KR20190025473A - 플랜트 데이터 예측 장치 및 방법 - Google Patents

플랜트 데이터 예측 장치 및 방법 Download PDF

Info

Publication number
KR20190025473A
KR20190025473A KR1020170112165A KR20170112165A KR20190025473A KR 20190025473 A KR20190025473 A KR 20190025473A KR 1020170112165 A KR1020170112165 A KR 1020170112165A KR 20170112165 A KR20170112165 A KR 20170112165A KR 20190025473 A KR20190025473 A KR 20190025473A
Authority
KR
South Korea
Prior art keywords
data
similarity
plant
prediction
value
Prior art date
Application number
KR1020170112165A
Other languages
English (en)
Other versions
KR101978569B1 (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 KR1020170112165A priority Critical patent/KR101978569B1/ko
Priority to US16/009,201 priority patent/US10884404B2/en
Priority to DE102018115155.1A priority patent/DE102018115155A1/de
Publication of KR20190025473A publication Critical patent/KR20190025473A/ko
Application granted granted Critical
Publication of KR101978569B1 publication Critical patent/KR101978569B1/ko

Links

Images

Classifications

    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • G05B21/00—Systems involving sampling of the variable controlled
    • G05B21/02—Systems involving sampling of the variable controlled electric
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 플랜트 예측 모델에 기반하여 플랜트 예측 데이터를 생성하고, 예측 데이터와 측정 데이터를 비교하여 플랜트의 이상을 탐지하는 시스템에 있어서 측정 데이터에 이상 상태의 데이터가 포함되어 경우에도 정밀한 정상상태 예측 데이터를 제공할 수 있는 플랜트 데이터 예측 장치 및 방법에 관한 것이다. 개시된 복수의 태그의 측정 데이터 및 플랜트 예측 모델을 바탕으로 플랜트 정상 상태 예측 데이터를 생성하기 위한 데이터 예측 방법은 상기 측정 데이터와 상기 플랜트 예측 모델을 바탕으로 1차 예측을 수행하여 1차 예측 데이터를 생성하는 단계, 상기 1차 예측 데이터를 바탕으로 상기 측정 데이터가 정상 상태의 데이터가 아닌 이상 상태의 데이터로 판단되는 이상 상태 태그를 선정하는 단계, 선정된 상기 이상 상태 태그를 제외한 나머지 태그(이하 정상 상태 태그)의 측정 데이터만을 이용하여 상기 플랜트 예측 모델을 업데이트하는 단계 및 상기 정상 상태 태그의 측정 데이터 및 업데이트된 플랜트 예측 모델을 바탕으로 2차 예측을 수행하여 예측 데이터를 생성하는 단계를 포함할 수 있다. 본 발명에 의하면 본 발명에 의하면, 플랜트의 이상/고장 상황에서도 정밀한 정상상태 예측 데이터를 제공함으로써 이상/고장 예측의 정확도를 향상시킬 수 있는 효과가 있다.

Description

플랜트 데이터 예측 장치 및 방법{Apparatus and Method for Predicting Plant Data}
본 발명은 플랜트 데이터 예측 장치 및 방법으로서, 플랜트 예측 모델에 기반하여 플랜트 예측 데이터를 생성하고, 예측 데이터와 측정 데이터를 비교하여 플랜트의 이상을 탐지하는 시스템에 있어서 종래의 방식에 비하여 더 진보한 유사도 알고리즘과 k 최적화 알고리즘을 사용하여 플랜트 예측 데이터를 더울 정밀하게 하는 플랜트 데이터 예측 장치 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 플랜트들의 신뢰성을 확보하고 정상적인 운용을 위하여 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 일반적으로 플랜트를 모델링한 플랜트 모델을 기반으로 하여 플랜트에서 센서 등을 이용하여 실시간으로 측정한 관측 신호를 받아 저장하고, 이를 바탕으로 이상이 있는 신호를 분별하여 미리 알려주어야 한다. 그래서, 이러한 고장 감지 시스템에서 가장 중요한 부분은 플랜트 모델링과 이를 기반으로 한 예측 방법일 수 있다.
이러한 예측 방법으로 많이 사용하는 것이 k-NN(k-Nearest Neighbors) 기반의 방법이다. 그런데 k-NN 기반의 방법은 모델 성능에 따라 예측 성능이 크게 변하기 때문에 매우 정교한 모델을 사용할 필요가 있다. 하지만, 이를 위해서는 전문가가 데이터를 분석해서 데이터 전처리를 통해 모델링을 해야 하여야 하는데, 현실적으로는 전문가가 항상 모델링을 해 줄 수는 없는 실정이기 때문에 k-NN 기반의 예측이 부정확할 가능성이 크다. 따라서 질이 좋지 않은 모델을 가지고도 예측 성능을 높일 수 있는 기술 개발이 필요하다.
본 발명은 예측 방법을 고도화하여 예측 성능을 높일 수 있는 플랜트 데이터 예측 장치 및 방법을 제공함에 있다.
특히, 본 발명은 k-NN 기반의 플랜트 데이터 예측 장치 및 방법에서 더욱 고도화된 유사도 계산 방법과 k 최적화 방법을 제공하여 예측 정확도를 극대화할 수 있는 플랜트 데이터 예측 장치 및 방법을 제공함에 있다.
전술한 목적을 달성하기 위한 본 발명에 따른 복수의 태그의 측정 데이터를 바탕으로 플랜트 정상 상태 예측 데이터를 생성하기 위한 데이터 예측 장치는 상기 측정 데이터를 바탕으로 상기 플랜트를 모델링하여 k-NN(k-Nearest Neighbors) 기반의 플랜트 예측 모델을 생성하는 플랜트 모델링부 및 상기 플랜트 예측 모델과 상기 측정 데이터 간의 유사도를 측정하고, 상기 유사도를 바탕으로 파라미터 k 값을 결정하고, 상기 결정된 파라미터 k 값과 측정된 상기 유사도를 바탕으로 예측 데이터를 생성하는 예측 데이터 생성부를 포함할 수 있다.
그리고 상기 플랜트 예측 모델은 상기 복수의 태그의 각 태그에 대한 값을 가지고 있는 데이터 세트를 복수 개 포함하고, 상기 예측 데이터 생성부는 상기 플랜트 예측 모델의 각 데이터 세트와 상기 측정 데이터 간의 유사도를 측정하여 각 데이터 세트별 유사도를 결정하는 유사도 측정부, 상기 유사도 측정부에서 결정된 각 데이터 세트별 유사도를 바탕으로 예측 데이터 생성에 사용할 파라미터 k를 결정하는 k 최적화부, 및 상기 각 데이터 세트별 유사도 및 결정된 상기 파라미터 k를 바탕으로 유사도가 높은 순서대로 k 개의 데이터 세트를 선택하고, 이를 바탕으로 예측 데이터를 생성하는 예측부를 포함할 수 있다.
그리고 상기 유사도 측정부는 상기 플랜트 예측 모델의 각 데이터 세트의 각 태그에 대한 값과 상기 측정 데이터의 해당 태그의 값의 차이 및 미리 설정된 각 태그별 편차를 바탕으로 상기 각 데이터 세트별 유사도를 결정할 수 있다.
일 실시 예로서,
Figure pat00001
(여기서
Figure pat00002
는 데이터 세트 j의 유사도를 나타내고,
Figure pat00003
는 데이터 세트 j의 태그 i의 값을 나타내고,
Figure pat00004
는 측정 데이터의 태그 i의 값을 나타내고,
Figure pat00005
는 태그 i의 미리 설정된 편차를 나타내며 n은 태그의 수를 나타냄.)를 이용하여 각 데이터 세트별 유사도를 결정할 수 있다.
그리고 상기 k 최적화부는 최적 유사도를 설정하고, 상기 데이터 세트들 중에서 유사도가 상기 최적 유사도보다 큰 데이터 세트를 찾아 그 개수(Np)를 결정하고, 상기 개수(Np)와 미리 설정된 상기 파라미터 k의 최대값(Nmax) 및 최소값(Nmin)을 비교하여 예측 데이터 생성에 사용할 상기 파라미터 k를 결정할 수 있다.
최적 유사도를 설정하는 일 실시 예로서, 상기 k 최적화부는 상기 각 데이터 세트의 유사도를 비교하여 유사도 최대값(Smax)을 구하고, 유사도 최대값(Smax)에서 미리 설정된 파라미터 α를 빼서 상기 최적 유사도로 설정할 수 있으며, 상기 파라미터 α는 0과 1 사이의 값을 갖는다.
그리고 상기 예측부는 선택된 k 개의 데이터 세트의 각 태그의 값에 각 데이터 세트의 유사도에 비례하는 가중치를 곱한 뒤 평균을 구하는 가중치 평균에 의하여 예측 데이터를 생성할 수 있다.
전술한 목적을 달성하기 위한 본 발명에 따른 복수의 태그의 측정 데이터를 바탕으로 플랜트의 이상 또는 고장을 판단하기 위한 플랜트 이상 판단 장치는 과거에 측정한 데이터를 포함하는 측정 데이터를 바탕으로 플랜트의 복수의 태그에 대한 예측 데이터를 생성하는 제1항 내지 제7항 중 어느 하나의 항에 따른 데이터 예측 장치 및 상기 예측 데이터와 상기 측정 데이터를 비교하여 플랜트의 이상 또는 고장을 판단하는 이상 판단부를 포함할 수 있다.
전술한 목적을 달성하기 위한 본 발명에 따른 복수의 태그의 측정 데이터를 바탕으로 플랜트 정상 상태 예측 데이터를 생성하기 위한 데이터 예측 방법은 상기 측정 데이터를 바탕으로 상기 플랜트를 모델링하여 k-NN(k-Nearest Neighbors) 기반의 플랜트 예측 모델을 생성하는 단계 및 상기 플랜트 예측 모델과 상기 측정 데이터 간의 유사도를 측정하고, 상기 유사도를 바탕으로 파라미터 k 값을 결정하고, 상기 결정된 파라미터 k 값과 측정된 상기 유사도를 바탕으로 예측 데이터를 생성하는 단계를 포함할 수 있다.
그리고 좀 더 상세히 살펴보면, 상기 플랜트 예측 모델은 상기 복수의 태그의 각 태그에 대한 값을 가지고 있는 데이터 세트를 복수 개 포함하고, 상기 예측 데이터를 생성하는 단계는 상기 플랜트 예측 모델의 각 데이터 세트와 상기 측정 데이터 간의 유사도를 측정하여 각 데이터 세트별 유사도를 결정하는 단계, 상기 각 데이터 세트별 유사도를 바탕으로 예측 데이터 생성에 사용할 파라미터 k를 결정하는 단계 및 상기 각 데이터 세트별 유사도 및 상기 파라미터 k를 바탕으로 유사도가 높은 순서대로 k 개의 데이터 세트를 선택하고, 이를 바탕으로 예측 데이터를 생성하는 단계를 포함할 수 있다.
그리고 상기 각 데이터 세트별 유사도를 결정하는 단계는 상기 플랜트 예측 모델의 각 데이터 세트의 각 태그에 대한 값과 상기 측정 데이터의 해당 태그의 값의 차이 및 미리 설정된 각 태그별 편차를 바탕으로 상기 각 데이터 세트별 유사도를 결정하는 단계를 포함할 수 있으며, 나아가
Figure pat00006
(여기서
Figure pat00007
는 데이터 세트 j의 유사도를 나타내고,
Figure pat00008
는 데이터 세트 j의 태그 i의 값을 나타내고,
Figure pat00009
는 측정 데이터의 태그 i의 값을 나타내고,
Figure pat00010
는 태그 i의 미리 설정된 편차를 나타내며 n은 태그의 수를 나타냄.)를 이용하여 각 데이터 세트별 유사도를 결정하는 단계를 포함할 수 있다.
그리고 상기 파라미터 k를 결정하는 단계는 최적 유사도를 설정하는 단계, 상기 데이터 세트들 중에서 유사도가 최적 유사도보다 큰 데이터 세트를 찾아 그 개수(Np)를 결정하는 단계 및 상기 개수(Np)와 미리 설정된 상기 파라미터 k의 최대값(Nmax) 및 최소값(Nmin)을 비교하여 예측 데이터 생성에 사용할 상기 파라미터 k를 결정하는 단계를 포함할 수 있는데, 특히 상기 최적 유사도는 상기 각 데이터 세트의 유사도를 비교하여 유사도 최대값(Smax)을 구하고, 유사도 최대값(Smax)에서 미리 설정된 파라미터 α를 빼서 설정될 수 있는데, 상기 파라미터 α는 0과 1 사이의 값을 갖는다.
그리고 상기 예측 데이터를 생성하는 단계는 선택된 k 개의 데이터 세트의 각 태그의 값에 각 데이터 세트의 유사도에 비례하는 가중치를 곱한 뒤 평균을 구하는 가중치 평균에 의하여 예측 데이터를 생성하는 단계를 포함할 수 있다.
전술한 목적을 달성하기 위한 본 발명에 따른 복수의 태그의 측정 데이터를 바탕으로 플랜트의 이상 또는 고장을 판단하기 위한 플랜트 이상 판단 방법은 상기 측정 데이터를 바탕으로 상기 플랜트를 모델링하여 k-NN(k-Nearest Neighbors) 기반의 플랜트 예측 모델을 생성하는 단계, 상기 플랜트 예측 모델과 상기 측정 데이터 간의 유사도를 측정하고, 상기 유사도를 바탕으로 파라미터 k 값을 결정하고, 상기 결정된 파라미터 k 값과 측정된 상기 유사도를 바탕으로 예측 데이터를 생성하는 단계 및 상기 예측 데이터와 상기 측정 데이터를 비교하여 플랜트의 이상 또는 고장을 판단하는 단계를 포함할 수 있다.
그리고 컴퓨터 또는 프로세서상에서 실행될 때, 제1항 내지 제5항의 방법 중 어느 하나에 따른 방법을 실행하는 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램을 포함할 수 있다.
본 발명에 의하면, 비전문가에 의하여 부정확한 모델이 구성되더라도 유사도 및 k 값을 최적화하여 예측 정확도를 극대화할 수 있는 효과가 있다.
또한, 본 발명에서 제시하는 데이터 예측 장치를 사용함으로써 예측 성능을 향상시켜 플랜트 관리의 오알람의 발생을 최소화할 수 있는 효과가 있다.
도 1은 종래의 k-NN 기반의 예측 데이터 생성 장치의 일 실시 예를 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 예측 데이터 생성 장치를 도시한 도면이다.
도 3은 최적화된 k 값을 구하는 방식을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 최적화된 k 값을 구하는 방법을 도시한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 데이터 예측 방법을 도시한 도면이다.
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 경우뿐 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 제1부분, 성분, 영역, 층 또는 섹션은 본 발명의 범위를 벗어나지 않는 범위 내에서 제2부분, 성분, 영역, 층 또는 섹션으로 언급될 수 있다.
여기서 사용되는 전문 용어는 단지 특정 실시 예를 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.
본 발명에 대해 설명을 시작하기 전에 먼저 태그(Tag)에 대하여 정의한다. 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 플랜트에서 센서를 이용하여 획득한 신호를 바탕으로 계산한 값을 의미할 수 있다.
도 1은 종래의 k-NN 기반의 예측 데이터 생성 장치의 일 실시 예를 도시한 도면이다.
도 1을 참조하면, k-NN 기반의 예측 데이터 생성 장치는 플랜트 모델링부(200) 및 예측데이터 생성부(300)를 포함할 수 있다.
플랜트 모델링부(200)는 센서 등을 이용하여 플랜트(100)를 측정한 측정 데이터를 획득하고 이를 바탕으로 플랜트의 정상 상태를 모델링한 예측 모델을 생성한다. 이때 플랜트(100)를 측정한 데이터는 과거로부터 측정한 데이터를 포함한다. 그리고 매 측정 데이터가 입력될 때마다 예측 모델을 업데이트할 수 있다. 본 명세서에서 제시하는 플랜트 모델링부(200)는 일 실시 예로서 기타 종래에 플랜트 모델링을 위하여 사용하던 다양한 방식이 동일하게 사용될 수 있다.
이러한 플랜트 모델링부(200)는 데이터 처리부(210), 데이터 샘플링부(220), 및 모델링부(230)를 포함할 수 있다.
데이터 처리부(210)는 입력된 플랜트(100) 측정 데이터에서 모델링부(230)에 필요한 데이터만을 추출하여 전달할 수 있다. 일 예로 입력된 플랜트 측정 데이터가 플랜트의 이상 또는 고장에 의하여 정상 상태의 데이터가 아닌 이상 상태 데이터를 포함하고 있는 경우, 이상이 있는 측정 데이터에 대하여는 모델링을 위한 입력 데이터로 사용하지 못하도록 삭제를 할 수 있다. 또는 이상이 있는 데이터를 수정하여 정상 상태의 데이터로 수정한 후 전달할 수도 있다.
데이터 샘플링부(220)는 과거 및 현재 플랜트 측정 데이터 중에서 모델링부(230)에서 사용할 데이터를 샘플링하여 모델링부(230)로 전달할 수 있다. 일 예로서 모델링부(230)에 입력되는 데이터가 처리하기에 매우 크고 불필요한 중복이 있다면, 입력 데이터를 특징들의 축소된 표현 집합으로 변환할 수 있다. 그리고 추출된 특징을 바탕으로 전체 입력 데이터를 사용하지 않고 축소된 표현값만을 사용해 원하는 작업을 수행하도록 입력 데이터에서 적절하게 관련 있는 정보를 샘플링하여 모델링부(230)로 전달할 수 있다.
데이터 샘플링부(220)의 또 다른 일 실시 예로 모델링부(230)에서 모델링을 위하여 사용한 기존의 학습 데이터(일 예로 각 태그별 2000개)와 신규로 입력되는 측정 데이터(일 예로 각 태그별 288개)를 결합하여 이 중에서 특정 특징을 바탕으로 새로운 학습 데이터(일 예로 각 태그별 2000개)를 생성하기 위하여 데이터를 샘플링할 수 있다. 즉, 상술한 2228개의 데이터를 특정 특징에 따라 일렬로 줄을 세우고 일정한 간격으로 2000개의 데이터를 샘플링하여 추출할 수 있다. 이에 대한 자세한 내용은 출원번호 10-2016-005562호를 참고할 수 있다.
모델링부(230)는 데이터 샘플링부(220)에서 샘플링하여 만든 학습 데이터를 바탕으로 플랜트를 모델링하여 플랜트 예측 모델을 생성할 수 있다. 특히 k-NN 알고리즘에 기반하여 학습 데이터를 학습하여 플랜트를 모델링할 수 있다. 이때 출력되는 플랜트 예측 모델은 m개의 데이터 세트를 가지고 있으며 각 데이터 세트는 n 개의 태그에 대한 값을 가지고 있게 된다. 따라서 플랜트 예측 모델은 n x m 행렬로 표시될 수 있다. 여기서 m 개의 데이터 세트는 플랜트가 특정 상태에 있을 때 태그가 가질 수 있는 값을 나타내는 것일 수 있고 또는 특정 시간에 수집한 측정 데이터만을 통계 처리하여 얻어진 각 태그의 값을 나타내는 것일 수 있다.
플랜트 모델링부(200)에서 생성한 플랜트 예측 모델은 예측 데이터 생성부(300)에서 각 태그별 예측 데이터를 생성하는 기반이 된다.
예측 데이터 생성부(200)는 유사도 측정부(310)와 예측부(320)를 포함할 수 있다. 유사도 측정부(310)는 플랜트 예측 모델의 각 데이터 세트와 입력되는 측정 데이터 간의 유사도를 측정하여 출력할 수 있고, 예측부(320)는 유사도 측정 결과를 바탕으로 유사도가 가장 높은 k 개의 데이터 세트를 이용하여 태그별 예측 데이터를 생성하여 출력할 수 있다.
일 예로서 플랜트 예측 모델은
Figure pat00011
로 표시될 수 있으며
Figure pat00012
는 태그의 수를 나타내는 n개의 행과 데이터 세트를 나타내는 m개의 열로 구성되어 다음과 같이 표시될 수 있다.
Figure pat00013
그리고 입력되는 측정 데이터
Figure pat00014
로 표시될 수 있고, 유사도 측정부(310)에서 계산한 각 데이터 세트에 대한 유사도 계산 결과는
Figure pat00015
으로 표시될 수 있다. 그리고 기계 학습에서 많이 사용되는 RBF 커널(Radial Basis Function kernel)을 사용하면 각 데이터 세트에 대한 유사도
Figure pat00016
는 다음 수학식 1로부터 구해질 수 있다.
Figure pat00017
그리고 예측부(320)는 상술한 방법으로 유사도 측정부(310)에서 계산한 유사도를 바탕으로 가장 높은 유사도(
Figure pat00018
값이 1에 가까울수록 유사도가 높음)를 가지는 데이터 세트를 k개 선정하고 이들을 조합평균 또는 가중치 평균하여 최종 예측 데이터를 구할 수 있다. 이때 k 및
Figure pat00019
는 운용자에 의해 미리 설정할 수 있는 값이다.
이때 예측 데이터가 정상 상태에서 플랜트를 측정한 데이터와 얼마나 일치하는 지를 나타내는 예측 데이터의 성능은 플랜트 모델링부(200)에서 생성한 모델의 정확도에 많이 의존한다. 특히 k-NN 기반의 알고리즘을 사용하는 경우에는 모델에 따른 성능 변화가 매우 크다. 즉, 정확한 모델을 이용할 경우에는 예측 데이터의 성능이 매우 높으나, 부정확한 모델을 이용한 경우에는 예측 데이터의 성능이 매우 저하될 수 있다.
이러한 문제점을 해결하기 위하여, 즉 부정확한 모델을 이용하는 경우에도 예측 데이터의 성능을 높이기 위하여 본원 발명은 유사도를 계산하는 유사도 측정부(310)에서의 유사도 계산 방법과 고정된 수로 사용되는 k를 매번 최적화하는 최적화 방법을 채용하여 예측 데이터의 성능을 높이고자 하였다.
도 2는 본 발명의 일 실시 예에 따른 예측 데이터 생성 장치를 도시한 도면이다.
도 2를 참조하면, 플랜트 모델링부(200)는 종래의 방식과 동일하게 기능할 수 있으나 예측 데이터 생성부(400)는 종래의 방식을 개선하여 예측 데이터의 성능을 높일 수 있도록 하였다.
예측 데이터 생성부(400)는 유사도 측정부(410), k 최적화부(430), 및 예측부(420)를 포함할 수 있다.
유사도 측정부(410)는 종래의 RBF 커널에 의한 방식을 개선한 수정 RBF 커널 방식을 바탕으로 유사도를 계산할 수 있다. 수정 RBF 커널 방식은 다음 수학식 2를 이용하여 유사도를 계산할 수 있다.
Figure pat00020
종래의 RBF 커널 방식은 모든 태그의 값을 아우르는 전체 예측 모델을 바탕으로 편차(
Figure pat00021
)를 정하고, 유사도를 계산한다. 이러한 경우, 각 태그의 평균값의 차이가 큰 경우 결과가 왜곡될 가능성이 있다. 일 예로 제1 태그에 대한 평균값이 1이고, 제2 태그에 대한 평균값이 100이라면 유사도 계산에 미치는 영향은 제1 태그에 비하여 제2 태그가 훨씬 크다고 할 수 있다.
이에 반하여 본원 발명에서 제시하는 수정 RBF 커널 방식은 태그별로 편차(
Figure pat00022
)를 정하여 사용함으로써 태그의 평균값 간의 차이에 의하여 발생하는 종래 RBF 커널 방식의 문제점을 해결할 수 있다. 이때 태그별로 사용되는 편차(
Figure pat00023
)는 플랜트 예측 모델의 태그별 데이터를 바탕으로 설정할 수 있다. 편차를 정하는 일 실시 예는 플랜트 예측 모델에서 태그별 데이터의 최대값과 평균값을 구하고, 최대값과 평균값의 차이를 편차로 결정할 수 있다. 또 다른 방법으로는 일반적인 표준 편차를 구하는 방식에 의하여 편차를 결정할 수도 있다.
일 실시 예로 x1, x2의 2개의 태그가 있는 경우를 상정하자. 그리고 플랜트 예측 모델은
Figure pat00024
는 다음의 값을 가진다.
Figure pat00025
그리고
Figure pat00026
는 가장 큰 변화량으로 나타낼 수 있는 20으로 설정할 수 있다. 그러면 입력
Figure pat00027
의 각 데이터 세트에 대한 유사도는 수학식 1로부터
Figure pat00028
로 구해지고, 따라서 2번째 열의 데이터 세트의 유사도가 가장 높고 1번째 열과 3번째 열의 데이터 세트의 유사도가 다음으로 높다는 것을 알 수 있다.
이제 입력
Figure pat00029
가 입력된다고 가정하자. x1만이 5%로 커진 값이 입력되는 것이다. 그러면
Figure pat00030
로 구해진다. 반대로 x2만이 5% 커진 입력
Figure pat00031
가 입력되면 유사도
Figure pat00032
로 구해진다. 이 두 개의 변화된 유사도를 비교하여 보면 동일하게 5%로 변화되더라도 x1의 유사도에 대한 영향은 아주 미미한 반면에 x2의 유사도에 대한 영향은 x1에 비하여 아주 크게 된다. 결과적으로 유사도는 x2에 더 많은 영향을 받게 되어 예측 데이터에 있어서 오류가 발생할 가능성이 크다..
반면에 본원 발명에서 제시하는 수정 RBF 커널 방식을 이용하여 동일한 입력에 대하여 유사도를 계산하여 보면 다음과 같다. 이때 x1에 대한 σ1은 0.2이고 x2에 대한 σ2은 20으로 설정한다. 그러면,
Figure pat00033
인 경우
Figure pat00034
로 구해지고,
Figure pat00035
인 경우
Figure pat00036
으로 구해지고,
Figure pat00037
인 경우
Figure pat00038
로 구해진다. 이 결과를 살펴보면, x1 및 x2의 동일한 변화에 대하여 동일한 유사도 변화값을 나타낸다. 즉 본 발명에서 제시하는 수정 RBF 커널 방식은 각 태그 데이터의 평균값에 상관없이 유사도에 비슷한 영향을 미치도록 함을 알 수 있다. 따라서 좀 더 정밀한 예측 데이터를 생성하도록 할 수 있다.
이에 더하여 본원 발명은 고정된 k 값을 사용하는 대신에 k 최적화부(430)에서 계산된 유사도 값을 바탕으로 최적의 k 값을 구하여 예측 데이터를 생성하도록 할 수 있다.
도 3은 최적화된 k 값을 구하는 방식을 설명하기 위한 도면이고, 도 4는 본 발명의 일 실시 예에 따른 최적화된 k 값을 구하는 방법을 도시한 도면이다.
도 3을 참조하면, x1, x2의 2개의 태그가 존재하는 경우를 도시한 것이고 검은색 원들은 예측 모델의 각각의 데이터 세트를 나타내고, 해칭된 원은 새롭게 도착한 측정 데이터(510)를 나타낸다. 여기서 유사도는 측정 데이터(510)와의 거리로 나타나지며 거리가 가까울수록 유사도가 크게 된다. 유사도가 1인 경우에는 측정 데이터와 데이터 세트가 동일한 점이 된다.
도 3 및 도 4를 참조하면, 유사도 측정부(410)에서 계산한 입력되는 측정 데이터(510)와 플랜트 예측 모델의 각 데이터 세트(520, 521, 522, 523) 사이의 유사도를 바탕으로 유사도가 가장 큰 데이터 세트를 찾는다(S610), 도 3의 예에서는 검은색 원(521)이 유사도가 가장 큰 데이터 세트가 되고, 측정 데이터(510)와 데이터 세트(521)를 바탕으로 수학식 2에 의해 구해진 유사도가 유사도 최대값(Smax; 530)이 된다.
다음으로, 유사도 최대값(Smax; 530)을 바탕으로 최적 유사도(Sopt; 540)를 계산(S620)한다. 최적 유사도(540)는 유사도 최대값에 미리 설정된 파라미터(α)를 뺌으로써 얻을 수 있다. 즉 Sopt = Smax - α, 0< α <1) 식을 이용하여 구할 수 있다.
그리고 최적 유사도(540)보다 큰 유사도를 가지는 데이터 세트를 찾고 그 수(Np)를 계산(S630)한다. 도 3의 예에서는 데이터 세트(521, 522, 523)이 최적 유사도(540)보다 큰 유사도를 가지는 데이터 세트가 되고, 따라서 Np=3이 된다.
마지막으로 최적 유사도(540)보다 큰 유사도를 가지는 데이터 세트의 수(Np)를 바탕으로 최적의 k 값을 결정(S640)한다. 최적의 k 값은 다음 방식으로 결정될 수 있다. 이때 예측에 사용할 최대 데이터 세트 수(Nmax)와 최소 데이터 세트 수(Nmin)을 미리 설정할 수 있다.
- 최적 유사도(540)보다 큰 유사도를 가지는 데이터 세트의 수(Np)가 예측에 사용할 최대 데이터 세트 수(Nmax)보다 크면 k를 예측에 사용할 최대 데이터 세트 수(Nmax)로 결정함(k = Nmax).
- 최적 유사도(540)보다 큰 유사도를 가지는 데이터 세트의 수(Np)가 예측에 사용할 최대 데이터 세트 수(Nmax)보다 작고, 예측에 사용할 최소 데이터 세트 수(Nmin)보다 크면 k를 최적 유사도(540)보다 큰 유사도를 가지는 데이터 세트의 수(Np)로 결정함(k = Np).
- 최적 유사도(540)보다 큰 유사도를 가지는 데이터 세트의 수(Np)가 예측에 사용할 최소 데이터 세트 수(Nmin)보다 작으면 k를 예측에 사용할 최소 데이터 세트 수(Nmin)로 결정함(k = Nmin).
상술한 바와 같이 수정 RBF 커널 방식을 채용한 유사도 측정부(410)와 k 최적화부(430)를 적용하여 최적의 k를 구한 후 이를 바탕으로 예측부(420)에서는 최종 예측 데이터를 생성할 수 있다. 예측부(420)는 유사도 측정부(410)에 계산한 유사도를 바탕으로 유사도가 큰 것부터 k 최적화부(430)에서 계산한 최적의 k 개만큼의 데이터 세트를 선택하고, 선택된 데이터 세트를 바탕으로 예측 데이터를 생성할 수 있다. 예측 데이터를 생성하는 방법으로는 선택된 데이터 세트의 각 태그의 값들을 단순 평균하는 산술 평균(수학식 3)에 의하여 예측 데이터를 생성하거나 또는 선택된 데이터 세트의 각 태그의 값에 가중치를 곱한 뒤 평균을 구하는 가중치 평균(수학식 4)에 의하여 예측 데이터를 생성할 수 있다. 이때 가중치는 각 데이터 세트의 유사도에 비례하여 결정할 수 있다.
Figure pat00039
Figure pat00040
상술한 본원 발명에서 제시하는 예측 데이터 생성 장치를 사용하면, 비전문가에 의하여 부정확한 모델이 구성되더라도 유사도 및 k 값을 최적화하여 예측 정확도를 극대화할 수 있는 효과가 있다.
본 발명에서 제시하는 예측 데이터 생성 장치는 플랜트의 이상 감지 장치에 적용되어 예측 데이터를 생성하고, 생성된 예측 데이터를 측정 데이터와 비교하여 플랜트의 이상 또는 고장을 사전에 감지할 수도 있다.
도 5는 본 발명의 일 실시 예에 따른 데이터 예측 방법을 도시한 도면이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 데이터 예측 방법은 먼저 과거에서부터 획득한 측정 데이터를 바탕으로 플랜트 예측 모델을 구성(S710)한다. 특히, k-NN을 기반으로 한 플랜트 예측 모델은 n x m 행렬로 플랜트 예측 모델을 표현할 수 있다. 여기서 n는 측정한 신호를 나타내는 태그의 수를 나타내고 m은 태그들의 데이터 세트의 수를 나타낸다.
그리고 플랜트 예측 모델의 각 데이터 세트와 입력된 측정 데이터 간의 유사도를 계산(S720)한다. 유사도는 상술한 수정 RBF 커널 방식을 이용하여 계산할 수 있다. 즉, 상기 수학식 2에 나타나 있는 것처럼 태그별 데이터 세트 내의 값과 측정 데이터 값의 차이를 제곱한 것을 편차를 제곱하고 2를 곱한 값으로 나누고(태그별 유사도), 전체 태그에 대하여 구한 태그별 유사도 값을 더하고 태그의 수로 나누어 평균값을 구함으로써 유사도를 계산할 수 있다.
다음으로, 계산된 유사도를 바탕으로 최적의 k 값을 결정(S730)한다. 최적의 k 값을 결정하는 방법은 상술한 도 4에 도시되어 있는 것처럼 계산된 유사도 중 최대값을 찾고, 찾아진 유사도를 바탕으로 최적 유사도 값을 계산하고, 최적 유사도보다 큰 유사도를 가지는 데이터 세트를 찾고, 찾아진 데이터 세트의 수에 따라 최적 k값을 결정할 수 있다.
최적 k 값이 결정되면, 이 k 값과 각 데이터 세트에 대하여 계산된 유사도를 바탕으로 예측 데이터를 생성(S740)할 수 있다. 일 실시 예로서 계산한 유사도를 바탕으로 유사도가 큰 것부터 결정된 k 개만큼의 데이터 세트를 선택하고, 선택된 데이터 세트를 바탕으로 예측 데이터를 생성할 수 있다. 예측 데이터를 생성하는 방법으로는 선택된 데이터 세트의 각 태그의 값들을 단순 평균하는 산술 평균에 의하여 예측 데이터를 생성하거나 또는 선택된 데이터 세트의 각 태그의 값에 가중치를 곱한 뒤 평균을 구하는 가중치 평균에 의하여 예측 데이터를 생성할 수 있다. 이때 가중치는 각 데이터 세트의 유사도에 비례하여 결정할 수 있다.
상술한 바와 같이 본 발명에서 제시하는 데이터 예측 장치 및 방법은 종래의 예측 장치 및 방법에 비하여 개선된 유사도 계산 방식과 유사도에 따른 k 최적화 방식에 의하여 훨씬 높은 성능의 예측 데이터를 제공할 수 있는 장점이 있다.
그뿐만 아니라. 본 발명에서 제시하는 장치 및 방법은 사용된 개선된 유사도 계산 방식과 유사도에 따른 k 최적화 방식은 이상 신호 복원에도 동일하게 사용이 가능하여 이상 신호 복원 성능을 향상 시킬 수 있다.
100 : 플랜트
200 : 플랜트 데이터 모델링부
210 : 데이터 처리부
220 : 데이터 샘플링부
230 : 모델링부
400 : 예측 데이터 생성부
410 : 유사도 측정부
420 : 예측부
430 : k 최적화부

Claims (17)

  1. 복수의 태그의 측정 데이터를 바탕으로 플랜트 정상 상태 예측 데이터를 생성하기 위한 데이터 예측 장치로서,
    상기 측정 데이터를 바탕으로 상기 플랜트를 모델링하여 k-NN(k-Nearest Neighbors) 기반의 플랜트 예측 모델을 생성하는 플랜트 모델링부; 및
    상기 플랜트 예측 모델과 상기 측정 데이터 간의 유사도를 측정하고, 상기 유사도를 바탕으로 파라미터 k 값을 결정하고, 상기 결정된 파라미터 k 값과 측정된 상기 유사도를 바탕으로 예측 데이터를 생성하는 예측 데이터 생성부;를 포함하는,
    데이터 예측 장치.
  2. 제 1 항에 있어서,
    상기 플랜트 예측 모델은 상기 복수의 태그의 각 태그에 대한 값을 가지고 있는 데이터 세트를 복수 개 포함하고,
    상기 예측 데이터 생성부는,
    상기 플랜트 예측 모델의 각 데이터 세트와 상기 측정 데이터 간의 유사도를 측정하여 각 데이터 세트별 유사도를 결정하는 유사도 측정부;
    상기 유사도 측정부에서 결정된 각 데이터 세트별 유사도를 바탕으로 예측 데이터 생성에 사용할 파라미터 k를 결정하는 k 최적화부; 및
    상기 각 데이터 세트별 유사도 및 결정된 상기 파라미터 k를 바탕으로 유사도가 높은 순서대로 k 개의 데이터 세트를 선택하고, 이를 바탕으로 예측 데이터를 생성하는 예측부;를 포함하는
    데이터 예측 장치.
  3. 제 2 항에 있어서,
    상기 유사도 측정부는,
    상기 플랜트 예측 모델의 각 데이터 세트의 각 태그에 대한 값과 상기 측정 데이터의 해당 태그의 값의 차이 및 미리 설정된 각 태그별 편차를 바탕으로 상기 각 데이터 세트별 유사도를 결정하는,
    데이터 예측 장치.
  4. 제 3 항에 있어서,
    상기 유사도 측정부는,
    Figure pat00041

    (여기서
    Figure pat00042
    는 데이터 세트 j의 유사도를 나타내고,
    Figure pat00043
    는 데이터 세트 j의 태그 i의 값을 나타내고,
    Figure pat00044
    는 측정 데이터의 태그 i의 값을 나타내고,
    Figure pat00045
    는 태그 i의 미리 설정된 편차를 나타내며 n은 태그의 수를 나타냄.)
    를 이용하여 각 데이터 세트별 유사도를 결정하는,
    데이터 예측 장치.
  5. 제 2 항에 있어서,
    상기 k 최적화부는,
    최적 유사도를 설정하고,
    상기 데이터 세트들 중에서 유사도가 상기 최적 유사도보다 큰 데이터 세트를 찾아 그 개수(Np)를 결정하고,
    상기 개수(Np)와 미리 설정된 상기 파라미터 k의 최대값(Nmax) 및 최소값(Nmin)을 비교하여 예측 데이터 생성에 사용할 상기 파라미터 k를 결정하는,
    데이터 예측 장치.
  6. 제 5 항에 있어서,
    상기 k 최적화부는,
    상기 각 데이터 세트의 유사도를 비교하여 유사도 최대값(Smax)을 구하고, 유사도 최대값(Smax)에서 미리 설정된 파라미터 α를 빼서 상기 최적 유사도로 설정하며, 상기 파라미터 α는 0과 1 사이의 값을 갖는,
    데이터 예측 장치.
  7. 제 2 항에 있어서,
    상기 예측부는,
    선택된 k 개의 데이터 세트의 각 태그의 값에 각 데이터 세트의 유사도에 비례하는 가중치를 곱한 뒤 평균을 구하는 가중치 평균에 의하여 예측 데이터를 생성하는,
    데이터 예측 장치.
  8. 복수의 태그의 측정 데이터를 바탕으로 플랜트의 이상 또는 고장을 판단하기 위한 플랜트 이상 판단 장치로서,
    과거에 측정한 데이터를 포함하는 측정 데이터를 바탕으로 플랜트의 복수의 태그에 대한 예측 데이터를 생성하는 제1항 내지 제7항 중 어느 하나의 항에 따른 데이터 예측 장치; 및
    상기 예측 데이터와 상기 측정 데이터를 비교하여 플랜트의 이상 또는 고장을 판단하는 이상 판단부;를 포함하는,
    플랜트 이상 판단 장치.
  9. 복수의 태그의 측정 데이터를 바탕으로 플랜트 정상 상태 예측 데이터를 생성하기 위한 데이터 예측 방법으로서,
    상기 측정 데이터를 바탕으로 상기 플랜트를 모델링하여 k-NN(k-Nearest Neighbors) 기반의 플랜트 예측 모델을 생성하는 단계; 및
    상기 플랜트 예측 모델과 상기 측정 데이터 간의 유사도를 측정하고, 상기 유사도를 바탕으로 파라미터 k 값을 결정하고, 상기 결정된 파라미터 k 값과 측정된 상기 유사도를 바탕으로 예측 데이터를 생성하는 단계;를 포함하는,
    데이터 예측 방법.
  10. 제 9 항에 있어서,
    상기 플랜트 예측 모델은 상기 복수의 태그의 각 태그에 대한 값을 가지고 있는 데이터 세트를 복수 개 포함하고,
    상기 예측 데이터를 생성하는 단계는,
    상기 플랜트 예측 모델의 각 데이터 세트와 상기 측정 데이터 간의 유사도를 측정하여 각 데이터 세트별 유사도를 결정하는 단계;
    상기 각 데이터 세트별 유사도를 바탕으로 예측 데이터 생성에 사용할 파라미터 k를 결정하는 단계; 및
    상기 각 데이터 세트별 유사도 및 상기 파라미터 k를 바탕으로 유사도가 높은 순서대로 k 개의 데이터 세트를 선택하고, 이를 바탕으로 예측 데이터를 생성하는 단계;를 포함하는
    데이터 예측 방법.
  11. 제 10 항에 있어서,
    상기 각 데이터 세트별 유사도를 결정하는 단계는,
    상기 플랜트 예측 모델의 각 데이터 세트의 각 태그에 대한 값과 상기 측정 데이터의 해당 태그의 값의 차이 및 미리 설정된 각 태그별 편차를 바탕으로 상기 각 데이터 세트별 유사도를 결정하는 단계를 포함하는,
    데이터 예측 방법.
  12. 제 11 항에 있어서,
    상기 각 데이터 세트별 유사도를 결정하는 단계는,
    Figure pat00046

    (여기서
    Figure pat00047
    는 데이터 세트 j의 유사도를 나타내고,
    Figure pat00048
    는 데이터 세트 j의 태그 i의 값을 나타내고,
    Figure pat00049
    는 측정 데이터의 태그 i의 값을 나타내고,
    Figure pat00050
    는 태그 i의 미리 설정된 편차를 나타내며 n은 태그의 수를 나타냄.)
    를 이용하여 각 데이터 세트별 유사도를 결정하는 단계를 포함하는,
    데이터 예측 방법.
  13. 제 10 항에 있어서,
    상기 파라미터 k를 결정하는 단계는,
    최적 유사도를 설정하는 단계;
    상기 데이터 세트들 중에서 유사도가 최적 유사도보다 큰 데이터 세트를 찾아 그 개수(Np)를 결정하는 단계; 및
    상기 개수(Np)와 미리 설정된 상기 파라미터 k의 최대값(Nmax) 및 최소값(Nmin)을 비교하여 예측 데이터 생성에 사용할 상기 파라미터 k를 결정하는 단계;를 포함하는,
    데이터 예측 방법.
  14. 제 13 항에 있어서,
    상기 최적 유사도는,
    상기 각 데이터 세트의 유사도를 비교하여 유사도 최대값(Smax)을 구하고, 유사도 최대값(Smax)에서 미리 설정된 파라미터 α를 빼서 설정되며, 상기 파라미터 α는 0과 1 사이의 값을 갖는,
    데이터 예측 방법.
  15. 제 10 항에 있어서,
    상기 예측 데이터를 생성하는 단계는,
    선택된 k 개의 데이터 세트의 각 태그의 값에 각 데이터 세트의 유사도에 비례하는 가중치를 곱한 뒤 평균을 구하는 가중치 평균에 의하여 예측 데이터를 생성하는 단계를 포함하는,
    데이터 예측 방법.
  16. 복수의 태그의 측정 데이터를 바탕으로 플랜트의 이상 또는 고장을 판단하기 위한 플랜트 이상 판단 방법으로서,
    상기 측정 데이터를 바탕으로 상기 플랜트를 모델링하여 k-NN(k-Nearest Neighbors) 기반의 플랜트 예측 모델을 생성하는 단계;
    상기 플랜트 예측 모델과 상기 측정 데이터 간의 유사도를 측정하고, 상기 유사도를 바탕으로 파라미터 k 값을 결정하고, 상기 결정된 파라미터 k 값과 측정된 상기 유사도를 바탕으로 예측 데이터를 생성하는 단계; 및
    상기 예측 데이터와 상기 측정 데이터를 비교하여 플랜트의 이상 또는 고장을 판단하는 단계;를 포함하는,
    플랜트 이상 판단 방법.
  17. 컴퓨터 또는 프로세서 상에서 실행될 때, 제9항 내지 제16항의 방법 중 어느 하나에 따른 방법을 실행하는 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램.
KR1020170112165A 2017-09-01 2017-09-01 플랜트 데이터 예측 장치 및 방법 KR101978569B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020170112165A KR101978569B1 (ko) 2017-09-01 2017-09-01 플랜트 데이터 예측 장치 및 방법
US16/009,201 US10884404B2 (en) 2017-09-01 2018-06-15 Method of predicting plant data and apparatus using the same
DE102018115155.1A DE102018115155A1 (de) 2017-09-01 2018-06-25 Verfahren zum Vorhersagen von Anlagendaten und Vorrichtung, die es verwendet

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170112165A KR101978569B1 (ko) 2017-09-01 2017-09-01 플랜트 데이터 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190025473A true KR20190025473A (ko) 2019-03-11
KR101978569B1 KR101978569B1 (ko) 2019-05-14

Family

ID=65363809

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170112165A KR101978569B1 (ko) 2017-09-01 2017-09-01 플랜트 데이터 예측 장치 및 방법

Country Status (3)

Country Link
US (1) US10884404B2 (ko)
KR (1) KR101978569B1 (ko)
DE (1) DE102018115155A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102068715B1 (ko) * 2019-06-05 2020-01-21 (주)위세아이텍 변수 중요도에 따른 가중치가 적용된 변수를 이용한 이상값 탐지 장치 및 방법
KR102362582B1 (ko) * 2020-12-31 2022-02-15 렉스소프트 주식회사 통계 데이터 전처리 방법, 서버 및 컴퓨터 판독가능매체
KR20220059193A (ko) * 2020-11-02 2022-05-10 한국전력공사 오탐지 예방을 위한 조기 경보 시스템 및 방법

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11099529B2 (en) 2019-07-23 2021-08-24 International Business Machines Corporation Prediction optimization for system level production control
WO2021053506A1 (en) * 2019-09-19 2021-03-25 Abb Schweiz Ag System and method of plant monitoring with self-learning
CN112037106B (zh) * 2020-08-07 2023-12-15 汉威科技集团股份有限公司 一种基于特征互相关性和概率密度的数据异常分析方法
KR20230114394A (ko) 2022-01-25 2023-08-01 한전케이피에스 주식회사 다단제어기에서 모델 예측 제어를 통한 보조제어 방법 및 장치
CN116149971B (zh) * 2023-04-14 2023-07-04 北京宝兰德软件股份有限公司 设备故障预测方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013218725A (ja) * 2013-06-19 2013-10-24 Hitachi Ltd 異常検知方法及び異常検知システム
JP2015088079A (ja) * 2013-11-01 2015-05-07 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6216066B1 (en) * 1998-07-01 2001-04-10 General Electric Company System and method for generating alerts through multi-variate data assessment
AU2001247336B2 (en) * 2000-03-10 2006-02-02 Smiths Detection, Inc. Control for an industrial process using one or more multidimensional variables
US8849586B1 (en) * 2007-11-30 2014-09-30 Intellectual Assets Llc Path classification and estimation method and system for prognosticating asset life
US8204697B2 (en) * 2008-04-24 2012-06-19 Baker Hughes Incorporated System and method for health assessment of downhole tools
DE102009006887B3 (de) * 2009-01-30 2010-07-15 Advanced Micro Devices, Inc., Sunnyvale Verfahren und System zur Halbleiterprozesssteuerung und Überwachung unter Anwendung eines Datenqualitätsmaßes
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
KR20150086933A (ko) * 2014-01-21 2015-07-29 에스케이하이닉스 주식회사 반도체 메모리 장치
EP3365841A4 (en) * 2015-09-30 2019-06-19 Just, Inc. SYSTEMS AND METHODS FOR IDENTIFYING ENTITIES THAT HAVE TARGET PROPERTY
KR20170112165A (ko) 2016-03-31 2017-10-12 주식회사 올릭스 색온도 가변형 미술관 및 박물관용 led 조명 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013218725A (ja) * 2013-06-19 2013-10-24 Hitachi Ltd 異常検知方法及び異常検知システム
JP2015088079A (ja) * 2013-11-01 2015-05-07 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102068715B1 (ko) * 2019-06-05 2020-01-21 (주)위세아이텍 변수 중요도에 따른 가중치가 적용된 변수를 이용한 이상값 탐지 장치 및 방법
KR20220059193A (ko) * 2020-11-02 2022-05-10 한국전력공사 오탐지 예방을 위한 조기 경보 시스템 및 방법
KR102362582B1 (ko) * 2020-12-31 2022-02-15 렉스소프트 주식회사 통계 데이터 전처리 방법, 서버 및 컴퓨터 판독가능매체

Also Published As

Publication number Publication date
US20190072947A1 (en) 2019-03-07
DE102018115155A1 (de) 2019-03-07
KR101978569B1 (ko) 2019-05-14
US10884404B2 (en) 2021-01-05

Similar Documents

Publication Publication Date Title
KR101978569B1 (ko) 플랜트 데이터 예측 장치 및 방법
KR20190025474A (ko) 플랜트 데이터 예측 장치 및 방법
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
JP6406261B2 (ja) 情報処理装置、及び、分析方法
Li et al. Sensor fault detection with generalized likelihood ratio and correlation coefficient for bridge SHM
US20210116331A1 (en) Anomaly analysis method, program, and system
RU2584373C2 (ru) Способ обнаружения ухудшения рабочих характеристик датчика аэродинамических углов с помощью мониторинга вибрации
US11657121B2 (en) Abnormality detection device, abnormality detection method and computer readable medium
KR20160097029A (ko) 배터리 상태 추정 장치 및 방법
US20200143292A1 (en) Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset
US11640459B2 (en) Abnormality detection device
JP6164311B1 (ja) 情報処理装置、情報処理方法、及び、プログラム
EP3674827B1 (en) Monitoring target selecting device, monitoring target selecting method and program
EP3866132A1 (en) Power plant early warning device and method employing multiple prediction model
JP2016151909A (ja) 異常診断方法及び異常診断システム
WO2016195092A1 (ja) 異常検知装置
CN114492629A (zh) 异常检测方法、装置、电子设备及存储介质
KR102575917B1 (ko) 클라우드 기반 가상 센서를 이용한 IoT 센서 이상 진단 방법 및 시스템
CN112380073B (zh) 一种故障位置的检测方法、装置及可读存储介质
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
US11073825B2 (en) Causal relationship learning method, program, device, and anomaly analysis system
JP2022082277A (ja) 検知プログラム、検知装置、および検知方法
JP7127305B2 (ja) 情報処理装置、情報処理方法、プログラム
WO2020183781A1 (ja) 異常診断装置
KR101598535B1 (ko) 전력설비 분석 장치 및 방법

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