KR102669408B1 - 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템 - Google Patents
고장 예측 및 진단 기능이 구비된 재난대응 배수시스템 Download PDFInfo
- Publication number
- KR102669408B1 KR102669408B1 KR1020230156904A KR20230156904A KR102669408B1 KR 102669408 B1 KR102669408 B1 KR 102669408B1 KR 1020230156904 A KR1020230156904 A KR 1020230156904A KR 20230156904 A KR20230156904 A KR 20230156904A KR 102669408 B1 KR102669408 B1 KR 102669408B1
- Authority
- KR
- South Korea
- Prior art keywords
- sensor
- pump
- unit
- data
- room
- Prior art date
Links
- 230000006870 function Effects 0.000 title claims abstract description 49
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 230000004044 response Effects 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 76
- 238000005259 measurement Methods 0.000 claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 62
- 238000004804 winding Methods 0.000 claims description 23
- 239000012530 fluid Substances 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 description 31
- 238000013528 artificial neural network Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 22
- 238000012549 training Methods 0.000 description 17
- 238000001514 detection method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 230000018199 S phase Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005086 pumping Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000006424 Flood reaction Methods 0.000 description 2
- 229910001219 R-phase Inorganic materials 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
- 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]
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0077—Safety measures
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/02—Stopping of pumps, or operating valves, on occurrence of unwanted conditions
-
- 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
-
- 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
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 펌프에 설치되어 상기 펌프의 상태를 실시간으로 측정하는 다수의 센서를 포함하는 모니터링 유닛; 상기 모니터링 유닛의 센서로부터 측정데이터를 전달받아, 상기 측정데이터를 기반으로 제어신호를 생성하는 제어연산부; 및 상기 제어연산부에서 생성된 제어신호를 기반으로 상기 펌프의 동작을 제어하는 컨트롤 유닛;을 포함하고, 상기 제어연산부는, 프로세서(Processor); 상기 모니터링 유닛의 센서로부터 측정된 측정데이터가 입력되어 상기 측정데이터를 상기 프로세서로 전달하는 입력모듈; 데이터가 기록되는 데이터베이스; 및 상기 프로세서와 연결되어 입력된 측정데이터를 분석하여 정상여부를 판단하는 진단부;를 포함하도록 구성된 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템에 관한 것이다.
Description
본 발명은 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템에 관한 것으로서, 더욱 상세하게는 다수의 복합 센서들을 기반으로 펌프의 고장을 예측하고 실시간 상태를 진단할 수 있는 재난대응 배수시스템에 관한 것이다.
각국에서는 기후 변화에 대한 대응역량을 강화하기 위하여 태풍이나 홍수 등의 재난에 관한 선제적 상황 관리 및 대응 인프라를 새롭게 구축하고 있다. 특히, 국내에서는 태풍의 대형화와 국지성, 게릴라성 집중호우가 늘어나 풍수해에 대한 근원적인 예방대책과 체계적인 복구대책이 요구되고 있는 실정이다.
호우를 동반하는 태풍, 홍수 등과 같은 재난상황에서는 피해를 최소화하도록 신속한 배수 처리 과정과 조치가 요구된다. 이때 상기 배수 처리 과정에서 수중모터펌프를 포함하는 배수시스템이 많이 활용되기 때문에, 펌프를 포함하는 배수시스템이 각 도시와 기관에 설치되거나 운용되고 있다.
기 설치된 배수시스템은 노후화 등의 원인으로 인하여 성능 부족 및 고장으로 인해 수방활동에 부적합한 상황이 발생될 수 있다. 매년 배수시스템의 펌프를 주기적으로 점검하기는 하지만 대체적으로 작동이 가능한지 여부만 확인하기 때문에 실제 재난상황에서는 제 성능을 발휘하기가 어려운 문제점이 있다.
한국등록특허공보 제10-2109337에서는 모터 고장 원인까지 검출할 수 있도록 하는 수중 모터 펌프의 지상 모니터링 시스템이 개시되어 있다. 도 1을 참조하면, 상기 수중 모터 펌프의 지상 모니터링 시스템은, 학습 데이터 생성단계(S1), 인공 신경망 학습 단계(S2), 인공 신경망을 기반으로 한 고장 원인 분석 단계(S3) 및 베어링 온도를 기반으로 한 고장 원인 재확인 단계(S4)를 포함하여, 모터 고장 원인을 AI 분석할 수 있도록 제공된다.
위와 같은 수중 모터 펌프의 지상 모니터링 시스템은 기존 설치된 일부의 기능만을 외부에서 관찰하고 고장을 분석할 수 있는 한계점이 있으며, AI 기반으로 분석하여도 일부의 부품에만 국한되는 문제점이 있다. 이는 실제 사용 시에 예기치 못한 문제로 인하여 제품의 성능이 낮아지거나 작동이 불가하여 재난의 피해가 가중되는 문제로 이어질 수 있다.
본 발명은 종래 기술의 문제점을 해결하기 위해 안출된 것으로, 본 발명의 목적은 펌프의 성능 수준을 확인할 수 있으면서 고장에 대한 정의와 고장을 예측 및 판단할 수 있는 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템을 제공하는 것이다.
상기한 바와 같은 목적을 달성하기 위한 본 발명에 따른 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템은, 펌프에 설치되어 상기 펌프의 상태를 실시간으로 측정하는 다수의 센서를 포함하는 모니터링 유닛; 상기 모니터링 유닛의 센서로부터 측정데이터를 전달받아, 상기 측정데이터를 기반으로 제어신호를 생성하는 제어연산부; 및 상기 제어연산부에서 생성된 제어신호를 기반으로 상기 펌프의 동작을 제어하는 컨트롤 유닛;을 포함하고, 상기 제어연산부는, 프로세서(Processor); 상기 모니터링 유닛의 센서로부터 측정된 측정데이터가 입력되어 상기 측정데이터를 상기 프로세서로 전달하는 입력모듈; 데이터가 기록되는 데이터베이스; 및 상기 프로세서와 연결되어 입력된 측정데이터를 분석하여 정상여부를 판단하는 진단부;를 포함할 수 있다.
또한, 상기 진단부는, 단일의 센서에서 측정된 센서데이터를 상기 데이터베이스에 기록된 기준값과 비교하여 정상여부를 판단하는 단일진단부; 및 인공신경망이 탑재되어, 다수의 센서에서 측정된 센서데이터를 상기 인공신경망을 통해 정상여부를 판단하는 복합진단부;를 포함할 수 있다.
또한, 상기 복합진단부는, 상기 모니터링 유닛이 포함하는 복수의 센서들의 각각의 개별 센서데이터를 입력값으로, a 내지 b 사이의 범위를 출력값의 범위로 구분하되,(여기서, 0 ≤ a < b, a와 b는 상수) 상기 출력값의 범위를 3구역으로 분할하여, 상기 출력값에 따라, 정상, 주의, 차단으로 분류하도록 판단할 수 있다.
또한, 상기 복합진단부는, 입력층(Input layer)이 적어도 23개, 은익층(Hidden layer)가 적어도 12개인 다층페셉트론(Multi Layer Perceptron) 알고리즘이 인공신경망에 포함될 수 있다.
또한, 상기 모니터링 유닛은, 복수의 전압센서, 복수의 전류센서, 복수의 온도센서, 복수의 누수센서와, 적어도 하나의 진동센서, 속도센서를 포함할 수 있다.
또한, 상기 펌프는, 전원이 인가되는 전원실, 상기 전원에 의해 임펠러의 축을 구동시키는 회전력을 발생시키는 모터실 및, 상기 임펠러의 블레이드에 의해 유동이 발생되는 펌프실을 포함하되, 상기 모니터링 유닛은, 복수의 누수센서가 상기 모터실의 다른 위치에 설치되어 모터실 내부로의 누수를 단계적으로 측정할 수 있다.
또한, 상기 진단부는, 복수의 상기 누수센서 중, 상기 펌프실에 가장 인접한 하나의 상기 누수센서에서 누수가 검출되면 펌프를 지속 가동하되, 상기 제어연산부는, 하나의 상기 누수센서 보다 상기 펌프실에서 비교적 이격된 다른 하나의 상기 누수센서에서 누수가 검출되면 펌프 가동을 중단하는 제어신호를 생성하여 상기 컨트롤 유닛으로 전송할 수 있다.
또한, 상기 모니터링 유닛은, 상기 모터실에 배치되어 상기 모터실의 권선의 온도를 측정하는 적어도 하나의 온도센서를 포함하고, 상기 제어연산부는, 상기 권선의 온도가 기 설정된 온도 보다 높아지거나 상기 권선에 인접한 누수센서에서 누수가 검출되면 펌프 가동을 중단하는 제어신호를 생성하여 상기 컨트롤 유닛으로 전송할 수 있다.
또한, 상기 펌프는, 전원이 인가되는 전원실, 상기 전원에 의해 임펠러의 축을 구동시키는 회전력을 발생시키는 모터실 및, 상기 임펠러의 블레이드에 의해 유동이 발생되는 펌프실을 포함하되, 상기 모니터링 유닛은, 상기 펌프실에서 유체가 흡입되는 흡입구에 적어도 하나의 온도센서가 배치되어 흡입되는 유체의 온도를 측정하고, 상기 펌프실에서 유체가 토출되는 토출구에 적어도 하나의 온도센서와 압력센서가 배치되어 토출되는 유체의 온도와 압력을 측정할 수 있다.
또한, 상기 제어연산부는, 상기 프로세서의 신호를 출력하여 디스플레이 상에 가시화되는 정보로 출력하는 출력모듈; 및 네트워크를 통해 외부와 통신하여 데이터를 송수신하는 통신모듈;을 더 포함하되, 상기 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템은, 네트워크를 통해 상기 제어연산부와 접속되는 모니터링 서버;를 더 포함하고, 상기 모니터링 서버에서는, 서로 다른 개소에 설치된 복수의 제어연산부로부터 정보를 수신받아 각 개소의 정보가 화면에 출력될 수 있다.
상술한 구성에 의한 본 발명에 따른 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템은, 다수의 센서로부터 수신된 센서데이터를 단일 진단과 복합 진단을 모두 수행하여 고장 여부를 신속하게 파악할 수 있는 장점과, 고장의 원인과 진단까지 세밀하게 분석이 가능한 장점이 있다. 이는 배수시스템을 활용함에 있어서 재난상황 발생 시에 제 성능을 발휘할 수 있어 피해를 최소화할 수 있는 효과로 이어질 수 있다.
아울러 본 발명에 따른 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템은, 다층페셉트론 알고리즘을 이용하여 다수의 입력층의 정보를 기반으로 출력값을 산출하고, 출력값을 상수 범위로 구분하여 보다 정상, 주의, 차단 등 보다 세밀한 형태로 사용자에게 안내해줄 수 있어 유지보수의 효율성이 향상되는 장점이 있다.
아울러 본 발명에 따른 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템은, 복수의 누수센서를 펌프의 모터실에 배치하여 누수 발생시에 권선에 인접하기까지 장치를 활용하여 배수로 인한 재난피해를 최소화할 수 있고, 복수의 상기 누수센서로부터 누적된 데이터를 통해 최초 누수발생시간과 장치 중단까지 소요되는 시간 등을 판단하고 조치할 수 있는 장점이 있다.
도 1은 종래기술에 따른 수중 모터 펌프의 지상 모니터링 시스템의 모터 고장 원인 분석 알고리즘을 나타낸 블록선도.
도 2는 본 발명에 따른 재난대응 배수시스템의 전체 시스템 구성도.
도 3은 본 발명에 따른 재난대응 배수시스템의 주요 시스템 구성도.
도 4는 본 발명에 따른 재난대응 배수시스템의 제어연산부의 구성도.
도 5는 본 발명에 따른 진단부의 세부 구성도.
도 6은 본 발명에 따른 다층페셉트론 알고리즘을 나타낸 도면.
도 7은 본 발명에 따른 다층페셉트론 알고리즘을 적용한 결과 그래프.
도 8은 본 발명에 따른 모니터링 유닛의 센서가 설치된 펌프를 나타낸 도면.
도 9는 본 발명에 따른 다수의 모니터링 컨트롤 유닛과 통신하는 모니터링 서버를 나타낸 도면.
도 10은 본 발명에 따른 재난대응 배수시스템으로부터 생성된 출력화면이 도시된 사용자 단말을 나타낸 도면.
도 2는 본 발명에 따른 재난대응 배수시스템의 전체 시스템 구성도.
도 3은 본 발명에 따른 재난대응 배수시스템의 주요 시스템 구성도.
도 4는 본 발명에 따른 재난대응 배수시스템의 제어연산부의 구성도.
도 5는 본 발명에 따른 진단부의 세부 구성도.
도 6은 본 발명에 따른 다층페셉트론 알고리즘을 나타낸 도면.
도 7은 본 발명에 따른 다층페셉트론 알고리즘을 적용한 결과 그래프.
도 8은 본 발명에 따른 모니터링 유닛의 센서가 설치된 펌프를 나타낸 도면.
도 9는 본 발명에 따른 다수의 모니터링 컨트롤 유닛과 통신하는 모니터링 서버를 나타낸 도면.
도 10은 본 발명에 따른 재난대응 배수시스템으로부터 생성된 출력화면이 도시된 사용자 단말을 나타낸 도면.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 공정, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 공정, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명을 더욱 상세하게 설명한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 또한, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다. 도면들 중 동일한 구성요소들은 가능한 한 어느 곳에서든지 동일한 부호들로 나타내고 있음에 유의해야 한다.
도 2 및 도 3은 본 발명에 따른 재난대응 배수시스템에 관한 것으로, 도 2는 재난대응 배수시스템의 전체 시스템 구성도를, 도 3은 재난대응 배수시스템의 주요 시스템 구성도를 각각 나타낸다.
도 2를 참조하면, 본 발명에 따른 재난대응 배수시스템(10)은, 모니터링 유닛(100), 제어연산부(200) 및 컨트롤 유닛(300)를 포함하여 구성될 수 있다. 이때 상기 모니터링 유닛(100)은 전원실, 모터실, 펌프실로 구분되는 펌프(20) 상에 설치되어 상태를 측정할 수 있으며, 측정된 센서데이터는 상기 제어연산부(200)로 전송될 수 있다. 그리고 상기 제어연산부(200)는 상기 모니터링 유닛(100)으로부터 수신된 센서데이터 또는 외부로부터 수신된 제어명령을 기반으로 제어신호를 생성할 수 있으며, 상기 컨트롤 유닛(300)으로 생성된 제어신호를 전송할 수 있다. 여기서 상기 컨트롤 유닛(300)은 상기 펌프(20)의 On/Off, 속도 등의 동작을 제어하고 상기 펌프(20)로 흡입되는 유체의 유량을 조절할 수 있으며, 릴레이 등을 포함하여 상기 펌프(20)의 동작과 관련된 제어처리를 할 수 있다.
상기 모니터링 유닛(100)은 상기 펌프(20)의 전원실에 배치되는 적어도 하나 이상의 센서들을 포함하는 제1모니터링 유닛(110)과, 상기 펌프(20)의 모터실에 배치되는 적어도 하나 이상의 센서들을 포함하는 제2모니터링 유닛(120)과, 상기 펌프(20)의 펌프실에 배치되는 적어도 하나 이상의 센서들을 포함하는 제3모니터링 유닛(130)을 포함할 수 있다. 이때 상기 펌프(20)는 수중모터펌프로 구현될 수 있으나 이에 한정되지는 않는다.
상기 모니터링 유닛(100)은 상기 펌프(20) 뿐만 아니라 상기 펌프(20)가 설치된 펌프장에 대한 센서데이터를 확보하는 적어도 하나 이상의 센서들을 포함할 수 있다. 여기서 상기 모니터링 유닛(100)은 펌프장의 수온을 측정하는 수온센서와, 펌프장의 수위를 측정하는 수위센서 또는, 유체의 유량을 측정하는 유량센서를 포함할 수 있다.
본 발명에 따른 재난대응 배수시스템(10)은, 네트워크(30)를 통해 상기 제어연산부(200)와 통신하는 모니터링 서버(40)를 더 포함할 수 있다. 이때 상기 네트워크(40)는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
상기 모니터링 서버(40)는 상기 제어연산부(200)로부터 상기 펌프(20)의 센서데이터를 수신받고, 상기 제어연산부(200)로 제어명령을 전송할 수 있다. 또한 상기 제어연산부(200)는 기 설정된 알고리즘을 기준으로 실시간으로 상기 모니터링 유닛(100)의 센서데이터를 기반으로 상기 펌프(20)의 정상여부를 판별할 수 있으며, 상기 모니터링 서버(40)는 상기 제어연산부(200)의 기 설정된 알고리즘을 수정하거나 신규 정보를 생성하는 등 다양한 형태로 원격에서 제어가 가능하다.
본 발명에 따른 재난대응 배수시스템(10)은, 네트워크(30)를 통해 사용자단말(50)로 상기 제어연산부(200) 또는 모니터링 서버(40)와 접속가능하도록 구현될 수 있다. 여기서 상기 사용자 단말(50)은 이동형 또는 고정형 단말로 구현될 수 있다. 이때 이동형 단말은 디지털방송용 단말기, 휴대폰, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC(tablet PC), 웨어러블 디바이스(wearable device) 등의 형태일 수 있다. 또한 고정형 단말은 데스크 탑 PC, 노트북 컴퓨터(laptop computer), 울트라북(ultrabook)과 같은 퍼스널 컴퓨터 등으로 구현될 수 있다.
도 3을 참조하면, 상기 모니터링 유닛(100)은 복수의 센서를 포함할 수 있으며, 일 예로 복수의 센서는 온도센서(100a), 누수센서(100b), 절연센서(100c), 압력센서(100d), 진동센서(100e), 습도센서(100f), 속도센서(100g), 전압센서(100h), 전류센서(100i), 방전센서(100j), 기울기센서(100k), 수위센서(100l) 유량센서(100m) 또는 거리센서(100n) 등을 포함할 수 있다. 그리고 각 종류의 센서 또한 복수 개로 구현될 수 있다. 여기서 상기 거리센서(100n)는 베어링 마모 등으로 유격이 발생할 때, 축의 기울어짐 정도를 측정하는 용도로 사용될 수 있다.
상기 제어연산부(200)는 프로세서(210), 입력모듈(220), 데이터베이스(230), 통신모듈(240) 또는 출력모듈(250)을 포함할 수 있다.
상기 제어연산부(200)의 프로세서(210)는 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 이때 상기 프로세서(210)는 데이터를 기반으로 제어신호를 생성할 수 있으며, 상기 입력모듈(220)을 통해 상기 모니터링 유닛(100)의 각 센서로부터 센서데이터를 전송받거나, 상기 통신모듈(240)을 통해 네트워크(40)로 정보를 수신받을 수 있다.
상기 제어연산부(200)의 데이터베이스(230)는 복수의 기억장치로 구성되거나, 메타데이터로 구성된 메타 데이터베이스(Meta Database) 또는 그래프 데이터베이스(Graph Database, GDB)를 포함하여 상호연결성이 높은 데이터셋를 보다 손쉽게 탐색하도록 구성될 수 있다. 이때 상기 데이터베이스(230)는 상기 프로세서(210)와 연결되어 센서데이터의 일부 또는 제어신호 히스토리 등을 기록할 수 있으며, 각 데이터들이 시계열로 저장될 수 있다. 아울러 상기 출력모듈(250)은 상기 프로세서(210)에서 생성된 제어신호를 가시화된 정보로 디스플레이(60)에 전송할 수 있다.
도 4 내지 도 7은 본 발명에 따른 재난대응 배수시스템에 관한 것으로, 도 4는 재난대응 배수시스템의 제어연산부의 구성도를, 도 5는 진단부의 세부 구성도를, 도 6은 다층페셉트론 알고리즘을, 도 7은 다층페셉트론 알고리즘을 적용한 결과 그래프를 각각 나타낸다.
도 4 및 도 5를 참조하면, 상기 제어연산부(200)는 상기 프로세서(210)와 연결되어 입력된 측정데이터를 분석하여 정상여부를 판단하는 진단부(260)를 더 포함할 수 있다. 이때 상기 진단부(260)는 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
상기 진단부(260)는 단일의 센서에서 측정된 센서데이터를 상기 데이터베이스에 기록된 기준값과 비교하여 정상여부를 판단하는 단일진단부(261) 및 인공신경망이 탑재되어 다수의 센서에서 측정된 센서데이터를 상기 인공신경망을 통해 정상여부를 판단하는 복합진단부(262)를 포함할 수 있다. 이때 상기 복합진단부(262)의 인공신경망은 P(Perceptron), FF(Feed Forward), CNN(Convolutional Neural Network), RNN(Recurrent Neural Network) 또는 LSTM(Long Short-Term Memory) 등의 모델을 포함할 수 있으며, 보다 바람직하게는 상기 복합진단부(262)의 인공신경망은 다층페셉트론(Multi Layer Perceptron) 알고리즘 모델을 포함하여 구현될 수 있다.
도 6을 참조하면, 상기 인공신경망은 복수의 입력층(Input layer)과 복수의 은익층(Hidden layer)을 포함하는 다층페셉트론(Multi Layer Perceptron) 알고리즘이 인공신경망에 포함될 수 있다. 보다 바람직하게는 상기 인공신경망은 상기 입력층(Input layer)이 23개 이상으로, 은익층(Hidden layer)가 12개 이상으로 구현될 수 있다. 여기서 상기 복합진단부(262)는 상기 모니터링 유닛이 포함하는 복수의 센서들의 각각의 개별 센서데이터를 입력값으로, a 내지 b 사이의 범위를 출력값의 범위로 구분하되, (여기서, 0 ≤ a < b, a와 b는 상수) 상기 출력값의 범위를 3구역으로 분할하여, 상기 출력값에 따라, 정상, 주의, 차단으로 판단할 수 있다. 일 예로 상기 a는 0으로 b는 1로 정의될 수 있으며, 0~0.5의 출력값을 정상으로, 0.51~0.8을 주의로, 0.81에서 1을 차단으로 각각 정의할 수 있다. 여기서 상기 주의로 출력값이 도출된 경우에는 상기 프로세서(210)가 관련 정보를 생성하여 상기 통신모듈(240)을 통해 상기 모니터링 서버(40) 또는 사용자 단말(50)로 전송하거나, 상기 디스플레이(60) 상에 출력할 수 있다. 그리고 상기 차단으로 출력값이 도출된 경우에는 상기 프로세서(210)가 상기 컨트롤 유닛(300)으로 제어신호를 전송하여 상기 컨트롤 유닛(300)의 릴레이 등을 통해 상기 펌프(20)의 동작이 제어될 수 있다. 아울러 상기 프로세서(210)는 상기 모니터링 유닛(100)에서 획득한 센서데이터를 측정시간과 함께 상기 데이터베이스(230)에 저장할 수 있고, 상기 진단부(260)의 진단 결과 등을 관련데이터로 상기 데이터베이스(230)에 함께 기록할 수 있다.
상술한 바와 같이 상기 복합진단부(262)는 은닉층이 복수 개인 심층 신경망을 이용한 모델링을 통해, 회전하는 전기기기의 상태를 진단하는 것을 특징으로 할 수 있다. 상기 심층 신경망은 다중의 은닉층을 포함하여 다양한 비선형적 관계를 학습할 수 있는 인공 신경망(ANN: Artificial Neural Network)의 한 종류로, 입력층(input layer)과 출력층(output layer) 사이에 다중의 은닉층(hidden layer)을 포함한다.
딥러닝은 생성된 학습 데이터셋으로 학습을 통해 업무의 자동화를 이끌어나가는 기술로, 학습 데이터셋이 존재하지 않는다면 딥러닝의 학습이 이루어지지 않는다.
딥러닝에서 학습 데이터셋의 역할은 학습과 테스트, 검증에 있으며, 다양하며 많은 양의 학습 데이터셋은 학습의 정확도를 높일 수 있다.
딥러닝에서는 구현하고자 하는 모델 및 학습 목적에 따라 학습 데이터셋이 정해지며, 학습 목표 및 기타 요소들이 결정된 순간부터 학습 데이터셋을 수집하기 때문에 충분히 수집되지 않은 경우가 잦다.
또한, 모델의 학습률을 높이기 위해 학습 데이터셋들을 증강시키는 방법을 사용할 수 있다.
상기 심층 신경망을 이용한 모델링을 통해 생성된 상태 진단 모델을 적용하여 연산된 고장률을 바탕으로 릴레이를 제어할 수 있다.
모델을 통해 나온 고장률을 이용하여 아래의 공식을 산출할 수 있다.
(여기에서, Prackn은 n번째 렉 고장률, P는 최대고장률, Max(0,x)는 렐루(ReLU) 함수, Ratio는 고장률에 따른 출력비율을 나타낸다.)
이진 분류에서 0.5의 확률은 고장인지 정상인지 판단하기 애매한 수준이기 때문에 고장률이 0.5 이하면 실제 그 렉에서 고장이 발생할 가능성이 적다고 보고 정상으로 판단할 수 있다.
고장률이 0.6과, 0.9 사이면 고장이 발생할 가능성이 어느 정도 있다고 보고 에너지저장장치의 출력을 조절할 수 있다. 예를 들어, 정상상태에서 에너지저장장치의 출력값에 Ratio 값을 곱한 만큼 출력값이 결정되도록 할 수 있다.
고장률이 0.9 이상이면 실제 고장이 발생할 가능성이 굉장히 높기 때문에 출력을 0으로 만들어 운영을 하지 않는 것이 바람직하다.
상기 제어연산부(200)의 상기 프로세서(210)와 진단부(260)는 상기 모니터링 유닛(100)으로부터 전달받은 센서데이터를 저장하고, 해당 센서데이터를 기반으로 고장종류가 확인되면 상기 모니터링 유닛(100)으로부터 전달받은 센서데이터를 입력층으로, 고장종류는 출력층으로 사용하는 것을 특징으로 할 수 있다. 즉, 학습을 위한 데이터를 별도로 만들어 제공하는 것 뿐만 아니라, 해당 기기를 직접 가동하면서 얻은 데이터를 학습데이터로 가공하여, 지속적인 학습이 가능하도록 할 수 있다.
다시 말해, 상기 제어연산부(200)는 펌프의 내부에 설치된 센서들로부터 1차적으로 데이터를 수집하고, 추후 확인된 고장종류에 대한 데이터를 2차적으로 수집하여, 1차적으로 수집된 데이터(입력층에 입력할 데이터)와 2차적으로 수집된 데이터(출력층에 입력할 데이터)를 하나의 데이터셋으로 하는 학습 데이터셋을 저장하여 학습에 이용할 수 있다.
이때, 2차적으로 수집된 데이터에 대한 검증 과정을 거치고 난 이후 검증과정을 통과한 데이터들만 학습 데이터셋으로 만드는 것이 바람직하다.
상기 심층 신경망은 입력층, 은닉층 및 출력층을 포함한다.
상기 입력층은 전처리 과정을 거쳐 나온 학습데이터 중 센서들로부터 획득한 데이터를 입력 받는다.
상기 출력층은 전처리 과정을 거쳐 나온 학습데이터 중 고장종류에 대한 데이터를 입력 받는다.
상기 심층 신경망을 이용해 만들어진 상태진단모델은 정상, 고장을 판단하는 이진 분류 문제이고 확률로 결과값이 나와야 하기 때문에 은닉 유닛 수는 고장종류의 가지 수를 근거로 결정되고, 활성화 함수로 시그모이드 함수를 사용할 수 있다.
상기 은닉층의 은닉 유닛(Hidden Unit) 즉 노드(node)의 개수는 정보 소실을 줄이고, 과소 적합을 피하며, 과대 적합을 피할 수 있도록, 적절한 값을 선택해야 하는데 수많은 테스트 결과, 아래의 범위에서 선택을 하는 것이 바람직하다.
출력층 노드(node) 개수 < 은닉층 노드(node) 개수 <= n + 입력층 노드(node) 개수 (n은 은닉층의 개수)
상기 제어연산부(200)는 상기 모니터링 유닛(100)으로부터 전달받은 센서데이터와 컨트롤 유닛(300)을 통한 제어처리 결과를 학습데이터로 가공하여 사용할 수 있다.
상기 학습데이터는 상기 학습 데이터셋들을 모델 생성을 위해 가공한 것이다.
상기 제어연산부(200)가 수집된 데이터를 그대로 사용하는 것은 학습 효율을 떨어트릴 수 있기 때문에, 보다 효율적인 학습 모델을 생성하기 위한 학습데이터로 가공하는 것이 바람직하다.
각각의 센서데이터 값은 서로 다른 스케일을 가지고 있고, 이 값을 그대로 이용하게 되면 스케일이 큰 특성만 학습하는데 영향을 미치게 될 수 있다.
따라서 일정한 범위의 값으로 표준화(normalizing)시켜 학습데이터로 가공하는 것이 바람직하다. 예를 들어, 0 ~ 1 범위의 값을 갖도록 표준화(normalizing)를 진행할 수 있다. 다른 예로, 평균이 0이고, 표준편차가 1이 되도록 표준화(normalizing)를 진행할 수 있다.
머신러닝 모델을 평가하는 것과 별개로 클래스 불균형은 모델이 훈련되는 동안 학습 알고리즘 자체에 영향을 미치게 된다. 일반적으로 머신러닝 알고리즘은 훈련하는 동안 처리한 샘플에서 계산한 보상 또는 비용 함수의 합을 최적화한다. 이에 결정 규칙은 다수 클래스 쪽으로 편향되기 쉽다. 알고리즘이 훈련 과정에서 비용을 최소화하거나 보상을 최대화하기 위해 데이터셋에서 가장 빈도가 높은 클래스의 예측을 최적화하는 모델을 학습한다.
일반적인 고장 분석 데이터의 특성상 찾고자 하는 데이터의 타겟(고장)의 수가 매우 극소수인 케이스가 많다. 이런 비대칭 데이터셋에서 딥러닝을 하게 되면 정확도(accuracy)가 높아도 재현율(recall, 실제 고장 예측 확률)이 급격히 작아지는 현상이 발생하게 된다. 예를 들어 100개의 데이터 중 5개가 고장이면, 모두 정상이라고 예측해도 정확도가 95%가 나오게 된다. 이러한 데이터 불균형을 처리하기 위해서 언더 샘플링, 오버샘플링, SMOTE(Synthetic Minority Over-sampling Technique)등을 사용할 수 있다. 상기 제어연산부(200)는 오버샘플링 기법을 사용하여 표준화된 학습데이터의 균형을 맞추는 것을 특징으로 할 수 있다.
오버샘플링 기법은 데이터에서 상대적으로 소수를 차지하는 클래스(minority class) 데이터를 랜덤으로 선택하여 데이터에서 상대적으로 다수를 차지하는 클래스(majority class)의 수 만큼 복사본을 만들어, 두 클래스가 동일한 수가 되도록 하는 것이다. 이는, 펌프에서도 정상 상태의 데이터셋이 대다수를 차지하고, 고장상태의 데이터셋은 소수를 차지하기 때문이다. 따라서, 오버샘플링 기법을 이용하여 고장상태의 데이터셋의 복사본을 정상상태의 레이블 만큼 늘리는 것이 바람직하다.
상기 제어연산부(200)는 균형이 맞춰진 데이터를 모델 훈련에 사용하기 위한 훈련 세트와 일반화 성능을 추정하는데 사용하기 위한 테스트 세트로 분할하고, 상기 훈련 세트 중 일부를 검증 데이터로 사용하기 위한 검증 세트로 분할하여, 훈련데이터, 검증데이터 및 테스트데이터로 분할하는 것을 특징으로 할 수 있다. 상기 제어연산부(200)는 오버샘플링 기법을 이용하여 균형이 맞춰진 학습데이터를 훈련데이터(훈련 세트), 검증데이터(검증 세트) 및 테스트데이터(테스트 세트)로 분할 할 수 있다. 즉, 상기 제어연산부(200)는 머신러닝 모델을 학습시키고 훈련된 모델의 성능을 검증하기 위해 데이터를 분할하여 사용할 수 있다. 여기서 모델 검증에는 보편적인 홀드아웃 교차 검증 기법과 k-겹 교차 검증 등을 사용할 수 있다.
상기 제어연산부(200)는 초기 데이터셋를, 모델 훈련에 사용하기 위한 훈련 세트와 일반화 성능을 추정하는데 사용하기 위한 테스트 세트로 분할할 수 있다. 이후, 분할된 훈련 세트 중 일부를 검증 데이터로 사용하기 위한 검증 세트로 분할 할 수 있다. 펌프의 경우, 사용되는 데이터의 양이 많기 때문에 홀드 아웃 교차 검증 기법을 사용하는 것이 바람직하다. 홀드 아웃 교차 검증 기법은 초기 데이터셋을 별도의 훈련 세트와 테스트 세트로 나누고, 훈련 세트는 모델 훈련에 사용하고 테스트 세트는 일반화 성능을 추정하는데 사용한다. 이때, 데이터셋을 분할 하기 전에 데이터셋을 랜덤하게 섞는 것이 바람직하다. 이렇게 섞인 데이터셋에서 80% 정도는 훈련데이터로 사용하고, 20% 정도는 테스트 데이터로 사용할 수 있다. 그리고 훈련데이터 중에 일부를 검증 데이터로 사용할 수 있다. 이후 계층화를 통해 훈련 데이터와 테스트 데이터 클래스 레이블 비율을 동일하게 맞출 수 있다.
상기 제어연산부(200)는 데이터 특성상 센서의 계측 오류로 판단되는 센서데이터(결측값)를 삭제하는 것을 특징으로 할 수 있다. 예를 들어, 펌프를 정상 가동중인 권선의 전압 계측값이 "0"인 데이터를 삭제할 수 있다. 데이터 특성상 센서의 계측 오류로 "0"이라는 값이 존재 할 수 있다. 이런 결측값이 있는 상태로 모델을 만들게 될 경우 변수간의 관계가 왜곡될 수 있기 때문에 모델의 정확성이 떨어지게 된다. 그러나, 펌프를 정상 가동중인 권선의 전압 계측 값이 "0"이 될 수가 없다. 따라서, "0"으로 나온 권선의 전압 계측 값은 결측값으로 판단하고, 권선의 전압 계측 값이 "0"인 데이터셋은 전부 삭제하는 것이 바람직하다.
상기 제어연산부(200)는 상기 모니터링 유닛(100)부터 전달받은 신호를 입력층으로, 고장종류는 출력층으로 사용하여 학습시키고, 임의 고장 종류별 판별값이 상기 고장종류와 다르면 신경망 가중치를 상기 임의 고장 종류별 판별값 에러가 적은 쪽으로 조정하는 것을 특징으로 할 수 있다. 즉, 지속적인 학습이 가능하고, 임의 고장 종류별 판별값을 근거로 새로운 학습 결과의 조정이 필요하다고 판단되면, 신경망 가중치를 조정할 수 있다. 임의 고장 종류별 판별값은, 학습에 사용된 센서값과 이에 해당되는 고장종류에 대한 데이터 중 신뢰성 높은 데이터로, 학습에 사용된 센서값에 대해 상태를 진단한 결과값을 의미한다. 이때, 가중치 조정은 여러번에 걸쳐 수행될 수 있다. 즉, 신경망 가중치를 늘릴 것인지, 줄일 것인지 판단하고, 일정 수치 만큼 신경망 가중치를 조정 후, 임의 고장 종류별 판별값을 근거로 새로운 학습 결과의 조정이 필요하다고 판단되면, 여러번에 걸쳐 신경망 가중치를 조정할 수 있다.
상기 제어연산부(200)는 고장모델생성 과정, 손실함수적용 과정 및 옵티마이저 과정을 수행할 수 있다. 고장모델생성 과정은 출력층에서 시그모이드(sigmoid) 함수를 사용하고, 학습층에서 렐루(ReLU) 함수를 사용하는 연산레이어층과 일정 비율의 특성을 랜덤으로 선택해서 특성 값을 0으로 만드는 드롭아웃층 및 은닉 유닛(Hidden Unit) 수를 1로 결정하고, 활성화 함수로 시그모이드(sigmoid) 함수를 사용하는 결과레이어층을 포함하되, 상기 연산레이어층은 하위 층으로 갈수록 은닉 유닛(Hidden Unit) 수가 줄어드는 것을 특징으로 하고, 상기 드롭아웃층은 연산레이어층 간 또는 연산레이어층과 결과레이어층 간에 배치되는 것을 특징으로 하며, 상기 결과레이어층은 최하위 층에 배치되는 것을 특징으로 할 수 있다.
딥러닝 층에 적용하기 위한 활성화 함수에는 시그모이드 함수(sigmoid), Tanh 함수(Hyperbolic tangent function), ReLU(Rectified Linear Unit) 등 여러 활성화 함수를 사용할 수 있다. 수많은 테스트 결과, 은닉층에서 렐루(ReLU) 함수를 사용하고, 출력층에서 시그모이드(sigmoid) 함수를 사용하는 것이 바람직하다. 이때 시그모이드(sigmoid) 함수는 주로 신경망에서 사용하는 활성화 함수로 계단함수에 비해 완만하게 변화하면서 가중치 값을 전달하는 비선형 함수이다. 그리고 렐루(ReLU) 함수는 0보다 작은 값이 나온 경우 0을 반환하고, 0보다 큰 값이 나오면 그 값을 그대로 반환 한다. 또한, 기울기가 0 또는 1의 값을 가지고 있기 때문에 보통 딥러닝 중 발생하는 Gradient Vanishing 문제가 발생하지 않아 Layer를 더 많이 쌓을 수 있으며, 다른 활성화 함수에 비해 빠른 속도로 연산이 가능하다.
상기 제어연산부(200)는 고장모델생성 과정을 거쳐 딥러닝을 수행할 수 있으며, 연산레이어층 사이 또는 연산레이어층과 결과레이어층 사이에 드롭아웃층을 형성하여 과대적합을 줄이면서 일반화를 시킬 수 있다. 상기 손실함수적용 과정은 상기 고장모델생성 과정을 통해 예측된 고장률과 실측된 고장률을 근거로 정밀도, 재현율, F1-점수 중 선택된 어느 하나의 손실함수를 적용하여 손실점수를 산출할 수 있다.
펌프의 경우 데이터의 불균형이 심하기 때문에 재현율을 손실함수로 사용하여 손실점수를 산출하는 것이 더욱 바람직하다.
따라서, 손실점수 = TP/(TP + FN)로 나타낼 수 있다. (여기서, TP는 실제 고장의 수, FN은 거짓 정상의 수)
상기 옵티마이저 과정은 새로운 기울기의 정보만 반영하는 RMSprop 옵티마이저를 사용하여 결과에 따른 손실 함수의 값 또는 기울기를 최소화하는 방향으로 최적값인지를 확인하고, 최적값이 아니면 가중치값을 변경하여 상기 고장모델생성 과정부터 재 수행하도록 할 수 있다.
딥러닝은 깊어지면 연산이 많아져서 매우 느려진다. 그러므로 파라미터수가 높아서 연산이 많은 신경망 학습을 빠르게 하는 옵티마이저(Optimization)를 사용하는 것이 바람직하다.
옵티마이저는 경사하강법(SGD), AdaGrad, RMSprop 등이 있고, 수많은 테스트 결과, RMSprop를 사용하는 것이 바람직하다.
딥러닝 모델은 결과에 따른 손실 함수의 값을 최소화하는 방향으로 최적의 값을 찾는 것이 목표라 할 수 있다.
일반적으로 확률적 경사하강법(SGD)을 사용 하지만 기울기가 작아지는 방향으로만 이동하기 때문에 비효율적이고 시간이 오래 걸리게 되는 문제가 있다.
AdaGrad는 기울기가 점점 사라지게 되는 Vanishing gradient 문제가 있다.
RMSprop는 과거의 모든 기울기를 균일하게 더하지 않고 새로운 기울기의 정보만 반영하기 때문에 학습률이 덜 떨어지게 되어 가장 바람직하다 볼 수 있다.
상기 제어연산부(200)의 심층 신경망은 상기 모니터링 유닛(100)이 포함하는 상부 베어링 온도 감지 센서, 하부 베어링 온도 감지 센서, R상 권선 온도 감지 센서, S상 권선 온도 감지 센서, T상 권선 온도 감지 센서, 상부 누수 감지 센서, 하부 누수 감지 센서, 일측 기울기 감지 센서, 타측 기울기 감지 센서, 상부 베어링 압력 감지 센서, 하부 베어링 압력 감지 센서, 전단 진동 감지 센서, 후단 진동 감지 센서, 습도 감지 센서, R상 전압 감지 센서, S상 전압 감지 센서, T상 전압 감지 센서, R상 전류 감지 센서, S상 전류 감지 센서, T상 전류 감지 센서, 및 회전속도/방향 감지 센서 각각으로부터 획득한 센서데이터를 입력층의 노드(node)로 사용할 수 있다. 아울러 상기 제어연산부(200)의 심층 신경망은 거리센서, 유량센서, 수온센서 및, 수위센서 각각으로부터 획득한 센서데이터를 입력층의 노드로 사용할 수 있다.
도 7은 위와 같은 다층페셉트론을 적용하여 나타난 결과에 대한 그래프가 개시되어 있다. 도 7에서는 다층페셉트론 알고리즘을 적용하고, 신경학습에서 사용된 손실함수는 평균오차 제곱함수를 사용하였다. 아울러 상술한 바와 같이 상기 모니터링 유닛(100)에 의해서 획득한 개별 센서의 값을 훈련 데이터로 활용하여 매개변수를 산출하였다.
도 8은 본 발명에 따른 재난대응 배수시스템에 관한 것으로, 도 8은 모니터링 유닛의 센서가 설치된 펌프를 나타낸 도면에 관한 것이다.
도 8을 참조하면, 상기 모니터링 유닛(100)은, 복수의 전압센서, 복수의 전류센서, 복수의 온도센서, 복수의 누수센서와, 적어도 하나의 습도센서, 진동센서, 속도센서, 압력센서, 온도센서, 거리센서, 기울기센서를 포함할 수 있다. 이때 상기 펌프(20)는, 전원이 인가되는 전원실, 상기 전원에 의해 임펠러의 축을 구동시키는 회전력을 발생시키는 모터실 및, 상기 임펠러의 블레이드에 의해 유동이 발생되는 펌프실을 포함하되, 상기 모니터링 유닛(100)은, 복수의 누수센서가 펌프(20)의 모터실(23)의 다른 위치에 설치되어 모터실 내부로의 누수를 단계적으로 측정할 수 있다.
상기 펌프(20)는 유체가 유동되는 펌프실에 임펠러의 블레이드가 배치되며, 상기 임펠러의 축을 구동시키는 모터실은 유체가 유입되지 않도록 밀폐된다. 이때 노후화나 파손 등의 원인으로 상기 모터실로 유체가 유입될 수 있으며, 복수의 상기 누수센서는 상기 임펠러의 축을 따라 서로 이격 배치될 수 있다.
상기 진단부(260)는, 복수의 상기 누수센서 중, 상기 펌프실에 가장 인접한 하나의 상기 누수센서에서 누수가 검출되면 펌프를 지속 가동하되, 상기 제어연산부(200)는, 하나의 상기 누수센서 보다 상기 펌프실에서 비교적 이격된 다른 하나의 상기 누수센서에서 누수가 검출되면 펌프 가동을 중단하는 제어신호를 생성하여 상기 컨트롤 유닛(300)으로 제어신호를 전송할 수 있다. 여기서 상기 누수센서는 수위를 판별할 수 있는 센서로 구현될 수 있다. 그리고 상기 누수센서는 단일로 구현되어 다수의 지점에 대한 누출 여부를 판별하도록 구현되거나, 누수센서의 위치가 가변되도록 구현될 수도 있다.
상기 진단부(260)의 단일진단부(261)는 상술한 바와 같이 복수의 누수센서에 각각 매칭되는 제어신호를 연계하여, 복수의 상기 누수센서 각각에서 검출되는 데이터를 기반으로 매칭된 제어신호를 상기 프로세서가 생성하도록 제어할 수 있다.
상기 진단부(260)의 복합진단부(262)는 복수의 상기 누수센서들을 입력값으로 하여 권선 또는 누수로 인해 단락이 발생될 수 있는 부품에 가장 가까운 누수센서까지의 전파속도를 예측하여 장치의 중단 시점을 예측할 수 있다. 이는 흡입되는 유체의 압력에 따라 전파속도가 달라질 수 있는 점을 고려하여, 전류가 흐르는 권선이 물 등의 유체에 노출되기 이전 단락시킬 수 있어 큰 사고를 미연에 방지할 수 있는 장점으로 이어질 수 있다.
상기 모니터링 유닛(100)은, 상기 펌프(20)의 모터실(23)에 배치되어 상기 모터실(23)의 권선의 온도를 측정하는 적어도 하나의 온도센서를 포함하고, 상기 제어연산부(200)는, 상기 권선의 온도가 기 설정된 온도 보다 높아지거나 상기 권선에 인접한 누수센서에서 누수가 검출되면 펌프 가동을 중단하는 제어신호를 생성하여 상기 컨트롤 유닛(300)으로 전송할 수 있다.
상기 진단부(260)의 단일진단부(261)는 상술한 바와 같이 모터실(23)에 배치된 온도센서와 누수센서에 각각 매칭되는 제어신호를 연계하여, 상기 온도센서와 누수센서 각각에서 검출되는 데이터를 기반으로 매칭된 제어신호를 상기 프로세서가 생성하도록 제어할 수 있다.
상기 진단부(260)의 복합진단부(262)는 상기 온도센서와 누수센서들을 입력값으로 하여 복합진단할 수 있으며, 상기 온도센서가 정상 범위의 온도를 나타내더라도 상기 누수센서에서의 측정값에 따라 상기 온도센서의 데이터 정확도를 조절할 수 있다.
상기 제어연산부(200)는 위와 같이 권선의 온도를 측정하여 비상시에는 주위온도, 센서의 측정오차 등을 고려하여 허용할 수 있는 최대 온도까지 운전할 수 있다. 이때 전류, 회전수, 진동 등의 다른 변수가 허용 범위 이내인 경우에 최대 온도까지 운전할 수 있도록 제어신호를 생성할 수 있다. 부연하자면, 상기 제어연산부(200)는 평시와 비상시를 구분하여, 평시에는 일반적으로 권선 온도를 허용최대온도보다 낮은 온도 범위내에서 운전하도록 제어하고, 비상시에는 권선 온도를 허용최대온도까지 운전하도록 제어할 수 있다. 이후, 온도가 증가하여 최대온도에 도달하면 자동 정지하고, 온도가 낮아지면 다시 구동될 수 있다.
상기 모니터링 유닛(100)은, 상기 펌프실에서 유체가 흡입되는 흡입구(21)에 적어도 하나의 온도센서가 배치되어 흡입되는 유체의 온도를 측정하고, 상기 펌프실에서 유체가 토출되는 토출구(22)에 적어도 하나의 온도센서와 압력센서가 배치되어 토출되는 유체의 온도와 압력을 측정할 수 있다. 그리고 상기 진단부(260)는 상기 모니터링 유닛(100)의 흡입구(21) 및 토출구(22)에 배치된 온도센서 및 압력센서를 기반으로 상기 임펠러의 성능을 진단하고 흡입되는 유체의 유량의 정상여부 또한 판별할 수 있다.
상기 제어연산부(200)는 상기 펌프(20)에서 끼임 등 과부하, 진동이 발생되면, 정지 후 대기, 재가동, 정지를 반복하여 동일 현상이 발생하는지를 확인하고, 정상 가동이 되는 경우에는 현상이 발생되었던 시간대에 측정된 센서데이터들을 하나의 데이터셋으로 취합하여 저장하고, 정상 가동이 되지 않는 경우에는 장치의 가동을 멈추고 외부 서버로 상기 데이터셋을 취합하여 전송할 수 있다.
상기 제어연산부(200)는 상기 프로세서(210)와 진단부(260)가 각각의 메모리를 가진다. 그리고 상기 프로세서(210)는 상기 모니터링 유닛(100)의 복수의 센서 각각으로부터 실시간으로 많은 양의 센서데이터가 수신되며, 상기 프로세서(210)에서는 기 설정된 간격에 따라 선별된 데이터를 상기 진단부(260)로 전송할 수 있다. 이때 상기 프로세서(210)는 복수의 센서에서 측정된 각각의 센서데이터에 대해서 서로 다른 시간간격으로 설정하여, 각 센서에서 측정된 데이터가 설정된 시간간격에 따라 상기 진단부(260)로 전송될 수 있다.
상기 진단부(260)는 수신된 센서데이터를 분석하여 주의 및 차단 등 비정상이 아닌 상태로 판단된 경우 상기 프로세서(210)로 센서데이터의 시간간격을 줄이도록 제어신호를 전송할 수 있다. 그리고 상기 프로세서(210)는 주의 및 차단으로 판단된 센서데이터가 확보된 센서에 한하여 우선적으로 모든 데이터를 상기 진단부(260)로 전송하도록 제어할 수 있다. 그리고 상기 진단부(260)는 비정상인 것으로 추정되는 위치에 배치된 센서에서 실시간으로 측정되는 전체 센서데이터를, 상기 단일진단부(261)를 통해 기준데이터와 비교하는 과정이 포함될 수 있다. 일 예로 권선의 허용최대온도가 120℃, 주의 온도가 40℃ 이상인 경우에 수신된 센서데이터가 기 설정된 규칙에 따라 허용최대온도 이전 설정된 기준점이 도달하면 차단으로 즉시 연산하여 상기 프로세서(210)를 통한 장치의 가동 중단이 생성되도록 할 수 있다. 여기서 복합진단부(262)는 실시간으로 측정된 전체 센서데이터를 소정 시간 간격으로 나누어 연산할 수 있으며, 상기 복합진단부(262)의 메모리의 데이터 최대량에 대비하여 사용율이 N1% 보다 큰 경우, 선별된 일부 센서데이터에 대해서만 국한하여 연산할 수 있도록 제어될 수 있다. (여기서, 100 > N1 > 0)
상기 복합진단부(262)의 메모리부의 데이터 최대량에 대비하여 사용률이 N2% 보다 큰 경우, 소정 시간 간격을 늘리고 해당 센서데이터를 상기 프로세서(210)를 통해 외부 모니터링 서버(40)로 전송할 수 있다. 이때 통신의 과부하로 인해 장치가 제어되지 않을 수 있음에 따라, 상기 프로세서(210)에서 네트워크를 통해 전송하는 센서데이터의 시간 간격은 상기 소정 시간 간격보다 큰 것이 바람직하다. 그리고 소정 시간 간격이 늘어나는 것은 일 예로 기존 0.05초 간격으로 선별된 센서데이터가 0.1초로 간격으로 선별되는 형태일 수 있다. 아울러 위 N1는 40 내지 60 사이, 상기 N2은 70 내지 90 사이로 형성될 수 있으며, 상기 N1과 N2는 복합진단부(262)의 최대 메모리를 100%로 가정한 경우에 활용되는 상수이다. 일 예로 N2이 70인 경우에는 70% 이상 상기 복합진단부(262)의 메모리가 사용되면, 선별된 일부 센서데이터에만 국한하여 연산되도록 제어될 수 있다. (여기서, 100 > N2 > N1 > 0)
도 9 및 도 10은 본 발명에 따른 재난대응 배수시스템에 관한 것으로, 도 9는 다수의 모니터링 컨트롤 유닛과 통신하는 모니터링 서버의 시스템 구성도를, 도 10은 재난대응 배수시스템으로부터 생성된 출력화면이 도시된 사용자 단말을 각각 나타낸다.
도 9 및 도 10을 참조하면, 상기 모니터링 서버(40)에서는, 서로 다른 개소에 설치된 복수의 제어연산부로부터 정보를 수신받아 각 개소의 정보가 화면에 출력될 수 있다.
또한, 상기 모니터링 서버(40)는, 특정 모니터링유닛(100), 제어연산부(200), 컨트롤 유닛(300) 등을 지정하여 해당하는 펌프(20)에 설치된 센서부로부터 획득한 센서값, 이벤트(진단결과 및 릴레이 동작상태) 등을 화면에 출력(Display 기능) 시킬 수 있고, 특정 펌프의 특정 기간의 센서값, 이벤트 데이터 등을 로드(Load)하여 화면 출력에 출력시키는 것도 가능하다.
또한, 상기 모니터링 서버(40)는, 특정 펌프의 특정 기간의 센서값, 이벤트 데이터 등을 로드(Load)하여 파일(File) 형태로 출력하는 것도 가능하다.
또한, 상기 모니터링 서버(40)는, 외부에서 상기 모니터링 서버(40)는, 연결 가능한 컴퓨터, 모바일 단말(스마트폰 등) 등에 실시간 모니터링, 과거 데이터 제공(차트,그래프 등), 통계자료 제공, 원격제어 등 다양한 서비스를 제공하는 웹 서버 기능을 수행할 수 있다. 이때, 컴퓨터, 모바일 단말(스마트폰 등) 등의 화면 디스플레이(Display)는 웹 형식으로 표현되도록 할 수 있다.
또한, 상기 모니터링 서버(40)는, 모니터링유닛(100), 제어연산부(200), 컨트롤 유닛(300)의 등록, 삭제 및 수정이 가능하고, 제어연산부(200) 별 사용자 등록, 삭제, 수정 및 ID/PW 등록 / 접근 메뉴 권한 설정이 가능하다.
이때, 관리자의 등급과 권한을 개별적으로 설정 가능하다. 예를 들어, 상위 관리자는 접근 메뉴, MU 등록 및 삭제, 수정 요청, 디스플레이(Display), 파일(File) 형태로 출력이 가능하도록 할 수 있고, 중간 관리자는 디스플레이(Display), 파일(File) 형태로 출력이 가능하도록 할 수 있으며, 일반 관리자는 디스플레이(Display)만 가능하도록 할 수 있다.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
또한 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술할 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정하여져야만 할 것이다.
10 : 재난대응 배수시스템
20 : 펌프
21 : 흡입구
22 : 토출구
23 : 모터실
24 : 모터부품
30 : 네트워크
40 : 모니터링 서버
50 : 사용자 단말
60 : 디스플레이
100 : 모니터링 유닛
100a : 온도센서
100b : 누수센서
100c : 절연센서
100d : 압력센서
100e : 진동센서
100f : 습도센서
100g : 속도센서
100h : 전압센서
100i : 전류센서
100j : 방전센서
100k : 기울기센서
100l : 수위센서
100m : 유량센서
100n : 거리센서
110 : 제1모니터링 유닛
120 : 제2모니터링 유닛
130 : 제3모니터링 유닛
200 : 제어연산부
210 : 프로세서
220 : 입력모듈
230 : 데이터베이스
240 : 통신모듈
250 : 출력모듈
260 : 진단모듈
261 : 단일진단부
262 : 복합진단부
300 : 컨트롤 유닛
20 : 펌프
21 : 흡입구
22 : 토출구
23 : 모터실
24 : 모터부품
30 : 네트워크
40 : 모니터링 서버
50 : 사용자 단말
60 : 디스플레이
100 : 모니터링 유닛
100a : 온도센서
100b : 누수센서
100c : 절연센서
100d : 압력센서
100e : 진동센서
100f : 습도센서
100g : 속도센서
100h : 전압센서
100i : 전류센서
100j : 방전센서
100k : 기울기센서
100l : 수위센서
100m : 유량센서
100n : 거리센서
110 : 제1모니터링 유닛
120 : 제2모니터링 유닛
130 : 제3모니터링 유닛
200 : 제어연산부
210 : 프로세서
220 : 입력모듈
230 : 데이터베이스
240 : 통신모듈
250 : 출력모듈
260 : 진단모듈
261 : 단일진단부
262 : 복합진단부
300 : 컨트롤 유닛
Claims (10)
- 펌프에 설치되어 상기 펌프의 상태를 실시간으로 측정하는 다수의 센서를 포함하는 모니터링 유닛;
상기 모니터링 유닛의 센서로부터 측정데이터를 전달받아, 상기 측정데이터를 기반으로 제어신호를 생성하는 제어연산부; 및
상기 제어연산부에서 생성된 제어신호를 기반으로 상기 펌프의 동작을 제어하는 컨트롤 유닛;
을 포함하고,
상기 제어연산부는,
프로세서(Processor);
상기 모니터링 유닛의 센서로부터 측정된 측정데이터가 입력되어 상기 측정데이터를 상기 프로세서로 전달하는 입력모듈;
데이터가 기록되는 데이터베이스; 및
상기 프로세서와 연결되어 입력된 측정데이터를 분석하여 정상여부를 판단하는 진단부;
를 포함하며,
상기 모니터링 유닛은,
복수의 전압센서, 복수의 전류센서, 복수의 온도센서, 복수의 누수센서와,
적어도 하나의 진동센서, 속도센서를 포함하고,
상기 펌프는,
전원이 인가되는 전원실, 상기 전원에 의해 임펠러의 축을 구동시키는 회전력을 발생시키는 모터실 및, 상기 임펠러의 블레이드에 의해 유동이 발생되는 펌프실을 포함하되,
상기 모니터링 유닛은,
복수의 누수센서가 상기 모터실의 다른 위치에 설치되어 모터실 내부로의 누수를 단계적으로 측정하는 것을 특징으로 하는 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 진단부는,
복수의 상기 누수센서 중,
상기 펌프실에 가장 인접한 하나의 상기 누수센서에서 누수가 검출되면 펌프를 지속 가동하되,
상기 제어연산부는,
하나의 상기 누수센서 보다 상기 펌프실에서 비교적 이격된 다른 하나의 상기 누수센서에서 누수가 검출되면 펌프 가동을 중단하는 제어신호를 생성하여 상기 컨트롤 유닛으로 전송하는 것을 특징으로 하는 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템.
- 제7항에 있어서,
상기 모니터링 유닛은,
상기 모터실에 배치되어 상기 모터실의 권선의 온도를 측정하는 적어도 하나의 온도센서를 포함하고,
상기 제어연산부는,
상기 권선의 온도가 기 설정된 온도 보다 높아지거나 상기 권선에 인접한 누수센서에서 누수가 검출되면 펌프 가동을 중단하는 제어신호를 생성하여 상기 컨트롤 유닛으로 전송하는 것을 특징으로 하는 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템.
- 제1항에 있어서,
상기 펌프는,
전원이 인가되는 전원실, 상기 전원에 의해 임펠러의 축을 구동시키는 회전력을 발생시키는 모터실 및, 상기 임펠러의 블레이드에 의해 유동이 발생되는 펌프실을 포함하되,
상기 모니터링 유닛은,
상기 펌프실에서 유체가 흡입되는 흡입구에 적어도 하나의 온도센서가 배치되어 흡입되는 유체의 온도를 측정하고,
상기 펌프실에서 유체가 토출되는 토출구에 적어도 하나의 온도센서와 압력센서가 배치되어 토출되는 유체의 온도와 압력을 측정하는 것을 특징으로 하는 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템.
- 제1항에 있어서,
상기 제어연산부는,
상기 프로세서의 신호를 출력하여 디스플레이 상에 가시화되는 정보로 출력하는 출력모듈;
네트워크를 통해 외부와 통신하여 데이터를 송수신하는 통신모듈;
을 더 포함하되,
상기 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템은,
네트워크를 통해 상기 제어연산부와 접속되는 모니터링 서버;
를 더 포함하고,
상기 모니터링 서버에서는,
서로 다른 개소에 설치된 복수의 제어연산부로부터 정보를 수신받아 각 개소의 정보가 화면에 출력되는 것을 특징으로 하는 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230156904A KR102669408B1 (ko) | 2023-11-14 | 2023-11-14 | 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230156904A KR102669408B1 (ko) | 2023-11-14 | 2023-11-14 | 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102669408B1 true KR102669408B1 (ko) | 2024-05-27 |
Family
ID=91332173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230156904A KR102669408B1 (ko) | 2023-11-14 | 2023-11-14 | 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102669408B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101258911B1 (ko) * | 2012-12-18 | 2013-04-29 | (주) 퓨처파워텍 | 에너지 절감 및 장비보호와 사고방지 기능이 있는 변유량 펌프 제어 시스템 |
| KR102109337B1 (ko) | 2018-11-14 | 2020-05-12 | (유)엔티엘 | 수중 모터 펌프의 지상 모니터링 시스템 |
| KR20230138252A (ko) * | 2022-03-23 | 2023-10-05 | 주식회사 이공기전 | 회전하는 전기기기 안전 운전시스템 |
-
2023
- 2023-11-14 KR KR1020230156904A patent/KR102669408B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101258911B1 (ko) * | 2012-12-18 | 2013-04-29 | (주) 퓨처파워텍 | 에너지 절감 및 장비보호와 사고방지 기능이 있는 변유량 펌프 제어 시스템 |
| KR102109337B1 (ko) | 2018-11-14 | 2020-05-12 | (유)엔티엘 | 수중 모터 펌프의 지상 모니터링 시스템 |
| KR20230138252A (ko) * | 2022-03-23 | 2023-10-05 | 주식회사 이공기전 | 회전하는 전기기기 안전 운전시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210147182A1 (en) | Non-intrusive data analytics system for adaptive intelligent condition monitoring of lifts | |
| US9379951B2 (en) | Method and apparatus for detection of anomalies in integrated parameter systems | |
| US20190230106A1 (en) | Autonomous reconfigurable virtual sensing system for cyber-attack neutralization | |
| US7580812B2 (en) | Trending system and method using window filtering | |
| US20120166363A1 (en) | Neural network fault detection system and associated methods | |
| WO2022166481A1 (zh) | 一种针对硬盘的故障预测方法、装置及设备 | |
| CN111033552B (zh) | 热能流体传输系统中非侵入式传感器的认知能量评估 | |
| US20210232104A1 (en) | Method and system for identifying and forecasting the development of faults in equipment | |
| CN109952575B (zh) | 用于监督本地分析的系统和方法 | |
| CN112308126A (zh) | 故障识别模型训练方法、故障识别方法、装置及电子设备 | |
| KR102206737B1 (ko) | 기계학습 기반 펌프수차 고장 진단 방법 및 시스템 | |
| CN110570544A (zh) | 飞机燃油系统故障识别方法、装置、设备和存储介质 | |
| EP4113539A1 (en) | Method and system for intelligent monitoring of state of nuclear power plant | |
| US11953356B2 (en) | Methods and internet of things (IoT) systems for monitoring smart gas pipeline networks based on ultrasonic flowmeters | |
| US20230071394A1 (en) | Systems and Methods for Cyber-Fault Detection | |
| CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
| Pasha et al. | An approach to detect the cyber-physical attack on water distribution system | |
| KR102669408B1 (ko) | 고장 예측 및 진단 기능이 구비된 재난대응 배수시스템 | |
| Hu et al. | Modeling the relationship between vibration features and condition parameters using relevance vector machines for health monitoring of rolling element bearings under varying operation conditions | |
| CN115202802A (zh) | 告警阈值确定方法、装置、设备及存储介质、告警系统 | |
| KR20230138252A (ko) | 회전하는 전기기기 안전 운전시스템 | |
| CN115686756A (zh) | 虚拟机迁移方法、装置、存储介质以及电子设备 | |
| Lee et al. | Remaining useful life estimation for ball bearings using feature engineering and extreme learning machine | |
| Mazzoleni et al. | Condition assessment of electro-mechanical actuators for aerospace using relative density-ratio estimation | |
| Mesa-Jiménez et al. | Early warning signals of failures in building management systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |