KR102601707B1 - 현장 설비의 실시간 모니터링, 가상 운전 예측 및 최적화 운전 서비스가 가능한 디지털 트윈 시스템 및 방법 - Google Patents
현장 설비의 실시간 모니터링, 가상 운전 예측 및 최적화 운전 서비스가 가능한 디지털 트윈 시스템 및 방법 Download PDFInfo
- Publication number
- KR102601707B1 KR102601707B1 KR1020220121179A KR20220121179A KR102601707B1 KR 102601707 B1 KR102601707 B1 KR 102601707B1 KR 1020220121179 A KR1020220121179 A KR 1020220121179A KR 20220121179 A KR20220121179 A KR 20220121179A KR 102601707 B1 KR102601707 B1 KR 102601707B1
- Authority
- KR
- South Korea
- Prior art keywords
- digital twin
- data
- field
- principal component
- operating conditions
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 title claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 27
- 238000004088 simulation Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 15
- 238000012800 visualization Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0216—Human interface functionality, e.g. monitoring system providing help to the user in the selection of tests or in its configuration
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0256—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Alarm Systems (AREA)
Abstract
본 발명은 산업 현장에서 디지털 트윈 서비스를 제공하는 시스템 및 방법에 관한 것으로, 본 발명에 따른 디지털 트윈 서비스 제공 시스템 및 방법은 디지털 트윈 구축 서비스 플랫폼을 통하여 디지털 트윈 데이터를 생성하고, 이를 사용자 단말기에 설치된 디지털 트윈 애플리케이션에 탑재하여 현장 설비에서 오는 다양한 데이터와 연결함으로써, 디지털 트윈 데이터의 예측 성능을 개선하는 기능, 가상 운전 조건에 대한 예측 기능, 현장의 실시간 운전 조건 또는 센서 데이터를 활용하여 현재 설비 상황을 보여주고 설비의 이상 여부를 미리 감지해 경고를 알려주는 모니터링 기능, 설비의 최적 운전 조건을 찾아 줄 수 있는 운전 최적화 기능 등을 제공한다.
Description
본 발명은 디지털 트윈 기술에 속하는 것으로, 구체적으로 산업 현장에서 디지털 트윈 서비스를 제공하는 시스템 및 방법에 관한 것이다.
컴퓨터 이용 공학(Computer Aided Engineering, 이하 'CAE'라 함)을 이용한 3차원 모사는 비행기, 차량, 선박, 반도체, 철강, 발전소 등 다양한 산업 분야에서 설계 및 문제 해결을 위해서 널리 활용되어 왔다.
그러나, CAE를 산업 현장 문제에 활용하는 데에는 다음과 같은 한계가 존재한다.
① 숙련된 엔지니어 필요: CAE를 활용하기 위해서는 주어진 문제에 대한 공학적, 물리학적, 수학적 이해와 컴퓨터 지식이 필요하다.
② 과도한 해석 시간: 적용 대상의 형상 및 해석 조건에 따라 케이스 당 수 시간에서 수 주까지의 과도한 계산시간이 소요될 수 있어, 대형 연소로와 같이 변화하는 운전조건에 따른 내부상황을 실시간으로 파악하는 것은 불가능하다.
③ 비용 문제: 대형 계산을 수행해야 할 경우, 대규모의 전산자원을 필요로 하며 그에 따른 소프트웨어 라이센스 비용이 발생한다.
④ 정확도 문제: CAE 해석에는 기본 보존식들에 필연적으로 여러가지 단순화 가정이 수반되기 때문에 실제 현상과 오차가 발생할 수 있다.
최근에는, 위와 같은 CAE의 문제점을 극복하기 위해 CAE 해석을 기반으로 한 차수 감축 모델(Reduced Order Model, ROM)을 구축하고, 이를 이용하여 실시간 결과를 도출하는 디지털 트윈(Digital Twin, 현실세계의 기계나 장비, 사물 등을 컴퓨터 속 가상세계에 구현한 것) 기술이 대두되고 있다.
하지만, 현재 제공되고 있는 디지털 트윈 서비스는 현장에서 실시간으로 들어오는 데이터와 연계하여 디지털 트윈 또는 그와 유사한 기능을 수행하는 프로그램을 활용하거나 디지털 트윈의 성능을 지속적으로 개선할 수는 없었으며, 또한 실시간 데이터와 연계하여 다양한 기능을 제공하지 못하고 있다.
Woojin Lee, Kwonwoo Jang, Woojoo Han, Kang Y. Huh, "Model order reduction by proper orthogonal decomposition for a 500 MWe tangentially fired pulverized coal boiler", case Studies in Thermal Engineering, 2021
본 발명은 위와 같은 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 현장 측정 데이터를 활용하여 디지털 트윈을 지속적으로 개선할 수 있으며, 업데이트된 디지털 트윈과 현장의 실시간 데이터를 활용하여 가상운전 예측, 모니터링 및 최적화 기능을 효과적으로 제공할 수 있도록 한 디지털 트윈 서비스 제공 시스템 및 방법을 제공하는데 있다.
위와 같은 과제를 해결하기 위한 본 발명에 따른 디지털 트윈 서비스 제공 시스템은, 센서를 구비하는 현장 설비; 상기 현장 설비에 대한 디지털 트윈 데이터를 생성하는 디지털 트윈 구축 서비스 플랫폼; 및 상기 디지털 트윈 구축 서비스 플랫폼으로부터 내려 받은 디지털 트윈 데이터가 탑재되는 사용자 단말기;를 포함하는 디지털 트윈 서비스 제공 시스템에 있어서, 상기 사용자 단말기는, 상기 센서로부터 실시간으로 전송되는 운전 조건 및 측정 데이터를 포함하는 현장 데이터를 입력받는 센서 데이터 인터페이스; 및 상기 탑재된 디지털 트윈 데이터를 상기 센서 데이터 인터페이스를 통해 입력된 현장 데이터와 연계하여 현장 설비를 모니터링하거나 현장 설비의 가상 운전 조건에 대한 결과를 예측하는 결과 예측 모듈과, 상기 센서 데이터 인터페이스를 통해 들어오는 운전 조건 및 측정 데이터를 활용하여 상기 탑재된 디지털 트윈 데이터의 전 운전 영역에 대한 예측 성능을 업데이트하는 데이터 융합 모듈을 포함하는 디지털 트윈 애플리케이션;을 포함하되, 상기 디지털 트윈 데이터는 차수 감축 모델을 이루는 주성분 벡터와 임의의 운전 조건에 대한 주성분 계수를 예측하는 함수를 포함하며, 상기 데이터 융합 모듈은, 데이터 융합 기법을 통해 측정 데이터에 대응되는 주성분 계수를 얻고, 얻어진 주성분 계수와 운전 조건에 대한 데이터를 전 운전 영역에 대해 일정 시간동안 수집하고, 수집된 데이터에 대한 기계학습을 통해 운전 조건에 대한 주성분 계수를 예측하는 함수를 업데이트하는 것을 특징으로 한다.
상기 디지털 트윈 애플리케이션은, 정해진 범위 내에서 선정된 현장 설비의 성능 변수에 대한 최적의 운전 조건을 도출하는 기능을 수행하는 최적화 모듈을 더 포함한다.
또한 상기 디지털 트윈 애플리케이션은, 상기 결과 예측 모듈과 상기 최적화 모듈을 통해 얻은 결과를 보여주는 가시화 모듈을 더 포함한다.
한편, 위와 같은 과제를 해결하기 위한 본 발명에 따른 디지털 트윈 서비스 방법은, 디지털 트윈 구축 서비스 플랫폼 상에서 디지털 트윈 서비스의 대상이 되는 현장 설비에 대한 디지털 트윈을 구축하고 차수 감축 모델을 이루는 주성분 벡터와 임의의 운전 조건에 대한 주성분 계수를 예측하는 함수를 포함하는 디지털 트윈 데이터를 생성하는, 디지털 트윈 데이터 생성 단계; 디지털 트윈 서비스를 이용하는 현장 설비 운영자가 상기 디지털 트윈 데이터 생성 단계에서 생성된 디지털 트윈 데이터를 사용자 단말기로 내려 받아 디지털 트윈 애플리케이션 상에 탑재하는, 디지털 트윈 데이터 탑재 단계; 상기 탑재된 디지털 트윈 데이터를 활용하여 현장 설비 운영자가 원하는 운전 조건을 입력하면 그에 해당하는 시뮬레이션 결과를 예측하여 가시화 모듈을 통해 현장 설비 운영자에게 보여주는 가상운전 예측 단계와, 현장 설비로부터 실시간 데이터를 입력 받아 그에 해당하는 시뮬레이션 결과를 탑재된 디지털 트윈 데이터를 활용하여 예측하고 가시화 모듈을 통해 현장 설비 운영자에게 보여주는 모니터링 단계를 포함하는, 디지털 트윈 운용 단계; 및 현장 설비로부터 들어오는 운전 조건 및 측정 데이터를 활용하여 상기 탑재된 디지털 트윈 데이터의 전 운전 영역에 대한 예측 성능을 업데이트하는 디지털 트윈 데이터 업데이트 단계;를 포함하며, 상기 디지털 트윈 데이터 업데이트 단계는, 데이터 융합 기법을 통해 측정 데이터에 대응되는 주성분 계수를 얻고, 얻어진 주성분 계수와 운전 조건에 대한 데이터를 전 운전 영역에 대해 일정 시간동안 수집하고, 수집된 데이터에 대한 기계학습을 통해 운전 조건에 대한 주성분 계수를 예측하는 함수를 업데이트하는 것을 특징으로 한다.
상기 디지털 트윈 운용 단계는, 탑재된 디지털 트윈 데이터를 활용하여 현장 설비 운영자가 원하는 성능 변수의 타겟 값을 얻기 위한 최적의 운전 조건을 도출하는 최적화 단계를 더 포함한다.
상기 디지털 트윈 데이터 생성 단계는 디지털 트윈 구축 서비스 제공자에 의해 수행되며, 상기 가상운전 예측 단계, 모니터링 단계 및 최적화 단계는 현장 설비 운영자에 의해 선택적으로 또는 동시에 수행된다.
본 발명에 따른 디지털 트윈 서비스 제공 시스템 및 방법에 의하면, 디지털 트윈의 오차를 현장 측정 데이터를 활용하여 개선하여 보다 높은 정확도의 디지털 트윈을 제공할 수 있으며, 현장 설비가 노후화됨에 따라 에러율이 커지더라도 디지털 트윈을 새로 구축할 필요 없이 현장 측정 데이터를 활용하여 디지털 트윈을 지속적으로 개선할 수 있게 되어 추가적인 구축에 따른 비용을 절감할 수 있게 된다. 또한, 이와 같이 업데이트된 디지털 트윈과 현장의 실시간 데이터를 활용함으로써 가상운전 예측, 모니터링 및 최적화 기능을 더 정확하고 효과적으로 제공할 수 있게 된다.
도 1은 본 발명에 따른 디지털 트윈 서비스 제공 시스템의 전체적인 개념을 도시한 도면이다.
도 2는 본 발명에 따른 디지털 트윈 서비스 제공 시스템의 전체적인 구성을 데이터 흐름에 따라 도시한 블럭도이다.
도 3은 본 발명에서 디지털 트윈 애플리케이션의 세부 구성 및 데이터 흐름을 도시한 블럭도이다.
도 4는 본 발명에 따른 디지털 트윈 서비스 제공 방법을 수행 단계별로 도시한 플로우 챠트이다.
도 2는 본 발명에 따른 디지털 트윈 서비스 제공 시스템의 전체적인 구성을 데이터 흐름에 따라 도시한 블럭도이다.
도 3은 본 발명에서 디지털 트윈 애플리케이션의 세부 구성 및 데이터 흐름을 도시한 블럭도이다.
도 4는 본 발명에 따른 디지털 트윈 서비스 제공 방법을 수행 단계별로 도시한 플로우 챠트이다.
아래에서는 본 발명에 따른 디지털 트윈 서비스 제공 시스템 및 방법을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략한다.
도 1은 본 발명에 따른 디지털 트윈 서비스 제공 시스템의 전체적인 개념을 나타낸 도면이고, 도 2는 본 발명에 따른 디지털 트윈 서비스 제공 시스템의 전체적인 구성을 데이터 흐름에 따라 도시한 블럭도이며, 도 3은 본 발명에서 디지털 트윈 애플리케이션의 세부 구성 및 데이터 흐름을 도시한 블럭도이다.
도 1, 2를 참조하면, 본 발명에 따른 디지털 트윈 서비스 제공 시스템은 현장 설비(100), 사용자 단말기(200) 및 디지털 트윈 구축 서비스 플랫폼(300)을 포함한다.
현장 설비(100)는 디지털 트윈 서비스의 대상이 되는 산업 현장의 기계나 장비, 사물 등을 말한다.
현장 설비(100)에는 사물인터넷(Internet of Things, IoT) 혹은 유선으로 연결된 각종 센서들(110)이 구비되며, 각종 센서들(110)로부터 측정되는 현장의 센서 데이터는 실시간으로 사용자 단말기(200)에 전송된다.
사용자 단말기(200)는 디지털 트윈 서비스를 이용하는 현장 설비 운영자의 컴퓨터 장치 등을 말하며, 현장 설비 운영자는 사용자 단말기(200)를 통해 필요한 정보를 입력하거나 디지털 트윈 정보를 제공받게 된다. 사용자 단말기(200)는 산업 현장에 위치한 개인용 컴퓨터(Personal Computer, PC)일 수 있으며, 스마트폰, 태블릿 등의 휴대용 단말기일 수도 있다.
디지털 트윈 구축 서비스 플랫폼(300)은 클라우드(Cloud) 서비스나 온프레미스(On-Premise) 서비스, 기타 맞춤형 구축 서비스 등을 통해 시뮬레이션 혹은 데이터 기반으로 디지털 트윈을 구축하고 디지털 트윈 데이터(310)를 생성해 낼 수 있는 컴퓨터 프로그램 기반의 설비이며 그 형태는 특별히 한정되지 않는다.
여기서, 디지털 트윈 데이터(310)는 다양한 방법에 의해 구축 가능한 차수 감축 모델을 포함하여 디지털 트윈을 실시간으로 활용할 수 있는 기능을 수행하는 모델을 구성하는 데이터를 의미한다.
본 발명에서 디지털 트윈은 CAE 시뮬레이션 기반으로 구축되는 차수 감축 모델로 구현되며, 디지털 트윈 데이터(310)는 차수 감축 모델을 이루는 주성분 벡터와 임의의 운전 조건에 대한 주성분 계수를 예측하는 함수를 포함한다.
주성분 벡터와 주성분 계수를 활용하면 아래 식과 같이 표현되는 차수 감축 모델에 따라 임의의 운전 조건에 대한 시뮬레이션 결과를 실시간으로 바로 예측해낼 수 있다.
여기서, 는 시뮬레이션 결과값이고, 는 차수 감축 모델 구축을 위해 기수행한 CAE 시뮬레이션 샘플 개수, 는 주성분 계수, 는 주성분 벡터이다.
임의의 운전 조건에 대한 주성분 계수를 예측하는 함수는 CAE 시뮬레이션 샘플들에 대한 운전 조건을 CAE 시뮬레이션 결과로부터 얻어지는 주성분 계수들과 대응시켜 기계학습을 통해 생성할 수 있다.
도 2를 참조하면, 사용자 단말기(200)는 센서 데이터 인터페이스(201) 및 디지털 트윈 애플리케이션(202)을 포함한다.
센서 데이터 인터페이스(201)를 통해 사용자 단말기(200)는 현장 설비(100)의 각종 센서들(110)로부터 실시간으로 전송되는 현장의 데이터를 입력받는다.
디지털 트윈 애플리케이션(202)에는 디지털 트윈 구축 서비스 플랫폼(300)으로부터 내려 받은 디지털 트윈 데이터(310)가 탑재되고, 디지털 트윈 애플리케이션(202)은 탑재된 디지털 트윈 데이터(210)를 센서 데이터 인터페이스(201)를 통해 입력된 현장 데이터와 연계하여 모니터링하는 설비 모니터링 기능, 가상 운전 조건에 대한 예측 기능, 그리고 정해진 범위 내에서 선정된 성능 변수에 대한 최적의 운전 조건을 도출하는 기능 등을 수행한다.
이때, 현장 설비 운영자는 디지털 트윈 구축 서비스 플랫폼(300)에서 구축된 디지털 트윈 데이터(310)를 웹 브라우저를 포함한 다양한 방법을 통해 사용자 단말기(200)로 이전하여 디지털 트윈 애플리케이션(202)에 탑재할 수 있다.
도 3을 참조하면, 디지털 트윈 애플리케이션(202)은 디지털 트윈 구축 서비스 플랫폼(300)으로부터 내려 받아 탑재된 디지털 트윈 데이터(210)를 포함하고, 데이터 융합 모듈(211), 결과 예측 모듈(212), 최적화 모듈(213)과 이를 통해 얻은 결과를 보여주는 가시화 모듈(214)을 포함할 수 있다.
결과 예측 모듈(212)은 디지털 트윈 데이터(210)를 활용하여 사용자가 원하는 운전 조건을 입력하면 그에 해당하는 시뮬레이션 결과를 예측하여 가시화 모듈(214)을 통해 사용자에게 보여줄 수 있다(가상 운전 조건에 대한 예측 기능). 또한, 결과 예측 모듈(212)은 센서 데이터 인터페이스(201)로부터 들어오는 실시간 데이터를 입력 받아 그에 해당하는 시뮬레이션 결과를 디지털 트윈 데이터(210)를 활용하여 예측하고 가시화 모듈(214)을 통해 사용자에게 보여주는 모니터링 기능을 수행할 수도 있다.
최적화 모듈(213)은 디지털 트윈 데이터(210)를 활용하여 사용자가 원하는 성능 변수의 타겟 값을 얻기 위한 최적의 운전 조건을 도출해줄 수 있다. 예를 들어, 출구에서의 오염 물질 배출 농도를 줄일 수 있는 연료와 산소량의 조합에 대한 운전 조건을 도출해낼 수 있다.
한편, 디지털 트윈 데이터(210)는 데이터 융합 모듈(211)에서 센서 데이터 인터페이스(201)로부터 들어오는 운전 조건 및 측정 데이터를 활용하여 데이터 융합 기법, 기계학습 방법 등을 통해 예측 성능을 업데이트할 수 있다.
보다 상세하게, 데이터 융합 모듈(211)은 디지털 트윈 데이터(210)에 포함된 주성분 계수를 예측하는 함수를 업데이트할 수 있다. 즉, 측정 데이터에 갭피-POD 또는 연관 POD 등(특허문헌 1, 2 참조)의 데이터 융합 기법을 도입하면 측정 데이터에 대응되는 주성분 계수를 얻을 수 있는데, 이렇게 얻은 주성분 계수와 운전 조건에 대한 데이터를 전 운전 영역에 대해 일정 시간동안 수집하고, 수집된 데이터에 대한 기계학습을 통해 운전 조건에 대한 주성분 계수를 예측하는 함수를 다시 만드는 것이다. 이와 같이 다시 만들어진 함수는 기존의 함수를 대체함으로써 전 운전 영역에 걸쳐 디지털 트윈 데이터(210)의 예측 성능을 업데이트하게 된다.
업데이트된 디지털 트윈 데이터(210)는 다시 결과 예측 모듈(212)과 최적화 모듈(213)에서 활용될 수 있다.
도 4는 본 발명에 따른 디지털 트윈 서비스 제공 방법을 수행 단계별로 도시한 플로우 챠트이다.
도 4를 참조하면, 본 발명에 따른 디지털 트윈 서비스 제공 방법은 디지털 트윈 데이터 생성 단계(S100), 디지털 트윈 데이터 탑재 단계(S200), 디지털 트윈 운용 단계(S300) 및 디지털 트윈 데이터 업데이트 단계(S400)를 포함한다.
디지털 트윈 데이터 생성 단계(S100)는, 디지털 트윈 구축 서비스 제공자에 의해 수행되는 단계로서, 디지털 트윈 구축 서비스 플랫폼(300) 상에서 디지털 트윈 서비스의 대상이 되는 현장 설비(100)에 대한 디지털 트윈을 구축하고 디지털 트윈 데이터(310)를 생성하는 단계이다.
디지털 트윈 데이터 탑재 단계(S200)는 디지털 트윈 서비스를 이용하는 현장 설비 운영자가 상기 디지털 트윈 데이터 생성 단계(S100)에서 생성된 디지털 트윈 데이터(310)를 사용자 단말기(200)로 내려 받아 디지털 트윈 애플리케이션(202) 상에 탑재하는 단계이다.
디지털 트윈 운용 단계(S300)는 현장 설비 운영자에 의해 수행되며, 가상운전 예측 단계(S310), 모니터링 단계(S320), 최적화 단계(S330)를 포함한다.
가상운전 예측 단계(S310)는 탑재된 디지털 트윈 데이터(210)를 활용하여 현장 설비 운영자가 원하는 운전 조건을 입력하면 그에 해당하는 시뮬레이션 결과를 예측하여 가시화 모듈(214)을 통해 현장 설비 운영자에게 보여주는 단계이다.
모니터링 단계(S320)는 현장 설비(100)로부터 실시간 데이터를 입력 받아 그에 해당하는 시뮬레이션 결과를 탑재된 디지털 트윈 데이터(210)를 활용하여 예측하고 가시화 모듈(214)을 통해 현장 설비 운영자에게 보여주는 단계이다.
최적화 단계(S330)는 탑재된 디지털 트윈 데이터(210)를 활용하여 사용자가 원하는 성능 변수의 타겟 값을 얻기 위한 최적의 운전 조건을 도출하는 단계이다.
상기 가상운전 예측 단계(S310), 모니터링 단계(S320), 최적화 단계(S330)는 현장 설비 운영자에 의해 선택적으로 또는 동시에 수행될 수 있다.
한편, 디지털 트윈 데이터 업데이트 단계(S400)는 현장 설비(100)로부터 들어오는 운전 조건 및 측정 데이터를 활용하여 데이터 융합 기법, 기계학습 방법 등을 통해 탑재된 디지털 트윈 데이터(210)의 예측 성능을 업데이트하는 단계이다.
상기 디지털 트윈 데이터 업데이트 단계(S400)에서 업데이트된 디지털 트윈 데이터(210)는 다시 디지털 트윈 운용 단계(S300)에서 활용될 수 있다.
본 명세서와 첨부된 도면에 개시된 실시 예들은 본 발명의 기술적 사상을 쉽게 설명하기 위한 목적으로 사용된 것일 뿐, 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 따라서, 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
100: 현장 설비 110: 센서
200: 사용자 단말기 201: 센서 데이터 인터페이스
202: 디지털 트윈 애플리케이션 210: 디지털 트윈 데이터
211: 데이터 융합 모듈 212: 결과 예측 모듈
213: 최적화 모듈 214: 가시화 모듈
300: 디지털 트윈 구축 서비스 플랫폼
310: 디지털 트윈 데이터
S100: 디지털 트윈 데이터 생성 단계
S200: 디지털 트윈 데이터 탑재 단계
S300: 디지털 트윈 운용 단계 S310: 가상운전 예측 단계
S320: 모니터링 단계 S330: 최적화 단계
S400: 디지털 트윈 데이터 업데이트 단계
200: 사용자 단말기 201: 센서 데이터 인터페이스
202: 디지털 트윈 애플리케이션 210: 디지털 트윈 데이터
211: 데이터 융합 모듈 212: 결과 예측 모듈
213: 최적화 모듈 214: 가시화 모듈
300: 디지털 트윈 구축 서비스 플랫폼
310: 디지털 트윈 데이터
S100: 디지털 트윈 데이터 생성 단계
S200: 디지털 트윈 데이터 탑재 단계
S300: 디지털 트윈 운용 단계 S310: 가상운전 예측 단계
S320: 모니터링 단계 S330: 최적화 단계
S400: 디지털 트윈 데이터 업데이트 단계
Claims (6)
- 센서를 구비하는 현장 설비;
상기 현장 설비에 대한 디지털 트윈 데이터를 생성하는 디지털 트윈 구축 서비스 플랫폼; 및
상기 디지털 트윈 구축 서비스 플랫폼으로부터 내려 받은 디지털 트윈 데이터가 탑재되는 사용자 단말기;를 포함하는 디지털 트윈 서비스 제공 시스템에 있어서,
상기 사용자 단말기는,
상기 센서로부터 실시간으로 전송되는 운전 조건 및 측정 데이터를 포함하는 현장 데이터를 입력받는 센서 데이터 인터페이스; 및
상기 탑재된 디지털 트윈 데이터를 상기 센서 데이터 인터페이스를 통해 입력된 현장 데이터와 연계하여 현장 설비를 모니터링하거나 현장 설비의 가상 운전 조건에 대한 결과를 예측하는 결과 예측 모듈과, 상기 센서 데이터 인터페이스를 통해 들어오는 운전 조건 및 측정 데이터를 활용하여 상기 탑재된 디지털 트윈 데이터의 전 운전 영역에 대한 예측 성능을 업데이트하는 데이터 융합 모듈을 포함하는 디지털 트윈 애플리케이션;을 포함하되,
상기 디지털 트윈 데이터는 차수 감축 모델을 이루는 주성분 벡터와 임의의 운전 조건에 대한 주성분 계수를 예측하는 함수를 포함하며,
상기 데이터 융합 모듈은, 데이터 융합 기법을 통해 측정 데이터에 대응되는 주성분 계수를 얻고, 얻어진 주성분 계수와 운전 조건에 대한 데이터를 전 운전 영역에 대해 일정 시간동안 수집하고, 수집된 데이터에 대한 기계학습을 통해 운전 조건에 대한 주성분 계수를 예측하는 함수를 업데이트하는 것을 특징으로 하는 디지털 트윈 서비스 제공 시스템. - 청구항 1에 있어서,
상기 디지털 트윈 애플리케이션은,
정해진 범위 내에서 선정된 현장 설비의 성능 변수에 대한 최적의 운전 조건을 도출하는 기능을 수행하는 최적화 모듈을 더 포함하는 것을 특징으로 하는 디지털 트윈 서비스 제공 시스템. - 청구항 2에 있어서,
상기 디지털 트윈 애플리케이션은,
상기 결과 예측 모듈과 상기 최적화 모듈을 통해 얻은 결과를 보여주는 가시화 모듈을 더 포함하는 것을 특징으로 하는 디지털 트윈 서비스 제공 시스템. - 디지털 트윈 구축 서비스 플랫폼 상에서 디지털 트윈 서비스의 대상이 되는 현장 설비에 대한 디지털 트윈을 구축하고 차수 감축 모델을 이루는 주성분 벡터와 임의의 운전 조건에 대한 주성분 계수를 예측하는 함수를 포함하는 디지털 트윈 데이터를 생성하는, 디지털 트윈 데이터 생성 단계;
디지털 트윈 서비스를 이용하는 현장 설비 운영자가 상기 디지털 트윈 데이터 생성 단계에서 생성된 디지털 트윈 데이터를 사용자 단말기로 내려 받아 디지털 트윈 애플리케이션 상에 탑재하는, 디지털 트윈 데이터 탑재 단계;
상기 탑재된 디지털 트윈 데이터를 활용하여 현장 설비 운영자가 원하는 운전 조건을 입력하면 그에 해당하는 시뮬레이션 결과를 예측하여 가시화 모듈을 통해 현장 설비 운영자에게 보여주는 가상운전 예측 단계와, 현장 설비로부터 실시간 데이터를 입력 받아 그에 해당하는 시뮬레이션 결과를 탑재된 디지털 트윈 데이터를 활용하여 예측하고 가시화 모듈을 통해 현장 설비 운영자에게 보여주는 모니터링 단계를 포함하는, 디지털 트윈 운용 단계; 및
현장 설비로부터 들어오는 운전 조건 및 측정 데이터를 활용하여 상기 탑재된 디지털 트윈 데이터의 전 운전 영역에 대한 예측 성능을 업데이트하는 디지털 트윈 데이터 업데이트 단계;를 포함하며,
상기 디지털 트윈 데이터 업데이트 단계는, 데이터 융합 기법을 통해 측정 데이터에 대응되는 주성분 계수를 얻고, 얻어진 주성분 계수와 운전 조건에 대한 데이터를 전 운전 영역에 대해 일정 시간동안 수집하고, 수집된 데이터에 대한 기계학습을 통해 운전 조건에 대한 주성분 계수를 예측하는 함수를 업데이트하는 것을 특징으로 하는 디지털 트윈 서비스 제공 방법. - 청구항 4에 있어서,
상기 디지털 트윈 운용 단계는,
탑재된 디지털 트윈 데이터를 활용하여 현장 설비 운영자가 원하는 성능 변수의 타겟 값을 얻기 위한 최적의 운전 조건을 도출하는 최적화 단계를 더 포함하는 것을 특징으로 하는 디지털 트윈 서비스 제공 방법. - 청구항 5에 있어서,
상기 디지털 트윈 데이터 생성 단계는 디지털 트윈 구축 서비스 제공자에 의해 수행되며,
상기 가상운전 예측 단계, 모니터링 단계 및 최적화 단계는 현장 설비 운영자에 의해 선택적으로 또는 동시에 수행되는 것을 특징으로 하는 디지털 트윈 서비스 제공 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/KR2023/011031 WO2024025382A1 (ko) | 2022-07-29 | 2023-07-28 | 현장 설비의 실시간 모니터링, 가상 운전 예측 및 최적화 운전 서비스가 가능한 디지털 트윈 시스템 및 방법 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20220094714 | 2022-07-29 | ||
KR1020220094714 | 2022-07-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102601707B1 true KR102601707B1 (ko) | 2023-11-13 |
Family
ID=88746634
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220121179A KR102601707B1 (ko) | 2022-07-29 | 2022-09-23 | 현장 설비의 실시간 모니터링, 가상 운전 예측 및 최적화 운전 서비스가 가능한 디지털 트윈 시스템 및 방법 |
KR1020230098100A KR20240016924A (ko) | 2022-07-29 | 2023-07-27 | 현장 설비의 실시간 모니터링, 가상 운전 예측 및 최적화운전 서비스가 가능한 디지털 트윈 시스템 및 방법 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230098100A KR20240016924A (ko) | 2022-07-29 | 2023-07-27 | 현장 설비의 실시간 모니터링, 가상 운전 예측 및 최적화운전 서비스가 가능한 디지털 트윈 시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (2) | KR102601707B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240004165A (ko) | 2023-12-22 | 2024-01-11 | 주식회사 상수 | 폐기물 고형원료 보일러 청소방법 |
CN117648746A (zh) * | 2023-12-11 | 2024-03-05 | 中铁一局集团有限公司 | 一种基于数字孪生的隧道施工混凝土超耗数据统计方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102048243B1 (ko) | 2019-09-09 | 2019-11-25 | 주식회사 페이스 | 연관-pod를 통하여 현장 측정 데이터와 cae 해석을 결합한 차수 감축 모델 구축 방법 |
KR20210061669A (ko) * | 2019-11-20 | 2021-05-28 | 한국수력원자력 주식회사 | 펌프 베어링 시스템의 디지털 트윈 기반 예측진단 장치 |
KR102261942B1 (ko) | 2020-12-24 | 2021-06-07 | 주식회사 페이스 | 다중물리 설비 시스템에 대한 차수 감축 모델, 측정 데이터 및 기계학습 기법을 융합한 디지털 트윈 구축 방법 |
JP2021531574A (ja) * | 2018-08-14 | 2021-11-18 | オムロン株式会社 | 産業用pcデバイス及び産業用pcデバイスの動作方法 |
-
2022
- 2022-09-23 KR KR1020220121179A patent/KR102601707B1/ko active IP Right Grant
-
2023
- 2023-07-27 KR KR1020230098100A patent/KR20240016924A/ko unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021531574A (ja) * | 2018-08-14 | 2021-11-18 | オムロン株式会社 | 産業用pcデバイス及び産業用pcデバイスの動作方法 |
KR102048243B1 (ko) | 2019-09-09 | 2019-11-25 | 주식회사 페이스 | 연관-pod를 통하여 현장 측정 데이터와 cae 해석을 결합한 차수 감축 모델 구축 방법 |
KR20210061669A (ko) * | 2019-11-20 | 2021-05-28 | 한국수력원자력 주식회사 | 펌프 베어링 시스템의 디지털 트윈 기반 예측진단 장치 |
KR102261942B1 (ko) | 2020-12-24 | 2021-06-07 | 주식회사 페이스 | 다중물리 설비 시스템에 대한 차수 감축 모델, 측정 데이터 및 기계학습 기법을 융합한 디지털 트윈 구축 방법 |
Non-Patent Citations (1)
Title |
---|
Woojin Lee, Kwonwoo Jang, Woojoo Han, Kang Y. Huh, "Model order reduction by proper orthogonal decomposition for a 500 MWe tangentially fired pulverized coal boiler", case Studies in Thermal Engineering, 2021 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648746A (zh) * | 2023-12-11 | 2024-03-05 | 中铁一局集团有限公司 | 一种基于数字孪生的隧道施工混凝土超耗数据统计方法及系统 |
KR20240004165A (ko) | 2023-12-22 | 2024-01-11 | 주식회사 상수 | 폐기물 고형원료 보일러 청소방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20240016924A (ko) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102601707B1 (ko) | 현장 설비의 실시간 모니터링, 가상 운전 예측 및 최적화 운전 서비스가 가능한 디지털 트윈 시스템 및 방법 | |
WO2024025382A1 (ko) | 현장 설비의 실시간 모니터링, 가상 운전 예측 및 최적화 운전 서비스가 가능한 디지털 트윈 시스템 및 방법 | |
JP5028268B2 (ja) | 制御システムの解析のための方法 | |
KR102048243B1 (ko) | 연관-pod를 통하여 현장 측정 데이터와 cae 해석을 결합한 차수 감축 모델 구축 방법 | |
CN102592016B (zh) | 工程多物理场耦合分析方法 | |
CN110410819B (zh) | 燃煤锅炉燃烧动力场快速计算和实时显示系统 | |
CN102713859A (zh) | 用于使电厂的热效率最大化的系统及方法 | |
CN113837451B (zh) | 油气管道的数字孪生体构建方法、装置、设备及存储介质 | |
CN114186510A (zh) | 基于moc-cfd耦合的循环泵系统能量变化预测方法 | |
Kasat et al. | Developing a digital twin of centrifugal pump for performance evaluation | |
CN117077526A (zh) | 基于数字孪生的雷达tr模块温度预测方法 | |
Chen et al. | Towards high-accuracy deep learning inference of compressible turbulent flows over aerofoils | |
Baurle et al. | VULCAN-CFD User Manual: Ver. 7.2. 0 | |
KR102266279B1 (ko) | 비정상상태를 구현하기 위한 차수 감축 모델 구축 방법 | |
Kim et al. | Nonlinear multiobjective and dynamic real‐time predictive optimization for optimal operation of baseload power plants under variable renewable energy | |
Han et al. | An efficient fatigue assessment model of offshore wind turbine using a half coupling analysis | |
WO2024025385A1 (ko) | 시뮬레이션 기반의 주성분 벡터와 측정 데이터 기반의 기계학습에 의한 주성분 상수를 활용한 차수 감축 모델 구축 방법 | |
CN109858170B (zh) | 一种强非线性Modelica系统模型的频率特性估算系统及方法 | |
Al-Zuheri et al. | The role of randomness of a manual assembly line with walking workers on model validation | |
CN116610041A (zh) | 基于多领域统一建模语言的数字功能样机的实现方法及装置 | |
CN203191810U (zh) | 机房能耗多维监控系统 | |
CN115329605A (zh) | 航空发动机高空台虚拟试验系统、方法、电子设备及介质 | |
Xie et al. | Vibration source analysis and structural optimization design of rotary table based on OTPA | |
JP2007299212A (ja) | ソフトウェアの移植評価装置、及び、評価方法 | |
Lee et al. | Development of a web-based open source CAE platform for simulation of IC engines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |