발이나 발전 정지, 혹은 시설 손상 등 중대한 문제를 미연에 방지할 수 있을 뿐만 아니라 복구 기간 동안의 운전 손실 비용 또한 절감할 수 있는 효과가 존재한다.

도 1은 본 발명의 실시예에 따라 구현된 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템의 구성도이다.
도 2는 본 발명의 제1 실시예에 따라 구현된 관리 서버의 구성도이다.
도 3은 도 2에 개시된 열화 예측부의 세부 구성도이다.
도 4는 본 발명의 제2 실시예에 따라 구현된 관리 서버의 구성도이다.
도 5은 도 4에 개시된 중전기기 상태 진단부의 세부 구성도이다.
도 6은 본 발명의 제3 실시예에 따라 구현된 관리 서버의 구성도이다.
도 7은 본 발명의 일 실시예에 따라 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정된 데이터에 대한 도면이다.
도 8은 본 발명의 일 실시예에 따라 열화 시뮬레이션 모델을 이용하여 각 데이터 세트별로 선정된 회귀 모델을 이용하여 생성된 열화 예측 정보를 생성하는 데이터의 흐름이 나타난 도면이다.
도 9는 본 발명의 일 실시예 따라 열화 시뮬레이션 모델을 이용하여 도출된 열화 예측정보의 결과값을 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따라 예측대상 중전기기의 건정성을 특수 조건을 기반으로 분석하는 트리를 나타낸 도면이다.
도 11은 본 발명의 일 실시예에 따라 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 정상 그룹을 형성하는 것을 나타낸 도면이다.
도 12는 본 발명의 일 실시예에 따라 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 단위 공간과 단위 거리를 측정한 것을 나타낸 도면이다.
도 13은 본 발명의 일 실시예에 따라 진단 이력 데이터에 포함될 수 있는 데이터 변수 목록이 포함된 표를 나타낸 도면이다.
도 14는 본 발명의 일 실시예에 따른 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 방법의 흐름도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 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 실시 예에 한정되지 않는다.

본 발명에서 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 발명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 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 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다.

이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.

컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다.

그리고 몇 가지 대체 실시예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

이 때, 본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다.

그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.

따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

본 발명의 실시예들을 구체적으로 설명함에 있어서, 특정 시스템의 예를 주된 대상으로 할 것이지만, 본 명세서에서 청구하고자 하는 주요한 요지는 유사한 기술적 배경을 가지는 여타의 통신 시스템 및 서비스에도 본 명세서에 개시된 범위를 크게 벗어나지 아니하는 범위에서 적용 가능하며, 이는 당해 기술분야에서 숙련된 기술적 지식을 가진 자의 판단으로 가능할 것이다.

이하, 도면을 참조하여 본 발명의 실시 예에 따른 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템 및 그 방법에 대하여 설명한다.

도 1은 본 발명의 실시예에 따라 구현된 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템의 구성도이다.

도 1을 참조하면 본 발명의 실시예에 따라 구현된 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템(10)의 구성이 도시되어 있으며, 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템(10)은 관리서버(1000) 및 데이터 베이스(2000)를 포함할 수 있다.

관리서버(1000)는 데이터 베이스(2000)로부터 복수의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받아 중전기기의 열화 진행을 예측하여 고장 예상 시점을 포함하는 고장 예측 정보를 생성할 수 있다.

여기서 중전기기는 산업 현장 및 발전소에서 사용되는 대용량의 산업 장비 또는 산업 기계를 의미할 수 있으며, 고장 예측 정보는 이러한 중전기기 중 특정 중전기기가 현재 어느 정도의 열화되어 있는지 또는 고장 시기가 언제쯤으로 예측되는지에 대한 정보를 포함한 정보를 의미할 수 있다.

관리 서버(1000)에 대해서는 도 2를 참조하며 더욱 자세히 설명하도록 한다.

데이터 베이스(2000)는 각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 저장하고, 제조사, 제조시기, 전동기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 관리할 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터는 복수 특정 시점에서 진행된 진단 결과를 포함한 진단 정보를 시간의 흐름에 따라 정렬하여 하나의 정보로 생성한 정보를 의미할 수 있다.

본 발명의 일 실시예에 따른 진단 이력 데이터에 진단 항목으로 사용될 수 있는 데이터 주요 변수는 도 13을 참조하면서 더 자세하게 설명하도록 한다.

본 발명의 일 실시예에 따르면 중전기기 식별정보는 개별 중전기기를 식별하기 위한 중전기기가 가지고 있는 고유의 시리얼 넘버 또는 데이터 베이스 상에서 임의로 지정한 ID 넘버를 의미할 수 있으며, 형식에 관계없이 개별 중전기기를 식별할 수 있는 것이라면 제한없이 사용될 수 있다.

또한 중전기기 식별정보는 개별 중전기기의 제조사, 제조 시기, 전동 기기 용량 등 전동기기 고유의 정보를 해당 중전기기의 시리얼 넘버 또는 ID 넘버에 매칭시켜 포함할 수 있다.

본 발명의 일 실시예에 따르면 데이터 베이스(2000)는 저장된 복수의 중전 기기에 대한 진단 이력 데이터 및 중전기기 식별 정보 중 제조사, 제조시기, 전동기기 용량(kV)을 기준으로 동일 또는 유사 범위에 포함된다고 판단되는 복수의 중전기기를 하나의 그룹으로 그룹핑하여 복수의 그룹을 생성할 수 있다.

상기 실시예에 따르면 그룹핑을 수행함에 있어 동일 제조사, 일정 기간내의 제조 시기, 일정 구간 내의 전동기기 용량의 조건을 달성하는 복수의 전동기기를 하나의 그룹으로 묶을 수 있으나, 이에 한정되지 아니하고 제조사, 제조시기, 전동기기 용량 중 복수의 조건을 충족하는 경우 충족된 조건의 수에 따라 가중치를 두는 등 상술한 조건들을 이용하여 그룹을 생성하는 기준이라면 제한 없이 사용될 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기에 설치된 온라인 센서로부터 중전기기 검사 항목 측정값을 입력 받아 시계열적으로 정렬하여 중전기기에 대한 검사 항목별 온라인 센서 이력 데이터를 생성할 수 있다.

본 발명의 일 실시예에 따르면 관리 서버(1000)는 열화 예측 정보에 포함된 열화 예측 시점에 따라 해당 중전기기에 대한 예방정비 권고 메시지를 사용자에게 출력할 수 있다.

본 발명의 일 실시예에 따르면 관리 서버(1000)는 열화 예측 정보에 포함된 열화 예측 시점에 따라 해당 중전기기에 대한 예방정비 권고 메시지를 사용자 단말에 송신하여 사용자에게 중전기기의 예방정비를 권고할 수 있고, 열화 예측 시점을 미리 안내하여 사용자로 하여금 예방정비 스케줄링을 미리 할 수 있도록 지원할 수 있다.

도 2는 본 발명의 제1 실시예에 따라 구현된 관리 서버의 구성도이다.

도 2를 참조하면 본 발명의 제1 실시예에 따라 구현된 관리 서버(1000)의 구성이 나타나 있으며, 관리 서버(1000)는 중전기기 데이터 입력부(100), 회귀 분석 수행부(200), 열화 예측부(300)를 포함할 수 있다.

중전기기 데이터 입력부(100)는 데이터 베이스(2000)로부터 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받을 수 있다.

본 발명의 일 실시예에 따르면 열화 예측에 대상이 될 예측 대상 중전기기에 매칭된 진단 이력 데이터 및 중전기기 식별 정보를 입력 받을 수 있다.

본 발명의 일 실시예에 따르면 데이터 베이스(2000)로부터 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보뿐만 아니라, 예측 대상 중전기기와 동일 그룹으로 분류된 중전기기의 진단 이력 데이터를 입력 받을 수 있다.

상기 일 실시예에 따르면 예측 대상 중전기기를 특정 시점을 기준으로 진단을 수행한 진단 정보의 데이터 수가 적어 열화 예측의 정확도가 떨어지는 점을 보완하기 위하여 예측 대상 중전기기의 진단 이력 데이터 및 예측 대상 중전기기와 동일 그룹으로 분류된 중전기기의 진단 이력 데이터를 분석 대상 데이터로 이용하여 열화 예측 정보를 생성함으로써, 예측 정확도를 상승시킬 수 있다.

본 발명의 일 실시예에 따르면 중전기기 데이터 입력부(100)는 데이터 베이스(2000)로부터 검사 항목별 온라인 센서 이력 데이터를 입력 받을 수 있다.

회귀 분석 수행부(200)는 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 선형 회귀 분석을 수행하여 복수의 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출할 수 있다.

본 발명의 일 실시예에 따르면 회귀 분석 수행부(200)는 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 선형 회귀 모델을 이용하여 선형 회귀 분석을 수행함으로써 진단 이력 데이터에 포함된 복수의 데이터들을 대표하는 방정식을 추정하여 산출할 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 포함된 복수의 데이터들을 대표하는 방정식은 1차 방정식의 형식(y= ax + b)으로 표현될 수 있으며, 이러한 형식으로 산출된 1차 방정식을 이용하여 복수의 데이터들을 대표하는 방정식의 해를 산출할 수 있다.

본 발명의 일 실시예에 따르면 회귀 분석 수행부(200)는 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 선형 회귀 분석을 수행할 수 있다.

본 발명의 일 실시예에 따르면 회귀 분석 수행부(200)는 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하고, 상기 모수 추청된 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출할 수 있다.

본 발명의 일 실시 예에 따르면 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 구성된 다항식은 Dx3+Cx2+Bx+A 형식을 따를 수 있으나, 이에 한정되지 아니하고 모수 추정이 수행될 수 있는 다항식 형식이라면 제한 없이 사용될 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행함에 있어 다항식에 대하여 랜덤 샘플링(Random Sampling)을 수행할 수도 있으나, 랜덤 샘플링을 수행하지 많고 바로 모수 추정 및 최종 측정 이후 특정 기간 경과 시 데이터를 추정하는 방법을 이용할 수도 있다.

본 발명의 일 실시 예에 따르면 모수 추정 및 최종 측정 이후 특정 기관 경과 시 데이터를 추정하는 방법을 사용하는 경우 데이터가 2차함수의 형태로 표현될 수 있으며, 실제로 첫 측정 결과와 마지막 측정 결과를 포함한 데이터로 추정된 모수를 이용한 경우 과거 데이터를 이용하여 검증한 결과 향후 2년 안에 진행되는 열화를 추정하는 데 높은 정확도를 보이는 것으로 나타났다.

본 발명의 일 실시예에 따르면 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행함에 있어 군체 기반으로 데이터를 랜덤 선택 및 모델링을 수행한 후, 적합성 추정 프로세스를 거쳐 다시 랜덤 선택 수행하는 과정을 반복하여 가장 적합한 모델을 선정하도록 진행하는 것으로 추정에 대한 정확도를 상대적으로 더 향상시킬 수 있다.

열화 예측부(300)는 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 방정식에 적용하고, 방정식을 이용하여 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 진단 이력 데이터에 포함된 복수의 데이터를 입력하여 열화 예측 정보를 생성할 수 있다.

본 발명의 일 실시예 따르면 열화 예측부(300)는 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 기준으로 하여 회귀 분석 수행부(200)에서 산출한 방정식에 가중치를 적용할 수 있다.

본 발명의 일 실시예에 따르면 회귀 분석 수행부(200)에서 산출한 방정식은 1차 방정식의 형식(y = ax + b)으로 표현될 수 있으며, 이러한 실시예에 따르면 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 기준으로 가중치 지수 β를 산출할 수 있고, 산출된 β를 1차 방정식에 아래 수학식 1과 같이 반영하여 방정식에 가중치를 적용할 수 있다

본 발명의 일 실시예에 따르면 가중치 지수 β는 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 각각 하나의 조건에 따라 산출될 수 있으나 이에 한정되지 아니하고 다수의 조건에 따라 산출될 수도 있으며, 각자의 조건에 따라 산출되는 경우 각 조건에 따라 가중치가 적용되어 절대값이 커지거나 작아지는 형태로 산출될 수 있다.

본 발명의 일 실시에 따르면 가중치가 적용된 방정식이 포함된 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 진단 이력 데이터에 포함된 복수의 데이터를 입력하여 이용하여 방정식에 따른 그래프가 나타내는 추세 경향에 따라 열화 시점 예측 또는 예측된 열화 시점에 따라 해당 중전기기의 열화도를 산출할 수 있으며, 열화 예측 정보에는 열화 시점 예측 정보 및/또는 중전기기의 열화도 정보가 포함될 수 있다.

본 발명의 일 실시예에 따르면 열화 예측부(300)는 회귀 분석 수행부(200)에서 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 모수 추정을 수행하여 모수 추청된 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출한 경우에, 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 방정식에 적용하며 방정식을 이용하여 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측할 수 있다.

상기 실시예에 따르면 가중치가 적용된 방정식이 포함된 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측할 수 있다.

본 발명의 일 실시예에 따르면 중전기기 데이터 입력부(100)이 데이터 베이스(2000)로부터 예측 대상 중전기기와 동일 그룹으로 분류된 중전기기의 진단 이력 데이터를 입력 받는 경우, 회귀 분석 수행부(200)는 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 복수의 데이터 및 입력 받은 동일 그룹으로 분류된 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행할 수 있으며, 이때 열화 예측부(300)은 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 방정식에 적용하며, 방정식을 이용하여 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측할 수 있다.

본 발명의 일 실시예에 따르면 열화 예측부(300)는 회귀 분석 수행부(200)가 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하는 경우, 미리 저장된 회귀 모델 중 분석 결과 값과 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성할 수 있으며, 이러한 열화 시뮬레이션 모델에 따라 상기 복수의 데이터 세트 별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성할 수 있으며, 이는 도 3을 참조하며 더 자세하게 설명하도록 한다.

본 발명의 일 실시예에 따르면 열화 예측부(300)는 열화 시뮬레이션 모델을 이용하여 파라미터 최적값 검사, 조건부 고장 확률 추정, 열화 관계성 추적 중 적어도 하나 이상을 수행하고, 수행한 결과 값을 열화 예측 정보에 포함할 수 있다.

여기서 파라미터 최적값 검사는 진단 이력 데이터에 포함된 예측 대상 중전기기의 진단 항목 마다 설정된 최적값의 변경 추이를 분석하여 일정 범위 이상의 변경이 있는지를 검사하는 것을 의미할 수 있다.

또한 조건부 고장 확률 추정은 단순히 열화 예측을 수행하는 것이 아닌 열화가 가중될 수 있는 미리 설정된 조건부 환경에서 각 조건부 별로 가중치를 부여하여 예측 대상 중전기기가 고장날 확률을 추정하는 것을 의미할 수 있다.

마지막으로 열화 관계성 추적은 진단 이력 데이터에 포함된 예측 대상 중전기기의 진단 항목별 또는 중전기기 간 열화를 촉진하거나 지연시키는 추세를 보이는 관계가 존재하는지 여부를 분석하여 관계성을 일정한 변수로 산출하는 것을 의미할 수 있다.

본 발명의 일 실시예에 따르면 파라미터 최적값 검사, 조건부 고장 확률 추정, 열화 관계성 추적 중 적어도 하나 이상을 수행하고, 수행한 결과 값에 따라 진단 이력 데이터에 포함된 예측 대상 중전기기의 진단 항목 마다 설정된 최적값의 변경 추이를 벗어날 수록, 열화가 가중될 수 있는 미리 설정된 조건부 환경에 가까울수록, 예측 대상 중전기기의 진단 항목별 또는 중전기기 간 열화를 촉진시키는 추세를 보일수록 수학식 2와 같이 열화 시뮬레이션에 포함된 방정식에 높은 가중치(

)를 부여하여 열화 예측 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 열화 예측부(300)는 중전기기 데이터 입력부(100)가 데이터 베이스(2000)로부터 상기 검사 항목별 온라인 센서 이력 데이터를 입력 받은 경우,

입력 받은 상기 검사 항목별 온라인 센서 이력 데이터를 분석하여 상기 열화 시뮬레이션 모델의 열화 가중치 및 불시 고장 발생 확률에 가중치를 갱신할 수 있다.

도 3은 도 2에 개시된 열화 예측부의 세부 구성도이다.

도 3을 참조하면 도 2에 개시된 열화 예측부(300)의 세부 구성이 나타나 있으며, 열화 예측부(300)는 열화 시뮬레이션 모델 생성부(310), 열화 예측 생성부(320)를 포함할 수 있다.

열화 시뮬레이션 모델 생성부(310)는 미리 저장된 회귀 모델 중 분석 결과 값과 진단 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성할 수 있다.

본 발명의 일 실시예에 따르면 각 데이터 세트별로 회귀 모델을 선정하기 위하여 각 데이터 세트를 대상으로 미리 저장된 회귀 모델을 적용하여 분석 결과 값을 도출하고, 도출된 분석 결과 값과 실제 진단 이력 데이터 상의 데이터 값을 대비하여 가장 오차가 적은 분석 결과 값을 도출한 회귀 모델을 해당 데이터 세트의 회귀 모델로 선정할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델은 데이터 세트 별로 선정된 회귀 모델들로 형성될 수 있으며, 형성된 열화 시뮬레이션 모델에 진단 이력 데이터를 입력하고 출력 값 및 진단 이력 데이터를 대비하여 열화 시뮬레이션 모델을 검증할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델 생성부(310)는 선형 회귀 분석을 수행함에 있어 Bagging 기법을 이용하여 진단 이력 데이터에 포함된 복수의 데이터들을 대표하는 방정식을 추정함에 있어 측정오차와 노이즈가 미치는 영향을 상대적으로 감소시키기 위하여 생성된 데이터 세트별로 가장 적은 오차가 발생하는 회귀 분석 모델을 선정하여 열화 시뮬레이션 모델을 생성할 수 있다.

열화 예측 생성부(320)는 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 열화 예측 생성부(320)는 열화 시뮬레이션 모델에 따라 열화 예측 정보를 생성할 수 있으며, 열화 시뮬레이션 모델에 따라 열화 예측 정보 보다 이전에 열화가 진행되어 고장이 발생한 경우 고장 종류와 원인에 따라서 열화 시뮬레이션 모델의 열화 예측 기준을 자동으로 반영하여 동종 중전기기 열화 예측에 적용되도록 할 수 있다.

도 4는 본 발명의 제2 실시예에 따라 구현된 관리 서버의 구성도이다.

도 4를 참조하면 본 발명의 제2 실시예에 따른 관리 서버(1100)는 중전기기 데이터 입력부(100), 회귀 분석 수행부(200), 열화 예측부(300) 및 중전기기 상태 진단부(400)를 더 포함할 수 있다.

중전기기 상태 진단부(400)는 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 주요 변수 측정 데이터를 입력 받고, 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 정상 그룹을 형성할 수 있다.

상기 실시예에 따르면 중전기기 상태 진단부(400)는 중전기기 측정 데이터와 형성된 정상 그룹의 중심과의 확률 분포 거리를 측정하여 중전기기의 상태가 정상인지 여부를 판단할 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 포함된 복수의 데이터에 대한 다변량 데이터 마이닝의 기법으로는 단위 거리 판단법을 이용할 수 있다.

여기서 단위 거리 판단법은 어떤 집단의 평균값을 기초로 한 단위 공간을 설정하고, 새로운 관측값이 단위 공간으로부터 얼마나 벗어나있는지를 단위 거리를 측정함으로써 상태를 판별하는 기법을 의미할 수 있다.

본 발명의 단위 거리 판단법을 사용하는 실시예에 따르면 정상 그룹의 단위 공간을 설정하고 정상 그룹의 중심점을 기준으로 각 개별 데이터를 단위 공간 안에 표현한 후, 정상 그룹의 중심점으로부터 얼마나 멀리 떨어져 있는지를 단위 거리로 계산하여, 단위 거리가 클수록 정상 그룹이 아닐 가능성이 높아지며, 미리 설정된 문턱값(Threshold Value)을 초과하면 비정상 그룹으로 판단할 수 있다.

중전기기 상태 진단부(400)는 도 5를 참조하면 더 자세히 설명하도록 한다.

도 5은 도 4에 개시된 중전기기 상태 진단부의 세부 구성도이다.

도 5를 참조하면 중전기기 상태 진단부(400)의 세부 구성이 나타나 있으며, 중전기기 상태 진단부(400)는 단위 공간 설정부(410), 단위 거리 측정부(420), 상태 판단부(430)를 포함할 수 있다.

단위 공간 설정부(410)는 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반으로 단위 공간을 설정할 수 있다.

본 발명의 일 실시예에 다르면 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터를 기반으로 한 정상 그룹을 설정하고, 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반 단위 공간을 도출할 수 있다.

상기 실시예에 따르면 정상 그룹의 중심점으로부터 거리 평균이 1.0이 되는 단위 공간을 도출하기 위해서는 정상 상태로 미리 진단된 진단 이력 데이터에 포함된 복수의 주요 변수 측정 데이터를 정규화 해야 되며, 정규화는 수학식 3과 같이 측정값에서 평균값을 뺀 값을 표준편차로 나누어 수행할 수 있다.

여기서 i는 변수의 개수(i=1, 2, …, k), j는 관측치의 개수(j=1, 2, …, n),

는 i번째 변수의 j번째 관측치에서의 값,

는 i번째 변수의 평균,

는 i번째 변수의 표준편차를 의미할 수 있다.

단위 거리 측정부(420)는 입력 받은 중전기기 주요 변수 측정 데이터에 포함된 각 개별 데이터를 기준 공간 내에 표현하고, 표현된 상기 각 개별 데이터와 상기 기준 공간 내의 정상 그룹의 중심점으로부터 확률분포 거리를 측정하여 단위 거리를 측정할 수 있다.

본 발명의 일 실시예에 따르면 정규화 된 벡터는(Z)는 상관계수로 구성된 상관행렬(C)의 역행렬을 이용하여 정상 그룹의 단위 거리를 계산하며, 이에 대한 수식은 수학식 4와 같다.

[수학식 4]

여기서 k는 변수의 개수,

는

의 정규화 된 벡터,

는

의 전치행렬,

는 상관행렬의 역행렬을 의미할 수 있다.

상태 판단부(430)는 개별 데이터의 단위 거리가 미리 설정된 문턱 값보다 크면 상기 개별 데이터가 포함된 중전기기의 상태는 비정상으로 판단하고, 미리 설정된 문턱 값보다 작으면 개별 데이터가 포함된 중전기기의 상태는 정상으로 판단할 수 있다.

도 6은 본 발명의 제3 실시예에 따라 구현된 관리 서버의 구성도이다.

도 6을 참조하면 본 발명의 제3 실시예에 따른 관리 서버(1200)는 중전기기 데이터 입력부(100), 회귀 분석 수행부(200), 열화 예측부(300) 및 건전성 분석부(500)를 더 포함할 수 있다.

건전성 분석부(500)는 생성된 복수의 열화 예측 정보에 포함된 예측 대상 중전기기의 열화 시점 데이터를 분석하여 존재하는 일정한 패턴을 파악하고, 파악된 패턴을 이용하여 현재 측정값, 과거 측정값과 미리 설정된 특수 조건을 기반으로 트리 형태의 예측 가능한 규칙의 조합을 분석함으로써 예측대상 중전기기의 건정성을 분석할 수 있다.

본 발명의 일 실시예에 따르면 건전성 분석부(500)는 현재 측정값, 과거 측정값과 미리 설정된 특수 조건을 기반으로 트리 형태의 예측 가능한 규칙의 조합을 분석하기 위하여 의사 결정 나무에 의한 분류(classification) 기법을 사용할 수 있다.

여기서 의사결정나무는 데이터를 분석하여 이들 사이에 존재하는 패턴을 예측 가능한 규칙들의 조합으로 나타내며, 그 모양이 '나무'와 같다고 해서 의사결정나무라 불리는 분류 기법을 의미할 수 있다.

본 발명의 일 실시예에 따르면 의사결정나무를 이용하여 데이터를 분석할 경우 계산 복잡성 대비 높은 예측 성능을 도출할 수 있으며, 변수 단위로 설명력을 지닌다는 강점을 가지고 있다.

다만 의사결정나무는 결정경계(decision boundary)가 데이터 축에 수직이어서 특정 데이터에만 잘 작동할 가능성이 높기 때문에 같은 데이터에 대해 의사결정나무를 여러 개 만들어 그 결과를 종합해 예측 성능을 높이는 랜덤 포레스트 기법이 사용될 수 있으며, 본 발명에 있어서는 랜덤 포레스트 기법이 사용될 수도 있으나 사용되지 아니할 수도 있다.

도 7은 본 발명의 일 실시예에 따라 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정된 데이터에 대한 도면이다.

도 7을 참조하면 2가지 방법을 통해 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정된 데이터가 나타나 있다.

도 7 a)는 랜덤 샘플링을 수행하지 많고 바로 모수 추정 및 최종 측정 이후 특정 기간 경과 시 데이터를 추정하는 방법을 이용하여 가동 후 15년의 데이터까지 모수 추정한 데이터를 나타내고 있으며, 도 7 b)는 다항식에 대하여 랜덤 샘플링(Random Sampling)을 수행하여 가동 후 15년의 데이터까지 모수 추정한 데이터를 나타내고 있다.

도 8은 본 발명의 일 실시예에 따라 열화 시뮬레이션 모델을 이용하여 각 데이터 세트별로 선정된 회귀 모델을 이용하여 열화 예측 정보를 생성하는 데이터의 흐름이 나타난 도면이다.

도 8을 참조하면 본 발명의 일 실시예에 따라 열화 시뮬레이션 모델을 이용하여 각 데이터 세트별로 선정된 회귀 모델을 이용하여 열화 예측 정보를 생성하는 것이 나타나 있으며, 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성할 수 있다.

또한 복수의 데이터 세트 대상으로 미리 저장된 회귀 모델 중 분석 결과 값과 진단 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정할 수 있으며, 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성할 수 있다.

도 9는 본 발명의 일 실시예 따라 열화 시뮬레이션 모델을 이용하여 도출된 열화 예측정보의 결과값을 나타낸 도면이다.

도 9를 참조하면 본 발명의 일 실시예 따라 열화 시뮬레이션 모델을 이용하여 도출된 열화 예측 정보의 결과값이 나타나 있으며, 본 발명의 일 실시예에 따라 산출된 열화 예측 정보 결과값에 따라 2016년 열화가 예측되었는 바, 실제로 열화로 인하여 2017년에 재권선을 수행하여 본 발명의 예측 값과 실제 측정 값의 오차가 1.2%정도로 종래 경험칙적인 기법을 이용한 열화 예측의 오차가 약 15%내외인것에 비추어 볼 때 매우 신뢰성이 높은 것으로 나타나고 있다.

도 10은 본 발명의 일 실시예에 따라 예측대상 중전기기의 건정성을 특수 조건을 기반으로 분석하는 트리를 나타낸 도면이다.

도 10을 참조하면 본 발명의 의사 결정 나무에 의한 분류(classification) 기법을 이용하는 실시예에 따라 예측대상 중전기기의 건정성을 특수 조건을 기반으로 분석하는 트리가 나타나 있으며, 특수 조건으로 성극지수, 절연저항, 부분방전, 가동 연수, 교류시험결과 등과 같은 경험칙적으로 선정된 항목들의 특수 조건들이 충족되는지 여부에 따라 트리 구조로 분류하여 예측대상 중전기기의 건정성에 대하여 최종 결론을 내어지는 것이 나타나 있다.

도 11은 본 발명의 일 실시예에 따라 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 정상 상태를 판단하는 것을 나타낸 도면이다.

도 11을 참조하면 본 발명의 일 실시예에 따라 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 정상 상태를 판단하기 위하여 정상 그룹의 단위 공간을 설정하고 정상 그룹의 중심점을 기준으로 각 개별 데이터를 단위 공간 안에 표현한 후, 정상 그룹의 중심점으로부터 얼마나 멀리 떨어져 있는지를 단위 거리로 계산할 수 있다.

도 11에서 도시된 (0,0)좌표가 정상 그룹의 중심점이며 설정하고 정상 그룹의 중심점을 실제 거리는 동일하지만 정상 그룹의 중심점으로부터 확률분포 거리를 측정하여 산출된 단위 거리가 가까운 파란색 원의 지역에 데이터가 존재하는 경향성을 가진 중전기기는 정상상태로 판단될 수 있으며, 확률분포 거리를 측정하여 산출된 단위 거리가 먼 붉은색 원의 지역에 데이터가 존재하는 경향을 가진 중전기기는 비정상상태로 판단될 수 있다.

도 12는 본 발명의 일 실시예에 따라 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 단위 공간과 단위 거리를 측정한 것을 나타낸 도면이다.

도 12를 참조하면 본 발명의 일 실시예에 따라 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 단위 공간과 단위 거리를 측정한 것을 나타낸 것으로 도 11에서 언급한 바와 같이 정상 그룹의 중심점과 중전기기 주요 변수 측정 데이터에 포함된 각 개별 데이터를 기준 공간 내에 표현한 점과의 실제 거리를 측정하여 정상 상태 여부를 판단하는 것이 아니라 확률분포 거리를 측정하여 단위 거리를 측정하고 이를 기준으로 정상 상태 및 비정상 상태를 판단할 수 있다.

도 13은 본 발명의 일 실시예에 따라 진단 이력 데이터에 포함될 수 있는 데이터 변수 목록이 포함된 표를 나타낸 도면이다.

도 13을 참조하면 본 발명의 일 실시예에 따라 진단 이력 데이터에 포함될 수 있는 데이터 변수 목록이 포함된 표가 나타나 있으며 전처리를 통해 중첩되거나 분석에 필요 없는 부분들은 도 13과 같이 제거할 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 진단 항목은 절연저항 (GΩ), 시험전압(kV), 성극지수(PI), 정전용량(nF), 인가전압(kV), 교류전류시험값(ΔI), 부분방전시험값(PD), 방전패턴, 방전개시(kV), 상전압(PC) 등의 항목을 포함할 수 있으나 이에 한정되지 아니하고 중전기기의 열화도를 분석할 수 있는 데이터 변수라면 제한없이 사용될 수 있다.

도 14는 본 발명의 일 실시예에 따른 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 방법의 흐름도이다.

예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받는다(S10).

본 발명의 일 실시예에 따르면 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받을 수 있다.

본 발명의 일 실시예에 따르면 열화 예측에 대상이 될 예측 대상 중전기기에 매칭된 진단 이력 데이터 및 중전기기 식별 정보를 입력 받을 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보뿐만 아니라, 예측 대상 중전기기와 동일 그룹으로 분류된 중전기기의 진단 이력 데이터를 입력 받을 수 있다.

상기 일 실시예에 따르면 예측 대상 중전기기를 특정 시점을 기준으로 진단을 수행한 진단 정보의 데이터 수가 적어 열화 예측의 정확도가 떨어지는 점을 보완하기 위하여 예측 대상 중전기기의 진단 이력 데이터 및 예측 대상 중전기기와 동일 그룹으로 분류된 중전기기의 진단 이력 데이터를 분석 대상 데이터로 이용하여 열화 예측 정보를 생성함으로써, 예측 정확도를 상승시킬 수 있다.

본 발명의 일 실시예에 따르면 검사 항목별 온라인 센서 이력 데이터를 입력 받을 수 있다.

진단 이력 데이터에 포함된 복수의 데이터를 대상으로 선형 회귀 분석을 수행하여 상기 복수의 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출한다(S20).

본 발명의 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 선형 회귀 분석을 수행하여 상기 복수의 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출할 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 선형 회귀 모델을 이용하여 선형 회귀 분석을 수행함으로써 진단 이력 데이터에 포함된 복수의 데이터들을 대표하는 방정식을 추정하여 산출할 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 포함된 복수의 데이터들을 대표하는 방정식은 1차 방정식의 형식(y= ax + b)으로 표현될 수 있으며, 이러한 형식으로 산출된 1차 방정식을 이용하여 복수의 데이터들을 대표하는 방정식의 해를 산출할 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 선형 회귀 분석을 수행할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하고, 상기 모수 추청된 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출할 수 있다.

본 발명의 일 실시 예에 따르면 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 구성된 다항식은 Dx3+Cx2+Bx+A 형식을 따를 수 있으나, 이에 한정되지 아니하고 모수 추정이 수행될 수 있는 다항식 형식이라면 제한 없이 사용될 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행함에 있어 다항식에 대하여 랜덤 샘플링(Random Sampling)을 수행할 수도 있으나, 랜덤 샘플링을 수행하지 많고 바로 모수 추정 및 최종 측정 이후 특정 기간 경과 시 데이터를 추정하는 방법을 이용할 수도 있다.

본 발명의 일 실시 예에 따르면 모수 추정 및 최종 측정 이후 특정 기관 경과 시 데이터를 추정하는 방법을 사용하는 경우 데이터가 2차함수의 형태로 표현될 수 있으며, 실제로 첫 측정 결과와 마지막 측정 결과를 포함한 데이터로 추정된 모수를 이용한 경우 과거 데이터를 이용하여 검증한 결과 향후 2년 안에 진행되는 열화를 추정하는 데 높은 정확도를 보이는 것으로 나타났다.

본 발명의 일 실시예에 따르면 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행함에 있어 군체 기반으로 데이터를 랜덤 선택 및 모델링을 수행한 후, 적합성 추정 프로세스를 거쳐 다시 랜덤 선택 수행하는 과정을 반복하여 가장 적합한 모델을 선정하도록 진행하는 것으로 추정에 대한 정확도를 상대적으로 더 향상시킬 수 있다.

중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 방정식에 적용하고, 방정식을 이용하여 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 진단 이력 데이터에 포함된 복수의 데이터를 입력하여 열화 예측 정보를 생성한다(S30).

본 발명의 일 실시예에 따르면 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 방정식에 적용하고, 방정식을 이용하여 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 진단 이력 데이터에 포함된 복수의 데이터를 입력하여 열화 예측 정보를 생성할 수 있다.

본 발명의 일 실시예 따르면 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 기준으로 하여 산출한 방정식에 가중치를 적용할 수 있다.

본 발명의 일 실시예에 따르면 산출한 방정식은 1차 방정식의 형식(y = ax + b)으로 표현될 수 있으며, 이러한 실시예에 따르면 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 기준으로 가중치 지수 β를 산출할 수 있고, 산출된 β를 1차 방정식에 아래 수학식 1과 같이 반영하여 방정식에 가중치를 적용할 수 있다

본 발명의 일 실시예에 따르면 가중치 지수 β는 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 각각 하나의 조건에 따라 산출될 수 있으나 이에 한정되지 아니하고 다수의 조건에 따라 산출될 수도 있으며, 각자의 조건에 따라 산출되는 경우 각 조건에 따라 가중치가 적용되어 절대값이 커지거나 작아지는 형태로 산출될 수 있다.

본 발명의 일 실시에 따르면 가중치가 적용된 방정식이 포함된 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 진단 이력 데이터에 포함된 복수의 데이터를 입력하여 이용하여 방정식에 따른 그래프가 나타내는 추세 경향에 따라 열화 시점 예측 또는 예측된 열화 시점에 따라 해당 중전기기의 열화도를 산출할 수 있으며, 열화 예측 정보에는 열화 시점 예측 정보 및/또는 중전기기의 열화도 정보가 포함될 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 모수 추정을 수행하여 모수 추청된 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출한 경우에, 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 방정식에 적용하며 방정식을 이용하여 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측할 수 있다.

상기 실시예에 따르면 가중치가 적용된 방정식이 포함된 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측할 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기와 동일 그룹으로 분류된 중전기기의 진단 이력 데이터를 입력 받는 경우, 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 복수의 데이터 및 입력 받은 동일 그룹으로 분류된 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행할 수 있으며, 이때 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 방정식에 적용하며, 방정식을 이용하여 상기 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측할 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하는 경우, 미리 저장된 회귀 모델 중 분석 결과 값과 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성할 수 있으며, 이러한 열화 시뮬레이션 모델에 따라 상기 복수의 데이터 세트 별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델을 이용하여 파라미터 최적값 검사, 조건부 고장 확률 추정, 열화 관계성 추적 중 적어도 하나 이상을 수행하고, 수행한 결과 값을 열화 예측 정보에 포함할 수 있다.

여기서 파라미터 최적값 검사는 진단 이력 데이터에 포함된 예측 대상 중전기기의 진단 항목 마다 설정된 최적값의 변경 추이를 분석하여 일정 범위 이상의 변경이 있는지를 검사하는 것을 의미할 수 있다.

또한 조건부 고장 확률 추정은 단순히 열화 예측을 수행하는 것이 아닌 열화가 가중될 수 있는 미리 설정된 조건부 환경에서 각 조건부 별로 가중치를 부여하여 예측 대상 중전기기가 고장날 확률을 추정하는 것을 의미할 수 있다.

마지막으로 열화 관계성 추적은 진단 이력 데이터에 포함된 예측 대상 중전기기의 진단 항목별 또는 중전기기 간 열화를 촉진하거나 지연시키는 추세를 보이는 관계가 존재하는지 여부를 분석하여 관계성을 일정한 변수로 산출하는 것을 의미할 수 있다.

본 발명의 일 실시예에 따르면 파라미터 최적값 검사, 조건부 고장 확률 추정, 열화 관계성 추적 중 적어도 하나 이상을 수행하고, 수행한 결과 값에 따라 진단 이력 데이터에 포함된 예측 대상 중전기기의 진단 항목 마다 설정된 최적값의 변경 추이를 벗어날 수록, 열화가 가중될 수 있는 미리 설정된 조건부 환경에 가까울수록, 예측 대상 중전기기의 진단 항목별 또는 중전기기 간 열화를 촉진시키는 추세를 보일수록 수학식 2와 같이 열화 시뮬레이션에 포함된 방정식에 높은 가중치(

)를 부여하여 열화 예측 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 상기 검사 항목별 온라인 센서 이력 데이터를 분석하여 상기 열화 시뮬레이션 모델의 열화 가중치 및 불시 고장 발생 확률에 가중치를 갱신할 수 있다.

본 발명의 일 실시예에 따르면 미리 저장된 회귀 모델 중 분석 결과 값과 진단 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성할 수 있다.

본 발명의 일 실시예에 따르면 각 데이터 세트별로 회귀 모델을 선정하기 위하여 각 데이터 세트를 대상으로 미리 저장된 회귀 모델을 적용하여 분석 결과 값을 도출하고, 도출된 분석 결과 값과 실제 진단 이력 데이터 상의 데이터 값을 대비하여 가장 오차가 적은 분석 결과 값을 도출한 회귀 모델을 해당 데이터 세트의 회귀 모델로 선정할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델은 데이터 세트 별로 선정된 회귀 모델들로 형성될 수 있으며, 형성된 열화 시뮬레이션 모델에 진단 이력 데이터를 입력하고 출력 값 및 진단 이력 데이터를 대비하여 열화 시뮬레이션 모델을 검증할 수 있다.

본 발명의 일 실시예에 따르면 선형 회귀 분석을 수행함에 있어 Bagging 기법을 이용하여 진단 이력 데이터에 포함된 복수의 데이터들을 대표하는 방정식을 추정함에 있어 측정오차와 노이즈가 미치는 영향을 상대적으로 감소시키기 위하여 생성된 데이터 세트별로 가장 적은 오차가 발생하는 회귀 분석 모델을 선정하여 열화 시뮬레이션 모델을 생성할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델에 따라 열화 예측 정보를 생성할 수 있으며, 열화 시뮬레이션 모델에 따라 열화 예측 정보 보다 이전에 열화가 진행되어 고장이 발생한 경우 고장 종류와 원인에 따라서 열화 시뮬레이션 모델의 열화 예측 기준을 자동으로 반영하여 동종 중전기기 열화 예측에 적용되도록 할 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 주요 변수 측정 데이터를 입력 받고, 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 정상 그룹을 형성할 수 있다.

상기 실시예에 따르면 중전기기 측정 데이터와 형성된 정상 그룹의 중심과의 확률 분포 거리를 측정하여 중전기기의 상태가 정상인지 여부를 판단할 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 포함된 복수의 데이터에 대한 다변량 데이터 마이닝의 기법으로는 단위 거리 판단법을 이용할 수 있다.

여기서 단위 거리 판단법은 어떤 집단의 평균값을 기초로 한 단위 공간을 설정하고, 새로운 관측값이 단위 공간으로부터 얼마나 벗어나있는지를 단위 거리를 측정함으로써 상태를 판별하는 기법을 의미할 수 있다.

본 발명의 단위 거리 판단법을 사용하는 실시예에 따르면 정상 그룹의 단위 공간을 설정하고 정상 그룹의 중심점을 기준으로 각 개별 데이터를 단위 공간 안에 표현한 후, 정상 그룹의 중심점으로부터 얼마나 멀리 떨어져 있는지를 단위 거리로 계산하여, 단위 거리가 클수록 정상 그룹이 아닐 가능성이 높아지며, 미리 설정된 문턱값(Threshold Value)을 초과하면 비정상 그룹으로 판단할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반으로 단위 공간을 설정할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터를 기반으로 한 정상 그룹을 설정하고, 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반 단위 공간을 도출할 수 있다.

상기 실시예에 따르면 정상 그룹의 중심점으로부터 거리 평균이 1.0이 되는 단위 공간을 도출하기 위해서는 정상 상태로 미리 진단된 진단 이력 데이터에 포함된 복수의 주요 변수 측정 데이터를 정규화 해야 되며, 정규화는 수학식 3과 같이 측정값에서 평균값을 뺀 값을 표준편차로 나누어 수행할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 중전기기 주요 변수 측정 데이터에 포함된 각 개별 데이터를 기준 공간 내에 표현하고, 표현된 상기 각 개별 데이터와 상기 기준 공간 내의 정상 그룹의 중심점으로부터 확률분포 거리를 측정하여 단위 거리를 측정할 수 있다.

본 발명의 일 실시예에 따르면 정규화 된 벡터는(Z)는 상관계수로 구성된 상관행렬(C)의 역행렬을 이용하여 정상 그룹의 단위 거리를 계산하며, 이에 대한 수식은 수학식 4와 같다.

본 발명의 일 실시예에 따르면 개별 데이터의 단위 거리가 미리 설정된 문턱 값보다 크면 상기 개별 데이터가 포함된 중전기기의 상태는 비정상으로 판단하고, 미리 설정된 문턱 값보다 작으면 개별 데이터가 포함된 중전기기의 상태는 정상으로 판단할 수 있다.

본 발명의 일 실시예에 따르면 생성된 복수의 열화 예측 정보에 포함된 예측 대상 중전기기의 열화 시점 데이터를 분석하여 존재하는 일정한 패턴을 파악하고, 파악된 패턴을 이용하여 현재 측정값, 과거 측정값과 미리 설정된 특수 조건을 기반으로 트리 형태의 예측 가능한 규칙의 조합을 분석함으로써 예측대상 중전기기의 건정성을 분석할 수 있다.

본 발명의 일 실시예에 따르면 현재 측정값, 과거 측정값과 미리 설정된 특수 조건을 기반으로 트리 형태의 예측 가능한 규칙의 조합을 분석하기 위하여 의사 결정 나무에 의한 분류(classification) 기법을 사용할 수 있다.

본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 이상에서 본 발명의 실시 예에 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 (20)

1. 각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 저장하고, 제조사, 제조시기, 전동기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 관리하는 데이터 베이스;
   상기 데이터 베이스로부터 복수의 진단 이력 데이터 및 중전기기 식별 정보를 입력받아 상기 중전기기의 열화 진행을 예측하여 고장 예상 시점을 포함하는 고장 예측 정보를 생성하는 관리 서버를 포함하고,
   상기 관리 서버는,
   상기 데이터 베이스로부터 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받는 중전기기 데이터 입력부;
   상기 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 선형 회귀 분석을 수행하여 상기 복수의 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출하는 회귀 분석 수행부; 및
   중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 상기 방정식에 적용하고, 상기 방정식을 이용하여 상기 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 상기 진단 이력 데이터에 포함된 복수의 데이터를 입력하여 열화 예측 정보를 생성하는 열화 예측부를 더 포함하고,
   상기 데이터 베이스는,
   저장된 복수의 중전 기기에 대한 진단 이력 데이터 및 중전기기 식별 정보 중 제조사, 제조시기, 전동기기 용량(kV)을 기준으로 동일 제조사, 일정기간내의 제조 시기, 일정 구간 내의 전동기기 용량의 조건을 달성하는 복수의 전동기기를 하나의 그룹으로 그룹핑하여 복수의 그룹을 생성하고,
   상기 회귀 분석 수행부는,
   상기 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하여 1차 방정식의 형식(y = ax + b)을 가지는 방정식을 산출하며,
   상기 열화 예측부는,
   상기 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 기준으로 가중치 지수 β를 산출하고,
   상기 열화 시뮬레이션 모델을 이용하여 파라미터 최적값 검사, 조건부 고장 확률 추정, 열화 관계성 추적 중 적어도 하나 이상을 수행하고, 수행한 결과 값을 열화 예측 정보에 포함하며,
   상기 파라미터 최적값 검사, 조건부 고장 확률 추정, 열화 관계성 추적 중 적어도 하나 이상을 수행하고, 수행한 결과 값에 따라 진단 이력 데이터에 포함된 예측 대상 중전기기의 진단 항목 마다 설정된 최적값의 변경 추이를 벗어날 수록, 열화가 가중될 수 있는 미리 설정된 조건부 환경에 가까울수록, 예측 대상 중전기기의 진단 항목별 또는 중전기기 간 열화를 촉진시키는 추세를 보일수록 높은 값을 가지는 가중치 지수

   

   를 산출하여 수학식 2와 같이 상기 방정식에 가중치를 적용하고,
   [수학식 2]
   

   

   
   상기 열화 예측부는,
   상기 미리 저장된 회귀 모델 중 분석 결과 값과 진단 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성하는 열화 시뮬레이션 모델 생성부; 및
   상기 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성하는 열화 예측 생성부를 더 포함하는 것을 특징으로 하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템.
2. 제 1 항에 있어서 상기 회귀 분석 수행부는,
   입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하고, 상기 모수 추정된 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출하며,
   상기 열화 예측부는,
   중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 상기 방정식에 적용하며 상기 방정식을 이용하여 상기 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측하는 것을 특징으로 하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템.
3. 제 2 항에 있어서,
   상기 중전기기 데이터 입력부는,
   상기 데이터 베이스로부터 예측 대상 중전기기와 동일 그룹으로 분류된 중전기기의 진단 이력 데이터를 입력 받고,
   상기 회귀 분석 수행부는,
   상기 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 복수의 데이터 및 입력 받은 동일 그룹으로 분류된 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하는 것을 특징으로 하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템.
4. 삭제
5. 삭제
6. 제 1 항에 있어서 상기 관리 서버는,
   상기 열화 예측 정보에 포함된 열화 예측 시점에 따라 해당 중전기기에 대한 예방정비 권고 메시지를 사용자에게 출력하는 것을 특징으로 하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템.
7. 제 1 항에 있어서,
   예측 대상 중전기기의 진단 이력 데이터 및 중전기기 주요 변수 측정 데이터를 입력 받고, 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 정상 그룹을 형성하며, 상기 중전기기 주요 변수 측정 데이터와 형성된 정상 그룹의 중심과의 확률 분포 거리를 측정하여 상기 중전기기의 상태가 정상인지 여부를 판단하는 중전기기 상태 진단부를 더 포함하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템
8. 제 7 항에 있어서 상기 중전기기 상태 진단부는,
   입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반으로 단위 공간을 설정하는 단위 공간 설정부;
   입력 받은 중전기기 주요 변수 측정 데이터에 포함된 각 개별 데이터를 기준 공간 내에 표현하고, 표현된 상기 각 개별 데이터와 상기 기준 공간 내의 정상 그룹의 중심점으로부터 확률분포 거리를 측정하여 단위 거리를 측정하는 단위 거리 측정부;
   상기 개별 데이터의 단위 거리가 미리 설정된 문턱 값보다 크면 상기 개별 데이터가 포함된 중전기기의 상태는 비정상으로 판단하고, 상기 미리 설정된 문턱 값보다 작으면 상기 개별 데이터가 포함된 중전기기의 상태는 정상으로 판단하는 상태 판단부를 포함하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템.
9. 제 1 항에 있어서,
   생성된 복수의 상기 열화 예측 정보에 포함된 예측 대상 중전기기의 열화 시점 데이터를 분석하여 존재하는 일정한 패턴을 파악하고, 상기 파악된 패턴을 이용하여 현재 측정값, 과거 측정값과 미리 설정된 특수 조건을 기반으로 트리 형태의 예측 가능한 규칙의 조합을 분석함으로써 상기 예측대상 중전기기의 건정성을 분석하는 건전성 분석부를 더 포함하는 것을 특징으로 하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템.
10. 제 1 항에 있어서,
    상기 데이터 베이스는,
    예측 대상 중전기기에 설치된 온라인 센서로부터 중전기기 검사 항목 측정값을 입력받아 시계열적으로 정렬하여 상기 중전기기에 대한 검사 항목별 온라인 센서 이력 데이터를 생성하고,
    상기 중전기기 데이터 입력부는,
    상기 데이터 베이스로부터 상기 검사 항목별 온라인 센서 이력 데이터를 입력 받고,
    상기 열화 예측부는,
    입력 받은 상기 검사 항목별 온라인 센서 이력 데이터를 분석하여 상기 열화 시뮬레이션 모델의 열화 가중치 및 불시 고장 발생 확률에 가중치를 갱신하는 것을 특징으로 하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템.
11. 각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 저장하고, 제조사, 제조시기, 전동기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 관리하는 단계;
    복수의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받아 상기 중전기기의 열화 진행을 예측하여 고장 예상 시점을 포함하는 고장 예측 정보를 생성하는 단계를 포함하고,
    상기 고장 예측 정보를 생성하는 단계는,
    상기 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받는 단계;
    상기 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 선형 회귀 분석을 수행하여 상기 복수의 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출하는 단계; 및
    중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 상기 방정식에 적용하고, 상기 방정식을 이용하여 상기 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 상기 진단 이력 데이터에 포함된 복수의 데이터를 입력하여 열화 예측 정보를 생성하는 단계를 더 포함하고,
    상기 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 관리하는 단계는,
    저장된 복수의 중전 기기에 대한 진단 이력 데이터 및 중전기기 식별 정보 중 제조사, 제조시기, 전동기기 용량(kV)을 기준으로 동일 제조사, 일정기간내의 제조 시기, 일정 구간 내의 전동기기 용량의 조건을 달성하는 복수의 전동기기를 하나의 그룹으로 그룹핑하여 복수의 그룹을 생성하고,
    상기 방정식을 산출하는 단계는,
    상기 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하여 1차 방정식의 형식(y = ax + b)을 가지는 방정식을 산출하며,
    상기 열화 예측 정보를 생성하는 단계는,
    상기 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 기준으로 가중치 지수 β를 산출하고,
    상기 열화 시뮬레이션 모델을 이용하여 파라미터 최적값 검사, 조건부 고장 확률 추정, 열화 관계성 추적 중 적어도 하나 이상을 수행하고, 수행한 결과 값을 열화 예측 정보에 포함하며,
    상기 파라미터 최적값 검사, 조건부 고장 확률 추정, 열화 관계성 추적 중 적어도 하나 이상을 수행하고, 수행한 결과 값에 따라 진단 이력 데이터에 포함된 예측 대상 중전기기의 진단 항목 마다 설정된 최적값의 변경 추이를 벗어날 수록, 열화가 가중될 수 있는 미리 설정된 조건부 환경에 가까울수록, 예측 대상 중전기기의 진단 항목별 또는 중전기기 간 열화를 촉진시키는 추세를 보일수록 높은 값을 가지는 가중치 지수

