KR20170125237A

KR20170125237A - 플랜트 이상 감지 시스템 및 방법

Info

Publication number: KR20170125237A
Application number: KR1020160055409A
Authority: KR
Inventors: 조인석; 김영민
Original assignee: 두산중공업 주식회사
Priority date: 2016-05-04
Filing date: 2016-05-04
Publication date: 2017-11-14
Also published as: KR101825809B1

Abstract

본 발명은 플랜트 시스템에서 예측된 고장과 구축된 진단 데이터베이스 및 진단 로직을 이용하여 고장을 진단하고 근본 원인을 추적하여 시각화로 보여주는 플랜트 이상 감지 시스템 및 방법이 개시된다.
개시된 플랜트 이상 감지 시스템은, 플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있는 진단 데이터베이스; 플랜트에 대해 정해진 주기로 각 센서를 통해 실시간으로 플랜트 데이터를 수집하는 데이터 수집부; 수집된 실시간 플랜트 데이터를 이용하여 정상 상태를 학습하는 상태 학습부; 실시간 플랜트 데이터와 학습된 정상상태 데이터를 비교하여 고장을 조기에 경보(Alarm)하는 경보부; 학습된 정상상태 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 모델링부; 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고 근본 원인을 추적하는 고장 진단부; 및 고장 진단부의 진단 결과를 시각화 하여 출력하는 출력부를 포함한다.
본 발명에 의하면, 플랜트의 고장을 조기에 경보하고, 고장의 근본 원인을 진단하여 시각화 할 수 있다.

Description

플랜트 이상 감지 시스템 및 방법{Plant system, and fault detecting method thereof}

본 발명은 플랜트 시스템 및 그 이상 감지 방법에 관한 것으로서, 더욱 자세하게는 실시간으로 플랜트 데이터를 확보하고, 확보된 데이터를 이용하여 정상 상태를 학습하며, 실시간 플랜트 데이터와 자동 학습된 정상 상태의 데이터를 비교하여 고장을 조기에 경보하며, 예측된 고장과 구축된 진단 데이터베이스 및 진단 로직을 이용하여 고장을 진단하고 근본 원인을 추적하여 시각화 할 수 있도록 하는 플랜트 시스템 및 그 이상 감지 방법에 관한 것이다.

일반적으로 발전 또는 화학 등의 대형 플랜트들은 다양한 종류의 수백 개의 기계 및 전기 설비들이 복잡하게 연결되어 운전되고 있으며 주 제어실이라 불리는 중앙 제어실에서 운전(Operation)을 하게 된다. 이곳의 근무자는 2-10명으로 근래 기업 경쟁력 향상 및 생산성 증대 추구와 맞물려 그 수가 감소하고 있다. 특히, 과거 한 기당 수십 명이 근무하던 화력 발전소의 경우 이제는 5명 내외로 근무자 1인당 관리 및 제어해야 하는 설비의 수가 대폭 증가하였다. 이에 따라 운전 및 조작 방식도 과거 현장 제어반(Local Panel) 조작 방식에서 주 제어반 조작 방식으로 발전되었으며 근래 정보기술(IT)의 발달과 함께 컴퓨터 기반의 MMI(Man-Machine Interface)를 이용한 조작 방식이 주를 이루고 있다.

그런데, 수십 년의 근무 경력을 가진 숙련된 근무자의 경우에는 각종 상황별 조치 사항을 다양하게 숙지하고 있으며 복잡한 내부 제어 로직을 이해하고 있으나, 경험이 부족한 대부분의 근무자는 발생 상황에 따라 수시로 관련 참고 도서(운전 절차서, 공급자의 설계자료, 내부 도서 등)를 봐야 하는데 이러한 방식의 운전 환경은 신속하고 안정적인 조치를 요하는 플랜트의 운전 측면에서 대단히 취약할 수 밖에 없는 환경이다.

또한, 운전정보를 표시하는 운전조작용 콘솔(Console)에도 기본적인 운전 정보를 표시해 줄 뿐 각종 상황 발생시 실제 조작에 필요한 정보는 충분히 나타내지 못한다.

따라서, 기본적인 정보만을 제공하는 주제어반의 조작용 콘솔(Console) 외 운전에 관련된 적절한 정보를 신속히 제공하고, 각 상황에 따른 적절한 정보를 제공해 줄 수 있는 시스템이 필요하다.

즉, 플랜트의 특정기기 관련 운전변수가 정상 운전 상태를 벗어나 위험한 상태에 접근할 경우 그 위험을 경고하여 신속한 조치를 취하도록 하기 위한 기술이 요구되고 있다.

한국 등록특허공보 제1065767호(등록일 : 2011년09월09일)

전술한 문제점을 해결하기 위한 본 발명의 목적은, 실시간으로 플랜트 데이터를 확보하고, 확보된 데이터를 이용하여 정상 상태를 자동 학습하며, 실시간 플랜트 데이터와 자동 학습 수행으로 확보한 정상 상태를 비교하여 고장을 조기 경보하며, 예측된 고장과 구축된 진단 데이터베이스 및 진단 로직을 이용하여 고장을 진단하고 근본 원인을 추적하여 시각화 할 수 있도록 하는 플랜트 시스템 및 그 이상 감지 방법을 제공함에 있다.

전술한 목적을 달성하기 위한 본 발명에 따른 플랜트 이상 감지 시스템은, 플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있는 진단 데이터베이스; 플랜트에 대해 정해진 주기로 각 센서를 통해 실시간으로 플랜트 데이터를 수집하는 데이터 수집부; 수집된 실시간 플랜트 데이터를 이용하여 정상 상태를 학습하는 상태 학습부; 실시간 플랜트 데이터와 학습된 정상상태 데이터를 비교하여 고장을 조기에 경보(Alarm)하는 경보부; 학습된 정상상태 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 모델링부; 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고 근본 원인을 추적하는 고장 진단부; 및 고장 진단부의 진단 결과를 시각화 하여 출력하는 출력부를 포함한다.

또한, 상태 학습부는, 수집된 실시간 플랜트 데이터에 대해 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하고, 전처리 된 플랜트 데이터에 근거해 정상 상태를 학습하게 된다.

또한, 경보부는, 실시간 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하게 된다.

또한, 모델링부는, 학습된 정상상태 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링(Modeling)하여 플랜트 모델을 생성하게 된다.

그리고, 상태 학습부는, 학습된 정상상태 데이터를 학습 데이터 세트로 생성하고, 실시간 플랜트 데이터에서 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태의 플랜트 데이터를 학습 데이터 세트에 조합시켜 특징을 추출해 새로운 학습 데이터를 생성하며, 새로운 학습 데이터에 따른 새로운 패턴을 생성하여 학습 데이터를 업데이트 하며, 모델링부는, 새로 업데이트 된 학습 데이터를 상태 학습부로부터 전달받아 플랜트 모델에 적용하여 플랜트 모델을 업데이트하게 된다.

한편, 전술한 목적을 달성하기 위한 본 발명에 따른 플랜트 이상 감지 방법은, (a) 데이터 수집부에서 플랜트에 대해 정해진 주기로 각 센서를 통해 실시간으로 플랜트 데이터를 수집하는 단계; (b) 상태 학습부가 수집된 실시간 플랜트 데이터를 이용하여 정상 상태를 학습하는 단계; (c) 경보부에서 실시간 플랜트 데이터와 학습된 정상상태 데이터를 비교하여 고장을 조기에 경보(Alarm)하는 단계; (d) 모델링부가 학습된 정상상태 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 단계; (e) 고장 진단부에서 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고 근본 원인을 추적하는 단계; 및 (f) 출력부에서 플랜트의 고장 진단 결과를 시각화 하여 출력하는 단계를 포함할 수 있다.

또한, (b) 단계에서 상태 학습부는, 수집된 실시간 플랜트 데이터에 대해 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하고, 전처리 된 플랜트 데이터에 근거해 정상 상태를 학습하게 된다.

또한, (c) 단계에서 경보부는, 실시간 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하게 된다.

또한, (d) 단계에서 모델링부는, 학습된 정상상태 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링(Modeling)하여 플랜트 모델을 생성하게 된다.

그리고, (b) 단계에서 상태 학습부는, 학습된 정상상태 데이터를 학습 데이터 세트로 생성하고, 실시간 플랜트 데이터에서 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태의 플랜트 데이터를 학습 데이터 세트에 조합시켜 특징을 추출해 새로운 학습 데이터를 생성하며, 새로운 학습 데이터에 따른 새로운 패턴을 생성하여 학습 데이터를 업데이트 하며, (d) 단계에서 모델링부는, 새로 업데이트 된 학습 데이터를 상태 학습부로부터 전달받아 플랜트 모델에 적용하여 플랜트 모델을 업데이트하게 된다.

본 발명에 의하면, 플랜트에서 발생하는 다양한 주기의 센서 데이터를 실시간으로 확보하고, 이상 징후 예측을 위한 모델을 만들기 위한 단위로 구분하며, 정상 상태 데이터에 근거해 자동 학습 기능을 수행할 수 있다.

또한, 전처리, 모델링, 잔차 생성, 진단 기능 간 시스템 분리로 기능 간 영향을 최소화 하여 시스템 개발 및 유지 보수 용이성을 확보하고 재사용으로 자산화 할 수 있다.

또한, 진단 로직 및 데이터베이스를 활용한 진단 노하우를 자산화 하고, 진단 가이드 시스템을 제공할 수 있다.

그리고, 플랜트 이상 징후 포착을 위한 기반 시스템을 제공할 수 있으며, 작업자의 전문성과 무관하게 이상 징후에 대한 진단 시스템을 제공하며, 수작업에 따른 작업자의 시간과 노력의 감소를 통한 운영 효율성을 극대화 할 수 있다.

도 1은 본 발명의 실시예에 따른 플랜트 이상 감지 시스템의 기능 블록을 개략적으로 나타낸 구성도이다.
도 2는 본 발명의 실시예에 따른 플랜트 이상 감지 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 플랜트 이상 감지 방법에 따라 플랜트 데이터를 수집하고 자동 학습하여 진단하는 전체적인 과정을 도식화하여 나타낸 도면이다.
도 4는 본 발명에 따른 모수성 모델과 비모수성 모델을 기반으로 하는 앙상블 학습 과정을 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 모수성 모델과 비모수성 모델을 조합하여 앙상블 학습을 수행하는 예를 나타낸 도면이다.
도 6은 본 발명의 실시예에 따른 모수성 모델 및 비모수성 모델의 조합에 따라 정확도가 높은 예측 값을 산출한 결과를 나타낸 도면이다.
도 7은 본 발명의 실시예에 따른 플랜트를 측정한 센서 데이터로부터 알람을 출력하는 과정과, 플랜트 이상 감지를 위해 자동 학습하는 과정을 나타낸 도면이다.
도 8은 본 발명의 실시예에 따라 현재 측정된 센서 데이터에 대해 데이터 처리를 수행하는 예를 나타낸 도면이다.
도 9는 본 발명의 실시예에 따라 현재 측정된 센서 데이터와 기존의 학습 데이터를 조합하여 새로운 학습 데이터를 생성하는 예를 나타낸 도면이다.

이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우 뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

어느 부분이 다른 부분의 "위에" 있다고 언급하는 경우, 이는 바로 다른 부분의 위에 있을 수 있거나 그 사이에 다른 부분이 수반될 수 있다. 대조적으로 어느 부분이 다른 부분의 "바로 위에" 있다고 언급하는 경우, 그 사이에 다른 부분이 수반되지 않는다.

제1, 제2 및 제3 등의 용어들은 다양한 부분, 성분, 영역, 층 및/또는 섹션들을 설명하기 위해 사용되나 이들에 한정되지 않는다. 이들 용어들은 어느 부분, 성분, 영역, 층 또는 섹션을 다른 부분, 성분, 영역, 층 또는 섹션과 구별하기 위해서만 사용된다. 따라서, 이하에서 서술하는 제1 부분, 성분, 영역, 층 또는 섹션은 본 발명의 범위를 벗어나지 않는 범위 내에서 제2 부분, 성분, 영역, 층 또는 섹션으로 언급될 수 있다.

여기서 사용되는 전문 용어는 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 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분의 존재나 부가를 제외시키는 것은 아니다.

"아래", "위" 등의 상대적인 공간을 나타내는 용어는 도면에서 도시된 한 부분의 다른 부분에 대한 관계를 보다 쉽게 설명하기 위해 사용될 수 있다. 이러한 용어들은 도면에서 의도한 의미와 함께 사용 중인 장치의 다른 의미나 동작을 포함하도록 의도된다. 예를 들면, 도면 중의 장치를 뒤집으면, 다른 부분들의 "아래"에 있는 것으로 설명된 어느 부분들은 다른 부분들의 "위"에 있는 것으로 설명된다. 따라서 "아래"라는 예시적인 용어는 위와 아래 방향을 전부 포함한다. 장치는 90˚ 회전 또는 다른 각도로 회전할 수 있고, 상대적인 공간을 나타내는 용어도 이에 따라서 해석된다.

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 관련 기술문헌과 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 실시 예에 한정되지 않는다.

도 1은 본 발명의 실시예에 따른 플랜트 이상 감지 시스템의 기능 블록을 개략적으로 나타낸 구성도이다.

도 1을 참조하면, 본 발명에 따른 플랜트 이상 감지 시스템(100)은, 데이터 수집부(110)와 상태 학습부(120), 경보부(130), 모델링부(140), 고장 진단부(150), 출력부(160) 및 진단 데이터베이스(170)를 포함한다.

데이터 수집부(110)는 플랜트에 대해 정해진 주기로 각 센서를 통해 실시간으로 플랜트 데이터를 수집한다. 즉, 데이터 수집부(110)는 예컨대, 5분 단위로 플랜트의 각 측정 센서로부터 실시간으로 플랜트 데이터를 수집한다.

상태 학습부(120)는 수집된 실시간 플랜트 데이터를 이용하여 정상 상태를 학습한다. 이때, 상태 학습부(120)는, 수집된 실시간 플랜트 데이터에 대해 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하고, 전처리 된 플랜트 데이터에 근거해 정상 상태를 학습하게 된다. 여기서, 전처리 과정은 아래 실시예에서 좀 더 상세히 설명한다.

경보부(130)는 실시간 플랜트 데이터와 학습된 정상상태 데이터를 비교하여 고장을 조기에 경보(Alarm)한다. 즉, 경보부(130)는, 실시간 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하게 된다.

모델링부(140)는 학습된 정상상태 데이터를 모델링(Modeling)하여 예측 모델로서 플랜트 모델을 생성한다.

또한, 모델링부(140)는, 학습된 정상상태 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링(Modeling)하여 플랜트 모델을 생성하게 된다.

그리고, 모델링부(140)는 상태 학습부(120)에서 학습된 정상상태 데이터를 학습 데이터 세트로 생성하고, 5분마다 실시간으로 수집된 플랜트 데이터에서 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태의 플랜트 데이터를 학습 데이터 세트에 조합시켜 특징을 추출해 새로운 학습 데이터를 생성하며, 새로운 학습 데이터에 따른 새로운 패턴을 생성하여 학습 데이터를 업데이트 하며, 새로 업데이트 된 학습 데이터를 하루에 한 번 플랜트 모델에 적용하여 플랜트 모델을 업데이트하게 된다.

고장 진단부(150)는 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고 근본 원인을 분석(Root Cause Analysis)하여 추적한다.

출력부(160)는 고장 진단부의 진단 결과를 시각화 하여 출력한다.

진단 데이터베이스(170)는 플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있다. 여기서, 고장 난 사례들에 대한 데이터는 실시간으로 측정한 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성해, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 따라 경보(Alarm)가 발생된 비정상 상태의 플랜트 데이터들과, 비정상 상태의 플랜트 데이터들이 제거된 정상 상태의 플랜트 데이터를 별도로 분리해 저장한 데이터들이다.

도 2는 본 발명의 실시예에 따른 플랜트 이상 감지 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.

도 2를 참조하면, 본 발명에 따른 플랜트 이상 감지 시스템(100)은, 먼저 데이터 수집부(110)에서 플랜트에 대해 정해진 주기로 각 센서를 통해 실시간으로 플랜트 데이터를 수집한다(S210).

즉, 데이터 수집부(110)는 플랜트의 각 영역에 설치된 각각의 측정센서를 통해 예컨대, 5분마다 해당 센서 데이터를 수집하게 되는데(Data Collecting), 도 3에 도시된 바와 같이 배치 스케줄러(Batch Scheduler)에 따라 각 센서들로부터 순차적으로 5분마다 센서 데이터를 각각 수신하여 원본 데이터(Raw Data)로 데이터베이스에 수집하는 것이다. 도 3은 본 발명의 실시예에 따른 플랜트 이상 감지 방법에 따라 플랜트 데이터를 수집하고 자동 학습하여 진단하는 전체적인 과정을 도식화하여 나타낸 도면이다.

이어, 상태 학습부(120)는 수집된 실시간 플랜트 데이터를 이용하여 정상 상태를 학습한다(S220).

즉, 상태 학습부(120)는, 실시간으로 수집된 플랜트 데이터에 대해 도 3에 도시된 바와 같이 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하고, 전처리 된 플랜트 데이터에 근거해 정상 상태를 자동으로 학습(Learning)하여 정상 상태 데이터를 생성하게 되는 것이다.

여기서, 전처리(Pre-Processing) 과정은, 실시간 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성해, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 따라 경보(Alarm)가 발생된 비정상 플랜트 데이터들을 삭제하고 정상 상태의 플랜트 데이터를 생성하는 것이다.

이때, 상태 학습부(120)는 도 3에 도시된 바와 같이 배치 스케줄러(Batch Scheduler)를 통해 정해진 주기마다 예컨대, 5분마다 데이터 수집부(110)에서 실시간으로 수집한 실시간 플랜트 데이터에 대해 비정상 데이터가 삭제된 정상 상태 데이터를 학습하여 참조 데이터(Reference)로 플랜트 데이터베이스(DB)에 저장하는 것이다.

이어, 경보부(130)에서는 실시간 플랜트 데이터와 학습된 정상상태 데이터를 비교하여 차이가 발생한 경우에 고장을 조기에 경보(Alarm)한다(S230).

즉, 경보부(130)는, 실시간 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 도 3에 도시된 바와 같이 실측치에서 예측치를 뺀 값을 잔차로 생성하며(Residual Generation), 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하게 되는 것이다.

이때, 경보부(130)는 잔차 값이 허용치(특정값)를 초과하는 경우에 조기 알람을 발생하지만, 실측치가 허용치(특정값)을 초과하는 경우에도 플랜트 고장에 대한 조기 알람을 발생할 수 있다.

이어, 모델링부(140)는 학습된 정상상태 데이터를 모델링(Modeling)하여 플랜트 모델을 생성한다(S240).

이때, 모델링부(140)는, 학습된 정상상태 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링(Modeling)하여 예측 모델로서의 플랜트 모델을 생성할 수 있다.

즉, 모델링부(140)는 정상상태 데이터를 학습하는데 필요한 학습 모델에 대해, 도 4에 도시된 바와 같이 서로 다른 특징을 지닌 모델을 기반으로 예측하기 위해 모수성(Parametric) 모델과 비모수성(Non-Parametric) 모델을 이용하여 모델링을 수행한다.

이때, 모델링부(140)는, 모수성 모델과 비모수성 모델에서, 특정 단일 모델들의 장점에 해당하는 기능을 선택하고 약점에 해당하는 기능들을 보완하기 위해, 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 모델링을 수행할 수 있다.

즉, 모델링부(140)는, 도 4에 도시된 바와 같이 MLRM(Multiple Linear Regression Model), PLS(Partial Least Squares), DPCA(Dynamic Principal Component Analysis), K-NN(Nearest Neighbor) 모델 중 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 모델링을 수행할 수 있다.

또한, 도 4에 도시된 바와 같이 MLRM 모델은 ARX(Auto-Regressive eXogeneous)모델과 MLM(Maximum Likelihood Method) 모델을 포함하고, PLS 모델은 GLM(Generalized Linear Model) 모델과 MLM(Maximum Likelihood Method) 모델을 포함하며, DPCA 모델은 ARX 모델과 MLM 모델을 포함하며, K-NN 모델은 비모수성 모델과 RBF(Radial Basis Function) 커널(Kernel)을 포함할 수 있다.

본 발명에 적용되는 모수성 모델과 비모수성 모델의 장점과 단점은 아래 표 1과 같다.

모델		장점	단점
모수성 모델	ARX Model	ㅇ정교한 모델 설계 가능 ㅇ매우 우수한 성능 발휘 ㅇ공학분야 유명한 모델 ㅇ사용 실적 많음 ㅇ모델 해석이 용이 ㅇ비선형 모델링 가능	ㅇ시스템 상태의 과정이 아닌 결과를 고려한 모델 ㅇMIMO 시스템 모델링 어려움 ㅇ표현력이 매우 부족함 ㅇ영상, 음성 인식 분야 사용
비모수성 모델	Non Parametric Model	ㅇk-NN과 같은 기술과 함께 적용시 우수한 성능 발휘 가능	ㅇ매우 정교한 학습 데이터에 대한 DB 구축 필요 ㅇ모델의 정교함에 따라 예측 성능 산포 심함
비모수성 모델	CNN Model	ㅇ표현력이 매우 우수 ㅇ일반 NN 대비 모델 성능 우수 ㅇ이미지 처리에 우수한 성능 ㅇ모델 구조 설계가 어려울 경우 유익한 모델 ㅇMIMO 시스템 모델링에 우수	ㅇ모델 해석이 불가능 ㅇLocal Optimization 발생많음 ㅇ정교한 모델을 만든다는 보장이 없음

따라서, 모델링부(140)는 전술한 각 모델들의 장점과 단점 및 성능 제약 사항을 감안하여 다음 표 2와 같은 검토 결과를 통해 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 모델링을 수행할 수 있다.

모델	성능제약사항	검토결과
NN 기반 HTM	ㅇ모델별 최적화 필요 ㅇ설정변수 50개로 최적화 어려움 ㅇ정형화된 설계 방법 없음 ㅇ학계에서 인정받지 못함 ㅇ라이센스 문제 있음	ㅇ부적합(단, 특정고장에 대한 정밀 검출 필요시 활용 가능함)
DPCA PLS MLRM	ㅇ(DPCA) 시간 설정에 따른 성능 변화 심함, 모델별 최적화 필요	ㅇ최적화 알고리즘 적용시 적합 가능성 높음
DPCA PLS MLRM	ㅇ(공통) Multivariate Regression 방식이기에 특정 센서에서 이상 감지시, 해당 시점의 다른 센서에서도 이상이 감지되는 오류 발생	ㅇ구현성과 성능 관점에서 매우 적합함
k-NN (VBM)	ㅇ모델의 정교함에 따른 성능 변화가 심하기 때문에 기존에 없던 패턴의 신호가 들어 올 경우, 예측 정밀도가 떨어질 가능성 있음	ㅇ구현성과 성능 관점에서 적합함. 특히 정교한 모델을 만들 수 있다면 매우 정확한 예측이 가능.
NN 기반 DBN	ㅇ모델별 최적화 필요 ㅇLocal Optimization 위험으로 최적화가 어려움 ㅇ정형화 된 설계 방법 없음 ㅇ동적 데이터에 취약	ㅇ성능 부족으로 부적합.
SVM 기반 SVDD SVR	ㅇ데이터 샘플링 영향 큼 ㅇKernel 및 변수 설정에 따른 성능 변화 심함	ㅇ성능 부족으로 부적합.

즉, 모델링부(140)는, 특정 고장에 대한 정밀 검출이 필요한 경우에 K-NN 모델을 선택하고, 시간 설정에 따른 성능 변화가 심하여 모델 별 최적화가 필요한 경우에 DPCA 모델과 PLS 모델, MLRM 모델을 선택할 수 있다.

예를 들면, 모델링부(140)는 도 5에 도시된 바와 같이 모수성 모델로서 ARX 모델과 LS(Least Square) Method를 이용하는 MLRM 모델과, 비모수성 모델로서 RBF 커널 등을 이용하는 k-NN 모델을 조합할 수 있다. 도 5는 본 발명의 실시예에 따른 모수성 모델과 비모수성 모델을 조합하여 앙상블 학습을 수행하는 예를 나타낸 도면이다. 따라서, 데이터 학습부(130)는 (k)라는 데이터를 입력받으면, 도 5에 도시된 바와 같이 학습모델 선택부(120)에 의해 선택된 MLRM 모델을 통해 x(1)이라는 추정값(Estimated Value_mlrm(k)/Residual_mlrm(k))을 획득하고, k-NN 모델을 통해 x(2)라는 추정값(Estimated Value_kNN(k)/Residual_kNN(k))을 획득하여, 이러한 추정값들 중에서 가장 최적의 하나를 선택하는 배깅(Bagging) 방법으로 앙상블 학습(Ensemble Learning)을 수행하고, 앙상블 학습을 수행한 결과, 다음 수학식1과 같은 추정값(Estimated Value) 및 최적 추정값(Optimal_Estimated Value)

(k)을 얻을 수 있다.

이에, 모델링부(140)는 정상상태 데이터에 대해 학습 모델을 통해 앙상블 학습(Ensemble Learning)을 수행하여 도 6에 도시된 바와 같이 가장 정확도가 높은 예측 데이터(Optimal_Estimated Value)를 출력할 수 있다. 따라서, 모델링부(140)는 앙상블 학습에 따라 산출된 최적의 예측 데이터(Optimal_Estimated Value)를 경보 로직(Alarm Logic)에 전달하여 플랜트 이상 감지의 경보에 이용할 수 있도록 한다. 도 6은 본 발명의 실시예에 따른 모수성 모델 및 비모수성 모델의 조합에 따라 정확도가 높은 예측 값을 산출한 결과를 나타낸 도면이다. 도 6에서, 데이터 학습부(130)는 MLRM, PLS, DPCA, k-NN 모델을 이용하여 앙상블 학습을 수행한 결과 98.6%, 95.1%의 정확도를 갖는 Proposed Method^* 값을 출력한다. 또한, 모델링부(140)는 도 6에 도시된 바와 같이 MLRM, PLS, DPCA, k-NN 모델을 이용할 뿐만 아니라 여기에 자동 학습 알고리즘(Auto-Learning Algorithm)을 이용하여 앙상블 학습을 수행한 결과 98.6%, 97.9%의 정확도를 갖는 Proposed Method^** 값을 출력한다.

또한, 모델링부(140)는 모델링 한 정상 상태 데이터를 도 3에 도시된 바와 같이 모델 데이터로 플랜트 데이터베이스에 저장하여 경보부(130)가 가져다가 참고하도록 할 수 있다.

그리고, 모델링부(140)는 상태 학습부(120)에서 정상상태 데이터를 학습 데이터 세트로 생성하고, 실시간 플랜트 데이터에서 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태의 플랜트 데이터를 학습 데이터 세트에 조합시켜 특징(feature)을 추출해 새로운 학습 데이터를 생성하며, 새로운 학습 데이터에 따른 새로운 패턴을 적용하여 업데이트 한 학습 데이터를 하루에 한 번 전달받아, 새로 업데이트 된 학습 데이터를 기존 플랜트 모델에 적용하여 플랜트 모델을 업데이트하게 된다.

먼저, 상태 학습부(120)는 현재 측정된 센서 데이터를 기존의 학습 데이터 세트에 조합시켜 특징(feature)을 추출한다. 이때, 상태 학습부(120)는 데이터의 특징에 대해 규모(Magnitude)와 각도(Angle) 두 가지로 설정하고, N1 Norm, N2 Norm, N-Infinity Norm 등과 같은 기술을 기반으로 각 데이터 셋의 규모(Magnitude)와 각도(Angle)를 구한다. 예를 들면, 1차원 방법(1 Dimension Method)에서는 규모(Magnitude), 2차원 방법(2 Dimension Method)에서는 규모(Magnitude)와 각도(Angle) 1개, 3차원 방법(3 Dimension Method)에서는 규모(Magnitude)와 각도(Angle) 2개, , N 차원 방법(N Dimension Method)에서는 규모(Magnitude)와 각도(Angle) N-1 개를 데이터의 특징으로 설정하고 계산을 수행하게 되는 것이다.

예를 들면, 플랜트 데이터의 개수가 2,000 개이고, 경보부(130)에서 경보(Alarm)가 출력됨에 따라 경보부(130)로부터 알람 정보가 입력될 때, 현재 측정되어 입력된 센서 데이터가 288 개인 경우, 상태 학습부(120)는 기존의 플랜트 데이터(Xm_Pool) 2,000 개에 현재 측정된 센서 데이터(indexAddData) 288 개를 더한 총 데이터(Xm_PoolOn) 2,288 개에 대해 도 7에 도시된 바와 같이 데이터 처리(Data Processing)를 수행한다. 여기서, 추가 데이터(indexAddData)는 최대 288 개이고, 자동 학습을 하면 하루 288 이하의 값이 상태 학습부(120)에 입력된다. 도 7은 본 발명의 실시예에 따른 플랜트를 측정한 센서 데이터로부터 알람을 출력하는 과정과, 플랜트 이상 감지를 위해 자동 학습하는 과정을 나타낸 도면이다.

상태 학습부(120)는 도 8에 도시된 바와 같이, i=1 일때 number XmPoolOn에서 indexAddData 값에 따라 numberXmPoolOn 0~288 값이 입력된 후 L2norm을 구하여 분류(Sort)를 수행한다. 도 8은 본 발명의 실시예에 따라 현재 측정된 센서 데이터에 대해 데이터 처리를 수행하는 예를 나타낸 도면이다.

여기서, 상태 학습부(120)는 데이터 간격(interval)에 대해 다음 수학식 2에 따라 전체 데이터 개수(2,288)를 플랜트 데이터 개수(2,000)로 나누어 1.144를 획득한다.

따라서, 상태 학습부(120)는 규모(magnitude)가 2,288 개의 전체 데이터를 1.144 간격으로 분류(sort)하면, 1.14, 2.28, , 6.864, 8.008로 되지만 소수점 이하를 버려서 1, 2, , 6, 8이라는 값을 얻게 된다. 이때, 7번째는 빠지게 된다.

이러한 과정으로 상태 학습부(120)는 도 9에 도시된 바와 같이 현재 측정된 센서 데이터(Xm_PoolOn)(288 개)와 기존의 학습 데이터(Xm_Pool)(2,000 개)를 조합하고, 비정상 데이터를 삭제하여 새로운 학습 데이터(Xm) 2,000 개를 생성하게 되는 것이다. 도 9는 본 발명의 실시예에 따라 현재 측정된 센서 데이터와 기존의 학습 데이터를 조합하여 새로운 학습 데이터를 생성하는 예를 나타낸 도면이다. 따라서, 상태 학습부(120)는 이런 과정으로 생성된 새로운 학습 데이터를 모델링부(140)에 전달한다.

이어, 모델링부(140)는 새로운 학습 데이터 2,000 개를 정해진 주기, 예컨대, 하루에 한 번(1회) 자동 학습(Auto-Learning)을 수행한 후 기존의 플랜트 모델에 적용하여 기존의 플랜트 모델을 새로 업데이트하게 되는 것이다.

여기서, 본 발명에 따른 플랜트 이상 감지 시스템(100)은 도 1에 도시된 구성 요소 이외에, 도 3에 도시된 바와 같이 각 센서들로부터 센싱하여 수집한 플랜트 데이터를 원본 데이터로 저장하거나, 플랜트 데이터에 대해 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태 데이터를 참조 데이터(Reference Data)로 저장하거나, 학습된 정상상태 데이터를 모델링하여 모델 데이터(Model Data)로 저장하기 위한 플랜트 데이터베이스를 더 포함할 수 있다.

또한, 본 발명에 따른 플랜트 이상 감지 시스템(100)은 도 3에 도시된 바와 같이, 학습된 정상상태 데이터를 모델링하여 생성한 플랜트 모델을 예측 모델(Prediction Model)로 저장하는 예측 데이터베이스(Prediction DB)를 더 포함할 수 있다.

이어, 고장 진단부(150)에서 진단 데이터베이스(170)에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고 근본 원인을 추적한다(S250).

여기서, 진단 로직은 실시간 플랜트 데이터와 정상상태 데이터가 허용치를 초과하는 정도로 차이가 나서 조기 알람이 발생하게 되면, 플랜트 고장에 대한 근본적인 원인을 진단 데이터에 근거해 분석하여 찾게 되는 알고리즘이다.

따라서, 고장 진단부(150)는 진단 데이터에 근거해 플랜트의 고장에 대한 근본적인 원인을 분석하여 추적할 수 있게 되는 것이다.

이어, 출력부(160)는 플랜트의 고장 진단 결과를 시각화 하여 출력한다(S260).

즉, 출력부(160)는 완성된 데이터들을 시각화 솔루션을 통해 웹이나 모바일을 통해 확인할 수 있도록 각 단말기에 전송하여 출력하도록 할 수 있다.

또한, 본 발명은 도 3에 도시된 바와 같이 전처리, 모델링, 잔차 생성, 진단 기능 간 시스템 분리로 기능 간 영향도 최소화를 통한 시스템 개발과 유지 보수 용이성 및 재사용 자산을 확보할 수 있다.

그리고, 본 발명은 시스템 간 응집도는 높이되 결합도를 최대한 낮춤으로써, 시스템 간의 의존성을 최소화로 줄이고, 이로 인해 개발 및 유지 보수에 용이한 시스템 구축을 가능하게 하는 시스템 모델을 제공하고, 각 시스템은 타 시스템에서 쉽게 재활용이 가능하다.

전술한 바와 같이 본 발명에 의하면, 실시간으로 플랜트 데이터를 확보하고, 확보된 데이터를 이용하여 정상 상태를 자동 학습하며, 실시간 플랜트 데이터와 자동 학습 수행으로 확보한 정상 상태를 비교하여 고장을 조기 경보하며, 예측된 고장과 구축된 진단 데이터베이스 및 진단 로직을 이용하여 고장을 진단하고 근본 원인을 추적하여 시각화 할 수 있도록 하는 플랜트 시스템 및 그 이상 감지 방법을 실현할 수 있다.

본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100 : 플랜트 이상 감지 시스템 110 : 데이터 수집부
120 : 상태 학습부 130 : 경보부
140 : 모델링부 150 : 고장 진단부
160 : 출력부 170 : 진단 DB

Claims

플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있는 진단 데이터베이스;
상기 플랜트에 대해 정해진 주기로 플랜트 데이터를 수집하는 데이터 수집부;
상기 수집된 플랜트 데이터를 이용하여 정상 상태를 학습하는 상태 학습부;
상기 실시간 플랜트 데이터와 상기 학습된 정상상태 데이터를 비교하여 고장을 조기에 경보(Alarm)하는 경보부;
상기 학습된 정상상태 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 모델링부;
상기 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 상기 플랜트의 고장을 진단하고 근본 원인을 추적하는 고장 진단부; 및
상기 고장 진단부의 진단 결과를 시각화 하여 출력하는 출력부;
를 포함하는 플랜트 이상 감지 시스템.
제 1 항에 있어서,
상기 상태 학습부는, 상기 수집된 실시간 플랜트 데이터에 대해 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하고, 전처리 된 플랜트 데이터에 근거해 정상 상태를 학습하는, 플랜트 이상 감지 시스템.
제 1 항에 있어서,
상기 경보부는, 상기 실시간 플랜트 데이터를 실측치로 하고, 상기 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하는, 플랜트 이상 감지 시스템.
제 1 항에 있어서,
상기 모델링부는, 상기 학습된 정상상태 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링(Modeling)하여 플랜트 모델을 생성하는, 플랜트 이상 감지 시스템.
제 1 항에 있어서,
상기 상태 학습부는 상기 학습된 정상상태 데이터를 학습 데이터 세트로 생성하고, 상기 실시간 플랜트 데이터에서 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태의 플랜트 데이터를 상기 학습 데이터 세트에 조합시켜 특징을 추출해 새로운 학습 데이터를 생성하며, 새로운 학습 데이터에 따른 새로운 패턴을 생성하여 학습 데이터를 업데이트 하며,
상기 모델링부는 새로 업데이트 된 학습 데이터를 상기 상태 학습부로부터 전달받아 상기 플랜트 모델에 적용하여 상기 플랜트 모델을 업데이트하는, 플랜트 이상 감지 시스템.
제 1 항에 있어서,
상기 고장 난 사례들에 대한 진단 데이터는, 알람 로직(Alarm Logic)에 따라 경보(Alarm)가 발생된 비정상 상태의 플랜트 데이터들과, 비정상 상태의 플랜트 데이터들이 제거된 정상 상태의 플랜트 데이터를 별도로 분리해 저장한 데이터들인 플랜트 이상 감지 시스템.
(a) 데이터 수집부에서 플랜트에 대해 정해진 주기로 플랜트 데이터를 수집하는 단계;
(b) 상태 학습부에서 상기 수집된 플랜트 데이터를 이용하여 정상 상태를 학습하는 단계;
(c) 경보부에서 상기 실시간 플랜트 데이터와 상기 학습된 정상상태 데이터를 비교하여 고장을 조기에 경보(Alarm)하는 단계;
(d) 모델링부에서 상기 학습된 정상상태 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 단계;
(e) 고장 진단부에서 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 상기 플랜트의 고장을 진단하고 근본 원인을 추적하는 단계; 및
(f) 출력부에서 상기 플랜트의 고장 진단 결과를 시각화 하여 출력하는 단계;
를 포함하는 플랜트 이상 감지 방법.
제 7 항에 있어서,
상기 (b) 단계에서 상기 상태 학습부는, 상기 수집된 실시간 플랜트 데이터에 대해 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하고, 전처리 된 플랜트 데이터에 근거해 정상 상태를 학습하는, 플랜트 이상 감지 방법.
제 7 항에 있어서,
상기 (c) 단계에서 상기 경보부는, 상기 실시간 플랜트 데이터를 실측치로 하고, 상기 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하는, 플랜트 이상 감지 방법.
제 7 항에 있어서,
상기 (d) 단계에서 상기 모델링부는, 상기 학습된 정상상태 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링(Modeling)하여 플랜트 모델을 생성하는, 플랜트 이상 감지 방법.
제 8 항에 있어서,
상기 (b) 단계에서 상기 상태 학습부는, 상기 학습된 정상상태 데이터를 학습 데이터 세트로 생성하고, 상기 실시간 플랜트 데이터에서 전처리 과정을 통해 비정상 데이터가 삭제된 정상 상태의 플랜트 데이터를 상기 학습 데이터 세트에 조합시켜 특징을 추출해 새로운 학습 데이터를 생성하며, 새로운 학습 데이터에 따른 새로운 패턴을 생성하여 학습 데이터를 업데이트 하며,
상기 (d) 단계에서 상기 모델링부는, 새로 업데이트 된 학습 데이터를 상기 상태 학습부로부터 전달받아 상기 플랜트 모델에 적용하여 상기 플랜트 모델을 업데이트하는, 플랜트 이상 감지 방법.