KR20240058667A - 선박의 엔진 이상 감지 및 예측 시스템과 방법 - Google Patents

선박의 엔진 이상 감지 및 예측 시스템과 방법 Download PDF

Info

Publication number
KR20240058667A
KR20240058667A KR1020220139630A KR20220139630A KR20240058667A KR 20240058667 A KR20240058667 A KR 20240058667A KR 1020220139630 A KR1020220139630 A KR 1020220139630A KR 20220139630 A KR20220139630 A KR 20220139630A KR 20240058667 A KR20240058667 A KR 20240058667A
Authority
KR
South Korea
Prior art keywords
engine
data
temperature
ship
time series
Prior art date
Application number
KR1020220139630A
Other languages
English (en)
Inventor
안민지
김태곤
Original Assignee
한화오션 주식회사
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 한화오션 주식회사 filed Critical 한화오션 주식회사
Priority to KR1020220139630A priority Critical patent/KR20240058667A/ko
Publication of KR20240058667A publication Critical patent/KR20240058667A/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/30—Monitoring properties or operating parameters of vessels in operation for diagnosing, testing or predicting the integrity or performance of vessels
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/10—Monitoring properties or operating parameters of vessels in operation using sensors, e.g. pressure sensors, strain gauges or accelerometers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/20—Monitoring properties or operating parameters of vessels in operation using models or simulation, e.g. statistical models or stochastic models
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/06—Parameters used for exhaust control or diagnosing
    • F01N2900/14—Parameters used for exhaust control or diagnosing said parameters being related to the exhaust gas
    • F01N2900/1404—Exhaust gas temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/023—Temperature of lubricating oil or working fluid

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Ocean & Marine Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

선박에 구비되는 엔진의 로드 및 엔진의 이상 유무와 관련된 엔진 관련 요소의 온도 데이터를 수집하는 데이터 수집부; 데이터 수집부에서 수집된 데이터에 대한 전처리를 수행하여 학습데이터 셋을 생성하는 데이터 전처리부; 데이터 전처리부에서 전처리된 데이터에 대한 기계학습을 수행하여 엔진의 로드에 따른 엔진 관련 요소의 시계열 온도 값을 예측하고, 엔진의 알람이 발생하였을 때의 데이터 패턴을 학습하여 엔진의 이상 발생을 예측하는 모델을 수립하는 학습부; 및 학습부에서 수립된 예측 모델을 이용하여 엔진의 상태를 실시간으로 모니터링하고 엔진의 이상 징후를 감지하는 모니터링부를 포함하는, 선박의 엔진 이상 감지 및 예측 시스템이 개시된다.

Description

선박의 엔진 이상 감지 및 예측 시스템과 방법 {Engine Anomaly Detection and Prediction System and Method for Ship}
본 발명은 선박의 엔진 이상 감지 및 예측 시스템과 방법에 관한 것으로서, 보다 상세하게는, 선박에 구비되는 엔진의 이상 유무와 관련된 요소의 시계열을 예측하고, 엔진의 알람이 발생하였을 때 관측된 데이터 패턴을 학습하여 엔진의 이상 발생을 미리 예측하여 사전 조치를 취할 수 있도록 하는 것에 관한 기술이다.
일반적으로 선박 건조 후 시운전 단계에서 여러 테스트를 진행하며 장비 및 시스템의 실시간 알람 발생에 대비한다. 알람이 발생하였다는 것은 장비나 시스템에 어떠한 원인에 의한 이상이 발생하였다는 것을 의미하며, 이에 대한 대응이 늦어지면 고장이나 부속품 파손 등 더욱 심각한 이슈로 이어질 수 있다.
이것을 방지하기 위해서는 지속적으로 관련된 I/O 데이터를 확인하는 과정이 필요하지만, 선박에 구비되는 각종 장비 및 시스템에서 사용되는 온도, 압력 등의 값이 수 천개에 달하기 때문에 관리자가 일일이 확인하기 어렵고, 수동으로 확인이 이루어진다 하더라도 언제 이상이 발생할 것인지에 대한 판단, 즉 이상 발생 시기에 대한 정확한 판단이 이루어지기란 매우 어렵다.
따라서 현재로서는 장비 및 시스템의 이상 발생을 미리 감지하여 사전 조치를 취하는 것이 불가능하고, 알람이 발생한 이후에야 해당 장비 또는 시스템으로 요원을 파견하여 대응이 이루어지도록 하고 있을 뿐이다.
본 발명의 목적은 선박에 구비되는 장비, 그 중에서도 특히 엔진의 이상 징후를 감지하고 이상 발생을 미리 예측하여 사전 조치를 취하는 것이 가능하도록 함에 있다.
보다 구체적으로, 본 발명은 선박에 구비되는 엔진의 이상 유무와 관련된 요소의 온도와 엔진 로드와의 상관관계를 분석하여 시계열을 예측하고, 엔진의 알람이 발생하였을 때 관측된 데이터 패턴의 학습을 통해 엔진의 이상 발생을 예측하는 것이 가능하게 함으로써, 엔진의 이상이 발생하기 전에 사전 조치를 취하는 것이 가능하게 하는 선박의 엔진 이상 감지 및 예측 시스템과 방법을 제공하고자 한다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기의 목적을 달성하기 위한 본 발명의 일 측면에 따르면, 선박에 구비되는 엔진의 로드 및 상기 엔진의 이상 유무와 관련된 엔진 관련 요소의 온도 데이터를 수집하는 데이터 수집부; 상기 데이터 수집부에서 수집된 데이터에 대한 전처리를 수행하여 학습데이터 셋을 생성하는 데이터 전처리부; 상기 데이터 전처리부에서 전처리된 데이터에 대한 기계학습을 수행하여 상기 엔진의 로드에 따른 상기 엔진 관련 요소의 시계열 온도 값을 예측하고, 상기 엔진의 알람이 발생하였을 때의 데이터 패턴을 학습하여 상기 엔진의 이상 발생을 예측하는 모델을 수립하는 학습부; 및 상기 학습부에서 수립된 예측 모델을 이용하여 상기 엔진의 상태를 실시간으로 모니터링하고 상기 엔진의 이상 징후를 감지하는 모니터링부를 포함하는, 선박의 엔진 이상 감지 및 예측 시스템이 제공될 수 있다.
상기 엔진 관련 요소는 상기 엔진으로부터 배출되는 배기가스의 온도, 상기 엔진으로 공급되는 윤활유의 온도, 상기 엔진과 연결되는 프로펠러의 축을 지지하는 스턴튜브 베어링의 온도를 포함할 수 있다.
상기 데이터 수집부는 상기 엔진의 로드 및 상기 엔진 관련 요소의 온도 데이터를 상기 선박의 자동제어시스템인 IAS((Intergrated Automation System)로부터 수집할 수 있다.
상기 데이터 전처리부는 이상치 데이터(Outlier data)를 제거하고 결측치 데이터(Missing data)를 보정하는 과정과 데이터를 정규화하는 과정을 포함하여 상기 전처리를 수행할 수 있다.
상기 학습부는, 상기 엔진 관련 요소의 온도와 상기 엔진 로드와의 상관관계를 분석하여 상기 엔진 관련 요소의 시계열 온도 값을 예측하는 시계열 예측 모델; 및 상기 엔진의 알람이 발생하였을 때 관측된 이상 데이터의 패턴을 학습하여 상기 시계열 예측 모델에 의한 시계열 예측 값으로부터 상기 엔진의 현재 상태를 판단하고 이상 발생을 예측하는 이상 진단 모델을 수립할 수 있다.
상기 시계열 예측 모델은 상기 엔진의 로드 증가에 따른 상기 엔진 관련 요소의 온도 증가 기울기를 학습하여 상기 엔진 관련 요소의 수 분 내 시계열 온도 값을 예측할 수 있다.
상기 시계열 예측 모델은 CNN(Convolutional Neural Network) 모델과 LSTM0-RNN(Long Short Term Memory-Recurrent Neural Network) 모델을 이용한 다중 타임 스텝 예측 및 다중 출력 예측을 사용할 수 있다.
상기 시계열 예측 모델의 정확도를 개선하기 위하여, 상기 엔진 관련 요소의 각 항목 별로 Window Dataset을 생성하고 Window Dataset의 시간 단위를 1분~60분 단위로 조정할 수 있다.
상기 모니터링부는 상기 시계열 예측 모델에 의해 도출된 예측값을 포함하여 상기 엔진 관련 요소의 실시간 온도 데이터를 시각적인 정보로 변환하여 출력하는 디스플레이 장치를 포함할 수 있다.
상기 모니터링부는 상기 이상 진단 모델에 의해 상기 엔진의 이상 발생 징후가 포착되는 경우 경고를 생성하여 상기 디스플레이 장치에 표시할 수 있다.
또한, 상기의 목적을 달성하기 위한 본 발명의 다른 측면에 따르면, 선박에 구비되는 엔진의 로드 및 상기 엔진의 이상 유무와 관련된 엔진 관련 요소의 온도 데이터를 수집하는 데이터 수집 단계; 상기 데이터 수집 단계에서 수집된 데이터에 대한 전처리를 수행하여 학습데이터 셋을 생성하는 데이터 전처리 단계; 상기 데이터 전처리 단계에서 전처리된 데이터에 대한 기계학습을 수행하여 상기 엔진의 로드에 따른 상기 엔진 관련 요소의 시계열 온도 값을 예측하고, 상기 엔진의 알람이 발생하였을 때의 데이터 패턴을 학습하여 상기 엔진의 이상 발생을 예측하는 모델을 수립하는 학습 단계; 및 상기 학습부에서 수립된 예측 모델을 이용하여 상기 엔진의 상태를 실시간으로 모니터링하고 상기 엔진의 이상 징후를 감지하는 모니터링 단계를 포함하는, 선박의 엔진 이상 감지 및 예측 방법이 제공될 수 있다.
상기 데이터 수집 단계에서 수집되는 상기 엔진 관련 요소의 온도 데이터는 상기 엔진으로부터 배출되는 배기가스의 온도, 상기 엔진으로 공급되는 윤활유의 온도, 상기 엔진과 연결되는 프로펠러의 축을 지지하는 스턴튜브 베어링의 온도를 포함할 수 있다.
상기 데이터 전처리 단계는, 이상치 데이터(Outlier data)를 제거하고 결측치 데이터(Missing data)를 보정하는 과정; 및 데이터 정규화 과정을 포함할 수 있다.
상기 학습 단계는, 상기 엔진 관련 요소의 온도와 상기 엔진 로드와의 상관관계를 분석하여 상기 엔진 관련 요소의 시계열 온도 값을 예측하는 시계열 예측 모델을 수립하는 과정; 및 상기 엔진의 알람이 발생하였을 때 관측된 이상 데이터의 패턴을 학습하여 상기 시계열 예측 모델에 의한 시계열 예측 값으로부터 상기 엔진의 현재 상태를 판단하고 이상 발생을 예측하는 이상 진단 모델을 수립하는 과정을 포함할 수 있다.
상기 시계열 예측 모델은 상기 엔진의 로드 증가에 따른 상기 엔진 관련 요소의 온도 증가 기울기를 학습하여 상기 엔진 관련 요소의 수 분 내 시계열 온도 값을 예측할 수 있다.
상기 시계열 예측 모델은 CNN(Convolutional Neural Network) 모델과 LSTM0-RNN(Long Short Term Memory-Recurrent Neural Network) 모델을 이용한 다중 타임 스텝 예측 및 다중 출력 예측을 사용할 수 있다.
상기 모니터링 단계에서 상기 시계열 예측 모델에 의해 도출된 예측값을 포함하여 상기 엔진 관련 요소의 실시간 온도 데이터를 시각적인 정보로 변환하여 디스플레이 장치에 출력할 수 있다.
상기 모니터링 단계에서 상기 이상 진단 모델에 의해 상기 엔진의 이상 발생 징후가 포착되는 경우 경고를 생성하여 상기 디스플레이 장치에 표시할 수 있다.
이상과 같은 본 발명에 의하면, 선박에 구비되는 엔진의 현재 상태를 선내 관리자가 실시간으로 모니터링할 수 있고, 또 알람이 발생하기 전에 엔진의 이상 징후를 포착하여 이상 발생을 미리 예측하는 것이 가능한 효과가 있다.
따라서, 엔진의 이상이 발생하기 전에 경고 및 사전 조치를 취할 수 있게 되어 고장이나 부품 파손 등의 보다 심각한 이슈가 발생하는 것을 미연에 방지할 수 있으며, 엔진이나 엔진을 구성하는 부품의 잔여수명 예측도 가능해진다.
또한, 본 발명은 선박의 시운전 테스트 진행 중 알람 발생으로 인한 테스트 일정 지연을 방지할 수 있고, 시운전 데이터가 축적될수록 예측 모델의 정확도가 향상되므로 수집 데이터의 활용도가 매우 높은 장점이 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
도 1은 본 발명에 따른 선박의 엔진 이상 감지 및 예측 시스템을 개략적으로 나타낸 구성도이다.
도 2는 본 발명에 따른 선박의 엔진 이상 감지 및 예측 방법을 나타낸 흐름도이다.
본 발명의 목적과 기술적 구성 및 그에 따른 작용 및 효과에 관한 자세한 사항은 본 발명의 명세서에 첨부된 도면에 의거한 상세한 설명에 의해 보다 명확하게 이해될 것이다.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 발명을 한정하려는 의도가 아니다. 예컨대, 본 명세서에서 사용되는 '구성된다' 또는 '포함한다' 등의 용어는 발명에 기재된 여러 구성요소들 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성요소들 또는 일부 단계들을 포함하지 않거나 또는 추가적인 구성요소들 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로써 본 발명을 상세히 설명한다. 이하에서 설명되는 실시예들은 본 발명의 기술사상을 당업자가 용이하게 이해할 수 있도록 제공되는 것으로서, 이에 의해 본 발명이 한정되는 것으로 해석되어서는 안되며, 본 발명의 실시예들은 이 분야의 통상의 기술자에게 다양한 응용을 가질 수 있음은 당연하다.
도 1은 본 발명에 따른 선박의 엔진 이상 감지 및 예측 시스템을 개략적으로 나타낸 구성도이고, 도 2는 본 발명에 따른 선박의 엔진 이상 감지 및 예측 방법을 나타낸 흐름도이다.
도 1을 참조하면, 본 발명에 따른 선박의 엔진 이상 감지 및 예측 시스템은, 선박에 구비되는 엔진의 로드 및 엔진의 이상 유무와 관련된 요소의 온도 데이터를 수집하는 데이터 수집부(10); 데이터 수집부(10)에서 수집된 데이터에 대한 전처리를 수행하여 학습데이터 셋을 생성하는 데이터 전처리부(20); 데이터 전처리부(20)에서 전처리된 데이터에 대한 기계학습을 수행하여 엔진의 로드에 따른 엔진 관련 요소의 온도 값에 대한 시계열을 예측하고, 엔진의 알람이 발생하였을 때의 데이터 패턴을 학습하여 엔진의 이상 발생을 예측하는 모델을 수립하는 학습부(30); 및 학습부(30)에서 수립된 예측 모델을 이용하여 엔진의 상태를 실시간으로 모니터링하고 엔진의 이상 징후를 감지하는 모니터링부(40)를 포함할 수 있다.
데이터 수집부(10)는 엔진의 이상 유무와 관련된 요소의 데이터들을 수집한다. 여기서 '엔진의 이상 유무와 관련된 요소'란 엔진의 이상 혹은 이상 전조가 발생하였을 때 평상시와는 다른 비정상적인 데이터가 출력되는 요소를 의미할 수 있으며, 이하에서는 '엔진 관련 요소'라는 용어로 간략히 칭하여 설명하도록 한다.
본 발명은 엔진 관련 요소로서 엔진으로부터 배출되는 배기가스(Exhaust gas)의 온도, 엔진으로 공급되는 윤활유(Lubricated oil)의 온도, 엔진과 연결되는 프로펠러의 축을 지지하는 스턴튜브 베어링(Stern tube bearing)의 온도를 선정하여 데이터를 수집할 수 있다.
배기가스, 윤활유, 스턴튜브의 온도가 비정상적으로 상승되는 경우 메인 엔진의 이상이 발생할 가능성이 있으며, 본 발명은 이들 온도 데이터를 활용하여 기계학습을 수행하고 이를 통해 엔진의 현재 상태와 이상 발생 가능성에 대한 보다 정확한 판단 및 예측이 가능한 예측 모델을 수립하고자 하는 것이다.
선박은 센서 등의 데이터 수집장치를 통해 수집되는 각종 운항 데이터를 선박의 자동제어시스템인 IAS(Intergrated Automation System)에 저장 및 축적하고 있으며, 데이터 수집부(10)는 상술한 엔진 배기가스 온도, 윤활유 온도, 스턴튜브 베어링 온도를 IAS로부터 수집할 수 있다.
이때, 데이터 수집부(10)는 배기가스 온도와 관련하여 '배기가스 배출제어부 온도', '배기가스 입구(inlet) 온도' 및 '배기가스 출구(outlet) 온도'의 세 가지 데이터를 각각 수집하여 개별적인 데이터로 활용함으로써 후술하는 예측 모델의 정확도 향상을 도모할 수 있다.
윤활유의 온도는 윤활유가 공급되는 배관의 유로 상에 설치되는 온도 센서에 의해 측정이 가능하며, 스턴튜브 베어링에도 직접 온도 센서를 달아서 온도를 측정할 수 있다. 온도 센서에서 센싱되는 데이터는 IAS로 전송되며, 데이터 수집부(10)는 IAS로부터 해당 정보를 수집할 수 있다.
또한, 후술하는 바와 같이 엔진 관련 요소의 온도와 엔진 로드와의 상관관계 분석을 수행하기 위하여, 데이터 수집부(10)는 엔진 로드(Load)에 관한 정보를 IAS로부터 수집할 수 있다.
즉, 데이터 수집부(10)는 IAS에 저장 및 축적되는 정보 중에서 배기가스 배출제어부 온도, 배기가스 입구 온도, 배기가스 출구 온도, 윤활유 온도, 스턴튜브 베어링 온도 및 엔진 로드 값을 수집하여 학습데이터의 컬럼으로 활용한다.
데이터 전처리부(20)는 데이터 수집부(10)에 의해 수집된 데이터들을 기계학습을 수행하기에 적합한 학습데이터 셋 형태로 구성하기 위해 전처리를 수행한다.
데이터 전처리부(20)에 의한 데이터 전처리는 아래와 같은 과정을 포함하여 수행될 수 있다.
1) 이상치 데이터(Outlier data) 제거 및 결측치 데이터(Missing data) 보정
먼저 데이터 분포에서 비정상적인 값을 나타내는 이상치 데이터를 제거할 수 있다. 이 과정은 이상치 탐지(Outlier detection) 기법을 이용하여 수행될 수 있으며, 구체적으로는 데이터 통계(평균/최소/최대)를 활용하여 최대값이 소정치로 설정된 이격도보다 더 크게 이격된 값들이 제거될 수 있다.
또한, 결측치 데이터의 보정은 빈 데이터의 앞/뒤 선형관계를 활용하여 보간하는 선형 보간(Linear interpolation) 기법을 이용할 수 있다.
2) 데이터 정규화(Data Normalization)
그리고, 데이터 값들마다 범위가 다르기 때문에 모델의 정확도를 높이기 위해 훈련 데이터의 평균, 표준편차를 통해 데이터 정규화 과정을 거친다.
3) 학습/검증/테스트 셋(set)으로 데이터 분할
시계열을 예측하는 최적의 모델을 만들기 위해서는 생성된 모델이 정확하게 예측하는지 평가하는 과정이 필요하다. 이를 위해 본 발명은 수집(및 전처리)된 데이터를 학습데이터 셋, 검증데이터 셋, 그리고 테스트데이터 셋으로 분할하는 것이며, 학습데이터 셋으로 학습시켜 만들어진 모델을 검증데이터 셋에 적용시켜 검증데이터 셋의 실제 온도 값과 예측값을 비교하면서 모델의 정확도를 확인할 수 있다. 또한, 모델을 수정하면서 위 과정을 반복하여 잘 예측하는 모델을 만든 다음 실제 모델의 정확도를 측정(최종 평가)하기 위하여 테스트데이터 셋을 활용할 수 있다. 예컨대, 전체 데이터 집단을 8:1:1의 비율로 분할하여 학습/검증/테스트 데이터 셋을 생성할 수 있다.
학습부(30)는 데이터 전처리부(20)에 의해 전처리된 데이터에 대한 기계학습(딥러닝)을 수행하여 엔진 관련 요소의 시계열 및 엔진의 이상 발생을 예측하는 모델을 생성한다.
A. 시계열 예측 모델
첫째로, 학습부(30)는 엔진 관련 요소, 즉 배기가스 온도, 윤활유 온도, 스턴튜브 베어링 온도 및 엔진 로드에 관해 수집된 데이터를 학습데이터로 활용하여 기계학습을 수행함으로써, 엔진 관련 요소의 온도와 엔진 로드와의 상관관계를 분석하고, 엔진 관련 요소의 온도 값에 대한 시계열을 예측하는 '시계열 예측 모델'을 생성할 수 있다.
구체적으로, 학습부(30)는 엔진의 로드(%) 증가시 그에 따른 각 요소 온도 값의 증가 기울기를 학습 및 분석함으로써, 각 요소의 수 분 내 시계열 온도 값을 예측하는 모델을 생성할 수 있다. 이때, 시계열 예측을 위하여 CNN(Convolutional Neural Network) 모델과 LSTM0-RNN(Long Short Term Memory-Recurrent Neural Network) 모델을 이용한 다중 타임 스텝 예측 및 다중 출력 예측이 사용될 수 있다.
한편, 예측 모델의 정확도 개선을 위하여, 엔진 관련 요소에 대하여 모든 컬럼 값으로 Window Dataset을 생성하고, 모델의 결과에 따라 Window Dataset의 시간 단위를 1분~60분 단위로 조정할 수 있다. 다중 출력 모델(예측 값이 여러 개)을 사용하기 위하여 Window Dataset에는 모든 컬럼 값(배기가스 배출제어부 온도/배기가스 입구 온도/배기가스 출구 온도/윤활유 온도/스턴튜브 배어링 온도)이 들어가게 되는 것이다.
또한, 배기가스 배출제어부의 온도 값은 실린더(cylinder)마다 존재하기 때문에 데이터 차원축소(Data Dimensionality Reduction)를 통해 데이터를 축소시키는 등의 절차를 추가로 진행하여 예측 모델의 정확도를 높일 수 있다. 이러한 차원축소는 학습부(30)가 아니라 전술한 데이터 전처리부(20)에 의한 전처리 과정에 추가될 수 있으며, 차원축소 방법으로는 유사한 성격을 지닌 컬럼의 차원을 줄이는 PCA(Principal Component Analysis)가 사용될 수 있다.
시계열 예측 모델은 데이터 수집부(10)로부터 실시간으로 수집되는 선박의 엔진 로드 및 엔진 관련 요소의 온도 데이터를 입력받아 예측 결과를 도출할 수 있으며, 해당 모델의 결과는 엔진 관련 요소의 각 항목 별로 몇 분 후의 온도 예측값이다.
B. 이상 진단 모델
그리고, 학습부(30)는 엔진의 이상 판단을 위하여 알람 발생이 일어났을 때 관측된 데이터를 바탕으로 엔진의 이상 진단(Anormaly Diagnosis)을 수행하는 '이상 진단 모델'을 생성할 수 있다.
구체적으로, 학습부(30)는 선박의 시운전 단계에서 엔진의 이상 발생을 의미하는 알람이 발생한 시점과 해당 시점으로부터 가까운 과거에 관측된 엔진 관련 요소의 온도 데이터에 대한 패턴을 학습시킴으로써, 엔진의 이상 징후를 감지하고 이상 발생을 예측하는 이상 진단 모델을 생성할 수 있다.
이상 진단 모델은 전술한 시계열 예측 모델의 결과값, 즉 시계열 예측값을 입력데이터로 하여 엔진의 이상 여부 혹은 이상 발생 가능성을 판단할 수 있다.
한편, 알람이 발생한 경우의 데이터는 정상 데이터보다 적기 때문에, 먼저 데이터 증강 방법을 이용하여 이상 발생 데이터를 추가적으로 생성한 후 데이터 패턴 학습을 수행할 수 있으며, 이러한 데이터 증강은 전술한 데이터 전처리부(20)에 의해 수행될 수 있다.
모니터링부(40)는 학습부(30)에서 수립된 예측 모델을 활용하여 엔진의 상태를 실시간으로 모니터링한다. 모니터링부(40)는 엔진 관련 요소의 각 항목 별 실시간 온도 데이터(수 분 후의 예측값까지 포함하는)를 시각적인 정보로 변환하여 출력하는 디스플레이 장치를 포함할 수 있으며, 이상 진단 모델에 의해 엔진의 이상 발생 징후가 포착되는 경우 경고 및 사전 조치를 촉구하는 정보를 생성하여 디스플레이 장치에 표시할 수 있다. 또한, 해당 정보를 선내 관리자가 소지한 단말기나 선박의 운항을 제어하는 시스템으로 제공할 수도 있다.
이하, 본 발명에 따른 선박의 엔진 이상 감지 및 예측 방법의 세부 흐름에 대해 설명한다.
도 2를 참조하면, 본 발명에 따른 선박의 엔진 이상 감지 및 예측 방법은, 엔진 관련 요소의 온도 데이터 및 엔진 로드 데이터를 수집하는 데이터 수집 단계(S100); 데이터 수집 단계(S100)에서 수집된 데이터들의 전처리를 수행하는 데이터 전처리 단계(S200); 데이터 전처리 단계(S200)에서 전처리된 데이터들에 대한 기계학습을 수행하여 엔진 관련 요소의 온도 값에 대한 시계열을 예측하고 엔진의 이상 발생을 예측하는 모델을 수립하는 학습 단계(S300); 및 학습 단계(S300)에서 수립된 예측 모델을 이용하여 엔진의 상태를 실시간으로 모니터링하고 엔진의 이상 징후를 감지하는 모니터링 단계(S400)를 포함할 수 있다.
데이터 수집 단계(S100)에서, 데이터 수집부(10)는 엔진의 이상 유무에 영향을 미치는 데이터들을 IAS로부터 전달받아 수집한다.
데이터 수집부(10)에 의해 수집되는 데이터에는 배기가스와 관련된 온도로서 배출가스 배출제어부 온도, 배출가스 입구 온도, 배기가스 출구 온도, 윤활유 온도 및 스턴튜브 베어링의 온도가 포함될 수 있다. 또한, 상기 각 요소의 온도와 엔진 로드와의 상관관계를 분석하기 위해 엔진 로드(%)에 관한 정보도 함께 수집할 수 있다.
데이터 전처리 단계(S200)에서, 데이터 전처리부(20)는 데이터 수집부(10)에서 수집된 데이터에 대한 전처리를 수행한다. 본 단계는 전 단계에서 수집된 데이터에 기계학습을 적용하기 위해 학습데이터 셋을 구축하는 단계로 이해될 수 있다.
데이터 전처리는 이상치 데이터 제거와 결측치 데이터 보정, 데이터 정규화 및 데이터 분할의 과정을 포함할 수 있다. 여기서 이상치 데이터의 제거는 데이터 통계를 활용하여 이루어지고, 결측치 데이터의 보정에는 선형관계를 이용한 보간법이 활용될 수 있다.
학습 단계(S300)에서는, 학습부(30)가 데이터 전처리부(20)에 의해 전처리된 데이터를 바탕으로 모델을 학습시킴으로써 엔진 관련 요소의 온도 값에 대한 시계열을 예측하는 '시계열 예측 모델' 그리고 엔진의 이상 징후를 감지하고 이상 발생을 예측하는 '이상 진단 모델'을 수립할 수 있다.
첫째로, 시계열 예측 모델은 엔진 관련 요소의 시간에 따른 I/O 데이터를 예측하는 모델로서, Window Dataset을 생성하고 엔진의 이상 유무와 관련된 각 요소, 즉 배기가스 온도, 윤활유 온도, 스턴튜브 베어링의 몇 분 후 시계열 온도 값을 예측한다.
이때, 시계열 예측 모델은 CNN 모델 및 LSTM-RNN 모델을 이용하는 것으로서 엔진의 로드 증가시 그에 따른 각 항목의 온도 증가 기울기를 학습함으로써, 엔진 관련 요소의 각 항목 별 시계열 온도 값을 예측할 수 있다.
시계열 예측 모델의 정확도를 향상시키기 위해 Window Dataset의 시간 단위를 분 단위로 조정할 수 있다. 또한, 데이터 전처리 단계에서 배기가스 배출제어부의 온도 데이터를 축소시키는 PCA 차원축소 과정이 추가될 수도 있다.
둘째로, 이상 진단 모델은 엔진의 이상 판단을 위하여 알람 발생이 일어난 시점 및 해당 시점으로부터 가까운 과거에 관측된 이상 데이터의 패턴을 학습함으로써, 상술한 시계열 예측 모델의 결과(예측값)의 이상 여부를 판단할 수 있다.
모니터링 단계(S400)에서는, 모니터링부(40)가 학습 단계(S300)에서 수립된 예측 모델을 활용하여 엔진의 상태를 실시간으로 모니터링하고 엔진의 이상 전조 현상이 감지되는 경우 경고를 발생시킨다.
모니터링부(40)는 엔진의 관련 요소의 각 항목 별 실시간 온도 데이터(수 분 후의 예측값까지 포함하는)가 시각적인 정보로 변환하여 디스플레이 장치에 출력할 수 있다. 또한, 모니터링부(40)는 시계열 예측 값의 상태를 정상 또는 이상으로 구분하여 가시화하고, 이상 진단 모델에 의해 엔진의 이상 발생 징후가 포착되는 경우, 경고 및 사전 조치를 촉구하는 정보를 생성하여 디스플레이 장치에 표시할 수 있으며, 해당 정보를 선내 관리자가 소지한 단말기 혹은 선박의 운항을 제어하는 시스템으로 제공할 수도 있다.
이상과 같은 본 발명을 통하여 종래에 엔진의 알람이 발생한 이후에나 대처가 가능하였던 이슈들에 대하여 사전 조치가 가능해지고, 수천 개가 넘는 I/O 데이터들을 일일이 확인하지 않더라도 크리티컬한 이슈를 발생시킬 수 있는 이상 징후를 사전에 감지하고 이상 발생 가능성을 미리 예측하여 사전 조치를 취하도록 할 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 설명되는 실시예들은 본 발명의 기술사상을 당업자가 용이하게 이해할 수 있도록 제공되는 것으로서, 이에 의하여 본 발명이 한정되는 것으로 해석되어서는 안되며, 본 발명의 실시예들은 본 발명의 사상 및 범위를 벗어나지 않는 범위 내에서 다양하게 수정 및 변형될 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정예 또는 변형예들은 본 발명의 특허청구범위에 속한다 하여야 할 것이다.
10: 데이터 수집부
20: 데이터 전처리부
30: 학습부
40: 모니터링부

Claims (18)

  1. 선박에 구비되는 엔진의 로드 및 상기 엔진의 이상 유무와 관련된 엔진 관련 요소의 온도 데이터를 수집하는 데이터 수집부;
    상기 데이터 수집부에서 수집된 데이터에 대한 전처리를 수행하여 학습데이터 셋을 생성하는 데이터 전처리부;
    상기 데이터 전처리부에서 전처리된 데이터에 대한 기계학습을 수행하여 상기 엔진의 로드에 따른 상기 엔진 관련 요소의 시계열 온도 값을 예측하고, 상기 엔진의 알람이 발생하였을 때의 데이터 패턴을 학습하여 상기 엔진의 이상 발생을 예측하는 모델을 수립하는 학습부; 및
    상기 학습부에서 수립된 예측 모델을 이용하여 상기 엔진의 상태를 실시간으로 모니터링하고 상기 엔진의 이상 징후를 감지하는 모니터링부를 포함하는,
    선박의 엔진 이상 감지 및 예측 시스템.
  2. 청구항 1에 있어서,
    상기 엔진 관련 요소는 상기 엔진으로부터 배출되는 배기가스의 온도, 상기 엔진으로 공급되는 윤활유의 온도, 상기 엔진과 연결되는 프로펠러의 축을 지지하는 스턴튜브 베어링의 온도를 포함하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 시스템.
  3. 청구항 2에 있어서,
    상기 데이터 수집부는 상기 엔진의 로드 및 상기 엔진 관련 요소의 온도 데이터를 상기 선박의 자동제어시스템인 IAS((Intergrated Automation System)로부터 수집하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 시스템.
  4. 청구항 2에 있어서,
    상기 데이터 전처리부는 이상치 데이터(Outlier data)를 제거하고 결측치 데이터(Missing data)를 보정하는 과정과 데이터를 정규화하는 과정을 포함하여 상기 전처리를 수행하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 시스템.
  5. 청구항 4에 있어서,
    상기 학습부는, 상기 엔진 관련 요소의 온도와 상기 엔진 로드와의 상관관계를 분석하여 상기 엔진 관련 요소의 시계열 온도 값을 예측하는 시계열 예측 모델; 및 상기 엔진의 알람이 발생하였을 때 관측된 이상 데이터의 패턴을 학습하여 상기 시계열 예측 모델에 의한 시계열 예측 값으로부터 상기 엔진의 현재 상태를 판단하고 이상 발생을 예측하는 이상 진단 모델을 수립하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 시스템.
  6. 청구항 5에 있어서,
    상기 시계열 예측 모델은 상기 엔진의 로드 증가에 따른 상기 엔진 관련 요소의 온도 증가 기울기를 학습하여 상기 엔진 관련 요소의 수 분 내 시계열 온도 값을 예측하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 시스템.
  7. 청구항 6에 있어서,
    상기 시계열 예측 모델은 CNN(Convolutional Neural Network) 모델과 LSTM0-RNN(Long Short Term Memory-Recurrent Neural Network) 모델을 이용한 다중 타임 스텝 예측 및 다중 출력 예측을 사용하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 시스템.
  8. 청구항 7에 있어서,
    상기 시계열 예측 모델의 정확도를 개선하기 위하여, 상기 엔진 관련 요소의 각 항목 별로 Window Dataset을 생성하고 Window Dataset의 시간 단위를 1분~60분 단위로 조정하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 시스템.
  9. 청구항 5에 있어서,
    상기 모니터링부는 상기 시계열 예측 모델에 의해 도출된 예측값을 포함하여 상기 엔진 관련 요소의 실시간 온도 데이터를 시각적인 정보로 변환하여 출력하는 디스플레이 장치를 포함하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 시스템.
  10. 청구항 9에 있어서,
    상기 모니터링부는 상기 이상 진단 모델에 의해 상기 엔진의 이상 발생 징후가 포착되는 경우 경고를 생성하여 상기 디스플레이 장치에 표시하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 시스템.
  11. 선박에 구비되는 엔진의 로드 및 상기 엔진의 이상 유무와 관련된 엔진 관련 요소의 온도 데이터를 수집하는 데이터 수집 단계;
    상기 데이터 수집 단계에서 수집된 데이터에 대한 전처리를 수행하여 학습데이터 셋을 생성하는 데이터 전처리 단계;
    상기 데이터 전처리 단계에서 전처리된 데이터에 대한 기계학습을 수행하여 상기 엔진의 로드에 따른 상기 엔진 관련 요소의 시계열 온도 값을 예측하고, 상기 엔진의 알람이 발생하였을 때의 데이터 패턴을 학습하여 상기 엔진의 이상 발생을 예측하는 모델을 수립하는 학습 단계; 및
    상기 학습부에서 수립된 예측 모델을 이용하여 상기 엔진의 상태를 실시간으로 모니터링하고 상기 엔진의 이상 징후를 감지하는 모니터링 단계를 포함하는,
    선박의 엔진 이상 감지 및 예측 방법.
  12. 청구항 11에 있어서,
    상기 데이터 수집 단계에서 수집되는 상기 엔진 관련 요소의 온도 데이터는 상기 엔진으로부터 배출되는 배기가스의 온도, 상기 엔진으로 공급되는 윤활유의 온도, 상기 엔진과 연결되는 프로펠러의 축을 지지하는 스턴튜브 베어링의 온도를 포함하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 방법.
  13. 청구항 12에 있어서,
    상기 데이터 전처리 단계는, 이상치 데이터(Outlier data)를 제거하고 결측치 데이터(Missing data)를 보정하는 과정; 및 데이터 정규화 과정을 포함하는,
    선박의 엔진 이상 감지 및 예측 방법.
  14. 청구항 13에 있어서,
    상기 학습 단계는, 상기 엔진 관련 요소의 온도와 상기 엔진 로드와의 상관관계를 분석하여 상기 엔진 관련 요소의 시계열 온도 값을 예측하는 시계열 예측 모델을 수립하는 과정; 및 상기 엔진의 알람이 발생하였을 때 관측된 이상 데이터의 패턴을 학습하여 상기 시계열 예측 모델에 의한 시계열 예측 값으로부터 상기 엔진의 현재 상태를 판단하고 이상 발생을 예측하는 이상 진단 모델을 수립하는 과정을 포함하는,
    선박의 엔진 이상 감지 및 예측 방법.
  15. 청구항 14에 있어서,
    상기 시계열 예측 모델은 상기 엔진의 로드 증가에 따른 상기 엔진 관련 요소의 온도 증가 기울기를 학습하여 상기 엔진 관련 요소의 수 분 내 시계열 온도 값을 예측하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 방법.
  16. 청구항 15에 있어서,
    상기 시계열 예측 모델은 CNN(Convolutional Neural Network) 모델과 LSTM0-RNN(Long Short Term Memory-Recurrent Neural Network) 모델을 이용한 다중 타임 스텝 예측 및 다중 출력 예측을 사용하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 방법.
  17. 청구항 14에 있어서,
    상기 모니터링 단계에서 상기 시계열 예측 모델에 의해 도출된 예측값을 포함하여 상기 엔진 관련 요소의 실시간 온도 데이터를 시각적인 정보로 변환하여 디스플레이 장치에 출력하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 방법.
  18. 청구항 17에 있어서,
    상기 모니터링 단계에서 상기 이상 진단 모델에 의해 상기 엔진의 이상 발생 징후가 포착되는 경우 경고를 생성하여 상기 디스플레이 장치에 표시하는 것을 특징으로 하는,
    선박의 엔진 이상 감지 및 예측 방법.
KR1020220139630A 2022-10-26 2022-10-26 선박의 엔진 이상 감지 및 예측 시스템과 방법 KR20240058667A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220139630A KR20240058667A (ko) 2022-10-26 2022-10-26 선박의 엔진 이상 감지 및 예측 시스템과 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220139630A KR20240058667A (ko) 2022-10-26 2022-10-26 선박의 엔진 이상 감지 및 예측 시스템과 방법

Publications (1)

Publication Number Publication Date
KR20240058667A true KR20240058667A (ko) 2024-05-03

Family

ID=91077630

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220139630A KR20240058667A (ko) 2022-10-26 2022-10-26 선박의 엔진 이상 감지 및 예측 시스템과 방법

Country Status (1)

Country Link
KR (1) KR20240058667A (ko)

Similar Documents

Publication Publication Date Title
CN109186813B (zh) 一种温度传感器自检装置及方法
CN109239265B (zh) 监测设备故障检测方法及装置
EP3105644B1 (en) Method of identifying anomalies
EP1242923B1 (en) A process for the monitoring and diagnostics of data from a remote asset
US20140365179A1 (en) Method and Apparatus for Detecting and Identifying Faults in a Process
JP5610695B2 (ja) プラント監視用の方法、プログラム及び装置
EP1818746A1 (en) Method of condition monitoring
JP3651693B2 (ja) プラント監視診断装置および方法
US8751423B2 (en) Turbine performance diagnostic system and methods
KR102102346B1 (ko) 함정설비의 상태기반 정비지원 시스템 및 방법
KR102618023B1 (ko) 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법
JP6523815B2 (ja) プラント診断装置及びプラント診断方法
JP2018190245A (ja) 設備機器の異常診断システム
US6502018B1 (en) Method for diagnosis of equipment
KR20200010671A (ko) 기계 학습 기반의 설비 이상 진단 시스템 및 방법
CN110582626A (zh) 用由磨损因子校正的异常检测来监视涡轮机的系统和方法
KR20240058667A (ko) 선박의 엔진 이상 감지 및 예측 시스템과 방법
US7366639B2 (en) Methods for establishing alerts and/or alert limits for monitoring mechanical devices
EP4273520A1 (en) Method and system for comprehensively diagnosing defect in rotating machine
US7305317B2 (en) Joint approach of out-of-range detection and fault detection for power plant monitoring
KR102483210B1 (ko) Xai를 활용한 제조설비 이상발생확률 예측에 의한, 설비 건강지수 도출 시스템 및 설비 건강지수 도출 방법
KR20240003469A (ko) 원전설비의 예측진단방법 및 시스템
KR102574567B1 (ko) 고로의 이상 판정 장치, 고로의 이상 판정 방법, 및 고로의 조업 방법
WO2021220323A1 (ja) 状態判定装置
EP4369127A1 (en) Method for predicting failures in industrial systems

Legal Events

Date Code Title Description
E902 Notification of reason for refusal