KR20230012264A - 인공 지능을 이용한 설비의 예측 진단 방법 - Google Patents

인공 지능을 이용한 설비의 예측 진단 방법 Download PDF

Info

Publication number
KR20230012264A
KR20230012264A KR1020210092825A KR20210092825A KR20230012264A KR 20230012264 A KR20230012264 A KR 20230012264A KR 1020210092825 A KR1020210092825 A KR 1020210092825A KR 20210092825 A KR20210092825 A KR 20210092825A KR 20230012264 A KR20230012264 A KR 20230012264A
Authority
KR
South Korea
Prior art keywords
facility
learning data
data
learning
training
Prior art date
Application number
KR1020210092825A
Other languages
English (en)
Inventor
김주식
민성목
예송해
전이슬
맹효영
이희인
임강민
권장우
이선우
Original Assignee
한국수력원자력 주식회사
주식회사 에이티지
인하대학교 산학협력단
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 한국수력원자력 주식회사, 주식회사 에이티지, 인하대학교 산학협력단 filed Critical 한국수력원자력 주식회사
Priority to KR1020210092825A priority Critical patent/KR20230012264A/ko
Publication of KR20230012264A publication Critical patent/KR20230012264A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

본 발명에 따른 인공 지능을 이용한 설비의 예측 진단 방법은 (a) 열화상 카메라로부터 설비의 열화상 이미지를 수집하여 학습 데이터를 확보하는 단계, (b) (a) 단계에서 확보된 학습 데이터에 라벨링 하는 단계, (c) 학습 데이터를 학습 알고리즘에서 사용 가능한 이미지 특성으로 변환하는 단계, (d) (c) 단계에서 변환된 학습 데이터를 딥러닝 기반의 객체 검출 알고리즘을 이용하여 훈련하는 단계 및 (e) (d) 단계에서 훈련된 훈련 모델과 진단 설비의 열화상 이미지를 비교하여 진단 설비의 상태를 판별하는 단계를 포함하는 것을 특징으로 한다.

Description

인공 지능을 이용한 설비의 예측 진단 방법{PREDICTION DIAGNOSIS METHOD OF EQUIPMENT FOR USING AI}
본 발명은 인공 지능을 이용한 설비의 예측 진단 방법에 관한 것으로서, 보다 상세하게는 인공 지능을 이용하여 설비의 상태를 예측 진단할 수 있는 인공 지능을 이용한 설비의 예측 진단 방법에 관한 것이다.
일반적으로 화력 발전소와 원자력 발전소는 각각 화석 에너지의 열을 이용하여 생성된 증기를 터빈에 공급 및 원자로에서 핵 반응에 의한 열을 이용하여 생성된 증기를 터빈에 공급하여 전기를 생산하는 설비 시스템이다.
여기서, 화력 발전소와 원자력 발전소는 상술한 바와 같이 열 에너지를 이용하여 증기를 생성한 후, 증기를 터빈으로 공급하여 전기를 생산함으로써 각각의 설비에서 열 관리에 대한 실시간 모니터링이 필수적이다. 예를 들어, 원자력 발전소는 크게 원자로, 증기발생기, 가압기 등으로 구성되고, 각각의 구성은 고온 및 저온의 냉각재들이 유동되는 배관으로 연결되어 있다. 이러한 원자력 발전소는 원자로의 핵 반응에 의한 열에 의해 온도가 상승한 1차 냉각재가 배관을 통해 증기발생기로 유동되어 증기를 생성하고, 증기발생기에서 열 교환된 저온의 1차 냉각재가 원자로로 순환되는 시스템으로 구축된다.
한편, 원자력 발전소의 냉각재 순환 구조에 따라 각각의 설비에서 상태 진단이 필요하다. 예를 들면, 각각의 설비에 부착된 센서로부터 진동, 소음 등이 신호를 실시간으로 분석할 뿐만 아니라 온도 센서 등을 통하여 온도 변화를 실시간으로 모니터링 한다.
그런데, 종래의 발전소에서 각각의 설비의 진단을 위해서 진동 센서 및 온도 센서 등과 같이 다양한 센서로부터 취득한 정보를 이용하기 때문에 센서의 사용에 따른 유지보수 비용이 증가하는 문제점이 있다.
또한, 종래의 발전소의 설비 진단 방법은 다양한 센서로부터 수집된 감지 신호를 이용하기 때문에 감지 신호의 노이즈 제거 등의 데이터 전처리 등의 복합한 작업이 필요한 문제점도 있다.
더불어, 종래의 발전소의 설비 진단 방법은 센서로부터 수집된 감지 신호를 분석하여 이상 신호 검출될 때 이상 신호가 검출된 설비에 대한 수리를 진행하므로 설비의 고장 수리의 소요 시간이 발생하여 생산성이 저하되는 문제점도 있다.
대한민국 등록특허공보 제10-1837027호: 열화상 영상 기반의 슈퍼픽셀을 활용한 객체 추적 장치 및 방법
본 발명의 목적은 발전소의 설비에 대한 열화상 이미지를 수집하고 인공 지능을 이용하여 열화상 이미지를 분석하여 대상 설비에 대해 예측 진단을 할 수 있는 인공 지능을 이용한 설비의 예측 진단 방법을 제공하는 것이다.
상기 과제의 해결 수단은, 본 발명에 따라 (a) 열화상 카메라로부터 설비의 열화상 이미지를 수집하여 학습 데이터를 확보하는 단계와, (b) 상기 (a) 단계에서 확보된 상기 학습 데이터에 라벨링 하는 단계와, (c) 상기 학습 데이터를 학습 알고리즘에서 사용 가능한 이미지 특성으로 변환하는 단계와, (d) 상기 (c) 단계에서 변환된 상기 학습 데이터를 딥러닝 기반의 객체 검출 알고리즘을 이용하여 훈련하는 단계와, (e) 상기 (d) 단계에서 훈련된 훈련 모델과 진단 설비의 열화상 이미지를 비교하여 상기 진단 설비의 상태를 판별하는 단계를 포함하는 것을 특징으로 하는 인공 지능을 이용한 설비의 예측 진단 방법에 의해 이루어진다.
여기서, 상기 (a) 단계는 검출 대상 설비를 선정하여 상기 학습 데이터로 확보될 검출 대상 설비의 열화상 이미지를 수집할 수 있다.
상기 (b) 단계에서 상기 학습 데이터에 라벨링 되는 정보는 검출 대상 설비명 및 이미지 내의 박스 좌표를 포함할 수 있다.
상기 (c) 단계는 상기 학습 데이터를 상기 (d) 단계의 상기 딥러닝 기반의 객체 검출 알고리즘에서 훈련하도록 상기 학습 데이터로 확보된 열화상 이미지의 스케일링과 증강 중 적어도 어느 하나를 수행할 수 있다.
상기 딥러닝 기반의 객체 검출 알고리즘은 Faster R-CNN 알고리즘을 포함할 수 있다.
상기 학습 데이터는 컬러 맵 조정을 통해 컬러 적용 범위를 조절하여 온도 범위의 특징으로 추출되고, 하나의 상기 학습 데이터에서 복수의 상기 학습 데이터가 생성될 수 있다.
상기 훈련 모델은 상기 학습 데이터로 확보된 열화상 이미지로부터 온도 및 복사 에너지를 데이터 형식으로 추출할 수 있다.
상기 (d) 단계에서 상기 진단 설비의 상태 판별은 상기 훈련 모델과의 온도와 비교하여, 적합 또는 부적합으로 판별할 수 있다.
상기 학습 데이터로 확보되는 열화상 이미지는 상기 열화상 카메라로부터 촬영된 동영상 파일에서 정지 영상의 프레임 단위로 추출될 수 있다.
기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명에 따른 인공 지능을 이용한 설비의 예측 진단 방법의 효과는 다음과 같다.
첫째, 딥러닝 기반 객체 검출 알고리즘을 이용하여 이미지 기반으로 설비의 상태를 판별 및 예측할 수 있으므로, 설비의 신뢰성 및 관리 효율을 향상하여 유지보수 비용을 절감할 수 있다.
둘째, 열화상 이미지를 딥러닝 기반 객체 검출 알고리즘을 이용하여 분석함으로써, 설비 관리자의 편의를 향상함과 함께 예방 진단에 의해 이상 상태의 객체를 빠르게 검출하여 설비의 관리 효율을 향상할 수 있다.
도 1은 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 시스템에 대한 구성 블록도,
도 2는 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 방법에서 수집되는 열화상 이미지의 예시도,
도 3은 도 2에서 수집된 열화상 이미지를 처리하는 개념도,
도 4는 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 방법에서 이미지 특성을 변환하는 예시도,
도 5는 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 방법에서 딥러닝 기반의 객체 검출 알고리즘을 이용하는 훈련 예시도,
도 6은 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 방법에 대한 흐름도이다.
이하, 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 방법에 대해 첨부된 도면을 참조하여 상세히 설명한다.
설명하기에 앞서, 이하에 기재되는 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 방법은 원자력 발전소의 설비를 대상으로 하고 있으나, 이에 한정되지 않고 열이 발생하는 다양한 산업 분야의 설비에서도 적용할 수 있음을 미리 밝혀둔다.
도 1은 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 시스템에 대한 구성 블록도, 도 2는 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 방법에서 수집되는 열화상 이미지의 예시도, 도 3은 도 2에서 수집된 열화상 이미지를 처리하는 개념도, 도 4는 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 방법에서 이미지 특성을 변환하는 예시도, 그리고 도 5는 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 방법에서 딥러닝 기반의 객체 검출 알고리즘을 이용하는 훈련 예시도이다.
도 1 내지 도 5에 도시된 바와 같이, 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 시스템(10)은 열화상 카메라(100), 데이터 수집부(300), 데이터 처리부(500), 데이터 훈련부(700) 및 판별부(900)를 포함한다. 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 시스템(10)은 원자력 발전소의 각 설비의 열화상 이미지(F)를 분석하여 각 설비의 상태를 예측 진단한다.
열화상 카메라(100)는 도 2에 도시된 바와 같이, 설비의 열화상 이미지(F)를 촬영한다. 즉, 열화상 카메라(100)는 원자력 발전소의 배관, 기타 설비 등과 같이 열이 발생하는 다양한 설비에 대한 열화상 이미지(F)를 촬영한다. 본 발명의 일 실시 예로서, 열화상 카메라(100)는 각각의 설비에 대해 동영상으로 열화상 이미지(F)를 촬영한다. 열화상 카메라(100)로부터 촬영된 열화상 이미지(F)는 데이터 수집부(300)에서 학습 데이터로 수집된다.
상세하게 열화상 카메라(100)는 1초에 30프레임의 동영상을 촬영하고, 열화상 카메라(100)에 의해 촬영된 동영상은 프레임 별로 잘라져 학습 데이터로 생성된다. 본 발명의 일 실시 예와 같이, 초당 30프레임의 동영상을 프레임 별의 학습 데이터로 생성하면 약 1분의 동영상 파일은 1800장의 학습 데이터로 생성된다. 이렇게 프레임 별로 분류된 정지 영상의 열화 상 이미지(F)는 각각 후술할 데이터 처리부(500)에 의해 라벨링 되어 딥러닝 알고리즘에서 학습된다.
데이터 수집부(300)는 열화상 카메라(100)로부터 촬영된 열화상 이미지(F)를 학습 데이터로 수집한다. 도 3에 도시된 바와 같이, 열화상 카메라(100)로부터 촬영된 동영상 파일의 학습 데이터를 정지 영상의 프레임 단위로 추출한다. 데이터 수집부(300)는 추출된 열화상 이미지(F)를 학습 데이터로 정렬 및 일련화 한다. 이러한 열화상 카메라(100)로부터 촬영된 동영상 파일을 정지 영상의 프레임 단위의 열화상 이미지(F)로 추출하여 후술할 학습 데이터의 훈련 시 학습 데이터 부족할 수 있는 문제를 해결할 수 있다.
데이터 처리부(500)는 데이터 수집부(300)에서 확보된 학습 데이터에 라벨링 및 학습 알고리즘에서 사용 가능한 이미지 특성으로 변환한다. 여기서, 데이터 처리부(500)는 학습 데이터에서 검출하고자 하는 대상 설비를 라벨링 한다. 상세하게 열화상 이미지(F)의 라벨링은 검출 대상 설비명, 열화상 이미지(F) 내의 박스 좌표 등을 포함한다.
또한, 데이터 처리부(500)는 학습 데이터를 학습 알고리즘에서 사용 가능한 이미지 특성으로 변환한다. 열화상 이미지(F)의 특성 변환은 열화상 이미지(F)의 스케일링과 증강 중 적어도 어느 하나로 수행한다. 열화상 이미지(F)의 특성 변환은 도 4에 도시된 바와 같이, 컬러 맵 조정을 통해 학습 데이터의 컬러 적용 범위를 조절하여 온도 범위의 특징으로 추출 및 하나의 학습 데이터에서 복수의 학습 데이터를 생성한다. 상세하게 학습 데이터의 컬러 맵 조정은 본 발명의 일 실시 예로서, 다양한 팔레트 변환과 컬러 맵 조정 알고리즘을 통하여 데이터를 증강한다.
다음으로 데이터 훈련부(700)는 데이터 처리부(500)에서 변환된 학습 데이터를 딥러닝 기반의 객체 검출 알고리즘을 이용하여 훈련한다. 도 5에 도시된 바와 같이, 데이터 훈련부(700)는 학습 데이터인 열화상 이미지(F)의 온도 파일에 따라 우선적으로 적합/부적합으로 판단하여 구분하고 객체를 검출한다. 학습 데이터의 객체 검출 후 딥러닝 기법 중 Faster_CNN 및 PspNet(pyramid scene parsing network)를 이용하여 학습 데이터룰 훈련한다. 본 발명의 일 실시 예로서, 딥러닝 기반의 객체 검출 알고리즘은 Faster R-CNN 알고리즘을 사용한다. 본 발명의 일 실시 예에서 딥러닝 기반의 객체 검출 알고리즘인 Faster R-CNN은 기존 방식의 정확도를 유지하며 가장 처리속도가 빠른 알고리즘이다.
상세하게 Faster R-CNN은 지역 제안(region proposal)과 분류(classification)가 순차적으로 진행되는 2-stage detector로서, 기존 객체 검출을 위해 이미지의 모든 영역을 다양한 크기의 윈도우로 탐색하는 슬라이딩 윈도우 방식을 사용하나, Faster R-CNN은 지역 제안 네트워크(region proposal network)를 사용해 관심 영역을 계산하고 각 관심 영역들을 분류(classification) 및 국소화(localization)하므로 기존의 방법보다 속도가 상승하며 높은 정확도를 갖는다. 여기서, 학습 데이터의 훈련 모델은 학습 데이터로 확보된 열화상 이미지(F)로부터 온도 및 복사 에너지를 추출한다.
마지막으로 판별부(900)는 훈련 모델과 진단 설비의 열화상 이미지(F)를 비교하여 진단 설비의 상태를 판별한다. 상세하게 진단 설비의 상태 판별은 훈련 모델과 진단 설비의 열화상 이미지(F)에 대해 온도를 비교하여 적합 또는 부적합으로 판별한다. 예를 들어, 적합은 이상 상태 발생이 예측되지 않는 것의 의미이고, 부적합은 이상 상태 발생 또는 이상 상태 발생 예측을 의미한다.
도 6은 본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 방법에 대한 흐름도이다.
본 발명의 실시 예에 따른 인공 지능을 이용한 설비의 예측 진단 방법은 다음과 같다.
우선 열화상 카메라(100)로부터 열화상 이미지(F)를 수집 및 학습 데이터를 확보한다(S100). 열화상 카메라(100)는 설비를 동영상으로 촬영하고, 열화상 카메라(100)로 촬영된 동영상 파일은 정지 영상의 프레임 단위의 열화상 이미지(F)로 추출된다. 이렇게 열화상 카메라(100)로부터 촬영된 동영상 파일을 정지 영상의 프레임 단위의 열화상 이미지(F)로 추출하여 학습 데이터로 확보함으로써, 딥러닝 기반의 객체 검출 알고리즘에서 훈련될 학습 데이터의 부족을 방지할 수 있다.
S100 단계에서 확보된 학습 데이터에 라벨링 한다(S200). 학습 데이터에 라벨링 하는 단계는 열화상 이미지(F)의 검출 대상 설비명 및 열화상 이미지(F) 내의 박스 좌표를 포함한다. 물론, 학습 데이터에 라벨링 하는 단계는 상기한 이미지의 검출 대상 설비명 및 열화상 이미지(F) 내의 박스 좌표 이외에도 다양한 정보를 포함할 수 있다. 학습 알고리즘에서 사용 가능한 이미지 특성으로 학습 데이터를 변환한다(S300). 학습 데이터의 이미지 특성 변환은 스케일링 및 증강을 포함할 수 있다. 예를 들어, 이미지 특성 변환은 학습 데이터로 사용되는 열화상 이미지(F)의 컬러 맵 조정, 열화상 이미지(F)의 확대 및 열화상 이미지(F)의 각도 변화 등과 같이 다양한 이미지 특성 변환을 포함한다.
S300 단계에서 이미지 특성이 변환된 학습 데이터는 딥러닝 기반의 객체 검출 알고리즘에서 훈련된다.(S400). 본 발명의 일 실시 예로서, 딥러닝 기반의 객체 검출 알고리즘은 Faster R-CNN이 사용된다. S400 단계에서 훈련된 학습 데이터의 훈련 모델은 열화상 이미지(F)로부터 온도 및 복사 에너지를 데이터 형식으로 추출한다. 훈련 모델과 검출 대상 진단 설비의 열화상 이미지를 비교한다(S500). S500 단계는 훈련 모델의 온도와 검출 대상 설비의 열화상 이미지(F)를 비교한다. 검출 대상 진단 설비의 상태를 판별한다(S600). S600 단계는 S500 단계에서의 훈련 모델과 검출 대상 설비의 열화상 이미지(F)를 상호 비교하여 이상 상태 유무를 판별한다. 또한, S600 단계는 검출 대상 설비의 이상 상태 예측도 판별한다.
이에, 딥러닝 기반 객체 검출 알고리즘을 이용하여 이미지 기반으로 설비의 상태를 판별 및 예측할 수 있으므로, 설비의 신뢰성 및 관리 효율을 향상하여 유지보수 비용을 절감할 수 있다.
또한, 열화상 이미지를 딥러닝 기반 객체 검출 알고리즘을 이용하여 분석함으로써, 설비 관리자의 편의를 향상함과 함께 예방 진단에 의해 이상 상태의 객체를 빠르게 검출하여 설비의 관리 효율을 향상할 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시 예들을 설명하였지만, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 그 기술적 사상이나 필수적인 특징들이 변경되지 않고서 다른 구체적인 형태로 실시될 수 있다는 것으로 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 인공 지능을 이용한 설비의 예측 진단 시스템
100: 열화상 카메라 300: 데이터 수집부
500: 데이터 처리부 700: 데이터 훈련부
900: 판별부 F: 열화상 이미지

Claims (9)

  1. (a) 열화상 카메라로부터 설비의 열화상 이미지를 수집하여, 학습 데이터를 확보하는 단계와;
    (b) 상기 (a) 단계에서 확보된 상기 학습 데이터에 라벨링 하는 단계와;
    (c) 상기 학습 데이터를 학습 알고리즘에서 사용 가능한 이미지 특성으로 변환하는 단계와;
    (d) 상기 (c) 단계에서 변환된 상기 학습 데이터를 딥러닝 기반의 객체 검출 알고리즘을 이용하여 훈련하는 단계와;
    (e) 상기 (d) 단계에서 훈련된 훈련 모델과 진단 설비의 열화상 이미지를 비교하여, 상기 진단 설비의 상태를 판별하는 단계를 포함하는 것을 특징으로 하는 인공 지능을 이용한 설비의 예측 진단 방법.
  2. 제 1항에 있어서,
    상기 (a) 단계는 검출 대상 설비를 선정하여 상기 학습 데이터로 확보될 검출 대상 설비의 열화상 이미지를 수집하는 것을 특징으로 하는 인공 지능을 이용한 설비의 예측 진단 방법.
  3. 제 1항에 있어서,
    상기 (b) 단계에서 상기 학습 데이터에 라벨링 되는 정보는 검출 대상 설비명 및 이미지 내의 박스 좌표를 포함하는 것을 특징으로 하는 인공 지능을 이용한 설비의 예측 진단 방법.
  4. 제 1항에 있어서,
    상기 (c) 단계는 상기 학습 데이터를 상기 (d) 단계의 상기 딥러닝 기반의 객체 검출 알고리즘에서 훈련하도록 상기 학습 데이터로 확보된 열화상 이미지의 스케일링과 증강 중 적어도 어느 하나를 수행하는 것을 특징으로 하는 인공 지능을 이용한 설비의 예측 진단 방법.
  5. 제 1항 또는 제 4항에 있어서,
    상기 딥러닝 기반의 객체 검출 알고리즘은 Faster R-CNN 알고리즘을 포함하는 것을 특징으로 하는 인공 지능을 이용한 설비의 예측 진단 방법.
  6. 제 1항에 있어서,
    상기 학습 데이터는 컬러 맵 조정을 통해 컬러 적용 범위를 조절하여 온도 범위의 특징으로 추출되고, 하나의 상기 학습 데이터에서 복수의 상기 학습 데이터가 생성되는 것을 특징으로 하는 인공 지능을 이용한 설비의 예측 진단 방법.
  7. 제 6항에 있어서,
    상기 훈련 모델은 상기 학습 데이터로 확보된 열화상 이미지로부터 온도 및 복사 에너지를 데이터 형식으로 추출하는 것을 특징으로 하는 인공 지능을 이용한 설비의 예측 진단 방법.
  8. 제 7항에 있어서,
    상기 (d) 단계에서 상기 진단 설비의 상태 판별은 상기 훈련 모델과의 온도와 비교하여, 적합 또는 부적합으로 판별하는 것을 특징으로 하는 인공 지능을 이용한 설비의 예측 진단 방법.
  9. 제 1항에 있어서,
    상기 학습 데이터로 확보되는 열화상 이미지는 상기 열화상 카메라로부터 촬영된 동영상 파일에서 정지 영상의 프레임 단위로 추출되는 것을 특징으로 하는 인공 지능을 이용한 설비의 예측 진단 방법.
KR1020210092825A 2021-07-15 2021-07-15 인공 지능을 이용한 설비의 예측 진단 방법 KR20230012264A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210092825A KR20230012264A (ko) 2021-07-15 2021-07-15 인공 지능을 이용한 설비의 예측 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210092825A KR20230012264A (ko) 2021-07-15 2021-07-15 인공 지능을 이용한 설비의 예측 진단 방법

Publications (1)

Publication Number Publication Date
KR20230012264A true KR20230012264A (ko) 2023-01-26

Family

ID=85110523

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210092825A KR20230012264A (ko) 2021-07-15 2021-07-15 인공 지능을 이용한 설비의 예측 진단 방법

Country Status (1)

Country Link
KR (1) KR20230012264A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101837027B1 (ko) 2017-09-25 2018-03-09 건국대학교 산학협력단 열화상 영상 기반의 슈퍼픽셀을 활용한 객체 추적 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101837027B1 (ko) 2017-09-25 2018-03-09 건국대학교 산학협력단 열화상 영상 기반의 슈퍼픽셀을 활용한 객체 추적 장치 및 방법

Similar Documents

Publication Publication Date Title
CN103982378B (zh) 基于机器视觉图像对电力系统风力发电机叶片表面结冰故障进行诊断的方法
CN111624229B (zh) 一种基于红外成像的带电设备故障智能诊断方法
CN112697798B (zh) 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置
CN103984952A (zh) 基于机器视觉图像对电力系统风力发电机叶片表面裂纹故障进行诊断的方法
CN117523177A (zh) 一种基于人工智能混合大模型的燃气管道监测系统和方法
CN116310274A (zh) 一种输变电设备的状态评估方法
He et al. A non-intrusive approach for fault detection and diagnosis of water distribution systems based on image sensors, audio sensors and an inspection robot
JP6954242B2 (ja) 定置式ガス検知装置の設置箇所の調査方法
US11663815B2 (en) System and method for inspection of heat recovery steam generator
Redon et al. Development of a diagnosis tool, based on deep learning algorithms and infrared images, applicable to condition monitoring of induction motors under transient regime
CN113569956A (zh) 一种基于ai算法的山火灾害勘查识别方法
CN103984956A (zh) 基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法
KR20230012264A (ko) 인공 지능을 이용한 설비의 예측 진단 방법
US20050254548A1 (en) Method and apparatus for monitoring a technical installation, especially for carrying out diagnosis
CN117200693A (zh) 光伏组件故障诊断方法、装置、设备及存储介质
Garzón et al. Smart equipment failure detection with machine learning applied to thermography inspection data in modern power systems
EP3706268B1 (en) Artificial intelligence monitoring system using infrared images to identify hotspots in a switchgear
Rakshit et al. Railway Track Fault Detection using Deep Neural Networks
CN112508946A (zh) 一种基于对抗神经网络的电缆隧道异常检测方法
EP4372676A1 (en) Method for determining heat and reflected heat in thermal image
CN117786507B (zh) 全局和局部特征耦合指导的滚动轴承未知故障检测方法
KR102664206B1 (ko) 영상 및 설명가능인공지능 기반 항공기 검사 자동화 시스템
US20240053287A1 (en) Probability of detection of lifecycle phases of corrosion under insulation using artificial intelligence and temporal thermography
KR102580040B1 (ko) 학습 기반 금속 이물질에 의한 충격신호 진위 판별 시스템 및 그 방법
Li et al. A Leak Detection Method for Heat Network Pipes Based on YOLOv5 and Automatic Region Growing Algorithm

Legal Events

Date Code Title Description
E902 Notification of reason for refusal