WO2011132900A2 - 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 - Google Patents

산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 Download PDF

Info

Publication number
WO2011132900A2
WO2011132900A2 PCT/KR2011/002758 KR2011002758W WO2011132900A2 WO 2011132900 A2 WO2011132900 A2 WO 2011132900A2 KR 2011002758 W KR2011002758 W KR 2011002758W WO 2011132900 A2 WO2011132900 A2 WO 2011132900A2
Authority
WO
WIPO (PCT)
Prior art keywords
data
variables
monitoring system
process margin
industrial
Prior art date
Application number
PCT/KR2011/002758
Other languages
English (en)
French (fr)
Other versions
WO2011132900A3 (ko
Inventor
김수영
Original Assignee
비앤에프 테크놀로지 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 비앤에프 테크놀로지 주식회사 filed Critical 비앤에프 테크놀로지 주식회사
Priority to US13/519,070 priority Critical patent/US20120271826A1/en
Publication of WO2011132900A2 publication Critical patent/WO2011132900A2/ko
Publication of WO2011132900A3 publication Critical patent/WO2011132900A3/ko

Links

Images

Classifications

    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling

Definitions

  • the present invention relates to a data collection method for a process margin monitoring system of an industrial facility and a storage medium thereof, and more specifically, to a monitoring system for analyzing a process margin of an industrial facility based on a statistical learning technique,
  • the present invention relates to a data collection method for a process margin monitoring system of an industrial facility and a storage medium thereof, for collecting learning data from a computer database and converting the learning data into a form that is easy to learn.
  • Industrial equipment is a device consisting of a plurality of systems and devices to achieve a specific purpose, generally one or more instruments are installed for checking the operation and safety status, it consists of a configuration that can be measured offline or online.
  • the efficiency and safety of the equipment will vary depending on external conditions (air temperature, pressure, humidity, seawater or precipitation temperature if cooling water is required), characteristics of the injected fuel, deterioration of the equipment, operating range, etc.
  • process margin the extent of change that can tolerate the efficiency and safety of the installation.
  • Most industrial facilities have a stop / protection function for a specific system or device in order to prevent operation beyond this process margin, and in order to implement such a stop / protection function, the value of a specific operating variable is A control device is in place to forcibly stop the facility when the stop / protection signal is exceeded.
  • the process margin and the stop / protection set point are mutually dependent variables.
  • the stop / protection set point is set too high, the process margin becomes relatively large, and the cost benefit of operating the industrial equipment increases. There is a problem that can cause a serious accident and cause a long period of equipment shutdown.
  • the above stop / protection set value is set too low, the probability of an accident is lowered, but the process margin is relatively low, and thus the industrial equipment is frequently shut down, thereby reducing the cost benefit of operating the industrial equipment. You lose.
  • the overall process margin is determined by reflecting these two-sided properties.
  • the process margin is set to a conservative value inclusive of all external conditions, input fuel, deterioration of equipment, and operating range. It is common.
  • Such a preliminary stop / protection set point is usually a static value, and once set, the set point is determined as a function of two conditions, as long as the value does not change, or the characteristic of the installation even when the value changes.
  • An object of the present invention is to solve the conventional problems as described above, in implementing a monitoring system for analyzing the process margin of the industrial equipment based on statistical learning techniques, collecting the training data from the database of the power plant computer In order to convert this into a form that is easy to learn, it is to provide a data collection method and a storage medium for the process margin monitoring system of industrial facilities.
  • the configuration of the present invention comprises the steps of: providing a training data set based on data determined to be in a normal state in a driving history of an industrial facility, and classifying the training data set for each operation mode; When the industrial facilities are provided with a plurality of facilities performing the same function, receiving data for each of the plurality of facilities and processing the data for the plurality of facilities; Selecting and grouping related data among data included in the training data set; And sampling the collected data to reduce the number of data.
  • the learning data set is composed of the first data set to the N-th data set (N is a natural number of two or more) according to the size of the data to be collected or the collection point of the data, in which case, the first data set is one of the industrial facilities.
  • the second data set includes signals included in the entire industrial facility for monitoring the process margin of the entire industrial facility for monitoring the process margin of a specific facility, and the third data.
  • the set may consist of signals relating to all or part of the plant immediately after a particular event occurs in all or part of the plant.
  • the present invention may further include collecting analog signals that can replace the digital signals and converting the digital signals into the analog signals when there is data represented by the digital signals in the training data set. have.
  • a variable having a correlation coefficient greater than or equal to a set value is regarded as the same group, and a smoothing parameter is calculated using a 4-fold validation method for the variables considered to be the same group.
  • variables other than the variables considered as the same group may be used by selecting only variables related to the characteristics of the facility in consideration of the characteristics of the facility.
  • the correlation coefficient is preferably analyzed by the following equation.
  • ⁇ XY correlation coefficient between variables X and Y
  • X i i-th value based on sampling interval of training data
  • Y i i-th value based on sampling interval of training data
  • ⁇ X average
  • ⁇ X of the variable Y : the mean
  • ⁇ Y standard deviation of variable Y
  • N the number of times of the data collection interval in the sampling interval of the training data .
  • the number of data for the variable in the grid is reduced or the standard deviation ( ⁇ X ) for the specific variable is calculated based on the variance of the value of the specific variable as a reference of the grid size.
  • the number of data remaining in the grid is determined by the product of a set ratio of the number of data for the variable in the grid, and at least one data is set in each grid.
  • the present invention has the effect of collecting the training data from the database of the power plant computer and converting it into a form that is easy to learn in implementing a monitoring system for analyzing the process margin of the industrial facility based on a statistical learning technique. .
  • FIG. 1 is a schematic diagram of a general power generation system as an industrial facility.
  • FIG. 2 is a view showing an example of the configuration of the multi-learning data set of the data collection method for the process margin monitoring system of the industrial equipment according to an embodiment of the present invention.
  • FIG. 3 is a view illustrating a user interface for selecting a training data set of a data collection method for a process margin monitoring system of an industrial facility according to an embodiment of the present invention.
  • FIG. 4 is a view illustrating an example of collecting analog data or digital data of a data collection method for a process margin monitoring system of an industrial facility according to an exemplary embodiment of the present invention.
  • FIG. 5 is a view illustrating a virtual tag generation of a data collection method for a process margin monitoring system of an industrial facility according to an embodiment of the present invention.
  • FIG 6 and 7 are views for showing the step-by-step selection of the data collection method for the process margin monitoring system of the industrial equipment according to an embodiment of the present invention.
  • FIG. 8 is a view for showing the results of the step-by-step variable selection and the cross grouping of the variables of the data collection method for the process margin monitoring system of the industrial facilities according to an embodiment of the present invention.
  • 9 and 10 are diagrams for explaining the principle of data compression of the data collection method for the process margin monitoring system of the industrial equipment according to an embodiment of the present invention.
  • the process margin monitoring system uses statistical data obtained from the operational history of the facility (hereinafter referred to as "learning data"). To distinguish between errors in the measuring instrument and abnormalities in the actual equipment.
  • the accuracy of the process margin monitoring system is to determine how reliable the training data is collected from the operation history of the facility, and how to group the collected training data and use it in constructing a predictive model.
  • the conditions required to increase the accuracy of the process margin monitoring system can be further classified as follows.
  • the method of selecting start and end points for collecting training data from a database installed on a power plant computer is a method of selecting start and end points for collecting training data from a database installed on a power plant computer.
  • Steady state means that the operating conditions of the equipment remain unchanged and stable, and the collected data are generally easy to construct statistical models.
  • digital data which mainly informs the operation status of the equipment such as valve open / closed and pump run / stop, plays an important role in the statistical learning model. Problems in reflecting the statistical learning model arise. Therefore, there is a need for a method of receiving digital data from a database installed on a power plant computer and inputting it into a process margin monitoring system.
  • Industrial facilities that perform critical functions often have more than one backup facility capable of performing the same function. For example, if several pumps are running and the other is standing still, and if one of the running pumps is stopped for some reason, the pump that is standing still is running and It will replace the role. In this case, the operating conditions will not change as the number of operating facilities does not change as a whole, but there is a part that needs to be changed in providing monitoring results to the user since the operating facilities have changed. In other words, there is a need for a method of inputting data of the same characteristics from a plurality of facilities from a database installed in a power plant computer, processing it, and then inputting a process margin to a monitoring system.
  • the list of signals monitoring power plants is generally very large, some of which are important in determining the process margin of the plant, but also include many unnecessary signals.
  • the simplest way to group is to look at the correlation coefficients between the signals and make the ones with the highest correlation the same group.
  • the grouping result may be inconsistent depending on the policy of collecting the training data. Therefore, there is a need for a statistical method and a method of grouping the data to reflect the engineer's knowledge of the equipment and inputting it to the process margin monitoring system.
  • a general power generation system includes a steam generator 1 such as a boiler of an energy power plant or a steam generator of a nuclear power plant, and a steam turbine 2 connected to the steam generator 1. And a condenser 3 connected to the steam turbine 2 and a pump 4 connected between the condenser 3 and the steam generator 1.
  • a to G are signals obtained from sensors installed in respective equipments, A is an outlet pressure signal of the steam generator 1, B is a pressure signal of the condenser 3, and C is a plurality of temperatures. Is a signal, D is an outlet pressure signal of the pump 4, E is a feed water flow rate signal, F is a pressure signal in the steam generator 1, and G is a temperature signal in the steam generator 1.
  • Ideal training data should be prepared only from the operating conditions of a normal installation without ageing or deterioration, and should be prepared for all external conditions (such as ambient temperature, pressure, or humidity, seawater or precipitation temperature if cooling water is required) and internal conditions ( Operating data in combination with the characteristics of input fuel, operating range). However, in reality, it is impossible to collect such data perfectly, so prepare the training data in the following way.
