KR20230059124A - 인공지능 기반의 수배전반 내 이상 진단 장치 및 방법 - Google Patents

Abstract

본 발명은 수배전반 내 이상 진단 기술에 관한 것으로, 더욱 상세하게는 준분산 광케이블 방식의 가속도계 및 온도 센서에 의해 수배전반 내 주요 개폐기의 부품 결합의 견고성을 모니터링하고 인공지능 기반의 비정상적인 가열 감지 및 사전 진단 장치 및 방법에 관한 것이다.

Description

인공지능 기반의 수배전반 내 이상 진단 장치 및 방법{DEIVCE AND METHOD OF ANOMALY DETECTION IN SWITCHBOARD BASED ON ARTIFICIAL INTELLIGENCE}

본 발명은 수배전반 내 이상 진단 기술에 관한 것으로, 더욱 상세하게는 준분산 광케이블 방식의 광섬유 가속도계 및 온도 센서에 의해 수배전반 내 주요 개폐기의 부품 결합의 견고성을 모니터링하고 인공지능 기반의 비정상적인 가열 감지 및 사전 진단 장치 및 방법에 관한 것이다.

기존의 수배전반에서 사용되었던 전기식 센서는 반도체, 저항, 콘덴서 등 전기 전자부품/소자를 이용하여 전류(전자의 흐름)는 전기식 센서를 통과 할 때 변화하고 그 변화에 대한 전류 신호를 센서로 감지하여 작동하는 방식으로 구성되어 왔으나, 수배전반 같은 전기설비 내부의 특성상 강한 전류, 전파, 전기적 노이즈는 구리 등이 안테나가 되어 전기식 센서 내부에 침입하여 수배전반 내부를 손상 시키거나 노이즈가 센서 신호에 영향을 주어 왔다.

이에따라 광케이블 방식의 센서는 경량, 유연한 길이, 높은 정확도, 신호전송 보안, 설치 용이성, 내식성 및 EM 무간섭에 대한 뛰어난 장점 및 특성을 가지고 있어 기존의 전기적 센서의 적용이 심각하게 제한된 수배전반 내부 등의 열악한 환경에서 사용하기에 우수하다.

또한 포인트형 감지방법은 표면에 별도의 와이어 연결을 각각 제공하는 개별 센서이므로 많은 시간과 노력, 비용이 소요되나, 준분산(Quasi-Distributed) 광케이블 감지기술은 전체 광섬유 링크를 따라 여러 지점을 동시에 준분산(Quasi-Distributed)된 측정을 할 수 있으므로 광케이블 길이에 따라 여러 측정지점 또는 간격을 제공할 수 있고 임의의 지점에서 외부 진동신호를 감지하며 해당지점의 위치식별이 가능한 장점이 있다. 그리고 기존의 스타형, 버스형, 트리형의 경우, 일부 단선이 발생할 경우 해당지점 또는 전부에 대해 측정이 어려우나, 다중 링형의 채택으로 광케이블 장치에서 각 해당지점에 센서를 배치하고 결국 종단부가 장치에 원형인 링 방식으로 1개소가 단선이 되어도 반대 방향에서 측정 할 수 있기 때문에 측정이 가능하다는 장점이 있다.

또한 수배전반 내의 느슨한 볼트연결 등의 마모된 접촉으로 인한 비정상적인 온도상승(가열) 원인은 일반적으로 기존의 보호장치에 의해 감지되지 않고 그대로 방치되는 경우가 많았고, 이 방치되는 상태로 인한 비정상적인 가열은 수배전반 내 개폐기의 조기고장으로 이어질 수 있으며 또한 스파크 등의 발생으로 잠재적인 화재 위험을 가지게 되었고, 이를 감지할 경우라도 불규칙한 감지데이터로 인해 데이터 수집에서 예상치 못한 항목이나 이벤트(매우 드물게 발생하는 항목)의 이상감지, 그리고 센서오류 감지 등을 식별하는 게 어려웠고 이는 수배전반 내부의 실제 사례에서 처리해야하는 일반적인 시나리오로 무엇이 이상인지 아닌지 명확하지 않다는 것을 의미하며, 이상감지 문제에 직면하면 소스에서 직접 데이터를 수집하고 특정 기술을 적용하여 이상을 발견해야 한다.

이에 대한 대응책으로 패턴을 발견하기 위한 모델링에서 라벨이 없고 데이터에 의해 학습되는 인공지능의 비지도 학습의 K-Means++ 클러스터링을 적용 함으로서 데이터 그룹화하기 위한 강제적 개입이 필요하지 않고, 실시간 시계열 데이터 처리에서 단순하지만 유용한 식별기능이 가능하도록 하며, 가속도계 측정값(진동)과 온도상승의 상관에 따른 사전진단으로 사고예방의 장점을 가질 수 있다.

1. 한국 등록특허공보 제10-1810584호 “분배전반 감시 시스템”(등록일자: 2017년 12월 13일)

본 발명은 수배전반 내부의 주회로용 차단기, VCB, GCB, TCB, MBB, 배선용 차단기, 누전차단기 등과 같은 주요 개폐기에 준분산(Quasi-Distributed)형 광케이블 방식의 광섬유 가속도계 및 온도센서가 링형으로 부착되어 주요 개폐기의 고장지지대에 대한 견고성(볼트 느슨함 정도)과 이에 따른 온도상승을 모니터링하여 잠재적인 화재 위험으로부터 보호할 수 있다.

또한 본 발명은 수배전반 내부에 설치된 광케이블 방식의 광섬유 센서에서 출력되는 실시간 시계열 데이터의 수집에서 불규칙한 감지 결과치를 이용해 예상치 못한 항목이나 이벤트(매우 드물게 발생하는 항목)의 이상감지 및 센서오류 감지 등에 효율적으로 대응할 수 있다.

따라서 본 발명은, 준분산(Quasi-Distributed)형 광케이블 방식의 광섬유 가속도계 및 온도센서를 이용해 수배전반 내 주요 개폐기의 부품결합 견고성 모니터링, 그리고 인공지능에 의한 비정상적인 가열 감지 및 사전 진단할 수 있는 인공지능 기반의 수배전반 내 이상 진단 장치 및 방법을 제공한다.

본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 측면에 따르면, 인공지능 기반의 수배전반 내 이상 진단 장치를 제공한다.

본 발명의 일 실시 예에 따른 인공지능 기반의 수배전반 내 이상 진단 장치는 레이저 다이오드(Laser Diode) 및 포토 다이오드(Photo Diode)의 신호를 수집하는 센서부, 인공지능을 위한 데이터 전처리를 수행하는 전처리부, 데이터 세그먼트, 특징추출, 그리고 진단 알고리즘을 적용한 모델 엔지니어링을 통한 인공지능 모델링을 수행하는 인공지능부 및 이상 감지 및 통지를 수행하는 이상감지부를 포함할 수 있다.

본 발명의 다른 일 측면에 따르면, 인공지능 기반의 수배전반 내 이상 진단 방법 및 이를 실행하는 컴퓨터 프로그램을 제공한다.

본 발명의 일 실시 예에 따르면, 준분산(Quasi-Distributed) 광케이블 감지기술을 적용하여 기존의 전기식 센서가 가지는 수배전반 내부의 특성상 강한 전류, 전파, 전기적 노이즈 등의 영향을 주는 단점을 보완하고, 링형을 통해 단선 등에 따른 감지 사각지대를 최소화하는 준분산(Quasi-Distributed)측정 적용으로 개별 구축형에 비해 설치의 용이성을 가진다.

또한 , 수배전반 내의 느슨한 볼트연결 등의 마모된 접촉으로 인한 비정상적인 온도상승(가열)의 모니터링 시에 데이터에 의해 학습되는 인공지능의 비지도 학습의 K-Means++ 클러스터링을 적용 함으로서 데이터 그룹화하기 위한 강제적 개입이 필요하지 않고, 실시간 시계열 데이터 처리에서 단순하지만 유용한 식별기능이 가능하도록 하며, 가속도계 측정값(진동)과 온도상승의 상관에 따른 사전진단으로 사고예방의 장점을 가질 수 있다.

또한, 수배전반의 차단기에 연결되는 부분에서 조임 방법에 따라 볼트를 조이나, 조임이 약한 상태에서는 접촉 영역이 감소하고 전기저항이 증가하여 열 발생을 일으키게 되고, 이러한 열 발생으로 인해 반복적인 확장 및 수축이 되어 볼트가 느슨해 질 가능성이 높다. 이는 진동이 발생하는 전기 장비에서는 특히 중요하며, 느슨한 볼트 부분이 비정상적인 열을 발생시키고, 연결 부분 주위의 단자 블록 부분 등이 녹아 화재가 발생하는 경우가 많으므로, 본 발명을 통해 수시 또는 정기적인 유지보수에 도움이 된다.

도 1내지 도 3은 본 발명의 실시 예에 따른 인공지능 기반 수배전반 이상 진단 장치를 설명하기 위한 블록도들.
도 4 는 본 발명의 일 실시 예에 따른 준분산형 광케이블의 다점 기술을 설명하기 위한 예시 도면.
도 5내지 도 16은 본 발명의 일 실시 예에 따른 인공지능 기반의 수배전반 내 이상 진단 장치의 세부적인 구성들을 설명하기 위한 도면들.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도에 예시하고 이를 상세한 설명을 통해 상세히 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. 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서 및 청구항에서 사용되는 단수 표현은, 달리 언급하지 않는 한 일반적으로 "하나 이상"을 의미하는 것으로 해석되어야 한다.

이하, 본 발명의 바람직한 실시 예를 첨부도를 참조하여 상세히 설명하기로 하며, 첨부 도를 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

본 발명은 준분산(Quasi-Distributed)형 광케이블 방식의 광섬유 가속도계 및 온도센서에 의해 수배전반내 주요 개폐기의 부품결합 견고성 모니터링, 그리고 인공지능에 의한 비정상적인 가열감지 및 사전 진단할 수 있는 시스템으로, 수배전반 내부 및 외부에 설치되는 장치 및 시스템이다.

