KR20010036423A

KR20010036423A - 일반 회귀 신경망을 이용한 고장 검출 방법 및 장치

Info

Publication number: KR20010036423A
Application number: KR1019990043434A
Authority: KR
Inventors: 이원용; 이봉도; 신동렬; 이병록
Original assignee: 손재익; 한국에너지기술연구원
Priority date: 1999-10-08
Filing date: 1999-10-08
Publication date: 2001-05-07
Also published as: KR100340967B1

Abstract

본 발명은 자동 제어되는 각종 생산 설비나 에너지 설비 등의 고장 발생

유무를 실시간으로 자동 검출하는 방법 및 장치에 관한 것이다.

본 발명은 가동 중인 설비의 주요 상태 변수나 제어값에 대해 예측된 값과

실제 측정된 값과의 차이, 즉 잔차로 설비의 이상 유무를 검출하기 위한 것으로써

예측값은 하나 이상의 일반 회귀 신경망을 이용하여 산출하며, 이 값을 고장 검출

에 이용하는데 기술적 특징이 있다.

본 발명의 구현 방법은 반복 계산을 통한 학습과 그에 필요한 방대한 자료

의 확보가 필요한 일반 신경망이 아닌, 소수의 기준 자료를 기초로 하여 출력을

예측할 수 있는 일반 회귀 신경망을 적용하여, 복잡한 연산 과정이 없이 운전 중

인 설비의 부하에 따른 이상 유무를 실시간으로 파악하게 되며, 이를 위해 자동 제어 장치에 연계되거나 고장 검출 장치를 구비할 것이 요구된다.

본 발명에 따른 장치를 자동 제어 장치와 독립적으로 구성할 경우에는 자

료 연산에 필요한 중앙 처리 장치와 저장 장치 제어기와의 상호 정보 교환을 위

한 연결 장치로 이루어지며, 기존의 제어기와 일체형으로 구성할 경우 제어 연산 기능에 일반 회귀 신경망의 계산 알고리즘과 기준 자료들을 추가하여 자동 제어와 연계하여 실시간으로 고장을 검출하므로써 신속한 고장 검출이 필요하거나 안정성

이 중요시 되는 설비등에 효과적으로 적용될 수 있다.

Description

일반 회귀 신경망을 이용한 고장 검출 방법 및 장치 {Method and apparatus for detecting fault using General Regression Neural Network}

본 발명은 플랜트나 공정 설비의 이상 유무를 자동으로 검출하는 시스템에

관한 것으로, 보다 자세하게는 반복 계산을 통해 학습시킨 신경망 구조의 웨이트 (weight)와 바이어스(bias)를 이용하여 실제 자료를 입력하므로써 출력을 예측하

는 일반 신경망이 아닌, 반복 학습 과정 없이 소수의 기준 자료를 직접 활용하여 출력을 예측할 수 있는 일반 회귀 신경망을 이용하므로써 공정 설비의 실시간 부

하에 따른 운전 상태를 복잡한 연산 과정 없이 신속히 파악할 수 있도록 일반 회

귀 신경망을 이용한 고장 검출 방법 및 장치에 관한 것이다.

오늘날의 발전소나 화공정을 비롯한 각종 에너지 설비 분야는 예전에 비해

그 규모가 증대되고 있으며, 그 운영 기술도 복잡해 짐에 따라 운전자가 종합적인

운영 체계를 이해하고 조작하기가 어렵게 되어 가고 있는 실정으로써 컴퓨터를 이

이용한 새로운 운전기술의 도입이 절실히 요구되고 있다.

한편, 복잡한 설비의 합리적 운전을 위하여 컴퓨터를 이용한 자동화 및 모

니터링 시스템이 있는 바, 이를 통한 설비의 고장 검출 시스템을 도입하게 되면 설비의 유지 보수에 상당한 인력 절감을 꾀할 수 있으며, 부적절한 운전과 고장에 따른 에너지 손실,제품의 품질 저하 등을 막고 설비를 최적의 상태로 유지시킬 수가 있다.

설비의 고장 검출 시스템에 있어서, 기존의 검출 방법은 단순히 정상 운전

조건에 대한 허용범위를 운전 상태가 크게 변하지 않는 기준값 부근의 구간으로

설정하여 그 범위를 벗어나면 고장을 검출하는 방식을 취하고 있다. 그러나, 실제

설비의 운영에 있어서는 일반적인 정상 상태 하에서도 부하 변동등에 의한 천이현상이 나타나므로, 이러한 경우에 정상적인 변화와 고장에 의한 변화와의 차이를

식별하여 고장을 검출해 낼 수 있는 방법의 개발이 요구되고 있다.

플랜트의 고장 검출 및 진단에 대한 종래의 방법으로 미국 특허 제 5,070,468호에는 미리 주어진 고장 정보와 기준값을 근거로 평균값을 결정하고, 정상 허용 범위를 벗어나는 가의 여부에 따라 고장을 검출하는 방법이 개시되어 있는데, 이 방법은 고장이 미리 주어진 표준 패턴 범위에서 나타나게 될 때 효과적이다. 그러나, 검출 대상이 바뀌면 미리 설정된 패턴과는 다른 별개의 패턴이 나타날 수도 있으므로 사전에 많은 수의 패턴을 저장해 두어야 한다.

마찬가지로 미국 특허 제 5,440,895호는 히트 펌프의 고장 검출에 관한 것으로 상기와 같이 설비의 운전 허용 범위를 이용하여 단순히 고장을 검출하는 방법만을 언급할 뿐, 이상 상태의 초기 단계에서 나타날 수 있는 미세한 변화는 검출할 수 없다는 단점이 있다.

그리고, 에너지 설비와 공조 설비의 고장 검출 및 처리에 대한 것으로는 고장 허용 제어 시스템(미국 특허 제 5,706,190호)이 있으며, 이 것은 실내 온도 센서에 이상이 발생한 경우, 순환 공기 온도 센서를 이용하여 시스템을 정상적으로 제어하는 방법을 언급하고 있을 뿐, 고장 검출 방법에 대한 구체적인 방안이 제시되지 않고 있다.

이상과 같이, 기존의 고장 검출 방법은 설비의 정상적인 운전 상태를 기준

으로 한 운전 허용 범위를 적용하는 방법이 사용되어 왔으며, 최근에 신경망이 이

용되는 바, 고장 검출을 위해서는 예측식으로, 진단을 위해서는 패턴 인식기로 적

용되고 있다.

신경망은 정정상태(steady state)와 과도상태에 관계 없이 운전 중인 설비의 이상 유무를 실시간으로 검출할 수 있는 방법으로써, 복잡한 설비의 패턴을 인식하는데 우수한 성능을 가지고 있다. 이와 같은 신경망을 이용한 고장 검출 방법

(미국 특허 제 5,402,521호, 제 5,419,197호)은 통상적으로 역전위 신경망(back - propogation neural network)이 사용되는데, 이 신경망의 계산에 필요한 웨이트와 바이어스를 사전에 학습을 통하여 설정한 후, 실제 입력 자료를 신경망에 입력시

켜 계산한 예측 출력값과 실제 출력값을 비교하여 고장을 검출하는 것이다.

그러나, 신경망의 학습은 미리 확보된 자료에 의한 반복 계산을 통하여 수행되는 바, 방대한 자료의 확보가 필요하고 정확한 학습 결과를 얻기 위해서는 많은연 시간이 소요될 뿐 아니라, 운영 범위의 확장이나 변화가 필요할 경우 신경망을 다시 학습시켜야 한다는 단점이 있다.

따라서, 본 발명은 종래의 고장 검출 방법에서 지적되고 있는 상기의 문제

점들을 해결하기 위한 것으로, 일반 회귀 신경망을 사용하여 자동 제어되고 있는 일단의 공정에서 설비의 고장을 실시간으로 검출해 낼 수 있도록 한 고장 검출 방

법 및 장치를 제공하는 데 그 목적이 있다.

즉, 본 발명은 운전 중인 실제 설비의 이상 유무를 일반 회귀 신경망을 이

용하여 , 실시간으로 예측한 결과와 실제 측정한 결과와의 차이인 잔차를 기준으

로 고장을 검출하는 것으로, 단순히 설비의 운전 허용 범위 값을 이용한 종래의

고장 검출 방법에 비해 검출 성능을 향상시키고, 예측값과 잔차 계산을 위한 저장

자료와 연산 시간을 줄여줌으로써 신속하게 고장을 검출하며, 실시간으로 부하에

따라 변동될 수 있는 설비의 운전 상태를 정정상태나 과도상태에 관계없이 복잡한

연산 과정을 생략하므로써, 고장 여부를 신속히 파악할 수 있는 고장 검출 방법과

장치를 제공하기 위한 것이다.

도1은 본 발명에 따른 고장 검출 방법의 블록 다이아그램

도2는 고장 검출 전 단계에서 일반 회귀 신경망의 초기화를 위한 연산 과

정의 흐름도

도3은 본 발명에 따른 일반 회귀 신경망을 이용하여 평활 인자와 고장 판

정 허용값을 결정하는 흐름도

도4는 일반 회귀 신경망에 의해 고장 판별이 이루어지는 동작 과정을 보

여 주는 흐름도

도5는 일반 회귀 신경망을 이용한 고장 검출 장치에 대한 개념도

도6은 본 발명의 방법에 따라 고장 검출이 수행되는 공조 설비의 구성도

도7은 본 발명의 방법으로 혼합 공기 댐퍼의 고장을 검토한 결과를 보인

그래프로서

(가)는 정상 상태의 혼합 공기 온도를 예측한 결과 및 잔차 그래프

(나)는 순환 댐퍼 고장 시의 예측 결과 및 잔차 그래프

본 발명의 고장 검출 방법 및 장치는 적어도 하나 이상의 일반 회귀 신경망을 사용하는데, 이는 반복되는 학습과정 없이 정상 상태에서 수집한 자료와 실제 측정된 자료를 직접 적용하여 출력을 예측하게 된다. 즉, 정상적인 상태의 예측값을 구하기 위해서는 고장 검출 단계 이전에 정상 상태에서의 자료를 확보하여 일반 회귀 신경망의 입력 자료로 저장해야하며, 정정 상태는 물론 시동이나 정지 등의 부하 변동이 발생하는 과도 상태에서 나타날 수 있는 변화에 대한 정보가 운전 초기 단계에서 확보되어야 한다.

상기와 같이 확보된 자료가 기준 자료로 활용되며, 이를 실 측정값과 함께 일반 회귀 신경망의 입력값으로 하여 필요한 상태값이나 제어값을 예측하고, 이 값과 실 측정값 사이의 차이인 잔차를 미리 설정된 허용 범위와 비교하여 두 값의 차이가 허용 범위를 초과할 경우, 고장으로 간주하게된다. 즉, 예측된 정상 상태의 경향에서 벗어나는 미지의 실제 경향을 고장으로 간주하며, 예측된 상태와 일치되는 경향을 나타낼 경우를 정상으로 판단하게 된다.

그리고, 고장과 정상 상태를 결정하는 허용값은 정상상태에서 예측한 결과

와 실제 출력값 사이의 차이를 이용하며, 통계적인 표준편차 값을 사용하여 한 번

의 연산만으로 결정할 수 있다. 따라서, 패턴의 비교없이 실시간으로 예측값과 실

제값의 차이가 허용 범위를 벗어나는 정도에 따라 고장을 빠르게 검출할 수 있슴을

그 특징으로 한다.

일반 회귀 신경망은 일반 신경망에서 나타나는 학습과정에 필요한 다량의 학습자료와, 원하는 결과를 얻기 위한 수 많은 반복계산 그리고, 운영 범위의 변화 시 신경망 구조를 바꾸어 주어야 하는 단점을 극복하기 위한 일종의 확률 신경망

(probability neural network)으로써, 한번의 연산으로 연속적인 상태의 학습과 예측을 수행할 수 있다.

또한, 일반 회귀 신경망은 일반 신경망과 달리 정형화된 방정식의 형태를 미리 가정할 필요가 없으며, 단순히 선택된 기준자료를 이용하여 출력을 예측하기 때문에 기준 설정을 위한 저장 자료만을 필요로 할 뿐, 훈련과정과 그 훈련과정에서 필요한 정형화된 다항식의 결정과 반복 계산이 필요없는 장점이 있다.

이와 같은 본 발명의 일반 회귀 신경망 이용 고장 검출 방법 및 장치를 실

제 시스템에 적용하는 방법은 기존의 자동 제어 장치에 연계하거나 그 내부에 고장

검출 장치를 구비해 주어야 한다. 본 발명의 고장 검출 장치를 독립적으로 구성할 경우에는 자료 연산에 필요한 중앙 처리 장치와 저장 장치 제어기와의 상호 연결 장치로 이루어지며, 기존의 자동 제어기를 이용할 경우에는 중앙 처리 장치에 일반 회귀 신경망의 계산 알고리즘과 기준 자료들을 추가, 자동제어와 연계하여 주어야 한다. 도1을 참조하여 보다 자세하게 설명하면 다음과 같다.

먼저 도1은 본 발명에 따른 고장 검출 방법 및 장치를 적용한 개략적인

블럭도로써, 플랜트 설비와 플랜트의 운전에 필요한 제어기가 고장 검출의 대상이

된다. 고장 검출 시스템은 일반 회귀 연산에 의한 상태 예측부(1)와 정상상태의

기준자료를 저장하는 기억장소(2), 실 측정값과 예측값 사이의 차이를 이용한 잔

차와 고장 판별부(3) 그리고, 상태 표시기(4)를 포함한다. 대상인 플랜트에는 계

측 센서 이외에 모터, 밸브 등의 현장 제어기나 설비를 작동시킬 수 있는 구동기

가 포함된다.

상태 예측기의 고장 검출을 위한 입력 자료로는 제어 신호와 플랜트 상태

변수 측정 신호가 사용될 수 있으며, 이들 값을 이용하여 제어 값이나 상태 출력

값을 계산하게 된다. 입력 값은 플랜트의 시간 변화에 따른 경향을 예측하기 위하

여 현재의 값은 물론, 과거 싯점에서 측정된 자료등을 이용하여 현재의 출력 예측

값이나 미래 예측 값을 계산하게 된다. 이와 같이 계산된 예측 값과 실 측정 값의

차이인 잔차를 비교하여 미리 설정된 값을 초과할 경우 고장으로 간주하고, 허용

범위 내에 있을 경우 정상으로 판단하게 된다.

본 발명에서 상태 예측을 위해 사용되는 일반 회귀 신경망은 소수의 기준

자료(도2:Ｘ_i,Ｙ_i)를 이용하여, 현재의 입력 자료(도2:Ｘ)에 대한 출력(도2:Ｙ^*)을 예측하는 것으로, 기존의 일반적인 통계 회귀식이나 신경망에 비하여 훈련 과정이 거의 필요 없이 일 회의 계산으로 학습을 완료할 수 있으며, 일반 신경망과 같이 병렬 처리 구조를 가지고 있어 신속한 계산 처리를 할 수 있다. 이러한 예측 특성을 이용하여 일반 회귀 신경망은 선형성이 확보되지 않은 회귀 예측 문제에 적용될 수가 있다.

독립 변수인 입력(Ｘ)와 종속 변수인 출력(Ｙ)의 결합 확률 밀도 함수(jo-

int probability density function)를 알고 있는 경우, 조건 확률 함수와 예측값

을 계산할 수가 있다. 즉, 일반 회귀 신경망을 위한 기준 자료는 과거의 운전 자

료를 이용하여 결정될 수 있으며, 일반 회귀 신경망은 하드웨어적으로 집적 회로

에 의해 구성될 수도 있고, 소프트웨어적으로는 마이크로 프로세서나 컴퓨터를 이

용한 연산을 통해 구현될 수도 있다.

벡터인 임의의 독립 변수 ｘ와 스칼라인 임의의 종속 변수 ｙ의 결합 밀도

함수(ｘ,ｙ)를 알고 있는 경우, ｘ 중 특정한 입력 변수 Ｘ에서의 조건 평균 ｙ^*, 즉 Ｘ에서의 회귀 값은 기본적으로 다음과 같이 주어진다.

