KR102581828B1 - 기계학습을 사용한 연소기의 연소 모니터링 방법 및 장치 - Google Patents
기계학습을 사용한 연소기의 연소 모니터링 방법 및 장치 Download PDFInfo
- Publication number
- KR102581828B1 KR102581828B1 KR1020220008421A KR20220008421A KR102581828B1 KR 102581828 B1 KR102581828 B1 KR 102581828B1 KR 1020220008421 A KR1020220008421 A KR 1020220008421A KR 20220008421 A KR20220008421 A KR 20220008421A KR 102581828 B1 KR102581828 B1 KR 102581828B1
- Authority
- KR
- South Korea
- Prior art keywords
- combustor
- combustion
- machine learning
- flame
- flame image
- Prior art date
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 90
- 238000010801 machine learning Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000012806 monitoring device Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 6
- 239000000446 fuel Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004020 luminiscence type Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000009781 Myrtillocactus geometrizans Nutrition 0.000 description 1
- 240000009125 Myrtillocactus geometrizans Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
- F23N5/02—Systems for controlling combustion using devices responsive to thermal changes or to thermal expansion of a medium
- F23N5/08—Systems for controlling combustion using devices responsive to thermal changes or to thermal expansion of a medium using light-sensitive elements
- F23N5/082—Systems for controlling combustion using devices responsive to thermal changes or to thermal expansion of a medium using light-sensitive elements using electronic means
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/54—Recording
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2229/00—Flame sensors
- F23N2229/20—Camera viewing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2231/00—Fail safe
- F23N2231/20—Warning devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2900/00—Special features of, or arrangements for controlling combustion
- F23N2900/05006—Controlling systems using neuronal networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Mechanical Engineering (AREA)
- Databases & Information Systems (AREA)
- Combustion & Propulsion (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Control Of Combustion (AREA)
Abstract
본 발명의 일 실시 예에 따른 기계학습을 사용한 연소기의 연소 모니터링 방법은, 연소기의 화염 이미지를 획득하는 단계; 상기 획득한 화염 이미지의 데이터를 정규화 및 전처리하는 단계; 기계학습 제1 예측모델을 사용하여 상기 획득한 화염 이미지의 연소 정상 상태 여부를 판단하는 단계; 및 상기 판단 결과 상기 획득한 화염 이미지의 연소가 정상 상태인 경우 기계학습 제2 예측모델을 사용하여 상기 연소기의 운전 조건을 예측하는 단계를 포함하는 것을 특징으로 한다. 이에 따라, 본 발명의 일 실시 예에서는, 화염 이미지와 기계학습을 사용해 비침습적으로 연소기의 운전 상태 및 조건을 실시간 예측 가능하므로 연소기를 안전하게 제어하면서도 경제적 측면에서 유리하다. 또한, 연소기가 보다 안정적이고 친환경적인 운전 범위 내에서 가동이 될 수 있도록 하는 피드백 루프가 가능하게 된다.
Description
본 발명은 기계학습을 사용한 연소기의 연소 모니터링 방법 및 장치에 관한 것으로, 보다 구체적으로는 기계학습 예측 모델들을 통해 연소기 화염 이미지의 정상성 및 연소기 운전 조건을 예측하여 연소 상태를 실시간으로 분석 가능한 기계학습을 사용한 연소기의 연소 모니터링 방법 및 장치에 관한 것이다.
산업용 대형 연소 시스템의 공기와 연료의 공급에 있어서 공기는 블로워나 압축기를 통해 주입되고 연료는 연료통의 압축 펌프를 이용하여 주입되며 사용 또는 주입 연료량은 정확한 예측이 가능하지만 사용되는 공기는 상대적으로 예측의 정확도가 떨어지는 측면이 있다.
연소기 파괴에 대비하여 연소 불안정 판별을 위해 연소기에 대한 운전 모니터링이 이루어지며 불안정 연소가 발생할 경우 열 방출, 압력 섭동이 수반되므로 이를 온도 센서 및 동압 센서를 사용하여 감지한다. 이러한 센서들은 연소기에 삽입하여 사용되는 침습적 센서들이며 연소기는 일반적으로 고온, 고압의 환경이기에 침습적 방식의 센서들은 부식, 파손 등의 문제로 인해 사용에 일정 한계가 존재하게 된다. 이에 따라, 광학 또는 음향 기반의 비침습적 센싱 기술들이 연구되어 활용되고 있으나 해당 기술들의 구현을 위해 주로 고가의 센서들이 사용되고 있는 실정이다.
