KR102464719B1

KR102464719B1 - heavy electric equipment life prediction system based on model-data and method therefor

Info

Publication number: KR102464719B1
Application number: KR1020210168233A
Authority: KR
Inventors: 이상훈
Original assignee: 팩트얼라이언스 주식회사
Priority date: 2021-11-30
Filing date: 2021-11-30
Publication date: 2022-11-10

Abstract

The present invention relates to a heavy electric equipment life prediction technology based on model-data and more specifically, provides a heavy electric equipment life prediction system based on model data and a method thereof. According to the system, among diagnosis history data of a plurality of heavy electric equipment included in a same heavy electric equipment group as heavy electric equipment to be predicted, diagnosis history data, in which the plurality of heavy electric equipment are pre-diagnosed to be in a normal state and an abnormal state, is received as training data from a database to set a unit space, and a distance average in the unit space for determining the normal state and the abnormal state is calculated to determine an insulation state via the distance average. Based on the determination, a failure determination model is trained to generate failure prediction time point information which can provide high accuracy.

Description

Heavy electric equipment life prediction system based on model-data and method therefor

본 발명은 모델-데이터 기반의 중전기기 수명 예측 기술에 대한 것으로, 더 자세하게는 제조사, 제조시기, 중전기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 복수의 중전기기 그룹을 생성하고, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 단위 공간 내에서의 거리 평균을 산출하여 거리 평균을 통해 절연 상태를 판단할 수 있는 절연 상태 판단 모델을 학습시키고, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 고장 판단 모델에 입력하여 각 중전기기를 대상으로 상기 시스템 계층 별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값에 따라 고장 예측 시점을 판단하는 고장 판단 모델을 학습시키며, 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 입력하여 불확실성의 정도에 따라 사전 분포를 산출하고, 사전 분포를 베이시안 접근법을 이용하여 사후 분포로 지속적으로 업데이트를 수행함으로써, 학습된 절연 상태 판단 모델과 고장 판단 모델을 이용하여 입력하여 고장 예측 시점 정보를 생성하는 모델-데이터 기반의 중전기기 수명 예측 시스템을 제공하는 것에 그 목적이 있다.The present invention relates to a model-data-based heavy electric equipment life prediction technology, and in more detail, diagnostic history data and heavy electric equipment identification information for heavy electric equipment having a correlation with respect to at least one item of manufacturer, manufacturing time, and capacity of heavy electric equipment. to create a plurality of heavy electric equipment groups by grouping the By calculating the distance average within a unit space and learning an insulation state judgment model that can determine the insulation state through distance average, diagnosis history data for a plurality of heavy electric equipment included in the same heavy electric equipment group as the heavy electric equipment to be predicted By inputting the diagnostic history data pre-diagnosed as normal and abnormal state into the failure determination model, the failure prediction timing is determined according to the state values for important measurement items of the functional level required for each system layer for each heavy electric machine. The failure determination model is trained, and the state values of a plurality of functional levels required for each system layer are selected as output variables for each heavy electric machine derived from the failure determination model, and included in the same heavy electric equipment group as the heavy electric equipment to be predicted. Insulation state learned by inputting diagnostic history data and output variables for a plurality of heavy electric equipment An object of the present invention is to provide a model-data-based life expectancy prediction system for heavy electric equipment that generates information on a time of failure prediction by input using a judgment model and a failure judgment model.

고압 회전기, 변압기 등과 같은 중전기기는 발전소를 구성하는 핵심 구성품으로 고장 시 발전정지와 같은 중대한 문제를 야기한다. 절연 파괴 발생 시, 고장 발생 전동기의 복구비용 뿐만 아니라 전력 공급 지장에 의한 이익 손실이 발생하고, 전동기 고장 시 해당 중전기기 뿐만 아니라 주변 설비까지 손실되는 사례도 발생한다.Heavy electric machines such as high-voltage rotary machines and transformers are key components constituting a power plant and cause serious problems such as power generation shutdown in case of failure. In case of insulation breakdown, not only the repair cost of the faulty motor, but also profit loss due to power supply disruption occurs.

따라서, 이러한 중전기기의 고장 발생 전에, 이상 여부를 미리 진단하고 기계의 잔여 수명을 예측할 필요가 있으며, 일반적으로 기계의 수명을 예측하기 위해서는 기계의 진동 상태를 모니터링하여 경험칙적으로 기계 열화의 정도를 파악하고, 이를 기반으로 잔여 수명을 예측하는 방법이 사용되고 있으나 이러한 방법은, 잔여수명의 정확한 예측이 어려운 문제가 있다. Therefore, it is necessary to diagnose the abnormality in advance and predict the remaining life of the machine before the failure of such heavy electric equipment. A method of identifying and predicting the remaining lifespan based on this is used, but this method has a problem in that it is difficult to accurately predict the remaining lifespan.

종래 방법으로는 정확한 예측이 어려워 고장이 발생할 가능성이 낮지 않으며, 고장이 발생할 경우, 출력 감발이나 발전 정지, 혹은 시설 손상 등 중대한 문제를 야기할 뿐만 아니라, 전동기 고장 시 재권선에 약 20일이 소요되며, 발전기 권선 절연파괴의 경우 권선의 신규제작, 설치 등 약 6개월이 소요될 정도로 복구 기간 동안의 운전 손실 비용이 막대하므로, 중전기기의 정확한 열화 시점을 예측하는 기술에 대한 중요도가 점차 증가하고 있는 추세이다.In the conventional method, it is difficult to predict accurately, so the probability of a failure is not low. When a failure occurs, it not only causes serious problems such as loss of output, power generation stop, or damage to facilities, but also takes about 20 days to rewind the motor in case of failure. In the case of generator winding insulation breakdown, the cost of operation loss during the recovery period is huge, so that it takes about 6 months, such as new manufacturing and installation of windings. is the trend

또한 종래 중전기기에 대한 진단 이력 데이터 중 예측 대상 중전 기기와 동일 중전기기의 정상 상태로 판단된 진단 이력 데이터만 사용하여 MTS(Mahalanobis Taguchi System) 분석 통해 중전 기기의 절연 판단을 수행한 결과 중전기기의 특징상 진단 주기가 수개월 또는 수년이 되어 상대적으로 적은 수의 진단 데이터만이 존재하여 오버 피팅 문제가 발생하여 그 정확도가 낮다는 어려움이 존재하였다.
선행문헌 : KR10-2019-0123584In addition, as a result of determining the insulation of heavy electric equipment through MTS (Mahalanobis Taguchi System) analysis using only the diagnostic history data determined to be in the normal state of the same heavy electric equipment as the predicted heavy electric equipment among the diagnostic history data for the conventional heavy electric equipment, Characteristically, since the diagnosis cycle is several months or years, there is only a relatively small number of diagnostic data, which causes an overfitting problem, and there is a difficulty in that the accuracy is low.
Prior literature: KR10-2019-0123584

본 발명은 종래 중전 기기의 진단 데이터를 대상으로 다변량 데이터 분석을 수행함에 있어서 가장 큰 단점인 상대적으로 적은 수의 진단 데이터가 존재하여 오버 피팅 문제가 발생하는 문제점을 해결하기 위하여 수의 중전기기에 대한 진단 이력 데이터 중 예측 대상 중전 기기와 동일 중전기기의 정상 상태로 판단된 진단 이력 데이터만 사용하여 MTS(Mahalanobis Taguchi System) 분석을 수행함으로써 절연 상태를 판단하는 것과는 다르게, 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 단위 공간을 설정하고, 정상 상태와 비정상 상태를 판단하기 위한 상기 단위 공간 내에서의 거리 평균을 산출하여 거리 평균을 통해 절연 상태를 판단하고, 이를 기반으로 고장 판단 모델을 학습시켜 높은 정확도를 제공할 수 있는 고장 예측 시점 정보를 생성하는 모델-데이터 기반의 중전기기 수명 예측 시스템 및 그 방법을 제공하는 것에 그 목적이 있다.In order to solve the problem of overfitting problems due to the relatively small number of diagnostic data, which is the biggest drawback in performing multivariate data analysis on diagnostic data of conventional heavy electric equipment, Different from determining the insulation status by performing MTS (Mahalanobis Taguchi System) analysis using only the diagnostic history data that is determined as the normal state of the predicted heavy electric equipment from among the diagnostic history data, the same as the predicted heavy electric equipment from the database Among the diagnostic history data of a plurality of heavy electric devices included in the heavy electric device group, the diagnostic history data previously diagnosed as normal and abnormal states are input as learning data to set a unit space, and to determine the normal state and the abnormal state. A model-data-based heavy electric machine that calculates the average distance within a unit space, determines the insulation state through the distance average, and trains a failure judgment model based on this to generate failure prediction time information that can provide high accuracy An object of the present invention is to provide a life prediction system and a method therefor.

본 발명의 실시예에 따르면 모델-데이터 기반의 중전기기 수명 예측 시스템은 각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 저장하고, 제조사, 제조시기, 중전기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 복수의 중전기기 그룹을 생성하는 관리하는 데이터 베이스; 상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 단위 공간을 설정하고, 정상 상태와 비정상 상태를 판단하기 위한 상기 단위 공간 내에서의 거리 평균을 산출하여 거리 평균을 통해 절연 상태를 판단할 수 있는 절연 상태 판단 모델을 학습시키는 절연 상태 판단 모델 학습부; 상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 고장 판단 모델에 입력하여 각 중전기기를 시스템 계층으로 나누고, 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 기준으로 각 중전기기를 대상으로 상기 시스템 계층 별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값을 도출하며, 도출된 시스템 계층 별로 요구되는 기능 레벨의 시점 별 상태 값의 만족 여부에 따라 고장 예측 시점을 판단하는 고장 판단 모델을 학습시키는 고장 판단 모델 학습부; 상기 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 입력하여 불확실성의 정도에 따라 확률 분포를 산출하고 산출된 확률 분포를 사전 분포로 설정하고, 상기 출력 변수 대한 사전 분포를 베이시안 접근법을 이용하여 사후 분포로 지속적으로 업데이트를 수행하는 모델 데이터 학습 수행부; 및 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 상기 절연 상태 판단 모델에 입력하여, 상기 예측 대상 중전기기의 시점 별 절연 상태정보를 제공받고, 상기 예측 대상 중전기기의 시점별 절연 상태정보 및 예측 대상 중전기기의 진단 이력 데이터를 고장 판단 모델에 입력하여 고장 예측 시점 정보를 생성하는 고장 예측 시점 정보 생성부를 포함할 수 있다.According to an embodiment of the present invention, the model-data-based heavy electric machine life prediction system stores diagnostic history data and heavy electric machine identification information for a plurality of heavy electric machines generated by time-series sorting diagnostic information for each heavy electric machine, a management database for creating a plurality of heavy electric equipment groups by grouping diagnostic history data and heavy electric equipment identification information for heavy electric equipment having a correlation with at least one item of manufacturer, manufacturing time, and capacity of heavy electric equipment; Set a unit space by receiving, as learning data, diagnostic history data pre-diagnosed as normal and abnormal among diagnostic history data for a plurality of heavy electric equipment included in the same heavy electric equipment group as the predicted heavy electric equipment from the database as learning data, an insulation state determination model learning unit for calculating an average distance within the unit space for determining a state and an abnormal state and learning an insulation state determination model capable of determining an insulation state through the distance average; Among the diagnostic history data for a plurality of heavy electric devices included in the same heavy electric equipment group as the predicted heavy electric equipment from the database, the diagnosis history data pre-diagnosed as normal and abnormal states are input to the failure determination model, and each heavy electric machine is converted into a system layer. Based on the diagnostic history data pre-diagnosed as normal and abnormal, for each heavy electric machine, the status values for the important measurement items of the functional level required for each system layer are derived at each point in time, and requested for each derived system layer. a failure determination model learning unit for learning a failure determination model for determining a failure prediction time according to whether a state value for each time point of the functional level is satisfied; For each heavy electric machine derived from the failure determination model, a state value for each time point of a plurality of functional levels required for each system layer is selected as an output variable, and a plurality of By inputting diagnostic history data and output variables for heavy electric equipment, a probability distribution is calculated according to the degree of uncertainty, the calculated probability distribution is set as a prior distribution, and the prior distribution for the output variable is converted to a posterior distribution using a Bayesian approach. a model data learning performing unit that continuously updates; and input the diagnosis history data and heavy electric equipment identification information of the prediction target heavy electric equipment into the insulation state determination model to receive insulation state information for each time point of the prediction target heavy electric equipment, and insulation state information for each time point of the prediction target heavy electric equipment and a failure prediction time information generation unit for generating failure prediction time information by inputting the diagnostic history data of the heavy electric machine to be predicted into the failure determination model.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여, 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 정상 그룹을 생성하고, 상기 정상 그룹에 포함된 진단 이력 데이터를 대상으로 정규화를 수행하여 상기 정상 그룹의 중심점으로부터 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정하고, 측정된 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit inputs a plurality of main variable measurement data of diagnostic history data pre-diagnosed as normal and abnormal among the received diagnostic history data of heavy electric equipment to the insulation determination model. Thus, a normal group is generated based on the main variable measurement data of a plurality of diagnostic history data pre-diagnosed in a normal state among the received diagnostic history data of the heavy electric equipment, and normalization is performed on the diagnostic history data included in the normal group. to measure the probability distribution distance from the center point of the normal group to a plurality of diagnostic history data included in the normal group as a unit distance, and select a space where the average of the unit distances of the measured unit distances is 1.0 as the unit space can do.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터를 대상으로 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균 값을 뺀 값을 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 주어 정규화를 수행하여 각 진단 이력 데이터 별 복수의 정규화된 벡터를 산출할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit is configured to measure the main variable of each diagnostic history data included in the normal group with respect to the main variable measurement data of each diagnostic history data included in the normal group. A plurality of normalized vectors for each diagnostic history data may be calculated by performing normalization by dividing a value obtained by subtracting the average value by the standard deviation of measurement data of major variables of each diagnostic history data included in the normal group.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 측정할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit applies an inverse matrix of a correlation matrix composed of correlation coefficients to the plurality of normalized vectors to obtain a probability with a plurality of diagnostic history data included in a normal group. The distribution distance can be measured.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여, 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 비정상 그룹을 생성하고, 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터의 주요 변수 측정 데이터에서 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균값을 뺀 값을 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 비정상 그룹을 정규화 하여 복수의 정규화된 벡터를 산출하고, 상기 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 비정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit inputs a plurality of main variable measurement data of the diagnostic history data previously diagnosed as abnormal among the received diagnostic history data of the heavy electric equipment to the insulation determination model, An abnormal group is created based on the main variable measurement data of a plurality of diagnostic history data pre-diagnosed as abnormal among the received diagnostic history data of the heavy electric equipment, and in the main variable measurement data of the plurality of diagnostic history data included in the abnormal group The abnormal group is normalized by dividing the value obtained by subtracting the average value of the main variable measurement data of each diagnostic history data included in the normal group by the standard deviation of the main variable measurement data of each diagnostic history data included in the normal group to normalize a plurality of normalized A vector may be calculated, and a probability distribution distance with a plurality of diagnostic history data included in an abnormal group may be measured as a unit distance by applying an inverse matrix of a correlation matrix composed of correlation coefficients to the plurality of normalized vectors.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포가 미리 설정된 기준 이상 차이가 나지 아니하는 경우, 상기 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 절연 상태 판단 모델의 학습을 반복할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit includes a preset distribution of a unit distance of a plurality of diagnostic history data included in the normal group and a unit distance of a plurality of diagnostic history data included in the abnormal group. When there is no difference more than the reference, it is determined that the learning of the insulation state determination model is not completed, and the learning of the insulation state determination model may be repeated until a difference greater than or equal to a preset reference value occurs.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포의 차이를 크게 하기 위하여 주요 변수 중 복수의 예측 유용 변수를 선정하고, 상기 선정된 예측 유용 변수를 기준으로 상기 정상 그룹의 단위 공간 및 단위 거리를 재선정하도록 절연 상태 판단 모델을 재 학습할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit is configured to measure a difference between a distribution of unit distances of a plurality of diagnostic history data included in the normal group and a unit distance of a plurality of diagnostic history data included in the abnormal group. In order to increase the size, it is possible to select a plurality of useful predictive variables from among the main variables, and retrain the insulation state determination model to reselect the unit space and unit distance of the normal group based on the selected predictive useful variable.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 복수의 예측 유용 변수를 선정하기 위하여 2수준계 직교배열표를 이용하여 내측배열과 외측배열에 변수와 신호인자를 배치하고, 각 주요 변수를 대상으로 단위 거리를 계산하고, 계산한 값의 신호 잡음비를 도출할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit places variables and signal factors in the inner array and the outer array using a two-level orthogonal array table to select the plurality of predictive useful variables, and each It is possible to calculate the unit distance for the main variable and derive the signal-to-noise ratio of the calculated value.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 복수의 예측 유용 변수에 포함된 변수 개별로 예측 능력이 있는지 여부를 판단하기 위하여, 각 변수를 대상으로 계산한 단위 거리의 신호 잡음비 평균의 차를 이용하여 신호 잡음비 이득을 산출할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit, in order to determine whether each variable included in the plurality of useful predictive variables has predictive ability, a signal-to-noise ratio of a unit distance calculated for each variable The signal-to-noise ratio gain can be calculated using the difference of the averages.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 신호 잡음비 이득이 음의 값을 갖는 경우 해당 변수는 예측 능력이 없는 것으로 판단하고,According to an embodiment of the present invention, the insulation state determination model learning unit determines that the corresponding variable has no predictive ability when the signal-to-noise ratio gain has a negative value,

상기 신호 잡음비 이득이 양의 값을 갖는 경우 예측 능력이 있는 것으로 판단하며,If the signal-to-noise ratio gain has a positive value, it is determined that there is predictive ability,

상기 양의 값이 클수록 예측 능력이 높은 것으로 판단할 수 있다.It can be determined that the higher the positive value, the higher the predictive ability.

본 발명의 실시예에 따르면 모델-데이터 기반의 중전기기 수명 예측 방법은 각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 저장하고, 제조사, 제조시기, 중전기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 복수의 중전기기 그룹을 생성하는 관리하는 단계; 상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 단위 공간을 설정하고, 정상 상태와 비정상 상태를 판단하기 위한 상기 단위 공간 내에서의 거리 평균을 산출하여 거리 평균을 통해 절연 상태를 판단할 수 있는 절연 상태 판단 모델을 학습시키는 단계; 상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 고장 판단 모델에 입력하여 각 중전기기를 시스템 계층으로 나누고, 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 기준으로 각 중전기기를 대상으로 상기 시스템 계층 별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값을 도출하며, 도출된 시스템 계층 별로 요구되는 기능 레벨의 시점 별 상태 값의 만족 여부에 따라 고장 예측 시점을 판단하는 고장 판단 모델을 학습시키는 단계; 상기 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 입력하여 불확실성의 정도에 따라 확률 분포를 산출하고 산출된 확률 분포를 사전 분포로 설정하고, 상기 출력 변수 대한 사전 분포를 베이시안 접근법을 이용하여 사후 분포로 지속적으로 업데이트를 수행하는 단계; 및 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 상기 절연 상태 판단 모델에 입력하여, 상기 예측 대상 중전기기의 시점 별 절연 상태정보를 제공받고, 상기 예측 대상 중전기기의 시점별 절연 상태정보 및 예측 대상 중전기기의 진단 이력 데이터를 고장 판단 모델에 입력하여 고장 예측 시점 정보를 생성하는 단계를 포함할 수 있다.According to an embodiment of the present invention, a model-data-based heavy electric machine life prediction method stores diagnostic history data and heavy electric machine identification information for a plurality of heavy electric machines generated by time-series sorting of diagnostic information for each heavy electric machine, creating and managing a plurality of heavy electric equipment groups by grouping diagnostic history data and heavy electric equipment identification information for heavy electric equipment having a correlation with respect to at least one item of a manufacturer, a manufacturing time, and a capacity of heavy electric equipment; Set a unit space by receiving, as learning data, diagnostic history data pre-diagnosed as normal and abnormal among diagnostic history data for a plurality of heavy electric equipment included in the same heavy electric equipment group as the predicted heavy electric equipment from the database as learning data, calculating a distance average within the unit space for determining a state and an abnormal state, and learning an insulation state determination model capable of determining an insulation state through the distance average; Among the diagnostic history data for a plurality of heavy electric devices included in the same heavy electric equipment group as the predicted heavy electric equipment from the database, the diagnosis history data pre-diagnosed as normal and abnormal states are input to the failure determination model, and each heavy electric machine is converted into a system layer. Based on the diagnostic history data pre-diagnosed as normal and abnormal, for each heavy electric machine, the status values for the important measurement items of the functional level required for each system layer are derived at each point in time, and requested for each derived system layer. learning a failure determination model to determine a failure prediction time according to whether a state value for each time point of the functional level is satisfied; For each heavy electric machine derived from the failure determination model, a state value for each time point of a plurality of functional levels required for each system layer is selected as an output variable, and a plurality of By inputting diagnostic history data and output variables for heavy electric equipment, a probability distribution is calculated according to the degree of uncertainty, the calculated probability distribution is set as a prior distribution, and the prior distribution for the output variable is converted to a posterior distribution using a Bayesian approach. continuously performing updates; and input the diagnosis history data and heavy electric equipment identification information of the prediction target heavy electric equipment into the insulation state determination model to receive insulation state information for each time point of the prediction target heavy electric equipment, and insulation state information for each time point of the prediction target heavy electric equipment and inputting the diagnostic history data of the heavy electric machine to be predicted into the failure determination model to generate failure prediction time information.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는,According to an embodiment of the present invention, the step of learning the insulation state determination model comprises:

입력 받은 중전기기의 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여, 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 정상 그룹을 생성하고, Among the received diagnostic history data of heavy electric equipment, the measurement data of a plurality of major variables of the diagnostic history data pre-diagnosed as normal and abnormal are input to the insulation judgment model, and the received diagnostic history data of the heavy electric equipment is pre-diagnosed as normal. A normal group is created based on the main variable measurement data of multiple diagnostic history data,

상기 정상 그룹에 포함된 진단 이력 데이터를 대상으로 정규화를 수행하여 상기 정상 그룹의 중심점으로부터 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정하고, 측정된 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정할 수 있다.Normalization is performed on the diagnostic history data included in the normal group to measure a probability distribution distance from the center point of the normal group to a plurality of diagnostic history data included in the normal group as a unit distance, and the measured unit distance A space in which the average of the unit distances is 1.0 may be selected as the unit space.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터를 대상으로 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균 값을 뺀 값을 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 주어 정규화를 수행하여 각 진단 이력 데이터 별 복수의 정규화된 벡터를 산출할 수 있다.According to an embodiment of the present invention, the step of learning the insulation state determination model includes the main variables of each diagnosis history data included in the normal group with respect to the measurement data of the main variables of each diagnostic history data included in the normal group. A plurality of normalized vectors for each diagnostic history data may be calculated by performing normalization by dividing a value obtained by subtracting the average value of the measurement data by the standard deviation of the measurement data of the main variables of each diagnostic history data included in the normal group.

상기 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 측정할 수 있다.A probability distribution distance with a plurality of diagnostic history data included in a normal group may be measured by applying an inverse matrix of a correlation matrix composed of correlation coefficients to the plurality of normalized vectors.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여, 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 비정상 그룹을 생성하고, 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터의 주요 변수 측정 데이터에서 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균값을 뺀 값을 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 비정상 그룹을 정규화 하여 복수의 정규화된 벡터를 산출하고, 상기 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 비정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정할 수 있다.According to an embodiment of the present invention, the step of learning the insulation state determination model includes inputting measurement data of a plurality of main variables of the diagnostic history data pre-diagnosed as abnormal among the received diagnostic history data of the heavy electric equipment into the insulation determination model. Thus, an abnormal group is generated based on the measurement data of a plurality of main variables of a plurality of diagnostic history data pre-diagnosed as abnormal among the received diagnostic history data of the heavy electric equipment, and the main variables of the plurality of diagnostic history data included in the abnormal group are generated. Normalize the abnormal group by dividing the value obtained by subtracting the average value of the main variable measurement data of each diagnostic history data included in the normal group from the measurement data by the standard deviation of the main variable measurement data of each diagnostic history data included in the normal group. Calculate the normalized vector of , and measure the probability distribution distance with a plurality of diagnostic history data included in the abnormal group as a unit distance by applying the inverse matrix of the correlation matrix composed of correlation coefficients to the plurality of normalized vectors. can

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포가 미리 설정된 기준 이상 차이가 나지 아니하는 경우, 상기 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 절연 상태 판단 모델의 학습을 반복할 수 있다.According to an embodiment of the present invention, the step of learning the insulation state determination model includes a distribution of a unit distance between a plurality of diagnostic history data included in the normal group and a unit distance of a plurality of diagnostic history data included in the abnormal group. When the difference does not exceed the preset reference, it is determined that the learning of the insulation state determination model is not completed, and the learning of the insulation state determination model may be repeated until a difference greater than or equal to the preset reference is obtained.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포의 차이를 크게 하기 위하여 주요 변수 중 복수의 예측 유용 변수를 선정하고, 상기 선정된 예측 유용 변수를 기준으로 상기 정상 그룹의 단위 공간 및 단위 거리를 재선정하도록 절연 상태 판단 모델을 재 학습할 수 있다.According to an embodiment of the present invention, the step of learning the insulation state determination model includes a distribution of a unit distance between a plurality of diagnostic history data included in the normal group and a unit distance of a plurality of diagnostic history data included in the abnormal group. In order to increase the difference of , a plurality of useful predictive variables are selected among the main variables, and the insulation state determination model can be re-trained to reselect the unit space and unit distance of the normal group based on the selected predictive useful variable. .

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 상기 복수의 예측 유용 변수를 선정하기 위하여 2수준계 직교배열표를 이용하여 내측배열과 외측배열에 변수와 신호인자를 배치하고, 각 주요 변수를 대상으로 단위 거리를 계산하고, 계산한 값의 신호 잡음비를 도출할 수 있다.According to an embodiment of the present invention, the step of learning the insulation state determination model includes placing variables and signal factors in the inner array and the outer array using a two-level orthogonal array table to select the plurality of predictive useful variables. Then, the unit distance can be calculated for each major variable, and the signal-to-noise ratio of the calculated value can be derived.