본 발명은 수배전반의 주회로용 차단기, VCB, GCB, TCB, MBB, 배선용 차단기, 누전차단기 등과 같은 주요한 개폐기에서 적용되고, 그 외 수배전반의 외함, 모선 및 지지물, 주회로 인입/인출부, 배선, 단자대, 접지 등과, 수배전반의 내장기기 및 부속기기의 접지저항기, 전력용 콘덴서, 지시계기, 계전기, 조작개폐기, 표시등, 표시기, 경보기, 시험용단자, 제어회로용 저항기, 고/저압전자 접촉기, 제어회로용 퓨즈 등에도 적용될 수 있다.

본 발명과 기존 기술을 비교해 보면,

첫째, 본 발명에서는 기존의 수배전반에 사용되었던 전기식 센서가 수배전반 같은 전기설비 내부의 특성상 강한 전류, 전파, 전기적 노이즈 등의 영향으로 센서 오류 등의 문제점을 가진 것을 고려하여, 경량, 유연한 길이, 높은 정확도, 신호전송 보안, 설치 용이성, 내식성 및 EM(전자파) 무간섭에 대한 뛰어난 장점 및 특성을 가지고 있어 기존 전기적 센서의 적용이 심각하게 제한된 수배전반 내부 등의 열악한 환경에서 사용하기에 우수한 광케이블 방식의 광섬유 가속도계 및 온도 센서를 적용하였다.

둘째, 포인트형 감지방법은 표면에 별도의 와이어 연결을 각각 제공하는 개별 센서이므로 많은 시간과 노력, 비용이 소요되나, 준분산(Quasi-Distributed) 광케이블 다점(Multi Point) 감지기술은 광섬유 센서를 광섬유 케이블 길이에 따라 여러 측정지점 또는 간격을 제공할 수 있고 전체 광섬유 링크를 따라 다점(Multi Point) 측정이 가능하므로 임의의 지점에서 외부 진동신호를 감지하고 해당지점의 위치식별이 가능한 준분산(Quasi-Distributed) 광케이블 다점(Multi Point) 감지기술이다.

그리고 기존의 스타형, 버스형, 트리형의 경우, 일부 단선이 발생할 경우 해당지점 또는 전부에 대해 측정이 어려우나, 다중 링형의 채택으로 광케이블 장치에서 각 해당지점에 센서를 배치하고 결국 종단부가 장치에 원형인 링 방식으로 1개소가 단선이 되어도 반대 방향에서 측정 할 수 있기 때문에 측정이 가능하다는 장점이 있다.

셋째, 그리고, 수배전반 내의 느슨한 볼트연결 등의 마모된 접촉으로 인한 비정상적인 온도상승(가열) 원인은 일반적으로 기존의 보호장치에 의해 감지되지 않고 그대로 방치되는 경우가 많았고, 이 방치되는 상태로 인한 비정상적인 가열은 수배전반 내 개폐기의 조기고장으로 이어질 수 있으며 또한 스파크 등의 발생으로 잠재적인 화재 위험을 가지게 되었고, 이를 감지할 경우라도 불규칙한 감지데이터로 인해 데이터 수집에서 예상치 못한 항목이나 이벤트(매우 드물게 발생하는 항목)의 이상감지, 그리고 센서오류 감지 등을 식별하는 게 어려웠고 이는 수배전반 내부의 실제 사례에서 처리해야하는 일반적인 시나리오로 무엇이 이상인지 아닌지 명확하지 않다는 것을 의미하며, 이상감지 문제에 직면하면 소스에서 직접 데이터를 수집하고 특정 기술을 적용하여 이상을 발견해야 한다. 이에 대한 대응책으로 패턴을 발견하기 위한 모델링에서 라벨이 없고 데이터에 의해 학습되는 인공지능의 비지도 학습의 K-Means++ 클러스트링을 적용 함으로서 데이터 그룹화하기 위한 강제적 개입이 필요하지 않고, 실시간 시계열 데이터 처리에서 단순하지만 유용한 식별기능이 가능하도록 하며, 가속도계 측정값(진동)과 온도상승의 상관에 따른 사전진단으로 사고예방의 장점을 가질 수 있다.

이하, 본 발명에 따른 바람직한 실시예를 도를 첨부하여 다음과 같이 설명한다.

도 1 내지 도 3은 본 발명의 실시 예에 따른 인공지능 기반 수배전반 이상 진단 장치의 블록도이다.

도 1을 참조하면, 인공지능 기반 수배전반 이상 진단 장치(10)는 준분산(Quasi-Distributed)형 광케이블 방식의 광섬유 가속도계 및 온도센서에 의해 수배전반내 주요 개폐기의 부품결합 견고성 모니터링, 그리고 인공지능에 의한 비정상적인 가열감지 및 사전 진단할 수 있다.

인공지능 기반 수배전반 이상 진단 장치(10)는 수배전반 내의 느슨한 볼트연결 등의 마모된 접촉을 감지하는 가속도계 및 이로 인한 비정상적인 온도상승(가열) 감지하는 온도센서의 데이터를 연산하고, 데이터 마이닝을 통한 데이터 전처리과정, 인공지능 모델링 및 알고리즘 생성, 그리고 이상감지 및 사전진단으로 통지 기능까지 포함할 수 있다.

도 2를 참조하면, 인공지능 기반 수배전반 이상 진단 장치(10)는 센서부(100), 전처리부(200), 인공지능부(300) 및 이상감지부(400)를 포함할 수 있다.

간단히 설명하면, 센서부(100)는 광섬유 센서 하드웨어(Fiber Optic Sensor Hardware) 모듈로 구성할 수 있고, 전처리부(200)는 인공지능을 위한 데이터 전처리(Data Preprocessing)모듈로 구성할 수 있다. 인공지능부(300)는 가속도계 및 온도센서에 의한 데이터 세그먼트, 특징추출, 그리고 진단 알고리즘을 적용한 모델 엔지니어링을 통한 인공지능 모델링 모듈로 구성할 수 있고, 이상감지부(400)는 이상감지 및 통지(Anomaly Detection & Notification) 모듈로 구성할 수 있다.

도 3은 센서부(100), 전처리부(200), 인공지능부(300) 및 이상감지부(400)를 간략히 도식화 하여 나타낸 것이다.

도 3을 참조하면, 센서부(100)는 레이저 다이오드(Laser Diode) 및 포토 다이오드(Photo Diode)의 신호를 수집할 수 있다.

레이저 다이오드(Laser Diode)는 수배전반 내부의 주요 개폐기에 설치되어 광섬유와 광성분으로 광원을 방출하고, 포토 다이오드(Photo Diode)는 광섬유를 따라 연속 분배정보(진동 및 온도)를 실시간으로 정확하게 측정할 수 있도록 빛을 수신하여 전기적인 신호로 변환한다.

광 커플러(Optical Coupler)는 광원의 파워와 대역 수신기의 감도 광케이블을 연결하는 커넥터와 광 분배/결합한다.

센서부(100)는 준분산(Quasi-Distributed) 다점(Multi Point) 측정을 위해 광케이블 방식의 광섬유를 센싱(Sensing Fiber Optic Side)할 수 있다.

또한 센서부(100)는 DAQ(데이터수집) 디바이스를 포함할 수 있다. DAQ(데이터수집) 디바이스는 측정할 수 있는 가속도계, 온도센서 등을 포함한 외부 센서와 A/D 변환 모듈 간의 인터페이스를 제공하고, 데이터 신호처리(Data Signal Processing)를 수행할 수 있다. 자세히 설명하면, 센서부(100)는 수배전반내의 볼트 느슨함에 의한 데이터의 불규칙, 또는 데이터 정렬불량 이나 불균형과 같은 오류를 감지하기 위한 데이터 처리를 위해서 고속 푸리에 변환(Fast Fourier Transform)을 통해 시계열 파형에서 주파수를 계산하여 신호데이터를 모든 주파수로 세분화하는 데이터 신호처리(DSP)를 수행할 수 있다.

도 4 는 본 발명의 일 실시 예에 따른 준분산 Quasi-Distributed)형 광케이블의 다점 기술을 설명하기 위한 예시 도면이다.

도 4를 참조하면, 센서부(100)는 준분산(Quasi-Distributed) 광케이블 다점(Multi Point) 감지 기술을 기반으로 광케이블 센서를 광케이블 길이에 따라 여러 측정지점 또는 간격을 제공할 수 있고 전체 광섬유 링크를 따라 다점(Multi Point) 측정이 가능하다. 이에 센서부(100)는 임의의 지점에서 외부 진동신호를 감지하고 해당 지점의 위치를 식별할 수 있다.

센서부(100)는 각 해당지점에 센서를 배치할 때 다중 링형을 채택할 수 있다. 다중 링형은 종단부가 원형인 링 방식이므로, 센서부(100)는 1개소가 단선이 되어도 반대 방향에서 측정할 수 있다.

센서부(100)는 준분산(Quasi-Distributed)형 광케이블 다점(Multi Point) 센싱 방식을 적용 함으로서 단일 광케이블을 이용한 가속도 측정 방법을 기반으로 다수 포인트의 진동 상태와 온도 측정방법을 기반으로 가열(온도상승)상태를 정확하고 실시간으로 측정할 수 있다.

이러한 구성에 따라 광케이블의 진동 및 온도 측정은 짧은 거리(10cm 이하에서도 가능) 간격으로 장거리(수Km) 이상의 광케이블에서 진동과 온도를 지속적으로 측정할 수 있는 것이 특징이다. 또한 전기가 아닌 빛을 이용한 온도 측정 기술이므로 전자기파, 강한 전류, 방폭 제한이 적용되지 않아 수배전반 내에 구현한다.

도 5 내지 도 16은 본 발명의 일 실시 예에 따른 인공지능 기반의 수배전반 내 이상 진단 장치의 세부적인 구성들을 설명하기 위한 도면들이다.

도 5를 참조하면, 센서부(100)는 광섬유 센서 하드웨어(Fiber Optic Sensor Hardware) 모듈이다.

센서부(100)는 준분산 광섬유 가속도계 및 온도 센서(Fiber Optic Accelerometer & Temperature Sensor)를 통해 진동 및 온도 데이터를 측정하고 수집한다. 센서부(100)는 측정한 진동 및 온도 값을 아날로그/디지털 변환기(Analog/Digital Converter)를 통해 변환한 다음 데이터 신호 처리(Data Signal Processing)를 수행한다.

데이터 신호 처리(Data Signal Processing)에서의 시계열 파형은 그래프로 표시되는 시간에 따른 가속 데이터이다. 시계열의 파형은 원시 진동의 짧은 시간대 샘플링으로 나타내며, 주파수 형태의 수배전반 내에 있는 고정지지대 상태에 대한 정보를 나타낼 수 있다.

센서부(100)는 시계열 파형형태의 진동 신호를 고속 푸리에 변환(Fast Fourier Transform)하여 분석할 수 있다. 고속 푸리에 변환(Fast Fourier Transform)은 시계열 파형을 주파수 성분으로 분해하는데 사용되는 알고리즘이다. 센서부(100)는 시계열 파형의 진동 신호 데이터를 모든 주파수로 세분화하여 계산하므로 수배전반 내의 볼트 느슨함에 의한 데이터의 불규칙, 또는 데이터 정렬 불량이나 불균형과 같은 오류를 감지할 수 있다.

센서부(100)는 광섬유 가속도계 센서로부터 가속도 샘플을 얻고 가속도에 대해 고속 푸리에 변환(Fast Fourier Transform) 분석을 수행하여 진동상태를 평가한다. 센서부(100)는 고속 푸리에 변환(Fast Fourier Transform) 알고리즘을 사용하여 주파수 영역으로 신호를 처리하여 진동 분석을 할 수 있다. 센서부(100)는 고속 푸리에 변환을 통해 파형을 생성하는 다양한 신호의 크기와 주파수를 결정하여 진동의 특성과 소스를 더 쉽게 식별할 수 있도록 하는 것이다. 즉, 센서부(100)는 고속 푸리에 변환(Fast Fourier Transform)을 통해 파형을 분석하고 주파수 분포로 고정지지대의 느슨한 부품을 식별할 수 있다. 센서부(100)는 특징 주파수 값과 비정상적인 부품 견고성의 고속 푸리에 변환(Fast Fourier Transform)값을 비교하여 나타난 차이로 비정상인 부품을 식별할 수 있다.

도 6을 참조하면, 전처리부(200)는 인공지능을 위해 데이터 전처리(Data Preprocessing) 모듈이다.

전처리부(200)는 수배전반 내 주요 개폐기의 부품결합 견고성 모니터링, 그리고 인공지능에 의한 비정상적인 가열감지 및 사전진단을 위해 시계열의 데이터 중 일정 부분의 데이터 분할하고, 이러한 데이터의 전처리를 위해 시계열 데이터를 부분 시계열(n sec-Window 단위로 구분)로 분할할 수 있다.

도 7을 참조하면, 전처리부(200)는 n sec-Window 단위로 시계열 데이터를 분할할 수 있다. 전처리부(200)는 분할된 데이터를 데이터모델의 입력값으로 사용되는 부분 시계열의 길이 Input_Len 의 매개 변수들로 구성할 수 있다. 예를 들면, 이후 설명할 도 10에 나타난 것과 같이 광섬유 가속도계 데이터(Input_Len_Vib)와 광섬유 온도센서 데이터(Input_Len_Temp)로 각각 구분할 수 있다.

다시 도 6을 참조하면, 전처리부(200)는 S610단계에서 시계열 값의 형태로 입력(Time Series Value Input)된 광섬유 가속도계 데이터 및 광섬유 온도 센서 데이터 분석(Input Data Value Analysis)을 통해 데이터 리덕션(Data Reduction), 데이터 스케일링(Data Scaling), 그리고 데이터 변형(Digital Transformation)을 할 수 있다.

S620단계에서 전처리부(200)는 적합한 데이터의 포맷인지 여부에 따라 피드백(Feedback) 을 하여 데이터 변형(Digital Transformation)의 재수행 또는 S730 단계로 진행하여 데이터 정리(Data Cleaning)를 할 수 있다.

S630단계에서 전처리부(200)는 데이터 정리(Data Cleaning)와 데이터 필터링(Data Filtering)을 거쳐 도 8과 같이 식별자(i=1, 2, 3, ..., n)로 할당된 각 시계열 값의 슬라이딩 윈도우 특징(Sliding Window Feature)을 추출 할 수 있다. 이때 데이터 정리(Data Cleaning)은 노이즈 제거(Remove Noise from Data), 누락 데이터 정리(Deal with Missing Data), 데이터 불일치 제거(Remove inconsistency) 등이 포함하여 수행할 수 있다.

도 8의 예시를 참조하면, 전처리부(200)는 시계열 값에서 슬라이딩 윈도우 특징(Sliding Window Feature)을 추출할 수 있다.

도 9를 참조하면, 인공지능부(300)는 광섬유 가속도계 및 온도 센서에 의한 수집하고 전처리된 데이터 세그먼트(Segment), 특징 추출, 그리고 진단 알고리즘을 적용한 모델 엔지니어링을 통한 인공지능 모델링을 수행할 수 있다.

도 10을 참조하면, 인공지능부(300)는 입력된 데이터 시그널을 광섬유 가속도계 데이터(Input_Len_Vib)와 광섬유 온도센서 데이터(Input_Len_Temp)로 구분하여 각각 매개변수를 지정할 수 있다. 자세히 설명하면, 인공지능부(300)는 데이터 세그먼트(Segment)와 특징 추출을 위해 광섬유 가속도계 데이터(Input_Len_Vib)의 매개변수를 Vib_Sensor_Data, Vib_Sensor_Normal_Data, Vib_Sensor_Abnormal_Data, Vib_Sensor_Error_Data, Vib_Warn_Sensor_Data 및 Vib_Event_Sensor_Data로 구분할 수 있다. 또한 인공지능부(300)는 광섬유 온도센서 데이터(Input_Len_Temp)의 매개 변수는 Temp_Sensor_Data, Temp_Sensor_Normal_Data, Temp_Sensor_Abnormal_Data, Temp_Sensor_Error_Data, Temp_Warn_Sensor_Data, Temp_Event_Sensor_Data로 구분할 수 있다.

다시 도 9를 참조하면, 인공지능부(300)는 S910단계에서 세그먼트 생성을 위해 데이터 신호를 광섬유 가속도계 데이터(Input_Len_Vib)와 광섬유 온도 센서 데이터(Input_Len_Temp)로 구분하여 세분화하고, 각 분할(Segmentation)된 데이터를 하나의 데이터로 샘플(Sample)화하여 특징 추출을 할 수 있다.

실시 예로 도 11에 나타낸 바와 같이, 인공지능부(300)는 가속도계 데이터에 대해 세그먼트의 시작 시간(Start Time)과 종료 시간(End Time)을 5개로 하여 나누어 데이터 세트(Set)를 구분할 수 있다.

다시 도 9를 참조하면, 인공지능부(300)는 광케이블에서의 가속도에 따른 진동 특성을 반영한 알고리즘을 가진 인공지능을 이용해 오탐을 줄이고, 온도 변화 속에서 실제 문제로 발전할 가능성이 있는 이상 만을 자동으로 감지할 수 있다. 가속도 값은 다양한 요인에 따라 달라질 수 있는데, 예를 들어 일시적으로 VS 2 또는 VS 3처럼 가속도 값이 높아지거나 값의 거의 0로에 가까울 때 센서 에러로 볼 수 있으나 지지대의 볼트 결합부분의 온도가 상승하는 것은 복합적인 현상으로 볼 수가 있고 이상 발생의 가능성이 있다. 무작위 진동으로 인한 가속도 값은 지속적으로 반복되는 특수 패턴을 충족시키지 못하거나 주기가 시작되는 타임과 종료 타임을 감지하는 것은 쉬운 일이 아니다.

또한 인공지능부(300)는 여러 개의 센서로부터 제공되는 데이터를 망라한 분석이 가능하며, 기존의 임계 값에 의한 감시와는 다른 대규모 모니터링을 위해 비교적 간단하면서 유용한 알고리즘 적용할 수 있다.

수배전반 내의 진동 및 온도의 이상감지는 데이터 수집에서 예상치 못한 항목이나 이벤트(매우 드물게 발생하는 항목도 포함)를 식별하는 프로세스이다.

S920 단계에서 인공지능부(300)는 소스에서 직접 데이터를 수집하고 특정 기술을 적용하여 이상을 발견하고, 비지도 학습의 K-Means++ 적용으로 이상상태를 식별할 수 있다. K-Means++ 클러스트링 은 유사한 데이터 포인트를 그룹화하여 불규칙하고 분명하지 않은 기본 패턴을 찾는 알고리즘으로 모든 클러스터의 시작점인 K 중심을 무작위로 선택하여 데이터 처리를 시작한 다음 반복적으로 계산을 수행하여 중심 위치를 최적화한다.

K-Means++는 비지도 학습(Unsupervised Learning)에 속하는 클러스터링 방법으로, 기존의 K-Means 알고리즘이 가지는 주요 단점이 보완되었다. K-Means 알고리즘의 주요 단점은 중심(Centroid) 또는 평균 포인트의 초기화에 크게 의존을 하는 것이고 이런 식으로 중심에서 먼 지점이 중심으로 설정되면 동시에 둘 이상의 클러스터가 하나의 중심에 연결될 수 있고, 마찬가지로 둘 이상의 중심이 유사한 그룹에 도입되어 클러스터링이 불량해질 수 있다.

인공지능부(300)는 K-Means++ 알고리즘을 포함하여 다음과 같은 단계로 수행된다.

S920 단계를 자세히 설명하면, 인공지능부(300)는 클러스터링 프로세스를 시작하기 위해 K-Means++ 알고리즘에서 클러스터 수 K와 중심(각 클러스터의 중심)의 초기 위치를 모델 매개변수로 사용한다. 인공지능부(300)는 초기화 후 K-Means++ 알고리즘으로 중심위치 및 예상치와의 연관성을 계속 업데이트하는 반복 프로세스를 시작할 수 있다. 이 반복 프로세스에는 할당 단계(S921)와 업데이트 단계(S922)를 포함할 수 있다.

단계 S921에서 인공지능부(300)는 K-Means++에 의한 k 개의 클러스터링(Clustering)을 위해 초기 값을 셋팅 한다. 자세히 설명하면, 초기 값은 K 중심의 초기 세트, k 개 분산 데이터목록, 최대 반복 횟수를 포함할 수 있다.

인공지능부(300)는 k 그룹으로 데이터를 클러스터링 하기 위해 무작위로 k 개의 점을 군집 중심으로 선택한다. K-Means++는 레이블이 지정되지 않은 P 예상 데이터세트를 미리 정의된 k 개의 클러스터로 그룹화하여 결과 클러스터가 높은 클러스터 내 유사성을 갖도록 한다.

인공지능부(300)는 K 중심 세트를 사용하여 유클리드 거리(Euclidean Distance)를 통해 각 예상치에서 각 중심까지의 거리를 계산한다.

인공지능부(300)는 모든 예상 값 p 를 가장 가까운 중심에 할당한다.

인공지능부(300)는 유클리드 거리 함수에 따라 가장 가까운 클러스터 중심에 객체를 할당한다. 중심(Centroid)이 m1, m2, ... mk 이고, 파티션이 c1, c2, ... ck 이고, 클러스터 구성요소가 x1, x2, ... xp 이면, K-Means++의 목표거리는 [수학식 1]의 유클리드 거리(Euclidean Distance)의 계산으로 [수학식 2]와 같이 최소화할 수 있다.

인공지능부(300)는 동일한 중심에 할당된 예상 값을 반복 t에서 군집 S_i로 간주된다.

S922 단계에서 인공지능부(300)는 각 군집에 있는 모든 객체의 중심 또는 평균을 계산한다. 이 단계는 업데이트 단계로, 인공지능부(300)는 최소 제곱 유클리드 거리의 평균으로, 할당된 예상 값의 새로운 평균(Means)을 계산하여 중심을 업데이트하거나 재배치한다. [수학식 3]에 설명된 대로 각 클러스터의 샘플을 합산하고 반복 t+1에 대한 새 평균을 얻기 위해 구성요소 수로 나누어 각 중심의 새 위치를 업데이트한다.

인공지능부(300)는 K가 중앙에 올 때까지 반복하여, 동일한 포인트가 각 클러스터에 할당될 때까지 반복한다.

인공지능부(300)는 중심의 최종 위치가 생성되고 모든 예상치가 할당된 중심에 남아 있을 때 반복을 중지하고, 중심을 더 이상 업데이트하지 않는다. 실제로 최대 반복횟수와 수렴속도 또는 허용오차는 무한한 반복횟수와 불필요한 계산을 피하기 위해 정의되는데, 이 경우 K-Means++ 알고리즘을 적용한 인공지능부(300)는 최대 반복횟수에 도달하거나 각 중심의 이동거리가 허용오차보다 작으면 반복을 중지한다.

도 12를 참조하면, 이상감지부(400)는 이상감지 및 통지(Anomaly Detection & Notification) 모듈이다.

이상감지부(400)는 수배전반의 각종 개폐기의 느슨한 볼트연결 등의 마모된 접촉으로 인한 비정상적인 가열(온도상승)을 판단할 수 있다.

이상감지부(400)는 임계값 결정자(Threshold Determinator), 이상분류기(Anomaly Classifier), 이벤트발생 해당 위치식별(Identification of Event Occurrence Location), 이상통지(Anomaly Notifier) 기능을 포함할 수 있다.

임계값 결정자(Threshold Determinator)는 시계열 가속도 및 온도 Data의 이동평균범위에 의한 임계값(정상범위)을 결정한다.

도 13의 예시는 광케이블 방식의 광섬유 가속도계에서 간섭파와 주파수 Intensity 를 나타내고, 시계열 데이터와 이동평균 데이터, 그리고 정상데이터 구간과 변칙데이터 구간(주의 구간, 이벤트 발생구간)을 도시한 것으로 시계열 가속도에 대해 이동평균범위에 의한 임계값(정상범위)을 결정하는 실시예를 나타낸 것이다.

이상분류기(Anomaly Classifier)는 도 11과 도14에 나타낸 바와 같이, 가속도(진동) 세그먼트인 VS(Vibration Segments)를 Start와 End로 구분하여 보면, VS1(Normal):[Continue

t1]는 정상범위내의 Data(~t1 Data) 계속 유지, VS2(Sensor Error):[t1

t4]는 정상이탈 후 정상복귀의 유지 또는 반복(t1~t4 Data), VS3(Sensor Error):[t5

t6]는 가속도 Data의 극소량 (t5~t6 Data)감지 유지, VS4(Warning):[t8

t9]는 정상이탈 Data(t8~t9 Data)계속 유지, VS5(Abnormal):[t10

Continue]는 일정 고비율 이상 정상이탈 Data(t8~t9 Data)의 센서 데이터 특징을 기반으로 알고리즘이 생성된다.

또한, 실시 예로 도 15와 도 16에서 나타낸 바와 같이, 이상분류기(Anomaly Classifier)에서는 가속도(진동) & 온도 상관관계에 의한 정상온도 범위내의 Data(~t9 Data) 계속 유지, 가속도(진동)에 의한 온도상승(t9~t10) Warning, 이상감지(Abnormal Detection) Data(t11~)의 구분이 되고, 추세선에 따라 이벤트의 발생에 대해 사전진단을 한다.

이벤트발생 해당 위치식별(Identification of Event Occurrence Location)은 상기 이상분류기(Anomaly Classifier)에서의 센서 오류(Sensor Error), 경고(Warning), 이상(Abnormal) 일 경우에, 광섬유 센서 하드웨어(Fiber Optic Sensor Hardware) 모듈에서 빛(Laser Diode)을 발사하고 돌아오는 시간을 기반으로 센서 오류(Sensor Error), 경고(Warning), 이상(Abnormal)의 이벤트 위치를 식별한다.

이상통지(Anomaly Notifier)에서는 감지센서 이상통지, 개폐기 고정지지대 견고성 주의 및 이상통지, 온도상승 주의통지, 이상과열 위험통지, 이벤트발생 해당 위치통지 등을 할 수 있다.

감지센서 이상통지는 VS2(Sensor Error):[t1

t4](정상이탈 후 정상복귀의 유지 또는 반복(t1~t4 Data)), VS3(Sensor Error):[t5

t6](가속도 Data의 극소량 (t5~t6 Data)감지 유지) 여부의 이상 분류에 따라 기능이 수행된다.

개폐기 고정지지대 견고성 주의는 VS4(Warning):[t8

t9](정상이탈 Data(t8~t9 Data)계속 유지) 여부의 이상 분류에 따라 기능이 수행된다.

개폐기 고정지지대 견고성 이상통지는 일정 고비율이상 정상이탈 Data(t10~ Data)에 의해 결정된다.

상술한 인공지능 기반의 수배전반 내 이상 진단 방법은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.

이상에서, 본 발명의 실시 예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시 예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.

도에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시 예 들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.

이제까지 본 발명에 대하여 그 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

10: 인공지능 기반의 수배전반 내 이상 진단 장치
100: 센서부
200: 전처리부
300: 인공지능부
400: 이상감지부

Claims (9)

1. 인공지능 기반의 수배전반 내 이상 진단 장치에 있어서,
   레이저 다이오드(Laser Diode) 및 포토 다이오드(Photo Diode)의 신호를 수집하는 센서부;
   인공지능을 위한 데이터 전처리를 수행하는 전처리부;
   데이터 세그먼트, 특징추출, 그리고 진단 알고리즘을 적용한 모델 엔지니어링을 통한 인공지능 모델링을 수행하는 인공지능부; 및
   이상 감지 및 통지를 수행하는 이상감지부를 포함하는
   인공지능 기반의 수배전반 내 이상 진단 장치.
   
2. 제1항에 있어서,
   상기 센서부는
   광케이블 방식의 광섬유 센서를 길이에 따라 복수의 측정지점 또는 간격을 제공하고, 전체 광섬유 센서의 링크를 따라 다점(Multi Point) 측정을 하여 임의의 지점에서 외부 진동신호를 감지하고 해당 지점의 위치를 식별하는
   인공지능 기반의 수배전반 내 이상 진단 장치.
   
3. 제1항에 있어서,
   상기 센서부는
   시계열 파형에서 주파수를 계산하여 상기 데이터를 모든 주파수로 세분화하는
   인공지능 기반의 수배전반 내 이상 진단 장치.
   
4. 제1항에 있어서,
   상기 전처리부는
   시계열 값의 형태로 입력된 광섬유 가속도계 데이터 및 광섬유 온도 센서 데이터를 전처리하는
   인공지능 기반의 수배전반 내 이상 진단 장치.
   
5. 제1항에 있어서,
   상기 전처리부는
   데이터 리덕션(Data Reduction), 데이터 스케일링(Data Scaling), 그리고 데이터 변형(Digital Transformation)을 수행하는
   인공지능 기반의 수배전반 내 이상 진단 장치.
   
6. 제1항에 있어서,
   상기 전처리부는
   데이터 정리(Data Cleaning) 또는 데이터 필터링(Data Filtering)을 수행하는 인공지능 기반의 수배전반 내 이상 진단 장치.
   
7. 제1항에 있어서,
   상기 인공지능부는
   데이터 신호를 광섬유 가속도계 데이터(Input_Len_Vib)와 광섬유 온도 센서 데이터(Input_Len_Temp)로 구분하여 세분화하고, 각 분할(Segmentation)된 데이터를 하나의 데이터로 샘플(Sample)화하여 특징 추출하는
   인공지능 기반의 수배전반 내 이상 진단 장치.
   
8. 제1항에 있어서,
   상기 이상감지부는
   임계값 결정자(Threshold Determinator), 이상분류기(Anomaly Classifier), 이벤트발생 해당 위치식별(Identification of Event Occurrence Location) 및 이상통지(Anomaly Notifier) 기능을 포함하는
   인공지능 기반의 수배전반 내 이상 진단 장치.
   
9. 제1항에 있어서,
   상기 이상감지부는
   분류된 이상에 따라 감지센서 이상통지, 개폐기 고정지지대 견고성 주의 및 이상통지, 온도상승 주의통지, 이상과열 위험통지 또는 이벤트발생 해당 위치통지를 수행하는
   인공지능 기반의 수배전반 내 이상 진단 장치.
   

Images