여기서(x,y)가 정형화된 방정식 형태로 주어져 있지 않을 경우 확률 밀도 함수

수는 관측값 x와 y를 이용하여 예측되어야 한다. 계수를 이용하지 않는 즉, 식의

형태로 주어져 있지 않은(x,y)의 예측을 위해서는 다음과 같이 기준 자료를 이

용하는 방법을 채택할 수 있다.

입력 벡터 X와 스칼라 출력 Y의 샘플값 X_i와 Y_i를 이용하여 주어진 X에서의

예측값 Y^*는 다음 식으로 주어질 수 있다.

(단, 1 i n)

여기서, 스칼라 함수 D_i는 유클리드 거리를 나타내는 것으로써 다음과 같다.

D_i ²= ( X - X_i)^T( X - X_i)

방정식 (2),(3)이 일반 회귀 신경망을 나타내는 핵심식으로 기존의 신경망 회로와

는 달리 확률 분포 함수와 유사한 형태를 나타내고 있다.

도2가 일반 회귀 신경망의 구조와 연산 과정을 나타낸 개략도이다. 예측

값 Y^*(X)는 기준값으로 이용되는 Y_i의 가중 평균값으로 계산되며, 각 Y_i값이 예측

값에 미치는 영향은 기준 입력 자료 X_i와 측정자료 X의 거리 D_i에 따라 지수함수적

으로 변화한다. 실제 측정 자료 X가 기준 자료 X_i에 가까울 수록 즉, 거리 D_i가 짧

을 수록 기준 출력값 Y_i가 예측값에 미치는 영향이 커지고, 거리가 멀수록 그 영

향이 지수함수적으로 감소된다는 사실을 이용하여 정형화된 방정식을 미리 구하지

않고 주어진 기준 자료의 일부나 전부를 그대로 사용하여 출력을 예측하는 것이다.

정상적인 경우 주어준 자료와 실제 측정 자료와 차이가 없으므로 측정 자

료에 가장 가까운 기준 자료를 바탕으로 출력값을 정확하게 예측하게되나, 고장

이 발생한 경우 실제 측정한 입력값과 출력 자료에 변화가 생겨 이들 결과가 최종

적으로 예측값과 측정값 사이에서 차이를 발생시키므로써 고장을 검출하게 된다.

식2에서 σ는 평활인자(smiith parameter)라고 하며, 출력을 예측하기 위

하여 미리 그 값이 정해져 있어야 하는데, 기준값으로 X_i와 Y_i가 정해지면 주어진

관측값을 이용하여 평활인자 값을 0보다 크고 1보다 작은 수 범위에서 변화시켜

Y의 예측값을 구한 후, 실제 측정값과 가장 오차가 적은 값으로 최적의 평활인자

값을 결정할 수 있다.

도3과 도4는 일반 회귀 신경망을 이용한 고장의 검출과정을 나타낸 것이

다. 고장 검출은 2단계로 구성되며, 도3 은 그 1단계로 기준자료 선정과 허용치

결정 그리고, 식2의 평활인자 결정에 대한 흐름을 보여준다. 그 다음, 도4의 2

단계에서 주어진 기준값과 허용값 그리고 평활인자 값을 이용하여 원하는 상태값

을 예측하고, 실제값과의 비교 과정을 거치므로써 고장을 검출하게된다. 도3은

일종의 학습 과정으로 일반 회귀식이나 신경망과 달리 반복 계산 없이 한 번의 계

산으로 평활인자 값과 고장에 대한 허용 범위를 구하는 과정이다.

기준 자료의 선정은 정상상태가 부하등에 의해 심하게 변하지 않을 경우

시동과 정지 과정을 포함하여 20에서 30개 정도로 할 수 있으며, 계산을 위한 다

단회로로 구성된 신경망에 비하여 연산 시간의 증가는 거의 없다. 시스템의 상태

에 따라서는 예측의 정확성을 위하여 자료 수를 늘릴 수도 있다.

그리고, 고장 검출을 위한 허용값은 예측값과 실제 측정값의 차이인 잔차

를 이용 통계적인 표준편차의 배수로 구할 수 있는 바, 잔차에는 예측오차, 측정

오차,외란 등이 포함되어 있으므로 예측값과 측정값의 차이가 연속적으로 3배의

표준편차 값을 초과할 경우 고장으로 간주하였다.

｜ Y_i측정- Y_i예측｜＞ 3 * 표준편차

이 것은 3배의 표준편차 값 범위 내에 있을 확률이 99.99 % 인 것을 이용한 값이

다. 또한, 고장 검출의 안정성을 높이기 위해서 특정 시간 동안 계산한 잔차값을

합한 값이, 표준편차 값의 미리 설정된 샘플수(n)와 3의 배수보다 클 경우 고장으

로 간주할 수도 있다. 합산을 위한 샘플링 시간만큼의 지연 시간이 문제가 되지않

는 설비의 경우, 외란으로 인하여 순간적으로 예측값과 실제 측정값 사이에 차이

가 생겨 고장 검출이 발생할 수 있는 오차를 줄일 수 있다.

ⁱ _k=i-n｜Y^*(k) - Y(k)｜＞ n * 3 * 표준편차

도 5는 고장검출을 위한 중앙 감시 제어 시스템을 구현한 것으로써, 고장

검출 장치는 자동 제어 시스템과 독립적으로 설치되어 서로 측정 자료 및 제어 신

호를 공유하도록 연계되거나, 자동 제어 시스템에 내장될 수도 있다.

본 발명의 적용 예로써 일반 회귀 신경망을 이용한 고장 검출 장치가 어떻

게 설비의 고장을 검출하는지 보여주기 위해 공조 설비에 적용한 일 예가 도6이

다. 본 발명의 적용 설비는 대형 건물의 냉난방 공조를 위해 실내로 온도가 조절

된 공기를 공급하는 공조기 설비로 덕트(12), 냉난방 코일(11)(10)과 같은 열교환기 혼합 공기댐퍼 시스템(13), 송풍기(17), 제어기 그리고, 각 센서들로 구성되어 있다.

상 기의 공조기에 있어서 급기 온도 제어계(14)의 경우 냉각수나 가열수 제어 밸브 제어 신호(5)(6)를, 혼합 공기 댐퍼 시스템(13)의 경우 혼합 공기 온도(7)를, 압력 제어 시스템(15)의 경우 급기 송풍기 제어 신호(8)를 그리고, 유량 제어 시스템(16)의 경우 순환 유량(9)을 각 부위별 예측 출력값으로 계산하였다.

도 7은 혼합 공기 댐퍼(18)의 고장을 검출한 일 예로 X축은 하루 주기의 운전 시간을, Y축은 정규화된 혼합 공기 온도(7)이다. 예측을 위한 입력값으로 댐퍼 제어 신호, 순환 공기 온도, 외기 온도 그리고, 급기 유량이 사용되었으며, 정상적인 경우 실제값과 측정값에 차이가 없으나, 댐퍼 시스템에 영향을 미치는 부품에 고장이 발생하여 입력 변수나 측정 출력 변수인 혼합 공기 온도가 변한 경우, 예측

값과 실제값에 차이가 발생하여 이를 통해 허용 범위를 벗어나게 되는 것을 알 수

가 있다. 따라서, 혼합 공기 댐퍼 시스템(13)을 구성하는 변수인 순환 공기 온도, 외부 공기 온도, 혼합 공기 온도, 급기 유량, 댐퍼 제어 신호에 영향을 미치는 센서 및 댐퍼 설비에 고장이 발생한 경우 대표값인 혼합 공기 온도 예측값과 측정값을 이용하여 해당 부위의 고장을 검출하게 된다.

공조 자료의 경우 일반 공정 자료와 달리 1년간과 하루 주기로 부하가 변

해 모든 부하에 대한 정보를 확보할 때, 그 자료가 방대해질 수 있다. 따라서, 기

준 자료를 줄이기 위해서는 군집화 알고리즘을 적용하여 부하값과 운영상태에 따

라 군집화시키고 각 군집별 대표값만을 취하여 이 것을 기준값으로 사용할 수 있

다. 이 경우 수집된 모든 자료를 사용하는 것이 아니고, 군집수에 해당하는 벡터

만을 기준값으로 사용하게 된다.

앞의 예에서 일반 회귀 신경망을 가변 풍향 공조기에 적용하였지만, 이 방

법은 특정 설비에 제한을 받지는 않는다. 특히, 자동 제어로 운영되는 발전 설비

나 공정 설비 그리고, 공조나 에너지 변환 설비 등에 적용될 수 있다. 일단 정상

상태의 기준 자료 패턴이 벡터 형태로 저장되면 이 것과 다른 패턴을 비정상 상태

로 인식할 수 있다. 따라서, 긴급한 고장이 발생한 경우 입력 패턴의 변화에 따른

예측값의 변화를 이용, 고장을 검출할 수가 있다.

이상에서 살펴본 바와 같이, 본 발명은 일반 회귀 신경망을 적용하여 설

비의 운전 상태를 실시간으로 예측한 결과와 실 측정치와의 차이인 잔차를 이용,

설비의 이상 유무를 검출하기 위한 것으로, 실시간 변화하는 부하 상태, 정정 상

태 또는 과도 상태 등에 관계 없이 예측값과 잔차 계산을 위한 저장 자료와 연

산 시간을 줄여 신속한 고장 검출을 수행할 수 있다.

특히, 본 발명은 자동 제어되는 상태에서 실시간으로 설비의 이상 유무를

파악해야 할 필요가 있는 플랜트에 더욱 효과적으로 적용될 수 있으며, 그러므로

써 설비 운영 체계의 합리화와 공정의 안정적 가동 등에 많은 효과가 있을 것으로

기대된다.

Claims

운전 중인 설비의 정상적인 상태와 고장 상태를 실시간으로 판단할 수 있

는 시스템에 있어서, 적어도 1개 이상의 일반 회귀 신경망을 이용하고 하고,

고장 기준 설정이;

운전 초기 정상 상태와 부하 변화가 있는 과도 상태의 기준 자료를 입력

저장하는 단계와,

저장된 기준 자료와 실 측정값을 일반 회귀 신경망에 입력하여 필요한 예

측값을 구하는 단계와,

상기의 예측값과 실 측정값을 비교하여 오차를 최소화 하는 최적의 평활

인자와 통계적 방법에 의한 고장 허용 기준을 설정하는 단계로 이루어지며,

고장의 검출은;

미리 준비된 기준 자료와 상기에서 설정된 평활인자를 이용하여 필요한

예측값을 구하는 단계와,

상기의 예측값과 실 측정값의 차, 즉 잔차를 구하는 단계와,

상기의 잔차를 고장 허용 범위값과 비교, 판단하여 고장 검출 여부를 고장

상태 표시부에 나타내는 단계로 이루어짐을 특징으로 하는 일반 회귀 신경망을 이용한 고장 검출 방법
가동 중인 플랜트나 설비의 고장 발생 유무를 실시간으로 파악할 수 있는 시스템으로, 적어도 1개 이상의 일반 회귀 신경망을 이용하여 기준 입력 자료와

실측 입력 자료에 대한 연산을 수행하는 중앙 처리 장치와, 정상 상태와 과도 상태에 대한 자료를 저장하는 기준 자료 저장부 및 고장 상태 표시부로 구성됨을 특징으로 하는 일반 회귀 신경망을 이용한 고장 검출 장치
제 2항에 있어서, 상기 중앙 처리 장치는 기준 자료와 실측 자료를 이용하여 예측값을 계산하는 상태 예측부와 잔차의 계산과 이를 고장 허용 범위와 비교,판단하는 잔차 계산부로 구성됨을 특징으로 하는 일반 회귀 신경망을 이용한 고장 검출 장치
제 2항에 있어서, 상기의 중앙 처리 장치에 일반 회귀 신경망을 구현함에 있어 하드웨어적으로는 집적 회로로써 구성되고, 소프트웨어적으로는 마이크로 프로세서와 컴퓨터로 구성됨을 특징으로 하는 일반 회귀 신경망을 이용한 고장 검출 장치.