KR102419782B1 - 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법 - Google Patents

인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법 Download PDF

Info

Publication number
KR102419782B1
KR102419782B1 KR1020210128917A KR20210128917A KR102419782B1 KR 102419782 B1 KR102419782 B1 KR 102419782B1 KR 1020210128917 A KR1020210128917 A KR 1020210128917A KR 20210128917 A KR20210128917 A KR 20210128917A KR 102419782 B1 KR102419782 B1 KR 102419782B1
Authority
KR
South Korea
Prior art keywords
alarm
data
real
time
learning
Prior art date
Application number
KR1020210128917A
Other languages
English (en)
Inventor
조만영
김호성
박승진
박효주
Original Assignee
가온플랫폼 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 가온플랫폼 주식회사 filed Critical 가온플랫폼 주식회사
Priority to KR1020210128917A priority Critical patent/KR102419782B1/ko
Application granted granted Critical
Publication of KR102419782B1 publication Critical patent/KR102419782B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 산업설비에 관하여 실시간으로 측정된 실시간데이터와 설정된 경보조건을 비교하여 적어도 하나의 실시간경보를 발생하는 실시간 경보발생부(100); 상기 실시간데이터를 예측모델에 입력하여 실시간데이터를 학습하고, 학습결과를 기반으로 적어도 하나의 예측경보를 발생하는 예측 경보발생부(200) 및 상기 실시간 경보발생부와 예측 경보발생부에서 경보발생이 가능한 복수의 경보시나리오를 구축하고, 복수의 경보시나리오에 기반하여 실시간경보와 예측경보를 상호 분석하는 경보결정부(300)를 포함하여, 상기 실시간경보와 예측경보의 상호 분석을 통하여 최종경보를 결정하는 것을 특징으로 하는 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법을 개시한다.

Description

인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법{INDUSTRIAL FACILITY FAILURE PREDICTION MODELING TECHNIQUE AND ALARM INTEGRATED SYSTEM AND METHOD BASED ON ARTIFICIAL INTELLIGENCE}
본 발명은 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법에 관한 것으로서, 더욱 상세하게는 산업설비의 이상징후에 관한 실시간경보와 예측경보의 상호 분석을 통하여 최종경보를 결정하는 기술에 관한 것이다.
종래에는 선행기술로 기재된 특허문헌과 같이 AAKR(Auto Associative Kernel Regression) 학습모델을 이용하여 산업설비에 관한 데이터를 학습하고, 학습결과를 통하여 산업설비의 운전 또는 이상징후를 예측하였다.
AAKR 알고리즘은 상관관계가 있는 비슷한 산업설비를 그룹화하여 데이터학습을 수행하고, 학습모델의 데이터셋과 실시간데이터와의 거리 계산을 통한 그 잔차(Residual)의 크기에 따른 산업설비의 이상여부를 판별하며, 판별결과에 기반하여 경보를 발생하였다.
그러나 AAKR 알고리즘은 문제점으로서 학습모델의 상관계수 절대값이 0.7이하 거나 상관관계가 없는 데이터와 혼합된 학습모델은 해당 기댓값(Expect Value)의 정확성이 떨어지고, 아날로그 신호 등 시간에 따라 변화되는 값에 대해서만 학습모델 그룹핑이 가능한 제한적인 조건으로 다양한 관점의 산업설비 시계열데이터의 경보를 감시하기에 한정적인 부분이 있다. 이에 상관관계 계수에 종속적이지 않은 알고리즘을 활용한 정확한 예측경보 알고리즘이 필요하다.
한국등록특허 제10-2235858호
상기 문제점을 해결하기 위하여 본 발명은 실시간 경보발생부와 예측 경보발생부에서 경보발생이 가능한 복수의 경보시나리오를 구축하고, 복수의 경보시나리오에 기반하여 실시간경보와 예측경보를 상호 분석하는 인공지능 기반의 산업설비 경보 시스템 및 그 동작방법을 제공한다.
본 발명은 단변량 주기성 데이터, 다변량 시계열 데이터 및 미래데이터에 기반하여 예측된 이상징후를 상호 비교 분석하여 경보발생 여부를 결정하는 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법을 제공한다.
본 발명은 산업설비 간의 상관관계가 낮거나 데이터의 샘플이 다양하여도 압축복원에 의해 일관성이 있는 데이터 또는 학습결과를 얻어낼 수 있는 LSTM 학습모델의 셀 구조를 단순화시킨 GRU 학습모델을 이용하고, 다변량 시계열 데이터보다 용량이 낮은 미래데이터를 생성할 때 LSTM 학습모델을 이용하며, 미래데이터의 정확도를 증가시키기 위해 이상징후 감지시점 이전의 과거데이터를 이용하는 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법을 제공한다.
상기의 해결하고자 하는 과제를 위한 본 발명의 실시예에 따른 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템은, 산업설비에 관하여 실시간으로 측정된 실시간데이터와 설정된 경보조건을 비교하여 적어도 하나의 실시간경보를 발생하는 실시간 경보발생부(100); 상기 실시간데이터를 예측모델에 입력하여 실시간데이터를 학습하고, 학습결과를 기반으로 적어도 하나의 예측경보를 발생하는 예측 경보발생부(200) 및 상기 실시간 경보발생부와 예측 경보발생부에서 경보발생이 가능한 복수의 경보시나리오를 구축하고, 복수의 경보시나리오에 기반하여 실시간경보와 예측경보를 상호 분석하는 경보결정부(300)를 포함하여, 상기 실시간경보와 예측경보의 상호 분석을 통하여 최종경보를 결정하는 것을 특징으로 한다.
상기 실시간 경보발생부는 설정치, 운전절차 및 로직 다이어그램 중 적어도 하나 기반의 실시간경보 발생이 가능하고, 상기 예측 경보발생부는 단변량 주기성 데이터, 다변량 시계열 데이터 및 미래데이터 중 적어도 하나 기반의 예측경보 발생이 가능하며,
상기 경보결정부는 상호 비교하여 결정된 경보시나리오와 과거에 발생한 과거경보를 상호 분석하여 최종경보를 결정하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 따른 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템의 동작방법은, 산업설비에 관하여 실시간으로 측정된 실시간데이터 중 단변량 주기성 데이터를 학습하여 산업설비의 이상징후를 탐지하는 단계; 상기 실시간데이터 중 다변량 시계열 데이터를 학습하여 산업설비의 이상징후를 탐지하는 단계; 상기 실시간데이터의 취득시점 이전의 과거데이터를 반영하여 실시간데이터를 학습하고, 실시간데이터 취득시점 이후의 설정된 미래시간 동안 산업설비 동작을 예측하기 위한 미래데이터를 생성하며, 미래데이터를 기반으로 산업설비의 이상징후를 탐지하는 단계 및 상기 단변량 주기성 데이터, 다변량 시계열 데이터 및 미래데이터에 기반하여 예측된 이상징후를 상호 비교 분석하여 예측경보의 발생여부를 결정하는 단계를 포함하는 것을 특징으로 한다.
상기 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템은 단변량 주기성 데이터를 학습할 때 PDMD 알고리즘을 이용하고, 다변량 시계열 데이터를 학습할 때 비지도학습이 적용된 GRU-VAE 알고리즘을 이용하며, 미래데이터를 생성할 때 지도학습이 적용된 LSTM 알고리즘을 이용할 수 있다.
상기 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템은 단변량 주기성 데이터 또는 다변량 시계열 데이터의 학습결과로 이상징후가 감지되면 이상징후 감지시점 이전의 과거데이터를 학습하고, 이상징후 감지 시점 이후의 설정된 미래시간 동안 산업설비 동작을 예측하기 위한 미래데이터를 생성하는 것을 특징으로 할 수 있다.
본 발명은 실시간경보와 예측경보를 상호 분석함으로써, 불필요하거나 일시적으로 발생하는 경보의 건수를 현저히 감소시킬 수 있고, 신뢰성이 있는 경보를 발생할 수 있다.
본 발명은 단변량 주기성 데이터, 다변량 시계열 데이터 및 미래데이터에 기반하여 예측된 이상징후를 상호 비교 분석하여 예측경보의 발생여부를 결정함으로써, 불필요하거나 일시적으로 발생하는 경보의 건수를 현저히 감소시킬 수 있고, 신뢰성이 있는 경보를 발생할 수 있다.
본 발명은 데이터의 특성, 용량, 처리속도 및 정확도를 고려하여 예측모델별 복수의 알고리즘을 채용함으로써, 시스템의 효율과 학습결과의 정확도를 함께 향상시킬 수 있다.
도 1은 본 발명의 실시예에 따른 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템을 도시한 블록도이다.
도 2는 도 1의 산업설비 경보 시스템을 상세하게 도시한 것이다.
도 3은 실시간데이터의 운전데이터 기반 경보조건을 설정하는 화면을 도시한 예이다.
도 4는 실시간데이터 연산기반 경보조건을 설정하는 화면을 도시한 예이다.
도 5는 운전절차 기반 경보조건을 설정하는 화면을 도시한 예이다.
도 6은 실시간데이터의 로직관리 도구를 설정하는 화면을 도시한 예이다.
도 7은 PDMD 알고리즘의 동작방법을 도시한 예이다.
도 8은 PDMD 알고리즘을 이용하여 단변량 주기성 데이터를 학습하는 예를 도시한 것
도 9는 오토 인코더와 변형 오토 인코더의 잠재분포를 도시한 예이다.
도 10은 GRU-VAE 알고리즘의 동작방법을 도시한 예이다.
도 11은 GRU-VAE 알고리즘을 이용하여 단변량 주기성 데이터를 학습하는 예를 도시한 것이다.
도 12는 LSTM 알고리즘의 동작방법을 도시한 예이다.
도 13은 LSTM 알고리즘을 이용하여 미래데이터를 생성하는 예를 도시한 것이다.
도 14는 디스플레이를 통하여 경보화면을 출력하는 예이다.
도 15는 GRU와 LSTM 알고리즘의 성능을 평가하기 위한 시험환경을 도시한 것이다.
도 16은 GRU와 LSTM 알고리즘의 성능에 대한 시험결과를 도시한 것이다.
도 17은 데이터 1에 관한 GRU와 LSTM 알고리즘의 성능에 대한 시험결과를 도시한 것이다.
이하 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 발명의 실시예를 상세하게 설명하지만, 본 발명이 실시예에 의해 제한되거나 한정되는 것은 아니다.
도 1은 본 발명의 실시예에 따른 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템을 도시한 블록도로서, 인공지능 기반의 산업설비 경보 시스템(30)은 산업설비에 관하여 실시간으로 측정된 실시간데이터를 이용하여 산업설비의 이상징후에 관한 경보를 발생한다.
실시간데이터는 산업설비에 관하여 실시간으로 측정된 데이터로서, 산업설비의 온도, 압력, 유량, 진동, 음향 및 전류 등 내부환경과 관련된 측정요소를 포함할 수 있고, 외부환경과 관련된 측정요소를 포함할 수 있으며, 산업설비의 운용조건에 관한 데이터를 포함할 수 있다.
인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템(30)은 산업설비에 관하여 실시간으로 측정된 실시간데이터와 학습모델을 이용하여 인공지능(artificial intelligence)적으로 산업설비의 이상징후를 감지하고, 이상징후 감지 시 어떠한 고장유형으로 이루어지는 판별하며, 판별된 고장으로 진행될 때 산업설비의 미래의 상태를 예측할 수 있다. 인공지능은 인간의 생각이나 학습능력을 컴퓨터 프로그램으로 실현한 것으로서, 흔히 AI라고 불린다. 실시간데이터는 산업설비에 관하여 실시간으로 측정된 데이터이다.
인공지능 기술은 딥러닝(deep learning)과 기계학습(machine learning) 기술을 포함할 수 있다. 딥러닝이란 여러 층을 가진 인공신경망(ANN: Artificial Neural Network)을 사용하여 머신러닝 학습을 수행하는 것으로 심층학습이라고도 부르며, 여러 비선형 변환기법의 조합을 통해 다량의 데이터 속에서 핵심적인 내용을 추출할 수 있는 학습 알고리즘이라고 할 수 있다.
기계학습은 지도학습(supervised learning)과 비지도학습(unsupervised learning)으로 구분된다. 지도학습은 학습데이터를 참조하여 입력값에 대응하는 출력값을 찾는 방식이고, 비지도학습은 입력값들만 있는 훈련데이터를 이용하여 입력값들의 규칙성을 찾아 내고, 찾아낸 결과를 출력한다.
도 2는 도 1의 산업설비 경보 시스템을 상세하게 도시한 것으로서, 산업설비 경보 시스템(30)은 데이터 처리 시스템(20)으로부터 실시간데이터를 제공받을 수 있고, 데이터 처리 시스템(20)은 산업설비가 위치한 감시 시스템(10)으로부터 실시간데이터를 수신하여 산업설비 경보 시스템(30)에게 제공할 수 있다.
인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템(30)은 실시간 경보발생부(100), 예측 경보발생부(200), 경보결정부(300) 및 데이터베이스(400)를 포함한다. 데이터베이스(400)는 실시간데이터를 저장한다. 데이터베이스(400)는 경보발생부(100), 예측 경보발생부(200) 및 경보결정부(300)의 동작에 필요한 정보 또는 데이터를 저장할 수 있다.
실시간 경보 발생부(100)는 산업설비에 관하여 실시간으로 측정된 실시간데이터와 설정된 경보조건을 비교하여 적어도 하나의 실시간경보를 발생한다. 경보조건은 설정치, 운전절차 및 로직 다이어그램 중 적어도 하나에 대한 조건이다.
도 3은 실시간데이터의 운전데이터 기반 경보조건을 설정하는 화면을 도시한 예이고, 도 4는 실시간데이터 연산기반 경보조건을 설정하는 화면을 도시한 예로서, 설정치 조건은 운전데이터와의 비교를 위한 운전데이터 설정치 조건 및 실시간데이터와의 비교를 위한 연산신호 설정치 조건으로 구분될 수 있다.
운전 데이터 기반 경보조건은 설비의 임계치(Set-Point)에 설비의 운전 데이터가 도달하였을 때 경보를 제공하는 방법이고 조건은 크게 2단계로 상한일 경우 High, High-High Alarm, 하한일 경우 Low, Low-Low로 구분되어 경보가 발생된다.
실시간 데이터 연산기반 경보조건은 각 신호들의 연산 조건 산술적 조건(사칙연산, 기초 통계 등), 및 논리적 연산(NOT, AND, OR, NAND, NOT, EX-OR 등)에 의해 계산되는 값이 사용자가 정의한 데이터에 도달하였을 때 경보가 발생된다.
도 5는 운전절차 기반 경보조건을 설정하는 화면을 도시한 예로서, 운전절차 경보조건은 산업설비의 기동, 시험 및 정지 등 운전 모드별 절차에 대한 조건을 의미한다. 실시간 경보발생부(100)는 실시간데이터에서 운전절차대로 산업설비의 운전이 이루어졌는지 감시할 수 있고, 운전전차 경보조건을 미준수할 때 실시간경보를 발생할 수 있다.
실시간 경보발생부(100)는 과거 레퍼런스 데이터와 실시간데이터의 잔차 기반으로 경보조건을 설정할 수 있고, 과거 레퍼런스 데이터와 실시간데이터를 비교하여 실시간경보의 발생여부를 결정할 수 있다. 과거 레퍼런스 데이터는 산업설비에 대한 과거의 운전과 관련된 데이터를 의미한다.
도 6은 실시간데이터의 로직관리 도구를 설정하는 화면을 도시한 예로서, 로직 다이어그램은 산업설비의 가동절차를 논리연산식으로 구현한 것이다. 로직 다이어그램은 기본논리노드, 신호값노드 및 스크립트노드로 구성된다.
기본논리노드는 NOT, AND, OR, NAND, NOT, EX-OR 등 논리연산이다. 신호값 노드는 X>= 30. X=3, X<30 등 신호값과 특정 변수관의 부등호 관계이다. 스크립노드는 IF, ELSE, FOR 등 코딩을 통해 복잡한 조건을 생성하는 경우이다.
로직 다이어그램 기반 경보조건은 설정된 로직 다이어그램으로 실행된 결과의 기준이다. 실시간 경보발생부(100)는 실시간데이터에서 로직 다이어그램 기반 경보조건으로 실행되었는지 여부를 판별할 수 있다.
예측 경보발생부(200)는 실시간데이터를 예측모델에 입력하여 실시간데이터를 학습하고, 학습결과를 기반으로 적어도 하나의 예측경보를 발생한다. 예측 경보발생부(200)는 단변량 주기성 데이터, 다변량 시계열 데이터 및 미래데이터 중 적어도 하나 기반의 예측경보 발생이 가능하다.
단변량은 단 한 개의 변수가 존재하는 것이고, 다변량은 변수가 두 개 이상인 것을 의미한다. 미래데이터는 실시간데이터로 예상되는 출력을 나타내는 데이터를 의미한다.
도 7은 PDMD 알고리즘의 동작방법을 도시한 예이고, 도 8은 PDMD 알고리즘을 이용하여 단변량 주기성 데이터를 학습하는 예를 도시한 것으로서, 예측 경보발생부(200)는 산업설비에 관하여 실시간으로 측정된 실시간데이터 중 단변량 주기성 데이터를 학습하여 산업설비의 이상징후를 탐지한다.
예측 경보발생부(200)는 단변량 주기성 데이터를 학습할 때 PDMD(Peak Detection using Multiple Difference) 알고리즘을 이용할 수 있다. 예측 경보발생부(200)는 단변량 주기성 데이터에서 다중 차분을 통한 Peak/Drop 지점을 탐지하고, 각 기울기 분포를 활용한 정상 기울기를 산출하며, Drop 지점을 고려한 실시간 기울기를 산출하고, 정상 기울기와 실시간 기울기와의 차이를 분석하여 산업설비의 이상징후를 탐지할 수 있다.
도 9는 오토 인코더와 변형 오토 인코더의 잠재분포를 도시한 예이고, 도 10은 GRU-VAE 알고리즘의 동작방법을 도시한 예이고, 도 11은 GRU-VAE 알고리즘을 이용하여 단변량 주기성 데이터를 학습하는 예를 도시한 것으로서, 예측 경보발생부(200)는 실시간데이터 중 다변량 시계열 데이터를 학습하여 산업설비의 이상징후를 탐지한다.
예측 경보발생부(200)는 다변량 시계열 데이터를 학습할 때 비지도학습이 적용된 GRU-VAE 알고리즘을 이용할 수 있다. GRU(Gated Recurrent Unit)-VAE 학습모델 또는 알고리즘을 적용하기 위해서는 오토 인코더(auto encoder)와 변형 오토 인코더(variational auto encoder) 기술이 필요하다. 오토 인코더는 단순히 입력을 출력으로 복사하는 신경망이다. 어떻게 보면 간단한 신경망처럼 보이지만 네트워크에 여러가지 방법으로 제약을 줌으로써 어려운 신경망으로 만든다. 예를 들어 아래 그림처럼 히든층(hidden layer)의 뉴런 수를 입력층(input layer)입력층 보다 작게 해서 데이터를 압축(차원을 축소)한다거나, 입력 데이터에 노이즈를 추가한 후 원본 입력을 복원할 수 있도록 네트워크를 학습시키는 등 다양한 오토인코더가 있다. 이러한 제약들은 오토인코더가 단순히 입력을 바로 출력으로 복사하지 못하도록 방지하며, 데이터를 효율적으로 표현(representation)하는 방법을 학습하도록 제어한다.
오토 인코더는 입력된 데이터를 인코더와 디코더를 통해 복원된 데이터와 원본 데이터의 차이(reconstruction error)를 기반으로 이상상태를 탐지할 수 있다. 오토 인코더는 Input 데이터 자체의 차원을 축소하고, 축소된 차원의 데이터를 다시 복원한다면, 변형 오토 인코더의 인코더는 데이터의 특징을 잠재변수(Latent Variable)을 통해 추측할 수 있도록 원본데이터의 평균과 표준편차를 추출하며, 이 분포는 정규분포를 따른다고 가정한다. 정규분포에서 임의의 값을 샘플링 하여 인코더의 결과 값인 평균과 표준편차와 계산하여 잠재변수를 생성하며, 이를 디코더를 통해 데이터를 복원하기 때문에 오토 인코더의 잠재변수의 분포에 비해 군집강도가 높아 원본 데이터를 생성하는데 더 유리할 수 있다. 잠재변수는 직접 측정될 수 없기 때문에 다른 변수를 통해서 간접적으로만 측정이 가능한 변수를 일컫는다.
예측 경보발생부(200)는 변형 오토 인코더에 시계열 요소를 반영할 수 있는 GRU 셀(cell)을 적용한 학습모델을 적용하고, GRU 학습모델에 입력된 실시간데이터의 차원을 축소하여 얻은 특징(feature)에 가우시안 에러(Gaussian error)를 적용시킨 후 다시 원래 차원의 데이터로 복원하며, 입력인 실시간데이터와 복원오차(reconstruction error) 사이의 차이를 기반하여 예측경보의 발생여부를 판별할 수 있다.
예측 경보발생부(200)는 GRU-VAE 학습모델을 이용하여 실시간데이터의 시계열적 특성에 따른 추세를 반영한 기댓값을 생성할 수 있고, 실시간데이터와 실시간기댓값 간 잔차를 비교하여 산업설비의 이상징후를 조기에 감지할 수 있다. 실시간데이터와 실시간기댓값 간 잔차를 비교한 데이터를 산업설비의 미래 동작을 예측하기 위한 입력값으로 활용될 수 있다.
도 12는 LSTM 알고리즘의 동작방법을 도시한 예이고, 도 13은 LSTM 알고리즘을 이용하여 미래데이터를 생성하는 예를 도시한 것으로서, 예측 경보발생부(200)는 실시간데이터의 취득시점 이전의 과거데이터를 반영하여 실시간데이터를 학습하고, 실시간데이터 취득시점 이후의 설정된 미래시간 동안 산업설비 동작을 예측하기 위한 미래데이터를 생성하며, 미래데이터를 기반으로 산업설비의 이상징후를 탐지한다.
예측 경보발생부(200)는 미래데이터를 생성할 때 지도학습이 적용된 LSTM(Long Short-Term Memory) 알고리즘을 이용할 수 있다. 예측 경보발생부(200)는 LSTM 알고리즘을 활용하여 사전조치를 할 수 있는 미래시간(예를 들어 약 3~4시간)에 대한 미래데이터를 생성할 수 있다.
본 발명은 시계열 데이터의 특성상 데이터의 추세를 반영한 기댓값을 생성할 수 있도록 RNN의 한계점이 개선된 LSTM 모델을 오토 인코더 또는 변형 오토 인코더 에 접목하여 모델을 구성할 수 있다. 또한 LSTM 모델의 셀 구조를 단순화 시킨 GRU 모델을 LSTM 모델 대신 활용할 수 있다. 따라서 시계열 데이터의 Input data를 축소(Encoding) 및 복원(Decoding)하는 과정에서의 Layer 층을 LSTM 또는 GRU층 적용하여 아래와 같은 모델을 구성할 수 있다.
본 발명은 미래동작을 정확하게 예측하기 위해서 LSTM 모델을 사용할 수 있고, 이상징후를 빠르고 조기에 감지하기 위해서 LSTM 모델의 셀 구조를 단순화 시킨 GRU 모델을 사용할 수 있다.
예측 경보발생부(200)는 단변량 주기성 데이터 또는 다변량 시계열 데이터의 학습결과로 이상징후가 감지되면 이상징후 감지시점 이전의 과거데이터를 학습하고, 이상징후 감지 시점 이후의 설정된 미래시간 동안 산업설비 동작을 예측하기 위한 미래데이터를 생성할 수 있다.
경보결정부(300)는 실시간 경보발생부와 예측 경보발생부에서 경보발생이 가능한 복수의 경보시나리오를 구축하고, 복수의 경보시나리오에 기반하여 실시간경보와 예측경보를 상호 분석한다. 경보결정부(300)는 실시간경보와 예측경보의 상호 분석을 통하여 최종경보를 결정한다.
경보결정부(300)는 실시간경보 발생에 대한 경우의 수와 예측경보 발생에 대한 경우의 수를 조합하여 복수의 경보시나리오를 구축할 수 있고, 각각의 경보시나리오에 의해 최종경보를 결정할 수 있거나 보류할 수 있다. 경보결정부(300)는 최종경보를 보류할 경우, 추후 실간으로 입력되는 실시간데이터를 참조하여 보류된 최종경보에 대하여 재분석을 수행할 수 있다.
경보결정부(300)는 상호 비교하여 결정된 경보시나리오와 과거에 발생한 과거경보를 상호 분석하여 최종경보를 결정함으로써, 경보발생에 대한 정확도와 신뢰도를 향상시킬 수 있다.
본 발명은 실시간경보와 예측경보를 상호 분석함으로써, 불필요하거나 일시적으로 발생하는 경보의 건수를 현저히 감소시킬 수 있고, 신뢰성이 있는 경보를 발생할 수 있다.
경보결정부(300)는 단변량 주기성 데이터, 다변량 시계열 데이터 및 미래데이터에 기반하여 예측된 이상징후를 상호 비교 분석하여 예측경보의 발생여부를 결정한다.
본 발명은 단변량 주기성 데이터, 다변량 시계열 데이터 및 미래데이터에 기반하여 예측된 이상징후를 상호 비교 분석하여 예측경보의 발생여부를 결정함으로써, 불필요하거나 일시적으로 발생하는 경보의 건수를 현저히 감소시킬 수 있고, 신뢰성이 있는 경보를 발생할 수 있다.
도 14는 디스플레이를 통하여 경보화면을 출력하는 예로서, 경보결정부(300)는 실시간으로 경보에 관한 정보를 디스플레이를 통하여 출력할 수 있다.
경보결정부(300)는 각 경보감시 알고리즘에 따라 발생한 경보이력을 조회하는 환경을 제공할 수 있고, 기간별 조건검색을 통하여 누적된 경보이력을 조회하는 환경을 제공할 수 있으며, 표 또는 차트의 형태로 경보이력을 출력할 수 있는 환경을 제공할 수 있다.
본 발명에서는 이상징후를 감지할 때 GRU 학습모델을 이용하고, 산업설비의 미래동작을 예측하기 위해 LSTM 학습모델을 이용하며, 이러한 학습모델을 선택적으로 이용하는 이유에 대하여 설명하기로 한다.
도 15는 GRU와 LSTM 알고리즘의 성능을 평가하기 위한 시험환경을 도시한 것이고, 도 16은 GRU와 LSTM 알고리즘의 성능에 대한 시험결과를 도시한 것이며, 도 17은 데이터 1에 관한 GRU와 LSTM 알고리즘의 성능에 대한 시험결과를 도시한 것이다.
도 16을 참조하면 4가지 종류의 데이터를 Train Set과 Test Set의 비율을 7:3으로 나누었으며, Epoch, Batch size 등 모든 조건을 통제한 상태로 모델을 학습하였고. 각 모델을 통해 산출된 기댓값과 실제값의 MSE(Mean Squared Error)와 학습에 소요된 시간을 비교하였다.
각 모델에 대한 성능을 비교한 결과, 오토 인코더 기반 모델보다, 변형 오토 인코더 기반 모델의 예측 정확도가 높게 나타났으며, LSTM 모델과 GRU 모델의 예측성능은 비슷하나 학습 시간은 GRU 모델이 더 적게 소요되었다.
본 발명은 실험결과에 비추어 다변량 시계열 데이터를 학습할 때 LSTM 학습모델의 셀 구조를 단순화시킨 GRU 학습모델을 이용하고, 다변량 시계열 데이터보다 용량이 낮은 미래데이터를 생성할 때 LSTM 학습모델을 이용하며, 미래데이터의 정확도를 증가시키기 위해 이상징후 감지시점 이전의 과거데이터를 이용할 수 있다.
본 발명은 데이터의 특성, 용량, 처리속도 및 정확도를 고려하여 예측모델별 복수의 알고리즘을 채용함으로써, 시스템의 효율과 학습결과의 정확도를 함께 향상시킬 수 있다.
본 발명은 데이터 간 낮은 상관성이 있어도 GRU-VAE 학습모델을 채용하면 도 16에 도시된 바와 같이 일관성이 있는 데이터 또는 학습결과를 얻어낼 수 있으므로, 종래의 AAKR 학습모델의 문제점을 해결할 수 있다.
10: 감시 시스템 20: 데이터 처리 시스템
30: 산업설비 경보 시스템 100: 실시간 경보발생부
200: 예측 경보발생부 300: 경보결정부
400: 데이터베이스

Claims (5)

  1. 산업설비에 관하여 실시간으로 측정된 실시간데이터와 설정된 경보조건을 비교하여 적어도 하나의 실시간경보를 발생하는 실시간 경보발생부(100);
    상기 실시간데이터를 예측모델에 입력하여 실시간데이터를 학습하고, 학습결과를 기반으로 적어도 하나의 예측경보를 발생하는 예측 경보발생부(200) 및
    상기 실시간 경보발생부와 예측 경보발생부에서 경보발생이 가능한 복수의 경보시나리오를 구축하고, 복수의 경보시나리오에 기반하여 실시간경보와 예측경보를 상호 분석하는 경보결정부(300)를 포함하여, 상기 실시간경보와 예측경보의 상호 분석을 통하여 최종경보를 결정하고,
    상기 예측 경보발생부는 단변량 주기성 데이터, 다변량 시계열 데이터 및 미래데이터 중 적어도 하나 기반의 예측경보 발생이 가능하며,
    상기 예측 경보발생부는 데이터의 특성, 용량, 처리속도 및 정확도를 고려하여 단변량 주기성 데이터를 학습할 때 PDMD 알고리즘을 이용하고, 다변량 시계열 데이터를 학습할 때 비지도학습이 적용된 GRU-VAE 알고리즘을 이용하며, 미래데이터를 생성할 때 지도학습이 적용된 LSTM 알고리즘을 이용하는 것을 특징으로 하는 인공지능 기반의 산업설비 고장예측 시스템.
  2. 삭제
  3. 인공지능 기반의 산업설비 고장예측 시스템의 동작방법에 있어서,
    산업설비에 관하여 실시간으로 측정된 실시간데이터 중 단변량 주기성 데이터를 학습하여 산업설비의 이상징후를 탐지하는 단계;
    상기 실시간데이터 중 다변량 시계열 데이터를 학습하여 산업설비의 이상징후를 탐지하는 단계;
    상기 실시간데이터의 취득시점 이전의 과거데이터를 반영하여 실시간데이터를 학습하고, 실시간데이터 취득시점 이후의 설정된 미래시간 동안 산업설비 동작을 예측하기 위한 미래데이터를 생성하며, 미래데이터를 기반으로 산업설비의 이상징후를 탐지하는 단계 및
    상기 단변량 주기성 데이터, 다변량 시계열 데이터 및 미래데이터에 기반하여 예측된 이상징후를 상호 비교 분석하여 예측경보의 발생여부를 결정하는 단계를 포함하고,
    데이터의 특성, 용량, 처리속도 및 정확도를 고려하여 단변량 주기성 데이터를 학습할 때 PDMD 알고리즘을 이용하고, 다변량 시계열 데이터를 학습할 때 비지도학습이 적용된 GRU-VAE 알고리즘을 이용하며, 미래데이터를 생성할 때 지도학습이 적용된 LSTM 알고리즘을 이용하는 것을 특징으로 하는 인공지능 기반의 산업설비 고장예측 시스템의 동작방법.
  4. 삭제
  5. 삭제
KR1020210128917A 2021-09-29 2021-09-29 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법 KR102419782B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210128917A KR102419782B1 (ko) 2021-09-29 2021-09-29 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210128917A KR102419782B1 (ko) 2021-09-29 2021-09-29 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR102419782B1 true KR102419782B1 (ko) 2022-07-12

Family

ID=82420064

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210128917A KR102419782B1 (ko) 2021-09-29 2021-09-29 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102419782B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859202A (zh) * 2022-11-24 2023-03-28 浙江邦盛科技股份有限公司 一种非平稳时序数据流场景下的异常检测方法及装置
KR102618023B1 (ko) 2022-12-23 2023-12-27 앤츠이엔씨 주식회사 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101856170B1 (ko) * 2017-09-20 2018-05-10 주식회사 모비젠 시계열 데이터를 기초로 시스템의 이상시점을 예측하는 장치 및 그 방법
KR20190022112A (ko) * 2017-08-25 2019-03-06 주식회사 펠코리아 자동화 설비의 고장 예측 장치, 이를 이용한 고장 예측 시스템 및 고장 예측 방법
KR102235858B1 (ko) 2020-04-09 2021-04-02 에스케이씨 주식회사 탄화규소 잉곳의 제조방법 및 탄화규소 잉곳 제조용 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190022112A (ko) * 2017-08-25 2019-03-06 주식회사 펠코리아 자동화 설비의 고장 예측 장치, 이를 이용한 고장 예측 시스템 및 고장 예측 방법
KR101856170B1 (ko) * 2017-09-20 2018-05-10 주식회사 모비젠 시계열 데이터를 기초로 시스템의 이상시점을 예측하는 장치 및 그 방법
KR102235858B1 (ko) 2020-04-09 2021-04-02 에스케이씨 주식회사 탄화규소 잉곳의 제조방법 및 탄화규소 잉곳 제조용 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859202A (zh) * 2022-11-24 2023-03-28 浙江邦盛科技股份有限公司 一种非平稳时序数据流场景下的异常检测方法及装置
CN115859202B (zh) * 2022-11-24 2023-10-10 浙江邦盛科技股份有限公司 一种非平稳时序数据流场景下的异常检测方法及装置
KR102618023B1 (ko) 2022-12-23 2023-12-27 앤츠이엔씨 주식회사 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법

Similar Documents

Publication Publication Date Title
CN111902781B (zh) 用于控制系统的设备和方法
Yu Adaptive hidden Markov model-based online learning framework for bearing faulty detection and performance degradation monitoring
US11314242B2 (en) Methods and systems for fault detection and identification
US20210334656A1 (en) Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance
KR102419782B1 (ko) 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법
Skordilis et al. A deep reinforcement learning approach for real-time sensor-driven decision making and predictive analytics
Caceres et al. A probabilistic Bayesian recurrent neural network for remaining useful life prognostics considering epistemic and aleatory uncertainties
US11269752B1 (en) System and method for unsupervised anomaly prediction
KR102383139B1 (ko) 인공지능 기반의 산업설비 고장예측 진단을 위한 데이터 학습 라벨링 시스템 및 그 방법
US11415975B2 (en) Deep causality learning for event diagnosis on industrial time-series data
CN116611013A (zh) 针对工业时序数据的异常检测以及根因分析方法及系统
Maniak et al. Hierarchical spatial-temporal state machine for vehicle instrument cluster manufacturing
Baptista et al. Classification prognostics approaches in aviation
Gong et al. Remaining useful life prediction based on multisensor fusion and attention TCN-BiGRU model
CN116520806A (zh) 一种工业系统智能故障诊断系统及其方法
Zhang et al. A data-driven maintenance framework under imperfect inspections for deteriorating systems using multitask learning-based status prognostics
CN117114454B (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
Saranya et al. Data-driven prognostics for run-to-failure data employing machine learning models
Isaza et al. Situation prediction based on fuzzy clustering for industrial complex processes
KR20220159672A (ko) 오토 인코더 기반 이상 데이터 감지 시스템 및 방법
Jiang et al. A timeseries supervised learning framework for fault prediction in chiller systems
KR102340249B1 (ko) 데이터 마이닝 기술을 이용한 피.엘.씨 고장 예측 장치 및 그 방법
Venkidasalapathy et al. Hidden Markov model based fault diagnoser using binary alarm signals with an analysis on distinguishability
Gross et al. AI decision support prognostics for IOT asset health monitoring, failure prediction, time to failure
AU2021101764A4 (en) A system for anomaly detection in signal and visualization

Legal Events

Date Code Title Description
GRNT Written decision to grant