WO2018044041A1 - 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 - Google Patents

조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 Download PDF

Info

Publication number
WO2018044041A1
WO2018044041A1 PCT/KR2017/009430 KR2017009430W WO2018044041A1 WO 2018044041 A1 WO2018044041 A1 WO 2018044041A1 KR 2017009430 W KR2017009430 W KR 2017009430W WO 2018044041 A1 WO2018044041 A1 WO 2018044041A1
Authority
WO
WIPO (PCT)
Prior art keywords
group
external environmental
early warning
criterion
learning
Prior art date
Application number
PCT/KR2017/009430
Other languages
English (en)
French (fr)
Inventor
김대웅
최남우
김범년
김형균
김지인
강주형
박용훈
신건웅
김양석
박영섭
박치용
이병오
김종석
Original Assignee
한국수력원자력 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 한국수력원자력 주식회사 filed Critical 한국수력원자력 주식회사
Priority to US16/328,645 priority Critical patent/US11276300B2/en
Priority to EP17846966.4A priority patent/EP3506232A4/en
Priority to CN201780053551.6A priority patent/CN109643484B/zh
Publication of WO2018044041A1 publication Critical patent/WO2018044041A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/187—Machine fault alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/14—Central alarm receiver or annunciator arrangements

Definitions

  • the present invention relates to a method for learning past data in an early warning system, and more particularly, to a method for learning latest data in an early warning system.
  • the principle of early warning system is to calculate the residual value by calculating the influence between the correlated devices by using the normal operating data of the past, and calculate the residual by comparing the predicted value with the present value. It is a way to make an alarm when it is out.
  • the current early warning program is not reflected in the learning even if the external environment changes during the operation of the early warning program. Therefore, there is a problem that the user must recognize the external environment change and re-learn the pattern for the changed external environment through manual work.
  • the present invention provides an advanced data learning method considering external influences in an early warning system.
  • the latest data learning method considering the external influence may include classifying device monitoring variables according to an external environmental influence in an early warning processing device, and differently applying a pattern learning method for each classified monitoring variable in the early warning processing device. It includes.
  • the categorizing according to the external environmental influence includes calculating a correlation between each of the device monitoring variables and each external environment factor and classifying the device monitoring variables according to the calculated correlation value. do.
  • the external environmental factors include at least one of air temperature, air pressure, humidity, and seawater temperature.
  • the method of applying the pattern learning method differently may include an automatic relearning method, a manual relearning method, for each of the first group of monitoring variables, the second group of monitoring variables, and the third group of monitoring variables. And it may be characterized by applying any one of the method does not relearn.
  • the monitoring variables of the first group are stored in an automatic relearning database, and the external environmental factors and the monitoring variables of the first group are changed when the change of the external environmental factors is more than a predetermined standard from a previously established learning pattern. At the same time with respect to the latest pattern learning can be characterized in that automatically.
  • the second group of monitoring variables may be characterized in that the latest pattern learning is manually re-learned by the operator if it is determined that the alarm is caused by the external environmental factor when the early warning occurs.
  • the third group of monitoring variables may not be re-learned.
  • the present invention provides an early warning system using the latest data learning method considering the external influence.
  • the early warning system includes an early warning processing device for classifying the device monitoring variables according to the external environmental impact, and apply a pattern learning method differently for each of the classified monitoring variables.
  • the sorting according to the external environmental influence may include calculating a correlation between each of the device monitoring variables and each external environment factor, and classifying the device monitoring variables according to the calculated correlation value. .
  • the external environmental factors may include at least one of air temperature, air pressure, humidity, and seawater temperature.
  • Classification according to the calculated correlation value may include: first and second criteria previously designated by an operator, wherein the first criterion has a larger value than the second criterion. If more than or greater than, classify into a first group, and if the correlation value is less than or less than the first criterion from above or above the second criterion, classify it into a second group, and the correlation value is less than or equal to the second criterion Or if less than it may be characterized in that the classification into the third group.
  • the different application of the pattern learning method may be applied to each of the monitoring variables that are heavily influenced by the external environmental factors, the monitoring variables having an ambiguous influence of the external environmental factors, and each of the monitoring variables not affected by the external environmental factors.
  • An automatic relearning method, a manual relearning method, and a method of not relearning may be applied.
  • the monitoring variables of the first group are stored in an automatic relearning database, and the external environmental factors and the monitoring variables of the first group are changed when the change of the external environmental factors is more than a predetermined standard from a previously established learning pattern. At the same time with respect to the latest pattern learning can be characterized in that automatically.
  • the second group of monitoring variables may be characterized in that the latest pattern learning is manually re-learned by the operator if it is determined that the alarm is caused by the external environmental factor when the early warning occurs.
  • the third group of monitoring variables may not be re-learned.
  • the learning method and system in consideration of the external environment of the present invention can minimize the occurrence of unnecessary early warning by automatically performing the latest pattern learning for the monitoring signal having a high correlation with the external environmental factors.
  • it enables the early warning system operator to concentrate on the early warning analysis occurring over the actual device, thereby improving the efficiency and reliability of the early warning system operation.
  • FIG. 1 is a block diagram of a conventional early warning system.
  • FIG. 2 is a flowchart of a learning method in a conventional early warning system.
  • FIG. 3 is a flowchart illustrating a learning method according to an embodiment of the present invention.
  • FIG 5 is another example of a correlation analysis diagram according to a change in the external environment (atmosphere temperature).
  • first, second, etc. may be used to describe various components, but the components are not limited by the terms. The terms are used only for the purpose of distinguishing one component from another.
  • the first component may be referred to as the second component, and similarly, the second component may also be referred to as the first component.
