KR20210051886A - 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법 - Google Patents
설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법 Download PDFInfo
- Publication number
- KR20210051886A KR20210051886A KR1020190137726A KR20190137726A KR20210051886A KR 20210051886 A KR20210051886 A KR 20210051886A KR 1020190137726 A KR1020190137726 A KR 1020190137726A KR 20190137726 A KR20190137726 A KR 20190137726A KR 20210051886 A KR20210051886 A KR 20210051886A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- remaining life
- generating
- distribution
- facility
- Prior art date
Links
- 230000036541 health Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 143
- 230000008859 change Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 230000032683 aging Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 설비의 건전도 평가를 위한 헬스 인덱스 평가 테이블을 구성함에 있어서, 기존 설비의 수명 데이터를 기초로 헬스 인덱스 평가 테이블을 자동으로 구성하여 헬스 인덱스와 실제 수명과의 괴리를 해결하고, 비용과 시간면에서 경제적으로 새로운 헬스 인덱스 평가 테이블을 생성하는 것을 목적으로 한다.
본 발명의 일 실시예에 따른 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법은, 철거된 설비의 데이터를 불러오는 단계; 철거된 설비의 데이터를 기초로 잔존수명에 관한 데이터를 생성하는 단계; 후보 평가항목을 불러오는 단계; 후보 평가항목과 잔존수명에 관한 데이터와의 상관정도를 기초로, 후보 평가항목 중에서 확정 평가항목을 추출하는 단계; 잔존수명에 관한 데이터를 기초로 확정 평가항목의 각각에 대한 점수 구간을 생성하는 단계; 잔존수명에 관한 데이터를 기초로 확정 평가항목의 각각에 대한 최대 점수를 할당하는 단계; 확정 평가항목의 각각에 대한 점수 구간 및 최대 점수를 기초로 헬스 인덱스 평가 테이블을 구성하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 따른 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법은, 철거된 설비의 데이터를 불러오는 단계; 철거된 설비의 데이터를 기초로 잔존수명에 관한 데이터를 생성하는 단계; 후보 평가항목을 불러오는 단계; 후보 평가항목과 잔존수명에 관한 데이터와의 상관정도를 기초로, 후보 평가항목 중에서 확정 평가항목을 추출하는 단계; 잔존수명에 관한 데이터를 기초로 확정 평가항목의 각각에 대한 점수 구간을 생성하는 단계; 잔존수명에 관한 데이터를 기초로 확정 평가항목의 각각에 대한 최대 점수를 할당하는 단계; 확정 평가항목의 각각에 대한 점수 구간 및 최대 점수를 기초로 헬스 인덱스 평가 테이블을 구성하는 단계;를 포함할 수 있다.
Description
본 발명은 설비의 건전도 평가를 위한 헬스 인덱스(Health Index) 테이블을 구성함에 있어서, 기존 설비의 수명 데이터를 기초로 헬스 인덱스 평가 테이블을 자동으로 구성할 수 있는 방법에 관한 것이다.
전력설비의 유지보수와 안정적인 전력공급을 위해 전력공급 기관은 설비의 자산관리를 통해 설비관리를 수행하고 있다.
헬스 인덱스(이하 H/I)란 설비 자산의 건전도를 평가하는 지수로써, 대표적으로 자산관리에 사용된다. 개별 설비 특성에 맞는 평가항목을 정하여 건전도 점수를 매겨 헬스 인덱스 평가 테이블을 만들고, 이를 기초로 설비를 평가하고, 평가점수에 따라 설비를 관리, 교체한다.
배전계통의 설비관리는 설비의 상태를 H/I 판정결과에 따라 설비 교체 우선순위를 결정한다. 현재 배전설비 H/I 기준을 따르는 설비는 지상변압기/지상개폐기/가공개폐기/주상변압기/전주 총 5종이며, 각 설비의 평가항목에 따른 점수를 운영자가 시스템에 입력하여 5단계의 상태별('Very Good(20이하)', 'Good(21～40)', 'Fair(41～60)', 'Poor(61～80)', 'Very Poor(81이상)')로 설비를 판정한다.
도 1은 종래의 배전계통에서 사용되고 있는 H/I 평가항목 및 평가내용, 점수표의 예시를 나타낸 것이다.
종래의 H/I는 주로 주위 환경, 부하율, 사용 년수, 진단/점검 내역 등으로 평가항목이 구성되어 있다. 이러한 평가항목 및 점수는 전문가에 의해 설정된 것이다.
전력공급 기관은 배전설비를 적절한 시기에 새로운 제품으로 교체함으로서 전력공급에 차질이 없도록 예방하여야 한다.
이 때문에 종래에는 H/I 기반으로 설비를 교체하지만, 지역이나 주변 환경 특성에 따라 H/I 평가항목이 수명에 영향을 덜 미치는 설비들은 수명이 많이 남았음에도 불구하고 폐기되는 문제점이 발생된다. 즉, H/I와 실제 수명과의 괴리 때문에 배전설비 자산의 관리 비용이 증가하는 문제점이 있다.
이러한 이유로 운영되고 있는 설비는 기계적 결함·외부 요인 등에 의해 기존의 H/I로 판정한 결과와 상이한 상태로 나타날 수 있으며, 이를 개선시키기 위해 주기적으로 H/I 판정기준을 개정을 하고 있다.
