KR102519474B1 - 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법 - Google Patents

설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법 Download PDF

Info

Publication number
KR102519474B1
KR102519474B1 KR1020210146479A KR20210146479A KR102519474B1 KR 102519474 B1 KR102519474 B1 KR 102519474B1 KR 1020210146479 A KR1020210146479 A KR 1020210146479A KR 20210146479 A KR20210146479 A KR 20210146479A KR 102519474 B1 KR102519474 B1 KR 102519474B1
Authority
KR
South Korea
Prior art keywords
data
unit
point
point data
sensor
Prior art date
Application number
KR1020210146479A
Other languages
English (en)
Inventor
이세찬
Original Assignee
(주) 탐진씨앤에스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주) 탐진씨앤에스 filed Critical (주) 탐진씨앤에스
Priority to KR1020210146479A priority Critical patent/KR102519474B1/ko
Application granted granted Critical
Publication of KR102519474B1 publication Critical patent/KR102519474B1/ko

Links

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
    • G06Q50/10—Services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템에 관한 것으로, 본 발명에 따르면 전문 인력이 상시 모니터링 하고 있지 않더라도, 설비 상태를 나타내는 포인트 데이터와 각종 센서에서 수집된 센서 데이터를 머신러닝 알고리즘을 통해 분석하여 고장 등의 이상상태를 진단 및 예측할 수 있고, 이에 자동 대응토록 함으로써, 보다 효율적인 건물 내 설비 관리가 가능하다.

Description

설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법{System and method for predicting abnormal state of facilities in a building through facilities operation state analysis}
본 발명은 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법에 대한 것으로, 더욱 구체적으로는 빌딩 자동 제어 시스템(BAS), 빌딩 에너지 관리 시스템(BEMS) 등이 설치되어 설비의 운영 상태 정보를 수집 가능한 건물에서 설비 동작 상태와 각종 센서 데이터를 인공지능(머신러닝) 알고리즘을 통해 분석하여 고장 등의 이상상태를 예측하여 신속한 조치가 가능토록 하는 기술에 대한 것이다.
일정 규모 이상의 건물에는 건물 규모로 인하여 관리자들에 의한 건물의 직접 관리가 어렵고, 고도화되어 가는 설비들의 적절한 유지, 관리의 기술적인 어려움으로 인하여 빌딩 에너지 관리 시스템 및 빌딩 자동 제어 시스템, 방범/방재 시스템 등의 시설 관리를 위한 다양한 시스템이 도입되어 효율적인 건물 관리와 전문적인 기술서비스를 제공하고 있다.
빌딩 에너지 관리 시스템(BEMS, Building Energy Management System)은 건물 안의 에너지 사용기기에 연결된 센서들을 통신망으로 연결하여 실시간으로 모니터링하고 수집된 에너지 사용량 데이터를 분석하여 에너지 사용을 최적으로 자동 제어하는 시스템이다. 빌딩 에너지 관리 시스템은 건물의 냉/난방, 공조, 조명, 기계 및 전기설비 등 건물내에서 사용하는 대부분의 에너지 사용을 모니터링하고 관리한다.
빌딩 자동 제어 시스템(BAS, Building Automation System)은 기계설비, 조명설비, 전력설비 등의 각종 설비들의 상태를 감시하고 운전과 정지 등의 제어 동작을 수행하여, 건물 이용자에게 쾌적한 환경을 제공할 수 있도록 한다.
이렇게 건물 관리에 필요한 다양한 시스템들이 설치되어 각종 설비에 대한 모니터링이 가능하긴 하지만, 이들의 효율적인 관리를 위해서는 기계설비, 전기, 에너지관리, 자동제어, 관리시스템 등에 대한 다양한 지식을 갖춘 전문 인력이 배치되어야 한다는 문제가 있다.
한편 건물 내 설비에 심각한 고장이 아닌 작은 이상이 발생한 경우, 또는 설비에 부분적으로 설치된 고장 경보 장치가 설치된 부분의 이상이 아닌 경우 대부분의 건물에서는 설비의 이상을 인지하지 못하고 계속 운영하게 된다. 이는 전문 인력이 상시 모니터링 하고 있다 하여도 설비별로 세밀하게 분석하지 않으면 고장이전에 보이는 전조 증상들을 파악하지 못하기 때문이다.
한편 건물 내 설비의 이상상태 진단과 관련한 종래기술로는 대한민국등록특허 제10-2279351호(2021.07.14. '표준 공조기와 운용 공조기의 적합화를 통한 인공지능 기반 고장 진단 방법') 등이 있다.
본 발명은 상술한 바와 같은 종래 기술의 문제점을 해결하기 위해 안출된 것으로, 전문 인력이 상시 모니터링 하고 있지 않더라도, 설비 동작 상태와 센서 데이터를 머신러닝 알고리즘을 통해 분석하여 고장 등의 이상상태를 진단 및 예측할 수 있도록 함으로써, 보다 효율적인 건물 내 설비 관리가 가능토록 하는 기술을 제공하는 데 그 목적이 있다.
즉, 설비 동작 상태와 센서 데이터를 머신러닝 알고리즘을 통해 분석하여 고장 등의 이상상태를 진단 및 예측하고 그 정보를 설비 관리자에게 제공함으로써, 보다 효율적이고 세밀한 건물 내 설비 관리가 가능토록 하는 기술을 제공하는 데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명에 따른 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템은, 빌딩 자동 제어 시스템으로부터 포인트 데이터를 수집하고, 센서부로부터 센서 데이터를 수집하여 학습함으로써 포인트 데이터 학습 알고리즘을 업데이트하는 포인트데이터학습부; 상기 포인트데이터학습부에서 업데이트된 포인트 데이터 학습 알고리즘을 통해 실시간 수집되는 포인트 데이터와 센서 데이터를 분석하여 이상 상태 여부를 분석하는 포인트데이터분석부; 및 상기 포인트데이터분석부의 분석 결과를 화면 출력하거나, 관리자단말 측으로 통지하는 제어부;를 포함한다.
여기서, 상기 포인트데이터학습부는, 지속적으로 상기 포인트 데이터 및 센서 데이터를 수집, 저장 및 분류하는 데이터관리부a; 및 상기 데이터관리부a에서 수집, 저장 및 분류된 포인트 데이터 및 센서 데이터를 머신러닝 알고리즘을 통해 학습하여 포인트 데이터 학습 알고리즘을 업데이트하는 학습부a;를 포함하고, 상기 포인트데이터분석부는, 실시간으로 상기 포인트 데이터 및 센서 데이터를 수집 및 분류하는 데이터관리부b; 및 상기 포인트데이터학습부의 학습부a에서 업데이트된 포인트 데이터 학습 알고리즘을 이용하여 실시간으로 수집되는 포인트 데이터 및 센서 데이터를 분석하여 분석 결과를 생성하는 상태분석예측부b;를 포함할 수 있다.
또한, 상기 제어부는, 상기 포인트데이터분석부의 분석 결과를 통해 특정 설비에 대한 고장 예측이 확인되었을 경우, 고장 예측 시간과 해당 설비와 관련된 설비들의 기본동작 구동시간을 확인하고, 고장 예측 시간이 기본동작 구동시간보다 빠른 것이 확인되었을 경우, 관련 설비들을 미리 구동시키기 위한 특별구동 명령을 생성하여 상기 빌딩 자동 제어 시스템 측으로 전송할 수 있다.
또, 상기 제어부는, 상기 포인트데이터분석부의 분석 결과를 통해 특정 설비에 대한 고장 예측이 확인되었을 경우, 고장 예측 시간과 해당 설비와 관련된 설비들의 기본동작 구동시간을 확인하고, 상기 관리자단말 측으로 통보하여 현장 도착 시간을 회신 받은 후, 고장 예측 시간이 기본동작시간보다 빠르고, 현장도착 시간이 기본동작 구동시간보다 늦는 것이 확인되었을 경우, 관련 설비들을 미리 구동시키기 위한 특별구동 명령을 생성하여 상기 빌딩 자동 제어 시스템 측으로 전송할 수 있다.
한편 상기 목적을 달성하기 위한 본 발명에 따른 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 방법은, 빌딩 자동 제어 시스템으로부터 포인트 데이터를 수집하고, 센서부로부터 센서 데이터를 수집하여 학습함으로써 포인트 데이터 학습 알고리즘을 업데이트하는 (a)단계; 상기 업데이트된 포인트 데이터 학습 알고리즘을 통해 실시간 수집되는 포인트 데이터와 센서 데이터를 분석하여 이상 상태 여부를 분석하는 (b)단계; 및 상기 분석 결과를 화면 출력하거나, 관리자단말 측으로 통지하는 (c)단계;를 포함한다.
여기서, 상기 (b)단계를 통해 특정 설비에 대한 고장 예측이 확인되었을 경우, 고장 예측 시간과 해당 설비와 관련된 설비들의 기본동작 구동시간을 확인하는 (d)단계; 및 상기 (d)단계에서 고장 예측 시간이 기본동작 구동시간보다 빠른 것이 확인되었을 경우, 관련 설비들을 미리 구동시키기 위한 특별구동 명령을 생성하여 상기 빌딩 자동 제어 시스템 측으로 전송하는 (e)단계;를 더 포함할 수 있다.
상기 (b)단계를 통해 특정 설비에 대한 고장 예측이 확인되었을 경우, 고장 예측 시간과 해당 설비와 관련된 설비들의 기본동작 구동시간을 확인하고, 상기 관리자단말 측으로 통보하여 현장 도착 시간을 회신 받는 (f)단계; 및 상기 (f)단계에서 확인된 고장 예측 시간이 기본동작시간보다 빠르고, 현장도착 시간이 기본동작 구동시간보다 늦는 것이 확인되었을 경우, 관련 설비들을 미리 구동시키기 위한 특별구동 명령을 생성하여 상기 빌딩 자동 제어 시스템 측으로 전송하는 (g)단계;를 더 포함할 수 있다.
본 발명에 따른 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법에 의하면 빌딩 자동 제어 시스템의 포인트 데이터와, 센서부의 센서 데이터를 꾸준하게 학습하여, 설비들 간의 연관관계와 동작 상태 패턴을 학습하고, 이렇게 생성된 포인트 데이터 학습 알고리즘을 이용하여 실시간 포인트 데이터를 분석함으로써 특정 설비에 대한 이상 상태나 고장을 예측할 수가 있다.
즉 전문 지식을 갖춘 관리자가 관제실에 상주하지 않더라도 이상 상태를 빠르게 파악한 후 통보가 이루어짐으로써 신속한 조치가 가능한 것이다.
더불어 본 발명에서는 이상상태 및 고장 예측에서 끝나지 아니하고, 고장이 예측될 시 관련 설비가 특별구동 명령에 따라 자동 대응하여 동작이 이루어지도록 함으로써, 중요한 기본동작이 고장에 의해 이루어지지 못하는 문제를 해결할 수도 있다.
도1은 본 발명의 실시예에 따른 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템을 설명하기 위한 블록도.
도2는 도1에 도시된 이상상태 예측 시스템의 구성을 설명하기 위한 블록도.
도3은 도1에 도시된 이상상태 예측 시스템에서 분석하게 되는 포인트 데이터의 예시를 설명하기 위한 도면.
도4는 도1에 도시된 이상상태 예측 시스템을 통해 포인트 데이터와 센서 데이터를 학습하는 과정을 설명하기 위한 흐름도.
도5는 도1에 도시된 이상상태 예측 시스템을 통해 실시간 포인트 데이터와 센서 데이터를 분석하는 과정을 설명하기 위한 흐름도.
도6 및 도7은 도1에 도시된 이상상태 예측 시스템을 통해 포인트 데이터와 센서 데이터를 분석한 이후 특별구동 명령을 실행하는 과정을 설명하기 위한 흐름도.
이하에서는 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명한다. 다만 발명의 요지와 무관한 일부 구성은 생략 또는 압축할 것이나, 생략된 구성이라고 하여 반드시 본 발명에서 필요가 없는 구성은 아니며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 결합되어 사용될 수 있다.
더불어 이하에서 설명하게 되는 각 구성부와 서버 및 시스템은 반드시 각각의 기능을 수행하는 독립적인 구성부나 서버로 이루어져야 하는 것은 아니며, 하나 이상의 프로그램 또는 하나 이상의 서버 또는 하나 이상의 시스템의 집합으로 구현되거나 일부가 공유될 수도 있음을 밝히는 바이다.
도1은 본 발명의 실시예에 따른 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템(이하 '이상상태 예측 시스템'이라고 함)을 설명하기 위한 블록도이고, 도2는 도1에 도시된 이상상태 예측 시스템의 구성을 설명하기 위한 블록도이다.
설명하기에 앞서 이하에서는 이상상태 예측 시스템(30)의 일부 구성 명칭에 'a', 또는 'b'의 표식을 덧붙였으나, 이는 포인트데이터학습부(40)와 포인트데이터분석부(50)에 포함된 동일 명칭의 구성을 구분하기 위한 표식에 불과하며 특별한 의미를 갖지는 아니한다.
도1 및 도2에 도시된 바와 같이 본 발명의 실시예에 따른 이상상태 예측 시스템(30)은 포인트데이터학습부(40), 포인트데이터분석부(50) 및 제어부(60)를 포함한다.
먼저 본 발명의 실시예에 따른 이상상태 예측 시스템(30)은 빌딩 자동 제어 시스템(BAS)(10)이나 빌딩 에너지 관리 시스템(BEMS)(미도시)과 연계되어 필요한 데이터를 공유할 수 있고, 건물 내 여러 위치에 설치된 센서부(20)로부터 센서 데이터를 수집하여 분석이 이루어질 수 있다. 또한 이상상태 예측 시스템(30)은 빌딩 자동 제어 시스템(10) 측으로 특별구동 명령을 전달하여 특정 설비에 대한 구동이 이루어지도록 할 수 있다. 더불어 도면에서는 이상상태 예측 시스템(30)을 빌딩 자동 제어 시스템(10)과 별개의 시스템으로 도시하였지만, 실시하기에 따라 이상상태 예측 시스템(30)의 기능 구성이 빌딩 자동 제어 시스템(10)에 추가로 탑재되어 건물 내 설비에 대한 이상상태 예측과, 그에 따른 특별구동 명령 실행 기능을 함께 수행할 수도 있다.
건물 내 대부분의 기계설비는 빌딩 자동 제어 시스템(10)에 의하여 제어되고, 그 중 에너지를 일정량 이상 소비하는 설비는 빌딩 에너지 관리 시스템에 의해 에너지 관리 대상이 된다.
BAS(10)와 BEMS는 빌딩에 설치된 설비들의 상태 및 에너지 사용현황을 모니터링 및 제어하기 위한 센서부(20) 및 에너지 계측장치, 그리고 시설들의 제어를 위한 센서부(20) 및 구동장치, 또 통합 모니터링 및 제어를 수행하는 현장제어장치(DDC, Direct Digital Control), 다수의 현장제어장치를 통신으로 연결하여 중앙감시반에서 운영자에게 관리기능을 제공하는 HMI(Human Machine Interface)를 포함한다.
이러한 빌딩자동제어시스템은 전체 시스템의 상태를 실시간으로 수집하여 데이터베이스에 저장 및 관리하고, 이렇게 저장된 정보는 일일보고, 월보고 등 운영관리를 위한 목적으로 사용될 수 있다.
본 발명은 빌딩의 설비를 운영하는 시스템에서 인공지능(머신러닝) 기술을 접목하여 빌딩 운영의 효율성을 향상시키고자 하는 것으로, 설비 운영 상태 및 사용에너지를 자동으로 분석하는 데 그 목적이 있다.
또한 수집된 데이터들을 통해 설비들의 운영 신뢰성을 강화하고, 고장 발생을 억제하기 위한 예방보전, 설비의 효율 저하 등에 보다 능동적으로 대응하여 실질적으로 빌딩 운영을 보조할 수 있는 시스템으로 활용하고자 한다.
한편 이하에서 다루어지는 설명에서 언급되는 '포인트 데이터'란 각각의 설비의 종류, 관리번호, 포인트 이름, 상태 등의 정보를 담고 있고 분석을 위해 체계적으로 정리된 설비 상태 데이터(BAS Data)를 말한다. 이러한 포인트 데이터는 시계열 데이터 특성을 가지며 시간대별 상태정보(상태, 값)로 관리 및 저장된다.
저장된 포인트 데이터는 머신러닝 알고리즘으로 학습을 시켜 포인트별 연계 및 상호 영향을 주는 특성을 판단하고, 학습된 알고리즘을 이용하여 실시간으로 수집되는 포인트의 현재 값을 기반으로 기기의 오동작, 이상 동작 등을 인공지능이 파악하여 사람에게 알려주고 조치를 취할 수 있게 하며, 필요하면 자체적인 후속 제어를 수행하게 한다.
빌딩 자동 제어 시스템(10)은 관리자가 시스템을 운영할 수 있도록, 모든 관리 포인트에 시스템에서 구별 가능한 독자적이고, 관련성을 인지할 수 있는 포인트 명명 체계와 그래픽으로 된 시스템 관리체계를 제공한다.
이 포인트 및 그래픽 관리체계는 관리 대상 설비가 가지고 있는 입/출력 포인트, 제어를 위한 설정점 등을 포함하는 가상 포인트들로 구성되어 있으며, 빌딩 단위로 다른 포인트와 차별화되고, 또한 어떤 설비의 포인트인지를 구별할 수 있는 방법으로 명명되고 있다. 도3에서는 포인트 데이터의 한 예시를 도시한 것이다.
이렇게 대상 설비별로 구분된 포인트 이름을 이용하여 포인트 간 연관관계를 분석하고 연관관계에 따라 설비의 실시간 가동데이터를 기반으로 설비의 가동 상태를 점검할 수 있다.
한편 이상상태 예측 시스템(30) 측으로 센서 데이터를 제공하는 센서부(20)란 실내 또는 실외 온도를 측정하는 온도센서, 습도를 측정하는 습도센서, 조도를 측정하는 조도센서, 기압이나 수압을 측정하는 압력센서 등을 포함하며, 필요한 위치에 다수 설치될 수 있다. 더불어 센서부(20)는 각종 설비의 동작 상태를 감지하는 센서를 더 포함할 수도 있다.
본 발명에 따른 이상상태 예측 시스템(30)은 빌딩 자동 제어 시스템(10) 및 센서부(20)를 통해 수집되고 저장된 정보들을 기반으로 인공지능 학습을 수행하고, 학습된 인공지능 알고리즘을 이용하여 실시간으로 수집되는 포인트 데이터와 센서 데이터를 분석하여, 설비 동작 상태를 분석하고 설비의 이상 상태, 고장 등에 대한 자동화된 분석 정보를 제공할 수 있다. 따라서 관리자가 상시 모니터링 하지 않더라도 이상상태 예측 시스템(30)의 분석 결과 통지에 따라 신속한 조치를 수행할 수 있고, 필요시 특별구동 명령을 통한 자동 대응이 가능하다.
이상상태 예측 시스템(30)의 포인트데이터학습부(40)는 빌딩 자동 제어 시스템(10)으로부터 수집되는 포인트 데이터와 센서부(20)에서 측정된 센서 데이터를 저장하고, 이들 데이터를 머신러닝 알고리즘을 통해 학습하여 학습 알고리즘을 생성한다. 포인트데이터학습부(40)는 미리 설정된 주기에 따라 학습을 진행하여 포인트 데이터 학습 알고리즘을 업데이트 할 수 있다.
이러한 포인트데이터학습부(40)는 데이터관리부a(41), 데이터전처리부a(42) 및 학습부a(43)를 포함한다.
데이터관리부a(41)는 빌딩 자동 제어 시스템(10)의 포인트 데이터와, 센서부(20)의 센서 데이터를 수집 및 데이터베이스(미도시)에 저장하고, 필요시 저장된 데이터를 로딩 및 가공하거나 분류하기 위해 마련된다.
포인트 데이터나 센서 데이터는 시계열 데이터 형태로 데이터베이스에 저장되고, 도3의 예시를 통해 포인트 데이터의 명명 체계나 분류 체계를 확인할 수 있다.
실제 건물에서는 포인트 분류 기준이 더욱 세분화되어 있을 수 있으며, 각각의 건물 상황에 따라 적절한 분류 기준이 데이터관리부a(41)에 미리 설정될 수 있고, 이에 따라 데이터관리부a(41)가 수집된 데이터를 가공 및 분류하여 저장하거나, 가공 및 분류된 바에 따라 특정 데이터들을 로딩할 수 있다.
데이터전처리부a(42)는 데이터관리부a(41)에서 수집, 가공 및 분류하여 데이터베이스에 저장된 데이터들을 종류별 특성에 따라 전처리하기 위해 마련된다.
전처리된 데이터는 학습부a(43)에서 학습되어 포인트 데이터 학습 알고리즘이 생성된다. 즉 학습부a(43)는 포인트간 연관관계를 분석할 수 있는 '룰 기반의 분석' 또는 '인공지능(머신러닝) 기반의 분석(지도학습)'의 방법으로 포인트 종류별 연관관계를 분석 및 학습하고, 그에 따른 결과로 포인트 데이터 학습 알고리즘을 생성한다.
이상상태 예측 시스템(30)의 포인트데이터분석부(50)는 포인트데이터학습부(40)에서 학습된 결과를 이용하여 실시간으로 수집되는 포인트 데이터와 센서 데이터를 분석함으로써, 설비의 이상상태나 고장 여부를 예측하기 위해 마련된다. 이러한 포인트데이터분석부(50)는 데이터관리부b(51), 데이터전처리부b(52) 및 상태분석예측부b(53)를 포함한다.
데이터관리부b(51)는 빌딩 자동 제어 시스템(10)의 포인트 데이터와, 센서부(20)의 센서 데이터를 수집, 저장, 가공 및 분류하기 위한 것이며, 데이터전처리부b(52)는 데이터관리부b(51)에서 수집, 가공 및 분류하여 저장된 데이터들을 종류별 특성에 따라 전처리하기 위해 마련된다. 이러한 데이터관리부b(51) 및 데이터전처리부b(52)는 포인트데이터학습부(40)의 데이터관리부a(41) 및 데이터전처리부a(42)의 설명으로 대체하도록 한다.
상태분석예측부b(53)는 포인트데이터학습부(40)의 학습부a(43)에서 학습하여 업데이트된 포인트 데이터 학습 알고리즘을 이용하여 실시간으로 수집되는 포인트 데이터와 센서 데이터를 분석함으로써, 특정 설비 또는 전체 설비의 이상상태나 고장을 예측하기 위해 마련된다.
제어부(60)는 포인트데이터분석부(50)의 상태분석예측부b(53)에서 분석한 포인트 상태 판정 결과에 따른 후속 제어를 수행하기 위해 마련된다. 예컨대 제어부(60)는 포인트데이터분석부(50)의 포인트 상태 판정 결과를 정리하여 화면 출력되도록 하거나, 포인트 상태 판정 결과를 일정 기간에 따라 설비 종류에 따라 정리하여 보고서 파일을 생성하여 저장하거나, 포인트 상태 판정 결과 이상상태가 발견되었을 경우 경보가 발생되도록 하거나, 또는 관리자단말(70) 측으로 SMS를 통해 통지 또는 관리자단말(70)에 설치된 전용 애플리케이션을 통해 경보 정보가 푸시 되도록 할 수 있다. 또한 제어부(60)는 특별구동 명령을 생성하여 이상상태 발생 시 특정 설비에 대한 특별구동이 이루어지도록 할 수 있다.
즉 포인트데이터분석부(50)는 빌딩 자동 제어 시스템(10)의 HMI와 연동하여 실시간으로 포인트 데이터를 입력받아 분석하고, 포인트 상태 판정 결과를 HMI로 넘겨주어 후속 제어가 이루어지도록 할 수 있으며, 실시하기에 따라 본원발명의 제어부(60) 기능이 HMI에 탑재될 수도 있다.
이상에서 설명한 본 발명의 실시예에 따른 이상상태 예측 시스템(30)은 이하 설명하게 되는 본 발명의 실시예에 따른 이상상태 예측 방법에 대한 설명을 통해 더욱 구체화 될 것이다.
도4는 도1에 도시된 이상상태 예측 시스템을 통해 포인트 데이터와 센서 데이터를 학습하는 과정을 설명하기 위한 흐름도이다. 즉 이상상태 예측 시스템(30)의 포인트데이터학습부(40)에서 꾸준하게 수집되는 포인트 데이터와 센서 데이터를 가공 및 저장하고, 학습 대상이 되는 데이터들을 분류한 후 학습을 실행하여 학습 알고리즘을 생성하는 과정에 대한 것이다.
먼저 데이터관리부a(41)는 빌딩 자동 제어 시스템(10)의 포인트 데이터와, 센서부(20)의 센서 데이터를 수집 및 가공하여 데이터베이스에 저장<S405>한다.
포인트데이터학습부(40)는 미리 설정된 주기마다, 예컨대 하루에 1회씩 학습이 수행되도록 하여 학습 알고리즘을 업데이트 시킬 수 있는데, 설정된 학습 시간이 도래하면 데이터관리부a(41)는 데이터베이스에 저장된 데이터를 로딩하고 미리 설정된 분류 기준에 따라 포인트 데이터를 분류<S410>한다.
이후 데이터전처리부a(42)는 각각의 포인트 데이터들을 종류별 특성에 따라 전처리<S415>하고, 학습부a(43)는 머신러닝 알고리즘을 통해 학습하여 포인트 데이터 학습 알고리즘을 업데이트<S425>한다.
도5는 도1에 도시된 이상상태 예측 시스템을 통해 실시간 포인트 데이터를 분석하는 과정을 설명하기 위한 흐름도이다. 즉 포인트데이터학습부(40)에서 학습이 이루어진 후 업데이트되어 생성된 학습 알고리즘을 이용하여 실시간 이상 상태 분석이 이루어지도록 하는 과정에 대한 것이다.
먼저 포인트데이터분석부(50)의 데이터관리부b(51)는 실시간으로 수집되는 포인트 데이터 및 센서 데이터를 수집 및 가공하여 일시적으로 저장<S505>한다. 또한 데이터관리부b(51)는 일시적으로 저장된 데이터들을 실시간으로 분석하기 위해 로딩한 후 분류 기준에 따라 분류<S510>하고, 데이터전처리부b(52)에서 종류별 특성에 따라 전처리<S515>된다.
이후 상태분석예측부b(53)는 학습부a(43)에서 업데이트하여 생성한 포인트 데이터 학습 알고리즘을 이용하여 전처리된 포인트 데이터를 분석<S520>함으로써 설비 이상 상태 여부를 진단하고, 포인트 상태 판정 결과를 출력<S525>한다.
빌딩 자동 제어 시스템(10)의 포인트 데이터와 센서부(20)의 센서 데이터를 분석하면, 특정 설비들이 가동될 때 연관관계에 있는 설비들의 상태를 파악함으로써 특정 설비에 대한 이상상태를 점검할 수가 있다.
예컨대 공조기-1 급기팬이 ON 되었을 경우, 공조기-1 급기 댐퍼가 개방 상태여야 한다는 연관관계조건, 냉동기-1 냉수 급수 펌프가 ON 되었을 경우, 냉동기-1 냉수 급수 온도는 정해진 시간 이후 몇도가 되어야 한다는 연관관계조건이 있을 수 있으며, 이러한 설비들 간의 상태와 센서부(20)에서 측정된 측정 정보들의 연관관계조건은 포인트데이터학습부(40)의 사전 학습에 의해 파악된 상태이다.
하지만 상태분석예측부b(53)에서 실시간 포인트 데이터와 센서 데이터를 분석한 결과 공조기-급기팬이 ON 상태이지만 공조기-1 급기 댐퍼가 개방 상태가 아닐 경우, 또는 냉동기-1 냉수 급수 펌프가 ON 되었으나, 냉동기-1 냉수 급수 온도에 변화가 없을 경우 해당 설비에 이상이 발생한 것을 알 수 있고, 그 정도에 따라 고장 상태인지, 아니면 패턴 변화를 통해 고장 시점을 예측할 수 있게 되는 것이다.
이렇게 상태분석예측부b(53)에서 포인트 상태 판정 결과가 도출되면, 제어부(60)는 포인트 상태 판정 결과를 정리하여 화면 출력<S525>되도록 하거나, 포인트 상태 판정 결과를 일정 기간에 따라 설비 종류에 따라 정리하여 보고서 파일을 생성하여 저장할 수 있다.
또한, 제어부(60)는 포인트 상태 판정 결과에서 이상상태가 발견되었을 경우 경보가 발생되도록 하거나, 또는 관리자단말(70) 측으로 SMS를 통해 통지 또는 관리자단말(70)에 설치된 전용 애플리케이션을 통해 경보 정보가 푸시되도록 할 수 있다. 이에 따라 관리자가 관제실에 상주하고 있지 않더라도 푸시 알람을 통해 특정 설비의 이상 여부를 즉시 파악할 수 있고, 현장으로 출동하여 신속한 후속 조치가 이루어질 수 있다.
한편 제어부(60)는 포인트데이터분석부(50)의 이상 상태 발견에 대응하여 특별구동 명령을 생성하여 특별구동이 이루어지도록 할 수 있는데, 이에 대한 설명을 도6 및 도7을 통해 설명하도록 한다.
도6은 도1에 도시된 이상상태 예측 시스템을 통해 실시간 포인트 데이터 및 센서 데이터를 분석한 이후 특별구동 명령을 실행하는 과정을 설명하기 위한 흐름도이다.
먼저 포인트데이터분석부(50)의 상태분석예측부b(53)의 포인트 상태 판정 결과 이상 상태가 발견되고 특정 설비에 대한 고장이 예측된다면, 제어부(60)는 문제의 설비에 대한 고장 예측 시간과, 해당 설비와 연관되어 작동해야 하는 설비들의 기본동작 구동시간을 확인<S605>한다.
즉 제어부(60)는 현재의 이상상태가 20분간 지속될 경우 고장이 발생할 것이라고 예측할 수 있고, 빌딩 자동 제어 시스템(10)과 정보를 공유하여 30분 뒤에 문제의 설비와 연관된 설비, 예컨대 공조기-1 혼합 댐퍼의 기본동작이 수행되어야 함을 확인할 수 있다.
하지만 20분 뒤에 고장이 발생한다면 30분 뒤에 문제의 설비와 연관된 공조기-1 혼합 댐퍼는 기본동작을 수행할 수 없을 수도 있다.
이를 위해 제어부(60)는 특정 설비의 고장 예측 시간이, 해당 설비와 연관된 설비의 기본동작 구동시간보다 빠른 것이 확인되면, 특별구동 명령을 생성하여 빌딩 자동 제어 시스템(10) 측으로 전송<S610>함으로써, 빌딩 자동 제어 시스템(10)이 특별구동 명령을 실행<S615>할 수 있도록 한다. 즉 특별구동 명령에 따라 빌딩 자동 제어 시스템(10)은 공조기-1 혼합 댐퍼의 기본 동작이 30분 뒤가 아닌 15분 뒤에 미리 수행되도록 하는 것이다.
이에 따라 중요한 기본기능을 설정된 시간에 수행해야 하나, 관련 설비의 고장이 예측되어 설정된 시간에 동작하는 것이 불가능할 때, 고장 발생 전 미리 중요한 기본기능이 수행되도록 함으로써, 설비의 안전 운용을 도모할 수 있다.
도7은 특별구동 명령을 실행하는 다른 예시를 설명하기 위한 흐름도이다.
먼저 포인트데이터분석부(50)의 상태분석예측부b(53)의 포인트 상태 판정 결과 이상 상태가 발견되고 특정 설비에 대한 고장이 예측된다면, 제어부(60)는 문제의 설비에 대한 고장 예측 시간과, 해당 설비와 연관되어 작동해야 하는 설비들의 기본동작 구동시간을 확인<S705>한다.
이후 제어부(60)는 관리자단말(70) 측으로 이상상태에 대한 내용을 통보한 후, 현장 도착 시간이 언제인지 회신<S710>을 받는다.
제어부(60)의 확인 결과 관리자단말(70)로부터 회신된 현장 도착 시간이 기본동작 구동시간보다 빠르다면, 별다른 조치는 취하지 않는다. 즉 관리자가 현장에 도착하여 고장이 예상되는 설비의 점검이 이루어질 수 있어서, 관련 설비가 기본동작 구동시간에 맞추어 작동될 수 있기 때문이다.
반면, 고장 예측 시간이 기본동작 구동시간보다 빠르고, 관리자단말(70)로부터 회신된 현장 도착 시간은 기본동작 구동시간보다 늦을 경우 제어부(60)는 특별구동 명령을 생성하여 빌딩 자동 제어 시스템(10) 측으로 전송<S715>함으로써, 빌딩 자동 제어 시스템(10)이 특별구동 명령을 실행<S720>시킬 수 있도록 한다.
즉 도7의 과정에 의하면 고장이 예측되는 설비와 관련된 설비가 설정된 시간에 자동으로 동작을 시작해야 하는데, 관련 설비의 고장 예측에 의해 설정된 시간에 중요한 기본기능을 수행시키는 것이 불가능하리라 예상되었을 때, 관리자가 기본동작 구동시간 전에 현장에 도착하여 조치가 가능할 때에는 별다른 조치를 취하지 아니하고, 관리자의 현장 도착이 늦을 경우 고장 발생 전 미리 중요한 기본기능이 수행되도록 함으로써, 설비의 안전 운용을 도모할 수 있다.
이상에서 상세히 설명한 바와 같이 본 발명에 따른 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템(30) 및 방법에 의하면 빌딩 자동 제어 시스템(10)의 포인트 데이터와, 센서부(20)의 센서 데이터를 꾸준하게 학습하여, 설비들 간의 연관관계와 동작 상태 패턴을 학습하고, 이렇게 생성된 포인트 데이터 학습 알고리즘을 이용하여 실시간 포인트 데이터를 분석함으로써 특정 설비에 대한 이상 상태나 고장을 예측할 수가 있다.
즉 전문 지식을 갖춘 관리자가 관제실에 상주하지 않더라도 이상 상태를 빠르게 파악한 후 통보가 이루어짐으로써 신속한 조치가 가능한 것이다.
더불어 본 발명에서는 이상상태 및 고장 예측에서 끝나지 아니하고, 고장이 예측될 시 관련 설비가 특별구동 명령에 따라 자동 대응하여 동작이 이루어지도록 함으로써, 중요한 기본동작이 고장에 의해 이루어지지 못하는 문제를 해결할 수도 있다.
상기한 본 발명의 바람직한 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면, 본 발명의 사상과 범위 안에서 다양한 수정, 변경 및 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 본 발명의 특허청구 범위에 속하는 것으로 보아야 할 것이다.
10 : BAS
20 : 센서부
30 : 이상상태 예측 시스템
40 : 포인트데이터학습부
41 : 데이터관리부a
42 : 데이터전처리부a
43 : 학습부a
50 : 포인트데이터분석부
51 : 데이터관리부b
52 : 데이터전처리부b
53 : 상태분석예측부b
60 : 제어부
70 : 관리자단말

Claims (7)

  1. 빌딩 자동 제어 시스템으로부터 포인트 데이터를 수집하고, 센서부로부터 센서 데이터를 수집하여 학습함으로써 포인트 데이터 학습 알고리즘을 업데이트하는 포인트데이터학습부;
    상기 포인트데이터학습부에서 업데이트된 포인트 데이터 학습 알고리즘을 통해 실시간 수집되는 포인트 데이터와 센서 데이터를 분석하여 이상 상태 여부를 분석하는 포인트데이터분석부; 및
    상기 포인트데이터분석부의 분석 결과를 화면 출력하거나, 관리자단말 측으로 통지하는 제어부;를 포함하되,
    상기 포인트데이터학습부는,
    지속적으로 상기 포인트 데이터 및 센서 데이터를 수집, 저장 및 분류하는 데이터관리부a; 및
    상기 데이터관리부a에서 수집, 저장 및 분류된 포인트 데이터 및 센서 데이터를 머신러닝 알고리즘을 통해 학습하여 포인트 데이터 학습 알고리즘을 업데이트하는 학습부a;를 포함하고,
    상기 포인트데이터분석부는,
    실시간으로 상기 포인트 데이터 및 센서 데이터를 수집 및 분류하는 데이터관리부b; 및
    상기 포인트데이터학습부의 학습부a에서 업데이트된 포인트 데이터 학습 알고리즘을 이용하여 실시간으로 수집되는 포인트 데이터 및 센서 데이터를 분석하여 분석 결과를 생성하는 상태분석예측부b;를 포함하고,
    상기 포인트 데이터는 각각의 설비의 종류, 관리번호, 포인트 이름, 상태 정보를 담고 있고 분석을 위해 정리된 설비 상태 데이터(BAS Data)를 말하며, 상기 포인트 데이터는 시계열적 데이터 특성을 가지고 시간대별 상태정보(상태, 값)로 관리 및 저장되고,
    상기 빌딩 자동 제어 시스템은 모든 관리 포인트에 시스템에서 구별 가능한 독자적이고, 관련성을 인지할 수 있는 포인트 명명 체계와 그래픽 관리체계를 제공하고, 상기 포인트 및 그래픽 관리체계는 관리 대상 설비가 가지고 있는 입출력 포인트, 제어를 위한 설정점을 포함하는 가상 포인트를 포함하며, 빌딩 단위 및 설비별 포인트를 구별할 수 있도록 명령되고,
    상기 센서부는 실내 또는 실외 온도를 측정하는 온도센서, 습도를 측정하는 습도센서, 조도를 측정하는 조도센서, 기압이나 수압을 측정하는 압력센서를 포함하며,
    상기 학습부a는 포인트간 연관관계를 분석할 수 있는 룰 기반 또는 인공지능 기반의 분석을 통해 포인트 종류별 연관관계를 분석 및 학습하고 그에 따른 결과로 포인트 데이터 학습 알고리즘을 생성하고,
    상기 상태분석예측부b는 상기 포인트 데이터와 센서 데이터를 분석하여, 연관관계에 있는 복수의 설비들의 설비 상태를 확인하여, 연관관계조건에 이상이 있을 경우 해당 설비에 이상이 발생한 것이라고 분석하고,
    상기 제어부는 상기 상태분석예측부b의 포인트 상태 판정 결과를 정리하여 화면 출력되도록 하거나, 포인트 상태 판정 결과를 일정 기간에 따라 설비 종류에 따라 정리하여 보고서 파일을 생성하여 저장하며, 분석 결과에서 이상 상태가 발견되었을 경우 경보가 발생되도록 하거나, 상기 관리자단말 측으로 SMS를 통해 또는 전용 애플리케이션을 통해 경보 정보가 푸시되도록 하는 것을 특징으로 하는 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템.
  2. 제1항에 있어서,
    상기 포인트데이터학습부는,
    상기 데이터관리부a에서 수집, 저장 및 분류된 데이터들을 종류별 특성에 따라 전처리하는 데이터전처리부a;를 더 포함하고,
    상기 포인트데이터분석부는,
    상기 데이터관리부b에서 수집, 저장 및 분류된 데이터들을 종류별 특성에 따라 전처리하는 데이터전처리부b;를 더 포함하며,
    상기 학습부a는 상기 데이터전처리부a에서 전처리 된 포인트 데이터 및 센서 데이터를 통해 학습하여 포인트 데이터 학습 알고리즘을 업데이트하고,
    상기 상태분석예측부b는 상기 데이터전처리부b에서 전처리된 포인트 데이터를 분석하여 분석 결과를 생성하는 것을 특징으로 하는 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템.
  3. 삭제
  4. 삭제
  5. 빌딩 자동 제어 시스템으로부터 포인트 데이터를 수집하고, 센서부로부터 센서 데이터를 수집하여 학습함으로써 포인트 데이터 학습 알고리즘을 업데이트하는 (a)단계;
    상기 업데이트된 포인트 데이터 학습 알고리즘을 통해 실시간 수집되는 포인트 데이터와 센서 데이터를 분석하여 이상 상태 여부를 분석하는 (b)단계; 및
    상기 분석 결과를 화면 출력하거나, 관리자단말 측으로 통지하는 (c)단계;를 포함하되,
    상기 포인트 데이터는 각각의 설비의 종류, 관리번호, 포인트 이름, 상태 정보를 담고 있고 분석을 위해 정리된 설비 상태 데이터(BAS Data)를 말하며, 상기 포인트 데이터는 시계열적 데이터 특성을 가지고 시간대별 상태정보(상태, 값)로 관리 및 저장되고,
    상기 빌딩 자동 제어 시스템에서는 모든 관리 포인트에 시스템에서 구별 가능한 독자적이고, 관련성을 인지할 수 있는 포인트 명명 체계와 그래픽 관리체계를 제공하고, 상기 포인트 및 그래픽 관리체계는 관리 대상 설비가 가지고 있는 입출력 포인트, 제어를 위한 설정점을 포함하는 가상 포인트를 포함하며, 빌딩 단위 및 설비별 포인트를 구별할 수 있도록 명령되고,
    상기 센서부는 실내 또는 실외 온도를 측정하는 온도센서, 습도를 측정하는 습도센서, 조도를 측정하는 조도센서, 기압이나 수압을 측정하는 압력센서를 포함하며,
    상기 (a)단계는 포인트간 연관관계를 분석할 수 있는 룰 기반 또는 인공지능 기반의 분석을 통해 포인트 종류별 연관관계를 분석 및 학습하고 그에 따른 결과로 포인트 데이터 학습 알고리즘을 생성하고,
    상기 (b)단계는 상기 포인트 데이터와 센서 데이터를 분석하여, 연관관계에 있는 복수의 설비들의 설비 상태를 확인하여, 연관관계조건에 이상이 있을 경우 해당 설비에 이상이 발생한 것이라고 분석하고,
    상기 (c)단계에서는 상기 (b)단계의 포인트 상태 판정 결과를 정리하여 화면 출력되도록 하거나, 포인트 상태 판정 결과를 일정 기간에 따라 설비 종류에 따라 정리하여 보고서 파일을 생성하여 저장하며, 분석 결과에서 이상 상태가 발견되었을 경우 경보가 발생되도록 하거나, 상기 관리자단말 측으로 SMS를 통해 또는 전용 애플리케이션을 통해 경보 정보가 푸시되도록 하는 것을 특징으로 하는 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 방법.
  6. 제5항에 있어서,
    상기 (a)단계는 상기 빌딩 자동 제어 시스템으로부터 수집, 저장 및 분류된 데이터들을 종류별 특성에 따라 전처리된 포인트 데이터를 통해 학습함으로써 포인트 데이터 학습 알고리즘을 업데이트하는 것을 특징으로 하는 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 방법.
  7. 삭제
KR1020210146479A 2021-10-29 2021-10-29 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법 KR102519474B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210146479A KR102519474B1 (ko) 2021-10-29 2021-10-29 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210146479A KR102519474B1 (ko) 2021-10-29 2021-10-29 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102519474B1 true KR102519474B1 (ko) 2023-04-10

Family

ID=85984807

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210146479A KR102519474B1 (ko) 2021-10-29 2021-10-29 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102519474B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102606063B1 (ko) * 2023-05-19 2023-11-24 이에스콘트롤스(주) 고장 예측 기능을 구비한 빌딩자동제어시스템

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050060792A (ko) * 2003-12-17 2005-06-22 한국전자통신연구원 빌딩 군 원격 관제 시스템
KR20120072106A (ko) * 2010-12-23 2012-07-03 한국전자통신연구원 빌딩 설비 유지 및 장애 관리 장치 및 방법
KR20140096717A (ko) * 2013-01-29 2014-08-06 한국전자통신연구원 Bim 기반 빌딩에너지 관리 장치 및 방법
KR20150095995A (ko) * 2014-02-13 2015-08-24 주식회사 포스코아이씨티 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법
JP2015169989A (ja) * 2014-03-05 2015-09-28 三菱電機ビルテクノサービス株式会社 設備点検順位設定装置及びプログラム
KR20190069696A (ko) * 2017-12-12 2019-06-20 (주)위세아이텍 장비 고장 예측 장치 및 방법
KR102114895B1 (ko) * 2019-10-29 2020-05-25 주식회사 비앤비네트웍스 빌딩 내 설비의 에너지 효율을 기반으로 한 빌딩 내 설비의 노후화시기 예측을 위한 빌딩자동제어 시스템 및 방법
KR102174722B1 (ko) * 2020-06-09 2020-11-05 (주)주인정보시스템 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템
KR20210017741A (ko) * 2019-08-09 2021-02-17 주식회사 비엠티 Open adr 표준에 기반한 adr 시스템
KR20210097369A (ko) * 2020-01-30 2021-08-09 주식회사 이엠포커스 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 시스템 및 그 방법
KR20210109136A (ko) * 2020-02-27 2021-09-06 장현수 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 장치 및 그 시스템

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050060792A (ko) * 2003-12-17 2005-06-22 한국전자통신연구원 빌딩 군 원격 관제 시스템
KR20120072106A (ko) * 2010-12-23 2012-07-03 한국전자통신연구원 빌딩 설비 유지 및 장애 관리 장치 및 방법
KR20140096717A (ko) * 2013-01-29 2014-08-06 한국전자통신연구원 Bim 기반 빌딩에너지 관리 장치 및 방법
KR20150095995A (ko) * 2014-02-13 2015-08-24 주식회사 포스코아이씨티 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법
JP2015169989A (ja) * 2014-03-05 2015-09-28 三菱電機ビルテクノサービス株式会社 設備点検順位設定装置及びプログラム
KR20190069696A (ko) * 2017-12-12 2019-06-20 (주)위세아이텍 장비 고장 예측 장치 및 방법
KR20210017741A (ko) * 2019-08-09 2021-02-17 주식회사 비엠티 Open adr 표준에 기반한 adr 시스템
KR102114895B1 (ko) * 2019-10-29 2020-05-25 주식회사 비앤비네트웍스 빌딩 내 설비의 에너지 효율을 기반으로 한 빌딩 내 설비의 노후화시기 예측을 위한 빌딩자동제어 시스템 및 방법
KR20210097369A (ko) * 2020-01-30 2021-08-09 주식회사 이엠포커스 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 시스템 및 그 방법
KR20210109136A (ko) * 2020-02-27 2021-09-06 장현수 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 장치 및 그 시스템
KR102174722B1 (ko) * 2020-06-09 2020-11-05 (주)주인정보시스템 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102606063B1 (ko) * 2023-05-19 2023-11-24 이에스콘트롤스(주) 고장 예측 기능을 구비한 빌딩자동제어시스템

Similar Documents

Publication Publication Date Title
US6389331B1 (en) Technique for monitoring performance of a facility management system
KR101812777B1 (ko) 사물인터넷 기반 지역난방 사용자 시설 모니터링 및 효율 개선 시스템
EP3299918B1 (en) Abnormality diagnosis system and abnormality diagnosis method
CN109028481A (zh) 一种空调系统的无人值守机房控制系统及方法
KR101778460B1 (ko) 원격지에서 원자력 발전소의 온라인 통합 모니터링 방법 및 온라인 통합 모니터링 시스템
KR102114895B1 (ko) 빌딩 내 설비의 에너지 효율을 기반으로 한 빌딩 내 설비의 노후화시기 예측을 위한 빌딩자동제어 시스템 및 방법
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
CN112738236B (zh) 大厦端智慧消防管理系统及方法
US20180190403A1 (en) Plant operation system and plant operation method
CN110988559A (zh) 基于物联网的变电站直流系统全生命周期的在线监测方法
KR102519474B1 (ko) 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법
JP2018185774A (ja) 設備管理装置、設備管理システム、プログラムおよび設備管理方法
CN115826563A (zh) 一种基于plc机柜的远程故障监测系统及方法
RU90588U1 (ru) Аппаратно-программный комплекс автоматизации, управления, визуализации и мониторинга технологических процессов
CN113791571A (zh) 一种智能建筑楼宇设备自控报警装置
KR102512577B1 (ko) 에너지 사용량 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법
KR102296561B1 (ko) 지그비를 이용한 인공지능 기반 복수개의 배전반 통합 관제시스템
CN111861215A (zh) 基于物联网的小区智能设备自主维护派单系统及派单方法
KR20220122922A (ko) Ai기반 데이터 로거 시스템
EP3312844B1 (en) Abnormality indication monitoring system
JPH02178557A (ja) 空調設備異常診断システム
JP2001084035A (ja) 運転監視システム
US11435716B2 (en) Information collecting device and method for collecting engineering and device information to maintain an updated information database of devices in a plant
Buczaj et al. The use of LabView environment for the bulding of supervision system controlling the climatic and technical parameters in farm rooms
CN115393142A (zh) 智慧园区管理方法及管理平台

Legal Events

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