  • a conventional early warning system receives a measurement signal 100 for measuring a state of power plant devices and a monitoring signal (eg, pressure, temperature, flow rate, etc.) obtained from the measurement devices 100.
  • Data processing device 110 for storing and converting into digital data
  • early warning processing device 120 for analyzing the converted data to generate an early warning
  • an operator monitor for the operator to query the device status and early warning status, etc. 130.
  • the received instrument signals are analog signals and undergo a data processing step of converting the data into digital data in the data processing apparatus 110 (S210).
  • the early warning processing apparatus 120 receives the past measuring instrument signal data of the predetermined period of time from the data processing step from the data processing apparatus 110 to generate a pattern learning model in advance (S230).
  • the calculated current values are transmitted to the early warning processing apparatus 120, and the early warning processing apparatus 120 calculates the prediction values by using the pattern learning model generated in advance (S240).
  • Residuals ie,
  • Each of the residuals is compared with a normal operating range of each preset monitoring variable (eg, temperature, pressure, flow rate, etc.) (S260). If the residuals are out of the normal operating range, an alarm is generated (S270), and if the residuals are not out of the normal operating range, no alarm is generated. At this time, the normal operation range for alarm can be adjusted by the operator.
  • a normal operating range of each preset monitoring variable eg, temperature, pressure, flow rate, etc.
  • the early warning processing device 120 transmits the alarm status information to the operator monitor 130 so that the operator can inquire (S280).
  • the pattern learning program of the conventional early warning system does not recognize which monitoring variables are greatly influenced or less affected by the external environment, but it learns by learning the historical data as it is for a certain period of time (for example, one year). Save it as a model and use it to calculate predictions.
  • all of the monitored variables are classified into three and different learning methods are applied according to the classification.
  • the first category is monitoring variables that are not affected by external influences. Since these monitoring variables are not influenced by external factors, the existing pattern learning model can be applied as it is.
  • the second category is the monitoring variables that are affected by the external environment. Since the monitoring variables affected by the external environment change according to external environmental factors, the reliability of the learning model is inferior unless the external environmental conditions are considered. Therefore, the monitoring variables in this category should carry out the latest pattern learning reflecting the changed external environment.
  • the third and final category is monitoring variables that are ambiguous whether they are externally affected or not. If these monitoring variables are analyzed by the operator as an early warning of the monitoring variables due to changes in the external environment, the latest pattern learning reflecting the changes in the external environment is performed as in the case of the monitoring variables affected by the external environment. Once analyzed, the existing pattern learning model can be applied as it is.
  • pattern models 330 are pattern models of external environmental factors of the power plant (eg, atmospheric temperature, which is a representative external environmental factor of the power plant, Correlation calculations are performed by performing correlation analysis with pattern models 300, 310, and 320 of atmospheric pressure and seawater temperature, respectively (S300). Correlation calculations generally use correlation analysis, which is used in statistical analysis. For example, it is possible to obtain the correlation between each external condition and each signal by comparing the changes in monitoring signals such as temperature, pressure, and vibration of each device with the external environmental conditions such as outside temperature and atmospheric pressure during the past period. Can be.
  • the correlation between the monitoring variables and the external environment is determined using the correlation calculation result (S310), and the monitoring variables are classified into an automatic relearning group, a relearning unnecessary group, and a manual relearning group (S320).
  • the external environmental element present value (for example, the values of monitoring variables such as seawater temperature, atmospheric temperature, and atmospheric pressure (400, 410, 420)) measured in real time during operation of the power plant is the past external environmental element pattern learning value. It is input to the stored pattern learning database (S400). Then compare the current value and the monthly value stored in the pattern learning database (S410).
  • the reason for comparing monthly values is that external factors such as sea temperature, air temperature, and atmospheric pressure are closely related to the weather, and the weather in Korea tends to change monthly.
  • the current value (measured data includes the current measured value and the measured date, it is possible to recognize what month the data is)
  • the pattern can be learned in advance and compared with the maximum and minimum values of the month saved. For example, after 10% or more, it may be determined that the difference from the currently learned pattern is large and that automatic re-learning is required.
  • the comparison does not have to be done monthly, but it can also be compared to the daily minimum / maximum values. However, unnecessary alarms may occur frequently.
  • automatic relearning is performed for external environmental variables (eg seawater temperature, atmospheric temperature, atmospheric pressure).
  • external environmental variables eg seawater temperature, atmospheric temperature, atmospheric pressure.
  • a new pattern model is generated by automatically relearning the monitored variables in the relearning target database (S430).
  • CF 501 of each graph represents a correlation factor, and as the correlation coefficient value increases, it can be seen that the pattern 503 of the external environment monitoring variable and the pattern 502 of the device monitoring variable are very similar.
  • graph 2 of FIG. 4 may be classified as a monitoring variable affected by an external environment with a correlation degree of 0.8 or more, thereby being an automatic relearning target.
  • the graphs 3 and 4 of FIG. 4 and the graph 5 of FIG. 5 are cases where the influence of the external environment is ambiguous and does not require re-learning when the early warning does not occur, and the cause of the alarm when the early warning occurs. If it is determined that this is an external environment, manual relearn is required.
  • the graphs 6, 7, and 8 of FIG. 5 may be classified as cases where the correlation is less than 0.5 and is not affected by the external environment.
  • graph 8 shows the seawater temperature pattern and the pump bearing vibration pattern, and there is no correlation between the two patterns. The sea water temperature rises from January to peak in August and decreases again until December. The pattern of pump bearing vibration repeats the falling and falling peak regardless of season or month. In this case, the correlation is so low that there is no external environmental impact, and no re-learning is necessary.
  • measuring instrument 110 data processing device
  • 502 device monitoring variable pattern
  • 503 external environment monitoring variable pattern

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 조기 경보시스템을 제공한다. 상기 외부 영향을 고려한 최신 데이터 학습 방법은 조기 경보 처리 장치에서, 기기 감시변수들을 외부 환경 영향에 따라 분류하는 단계와 상기 조기 경보 처리 장치에서, 상기 분류된 감시변수별로 패턴학습 방법을 다르게 적용하는 단계를 포함한다.

Description

조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템
본 발명은 조기경보시스템에서 과거 데이터 학습을 위한 방법에 관한 것으로 더 구체적으로는 조기경보 시스템에서의 최신 데이터 학습 방법에 관한 것이다.
조기경보시스템은 기기의 고장을 사전에 예방하기 위하여 사용되는 시스템으로서 군사, 항공, 발전 분야에서 많이 도입하여 사용되고 있다.
조기경보시스템의 원리는 과거의 정상운전 데이터를 이용하여 상관관계가 있는 기기들간의 영향을 계산하여 예측값을 만들고 이 예측값을 현재값과 비교하여 잔차(residual)을 계산하여 그 잔차가 정상운전 범위를 벗어나면 경보가 발생되도록 하는 방법이다.
기기들 간의 영향 정도를 구하기 위해서는 여러 가지 수학적 방법들이 사용되는데 그 대표적인 방법이 통계적 방법을 이용한 커널회귀법과 신경망방법, 그룹화방법 등이 있다.
조기경보 프로그램은 과거 정상운전 데이터의 패턴학습을 기반으로 하는데 패턴학습에 사용하는 데이터는 대부분 1년 이상의 기간동안 운전된 데이터를 사용한다. 이는 봄, 여름, 가을, 겨울 사계절에 따른 기기의 외부환경 영향을 반영하기 위한 것이다. 하지만 상기와 같이 과거 1년간의 데이터를 사용할 경우에 현재 기기의 외부환경이 1년전의 환경과 차이가 많이 나는 경우에 문제가 된다. 패턴학습된 데이터가 최신의 것이 아니기 때문에 운전 환경의 변화로 조기경보에 오경보가 발생할 가능성이 높기 때문이다.
조기경보시스템은 오경보가 발생할 확률을 최소화 시켜야만 실질적인 효과를 볼 수 있다. 그렇지 않으면, 운영자가 수많은 경보를 분석하는 동안 중요한 경보를 놓칠 수 있고, 운영자의 집중력을 저하시켜 실제 기기의 문제로 발생되는 경보를 찾아낼 수 없게 될 수도 있다. 따라서 운전조건의 변화를 반영하여 최신 데이터로 학습을 수행하는 것이 중요하다.
현재의 조기경보 프로그램은 조기경보 프로그램 운영중 외부환경이 변하여도 학습에 반영되지 않아 사용자가 외부환경 변화를 인지하고 수동 작업을 통하여 바뀐 외부환경에 대한 패턴학습을 다시 해야하는 문제가 있다.
본 발명의 목적은 조기경보시스템의 운영에 필수적인 과거 데이터 패턴학습을 위한 방법을 제공하는 것이다. 더 구체적으로는, 대기온도, 기압, 습도, 해수온도 등의 기기의 외부 환경요소에 대한 최신 데이터를 학습에 포함하여 조기경보의 신뢰성을 향상시킬 수 있는 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템을 제공하는 것이다.
본 발명의 일 측면에 따르면, 본 발명은 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법을 제공한다. 상기 외부 영향을 고려한 최신 데이터 학습 방법은 조기 경보 처리 장치에서, 기기 감시변수들을 외부 환경 영향에 따라 분류하는 단계와 상기 조기 경보 처리 장치에서, 상기 분류된 감시변수별로 패턴학습 방법을 다르게 적용하는 단계를 포함한다.
상기 외부 환경 영향에 따라 분류하는 단계는 각각의 상기 기기 감시변수들과 각각의 외부환경 요인들 간의 상관도를 계산하는 단계와 상기 기기 감시변수들을 상기 계산된 상관도 값에 따라 분류하는 단계를 포함한다.
상기 외부 환경 요인들은 대기온도, 기압, 습도, 해수온도 중 적어도 하나를 포함한다.
상기 계산된 상관도 값에 따라 분류하는 단계는 운영자가 사전에 지정한 제1 기준과 제2 기준 - 상기 제1 기준은 상기 제2 기준보다 큰 값을 가짐 - 에 따라 상기 상관도 값이 상기 제1 기준 이상 또는 초과일 경우 제1 그룹으로 분류하고, 상기 상관도 값이 상기 제2 기준 이상 또는 초과부터 상기 제1 기준 이하 또는 미만일 경우 제2 그룹으로 분류하고, 상기 상관도 값이 상기 제2 기준 이하 또는 미만일 경우 제3그룹으로 분류하는 것을 특징으로 할 수 있다.
상기 패턴학습 방법을 다르게 적용하는 단계는 상기 제1그룹의 감시변수들, 상기 제2 그룹의 감시변수들, 및 상기 제3 그룹의 감시변수들 각각에 대해 자동 재학습 방법, 수동 재학습 방법, 및 재학습하지 않는 방법 중 어느 하나를 적용하는 것을 특징으로 할 수 있다.
상기 제1 그룹의 감시변수들은 자동 재학습 데이터베이스에 저장되며, 상기 외부 환경 요인의 변화가 사전에 구축된 학습 패턴과 일정 기준이상 차이가 나는 경우 상기 외부 환경 요인과 상기 제1 그룹의 감시변수들에 대해 동시에 최신 패턴 학습이 자동으로 되는 것을 특징으로 할 수 있다.
상기 제2 그룹의 감시변수들은 조기경보 발생시에 상기 외부 환경 요인에 의한 경보로 판단되면 운영자에 의해 최신 패턴 학습이 수동으로 재학습되는 것을 특징으로 할 수 있다.
