KR102557198B1 - 발전 설비의 상태 신호를 이용한 튜브 누설 검출 시스템및 방법 - Google Patents

Abstract

발전 설비의 음향 방출 신호 및/또는 운전신호를 이용하여 튜브 누설을 감시하고 위치를 추정할 수 있는 튜브 누설 검출 시스템이 개시된다. 상기 튜브 누설 검출 시스템은, 발전 설비의 상태 신호를 검출하는 센서 블럭, 상기 상태 신호를 수집하는 수집부, 수집된 상기 상태 신호를 이용하여 센서별 확률 분포를 계산하는 계산부, 및 상기 센서별 확률 분포에 따라 상기 발전 설비의 튜브에서 누설 여부를 추정하는 분석부를 포함하는 것을 특징으로 한다.

Description

발전 설비의 상태 신호를 이용한 튜브 누설 검출 시스템 및 방법{System and Method for detecting tube leakage using state signal of power generation plant}

본 발명은 튜브 누설 검출 기술에 관한 것으로서, 더 상세하게는 보일러의 음향 방출 신호 및/또는 운전신호를 이용하여 튜브 누설을 감시하고 위치를 추정하는 시스템 및 방법에 대한 것이다.

석탄 화력 발전소는 보일러, 증기터빈, 발전기의 주기기와 이를 운전하기 위한 연료공급, 복수 및 급수계통 등의 보조기기로 구성되어 있다. 그 중 보일러는 연료를 연소하여 고온 고압의 증기를 만들고, 그 증기를 증기터빈으로 보내어 발전기를 구동하게 하는 매우 중요한 발전 설비이다.

보일러 내부에는 증기를 만들어내기 위한 열교환 튜브들이 매우 복잡한 형태로 배치되어 있다. 만약 이 튜브가 파손되어 누설이 일어날 경우 발전소를 정지해야 한다. 튜브누설을 조기에 발견하지 못할 경우 누설이 확대되어 정비기간이 길어지고 발전소 정지에 의한 손실이 커지므로 누설을 조기에 발견하는 것이 매우 중요하다.

이런 이유에서 보일러 튜브 누설을 조기에 발견하기 위해 BTLD(Boiler Tube Leak Detection) 시스템이 많은 발전소에 설치되어 있다. BTLD 시스템은 보일러 외부 벽면에 음향센서를 설치하여 음향방출신호를 통해 누설여부를 판단하고, 누설의 대략적 위치를 나타낸다.

기존의 BTLD 시스템에는 크게 두 가지 한계점이 있다. 첫 번째로, 누설위치 판단 시, 3개 이상의 센서에서 명확한 신호가 발생해야만 위치 표현이 가능하다. 부연하면, 단순한 삼변 측량법으로 누설위치를 계산할 경우 센서 2개에서만 누설신호가 발생할 경우 유일한 위치가 결정되지 않기 때문에 튜브누설 위치를 표현해 주기 어렵다.

따라서, 기존의 보일러 튜브누설 위치추정 시스템은 누설위치를 결정론적으로 수식으로 계산하여 해를 표현하기 때문에, 3개 이상의 센서에서 신호가 명확히 들어와야 위치표현이 가능하다는 문제점이 있다.

두 번째로, 운전신호를 배제한 음향신호로만 누설여부를 판단하기 때문에, 현장에서 실제 누설이 발생했는지 확신하기 어렵다. 부연하면, 온도, 압력 등 운전신호를 고려하지 않기 때문에, 보일러 운전상태의 물리적 변화를 고려하지 못한다. 따라서 시스템에서 발생한 누설알람이 실제로 누설인지 아니면, 오탐지 알람(false alarm)인지 판단하기 쉽지 않다.

운전신호와 음향신호를 동시에 고려해 종합적으로 누설을 판단하면 누설알람에 대한 신뢰도가 올라갈 수 있다. 하지만, 발전소의 운전신호는 신호간의 상관관계와 시계열적인 특성이 동시에 존재하기 때문에 이런 특성들을 모두 고려하여 누설신호를 판단하기는 쉽지 않다. 이러한 시계열 신호를 오토 인코더를 통해 이상감지를 하려는 시도들이 있어 왔지만, 기본적인 오토 인코더는 구조적으로 발전설비의 복잡한 특성들을 모두 잡아내기 어렵다. 일반적으로 오토 인코더는 입력층(Input layer), 히든층(Hidden layer), 출력층(Output layer)으로 이루어져 있다.

이는 오토 인코더의 각 노드가 신호의 시계열적 특성을 반영하지 못하기 때문이다. 시계열 신호들은 대부분 시간에 따른 경향성(Trend)이 존재한다. 경향성(Trend)이란 시간에 따라서 데이터가 증가하는 추세를 띌 수도 있고 감소하거나 진동하는 것처럼 신호가 이전 시점과 어떤 관계를 가지고 있는지를 의미한다. 일반적인 오토 인코더는 각 데이터 포인트(point)를 하나의 독립적인 정보로 보기 때문에 이러한 시간에 따른 경향성을 잘 반영하지 못한다.

1. 한국등록특허번호 제10-1107261호(등록일자: 2012년01월11일)

본 발명은 위 배경기술에 따른 문제점을 해소하기 위해 제안된 것으로서, 발전 설비의 음향 방출 신호 및/또는 운전신호를 이용하여 튜브 누설을 감시하고 위치를 추정할 수 있는 튜브 누설 검출 시스템 및 방법을 제공하는데 그 목적이 있다.

또한, 본 발명은 3개 이상의 센서만을 이용하지 않더라도 누설 감지 및 위치 표현이 가능한 튜브 누설 검출 시스템 및 방법을 제공하는데 다른 목적이 있다.

본 발명은 위에서 제시된 과제를 달성하기 위해, 발전 설비의 음향 방출 신호 및/또는 운전신호를 이용하여 튜브 누설을 감시하고 위치를 추정할 수 있는 튜브 누설 검출 시스템을 제공한다.

상기 튜브 누설 검출 시스템은,

발전 설비의 상태 신호를 검출하는 센서 블럭;

상기 상태 신호를 수집하는 수집부;

수집된 상기 상태 신호를 이용하여 센서별 확률 분포를 계산하는 계산부; 및

상기 센서별 확률 분포에 따라 상기 발전 설비의 튜브에서 누설 여부를 추정하는 분석부;를 포함하는 것을 특징으로 한다.

이때, 상기 센서 블록은 상기 상태 신호를 검출하는 적어도 2개의 센서로 이루어지는 것을 특징으로 한다.

또한, 상기 상태 신호는 음향 신호이고, 적어도 2개의 상기 센서는 AE(Acoustic Emission) 센서인 것을 특징으로 한다.

또한, 상기 계산부는 적어도 2개의 상기 센서간 상기 상태 신호의 신호 특성이 변하는 시점의 시간차를 이용하여 각 센서로부터 누설위치까지의 거리를 계산하는 것을 특징으로 한다.

또한, 상기 계산부는 적어도 2개의 상기 센서별로 상기 누설위치까지의 거리를 평균으로 하는 정규 확률 분포를 이용하여 센서 위치별 누설확률을 계산하는 것을 특징으로 한다.

또한, 상기 계산부는 상기 센서 위치별 누설 확률을 이용하여 모든 적어도 2개의 상기 센서에 대한 위치별 확률 분포를 산출하고, 상기 위치별 확률 분포를 기반으로 상기 발전 설비의 튜브에서 누설 위치를 추정하는 것을 특징으로 한다.

또한, 상기 센서 위치별 누설 확률은 수학식 (여기서, : i번째 센서의 가중치 파라미터, Likelihood는 위치별 누설 가능도이다)로 정의되는 것을 특징으로 한다.

또한, 상기 위치별 누설 가능도는 수학식 (여기서, 이고,

m_i = u ×t_{i ,}(x_i,y_i,z_i): i번째 센서의 위치, u: 파장 전파 속도, t_ij: i번째 센서에서 j번째 센서와의 도달 시간 차이, : i번째 센서와 j번째 센서의 불확실성합)로 정의되는 것을 특징으로 한다.

또한, 상기 계산부는 상기 발전 설비의 운전신호를 수신받아 CNN(Convolutional Neural Networks)-LSTM(Long Short-Term Memory models)-AE(Auto Encoder) 알고리즘을 이용하여 상기 운전신호의 국부적 특성 학습 및 연속 특성 학습을 수행하는 것을 특징으로 한다.

또한, 상기 운전 신호는 윈도우징 기법을 통해 일정한 시간 간격으로 일부 겹치게 분할되어 시퀀스 개수, 시퀀스 길이, 및 태그를 갖는 1차 시퀀스 신호로 변환되는 것을 특징으로 한다.

또한, 상기 1차 시퀀스 신호는 합성곱 신경망(CNN)의 입력신호로 사용되기 위해 서브 시퀀스 형태로 분할되어 시퀀스 개수, 서브 시퀀스 개수, 서브시퀀스 길이, 및 태그를 갖는 입력 시퀀스 신호로 변환되는 것을 특징으로 한다.

또한, 상기 분석부는 잠재 변수를 통해 재구성되는 출력 시퀀스 신호와 상기 운전신호와 차이값을 계산하고, 상기 차이값이 미리 정해진 경계치를 넘으면 이상으로 감지하는 것을 특징으로 한다.

또한, 상기 분석부는 상기 누설여부에 따라 누설이 추정되면 누설 알람 정보를 생성하는 것을 특징으로 한다.

*이때, 상기 누설 알람 정보는 음성, 그래픽, 및 문자의 조합인 것을 특징으로 한다.

다른 한편으로, 본 발명의 다른 일실시예는, (a) 센서 블럭이 발전 설비의 상태 신호를 검출하는 단계; (b) 수집부가 상기 상태 신호를 수집하는 단계; (c) 계산부가 수집된 상기 상태 신호를 이용하여 센서별 확률 분포를 계산하는 단계; 및 (d) 분석부가 상기 센서별 확률 분포에 따라 상기 발전 설비의 튜브에서 누설 여부를 추정하는 단계;를 포함하는 것을 특징으로 하는 발전 설비의 상태 신호를 이용한 튜브 누설 검출 방법을 제공한다.

이때, 상기 (c) 단계는, 계산부가 상기 발전 설비의 운전신호를 수신받아 CNN(Convolutional Neural Networks)-LSTM(Long Short-Term Memory models)-AE(Auto Encoder) 알고리즘을 이용하여 상기 운전신호의 국부적 특성 학습 및 연속 특성 학습을 수행하는 단계;를 포함하는 것을 특징으로 한다.

본 발명에 따르면, 튜브누설 추정위치를 위치에 따라 확률론적으로 표현하여, 음향방출센서가 2개만 반응하더라도 위치별 누설 확률분포를 표현해 줄 수 있다.

또한, 본 발명의 다른 효과로서는 발전 설비의 운전신호(온도,압력)를 통해 튜브 누설을 판단할 수 있어, 데이터의 일부 특성만 학습하는 기존 이상 감지 방법의 문제를 해결하고, 발전소 데이터는 대부분 시계열 형태의 다중채널 데이터가 동시에 수집되는데, 수집된 빅데이터에 대해서 실시간으로 정보를 파악하고 진단할 수 있게 해준다는 점을 들 수 있다.

또한, 본 발명의 또 다른 효과로서는 발전소에서 취득되는 데이터는 대부분 잡음이 많이 섞여 있고 정상/이상 정보가 표시되어 있지 않음에도 불구하고, 오토 인코더 기반 이상 감지 방식은 노이즈에 강하고 데이터의 라벨링이 필요없는 비지도 학습 방법이기 때문에 발전소 데이터를 효과적으로 처리할 수 있다는 점을 들 수 있다.

또한, 본 발명의 또 다른 효과로서는 신호처리 기반 상태 진단 방법의 경우, 특정 취득 구간에 해당하는 데이터만 분석 및 열람하여 주파수 분석을 수행하기 때문에 기존에 발생했었던 이력 정보를 반영하여 진단을 내리기 어려움에도 이전에 발생했던 이력 데이터를 학습함으로써 이상과 정상 상태 판단이 가능하다는 점을 들 수 있다.

또한, 본 발명의 또 다른 효과로서는 튜브의 음향방출신호와 운전신호를 동시에 고려하여 튜브누설 알람에 대한 신뢰도를 올려줄 수 있다는 점을 들 수 있다.

도 1은 본 발명의 일실시예에 따른 튜브 누설 검출 시스템의 구성 블럭도이다.
도 2는 본 발명의 일실시예에 따른 튜브 누설 검출 과정을 보여주는 흐름도이다.
도 3은 본 발명의 일실시예에 따른 CNN(Convolutional Neural Networks)-LSTM(Long Short-Term Memory models)-AE(Auto Encoder) 알고리즘의 구조를 보여주는 개념도이다.
도 4 및 도 5는 2개의 센서만을 이용한 센서 위치별 누설 확률 분포를 보여주는 그래프이다.
도 6은 본 발명의 일실시예에 따른 최종 확률 모형과 기존의 최종 확률 모형을 비교하는 도면이다.
도 7은 도 3에 도시된 CNN-LSTM-AE 알고리즘의 흐름도이다.
도 8은 도 7에 도시된 CNN-LSTM-AE 알고리즘의 전처리 과정을 보여주는 흐름도이다.
도 9는 도 7에 도시된 CNN-LSTM-AE 알고리즘의 인코더 구조를 보여주는 블럭도이다.
도 10은 도 7에 도시된 CNN-LSTM-AE 알고리즘의 디코더 구조를 보여주는 블럭도이다.
도 11은 본 발명의 일실시예에 따른 튜브 누설 진단 과정을 보여주는 흐름도이다.
도 12는 본 발명의 일실시예에 따른 튜브 누설 검출 시스템을 검증하기 위한 발전 설비 모델의 구성 블럭도이다.
도 13 및 도 14는 슈퍼 히터2 메탈 온도 신호의 알고리즘을 적용한 결과를 나타내는 그래프이다.
도 15 및 도 16은 슈퍼 히터1 주입헤더온도 신호의 알고리즘을 적용한 결과를 나타내는 그래프이다.
도 17은 본 발명의 일실시예에 따른 발전소에 음향방출센서를 설치한 도면이다.
도 18은 본 발명의 일실시예에 따른 센서간의 신호 특성이 변화하는 시간차 예시를 보여주는 도면이다.
도 19는 본 발명의 일실시예에 따른 센서 위치별 누적확률분포를 표현한 그래프이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면에서 표시된 구성요소의 크기 및 상대적인 크기는 설명의 명료성을 위해 과장된 것일 수 있다.

명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭하며, “및/또는”은 언급된 아이템들의 각각 및 하나 이상의 모든 조합을 포함한다.

본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 “포함한다” 및/또는 “구성된다”는 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

비록 제1, 제2 등의 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 대해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소와 구별하기 위하여 사용되는 것이다. 따라서, 이하에서 언급되는 제 1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.

이하 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 발전 설비의 상태 신호를 이용한 튜브 누설 검출 시스템 및 방법을 상세하게 설명하기로 한다.

도 1은 본 발명의 일실시예에 따른 튜브 누설 검출 시스템(100)의 구성 블럭도이다. 도 1을 참조하면, 튜브 누설 검출 시스템(100)은 발전 설비(10)의 상태 신호를 검출하는 센서 블럭(110), 상태 신호를 수집하는 수집부(120), 수집된 상태 신호를 이용하여 센서별 확률 분포를 계산하는 계산부(130), 센서별 확률 분포에 따라 누설 여부 및 누설 위치를 추정하는 분석부(140), 누설 여부 및 누설 위치를 알림 정보로 출력하는 출력부(150) 등을 포함하는 것을 특징으로 한다.

발전 설비(10)는 일반적으로 보일러를 의미한다. 발전 설비(10)는 일반적으로 수력, 화력, 원자력 따위의 에너지원을 전력으로 변환하기 위한 발전소와 부속 설비 등을 말한다. 본 발명의 일실시예에서는 보일러 내외부에 설치되는 튜브를 들어 설명하기로 한다.

센서 블럭(110)은 발전 설비(10)의 내외부에 설치되어 튜브의 상태 신호를 감지하는 기능을 수행한다. 이를 위해, 센서 블럭(110)은 제 1 내지 제 n 센서(111-1 내지 111-n)가 구성된다. 제 1 내지 제 n 센서(111-1 내지 111-n)는 음향 신호를 검출하는 AE(Acoustic Emission) 센서가 될 수 있다. AE 센서는 어떤 특정 주파수에서 고감도(협대역형)가 되는 공진형과 넓은 주파수 범위에서 일정 감도를 유지하는 광대역형으로 분류된다.

수집부(120)는 센서 블럭(110)으로부터 상태 신호를 수집하는 기능을 한다. 이를 위해 수집부(120)는 통신 회로, DSP(Digital Signal Processor) 등을 포함하여 구성될 수 있다.

계산부(130)는 센서(111-1 내지 111-n)와 누설위치까지의 거리를 구하기 위해 음향신호로부터 파동 전파속도를 측정한다. 그리고, 센서간 신호특성이 변하는 시점의 시간차이를 계산한다. 측정된 파동 전파속도와 센서간의 신호특성이 변하는 시간차이를 이용해 각 센서로부터 누설위치까지의 거리를 계산할 수 있다. 또한, 각 센서별 누설위치까지의 거리를 평균으로 하는 정규 확률 분포를 생성하여 각 센서에서의 위치별 누설확률을 계산한다.

분석부(140)는 모든 센서에 대한 위치별 확률 분포를 구하여, 최종누설확률을 위치별로 표현하는 기능을 수행한다.

출력부(150)는 수집부(120), 계산부(130), 분석부(140) 등에서 처리하는 정보를 표시하는 기능을 수행한다. 따라서, 출력부(150)는 문자, 음성, 및 그래픽의 조합으로 정보를 출력할 수 있다. 이를 위해 출력부(150)는 디스플레이, 사운드 시스템 등을 포함하여 구성될 수 있다.

디스플레이는 LCD(Liquid Crystal Display), LED(Light Emitting Diode) 디스플레이, PDP(Plasma Display Panel), OLED(Organic LED) 디스플레이, 터치 스크린, CRT(Cathode Ray Tube), 플렉시블 디스플레이 등이 될 수 있다. 터치 스크린의 경우, 입력 수단으로 기능할 수 있다.

저장부(160)는 시스템(100)을 동작시키기 위한 소프트웨어, 명령어 세트, 또는 데이터 등을 저장하기 위한 기능을 수행한다. 이를 위해 저장부(160)는 랜덤액세스메모리(Random Access Memory, RAM), 자기 디스크(Magnetic Disc), 플래시 메모리(Flash Memory), 정적램(Static Random Access Memory, SRAM), 롬(Read Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read Only Memory), PROM(Programmable Read Only Memory) 등으로 구현될 수 있으나 이에 한정되는 것은 아니다.

도 1에 도시된 계산부(130), 분석부(140)는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 소프트웨어 및/또는 하드웨어로 구현될 수 있다. 하드웨어 구현에 있어, 상술한 기능을 수행하기 위해 디자인된 ASIC(application specific integrated circuit), DSP(digital signal processing), PLD(programmable logic device), FPGA(field programmable gate array), 프로세서, 마이크로프로세서, 다른 전자 유닛 또는 이들의 조합으로 구현될 수 있다.

소프트웨어 구현에 있어, 소프트웨어 구성 컴포넌트(요소), 객체 지향 소프트웨어 구성 컴포넌트, 클래스 구성 컴포넌트 및 작업 구성 컴포넌트, 프로세스, 기능, 속성, 절차, 서브 루틴, 프로그램 코드의 세그먼트, 드라이버, 펌웨어, 마이크로 코드, 데이터, 데이터베이스, 데이터 구조, 테이블, 배열 및 변수를 포함할 수 있다. 소프트웨어, 데이터 등은 메모리에 저장될 수 있고, 프로세서에 의해 실행된다. 메모리나 프로세서는 당업자에게 잘 알려진 다양한 수단을 채용할 수 있다.

도 2는 본 발명의 일실시예에 따른 튜브 누설 검출 과정을 보여주는 흐름도이다. 도 2를 참조하면, 센서(111-1 내지 111-n)와 누설위치까지의 거리를 구하기 위해 음향신호로부터 파동 전파속도를 측정한다. 그리고 계산부(130)는 센서간 신호특성이 변하는 시점의 시간차를 계산한다(단계 S210). 측정된 파동 전파속도와 센서간의 신호특성이 변하는 시간차이를 이용해 각 센서로부터 누설위치까지의 거리를 계산할 수 있다.

이후, 계산부(130)는 각 센서별 누설위치까지의 거리를 평균으로 하는 정규 확률 분포를 생성하여 각 센서 위치별 누설 확률을 계산한다(단계 S220). 위치별 누설확률은 가우시안 확률 분포가 된다.

이후, 계산부(130)는 각 센서 위치별 누설 확률을 이용하여 모든 센서에 대한 위치별 확률 분포를 구하여, 최종누설확률을 위치별로 표현한다(단계 S230).

따라서, 도 2에 개시된 위치 추정 방식을 도입하면, 결정된 해를 도출해 주는 것이 아니라 위치별 확률분포로 누설위치를 추정하기 때문에 3개 미만의 센서에서 누설신호가 들어오더라도 누설추정위치를 표현해 줄 수 있다.

도 3은 본 발명의 일실시예에 따른 CNN(Convolutional Neural Networks)-LSTM(Long Short-Term Memory models)-AE(Auto Encoder) 알고리즘의 구조를 보여주는 개념도이다. 일반적으로 음향 방출 신호로만 튜브 누설 여부를 판단한다. 따라서, 현장에서 누설알람에 대한 신뢰도를 높이기 위해서는 운전신호를 통한 누설감지가 필요하다. 기존의 오토 인코더 신경망 구조로는 발전소의 운전신호의 특성을 모두 학습하기 어렵다. 운전신호는 발전 설비(특히, 보일러를 들 수 있음)의 온도, 압력등의 물리량으로서 운전의 전반적인 상태를 알 수 있는 파라미터이다.

이를 위해, 본 발명의 일실시예에서는 발전소의 운전신호의 국부적 특성과 연속적인 연속 특성을 모두 학습하기 위해 합성곱 신경망(CNN)과 장단기 메모리(LSTM) 신경망을 복합적으로 구성한 오토 인코더(Auto Encoder) 인공 신경망이 구현된다.

CNN-LSTM-AE(Convolutional Neural Networks-Long Short-Term Memory models-Auto Encoder) 데이터를 학습하기에 앞서 특성을 학습시키기 위한 입력 데이터(즉 운전신호)의 전처리 과정이 필요하다. 입력 데이터는 전처리 과정에서 윈도윙(Windowing) 기법을 통해 입력 시퀀스(310)라는 단위로 분할되게 되고, 이 시퀀스는 다시 서브 시퀀스라는 단위로 재분할되어 입력 시퀀스 신호(310)가 되며, 인코더(320)에 입력된다. 인코더(320)는 순차적으로 1D-합성곱 신경망(1D-CNN) 및 장단기 메모리(LSTM: Long Short-Term Memory models) 신경망으로 구성된다. 여기서, 1D-CNN은 1차원 입력 데이터에 대한 CNN 알고리즘의 구조를 의미한다.

이 입력 서브시퀀스 단위로 합성곱 신경망(1D-CNN)에서 국부적 특성이 학습되고, 이후 장단기 메모리 모델 신경망(LSTM)에서 데이터의 연속적인 연속 특성들이 시퀀스 단위로 학습된다. 모델 학습이 완료되면 학습된 가중치를 기반으로 인코딩과 디코딩과정을 거쳐 입력된 다중 채널 데이터가 재구성된다. 이를 위해, 잠재 변수 블록(330), 디코더(340)가 구성된다. 디코더(340)는 인코더와 달리 순차적으로 장단기 메모리(LSTM: Long Short-Term Memory models) 신경망 및 1D-합성곱 신경망(1D-CNN)으로 구성된다. 따라서 최종적으로 출력 시퀀스(350)가 디코더(340)를 통해 출력된다. 재구성된 신호와 원신호를 비교하여 발전 설비의 이상을 감지하고, 이상 태그를 선별하게 된다. 이에 대해서는 도 7를 참조하여 후술하기로 한다.

한편, 일반적으로 튜브 누설 위치 판단은 3개 이상의 센서에서 명확한 신호가 발생해야만 위치 표현이 가능하다. 그런, 실제 음향센서는 경우에 따라 적은 수의 센서만 반응할 수 있기 때문에 기존방식으로는 위치 표현이 어렵다. 본 발명의 일실시예에서는 최대 가능도 추정법(Maximum Likelihood Estimation, MLE)을 사용하여 이 문제를 해결한다.

최대 가능도 추정법(MLE)은 어떤 확률변수에서 추출한 표본을 기반으로 그 확률변수의 매개변수를 구하는 방식이다. 어떤 매개변수가 주어졌을 때, 원하는 값들이 나올 가능도(Likelihood)를 최대로 만드는 매개변수를 선택하는 방식이다. 이 방식을 보일러 튜브 누설위치추정 문제에 적용하여 보일러 내부 모든 위치에 누설이 일어났을 확률을 표현할 수 있다.

각 센서에서의 음향 방출 신호의 파장과 시간지연(Time lag)을 통해 센서와 누설위치간의 거리를 측정할 수 있다. 해당 위치에서 누설확률이 측정된 누설위치까지의 거리를 평균으로 하는 정규분포를 따른다고 가정하면 각 센서로 인한 위치별 누설 가능도(likelihood)는 아래 식과 같이 표현 될 수 있다.

여기서, 이고,

m_i = u ×t_i

(x_i,y_i,z_i): i번째 센서의 위치

u: 파장 전파 속도

t_ij: i번째 센서에서 j번째 센서와의 도달 시간 차이

: i번째 센서와 j번째 센서의 불확실성합

모든 위치에서 모든 센서에서의 가능도의 곱을 더한 값을 분모로 하고, 해당 위치에서 모든 센서에서의 가능도의 곱을 분자로 하여 해당위치에서 누설이 발생했을 센서 위치별 누설 확률을 아래식과 같이 나타낼 수 있다.

여기서, : i번째 센서의 가중치 파라미터

위에서 개시된 센서 위치별 누설 확률의 예시가 도 4 및 도 5에 도시된다.

도 4 및 도 5는 2개의 센서만을 이용한 센서 위치별 누설 확률 분포를 보여주는 그래프이다. 도 4 및 도 5를 참조하면, 4개의 센서에 대한 각각의 확률분포를 구한 것이다. 즉, 제 1 센서와 제 2 센서간 시간 도달차 기반 누설 확률 분포(410), 제 1 센서와 제 3 센서간 시간 도달차 기반 누설 확률 분포(420), 제 1 센서와 제 4 센서간 시간 도달차 기반 누설 확률 분포(430), 제 2 센서와 제 3 센서간 시간 도달차 기반 누설 확률 분포(510), 제 2 센서와 제 4 센서간 시간 도달차 기반 누설 확률 분포(520), 제 3 센서와 제 4 센서간 시간 도달차 기반 누설 확률 분포(530) 등이 도시된다.

가시성을 위해, 95% 영역을 표현할 수 있다. 만약 센서가 2개만 반응하더라도, 위에 도시된 도면과 같이 특정 영역만을 한정지어 누설이 일어난 지역을 표현할 수 있다. 2개의 센서만으로 위치를 추정하였기 때문에 누설확률이 높은 위치가 두 센서 사이의 평면으로 나오게 된다. 여기서 추가적인 센서가 반응하게 될 경우 누설확률이 높은 구간이 한곳으로 집중 되겠지만, 그렇지 못한 경우에도 도면에 도시된 바와 같이 어느정도 평면을 특정할 수 있어 실제 누설지점을 찾는 데 도움이 될 수 있다.

도 6은 본 발명의 일실시예에 따른 최종 확률 모형(610)과 기존의 최종 확률 모형(620)을 비교하는 도면이다. 즉, 도 6은 모든 센서를 고려한 최종 누설 확률 분포를 나타내는 도면이다. 도 6을 참조하면, 누설이 발생했을 가능성이 높은 영역을 확률적으로 한정지어 표현이 가능하다. 또한, 도 6과 같이 기존 TDOA(Time difference of arrival)를 이용한 선형/비선형 쌍곡선(Hyperbolic) 방정식을 활용하여 결과를 얻은 것보다 MPP(Most Probable Point) 기준으로, 훨씬 높은 정확도를 얻을 수 있는 것을 알 수 있다. 도 6에는 센서 위치(601), 표적 위치(602), 선형 표적 추정(603), 비선형 표적 추정(604), 확률적 표적 추정(605)이 도시된다.

도 7은 도 3에 도시된 CNN-LSTM-AE(Convolutional Neural Networks-Long Short-Term Memory models-Auto Encoder) 알고리즘의 흐름도이다. 도 7은 크게 보면, 1) 다중 채널의 신호를 입력받고 연속적인(sequential) 시계열 형태 데이터를 딥러닝에 적용 가능하도록 실시간으로 시퀀스 입력 데이터(즉, 동작 신호)를 생성하고, 2) 신호의 국부적인 특성과 연속적인 특성을 딥러닝을 통해 학습하고, 3) 잠재 변수들을 통해 신호를 재구성한다. 4) 마지막으로, 재구성된 신호와 원신호의 차이를 기반으로 이상 여부 감지와 이상 태그 선별을 수행한다.

도 7을 참조하면, 다중 채널로부터 취득되는 운전신호는 시계열 형태로 실시간으로 취득된다(단계 S710). 다중 채널 데이터를 사용하고자 하는 딥러닝 알고리즘에 적용하기 위해서는 전처리 과정이 필요하다.

따라서, 신호들의 국부적인 특성과 연속적인 특성을 모두 학습하기에 적합한 형태로 데이터를 변환하여야 한다. 이를 위해, 취득된 다중 채널 데이터(즉 이동신호)를 윈도우징(windowing) 기법을 통해 일정한 시간 간격으로 나눈다(단계 S720). 이때 시간간격을 일부 겹치게 나눈다. 이렇게 나누어진 시간 간격들을 1차 시퀀스 신호라고 한다. 이렇게 하면 데이터 형태가 (시간)*(태그)에서 (시퀀스 개수)*(시퀀스 길이)*(태그)로 변환된다.

이렇게 변환된 1차 시퀀스 신호는 국부적인 특성 학습을 위한 합성곱 신경망(CNN)의 입력신호로 사용하기 위해 서브 시퀀스 형태로 더 잘게 쪼개어져서 (시퀀스 개수)*(서브시퀀스 개수)*(서브시퀀스 길이)*(태그) 형태로 재변환되는 전처리 과정을 거쳐 입력 시퀀스 신호(310)가 생성된다(단계 S730).

이후, 합성곱 신경망(CNN)을 통한 국부적 시퀀스 신호 학습 및 장단기(Long Short-Term Memory models) 신경망을 통한 연속적인 특성 학습이 수행된다(단계 S740,S750).

이후, 잠재 변수들을 통한 신호 재구성이 이루어진다(단계 S760). 따라서, 필요한 특성이 압축되어 저장된 데이터로부터 인코딩과정과 반대 과정으로 디코딩을 진행하여 원래의 신호를 재구성한다. 잠재 변수는 구성 개념이 직접적으로 관찰되거나 측정되지 않는 변수를 의미한다.

잠재 변수는 인코더를 통해 입력값의 특징이 압축되어 저장된 데이터이다. 본 발명의 일실시예에 따른 알고리즘에서는 CNN과 LSTM을 거치면서 신호간의 상관성과 시계열적인 특성이 모두 잠재 변수에 저장되게 되고, 이 잠재변수가 디코더를 통해 재구축 되어 신호간의 상관성과 신호의 시계열적 특성이 포함된 신호를 출력해 준다.

이후, 통계적 이상 경계값을 생성하고, 이상값이 감지되는 지를 확인한다(단계 S761,S770). 부연하면, 디코더(340)를 통해 재구성된 출력 시퀀스 신호(350)와 원신호와의 차이를 계산하고, 이 차이가 정상상태 데이터에 통계적인 기법을 적용해 정해진 경계치를 넘어가면 이상으로 감지한다(S780,S790). 각 신호별로 차이 값을 계산할 수 있기 때문에 가장 차이가 큰 태그를 선별할 수 있다.

이와 달리, 정해진 경계치를 넘어가면 정상으로 감지한다(단계 S771).

도 8은 도 7에 도시된 CNN-LSTM-AE 알고리즘의 전처리 과정을 보여주는 흐름도이다. 도 8을 참조하면, 계산부(130)가 다변량 신호인 운전 신호(811)를 입력받는다(단계 S810). 이후, 입력된 운전 신호(811)에 대해 윈도우징(windowing) 기법을 통해 일정한 시간 간격으로 분할하여 1차 시퀀스 신호(821)를 생성한다(단계 S820).

이후, 이렇게 변환된 1차 시퀀스 신호(821)는 국부적인 특성 학습을 위한 합성곱 신경망(CNN)의 입력신호로 사용하기 위해 서브 시퀀스 형태로 더 잘게 분할되어 입력 시퀀스 신호(831)가 된다(단계 S830).

도 9는 도 7에 도시된 CNN-LSTM-AE 알고리즘의 인코더 구조를 보여주는 블럭도이다. 도 9를 참조하면, 전처리 과정을 통해 변환된 입력 시퀀스 신호(831)는 합성곱 신경망(910), 장단기 메모리 신경망(920)으로 구성되어 있는 인코더 알고리즘을 거친다. 정상 데이터가 학습에 사용되며 합성곱 신경망(CNN)에 입력 시퀀스 신호(831)의 서브 시퀀스들을 입력으로 사용하여 신호의 국부적인 특성 학습이 수행된다.

이후 장단기 메모리(LSTM) 신경망을 이용하여 긴 시퀀스의 특징을 학습하여 모델의 가중치가 조절된다. 모델의 학습이 끝난 후 전처리된 데이터가 들어오게 되면 인코더를 통해 차원이 축소되어 필요한 인코딩 특징(930)만 각 노드에 저장된다.

도 10은 도 7에 도시된 CNN-LSTM-AE 알고리즘의 디코더 구조를 보여주는 블럭도이다. 도 10을 참조하면, 필요한 특성이 압축되어 저장된 데이터로부터 인코딩 과정과 반대 과정으로 디코딩을 진행하여 원래의 신호를 재구성한다. 디코더 구조는 인코더와 대칭구조로서 인코딩된 인코딩 특징(930)을 장단기 메모리(LSTM) 신경망에 입력하고 이를 합성곱 신경망(CNN)을 통해 최종적으로 출력 시퀀스 신호(1010)로 재구성한다.

도 11은 본 발명의 일실시예에 따른 튜브 누설 진단 과정을 보여주는 흐름도이다. 도 11을 참조하면, 운전신호는 보일러 내부의 온도, 압력등의 물리량으로서 보일러 운전의 전반적인 상태를 알 수 있다. 이 운전신호를 전처리하여 위에서 개발한 CNN-LSTM-AE 알고리즘을 사용하여 정상상태의 운전신호를 학습한다(단계 S1101,S1102,S1103). 이후, 학습이후 실시간으로 운전신호의 정상/이상여부를 판단한다(단계 S1104).

동시에 기존의 BTLD(Boiler Tube Leak Detection) 시스템에서는 보일러의 음향 방출 신호를 이용하여 튜브누설을 감지한다(단계 S110,S1120,S1121). 두 개의 시스템 모두에서 누설로 판단할 경우, 확실한 누설이라 판단하여 누설 알람 정보가 발생한다(단계 S1122,S1123). 누설 알람 정보는 음성, 그래픽, 및 문자의 조합이 될 수 있다. 물론, 하나의 시스템에서 누설로 판단되더라도 누설 알람 정보가 생성될 수 있다.

누설알람이 발생할 경우, 음향 방출 신호를 입력받아 최대 가능도 추정법(MLE) 기반 위치추정 알고리즘을 통해 보일러 내 누설 추정 위치를 위치별 확률분포로 표현해 준다(단계 S1130,S1131,S1132).

본 발명의 실시예에서는 운전신호를 기반으로 CNN-LSTM-AE에서 이상감지를 하고, 동시에 BTLD 시스템에서 누설을 감지하면, 최종적으로 누설이라 판단하여 MLE 기반 튜브누설 추정위치를 위치별 확률분포로 표현해 주는 것을 특징으로 한다. 이를 위해, 보일러의 온도 신호, 압력 신호 등 시계열 형태로 취득되는 연속적인 다중 채널 데이터에 알고리즘을 적용하였다.

보일러의 튜브에는 온도 센서인 열전대(thermocouple)가 부착되어 있으며 열전대를 통해 튜브의 온도가 측정된다. 만약에 누설이 발생하게 되면 정상적이 운행 상황과 다른 특성의 신호가 취득되게 된다. 알고리즘은 정상 운행 상황에서의 신호들의 특성을 학습한 뒤 생성된 모델을 통해 누설 상황을 진단한다.

학습모델에 사용된 태그 목록을 보면 다음과 같다.

설비	태그 종류	태그 갯수
Superheater 1	주입 헤더 온도	3
	메탈온도	6
Superheater 1	스팀온도	2
	메탈온도	5
Superheater 3	스팀온도	3
	메탈온도	5
Reheater 1	메탈온도	6
	스팀 배출 온도	1
Reheater 1	메탈온도	6

사용한 데이터는 표 1과 같이 누설이 발생하여 운행 종료(shut down)가 발생하기 이전 3개월 동안의 로(Furnace)내 37개의 튜브 온도 데이터이다. 정상 상황으로 판단되는 맨 처음 27일 정도의 기간 중 약 20일 가량을 학습(Train) 7일 가량을 검증(Validation) 데이터 셋으로 잡고 그 뒤의 정상 및 누설이 포함된 데이터를 테스트 셋(Test set)으로 둔 뒤 알고리즘을 학습 및 검증하였다. 슈퍼히터(Superheater)와 재히터(Reheater)의 위치는 도 12에 도시된다.도 12는 본 발명의 일실시예에 따른 튜브 누설 검출 시스템을 검증하기 위한 발전 설비 모델의 구성 블럭도이다. 도 12를 참조하면, 발전 설비 모델에는 석탄을 적재하는 석탄 벙커(1210), 석탄을 분쇄하는 분쇄기(1220), 차공기 팬(1230), 고온을 생성하는 슈퍼히터(1220), 공기를 미리 예열하는 공기 예열기(1250), 압입 송풍기(1260), 공기(1270), 급수 가열기(1290) 등이 구성된다.

도 13 및 도 14는 슈퍼 히터2 메탈 온도 신호의 알고리즘을 적용한 결과를 나타내는 그래프이다. 특히, 도 13은 모델에 포함된 Tag중 Superheater2 메탈온도 신호의 알고리즘을 적용 결과를 나타낸 그래프이다. 도 13에 도시된 그래프에서 파란색 부분은 입력된 실제 데이터를 나타낸 것이고 노란색은 알고리즘이 재구성한 원래의 시퀀스들의 평균값(예측값)을 의미한다.

도 14는 재구성한 데이터 시퀀스가 입력 데이터 시퀀스와 얼마나 차이가 나는지를 나타내는 잔차값을 나타낸 것이다. 결과를 보면 50일 정도까지는 알고리즘이 원래의 데이터를 잘 구성하지만 50일 이후부터는 재구성한 데이터와 실제 데이터 간에 차이가 많이 생기는 것을 확인할 수 있다. 이는 해당 시점의 데이터의 특성이 학습한 데이터의 특성과 다르기 때문이다. 즉 데이터 시작일 기준으로 50일경부터 데이터의 특성이 바뀌었으며 해당 시점부터 이상이 발생했음을 추정할 수 있다.

도 15 및 도 16은 슈퍼 히터1 주입헤더온도 신호의 알고리즘을 적용한 결과를 나타내는 그래프이다. 특히, 도 15는 및 도 16은 모델에 포함된 태그(Tag)중 슈퍼히터1(Superheater1) 주입헤더온도 신호의 알고리즘을 적용 결과를 나타낸 그래프이다. 이 결과도 마찬가지로 50일 정도까지는 알고리즘이 원래의 데이터를 잘 구성하지만 50일 이후부터는 재구성한 데이터와 실제 데이터 간에 차이가 많이 생기는 것을 확인할 수 있다. 본 알고리즘으로 결론적으로 기동 정지 시점 기준으로 약 39일정도 먼저 누설을 감지하였다.

위에 설명한 CNN-LSTM-AE 알고리즘과 기존의 BTLD 시스템에서 동시에 누설알람이 발생한 경우 높은 확률로 누설임을 추정할 수 있고, 누설이 일어났을 경우 누설위치를 추정하여야 기동정지 후 보수 작업을 수행할 수 있다. 아래는 앞에서와 동일 기간 동일 누설사례에 대해 음향방출신호로 누설추정위치를 찾아내는 실시예이다.

도 17은 본 발명의 일실시예에 따른 발전소에 음향 방출 센서를 설치한 도면이다. 도 17을 참조하면, ‘A’발전소는 보일러 누설감지를 위한 음향방출센서가 로 정면 벽(furnace front wall)에 아래와 같이 설치되어 있다. 총 6개의 DAQ(Data Acquisition)에 각 DAQ당 2개의 센서가 연결되어 있어, 총 12개의 센서에서 음향신호를 취득할 수 있다. 총 12개의 센서중 주파수 분석 결과 누설신호가 검출된 6개의 센서의 데이터를 활용하여 누설 추정위치를 나타내 보았다.

도 18은 본 발명의 일실시예에 따른 센서간의 신호 특성이 변화하는 시간차 예시를 보여주는 도면이다. 도 18을 참조하면, 누설위치를 추정하기 위해서는 먼저 고샘플링 신호를 분석하여 신호특성이 변하는 센서간 시간차를 구해야 한다. 도 18에 도시된 바와 같이, 500kHz의 음향 방출 신호를 두 개의 센서의 STFT(Short Time Fourier Transform)기법을 사용하여 분석한 결과이다. 0~100kHz의 주파수 대역에서 에너지가 변화하는 시점에 차이가 있음을 확인할 수 있다.

도 19는 본 발명의 일실시예에 따른 센서 위치별 누적확률분포를 표현한 그래프이다. 도 19를 참조하면, 도 17에서 획득된 데이터를 수학식 1 및 수학식 2에 적용하여 누설 위치를 표현하면 도 19에 도시된 위치별 확률 분포를 표현해 줄 수 있다. 가장 누설확률이 높은 지점을 MPP(Most Probable Point)라고 표현하여 고장정비시 가장 먼저 확인해 봐야 할 지점을 알려줄 수 있다.

또한, 여기에 개시된 실시형태들과 관련하여 설명된 방법 또는 알고리즘의 단계들은, 마이크로프로세서, 프로세서, CPU(Central Processing Unit) 등과 같은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 (명령) 코드, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.

상기 매체에 기록되는 프로그램 (명령) 코드는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프 등과 같은 자기 매체(magnetic media), CD-ROM, DVD, 블루레이 등과 같은 광기록 매체(optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 (명령) 코드를 저장하고 수행하도록 특별히 구성된 반도체 기억 소자가 포함될 수 있다.

여기서, 프로그램 (명령) 코드의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

10: 발전 설비
100: 튜브 누설 검출 시스템
110: 센서 블럭
111-1 내지 111-n: 제 1 내지 제 n 센서
120: 수집부
130: 계산부
140: 분석부
150: 출력부
160: 저장부

Claims (1)

1. 발전 설비(10)의 상태 신호를 검출하는 센서 블럭(110);
   상기 상태 신호를 수집하는 수집부(120);
   수집된 상기 상태 신호를 이용하여 센서별 확률 분포를 계산하는 계산부(130); 및
   상기 센서별 확률 분포에 따라 상기 발전 설비(10)의 튜브에서 누설 여부를 추정하는 분석부(140);를 포함하며,
   상기 센서 블럭(110)은 상기 상태 신호를 검출하는 적어도 2개의 센서(111-1 내지 111-n)로 이루어지고,
   상기 계산부(130)는 적어도 2개의 상기 센서(111-1 내지 111-n)간 상기 상태 신호의 신호 특성이 변하는 시점의 시간차를 이용하여 각 센서(111-1 내지 111-n)로부터 누설위치까지의 거리를 계산하고,
   상기 계산부(130)는 상기 센서와 누설위치까지의 거리를 구하기 위해 측정된 파동 전파속도와 상기 시간차를 이용하여 계산하되, 상기 센서 위치별 누설 확률은 하기 수학식으로 정의되는 것을 특징으로 하는 발전 설비의 상태 신호를 이용한 튜브 누설 검출 시스템.
   (여기서, : i번째 센서의 가중치 파라미터, Likelihood는 위치별 누설 가능도이다)