    

    를 산출하여 수학식 2와 같이 상기 방정식에 가중치를 적용하고,
    [수학식 2]
    

    

    
    상기 열화 예측 정보를 생성하는 단계는,
    상기 미리 저장된 회귀 모델 중 분석 결과 값과 진단 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성하는 단계; 및
    상기 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성하는 단계를 더 포함하는 것을 특징으로 하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 방법.
12. 제 11 항에 있어서 상기 방정식을 산출하는 단계는,
    입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하고, 상기 모수 추정된 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출하며,
    상기 열화 예측 정보를 생성하는 단계는,
    중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 상기 방정식에 적용하며 상기 방정식을 이용하여 상기 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측하는 것을 특징으로 하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 방법.
13. 제 12 항에 있어서,
    상기 진단 이력 데이터 및 중전기기 식별 정보를 입력 받는 단계는,
    데이터 베이스로부터 예측 대상 중전기기와 동일 그룹으로 분류된 중전기기의 진단 이력 데이터를 입력 받고,
    상기 방정식을 산출하는 단계는,
    상기 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 복수의 데이터 및 입력 받은 동일 그룹으로 분류된 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하는 것을 특징으로 하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 방법.
14. 삭제
15. 삭제
16. 제 11 항에 있어서 고장 예측 정보를 생성하는 단계는,
    상기 열화 예측 정보에 포함된 열화 예측 시점에 따라 해당 중전기기에 대한 예방정비 권고 메시지를 사용자에게 출력하는 것을 특징으로 하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 방법.
17. 제 11 항에 있어서,
    예측 대상 중전기기의 진단 이력 데이터 및 중전기기 주요 변수 측정 데이터를 입력 받고, 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 정상 그룹을 형성하며, 상기 중전기기 주요 변수 측정 데이터와 형성된 정상 그룹의 중심과의 확률 분포 거리를 측정하여 상기 중전기기의 상태가 정상인지 여부를 판단하는 단계를 더 포함하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 방법.
18. 제 17 항에 있어서 상기 상태가 정상인지 여부를 판단하는 단계는,
    입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반으로 단위 공간을 설정하는 단계;
    입력 받은 중전기기 주요 변수 측정 데이터에 포함된 각 개별 데이터를 기준 공간 내에 표현하고, 표현된 상기 각 개별 데이터와 상기 기준 공간 내의 정상 그룹의 중심점으로부터 확률분포 거리를 측정하여 단위 거리를 측정하는 단계;
    상기 개별 데이터의 단위 거리가 미리 설정된 문턱 값보다 크면 상기 개별 데이터가 포함된 중전기기의 상태는 비정상으로 판단하고, 상기 미리 설정된 문턱 값보다 작으면 상기 개별 데이터가 포함된 중전기기의 상태는 정상으로 판단하는 단계를 포함하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 방법.
19. 제 11 항에 있어서,
    생성된 복수의 상기 열화 예측 정보에 포함된 예측 대상 중전기기의 열화 시점 데이터를 분석하여 존재하는 일정한 패턴을 파악하고, 상기 파악된 패턴을 이용하여 현재 측정값, 과거 측정값과 미리 설정된 특수 조건을 기반으로 트리 형태의 예측 가능한 규칙의 조합을 분석함으로써 상기 예측대상 중전기기의 건정성을 분석하는 단계를 더 포함하는 것을 특징으로 하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 방법.
20. 제 11 항에 있어서,
    상기 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 관리하는 단계는,
    예측 대상 중전기기에 설치된 온라인 센서로부터 중전기기 검사 항목 측정값을 입력받아 시계열적으로 정렬하여 상기 중전기기에 대한 검사 항목별 온라인 센서 이력 데이터를 생성하고,
    상기 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받는 단계는,
    데이터 베이스로부터 상기 검사 항목별 온라인 센서 이력 데이터를 입력 받고,
    상기 열화 예측 정보를 생성하는 단계는,
    입력 받은 상기 검사 항목별 온라인 센서 이력 데이터를 분석하여 상기 열화 시뮬레이션 모델의 열화 가중치 및 불시 고장 발생 확률에 가중치를 갱신하는 것을 특징으로 하는 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 방법.

Images