KR20210101914A - 고장 예지 모델 생성 장치 및 방법 - Google Patents
고장 예지 모델 생성 장치 및 방법 Download PDFInfo
- Publication number
- KR20210101914A KR20210101914A KR1020200016461A KR20200016461A KR20210101914A KR 20210101914 A KR20210101914 A KR 20210101914A KR 1020200016461 A KR1020200016461 A KR 1020200016461A KR 20200016461 A KR20200016461 A KR 20200016461A KR 20210101914 A KR20210101914 A KR 20210101914A
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- prediction model
- predictive
- model
- data
- Prior art date
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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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
-
- 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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- 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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
플랜트로부터 수집되는 데이터를 이용하여 복수의 고장 예지 모델들 중 최적의 고장 예지 모델을 선정하고, 선정된 최적의 고장 예지 모델을 이용하여 플랜트의 고장을 예지한 결과를 통해 새로운 고장 예지 모델을 생성하는 고장 예지 모델 생성 장치 및 방법에 관한 것이다.
본 발명의 실시 예에 따른 고장 예지 모델 생성 방법은 메모리에 사전에 도출된 고장 예지 모델을 저장하는 단계와, 플랜트로부터 측정되는 데이터를 수집하는 단계와, 수집된 데이터를 이용하여 복수의 고장 예지 모델 중 최적의 고장 예지 모델을 선정하는 단계와, 선정된 최적의 고장 예지 모델을 이용하여 플랜트의 고장을 예지하는 단계와, 상기 플랜트의 고장을 예지한 결과를 이용하여 상기 최적의 고장 예지 모델의 성능을 평가하는 단계와, 상기 최적의 고자 예지 모델의 성능을 평가한 결과에 따라 새로운 고장 예지 모델을 생성하는 단계와, 생성된 새로운 고장 예지 모델의 성능을 검증하는 단계를 포함한다.
본 발명의 실시 예에 따른 고장 예지 모델 생성 방법은 메모리에 사전에 도출된 고장 예지 모델을 저장하는 단계와, 플랜트로부터 측정되는 데이터를 수집하는 단계와, 수집된 데이터를 이용하여 복수의 고장 예지 모델 중 최적의 고장 예지 모델을 선정하는 단계와, 선정된 최적의 고장 예지 모델을 이용하여 플랜트의 고장을 예지하는 단계와, 상기 플랜트의 고장을 예지한 결과를 이용하여 상기 최적의 고장 예지 모델의 성능을 평가하는 단계와, 상기 최적의 고자 예지 모델의 성능을 평가한 결과에 따라 새로운 고장 예지 모델을 생성하는 단계와, 생성된 새로운 고장 예지 모델의 성능을 검증하는 단계를 포함한다.
Description
본 발명은 고장 예지 모델 생성 장치 및 방법에 관한 것으로, 보다 자세하게는 플랜트로부터 수집되는 데이터를 이용하여 복수의 고장 예지 모델들 중 최적의 고장 예지 모델을 선정하고, 선정된 최적의 고장 예지 모델을 이용하여 플랜트의 고장을 예지한 결과를 통해 새로운 고장 예지 모델을 생성하는 고장 예지 모델 생성 장치 및 방법에 관한 것이다.
일반적으로 발전 또는 화학 등의 대형 플랜트(plant)들은 다양한 종류의 수백 개의 기계 및 전기 설비들이 복잡하게 연결되어 운전되고 있다. 이런 플랜트들의 신뢰성을 확보하고 정상적인 운용을 위하여 사고의 발단이 되는 이상 징후를 상시로 감시해야 한다. 이에 플랜트를 구성하는 주요 구성 부품의 파손 여부를 실시간으로 감지하고 부품에 이상 징후가 발견되는 경우 운전자에게 알람을 발생시키는 감시장치가 이용되고 있다.
즉, 플랜트의 고장은 플랜트에 피해를 끼쳐 원하지 않는 성능을 보이게 되거나, 이에 더 나아가 플랜트가 파괴되는 경우, 사람이 다치거나 죽을 수 있으며, 환경 문제를 야기할 수도 있다. 따라서 조기에 고장을 감지할 수 있는 조기 경보 시스템이 반드시 필요하다.
일반적으로 조기 경보 시스템을 위한 플랜트의 고장 예지는 고장 예지 모델을 이용하여 수행되는데, 플랜트를 운전함에 따라 열화가 발생하고, 정비를 통한 부품의 교체 등에 따라 기기의 특성에 변화가 발생하기도 한다. 이에 따라, 초기에 생성된 고장 예지 모델은 시간이 지남에 따라 정확도가 감소하게 되는 문제가 있다.
본 발명은 앞에서 설명한 문제점을 해결하기 위한 것으로, 플랜트로부터 수집되는 데이터를 이용하여 복수의 고장 예지 모델들 중 최적의 고장 예지 모델을 선정하고, 선정된 최적의 고장 예지 모델을 이용하여 플랜트의 고장을 예지한 결과를 통해 새로운 고장 예지 모델을 생성하는 고장 예지 모델 생성 장치 및 방법을 제공하는 것을 목적으로 한다.
위에서 언급된 본 발명의 기술적 과제 외에도, 본 발명의 다른 특징 및 이점들이 이하에서 기술되거나, 그러한 기술 및 설명으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 고장 예지 모델 생성 방법은 메모리에 사전에 도출된 고장 예지 모델을 저장하는 단계와, 플랜트로부터 측정되는 데이터를 수집하는 단계와, 수집된 데이터를 이용하여 복수의 고장 예지 모델 중 최적의 고장 예지 모델을 선정하는 단계와, 선정된 최적의 고장 예지 모델을 이용하여 플랜트의 고장을 예지하는 단계와, 플랜트의 고장을 예지한 결과를 이용하여 최적의 고장 예지 모델의 성능을 평가하는 단계와, 최적의 고자 예지 모델의 성능을 평가한 결과에 따라 새로운 고장 예지 모델을 생성하는 단계와, 생성된 새로운 고장 예지 모델의 성능을 검증하는 단계를 포함할 수 있다.
또한, 앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 고장 예지 모델 생성 장치는 사전에 도출된 고장 예지 모델을 저장하는 메모리와, 플랜트로부터 측정되는 데이터를 수집하고, 수집된 데이터를 이용하여 복수의 고장 예지 모델 중 최적의 고장 예지 모델을 선정하고, 선정된 고장 예지 모델을 이용하여 플랜트의 고장을 예지하고, 플랜트의 고장을 예지한 결과를 이용하여 최적의 고장 예지 모델의 성능을 평가하고, 평가 결과에 따라 새로운 고장 예지 모델을 생성하고, 생성된 새로운 고장 예지 모델의 성능을 검증하는 프로세서를 포함할 수 있다.
본 발명의 실시 예에 따른 고장 예지 모델 생성 장치 및 방법 고장 예지 모델 생성 장치 및 방법은 최적의 고장 예지 모델을 이용하여 플랜트의 고장을 예지할 수 있다.
또한, 플랜트의 고장을 예지한 결과를 이용하여 새로운 고장 예지 모델을 생성함으로써, 플랜트의 고장을 예지하기 위한 고장 예지 모델을 업데이트할 수 있다.
또한, 현재 플랜트의 상황이 반영된 새로운 고장 예지 모델을 생성하고, 이후, 생성된 새로운 고장 예지 모델을 플랜트의 고장을 예지하기 위해 사용함으로써, 고장 예지의 신뢰성이 증가할 수 있다.
이 밖에도, 본 발명의 실시 예들을 통해 본 발명의 또 다른 특징 및 이점들이 새롭게 파악될 수도 있을 것이다.
도 1은 본 발명의 실시 예에 따른 고장 예지 모델 생성 시스템의 구성을 나타내는 도면이다.
도 2는 본 발명의 실시 예에 따른 고장 예지 모델 생성 장치의 구성을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 최적의 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 4는 본 발명의 실시 예에 따른 최적의 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 최적의 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 6은 본 발명의 실시 예에 따른 최적의 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 7은 본 발명의 실시 예에 따른 생성된 고장 예지 모델의 성능을 평가하는 것을 나타내는 도면이다.
도 8은 본 발명의 실시 예에 따른 고장 예지 모델 생성 방법을 나타내는 도면이다.
도 2는 본 발명의 실시 예에 따른 고장 예지 모델 생성 장치의 구성을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 최적의 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 4는 본 발명의 실시 예에 따른 최적의 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 최적의 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 6은 본 발명의 실시 예에 따른 최적의 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 7은 본 발명의 실시 예에 따른 생성된 고장 예지 모델의 성능을 평가하는 것을 나타내는 도면이다.
도 8은 본 발명의 실시 예에 따른 고장 예지 모델 생성 방법을 나타내는 도면이다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.
다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련 기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.
이하, 첨부한 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
도 1은 본 발명의 실시 예에 따른 고장 예지 모델 생성 시스템의 구성을 나타내는 도면이다.
도 1을 참조하면, 본 발명의 실시 예에 따른 고장 예지 모델 생성 시스템(1000)은 플랜트(100) 및 고장 예지 모델 생성 장치(200)를 포함할 수 있다.
고장 예지 모델 생성 장치(200)는 플랜트(100)로부터 수집되는 데이터를 이용하여 복수의 고장 예지 모델들 중 최적의 고장 예지 모델을 선정하고, 선정된 최적의 고장 예지 모델을 이용하여 플랜트(100)의 고장을 예지할 수 있다.
여기서, 플랜트(100)로부터 수집된 데이터는 플랜트(100)의 플랜트(100)에 포함되는 특정 구성에 대한 온도, 압력 및 습도, NOx, SOx, O2, 배기량, 효율 및 발전 출력 등을 포함할 수 있다. 또한, 플랜트(100)로부터 수집된 데이터는 플랜트(100)의 상태에 대한 데이터로, 이전 시점에서 플랜트(100)로부터 수집된 데이터 및 현재 시점에서 플랜트(100)로부터 수집된 데이터를 포함할 수 있다.
고장 예지 모델 생성 장치(200)는 플랜트(100)로부터 수집된 데이터를 기초로 선정된 최적의 예지 모델을 이용하여 플랜트(100)에 고장이 발생할 시점 및 위치를 판단하고, 플랜트(100)에 고장이 발생하게 될 원인, 예상 경보 레벨, 예지치, 트렌드를 판단할 수 있다. 이에 따라, 고장 예지 모델 생성 장치(200)는 고장을 감지하고 진단한 정보를 이용하여 플랜트(100)의 고장을 예지함으로써 보다 정확하게 플랜트(100)의 고장을 예지할 수 있다.
또한, 고장 예지 모델 생성 장치(200)는 플랜트(100)의 고장을 예지한 결과를 기초로 새로운 고장 예지 모델을 생성하고, 이후에 플랜트(100)의 고장을 예지할 때, 새로운 고장 예지 모델을 추가적으로 사용함으로써, 고장 예지의 결과의 신뢰성이 증가될 수 있다.
도 2는 본 발명의 실시 예에 따른 고장 예지 모델 생성 장치의 구성을 나타내는 도면이다.
도 2를 참조하면, 본 발명의 실시 예에 따른 고장 예지 모델 생성 장치(200)는 메모리(210) 및 프로세서(220)를 포함할 수 있다.
메모리(210)는 사전에 도출된 고장 예지 모델을 저장하고 있을 수 있다. 여기서, 사전에 도출된 고장 예지 모델은 기존의 플랜트(100)의 고장을 예지하기 위해 일반적으로 이용되어 왔던 고장 예지 모델 및 플랜트(100)의 고장을 예지한 결과를 이용하여 새롭게 생성된 고장 예지 모델을 포함할 수 있다.
프로세서(220)는 플랜트(100)로부터 데이터를 수집하고, 수집된 데이터를 분석할 수 있다. 여기서, 플랜트(100)로부터 수집된 데이터는 플랜트(100)에 포함되는 특정 구성에 대한 온도, 압력 및 습도, NOx, SOx, O2, 배기량, 효율 및 발전 출력 등을 포함할 수 있다. 또한, 플랜트(100)로부터 수집된 데이터는 플랜트(100)의 상태에 대한 데이터로, 이전 시점에서 플랜트(100)로부터 수집된 데이터 및 현재 시점에서 플랜트(100)로부터 수집된 데이터를 포함할 수 있다.
또한, 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 입력 데이터 및 출력 데이터로 분류할 수 있다. 예컨대, 플랜트(100)에 포함되는 특정 구성에 대한 온도, 압력, 습도에 따라 발전 출력은 상이할 수 있으며, 특정 구성에 대한 온도, 압력, 습도, 발전 출력은 프로세서(220)에 수집될 수 있다. 이때, 발전 출력은 최종 결과로써, 특정 구성의 고장을 판단할 수 있는 파라미터일 수 있다. 예컨대, 발전 출력이 일정 값 이하인 경우 특정 구성은 고장인 것으로 판단하는 등의 고장을 판단하는 지표가 될 수 있다. 이에 따라, 프로세서(220)는 발전 출력에 대한 데이터를 출력 데이터로 분류할 수 있다.
한편, 특정 구성에 대한 온도, 압력, 습도는 최종 결과에 영향을 주는 파라미터일 수 있다. 예컨대, 특정 구성에 대한 온도, 압력, 습도에 변화됨에 따라 최종 결과인 발전 출력 또한 변화될 수 있다. 이에 따라, 프로세서(220)는 특정 구성에 대한 온도, 압력, 습도를 입력 데이터로 분류할 수 있다.
프로세서(220)는 플랜트(100)로부터 수집된 데이터를 이용하여 복수의 고장 예지 모델 중 최적의 고장 예지 모델을 선정할 수 있다. 구체적으로, 프로세서(220)는 복수의 고장 예지 모델들을 메모리(210)로부터 리드할 수 있다. 프로세서(220)는 리드된 고장 예지 모델들의 출력값 중 수집된 데이터와 가장 유사한 값을 가지는 고장 예지 모델을 최적의 고장 예지 모델로 선정할 수 있다. 구체적으로, 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 입력 데이터 및 출력 데이터로 구분한 결과를 이용하여 최적의 고장 예지 모델을 선정할 수 있다. 프로세서(220)는 입력 데이터를 고장 예지 모델들의 입력값으로 설정할 수 있고, 입력값에 의해 고장 예지 모델들이 출력하는 출력값을 출력 데이터와 비교할 수 있다.
프로세서(220)는 고장 예지 모델들 각각에서 출력되는 출력값과 출력 데이터를 비교한 결과 잔차가 가장 작은 고장 예지 모델을 최적의 고장 예지 모델로 선정할 수 있다.
프로세서(220)는 선정된 최적의 고장 예지 모델을 이용하여 플랜트(100)의 고장을 예지할 수 있다. 프로세서(220)는 특정 시점에 대한 예지치 및 트렌드, 고장이 발생할 것으로 예상되는 시점 및 위치, 고장이 발생하게 될 원인 및 경보 레벨을 예지할 수 있다. 즉, 프로세서(220)는 플랜트(100)의 현재 상태에 따른 최적의 고장 예지 모델에 미래의 시점에 대한 입력 데이터를 입력값으로 입력함으로써, 미래의 특정 시점에서의 출력값을 예지할 수 있다.
예컨대, 현재 엔진의 회전수가 계속적으로 증가되고 있는 경우, 증가되는 정도를 기초로 미래의 특정 시점의 회전수를 추정할 수 있다. 프로세서(220)는 추정한 회전수를 최적의 고장 예지 모델의 입력값으로 입력하고, 출력되는 출력값을 기초로 플랜트의 고장을 예지할 수 있다.
또한, 프로세서(220)는 플랜트(100)의 고장을 예지한 결과를 이용하여 최적의 고장 예지 모델의 성능을 평가할 수 있다. 프로세서(220)는 최적의 고장 예지 모델을 이용하여 고장을 예지한 결과가 얼마나 정확한지에 대해 평가하는 것일 수 있다. 프로세서(220)는 최적의 고장 예지 모델을 이용하여 특정 시점에서 플랜트(100)로부터 수집될 데이터를 예지한 예지값과, 실제 특정 시점에서 플랜트(100)로부터 수집된 측정값을 비교할 수 있다. 즉, 프로세서(220)는 예지값과 측정값을 비교하여 예지값과 측정값간의 잔차를 산출하고, 산출된 잔차가 일정값 이상인 경우, 최적의 고장 예지 모델의 성능은 낮은 것으로 평가할 수 있다. 또한, 프로세서(220)는 예지값과 측정값간의 잔차가 일정값 미만인 경우, 최적의 고장 예지 모델의 성능은 높은 것으로 평가할 수 있다.
여기서, 예지값과 측정값간의 잔차가 작은 경우 최적의 고장 예지 모델은 측정값과 유사한 값을 예지값으로 예지한 것이므로, 프로세서(220)는 예지값과 측정값간의 잔차가 작은 경우, 최적의 고장 예지 모델의 성능이 좋은 것으로 평가할 수 있다. 또한, 예지값과 측정값간의 잔차가 큰 경우 최적의 고장의 예지 모델은 측정값과 유사하지 않은 값을 예지값으로 예지한 것이므로, 프로세서(220)는 예지값과 측정값간의 잔차가 큰 경우, 최적의 고장 예지 모델의 성능은 좋지 않은 것으로 평가할 수 있다.
프로세서(220)는 고장 예지 모델을 평가한 결과를 기초로 고장 예지 모델을 업데이트하기 위해 데이터를 처리할 수 있다. 프로세서(220)는 고장 예지 모델에 의해 예지된 결과, 플랜트(100)로부터 수집되는 데이터 중 고장 예지 모델의 생성에 이용될 수 있는 데이터를 처리할 수 있다. 즉, 프로세서(220)는 노이즈 데이터를 제외하고, 신뢰할 수 있는 데이터에 한해서 고장 예지 모델의 생성에 이용될 수 있는 데이터로 처리할 수 있다.
여기서, 프로세서(220)는 고장 예지 모델의 학습에 이용될 수 있는 데이터를 메모리(210)에 저장할 수 있다. 이때, 메모리(210)의 저장공간은 일정 크기를 가지며, 메모리(210)에 더 이상 저장할 수 있는 공간은 없을 수 있다. 이런 경우, 프로세서(220)는 메모리(210)에 저장된 시점이 가장 오래된 데이터의 순서로 차례대로 삭제할 수 있고, 데이터를 삭제함에 따라 남은 저장공간에 고장 예지 모델의 학습에 이용될 수 있는 데이터를 저장할 수 있다. 또한, 고장 예지 모델의 학습에 이용될 수 있는 데이터는 저장되는 순서에 따라 순차적으로 저장될 수 있다.
프로세서(220)는 생성될 새로운 고장 예지 모델의 구조를 설정할 수 있다. 프로세서(220)는 수학식의 차수, 파라미터, 선형인지 비선형인지 설정할 수 있고, 시간 딜레이(delay)의 고려 여부를 설정할 수 있다. 즉. 프로세서(220)는 새로운 고장 예지 모델을 생성하기 위한 설정값을 설정할 수 있다.
프로세서(220)는 설정된 고장 예지 모델의 설정값을 기초로 고장 예지 모델을 생성할 수 있다. 즉, 프로세서(220)는 설정된 구조, 수학식의 차수, 파라미터, 선형 또는 비선형, 시간 딜레이 고려 여부 등을 반영하여 고장 예지 모델을 생성할 수 있다.
프로세서(220)는 생성된 고장 예지 모델의 성능을 검증할 수 있다. 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 입력 데이터 및 출력 데이터로 구분한 결과를 이용하여 생성된 고장 예지 모델의 성능을 검증할 수 있다. 프로세서(220)는 입력 데이터를 생성된 고장 예지 모델의 입력값으로 설정할 수 있고, 입력값에 의해 생성된 고장 예지 모델이 출력하는 출력값을 출력 데이터와 비교할 수 있다.
프로세서(220)는 생성된 고장 예지 모델의 출력값과 출력 데이터를 비교한 결과 출력값과 출력 데이터간의 잔차가 일정크기 이상인 경우 생성된 고장 예지 모델의 성능은 낮은 것으로 검증할 수 있다. 또한, 프로세서(220)는 생성된 고장 예지 모델의 출력값과 출력 데이터간의 잔차가 일정크기 미만인 경우 생성된 고장 예지 모델의 성능은 높은 것으로 검증할 수 있다.
여기서, 출력값과 출력 데이터간의 잔차가 작은 경우 생성된 고장 예지 모델은 출력 데이터와 유사한 값을 출력한 것으로, 프로세서(220)는 출력값과 출력 데이터간의 잔차가 작은 경우, 생성된 고장 예지 모델의 성능은 좋은 것으로 검증할 수 있다. 또한, 출력값과 출력 데이터간의 잔차가 큰 경우 생성된 고장의 예지 모델은 출력 데이터와 유사하지 않은 값을 출력한 것으로, 프로세서(220)는 출력값과 출력 데이터간의 잔차가 큰 경우, 생성된 고장 예지 모델의 성능은 좋지 않은 것으로 검증할 수 있다.
프로세서(220)는 새로운 고장 예지 모델의 성능을 평가한 결과를 기초로 새로운 고장 예지 모델을 저장할지 결정할 수 있다. 프로세서(220)는 새로운 고장 예지 모델의 성능을 평가한 결과, 성능이 좋은 것으로 평가되는 경우 새로운 고장 예지 모델을 저장할 수 있다. 또한, 프로세서(220)는 새로운 고장 예지 모델의 성능을 평가한 결과, 성능이 좋지 않은 것으로 평가되는 경우 새로운 고장 예지 모델을 저장하지 않을 수 있다. 이에 따라, 프로세서(220)는 성능이 좋은 고장 예지 모델로 메모리(210)에 저장된 고장 예지 모델을 업데이트할 수 있다. 이로 인해, 현재 플랜트(100)의 상태에 적합한 고장 예지 모델을 이용하여 플랜트(100)의 고장을 예지할 수 있다.
본 발명의 실시 예에 따른 고장 예지 모델 생성 장치(200)는 플랜트(100)로부터 수집되는 데이터를 이용하여 복수의 고장 예지 모델들 중 최적의 고장 예지 모델을 선정하고, 선정된 최적의 고장 예지 모델을 이용하여 플랜트(100)의 고장을 예지한 결과를 통해 새로운 고장 예지 모델을 생성할 수 있다.
도 3은 본 발명의 실시 예에 따른 최적의 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 3을 참조하면, 메모리(210)는 사전에 도출된 고장 예지 모델을 저장하고 있을 수 있다.
프로세서(220)는 플랜트(100)로부터 데이터를 수집하고, 수집된 데이터를 데이터의 특성에 따라 입력 데이터 및 출력 데이터로 분류할 수 있다. 여기서, 출력 데이터는 플랜트(100)의 특정 구성의 고장을 판단할 수 있는 데이터이고, 입력 데이터는 출력 데이터에 영향을 주는 데이터일 수 있다.
프로세서(220)는 메모리(210)에 저장된 고장 예지 모델들(Model1 내지 Model5)을 리드할 수 있다. 프로세서(220)는 리드된 고장 예지 모델들(Model1 내지 Model5) 각각에 입력 데이터를 입력할 수 있다. 이때, 리드된 고장 예지 모델들(Model1 내지 Model5)은 입력 데이터에 대한 출력값을 출력할 수 있다.
즉, 고장 예지 모델(Model1)은 입력 데이터에 대한 출력값1을 출력할 수 있고, 고장 예지 모델(Model2)은 입력 데이터에 대한 출력값2를 출력할 수 있고, 고장 예지 모델(Model3)은 입력 데이터에 대한 출력값3을 출력할 수 있고, 고장 예지 모델(Model4)은 입력 데이터에 대한 출력값4를 출력할 수 있고, 고장 예지 모델(Model5)은 입력 데이터에 대한 출력값5를 출력할 수 있다.
도 4는 본 발명의 실시 예에 따른 최적의 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 4를 참조하면, 프로세서(220)는 고장 예지 모델들(Model1 내지 Model5) 각각에서 출력된 출력값을 출력 데이터와 비교할 수 있다.
즉, 프로세서(220)는 고장 예지 모델(Model1)에서 출력된 출력값1과 출력 데이터를 비교하고, 고장 예지 모델(Model2)에서 출력된 출력값2와 출력 데이터를 비교하고, 고장 예지 모델(Model3)에서 출력된 출력값3과 출력 데이터를 비교하고, 고장 예지 모델(Model4)에서 출력된 출력값4와 출력 데이터를 비교하고, 고장 예지 모델(Model5)에서 출력된 출력값5와 출력 데이터를 비교할 수 있다.
도 5는 본 발명의 실시 예에 따른 최적의 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 5를 참조하면, 프로세서(220)는 고장 예지 모델들(Model1 내지 Model5)에서 출력된 출력값 각각과 출력 데이터를 비교하여 고장 예지 모델들(Model1 내지 Model5)에서 출력된 출력값 각각과 출력 데이터간의 잔차를 산출할 수 있다.
예컨대, 고장 예지 모델(Model1)에서 출력된 출력값1과 출력 데이터를 비교한 결과, 출력값1과 출력 데이터의 잔차는 10일 수 있고, 고장 예지 모델(Model2)에서 출력된 출력값2와 출력 데이터를 비교한 결과, 출력값2와 출력 데이터의 잔차는 8일 수 있다. 또한, 고장 예지 모델(Model3)에서 출력된 출력값3과 출력 데이터를 비교한 결과, 출력값3과 출력 데이터의 잔차는 2일 수 있고, 고장 예지 모델(Model4)에서 출력된 출력값4와 출력 데이터를 비교한 결과, 출력값4와 출력 데이터의 잔차는 3일 수 있고, 고장 예지 모델(Model5)에서 출력된 출력값5와 출력 데이터를 비교한 결과, 출력값5와 출력 데이터의 잔차는 6일 수 있다.
도 6은 본 발명의 실시 예에 따른 최적의 고장 예지 모델을 선정하는 것을 나타내는 도면이다.
도 6을 참조하면, 프로세서(220)는 고장 예지 모델들(Model1 내지 Model5)에서 출력된 출력값 각각과 출력 데이터를 비교한 결과를 기초로 최적의 고장 예지 모델을 선정할 수 있다.
프로세서(220)는 고장 예지 모델들(Model1 내지 Model5)에서 출력된 출력값 중 출력 데이터와의 잔차가 가장 작은 고장 예지 모델을 최적의 고장 예지 모델(Model3)로 선정할 수 있다. 선정된 최적의 고장 예지 모델(Model3)은 현재 플랜트(100)의 상태와 가장 유사한 모델이며, 이를 이용하여 플랜트(100)의 고장을 예지함으로써, 더 정확하게 플랜트(100)의 고장을 예지할 수 있다.
프로세서(220)는 선정된 최적의 고장 예지 모델(Model3)을 이용하여 특정 시점에 대한 예지치 및 트렌드, 고장이 발생할 것으로 예상되는 시점 및 위치, 고장이 발생하게 될 원인 및 경보 레벨을 예지할 수 있다.
도 7은 본 발명의 실시 예에 따른 최적의 고장 예지 모델의 성능을 평가하는 것을 나타내는 도면이다.
도 7을 참조하면, 프로세서(220)는 최적의 고장 예지 모델의 성능을 평가할 수 있다. 프로세서(220)는 최적의 고장 예지 모델을 이용하여 특정 시점에서 플랜트(100)로부터 수집될 데이터를 예지할 수 있다. 프로세서(220)는 최적의 고장 예지 모델에서 예지한 예지값과, 특정 시점에서 플랜트(100)로부터 수집된 측정값을 비교할 수 있다. 즉, 프로세서(220)는 예지값과 측정값을 비교하여 예지값과 측정값간의 잔차를 산출하고, 산출된 잔차가 일정값 이상인 경우, 최적의 고장 예지 모델의 성능은 낮은 것으로 평가할 수 있다. 또한, 프로세서(220)는 예지값과 측정값간의 잔차가 일정값 미만인 경우, 최적의 고장 예지 모델의 성능은 높은 것으로 평가할 수 있다.
예컨대, 플랜트(100)로부터 측정되는 데이터는 일정 시간 간격으로 프로세서(220)에 수집될 수 있다. 즉, 프로세서(220)는 현재 시점인 k에서 데이터를 수집할 수 있고, k로부터 일정 시간 이전인 k-1에서 데이터를 수집했을 수 있다. 또한, 프로세서(220)는 k-1로부터 일정 시간 이전인 k-2에서 데이터를 수집했을 수 있다. 이에 따르면, k-7 내지 k-1까지의 값은 해당 시점에 플랜트(100)로부터 측정된 값일 수 있다.
여기서, 최적의 고장 예지 모델은 k-1 시점에서 k 시점에 플랜트(100)에서 측정될 데이터를 예지할 수 있다. 프로세서(220)는 최적의 고장 예지 모델을 이용하여 k 시점에서의 예지값(10)을 예지하고, k 시점에서의 예지값(10)과 k 시점에서 실제 플랜트(100)의 측정값(20)을 비교할 수 있다. 프로세서(220)는 k 시점에서의 예지값(10)과 측정값(20)간의 잔차(r(k))를 산출할 수 있고, 산출된 잔차가 일정값 이상인 경우, 최적의 고장 예지 모델의 성능은 낮은 것으로 평가할 수 있다. 또한, 프로세서(220)는 k 시점에서의 예지값(10)과 측정값(20)간의 잔차가 일정값 미만인 경우, 최적의 고장 예지 모델의 성능은 높은 것으로 평가할 수 있다.
프로세서(220)는 최적의 고장 예지 모델의 성능을 평가한 결과, 성능이 좋은 것으로 평가되는 경우 새로운 고장 예지 모델을 생성하지 않을 수 있고, 최적의 고장 예지 모델의 성능이 좋지 않은 것으로 평가되는 경우 새로운 고장 예지 모델을 생성하기 위해 수집된 데이터를 처리하고, 생성될 고장 예지 모델의 구조를 설정할 수 있다.
도 8은 본 발명의 실시 예에 따른 고장 예지 모델 생성 방법을 나타내는 도면이다.
도 8을 참조하면, 프로세서(220)는 플랜트(100)로부터 데이터를 수집할 수 있다(S100). 플랜트(100)로부터 수집된 데이터는 플랜트(100)의 플랜트(100)에 포함되는 특정 구성에 대한 온도, 압력 및 습도, NOx, SOx, O2, 배기량, 효율 및 발전 출력 등을 포함할 수 있다. 또한, 플랜트(100)로부터 수집된 데이터는 플랜트(100)의 상태에 대한 데이터로, 이전 시점에서 플랜트(100)로부터 수집된 데이터 및 현재 시점에서 플랜트(100)로부터 수집된 데이터를 포함할 수 있다.
또한, 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 입력 데이터 및 출력 데이터로 분류할 수 있다. 예컨대, 출력 데이터는 최종 결과로써, 특정 구성의 고장을 판단할 수 있는 파라미터일 수 있고, 입력 데이터는 특정 구성에 대한 최종 결과에 영향을 주는 파라미터일 수 있다.
프로세서(220)는 수집된 데이터를 이용하여 저장된 고장 예지 모델들 중 최적의 고장 예지 모델을 선정할 수 있다(S200). 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 입력 데이터 및 출력 데이터로 구분한 결과를 이용하여 최적의 고장 예지 모델을 선정할 수 있다. 프로세서(220)는 입력 데이터를 고장 예지 모델들의 입력값으로 설정할 수 있고, 입력값에 의해 고장 예지 모델들이 출력하는 출력값을 출력 데이터와 비교할 수 있다.
프로세서(220)는 고장 예지 모델들 각각에서 출력되는 출력값과 출력 데이터를 비교한 결과 잔차가 가장 작은 고장 예지 모델을 최적의 고장 예지 모델로 선정할 수 있다.
프로세서(220)는 선정된 최적의 고장 예지 모델을 이용하여 플랜트(100)의 고장을 예지할 수 있다(S300). 프로세서(220)는 특정 시점에 대한 예지치 및 트렌드, 고장이 발생할 것으로 예상되는 시점 및 위치, 고장이 발생하게 될 원인 및 경보 레벨을 예지할 수 있다. 즉, 프로세서(220)는 플랜트(100)의 현재 상태에 따른 최적의 고장 예지 모델에 미래의 시점에 대한 입력 데이터를 입력값으로 입력함으로써, 미래의 특정 시점에서의 출력값을 예지할 수 있다.
프로세서(220)는 고장을 예지한 결과를 기초로 최적의 고장 예지 모델의 성능을 평가할 수 있다(S400). 프로세서(220)는 최적의 고장 예지 모델을 이용하여 특정 시점에서 플랜트(100)로부터 수집될 데이터를 예지한 예지값과, 실제 특정 시점에서 플랜트(100)로부터 수집된 측정값을 비교할 수 있다. 즉, 프로세서(220)는 예지값과 측정값을 비교하여 예지값과 측정값간의 잔차를 산출하고, 산출된 잔차가 일정값 이상인 경우, 최적의 고장 예지 모델의 성능은 낮은 것으로 평가할 수 있다. 또한, 프로세서(220)는 예지값과 측정값간의 잔차가 일정값 미만인 경우, 최적의 고장 예지 모델의 성능은 높은 것으로 평가할 수 있다.
프로세서(220)는 최적의 고장 예지 모델의 성능을 평가한 결과에 따라 새로운 고장 예지 모델을 생성할 수 있다(S500). 프로세서(220)는 최적의 고장 예지 모델의 성능을 평가한 결과, 최적의 고장 예지 모델의 성능이 높은 것으로 평가되면, 새로운 고장 예지 모델을 생성하지 않고, 최적의 고장 예지 모델의 성능이 낮은 것으로 평가되면 새로운 고장 예지 모델을 생성할 수 있다.
프로세서(220)는 생성된 고장 예지 모델의 성능을 검증할 수 있다(S600). 프로세서(220)는 플랜트(100)로부터 수집된 데이터를 입력 데이터 및 출력 데이터로 구분한 결과를 이용하여 생성된 고장 예지 모델의 성능을 검증할 수 있다. 프로세서(220)는 입력 데이터를 생성된 고장 예지 모델의 입력값으로 설정할 수 있고, 입력값에 의해 생성된 고장 예지 모델이 출력하는 출력값을 출력 데이터와 비교할 수 있다.
프로세서(220)는 생성된 고장 예지 모델의 출력값과 출력 데이터를 비교한 결과 출력값과 출력 데이터간의 잔차가 일정크기 이상인 경우 생성된 고장 예지 모델의 성능은 낮은 것으로 검증할 수 있다. 또한, 프로세서(220)는 생성된 고장 예지 모델의 출력값과 출력 데이터간의 잔차가 일정크기 미만인 경우 생성된 고장 예지 모델의 성능은 높은 것으로 검증할 수 있다.
전술한 바와 같이 본 발명의 실시 예에 따르면 플랜트로부터 수집되는 데이터를 이용하여 복수의 고장 예지 모델들 중 최적의 고장 예지 모델을 선정하고, 선정된 최적의 고장 예지 모델을 이용하여 플랜트의 고장을 예지한 결과를 통해 새로운 고장 예지 모델을 생성하는 고장 예지 모델 생성 및 방법을 실현할 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.
100: 플랜트
200: 고장 예지 모델 생성 장치
210: 메모리
220: 프로세서
200: 고장 예지 모델 생성 장치
210: 메모리
220: 프로세서
Claims (20)
- 메모리에 사전에 도출된 고장 예지 모델을 저장하는 단계;
플랜트로부터 측정되는 데이터를 수집하는 단계;
수집된 데이터를 이용하여 복수의 고장 예지 모델 중 최적의 고장 예지 모델을 선정하는 단계;
선정된 최적의 고장 예지 모델을 이용하여 플랜트의 고장을 예지하는 단계;
상기 플랜트의 고장을 예지한 결과를 이용하여 상기 최적의 고장 예지 모델의 성능을 평가하는 단계;
상기 최적의 고자 예지 모델의 성능을 평가한 결과에 따라 새로운 고장 예지 모델을 생성하는 단계; 및
생성된 새로운 고장 예지 모델의 성능을 검증하는 단계를 포함하는 고장 예지 모델 생성 방법.
- 제1항에 있어서,
상기 최적의 고장 예지 모델의 성능을 평가하는 단계는,
상기 최적의 고장 예지 모델을 이용하여 미래 특정 시점에서 플랜트로부터 측정될 데이터를 예지한 예지값과, 미래 특정 시점에서 플랜트에서 측정되는 측정값을 비교하여 상기 최적의 고장 예지 모델의 성능을 평가하는 고장 예지 모델 생성 방법.
- 제2항에 있어서,
상기 최적의 고장 예지 모델의 성능을 평가하는 단계는,
상기 예지값과 상기 측정값을 비교한 결과, 상기 예지값과 상기 측정값간의 잔차가 일정크기 이상인 경우, 상기 최적의 고장 예지 모델의 성능이 낮은 것으로 평가하고, 상기 예지값과 상기 측정값간의 잔차가 일정크기 미만인 경우, 상기 최적의 고장 예지 모델의 성능이 높은 것으로 평가하는 고장 예지 모델을 저장하는 고장 예지 모델 생성 방법.
- 제1항에 있어서,
상기 최적의 고장 예지 모델의 성능을 평가하는 단계는,
상기 최적의 고장 예지 모델의 성능을 평가한 결과, 상기 최적의 고장 예지 모델의 성능이 높은 것으로 평가되면, 새로운 고장 예지 모델을 생성하지 않고, 상기 최적의 고장 예지 모델의 성능이 낮은 것으로 평가되면 새로운 고장 예지 모델을 생성하기 위한 데이터를 처리하는 고장 예지 모델 생성 방법.
- 제1항에 있어서,
상기 새로운 고장 예지 모델을 생성하는 단계는,
생성될 새로운 고장 예지 모델의 구조를 설정하고, 상기 모델의 구조는 파라미터, 수학식의 차수, 선형인지 비선형인지 중 적어도 하나를 포함하는 고장 예지 모델 생성 방법.
- 제1항에 있어서,
상기 데이터를 수집하는 단계는,
상기 플랜트로부터 수집되는 데이터 중 플랜트의 고장을 판단할 수 있는 데이터를 출력 데이터로 분류하고, 상기 출력 데이터에 영향을 주는 데이터를 입력 데이터로 분류하고,
상기 입력 데이터와 상기 출력 데이터를 매칭하여 저장하는 고장 예지 모델 생성 방법.
- 제6항에 있어서,
상기 최적의 고장 예지 모델을 선정하는 단계는,
상기 복수의 고장 예지 모델에 상기 입력 데이터를 입력하고, 상기 복수의 고장 예지 모델들 각각에서 출력되는 출력값과 상기 입력 데이터와 매칭되는 상기 출력 데이터를 비교하고, 상기 출력값과 상기 출력 데이터간의 잔차가 가장 작은 고장 예지 모델을 최적의 고장 예지 모델로 선정하는 고장 예지 모델 생성 방법.
- 제1항에 있어서,
상기 플랜트의 고장을 예지하는 단계는,
특정 시점에 대한 예지치 및 트렌드, 고장이 발생할 것으로 예상되는 시점, 위치 및 경보 레벨, 고장이 발생하는 원인을 예지하는 고장 예지 모델 생성 방법.
- 제6항에 있어서,
상기 새로운 고장 예지 모델의 성능을 검증하는 단계는,
상기 새로운 고장 예지 모델에 상기 입력 데이터를 입력하고, 상기 새로운 고장 예지 모델에서 출력되는 출력값과 상기 입력 데이터와 매칭되는 상기 출력 데이터를 비교하여 상기 새로운 고장 예지 모델의 성능을 검증하는 고장 예지 모델 생성 방법.
- 제7항에 있어서,
상기 새로운 고장 예지 모델의 성능을 검증하는 단계는,
상기 출력값과 상기 출력 데이터를 비교한 결과, 상기 출력값과 상기 출력 데이터간의 잔차가 일정크기 이상인 경우, 상기 새로운 고장 예지 모델의 성능이 낮은 것으로 검증하고, 상기 출력값과 상기 출력 데이터간의 잔차가 일정크기 미만인 경우, 새로운 고장 예지 모델의 성능이 높은 것으로 검증하는 고장 예지 모델 생성 방법.
- 사전에 도출된 고장 예지 모델을 저장하는 메모리; 및
플랜트로부터 측정되는 데이터를 수집하고, 수집된 데이터를 이용하여 복수의 고장 예지 모델 중 최적의 고장 예지 모델을 선정하고, 선정된 고장 예지 모델을 이용하여 플랜트의 고장을 예지하고, 플랜트의 고장을 예지한 결과를 이용하여 최적의 고장 예지 모델의 성능을 평가하고, 평가 결과에 따라 새로운 고장 예지 모델을 생성하고, 생성된 새로운 고장 예지 모델의 성능을 검증하는 프로세서를 포함하는 고장 예지 모델 생성 장치.
- 제11항에 있어서,
상기 프로세서는 상기 최적의 고장 예지 모델을 이용하여 미래 특정 시점에서 플랜트로부터 측정될 데이터를 예지한 예지값과, 미래 특정 시점에서 플랜트에서 측정되는 측정값을 비교하여 상기 최적의 고장 예지 모델의 성능을 평가하는 고장 예지 모델 생성 장치.
- 제12항에 있어서,
상기 프로세서는 상기 예지값과 상기 측정값을 비교한 결과, 상기 예지값과 상기 측정값간의 잔차가 일정크기 이상인 경우, 상기 최적의 고장 예지 모델의 성능이 낮은 것으로 평가하고, 상기 예지값과 상기 측정값간의 잔차가 일정크기 미만인 경우, 상기 최적의 고장 예지 모델의 성능이 높은 것으로 평가하는 고장 예지 모델을 저장하는 고장 예지 모델 생성 장치.
- 제11항에 있어서,
상기 프로세서는 상기 최적의 고장 예지 모델의 성능을 평가한 결과, 상기 최적의 고장 예지 모델의 성능이 높은 것으로 평가되면, 새로운 고장 예지 모델을 생성하지 않고, 상기 최적의 고장 예지 모델의 성능이 낮은 것으로 평가되면 새로운 고장 예지 모델을 생성하기 위한 데이터를 처리하는 고장 예지 모델 생성 장치.
- 제11항에 있어서,
상기 프로세서는 생성될 새로운 고장 예지 모델의 구조를 설정하고, 상기 모델의 구조는 파라미터, 수학식의 차수, 선형인지 비선형인지 중 적어도 하나를 포함하는 고장 예지 모델 생성 장치.
- 제11항에 있어서,
상기 프로세서는 상기 플랜트로부터 수집되는 데이터 중 플랜트의 고장을 판단할 수 있는 데이터를 출력 데이터로 분류하고, 상기 출력 데이터에 영향을 주는 데이터를 입력 데이터로 분류하고,
상기 입력 데이터와 상기 출력 데이터를 매칭하여 저장하는 고장 예지 모델 생성 장치.
- 제16항에 있어서,
상기 프로세서는 상기 복수의 고장 예지 모델에 상기 입력 데이터를 입력하고, 상기 복수의 고장 예지 모델들 각각에서 출력되는 출력값과 상기 입력 데이터와 매칭되는 상기 출력 데이터를 비교하고, 상기 출력값과 상기 출력 데이터간의 잔차가 가장 작은 고장 예지 모델을 최적의 고장 예지 모델로 선정하는 고장 예지 모델 생성 장치.
- 제11항에 있어서,
상기 프로세서는 특정 시점에 대한 예지치 및 트렌드, 고장이 발생할 것으로 예상되는 시점, 위치 및 경보 레벨, 고장이 발생하는 원인을 예지하는 고장 예지 모델 생성 장치.
- 제16항에 있어서,
상기 프로레서는 상기 새로운 고장 예지 모델에 상기 입력 데이터를 입력하고, 상기 새로운 고장 예지 모델에서 출력되는 출력값과 상기 입력 데이터와 매칭되는 상기 출력 데이터를 비교하여 상기 새로운 고장 예지 모델의 성능을 검증하는 고장 예지 모델 생성 장치.
- 제16항에 있어서,
상기 프로세서는 상기 출력값과 상기 출력 데이터를 비교한 결과, 상기 출력값과 상기 출력 데이터간의 잔차가 일정크기 이상인 경우, 상기 새로운 고장 예지 모델의 성능이 낮은 것으로 검증하고, 상기 출력값과 상기 출력 데이터간의 잔차가 일정크기 미만인 경우, 새로운 고장 예지 모델의 성능이 높은 것으로 검증하는 고장 예지 모델 생성 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200016461A KR102350637B1 (ko) | 2020-02-11 | 2020-02-11 | 고장 예지 모델 생성 장치 및 방법 |
| US17/165,544 US11334053B2 (en) | 2020-02-11 | 2021-02-02 | Failure prediction model generating apparatus and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200016461A KR102350637B1 (ko) | 2020-02-11 | 2020-02-11 | 고장 예지 모델 생성 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210101914A true KR20210101914A (ko) | 2021-08-19 |
| KR102350637B1 KR102350637B1 (ko) | 2022-01-14 |
Family
ID=77492890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200016461A KR102350637B1 (ko) | 2020-02-11 | 2020-02-11 | 고장 예지 모델 생성 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102350637B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101518720B1 (ko) * | 2015-02-15 | 2015-05-08 | (주)부품디비 | 해양자원 생산장비의 예지보전을 위한 고장유형관리 장치 및 방법 |
| KR101827108B1 (ko) | 2016-05-04 | 2018-02-07 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
-
2020
- 2020-02-11 KR KR1020200016461A patent/KR102350637B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101518720B1 (ko) * | 2015-02-15 | 2015-05-08 | (주)부품디비 | 해양자원 생산장비의 예지보전을 위한 고장유형관리 장치 및 방법 |
| KR101827108B1 (ko) | 2016-05-04 | 2018-02-07 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102350637B1 (ko) | 2022-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101955305B1 (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
| EP3809220A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
| KR102025145B1 (ko) | 플랜트 데이터 예측 장치 및 방법 | |
| US7483774B2 (en) | Method and system for intelligent maintenance | |
| US8751423B2 (en) | Turbine performance diagnostic system and methods | |
| CN113383282A (zh) | 校正离子注入半导体制造工具中的部件故障 | |
| CN117114454B (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
| KR102366922B1 (ko) | 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템 및 그 방법 | |
| CN117973902B (zh) | 一种基于保电平台故障处置智能决策方法及系统 | |
| US20220329613A1 (en) | Attack detection and localization with adaptive thresholding | |
| CN116756909A (zh) | 一种基于数据模型及机理模型的火电厂预警诊断系统 | |
| KR102470112B1 (ko) | 원전의 지능형 상태감시 방법 및 시스템 | |
| CN116777088B (zh) | 用于保障生命安全的供电应急抢修环境监测方法及系统 | |
| KR102350636B1 (ko) | 플랜트 고장 예지 장치 및 방법 | |
| CN111555899B (zh) | 告警规则配置方法、设备状态监测方法、装置和存储介质 | |
| KR102350637B1 (ko) | 고장 예지 모델 생성 장치 및 방법 | |
| US20210247742A1 (en) | Failure prediction model generating apparatus and method thereof | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| US11665193B2 (en) | Method for managing plant, plant design device, and plant management device | |
| KR20210087373A (ko) | 플랜트의 고장을 진단하기 위한 장치 및 이를 위한 방법 | |
| KR102350635B1 (ko) | 플랜트 고장 예지 장치 및 방법 | |
| JP2023104104A (ja) | 運転支援装置、運転支援方法及びプログラム | |
| KR102372729B1 (ko) | 플랜트 수명 예지 장치 및 방법 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| KR102667861B1 (ko) | 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |