KR20230094944A - 대기오염 저감을 위한 인공지능 기반 tms 환경정보 디지털 트윈 플랫폼 - Google Patents
대기오염 저감을 위한 인공지능 기반 tms 환경정보 디지털 트윈 플랫폼 Download PDFInfo
- Publication number
- KR20230094944A KR20230094944A KR1020220063603A KR20220063603A KR20230094944A KR 20230094944 A KR20230094944 A KR 20230094944A KR 1020220063603 A KR1020220063603 A KR 1020220063603A KR 20220063603 A KR20220063603 A KR 20220063603A KR 20230094944 A KR20230094944 A KR 20230094944A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- emission
- digital twin
- tms
- facilities
- Prior art date
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000003915 air pollution Methods 0.000 title claims abstract description 19
- 230000007613 environmental effect Effects 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 47
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 10
- 231100000719 pollutant Toxicity 0.000 claims abstract description 10
- 239000007789 gas Substances 0.000 claims description 34
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 18
- 239000000446 fuel Substances 0.000 claims description 15
- 238000012800 visualization Methods 0.000 claims description 15
- 229910052815 sulfur oxide Inorganic materials 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical class S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims 5
- 229910052709 silver Inorganic materials 0.000 claims 5
- 239000004332 silver Substances 0.000 claims 5
- 230000006870 function Effects 0.000 abstract description 18
- 238000010801 machine learning Methods 0.000 abstract description 14
- 230000033001 locomotion Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 19
- 238000011156 evaluation Methods 0.000 description 16
- 238000000034 method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 239000000809 air pollutant Substances 0.000 description 8
- 231100001243 air pollutant Toxicity 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 7
- 238000013480 data collection Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000001747 exhibiting effect Effects 0.000 description 2
- 238000011985 exploratory data analysis Methods 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/22—Devices for withdrawing samples in the gaseous state
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/22—Devices for withdrawing samples in the gaseous state
- G01N1/2247—Sampling from a flowing stream of gas
- G01N1/2258—Sampling from a flowing stream of gas in a stack or chimney
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/04—Manufacturing
-
- 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
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Pathology (AREA)
- Economics (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Manufacturing & Machinery (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
Abstract
실시예에 따른 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼은 실증을 위한 설비부착용 측정장치를 제공하여 연관설비를 3차원 모델링하고 현장과 동일한 디지털 트윈(Digital Twin)을 구현한다. 또한 센서 데이터 기반 데이터 소프트웨어 인터페이스(I/F) 및 모션을 구현하고 인공지능 모델을 제공하여 실시간 설비 별 측정 오염물질 정보를 제공한다.
또한, 통합 모니터링 체계를 구출하여 굴뚝 TMS, SNS 및 유량계 데이터를 수집하고, 스마트에너지 시스템을 연계 및 가시화한다. 아울러 초과배출 사전 예측 및 경보 체계를 구축하여 초과배출 사전 알람 기능 및 ML(Machine learning)을 통한 배출량 예측체계를 구현한다.
또한, 통합 모니터링 체계를 구출하여 굴뚝 TMS, SNS 및 유량계 데이터를 수집하고, 스마트에너지 시스템을 연계 및 가시화한다. 아울러 초과배출 사전 예측 및 경보 체계를 구축하여 초과배출 사전 알람 기능 및 ML(Machine learning)을 통한 배출량 예측체계를 구현한다.
Description
본 개시는 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼에 관한 것으로 구체적으로, 굴뚝 자동 측정기기(TMS: Tele Metering System) 연관설비 시각화를 수행하고, 공장단위로 커스터마이즈 가능한 3차원 디지털 트윈 플랫폼에 관한 것이다.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.
디지털 트윈(digital twin)은 미국 제너럴 일렉트릭(GE)이 주창한 개념으로, 컴퓨터에 현실 속 사물의 쌍둥이를 만들고, 현실에서 발생할 수 있는 상황을 컴퓨터로 시뮬레이션 함으로써 결과를 미리 예측하는 기술이다. 디지털 트윈은 제조업뿐만 아니라 다양한 산업, 사회 문제를 해결할 수 있는 기술로 주목받고 있다. 디지털 트윈은 기본적으로 다양한 물리적 시스템의 구조, 맥락, 작동을 나타내는 데이터와 정보의 조합으로, 과거와 현재의 운용 상태를 이해하고 미래를 예측할 수 있는 인터페이스이다. 디지털 트윈 기술을 통해 물리적 세계를 최적화하기 위해 사용될 수 있는 강력한 디지털 객체로서, 운용 성능과 사업 프로세스를 대폭 개선할 수 있다.
정부는 대기오염이 심각한 지역의 대기환경을 개선하기 위하여 종합적인 시책을 추진하고, 대기오염원을 체계적이고 광역적으로 관리함으로써 지역주민의 건강을 보호하고 쾌적한 생활환경을 조성함을 목적으로 '20년 10월 “대기관리권역법”을 전국적으로 확대 실시하였다.
먼지, 질소산화물(NOx), 황산화물(SOx) 등을 규제이상으로 배출하고 있는 사업장은 굴뚝 자동 측정기기(TMS: Tele Metering System)를 설치하고 상시 관리해야 한다. 법적 제재 대상인 환경관리 문제에 대해서, 사전 조치를 통해서 예방하고자 하는 센서기반의 모니터링 시스템은 시중에 상용화 되어 있지만, 메인 굴뚝 하나에 법적 제재 대상이 아닌 여러 개의 설비가 유해가스를 배출할 경우 각 개별설비에 대한 배출량 측정은 되지 않아, 법적 허용치 초과 시 설비 전체를 가동 중단해야 하는 문제로 생산의 차질이 발생한다는 문제가 있다.
법적 제재 대상인 환경관리 문제에 대해서, 사전 조치를 통해서 예방하고자 하는 센서기반의 모니터링 시스템은 시중에 상용화 되어 있다. 하지만, 메인 굴뚝 하나에 법적 제재 대상이 아닌 여러 개의 설비가 유해가스를 배출할 경우 각 개별설비에 대한 배출량 측정은 되지 않아, 법적 허용치 초과 시 설비 전체를 가동 중단해야 하는 문제로 생산의 차질이 우려되는 실정이다. 또한, 굴뚝 뿐만 아니라 각 단위 설비 별 배출가스를 수집,분석,예측하여 미리 오염물질 배출의 총량관리를 할 수 있는 솔루션 필요하다.
실시예에 따른 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼은 실증을 위한 설비부착용 측정장치를 제공하여 연관설비를 3차원 모델링하고 현장과 동일한 디지털 트윈(Digital Twin)을 구현한다. 또한 센서 데이터 기반 데이터 소프트웨어 인터페이스(I/F) 및 모션을 구현하고 인공지능 모델을 제공하여 실시간 설비 별 측정 오염물질 정보를 제공한다.
또한, 통합 모니터링 체계를 구출하여 굴뚝 TMS, SNS 및 유량계 데이터를 수집하고, 스마트에너지 시스템을 연계 및 가시화한다. 아울러 초과배출 사전 예측 및 경보 체계를 구축하여 초과배출 사전 알람 기능 및 ML(Machine learning)을 통한 배출량 예측체계를 구현한다.
실시예에 따른 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼은 각 굴뚝에 설치되고, 샘플가스를 추출하여 집계수치를 생성하는 배출가스 자동측정장치(TMS); 각 굴뚝과 설비 간에 연결된 배관에 설치되고, 개별설비에서 발생하는 배출가스 데이터를 수집하는 SNS(Smart Nox Sensor); 각 설비 별 사용하는 에너지를 수집하는 유량계; 배출가스자동측정장치, SNS, 유량계에서 생성된 데이터를 데이터 서버로 송신하는 송신기; 생산과정 중 모니터링을 통해 배출가스 절감을 유도하고, 수집된 데이터를 개별 굴뚝, 설비에 위치 기반 형태로 표현하며, 3D디지털 환경에서 가스 예측데이터를 생성하여 시각적인 배출가스 감시체계를 구축하는 데이터 서버; 를 포함한다.
실시예에서 데이터 서버; 는 굴뚝 TMS, SNS, 유량계 데이터를 포함하는 센싱 데이터를 수집하고, 질소산화물, 황산화물 및 TSP를 포함하는 오염물질 배출량 및 연료 적산량을 산출하는 통합모니터링 모듈; 설비 별 배출 기준량에 따라 배출량 기준 경고 등급을 설정하고, 산출된 오염물질 배출량에 따라 초과 배출량을 산출하는 초과 배출 예측모듈; 및 가열로, 전기로, 정렬로, 집진기, 굴뚝을 포함하는 TMS 연관설비 3차원 객체 라이브러리를 모델링 하는 3차원 시각화 모듈; 을 포함한다.
이상에서와 같은 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼은 개별설비에 대한 예보 및 경보 체제를 제공하여 설비 안정성을 향상시키고, 작업현장 감시기능, 분석, 통계기능 및 원격제어기능을 제공하여 통합 모니터링 및 작업자에게 가이던스할 수 있는 플랫폼을 구현함으로써, 공장설비의 안전성과 작업 효율을 향상시킨다.
또한, 주조 사업장, 단조 사업장 및 가열로, 전기로, 용융로 등 유해물질 다 배출 굴뚝에서 배출되는 대기오염물질과 개별 설비에서 배출되는 대기오염물질을 상시 측정하여 배출 상황을 관제센터에서 24시간 관리하고, 빅데이터 분석을 통해 원인을 파악하고 총량에 도달 전 미리 예측하여 경보 및 사전에 선제적 조치를 할 수 있는 시스템을 구축함으로써, 배출 가스 감소를 위한 운전 최적화 가이던스를 제공할 수 있다.
실시예에 따른 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼은 배출가스 초과를 미리 빠르고 정확하게 탐지하여 이를 알림으로써 현장 관리자가 해당 문제를 초기에 예방할 수 있게 한다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 실시예에 따른 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼을 나타낸 도면
도 2는 실시예에 따른 TMS 연관설비 시각화를 위한 3차원 디지털 트윈 플랫폼 구성도를 나타낸 도면
도 3은 실시예에 따른 데이터 서버의 데이터 처리 구성을 나타낸 도면
도 4는 실시예에 따른 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼의 데이터 수집, 모니터링 및 경보 수행 예를 나타낸 도면
도 5는 실시예에 따른 TMS 연관설비 시각화를 위한 3차원 객체 라이브러리 구축 예
도 6은 실시예에 따른 적산량 및 가동시간 모니터링 UI를 나타낸 도면
도 7은 실시예에 따른 TMS 대시보드 개발 UI를 나타낸 도면
도 8는 실시예에 따른 개별 설비 대기오염물질 측정을 위한 설비 부착용 Nox 측정장치를 나타낸 도면.
도 9는 실시예에 따른 3D 엔진 프로그램 UI를 나타낸 도면
도 10 및 도 11은 실시예에 따른 데이터 서버의 데이터 처리 과정을 나타낸 도면
도 12는 실시예에 따른 수집 데이터 유형을 설명하기 위한 도면
도 13은 실시예에서 이용하는 데이터 모형 평가지표의 오차 행렬을 나타낸 도면
도 14는 실시예에 따른 배출량 통계 그래프를 포함하는 시각화 자료를 나타낸 도면
도 15 및 도 16은 실시예에 따른 스마트에너지 시스템을 연계 UI를 나타낸 도면
도 2는 실시예에 따른 TMS 연관설비 시각화를 위한 3차원 디지털 트윈 플랫폼 구성도를 나타낸 도면
도 3은 실시예에 따른 데이터 서버의 데이터 처리 구성을 나타낸 도면
도 4는 실시예에 따른 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼의 데이터 수집, 모니터링 및 경보 수행 예를 나타낸 도면
도 5는 실시예에 따른 TMS 연관설비 시각화를 위한 3차원 객체 라이브러리 구축 예
도 6은 실시예에 따른 적산량 및 가동시간 모니터링 UI를 나타낸 도면
도 7은 실시예에 따른 TMS 대시보드 개발 UI를 나타낸 도면
도 8는 실시예에 따른 개별 설비 대기오염물질 측정을 위한 설비 부착용 Nox 측정장치를 나타낸 도면.
도 9는 실시예에 따른 3D 엔진 프로그램 UI를 나타낸 도면
도 10 및 도 11은 실시예에 따른 데이터 서버의 데이터 처리 과정을 나타낸 도면
도 12는 실시예에 따른 수집 데이터 유형을 설명하기 위한 도면
도 13은 실시예에서 이용하는 데이터 모형 평가지표의 오차 행렬을 나타낸 도면
도 14는 실시예에 따른 배출량 통계 그래프를 포함하는 시각화 자료를 나타낸 도면
도 15 및 도 16은 실시예에 따른 스마트에너지 시스템을 연계 UI를 나타낸 도면
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 실시예에 따른 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼을 나타낸 도면이다.
도 1을 참조하면, 실시예에 따른 디지털 트윈 플랫폼은 메인 스택(Main Stack) 및 개별 설비를 포함하는 TMS (Tele Metering System) 관련 데이터를 수집하고, TMS 연관설비 시각화(Visualization)를 위한 3차원 객체 라이브러리(Object Library)를 구축한다. 또한, 3D 디지털 트윈 기능을 제공하고, 개별설비 대기오염물질측정을 위한 설비부착용 NOx 측정장치 및 레거시 시스템(Legacy System) (MES, 3D HMI) 연계 모듈을 제공한다.
또한, 실시예에 따른 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼은 대기오염 저감을 위한 설비 별 정밀 배출가스 측정장치를 제공하여, 통합 모니터링 플랫폼을 SOx, NOx 다 배출 설비를 보유한 수요기업서 이용할 수 있도록 한다.
실시예에 따른 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼은 가스 배출 총량의 법적 제재 대상인 SOx, NOx 배출 굴뚝 하나에, 법적 제재 대상이 아닌 여러 설비가 유해가스를 배출하고, 배출량이 법적 허용치 초과하는 경우의 설비 전체 가동 중단으로 인한 생산의 차질 문제를 해결할 수 있다. 또한, 설비 별 실시간 대기오염 물질 배출량 감시 센서 및 선제적 조치를 위한 AI기반 배출 가스 사전 위험요소 인지 표준모델을 제공한다. 아울러, 위치기반 운전 최적화 가이던스 제공 및 통합 모니터링, 경고 서비스를 위한 디지털 트윈 기반의 3D 통합 모니터링 플랫폼을 개발 및 실증한다.
실시예에서는 레거시 시스템(Legacy System)(MES, 3D HMI) 연계 소프트웨어를 제공하고, TMS 관련 데이터의 기존 MES, 3D HMI 연계 프로그램을 구현한다. 예컨대, PLC 및 유량계 Upload Socket 통신 프로그램, 설비 별 TMS 관리 프로그램과 OPC 서버 간 Socket 통신 프로그램을 제공하여, 로 데이터(RAW Data) 취득 후, 실시간 모니터링, 분석을 위한 소스로 활용하도록 한다. 또한, 실시예에서는 기존 MES 시스템과의 인터페이스 프로그램을 제공하여
MSsql 서버에 업데이트 되는 실시간 데이터를 Socket.io 통해 클라이언트에게 전송하도록 한다. 또한, 실시예에서는 MES (Manufacturing Execution System)의 정보를 작업 스케쥴로 인터페이스 하고, 설비 별 TMS 관련 실적데이터를 3D HMI 전환할 수 있다. 또한, O/S에 비 종속적인 UI 제공하고, 통계 및 분석 데이터 가시화에 최적화된 UI 제공한다. 또한, 플랫폼화 된 UI 기능 제공하고, 3차원 객체 라이브러리를 제공하여 3D UI를 통한 실시간 설비 모니터링을 가능하게 한다.
도 2는 실시예에 따른 TMS 연관설비 시각화를 위한 3차원 디지털 트윈 플랫폼 구성도를 나타낸 도면이다.
도 2를 참조하면, 실시예에 따른 디지털 트윈 플랫폼은 배출가스 자동측정장치(TMS); SNS(Smart Nox Sensor); 송신기 및 데이터 서버(100) 등을 포함하여 구성될 수 있다.
배출가스 자동측정장치(TMS, Tele Monitoring System)는 각 굴뚝에 설치되고, 샘플가스를 추출하여 집계수치를 생성한다. SNS(Smart Nox Sensor)는 각 굴뚝과 설비 간에 연결된 배관에 설치되고, 개별설비에서 발생하는 배출가스 데이터를 수집한다. 유량계는 각 설비 별 사용하는 에너지를 수집한다. 송신기는 배출가스자동측정장치, SNS, 유량계에서 생성된 데이터를 데이터 서버로 송신한다. 데이터 서버는 생산과정 중 모니터링을 통해 배출가스 절감을 유도하고, 수집된 데이터를 개별 굴뚝, 설비에 위치 기반 형태로 표현하며, 3D디지털환경에서 예측데이터를 생성하여 시각적인 배출가스 감시체계를 구축한다. 실시예에 따른 디지털 트윈 플랫폼은 각 굴뚝에 배출가스자동측정장치(TMS)를 부착하고 해당 장치로부터 샘플(sample) 가스를 추출하여 데이터 분석 장비를 집계치를 생성한다(1). TMS 장비를 통해 생성된 데이터를 송신기를 통해 한국공단관제센터로 송신하고(2), TMS 장비를 통해 생성된 데이터를 전용 Data송신 미들웨어(M/W)를 통해 데이터서버 송신한다(3). 또한, 각 굴뚝과 설비 간에 연결된 배관에 SNS(Smart Nox Sensor)를 통해 개별설비에서 발생하는 배출가스 데이터를 수집하고 각 설비 별 사용하는 에너지를 유량계를 통해 해당 데이터를 수집하여 데이터 송신한다(4). 실시예를 통해, 데이터서버(100)에 수집된 데이터를 MES에 송신하여 생산과정 중 모니터링을 통해 배출가스 절감을 유도하고(5), 수집된 데이터를 개별 굴뚝, 설비에 위치 기반 형태로 표현할 수 있다(6). 또한, 전용 데이터 송신 M/W를 사용, 3D디지털환경에서 예측데이터를 송신하고 시각적인 배출가스 24시간 감시체계 구축하고(7), 머신러닝을 통해 예상배출가스 총량 감안한 대응 방안 모색을 지원할 수 있다(8).
도 3은 실시예에 따른 데이터 서버의 데이터 처리 구성을 나타낸 도면이다.
도 3을 참조하면, 실시예에 따른 데이터 서버(100)는 통합 모니터링 모듈(110), 초과 배출 예측 모듈(130) 및 3차원 시각화 모듈(150)을 포함하여 구성될 수 있다. 본 명세서에서 사용되는 ‘모듈’ 이라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.
통합모니터링 모듈(110)은 굴뚝 TMS, SNS, 유량계 데이터를 포함하는 센싱 데이터를 수집하고, 질소산화물, 황산화물 및 TSP를 포함하는 오염물질 배출량 및 연료 적산량을 산출한다. 통합 모니터링 모듈(110)은 배출량 분석을 위해 도 14에 도시된 바와 같은 배출량 통계 그래프를 포함하는 시각화 자료를 생성한다. 실시예에서 통합 모니터링 모듈은 수집된 모니터링 데이터를 두가지 상태값인 0또는 1로 산출하고, 각 상태값의 발생 빈도와 비율 및 상태값 변환 빈도, 상태값 유지 시간을 파악하는 이진형 변수 분석 및 수집된 모니터링 데이터를 이용해 시계열 그래프를 생성하여 시간에 따른 모니터링 데이터 변화 추이를 탐색하는 연속형 변수 분석을 수행할 수 있다.
또한, 실시예에서 통합모니터링 모듈(110)은 Package 화를 위한 성능 개선을 위해, 메인 스택, 서브 스택 4개소에 대한 데이터 표현 UI(User Interface)를 제공하고, 개별 설비 별 연료소모량 환산 배출량 데이터 표현 UI를 제공한다. 또한, 시계열 배출량 증감 차트를 생성하고, UI 상 뷰(VIEW) 이동 등 시각 UI 요소 반영할 수 있도록 한다. 또한, 알람 발생 시 SMS 등 유무선 통신으로 담당자 즉시 연락하고, 연료사용량 기준 환산 배출량을 산출하여, 산출량에 대한 월간, 년간 데이터 조회 UI 및 리포트를 제공한다. 또한, 굴뚝 별 배출농도 및 총량 히스토리 조회, 설비 별 배출농도 및 총량 히스토리 조회 및 관리, 기준 비 초과 및 위험 시 발생 알람 정보를 제공하고, 알람 발생 이벤트 조회 UI를 생성한다.
초과 배출 예측 모듈(130)은 설비 별 배출 기준량에 따라 배출량 기준 경고 등급을 설정하고, 산출된 오염물질 배출량에 따라 초과 배출량을 산출한다. 실시예에서 초과 배출 예측모듈(130)은 설비 별 배출 기준량에 따라 배출량 기준 경고 등급을 설정을 위해, 메인 TMS에서 발생하는 환경부 표준 데이터 형식의 로우 데이터(Raw data)를 모드 버스 통신을 통해 분석을 위한 정형화된 숫자로 변환하여 데이터베이스에 전송할 수 있다. 또한, 초과 배출 예측모듈(130)은 연료 투입량, 로압, 배출량을 포함하는 예측인자를 수집하고, 예측 인자간 상관분석을 통해 학습모델을 산출한다.
3차원 시각화 모듈(150)은 가열로, 전기로, 정렬로, 집진기, 굴뚝을 포함하는 TMS 연관설비 3차원 객체 라이브러리를 모델링 한다. 실시예에서 3차원 시각화 모듈(150)은 모델링 된 3차원 객체에 아이디를 부여한 후 스케일, 색깔, 로테이션을 포함하는 속성정보를 객체에 연계한다. 실시예에서 3차원 시각화 모듈(150)은 TMS 연관설비 시각화를 위한 3D 디지털 트윈 개발을 위해, 3D 디지털 트윈 기반 굴뚝 및 설비에 대한 SOx, NOx, TSP 정밀 모니터링, 3D 디지털 트윈 기반 설비 별 연료사용 적산량 및 가동시간 모니터링, 3D 공간의 객체 클릭으로 단일설비 클릭 및 상세 조회 기능 온도 데이터 등 연속성 데이터의 3차원 차트 생성, 실시간 데이터(Stream Data) 연동한 설비의 3차원 구동현황(Real Tracking) 구현 기능을 제공한다. 또한, 데이터베이스에 저장된 과거 데이터 연동한 설비 가동 재현(Replay)기능 및 설비 상태 정상(Normal), 경고(Warning) 및 위험(Critical)으로 분류하여 표시할 수 있다. 실시예에서는 경고(Warning)나 위험(Critical) 메시지를 클릭 시 해당설비를 확대하고 경고에 대한 정확한 위치 및 내용 표시한다. 또한, 3D 디지털 트윈 기반 TMS 대시보드를 제공하고, 결과 가시화한다. 실시예에서는 정확한 위치 표시를 위한 데이터 인디케이터 기능을 제공하고, 층, 길이, 위치, 색상 등 데이터 기반 실시간 연계 모듈을 제공한다. 또한, 터치(마우스포함)스크린 기반 제스처 기능으로, 화면 이동, 축소, 확대 전환 등을 수행할 수 있도록 하고, 도 9에 도시된 바와 같은 디지털 트윈 기반 시각화를 위한 3차원 엔진 프로그램을 제공한다. 실시예에서는 현장을 디지털 트윈화 한 후 사각 없는 3D 뷰 모듈을 제공한다. 실시예에서는 펜(Pen), 로테이트(Rotate), 줌(Zoom) 기능을 제공하여 모니터링 사용자가 마우스나 터치로 직접 화면을 이동, 회전, 줌 인아웃을 할 수 있도록 개발하여 어떤 각도로든 설비 상태를 확인할 수 있도록 한다. 또한, 정확한 위치의 정보를 확인하기 위해 지시선을 포함하는 데이터 인디케이터 기능을 제공한다. 또한, 실시예에서는 벡터 객체(Vector Object)를 사용함으로써 데이터 베이스의 값에 따라 객체가 자동 생성, 삭제되고 값에 따라 색의 변화, 크기의 변화 등 물리적인 요소를 조정할 수 있도록 한다.
도 4는 실시예에 따른 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼의 데이터 수집, 모니터링 및 경보 수행 예를 나타낸 도면이다.
도 4를 참조하면, 실시예에 따른 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼은 메인 스택(Main Stack )및 개별 설비 TMS 관련 데이터를 수집한다. 실시예에서는 환경부로 전송되는 메인 스택 TMS 데이터(Main Stack TMS Data)를 수집하고, 설비 별 데이터 수집을 위한 인프라 구축 및 아키텍처 수립한다. 또한, TMS 관리를 위한 프로그램 제공한다. 예컨대, 설비 별 NOx 센서 데이터(Data )취합 프로그램 및 굴뚝 TMS 데이터의 형식 변환 위한 프로그램 및 알고리즘을 제공할 수 있다. 아울러, 실시예에 따른 TMS 연관설비 시각화를 위한 3차원 객체 라이브러리 구축 실시예를 나타낸 도 5에서와 같이, TMS 연관설비 3D 객체 라이브러리(Object Library)를 구축하기 위해, 가열로, 전기로, 정렬로, 집진기, 굴뚝 배관 등 TMS관련 3D 객체 라이브러리를 제작하고, 3D 객체에 ID 부여 후 스케일, 컬러, 로테이션 등의 객체속성을 연계하여, TMS 연관설비 시각화(Visualization)를 위한 3D 디지털 트윈을 개발할 수 있도록 한다.
실시예에 따른 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼은 3D 디지털 트윈 기반 굴뚝 및 설비에 대한 SOx, NOx, TSP 정밀 모니터링, 도 6에 도시된 설비 별 연료사용 적산량 및 가동시간 모니터링, 도 7에 도시된 TMS 대시보드(Dashboard) 기능 및 AI 결과 가시화, 정확한 위치를 위한 데이터 인디케이터(Data Indicator) 기능, 터치(마우스포함)스크린 기반 제스처 기능(화면 이동, 축소, 확대전환 등)을 제공한다.
또한, 실시예에서는 도 8에 도시된 바와 같이, 개별 설비 대기오염물질 측정을 위한 설비부착용 NOx 측정장치를 제공한다. 실시예에서는 NOx 측정을 위한 만족할 수 있는 방진/방습구조 센서 모듈을 제공하고, 가열로 및 열처리로 섭씨- 20도에서 600도의 고온에 대응 가능한 내구성 센서를 제공한다. 실시예에서는 개별설비의 PLC와 통신방식 고려 선정 적합 센서 선정하고, 레거시 시스템(Legacy System)(MES, 3D HMI) 연계 소프트웨어를 제공한다.
또한, TMS 관리를 위한 프로그램 및 알고리즘을 제공하여, 배출량 통계 및 분석을 위한 트랜드와 히스토리를 가시화할 수 있도록 한다. 예컨대, 기간별(월간, 년간) 실제 총배출량 및 통계 기능을 제공하고, TMS 대상 외 설비 별 연료량 기반 배출량 환산 알고리즘을 제공할 수 있도록 한다.
또한, 실시예에서는 연료 사용량 대비 SOx, NOx 배출량 AI 모델을 제공하고, TMS 관련 데이터분석, 태그(Tag) 분석, 인자도출, 전처리 및 정련과정을 수행한다. 아울러, 투입 연료량 대비 로압, 배출량, 배출가스 성분의 분석을 통해 초과 배출량 탐지 모델을 제공한다. 실시예에서는 초과배출탐지 모델 머신러닝 적용 및 배출량 초과 예상 설비 사전 경고를 수행하도록 한다.
도 10 및 도 11은 실시예에 따른 데이터 서버의 데이터 처리 과정을 나타낸 도면이다.
도 10및 11을 참조하면, 실시예에 데이터 서버는 데이터 수집(data collection), 데이터 분석(data analysis) 및 시스템 적용(system apply) 과정을 수행한다. 실시예에 따른 데이터 서버는 로 데이터 수집, 데이터 정련(cleaned data), 데이터 레이블 지정(labeled data)을 수행하고, 데이터 레이블이 지정된 데이터를 트레인 데이터(Train data)와 테스트 데이터(test data)로 분류하고, 모델 생성 및 모델 평가 과정을 수행한다. 이후, 모델 평가 과정에 따라 최종 모델을 구축하고 구축된 최종 모델을 시스템에 적용한다.
실시예에 따른 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼의 데이터 서버는 대상설비에서 나오는 데이터가 저장 되어있는 데이터베이스에서 설비 및 변수 선택을 통해 분석용 데이터를 추출한다. 이후, 데이터 전처리, EDA(Event-driven architecture) 등을 거쳐 분석 목적에 맞추어 모델링을 수행한다. 실시예에서는 모델링 과정 중 EDA의 일부를 시각화 하여 분석 관리자가 배출가스의 현재 상태를 확인할 수 있도록 하고, 관리 시스템에 모형을 적용하여 모니터링 시스템에 이상 감지 시 알람을 보내 관리자가 점검을 할 수 있도록 한다.
도 12는 실시예에 따른 수집 데이터 유형을 설명하기 위한 도면이다.
데이터 수집(Data Collection) 과정에서 데이터 서버는 현재 수요기업에서 가동되고 있는 다 배출 설비 중 현업관리자와의 협의를 통해 일정기간 배출가스 배출량을 판단할 수 있는 충분한 데이터와 변수를 가진 설비를 선정한다. 이때, 데이터 서버는 중요 변수 선정한다. 예컨대, 배출가스 센서 및 에너지 사용과 관련이 있는 연관 변수들을 선정하여 분석에 활용할 수 있도록 한다. 가동되고 있는 설비의 센서 데이터는 밸브(VV), 오픈(OPEN), 클로즈(CLOSE) 등 0 과 1 로 이루어진 이진형 데이터와, 배출가스 량, 온도, 연소 공기 유량, 공기압 등 실수형태의 연속형 데이터 두 유형이 존재한다. 따라서, 실시예에서는 각 데이터 유형별로 적용하는 분석기법이 다르게 설정하고, 데이터 파악을 다르게 수행해야 하므로, 변수에 따른 명확한 유형 정의를 미리 수행한다. 실시예에서 이진형 데이터는 0 과 1의 상태값을 가지는 데이터 밸브, 문 열림, 동작여부 등을 포함하고, 실시예에서 이진형 데이터는 빈도, 상태 변화 빈도, 상태 유지 시간 등을 파악하여 분석할 수 있다. 실시예에서 연속형 데이터는 실수값을 가지는 데이터로서, 배출 가스량, 에너지사용량 등의 변수를 포함하고, 시계열 분석, 히스토그램 등으로 연속형 데이터를 분석할 수 있다.
또한 실시예에서 데이터 서버는 탐색적 데이터 분석 (Exploratory Data Analysis)을 수행하여, 데이터를 수집하였을 때 탐색적 자료 분석을 통해 다양한 각도에서 데이터를 분석한다. 이를 통해, 데이터의 분포와 특이점을 쉽게 발견할 수 있도록 하고, 데이터가 표현하는 현상을 더욱 용이하게 파악하고, 잠재적인 문제를 발견할 수 있도록 한다. 또한, 문제 정의단계에서 예상하지 못했던 다양한 패턴을 발견할 수 있도록 한다.
또한, 실시예에서 데이터 서버는 데이터 모형 평가를 수행하여, 배출가스 초과를 미리 빠르고 정확하게 탐지하고 이를 알림으로써 현장 관리자가 해당 문제를 초기에 예방할 수 있게 한다. 이를 위해서는 특징(Feature)과 모델 자체의 설계도 중요하지만 가장 중요하게 작용하는 것은 모형의 성능이므로, 실시예에서는 모형의 성능을 평가할 수 있는 평가 지표를 사용하여 평가 지표에 따라 가장 좋은 성능을 나타내는 모형을 선택할 수 있도록 한다. 도 13은 실시예에서 이용하는 데이터 모형 평가지표를 설명하기 위한 도면으로, 실시예에 산출된 오차행렬을 나타낸 도면이다. 도 13을 참조하면, 실시예에 따른 데이터 서버는 분류모형 평가 지표 및 회귀 모형 평가 지표를 이용하여 평가 지표에 따라 가장 좋은 성능을 나타내는 모형을 선택할 수 있도록 한다.
오차행렬(Confusion Matrix)는 분류의 예측 범주와 실제 데이터의 분류 범주를 교차표(cross table)형태로 정리한 행렬이다. 실시예에서 산출되는 오차행렬은 이진 분류의 예측 오류 정도와 함께 어떤 유형의 오류가 발생하고 있는지 함께 나타낼 수 있다.
실시예에서는 도 13에 도시된 오차 행렬에서 산출한 TP, FP, FN, TN 값을 통해 정확도, 정밀도 재현율 및 F1스코어를 산출할 수 있다.
정확도(Accuracy)는 전체 데이터 중에 정확하게 예측한 데이터의 수로서, 수학식 1에 따라 산출될 수 있다.
수학식 1
정밀도(precision)는 양성으로 판단한 것 중 실재 양성의 비율로서, 수학식 2에 따라 산출될 수 있다.
수학식 2
재현율(Recall)은 진짜 양성이 것들 중에서 올바르게 양성으로 판단한 비율로서, 양성 결과를 정확히 예측하는 정도를 나타내는 지표로서 모델의 완전성을 평가하는 지표로 사용된다. 재현율은 실시예에서 수학식 3을 통해 산출된다.
수학식 3
정밀도와 재현율을 포지티브 데이터 세트의 예측 성능에 좀더 초점을 맞춘 평가 지표로서 이진 분류 모델의 특성에 따라 특정 평가 지표가 더 중요한 지표로 간주될 수 있다. 예컨대, 재현율은 실제 양성(Positive)인 데이터 예측을 음성(Negative)으로 잘못 판단하게 되면 업무 상 큰 영향이 발생하는 경우 더 중요한 지표로 간주되고, 정밀도는 실제 음성인 데이터를 양성으로 잘못 판단하게 되었을 때 큰 문제가 발생하는 경우 더 중요한 지표로 간주된다.
F1스코어는 정밀도와 재현율을 결합하여 만든 지표로서 정밀도와 재현율이 어느 한쪽으로 치우치지 않는 수치를 나타낼 때 F1스코어는 높은 값을 나타내게 된다. 실시예에서 F1 스코어는 수학식 4를 통해 산출될 수 있다.
수학식 4
정확도, 정밀도, 재현율 및 F1 스코어는 모두 0에서 1의 값으로 산출되고 1에 가까워질 수록 성능이 뛰어나다는 것을 의미한다.
또한, 실시예에서는 회귀 모형 평가 지표를 이용하여 평가 지표에 따라 가장 좋은 성능을 나타내는 모형을 선택할 수 있도록 한다. 실시예에서는 회귀 모형 평가 수행을 위해, 회귀 모형 평가 지표인 MAE(Mean Absolute Error), MSE(Mean Squared Error) 및 RMSE(Root Mean Squared Error)를 산출하여 모형을 평가할 수 있다.
MAE는 실제 값과 예측 값의 차이를 절대값으로 변환해 평균으로 나타낸 값으로 수학식 5를 통해 산출된다.
수학식 5
N: 샘플 수, yi: 실제값 
: 예측값
MSE는 실제값과 예측값 차이를 제곱해 평균한 것으로 수학식 6을 통해 산출할 수 있다.
수학식 6
N: 샘플 수, yi: 실제값 
: 예측값
RMSE는 오류의 제곱을 산출하고, 산출된 값이 실제 오류 평균보다 더 커지는 특성이 있어 MSE에 루트를 씌운 값으로 수학식 7을 통해 산출할 수 있다.
수학식 7
N: 샘플 수, yi: 실제값 
: 예측값
또한, 실시예에서 데이터 서버는 머신러닝(Machine Learning)을 위한 데이터 전처리를 수행한다. 예컨대, 데이터 서버는 전처리 과정에서 이상치를 판별할 수 있다. 실시예에서는 각 수치형 변수를 포함하는 연속형 변수에 대하여는 변수별로 취할 수 있는 최소값, 최대값 등 가능한 범위를 지정하고 그 범위를 벗어나는 값을 이상치로 판정한다. 또한, 범주형 변수인 경우 취할 수 있는 범주값을 정의하고 정의된 범주를 벗어나면 이상치로 판정할 수 있다. 또한, 실시예에서는 발견된 모든 이상치 들을 결측치로 대체할 수 있다. 실시예에서는 결측치 처리를 직전 시점의 유효한 자료값으로 대체하여 수행할 수 있다.
또한, 실시예에서는 머신 러닝을 통한 배출량 초과 설비 예측 체계를 제공한다. 이를 위해, 데이터 수집 및 분석 서버를 구성하고, 연료 투입량, 로압, 배출량 등 인자 수집한다. 이후, 투입 연료량과 로압의 관계, 온도, 배출유량, 배출가스 성분 등을 복합적으로 학습하여 인자간 상관관계분석을 통한 배출량 초과 학습 등을 통한 학습모델을 제공할 수 있다. 실시예에서는 배출량 초과예상 시 모니터링 시스템에 경고 및 문제예상설비 지정 도출하고, 초과방지를 위한 운전 가이던스 제공하여 설비 운전을 최적화하도록 한다.
또한, 실시예에서는 초과 배출량 탐지 머신 러닝(Machine Learning)을 수행한다. 실시예에서는 초과 배출량 분석 및 기계학습을 위한 로 데이터(RAW Data) 분석 및 인자 도출을 수행한다. 예컨대, 주조공장, 단조 공장의 에너지 관련 데이터 인자를 도출하기 위해, 전처리 과정이 끝나고 설비 별 정련된 데이터를 사용해 설비 별 연료량 기반 배출량 환산을 위한 수식 및 통계 모델을 수립한다. 또한, 만들어진 통계 모델 및 수식 알고리즘을 파이선 기반으로 제공하여, 텐서플로우, 에저, AWI 등 머신러닝 API를 활용하여 초과배출 탐지를 위한 최적화 결과 값을 도출한다. 또한, 최적 결과 값 및 분석 모델은 머신러닝 시간과 현장의 상황, 로압, 배출량, 배출가스 등 인자의 특성이 변경될 때 오차를 일으킬 수 있으므로 현장 담당자 및 설비전문가, TMS 담당자가 모델을 평가하여 수식 및 모델을 수정할 수 있도록 다수의 피드백 과정을 거친다. 이후, 모델평가에서 초과 배출량이라 판단될 때 최종 모델로 선정하고 인자의 추가로 더 정확한 결과 값을 도출할 수 있도록 한다.
실시예에 따른 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼은 실증을 위한 설비부착용 측정장치를 제공하여 연관설비를 3차원 모델링하고 현장과 동일한 디지털 트윈(Digital Twin)을 구현한다. 또한 센서 데이터 기반 데이터 소프트웨어 인터페이스(I/F) 및 모션을 구현하고 인공지능 모델을 제공하여 실시간 설비 별 측정 오염물질 정보를 제공한다.
또한, 통합 모니터링 체계를 구출하여 굴뚝 TMS, SNS 및 유량계 데이터를 수집하고, 도 15 및 도 16에 도시된 바와 같이, 스마트에너지 시스템을 연계 및 가시화한다. 아울러 초과배출 사전 예측 및 경보 체계를 구축하여 초과배출 사전 알람 기능 및 ML(Machine learning)을 통한 배출량 예측체계를 구현한다. 이를 통해, 대기오염물질과 개별 설비에서 배출되는 대기오염물질을 상시 측정하여 배출 상황을 관제센터에서 24시간 관리하고, 빅데이터 분석을 통해 원인을 파악하고 총량에 도달 전 미리 예측하여 경보 및 사전에 선제적 조치를 할 수 있는 시스템 구축함으로써, 배출 가스 감소를 위한 운전 최적화 가이던스를 제공할 수 있다.
실시예에 따른 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼은 배출가스 초과를 미리 빠르고 정확하게 탐지하여 이를 알림으로써 현장 관리자가 해당 문제를 초기에 예방할 수 있도록 한다.
개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.
Claims (7)
- 대기오염 저감을 위한 인공지능 기반 TMS 환경정보 디지털 트윈 플랫폼에 있어서,
각 굴뚝에 설치되고, 샘플가스를 추출하여 집계수치를 생성하는 배출가스 자동측정장치(TMS);
각 굴뚝과 설비 간에 연결된 배관에 설치되고, 개별설비에서 발생하는 배출가스 데이터를 수집하는 SNS(Smart Nox Sensor);
각 설비 별 사용하는 에너지를 수집하는 유량계;
상기 배출가스자동측정장치, SNS, 유량계에서 생성된 데이터를 데이터 서버로 송신하는 송신기;
생산과정 중 모니터링을 통해 배출가스 절감을 유도하고, 수집된 데이터를 개별 굴뚝, 설비에 위치 기반 형태로 표현하며, 3D디지털 환경에서 가스 예측데이터를 생성하여 시각적인 배출가스 감시체계를 구축하는 데이터 서버; 를 포함하는 디지털 트윈 플랫폼.
- 제1항에 있어서, 상기 데이터 서버; 는
굴뚝 TMS, SNS, 유량계 데이터를 포함하는 센싱 데이터를 수집하고, 질소산화물, 황산화물 및 TSP를 포함하는 오염물질 배출량 및 연료 적산량을 산출하는 통합모니터링 모듈;
설비 별 배출 기준량에 따라 배출량 기준 경고 등급을 설정하고, 산출된 오염물질 배출량에 따라 초과 배출량을 산출하는 초과 배출 예측모듈; 및
가열로, 전기로, 정렬로, 집진기, 굴뚝을 포함하는 TMS 연관설비 3차원 객체 라이브러리를 모델링 하는 3차원 시각화 모듈; 을 포함하는 것을 특징으로 하는 디지털 트윈 플랫폼.
- 제2항에 있어서, 상기 3차원 시각화 모듈; 은
모델링 된 3차원 객체에 아이디를 부여한 후 스케일, 색깔, 로테이션을 포함하는 속성정보를 객체에 연계하는 것을 특징으로 하는 디지털 트윈 플랫폼.
- 제2항에 있어서, 상기 초과 배출 예측모듈; 은
설비 별 배출 기준량에 따라 배출량 기준 경고 등급을 설정을 위해, 메인 TMS에서 발생하는 환경부 표준 데이터 형식의 로우 데이터(Raw data)를 정형화된 숫자로 변환하여 데이터베이스에 전송하는 것을 특징으로 하는 디지털 트윈 플랫폼.
- 제2항에 있어서, 상기 초과 배출 예측모듈; 은
연료 투입량, 로압, 배출량을 포함하는 예측인자를 수집하고, 예측 인자간 상관분석을 통해 학습모델을 산출하는 것을 특징으로 하는 디지털 트윈 플랫폼.
- 제2항에 있어서, 상기 통합 모니터링 모듈; 은
배출량 분석을 위해 배출량 통계 그래프를 포함하는 시각화 자료를 생성하는 것을 특징으로 하는 디지털 트윈 플랫폼.
- 제2항에 있어서, 상기 통합 모니터링 모듈; 은
수집된 모니터링 데이터를 두가지 상태값인 0또는 1로 산출하고, 각 상태값의 발생 빈도와 비율 및 상태값 변환 빈도, 상태값 유지 시간을 파악하는 이진형 변수 분석 및 수집된 모니터링 데이터를 이용해 시계열 그래프를 생성하여 시간에 따른 모니터링 데이터 변화 추이를 탐색하는 연속형 변수 분석을 수행하는 것을 특징으로 하는 디지털 트윈 플랫폼.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20210183021 | 2021-12-20 | ||
| KR1020210183021 | 2021-12-20 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230094944A true KR20230094944A (ko) | 2023-06-28 |
Family
ID=86994337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220063603A KR20230094944A (ko) | 2021-12-20 | 2022-05-24 | 대기오염 저감을 위한 인공지능 기반 tms 환경정보 디지털 트윈 플랫폼 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230094944A (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101359940B1 (ko) | 2013-06-24 | 2014-02-10 | 주식회사 위드텍 | 굴뚝 배출가스 온라인 모니터링 시스템 |
| KR101955490B1 (ko) | 2018-10-12 | 2019-05-30 | 정채영 | 굴뚝 배출가스 포집용 흡입라인 모니터링 시스템 |
-
2022
- 2022-05-24 KR KR1020220063603A patent/KR20230094944A/ko unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101359940B1 (ko) | 2013-06-24 | 2014-02-10 | 주식회사 위드텍 | 굴뚝 배출가스 온라인 모니터링 시스템 |
| KR101955490B1 (ko) | 2018-10-12 | 2019-05-30 | 정채영 | 굴뚝 배출가스 포집용 흡입라인 모니터링 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hosamo et al. | A Digital Twin predictive maintenance framework of air handling units based on automatic fault detection and diagnostics | |
| Pan et al. | A BIM-data mining integrated digital twin framework for advanced project management | |
| Wu et al. | Critical review of data-driven decision-making in bridge operation and maintenance | |
| Christou et al. | End-to-end industrial IoT platform for Quality 4.0 applications | |
| Quatrini et al. | Condition-based maintenance—an extensive literature review | |
| US20130184838A1 (en) | Resource optimization using environmental and condition-based monitoring | |
| JP2019527413A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
| Kurpick et al. | Modeling cyber-physical systems: model-driven specification of energy efficient buildings | |
| CN113614359A (zh) | 用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和系统 | |
| KR20200071805A (ko) | IoT기반 실시간 에너지 모니터링 및 데이터 분석 시스템 | |
| KR20230104500A (ko) | 인공지능 기반 배출가스 정밀 예측 시스템 | |
| Wang et al. | Digital twin-enabled built environment sensing and monitoring through semantic enrichment of BIM with SensorML | |
| CN110268425A (zh) | 用于分析机器数据的系统 | |
| Unal et al. | Data-driven artificial intelligence and predictive analytics for the maintenance of industrial machinery with hybrid and cognitive digital twins | |
| Chemweno et al. | A dynamic risk assessment methodology for maintenance decision support | |
| KR102540257B1 (ko) | Ｅｓｇ 경영을 위한 인공지능 기반 환경설비 및 산업플랜트 관리 서비스 시스템 | |
| Cheng et al. | Systematic literature review on visual analytics of predictive maintenance in the manufacturing industry | |
| Villa et al. | Machine Learning Framework for the Sustainable Maintenance of Building Facilities | |
| Ullah et al. | Analytical modeling for underground risk assessment in smart cities | |
| Kalaivani et al. | Air quality prediction and monitoring using machine learning algorithm based iot sensor-a researcher's perspective | |
| de Carvalho Chrysostomo et al. | A framework for big data analytical process and mapping—BAProM: Description of an application in an industrial environment | |
| Ahern et al. | Implementation of the IDAIC framework on an air handling unit to transition to proactive maintenance | |
| Chae et al. | A Survey and Perspective on Industrial Cyber-Physical Systems (ICPS): From ICPS to AI-Augmented ICPS | |
| KR20230094944A (ko) | 대기오염 저감을 위한 인공지능 기반 tms 환경정보 디지털 트윈 플랫폼 | |
| Al Rashdan et al. | Automation of data collection methods for online monitoring of nuclear power plants |