상기 복수의 예측 유용 변수에 포함된 변수 개별로 예측 능력이 있는지 여부를 판단하기 위하여, 각 변수를 대상으로 계산한 단위 거리의 신호 잡음비 평균의 차를 이용하여 신호 잡음비 이득을 산출할 수 있다.In order to determine whether each variable included in the plurality of useful predictive variables has predictive ability, a signal-to-noise ratio gain may be calculated using a difference between averages of the signal-to-noise ratios of the unit distances calculated for each variable.

상기 신호 잡음비 이득이 음의 값을 갖는 경우 해당 변수는 예측 능력이 없는 것으로 판단하고, 상기 신호 잡음비 이득이 양의 값을 갖는 경우 예측 능력이 있는 것으로 판단하며, 상기 양의 값이 클수록 예측 능력이 높은 것으로 판단할 수 있다.When the signal-to-noise ratio gain has a negative value, it is determined that the corresponding variable has no predictive ability, and when the signal-to-noise-ratio gain has a positive value, it is determined that the corresponding variable has predictive ability. can be considered high.

본 발명의 실시예에 따라 구현된 모델-데이터 기반의 중전기기 수명 예측 시스템은 종래 데이터 기반의 분석 방법인 MTS 기반의 절연 상태 판단 및 이를 통한 고장 예측을 수행하며 모델 없이 사용이 가능하기 때문에 다양한 시스템에 적용이 가능한 장점을 갖고 있으나, 학습을 위해 많은 데이터가 필요함에도 불구하고 중전기기의 특성상 많은 학습 데이터가 존재하지 아니하여 정확도가 떨어지고 사용조건이 바뀔 경우 다시 학습을 수행해야 하는 단점을 극복하고, 기본적으로 절연 상태 판단 모델과 고장 판단 모델을 생성해 모델 기반의 데이터 분석을 수행하고 상기 모델에 MTS 기반의 데이터 분석을 결과를 입력하여 모델-데이터 기반의 수명 예측 분석을 수행함으로써 종래의 시스템을 통해 예측 결과보다 더 정확하고 오버피팅(Over fitting)의 문제도 해결할 수 있는 효과를 제공할 수 있다.The model-data-based heavy electric machine life prediction system implemented according to an embodiment of the present invention performs MTS-based insulation state determination and failure prediction through MTS-based analysis method based on conventional data, and it can be used without a model, so it is possible to use various systems However, despite the fact that a lot of data is required for learning, there is not much learning data due to the nature of the heavy electric machine, so the accuracy is low and the disadvantage of having to re-learn when the conditions of use change. Basically, the model-based data analysis is performed by creating an insulation state determination model and a failure determination model, and the MTS-based data analysis result is input to the model to perform model-data-based life prediction analysis through the conventional system. It can provide an effect that is more accurate than the predicted result and can also solve the problem of over-fitting.

도 1은 본 발명의 실시예에 따라 구현된 모델-데이터 기반의 중전기기 수명 예측 시스템의 구성도이다.
도 2는 도 1에 개시된 모델 데이터 학습 수행부에서 베이시안 접근법을 이용하여 업데이트를 수행하는 방법을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따라 절연 상태 판단 모델을 학습시키기 위하여 정상 상태와 비정상 상태를 판단하기 위한 단위 공간 내에서의 거리 평균을 산출하는 과정을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 모델-데이터 기반의 중전기기 수명 예측 방법의 흐름도이다.1 is a model implemented according to an embodiment of the present invention - a configuration diagram of a data-based heavy electric machine life prediction system.
FIG. 2 is a diagram illustrating a method of performing an update using a Bayesian approach in the model data learning performing unit disclosed in FIG. 1 .
3 is a diagram illustrating a process of calculating a distance average within a unit space for determining a normal state and an abnormal state in order to train an insulation state determination model according to an embodiment of the present invention.
4 is a flow chart of a method for predicting the lifespan of a heavy electric machine based on a model-data according to an embodiment of the present invention.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.Hereinafter, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily implement them. However, the present invention may be embodied in various different forms and is not limited to the embodiments described herein.

본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. The terms used in the present invention are only used to describe specific embodiments, and are not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly dictates otherwise.

본 발명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.In the present invention, terms such as "comprises" or "have" are intended to designate that the features, numbers, steps, operations, components, parts, or combinations thereof described in the specification exist, but one or more other features It is to be understood that this does not preclude the possibility of the presence or addition of numbers, steps, operations, components, parts, or combinations thereof.

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.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in the present invention, it should not be interpreted in an ideal or excessively formal meaning. does not

또한 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다. It will also be understood that each block of the drawings and combinations of flowchart diagrams may be implemented by computer program instructions, which may be mounted on a processor of a general-purpose computer, special-purpose computer, or other programmable data processing equipment. Thus, the instructions, executed by the processor of a computer or other programmable data processing equipment, will create means for performing the functions described in the flowchart block(s).

이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.These computer program instructions may also be stored in a computer-usable or computer-readable memory that may direct a computer or other programmable data processing equipment to implement a function in a particular manner, and thus the computer-usable or computer-readable memory. It is also possible for the instructions stored in the flowchart block(s) to produce an article of manufacture containing instruction means for performing the function described in the flowchart block(s).

컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.The computer program instructions may also be mounted on a computer or other programmable data processing equipment, such that a series of operational steps are performed on the computer or other programmable data processing equipment to create a computer-executed process to create a computer or other programmable data processing equipment. It is also possible that instructions for performing the processing equipment provide steps for performing the functions described in the flowchart block(s).

또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. Additionally, each block may represent a module, segment, or portion of code that includes one or more executable instructions for executing specified logical function(s).

그리고 몇 가지 대체 실시예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.And it should be noted that in some alternative embodiments it is also possible for the functions recited in the blocks to occur out of order. For example, it is possible that two blocks shown in succession are actually performed substantially simultaneously, or that the blocks are sometimes performed in the reverse order according to the corresponding function.

이 때, 본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. At this time, the term '~ unit' used in this embodiment means software or hardware components such as field-programmable gate array (FPGA) or ASIC (Application Specific Integrated Circuit), and '~ unit' refers to what role carry out the

그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.However, '-part' is not limited to software or hardware. '~unit' may be configured to reside on an addressable storage medium or may be configured to refresh one or more processors.

따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.Thus, as an example, '~' denotes components such as software components, object-oriented software components, class components, and task components, and processes, functions, properties, and procedures. , subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, databases, data structures, tables, arrays, and variables. The functions provided in the components and '~ units' may be combined into a smaller number of components and '~ units' or further separated into additional components and '~ units'. In addition, components and '~ units' may be implemented to play one or more CPUs in a device or secure multimedia card.

본 발명의 실시예들을 구체적으로 설명함에 있어서, 특정 시스템의 예를 주된 대상으로 할 것이지만, 본 명세서에서 청구하고자 하는 주요한 요지는 유사한 기술적 배경을 가지는 여타의 통신 시스템 및 서비스에도 본 명세서에 개시된 범위를 크게 벗어나지 아니하는 범위에서 적용 가능하며, 이는 당해 기술분야에서 숙련된 기술적 지식을 가진 자의 판단으로 가능할 것이다.In describing embodiments of the present invention in detail, an example of a specific system will be mainly targeted, but the main subject matter to be claimed in this specification is to extend the scope disclosed herein to other communication systems and services having a similar technical background. It can be applied within a range that does not deviate significantly, and this will be possible at the discretion of a person with technical knowledge skilled in the art.

이하, 도면을 참조하여 본 발명의 실시 예에 따른 모델-데이터 기반의 중전기기 수명 예측 시스템 및 그 방법에 대하여 설명한다.Hereinafter, a model-data-based heavy electric machine life prediction system and method according to an embodiment of the present invention will be described with reference to the drawings.

도 1은 본 발명의 실시예에 따라 구현된 모델-데이터 기반의 중전기기 수명 예측 시스템의 구성도이다.1 is a model implemented according to an embodiment of the present invention - a configuration diagram of a data-based heavy electric machine life prediction system.

도 1을 참조하면 모델-데이터 기반의 중전기기 수명 예측 시스템(1000)은 데이터 베이스(100), 절연 상태 판단 모델 학습부(200), 고장 판단 모델 학습부(300), 모델 데이터 학습 수행부(400), 고장 예측 시점 정보 생성부(500)를 포함할 수 있다.1 , the model-data-based heavy electric machine life prediction system 1000 includes a database 100, an insulation state determination model learning unit 200, a failure determination model learning unit 300, a model data learning execution unit ( 400), and may include a failure prediction time information generation unit 500 .

데이터 베이스(100)는 각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 저장하고, 제조사, 제조시기, 중전기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 생성한 복수의 중전기기 그룹을 관리할 수 있다.The database 100 stores diagnostic history data and heavy electric equipment identification information for a plurality of heavy electric machines generated by arranging the diagnostic information for each heavy electric machine in time series, and stores at least one of a manufacturer, a manufacturing time, and a capacity of a heavy electric machine. It is possible to manage a plurality of heavy electric equipment groups generated by grouping diagnostic history data and heavy electric equipment identification information for heavy electric equipment having a correlation with respect to an item.

여기서 중전기기는 산업 현장 및 발전소에서 사용되는 대용량의 산업 장비 또는 산업 기계를 의미할 수 있다.Here, the heavy electric machine may mean large-capacity industrial equipment or industrial machines used in industrial sites and power plants.

본 발명의 일 실시예에 따르면 진단 이력 데이터는 복수 특정 시점에서 진행된 진단 결과를 포함한 진단 정보를 시간의 흐름에 따라 정렬하여 하나의 정보로 생성한 정보를 의미할 수 있다.According to an embodiment of the present invention, the diagnosis history data may refer to information generated as one piece of information by arranging diagnosis information including diagnosis results performed at a plurality of specific time points according to the passage of time.

본 발명의 일 실시예에 따르면 중전기기 식별정보는 개별 중전기기를 식별하기 위한 중전기기가 가지고 있는 고유의 시리얼 넘버 또는 데이터 베이스 상에서 임의로 지정한 ID 넘버를 의미할 수 있으며, 형식에 관계없이 개별 중전기기를 식별할 수 있는 것이라면 제한없이 사용될 수 있다.According to an embodiment of the present invention, the heavy electric equipment identification information may mean a unique serial number of a heavy electric machine for identifying individual heavy electric equipment or an ID number arbitrarily designated on a database, and can identify individual heavy electric equipment regardless of the format. As long as it is possible, it can be used without limitation.

또한 중전기기 식별정보는 개별 중전기기의 제조사, 제조 시기, 전동 기기 용량 등 전동기기 고유의 정보를 해당 중전기기의 시리얼 넘버 또는 ID 넘버에 매칭시켜 포함할 수 있다.In addition, the heavy electric equipment identification information may include information unique to electric equipment such as the manufacturer, manufacturing time, and electric equipment capacity of each heavy electric equipment by matching the serial number or ID number of the corresponding heavy electric equipment.

본 발명의 일 실시예에 따르면 데이터 베이스(100)는 저장된 복수의 중전 기기에 대한 진단 이력 데이터 및 중전기기 식별 정보 중 제조사, 제조시기, 전동기기 용량(kV)을 기준으로 동일 또는 유사 범위에 포함된다고 판단되는 복수의 중전기기를 하나의 그룹으로 그룹핑하여 복수의 그룹을 생성할 수 있다.According to an embodiment of the present invention, the database 100 is included in the same or similar range based on the manufacturer, manufacturing time, and electric equipment capacity (kV) among the stored diagnostic history data and heavy electric equipment identification information for a plurality of heavy electric equipment. A plurality of heavy electric devices determined to be suitable may be grouped into one group to create a plurality of groups.

상기 실시예에 따르면 그룹핑을 수행함에 있어 동일 제조사, 일정 기간내의 제조 시기, 일정 구간 내의 전동기기 용량의 조건을 달성하는 복수의 전동기기를 하나의 그룹으로 묶을 수 있으나, 이에 한정되지 아니하고 제조사, 제조시기, 전동기기 용량 중 복수의 조건을 충족하는 경우 충족된 조건의 수에 따라 가중치를 두는 등 상술한 조건들을 이용하여 그룹을 생성하는 기준이라면 제한 없이 사용될 수 있다.According to the above embodiment, in performing the grouping, a plurality of electric devices that achieve the conditions of the same manufacturer, manufacturing time within a certain period, and electric equipment capacity within a certain section may be grouped into one group, but the present invention is not limited thereto. When a plurality of conditions among timing and electric device capacity are satisfied, if a criterion for creating a group using the above-described conditions, such as weighting according to the number of met conditions, can be used without limitation.

본 발명의 일 실시예에 따르면 예측 대상 중전기기에 설치된 온라인 센서로부터 중전기기 검사 항목 측정값을 입력 받아 시계열적으로 정렬하여 중전기기에 대한 검사 항목별 온라인 센서 이력 데이터를 생성할 수 있다.According to an embodiment of the present invention, it is possible to generate online sensor history data for each inspection item for a heavy electric machine by receiving the measurement values of heavy electric equipment inspection items from an online sensor installed in the prediction target heavy electric equipment and arranging them in time series.

본 발명의 일 실시예에 따르면 데이터 베이스(100)는 연관성을 가지는 중전기기끼리 그룹핑하여 복수의 중전기기 그룹을 생성할 수 있으며, 중전기기 그룹은 복수의 중전기기의 집합으로 구성될 수 있다.According to an embodiment of the present invention, the database 100 may create a plurality of heavy electric equipment groups by grouping related heavy electric equipments, and the heavy electric equipment group may be composed of a set of a plurality of heavy electric equipments.

절연 상태 판단 모델 학습부(200)는 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 단위 공간을 설정하고, 정상 상태와 비정상 상태를 판단하기 위한 단위 공간 내에서의 거리 평균을 산출하여 거리 평균을 통해 절연 상태를 판단할 수 있는 절연 상태 판단 모델을 학습할 수 있다.The insulation state determination model learning unit 200 uses the diagnostic history data previously diagnosed as normal and abnormal among the diagnostic history data for a plurality of heavy electric devices included in the same heavy electric equipment group as the predicted heavy electric equipment from the database as learning data. It is possible to learn an insulation state determination model capable of setting a unit space by receiving an input, calculating an average distance within the unit space for determining a normal state and an abnormal state, and determining an insulation state through the distance average.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 포함된 복수의 데이터에 대한 다변량 데이터 마이닝의 기법으로는 단위 거리 판단법을 이용할 수 있다.According to an embodiment of the present invention, a unit distance determination method may be used as a technique of multivariate data mining for a plurality of data included in the diagnosis history data.

여기서 단위 거리 판단법은 어떤 집단의 평균값을 기초로 한 단위 공간을 설정하고, 새로운 관측값이 단위 공간으로부터 얼마나 벗어나있는지를 단위 거리를 측정함으로써 상태를 판별하는 기법을 의미할 수 있다.Here, the unit distance determination method may refer to a technique for determining a state by setting a unit space based on an average value of a certain group and measuring how far a new observation value is from the unit space by measuring the unit distance.

본 발명의 일 실시예에 따르면 단위 거리 판단법을 사용하는 실시예에 따르면 정상 그룹의 단위 공간을 설정하고 정상 그룹의 중심점을 기준으로 각 개별 데이터를 단위 공간 안에 표현한 후, 정상 그룹의 중심점으로부터 얼마나 멀리 떨어져 있는지를 단위 거리로 계산하여, 단위 거리가 클수록 정상 그룹이 아닐 가능성이 높아지며, 미리 설정된 문턱값(Threshold Value)을 초과하면 비정상 그룹으로 판단할 수 있다.According to an embodiment of the present invention, according to the embodiment using the unit distance determination method, after setting the unit space of the normal group and expressing each individual data in the unit space based on the center point of the normal group, how far from the center point of the normal group Whether they are apart is calculated as a unit distance, and as the unit distance increases, the possibility that the group is not normal increases, and when it exceeds a preset threshold value, it can be determined as an abnormal group.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 사용자로부터 입력 받은 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터를 데이터 베이스(100)로부터 수신 받을 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 receives, from the database 100 , diagnostic history data for a plurality of heavy electric devices included in the same heavy electric equipment group as the predicted heavy electric equipment input from the user. can receive

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 수신 받은 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 또는 비정상 상태로 미리 진단되어 있던 기준에 따라 정상 상태로 진단된 중전기기에 대한 진단 이력 데이터들을 이용하여 단위 공간 내에서의 거리 평균을 산출할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 is a heavy electric machine diagnosed as a normal state according to a criterion previously diagnosed as a normal state or an abnormal state among the received diagnosis history data for a plurality of heavy electric equipment. A distance average within a unit space may be calculated using the diagnostic history data for .

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반으로 단위 공간을 설정할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 is configured based on the average value of the measurement data of a plurality of main variables of the diagnostic history data pre-diagnosed as a normal state among the received diagnostic history data of the heavy electric equipment. space can be set.

본 발명의 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터를 기반으로 한 정상 그룹을 설정하고, 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반 단위 공간을 도출할 수 있다.According to an embodiment of the present invention, a normal group is set based on the diagnosis history data pre-diagnosed as a normal state among the received diagnosis history data of the heavy electric equipment, and a plurality of main variables of the diagnosis history data pre-diagnosed as a normal state are set. A unit space can be derived based on the average value of the measurement data.

본 발명의 일 실시예에 따르면 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터에 포함된 주요 변수 데이터를 기준 공간 내에 표현하고, 표현된 각 개별 데이터와 기준 공간 내의 정상 그룹의 중심점으로부터 확률분포 거리를 측정하여 단위 거리를 측정할 수 있다.According to an embodiment of the present invention, main variable data included in the diagnostic history data for a plurality of heavy electric equipment included in the same heavy electric equipment group as the prediction target heavy electric equipment is expressed in a reference space, and each expressed individual data and within the reference space are expressed. The unit distance can be measured by measuring the probability distribution distance from the center point of the normal group.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여, 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 정상 그룹을 생성할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 uses the plurality of main variable measurement data of the diagnostic history data pre-diagnosed as the normal state and the abnormal state among the received diagnostic history data of the heavy electric equipment as the insulation determination model. By inputting to , a normal group may be generated based on measurement data of major variables of a plurality of diagnostic history data pre-diagnosed in a normal state among the received diagnostic history data of the heavy electric equipment.

상기 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 정상 그룹에 포함된 진단 이력 데이터를 대상으로 정규화를 수행하여, 정상 그룹의 중심점으로부터 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정하고, 측정된 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정할 수 있다.According to the exemplary embodiment, the insulation state determination model learning unit 200 performs normalization on the diagnostic history data included in the normal group, and performs normalization with a plurality of diagnostic history data included in the normal group from the center point of the normal group. The probability distribution distance may be measured as a unit distance, and a space in which the unit distance average of the measured unit distances is 1.0 may be selected as the unit space.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터를 대상으로 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균 값을 뺀 값을 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 주어 정규화를 수행하여 각 진단 이력 데이터 별 복수의 정규화된 벡터를 산출할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 is configured to measure the main variable of each diagnostic history data included in the normal group with respect to the main variable measurement data of each diagnostic history data included in the normal group. A plurality of normalized vectors for each diagnostic history data may be calculated by performing normalization by dividing the value obtained by subtracting the average value by the standard deviation of the measurement data of the main variables of each diagnostic history data included in the normal group.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 단위 공간으로 선정하기 위해 정상 그룹의 중심점으로부터 거리 평균이 1.0이 되는 단위 공간을 도출하기 위하여 정상 상태로 미리 진단된 진단 이력 데이터에 포함된 복수의 주요 변수 측정 데이터를 대상으로 정규화를 수행할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 is configured to select a unit space, and to derive a unit space in which the average distance from the center point of a normal group is 1.0, diagnosis history data pre-diagnosed as a normal state. Normalization may be performed on the measurement data of a plurality of major variables included in .

상기 일 실시예에 따르면정규화는 수학식 1과 같이 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균 값을 뺀 값을 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누는 방식으로 수행할 수 있다.According to the embodiment, the normalization is a value obtained by subtracting the average value of the main variable measurement data of each diagnostic history data included in the normal group as in Equation 1 as the standard of the measurement data of the major variables included in the normal group This can be done by dividing by the deviation.

여기서 i는 변수의 개수(i=1, 2, …, k), j는 관측치의 개수(j=1, 2, …, n),

는 i번째 변수의 j번째 관측치에서의 값,

는 i번째 변수의 평균,

는 i번째 변수의 표준편차를 의미할 수 있다.where i is the number of variables (i=1, 2, …, k), j is the number of observations (j=1, 2, …, n),

is the value at the j observation of the i variable,

is the mean of the i-th variable,

may mean the standard deviation of the i-th variable.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 측정할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 applies an inverse matrix of a correlation matrix composed of correlation coefficients to a plurality of normalized vectors to compare with a plurality of diagnostic history data included in a normal group. Probability distribution distance can be measured.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 may input a plurality of main variable measurement data of the diagnostic history data pre-diagnosed as abnormal among the received diagnostic history data of the heavy electric equipment to the insulation determination model. can

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 수신 받은 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 또는 비정상 상태로 미리 진단되어 있던 기준에 따라 비정상 상태로 진단된 중전기기에 대한 진단 이력 데이터들을 이용하여 단위 공간 내에서의 거리 평균을 산출할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 is a heavy electric machine diagnosed as an abnormal state according to a criterion previously diagnosed as a normal state or an abnormal state among the received diagnosis history data for a plurality of heavy electric devices. A distance average within a unit space may be calculated using the diagnostic history data for .

본 발명의 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터를 기반으로 한 정상 그룹을 설정하고, 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반 단위 공간을 도출할 수 있다.According to an embodiment of the present invention, a normal group is set based on diagnosis history data pre-diagnosed as normal among the received diagnosis history data of heavy electric equipment, and a plurality of main variables of the diagnosis history data pre-diagnosed as abnormal A unit space can be derived based on the average value of the measurement data.

본 발명의 일 실시예에 따르면 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터에 포함된 주요 변수 데이터를 기준 공간 내에 표현하고, 표현된 각 개별 데이터와 기준 공간 내의 비정상 그룹의 중심점으로부터 확률분포 거리를 측정하여 단위 거리를 측정할 수 있다.According to an embodiment of the present invention, main variable data included in the diagnostic history data for a plurality of heavy electric equipment included in the same heavy electric equipment group as the prediction target heavy electric equipment is expressed in a reference space, and each expressed individual data and within the reference space are expressed. The unit distance can be measured by measuring the probability distribution distance from the center point of the abnormal group.

상기 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 비정상 그룹을 생성하고, 비정상 그룹에 포함된 복수의 진단 이력 데이터의 주요 변수 측정 데이터에서 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균값을 뺀 값을 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 비정상 그룹을 정규화 하여 복수의 정규화된 벡터를 산출할 수 있다.According to the embodiment, the insulation state determination model learning unit 200 generates an abnormal group based on the main variable measurement data of a plurality of diagnostic history data pre-diagnosed as abnormal among the received diagnostic history data of the heavy electric equipment, A value obtained by subtracting the average value of the main variable measurement data of each diagnostic history data included in the normal group from the main variable measurement data of a plurality of diagnostic history data included in the abnormal group A plurality of normalized vectors can be calculated by normalizing the abnormal group by dividing by the standard deviation of .

상기 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 비정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정할 수 있다.According to the exemplary embodiment, the insulation state determination model learning unit 200 applies an inverse matrix of a correlation matrix composed of correlation coefficients to a plurality of normalized vectors to distribute a probability distribution with a plurality of diagnosis history data included in the abnormal group. Distance can be measured in units of distance.

본 발명의 일 실시예에 따르면 정규화 된 벡터는(Z)는 상관계수로 구성된 상관행렬(C)의 역행렬을 이용하여 정상 그룹의 단위 거리를 계산하며, 이에 대한 수식은 수학식 2와 같다.According to an embodiment of the present invention, the normalized vector (Z) calculates the unit distance of the normal group by using the inverse of the correlation matrix (C) composed of correlation coefficients, and the equation for this is the same as Equation (2).

여기서 k는 변수의 개수,

는

의 정규화 된 벡터,

는

의 전치행렬,

는 상관행렬의 역행렬을 의미할 수 있다.where k is the number of variables,

Is

normalized vector of,

Is

transpose matrix of

may mean the inverse of the correlation matrix.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포가 미리 설정된 기준 이상 차이가 나지 아니하는 경우에는 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 절연 상태 판단 모델의 학습을 반복할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 sets the distribution of unit distances of a plurality of diagnostic history data included in a normal group and a unit distance of a plurality of diagnostic history data included in an abnormal group in advance. If there is no difference by more than the reference, it is determined that the learning of the insulation state determination model has not been completed, and the learning of the insulation state determination model may be repeated until a difference greater than or equal to a preset reference value occurs.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포를 대비하여 미리 설정된 기준 이상 차이가 나지 않는 경우 예측 능력이 높은 예측 유용 변수들로 절연 상태 판단 모델이 학습되지 못한 것으로 판단하여 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 변수의 종류를 변경하여 절연 상태 판단 모델의 학습을 반복할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 compares the distribution of the unit distances of the plurality of diagnostic history data included in the normal group with the unit distances of the plurality of diagnostic history data included in the abnormal group. When there is no difference by more than a preset criterion When it is judged that the learning of the insulation state judgment model is not completed because it is judged that the insulation state judgment model has not been trained with predictive useful variables with high predictive ability, and there is a difference more than the preset criterion It is possible to repeat the learning of the insulation state judgment model by changing the type of variable until

본 발명의 일 실시예에 따르면 예측 유용 변수는 다른 변수들에 비해 정상 그룹과 비정상 그룹간의 차이를 보다 크게 하여 그룹 간의 구분을 명확하게 하는데 도움이 되는 예측 영향력이 높은 변수를 의미할 수 있다.According to an embodiment of the present invention, the predictive useful variable may refer to a variable having a high predictive influence that helps to clarify the distinction between groups by making the difference between the normal group and the abnormal group larger than other variables.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포의 차이를 크게 하기 위하여 주요 변수 중 복수의 예측 유용 변수를 선정할 수 있으며, 선정된 예측 유용 변수를 기준으로 정상 그룹의 단위 공간 및 단위 거리를 재선정하도록 절연 상태 판단 모델을 재 학습할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 determines the difference between the distribution of the unit distances of the plurality of diagnostic history data included in the normal group and the unit distances of the plurality of diagnostic history data included in the abnormal group. In order to increase the size, a plurality of useful predictive variables may be selected among the main variables, and the insulation state judgment model may be re-trained to reselect the unit space and unit distance of the normal group based on the selected predictive useful variable.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 복수의 예측 유용 변수를 선정하기 위하여 2수준계 직교배열표를 이용하여 내측배열과 외측배열에 변수와 신호인자를 배치하고, 각 주요 변수를 대상으로 단위 거리를 계산하고, 계산한 값의 신호 잡음비를 도출할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 places variables and signal factors in the inner and outer arrays using a two-level orthogonal array table to select a plurality of useful predictive variables, It is possible to calculate a unit distance for each major variable and derive a signal-to-noise ratio of the calculated value.

본 발명의 일 실시예에 따르면 직교배열표는 고차의 교호작용에 관한 정보를 희생시켜서 실험횟수를 적게 할 수 있는 실험계획을 짤 수 있도록 만들어 놓은 표를 의미할 수 있으며, 2수준계 직교배열표는 아래 수학식 3과 같이 표현될 수 있다.According to an embodiment of the present invention, the orthogonal arrangement table may mean a table prepared to make an experiment plan that can reduce the number of experiments at the expense of information on higher-order interactions, and is a two-level orthogonal arrangement table. can be expressed as in Equation 3 below.

본 발명의 일 실시예에 따르면 예측 유용 변수를 선정하여 예측 대상 중전기기의 시점 별 절연 상태정보의 정확도를 상승시키기 위하여 복수의 각 변수를 대상으로 계산한 단위 거리의 신호 잡음비 평균의 차를 이용하여 신호 잡음비 이득을 산출할 수 있다.According to an embodiment of the present invention, in order to select a predictive useful variable and increase the accuracy of the insulation state information for each point of time of the heavy electric equipment to be predicted, using the difference between the average signal-to-noise ratio of the unit distance calculated for each variable The signal-to-noise ratio gain can be calculated.

본 발명의 일 실시예에 따르면 2수준계 직교배열표를 이용하여 예측 유용 변수를 선정하기 위하여 2수준계 직교배열표의 내측배열과 외측배열에 변수와 신호인자를 배치하여 단위 거리를 계산하고, 계산된 단위 거리를 이용하여 신호 잡음비를 도출할 수 있다.According to an embodiment of the present invention, in order to select a useful predictive variable using a two-level orthogonal arrangement table, the unit distance is calculated by arranging variables and signal factors in the inner and outer arrays of the two-level orthogonal arrangement table. The signal-to-noise ratio can be derived using the unit distance.

본 발명의 일 실시예에 따르면 신호 잡음비 변수 값의 특성에 따라 달라질 수 있으며, 변수 값이 클수록 좋은 특성을 의미하는 변수일 경우에는 망대특성(Lager-the-better)의 신호 잡음비, 변수 값이 작을수록 좋은 특성을 의미하는 변수일 경우에는 망소특성(Smaller-the-better)의 신호 잡음비, 변수 값이 특정 목표 값에 가까울수록 좋은 특성을 의미하는 변수일 경우에는 망목특성(Nominal-the-better)의 신호 잡음비, 알려진 신호인자가 있는 경우에는 동특성(Dynamic)의 신호 잡음비의 계산식을 사용할 수 있다.According to an embodiment of the present invention, it may vary depending on the characteristics of the signal-to-noise ratio variable value, and when the variable value is a variable meaning a better characteristic, the signal-to-noise ratio of the Lager-the-better variable value is small. The signal-to-noise ratio of small-the-better is a variable that indicates a better characteristic, and nominal-the-better is a variable that indicates a better characteristic as the value of the variable is closer to a specific target value. If there is a known signal factor, the formula for calculating the dynamic signal-to-noise ratio can be used.

본 발명의 일 실시예에 따르면 신호 잡음비를 산출하기 위하여 아래 수학식4와 같이 동특성(Dynamic)의 신호 잡음비 산출할 수 있다.According to an embodiment of the present invention, in order to calculate the signal-to-noise ratio, a dynamic signal-to-noise ratio may be calculated as shown in Equation 4 below.

여기서 n은 비정상 그룹의 시료 수,

은 평균 제곱합(Sum of squares due to mean),

는 오차 분산(Error variance)이다.where n is the number of samples in the abnormal group,

Sum of squares due to mean,

is the error variance.

본 발명의 일 실시예에 따르면 신호 잡음비를 이용하여 변수 별로 예측 영향력의 크기를 판단하기 위해 신호 잡음비 이득(SNR Gain)을 산출하고 산출한 값에 따라 변수 별 예측 영향력의 크기를 판단할 수 있다.According to an embodiment of the present invention, a signal-to-noise ratio gain (SNR Gain) may be calculated to determine the magnitude of the prediction influence for each variable using the signal-to-noise ratio, and the magnitude of the prediction influence for each variable may be determined according to the calculated value.

상기 일 실시예에 따르면 수학식 5와 같이 변수 별로 해당 변수가 복수의 변수 중 하나로 포함되어 산출된 신호 잡음비들의 평균에서 복수의 변수 중 해당 변수가 포함되지 아니한 채로 산출된 신호 잡음비들의 평균의 차이를 구하는 방법으로 해당 변수의 신호 잡음비의 이득을 수할 수 있다.According to the embodiment, as shown in Equation 5, the difference between the average of the signal noise ratios calculated without the corresponding variable among the plurality of variables from the average of the signal noise ratios calculated by including the corresponding variable as one of the plurality of variables for each variable The gain of the signal-to-noise ratio of the corresponding variable can be obtained by the calculation method.

여기서 i는 변수의 번호이고,

은 i번째 변수가 사용된 신호 잡음비의 평균이고,

은 i번째 변수가 사용되지 않은 신호 잡음비의 평균이다.where i is the number of the variable,

is the average of the signal-to-noise ratio for which the i-th variable is used,

is the average of the signal-to-noise ratio for which the i-th variable is not used.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(200)는 신호 잡음비 이득이 음의 값을 갖는 경우 해당 변수는 예측 능력이 없는 것으로 판단하고, 신호 잡음비 이득이 양의 값을 갖는 경우 예측 능력이 있는 것으로 판단하며, 양의 값이 클수록 예측 능력이 높은 것으로 판단할 수 있다.According to an embodiment of the present invention, the insulation state determination model learning unit 200 determines that the variable has no predictive ability when the signal-to-noise ratio gain has a negative value, and predicts when the signal-to-noise ratio gain has a positive value. It is determined that there is an ability, and the higher the positive value, the higher the prediction ability.

본 발명의 일 실시예에 따르면 예측 유용 변수 후보로 절연저항1분, 성극지수판정, 성극지수, 유전정접판정, 유전정접, 교류전류판전, 교류전류, 부분고전판정, 부분방전고전압을 미리 설정해 놓을 수 있으며, 예측 유용 변수 후보에 포함된 각 변수에 대하여 신호 잡음비 이득을 산출하여 미리 설정된 임계값 이상의 신호 잡음비 이득이 양의 값으로 큰 변수만을 예측 유용 변수로 선정하여 절연 상태 판단 모델을 학습시킬 수 있다.According to an embodiment of the present invention, insulation resistance 1 minute, polarization index determination, polarization index, dielectric loss tangent determination, dielectric loss tangent, AC current distribution, AC current, partial high voltage determination, partial discharge high voltage are preset as predictive useful variable candidates. In addition, by calculating the signal-to-noise ratio gain for each variable included in the predictive useful variable candidate, only the variable with a large positive signal-to-noise ratio gain greater than the preset threshold value can be selected as the predictive useful variable to train the insulation state judgment model. have.

고장 판단 모델 학습부(300)는 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터 및 복수의 중전기기의 시점 별 절연 상태정보를 고장 판단 모델에 입력하여 각 중전기기를 시스템 계층으로 나누고, 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 기준으로 각 중전기기를 대상으로 시스템 계층 별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값을 도출할 수 있으며, 도출된 시스템 계층 별로 요구되는 기능 레벨의 시점 별 상태 값의 만족 여부에 따라 고장 예측 시점을 판단하는 고장 판단 모델을 학습할 수 있다.The failure determination model learning unit 300 includes diagnostic history data and a plurality of heavy electric devices pre-diagnosed as normal and abnormal among the diagnostic history data for a plurality of heavy electric devices included in the same heavy electric equipment group as the predicted heavy electric equipment from the database. By inputting the insulation status information for each point of time into the failure judgment model, each heavy electric machine is divided into a system layer, and the function level required for each heavy machine based on the diagnostic history data pre-diagnosed as normal and abnormal status is important. It is possible to derive a status value for each point of time for a measurement item, and learn a failure judgment model that determines the time of failure prediction according to whether the status value for each point of the function level required for each derived system layer is satisfied.

본 발명의 일 실시예에 따르면 고장 판단 모델 학습부(300)는 각 중전기기를 미리 설정된 기준에 따라 복수의 하위 계층에 포함된 장치를 가진 상위 계층에 포함된 장치인 상위 계층으로 표현되는 형식으로 시스템 계층을 나누고, 상위 계층으로 갈수록 상위 장치이며, 상위 장치를 이루고 있는 복수의 부품 또는 구성품을 해당 상위 계층의 하위 계층으로 표현될 수 있다.According to an embodiment of the present invention, the failure determination model learning unit 300 is a system in a format expressed as an upper layer that is a device included in an upper layer having devices included in a plurality of lower layers according to preset criteria for each heavy electric machine. The layers are divided, and the higher the device goes, the higher the device, and a plurality of parts or components constituting the higher layer can be expressed as a lower layer of the corresponding upper layer.

본 발명의 일 실시예에 따르면 고장 판단 모델은 시스템 계층 별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값을 각 시스템 계층별로 도출하고, 복수의 중전기기의 진단 이력 데이터 및 시점 별 절연 상태 정보를 분석하여 각 시스템 계층별로 도출된 중요 측정 항목에 대한 시점 별 상태 값이 미리 설정한 임계값을 충족하지 못할 확률에 따라 시점 별 고장 확률로 산출함으로써 고장 예측 시점을 판단할 수 있다.According to an embodiment of the present invention, the failure determination model derives a state value for each system layer for each important measurement item of a functional level required for each system layer, and the diagnosis history data of a plurality of heavy electric equipment and the insulation state for each time point By analyzing the information and calculating the failure probability for each time point according to the probability that the status value for each time point for the important measurement item derived for each system layer does not meet the preset threshold value, the failure prediction time can be determined.

본 발명의 일 실시예에 따르면 중전 기기를 시스템 계층으로 나누어 계층별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값을 각 시스템 계층별로 도출하여 중전기기 전체 시스템의 대상으로 고장 시점을 예측함으로써 다양한 부품 또는 구성품의 수명 또는 확률상 고장의 이슈로 인하여 정확한 예측이 불가능한 문제점을 해결하고 더 높은 정확도를 제공할 수 있다.According to an embodiment of the present invention, by dividing heavy electrical equipment into system layers, by deriving status values for each system layer by point of time for important measurement items of functional levels required for each layer, predicting the failure point for the entire system of heavy electrical equipment. It is possible to solve problems that cannot be accurately predicted due to the issue of failures in the lifetime or probability of various parts or components and provide higher accuracy.

모델 데이터 학습 수행부(400)는 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 수신한 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 입력하여 불확실성의 정도에 따라 확률 분포를 산출하고 산출된 확률 분포를 사전 분포로 설정하고, 상기 출력 변수 대한 사전 분포를 베이시안 접근법을 이용하여 사후 분포로 지속적으로 업데이트를 수행할 수 있다.The model data learning performing unit 400 selects, as an output variable, state values for a plurality of functional levels required for each system layer for each heavy electric machine derived from the failure determination model as an output variable, and the same heavy electric equipment as the received prediction target heavy electric equipment. By inputting diagnostic history data and output variables for a plurality of heavy electric machines included in the group, the probability distribution is calculated according to the degree of uncertainty, the calculated probability distribution is set as a prior distribution, and the prior distribution for the output variable is set as a Bayesian approach can be used to continuously update with a posterior distribution.

본 발명의 일 실시예에 따르면 모델 데이터 학습 수행부(400)이 더 높은 정확도를 위하여 고장 판단 모델을 업데이트 하기 위하여 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 입력하여 불확실성의 정도에 따라 확률 분포를 산출하여 사전 분포로 설정할 수 있다.According to an embodiment of the present invention, in order for the model data learning performing unit 400 to update the failure determination model for higher accuracy, a plurality of functional levels required for each system layer for each heavy electric machine derived from the failure determination model The state value for each time point is selected as an output variable, and by inputting diagnostic history data and output variables for a plurality of heavy electric equipment included in the same heavy electric equipment group as the predicted heavy electric equipment, a probability distribution is calculated according to the degree of uncertainty and converted into a prior distribution. can be set.

상기 일 실시 예에 따르면 도 2 및 수학식 6과 같이 사전 분포(

)에 가능도 함수를 적용하여 사후 분포(

)를 산출하여, 산출된 사후 분포가 고장 판단 모델을 이용하여 산출된 출력 변수를 통해 사전 분포로 산출될 수 있도록 베이시안 접근법을 이용하여 고장 판단 모델을 업데이트 할 수 있다.According to the embodiment, the prior distribution (

) by applying a likelihood function to the posterior distribution (

), the failure determination model can be updated using the Bayesian approach so that the calculated posterior distribution can be calculated as a prior distribution through the output variable calculated using the failure determination model.

고장 예측 시점 정보 생성부(500)는 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 절연 상태 판단 모델에 입력하여, 예측 대상 중전기기의 시점 별 절연 상태정보를 제공받고, 예측 대상 중전기기의 시점별 절연 상태정보 및 예측 대상 중전기기의 진단 이력 데이터를 고장 판단 모델에 입력하여 고장 예측 시점 정보를 생성할 수 있다.The failure prediction time information generation unit 500 inputs the diagnosis history data and heavy electric equipment identification information of the prediction target heavy electric equipment to the insulation state determination model, and receives the insulation state information for each time point of the prediction target heavy electric equipment, and the prediction target heavy electric equipment By inputting the insulation state information for each time point and the diagnosis history data of the heavy electric equipment to be predicted into the failure determination model, failure prediction time information can be generated.

여기서 고장 예측 시점 정보는 이러한 중전기기 중 특정 중전기기가 현재 어느 정도의 열화되어 있는지 또는 고장 시점이 언제쯤으로 예측되는지에 대한 정보를 포함한 정보를 의미할 수 있다.Here, the failure prediction time information may refer to information including information on how much a specific heavy electric machine is currently deteriorated or when a failure time point is predicted.

본 발명의 일 실시예에 따르면 고장 예측 시점 정보 생성부(500)는 학습된 절연 상태 판단 모델 및 고장 판단 모델을 이용하여 예측 대상 중전기기의 고장 예측 시점을 제공받을 수 있다.According to an embodiment of the present invention, the failure prediction time information generation unit 500 may be provided with the failure prediction time of the heavy electric machine to be predicted by using the learned insulation state determination model and the failure determination model.

본 발명의 일 실시예에 따르면 학습된 절연 상태 판단 모델은 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받아, 예측 대상 중전기기의 시점 별 절연 상태정보를 출력할 수 있으며, 고장 판단 모델은 예측 대상 중전기기의 진단 이력 데이터과 예측 대상 중전기기의 시점 별 절연 상태정보를 입력받아 예측 대상 중전기기가 시점 별로 고장날 확률이 표기된 고장 예측 시점 정보를 제공받을 수 있다.According to an embodiment of the present invention, the learned insulation state determination model receives the diagnosis history data and heavy electric equipment identification information of the heavy electric equipment to be predicted, and can output the insulation state information for each time point of the heavy electric equipment to be predicted, and determine the failure. The model may receive the diagnosis history data of the heavy electric equipment to be predicted and the insulation state information for each point in time of the heavy electric equipment to be predicted, and may be provided with failure prediction timing information in which the probability that the heavy electric equipment to be predicted will fail at each point in time is indicated.

도 2는 도 1에 개시된 모델 데이터 학습 수행부에서 베이시안 접근법을 이용하여 업데이트를 수행하는 방법을 나타낸 도면이다.FIG. 2 is a diagram illustrating a method of performing an update using a Bayesian approach in the model data learning performing unit disclosed in FIG. 1 .

도 2를 참조하면 모델 데이터 학습 수행부(400)에서 베이시안 접근법을 이용하여 업데이트를 수행하는 방법이 나타나 있으며, 모델 데이터 학습 수행부(400)에서 선정된 출력 변수와 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터를 분석하여 불확실성의 정도에 따라 확률 분포를 산출하여 사전 분포(

)로 설정할 수 있으며, 사전 분포(

)에 가능도 함수를 적용하여 사후 분포(

)를 산출하여 산출된 사후 분포가 고장 판단 모델을 이용하여 산출된 출력 변수를 통해 사전 분포로 산출될 수 있도록 베이시안 접근법을 이용하여 고장 판단 모델을 업데이트 할 수 있다.Referring to FIG. 2 , a method of performing an update using a Bayesian approach in the model data learning performing unit 400 is shown, and the output variable selected by the model data learning performing unit 400 and the same heavy electric device as the prediction target heavy electric machine is shown. The prior distribution ((

) can be set to the prior distribution (

) by applying a likelihood function to the posterior distribution (

), the failure determination model can be updated using the Bayesian approach so that the posterior distribution calculated by using the failure determination model can be calculated as a prior distribution through the output variable calculated using the failure determination model.

도 3은 본 발명의 일 실시예에 따라 절연 상태 판단 모델을 학습시키기 위하여 정상 상태와 비정상 상태를 판단하기 위한 단위 공간 내에서의 거리 평균을 산출하는 과정을 나타낸 도면이다.3 is a diagram illustrating a process of calculating a distance average within a unit space for determining a normal state and an abnormal state in order to train an insulation state determination model according to an embodiment of the present invention.

도 3을 참조하면 본 발명의 일 실시예에 따라 절연 상태 판단 모델을 학습시키기 위하여 정상 상태와 비정상 상태를 판단하기 위한 단위 공간 내에서의 거리 평균을 산출하는 과정이 나타나 있으며, 정상 그룹의 중심점으로부터 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정하고, 비정상 그룹의 중심점으로부터 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정하며, 상기 정상 그룹 및 비정상 그룹의 단위 공간상에 각각 위치한 복수의 진단 이력 데이터들의 단위 거리의 분포가 미리 설정된 기준 이상 차이가 나는지 여부를 판단하여 차이가 나지 아니하는 경우에는 재학습이 필요한 절연 상태 모델로 판단하여 학습을 반복할 수 있다.Referring to FIG. 3 , a process of calculating a distance average within a unit space for determining a normal state and an abnormal state in order to learn an insulation state judgment model according to an embodiment of the present invention is shown, and from the center point of the normal group A space in which an average of unit distances of unit distances is 1.0 is selected as a unit space, a space in which an average of unit distances of unit distances from the center point of an abnormal group is 1.0 is selected as a unit space, and the unit space of the normal group and the abnormal group It is determined whether the distribution of the unit distances of the plurality of diagnosis history data respectively located on the upper stage differs by more than a preset reference.

도 4는 본 발명의 일 실시예에 따른 모델-데이터 기반의 중전기기 수명 예측 방법의 흐름도이다.4 is a flow chart of a method for predicting the lifespan of a heavy electric machine based on a model-data according to an embodiment of the present invention.

각 중전기기 별로 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 저장하고, 연관성을 가지는 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑한다(S10).For each heavy electric machine, the diagnostic history data and heavy electric equipment identification information for a plurality of heavy electric equipment are stored, and the diagnostic history data and heavy electric equipment identification information for the heavy electric equipment having a correlation are grouped (S10).

본 발명의 일 실시예에 따르면 각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 저장하고, 제조사, 제조시기, 중전기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 생성한 복수의 중전기기 그룹을 관리할 수 있다.According to an embodiment of the present invention, diagnostic history data and heavy electric equipment identification information for a plurality of heavy electric machines generated by arranging diagnostic information for each heavy electric machine in time series are stored, and at least one of a manufacturer, a manufacturing time, and a capacity of a heavy electric machine is stored. It is possible to manage a plurality of heavy electric equipment groups generated by grouping diagnostic history data and heavy electric equipment identification information for heavy electric equipment having a correlation with respect to one item.

본 발명의 일 실시예에 따르면 저장된 복수의 중전 기기에 대한 진단 이력 데이터 및 중전기기 식별 정보 중 제조사, 제조시기, 전동기기 용량(kV)을 기준으로 동일 또는 유사 범위에 포함된다고 판단되는 복수의 중전기기를 하나의 그룹으로 그룹핑하여 복수의 그룹을 생성할 수 있다.According to an embodiment of the present invention, a plurality of heavy electric machines determined to be included in the same or similar range based on the manufacturer, manufacturing time, and electric equipment capacity (kV) among the stored diagnostic history data and heavy electric equipment identification information for a plurality of heavy electric equipment. A plurality of groups can be created by grouping the groups into one group.

본 발명의 일 실시예에 따르면 연관성을 가지는 중전기기끼리 그룹핑하여 복수의 중전기기 그룹을 생성할 수 있으며, 중전기기 그룹은 복수의 중전기기의 집합으로 구성될 수 있다.According to an embodiment of the present invention, a plurality of heavy electric equipment groups may be created by grouping related heavy electric equipments, and the heavy electric equipment group may be composed of a set of a plurality of heavy electric equipments.

예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터를 입력 받아 단위 공간을 설정하고, 단위 공간 내에서의 거리 평균을 산출하여 절연 상태를 판단할 수 있는 절연 상태 판단 모델을 학습한다(S20).An insulation state judgment model that can determine the insulation state by setting a unit space by receiving diagnostic history data for a plurality of heavy electric equipment included in the same heavy electric equipment group as the predicted heavy electric equipment, and calculating the average distance within the unit space to learn (S20).

본 발명의 일 실시예에 따르면 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 단위 공간을 설정하고, 정상 상태와 비정상 상태를 판단하기 위한 단위 공간 내에서의 거리 평균을 산출하여 거리 평균을 통해 절연 상태를 판단할 수 있는 절연 상태 판단 모델을 학습할 수 있다.According to an embodiment of the present invention, the unit space is saved by receiving the diagnosis history data previously diagnosed as normal and abnormal among the diagnostic history data for a plurality of heavy electric equipment included in the same heavy electric equipment group as the heavy electric equipment to be predicted as the learning data. It is possible to learn an insulation state determination model capable of determining an insulation state through distance average by calculating a distance average within a unit space for determining a normal state and an abnormal state.

여기서 단위 거리 판단법은 어떤 집단의 평균값을 기초로 한 단위 공간을 설정하고, 새로운 관측값이 단위 공간으로부터 얼마나 벗어나 있는지를 단위 거리를 측정함으로써 상태를 판별하는 기법을 의미할 수 있다.Here, the unit distance determination method may refer to a technique for determining a state by setting a unit space based on an average value of a certain group and measuring how far a new observation value is from the unit space by measuring the unit distance.

본 발명의 일 실시예에 따르면 사용자로부터 입력 받은 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터를 수신 받을 수 있다.According to an embodiment of the present invention, it is possible to receive diagnosis history data for a plurality of heavy electric devices included in the same heavy electric equipment group as the predicted heavy electric equipment input from the user.

본 발명의 일 실시예에 따르면 수신 받은 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 또는 비정상 상태로 미리 진단되어 있던 기준에 따라 정상 상태로 진단된 중전기기에 대한 진단 이력 데이터들을 이용하여 단위 공간 내에서의 거리 평균을 산출할 수 있다.According to an embodiment of the present invention, a unit space using diagnostic history data for a heavy electric machine diagnosed in a normal state according to a criterion previously diagnosed as a normal state or an abnormal state among the received diagnosis history data for a plurality of heavy electric devices You can calculate the average distance within the .

본 발명의 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반으로 단위 공간을 설정할 수 있다.According to an embodiment of the present invention, the unit space may be set based on an average value of measurement data of a plurality of major variables of the diagnostic history data previously diagnosed as normal among the received diagnostic history data of the heavy electric equipment.

본 발명의 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여, 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 정상 그룹을 생성할 수 있다.According to an embodiment of the present invention, measurement data of a plurality of main variables of diagnostic history data pre-diagnosed as normal and abnormal among the received diagnostic history data of heavy electric equipment are input to the insulation determination model to diagnose the received heavy electric equipment A normal group may be generated based on measurement data of major variables of a plurality of diagnostic history data previously diagnosed as normal among the history data.

상기 일 실시예에 따르면 정상 그룹에 포함된 진단 이력 데이터를 대상으로 정규화를 수행하여, 정상 그룹의 중심점으로부터 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정하고, 측정된 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정할 수 있다.According to the embodiment, normalization is performed on the diagnostic history data included in the normal group, and the probability distribution distance from the center point of the normal group to a plurality of diagnostic history data included in the normal group is measured as a unit distance, A space in which the average of the unit distances of the measured unit distances is 1.0 may be selected as the unit space.

본 발명의 일 실시예에 따르면 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터를 대상으로 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균 값을 뺀 값을 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 주어 정규화를 수행하여 각 진단 이력 데이터 별 복수의 정규화된 벡터를 산출할 수 있다.According to an embodiment of the present invention, a value obtained by subtracting the average value of the main variable measurement data of each diagnostic history data included in the normal group from the main variable measurement data of each diagnostic history data included in the normal group is included in the normal group A plurality of normalized vectors for each diagnosis history data may be calculated by performing normalization by dividing each of the diagnostic history data by the standard deviation of the measurement data of the main variables.

본 발명의 일 실시예에 따르면 단위 공간으로 선정하기 위해 정상 그룹의 중심점으로부터 거리 평균이 1.0이 되는 단위 공간을 도출하기 위하여 정상 상태로 미리 진단된 진단 이력 데이터에 포함된 복수의 주요 변수 측정 데이터를 대상으로 정규화를 수행할 수 있다.According to an embodiment of the present invention, in order to select a unit space as a unit space, a plurality of main variable measurement data included in the diagnosis history data pre-diagnosed in a normal state is used in order to derive a unit space in which the average distance from the center point of the normal group is 1.0. Normalization can be performed on the target.

상기 일 실시예에 따르면 정규화는 수학식 1과 같이 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균 값을 뺀 값을 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누는 방식으로 수행할 수 있다.According to the embodiment, the normalization is performed by subtracting the average value of the main variable measurement data of each diagnostic history data included in the normal group as in Equation 1 as the standard of the main variable measurement data of each diagnostic history data included in the normal group. This can be done by dividing by the deviation.

본 발명의 일 실시예에 따르면 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 측정할 수 있다.According to an embodiment of the present invention, a probability distribution distance with a plurality of diagnostic history data included in a normal group can be measured by applying an inverse matrix of a correlation matrix composed of correlation coefficients to a plurality of normalized vectors.

본 발명의 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력할 수 있다.According to an embodiment of the present invention, measurement data of a plurality of major variables of the diagnostic history data previously diagnosed as abnormal among the received diagnostic history data of the heavy electric equipment may be input to the insulation determination model.

본 발명의 일 실시예에 따르면 수신 받은 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 또는 비정상 상태로 미리 진단되어 있던 기준에 따라 비정상 상태로 진단된 중전기기에 대한 진단 이력 데이터들을 이용하여 단위 공간 내에서의 거리 평균을 산출할 수 있다.According to an embodiment of the present invention, a unit space using diagnostic history data for a heavy electric device diagnosed as an abnormal state according to a criterion previously diagnosed as a normal state or an abnormal state among the received diagnosis history data for a plurality of heavy electric devices You can calculate the average distance within the .

상기 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 비정상 그룹을 생성하고, 비정상 그룹에 포함된 복수의 진단 이력 데이터의 주요 변수 측정 데이터에서 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균값을 뺀 값을 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 비정상 그룹을 정규화 하여 복수의 정규화된 벡터를 산출할 수 있다.According to the exemplary embodiment, an abnormal group is generated based on measurement data of major variables of a plurality of diagnostic history data previously diagnosed as abnormal among the received diagnostic history data of heavy electric equipment, and a plurality of diagnostic history data included in the abnormal group is generated. Normalize the abnormal group by subtracting the average value of the main variable measurement data of each diagnostic history data included in the normal group from the main variable measurement data of A plurality of normalized vectors can be calculated.

상기 일 실시예에 따르면 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 비정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정할 수 있다.According to the exemplary embodiment, a probability distribution distance with a plurality of diagnosis history data included in an abnormal group may be measured as a unit distance by applying an inverse matrix of a correlation matrix composed of correlation coefficients to a plurality of normalized vectors.

본 발명의 일 실시예에 따르면 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포가 미리 설정된 기준 이상 차이가 나지 아니하는 경우에는 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 절연 상태 판단 모델의 학습을 반복할 수 있다.According to an embodiment of the present invention, when the distribution of the unit distances of the plurality of diagnostic history data included in the normal group and the unit distances of the plurality of diagnostic history data included in the abnormal group does not differ by more than a preset reference, the insulation is performed. It is determined that the learning of the state determination model is not completed, and the learning of the insulation state determination model may be repeated until a difference greater than or equal to a preset reference occurs.

본 발명의 일 실시예에 따르면 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포를 대비하여 미리 설정된 기준 이상 차이가 나지 않는 경우 예측 능력이 높은 예측 유용 변수들로 절연 상태 판단 모델이 학습되지 못한 것으로 판단하여 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 변수의 종류를 변경하여 절연 상태 판단 모델의 학습을 반복할 수 있다.According to an embodiment of the present invention, the distribution of the unit distances of the plurality of diagnostic history data included in the normal group and the unit distances of the plurality of diagnostic history data included in the abnormal group is predicted when there is no difference by more than a preset criterion It is judged that the insulation state judgment model has not been learned with predictive useful variables with high ability, and it is judged that the learning of the insulation state judgment model is not completed. The training of the model can be repeated.

본 발명의 일 실시예에 따르면 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포의 차이를 크게 하기 위하여 주요 변수 중 복수의 예측 유용 변수를 선정할 수 있으며, 선정된 예측 유용 변수를 기준으로 정상 그룹의 단위 공간 및 단위 거리를 재선정하도록 절연 상태 판단 모델을 재 학습할 수 있다.According to an embodiment of the present invention, in order to increase the difference between the distribution of the unit distances of a plurality of diagnostic history data included in the normal group and the unit distances of the plurality of diagnostic history data included in the abnormal group, prediction of a plurality of major variables is useful. Variables can be selected, and the insulation state judgment model can be retrained to reselect the unit space and unit distance of the normal group based on the selected predictive useful variable.

본 발명의 일 실시예에 따르면 복수의 예측 유용 변수를 선정하기 위하여 2수준계 직교배열표를 이용하여 내측배열과 외측배열에 변수와 신호인자를 배치하고, 각 주요 변수를 대상으로 단위 거리를 계산하고, 계산한 값의 신호 잡음비를 도출할 수 있다.According to an embodiment of the present invention, variables and signal factors are placed in the inner and outer arrays using a two-level orthogonal array table to select a plurality of useful predictive variables, and a unit distance is calculated for each major variable. and the signal-to-noise ratio of the calculated value can be derived.

본 발명의 일 실시예에 따르면 직교배열표는 고차의 교호작용에 관한 정보를 희생시켜서 실험횟수를 적게 할 수 있는 실험계획을 짤 수 있도록 만들어 놓은 표를 의미할 수 있으며, 2수준계 직교배열표는 수학식 3과 같이 표현될 수 있다.According to an embodiment of the present invention, the orthogonal arrangement table may mean a table prepared to make an experiment plan that can reduce the number of experiments at the expense of information on higher-order interactions, and is a two-level orthogonal arrangement table. can be expressed as Equation (3).

본 발명의 일 실시예에 따르면 신호 잡음비 이득이 음의 값을 갖는 경우 해당 변수는 예측 능력이 없는 것으로 판단하고, 신호 잡음비 이득이 양의 값을 갖는 경우 예측 능력이 있는 것으로 판단하며, 양의 값이 클수록 예측 능력이 높은 것으로 판단할 수 있다.According to an embodiment of the present invention, when the signal-to-noise ratio gain has a negative value, it is determined that the corresponding variable has no predictive ability, and when the signal-to-noise-ratio gain has a positive value, it is determined that the corresponding variable has predictive ability, and a positive value It can be determined that the larger the value, the higher the predictive ability.

예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 및 복수의 중전기기의 시점 별 절연 상태정보를 고장 판단 모델에 입력하여 각 중전기기를 시스템 계층으로 나누고, 시스템 계층 별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값에 따라 고장 예측 시점을 판단한다(S30).The diagnosis history data for a plurality of heavy electric equipment included in the same heavy electric equipment group as the predicted heavy electric equipment and insulation state information for each point of time of the plurality of heavy electric equipment are input into the failure determination model to divide each heavy electric equipment into system layers, and request for each system layer A failure prediction time is determined according to the status value for each time point for important measurement items of the functional level to be used (S30).

본 발명의 일 실시예에 따르면 각 중전기기를 미리 설정된 기준에 따라 복수의 하위 계층에 포함된 장치를 가진 상위 계층에 포함된 장치인 상위 계층으로 표현되는 형식으로 시스템 계층을 나누고, 상위 계층으로 갈수록 상위 장치이며, 상위 장치를 이루고 있는 복수의 부품 또는 구성품을 해당 상위 계층의 하위 계층으로 표현될 수 있다.According to an embodiment of the present invention, each heavy electric machine is divided into a system layer in a format expressed as an upper layer that is a device included in an upper layer having devices included in a plurality of lower layers according to a preset criterion, It is a device, and a plurality of parts or components constituting the upper device may be expressed as a lower layer of the corresponding upper layer.

고장 판단 모델에서 도출된 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 입력하여 사전 분포를 산출하고, 출력 변수 대한 사전 분포를 베이시안 접근법을 이용하여 사후 분포로 지속적으로 업데이트한다(S40).The state values for each time point of a plurality of functional levels required for each system layer derived from the failure determination model are selected as output variables, and diagnostic history data and output variables for a plurality of heavy electric equipment included in the same heavy electric equipment group as the predicted heavy electric equipment is input to calculate the prior distribution, and the prior distribution for the output variable is continuously updated to the posterior distribution using the Bayesian approach (S40).

본 발명의 일 실시예에 따르면 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 수신한 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 입력하여 불확실성의 정도에 따라 확률 분포를 산출하고 산출된 확률 분포를 사전 분포로 설정하고, 상기 출력 변수 대한 사전 분포를 베이시안 접근법을 이용하여 사후 분포로 지속적으로 업데이트를 수행할 수 있다.According to an embodiment of the present invention, state values for a plurality of functional levels required for each system layer are selected as output variables for each heavy electric machine derived from the failure determination model, and the same heavy electric equipment group as the received prediction target heavy electric equipment By inputting diagnostic history data and output variables for a plurality of heavy electric machines included in the It can be used to continuously update with a posterior distribution.

본 발명의 일 실시예에 따르면 더 높은 정확도를 위하여 고장 판단 모델을 업데이트 하기 위하여 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 입력하여 불확실성의 정도에 따라 확률 분포를 산출하여 사전 분포로 설정할 수 있다.According to an embodiment of the present invention, in order to update the failure determination model for higher accuracy, state values for a plurality of functional levels required for each system layer are selected as output variables for each heavy electric machine derived from the failure determination model as an output variable. And, by inputting diagnostic history data and output variables for a plurality of heavy electric equipment included in the same heavy electric equipment group as the predicted heavy electric equipment, a probability distribution may be calculated according to the degree of uncertainty and set as a prior distribution.

상기 일 실시 예에 따르면 수학식 6과 같이 사전 분포(

)에 가능도 함수를 적용하여 사후 분포(

)를 산출하여, 산출된 사후 분포가 고장 판단 모델을 이용하여 산출된 출력 변수를 통해 사전 분포로 산출될 수 있도록 베이시안 접근법을 이용하여 고장 판단 모델을 업데이트 할 수 있다.According to the above embodiment, as in Equation 6, the prior distribution (

) by applying a likelihood function to the posterior distribution (

예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 절연 상태 판단 모델에 입력하여 예측 대상 중전기기의 시점 별 절연 상태정보를 제공받고, 예측 대상 중전기기의 시점 별 절연 상태정보 및 예측 대상 중전기기의 진단 이력 데이터를 고장 판단 모델에 입력하여 고장 예측 시점 정보를 생성한다(S50).By inputting the diagnosis history data and heavy electric equipment identification information of the heavy electric equipment to be predicted into the insulation state judgment model, the insulation state information for each point in time of the heavy electric equipment to be predicted is provided, and insulation status information for each point in time of the heavy electric equipment to be predicted and the heavy electric equipment to be predicted By inputting the diagnosis history data of the failure determination model to generate failure prediction time information (S50).

본 발명의 일 실시예에 따르면 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 절연 상태 판단 모델에 입력하여, 예측 대상 중전기기의 시점 별 절연 상태정보를 제공받고, 예측 대상 중전기기의 시점별 절연 상태정보 및 예측 대상 중전기기의 진단 이력 데이터를 고장 판단 모델에 입력하여 고장 예측 시점 정보를 생성할 수 있다.According to an embodiment of the present invention, by inputting the diagnosis history data and the heavy electric equipment identification information of the heavy electric equipment to be predicted to the insulation state determination model, the insulation state information for each time point of the heavy electric equipment to be predicted is provided, and the time of the heavy electric equipment to be predicted. By inputting the separate insulation state information and the diagnosis history data of the heavy electric equipment to be predicted into the failure determination model, it is possible to generate failure prediction time information.

본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.The embodiment of the present invention is not implemented only through the apparatus and/or method described above, and although the embodiment of the present invention has been described in detail above, the scope of the present invention is not limited thereto, and the scope of the present invention is not limited thereto. Various modifications and improvements by those skilled in the art using the basic concept of the present invention as defined in are also within the scope of the present invention.

Claims

It stores diagnostic history data and heavy electric equipment identification information for a plurality of heavy electric machines generated by arranging the diagnostic information for each heavy electric machine in time series, and has a correlation with at least one item of manufacturer, manufacturing time, and capacity of heavy electric equipment. a database for managing diagnostic history data and heavy electric equipment identification information for heavy electric equipment to create a plurality of heavy electric equipment groups;
Set a unit space by receiving, as learning data, diagnostic history data pre-diagnosed as normal and abnormal among diagnostic history data for a plurality of heavy electric equipment included in the same heavy electric equipment group as the predicted heavy electric equipment from the database as learning data, an insulation state determination model learning unit for calculating an average distance within the unit space for determining a state and an abnormal state and learning an insulation state determination model capable of determining an insulation state through the distance average;
Among the diagnostic history data for a plurality of heavy electric devices included in the same heavy electric equipment group as the predicted heavy electric equipment from the database, the diagnosis history data pre-diagnosed as normal and abnormal states are input to the failure determination model, and each heavy electric machine is converted into a system layer. Based on the diagnostic history data pre-diagnosed as normal and abnormal, for each heavy electric machine, the status values for the important measurement items of the functional level required for each system layer are derived at each point in time, and requested for each derived system layer. a failure determination model learning unit for learning a failure determination model for determining a failure prediction time according to whether a state value for each time point of the functional level is satisfied;
For each heavy electric machine derived from the failure determination model, a state value for each time point of a plurality of functional levels required for each system layer is selected as an output variable, and a plurality of By inputting diagnostic history data and output variables for heavy electric equipment, a probability distribution is calculated according to the degree of uncertainty, the calculated probability distribution is set as a prior distribution, and the prior distribution for the output variable is converted to a posterior distribution using a Bayesian approach. a model data learning performing unit that continuously updates; and
By inputting the diagnosis history data and heavy electric equipment identification information of the prediction target heavy electric equipment into the insulation state determination model, the insulation state information for each time point of the prediction target heavy electric equipment is provided, and the insulation state information for each time point of the prediction target heavy electric equipment and A failure prediction time information generation unit for generating failure prediction time information by inputting the diagnostic history data of the heavy electric equipment to be predicted into the failure determination model,
The failure determination model learning unit,
A system layer is divided into a format expressed as an upper layer, which is a device included in an upper layer, with devices included in a plurality of lower layers according to preset criteria;
By using the failure determination model, the status value for each system layer for important measurement items of the functional level required for each system layer is derived for each system layer, and by analyzing the diagnosis history data of a plurality of heavy electric equipment and the insulation status information at each point in time, each system The failure prediction timing is determined by calculating the failure probability for each time point according to the probability that the state value for each time point for the important measurement item derived for each layer does not meet the preset threshold value,
The model data learning performing unit,
For each heavy electric machine derived from the failure determination model, the state value for each time point of a plurality of functional levels required for each system layer is selected as an output variable, and diagnosis of a plurality of heavy electric equipment included in the same heavy electric equipment group as the predicted heavy electric equipment By inputting historical data and output variables, the probability distribution is calculated according to the degree of uncertainty and set as a prior distribution,
prior distribution (

) by applying a likelihood function to the posterior distribution (

), so that the calculated posterior distribution can be calculated as a prior distribution through the output variable calculated using the failure determination model. A model-data-based life expectancy prediction system for heavy electric equipment.

The method of claim 1, wherein the insulation state determination model learning unit,
By inputting the measurement data of a plurality of major variables of the diagnostic history data pre-diagnosed as normal and abnormal among the received diagnostic history data of heavy electric equipment into the insulation judgment model,
A normal group is created based on the main variable measurement data of a plurality of diagnostic history data pre-diagnosed as normal among the received diagnostic history data of heavy electric equipment,
Normalization is performed on the diagnostic history data included in the normal group to measure a probability distribution distance from the center point of the normal group to a plurality of diagnostic history data included in the normal group as a unit distance, and the measured unit distance A model-data-based life expectancy prediction system for heavy electric equipment, characterized in that the space where the average of the unit distances is 1.0 is selected as the unit space.

The method of claim 2, wherein the insulation state determination model learning unit,
A value obtained by subtracting the average value of the main variable measurement data of each diagnostic history data included in the normal group from the main variable measurement data of each diagnostic history data included in the normal group is obtained by subtracting the average value of each diagnostic history data included in the normal group A model-data-based life expectancy prediction system for heavy electric equipment, characterized in that the normalization is performed by dividing by the standard deviation of the measurement data of the main variables of , and a plurality of normalized vectors for each diagnosis history data are calculated.

According to claim 3, The insulation state determination model learning unit,
A model-data-based heavy electric machine, characterized in that the probability distribution distance with a plurality of diagnostic history data included in a normal group is measured by applying an inverse matrix of a correlation matrix composed of correlation coefficients to the plurality of normalized vectors Life Prediction System.

The method of claim 2, wherein the insulation state determination model learning unit,
By inputting the measurement data of a plurality of major variables of the diagnostic history data pre-diagnosed as abnormal among the received diagnostic history data of heavy electric equipment into the insulation judgment model,
An abnormal group is created based on the main variable measurement data of a plurality of diagnostic history data pre-diagnosed as abnormal among the received diagnostic history data of heavy electric equipment,
A value obtained by subtracting the average value of the main variable measurement data of each diagnostic history data included in the normal group from the main variable measurement data of a plurality of diagnostic history data included in the abnormal group A plurality of normalized vectors are calculated by normalizing the abnormal group by dividing by the standard deviation of the variable measurement data,
Model-data-based, characterized in that by applying an inverse matrix of a correlation matrix composed of correlation coefficients to the plurality of normalized vectors, a probability distribution distance with a plurality of diagnostic history data included in an abnormal group is measured as a unit distance of Heavy Electric Machinery Life Prediction System.

The method of claim 5, wherein the insulation state determination model learning unit,
When the distribution of the unit distances of the plurality of diagnostic history data included in the normal group and the unit distances of the plurality of diagnostic history data included in the abnormal group does not differ by more than a preset reference,
Model-data-based heavy electric equipment life prediction system, characterized in that it is determined that the learning of the insulation state determination model is not completed and repeats the learning of the insulation state determination model until there is a difference greater than or equal to a preset criterion.

The method of claim 6, wherein the insulation state determination model learning unit,
A plurality of predictive useful variables among the main variables are selected to increase the difference between the distribution of the unit distances of the plurality of diagnostic history data included in the normal group and the unit distances of the plurality of diagnostic history data included in the abnormal group,
Model-data-based heavy electric equipment life prediction system, characterized in that re-learning the insulation state determination model to reselect the unit space and unit distance of the normal group based on the selected predictive useful variable.

The method of claim 7, wherein the insulation state determination model learning unit,
In order to select the plurality of useful predictive variables, variables and signal factors are placed in the inner and outer arrays using a two-level orthogonal array table, the unit distance is calculated for each major variable, and the signal of the calculated value A model-data-based heavy electric machine life prediction system, characterized in that the noise ratio is derived.

The method of claim 7, wherein the insulation state determination model learning unit,
In order to determine whether each variable included in the plurality of useful predictive variables has predictive ability,
A model-data-based life expectancy prediction system for heavy electric equipment, characterized in that the signal-to-noise ratio gain is calculated by using the difference of the average signal-to-noise ratio of the unit distance calculated for each variable.

The method of claim 9, wherein the insulation state determination model learning unit,
If the signal-to-noise ratio gain has a negative value, it is determined that the variable has no predictive ability,
If the signal-to-noise ratio gain has a positive value, it is determined that there is predictive ability,
A model-data-based heavy electric machine life prediction system, characterized in that it is determined that the predictive ability is higher as the positive value is greater.

It stores diagnostic history data and heavy electric equipment identification information for a plurality of heavy electric machines generated by arranging the diagnostic information for each heavy electric machine in time series, and has a correlation with at least one item of manufacturer, manufacturing time, and capacity of heavy electric equipment. managing to create a plurality of heavy electric equipment groups by grouping diagnostic history data and heavy electric equipment identification information for the heavy electric equipment;
The unit space is set by receiving the diagnosis history data pre-diagnosed as normal and abnormal among the diagnostic history data for a plurality of heavy electric equipment included in the same heavy electric equipment group as the predicted heavy electric equipment from the database as learning data, and setting the unit space and calculating a distance average within the unit space for determining an abnormal state and learning an insulation state determination model capable of determining an insulation state through the distance average;
Among the diagnostic history data for a plurality of heavy electric devices included in the same heavy electric equipment group as the predicted heavy electric equipment from the database, the diagnosis history data pre-diagnosed as normal and abnormal states are input to the failure determination model, and each heavy electric machine is converted into a system layer. Based on the diagnostic history data pre-diagnosed as normal and abnormal, for each heavy electric machine, the status values for the important measurement items of the functional level required for each system layer are derived at each point in time, and requested for each derived system layer. training a failure determination model to determine a failure prediction time according to whether a state value for each time point of the functional level is satisfied;
For each heavy electric machine derived from the failure determination model, a state value for each time point of a plurality of functional levels required for each system layer is selected as an output variable, and a plurality of By inputting diagnostic history data and output variables for heavy electric equipment, a probability distribution is calculated according to the degree of uncertainty, the calculated probability distribution is set as a prior distribution, and the prior distribution for the output variable is converted to a posterior distribution using a Bayesian approach. continuously performing updates; and
By inputting the diagnosis history data and heavy electric equipment identification information of the prediction target heavy electric equipment into the insulation state determination model, the insulation state information for each time point of the prediction target heavy electric equipment is provided, and the insulation state information for each time point of the prediction target heavy electric equipment and Including the step of inputting the diagnosis history data of the heavy electric equipment to be predicted into the failure determination model to generate failure prediction time information,
The step of learning the failure determination model comprises:
A system layer is divided into a format expressed as an upper layer, which is a device included in an upper layer, with devices included in a plurality of lower layers according to preset criteria;
Using the failure determination model, the state value for each system layer for important measurement items of the functional level required for each system layer is derived for each system layer, and the diagnosis history data of a plurality of heavy electric equipment and the insulation status information for each point are analyzed for each system. The failure prediction timing is determined by calculating the failure probability for each time point according to the probability that the status value for each time point for the important measurement item derived for each layer does not meet the preset threshold value,
The step of performing the update is:
For each heavy electric machine derived from the failure determination model, the state value for each time point of a plurality of functional levels required for each system layer is selected as an output variable, and diagnosis of a plurality of heavy electric equipment included in the same heavy electric equipment group as the heavy electric equipment to be predicted By inputting historical data and output variables, the probability distribution is calculated according to the degree of uncertainty and set as a prior distribution,
prior distribution (

) by applying the likelihood function to the posterior distribution (

), and the calculated posterior distribution can be calculated as a prior distribution through the output variable calculated using the failure determination model. A method of predicting the lifespan of heavy electric equipment based on model-data.

12. The method of claim 11, wherein the step of training the insulation state determination model,
By inputting the measurement data of a plurality of major variables of the diagnostic history data pre-diagnosed as normal and abnormal among the received diagnostic history data of heavy electric equipment into the insulation judgment model,
A normal group is created based on the main variable measurement data of a plurality of diagnostic history data pre-diagnosed as normal among the received diagnostic history data of heavy electric equipment,
Normalization is performed on the diagnostic history data included in the normal group to measure a probability distribution distance from the center point of the normal group to a plurality of diagnostic history data included in the normal group as a unit distance, and the measured unit distance A model-data-based lifespan prediction method of heavy electric equipment, characterized in that a space in which the average of the unit distances is 1.0 is selected as the unit space.

13. The method of claim 12, wherein the step of training the insulation state determination model,
A value obtained by subtracting the average value of the main variable measurement data of each diagnostic history data included in the normal group from the main variable measurement data of each diagnostic history data included in the normal group is obtained by subtracting the average value of each diagnostic history data included in the normal group A method for predicting the lifespan of heavy electric equipment based on model-data, characterized in that the normalization is performed by dividing by the standard deviation of the measurement data of the main variables of

14. The method of claim 13, wherein the step of training the insulation state determination model,
A model-data-based heavy electric machine, characterized in that the probability distribution distance with a plurality of diagnostic history data included in a normal group is measured by applying an inverse matrix of a correlation matrix composed of correlation coefficients to the plurality of normalized vectors Life expectancy method.

13. The method of claim 12, wherein the step of training the insulation state determination model,
By inputting the measurement data of a plurality of major variables of the diagnostic history data pre-diagnosed as abnormal among the received diagnostic history data of heavy electric equipment into the insulation judgment model,
An abnormal group is created based on the main variable measurement data of a plurality of diagnostic history data pre-diagnosed as abnormal among the received diagnostic history data of heavy electric equipment,
A value obtained by subtracting the average value of the main variable measurement data of each diagnostic history data included in the normal group from the main variable measurement data of a plurality of diagnostic history data included in the abnormal group A plurality of normalized vectors are calculated by normalizing the abnormal group by dividing by the standard deviation of the variable measurement data,
Model-data-based, characterized in that by applying an inverse matrix of a correlation matrix composed of correlation coefficients to the plurality of normalized vectors, a probability distribution distance with a plurality of diagnostic history data included in an abnormal group is measured as a unit distance method of predicting the life of heavy electric equipment.

16. The method of claim 15, wherein the step of learning the insulation state determination model,
When the distribution of the unit distances of the plurality of diagnostic history data included in the normal group and the unit distances of the plurality of diagnostic history data included in the abnormal group does not differ by more than a preset reference,
It is determined that the learning of the insulation state determination model is not completed, and the learning of the insulation state determination model is repeated until there is a difference greater than or equal to a preset criterion.

17. The method of claim 16, wherein the step of training the insulation state determination model,
A plurality of predictive useful variables among the main variables are selected to increase the difference between the distribution of the unit distances of the plurality of diagnostic history data included in the normal group and the unit distances of the plurality of diagnostic history data included in the abnormal group,
Model-data-based heavy electric machine life prediction method, characterized in that re-learning the insulation state determination model to reselect the unit space and unit distance of the normal group based on the selected predictive useful variable.

18. The method of claim 17, wherein the step of training the insulation state determination model,
In order to select the plurality of useful predictive variables, variables and signal factors are placed in the inner and outer arrays using a two-level orthogonal array table, the unit distance is calculated for each major variable, and the signal of the calculated value A model-data-based heavy electric machine life prediction method, characterized in that the noise ratio is derived.

18. The method of claim 17, wherein the step of training the insulation state determination model,
In order to determine whether each variable included in the plurality of useful predictive variables has predictive ability,
A model-data-based lifespan prediction method of heavy electric equipment, characterized in that the signal-to-noise ratio gain is calculated using the difference of the average signal-to-noise ratio of the unit distance calculated for each variable.

The method of claim 19, wherein the step of learning the insulation state determination model comprises:
If the signal-to-noise ratio gain has a negative value, it is determined that the variable has no predictive ability,
If the signal-to-noise ratio gain has a positive value, it is determined that there is predictive ability,
A model-data-based heavy electric machine life prediction method, characterized in that it is determined that the predictive ability is higher as the positive value increases.