KR20180024331A - 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 - Google Patents

Abstract

본 발명은 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 조기 경보시스템을 제공한다. 상기 외부 영향을 고려한 최신 데이터 학습 방법은 조기 경보 처리 장치에서, 기기 감시변수들을 외부 환경 영향에 따라 분류하는 단계와 상기 조기 경보 처리 장치에서, 상기 분류된 감시변수별로 패턴학습 방법을 다르게 적용하는 단계를 포함한다.

Description

조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템{LEARNING METHOD ON RECENT DATA CONSIDERING EXTERNAL EFFECT IN EARLY ALARM SYSTEM, AND SYSTEM USING THEREOF}

본 발명은 조기경보시스템에서 과거 데이터 학습을 위한 방법에 관한 것으로 더 구체적으로는 조기경보 시스템에서의 최신 데이터 학습 방법에 관한 것이다.

조기경보시스템은 기기의 고장을 사전에 예방하기 위하여 사용되는 시스템으로서 군사, 항공, 발전 분야에서 많이 도입하여 사용되고 있다.

조기경보시스템의 원리는 과거의 정상운전 데이터를 이용하여 상관관계가 있는 기기들간의 영향을 계산하여 예측값을 만들고 이 예측값을 현재값과 비교하여 잔차(residual)을 계산하여 그 잔차가 정상운전 범위를 벗어나면 경보가 발생되도록 하는 방법이다.

기기들 간의 영향 정도를 구하기 위해서는 여러 가지 수학적 방법들이 사용되는데 그 대표적인 방법이 통계적 방법을 이용한 커널회귀법과 신경망방법, 그룹화방법 등이 있다.

조기경보 프로그램은 과거 정상운전 데이터의 패턴학습을 기반으로 하는데 패턴학습에 사용하는 데이터는 대부분 1년 이상의 기간동안 운전된 데이터를 사용한다. 이는 봄, 여름, 가을, 겨울 사계절에 따른 기기의 외부환경 영향을 반영하기 위한 것이다. 하지만 상기와 같이 과거 1년간의 데이터를 사용할 경우에 현재 기기의 외부환경이 1년전의 환경과 차이가 많이 나는 경우에 문제가 된다. 패턴학습된 데이터가 최신의 것이 아니기 때문에 운전 환경의 변화로 조기경보에 오경보가 발생할 가능성이 높기 때문이다.

조기경보시스템은 오경보가 발생할 확률을 최소화 시켜야만 실질적인 효과를 볼 수 있다. 그렇지 않으면, 운영자가 수많은 경보를 분석하는 동안 중요한 경보를 놓칠 수 있고, 운영자의 집중력을 저하시켜 실제 기기의 문제로 발생되는 경보를 찾아낼 수 없게 될 수도 있다. 따라서 운전조건의 변화를 반영하여 최신 데이터로 학습을 수행하는 것이 중요하다.

현재의 조기경보 프로그램은 조기경보 프로그램 운영중 외부환경이 변하여도 학습에 반영되지 않아 사용자가 외부환경 변화를 인지하고 수동 작업을 통하여 바뀐 외부환경에 대한 패턴학습을 다시 해야하는 문제가 있다.

본 발명의 목적은 조기경보시스템의 운영에 필수적인 과거 데이터 패턴학습을 위한 방법을 제공하는 것이다. 더 구체적으로는, 대기온도, 기압, 습도, 해수온도 등의 기기의 외부 환경요소에 대한 최신 데이터를 학습에 포함하여 조기경보의 신뢰성을 향상시킬 수 있는 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템을 제공하는 것이다.

본 발명의 일 측면에 따르면, 본 발명은 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법을 제공한다. 상기 외부 영향을 고려한 최신 데이터 학습 방법은 조기 경보 처리 장치에서, 기기 감시변수들을 외부 환경 영향에 따라 분류하는 단계와 상기 조기 경보 처리 장치에서, 상기 분류된 감시변수별로 패턴학습 방법을 다르게 적용하는 단계를 포함한다.

상기 외부 환경 영향에 따라 분류하는 단계는 각각의 상기 기기 감시변수들과 각각의 외부환경 요인들 간의 상관도를 계산하는 단계와 상기 기기 감시변수들을 상기 계산된 상관도 값에 따라 분류하는 단계를 포함한다.

상기 외부 환경 요인들은 대기온도, 기압, 습도, 해수온도 중 적어도 하나를 포함한다.

상기 계산된 상관도 값에 따라 분류하는 단계는 운영자가 사전에 지정한 제1 기준과 제2 기준 - 상기 제1 기준은 상기 제2 기준보다 큰 값을 가짐 - 에 따라 상기 상관도 값이 상기 제1 기준 이상 또는 초과일 경우 제1 그룹으로 분류하고, 상기 상관도 값이 상기 제2 기준 이상 또는 초과부터 상기 제1 기준 이하 또는 미만일 경우 제2 그룹으로 분류하고, 상기 상관도 값이 상기 제2 기준 이하 또는 미만일 경우 제3그룹으로 분류하는 것을 특징으로 할 수 있다.

상기 패턴학습 방법을 다르게 적용하는 단계는 상기 제1그룹의 감시변수들, 상기 제2 그룹의 감시변수들, 및 상기 제3 그룹의 감시변수들 각각에 대해 자동 재학습 방법, 수동 재학습 방법, 및 재학습하지 않는 방법 중 어느 하나를 적용하는 것을 특징으로 할 수 있다.

상기 제1 그룹의 감시변수들은 자동 재학습 데이터베이스에 저장되며, 상기 외부 환경 요인의 변화가 사전에 구축된 학습 패턴과 일정 기준이상 차이가 나는 경우 상기 외부 환경 요인과 상기 제1 그룹의 감시변수들에 대해 동시에 최신 패턴 학습이 자동으로 되는 것을 특징으로 할 수 있다.

상기 제2 그룹의 감시변수들은 조기경보 발생시에 상기 외부 환경 요인에 의한 경보로 판단되면 운영자에 의해 최신 패턴 학습이 수동으로 재학습되는 것을 특징으로 할 수 있다.

상기 제3 그룹의 감시변수들은 재학습을 하지 않는 것을 특징으로 할 수 있다.

본 발명의 또 다른 측면에 따르면, 본 발명은 외부 영향을 고려한 최신 데이터 학습 방법을 이용하는 조기경보시스템을 제공한다. 상기 조기경보시스템은 기기 감시변수들을 외부 환경 영향에 따라 분류하고, 상기 분류된 감시변수별로 패턴학습 방법을 다르게 적용하는 조기경보처리장치를 포함한다.

상기 외부 환경 영향에 따라 분류하는 것은 각각의 상기 기기 감시변수들과 각각의 외부환경 요인들 간의 상관도를 계산하고, 상기 기기 감시변수들을 상기 계산된 상관도 값에 따라 분류하는 것을 포함할 수 있다.

상기 외부 환경 요인들은 대기온도, 기압, 습도, 해수온도 중 적어도 하나를 포함할 수 있다.

상기 계산된 상관도 값에 따라 분류하는 것은 운영자가 사전에 지정한 제1 기준과 제2 기준 - 상기 제1 기준은 상기 제2 기준보다 큰 값을 가짐 - 에 따라 상기 상관도 값이 상기 제1 기준 이상 또는 초과일 경우 제1 그룹으로 분류하고, 상기 상관도 값이 상기 제2 기준 이상 또는 초과부터 상기 제1 기준 이하 또는 미만일 경우 제2 그룹으로 분류하고, 상기 상관도 값이 상기 제2 기준 이하 또는 미만일 경우 제3그룹으로 분류하는 것을 특징으로 할 수 있다.

상기 패턴학습 방법을 다르게 적용하는 것은 상기 외부 환경 요인의 영향을 많이 받는 감시변수들, 상기 외부 환경 요인의 영향이 모호한 감시변수들, 및 상기 외부 환경 요인의 영향을 받지 않는 감시변수들 각각에 대해 자동 재학습 방법, 수동 재학습 방법, 및 재학습하지 않는 방법 중 어느 하나를 적용하는 것을 특징으로 할 수 있다.

상기 제1 그룹의 감시변수들은 자동 재학습 데이터베이스에 저장되며, 상기 외부 환경 요인의 변화가 사전에 구축된 학습 패턴과 일정 기준이상 차이가 나는 경우 상기 외부 환경 요인과 상기 제1 그룹의 감시변수들에 대해 동시에 최신 패턴 학습이 자동으로 되는 것을 특징으로 할 수 있다.

상기 제2 그룹의 감시변수들은 조기경보 발생시에 상기 외부 환경 요인에 의한 경보로 판단되면 운영자에 의해 최신 패턴 학습이 수동으로 재학습되는 것을 특징으로 할 수 있다.

상기 제3 그룹의 감시변수들은 재학습을 하지 않는 것을 특징으로 할 수 있다.

본 발명의 외부 환경을 고려한 학습 방법 및 그 시스템은 외부환경 요인과 상관관계가 높은 감시신호는 자동으로 최신 패턴학습을 수행하도록 하여 불필요한 조기경보 발생을 최소화할 수 있다. 또한, 조기경보시스템 운영자가 실제 기기 이상으로 발생하는 조기경보 분석에 집중할 수 있도록 하여 조기경보시스템 운영의 효율성과 신뢰성을 향상시키는 효과가 있다.

도 1은 종래 조기 경보 시스템의 구성도이다.
도 2는 종래 조기 경보 시스템에서의 학습 방법의 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 학습 방법의 순서도이다.
도 4는 외부 환경(대기 온도)의 변화에 따른 상관관계 분석도의 예이다.
도 5는 외부 환경(대기 온도)의 변화에 따른 상관관계 분석도의 또 다른 예이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 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.

제1, 제2 등을 포함하는 용어가 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재 항목들의 조합 또는 복수의 관련된 기재 항목들 중의 어느 항목을 포함한다.

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 있다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 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, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나, 숫자, 단계, 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 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 첨부한 도면들을 참조하여 본 발명에 바람직한 실시 예를 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어 도면 부호에 상관없이 동일하거나 대응하는 구성요소는 동일한 참조번호를 부여하고 이에 대해 중복되는 설명은 생략하기로 한다.

도 1은 종래 조기경보시스템의 구성도이다. 도 1을 참조하면, 종래의 조기경보시스템은 발전소 기기들의 상태를 계측하는 계측기(100), 상기 계측기(100)들로부터 취득된 감시 신호(예를 들어, 압력, 온도, 유량 등)을 수신하여 저장하고 디지털 데이터로 변환하는 데이터처리장치(110), 상기 변환된 데이터를 분석하여 조기 경보를 발생시키는 조기경보처리장치(120), 및 운영자가 상기 기기 상태 및 조기 경보 상태 등을 조회하는 운영자모니터(130)를 포함한다.

도 2는 종래 조기 경보 시스템에서의 학습 방법의 순서도이다. 도 2에 도시된 바와 같이, 데이터처리장치(110)는 계측기들로부터 계측기 신호들을 수신한다(S200).

수신된 계측기 신호들은 아날로그 신호이고 데이터처리장치(110)에서 디지털 데이터로 변환하는 데이터 처리 단계를 거친다(S210).

그런 다음 데이터처리장치(110)는 실시간으로 계측기 신호들의 현재 값들을 산출한다(S220).

조기경보처리장치(120)는 상기 데이터 처리 단계를 거친 일정기간의 과거 계측기 신호 데이터들을 데이터처리장치(110)로부터 수신하여 사전에 패턴 학습 모델을 생성한다(S230).

산출된 현재 값들은 조기경보처리장치(120)로 전송되고, 조기경보처리장치(120)는 미리 생성한 패턴 학습 모델을 이용하여 예측 값들을 산출한다(S240).

상기 현재값들과 예측값들을 이용하여 잔차(residual)들(즉, |현재값-예측값|)을 계산한다(S250).

상기 잔차들을 각각 미리 설정된 각 감시변수(예를 들어, 온도, 압력, 유량 등)의 정상 운전 범위와 비교한다(S260). 잔차가 정상 운전 범위를 벗어나면 경보를 발생시키고(S270), 잔차가 정상 운전 범위를 벗어나지 않으면 경보를 발생시키지 않는다. 이때 경보 발생을 위한 정상운전 범위는 운영자가 조정할 수 있다.

경보 발생시 조기경보처리장치(120)는 운영자모니터(130)로 경보 현황 정보를 전송하여 운영자가 조회할 수 있게 한다(S280).

종래의 조기경보시스템의 패턴학습 프로그램은 어떤 감시 변수가 외부환경에 영향을 크게 받는지 또는 적게 받는지를 인식하지 못하고 다만 각 감시변수의 일정기간(예를 들어, 1년) 과거 데이터를 그대로 학습하여 학습모델로 저장한 다음 예측값 계산에 활용한다.

종래와 같은 방법으로 예측값을 구하여 잔차를 구하는 경우 외부 환경 변화가 반영되지 못하기 때문에 오경보가 발생할 가능성이 크다. 따라서 본 발명에서는 패턴학습시 외부 환경 변화를 고려하여 최신 데이터를 학습하는 방법을 제공한다.

본 발명의 일 실시 예에서는 모든 감시 대상 변수를 세 가지로 분류하고 그 분류에 따라 각각 다른 학습 방법을 적용한다.

첫 번째 분류는 외부 영향에 영향을 받지 않는 감시변수들이다. 이러한 감시변수들은 외부 영향을 받지 않기 때문에 기존 패턴학습 모델을 그대로 적용하면 된다.

두 번째 분류는 외부 환경의 영향을 받는 감시변수들이다. 외부 환경의 영향을 받는 감시변수들은 외부 환경 요인에 따라 값이 변하므로 외부환경 조건의 변화를 고려하지 않을 경우 학습모델의 신뢰성이 떨어진다고 볼 수 있다. 따라서 이와 같은 분류의 감시변수들은 변화된 외부환경을 반영한 최신 패턴학습을 수행해야 한다.

마지막 세 번째 분류는 외부 영향을 받는지 안받는지 구분이 모호한 감시변수들이다. 이러한 감시변수들은 운영자에 의해 외부환경의 변화로 해당 감시변수들에 조기경보가 발생한다고 분석되면 상기 외부 환경의 영향을 받는 감시변수들의 경우와 같이 외부환경 변화가 반영된 최신 패턴학습을 수행하고, 반대로 분석되면 기존 패턴학습 모델을 그대로 적용하면 된다.

도 3은 본 발명의 일 실시 예에 따른 학습 방법의 순서도이다. 도 3을 참조하면, 먼저 모든 조기경보 감시대상 신호별(감시변수별) 패턴모델들(330)을 발전소의 외부환경 요소의 패턴모델들(예를 들어, 발전소의 대표적인 외부환경 요소인 대기온도, 대기압력, 해수온도의 패턴모델들(300, 310, 320))과 각각 상관관계 분석을 수행하여 상관도 계산을 수행한다(S300). 이때 상관관계 계산은 일반적으로 통계해석에서 사용되는 상관분석(correlation analysis)을 사용한다. 예를 들어, 과거 일정 기간 동안의 외기온도 및 대기압 등의 외부환경 조건과 각 기기의 온도, 압력, 진동 등의 감시신호들의 변화를 각각 비교하여 각 외부조건들과 각각의 신호별 상관도를 구할 수 있다.

상관도 계산 결과를 이용하여 감시변수들과 외부 환경과의 상관도를 판단하고(S310), 감시변수들을 자동 재학습 그룹, 재학습 불필요 그룹, 및 수동 재학습 그룹으로 분류한다(S320).

상관도 계산 결과 [상관도 ≥ 0.8]인 경우는 외부환경 요인과 상관도가 높은 감시신호(감시변수)로써 자동 재학습 그룹으로 분류하고 재학습대상 데이터베이스에 저장한다(S330).

[상관도 < 0.5]인 경우는 외부환경 요인과 상관도가 낮은 감시신호(감시변수)로써 재학습이 불필요한 그룹으로 분류된다.

[0.5 ≤ 상관도 < 0.8]인 경우는 외부환경 요인과 상관도를 판정하기에 모호한 경우로 수동 재학습 그룹으로 분류한다. 추후에 수동 재학습 그룹의 감시신호에서 조기경보가 발생하면 운영자는 외부환경 요인에 의한 경보인지 분석을 수행한다. 그 결과 외부환경 요인으로 판단이 되면 운영자에 의해 수동으로 최신 패턴학습이 수행된다. 반대로 조기경보가 발생하지 않거나, 발생하더라도 외부환경 요인에 의한 경보가 아니면 재학습은 불필요하다.

한편 발전소 운전시 실시간으로 측정된 외부 환경요소 현재값(예를 들어, 해수온도, 대기온도, 및 대기압력(400, 410, 420) 등의 감시변수들의 값)은 과거 외부 환경요소 패턴학습 값이 저장된 패턴학습 데이터베이스에 입력된다(S400). 그런 다음 현재값과 패턴학습 데이터베이스에 저장된 월별 값을 비교한다(S410).

월별 값으로 비교하는 이유는 외부환경 요인인 해수온도, 대기온도, 및 대기압력 등이 날씨와 밀접하게 관련되고 우리나라 날씨는 월별로 변하는 경향이 있기 때문이다. 현재값(측정된 데이터에는 현재 측정된 값과 측정된 날짜가 포함되어 있어 몇월의 데이터인지 인식이 가능함)이 입력되면 사전에 패턴학습되어 저장된 해당 월의 최대값 및 최소값과 비교하여 그 차이가 예를 들어, 10% 이상 나면 현재 학습된 패턴과의 차이가 크다고 판단하고 자동 재학습이 필요하다고 인식하게 할 수 있다.

비교는 반드시 월별로 할 필요는 없고 매일의 최소값/최대값으로 비교할 수도 있다. 다만, 그럴 경우 불필요한 경보가 자주 발생할 수도 있다.

현재값과 월별 최고값 또는 최저값을 비교(S410)한 결과 그 차이가 운영자가 지정한 소정의 차이(예를 들어, 10%) 이상 발생하면 외부환경 요인의 변화가 커서 그 영향이 기기 감시신호에 영향을 주는 것으로 판단할 수 있다. 즉, 자동 재학습이 필요한 조건이 발생했음을 의미한다(S420).

자동 재학습 조건이 발생하면 외부환경 변수(예를 들어, 해수온도, 대기온도, 대기압력)에 대해 자동 재학습을 수행한다. 이와 동시에 재학습 대상 데이터베이스에 있는 감시변수들에 대해서도 자동 재학습을 하게 되어 새로운 패턴모델을 생성하게 된다(S430).

도 4와 도 5는 외부 환경(해수 온도)의 변화에 따른 상관관계 분석도의 예이다. 도 4와 도 5를 참조하면, 각 그래프는 외부환경 감시변수(해수 온도)와 임의의 기기 감시변수 간의 상관도를 나타낸 것이다. 각 선들은 외부환경 감시변수(해수 온도)의 1년치 과거 운전 데이터 패턴(실선)(502)과 임의의 기기 감시변수(펌프 베어링온도, 기기냉각열교환기 입구온도, 펌프입구 유량, 펌프 출구 압력, 발전기 오일탱크 수위 등)의 패턴(점선)(503)을 나타낸다. 도 4와 도 5의 외부환경 감시변수는 해수 온도에 관한 것이므로, 1월과 12월에 가장 낮은 값을 가지고, 7월과 8월에 가장 높은 값을 가지며 변하는 것을 볼 수 있다.

각 그래프의 CF(501)는 상관도계수(correlation factor)를 나타내는 것으로 상관도계수 값이 클수록 외부환경 감시변수의 패턴(503)과 기기 감시변수의 패턴(502)이 매우 유사한 것을 볼 수 있다.

도 4의 1번 그래프는 해수온도 패턴과 기기냉각열교환기 입구온도 패턴을 나타낸 것으로 패턴이 서로 매우 유사하여 상관도가 0.9이상으로 나타나 상관관계가 매우 높음을 알 수 있다. 따라서, 자동 재학습 대상이 된다.

도 4의 2번 그래프도 상관도가 0.8 이상으로 외부환경의 영향을 받는 감시변수로 분류되어 자동 재학습 대상이 될 수 있다.

도 4의 3,4번 그래프들과 도 5의 5번 그래프는 외부환경의 영향이 모호한 경우로써 조기경보가 발생하지 않은 경우에는 별도의 재학습이 필요없고, 조기경보가 발생한 경우에 경보의 원인이 외부환경인 것으로 판단될 경우 수동 재학습을 하도록 한다. 도 5의 6,7,8번 그래프들은 상관도가 0.5 미만으로 외부환경의 영향을 받지않는 경우로 분류할 수 있다. 예를 들어, 8번 그래프의 경우 해수온도 패턴과 펌프베어링진동의 패턴을 도시한 것으로 두 패턴 간에 전혀 연관성이 없다. 해수온도는 1월부터 상승하여 8월에 정점을 찍고 다시 12월까지 감소하는 패턴인데 펌프베어링진동의 패턴은 계절이나 월별에 관계없이 피크(peak)를 치고 떨어지는 패턴을 반복하고 있다. 이런 경우 상관관계가 매우 낮아 외부환경 영향이 없으며, 별도의 재학습도 필요없는 경우로 분류된다.

이상에서 본 발명의 다수의 실시 예가 기술되었다. 그럼에도 불구하고, 전술한 설명은 예시를 위한 것이며 다음의 청구항들의 범위에 의해 정의되는 본 발명의 범위를 한정하는 것이 아닌 것으로 이해되어야 한다. 따라서 다른 실시 예들이 또한 다음 청구항들의 범위 내에 있다. 예를 들어, 다양한 변형이 본 발명의 범위를 벗어남 없이 만들어질 수 있다. 부가적으로, 전술된 단계들의 일부는 순서 독립적이므로 기술된 것과 다른 순서로 수행될 수 있다.

100: 계측기 110: 데이터처리장치
120: 조기경보처리장치 130: 통합센터 운영자모니터
501: 상관도계수(Correlation Factor)
502: 기기 감시 변수 패턴 503: 외부 환경 감시 변수 패턴

Claims (16)

1. 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법에 있어서, 상기 방법은
   조기 경보 처리 장치에서, 기기 감시변수들을 외부 환경 영향에 따라 분류하는 단계; 및
   상기 조기 경보 처리 장치에서, 상기 분류된 감시변수별로 패턴학습 방법을 다르게 적용하는 단계를 포함하는, 최신 데이터 학습 방법.
2. 제1항에 있어서, 상기 외부 환경 영향에 따라 분류하는 단계는
   각각의 상기 기기 감시변수들과 각각의 외부환경 요인들 간의 상관도를 계산하는 단계; 및
   상기 기기 감시변수들을 상기 계산된 상관도 값에 따라 분류하는 단계를 포함하는, 최신 데이터 학습 방법.
3. 제2항에 있어서,
   상기 외부 환경 요인들은 대기온도, 기압, 습도, 해수온도 중 적어도 하나를 포함하는, 최신 데이터 학습 방법.
4. 제2항에 있어서, 상기 계산된 상관도 값에 따라 분류하는 단계는
   운영자가 사전에 지정한 제1 기준과 제2 기준 - 상기 제1 기준은 상기 제2 기준보다 큰 값을 가짐 - 에 따라 상기 상관도 값이 상기 제1 기준 이상 또는 초과일 경우 제1 그룹으로 분류하고,
   상기 상관도 값이 상기 제2 기준 이상 또는 초과부터 상기 제1 기준 이하 또는 미만일 경우 제2 그룹으로 분류하고,
   상기 상관도 값이 상기 제2 기준 이하 또는 미만일 경우 제3그룹으로 분류하는 것을 특징으로 하는, 최신 데이터 학습 방법.
5. 제4항에 있어서, 상기 패턴학습 방법을 다르게 적용하는 단계는
   상기 제1그룹의 감시변수들, 상기 제2 그룹의 감시변수들, 및 상기 제3 그룹의 감시변수들 각각에 대해 자동 재학습 방법, 수동 재학습 방법, 및 재학습하지 않는 방법 중 어느 하나를 적용하는 것을 특징으로 하는, 최신 데이터 학습 방법.
6. 제5항에 있어서,
   상기 제1 그룹의 감시변수들은 자동 재학습 데이터베이스에 저장되며,
   상기 외부 환경 요인의 변화가 사전에 구축된 학습 패턴과 일정 기준이상 차이가 나는 경우 상기 외부 환경 요인과 상기 제1 그룹의 감시변수들에 대해 동시에 최신 패턴 학습이 자동으로 되는 것을 특징으로 하는, 최신 데이터 학습 방법.
7. 제5항에 있어서,
   상기 제2 그룹의 감시변수들은 조기경보 발생시에 상기 외부 환경 요인에 의한 경보로 판단되면 운영자에 의해 최신 패턴 학습이 수동으로 재학습되는 것을 특징으로 하는, 최신 데이터 학습 방법.
8. 제5항에 있어서,
   상기 제3 그룹의 감시변수들은 재학습을 하지 않는 것을 특징으로 하는, 최신 데이터 학습 방법.
9. 외부 영향을 고려한 최신 데이터 학습 방법을 이용하는 조기경보시스템에 있어서, 상기 시스템은
   기기 감시변수들을 외부 환경 영향에 따라 분류하고,
   상기 분류된 감시변수별로 패턴학습 방법을 다르게 적용하는 조기경보처리장치를 포함하는, 조기경보시스템.
10. 제9항에 있어서, 상기 외부 환경 영향에 따라 분류하는 것은
    각각의 상기 기기 감시변수들과 각각의 외부환경 요인들 간의 상관도를 계산하고,
    상기 기기 감시변수들을 상기 계산된 상관도 값에 따라 분류하는 것을 포함하는, 조기경보시스템.
11. 제10항에 있어서,
    상기 외부 환경 요인들은 대기온도, 기압, 습도, 해수온도 중 적어도 하나를 포함하는, 최신 데이터 학습 방법.
12. 제10항에 있어서, 상기 계산된 상관도 값에 따라 분류하는 것은
    운영자가 사전에 지정한 제1 기준과 제2 기준 - 상기 제1 기준은 상기 제2 기준보다 큰 값을 가짐 - 에 따라 상기 상관도 값이 상기 제1 기준 이상 또는 초과일 경우 제1 그룹으로 분류하고,
    상기 상관도 값이 상기 제2 기준 이상 또는 초과부터 상기 제1 기준 이하 또는 미만일 경우 제2 그룹으로 분류하고,
    상기 상관도 값이 상기 제2 기준 이하 또는 미만일 경우 제3그룹으로 분류하는 것을 특징으로 하는, 조기경보시스템.
13. 제12항에 있어서, 상기 패턴학습 방법을 다르게 적용하는 것은
    상기 외부 환경 요인의 영향을 많이 받는 감시변수들, 상기 외부 환경 요인의 영향이 모호한 감시변수들, 및 상기 외부 환경 요인의 영향을 받지 않는 감시변수들 각각에 대해 자동 재학습 방법, 수동 재학습 방법, 및 재학습하지 않는 방법 중 어느 하나를 적용하는 것을 특징으로 하는, 조기경보시스템.
14. 제13항에 있어서,
    상기 제1 그룹의 감시변수들은 자동 재학습 데이터베이스에 저장되며,
    상기 외부 환경 요인의 변화가 사전에 구축된 학습 패턴과 일정 기준이상 차이가 나는 경우 상기 외부 환경 요인과 상기 제1 그룹의 감시변수들에 대해 동시에 최신 패턴 학습이 자동으로 되는 것을 특징으로 하는, 조기경보시스템.
15. 제13항에 있어서,
    상기 제2 그룹의 감시변수들은 조기경보 발생시에 상기 외부 환경 요인에 의한 경보로 판단되면 운영자에 의해 최신 패턴 학습이 수동으로 재학습되는 것을 특징으로 하는, 조기경보시스템.
16. 제13항에 있어서,
    상기 제3 그룹의 감시변수들은 재학습을 하지 않는 것을 특징으로 하는, 조기경보시스템.

Images