KR20180125276A - 이상 신호 복원 시스템 및 방법 - Google Patents

이상 신호 복원 시스템 및 방법 Download PDF

Info

Publication number
KR20180125276A
KR20180125276A KR1020170059962A KR20170059962A KR20180125276A KR 20180125276 A KR20180125276 A KR 20180125276A KR 1020170059962 A KR1020170059962 A KR 1020170059962A KR 20170059962 A KR20170059962 A KR 20170059962A KR 20180125276 A KR20180125276 A KR 20180125276A
Authority
KR
South Korea
Prior art keywords
restoration
model
signal set
signal
partial
Prior art date
Application number
KR1020170059962A
Other languages
English (en)
Other versions
KR101955091B1 (ko
Inventor
박지훈
김현식
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 KR1020170059962A priority Critical patent/KR101955091B1/ko
Priority to US15/949,364 priority patent/US11308408B2/en
Priority to DE102018109896.0A priority patent/DE102018109896A1/de
Publication of KR20180125276A publication Critical patent/KR20180125276A/ko
Application granted granted Critical
Publication of KR101955091B1 publication Critical patent/KR101955091B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G06N5/047—Pattern matching networks; Rete networks
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/805—Real-time

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명의 실시예에 따른 이상 신호 복원 시스템을 제공한다. 이상 신호 복원 시스템은 복수 개의 태그에 대한 신호집합 U에서 이상 신호를 포함하는 일부 태그를 삭제 처리한 부분 신호집합 U* 및 모두 정상 신호인 태그로 구성되는 학습신호집합 X에서 상기 일부 태그와 대응되는 위치에 배치된 태그를 삭제 처리한 제1 부분 학습신호집합 X*를 생성하는 데이터처리부, 상기 제1 부분 학습신호집합 X*로부터 추출할 있는 특징 정보 F 및 이상 신호 복원을 위해 사용할 수 있는 복수 개의 복원모델들에 대한 복원정보 P를 생성하는 모델링부 및 상기 특징 정보 F를 바탕으로 상기 학습신호집합 X의 특징을 분석하고, 상기 복원 정보 P를 통해 생성된 복원모델들과 상기 학습신호집합 X의 특징을 매칭시켜 최적의 복원 모델을 선정하여 상기 일부 태그에 대한 정상 신호를 추정하여 복원하는 복원부를 포함한다.

Description

이상 신호 복원 시스템 및 방법{Fault Signal Recovery System and Method}
본 발명은 플랜트를 측정한 신호를 수집하고, 측정한 신호 중에 있는 이상 신호(Fault Signal)를 복원하기 위한 것으로, 구체적으로 최적의 복원모델을 선정하기 위한 이상 신호 복원 시스템 및 방법에 관한 것이다.
일반적으로 발전 또는 화학 등의 대형 플랜트(plant)들은 다양한 종류의 수백 개의 기계 및 전기 설비들이 복잡하게 연결되어 운전되고 있다. 이런 플랜트들은 신뢰성을 확보하여 안정적으로 전력을 공급하기 위해, 사고의 발단이 되는 이상 징후를 상시로 감시해야 한다. 이에, 플랜트를 구성하는 주요 구성 부품의 파손 여부를 실시간으로 감지하고 부품에 이상 징후가 발견되는 경우 운전자에게 알람을 발생시키는 감시장치가 이용되고 있다.
즉, 플랜트의 고장은 플랜트에 피해를 끼쳐 원하지 않는 성능을 보이게 되거나, 이에 더 나아가 플랜트가 파괴되는 경우, 사람이 다치거나 죽을 수 있으며, 환경 문제를 야기할 수도 있다. 따라서 조기에 고장을 감지할 수 있는 조기 경보 시스템이 반드시 필요한다.
고장 또는 고장 가능성을 조기에 알려주는 조기 경보 시스템은 플랜트에서 실시간 관측 신호를 받아 저장하고, 이를 바탕으로 이상이 있는 신호를 분별하여 미리 알려주어야 한다. 그래서, 이러한 고장 감지 시스템에서 가장 중요한 부분은 조기에 고장을 예측할 수 있는 고장 예측 모델일 수 있다. 고장 예측 모델은 플랜트의 정상 상태를 정확히 예측하고, 정상 상태와 상이한 관측 신호가 들어오는 경우 고장이 났다고 예측할 수 있다.
고장 예측 모델이 가능한 한 정확하게 동작하기 위해서는 질 좋은 학습데이터가 필요하다. 즉, 질 좋은 학습데이터를 이용하여 정상상태에 대해 학습을 수행함으로써 고장 예측 모델의 정확성을 높일 수 있다. 따라서 정확한 고장 예측 모델을 위해서는 질 좋은 학습 데이터를 확보하는 것이 최우선 과제라 할 수 있다. 그런데 관측된 신호 중 대부분은 학습 데이터로써 매우 적합한데도 불구하고, 플랜트의 실질적인 고장뿐만 아니라 센서 고장이나 네트워크 문제 등으로 인하여 일부 센서에서 이상 신호가 들어오는 경우가 있다. 일반적으로 이러한 이런 이상 신호가 포함되어 있는 데이터를 학습 데이터로 사용할 수 없다. 하지만, 이러한 일부의 이상 신호 때문에 다른 질 좋은 데이터들을 버리기가 아까운 경우가 존재하며, 이러한 경우에 해당 이상 신호를 원래의 정상 신호로 복원할 수 있다면 전체 데이터를 학습 데이터로 사용할 수 있다.
이러한 이상 신호 복원 기술은 조기 경보 시스템이라면 당연히 갖추어야 하는 기술로써 인식되고 있다. 그리고 이상 신호 복원 기술에 의해 복원된 신호는 고장 예측 모델을 구축하기 위한 학습 데이터로 이용될 수 있기 때문에 정확한 고장 예측 모델을 만들기 위해서는 아주 정확한 복원 성능이 필요하게 된다. 하지만, 아직까지 이상 신호 복원 기술의 정확도는 많이 떨어지는 편으로 정확도를 높이기 위한 기술이 필요한 상황이다.
본 발명의 기술적 과제는 복원하고자 하는 데이터의 특징을 추출하고, 데이터의 특징과 매칭되는 복원모델을 선정하여 최적의 복원모델을 생성하기 위한 이상 신호 복원 시스템 및 방법을 제공하는 것이다.
본 발명의 실시예에 따른 이상 신호 복원 시스템을 제공한다. 이상 신호 복원 시스템은 복수 개의 태그에 대한 신호집합 U에서 이상 신호를 포함하는 일부 태그를 삭제 처리한 부분 신호집합 U* 및 모두 정상 신호인 태그로 구성되는 학습신호집합 X에서 상기 일부 태그와 대응되는 위치에 배치된 태그를 삭제 처리한 제1 부분 학습신호집합 X*를 생성하는 데이터처리부, 상기 제1 부분 학습신호집합 X*로부터 추출할 있는 특징 정보 F 및 이상 신호 복원을 위해 사용할 수 있는 복수 개의 복원모델들에 대한 복원정보 P를 생성하는 모델링부 및 상기 특징 정보 F를 바탕으로 상기 학습신호집합 X의 특징을 분석하고, 상기 복원 정보 P를 통해 생성된 복원모델들과 상기 학습신호집합 X의 특징을 매칭시켜 최적의 복원 모델을 선정하여 상기 일부 태그에 대한 정상 신호를 추정하여 복원하는 복원부를 포함한다.
일 예에 의하여, 상기 복원부는 상기 특징 정보 F를 바탕으로 상기 학습신호집합 X의 특징을 분석하고, 상기 특징에 대한 정보를 추출하는 패턴 분석부, 상기 복원 정보 P를 통해 생성된 복원모델들 중 상기 학습신호집합 X의 특징과 매칭되는 최적의 복원모델을 선정하는 모델 선정부 및 상기 최적의 복원모델들에 매칭되는 알고리즘을 선정하여 최적의 복원 알고리즘을 생성하여 상기 일부 태그에 대한 복원값을 생성하는 앙상블 학습부를 포함한다.
일 예에 의하여, 상기 최적의 복원 모델은 모수성 모델(Parametric model) 집단 및 비모수성 모델(Nonparametric model) 집단 각각에서 적어도 하나가 선택된다.
일 예에 의하여, 상기 모델 선정부는 상기 모수성 모델 집단 또는 상기 비모수성 집단 각각에서 복수개의 복원모델을 선정할 수 있고, 상기 모델 선정부는 상기 학습신호집합 X의 특징을 기초로 상기 복수개의 복원모델들 간의 가중치를 설정하여 최적의 복원모델을 선정한다.
일 예에 의하여, 상기 앙상블 학습부는 상기 가중치를 기초로 상기 최적의 복원모델에 적용할 알고리즘을 선정하고, 상기 알고리즘은 상기 최적의 복원모델을 생성함에 있어 상기 가중치가 높게 설정된 복원모델과 매칭되는 것이다.
일 예에 의하여, 상기 학습신호집합 X의 특징은 복수 개이고, 상기 모델 선정부는 상기 학습신호집합 X의 특징별로 매칭되는 복수개의 상기 복원모델을 선정한다.
일 예에 의하여, 상기 데이터처리부는 상기 학습신호집합 X를 처리하여 상기 일부 태그에 대한 신호만으로 구성된 제2 부분 학습신호집합 Xs 및 상기 일부 태그를 제외한 나머지 태그에 대한 신호만으로 구성된 상기 제1 부분 학습신호집합 X*를 더 생성한다.
일 예에 의하여, 상기 모델링부는 상기 데이터처리부로부터 입력 받은 상기 제1 부분 학습신호집합 X*로부터 추출할 수 있는 특징 정보 F를 추출하는 특징추출부 및 상기 특징 정보 F 및 상기 데이터처리부로부터 입력 받은 상기 제1 부분 학습신호집합 X* 및 상기 제2 부분 학습신호집합 Xs를 바탕으로 이상 신호 복원을 위해 사용할 수 있는 복수 개의 복원모델들에 대한 상기 복원정보 P를 생성하는 모델생성부를 포함한다.
본 발명의 실시예에 따라 이상 신호 복원 방법을 제공한다. 이상 신호 복원 방법은 복수 개의 태그에 대한 신호집합 U에서 이상 신호를 포함하는 일부 태그를 삭제 처리한 부분 신호집합 U* 및 모두 정상 신호인 태그로 구성되는 학습신호집합 X에서 상기 일부 태그와 대응되는 위치에 배치된 태그를 삭제 처리한 제1 부분 학습신호집합 X*를 생성하는 단계, 상기 제1 부분 학습신호집합 X*로부터 추출할 있는 특징 정보 F 및 이상 신호 복원을 위해 사용할 수 있는 복수 개의 복원모델들에 대한 복원정보 P를 생성하는 단계, 상기 특징 정보 F를 바탕으로 상기 학습신호집합 X의 특징을 분석하고, 상기 복원 정보 P를 통해 생성된 복원모델들과 상기 학습신호집합 X의 특징을 매칭시켜 최적의 복원 모델을 선정하는 단계, 상기 최적의 복원 모델에 매칭되는 알고리즘을 적용하여 상기 일부 태그에 대한 정상 신호를 추정하여 복원하는 단계를 포함한다.
일 예에 의하여, 상기 최적의 복원 모델을 선정하는 단계는 상기 복원정보를 구성하는 모수성 모델(Parametric model) 집단 및 비모수성 모델(Nonparametric model) 집단 각각에서 적어도 하나를 선택하여 사익 학습신호집합 X의 특징과 매칭시킨다.
일 예에 의하여, 상기 최적의 복원 모델을 선정하는 단계는 상기 모수성 모델 집단 또는 상기 비모수성 집단 각각에서 복수개의 복원모델을 선정하는 단계 및 상기 학습신호집합 X의 특징을 기초로 상기 복수개의 복원모델들 간의 가중치를 설정하여 최적의 복원모델을 선정하는 단계를 포함한다.
본 발명의 실시예에 따르면, 기계 학습을 통한 이상 신호 복원 방법에 의하며 좀 더 정확성이 높게 이상 신호를 정상 신호로 복원함으로써 질 좋은 학습 데이터를 생성할 수 있고, 이를 바탕으로 고장 예측의 정확도를 향상시킬 수 있다.
본 발명의 실시예에 따르면, 복원하고자 하는 데이터의 특징을 추출하고, 데이터의 특징과 매칭되는 복원모델을 선정하여 최적의 복원모델을 생성할 수 있다. 최적의 복원모델을 생성함에 있어, 복원하고자 하는 데이터의 특징을 기초로 복원모델들 간의 가중치를 설정하여 신뢰성이 높은 최적의 복원모델을 선정할 수 있다.
도 1은 본 발명의 실시 예에 따른 이상 신호 복원 시스템의 블록도이다.
도 2는 본 발명의 실시 예에 따른 데이터처리부를 나타내는 블록도이다.
도 3은 본 발명의 실시 예에 따른 모델링부를 나타내는 블록도이다.
도 4는 본 발명의 실시 예에 따른 복원부를 나타내는 블록도이다.
도 4는 본 발명의 실시 예에 따른 복원부를 나타내는 블록도이다.
도 5는 본 발명의 실시 예에 따른 복원모델 조합부를 나타내는 블록도이다.
도 6은 본 발명의 실시 예에 따른 이상 신호 복원 방법을 나타내는 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예는 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전문에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
또한, 본 명세서에서 기술하는 실시 예들은 본 발명의 이상적인 예시도인 단면도 및/또는 평면도들을 참고하여 설명될 것이다. 도면들에 있어서, 막 및 영역들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다. 따라서, 제조 기술 및/또는 허용 오차 등에 의해 예시도의 형태가 변형될 수 있다. 따라서, 본 발명의 실시 예들은 도시된 특정 형태로 제한되는 것이 아니라 제조 공정에 따라 생성되는 형태의 변화도 포함되는 것이다. 예를 들면, 직각으로 도시된 식각 영역은 라운드지거나 소정 곡률을 가지는 형태일 수 있다. 따라서, 도면에서 예시된 영역들은 개략적인 속성을 가지며, 도면에서 예시된 영역들의 모양은 소자의 영역의 특정 형태를 예시하기 위한 것이며 발명의 범주를 제한하기 위한 것이 아니다.
도 1은 본 발명의 실시 예에 따른 이상 신호 복원 시스템의 블록도이다.
도 1을 참조하면, 본 발명에 따른 이상 신호 복원 장치는, 데이터처리부(100), 모델링부(200) 및 복원부(300)를 포함할 수 있다.
데이터처리부(100)는 이상신호를 복원하기 위해 복수개의 종류의 데이터들을 처리할 수 있다. 일 예로, 데이터처리부(100)는 이상 신호를 포함하는 신호집합 U, 정상 신호만을 포함하는 학습신호집합 X 및 복원하고자 하는 태그(Tag)에 대한 정보를 포함하는 입력 S를 포함할 수 있다. 구체적으로, 신호집합 X는 기존의 고장 예측 모델을 만들기 위해 사용된 학습 데이터를 나타내며, 모두 정상인 신호를 포함할 수 있다. 신호집합 U는 복원하고자 하는 태그, 즉 이상 신호에 관한 태그를 포함하고 있는 데이터일 수 있다. 신호집합 U의 일부 태그는 이상 신호를 포함하고 있는 데이터이며, 학습신호집합 X는 신호집합 U에 포함되어 있는 이상 신호를 포함하는 일부 태그를 정상 신호로 복원하기 위한 학습 데이터일 수 있다. 입력 S는 복원하고자 하는 태그에 대한 정보를 포함하고 있는 입력일 수 있다. 본 발명의 실시예에서, 태그는 플랜트에서 측정할 수 있는 신호의 종류를 의미할 수 있다. 일 예로, 인렛 필터(Inlet Filter)의 차압, Turbine Exhaust 압력, 온도와 같이 센서를 이용하여 플랜트에서 직접적으로 획득할 수 있는 신호 종류뿐만 아니라 출력 파워처럼 시스템에서 센서를 이용하여 획득한 신호를 바탕으로 계산한 값을 의미할 수 있다.
데이터처리부(100)는 학습신호집합 X, 신호집합 U, 및 입력 S를 입력받아 제1 부분 학습신호집합 X*, 제2 부분 학습신호집합 Xs, 및 부분 신호집합 U*를 생성할 수 있다. 부분 신호집합 U*는 이상 신호를 포함하는 일부 태그를 삭제처리한 신호 만을 포함하는 것을 의미할 수 있고, 제1 부분 학습신호집합 X*는 상기 일부 태그와 대응되는 위치에 배치된 태그를 삭제처리한 신호 만을 포함하는 것을 의미할 수 있다. 즉, 제1 부분 학습신호집합 X*는 학습신호집합 X에서 복원하고자 하는 태그를 제외한 나머지 태그에 해당하는 신호만을 포함할 수 있다.
모델링부(200)는 이상 신호를 복원하기 위한 모델을 생성하는 모듈일 수 있다. 모델링부(200)는 데이터처리부(100)에서 생성한 제1 부분 학습신호집합 X* 및 제2 부분 학습신호집합 Xs를 입력받아 이를 분석할 수 있다. 모델링부(200)는 제1 부분 학습신호집합 X* 및 제2 부분 학습신호집합 Xs에서 특징 정보를 포함하는 특징 정보 F 및 신호 복원을 위해 사용할 수 있는 복수 개의 복원모델들에 대한 복원정보 P를 추출할 수 있다.
복원부(300)는 데이터처리부(100)로부터 입력받은 부분 신호집합 U*, 제1 부분 학습신호집합 X* 및 제2 부분 학습신호집합 Xs과 모델링부(200)로부터 입력받은 특징 정보 F, 복원정보 P를 바탕으로 신호집합 U가 포함하는 이상 신호에 대한 정상 신호를 추정하여 복원할 수 있다.
도 2는 본 발명의 실시 예에 따른 데이터처리부를 나타내는 블록도이다. 도 2는 데이터처리부(100)가 학습신호집합 X, 신호집합 U, 및 입력 S를 받아 제1 부분 학습신호집합 X*, 제2 부분 학습신호집합 Xs, 및 부분 신호집합 U*를 생성하는 것을 나타낸다.
도 2를 참조하면, 데이터처리부(100)의 입력과 출력은 모두 행렬 형태로 나타날 수 있다. 학습신호집합 X(110)는 기존의 고장 예측 모델을 만들기 위해 사용된 학습 데이터를 나타내는 것으로 각 행은 플랜트에서 측정하는 신호의 종류, 즉 태그일 수 있다. 각 열은 각 태그가 가지는 값을 시간 순서로 나타낸 것이다. 일 예로서 각 센서를 통하여 신호를 5분에 한번씩 획득할 수 있는데 이렇게 획득한 값은 각 태그의 열에 표시할 수 있다. 그러면 15x2000 행렬인 도 2의 신호집합 X(110)는 15개의 신호 종류에 대하여 종류별로 2000번 획득한 값(시간상으로는 7일)을 나타내고 있다. 여기서 신호집합 X(110)는 기존의 고장 예측 모델을 만들 때 사용한 것으로 행렬 내의 모든 값은 정상적인 값을 포함할 수 있다.
신호집합 U(120)는 새롭게 측정한 데이터일 수 있다. 일 예로, 15개의 태그에 대하여 3.5일 정도의 기간에 5분마다 하나의 신호 값을 획득하여 신호집합 U(120)를 생성할 수 있다. 이 때, 획득한 신호집합 U(120)를 바탕으로 고장 예측을 수행해 본 결과, 신호집합 U(120)의 10, 14, 15번 태그는 정상적인 신호가 아님이 파악되었다. 이러한 문제는 플랜트에 고장이 발생하여 생길 수도 있지만 센서가 동작하지 않거나, 관측한 신호 값을 전달하는 네트워크에 문제가 있어서 생길 수도 있다. 특정 태그에 문제가 있음은 입력 S(130)를 통해 추정될 수 있다.
신호집합 U(120)는 15개의 태그 중 12개의 태그에 대하여는 정상 신호를 가지고 있지만 3개의 태그에 대하여는 이상 신호를 가지고 있다. 이런 경우 종래에는 신호집합 U(120)를 모두 버려야 하지만 3.5일동안 수집한 데이터가 사라지게 되는 것이므로 고장 예측 모델을 생성하고 실행하는데 비효율성이 발생할 수 있다. 그래서 본 발명은 이러한 비효율을 없애기 위해 이상 신호를 가지고 있는 태그를 정상 신호를 가지도록 복원하여 신호집합 U(120)를 학습 데이터에 사용할 수 있게 함으로써 수집한 데이터의 낭비를 없애고, 고장 예측 모델 생성에 효율성을 기할 수 있다. 즉, 신호집합 U(120)는 이상 신호를 포함, 즉 복원하고자 하는 태그가 포함되어 있는 데이터로 볼 수 있다.
입력 S(130)는 이상 데이터를 포함하고 있어 복원이 필요한 태그에 대한 정보를 포함하고 있다. 도 2의 예에서는 신호집합 U(120)의 태그 중 10, 14, 및 15번 태그가 이상 신호를 가지고 있음을 나타낸다.
데이터처리부(100)는 학습신호집합 X, 신호집합 U, 및 입력 S를 입력받아 제1 부분 학습신호집합 X*, 제2 부분 학습신호집합 Xs, 및 부분 신호집합 U*를 생성할 수 있다. 제1 부분 학습신호집합 X*(140)는 신호집합 X(110)에서 복원하고자 하는 태그를 제외한 나머지 태그(이하 제2 태그그룹)에 해당하는 신호만을 포함할 수 있다. 부분 신호집합 U*(160)는 신호집합 U(120)에서 제2 태그그룹에 해당하는 신호만을 포함할 수 있다. 즉, 도 2의 예에서, 학습신호집합 X(110)에서 복원하고자 하는 신호 태크인 10, 14, 15번 행을 제외한 12x2000의 행렬이 제1 부분 학습신호집합 X*(140)가 되고, 신호집합 U(120)에서 복원하고자 하는 신호 태그인 10, 14, 15번 행을 제외한 12x1000의 행렬이 부분 신호집합 U*(160)가 될 수 있다. 제2 부분 학습신호집합 Xs(150)는 학습신호집합 X(110)에서 복원하고자 하는 태그(제 1 태그그룹)에 해당하는 신호만을 포함할 수 있다. 즉, 도 2의 예에서, 제2 부분 학습신호집합 Xs(150)는 10, 14, 및 15번 행의 데이터를 가지는 3x2000 행렬이 된다. 이렇게 데이터처리부(100)에서 출력된 제1 부분 학습신호집합 X*, 제2 부분 학습신호집합 Xs, 및 부분 신호집합 U*는 모델링부(200)와 복원부(300)로 입력되어 사용될 수 있다.
전술한 일 실시 예에서 학습신호집합 X는 데이터 처리부(100)에서 제1 부분 학습신호집합 X*와 제2 부분 학습신호집합 Xs로 분리될 수 있는 것으로 되어 있지만 이는 부가적인 것으로 이상 신호 복원 장치의 다른 부분에서는 데이터 처리부(100)에서 처리되지 않은 학습신호집합 X를 이용하여 기능을 수행할 수 있다.
도 3은 본 발명의 실시 예에 따른 모델링부를 나타내는 블록도이다.
도 1 및 도 3을 참조하면, 모델링부(200)는 제1 특징추출부(210) 및 모델생성부(220)를 포함할 수 있다. 모델링부(200)는 제1 태그 그룹의 이상 신호를 복원하기 위한 모델을 생성하는 기능을 수행할 수 있다. 모델링부(200)는 데이터처리부(100)에서 생성한 제1 부분 학습신호집합 X*와 제2 부분 학습신호집합 Xs를 입력받고, 이를 통해 추출된 특징 정보를 포함하는 특징 정보 F와 이상 신호 복원을 위해 사용할 수 있는 복수 개의 복원모델들에 대한 복원정보 P를 출력할 수 있다.
제1 특징추출부(210)는 제1 부분 학습신호집합 X*를 바탕으로 데이터가 포함하고 있는 특징을 추출할 수 있다. 제1 특징추출부(210)는 특정 하나의 태그 데이터만을 이용하여 추출할 수도 있고, 제1 부분 학습신호집합 X*에 포함되어 있는 전체 태그에 대한 데이터, 또는 일부 태그에 대한 데이터를 조합하여 추출할 수도 있다. 이때 추출되는 특징 정보 F는 발전기가 기동 상태에 있는 지 아니면 정상 상태로 운전하고 있는 지를 나타낼 수도 있고, 데이터를 수집한 계절이 봄, 여름, 가을 및 겨울 중에서 어느 계절인지를 나타낼 수도 있으며, 또는 특정 날씨를 나타낼 수도 있다. 이외에도 제1 특징추출부(210)는 상술된 예들에 한정되지 않고 플랜트에서 생성되는 데이터로부터 얻을 수 있는 다양한 특징들이 추출할 수 있다.
모델생성부(220)는 다양한 복수 개의 모델을 생성할 수 있다. 이러한 모델들은 비모수성 모델(Nonparametric model)일 수도 있고, 모수성 모델(Parametric model)일 수 있다. 즉, 모델생성부(220)는 제1 특징추출부(210)에서 추출한 특징 정보 F를 기반으로 데이터처리부(100)로부터 받은 제1 부분 학습신호집합 X*와 제2 부분 학습신호집합 Xs를 이용하여 복수의 비모수성 모델 및 모수성 모델을 생성할 수 있다.
모수성 모델은 유한 개의 파라미터를 이용하여 시스템을 나타내는 모델일 수 있다. 즉, 모수성 모델은 한정된 몇 개의 파라미터를 이용하여 시스템을 묘사할 수 있다. 이러한 모수성 모델에는 제1원칙 모델(First Principles based Model), 전달함수모델(Transfer Function Model), 상태공간모델(State Space Model) 등이 있다. 여기서 제1원칙 모델은 기초적이고 기본적인 물리학 제1 법칙에 의해 정해지는 것들을 파라미터로 사용하는 모델이고, 상태공간모델은 상태 변수를 파라미터로 사용하는 모델이고, 전달함수모델은 입력과 출력 간의 전달함수를 규정하는 변수들을 파라미터로 사용하는 모델일 수 있다. 여기서 전달함수모델은 ARX(Auto Regressive eXogenous), NARX(Nonlinear Auto Regressive eXogenous), FIR(Finite Impulse Response), ARMAX(Auto Regressive Moving Average with eXogenous) 모델 등이 포함될 수 있다.
비모수성 모델은 플랜트를 표현하기 위하여 무한 개의 파라미터를 사용할 수 있는 모델로서 NPM(Non Parametric Model), TM(Tree Model), NNM(Neural Network Model) 등이 포함될 수 있다. 비록 비모수성 모델이 개념상 무한 개의 파라미터를 사용할 수 있지만 실제로는 유한 개만을 사용하여 모델을 표현한다.
모델생성부(220)는 제1 특징추출부(210)에서 추출한 특징을 기반으로 제1 부분 학습신호집합 X*와 제2 부분 학습신호집합 Xs를 이용하여 하나 이상의 모수성 모델에 대하여 각 모델을 최적화하는 파라미터를 결정할 수 있고, 하나 이상의 비모수성 모델에 대하여 각 모델을 최적화하는 파라미터를 결정할 수 있다. 모델생성부(220)에 의해 결정된 파라미터들은 복원정보 P에 포함될 수 있다. 복원정보 P는 최적화된 복수개의 모수성 모델 및/또는 비모수성 모델과 각각의 복원모델에서 사용하게 될 파라미터 정보를 포함할 수 있다. 복원모델은 특정 기준(예를 들어, 발전설비 구동 시의 조건, 환경 등)에 의해 만들어진 것일 수 있다.
본 발명의 실시예에 따르면, 모델링부(200)에서 특징 정보 F를 기반으로 복수의 복원모델들에 대한 복원정보 P를 생성함에 따라 이상 신호의 복원의 신뢰성을 더욱 높일 수 있다.
도 4는 본 발명의 실시 예에 따른 복원부를 나타내는 블록도이다.
도 1, 도 3 및 도 4를 참조하면, 복원부(300)는 부분 신호집합 U*, 제1 부분 학습신호집합 X*, 특징 정보 F 및 복수 개의 복원모델에 대한 복원정보 P를 바탕으로 이상신호를 포함하는 일부 태그에 대한 정상 신호를 추정하여 복원할 수 있다. 복원부(300)는 제2 특징추출부(310), 복원보델 조합부(320), 제1 알고리즘부(330), 제2 알고리즘부(340) 및 앙상블 학습부(350)를 포함할 수 있다.
제2 특징추출부(310)는 부분 신호그룹 U* 데이터에 포함되어 있는 부분 특징 정보 F*를 추출할 수 있다. 제2 특징추출부(310)에서 사용하는 특징 추출의 기준과 로직은 도 3의 제1 특징추출부(210)에서 사용하는 특징 추출의 기준과 로직을 동일하게 사용하여 특징을 추출할 수 있다.
복원모델 조합부(320)는 모델링부(200)에서 생성된 특징 정보 F와 복원정보 P 및 제2 특징추출부(310)에서 추출한 부분 신호그룹 U*의 부분 특징 정보 F*를 기반으로 복원에 사용될 최적의 복원 모델들을 선정할 수 있다. 일 예로, 복원모델 조합부(320)는 비모수성 모델의 집합 및 모수성 모델의 집합 각각에서 적어도 하나를 선택할 수 있다. 복원모델 조합부(320)는 선택된 복원모델들 간의 가중치를 설정하여 최적의 복원모델을 선정할 수 있다. 조합부(320)에서 최적의 복원 모델을 선택 시에 모델링부(200)의 제1 특징추출부(210)에서 추출한 특징 정보 F와 복원부(300)의 제2 특징추출부(310)에서 추출한 부분 특징 정보 F*를 서로 비교하여 유사한 영역을 찾고, 유사한 영역에서 유사한 특징을 생성하는 복원모델들을 최적의 복원 모델로 선택할 수 있다.
제1 알고리즘부(330)는 알고리즘 기반의 복원 알고리즘을 생성할 수 있다. 제1 알고리즘부(330)는 복원모델 조합부(320)가 선택한 최적의 복원 모델들에 적합한 알고리즘을 결합하여 알고리즘 기반의 복원 알고리즘을 생성할 수 있다. 알고리즘 기반의 복원 알고리즘을 통해 복원부(300)는 복원 모델의 표현력을 극대화시키고, 특정 태그에 대한 데이터들이 다른 태그에 대한 데이터에 미치는 영향을 최소화시킬 수 있다. 일 예로, 알고리즘 기반의 복원 알고리즘은 k-NN(k-Nearest Neighbor)기반의 복원 알고리즘일 수 있다.
제2 알고리즘부(340)는 모델 기반의 복원 알고리즘을 생성할 수 있다. 제2 알고리즘부(340)는 복원모델 조합부(320)가 선택한 최적의 복원 모델들에 적합한 알고리즘을 결합하여 모델 기반의 복원 알고리즘을 생성할 수 있다. 모델 기반의 복원 알고리즘을 통해, 복원부(300)는 알고리즘 기반 복원 기술이 갖고 있는 단점을 극복하고 범용성을 향상시킬 수 있다. 일 예로, 모델 기반의 복원 알고리즘은 MLRM(Multiple Linear Regression Model) 기반의 복원 알고리즘일 수 있다.
상술한 예와 달리, 제1 알고리즘부(330)는 모수성 모델 기반의 알고리즘을 생성할 수 있고, 제2 알고리즘부(340)는 비모수성 모델 기반의 알고리즘을 생성할 수도 있다. 다만, 제1 알고리즘부(330)와 제2 알고리즘부(340)는 서로 다른 특징을 가지는 복원 알고리즘을 생성할 수 있고, 1 알고리즘부(330)와 제2 알고리즘부(340)는 각각의 장단점을 가지는 복원 알고리즘을 생성할 수 있다.
앙상블 학습부(350)는 제1 알고리즘부(330)와 제2 알고리즘부(340)에서 결정된 복원값들을 바탕으로 복수개의 복원 알고리즘들을 추출할 수 있다. 앙상블학습은 따로 쓰는 경우에 비해 더 좋은 성능을 얻기 위해 복수의 학습 알고리즘을 이용하는 것을 말한다. 본 발명에서는 복원값의 정확도를 높이기 위하여 서로 특성이 다른 복수의 복원 모델과 복원 알고리즘을 선정하고 복수의 복원 알고리즘을 통해 추정된 복원값들을 바탕으로 최적 복원값을 추정하기 위하여 앙상블 학습을 사용하도록 하였다. 즉 앙상블 학습부(350)는 제1 알고리즘부(330)와 제2 알고리즘부(340)가 추출하는 복원 알고리즘들 각각의 장점들을 추출하고 각각의 단점을 보완하여 최적의 복원 알고리즘들을 생성할 수 있다.
앙상블학습부(350)는 제1 알고리즘부(330)와 제2 알고리즘부(340)에서 추정한 복원값들을 바탕으로 가장 정확한 복원값을 추정하기 위하여 다양한 알고리즘 방식을 사용할 수 있는데 각 복원값에 가중치를 곱함이 없이 다수결에 의한 배깅(bagging) 방식, 또는 각 예측 모델에서 추정한 예측치에 가중치를 곱하고 더하여서 추정하는 가중치 투표(boosting) 방식 등이 있을 수 있다.
도 5는 본 발명의 실시 예에 따른 복원모델 조합부를 나타내는 블록도이다.
도 1, 도 4 및 도 5를 참조하면, 복원모델 조합부(320)는 패턴 분석부(311) 및 모델 선정부(313)를 포함할 수 있다. 복원모델 조합부(320)는 특징 정보 F를 바탕으로 학습신호집합 X의 특징을 분석하고, 복원 정보 P를 통해 생성된 복원모델들과 학습신호집합 X의 특징을 매칭시켜 최적의 복원모델을 선정할 수 있다. 최적의 복원모델은 복수개로 선정될 수 있다. 복원모델 조합부(320)는 모델링부(200)로부터 학습신호집합 X의 특징 정보 F와 복원 정보 P를 수신할 수 있다.
패턴 분석부(311)는 특징 정보 F를 바탕으로 학습신호집합 X의 특징을 분석하고 이에 대한 정보를 추출할 수 있다. 패턴 분석부(311)는 추출하고자 하는 정보의 특징을 미리 설정할 수 있다. 예를 들어, 상기 특징은 온도, 습도 및 발전량 등을 포함할 수 있다. 일 예로, 학습신호집합 X의 특징은 모델링부(200)가 추출한 특징 정보 F와 동일할 수 있다. 패턴 분석부(311)가 추출한 학습신호집합 X의 특징 및 이에 관한 정보는 모델 선정부(313)로 전송될 수 있다.
모델 선정부(313)는 모수성 모델들의 집합인 제1 모델 선정부(313a) 및 비모수성 모델들의 집합인 제2 모델 선정부(313b)를 포함할 수 있다. 모델 선정부(313)는 패턴 분석부(311)가 전송한 학습신호집합 X의 특징 및 이에 관한 정보를 기반으로 최적의 복원모델을 선정할 수 있다. 구체적으로, 모델 선정부(313)는 모델링부(200)로부터 전송된 복원 정보 P를 통해 생성된 복원모델들 중 학습신호집합 X의 특징과 매칭되는 최적의 복원모델을 선정할 수 있다.
일 예로, 학습신호집합 X의 특징이 온도 35도, 습도 60% 및 발전 출력 100MW일 경우, 모델 선정부(313)는 온도 30도 내지 40도, 습도 50% 내지 70% 및 발전 출력 50MW 내지 150MW를 기준으로 만들어진 복원모델을 선정하는 것이다.
복원모델들은 제1 모델 선정부(313a) 및 제2 모델 선정부(313b) 각각에서 적어도 하나가 선정될 수 있다. 복원모델들은 제1 모델 선정부(313a)와 제2 모델 선정부(313b) 각각에서 하나씩 선정된 것일 수 있고, 제1 모델 선정부(313a)와 제2 모델 선정부(313b) 각각에서 복수개가 선정된 것일 수 있다. 복원모델이 제1 모델 선정부(313a)와 제2 모델 선정부(313b) 각각에서 복수개가 선정된 경우, 모델 선정부(313)는 동일한 모델 선정부에서 선정된 복원모델들 간의 가중치를 설정할 수 있다.
일 예로, 모델 선정부(313)는 제1 모델 선정부(313a)에서 두개의 복원모델들(제1 복원모델 및 제2 복원모델)을 선정하고 제2 모델 선정부(313b)에서 1개의 복원모델을 선정한 경우, 모델 선정부(313)는 제1 복원모델과 제2 복원모델 중 학습신호집합 X의 특징과 더 유사한 복원모델에 높은 가중치를 설정할 수 있다. 모델 선정부(313)가 제1 복원모델이 제2 복원모델보다 학습신호집합 X와 유사한 특징을 가진다고 판단하는 경우, 모델 선정부(313)는 제1 복원모델에 제2 복원모델보다 2배 이상의 가중치를 설정할 수 있다.
제1 알고리즘부(330), 제2 알고리즘부(340) 및 앙상블 학습부(350)는 최적의 복원모델이 제1 모델 선정부(313a)와 제2 모델 선정부(313b) 각각에서 복수개가 선정된 경우 상기 가중치를 기초로 최적의 복원모델들에 적용할 알고리즘을 선정하여 최적의 복원 알고리즘을 생성할 수 있다. 이 때, 적용되는 알고리즘은 최적의 복원모델을 생성함에 있어 가중치가 높게 설정된 복원모델과 매칭되는 것일 수 있다. 즉, 하나의 최적의 복원모델에 적용되는 알고리즘을 선정하기 위해, 최적의 복원모델을 생성할 때 사용된 가중치라는 개념이 사용될 수 있다.
도 6은 본 발명의 실시 예에 따른 이상 신호 복원 방법을 나타내는 순서도이다. 설명의 간략을 위해 중복되는 내용의 기재는 생략한다.
도 6을 참조하면, 데이터 처리부는 이상 신호가 포함된 일부 태그를 포함하는 신호집합 U 및 복원을 위한 학습 데이터를 포함하는 학습신호집합 X에서 상기 일부 태그를 삭제한 부분 신호집합 U* 및 제1 부분 학습신호집합 X*를 생성할 수 있다. 데이터처리부는 부가적으로 학습신호집합 X에서 일부 태그에 해당하는 신호만을 포함하는 제2 부분 학습신호집합 Xs를 생성할 수 있다. 제1 부분 학습신호집합 X*와 제2 부분 학습신호집합 Xs에 포함되어 있는 신호들은 모두 정상적인 신호일 수 있다(S110).
모델링부는 제1 부분 학습신호집합 X*로부터 특징 정보 F를 추출할 수 있고, 이상 신호 복원을 위해 사용할 수 있는 복수 개의 복원모델들에 대한 복원정보 P를 출력할 수 있다. 이때 모델링부는 특정 하나의 태그 데이터만을 이용하여 특징 정보 F를 추출할 수도 있고, 제1 부분 학습신호집합 X*에 포함되어 있는 전체 태그에 대한 신호, 또는 일부 태그에 대한 신호를 조합하여 특징 정보 F를 추출할 수도 있다. 또한, 모델링부는 특징 정보 F, 제1 부분 학습신호집합 X* 및 제2 부분 학습신호집합 Xs를 바탕으로 이상 신호 복원을 위해 사용할 수 있는 복수 개의 복원모델들에 대한 상기 복원정보 P를 생성할 수 있다(S120).
이 후에, 복원부는 특징 정보 F 및 복원정보 P를 바탕으로 최적의 복원모델들을 생성할 수 있다. 최적의 복원모델들은 특징 정보 F로부터 획득되는 학습신호집합 X의 특징과 복원정보 P를 통해 생성된 복원모델들을 서로 매칭시켜 생성될 수 있다. 구체적으로, 최적의 복원모델들은 학습신호집합 X의 특징과 매칭되는 복수개의 복원모델들을 선정하여 생성될 수 있다(S130).
최적의 복원모델들은 이들과 매칭되는 알고리즘과 결합될 수 있다. 최적의 복원모델들에 알고리즘을 적용하여 최적의 복원 알고리즘을 생성할 수 있고, 최적의 복원 알고리즘을 통해 이상 신호를 포함하는 일부 태그를 정상 신호로 복원할 수 있는 복원값이 추정될 수 있다. 즉, 최적의 복원 알고리즘은 특징 정보 F를 기초로 복원정보 P와 대응되는 알고리즘을 결합시킨 것일 수 있다(S140).
최적의 복원 알고리즘을 통해 이상 신호를 포함하는 일부 태그에 대한 신호를 정상 신호로 추정할 수 있다. 즉, 이상 신호를 정상 신호로 복원할 수 있다(S150).
이상, 첨부된 도면들을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (11)

  1. 복수 개의 태그에 대한 신호집합 U에서 이상 신호를 포함하는 일부 태그를 삭제 처리한 부분 신호집합 U* 및 모두 정상 신호인 태그로 구성되는 학습신호집합 X에서 상기 일부 태그와 대응되는 위치에 배치된 태그를 삭제 처리한 제1 부분 학습신호집합 X*를 생성하는 데이터처리부;
    상기 제1 부분 학습신호집합 X*로부터 추출할 있는 특징 정보 F 및 이상 신호 복원을 위해 사용할 수 있는 복수 개의 복원모델들에 대한 복원정보 P를 생성하는 모델링부; 및
    상기 특징 정보 F를 바탕으로 상기 학습신호집합 X의 특징을 분석하고, 상기 복원 정보 P를 통해 생성된 복원모델들과 상기 학습신호집합 X의 특징을 매칭시켜 최적의 복원 모델을 선정하여 상기 일부 태그에 대한 정상 신호를 추정하여 복원하는 복원부를 포함하는,
    이상 신호 복원 시스템.
  2. 제 1 항에 있어서,
    상기 복원부는:
    상기 특징 정보 F를 바탕으로 상기 학습신호집합 X의 특징을 분석하고, 상기 특징에 대한 정보를 추출하는 패턴 분석부;
    상기 복원 정보 P를 통해 생성된 복원모델들 중 상기 학습신호집합 X의 특징과 매칭되는 최적의 복원모델을 선정하는 모델 선정부; 및
    상기 최적의 복원모델에 매칭되는 알고리즘을 선정하여 최적의 복원 알고리즘을 생성하여 상기 일부 태그에 대한 복원값을 생성하는 앙상블 학습부를 포함하는,
    이상 신호 복원 시스템.
  3. 제 2 항에 있어서,
    상기 최적의 복원 모델은 모수성 모델(Parametric model) 집단 및 비모수성 모델(Nonparametric model) 집단 각각에서 적어도 하나가 선택된,
    이상 신호 복원 시스템.
  4. 제 3 항에 있어서,
    상기 모델 선정부는 상기 모수성 모델 집단 또는 상기 비모수성 집단 각각에서 복수개의 복원모델을 선정할 수 있고,
    상기 모델 선정부는 상기 학습신호집합 X의 특징을 기초로 상기 복수개의 복원모델들 간의 가중치를 설정하여 최적의 복원모델을 선정하는,
    이상 신호 복원 시스템.
  5. 제 4 항에 있어서,
    상기 앙상블 학습부는 상기 가중치를 기초로 상기 최적의 복원모델에 적용할 알고리즘을 선정하고,
    상기 알고리즘은 상기 최적의 복원모델을 생성함에 있어 상기 가중치가 높게 설정된 복원모델과 매칭되는 것인,
    이상 신호 복원 시스템.
  6. 제 2 항에 있어서,
    상기 학습신호집합 X의 특징은 복수 개이고,
    상기 모델 선정부는 상기 학습신호집합 X의 특징별로 매칭되는 복수개의 상기 복원모델을 선정하는,
    이상 신호 복원 시스템.
  7. 제 1 항에 있어서,
    상기 데이터처리부는:
    상기 학습신호집합 X를 처리하여 상기 일부 태그에 대한 신호만으로 구성된 제2 부분 학습신호집합 Xs 및 상기 일부 태그를 제외한 나머지 태그에 대한 신호만으로 구성된 상기 제1 부분 학습신호집합 X*를 더 생성하는,
    이상 신호 복원 시스템.
  8. 제 7 항에 있어서,
    상기 모델링부는:
    상기 데이터처리부로부터 입력 받은 상기 제1 부분 학습신호집합 X*로부터 추출할 수 있는 특징 정보 F를 추출하는 특징추출부; 및
    상기 특징 정보 F 및 상기 데이터처리부로부터 입력 받은 상기 제1 부분 학습신호집합 X* 및 상기 제2 부분 학습신호집합 Xs를 바탕으로 이상 신호 복원을 위해 사용할 수 있는 복수 개의 복원모델들에 대한 상기 복원정보 P를 생성하는 모델생성부를 포함하는,
    이상 신호 복원 시스템.
  9. 복수 개의 태그에 대한 신호집합 U에서 이상 신호를 포함하는 일부 태그를 삭제 처리한 부분 신호집합 U* 및 모두 정상 신호인 태그로 구성되는 학습신호집합 X에서 상기 일부 태그와 대응되는 위치에 배치된 태그를 삭제 처리한 제1 부분 학습신호집합 X*를 생성하는 단계;
    상기 제1 부분 학습신호집합 X*로부터 추출할 있는 특징 정보 F 및 이상 신호 복원을 위해 사용할 수 있는 복수 개의 복원모델들에 대한 복원정보 P를 생성하는 단계;
    상기 특징 정보 F를 바탕으로 상기 학습신호집합 X의 특징을 분석하고, 상기 복원 정보 P를 통해 생성된 복원모델들과 상기 학습신호집합 X의 특징을 매칭시켜 최적의 복원 모델을 선정하는 단계;
    상기 최적의 복원 모델에 매칭되는 알고리즘을 적용하여 상기 일부 태그에 대한 정상 신호를 추정하여 복원하는 단계를 포함하는,
    이상 신호 복원 방법.
  10. 제 9 항에 있어서,
    상기 최적의 복원 모델을 선정하는 단계는:
    상기 복원정보를 구성하는 모수성 모델(Parametric model) 집단 및 비모수성 모델(Nonparametric model) 집단 각각에서 적어도 하나를 선택하여 사익 학습신호집합 X의 특징과 매칭시키는,
    이상 신호 복원 방법.
  11. 제 9 항에 있어서,
    상기 최적의 복원 모델을 선정하는 단계는:
    상기 모수성 모델 집단 또는 상기 비모수성 집단 각각에서 복수개의 복원모델을 선정하는 단계; 및
    상기 학습신호집합 X의 특징을 기초로 상기 복수개의 복원모델들 간의 가중치를 설정하여 최적의 복원모델을 선정하는 단계를 포함하는,
    이상 신호 복원 시스템.

KR1020170059962A 2017-05-15 2017-05-15 이상 신호 복원 시스템 및 방법 KR101955091B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020170059962A KR101955091B1 (ko) 2017-05-15 2017-05-15 이상 신호 복원 시스템 및 방법
US15/949,364 US11308408B2 (en) 2017-05-15 2018-04-10 Fault signal recovery system and method
DE102018109896.0A DE102018109896A1 (de) 2017-05-15 2018-04-25 Fehlersignal-Wiederherstellungssystem und -verfahren

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170059962A KR101955091B1 (ko) 2017-05-15 2017-05-15 이상 신호 복원 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20180125276A true KR20180125276A (ko) 2018-11-23
KR101955091B1 KR101955091B1 (ko) 2019-03-06

Family

ID=63962677

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170059962A KR101955091B1 (ko) 2017-05-15 2017-05-15 이상 신호 복원 시스템 및 방법

Country Status (3)

Country Link
US (1) US11308408B2 (ko)
KR (1) KR101955091B1 (ko)
DE (1) DE102018109896A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210007449A (ko) * 2019-07-11 2021-01-20 두산중공업 주식회사 최적의 보일러 연소 모델 선정 장치 및 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738326B (zh) * 2019-09-24 2020-12-04 深圳创新奇智科技有限公司 一种人工智能服务系统模型的选择方法和装置
JP7384059B2 (ja) * 2020-02-06 2023-11-21 富士通株式会社 検知プログラム、検知方法及び検知装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002341901A (ja) * 2001-05-21 2002-11-29 Mitsubishi Heavy Ind Ltd 信号処理装置
KR100385978B1 (ko) * 2000-11-30 2003-06-02 삼성전자주식회사 신호 재생 장치 및 방법
KR20120094892A (ko) * 2009-06-29 2012-08-27 오디언스 인코포레이티드 손상된 오디오 신호의 복구

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002073475A1 (en) * 2001-03-08 2002-09-19 California Institute Of Technology Exception analysis for multimissions
JP5301310B2 (ja) * 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
JP2011145846A (ja) * 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
US10373065B2 (en) * 2013-03-08 2019-08-06 Oracle International Corporation Generating database cluster health alerts using machine learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100385978B1 (ko) * 2000-11-30 2003-06-02 삼성전자주식회사 신호 재생 장치 및 방법
JP2002341901A (ja) * 2001-05-21 2002-11-29 Mitsubishi Heavy Ind Ltd 信号処理装置
KR20120094892A (ko) * 2009-06-29 2012-08-27 오디언스 인코포레이티드 손상된 오디오 신호의 복구

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210007449A (ko) * 2019-07-11 2021-01-20 두산중공업 주식회사 최적의 보일러 연소 모델 선정 장치 및 방법
US11846416B2 (en) 2019-07-11 2023-12-19 Doosan Enerbility Co., Ltd. Device and method for selecting optimal boiler combustion model

Also Published As

Publication number Publication date
KR101955091B1 (ko) 2019-03-06
US20180330255A1 (en) 2018-11-15
DE102018109896A1 (de) 2018-11-15
US11308408B2 (en) 2022-04-19

Similar Documents

Publication Publication Date Title
CN112783940B (zh) 基于图神经网络的多源时序数据故障诊断方法和介质
Ahmad et al. Autoencoder-based condition monitoring and anomaly detection method for rotating machines
CN109581871B (zh) 免疫对抗样本的工业控制系统入侵检测方法
EP3422518B1 (en) A method for recognizing contingencies in a power supply network
US11709486B2 (en) Fault signal recovery system and method
CA3037326A1 (en) Sparse neural network based anomaly detection in multi-dimensional time series
KR101955091B1 (ko) 이상 신호 복원 시스템 및 방법
US11487266B2 (en) Method for recognizing contingencies in a power supply network
CN117251812A (zh) 一种基于大数据分析的高压电力线路运行故障检测方法
KR20210017651A (ko) 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법
CN111881159B (zh) 一种基于代价敏感极端随机森林的故障检测方法及装置
CN110263944A (zh) 一种多变量故障预测方法和装置
CN116374645A (zh) 用于斗轮机的运行状态监控系统及其方法
CN109309594B (zh) 通信设备电源故障分析的方法、装置、设备及存储介质
KR101965937B1 (ko) 이상 신호 복원 장치 및 방법
CN117313015A (zh) 一种基于时序和多变量的时间序列异常检测方法及系统
CN116909788A (zh) 一种任务导向和视角不变的多模态故障诊断方法及系统
Kim et al. Cluster-based deep one-class classification model for anomaly detection
KR102486463B1 (ko) 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치
Wu et al. Early anomaly detection in wind turbine bolts breaking problem—Methodology and application
CN109304306B (zh) 生产线物体分拣方法、系统和物体分拣系统
CN113407520A (zh) 一种基于机器学习的电力网络安全数据清洗系统及方法
Fadda et al. Sensor fault diagnosis in water-steam power plant: A combined observer-based/pattern-recognition approach
Gu et al. Fault identification for the large-scale system using trend analysis
CN115935193A (zh) 设备状态检测方法、计算机设备及存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant