KR102646314B1 - 다변수 상태 예측 기술에서의 메모리 자동 갱신 방법, 장치 및 컴퓨터 기록매체 - Google Patents

다변수 상태 예측 기술에서의 메모리 자동 갱신 방법, 장치 및 컴퓨터 기록매체 Download PDF

Info

Publication number
KR102646314B1
KR102646314B1 KR1020220118893A KR20220118893A KR102646314B1 KR 102646314 B1 KR102646314 B1 KR 102646314B1 KR 1020220118893 A KR1020220118893 A KR 1020220118893A KR 20220118893 A KR20220118893 A KR 20220118893A KR 102646314 B1 KR102646314 B1 KR 102646314B1
Authority
KR
South Korea
Prior art keywords
equation
memory
paragraph
value
index
Prior art date
Application number
KR1020220118893A
Other languages
English (en)
Inventor
김동환
박명수
주미리
장성용
김두수
Original Assignee
한국전력공사
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 한국전력공사 filed Critical 한국전력공사
Priority to KR1020220118893A priority Critical patent/KR102646314B1/ko
Application granted granted Critical
Publication of KR102646314B1 publication Critical patent/KR102646314B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0646—Horizontal data movement in storage systems, i.e. moving data in between storage devices or systems

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

다변수 상태 예측 기술에서의 회전체 제어용 메모리 갱신 방법, 이 방법이 저장된 프로그램 기록 매체, 그리고 다변수 상태 예측 기술에서의 회전체 제어용 메모리 갱신 시스템을 제공한다. 회전체 제어용 메모리 갱신 방법은, i) 회전체의 x축 방향 및 y축 방향에서 각각 회전체의 파형, 진폭 및 위상으로 이루어진 군에서 선택된 하나 이상의 특성 변수를 추출하는 단계, ii) 정상 상태 이력의 메모리 매트릭스를 생성하는 단계, iii) 메모리 매트릭스와 특성 변수를 이용하여 예측값을 도출하는 단계, 및 iv) 예측값에 기초하여메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터로 대체하는 단계를 포함한다.

Description

다변수 상태 예측 기술에서의 메모리 자동 갱신 방법, 장치 및 컴퓨터 기록매체 {METHOD AND APPARATUS FOR AUTOMATICALLY UPDATING MEMORY IN MULTIVARIATE STATE ESTIMATION TECHNIQUE, AND COMPUTER RECORDING MEDIUM COMPRISING THE METHOD}
본 발명은 메모리 자동 갱신 방법, 장치 및 컴퓨터 기록매체에 관한 것이다. 더욱 상세하게는, 본 발명은 다변수 상태 예측 기술에서의 메모리 자동 갱신 방법, 장치 및 컴퓨터 기록매체에 관한 것이다.
다변수 상태 예측 기술(multivariate state estimation technique, MSET)은 정상 작동 상태를 설명하는 비모수(nonparametric) 모니터링 모델이다. 다변수 상태 예측 기술은 과거의 정상 상태 데이터의 특징값을 기반으로 새로운 예측값을 추정한다. 그리고 새로운 예측값과 실제 계측값과의 차이 정도를 추정하여 고장을 감지한다. 그 결과, 다변수 상태 예측 기술은 비선형(nonlinear) 및 비모수 방식 기계학습 방법론으로 설비에 설치된 센서 데이터를 중심으로 이상 유무를 추정시 가장 많이 사용되고 있다.
다변수 상태 예측 기술은 정상 상태의 기기 운전 데이터만 이용하여 기기의 이상을 감지할 수 있다. 따라서 다변수 상태 예측 기술은 현실적으로 간단하게 산업 현장에 적용할 수 있다. 특히, 발전소에는 다양한 회전체들이 설치되는데 이 중에서도 고속 회전체는 정상 조건의 데이터 범위가 넓고 그 물리적 특성이 복합적으로 반영되어 있어서 다변수 상태 예측 기술이 이용된다. 엔지니어는 이러한 다변수 상태 예측 기술에 사용되는 메모리 매트릭스를 직접 분석하여 수작업을 통해 재구성해야 이상 감지 정확도를 일정하게 유지할 수 있다.
다변수 상태 예측 기술에서의 회전체 제어용 메모리 갱신 방법을 제공하고자 한다. 또한, 전술한 메모리 갱신 방법이 저장된 프로그램 기록 매체를 제공하고자 한다. 그리고 다변수 상태 예측 기술에서의 회전체 제어용 메모리 갱신 시스템을 제공하고자 한다.
본 발명의 일 실시예에 따른 회전체 제어용 메모리 갱신 방법은 다변수 상태 예측 기술에서 사용된다. 메모리 갱신 방법은 i) 회전체의 x축 방향 및 y축 방향에서 각각 회전체의 파형, 진폭 및 위상으로 이루어진 군에서 선택된 하나 이상의 특성 변수를 추출하는 단계, ii) 정상 상태 이력의 메모리 매트릭스를 생성하는 단계, iii) 메모리 매트릭스와 특성 변수를 이용하여 예측값을 도출하는 단계, 및 iv) 예측값에 기초하여 메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터로 대체하는 단계를 포함한다.
예측값을 도출하는 단계는, x축 방향의 특성 변수를 x라고 하고, y축 방향의 특성 변수를 y라고 하는 경우, 수학식 1에 의해 하기 ◎을 정의하고, 수학식 2에 의해 예측값을 도출할 수 있다.
[수학식 1]
[수학식 2]
는 예측값이고, D는 메모리 매트릭스이고, D T 는 메모리 매트릭스의 전치 행렬이며, X obs 는 특성 변수의 실측값이다.
본 발명의 일 실시예에 따른 회전체 제어용 메모리 갱신 방법은 예측값과 정상 상태의 메모리 매트릭스의 차를 비정상 지수(Anomaly Index, AI)로 제공하는 단계를 더 포함할 수 있다. 차는 하기의 수학식 3에 의해 생성될 수 있다.
[수학식 3]
AI는 비정상 지수이고, Peak는 초당 취득 진동 파형 최고값이며, RMS는 제곱 평균 제곱근(root mean square)이고, Bearing Clearance는 회전체에 포함된 베어링 공차이며, f는 가중치일 수 있다. 가중치는 아래의 수학식 4에 의해 제공될 수 있다.
[수학식 4]
DTW Index (new)는 새로운 신호 파형의 동적 워핑이고, DTW Index (normal)는 정상 신호 파형의 동적 워핑일 수 있다. 가중치는 아래의 수학식 5에 의해 제공될 수 있다.
[수학식 5]
normal 1X는 정상 신호의 성분 위상이고, 1X, …, nX는 각 측정시 신호의 성분 위상일 수 있다.
본 발명의 일 실시예에 따른 회전체 제어용 메모리 갱신 방법은 예측값과 정상 상태의 메모리 매트릭스의 차를 비정상 지수(Anomaly Index, AI)로 생성하는 단계를 더 포함할 수 있다. 비정상 지수는 아래의 수학식 6에 의해 제공할 수 있다.
[수학식 6]
∠X는 x축용 센서의 설치 각도이고, ∠Y는 y축용 센서의 설치 각도이며, Sen position gap ∠X, Y는 ∠X 및 ∠Y의 각도차이고, f는 가중치일 수 있다. 가중치는 아래의 수학식 7에 의해 제공될 수 있다.
[수학식 7]
Sen X ∠1X(history)/Sen Y ∠1X(history)는 x축 및 y축의 1X 위상 정보를 기준으로 한 이력 데이터의 x축용 센서 및 y축용 센서의 1X 성분비이고, Sen X ∠1X(new)/Sen Y ∠1X(new)는 x축 및 y축의 1X 위상 정보를 기준으로 한 신규 데이터의 x축용 센서 및 y축용 센서의 1X 성분비일 수 있다.
본 발명의 일 실시예에 따른 회전체 제어용 메모리 갱신 방법은 아래의 수학식 8에 의해 데이터 유사도 최종값을 제공하는 단계를 더 포함할 수 있다.
[수학식 8]
AI(f)i는 특성 신호별 비정상 지수이고, x(i)는 실측값이며, 는 MSET 기반의 예측값이고, VK(x)는 데이터 유사도 최종값일 수 있다.
메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터로 대체하는 단계에서 아래의 수학식 9의 업데이트 식별력 지수(update discrimination index, UDI)가 기설정치 이상일 수 있다.
[수학식 9]
기설정치는 0 내지 25일 수 있다. 메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터로 대체하는 단계는, i) 오래된 데이터를 제거하는 단계, 및 ii) 신규 측정 데이터를 메모리 매트릭스에 삽입하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 회전체 제어용 메모리 갱신 방법은 수학식 9의 업데이트 식별력 지수(update discrimination index, UDI)가 기설정치 미만인 경우, 특성 변수를 추출하는 단계로 되돌아가는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 프로그램 기록 매체는 전술한 회전체 제어용 메모리 갱신 방법이 저장된다.
본 발명의 일 실시예에 따른 회전체 제어용 메모리 갱신 시스템은 다변수 상태 예측 기술에서 사용된다. 메모리 갱신 시스템은 i) 회전체, ii) 회전체의 x축 방향 및 y축 방향에서 각각 설치되어 회전체의 파형, 진폭 및 위상으로 이루어진 군에서 선택된 하나 이상의 특성 변수를 추출하는 센서들을 포함하는 센서부, iii) 정상 상태 이력의 메모리 매트릭스를 생성하는 MSET 모델부, 및 iv) 메모리 매트릭스와 특성 변수를 이용하여 예측값을 도출하고, 예측값에 기초해 메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터로 대체하는 제어부를 포함한다.
제어부는 x축 방향의 특성 변수를 x라고 하고, y축 방향의 특성 변수를 y라고 하는 경우, 전술한 수학식 1에 의해 ◎을 정의하고, 전술한 수학식 2에 의해 예측값을 도출할 수 있다. 제어부는 예측값과 정상 상태의 메모리 매트릭스의 차를 비정상 지수(Anomaly Index, AI)로 제공하고, 차는 전술한 수학식 3에 의해 생성될 수 있다. 가중치는 전술한 수학식 4에 의해 제공될 수 있다. 또한, 가중치는 전술한 수학식 5에 의해 제공될 수 있다. 제어부는 예측값과 정상 상태의 메모리 매트릭스의 차를 비정상 지수(Anomaly Index, AI)로 생성하고, 비정상 지수는 전술한 수학식 6에 의해 제공할 수 있다. 가중치는 전술한 수학식 7에 의해 제공될 수 있다.
제어부는 수학식 8에 의해 데이터 유사도 최종값을 제공할 수 있다. 제어부가 메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터로 대체하는 경우, 전술한 수학식 9의 업데이트 식별력 지수(update discrimination index, UDI)가 기설정치 이상일 수 있다. 기설정치는 0 내지 25일 수 있다. 회전체는 가스터빈의 저널 베어링일 수 있다.
본 발명의 일 실시예에 따른 메모리 자동 갱신 방법은 이상 감지 모델의 예측 정확도가 감소되는 문제를 경제성, 업무 효율성 및 운영 안정성까지 고려하여 손쉽게 해결할 수 있다. 또한, 예측 모델을 새롭게 만들기 위한 시간 소요가 사라짐과 동시에 전문 이력 데이터 분석 및 업무가 자동화되어 최종적인 검토를 통해 업무를 단순화할 수 있다. 본 발명의 일 실시예에 따른 메모리 자동 갱신 방법을 이용한 이상 감지 시스템을 확대 설치하여 설비 운영자는 좀더 많은 설비를 감시해 안정적으로 발전소를 운영할 수 있는 기술적 환경을 마련할 수 있다.
도 1은 본 발명의 일 실시예에 따른 회전체 제어용 메모리 갱신 방법의 개략적인 순서도이다.
도 2는 도 1의 특성 변수를 제공하는 단계의 개략적인 도면이다.
도 3은 도 1의 회전체 제어용 메모리 갱신 방법의 개략적인 적용 순서도이다.
도 4는 본 발명의 일 실시예에 따른 회전체 제어용 메모리 갱신 시스템의 개략적인 블록도이다.
도 5 및 도 6은 각각 본 발명의 실험예 1 및 실험예 2에 따른 신규 계측 데이터 및 그 예측값의 그래프이다.
도 7 및 도 8은 각각 종래기술의 비교예 1 및 비교예 2에 따른 신규 계측 데이터 및 그 예측값의 그래프이다.
여기서 사용되는 전문용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특정 특성, 영역, 정수, 단계, 동작, 요소, 성분 및/또는 군의 존재나 부가를 제외시키는 것은 아니다.
다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.
이하, 첨부한 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
도 1은 본 발명의 일 실시예에 따른 회전체 제어용 메모리 갱신 방법의 순서도를 개략적으로 나타낸다. 도 1의 메모리 갱신 방법은 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서 메모리 갱신 방법을 다르게 변형할 수도 있다.
도 1에 도시한 바와 같이, 메모리 갱신 방법은, 회전체의 x축 방향 및 y축 방향에서 각각 회전체의 파형, 진폭 및 위상 정보를 포함하는 특성 변수를 제공하는 단계(S10), 특성 변수를 이용해 정상 상태 이력의 메모리 매트릭스를 제공하는 단계(S20), 메모리 매트릭스와 특성 변수를 이용하여 예측값을 제공하는 단계(S30), 예측값과 정상 상태의 메모리 매트릭스의 차로 비정상 지수를 제공하는 단계(S40), 데이터 유사도 최종값을 제공하는 단계(S50), 데이터 유사도 최종값으로부터 업데이트 식별력 지수(UDI)를 제공하는 단계(S60), 업데이트 식별력 지수(update discrimination index, UDI)가 기설정치 이상인지 여부를 판단하는 단계(S70), 그리고 UDI)가 기설정치 이상인 경우, 메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터로 대체하는 단계(S80)를 포함한다. 이외에, 메모리 갱신 방법은 다른 단계들을 더 포함할 수 있다. 또한, 메모리 갱신 방법은 전술한 일부 단계들을 생략할 수 있다.
도 1에 도시한 바와 같이, 단계(S10)에서는 회전체의 파형, 진폭 및 위상 정보를 포함하는 특성 변수를 제공한다. 특성 변수들은 회전체의 x축 방향 및 y축 방향에서 각각 센서에 의해 측정된다. 이를 도 2를 통하여 좀더 상세하게 설명한다.
도 2는 도 1의 비정상 지수를 제공하는 단계(S40)를 개략적으로 나타낸다. 도 2에 도시한 바와 같이, 2개의 센서들로 이루어지고 그 설치 각도가 90°를 형성하도록 x축 센서 및 y축 센서를 회전체 주위에 설치한다. 도 2는 그 설치 예시로서 수직선을 기준으로 x축 센서 및 y축 센서가 각각 45°를 이루는 경우를 예시한다. 회전체는 반시계방향으로 회전한다. x축 센서 및 y축 센서는 진동 계측 센서로서 회전체의 파형, 진폭(amplitude) 및 위상(phase)을 추출한다. 회전체의 파형은 연속적으로 측정되고, 회전체의 진폭과 위상은 1~NX 성분으로 측정된다.
다시 도 1로 되돌아가면, 단계(S20)에서는 정상 상태 이력의 메모리 매트릭스를 제공한다. 즉, 정상 상태 이력의 데이터 세트를 이용하여 메모리 매트릭스를 생성한다. 정상 상태 이력의 데이터 세트는 MSET 모델부에 포함된 데이터베이스로부터 로딩하여 사용할 수 있다. 인공 지능 기술의 발달로 뉴럴 네트워크 방법(Artificial Neural Network, ANN) 등을 사용하여 설비 이상 감지에 적용되는 사례가 늘고 있다. 그러나 복잡한 파라미터 결정 과정이 필요한 ANN 방식과 달리 MSET 메모리 매트릭스는 설비가 이상이 없는 경우에 측정되는 데이터, 즉 정상 상태의 운전 데이터만을 활용하여 이상 감지가 가능하다. 따라서 MSET 메모리 매트릭스는 현실적으로 산업 현장에 적용하기에 가장 간단하면서도 강력하다.
다음으로, 단계(S30)에서는 메모리 매트릭스와 특성 변수를 이용하여 예측값을 제공한다. 즉, x축 방향의 특성 변수를 x라고 하고, 상기 y축 방향의 특성 변수를 y라고 하는 경우, 아래의 수학식 1에 의해 하기 ◎을 정의한다. 그리고 아래의 수학식 2에 의해 예측값을 도출한다.
[수학식 1]
[수학식 2]
여기서, 는 예측값이고, D는 메모리 매트릭스이고, D T 는 상기 메모리 매트릭스의 전치 행렬이며, X obs 는 특성 변수의 실측값이다.
단계(S40)에서는 전술한 예측값과 전술한 정상 상태의 메모리 매트릭스의 차로 비정상 지수(Anomaly Index, AI)를 제공한다. 이 차는 아래의 수학식 3에 의해 생성한다. 진동 신호 유형별로 물리적 특성을 반영한 비정상 지수와 가중치를 사용하여 정상 신호 대비 변화 정도를 수치화한다.
회전체의 진동 크기 및 파형 형태는 정상 범주 내에서 넓은 범위를 가지면서 지속적으로 변화한다. 또한, 회전체에 설치된 저널 베어링의 공차에 따라 축 거동의 한계가 결정되는 특수성을 가지므로, 이를 반영한 비정상 지수를 생성한다. 즉, 회전체의 파형 형태, 회전체의 진동 크기, 및 회전체에 설치된 저널 베어링의 공차에 따라 비정상 지수를 구한다.
첫째로, 비정상 지수는 초당 취득되는 진동 파형 최고값에서 RMS(root mean square)를 뺀 값을 베어링 공차에서 RMS를 뺀 값으로 나누고, 가중치 요소를 더하여 물리적 특성이 반영되도록 수식화한다. 가중치는 진동 파형의 변화량을 정량적으로 반영하기 위해 동적 워핑 방식을 적용하여 정상 신호 파형의 동적 워핑 결과 대비 새로운 계측 파형의 결과 비를 수치화하여 적용한다.
[수학식 3]
여기서, AI는 비정상 지수이고, Peak는 초당 취득 진동 파형 최고값이며, Bearing Clearance는 회전체에 포함된 베어링 공차이며, RMS는 각각 그 제곱 평균 제곱근(root mean square)이고, f는 가중치이다.
여기서, 가중치는 그 수치만큼의 비율로 비정상 지수에 추가되며, 아래의 수학식 4에 의해 제공된다.
[수학식 4]
여기서, DTW Index (new)는 새로운 신호 파형의 동적 워핑이고, DTW Index (normal)는 정상 신호 파형의 동적 워핑이다.
둘째로, 비정상 지수를 회전체의 진동 크기로부터 구할 수 있다. 즉, 회전체의 진동 파형이 회전체의 진동 크기를 반영하므로, 전술한 수학식 3을 그대로 사용할 수 있다.
한편, 회전체의 진동 크기에서의 가중치는 아래의 수학식 5에 의해 제공될 수도 있다. 즉, 수학식 5는 1∼NX 성분 위상 정보를 기반으로 한 비정상 지수를 나타낸다. 가중치는 물리적 특성을 극대화하기 위해 정상 진동 신호 1X 성분 대비, 1X, 2X, 3X, 등 NX 크기 비의 합을 사용해 계산한다.
[수학식 5]
여기서, normal 1X는 정상 신호의 성분 위상이고, 1X, …, nX는 각 측정시 신호의 성분 위상이다.
셋째로, 회전체에 설치된 저널 베어링의 공차로부터 비정상 지수를 구할 수 있다. 즉, 도 2에 도시한 바와 같이, 일정한 속도로 회전 중인 축은 물리적으로 동일한 위상을 가져야 한다. 즉, 다른 위치에서 측정하더라도 2개의 센서들 사이의 각도차만큼 위상을 나타내야 한다. 이러한 센서 설치 측정 원리는 정상 신호를 구분하기 위한 바람직한 참고 수치로 활용할 수 있다. 본 발명의 일 실시예에서는 2개의 센서들을 사용하여 측정되는 x축 및 y축의 위상차가 90°를 벗어나는 경우, 비정상 지수는 높게 나타난다.
다시 도 1의 단계(S50)로 되돌아가면, 아래의 수학식 6은 전술한 센서 설치 측정 원리를 반영하여 회전체에 설치된 저널 베어링의 공차로부터 비정상 지수를 도출한다. 즉, 비정상 지수를 아래의 수학식 6에 의해 제공할 수 있다.
[수학식 6]
여기서, ∠X는 x축용 센서의 설치 각도이고, ∠Y는 y축용 센서의 설치 각도이며, Sen position gap ∠X, Y는 상기 ∠X 및 ∠Y의 각도차이고, f는 가중치이다.
전술한 가중치는 아래의 수학식 7에 의해 제공될 수 있다. 1∼NX 성분 위상 정보의 가중치는 저널 베어링의 x축 및 y축에서의 1X 위상 정보를 기준으로 이력 데이터의 x축 센서 및 y축 센서의 1X 위상 성분비에서 새로운 데이터의 동일 성분비를 뺀 값으로 정의한다.
[수학식 7]
여기서, Sen X ∠1X(history)/Sen Y ∠1X(history)는 x축 및 y축의 1X 위상 정보를 기준으로 한 이력 데이터의 x축용 센서 및 y축용 센서의 1X 성분비이다. 또한, Sen X ∠1X(new)/Sen Y ∠1X(new)는 x축 및 y축의 1X 위상 정보를 기준으로 한 신규 데이터의 x축용 센서 및 y축용 센서의 1X 성분비이다.
다음으로, 단계(S50)에서는 데이터 유사도 최종값을 제공한다. 즉, MSET 알고리즘의 결과값인 예측값, 비정상 지수, 및 가중치가 포함된 아래의 수학식 8을 이용해 데이터 유사도 최종값을 제공한다.
[수학식 8]
여기서, AI(f)i는 특성 신호별 비정상 지수이고, x(i)는 실측값이며, 는 MSET 기반의 예측값이고, VK(x)는 데이터 유사도 최종값이다.
전술한 수학식 8을 통해 최종적으로 신규 데이터의 기존 정상 데이터군과의 유사 정도를 수치화한다. 전술한 바와 같이, 비정상 지수는 회전체 주위에 설치된 센서로부터 수신한 회전체의 파형, 진폭 및 위상으로 정의되어 계산된다.
단계(S60)에서는 데이터 유사도 최종값으로부터 업데이트 식별력 지수(UDI)를 제공한다. 즉, 단계(S20)에서 얻어진 메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터군으로 대체할지 여부를 결정하기 위해 아래의 수학식 9로부터 식별력 지수(update discrimination index, UDI)를 구한다.
[수학식 9]
다음으로, 단계(S70)에서는 전술한 수학식 9에서 얻어진 업데이트 식별력 지수가 기설정치 이상인지 여부를 판단한다. 식별력 지수의 값이 클수록 신규 데이터를 단계(S20)에서 제공된 메모리 매트릭스에 포함시켜도 무방하다.
단계(S80)에서는 UDI가 기설정치 이상인 경우, 메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터로 대체한다. 여기서, 기설정치는 0 내지 25일 수 있다. 아래의 수학식 10으로 나타낸 바와 같이, 좌측의 적색 점선으로 나타낸 가장 오래된 데이터가 삭제되면서 우측의 청색 점선으로 나타낸 신규 측정 데이터로 대체된다.
[수학식 10]
전술한 수학식 10을 단계(S80)에서의 실행 결과 전후로 나타내면 아래의 [수학식 11]과 같다. 즉, [수학식 11]에 기재한 바와 같이, UDI 판별 후 메모리 매트릭스가 갱신되면서 좌측의 가장 오래된 데이터는 삭제되고, 우측에 신규 측정 데이터가 추가된다.
[수학식 11]
이러한 방법을 이용하여 메모리 데이터를 전문 인력의 도움 없이도 반영구적으로 자동으로 갱신할 수 있다. 그 결과, 해당 시스템의 유지 보수를 위한 추가 비용 및 시간 소요를 최소화하여 MSET 알고리즘의 정확도를 일정하게 유지할 수 있다.
한편, 이와는 달리, 단계(S80)에서는 UDI)가 기설정치 미만인 경우, 단계(S10)로 되돌아간다. 그리고 단계(S10)부터 그 이하의 단계들을 차례로 반복한다.
전술한 바와 같이, MSET은 과거의 정상상태 데이터의 특징값을 기반으로 새로운 예측값을 계산하고 실제 계측값과 예측값 차이의 정도를 추정하여 고장을 감지한다. 모든 데이터 기반의 이상 감지 모델처럼 MSET 모델의 정확도는 학습 데이터, 즉 메모리 매트릭스의 큰 영향을 받는다. 설비의 이상을 판별할 수 있는 높은 정확도의 MSET 모델을 구축하기 위해서는 정상 운전 조건에서 취득된 대표성을 갖는 데이터 군으로 된 메모리 매트릭스가 필요하다. 즉, 메모리 매트릭스의 구성 정도에 따라 이상 감지 정확도, 즉 MSET 모델 정확도가 달라진다. 전술한 본 발명의 일 실시예에 따른 메모리 갱신 방법을 통해 MSET 모델 정확도를 향상시킬 수 있다. 이와는 달리, 주기적으로 메모리 매트릭스를 갱신하지 않는 경우, 많은 이상 감지 알람 오류가 발생한다. 이에 따라 MSET 모델의 정확도도 감소한다. 이하에서는 도 1의 메모리 갱신 방법의 적용 예시를 도 3을 통하여 상세하게 설명한다.
도 3은 도 1의 회전체 제어용 메모리 갱신 방법의 적용 순서도를 개략적으로 나타낸다. 도 3의 회전체 제어용 메모리 갱신 방법의 적용 순서도는 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서 메모리 갱신 방법의 적용 순서도를 다르게 변형할 수 있다. 한편, 도 3의 단계(S10), 단계(S20), 단계(S30), 단계(S40), 단계(S50), 단계(S60) 및 단계(S70)는 도 1의 단계들과 유사하므로, 동일한 도면 부호를 사용하고 그 상세한 설명을 생략한다.
도 3은 회전체(10)와 연결되는 MSET 메모리 매트릭스 생성 과정과 이와 연결된 MSET 실시간 메모리 매트릭스 갱신 과정을 나타낸다. 즉, 우측의 본 발명의 일 실시예에 따른 메모리 갱신 방법이 좌측의 MSET 메모리 매트릭스 생성 과정에 연결된다.
회전체(10)의 저널 베어링에서는 각각 진동이 감지된다. 이는 예를 들면, 저널 베어링 진동 A와 저널 베어링 진동 B로 구분된다.
도 3에 점선 박스로 도시한 바와 같이, 단계(S12)에서는 MSET 학습 데이터가 선택된다. 다음으로, 단계(S15)에서는 데이터 분류 작업이 이루어지고, 분류된 데이터에 따라 단계(S20)에서는 메모리 매트릭스가 생성된다. 단계(S10)에서는 데이터를 취득해 메모리 매트릭스를 포함하는 MSET 모델에 단계(S25)에서 제공된다. 단계(S30)에서는 전술한 예측값 및 차가 제공되고 단계(S35)에서 이상 여부가 감지된다. 만약, 이상이 있는 경우, 이상 감지 알람(S90)이 발생한다. 이와는 달리, 이상이 없는 경우, 단계(S40)에서 신규 계측 데이터 비정상지수가 제공된다.
한편, 도 3의 우측에 나타낸 MSET 실시간 메모리 매트릭스 갱신 과정에서는 도 1의 메모리 갱신이 이루어진다. 메모리 갱신 후에 단계(S70)에서 UDI가 기설정치 이상인 경우, 단계(S95)에서 데이터가 단순 저장된다. 이와는 달리, 단계(S70)에서 UDI가 기설정치 미만인 경우, 도 1의 단계(S80)가 이루어진다.
단계(S80)는 단계(S801) 및 단계(S803)를 포함한다. 먼저, 단계(S801)에서는 메모리 매트릭스에서 오래된 데이터를 제거한다. 그리고 단계(S803)에서는 신규 측정 데이터를 메모리 매트릭스에 삽입하여 메모리 매트릭스를 갱신한다. 이와 같이 갱신된 메모리 매트릭스는 MSET 모델에 반영된다.
발전소에서는 많은 회전체들이 사용된다. 이러한 회전체들에는 MSET 모델 등 다변수 상태 예측 기술이 사용된 이상 감지 시스템을 설치하여 운영하고 있다. 그러나 이러한 MSET 모델의 예측 정확도 감소 현상을 최소화하기 위해 최소 수천만원의 주기적으로 많은 비용이 필요하다. 나아가, 설비 적용 대수와 감시 대상 신호 수에 따라 모델 보완 금액이 배가 되고, 소프트웨어 전문 인력을 투입하여 평균 3∽6개월이나 소요되는 등 장기간이 소요되는 문제점도 있었다. 그럼에도 불구하게 불규칙하게 발생되는 정비/운영 환경의 변화로 예측모델 정확도 변동 폭이 심해 잦은 경고 알람이 발생하는 현상은 즉각적인 대응이 어려웠다. 설상가상으로, 설비 담당자가 직접 오류를 확인하고 분석해야 하는 업무량은 기하 급수적으로 늘어나고 있다. 본 발명의 일 실시예에 따른 데이터 갱신 방법에서는 이러한 문제점을 해결할 수 있다.
도 4는 발명의 일 실시예에 따른 회전체 제어용 메모리 갱신 시스템(100)의 블록도를 개략적으로 나타낸다. 도 4의 메모리 갱신 시스템(100)의 구조는 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서 메모리 갱신 시스템(100)을 다르게 변형할 수 있다.
도 4에 도시한 바와 같이, 메모리 갱신 시스템(100)은 회전체(10), 센서부(20), MSET 모델부(30), 및 제어부(40)를 포함한다. 이외에, 메모리 갱신 시스템(100)은 다른 구성요소를 더 포함할 수 있다.
센서부(20)는 x축 방향 센서(201) 및 y축 방향 센서(203)를 포함한다. x축 방향 센서(201) 및 y축 방향 센서(203)는 회전체(10)의 x축 방향 및 y축 방향에 각각 설치된다. 센서부(20)는 x축 방향 센서(201) 및 y축 방향 센서(203)를 이용해 회전체(10)의 파형, 진폭 또는 위상 정보 등의 특성 변수를 추출한다.
MSET 모델부(30)는 센서부(20)와 유선 또는 무선으로 연결된다. MSET 모델부(30)는 특성 변수를 이용해 정상 상태 이력의 메모리 매트릭스를 생성한다.
제어부(40)는 센서부(20) 및 MSET 모델부(30)와 연결되어 이들을 제어한다. 제어부(40)는 메모리 매트릭스와 특성 변수를 이용하여 예측값을 도출한다. 그리고 예측값과 그 차를 이용하여 신규 계측 데이터의 비정상 지수, 데이터 유사도 최종값, UDI를 차례로 제공한다. 그 결과, UDI가 기설정치 이상인지 여부를 판단하여 메모리 매트릭스에서 가장 오래된 데이터를 제거하고 신규 측정 데이터를 삽입해 메모리 매트릭스를 갱신할 수 있다. 이러한 제어부(40)의 기능은 전술한 내용과 동일하므로 그 상세한 설명을 생략한다.
이하에서는 실험예를 통하여 본 발명을 상세하게 설명한다. 이러한 실험예는 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다.
실험예
가스터빈의 저널 베어링의 x축 및 y축에 각각 센서를 설치하였다. 그리고 도 2의 메모리 갱신 방법과 동일한 방법으로 신규 측정 데이터로부터 MSET 메모리 갱신에 따른 예측값을 생성하였다. 나머지 실험 과정은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 이해할 수 있으므로, 그 상세한 설명을 생략한다.
비교예
실험예의 메모리 갱신 방법을 제외하고는 동일한 방법으로 예측값을 생성하였다. 나머지 실험 과정은 전술한 실험예와 동일하였다.
실험예 1
가스터빈의 저널 베어링의 x축 센서를 이용하여 진동 특성값 A를 추출하였다. (도 2 참조) 전술한 실험예에서 메모리 갱신 방법을 이용하여 예측값을 생성하였다. 나머지 실험 과정은 전술한 실험예와 동일하였다.
실험예 2
가스터빈의 저널 베어링의 y축 센서를 이용하여 진동 특성값 B를 추출하였다. (도 2 참조) 전술한 실험예에서 메모리 갱신 방법을 이용하여 예측값을 생성하였다. 나머지 실험 과정은 전술한 실험예 1과 동일하였다.
비교예 1
메모리 갱신 방법을 사용하지 않은 것을 제외하고는 실험예 1과 동일한 방법으로 실험하였다.
비교예 2
메모리 갱신 방법을 사용하지 않은 것을 제외하고는 실험예 1과 동일한 방법으로 실험하였다.
실험예 1의 실험 결과
도 5는 본 발명의 실험예 1에 따른 신규 계측 데이터 및 그 예측값의 그래프를 나타낸다.
도 5에 도시한 바와 같이, 실험예 1에서는 실제 측정값과 예측값이 유사하게 분포하는 것을 알 수 있었다. 즉, 실시간으로 진동 데이터의 물리적 특성을 고려해 MSET 모델의 메모리 매트릭스를 자동으로 갱신하므로, MSET 모델의 정확도가 상당히 안정적으로 일정하게 유지되고 있음을 알 수 있었다.
실험예 2의 실험 결과
도 6은 본 발명의 실험예 2에 따른 신규 계측 데이터 및 그 예측값의 그래프를 나타낸다.
도 6에 도시한 바와 같이, 실험예 2에서는 실제 측정값과 예측값이 도 5와 유사하게 분포하는 것을 알 수 있었다. 즉, 실시간으로 진동 데이터의 물리적 특성을 고려해 MSET 모델의 메모리 매트릭스를 자동으로 갱신하므로, MSET 모델의 정확도가 상당히 안정적으로 일정하게 유지되고 있음을 알 수 있었다.
비교예 1의 실험 결과
도 7은 종래 기술의 비교예 1에 따른 신규 계측 데이터 및 그 예측값의 그래프를 나타낸다.
도 7에 도시한 바와 같이, MSET 알고리즘을 통한 예측값을 활용해 이상 감지 여부를 판별시 메모리 갱신 기술을 적용하지 않는 경우, 정상운전 범위 안에서 데이터 특성이 약간씩 변화하는 환경하에서는 진동 신호의 신규 특성값과 예측값의 차이가 큰 시점이 빈번하게 발생한다. 즉, 모델 정확도의 감소(degradation) 현상이 발생하는 것을 확인할 수 있었다.
비교예 2의 실험 결과
도 8은 종래 기술의 비교예 2에 따른 신규 계측 데이터 및 그 예측값의 그래프를 나타낸다.
도 8에 도시한 바와 같이, MSET 알고리즘을 통한 예측값을 활용해 이상 감지 여부를 판별시 메모리 갱신 기술을 적용하지 않는 경우, 도 7과 유사하게 정상운전 범위 안에서 데이터 특성이 약간씩 변화하는 환경하에서는 진동 신호의 신규 특성값과 예측값의 차이가 큰 시점이 빈번하게 발생한다. 즉, 모델 정확도의 감소 현상이 발생하는 것을 확인할 수 있었다.
본 발명을 앞서 기재한 바에 따라 설명하였지만, 다음에 기재하는 특허청구범위의 개념과 범위를 벗어나지 않는 한, 다양한 수정 및 변형이 가능하다는 것을 본 발명이 속하는 기술 분야에서 종사하는 자들은 쉽게 이해할 것이다.
10. 회전체
20. 센서부
30. 메모리부
40. MSET 모델부
50. 제어부
201, 203. 센서
100. 메모리 갱신 시스템

Claims (24)

  1. 다변수 상태 예측 기술(multivariate state estimation technique, MSET)에서의 회전체 제어용 메모리 갱신 방법으로서,
    상기 회전체의 x축 방향 및 y축 방향에서 각각 상기 회전체의 파형, 진폭 및 위상으로 이루어진 군에서 선택된 하나 이상의 특성 변수를 추출하는 단계,
    정상 상태 이력의 메모리 매트릭스를 생성하는 단계,
    상기 메모리 매트릭스와 상기 특성 변수를 이용하여 예측값을 도출하는 단계, 및
    상기 예측값에 기초하여 상기 메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터로 대체하는 단계
    를 포함하는 메모리 갱신 방법.
  2. 제1항에서,
    상기 예측값을 도출하는 단계는,
    상기 x축 방향의 특성 변수를 x라고 하고, 상기 y축 방향의 특성 변수를 y라고 하는 경우, 하기 수학식 1에 의해 하기 ◎을 정의하고,
    하기 수학식 2에 의해 상기 예측값을 도출하는 메모리 갱신 방법.
    [수학식 1]


    [수학식 2]


    상기 는 상기 예측값이고, 상기 D는 메모리 매트릭스이고, 상기 D T 는 상기 메모리 매트릭스의 전치 행렬이며, 상기 X obs 는 상기 특성 변수의 실측값임.
  3. 제2항에서,
    상기 예측값과 상기 정상 상태의 메모리 매트릭스의 차를 비정상 지수(Anomaly Index, AI)로 제공하는 단계를 더 포함하고, 상기 차는 하기의 수학식 3에 의해 생성되는 메모리 갱신 방법.
    [수학식 3]

    상기 AI는 비정상 지수이고, 상기 Peak는 초당 취득 진동 파형 최고값이며, 상기 RMS는 제곱 평균 제곱근(root mean square)이고, 상기 Bearing Clearance는 상기 회전체에 포함된 베어링 공차이며, 상기 f는 가중치임.
  4. 제3항에서,
    상기 가중치는 하기의 수학식 4에 의해 제공되는 메모리 갱신 방법.
    [수학식 4]

    상기 DTW Index (new)는 새로운 신호 파형의 동적 워핑이고, 상기 DTW Index (normal)는 정상 신호 파형의 동적 워핑임.
  5. 제3항에서,
    상기 가중치는 하기의 수학식 5에 의해 제공되는 메모리 갱신 방법.
    [수학식 5]

    상기 normal 1X는 정상 신호의 성분 위상이고, 상기 1X, …, nX는 각 측정시 신호의 성분 위상임.
  6. 제2항에서,
    상기 예측값과 상기 정상 상태의 메모리 매트릭스의 차를 비정상 지수(Anomaly Index, AI)로 생성하는 단계를 더 포함하고, 상기 비정상 지수는 하기 수학식 6에 의해 제공하는 메모리 갱신 방법.
    [수학식 6]

    상기 ∠X는 x축용 센서의 설치 각도이고, 상기 ∠Y는 y축용 센서의 설치 각도이며, 상기 Sen position gap ∠X, Y는 상기 ∠X 및 ∠Y의 각도차이고, 상기 f는 가중치임.
  7. 제6항에서,
    상기 가중치는 하기 수학식 7에 의해 제공되는 메모리 갱신 방법.
    [수학식 7]

    상기 Sen X ∠1X(history)/Sen Y ∠1X(history)는 x축 및 y축의 1X 위상 정보를 기준으로 한 이력 데이터의 x축용 센서 및 y축용 센서의 1X 성분비이고 상기 Sen X ∠1X(new)/Sen Y ∠1X(new)는 x축 및 y축의 1X 위상 정보를 기준으로 한 신규 데이터의 x축용 센서 및 y축용 센서의 1X 성분비임.
  8. 제7항에서,
    하기 수학식 8에 의해 데이터 유사도 최종값을 제공하는 단계를 더 포함하는 메모리 갱신 방법.
    [수학식 8]

    상기 AI(f)i는 상기 특성 신호별 비정상 지수이고, 상기 x(i)는 실측값이며, 상기 는 상기 MSET 기반의 예측값이고, 상기 VK(x)는 상기 데이터 유사도 최종값임.
  9. 제8항에서,
    상기 메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터로 대체하는 단계에서 하기의 수학식 9의 업데이트 식별력 지수(update discrimination index, UDI)가 기설정치 이상인 메모리 갱신 방법.
    [수학식 9]
  10. 제9항에서,
    상기 기설정치는 0 내지 25인 메모리 갱신 방법.
  11. 제9항에서,
    상기 메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터로 대체하는 단계는,
    상기 오래된 데이터를 제거하는 단계, 및
    상기 신규 측정 데이터를 상기 메모리 매트릭스에 삽입하는 단계
    를 포함하는 메모리 갱신 방법,
  12. 제9항에서,
    상기 수학식 9의 업데이트 식별력 지수(update discrimination index, UDI)가 기설정치 미만인 경우, 상기 특성 변수를 추출하는 단계로 되돌아가는 단계를 더 포함하는 메모리 갱신 방법.
  13. 제1항 내지 제12항 중 어느 한 항의 메모리 갱신 방법이 저장된 컴퓨터 기록 매체.
  14. 다변수 상태 예측 기술(multivariate state estimation technique, MSET)에서의 회전체 제어용 메모리 갱신 시스템으로서,
    회전체,
    상기 회전체의 x축 방향 및 y축 방향에서 각각 설치되어 상기 회전체의 파형, 진폭 및 위상으로 이루어진 군에서 선택된 하나 이상의 특성 변수를 추출하는 센서들을 포함하는 센서부,
    정상 상태 이력의 메모리 매트릭스를 생성하는 MSET 모델부, 및
    상기 메모리 매트릭스와 상기 특성 변수를 이용하여 예측값을 도출하고, 상기 예측값에 기초해 상기 메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터로 대체하는 제어부
    를 포함하는 메모리 갱신 시스템.
  15. 제14항에서,
    상기 제어부는 상기 x축 방향의 특성 변수를 x라고 하고, 상기 y축 방향의 특성 변수를 y라고 하는 경우, 하기 수학식 1에 의해 하기 ◎을 정의하고,
    하기 수학식 2에 의해 상기 예측값을 도출하는 메모리 갱신 시스템.
    [수학식 1]

    [수학식 2]

    상기 는 상기 예측값이고, 상기 D는 메모리 매트릭스이고, 상기 D T 는 상기 메모리 매트릭스의 전치 행렬이며, 상기 X obs 는 상기 특성 변수의 실측값인 메모리 갱신 방법.
  16. 제15항에서,
    상기 제어부는 상기 예측값과 상기 정상 상태의 메모리 매트릭스의 차를 비정상 지수(Anomaly Index, AI)로 제공하고, 상기 차는 하기의 수학식 3에 의해 생성되는 메모리 갱신 시스템.
    [수학식 3]

    상기 AI는 비정상 지수이고, 상기 Peak는 초당 취득 진동 파형 최고값이며, 상기 RMS는 제곱 평균 제곱근(root mean square)이고, 상기 Bearing Clearance는 상기 회전체에 포함된 베어링 공차이며, 상기 f는 가중치임.
  17. 제16항에서,
    상기 가중치는 하기의 수학식 4에 의해 제공되는 메모리 갱신 시스템.
    [수학식 4]

    상기 DTW Index (new)는 새로운 신호 파형의 동적 워핑이고, 상기 DTW Index (normal)는 정상 신호 파형의 동적 워핑임.
  18. 제16항에서,
    상기 가중치는 하기의 수학식 5에 의해 제공되는 메모리 갱신 시스템.
    [수학식 5]

    상기 normal 1X는 정상 신호의 성분 위상이고, 상기 1X, …, nX는 각 측정시 신호의 성분 위상인 메모리 갱신 방법.
  19. 제15항에서,
    상기 제어부는 상기 예측값과 상기 정상 상태의 메모리 매트릭스의 차를 비정상 지수(Anomaly Index, AI)로 생성하고, 상기 비정상 지수는 하기 수학식 6에 의해 제공하는 메모리 갱신 시스템.
    [수학식 6]

    상기 ∠X는 x축용 센서의 설치 각도이고, 상기 ∠Y는 y축용 센서의 설치 각도이며, 상기 Sen position gap ∠X, Y는 상기 ∠X 및 ∠Y의 각도차이고, 상기 f는 가중치임.
  20. 제19항에서,
    상기 가중치는 하기 수학식 7에 의해 제공되는 메모리 갱신 시스템.
    [수학식 7]

    상기 Sen X ∠1X(history)/Sen Y ∠1X(history)는 x축 및 y축의 1X 위상 정보를 기준으로 한 이력 데이터의 x축용 센서 및 y축용 센서의 1X 성분비이고 상기 Sen X ∠1X(new)/Sen Y ∠1X(new)는 x축 및 y축의 1X 위상 정보를 기준으로 한 신규 데이터의 x축용 센서 및 y축용 센서의 1X 성분비임.
  21. 제14항에서,
    상기 제어부는 하기 수학식 8에 의해 데이터 유사도 최종값을 제공하는 메모리 갱신 시스템.
    [수학식 8]

    상기 AI(f)i는 상기 특성 신호별 비정상 지수이고, 상기 x(i)는 실측값이며, 상기 는 상기 MSET 기반의 예측값이고, 상기 VK(x)는 상기 데이터 유사도 최종값임.
  22. 제21항에서,
    상기 제어부가 상기 메모리 매트릭스의 가장 오래된 데이터를 신규 측정 데이터로 대체하는 경우, 하기의 수학식 9의 업데이트 식별력 지수(update discrimination index, UDI)가 기설정치 이상인 메모리 갱신 시스템.
    [수학식 9]
  23. 제22항에서,
    상기 기설정치는 0 내지 25인 메모리 갱신 시스템.
  24. 제14항에서,
    상기 회전체는 가스터빈의 저널 베어링인 메모리 갱신 시스템.
KR1020220118893A 2022-09-20 2022-09-20 다변수 상태 예측 기술에서의 메모리 자동 갱신 방법, 장치 및 컴퓨터 기록매체 KR102646314B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220118893A KR102646314B1 (ko) 2022-09-20 2022-09-20 다변수 상태 예측 기술에서의 메모리 자동 갱신 방법, 장치 및 컴퓨터 기록매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220118893A KR102646314B1 (ko) 2022-09-20 2022-09-20 다변수 상태 예측 기술에서의 메모리 자동 갱신 방법, 장치 및 컴퓨터 기록매체

Publications (1)

Publication Number Publication Date
KR102646314B1 true KR102646314B1 (ko) 2024-03-11

Family

ID=90248873

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220118893A KR102646314B1 (ko) 2022-09-20 2022-09-20 다변수 상태 예측 기술에서의 메모리 자동 갱신 방법, 장치 및 컴퓨터 기록매체

Country Status (1)

Country Link
KR (1) KR102646314B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101184544B1 (ko) * 2008-08-04 2012-09-19 닛산 지도우샤 가부시키가이샤 전극재 건조 방법 및 장치
KR101674154B1 (ko) * 2012-03-16 2016-11-10 (주)테크윙 사이드도킹식 테스트핸들러

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101184544B1 (ko) * 2008-08-04 2012-09-19 닛산 지도우샤 가부시키가이샤 전극재 건조 방법 및 장치
KR101674154B1 (ko) * 2012-03-16 2016-11-10 (주)테크윙 사이드도킹식 테스트핸들러

Similar Documents

Publication Publication Date Title
KR101903283B1 (ko) 발전 설비의 자동 진단 시스템 및 자동 진단 방법
JP6810097B2 (ja) 異常検出器
CN107272586B (zh) 机械学习装置、机械学习方法、故障预知装置及系统
JP4850857B2 (ja) 予測状態監視における変化状態の適応モデリング
US20130197854A1 (en) System and method for diagnosing machine tool component faults
JP7282184B2 (ja) 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
JP5530019B1 (ja) 異常予兆検知システム及び異常予兆検知方法
JP5306902B2 (ja) 資産システムの高性能条件監視のためのシステムおよび方法
US20170331844A1 (en) Systems and methods for assessing airframe health
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
EP3975077A1 (en) Monitoring device and method for segmenting different times series of sensor data points
CN113196311A (zh) 用于识别和预测机器的异常感测行为模式的系统和方法
Jain et al. Dynamic optimization of process quality control and maintenance planning
KR102694136B1 (ko) 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템
KR102646314B1 (ko) 다변수 상태 예측 기술에서의 메모리 자동 갱신 방법, 장치 및 컴퓨터 기록매체
CN112987682A (zh) 控制方法、控制装置和机械设备
JP7532994B2 (ja) 異常検知システム、情報処理装置および情報処理プログラム
Patel et al. Gas turbine engine condition monitoring using statistical and neural network methods
EP2287685B1 (en) Method for monitoring operation behaviour of a component of an industrial plant
US11228606B2 (en) Graph-based sensor ranking
EP4008605A1 (en) Method and device for diagnosing a railroad switch with a point machine
Dobossy et al. Fault detection and identification on pneumatic production machine
US20240004379A1 (en) Anomaly classification device
Ling et al. A practical system for online diagnosis of control valve faults
JP7416015B2 (ja) 情報処理装置、アラーム予測方法およびアラーム予測プログラム

Legal Events

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