KR20230093166A - 딥러닝 기반 터빈 진단 및 고장 예측 방법 및 이러한 방법을 수행하는 장치 - Google Patents

Abstract

본 발명은 딥러닝 기반 터빈 진단 및 고장 예측 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 딥러닝 기반 터빈 진단 및 고장 예측 방법은 터빈 이상 감지 장치가 데이터의 차원을 축소하여 축소 차원 데이터를 생성하는 단계와 터빈 이상 감지 장치가 축소 차원 데이터의 데이터 간 거리를 기반으로 터빈에 발생한 이상을 탐지하는 단계를 포함할 수 있다.

Description

딥러닝 기반 터빈 진단 및 고장 예측 방법 및 이러한 방법을 수행하는 장치{Method for failure prediction and diagnosis of turbine based on deep learning and apparatus for performing the method}

본 발명은 딥러닝 기반 터빈 진단 및 고장 예측 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 고차원 데이터를 축소한 후, 데이터 간 거리로 변환한 후 확률을 계산하여 터빈에 발생된 이상을 탐지하는 딥러닝 기반 터빈 진단 및 고장 예측 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.

터빈은 매우 복잡한 시스템을 가지고 있다. 고열의 유체 흐름을 만들어 내기 위해 다양한 설비들이 필요하고 필요해지는 설비가 많은 만큼 터빈의 오작동에 영향을 미치는 요소가 늘어난다. 터빈의 오작동에 대한 원인을 분석할 때 전통적으로 쓰이는 방법으로 저널 베어링 부근에 근접각 센서(proximity sensor)를 설치하여 진동 신호를 분석하는 방법이 있다. 여러 신호 처리 기법을 이용해 진동을 분석하여 정렬 불량(misalignment), 불균형(unbalance), 러빙(rubbing), 오일훨(oilwhirl) 등의 다양한 고장 모드를 진단할 수 있다. 전통적인 신호 처리 방법으로는 스펙트럼 분석을 통하여 회전 주파수를 확인함으로써 설비의 이상 유무를 판단하거나, 시간 주파수 영역에서 시간에 따른 주파수의 변화를 탐지하는 방법이 있다.

한편 정해진 고장 모드에 대해서 전통적인 방법으로 터빈에 생긴 문제를 진단하는 것이 가능하지만 미리 정의되지 않은 고장에 대해서는 근본 원인을 파악하기에 많은 어려움이 있다. 앞서 언급한 바와 같이 터빈의 가동을 돕는 수많은 설비들에 근본 원인이 있는 경우, 운전 인자들의 센서값의 이상을 감지하기 위한 별도의 모델이 필요하다.

터빈에 이상이 발생해서 가동을 중지할지 여부는 진동을 기준으로 판단될 수 있다. 따라서, 터빈을 운용할 때 진동이 증가할지 여부를 미리 알 수 있다면 운용사는 가동 중단을 예방해 손해를 줄일 수 있다. 따라서, 진동의 동향을 예측하는 모델을 개발할 필요가 있다.

딥러닝은 최근 다양한 분야에 적용되어 뛰어난 성능을 나타내고 있다. 특히 입력 데이터의 크기가 크면서 복잡도가 높은 비선형적인 작업을 학습할 때 딥러닝 기반 모델이 매우 유용하게 사용될 수 있다. 따라서, 입력 데이터의 크기가 매우 크고 인자들 간의 비선형적인 관계도 고려하여 정확한 터빈 진단 및 고장 예측을 수행할 수 있는 딥러닝 기반 모델의 개발이 필요하다.

본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.

또한, 본 발명은, 데이터 차원을 감소시키고 데이터 간 거리를 기반으로 터빈에 발생된 이상을 보다 정확하게 탐지하는 것을 목적으로 한다.

또한, 본 발명은, 축적된 다변량 데이터를 기반으로 딥러닝을 접목하여 터빈에 발생된 이상을 보다 정확하게 탐지하는 것을 목적으로 한다.

상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.

본 발명의 일 실시예에 따르면, 딥러닝 기반 터빈 진단 및 고장 예측 방법은 터빈 이상 감지 장치가 데이터의 차원을 축소하여 축소 차원 데이터를 생성하는 단계와 상기 터빈 이상 감지 장치가 상기 축소 차원 데이터의 데이터 간 거리를 기반으로 터빈에 발생한 이상을 탐지하는 단계를 포함할 수 있다.

한편, 상기 축소 차원 데이터는 학습 데이터, 분포 적합 데이터 및 검증 데이터 각각에 대한 고차원 데이터의 차원 축소를 기반으로 결정될 수 있다.

또한, 상기 데이터 간 거리는 데이터의 평균 벡터와 분산 행렬을 기반으로 결정될 수 있다.

본 발명의 다른 실시예에 따르면, 딥러닝 기반 터빈 진단 및 고장 예측을 수행하는 터빈 이상 감지 장치는 데이터의 차원을 축소하여 축소 차원 데이터를 생성하고, 상기 축소 차원 데이터의 데이터 간 거리를 기반으로 터빈에 발생한 이상을 탐지하도록 구현될 수 있다.

한편, 상기 축소 차원 데이터는 학습 데이터, 분포 적합 데이터 및 검증 데이터 각각에 대한 고차원 데이터의 차원 축소를 기반으로 결정될 수 있다.

또한, 상기 데이터 간 거리는 데이터의 평균 벡터와 분산 행렬을 기반으로 결정될 수 있다.

본 발명에 의하면, 데이터 차원을 감소시키고 데이터 간 거리를 기반으로 터빈에 발생된 이상이 보다 정확하게 탐지될 수 있다.

또한, 본 발명에 의하면, 축적된 다변량 데이터를 기반으로 딥러닝을 접목하여 터빈에 발생된 이상이 보다 정확하게 탐지될 수 있다.

도 1은 본 발명의 실시예에 따른 딥러닝 기반 터빈 진단 및 고장 예측 모델을 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 오토 인코더를 기반으로 잠재 변수를 결정하는 방법을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 데이터 간 거리를 결정하는 방법을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 데이터 간 거리를 기반으로 최적 확률 분포를 결정하고 이상 여부를 판단하기 위한 방법을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 데이터 간 거리를 기반으로 최적 확률 분포를 결정하고 이상 여부를 판단하기 위한 방법을 나타낸 개념도이다.
도 6 및 도 7은 본 발명의 실시예에 따른 딥러닝 기반의 터빈 진단 및 고장 예측을 적용한 결과를 나타낸 개념도이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.

이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

Industrial Internet of Things(IIoT) 시대가 도래하면서 제조 산업에서 딥러닝 알고리즘을 사용하는 사례들이 많아지고 있다. 특히, 모니터링 시스템을 갖춘 플랜트 단위의 설비의 축적된 다변량 데이터(예를 들어, 온도, 압력, 진동, 회전수 등)가 축적되고 있다. 많은 양의 데이터가 축적되기에 사람이 직접 분석할 수 없고, 기계 안의 센서들의 극히 일부의 비정상적인 동작은 극히 드물게 발생하나 치명적이기 때문에 정상, 비정상 데이터가 불균형이 되는 문제가 있다. 이러한 문제를 해결하기 위해서 딥러닝을 접목한 기계 이상 탐지 연구가 진행 중이다.

도 1은 본 발명의 실시예에 따른 딥러닝 기반 터빈 진단 및 고장 예측 모델을 나타낸 개념도이다.

도 1에서는 고차원의 데이터를 축소하여 데이터 간 거리로 변환한 후 확률을 계산하여 터빈에 발생한 이상을 탐지하는 터빈 이상 탐지 모델이 개시된다.

도 1을 참조하면, 터빈 이상 탐지 모델은 고차원 데이터의 차원을 축소한 후, 고차원 데이터를 3가지 타입의 데이터(학습 데이터(100), 분포 적합 데이터(120) 및 검증 데이터(140))로 분할할 수 있다. 고차원의 데이터를 3가지 타입의 데이터로 분할한 후 3가지 타입의 데이터 각각의 차원을 축소하는 것도 가능하다.

차원 축소 이후, 데이터 간 거리를 계산하여 최적 확률 분포가 결정되고, 최적 확률 분포를 사용하여 검증 데이터(140)를 기반으로 한 터빈의 이상이 탐지되고, 이상의 원인이 결정될 수 있다.

구체적으로 128차원의 고차원 데이터 X는 오토 인코더(auto encoder)를 이용하여 32차원의 잠재변수(latent variable)로 축소될 수 있다. 학습 차원은 하나의 예시이고, 다른 다양한 차원의 학습 데이터가 활용될 수 있다. 잠재 변수를 결정하는 방법은 후술된다.

3가지 타입의 데이터(학습 데이터(100), 분포 적합 데이터(120) 및 검증 데이터(140))에 대응되는 128차원의 고차원 데이터 X는 오토 인코더를 이용하여 32차원의 잠재 변수로 변화될 수 있다.

128차원의 고차원 데이터 X가 32차원의 잠재 변수로의 축소 이후, 분포 적합 데이터(120) 및 검증 데이터(140)의 데이터 간 거리 계산을 위해 학습 데이터(100)의 잠재 변수를 기반으로

가 결정될 수 있다.

다음으로 분포 적합 데이터(120)의 데이터 간 거리를 이용하여 최적 확률 분포가 결정될 수 있다.

마지막으로 앞에서 학습된 오토 인코더와 최적 확률 분포를 활용하여 검증 데이터의 데이터 간 거리를 기반으로 이상 확률이 결정될 수 있다. 이상 확률을 기반으로 터빈의 이상 여부가 탐지되고, 이상 시점의 인자들의 복원 오류(recovery error)를 계산하여 복원이 잘 안된 인자가 터빈 이상의 원인으로 판단될 수 있다.

잠재 변수를 결정하고, 잠재 변수를 기반으로 데이터 간 거리를 계산하는 방법은 후술된다.

도 2는 본 발명의 실시예에 따른 오토 인코더를 기반으로 잠재 변수를 결정하는 방법을 나타낸 개념도이다.

도 2에서는 오토 인코더를 통해 데이터 차원을 감소시키기 위한 잠재 변수를 결정하는 방법이 개시된다.

도 2를 참조하면, 오토 인코더는 인공신경망을 활용한 비지도 학습의 일종이다. 오토 인코더는 인코더와 디코더가 합쳐진 구조이고, 입력 데이터와 최대한 비슷한 출력 데이터를 출력하도록 하는 모델이므로 별도의 정답 데이터가 필요 없다. 이를 위해 오토 인코더는 인코더를 통해 입력 받은 각 데이터를 그의 특징을 잘 표현하는 저차원의 공간으로 변환하여 주요한 특징을 잘 학습하도록 하고, 이 공간을 잠재 공간이라고 한다. 잠재 공간은 이후 디코더를 통해 다시 원 데이터로 복원된다. 128차원의 고차원 데이터 X는 잠재 공간 상에서 32차원의 잠재 변수로 생성될 수 있다. 오토 인코더는 원 데이터와 복원된 복원 데이터의 차이를 최소화하는 것을 목표로 데이터의 패턴을 학습한다.

도 3은 본 발명의 실시예에 따른 데이터 간 거리를 결정하는 방법을 나타낸 개념도이다.

도 3에서는 데이터 밀도를 고려한 데이터 간 거리를 결정하는 방법이 개시된다.

도 3을 참조하면, 본 발명의 실시예에 따른 데이터 간 거리는 데이터의 밀도를 고려한 거리로서 다변량 이상치를 판단하기 위해 사용될 수 있다.

본 발명의 실시예에 따른 데이터 간 거리는 평균과의 거리가 표준 편차의 몇 배인지 의미한다. 예를 들어, 도 3에서 데이터A(300)의 데이터로 데이터 공간을 계산한 후, 새로운 데이터B(320)와 데이터C(340)로 데이터A(300)까지의 거리를 계산한 것이다. 유클리디안 거리는 데이터C(340)보다 데이터B(320)가 데이터A(300)에 가깝지만, 마할라노비스 거리를 사용하면, 데이터C(340)의 변동성(표준편차)이 작으므로 데이터C(340)가 더 가까운 위치에 있다.

아래의 수학식은 본 발명의 데이터 간 거리를 결정하기 위한 수식이다.

<수학식>

즉, 본 발명의 실시예에 따르면, 3가지 타입의 데이터 중 학습 데이터를 기반으로 데이터 간 거리를 구하기 위한 데이터의 평균 벡터와 분산 행렬이 결정될 수 있다. 학습 데이터를 기반으로 결정된 데이터의 평균 벡터와 분산 행렬은 분포 적합 데이터 및 검증 데이터의 데이터 간 거리를 결정하기 위해 활용될 수 있다.

도 4는 본 발명의 실시예에 따른 데이터 간 거리를 기반으로 최적 확률 분포를 결정하고 이상 여부를 판단하기 위한 방법을 나타낸 개념도이다.

도 4에서는 분포 적합 데이터에 대한 잠재 변수를 추출하고, 데이터 간 거리를 고려하여 최적 확률 분포를 결정하기 위한 방법이 개시된다.

도 4를 참조하면, 오토 인코더를 기반으로 분포 적합 데이터에 대한 차원이 축소되고, 분포 적합 데이터에 대한 잠재 변수가 결정될 수 있다.

분포 적합 데이터에 대한 잠재 변수는 시간에 따라 누적된 데이터일 수 있고, 표1과 같이 표현될 수 있다.

학습 데이터를 기반으로 결정된 평균 벡터와 분산 행렬을 고려하여 분포 적합 데이터에 대한 잠재 변수의 데이터 간 거리가 결정될 수 있다.

적합 데이터에 대한 잠재 변수의 데이터 간 거리는 시간에 따라 누적된 데이터일 수 있고, 표2와 같이 표현될 수 있다.

분포 적합 데이터의 데이터 간 거리를 기반으로 최적 확률 분포가 결정될 수 있다. 최적 확률 분포 상에서 양 극단에서 이상 영역(anomalous region)이 결정되고, 이상 영역 상에서 복원 에러가 큰 잠재 변수가 이상 원인으로 판단될 수 있다.

도 5는 본 발명의 실시예에 따른 데이터 간 거리를 기반으로 최적 확률 분포를 결정하고 이상 여부를 판단하기 위한 방법을 나타낸 개념도이다.

도 5에서는 이상 영역 상에서 복원 에러가 큰 잠재 변수를 이상 원인으로 결정하기 위한 방법이 개시된다.

도 5를 참조하면, 오토 인코더를 기반으로 한 복원이 수행되는 경우, 입력값과 출력값 간의 차이가 복원 에러일 수 있다.

이상 영역 상에서 복원 에러가 임계 에러값 이상으로 큰 잠재 변수가 이상 원인으로 분류될 수 있다.

표 3과 같이 이상 인덱스1에 대해서 복원 에러가 잠재 변수3, 잠재 변수4에 대하여 임계 에러값 이상으로 큰 경우, 이상 인덱스1의 이상에 대한 이상 원인은 잠재 변수3, 잠재 변수4라고 판단될 수 있다. 이상 인덱스2에 대해서 복원 에러가 잠재 변수2, 잠재 변수4에 대하여 에러값 이상으로 큰 경우, 이상 인덱스2의 이상에 대한 이상 원인은 잠재 변수2, 잠재 변수4라고 판단될 수 있다.

도 6 및 도 7은 본 발명의 실시예에 따른 딥러닝 기반의 터빈 진단 및 고장 예측을 적용한 결과를 나타낸 개념도이다.

도 6 및 도 7에서는 본 발명의 딥러닝 기반의 터빈 진단 및 고장 예측 방법을 기반으로 한 터빈 진단 및 고장 예측 결과가 개시된다.

도 6를 참조하면, 학습 데이터는 약500개의 진동 및 운전 인자로 구성되어 있고 6개월치의 데이터를 사용되었다. 500개의 진동 및 운전 인자를 도메인 지식을 기반으로 18개 그룹 129개의 변수를 아래의 표4와 같이 선정하였다.

6개월의 데이터를 학습/분포적합/검증 세가지로 분류하였고, 학습 데이터는 오토인코더 학습과 데이터 간 거리 계산을 위해서 사용하였고, 분포 적합 데이터는 확률 분포를 계산, 그리고 검증 데이터는 학습된 모델을 검증하는데 사용되었다.

<표 4>

고장 시점과 이상 탐지 시점을 비교하였다. 도 6의 상단에서 녹색 점은 이상으로 탐지한 시점, 파란 실선은 고장 시점을 의미한다. 과거의 고장 시점을 중심으로 살펴보면 도 6의 상단에서 파란 실선 이전에 녹색 점이 있는 것을 통해서 고장 시점 이전에 이상을 탐지하는 것을 알 수 있다. 즉, 고장 이전에 이상을 탐지한 것을 알 수 있다.

다음으로 trip에 영향을 주는 인자를 파악하였다. Trip 시점에서 입력데이터 129개의 인자에 대해서 이상 판정된 시점에서의 복원 에러를 계산하였고 복원 에러가 큰 인자를 원인 인자로 분류하였고 도 6의 하단 같다. 세 개의 인자(G1.LTBD_MAX, G1.LTQH, G1.LTQH1)가 다른 인자들에 비해서 복원 에러가 큰 것을 확인할 수 있고, 이 인자들은 실제로 고장과 관련이 있는 인자들인 것을 확인할 수 있다.

도 7을 참조하면, 원인 분석의 결과를 검증하기 위해서 전체구간에서 G1.LTBD_MAX, G1.LTQH, G1.LTQH1의 복원 에러를 확인하였다. 세개의 인자의 복원 에러는 작은 값을 갖지만 고장 시점 근처에서 큰 복원 에러를 갖는 것을 확인할 수 있고, 이를 통해서 원인 분석의 결과가 신뢰성 있는 것을 알 수 있다.

이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (6)

1. 딥러닝 기반 터빈 진단 및 고장 예측 방법은,
   터빈 이상 감지 장치가 데이터의 차원을 축소하여 축소 차원 데이터를 생성하는 단계; 및
   상기 터빈 이상 감지 장치가 상기 축소 차원 데이터의 데이터 간 거리를 기반으로 터빈에 발생한 이상을 탐지하는 단계를 포함하는 것을 특징으로 하는 방법.
2. 제1항에 있어서,
   상기 축소 차원 데이터는 학습 데이터, 분포 적합 데이터 및 검증 데이터 각각에 대한 고차원 데이터의 차원 축소를 기반으로 결정되는 것을 특징으로 하는 방법.
3. 제2 항에 있어서,
   상기 데이터 간 거리는 데이터의 평균 벡터와 분산 행렬을 기반으로 결정되는 것을 특징으로 하는 방법.
4. 딥러닝 기반 터빈 진단 및 고장 예측을 수행하는 터빈 이상 감지 장치는,
   데이터의 차원을 축소하여 축소 차원 데이터를 생성하고,
   상기 축소 차원 데이터의 데이터 간 거리를 기반으로 터빈에 발생한 이상을 탐지하도록 구현되는 것을 특징으로 하는 터빈 이상 감지 장치.
5. 제4항에 있어서,
   상기 축소 차원 데이터는 학습 데이터, 분포 적합 데이터 및 검증 데이터 각각에 대한 고차원 데이터의 차원 축소를 기반으로 결정되는 것을 특징으로 하는 터빈 이상 감지 장치.
6. 제5 항에 있어서,
   상기 데이터 간 거리는 데이터의 평균 벡터와 분산 행렬을 기반으로 결정되는 것을 특징으로 하는 터빈 이상 감지 장치.

Images