  • the training data set can be configured in multiple numbers accordingly. Therefore, the training data set may include the first data set, the second data set, the third data set,... N-th data set (N is a natural number).
  • the first data set includes signals C, D, for monitoring the process margin of a specific facility (eg, the pump 4 of the power generation system).
  • E has a learning database consisting of only, and periodically collects and stores three months data collected immediately after the replacement or maintenance of the facility (see Fig. 2 (a)).
  • the second data set all the signals (A, B, C, D, E, F, G) are included in the training database for monitoring the process margin of the entire plant, which is one year after the plant is first installed. Operation history data is included.
  • the second data set is used to confirm how much the state of the current power generation facility differs from the design value (see FIG. 2B).
  • the third data set contains signals for the entire installation (A, B, C, D, E, F, G), but for specific events, such as three months after each planned outage, each summer or winter, Signals are periodically updated, such as three months after installation.
  • the third set can be utilized to observe the state compared to it, based on the plant conditions immediately after the particular event occurred (see FIG. 2C).
  • Statistical learning methods are divided into learning mode and execution mode. Multiple training data sets are modeled in training mode for each set, and provide an appropriate interface for the user to select when entering run mode.
  • 3 illustrates an example of a user interface for selecting the training data set configured in FIG. 2.
  • the system is stopped for the first time and then started, and the operating conditions are kept constant. After a certain period of time, the process is stopped. Therefore, it can be divided into start mode, normal operation mode and stop mode. In some cases, the operation mode can be subdivided and operated.
  • the operation mode can be subdivided and operated.
  • a model suitable for the operation mode is used.
  • it is executed only when the data obtained under the operating condition does not exceed the range of data prepared in the learning mode, and when the system state is not entered, the user is not sure of the reliability of the output result. Either generate a or allow the calculation to be bypassed automatically.
  • the training data is collected using an analog signal that can replace the digital signal.
  • the digital signal indicating the opening and closing of the valve
  • the flow rate, pressure, temperature, etc. in the pipe located downstream of the valve must be included in the learning data to indirectly know the opening / closing state of the valve.
  • 4 shows an example of collecting analog data or digital data.
  • A1 is an analog signal relating to the discharge part pressure of the pump 4
  • A2 is an analog signal relating to the discharge part temperature of the pump 4
  • D1 is an on / off state of the pump 4.
  • 4 (b) illustrates a data set for a case where digital data is not available
  • FIG. 4 (c) illustrates a data set for a case where digital data is available.
  • kernel regression is used as a model for training data, there is no problem using a mixture of analog and digital data.
  • important digital data must be assigned to the same group of training data.
  • important digital data can be lost in the grouping process. Therefore, a method of finding an optimal combination of groupings, which will be described later, should be utilized.
  • the result of the digital signal is not only 0 or 1, but may be a median value or a value out of it. In this case, it is determined that there is a possibility that an indicator such as open / close or stop / operation of a digital signal is wrong.
  • the concept of virtual tag is a necessary signal, but it can be used to represent a location where no instrument is actually installed, a location where the instrument cannot be installed, or a physical quantity that is not of a measurable nature.
  • the enthalpy other than the thermometer and the pressure gauge is to be used as a signal at the positions H1 to H4 at the discharge port side of the pumps 4a, 4b, 4c, and 4d at the points H1 to H4 in FIG. It is possible to make and use enthalpy gazig as a function of temperature and pressure.
  • singularities included in the learning data should be removed.
  • Representative examples of singularity include the case where no data is input at all, such as 'Bad Input', and the case where the data is input at the same time as 'Out of Range', but is temporarily larger or smaller than well beyond the normal range.
  • the reliability of the training data is improved by simultaneously removing the data of all variables acquired at that time. All variables that do not change during the sampling period of the training data are treated as 'Bad Inputs' so that they do not become noise in modeling.
  • Training data contains a mixture of useful and useful information to inform the status of a particular facility. Also, even signals that contain useful information, not all signals provide status for every facility in the system. Therefore, it is necessary to group signals containing information useful for checking the status of each target equipment. By performing such grouping, signals containing information that are not useful can be excluded from the training data, and the number of signals required for monitoring a specific facility can be reduced to an appropriate level.
  • the correlation coefficient used as a criterion for grouping in the statistical learning method is analyzed for all pairs of variables constituting the training data, and is calculated as shown in Equation 1 below. If the calculated correlation coefficient is more than the set value, it is regarded as training data, otherwise it is dropped from the training data.
  • the setting value is input by the user.
  • ⁇ XY correlation coefficient between variables X and Y
  • X i i-th value based on sampling interval of training data
  • Y i i-th value based on sampling interval of training data
  • ⁇ X average
  • ⁇ X of the variable Y : the mean
  • ⁇ Y standard deviation of variable Y
  • N the number of times of the data collection interval in the sampling interval of the training data .
  • the first problem is that the correlation coefficient between variables that need to be physically correlated is very low, so it is not likely to belong to the same group.
  • the correlation coefficient represents the linear relationship of two variables.
  • the linearity of any two variables can be analyzed differently according to the duration of the training data sampled. For example, variables that change much more slowly than process changes in the plant, such as outside conditions, seawater or precipitation conditions, and fuel conditions, affect the overall performance of the plant, but are slow and not sufficiently reflected in the correlation coefficient. . You can think of these variables as independent variables of the whole system. In other words, changes in the system do not affect these variables, but these variables affect the changes in the system.
  • the second problem is that if these variables belong to one group, they cannot belong to another group. Since independent variables in the system affect all groups, they need to be shared across multiple groups.
  • step variable selection method is proposed.
  • variables that represent preset values or user-specified values such as 0.8 or more, are considered to be the same group by using the correlation coefficient.
  • the quadruple verification method is to divide the training data into quadrants, make an autocorrelation regression model using the data of the third quadrant, and then repeat the method of verifying the model using the remaining data in different combinations. This results in a total of four verifications.
  • the third data used to create the autocorrelation regression model is called learning data
  • the first data used to verify the created regression model is called testing data.
  • Each verification step is called a run. Therefore, the quad verification method performs four runs. For each run, we use the Square Sum of Residuals (SSR) as an indicator of the superiority of the regression model. In this case, the calculated sum of squares of the residuals (SSR) is defined as SSR 1 .
  • the set value is a ratio of the reduction rate of the sum of squares of the residuals in Case 5 to the sum of the squares of the residuals in Case 4 to the reduction ratio of the sum of squares of the residuals in Case 4 to the sum of squares of the residuals in Case 3 shown in FIG. Can be determined.
  • such a set value can be understood as a numerical value for selecting a state in which the decrease in the sum of squares of the residuals is sharply slowed or no longer decreases. Therefore, in the case of FIGS. 6 and 7, the variables A, B, C, and F are determined to be the same group.
  • step 3 It is very likely that step 3 will take a very long time, since you have to think about the combination of many variables.
  • the variables related to the characteristics of the facility are determined as independent variables in consideration of the characteristics of the facility, and step 3 is performed only for the independent variables.
  • the second problem is automatically solved by using the stepwise variable selection method described above.
  • the result of the stepwise variable selection and the cross grouping of the variables will be as shown in FIG. 8.
  • Three variables A0001, A0002, and A0003 shown in FIG. 8 belong to groups 1, 2, and 3, respectively, and in particular, A0002 shows that they belong to group 1 as well.
  • step (5) The amount of training data actually collected is often so large that even modern computers are difficult to analyze. In this case, it can be very time-consuming to select and step group in step (5).
  • a method of reducing the number of data in the grid based on the signal distribution as a criterion size is proposed as follows. First, the variance of the value of a particular variable is calculated and set as the reference grid size. The reference grid size allows the user to set larger or narrower. Next, set the grid for each variable, and hit the actual data into each grid.
  • FIG. 9 shows original data.
  • the grid drawn on the horizontal and vertical axes was determined by the magnitude of the variance of the variable on the horizontal axis and the variable on the vertical axis.
  • Resolution means how many times the variable is to be truncated to cut the grid. That is, the larger the resolution is set, the smaller the grid is set, the greater the amount of training data will be.
  • the grid size (GridSize x ) according to the resolution may be calculated as shown in Equation 2 based on the standard deviation ⁇ X of the variable.
  • each variable is cut out by dividing -5 ⁇ to + 5 ⁇ by the resolution.
  • the reason for using -5 ⁇ to + 5 ⁇ rather than dividing the minimum value to the maximum value of the variable by resolution is that the learning data sometimes contains abnormally large or small values. This is because the distribution of the grid can be abnormally divided. And since the variables follow the natural distribution, most of the data is distributed between -5 ⁇ and + 5 ⁇ . For example, if you set the resolution to 4, the grid will be cut into 4 grids from -5 ⁇ to -2.5 ⁇ , -2.5 ⁇ to average, + 2.5 ⁇ to average, + 2.5 ⁇ to + 5 ⁇ , and resolution is set to 2. Will be reduced to two lattice, average at -5 ⁇ and + 5 ⁇ at mean.
  • the number of data in all grids is reduced according to this ratio by using a preset ratio or a constant ratio input by the user. If the data is reduced according to this ratio, if at least one is left, at least one should be left. 10 is a view of the data remaining after being removed by this principle.
  • the distance from the total data is reflected. Most process variables follow the form of a normal distribution. Therefore, when looking at the entire interval, the learning data is concentrated at an intermediate point. This affects the signal prediction, which results in the prediction being totally centered. However, it is difficult to completely rule out the importance of occasional external data. Using this method reduces the number by considering the distribution of the data, which helps to effectively reduce the number without losing important data, which is another advantage of this method.
  • the data compression method can be used in various ways in the statistical learning method, but in order to have the best effect, the data compression method should be performed in the same group after the grouping of the variables is performed. This is because the compression effect can be reduced when applied to a signal that has not undergone any signal processing.

Abstract

본 발명은 산업설비의 공정 여유도를 통계적 학습 기법에 기반하여 분석하는 감시 시스템을 구현하는데 있어서, 발전소 컴퓨터의 데이터베이스로부터 학습용 데이터를 수집하고 이를 학습하기 용이한 형태로 변환하기 위한, 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법에 관한 것으로서, 산업설비의 운전이력에서 정상적인 상태로 판정되는 데이터를 토대로 학습용 데이터 세트를 마련하되, 상기 학습용 데이터 세트를 운전모드별로 구분하는 단계; 상기 산업설비에서 동일한 기능을 수행하는 복수의 설비를 구비하는 경우, 상기 복수의 설비 중 각 설비에 대한 데이터를 입력받아 상기 복수의 설비에 대한 데이터로 가공하는 단계; 상기 학습용 데이터 세트에 포함된 데이터 중 관련된 데이터를 선별하여 그룹핑하는 단계; 및 수집된 데이터를 샘플링하여 데이터 개수를 감소시키는 단계;를 포함하여 이루어진다.

Description

산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체
본 발명은 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체에 관한 것으로서, 좀더 세부적으로 말하자면 산업설비의 공정 여유도를 통계적 학습 기법에 기반하여 분석하는 감시 시스템을 구현하는데 있어서, 발전소 컴퓨터의 데이터베이스로부터 학습용 데이터를 수집하고 이를 학습하기 용이한 형태로 변환하기 위한, 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체에 관한 것이다.
산업설비는 특정한 목적을 달성하기 위하여 다수의 계통 및 기기로 이루어진 장치로서, 일반적으로 운전 및 안전 상태를 확인하기 위한 하나 이상의 계측기가 설치되어 있고, 이를 오프라인 또는 온라인으로 측정할 수 있는 구성으로 이루어진다.
상기한 산업설비는 외부 조건(대기 온도, 압력, 습도, 냉각수가 필요한 경우 해수 또는 강수 온도 등), 투입 연료의 특성, 설비의 열화 정도, 운전 범위 등에 따라 설비의 효율과 안전성이 달라지게 되는데, 비용 관점에서 설비의 효율과 안전성을 용인할 수 있는 변화 범위를 공정 여유도라 한다. 대부분의 산업설비에서는 이와 같은 공정 여유도를 넘어서는 운전을 막기 위하여, 특정 계통 또는 기기에 대한 정지/보호 기능을 마련해 놓고 있으며, 이와 같은 정지/보호 기능의 구현을 위하여 특정 운전 변수의 값이 상기한 정지/보호 신호 설정치를 넘어서게 되면 설비를 강제로 정지시키는 제어장치를 마련해 두고 있다.
상기한 공정 여유도와 정지/보호 설정치는 상호 의존적인 변수로서, 정지/보호 설정치가 지나치게 높게 설정될 경우에는, 상대적으로 공정 여유도가 많아지게 되어 산업설비를 가동함으로써 얻는 비용 이득은 커지게 되지만, 자칫 심각한 사고가 발생하여 장기간의 설비 정지를 초래할 수 있는 문제점이 있다. 이와는 반대로, 상기한 정지/보호 설정치가 지나치게 낮게 설정될 경우에는, 사고 발생에 대한 확률은 낮아지지만, 상대적으로 공정 여유도가 적어지게 되어 산업설비가 자주 정지됨으로써 산업설비 가동에 따른 비용 이득이 적어지게 된다.
따라서, 이러한 양면성을 반영하여 전체적인 공정 여유도를 결정하게 되는데, 고도의 안전성이 요구될수록 외부 조건, 투입 연료, 설비의 열화 정도, 운전 범위 등을 모두 포괄하여 보수적인 값으로 공정 여유도를 정하는 것이 일반적이다.
하지만, 외부 조건, 투입 연료, 설비의 열화 정도, 운전 범위 등과 같이 다양한 상황에 대한 종합적인 공정 여유도를 결정하는 것은 매우 어렵다.
한편, 특정 운전 변수의 값이 정지/보호 설정치에 접근하기 전에 예비 정지/보호 설정치를 제공하여, 운전원이 설비의 정지에 대비하도록 하거나, 적절한 조치를 취하여 정상화되도록 하는 절차서를 구비하고 있는 것이 보편적이다.
그런데 이와 같은 예비 정지/보호 설정치는 보통 정적인 값으로서 일단 정해지면 값이 변하지 않거나, 값이 변화하는 경우에도 설비의 특성을 나타내는 한, 두 가지의 조건에 대한 함수로서 설정치가 정해진다.
따라서, 공정이 상기한 정지/보호 설정치 이내에 있기만 하면, 실제로 공정이 정상적인지 비정상적인지 여부를 알려줄 수는 없으며, 공정의 문제점이 설정치까지 전파되는 시간을 예상하기 어려우므로, 매우 긴박한 상황이 되기 직전까지 적절한 대처를 하기 불가능하다.
상기한 바와 같은 종래의 문제점을 해결하기 위한 것으로서, 일련의 통계적 학습 및 예측 모델에 기반하여 산업설비의 정지/보호 신호에 대한 동적 감시 및 적시 경보를 가능하게 할 수 있는 기술이 알려진 바 있다.
본 발명의 목적은 상기한 바와 같은 종래의 문제점을 해결하기 위한 것으로서, 산업설비의 공정 여유도를 통계적 학습 기법에 기반하여 분석하는 감시 시스템을 구현하는데 있어서, 발전소 컴퓨터의 데이터베이스로부터 학습용 데이터를 수집하고 이를 학습하기 용이한 형태로 변환하기 위한, 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체를 제공하는 데 있다.
상기한 목적을 달성하기 위한 수단으로서 본 발명의 구성은, 산업설비의 운전이력에서 정상적인 상태로 판정되는 데이터를 토대로 학습용 데이터 세트를 마련하되, 상기 학습용 데이터 세트를 운전모드별로 구분하는 단계; 상기 산업설비에서 동일한 기능을 수행하는 복수의 설비를 구비하는 경우, 상기 복수의 설비 중 각 설비에 대한 데이터를 입력받아 상기 복수의 설비에 대한 데이터로 가공하는 단계; 상기 학습용 데이터 세트에 포함된 데이터 중 관련된 데이터를 선별하여 그룹핑하는 단계; 및 수집된 데이터를 샘플링하여 데이터 개수를 감소시키는 단계;를 포함하여 이루어진다.
이때 상기 학습용 데이터 세트는 수집 대상 데이터의 규모 또는 데이터의 수집 시점에 따라 제1데이터 세트~제N데이터 세트(N은 2이상의 자연수)로 구성되고, 이 경우, 제1데이터 세트는 상기 산업설비 중 특정 설비의 공정 여유도 감시를 위하여 상기 특정 설비에 관련된 신호로 구성되고, 제2데이터 세트는 상기 산업설비 전체의 공정 여유도 감시를 위하여 상기 산업설비 전체에 포함된 신호로 구성되며, 제3데이터 세트는 상기 산업설비 전체 또는 일부에서 특정 이벤트가 발생된 직후의 상기 산업설비 전체 또는 일부에 관한 신호로 구성될 수 있다.
또한 본 발명은, 상기 학습용 데이터 세트에서 디지털 신호로 표시되는 데이터가 있는 경우, 상기 디지털 신호를 대신할 수 있는 아날로그 신호를 수집하여 상기 디지털 신호를 상기 아날로그 신호로 변환하는 단계;를 더 포함할 수 있다.
그리고 상기 그룹핑 단계는, 변수간의 상관계수가 설정값 이상인 변수를 동일 그룹으로 간주하는 단계와, 동일 그룹으로 간주된 변수를 대상으로 4중 검증(4-fold validation) 방법을 이용하여 평활 모수를 계산하는 단계와, 동일 그룹으로 간주된 변수 이외의 모든 변수의 조합을 상기 그룹에 포함시켜 4중 검증 방법을 이용하여 평활 모수를 계산하면서 잔차의 제곱합(SSR)을 산출하는 단계와, 특정 잔차의 제곱합에 대한 직후의 잔차의 제곱합의 감소율이 설정치 이하인 경우, 상기 특정 잔차의 제곱합을 산출한 시점에서 그룹핑을 종료하는 단계를 포함한다.
이때 상기 잔차의 제곱합을 산출하는 단계에서, 상기 동일 그룹으로 간주된 변수 이외의 변수는, 설비의 특성을 고려하여 상기 설비의 특성에 관련된 변수만을 선별하여 이용될 수 있다.
그리고 상기 상관계수는 다음과 같은 수학식에 의해 분석되는 것이 바람직하다.
Figure PCTKR2011002758-appb-I000001
여기서, ρXY: 변수 X와 Y 사이의 상관계수, Xi: 학습용 데이터의 샘플링 구간 기준으로 i번째 값, Yi: 학습용 데이터의 샘플링 구간 기준으로 i번째 값, 단 X와 다른 변수, μX: 변수 X에 대한 평균, μY: 변수 Y에 대한 평균, σX: 변수 X에 대한 표준편차, σY: 변수 Y에 대한 표준편차, N: 학습용 데이터의 샘플링 구간 내에 데이터 수집 간격의 횟수이다.
한편, 상기 데이터의 샘플링 단계에서는, 특정 변수가 갖는 값의 분산을 격자크기의 기준으로 삼아 해당 격자 내에서 상기 변수에 대한 데이터의 개수를 줄이거나, 특정 변수에 대한 표준편차(σX)를 계산하고, 설정된 해상도(Resolution)에 따라 다음의 수학식으로 산출된 격자크기(GridSizeX)를 기준으로 삼아 해당 격자 내에서 상기 변수에 대한 데이터의 개수를 줄이는 것이 바람직하다.
Figure PCTKR2011002758-appb-I000002
이때 상기 격자 내에 잔류하는 데이터 개수는 해당 격자 내에서 상기 변수에 대한 데이터 개수에 대한 설정된 비율의 곱으로 결정되되, 각 격자에는 최소한 1개의 데이터는 잔류하도록 설정한다.
본 발명은, 산업설비의 공정 여유도를 통계적 학습 기법에 기반하여 분석하는 감시 시스템을 구현하는데 있어서, 발전소 컴퓨터의 데이터베이스로부터 학습용 데이터를 수집하고 이를 학습하기 용이한 형태로 변환할 수 있는 효과를 갖는다.
도 1은 산업설비로서 일반적인 발전 시스템의 개요도이다.
도 2은 본 발명의 일실시예에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법의 다중 학습용 데이터 세트의 구성예를 보여주기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법의 학습용 데이터 세트를 선택하기 위한 사용자 인터페이스를 보여주기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법의 아날로그 데이터 또는 디지털 데이터의 수집 예를 보여주기 위한 도면이다.
도 5는 본 발명의 일실시예에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법의 가상 태그 생성을 보여주기 위한 도면이다.
도 6 및 도 7은 본 발명의 일실시예에 따른 산업설비의 공정 여유도 감시시스템용 데이터 수집 방법의 단계적 변수 선정을 보여주기 위한 도면이다.
도 8은 본 발명의 일실시예에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법의 단계적 변수 선정 결과와 변수들의 교차 그룹핑의 결과를 보여주기 위한 도면이다.
도 9 및 도 10은 본 발명의 일실시예에 따른 산업설비의 공정 여유도 감시시스템용 데이터 수집 방법의 데이터 압축의 원리를 설명하기 위한 도면이다.
이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 이 발명을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 본 발명의 가장 바람직한 실시예를 첨부된 도면을 참조로 하여 상세히 설명하기로 한다. 본 발명의 목적, 작용, 효과를 포함하여 기타 다른 목적들, 특징점들, 그리고 동작상의 이점들이 바람직한 실시예의 설명에 의해 보다 명확해질 것이다.
참고로, 여기에서 개시되는 실시예는 여러가지 실시가능한 예 중에서 당업자의 이해를 돕기 위하여 가장 바람직한 실시예를 선정하여 제시한 것일 뿐, 본 발명의 기술적 사상이 반드시 이 실시예에만 의해서 한정되거나 제한되는 것은 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위내에서 다양한 변화와 부가 및 변경이 가능함은 물론, 균등한 타의 실시예가 가능함을 밝혀 둔다.
통계적 학습 및 예측 모델에 기반하여, 공정 여유도에 대한 적시 경보를 해 주는 공정 여유도 감시 시스템이 개발되고 있는데, 상기 공정 여유도 감시 시스템은 설비의 운전 이력으로부터 얻어진 통계 자료(이하 "학습용 데이터"라고 부른다)를 이용하여, 계측기의 오류와 실제 설비의 이상을 구분하는 것이 특징이다.
그런데 상기 공정 여유도 감시 시스템의 정확성은, 설비의 운전 이력으로부터 학습용 데이터를 얼마나 신뢰적인 방법으로 수집하는지와, 수집된 학습용 데이터를 어떤 방법으로 그룹핑(Grouping)하여 예측 모델 구성에 활용하느냐 하는 데에 달려 있다.
공정 여유도 감시 시스템의 정확성을 높이기 위하여 요구되는 조건을 좀더 세부 항목으로 구분하면 다음과 같다.
(1) 데이터의 수집 방법
발전소 컴퓨터에 설치된 데이터베이스로부터 학습용 데이터를 수집하는 시작 시점과 종료 시점의 선정에 대한 방법을 말한다.
(2) 발전설비가 정상상태로 운전되고 있는 경우와 그렇지 않은 경우에 대한 데이터 수집방법
정상상태는 설비의 운전 조건이 변화하지 않고 안정적인 상태를 유지하고 있음을 의미하는데, 이 때 수집된 데이터는 보편적으로 통계적 모델 구성이 용이하다. 반면에 발전설비가 기동 또는 정지, 다양한 제어 논리에 의하여 상태가 변화하고 있는 경우에 얻어지는 데이터는 통계적 모델 구성이 어렵다. 따라서 발전소 컴퓨터에 설치된 데이터베이스로부터 정상상태와 그렇지 않은 경우를 구분하여 데이터를 수집하여 공정 여유도 감시 시스템에 입력하는 방법이 필요하다.
(3) 아날로그 데이터와 디지털 데이터의 수집방법
일반적인 공정 신호를 나타내는 아날로그 데이터와는 달리, 밸브의 개폐 상태, 펌프의 운전/정지 상태 등 주로 설비의 작동 상태를 알려주는 신호인 디지털 데이터는 통계적 학습 모델에서 중요한 역할을 하지만, 아날로그 데이터 위주로 개발된 통계적 학습 모델에 반영하는데 있어서 문제점이 발생하게 된다. 따라서, 발전소 컴퓨터에 설치된 데이터베이스로부터 디지털 데이터를 입력받아서 이를 공정 여유도 감시 시스템에 입력하는 방법이 필요하다.
(4) 다수의 설비로부터 제공되는 동일한 성격의 데이터의 처리방법
중요한 기능을 수행하는 산업 설비인 경우 동일한 기능을 수행할 수 있는 한 대 이상의 백업 설비를 두고 있는 경우가 많다. 예컨대, 몇 대의 펌프가 작동하고 있는 상태에서 다른 한 대는 정지상태로 대기하고 있다가, 작동중인 펌프들 중에서 한 대가 어떤 이유로 정지하게 되는 경우에, 정지상태로 대기하고 있던 펌프가 가동되어 고장난 펌프의 역할을 대신하게 되는 것이다. 이런 경우 전체적으로는 가동 설비의 개수가 변화하는 것은 아니므로 운전 조건이 바뀌지는 않겠지만, 동작중인 설비가 바뀌었으므로 사용자에게 감시 결과를 제공하는데 있어서 바뀌어야 할 부분이 생긴다. 즉 다수의 설비로부터 제공되는 동일한 성격의 데이터를 발전소 컴퓨터에 설치된 데이터베이스로부터 입력받아 가공한 다음, 공정 여유도 감시 시스템에 입력하는 방법이 필요하다.
(5) 데이터를 그룹핑하는데 있어 최적의 조합 선정방법
발전 설비를 감시하고 있는 신호 목록은 일반적으로 매우 방대하며, 그중에서는 설비의 공정 여유도를 파악하는데 중요한 것도 있지만, 불필요한 신호도 상당수 포함되어 있다. 그룹핑을 하는 가장 간단한 방법은 신호들 간의 상관계수를 확인하여 상관도가 높은 것을 같은 그룹으로 만드는 것이다. 그렇지만, 학습용 데이터의 수집 정책에 따라 그룹핑 결과가 일관적이지 않을 수가 있다. 따라서 통계적인 방법과 엔지니어가 갖고 있는 설비에 대한 지식을 반영하여 데이터를 그룹핑한 다음, 이를 공정 여유도 감시 시스템에 입력하는 방법이 필요하다.
(6) 수집된 데이터를 실제로 학습이 가능할 정도로 줄여주는 방법
일반적으로 단기간에 데이터를 수집한다 하더라도 샘플링 간격이 짧다면 수집되는 데이터의 양은 상당히 방대해 진다. 또한 대형 발전설비의 경우 감시하는 신호 목록도 매우 많기 마련이다. 따라서 고성능 컴퓨터를 사용한다 하더라도 통계적 학습 모델을 구성하는데 소요되는 막대한 계산량을 해결하기는 쉽지 않다. 이에따라 수집된 데이터의 정보를 최소한의 손실로 실제로 학습이 가능하도록 줄여서, 이를 공정 여유도 감시 시스템에 입력하는 방법이 필요하다.
다음으로는 공정 여유도 감시 시스템의 정확성을 높이기 위하여 요구되는 조건을 충족시키기 위한 방법을 각 세부 항목 별로 상세하게 기술하도록 한다.
(1) 데이터의 수집 (다중 학습용 데이터 세트 구성)
도 1은 산업설비로서 일반적인 발전 시스템의 개요도이다. 도 1에 도시되어 있는 바와 같이 일반적인 발전 시스템은, 기력 발전소의 보일러 또는 원자력 발전소의 증기발생기와 같은 증기발생 설비(1)와, 상기 증기발생 설비(1)에 연결되어 있는 증기터빈(2)과, 상기 증기터빈(2)에 연결되어 있는 복수기(3)와, 상기 복수기(3)와 증기발생 설비(1)의 사이에 연결되어 있는 펌프(4)를 포함하여 이루어진다. 도 1에서 A부터 G까지는 각각의 설비에 설치된 센서로부터 얻을 수 있는 신호로서, A는 증기발생 설비(1)의 출구압력 신호이고, B는 복수기(3)의 압력 신호이고, C는 복수의 온도 신호이고, D는 펌프(4)의 출구 압력 신호이고, E는 급수 유량 신호이고, F는 증기발생 설비(1)내의 압력신호이고, G는 증기발생 설비(1)내의 온도신호이다.
이상적인 학습용 데이터는 경년열화 또는 효율저하가 없는 정상적인 설비의 운전 조건으로부터 얻어진 것으로만 준비되어야 하며, 모든 외부 조건(대기 온도, 압력, 또는 습도, 냉각수가 필요한 경우 해수 또는 강수 온도 등) 및 내부 조건(투입 연료의 특성, 운전 범위) 등의 조합에서의 운전 데이터로 구성되어야 한다. 그러나 현실적으로 이와 같은 데이터를 완벽하게 수집하는 것은 불가능하므로, 다음과 같은 방법으로 학습용 데이터를 준비한다.
먼저, 학습용 데이터 세트를 두 개 이상으로 구성한다. 학습용 데이터는 현재 설비의 상태와 비교할 기준 대상으로서의 역할을 수행하므로, 이에 맞도록 학습용 데이터 세트를 다중으로 구성할 수 있다. 따라서 학습용 데이터 세트는 수집 대상 데이터의 규모 또는 데이터의 수집 시점에 따라 제1데이터 세트, 제2데이터 세트, 제3데이터 세트, … 제N데이터 세트(N은 자연수)로 구성될 수 있다.
만일 도 2에서와 같이 세 가지 세트의 학습용 데이터를 구성한다고 하면, 제1데이터 세트에서는 특정 설비(예를들면 발전 시스템의 펌프(4))의 공정 여유도 감시를 위한 신호들(C, D, E)로만 구성된 학습용 데이터베이스를 갖고 있으며, 여기에는 설비의 교체 또는 정비 직후 수집된 3개월 데이터를 주기적으로 수집하여 저장하고 있다(도 2의 (a) 참조). 제2데이터 세트에서는 전체 설비의 공정 여유도 감시를 위하여 모든 신호들(A, B, C, D, E, F, G)이 학습용 데이터베이스에 포함되어 있으며, 여기에는 설비가 처음 설치된 이후에 1년간의 운전 이력 데이터가 담겨 있다. 제2데이터 세트는 현재 발전설비의 상태가 설계치에 비하여 어느 정도의 차이가 있는지를 확인하는데 이용된다(도 2의 (b) 참조). 제3데이터 세트에서는 전체 설비에 대한 신호들(A, B, C, D, E, F, G)이 담겨져 있으나, 특정 이벤트 별로, 예컨대 매번 계획예방정지 이후에 3개월, 매년 하절기 또는 동절기, 특정 설비 교체 후 3개월 등 신호가 주기적으로 업데이트된다. 세 번째 세트는 특정 이벤트가 발생한 직후의 설비 조건을 기준으로 하여, 여기에 비교되는 상태를 관찰하기 위하여 활용될 수 있다(도 2의 (c) 참조).
통계적 학습 방법의 경우, 학습 모드와 실행 모드로 구분된다. 다중 학습용 데이터 세트는 각 세트별로 학습 모드에서 모델로 만들어지며, 실행 모드를 시작할 때 사용자가 선택할 수 있도록 적절한 인터페이스를 제공하도록 한다. 도 3에서는 도 2에서 구성된 학습용 데이터 세트를 선택하는 경우에 대한 사용자 인터페이스의 예시를 보여주고 있다.
(2) 설비가 정상상태로 운전되고 있는 경우와 그렇지 않은 경우에 대한 데이터 수집 (운전모드별 학습용 데이터 수집)
대부분의 설비의 경우는 처음 정지되어 있다가 기동하여 차츰 운전조건이 일정한 상태로 유지되고, 일정한 기간이 되면 정지의 절차를 밟는다. 따라서 크게 기동모드, 정상운전모드, 정지모드 등으로 구분할 수 있다. 경우에 따라서 운전모드를 세분화하여 운영할 수 있다. 학습용 데이터를 수집할 때, 운전모드별로 데이터 세트를 구분하도록 한다. 운전모드에 따라 데이터가 구분되어 있으면 그룹핑의 신뢰도가 높아지고 모델이 단순해지므로, 전체적인 감시 시스템의 정확도가 높아진다. 따라서, 위의 (1)에서 설명한 다중 학습용 데이터 선택 방법을 이용하여, 운전 모드별로 학습용 데이터를 구분하여 수집한다.
즉, 실행모드에서는 운전모드에 따라 이에 맞는 모델을 사용하도록 한다. 그리고 특정 운전모드에서만 감시를 할 경우에는 학습모드에서 준비된 데이터의 범위를 넘지 않는 운전 조건에서 얻어진 데이터가 입력되는 경우에 대해서만 수행되며, 그렇지 않은 시스템 상태가 되면 사용자에게 출력 결과의 신뢰성이 떨어진다는 경보를 발생하거나 자동적으로 계산이 우회되도록 한다.
(3) 아날로그 데이터와 디지털 데이터의 수집
통계적 학습 방법을 이용하는데 있어 학습용 데이터에 디지털 신호가 있는 경우에 모델링이 어렵다면, 해당 디지털 신호를 대신할 수 있는 아날로그 신호를 이용하여 학습용 데이터를 수집하도록 한다. 예컨대 밸브의 개폐를 나타나는 디지털 신호의 모델링이 어렵다면, 밸브 하류측에 위치한 배관에서의 유량이나 압력, 온도 등을 반드시 학습용 데이터에 넣어서 밸브의 개폐 상태를 간접적으로 알 수 있도록 한다. 도 4는 아날로그 데이터 또는 디지털 데이터의 수집 예를 보여 준다. 도 4의 (a)에서 A1은 펌프(4)의 토출부 압력에 관한 아날로그 신호이고, A2은 펌프(4)의 토출부 온도에 관한 아날로그 신호이며, D1은 펌프(4)의 온/오프 상태에 관한 디지털 신호이다. 그리고 도 4의 (b)는 디지털 데이터 이용이 불가능한 경우에대한 데이터 세트를 예시한 것이고, 도 4의 (c)는 디지털 데이터 이용이 가능한 경우에 대한 데이터 세트를 예시한 것이다.
만일 학습용 데이터의 모델로서 커널회귀분석을 사용하는 경우 아날로그 데이터와 디지털 데이터를 혼용해서 사용해도 문제는 없다. 또한 중요한 디지털 데이터는 반드시 학습용 데이터의 동일한 그룹으로 지정되어야 하는데, 기존의 통계적 학습방법에서 사용하였던 선형상관계수에만 기반한 그룹핑 방법은, 중요한 디지털 데이터가 그룹핑 과정에서 손실될 수 있다. 따라서 나중에 설명될 그룹핑 최적 조합을 찾는 방법을 활용하여야 한다.
단, 실행모드에서는 디지털 신호에 대한 결과가 0 또는 1만 나오는 것이 아니라, 중간값이나, 이를 벗어나는 값이 나올 수 있다. 이런 경우는 디지털 신호가 의미하는 개폐 또는 정지/동작 등의 지시자가 틀렸을 가능성이 있다는 것으로 판단한다.
(4) 다수의 설비로부터 제공되는 동일한 성격의 데이터의 처리 (가상 아날로그/디지털 태그 생성)
학습용 데이터는 설비 중심으로 수집되는 것이 아니라, 기능 중심으로 수집된다. 따라서 다수의 설비로부터 동일한 성격의 데이터가 제공되는 경우에는 가상 태그를 부여한다. 이와 같은 가상 태그의 부여를 위하여, 도 5에서와 같이 4개의 펌프(4a, 4b, 4c, 4d) 중에서 3개는 가동 중에 있으며 마지막 1개는 비상시에 기동하기 위하여 정지되어 있는 경우를 가정한다. 즉, 각 펌프는 33.3%의 용량을 가지고 있으며, 4개 중에서 3대는 반드시 가동되어야 한다고 가정한다. 4개의 펌프(4a, 4b, 4c, 4d)는 다른 설비이지만 동일한 기능을 수행하고 있다. 따라서 학습용 데이터는 H1∼H4 지점과 같이 4개의 펌프(4a, 4b, 4c, 4d)의 출구에 바로 위치하고 있는 유량계나 온도계를 사용하는 것이 아니라, H 지점과 같이 4개의 펌프(4a, 4b, 4c, 4d)가 합쳐지는 위치에 설치되어 있는 유량계와 온도계를 사용해야 한다. 만일 이 위치에 원하는 계측기가 없다면 가상의 태그를 생성하여 실제의 유량계나 온도계를 대신한다. 각 펌프의 작동 상태를 보고, 작동되는 펌프 3대의 유량을 합치거나, 온도를 평균 내는 방법으로 구성된 가상 태그를 이용한다.
가상 태그 개념은 필요한 신호이지만 실제로 계측기가 설치되어 있지 않은 위치, 계측기가 설치될 수 없는 위치, 계측할 수 있는 성격의 것이 아닌 물리량을 나타내기 위하여 사용이 가능하다. 예컨대, 도 5의 H1∼H4 지점에서 펌프(4a, 4b, 4c, 4d)의 토출구 쪽의 위치(H1~H4)에 온도계와 압력계 이외에 엔탈피를 신호로서 활용하고 싶다면, 이 위치(H1∼H4)에 온도와 압력의 함수인 엔탈피 가상태그를 만들어 사용할 수 있다.
(5) 데이터를 그룹핑하는데 있어 최적의 조합 선정 (단계적 변수 선정 및 교차 그룹핑)
그룹핑의 정확성을 높이기 위하여 기본적으로 학습용 데이터에 포함된 다양한 특이점은 제거되어야 한다. 특이점의 대표적인 사례로는 'Bad Input'과 같이 아예 데이터가 입력되지 않는 경우와, 'Out of Range'와 같이 데이터가 입력은 되지만 일시적으로 정상적인 범위를 훨씬 넘어서는 정도로 크거나 작은 경우가 해당된다. 이러한 특이점을 갖는 데이터가 발생한 경우에는 그 시점에서 취득된 모든 변수의 데이터를 동시에 제거함으로써 학습용 데이터의 신뢰도를 높인다. 학습데이터의 샘플링 기간 중에 전혀 변화가 없는 변수는 모두 'Bad Input'으로 처리하여 모델링에서의 잡음이 되지 않도록 한다.
학습용 데이터는 특정 설비의 상태를 알려주기에 유용한 정보를 포함하고 있는 것과, 그렇지 않은 것이 다수 섞여 있다. 또한 유용한 정보를 포함하고 있는 신호라 할지라도 모든 신호가 시스템 내의 모든 설비에 대한 상태를 알려주고 있지는 않다. 따라서 대상이 되는 설비별로 상태를 점검하는데 유용한 정보를 포함하고 있는 신호를 그룹핑할 필요가 있다. 이와 같은 그룹핑을 수행하면, 유용하지 않은 정보를 포함하고 있는 신호를 학습용 데이터에서 제외시킬 수 있으며, 특정 설비를 감시하는데 있어서 필요한 신호의 개수를 적절한 수준으로 감소시킬 수 있다.
일반적으로 통계적 학습 방법에서 그룹핑의 기준으로 사용하는 상관계수(Correlation Coefficient)는 학습용 데이터를 구성하는 모든 변수 쌍에 대해 분석이 되고, 다음의 [수학식 1]과 같이 계산된다. 이렇게 계산된 상관계수 값이 설정치 이상이 되면 학습용 데이터로 간주하고, 그렇지 않으면 학습용 데이터에서 탈락시킨다. 설정치는 사용자에 의해서 입력된다.
수학식 1
Figure PCTKR2011002758-appb-M000001
여기서, ρXY: 변수 X와 Y 사이의 상관계수, Xi: 학습용 데이터의 샘플링 구간 기준으로 i번째 값, Yi: 학습용 데이터의 샘플링 구간 기준으로 i번째 값, 단 X와 다른 변수, μX: 변수 X에 대한 평균, μY: 변수 Y에 대한 평균, σX: 변수 X에 대한 표준편차, σY: 변수 Y에 대한 표준편차, N: 학습용 데이터의 샘플링 구간 내에 데이터 수집 간격의 횟수이다.
그러나 이와 같이 상관계수에만 의존하는 그룹핑은 중요한 두 가지의 문제점이 있다.
첫 번째 문제점은, 물리적으로는 연관관계가 있어야 할 변수끼리의 상관계수가 매우 낮아 같은 그룹으로 속하지 않을 가능성이 많다는 것이다. 상관계수는 두 변수의 선형관계를 나타낸다. 그런데 어떤 두 변수의 선형성은 샘플링되는 학습용 데이터의 기간에 따라 달리 분석될 수 있다. 예컨대 설비의 공정 변화에 비하여 훨씬 천천히 변화하는 변수들, 예컨대 외기조건, 해수 또는 강수조건, 연료조건과 같이 발전설비의 전체적인 성능에 영향을 끼치지만 변화가 느려서 상관계수에 충분히 반영이 되지 않는 것들이다. 이러한 변수들을 전체 시스템의 독립변수로 간주할 수 있다. 즉 시스템의 변동은 이러한 변수에 영향을 끼치지 않지만, 이러한 변수들은 시스템의 변동에 영향을 준다.
두 번째 문제점은, 이와 같은 변수들이 특정 그룹에 속하게 되면, 다른 그룹에는 속할 수 없다는 것이다. 시스템의 독립변수는 모든 그룹에 영향을 끼치고 있으므로, 다수의 그룹에서 독립변수는 공유되어야 할 필요가 있다.
따라서, 그룹핑을 보다 정밀하게 구성하기 위하여 다음과 같은 단계적 변수 선정 방법이 제안된다.
① 우선 상관계수를 이용하여 미리 설정된 설정값 또는 사용자가 지정한 임의의 값, 예컨대 0.8 이상인 값을 나타낸 변수끼리는 같은 그룹으로 간주한다.
② ①에서 구성된 그룹의 변수를 대상으로, 4중 검증(4-fold validation) 방법을 이용하여 평활 모수를 계산한다. 상기 4중 검증 방법은 학습용 데이터를 4등분하여, 3등분의 데이터를 이용하여 자기상관 회귀분석 모델을 만든 다음, 나머지 데이터를 이용하여 모델을 검증하는 방법을 서로 다른 조합으로 반복하는 것이다. 이렇게 하면 총 4번의 검증이 수행된다. 이 중에서 자기상관 회귀분석 모델을 만드는데 사용되는 3등분의 데이터는 학습용 데이터(Learning Data)라고 부르고, 만들어진 회귀분석 모델을 검증하는데 사용되는 1등분의 데이터는 시험용 데이터(Testing Data)라고 부른다. 그리고 각 검증 단계를 런(Run)이라고 부른다. 따라서 4중 검증 방법은 4번의 런을 수행하게 된다. 각 런마다 회귀분석 모델의 우수성을 나타내는 지표로는 입력 신호와 출력 신호 사이의 잔차의 제곱합(Square Sum of Residuals; SSR)을 이용한다. 이 때 계산된 잔차의 제곱합(SSR)을 SSR1이라고 정의한다.
③ 같은 그룹 내의 변수가 아닌 다른 모든 변수의 조합을 ①에서 구성된 그룹에 포함시켜 4중 검증 방법을 이용하여 평활 모수를 계산하면서 잔차의 제곱합(SSR)을 계산한다. 조합의 순서에 따라 i번째 조합의 잔차의 제곱합을 SSRi로 정의한다.
④ 도 6의 도표 및 도 7의 그래프에서와 같이, 그룹에 속하는 변수의 개수가 늘어갈수록 잔차의 제곱합(SSR)은 작아지게 된다. 그러나 너무 많은 변수를 동일 그룹에 포함시키는 것은 또 다른 문제가 생길 수 있으므로, SSRi이 미비하게 줄어드는 시점인 Case 4에서 그룹핑을 종료하도록 한다. 이를 일반화하면, 특정 잔차의 제곱합에 대한 직후의 잔차의 제곱합의 감소율이 설정치 이하인 경우, 상기 특정 잔차의 제곱합을 산출한 시점에서 그룹핑을 종료한다고 할 수 있다. 여기서 상기 설정치는, 도 7에 도시된 Case 3에서의 잔차에 제곱합에 대한 Case 4에서의 잔차의 제곱합의 감소율에서 Case 4에서의 잔차에 제곱합에 대한 Case 5에서의 잔차의 제곱합의 감소율에 대한 비율로 결정될 수 있다. 즉, 이러한 설정치는 잔차의 제곱합의 감소가 급격히 둔화되거나 더 이상 감소하지 않는 상태를 선별하기 위한 수치값으로 이해될 수 있다. 따라서 도 6 및 도 7의 경우에는 변수 A, B, C, F가 동일한 그룹으로 결정된다.
⑤ 실제로는 수많은 변수에 대한 조합을 생각해야 하기 때문에, ③번이 매우 시간이 오래 걸릴 가능성이 높다. 이런 경우에는 설비의 특성을 고려하여 상기 설비의 특성에 관련된 변수를 독립변수로 결정하고, 독립변수만을 대상으로 ③번을 수행하도록 한다.
상기 두 번째 문제점은 앞에서 설명한 단계적 변수 선정 방법을 이용하면 자동적으로 해결이 된다. 단계적 변수 선정 결과와 변수들의 교차 그룹핑의 결과는 도 8와 같이 될 것이다. 도 8에 나타나 있는 세 개의 변수 A0001, A0002, A0003은 각각 그룹 1, 2, 3에 속하며, 특별히 A0002의 경우는 그룹 1에도 속해 있음을 보여주고 있다.
(6) 수집된 데이터를 실제로 학습이 가능할 정도로 줄여주는 방법
실제로 수집되는 학습용 데이터의 분량은 최신의 컴퓨터로도 분석하기 힘들 정도로 많은 경우가 대부분이다. 이런 경우에는 특히 (5)번의 단계적 변수 선정 및 교차 그룹핑에 엄청난 시간이 소요될 수 있다.
이와 같은 문제점을 해결하기 위하여 신호의 분산을 격자크기의 기준으로 삼고, 해당 격자 내의 데이터의 개수를 줄이는 방법을 다음과 같이 제시한다. 먼저, 특정 변수가 갖는 값의 분산을 계산하여, 이를 기준 격자 크기로 설정한다. 기준 격자 크기는 사용자가 크게 또는 좁게 설정할 수 있도록 한다. 다음에, 격자를 각 변수별로 설정하고, 실제 데이터를 각 격자 안에 타점하도록 한다.
도 9 및 도 10에서는 변수가 두 개 있는 경우에 대한 설명을 하고 있다. 우선 도 9를 보면 원래의 데이터를 보여주고 있다. 가로축과 세로축에 그려진 격자는 가로축에 해당되는 변수와 세로축에 해당되는 변수의 분산의 크기로 결정되었다.
또는 두 개의 변수를 가지는 시스템의 경우, 변수별로 일정 해상도의 격자로 나누어서, 하나의 격자 안에 중복되는 데이터가 있는 경우, 이를 제거하면 도 10에 도시된 바와 같이 줄일 수가 있다. 이러한 방법으로 격자 크기를 조절하여 적절한 규모의 학습 데이터를 산출할 수가 있다. 격자 크기를 크게 설정하면, 데이터 개수를 많이 줄여서 학습시간을 단축할 수 있지만 회귀분석의 정확도는 상대적으로 떨어질 것이고, 격자 크기를 작게 설정하면, 데이터 개수가 많아서 학습시간은 더 걸리겠지만, 상대적으로 정확한 회귀분석의 결과를 얻을 수 있을 것이다. 변수별로 격자의 해상도를 따로 설정하는 방법도 고려할 수 있겠지만, 일반적으로 발전소에 수천, 수만 개의 변수들이 학습에 사용되므로, 일일이 설정해 주는 것은 번거러우며, 효율적이지도 않다. 따라서, 학습 전에 설정 인터페이스에서 전체적으로 어느 정도의 해상도를 가질지 결정해 주도록 제안하였다. 해상도의 의미는 변수를 전체 분포에서 몇 등분해서 격자를 자를 것인지를 의미한다. 즉, 해상도를 크게 설정할수록 잘게 쪼개서 격자를 설정하므로, 학습 데이터의 양이 많아질 것이다. 해상도(Resolution)에 따른 격자의 크기(GridSizex)는 해당 변수의 표준편차(σX)를 토대로 다음의 [수학식 2]와 같이 계산될 수 있다.
수학식 2
Figure PCTKR2011002758-appb-M000002
학습 설정 인터페이스에서 해상도를 정해주면 변수마다 해당 변수의 평균에서 -5σ부터 +5σ까지를 해상도만큼 등분해서 잘라서 쓰게 된다. 이 때, 변수의 최소값에서 최대값까지를 해상도로 나누지 않고, -5σ부터 +5σ까지 사용하는 이유는 간혹 학습 데이터에 비정상적으로 크거나 작은 값들이 섞여 있게 마련이므로, 최소값에서 최대값을 사용하게 되면 격자의 분포가 비정상적으로 나눠질 수 있기 때문이다. 그리고 변수들은 자연분포를 따르게 마련이므로 -5σ에서 +5σ 사이면, 대부분의 데이터들이 그 사이에 분포하게 된다. 예를 들어 해상도를 4로 설정하면 격자는 -5σ에서 -2.5σ, -2.5σ에서 평균, 평균에서 +2.5σ, +2.5σ에서 +5σ까지 4개의 격자로 잘라질 것이고, 해상도를 2로 설정하면 -5σ에서 평균, 평균에서 +5σ의 2개의 격자로 줄여질 것이다.
다음으로는 각 격자에 포함된 데이터의 개수를 줄이기 위해서 미리 설정된 비율 또는 사용자가 입력하는 일정한 비율을 이용하여, 이 비율에 따라 모든 격자 내의 데이터의 개수를 줄이도록 한다. 만일 이 비율에 따라 데이터가 줄어들 경우 1개도 남지 않는 경우에는 최소한 1개는 남길 수 있도록 한다. 도 10은 이러한 원리에 의해 제거되고 남은 데이터의 모습이다. 커널회귀분석에서 신호를 예측할 때, 전체 데이터로부터 거리를 환산하여 반영되는데, 대부분의 공정 변수들은 정규분포의 형태를 따르므로, 전체 구간에서 놓고 보면, 중간 지점에 학습데이터가 몰려 있기 마련이다. 이는 신호 예측에 영향을 미치게 되어, 예측값이 전체적으로 중앙으로 쏠리게 되는 결과가 나오게 된다. 하지만, 외부에 가끔 위치하는 데이터의 중요성도 완전히 배제하기는 어렵다. 이 방법을 사용하게 되면, 데이터의 분포도를 고려하여 갯수를 줄이기 때문에 중요한 데이터를 잃지 않고, 개수를 효과적으로 줄이는데 도움을 주게 되며, 이것은 이 방법의 또 하나의 장점이다.
상기 데이터 압축 방법은 통계적 학습 방법에서 다양하여 이용될 수 있으나, 그 효과가 가장 좋기 위해서는 변수들의 그룹핑이 수행되고 난 다음, 같은 그룹 내에서 이루어져야 한다. 전혀 신호 처리를 거치지 않은 신호에 대하여 적용되는 경우 압축 효과가 감소할 수 있기 때문이다.

Claims (11)

  1. 산업설비의 운전이력에서 정상적인 상태로 판정되는 데이터를 토대로 학습용 데이터 세트를 마련하되, 상기 학습용 데이터 세트를 운전모드별로 구분하는 단계;
    상기 산업설비에서 동일한 기능을 수행하는 복수의 설비를 구비하는 경우, 상기 복수의 설비 중 각 설비에 대한 데이터를 입력받아 상기 복수의 설비에 대한 데이터로 가공하는 단계;
    상기 학습용 데이터 세트에 포함된 데이터 중 서로 관련된 데이터를 선별하여 그룹핑하는 단계; 및
    수집된 데이터를 샘플링하여 데이터 개수를 감소시키는 단계;를 포함하는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집방법.
  2. 제1항에 있어서,
    상기 학습용 데이터 세트는 수집 대상 데이터의 규모 또는 데이터의 수집 시점에 따라 제1데이터 세트~제N데이터 세트(N은 2이상의 자연수)로 구성되는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집방법.
  3. 제2항에 있어서,
    제1데이터 세트는 상기 산업설비 중 특정 설비의 공정 여유도 감시를 위하여 상기 특정 설비에 관련된 신호로 구성되고,
    제2데이터 세트는 상기 산업설비 전체의 공정 여유도 감시를 위하여 상기 산업설비 전체에 포함된 신호로 구성되며,
    제3데이터 세트는 상기 산업설비 전체 또는 일부에서 특정 이벤트가 발생된 직후의 상기 산업설비 전체 또는 일부에 관한 신호로 구성되는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집방법.
  4. 제1항에 있어서,
    상기 학습용 데이터 세트에서 디지털 신호로 표시되는 데이터가 있는 경우, 상기 디지털 신호를 대신할 수 있는 아날로그 신호를 수집하여 상기 디지털 신호를 상기 아날로그 신호로 변환하는 단계;를 더 포함하는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집방법.
  5. 제1항에 있어서,
    상기 그룹핑 단계는,
    변수간의 상관계수가 설정값 이상인 변수를 동일 그룹으로 간주하는 단계와,
    동일 그룹으로 간주된 변수를 대상으로 4중 검증(4-fold validation) 방법을 이용하여 평활 모수를 계산하는 단계와,
    동일 그룹으로 간주된 변수 이외의 모든 변수의 조합을 상기 그룹에 포함시켜 4중 검증 방법을 이용하여 평활 모수를 계산하면서 잔차의 제곱합(SSR)을 산출하는 단계와,
    특정 잔차의 제곱합에 대한 직후의 잔차의 제곱합의 감소율이 설정치 이하인 경우, 상기 특정 잔차의 제곱합을 산출한 시점에서 그룹핑을 종료하는 단계를 포함하는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집방법.
  6. 제5항에 있어서,
    상기 잔차의 제곱합을 산출하는 단계에서, 상기 동일 그룹으로 간주된 변수 이외의 변수는, 설비의 특성을 고려하여 상기 설비의 특성에 관련된 변수만을 선별하여 이용되는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집방법.
  7. 제5항에 있어서,
    상기 상관계수는 다음과 같은 수학식에 의해 분석되는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집방법.
    Figure PCTKR2011002758-appb-I000003
    여기서, ρXY: 변수 X와 Y 사이의 상관계수, Xi: 학습용 데이터의 샘플링 구간 기준으로 i번째 값, Yi: 학습용 데이터의 샘플링 구간 기준으로 i번째 값, 단 X와 다른 변수, μX: 변수 X에 대한 평균, μY: 변수 Y에 대한 평균, σX: 변수 X에 대한 표준편차, σY: 변수 Y에 대한 표준편차, N: 학습용 데이터의 샘플링 구간 내에 데이터 수집 간격의 횟수이다.
  8. 제1항에 있어서,
    상기 데이터의 샘플링 단계에서는,
    특정 변수가 갖는 값의 분산을 격자크기의 기준으로 삼아 해당 격자 내에서 상기 변수에 대한 데이터의 개수를 줄이는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집방법.
  9. 제1항에 있어서,
    상기 데이터의 샘플링 단계에서는,
    특정 변수가 갖는 값의 표준편차(σX)를 계산하고, 설정된 해상도(Resolution)에 따라 다음의 수학식으로 산출된 격자크기(GridSizeX)를 기준으로 삼아 해당 격자 내에서 상기 변수에 대한 데이터의 개수를 줄이는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집방법.
    Figure PCTKR2011002758-appb-I000004
  10. 제8항 또는 제9항에 있어서,
    상기 격자 내에 잔류하는 데이터 개수는 해당 격자 내에서 상기 변수에 대한 데이터 개수에 대한 설정된 비율의 곱으로 결정되되, 각 격자에는 최소한 1개의 데이터는 잔류하는 것을 특징으로 하는 산업설비의 공정 여유도 감시 시스템용 데이터 수집방법.
  11. 제1항 내지 제9항 중 어느 한 항에 따른 산업설비의 공정 여유도 감시 시스템용 데이터 수집방법이 컴퓨터 프로그램화되어 저장되어 있는 것을 특징으로 하는 저장매체.
PCT/KR2011/002758 2010-04-19 2011-04-18 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 WO2011132900A2 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US13/519,070 US20120271826A1 (en) 2010-04-19 2011-04-18 Data collecting method for detection and on-time warning system of industrial process

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020100035755A KR101096793B1 (ko) 2010-04-19 2010-04-19 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체
KR10-2010-0035755 2010-04-19

Publications (2)

Publication Number Publication Date
WO2011132900A2 true WO2011132900A2 (ko) 2011-10-27
WO2011132900A3 WO2011132900A3 (ko) 2012-02-02

Family

ID=44834615

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2011/002758 WO2011132900A2 (ko) 2010-04-19 2011-04-18 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체

Country Status (3)

Country Link
US (1) US20120271826A1 (ko)
KR (1) KR101096793B1 (ko)
WO (1) WO2011132900A2 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113325797A (zh) * 2021-06-11 2021-08-31 中山凯旋真空科技股份有限公司 控制设备的数据采集方法、装置、存储介质和电子设备

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2012233018B2 (en) 2011-10-06 2013-10-24 Schlumberger Technology B.V. High-frequency data capture for diagnostics
CN105657367B (zh) * 2016-01-05 2018-07-17 山东康威通信技术股份有限公司 一种监狱多子系统接入的监管中心综合平台及接入方法
JP6386488B2 (ja) * 2016-03-17 2018-09-05 ファナック株式会社 工作機械の稼働管理方法およびプログラム
US11200790B2 (en) 2016-08-29 2021-12-14 Korea Hydro & Nuclear Power Co., Ltd. Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor
KR101876185B1 (ko) * 2016-08-29 2018-07-09 한국수력원자력 주식회사 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템
KR101967524B1 (ko) 2017-04-13 2019-04-09 경희대학교 산학협력단 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법
KR102020247B1 (ko) 2018-02-07 2019-09-10 두산중공업 주식회사 플랜트 이상 예측 장치 및 방법
KR102047815B1 (ko) 2018-03-23 2019-11-22 두산중공업 주식회사 플랜트 이상 예측 장치 및 방법
TR201806963A2 (tr) * 2018-05-17 2018-06-21 Siskon Enduestriyel Otomasyon Sistemleri Sanayi Ve Ticaret Anonim Sirketi Veri̇ toplama si̇stemi̇
JP7031502B2 (ja) * 2018-06-07 2022-03-08 オムロン株式会社 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム
JP7162560B2 (ja) * 2019-03-28 2022-10-28 日立造船株式会社 情報処理装置、情報処理方法、情報処理プログラム、およびゴミ焼却プラント
KR102235808B1 (ko) * 2019-06-05 2021-04-02 조만영 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템, 방법 및 컴퓨터 프로그램
CN111581191B (zh) * 2020-04-10 2023-10-13 岭东核电有限公司 核安全数据校验方法、装置、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003295937A (ja) * 2002-03-29 2003-10-17 Hitachi Ltd プラント監視装置とプラント監視方法
JP2005283269A (ja) * 2004-03-29 2005-10-13 Toshiba Corp 沸騰水型原子炉の過渡沸騰遷移監視システムおよび監視方法
KR20090021697A (ko) * 2007-08-28 2009-03-04 비앤에프테크놀로지 주식회사 산업플랜트 설비의 종합 정지 여유도 감시방법 및 그 장치
KR20090024055A (ko) * 2008-05-07 2009-03-06 비앤에프테크놀로지 주식회사 산업플랜트의 트립원인 추적 방법 및 그 시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3918697B2 (ja) * 2001-12-27 2007-05-23 日本電気株式会社 サーバ構築支援システム及びサーバ構築支援方法並びにプログラム
US7143098B2 (en) * 2002-05-10 2006-11-28 International Business Machines Corporation Systems, methods, and computer program products to reduce computer processing in grid cell size determination for indexing of multidimensional databases
US7751955B2 (en) * 2006-06-30 2010-07-06 Spx Corporation Diagnostics data collection and analysis method and apparatus to diagnose vehicle component failures
US20090155784A1 (en) * 2007-01-22 2009-06-18 Wyeth Assessment of asthma and allergen-dependent gene expression
KR100928205B1 (ko) * 2007-06-05 2009-11-25 삼성전자주식회사 반도체 제조설비 관리시스템 및 그의 통계적 공정 관리방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003295937A (ja) * 2002-03-29 2003-10-17 Hitachi Ltd プラント監視装置とプラント監視方法
JP2005283269A (ja) * 2004-03-29 2005-10-13 Toshiba Corp 沸騰水型原子炉の過渡沸騰遷移監視システムおよび監視方法
KR20090021697A (ko) * 2007-08-28 2009-03-04 비앤에프테크놀로지 주식회사 산업플랜트 설비의 종합 정지 여유도 감시방법 및 그 장치
KR20090024055A (ko) * 2008-05-07 2009-03-06 비앤에프테크놀로지 주식회사 산업플랜트의 트립원인 추적 방법 및 그 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113325797A (zh) * 2021-06-11 2021-08-31 中山凯旋真空科技股份有限公司 控制设备的数据采集方法、装置、存储介质和电子设备
CN113325797B (zh) * 2021-06-11 2022-07-12 中山凯旋真空科技股份有限公司 控制设备的数据采集方法、装置、存储介质和电子设备

Also Published As

Publication number Publication date
KR101096793B1 (ko) 2011-12-21
WO2011132900A3 (ko) 2012-02-02
KR20110116378A (ko) 2011-10-26
US20120271826A1 (en) 2012-10-25

Similar Documents

Publication Publication Date Title
WO2011132900A2 (ko) 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체
CN108596229B (zh) 在线异常的监测诊断方法和系统
CN109146093B (zh) 一种基于学习的电力设备现场勘查方法
CN112098915B (zh) 双母线分段接线下多台电压互感器继发性误差的评估方法
WO2015026166A1 (ko) 비정상 데이터 예측 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
CN104821789A (zh) 一种光伏发电系统可靠性的检测方法
CN115689524A (zh) 一种数据中心机房电气设备预测性维护系统及方法
CN114065875B (zh) 基于大数据的电力电网故障识别系统
CN115453267A (zh) 一种电力信息系统故障诊断系统
CN107607342A (zh) 空调机房设备群的健康能效检测方法
CN104317778A (zh) 基于海量监测数据的变电设备故障诊断方法
CN111563685B (zh) 一种基于自联想核回归算法的发电设备状态预警方法
CN112258013A (zh) 一种换热器关键易结垢群组划分及能效状态监测方法
CN108765192A (zh) 一种基于大数据的变压器上层油温预测方法、系统及设备
CN114970311A (zh) 一种远端模块寿命预测模型的建立方法与寿命预测方法
CN110321527B (zh) 一种基于多元基础信息融合的数据有效性判别方法
CN113672658A (zh) 基于复相关系数的电力设备在线监测错误数据识别方法
CN113431800A (zh) 一种实时判别风机运行状态的方法
WO2021238013A1 (zh) 一种模拟量测值智能预测算法的自适应测试方法
CN110516960A (zh) 一种变电站继电保护设备的可靠性指标定量计算方法
CN113159411B (zh) 一种电网气象风险预警模型的检验方法及系统
CN112417363B (zh) 一种变电站的负载分析方法及系统
Traxler Fault detection of large amounts of photovoltaic systems
Hongda et al. Research on Remote Diagnosis Model of Metering Point Anomaly of 10kV Distribution Line Based on AMI Data
Hu et al. An Artificial Neural Network Model for Monitoring Real-Time Parameters and Detecting Early Warnings in Induced Draft Fan

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11772188

Country of ref document: EP

Kind code of ref document: A2

WWE Wipo information: entry into national phase

Ref document number: 13519070

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 8428/DELNP/2012

Country of ref document: IN

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 11772188

Country of ref document: EP

Kind code of ref document: A2