KR102474031B1 - 수요예측방법을 구비한 고장예측 방법 및 이를 이용하는 장치 - Google Patents
수요예측방법을 구비한 고장예측 방법 및 이를 이용하는 장치 Download PDFInfo
- Publication number
- KR102474031B1 KR102474031B1 KR1020210179720A KR20210179720A KR102474031B1 KR 102474031 B1 KR102474031 B1 KR 102474031B1 KR 1020210179720 A KR1020210179720 A KR 1020210179720A KR 20210179720 A KR20210179720 A KR 20210179720A KR 102474031 B1 KR102474031 B1 KR 102474031B1
- Authority
- KR
- South Korea
- Prior art keywords
- energy consumption
- energy
- data
- failure
- prediction
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005265 energy consumption Methods 0.000 claims abstract description 103
- 238000012545 processing Methods 0.000 claims description 22
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 description 7
- 238000012800 visualization Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/10—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods using digital techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
에너지 사용 설비 수요/고장 예측 방법이 제공된다. 본 발명의 실시예에 따른 에너지 사용 설비 수요/고장 예측 방법은, 에너지 소비량 데이터로부터 에너지 사용 설비의 에너지 소비량을 예측하고, 진동과 소음 데이터를 기초로 에너지 사용 설비의 고장을 예측한다. 이에 의해, 효율적인 에너지 관리가 가능해지고, 에너지 사용 설비의 고장을 미리 예측함으로써 고장 발생 이전에 사전 조치를 취하여 공장 미가동 사태를 미연에 방지할 수 있게 된다.
Description
본 발명은 에너지 설비 관리 기술에 관한 것으로, 더욱 상세하게는 인공지능 모델을 활용하여 에너지 사용 설비의 에너지 수요와 고장을 예측하는 방법 및 시스템에 관한 것이다.
산업 단지의 에너지 네트워크에는 많은 에너지 사용 설비들이 포함되어 있다. 에너지 사용 설비가 고장나면, 공장 가동에 차질이 생기는데, 이로 인해 막대한 손해가 발생할 수도 있다.
이에 따라, 에너지 사용 설비들에 대한 고장을 모니터링하고, 고장 발생시 조속한 조치를 취하는 것은 매우 중요하다. 고장에 대한 조속한 조치의 전제는 에너지 사용 설비의 고장을 빠르게 알아내는 것이다.
나아가, 에너지 사용 설비에 고장이 발생하기 전에 이를 미리 예측할 수 이다면, 더욱 빠른 조치가 가능하다. 더불어 에너지 사용 설비의 에너지 소비를 예측하기 위한 방법도 요구된다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 에너지 사용 설비의 에너지 수요와 고장을 미리 예측하기 위한 방법 및 시스템을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 에너지 사용 설비 수요/고장 예측 방법은, 에너지 소비량 데이터를 취득하는 단계; 취득된 에너지 소비량 데이터를 가공하는 단계; 가공된 에너지 소비량 데이터로부터 에너지 사용 설비의 에너지 소비량을 예측하는 제1 예측단계; 에너지 사용 설비의 진동과 소음 데이터를 취득하는 단계; 취득된 진동과 소음 데이터를 가공하는 단계; 가공된 진동과 소음 데이터를 기초로, 에너지 사용 설비의 고장을 예측하는 제2 예측단계;를 포함한다.
제1 예측 단계는, 가공된 에너지 소비량 데이터를 분석하여 에너지 사용 설비의 에너지 소비량을 예측하도록 학습된 인공지능 모델인 에너지 소비 예측 모델을 이용하여, 에너지 소비량을 예측할 수 있다.
제1 예측 단계는, 에너지 소비량을 다수의 타임 프레임으로 예측할 수 있다.
에너지 소비 예측 모델은, 전이 학습 방식으로 학습될 수 있다.
에너지 소비 예측 모델에서, 컨볼류션 레이어의 파라미터는, 사전 학습된 모델(pretrained model)의 파라미터로 고정되고, 분류기의 파라미터는, 재학습을 통해 업데이트될 수 있다.
컨볼류션 레이어 중 하부 레이어의 파라미터는, 사전 학습된 모델(pretrained model)의 파라미터로 고정되고, 컨볼류션 레이어 중 상부 레이어의 파라미터는, 재학습을 통해 업데이트될 수 있다.
본 발명의 실시예에 따른 에너지 사용 설비 수요/고장 예측 방법은, 제1 예측단계의 예측 결과와 제2 예측단계의 예측 결과를 가시화하는 단계;를 더 포함할 수 있다.
한편, 본 발명의 다른 실시예에 따른, 에너지 사용 설비 수요/고장 예측 시스템은, 에너지 소비량 데이터를 취득하는 제1 수집부; 취득된 에너지 소비량 데이터를 가공하는 제1 가공부; 가공된 에너지 소비량 데이터로부터 에너지 사용 설비의 에너지 소비량을 예측하는 제1 예측부; 에너지 사용 설비의 진동과 소음 데이터를 취득하는 제2 수집부; 취득된 진동과 소음 데이터를 가공하는 제2 가공부; 가공된 진동과 소음 데이터를 기초로, 에너지 사용 설비의 고장을 예측하는 제2 예측부;를 포함한다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 에너지 사용 설비의 수요와 고장 예측을 통해, 효율적인 에너지 관리가 가능해지고, 에너지 사용 설비의 고장을 미리 예측함으로써 고장 발생 이전에 사전 조치를 취하여 공장 미가동 사태를 미연에 방지할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 에너지 설비 수요/고장 예측 시스템의 구성을 도시한 도면,
도 2는 에너지 소비 예측 모델,
도 3 내지 도 5는 에너지 소비량 예측 과정 및 결과,
도 6은 에너지 소비 예측 모델의 학습 방법,
도 7은 에너지 소비 예측 모델의 학습 결과,
도 8은 고장 예측 모델이다.
도 2는 에너지 소비 예측 모델,
도 3 내지 도 5는 에너지 소비량 예측 과정 및 결과,
도 6은 에너지 소비 예측 모델의 학습 방법,
도 7은 에너지 소비 예측 모델의 학습 결과,
도 8은 고장 예측 모델이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 에너지 설비 수요/고장 예측 시스템의 구성을 도시한 도면이다. 본 발명의 실시예에 따른 시스템은 에너지 설비의 에너지 소비량을 예측하고, 에너지 설비의 고장을 예측하는 시스템이다.
이와 같은 기능을 수행하는 본 발명의 실시예에 따른 에너지 설비 고장 예측 시스템은, 데이터 수집부(110,140), 데이터 가공부(120,150), 에너지 소비량 예측부(130), 고장 예측부(160) 및 가시화부(170)를 포함하여 구성된다.
데이터 수집부(110)는 에너지 사용 설비로부터 시계열의 에너지 소비량 데이터를 취득한다. 데이터 취득을 위해 에너지 사용 설비에 에너지 소비량을 측정하여 에너지 설비 고장 예측 시스템으로 전송하는 센서를 부착할 수 있다.
취득되는 데이터는 에너지 사용 설비의 종류, 구체적으로, 에너지 사용 설비가 소비하는 에너지의 종류에 따라 구별된다. 소비가능한 에너지에는 스팀, 압축공기, 온수, 냉수 등이 포함될 수 있다.
데이터 가공부(120)는 데이터 수집부(110)에 의해 취득된 에너지 소비량 데이터를 가공한다. 여기서, 데이터 가공은 에너지 소비량 데이터를 샘플링하고 정규화하며, 다수의 프레임으로 구분하는 등의 전처리 절차를 말한다. 프레임들은 일부가 오버랩되도록 한다.
에너지 소비량 예측부(130)는 데이터 가공부(120)에 의해 가공된 에너지 소비량 데이터로부터 에너지 사용 설비의 에너지 소비량을 예측한다. 이를 위해, 에너지 소비량 예측부(130)는 에너지 소비량 데이터를 분석하여 에너지 사용 설비의 에너지 소비량을 예측하도록 학습된 인공지능 모델인 에너지 소비 예측 모델을 이용한다.
에너지 소비 예측 모델은 도 2에 도시된 바와 같이, RNN 모델과 CNN 모델의 복합 모델인 RCNN 모델으로 구현할 수 있지만, 그 밖의 다른 종류의 인공지능 모델로 구현하는 것을 배제하지 않는다.
도 3과 도 4에는 에너지 소비량 예측부(130)에 의한 예측 과정 및 결과를 예시하였다. 도시된 바와 같이, 에너지 소비량 예측은 다수의 타임 프레임으로 수행될 수 있다. 즉, 일 단위 예측과 시간 단위 예측 모두가 가능하다.
가시화부(170)는 에너지 소비량 예측부(130)에 의한 에너지 소비량 예측 결과를 가시화한다. 가시화부(170)에 의해 가시화되는 에너지 소비량 예측 결과를 도 5에 예시하였다.
한편, 에너지 소비 예측 모델을 학습시키기 위해, 데이터 수집부(110) 또는 데이터베이스로부터 에너지 소비량 학습 데이터를 취득한다. 다음, 데이터 가공부(120)는 취득한 학습 데이터들을 가공하는데, 구체적인 가공 방법은 다음과 같다.
1) 먼저 취득된 학습 데이터를 에너지 사용 설비의 상태에 따라 4가지(Arc, Corona, Tracking, Normal)로 구분하여 라벨링한 후 각기 다른 폴더에 분류하여 저장한다.
2) 다음, 분류된 학습 데이터 별로 정해진 샘플링 주파수(이를 테면, 32kHz)에 따라 샘플링한다.
3) 그리고, 샘플링된 학습 데이터를 [-1.0 ~ 1.0] 범위로 정규화한다.
4) 이후, 정규화된 학습 데이터에 대해, 정해진 크기(이를 테면, 960ms)의 윈도우를 정해진 크기(480ms)의 호핑하여 프레임화 한다. 이에 의해, 학습 데이터가 다수의 프레임들로 구분된다. 예시된 크기의 윈도우와 홉 거리를 이용하는 경우, 각 프레임들은 인접한 프레임들과 50%가 오버랩된다.
데이터 가공이 완료되면, 가공된 학습 데이터를 에너지 소비 예측 모델에 입력하여 에너지 사용 설비의 에너지 소비량을 예측하고, 예측된 에너지 소비량과 GT(Ground Truth) 간의 손실(Loss)이 최소화 되는 방향으로 에너지 소비 예측 모델의 파라미터들을 업데이트한다.
한편, 에너지 소비 예측 모델의 학습은 전이 학습(Transfer learning) 방식으로 수행될 수 있다. 구체적으로, 도 6의 우측에 도시된 바와 같이, 에너지 소비 예측 모델 중 특징을 추출하는 컨볼류션 레이어(Convolutional layer)는 사전 학습된 모델(pretrained model)의 파라미터로 고정하고, 분류기(Classifier)로 기능하는 Fully connected layer의 파라미터는 재학습을 통해 업데이트하는 것이다.
다른 방식도 가능한다. 이를 테면, 도 6의 좌측에 도시된 바와 같이, 에너지 소비 예측 모델의 컨볼류션 레이어 중 낮은 계층에 대해서는 사전 학습된 모델의 파라미터로 고정하고, 컨볼류션 레이어 중 높은 계층과 분류기(Fully connected layer)의 파라미터는 재학습을 통해 업데이트하는 것이다.
한편, 에너지 소비 예측 모델의 학습시에는 학습 데이터 세트에 에너지 소비 예측 모델이 편향되는 것을 방지하기 위해, 학습 데이터 세트에 대해 stratified split를 적용한다.
구체적으로, 학습 데이터를 정해진 비율에 따라 학습 데이터 세트(Training set), 검증 데이터 세트(Validation Set) 및 테스트 데이터 세트(Test Set)로 분리하여, 학습, 검증, 테스트를 각각 수행할 수 있다.
도 7은 에너지 소비 예측 모델의 학습 결과로써, 학습 수행에 따른 예측 정확도와 손실을 나타낸 그래프이다.
다시, 도 1을 참조하여 고장 예측 방법에 대해 설명한다.
데이터 수집부(140)는 에너지 사용 설비로부터 시계열의 소음 데이터와 진동 데이터를 취득한다. 데이터 취득을 위해 에너지 사용 설비에 소음 측정을 위한 마이크와 진동량 측정을 위한 진동 센서를 부착할 수 있다.
데이터 가공부(150)는 데이터 수집부(140)에 의해 취득된 소음 데이터와 진동 데이터를 가공한다. 여기서, 데이터 가공은 소음 데이터와 진동 데이터를 샘플링하고 정규화하며, 다수의 프레임으로 구분하는 등의 전처리 절차를 말한다. 프레임들은 일부가 오버랩되도록 한다.
고장 예측부(140)는 데이터 가공부(120)에 의해 가공된 소음 데이터와 진동 데이터를 분석하여 에너지 설비의 고장을 예측하도록 학습된 딥러닝 모델인 고장 예측 모델을 이용한다.
구체적으로, 고장 예측 모델은 도 8에 제시된 바와 같은 Mobilenet depthwise-separable-Convolution Architecture 기반의 CNN 모델을 활용할 수 있는데 그 밖의 다른 구조를 사용하는 것도 가능하다.
가시화부(170)는 고장 예측부(140)에 의한 고장 예측 결과를 가시화한다. 고장 예측시 가시화부(150)는 고장에 대한 대처 방법을 함께 가시화할 수 있다.
지금까지, 에너지 설비의 수요와 고장을 예측하기 위한 방법 및 시스템에 대해 바람직한 실시예를 들어 상세히 설명하였다.
위 실시예에서 에너지 소비 예측 모델은 에너지 소비량 데이터만을 입력받아 에너지 소비량을 예측하는 것을 상정하였는데 변형이 가능하다. 이를 테면, 에너지 소비량 데이터 외에 에너지 특성 계수, 외부 환경 데이터를 더 입력받아 에너지 소비량을 예측하도록 구현하는 것도 가능하다.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
110,140 : 데이터 수집부
120,150 : 데이터 가공부
130 : 에너지 소비량 예측부
160 : 고장 예측부
170 : 가시화부
120,150 : 데이터 가공부
130 : 에너지 소비량 예측부
160 : 고장 예측부
170 : 가시화부
Claims (8)
- 에너지 사용 설비 수요/고장 예측 시스템이, 에너지 사용 설비의 에너지 소비량 데이터를 취득하는 단계;
에너지 사용 설비 수요/고장 예측 시스템이, 취득된 에너지 소비량 데이터를 가공하는 단계;
에너지 사용 설비 수요/고장 예측 시스템이, 가공된 에너지 소비량 데이터를 분석하여 에너지 사용 설비의 에너지 소비량을 예측하도록 학습된 인공지능 모델인 에너지 소비 예측 모델을 이용하여 가공된 에너지 소비량 데이터로부터 에너지 사용 설비의 에너지 소비량을 예측하는 제1 예측단계;
에너지 사용 설비 수요/고장 예측 시스템이, 에너지 사용 설비의 진동과 소음 데이터를 취득하는 단계;
에너지 사용 설비 수요/고장 예측 시스템이, 취득된 진동과 소음 데이터를 가공하는 단계;
에너지 사용 설비 수요/고장 예측 시스템이, 가공된 진동과 소음 데이터를 기초로, 에너지 사용 설비의 고장을 예측하는 제2 예측단계;를 포함하고,
에너지 소비 예측 모델을 구성하는 컨볼류션 레이어와 분류기는,
전이 학습 방식으로 학습되되,
분류기의 파라미터는,
재학습을 통해 업데이트되며,
컨볼류션 레이어 중 하부 레이어의 파라미터는,
사전 학습된 모델(pretrained model)의 파라미터로 고정되고,
컨볼류션 레이어 중 상부 레이어의 파라미터는,
재학습을 통해 업데이트되며,
취득단계는,
에너지 소비량 데이터로, 스팀, 압축공기, 온수, 냉수 소비량 데이터를 취득하고,
가공단계는,
취득된 에너지 소비량 데이터를 32kHz로 샘플링하는 단계;
샘플링된 에너지 소비량 데이터를 [-1.0 ~ 1.0] 범위로 정규화하는 단계;
정규화된 에너지 소비량 데이터에 대해, 960ms의 윈도우를 480ms로 호핑하면서 다수의 프레임으로 구분하되, 각 프레임이 인접한 프레임과 50%가 오버랩되도록 구분하는 단계;를 포함하고,
에너지 소비 예측 모델은,
가공단계에 의해 가공된 에너지 소비량 데이터와 외부 환경 데이터 외에 에너지 특성 계수를 더 이용하여, 에너지 소비량을 예측하는 것을 특징으로 하는 에너지 사용 설비 수요/고장 예측 방법.
- 삭제
- 청구항 1에 있어서,
제1 예측 단계는,
에너지 사용 설비 수요/고장 예측 시스템이, 에너지 소비량을 다수의 타임 프레임으로 예측하는 것을 특징으로 하는 에너지 사용 설비 수요/고장 예측 방법.
- 삭제
- 삭제
- 삭제
- 청구항 1에 있어서,
에너지 사용 설비 수요/고장 예측 시스템이, 제2 예측단계의 예측 결과와 제2 예측단계의 예측 결과를 가시화하는 단계;를 더 포함하는 것을 특징으로 하는 에너지 사용 설비 수요/고장 예측 방법.
- 에너지 사용 설비의 에너지 소비량 데이터를 취득하는 제1 수집부;
취득된 에너지 소비량 데이터를 가공하는 제1 가공부;
가공된 에너지 소비량 데이터를 분석하여 에너지 사용 설비의 에너지 소비량을 예측하도록 학습된 인공지능 모델인 에너지 소비 예측 모델을 이용하여 가공된 에너지 소비량 데이터로부터 에너지 사용 설비의 에너지 소비량을 예측하는 제1 예측부;
에너지 사용 설비의 진동과 소음 데이터를 취득하는 제2 수집부;
취득된 진동과 소음 데이터를 가공하는 제2 가공부; 및
가공된 진동과 소음 데이터를 기초로, 에너지 사용 설비의 고장을 예측하는 제2 예측부;를 포함하고,
에너지 소비 예측 모델을 구성하는 컨볼류션 레이어와 분류기는,
전이 학습 방식으로 학습되되,
분류기의 파라미터는,
재학습을 통해 업데이트되며,
컨볼류션 레이어 중 하부 레이어의 파라미터는,
사전 학습된 모델(pretrained model)의 파라미터로 고정되고,
컨볼류션 레이어 중 상부 레이어의 파라미터는,
재학습을 통해 업데이트되며,
제1 수집부는,
에너지 소비량 데이터로, 스팀, 압축공기, 온수, 냉수 소비량 데이터를 취득하고,
제1 가공부는,
취득된 에너지 소비량 데이터를 32kHz로 샘플링하고,
샘플링된 에너지 소비량 데이터를 [-1.0 ~ 1.0] 범위로 정규화하며,
정규화된 에너지 소비량 데이터에 대해, 960ms의 윈도우를 480ms로 호핑하면서 다수의 프레임으로 구분하되, 각 프레임이 인접한 프레임과 50%가 오버랩되도록 구분하고,
에너지 소비 예측 모델은,
제1 가공부에 의해 가공된 에너지 소비량 데이터와 외부 환경 데이터 외에 에너지 특성 계수를 더 이용하여, 에너지 소비량을 예측하는 것을 특징으로 하는 에너지 사용 설비 수요/고장 예측 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210179720A KR102474031B1 (ko) | 2021-12-15 | 2021-12-15 | 수요예측방법을 구비한 고장예측 방법 및 이를 이용하는 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210179720A KR102474031B1 (ko) | 2021-12-15 | 2021-12-15 | 수요예측방법을 구비한 고장예측 방법 및 이를 이용하는 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102474031B1 true KR102474031B1 (ko) | 2022-12-02 |
Family
ID=84418008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210179720A KR102474031B1 (ko) | 2021-12-15 | 2021-12-15 | 수요예측방법을 구비한 고장예측 방법 및 이를 이용하는 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102474031B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019101525A (ja) * | 2017-11-29 | 2019-06-24 | Kddi株式会社 | 属性クラスタの重みを利用した使用量予測プログラム、装置及び方法 |
| JP2021103083A (ja) * | 2019-11-26 | 2021-07-15 | ダイキン工業株式会社 | 機械学習装置、デマンド制御システム、及び、空調制御システム |
| KR20210143645A (ko) * | 2020-05-20 | 2021-11-29 | 오토시맨틱스 주식회사 | 딥러닝 기반 빌딩 에너지 관리방법 및 장치 |
-
2021
- 2021-12-15 KR KR1020210179720A patent/KR102474031B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019101525A (ja) * | 2017-11-29 | 2019-06-24 | Kddi株式会社 | 属性クラスタの重みを利用した使用量予測プログラム、装置及び方法 |
| JP2021103083A (ja) * | 2019-11-26 | 2021-07-15 | ダイキン工業株式会社 | 機械学習装置、デマンド制御システム、及び、空調制御システム |
| KR20210143645A (ko) * | 2020-05-20 | 2021-11-29 | 오토시맨틱스 주식회사 | 딥러닝 기반 빌딩 에너지 관리방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yao et al. | A survey of transfer learning for machinery diagnostics and prognostics | |
| KR20200043196A (ko) | 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법 | |
| CN117332347A (zh) | 一种机巡与ai融合的电网智慧运维方法及系统 | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| KR102509699B1 (ko) | 사운드 기반 다중 기기 운영 모니터링 방법과 이를 위한 시스템 | |
| CN115510901B (zh) | 带式输送机托辊的故障识别方法和装置 | |
| Gu et al. | An improved sensor fault diagnosis scheme based on TA-LSSVM and ECOC-SVM | |
| CN117937768B (zh) | 智能电气柜远程监控系统 | |
| CN118313812A (zh) | 一种基于机器学习的电力大数据采集处理方法 | |
| CN118408583B (zh) | 一种编码器故障诊断方法及系统 | |
| CN117674128A (zh) | 基于电力调度系统自动化故障排除方法 | |
| Pang et al. | Discrete Cosine Transformation and Temporal Adjacent Convolutional Neural Network‐Based Remaining Useful Life Estimation of Bearings | |
| CN117975999A (zh) | 阀冷设备故障检测方法、装置、计算机设备及存储介质 | |
| Giglioni et al. | Deep autoencoders for unsupervised damage detection with application to the Z24 benchmark bridge | |
| KR102474031B1 (ko) | 수요예측방법을 구비한 고장예측 방법 및 이를 이용하는 장치 | |
| CN117473275A (zh) | 一种数据中心的能耗检测方法 | |
| CN110874506A (zh) | 一种低温设备故障预测的方法 | |
| CN116258467B (zh) | 一种电力施工管控系统 | |
| Wu et al. | An improved LSTM neural network with uncertainty to predict remaining useful life | |
| Cao et al. | Bearing remaining useful life prediction based on optimized support vector regression model with denoising technique | |
| Soni et al. | Predictive maintenance of gas turbine using prognosis approach | |
| Wang et al. | GPT-based equipment remaining useful life prediction | |
| Wu et al. | Heterogeneous Sensor Fault Detection for Networked Systems Based on a Graph Transformer | |
| CN114001939B (zh) | 一种线路连接装置监测方法、装置、设备及存储介质 | |
| Bi et al. | A smart and safe robot system for electric monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |