KR20220144707A - 고도화된 crnn 알고리즘을 적용한 고장 예측 및 사전정비 시스템 - Google Patents
고도화된 crnn 알고리즘을 적용한 고장 예측 및 사전정비 시스템 Download PDFInfo
- Publication number
- KR20220144707A KR20220144707A KR1020210051370A KR20210051370A KR20220144707A KR 20220144707 A KR20220144707 A KR 20220144707A KR 1020210051370 A KR1020210051370 A KR 1020210051370A KR 20210051370 A KR20210051370 A KR 20210051370A KR 20220144707 A KR20220144707 A KR 20220144707A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- failure prediction
- unit
- algorithm
- prediction
- Prior art date
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 230000000306 recurrent effect Effects 0.000 abstract description 5
- 102100032202 Cornulin Human genes 0.000 abstract 3
- 101000920981 Homo sapiens Cornulin Proteins 0.000 abstract 3
- 238000010801 machine learning Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
- G05B23/0221—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
- G05B23/0259—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
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 시스템에 관한 것이다. 본 발명의 일 실시예에 따른 고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 시스템은 발전 플랜트 또는 선박의 운전에 관한 로데이터가 저장되는 저장부; 미리 정해 놓은 기준에 따라 상기 로데이터 값을 기초로 일차적인 데이터 가공을 통하여 데이터를 전처리 하는 데이터 전처리부; 상기 데이터 전처리부에서 생성한 정규화 데이터를 기초로 상기 장애 예측 모델을 위한 학습 데이터를 생성하고, 상기 학습 데이터를 이용하여 상기 장애 예측 모델을 학습시키는 제1 학습부; 실운전 데이터를 기반으로 예측시스템 및 실운전 데이터를 비교하여 수정된 알고리즘을 제시하는 제2 학습부; 순환신경망 기반으로 구성하여 상기 학습된 장애 예측 모델을 기반으로 특정한 이벤트를 예측을 위한 주예측부; 및 상기 주예측부에서 특정한 이벤트 발생이 예상되는 경우 발생이 예상되는 특정한 이벤트에 대한 정보를 출력하는 출력부를 포함하는 것일 수 있다.
Description
본 발명은 고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 시스템에 관한 것이다. 보다 상세하게 본 발명은 빅데이터를 기반으로 한 CRNN(Convolution Recurrent Neural Network) 알고리즘과 학습에 기초한 보완 및 보정 알고리즘을 적용하여 보다 정확성이 높은 예측 시스템을 제공하고, 이를 기초로 발전 플랜트 설비, 선박 및 중장비 등에 정확성이 높은 고장 예측 시스템과 사전정비 시스템을 제공하는 것이다. 이를 통하여 고장 예측 및 사전 정비 기타 상기 발전 플랜트 설비 및 선박에 대한 효율적인 관리를 제공한다.
오늘날 다양한 분야에서 인공 지능이 이용되고 있다. 구체적으로 인공 지능은 바둑의 다음 수를 결정하거나, 글자를 인식하거나 또는 하나의 언어를 다른 언어로 번역하는 등 다양한 분야에 채용되어 이용되고 있다.
인공 지능 기술은 기계 학습(machine learning)을 포함한다. 기계 학습은 소정의 알고리즘이 주어지면, 획득한 다양한 정보를 이용하여 소정의 알고리즘에 대한 학습을 수행하고, 학습 수행 결과에 따른 학습된 알고리즘을 획득하는 과정이다. 다시 말해서, 기계 학습은 장치(예를 들어, 컴퓨터)가 직접 학습을 수행하여 스스로 규칙을 형성하는 과정을 의미한다.
한편, 네트워크 자원의 지능적 관리를 위한 기계 학습을 수행함에 있어서, 이를 위한 알고리즘(예를 들어, 예측 모델)의 학습 과정은 여러 가지 문제점을 가지고 있다. 구체적으로 다양한 유형의 학습 모델들(예를 들어, 다층 퍼셉트론(MLN, Multilayer Perceptron)이나, 심층 신경망(DNN, Deep Neural Network)이나, 또는 콘볼루션 신경망(CNN, Convolutional Neural Network) 등) 중에서 어떠한 학습 모델이 적절한 모델인지를 판단하는 것에 있어 어려움이 존재한다. 또한, 서로 상이한 하이퍼 파라미터(hyper parameter)를 이용하여 다양한 유형의 학습 모델들 중에서 검색하는 것은 조합적인 문제이다. 선택된 학습 모델의 깊이, 학습 모델의 유형 또는 예측 속도의 정확성 향상을 위한 학습 속도 등 매개 변수를 조정 및 결정하는 것에도 어려움이 존재한다. 이런 점 때문에 종래의 네트워크 자원의 지능적 관리를 위해 적절한 예측 모델을 결정 및 획득하는 방법은, 기술적, 산업적 및/또는 경제적으로 많은 문제점을 내포하고 있다.
일반적으로, 선박은 운항 중 메인 엔진(main engine) 또는 추진용 모터(motor)에 의해 그 추진련을 얻게 된다. 그리고, 주엔진 및 추진용 모터를 구동하기 위해서는 많은 수의 기계, 보조기계와 저장용기, 장치 등이 파이프 라인(pipe line)과 전선 등에 의해 유기적으로 연결되어 동작해야 한다.
한편, 모델링 기법을 기반으로 한 예측 방법으로서 많이 사용하는 것이 k-NN(k-Nearest Neighbors) 기반의 방법이다. 그런데 k-NN 기반의 방법은 모델 성능에 따라 예측 성능이 크게 변하기 때문에 매우 정교한 모델을 사용할 필요가 있다. 하지만, 이를 위해서는 전문가가 데이터를 분석해서 데이터 전처리를 통해 모델링을 해야 하여야 하는데, 현실적으로는 전문가가 항상 모델링을 해 줄 수는 없는 실정이기 때문에 k-NN 기반의 예측이 부정확할 가능성이 높다는 문제가 있다.
구체적으로 기존 수리부속 예측 시스템은 수리부속 소모 수량에서 파생되는 변수들을 기반으로 통계적인 분석 모델을 적용하고 있는 실정이다. 수리부속 소모 수량의 파생 변수들의 통계적인 분석을 통해 측정되는 추세와 계절성을 기반으로 미래의 수리부속 소모량을 예측하지만, 수리부속 소모량 이외의 영향력을 갖는 변수가 고려되지 못하는 문제점이 있다.
또한, 통계모델의 특징에 따라 모델 개발 절차에서 변수 추출 및 예측 수식 정의 등에 전문가 투입이 요구되는 과정이 다수 존재하여 개발 비용이 높아지고, 전문가의 수준에 따라 개발되는 예측 모델의 품질이 결정되며, 새로운 변수의 추가 및 수식의 변경이 어려운 문제점이 존재한다.
이와 같이 기존의 수리부속 예측 시스템은 과거의 수요이력을 기반으로 통계적인 분석 모델을 적용하여 예측율이 낮고, 통계 분석 수식 및 변수 선택을 위해 전문인력이 필수적으로 참여해야 하며, 날씨 등 외부요인을 고려하지 못하는 문제점이 있다.
이에 본 발명자들은 머신러닝 모델로서 공간 분석 딥러닝 모델인 CNN(Convolution Neural Network)와 시계열 딥러닝 학습 모델인 LSTM(Long-Short Term Memory)이 결합된 CRNN(Convolution Recurrent Neural Network) 모델을 기본으로 하면서, 실운전 데이터를 기반으로 한 학습결과를 기초로 보다 보완 및 고도화 된 CRNN 알고리즘을 적용하여 발전 플랜트 설비, 선박 및 중장비 등에 정확성이 높은 고장 예측 시스템과 사전정비 시스템을 제공하기 위하여 본 발명을 완성하였다.
선행기술 1은 이러한 수요 예측 방법 및 수요 예측 장치에 관한 것으로, 기존의 통계적인 수요 예측의 문제점인 실제 환경의 불규칙성을 고려하기 위하여 외부요인을 포함한 수요 예측 모델에 관한 기술을 기재하고 있다. 하지만, 외부요인을 추가하여 K-means와 ARIMA 등의 통계적인 기법을 통해 시계열 분석 기반의 수요 예측 방식에는 변함이 없다.
선행기술 2는 선박상태에 대한 종합정보를 수집하여 각 수집된 정보를 기반으로 선박의 안정유지 및 관리를 지원하는 모니터링 시스템으로, 사전 정비를 위한 모델링과는 차이가 있고, 상술한 종래 기술의 범주에 속하는 것이다.
본 발명의 목적은 플랜트 설비 또는 선박 등에 있어서 실운전 데이터를 기반으로 한 머신러닝 기반의 인공지능의 고장 예측 솔루션을 제공하기 위한 것이다.
본 발명의 목적은 플랜트 설비 또는 선박의 실운전에서 수집된 빅데이터를 기반으로 독자적인 알고리즘을 적용한 고장 예측 시스템을 통하여 보다 정확하고 효율적인 플랜트 또는 선박의 유지 및 관리를 할 수 있도록 하기 위한 것이다.
본 발명의 목적은 CRNN(Convolution Recurrent Neural Network) 알고리즘 및 실데이터를 기반으로 학습된 보다 보완된 알고리즘을 적용하여 보다 효과적인 사전정비를 할 수 있도록 하기 위한 것이다.
상기 목적을 달성하기 위하여, 본 발명의 일 실시예에 따른 고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 시스템은 발전 플랜트 또는 선박의 운전에 관한 로데이터가 저장되는 저장부; 미리 정해 놓은 기준에 따라 상기 로데이터 값을 기초로 일차적인 데이터 가공을 통하여 데이터를 전처리 하는 데이터 전처리부; 상기 데이터 전처리부에서 생성한 정규화 데이터를 기초로 상기 장애 예측 모델을 위한 학습 데이터를 생성하고, 상기 학습 데이터를 이용하여 상기 장애 예측 모델을 학습시키는 제1 학습부; 실운전 데이터를 기반으로 예측시스템 및 실운전 데이터를 비교하여 수정된 알고리즘을 제시하는 제2 학습부; 순환신경망 기반으로 구성하여 상기 학습된 장애 예측 모델을 기반으로 특정한 이벤트를 예측을 위한 주예측부; 및 상기 주예측부에서 특정한 이벤트 발생이 예상되는 경우 발생이 예상되는 특정한 이벤트에 대한 정보를 출력하는 출력부를 포함하는 것일 수 있다.
고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 시스템에 있어서, 상기 신경망은 복수의 셀을 포함하는 하나의 신경망 층과, 상기 하나의 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고, 상기 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터가 업데이트 되는 것일 수 있다.
고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 시스템에 있어서, 상기 장애 예측 모델은 CRNN(Convolution RecurrentNeural Network) 알고리즘이 적용된 것일 수 있다.
본 발명의 다른 일 실시예에 따른 고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 방법은 발전 플랜트 또는 선박을 운전하면서 수집된 로데이터가 저장부에 저장되는 로데이터 업데이트 단계; 데이터 전처리부에서 상기 로데이터 업데이트 단계에서 수집된 업데이트 된 로데이터를 미리 정해 놓은 기준에 따라 일차적인 데이터 가공을 통하여 데이터를 전처리 하는 데이터 전처단계; 제1 학습부에서 상기 데이터 전처리 단계에서 전처리된 데이터를 기초로 미리 저장된 상기 장애 예측 모델에 적용 및 학습하는 제1 학습단계; 제2 학습부에서 실운전 데이터를 기반으로 예측시스템 및 실운전 데이터를 비교하여 수정된 알고리즘을 제시하는 제2 학습단계; 주예측부에서 순환신경망 기반으로 구성하여 상기 학습된 장애 예측 모델을 기반으로 특정한 이벤트를 예측을 위한 고장 예측단계; 및 주예측부에서 특정한 이벤트 발생이 예상되는 경우 발생이 예상되는 특정한 이벤트에 대한 정보를 출력부로 전송하여 디스플레이로 출력하는 출력단계를 포함하는 것일 수 있다.
상기 고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 방법에 있어서, 상기 장애 예측 모델은 CRNN(Convolution RecurrentNeural Network) 알고리즘이 적용된 것일 수 있다.
상기 고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 방법에 있어서, 상기 제1 학습단계; 제2 학습단계 또는 고장 예측단계는 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀 신경망의 파라미터를 갱신하는 것일 수 있다.
상기 고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 방법에 있어서, 상기 회귀 신경망은, 상기 부품의 충전 상태값(SOC, state of charge), 수명 상태값(SOH, state of health), 전력 측정값, 전압 측정값, 전류 측정값, 및 온도 측정값 중에서 적어도 하나 이상의 입력 벡터가 포함되는 것일 수 있다.
본 발명은 플랜트 설비 또는 선박 등에 있어서 실운전 데이터를 기반으로 한 머신러닝 기반의 인공지능의 고장 예측 솔루션을 제공한다.
본 발명은 플랜트 설비 또는 선박의 실운전에서 수집된 빅데이터를 기반으로 독자적인 알고리즘을 적용한 고장 예측 시스템을 통하여 보다 정확하고 효율적인 플랜트 또는 선박의 유지 및 관리를 할 수 있다.
본 발명은 CRNN(Convolution Recurrent Neural Network) 알고리즘 및 실데이터를 기반으로 학습된 보다 보완된 알고리즘을 적용하여 보다 효과적인 사전정비를 할 수 있도록 한다.
이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예에 대하여 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
본 발명의 일 실시예에 따른 CRNN 알고리즘을 적용한 발전플랜트 및 선박의 고장 예측 시스템은 발전 플랜트 또는 선박(600)의 운전에 관한 로데이터가 저장되는 저장부(510); 미리 정해 놓은 기준에 따라 상기 로데이터 값을 기초로 일차적인 데이터 가공을 통하여 데이터를 전처리 하는 데이터 전처리부(520); 상기 데이터 전처리부(520)에서 생성한 정규화 데이터를 기초로 상기 장애 예측 모델(100)을 위한 학습 데이터를 생성하고, 상기 학습 데이터를 이용하여 상기 장애 예측 모델(100)을 학습시키는 제1 학습부(530); 실운전 데이터를 기반으로 예측시스템 및 실운전 데이터를 비교하여 수정된 알고리즘을 제시하는 제2 학습부(531); 순환신경망 기반으로 구성하여 상기 학습된 장애 예측 모델(100)을 기반으로 특정한 이벤트를 예측을 위한 주예측부(540); 및 상기 주예측부(540)에서 특정한 이벤트 발생이 예상되는 경우 발생이 예상되는 특정한 이벤트에 대한 정보를 출력하는 출력부(102)를 포함하는 것일 수 있다.
상기 신경망은 복수의 셀을 포함하는 하나의 신경망 층과, 상기 하나의 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고, 상기 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터가 업데이트 되는 것일 수 있다.
상기 장애 예측 모델(100)은 CRNN(Convolution RecurrentNeural Network) 알고리즘이 적용된 것일 수 있다.
본 발명의 다른 일 실시예에 따른 CRNN 알고리즘을 적용한 발전플랜트 및 선박의 고장 예측 방법은 발전 플랜트 또는 선박(600)을 운전하면서 수집된 로데이터가 저장부(510)에 저장되는 로데이터 업데이트 단계; 데이터 전처리부(520)에서 상기 로데이터 업데이트 단계에서 수집된 업데이트 된 로데이터를 미리 정해 놓은 기준에 따라 일차적인 데이터 가공을 통하여 데이터를 전처리 하는 데이터 전처단계; 제1 학습부(530)에서 상기 데이터 전처리 단계에서 전처리된 데이터를 기초로 미리 저장된 상기 장애 예측 모델(100)에 적용 및 학습하는 제1 학습단계; 제2 학습부(531)에서 실운전 데이터를 기반으로 예측시스템 및 실운전 데이터를 비교하여 수정된 알고리즘을 제시하는 제2 학습단계; 주예측부(540)에서 순환신경망 기반으로 구성하여 상기 학습된 장애 예측 모델(100)을 기반으로 특정한 이벤트를 예측을 위한 고장 예측단계; 및 주예측부(540)에서 특정한 이벤트 발생이 예상되는 경우 발생이 예상되는 특정한 이벤트에 대한 정보를 출력부(102)로 전송하여 디스플레이로 출력하는 출력단계를 포함하는 것일 수 있다.
상기 장애 예측 모델(100)은 CRNN(Convolution RecurrentNeural Network) 알고리즘이 적용된 것일 수 있다.
상기 학습단계 또는 고장 예측단계는 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀 신경망의 파라미터를 갱신하는 것일 수 있다.
상기 회귀 신경망은, 상기 부품의 충전 상태값(SOC, state of charge), 수명 상태값(SOH, state of health), 전력 측정값, 전압 측정값, 전류 측정값, 및 온도 측정값 중에서 적어도 하나 이상의 입력 벡터가 포함되는 것일 수 있다.
이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
100: 장애예측모델
102: 출력부
110: 데이터 소스
500: 고장 예측 시스템
510: 저장부
520: 데이터 전처리부
530: 제1 학습부
531: 제2 학습부
540: 주예측부
600: 플랜트 또는 선박
102: 출력부
110: 데이터 소스
500: 고장 예측 시스템
510: 저장부
520: 데이터 전처리부
530: 제1 학습부
531: 제2 학습부
540: 주예측부
600: 플랜트 또는 선박
Claims (7)
- 발전 플랜트 또는 선박의 운전에 관한 로데이터가 저장되는 저장부;
미리 정해 놓은 기준에 따라 상기 로데이터 값을 기초로 일차적인 데이터 가공을 통하여 데이터를 전처리 하는 데이터 전처리부;
상기 데이터 전처리부에서 생성한 정규화 데이터를 기초로 상기 장애 예측 모델을 위한 학습 데이터를 생성하고, 상기 학습 데이터를 이용하여 상기 장애 예측 모델을 학습시키는 제1 학습부;
실운전 데이터를 기반으로 예측시스템 및 실운전 데이터를 비교하여 수정된 알고리즘을 제시하는 제2 학습부;
순환신경망 기반으로 구성하여 상기 학습된 장애 예측 모델을 기반으로 특정한 이벤트를 예측을 위한 주예측부; 및
상기 주예측부에서 특정한 이벤트 발생이 예상되는 경우 발생이 예상되는 특정한 이벤트에 대한 정보를 출력하는 출력부를 포함하는 것인
고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 시스템. - 제 1항에 있어서,
상기 신경망은 복수의 셀을 포함하는 하나의 신경망 층과, 상기 하나의 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고,
상기 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터가 업데이트 되는 것인
고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 시스템. - 제 1항에 있어서,
상기 장애 예측 모델은 CRNN(Convolution RecurrentNeural Network) 알고리즘이 적용된 것인
고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 시스템. - 발전 플랜트 또는 선박을 운전하면서 수집된 로데이터가 저장부에 저장되는 로데이터 업데이트 단계;
데이터 전처리부에서 상기 로데이터 업데이트 단계에서 수집된 업데이트 된 로데이터를 미리 정해 놓은 기준에 따라 일차적인 데이터 가공을 통하여 데이터를 전처리 하는 데이터 전처단계;
제1 학습부에서 상기 데이터 전처리 단계에서 전처리된 데이터를 기초로 미리 저장된 상기 장애 예측 모델에 적용 및 학습하는 제1 학습단계;
제2 학습부에서 실운전 데이터를 기반으로 예측시스템 및 실운전 데이터를 비교하여 수정된 알고리즘을 제시하는 제2 학습단계;
주예측부에서 순환신경망 기반으로 구성하여 상기 학습된 장애 예측 모델을 기반으로 특정한 이벤트를 예측을 위한 고장 예측단계; 및
주예측부에서 특정한 이벤트 발생이 예상되는 경우 발생이 예상되는 특정한 이벤트에 대한 정보를 출력부로 전송하여 디스플레이로 출력하는 출력단계
를 포함하는 것인
고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 방법. - 제 4항에 있어서,
상기 장애 예측 모델은 CRNN(Convolution RecurrentNeural Network) 알고리즘이 적용된 것인
고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 방법. - 제 4항에 있어서,
상기 제1 학습단계; 제2 학습단계 또는 고장 예측단계는 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀 신경망의 파라미터를 갱신하는 것인
고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 방법. - 제 6항에 있어서,
상기 회귀 신경망은,
상기 부품의 충전 상태값(SOC, state of charge), 수명 상태값(SOH, state of health), 전력 측정값, 전압 측정값, 전류 측정값, 및 온도 측정값 중에서 적어도 하나 이상의 입력 벡터가 포함되는 것인
고도화된 CRNN 알고리즘을 적용한 고장 예측 및 사전정비 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210051370A KR20220144707A (ko) | 2021-04-20 | 2021-04-20 | 고도화된 crnn 알고리즘을 적용한 고장 예측 및 사전정비 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210051370A KR20220144707A (ko) | 2021-04-20 | 2021-04-20 | 고도화된 crnn 알고리즘을 적용한 고장 예측 및 사전정비 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220144707A true KR20220144707A (ko) | 2022-10-27 |
Family
ID=83810453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210051370A KR20220144707A (ko) | 2021-04-20 | 2021-04-20 | 고도화된 crnn 알고리즘을 적용한 고장 예측 및 사전정비 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220144707A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875945A (zh) * | 2024-03-08 | 2024-04-12 | 南方电网数字平台科技(广东)有限公司 | 一种电网设备维修预测方法、系统和介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120119557A (ko) | 2011-04-22 | 2012-10-31 | 대양전기공업 주식회사 | 선박상태 모니터링 서비스시스템 |
| KR101504292B1 (ko) | 2014-07-07 | 2015-03-23 | 연세대학교 산학협력단 | 수요 예측 방법 및 수요 예측 장치 |
-
2021
- 2021-04-20 KR KR1020210051370A patent/KR20220144707A/ko unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120119557A (ko) | 2011-04-22 | 2012-10-31 | 대양전기공업 주식회사 | 선박상태 모니터링 서비스시스템 |
| KR101504292B1 (ko) | 2014-07-07 | 2015-03-23 | 연세대학교 산학협력단 | 수요 예측 방법 및 수요 예측 장치 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875945A (zh) * | 2024-03-08 | 2024-04-12 | 南方电网数字平台科技(广东)有限公司 | 一种电网设备维修预测方法、系统和介质 |
| CN117875945B (zh) * | 2024-03-08 | 2024-05-28 | 南方电网数字平台科技(广东)有限公司 | 一种电网设备维修预测方法、系统和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3809220B1 (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 | |
| Yuan et al. | Fault diagnosis and remaining useful life estimation of aero engine using LSTM neural network | |
| Costa et al. | Variational encoding approach for interpretable assessment of remaining useful life estimation | |
| Morando et al. | Fuel cells prognostics using echo state network | |
| US10379146B2 (en) | Detecting non-technical losses in electrical networks based on multi-layered statistical techniques from smart meter data | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| Choo et al. | Adaptive multi-scale prognostics and health management for smart manufacturing systems | |
| CN114841199A (zh) | 配电网故障诊断方法、装置、设备及可读存储介质 | |
| KR20220144707A (ko) | 고도화된 crnn 알고리즘을 적용한 고장 예측 및 사전정비 시스템 | |
| Ren et al. | DLformer: A dynamic length transformer-based network for efficient feature representation in remaining useful life prediction | |
| Lughofer et al. | Prologue: Predictive maintenance in dynamic systems | |
| Liu et al. | A novel health prognosis method for system based on improved degenerated Hidden Markov model | |
| Liu et al. | Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method | |
| Zhou et al. | Deep learning-based intelligent multilevel predictive maintenance framework considering comprehensive cost | |
| CN113901622A (zh) | 一种基于遗传算法优化的svm的配电网拓扑辨识方法 | |
| Zhao et al. | Evaluation of operating state for smart electricity meters based on transformer–encoder–BiLSTM | |
| Li et al. | RUL prediction of rolling bearings across working conditions based on multi-scale convolutional parallel memory domain adaptation network | |
| KR20220048621A (ko) | Crnn 알고리즘을 적용한 발전플랜트 및 선박의 고장 예측 시스템 및 방법 | |
| JP7490807B2 (ja) | 産業上の利用のために人工知能モジュールを訓練すること | |
| CN115841580A (zh) | 一种基于标记分布的轴承剩余使用寿命预测方法 | |
| Tong et al. | A prediction model for complex equipment remaining useful life using gated recurrent unit complex networks | |
| Krupp et al. | A hybrid framework for bearing fault diagnosis using physics-guided neural networks | |
| Esteves et al. | Prognostics health management: perspectives in engineering systems reliability prognostics | |
| Mathew et al. | An Ensemble of Modified Support Vector Regression Models for Data-Driven Prognostics | |
| EP3968231A1 (en) | Active learning agent for learning at least one strategy |