KR20170125265A - 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법 - Google Patents

플랜트 이상 감지를 위한 자동 학습 시스템 및 방법 Download PDF

Info

Publication number
KR20170125265A
KR20170125265A KR1020160055622A KR20160055622A KR20170125265A KR 20170125265 A KR20170125265 A KR 20170125265A KR 1020160055622 A KR1020160055622 A KR 1020160055622A KR 20160055622 A KR20160055622 A KR 20160055622A KR 20170125265 A KR20170125265 A KR 20170125265A
Authority
KR
South Korea
Prior art keywords
data
learning
plant
unit
model
Prior art date
Application number
KR1020160055622A
Other languages
English (en)
Other versions
KR101842347B1 (ko
Inventor
박지훈
김영민
조인석
Original Assignee
두산중공업 주식회사
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 두산중공업 주식회사 filed Critical 두산중공업 주식회사
Priority to KR1020160055622A priority Critical patent/KR101842347B1/ko
Publication of KR20170125265A publication Critical patent/KR20170125265A/ko
Application granted granted Critical
Publication of KR101842347B1 publication Critical patent/KR101842347B1/ko

Links

Images

Classifications

    • 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
    • G06Q50/10—Services
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 플랜트 고장 감지를 위하여 자동 학습으로 플랜트를 모델링하는 자동 학습 시스템 및 방법이 개시된다.
개시된 플랜트 이상 감지를 위한 자동 학습 시스템은, 플랜트에 대해 각 측정센서를 통해 실시간으로 측정된 센서 데이터를 수집하는 데이터 수집부; 상기 수집된 센서 데이터에서 정상상태 데이터를 학습하여 학습 데이터를 생성하는 학습데이터 생성부; 상기 생성된 학습 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 플랜트 모델부; 및 상기 측정센서를 통해 현재 측정된 센서 데이터를 학습할 것인지 여부를 판단하는 학습 판단부를 포함하고, 상기 학습데이터 생성부는 상기 학습 판단부의 판단 결과, 학습하기로 판단되면 현재 측정된 센서 데이터와 기존의 학습 데이터를 조합하여 새로운 학습 데이터를 생성하여 상기 플랜트 모델부에 전달하고, 상기 플랜트 모델부는 상기 새로운 학습 데이터를 정해진 주기로 받아들여 플랜트 모델링(Plant Modeling)을 수행하여 상기 플랜트 모델을 업데이트하게 된다.
본 발명에 의하면, 플랜트를 측정한 데이터를 자동으로 학습하여 플랜트의 고장(이상)을 감지할 수 있다.

Description

플랜트 이상 감지를 위한 자동 학습 시스템 및 방법{Plant system, and fault detecting method thereof}
본 발명은 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법에 관한 것으로서, 더욱 자세하게는 현재 시점에서 측정한 센서 데이터를 학습할 것인지 여부를 판단하고, 학습하기로 판단되면 기존의 학습 데이터와 측정된 센서 데이터를 조합하여 새로운 학습 데이터를 생성하며, 정해진 주기로 새로운 학습 데이터를 모델링하여 자동 학습을 수행할 수 있도록 하는, 플랜트 이상 감지를 위한 자동 학습 시스템 및 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, 현재 시점에서 측정한 센서 데이터를 학습할 것인지 여부를 판단하고, 학습하기로 판단되면 기존의 학습 데이터와 측정된 센서 데이터를 조합하여 새로운 학습 데이터를 생성하며, 정해진 주기로 새로운 학습 데이터를 모델링하여 자동 학습을 수행할 수 있도록 하는, 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법을 제공함에 있다.
전술한 목적을 달성하기 위한 본 발명에 따른 플랜트 이상 감지를 위한 자동 학습 시스템은, 플랜트에 대해 각 측정센서를 통해 실시간으로 측정된 센서 데이터를 수집하는 데이터 수집부; 상기 수집된 센서 데이터에서 정상상태 데이터를 학습하여 학습 데이터를 생성하는 학습데이터 생성부; 상기 생성된 학습 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 플랜트 모델부; 및 상기 측정센서를 통해 현재 측정된 센서 데이터를 학습할 것인지 여부를 판단하는 학습 판단부를 포함하고, 상기 학습데이터 생성부는 상기 학습 판단부의 판단 결과, 학습하기로 판단되면 현재 측정된 센서 데이터와 기존의 학습 데이터를 조합하여 새로운 학습 데이터를 생성하여 상기 플랜트 모델부에 전달하고, 상기 플랜트 모델부는 상기 새로운 학습 데이터를 정해진 주기로 받아들여 플랜트 모델링(Plant Modeling)을 수행하여 상기 플랜트 모델을 업데이트하게 된다.
또한, 상기 실시간으로 측정된 센서 데이터를 실측치로 하고, 상기 학습 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하는 경보부를 더 포함할 수 있다.
또한, 상기 학습 판단부는 상기 플랜트의 생산 전력이 특정 전력(Power) 이상일 때 각 측정센서를 통해 센서 데이터가 측정된 경우나, 상기 경보부로부터 알람 로직에 따른 조기 경보가 출력되지 않은 경우나, 상기 각 측정센서 별로 일정 시간 기준으로 경보(Alarm)가 발생되지 않은 경우에 상기 현재 측정된 센서 데이터를 학습하기로 결정하게 된다.
또한, 상기 학습데이터 생성부는 상기 수집된 센서 데이터에서 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하여 정상상태 데이터를 생성하고, 생성된 정상상태 데이터를 학습하여 학습 데이터를 생성할 수 있다.
그리고, 상기 플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있는 진단 데이터베이스; 및 상기 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 상기 플랜트의 고장을 진단하고 근본 원인을 추적하는 고장 진단부를 더 포함할 수 있다.
한편, 전술한 목적을 달성하기 위한 본 발명에 따른 플랜트 이상 감지를 위한 자동 학습 방법은, (a) 데이터 수집부가 플랜트에 대해 각 측정센서를 통해 측정된 센서 데이터를 수집하는 단계; (b) 학습데이터 생성부가 상기 수집된 센서 데이터에서 정상상태 데이터를 학습하여 학습 데이터를 생성하는 단계; (c) 플랜트 모델부가 상기 생성된 학습 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 단계; (d) 학습 판단부가 상기 측정센서를 통해 현재 측정된 센서 데이터를 학습할 것인지 여부를 판단하는 단계; (e) 학습데이터 생성부가, 상기 학습 판단부의 판단 결과, 학습하기로 판단되면 현재 측정된 센서 데이터와 기존의 학습 데이터를 조합하여 새로운 학습 데이터를 생성하는 단계; 및 (f) 플랜트 모델부가 상기 새로운 학습 데이터를 정해진 주기로 받아들여 플랜트 모델링(Plant Modeling)을 수행하여 상기 플랜트 모델을 업데이트하는 단계를 포함한다.
또한, 상기 (c) 단계는, 경보부가 실시간으로 측정된 센서 데이터를 실측치로 하고, 상기 학습 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하는 것을 더 포함할 수 있다.
또한, 상기 (d) 단계는, 상기 학습 판단부가 상기 플랜트의 생산 전력이 특정 전력(Power) 이상일 때 각 측정센서를 통해 센서 데이터가 측정된 경우나, 상기 경보부로부터 알람 로직에 따른 조기 경보가 출력되지 않은 경우나, 상기 각 측정센서 별로 일정 시간 기준으로 경보(Alarm)가 발생되지 않은 경우에 상기 현재 측정된 센서 데이터를 학습하기로 결정하게 된다.
또한, 상기 (b) 단계에서 상기 학습데이터 생성부는, 상기 수집된 센서 데이터에서 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하여 정상상태 데이터를 생성하고, 생성된 정상상태 데이터를 학습하여 상기 학습 데이터를 생성하게 된다.
그리고, 상기 (c) 단계는, 고장 진단부가 상기 플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있는 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 상기 플랜트의 고장을 진단하고 근본 원인을 추적하는 것을 더 포함할 수 있다.
본 발명에 의하면, 플랜트에서 발생하는 다양한 주기의 센서 데이터를 실시간으로 확보하고, 이상 징후 예측을 위한 센서 데이터를 자동으로 학습하여 플랜트 모델을 업데이트 할 수 있다.
또한, 진단 로직 및 데이터베이스를 활용한 진단 노하우를 자산화 하고, 진단 가이드 시스템을 제공할 수 있다.
또한, 항상 신뢰성 높은 예측 모델을 유지함으로써 예측 정확도를 향상시킬 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 감지를 위한 자동 학습 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 플랜트를 측정한 센서 데이터로부터 알람을 출력하는 과정과, 플랜트 이상 감지를 위해 자동 학습하는 과정을 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 따라 현재 측정된 센서 데이터에 대해 데이터 처리를 수행하는 예를 나타낸 도면이다.
도 7은 본 발명의 실시예에 따라 현재 측정된 센서 데이터와 기존의 학습 데이터를 결합하여 특징에 근거한 새로운 학습 데이터를 생성하는 예를 나타낸 도면이다.
도 8은 본 발명의 실시예에 따른 모수성 모델 및 비모수성 모델의 조합에 따라 정확도가 높은 예측 값을 산출한 결과를 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 감지를 위한 자동 학습 시스템(100)은, 데이터 수집부(110)와 학습데이터 생성부(120), 플랜트 모델부(130), 학습 판단부(140), 경보부(150), 진단 데이터베이스(160) 고장 진단부(170)를 포함한다.
데이터 수집부(110)는 플랜트에 대해 각 측정센서를 통해 실시간으로 측정된 센서 데이터를 수집한다.
학습데이터 생성부(120)는 수집된 센서 데이터에서 정상상태 데이터를 학습하여 학습 데이터를 생성한다.
플랜트 모델부(130)는 생성된 학습 데이터를 모델링(Modeling)하여 플랜트 모델을 생성한다.
학습 판단부(140)는 측정센서를 통해 현재 측정된 센서 데이터를 학습할 것인지 여부를 판단한다.
학습데이터 생성부(120)는 학습 판단부의 판단 결과, 학습하기로 판단되면 현재 측정된 센서 데이터와 기존의 학습 데이터를 조합하여 새로운 학습 데이터를 생성하여 플랜트 모델부(130)에 전달하고, 플랜트 모델부(130)는 새로운 학습 데이터를 정해진 주기로 받아들여 플랜트 모델링(Plant Modeling)을 수행하여 기존의 플랜트 모델을 업데이트하게 된다.
경보부(150)는 실시간으로 측정된 센서 데이터를 실측치로 하고, 학습 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력한다.
또한, 학습 판단부(140)는 플랜트의 생산 전력이 특정 전력(Power) 이상일 때 각 측정센서를 통해 센서 데이터가 측정된 경우나, 경보부(150)로부터 알람 로직에 따라 조기 경보가 출력되지 않은 경우나, 각 측정센서 별로 일정 시간 기준으로 경보(Alarm)가 발생되지 않은 경우에 현재 측정된 센서 데이터를 학습하기로 결정하게 된다.
또한, 학습데이터 생성부(120)는 수집된 센서 데이터에서 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하여 정상상태 데이터를 생성하고, 정상상태 데이터를 학습하여 학습 데이터로 생성할 수 있다.
진단 데이터베이스(160)는 플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있다.
고장 진단부(170)는 진단 데이터베이스(160)에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고 근본 원인을 추적하게 된다.
한편, 본 발명에 따른 플랜트 이상 감지를 위한 자동 학습 시스템(100)은, 도 1에 도시된 구성 요소 이외에, 각 센서들로부터 센싱하여 수집한 센서 데이터를 원본 데이터로 저장하거나, 센서 데이터에 대해 전처리 과정을 통해 비정상 데이터가 삭제된 정상상태 데이터를 참조 데이터(Reference Data)로 저장하거나, 학습 데이터를 모델링하여 모델 데이터(Model Data)로 저장하기 위한 플랜트 데이터베이스를 더 포함할 수 있다. 그리고, 학습 데이터를 모델링하여 생성한 플랜트 모델을 예측 모델(Prediction Model)로 저장하는 예측 데이터베이스(Prediction DB)를 더 포함할 수 있다.
도 2는 본 발명의 실시예에 따른 플랜트 이상 감지를 위한 자동 학습 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.
도 2를 참조하면, 본 발명에 따른 플랜트 이상 감지를 위한 자동 학습 시스템(100)은, 먼저 데이터 수집부(110)가서 플랜트에 대해 각 측정센서를 통해 측정된 센서 데이터를 수집한다(S210).
즉, 데이터 수집부(110)는 플랜트의 각 영역에 설치된 각각의 측정센서를 통해 예컨대, 5분마다 해당 센서 데이터를 수집하게 되는데(Data Collecting), 배치 스케줄러(Batch Scheduler)에 따라 각 센서들로부터 순차적으로 5분마다 센서 데이터를 각각 수신하여 원본 데이터(Raw Data)로 데이터베이스에 저장하게 되는 것이다. 여기서, 배치 스케줄러는 플랜트의 각 영역에 설치된 측정센서들에 대해, 특정 영역에 있는 측정센서부터 순차적으로 동작하도록 하는 동작 순서와, 각 측정센서들로부터 센서 데이터를 수집하는 순서 등을 배치하는 장치이다.
이어, 학습데이터 생성부(120)는 수집된 센서 데이터에서 정상상태 데이터를 학습하여 학습 데이터를 생성한다(S220).
즉, 학습데이터 생성부(120)는, 실시간으로 수집된 센서 데이터에 대해 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하여 정상상태 데이터를 생성하고, 전처리 된 정상상태 데이터를 자동으로 학습(Learning)하여 학습 데이터를 생성하게 되는 것이다.
여기서, 전처리(Pre-Processing) 과정은, 실시간으로 수집한 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. 즉, 전처리 과정은 비정상 상태의 데이터가 제거된 정상 상태의 플랜트 데이터만을 생성하는 과정을 의미한다.
이렇게 전처리 된 정상상태 데이터들에 대해, 학습데이터 생성부(120)는 패턴을 찾아 구분하는 학습 동작을 실행하여 학습 데이터를 생성하는 것이다. 예를 들면, 학습데이터 생성부(120)는 하나 이상 수많은 정상상태 데이터를 서로 비교하고 분류하여 서로의 특징을 찾아가며 스스로 학습한다. 이는 하나의 정상상태 데이터를 학습하는 지도 학습(Supervised Learning)과 달리 여러가지 다른 정상상태 데이터들에 대해 각 데이터의 특징을 스스로 학습하는 비지도 학습(Unsupervised Learning)이라 할 수 있다.
학습데이터 생성부(120)는 이러한 정상상태 데이터들을 바탕으로 일정한 패턴을 찾아서 아주 작은 특징부터 큰 특징까지를 추출해 특징 지도(Feature Map)를 생성한다. 이때, 학습데이터 생성부(120)는 예를 들면, 여러 단계를 거쳐 특징을 추출하는 CNN(Convolutional Neural Network) 알고리즘을 통해 상위계층으로 올라갈수록 어려운 내용을 학습할 수 있다.
학습데이터 생성부(120)는 주어진 정상상태 데이터에서 특징 지도를 통해 패턴을 찾아 데이터를 분류하는 과정을 통해 새로운 정상상태 데이터에 대해서도 빠른 시간 내에 학습할 수 있다.
이어, 플랜트 모델부(130)는 생성된 학습 데이터를 모델링(Modeling)하여 플랜트 모델을 생성한다(S230).
즉, 플랜트 모델부(130)는 배치 스케줄러(Batch Scheduler)를 통해 정해진 주기마다 예컨대, 5분마다 데이터 수집부(110)에서 실시간으로 수집한 실시간 센서 데이터에 대해 비정상 데이터가 삭제된 정상상태 데이터를 학습하여 획득한 학습 데이터를 모델링하여 플랜트 모델로 생성하고, 플랜트 모델을 참조 데이터(Reference)로 플랜트 데이터베이스(DB)에 저장하게 되는 것이다.
또한, 플랜트 모델부(130)는, 학습 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링(Modeling)하여 예측 모델로서의 플랜트 모델을 생성할 수 있다. 즉, 플랜트 모델부(130)는 학습 모델에 대해, 도 4에 도시된 바와 같이 서로 다른 특징을 지닌 모델 기반으로 예측하기 위해 모수성(Parametric) 모델과 비모수성(Non-Parametric) 모델을 이용하여 모델링을 수행한다.
또한, 플랜트 모델부(130)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, 플랜트 모델부(130)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
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, 플랜트 모델부(130)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
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, 플랜트 모델부(130)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.
이에, 플랜트 모델부(130)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, 플랜트 모델부(130)는 (k)라는 데이터를 입력받으면, 도 5에 도시된 바와 같이 학습데이터 생성부(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)
Figure pat00001
(k)을 얻을 수 있다.
Figure pat00002
이에, 플랜트 모델부(130)는 정상상태 데이터에 대해 학습 모델을 통해 앙상블 학습(Ensemble Learning)을 수행하여 도 8에 도시된 바와 같이 가장 정확도가 높은 예측 데이터(Optimal_Estimated Value)를 출력할 수 있다. 따라서, 플랜트 모델부(130)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 8은 본 발명의 실시예에 따른 모수성 모델 및 비모수성 모델의 조합에 따라 정확도가 높은 예측 값을 산출한 결과를 나타낸 도면이다. 도 8에서, 플랜트 모델부(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, 플랜트 모델부(130)는 도 8에 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.
이때, 경보부(150)는 실시간으로 측정된 센서 데이터를 실측치(Sensor Data)로 하고, 학습 데이터를 예측치(Estimated Data)로 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 경보(Alarm)를 출력하게 된다. 또한, 경보부(150)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. 도 3은 본 발명의 실시예에 따른 플랜트를 측정한 센서 데이터로부터 알람을 출력하는 과정과, 플랜트 이상 감지를 위해 자동 학습하는 과정을 나타낸 도면이다.
도 3에 도시된 바와 같이, 고장 진단부(170)는 플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있는 진단 데이터베이스(160)에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고, 진단 결과(Diagnosis Result)에 따라 근본 원인을 추적하게 된다.
여기서, 진단 데이터베이스(160)에 저장되어 있는 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. 비정상 상태의 데이터에 대해 예를 들면, 운전변수와의 상관 관계를 통해 해당 기기별 진동, 압력, 온도, 유량 등이 허용치를 초과하는 데이터들이다. 이때, 허용치를 초과하는 의미는 일정 기준 범위에서 상한선 및 하한선을 벗어나는 것을 나타낸다.
따라서, 고장 진단부(170)는 진단 데이터베이스(160)에 저장된 고장 난 사례들에 대한 데이터에 근거해, 도 3에 도시된 바와 같이 알람이 발생된 플랜트 데이터가 입력되면, 진단 로직(알고리즘)에 따라 진동이 허용치를 초과했는지, 압력이 허용치를 초과했는지, 온도가 허용치를 초과했는지 등으로 진단 결과를 출력하게 된다. 즉, 고장 진단부(170)에서 출력된 진단 결과를 통해, 실시간으로 수집한 플랜트 데이터 중 일부에 알람이 발생한 경우에 무슨 이유로 알람이 발생했는지에 대한 근본적인 원인(온도, 진동, 압력 등)을 추적할 수 있게 되는 것이다.
한편, 학습 판단부(140)는 전술한 바와 같이 각 측정센서를 통해 현재 시점에서 측정된 센서 데이터를 학습할 것인지 여부를 판단(결정)한다(S240).
여기서, 학습 판단부(140)는 플랜트의 생산 전력이 특정 전력(Power) 이상일 때 각 측정센서를 통해 센서 데이터가 측정된 경우나, 경보부(150)로부터 알람 로직에 따른 조기 경보가 출력되지 않은 경우나, 각 측정센서 별로 일정 시간 기준으로 경보(Alarm)가 발생되지 않은 경우에 현재 측정된 센서 데이터를 학습하기로 결정(판단)할 수 있다.
이어, 학습 판단부(140)의 판단 결과, 현재 측정된 센서 데이터에 대해 학습하기로 결정된 경우(S250-예), 학습데이터 생성부(120)는 현재 측정된 센서 데이터와 기존의 학습 데이터를 조합하여 새로운 학습 데이터를 생성한다(S260).
즉, 학습데이터 생성부(120)는 도 3에 도시된 바와 같이 경보부(150)로부터 입력된 알람 정보(Alarm Information)에 근거해 알람이 발생되지 않은 경우, 즉, 현재 시점에서 측정된 센서 데이터(Sensor Data)가 정상상태 데이터이므로, 데이터 수집부(110)로부터 입력된 센서 데이터에 대해, 도 6에 도시된 바와 같이 데이터 처리(Data Processing)를 수행하여 기존의 학습 데이터 즉 모델링 데이터(Modeling Data)에 추가 데이터(Additional Data)로 인가하여 새로운 학습 데이터를 생성하는 것이다. 도 6은 본 발명의 실시예에 따라 현재 측정된 센서 데이터에 대해 데이터 처리를 수행하는 예를 나타낸 도면이다. 여기서, 기존의 모델링 데이터는 이전의 회차에 정상상태 데이터를 학습한 학습 데이터를 통해 생성된 플랜트 모델에 대한 데이터(2,000개)이고, 추가 데이터는 이번 회차에 수집된 센서 데이터(288개)이다. 기존 데이터에 추가 데이터를 인가하여 새로운 학습 데이터를 생성하는 예를 아래에서 구체적으로 설명한다.
먼저, 학습데이터 생성부(120)는 현재 측정된 센서 데이터(288개)를 기존의 학습 데이터 세트(2,000개)에 결합시켜 특정 특징(feature)에 근거한 새로운 데이터를 추출한다. 즉, 학습데이터 생성부(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.
여기서, 플랜트 데이터의 개수가 2,000 개이고, 경보부(150)에서 경보(Alarm)가 출력됨에 따라 경보부(150)로부터 알람 정보가 입력되며, 현재 측정되어 입력된 센서 데이터가 288 개인 경우, 학습데이터 생성부(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 3에 도시된 바와 같이 특징에 근거한 데이터 처리(Data Processing)를 수행한다. 여기서, 추가 데이터(indexAddData)는 최대 288 개이고, 자동 학습을 하면 하루 288 이하의 값이 학습데이터 생성부(120)에 입력된다.
도 6에 도시된 바와 같이, 학습데이터 생성부(120)는 기존의 학습 데이터(Xm_Pool) 2,000개에 추가 데이터(indexAddData) 값이 0부터 288 값이 입력되면, 전체 데이터(number XmPoolOn) 2,288개를 획득하고, 획득된 전체 데이터에 대해 분류(Sort)를 수행한다. 즉, 학습데이터 생성부(120)는 기존의 데이터 2,000개와 현재 수집된 센서 데이터 288개를 합한 2,288개의 데이터에 대해, 특정 데이터 간격으로 분류하고 소수점 이하를 버려서 새로운 학습 데이터를 생성하는 것이다.
먼저, 학습데이터 생성부(120)는 데이터 간격(interval)에 대해, 다음 수학식 1에 따라 전체 데이터 개수(2,288)를 플랜트 데이터 개수(2,000)로 나누어 1.144를 획득한다.
Figure pat00003
따라서, 학습데이터 생성부(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 학습데이터 생성부(120)는 도 7에 도시된 바와 같이 현재 측정된 센서 데이터(Xm_PoolOn)(288 개)와 기존의 학습 데이터(Xm_Pool)(2,000 개)를 결합하고, 비정상 데이터를 삭제하여 새로운 학습 데이터(Xm) 2,000 개를 생성하게 되는 것이다. 도 7은 본 발명의 실시예에 따라 현재 측정된 센서 데이터와 기존의 학습 데이터를 결합하여 특징에 근거한 새로운 학습 데이터를 생성하는 예를 나타낸 도면이다. 따라서, 학습데이터 생성부(120)는 이런 과정으로 생성된 새로운 학습 데이터를 플랜트 모델부(130)에 전달한다.
이어, 플랜트 모델부(130)는 새로운 학습 데이터를 정해진 주기로 받아들여 플랜트 모델링을 수행하여 기존의 플랜트 모델을 업데이트한다(S270).
예컨대, 플랜트 모델부(130)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.
따라서, 플랜트의 이상 감지에 이용하는 예측 데이터를 정확하게 산출하여 이용하게 됨으로써 조기에 플랜트 이상을 정확하게 감지하여 경보해 줄 수 있다.
전술한 바와 같이 본 발명에 의하면, 현재 시점에서 측정한 센서 데이터를 학습할 것인지 여부를 판단하고, 학습하기로 판단되면 기존의 학습 데이터와 측정된 센서 데이터를 조합하여 새로운 학습 데이터를 생성하며, 정해진 주기로 새로운 학습 데이터를 모델링하여 자동 학습을 수행할 수 있도록 하는, 플랜트 이상 감지를 위한 자동 학습 시스템 및 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 : 자동 학습 시스템 110 : 데이터 수집부
120 : 학습데이터 생성부 130 : 플랜트 모델부
140 : 학습 판단부 150 : 경고부
160 : 진단 DB 170 : 고장 진단부

Claims (10)

  1. 플랜트에 대해 센서 데이터를 수집하는 데이터 수집부;
    상기 수집된 센서 데이터에서 정상상태 데이터를 학습하여 학습 데이터를 생성하는 학습데이터 생성부;
    상기 생성된 학습 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 플랜트 모델부; 및
    상기 측정센서를 통해 현재 측정된 센서 데이터를 학습할 것인지 여부를 판단하는 학습 판단부를 포함하고,
    상기 학습데이터 생성부는 상기 학습 판단부의 판단 결과, 학습하기로 판단되면 현재 측정된 센서 데이터와 기존의 학습 데이터를 조합하여 새로운 학습 데이터를 생성하여 상기 플랜트 모델부에 전달하고,
    상기 플랜트 모델부는 상기 새로운 학습 데이터를 정해진 주기로 받아들여 플랜트 모델링(Plant Modeling)을 수행하여 상기 플랜트 모델을 업데이트하는,
    플랜트 이상 감지를 위한 자동 학습 시스템.
  2. 제 1 항에 있어서,
    상기 실시간으로 측정된 센서 데이터를 실측치로 하고, 상기 학습 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하는 경보부;
    를 더 포함하는, 플랜트 이상 감지를 위한 자동 학습 시스템.
  3. 제 2 항에 있어서,
    상기 학습 판단부는 상기 플랜트의 생산 전력이 특정 전력(Power) 이상일 때 각 측정센서를 통해 센서 데이터가 측정된 경우나, 상기 경보부로부터 알람 로직에 따른 조기 경보가 출력되지 않은 경우나, 상기 각 측정센서 별로 일정 시간 기준으로 경보(Alarm)가 발생되지 않은 경우에 상기 현재 측정된 센서 데이터를 학습하기로 결정하는, 플랜트 이상 감지를 위한 자동 학습 시스템.
  4. 제 1 항에 있어서,
    상기 학습데이터 생성부는 상기 수집된 센서 데이터에서 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하여 정상상태 데이터를 생성하고, 생성된 정상상태 데이터를 학습하여 학습 데이터를 생성하는, 플랜트 이상 감지를 위한 자동 학습 시스템.
  5. 제 1 항에 있어서,
    상기 플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있는 진단 데이터베이스; 및
    상기 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 상기 플랜트의 고장을 진단하고 근본 원인을 추적하는 고장 진단부;
    를 더 포함하는, 플랜트 이상 감지를 위한 자동 학습 시스템.
  6. (a) 데이터 수집부가 플랜트에 대해 각 측정센서를 통해 측정된 센서 데이터를 수집하는 단계;
    (b) 학습데이터 생성부가 상기 수집된 센서 데이터에서 정상상태 데이터를 학습하여 학습 데이터를 생성하는 단계;
    (c) 플랜트 모델부가 상기 생성된 학습 데이터를 모델링(Modeling)하여 플랜트 모델을 생성하는 단계;
    (d) 학습 판단부가 상기 측정센서를 통해 현재 측정된 센서 데이터를 학습할 것인지 여부를 판단하는 단계,
    (e) 학습데이터 생성부가, 상기 학습 판단부의 판단 결과, 학습하기로 판단되면 현재 측정된 센서 데이터와 기존의 학습 데이터를 조합하여 새로운 학습 데이터를 생성하는 단계; 및
    (f) 플랜트 모델부가 상기 새로운 학습 데이터를 정해진 주기로 받아들여 플랜트 모델링(Plant Modeling)을 수행하여 상기 플랜트 모델을 업데이트하는 단계;
    를 포함하는, 플랜트 이상 감지를 위한 자동 학습 방법.
  7. 제 6 항에 있어서,
    상기 (c) 단계는, 경보부가 실시간으로 측정된 센서 데이터를 실측치로 하고, 상기 학습 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하는 것을 더 포함하는, 플랜트 이상 감지를 위한 자동 학습 방법.
  8. 제 7 항에 있어서,
    상기 (d) 단계는, 상기 학습 판단부가 상기 플랜트의 생산 전력이 특정 전력(Power) 이상일 때 각 측정센서를 통해 센서 데이터가 측정된 경우나, 상기 경보부로부터 알람 로직에 따른 조기 경보가 출력되지 않은 경우나, 상기 각 측정센서 별로 일정 시간 기준으로 경보(Alarm)가 발생되지 않은 경우에 상기 현재 측정된 센서 데이터를 학습하기로 결정하는, 플랜트 이상 감지를 위한 자동 학습 방법.
  9. 제 6 항에 있어서,
    상기 (b) 단계에서 상기 학습데이터 생성부는, 상기 수집된 센서 데이터에서 전처리(Pre-Processing) 과정을 통해 비정상 데이터를 삭제하여 정상상태 데이터를 생성하고, 생성된 정상상태 데이터를 학습하여 상기 학습 데이터를 생성하는, 플랜트 이상 감지를 위한 자동 학습 방법.
  10. 제 7 항에 있어서,
    상기 (c) 단계는, 고장 진단부가 상기 플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있는 진단 데이터베이스에 근거해 진단 로직(Diagnosis Logic)을 이용하여 상기 플랜트의 고장을 진단하고 근본 원인을 추적하는 것을 더 포함하는, 플랜트 이상 감지를 위한 자동 학습 방법.
KR1020160055622A 2016-05-04 2016-05-04 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법 KR101842347B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160055622A KR101842347B1 (ko) 2016-05-04 2016-05-04 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160055622A KR101842347B1 (ko) 2016-05-04 2016-05-04 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20170125265A true KR20170125265A (ko) 2017-11-14
KR101842347B1 KR101842347B1 (ko) 2018-03-26

Family

ID=60387454

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160055622A KR101842347B1 (ko) 2016-05-04 2016-05-04 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101842347B1 (ko)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102095389B1 (ko) * 2018-12-24 2020-03-31 강릉원주대학교산학협력단 에너지 사용 시설물의 고장 진단 시스템
KR20200061931A (ko) * 2018-11-26 2020-06-03 두산중공업 주식회사 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법
KR20200091073A (ko) * 2019-01-22 2020-07-30 주식회사 케이디파워 발전기의 고장예측 진단 시스템
KR102182226B1 (ko) * 2020-07-22 2020-11-24 경북대학교 산학협력단 고장 검출 진단 시스템 및 진단방법
KR102215850B1 (ko) * 2019-11-22 2021-02-16 세메스 주식회사 반도체 제조 설비 점검을 위한 상관 인자 추출 장치 및 방법
KR20210030576A (ko) * 2019-09-10 2021-03-18 라온피플 주식회사 복수의 이미지들에 대해 기계학습 및 테스트를 수행하기 위한 방법 및 장치
KR20210049555A (ko) 2019-10-25 2021-05-06 한국과학기술연구원 시설의 센싱 데이터를 이미지화하여 시설의 상태를 판단하는 시스템 및 방법
US20210183528A1 (en) * 2019-12-17 2021-06-17 Kabushiki Kaisha Toshiba Information processing apparatus, information processing method, and non-transitory computer readable medium
KR102279351B1 (ko) * 2020-11-27 2021-07-20 성한 주식회사 표준 공조기와 운용 공조기의 적합화를 통한 인공지능 기반 고장 진단 방법
KR102281640B1 (ko) * 2021-03-24 2021-07-26 주식회사 유한테크 자가진단 기능을 구비한 ai 가스 누액 누출 감지시스템 및 운영방법
KR20210105195A (ko) * 2020-02-18 2021-08-26 두산중공업 주식회사 플랜트 고장 예지 장치 및 방법
KR20210109990A (ko) * 2020-02-28 2021-09-07 두산중공업 주식회사 플랜트 보일러 수명 예지 장치 및 방법
KR20210111034A (ko) * 2020-03-02 2021-09-10 두산중공업 주식회사 플랜트 수명 예지 장치 및 방법
KR102319648B1 (ko) * 2021-02-19 2021-11-01 (주)아와소프트 빅데이터를 기반으로 생성된 학습데이터를 제공하는 챗봇 시스템 및 그 방법
KR20210136273A (ko) * 2020-05-07 2021-11-17 두산중공업 주식회사 플랜트 고장을 예측 하는 방법 및 이를 위한 시스템
WO2021235594A1 (ko) * 2020-05-19 2021-11-25 하능교 비상용 발전기 원격 모니터링 시스템
KR20220023541A (ko) * 2020-08-21 2022-03-02 연세대학교 산학협력단 동적 분별 신호 학습을 통한 산업로봇의 적응적 예지보전 장치 및 방법
KR20220042687A (ko) * 2020-09-28 2022-04-05 김학철 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법
KR20220074278A (ko) * 2020-11-27 2022-06-03 한국과학기술연구원 발전설비의 고장을 감지하는 시스템 및 방법
KR20220089541A (ko) * 2020-12-21 2022-06-28 주식회사 엠앤디 원전의 감시 시스템 및 방법
KR20220089540A (ko) * 2020-12-21 2022-06-28 주식회사 엠앤디 원전의 감시 시스템 및 방법
WO2022154207A1 (ko) * 2021-01-13 2022-07-21 (주)에코파워텍 온도변화 추세 비교분석을 통한 고장예측이 가능한 배전반
KR102427205B1 (ko) * 2021-11-22 2022-08-01 한국건설기술연구원 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법
KR102612561B1 (ko) * 2022-10-13 2023-12-11 디아이랩 주식회사 학습모델을 이용한 센서의 데이터 이상을 탐지하기 위한 장치 및 이를 위한 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006135412A (ja) * 2004-11-02 2006-05-25 Tokyo Gas Co Ltd 遠隔監視システム
JP4573036B2 (ja) * 2005-03-16 2010-11-04 オムロン株式会社 検査装置および検査方法
JP5439265B2 (ja) * 2010-04-20 2014-03-12 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200061931A (ko) * 2018-11-26 2020-06-03 두산중공업 주식회사 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법
US11526687B2 (en) 2018-11-26 2022-12-13 Doosan Enerbilityty Co., Ltd. Apparatus for generating learning data for combustion optimization and method therefor
KR102095389B1 (ko) * 2018-12-24 2020-03-31 강릉원주대학교산학협력단 에너지 사용 시설물의 고장 진단 시스템
KR20200091073A (ko) * 2019-01-22 2020-07-30 주식회사 케이디파워 발전기의 고장예측 진단 시스템
KR20210030576A (ko) * 2019-09-10 2021-03-18 라온피플 주식회사 복수의 이미지들에 대해 기계학습 및 테스트를 수행하기 위한 방법 및 장치
KR20210049555A (ko) 2019-10-25 2021-05-06 한국과학기술연구원 시설의 센싱 데이터를 이미지화하여 시설의 상태를 판단하는 시스템 및 방법
US11580629B2 (en) 2019-10-25 2023-02-14 Korea Institute Of Science And Technology System and method for determining situation of facility by imaging sensing data of facility
KR102215850B1 (ko) * 2019-11-22 2021-02-16 세메스 주식회사 반도체 제조 설비 점검을 위한 상관 인자 추출 장치 및 방법
US11989014B2 (en) * 2019-12-17 2024-05-21 Kabushiki Kaisha Toshiba State estimation apparatus, method, and non-transitory computer readable medium
US20210183528A1 (en) * 2019-12-17 2021-06-17 Kabushiki Kaisha Toshiba Information processing apparatus, information processing method, and non-transitory computer readable medium
KR20210105195A (ko) * 2020-02-18 2021-08-26 두산중공업 주식회사 플랜트 고장 예지 장치 및 방법
KR20210109990A (ko) * 2020-02-28 2021-09-07 두산중공업 주식회사 플랜트 보일러 수명 예지 장치 및 방법
KR20210111034A (ko) * 2020-03-02 2021-09-10 두산중공업 주식회사 플랜트 수명 예지 장치 및 방법
KR20210136273A (ko) * 2020-05-07 2021-11-17 두산중공업 주식회사 플랜트 고장을 예측 하는 방법 및 이를 위한 시스템
WO2021235594A1 (ko) * 2020-05-19 2021-11-25 하능교 비상용 발전기 원격 모니터링 시스템
KR102182226B1 (ko) * 2020-07-22 2020-11-24 경북대학교 산학협력단 고장 검출 진단 시스템 및 진단방법
KR20220023541A (ko) * 2020-08-21 2022-03-02 연세대학교 산학협력단 동적 분별 신호 학습을 통한 산업로봇의 적응적 예지보전 장치 및 방법
KR20220042687A (ko) * 2020-09-28 2022-04-05 김학철 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법
KR102279351B1 (ko) * 2020-11-27 2021-07-20 성한 주식회사 표준 공조기와 운용 공조기의 적합화를 통한 인공지능 기반 고장 진단 방법
KR20220074278A (ko) * 2020-11-27 2022-06-03 한국과학기술연구원 발전설비의 고장을 감지하는 시스템 및 방법
KR20220089541A (ko) * 2020-12-21 2022-06-28 주식회사 엠앤디 원전의 감시 시스템 및 방법
KR20220089540A (ko) * 2020-12-21 2022-06-28 주식회사 엠앤디 원전의 감시 시스템 및 방법
WO2022154207A1 (ko) * 2021-01-13 2022-07-21 (주)에코파워텍 온도변화 추세 비교분석을 통한 고장예측이 가능한 배전반
KR102319648B1 (ko) * 2021-02-19 2021-11-01 (주)아와소프트 빅데이터를 기반으로 생성된 학습데이터를 제공하는 챗봇 시스템 및 그 방법
KR102281640B1 (ko) * 2021-03-24 2021-07-26 주식회사 유한테크 자가진단 기능을 구비한 ai 가스 누액 누출 감지시스템 및 운영방법
KR102427205B1 (ko) * 2021-11-22 2022-08-01 한국건설기술연구원 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법
KR102612561B1 (ko) * 2022-10-13 2023-12-11 디아이랩 주식회사 학습모델을 이용한 센서의 데이터 이상을 탐지하기 위한 장치 및 이를 위한 방법

Also Published As

Publication number Publication date
KR101842347B1 (ko) 2018-03-26

Similar Documents

Publication Publication Date Title
KR101842347B1 (ko) 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법
KR101825809B1 (ko) 플랜트 이상 감지 시스템 및 방법
EP3454289B1 (en) Plant abnormality detection method and system
EP3776113B1 (en) Apparatus and method for controlling system
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
CN108628281B (zh) 异常检测系统及异常检测方法
JP5538597B2 (ja) 異常検知方法及び異常検知システム
JP5301310B2 (ja) 異常検知方法及び異常検知システム
US7496798B2 (en) Data-centric monitoring method
US8347144B2 (en) False alarm mitigation
JP2004531815A (ja) 予測的状態監視のための診断システムおよび方法
CN111709447A (zh) 电网异常检测方法、装置、计算机设备和存储介质
CN108027611B (zh) 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法
KR20190025474A (ko) 플랜트 데이터 예측 장치 및 방법
WO2013012535A1 (en) Monitoring method using kernel regression modeling with pattern sequences
Jung Data-driven open-set fault classification of residual data using Bayesian filtering
US11568208B2 (en) Solution for machine learning system
JPWO2018051568A1 (ja) プラント異常診断装置及びプラント異常診断システム
JP2016080585A (ja) プラント状態解析装置
Li et al. An ensembled remaining useful life prediction method with data fusion and stage division
JP2020107248A (ja) 異常判定装置および異常判定方法
Dash et al. FDI-X: An Occlusion-based Approach for Improving the Explainability of Deep Learning Models in Fault Detection and Isolation
Geetha et al. Fuzzy expert system based sensor and actuator fault diagnosis for continuous stirred tank reactor
CN109583124A (zh) 一种基于adrc的hmm故障预测系统
JP2018081335A (ja) プラント運転データ解析システム

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant