KR20200084397A - System for predicting failure of sensing device using deep learning and method thereof - Google Patents

System for predicting failure of sensing device using deep learning and method thereof Download PDF

Info

Publication number
KR20200084397A
KR20200084397A KR1020180166503A KR20180166503A KR20200084397A KR 20200084397 A KR20200084397 A KR 20200084397A KR 1020180166503 A KR1020180166503 A KR 1020180166503A KR 20180166503 A KR20180166503 A KR 20180166503A KR 20200084397 A KR20200084397 A KR 20200084397A
Authority
KR
South Korea
Prior art keywords
learning
data
sensing unit
failure
measurement data
Prior art date
Application number
KR1020180166503A
Other languages
Korean (ko)
Inventor
오윤석
Original Assignee
한전케이디엔주식회사
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 한전케이디엔주식회사 filed Critical 한전케이디엔주식회사
Priority to KR1020180166503A priority Critical patent/KR20200084397A/en
Publication of KR20200084397A publication Critical patent/KR20200084397A/en

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
    • 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
    • G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

According to an embodiment, disclosed are a system for predicting a failure of a sensing device using deep learning and a method thereof. The system comprises: a sensing unit installed in a power plant and measuring measurement data including a power generation amount and thermal efficiency of the power plant; a data learning unit constructing a learning data set including measurement data provided from the sensing unit under a predetermined condition and performing training of deep learning based on the constructed learning data set; and a failure prediction unit determining whether the measurement data provided from the sensing unit is normal based on a result of performing the training of deep learning, and predicting whether the corresponding sensing unit has a failure in accordance with the determination result.

Description

딥 러닝을 이용하여 센싱 기기의 장애를 예측하기 위한 시스템 및 그 방법{SYSTEM FOR PREDICTING FAILURE OF SENSING DEVICE USING DEEP LEARNING AND METHOD THEREOF}A system and method for predicting a failure of a sensing device using deep learning{SYSTEM FOR PREDICTING FAILURE OF SENSING DEVICE USING DEEP LEARNING AND METHOD THEREOF}

실시예는 발전소 관리 기술에 관한 것으로, 보다 상세하게는 발전소의 발전량과 열효율을 기초로 딥 러닝을 이용하여 센싱 기기의 장애를 예측하기 위한 시스템 및 그 방법에 관한 것이다.An embodiment relates to a power plant management technology, and more particularly, to a system and a method for predicting a failure of a sensing device using deep learning based on power generation and thermal efficiency of a power plant.

최근 폭염, 태풍, 폭우 등 지구상 곳곳에서 이상기후의 원인으로 여름철 냉방 & 겨울철 난방에 따른 에너지의 수요는 점점 증가하는 반면, 세계적인 추세의 환경오염 문제 해결방안으로 탈원전 정책 추진을 비롯한 미세먼지 유발을 주장하는 석탄 화력발전의 논쟁 등을 고려한다면 주어진 환경에서 에너지 효율을 극대화 시킬 수 있는 기술혁신 차원의 별도 대안을 마련할 필요가 있다.In recent years, demand for energy due to cooling in summer and heating in winter has been increasing due to abnormal climates around the globe, such as heat waves, typhoons, and heavy rains, while inducing fine dust, including the promotion of de-disposal policies, as a solution to the global pollution problem. Considering the argument of coal-fired power generation, etc., it is necessary to prepare a separate alternative for technological innovation that can maximize energy efficiency in a given environment.

국내 발전소에서는 단순히 발전량과 열효율을 데이터베이스화하여 관리하고 있으나, 그 데이터를 이용하여 발전기 효율을 높이는데 활용하는 시스템은 존재하지 않는 실정이다.Domestic power plants simply manage the power generation and thermal efficiency in a database, but there is no system that utilizes the data to increase generator efficiency.

공개특허공보 제10-2018-0109101호Patent Publication No. 10-2018-0109101 등록특허공보 제10-1303470호Registered Patent Publication No. 10-1303470

실시예는, 발전소의 발전량과 열효율을 기초로 딥 러닝을 이용하여 센싱 기기의 장애를 예측하기 위한 시스템 및 그 방법을 제공할 수 있다.An embodiment may provide a system and a method for predicting a failure of a sensing device using deep learning based on power generation and thermal efficiency of a power plant.

본 발명의 일 실시예에 따른 장애를 예측하기 위한 시스템은 발전소에 설치되고, 상기 발전소의 발전량과 열효율을 포함하는 측정 데이터를 측정하는 센싱부; 미리 정해진 조건 하에서 상기 센싱부로부터 제공받은 측정 데이터를 포함하는 학습용 데이터 셋을 구축하고 상기 구축된 학습용 데이터 셋을 기초로 딥 러닝 학습을 수행하는 데이터 학습부; 및 상기 딥 러닝 학습을 수행한 결과를 기초로 상기 센싱부로부터 제공 받은 측정 데이터의 정상 여부를 판단하고, 상기 판단한 결과에 따라 해당 센싱부의 장애 여부를 예측하는 장애 예측부를 포함할 수 있다.A system for predicting a failure according to an embodiment of the present invention is installed in a power plant, a sensing unit for measuring measurement data including the power generation amount and thermal efficiency of the power plant; A data learning unit that builds a learning data set including measurement data provided from the sensing unit under predetermined conditions and performs deep learning learning based on the constructed learning data set; And it may include a failure prediction unit for determining whether the measurement data provided from the sensing unit is normal based on the result of performing the deep learning learning, and predicts whether or not the sensing unit is faulty according to the determined result.

상기 데이터 학습부는 상기 미리 정해진 조건 하에서 상기 센싱부로부터 측정된 측정 데이터를 수집하고, 상기 수집된 측정 데이터를 미리 정해진 포맷으로 변환하여 학습용 데이터를 생성하고 상기 생성된 학습용 데이터를 포함하는 상기 학습용 데이터 셋을 구축할 수 있다.The data learning unit collects measurement data measured from the sensing unit under the predetermined condition, converts the collected measurement data into a predetermined format to generate learning data, and the learning data set including the generated learning data To build.

상기 데이터 학습부는 상기 수집된 측정 데이터를 상기 센싱부의 정상 여부에 따라 분류하고, 상기 분류된 측정 데이터를 미리 정해진 포맷으로 변환하여 학습용 데이터를 생성하고 상기 생성된 학습용 데이터를 포함하는 상기 학습용 데이터 셋을 구축할 수 있다.The data learning unit classifies the collected measurement data according to whether the sensing unit is normal, converts the classified measurement data into a predetermined format, generates learning data, and sets the learning data set including the generated learning data. Can build.

상기 미리 정해진 조건은 상기 센싱부의 장애 여부를 나타낼 수 있다.The predetermined condition may indicate whether the sensing unit is disabled.

상기 장애 예측부는 상기 센싱부로부터 제공 받은 측정 데이터를 미리 정해진 포맷으로 변환시켜 예측용 데이터를 생성하고, 상기 생성된 예측용 데이터에 포함된 발전량과 열효율을 기초로 상기 데이터가 정상이라고 판단한 경우, 해당 센싱부에 장애가 발생하지 않았다고 예측할 수 있다.The failure prediction unit converts the measurement data provided from the sensing unit into a predetermined format to generate prediction data, and when it is determined that the data is normal based on the amount of power generation and thermal efficiency included in the generated prediction data, the corresponding It can be predicted that a failure has not occurred in the sensing unit.

상기 장애 예측부는 상기 센싱부로부터 제공 받은 측정 데이터를 미리 정해진 포맷으로 변환시켜 예측용 데이터를 생성하고, 상기 생성된 예측용 데이터에 포함된 발전량과 열효율을 기초로 상기 데이터가 정상이 아니라고 판단한 경우, 해당 센싱부에 장애가 발생했다고 예측할 수 있다.The failure prediction unit converts the measurement data provided from the sensing unit into a predetermined format to generate prediction data, and when it is determined that the data is not normal based on the amount of power generation and thermal efficiency included in the generated prediction data, It can be predicted that a failure has occurred in the corresponding sensing unit.

본 발명의 다른 실시예에 따른 장애를 예측하기 위한 방법은 미리 정해진 조건 하에서 발전소에 설치된 센싱부로부터 제공받은 측정 데이터를 포함하는 학습용 데이터 셋을 구축하는 구축 단계; 상기 구축된 학습용 데이터 셋을 기초로 딥 러닝 학습을 수행하는 학습 단계; 및 상기 딥 러닝 학습을 수행한 결과를 기초로 상기 센싱부로부터 제공 받은 측정 데이터의 정상 여부를 판단하고, 상기 판단한 결과에 따라 해당 센싱부의 장애 여부를 예측하는 예측 단계를 포함할 수 있다.A method for predicting a failure according to another embodiment of the present invention includes a construction step of constructing a learning data set including measurement data provided from a sensing unit installed in a power plant under predetermined conditions; A learning step of performing deep learning learning based on the constructed learning data set; And a prediction step of determining whether the measurement data provided from the sensing unit is normal based on the result of performing the deep learning learning, and predicting whether the sensing unit has a failure according to the determined result.

상기 구축 단계에서는 상기 미리 정해진 조건 하에서 상기 센싱부로부터 측정된 측정 데이터를 수집하고, 상기 수집된 측정 데이터를 미리 정해진 포맷으로 변환하여 학습용 데이터를 생성하고 상기 생성된 학습용 데이터를 포함하는 상기 학습용 데이터 셋을 구축할 수 있다.In the construction step, the measurement data collected from the sensing unit is collected under the predetermined condition, the learning data is generated by converting the collected measurement data into a predetermined format, and the learning data set including the generated learning data. To build.

상기 구축 단계에서는 상기 수집된 측정 데이터를 상기 센싱부의 정상 여부에 따라 분류하고, 상기 분류된 측정 데이터를 미리 정해진 포맷으로 변환하여 학습용 데이터를 생성하고 상기 생성된 학습용 데이터를 포함하는 상기 학습용 데이터 셋을 구축할 수 있다.In the construction step, the collected measurement data is classified according to whether the sensing unit is normal, and the classified measurement data is converted into a predetermined format to generate learning data, and the learning data set including the generated learning data is set. Can build.

상기 예측 단계에서는 상기 센싱부로부터 제공 받은 측정 데이터를 미리 정해진 포맷으로 변환시켜 예측용 데이터를 생성하고, 상기 생성된 예측용 데이터에 포함된 발전량과 열효율을 기초로 상기 데이터가 정상이라고 판단한 경우, 해당 센싱부에 장애가 발생하지 않았다고 예측할 수 있다.In the predicting step, when the measurement data provided from the sensing unit is converted into a predetermined format, prediction data is generated, and when it is determined that the data is normal based on the amount of power generation and thermal efficiency included in the generated prediction data, corresponding It can be predicted that a failure has not occurred in the sensing unit.

상기 예측 단계에서는 상기 센싱부로부터 제공 받은 측정 데이터를 미리 정해진 포맷으로 변환시켜 예측용 데이터를 생성하고, 상기 생성된 예측용 데이터에 포함된 발전량과 열효율을 기초로 상기 데이터가 정상이 아니라고 판단한 경우, 해당 센싱부에 장애가 발생했다고 예측할 수 있다.In the prediction step, when the measurement data provided from the sensing unit is converted into a predetermined format to generate prediction data, and it is determined that the data is not normal based on the amount of power generation and thermal efficiency included in the generated prediction data, It can be predicted that a failure has occurred in the corresponding sensing unit.

실시예에 따르면, 미리 정해진 조건 하에서 발전소의 발전량과 열 효율을 측정하는 센싱 기기로부터 제공받은 측정 데이터를 포함하는 학습용 데이터 셋을 구축하고 구축된 학습용 데이터 셋을 기초로 딥 러닝 학습을 수행한 후, 딥 러닝 학습을 수행한 결과를 기초로 센싱 기기로부터 제공 받은 측정 데이터의 정상 여부를 판단하여 그 판단한 결과에 따라 해당 센싱 기기의 장애 발생 여부를 예측하도록 함으로써, 발전소의 발전량과 열 효율에 영향을 미칠 수 있는 요인들을 확인할 수 있다.According to an embodiment, after establishing a learning data set including measurement data provided from a sensing device measuring power generation and thermal efficiency of a power plant under predetermined conditions, and performing deep learning learning based on the established learning data set, Based on the results of deep learning learning, it is determined whether the measurement data received from the sensing device is normal and predicts whether the sensing device has a failure according to the determined result, thereby affecting the power generation and thermal efficiency of the power plant. You can see the possible factors.

실시예에 따르면, 발전량과 열 효율에 영향을 미칠 수 있는 요인들을 확인하는 것이 가능하기 때문에, 발전소별 발전량과 열 효율을 효율적으로 관리하는 것이 가능할 수 있다.According to an embodiment, since it is possible to identify factors that can affect the amount of power generation and thermal efficiency, it may be possible to efficiently manage the amount of power generation and heat efficiency for each power plant.

실시예에 따르면, 발전소별 발전량과 열 효율을 효율적으로 관리하는 것이 가능하기 때문에, 에너지 소비, 에너지 생산 비용 및 이산화탄소(CO2)의 감축 등이 가능할 수 있다.According to an embodiment, since it is possible to efficiently manage power generation and thermal efficiency for each power plant, energy consumption, energy production cost, and reduction of carbon dioxide (CO 2 ) may be possible.

도 1은 본 발명의 일 실시예에 따른 장애를 예측하기 위한 시스템을 나타내는 도면이다.
도 2는 도 1에 도시된 학습부의 상세한 구성을 나타내는 도면이다.
도 3a 내지 도 3b는 본 발명의 일 실시예에 따른 학습용 데이터의 포맷을 보여주는 도면이다.
도 4는 도 1에 도시된 예측부의 상세한 구성을 나타내는 도면이다.
도 5a 내지 도 5b는 본 발명의 일 실시예에 따른 장애 예측 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 장애를 예측하기 위한 방법을 나타내는 도면이다.1 is a diagram illustrating a system for predicting a disorder according to an embodiment of the present invention.
2 is a diagram showing a detailed configuration of the learning unit shown in FIG. 1.
3A to 3B are diagrams showing a format of learning data according to an embodiment of the present invention.
4 is a diagram illustrating a detailed configuration of the prediction unit shown in FIG. 1.
5A to 5B are diagrams for explaining a process for predicting a disorder according to an embodiment of the present invention.
6 is a diagram illustrating a method for predicting a disorder according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.

다만, 본 발명의 기술 사상은 설명되는 일부 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 기술 사상 범위 내에서라면, 실시 예들간 그 구성 요소들 중 하나 이상을 선택적으로 결합, 치환하여 사용할 수 있다.However, the technical spirit of the present invention is not limited to some embodiments described, but may be implemented in various different forms, and within the technical spirit of the present invention, one or more of its components between embodiments may be selectively selected. It can be used by bonding and substitution.

또한, 본 발명의 실시예에서 사용되는 용어(기술 및 과학적 용어를 포함)는, 명백하게 특별히 정의되어 기술되지 않는 한, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 일반적으로 이해될 수 있는 의미로 해석될 수 있으며, 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미를 고려하여 그 의미를 해석할 수 있을 것이다.In addition, terms (including technical and scientific terms) used in the embodiments of the present invention, unless explicitly defined and described, can be generally understood by those skilled in the art to which the present invention pertains. It can be interpreted as meaning, and commonly used terms, such as predefined terms, may interpret the meaning in consideration of the contextual meaning of the related technology.

또한, 본 발명의 실시예에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.In addition, the terms used in the embodiments of the present invention are for describing the embodiments and are not intended to limit the present invention.

본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함할 수 있고, “A 및(와) B, C 중 적어도 하나(또는 한 개 이상)”로 기재되는 경우 A, B, C로 조합할 수 있는 모든 조합 중 하나 이상을 포함할 수 있다.In the present specification, the singular form may also include the plural form unless specifically stated in the phrase, and is combined with A, B, C when described as “at least one (or more than one) of A and B, C”. It can contain one or more of all possible combinations.

또한, 본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다.In addition, in describing components of the embodiments of the present invention, terms such as first, second, A, B, (a), and (b) may be used.

이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등으로 한정되지 않는다.These terms are only for distinguishing the component from other components, and the term is not limited to the nature, order, or order of the component.

그리고, 어떤 구성 요소가 다른 구성요소에 ‘연결’, ‘결합’ 또는 ‘접속’된다고 기재된 경우, 그 구성 요소는 그 다른 구성 요소에 직접적으로 연결, 결합 또는 접속되는 경우뿐만 아니라, 그 구성 요소와 그 다른 구성 요소 사이에 있는 또 다른 구성 요소로 인해 ‘연결’, ‘결합’ 또는 ‘접속’ 되는 경우도 포함할 수 있다.And, when a component is described as being'connected','coupled' or'connected' to another component, the component is not only directly connected, coupled or connected to the other component, but also to the component It may also include the case of'connected','coupled' or'connected' due to another component between the other components.

또한, 각 구성 요소의 “상(위) 또는 하(아래)”에 형성 또는 배치되는 것으로 기재되는 경우, 상(위) 또는 하(아래)는 두 개의 구성 요소들이 서로 직접 접촉되는 경우뿐만 아니라 하나 이상의 또 다른 구성 요소가 두 개의 구성 요소들 사이에 형성 또는 배치되는 경우도 포함한다. 또한, “상(위) 또는 하(아래)”으로 표현되는 경우 하나의 구성 요소를 기준으로 위쪽 방향뿐만 아니라 아래쪽 방향의 의미도 포함할 수 있다.In addition, when described as being formed or disposed in the “top (top) or bottom (bottom)” of each component, the top (top) or bottom (bottom) is one as well as when the two components are in direct contact with each other. It also includes a case in which another component described above is formed or disposed between two components. In addition, when expressed as “up (up) or down (down)”, it may include the meaning of the downward direction as well as the upward direction based on one component.

실시예에서는, 미리 정해진 조건 하에서 발전소의 발전량과 열 효율을 측정하는 센싱 기기로부터 제공받은 측정 데이터를 포함하는 학습용 데이터 셋을 구축하고 구축된 학습용 데이터 셋을 기초로 딥 러닝 학습을 수행한 후, 딥 러닝 학습을 수행한 결과를 기초로 센싱 기기로부터 제공 받은 측정 데이터의 정상 여부를 판단하여 그 판단한 결과에 따라 해당 센싱 기기의 장애 발생 여부를 예측하도록 한, 새로운 방안을 제안한다.In an embodiment, after establishing a learning data set including measurement data provided from a sensing device that measures power generation and thermal efficiency of a power plant under predetermined conditions and performing deep learning learning based on the established learning data set, deep Based on the results of learning, we propose a new method that judges whether the measurement data provided from the sensing device is normal or not and predicts whether or not the sensing device has failed according to the determined result.

도 1은 본 발명의 일 실시예에 따른 장애를 예측하기 위한 시스템을 나타내는 도면이다.1 is a diagram illustrating a system for predicting a disorder according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 장애를 예측하기 위한 시스템은 센싱부(100), 데이터 학습부(200), 저장부(300), 장애 예측부(400), 표시부(500)를 포함할 수 있다.1, a system for predicting a disorder according to an embodiment of the present invention includes a sensing unit 100, a data learning unit 200, a storage unit 300, a failure prediction unit 400, and a display unit 500 ).

센싱부(100)는 발전소에 설치되고, 발전소의 발전량과 열효율뿐 아니라 온도, 습도, 압력 등을 포함하는 측정 데이터를 측정할 수 있다. 센싱부(100)는 발전소마다 설치될 수 있고, 하나의 발전소에 복수 개가 설치될 수도 있다.The sensing unit 100 may be installed in a power plant and measure measurement data including temperature, humidity, pressure, etc. as well as power generation and thermal efficiency of the power plant. The sensing unit 100 may be installed for each power station, or a plurality of sensing units 100 may be installed in one power station.

이러한 센싱부(100)는 예컨대, 에너지의 생산, 전달, 사용 정보를 측정하고 제어할 수 있는 ICT(Information and Communication Technologies) 센서로 구성될 수 있다.The sensing unit 100 may be configured with, for example, information and communication technologies (ICT) sensors capable of measuring and controlling energy production, transmission, and usage information.

데이터 학습부(200)는 미리 정해진 조건 하에서 센싱부(100)로부터 제공받은 측정 데이터를 포함하는 학습용 데이터 셋을 구축하고 구축된 학습용 데이터 셋을 기초로 딥 러닝 학습을 수행할 수 있다. 여기서, 미리 정해진 조건은 센싱부의 장애 여부 즉, 센싱부가 정상 동작하거나 비정상 동작하는지를 나타낼 수 있다.The data learning unit 200 may build a learning data set including measurement data provided from the sensing unit 100 under predetermined conditions and perform deep learning learning based on the established learning data set. Here, the predetermined condition may indicate whether the sensing unit is faulty, that is, whether the sensing unit is operating normally or abnormally.

이때, 데이터 학습부(200)는 선형회귀(linear regression) 기법의 딥 러닝 학습을 수행할 수 있다.At this time, the data learning unit 200 may perform deep learning learning of a linear regression technique.

저장부(300)는 딥 러닝 학습을 수행하기 위한 학습용 데이터 셋을 저장할 수 있다.The storage unit 300 may store a learning data set for performing deep learning learning.

장애 예측부(400)는 데이터 학습부(200)에서 딥 러닝 학습을 수행한 결과를 기초로 센싱부(100)로부터 실시간으로 제공 받은 측정 데이터의 정상 여부를 판단하고, 그 판단한 결과에 따라 해당 센싱부(100)의 장애 여부를 예측할 수 있다.The failure prediction unit 400 determines whether the measurement data provided in real time from the sensing unit 100 is normal based on the result of performing deep learning learning in the data learning unit 200, and senses the corresponding data according to the determined result. It is possible to predict whether the unit 100 is disabled.

예컨대, 장애 예측부(400)는 센싱부(100)로부터 제공 받은 측정 데이터에 포함된 발전량과 열효율을 기초로 데이터가 정상이라고 판단한 경우 해당 센싱부(100)에 장애가 발생하지 않았다고 예측하고, 데이터가 정상이 아니라고 판단한 경우 해당 센싱부(100)에 장애가 발생했다고 예측한다.For example, when it is determined that the data is normal based on the amount of power generation and thermal efficiency included in the measurement data provided from the sensing unit 100, the failure prediction unit 400 predicts that a failure has not occurred in the sensing unit 100, and the data is If it is determined that it is not normal, it is predicted that a failure has occurred in the corresponding sensing unit 100.

표시부(500)는 예측한 결과 즉, 센싱부의 장애 발생 여부를 화면에 표시할 수 있다.The display unit 500 may display the predicted result, that is, whether or not the sensing unit has failed.

도 2는 도 1에 도시된 데이터 학습부의 상세한 구성을 나타내는 도면이다.FIG. 2 is a diagram showing a detailed configuration of the data learning unit shown in FIG. 1.

도 2를 참조하면, 본 발명의 일 실시예에 따른 데이터 학습부(200)는 딥 러닝 학습을 수행하며, 수집부(210), 전처리부(220), 구축부(230), 학습부(240)를 포함할 수 있다.Referring to FIG. 2, the data learning unit 200 according to an embodiment of the present invention performs deep learning learning, and the collection unit 210, the pre-processing unit 220, the construction unit 230, and the learning unit 240 ).

수집부(210)는 센싱부(100)와 연동하고, 센싱부(100)로부터 측정 데이터를 수집할 수 있다.The collection unit 210 may interwork with the sensing unit 100 and collect measurement data from the sensing unit 100.

전처리부(220)는 수집된 측정 데이터를 미리 정해진 포맷으로 변환시켜 학습용 데이터를 생성할 수 있다.The pre-processing unit 220 may convert the collected measurement data into a predetermined format to generate learning data.

도 3a 내지 도 3b는 본 발명의 일 실시예에 따른 학습용 데이터의 포맷을 보여주는 도면이다.3A to 3B are diagrams showing a format of learning data according to an embodiment of the present invention.

도 3a을 참조하면, 전처리부(220)는 수집된 측정 데이터에 포함된 정보 중 적어도 일부를 추출하여 측정 날짜, 발전소, 호기, 발전원, 설비용량, 발전량, 열효율로 구성된 포맷으로 변환시켜 학습용 데이터를 생성한다.Referring to Figure 3a, the pre-processing unit 220 extracts at least a portion of the information contained in the collected measurement data, the measurement date, power plant, expiration, power generation, facility capacity, power generation, thermal efficiency conversion to a format consisting of learning data Produces

전처리부(220)는 수집된 측정 데이터를 센싱부의 정상 여부에 따라 분류하고, 분류된 측정 데이터를 미리 정해진 포맷으로 변환시켜 학습용 데이터를 생성할 수 있다. 즉, 전처리부(220)는 센싱부(100)가 정상 동작하는 경우의 학습용 데이터와 센싱부(100)가 정상 동작하지 않는 경우의 학습용 데이터를 각각 구분하여 생성할 수 있다.The pre-processing unit 220 may classify the collected measurement data according to whether the sensing unit is normal, and convert the classified measurement data into a predetermined format to generate learning data. That is, the pre-processing unit 220 may separately generate learning data when the sensing unit 100 operates normally and learning data when the sensing unit 100 does not operate normally.

도 3b를 참조하면, 전처리부(220)는 측정 날짜, 발전소, 호기, 발전원, 설비용량, 발전량, 열효율의 항목에 센싱부의 정상 여부를 나타내는 항목을 추가로 구성된 학습용 데이터를 생성할 수 있다.Referring to FIG. 3B, the pre-processing unit 220 may generate learning data consisting of items indicating whether the sensing unit is normal in the items of measurement date, power plant, expiration, power generation, facility capacity, power generation, and thermal efficiency.

이때, 센싱부의 정상 여부는 사용자가 지도학습으로 입력 또는 태킹한 정보일 수 있는데, 센싱부가 정상 동작하는 경우 장애 없이 열 효율이 적당한 정상적인 데이터를 나타내는 '1'로 설정되고, 정상 동작하지 않는 경우 장애 발생으로 열 효율이 떨어진 비정상적인 데이터를 나타내는'0'으로 설정될 수 있다.At this time, whether the sensing unit is normal may be information input or tagged by the user through supervised learning. When the sensing unit is normally operated, the thermal efficiency is set to '1' indicating normal data without any problems, and if the sensing unit is not normally operated, it is disabled. It can be set to '0', which indicates abnormal data with reduced thermal efficiency due to occurrence.

구축부(230)는 생성된 학습용 데이터를 포함하는 학습용 데이터 셋을 구축할 수 있다.The building unit 230 may build a learning data set including the generated learning data.

학습부(240)는 구축된 학습용 데이터 셋을 기초로 딥 러닝 학습을 수행할 수 있다. 이때, 학습부(240)는 딥 러닝 학습을 수행할 결과로 모델링 파일을 생성할 수 있다.The learning unit 240 may perform deep learning learning based on the constructed learning data set. At this time, the learning unit 240 may generate a modeling file as a result of performing deep learning learning.

학습부(240)는 센싱부(100)가 정상 동작하는 경우의 학습용 데이터를 포함하는 학습용 데이터 셋을 기초로 딥 러닝 학습을 수행하고, 센싱부(100)가 정상 동작하지 않는 경우의 학습용 데이터를 포함하는 학습용 데이터 셋을 기초로 딥 러닝 학습을 수행한다.The learning unit 240 performs deep learning learning based on a learning data set that includes learning data when the sensing unit 100 operates normally, and performs learning data when the sensing unit 100 does not operate normally. Deep learning is performed based on the included learning data set.

도 4는 도 1에 도시된 예측부의 상세한 구성을 나타내는 도면이다.4 is a diagram illustrating a detailed configuration of the prediction unit shown in FIG. 1.

도 4를 참조하면, 본 발명의 일 실시예에 따른 장애 예측부(400)는 센싱부의 장애 여부를 판단하며, 수신부(410), 전처리부(420), 예측부(430)를 포함할 수 있다.Referring to FIG. 4, the failure prediction unit 400 according to an embodiment of the present invention determines whether the sensing unit is disabled, and may include a reception unit 410, a pre-processing unit 420, and a prediction unit 430. .

수신부(410)는 센싱부(100)와 연동하고, 센싱부(100)로부터 실시간으로 측정된 측정 데이터를 수신할 수 있다.The receiver 410 may interwork with the sensing unit 100 and receive measurement data measured in real time from the sensing unit 100.

전처리부(420)는 수신된 측정 데이터를 미리 정해진 포맷으로 변환시켜 예측용 데이터를 생성할 수 있다. 즉, 전처리부(420)는 수신된 측정 데이터에 포함된 정보 중 적어도 일부를 추출하여 측정 날짜, 발전소, 호기, 발전원, 설비용량, 발전량, 열효율로 구성된 포맷으로 변환시켜 예측용 데이터를 생성한다.The pre-processing unit 420 may convert the received measurement data into a predetermined format to generate prediction data. That is, the pre-processing unit 420 extracts at least a part of the information included in the received measurement data, converts it into a format consisting of a measurement date, a power plant, aerobic power, a power source, a facility capacity, a power generation amount, and thermal efficiency to generate prediction data .

예측부(430)는 딥 러닝 학습을 수행한 결과를 기초로 예측용 데이터의 정상 여부를 판단하고, 그 판단한 결과에 따라 해당 센싱부의 장애 여부를 예측할 수 있다.The prediction unit 430 may determine whether or not the prediction data is normal based on the result of performing deep learning learning, and may predict whether the corresponding sensing unit is disabled according to the determined result.

도 5a 내지 도 5b는 본 발명의 일 실시예에 따른 장애 예측 과정을 설명하기 위한 도면이다.5A to 5B are diagrams for explaining a process for predicting a disorder according to an embodiment of the present invention.

도 5a를 참조하면, 예측부(430)는 센싱부(100)로부터 제공받은 측정 데이터를 기초로 생성된 예측용 데이터에 포함된 발전량과 열효율을 기초로 데이터가 정상이라고 판단한 경우 해당 센싱부(100)에 장애가 발생하지 않았다고 예측할 수 있다.Referring to FIG. 5A, the prediction unit 430 determines that the data is normal based on the amount of power generation and thermal efficiency included in the prediction data generated based on the measurement data provided from the sensing unit 100, and the corresponding sensing unit 100 ), it can be predicted that no disorder occurred.

도 5b를 참조하면, 예측부(430)는 센싱부(100)로부터 제공받은 측정 데이터를 기초로 생성된 예측용 데이터에 포함된 발전량과 열효율을 기초로 데이터가 정상이 아니라고 판단한 경우 해당 센싱부(100)에 장애가 발생했다고 예측할 수 있다.Referring to FIG. 5B, when the prediction unit 430 determines that the data is not normal based on the amount of power generation and thermal efficiency included in the prediction data generated based on the measurement data provided from the sensing unit 100, the corresponding sensing unit ( 100).

도 6은 본 발명의 일 실시예에 따른 장애를 예측하기 위한 방법을 나타내는 도면이다.6 is a diagram illustrating a method for predicting a disorder according to an embodiment of the present invention.

도 6을 참조하면, 본 발명의 일 실시예에 따른 장애를 예측하기 위한 시스템(이하, 예측 시스템이라고 한다)은 미리 정해진 조건 하에서 발전소에 설치된 센싱부로부터 측정 데이터를 수집할 수 있다(S610).Referring to FIG. 6, a system for predicting a failure according to an embodiment of the present invention (hereinafter referred to as a prediction system) may collect measurement data from a sensing unit installed in a power plant under predetermined conditions (S610).

다음으로, 예측 시스템은 수집된 측정 데이터를 미리 정해진 포맷으로 변환시켜 학습용 데이터를 생성하고(S620), 생성된 학습용 데이터를 포함하는 학습용 데이터 셋을 구축할 수 있다(S630).Next, the prediction system converts the collected measurement data into a predetermined format to generate learning data (S620), and can build a learning data set including the generated learning data (S630).

다음으로, 예측 시스템은 구축된 학습용 데이터 셋을 기초로 딥 러닝 학습을 수행할 수 있다(S640).Next, the prediction system may perform deep learning learning based on the constructed learning data set (S640).

다음으로, 예측 시스템은 발전소에 설치된 센싱부로부터 실시간으로 측정된 측정 데이터를 실시간으로 수신하고(S650), 수신된 측정 데이터를 미리 정해진 포맷으로 변환시켜 예측용 데이터를 생성할 수 있다(S660).Next, the prediction system may receive measurement data measured in real time from the sensing unit installed in the power plant in real time (S650), and convert the received measurement data into a predetermined format to generate prediction data (S660).

다음으로, 예측 시스템은 딥 러닝 학습을 수행한 결과를 기초로 예측용 데이터의 정상 여부를 판단하고, 그 판단한 결과에 따라 해당 센싱부의 장애 여부를 예측할 수 있다(S670).Next, the prediction system may determine whether the prediction data is normal based on the result of performing deep learning learning, and may predict whether the corresponding sensing unit is faulted according to the determined result (S670).

예컨대, 예측 시스템은 예측용 데이터에 포함된 발전량과 열효율을 기초로 데이터가 정상이라고 판단한 경우 해당 센싱부에 장애가 발생하지 않았다고 예측하고, 데이터가 정상이 아니라고 판단한 경우 해당 센싱부에 장애가 발생했다고 예측한다.For example, the prediction system predicts that a failure has not occurred in the corresponding sensing unit when it is determined that the data is normal based on the amount of power generation and thermal efficiency included in the prediction data, and predicts that the sensing unit has failed if the data is not normal. .

다음으로, 예측 시스템은 예측한 결과에 따라 해당 센싱부의 장애 여부를 화면에 표시함으로써, 담당 관리자에 의한 즉각적인 대응이 이루어질 수 있다(S680). 또한, 예측 시스템은 담당 관리자에게 음성이나 문자 등으로 통보할 수도 있다.Next, the prediction system displays the presence or absence of the corresponding sensing unit on the screen according to the predicted result, so that an immediate response by the manager in charge can be made (S680). In addition, the prediction system may notify the manager in charge of voice or text.

본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.The term'~ unit' used in this embodiment refers to hardware components such as software or field-programmable gate array (FPGA) or ASIC, and'~ unit' performs certain roles. However,'~bu' is not limited to software or hardware. The'~ unit' may be configured to be in an addressable storage medium or may be configured to reproduce one or more processors. Thus, as an example,'~ unit' refers to components such as software components, object-oriented software components, class components, and task components, processes, functions, attributes, and procedures. , Subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, database, data structures, tables, arrays, and variables. The functions provided within components and'~units' may be combined into a smaller number of components and'~units', or further separated into additional components and'~units'. In addition, the components and'~ unit' may be implemented to play one or more CPUs in the device or secure multimedia card.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although described above with reference to preferred embodiments of the present invention, those skilled in the art variously modify and change the present invention without departing from the spirit and scope of the present invention as set forth in the claims below. You can understand that you can.

100: 센싱부
200: 데이터 학습부
210: 수집부
220: 전처리부
230: 구축부
240: 학습부
300: 저장부
400: 장애 예측부
410: 수신부
420: 전처리부
430: 예측부
500: 표시부100: sensing unit
200: data learning department
210: collection unit
220: pre-processing unit
230: Building Department
240: learning department
300: storage unit
400: obstacle prediction unit
410: receiver
420: pre-processing unit
430: prediction unit
500: display unit

Claims (11)

발전소에 설치되고, 상기 발전소의 발전량과 열효율을 포함하는 측정 데이터를 측정하는 센싱부;
미리 정해진 조건 하에서 상기 센싱부로부터 제공받은 측정 데이터를 포함하는 학습용 데이터 셋을 구축하고 상기 구축된 학습용 데이터 셋을 기초로 딥 러닝 학습을 수행하는 데이터 학습부; 및
상기 딥 러닝 학습을 수행한 결과를 기초로 상기 센싱부로부터 제공 받은 측정 데이터의 정상 여부를 판단하고, 상기 판단한 결과에 따라 해당 센싱부의 장애 여부를 예측하는 장애 예측부를 포함하는, 센싱 기기의 장애를 예측하기 위한 시스템.A sensing unit installed in a power plant and measuring measurement data including power generation and thermal efficiency of the power plant;
A data learning unit that builds a learning data set including measurement data provided from the sensing unit under predetermined conditions and performs deep learning learning based on the constructed learning data set; And
Based on the results of the deep learning learning, determining whether the measurement data provided from the sensing unit is normal, and including a failure prediction unit for predicting whether or not the sensing unit is faulty according to the determined result, the failure of the sensing device System for prediction. 제1항에 있어서,
상기 데이터 학습부는,
상기 미리 정해진 조건 하에서 상기 센싱부로부터 측정된 측정 데이터를 수집하고,
상기 수집된 측정 데이터를 미리 정해진 포맷으로 변환하여 학습용 데이터를 생성하고 상기 생성된 학습용 데이터를 포함하는 상기 학습용 데이터 셋을 구축하는, 센싱 기기의 장애를 예측하기 위한 시스템.According to claim 1,
The data learning unit,
Collect measurement data measured from the sensing unit under the predetermined condition,
A system for predicting a failure of a sensing device by converting the collected measurement data into a predetermined format to generate learning data and constructing the learning data set including the generated learning data. 제2항에 있어서,
상기 데이터 학습부는,
상기 수집된 측정 데이터를 상기 센싱부의 정상 여부에 따라 분류하고,
상기 분류된 측정 데이터를 미리 정해진 포맷으로 변환하여 학습용 데이터를 생성하고 상기 생성된 학습용 데이터를 포함하는 상기 학습용 데이터 셋을 구축하는, 센싱 기기의 장애를 예측하기 위한 시스템.According to claim 2,
The data learning unit,
Classify the collected measurement data according to whether the sensing unit is normal,
A system for predicting a failure of a sensing device by converting the classified measurement data into a predetermined format to generate learning data and constructing the learning data set including the generated learning data. 제2항에 있어서,
상기 미리 정해진 조건은,
상기 센싱부의 장애 여부를 나타내는, 센싱 기기의 장애를 예측하기 위한 시스템.According to claim 2,
The predetermined condition,
A system for predicting a failure of a sensing device, indicating whether the sensing unit has a failure. 제1항에 있어서,
상기 장애 예측부는,
상기 센싱부로부터 제공 받은 측정 데이터를 미리 정해진 포맷으로 변환시켜 예측용 데이터를 생성하고,
상기 생성된 예측용 데이터에 포함된 발전량과 열효율을 기초로 상기 데이터가 정상이라고 판단한 경우, 해당 센싱부에 장애가 발생하지 않았다고 예측하는, 센싱 기기의 장애를 예측하기 위한 시스템.According to claim 1,
The obstacle prediction unit,
Predictive data is generated by converting the measurement data provided from the sensing unit into a predetermined format,
When it is determined that the data is normal based on the amount of power generation and thermal efficiency included in the generated prediction data, a system for predicting a failure of a sensing device that predicts that a failure has not occurred in the corresponding sensing unit. 제1항에 있어서,
상기 장애 예측부는,
상기 센싱부로부터 제공 받은 측정 데이터를 미리 정해진 포맷으로 변환시켜 예측용 데이터를 생성하고,
상기 생성된 예측용 데이터에 포함된 발전량과 열효율을 기초로 상기 데이터가 정상이 아니라고 판단한 경우, 해당 센싱부에 장애가 발생했다고 예측하는, 센싱 기기의 장애를 예측하기 위한 시스템.According to claim 1,
The obstacle prediction unit,
Predictive data is generated by converting the measurement data provided from the sensing unit into a predetermined format,
When it is determined that the data is not normal based on the amount of power generation and thermal efficiency included in the generated prediction data, a system for predicting a failure of a sensing device that predicts that a failure has occurred in the corresponding sensing unit. 미리 정해진 조건 하에서 발전소에 설치된 센싱부로부터 제공받은 측정 데이터를 포함하는 학습용 데이터 셋을 구축하는 구축 단계;
상기 구축된 학습용 데이터 셋을 기초로 딥 러닝 학습을 수행하는 학습 단계; 및
상기 딥 러닝 학습을 수행한 결과를 기초로 상기 센싱부로부터 제공 받은 측정 데이터의 정상 여부를 판단하고, 상기 판단한 결과에 따라 해당 센싱부의 장애 여부를 예측하는 예측 단계를 포함하는, 센싱 기기의 장애를 예측하기 위한 방법.A construction step of constructing a learning data set including measurement data provided from a sensing unit installed at a power plant under predetermined conditions;
A learning step of performing deep learning learning based on the constructed learning data set; And
And a prediction step of determining whether the measurement data provided from the sensing unit is normal based on a result of performing the deep learning learning, and predicting whether the sensing unit is faulty according to the determined result. Method to predict. 제7항에 있어서,
상기 구축 단계에서는,
상기 미리 정해진 조건 하에서 상기 센싱부로부터 측정된 측정 데이터를 수집하고,
상기 수집된 측정 데이터를 미리 정해진 포맷으로 변환하여 학습용 데이터를 생성하고 상기 생성된 학습용 데이터를 포함하는 상기 학습용 데이터 셋을 구축하는, 센싱 기기의 장애를 예측하기 위한 방법.The method of claim 7,
In the building step,
Collect measurement data measured from the sensing unit under the predetermined condition,
A method for predicting a failure of a sensing device by converting the collected measurement data into a predetermined format to generate learning data and constructing the learning data set including the generated learning data. 제8항에 있어서,
상기 구축 단계에서는,
상기 수집된 측정 데이터를 상기 센싱부의 정상 여부에 따라 분류하고,
상기 분류된 측정 데이터를 미리 정해진 포맷으로 변환하여 학습용 데이터를 생성하고 상기 생성된 학습용 데이터를 포함하는 상기 학습용 데이터 셋을 구축하는, 센싱 기기의 장애를 예측하기 위한 방법.The method of claim 8,
In the building step,
Classify the collected measurement data according to whether the sensing unit is normal,
A method for predicting a failure of a sensing device by converting the classified measurement data into a predetermined format to generate learning data and constructing the learning data set including the generated learning data. 제7항에 있어서,
상기 예측 단계에서는,
상기 센싱부로부터 제공 받은 측정 데이터를 미리 정해진 포맷으로 변환시켜 예측용 데이터를 생성하고,
상기 생성된 예측용 데이터에 포함된 발전량과 열효율을 기초로 상기 데이터가 정상이라고 판단한 경우, 해당 센싱부에 장애가 발생하지 않았다고 예측하는, 센싱 기기의 장애를 예측하기 위한 방법.The method of claim 7,
In the prediction step,
The measurement data provided from the sensing unit is converted into a predetermined format to generate prediction data,
When it is determined that the data is normal based on the amount of power generation and thermal efficiency included in the generated prediction data, a method for predicting a failure of a sensing device that predicts that a failure has not occurred in the corresponding sensing unit. 제7항에 있어서,
상기 예측 단계에서는,
상기 센싱부로부터 제공 받은 측정 데이터를 미리 정해진 포맷으로 변환시켜 예측용 데이터를 생성하고,
상기 생성된 예측용 데이터에 포함된 발전량과 열효율을 기초로 상기 데이터가 정상이 아니라고 판단한 경우, 해당 센싱부에 장애가 발생했다고 예측하는, 센싱 기기의 장애를 예측하기 위한 방법.The method of claim 7,
In the prediction step,
Predictive data is generated by converting the measurement data provided from the sensing unit into a predetermined format,
A method for predicting a failure of a sensing device that predicts that a failure has occurred in the corresponding sensing unit when it is determined that the data is not normal based on the amount of power generation and thermal efficiency included in the generated prediction data.
KR1020180166503A 2018-12-20 2018-12-20 System for predicting failure of sensing device using deep learning and method thereof KR20200084397A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180166503A KR20200084397A (en) 2018-12-20 2018-12-20 System for predicting failure of sensing device using deep learning and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180166503A KR20200084397A (en) 2018-12-20 2018-12-20 System for predicting failure of sensing device using deep learning and method thereof

Publications (1)

Publication Number Publication Date
KR20200084397A true KR20200084397A (en) 2020-07-13

Family

ID=71570976

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180166503A KR20200084397A (en) 2018-12-20 2018-12-20 System for predicting failure of sensing device using deep learning and method thereof

Country Status (1)

Country Link
KR (1) KR20200084397A (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102315864B1 (en) * 2021-03-18 2021-10-21 주식회사 에스티엔인포텍 Monitoring heterogeneous equipment and controlling environment information system through big data processing
KR102427630B1 (en) * 2021-12-10 2022-08-01 한화시스템 주식회사 Apparatus and method for predicting failure of thermal image system

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101303470B1 (en) 2011-12-30 2013-09-05 주식회사 효성 Predicting system for energy management system
KR20180109101A (en) 2017-03-27 2018-10-08 조두산 Prediction Method of Photovolatic Power Generation Using Machine Learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101303470B1 (en) 2011-12-30 2013-09-05 주식회사 효성 Predicting system for energy management system
KR20180109101A (en) 2017-03-27 2018-10-08 조두산 Prediction Method of Photovolatic Power Generation Using Machine Learning

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102315864B1 (en) * 2021-03-18 2021-10-21 주식회사 에스티엔인포텍 Monitoring heterogeneous equipment and controlling environment information system through big data processing
KR102427630B1 (en) * 2021-12-10 2022-08-01 한화시스템 주식회사 Apparatus and method for predicting failure of thermal image system

Similar Documents

Publication Publication Date Title
US20230418998A1 (en) Scalable system and engine for forecasting wind turbine failure
US20210216682A1 (en) System and method for evaluating models for predictive failure of renewable energy assets
US11635742B2 (en) Technologies for fault related visual content
US9152610B2 (en) Systems and methods for generating an energy use model for a building
US10139437B2 (en) Apparatus, server, system and method for energy measuring
CN115545450B (en) Carbon emission collaborative prediction method based on digital twin
CN105325023A (en) Method and network device for cell anomaly detection
KR20200068773A (en) INTERGRATED MONITORING AND CONTROL SYSTEM FOR SOLAR POWER GENERATION BASED LoRa SELF NETWORK
US20210334914A1 (en) System and method for determining power production in an electrical power grid
KR20200084397A (en) System for predicting failure of sensing device using deep learning and method thereof
US20180225779A1 (en) System and method for determining power production in an electrical power grid
US20220414526A1 (en) Intelligent fault detection system
US20150355247A1 (en) Apparatus, server, system and method for energy measuring
US20210305937A1 (en) Device and method for determining whether power generation system is abnormal
US11482861B2 (en) Apparatus, server, system and method for energy measuring
KR20220168849A (en) Apparatus and Method for Checking Information and Communication Technology Equipment
KR101947508B1 (en) Operation management system and method of photovoltaic power plant
KR101668435B1 (en) Monitoring apparatus for solar power generation system
JP2012161167A (en) Green energy authentication system
JP6783712B2 (en) Management method and management device
KR20220085160A (en) Cloud-based disaster detection method and disaster analysis system that performing the same
Aragon et al. Decision Support System for Photovoltaic Fault Detection Avoiding Meteorological Conditions
KR102654056B1 (en) System and method for surveying vacant houses using mobile
KR102617525B1 (en) Vacant house maintenance plan establishment method and apparatus
KR102620180B1 (en) KNX based open energy management system for a building

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application