하지만 H/I를 개정하기 위해서는 다양한 분야의 전문가들이 모여 T/F를 구성하고, 여러 차례의 토론을 진행하는 과정을 거쳐야 한다. 특히, H/I 판정기준을 정립하는 근거가 정확하고 충분해야하기 때문에 고장데이터, 진단데이터 등 다양한 데이터를 전문가들이 분석하고 문제점을 찾아야 하며, 데이터와 설비 상태와의 연관성을 정량적으로 추론해야 한다. 이렇기 때문에 H/I를 개정하는 과정에서 많은 인력/비용/시간이 소요되고 있는 실정이다. H/I 개정을 위한 데이터 분석 및 Table 구성에 있어서, 이러한 일련의 과정들을 위하여 짧게는 수 개월에서 길게는 1년 넘도록 시간이 요구되는 문제를 안고 있는 것이다.
본 발명은 설비의 건전도 평가를 위한 헬스 인덱스 평가 테이블을 구성함에 있어서, 기존 설비의 수명 데이터를 기초로 헬스 인덱스 평가 테이블을 자동으로 구성하여 헬스 인덱스와 실제 수명과의 괴리를 해결하고, 비용과 시간면에서 경제적으로 새로운 헬스 인덱스 평가 테이블을 생성하는 것을 목적으로 한다.
본 발명의 일 실시예에 따른 설비의 헬스 인덱스(Health Index) 평가 테이블을 자동으로 구성하는 방법은, 철거된 설비의 데이터를 불러오는 단계; 철거된 설비의 데이터를 기초로 잔존수명에 관한 데이터를 생성하는 단계; 후보 평가항목을 불러오는 단계; 후보 평가항목과 잔존수명에 관한 데이터와의 상관정도를 기초로, 후보 평가항목 중에서 확정 평가항목을 추출하는 단계; 잔존수명에 관한 데이터를 기초로 확정 평가항목의 각각에 대한 점수 구간을 생성하는 단계; 잔존수명에 관한 데이터를 기초로 확정 평가항목의 각각에 대한 최대 점수를 할당하는 단계; 확정 평가항목의 각각에 대한 점수 구간 및 최대 점수를 기초로 헬스 인덱스 평가 테이블을 구성하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 따른 철거된 설비의 데이터를 기초로 잔존수명에 관한 확률분포를 생성하는 방법은, 철거된 설비의 데이터 중 일부 설비의 데이터를 기초로 모델 수명 확률 분포의 파라미터를 구하여 목표 분포를 생성하는 단계; 목표 분포를 기초로, 철거된 설비의 데이터 중 일부 설비의 데이터를 제외한 데이터부터 제안 분포를 생성하는 단계; 목표 분포 및 제안 분포를 기초로 리젝션 샘플링을 통하여 잔존수명에 관한 확률 분포를 생성하는 단계;를 포함할 수 있다.
본 발명의 다양한 실시예에 따르면, 종래 H/I를 제/개정하기 위해서 많은 시간이 소요되는 문제를 해결할 수 있다. 본 발명의 다양한 실시예에서 개시되는 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법을 통하여 자동으로 H/I 평가항목을 추출하고, 평가항목이 설비의 상태에 미치는 영향을 기초로 H/I 평가 테이블을 자동으로 생성하여 H/I를 용이하게 제/개정할 수 있다.
특히, 평가항목 별 평가점수와 평가점수를 나누는 구간에 대하여 기계학습을 바탕으로 자동으로 점수를 할당하여, 기존의 Health Index에 비하여 설비의 상태를 판정할 때 정확성이 높아질 수 있다.
또한, Deep Learning 과 같은 Black Boxes 타입이 아니라, Health Index 평가항목이 추출된 사유를 시각화하여 사용자에게 보여줌으로서 사용자가 오류를 해결하고 합리적인 결과를 도출할 수 있도록 할 수 있다. 보다 구체적으로, Black Boxes 타입이 아니기 때문에, 사용자들은 Health Index 구성하는 과정에서 개입이 가능하여 자동으로 추출된 평가항목이나 평가점수 등의 요인들을 사용자 판단 하에 수정이 가능하다.
또, 종래의 Health Index는 5종의 설비에만 제한적으로 적용되고 있고, 다른 설비의 Health Index를 구성하기 위해서는 해당설비의 모든 데이터를 분석하고, 수명영향도를 산출하는 과정이 요구된다. 본 발명의 일 실시예에 따른 평가테이블 자동 구성 방법을 이용하게 되면, 데이터와 설비의 수명과의 상관관계를 자동으로 분석하여 유의미한 Health Index 평가항목들을 자동으로 추출하고, 평가 점수까지 자동으로 할당해주므로, 새로운 설비에 대하여 평가 테이블을 용이하게 생성할 수 있다. 게다가 이러한 과정은 수치적인 근거가 존재하는 것이므로, 통계적 유의성 정보가 사용자에게 제공될 수 있어 신뢰성 높은 Health Index를 구성할 수 있다.
본 발명의 방법에 따르면 궁극적으로 신뢰성 높은 H/I 평가 테이블 구성으로서, 평가와 실제 수명과의 괴리를 해결하여, 잔존수명이 남아있음에도 교체되는 문제, 또는 교체가 필요한 설비가 진단되지 않는 문제를 해결하고, 나아가 경제적인 손실을 보완할 수 있다.
도 1은 종래의 평가 테이블의 예시를 나타낸 도면이다.
도 2은 본 발명의 일 실시예에 따른 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법을 나타낸 순서도이다.
도 3는 본 발명의 일 실시예에 따라 목표 분포를 기초로 제안 분포를 생성하는 것을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따라 생성된 경년년수 - 잔존수명에 대한 조건부 기대값 그래프를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따라 확정 평가항목별로 점수 구간이 생성되고, 점수 구간 각각에 대해 변환값에 대한 조건부 기대값이 생성된 것을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따라 점수 구간 각각의 변환값에 대한 조건부 기대값 중 최대값을 추출하고, 최대값에 비례하여 최대 점수를 할당하여 새로운 H/I 평가 테이블을 생성한 것을 나타낸 도면이다.
도 2은 본 발명의 일 실시예에 따른 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법을 나타낸 순서도이다.
도 3는 본 발명의 일 실시예에 따라 목표 분포를 기초로 제안 분포를 생성하는 것을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따라 생성된 경년년수 - 잔존수명에 대한 조건부 기대값 그래프를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따라 확정 평가항목별로 점수 구간이 생성되고, 점수 구간 각각에 대해 변환값에 대한 조건부 기대값이 생성된 것을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따라 점수 구간 각각의 변환값에 대한 조건부 기대값 중 최대값을 추출하고, 최대값에 비례하여 최대 점수를 할당하여 새로운 H/I 평가 테이블을 생성한 것을 나타낸 도면이다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.
이하, 첨부한 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
본 개시에서는, 설비 수명에 영향을 미치는 평가항목을 기계학습 기반으로 추출하고, 수명에 영향을 가장 많이 미치는 구간들을 분배하여 평가항목별 점수를 산정하는데 있어서 데이터 분석 기반으로 자동화시켜 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법이 개시된다.
이하에서, 경년년수란 설비가 가동된 기간(연수)를 의미하고, 잔존수명이란 설비의 수명이 다하기까지 남은 기간을 의미하며, 기대수명이란 경년년수를 포함하여 기대되는 총 수명으로서, 경년년수 + 잔존수명을 의미할 수 있다. 수명이란 경년년수, 잔존수명 및/또는 기대수명을 의미할 수 있고, 확률분포에서 변수로서의 수명을 일컬을 수 있는데, 구체적인 그 의미는 앞뒤 문맥을 통하여 통상의 기술자에게 용이하게 이해될 것이다.
도 2은 일 실시예에 따른 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법을 나타낸 순서도이다. 일 실시예에 따른 설비의 헬스 인덱스(Health Index) 평가 테이블을 자동으로 구성하는 방법은, 철거된 설비의 데이터를 불러오는 단계(S310); 철거된 설비의 데이터를 기초로 잔존수명에 관한 데이터를 생성하는 단계(S320); 후보 평가항목을 불러오는 단계(S330); 후보 평가항목과 잔존수명에 관한 데이터와의 상관정도를 기초로, 후보 평가항목 중에서 확정 평가항목을 추출하는 단계(S340); 잔존수명에 관한 데이터를 기초로 확정 평가항목의 각각에 대한 점수 구간을 생성하는 단계(S350); 잔존수명에 관한 데이터를 기초로 확정 평가항목의 각각에 대한 최대 점수를 할당하는 단계(S360); 확정 평가항목의 각각에 대한 점수 구간 및 최대 점수를 기초로 헬스 인덱스 평가 테이블을 구성하는 단계(S370);를 포함할 수 있다. 일 실시예에서 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법은 컴퓨팅 장치에 의해 수행될 수 있다.
컴퓨팅 장치는 일실시예에 따른 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법에 따라, 기존의 설비의 수명데이터를 기초로 수명에 영향을 미치는 요인을 추출하여 평가항목으로 설정하고, 나아가 점수 구간 및 최대 점수를 할당하여 자동으로 합리적인 평가 테이블을 생성할 수 있다. 일실시예에서 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법은 기존 레거시 시스템의 설비 데이터를 이용할 수 있는데, 여기서 설비의 수명데이터가 없더라도, 수명이 다하기 전 철거된 설비의 철거 데이터를 기초로 설비의 잔존수명 데이터를 추정하여, 이를 기초로 평가테이블을 생성할 수 있다.
이하에서, 각 단계에 대하여 상세하게 설명한다.
철거된 설비 데이터를 수신하는 단계로서 개시될 수 있다(S310). 일 실시예에 따른 H/I 평가 테이블 자동 구성을 위해서는 기존 레거시 시스템과 연계할 수 있다. H/I 평가 테이블 자동 구성 방법은 레거시 시스템으로부터 철거 설비 데이터를 불러오는 단계로 개시될 수 있다. 구체적으로는 저장장치로부터 버스 등의 I/O를 통하여 프로세서가 철거 설비 데이터를 수신하는 단계일 수 있다. 이 단계에서는 레거시 시스템에서 설비 기본 자산정보, 진단데이터, 경년 년수 등 설비 DB를 연계하여, 수명이 다하기 전에 고장 등 별도의 원인으로 철거된 설비에 관한 데이터 중 일부 또는 전부를 불러올 수 있다. 컴퓨팅 장치는 해당 데이터를 불러오고 이를 기초로 다음 단계를 수행할 수 있다.
다음으로, 설비의 수명 데이터가 존재하지 않을 경우에는 철거된 설비의 데이터를 이용하여 설비의 잔존수명에 관한 데이터를 생성할 수 있다(S320). 여기서 잔손수명에 관한 데이터는, 잔존수명을 변수로 하는 확률 분포일 수도 있고, 확률 분포를 따르는 데이터 셋일 수 있고, 이러한 확률 분포 또는 데이터 셋을 대표할 수 있는 대표값, 이를테면 기대값 등일 수 있다. 생성한 잔존수명에 관한 데이터를 이용하여 Health Index 평가항목과 설비의 수명에 미치는 영향을 분석하는데에 이용할 수 있다.
도 3는 일 실시예에 따라 목표 분포를 기초로 제안 분포를 생성하는 것을 나타낸 도면이다. 일 실시예에 따른 철거된 설비의 데이터를 기초로 잔존수명에 관한 확률분포(Probability Distribution)를 생성하는 방법은, 철거된 설비의 데이터 중 일부 설비의 데이터를 기초로 모델 수명 확률 분포의 파라미터를 구하여 목표 분포(Target Probability Distribution)를 생성하는 단계; 목표 분포를 기초로, 철거된 설비의 데이터 중 일부 설비의 데이터를 제외한 데이터부터 제안 분포(Proposal Probability Distribution)를 생성하는 단계; 목표 분포 및 상기 제안 분포를 기초로 리젝션 샘플링(Rejection Sampling)을 통하여 잔존수명에 관한 확률 분포를 생성하는 단계;를 포함할 수 있다.
철거 데이터 중 일부 데이터를 활용하여 모델 수명 확률 분포의 파라미터를 정한다. 여기서 철거 데이터는 경년년수를 포함할 수 있다. 모델 수명 확률 분포란 일종의 확률밀도함수로서 수명예측에 사용될 수 있는 것이다. 예를 들면 알려진 것을서 지수 분포, 와이불(Weibull) 분포, 지수적 와이불분포, 정규 분포 등일 수 있다. 컴퓨팅 장치가 일 실시예에 따른 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법을 수행하도록 하기 위해, 사용자는 모델 수명 확률 분포를 설정할 수 있다. 예를 들면, 모델 수명 확률 분포는
(a, c 및 λ는 파라미터이고, t는 변수로서 수명임)
으로 설정될 수 있다. 이는 알려진 분포로서 Exponentian Weibull Distribution이다. 철거된 설비의 수명은 설정된 모델 수명 확률 분포를 따른다고 가정하고 잔존수명을 예측할 수 있다.
파라미터를 구하는 것은 알려진 방법에 따라 일부 데이터들에 가장 적합한 근사치를 정하는 것으로서 수행될 수 있다. 그 외에도 다양한 방법에 따라 파라미터를 구할 수 있다. 여기서 일부 데이터는 철거 설비 중 일부 설비에 대한 데이터를 말하는데, 뒤에서 설명되는 바와 같이 제안 분포를 생성하고 리젝션 샘플링을 수행하는데 사용할 데이터와 구별하기 위한 것이다. 예를 들면, 고장이 아닌 다른 원인에 의하여 철거된 데이터를 일부 데이터로 삼아 파라미터를 구하는 데에 사용할 수 있다. 파라미터가 결정이 되고, 해당 파라미터를 모델 수명 확률 분포에 대입하여 목표 분포(Target Probability Distribution)를 생성할 수 있다. 목표 분포는 무조건의 확률 분포가 된다(unconditional distribution)
일 실시예에 따르면 목표 분포를 이용하여, 철거된 설비의 데이터를 기초로 잔존수명에 관한 데이터를 생성할 수 있다. 예를 들면 철거된 설비의 잔존수명에 관한 확률분포를 생성할 수 있다. 여기서 리젝션 샘플링 방법이 이용될 수 있다.
리젝션 샘플링이란 주어진 확률 분포에서 효율적으로 표본을 생성하는 알고리즘이다. 제안분포를 적절히 설정하고, 제안 분포로부터 추출된 표본이 목표 분포의 영역내에 존재하면 해당 표본을 취하고, 그렇지 않으면 기각(Rejection)함으로써, 목표 분포를 따르는 표본을 생성하는 방식이다. 이를 통하여, 샘플을 추출하고자 하는 확률 분포(목표 분포)로부터 리젝션 샘플링을 통하여 다수의 표본을 생성할 수 있다.
일 실시예에서는 앞서 모델 수명 확률 분포에서 파라미터를 구하여 생성한 목표 분포로부터, 해당 목표 분포를 따르는 철거 설비의 잔존수명 데이터를 표본으로서 생성할 수 있다. 여기서 데이터가 다수 생성되면 이를 확률분포로 이용할 수도 있다. 즉, 리젝션 샘플링을 통하여, 철거 설비의 데이터로부터 잔존수명에 관한 확률 분포를 얻을 수 있다. 보다 구체적으로는, 철거 설비 데이터 하나당 확률분포 데이터 셋 또는 확률분포를 얻을 수 있다.
일 실시예에 따른 제안 분포를 생성하는 단계는,
(
는 앞서 정해진 목표 분포이고, a, c 및 λ는 앞서 구해진 파라미터이고, s는 철거된 설비의 경년년수이고, t는 변수로서 수명임)에 따라 제안 분포를 생성하는 단계를 포함할 수 있다.
이 단계에서, 사용되는 철거 데이터는 앞서 파라미터 근사에 사용되지 않은 데이터인 것이 바람직하다. 따라서 철거 데이터 중 일부를 파라미터 근사에 사용하고 다른 일부를 잔존수명데이터 생성에 사용할 수 있다. 예를 들면, 철거 사유가 고장이 아닌 데이터를 파라미터 근사에 사용하고, 고장으로 인한 철거 데이터를 잔존수명 데이터 생성에 사용할 수 있다. 고장이 아닌 철거 사유는 예를 들면, 설비의 평가 결과 교체 판정을 받거나, 기업의 기준에 따라 철거(교체)된 것일 수 있다.
일 실시예에서 고장으로 인한 철거 데이터를 기초로, 식 2를 이용하여 설비의 조건부 분포를 구한 후, Rejection Sampling 알고리즘을 사용하여 설비의 잔존수명에 대한 확률 분포를 생성할 수 있다. 여기서 식 2의 조건부 분포가 제안 분포가 된다. 조건부 분포를 구할 때에는 앞서 파라미터를 구한 Exponential Weibull Distribution 모형을 사용할 수 있다. 이와 같은 단계를 통하여, 기존 레거시 시스템의 철거 설비 데이터로부터 잔존수명에 대한 확률 분포를 생성해 낼 수 있다. 해당 생성한 잔존수명에 대한 확률 분포를 이용하여 다음 단계를 수행할 수 있다.
다음으로, H/I 후보 평가항목을 불러오는 단계가 수행될 수 있다(S330). 이 단계에서도 레거시 시스템에서 설비 기본 자산정보, 진단데이터, 경년 년수 등 설비 DB를 연계하여 Health Index 평가항목으로 사용가능한 데이터 중 일부 또는 전부를 후보 평가항목으로 설정할 수 있다. 컴퓨팅 장치는 해당 후보 평가항목을 불러오고 이를 기초로 다음 단계를 수행할 수 있다.
다음으로 앞서 생성한 잔존수명에 관한 데이터, 예를 들면 잔존수명에 대한 확률 분포와 불러온 후보 평가항목과의 상관정도를 기초로, H/I 후보 평가항목 중 확정 평가항목을 추출하는 단계가 수행될 수 있다(S340). 이 단계에서는 후보 평가항목이 설비의 수명에 미치는 정도, 즉 평가항목과 잔존수명의 상관정도를 판단하여 Health Index에 사용될 유의미한 평가항목을 추출하여 확정할 수 있다.
일 실시예에서 확정 평가항목을 추출하는 단계는, 잔존수명에 대한 확률 분포를 기초로 잔존수명에 대한 조건부 기대값을 생성하는 단계 ― 잔존수명에 대한 조건부 기대값은 철거된 설비의 경년년수를 조건으로 한 잔존수명의 기대값임 ―; 후보 평가항목과 잔존수명에 대한 조건부 기대값과의 상관정도를 기초로 확정 평가항목을 추출하는 단계;를 포함할 수 있다. 여기서 상관정도란, 양자가 가지는 수학적 관계가 유효한 정도 또는 유효한지 여부를 나타내는 것으로서, 다양한 지표 또는 판단기준이 이용될 수 있다. 간단하게는 단조증가 또는 단조감소의 상관성을 가지는 평가항목을 추출할 수 있다.
여기서 후보 평가항목과 잔존수명에 대한 조건부 기대값과의 상관정도를 기초로 상기 확정 평가항목을 추출하는 단계는, 라쏘(Lasso) 알고리즘을 기초로 후보 평가항목 중 상기 잔존수명에 대한 조건부 기대값과의 상관정도가 높은 복수개의 평가항목을 추출하고 나머지 평가항목은 제외하는 단계를 더 포함할 수 있다.
잔존수명에 대한 데이터, 예를 들면 잔존수명에 대한 확률 분포를 가지고 평가항목과의 상관정도를 알아내기 위하여, 조건부 기대값(conditional expectation)을 구하고 이를 이용할 수 있다. 여기서 조건부 기대값은 앞서서 사용한 식 2를 이용하여 구할 수 있다. 잔존수명의 조건부 기대값이란, 보다 구체적으로는 철거된 설비의 경년년수를 조건으로 한 잔존수명의 기대값일 수 있다. 다른 실시예에 따르면 기대값 외에도 분포에서 잔존수명을 대표할 수 있는 다른 값을 이용할 수도 있다.
라쏘 알고리즘은 기계학습에서 모델의 정확도를 향상시키기 위해 정확도 높은 몇 개의 변수를 선택하는 알고리즘이다. 라쏘 알고리즘 이외에도 다른 알고리즘을 이용할 수도 있다. 일 실시예에서 잔존수명의 조건부 기대값과 상관정도가 높은 후보 평가항목 중 상위 일부 항목을 추출하여 확정 평가항목으로 결정할 수 있다.
도 4는 일 실시예에 따라 생성된 경년년수 - 잔존수명에 대한 조건부 기대값 그래프를 나타낸 도면이다. 추출된 평가항목과 설비의 수명과의 상관분석을 위해, 각 평가항목(Feature X_i)에 대한 Conditional expectation function, f(x)=E[T|X_i=x] 함수의 Error bar graph와 샘플 개수에 대한 정보를 그래프화 할 수 있다. 경년년수 외에 다른 평가항목에 대해서도 잔존수명에 대한 조건부 기대값 그래프를 도출할 수 있다. 도 4에서는 지수적으로 감소하는 상관관계를 보인다. 상관정도의 판단은, 예를 들면, 지수함수, 다항함수 등 모델을 추출하고, 근사하여 근사한 정도가 1에 얼마나 가까운지, 또는 가까운 순위를 기초로 할 수 있다.
이러한 과정을 통하여, 후보 평가항목으로부터 확정 평가항목을 추출할 수 있다.
다음으로, 확정된 평가항목 각각에 대하여 평가할 점수 구간을 생성할 수 있다(S350). 일 실시예에 따른 점수 구간을 생성하는 단계는, 복수의 철거된 설비의 잔존수명에 대한 조건부 기대값으로부터 체인지 포인트 알고리즘(change point algorithm)을 통해 체인지 포인트를 추출하는 단계; 추출된 체인지 포인트를 경계로 하여 점수 구간을 생성하는 단계;를 포함할 수 있다. 예를 들면, Change Point 알고리즘을 이용한 점수 구간 생성은 평가항목(Feature X_i) 별로 Conditional Expectation 이 주변에 비해 크게 변하는 값, 즉 체인지 포인트를 자동으로 산정하여 수행될 수 있다. 복수의 체인지 포인트 사이를 점수 구간으로 삼을 수 있다.
도 5는 일 실시예에 따라 확정 평가항목별로 점수 구간이 생성되고, 점수 구간 각각에 대해 변환값에 대한 조건부 기대값이 생성된 것을 나타낸 도면이다. 경년년수의 경우 2년, 7년, 11년을 체인지 포인트로 하여, 각 체인지 포인트 사이를 점수 구간으로 설정한 것을 볼 수 있다.
다음으로, 잔존수명에 관한 데이터를 기초로 확정 평가항목의 각각에 대한 최대 점수를 할당하는 단계가 수행될 수 있다(S360). 일 실시예에 따른 최대 점수를 할당하는 단계는, 잔존수명에 대한 확률 분포를 기초로 잔존수명의 변환값에 대한 확률 분포를 생성하고, 점수 구간 각각에 대해 변환값에 대한 조건부 기대값을 생성하는 단계 ― 변환값에 대한 조건부 기대값은 철거된 설비의 경년년수를 조건으로 한 변환값의 기대값임 ―; 점수 구간 각각의 변환값에 대한 조건부 기대값 중 최대값을 확정 평가항목 각각에 대해 추출하는 단계; 최대값에 비례하여 최대 점수를 할당하는 단계;를 포함할 수 있다.
여기서, 최대값에 비례하여 최대 점수를 할당하는 단계는, 최대 점수를 합한 값이 100이 되도록 최대값에 비례하도록 최대 점수를 할당하는 단계를 포함할 수 있다.
확정된 평가항목들에 최대 점수를 할당, 즉 배점을 제공하는 과정이 수행된다. 앞서 잔존수명에 대한 조건부 기대값을 이용했으므로, 이 값을 이용하여 최대 점수를 부여할 수 있으나, 몇가지 문제가 있다.
첫째로는, 도 4에서와 같이 선형적인 관계가 아닌, 지수적 관계 등을 나타낼 수 있다. 이경우 조건부 기대값 그 자체에 비례하여 점수를 부여하는 경우, 점수의 편차가 심하여 평가 점수가 적절하지 않을 수 있다. 따라서, 조건부 기대값에 로그를 취하는 등, 변환값을 구하여 이 변환값에 비례한 점수를 부여할 수 있다. 이러한 과정을 통하면 점수 구간에 따라 선형적인 점수 부여가 가능하다.
또 다른 문제는, 설비의 건강지수가 낮을수록 평가 점수가 높도록 설정하기 위해서, 조건부 기대값 그 자체에 비례하여 점수를 부여할 수 없는 문제가 있다. 예를 들면, 잔존수명이 120개월 이상인 경년년수가 2년인 설비의 경우 낮은 점수를 부여하고, 잔존수명이 40개월 미만인 경년년수가 18년인 설비의 경우 높은 점수를 부여하기 위해서는, 잔존수명의 기대값 그 자체를 이용할 수 없는 것이다. 따라서, 조건부 기대값에 역수를 취하는 등, 변환 값을 구하여 이 변환값에 비례한 점수를 부여할 수 있다.
여기서 변환값은, 잔존수명의 조건부 기대값을 구한 후에 변환할 수도 있고, 각각의 잔존수명 각각을 변환하여 변환값에 대한 조건부 기대값을 구할 수도 있다.
이러한 문제를 해결하기 위하여, 일 실시예에 따르면, 잔존수명에 대한 확률 분포를 기초로 잔존수명의 변환값에 대한 확률 분포를 생성하고, 점수 구간 각각에 대해 변환값에 대한 조건부 기대값을 생성하고, 점수 구간 각각의 변환값에 대한 조건부 기대값 중 최대값을 확정 평가항목 각각에 대해 추출하고, 최대값에 비례하여 최대 점수를 할당할 수 있다. 여기서, 변환값에 대한 조건부 기대값은 철거된 설비의 경년년수를 조건으로 한 변환값의 기대값을 말한다.
예를 들면, 도 4의 기초가 된 잔존수명에 대한 확률 분포에 있어서, 잔존수명에 적절한 로그를 취하고 역수를 취하여 변환값에 대한 확률 분포를 생성할 수 있다. 그리고 앞서 구한 점수 구간, 즉 도 5과 같이 각 구간별로 변환값에 대한 조건부 기대값을 생성할 수 있다. 여기서 Y는 변환값을 의미하는데, 앞서 설명한대로 평가항목별 상관정도에 따라 적절한 수학적 변환을 통해 잔존수명 T에서 변환값 Y를 생성할 수 있다. 각 평가항목별로 최대값을 추출하면, 경년년수는 1.8038, 제조사별 잠정수명은 2.4345, 온도차는 1.3411 등이 추출된다. 해당 최대값들에 비례하여 최대 점수를 할당할 수 있다. 그리고 남은 구간들도 기대값에 비례하여 점수를 할당할 수 있다.
도 6은 본 발명의 일 실시예에 따라 점수 구간 각각의 변환값에 대한 조건부 기대값 중 최대값을 추출하고, 최대값에 비례하여 최대 점수를 할당하여 새로운 H/I 평가 테이블을 생성한 것을 나타낸 도면이다. 도면에서 각 항목은 최대값에 비례하여 최대 점수가 할당되었다. 변환값을 이용하여 점수를 할당함으로써 잔존수명이 낮을수록 높은 점수를 부여할 수 있고, 점수 구간별 점수가 선형적으로 제공하는 것이 가능하다.
평가항목별로 할당된 최대 점수의 합이 100이 아닌 경우, 합이 100이 되도록, 스케일링하여 조정할 수 있다. 점수가 소수점이 되어 100점이 맞춰지지 않을 경우에는 Round Off Error가 가장 적게 영향을 미치는 방향으로 조정한다.
이러한 과정을 통하여 새로운 H/I 평가 테이블(710)을 완성할 수 있다.
평가테이블은 평가항목별로 최대 점수가 할당되어 있고, 최대 점수 하에서 점수 구간별로 점수가 차등 할당되어 있을 수 있다. 새로운 H/I 평가 테이블에 따라 평가할 경우, 기존의 설비 데이터를 기초로 하므로, 이론이나 대략적인 예상에 따른 종래의 평가 테이블에 비하여 더욱 신뢰성 있는 평가가 가능하다. 또한 인적,물적,시간적으로 경제적이다. 궁극적으로, 이러한 헬스 인덱스 평가 테이블을 자동으로 구성함으로써 잔존수명이 충분한데도 철거되는 문제를 줄일 수 있다.
본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
710 : 새로운 H/I 평가 테이블
Claims (12)
- 설비의 헬스 인덱스(Health Index) 평가 테이블을 자동으로 구성하는 방법에 있어서,
철거된 설비의 데이터를 불러오는 단계;
상기 철거된 설비의 데이터를 기초로 잔존수명에 관한 데이터를 생성하는 단계;
후보 평가항목을 불러오는 단계;
상기 후보 평가항목과 상기 잔존수명에 관한 데이터와의 상관정도를 기초로, 상기 후보 평가항목 중에서 확정 평가항목을 추출하는 단계;
상기 잔존수명에 관한 데이터를 기초로 상기 확정 평가항목의 각각에 대한 점수 구간을 생성하는 단계;
상기 잔존수명에 관한 데이터를 기초로 상기 확정 평가항목의 각각에 대한 최대 점수를 할당하는 단계;
상기 확정 평가항목의 각각에 대한 상기 점수 구간 및 상기 최대 점수를 기초로 상기 헬스 인덱스 평가 테이블을 구성하는 단계;를 포함하는,
방법.
- 제1항에 있어서,
상기 잔존수명에 관한 데이터는,
상기 잔존수명에 관한 데이터는, 잔존수명에 대한 확률 분포(Probability Distribution)를 포함하고,
상기 잔존수명에 관한 데이터를 생성하는 단계는,
상기 철거된 설비의 데이터 중 일부 설비의 데이터를 기초로 모델 수명 확률 분포의 파라미터를 구하여 목표 분포(Target Probability Distribution)를 생성하는 단계;
상기 목표 분포를 기초로, 상기 철거된 설비의 데이터 중 상기 일부 설비의 데이터를 제외한 데이터부터 제안 분포(Proposal Probability Distribution)를 생성하는 단계;
상기 목표 분포 및 상기 제안 분포를 기초로 리젝션 샘플링(Rejection Sampling)을 통하여 상기 잔존수명에 관한 확률 분포를 생성하는 단계;를 포함하는,
방법. - 제2항에 있어서,
상기 모델 수명 확률 분포는 식
(a, c 및 λ는 상기 파라미터이고, t는 변수로서 수명임)
인 것을 특징으로 하는,
방법. - 제3항에 있어서,
상기 제안 분포를 생성하는 단계는, 식
(는 상기 목표 분포이고, a, c 및 λ는 구해진 상기 파라미터이고, s는 상기 철거된 설비의 경년년수이고, t는 변수로서 수명임)
에 따라 상기 제안 분포를 생성하는 단계를 포함하는,
방법. - 제3항에 있어서
상기 확정 평가항목을 추출하는 단계는,
상기 잔존수명에 대한 확률 분포를 기초로 잔존수명에 대한 조건부 기대값을 생성하는 단계 ― 상기 잔존수명에 대한 조건부 기대값은 상기 철거된 설비의 경년년수를 조건으로 한 잔존수명의 기대값임 ―;
상기 후보 평가항목과 상기 잔존수명에 대한 조건부 기대값과의 상관정도를 기초로 상기 확정 평가항목을 추출하는 단계;를 포함하는,
방법. - 제5항에 있어서
상기 후보 평가항목과 상기 잔존수명에 대한 조건부 기대값과의 상관정도를 기초로 상기 확정 평가항목을 추출하는 단계는,
라쏘(Lasso) 알고리즘을 기초로 상기 후보 평가항목 중 상기 잔존수명에 대한 조건부 기대값과의 상관정도가 높은 복수개의 평가항목을 추출하고 나머지 평가항목은 제외하는 단계를 더 포함하는,
방법 - 제6항에 있어서,
상기 점수 구간을 생성하는 단계는,
복수의 상기 철거된 설비의 상기 잔존수명에 대한 조건부 기대값으로부터 체인지 포인트 알고리즘(change point algorithm)을 통해 체인지 포인트를 추출하는 단계;
추출된 상기 체인지 포인트를 경계로 하여 상기 점수 구간을 생성하는 단계;를 포함하는,
방법. - 제7항에 있어서,
상기 최대 점수를 할당하는 단계는,
상기 잔존수명에 대한 확률 분포를 기초로 상기 잔존수명의 변환값에 대한 확률 분포를 생성하고, 상기 점수 구간 각각에 대해 상기 변환값에 대한 조건부 기대값을 생성하는 단계 ― 상기 변환값에 대한 조건부 기대값은 상기 철거된 설비의 경년년수를 조건으로 한 상기 변환값의 기대값임 ―;
상기 점수 구간 각각의 상기 변환값에 대한 조건부 기대값 중 최대값을 상기 확정 평가항목 각각에 대해 추출하는 단계;
상기 최대값에 비례하여 상기 최대 점수를 할당하는 단계;를 포함하는,
방법. - 제8항에 있어서,
상기 최대값에 비례하여 상기 최대 점수를 할당하는 단계는,
상기 최대 점수를 합한 값이 100이 되도록 상기 최대값에 비례하도록 상기 최대 점수를 할당하는 단계를 포함하는, 방법. - 철거된 설비의 데이터를 기초로 잔존수명에 관한 확률분포를 생성하는 방법에 있어서,
상기 철거된 설비의 데이터 중 일부 설비의 데이터를 기초로 모델 수명 확률 분포의 파라미터를 구하여 목표 분포를 생성하는 단계;
상기 목표 분포를 기초로, 상기 철거된 설비의 데이터 중 상기 일부 설비의 데이터를 제외한 데이터부터 제안 분포를 생성하는 단계;
상기 목표 분포 및 상기 제안 분포를 기초로 리젝션 샘플링을 통하여 상기 잔존수명에 관한 확률 분포를 생성하는 단계;를 포함하는,
방법. - 제10항에 있어서,
상기 모델 수명 확률 분포는 식
(a, c 및 λ는 상기 파라미터이고, t는 변수로서 수명임)
인 것을 특징으로 하는,
방법. - 제11항에 있어서,
상기 제안 분포를 생성하는 단계는, 식
(는 상기 목표 분포이고, a, c 및 λ는 구해진 상기 파라미터이고, s는 상기 철거된 설비의 경년년수이고, t는 변수로서 수명임)
에 따라 상기 제안 분포를 생성하는 단계를 포함하는,
방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190137726A KR20210051886A (ko) | 2019-10-31 | 2019-10-31 | 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190137726A KR20210051886A (ko) | 2019-10-31 | 2019-10-31 | 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210051886A true KR20210051886A (ko) | 2021-05-10 |
Family
ID=75917827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190137726A KR20210051886A (ko) | 2019-10-31 | 2019-10-31 | 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20210051886A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230119827A (ko) | 2022-02-08 | 2023-08-16 | 한국전력공사 | 설비의 잔존수명을 산출하는 관리시스템 및 그 동작방법 |
-
2019
- 2019-10-31 KR KR1020190137726A patent/KR20210051886A/ko unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230119827A (ko) | 2022-02-08 | 2023-08-16 | 한국전력공사 | 설비의 잔존수명을 산출하는 관리시스템 및 그 동작방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kobryń | DEMATEL as a weighting method in multi-criteria decision analysis | |
| JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
| CN110334816B (zh) | 一种工业设备检测方法、装置、设备及可读存储介质 | |
| CN102792327A (zh) | 用于进行消费者调查的方法 | |
| CN108241901A (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
| Siregar et al. | Forecasting of raw material needed for plastic products based in income data using ARIMA method | |
| CN110543907A (zh) | 一种基于微机监测功率曲线的故障分类方法 | |
| TWI783400B (zh) | 誤差因子的推定裝置及推定方法 | |
| JP2019028834A (ja) | 異常値診断装置、異常値診断方法、およびプログラム | |
| CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
| JP7296548B2 (ja) | 作業効率評価方法、作業効率評価装置、及びプログラム | |
| KR20210157303A (ko) | 이종 언어로 구현된 워크플로우 기반의 자동 예측 모델링 방법 및 그를 위한 장치 | |
| CN115860572A (zh) | 基于多维度运算灵活配置的供应商评价方法及系统 | |
| KR20210051886A (ko) | 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법 | |
| CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
| Ghasemi et al. | Equipment failure rate in electric power distribution networks: An overview of concepts, estimation, and modeling methods | |
| CN109460474B (zh) | 用户偏好趋势挖掘方法 | |
| CN113327062A (zh) | 信息的等级确定方法、装置、计算机设备和存储介质 | |
| KR20220039323A (ko) | 배전 자산의 건전도 평가 장치 및 방법 | |
| CN116862209A (zh) | 一种新能源汽车充电设施管理方法及系统 | |
| CN116912034A (zh) | 一种配电网工程造价数据拆分方法及辅助计算系统 | |
| CN113570070B (zh) | 流式数据采样与模型更新方法、装置、系统与存储介质 | |
| CN115293827A (zh) | 一种助力企业精细化运营的模型可解释性分析新方法 | |
| CN113962558A (zh) | 一种基于生产数据管理的工业互联网平台评价方法及系统 | |
| CN113591266A (zh) | 一种电能表故障概率的分析方法及系统 |