상기 제3 그룹의 감시변수들은 재학습을 하지 않는 것을 특징으로 할 수 있다.
본 발명의 또 다른 측면에 따르면, 본 발명은 외부 영향을 고려한 최신 데이터 학습 방법을 이용하는 조기경보시스템을 제공한다. 상기 조기경보시스템은 기기 감시변수들을 외부 환경 영향에 따라 분류하고, 상기 분류된 감시변수별로 패턴학습 방법을 다르게 적용하는 조기경보처리장치를 포함한다.
상기 외부 환경 영향에 따라 분류하는 것은 각각의 상기 기기 감시변수들과 각각의 외부환경 요인들 간의 상관도를 계산하고, 상기 기기 감시변수들을 상기 계산된 상관도 값에 따라 분류하는 것을 포함할 수 있다.
상기 외부 환경 요인들은 대기온도, 기압, 습도, 해수온도 중 적어도 하나를 포함할 수 있다.
상기 계산된 상관도 값에 따라 분류하는 것은 운영자가 사전에 지정한 제1 기준과 제2 기준 - 상기 제1 기준은 상기 제2 기준보다 큰 값을 가짐 - 에 따라 상기 상관도 값이 상기 제1 기준 이상 또는 초과일 경우 제1 그룹으로 분류하고, 상기 상관도 값이 상기 제2 기준 이상 또는 초과부터 상기 제1 기준 이하 또는 미만일 경우 제2 그룹으로 분류하고, 상기 상관도 값이 상기 제2 기준 이하 또는 미만일 경우 제3그룹으로 분류하는 것을 특징으로 할 수 있다.
상기 패턴학습 방법을 다르게 적용하는 것은 상기 외부 환경 요인의 영향을 많이 받는 감시변수들, 상기 외부 환경 요인의 영향이 모호한 감시변수들, 및 상기 외부 환경 요인의 영향을 받지 않는 감시변수들 각각에 대해 자동 재학습 방법, 수동 재학습 방법, 및 재학습하지 않는 방법 중 어느 하나를 적용하는 것을 특징으로 할 수 있다.
상기 제1 그룹의 감시변수들은 자동 재학습 데이터베이스에 저장되며, 상기 외부 환경 요인의 변화가 사전에 구축된 학습 패턴과 일정 기준이상 차이가 나는 경우 상기 외부 환경 요인과 상기 제1 그룹의 감시변수들에 대해 동시에 최신 패턴 학습이 자동으로 되는 것을 특징으로 할 수 있다.
상기 제2 그룹의 감시변수들은 조기경보 발생시에 상기 외부 환경 요인에 의한 경보로 판단되면 운영자에 의해 최신 패턴 학습이 수동으로 재학습되는 것을 특징으로 할 수 있다.
상기 제3 그룹의 감시변수들은 재학습을 하지 않는 것을 특징으로 할 수 있다.
본 발명의 외부 환경을 고려한 학습 방법 및 그 시스템은 외부환경 요인과 상관관계가 높은 감시신호는 자동으로 최신 패턴학습을 수행하도록 하여 불필요한 조기경보 발생을 최소화할 수 있다. 또한, 조기경보시스템 운영자가 실제 기기 이상으로 발생하는 조기경보 분석에 집중할 수 있도록 하여 조기경보시스템 운영의 효율성과 신뢰성을 향상시키는 효과가 있다.
도 1은 종래 조기 경보 시스템의 구성도이다.
도 2는 종래 조기 경보 시스템에서의 학습 방법의 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 학습 방법의 순서도이다.
도 4는 외부 환경(대기 온도)의 변화에 따른 상관관계 분석도의 예이다.
도 5는 외부 환경(대기 온도)의 변화에 따른 상관관계 분석도의 또 다른 예이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등을 포함하는 용어가 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재 항목들의 조합 또는 복수의 관련된 기재 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여 본 발명에 바람직한 실시 예를 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어 도면 부호에 상관없이 동일하거나 대응하는 구성요소는 동일한 참조번호를 부여하고 이에 대해 중복되는 설명은 생략하기로 한다.
도 1은 종래 조기경보시스템의 구성도이다. 도 1을 참조하면, 종래의 조기경보시스템은 발전소 기기들의 상태를 계측하는 계측기(100), 상기 계측기(100)들로부터 취득된 감시 신호(예를 들어, 압력, 온도, 유량 등)을 수신하여 저장하고 디지털 데이터로 변환하는 데이터처리장치(110), 상기 변환된 데이터를 분석하여 조기 경보를 발생시키는 조기경보처리장치(120), 및 운영자가 상기 기기 상태 및 조기 경보 상태 등을 조회하는 운영자모니터(130)를 포함한다.
도 2는 종래 조기 경보 시스템에서의 학습 방법의 순서도이다. 도 2에 도시된 바와 같이, 데이터처리장치(110)는 계측기들로부터 계측기 신호들을 수신한다(S200).
수신된 계측기 신호들은 아날로그 신호이고 데이터처리장치(110)에서 디지털 데이터로 변환하는 데이터 처리 단계를 거친다(S210).
그런 다음 데이터처리장치(110)는 실시간으로 계측기 신호들의 현재 값들을 산출한다(S220).
조기경보처리장치(120)는 상기 데이터 처리 단계를 거친 일정기간의 과거 계측기 신호 데이터들을 데이터처리장치(110)로부터 수신하여 사전에 패턴 학습 모델을 생성한다(S230).
산출된 현재 값들은 조기경보처리장치(120)로 전송되고, 조기경보처리장치(120)는 미리 생성한 패턴 학습 모델을 이용하여 예측 값들을 산출한다(S240).
상기 현재값들과 예측값들을 이용하여 잔차(residual)들(즉, |현재값-예측값|)을 계산한다(S250).
상기 잔차들을 각각 미리 설정된 각 감시변수(예를 들어, 온도, 압력, 유량 등)의 정상 운전 범위와 비교한다(S260). 잔차가 정상 운전 범위를 벗어나면 경보를 발생시키고(S270), 잔차가 정상 운전 범위를 벗어나지 않으면 경보를 발생시키지 않는다. 이때 경보 발생을 위한 정상운전 범위는 운영자가 조정할 수 있다.
경보 발생시 조기경보처리장치(120)는 운영자모니터(130)로 경보 현황 정보를 전송하여 운영자가 조회할 수 있게 한다(S280).
종래의 조기경보시스템의 패턴학습 프로그램은 어떤 감시 변수가 외부환경에 영향을 크게 받는지 또는 적게 받는지를 인식하지 못하고 다만 각 감시변수의 일정기간(예를 들어, 1년) 과거 데이터를 그대로 학습하여 학습모델로 저장한 다음 예측값 계산에 활용한다.
종래와 같은 방법으로 예측값을 구하여 잔차를 구하는 경우 외부 환경 변화가 반영되지 못하기 때문에 오경보가 발생할 가능성이 크다. 따라서 본 발명에서는 패턴학습시 외부 환경 변화를 고려하여 최신 데이터를 학습하는 방법을 제공한다.
본 발명의 일 실시 예에서는 모든 감시 대상 변수를 세 가지로 분류하고 그 분류에 따라 각각 다른 학습 방법을 적용한다.
첫 번째 분류는 외부 영향에 영향을 받지 않는 감시변수들이다. 이러한 감시변수들은 외부 영향을 받지 않기 때문에 기존 패턴학습 모델을 그대로 적용하면 된다.
두 번째 분류는 외부 환경의 영향을 받는 감시변수들이다. 외부 환경의 영향을 받는 감시변수들은 외부 환경 요인에 따라 값이 변하므로 외부환경 조건의 변화를 고려하지 않을 경우 학습모델의 신뢰성이 떨어진다고 볼 수 있다. 따라서 이와 같은 분류의 감시변수들은 변화된 외부환경을 반영한 최신 패턴학습을 수행해야 한다.
마지막 세 번째 분류는 외부 영향을 받는지 안받는지 구분이 모호한 감시변수들이다. 이러한 감시변수들은 운영자에 의해 외부환경의 변화로 해당 감시변수들에 조기경보가 발생한다고 분석되면 상기 외부 환경의 영향을 받는 감시변수들의 경우와 같이 외부환경 변화가 반영된 최신 패턴학습을 수행하고, 반대로 분석되면 기존 패턴학습 모델을 그대로 적용하면 된다.
도 3은 본 발명의 일 실시 예에 따른 학습 방법의 순서도이다. 도 3을 참조하면, 먼저 모든 조기경보 감시대상 신호별(감시변수별) 패턴모델들(330)을 발전소의 외부환경 요소의 패턴모델들(예를 들어, 발전소의 대표적인 외부환경 요소인 대기온도, 대기압력, 해수온도의 패턴모델들(300, 310, 320))과 각각 상관관계 분석을 수행하여 상관도 계산을 수행한다(S300). 이때 상관관계 계산은 일반적으로 통계해석에서 사용되는 상관분석(correlation analysis)을 사용한다. 예를 들어, 과거 일정 기간 동안의 외기온도 및 대기압 등의 외부환경 조건과 각 기기의 온도, 압력, 진동 등의 감시신호들의 변화를 각각 비교하여 각 외부조건들과 각각의 신호별 상관도를 구할 수 있다.
상관도 계산 결과를 이용하여 감시변수들과 외부 환경과의 상관도를 판단하고(S310), 감시변수들을 자동 재학습 그룹, 재학습 불필요 그룹, 및 수동 재학습 그룹으로 분류한다(S320).
상관도 계산 결과 [상관도 ≥ 0.8]인 경우는 외부환경 요인과 상관도가 높은 감시신호(감시변수)로써 자동 재학습 그룹으로 분류하고 재학습대상 데이터베이스에 저장한다(S330).
[상관도 < 0.5]인 경우는 외부환경 요인과 상관도가 낮은 감시신호(감시변수)로써 재학습이 불필요한 그룹으로 분류된다.
[0.5 ≤ 상관도 < 0.8]인 경우는 외부환경 요인과 상관도를 판정하기에 모호한 경우로 수동 재학습 그룹으로 분류한다. 추후에 수동 재학습 그룹의 감시신호에서 조기경보가 발생하면 운영자는 외부환경 요인에 의한 경보인지 분석을 수행한다. 그 결과 외부환경 요인으로 판단이 되면 운영자에 의해 수동으로 최신 패턴학습이 수행된다. 반대로 조기경보가 발생하지 않거나, 발생하더라도 외부환경 요인에 의한 경보가 아니면 재학습은 불필요하다.
한편 발전소 운전시 실시간으로 측정된 외부 환경요소 현재값(예를 들어, 해수온도, 대기온도, 및 대기압력(400, 410, 420) 등의 감시변수들의 값)은 과거 외부 환경요소 패턴학습 값이 저장된 패턴학습 데이터베이스에 입력된다(S400). 그런 다음 현재값과 패턴학습 데이터베이스에 저장된 월별 값을 비교한다(S410).
월별 값으로 비교하는 이유는 외부환경 요인인 해수온도, 대기온도, 및 대기압력 등이 날씨와 밀접하게 관련되고 우리나라 날씨는 월별로 변하는 경향이 있기 때문이다. 현재값(측정된 데이터에는 현재 측정된 값과 측정된 날짜가 포함되어 있어 몇월의 데이터인지 인식이 가능함)이 입력되면 사전에 패턴학습되어 저장된 해당 월의 최대값 및 최소값과 비교하여 그 차이가 예를 들어, 10% 이상 나면 현재 학습된 패턴과의 차이가 크다고 판단하고 자동 재학습이 필요하다고 인식하게 할 수 있다.
비교는 반드시 월별로 할 필요는 없고 매일의 최소값/최대값으로 비교할 수도 있다. 다만, 그럴 경우 불필요한 경보가 자주 발생할 수도 있다.
현재값과 월별 최고값 또는 최저값을 비교(S410)한 결과 그 차이가 운영자가 지정한 소정의 차이(예를 들어, 10%) 이상 발생하면 외부환경 요인의 변화가 커서 그 영향이 기기 감시신호에 영향을 주는 것으로 판단할 수 있다. 즉, 자동 재학습이 필요한 조건이 발생했음을 의미한다(S420).
자동 재학습 조건이 발생하면 외부환경 변수(예를 들어, 해수온도, 대기온도, 대기압력)에 대해 자동 재학습을 수행한다. 이와 동시에 재학습 대상 데이터베이스에 있는 감시변수들에 대해서도 자동 재학습을 하게 되어 새로운 패턴모델을 생성하게 된다(S430).
도 4와 도 5는 외부 환경(해수 온도)의 변화에 따른 상관관계 분석도의 예이다. 도 4와 도 5를 참조하면, 각 그래프는 외부환경 감시변수(해수 온도)와 임의의 기기 감시변수 간의 상관도를 나타낸 것이다. 각 선들은 외부환경 감시변수(해수 온도)의 1년치 과거 운전 데이터 패턴(실선)(502)과 임의의 기기 감시변수(펌프 베어링온도, 기기냉각열교환기 입구온도, 펌프입구 유량, 펌프 출구 압력, 발전기 오일탱크 수위 등)의 패턴(점선)(503)을 나타낸다. 도 4와 도 5의 외부환경 감시변수는 해수 온도에 관한 것이므로, 1월과 12월에 가장 낮은 값을 가지고, 7월과 8월에 가장 높은 값을 가지며 변하는 것을 볼 수 있다.
각 그래프의 CF(501)는 상관도계수(correlation factor)를 나타내는 것으로 상관도계수 값이 클수록 외부환경 감시변수의 패턴(503)과 기기 감시변수의 패턴(502)이 매우 유사한 것을 볼 수 있다.
도 4의 1번 그래프는 해수온도 패턴과 기기냉각열교환기 입구온도 패턴을 나타낸 것으로 패턴이 서로 매우 유사하여 상관도가 0.9이상으로 나타나 상관관계가 매우 높음을 알 수 있다. 따라서, 자동 재학습 대상이 된다.
도 4의 2번 그래프도 상관도가 0.8 이상으로 외부환경의 영향을 받는 감시변수로 분류되어 자동 재학습 대상이 될 수 있다.
도 4의 3,4번 그래프들과 도 5의 5번 그래프는 외부환경의 영향이 모호한 경우로써 조기경보가 발생하지 않은 경우에는 별도의 재학습이 필요없고, 조기경보가 발생한 경우에 경보의 원인이 외부환경인 것으로 판단될 경우 수동 재학습을 하도록 한다. 도 5의 6,7,8번 그래프들은 상관도가 0.5 미만으로 외부환경의 영향을 받지않는 경우로 분류할 수 있다. 예를 들어, 8번 그래프의 경우 해수온도 패턴과 펌프베어링진동의 패턴을 도시한 것으로 두 패턴 간에 전혀 연관성이 없다. 해수온도는 1월부터 상승하여 8월에 정점을 찍고 다시 12월까지 감소하는 패턴인데 펌프베어링진동의 패턴은 계절이나 월별에 관계없이 피크(peak)를 치고 떨어지는 패턴을 반복하고 있다. 이런 경우 상관관계가 매우 낮아 외부환경 영향이 없으며, 별도의 재학습도 필요없는 경우로 분류된다.
이상에서 본 발명의 다수의 실시 예가 기술되었다. 그럼에도 불구하고, 전술한 설명은 예시를 위한 것이며 다음의 청구항들의 범위에 의해 정의되는 본 발명의 범위를 한정하는 것이 아닌 것으로 이해되어야 한다. 따라서 다른 실시 예들이 또한 다음 청구항들의 범위 내에 있다. 예를 들어, 다양한 변형이 본 발명의 범위를 벗어남 없이 만들어질 수 있다. 부가적으로, 전술된 단계들의 일부는 순서 독립적이므로 기술된 것과 다른 순서로 수행될 수 있다.
[부호의 설명]
100: 계측기 110: 데이터처리장치
120: 조기경보처리장치 130: 통합센터 운영자모니터
501: 상관도계수(Correlation Factor)
502: 기기 감시 변수 패턴 503: 외부 환경 감시 변수 패턴

Claims (16)

  1. 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법에 있어서, 상기 방법은
    조기 경보 처리 장치에서, 기기 감시변수들을 외부 환경 영향에 따라 분류하는 단계; 및
    상기 조기 경보 처리 장치에서, 상기 분류된 감시변수별로 패턴학습 방법을 다르게 적용하는 단계를 포함하는, 최신 데이터 학습 방법.
  2. 제1항에 있어서, 상기 외부 환경 영향에 따라 분류하는 단계는
    각각의 상기 기기 감시변수들과 각각의 외부환경 요인들 간의 상관도를 계산하는 단계; 및
    상기 기기 감시변수들을 상기 계산된 상관도 값에 따라 분류하는 단계를 포함하는, 최신 데이터 학습 방법.
  3. 제2항에 있어서,
    상기 외부 환경 요인들은 대기온도, 기압, 습도, 해수온도 중 적어도 하나를 포함하는, 최신 데이터 학습 방법.
  4. 제2항에 있어서, 상기 계산된 상관도 값에 따라 분류하는 단계는
    운영자가 사전에 지정한 제1 기준과 제2 기준 - 상기 제1 기준은 상기 제2 기준보다 큰 값을 가짐 - 에 따라 상기 상관도 값이 상기 제1 기준 이상 또는 초과일 경우 제1 그룹으로 분류하고,
    상기 상관도 값이 상기 제2 기준 이상 또는 초과부터 상기 제1 기준 이하 또는 미만일 경우 제2 그룹으로 분류하고,
    상기 상관도 값이 상기 제2 기준 이하 또는 미만일 경우 제3그룹으로 분류하는 것을 특징으로 하는, 최신 데이터 학습 방법.
  5. 제4항에 있어서, 상기 패턴학습 방법을 다르게 적용하는 단계는
    상기 제1그룹의 감시변수들, 상기 제2 그룹의 감시변수들, 및 상기 제3 그룹의 감시변수들 각각에 대해 자동 재학습 방법, 수동 재학습 방법, 및 재학습하지 않는 방법 중 어느 하나를 적용하는 것을 특징으로 하는, 최신 데이터 학습 방법.
  6. 제5항에 있어서,
    상기 제1 그룹의 감시변수들은 자동 재학습 데이터베이스에 저장되며,
    상기 외부 환경 요인의 변화가 사전에 구축된 학습 패턴과 일정 기준이상 차이가 나는 경우 상기 외부 환경 요인과 상기 제1 그룹의 감시변수들에 대해 동시에 최신 패턴 학습이 자동으로 되는 것을 특징으로 하는, 최신 데이터 학습 방법.
  7. 제5항에 있어서,
    상기 제2 그룹의 감시변수들은 조기경보 발생시에 상기 외부 환경 요인에 의한 경보로 판단되면 운영자에 의해 최신 패턴 학습이 수동으로 재학습되는 것을 특징으로 하는, 최신 데이터 학습 방법.
  8. 제5항에 있어서,
    상기 제3 그룹의 감시변수들은 재학습을 하지 않는 것을 특징으로 하는, 최신 데이터 학습 방법.
  9. 외부 영향을 고려한 최신 데이터 학습 방법을 이용하는 조기경보시스템에 있어서, 상기 시스템은
    기기 감시변수들을 외부 환경 영향에 따라 분류하고,
    상기 분류된 감시변수별로 패턴학습 방법을 다르게 적용하는 조기경보처리장치를 포함하는, 조기경보시스템.
  10. 제9항에 있어서, 상기 외부 환경 영향에 따라 분류하는 것은
    각각의 상기 기기 감시변수들과 각각의 외부환경 요인들 간의 상관도를 계산하고,
    상기 기기 감시변수들을 상기 계산된 상관도 값에 따라 분류하는 것을 포함하는, 조기경보시스템.
  11. 제10항에 있어서,
    상기 외부 환경 요인들은 대기온도, 기압, 습도, 해수온도 중 적어도 하나를 포함하는, 최신 데이터 학습 방법.
  12. 제10항에 있어서, 상기 계산된 상관도 값에 따라 분류하는 것은
    운영자가 사전에 지정한 제1 기준과 제2 기준 - 상기 제1 기준은 상기 제2 기준보다 큰 값을 가짐 - 에 따라 상기 상관도 값이 상기 제1 기준 이상 또는 초과일 경우 제1 그룹으로 분류하고,
    상기 상관도 값이 상기 제2 기준 이상 또는 초과부터 상기 제1 기준 이하 또는 미만일 경우 제2 그룹으로 분류하고,
    상기 상관도 값이 상기 제2 기준 이하 또는 미만일 경우 제3그룹으로 분류하는 것을 특징으로 하는, 조기경보시스템.
  13. 제12항에 있어서, 상기 패턴학습 방법을 다르게 적용하는 것은
    상기 외부 환경 요인의 영향을 많이 받는 감시변수들, 상기 외부 환경 요인의 영향이 모호한 감시변수들, 및 상기 외부 환경 요인의 영향을 받지 않는 감시변수들 각각에 대해 자동 재학습 방법, 수동 재학습 방법, 및 재학습하지 않는 방법 중 어느 하나를 적용하는 것을 특징으로 하는, 조기경보시스템.
  14. 제13항에 있어서,
    상기 제1 그룹의 감시변수들은 자동 재학습 데이터베이스에 저장되며,
    상기 외부 환경 요인의 변화가 사전에 구축된 학습 패턴과 일정 기준이상 차이가 나는 경우 상기 외부 환경 요인과 상기 제1 그룹의 감시변수들에 대해 동시에 최신 패턴 학습이 자동으로 되는 것을 특징으로 하는, 조기경보시스템.
  15. 제13항에 있어서,
    상기 제2 그룹의 감시변수들은 조기경보 발생시에 상기 외부 환경 요인에 의한 경보로 판단되면 운영자에 의해 최신 패턴 학습이 수동으로 재학습되는 것을 특징으로 하는, 조기경보시스템.
  16. 제13항에 있어서,
    상기 제3 그룹의 감시변수들은 재학습을 하지 않는 것을 특징으로 하는, 조기경보시스템.
PCT/KR2017/009430 2016-08-29 2017-08-29 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 WO2018044041A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US16/328,645 US11276300B2 (en) 2016-08-29 2017-08-29 Method for learning latest data considering external influences in early warning system and system for same
EP17846966.4A EP3506232A4 (en) 2016-08-29 2017-08-29 METHOD FOR LEARNING THE LATEST DATA, TAKING INTO EXTERNAL INFLUENCES IN AN EARLY WARNING SYSTEM AND SYSTEM THEREFOR
CN201780053551.6A CN109643484B (zh) 2016-08-29 2017-08-29 在预警系统中考虑外部影响来学习最新数据的方法以及用于该方法的系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020160110309A KR101876185B1 (ko) 2016-08-29 2016-08-29 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템
KR10-2016-0110309 2016-08-29

Publications (1)

Publication Number Publication Date
WO2018044041A1 true WO2018044041A1 (ko) 2018-03-08

Family

ID=61301091

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/009430 WO2018044041A1 (ko) 2016-08-29 2017-08-29 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템

Country Status (5)

Country Link
US (1) US11276300B2 (ko)
EP (1) EP3506232A4 (ko)
KR (1) KR101876185B1 (ko)
CN (1) CN109643484B (ko)
WO (1) WO2018044041A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114093129A (zh) * 2021-10-15 2022-02-25 重庆地质矿产研究院 基于5g智能通讯的矿山地质环境智能监测与预警方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102102544B1 (ko) * 2018-10-31 2020-04-22 한국전력공사 데이터 필터링을 이용한 조기경보 예측 방법 및 이를 이용한 조기경보 예측 장치
KR102310357B1 (ko) * 2019-05-31 2021-10-07 이엠아이솔루션즈(주) 고신뢰성 지능형 낙뢰 경보방법
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003303020A (ja) * 2002-04-12 2003-10-24 Toshiba Corp プラント監視・診断システム
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
KR100997009B1 (ko) * 2009-06-09 2010-11-25 한국남동발전 주식회사 산업설비의 공정 여유도에 대한 동적 감시 및 적시 경보 방법
KR101065767B1 (ko) * 2010-04-22 2011-09-19 주식회사 지오네트 성능저하 및 고장원인 조기 진단방법

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007009341A1 (de) 2006-12-21 2008-06-26 Abb Technology Ag Verfahren und Einrichtung zur Optimierung der Alarmkonfiguration
JP5364530B2 (ja) * 2009-10-09 2013-12-11 株式会社日立製作所 設備状態監視方法、監視システム及び監視プログラム
JP2011145846A (ja) 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
KR20110107575A (ko) * 2010-03-25 2011-10-04 박윤교 산업설비 관리시스템 및 이의 운영방법
CN102870057B (zh) 2010-04-08 2015-01-28 株式会社日立制作所 机械设备的诊断装置、诊断方法及诊断程序
KR101096793B1 (ko) * 2010-04-19 2011-12-21 비앤에프테크놀로지 주식회사 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체
US8600917B1 (en) * 2011-04-18 2013-12-03 The Boeing Company Coupling time evolution model with empirical regression model to estimate mechanical wear
US9158302B2 (en) 2012-05-04 2015-10-13 Siemens Energy, Inc. System and method for detecting electric power plant equipment overheating with real-time plural parallel detection and analysis parameters
CN103488135B (zh) * 2013-08-14 2015-11-04 沈阳中科博微自动化技术有限公司 一种用于半导体生产加工过程监控的统计过程控制方法
US11093851B2 (en) * 2013-09-18 2021-08-17 Infineon Technologies Ag Method, apparatus and computer program product for determining failure regions of an electrical device
KR101997580B1 (ko) * 2015-01-08 2019-07-08 비앤에프테크놀로지 주식회사 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
JP6294268B2 (ja) * 2015-07-31 2018-03-14 ファナック株式会社 射出成形機の異常診断装置
CN105320123B (zh) * 2015-09-25 2018-03-13 中国南方电网有限责任公司 一种基于在线监测数据的测控设备健康状态评价系统和方法
CN105182450B (zh) * 2015-10-15 2018-01-02 成都信息工程大学 一种强对流天气短时预警系统
WO2017139046A1 (en) * 2016-02-09 2017-08-17 Presenso, Ltd. System and method for unsupervised root cause analysis of machine failures

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003303020A (ja) * 2002-04-12 2003-10-24 Toshiba Corp プラント監視・診断システム
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
KR100997009B1 (ko) * 2009-06-09 2010-11-25 한국남동발전 주식회사 산업설비의 공정 여유도에 대한 동적 감시 및 적시 경보 방법
KR101065767B1 (ko) * 2010-04-22 2011-09-19 주식회사 지오네트 성능저하 및 고장원인 조기 진단방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3506232A4 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114093129A (zh) * 2021-10-15 2022-02-25 重庆地质矿产研究院 基于5g智能通讯的矿山地质环境智能监测与预警方法

Also Published As

Publication number Publication date
EP3506232A1 (en) 2019-07-03
US11276300B2 (en) 2022-03-15
CN109643484B (zh) 2021-03-09
US20210287525A1 (en) 2021-09-16
CN109643484A (zh) 2019-04-16
KR20180024331A (ko) 2018-03-08
EP3506232A4 (en) 2020-04-01
KR101876185B1 (ko) 2018-07-09

Similar Documents

Publication Publication Date Title
WO2018044041A1 (ko) 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템
WO2017191872A1 (ko) 플랜트 이상 감지 방법 및 시스템
WO2020076083A1 (ko) 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법
WO2015026166A1 (ko) 비정상 데이터 예측 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
CN112799898B (zh) 基于分布式故障检测的互联系统故障节点定位方法及系统
CN112734977B (zh) 一种基于物联网的设备风险预警系统及算法
KR20170104705A (ko) 설비 고장 진단 장치 및 방법
CN110109428B (zh) 一种用于实验室设备的险情监测系统
WO2020004996A1 (ko) 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법
WO2015030416A1 (ko) 플랜트 건강상태 예측방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
CN112651849B (zh) 基于不平衡数据集的电压监测异常数据识别方法及系统
CN116940956A (zh) 用于设备功能下降型故障预警的工业物联网、方法及介质
CN115640698A (zh) 一种水电站运行设备故障预警系统
CN112087443A (zh) 一种大规模工业传感网络信息物理攻击下传感数据异常智能化检测方法
CN115907279A (zh) 基于物联网的工业生产产品用质量检测系统及方法
CN112232370A (zh) 发动机的故障分析预测方法
CN111813644A (zh) 系统性能的评价方法、装置、电子设备和计算机可读介质
CN114608741A (zh) 一种基于大数据的压力传感器采集系统
CN206833239U (zh) 一种基于数据驱动的火电厂控制系统故障检测系统
CN115913349B (zh) 光缆设备异常定位方法及装置、存储介质、终端
CN110889646A (zh) 一种适应工况变化的发电机组运行参数正确性检验的方法
CN113610167B (zh) 基于度量学习与视觉感知的设备风险检测方法
CN112766251B (zh) 变电设备红外检测方法、系统、储存介质及计算机设备
KR20200106791A (ko) 다중 예측 모델의 스위칭 기술을 이용한 발전소의 조기 경보 장치 및 방법
WO2017074089A1 (ko) 선택적 촉매 환원 시스템의 관리장치 및 이의 제어방법

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: 17846966

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2017846966

Country of ref document: EP