KR102458214B1 - 배관 파손 진단 장치 및 방법 - Google Patents

배관 파손 진단 장치 및 방법 Download PDF

Info

Publication number
KR102458214B1
KR102458214B1 KR1020200177181A KR20200177181A KR102458214B1 KR 102458214 B1 KR102458214 B1 KR 102458214B1 KR 1020200177181 A KR1020200177181 A KR 1020200177181A KR 20200177181 A KR20200177181 A KR 20200177181A KR 102458214 B1 KR102458214 B1 KR 102458214B1
Authority
KR
South Korea
Prior art keywords
pipe
data
breakage
state
current
Prior art date
Application number
KR1020200177181A
Other languages
English (en)
Other versions
KR20220086931A (ko
Inventor
이준욱
박성식
김용우
Original Assignee
주식회사 아이브랩
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 주식회사 아이브랩 filed Critical 주식회사 아이브랩
Priority to KR1020200177181A priority Critical patent/KR102458214B1/ko
Publication of KR20220086931A publication Critical patent/KR20220086931A/ko
Application granted granted Critical
Publication of KR102458214B1 publication Critical patent/KR102458214B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
    • G01M3/16—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using electric detection means
    • G01M3/18—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using electric detection means for pipes, cables or tubes; for pipe joints or seals; for valves; for welds; for containers, e.g. radiators
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4472—Mathematical theories or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명은 배관 파손 진단 장치 및 방법을 공개한다. 본 발명은 배관에 설치된 복합 센서 모듈에서 측정된 배관 데이터들을 이용하여 배관의 사용 상태를 식별하고, 배관이 사용중이면 과거에 측정된 배관 데이터들을 이용하여 계산된 배관 데이터와 현재 측정된 배관 데이터를 비교하여, 양 데이터간의 차가 임계치 이상이면, 파손의 가능성이 있다고 판단하여 인공 신경망을 이용하여 배관 파손 확률을 계산하고, 파손 확률이 임계치 이상이면 인공 신경망을 이용하여 파손 종류를 예측하여 파손 확률과 함께 배관 관리자에게 제공함으로써, 배관의 파손 확률과 파손 종류를 신속하고 정확하게 진단하고 이에 적절하게 대응할 수 있다.

Description

배관 파손 진단 장치 및 방법{Pipe damage diagnosing apparatus and method}
본 발명은 배관 파손 진단 장치 및 방법에 관한 것으로서, 보다 구체적으로는 인공 신경망을 이용하여 배관의 파손 가능성을 예측하고 및 파손 종류를 진단하는 장치 및 방법에 관한 것이다.
최근 제조업의 생산 품목이 다양해지고 생산 방법이 복잡해짐에 따라서 공장 설비가 증가하고 있으며, 그에 따라 공장에 설치된 배관의 수도 증가하고 있다. 또한, 배관의 수가 증가함에 따라서 배관의 손상 가능성이 높아지고, 이에 따른 배관 관리의 어려움도 증가하고 있다.
배관의 불량은 파손 및 누설로 이어지며, 단순히 산업 현장의 업무 정지를 넘어 인적 및 물적 피해를 발생시키므로, 파손 위험이 높은 배관을 빠르게 발견하여 조치하는 것이 필요하다.
그런데, 종래에 배관 수가 적을때에는 관리 인력이 배관의 상태를 직접 확인하여 유지보수가 가능하였으나, 최근처럼 배관의 수가 급격히 증가하고, 배관의 연결 구조가 매우 복잡하게 구조화되는 경우에는, 관리 인력이 직접 배관상태를 확인하는 것이 매우 어려우므로, 배관 상태 점검의 자동화 필요성, 산업현장의 다양한 배관설비에 대한 실시간 관리 및 진단 필요성이 증가하고 있다.
본 발명이 해결하고자 하는 과제는, 산업 현장에 설치된 복잡한 배관들에 대해서 자동으로 파손 확률을 예측하고, 파손 확률이 높은 배관에 대해서는 파손 종류를 예측하여 관리자에게 제공함으로써, 신속한 배관 파손에 대응할 수 있는 배관 파손 진단 장치 및 방법을 제공하는 것이다.
상술한 과제를 해결하기 위한 본 발명의 바람직한 실시예에 따른 배관 파손 진단 장치에서 수행되는 배관 파손 진단 방법은, (a) 인공 신경망을 사전에 각 배관의 파손 상태 및 파손 종류를 특정하여 학습한 배관 상태 추론 모델을 생성하는 단계; (b) 시간에 따라서 변하지 않는 각 배관에 대한 정적 데이터를 저장하는 단계; (c) 각 배관에 설치된 복합 센서 모듈을 이용하여 각 배관의 동적 데이터를 측정하여 저장하는 단계; (d) 상기 동적 데이터를 이용하여 각 배관의 현재 사용 상태를 식별하는 단계; (e) 배관의 사용 상태가 사용 중이면, 배관 파손 가능성을 판단하는 단계; (f) 상기 (e) 단계에서, 배관 파손의 가능성이 있다고 판단되면, 해당 배관의 동적 데이터 및 정적 데이터를 상기 배관 상태 추론 모델의 인공 신경망에 입력하여 파손 확률을 생성하는 단계; 및 (g) 상기 파손 확률이 사전에 정의된 임계치를 초과하면, 상기 인공 신경망에 입력된 해당 배관의 동적 데이터 및 정적 데이터를 인공 신경망에 입력하여 파손 종류를 생성하는 단계를 포함한다.
또한, 상기 (e) 단계는, (e1) 배관의 사용 상태가 "사용 중"으로 판단되면, 배관에 대해서 과거의 동적 데이터들을 이용하여 현재 시간에 측정되어야 하는 현재 배관 데이터를 계산하는 단계; 및 (e2) 상기 (e1) 단계에서 계산된 현재 배관 데이터와 상기 복합 센서 모듈들로부터 입력된 측정 배관 데이터를 비교하여, 양 데이터 간의 오차가 사전에 정의된 임계치를 벗어나면, 배관 파손의 가능성이 있다고 판단하는 단계;를 포함할 수 있다.
또한, 상기 (e1) 단계는, 당해 배관에 대해서 과거에 저장된 동적 데이터들 및 당해 배관 이전 배관에 대해서 과거에 저장된 동적 데이터들을 이용하여 현재 시간에 당해 배관에 대해서 측정되어야 하는 현재 배관 데이터를 선형 회귀 기법을 이용하여 계산할 수 있다.
또한, 상기 동적 데이터는, 배관의 유량, 유압, 온도, 진동 중 적어도 하나를 포함하는 배관 데이터 및 배관 주변의 온도, 습도, 강수량 중 적어도 하나를 포함하는 기상 데이터를 포함할 수 있다.
또한, 상기 (e1) 단계에서 계산된 현재 배관 데이터는, 배관의 유량, 유압, 온도, 진동 중 하나 이상의 항목을 포함하고, 상기 측정 배관 데이터는 상기 계산된 현재 배관 데이터에 대응되는 항목을 포함하며, 상기 (e2) 단계는, 상기 복수의 항목들 각각에 대해서 계산된 현재 배관 데이터와 측정 배관 데이터를 비교하여, 하나 이상의 항목에 대한 오차가 임계치를 벗어나면 배관 파손 가능성이 있다고 판단할 수 있다.
또한, 상기 (d) 단계에서, 일정 시간 단위로 동적 데이터에 포함된 배관의 유량 및 압력을 조사하여, 배관의 유량 및 압력이 모두 0으로 떨어지면 배관 사용 중단 상태로 판단하고, 배관의 유량 및 압력이 0으로 유지되다가 현재 시간 구간에서 급증하면 배관 사용 개시 상태로 판단하며, 사용 중단 상태 또는 사용 개시 상태가 아닌 경우에는 사용 중 상태로 판단할 수 있다.
한편, 상술한 과제를 해결하기 위한 본 발명의 바람직한 실시예에 따른 컴퓨터 프로그램은, 비일시적 저장매체에 저장되고, 프로세서를 포함하는 컴퓨터에서 실행되어, 상기 배관 파손 진단 방법을 수행할 수 있다.
한편, 상술한 과제를 해결하기 위한 본 발명의 바람직한 실시예에 따른 배관 파손 진단 장치는, 프로세서 및 소정의 명령어들을 저장하는 메모리를 포함하는 배관 파손 진단 장치로서, 상기 메모리에 저장된 명령어들을 실행한 상기 프로세서는 (a) 인공 신경망을 사전에 각 배관의 파손 상태 및 파손 종류를 특정하여 학습한 배관 상태 추론 모델을 생성하는 단계; (b) 시간에 따라서 변하지 않는 각 배관에 대한 정적 데이터를 저장하는 단계; (c) 각 배관에 설치된 복합 센서 모듈을 이용하여 각 배관의 동적 데이터를 측정하여 저장하는 단계; (d) 상기 동적 데이터를 이용하여 각 배관의 현재 사용 상태를 식별하는 단계; (e) 배관의 사용 상태가 사용 중이면, 배관 파손 가능성을 판단하는 단계; (f) 상기 (e) 단계에서, 배관 파손의 가능성이 있다고 판단되면, 해당 배관의 동적 데이터 및 정적 데이터를 상기 배관 상태 추론 모델의 인공 신경망에 입력하여 파손 확률을 생성하는 단계; 및 (g) 상기 파손 확률이 사전에 정의된 임계치를 초과하면, 상기 인공 신경망에 입력된 해당 배관의 동적 데이터 및 정적 데이터를 인공 신경망에 입력하여 파손 종류를 생성하는 단계를 수행한다.
또한, 상기 (e) 단계는, (e1) 배관의 사용 상태가 "사용 중"으로 판단되면, 배관에 대해서 과거의 동적 데이터들을 이용하여 현재 시간에 측정되어야 하는 현재 배관 데이터를 계산하는 단계; 및 (e2) 상기 (e1) 단계에서 계산된 현재 배관 데이터와 상기 복합 센서 모듈들로부터 입력된 측정 배관 데이터를 비교하여, 양 데이터 간의 오차가 사전에 정의된 임계치를 벗어나면, 배관 파손의 가능성이 있다고 판단하는 단계;를 포함할 수 있다.
또한, 상기 (e1) 단계는, 당해 배관에 대해서 과거에 저장된 동적 데이터들 및 당해 배관 이전 배관에 대해서 과거에 저장된 동적 데이터들을 이용하여 현재 시간에 당해 배관에 대해서 측정되어야 하는 현재 배관 데이터를 선형 회귀 기법을 이용하여 계산할 수 있다.
또한, 상기 동적 데이터는 배관의 유량, 유압, 온도, 진동 중 적어도 하나를 포함하는 배관 데이터 및 배관 주변의 온도, 습도, 강수량 중 적어도 하나를 포함하는 기상 데이터를 포함할 수 있다.
또한, 상기 (e1) 단계에서 계산된 현재 배관 데이터는, 배관의 유량, 유압, 온도, 진동 중 하나 이상의 항목을 포함하고, 상기 측정 배관 데이터는 상기 계산된 현재 배관 데이터에 대응되는 항목을 포함하며, 상기 (e2) 단계는, 상기 복수의 항목들 각각에 대해서 계산된 현재 배관 데이터와 측정 배관 데이터를 비교하여, 하나 이상의 항목에 대한 오차가 임계치를 벗어나면 배관 파손 가능성이 있다고 판단할 수 있다.
또한, 상기 (d) 단계에서, 일정 시간 단위로 동적 데이터에 포함된 배관의 유량 및 압력을 조사하여, 배관의 유량 및 압력이 모두 0으로 떨어지면 배관 사용 중단 상태로 판단하고, 배관의 유량 및 압력이 0으로 유지되다가 현재 시간 구간에서 급증하면 배관 사용 개시 상태로 판단하며, 사용 중단 상태 또는 사용 개시 상태가 아닌 경우에는 사용 중 상태로 판단할 수 있다.
본 발명은 배관에 설치된 복합 센서 모듈에서 측정된 배관 데이터들을 이용하여 배관의 사용 상태를 식별하고, 배관이 사용중이면 과거에 측정된 배관 데이터들을 이용하여 계산된 배관 데이터와 현재 측정된 배관 데이터를 비교하여, 양 데이터간의 차가 임계치 이상이면, 파손의 가능성이 있다고 판단하여 인공 신경망을 이용하여 배관 파손 확률을 계산하고, 파손 확률이 임계치 이상이면 인공 신경망을 이용하여 파손 종류를 예측하여 파손 확률과 함께 배관 관리자에게 제공함으로써, 배관의 파손 확률과 파손 종류를 신속하고 정확하게 진단하고 이에 적절하게 대응할 수 있다.
도 1a는 본 발명의 바람직한 실시예에 따른 배관 파손 진단 장치의 구성을 도시하는 도면이고, 도 1b는 도 1a에 도시된 본 발명의 프로세서 및 메모리의 기능적 구성을 도시하는 블록도이다.
도 2는 본 발명의 바람직한 실시예에 따른 배관 파손 진단 방법이 적용되는 배관 네트워크의 일 예를 도시하는 도면이다.
도 3a는 본 발명의 바람직한 실시예에 따른 파손 확률을 예측하는 인공 신경망의 일 예를 도시한 도면이고, 도 3b는 본 발명의 바람직한 실시예에 따른 파손 종류를 예측하는 인공 신경망의 일 예를 도시한 도면이다.
도 4는 본 발명의 바람직한 실시예에 따른 배관 파손 진단 방법을 설명하는 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 설명한다.
도 1a는 본 발명의 바람직한 실시예에 따른 배관 파손 진단 장치의 구성을 도시하는 도면이고, 도 1b는 도 1a에 도시된 본 발명의 프로세서 및 메모리의 기능적 구성을 도시하는 블록도이며, 도 2는 본 발명의 바람직한 실시예에 따른 배관 파손 진단 방법이 적용되는 배관 네트워크의 일 예를 도시하는 도면이다.
먼저, 도 1a를 참조하면, 본 발명의 바람직한 실시예에 따른 배관 파손 진단 장치(100)는 복수의 배관에 각각 설치된 복수의 복합 센서 모듈들(110-1~110-N), 프로세서(120), 및 메모리(130)를 포함하여 구성된다.
본 발명의 바람직한 실시예에 따른 메모리(130)는 프로세서(120)에 의해 실행 가능한 명령어들, 및 프로세서(120)에 의해 실행되는 프로그램들을 저장할 수 있고, 입/출력되는 데이터들을 저장할 수도 있다.
복합 센서 모듈(110-1~110-N)은 각 배관에 설치되어 배관에 관한 데이터를 측정하여 프로세서(120) 및 메모리(130)로 출력한다. 복합 센서 모듈(110-1~110-N)은 다양한 센서들이 결합되어 구성될 수 있는데, 배관의 유량, 유압, 온도, 진동을 측정하여 출력하는 배관 센서 및 배관 주변의 온도, 습도, 강수량 등을 측정하여 출력하는 기상 센서를 포함하여 구성될 수 있다.
본 발명의 바람직한 실시예에 따른 프로세서(120)는 메모리(130)에 저장된 명령어들을 실행함으로써, 도 4를 참조하여 후술하는 배관 파손 진단 방법의 각 단계를 수행한다. 메모리(130)는 인터넷(internet)상에서 저장 매체의 기능을 수행하는 웹 스토리지(web storage) 또는 클라우드 서버로 대체 운영될 수도 있다.
도 1b를 더 참조하면, 도 1a에 도시된 프로세서(120)는 메모리(130)에 저장된 프로그램 및 명령어를 실행하면, 도 1b에 도시된 바와 같이, 상태 모니터링부(121) 및 상태 진단부(123)를 기능적으로 포함한다. 아울러, 메모리(130)는 저장하는 데이터의 종류에 따라서 배관 상태 추론 모델(135), 동적 데이터 저장부(131), 및 정적 데이터 저장부(133)를 포함한다.
도 1b에 도시된 각 구성요소들의 기능에 대해서 설명하면 아래와 같다.
먼저, 메모리(130)의 정적 데이터 저장부(133)는 도 2의 배관 네트워크를 구성하는 각 배관에 관한 정적 데이터를 저장한다. 아래의 표 1은 정적 데이터 저장부(133)에 저장되는 정적 데이터의 일 예를 도시한다.
Figure 112020137284539-pat00001
상기 표 1에 기재된 바와 같이, 정적 데이터는 각 배관에 대해서 시간에 따라서 변화하지 않는 데이터를 의미하고, 주로 배관이 사양에 관한 데이터를 의미한다. 상기 표 1에서 이전 배관은 배관 네트워크를 통해서 흐르는 유체가 해당 배관 직전에 흐르는 배관을 의미하고, 임계 유량, 임계 유압, 임계 진동, 임계 온도 각각은, 해당 배관에 대해서 실제 측정된 각 항목의 현재 (측정)데이터와, 이전 배관에서 측정된 각 항목의 과거 데이터들과 해당 배관에 대해서 측정된 각 항목의 과거 데이터를 이용하여 계산된 현재 (계산)데이터 간의 차이가 정상 범위 인지 판단하는 기준치를 나타낸다.
예컨대, 배관 P-02에 대해서, 배관 P-01과 배관 P-02의 과거 측정 데이터를 이용하여 계산된 현재 유량과, 실제 측정된 배관 P-02의 현재 유량간의 차이가 7% 이상 변화하면, 임계치를 벗어났으므로, 배관 파손 진단이 필요한 것으로 판단할 수 있다.
메모리(130)의 동적 데이터 저장부(131)는 복합 센서 모듈들(110-1~110-N)에서 측정된 동적 데이터들을 입력받아 각 배관별로 저장한다. 동적 데이터 저장부(131)에 저장되는 동적 데이터의 일 예를 표 2 및 표 3에 각각 기재하였다.
Figure 112020137284539-pat00002
Figure 112020137284539-pat00003
표 2는 시간 10:00:00에, 각 배관에 설치된 복합 센서 모듈(110-1~110-N)(배관 센서)에서 측정되어 동적 데이터 저장부(131)로 입력된 배관 데이터를 기재하였고, 표 3은 시간 10:00:00에, 각 배관에 설치된 복합 센서 모듈(110-1~110-N)(기상 센서)에서 측정되어 동적 데이터 저장부(131)로 입력된 기상 데이터를 기재하였다.
배관 상태 추론 모델(135)은 사전에 각 배관의 파손 상태 및 파손 종류를 특정하여 인공 신경망에 학습한 추론 모델(135)을 나타내고, 추론 모델(135)은 메모리(130)에 저장되고, 프로세서(120)의 상태 진단부(123)에 참조된다.
한편, 프로세서(120)의 상태 모니터링부(121)는 복합 센서 모듈들(110-1~110-N)로부터 상기 표 2 및 표 3에 기재된 바와 같은 동적 데이터들을 각 배관별로 입력받고, 각 배관의 현재 사용 상태(사용 중, 사용 개시, 사용 중단)를 식별한다.
상태 모니터링부(121)는 배관 유량 및 배관 유압이 0으로 떨어지면, 비록 배관 상태가 급변하였지만, 현재 배관 상태를 사용 중단으로 판단하고, 상태 진단을 수행하지 않는다.
아울러, 상태 모니터링부(121)는 해당 배관이 사용 중단 상태에서 사용 개시되었는지 여부를 확인하기 위해서, 아래의 표 4와 같이, 소정 시간 동안(예컨대, 30분간)의 데이터를 수집하여 조사한 결과, 기존에 배관 유량과 배관 유압이 0인 상태에서 갑자기 크게 증가하는 경우, 비록 배관 상태가 급변하였지만, 현재 배관 상태를 사용 개시로 판단하고, 상태 진단을 수행하지 않는다.
Figure 112020137284539-pat00004
한편, 배관 상태가 "사용 중단" 또는 "사용 개시"가 아니라면, 상태 모니터링부(121)는 현재의 배관 상태를 "사용 중"으로 판단하고, 해당 배관에 대해서 과거에 저장된 동적 데이터들 및 이전 배관에 대해서 과거에 저장된 동적 데이터들을 이용하여 현재 시간에 측정되어야 하는 현재 배관 데이터를 선형 회귀 기법을 이용하여 계산한다.
그 후, 계산된 현재 배관 데이터와 복합 센서 모듈들(110-1~110-N)로부터 입력된 측정 배관 데이터를 비교하여, 그 데이터 간의 오차가 표 1에 기재된 바와 같이 사전에 정의된 임계 유량, 임계 유압, 임계 진동, 임계 온도 중 어느 하나라도 그 임계치를 벗어나면, 배관 파손의 가능성이 있다고 판단하여 상태 진단부(123)를 호출하여 상태 진단 과정으로 진행한다.
예컨대, 아래의 표 5와 같이, 배관 P-02의 동적 데이터가 시간 2020-11-18 10:00:00 에 배관 데이터가 입력되고, 상태 모니터링부(121)가 배관 P-02의 상태를 "사용 중"이라고 판단하면, 메모리(130)의 동적 데이터 저장부(131)에 저장된 배관 P-02에 대한 최근 소정 시간(이하, 30분간으로 예시함)의 데이터를 판독하고, 배관 P-02의 이전에 위치한 배관 P-01의 최근 30분간의 배관 데이터를 판독한다.
Figure 112020137284539-pat00005
그 후, 상태 모니터링부(121)는 선형 회귀 방식에 따라서, 배관 P-01의 30분간 배관 데이터와 배관 P-02의 시간 2020-11-18 09:31:00 ~ 시간 2020-11-18 09:59:00 까지의 배관 데이터를 이용하여 배관 P-02의 시간 2020-11-18 10:00:00 에서의 배관 데이터를 계산한다.
그 후, 상태 모니터링부(121)는 아래의 표 6과 같이, 실제로 복합 센서 모듈(110-1~110-N)로부터 입력된 배관 P-02의 시간 2020-11-18 10:00:00에서의 측정 배관 데이터와 상기 계산된 P-02의 계산 배관 데이터를 비교하여, 표 1에 기재된 정적 데이터 중 임계치 이상의 차이가 존재하는지 확인한다.
Figure 112020137284539-pat00006
상기 표 6에 기재된 예를 참조하면, 배관 P-02의 경우, 임계 유량이 7%인데(표 1 참조), 현재 계산 유량(45)과 측정된 배관 유량(40) 간의 차이가 10%를 초과하므로, 상태 모니터링부(121)는 배관 P-02는 파손 가능성이 있다고 판단하여, 상태 진단부(123)를 호출하여 배관 P-02의 계산 결과를 제공한다.
한편, 프로세서(120)의 상태 진단부(123)는 상태 모니터링부(121)가 호출하면, 상태 진단이 필요한 배관의 동적 데이터 및 정적 데이터를 메모리(130)에서 판독하고, 판독된 데이터를 메모리(130)에서 판독한 제 1 배관 상태 추론 모델의 인공 신경망에 입력하여 먼저 해당 배관의 파손 확률을 계산하고, 파손 확률이 임계치를 초과하면, 해당 데이터들을 다시 제 2 배관 상태 추론 모델에 입력하여 파손의 종류를 추론하고, 파손 확률과 파손 종류를 배관 관리 시스템(200)으로 출력하는 한편 메모리(130)에 저장한다.
예를 들어, 상기 표 6에 기재된 예와 같이, 배관 P-02의 파손 진단이 필요한 경우, 상태 진단부(123)는 배관 P-02의 최근 1시간 동안의 데이터를 동적 데이터 저장부(131)로부터 판독하고, 상기 표 1에 기재된 바와 같은 배관 P-02의 사양에 관한 정적 데이터를 정적 데이터 저장부(133)로부터 판독하며, 아래의 표 7에 기재된 바와 같이, 배관 P-02에 설치된 복합 센서 모듈(110-1~110-N)에서 측정한 최근 1시간 동안의 기상 데이터를 동적 데이터 저장부(131)로부터 판독한다.
Figure 112020137284539-pat00007
그 후, 상태 진단부(123)는 메모리(130)로부터 판독된 제 1 배관 상태 진단 모델의 인공신경망에 정적 데이터(배관 사양 데이터)와 동적 데이터(복합 센서 모듈(110-1~110-N)에서 측정된 데이터)를 입력하여 배관 P-02의 파손 확률을 계산한다.
도 3a는 파손 확률을 진단하는 인공 신경망의 일 예를 도시한 도면이다. 본 발명의 바람직한 실시예에 따른 제 1 배관 상태 진단 모델의 인공 신경망은 DNN(Deep Neural Network) 과 LSTM(Long Shot Term Memory) 2개의 신경망이 각각 정적 데이터와 동적 데이터를 입력받아 1차 처리를 수행하고, DNN과 LSTM에서 출력된 결과를 다시 DNN에 입력하여 최종적으로 해당 배관 P-02의 파손 확률을 진단한다.
DNN에 입력되는 정적 데이터는 측정 시간에 따라서 변하지 않는 데이터로서, 주로 배관의 사양에 관한 것이고, 배관 설치 년도, 배관 재질, 배관 두께, 배관이 사용된 기간 등과 같은 배관 정보와, 진단 당일의 월, 일, 시간, 분 등과 같은 시간 정보를 포함한다.
아울러, LSTM 에 입력되는 데이터는 측정 시간에 따라서 변화하는 동적 데이터로서, 복합 센서 모듈(110-1~110-N)에서 측정되고, 유량, 유압, 온도, 진동, 및 기상 데이터(기온, 습도, 강수량, 강수 형태, 진동 여부 등)를 포함한다.
상태 진단부(123)는 최종 진단 확률이 사전에 설정된 임계 확률(예컨대, 20%)을 넘으면 배관 파손의 가능성이 있다고 판단하여, 상기한 제 1 배관 상태 진단 모델에 입력했던 데이터들과 동일한 데이터를, 도 3b에 도시된 바와 같은, 제 2 배관 상태 진단 모델에 입력하여 파손 종류를 진단한다.
제 2 배관 상태 진단 모델의 인공 신경망 역시 DNN 과 LSTM 2개의 신경망이 각각 정적 데이터와 동적 데이터를 입력받아 1차 처리를 수행하고, DNN 과 LSTM에서 출력된 결과를 다시 DNN에 입력하여 최종적으로 해당 배관 P-02의 파손 종류를 진단한다.
제 2 배관 상태 진단 모델에 따라서 출력되는 파손 종류의 일 예를 아래의 표 8에 기재하였다.
Figure 112020137284539-pat00008
상태 진단부(123)는 상기한 바와 같이 파손 확률 및 파손 종류의 진단이 완료되면, 파손 결과를 아래의 표 9에 기재된 바와 같은, 시간, 배관 식별 정보, 파손 확률, 파손 종류를 포함하는 진단 결과 데이터를 메모리(130)에 저장하는 한편, 배관 관리 시스템(200)으로 전송한다.
Figure 112020137284539-pat00009
도 4는 본 발명의 바람직한 실시예에 따른 배관 파손 진단 방법을 설명하는 흐름도이다.
도 4에 도시된 배관 파손 진단 방법은 도 1a 내지 도 3b를 참조하여 설명한 배관 파손 진단 장치(100)에서 수행되는 것이고, 특히, 메모리(130)에 저장된 프로그램 및 명령어가 프로세서(120)에서 실행되어 프로세서(120)가 수행하는 것이다.
따라서, 도 4에서 수행되는 기능이 상술한 설명과 동일하므로, 이하에서는 설명의 중복을 피하기 위해서, 전체적인 흐름을 중심으로 간략하게 설명하지만, 도 1a 내지 도 3b를 참조하여 설명한 배관 파손 진단 장치(100)에서 수행되는 기능이 도 4의 배관 파손 진단 방법에서도 그대로 수행됨을 주의해야 한다.
먼저, 본 발명에 따라서 배관 파손을 진단하기 위해서, 배관 파손 진단 장치(100)는, 도 3a 및 도 3b에 도시된 바와 같은 인공 신경망을 사전에 각 배관의 파손 상태 및 파손 종류를 특정하여 학습한 배관 상태 추론 모델(135)을 생성하고, 이들을 메모리(130)에 저장한다(S411).
아울러, 배관 파손 진단 장치(100)는 도 2의 배관 네트워크를 구성하는 각 배관에 관해 시간에 따라서 변하지 않는 정적 데이터를 메모리(130)의 정적 데이터 저장부(133)에 저장한다(S413).
그 후, 배관 파손 진단 장치(100)는 각 배관에 설치된 복합 센서 모듈(110-1~110-N)을 이용하여 동적 데이터를 측정하고, 메모리(130)의 동적 데이터 저장부(131)에 각 배관별로 저장한다(S415).
배관 파손 진단 장치(100)는 지속적으로 동적 데이터를 입력받아 저장하면서, 상기 표 2 및 표 3에 기재된 바와 같은 동적 데이터들을 이용하여 각 배관의 현재 사용 상태(사용 중, 사용 개시, 사용 중단)를 식별한다(S420). 배관 상태를 식별하는 방식에 대해서는 전술하였으므로 구체적인 설명은 생략한다.
배관의 사용 상태가 "사용 중"으로 판단되면, 배관 파손 진단 장치(100)는 각 배관에 대해서 과거에 저장된 동적 데이터들 및 이전 배관에 대해서 과거에 저장된 동적 데이터들을 이용하여 현재 시간에 측정되어야 하는 현재 배관 데이터를 선형 회귀 기법을 이용하여 계산한다(S430).
그 후, 계산된 현재 배관 데이터와 복합 센서 모듈들(110-1~110-N)로부터 입력된 측정 배관 데이터를 비교하여, 양 데이터 간의 오차가 표 1에 기재된 바와 같이 사전에 정의된 임계 유량, 임계 유압, 임계 진동, 임계 온도 중 어느 하나라도 그 임계치를 벗어나면, 배관 파손의 가능성이 있다고 판단하여 상태 진단 과정으로 진행한다(S440).
배관 파손 진단 장치(100)는 해당 배관의 동적 데이터 및 정적 데이터를 제 1 배관 상태 추론 모델(135)의 인공 신경망에 입력하여 먼저 해당 배관의 파손 확률을 계산하고(S451), 파손 확률이 임계치를 초과하는지 확인한다(S453).
파손 확률이 임계치를 초과하면, 파손 확률을 계산할 때 이용되었던 해당 배관의 동적 데이터 및 정적 데이터를을 다시 제 2 배관 상태 추론 모델(135)에 입력하여 파손의 종류를 추론한다(S460).
파손 종류가 추론되면, 배관 파손 진단 장치(100)는 파손 확률과 파손 종류를 배관 관리 시스템(200)으로 제공하는 한편 메모리(130)에 저장한다(S470).
지금까지 설명한 본 발명의 바람직한 실시예에 따른, 배관 파손 진단 방법은, 컴퓨터에서 실행가능한 명령어로 구현되어 비일시적 저장매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.
저장매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 저장매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 저장매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
100 : 배관 파손 진단 장치
110-1~110-N : 복합 센서 모듈
120 : 프로세서
121 : 상태 모니터링부
123 : 상태 예측부
130 : 메모리
131 : 동적 데이터 저장부
133 : 정적 데이터 저장부
135 : 배관 상태 추론 모델
200 : 배관 관리 시스템

Claims (13)

  1. 배관 파손 진단 장치에서 수행되는 배관 파손 진단 방법으로서,
    (a) 인공 신경망을 사전에 각 배관의 파손 상태 및 파손 종류를 특정하여 학습한 배관 상태 추론 모델을 생성하는 단계;
    (b) 시간에 따라서 변하지 않는 각 배관에 대한 정적 데이터를 저장하는 단계;
    (c) 각 배관에 설치된 복합 센서 모듈을 이용하여 각 배관의 동적 데이터를 측정하여 저장하는 단계;
    (d) 상기 동적 데이터를 이용하여 각 배관의 현재 사용 상태를 식별하는 단계;
    (e) 배관의 사용 상태가 사용 중이면, 배관 파손 가능성을 판단하는 단계;
    (f) 상기 (e) 단계에서, 배관 파손의 가능성이 있다고 판단되면, 해당 배관의 동적 데이터 및 정적 데이터를 상기 배관 상태 추론 모델의 인공 신경망에 입력하여 파손 확률을 생성하는 단계; 및
    (g) 상기 파손 확률이 사전에 정의된 임계치를 초과하면, 상기 인공 신경망에 입력된 해당 배관의 동적 데이터 및 정적 데이터를 인공 신경망에 입력하여 파손 종류를 생성하는 단계를 포함하고,
    상기 (e) 단계는
    (e1) 배관의 사용 상태가 "사용 중"으로 판단되면, 배관에 대해서 과거의 동적 데이터들을 이용하여 현재 시간에 측정되어야 하는 현재 배관 데이터를 계산하는 단계; 및
    (e2) 상기 (e1) 단계에서 계산된 현재 배관 데이터와 상기 복합 센서 모듈들로부터 입력된 측정 배관 데이터를 비교하여, 양 데이터 간의 오차가 사전에 정의된 임계치를 벗어나면, 배관 파손의 가능성이 있다고 판단하는 단계;를 포함하며,
    상기 (e1) 단계는
    당해 배관에 대해서 과거에 저장된 동적 데이터들 및 당해 배관 이전 배관에 대해서 과거에 저장된 동적 데이터들을 이용하여 현재 시간에 당해 배관에 대해서 측정되어야 하는 현재 배관 데이터를 선형 회귀 기법을 이용하여 계산하고,
    상기 동적 데이터는
    배관의 유량, 유압, 온도, 진동 중 적어도 하나를 포함하는 배관 데이터 및 배관 주변의 온도, 습도, 강수량 중 적어도 하나를 포함하는 기상 데이터를 포함하며,
    상기 (e1) 단계에서 계산된 현재 배관 데이터는, 배관의 유량, 유압, 온도, 진동 중 하나 이상의 항목을 포함하고, 상기 측정 배관 데이터는 상기 계산된 현재 배관 데이터에 대응되는 항목을 포함하며,
    상기 (e2) 단계는, 상기 복수의 항목들 각각에 대해서 계산된 현재 배관 데이터와 측정 배관 데이터를 비교하여, 하나 이상의 항목에 대한 오차가 임계치를 벗어나면 배관 파손 가능성이 있다고 판단하는 것을 특징으로 하는 배관 파손 진단 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제 1 항에 있어서, 상기 (d) 단계에서
    일정 시간 단위로 동적 데이터에 포함된 배관의 유량 및 압력을 조사하여, 배관의 유량 및 압력이 모두 0으로 떨어지면 배관 사용 중단 상태로 판단하고, 배관의 유량 및 압력이 0으로 유지되다가 현재 시간 구간에서 급증하면 배관 사용 개시 상태로 판단하며, 사용 중단 상태 또는 사용 개시 상태가 아닌 경우에는 사용 중 상태로 판단하는 것을 특징으로 하는 배관 파손 진단 방법.
  7. 비일시적 저장매체에 저장되고, 프로세서를 포함하는 컴퓨터에서 실행되어, 상기 제 1 항 또는 제 6 항의 배관 파손 진단 방법을 수행하는 컴퓨터 프로그램.
  8. 프로세서 및 소정의 명령어들을 저장하는 메모리를 포함하는 배관 파손 진단 장치로서,
    상기 메모리에 저장된 명령어들을 실행한 상기 프로세서는
    (a) 인공 신경망을 사전에 각 배관의 파손 상태 및 파손 종류를 특정하여 학습한 배관 상태 추론 모델을 생성하는 단계;
    (b) 시간에 따라서 변하지 않는 각 배관에 대한 정적 데이터를 저장하는 단계;
    (c) 각 배관에 설치된 복합 센서 모듈을 이용하여 각 배관의 동적 데이터를 측정하여 저장하는 단계;
    (d) 상기 동적 데이터를 이용하여 각 배관의 현재 사용 상태를 식별하는 단계;
    (e) 배관의 사용 상태가 사용 중이면, 배관 파손 가능성을 판단하는 단계;
    (f) 상기 (e) 단계에서, 배관 파손의 가능성이 있다고 판단되면, 해당 배관의 동적 데이터 및 정적 데이터를 상기 배관 상태 추론 모델의 인공 신경망에 입력하여 파손 확률을 생성하는 단계; 및
    (g) 상기 파손 확률이 사전에 정의된 임계치를 초과하면, 상기 인공 신경망에 입력된 해당 배관의 동적 데이터 및 정적 데이터를 인공 신경망에 입력하여 파손 종류를 생성하는 단계를 수행하고,
    상기 (e) 단계는
    (e1) 배관의 사용 상태가 "사용 중"으로 판단되면, 배관에 대해서 과거의 동적 데이터들을 이용하여 현재 시간에 측정되어야 하는 현재 배관 데이터를 계산하는 단계; 및
    (e2) 상기 (e1) 단계에서 계산된 현재 배관 데이터와 상기 복합 센서 모듈들로부터 입력된 측정 배관 데이터를 비교하여, 양 데이터 간의 오차가 사전에 정의된 임계치를 벗어나면, 배관 파손의 가능성이 있다고 판단하는 단계;를 포함하며,
    상기 (e1) 단계는
    당해 배관에 대해서 과거에 저장된 동적 데이터들 및 당해 배관 이전 배관에 대해서 과거에 저장된 동적 데이터들을 이용하여 현재 시간에 당해 배관에 대해서 측정되어야 하는 현재 배관 데이터를 선형 회귀 기법을 이용하여 계산하고,
    상기 동적 데이터는
    배관의 유량, 유압, 온도, 진동 중 적어도 하나를 포함하는 배관 데이터 및 배관 주변의 온도, 습도, 강수량 중 적어도 하나를 포함하는 기상 데이터를 포함하며,
    상기 (e1) 단계에서 계산된 현재 배관 데이터는, 배관의 유량, 유압, 온도, 진동 중 하나 이상의 항목을 포함하고, 상기 측정 배관 데이터는 상기 계산된 현재 배관 데이터에 대응되는 항목을 포함하며,
    상기 (e2) 단계는, 상기 복수의 항목들 각각에 대해서 계산된 현재 배관 데이터와 측정 배관 데이터를 비교하여, 하나 이상의 항목에 대한 오차가 임계치를 벗어나면 배관 파손 가능성이 있다고 판단하는 것을 특징으로 하는 배관 파손 진단 장치.
  9. 삭제
  10. 삭제
  11. 삭제
  12. 삭제
  13. 제 8 항에 있어서, 상기 (d) 단계에서
    일정 시간 단위로 동적 데이터에 포함된 배관의 유량 및 압력을 조사하여, 배관의 유량 및 압력이 모두 0으로 떨어지면 배관 사용 중단 상태로 판단하고, 배관의 유량 및 압력이 0으로 유지되다가 현재 시간 구간에서 급증하면 배관 사용 개시 상태로 판단하며, 사용 중단 상태 또는 사용 개시 상태가 아닌 경우에는 사용 중 상태로 판단하는 것을 특징으로 하는 배관 파손 진단 장치.
KR1020200177181A 2020-12-17 2020-12-17 배관 파손 진단 장치 및 방법 KR102458214B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200177181A KR102458214B1 (ko) 2020-12-17 2020-12-17 배관 파손 진단 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200177181A KR102458214B1 (ko) 2020-12-17 2020-12-17 배관 파손 진단 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220086931A KR20220086931A (ko) 2022-06-24
KR102458214B1 true KR102458214B1 (ko) 2022-10-24

Family

ID=82215802

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200177181A KR102458214B1 (ko) 2020-12-17 2020-12-17 배관 파손 진단 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102458214B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017145900A1 (ja) 2016-02-26 2017-08-31 日本電気株式会社 配管診断装置、配管診断方法、判別問題最適化装置、判別問題最適化方法、基準分布生成装置、基準分布生成方法、及び記憶媒体
JP2018128214A (ja) 2017-02-10 2018-08-16 東京瓦斯株式会社 ガス配管システム
KR102008973B1 (ko) 2019-01-25 2019-08-08 (주)나스텍이앤씨 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017145900A1 (ja) 2016-02-26 2017-08-31 日本電気株式会社 配管診断装置、配管診断方法、判別問題最適化装置、判別問題最適化方法、基準分布生成装置、基準分布生成方法、及び記憶媒体
JP2018128214A (ja) 2017-02-10 2018-08-16 東京瓦斯株式会社 ガス配管システム
KR102008973B1 (ko) 2019-01-25 2019-08-08 (주)나스텍이앤씨 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
김관중, 윤두병, 김내수, "머신러닝 기반 플랜트 배관의 건전성 관리 기술", 정보통신기술진흥센터 (IITP), 2016. 11.*

Also Published As

Publication number Publication date
KR20220086931A (ko) 2022-06-24

Similar Documents

Publication Publication Date Title
CN108205424A (zh) 基于磁盘的数据迁移方法、装置及电子设备
JP6811018B2 (ja) 品質評価システム、品質評価方法及びプログラム
KR20190021560A (ko) 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법
US20210397950A1 (en) Abnormal driving state determination device and method using neural network model
WO2021027213A1 (zh) 检测方法、装置、电子设备和计算机可读介质
EP2923311A1 (en) Method and apparatus for deriving diagnostic data about a technical system
US20170176985A1 (en) Method for predicting end of line quality of assembled product
JP6482743B1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
CN111061581B (zh) 一种故障检测方法、装置及设备
JP2019045905A (ja) 挙動予測システム及び挙動予測方法
TWI710873B (zh) 支援裝置、學習裝置以及廠房運轉條件設定支援系統
US9249794B2 (en) Condition-based and predictive maintenance of compressor systems
JP6574533B2 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
JP2021092971A (ja) 制御方法、制御装置、機械設備、制御プログラム、記録媒体
JP2011107760A (ja) プラント異常検出装置
KR102458214B1 (ko) 배관 파손 진단 장치 및 방법
US20230282098A1 (en) Systems and methods for real-time prioritization and management of heat trace circuit alarms
JP2021140400A (ja) 学習モデル作成システム及び学習モデル作成方法
GB2536567A (en) System for supporting operation during plant accidents and method for supporting operation during plant accidents
CN116360384A (zh) 用于诊断和监控信息物理系统中的异常的系统和方法
CN107924185B (zh) 用于维护使用自动化技术的工厂中现场设备的方法和系统
KR20230102431A (ko) 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템
JP2890815B2 (ja) プラントの異常診断装置
JP6482742B1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
US20240125675A1 (en) Anomaly detection for industrial assets

Legal Events

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