KR102385100B1 - 인프라 설비 가동 데이터 자동분석방법 및 시스템 - Google Patents

인프라 설비 가동 데이터 자동분석방법 및 시스템 Download PDF

Info

Publication number
KR102385100B1
KR102385100B1 KR1020170177645A KR20170177645A KR102385100B1 KR 102385100 B1 KR102385100 B1 KR 102385100B1 KR 1020170177645 A KR1020170177645 A KR 1020170177645A KR 20170177645 A KR20170177645 A KR 20170177645A KR 102385100 B1 KR102385100 B1 KR 102385100B1
Authority
KR
South Korea
Prior art keywords
data
analysis
operation data
significant difference
automatic analysis
Prior art date
Application number
KR1020170177645A
Other languages
English (en)
Other versions
KR20190077137A (ko
Inventor
박영규
신현욱
Original Assignee
삼성디스플레이 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성디스플레이 주식회사 filed Critical 삼성디스플레이 주식회사
Priority to KR1020170177645A priority Critical patent/KR102385100B1/ko
Priority to US16/189,921 priority patent/US11853929B2/en
Publication of KR20190077137A publication Critical patent/KR20190077137A/ko
Application granted granted Critical
Publication of KR102385100B1 publication Critical patent/KR102385100B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/4188—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by CIM planning or realisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/048—Monitoring; Safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management

Abstract

본 발명은 인프라 설비 가동 데이터를 자동으로 분석하는 방법 및 시스템으로, 인프라 설비의 이전 가동 구간의 데이터와 이후 가동 구간의 데이터의 유의차를 자동으로 분석하는 방법 및 시스템에 관한 것이다.

