KR102376900B1 - Method for early diagnosing gas regulator's failure - Google Patents
Method for early diagnosing gas regulator's failure Download PDFInfo
- Publication number
- KR102376900B1 KR102376900B1 KR1020200034988A KR20200034988A KR102376900B1 KR 102376900 B1 KR102376900 B1 KR 102376900B1 KR 1020200034988 A KR1020200034988 A KR 1020200034988A KR 20200034988 A KR20200034988 A KR 20200034988A KR 102376900 B1 KR102376900 B1 KR 102376900B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- static pressure
- value
- learning
- measured
- Prior art date
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D1/00—Pipe-line systems
- F17D1/02—Pipe-line systems for gases or vapours
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D3/00—Arrangements for supervising or controlling working operations
- F17D3/01—Arrangements for supervising or controlling working operations for controlling, signalling, or supervising the conveyance of a product
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
본 발명의 정압기 조기 진단 방법은 정압기 운영 과정에서 수집되는 유량 및 유압 데이터만을 가지고 정압기의 현재 상태를 진단하는 기계학습 모델을 학습시키는 정압기 조기 진단 방법을 제공하기 위한 것이다.
본 발명의 정압기 조기 진단 방법은 정압기의 실측 유량 값 및 상기 정압기의 실측 유압 값을 원천 데이터로서 수집하는 원천 데이터 수집 단계; 상기 원천 데이터에서 노이즈 데이터를 제거하여 학습 데이터로 선별하는 학습 데이터 선별 단계; 상기 학습 데이터를 클래스 별로 분류하고 상기 클래스들 중 적은 수의 학습 데이터를 가지는 마이너 클래스에 소속되는 가상 데이터를 생성하는 가상 데이터 생성 단계; 상기 학습 데이터 및 상기 가상 데이터로 상기 정압기의 상태를 진단하기 위한 기계학습 모델을 학습시키는 학습 단계; 및 상기 정압기의 실측 유량 값 및 상기 정압기의 실측 유압 값을 상기 기계학습 모델에 입력하여 상기 정압기의 상태를 진단하는 정압기 진단 단계를 포함하는 것일 수 있다.It is an object of the present invention to provide a static pressure early diagnosis method for learning a machine learning model for diagnosing the current state of a static pressure machine using only flow and hydraulic pressure data collected during a static pressure machine operation process.
A static pressure device early diagnosis method of the present invention includes: a source data collection step of collecting an actual flow rate value of the static pressure device and an actual hydraulic pressure value of the static pressure device as source data; a learning data selection step of removing noise data from the source data and selecting them as learning data; a virtual data generation step of classifying the learning data by class and generating virtual data belonging to a minor class having a small number of learning data among the classes; a learning step of learning a machine learning model for diagnosing the state of the static pressure device with the learning data and the virtual data; and inputting the measured flow rate value of the static pressure machine and the measured hydraulic pressure value of the static pressure machine into the machine learning model to diagnose the state of the static pressure machine.
Description
본 발명의 정압기 조기 진단 방법은 정압기 운영 과정에서 수집되는 유량 및 유압 데이터만을 가지고 정압기의 현재 상태를 진단하는 기계학습 모델을 학습시키는 정압기 조기 진단 방법에 관한 것이다.The static pressure early diagnosis method of the present invention relates to an early static pressure diagnosis method for learning a machine learning model for diagnosing the current state of a static pressure machine using only flow and hydraulic pressure data collected during a static pressure machine operation process.
가스가 흐르는 가스 배관 회로에는 가스의 압력을 조절하기 위한 정압기(gas regulator)가 마련될 수 있다. 정압기의 상태를 빠르게 진단하여, 정압기가 이상 상태 인지 정상 상태 인지를 파악하는 것은 가스 배관 회로의 안정적인 운영에 매우 중요한 것일 수 있다.A gas regulator for regulating the pressure of the gas may be provided in the gas piping circuit through which the gas flows. It can be very important for the stable operation of a gas pipe circuit to quickly diagnose the state of the static pressure device and determine whether the static pressure device is in an abnormal state or a normal state.
최근에는 각종 장치 또는 설비를 진단하기 위한 방법으로 장치 또는 설비의 운영에서 수집되는 데이터로 학습되는 기계학습 모델을 활용할 수 있다.Recently, as a method for diagnosing various devices or facilities, a machine learning model learned from data collected from the operation of devices or facilities may be utilized.
기계학습 모델은, 학습을 하는 동안 데이터의 분포를 파악하고, 예측 과정에서 새로운 데이터가 주어졌을 때, 주어진 데이터가 전체 데이터 분포의 어디에 어떻게 속하는지 알아냄으로써, 결과를 예측하도록 작동할 수 있다. 따라서, 데이터가 여러 분포를 가지는 경우 기계학습 모델의 성능은 저하될 수 있다.Machine learning models can work to predict outcomes by identifying the distribution of data during training and finding out where and how the given data belongs to the overall data distribution when given new data during the prediction process. Therefore, when the data has multiple distributions, the performance of the machine learning model may deteriorate.
정압기는 유량에 상관없이 가스의 압력을 일정하게 유지하려고 한다. 가스 배관 회로에서 급격한 유량의 변화에는 어쩔 수 없이 유압이 영향을 받게 되지만, 급격한 유량 변화에도 정압기는 최대한 신속하게 압력을 기 설정된 값으로 조절하도록 작동된다. 따라서, 정압기에서 획득되는 유량 및 유압 데이터는 정합기의 설정 압력에 따라 데이터 분포가 달라지며, 여러 분포를 가지는 데이터는 정압기 진단을 위한 기계학습 모델의 성능을 저하시킬 수 있다.The static pressure device tries to keep the pressure of the gas constant regardless of the flow rate. In the gas piping circuit, a sudden change in flow rate inevitably affects hydraulic pressure, but the pressure regulator operates to adjust the pressure to a preset value as quickly as possible even with a sudden change in flow rate. Accordingly, the data distribution of flow and hydraulic data obtained from the static pressure machine varies according to the set pressure of the matching machine, and data having multiple distributions may degrade the performance of the machine learning model for diagnosing the static pressure machine.
또한, 정압기의 운영에서 이상 상태 시의 데이터는 정상 상태 시의 데이터 보다 수집량이 적기 때문에, 이상 상태 데이터와 정상 상태 데이터의 양이 균형적이지 못하다. 이러한 경우 지도학습 방법을 통해 기계학습 모델을 학습시키는 것에 어려움이 있을 수 있다.In addition, since the amount of data collected in an abnormal state is smaller than that in a steady state in the operation of the static pressure device, the amounts of the abnormal state data and the steady state data are not balanced. In this case, it may be difficult to train the machine learning model through the supervised learning method.
또한, 정압기 운영에서 수집되는 데이터에는 노이즈 데이터가 섞일 수 있고, 이러한 노이즈 데이터의 제거가 필요하다.In addition, noise data may be mixed with data collected in the operation of a static pressure device, and it is necessary to remove such noise data.
본 발명의 정압기 조기 진단 방법은 정압기 운영 과정에서 수집되는 유량 및 유압 데이터만을 가지고 정압기의 현재 상태를 진단하는 기계학습 모델을 학습시키는 정압기 조기 진단 방법을 제공하기 위한 것이다.It is an object of the present invention to provide a static pressure early diagnosis method for learning a machine learning model for diagnosing the current state of a static pressure machine using only flow and hydraulic pressure data collected during a static pressure machine operation process.
본 발명이 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The technical problems to be achieved by the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those of ordinary skill in the art to which the present invention belongs from the description below. will be able
본 발명의 정압기 조기 진단 방법은 정압기의 실측 유량 값 및 상기 정압기의 실측 유압 값을 원천 데이터로서 수집하는 원천 데이터 수집 단계; 상기 원천 데이터에서 노이즈 데이터를 제거하여 학습 데이터로 선별하는 학습 데이터 선별 단계; 상기 학습 데이터를 클래스 별로 분류하고 상기 클래스들 중 적은 수의 학습 데이터를 가지는 마이너 클래스에 소속되는 가상 데이터를 생성하는 가상 데이터 생성 단계; 상기 학습 데이터 및 상기 가상 데이터로 상기 정압기의 상태를 진단하기 위한 기계학습 모델을 학습시키는 학습 단계; 및 상기 정압기의 실측 유량 값 및 상기 정압기의 실측 유압 값을 상기 기계학습 모델에 입력하여 상기 정압기의 상태를 진단하는 정압기 진단 단계를 포함하는 것일 수 있다.The method for early diagnosis of a static pressure device of the present invention includes: a source data collection step of collecting an actual flow rate value of the static pressure device and an actual hydraulic pressure value of the static pressure device as source data; a learning data selection step of removing noise data from the source data and selecting them as learning data; a virtual data generation step of classifying the learning data by class and generating virtual data belonging to a minor class having a small number of learning data among the classes; a learning step of learning a machine learning model for diagnosing the state of the static pressure device with the learning data and the virtual data; and inputting the measured flow rate value of the static pressure machine and the measured hydraulic pressure value of the static pressure machine into the machine learning model to diagnose the state of the static pressure machine.
본 발명의 정압기 조기 진단 방법의 상기 원천 데이터 수집 단계에서, 복수의 상기 원천 데이터가 수집되고, 하나의 상기 원천 데이터는 상기 실측 유압 값 및 상기 실측 유량 값과 함께 상기 실측 유량 값의 측정 시점, 상기 실측 유압 값의 측정 시점, 상기 정압기의 상태 정보 및 상기 정압기에 설정된 설정 압력 정보 중 적어도 하나 이상의 정보를 더 포함하는 것일 수 있다.In the source data collection step of the static pressure device early diagnosis method of the present invention, a plurality of the source data is collected, and one source data is a measurement point of the actual flow rate value together with the actual hydraulic pressure value and the actual flow rate value, the It may further include at least one or more information of a measurement time of the measured hydraulic pressure value, state information of the static pressure device, and set pressure information set in the static pressure device.
본 발명의 정압기 조기 진단 방법에서 상기 학습 데이터 선별 단계는, 각각의 상기 원천 데이터를 상기 설정 압력 정보를 근거로 보정하는 데이터 보정 단계와, 상기 데이터 보정 단계에서 보정된 복수의 상기 원천 데이터 중에서 노이즈 데이터인 원천 데이터를 제거하고 남은 원천 데이터를 학습 데이터로 선택하는 노이즈 데이터 제거 단계를 포함하는 것일 수 있다.In the static pressure device early diagnosis method of the present invention, the step of selecting the learning data includes a data correction step of correcting each of the source data based on the set pressure information, and noise data among the plurality of source data corrected in the data correction step. It may include a noise data removal step of removing the phosphorus source data and selecting the remaining source data as the training data.
본 발명의 정압기 조기 진단 방법의 상기 데이터 보정 단계에서, 기준 압력과 상기 설정 압력 간의 차 값을 근거로 상기 실측 압력 값에 대한 보정량이 산출되고, 상기 보정량을 상기 실측 압력 값에서 가감하여 상기 원천 데이터를 보정하는 것일 수 있다.In the data correction step of the static pressure device early diagnosis method of the present invention, a correction amount for the measured pressure value is calculated based on the difference value between the reference pressure and the set pressure, and the correction amount is added or subtracted from the measured pressure value to obtain the source data may be to correct
본 발명의 정압기 조기 진단 방법의 상기 노이즈 데이터 제거 단계에서, 상기 실측 유량 값들 또는 상기 실측 유압 값들에 대해서 각각 상기 실측 유량 값 또는 상기 실측 유압 값의 제트 스코어(z-score)가 산출되고, 일정 수치 이상의 제트 스코어를 가지는 실측 유량 값을 포함하는 원천 데이터 또는 일정 수치 이상의 제트 스코어를 가지는 실측 유압 값을 포함하는 원천 데이터가 노이즈 데이터로서 제거되는 것일 수 있다.In the noise data removal step of the static pressure device early diagnosis method of the present invention, a jet score (z-score) of the measured flow rate value or the measured hydraulic pressure value is calculated for the measured flow rate values or the measured hydraulic pressure values, respectively, and a predetermined value Source data including an actual flow rate value having a jet score equal to or greater than a predetermined value or source data including an actual hydraulic pressure value having a jet score greater than or equal to a predetermined value may be removed as noise data.
본 발명의 정압기 조기 진단 방법의 상기 가상 데이터 생성 단계에서, 상기 학습 데이터의 클래스는 상기 정압기의 상태 정보를 근거로 결정되는 것일 수 있다.In the virtual data generation step of the static pressure machine early diagnosis method of the present invention, the class of the learning data may be determined based on the state information of the static pressure machine.
본 발명의 정압기 조기 진단 방법의 상기 가상 데이터 생성 단계에서, 상기 마이너 클래스에 소속되는 학습 데이터들에 포함되는 실측 유압 값 및 실측 유량 값을 근거로 상기 가상 데이터가 생성되는 것일 수 있다.In the step of generating the virtual data of the static pressure device early diagnosis method of the present invention, the virtual data may be generated based on the measured hydraulic pressure value and the measured flow rate value included in the learning data belonging to the minor class.
본 발명의 정압기 조기 진단 방법에서 상기 가상 데이터 생성 단계는, 실측 유압의 시간에 따른 변화량 값을 산출하여 해당 클래스에 각 학습 데이터를 포함시키는 단계와, 상기 실측 유압의 시간에 따른 변화량 값 및 실측 유량 값을 변수로 포함하는 n차원 좌표계에 상기 마이너 클래스의 학습 데이터들을 표시하는 단계(n은 2 이상의 자연수)와, 상기 마이너 클래스의 학습 데이터들 중 하나의 학습 데이터를 기준 학습 데이터로 선정하는 단계와, 상기 기준 학습 데이터를 제외한 상기 마이너 클래스의 학습 데이터들 중 일부를 인접 학습 데이터로 선정하는 단계와, 상기 n차원 좌표계 상에서 상기 기준 학습 데이터와 상기 인접 학습 데이터를 연결하는 직선상의 임의의 점을 상기 가상 데이터로서 생성하는 단계를 포함하는 것일 수 있다.In the static pressure machine early diagnosis method of the present invention, the virtual data generation step includes calculating a time-dependent change value of the measured hydraulic pressure and including each learning data in a corresponding class; Displaying the learning data of the minor class in an n-dimensional coordinate system including a value as a variable (n is a natural number greater than or equal to 2), and selecting one of the learning data of the minor class as reference learning data; , selecting some of the learning data of the minor class except for the reference learning data as adjacent learning data, and selecting any point on a straight line connecting the reference learning data and the adjacent learning data on the n-dimensional coordinate system. It may include generating as virtual data.
본 발명의 정압기 조기 진단 방법은 정압기의 고장을 조기에 발견하고 진단하여 효율적이고 정확한 정비 스케쥴링이 가능하게 되며, 이로 인해 치명적인 안전사고를 방지하고, 정압기의 고장으로 전체 도시가스 공급이 중단되는 사태를 막아 비용 손실을 최소화할 수 있다.The static pressure early diagnosis method of the present invention enables efficient and accurate maintenance scheduling by detecting and diagnosing the failure of the static pressure machine early, thereby preventing fatal safety accidents, and stopping the entire city gas supply due to the failure of the static pressure machine. This can be done to minimize cost loss.
본 발명의 정압기 조기 진단 방법은 정압기 운영 시 자체 수집되는 유량 및 유압 데이터만을 사용하여 고장을 진단하기 때문에, 추가적인 장비, 센서, 비용이 필요하지 않을 수 있다.Since the static pressure early diagnosis method of the present invention diagnoses a failure using only flow and hydraulic data collected by itself during operation of the static pressure machine, additional equipment, sensors, and costs may not be required.
본 발명의 정압기 조기 진단 방법은 이상 데이터가 충분하지 않은 다양한 산업 설비의 고장 진단에 적용할 수 있다.The method of early diagnosis of a static pressure device of the present invention can be applied to the diagnosis of malfunctions of various industrial facilities in which abnormality data is not sufficient.
도 1은 본 발명의 정압기 조기 진단 방법을 나타내는 블록도이다.
도 2는 데이터 보정 단계를 설명하는 그래프이다.
도 3은 노이즈 데이터 제거 단계를 설명하는 그래프이다.
도 4는 실측 유압 값 및 실측 유량 값을 변수로 학습 데이터를 2차원 좌표계 상에 표시한 그래프이다.
도 5는 실측 유압의 시간에 따른 변화량 값 및 실측 유량 값을 변수로 학습 데이터를 2차원 좌표계 상에 표시한 그래프이다.1 is a block diagram illustrating a method for early diagnosis of a static pressure device according to the present invention.
2 is a graph illustrating a data correction step.
3 is a graph for explaining a noise data removal step.
4 is a graph in which learning data is displayed on a two-dimensional coordinate system using an actual hydraulic pressure value and an actual flow rate value as variables.
FIG. 5 is a graph in which learning data is displayed on a two-dimensional coordinate system using a change amount value and an actual flow rate value according to time of the measured hydraulic pressure as variables.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 실시예를 상세히 설명한다. 이 과정에서 도면에 도시된 구성요소의 크기나 형상 등은 설명의 명료성과 편의상 과장되게 도시될 수 있다. 또한, 본 발명의 구성 및 작용을 고려하여 특별히 정의된 용어들은 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 한다.Hereinafter, an embodiment according to the present invention will be described in detail with reference to the accompanying drawings. In this process, the size or shape of the components shown in the drawings may be exaggerated for clarity and convenience of explanation. In addition, terms specifically defined in consideration of the configuration and operation of the present invention may vary depending on the intention or custom of the user or operator. Definitions of these terms should be made based on the content throughout this specification.
도 1은 본 발명의 정압기 조기 진단 방법을 나타내는 블록도이다. 도 2는 데이터 보정 단계를 설명하는 그래프이다. 도 3은 노이즈 데이터 제거 단계를 설명하는 그래프이다. 도 4는 실측 유압 값 및 실측 유량 값을 변수로 학습 데이터를 2차원 좌표계 상에 표시한 그래프이다. 도 5는 실측 유압의 시간에 따른 변화량 값 및 실측 유량 값을 변수로 학습 데이터를 2차원 좌표계 상에 표시한 그래프이다.1 is a block diagram illustrating a method for early diagnosis of a static pressure device according to the present invention. 2 is a graph illustrating a data correction step. 3 is a graph illustrating a noise data removal step. 4 is a graph in which learning data is displayed on a two-dimensional coordinate system using an actual hydraulic pressure value and an actual flow rate value as variables. FIG. 5 is a graph in which learning data is displayed on a two-dimensional coordinate system using a change amount value and an actual flow rate value according to time of the measured hydraulic pressure as variables.
이하, 도 1 내지 도 5를 참조하여, 본 발명의 정압기 조기 진단 방법에 대해서 상세히 설명한다.Hereinafter, with reference to FIGS. 1 to 5 , the method for early diagnosis of a static pressure device of the present invention will be described in detail.
도시가스 공급 시스템 등에 마련되는 가스 배관 회로에는 가스의 압력을 조절하는 정압기(regulator)가 마련될 수 있다. 다양한 산업에 사용되는 연료 가스는 고압의 주배관에서 개별 수요처에 전달될 때 정압기를 통해 감압과정을 거쳐 최종적으로 수요처에 공급될 수 있다.A gas pipe circuit provided in a city gas supply system or the like may be provided with a regulator for regulating gas pressure. When fuel gas used in various industries is delivered to individual consumers through a high-pressure main pipe, it can be finally supplied to consumers through a decompression process through a static pressure machine.
본 발명의 정압기 조기 진단 방법은 정압기에 기본적으로 마련되는 압력 센서 및 유량 센서에서 측정되는 실측 유압 값 및 실측 유량 값을 근거로 정압기를 진단하기 위한 기계학습 모델을 학습시켜 정압기를 진단하는 것일 수 있다. 즉, 별도의 센서 추가 없이 정압기의 진단을 위한 기계학습 모델을 학습시켜 정압기를 진단하는 것일 수 있다.The static pressure device early diagnosis method of the present invention may be to diagnose the static pressure device by learning a machine learning model for diagnosing the static pressure device based on the actual hydraulic pressure value and the actual flow rate value measured by the pressure sensor and the flow sensor basically provided in the static pressure device. . That is, it may be to diagnose the static pressure device by learning a machine learning model for diagnosing the static pressure device without adding a separate sensor.
도 1에 도시된 바와 같이, 본 발명의 정압기 조기 진단 방법은 정압기의 실측 유량 값 및 상기 정압기의 실측 유압 값을 원천 데이터로서 수집하는 원천 데이터 수집 단계(S100); 상기 원천 데이터에서 노이즈 데이터를 제거하여 학습 데이터로 선별하는 학습 데이터 선별 단계(S200); 상기 학습 데이터를 클래스 별로 분류하고 상기 클래스들 중 적은 수의 학습 데이터를 가지는 마이너 클래스에 소속되는 가상 데이터를 생성하는 가상 데이터 생성 단계(S300); 상기 학습 데이터 및 상기 가상 데이터로 상기 정압기의 상태를 진단하기 위한 기계학습 모델을 학습시키는 학습 단계(S400); 및 상기 정압기의 실측 유량 값 및 상기 정압기의 실측 유압 값을 상기 기계학습 모델에 입력하여 상기 정압기의 상태를 진단하는 정압기 진단 단계(S500)를 포함할 수 있다.As shown in FIG. 1 , the method for early diagnosis of a static pressure device of the present invention includes a source data collection step (S100) of collecting an actual flow rate value of the static pressure device and an actual hydraulic pressure value of the static pressure device as source data; a learning data selection step (S200) of removing noise data from the source data and selecting them as learning data; A virtual data generation step (S300) of classifying the learning data by class and generating virtual data belonging to a minor class having a small number of learning data among the classes; a learning step (S400) of learning a machine learning model for diagnosing the state of the static pressure device with the learning data and the virtual data; and inputting the measured flow rate value of the static pressure machine and the measured hydraulic pressure value of the static pressure machine into the machine learning model to diagnose the state of the static pressure machine ( S500 ).
상기 원천 데이터 수집 단계(S100)에서, 상기 원천 데이터는 복수로 수집될 수 있다. 하나의 상기 원천 데이터는 상기 실측 유압 값 및 상기 실측 유량 값과 함께 상기 실측 유량 값의 측정 시점, 상기 실측 유압 값의 측정 시점, 상기 정압기의 상태 정보 및 상기 정압기에 설정된 설정 압력 정보 중 적어도 하나 이상의 정보를 더 포함할 수 있다.In the source data collection step ( S100 ), a plurality of source data may be collected. One of the source data is at least one or more of a measurement time of the actual flow rate value, a measurement time of the actual hydraulic pressure value, state information of the static pressure device, and set pressure information set in the static pressure device together with the actual hydraulic pressure value and the actual flow rate value It may include more information.
정압기는 유량에 상관없이 유압을 일정하게 유지하려고 한다. 급격한 유량의 변화에는 어쩔 수 없이 유압이 영향을 받게 되지만, 이 상황에서도 정압기는 최대한 빨리 압력을 원래 설정된 값으로 되돌리는 방향으로 작동한다. 따라서, 정압기에서 수집되는 실측 유량 값 및 실측 유압 값에서 실측 유량 값의 변화에 따른 실측 유압 값의 변화에 주목하여 정압기의 고장을 진단 및 예측할 수 있다. 따라서, 원천 데이터는 기본적으로 실측 유압 값 및 실측 유량 값을 포함하고, 필요에 따라 추가적인 정보를 포함할 수 있다.A static pressure machine tries to keep the hydraulic pressure constant regardless of the flow rate. A sudden change in flow rate inevitably affects hydraulic pressure, but even in this situation, the static pressure machine operates in the direction of returning the pressure to the original set value as soon as possible. Accordingly, it is possible to diagnose and predict the failure of the static pressure machine by paying attention to the change in the measured hydraulic pressure value according to the change in the measured flow rate value from the measured flow rate value and hydraulic pressure value collected from the static pressure machine. Accordingly, the source data basically includes the measured hydraulic pressure value and the measured flow rate value, and may include additional information as necessary.
실측 유압 값은 정압기에서 측정된 정압기에서의 가스의 압력 값으로, 압력 단위의 물리량을 나타내는 수치로 저장될 수 있다.The actual hydraulic pressure value is a gas pressure value in the static pressure device measured by the static pressure device, and may be stored as a numerical value representing a physical quantity in a pressure unit.
실측 유량 값은 정압기에서 측정된 정압기를 통과하는 가스의 유량 값으로, 유량 단위의 물리량을 나타내는 수치로 저장될 수 있다.The actual flow rate value is a flow rate value of the gas passing through the static pressure device measured by the static pressure device, and may be stored as a numerical value representing a physical quantity of a flow rate unit.
실측 유압 값의 측정 시점은 정압기에서의 가스의 압력을 측정한 시각이며, 실측 유량 값의 측정 시점은 정압기에서 가스의 유량을 측정한 시각으로, 실측 유압 값의 측정 시점 및 실측 유량 값의 측정 시점은 시간 단위의 물리량을 나타내는 수치 또는 측정 회차를 나타내는 넘버로 저장될 수 있다.The measurement time of the actual hydraulic pressure value is the time when the gas pressure in the static pressure machine is measured, and the measurement time of the actual flow rate value is the time when the gas flow rate is measured in the static pressure machine. may be stored as a numerical value indicating a physical quantity in units of time or a number indicating a measurement cycle.
정압기의 상태 정보는 정압기의 상태를 나타내는 정보로, 예를 들어, 정상 상태와 비정상(이상) 상태의 두 가지 상태 중에서 선택되어 저장될 수도 있고, 정압기의 비정상(이상) 상태를 더 세분화하여 세가지 이상의 상태 중에서 선택되어 저장될 수 있다.The status information of the static pressure machine is information indicating the status of the static pressure machine. For example, it may be selected and stored from two states of a normal state and an abnormal (abnormal) state, It can be selected from among the states and stored.
설정 압력 정보는 정압기에 입력되는 지령 압력 값으로, 압력 단위의 물리량일 수 있다.The set pressure information is a command pressure value input to the static pressure device, and may be a physical quantity in a pressure unit.
즉, 실측 유압 값, 실측 유량 값, 실측 유량 값의 측정 시점, 실측 유압 값의 측정 시점, 정압기의 상태 정보 및 설정 압력 정보가 서로 매칭되어 하나의 원천 데이터를 형성할 수 있다. 원천 데이터는 필요에 따라 실측 유압 값, 실측 유량 값, 실측 유량 값의 측정 시점, 실측 유압 값의 측정 시점, 정압기의 상태 정보 및 설정 압력 정보 외에도, 정압기의 식별 코드 등의 정보가 추가로 매칭될 수 있다. 정압기의 식별 코드는 복수로 마련되는 정압기 각각을 구별하기 위한 정보일 수 있다.That is, the actual hydraulic pressure value, the actual flow rate value, the measurement time of the actual flow rate value, the measurement time of the actual hydraulic pressure value, the state information of the static pressure device, and the set pressure information may be matched with each other to form one source data. Source data may be additionally matched with information such as the identification code of the static pressure device in addition to the actual hydraulic pressure value, the actual flow rate value, the measurement time of the actual flow rate value, the measurement time of the actual hydraulic pressure value, the status information of the static pressure device and the set pressure information as needed. can The identification code of the static pressure device may be information for distinguishing each of the plurality of static pressure devices.
상기 학습 데이터 선별 단계(S200)는 각각의 상기 원천 데이터를 상기 설정 압력 정보를 근거로 보정하는 데이터 보정 단계와, 상기 데이터 보정 단계에서 보정된 복수의 상기 원천 데이터 중에서 노이즈 데이터인 원천 데이터를 제거하고 남은 원천 데이터를 학습 데이터로 선택하는 노이즈 데이터 제거 단계를 포함할 수 있다.The learning data selection step (S200) includes a data correction step of correcting each of the source data based on the set pressure information, and removing source data that is noise data from among the plurality of source data corrected in the data correction step, It may include a noise data removal step of selecting the remaining source data as training data.
도 2에 도시된 바와 같이, 상기 데이터 보정 단계에서, 기준 압력과 상기 설정 압력 간의 차 값을 근거로 상기 실측 압력 값에 대한 보정량이 산출되고, 상기 보정량을 상기 실측 압력 값에서 가감하여 상기 원천 데이터를 보정할 수 있다.As shown in FIG. 2 , in the data correction step, a correction amount for the measured pressure value is calculated based on a difference value between the reference pressure and the set pressure, and the correction amount is added or subtracted from the measured pressure value to obtain the source data can be corrected.
정압기는 설정 압력에 최대한 가깝게 유압을 유지하는 방향으로 작동하기 때문에 설정 압력이 변경될 때마다 데이터의 분포적 특성이 달라질 수밖에 없다. Since the static pressure machine operates in the direction of maintaining the hydraulic pressure as close to the set pressure as possible, the distribution characteristics of the data are inevitably changed whenever the set pressure is changed.
일반적으로, 기계학습 모델은 학습 과정 동안 데이터의 분포를 파악하고, 진단 과정에서 새로운 데이터가 입력으로 주어졌을 때 해당 데이터가 전체 데이터 분포의 어디에 어떻게 속하는지 알아냄으로써 진단 결과를 도출하는 방법으로 작동될 수 있다. 따라서 데이터가 여러 분포를 갖는 경우 기계학습 모델의 학습이 어려워지며 좋은 성능을 기대할 수 없게 된다. 이와 같은 문제를 해결하기 위해 본 발명의 정압기 조기 진단 방법은 데이터 보정 단계에서 설정 압력이 달라질 때마다 설정 압력의 차이만큼 데이터에서 보정하여 데이터의 분포를 하나로 만들어 줄 수 있다. In general, a machine learning model can be operated as a method of deriving diagnostic results by identifying the distribution of data during the learning process and finding out where and how the data belongs to the overall data distribution when new data is given as an input in the diagnostic process. can Therefore, when the data has multiple distributions, it becomes difficult to train the machine learning model and good performance cannot be expected. In order to solve such a problem, the method for early diagnosis of a static pressure device of the present invention can make a distribution of data by correcting the data by the difference in the set pressure whenever the set pressure is changed in the data correction step.
예를 들어, 설정 압력이 m1인 원천 데이터와 설정 압력이 m2인 원천 데이터가 있을 때, m1과 m2의 평균 값인 m 값을 기준으로 하여, 설정 압력이 m1인 원천 데이터에 대한 보정량으로 m과 m1으로 산출하고, 설정 압력이 m2인 원천 데이터에 대한 보정량으로 m과 m2으로 산출한 다음, 각 원천 데이터의 실측 유압 값에 각각 보정량을 가감하여 원천 데이터들을 보정할 수 있다.For example, when there is source data with set pressure m 1 and source data with set pressure m 2 , based on the average value of m 1 and m 2 , for source data with set pressure m 1 The source data can be corrected by calculating m and m 1 as the correction amount, m and m 2 as the correction amount for the source data with a set pressure of m 2 , and then adding or subtracting the correction amount to the actual hydraulic pressure value of each source data. there is.
상기 노이즈 데이터 제거 단계에서, 상기 실측 유량 값들 또는 상기 실측 유압 값들에 대해서 각각 상기 실측 유량 값 또는 상기 실측 유압 값의 제트 스코어(z-score)가 산출되고, 일정 수치 이상의 제트 스코어를 가지는 실측 유량 값을 포함하는 원천 데이터 또는 일정 수치 이상의 제트 스코어를 가지는 실측 유압 값을 포함하는 원천 데이터가 노이즈 데이터로서 제거될 수 있다.In the noise data removal step, a jet score (z-score) of the measured flow rate value or the measured hydraulic pressure value is calculated for the measured flow rate values or the measured hydraulic pressure values, respectively, and the measured flow rate value having a jet score greater than or equal to a predetermined value Source data including , or source data including an actual hydraulic pressure value having a jet score greater than or equal to a predetermined value may be removed as noise data.
정압기로부터 수집된 실측 유량 값 및 실측 유압 값도 결국 센서로부터 수집된 데이터이기 때문에 노이즈가 섞일 수밖에 없으므로, 노이즈를 제거하는 작업이 반드시 필요하다. 일반적으로, 노이즈로 판단되는 이상치는 짧은 순간에 값이 급격하게 상승과 하락을 반복하는 패턴을 가질 수 있다. 이러한 패턴을 보이는 이상치를 평탄 필터(smoothing filter) 등을 사용하여 노이즈를 제거하게 되면, 이상치 주변에 위치한 값들이 큰 영향을 받아 원래 측정된 값과 크게 달라질 수 있다. 따라서, 이상치가 정상 측정된 데이터에 비해 극단적인 값을 가진다는 사실을 근거로 제트 스코어(z-score)를 계산하여 그 값이 극단적으로 큰 데이터들을 이상치로 판단하고 원천 데이터에서 제거할 수 있다.Since the measured flow rate value and the measured hydraulic pressure value collected from the static pressure device are also data collected from the sensor, noise is inevitably mixed, so it is essential to remove the noise. In general, an outlier determined as noise may have a pattern in which values abruptly rise and fall in a short moment. When noise is removed from an outlier showing such a pattern using a smoothing filter, values located around the outlier are greatly affected and may be significantly different from the originally measured value. Therefore, by calculating a z-score based on the fact that the outlier has an extreme value compared to the normal measured data, data with an extremely large value can be determined as an outlier and removed from the source data.
도 3에서 실선은 노이즈 데이터가 포함된 원천 데이터의 분포를 나타내는 것이며, 도 3에서 점선은 노이즈 데이터가 제거된 학습 데이터의 분포를 나타내는 것이다.In FIG. 3 , a solid line indicates a distribution of source data including noise data, and a dotted line in FIG. 3 indicates a distribution of learning data from which noise data is removed.
제트 스코어는 변수가 평균에서 표준 편차의 몇 배만큼 떨어져 있는지를 나타내는 수치일 수 있다.The jet score may be a number indicating how many times the standard deviation of the variable is away from the mean.
상기 가상 데이터 생성 단계(S300)에서, 상기 학습 데이터의 클래스는 상기 정압기의 상태 정보를 근거로 결정될 수 있다. 예를 들어, 정압기의 정상 상태와 비정상(이상) 상태로 분류되는 정압기의 상태 정보를 각각의 클래스로 하여 학습 데이터의 클래스는 분류될 수 있다.In the virtual data generation step (S300), the class of the learning data may be determined based on the state information of the static pressure device. For example, the class of the learning data may be classified by using state information of the static pressure device classified into a normal state and an abnormal (abnormal) state of the static pressure device as each class.
지도학습 방법 등으로 기계학습 모델을 학습시키려면, 상태 정보가 정상 상태인 학습 데이터와 비정상(이상) 상태인 학습 데이터의 양이 균형적인 것이 바람직할 수 있다. 하지만, 실제 설비는 운영에서 정압기는 정상 상태로 더 많은 시간 구동되기 때문에, 비정상 상태의 학습 데이터의 수가 정상 상태의 학습 데이터의 수보다 적을 수밖에 없다. 따라서, 본 발명의 정압기 조기 진단 방법에서는 정상 상태 클래스의 학습 데이터와 비정상 상태 클래스의 학습 데이터의 양적 균형을 맞추기 위해, 마이너 클래스인 비정상 상태의 학습 데이터를 보완하기 위해서 가상 데이터를 생성할 수 있다.In order to train a machine learning model by a supervised learning method, it may be desirable to have a balanced amount of training data in which the state information is in a normal state and training data in an abnormal (abnormal) state. However, in actual equipment operation, since the static pressure machine is driven more time in the normal state, the number of learning data in the abnormal state is inevitably smaller than the number of learning data in the normal state. Therefore, in the static pressure device early diagnosis method of the present invention, virtual data may be generated in order to supplement the learning data of the minor class abnormal state in order to balance the quantitative balance between the learning data of the steady state class and the learning data of the abnormal state class.
상기 가상 데이터 생성 단계(S300)에서, 상기 마이너 클래스에 소속되는 학습 데이터들에 포함되는 실측 유압 값 및 실측 유량 값을 근거로 상기 가상 데이터가 생성될 수 있다.In the virtual data generating step ( S300 ), the virtual data may be generated based on the measured hydraulic pressure value and the measured flow rate value included in the learning data belonging to the minor class.
구체적으로, 상기 가상 데이터 생성 단계(S300)는, 실측 유압의 시간에 따른 변화량 값을 산출하여 해당 클래스에 각 학습 데이터를 포함시키는 단계와, 실측 유압의 시간에 따른 변화량 값 및 실측 유량 값을 변수로 포함하는 n차원 좌표계에 상기 마이너 클래스의 학습 데이터들을 표시하는 단계(n은 2 이상의 자연수)와, 상기 마이너 클래스의 학습 데이터들 중 하나의 학습 데이터를 기준 학습 데이터로 선정하는 단계와, 상기 기준 학습 데이터를 제외한 상기 마이너 클래스의 학습 데이터들 중 일부를 인접 학습 데이터로 선정하는 단계와, 상기 n차원 좌표계 상에서 상기 기준 학습 데이터와 상기 인접 학습 데이터를 연결하는 직선상의 임의의 점을 상기 가상 데이터로서 생성하는 단계를 포함할 수 있다.Specifically, the virtual data generation step (S300) includes the steps of calculating the change amount value over time of the measured hydraulic pressure and including each learning data in the corresponding class, and changing the time-dependent change amount value of the measured hydraulic pressure and the actual flow rate value as variables Displaying the training data of the minor class in an n-dimensional coordinate system including Selecting some of the learning data of the minor class except for the learning data as adjacent learning data, and using any point on a straight line connecting the reference learning data and the adjacent learning data on the n-dimensional coordinate system as the virtual data It may include the step of generating.
상기 마이너 클래스의 학습 데이터들 중 하나의 학습 데이터를 기준 학습 데이터로 선정하는 단계에서, 기준 학습 데이터는 사용자가 지정한 마이너 클래스의 데이터 사용 비율을 감안하여 그 비율만큼 샘플링된 데이터 중에서 무작위(random)로 선정될 수 있다.In the step of selecting one training data from among the training data of the minor class as the reference training data, the reference training data is randomly selected from among the data sampled by the ratio in consideration of the data usage ratio of the minor class designated by the user. can be selected.
상기 기준 학습 데이터를 제외한 상기 마이너 클래스의 학습 데이터들 중 일부를 인접 학습 데이터로 선정하는 단계에서 인접 학습 데이터는 각 클래스별 데이터 수를 고려하여 사용자가 정한 개수만큼 선정될 수 있다. 인접 학습 데이터는 기준 학습 데이터와의 거리를 고려하여 가까운 순으로 선택될 수 있다.In the step of selecting a part of the learning data of the minor class other than the reference learning data as the adjacent learning data, the adjacent learning data may be selected by the number determined by the user in consideration of the number of data for each class. The adjacent learning data may be selected in the order of proximity in consideration of a distance from the reference learning data.
상기 n차원 좌표계 상에서 상기 기준 학습 데이터와 상기 인접 학습 데이터를 연결하는 직선상의 임의의 점을 상기 가상 데이터로서 생성하는 단계에서 임의의 점은 인접 학습 데이터 중에서 무작위(random)로 선택될 수 있으며, 가상 데이터는 기준 학습 데이터와 인접 학습 데이터의 차(difference)에 0과 1사이의 값을 곱하여 생성할 수 있다.In the step of generating as the virtual data any point on a straight line connecting the reference learning data and the adjacent learning data on the n-dimensional coordinate system, the arbitrary point may be randomly selected from among the adjacent learning data, and the virtual The data may be generated by multiplying a difference between the reference training data and the adjacent training data by a value between 0 and 1.
상술된 바와 같이, 본 발명의 정압기 조기 진단 방법에서는 실측 유압 값을 직접적으로 적용하여 가상 데이터를 생성하는 것이 아니라 실측 유압의 시간에 따른 변화량 값으로 가상 데이터를 생성할 수 있다. 실측 유압의 시간에 따른 변화량 값 값은 일정 시간 간격을 두고 측정된 실측 유압 값들의 차로 산출되거나, 실측 유량 값들과 실측 유압 값의 측정 시점에 대한 변수로 피팅된 함수를 미분한 값으로 산출될 수 있다.As described above, in the method for early diagnosis of a static pressure device of the present invention, virtual data may be generated as a value of the change amount of the actual hydraulic pressure according to time, rather than generating virtual data by directly applying the measured hydraulic pressure value. The time-dependent change value of the actual hydraulic pressure can be calculated as the difference between the measured hydraulic pressure values measured at regular time intervals, or as a differential value of a function fitted as a variable between the measured flow rate values and the actual hydraulic pressure value measurement time. there is.
일반적으로, 유압의 급격한 변동이 정압기의 비정상 상태와 관련이 있기 때문에 실측 유압 값을 직접적으로 적용하여 가상 데이터를 생성하는 것이 아니라 실측 유압의 시간에 따른 변화량 값 값으로 가상 데이터를 생성하는 것이 더 바람직할 수 있다.In general, since rapid fluctuations in hydraulic pressure are related to the abnormal state of the static pressure machine, it is more preferable to generate virtual data using the time-dependent change value of the actual hydraulic pressure, rather than directly applying the measured hydraulic pressure value to generate virtual data. can do.
학습 데이터는 2차원 이상의 다차원 벡터이지만, 2차원 좌표계에서 학습 데이터를 도식화하면 도 4 및 도 5와 같이 도시될 수 있다. 도 4는 실측 유압 값 및 실측 유량 값을 변수로 학습 데이터를 2차원 좌표계 상에 표시한 그래프이며, 도 5는 실측 유압의 시간에 따른 변화량 값 및 실측 유량 값을 변수로 학습 데이터를 2차원 좌표계 상에 표시한 그래프이다.Although the learning data is a multidimensional vector of two or more dimensions, when the learning data is schematized in a two-dimensional coordinate system, it may be illustrated as in FIGS. 4 and 5 . 4 is a graph in which the learning data is displayed on a two-dimensional coordinate system using the measured hydraulic pressure value and the measured flow rate value as variables, and FIG. This is the graph shown above.
도 4에 도시된 바와 같이, 실측 유압 값 및 실측 유량 값을 변수로 하는 경우, 비정상 상태 클래스는 x와 y값의 상대적인 크기에 따라 정의되기 때문에, 비정상 클래스의 학습 데이터(빨간색 점)는 원점에서 멀면서 x축 혹은 y축에 달라붙은 형태로 위치하게 된다. 이 상황에서 y축에 인접한 학습 데이터들 중에서 기준 학습 데이터를 선택하고, k개의 인접 학습 데이터를 선택한다고 할 때, k가 y축에 인접한 학습 데이터 수보다 큰 값을 갖게 되면 멀리 떨어져 있는 x축에 인접한 학습 데이터까지 직선으로 연결하게 된다. 이렇게 되면, 직선이 정상 범위에 속하는 영역(보라색 점)을 지나게 되어, 정상과 비정상의 구분이 모호해지는 문제가 발생할 수 있다.As shown in Fig. 4, when the measured hydraulic pressure value and the measured flow rate value are used as variables, the abnormal state class is defined according to the relative sizes of the x and y values, so the learning data of the abnormal class (red dot) is from the origin. It is located farther away and attached to the x-axis or y-axis. In this situation, when selecting the reference training data from among the training data adjacent to the y-axis and selecting k adjacent training data, if k has a larger value than the number of training data adjacent to the y-axis, It connects to the adjacent training data in a straight line. In this case, the straight line passes through the region (purple dot) belonging to the normal range, so that the distinction between normal and abnormal may be blurred.
따라서, 도 4에 도시된 바와 같이, 실측 유압 값을 바로 사용하여 가상 데이터를 생성하는 것보다는, 실측 유압의 시간에 따른 변화량 값을 산출하여 가상 데이터를 생성하는 것이 바람직할 수 있다.Therefore, as shown in FIG. 4 , it may be preferable to generate the virtual data by calculating the change amount value of the measured hydraulic pressure according to time, rather than directly using the measured hydraulic pressure value to generate the virtual data.
상기 학습 단계(S400)에서 학습 데이터 및 가상 데이터를 통해 Boosting Algorithm 또는 1D Convolution 등 다양한 기계학습 모델을 학습시킬 수 있다. 문제 상황에 따라 더 적합한 알고리즘을 선택적으로 적용될 수 있다.In the learning step (S400), various machine learning models such as Boosting Algorithm or 1D Convolution may be trained through training data and virtual data. A more suitable algorithm may be selectively applied according to the problem situation.
기계학습 모델로서 1D Convolution 모델을 사용할 경우, 학습 데이터 선별 단계(S200), 가상 데이터 생성 단계(S300) 후에도 남아있을 수 있는 노이즈 데이터의 영향을 최소화하기 위해 초반에는 상대적으로 큰 필터(7X1)를 사용하고 레이어가 깊어질수록 필터의 크기를 줄이고(3X1) 수를 늘려 학습의 효율을 높이면서도 고차원의 표현(feature)을 뽑아낼 수 있다.When using a 1D convolution model as a machine learning model, a relatively large filter (7X1) is initially used to minimize the effect of noise data that may remain after the training data selection step (S200) and the virtual data generation step (S300). And as the layer becomes deeper, the size of the filter is reduced (3X1) and the number is increased to increase the learning efficiency while extracting high-dimensional features.
이상에서 본 발명에 따른 실시예들이 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 범위의 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 다음의 특허청구범위에 의해서 정해져야 할 것이다.Although the embodiments according to the present invention have been described above, these are merely exemplary, and those of ordinary skill in the art will understand that various modifications and equivalent ranges of embodiments are possible therefrom. Accordingly, the true technical protection scope of the present invention should be defined by the following claims.
Claims (8)
상기 원천 데이터에서 노이즈 데이터를 제거하여 학습 데이터로 선별하는 학습 데이터 선별 단계;
상기 학습 데이터를 클래스 별로 분류하고 상기 클래스들 중 적은 수의 학습 데이터를 가지는 마이너 클래스에 소속되는 가상 데이터를 생성하는 가상 데이터 생성 단계;
상기 학습 데이터 및 상기 가상 데이터로 상기 정압기의 상태를 진단하기 위한 기계학습 모델을 학습시키는 학습 단계; 및
상기 정압기의 실측 유량 값 및 상기 정압기의 실측 유압 값을 상기 기계학습 모델에 입력하여 상기 정압기의 상태를 진단하는 정압기 진단 단계를 포함하고,
상기 원천 데이터 수집 단계에서,
복수의 상기 원천 데이터가 수집되고,
하나의 상기 원천 데이터는 상기 실측 유압 값 및 상기 실측 유량 값과 함께 상기 실측 유량 값의 측정 시점, 상기 실측 유압 값의 측정 시점, 상기 정압기의 상태 정보 및 상기 정압기에 설정된 설정 압력 정보 중 적어도 하나 이상의 정보를 포함하며,
상기 실측 유압 값은 상기 정압기에서 측정된 상기 정압기에서의 가스의 압력 값이고,
상기 실측 유량 값은 상기 정압기에서 측정된 상기 정압기를 통과하는 가스의 유량 값이며,
상기 실측 유압 값의 측정 시점은 상기 정압기에서 가스의 압력을 측정한 시각이고,
상기 실측 유량 값의 측정 시점은 상기 정압기에서 가스의 유량을 측정한 시각이며,
상기 정압기의 상태 정보는 상기 정압기의 상태를 나타내는 정보로, 정상 상태와 비정상 상태의 두 가지 상태 중에서 선택되어 저장되고,
상기 가상 데이터 생성 단계에서, 상기 마이너 클래스에 소속되는 학습 데이터들에 포함되는 실측 유압 값 및 실측 유량 값을 근거로 상기 가상 데이터가 생성되며,
상기 가상 데이터 생성 단계는,
실측 유압의 시간에 따른 변화량 값을 산출하여 해당 클래스에 각 학습 데이터를 포함시키는 단계와,
상기 실측 유압의 시간에 따른 변화량 값 및 실측 유량 값을 변수로 포함하는 n차원 좌표계에 상기 마이너 클래스의 학습 데이터들을 표시하는 단계(n은 2 이상의 자연수)와,
상기 마이너 클래스의 학습 데이터들 중 하나의 학습 데이터를 기준 학습 데이터로 선정하는 단계와,
상기 기준 학습 데이터를 제외한 상기 마이너 클래스의 학습 데이터들 중 일부를 인접 학습 데이터로 선정하는 단계와,
상기 n차원 좌표계 상에서 상기 기준 학습 데이터와 상기 인접 학습 데이터를 연결하는 직선상의 임의의 점을 상기 가상 데이터로서 생성하는 단계를 포함하는 것인 정압기 조기 진단 방법.
a source data collection step of collecting the measured flow rate value of the static pressure machine and the measured hydraulic pressure value of the static pressure machine as source data;
a learning data selection step of removing noise data from the source data and selecting them as learning data;
a virtual data generation step of classifying the learning data by class and generating virtual data belonging to a minor class having a small number of learning data among the classes;
a learning step of learning a machine learning model for diagnosing the state of the static pressure device with the learning data and the virtual data; and
A static pressure device diagnosis step of diagnosing the state of the static pressure machine by inputting the measured flow rate value of the static pressure machine and the measured hydraulic pressure value of the static pressure machine into the machine learning model,
In the source data collection step,
A plurality of the source data is collected,
One of the source data includes at least one or more of a measurement time of the actual flow rate value, a measurement time of the actual hydraulic pressure value, state information of the static pressure device, and set pressure information set in the static pressure device together with the measured hydraulic pressure value and the actual flow rate value contains information;
The measured hydraulic pressure value is the pressure value of the gas in the static pressure device measured in the static pressure device,
The measured flow rate value is a flow rate value of the gas passing through the static pressure device measured by the static pressure device,
The measurement time of the actual hydraulic pressure value is the time when the pressure of the gas is measured in the static pressure device,
The measurement time of the measured flow rate value is the time at which the gas flow rate is measured by the static pressure device,
The state information of the static pressure machine is information indicating the state of the constant pressure machine, and is selected and stored from two states of a normal state and an abnormal state,
In the virtual data generation step, the virtual data is generated based on the measured hydraulic pressure value and the measured flow rate value included in the learning data belonging to the minor class,
The virtual data generation step includes:
The step of calculating the change amount value over time of the measured hydraulic pressure and including each learning data in the corresponding class;
Displaying the learning data of the minor class in an n-dimensional coordinate system including the change amount value and the measured flow rate value according to time of the measured hydraulic pressure as variables (n is a natural number greater than or equal to 2);
selecting one of the learning data of the minor class as reference learning data;
Selecting some of the learning data of the minor class other than the reference learning data as adjacent learning data;
and generating, as the virtual data, any point on a straight line connecting the reference learning data and the adjacent learning data on the n-dimensional coordinate system as the virtual data.
상기 학습 데이터 선별 단계는,
각각의 상기 원천 데이터를 상기 설정 압력 정보를 근거로 보정하는 데이터 보정 단계와,
상기 데이터 보정 단계에서 보정된 복수의 상기 원천 데이터 중에서 노이즈 데이터인 원천 데이터를 제거하고 남은 원천 데이터를 학습 데이터로 선택하는 노이즈 데이터 제거 단계를 포함하는 것인 정압기 조기 진단 방법.
The method of claim 1,
The step of selecting the learning data is,
A data correction step of correcting each of the source data based on the set pressure information;
and a noise data removal step of removing source data that is noise data from among the plurality of source data corrected in the data correction step and selecting the remaining source data as learning data.
상기 데이터 보정 단계에서,
기준 압력과 상기 설정 압력 간의 차 값을 근거로 상기 실측 유압 값에 대한 보정량이 산출되고,
상기 보정량을 상기 실측 유압 값에서 가감하여 상기 원천 데이터를 보정하는 것인 정압기 조기 진단 방법.
4. The method of claim 3,
In the data correction step,
A correction amount for the measured hydraulic pressure value is calculated based on the difference value between the reference pressure and the set pressure,
The method for early diagnosis of a static pressure device in which the source data is corrected by adding or subtracting the correction amount from the measured hydraulic pressure value.
상기 노이즈 데이터 제거 단계에서,
상기 실측 유량 값들 또는 상기 실측 유압 값들에 대해서 각각 상기 실측 유량 값 또는 상기 실측 유압 값의 제트 스코어(z-score)가 산출되고,
일정 수치 이상의 제트 스코어를 가지는 실측 유량 값을 포함하는 원천 데이터 또는 일정 수치 이상의 제트 스코어를 가지는 실측 유압 값을 포함하는 원천 데이터가 노이즈 데이터로서 제거되는 것인 정압기 조기 진단 방법.
4. The method of claim 3,
In the noise data removal step,
A jet score (z-score) of the measured flow rate value or the measured hydraulic pressure value is calculated for the measured flow rate values or the measured hydraulic pressure values, respectively;
The method for diagnosing a static pressure device early, wherein source data including an actual flow rate value having a jet score of a predetermined value or more or source data including an actual hydraulic pressure value having a jet score greater than or equal to a predetermined value are removed as noise data.
상기 가상 데이터 생성 단계에서,
상기 학습 데이터의 클래스는 상기 정압기의 상태 정보를 근거로 결정되는 것인 정압기 조기 진단 방법.
According to claim 1,
In the virtual data generation step,
The class of the learning data will be determined based on the state information of the static pressure machine early diagnosis method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200034988A KR102376900B1 (en) | 2020-03-23 | 2020-03-23 | Method for early diagnosing gas regulator's failure |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200034988A KR102376900B1 (en) | 2020-03-23 | 2020-03-23 | Method for early diagnosing gas regulator's failure |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210118573A KR20210118573A (en) | 2021-10-01 |
| KR102376900B1 true KR102376900B1 (en) | 2022-03-21 |
Family
ID=78115464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200034988A KR102376900B1 (en) | 2020-03-23 | 2020-03-23 | Method for early diagnosing gas regulator's failure |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102376900B1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100486473B1 (en) * | 2002-02-08 | 2005-04-29 | 주식회사 삼천리 | Method for managing gas supply system according the travel-rate of regulator |
| KR101967641B1 (en) * | 2018-09-13 | 2019-04-10 | 임강민 | Apparatus For Making A Predictive Diagnosis Of Nuclear Power Plant By Machine Learning And Augmented Reality |
-
2020
- 2020-03-23 KR KR1020200034988A patent/KR102376900B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100486473B1 (en) * | 2002-02-08 | 2005-04-29 | 주식회사 삼천리 | Method for managing gas supply system according the travel-rate of regulator |
| KR101967641B1 (en) * | 2018-09-13 | 2019-04-10 | 임강민 | Apparatus For Making A Predictive Diagnosis Of Nuclear Power Plant By Machine Learning And Augmented Reality |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210118573A (en) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5179086B2 (en) | Industrial process monitoring method and monitoring system | |
| US7395188B1 (en) | System and method for equipment life estimation | |
| CN105096053B (en) | A kind of health control decision-making technique suitable for complicated technology system | |
| US10678193B2 (en) | Computer-implemented method and system for automatically monitoring and determining the status of entire process sections in a process unit | |
| US7933754B2 (en) | System and method for damage propagation estimation | |
| US10768188B2 (en) | Diagnostic device and method for monitoring operation of a technical system | |
| EP2520994A2 (en) | Automated system and method for implementing statistical comparison of power plant operations | |
| Safiyullah et al. | Prediction on performance degradation and maintenance of centrifugal gas compressors using genetic programming | |
| US20070043539A1 (en) | Abnormality monitoring system and abnormality monitoring method | |
| Haber et al. | Intelligent process supervision for predicting tool wear in machining processes | |
| CN101676559B (en) | Method of alarm mask generation and condition monitoring of wind turbines | |
| CN107710089B (en) | Plant equipment diagnosis device and plant equipment diagnosis method | |
| JP2018190245A (en) | Facility equipment abnormality diagnosis system | |
| CN102713777A (en) | Diagnostic apparatus and diagnostic method | |
| JP2016038688A (en) | Data display system | |
| CN106200624A (en) | Industrial Boiler method for diagnosing faults based on intersection segmentation PCA | |
| JP2011209847A (en) | Plant abnormality diagnosis system | |
| KR102376900B1 (en) | Method for early diagnosing gas regulator's failure | |
| US20100299120A1 (en) | System and method for the combined acquisition of data for scada and simulation or network calculation applications | |
| US6144923A (en) | Machine diagnosis system | |
| EP3627261B1 (en) | Diagnosis system and method using parallel analysis paths | |
| Borissova et al. | A concept of intelligent e-maintenance decision making system | |
| Li et al. | Design of comprehensive diagnosis system in nuclear power plant | |
| CN114923287A (en) | High-pressure heater fault early warning method, system and medium | |
| CN108491878A (en) | A kind of failure modes diagnostic method generating model based on multiple errors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |