KR20200139991A - 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템, 방법 및 컴퓨터 프로그램 - Google Patents

Abstract

본 발명의 일 실시예에 따른 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 방법은 (A) 산업 플랜트 설비를 설비 기준에 따라 구분하고 구분된 설비 내 신호를 파악하여 설비별 신호를 정의하는 단계; (B) 산업 플랜트 설비가 정상운전을 수행한 구간의 신호를 추출하여 RAW 데이터를 생성하는 단계; (C) 각 설비 그룹별 신호에 대해 상관계수를 계산하고, 상관계수 값에 따라 구분하여 그룹들을 생성하는 단계; (D) 각 그룹 내 신호들의 대표 데이터를 생성하고, 각 그룹 간 상기 대표 데이터에 대한 상관계수를 계산하고, 상관계수에 따라 각 그룹의 연관성을 설정하는 단계; (E) 각 그룹별로 정상운전 구간에 대한 데이터 학습을 수행하고, 학습 모델을 구현하는 단계; (F) 정상운전 구간에 대한 학습 모델로 운전모드별로 플랜트 설비들의 예측값을 산출하는 단계;를 포함할 수 있다.

Description

산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템, 방법 및 컴퓨터 프로그램{Operation prediction system, method and computer program of industrial plant facility using machine learning model based on signal group}

본 발명은 학습 모델을 이용한 운전 예측 시스템 및 방법에 관한 것으로, 더욱 상세하게는 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템 및 방법에 관한 것이다.

현재 각종 산업 플랜트 분야에는 대형 및 소형의 많은 설비들이 존재하며, 이들의 기 설계된 운전범위 내에서 정상 작동 여부를 실시간 감시하여 정상운전범위를 벗어나 설비고장 문제로까지 확대 전 사전예방을 위해 정상적인 데이터의 패턴학습 및 학습된 데이터와 실시간으로 수신되는 설비들의 계측센서 데이터와의 비교를 통해서 발생되는 그 차이 값을 이용하여 조기 경보 알람을 제공하는 조기경보 모니터링 시스템을 사용하고 있다.

그러나 종래의 조기경보 모니터링 시스템은 학습모델의 구현 시 정상적인 운전 범위의 데이터의 물리적인 특성을 고려하지 않고 상관관계 분석을 통해 학습모델의 그룹을 분류하고 있어 실제 그룹 내의 설비들이 물리적인 상관관계가 없거나 혹은 상관관계가 있으나 그룹이 되지 않는 문제가 발생되어 학습모델에 대한 신뢰성 결여로 예측 데이터의 정확성이 저하되는 문제가 있으며, 순차적으로 그룹핑을 하는 방법을 사용하여 서로 독립적인 설비임에도 불구하고 그룹으로 생성되어 설비 특성을 이해하고 있는 전문가가 다시 수작업으로 그룹을 분리하여야 하는 문제가 발생된다.

또한 산업 플랜트 설비들은 대부분 외부 환경(대기 온도, 압력, 습도, 해수 온도 등) 및 투입 연료의 특성, 설비의 열화 정도, 운전 범위 등에 따라 설비의 효율과 안정성이 달라질 수 있다. 이러한 경우 설비들의 상관관계 분석시 서로 연관성이 없음에도 불구하고 외부 조건에 따라 데이터가 변동되기 때문에, 상관관계가 높음으로 계산되어 정확성에 문제가 발생된다. 또한 각 신호들의 상관관계 계산시 서로 다른 시간 주기와 해상도로 인해 실제 상관관계가 있음에도 불구하고 같은 수학적인 계산에 의한 상관계수로는 상관관계가 없는 것으로 나타나 그룹으로 생성되지 않는 문제가 발생된다.

한편 1970년대 독일 에너지협회에서 발전소에 운영되는 설비(보일러, 터빈, 펌프, 모터 등)나 계기 식별을 위해 KKS(Kraftwerks-Kennzeichen-System) Code를 만들어 원자력발전, 화력발전, Oil & Gas 발전 등의 발전소에서 장비나 구조물에 대한 Identify를 위한 공통된 표준 기록 체계를 만들고, 이 KKS Code는 유럽뿐 아니라 전 세계에서 사용되어지고 있다. 이 코드를 활용하여 원자력발전, 화력발전, Oil & Gas발전 등의 물리적 계통 구조를 시스템, 계통, 대설비, 중설비로 분류하고 해당 설비별로 조기경보 및 예측진단 학습모델 데이터 그룹핑에 대한 표준 템플릿을 정형화한다면, 신속하고 정확한 학습모델을 생성할 수 있을 것으로 기대된다.

따라서, 전술한 문제를 해결하기 위하여 학습 데이터의 모델 그룹핑의 정확성과 신뢰성을 확보할 수 있도록 KKS Code를 활용한 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 방법에 대한 연구가 필요하게 되었다.

대한민국 등록 특허 제10-1096793호(2011.12.14.등록)

본 발명의 목적은 학습 모델의 데이터를 그룹핑시 그룹의 정확성과 신뢰성을 확보할 수 있게 산업 플랜트 설비 내 신호를 설비 기준에 따라 구분하고, 그룹별로 데이터 학습을 수행하며, 정상운전 구간에 대한 학습 모델로 운전모드별로 산업 플랜트 설비들의 예측값을 산출하며, 학습 모델의 수행 결과인 예측값과 실제 데이터를 비교한 잔차를 이용하여 산업 플랜트 설비의 이상 여부를 판단할 수 있도록 조기 경보 알람을 발령할 수 있는 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템 및 방법을 제공하는 것이다.

본 발명의 일 실시예에 따른 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 방법은, (A) 산업 플랜트 설비를 설비 기준에 따라 구분하고 구분된 설비 내 신호를 파악하여 설비별 신호를 정의하는 단계; (B) 산업 플랜트 설비가 정상운전을 수행한 구간의 신호를 추출하여 RAW 데이터를 생성하는 단계; (C) 각 설비 그룹별 신호에 대해 상관계수를 계산하고, 상관계수 값에 따라 구분하여 그룹들을 생성하는 단계; (D) 각 그룹 내 신호들의 대표 데이터를 생성하고, 각 그룹 간 상기 대표 데이터에 대한 상관계수를 계산하고, 상관계수에 따라 각 그룹의 연관성을 설정하는 단계; (E) 각 그룹별로 정상운전 구간에 대한 데이터 학습을 수행하고, 학습 모델을 구현하는 단계; (F) 정상운전 구간에 대한 학습 모델로 운전모드별로 플랜트 설비들의 예측값을 산출하는 단계;를 포함한다.

상기에 있어서, 상기 (B) 단계는 계절변동조정(Seasonal Adjustment) 기법을 사용하여 각 설비의 RAW 데이터에 대한 계절변동을 제거하는 단계; 사비츠키-골레이 필터(Savitzky-Golay Filter) 기법을 사용하여 각 설비의 RAW 데이터에 대한 잡음을 제거하는 단계;를 더 포함한다.

상기에 있어서, 상기 (D) 단계는 각 그룹 내 신호들의 시간 주기별 기울기를 계산하고 해당 기울기 값의 평균을 계산하여 대표 데이터를 생성하는 단계; 각 그룹 간 대표 데이터들에 대한 상관계수를 계산하고, 상관계수에 따라 각 그룹의 연관성을 설정하는 단계; 를 더 포함한다.

본 발명의 일 실시예에 따른 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템은, 산업 플랜트 설비의 설비 기준으로 물리적 계통별로 기계 학습을 위해 수집되는 신호들을 체계적으로 분류할 수 있도록 정의되면, 각 정의된 설비별 신호들에 대하여 DB를 구축하고 빅데이터화하여 체계적이며 과거 신호까지 누적하여 저장하는 데이터저장부; 산업 플랜트 설비가 정상운전을 수행한 구간의 신호를 추출하여 RAW 데이터를 생성하며, 각 설비 그룹별 신호에 대해 상관계수를 계산하고, 상관계수 값에 따라 구분하여 그룹들을 생성하며, 각 그룹별로 정상운전 구간에 대한 데이터 학습을 수행하고, 운전모드별로 정상운전 구간에 대한 학습 모델을 구현하는 그룹분류부; 운전모드별로 구현된 정상운전 구간에 대한 학습 모델은 각 운전모드에 따라 선택되어 운전모드별로 플랜트 설비들의 예측값을 산출하는 모델선택부; 학습 모델의 수행 결과인 예측값과 실제 데이터를 비교하여 잔차를 산출하는 데이터비교부;를 포함한다.

상기에 있어서, 상기 데이터비교부의 잔차 결과에 따라 플랜트 설비의 이상 여부를 판단할 수 있도록 조기 경보 알람을 발령하는 경보알람부;를 더 포함한다.

상기에 있어서, 상기 그룹분류부는 계절변동조정(Seasonal Adjustment) 기법을 사용하여 각 설비의 RAW 데이터에 대한 계절변동을 제거하며, 사비츠키-골레이 필터(Savitzky-Golay Filter) 기법을 사용하여 각 설비의 RAW 데이터에 대한 잡음을 제거하는 것을 특징으로 한다.

상기에 있어서, 상기 그룹분류부는 각 그룹 내 신호들의 시간 주기별 기울기를 계산하고 해당 기울기 값의 평균을 계산하여 대표 데이터를 생성하며, 각 그룹 간 대표 데이터들에 대한 상관계수를 계산하고, 상관계수에 따라 각 그룹의 연관성을 설정한 다음 각 그룹별로 정상운전 구간에 대한 데이터 학습을 수행하고, 학습 모델을 구현하는 것을 특징으로 한다.

본 발명은 표준 데이터 학습모델 템플릿을 통해 생성된 그룹별 신호를 맵핑하여, 해당 신호별 정상운전기간, 운전모드별 정상운전범위, 데이터 샘플링 조건(기간, 주기)을 조건식으로 두어 샘플링을 함으로써 사전에 신호별 정상운전범위의 데이터만 샘플링이 될 수 있으며, 운전모드별 다른 정상운전범위 모델을 확보하게 됨으로써, 자동적으로 운전모드별 예측값을 산출할 수 있다.

또한 본 발명은 데이터 학습 시 외부 환경(대기 온도, 압력, 습도, 해수 온도 등)의 변수를 조건 변수로 하여 특정 기간 동안의 외부 환경에 의한 데이터 변화에 대한 참고 모델을 확보하므로, 학습 데이터와 실제 실시간 데이터의 단순 잔차 차이에 의한 알람을 확연히 줄임으로써, 빅데이터 활용 방안에 근접한 신뢰할 수 있는 조기경보를 확보할 수 있다.

도 1은 본 발명의 일 실시예에 따른 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템의 블록도이다.
도 2는 본 발명의 일 실시예에 따른 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 방법의 순서도이다.
도 3 및 도 4는 본 발명에서 상관계수에 따라 각 설비 신호를 그룹핑하는 과정을 설명한 도면이다.
도 5는 본 발명의 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 방법에서 조기경보 발생 조건을 설명하기 위한 도면이다.
도 6은 본 발명에서 산업 플랜트 설비의 각 신호를 구분하기 위한 KKS 코드 기반 물리적 계통도를 보여주는 도면이다.

이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 다만, 본 발명의 사상은 제시되는 실시예에 제한되지 아니하고, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서 다른 구성요소를 추가, 변경, 삭제 등을 통하여, 퇴보적인 다른 발명이나 본 발명 사상의 범위 내에 포함되는 다른 실시예를 용이하게 제안할 수 있을 것이나, 이 또한 본원 발명 사상 범위 내에 포함된다고 할 것이다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.

도 1은 본 발명의 일 실시예에 따른 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템의 블록도이다.

본 발명의 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템(100)은 데이터저장부(110), 그룹분류부(120), 모델선택부(130), 데이터비교부(140) 및 경보알람부(150)를 포함한다.

데이터저장부(110)는 KKS CODE를 기준으로 물리적 계통별로 기계 학습(Machine Learning)을 위해 수집되는 신호들을 체계적으로 분류할 수 있도록 정의되면, 각 정의된 설비별 신호들에 대하여 DB를 구축하고 빅데이터화하여 체계적이며 과거 신호까지 누적하여 저장되도록 한다. KKS CODE는 도 6에 도시된 바와 같이 물리적 계통별로 각 설비들을 구분하여 코드를 정하고 있으며, 예컨대 통풍 계통, 연료 계통, 급수 계통, 메인 터빈 계통 등으로 구분하여 정하고 있다.

그룹분류부(120)는 산업 플랜트 설비가 정상운전을 수행한 구간의 신호를 추출하여 RAW 데이터를 생성하며, 각 설비 그룹별 신호에 대해 상관계수를 계산하고, 도 3 및 도 4에 도시된 바와 같이, 계산된 상관계수 값에 따라 신호들을 구분하여 그룹들을 생성한다.

또한 그룹분류부(120)는 각 그룹 내 신호들의 대표 데이터를 생성하고, 각 그룹 간 대표 데이터에 대한 상관계수를 계산하고, 상관계수에 따라 각 그룹을 설정한다. 특히 각 그룹 내 신호들의 시간 주기별 기울기를 계산하고 해당 기울기 값의 평균을 계산하여 대표 데이터를 생성할 수 있으며, 각 그룹 간 대표 데이터들에 대한 상관계수를 계산하고, 도 3 및 도 4에 도시된 바와 같이 상관계수에 따라 각 그룹의 연관성(Relation)을 설정한다.

또한 그룹분류부(120)는 각 그룹별로 정상운전 구간에 대한 데이터 학습을 수행하고, 운전모드별로 정상운전 구간에 대하여 기계 학습을 위한 학습 모델을 구현한다.

나아가 데이터 학습 시 외부 환경(대기 온도, 압력, 습도, 해수 온도 등)의 변수를 조건 변수로 하여 특정 기간 동안의 외부 환경에 의한 데이터 변화에 대한 참고 모델을 확보하므로, 학습 데이터와 실제 실시간 데이터의 변화 폭을 줄임으로써, 단순 잔차(Residual) 차이에 의한 알람을 확연히 줄일 수 있다.

모델선택부(130)는 운전모드별로 구현된 정상운전 구간에 대한 학습 모델은 각 운전모드에 따라 선택되어 운전모드별로 플랜트 설비들의 예측값을 산출할 수 있다.

데이터비교부(140)는 학습 모델의 수행 결과인 예측값과 실제 데이터를 비교하여 잔차를 산출할 수 있다.

경보알람부(150)는 데이터비교부(140)의 잔차 결과에 따라 플랜트 설비의 이상 여부를 판단할 수 있도록 조기 경보 알람을 발령할 수 있다. 즉 도 5에 도시된 바와 같이, 학습에 의한 예측값(학습 데이터)과 실제 데이터(value)가 설정된 잔차 허용 범위인 정상운전 범위를 초과하면 조기 경보 알람을 발령할 수 있다.

여기서 조기 경보 알람 형태는 스피커를 통하여 청각적으로 외부에 제공할 수 있으며, 추가로 알람 메시지 형태로 개인 컴퓨터 또는 스마트 폰 형태의 관리자 단말기로 전송될 수도 있다.

도 2는 본 발명의 일 실시예에 따른 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 방법의 순서도이다.

먼저 산업 플랜트 설비를 구분하는 설비 기준인 KKS CODE 분류(도 6 참조)에 따라 발전 설비의 신호들을 구분하고, 구분된 설비 내 신호를 파악하여 설비별 신호를 정의한다(S200).

산업 플랜트 설비가 정상운전을 수행한 구간의 신호를 추출하여 시계열 형태의 RAW 데이터를 생성한다(S202).

하기 수학식 1의 계절변동조정(Seasonal Adjustment) 기법을 사용하여 각 설비의 RAW 데이터에 대한 계절변동을 제거한다(S204).

상기 수학식 1에서 각 기호는 다음을 의미한다. :

,

,

,

,

,

,

,

,

또한 하기의 수학식 2를 이용한 사비츠키-골레이 필터(Savitzky-Golay Filter) 기법을 사용하여 각 설비의 RAW 데이터에 대하여 데이터 스무딩에 의해 잡음(noise)을 제거한다(S204).

이와같이, 데이터의 스무딩에 이용될 알고리즘은 사비츠키-골레이 필터 알고리즘으로 데이터 잡음의 제거에 적합한 평활화 필터의 한 종류이며, 최소자승 (least-squares)필터 또는 Digital Smoothing Polynomial(DISPO) 필터라고도 불린다. 지수 평활화에 이용되는 다른 저역 통과 필터들이 일반적으로 시간 영역으로부터 변환된 주파수 영역에서 정의되는 것에 비해 사비츠키-골레이 필터는 시간 영역에서 설계되었으므로 필터의 적용이 용이하다.

계절변동 및 잡음 제거 이후, 각 설비 그룹별 신호에 대해 상관계수를 계산하고, 상관계수 값에 따라 구분하여 그룹들을 생성한다.

또한 각 그룹 내 신호의 시간 주기별 기울기를 계산하고 해당 기울기 값의 평균을 계산하여 대표 데이터를 생성한다(S206).

다음 각 그룹 간 대표 데이터들에 대한 상관계수를 계산하고, 상관계수에 따라 각 그룹의 연관성(Relation)을 설정한다(S208).

여기서 상관계수는 두 변수의 관계, 특히 선형 관계를 확인할 때 사용할 수 있는 값이며, 상관계수를 계산하기 위해 다음과 같은 피어슨 상관계수(Pearson's correlation coefficient)의 수학식 3을 이용할 수 있다.

여기서, X와 Y 의 covariance를 X, Y 각각의 표준편차로 나누어주기 때문에 PCC 값은 X와 Y의 단위(scale)에 의존하지 않는다. 즉 X보다 Y가 일반적으로 천배가 큰 수(예를 들어 X는 kg로 표현한 몸무게, Y는 mm 로 표현한 키)여도 유의미한 값을 갖게 된다. 이와 같이 단위에 의존하지 않는 성질을 크기 불변성(scale-invariant)이라 한다.

수학식 3은 모집단의 상관계수를 구하는 공식이고, 만약 모집단의 일부인 샘플(sample)을 이용하여 모집단의 상관계수를 찾고자 할 때는 다음과 같은 수학식 4를 이용할 수 있다.

수학식 3에 있는 모평균과 모분산을, 그 각각에 대한 가장 좋은 추정치(MLE)인 샘플 평균과 샘플 표준편차로 바꾸어 준 공식이 수학식 4가 되는 것이다. 이와 같이 계산된 상관계수의 특징 중에 하나는 X와 Y의 크기, 이동에 의존하지 않는다는 것이다.

상술한 바와 같은 수학식에 의해 산출된 상관계수에 따라 설정된 연관성을 적용한 그룹별로 정상운전 구간에 대한 AAKR 학습 모델을 이용한 데이터 학습을 수행한다(S210).

여기서 사용되는 AAKR(Auto Associative Kernel Regression) 학습 모델은 정상상태 운전동안 수집된 시간이력 데이터(historical data)를 이용하여 파라미터를 추정하는 비모수적 경험 모델(non-parametric empirical modeling) 알고리즘이다. 이 AAKR 알고리즘은 입력된 측정값에 대해 패턴 학습 모델에서 가장 유사한 패턴은 가중치를 높게 주고 유사성이 낮은 패턴은 가중치를 낮게 주어 전체를 가중 평균하여 예측값을 계산하는 방식이다.

하기의 수학식 5를 이용하여 가중치(w)를 계산한다.

여기서, 가중치(w)는 유사도를 계산한 것이며, h는 커널 대역폭 파라미터를 의미하며, 여기서 h는 프로그램의 디폴트에 의해 자동 계산되어, 거리에 따른 가중치가 결정되며, d는 각 대표 데이터와 실시간 데이터 간의 거리를 의미한다.

각 대표 데이터와 실시간 데이터의 거리를 계산하기 위해서는 아래 수학식 6과 같은 유클리디안 거리(Euclidean Distance) 식을 사용한다.

위 수학식 6에서 X가 실시간 데이터에 대한 학습 데이터라고 할 때, 하기의 수학식 7을 이용하여 학습 데이터에 대해 거리(Distance)를 계산할 수 있다.

여기서 계산된 거리값을 기준으로, 학습 데이터와 실시간 데이터의 거리가 짧다는 것은 현재 학습 데이터와 실시간 데이터의 차이가 적다는 것을 의미하며, 거리가 길다는 것은 그 반대를 의미한다.

학습 데이터의 거리(d)를 기반으로 상술한 수학식 5를 이용하여 가중치(Weight)를 계산할 수 있다.

또한 학습 데이터들과 상기 가중치를 이용하여 하기의 수학식 8에서 운전 상황(운전모드)별로 플랜트 설비의 운전에 대한 예측값을 산출한다(S210).

나아가 본 발명의 일실시예에 따른 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 방법은 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.

또한, 본 발명의 일실시예에 따른 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 방법의 동작 방법은, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리, SSD(Solid State Drive) 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

또한 본 발명에서 사용되는 컴퓨터 또는 컴퓨터 프로그램과 같은 구성은 이동통신 단말기의 형태가 스마트폰과 같이 변형되며, 컴퓨팅 파워가 획기적으로 커짐에 따라, 스마트폰 또는 스마트폰에서 실행되는 애플리케이션과 같은 의미로도 사용될 수 있다.

100 : 운전 예측 시스템 110 ： 데이터저장부
120 : 그룹분류부 130 :　모델선택부
140 : 데이터비교부 150 : 경보알람부

Claims (8)

1. (A) 산업 플랜트 설비를 설비 기준에 따라 구분하고 구분된 설비 내 신호를 파악하여 설비별 신호를 정의하는 단계;
   (B) 산업 플랜트 설비가 정상운전을 수행한 구간의 신호를 추출하여 RAW 데이터를 생성하는 단계;
   (C) 각 설비 그룹별 신호에 대해 상관계수를 계산하고, 상관계수 값에 따라 구분하여 그룹들을 생성하는 단계;
   (D) 각 그룹 내 신호들의 대표 데이터를 생성하고, 각 그룹 간 상기 대표 데이터에 대한 상관계수를 계산하고, 상관계수에 따라 각 그룹의 연관성을 설정하는 단계;
   (E) 각 그룹별로 정상운전 구간에 대한 데이터 학습을 수행하고, 학습 모델을 구현하는 단계;
   (F) 정상운전 구간에 대한 학습 모델로 운전모드별 플랜트 설비들의 운전에 대한 예측값을 산출하는 단계;
   를 포함하는 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 방법.
2. 제1항에 있어서, 상기 (B) 단계는
   계절변동조정(Seasonal Adjustment) 기법을 사용하여 각 설비의 RAW 데이터에 대한 계절변동을 제거하는 단계;
   사비츠키-골레이 필터(Savitzky-Golay Filter) 기법을 사용하여 각 설비의 RAW 데이터에 대한 잡음을 제거하는 단계;
   를 더 포함하는 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 방법.
3. 제1항에 있어서, 상기 (D) 단계는
   각 그룹 내 신호들의 시간 주기별 기울기를 계산하고 해당 기울기 값의 평균을 계산하여 대표 데이터를 생성하는 단계;
   각 그룹 간 대표 데이터들에 대한 상관계수를 계산하고, 상관계수에 따라 각 그룹의 연관성을 설정하는 단계;
   를 더 포함하는 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 방법.
4. 산업 플랜트 설비의 설비 기준으로 물리적 계통별로 기계 학습을 위해 수집되는 신호들을 체계적으로 분류할 수 있도록 정의되면, 각 정의된 설비별 신호들에 대하여 DB를 구축하고 빅데이터화하여 체계적이며 과거 신호까지 누적하여 저장하는 데이터저장부;
   산업 플랜트 설비가 정상운전을 수행한 구간의 신호를 추출하여 RAW 데이터를 생성하며, 각 설비 그룹별 신호에 대해 상관계수를 계산하고, 상관계수 값에 따라 구분하여 그룹들을 생성하며, 각 그룹별로 정상운전 구간에 대한 데이터 학습을 수행하고, 운전모드별로 정상운전 구간에 대한 학습 모델을 구현하는 그룹분류부;
   운전모드별로 구현된 정상운전 구간에 대한 학습 모델은 각 운전모드에 따라 선택되어 운전모드별로 플랜트 설비들의 예측값을 산출하는 모델선택부;
   학습 모델의 수행 결과인 예측값과 실제 데이터를 비교하여 잔차를 산출하는 데이터비교부;
   를 포함하는 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템.
5. 제4항에 있어서,
   상기 데이터비교부의 잔차 결과에 따라 플랜트 설비의 이상 여부를 판단할 수 있도록 조기 경보 알람을 발령하는 경보알람부;
   를 더 포함하는 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템.
6. 제4항에 있어서,
   상기 그룹분류부는
   계절변동조정(Seasonal Adjustment) 기법을 사용하여 각 설비의 RAW 데이터에 대한 계절변동을 제거하며,
   사비츠키-골레이 필터(Savitzky-Golay Filter) 기법을 사용하여 각 설비의 RAW 데이터에 대한 잡음을 제거하는 것을 특징으로 하는 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템.
7. 제4항에 있어서,
   상기 그룹분류부는
   각 그룹 내 신호들의 시간 주기별 기울기를 계산하고 해당 기울기 값의 평균을 계산하여 대표 데이터를 생성하며,
   각 그룹 간 대표 데이터들에 대한 상관계수를 계산하고, 상관계수에 따라 각 그룹의 연관성을 설정한 다음 각 그룹별로 정상운전 구간에 대한 데이터 학습을 수행하고, 학습 모델을 구현하는 것을 특징으로 하는 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템.
8. 제1항 내지 제3항 중 어느 한 항의 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 방법을 수행하는 컴퓨터로 읽을 수 있는 저장매체에 저장된 컴퓨터 프로그램.

Images