Description

인프라 설비 가동 데이터 자동분석방법 및 시스템{AUTOMATIC ANALYSIS METHOD OF INFRASTRUCTURE OPERATION DATA AND SYSTEM THEREOF}
본 발명은 인프라 설비 가동 데이터를 자동으로 분석하는 방법 및 시스템으로, 보다 상세하게는 인프라 설비의 이전 가동 구간의 데이터와 이후 가동 구간의 데이터에 유의미한 차이가 있는지 자동으로 분석하는 방법 및 시스템에 관한 것이다.
공조기, 냉동기, 보일러, 공기압축기, 초순수 용수 공급기, 가스나 화학약품 공급기 등 유틸리티를 공급하는 인프라 설비에 대한 품질이상 감시 시스템은 설비와 부속기기들로부터 측정된 각종 센서 데이터를 실시간으로 수집하고, 관리수준(specification)을 정하여 설비 가동 중에 센서데이터가 관리수준을 이탈하는지를 항상 모니터링하는 시스템으로서 FDC(Fault Detection and Classfication) 시스템이 그 한 예이다.
유틸리티를 정품 정량으로 안정적으로 공급해야 하는 인프라 설비는 제조설비처럼 LOT 또는 제품생산단위와 같은 기준이 없으며 실시간(초단위)으로 수집된 데이터는 5분/1시간/1일등의 기준으로 평균이나 산포등의 요약데이터가 생성된다.
이런 데이터는 모니터링이나 분석에 활용되며 이상감지시 시스템이 이상여부를 통보하거나 적절한 조치를 관리자에게 요구한다.
그러나 기존 설비 이상감지 시스템은 관리수준의 선정과 모니터링 결과에 대한 해석이 엔지니어별로 상이한 경우가 있으며, 이상징후 감지를 위한 관리수준의 최적화가 곤란하다. 또한, 생성된 데이터들의 특성과 분포에 따라 엔지니어가 적합한 통계분석을 하기가 용이하지 않다.
인프라 설비는 항시 기동되는 설비로서 데이터가 출력되고, 제품생산단위 등의 기준이 없으므로 데이터 구간선정이 어려우며 인프라 설비의 가동상태는 부속설비들의 ON이나 OFF와 같은 상태(status) 조합으로 실시간 판단이 가능하나 설비 운영상 발생하는 일시 가동 또는 비가동 운전으로 인해 의도하지 않은 가동 이벤트와 분석대상 기간 오차 등의 문제가 발생할 수 있어 자동분석이 수행되기가 어렵다.
제조설비가 생산하는 제품에 대한 동일성 검정은 생산제품의 반복적인 공정진행에 의한 센서 데이터 패턴 또는 제품단위 동일성 검정이지만 인프라 설비 데이터는 계절, 외기온도 또는 부하율 변동 등의 영향으로 비정규로 분포되는 유형의 데이터가 많아 이를 고려한 인프라 설비용 데이터 분석 로직이 필요하다.
기존 동일성 검정은 통계 분야에 보편적으로 활용되는 평균(t검정)과 산포(F검정) 비교를 주로 활용하나 다양한 센서 종류와 데이터 특성에 따라 검정경계 범위를 자동 보정하고 엔지니어의 적절한 검정기준을 설정 가능할 수 있는 기능이 필요하다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로, 인프라 설비 가동 데이터의 유의차를 자동으로 분석하는 시스템을 제안하고자 한다.
본 발명의 일 실시례에 따른 인프라 설비 가동 데이터 자동분석시스템은,
인프라 설비의 가동 데이터에 대한 자동 분석 실행여부를 판단하는 설비 가동 판단부;
상기 자동 분석 실행 여부에 따라 이전 가동구간 및 이후 가동구간의 가동 데이터를 수신하는 데이터 수신부;
상기 이전 가동구간의 데이터와 상기 이후 가동구간의 데이터에 대한 통계량을 계산하는 통계량 계산부;
상기 통계량을 바탕으로 이전 가동구간의 데이터와 이후 가동구간의 데이터에 대한 유의차를 분석하는 유의차 분석부;를 포함한다.
일 실시례에서, 상기 이전 가동구간은 최소 가동기간이상이다.
일 실시례에서, 상기 자동 분석 실행 여부는 인프라 설비의 가동 상태와 가동 상태에 따른 분석 조건에 따라 결정되는 것을 포함한다.
일 실시례에서, 이후 가동구간은 최소 비가동 기간 이후이다.
일 실시례에서, 유의차를 자동분석하는 단계는 동일성, 관리도 또는 변동률 검정 중 적어도 어느 하나를 이용하여 데이터의 유의차를 분석하는 것을 포함한다.
일 실시례에서, 상기 유의차 분석에 대한 결과를 판단하는 결과판단부;를 더 포함한다.
일 실시례에서, 상기 검정은 가동 데이터에 대한 검정 경계를 설정하고 상기 가동 데이터가 검정 경계의 내부인지 판단하는 것을 포함한다.
일 실시례에서, 상기 검정은 상기 가동 데이터에 따른 왜도와 첨도를 적용하여 상기 검정 경계에 대한 보정치를 설정하고 상기 가동 데이터가 검정 경계의 내부인지 판단하는 것을 포함한다.
일 실시례에서, 상기 유의차 분석에 대한 결과를 판단하는 것은 요약 분석결과와 세부 분석결과를 보고하는 것을 포함한다.
일 실시례에서, 상기 세부분석 결과는 설비 분석결과와 센서별 분석결과를 포함한다.
일 실시례에서, 상기 유의차 분석에 대한 결과를 판단하는 것은 상기 유의차 분석에 대한 판정을 수신하고 상기 판정을 등록하는 것을 포함한다.
일 실시례에서, 상기 유의차 분석에 대한 결과를 판단하는 것은 상기 가동 데이터에 대한 유의차가 발생하면 발생 원인 및 조치 결과를 등록하고 상기 발생 원인 및 조치 결과에 대한 통계를 산출하고 학습하는 것을 포함한다.
본 발명의 일 실시례에 따른 인프라 설비 가동 데이터 자동분석방법은, 인프라 설비의 가동 데이터에 대한 자동 분석 실행여부를 판단하는 단계;
상기 자동 분석 실행 여부에 따라 이전 가동구간 및 이후 가동구간의 가동 데이터를 수신하는 단계;
상기 이전 가동구간의 데이터와 상기 이후 가동구간의 데이터에 대한 통계량을 계산하는 단계;
상기 통계량을 바탕으로 이전 가동구간의 데이터와 이후 가동구간의 데이터에 대한 유의차를 분석하는 단계;를 포함한다.
일 실시례에서, 상기 이전 가동구간은 최소 가동기간이상이다.
일 실시례에서, 상기 자동 분석 실행 여부는 인프라 설비의 가동 상태와 가동 상태에 따른 분석 조건에 따라 결정되는 것을 포함한다.
일 실시례에서, 이후 가동구간은 최소 비가동 기간 이후이다.
일 실시례에서, 유의차를 자동분석하는 단계는 동일성, 관리도 또는 변동률 검정 중 적어도 어느 하나를 이용하여 데이터의 유의차를 분석하는 것을 포함한다.
일 실시례에서, 상기 유의차 분석에 대한 결과를 판단하는 단계;를 더 포함한다.
일 실시례에서, 상기 검정은 가동 데이터에 대한 검정 경계를 설정하고 상기 가동 데이터가 검정 경계의 내부인지 판단하는 것을 포함한다.
일 실시례에서, 상기 검정은 상기 가동 데이터에 따른 왜도와 첨도를 적용하여 상기 검정 경계에 대한 보정치를 설정하고 상기 가동 데이터가 검정 경계의 내부인지 판단하는 것을 포함한다.
일 실시례에서, 상기 유의차 분석에 대한 결과를 판단하는 것은 요약 분석결과와 세부 분석결과를 보고하는 것을 포함한다.
일 실시례에서, 상기 세부분석 결과는 설비 분석결과와 센서별 분석결과를 포함한다.
일 실시례에서, 상기 유의차 분석에 대한 결과를 판단하는 것은 상기 유의차 분석에 대한 판정을 수신하고 상기 판정을 등록하는 것을 포함한다.
일 실시례에서, 상기 유의차 분석에 대한 결과를 판단하는 것은 상기 가동 데이터에 대한 유의차가 발생하면 발생 원인 및 조치 결과를 등록하고 상기 발생 원인 및 조치 결과에 대한 통계를 산출하고 학습하는 것을 포함한다.
본 발명에 따른 인프라 설비 데이터 자동 분석 시스템은, 이전 가동 구간의 데이터와 이후 가동 구간의 데이터에 유의미한 차이가 있는지 분석할 수 있다.
본 발명에 따른 인프라 설비 데이터 자동 분석 시스템은, 이상이나 변동의 조기감지 및 잠재적인 사고 위험을 줄일 수 있다.
본 발명에 따른 인프라 설비 데이터 자동 분석 시스템은, 신속 정확한 분석 결과 산출 및 설비 가동 신뢰성을 확보할 수 있다.
도 1은 본 발명의 일실시례에 따른 인프라 설비 데이터 자동분석시스템의 가동 구간 및 비가동구간을 나타내는 도면이다.
도 2는 본 발명의 일 실시례에 따른 인프라 설비 데이터 자동분석 시스템의 동작구조를 나타내는 도면이다.
도 3은 본 발명의 일 실시례에 따른 인프라 설비 가동 데이터 자동 분석시스템을 나타내는 도면이다.
도 4a 내지 4d는 설비 가동 판단의 기준이 되는 정보를 나타내는 도면이다.
도 5a 내지 도 5b는 본 발명의 일 실시례에 따른 분석 결과를 나타낸 것이다.
도 6 및 도 7은 본 발명의 일실시례에 따른 자동 보고 화면을 나타내는 도면이다.
도 8은 본 발명의 일 실시례에 따른 분석 시뮬레이션 화면을 나타내는 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 따라서, 몇몇 실시예에서, 잘 알려진 공정 단계들, 잘 알려진 소자 구조 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 도 1 내지 도 8을 참조하여 본 발명의 일 실시례를 설명한다.
도 1은 본 발명의 일실시례에 따른 인프라 설비 데이터 자동분석시스템의 가동 구간 및 비가동구간을 나타내는 도면이다.
도 1을 참조하면, 인프라 설비 데이터는 가동(101) 및 비가동(102) 구간에서 수집된다. 가동 구간(101)은 인프라 설비가 정상적으로 작동되고 있는 구간이며 비가동 구간(102)은 설비가 장기간 비가동되거나 예방정비(Preventive Maintence, PM) 등으로 설비가 가동되지 않고 있는 구간이다. 예방정비시에는 설비가 정상적으로 작동되도록 기어나 베어링 등 소모품을 교체하거나 오일 보충등의 예방적 점검이 수행된다.
비가동구간전의 가동구간을 이전 가동 구간(103)이라 하고 비가동 직후의 특정 가동 구간을 이후 가동 구간(104)이라고 한다. 이후 가동 구간(104)은 데이터가 충분히 수집될 수 있는 기간으로 설정될 수 있다. 이전 가동 구간은 최소 가동 기간 이상으로 설정한다. 이 경우 최소 가동 기간의 계산에 순간적으로 가동되는 것은 제외한다. 또한 비가동 구간(102)은 최소 비가동 기간 이상(105)으로 가동되지 않은 구간이다.
설비를 장기적으로 비가동하거나 예방정비 등으로 가동을 중지한 후 설비를 가동시이전 가동 구간(103)과 이후 가동 구간(104)에 설비 주요 센서에 대한 데이터가 수집되고 이전 가동 구간(103)에 수집된 데이터와 이후 가동 구간(104)에 수집된 데이터 사이에 유의한 차이가 있는지 자동으로 분석된다. 이 경우 이전 가동 구간(103)에 수집된 데이터와 이후 가동 구간(104)에 수집된 데이터의 평균이나 산포등이 계산되어 비교될 수 있다.
즉, 설비가 최소 비가동 기간 이상으로 비가동되고 다시 가동되어 가동되는 기간이 특정 기간 이상인 경우 설비가 가동되는 것이 자동으로 감지되며 이전 가동 구간(103)과 이후 가동 구간(104)에 수집된 데이터간에 유의한 차이가 있는지 자동으로 분석된다.
도 2는 본 발명의 일 실시례에 따른 인프라 설비 데이터 자동분석 시스템의 동작구조를 나타내는 도면이다.
도 2를 참조하면, 인프라 설비 데이터 자동분석 시스템의 분석 계획은 설비(210)와 센서(220) 측면으로 나누어진다. 설비(210)는 설비 상태변경이나 분석이 실행되는 조건을 탐지한 후 자동분석(216)이 실행된다.
가동판단기준(211)은 설비상태변경(212), 변경점 감지(213), 최소가동기간(214) 과 최소비가동기간(215)등으로 판단된다. 설비상태변경(212)은 인프라 설비가 가동에서 비가동으로, 또는 비가동에서 가동으로 변경되는 것을 말한다. 변경점 감지(213)는 가동에서 비가동으로 되는 시점, 또는 비가동에서 가동으로 변경되는 시점을 말한다.
최소가동기간(214)은 비가동기간 이전의 가동구간에서 설비가 최소한 가동되어야 하는 시간이며 최소비가동기간(215)은 비가동구간에서 설비가 최소한 비가동되어야 하는 시간이다. 가동구간에서 비가동구간으로 설비상태변경(212)이 되면 비가동되는 시점에서 변경점감지(213)가 발생하며 가동구간이 최소가동기간(214)을 만족하였는지 판단하며 최소가동기간(214) 이상인 경우 이전 가동 구간(103)으로 선정된다.
비가동구간에서 가동구간으로 설비상태변경(212)이 되면 비가동구간에서 최소 비가동기간(215)을 만족하였는지 판단한다. 또한 이 경우 비가동구간에서 가동구간으로 변경되는 시점에서 변경점감지(213)가 발생하며 변경점감지(213) 발생이후부터 특정 시간이상 설비가 가동되면 변경점이후부터 특정 시간 경과 시점까지를 이후 가동 구간(104)으로 선정한다.
설비상태변경(212), 변경점감지(213), 최소가동기간(214) 및 최소비가동기간(215)등의 가동판단기준(211)을 종합하여 자동분석실행(216) 여부가 판단된다. 즉, 가동구간에서 비가동구간으로 설비상태변경(212)이 되었고 변경점감지(213)가 발생하고 가동구간이 최소가동기간(214) 이상이며 비가동구간이 최소비가동기간(215) 이상인지 판단된다. 그 후, 비가동구간에서 가동구간으로 설비상태변경(212)이 되고 변경점감지(213)가 발생하고 변경점 이후부터 특정 기간이상으로 설비가 가동된 경우 이전 가동 구간(103)에 수집된 데이터와 이후 가동 구간(104)에 수집된 데이터 사이에 유의한 차이가 있는지 자동분석을 실행한다(216).
이전 가동 구간(103) 및 이후 가동 구간(104)에 수집되는 데이터는 센서(220)를 통하여 수집되며 수집되는 데이터는 이전 가동 구간(103)에 수집되는 데이터는 Before 데이터(221)이며, 이후 가동 구간(104)에 수집되는 데이터는 After 데이터(222)이다. Before 데이터(221) 및 After 데이터(222)는 각각 필터링(223,224)되며 필터링(223,224)된 데이터는 통계처리를 통하여 평균 또는 산포등의 각종 통계량(225,226)으로 계산된다.
Before 데이터(221)와 After 데이터(222) 사이에 유의미한 차이가 있는지 판정하기 위해 유의차 기준(227)이 설정된다. 유의차 기준(227)은 유의차 판정(228)에 사용되어 기준보다 높거나 낮은 경우에 데이터의 이상 여부나 설비의 정상 가동여부를 판단하는 데 활용될 수 있다.
도 3은 본 발명의 일 실시례에 따른 인프라 설비 가동 데이터 자동 분석시스템을 나타내는 도면이다.
설비 가동 판단부(310)는 PLAN 기준 정보 로드부(311)와 대상설비/센서 선정부(312)를 포함한다. 설비 가동 판단부(310)는 설비가 가동되는지 여부와 인프라 설비의 가동 데이터에 대한 자동 분석 실행여부를 판단한다. PLAN 기준 정보 로드부(311)는 데이터의 유의미한 차이를 분석하고 결과를 분석하기 위한 계획(plan) 기준 정보를 수신한다. 계획기준정보는 설비나 센서의 기준정보이다. 즉, 유효데이터로서 판단할 수 있는 기준정보일 수 있다. 설비의 기준정보는 최소 비가동기간 또는 최소가동기간등의 설비 가동 판단 기준, 이전 가동 구간이나 이후 가동 구간, 변경점 연동 여부, Daily 분석 여부, 동일성 유의 수준, 관리도 제어 변수, 변동율 차이 허용치, Settling Time등이 될 수 있다.
이후, 대상 설비/센서 선정부(312)는 대상 설비나 센서를 선정한다. 대상 설비는 자동분석의 대상이 되는 설비이며 대상 센서는 대상 설비에서 자동 분석의 대상이 되는 데이터를 수집하는 센서이다. 대상 설비는 공조기, 냉동기, 보일러, 공기압축기, 초순수 용수 공급기, 가스나 화학약품 공급기등을 포함한다. 대상 센서는 압력측정, 온도, 유량, 전류, 전압, 전력, 부하율 또는 농도를 측정하는 센서 등을 포함한다.
대상설비에서는 설비의 가동 또는 비가동의 상태변동이 감지되고 After기간이나 이전 가동 구간 이상 가동됐는지 판단된다.
데이터 수신부(320)는 After 기간 선정부(321)와 Before기간 선정부(322), After 데이터 수신부(323)과 Before 데이터 수신부(324)를 포함한다.
데이터 수신부(320)는 데이터를 수집하는 기간을 선정하고, 각각의 기간에 따른 데이터를 수집한다. After 기간 선정부(321)는 시작시점으로서 프로세스의 시작시간을 설정하고 종료시간을 설정한다. 즉 이후가동구간을 설정한다. Before 기간 선정부(322)는 종료시간으로서 직전 프로세스의 종료시간을 설정하고 종료시간에서 이전 가동 구간 길이만큼을 뺀 시간을 시작시간으로 설정한다. 즉, 이전가동구간을 설정한다.
After 데이터 수신부(323)는 이후 가동 구간에서의 순시값을 수집하고 요약데이터를 계산한다. 순시값은 1초 내지 수초 단위의 측정값일 수 있다. 요약데이터는 수분 내지 수십분에 걸친 순시값에 대한 수치일 수 있으며 평균 또는 산포도등 일 수 있다.
Before 데이터 수신부(324)는 이전 가동 구간에서의 순시값을 수집하고 요약데이터를 계산한다. 순시값은 1초 내지 수초 단위의 측정값일 수 있다. 요약데이터는 수분 내지 수십분에 걸친 순시값에 대한 수치일 수 있으며 평균 또는 산포도등 일 수 있다.
데이터 필터링부(330)는 Quartile 계산부(331)와 Outlier 제거부(332)를 포함한다.
데이터 필터링부(330)는 분석에 사용되는 데이터만을 추출하기 위한 필터링을 수행한다.
Quartile 계산부(331)는 Q1(누적백분율 25%에 해당하는 수), Q3(누적백분율 75%에 해당하는 수), 중앙값, IQR(Inter Quartile Range)에 해당하는 수를 추출한다. Outlier 제거부(332)는 IQR의 1.5배 또는 3배를 적용하여 상한이나 하한을 두고 상한과 하한을 벗어나는 수를 제거하거나 Carling's modification 방법 등을 사용하여 Outlier를 제거한다.
통계량 계산부(340)는 After 통계량 계산부(341)와 Before 통계량 계산부(342)를 포함한다.
통계량 계산부(340)는 이후 가동 구간과 이전 가동 구간에 대한 통계량을 계산한다. After 통계량 계산부(341)는 이후 가동 구간에 수집된 데이터를 기반으로 평균이나 표준편차, 자유도, 변동계수등의 통계량을 계산한다. Before 통계량 계산부(342)는 이전 가동 구간에 수집된 데이터를 기반으로 평균, 표준편차, 자유도, 변동계수, 왜도(skewness), 첨도(kurtosis) 등을 계산하며 왜도, 첨도등을 반영한 보정치가 계산된다.
유의차 분석부(350)는 동일성 검정부(351), 관리도 검정부(352), 변동률 검정부(353) 및 최종 판정부(354)를 포함한다.
유의차 분석부(350)는 이후 가동 구간과 이전 가동 구간에 수집된 데이터 간에 유의미한 차이가 있는지 계산하기 위해 동일성 검정, 관리도 검정, 변동율 검정및 최종 판정 등의 단계를 수행한다.
동일성 검정부(351)는 평균차, 통합 분산/자유도, t분포값 또는 F분포값, UEL, LEL등의 동일성 경계를 계산하며 왜도, 첨도등의 보정을 수행한다.
동일성 검정부(351)는 동일 또는 비동일 이라는 판정결과를 산출한다.
관리도 검정부(352)는 이전 가동 구간의 수치에 대한 평균 또는 표준편차를 계산한다. 또한 UCL, LCL 등의 관리선 경계를 계산하여 왜도,첨도 보정을 수행한다.
관리도 검정부(352)는 관리선을 초과하는 이후 가동 구간의 데이터 수량을 산출한다.
변동율 검정부(353)는 이후 가동 구간과 이전 가동 구간의 변동률 차이를 계산한다. 변동률 차이값이 허용치를 초과하는 경우, 변동률의 증가 또는 감소를 판정한다.
최종 판정부(354)는 검정결과 1개 이상의 검정에서 기준치를 벗어나는 경우 유의차가 발생한 것으로 판정한다.
결과 판단부(360)은 데이터 저장부(361), 리포트 메일링부(362), 분석 화면부(363) 및 기술적 판정부(364)를 포함한다.
결과 판단부(360)는 데이터 저장, 리포트메일링, 분석 화면 제공 및 기술적 판정등의 단계를 수행한다.
데이터 저장부(361)는 설비별 결과 요약정보 또는 센서별 세부 결과 정보를저장한다.
리포트 메일링부(362)는 유의차 분석결과를 메일이나 휴대폰등으로 자동 리포팅한다.
분석 화면부(363)는 설비별, 센서별 분석결과를 제공한다. 분석결과는 각종 통계량 등의 수치 제시나 차트 등을 통하여 나타낼 수 있다.
기술적 판정부(364)는 통계량이나 차트등으로 제시된 유의차 분석 결과에 근거하여 엔지니어가 기술적 허용치를 고려하여 유의차 분석 결과를 수용할지 여부를판단한다. 또한 유의차가 발생하였다고 판단되는 경우 유의차 발생 상세 원인 및 그에 대한 조치결과를 등록한다. 이 때, 기술적 판정과 유의차 발생 원인 및 그 조치결과는 분류하여 저장한다.
도 4a 내지 4d는 설비 가동 판단의 기준이 되는 정보를 나타내는 도면이다.
기존 설비 모니터링 시스템에서 관리하는 설비상태는 각 설비 상태 파라미터들의 조합 수식을 통해 실시간 가동상태를 계산하여 변경이력을 저장한다. 그러나, 이 설비의 상태변경 정보를 직접 활용할 경우, 설비 운영상 발생하는 일시(순간) 가동/비가동 운전으로 인해 의도치 않은 가동 이벤트와 분석대상 기간 오차 등의 문제가 발생할 수 있다. 따라서 설비의 상태변경 정보만으로는 자동분석을 작동시킬 수 없기 때문에 각 설비 운전이나 보전 특성에 맞는 최소 가동 기간과 최소 비가동 기간을 조건으로 하는 설비 가동 또는 비가동 현황 판단을 통해 자동 분석이 실행되도록 한다.
도 4a 내지 도 4d에 따르면 이전 가동 구간과 이후 가동 구간 사이의 비가동 구간에서 최소 가동 기간 이하 시간 (401) 이내로 설비가 가동되더라도 이는 일시 가동 또는 순간 가동으로서 설비의 가동으로 인정되지 않는다. 또한 가동 구간 내의 최소 비가동 기간 이하 시간(402) 이내로 설비가 비가동되더라도 이는 일시 또는 순간적인 비가동으로서 설비의 비가동으로 인정되지 않는다.
설비의 보전 정보를 통해 보전 시간을 조건으로 한 자동 분석이 될 수 있도록 한다. 이 경우 최소 비가동 기간과 무관하게 자동분석을 실행한다. 즉, 이전 가동 구간 가동 후에 설비를 보전하는 경우 이전 가동 구간과 설비 보전 사이에 변경점(403)이 발생하고 설비 보전 후에 After 가동을 하게 되는 경우에 최소 비가동 기간과 관계없이 자동 분석을 실행하는 것이다 (도 4c 참조).
또한 설비 가동운전 중 자정 전후 유의차 자동 분석 실행이 가능하다. 이 경우 설비의 상태 변동에 관계없이 자정(404)을 기점으로 자동 분석을 실행할 수 있다.
데이터 필터링 단계에서는 통계분석 시 이상치(outlier) 제거를 위해 사용되는 IQR(Inter Quartile Range) 방식 또는 Carling's modification가 사용된다. IQR 방식 또는 Carling's modification 방식 중에서는 IQR방식이 기본이 되고 Carling's modification 방식이 부수적인 방식이 되거나 Carling's modification 방식이 기본이 되고 IQR 방식이 보조적인 방식이 될 수 있다. 이상치 제거를 위한 상한(Upper Outlier Limit, UOL) 및 하한(Lower Outlier Limit, LOL) 계산식은 수학식 1과 같다.
Figure 112017127962267-pat00001
식 1 에서 Q1은 누적백분율 25%에 해당하는 수이며, Q3은 누적백분율 75%에 해당하는 수이다. 또한 IQR은 Q3 - Q1 이다.
통계량 계산 단계에서는 이후 가동 구간의 데이터 전체 평균, 표준편차 및 자유도 등을 산출한다. 여기서 이후 가동 구간은 24시간 이하의 기간에서 자유롭게 설정할 수 있다.
또한 이전 가동 구간의 데이터 전체 평균, 표준편차, 자유도 및 보정을 위한 왜도, 첨도도 산출한다.
자유도는 Welch Satterthwaite 자유도로 산출하며 식 2 는 Welch Satterthwaite 자유도를 나타낸다.
Figure 112017127962267-pat00002
여기서 s1은 일내(군내) 표준편차, s2는 일간(군간) 표준편차, n1은 일내(군내) 자유도를 나타내며 n2 는 일간(군간) 자유도를 나타낸다. 또한 왜도 k3 및 첨도 k4는 식3과 같다.
Figure 112017127962267-pat00003
Figure 112017127962267-pat00004
한편, 센서 데이터의 왜도, 첨도를 고려한 검정경계범위의 확대, 축소, 상하 이동을 위한 보정치는 동일성 검정이나 관리도 검정시에 사용된다. 상한에 적용되는 상한 보정치 및 하한 보정치는 식 4와 같다.
Figure 112017127962267-pat00005
δ와 λ는 보정계수로서 Cornish-Fisher 전개식에서 확률이 (1-0.27)%인 확률변수 3에 근사시킨 함수로부터 왜도와 첨도를 동시 고려한 보정식을 정의하기 위해 사용되었다. 본 발명에서는 왜도 보정, 첨도 보정의 각 최대치가 1.5에 수렴하도록 계수값 δ=0.2, λ=0.5로 정의하였다. 이 경우 첨도보정시 검정경계 범위의 확대나 축소, 왜도 보정시 검정경계 범위의 상하 이동의 최대 변화가 중심치(평균)를 벗어나지 않는 최적값이 된다.
동일성 검정 단계에서는 단일 센서의 과거와 현재 데이터 중심치(평균) 동일여부를 판단하기 위해 가설검정 방법인 t-Test를 수행한다. 이전 가동 구간의 데이터를 기준으로 할 때 이후 가동 구간의 데이터의 동일성 판단을 위해 t-value 산출식을 변형하여 동일성 검정 경계를 계산한다. 동일성 검정 경계는 UEL(Upper Equivalent Limit) 또는 LEL(Lower Equivalent Limit)와 같이 나타나고 식 5와 같이 나타낸다.
Figure 112017127962267-pat00006
수학식 5에서 t-value는 적정유의수준(α)/2와 이전 가동구간과 이후 가동 구간의 통합자유도를 이용하여 산출된다.
다양한 센서의 종류나 데이터 특성에 따라 동일성 검정경계가 보정되며 적정 유의수준(α)은 변경가능하다. 동일성 검정 결과 이후 가동 구간의 데이터 평균이 동일성 검정 경계 범위인 UEL이나 LEL을 이탈하면 비동일 판정을 한다.
관리도 검정단계에서는 단일 센서의 과거 데이터의 평균과 표준편차를 고려하여 현재 값들이 관리수준 내에 존재하는지 여부를 판단한다. 이전 가동 구간 대비 이후 가동 구간의 데이터의 안정도 판단을 위해 표준편차의 c-value배 범위를 갖는 관리수준을 계산한다.
관리수준 산출을 위한 상한(Upper Control Limit, UCL) 및 하한(Lower Control Limit, LCL)은 식 6과 같이 나타난다.
Figure 112017127962267-pat00007
다양한 센서의 종류, 데이터 특성에 따라 동일성 검정경계 범위를 보정하고, 컨트롤 변수(c-value)를 변경 가능하도록 할 수 있다.
검정결과 이후 가동 구간의 개별 데이터 값이 관리수준 범위(UCL, LCL) 이탈 시, 관리도가 저하되었다는 판정을 한다.
변동률 검정 단계에서는 과거와 현재의 평균값 차이를 고려하여 산포를 비교하며 식7과 같이 나타낸다.
Figure 112017127962267-pat00008
변동률 검정 단계에서는 다양한 센서의 종류, 데이터 특성에 따라 변동률 차이를 관리할 수 있는 허용치를 변경가능하도록 할 수 있다.
변동률 검정 결과 변동률 차이 값이 허용치를 초과하는 경우, 변동률 증가로 판정한다.
도 5a 내지 도 5b는 본 발명의 일 실시례에 따른 분석 결과를 나타낸 것이다. 도 5a는 냉각탑 Fan 전류에 대한 이전 가동구간과 이후 가동 구간에서의 유의차가 없는 경우의 그래프이다. 박스(501)는 각각UEL과 LEL을 나타내며 박스(504)는 각각 UCL과 LCL을 나타낸다.
도 5(a)의 그래프에 대한 데이터는 표1과 같다.
통계량 Before 평균 Before
표준편차		 After 평균 After 표준편차
191.114 2.437 190.891 1.634
동일성 검정 유의수준 UEL LEL 결과
0.05 193.279 189.739 동일
관리도 검정 Control 변수 UCL LCL Out Count
3 198.880 186.181 0
변동률 검정 Before
변동률		 After 변동률 변동률 차이 허용치
1.275% 0.856% -0.419% < 0%
동일성 검정은 이전 가동 구간의 평균과 이후 가동 구간의 평균을 비교하며 평균이 UEL 과 LEL을 벗어나지 않았으므로 결과는 동일로 판정된다.
관리도 검정은 이후 가동 구간의 개별값이 UCL(502) 또는 LCL(503)을 벗어나는지 여부로 판단하며 UCL(502) 또는 LCL(503)을 벗어나는 수치가 0이므로 시스템은 데이터의 유의차가 없는 것으로 평가할 수 있다.
도 5(b)는 냉각탑 Fan 진동에 대한 이전 가동구간과 이후 가동구간에서의 유의차가 있는 경우의 그래프이다. 박스(504)는 UCL 및 LCL을 나타낸다.
도 5(b)의 그래프에 대한 데이터는 표2와 같다.
통계량 Before 평균 Before
표준편차		 After 평균 After 표준편차
1.897 0.061 1.808 0.038
동일성 검정 유의수준 UEL LEL 결과
0.05 1.950 1.856 비동일
관리도 검정 Control 변수 UCL LCL Out Count
3 2.088 1.750 23
변동률 검정 Before
변동률		 After 변동률 변동률 차이 허용치
3.239 2.087 -1.152 < 0%
동일성 검정에서 이후 가동 구간의 평균이 하한을 벗어나므로 결과는 비동일로 판정된다.
관리도 검정에서 UCL(505) 또는 LCL(506)을 벗어나는 수치가 23개이므로 이를 통해 시스템은 데이터의 유의차가 있는 것으로 평가할 수 있다.
분석의 기준정보는 설비의 보전, 이상, 품질 관리 특성 및 센서의 종류에 따라 엔지니어에게 유의차 분석 관리기준 변경에 대한 자유도를 부여한다. 예를 들어 최소 가동이나 비가동 기간, 이전이나 이후 가동 구간, Settling 시간, 유의수준이나 컨트롤(control) 변수, 변동률 허용치 등의 정보가 설비나 센서등에 따라 달리 설정될 수 있다.
또한, BOB(Best Of Best)기간을 설정할 수도 있는데, 이는 유의차 분석의 기준 데이터 기간인 이전 가동 구간을 매 분석 직전 가동 기간이 아닌, 가장 이상적으로 가동했던 기간으로 선정하여 이전 가동 구간으로 고정적으로 사용되게 하는 것이다.
기준정보의 종류는 표 3과 같다.
항목 설명
최소
비가동기간 		비가동 인정 기간. 입력시간 이상 조건 만족 시 비가동 상태로 판단(일시 가동정지의 경우를 제외하기 위함)
최소 가동 기간 가동 인정 기간. 입력시간 이상 조건 만족 시 가동 상태로 판단(일시 가동(테스트 등)의 경우를 제외하기 위함)
이전 가동 구간 직전 마지막 가동기간 중 유의차 판정 기준이 되는 데이터 기간(마지막 가동 종료시간 - 입력기간 ~ 가동 종료시간)
이후 가동 구간 설비가 가동되어 유의차 판정 대상이 되는 데이터 기간(최근 가동 시작시간 ~ 가동 시작시간 + 입력기간)
Settling Time After Data에서 설비 특성에 따라 초기 가동 시 튀는 값(안정화 전 구간) 제거를 위한 제외 시간
변경점
연동여부 		설비PM 등의 이벤트 정보가 발생 시 분석 여부 설정
Daily
분석여부 		설비 가동 판단 기준과 별도로(추가로) 매일 00시 기준 분석 실행, 설비 운전 중 전/후 유의차 분석 실행
동일성
유의수준		 평균과 산포의 동일성 검정시 UEL과 LEL 계산시의 유의수준(α) 조정 값
관리도
Control 변수		 관리도 검정시 UCL, LCL 계산시의 조정 변수(c-value) 값
변동율 차이
허용치		 변동율 판정시 기준값. After-Before 변동율 차이값이 이 기준값 초과일 경우 유의차 있음 판정
도 6 및 도 7은 본 발명의 일실시례에 따른 자동 보고 화면을 나타내는 도면이다.
도 6및 도 7을 참조하면, 설비 가동에 따른 자동 분석 후 설비별 유의차 분석 보고가 담당 엔지니어에게 통보되며, 분석보고는 분석에 대한 요약 분석결과와 설비별, 센서별 세부 분석 결과를 즉시 조회할 수 있는 세부 분석결과를 포함한다.
세부 분석결과는 설비세부분석결과와 센서별 세부분석결과 및 데이터 트렌드를 포함할 수 있다.
설비세부분석결과는 대상 설비, 설비가 가진 파라미터의 정보, 설비의 가동상태 변동 정보나 분석 결과 정보를 포함하며 Parameter 분석 결과 , 설비 가동상태 변동 , 이전 가동 구간, 이후 가동 구간, 설비 가동 판단 기준, 이전 가동 구간 또는 이후 가동 구간에 대한 설정 정보 등을 포함할 수 있다. 설비가 가진 파라미터의 정보는 대상 수량, 검정 결과 및 최종 통과 비율을 포함할 수 있다.
센서별 세부분석결과는 대상 파라미터 정보, 검정 항목별 세부 분석 결과, 데이터의 개수와 각 검정별 설정 기준을 포함할 수 있다. 대상 파라미터 정보는 센서의 명칭과 우선순위, 최종통과여부를 포함할 수 있다.
데이터 트렌드는 센서별 데이터 트렌드(Data Trend)를 나타내는 컨트롤 차트와 박스 폴롯 비교를 포함할 수 있다.
자동분석결과 유의차가 발생한 경우 유의차에 대한 자동분석결과의 수용여부가 엔지니어에 의해 결정된다. 즉, 엔지니어가 최종적으로 유의차 분석에 대한 결과를 판정한다. 시스템은 엔지니어에 의한 판정을 수신하고 판정 및 유의차가 발생한 원인 및 조치결과를 등록한다. 또한 시스템은 판정결과를 분류하여 누적하고 통계를 산출하며 학습을 수행하여 향후 시스템이 유의차에 대한 결과를 분석하는 경우 학습결과를 자동으로 반영하여 유의차에 대한 결과를 분석한다.
도 8은 본 발명의 일실시례에 따른 분석 시뮬레이션을 화면을 나타내는 도면이다.
도 8을 참조하면, 분석 시뮬레이션 화면은 대상 설비, 대상 센서, 이전 가동 구간, 이후 가동 구간 입력, 검정 항목 및 검정 수준에 대한 선택 또는 입력화면을 포함할 수 있다. 이전 가동 구간 입력 화면에서는 BOB 기간 해당여부를 입력할 수 있다.
시뮬레이션 결과는 자동분석결과 보고화면과 동일하게 설비세부분석결과와 센서별 세부분석결과 및 데이터 트렌드를 포함할 수 있다.
이와 같이 본 발명의 일 실시례에 따른 인프라 설비 가동 데이터 자동 분석 방법은 예방 정비등의 설비 변경점 후, 주요 인자에 대한 미세변동 감시 및 품질 검사를 통해 이상이나 변동의 조기감지 및 잠재적 사고 리스크를 줄일 수 있다. 또한 설비 가동분석 시점을 자동 판단하고 자동으로 데이터에 대한 자동 분석을 실행함으로써 엔지니어 분석을 줄이고 자동적인 분석 활동이 강화될 수 있다.
또한 가동 설비별 유의차 판정 결과를 자동으로 리포팅함으로써 설비 가동 후에 운전데이터 확인 누락을 방지할 수 있다.
통계 기반 유의차 분석 알고리즘이 적용되어 신속 정확한 분석 결과 산출 및 설비 가동 신뢰성 확보가 가능하다.
또한 엔지니어의 경험적 기술판정 정보를 축척함으로써 통계적 분석과 엔지니어 경험지식 기반 기계 학습화를 통한 시스템 성능 향상이 가능하다.
이상, 첨부된 도면을 참조하여 본 발명의 일실시례들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 일실시례들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
211:가동판단기준 212:설비상태변경
213:변경점 감지 214:최소가동기간
215:최소비가동기간 216:자동분석실행
220:센서 221:Before 데이터
222:After 데이터 223:필터링
224:필터링 225:통계량
226:통계량 227:유의차 기준
310:설비 가동 판단부 311:PLAN 기준 정보 로드부
312:설비/센서 선정부 320:데이터 수신부
321:After 기간 선정부 322:Before 기간 선정부
323:After 데이터 수신부 324:Before 데이터 수신부
330:데이터 필터링부 331:Quartile 계산부
332:Outlier 제거부 340:통계량 계산부
341:After 통계량 계산부 342:Before 통계량 계산부
350:유의차 분석부 351:동일성 검정부
352:관리도 검정부 353:변동률 검정부
354:최종 판정부 360:결과 판단부
361:데이터 저장부 362:리포트 메일링부
363:분석 화면부 364:기술적 판정부
401:최소 가동 기간 이하 시간 402:최소 비가동 기간 이하 시간
403:변경점 404:자정
501:박스 502:UCL
503:LCL 504:박스
505:UCL 506:LCL

Claims (26)

  1. 인프라 설비의 가동 데이터에 대한 자동 분석 실행여부를 판단하는 설비 가동 판단부;
    상기 자동 분석 실행 여부에 따라 이전 가동구간 및 이후 가동구간의 가동 데이터를 수신하는 데이터 수신부;
    상기 이전 가동구간의 데이터와 상기 이후 가동구간의 데이터에 대한 통계량을 계산하는 통계량 계산부;
    상기 통계량을 바탕으로 이전 가동구간의 데이터와 이후 가동구간의 데이터에 대한 유의차를 분석하는 유의차 분석부;를 포함하는 인프라 설비 가동 데이터 자동분석시스템.
  2. 제 1항에 있어서,
    상기 이전 가동구간은 최소 가동기간이상인 인프라 설비 가동 데이터 자동분석시스템.
  3. 제 1항에 있어서,
    상기 이전 가동구간은 BOB 기간인 인프라 설비 가동 데이터 자동분석시스템.
  4. 제 1항에 있어서,
    상기 자동 분석 실행 여부는 인프라 설비의 가동 상태와 가동 상태에 따른 분석 조건에 따라 결정되는 인프라 설비 가동 데이터 자동분석시스템.
  5. 제 1항에 있어서,
    상기 이후 가동구간은 최소 비가동 기간 이후인 인프라 설비 가동 데이터 자동분석시스템.
  6. 제 1항에 있어서,
    상기 유의차 분석부는 동일성 검정, 관리도 검정 및 변동률 검정 중 적어도 어느 하나를 이용하여 이전 가동구간과 이후 가동구간의 가동 데이터의 유의차를 분석하는 인프라 설비 가동 데이터 자동분석시스템.
  7. 제 1항에 있어서,
    상기 유의차 분석에 대한 결과를 판단하는 결과판단부;를 더 포함하는 인프라 설비 가동 데이터 자동분석시스템.
  8. 제 6항에 있어서,
    상기 유의차 분석부는 상기 가동 데이터에 대한 검정 경계를 설정하고 상기 가동 데이터가 검정 경계의 내부인지 판단하는 인프라 설비 가동 데이터 자동분석시스템.
  9. 제 8항에 있어서,
    상기 유의차 분석부는 상기 가동 데이터에 따른 왜도와 첨도를 적용하여 상기 검정 경계에 대한 보정치를 설정하고 상기 가동 데이터가 검정 경계의 내부인지 판단하는 인프라 설비 가동 데이터 자동분석시스템.
  10. 제 7항에 있어서,
    상기 유의차 분석 결과는 요약 분석결과와 세부 분석결과를 포함하는 인프라 설비 가동 데이터 자동분석시스템.
  11. 제 10항에 있어서,
    상기 세부 분석 결과는 설비 분석결과와 센서별 분석결과를 포함하는 인프라 설비 가동 데이터 자동분석시스템.
  12. 제 7항에 있어서,
    상기 결과 판단부는 상기 유의차 분석에 대한 판정을 수신하고 상기 판정을 등록하는 인프라 설비 가동 데이터 자동분석시스템.
  13. 제 7항에 있어서,
    상기 결과 판단부는 상기 가동 데이터에 대한 유의차가 발생하면 발생 원인 및 조치 결과를 등록하고 상기 발생 원인 및 조치 결과에 대한 통계를 산출하고 학습하는 인프라 설비 가동 데이터 자동분석시스템.
  14. 인프라 설비의 가동 데이터에 대한 자동 분석 실행여부를 판단하는 단계;
    상기 자동 분석 실행 여부에 따라 이전 가동구간 및 이후 가동구간의 가동 데이터를 수신하는 단계;
    상기 이전 가동구간의 데이터와 상기 이후 가동구간의 데이터에 대한 통계량을 계산하는 단계;
    상기 통계량을 바탕으로 이전 가동구간의 데이터와 이후 가동구간의 데이터에 대한 유의차를 분석하는 단계;를 포함하는 인프라 설비 가동 데이터 자동분석방법.
  15. 제 14항에 있어서,
    상기 이전 가동구간은 최소 가동기간이상인 인프라 설비 가동 데이터 자동분석방법.
  16. 제 14항에 있어서,
    상기 이전 가동구간은 BOB 기간인 인프라 설비 가동 데이터 자동분석방법.
  17. 제 14항에 있어서,
    상기 자동 분석 실행 여부는 인프라 설비의 가동 상태와 가동 상태에 따른 분석 조건에 따라 결정되는 것을 포함하는 인프라 설비 가동 데이터 자동분석방법.
  18. 제 14항에 있어서,
    상기 이후 가동구간은 최소 비가동 기간 이후인 인프라 설비 가동 데이터 자동분석방법.
  19. 제 14항에 있어서,
    유의차를 분석하는 단계는 동일성 검정, 관리도 검정 및 변동률 검정 중 적어도 어느 하나를 이용하여 이전 가동구간과 이후 가동구간의 가동 데이터의 유의차를 분석하는 인프라 설비 가동 데이터 자동분석방법.
  20. 제 14항에 있어서,
    상기 유의차 분석에 대한 결과를 판단하는 단계;를 더 포함하는 인프라 설비 가동 데이터 자동분석방법.
  21. 제 19항에 있어서,
    상기 유의차를 분석하는 단계는 가동 데이터에 대한 검정 경계를 설정하고 상기 가동 데이터가 검정 경계의 내부인지 판단하는 인프라 설비 가동 데이터 자동분석방법.
  22. 제 21항에 있어서,
    상기 유의차를 분석하는 단계는 상기 가동 데이터에 따른 왜도와 첨도를 적용하여 상기 검정 경계에 대한 보정치를 설정하고 상기 가동 데이터가 검정 경계의 내부인지 판단하는 인프라 설비 가동 데이터 자동분석방법.
  23. 제 20항에 있어서,
    상기 유의차 분석에 대한 결과를 판단하는 단계는 요약 분석결과와 세부 분석결과를 보고하는 인프라 설비 가동 데이터 자동분석방법.
  24. 제 23항에 있어서,
    상기 세부분석 결과는 설비 분석결과와 센서별 분석결과를 포함하는 인프라 설비 가동 데이터 자동분석방법.
  25. 제 20항에 있어서,
    상기 유의차 분석에 대한 결과를 판단하는 단계는 상기 유의차 분석에 대한 판정을 수신하고 상기 판정을 등록하는 인프라 설비 가동 데이터 자동분석방법.
  26. 제 20항에 있어서,
    상기 유의차 분석에 대한 결과를 판단하는 단계는 상기 가동 데이터에 대한 유의차가 발생하면 발생 원인 및 조치 결과를 등록하고 상기 발생 원인 및 조치 결과에 대한 통계를 산출하고 학습하는 인프라 설비 가동 데이터 자동분석방법.
KR1020170177645A 2017-12-22 2017-12-22 인프라 설비 가동 데이터 자동분석방법 및 시스템 KR102385100B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170177645A KR102385100B1 (ko) 2017-12-22 2017-12-22 인프라 설비 가동 데이터 자동분석방법 및 시스템
US16/189,921 US11853929B2 (en) 2017-12-22 2018-11-13 Automatic analysis method of infrastructure operation data and system thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170177645A KR102385100B1 (ko) 2017-12-22 2017-12-22 인프라 설비 가동 데이터 자동분석방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20190077137A KR20190077137A (ko) 2019-07-03
KR102385100B1 true KR102385100B1 (ko) 2022-04-13

Family

ID=66949602

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170177645A KR102385100B1 (ko) 2017-12-22 2017-12-22 인프라 설비 가동 데이터 자동분석방법 및 시스템

Country Status (2)

Country Link
US (1) US11853929B2 (ko)
KR (1) KR102385100B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2982930A1 (en) 2017-10-18 2019-04-18 Kari Saarenvirta System and method for selecting promotional products for retail
US10621533B2 (en) * 2018-01-16 2020-04-14 Daisy Intelligence Corporation System and method for operating an enterprise on an autonomous basis
US11887138B2 (en) 2020-03-03 2024-01-30 Daisy Intelligence Corporation System and method for retail price optimization
US11783338B2 (en) 2021-01-22 2023-10-10 Daisy Intelligence Corporation Systems and methods for outlier detection of transactions

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100300831B1 (ko) 1997-08-29 2001-09-06 가네꼬 히사시 제조공정변경제어장치및제어방법

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07114601A (ja) * 1993-10-19 1995-05-02 Hitachi Ltd 製造不良解析システム、方法およびこれに関連したデータベースの生成方法
KR100311077B1 (ko) 1999-10-23 2001-11-02 윤종용 선행공정의 결과에 따라 최적의 후행공정장비 및/또는 후행공정조건을 가변적으로 적용하는 로트 디스패칭방법 및 이를 위한 시스템
US7085684B2 (en) * 2000-07-04 2006-08-01 Asahi Kasei Engineering Corporation System for diagnosing a facility apparatus
CN1235105C (zh) * 2000-07-04 2006-01-04 旭化成工程株式会社 用于诊断、管理装置和诊断装置的系统
FR2814901B1 (fr) * 2000-10-04 2003-01-31 Jean Patrick Azpitarte Systeme pour la gestion a distance de la maitenance d'un ensemble d 'equipements
US6889173B2 (en) * 2002-10-31 2005-05-03 Emerson Retail Services Inc. System for monitoring optimal equipment operating parameters
KR100880656B1 (ko) 2007-12-28 2009-01-30 (주) 소닉 6시그마 기법을 이용한 설비 성능 검사 및 관리 시스템
US20130151199A1 (en) * 2011-12-07 2013-06-13 Steven Ross Hadley Systems and methods for use in monitoring an industrial facility
KR20140113153A (ko) 2013-03-15 2014-09-24 삼성전자주식회사 통계적 동일성 검정방법 및 시스템
US9447983B2 (en) * 2013-08-20 2016-09-20 FlowEnergy, L.L.C. Building energy analysis and management system
FR3016710B1 (fr) * 2014-01-20 2016-01-08 Jean-Hugues Pettre Procede de prediction d'une anomalie de fonctionnement des equipements d'un aeronef ou d'une flotte d'aeronefs
KR20150101203A (ko) 2014-02-26 2015-09-03 (주)우광에스디에스 설비 직결형 실시간 모니터링 고장 시기 예측 진단장치 및 그에 따른 고장예측 진단방법
KR20160064679A (ko) 2014-11-28 2016-06-08 삼성전자주식회사 정비 후 설비의 정상 가동 여부를 판정하는 방법들
US10133702B2 (en) * 2015-03-16 2018-11-20 Rockwell Automation Technologies, Inc. System and method for determining sensor margins and/or diagnostic information for a sensor
EP3279758A4 (en) * 2015-03-31 2018-05-30 Mitsubishi Heavy Industries, Ltd. Condition determination system, condition determination method, decision-making support system, computer program, and storage medium
US10120375B2 (en) * 2015-04-23 2018-11-06 Johnson Controls Technology Company Systems and methods for retraining outlier detection limits in a building management system
JP6770802B2 (ja) * 2015-12-28 2020-10-21 川崎重工業株式会社 プラント異常監視方法およびプラント異常監視用のコンピュータプログラム
DE102016222370A1 (de) * 2016-11-15 2018-05-17 Tridonic Gmbh & Co Kg System und Verfahren zur Steuerung von Gebäudesystemtechnik
US11131972B2 (en) * 2017-01-12 2021-09-28 Trane International Inc. Performance optimization in a building automation system
US20180239313A1 (en) * 2017-02-22 2018-08-23 Stellar Vdc Residential, Llc Building model with virtual capture of as built features and objective performance tracking
EP3631704A4 (en) * 2017-05-25 2021-07-21 Johnson Controls Technology Company MODELED PREDICTIVE MAINTENANCE SYSTEM FOR CONSTRUCTION EQUIPMENT
US11416955B2 (en) * 2017-05-25 2022-08-16 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with integrated measurement and verification functionality
US20180347843A1 (en) * 2017-05-30 2018-12-06 Mikros Systems Corporation Methods and systems for prognostic analysis in electromechanical and environmental control equipment in building management systems

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100300831B1 (ko) 1997-08-29 2001-09-06 가네꼬 히사시 제조공정변경제어장치및제어방법

Also Published As

Publication number Publication date
US20190197441A1 (en) 2019-06-27
US11853929B2 (en) 2023-12-26
KR20190077137A (ko) 2019-07-03

Similar Documents

Publication Publication Date Title
KR102385100B1 (ko) 인프라 설비 가동 데이터 자동분석방법 및 시스템
CN110765619B (zh) 基于多状态参数的无失效屏蔽泵故障短期多步预测方法
CN105761001B (zh) 一种融合多源信息的配网设备状态评价方法
WO2007090723A1 (en) Method of condition monitoring
US20140278234A1 (en) Method and a system for a statistical equivalence test
US8756028B2 (en) Fault detection method of semiconductor manufacturing processes and system architecture thereof
Khoo et al. A study of time‐between‐events control chart for the monitoring of regularly maintained systems
CN108667514B (zh) 光传输设备在线失效预测方法和装置
JP2010283000A (ja) 半導体製造における装置異常の予兆検知方法
CN113516273A (zh) 一种发电用柴油机增压器故障预测方法
CN117076258A (zh) 一种基于互联网云端的远程监控方法及系统
KR20230104951A (ko) 센서 맵핑 및 트리거링된 데이터로깅을 포함한 건전성 (health) 에 기초한 모니터링, 평가 및 응답하기 위한 기판 프로세싱 시스템 툴들
KR100598398B1 (ko) 센서 데이터의 보정방법 및 인터락 시스템의 인터락평가방법
US20220269257A1 (en) Vacuum system with diagnostic circuitry and a method and computer program for monitoring the health of such a vacuum system
KR20200009081A (ko) 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법, 리스크 평가 프로그램 및 데이터 구조
EP2631724A1 (en) Method for measuring health index of plant in which state of lower component is reflected, and computer-readable storage medium in which program for performing the method is stored
CN111931969A (zh) 一种基于时序分析的合并单元设备状态预测方法
Osadciw et al. Wind turbine diagnostics based on power curve using particle swarm optimization
CN115809805A (zh) 基于边缘计算的电网多源数据处理方法
EP3256922B1 (en) Processing tool monitoring
Rhee et al. Life cost-based FMEA using empirical data
CN105912843B (zh) 基于两视角和粒子滤波的非监督故障预报方法
KR101669170B1 (ko) Fdc 데이터의 추세변화 분석방법
US20240019858A1 (en) Method and apparatus for monitoring a process
JP7339861B2 (ja) 故障確率評価システム

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant