KR20220011461A - 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치 및 방법 - Google Patents

디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치 및 방법 Download PDF

Info

Publication number
KR20220011461A
KR20220011461A KR1020200090397A KR20200090397A KR20220011461A KR 20220011461 A KR20220011461 A KR 20220011461A KR 1020200090397 A KR1020200090397 A KR 1020200090397A KR 20200090397 A KR20200090397 A KR 20200090397A KR 20220011461 A KR20220011461 A KR 20220011461A
Authority
KR
South Korea
Prior art keywords
data
virtual model
digital twin
model
power generation
Prior art date
Application number
KR1020200090397A
Other languages
English (en)
Inventor
오준석
김재동
손종덕
김흥수
김희수
최우성
김나연
임우철
Original Assignee
한국전력공사
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 한국전력공사 filed Critical 한국전력공사
Priority to KR1020200090397A priority Critical patent/KR20220011461A/ko
Publication of KR20220011461A publication Critical patent/KR20220011461A/ko

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; 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
    • G05B23/0218—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
    • G05B23/0256—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 injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

불필요한(redundant) 데이터를 학습에서 제외시켜 필요한 데이터만으로 학습시켜 발전 설비 데이터의 상관성 분석과 결함을 진단할 수 있는 유용한 데이터를 처리하는 발전 설비 고장 진단 장치가 개시된다. 상기 발전 설비 고장 진단 장치는, 사용자에 의해 입력된 입력 데이터를 이용하여 발전 설비의 물리적 거동을 모사하는 디지털 트윈 가상 모델을 생성하고, 실험장치에 의해 생성되는 실험 데이터를 이용하여 상기 디지털 트윈 가상 모델에 의해 생성되는 가상 모델 데이터를 비교 검증하는 검증부, 상기 검증이 완료된 상기 디지털 트윈 가상 모델 기반으로 다수의 결함 모사 데이터를 생성하는 데이터 생성부, 및 다수의 상기 결함 모사 데이터에 대해 상관성이 있는 다수의 태그를 선별하는 분석부를 포함하는 것을 특징으로 한다.

Description

디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치 및 방법{Apparatus and Method for diagnosing failure of power facility using digital twin virtual model}
본 발명은 발전 설비 고장 진단 기술에 관한 것으로서, 더 상세하게는 특정 상태의 데이터가 부족한 데이터 부족 문제를 해결하기 위해 증기 터빈의 물리적 거동을 모사할 수 있는 가상 모델을 개발하여 부족한 상태의 터빈 데이터를 생성하고, 인공지능 기반 고장 탐지 알고리즘의 학습 데이터로 활용하여 터빈의 고장 진단을 가능하게 하는 발전 설비 고장 진단 장치 및 방법에 대한 것이다.
이상 감지(Anomaly Detection) 기술은 발전소 주요기기에 대한 이상 상태를 감지하여 발전 설비의 효과적인 운영 및/또는 유지 보수를 가능하게 해주는 기술이다. 또한, 결함 진단(Fault Diagnosis) 기술은 발전소 주요기기에 대한 현재까지의 상태를 확인하고 이상 혹은 고장에 대한 원인을 규명하고 필요 대책을 찾는 기술이다.
결함진단(Fault Diagnosis) 기술은 이상 감지된 신호의 이상유무 뿐 아니라 설비 고장의 유형과 원인을 알려주어 발전소 정비의 범위와 시점을 결정을 지원하는 핵심적인 기술이다.
일반적으로 발전소 주요 기기에 대한 이상 상태가 발생하기 전에 비정상 상황으로 변화해가는 추세를 감지하는 이상상태 감지기술에 국한되어 있고, 결함진단의 단계까지 확장되지 못한다. 왜냐하면, 설비 고장 상태의 데이터 부족 문제로 인공지능 학습의 어려움 때문이다. 현실적으로 발전소에서 주기적인 유지보수 활동으로 고장발생 빈도가 높지 않지만 주기정비로 인한 비용이 지속적으로 발생한다.
이와 같은 현실적인 문제를 극복하기 위해 실제 터빈 시스템의 물리적 거동을 모사할 수 있는 디지털 트윈 가상 모델을 개발하고 터빈의 결함 운전 조건에서의 데이터를 생성하여 결함상태에서의 부족한 데이터를 보완하고, 이를 머신러닝 및 딥러닝의 훈련 데이터(training data)로 활용하기 위한 데이터 증강에 관한 방법이다.
위와 같이 데이터 증강을 통해 학습할 경우, 기존의 데이터보다 훨씬 많은 양의 데이터를 학습하기 때문에 막대한 학습 시간이 소요되고 매우 높은 컴퓨팅 연산(computing power)이 요구된다. 이에 따라, 불필요한(redundant) 데이터를 학습에서 제외시켜 반드시 필요한 데이터만 학습시키는 기술이 요구되고 있다.
1. 한국공개특허번호 제10-2016-0129177호
본 발명은 위 배경기술에 따른 문제점을 해소하기 위해 제안된 것으로서, 불필요한(redundant) 데이터를 학습에서 제외시켜 필요한 데이터만으로 학습시켜 발전 설비 데이터의 상관성 분석과 결함을 진단할 수 있는 유용한 데이터를 처리하는 발전 설비 고장 진단 장치 및 방법을 제공하는데 그 목적이 있다.
또한, 본 발명은 발전 설비의 결함 진단을 위한 디지털 트윈 기술을 활용한 데이터 증강 및 최적 태그 선정이 가능한 발전 설비 고장 진단 장치 및 방법을 제공하는데 다른 목적이 있다.
본 발명은 위에서 제시된 과제를 달성하기 위해, 불필요한(redundant) 데이터를 학습에서 제외시켜 필요한 데이터만으로 학습시켜 발전 설비 데이터의 상관성 분석과 결함을 진단할 수 있는 유용한 데이터를 처리하는 발전 설비 고장 진단 장치를 제공한다.
상기 발전 설비 고장 진단 장치는,
사용자에 의해 입력된 입력 데이터를 이용하여 발전 설비의 물리적 거동을 모사하는 디지털 트윈 가상 모델을 생성하고, 실험장치에 의해 생성되는 실험 데이터를 이용하여 상기 디지털 트윈 가상 모델에 의해 생성되는 가상 모델 데이터를 비교 검증하는 검증부;
상기 검증이 완료된 상기 디지털 트윈 가상 모델 기반으로 다수의 결함 모사 데이터를 생성하는 데이터 생성부; 및
다수의 상기 결함 모사 데이터에 대해 상관성이 있는 다수의 태그를 선별하는 분석부;를 포함하는 것을 특징으로 한다.
이때, 상기 디지털 트윈 가상 모델은 상기 발전 설비를 단순화한 해석적 모델을 생성하고, 상기 해석적 모델을 참고문헌의 데이터를 통해 1차 비교 검증함으로써 유한요소 모델로 확장되어 생성되는 것을 특징으로 한다.
또한, 상기 유한요소 모델은 상기 해석적 모델과 확장된 유한요소 모델의 비교를 통해 2차 비교 검증되는 것을 특징으로 한다.
또한, 상기 실험 장치는 회전 기계(rotor)에 대한 실험을 측정하여 상기 실험 데이터를 생성하는 것을 특징으로 한다.
또한, 상기 실험 데이터는 분(minute) 단위이며, 획득 주기(sampling rate)는 8500Hz이며, 데이터 취득 시간은 70초인 것을 특징으로 한다.
또한, 상기 실험 데이터와 상기 가상 모델 데이터간의 비교 검증은 주파수 영역(Fast Fourier Transform plot), 시간 영역(Time-series plot), 및 경향성(orbit plot)에 대한 비교인 것을 특징으로 한다.
또한, 다수의 상기 결함 모사 데이터는 상기 실험 데이터에 미리 설정되는 화이트 노이즈를 추가하여 생성되는 것을 특징으로 한다.
또한, 상기 상관성은 피어슨 상관 계수(Pearson coefficient of correlation) 기법에 따른 상관 계수이며, +1 내지 -1 의 값인 것을 특징을 한다.
또한, 상기 상관성은 상기 발전 설비의 결함과 관련 정도에 따라 +1에 가까운 강한 양의 상관성, 양의 상관성, -1에 가까운 음의 상관성, 및 0에 가까운 비상관성 중 어느 하나가 되는 것을 특징으로 한다.
또한, 상기 실험 데이터는 상기 발전 설비의 정상(normal) 상태, 불균형(unbalance) 상태, 및 정렬불량(misalignment) 상태의 데이터 중 적어도 하나인 것을 특징으로 한다.
다른 한편으로, 본 발명의 다른 일실시예는, 검증부가 사용자에 의해 입력된 입력 데이터를 이용하여 발전 설비의 물리적 거동을 모사하는 디지털 트윈 가상 모델을 생성하는 단계; (b) 상기 검증부가 실험장치에 의해 생성되는 실험 데이터를 이용하여 상기 디지털 트윈 가상 모델에 의해 생성되는 가상 모델 데이터를 비교 검증하는 단계; (c) 데이터 생성부가 상기 검증이 완료된 상기 디지털 트윈 가상 모델 기반으로 다수의 결함 모사 데이터를 생성하는 단계; 및 (d) 분석부가 다수의 상기 결함 모사 데이터에 대해 상관성이 있는 다수의 태그를 선별하는 단계;를 포함하는 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 방법을 제공한다.
본 발명에 따르면, 발전 설비에 결함이 발생했을 때 이를 감지하는 것은 물론, 어떤 종류의 결함이 발생했는지 진단할 수 있을 것으로 기대된다. 이는 발전소의 증기 터빈, 가스 터빈 및 회전기기(발전기, 고압 펌프, 급수 펌프 등) 등 진동 신호를 계측할 수 있는 다양한 산업 설비에 적용 가능하며, 발전 설비의 건전성 이상 감지, 상태 진단 및/또는 예측에 활용될 수 있을 것으로 기대된다.
또한, 본 발명의 다른 효과로서는 가상 모델을 통해 실제 발전소에서 획득하기 힘든 고장 데이터를 획득함으로써 인공지능 고장 진단 알고리즘의 성능 향상뿐만 아니라 이상감지(anomaly detection)에 머물러 있는 기술의 수준을 결함 진단(분류) 수준으로 향상할 수 시킬 수 있다는 점을 들 수 있다.
또한, 본 발명의 또 다른 효과로서는 오버홀(overhaul)과 같은 계획예방정비 후 시스템에 변화가 있을 경우, 인공지능 기반 알고리즘에 새로운 데이터를 학습시켜주어야 하는데, 이때 가상 모델을 통해 생성한 데이터를 기반으로 사전 학습(pre-training)된 모델이 있다면 백지상태의 인공지능 고장 진단 알고리즘에서 학습을 시작하는 것에 비해 학습 속도를 월등히 향상시킬 수 있다는 점을 들 수 있다.
또한, 본 발명의 또 다른 효과로서는 발전 설비로부터 수 만개의 센서를 통해 획득하는 모든 데이터를 실시간으로 학습하는 것에는 천문학적인 시간 및 비용이 소요됨에 반해, 가상 모델을 통해 생성한 데이터를 바탕으로 센서 데이터들의 상관성 및 민감도 분석을 통해 최적의 데이터만 추출함으로써 인공지능 기반 고장 진단 알고리즘 학습 효율 및 진단 성능을 향상시킬 수 있다는 점을 들 수 있다.
도 1은 본 발명의 일실시예에 따른 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치의 구성 블럭도이다.
도 2는 본 발명의 일실시예에 따른 디지털 트윈 가상 모델기반 데이터 증강 및 최적 태그 추출 과정을 보여주는 흐름도이다.
도 3은 본 발명의 일실시예에 따른 결함 모사 데이터의 상관성 분석을 보여주는 그래프이다.
도 4는 본 발명의 일실시예에 따른 가상 모델에 적용되는 데이터를 생성하는 개념도이다.
도 5는 일반적인 참고문헌의 데이터를 나타내는 그래프이다.
도 6은 일반적인 해석 모델 및 유한 요소 모델의 결과를 나타내는 그래프이다.
도 7은 도 5 내지 도 6에 따른 해석 모델의 결과를 나타내는 그래프이다.
도 8은 도 5 내지 도 6에 따른 유한 요소 모델의 결과를 나타내는 그래프이다.
도 9는 본 발명의 일실시예에 따른 정상, 불균형, 및 정렬 불량 상태에 대한 궤적 그래프를 비교하는 도면이다.
도 10은 본 발명의 일실시예에 따른 노이즈 추가를 통한 결함 모사 데이터의 궤적 변환를 보여주는 도면이다.
도 11 내지 도 14는 본 발명의 일실시예에 따른 민감 태그 분석을 보여주는 그래프이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다. 제 1, 제 2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.
이하 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치 및 방법을 상세하게 설명하기로 한다.
도 1을 설명하기에 앞서, 디지털 트윈 가상 모델을 통한 데이터 증강(data augmentation with physics based models) 기법은 실제 발전소에서 터빈의 고장을 진단하기 위한 방법으로 사용된다. 이때, 인공지능 기반 알고리즘을 적용하고자 할 때 걸림돌이 되는 데이터 부족 문제를 해결하기 위해, 정상(healthy)상태를 비롯한 다양한 고장상태를 디지털 트윈 가상 모델을 통해 각 상태에서의 터빈 회전체 시스템에 대한 운전 데이터를 획득하는 것에 첫 번째 목적이 있다.
두 번째로, 디지털 트윈 가상 모델을 통해 생성한 데이터를 기존의 고장 진단 알고리즘에 학습시킬 경우, 부족한 고장 데이터를 보완할 수 있어 고장 진단에 필요한 시스템 상태에 대한 특징을 골고루 학습할 수 있다는 점에서 기존의 문제점을 해결할 수 있다. 또한, 디지털 트윈 가상 모델의 파라미터를 튜닝하는 작업을 통해 한 가지 시스템에 국한하지 않고 다양한 시스템에 적용할 수 있다는 점이 모델의 범용성 측면에서 우수한 면모를 보여준다는 것에 세 번째 목적이 있다.
도 1은 본 발명의 일실시예에 따른 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치(100)의 구성 블럭도이다. 도 1을 참조하면, 발전 설비 고장 진단 장치(100)는, 입력부(110), 검증부(120), 데이터 생성부(130), 분석부(140), 출력부(150) 등을 포함하여 구성될 수 있다.
입력부(110)는 사용자에 의해 데이터 입력을 처리하는 기능을 수행한다. 따라서, 입력부(110)는, 키보드, 마우스, 마이크, USB(Universal Serial Bus) 포트, 통신 포트 등이 될 수 있다. 통신 포트는 통신 수단을 통해 통신망(미도시)과 연결될 수 있다. 따라서, 통신망을 통해 서버, 통신 단말기에 유무선으로 접속하는 것도 가능하다. 통신 수단은 랜 카드, 모뎀 등이 될 수 있다.
또한, 통신망(미도시)은 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 공중교환 전화망(PSTN), 공중교환 데이터망(PSDN), 종합정보통신망(ISDN: Integrated Services Digital Networks), 광대역 종합 정보 통신망(BISDN: Broadband ISDN), 근거리 통신망(LAN: Local Area Network), 대도시 지역망(MAN: Metropolitan Area Network), 광역 통신망(WLAN: Wide LAN) 등이 될 수 있다. 그러나, 본 발명은 이에 한정되지는 않으며, 무선 통신망인 CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), Wibro(Wireless Broadband), WiFi(Wireless Fidelity), HSDPA(High Speed Downlink Packet Access) 망, 블루투스(bluetooth), NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 될 수 있다. 또는, 이들 유선 통신망 및 무선 통신망의 조합일 수 있다.
검증부(120)는 입력된 데이터를 이용하여 발전 설비의 물리적 거동을 모사하는 디지털 트윈 가상 모델을 생성하고, 디지털 트윈 가상 모델을 이용하여 실험장치 데이터를 검증하는 기능을 수행한다. 디지털 트윈 기술은 가상 모델이 현실 상황을 반영하면서 현실에서 발생할 수 있는 상황을 예측하거나 운영 최적화 조건을 알려주는 등 제어요소가 현실 세상의 물리 시스템과 연결되어 동작하는 기술이다.
데이터 생성부(130)는 검증이 완료된 디지털 트윈 가상 모델을 통해 결함 모사 데이터를 생성한다.
분석부(140)는 발전 설비에 대한 동일한 특성을 나타내는 상관성이 높은 태그들을 선별하여 중복되는 정보를 축소하고 결함(fault)에 민감한 태그들을 선별하여 고장 진단 알고리즘의 학습 데이터로 사용하는 기능을 수행한다. 이를 통해, 고장 진단에 불필요한(redundant) 데이터를 제외시켜 고장 진단 성능을 향상시킨다.
부연하면, 특정 상태의 데이터가 부족한 데이터 부족 문제를 해결하기 위해 발전 설비(예를 들면, 증기 터빈)의 물리적 거동을 모사할 수 있는 가상 모델을 개발하여 부족한 상태의 터빈 데이터를 생성하고, 인공지능 기반 고장 탐지 알고리즘의 학습 데이터로 활용하여 발전 설비의 고장 진단을 가능하게 한다.
출력부(150)는 입력부(120), 검증부(120), 데이터 생성부(130), 분석부(140) 등에서 처리하는 정보를 표시하는 기능을 수행한다. 따라서, 출력부(150)는 문자, 음성, 및 그래픽의 조합으로 알림 정보를 생성할 수 있다. 이를 위해 출력부(150)는 디스플레이, 사운드 시스템 등을 포함하여 구성될 수 있다.
디스플레이는 LCD(Liquid Crystal Display), LED(Light Emitting Diode) 디스플레이, PDP(Plasma Display Panel), OLED(Organic LED) 디스플레이, 터치 스크린, CRT(Cathode Ray Tube), 플렉시블 디스플레이 등이 될 수 있다. 터치 스크린의 경우, 입력 수단으로도 적용될 수 있다.
도 1에 도시된 검증부(120), 데이터 생성부(130), 분석부(140) 등은 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 소프트웨어 및/또는 하드웨어로 구현될 수 있다. 하드웨어 구현에 있어, 상술한 기능을 수행하기 위해 디자인된 ASIC(application specific integrated circuit), DSP(digital signal processing), PLD(programmable logic device), FPGA(field programmable gate array), 프로세서, 마이크로프로세서, 다른 전자 유닛 또는 이들의 조합으로 구현될 수 있다.
소프트웨어 구현에 있어, 소프트웨어 구성 컴포넌트(요소), 객체 지향 소프트웨어 구성 컴포넌트, 클래스 구성 컴포넌트 및 작업 구성 컴포넌트, 프로세스, 기능, 속성, 절차, 서브 루틴, 프로그램 코드의 세그먼트, 드라이버, 펌웨어, 마이크로 코드, 데이터, 데이터베이스, 데이터 구조, 테이블, 배열 및 변수를 포함할 수 있다. 소프트웨어, 데이터 등은 메모리에 저장될 수 있고, 프로세서에 의해 실행된다. 메모리나 프로세서는 당업자에게 잘 알려진 다양한 수단을 채용할 수 있다.
도 2는 본 발명의 일실시예에 따른 디지털 트윈 가상 모델기반 데이터 증강 및 최적 태그 추출 과정을 보여주는 흐름도이다. 도 2를 참조하면, 먼저, 디지털 트윈 가상 모델을 생성하기 위해, 검증부(120)는 발전 설비(예를 들면, 터빈 시스템)을 단순화한 모델에 대해 해석적 모델(analytical model)을 개발하여 참고 문헌을 통해 검증을 진행한다(단계 S210,S220). 즉, 사용자에 의해 입력된 데이터를 통해 해석적 모델(analytical model)을 개발하고, 이 개발된 해석적 모델을 참고문헌의 데이터를 통해 검증을 진행한다.
이후, 참고문헌의 데이터를 통해 검증한 해석적 모델(analytical)을 유한요소(FEM: Finite Element Method) 모델로 확장하여 개발한 뒤 해석 모델과 확장 유한요소 모델의 결과를 비교하여 유한요소 모델을 이론적으로 검증한다(단계 S230). 해석적 모델은 사용자가 판단하여 관심을 갖는 대상 영역을 선택하고, 선택된 부분을 제외한 나머지 생략부분은 해석 모델에 미치는 영향에 따라 하중 또는 경계 조건으로 표현하는 모델이다. 즉, 생략된 부분이 해석 모델의 움직임, 변형을 유발하면 하중으로 표현되고, 움직임/변형을 제한(억제)하면 경계 조건으로 표현된다. 유한요소 모델이란 연속체인 구조물을 유한개의 요소로 분할하여 각기의 영역에 관하여 에너지 원리를 기초로 하는 근사해법에 토대로 두어 계산을 해나가는 수치계산 방법이다.
이후, 이론적인 검증과 더불어 회전 기계(rotor)에 대한 실험 장치(미도시)를 통해 획득한 실험 데이터를 바탕으로 이론적인 디지털 트윈 가상 모델의 결과를 비교 검증한다(단계 S240). 위의 참고문헌 검증 과정과 마찬가지로 다양한 고장 상태에 대한 실험 데이터의 검증을 진행한다. 고장 상태는 예를 들면, 터빈의 주요 손상 모드가 될 수 있다. 운전 중인 회전 기계(rotor)의 주요 손상 모드로는 불평형(Unbalance), 정렬불량(misalignment), 축휨(bent shaft), 헐거움(Loose Part), 접촉(Rubbing), 오일 휠(oil whirl) 등을 들 수 있다.
실험 장치는 센서, 센서로부터 데이터를 처리하는 마이콤, 실험 데이터를 저장하는 메모리 등을 포함하여 구성될 수 있다. 메모리는 마이콤 내에 구비되는 메모리일 수 있고, 별도의 메모리가 될 수 있다. 따라서 플래시 메모리 디스크(SSD: Solid State Disk), 하드 디스크 드라이브, 플래시 메모리, EEPROM(Electrically erasable programmable read-only memory), SRAM(Static RAM), FRAM (Ferro-electric RAM), PRAM (Phase-change RAM), MRAM(Magnetic RAM) 등과 같은 비휘발성 메모리 및/또는 DRAM(Dynamic Random Access Memory), SDRAM(Synchronous Dynamic Random Access Memory), DDR-SDRAM(Double Data Rate-SDRAM) 등과 같은 휘발성 메모리의 조합으로 구성될 수 있다.
도 2를 계속 참조하면, 필요한 조건에 맞는 데이터를 생성할 수 있도록 검증을 마친 모델에 대한 최적화 과정을 진행한다(단계 S241). 즉, 비교 검증에 따라 검증에 실패하면, 디지털 트윈 가상 모델을 수정하여 다시 단계 S210 내지 단계 S240가 진행된다.
이후, 검증이 완료되면, 데이터 생성부(130)는 디지털 트윈 가상 모델을 통해 결함 모사 데이터를 생성한다(단계 S250).
디지털 트윈 가상 모델을 통해 모사 데이터가 생성되고, 인공지능 기반 고장 진단 알고리즘의 가중치 초기값을 디지털 트윈 가상 모델의 데이터로 학습한 가중치로 선정하여 학습을 진행하거나 또는 알고리즘의 상관 계수가 디지털 트윈 가상 모델의 데이터로 학습한 가중치의 상관 계수와 유사한 값을 갖도록 제약 조건을 주는 방식을 채택하는 등의 기법을 적용하여 발전 설비에 대한 실제 데이터의 학습을 안정적이고 신속하게 진행할 수 있도록 한다(단계 S260).
이후, 발전 설비에 대한 동일한 특성을 나타내는 상관성이 높은 태그들을 선별하여 중복되는 정보를 축소하고 결함(fault)에 민감한 태그들을 선별하여 고장 진단 알고리즘의 학습 데이터로 사용함으로써 고장 진단에 불필요한(redundant) 데이터를 제외시켜 고장 진단 성능을 향상시킨다(단계 S270).
고장 진단 알고리즘은 발전 설비에 대한 이상 상태를 감지하여 발전 설비의 효과적인 운영 및/또는 유지 보수를 가능하게 해주는 프로그램이다. 특히, 발전 설비의 주요기기에 대한 현재까지의 상태를 확인하고 이상 혹은 고장에 대한 원인을 규명하고 필요 대책을 파악하게 한다.
도 3은 본 발명의 일실시예에 따른 결함 모사 데이터의 상관성 분석을 보여주는 그래프이다. 도 3을 참조하면, 상관성의 종류는 강한 양의 상관성(310), 양의 상관성(320), 음의 상관성(330), 비상관성(340)으로 분류될 수 있다. 양의 상관성(310)은 두 신호의 변동이 같은 방향으로 패턴을 가지는 것을 의미한다. 음의 상관성(330)은 두 신호의 변동이 서로 반대 방향으로 패턴을 가지는 것을 의미한다. 즉, 하나의 신호가 오름세에 있을 때 대응되는 신호가 같은 오름세에 있을 때 이정도가 거의 같을때에는 1의 값을 거지며, 하나의 신호가 오름세인데 대응되는 신호가 내림세이면서 정반대의 패턴을 보일때는 -1의 값을 가진다. 하지만 상관성에서는 1과 -1은 상관성이 매우 높다고 평가할 수 있다. 상관성의 값은 정규화 과정을 거쳐 1에서 -1까지의 값을 가지며 무차원 수이다. 두 신호간의 상관도가 0일때는 비상관성(340)과 같은 분포를 가지며 두 신호는 관계성이 낮다고 판단한다.
도 4는 본 발명의 일실시예에 따른 디지털 트윈 가상 모델에 적용되는 데이터를 생성하는 개념도이다. 도 4를 참조하면, MCK 모델을 생성하는 경우 Mass, Spring, Damper 등의 변수를 사용자가 설정할 수 있으며, 다양한 물성치에 대한 모델을 통해 데이터를 생성할 수 있다. 도 4에 나타낸 좌측 'MCK 모델' 하위 항목은 물리 모델에서 설정하는 변수(variables)를 의미하며, 이때 변경할 수 있는 변수들은 Mass level, Damper level, Spring level, Failure types, Failure level 등이 해당된다. 우측 표는 이러한 변수들을 설정하는 예시를 보여주는 것으로 예를 들어, Case 1은 Mass level = 0.1, Damper level = 0.8, Spring level = 0.4, Failure level = 0.5 등으로 설정한 것을 의미한다. Case 2의 경우도 Case 1과 동일한 방법이지만 그 수준(level)을 다르게 설정한 경우에 해당된다.
도 5는 일반적인 참고문헌의 데이터를 나타내는 그래프이고, 도 6은 일반적인 해석 모델 및 유한 요소 모델의 결과를 나타내는 그래프이다. 즉, 도 5 및 도 6은 정상(normal/healthy)상태 해석 모델 개발 및 참고문헌을 통한 비교 검증을 나타낸다.
도 5 및 도 6을 참조하면, 디지털 트윈 가상 모델은 실제 발전소 터빈과 같은 로터 디스크 시스템의 동적 응답 특성을 나타내고자 개발하는 모델이다. 이를 위해, 참고문헌의 데이터를 통해 개발한 해석 모델이 같은 응답 특성을 나타내는지 확인한다.
이때 결과를 비교하기 위해 고유 주파수 맵(natural frequency map) 또는 캠벨 다이어그램(Campbell diagram)을 사용할 수 있다. 고유 주파수 맵 또는 캠벨 다이어그램은 x축에 로터 스핀 속도(rotor spin speed)를 나타내고, y축에 자연 주파수(즉, 고유 주파수)를 나타내는 그래프이며, 이 그래프는 시스템의 특성에 대한 상당한 양의 정보와 임계 속도(critical speed)를 결정하는 등의 역할을 한다. 특히, 도 5는 참고문헌의 데이터에서 나타난 특정 조건에서의 해석 모델을 나타내고, 도 6은 유한요소 모델의 결괏값에 대한 실시예를 나타낸다. 도 5에 도시된 FW는 Forward이고, BW는 Backward이다.
도 6에 도시된 1차 곡선 내지 4차 곡선(610 내지 640)은 로터 시스템의 1차 내지 4차 모드에 대한 유한 요소 모델의 결과값을 의미한다. 또한, Analy는 Analysis이다.
도 7은 도 5 내지 도 6에 따른 해석 모델의 결과를 나타내는 그래프이고, 도 8은 도 5 내지 도 6에 따른 유한 요소 모델의 결과를 나타내는 그래프이다. 즉, 정상(normal/healthy)상태에서 확장된 유한요소 모델 및 해석 모델을 통한 비교 검증을 보여주는 그래프이다. 부연하면, 도 7 및 도 8은 앞서 참고문헌을 통해 검증한 해석 모델을 바탕으로 로터 시스템에 대한 유한요소 모델로 확장하여 두 모델의 응답 특성에 대한 결과를 검증한 것이다.
도 7 및 도 8을 참조하면, 위의 내용과 동일하게 고유 주파수 맵을 통해 회전 속도에 따른 고유 주파수 값의 경향을 확인하였으며 두 모델(해석 모델과의 결과가 동일한 것을 확인하였다. 도 7 및 도 8에 도시된 그래프는 정상상태 로터 시스템에 대해 각기 다른 조건의 베어링 강성에 대한 시스템 응답을 비교한 결과이다. 그래프의 x축은 회전 속도(rpm), y축은 자연 주파수(Hz)(즉 고유 주파수)를 나타내며 실선으로 나타낸 것은 유한요소 모델의 결괏값을, 점선으로 나타낸 것은 해석 모델의 결괏값을 의미한다. 마지막으로 각각의 곡선(710 내지 740 및 810 내지 840)은 로터 시스템의 1차~4차 모드에 대한 결과 값을 의미한다.
도 9는 본 발명의 일실시예에 따른 정상, 불균형, 및 정렬 불량 상태에 대한 궤적 그래프를 비교하는 도면이다. 도 9를 참조하면, 참고문헌을 통해 이론적으로 검증한 가상 모델의 데이터를 앞서 설명한 회전체 실험 장치의 실험 데이터와 비교하였다. 검증을 위해 디지털 트윈 가상 모델을 통해 생성한 데이터와 실험장치의 실험 데이터 중 발전 설비의 정상(normal), 불균형(unbalance), 및 정렬불량(misalignment) 상태의 데이터를 주파수 영역(Fast Fourier Transform plot), 시간 영역(Time-series plot) 그리고 시스템 자체의 경향성(orbit plot)에 대한 결과를 비교하였다.
실험 데이터(910)의 단위는 분(minute) 단위이며, 데이터 획득 주기(sampling rate)는 약 8500Hz이며 데이터 취득 시간은 약 70초이다. 디지털 트윈 가상 모델을 통해 생성한 가상 모델 데이터(920)의 경우, 각 이상 상태별로 다양한 파라미터 조합을 통해 획득한 데이터를 사용할 수 있다.
특히, 도 9는 실험 데이터를 통한 검증 결과 중 하나의 예시이며, 실험 장치의 실험 데이터에 대한 경향성(orbit plot) 및 가상 모델 데이터에 대한 경향성(orbit plot)이 도시된다. 위의 두 그래프(normal, unbalance)의 경우 비슷한 형태를 가지나 크기(scale)의 차이가 있음을 보인다.
3가지 방식의 검증에 대한 결과를 통해 모델을 보정하였으며, 파라미터를 튜닝함으로써 다양한 조건 및 형태의 데이터를 획득할 수 있다는 것을 확인하였다. 또한, 실험장치 데이터의 경우 동일한 조건에서 환경의 영향에 의해 다양한 궤적의 분포가 나타나는 것을 확인할 수 있는데, 가상 모델을 통해 생성한 데이터는 정상 상태(steady-state) 해석에 대해 하나의 궤적을 그리는 것을 알 수 있다.
도 9에서 정렬 불량의 경우, RK4 데이터(930), FEM 데이터(940)를 확대하여 보여준다. 물론, 정상(normal), 불균형(unbalance)의 경우에도, RK4 데이터, FEM 데이터가 유사하게 존재한다.
도 10은 본 발명의 일실시에에 따른 노이즈 추가를 통한 결함 모사 데이터의 궤적 변환을 보여주는 도면이다. 특히, 비슷한 형태를 가지나 도 9에 도시된 orbit의 축(axis)이 다름을 확인할 수 있다. 도 10을 참조하면, 노이즈가 제거된 실험 데이터(1010)에 노이즈(1020)를 추가하여 결함 모사 데이터를 생성한다. 부연하면, 실제 실험 데이터의 궤적을 재현하기 위해 화이트 노이즈를 추가하는 등의 시도를 진행하였으며, 이를 통해 실제 운전 궤적과 유사한 궤적을 가상 모델을 통해 모사할 수 있는 것을 확인할 수 있다. 신호대잡음비(Signal to Noise Ratio, SNR)을 설정하는 함수를 이용하여 물리모델로부터 생성된 데이터에 노이즈를 추가하였다. 참고문헌과 데이터의 형상을 고려하여 SNR비율을 조절하였다.
도 11 내지 도 14는 본 발명의 일실시예에 따른 민감 태그 분석을 보여주는 그래프이다. 도 11은 X14 입력 속성에 따른 상관도이고, 도 12는 X7 입력 속성에 따른 상관도이고, 도 13은 X43 입력 속성에 따른 상관도이고, 도 14는 X54 입력 속성에 따른 상관도이다. 도 11 내지 도 14를 참조하면, 도 11 내지 도 14에 도시된 바와 같이, 결함 모사 데이터에 따른 최적 태그 선정은 실제 발전소의 태그와 동일한 태그를 바탕으로 실시된다. 이를 위해, 실제 발전소를 기반으로 도 1 내지 도 10에 따라 생성되는 정상(healthy) 및 결함(fault)에 대한 데이터를 기반으로 상관성 분석 및 민감도 분석을 수행한다.
상관성 분석을 위해 "피어슨 상관 계수(Pearson coefficient of correlation)" 기법을 활용할 수 있다. 피어슨 상관 계수는 두 변수 X와 Y간의 선형 상관관계를 계량화한 수치이다. 피어슨 상관 계수는 코시-슈바르츠 부등식에 의해 +1과 -1 사이의 값을 가지며, +1은 완벽한 양의 상관관계, 0은 상관관계 없음, -1은 완벽한 음의 선형 상관관계를 의미한다. 따라서, 도 11 내지 도 14에 도시된 바와 같이, 상관성 계수는 -1에서 +1의 값을 나타낸다. +1에 가까운 값을 가질 경우 강한 양의 상관관계를 나타내고, -1에 가까운 값을 가질수록 강한 음의 상관관계를 나타내며, 0에 가까운 값을 가질 경우 상관관계가 없음을 나타낸다.
‘Main Turbine Lube Oil system leak’ 상태에 대한 65개의 태그 데이터를 생성하였으며, 이를 바탕으로 상관성 분석을 진행하였다. 각각의 태그들은 속성(attribute)을 가지며, 속성은 발전 설비(예를 들면, 가스 터빈)의 진동, 온도, 압력, 속도를 포함하여 발전기의 속도, 온도, 전력(power) 등의 값을 포함할 수 있다.
특히, 도 11 내지 14는 각 태그들 사이의 상관성 계수를 비교한 예시이다. 도 11 내지 도 17에 도시된 사각 박스(1110,1120,1210,1220,1310,1410,1420)로 묶인 데이터는 상관 계수가 1에 가까운 높은 상관성을 보이는 태그들을 표시한 것이다.
상관성이 높다는 것은 데이터의 경향성(trend)이 유사하다는 것을 의미하며, 인공지능 기반 알고리즘의 학습 데이터로 활용하는 측면에서 보았을 때 중복된 특징을 추출할 수 있다는 의미이다. 가까운 위치에 부착되어 있는 동일한 종류(온도, 압력, 진동 등)의 센서의 경우, 데이터의 개수는 센서의 개수만큼 증가하겠지만 실제로 그 데이터들이 보여주는 데이터의 경향은 동일하기 때문에 그 데이터를 전부 학습 데이터로 활용하는 것은 학습 시간이 길어지고 중복된 정보를 제공할 수 있기에 학습모델에 오히려 부정적인 영향을 미칠 수 있다.
따라서, 상관성 분석 결과를 바탕으로 65개의 태그 데이터 중 상관성이 높은 태그들을 제외하고 15개의 태그만을 선정할 수 있다. 이를 표로 나타내면 다음과 같다.
# 태그 이름 입력 속성(attributes)
1 발전기 속도 x2
2 IP(Intermediate Pressure) 터빈 챔버 압력 x6
3 LP(Low Pressure) 터빈 배출 증기 압력(진공 하역기에 대해) x7
4 터빈 번호1 베어링 금속 온도 x14
5 발전기 고정자치 온도(터빈측에 대해)(A) x26
6 터빈 번호1 베어링 샤프트 진동(X) x32
7 HP(High Pressure) 터빈 차동 팽창(differential expansion) x38
8 I/LP 터빈 케이싱 팽창(casing expansion) x41
9 터빈 속도(제로 속도로부터) x42
10 발전기 번호1 베어링 샤프트 진동(X) x46
11 발전기 액티브 파워 x50
12 발전기 필드 전압 x52
13 밀봉 증기 압력 x58
14 밀봉 증기 헤더 온도 x62
15 밀봉 증기 배출 온도 x65
또한, 여기에 개시된 실시형태들과 관련하여 설명된 방법 또는 알고리즘의 단계들은, 마이크로프로세서, 프로세서, CPU(Central Processing Unit) 등과 같은 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) 코드, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 매체에 기록되는 프로그램 (명령) 코드는 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 테이프 등과 같은 자기 매체(magnetic media), CD-ROM, DVD, 블루레이 등과 같은 광기록 매체(optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 (명령) 코드를 저장하고 수행하도록 특별히 구성된 반도체 기억 소자가 포함될 수 있다.
여기서, 프로그램 (명령) 코드의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
100: 발전 설비 고장 진단 장치
110: 입력부
120: 검증부
130: 데이터 생성부
140: 분석부
150: 출력부

Claims (20)

  1. 사용자에 의해 입력된 입력 데이터를 이용하여 발전 설비의 물리적 거동을 모사하는 디지털 트윈 가상 모델을 생성하고, 실험장치에 의해 생성되는 실험 데이터(910)를 이용하여 상기 디지털 트윈 가상 모델에 의해 생성되는 가상 모델 데이터(620)를 비교 검증하는 검증부(120);
    상기 검증이 완료된 상기 디지털 트윈 가상 모델 기반으로 다수의 결함 모사 데이터(1000)를 생성하는 데이터 생성부(130); 및
    다수의 상기 결함 모사 데이터에 대해 상관성이 있는 다수의 태그를 선별하는 분석부(140);
    를 포함하는 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치.
  2. 제 1 항에 있어서,
    상기 디지털 트윈 가상 모델은 상기 발전 설비를 단순화한 해석적 모델을 생성하고, 상기 해석적 모델을 참고문헌의 데이터를 통해 1차 비교 검증함으로써 유한요소 모델로 확장되어 생성되는 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치.
  3. 제 2 항에 있어서,
    상기 유한요소 모델은 상기 해석적 모델과 확장된 유한요소 모델의 비교를 통해 2차 비교 검증되는 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치.
  4. 제 1 항에 있어서,
    상기 실험 장치는 회전 기계(rotor)에 대한 실험을 측정하여 상기 실험 데이터를 생성하는 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치.
  5. 제 1 항에 있어서,
    상기 실험 데이터는 분(minute) 단위이며, 획득 주기(sampling rate)는 8500Hz이며, 데이터 취득 시간은 70초인 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치.
  6. 제 1 항에 있어서,
    상기 실험 데이터(910)와 상기 가상 모델 데이터(920)간의 비교 검증은 주파수 영역(Fast Fourier Transform plot), 시간 영역(Time-series plot), 및 경향성(orbit plot)에 대한 비교인 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치.
  7. 제 1 항에 있어서,
    다수의 상기 결함 모사 데이터는 상기 실험 데이터(910)에 미리 설정되는 화이트 노이즈(1020)를 추가하여 생성되는 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치.
  8. 제 1 항에 있어서,
    상기 상관성은 피어슨 상관 계수(Pearson coefficient of correlation) 기법에 따른 상관 계수이며, +1 내지 -1 의 값인 것을 특징을 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치.
  9. 제 8 항에 있어서,
    상기 상관성은 상기 발전 설비의 결함과 관련 정도에 따라 +1에 가까운 강한 양의 상관성(310), 양의 상관성(320), -1에 가까운 음의 상관성(330), 및 0에 가까운 비상관성(330) 중 어느 하나가 되는 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치.
  10. 제 1 항에 있어서,
    상기 실험 데이터(910)는 상기 발전 설비의 정상(normal) 상태, 불균형(unbalance) 상태, 및 정렬불량(misalignment) 상태의 데이터 중 적어도 하나인 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치.
  11. (a) 검증부(120)가 사용자에 의해 입력된 입력 데이터를 이용하여 발전 설비의 물리적 거동을 모사하는 디지털 트윈 가상 모델을 생성하는 단계;
    (b) 상기 검증부(120)가 실험장치에 의해 생성되는 실험 데이터(910)를 이용하여 상기 디지털 트윈 가상 모델에 의해 생성되는 가상 모델 데이터(620)를 비교 검증하는 단계;
    (c) 데이터 생성부(130)가 상기 검증이 완료된 상기 디지털 트윈 가상 모델 기반으로 다수의 결함 모사 데이터(1000)를 생성하는 단계;
    (d) 분석부(140)가 다수의 상기 결함 모사 데이터에 대해 상관성이 있는 다수의 태그를 선별하는 단계;
    를 포함하는 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 방법.
  12. 제 11 항에 있어서,
    상기 디지털 트윈 가상 모델은 상기 발전 설비를 단순화한 해석적 모델을 생성하고, 상기 해석적 모델을 참고문헌의 데이터를 통해 1차 비교 검증함으로써 유한요소 모델로 확장되어 생성되는 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 방법.
  13. 제 12 항에 있어서,
    상기 유한요소 모델은 상기 해석적 모델과 확장된 유한요소 모델의 비교를 통해 2차 비교 검증되는 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 방법.
  14. 제 11 항에 있어서,
    상기 실험 장치는 회전 기계(rotor)에 대한 실험을 측정하여 상기 실험 데이터를 생성하는 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 방법.
  15. 제 11 항에 있어서,
    상기 실험 데이터는 분(minute) 단위이며, 획득 주기(sampling rate)는 8500Hz이며, 데이터 취득 시간은 70초인 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 방법.
  16. 제 11 항에 있어서,
    상기 실험 데이터(910)와 상기 가상 모델 데이터(920)간의 비교 검증은 주파수 영역(Fast Fourier Transform plot), 시간 영역(Time-series plot), 및 경향성(orbit plot)에 대한 비교인 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 방법.
  17. 제 11 항에 있어서,
    다수의 상기 결함 모사 데이터는 상기 실험 데이터(910)에 미리 설정되는 화이트 노이즈(1020)를 추가하여 생성되는 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 방법.
  18. 제 11 항에 있어서,
    상기 상관성은 피어슨 상관 계수(Pearson coefficient of correlation) 기법에 따른 상관 계수이며, +1 내지 -1 의 값인 것을 특징을 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 방법.
  19. 제 18 항에 있어서,
    상기 상관성은 상기 발전 설비의 결함과 관련 정도에 따라 +1에 가까운 강한 양의 상관성(310), 양의 상관성(320), -1에 가까운 음의 상관성(330), 및 0에 가까운 비상관성(330) 중 어느 하나가 되는 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 방법.
  20. 제 11 항에 있어서,
    상기 실험 데이터(910)는 상기 발전 설비의 정상(normal) 상태, 불균형(unbalance) 상태, 및 정렬불량(misalignment) 상태의 데이터 중 적어도 하나인 것을 특징으로 하는 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 방법.
KR1020200090397A 2020-07-21 2020-07-21 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치 및 방법 KR20220011461A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200090397A KR20220011461A (ko) 2020-07-21 2020-07-21 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200090397A KR20220011461A (ko) 2020-07-21 2020-07-21 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20220011461A true KR20220011461A (ko) 2022-01-28

Family

ID=80051292

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200090397A KR20220011461A (ko) 2020-07-21 2020-07-21 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20220011461A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023020388A1 (zh) * 2022-03-14 2023-02-23 中国长江三峡集团有限公司 一种齿轮箱故障诊断、信号采集方法、装置和电子设备
CN116540561A (zh) * 2023-05-10 2023-08-04 中国标准化研究院 一种变频器装置的数字孪生建模方法
KR102600657B1 (ko) * 2023-06-15 2023-11-08 김종현 디지털 트윈 모델 기반 공장 에너지 관리 시스템의 제어 방법, 장치 및 시스템
CN117078853A (zh) * 2023-08-18 2023-11-17 广东工业大学 一种基于数字孪生体的工件缺陷样本扩增方法及存储介质
KR20230158787A (ko) 2022-05-12 2023-11-21 주식회사 한국디지털트윈연구소 디지털트윈 기반 고장진단 및 건전성 관리 장치
CN117350114A (zh) * 2023-10-11 2024-01-05 浙江浙能临海海上风力发电有限公司 一种风机健康状态评估方法、装置和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160129177A (ko) 2015-04-29 2016-11-09 한국전력공사 증기터빈 동특성 시뮬레이터, 가스터빈 동특성 시뮬레이터, 그를 이용하는 터빈 발전기 제어 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160129177A (ko) 2015-04-29 2016-11-09 한국전력공사 증기터빈 동특성 시뮬레이터, 가스터빈 동특성 시뮬레이터, 그를 이용하는 터빈 발전기 제어 장치 및 방법

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023020388A1 (zh) * 2022-03-14 2023-02-23 中国长江三峡集团有限公司 一种齿轮箱故障诊断、信号采集方法、装置和电子设备
KR20230158787A (ko) 2022-05-12 2023-11-21 주식회사 한국디지털트윈연구소 디지털트윈 기반 고장진단 및 건전성 관리 장치
CN116540561A (zh) * 2023-05-10 2023-08-04 中国标准化研究院 一种变频器装置的数字孪生建模方法
CN116540561B (zh) * 2023-05-10 2023-10-20 中国标准化研究院 一种变频器装置的数字孪生建模方法
KR102600657B1 (ko) * 2023-06-15 2023-11-08 김종현 디지털 트윈 모델 기반 공장 에너지 관리 시스템의 제어 방법, 장치 및 시스템
CN117078853A (zh) * 2023-08-18 2023-11-17 广东工业大学 一种基于数字孪生体的工件缺陷样本扩增方法及存储介质
CN117078853B (zh) * 2023-08-18 2024-03-19 广东工业大学 一种基于数字孪生体的工件缺陷样本扩增方法及存储介质
CN117350114A (zh) * 2023-10-11 2024-01-05 浙江浙能临海海上风力发电有限公司 一种风机健康状态评估方法、装置和系统
CN117350114B (zh) * 2023-10-11 2024-03-29 浙江浙能临海海上风力发电有限公司 一种风机健康状态评估方法、装置和系统

Similar Documents

Publication Publication Date Title
KR20220011461A (ko) 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치 및 방법
KR102365150B1 (ko) 생성적 적대 신경망을 이용한 상태 감시 데이터 생성 방법 및 장치
JP4346291B2 (ja) タービンエンジンの診断のための方法及びシステム
US11361233B2 (en) Estimating fatigue life of technical systems
US7673210B2 (en) Methods and apparatus for diagnosing a degree of interference between a plurality of faults in a system under test
JP2000214236A (ja) ベクトル・セット生成方法、試験システム及び試験プログラムを格納する記録媒体
CN113705045B (zh) 一种基于代理模型的转静子系统碰摩可靠性分析方法
CN114692169B (zh) 应用大数据和ai分析的页面漏洞处理方法及页面服务系统
JP6989398B2 (ja) 故障診断装置、故障診断方法、および故障診断プログラム
Van Hoorn et al. ORCAS: Efficient resilience benchmarking of microservice architectures
Ogaji et al. Novel approach for improving power-plant availability using advanced engine diagnostics
CN113281582A (zh) 一种测试变速抽蓄机组故障电压穿越特性的方法和系统
Zaccaria et al. A model-based solution for gas turbine diagnostics: Simulations and experimental verification
Kim et al. A New Spectrum-based Fault Localization With the Technique of Test Case Optimization.
Firrone et al. A reliable pre-processing for the simulation of friction joints in turbomachineries and its validation: a case study with policontact
CN115372039A (zh) 汽轮发电机组振动故障诊断系统的构建方法和应用方法
Rao et al. Developing optimal directed random testing technique to reduce interactive faults-systematic literature and design methodology
Bonvini et al. Bridging the gap between simulation and the real world an application to FDD
Zarate et al. Computation and monitoring of the deviations of gas turbine unmeasured parameters
Yu¨ mer et al. Mistuning identification of bladed disks utilizing neural networks
Basirico et al. Testing of full speed no load operating conditions in a subscale steam turbine test vehicle
Li et al. Towards more accurate fault localization: An approach based on feature selection using branching execution probability
CN117521528B (zh) 一种涡轮设备仿真模型进化方法、装置、介质及计算设备
Liu et al. Novel unknown input observer for fault estimation of gas turbine dynamic systems
Rozegnał et al. Short circuit detection in power systems with discrete wavelet transforms