KR20190136518A - Performance Prediction System of Power Feed Water Heater by Applying Machine Learning and Path Classification - Google Patents
Performance Prediction System of Power Feed Water Heater by Applying Machine Learning and Path Classification Download PDFInfo
- Publication number
- KR20190136518A KR20190136518A KR1020180062347A KR20180062347A KR20190136518A KR 20190136518 A KR20190136518 A KR 20190136518A KR 1020180062347 A KR1020180062347 A KR 1020180062347A KR 20180062347 A KR20180062347 A KR 20180062347A KR 20190136518 A KR20190136518 A KR 20190136518A
- Authority
- KR
- South Korea
- Prior art keywords
- value
- performance
- unit
- signal value
- time
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims description 78
- 238000010801 machine learning Methods 0.000 title description 4
- 230000015556 catabolic process Effects 0.000 claims abstract description 77
- 238000006731 degradation reaction Methods 0.000 claims abstract description 77
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 230000010354 integration Effects 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000006866 deterioration Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 14
- 230000007423 decrease Effects 0.000 description 10
- 238000010248 power generation Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000011109 contamination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
본 발명은 발전소 급수 가열기의 성능 저하 예측 시스템에 관한 것으로, 발전소 급수 가열기의 성능 저하 원인을 판독하고 급수 가열기의 운전정지 시점을 예측하는 기계학습과 경로 분류 기법적용을 통한 발전소 급수 가열기의 성능 저하 예측 시스템에 관한 것이다. The present invention relates to a system for predicting performance degradation of a power plant water heater, and predicts the performance degradation of the power plant water heater by reading the cause of the performance degradation of the power plant water heater and predicting the stop point of the water heater by applying a machine learning and path classification technique. It's about the system.
일반적으로 발전방법으로 수력발전, 화력발전, 원자력발전 등이 있으며, 상기와 같은 발전방법들은 대규모의 발전설비가 필요하다. In general, there are hydroelectric power generation, thermal power generation, nuclear power generation, and the like, and these power generation methods require large-scale power generation facilities.
이러한 발전설비에는 통합제어설비, 터빈제어설비, 전기제어설비, 패키지제어설비 등 다양한 운전설비들이 있다. These power generation facilities include a variety of operation equipment, such as integrated control equipment, turbine control equipment, electrical control equipment, package control equipment.
또한, 발전설비에는 진동감시설비, 예측정비 관리기기, 전류, 자속, 온도 등을 계측하는 계측제어설비 등의 다양한 감시기기들이 있다. In addition, the power generation equipment includes a variety of monitoring equipment such as vibration monitoring equipment cost, predictive maintenance management equipment, measurement and control equipment for measuring the current, magnetic flux, temperature and the like.
종래에는 이러한 발전설비의 실시간 운전정보 취득과 성능 관리가 이원화되어 있고 오프라인 상에서 데이터를 처리하여 발전설비의 운전정보를 분석 및 관리하고 있다.Conventionally, real-time operation information acquisition and performance management of such power generation facilities are dualized, and the operation information of power generation facilities is analyzed and managed by processing data offline.
더불어, 최근 발전소 설비의 고장정지 최소화, 정비비용 감소 등 운영효율 향상을 위한 방법이 요구되어지고 있다. In addition, there is a demand for a method for improving operational efficiency, such as minimizing downtime of a power plant facility and reducing maintenance costs.
발전소 설비의 자동제어시스템에 의해 설비 사고방지와 최적운전을 위하여 현장기기들을 제어하며, 자동제어시스템은 고장 임계값을 설정하여 임계값의 상한치를 넘을 경우 경보를 발생시키고 경보가 지속될 경우 설비운전을 중단하는 방식으로 운전되고 있다. The automatic control system of the power plant equipment controls the field devices for the prevention of equipment accidents and optimal operation.The automatic control system sets a failure threshold to generate an alarm when the upper limit of the threshold is exceeded and to operate the equipment if the alarm persists. It is operating in a way that is interrupted.
또한, 고장예측 시스템에 의하여 운전정보를 수집하여 정상 운전 데이터를 미리 학습시킨 후, 현재 운전값 대비 정상운전에 대한 예측값을 생성하여 예측값과 현재값의 차이가 미리 설정한 임계값을 초과할 경우 조기경보를 발생시켜 작업자에게 알려주어 조기경보가 발생한 기기에 대하여 집중 감시 및 관리할 수 있도록 하고 있다. In addition, after the operation information is collected by the failure prediction system, the normal operation data is learned in advance, and the prediction value for the normal operation is generated compared to the current operation value, and when the difference between the prediction value and the present value exceeds a preset threshold, Alarms are issued to inform workers so that they can monitor and manage early warning devices.
그러나 종래의 고장예측 시스템의 조기경보에 대한 정보만으로는 작업자가 조기경보가 발생한 기기에 대하여 언제 발전소를 정지시키고 정비 또는 교체작업을 진행해야 할지 결정하기에 어려운 문제가 있다. However, the information on the early warning of the conventional failure prediction system alone is difficult for the operator to determine when to stop the plant and proceed with the maintenance or replacement of the device in which the early warning occurs.
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 작업자가 조기경보가 발생한 기기에 대한 조치 여부의사 결정을 지원하기 위하여 기기의 미래 성능저하 경로와 성능저하 원인 및 운전정지 시점에 대한 예측 정보를 제공하는 기계학습과 경로 분류 기법적용을 통한 발전소 급수 가열기의 성능 저하 예측 시스템을 제공하고자 하는데 그 목적이 있다.The present invention is to solve the above-described problems, in order to support the operator to determine whether to take action on the early warning device to provide the prediction information on the future performance degradation path and cause of performance degradation and stop time of the device The purpose of this study is to provide a performance degradation prediction system for power plant feedwater heaters through machine learning and path classification techniques.
그러나 본 발명의 목적은 상기에 언급된 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.However, the object of the present invention is not limited to the above-mentioned object, another object that is not mentioned will be clearly understood by those skilled in the art from the following description.
상기 목적을 달성하기 위하여, 본 발명은 발전소 급수 가열기의 성능 저하 예측 시스템에 있어서, 상기 급수 가열기의 작동에 따른 신호값 및 성능값을 실시간으로 획득하는 급수 가열기 실시간 측정부와, 상기 급수 가열기의 성능 저하 상태에서 작동된 신호값 및 성능값을 수집하여 기 저장된 고장이력 DB와, 상기 급수 가열기 실시간 측정부에서 측정한 현재 신호값 및 성능값과 고장이력 DB에 기 저장된 성능저하 신호값 및 성능값을 비교하여 상기 발전소 급수 가열기의 성능 저하 원인을 판독하고 급수 가열기의 운전정지 시점을 예측하는 성능 저하 통합 플랫폼을 포함하여 이루어진다.In order to achieve the above object, the present invention provides a performance degradation prediction system of a power plant water heater, water heater real-time measuring unit for obtaining the signal value and the performance value according to the operation of the water heater in real time, and the performance of the water heater It collects the signal value and the performance value operated in the deterioration state and stores the previously stored fault history DB, the current signal value and the performance value measured by the water heater real-time measuring unit, and the performance degradation signal value and the performance value previously stored in the fault history DB. And a performance degradation integrated platform that reads the cause of the degradation of the power plant feedwater heater and predicts the shutdown point of the feedwater heater.
또한, 상기 급수 가열기 실시간 측정부는 상기 급수 가열기에 구비되어 급수 가열기의 작동 상태에 따른 현재 신호값을 측정하는 센서측정부와, 상기 센서측정부에서 측정된 현재 신호값을 이용하여 현재 성능값을 산출하는 성능값 생성부와, 상기 급수 가열기 작동 중 시간의 변화에 따른 상기 현재 성능값을 통해 상기 급수 가열기의 벡터 데이터 그래프를 추출하는 실시간 트렌드 분석부를 포함하여 이루어진다.In addition, the water heater heater real-time measuring unit is provided in the water heater, a sensor measuring unit for measuring the current signal value according to the operating state of the water heater, and calculates the current performance value using the current signal value measured by the sensor measuring unit. And a real time trend analysis unit for extracting a vector data graph of the water supply heater through the current performance value according to a change in time during operation of the water supply heater.
또한, 상기 고장이력 DB의 성능 저하 신호값은 시계열 행렬 데이터 형태로 저장되고, 성능 저하 성능값은 상기 급수 가열기 작동 중 시간의 변화에 따른 상기 성능 저하 성능값에 대한 고장이력 벡터 데이터를 그래프의 형태로 저장된다. In addition, the performance degradation signal value of the failure history DB is stored in the form of time series matrix data, and the performance degradation performance value is a failure history vector data for the performance degradation performance value according to the change of time during operation of the water heater. Is stored as.
또한, 상기 신호값은, 급수 입구 및 출구 온도, 스팀 입구 및 출구 온도, 배수관 온도 및 수위, 배수관 밸브 포지션이고, 상기 성능값은, 상기 스팀 입구 온도와 급수 출구 온도의 온도차(TTD ; Thermal temperature difference) 및 드레인 온도와 급수 입구 온도의 온도차(DCA ; Drain cooler approach)이다. Further, the signal value is a water supply inlet and outlet temperature, steam inlet and outlet temperature, drain pipe temperature and water level, drain pipe valve position, the performance value is the temperature difference (TTD; Thermal temperature difference between the steam inlet temperature and the water supply outlet temperature) ) And the difference between the drain temperature and the feedwater inlet temperature (DCA; drain cooler approach).
또한, 상기 통합 플랫폼은 상기 급수 가열기의 정상 상태로 작동되는 기설정된 기준 신호값 및 기준 성능값이 미리 학습된다.In addition, the integrated platform is pre-learned with a predetermined reference signal value and a reference performance value operating in the steady state of the feed water heater.
그리고 상기 통합 플랫폼은 상기 급수 가열기 실시간 측정부의 현재 성능값과 상기 기준 성능값을 비교하여 상기 현재 성능값이 상기 기준 성능값보다 낮아지는 저하현상을 판정하는 경로 판독부와, 상기 경로 판독부에서 상기 현재 성능값이 상기 기준 성능값보다 낮아지는 경우, 상기 실시간 트렌드 분석부의 벡터 데이터 그래프에 대한 트렌드를 예측하는 트렌드 예측부와, 상기 트렌드 예측부를 통해 상기 급수 가열기의 성능 저하 원인과 운전정지 시점을 분석하는 분석부와, 상기 분석부에 의해 분석된 상기 급수 가열기의 성능 저하 원인과 운전정지 시점을 출력하는 출력부를 포함하여 이루어진다.The integrated platform may further include a path reading unit configured to compare a current performance value of the feedwater heater real-time measuring unit with the reference performance value to determine a drop phenomenon in which the current performance value is lower than the reference performance value, and in the path reading unit. When the current performance value is lower than the reference performance value, the trend prediction unit for predicting the trend for the vector data graph of the real-time trend analysis unit, and the cause of the performance degradation of the feed water heater and the stop point of time analysis through the trend prediction unit And an output unit configured to output a cause of performance degradation of the water heater and an operation stop time analyzed by the analysis unit.
또한, 상기 트렌드 예측부는 상기 경로 판독부에서 상기 현재 성능값이 상기 기준 성능값보다 낮아질 때의 과거 신호값을 통해 과거 시계열 행렬 데이터 형태로 저장하는 저장부와, 상기 경로 판독부에서 상기 현재 성능값이 상기 기준 성능값보다 5% 내지 10% 낮아질 때, 상기 현재 신호값에 대한 예측 신호값 시계열 행렬 데이터를 산출하는 예측 데이터 연산부와, 상기 데이터 연산부에 의해 산출된 예측 신호값을 통해 예측 성능값을 계산하여, 계산된 예측 성능값의 기울기를 산출하는 예측 기울기 연산부를 포함하여 이루어진다.The trend predictor may further include a storage configured to store, in the form of past time series matrix data, a past signal value when the current performance value is lower than the reference performance value in the path reading unit, and the current performance value in the path reading unit. When the value is 5% to 10% lower than the reference performance value, the predictive performance value is calculated through a prediction data calculator for calculating a predicted signal value time series matrix data for the current signal value, and a predicted signal value calculated by the data calculator. By calculating, it comprises a prediction gradient calculation unit for calculating the slope of the calculated prediction performance value.
또한, 상기 데이터 연산부는 상기 현재 신호값에 대해서 상기 저장부에 저장된 과거 시계열 행렬 데이터와의 시계열 거리 계산을 수행하는 거리계산 연산부와, The data calculation unit may include a distance calculation unit configured to calculate a time series distance from the past time series matrix data stored in the storage unit with respect to the current signal value;
상기 거리계산 연산부에서 계산된 시계열 거리에 대한 유사도를 계산하여 유사도 가중치를 산출하는 유사도 연산부와, 상기 유사도 연산부에서 산출된 유사도 가중치를 기반으로 상기 현재 신호값에 대한 예측 신호값을 산출하는 예측값 연산부를 포함하여 이루어진다.A similarity calculator that calculates a similarity weight by calculating a similarity with respect to the time series distance calculated by the distance calculator, and a prediction value calculator that calculates a predicted signal value with respect to the current signal value based on the similarity weight calculated by the similarity calculator. It is made to include.
또한, 상기 분석부는 상기 현재 신호값의 증감 상태에 따른 성능저하원인표를 작성하고, 상기 성능저하원인표를 통해 성능 저하 원인 정보를 산출하는 성능 저하 원인 검출부와, 상기 예측 기울기 연산부에 의해 산출된 예측 성능값의 기울기값과 상기 고장이력 DB에 저장된 고장이력 벡터 데이터의 벡터값을 현재시점에서 유사도를 비교하여 유사한 벡터값을 갖는 고장 이력 벡터 데이터를 검출하는 비교 검출부와, 상기 예측 성능값의 기울기값과 유사한 고장 이력 벡터 데이터를 통해 현재 시점 이후의 기울기값을 연속적으로 계산하여 미래 시점의 기울기값을 획득함으로써 급수 가열기의 운전정지 시점을 예측하는 운전정지 시점 검출부를 포함하여 이루어진다.The analysis unit may generate a performance degradation cause table according to the increase or decrease state of the current signal value, and calculate the performance degradation cause information through the performance degradation cause table and the predicted slope calculation unit. A comparison detector which detects failure history vector data having similar vector values by comparing similarities at a present time with a gradient value of a predictive performance value and a vector value of the failure history vector data stored in the failure history DB, and the slope of the predictive performance value; And a stop point detection unit for predicting a stop point of the feedwater heater by continuously calculating a slope value after the current point of time through the failure history vector data similar to the value.
또한, 상기 출력부는 성능 저하 원인 검출부를 통해 급수 가열기의 성능 저하 원인 정보를 사용자에게 제공하는 성능 저하 원인 출력부와, 상기 현재 성능값의 기울기가 운전정지 시점 검출부의 미래 시점의 기울기를 따라서 진행될 경우, 상기 예상 경로에 해당하는 경보영역을 사용자에게 제공하는 경보영역 출력부와, 상기 운전정지 시점 검출부의 급수 가열기의 운전정지 시점을 통해 현재시점에서 급수 가열기의 운전 정지가 발생하기까지의 예상시간을 사용자에게 제공하는 운전 정지 예상시간 출력부를 포함하여 이루어진다.The output unit may further include a performance degradation cause output unit providing the user with performance degradation cause information of the water supply heater through a performance degradation cause detection unit and a slope of the current performance value along the slope of a future time point of the operation stop time detection unit. And an alarm zone output unit for providing a warning area corresponding to the expected path to the user, and an estimated time until an operation stop of the feedwater heater occurs at the present time through an operation stop time of the feedwater heater of the operation stop time detection unit. It includes a driving stop estimated time output provided to the user.
본 발명의 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다.The features and advantages of the present invention will become more apparent from the following detailed description based on the accompanying drawings.
이에 앞서 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이고 사전적인 의미로 해석되어서는 아니 되며, 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야 한다.Prior to this, the terms or words used in this specification and claims are not to be interpreted in a conventional and dictionary sense, and the inventors may appropriately define the concept of terms in order to best explain their invention in the best way possible. Based on the principle that the present invention should be interpreted as meaning and concept corresponding to the technical idea of the present invention.
이상에서 살펴본 바와 같이 본 발명에 따르면, 급수 가열기가 정상 작동 상태를 벗어날 경우, 작업자에게 급수 가열기의 이상에 따른 이상감지와 운전정지가 발생하기까지의 예지시간을 제공함으로써 설비의 이상이 발생되기 전에 적절한 조치를 취할 수 있어 유지관리 비용을 대폭 절감할 수 있는 효과가 있다.As described above, according to the present invention, when the water heater is out of the normal operating state, the operator is provided with an abnormality detection according to the abnormality of the water heater and a prognosis time until the operation stops, before the occurrence of equipment failure. Appropriate measures can be taken to significantly reduce maintenance costs.
도 1은 본 발명의 일실시예에 따른 급수 가열기 성능 저하 예측 시스템의 구성을 나타낸 블록도,
도 2는 본 발명의 일실시예에 따른 실시간 측정부의 구성을 나타낸 블록도,
도 3은 본 발명의 일실시예에 따른 성능저하 통합 플랫폼의 구성을 나타낸 블록도,
도 4는 본 발명의 일실시예에 따른 트렌드 예측부의 구성을 나타낸 블록도,
도 5는 본 발명의 일실시예에 따른 예측 데이터 연산부의 구성을 나타낸 블록도,
도 6은 본 발명의 일실시예에 따른 분석부의 구성을 나타낸 블록도,
도 7은 본 발명의 일실시예에 출력부의 구성을 나타낸 블록도,
도 8은 본 발명의 일실시예에 따른 성능저하 예지기법을 설명하기 위한 벡터 데이터 그래프를 나타낸 도이다.1 is a block diagram showing the configuration of a water supply heater performance degradation prediction system according to an embodiment of the present invention,
2 is a block diagram showing the configuration of a real-time measuring unit according to an embodiment of the present invention;
3 is a block diagram showing the configuration of a performance degradation integrated platform according to an embodiment of the present invention;
4 is a block diagram showing a configuration of a trend predicting unit according to an embodiment of the present invention;
5 is a block diagram showing a configuration of a predictive data calculator according to an embodiment of the present invention;
6 is a block diagram showing a configuration of an analysis unit according to an embodiment of the present invention;
7 is a block diagram showing a configuration of an output unit in an embodiment of the present invention;
8 is a diagram illustrating a vector data graph for explaining a method for predicting degradation according to an embodiment of the present invention.
이하, 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.Hereinafter, exemplary embodiments of the present invention will be described with reference to the accompanying drawings. In this process, the thickness of the lines or the size of the components shown in the drawings may be exaggerated for clarity and convenience of description.
또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 하여 내려져야 할 것이다.In addition, terms to be described below are terms defined in consideration of functions in the present invention, which may vary according to the intention or convention of a user or an operator. Therefore, the definitions of these terms should be made based on the contents throughout the specification.
아울러, 아래의 실시예는 본 발명의 권리범위를 한정하는 것이 아니라 본 발명의 청구범위에 제시된 구성요소의 예시적인 사항에 불과하며, 본 발명의 명세서 전반에 걸친 기술사상에 포함되고 청구범위의 구성요소에서 균등물로서 치환 가능한 구성요소를 포함하는 실시예는 본 발명의 권리범위에 포함될 수 있다.In addition, the following examples are not intended to limit the scope of the present invention but merely illustrative of the components set forth in the claims of the present invention, which are included in the technical spirit throughout the specification of the present invention and constitute the claims Embodiments that include a substitutable component as an equivalent in the element may be included in the scope of the present invention.
첨부된 도 1은 본 발명의 일실시예에 따른 급수 가열기 성능 저하 예측 시스템의 구성을 나타낸 블록도, 도 2는 본 발명의 일실시예에 따른 실시간 측정부의 구성을 나타낸 블록도, 도 3은 본 발명의 일실시예에 따른 성능저하 통합 플랫폼의 구성을 나타낸 블록도, 도 4는 본 발명의 일실시예에 따른 트렌드 예측부의 구성을 나타낸 블록도, 도 5는 본 발명의 일실시예에 따른 예측 데이터 연산부의 구성을 나타낸 블록도, 도 6은 본 발명의 일실시예에 따른 분석부의 구성을 나타낸 블록도, 도 7은 본 발명의 일실시예에 출력부의 구성을 나타낸 블록도, 도 8은 본 발명의 일실시예에 따른 성능저하 예지기법을 설명하기 위한 벡터 데이터 그래프를 나타낸 도이다.1 is a block diagram showing the configuration of the water heater performance degradation prediction system according to an embodiment of the present invention, Figure 2 is a block diagram showing the configuration of a real-time measuring unit according to an embodiment of the present invention, Figure 3 4 is a block diagram showing a configuration of a performance degradation integrated platform according to an embodiment of the present invention, FIG. 4 is a block diagram showing a configuration of a trend predicting unit according to an embodiment of the present invention, and FIG. 5 is a prediction according to an embodiment of the present invention. 6 is a block diagram illustrating a configuration of an analysis unit according to an embodiment of the present invention. FIG. 7 is a block diagram illustrating a configuration of an output unit according to an embodiment of the present invention. A diagram showing a vector data graph for explaining a predictive method of deterioration according to an embodiment of the present invention.
우선, 본 발명에 따른 발전소 급수 가열기의 성능 저하 예측 시스템은 급수 가열기의 제작 설계서상의 기준 성능값 또는 급수 가열기의 정상운전에 따라 수집한 기준 성능값의 정보와 현재 급수 가열기의 작동에 의해 획득한 현재 성능값을 비교하여 성능저하가 발생하였을 때, 유사도 계산을 통하여 성능저하 경로를 분류하고, 미래 성능저하 경로에 대한 예측 정보와 성능저하 원인 정보를 산출하여 작업자에게 제공한다. First, the performance degradation prediction system of a power plant feedwater heater according to the present invention is obtained by the operation of the current feedwater heater and the information of the reference performance value collected according to the normal performance of the feedwater heater or the reference performance value on the production design of the feedwater heater. When the performance decreases by comparing the performance values, classify the degradation path through similarity calculation, calculate the prediction information and the cause of the degradation in the future, and provide it to the worker.
즉, 발전소 급수 가열기의 성능 저하 예측 시스템은 머신러닝 기법과 외삽기법을 적용하여 급수 가열기의 성능을 관리함으로써 작업자가 급수 가열기에 이상이 발생되기 전에 적절한 조치를 취할 수 있도록 한다. In other words, the deterioration prediction system of power plant feedwater heaters uses machine learning and extrapolation techniques to manage the performance of feedwater heaters so that operators can take appropriate measures before the water heater fails.
첨부된 도 1 이하를 참조하면, 본 발명에 따른 발전소 급수 가열기(10)의 성능 저하 예측 시스템은 상기 급수 가열기의 작동에 따른 신호값 및 성능값을 실시간으로 획득하는 급수 가열기 실시간 측정부(100)와, 상기 급수 가열기(10)의 성능 저하 상태에서 작동된 신호값 및 성능값을 수집하여 기 저장된 고장이력 DB(200)와, 상기 급수 가열기(10)실시간 측정부에서 측정한 현재 신호값 및 성능값과 고장이력 DB(200)에 기 저장된 성능저하 신호값 및 성능값을 비교하여 상기 발전소 급수 가열기(10)의 성능 저하 원인을 판독하고 급수 가열기(10)의 운전정지 시점을 예측하는 성능 저하 통합 플랫폼(300)을 포함하여 이루어진다.Referring to FIG. 1 and below, the performance degradation prediction system of the power
이때, 상기 고장이력 DB(200)의 성능 저하 신호값은 시계열 행렬 데이터 형태로 저장되고, 성능 저하 성능값은 상기 급수 가열기 작동 중 시간의 변화에 따른 상기 성능 저하 성능값에 대한 고장이력 벡터 데이터를 그래프의 형태로 저장된다. At this time, the performance degradation signal value of the failure history DB (200) is stored in the form of time series matrix data, the performance degradation performance value is a failure history vector data for the performance degradation performance value according to the change of time during operation of the water heater. It is stored in the form of a graph.
또한, 상기 신호값은, 급수 입구 및 출구 온도, 스팀 입구 및 출구 온도, 배수관 온도 및 수위, 배수관 밸브 포지션에 대한 센서 신호값이다. Further, the signal values are sensor signal values for the water supply inlet and outlet temperatures, the steam inlet and outlet temperatures, the drain pipe temperature and water level, and the drain pipe valve position.
또한, 상기 성능값은, 상기 스팀 입구 온도와 급수 출구 온도의 온도차(TTD ; Thermal temperature difference) 및 드레인 온도와 급수 입구 온도의 온도차(DCA ; Drain cooler approach)이다. In addition, the performance value is a temperature difference (TTD; Thermal Temperature Difference) between the steam inlet temperature and the water supply outlet temperature and a temperature difference (DCA; Drain cooler approach) between the drain temperature and the water supply inlet temperature.
이때, 상기 급수 가열기는 TTD 값과 DCA 값이 클수록 성능은 저하되며, TTD 값과 DCA 값이 증가할 경우, 급수 가열기 튜브의 오염 및 누설이 원인이 될 수 있다. In this case, the performance of the feedwater heater decreases as the TTD value and the DCA value increase, and when the TTD value and the DCA value increase, contamination and leakage of the feedwater heater tube may be caused.
따라서 본 발명에 따른 발전소 급수 가열기의 성능 저하 예측 시스템은 TTD 값과 DCA 값의 증감상태를 측정함으로써 성능저하 원인 정보를 작업자에게 제공할 수 있다. Therefore, the performance degradation prediction system of the power plant feed water heater according to the present invention can provide the operator with the cause of performance degradation by measuring the increase and decrease of the TTD value and the DCA value.
한편, 상기 급수 가열기 실시간 측정부(100)는 센서측정부(110)와, 성능값 생성부(120)와, 실시간 트렌드 분석부(130)를 포함하여 이루어진다. Meanwhile, the water heater heater real
상기 센서측정부(110)는 상기 급수 가열기(10)에 구비되어 급수 가열기(10)의 작동 상태에 따른 현재 신호값을 측정한다.The
또한, 상기 성능값 생성부(120)는 상기 센서측정부(110)에서 측정된 현재 신호값을 이용하여 현재 성능값을 산출한다.In addition, the
또한, 상기 실시간 트렌드 분석부(130)는 상기 급수 가열기(10) 작동 중 시간의 변화에 따른 상기 현재 성능값을 통해 상기 급수 가열기의 벡터 데이터 그래프를 추출한다. In addition, the real-time
한편, 상기 통합 플랫폼(300)은 상기 급수 가열기(10)의 정상 상태로 작동되는 기설정된 기준 신호값 및 기준 성능값이 미리 학습된다.On the other hand, the
또한, 상기 통합 플랫폼(300)은 경로 판독부(310)와 트렌드 예측부(320)와 분석부(330)와, 출력부(340)를 포함하여 이루어진다. In addition, the
상기 경로 판독부(310)는 상기 급수 가열기 실시간 측정부의 현재 성능값과 상기 기준 성능값을 비교하여 상기 현재 성능값이 상기 기준 성능값보다 낮아지는 저하현상을 판정한다. The
또한, 상기 트렌드 예측부(320)는 상기 경로 판독부(310)에서 상기 현재 성능값이 상기 기준 성능값보다 낮아지는 경우, 상기 실시간 트렌드 분석부(130)의 벡터 데이터 그래프에 대한 트렌드를 예측한다. In addition, when the current performance value is lower than the reference performance value in the
또한, 상기 분석부(330)는 상기 트렌드 예측부(320)를 통해 상기 급수 가열기의 성능 저하 원인과 운전정지 시점을 분석하고, 상기 출력부(340)는 상기 분석부(330)에 의해 분석된 상기 급수 가열기(10)의 성능 저하 원인과 운전정지 시점을 출력한다. In addition, the
또한, 상기 트렌드 예측부(320)는 저장부(321)와 예측 데이터 연산부(322)와 예측 기울기 연산부(323)를 포함하여 이루진다. In addition, the
상기 저장부(321)는 상기 경로 판독부(310)에서 상기 현재 성능값이 상기 기준 성능값보다 낮아질 때의 과거 신호값을 통해 과거 시계열 행렬 데이터 형태로 저장한다. The
그리고 상기 예측 데이터 연산부(322)는 상기 경로 판독부(310)에서 상기 현재 성능값이 상기 기준 성능값보다 5% 내지 10% 낮아질 때, 상기 현재 신호값에 대한 예측 신호값 시계열 행렬 데이터를 산출한다.When the current performance value is 5% to 10% lower than the reference performance value in the
또한, 상기 예측 기울기 연산부(323)에 의해 산출된 예측 신호값을 통해 예측 성능값을 계산하여, 계산된 예측 성능값의 기울기를 산출한다. In addition, the prediction performance value is calculated using the prediction signal value calculated by the prediction
이때, 상기 예측 데이터 연산부(322)는 상기 현재 신호값에 대해서 상기 저장부에 저장된 과거 시계열 행렬 데이터와의 시계열 거리 계산을 수행하는 거리계산 연산부(322a)와, 상기 거리계산 연산부(322a)에서 계산된 시계열 거리에 대한 유사도를 계산하여 유사도 가중치를 산출하는 유사도 연산부(322b)와, 상기 유사도 연산부(322b)에서 산출된 유사도 가중치를 기반으로 상기 현재 신호값에 대한 예측 신호값을 산출하는 예측값 연산부(322c)를 포함하여 이루어진다. In this case, the
그리고 상기 거리계산 연산부(322a)는 아래의 [수식1]에 의해 시계열 거리 계산을 수행한다. The
[수식1][Equation 1]
또한, 상기 유사도 연산부(322b)는 아래의 [수식2]에 의해 유사도 계산을 수행한다. In addition, the
[수식2][Equation 2]
또한, 상기 예측값 연산부(322c)는 아래의 [수식3]에 의해 예측 신호값 산출을 수행한다. In addition, the predicted
[수식3][Equation 3]
한편, 상기 분석부(330)는 성능 저하 원인 검출부(331)와 비교 검출부(332)와 운전정지 시점 검출부(333)를 포함하여 이루어진다. On the other hand, the
상기 성능 저하 원인 검출부(331)는 상기 현재 신호값의 증감 상태에 따른 성능저하원인표를 작성하고, 상기 성능저하원인표를 통해 성능 저하 원인 정보를 산출한다.The performance degradation
이때, 성능저하원인표는 아래의 [표1]과 같이 작성될 수 있다. At this time, the performance degradation cause table may be prepared as shown in Table 1 below.
따라서 [표1]에 작성된 바와 같이, TTD 값과 DCA 값의 증감상태를 측정함으로써 성능저하 원인 정보를 산출할 수 있다. Therefore, as shown in [Table 1], by measuring the increase and decrease of the TTD value and the DCA value, it is possible to calculate the cause of performance degradation.
또한, 상기 비교 검출부(332)는 상기 예측 기울기 연산부(323)에 의해 산출된 예측 성능값의 기울기값과 상기 고장이력 DB(200)에 저장된 고장이력 벡터 데이터의 벡터값을 현재시점에서 유사도를 비교하여 유사한 벡터값을 갖는 고장 이력 벡터 데이터를 검출한다.In addition, the
그리고 상기 운전정지 시점 검출부(333)는 상기 예측 성능값의 기울기값과 유사한 고장 이력 벡터 데이터를 통해 현재 시점 이후의 기울기값을 연속적으로 계산하여 미래 시점의 기울기값을 획득함으로써 급수 가열기(10)의 운전정지 시점을 예측한다. In addition, the operation stop
또한, 상기 출력부(340)는 성능 저하 원인 출력부(341)와 경보영역 출력부(342)와 정지 예상시간 출력부(343)를 포함하여 이루어진다.In addition, the
상기 성능 저하 원인 출력부(341)는 성능 저하 원인 검출부(331)를 통해 급수 가열기의 성능 저하 원인 정보를 사용자에게 제공한다.The performance degradation
또한, 상기 경보영역 출력부(342)는 상기 현재 성능값의 기울기가 운전정지 시점 검출부(333)의 미래 시점의 기울기를 따라서 진행될 경우, 상기 예상 경로에 해당하는 경보영역을 사용자에게 제공한다.In addition, the alarm
또한, 상기 정지 예상시간 출력부(343)는 상기 운전정지 시점 검출부(333)의 급수 가열기의 운전정지 시점을 통해 현재시점에서 급수 가열기(10)의 운전 정지가 발생하기까지의 예상시간을 사용자에게 제공한다. In addition, the stop estimated
즉, 본 발명에 따른 성능저하 경로 예지 방법은 급수 가열기의 현재 신호값과 과거 시계열 행렬 데이터와의 유사도 계산방법에 의하여 산출된 예측 신호값 및 성능값을 통해 예측 기울기를 산출하여 미래 시점의 기울기값을 획득함으로써 미래의 성능경로를 예측한다.That is, the degradation path prediction method according to the present invention calculates the predicted slope using the predicted signal value and the performance value calculated by the similarity between the current signal value of the feedwater heater and the historical time series matrix data, and the slope value of the future view point. We predict the future performance path by obtaining.
이에 본 발명에 따른 성능저하 경로 예지 방법은 아래 [수식4]와 같이 나타낼 수 있다.Accordingly, the method for predicting a performance degradation path according to the present invention may be represented by Equation 4 below.
[수식4][Equation 4]
상기 [수식4]에 대해 설명하면, 따르면 현재 신호값의 임의의 과거시점 데이터(
그리고 위 두 수식의 결과값을 구한 후 
이에 따른 유사도 계산 방식은, Similarity calculation method according to this,
현재 데이터 에 대해서, 
현재 시계열 
현재 시계열 
상기와 같은 계산을 통해 기 저장된 성능저하 신호값들의 시계열 행렬데이터와 거리계산을 한다. Through the above calculation, time series matrix data and distance calculation of previously stored performance degradation signal values are performed.
그리고 각 
그리고 현재 운전신호 데이터 
현재 운전신호 데이터 
즉, 산출된 유사도 가중치를 기반으로 [수식3]을 통해 예측 신호값 산출 하고, 산출된 예측 신호값을 통해 예측 성능값(TTD, DCA)을 계산하여 예측 성능값에 대한 예측 기울기를 산출하여 미래의 성능저하 예측 데이터를 생성한다. That is, the predictive signal value is calculated through [Equation 3] based on the calculated similarity weight, and the predicted performance value (TTD, DCA) is calculated from the calculated predictive signal value to calculate the predicted slope for the predicted performance value. Generate prediction data of deterioration.
또한, 도 8을 참조하여 본 발명에 따른 급수 가열기의 성능저하 예지기법에 대하여 설명한다. In addition, with reference to Figure 8 will be described a method for predicting the degradation of the water heater according to the present invention.
우선 그래프의 X축은 시계열이며, Y축은 성능값을 갖으며, normal 태그는 기준 성능값에 대한 데이터이고, f1~f5 태그는 기 저장된 고장이력 벡터 데이터에 관한 것이다. First, the X-axis of the graph is a time series, the Y-axis has performance values, the normal tags are data on reference performance values, and the tags f1 to f5 are related to previously stored failure history vector data.
이때, t라는 현재 시점의 데이터가 있다고 가정하고, t에서 입력받은 현재 신호(성능값)를 과거시점과 현재 시점의 데이터를 이용하여, 각 동일시점 구간의 예측치를 연산한 후 이에 대한 기울기를 구한다. In this case, it is assumed that there is data of the current time point t, and the slope of the same value is calculated after calculating the predicted value of each same time interval using the current signal (performance value) input from t and the data of the past time point and the current time point. .
따라서 해당 기울기의 결과값을 f1~f5의 고장이력 벡터값과 유사도를 비교하고, f1~f5 중 유사한 벡터값을 택하여 현재시점 이후를 예측한다. Therefore, the result of the slope is compared with the similarity between the failure history vector values of f1 to f5, and the similar vector value is selected from f1 to f5 to predict the current point.
즉, t라는 현재시점에서 각각의 벡터값과 유사도를 비교하여 t+1이라는 미래시점의 기울기를 생성한다. That is, the slope of the future time t + 1 is generated by comparing the similarity with each vector value at the current time t.
그리고 해당 벡터값의 기울기를 바탕으로 t+n만큼의 기울기를 연속적으로 계산하여 급수 가열기의 운전정지 시점을 예측할 수 있다. And based on the slope of the vector value it is possible to predict the operation stop time of the feed water heater by continuously calculating the slope by t + n.
또한, t+n 만큼의 기울기는 현재시점 t로부터 제일 유사한 f1~f5의 벡터값과 비교하여 t+1 만큼의 기울기가 계산되며 t+n이 변할 경우 비교되는 벡터값과 그에 따른 기울기 또한 변하게 되며 변경된 값을 정용하여 운전정지 시점을 예측할 수 있다. In addition, the slope of t + n is compared with the vector value of f1 ~ f5 which is the most similar from the current time t, and the slope of t + 1 is calculated. When t + n is changed, the compared vector value and the corresponding slope are also changed. The changed value can be used to predict the stopping time.
따라서 본 발명에 따른 발전소 급수 가열기의 성능 저하 예측 시스템은 실시간 측정부로부터 현재 신호값 및 현재 성능값을 측정 및 계산하고, 경로 판독부로부터 현재 성능값과 기준 성능값을 비교하여 급수 가열기(10) 성능에 성능 저하 현상이 발생할 경우, 현재 신호값들의 증감 상태를 통해 성능저하 원인 정보를 산출한다.Therefore, the performance degradation prediction system of the power plant feedwater heater according to the present invention measures and calculates the current signal value and the current performance value from the real-time measuring unit, and compares the current performance value and the reference performance value from the path reading unit to supply the
그리고 성능 저하 신호값들을 시계열의 행렬데이터 형식으로 저장하며, 현재 신호값과 저장된 시계열 행렬 데이터와의 유사도 계산방법에 의해 성능 저하 경로 분류를 위한 예측 신호값을 산출한다.The degradation signal values are stored in the form of time series matrix data, and a prediction signal value for classifying the degradation path is calculated by a similarity calculation method between the current signal value and the stored time series matrix data.
그리고 예측 신호값을 통해 계산된 예측 성능값에 대한 미래 시점의 기울기값을 획득하고, 현재 성능값의 기울기가 운전정지 시점 검출부의 미래 시점의 기울기를 따라서 진행될 경우, 급수 가열기의 운전 정지가 발생하기까지의 예상시간을 사용자에게 제공한다. When the inclination value of the future time point is obtained with respect to the predicted performance value calculated through the predictive signal value, and the slope of the current performance value progresses along the inclination of the future time point of the operation stop time detection unit, the operation stop of the feedwater heater occurs. Provide the user with the estimated time to.
따라서 급수 가열기가 정상 작동 상태를 벗어날 경우, 작업자에게 급수 가열기의 이상에 따른 이상감지 및 성능저하 원인 정보와 운전정지가 발생하기까지의 예지시간을 제공함으로써 설비의 이상이 발생되기 전에 적절한 조치를 취할 수 있어 유지관리 비용을 대폭 절감할 수 있는 효과가 있다.Therefore, when the water heater is out of the normal operating condition, the operator is provided with information on the cause of the abnormality of the water heater, the cause of deterioration, and the time to stop the operation. This can significantly reduce maintenance costs.
이상 본 발명을 구체적인 실시예를 통하여 상세히 설명하였으나, 이는 본 발명을 구체적으로 설명하기 위한 것으로, 본 발명은 이에 한정되지 않으며, 본 발명의 기술적 사상 내에서 당 분야의 통상의 지식을 가진 자에 의해 그 변형이나 개량이 가능함이 명백하다.Although the present invention has been described in detail through specific examples, it is intended to describe the present invention in detail, and the present invention is not limited thereto, and should be understood by those skilled in the art within the technical spirit of the present invention. It is obvious that modifications and improvements are possible.
본 발명의 단순한 변형 내지 변경은 모두 본 발명의 범주에 속하는 것으로 본 발명의 구체적인 보호 범위는 첨부된 특허청구범위에 의해 명확해질 것이다.Simple modifications and variations of the present invention are all within the scope of the present invention, and the specific scope of protection of the present invention will be apparent from the appended claims.
10 : 급수 가열기
100 : 실시간 측정부
110 : 센서측정부
120 : 성능값 생성부
130 : 실시간 트렌드 분석부
200 : 고장이력 DB
300 : 성능저하 통합 플랫폼
310 : 경로 판독부
320 : 트렌드 예측부
330 : 분석부
340 : 출력부
10: water heater 100: real-time measuring unit
110: sensor measurement unit 120: performance value generation unit
130: real-time trend analysis unit 200: failure history DB
300: reduced performance integrated platform 310: path reader
320: trend prediction unit 330: analysis unit
340: output unit
Claims (10)
상기 급수 가열기의 작동에 따른 신호값 및 성능값을 실시간으로 획득하는 급수 가열기 실시간 측정부와,
상기 급수 가열기의 성능 저하 상태에서 작동된 신호값 및 성능값을 수집하여 기 저장된 고장이력 DB와,
상기 급수 가열기 실시간 측정부에서 측정한 현재 신호값 및 성능값과 고장이력 DB에 기 저장된 성능저하 신호값 및 성능값을 비교하여 상기 발전소 급수 가열기의 성능 저하 원인을 판독하고 급수 가열기의 운전정지 시점을 예측하는 성능 저하 통합 플랫폼을 포함하여 이루어진 것을 특징으로 하는 발전소 급수 가열기의 성능 저하 예측 시스템.
In the performance degradation prediction system of a power plant feed water heater,
A feedwater heater real-time measuring unit for obtaining a signal value and a performance value according to the operation of the feedwater heater in real time;
A fault history DB previously stored by collecting signal values and performance values operated in a performance deterioration state of the feedwater heater;
Compare the current signal value and the performance value measured by the water heater real-time measuring unit with the performance degradation signal value and the performance value pre-stored in the failure history DB to read the cause of the performance degradation of the power plant water heater and determine the operation stop time of the water heater. Predictive performance degradation prediction system for a power plant feedwater heater, comprising an integrated platform.
상기 급수 가열기에 구비되어 급수 가열기의 작동 상태에 따른 현재 신호값을 측정하는 센서측정부와,
상기 센서측정부에서 측정된 현재 신호값을 이용하여 현재 성능값을 산출하는 성능값 생성부와,
상기 급수 가열기 작동 중 시간의 변화에 따른 상기 현재 성능값을 통해 상기 급수 가열기의 벡터 데이터 그래프를 추출하는 실시간 트렌드 분석부를 포함하여 이루어진 것을 특징으로 하는 발전소 급수 가열기의 성능 저하 예측 시스템.
The water supply heater real time measurement unit according to claim 1,
A sensor measuring unit provided in the water heater to measure a current signal value according to an operating state of the water heater;
A performance value generator for calculating a current performance value using the current signal value measured by the sensor measuring unit;
And a real time trend analysis unit for extracting a vector data graph of the water supply heater based on the current performance value according to a change in time during the operation of the water supply heater.
상기 고장이력 DB의 성능 저하 신호값은 시계열 행렬 데이터 형태로 저장되고, 성능 저하 성능값은 상기 급수 가열기 작동 중 시간의 변화에 따른 상기 성능 저하 성능값에 대한 고장이력 벡터 데이터를 그래프의 형태로 저장된 것을 특징으로 하는 발전소 급수 가열기의 성능 저하 예측 시스템.
The method of claim 2,
The performance degradation signal value of the failure history DB is stored in the form of time series matrix data, and the performance degradation performance value is stored in the form of a graph of failure history vector data for the performance degradation performance value according to the change of time during operation of the water heater. Deterioration prediction system of a power plant feed water heater, characterized in that.
상기 신호값은, 급수 입구 및 출구 온도, 스팀 입구 및 출구 온도, 배수관 온도 및 수위, 배수관 밸브 포지션이고,
상기 성능값은, 상기 스팀 입구 온도와 급수 출구 온도의 온도차(TTD ; Thermal temperature difference) 및 드레인 온도와 급수 입구 온도의 온도차(DCA ; Drain cooler approach) 인 것을 특징으로 하는 발전소 급수 가열기의 성능 저하 예측 시스템.
The method of claim 1,
The signal value is a water supply inlet and outlet temperature, steam inlet and outlet temperature, drain pipe temperature and water level, drain pipe valve position,
The performance value is a temperature difference (TTD; thermal temperature difference) between the steam inlet temperature and the water supply outlet temperature, and a temperature difference between the drain temperature and the water inlet temperature (DCA; drain cooler approach). system.
상기 급수 가열기의 정상 상태로 작동되는 기설정된 기준 신호값 및 기준 성능값이 미리 학습되되,
상기 급수 가열기 실시간 측정부의 현재 성능값과 상기 기준 성능값을 비교하여 상기 현재 성능값이 상기 기준 성능값보다 낮아지는 저하현상을 판정하는 경로 판독부와,
상기 경로 판독부에서 상기 현재 성능값이 상기 기준 성능값보다 낮아지는 경우, 상기 실시간 트렌드 분석부의 벡터 데이터 그래프에 대한 트렌드를 예측하는 트렌드 예측부와,
상기 트렌드 예측부를 통해 상기 급수 가열기의 성능 저하 원인과 운전정지 시점을 분석하는 분석부와,
상기 분석부에 의해 분석된 상기 급수 가열기의 성능 저하 원인과 운전정지 시점을 출력하는 출력부를 포함하여 이루어진 것을 특징으로 하는 발전소 급수 가열기의 성능 저하 예측 시스템.
The method of claim 3, wherein the integration platform,
The predetermined reference signal value and the reference performance value operated in the normal state of the feed water heater are learned in advance,
A path reading unit for comparing a current performance value of the feedwater heater real-time measuring unit with the reference performance value to determine a drop phenomenon in which the current performance value is lower than the reference performance value;
A trend predicting unit predicting a trend of a vector data graph of the real-time trend analyzing unit when the current performance value is lower than the reference performance value in the path reading unit;
An analysis unit analyzing a cause of performance degradation of the feedwater heater and a stop point of time through the trend predicting unit;
And an output unit configured to output a cause of performance degradation of the feedwater heater analyzed by the analyzing unit and an operation stop time.
상기 경로 판독부에서 상기 현재 성능값이 상기 기준 성능값보다 낮아질 때의 과거 신호값을 통해 과거 시계열 행렬 데이터 형태로 저장하는 저장부와,
상기 경로 판독부에서 상기 현재 성능값이 상기 기준 성능값보다 5% 내지 10% 낮아질 때, 상기 현재 신호값에 대한 예측 신호값 시계열 행렬 데이터를 산출하는 예측 데이터 연산부와,
상기 데이터 연산부에 의해 산출된 예측 신호값을 통해 예측 성능값을 계산하여, 계산된 예측 성능값의 기울기를 산출하는 예측 기울기 연산부를 포함하여 이루어진 것을 특징으로 하는 발전소 급수 가열기의 성능 저하 예측 시스템.
The method of claim 5, wherein the trend prediction unit,
A storage unit storing the past performance value in the form of past time series matrix data through a past signal value when the current performance value is lower than the reference performance value in the path reading unit;
A prediction data calculator for calculating predicted signal value time series matrix data for the current signal value when the current performance value is 5% to 10% lower than the reference performance value in the path reading unit;
And a predicted slope calculator for calculating a predicted performance value based on the predicted signal value calculated by the data calculator, and calculating a slope of the calculated predicted performance value.
상기 현재 신호값에 대해서 상기 저장부에 저장된 과거 시계열 행렬 데이터와의 시계열 거리 계산을 수행하는 거리계산 연산부와,
상기 거리계산 연산부에서 계산된 시계열 거리에 대한 유사도를 계산하여 유사도 가중치를 산출하는 유사도 연산부와,
상기 유사도 연산부에서 산출된 유사도 가중치를 기반으로 상기 현재 신호값에 대한 예측 신호값을 산출하는 예측값 연산부를 포함하여 이루어진 것을 특징으로 하는 발전소 급수 가열기의 성능 저하 예측 시스템.
The method of claim 6, wherein the prediction data calculation unit,
A distance calculation unit configured to calculate a time series distance from the past time series matrix data stored in the storage unit with respect to the current signal value;
A similarity calculator for calculating a similarity weight by calculating a similarity with respect to the time series distance calculated by the distance calculator;
And a predicted value calculator configured to calculate a predicted signal value with respect to the current signal value based on the similarity weight calculated by the similarity calculator.
상기 거리계산 연산부는 아래의 [수식1]에 의해 시계열 거리 계산을 수행하는 것을 특징으로 하는 발전소 급수 가열기의 성능 저하 예측 시스템.
[수식1]
The method of claim 7, wherein
The distance calculator calculates the performance degradation prediction system of the power plant feed water heater, characterized in that for performing the time series distance calculation by the following [Equation 1].
[Equation 1]
상기 유사도 연산부는 아래의 [수식2]에 의해 유사도 계산을 수행하는 것을 특징으로 하는 발전소 급수 가열기의 성능 저하 예측 시스템.
[수식2]
The method of claim 8,
The similarity calculating unit performs a similarity calculation according to Equation 2 below.
[Equation 2]
상기 예측값 연산부는 아래의 [수식3]에 의해 예측 신호값 산출을 수행하는 것을 특징으로 하는 발전소 급수 가열기의 성능 저하 예측 시스템.
[수식3]
The method of claim 9,
The predictive value calculation unit performs a prediction signal value calculation according to Equation 3 below.
[Equation 3]
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180062347A KR102211821B1 (en) | 2018-05-31 | 2018-05-31 | Performance Prediction System of Power Feed Water Heater by Applying Machine Learning and Path Classification |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180062347A KR102211821B1 (en) | 2018-05-31 | 2018-05-31 | Performance Prediction System of Power Feed Water Heater by Applying Machine Learning and Path Classification |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190136518A true KR20190136518A (en) | 2019-12-10 |
| KR102211821B1 KR102211821B1 (en) | 2021-02-10 |
Family
ID=69002432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180062347A KR102211821B1 (en) | 2018-05-31 | 2018-05-31 | Performance Prediction System of Power Feed Water Heater by Applying Machine Learning and Path Classification |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102211821B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461450A (en) * | 2020-04-10 | 2020-07-28 | 河海大学 | Hydroelectric generating set degradation degree prediction method based on EEMD and L STM |
| CN114529106A (en) * | 2022-04-21 | 2022-05-24 | 深圳市佳运通电子有限公司 | Scale prediction algorithm for oil field heating furnace coil pipe |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007240779A (en) * | 2006-03-07 | 2007-09-20 | Nippon Telegr & Teleph Corp <Ntt> | Time-series similarity scoring method |
| KR101060139B1 (en) | 2010-12-24 | 2011-08-29 | 한국남부발전 주식회사 | System for analysising and prediction diagnosising a driving information of power plant |
| KR101087739B1 (en) * | 2010-11-08 | 2011-11-30 | 주식회사 지오네트 | Industrial plant equipment tracking and career paths of the operation signal or prediction |
| KR20130035554A (en) * | 2011-09-30 | 2013-04-09 | 한국전력공사 | Method and apparatus for searching performance degradation source of power facilities |
| KR20180048218A (en) | 2016-10-31 | 2018-05-10 | 현대위아 주식회사 | Machine tool breakdown diagnosis system based on Machine Learning, and method thereof |
-
2018
- 2018-05-31 KR KR1020180062347A patent/KR102211821B1/en active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007240779A (en) * | 2006-03-07 | 2007-09-20 | Nippon Telegr & Teleph Corp <Ntt> | Time-series similarity scoring method |
| KR101087739B1 (en) * | 2010-11-08 | 2011-11-30 | 주식회사 지오네트 | Industrial plant equipment tracking and career paths of the operation signal or prediction |
| KR101060139B1 (en) | 2010-12-24 | 2011-08-29 | 한국남부발전 주식회사 | System for analysising and prediction diagnosising a driving information of power plant |
| KR20130035554A (en) * | 2011-09-30 | 2013-04-09 | 한국전력공사 | Method and apparatus for searching performance degradation source of power facilities |
| KR20180048218A (en) | 2016-10-31 | 2018-05-10 | 현대위아 주식회사 | Machine tool breakdown diagnosis system based on Machine Learning, and method thereof |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461450A (en) * | 2020-04-10 | 2020-07-28 | 河海大学 | Hydroelectric generating set degradation degree prediction method based on EEMD and L STM |
| CN114529106A (en) * | 2022-04-21 | 2022-05-24 | 深圳市佳运通电子有限公司 | Scale prediction algorithm for oil field heating furnace coil pipe |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102211821B1 (en) | 2021-02-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Applications of fault detection and diagnosis methods in nuclear power plants: A review | |
| KR101893745B1 (en) | Preventive maintenance method of driving device | |
| KR20190030763A (en) | Accurate predictive maintenance method of driving part | |
| EP2989705B1 (en) | Method and apparatus for defect pre-warning of power device | |
| KR101893744B1 (en) | Preventive maintenance method of driving device | |
| KR101948604B1 (en) | Method and device for equipment health monitoring based on sensor clustering | |
| CN109643112B (en) | Advanced start counter module for valve and actuator monitoring system | |
| EP1982301A1 (en) | Method of condition monitoring | |
| KR20020019022A (en) | Semiconductor processing techniques | |
| CN110309981A (en) | A kind of power station Decision-making of Condition-based Maintenance system based on industrial big data | |
| CN109642469B (en) | Pilot condition assessment module for valve and actuator monitoring systems | |
| US11200790B2 (en) | Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor | |
| CN111597223A (en) | Fault early warning processing method, device and system | |
| WO2016208315A1 (en) | Plant diagnosis device and plant diagnosis method | |
| KR20190029749A (en) | Accurate predictive maintenance method of driving part | |
| KR20190136518A (en) | Performance Prediction System of Power Feed Water Heater by Applying Machine Learning and Path Classification | |
| CN107247198A (en) | A kind of distribution equipment malfunction Forecasting Methodology and device | |
| KR102470112B1 (en) | Intelligent condition monitoring method and system for nuclear power plants | |
| US11099219B2 (en) | Estimating the remaining useful life of a power transformer based on real-time sensor data and periodic dissolved gas analyses | |
| CN109784127B (en) | Equipment health state early warning method and system thereof | |
| Ciani et al. | Condition-based maintenance for Oil&Gas system basing on failure modes and effects analysis | |
| Jharko et al. | Diagnostic tasks in human-machine control systems of nuclear power plants | |
| KR101893746B1 (en) | Preventive maintenance method of driving device | |
| CN114923287B (en) | High-voltage heater fault early warning method, system and medium | |
| KR20240003469A (en) | Predictive diagnosis method and system of nuclear power plant equipment |
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 |