KR20220150696A - 고장예측모델을 기반으로 하는 고장 예측 시스템 - Google Patents

고장예측모델을 기반으로 하는 고장 예측 시스템 Download PDF

Info

Publication number
KR20220150696A
KR20220150696A KR1020210057989A KR20210057989A KR20220150696A KR 20220150696 A KR20220150696 A KR 20220150696A KR 1020210057989 A KR1020210057989 A KR 1020210057989A KR 20210057989 A KR20210057989 A KR 20210057989A KR 20220150696 A KR20220150696 A KR 20220150696A
Authority
KR
South Korea
Prior art keywords
failure
model
failure probability
probability
history
Prior art date
Application number
KR1020210057989A
Other languages
English (en)
Other versions
KR102496917B1 (ko
Inventor
홍현주
이상준
백승엽
박종진
Original Assignee
한국남동발전 주식회사
브이젠 주식회사
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 한국남동발전 주식회사, 브이젠 주식회사 filed Critical 한국남동발전 주식회사
Priority to KR1020210057989A priority Critical patent/KR102496917B1/ko
Publication of KR20220150696A publication Critical patent/KR20220150696A/ko
Application granted granted Critical
Publication of KR102496917B1 publication Critical patent/KR102496917B1/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
    • G05B23/0259—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
    • 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
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 고장예측모델을 기반으로 하는 고장 예측 시스템에 관한 것이다. 본 발명의 일실시 예에 따른 고장예측모델을 기반으로 하는 고장 예측 시스템은 하나 이상의 발전소에서 구축된 비용분할구조(CBS) 모델을 관리하며, 비용분할구조 모델 정보를 데이터베이스에 저장하는 모델관리모듈과, 비용분할구조 모델의 고장이력 및 고장유형을 수집하고, 수집한 정보를 데이터베이스에 저장하는, 고장이력 수집모듈과, 고장이력 수집모듈에 고장이력 정보에 대하여 신규 등록여부를 모니터링하고, 고장이력 정보가 신규 등록으로 판별하면, 고장이력이 신규 등록된 비용분할구조 모델에 대한 고장확률 패턴을 분석하고, 분석한 정보를 데이터베이스에 저장하는 고장확률 계산모듈 및 고장확률 계산모듈에서 분석된 고장확률 패턴을 기반으로 비용분할구조 모델별 고장확률을 산출하고, 산출한 고장확률을 데이터베이스에 저장하는 고장확률 예측모듈을 포함한다.

Description

고장예측모델을 기반으로 하는 고장 예측 시스템{Failure prediction system based on failure prediction model}
본 발명은 고장예측모델을 기반으로 하는 고장 예측 시스템에 관한 것이다. 더욱 상세하게는 고장확률모델을 기반으로 하는 예측 시뮬레이터 모델을 구축하고, 실시간으로 학습을 실행하여 고장모델을 최적화하기 위한 고장예측모델을 기반으로 하는 고장 예측 시스템에 관한 것이다.
일반적으로 발전소에는 다수의 발전설비들이 복잡하게 밀집되어 있다. 이러한 다수의 발전설비들은 항시 실시간으로 감시할 수 있어야 하며, 설비의 고장 및 비정상 상태가 발생될 경우에 최대한 빠른 시간 내에 이를 정비할 수 있어야 한다.
종래의 발전소는 소정의 스케쥴에 따라 다수의 발전설비들 각각에 대한 정기적 예방 정비를 실시하고 있으며, 발전설비로부터 상태를 판단할 수 있는 센서 데이터를 수집하여 분석함으로써 발전설비의 고장 발생을 예측하고, 그에 따른 대응 조치를 수행하고 있다. 그러나, 종래의 발전소에서는 발전설비에서 수집되는 센서 데이터를 이용하여 단순히 경보 발생을 알려줄 뿐으로, 실제 발생된 경보들의 원인을 분석하여 조치사항을 통보하지 못하며, 이로 인해 발전소의 운전원들이 경보 발생만으로 다수의 발전설비들 중에서 고장이 발생된 설비를 찾는 것에 어려움이 있었다.
최근 들어, 학습모델 기반의 발전소 고장 예측 시스템에 대한 연구가 활발하게 진행되고 있다. 이러한 고장 예측 시스템은 발전설비로부터 수집되는 다수의 센서 데이터를 이용하여 학습모델을 학습시킴으로써, 차후 실제 발전설비에서 발생되는 센서 데이터로부터 발전설비의 고장을 예측 및 진단한다.
그러나, 통상의 발전소에서 수집되는 센서 데이터의 거의 대부분은 발전설비의 정상 운전에 따른 데이터이다. 따라서, 학습모델을 기반으로 발전소의 고장 예측 시스템을 구축하더라도 그 학습모델에 제공되는 학습데이터, 즉 센서 데이터가 다양한 운전환경을 반영하지 못하게 된다. 따라서, 종래의 발전소 고장 예측 시스템에서는 발전설비로부터 수집되는 센서 데이터에 의한 학습모델의 학습 효율이 저하되어 발전설비의 고장 발생 예측의 정확도 및 신뢰도가 낮아지게 된다.
대한민국 공개특허공보 제10-2020-0001910호
본 발명의 목적은 고장확률모델을 기반으로 하는 예측 시뮬레이터 모델을 구축하고, 실시간으로 학습을 실행하여 고장모델을 최적화하기 위한 고장예측모델을 기반으로 하는 고장 예측 시스템를 제공하는 데 있다.
상기 과제를 해결하기 위하여,
본 발명의 일실시 예에 따른 고장예측모델을 기반으로 하는 고장 예측 시스템은 하나 이상의 발전소에서 구축된 비용분할구조(CBS) 모델을 관리하며, 상기 비용분할구조 모델 정보를 데이터베이스에 저장하는 모델관리모듈;
상기 비용분할구조 모델의 고장이력 및 고장유형을 수집하고, 수집한 정보를 데이터베이스에 저장하는, 고장이력 수집모듈;
상기 고장이력 수집모듈에 고장이력 정보에 대하여 신규 등록여부를 모니터링하고, 고장이력 정보가 신규 등록으로 판별하면, 고장이력이 신규 등록된 비용분할구조 모델에 대한 고장확률 패턴을 분석하고, 분석한 정보를 상기 데이터베이스에 저장하는 고장확률 계산모듈; 및
상기 고장확률 계산모듈에서 분석된 고장확률 패턴을 기반으로 상기 비용분할구조 모델별 고장확률을 산출하고, 산출한 고장확률을 상기 데이터베이스에 저장하는 고장확률 예측모듈; 을 포함할 수 있다.
또한, 본 발명의 일실시 예에 따른 고장예측모델을 기반으로 하는 고장 예측 시스템에 있어서, 상기 고장이력 수집모듈은, 비용분할구조 모델의 고장이력 및 고장유형에 대한 정보를 외부로부터 추가로 받아 데이터베이스에 저장할 수 있다.
또한, 본 발명의 일실시 예에 따른 고장예측모델을 기반으로 하는 고장 예측 시스템에 있어서, 상기 고장확률 계산모듈에서 분석한 고장확률 패턴 및 상기 고장확률 예측모듈에서 산출한 고장확률을 모니터링하며, 상기 고장확률 패턴 및 고장확률 데이터를 관리하는 고장확률 관리모듈; 을 포함할 수 있다.
또한, 본 발명의 일실시 예에 따른 고장예측모델을 기반으로 하는 고장 예측 시스템에 있어서, 상기 고장확률 관리모듈은, 하나 이상의 상기 비용분할구조 모델에서 분석한 고장확률 패턴 및 고장확률의 분포를 모니터링하는 모니터링부;
상기 비용분할구조 모델 별로 고장이력을 관리하는 이력관리부;
상기 데이터베이스에 기 저장된 상기 비용분할구조 모델의 고장확률 패턴 및 고장확률의 업데이트 이력을 관리하는 업데이트관리부; 를 포함할 수 있다.
또한, 본 발명의 일실시 예에 따른 고장예측모델을 기반으로 하는 고장 예측 시스템에 있어서, 고장확률 관리모듈은, 상기 고장확률 계산모듈 및 고장확률 예측모듈에서 분석한 고장확률 패턴 및 고장확률을 기반으로 발전소의 고장확률에 대한 시뮬레이션을 진행하며, 시뮬레이션 결과를 표시하는 고장시뮬레이션 관리부; 를 포함할 수 있다.
또한, 본 발명의 일실시 예에 따른 고장예측모델을 기반으로 하는 고장 예측 시스템에 있어서, 상기 고장시뮬레이션 관리부는, 고장 시뮬레이션을 구동한 시간을 기준으로 1일, 7일, 30일, 90일, 180일, 365일에 따른 고장확률에 대하여 시뮬레이션을 실행하고, 시뮬레이션 결과를 상기한 날짜대로 표시할 수 있다.
이러한 해결 수단은 첨부된 도면에 의거한 다음의 발명의 상세한 설명으로부터 더욱 명백해질 것이다.
이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이고 사전적인 의미로 해석되어서는 아니 되며, 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야만 한다.
즉, 본 발명의 일실시 예에 따르면, 고장확률분포를 기반으로 고장 예측 시뮬레이터 모델을 구축할 수 있고, 고장이력등록과 함께 고장확률분포를 최적화 시킬 수 있으며, 고장예측모델이 신규데이터 등록과 함께 실시간으로 데이터 학습을 실행하여 고장모델의 성능을 향상시킬 수 있다.
도 1은 본 발명의 일실시 예에 따른 고장예측모델을 기반으로 하는 고장 예측 시스템의 구성요소를 나타내 보인 블록도.
도 2는 본 발명의 일실시 예에 따른 고장예측모델을 기반으로 하는 고장 예측 시스템의 고장확률 관리모듈의 구성요소를 나타내 보인 블록도.
본 발명의 특이한 관점, 특정한 기술적 특징들은 첨부된 도면들과 연관되는 이하의 구체적인 내용과 일실시 예로부터 더욱 명백해 질 것이다. 본 명세서에서 각 도면의 구성요소들에 참조 부호를 부가함에 있어, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 일실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 발명의 구성요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 또 다른 구성요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
이하, 본 발명의 일실시 예를 첨부된 도면에 의거하여 상세히 설명하면 다음과 같다.
도 1에 도시된 바와 같이, 본 발명의 일실시 예에 따른 고장예측모델을 기반으로 하는 고장 예측 시스템은 비용분할구조 모델을 관리하는 모델관리모듈(10)과, 비용분할구조 모델의 고장이력을 수집하는 고장이력 수집모듈(20)과, 비용분할구조 모델의 고장확률 패턴을 분석하는 고장확률 계산모듈(30)과, 비용분할구조 모델의 고장확률을 산출하는 고장확률 예측모듈(40)을 포함하여 구성될 수 있다.
먼저, 비용분할구조 모델에서의 비용분할구조는 Cost Break down Structure의 약자이며, 태양광 발전설비의 수명 주기와, 각 연도별 비용 평가를 위하여 기준을 설정하기 위한 비용 요소들의 구조이다. 특히 태양광 발전소의 운영 유지비용으로 대체될 수 있으며, 획득비와 운영 유지비용은 각 세부적인 비용요소로 구성될 수 있다.
이러한 비용분할구조 모델은 각 발전소마다 발전소 설비에 대한 고장이력, 고장유형, 고장유무를 포함하는 고장에 대한 정보를 수집하고 관리하기 수월하기 때문에 비용분할구조 모델을 각 발전소마다 생성하여 관리하는 구조로 이루어질 수 있다.
따라서, 신재생에너지발전소(풍력, 태양광, 조력, 수력)과, 화력, 원자력 발전소 등을 포함한 모든 발전소에는 비용분할구조 모델을 생성 및 이를 이용한 고장관련 데이터를 수집 및 분석할 수 있다.
이러한 비용분할구조 모델은 발전소마다 하나 이상의 비용분할구조 모델을 생성 및 관리할 수 있고, 이러한 비용분할구조 모델의 정보를 관리하는 모델관리모듈(10)을 포함할 수 있다. 모델관리모듈(10)은 비용분할구조 모델을 관리할 수 있고, 데이터베이스(60)에 저장하고, 데이터베이스(60)에서 관리할 수 있다.
또한, 모델관리모듈(10)은 하나 이상의 비용분할구조 모델 정보를 고장이력 수집모듈(20)에 제공할 수 있다.
고장이력 수집모듈(20)은 비용분할구조 모델의 고장이력, 고장유형, 고장유무를 포함하는 비용분할구조 모델에 기록된 고장관련 정보를 수집하고, 수집한 정보를 데이터베이스(60)에 별도로 저장할 수 있다.
또한, 고장이력 수집모듈(20)은 비용분할구조 모델의 고장이력, 고장유형 및 고장유무를 포함하는 고장 관련 빅데이터를 외부로부터 추가로 받아 데이터베이스(60)에 저장할 수 있으며, 빅데이터를 이룰 수 있고, 정확도를 향상시킬 수 있다.
이러한, 고장이력 수집모듈(20)은 고장확률 계산모듈(30) 및 고장확률 예측모듈(40)에 각각 정보를 제공할 수 있다.
고장확률 계산모듈(30)은 고장이력 수집모듈(20)에서 전송한 고장이력 정보에 대하여 신규 등록여부를 모니터링하고, 고장이력이 신규 등록으로 판별되면 고장이력이 신규 등록된 비용분할구조 모델에 대한 고장확률 패턴을 분석하고, 분석한 고장확률 패턴을 데이터베이스(60)에 저장할 수 있다.
예컨대, 고장이력이 데이터베이스(60)에 기 등록된 데이터이면, 별도로 고장확률 패턴은 분석하지 않고, 고장이력에 대한 횟수를 데이터베이스(60)에 추가하여 저장될 수 있다.
고장확률 예측모듈(40)은 고장확률 계산모듈(30)에서 분석한 고장확률 패턴을 기반으로 상기 비용분할구조 모델 별로 최종고장확률을 예측하여 산출할 수 있고, 산출한 최종고장확률 정보를 데이터베이스(60)에 저장할 수 있다.
즉, 고장확률 계산모듈(30)은 고장확률 패턴을 분석할 수 있고, 고장확률 예측모듈(40)은 최종고장확률을 분석하는 구조로 이루어질 수 있다.
아울러, 고장확률 계산모듈(30) 및 고장확률 예측모듈(40)에서 분석한 고장확률 패턴 및 최종고장확률을 실시간으로 모니터링하고, 고장확률 패턴 및 최종고장확률 정보를 관리하는 고장확률 관리모듈(50)을 더 포함할 수 있다.
고장확률 관리모듈(50)은 고장확률 계산모듈(30) 및 고장확률 예측모듈(40)에서 산출한 데이터를 기반으로 산출된 고장확률분포를 실시간으로 모니터링하는 기능을 수행하는 기능을 수행할 수 있다.
이러한 고장확률 관리모듈(50)은 모니터링하는 모니터링부(51)와, 비용분할구조 모델 별로 고장이력을 관리하는 이력관리부(52)와, 고장확률 정보에 관련하여 업데이트 이력을 관리하는 업데이트관리부(53)를 포함하여 구성될 수 있다.
모니터링부(51)는 고장확률 계산모듈(30) 및 고장확률 예측모듈(40)에서 산출한 하나 이상의 비용분할구조 모델에 대한 고장확률 패턴 및 최종고장확률의 분포를 모니터링하는 기능을 수행한다.
모니터링부(51)에서 모니터링한 정보를 기반으로 고장확률 계산모듈(30) 및 고장확률 예측모듈(40)에 전송하여 고장확률 계산모듈(30) 및 고장확률 예측모듈(40)에서 산출하는 정보를 실시간으로 반영할 수 있도록 구성됨으로써, 고장확률 패턴 및 최종고장확률의 분포를 실시간으로 최적화되는 효과를 기대할 수 있다.
이력관리부(52)는 비용분할구조 모델 별로 고장이력을 관리하며, 새로 신규 등록된 비용분할구조 모델은 데이터베이스(60)에 신규 등록하고, 고장이력이 데이터베이스(60)에 기 등록된 비용분할구조 모델인 경우, 고장이력에 대하여 발생빈도수를 추가하여 저장될 수 있으나, 이에 한정하는 것은 아니며, 날짜, 발생시간, 빈도수, 발전소 유형을 포함한 정보를 추가로 저장될 수 있다.
업데이트관리부(53)는 데이터베이스(60)에 기 저장된 비용분할구조 모델의 고장확률 패턴 및 최종고장획률의 업데이트 이력을 관리하는 기능을 수행하며, 새로 신규 등록된 비용분할구조 모델인 경우, 데이터베이스(60)에 신규 등록하며, 별도의 업데이트 내역이 없으므로 업데이트관리부(53)에서는 별도의 업데이트관리를 하지 않아도 될 것이다.
이에 반해, 업데이트관리부(53)는 데이터베이스(60)에 기 등록된 비용분할구조 모델인 경우, 기존에 저장된 업데이트내역에 새롭게 갱신할 정보가 있는지의 여부를 판단하고, 갱신할 정보가 있으며, 기존에 저장된 업데이트 내역에 추가로 정보를 저장할 수 있으며, 기존에 저장된 업데이트 정보는 삭제하지 않고 누적형으로 관리하는 구조로 이루어질 수 있다.
즉, 업데이트관리부(53)는 데이터베이스(60)에 기존에 저장된 업데이트 내역에 한정하여 업데이트 내역을 새롭게 이력관리하는 기능을 수행할 수 있으나, 이에 한정하지 않고 신규 등록된 비용분할구조 모델에도 적용될 수 있으며, 이는 선택사항이다.
아울러, 고장확률 관리모듈(50)은 고장확률 계산모듈(30) 및 고장확률 예측모듈에서 분석한 정보를 기반으로 발전소의 고장확률에 대한 시뮬레이션을 진행하며, 시뮬레이션 결과를 표시하는 고장시뮬레이션 관리부(54)를 더 포함할 수 있다.
고장시뮬레이션 관리부(54)는 고장확률 계산모듈(30) 및 고장확률 예측모듈에서 분석한 고장확률 패턴 및 최종고장확률과, 그에 대한 분포도를 기반으로 발전소의 고장시뮬레이션을 구동하여 고장이력에 대한 정보를 생성하는 기능을 수행하며, 생성된 정보는 데이터베이스(60)에 저장되고, 추가로 고장이력 수집모듈(20)에 전송할 수 있다.
또한, 고장시뮬레이션 관리부(54)는 고장시뮬레이션의 결과 정보를 기반으로 데이터베이스(60)에 기존에 저장된 정보에 반영하여 딥러닝 알고리즘을 통해 학습을 실행할 수 있으며, 비용분할구조의 고장 모델의 성능을 향상시킬 수 있다.
이러한 고장시뮬레이션 관리부(54)는 고장 시뮬레이션을 구동한 시간을 기준으로, 1일, 7일, 30일, 90일, 180일, 365일에 따른 고장확률에 대한 고장 시뮬레이션 결과를 각각 산출할 수 있고, 산출결과를 상기한 날짜대로(1일, 7일, 30일, 90일, 180일, 365일)표시할 수 있다.
즉, 본 발명의 일실시 예에 따르면, 고장확률분포를 기반으로 고장 예측 시뮬레이터 모델을 구축할 수 있고, 고장이력등록과 함께 고장확률분포를 최적화 시킬 수 있으며, 고장예측모델이 신규데이터 등록과 함께 실시간으로 데이터 학습을 실행하여 고장모델의 성능을 향상시킬 수 있다.
이상 본 발명을 일실시 예를 통하여 상세히 설명하였으나, 이는 본 발명을 구체적으로 설명하기 위한 것으로, 본 발명에 따른 고장예측모델을 기반으로 하는 고장 예측 시스템은 이에 한정되지 않는다. 그리고 이상에서 기재된 "포함하다", "구성하다", 또는 "가지다", 등의 용어는 특별히 반대되는 기재가 없는 한 해당 구성요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것으로 해석되어야 하며, 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다.
또한, 이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형 가능하다. 따라서, 본 발명에 개시된 일실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 일실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10 - 모델관리모듈 20 - 고장이력 수집모듈
30 - 고장확률 계산모듈 40 - 고장확률 예측모듈
50 - 고장확률 관리모듈 51 - 모니터링부
52 - 이력관리부 53 - 업데이트관리부
54 - 고장시뮬레이션 관리부 60 - 데이터베이스

Claims (6)

  1. 하나 이상의 발전소에서 구축된 비용분할구조(CBS) 모델을 관리하며, 상기 비용분할구조 모델 정보를 데이터베이스에 저장하는 모델관리모듈;
    상기 비용분할구조 모델의 고장이력 및 고장유형을 수집하고, 수집한 정보를 데이터베이스에 저장하는, 고장이력 수집모듈;
    상기 고장이력 수집모듈에 고장이력 정보에 대하여 신규 등록여부를 모니터링하고, 고장이력 정보가 신규 등록으로 판별하면, 고장이력이 신규 등록된 비용분할구조 모델에 대한 고장확률 패턴을 분석하고, 분석한 정보를 상기 데이터베이스에 저장하는 고장확률 계산모듈; 및
    상기 고장확률 계산모듈에서 분석된 고장확률 패턴을 기반으로 상기 비용분할구조 모델별 고장확률을 산출하고, 산출한 고장확률을 상기 데이터베이스에 저장하는 고장확률 예측모듈; 을 포함하는, 고장예측모델을 기반으로 하는 고장 예측 시스템.
  2. 청구항 1에 있어서,
    상기 고장이력 수집모듈은, 비용분할구조 모델의 고장이력 및 고장유형에 대한 정보를 외부로부터 추가로 받아 데이터베이스에 저장하는, 고장예측모델을 기반으로 하는 고장 예측 시스템.
  3. 청구항 1에 있어서,
    상기 고장확률 계산모듈에서 분석한 고장확률 패턴 및 상기 고장확률 예측모듈에서 산출한 고장확률을 모니터링하며, 상기 고장확률 패턴 및 고장확률 데이터를 관리하는 고장확률 관리모듈; 을 포함하는, 고장예측모델을 기반으로 하는 고장 예측 시스템.
  4. 청구항 1에 있어서,
    상기 고장확률 관리모듈은, 하나 이상의 상기 비용분할구조 모델에서 분석한 고장확률 패턴 및 고장확률의 분포를 모니터링하는 모니터링부;
    상기 비용분할구조 모델 별로 고장이력을 관리하는 이력관리부;
    상기 데이터베이스에 기 저장된 상기 비용분할구조 모델의 고장확률 패턴 및 고장확률의 업데이트 이력을 관리하는 업데이트관리부; 를 포함하는, 고장예측모델을 기반으로 하는 고장 예측 시스템.
  5. 청구항 4에 있어서,
    고장확률 관리모듈은, 상기 고장확률 계산모듈 및 고장확률 예측모듈에서 분석한 고장확률 패턴 및 고장확률을 기반으로 발전소의 고장확률에 대한 시뮬레이션을 진행하며, 시뮬레이션 결과를 표시하는 고장시뮬레이션 관리부; 를 포함하는, 고장예측모델을 기반으로 하는 고장 예측 시스템.
  6. 청구항 5에 있어서,
    상기 고장시뮬레이션 관리부는, 고장 시뮬레이션을 구동한 시간을 기준으로 1일, 7일, 30일, 90일, 180일, 365일에 따른 고장확률에 대하여 시뮬레이션을 실행하고, 시뮬레이션 결과를 상기한 날짜대로 표시하는, 고장예측모델을 기반으로 하는 고장 예측 시스템.
KR1020210057989A 2021-05-04 2021-05-04 고장예측모델을 기반으로 하는 고장 예측 시스템 KR102496917B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210057989A KR102496917B1 (ko) 2021-05-04 2021-05-04 고장예측모델을 기반으로 하는 고장 예측 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210057989A KR102496917B1 (ko) 2021-05-04 2021-05-04 고장예측모델을 기반으로 하는 고장 예측 시스템

Publications (2)

Publication Number Publication Date
KR20220150696A true KR20220150696A (ko) 2022-11-11
KR102496917B1 KR102496917B1 (ko) 2023-02-07

Family

ID=84042681

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210057989A KR102496917B1 (ko) 2021-05-04 2021-05-04 고장예측모델을 기반으로 하는 고장 예측 시스템

Country Status (1)

Country Link
KR (1) KR102496917B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451122A (zh) * 2023-04-23 2023-07-18 北京思维实创科技有限公司 一种故障确定方法、装置、电子设备及存储介质
CN116774109A (zh) * 2023-06-26 2023-09-19 国网黑龙江省电力有限公司佳木斯供电公司 基于声纹检测信息的变压器故障识别系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110043277A (ko) * 2009-10-21 2011-04-27 한국전력공사 베이지안 통계기법을 이용한 발전설비 고장예측방법
KR20200001910A (ko) 2018-06-28 2020-01-07 한국과학기술연구원 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110043277A (ko) * 2009-10-21 2011-04-27 한국전력공사 베이지안 통계기법을 이용한 발전설비 고장예측방법
KR20200001910A (ko) 2018-06-28 2020-01-07 한국과학기술연구원 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451122A (zh) * 2023-04-23 2023-07-18 北京思维实创科技有限公司 一种故障确定方法、装置、电子设备及存储介质
CN116451122B (zh) * 2023-04-23 2024-03-05 北京磁浮有限公司 一种故障确定方法、装置、电子设备及存储介质
CN116774109A (zh) * 2023-06-26 2023-09-19 国网黑龙江省电力有限公司佳木斯供电公司 基于声纹检测信息的变压器故障识别系统
CN116774109B (zh) * 2023-06-26 2024-01-30 国网黑龙江省电力有限公司佳木斯供电公司 基于声纹检测信息的变压器故障识别系统

Also Published As

Publication number Publication date
KR102496917B1 (ko) 2023-02-07

Similar Documents

Publication Publication Date Title
Byon et al. Season-dependent condition-based maintenance for a wind turbine using a partially observed Markov decision process
KR102496917B1 (ko) 고장예측모델을 기반으로 하는 고장 예측 시스템
KR101096793B1 (ko) 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체
Dong et al. Frequency prediction of power systems in FNET based on state-space approach and uncertain basis functions
Mayadevi et al. A review on expert system applications in power plants
KR102194271B1 (ko) 모델 기반의 태양광발전 통합 관리 시스템 및 방법
CN110709789A (zh) 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备
Li et al. Dynamic maintenance planning of a hydro-turbine in operational life cycle
Tamilselvan et al. Optimization of wind turbines operation and maintenance using failure prognosis
Amini et al. Electrical energy systems resilience: A comprehensive review on definitions, challenges, enhancements and future proceedings
KR102496924B1 (ko) 고장예측모델을 기반으로 하는 예지보전 운영시스템
Zhang et al. Condition based maintenance and operation of wind turbines
CN104820869A (zh) 一种含模型切换机制的风电功率爬坡事件预测方法
CN117494009A (zh) 基于绝缘材料热解分析的电气设备状态评估方法及云平台
Bangalore Load and risk based maintenance management of wind turbines
Mao et al. A visual model-based evaluation framework of cloud-based prognostics and health management
Morato et al. POMDP based maintenance optimization of offshore wind substructures including monitoring
Wang et al. Prognosis-informed wind farm operation and maintenance for concurrent economic and environmental benefits
Spiliotis et al. Tracking the performance of photovoltaic systems: a tool for minimising the risk of malfunctions and deterioration
EP3303835B1 (en) Method for windmill farm monitoring
Papatzimos et al. Data-informed lifetime reliability prediction for offshore wind farms
KR20230040006A (ko) 태양광 발전 예측 진단 시스템
Chren Towards multi-layered reliability analysis in smart grids
CN117728585B (zh) 一种分布式光伏电站状态预测方法及系统
Ding et al. Condition-based maintenance of wind power generation systems considering different turbine types and lead times

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant