KR20230078329A - 결로 예측 시스템 - Google Patents

Abstract

본 발명은 결로 예측 시스템으로서, 기상 데이터, 야드 내부 계측 데이터 및 야드 외부 계측 데이터를 각각 수집 처리하는 데이터 처리부; 상기 데이터를 이용하여 결로 예측 모델의 학습 및 평가를 통해 결로가 발생하는 변수를 예측함으로써, 결로 예측 결과값을 산출하는 결로 예측부; 및 상기 결로 예측 결과값을 외부 서버로 출력하는 출력 제어부;를 포함할 수 있다.

Description

결로 예측 시스템{System for predicting indoor condensation}

본 발명은 결로 예측 시스템에 관한 것으로서, 더 상세하게는 기계 학습을 이용한 실내의 결로를 예측하는 결로 예측 시스템에 관한 것이다.

철강 냉연 공정은 자동차용 강판, 건자재 등에 사용되는 제품의 최종 생산 공정이다. 생산된 제품은 차공정 대기 또는 최종 출하되기 전 야드 내부에 보관이 된다. 야드는 공장 내부의 매우 넓은 보관 장소이며, 야드 내부의 온도, 습도 그리고 야드 외부의 온도, 습도 등 기상 데이터에 영향을 크게 받는다. 이로 인해, 야드 내부 및 외부의 온도와 습도 차이에 의해 제품 표면에 습기나 물방울 등이 맺히는 결로 현상이 발생하게 된다. 이로 인해 제품 표면에 녹, 얼룩 등의 품질 문제가 발생한다.

그러므로, 제품 표면에 결로가 발생하지 않도록 유지하는 방법에 대한 연구가 진행되고 있다. 최근에는 결로가 발생하거나 발생이 예상되면 제품의 차공정 투입 순서를 변경하거나 인력을 투입하여 제품에 비닐 복포(커버)를 실시하여 대응을 하고 있다.

한편, 일본등록특허 제5227480호 및 제4172552호 참조하면, 결로 예측 시스템은 일반적으로 온도, 습도 등 보관장소 내 기상정보를 계측한 후 단순한 관계식을 이용하여 결로 발생 여부를 판별하고 있다. 대기온도와 습도를 측정한 후 이슬점 온도를 산출하고, 강판의 표면 온도를 측정하여 상기 이슬점 온도와 강판 표면의 온도 차이를 계산하여 온도 차이 값이 특정 범위내에 속하면 알람을 작동하는 방법이 제공되고 있다.

또는, 기상데이터를 활용하여 단순하게 결로를 예측하거나, 코일 출하 전 보관되는 야드 내 열풍기, 송풍기 등의 장치를 통한 결로 발생을 방지하는 장비에 관한 방법들이 연구되고 있다.

하지만, 결로 현상을 예측하기 위해 어떠한 데이터가 필요로 하며, 결로 현상을 어느 시점까지 정확하게 예측할 수 있는지에 대한 내용은 확인할 수 없었다. 또, 이렇게 예측을 하더라도 미래시점이 아니고, 현재 시점에 결로가 발생하는지 여부만 판별이 가능하기 때문에, 이미 제품의 표면에 결로가 발생했을 가능성이 높다는 문제점이 있었다.

1.일본등록특허 제5227480호 2.일본등록특허 제4172552호

종래에는 이와 같이, 야드 내부에 결로가 발생을 예측하는 방법들이 연구되고 있으나 현재 시점을 기준으로 결로의 발생 유무를 판별하기 때문에, 제품 표면에 이미 결로가 발생했거나 또는 다음 조치를 취하는 과정에서 제품에 결로가 발생하는 문제점이 있었다. 본 발명은 상기와 같은 문제점을 포함하여 여러 문제점들을 해결하기 위한 것으로서, 현재 시점을 기준으로부터 미래 시점까지 결로 예측을 함으로써 제품에 결로가 발생하는 것을 사전에 방지할 수 있는 결로 예측 시스템을 제공하는 것을 목적으로 한다. 그러나 이러한 과제는 예시적인 것으로, 이에 의해 본 발명의 범위가 한정되는 것은 아니다.

본 발명의 일 실시예에 따르면, 결로 예측 시스템을 제공한다. 상기 결로 예측 시스템은 기상 데이터, 야드 내부 계측 데이터 및 야드 외부 계측 데이터를 각각 수집 처리하는 데이터 처리부; 상기 데이터를 이용하여 결로 예측 모델의 학습 및 평가를 통해 결로가 발생하는 변수를 예측함으로써, 결로 예측 결과값을 산출하는 결로 예측부; 및 상기 결로 예측 결과값을 외부 서버로 출력하는 출력 제어부;를 포함할 수 있다.

상기 결로 예측 시스템에 있어서, 상기 결로 예측부는, 현재 시점을 기준으로 최대 48시간 이내의 결로 발생 유무를 예측할 수 있다.

상기 결로 예측 시스템에 있어서, 상기 데이터 처리부는, 상기 기상 데이터를 수집 처리하는 기상 데이터 처리부; 상기 야드 내부 계측 데이터를 수집 처리하는 야드 내부 데이터 처리부; 및 상기 야드 외부 계측 데이터를 수집 처리하는 야드 외부 데이터 처리부;를 포함할 수 있다.

상기 결로 예측 시스템에 있어서, 상기 야드 내부 데이터 처리부는 상기 야드 내부 계측 데이터를 이용하여 이슬점 온도를 연산하여 파생변수를 도출할 수 있다.

상기 결로 예측 시스템에 있어서, 상기 야드 내부 계측 데이터는 야드 내부의 온도, 습도 및 코일 온도를 포함할 수 있다.

상기 결로 예측 시스템에 있어서, 상기 야드 외부 계측 데이터는 야드 내부의 온도 및 습도를 포함할 수 있다.

상기 결로 예측 시스템에 있어서, 상기 결로 예측부는, 상기 기상 데이터, 야드 내부 계측 데이터 및 야드 외부 계측 데이터는 과거 3년 데이터를 포함하고, 상기 과거 3년 데이터를 활용하여 야드 내부의 계측 데이터 변수를 예측하는 모델을 구성하기 위해서 학습 및 검증을 수행할 수 있다.

상기 결로 예측 시스템에 있어서, 상기 결로 예측부는, 상기 모델의 정확도를 판별하기 위해서, 상기 과거 3년 데이터의 평균절대치(Mean Absolute Error), 평균제곱근오차(Root Mean Squared Error) 및 결정계수(R-Squared) 값을 각각 확인하여 99% 이상의 결과값을 기준으로 판별할 수 있다.

상기 결로 예측 시스템에 있어서, 상기 결로 예측부는, 과거 1년 데이터를 추가로 확보하여 상기 야드 내부의 계측 데이터 변수를 기준으로 테스트를 수행하되, 탐욕 알고리즘(XGBoost)의 파라미터를 통해 기준시점으로부터 48시간 이내의 야드 내외부 데이터를 예측하여 결로 발생 유무를 판별할 수 있다.

상기 결로 예측 시스템에 있어서, 상기 결로 발생 유무를 판별하는 방법은,

예측된 코일의 온도에서 예측된 이슬점 온도를 뺀 값이 1℃ 이하의 값을 가질 때 결로가 발생하는 것으로 판단할 수 있다.

상기한 바와 같이 이루어진 본 발명의 일 실시예에 따르면, 현재 기준시점으로부터 미래의 48시간 이내의 결로 발생 여부를 예측할 수 있으며, 이에 따른 사전 대비책 마련 및 대응이 가능한 결로 예측 시스템을 제공할 수 있다.

또한, 장소에 대한 제약없이 실시간으로 결로 예측이 가능해짐으로써, 빠른 대응이 가능하고, 결로 대응 인원 최적화에 따른 대응 비용이 감소하고, 이에 따른 제품 출하 및 차공정 대기 시간 감소에 따른 물류 비용도 절감할 수 있는 효과를 얻을 수 있다. 물론 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.

도 1은 본 발명의 일 실시예에 따른 결로 예측 시스템의 구조를 개략적으로 도해한 도면이다.
도 2는 본 발명의 일 실시예에 따른 데이터 처리부의 구조를 개략적으로 도해한 도면이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 여러 실시예들을 상세히 설명하기로 한다.

본 발명의 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이며, 하기 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시예에 한정되는 것은 아니다. 오히려 이들 실시예들은 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다. 또한, 도면에서 각 층의 두께나 크기는 설명의 편의 및 명확성을 위하여 과장된 것이다.

이하, 본 발명의 실시예들은 본 발명의 이상적인 실시예들을 개략적으로 도시하는 도면들을 참조하여 설명한다. 도면들에 있어서, 예를 들면, 제조 기술 및/또는 공차(tolerance)에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 발명 사상의 실시예는 본 명세서에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면 제조상 초래되는 형상의 변화를 포함하여야 한다.

철강 냉연 공정에 있어서, 결로의 발생은 야드 내부에 보관되는 코일의 표면에 녹 혹은 얼룩과 같은 품질 문제를 발생시킨다. 이러한 문제를 해결하기 위해서, 종래에는 제품 표면의 온도 및 내부 이슬점 온도를 측정한 후 차이를 계산하여 특정 온도 차 미만일 때, 알람을 울리는 방법을 사용하고 있었다. 또는 야드 내부 온도 및 습도를 변경시키기 위해서 열풍기나 송풍기 등을 사용하여 결로를 미연에 방지하는 방법을 이용했다.

상기 방법들은 계측기에 의존하는 방법으로 실시간 계측 데이터에 대한 결과를 확인할 수 있다는 관점에서는 의미가 있다. 그러나, 실시간 계측은 이미 제품에 결로가 발생하여 이에 따른 영향을 받을 수 있는 문제점이 있었다. 즉, 사전에 결로가 발생할지 아닌지를 정확하게 예측할 수 있는 시스템이 필요하다.

이를 해결하기 위해서, 본 발명에서는 야드 내외부의 온도와 습도 데이터, 코일 표면의 온도 데이터, 여기에 기상 예보 데이터를 조합하여 야드 내부의 결로 현상을 현재 시점을 기준으로 48시간 이내의 가까운 미래시점까지 예측할 수 있는 기계학습 기반의 시스템을 도입하였다. 이하에서 본 발명의 일 실시예에 따른 결로 예측 시스템에 대한 구체적인 내용은 도면을 참조하여 후술한다.

도 1은 본 발명의 일 실시예에 따른 결로 예측 시스템의 구조를 개략적으로 도해한 도면이고, 도 2는 본 발명의 일 실시예에 따른 데이터 처리부의 구조를 개략적으로 도해한 도면이다.

도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 따른 결로 예측 시스템은 데이터 처리부, 결로 예측부 및 출력 제어부를 포함한다. 상기 데이터 처리부는 기상 데이터 처리부, 야드 내부 데이터 처리부 및 야드 외부 데이터 처리부를 포함한다.

야드 내부 데이터 처리부는 야드 내부 계측 데이터를 수집하여 처리하는 기능을 수행하며, 상기 야드 내부 계측 데이터를 이용하여 이슬점 온도를 연산하여 파생변수를 도출한다. 상기 야드 내부 계측 데이터는 야드 내부의 온도, 습도 및 코일 온도를 포함할 수 있다.

야드 외부 데이터 처리부는 야드 외부 계측 데이터를 수집하여 처리하는 기능을 수행한다. 상기 야드 외부 계측 데이터는 야드 내부의 온도 및 습도를 포함할 수 있다. 또, 기상 데이터 처리부에서는 기상 데이터를 수집하여 처리하는 기능을 수행한다.

결로 현상을 예측하기 위해서는 다양한 데이터가 필요하다. 우선적으로, 결로 현상은 기상 환경에 의한 영향을 받는다. 또, 야드 내부 이슬점 온도 및 제품 표면 온도를 통해 결로 현상이 결정된다. 이러한 정보를 획득하기 위해서, 계측기를 활용하여 기본적인 데이터를 확보할 수 있다. 야드 내부 이슬점 온도는 내부 온도 및 습도를 바탕으로 계산할 수 있다.

여기서, 중요한 부분은 현재 시점을 기준으로 미래의 어느 일정 지점까지의 결로 현상을 예측하기 위해서는 미래 시점의 야드 내부 계측 정보가 필요하다는 점이다.

일반적으로 상기 계측 정보는 기상정보를 의미하며, 계절적, 분기별, 월별, 주별 트렌드를 고려하여 단순 추세를 통해 예측이 가능하다. 그러나, 단순한 시간 추세는 과거 정보의 반복이기 때문에, 단순하게 이를 반영하는 것만으로는 정확한 결로 예측이 불가능하다. 따라서, 야드 내부와 외부의 기상 요인을 연결할 수 있는 추가적인 정보가 필요하며, 이를 위해서는 야드가 위치한 인접한 지역의 기상 정보와 미래 시점의 정보를 함께 반영해야 한다.

상기 기상정보 즉, 기상 데이터는 종관기상데이터, 방재기상데이터, 해양기상데이터, 등표기상데이터, 단기예보인 동네예보데이터 등 상당히 많다. 이러한 정보들은 다양한 영향 요인을 반영할 수 있다는 점에서 유용하다. 하지만, 미래시점에서의 결로 예측에 활용되는 데이터는 매우 한정적이다.

미래 시점의 데이터를 반영한다는 것은 야드가 위치한 인접지역의 정보 데이터여야 한다. 따라서, 야드 인근의 동네 기상 예보데이터를 활용할 수 있다. 상기 기상 예보데이터는 3시간 단위로 구성된 데이터로서, 본 발명에서 목표로 하는 48시간 이내의 정보까지 포함하고 있기 때문에 활용이 가능하다. 그리고 야드가 위치한 인접 지역에서 측정된 데이터 이기에 거리상으로도 문제가 없다.

예를 들면, 본 발명에서 필요한 데이터 정보는, 야드 내부의 계측 정보인 온도, 습도, 제품 온도, 외부 온도, 습도 및 기상 동네예보데이터 정보를 추가할 수 있다.

한편, 본 발명에서 현재시점을 기준으로 48시간 이내 미래 예측은 결로 발생에 따른 차공정 투입 조절, 인력에 의한 복포 등 물류 및 생산 스케쥴을 고려하여 변동할 수 있도록 계획한 시간이다. 동네예보데이터의 성격상 시일이 지날수록 최대 예측 시간이 줄어들기 때문에 별도의 고려가 필요하다. 본 발명에서는 48시간 이후의 데이터가 없는 경우도 일부 존재하기 때문에, 최대 3일 이전까지의 데이터를 가져와서 활용할 수 있도록 보완하였다.

데이터 처리부에서 필요한 데이터를 수집하고 저장했다면 결로 예측부에서 데이터 처리부로부터 수집된 데이터를 이용하여 결로 예측을 판별하는 과정이 필요하다.

상술한 바와 같이, 야드 내부 계측 데이터를 활용하여 관계식을 구성하거나, 제품 표면온도와 이슬점 온도 차이의 추이를 판단하거나 단순 회귀식 기반으로 결로 예측을 판별하는 것은 시계열 특성을 고려하면 단순한 선형 관계로 명확하게 규정하기 어렵다는 문제점이 있다. 즉, 비선형성을 고려한 별도의 관계 정립이 필요하며, 예측 정확도의 수준을 어디까지 볼 것인가에 대한 문제가 있다. 이와 같은 문제점을 해결하기 위해서, 본 발명에서는 비선형성을 고려한 탐욕 알고리즘(XGBoost)을 활용하여 기계학습(이하, 머신러닝) 기반의 예측 모델을 개발하였다.

본 발명에서는 야드 내부 계측 데이터 및 기상 동네예보데이터에 대한 3년치의 과거 데이터를 준비하였다. 준비된 과거 3년치 데이터를 7:3의 비율로 시계열 분할 교차 유효성 검사(Timeseries split cross validation) 방법을 접목하여 학습 및 검증을 수행하여 학습 모델을 도출하였다.

일반적으로 머신러닝을 하는데 있어서 학습(Learning)을 통해 모델을 만들고, 테스트(Test)를 통해서 최종 모델을 도출한다. 그러나, 상기 학습에 있어서 모든 데이터를 학습하는 곳에만 사용하게 되면 데이터를 모두 기억해야 하는 오버피팅(over fitting)이 발생하게 된다. 따라서, 학습 데이터의 대부분을 학습하는 곳에 사용하고 나머지 일부를 검증하는데 사용하는 방법을 사용한다. 즉, 학습(Learning)은 일부 데이터로 학습(Learning)하는 구성과, 나머지 잔여 데이터로 검증(Validation)하는 구성으로 이루어진다.

여기서, 상기 7:3의 비율이 의미하는 바는, 결로 예측 모델의 학습에 이용되는 3년치 데이터 중 70%를 학습에 사용하고, 나머지 30%를 검증에 사용하는 것을 의미한다. 단, 학습과 검증을 위한 데이터셋 구성을 여러가지 방법으로 할 수 있는데, 본 발명은 상기 방법 중 시계열 분할 교차 검증(Timeseries Split Cross Validation) 방법을 활용한 것이다.

야드 내부의 결로 발생 유무를 예측을 하기 위해서, 필요한 야드 내부 계측 데이터는 15개 변수이다. 상기 변수는 야드 내부의 온도와 습도, 코일온도, 이슬점 온도, 야드 외부의 온도와 외부 습도 데이터를 의미한다. 동네예보데이터는 온도와 습도 등 예측 시간을 고려하여 296개의 x변수를 구성할 수 있다. 여기서, 추가적으로 온도 편차, 습도 편차, 이슬점 온도 비율 등 야드 내부 데이터 처리부에서 연산하여 추가적인 파생변수를 생성하였다. 이후에 야드 내부 데이터를 최대 3일 이전까지 반영하여 파생변수를 생성하였다. 최종 학습에 활용되는 데이터의 범위는 630개 내지 1800개가 이용될 수 있다. 바람직하게는 야드 내부의 최대 3일 이전의 과거 계측 데이터 및 동네예보 기상데이터를 조합하여 800개 내지 900개의 x변수를 구성하여 적용할 수 있다.

상기 데이터의 범위는 630개 미만일 경우, 미래 시점을 예측하기 위한 데이터의 범주가 너무 적어 오차가 심해진다. 반면, 상기 데이터의 범위가 1800개를 초과할 경우, 오히려 데이터 처리량이 많아지면서 과적합(over fitting) 오류가 발생하게 되므로, 해당 데이터의 범주를 상기 범위 내에서 적절하게 제어해야 한다.

데이터의 범위가 결정되면, 결로 발생 유무를 판별하기 위해서 결로 예측부에서 다음과 같은 과정을 수행해야 한다.

예를 들어, 데이터 처리부에서 확보된 3년치 데이터의 833개의 x변수를 활용하여, 야드 내 계측 데이터 15개 변수를 예측하는 모델을 구성하기 위해 학습 및 검증을 수행할 수 있다. 상기 모델의 정확도를 판별하기 위해서, 상기 과거 3년 데이터의 평균절대치(Mean Absolute Error), 평균제곱근오차(Root Mean Squared Error) 및 결정계수(R-Squared; R²) 값을 각각 확인하여 99% 이상의 결과값을 기준으로 판별할 수 있다.

이후에 1년치 과거 데이터를 추가로 확보하여 동일한 개수의 x변수를 기준으로 테스트를 수행할 수 있다. 여기서, 탐욕 알고리즘(XGBoost)의 파라미터를 통해 기준시점으로부터 48시간 이내의 야드 내외부 데이터를 예측하여 결로 발생 유무를 판별할 수 있다. 이때, 상기 탐욕 알고리즘(XGBoost)의 앙상블할 트리의 개수(n_estimators), 최대깊이(max_depth), 러닝율(learning_rate), 최소무게(min_child_weight), 감마(gamma), 스레드(nthread) 하이퍼 파라미터 최적화를 수행해야 한다.

이렇게 최적화 된 모델을 도출하고, 예측된 코일의 온도에서 예측된 이슬점 온도를 뺀 값이 1℃ 이하의 값을 가질 때 결로가 발생하는 것으로 판단할 수 있다. 판단 기준은 하기 식 1과 같이 정의될 수 있다.

[식 1]

(예측 코일 온도 - 예측 이슬점 온도) ≤ 1℃ 일 경우, 결로 발생

특정 모델의 수준을 파악하고 더 나은 모델을 도출하기 위해서는 기준이 필요하다. 이를 위해 설정한 '기준'이 CSI 정확도 및 정밀도이다. 머신러닝에는 흔히 값을 예측 하는 '회귀(Regression)'와 기준을 놓고 가르는 '분류(Classification')가 있다. 이 중에서 분류는 혼동행렬(Confusion matrix)이라는 것을 바탕으로, 모델의 수준을 여러 측면에서 판단하는 방법을 많이 사용한다.

즉, 하기 표 1과 같이, 실제 발생(1), 실제 미발생(0), 발생으로 예측(1), 미발생으로 예측(0) 총 4가지 조건을 놓고, 이를 얼마나 맞췄는가를 기준으로 백분율을 계산하는 것으로 이해할 수 있다.

혼동행렬	실제 발생(1)	실제 미발생(0)
예측 발생(1)	True Positive(TP)	False Positive(FP)
예측 미발생(0)	False Negative(FN)	True Negative(TN)

상기 관점에서, 본 발명의 일 실시예에 의한 결로 예측 모델을 학습하고 검증하고 최종 평가를 하기 위해서는 실제 정답(y 레이블 값)을 알고 있어야 한다. 이는 실제 관측한 결과를 의미한다.

따라서, 이를 바탕으로 결로 예측 모델이 예측한 결과와 실제 결과를 서로 비교하여 정확도, 정밀도의 값을 계산한 것이 상기 식 1이다. 즉, 임계 성공 지수(Critical Success Index : 이하, CSI 정확도)는 상기 4개의 조건 중 실제 발생을 발생으로 예측한 결과값을 실제 발생을 발생으로 예측한 결과값, 실제 발생을 미발생으로 예측한 결과값, 실제 미발생을 발생으로 예측한 결과값을 더한 값으로 나눈 값에 100을 곱하여 산출한 결과를 의미한다. 이를 식으로 표현하면 하기 식 2와 같다.

[식 2]

CSI 정확도 = (실제 발생을 발생으로 예측한 결과값 / (실제 발생을 발생으로 예측한 결과값 + 실제 발생을 미발생으로 예측한 결과값 + 실제 미발생을 발생으로 예측한 결과값)) * 100

즉, 상기 식 2는 미발생을 미발생으로 예측한 결과값을 제외한 모든 예측 결과의 합을 실제 발생을 발생으로 정확히 예측한 결과값에 대해 나눈 백분율 값을 의미한다.

한편, 상기 정밀도는 결로가 발생한 것을 얼마나 정밀하게 맞추는가에 대한 관점이다. 상기 정밀도는 하기 식 3으로 표현된다.

[식 3]

정밀도 = (실제 발생을 발생으로 예측 / (실제 발생을 발생으로 예측 + 실제 발생을 미발생으로 예측)) * 100

최종적으로, 결로 발생과 미발생에 대한 모든 관점에서 접근한 것이 CSI 정확도이고, 정밀도는 실제 현장에서 사용하는 부분을 고려하였을 때 발생을 놓치면 안되기 때문에 모델을 튜닝하기 위한 하나의 관점으로 접근한 것으로 이해될 수 있다.

정리하면, 결로 유무 판별을 위한 실제 y 레이블 값(결로 발생 유무)을 기준으로, CSI 정확도와 정밀도를 각각 계산하여 상기 CSI 정확도 및 정밀도를 판별하였으며, 이 때, 상기 CSI 정확도 80% 이상, 정밀도 100% 결과를 달성하도록 결로 예측 모델을 튜닝 하였다.

상기 정확도는 실제 미발생을 발생으로 예측하는 오차를 반영한 것으로서, 기상 예측시 가장 많이 사용되는 정확도이다. 상기 정밀도는 결로 예측 관점에서 실제 발생을 미발생으로 예측하게 되면 발생하는 제품 손실 및 대응 비용을 최대한 줄이기 위해 반드시 달성해야 하는 목표를 의미한다.

본 발명에서 개발된 모델은 기존 사내 시스템(MES; Manufacturing Execution System)에 탑재하여 하나의 페이지 형태로 그 결과를 확인할 수 있도록 만들 수 있다.

상기 결과를 현장 상황 및 조업 담당자들이 쉽게 접근하여 정보를 확인할 수 있도록, 출력 제어부는 상기 결로 예측 결과값을 외부 서버로 출력하는 기능을 수행한다. 여기서, 상기 외부 서버는 자동 갱신 대시보드 형태나 모바일 앱 형태로 출력되는 것을 의미한다. 상기 과정을 통해 시간이나 장소의 제약을 받지 않고, 작업자 누구나 결로 예측 결과값을 확인하고 판단 및 대응이 가능하다는 효과가 있다.

구체적으로, 외부로 출력되는 형태는 PC 기반의 웹(web) 대시보드 및 모바일 앱(app) 형태이다.

일 예로서, 상기 구성은 예측 모델 구동을 위한 서버를 구축하고, 야드 계측 데이터 PLC에 연동한다. 동네 예보데이터 연결 위한 기상 API를 연동하고, 예측 모델 계산 전 데이터 프레임 구성 위한 전처리 및 DB 저장하고 예측 모델을 계산하여 얻은 결과값을 DB에 저장한다. 이후에 상기 결과값을 대시보드로 디스플레이하거나, 혹은 모바일 앱으로 전송한다. 상기 결과값은 코일 온도 및 이슬점 온도 결과를 통해 결로 발생 여부 그래프 시각화하거나, 현재시점으로부터 48시간 이내의 미래시점까지의 예상 변동 상황을 그래프로 시각화한다. 또, 동네 기상예보 그래프 시각화, 야드 내부 위치 별 세부 현황 표 형태 시각화 등 최대한 직관적으로 확인이 가능하도록 데이터를 단순화 한다.

또한, 실제 현장 대응 결과를 기록할 수 있도록, 대시보드에 게시판을 추가하여 수집된 추가 정보를 바탕으로 모델 및 대시보드 업그레이드를 수행할 수 있다. 만약, 모바일 앱을 사용한다면 결로 발생이 예상될 경우, 메신저 또는 SMS 문자 발신을 통해 해당 작업자에게 알람을 주도록 설정할수도 있다.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.

Claims (10)

1. 기상 데이터, 야드 내부 계측 데이터 및 야드 외부 계측 데이터를 각각 수집 처리하는 데이터 처리부;
   상기 데이터를 이용하여 결로 예측 모델의 학습 및 평가를 통해 결로가 발생하는 변수를 예측함으로써, 결로 예측 결과값을 산출하는 결로 예측부; 및
   상기 결로 예측 결과값을 외부 서버로 출력하는 출력 제어부;를 포함하는,
   결로 예측 시스템.
2. 제 1 항에 있어서,
   상기 결로 예측부는,
   현재 시점을 기준으로 최대 48시간 이내의 결로 발생 유무를 예측하는,
   결로 예측 시스템.
3. 제 1 항에 있어서,
   상기 데이터 처리부는,
   상기 기상 데이터를 수집 처리하는 기상 데이터 처리부;
   상기 야드 내부 계측 데이터를 수집 처리하는 야드 내부 데이터 처리부; 및
   상기 야드 외부 계측 데이터를 수집 처리하는 야드 외부 데이터 처리부;를 포함하는,
   결로 예측 시스템.
4. 제 3 항에 있어서,
   상기 야드 내부 데이터 처리부는 상기 야드 내부 계측 데이터를 이용하여 이슬점 온도를 연산하여 파생변수를 도출하는,
   결로 예측 시스템.
5. 제 1 항에 있어서,
   상기 야드 내부 계측 데이터는 야드 내부의 온도, 습도 및 코일 온도를 포함하는,
   결로 예측 시스템.
6. 제 1 항에 있어서,
   상기 야드 외부 계측 데이터는 야드 내부의 온도 및 습도를 포함하는,
   결로 예측 시스템.
7. 제 1 항에 있어서,
   상기 결로 예측부는,
   상기 기상 데이터, 야드 내부 계측 데이터 및 야드 외부 계측 데이터는 과거 3년 데이터를 포함하고,
   상기 과거 3년 데이터를 활용하여 야드 내부의 계측 데이터 변수를 예측하는 모델을 구성하기 위해서 학습 및 검증을 수행하는,
   결로 예측 시스템.
8. 제 7 항에 있어서,
   상기 결로 예측부는,
   상기 모델의 정확도를 판별하기 위해서, 상기 과거 3년 데이터의 평균절대치(Mean Absolute Error), 평균제곱근오차(Root Mean Squared Error) 및 결정계수(R-Squared) 값을 각각 확인하여 99% 이상의 결과값을 기준으로 판별하는,
   결로 예측 시스템.
9. 제 8 항에 있어서,
   상기 결로 예측부는,
   과거 1년 데이터를 추가로 확보하여 상기 야드 내부의 계측 데이터 변수를 기준으로 테스트를 수행하되, 탐욕 알고리즘(XGBoost)의 파라미터를 통해 기준시점으로부터 48시간 이내의 야드 내외부 데이터를 예측하여 결로 발생 유무를 판별하는,
   결로 예측 시스템.
10. 제 9 항에 있어서,
    상기 결로 발생 유무를 판별하는 방법은,
    예측된 코일의 온도에서 예측된 이슬점 온도를 뺀 값이 1℃ 이하의 값을 가질 때 결로가 발생하는 것으로 판단하는,
    결로 예측 시스템.

Images