KR102388788B1 - 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 장치 및 방법 - Google Patents

딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 장치 및 방법 Download PDF

Info

Publication number
KR102388788B1
KR102388788B1 KR1020200091053A KR20200091053A KR102388788B1 KR 102388788 B1 KR102388788 B1 KR 102388788B1 KR 1020200091053 A KR1020200091053 A KR 1020200091053A KR 20200091053 A KR20200091053 A KR 20200091053A KR 102388788 B1 KR102388788 B1 KR 102388788B1
Authority
KR
South Korea
Prior art keywords
design
data
unit
value
deep learning
Prior art date
Application number
KR1020200091053A
Other languages
English (en)
Other versions
KR20220012027A (ko
Inventor
이철진
권준석
신호진
전은미
권도경
강성오
박성덕
Original Assignee
중앙대학교 산학협력단
도프텍(주)
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 중앙대학교 산학협력단, 도프텍(주) filed Critical 중앙대학교 산학협력단
Priority to KR1020200091053A priority Critical patent/KR102388788B1/ko
Priority to PCT/KR2021/005647 priority patent/WO2022019446A1/ko
Publication of KR20220012027A publication Critical patent/KR20220012027A/ko
Application granted granted Critical
Publication of KR102388788B1 publication Critical patent/KR102388788B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/20—Design reuse, reusability analysis or reusability optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Human Computer Interaction (AREA)
  • Computational Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 기술로 엔지니어링 업무 자동화로 human error 문제를 해결하고, 주어진 도면 내 정보를 자동으로 인식과 분류작업의 검출결과에 대한 이상 진단을 빅데이터와 딥러닝을 활용하여 수행하여 최적화 설계를 지원하는 시스템을 제공하기 위한 딥러닝 학습을 위해 플랜트 공정 설계 도면에서 추출한 데이터를 기반으로 이미지셋(Set)을 구성하는 데이터셋구성부;와 상기 데이터셋구성부로부터 얻은 상기 설계 도면의 이미지셋(Set)의 검출 대상 조건들을 인식하고, 각 도면의 특성에 맞는 인식 네트워크를 데이터화하는 도면인식네트워크부;와 상기 도면인식네트워크부의 상기 도면에서 얻은 검출 대상 조건들로부터 얻은 HMB(Heat & Mass Balance)데이터 관련 HMB데이터속성값 및 도면 설계비교데이터값을 생성하는 도면데이터값생성부;와 상기 도면데이터값생성부로부터 얻은 상기 HMB데이터속성값 및 설계비교데이터값을 기반으로 상기 도면 설계의 이상 여부 진단하는 설계값진단부;와 상기 설계값진단부로부터 얻은 결과를 기반으로 도면의 각 속성별 발생 오류 정보를 통합하여 목록화하며, 상기 진단 결과를 사용자에게 디스플레이하는 종합결과전달부; 및 상기 종합결과전달부로터 확인 가능한 도면 설계의 오류 부분을 사용자가 재설계 할 수 있도록 하는 사용자수정부;를 포함한다.

Description

딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 장치 및 방법{Automatic Abnormal Diagnosis Device and Method in Plant Process Design Using Deep Neural Network}
본 발명은 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 기술에 관한 것으로, 보다 상세하게는 엔지니어링 업무 자동화로 human error 문제를 해결하고,
주어진 도면 내 정보를 자동으로 인식과 분류작업의 검출결과에 대한 이상 진단을 빅데이터와 딥러닝을 활용하여 수행하여 최적화 설계를 지원하는 시스템을 제공하기 위한 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 기술에 관한 것이다.
1) 플랜트 엔지니어링 도면의 디지털화 : 다양한 플랜트 엔지니어링 도면들 중, Piping and Instrumentation Diagram(P&ID) 도면과 Process Flow Diagarm(PFD)는 해당 플랜트의 장치, 계장 정보 및 열물질 수지 데이터를 집약적으로 담고 있어 EPC(Engineering, Procurement, and Construction) 업계의 핵심 구성 도면이다. 국내 EPC 업체 및 조선, 중공업사가 해외의 많은 프로젝트를 수행하며 상당한 규모의 손실이 발생하고 있다. 손실의 원인을 찾고 해결책을 도모하기 위해 T/F 등 많은 노력들이 시도되고 있다. 설계 파트는 구매와 공사 부분에 많은 영향을 끼치므로 설계업무의 디지털화 및 자동화를 위해 많은 투자가 이루어지고 있다. 설계 자동화에 가장 기본이 되는 분야는 공정설계 엔지니어가 담당하고 있는 P&ID 도면이다. P&ID 도면을 참고하여 후행 상세설계가 이루어지는데 P&ID 도면이 디지털화가 되어 있지 않으면 설계 변경이 발생하였을 때 각 설계도면 또는 설계 데이터 간 정합성 문제가 발생한다. 따라서 P&ID 도면의 디지털화는 설계 자동화의 가장 기본이 되는 부분이다. 현재의 P&ID 도면 디지털화는 Intelligent P&ID를 활용하여 수행되고 있다. 도면 설계정보의 디지털화 관련하여 국내 엔지니어링 업계는 이미지 형식 설계도면의 자동인식 시스템 개발을 진행 중이다.
2) 딥러닝과 컴퓨터 하드웨어의 발달로 인한 이미지 인식 알고리즘의 발전 : 최근 몇 년간 비약적인 딥러닝 기술의 발달로 복잡하고 고도화된 모델을 통해 방대한 데이터를 활용하여 자동으로 학습하고 추론하는 것이 가능해졌다. 또한, 엔비디아(NVIDIA)의 쿠다(CUDA)와 같은 컴퓨팅 하드웨어의 발달로 GPU를 활용해 딥러닝의 복잡한 행렬 연산을 빠른 속도로 처리할 수 있게 되었다. 이러한 기술 발전으로 오버피팅(overfitting)과 같은 문제들이 해결되면서, 막대한 연산데이터와 비용이 요구되었던 분야에서의 혁신이 이루어졌다. 최근에는 딥러닝 기술과의 융합을 통해 컴퓨터 비전과 같은 기존의 이미지 프로세싱 기술들이 향상되었다. 관련된 최신 알고리즘 네트워크로는 Faster R-CNN, YOLO(You Look Only Once), CTPN(Connectionist Text Proposal Network), CRAFT(Characteristic Awareness for Text Detection) 등이 있다.
3) 도면 공정 설계 이상 진단 : 도면 작성 시 발생할 수 있는 오류 내용으로는 도면정보 미입력, 중복된 기기번호, 배관과 결합되지 않은 밸브, 배관 치수 정보, OPC의 연결의 불일치 등이 있다. 기존 P&ID 도면 작성 시 이상 진단은 수작업으로 진행되어 엔지니어가 도면 내 표시된 심볼과 해당 정보를 직접 육안으로 식별하여 기록 및 비교 점검하였다.
이러한 P&ID도면 내 정보들의 목록화 및 전산 작업은 엔지니어들의 단순 반복적 수작업을 통해 이루어지고 있다. 이에 따라 엔지니어 숙련도 차이 및 human error 등으로 도면의 품질이 불균일하거나 저하되는 문제가 있다. 도면 정보를 이용하여 수행하는 Hydraulic 및 PSV sizing 계산은 설계규칙에 따라 반복적으로 수행되며, PFD와 P&ID 사이에 철저한 검증이 필요하기에, 엔지니어링 설계업무에서 소요되는 업무량이 매우 과중하다. 또한, ‘Vessel 후단에 check valve가 달려있어야 한다.’와 같이 공정설계에 있어서 thumbs of rules 논리 사고들이 존재한다. Human error 등으로 인해 도면이 잘못 설계되었을 경우 플랜트 건설에 막대한 손실이 야기된다.
(KR)공개특허 제10-2012-0088256호
본 발명은 이와 같은 문제점을 감안한 것으로서, 본 발명은 PFD 도면에서 열물질 데이터를 추출하고, hydraulic 계산 및 이 외, 계산식을 이용하여 도출된 결과 값을 P&ID 도면에서 인식한 결과와 비교할 수 있게 된다.
인식된 PFD 정보와 P&ID 엔지니어링 설계 데이터의 정합성을 분석하며, 그래프 이론에 기반을 두어 도면 객체의 시퀀스 데이터를 구축하고, 객체 사이의 특성을 딥러닝을 통해 학습하여 설계오류를 진단할 수 있는 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 기술을 제공하는 것이다.
본 발명의 실시예들에 따른, 딥러닝 기반 플랜트 공정 지능 설계 장치는 딥러닝 학습을 위해 플랜트 공정 설계 도면에서 추출한 데이터를 기반으로 이미지셋(Set)을 구성하는 데이터셋구성부;와 상기 데이터셋구성부로부터 얻은 상기 설계 도면의 이미지셋(Set)의 검출 대상 조건들을 인식하고, 각 도면의 특성에 맞는 인식 네트워크를 데이터화하는 도면인식네트워크부;와 상기 도면인식네트워크부의 상기 도면에서 얻은 검출 대상 조건들로부터 얻은 HMB(Heat & Mass Balance)데이터 관련 HMB데이터속성값 및 도면 설계비교데이터값을 생성하는 도면데이터값생성부;와 상기 도면데이터값생성부로부터 얻은 상기 HMB데이터속성값 및 설계비교데이터값을 기반으로 상기 도면 설계의 이상 여부 진단하는 설계값진단부;와 상기 설계값진단부로부터 얻은 결과를 기반으로 도면의 각 속성별 발생 오류 정보를 통합하여 목록화하며, 상기 진단 결과를 사용자에게 디스플레이하는 종합결과전달부; 및 상기 종합결과전달부로터 확인 가능한 도면 설계의 오류 부분을 사용자가 재설계 할 수 있도록 하는 사용자수정부;를 포함한다.
본 발명의 실시예들에 있어서, 상기 데이터셋구성부는 딥러닝 학습용 플랜트 공정 설계 도면 내 심볼 및 텍스트 혹은 또 다른 도면 등의 이미지 및 데이터 정보를 포함하는 이미지셋(Set)을 구축하고,
본 발명의 실시예들에 있어서, 상기 도면인식네트워크부는 상기 설계 도면의 이미지(Set)로부터 추출된 상기 플랜트 공정 도면들 내 검출 대상 심볼의 밸브, 계장, 파이프, 피팅 등 플랜트 도면 내 설계 조건들을 인식하고, 검출 대상 텍스트의 공정흐름 라인, 설계 코멘트(Commnent) 등을 포함하는 노트, 계장 및 장치 조건을 인식하며, 상기 검출 대상의 조건들을 각 공정 당 설계 도면에서 인식할 수 있도록 상기 검출 대상 조건들의 네트워크화 할 수 있는 알고리즘을 개발하며,
본 발명의 실시예들에 있어서, 상기 도면데이터값생성부는 상기 설계 도면에서 추출한 HMB(Heat & Mass Balance)데이터와 설계계산식을 이용해 도면 속성의 제한 값인 상기 HMB데이터속성값을 구하며,
본 발명의 실시예들에 있어서, 상기 HMB데이터는 각각의 배관에서 흐르고 있는 유체 타입 및 온도와 압력 등의 조건 값들을 포함하고 있으며, 상기 설계 계산식은 상기 HMB 및 도면 데이터 속성 값을 계산하는 식으로, 상기 식의 가짓수가 10가지 내외로 정해져 있으며, 상기 10가지 내외의 속성 값 계산식 중 Hydraulic 계산식 혹은 PSV sizing 계산식을 이용하며,
본 발명의 실시예들에 있어서, 상기 설계값진단부는 상기 도면데이터값생성부에서 얻은 상기 HMB데이터속성값과 피앤아이디(P&ID: Piping & Instrumentation Diagram) 내 기재되어 있는 상기 검출 대상의 실제 설계 데이터값을 비교하여, 불일치하는 경우에는 상기 불일치하는 설계 도면의 데이터값에 필터를 적용하고, 설계하는 작업의 목표 설정값과 다르게 설계되는지 아닌지를 확인하여 도면설계의 이상 여부를 진단하며,
본 발명의 실시예들에 있어서, 상기 설계값진단부는 상기 이상 진단 결과를 받은 도면과 상기 기존에 설계되었던 도면 등의 이미지셋(Set)이 입력된 빅데이터를 활용하여, 상기 도면의 설계 이미지셋(Set) 정보의 Process Flow를 시퀀스 데이터로 변환하여 선행 데이터를 구축하고, 상기 도면으로부터 인식된 정보 시퀀스로 변경하여, 선행 데이터 특성과 설계 비교를 자동으로 가능하도록 하는 알고리즘을 개발하며,
본 발명의 실시예들에 있어서, 상기 도면데이터값생성부는 상기 설계 도면에서 추출한 데이터를 기반으로 상기 설계 도면 데이터값과 기 작성된 설계 도면 데이터값의 동일 여부를 비교하고, 상기 동일 여부를 결과를 포함하고 있는 상기 설계비교데이터값 구해 상기 설계값진단부로 전달하는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 장치.
본 발명의 실시예들에 있어서, 상기 설계값진단부는 상기 설계비교데이터값에 포함된 상기 동일여부 비교 결과를 입력받아 상기 설계 중인 도면 작성 과정의 이상 여부를 진단하며,
본 발명의 실시예들에 있어서, 상기 종합결과전달부는 상기 설계값진단부에서 얻은 도면 설계의 이상 여부에 대한 결과 정보를 기반으로 상기 도면의 각 속성별 발생 오류 조건들을 추출하고 통합하여 목록화하며, 상기 도면 설계 이상 여부에 대한 결과를 사용자(공정 설계 엔지니어)들에게 디스플레이해주며,
본 발명의 실시예들에 있어서, 상기 종합결과전달부는 상기 설계값진단부로부터 이상 진단 결과를 상기 이미지셋(Set)에 피드백 입력 데이터값으로 제공하며,
본 발명의 실시예들에 있어서, 상기 사용자수정부는 상기 종합결과전달부로터 디스플레이된 상기 설계도면의 오류 부분을 확인할 수 있으며, 상기 설계도면의 오류 부분을 공정 도면 설계 엔지니어가 직접 재수정 및 재설계할 수 있도록하며,
본 발명의 실시예들에 따른 딥러닝 기반 플랜트 공정 지능 설계 장치를 구현하는 방법에 있어서, 딥러닝 학습을 위해 플랜트 공정 설계 도면 이미지셋(Set)을 획득하는 단계;와 상기 플랜트 공정 도면 이미지셋(Set)으로부터 상기 플랜트 공정 도면 조건들의 각각을 인식하며, 각 도면 당 인식되어지는 조건들의 인식 네트워크를 데이터화하는 단계;와 상기 인식 네트워크 개발에 사용되는 플랜트 공정 도면들 중, 상기 설계 도면에서 추출한 HMB(Heat & Mass Balance) 데이터와 설계 도면 데이터값의 동일 여부를 비교하는 단계;와 상기 인식 네트워크 개발에 사용되는 플랜트 공정 도면들 중, 상기 설계 도면의 데이터값과 기 작성된 설계 도면 데이터값의 동일 여부를 비교하는 단계;와 상기 각각의 동일여부 비교 결과를 기반으로 상기 도면 설계의 이상 여부를 진단하는 단계;와 상기 도면 설계 이상 여부 진단 결과를 통합하여 각 속성별 오류 정보를 목록화하는 단계;와 상기 도면 설계 이상 여부 진단 결과를 사용자(공정 도면 설계 엔지니어)에게 디스플레이(제공)하는 단계; 및 상기 제공된 설계 도면의 오류 부분을 수정 및 재설계하는 단계;를 포함한다.
이상에서 설명한 바와 같은 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 기술에 따르면 다음과 같은 효과가 있다.
첫째, 인식된 정보를 통합하여 도면 내 객체들의 시퀀스 데이터를 구축하고, 기존 설계 공정의 특성과 비교하여 설계 이상을 진단할 수 있다.
둘째, 플랜트 도면의 정보 인식과 설계 자동화를 함께 구현하는 딥러닝 네트워크를 구축할 수 있다.
셋째, 플랜트 엔지니어링 업계의 생산성 향상을 위한 요소 기술을 개발할 수 있다.
도1은 본 발명의 구성도이다.
도2는본 발명의 방법의 흐름도이다.
도3 및 도4는 그래프 이론 기반 도면 정보의 시퀀스 데이터화 방법의 예시이다.
도5는 설계 객체 간 순서성 및 연관성 사례로 Safety Valve 실시예시도이다.
도6은 설계 객체 간 순서성 및 연관성 사례로 Isolation valves의 실시예시도이다.
도7은 설계 객체 간 순서성 및 연관성 사례로 Check valves의 실시예시도이다.
도8은 엔지니어링 설계 정보 자동 계산 Line sizing의 이상 진단 결과 예시표이다.
첨부한 도면을 참조하여 본 발명의 실시예들에 따른 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 장치 및 방법에 대하여 상세히 설명한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하거나, 개략적인 구성을 이해하기 위하여 실제보다 축소하여 도시한 것이다.
또한, 제1 및 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 한편, 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 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도1은 본 발명의 구성도이다.
도1를 참조하면, 딥러닝 기반 플랜트 공정 지능 설계 장치는 딥러닝 학습을 위해 플랜트 공정 설계 도면에서 추출한 데이터를 기반으로 이미지셋(Set)을 구성하는 데이터셋구성부(10);와 데이터셋구성부(10)로부터 얻은 상기 설계 도면의 이미지셋(Set)의 검출 대상 조건들을 인식하고, 각 도면의 특성에 맞는 인식 네트워크를 데이터화하는 도면인식네트워크부(20);와 도면인식네트워크부(20)의 상기 도면에서 얻은 검출 대상 조건들로부터 얻은 HMB(Heat & Mass Balance)데이터 관련 HMB데이터속성값 및 도면 설계비교데이터값을 생성하는 도면데이터값생성부(30);와 도면데이터값생성부(30)로부터 얻은 상기 HMB데이터속성값 및 설계비교데이터값을 기반으로 상기 도면 설계의 이상 여부 진단하는 설계값진단부(40);와 설계값진단부(40)로부터 얻은 결과를 기반으로 도면의 각 속성별 발생 오류 정보를 통합하여 목록화하며, 상기 진단 결과를 사용자에게 디스플레이하는 종합결과전달부(50); 및 종합결과전달부(50)로부터 확인 가능한 도면 설계의 오류 부분을 사용자가 재설계 할 수 있도록 하는 사용자수정부(60);를 포함한다.
데이터셋구성부(10)는 딥러닝 학습용 플랜트 공정 설계 도면 내 심볼 및 텍스트 혹은 또 다른 도면 등의 이미지 및 데이터 정보를 포함하는 이미지셋(Set)을 구축한다. 이는 딥러닝 기반 Object detection 알고리즘으로, 플랜트 도면 특성을 반영한 심볼 및 텍스트 인식 알고리즘을 개발한다. 검출 대상 심볼은 밸브, 계장, 파이프, 피팅 등 플랜트 도면 내 설계 정보이다. 검출 대상 텍스트는 공정흐름 라인, 설계 코멘트를 포함한 노트, 계장 및 장치 정보를 포함한다.
(여기서 각각의 도면은 PFD(Process Flow Diagram), P&ID(Piping & Instrumentation Diagram, HMB(Heat & Mass Balance), Instrument Data Sheet, Equipment Data Sheet에 해당한다.)
도2은 본 발명의 방법의 흐름도이며, 도면2를 참조하면,
데이터셋구성부(10)에서 딥러닝 학습을 위해 플랜트 공정 설계 도면에서 추출한 데이터를 기반으로 이미지셋(Set)을 구성하면, 도면인식네트워크부(20)는 상기 설계 도면의 이미지(Set)로부터 추출된 상기 플랜트 공정 도면들 내 검출 대상 심볼의 밸브, 계장, 파이프, 피팅 등 플랜트 도면 내 설계 조건들을 인식하고, 검출 대상 텍스트의 공정흐름 라인, 설계 코멘트(Commnent) 등을 포함하는 노트, 계장 및 장치 조건을 인식하며, 상기 검출 대상의 조건들을 각 공정 당 설계 도면에서 인식할 수 있도록 상기 검출 대상 조건들의 네트워크화 할 수 있는 알고리즘을 개발한다. 좀 더 상세하게 설명한다면, 지능형 도면 인식 네트워크를 개발하는 것으로, 심볼/텍스트 인식 네트워크를 통합하여 네트워크의 구조 및 파라미터 최적화를 수행하며, 도면 Abbreviation 기반 인식 정보의 텍스트 인식 예외처리 알고리즘을 개발한다.
상세하게 텍스트 인식 예외처리 알고리즘은 딥러닝 네트워크를 이용하여 도면내 정보 인식, 그 중에서도 텍스트 인식 관련한 내용입니다. 비슷한 형태로 인식이 모호한 텍스트들에 대하여 인식 예외처리를 구현할 것입니다. 예를 들어 (I, 대문자 아이)↔(L, 소문자 엘) /②(0, 숫자)↔(O, 알파벳 오)가 있으며, 도면 내 정보들의 약어가 정형화 되어있으므로 가능하다. 이를 통해 통합된 정보를 이용하여 도면 각각의 특성에 맞는 인식 네트워크를 개발한다.
이에 도면인식네트워크부(20) 상기 도면에서 얻은 검출 대상 조건들로부터 얻은 도면데이터값생성부(30)는 각기 다른 방법으로 HMB(Heat & Mass Balance)데이터 관련 HMB데이터속성값 및 설계비교데이터값을 생성한다.
한 가지의 방법으로, 도면데이터값생성부(30)는 상기 설계 도면에서 추출한 HMB(Heat & Mass Balance)데이터와 설계계산식을 이용해 도면 속성의 제한 값인 상기 HMB데이터속성값을 구하며, 상기 HMB데이터는, 각각의 배관에서 흐르고 있는 유체 타입 및 온도와 압력 등의 조건 값들을 포함하고 있으며, 상기 설계 계산식은 상기 HMB 및 도면 데이터 속성 값을 계산하는 식으로, 상기 식의 가짓수가 10가지 내외로 정해져 있으며, 10가지 내외의 속성 값 계산식 중 Hydraulic 혹은 PSV Sizing 계산식이 주로 사용된다.
이에 따라 설계값진단부(40)는 도면데이터값생성부(30)에서 얻은 상기 HMB데이터속성값과 피앤아이디(P&ID: Piping & Instrumentation Diagram) 내 기재되어 있는 상기 검출 대상의 실제 설계 데이터값을 비교하여, 불일치하는 경우에는 상기 불일치하는 설계 도면의 데이터값에 필터를 적용하고, 설계하는 작업의 목표 설정값과 다르게 설계되는지 아닌지를 확인하여 도면설계의 이상 여부를 진단하며, 설계값진단부(40)는 상기 이상 진단 결과를 받은 도면과 상기 기존에 설계되었던 도면 등의 이미지셋(Set)이 입력된 빅데이터를 활용하여, 상기 도면의 설계 이미지셋(Set) 정보의 Process Flow를 시퀀스 데이터로 변환하여 선행 데이터를 구축하고, 상기 도면으로부터 인식된 정보 시퀀스로 변경하여, 선행 데이터 특성과 설계 비교를 자동으로 가능하도록 하는 알고리즘을 개발한다.
상기 PFD 도면을 통해 인식한 HMB(Heat & Mass Balance)데이터를 이용하여, 엔지니어링 설계를 자동 계산하고, 이를 P&ID 인식 정보와 비교하는 공정 엔지니어링 설계 검증 모듈을 개발한다. 계산은 PFD 인식 정보를 바탕으로 기존 정의된 엔지니어링 지식을 활용하여 구현하며, Python 모듈화를 통해 자동화 계산 및 설계검증을 수행하여 진행한다. 이 과정에서 다중 문서간 정보 이상을 진단하는 하나의 실시예로써, P&ID와 Equipment Data Sheet의 Sizing 계산오류를 Hydraulic 혹은 PSV, Nozzle로 확인하며, 참조 도면과 설계하는 도면의 불일치하는 항목에 대해 각 속성의 limitation 수치를 계산하고, 도면의 속성이 해당 제한범위를 충족하는지 확인할 수 있다.
(여기서 각각의 도면은 PFD(Process Flow Diagram), P&ID(Piping & Instrumentation Diagram, HMB(Heat & Mass Balance), Instrument Data Sheet, Equipment Data Sheet에 해당한다.)
[설계검증 모듈 개발의 타겟에 대한 대표적인 항목과 방식에 대한 예시는 아래의 표와 같다.]
오류 항목 방식 비교값 표준 규격 및 코드 참값 계산식 예시
문서 내
정보
이상진단 		도면 설계 정보 오류 도면 설계 정보 미입력 및 중복 여부를 확인.
Symbol&Legend 내 약어 및 tag 설정 규칙에 벗어나는 값이 있는지 확인		 - - 문서 내 설계 정보 템플릿 정의 및 틀 작성.
심볼 인식 모듈을 통해 인식한 정보들을 데이터화하여 기정의해둔 템플릿에 자동 입력.
템플릿에 부합하지 않는 누락되거나 오입력, 미입력 된 정보들 확인.
도면 No. 간 OPC 연결의 불일치 도면의 OPC(Off Page Connector)의 tag 번호가 from 과 to에 해당하는 도면이 일치 여부를 확인. - - 각 OPC는 어떤 도면으로부터 왔는지, 어떤 도면으로 향하는지에 대한 정보를 from과 to로 표현함.
해당 도면에서 OPC의 tag 번호가 일치하는지 확인.
설계 논리 사고 오류 기존 공정의 Process flow를 시퀀스 데이터로 변환하여 선행 데이터를 구축.
도면으로부터 인식된 정보를 시퀀스로 변환하여, 선행 데이터 특성과 설계 비교를 수행.		 Previous P&ID - 도면 내 장치들에 대해 그래프 이론에 기반한 시퀀스 데이터를 구축할 수 있음.
기존에 설계된 도면의 빅데이터를 활용하여 설계 정보를 시퀀스 데이터화하고, 이를 통해 인식 도면의 데이터와 비교하여 일치여부를 확인.












문서 간
정보 불일치
이상진단 		Hydraulic
Calculation 		플랜트 도면 내 배관 적정한 배관 사이즈를 선택하기 위함.
Line Pressure Drop과 Limiting Velocity를 기준으로 하여 Sizing을 수행함
유체가 목적지까지 잘 흘러가도록 계산하기 위함.
펌프 통과, 밸브, fitting, 배관과의 마찰 등으로 인한 유체의 압력손실(△P)을 계산하여 초기압력을 결정함.		 P&ID,
Equip. D/S		 Crane TP 410M

ANSI B36.10 , B31.1

API 14E

ASME 66
Figure 112020076606067-pat00001



Figure 112020076606067-pat00002
PSV sizing PSV sizinig(Flare system)은 Orifice sizing, Inlet/outlet line sizing, Flare header sizing, Drum sizing 등의 계산 항목들이 있다.
PSV의 orifice size는 과압이 형성되었을 때 PSV가 배출해야 하는 최소의 양이 고려된 nozzle size를 의미함.		 P&ID API std 520

API std 521

API std 526

ASME Pressure Vessel Code Sect. VIII (only orifice size)
Figure 112020076606067-pat00003
다른 방법으로 도면데이터값생성부(30)는 상기 설계 도면에서 추출한 데이터를 기반으로 상기 설계 도면 데이터값과 기 작성된 설계 도면 데이터값의 동일 여부를 비교하고, 상기 동일 여부를 결과를 포함하고 있는 상기 설계비교데이터값 구해 설계값진단부(40)로 전달하며, 이에 따라 설계값진단부(40)는 상기 설계비교데이터값에 포함된 상기 동일여부 비교 결과를 입력받아 상기 설계 중인 도면 작성 과정의 이상 여부를 진단한다.
종합결과전달부(50)는 설계값진단부(40)에서 얻은 도면 설계의 이상 여부에 대한 결과 정보를 기반으로 상기 도면의 각 속성별 발생 오류 조건들을 추출하고 통합하여 목록화하며, 상기 도면 설계 이상 여부에 대한 결과를 사용자(공정 설계 엔지니어)들에게 디스플레이해준다. 또한, 종합결과전달부(50)는 설계값진단부(40)로부터 이상 진단 결과를 상기 이미지셋(Set)에 피드백 입력 데이터값으로 제공하며, 사용자수정부(60)는 종합결과전달부(50)로터 디스플레이된 상기 설계도면의 오류 부분을 확인할 수 있으며, 상기 설계도면의 오류 부분을 공정 도면 설계 엔지니어가 직접 재수정 및 재설계할 수 있도록한다.
도2는 본 발명의 방법의 흐름도이다.
도2를 참고하면, 딥러닝 기반 플랜트 공정 지능 설계 장치를 구현하는 방법에 있어서, 딥러닝 학습을 위해 플랜트 공정 설계 도면 이미지셋(Set)을 획득하는 단계;와 상기 플랜트 공정 도면 이미지셋(Set)으로부터 상기 플랜트 공정 도면 조건들의 각각을 인식하며, 각 도면 당 인식되어지는 조건들의 인식 네트워크를 데이터화하는 단계;와 상기 인식 네트워크 개발에 사용되는 플랜트 공정 도면들 중, 상기 설계 도면에서 추출한 HMB(Heat & Mass Balance) 데이터와 설계 도면 데이터값의 동일 여부를 비교하는 단계;와 상기 인식 네트워크 개발에 사용되는 플랜트 공정 도면들 중, 상기 설계 도면의 데이터값과 기 작성된 설계 도면 데이터값의 동일 여부를 비교하는 단계;와 상기 각각의 동일여부 비교 결과를 기반으로 상기 도면 설계의 이상 여부를 진단하는 단계;와 상기 도면 설계 이상 여부 진단 결과를 통합하여 각 속성별 오류 정보를 목록화하는 단계;와 상기 도면 설계 이상 여부 진단 결과를 사용자(공정 도면 설계 엔지니어)에게 디스플레이(제공)하는 단계; 및 상기 제공된 설계 도면의 오류 부분을 수정 및 재설계하는 단계;를 포함한다.
도3 및 도4는 그래프 이론 기반 도면 정보의 시퀀스 데이터화 방법의 예시이다. 그래프 이론에서는 각 개체의 시퀀스를 노드와 엣지로 구성된 그래프로 표현하며, 이를 바탕으로 객체 간 순서성 및 연관성을 표현한다. 이를 바탕으로, 기존 공정의 Process Flow를 시퀀스 데이터로 변환하여 선행 데이터를 구축하고, 도면으로부터 인식된 정보를 시퀀스로 변경하여, 선행 데이터 특성과 설계비교를 통해 설계 이상 진단 및 검증하는 알고리즘을 개발한다.
도5는 설계 객체 간 순서성 및 연관성 사례로 Safety Valve 실시예시도이며, 도6은 설계 객체 간 순서성 및 연관성 사례로 Isolation valves의 실시예시도이며, 도7은 설계 객체 간 순서성 및 연관성 사례로 Check valves의 실시예시도이다.
설계 객체 각 순서성 및 연관성을 고려하여, 도5는 Safety Valve의 사례는 설계 항목이 안전밸브이며, 설계 항목(객체)인 안전밸브를 압력완화 기능을 위해 모든 압력용기 또는 펌프, 압축기에 반드시 설치하도록 설계해야한다. 만약 vessel에 대해 안전밸브가 누락되어 있다면 extra pressure가 누적되어 심각한 폭발을 야기한다.
도6인 Isolation valves의 사례의 경우, 설계항목이 차단밸브이며, 차단밸브는 검사, 유지 및 보수가 필요한 경우 system으로부터 해당 부분을 차단하는데 사용되도록 설계해야 한다. 만약 차단밸브가 누락된다면 upstream production 문제가 downstream production에 영향을 줄 수 있다. 도7인 Check valves의 사례의 경우, 설계항목이 확인밸브이며, 펌프와 컴프레서등의 압축장비 후단에 위치하여 장비가 정지 시에 파이프 라인의 유체가 역류하는 현상을 방지하도록 설계해야 한다.
도8은 엔지니어링 설계 정보 자동 계산 구현 방식(Line Sizing 설계 파트)이다. 엔지니어링 설계 정보 자동 계산 알고리즘을 구현하기 위해서는 적절한 배관에 대한 관경값을 선택해야 하며, 유속에 따라 관경이 달라지기 때문에 알맞은 유속을 선정하는 것이 중요하다. 배관에 흐르는 유체의 속도는 유체의 특성을 바탕으로 계산되어지는 Maximum velocity limit이 정해져 있다.
이상에서 설명한 바와 같은 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 기술의 실시예에 따라 첫째, 인식된 정보를 통합하여 도면 내 객체들의 시퀀스 데이터를 구축하고, 기존 설계 공정의 특성과 비교하여 설계 이상을 진단할 수 있으며, 둘째, 플랜트 도면의 정보 인식과 설계 자동화를 함께 구현하는 딥러닝 네트워크를 구축할 수 있으며, 셋째, 플랜트 엔지니어링 업계의 생산성 향상을 위한 요소 기술을 개발할 수 있다.
앞서 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술 분야에 통상의 지식을 갖는 자라면 후술될 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10: 데이터셋구성부 20: 도면인식네트워크부
30: 도면데이터값생성부 40: 설계값진단부
50: 종합결과전달부 60: 사용자수정부

Claims (13)

  1. 딥러닝 학습을 위해 플랜트 공정 설계 도면에서 추출한 데이터를 기반으로 이미지셋(Set)을 구성하는 데이터셋구성부;와
    상기 데이터셋구성부로부터 얻은 상기 설계 도면의 이미지셋(Set)의 검출 대상 조건들을 인식하고, 각 도면의 특성에 맞는 인식 네트워크를 데이터화하는 도면인식네트워크부;와
    상기 도면인식네트워크부의 상기 도면에서 얻은 검출 대상 조건들로부터 얻은 HMB(Heat & Mass Balance)데이터 관련 HMB데이터속성값 및 도면 설계비교데이터값을 생성하는 도면데이터값생성부;와
    상기 도면데이터값생성부로부터 얻은 상기 HMB데이터속성값 및 설계비교데이터값을 기반으로 상기 도면 설계의 이상 여부 진단하는 설계값진단부;와
    상기 설계값진단부로부터 얻은 결과를 기반으로 도면의 각 속성별 발생 오류 정보를 통합하여 목록화하며, 상기 진단 결과를 사용자에게 디스플레이하는 종합결과전달부;및
    상기 종합결과전달부로부터 확인 가능한 도면 설계의 오류 부분을 사용자가 재설계 할 수 있도록 하는 사용자수정부;를 포함하는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 장치.
  2. 제 1항에 있어서,
    상기 데이터셋구성부는,
    딥러닝 학습용 플랜트 공정 설계 도면 내 심볼 및 텍스트 혹은 또 다른 도면의 이미지 및 데이터 정보를 포함하는 이미지셋(Set)을 구축하는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 장치.
  3. 제 1항에 있어서,
    상기 도면인식네트워크부는,
    상기 설계 도면의 이미지(Set)로부터 추출된 상기 플랜트 공정 도면들 내 검출 대상 심볼의 밸브, 계장, 파이프, 피팅 플랜트 도면 내 설계 조건들을 인식하고,
    검출 대상 텍스트의 공정흐름 라인, 설계 코멘트(Commnent)를 포함하는 노트, 계장 및 장치 조건을 인식하며,
    상기 검출 대상의 조건들을 각 공정 당 설계 도면에서 인식할 수 있도록 상기 검출 대상 조건들의 네트워크화 할 수 있는 알고리즘을 개발하는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 장치.
  4. 제1항에 있어서,
    상기 도면데이터값생성부는,
    상기 설계 도면에서 추출한 HMB(Heat & Mass Balance)데이터와 설계계산식을 이용해 도면 속성의 제한 값인 상기 HMB데이터속성값을 구하는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 장치.
  5. 제 4항에 있어서,
    상기 HMB데이터는,
    각각의 배관에서 흐르고 있는 유체 타입 및 온도와 압력의 조건 값들을 포함하고 있으며,
    상기 설계 계산식은,
    상기 HMB 및 도면 데이터 속성 값을 계산하는 식으로,
    상기 식의 가짓수가 10가지 내외로 정해져 있으며, 상기 10가지 내외의 속성 값 중에서 계산식 Hydraulic 혹은 PSV sizing 계산식을 이용하는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 장치.
  6. 제 1항에 있어서,
    상기 설계값진단부는,
    상기 도면데이터값생성부에서 얻은 상기 HMB데이터속성값과 피앤아이디(P&ID: Piping & Instrumentation Diagram) 내 기재되어 있는 상기 검출 대상의 실제 설계 데이터값을 비교하여,
    불일치하는 경우에는 상기 불일치하는 설계 도면의 데이터값에 필터를 적용하고,
    설계하는 작업의 목표 설정값과 다르게 설계되는지 아닌지를 확인하여 도면설계의 이상 여부를 진단하는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 장치.
  7. 제 6항에 있어서,
    상기 설계값진단부는,
    상기 이상 진단 결과를 받은 도면과 기존에 설계되었던 도면의 이미지셋(Set)이 입력된 빅데이터를 활용하여,
    상기 도면의 설계 이미지셋(Set) 정보의 Process Flow를 시퀀스 데이터로 변환하여 선행 데이터를 구축하고,
    상기 도면으로부터 인식된 정보 시퀀스로 변경하여, 선행 데이터 특성과 설계 비교를 자동으로 가능하도록 하는 알고리즘을 개발하는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 장치.
  8. 제1항에 있어서,
    상기 도면데이터값생성부는,
    상기 설계 도면에서 추출한 데이터를 기반으로 상기 설계 도면 데이터값과 기 작성된 설계 도면 데이터값의 동일 여부를 비교하고,
    상기 동일 여부를 결과를 포함하고 있는 상기 설계비교데이터값 구해 상기 설계값진단부로 전달하는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 장치.
  9. 제 8항에 있어서,
    상기 설계값진단부는,
    상기 설계비교데이터값에 포함된 상기 동일여부 비교 결과를 입력받아 상기 설계 중인 도면 작성 과정의 이상 여부를 진단하는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 장치.
  10. 제 1항에 있어서,
    상기 종합결과전달부는,
    상기 설계값진단부에서 얻은 도면 설계의 이상 여부에 대한 결과 정보를 기반으로 상기 도면의 각 속성별 발생 오류 조건들을 추출하고 통합하여 목록화하며,
    상기 도면 설계 이상 여부에 대한 결과를 사용자(공정 설계 엔지니어)들에게 디스플레이해주는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 장치.
  11. 제 10항에 있어서,
    상기 종합결과전달부는,
    상기 설계값진단부로부터 이상 진단 결과를 상기 이미지셋(Set)에 피드백 입력 데이터값으로 제공하는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 장치.
  12. 제 1항에 있어서,
    상기 사용자수정부는,
    상기 종합결과전달부로부터 디스플레이된 상기 설계도면의 오류 부분을 확인할 수 있으며,
    상기 설계도면의 오류 부분을 공정 도면 설계 엔지니어가 직접 재수정 및 재설계할 수 있도록 하는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 장치.
  13. 딥러닝 기반 플랜트 공정 지능 설계 장치를 구현하는 방법에 있어서,
    딥러닝 학습을 위해, 플랜트 공정 설계 도면 이미지셋(Set)을 획득하는 단계;와
    상기 플랜트 공정 도면 이미지셋(Set)으로부터 상기 플랜트 공정 도면 조건들의 각각을 인식하며, 각 도면 당 인식되어지는 조건들의 인식 네트워크를 데이터화하는 단계;와
    상기 인식 네트워크 개발에 사용되는 플랜트 공정 도면들 중, 상기 설계 도면에서 추출한 HMB(Heat & Mass Balance) 데이터와 설계 도면 데이터값의 동일 여부를 비교하는 단계;와
    상기 인식 네트워크 개발에 사용되는 플랜트 공정 도면들 중, 상기 설계 도면의 데이터값과 기 작성된 설계 도면 데이터값의 동일 여부를 비교하는 단계;와
    상기 각각의 동일여부 비교 결과를 기반으로 상기 설계 도면의 이상 여부를 진단하는 단계;와
    상기 설계 도면의 이상 여부 진단 결과를 통합하여 각 속성별 오류 정보를 목록화하는 단계;와
    상기 설계 도면의 이상 여부 진단 결과를 사용자(공정 도면 설계 엔지니어)에게 디스플레이(제공)하는 단계;및
    제공된 상기 설계 도면의 오류 부분을 수정 및 재설계하는 단계;를 포함하는 것을 특징으로 하는 딥러닝 기반 플랜트 공정 지능 설계 방법.
KR1020200091053A 2020-07-22 2020-07-22 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 장치 및 방법 KR102388788B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200091053A KR102388788B1 (ko) 2020-07-22 2020-07-22 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 장치 및 방법
PCT/KR2021/005647 WO2022019446A1 (ko) 2020-07-22 2021-05-06 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200091053A KR102388788B1 (ko) 2020-07-22 2020-07-22 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220012027A KR20220012027A (ko) 2022-02-03
KR102388788B1 true KR102388788B1 (ko) 2022-04-21

Family

ID=79729232

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200091053A KR102388788B1 (ko) 2020-07-22 2020-07-22 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102388788B1 (ko)
WO (1) WO2022019446A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100990915B1 (ko) 2008-01-24 2010-11-01 후지쯔 가부시끼가이샤 해석 지원 장치, 해석 지원 방법 및 해석 지원 프로그램
KR102104605B1 (ko) 2019-04-24 2020-04-27 도프텍(주) 인공지능 기반 플랜트 도면 내 심볼 자동인식 방법 및 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101204087B1 (ko) 2011-01-31 2012-11-22 한국전력기술 주식회사 지능형 배관계장도 작성 시스템 및 방법
KR101889007B1 (ko) * 2016-12-28 2018-08-16 주식회사 혜윰시스템 객체 속성을 이용한 도면관리 방법 및 도면관리 시스템
KR102129407B1 (ko) * 2018-10-02 2020-07-02 경북대학교 산학협력단 학습 데이터 생성 방법 및 학습 데이터 생성 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100990915B1 (ko) 2008-01-24 2010-11-01 후지쯔 가부시끼가이샤 해석 지원 장치, 해석 지원 방법 및 해석 지원 프로그램
KR102104605B1 (ko) 2019-04-24 2020-04-27 도프텍(주) 인공지능 기반 플랜트 도면 내 심볼 자동인식 방법 및 장치

Also Published As

Publication number Publication date
KR20220012027A (ko) 2022-02-03
WO2022019446A1 (ko) 2022-01-27

Similar Documents

Publication Publication Date Title
Saeed et al. Novel fault diagnosis scheme utilizing deep learning networks
CN113614655A (zh) 从工程数据源中自动提取资产数据
Taylor Automated HAZOP revisited
Andrews et al. Application of the digraph method of fault tree construction to a complex control configuration
Natarajan et al. An ontology for distributed process supervision of large-scale chemical plants
Guo et al. Fault detection based on robust characteristic dimensionality reduction
CN116336400B (zh) 油气集输管道基线检测方法
KR102388788B1 (ko) 딥러닝 기반 플랜트 공정 설계 이상 진단 자동화 장치 및 방법
CN106200624A (zh) 基于交叉分段pca的工业锅炉故障诊断方法
Racheal et al. Evaluation of optimized machine learning models for nuclear reactor accident prediction
Hull et al. Verification and validation of neural networks for safety-critical applications
CN107895194B (zh) 一种核电厂主冷却剂系统故障诊断方法
Zakharov et al. Fault detection and diagnosis approach based on nonlinear parity equations and its application to leakages and blockages in the drying section of a board machine
CN116597635A (zh) 无线通讯智能燃气表控制器及其控制方法
Chia et al. HAZOP using Stateflow software: Methodology and case study
Krivanek Application LAMDA algorithm for fault detection and isolation
US20220091594A1 (en) Method and system to generate control logic for performing industrial processes
Belov et al. Hybrid Data-Driven and Physics-Based Modeling for Gas Turbine Prescriptive Analytics
CN114943525A (zh) 多维度数据的核对系统
KR20230167589A (ko) 스마트 IoT 밸브용 딥러닝 모델 기반 고장 진단 시스템
Du Rand et al. Fault diagnosis of generation IV nuclear HTGR components–Part II: The area error enthalpy–entropy graph approach
CN115540935A (zh) 一种新型护航舰艇压载水系统设备故障诊断方法
C. da CB Diniz et al. Datacentric System for Automatic HazOp Study
Kościelny et al. Application of causal graph GP for description of diagnosed process
Divakaruni et al. Signal validation techniques and power plant applications

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right