KR20160087669A - 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템 - Google Patents

Abstract

본 발명은 데이터 마이닝(data mining)의 예측기법을 이용하여 정상 상태의 항만장비 데이터로부터 고장이 발생할 수 있는 현상을 미리 예측하고 미리 조치를 취할 수 있는 정보를 제공하기 위한 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템을 제공하기 위한 것으로서, 항만장비의 센서에서 탐지되는 데이터를 입력으로 항만장비 데이터를 수집하는 수집 단말기와, 상기 수집 단말기에서 수집된 항만장비 데이터를 항만장비별로 분류하여 오류정보 데이터베이스에 각각 저장하는 미들웨어와, 상기 오류정보 데이터베이스에 저장된 항만장비별 데이터들의 현재 수치나 변화 추이를 데이터 마이닝(data mining)의 기법을 이용하여 분석하고 기존 정상 상태의 항만장비 데이터들과 비교하여 고장이 발생할 수 있는 현상을 미리 예측하고 미리 조치를 취할 수 있는 항만장비의 상태정보를 분석하여 오류정보 데이터베이스에 저장하는 오류 분석부와, 상기 오류 분석부에서 분석된 항만장비의 상태정보를 기반으로 분석된 장비 상태 정보를 확인하여 이상 상태가 탐지될 경우 이를 관리자와 안전 시스템에 통지하여 조치를 수행하는 예방 조치부를 포함하여 구성되는데 있다.

Description

항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템{System for Construction of Error information Database and Failure Prediction in Port Equipment}

본 발명은 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템에 관한 것으로, 특히 데이터 마이닝(data mining)의 예측기법을 이용하여 정상 상태의 항만장비 데이터로부터 고장이 발생할 수 있는 현상을 미리 예측하고 미리 조치를 취할 수 있는 정보를 제공하기 위한 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템에 관한 것이다.

항만에 있어서 하역장비는 매우 중요하다. 컨테이너 크레인이나 트랜스퍼 크레인 같은 장비가 고장이 나면 수리나 예비품의 재주문에 걸리는 시간동안 작업이 이루어지지 못하므로 엄청난 비용손실을 초래한다.

그러나 가격이 고가이므로 예비품을 많이 보유할 수 없는 형편이다. 대체적으로 부피가 크고 고가인 항만 장비의 특성상 효율적인 예방장비와 고장 분석을 통해 장비의 신뢰성을 확보하는 것이 무엇보다도 필요하다.

따라서 안전성을 확보하고 예기치 않은 중단을 방지하기 위해서, 중요한 부품들은 일반적으로 단순히 사용 기간에 따라 보수적으로 고정된 시간 간격마다 교체된다.

그러나 부하 강도, 이동 거리(displacement distance), 부하가 걸린 기간, 및 이동 속도와 같은 마모 인자는 설비의 마모 및 손상에 큰 영향을 미칠 수 있다. 특히, 마모 인자가 상당한 기간 동안 평균 이상으로 발생할 때, 설비는 조기에 고장이 날 수 있다. 반면에, 마모(wear) 인자가 상당한 기간 동안 최소화될 경우, 단순히 원인이 되는 부품을 사용 기간에 따라 교체할 경우 운영비용이 증가할 수 있다. 이는 쓸모있는 부품 수명이 낭비되고, 더 빈번한 정비로 인해 비용이 증가하며, 정비를 위해 더 빈번하게 작동을 중지시킴으로 인해 생산성이 감소하기 때문이다.

이러한 문제를 해결하기 위한 방법으로 각 항만장비 데이터들의 현재 수치나 변화 추이를 분석한 정보를 기존의 데이터들과 비교하여 고장을 예측할 수 있도록 하고 있다. 이는 무선으로 수신받은 각 항만장비 데이터의 그래프나 파형을 분석하여 이상 상태가 탐지될 경우 이를 관리자와 안전 시스템에 통지하여 조치를 취하는 과정까지 도입되었다.

그러나 실제 항만장비의 고장 증상에는 특정 장치의 센서에서 보내는 데이터만으로 탐지가 되지 않는 것들도 있으며, 이러한 고장은 여러 장치에서 복합적인 문제로 인해 발생하기도 한다. 특히 항만장비의 부조 현상이나 출력 저하 같이 설비의 성능과 안전에 문제가 되는 고장 증상의 원인은 한 장치의 고장에만 의한 것이 아니라 여러 장치에 조금씩 문제가 생겨도 발생이 가능한데 이러한 고장을 예측하기 위해서는 데이터 간의 상관관계를 이용한 데이터 마이징(data mining) 기법을 이용하는 것이 효과적일 것으로 예상되고 있다.

등록특허공보 제10-1177949호 : 설비 부품의 감시 및 교체 관리 시스템

따라서 본 발명은 상기와 같은 문제점을 해결하기 위해 안출한 것으로서, 데이터 마이닝(data mining)의 예측기법을 이용하여 정상 상태의 항만장비 데이터로부터 고장이 발생할 수 있는 현상을 미리 예측하고 미리 조치를 취할 수 있는 정보를 제공하기 위한 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템을 제공하는데 그 목적이 있다.

본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템의 특징은 항만장비의 센서에서 탐지되는 데이터를 입력으로 항만장비 데이터를 수집하는 수집 단말기와, 상기 수집 단말기에서 수집된 항만장비 데이터를 항만장비별로 분류하여 오류정보 데이터베이스에 각각 저장하는 미들웨어와, 상기 오류정보 데이터베이스에 저장된 항만장비별 데이터들의 현재 수치나 변화 추이를 데이터 마이닝(data mining)의 기법을 이용하여 분석하고 기존 정상 상태의 항만장비 데이터들과 비교하여 고장이 발생할 수 있는 현상을 미리 예측하고 미리 조치를 취할 수 있는 항만장비의 상태정보를 분석하여 오류정보 데이터베이스에 저장하는 오류 분석부와, 상기 오류 분석부에서 분석된 항만장비의 상태정보를 기반으로 분석된 장비 상태 정보를 확인하여 이상 상태가 탐지될 경우 이를 관리자와 안전 시스템에 통지하여 조치를 수행하는 예방 조치부를 포함하여 구성되는데 있다.

바람직하게 상기 오류정보 데이터베이스는 수집 단말기에서 수집되는 항만장비의 엔진온도, 윤활유 압력, 냉각수 온도, 엔진 RPM, 트랜스미션 압력, 기어비를 포함하는 YT 정보와, 오류 분석부에서 분석된 모터/감속기 이상, 오버 로드(over load), 엔코더 이상을 포함하는 QC/TC 정보와, 항만장비의 기존 정비이력 정보와, 오류정보별 예방계획 정비정보를 저장하는 것을 특징으로 한다.

바람직하게 상기 오류 분석부는 오류정보 데이터베이스에 저장된 항만장비의 YT 정보를 기반으로 항만장비 상태를 분석 및 관리하는 장비상태 관리부와, 상기 장비상태 관리부에서 분석된 항만장비 상태정보 데이터를 기반으로 항만장비의 장비정보, 고장코드, 상태이력정보, 상태 현황정보 테이블을 통한 실시간 상태이력 데이터베이스를 설계 및 구축하는 오류정보 구축부와, 상기 오류정보 구축부에서 설계 및 구축된 실시간 상태이력 데이터베이스를 패턴 분석기를 이용하여 기존 정비/오류 정보와 비교하고, 정규화 기법을 통해 장비마다 다른 단위와 범위의 값을 하나의 수치로 통합하여 고장 예측에 필요한 모든 데이터를 데이터 마이닝 기법으로 오류 패턴별 통계/분석을 수행하여 항만장비의 QC/TC 정보를 검출하는 비교 분석부와, 상기 비교 분석부에서 검출된 QC/TC 정보를 인공신경망의 패턴 인식 기능을 통해 정상인 상태의 항만장비 데이터로부터 고장 위험성을 산출하여 고장이 발생할 수 있는 현상을 통한 고장 예측정보를 생성하는 예측정보 생성부를 포함하여 구성되는 것을 특징으로 한다.

바람직하게 상기 비교 분석부는 다수 데이터의 복합적인 상관관계를 분석하고 고장을 예측하기 위해 정규화 기법을 적용하는 것을 특징으로 한다.

바람직하게 상기 예측정보 생성부는 주어지는 입력 데이터의 특성이 실수 형태의 데이터이며, 회귀분석을 통하여 얻을 수 있는 출력 데이터는 입력 데이터로서 인공 신경망에 의해 분석하여 예측된 고장으로 확률과 가장 높은 정규화 값을 가진 입력 데이터의 곱으로 수행하고, 상기 출력값을 이용하여 앞으로 언제 고장이 발생할 가능성이 높은지 확인하는 것을 특징으로 한다.

이상에서 설명한 바와 같은 본 발명에 따른 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템은 다음과 같은 효과가 있다.

첫째, 전처리 과정에서 장치마다 다른 단위와 범위의 값을 하나의 수치로 통합하는 정규화 기법을 통해 고장 예측에 필요한 항만장비 데이터를 모두 고려할 수 있다.

둘째, 인공신경망의 패턴 인식 기법을 통해 정상인 상태의 항만장비 데이터로부터 고장 위험성을 산출할 수 있어 예측할 수 있는 모든 고장에 대하여 가능성을 실수 형태로 추정할 수 있다.

셋째, 고장 가능성 데이터를 회귀 분석하여 고장이 발생할 가능성이 높은 시간까지 추정할 수 있어 보다 효과적으로 항만장비의 고장을 미리 예측하고 조치를 취할 수 있다.

도 1 은 본 발명의 실시예에 따른 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템의 전체 구조를 나타낸 구성도
도 2 는 도 1의 오류 분석부의 구성을 상세히 나타낸 블록도
도 3 은 상기 오류정보 구축부(420)에서 설계 및 구축된 실시간 상태이력 데이터베이스를 나타낸 도면

본 발명의 다른 목적, 특성 및 이점들은 첨부한 도면을 참조한 실시예들의 상세한 설명을 통해 명백해질 것이다.

본 발명에 따른 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템의 바람직한 실시예에 대하여 첨부한 도면을 참조하여 설명하면 다음과 같다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록하며 통상의 지식을 가진자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.

도 1 은 본 발명의 실시예에 따른 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템의 전체 구조를 나타낸 구성도이다.

도 1에서 도시하고 있는 것과 같이, 각 항만장비의 센서에서 탐지되는 데이터를 입력으로 항만장비 데이터를 수집하는 수집 단말기(100)와, 상기 수집 단말기(100)에서 수집된 항만장비 데이터를 항만장비별로 분류하여 오류정보 데이터베이스(300)에 각각 저장하는 미들웨어(200)와, 상기 오류정보 데이터베이스(300)에 저장된 항만장비별 데이터들의 현재 수치나 변화 추이를 데이터 마이닝(data mining)의 예측기법을 이용하여 분석하고 기존 정상 상태의 항만장비 데이터들과 비교하여 고장이 발생할 수 있는 현상을 미리 예측하고 미리 조치를 취할 수 있는 항만장비의 상태정보를 분석하여 오류정보 데이터베이스(300)에 저장하는 오류 분석부(400)와, 상기 오류 분석부(400)에서 분석된 항만장비의 상태정보를 기반으로 분석된 장비 상태 정보를 확인하여 이상 상태가 탐지될 경우 이를 관리자와 안전 시스템에 통지하여 조치를 수행하는 예방 조치부(500)로 구성된다.

이때, 상기 오류정보 데이터베이스(300)는 수집 단말기(100)에서 수집되는 항만장비의 YT(엔진온도, 윤활유 압력, 냉각수 온도, 엔진 RPM, 트랜스미션 압력, 기어비 등) 정보와, 오류 분석부(400)에서 분석된 QC/TC(모터/감속기 이상, 오버 로드(over load), 엔코더 이상 등) 정보와, 항만장비의 기존 정비이력 정보와, 오류정보별 예방계획 정비정보를 포함한다.

그리고 상기 오류 분석부(400)는 도 2에서 도시하고 있는 것과 같이, 오류정보 데이터베이스(300)에 저장된 항만장비의 YT 정보를 기반으로 항만장비의 PLC, 통신, 내외부 연동상태 등의 항만장비 상태를 분석 및 관리하는 장비상태 관리부(410)와, 상기 장비상태 관리부(410)에서 분석된 항만장비 상태정보 데이터를 기반으로 항만장비의 장비정보, 고장코드, 상태이력정보, 상태 현황정보 테이블을 통한 실시간 상태이력 데이터베이스를 설계 및 구축하는 오류정보 구축부(420)와, 상기 오류정보 구축부(420)에서 설계 및 구축된 실시간 상태이력 데이터베이스를 패턴 분석기를 이용하여 기존 정비/오류 정보와 비교하고, 정규화 기법을 통해 장비마다 다른 단위와 범위의 값을 하나의 수치로 통합하여 고장 예측에 필요한 모든 데이터를 데이터 마이닝 기법으로 오류 패턴별 통계/분석을 수행하여 항만장비의 QC/TC 정보를 검출하는 비교 분석부(430)와, 상기 비교 분석부(430)에서 검출된 QC/TC 정보를 인공신경망의 패턴 인식 기능을 통해 정상인 상태의 항만장비 데이터로부터 고장 위험성을 산출하여 고장이 발생할 수 있는 현상을 통한 고장 예측정보를 생성하는 예측정보 생성부(440)로 구성된다.

도 3 은 상기 오류정보 구축부(420)에서 설계 및 구축된 실시간 상태이력 데이터베이스를 나타낸 도면이다. 도 3(a)는 항만장비 정비목록 테이블이고, 도 3(b)는 항만장비 에러코드 테이블이고, 도 3(c)는 정기 정비 점검표 테이블이며, 도 3(d)는 항만장비 예방정비 데이터 코드 테이블을 나타내고 있다.

그리고 상기 비교 분석부(430)는 다수 데이터의 복합적인 상관관계를 분석하고 고장을 예측하기 위해 정규화 기법이 적용되는데, 이는 전처리 과정에서 항만장비 데이터가 정상 상태일 때 0과 1사이의 실수를 가지도록 정규화한다. 참고로 1이거나 1이상일 경우 고장으로 예측한다.

또한 상기 예측정보 생성부(440)에서 구현되는 인공신경망은 입력된 데이터를 인식하여 학습정보를 토대로 입력데이터의 결과를 판단하는 방법으로, 학습 알고리즘에 의해 신경망에 기억된 정보를 이용하여 입력된 값에 대한 인식을 하여 가장 비슷한 정보를 찾아 판단하는 방법이다. 이때, 입력값을 판단하는 활성함수가 필요한데, 상기 인공신경망에서 사용하는 활성함수로는 시그모이드 함수를 활용한다.

한편, 상기 인공 신경망의 결과만으로는 고장가능성을 나타내지만 언제 고장이 발생할 지 판단할 수 없다. 따라서 예측정보 생성부(440)는 회귀분석을 통하여 고장 발생 가능성이 매우 높은 시간을 추정한다. 이때, 상기 회귀분석에 필요한 데이터는 현재 선택된 고장에 대한 기존 데이터로부터 현재까지의 데이터이다. 그리고 상기 회귀분석은 'Floater-Hormann 함수'를 사용한다.

즉, 예측정보 생성부(440)는 주어지는 입력 데이터의 특성이 실수 형태의 데이터이며, 회귀분석을 통하여 얻을 수 있는 출력 데이터는 입력 데이터로서 인공 신경망에 의해 분석하여 예측된 고장으로 확률과 가장 높은 정규화 값을 가진 입력 데이터의 곱으로서 수행된다. 따라서 이 출력값을 이용하여 앞으로 언제 고장이 발생할 가능성이 높은지 확인하게 된다.

이와 같이, 본 발명은 서버에 저장된 기존 데이터를 불러와 회귀분석의 입력으로 사용하며, 이 기존 데이터를 이용하여 회귀분석하면 고장 예상 시간을 계산할 수 있게 된다.

상기에서 설명한 본 발명의 기술적 사상은 바람직한 실시예에서 구체적으로 기술되었으나, 상기한 실시예는 그 설명을 위한 것이며 그 제한을 위한 것이 아님을 주의하여야 한다. 또한, 본 발명의 기술적 분야의 통상의 지식을 가진자라면 본 발명의 기술적 사상의 범위 내에서 다양한 실시예가 가능함을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (6)

1. 항만장비의 센서에서 탐지되는 데이터를 입력으로 항만장비 데이터를 수집하는 수집 단말기와,
   상기 수집 단말기에서 수집된 항만장비 데이터를 항만장비별로 분류하여 오류정보 데이터베이스에 각각 저장하는 미들웨어와,
   상기 오류정보 데이터베이스에 저장된 항만장비별 데이터들의 현재 수치나 변화 추이를 데이터 마이닝(data mining)의 기법을 이용하여 분석하고 기존 정상 상태의 항만장비 데이터들과 비교하여 고장이 발생할 수 있는 현상을 미리 예측하고 미리 조치를 취할 수 있는 항만장비의 상태정보를 분석하여 오류정보 데이터베이스에 저장하는 오류 분석부와,
   상기 오류 분석부에서 분석된 항만장비의 상태정보를 기반으로 분석된 장비 상태 정보를 확인하여 이상 상태가 탐지될 경우 이를 관리자와 안전 시스템에 통지하여 조치를 수행하는 예방 조치부를 포함하여 구성되는 것을 특징으로 하는 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템.
2. 제 1 항에 있어서,
   상기 오류정보 데이터베이스는 수집 단말기에서 수집되는 항만장비의 엔진온도, 윤활유 압력, 냉각수 온도, 엔진 RPM, 트랜스미션 압력, 기어비를 포함하는 YT 정보와, 오류 분석부에서 분석된 모터/감속기 이상, 오버 로드(over load), 엔코더 이상을 포함하는 QC/TC 정보와, 항만장비의 기존 정비이력 정보와, 오류정보별 예방계획 정비정보를 저장하는 것을 특징으로 하는 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템.
3. 제 1 항에 있어서, 상기 오류 분석부는
   오류정보 데이터베이스에 저장된 항만장비의 YT 정보를 기반으로 항만장비 상태를 분석 및 관리하는 장비상태 관리부와,
   상기 장비상태 관리부에서 분석된 항만장비 상태정보 데이터를 기반으로 항만장비의 장비정보, 고장코드, 상태이력정보, 상태 현황정보 테이블을 통한 실시간 상태이력 데이터베이스를 설계 및 구축하는 오류정보 구축부와,
   상기 오류정보 구축부에서 설계 및 구축된 실시간 상태이력 데이터베이스를 패턴 분석기를 이용하여 기존 정비/오류 정보와 비교하고, 정규화 기법을 통해 장비마다 다른 단위와 범위의 값을 하나의 수치로 통합하여 고장 예측에 필요한 모든 데이터를 데이터 마이닝 기법으로 오류 패턴별 통계/분석을 수행하여 항만장비의 QC/TC 정보를 검출하는 비교 분석부와,
   상기 비교 분석부에서 검출된 QC/TC 정보를 인공신경망의 패턴 인식 기능을 통해 정상인 상태의 항만장비 데이터로부터 고장 위험성을 산출하여 고장이 발생할 수 있는 현상을 통한 고장 예측정보를 생성하는 예측정보 생성부를 포함하여 구성되는 것을 특징으로 하는 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템.
4. 제 3 항에 있어서,
   상기 비교 분석부는 다수 데이터의 복합적인 상관관계를 분석하고 고장을 예측하기 위해 정규화 기법을 적용하는 것을 특징으로 하는 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템.
5. 제 3 항에 있어서,
   상기 예측정보 생성부는 회귀분석을 통하여 고장 발생 가능성이 높은 시간을 추정하며, 'Floater-Hormann 함수'를 사용하여 회귀분석을 수행하는 것을 특징으로 하는 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템.
6. 제 5 항에 있어서, 상기 예측정보 생성부는
   주어지는 입력 데이터의 특성이 실수 형태의 데이터이며,
   회귀분석을 통하여 얻을 수 있는 출력 데이터는 입력 데이터로서 인공 신경망에 의해 분석하여 예측된 고장으로 확률과 가장 높은 정규화 값을 가진 입력 데이터의 곱으로 수행하고,
   상기 출력값을 이용하여 앞으로 언제 고장이 발생할 가능성이 높은지 확인하는 것을 특징으로 하는 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템.

Images