KR102631563B1 - 가스 사고 위험도 분석 방법 및 플랫폼 - Google Patents

가스 사고 위험도 분석 방법 및 플랫폼 Download PDF

Info

Publication number
KR102631563B1
KR102631563B1 KR1020210084684A KR20210084684A KR102631563B1 KR 102631563 B1 KR102631563 B1 KR 102631563B1 KR 1020210084684 A KR1020210084684 A KR 1020210084684A KR 20210084684 A KR20210084684 A KR 20210084684A KR 102631563 B1 KR102631563 B1 KR 102631563B1
Authority
KR
South Korea
Prior art keywords
risk
data
accident
facility
gas
Prior art date
Application number
KR1020210084684A
Other languages
English (en)
Other versions
KR20230001747A (ko
Inventor
이승훈
Original Assignee
한국정보공학 주식회사
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 한국정보공학 주식회사 filed Critical 한국정보공학 주식회사
Priority to KR1020210084684A priority Critical patent/KR102631563B1/ko
Publication of KR20230001747A publication Critical patent/KR20230001747A/ko
Application granted granted Critical
Publication of KR102631563B1 publication Critical patent/KR102631563B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 수집된 기초 위험도 데이터를 기반으로 사고 발생 시나리오별 설비의 사고 발생 위험도를 도출하는 제1 단계; 도출된 상기 설비의 사고 발생 위험도를 기반으로 시설의 사고 발생 위험도를 도출하는 제2 단계; 및 도출된 상기 시설의 사고 발생 위험도를 기반으로 계통의 사고 발생 위험도를 분석하는 제3 단계;를 포함하는 가스 사고 위험도 분석 방법 및 가스 사고 위험도 분석 서비스 플랫폼에 관한 것이다.

Description

가스 사고 위험도 분석 방법 및 플랫폼{Method and platform for risk analysis of gas accident}
본 발명은 가스 설비, 시설 및 계통의 가스 사고 발생 위험도를 분석, 예측할 수 있는 기술에 관한 것이다.
도시 구조물의 대형화, 복잡화, 고층화로 인해, 가스 시설이 밀집해 있어, 가스 시설로 인한 대형화재 및 폭발 등 재난 유형이 복잡/다양화되고 있다. 이에 가스 재난 및 가스 안전 사고를 미연에 방지하기 위해 이러한 복잡/다양한 상황을 고려한 가스 사고 발생 위험도 분석 및 예측 기술이 절실한 상황이다.
한편, 가스 사고 발생의 위험을 미연에 방지하기 위한 위험성 평가의 일환으로 HAZOP 분석 등이 이용되고 있지만, 다양한 사고 발생 시나리오에 대한 설비, 시설 및 계통의 사고 발생 위험도를 실시간으로 판단할 수 있고 예측할 수 있는 수단은 여전히 부족한 실정이다.
특히, 다양한 센서로부터의 데이터를 수집한 후, 사고 발생 위험도를 판단하는데 시간이 지체되어 막을 수 있었던 사고가 발생하기도 한다.
이에 사고 발생 위험도를 수집한 데이터들로부터 실시간으로 판단하고, 향후의 사고 발생 위험도를 신속하게 예측할 수 있는 방법의 개발이 요구되고 있다.
한국등록특허 제10-1907248호
이에 본 발명은 작성된 사고 발생 시나리오별로 설비, 시설 및 계통의 사고 발생 위험도를 분석 및 예측하여, 사고 발생을 미연에 방지하는 방법 및 플랫폼을 제공하는데 그 목적이 있다.
본원의 일 측면은, 수집된 기초 위험도 데이터를 기반으로 사고 발생 시나리오별 설비의 사고 발생 위험도를 도출하는 제1 단계;
도출된 상기 설비의 사고 발생 위험도를 기반으로 시설의 사고 발생 위험도를 도출하는 제2 단계; 및
도출된 상기 시설의 사고 발생 위험도를 기반으로 계통의 사고 발생 위험도를 분석하는 제3 단계;를 포함하는,
가스 사고 위험도 분석 방법을 제공한다.
본원의 다른 측면은, 수집된 기초 위험도 데이터를 기반으로 사고 발생 시나리오별 설비의 사고 발생 위험도를 도출하는 설비 사고 위험도 분석 모듈;
도출된 상기 설비의 사고 발생 위험도를 기반으로 시설의 사고 발생 위험도를 도출하는 시설 사고 위험도 분석 모듈; 및
도출된 상기 시설의 사고 발생 위험도를 기반으로 계통의 사고 발생 위험도를 분석하는 계통 사고 위험도 분석 모듈;을 포함하는,
가스 사고 위험도 분석 서비스 플랫폼을 제공한다.
본 발명에 따른 가스 사고 위험도 분석 방법 및 플랫폼은 설비, 시설 및 계통의 현재 상태에 따른 실시간 사고 발생 위험도 및 향후 사고 발생 위험도의 분석이 가능할 수 있다.
또한, 직관적이고 신속한 사고 발생 위험도 도출이 가능하여, 느리고 복잡한 시뮬레이션 등을 필요로 하는 기존의 사고 발생 위험도 분석, 예측 방법 또는 관리 기법의 기술적 문제점을 해결할 수 있다.
도 1은 본원의 일 구현예에 따른 설비, 시설 및 계통의 계층도이다.
도 2는 본원의 일 구현예에 따른 센서 기반 데이터에 기반한 사고 발생 시나리오별 기초 위험도 데이터 매트릭스이다.
도 3은 본원의 일 구현예에 따른 설비, 시설 및 계통의 산출된 사고 발생 위험도를 나타낸 예시도이다.
도 4는 본원의 일 구현예에 따른 가스 사고 위험도 분석 서비스 플랫폼의 개략적인 구성도이다.
도 5는 본원의 일 구현예에 따른 설비의 산출된 사고 발생 위험도 예측을 나타낸 예시도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 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. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 명세서에서 사용된 용어는 실시예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 또는 "포함하는(comprising)"은 언급된 구성요소 또는 단계가 하나 이상의 다른 구성요소 또는 단계의 존재 또는 추가를 배제하지 않는다는 의미를 내포한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 해석될 수 있다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본원의 일 측면에 따른 가스 사고 위험도 분석 방법은 수집된 기초 위험도 데이터를 기반으로 사고 발생 시나리오별 설비의 사고 발생 위험도를 도출하는 제1 단계, 도출된 상기 설비의 사고 발생 위험도를 기반으로 시설의 사고 발생 위험도를 도출하는 제2 단계, 및 도출된 상기 시설의 사고 발생 위험도를 기반으로 계통의 사고 발생 위험도를 분석하는 제3 단계를 포함할 수 있다.
또한, 상기 가스 위험도 분석 방법은 시설, 설비 및 계통의 현재 사고 발생 위험도 및 향후 사고 발생 위험도를 추정 및 예측한 결과를 기반으로 생성된 가스 제어 데이터를 가시화하여 사용자 단말에 제공하는 제4 단계를 포함할 수 있다.
상기 가스의 종류로는 암모니아, 산소, 질소, MO, CO2, M2O, F2O, 불활성 가스 등 다양한 도시 가스 및 산업용 가스가 포함될 수 있다.
상기 사고 발생 시나리오는 상기 설비, 시설 및 계통에 대하여 가스 산업 관련 설계 및 시공업자, 관리자 및 이용자 및 가스 안전 관련 전문가가 작성한 HAZOP(Hazard & Operability Analysis)에 기반한 시나리오일 수 있다.
상기 HAZOP은 공장 설비 프로세스에 존재하는 위험 및 운용상의 문제점을 찾아내는 정성적 분석 기법으로 시스템의 원래 의도한 설계와 차이가 있는 변이(deviations)를 일련의 가이드 워드(guidewords)를 활용하여 체계적으로 식별해 낼 수 있다.
각 사고 발생 시나리오는 시나리오에서 예상된 사고 발생과 연관될 수 있는 설비, 시설 및 계통이 함께 나타나고, 설비, 시설 및 계통의 사고 발생 빈도, 사고 발생시 위험 정도 등을 정량화 또는 범주화할 수 있다.
적어도 하나 이상의 사고 발생 시나리오가 작성될 수 있고, 가스 사고 위험도 분석의 대상의 규모가 커짐에 따라서 복잡한 다수의 사고 발생 시나리오가 작성될 수 있다.
예를 들어, 고압 질소 보관 탱크(high pressure nitrogen storage tank) 설비의 사고 발생 시나리오에서는 안전밸브의 popping 실패, 운전자 실수로 인한 밸브 개폐, 지반 침하, 센서 고장에 의한 온도 제어 실패 등이 사고 발생의 원인이 될 수 있다.
이러한 사고 발생의 원인들에 대하여 제대로 대처하지 못하는 경우, 과압에 의한 용기 파열, 질소 누출로 인한 산소 결핍 발생 등의 결과를 초래할 수 있다.
또 다른 예로는, 배관에 있어서 배관의 부식에 의한 핀홀의 발생, 진동이나 용접부 후열 처리 미실시로 균열 발생 등에 의해서 가스 누출 사고가 발생하는 사고 발생 시나리오나, 컴프레셔의 석션(suction) 압력 부족, 인터록, 전원 공급 차단 등에 의해서 가스 공급 중단이 발생하는 사고 발생 시나리오 등이 있을 수 있다.
일 구현예에 있어서, 도 1에 나타낸 바와 같이 하나의 시설은 다수의 설비를 포함하고, 하나의 계통은 다수의 시설을 포함한다.
즉. 설비는 계층 구조의 가장 말단부에 해당하고, 계통은 계층 구조의 가장 상층부에 해당한다.
상기 설비, 시설 및 계통은 가스 밀집 주거 지역, 가스 에너지 플랜트 및 공장과 같은 산업체에 설치된 것일 수 있다.
일 구현예에 있어서, 설비는 시설에 사용되는 설비라면 특별한 제한이 없으나, 탱크, 배관, 밸프, 펌프, 컴프레셔 등으로 이루어질 수 있다.
일 구현예에 있어서, 상기 기초 위험도 데이터는 상기 설비의 센서 데이터 분석 위험도 데이터, 진단예지 위험도 데이터 및 영상 데이터 분석 위험도 데이터로 이루어진 군에서 선택된 어느 하나 이상을 포함할 수 있다.
이때, 상기 기초 위험도 데이터는 하기 <표 1>과 같이 센서 기반 데이터 및 영상 기반 데이터를 가스 설비의 종류에 따라 구분하여 수집할 수 있다.
상기 센서 데이터 분석 위험도는 센서 기반 데이터에 의해서 도출되고, 상기 영상 데이터 분석 위험도는 상기 영상 기반 데이터에 의해서 도출된다.
상기 진단예지 위험도는 상기 센서 기반 데이터 및 상기 영상 기반 데이터를 통합 분석하여 현재 위험성 및 향후 위험성을 기계 학습 기반으로 추정 및 예측한 위험도이다.
타입 가스 설비 위험 요소
센서 기반
수집 데이터		 탱크 플랜지, 연결부, 가스 시설 외부 온도, 가스 시설 외부 습도, 설치 시기, 가스 유량, 사용 압력, 발화점, 배관 직경, 설비 온도, 저장 탱크 내 수분 함량, 도장 상태, 안전 밸브 작동 상태, 저장 탱크 두께, 수직 수평 검사, CUI/CUF 검사, 누출 여부, 레벨
배관 플랜지, 연결부, 가스 시설 외부 온도, 가스 시설 외부 습도, 설치 시기, 가스 유량, 사용 압력, 발화점, 배관 직경, 설비 온도, 배관 두께, 배관 내 수분 함량, 도장 상태, 배관 진동, 보온 상태, 밸프 패싱 상태, 안전 밸브 작동 상태 및 방식 전위온도, 누출 여부, 유량
펌프/컴프레셔 온도, 압력, 유량, 진동
밸브 온도, 압력, 유량
탱크 및 배관 작업자 존재, 작업자 위치
영상 기반
수집 데이터		 탱크 기울기, 이동, 도색, 크랙
배관 기울기, 이동, 도색, 크랙
상기 표 1에 나타낸 바와 같이, 센서 기반 데이터는, 예를 들어, 저장 탱크와 관련하여, 플랜지, 연결부, 가스 시설 외부 온도, 가스 시설 외부 습도, 설치 시기, 가스 유량, 사용 압력, 발화점, 배관 직경, 설비 온도, 저장 탱크 내 수분 함량, 도장 상태, 안전 밸브 작동 상태, 저장 탱크 두께, 수직 수평 검사 및 CUI/CUF 검사 중 적어도 하나를 포함할 수 있다.
센서 기반 데이터는, 배관과 관련하여, 예를 들어, 플랜지, 연결부, 가스 시설 외부 온도, 가스 시설 외부 습도, 설치 시기, 가스 유량, 사용 압력, 발화점, 배관 직경, 설비 온도, 배관 두께, 배관 내 수분 함량, 도장 상태, 배관 진동, 보온 상태, 밸프 패싱 상태, 안전 밸브 작동 상태 및 방식 전위 중 적어도 하나를 포함할 수 있다.
센서 기반 데이터는, 펌프 및 컴프레셔와 관련하여, 예를 들어, 온도, 압력, 유량 및 진동 중 적어도 하나를 포함할 수 있다.
센서 기반 데이터는, 밸브와 관련하여, 예를 들어, 온도, 압력 및 유량 중 적어도 하나를 포함할 수 있다.
센서 기반 데이터는, 작업자가 착용하는 적어도 하나의 웨어러블 디바이스 에 의해 획득된 저장 탱크 및 배관에서의 작업자 존재 여부 및 위치 데이터를 더 포함할 수 있다.
영상 기반 데이터는, 탱크 또는 배관과 관련하여, 예를 들어, 기울기, 이동, 도색 및 크랙 중 적어도 하나를 포함할 수 있다.
또한, 사고 발생 시나리오 별로 상기 기초 위험도 데이터로 적용될 데이터가 선택될 수 있다.
즉, 각 사고 발생 시나리오 별로 적용될 기초 위험도 데이터를 선택하고, 선택된 기초 위험도 데이터의 매트릭스를 선정하며, 기초 위험도 데이터의 매트릭스를 구성하기 위한 기초 위험도 데이터 수집 장치(센서, 영상 촬영 등)에 의해서 수집된 데이터 매트릭스를 만들 수 있다.
예를 들어, 도 2에 나타낸 바와 같이 고압 탱크(high pressure tank)에 관한 센서 기반 데이터에 기반한 사고 발생 시나리오별 기초 위험도 데이터 매트릭스를 만들 수 있다.
도 2에서 시나리오별 사고 발생 위험도를 분석하기 위해서 수집되어야 할 데이터는 "O"로 표시하였고, 수집될 필요가 없는 데이터는 "X"로 표시하였다.
도 2의 사고 발생 시나리오 1의 사고 발생 위험도를 분석하기 위해서는 습도 항목의 내부 습도(room humidity) 및 외부 습도(outdoor humidity)에 관한 센서 기반 데이터를 수집하여 매트릭스가 구성되어야 한다.
그러나, 예를 들어 사고 발생 시나리오 2의 경우에는 사고 발생 위험도 분석에 습도 항목의 내부 습도(room humidity) 및 외부 습도(outdoor humidity)에 관한 기초 위험도 데이터의 수집을 필요로 하지 않는다.
즉, 사고 시나리오 별로 사고 발생 위험도 분석을 위하여 수집되어야 할 데이터는 상이할 수 있다.
기초 위험도 데이트를 수집하고 모니터링하기 위해서 설비에 설치된 센서, 촬영 모듈이 탑재된 무인 이동체 및 작업자가 착용하는 웨어러블 디바이스 중 적어도 하나가 사용될 수 있다.
이때, 센서는 유량센서, 온도센서 및 압력센서 등을 포함하여 그 용도와 정밀도 등에 따라 다양한 센서로 구성될 수 있다.
무인 이동체는 촬영 모듈이 탑재되어 외부로부터의 조작 신호에 따라 모니터링 대상이 되는 설비 및 설비 주변으로 이동하면서 영상을 촬영할 수 있다.
이러한 무인 이동체를 통해 촬영된 설비, 시설, 계통 및 주변 상황의 영상으로부터 추출된 영상 기반 데이터는 다른 센서 기반 데이터와 함께 분석 데이터로 활용되어, 가스 위험 시설의 안전성 향상 및 가스 재난 발생 시 신속한 대응이 가능하도록 할 수 있다.
웨어러블 디바이스는 작업자가 착용하는 장치로, 이를 통해 위험 상황 및 안전 상황에 대한 작업자의 위치 데이터가 확보될 수 있다.
설비에 설치 운영되고 있는 다양한 센서 및 설비를 연동하여 병렬 제어 및 차단을 위하여 연동 장치가 설치될 수 있다.
한편, 탱크, 배관, 펌프 및 밸브에는 엑추에이터(Actuator)가 설치되고, 이는 설비를 구동하거나 제어하는데 쓰이는 기계 장치로 전기나 유압, 압축 공기 등을 이용하는 원동 구동 장치로 제어 신호를 통해 자발적으로 구동될 수 있다.
일 구현예에 있어서, 상기 설비의 사고 발생 위험도는 상기 센서 데이터 분석 위험도 데이터, 상기 진단예지 위험도 데이터 및 상기 영상 데이터 분석 위험도 데이터에 가중치를 부여하여 산출할 수 있다.
사고 발생 시나리오별 설비의 사고 발생 위험도를 분석하는데 있어서, 사고 발생 위험도와 상관도가 높은 데이터에 대한 가중치는 커지고, 사고 발생 위험도와 상관도가 낮은 데이터에 대한 가중치는 낮아진다.
또한, 상기 가중치는 0이 될 수도 있다. 즉, 사고 발생 시나리오 중 일부는 사고 발생 위험도 분석에 상기 센서 데이터 분석 위험도 데이터, 상기 진단예지 위험도 데이터 및 상기 영상 데이터 분석 위험도 데이터 모두를 필요로 하지 않고, 상기 센서 데이터 분석 위험도 데이터, 상기 진단예지 위험도 데이터 및 상기 영상 데이터 분석 위험도 데이터 중 한 가지 또는 두 가지만 필요할 수 있다.
또한, 이러한 가중치의 부여는 딥러닝 알고리즘에 의한 학습을 통해서 자동으로 이루어질 수 있고, 지속적으로 업데이트될 수 있다.
일 구현예에 있어서, 상기 시설의 사고 발생 위험도는 상기 시설에 포함된 다수의 상기 설비의 사고 발생 위험도 중 가장 높은 위험도가 적용될 수 있다.
예를 들어, 사고 발생 시나리오 1번에 있어서 시설에 포함된 각 설비(탱크, 배관, 밸브, 펌프, 컴프레셔 등)에 대한 가중치를 둔 상기 센서 데이터 분석 위험도 데이터, 상기 진단예지 위험도 데이터 및 상기 영상 데이터 분석 위험도 데이터에 가중치를 두어 각 설비별 사고 발생 위험도를 도출하여, 다수의 설비중 탱크의 위험도가 가장 높았다면, 사고 발생 시나리오 1번에 대한 탱크의 사고 발생 위험도가 시설의 사고 발생 시나리오 1번의 사고 발생 위험도가 될 수 있다.
또한, 상기 계통의 사고 발생 위험도는 상기 계통에 포함된 다수의 상기 시설의 사고 발생 위험도 중 가장 높은 사고 발생 위험도가 적용될 수 있다.
예를 들어, 사고 발생 시나리오 1번에 있어서 계통에 포함된 각 시설의 사고 발생 위험도를 도출하여, 이중 가장 위험도가 높은 시설의 사고 발생 위험도가 계통의 사고 발생 시나리오 1번의 사고 발생 위험도가 될 수 있다.
각 설비, 시설 및 계통의 산출된 사고 발생 위험도에 따라서, 위험 단계를 예를 들어, 도 3에 나타낸 바와 같이 정상, 주의, 경고, 위험 등으로 분류할 수 있고, 산출된 위험도에 따라서 가장 높은 사고 발생 위험도에서부터 사고 발생 위험도가 낮아지는 순서대로 설비, 시설 및 계통을 나열하여 나타낼 수 있다.
즉, 현 상태에서 가장 사고 발생 위험도가 높은 설비, 시설 및 계통을 나타낼 수 있고, 각 사고 발생 시나리오별 위험 단계를 나타낼 수 있다.
일 구현예에 있어서, 상기 설비의 사고 발생 위험도, 상기 시설의 사고 발생 위험도 또는 상기 계통의 사고 발생 위험도가 실제 사고 발생 위험도와 일치하지 않는 경우, 상기 가중치를 수정하는 단계를 추가로 포함할 수 있다.
즉, 상기 가중치는 사고 발생 시나리오와 설비, 시설 및 계통의 현재 상태에 따라서 적절하게 선택될 수 있고, 실시간 모니터링된 센서, 영상 정보 등에 의해서 지속적으로 업데이트되는 측정값을 기반으로 실시간으로 변경될 수 있다.
또한, 이러한 가중치의 수정은 딥러닝 알고리즘에 의한 학습을 통해서 자동으로 이루어질 수 있고, 지속적으로 업데이트될 수 있다.
일 구현예에 있어서, 상기 설비의 사고 발생 위험도, 상기 시설의 사고 발생 위험도 또는 상기 계통의 사고 발생 위험도가 실제 사고 발생 위험도와 일치하지 않는 경우, 보완 위험도 데이터를 추가하는 단계를 추가로 포함할 수 있다.
상기 보완 위험도 데이터는 가스 관리 지침 데이터 및 상기 설비의 이력 데이터로 이루어진 그룹에서 선택된 어느 하나 이상을 포함할 수 있다.
예를 들어, 가스 관리 지침 데이터로는 고압가스 안정관리법, 고압가스 안전관리법 등과 같은 법률 및 시행령뿐만 아니라, 각 설비, 시설 및 계통의 작동, 안전, 관리 매뉴얼 등을 들 수 있다.
상기 설비의 이력 데이터는 상기 설비의 가동 이력 데이터, 수리 이력, 사고 이력 데이터 및 고장 이력 데이터로 이루어진 그룹에서 선택된 어느 하나 이상을 포함할 수 있다.
또한, 이러한 보완 위험도 데이터의 추가는 딥러닝 알고리즘에 의한 학습을 통해서 자동으로 이루어질 수 있고, 지속적으로 업데이트될 수 있다.
상기 보완 위험도 데이터와 상기 기초 위험도 데이터 간에는 가중치가 부여되지 않을 수 있다.
즉, 상기 보완 위험도 데이터와 상기 기초 위험도 데이터는 상기 사고 발생 위험도를 도출하는데 있어서, 동일한 정도의 중요성을 가지는 것으로 취급될 수 있다.
상기 보완 위험도 데이터와 상기 기초 위험도 데이터를 통합하여 가스 사고 위험도를 도출하는 것은 딥러닝 알고리즘에 의한 학습을 통해서 자동으로 이루어질 수 있고, 지속적으로 업데이트될 수 있다.
도출된 사고 발생 위험도와 실제 사고 발생 위험도의 일치하는 정도를 실증 및 향상시키기 위해서, 다양한 환경 및 시간대 등에서의 정상 상황의 학습 데이터를 생성하고 지속적으로 업데이트시키면서 정상 상황에서의 사고 발생 위험도를 기계 학습(machine learning)시키고 분석하는 동시에 사고(이탈) 발생 상황에 해당하는 상황을 조성하여 사고(이탈) 발생 상황의 학습 데이터를 생성하고 지속적으로 업데이트시키면서 사고(이탈) 발생 상황의 사고 발생 위험도를 기계 학습시키고 분석시킬 수 있다.
실제 설비, 시설 및 계통에서 사고 발생의 우려로 인하여 사고(이탈) 발생 상황의 인위적인 조성이 어렵다면, 사고 발생 위험도의 학습 및 분석을 위하여 사고(이탈) 발생 상황과 유사한 환경을 인위적으로 조성할 수 있다. 예컨데, 일부 센서에서의 측정값을 조정하거나, 데이터 수집이 용이하도록 가동 상황을 조정할 수 있다.
예를 들어, 사고(이탈) 발생 상황에서의 탱크의 압력 값의 상승이 너무 빠른 시간에 이루어져서 사고 발생 위험도의 학습 및 분석을 위한 데이터 수집이 어렵다면, 일부 밸브를 열어서 압력 상승의 속도를 늦추는 식으로 데이터를 수집할 수 있다.
또는, 사고(이탈) 발생 상황에 해당하도록 가상의 데이터를 적용할 수도 있다.
본원의 다른 측면에 따른 가스 사고 위험도 분석 서비스 플랫폼은 도 4에 나타낸 바와 같이, 수집된 기초 위험도 데이터를 기반으로 사고 발생 시나리오별 설비의 사고 발생 위험도를 도출하는 설비 사고 위험도 분석 모듈, 도출된 상기 설비의 사고 발생 위험도를 기반으로 시설의 사고 발생 위험도를 도출하는 시설 사고 위험도 분석 모듈, 및 도출된 상기 시설의 사고 발생 위험도를 기반으로 계통의 사고 발생 위험도를 분석하는 계통 사고 위험도 분석 모듈을 포함할 수 있다.
설비 사고 위험도 분석 모듈, 시설 사고 위험도 분석 모듈 및 계통 사고 위험도 분석 모듈은 각각 물리적으로 분리되어 있는 것으로 도시되어 있으나, 이는 일 실시 예일 뿐, 본 발명은 이에 한정되지 않는다. 예컨대, 설비 사고 위험도 분석 모듈 및 시설 사고 위험도 분석 모듈의 기능들이 하나의 하드웨어 시스템으로 통합되어 구현될 수도 있다.
한편, 상기 가스 사고 위험도 분석 서비스 플랫폼은 통합 연동 장치를 통해 다양한 센서에 액세스하거나, 엑추에이터에 가스 차단 등의 제어 신호를 전송할 수 있다.
상기 설비 사고 위험도 분석 모듈은 데이터 수집 모듈을 포함할 수 있고, 데이터 수집 모듈은 가스 설비에 대한 센서 기반 데이터 및 영상 기반 데이터를 수집하여 저장할 수 있다.
이때, 데이터 수집 모듈은 통합 연동 장치로부터 수신된 데이터를 수집 및 저장하고, 분석의 목적에 따라 유효성을 분석하고, 정형화된 데이터로 변환하여 저장할 수 있다.
이때, 센서 기반 데이터는 설비에 설치되는 적어도 하나의 센서에 의해 무선 통신을 통해 전달될 수 있다.
또한, 영상 기반 데이터는 원천 데이터인 영상으로부터 전처리되어 정형화된 데이터가 별도의 무선 인터넷 망을 통해 전송된 것일 수 있다
또한, 상기 설비 사고 위험도 분석 모듈은 진단예지 위험도 데이터 분석 모듈을 포함할 수 있다.
상기 진단예지 위험도 데이터 분석 모듈은 상기 센서 기반 데이터 및 상기 영상 기반 데이터를 통합 분석하여 설비의 현재 위험성 및 향후 위험성을 기계 학습 기반으로 추정 및 예측할 수 있다.
이때, 진단예지 위험도 데이터 분석 모듈은, 딥러닝 알고리즘을 기반으로 위험성 예측 결과 제공할 수 있다. 예를 들어, 로지스틱 회귀분석(Logistic Regression)이 사용될 수 있는데, 이는 확률 모델 중 하나로써, 독립변수의 선형 결합을 이용해 사건의 발생 가능성을 예측하는데 사용되는 통계 기법으로서 안전과 위험의 상태를 평가 분석할 수 있다.
일 구현예에 있어서, 상기 설비 사고 위험도 분석 모듈은 센서 데이터 분석 위험도 데이터, 진단예지 위험도 데이터 및 영상 데이터 분석 위험도 데이터에 가중치를 부여하는 가중치 부여 모듈을 포함할 수 있다.
또한, 상기 설비의 사고 발생 위험도, 상기 시설의 사고 발생 위험도 또는 상기 계통의 사고 발생 위험도가 실제 사고 발생 위험도와 일치하지 않는 경우, 상기 가중치를 수정하는 가중치 수정 모듈 및 보완 위험도 데이터를 추가하는 보완 위험도 데이터 추가 모듈로 이루어진 그룹에서 선택된 어느 하나를 추가로 포함할 수 있다.
한편, 가스 사고 위험도 분석 서비스 플랫폼은, 도출된 사고 발생 위험도에 따라서 알람 또는 경고를 발생시키라는 가스 제어 데이터를 생성할 수 있다.
예컨대, 상위에서 하위로 순차적인 기준값들을 정해서 위험 상태를 알리는 알람을 발생시키고, 사고 발생 위험의 등급에 따라 이를 예고하는 주의, 경고 위험 등으로 경고하는 가스 제어 데이터가 생성될 수 있다.
그러면, 상기 가스 사고 위험도 분석 서비스 플랫폼은, 가스 제어 데이터를 기반으로 하는 서비스를 가시화하여 사용자 단말에 제공할 수 있다.
즉, 상기 가스 사고 위험도 분석 서비스 플랫폼은, 가스 제어 데이터를 기반으로 하는 서비스를 웹 페이지 또는 어플리케이션을 통해 사용자에게 제공할 수 있다. 이때, 가스 제어 데이터를 기반으로 하는 서비스는 가스 차단 및 제어 서비스 또는 가스 위험성 제안 서비스일 수 있다.
또한, 상기 가스 사고 위험도 분석 서비스 플랫폼은, 도출된 가스 사고 발생 위험도에 대한 판단과 사용자의 판단을 비교 분석하여 효과를 검증하고, 효율적인 실증을 위해 사용자의 위치와 상황에 따라 차별화된 가스 제어 콘텐츠가 제공되며, 사용자 정보와 연동된 관리 권한에 따른 위험성 제안 서비스 제공 및 특수한 상황에서는 무선에 의한 가스 차단 및 제어 서비스 제공할 수 있다.
이때, 상기 가스 사고 위험도 분석 서비스 플랫폼은, 가스 사고 발생 위험도를 현재 시각을 기준으로 과거 위험도 및 미래 예측 위험도와 함께 제공할 수 있다.
이때, 가스 사고 발생 위험도는 사용자의 설정에 따라, 일 단위, 주 단위 또는 월 단위로 그 변화 추이가 제공될 수 있다.
이때, 가스 사고 위험도는 사용자의 설정에 따라, 설비, 시설 및 계통의 가스 위험도의 변화 추이가 제공되거나, 설비, 시설 및 계통별 또는 수집 데이터 타입 별로 가스 사고 발생 위험도 추이가 제공될 수 있다.
예를 들어, 도 5를 참조하면 현재 시각인 12시를 기준으로 이후의 설비의 가스 사고 발생 위험도가 도시되어 있다. 이로써, 사용자는 가스 사고 발생 위험도를 인지할 수 있다.
도 5는 실시예에 따른 시간에 따른 가스 설비의 가스 사고 발생 위험도의 추이 그래프의 예시도이다.
도 5를 참조하면, 현재 시각인 12시 이후의 탱크에 대한 사고 발생 위험도가 도시되어 있다. 이로써, 사용자는 탱크의 사고 발생 위험도를 인지하여, 사고 발생을 방지하기 위해서 탱크를 제어할 수 있다.
이러한 실시예에 따른 가스 사고 위험도 분석 서비스 플랫폼은 전술한 가스 사고 위험도 분석 방법에 따라 순차적으로 수행되는 것으로, 각각의 상세한 설명은 전술한 가스 사고 위험도 분석 방법의 각 단계와 중복되므로 생략하기로 한다.
실시예에 따른 가스 사고 위험도 분석 서비스 플랫폼의 구성 요소들 각각은 컴퓨터로 읽을 수 있는 기록매체와 같은 컴퓨터 시스템에서 구현될 수 있다.
컴퓨터 시스템은 버스를 통하여 서로 통신하는 하나 이상의 프로세서, 메모리, 사용자 인터페이스 입력 장치, 사용자 인터페이스 출력 장치 및 스토리지를 포함할 수 있다.
또한, 컴퓨터 시스템은 네트워크에 연결되는 네트워크 인터페이스를 더 포함할 수 있다. 프로세서는 중앙 처리 장치 또는 메모리나 스토리지에 저장된 프로그램 또는 프로세싱 인스트럭션들을 실행하는 반도체 장치일 수 있다. 메모리 및 스토리지는 휘발성 매체, 비휘발성 매체, 분리형 매체, 비분리형 매체, 통신 매체, 또는 정보 전달 매체 중에서 적어도 하나 이상을 포함하는 저장 매체일 수 있다. 예를 들어, 메모리는 ROM이나 RAM을 포함할 수 있다.
이상에서 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (13)

  1. 설비 사고 위험도 분석 모듈이, 기초 데이터 수집 장치로부터 수집된 기초 위험도 데이터를 기반으로 사고 발생 시나리오별 설비의 사고 발생 위험도를 도출하는 제1 단계;
    시설 사고 위험도 분석 모듈이, 도출된 상기 설비의 사고 발생 위험도를 기반으로 시설의 사고 발생 위험도를 도출하는 제2 단계;
    계통 사고 위험도 분석 모듈이, 도출된 상기 시설의 사고 발생 위험도를 기반으로 계통의 사고 발생 위험도를 분석하는 제3 단계; 및
    상기 설비의 사고 발생 위험도, 상기 시설의 사고 발생 위험도 또는 상기 계통의 사고 발생 위험도가 실제 사고 발생 위험도와 일치하지 않는 경우, 보완 위험도 데이터 추가 모듈이 보완 위험도 데이터를 추가하고, 가중치 수정 모듈이 가중치를 수정하는 제4 단계를 포함하고,
    상기 기초 데이터 수집 장치는 센서 기반 데이터 및 영상 기반 데이터를 가스 설비의 종류에 따라 구분하여 수집하여 기초 위험도 데이터의 매트릭스를 구성하고,
    상기 보완 위험도 데이터는 가스 관리 지침 데이터 및 설비의 이력 데이터를 포함하고,
    상기 설비의 이력 데이터는 상기 설비의 가동 이력 데이터, 수리 이력 데이터, 사고 이력 데이터 및 고장 이력 데이터를 포함하고,
    상기 보완 위험도 데이터의 추가 및 상기 가중치의 수정은 딥러닝 알고리즘에 의한 학습을 통해서 자동으로 이루어지고 지속적으로 업데이트되고,
    상기 기초 위험도 데이터는 상기 설비의 센서 데이터 분석 위험도 데이터, 진단예지 위험도 데이터 및 영상 데이터 분석 위험도 데이터를 포함하고,
    가중치 부여 모듈이, 상기 센서 데이터 분석 위험도 데이터, 상기 진단예지 위험도 데이터 및 상기 영상 데이터 분석 위험도 데이터에 상기 가중치를 부여하여 상기 설비의 사고 발생 위험도를 도출하고,
    상기 센서 데이터 분석 위험도는 센서 기반 데이터에 의해서 도출되고,
    상기 영상 데이터 분석 위험도는 영상 기반 데이터에 의해서 도출되고,
    상기 진단 예지 위험도는 상기 센서 기반 데이터 및 상기 영상 기반 데이터를 통합 분석하여 현재 위험성 및 향후 위험성을 기계 학습 기반으로 추정 및 예측한 위험도이며,
    상기 영상 기반 데이터는 탱크의 기울기, 이동, 도색 및 크랙으로 이루어진 그룹에서 선택된 어느 하나 이상 또는 배관의 기울기, 이동, 도색 및 크랙으로 이루어진 그룹에서 선택된 어느 하나 이상을 포함하는,
    가스 사고 위험도 분석 방법.
  2. 제1항에 있어서,
    상기 계통은 다수의 상기 시설을 포함하고,
    상기 시설은 다수의 상기 설비를 포함하는,
    가스 사고 위험도 분석 방법.
  3. 제1항에 있어서,
    상기 설비는 탱크, 배관, 밸브, 펌프 및 컴프레셔로 이루어진 군에서 선택된 어느 하나 이상을 포함하는,
    가스 사고 위험도 분석 방법.
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 시설의 사고 발생 위험도로 상기 시설에 포함된 다수의 상기 설비의 사고 발생 위험도 중 가장 높은 위험도가 적용되고,
    상기 계통의 사고 발생 위험도로 상기 계통에 포함된 다수의 상기 시설의 사고 발생 위험도 중 가장 높은 위험도가 적용되는,
    가스 사고 위험도 분석 방법.
  7. 삭제
  8. 삭제
  9. 삭제
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
KR1020210084684A 2021-06-29 2021-06-29 가스 사고 위험도 분석 방법 및 플랫폼 KR102631563B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210084684A KR102631563B1 (ko) 2021-06-29 2021-06-29 가스 사고 위험도 분석 방법 및 플랫폼

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210084684A KR102631563B1 (ko) 2021-06-29 2021-06-29 가스 사고 위험도 분석 방법 및 플랫폼

Publications (2)

Publication Number Publication Date
KR20230001747A KR20230001747A (ko) 2023-01-05
KR102631563B1 true KR102631563B1 (ko) 2024-02-02

Family

ID=84926108

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210084684A KR102631563B1 (ko) 2021-06-29 2021-06-29 가스 사고 위험도 분석 방법 및 플랫폼

Country Status (1)

Country Link
KR (1) KR102631563B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102005188B1 (ko) * 2018-04-30 2019-07-29 타이아(주) 실시간 위치 추적 및 ｇｉｓ를 이용한 인공지능 기반 산업현장 안전관리 시스템, 그리고 산업현장 안전관리 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101907248B1 (ko) 2015-10-06 2018-10-11 사단법인 한국선급 확률적 가스폭발 시나리오 산출 시스템 및 이를 사용한 확률적 가스폭발 시나리오 산출 방법
KR102164651B1 (ko) * 2018-12-13 2020-10-12 유재경 산업용 가스공급 설비 통합 관리 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102005188B1 (ko) * 2018-04-30 2019-07-29 타이아(주) 실시간 위치 추적 및 ｇｉｓ를 이용한 인공지능 기반 산업현장 안전관리 시스템, 그리고 산업현장 안전관리 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
김건호 외 4인. 사고시나리오별 위험도 산정을 통한 적정 위험도 기준 설정. 대한환경공학회지. 대한환경공학회. 제39권 제2호. 74-81쪽. 2017년 2월 1부.*
화학물질안전원. 사고시나리오 선정 및 위험도 분석에 관한 기술지침. 2021년 6월 18일 1부.*

Also Published As

Publication number Publication date
KR20230001747A (ko) 2023-01-05

Similar Documents

Publication Publication Date Title
CN109040278B (zh) 医院电气及动力系统安全智能管理云平台、方法及系统
Katipamula et al. Methods for fault detection, diagnostics, and prognostics for building systems—a review, part I
US7016742B2 (en) Decision support for operations and maintenance (DSOM) system
CN109065135B (zh) 一种医院后勤设备全生命周期管理云平台、方法和系统
KR101830295B1 (ko) IoT 센서를 이용한 유해물질 사업장의 지능형 사고대비 훈련선정 의사결정시스템
US20220300840A1 (en) System to monitor and process water-related data
KR101341248B1 (ko) 발전설비의 위험도 기반 정비 시스템
KR20180125658A (ko) 디지털sop 및 예측기반 빌딩통합운영시스템 및 방법
US20140156584A1 (en) Systems and methods for management of risk in industrial plants
CN115034578A (zh) 一种基于数字孪生的水工金属结构设备智能管理构建方法及系统
US20230377435A1 (en) Fire protection method and fire protection system
AU2023274062A1 (en) System for analyzing machine data
KR102428222B1 (ko) 스마트 가스 안전 제어 서비스 플랫폼 및 방법
US11409275B2 (en) Systems and methods for predicting environmental conditions
KR101853480B1 (ko) 해양플랜트 예지보전 시스템
Chew et al. Enhancing Interpretability of Data‐Driven Fault Detection and Diagnosis Methodology with Maintainability Rules in Smart Building Management
CN116642140A (zh) 一种面向燃气站场管网的监测巡检系统及泄漏预警方法
CN110544247A (zh) 人工智能云计算多途径设备系统运行缺陷检查监控方法
CN113420601A (zh) 异常场景的监控方法、装置、计算机设备和存储介质
KR102631563B1 (ko) 가스 사고 위험도 분석 방법 및 플랫폼
WO2023281597A1 (ja) プラントの保全管理情報の処理方法及び処理システム
CN117196220A (zh) 一种智慧燃气应急方案评估方法、物联网系统与存储介质
US20060259832A1 (en) Maintenance-information providing system (as amended)
CN112348419B (zh) 一种物联网处理系统和方法
KR20180117024A (ko) 위험물질 확산 시뮬레이션에 의한 피해 방지방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right