연소기에 주입되는 공기량, 연료량에 따라 연소기 화염의 형상(예를 들어, 길이, 모양 등)과 색은 달라진다. 따라서, 이러한 연소기 화염의 형상과 색을 통해 불안정 연소를 판단할 수 있을 것이다. 또한, 연소기 운전 조건 특히 당량비(즉, 연소 시 연료-공기의 비율), 연소 공기 유량은 연소기의 연소 과정을 결정하는 주요 운전 변수로서 이를 통해 연소 상태를 실시간으로 분석 혹은 예측할 수 있을 것이다. 연소기를 보다 안전하게 제어하면서도 경제적인 방안이 요구된다.
본 발명은 상술한 바와 같은 종래 기술의 문제점을 해결하기 위한 것으로서, 연소기를 안전하게 제어하면서도 경제적일 수 있도록 연소기의 화염 이미지와 기계학습을 사용하여 연소기의 운전 상태 및 조건을 실시간 예측하는 기계학습을 사용한 연소기의 연소 모니터링 방법 및 장치를 제공하는 것이다.
본 발명의 제1 특징에 따른 기계학습을 사용한 연소기의 연소 모니터링 방법은, 연소기의 화염 이미지를 획득하는 단계; 상기 획득한 화염 이미지의 데이터를 정규화 및 전처리하는 단계; 기계학습 제1 예측모델을 사용하여 상기 획득한 화염 이미지의 연소 정상 상태 여부를 판단하는 단계; 및 상기 판단 결과 상기 획득한 화염 이미지의 연소가 정상 상태인 경우 기계학습 제2 예측모델을 사용하여 상기 연소기의 운전 조건을 예측하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 제2 특징에 따른 기계학습을 사용한 연소기의 연소 모니터링 장치는, 연소기를 포함하는 화염 이미지부; 상기 화염 이미지부와 데이터를 송수신하는 통신부; 화염 이미지 데이터가 저장되는 메모리; 상기 메모리와 접속되는 적어도 하나의 프로세서; 및 입출력부를 포함하고, 상기 적어도 하나의 프로세서는, 상기 연소기의 화염 이미지를 획득하는 동작; 상기 획득한 화염 이미지의 데이터를 정규화 및 전처리하는 동작; 기계학습 제1 예측모델을 사용하여 상기 획득한 화염 이미지의 연소 정상 상태 여부를 판단하는 동작; 및 상기 판단 결과 상기 획득한 화염 이미지의 연소가 정상 상태인 경우 기계학습 제2 예측모델을 사용하여 상기 연소기의 운전 조건을 예측하는 동작을 수행하는 것을 특징으로 한다.
본 발명의 제3 특징에 따른 기계학습을 사용한 연소기의 연소 모니터링을 제공하기 위해 디지털 처리 장치에 의해 실행될 수 있는 명령어들의 프로그램이 유형적으로 구현되어 있으며, 디지털 처리 장치에 의해 판독될 수 있는 기록매체는, 본 발명의 제1 특징에 따른 기계학습을 사용한 연소기의 연소 모니터링 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 것을 특징으로 한다.
본 발명의 실시 예에 따른 기계학습을 사용한 연소기의 연소 모니터링 방법 및 장치는 다음과 같은 효과를 제공한다.
화염 이미지와 기계학습을 사용해 비침습적으로 연소기의 운전 상태 및 조건을 실시간 예측 가능하므로 연소기를 안전하게 제어하면서도 경제적 측면에서 유리하다. 또한, 연소기가 보다 안정적이고 친환경적인 운전 범위 내에서 가동이 될 수 있도록 하는 피드백 루프가 가능하게 된다.
합성곱 인코더 및 합성곱 디코더를 사용하여 정상 상태의 화염 이미지들 각각이 입력 값과 동시에 출력 값이 되도록 합성곱 인코더 및 디코더를 기계학습하여 비정상 연소 상태의 화염 이미지들에 대한 기계학습 등의 별도의 데이터 처리 없이도 연소 정상 상태 여부를 판단할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 기계학습을 사용한 연소기의 연소 모니터링 방법을 도시한 플로우차트이다.
도 2는 본 발명의 일 실시 예에 따른 기계학습 예측 모델 획득 및 화염 이미지 분석에 대한 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 합성곱 인코더 및 디코더를 사용한 화염 이미지 정상성 판별 모델의 생성 방법을 도시한 플로우차트이다.
도 4는 본 발명의 일 실시 예에 따른 기계학습 예측 모델들에 대한 개념적인 구성도이다.
도 5는 본 발명의 일 실시 예에 따른 기계학습을 사용한 연소기의 연소 모니터링 장치를 도시한 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 연소기의 화염 이미지를 카메라로 촬상하는 모습을 나타낸 사시도 및 평면도이다.
도 2는 본 발명의 일 실시 예에 따른 기계학습 예측 모델 획득 및 화염 이미지 분석에 대한 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 합성곱 인코더 및 디코더를 사용한 화염 이미지 정상성 판별 모델의 생성 방법을 도시한 플로우차트이다.
도 4는 본 발명의 일 실시 예에 따른 기계학습 예측 모델들에 대한 개념적인 구성도이다.
도 5는 본 발명의 일 실시 예에 따른 기계학습을 사용한 연소기의 연소 모니터링 장치를 도시한 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 연소기의 화염 이미지를 카메라로 촬상하는 모습을 나타낸 사시도 및 평면도이다.
이하, 본 발명에 대해서 실시예 및 도면을 참조하여 구체적으로 설명한다. 그러나, 이하의 설명은 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
연소기가 정상 운전 하는 경우 화염의 전체적인 형태는 연소기 형상에 의해 결정되지만 세부적인 형태는 운전 조건에 의해 결정된다. 연소기의 운전 조건 중 당량비와 관련하여, 당량비가 연료희박조건에서 화학양론적 연소조건으로 증가할수록 화염 전파 속도는 증가하게 되고, 화학양론적 연소조건에서 연료과잉조건으로 증가할수록 화염 전파 속도는 다시 감소하게 된다.
연소기의 운전 조건 중 연소 공기 유량과 관련하여, 연소 공기 유량이 연료희박조건에서 화학양론적 연소조건으로 증가할수록 화염의 길이는 짧아지게 되고, 화학양론적 연소조건에서 연료과잉조건으로 증가할수록 화염의 길이는 길어지게 된다.
또한, 연소 시에는 급격한 화학적 발열 반응으로 OH*와 CH*의 자발광이 푸른 화염으로 보여지게 되고, 당량비가 연료희박조건에서 연료과잉조건으로 바뀌면서 CH* 자발광의 강도가 OH* 자발광의 강도보다 상대적으로 세지면서 전체적인 화염의 색이 변화한다.
한편, 주어진 당량비에서 연소 공기 유량이 증가하면 주어진 화염 전파 속도에서 유속이 증가하므로 화염의 길이가 길어지게 되고, 열부하(시간당 열발출량)는 증가하나 연소기 벽을 통한 열손실량은 비교적 일정하게 유지되어 전체적인 연소 온도가 높아지고 OH*와 CH*의 자발광의 세기가 강해지게 된다.
결국, 화염 이미지 분석, 보다 구체적으로는 화염 형태 및 색의 이미지 분석을 통해 연소 공기 유량과 당량비의 변화 여부 예측 및 정량화가 가능하다.
연소기들은 오염 물질 생산량 규제로 인해 가연 한계 당량비(0.53) 근처의 연료희박조건에서 가동된다. 희박 연소 영역에서는 화염 부상(flame lift-off) 현상과 화염 날림(flame blow-out) 현상이 발생할 수 있다.
연소기는 넓은 작동 부하에서 동작하도록 요구되며 불안정 연소 시 압력 및 열방출 섭동 발생 및 증폭이 동반된다. 이 경우, 화염 형상에서는 화염면의 두께, 곡률 등의 변화가 발생하게 된다.
결국, 연소의 정상 상태 여부 역시 화염 이미지 분석을 통해 판단 가능하다.
도 1은 본 발명의 일 실시 예에 따른 기계학습을 사용한 연소기의 연소 모니터링 방법을 도시한 플로우차트이다.
도 1을 참조하여 본 발명의 일 실시 예에 있어서, 기계학습을 사용한 연소기의 연소 모니터링 방법(100)은, 연소기(10)의 화염 이미지를 획득하는 단계(110); 상기 획득한 화염 이미지의 데이터를 정규화 및 전처리하는 단계(120); 기계학습 제1 예측모델을 사용하여 상기 획득한 화염 이미지의 연소 정상 상태 여부를 판단하는 단계(130); 및 상기 판단 결과 상기 획득한 화염 이미지의 연소가 정상 상태인 경우 기계학습 제2 예측모델을 사용하여 상기 연소기의 운전 조건을 예측하는 단계(140)를 포함하는 것을 특징으로 한다.
심층 학습(Deep Learning or Deep Neural Network)은 기계 학습(Machine Learning)의 한 종류로서, 입력과 출력 사이에 여러 층의 인공 신경망(ANN, Artificial Neural Network)이 구성되어 있으며, 이러한 인공 신경망은 구조와 해결할 문제 및 목적 등에 따라 콘볼루션 신경망(CNN, Convolution Neural Network) 또는 순환 신경망(RNN, Recurrent Neural Network) 등을 포함할 수 있다.
콘볼루션 신경망에 입력되는 데이터는 트레이닝 셋과 테스트 셋으로 구분되는데, 콘볼루션 신경망은 트레이닝 셋을 통해 신경망의 가중치를 학습하고, 이렇게 학습된 결과를 테스트 셋을 통해 확인한다. 이러한 콘볼루션 신경망에서는 데이터가 입력되면 입력층(Input Layer)에서 은닉층(Hidden Layer)까지 연산이 차근차근 진행되어 그 결과가 출력되는데, 이 과정에서 입력 데이터는 모든 노드를 한번씩만 경유하게 된다. 이렇게 입력 데이터가 모든 노드를 한번씩만 경유한다는 것은 데이터의 순서 즉 시간적인 측면을 고려하지 않는 구조라는 것을 의미한다. 결국, 콘볼루션 신경망은 입력 데이터의 시간 순서에 상관없이 학습을 수행한다.
반면, 순환 신경망은 이전 노드의 은닉층의 결과가 다음 노드의 은닉층의 입력으로 사용되는 구조를 갖는다. 이러한 구조는 입력 데이터의 시간 순서가 고려되는 것을 의미한다. 이러한 순환 신경망은 시계열 데이터(time-series data)와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 딥 러닝 모델로서, 기준 시점(t)과 다음 시점(t+1)에 네트워크를 연결하여 구성한 인공신경망(Artificial Neural Network, ANN)이다.
순환 신경망은 인공신경망을 구성하는 유닛 사이의 연결이 순환구조(directed cycle)를 구성하는데, FRN(Fully Recurrent Network), ESN(Echo State Network), LSTM(Long Short Term Memory network), CTRNN(ContinuousTime RNN) 등이 대표적이다. 순환 신경망은 시계열 데이터의 수에 따라 복수의 순환 신경망 블록으로 이루어질 수 있고, 이러한 순환 신경망은 복수의 레이어로 적층될 수 있는데, 이때 각 순환 신경망 사이를 연결하기 위해 완전연결 신경망(Fully Connection Neural Network, FCNN)이 이용될 수도 있다.
본 발명의 일 실시 예에 따른 기계학습을 사용한 연소기의 연소 모니터링 방법은 이하의 과정과 같이 진행된다.
우선, 연소기 정상 운전 조건 범위 내에서 운전 조건을 달리하며 화염 이미지를 촬영하여 운전 조건 별 화염 이미지의 빅데이터를 획득한다. 본 발명의 일 실시 예에 있어서, 연소기의 운전 조건은 연소 공기 유량 및 당량비(즉, 연소 시 연료-공기의 비율)를 포함할 수 있다.
학습 과정 시, 획득한 빅데이터는 학습 및 검증 데이터로 분리하여 획득한 기계학습 예측모델의 예측 정확도를 판단할 수 있다. 도 2는 본 발명의 일 실시 예에 따른 기계학습 예측 모델 획득 및 화염 이미지 분석에 대한 순서도로서, 이를 참조하여 본 발명의 일 실시 예에 따른 일련의 과정에 대해 이해할 수 있다.
학습 데이터셋 구축에 있어서 화염 이미지들과 연소기 운전 조건의 대응이 필요하며, 기계학습 모델 개발 초기에는 센서를 활용한 측정을 통해 연소기 운전 조건을 획득하는 것도 가능하다.
학습 및 검증 데이터셋(dataset) 각각의 이미지들은 최소, 최대 픽셀 값을 기준으로 정규화 된다. 정규화 과정은 각 특징(feature)들의 단위 및 값의 크기에 의해 학습이 편향되는 것을 막아주는 일종의 데이터 스케일링 과정으로서 학습이 진행되기 전 선행되게 된다.
획득한 화염 이미지들을 입력 값이면서 동시에 출력 값이 되도록 하여 합성곱 인코더(convolutional encoder)와 합성곱 디코더(convolutional decoder)의 가중치(weight) 값들과 바이어스(bias) 값들을 기계학습(비지도 학습, unsupervised learning) 한다.
학습시킨 인코더를 통해 화염 이미지의 낮은 품질의 많은 정보량을 높은 품질의 적은 수의 특징 점수 세트 값(feature score set)으로 정보량을 압축할 수 있으며 이러한 과정에서 정상 상태의 화염 이미지만을 사용해 인코더-디코더를 학습하기 때문에 가중치 값들과 바이어스 값들은 정상 상태의 화염 이미지를 재건할 수 있도록 하는 특징 정보만을 포함하게 된다. 참고로, 정보량의 압축은 수만개의 이미지 픽셀 값 정보를 수에서 수십개의 중요 정보로 차원 축소하게 된다.
따라서, 비정상 상태의 화염 이미지(즉, 연소기 비정상 운전 시)를 인코더-디코더에 입력하는 경우, 인코더로부터 추출된 특징 점수 세트 값은 학습 점수 세트 값 범위 외에 존재하거나, 인코더-디코더가 입력 이미지를 올바로 재건하지 못하게 된다. 이에 따라, 비정상 상태의 화염 이미지를 정상 상태의 화염 이미지와 구분하여 분류 가능하다.
본 발명의 일 실시 예에 있어서, 연소 정상 상태 여부 판단 결과 획득한 화염 이미지가 연소 비정상 상태인 경우 경고 알림이 생성될 수 있다. 예를 들어, 경고 알림은 디스플레이를 통하여 표시되는 경고 메시지일 수 있고, 스피커를 통하여 발생되는 경고음일 수 있으며, 네트워크를 통해 외부의 모니터링 시스템 혹은 서버 등으로 경고 데이터가 송신될 수도 있다.
본 발명의 일 실시 예에 있어서, 인코더-디코더의 입력 이미지 재건 여부는 재건 이미지와 입력 이미지의 픽셀 값들의 평균 제곱근 오차(RMSE, root mean square error)가 설정 임계 값보다 작은 경우는 정상 이미지, 큰 경우는 비정상 이미지로 판별되도록 구현할 수 있다.
연소기는 형상에 따라 여러 비정상 연소 상태를 포함할 수 있고 모든 비정상 연소 상태에서의 화염 이미지 취득은 현실적으로 곤란한 측면이 있는 바, 본 발명의 일 실시 예에서는 합성곱 인코더 및 디코더를 사용하여 정상 상태의 화염 이미지들 각각이 입력 값과 동시에 출력 값이 되도록 합성곱 인코더 및 디코더를 기계학습하여 비정상 연소 상태의 화염 이미지들에 대한 기계학습 등의 별도의 데이터 처리 없이도 연소 정상 상태 여부를 판단할 수 있게 된다.
학습된 인코더는 별도의 완전연결신경망(fully connected neural network)과 결합되어 화염 이미지를 입력 값으로 연소기 운전 조건을 출력 값으로 기계학습한 후, 화염 이미지가 실시간으로 입력되면 연소기 운전 조건을 회귀로 예측한다. 본 발명의 일 실시 예에 있어서, 출력 값으로 사용되는 연소기 운전 조건은 연소 공기 유량 및 당량비일 수 있다.
도 3은 본 발명의 일 실시 예에 따른 합성곱 인코더 및 디코더를 사용한 화염 이미지 정상성 판별 모델의 생성 방법을 도시한 플로우차트이고, 도 4는 본 발명의 일 실시 예에 따른 기계학습 예측 모델들에 대한 개념적인 구성도이다.
도 3 및 도 4를 참조하여 본 발명의 일 실시 예에 있어서, 합성곱 인코더-디코더(convolutional encoder-decoder)를 이용한 화염 이미지 정상성 판별 모델은, 상술한 바와 같이, 연소기 운전 조건 별 정상 상태의 화염 이미지들을 획득하는 단계(310); 정상 상태의 화염 이미지들과 연소기 운전 조건을 대응시켜 데이터셋을 생성하는 단계(320); 데이터셋을 정규화 및 전처리하는 단계(330); 정상 상태의 화염 이미지들 각각이 입력 값과 동시에 출력 값이 되도록 합성곱 인코더(convolutional encoder) 및 합성곱 디코더(convolutional decoder)를 기계학습하는 단계(340)를 통해서 생성(300)될 수 있다.
또한, 도 4를 참조하여 본 발명의 일 실시 예에 있어서, 합성곱 인코더(convolutional encoder)와 완전연결신경망(fully connected neural network)을 결합한 연소 공기 유량 및 당량비 예측 모델은, 상술한 바와 같이, 기계학습된 합성곱 인코더를 별도의 완전연결신경망과 결합시켜 정상 상태의 화염 이미지들을 입력 값으로, 연소기의 운전 조건을 출력 값으로 기계학습하여 생성될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 기계학습을 사용한 연소기의 연소 모니터링 장치를 도시한 블록도이다.
기계학습을 사용한 연소기의 연소 모니터링 장치(200)는 메모리(210), 프로세서(220), 입출력부(230), 통신부(240) 및 화염 이미지부(250)를 포함할 수 있다. 메모리(210)는 기계학습을 사용한 연소기의 연소 모니터링 장치(200)에 의해 사용되거나 그에 의해 출력되는 정보를 저장하기 위한 상기 장치(200)에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 또한, 메모리(210)에는 기계학습을 사용한 연소기의 연소 모니터링 방법(100)를 위한 프로그램 코드가 저장될 수 있다.
프로세서(220)는 기본적인 산술, 로직 및 기계학습을 사용한 연소기의 연소 모니터링 방법(100)에 관한 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신부(240)에 의해 프로세서(220)로 제공될 수 있다. 예를 들어 프로세서(220)는 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다. 프로세서(220)는 화염 이미지 분석 및 기계학습 예측 모델 생성을 위한 프로그램 코드를 실행하도록 구성될 수 있다. 이러한 프로그램 코드는 메모리(210)와 같은 기록 장치에 저장될 수 있다.
입출력부(230)는 사용자로부터 정보를 입력 받는 장치 및 정보를 출력하는 디스플레이일 수 있다. 예를 들어 입력 장치는 마이크(microphone), 키보드(keyboard) 또는 마우스(mouse) 등의 장치를, 출력 장치는 디스플레이(display), 스피커(speaker) 등의 장치를 포함할 수 있다. 통신부(240)는 네트워크를 통해 기계학습을 사용한 연소기의 연소 모니터링 장치(200)가 연소기의 연소 모니터링을 하는 사용자와 통신하기 위한 기능을 제공할 수 있다.
화염 이미지부(250)는 연소기(10) 및 화염 이미지를 촬상 혹은 촬영 가능한 장치가 포함될 수 있다. 화염 이미지를 획득하기 위한 장치는 예를 들어, 촬영 장치일 수 있고 동영상을 촬영할 수 있는 장치라면 어떤 것이라도 적용될 수 있으며, 예시적으로 캠코더, 비디오 카메라 등이 될 수 있다. 또한, 화염 이미지를 획득하기 위한 장치는 예를 들어, 카메라(20)와 같은 촬상 장치일 수도 있다.
도 6은 본 발명의 일 실시 예에 따른 연소기의 화염 이미지를 카메라로 촬상하는 모습을 나타낸 사시도 및 평면도이다.
본 발명의 일 실시 예에 있어서 화염 이미지는 연소기의 화염을 연소기(10)의 광학창(12)을 통해 카메라(20)로 촬상하여 획득할 수 있으며, 화염 이미지를 획득하기 위한 장치인 카메라(20)는 컬러 CCD 카메라일 수 있다.
또한, 다른 실시 예들에서 기계학습을 사용한 연소기의 연소 모니터링 장치(200)는 도 5의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들에 대한 명확한 도시는 생략하도록 한다. 예를 들어, 기계학습을 사용한 연소기의 연소 모니터링 장치(200)는 상술한 입출력 장치들 중 적어도 일부를 포함하도록 구현되거나 또는 네트워크 인터페이스 등의 인터페이스(interface), 트랜시버(transceiver), 데이터베이스(database) 등과 같은 다른 구성요소들을 더 포함할 수도 있다.
지금까지 살펴본 바와 같이, 본 발명의 실시 예에 따른 기계학습을 사용한 연소기의 연소 모니터링 방법 및 장치는 연소기의 화염 이미지와 기계학습을 사용하여 연소기의 운전 상태 및 조건을 비침습적인 방법으로 실시간으로 예측하는 것이 가능하다. 이에 따라, 연소기를 안전하게 제어하면서도 경제적 측면에서 유리한 장점이 달성되며, 연소기가 보다 안정적이고 친환경적인 운전 범위 내에서 가동이 될 수 있도록 하는 피드백 루프가 가능한 효과를 제공한다.
한편, 본 발명의 실시예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
다양한 변형예가 본 발명의 범위를 벗어남이 없이 본 명세서에 기술되고 예시된 구성 및 방법으로 만들어질 수 있으므로, 상기 상세한 설명에 포함되거나 첨부 도면에 도시된 모든 사항은 예시적인 것으로 본 발명을 제한하기 위한 것이 아니다. 따라서, 본 발명의 범위는 상술한 예시적인 실시예에 의해 제한되지 않으며, 이하의 청구 범위 및 그 균등물에 따라서만 정해져야 한다.
10: 연소기 12: 광학창
20: 카메라 22: 카메라 렌즈
210: 메모리 220: 프로세서
230: 입출력부 240: 통신부
250: 화염 이미지부
20: 카메라 22: 카메라 렌즈
210: 메모리 220: 프로세서
230: 입출력부 240: 통신부
250: 화염 이미지부
Claims (13)
- 기계학습을 사용한 연소기의 연소 모니터링 방법에 있어서,
연소기의 화염 이미지를 획득하는 단계;
상기 획득한 화염 이미지의 데이터를 정규화 및 전처리하는 단계;
기계학습 제1 예측모델을 사용하여 상기 획득한 화염 이미지의 연소 정상 상태 여부를 판단하는 단계; 및
상기 판단 결과 상기 획득한 화염 이미지의 연소가 정상 상태인 경우 기계학습 제2 예측모델을 사용하여 상기 연소기의 운전 조건을 예측하는 단계를 포함하는, 연소 모니터링 방법. - 제1항에 있어서,
상기 기계학습 제1 예측모델은,
상기 연소기 운전 조건 별 정상 상태의 화염 이미지들을 획득하는 단계;
상기 정상 상태의 화염 이미지들과 상기 연소기 운전 조건을 대응시켜 데이터셋을 생성하는 단계;
상기 데이터셋을 정규화 및 전처리하는 단계; 및
상기 정상 상태의 화염 이미지들 각각이 입력 값과 동시에 출력 값이 되도록 합성곱 인코더(convolutional encoder) 및 합성곱 디코더(convolutional decoder)를 기계학습하는 단계를 통해서 생성되는, 연소 모니터링 방법. - 제2항에 있어서,
상기 기계학습 제2 예측모델은,
상기 기계학습된 합성곱 인코더를 별도의 완전연결신경망과 결합시켜 상기 정상 상태의 화염 이미지들을 입력 값으로, 상기 연소기의 운전 조건을 출력 값으로 기계학습하여 생성되는 것을 특징으로 하는 연소 모니터링 방법. - 제1항에 있어서,
상기 연소 정상 상태 여부 판단 결과 상기 획득한 화염 이미지가 연소 비정상 상태인 경우 경고 알림이 생성되는 것을 특징으로 하는 연소 모니터링 방법. - 제1항에 있어서,
상기 연소기의 운전 조건은 연소 공기 유량 및 당량비인 것을 특징으로 하는 연소 모니터링 방법. - 제1항에 있어서,
상기 화염 이미지는 상기 연소기의 광학창을 통해 카메라로 촬상하여 획득하는 것을 특징으로 하는 연소 모니터링 방법. - 기계학습을 사용한 연소기의 연소 모니터링 장치에 있어서,
연소기를 포함하는 화염 이미지부;
상기 화염 이미지부와 데이터를 송수신하는 통신부;
화염 이미지 데이터가 저장되는 메모리;
상기 메모리와 접속되는 적어도 하나의 프로세서; 및 입출력부를 포함하고,
상기 적어도 하나의 프로세서는,
상기 연소기의 화염 이미지를 획득하는 동작; 상기 획득한 화염 이미지의 데이터를 정규화 및 전처리하는 동작; 기계학습 제1 예측모델을 사용하여 상기 획득한 화염 이미지의 연소 정상 상태 여부를 판단하는 동작; 및 상기 판단 결과 상기 획득한 화염 이미지의 연소가 정상 상태인 경우 기계학습 제2 예측모델을 사용하여 상기 연소기의 운전 조건을 예측하는 동작을 수행하는, 연소 모니터링 장치. - 제7항에 있어서,
상기 기계학습 제1 예측모델은,
상기 적어도 하나의 프로세서가 상기 연소기 운전 조건 별 정상 상태의 화염 이미지들을 획득하는 동작; 상기 정상 상태의 화염 이미지들과 상기 연소기 운전 조건을 대응시켜 데이터셋을 생성하는 동작; 상기 데이터셋을 정규화 및 전처리하는 동작; 및 상기 정상 상태의 화염 이미지들 각각이 입력 값과 동시에 출력 값이 되도록 합성곱 인코더(convolutional encoder) 및 합성곱 디코더(convolutional decoder)를 기계학습하는 동작을 수행해서 생성되는, 연소 모니터링 장치. - 제8항에 있어서,
상기 기계학습 제2 예측모델은,
상기 기계학습된 합성곱 인코더를 별도의 완전연결신경망과 결합시켜 상기 정상 상태의 화염 이미지들을 입력 값으로, 상기 연소기의 운전 조건을 출력 값으로 기계학습하여 생성되는 것을 특징으로 하는 연소 모니터링 장치. - 제7항에 있어서,
상기 연소 정상 상태 여부 판단 결과 상기 획득한 화염 이미지가 연소 비정상 상태인 경우 경고 알림이 생성되는 것을 특징으로 하는 연소 모니터링 장치. - 제7항에 있어서,
상기 연소기의 운전 조건은 연소 공기 유량 및 당량비인 것을 특징으로 하는 연소 모니터링 장치. - 제7항에 있어서,
상기 화염 이미지부는 카메라를 추가적으로 포함하고,
상기 화염 이미지는 상기 연소기의 광학창을 통해 상기 카메라로 촬상하여 획득하는 것을 특징으로 하는 연소 모니터링 장치. - 기계학습을 사용한 연소기의 연소 모니터링을 위해 디지털 처리 장치에 의해 실행될 수 있는 명령어들의 프로그램이 유형적으로 구현되어 있으며, 디지털 처리 장치에 의해 판독될 수 있는 기록매체로서,
제1항 내지 제6항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220008421A KR102581828B1 (ko) | 2022-01-20 | 2022-01-20 | 기계학습을 사용한 연소기의 연소 모니터링 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220008421A KR102581828B1 (ko) | 2022-01-20 | 2022-01-20 | 기계학습을 사용한 연소기의 연소 모니터링 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230112308A KR20230112308A (ko) | 2023-07-27 |
| KR102581828B1 true KR102581828B1 (ko) | 2023-09-25 |
Family
ID=87433298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220008421A KR102581828B1 (ko) | 2022-01-20 | 2022-01-20 | 기계학습을 사용한 연소기의 연소 모니터링 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102581828B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116817306B (zh) * | 2023-08-29 | 2023-12-01 | 奥德集团有限公司 | 一种可监测并控制燃气流量的燃气设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101743670B1 (ko) | 2015-10-15 | 2017-06-08 | 한국생산기술연구원 | 광학필터와 촬상장치를 이용한 화염 감시 및 구조계측 시스템 및 이에 의한 화염 감시 및 구조계측 방법 |
| JP2021196161A (ja) | 2020-06-10 | 2021-12-27 | 大阪瓦斯株式会社 | 燃焼状態判定装置、燃焼装置、燃焼状態判定システム及び携帯型端末 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01163453A (ja) * | 1987-12-18 | 1989-06-27 | Ushida Mitsuharu | 燃料油の完全燃焼を達成する省エネルギー装置 |
| JPH08247448A (ja) * | 1995-03-07 | 1996-09-27 | Hitachi Ltd | 燃焼制御装置 |
| KR102366290B1 (ko) * | 2019-05-13 | 2022-02-22 | (주)비주얼터미놀로지 | 의료기계 학습 시스템 |
-
2022
- 2022-01-20 KR KR1020220008421A patent/KR102581828B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101743670B1 (ko) | 2015-10-15 | 2017-06-08 | 한국생산기술연구원 | 광학필터와 촬상장치를 이용한 화염 감시 및 구조계측 시스템 및 이에 의한 화염 감시 및 구조계측 방법 |
| JP2021196161A (ja) | 2020-06-10 | 2021-12-27 | 大阪瓦斯株式会社 | 燃焼状態判定装置、燃焼装置、燃焼状態判定システム及び携帯型端末 |
Non-Patent Citations (1)
| Title |
|---|
| 논문(가스터빈 연소기의 안전 운영을 위한 고속화염이미지의 기계학습기법을 활용한 연소불안정 진단:2021.05.20) |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230112308A (ko) | 2023-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11087226B2 (en) | Identifying multiple causal anomalies in power plant systems by modeling local propagations | |
| CN105992977B (zh) | 成套设备的诊断装置和诊断方法 | |
| US11403551B2 (en) | System and method for validating unsupervised machine learning models | |
| US7542879B2 (en) | Virtual sensor based control system and method | |
| WO2017139046A1 (en) | System and method for unsupervised root cause analysis of machine failures | |
| JP2010530179A (ja) | 仮想センサ・システムおよび方法 | |
| KR102581828B1 (ko) | 기계학습을 사용한 연소기의 연소 모니터링 방법 및 장치 | |
| US20110288846A1 (en) | Technique and tool for efficient testing of controllers in development (h-act project) | |
| US11415469B2 (en) | Edge-cloud collaboration platform for intelligent coking monitoring of cracking furnace tubes and working method thereof | |
| CN114386521A (zh) | 时间序列数据的异常检测方法、系统、设备和存储介质 | |
| WO2023207190A1 (zh) | 一种火电厂故障预警系统、方法、电子设备及存储介质 | |
| CN114450646B (zh) | 用于使用深度学习来检测风力涡轮操作异常的系统和方法 | |
| US20210072740A1 (en) | Deep causality learning for event diagnosis on industrial time-series data | |
| WO2020090767A1 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
| CN114925536A (zh) | 机载系统phm测试性建模与诊断策略优化方法和装置 | |
| Xu et al. | A comparison of gans-based approaches for combustor system fault detection | |
| JP6858798B2 (ja) | 特徴量生成装置、特徴量生成方法及びプログラム | |
| US20240160165A1 (en) | Method and System for Predicting Operation of a Technical Installation | |
| CN112936342B (zh) | 基于人体姿态识别算法的实体机器人动作评测系统及方法 | |
| JP7392366B2 (ja) | 最適解獲得プログラム、最適解獲得方法および情報処理装置 | |
| Sarkar et al. | Multimodal spatiotemporal information fusion using neural-symbolic modeling for early detection of combustion instabilities | |
| Sarkar | Hierarchical symbolic perception in dynamic data driven application systems | |
| Yan et al. | Cyberattack Detection for Cyber Physical Systems Security–A Preliminary Study. | |
| Goyal et al. | Smartphone context event sequence prediction with poermh and tke-rules algorithms | |
| Akintayo et al. | Hierarchical symbolic dynamic filtering of streaming non-stationary time series data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |