WO2020004996A1 - 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법 - Google Patents

발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법 Download PDF

Info

Publication number
WO2020004996A1
WO2020004996A1 PCT/KR2019/007853 KR2019007853W WO2020004996A1 WO 2020004996 A1 WO2020004996 A1 WO 2020004996A1 KR 2019007853 W KR2019007853 W KR 2019007853W WO 2020004996 A1 WO2020004996 A1 WO 2020004996A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
power plant
learning data
learning
sensing
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2019/007853
Other languages
English (en)
French (fr)
Inventor
이성기
김홍석
김익재
최희승
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Korea Institute of Science and Technology KIST
Korea South East Power Co Ltd
Original Assignee
Korea Institute of Science and Technology KIST
Korea South East Power Co Ltd
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 Korea Institute of Science and Technology KIST, Korea South East Power Co Ltd filed Critical Korea Institute of Science and Technology KIST
Publication of WO2020004996A1 publication Critical patent/WO2020004996A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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
    • 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
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods

Definitions

  • the present invention relates to an apparatus for generating learning data, and more particularly, to an apparatus and method for generating learning data for a learning model of a power plant failure prediction and diagnosis system of a power plant.
  • Such a failure prediction system learns a learning model using a plurality of sensor data collected from a power generation facility, thereby predicting and diagnosing a failure of the power generation facility from sensor data generated in actual generation facilities.
  • the learning data collected in a typical power plant is data according to normal operation of the power plant. Therefore, even if a fault prediction system of a power plant is constructed based on the learning model, the learning data provided to the learning model, that is, the sensor data, do not reflect various driving environments. Therefore, in the conventional power plant failure prediction system, the learning efficiency of the learning model by sensor data collected from the power generation facility is lowered, thereby lowering the accuracy and reliability of the failure occurrence prediction of the power generation facility.
  • An object of the present invention is to provide a learning data generating apparatus and method for improving learning efficiency by providing learning data according to various power plant starting environments in a learning model of a plant failure prediction and diagnosis system.
  • the pre-processing module for standardizing the historical data collected from the power plant, and analyzes the standardized data to store the past sensing data;
  • a first learning data generating unit extracting the past sensing data from the preprocessing module to generate one or more first learning data for each operating environment of the power plant;
  • a second learning data generation unit for constructing a virtual power plant based on the historical data, simulating the startup of the virtual power plant, and generating one or more second learning data for each startup environment of the power plant.
  • Learning data generation method the step of standardizing the historical data collected in the power plant and storing the past sensing data; Extracting the past sensing data to generate one or more first learning data for each operating environment of the power plant; Constructing a virtual power plant based on the historical data, simulating startup of the virtual power plant, and generating one or more second learning data for each startup environment of the power plant; And converting each of the first learning data and the second learning data, determining and grouping the mutual relationship between the converted learning data, and loading the grouped learning data.
  • the learning data generating apparatus of the present invention can generate a plurality of learning data from the sensing data according to the actual start-up collected at the power plant, and load them by integrating them according to the type of power generation equipment or the failure of the power generation equipment. Accordingly, the learning data generating apparatus can provide various learning data for each plant starting environment to the learning model of the plant failure prediction and diagnosis system, thereby increasing the learning efficiency of the learning model for predicting and diagnosing the plant failure.
  • the learning data generating apparatus may increase the number of learning data generated by displacing the historical data of the power plant or by constructing a virtual power plant to apply various startup scenarios. Accordingly, the learning data generating apparatus can further increase the learning efficiency of the learning model by providing a large number of learning data to the learning model of the power plant failure prediction and diagnosis system.
  • FIG. 1 is a view showing the configuration of a learning data generating apparatus according to an embodiment of the present invention.
  • FIG. 2 is a diagram illustrating a configuration of a preprocessing module of FIG. 1.
  • FIG. 3 is a diagram illustrating a configuration of the learning data generation module of FIG. 1.
  • FIG. 4 is a view showing the configuration of the data conversion / integration module of FIG.
  • FIG. 5 is a view showing a learning data generation method according to an embodiment of the present invention.
  • FIG. 6 is a diagram illustrating a data standardization and analysis method of FIG. 5.
  • FIG. 7 is a diagram illustrating a method of generating actual learning data of FIG. 5.
  • FIG. 8 is a diagram illustrating a virtual learning data generation method of FIG. 5.
  • FIG 9 is an exemplary view showing an example of extracting the sensing data in the learning data generating apparatus according to an embodiment of the present invention.
  • FIG. 1 is a view showing the configuration of the learning data generating apparatus according to an embodiment of the present invention
  • Figures 2 to 4 are views showing in detail each configuration of FIG.
  • the learning data generating apparatus 100 of the present embodiment may be configured in a power plant failure prediction and diagnosis system (not shown).
  • the training data generating apparatus 100 generates training data based on a plurality of historical data collected from the outside, for example, the power plant 300, and uses the training data generator as data for learning a learning model (not shown) in the failure prediction and diagnosis system.
  • the power plant 300 may be provided with a database (not shown) for storing past data according to the start-up, and may include at least one of power generation equipment information, past sensing data, past starting history information, past failure history information, and the like from the database.
  • Historical data may be provided to the learning data generating apparatus 100.
  • the learning data generating apparatus 100 may include a preprocessing module 110, a learning data generating module 120, a data conversion / integration module 130, and a loading module 140.
  • the pretreatment module 110 may collect and standardize historical data provided by the power plant 300, and analyze and store the data.
  • the pretreatment module 110 may include a standardization unit 111, an analysis unit 112, and a storage unit 113.
  • the past sensing data of the past data may include sensing data extracted from a sensor (not shown) provided for at least one power generation facility of the power plant 300 and sensing data extracted from at least one logic of the power generation facility. Since the past sensing data is data extracted according to the actual start-up of the power plant 300, they include actual sensing values of each of the plurality of power generating facilities of the power plant 300.
  • the standardization unit 111 may tag and standardize each of the plurality of sensing data of the historical data collected from the power plant 300.
  • the standardization unit 111 may tag each of the plurality of power generation facilities of the power plant 300 to match at least one sensing data to standardize each of the plurality of sensing data.
  • facility information for each of the plurality of power generation facilities may also be standardized to correspond to the sensing data.
  • the analysis unit 112 may analyze the standardized data.
  • the analysis unit 112 may analyze a correlation between each of the plurality of power generation facilities and standardized data.
  • the analysis unit 112 may define sensing data generated for each power generation facility based on the analysis result.
  • the analysis unit 112 may analyze a correlation between at least one of the past starting history information and the past failure history information of the power plant 300 and the standardized data.
  • the analysis unit 112 may define the sensing data generated according to the starting environment of the power generation facility based on the analysis result.
  • the analysis unit 112 may define the sensing data generated in the normal starting environment of the power plant and the sensing data generated in the failure environment of the power plant.
  • the sensing data generated for each predefined power generation facility may be referred to.
  • the storage unit 113 may store a plurality of standardized data according to the analysis result of the analysis unit 112, that is, standardized sensing data as past sensing data.
  • the storage unit 113 may store a plurality of data for each power generation facility or for each breakdown of the power generation facility.
  • the learning data generation module 120 may generate learning data based on a plurality of data stored in the storage unit 113 of the preprocessing module 110.
  • the training data may be generated as sensing data based on time series.
  • the learning data generation module 120 may include a first learning data generation unit 210 and a second learning data generation unit 220.
  • the first learning data is learning data according to the actual starting environment of the power plant 300 generated based on a plurality of historical data, that is, standardized past sensing data
  • the second learning data is constructed based on the plurality of historical data. It may be learning data of the virtual starting environment generated according to the activation of the virtual power plant.
  • the learning data generation module 120 may generate integrated learning data including the first learning data and the second learning data.
  • the first learning data generating unit 210 may include a data extracting unit 211, a displacement generating unit 213, and a first learning data generating unit 215.
  • the data extractor 211 may extract a plurality of past data, that is, a plurality of past sensing data from the preprocessing module 110.
  • the first learning data generation unit 215 may analyze a plurality of historical data extracted by the data extraction unit 211, and extract one or more data according to the starting environment of the power generation facility based on the analysis result.
  • the first learning data generation unit 215 may generate one or more first learning data for each activation environment of the power generation facility based on the extracted data.
  • the first learning data generation unit 215 may generate first learning data according to the normal starting environment of the power generation facility based on the extracted historical data. In addition, the first learning data generation unit 215 may generate first learning data according to a failure occurrence environment of the power generation facility based on the extracted historical data.
  • the first learning data generated by the first learning data generation unit 215 has a relatively high proportion of the data according to the normal operation environment of the power plant than the proportion of the data according to the failure environment of the power plant. This is because the past sensing data collected in the conventional power plant 300 is mostly data corresponding to the normal startup of the power plant 300.
  • the learning data generation module 120 of the present embodiment may generate learning data according to various failure generation environments of the power generation facility through the second learning data generation unit 220 which will be described later. This will be described in more detail later with reference to the drawings.
  • the displacement generator 213 may generate displacement data by generating a displacement in the historical data extracted by the data extractor 211.
  • the displacement generator 213 may generate the displacement data by using a predetermined displacement value by increasing or decreasing the value of the past data.
  • the first learning data generation unit 215 may further generate the first learning data using the displacement data of the displacement generating unit 213, that is, the historical data whose value is changed.
  • the first learning data generation unit 210 of the present embodiment generates one or more first learning data from the past data of the power plant 300 stored in the preprocessing module 110, the value of the past data to a predetermined range
  • the first learning data may be additionally generated. Accordingly, the first learning data generation unit 210 may generate a plurality of first learning data.
  • the second learning data generating unit 220 may model a power plant 300 in a physical form in a logical form to build a virtual power plant, and start a plurality of second learning data by activating them in various environments.
  • the second learning data generated by the second learning data generating unit 220 has a relatively higher proportion of data according to a failure occurrence environment of the power generation facility than that of the normal starting environment of the power generation facility. This is because the first learning data generation unit 210 described above mainly generates a plurality of first learning data according to the normal starting environment of the power plant 300. However, the second learning data generation unit 220 may also generate a plurality of second learning data according to the normal starting environment of the power plant 300.
  • the second learning data generation unit 220 may include a modeling unit 221, a scenario generation unit 222, a simulation unit 223, a data analysis unit 224, and a second learning data generation unit 225. .
  • the modeling unit 221 may build a virtual power plant by modeling each of the plurality of power generation facilities based on the power generation facility information provided by the power plant 300. In addition, the modeling unit 221 may build a virtual start control system that can control the startup of the built virtual power plant.
  • the virtual power plant to be constructed should be operated almost the same as the actual power plant 300, and in particular, the data, that is, the virtual sensing data should be extracted from the same position as the sensing data extracted from the actual power plant 300. Therefore, the modeling unit 221 may build a virtual power plant by modeling the sensing point from which the sensing data is extracted together with the modeling of the power generation facility.
  • the sensing point constructed in the virtual power plant may include a sensing point of a virtual sensor provided in at least one of the power generation facilities of the virtual power plant and a sensing point of at least one virtual logic of the power generation facility.
  • FIG 9 is an exemplary view showing an example of extracting the sensing data in the learning data generating apparatus according to an embodiment of the present invention.
  • the modeling unit 221 may perform modeling of valve facilities among a plurality of power generation facilities of the power plant 300.
  • the valve arrangement may include a valve and logic capable of controlling its operation, such as a valve controller (V-CNT) and a combiner.
  • V-CNT valve controller
  • the modeling unit 221 may detect virtual signals (not shown) so as to sense signals input to the valve facility, for example, an input signal Sig # 1, a reference signal Ref, and a preceding signal Sig # 2. ) Can be modeled together.
  • the modeled valve facility includes one or more sensor sensing points capable of sensing signals of each of the virtual sensors, for example, a first sensing point SP # 1, a second sensing point SP # 2, and a fourth sensing point. (SP # 4) can be modeled and configured.
  • the modeling unit 221 may model to sense each of the signals output from the logic of the valve facility.
  • the modeled valve facility includes one or more logic sensing points capable of sensing the output of each of the valve controller V-CNT and the combiner, for example, a third sensing point SP # 3 and a fifth sensing point ( SP # 5) can be modeled and configured.
  • the modeling unit 221 builds a virtual power plant by modeling each of a plurality of power generation facilities in a physical form in a logical form, and configures one or more sensor sensing points and logic sensing points in each facility, thereby modeling the power generation facility.
  • One or more sensor sensing data and logic sensing data may be extracted from the same.
  • the sensor sensing data is data for determining the normal or abnormal of the signal input to the power generation equipment.
  • the logic sensing data is data for determining the normal or abnormal with respect to the logic of the power generation equipment, along with the determination of the normal or abnormal of the signal input to the power generation equipment.
  • the scenario generator 222 of the second learning data generating unit 220 may generate various startup scenarios for starting the virtual power plant constructed by the modeling unit 221. .
  • Scenario generator 222 may generate at least one start scenario based on past start history information provided by power plant 300.
  • the scenario generator 222 may generate a plurality of startup scenarios by deriving a pre-generated startup scenario.
  • the starting scenario generated by the scenario generator 222 and the starting scenario derived therefrom may be generated for each starting environment of the virtual power plant.
  • the startup scenario generated by the scenario generator 222 may include a startup scenario of a normal startup environment of the virtual power plant and a startup scenario of a failure generation environment of the virtual power plant.
  • the scenario generation unit 222 in consideration of the first learning data generated in the first learning data generation unit 210 described above, the ratio of the startup scenario of the failure occurrence environment of the virtual power plant larger than the startup scenario of the normal startup environment Can be generated as
  • the simulation unit 223 may virtually start the virtual power plant based on the startup scenario generated by the scenario generator 222.
  • the data analyzer 224 may extract a plurality of sensing data from one or more sensing points of the virtual power plant operated by the simulation unit 223, and verify the extracted sensing data.
  • the data analyzer 224 may determine a failure of the virtual power plant according to the verification of the sensing data.
  • the virtual power plant is provided with one or more sensor sensing points and one or more logic sensing points.
  • the data analyzer 224 may determine a failure of the virtual power plant by analyzing sensor sensing data and logic sensing data extracted from each sensing point based on a predetermined reference value.
  • the reference value may be a data value extracted in the normal startup environment of the power plant 300.
  • the reference value may be set from sensing data output when the virtual power plant is normally started by the simulation unit 223 or from sensing data at normal startup among historical data provided by the power plant 300.
  • the second learning data generator 225 may generate the second learning data, that is, the virtual learning data, from the sensing data corresponding to when the failure of the virtual power plant is determined according to the verification of the data analyzer 224. have.
  • the second learning data generated at this time may be learning data according to a failure occurrence environment of the virtual power plant.
  • the corresponding scenario may be corrected by the scenario generator 222.
  • the second learning data generator 225 may generate second learning data according to the normal starting environment of the virtual power plant based on the corresponding sensing data.
  • the learning data generation module 120 of the present embodiment may generate one or more first learning data from historical data of the power plant 300, and generate one or more second learning data according to the construction of the virtual power plant. have.
  • the learning data generation module 120 may integrate the generated first learning data and the second learning data and output the integrated learning data.
  • the data conversion and integration module 130 converts the integrated learning data generated by the learning data generation module 120, that is, each of the plurality of first learning data and the second learning data, and converts each of them.
  • the correlation between the collected learning data can be determined and grouped.
  • the data conversion and integration module 130 may include a data conversion unit 131 and a data integration unit 133.
  • the data conversion unit 131 may analyze the validity of the training data provided from the training data generation module 120 and convert the training data based on the analysis result.
  • the data conversion unit 131 may convert the analyzed learning data into predetermined image data.
  • the training data may be time series based sensing data.
  • the data conversion unit 131 may convert time series based data into two-dimensional or three-dimensional image data.
  • the data integration unit 133 may group the transformed learning data.
  • the data integration unit 133 may determine the mutual relationship between the learning data and group the learning data according to the type of the power generation facility or the type of failure according to the determination result.
  • the integrated learning data may include first learning data that is actual data and second learning data that is virtual data.
  • the data integration unit 133 may integrate the first and second learning data by grouping the data according to the type of the power generation equipment or the type of failure of the power generation equipment, regardless of the actual data and the virtual data.
  • the loading module 140 may load the learning data grouped and converted by the data conversion and integration module 130.
  • the learning data generating apparatus 100 generates the actual learning data and the virtual learning data from the past data according to the actual start-up collected in the power plant 300, respectively, and these are generated by the type of power generation facilities It can be integrated or loaded by failure type of power plant.
  • various learning data for each plant starting environment can be provided to the learning model of the power plant failure prediction and diagnosis system provided with the learning data generating apparatus 100, thereby improving the learning efficiency of the learning model for predicting and diagnosing the failure of the power plant. have.
  • the learning data generating apparatus 100 may increase the number of learning data in the real environment by displacing the past data value for generating the actual learning data.
  • the learning data generating apparatus 100 may increase the number of learning data in the virtual environment by constructing the same virtual power plant as the actual power plant 300 to generate the virtual learning data and starting the virtual power plant according to various scenarios. .
  • the learning data generating apparatus may generate a plurality of learning data according to various starting environments of the power plant 300 and provide the learning data to the learning model, thereby further increasing the learning efficiency of the learning model.
  • FIG. 5 is a diagram illustrating a method of generating learning data according to an exemplary embodiment of the present invention
  • FIGS. 6 to 8 are diagrams illustrating specific methods of each step of FIG. 5.
  • FIGS. 1 to 4 described above.
  • the preprocessing module 110 may standardize the data based on historical data provided by the power plant 300, and may analyze and store the data (S10).
  • the standardization unit 111 of the preprocessing module 110 may standardize each of the plurality of power generation facilities to correspond to the sensing data of the past data based on the power generation information provided by the power plant 300 (S111). In addition, the standardization unit 111 may tag each of the plurality of sensing data of the past data, and standardize them so that they are matched by power generation facilities (S112).
  • the analysis unit 112 may analyze the association between the power generation facilities and the sensing data in the standardized data, and define sensing data generated for each power generation facility based on the analysis result (S113).
  • the analysis unit 112 analyzes the relationship between the power generation facility and the sensing data for each starting situation of the power plant 300 based on the past starting history information and failure history information provided from the power plant 300, and generates power based on the analysis result Sensing data generated according to the starting environment of the facility may be defined (S114).
  • the storage unit 113 may store the analyzed plurality of standardized historical data as historical sensing data for each power generation facility or failure of the power generation facility (S115).
  • the first learning data generating unit 210 of the learning data generating module 120 extracts past sensing data stored in the preprocessing module 110 to generate actual learning data, that is, the first learning data. Can be generated (S20).
  • the data extractor 211 of the first learning data generating unit 210 extracts a plurality of standardized and stored past sensing data (S211), and the first learning data generating unit 215 is based on the extracted past sensing data.
  • One or more first learning data may be generated (S212).
  • the first learning data may be learning data according to the normal starting environment of the power plant 300.
  • the displacement generator 213 may change the value of the past sensing data previously extracted by the data extractor 211 to a predetermined range (S213).
  • the first learning data generator 215 may increase the number of first learning data by additionally generating the first learning data using the past sensing data whose value is changed (S214).
  • the second learning data generating unit 220 of the learning data generating module 120 generates the virtual learning data, that is, the second learning data based on the historical data collected by the power plant 300. It may be (S30).
  • the modeling unit 221 of the second learning data generation unit 220 may build a virtual power plant by logically modeling a plurality of power generation facilities in a physical form based on power generation information of the past data (S311).
  • the modeling unit 221 may perform modeling by providing one or more sensing points in each of the plurality of power generation facilities to extract one or more sensor sensing data and logic sensing data from the virtual power plant.
  • the one or more sensing points may include a sensing point of the virtual sensor and a sensing point of the virtual logic.
  • the scenario generator 222 of the second learning data generation unit 220 may generate a startup scenario for the virtual power plant based on the past startup history information of the power plant 300. Subsequently, the scenario generator 222 may generate a plurality of startup scenarios by deriving a plurality of generated startup scenarios (S312).
  • the scenario generator 222 may set one or more input data for each power generation facility of the virtual power plant based on the past start history information, and generate a start scenario based on the set input data.
  • the scenario generating unit 222 may generate a plurality of startup scenarios derived from a pre-generated startup scenario by adjusting a value of the set input data within a predetermined range. That is, the scenario generation unit 222 generates at least one startup scenario from the past startup history information, and generates a plurality of startup scenarios by adjusting data values of the generated startup scenarios.
  • the simulation unit 223 may start the virtual power plant by sequentially applying a plurality of startup scenarios generated by the scenario generator 222.
  • the data analyzer 224 may extract a plurality of sensing data from the plurality of sensing points of the virtual power plant being started (S313).
  • the extracted sensing data may include one or more sensor sensing data and one or more logic sensing data.
  • the sensor sensing data and logic sensing data are used to determine whether the data inputted to or output from the power generation equipment is normal or abnormal, or whether the data according to the logic input or logic output of the power generation equipment is normal or abnormal.
  • the data analyzer 224 may determine whether a failure of the virtual power plant occurs by analyzing the extracted sensing data (S314). In this case, the data analyzer 224 may determine the failure of the virtual power plant by comparing the extracted sensing data with a predetermined reference value, for example, the sensing data value extracted by the normal startup of the power plant.
  • the second learning data generator 225 may generate virtual learning data from the extracted sensing data (S315).
  • the virtual learning data may be learning data according to a failure occurrence environment of a power plant.
  • the scenario generator 222 may modify a plurality of data values of the start-up scenario (S316).
  • the virtual power plant is restarted based on the modified start scenario in the simulation unit 223, and the data analyzing unit 224 re-analyzes the sensing data extracted accordingly to determine whether a failure of the virtual power plant occurs. have.
  • the second learning data generator 225 may generate the virtual learning data from the sensing data.
  • the virtual learning data generated at this time may be learning data according to the normal starting environment of the power plant.
  • the data transformation and integration module 130 may convert the previously generated learning data, and determine and group them with each other (S40). ). Subsequently, the stacking module 140 may be grouped to load the integrated learning data (S50).
  • the actual learning data and the virtual learning data are generated from the historical data collected by the power plant 300, respectively, and these are classified according to the type of the power plant or the failure type of the power plant. Can be integrated and loaded. Therefore, the learning model of the plant failure prediction and diagnosis system can provide a variety of learning data for each plant startup environment, thereby improving the learning efficiency of the learning model for predicting and diagnosing a plant failure.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

발전소의 기동 환경 별로 다양한 학습데이터를 생성하여 발전소 고장 예측 및 진단시스템의 학습모델에 제공할 수 있는 학습데이터 생성장치가 제공된다. 학습데이터 생성장치는 발전소의 과거 센싱데이터로부터 하나 이상의 학습데이터를 생성하거나 가상발전소를 구축하여 시뮬레이션을 수행하여 하나 이상의 학습데이터를 생성할 수 있다.

Description

발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법
본 발명은 학습데이터 생성장치에 관한 것으로, 보다 구체적으로 발전소의 발전설비 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법에 관한 것이다.
일반적으로 발전소에는 다수의 발전설비들이 복잡하게 밀집되어 있다. 이러한 다수의 발전설비들은 항시 실시간으로 감시할 수 있어야 하며, 설비의 고장 및 비정상 상태가 발생될 경우에 최대한 빠른 시간 내에 이를 정비할 수 있어야 한다.
종래의 발전소는 소정의 스케쥴에 따라 다수의 발전설비들 각각에 대한 정기적 예방 정비를 실시하고 있으며, 발전설비로부터 상태를 판단할 수 있는 센서 데이터를 수집하여 분석함으로써 발전설비의 고장 발생을 예측하고, 그에 따른 대응 조치를 수행하고 있다. 그러나, 종래의 발전소에서는 발전설비에서 수집되는 센서 데이터를 이용하여 단순히 경보 발생을 알려줄 뿐으로, 실제 발생된 경보들의 원인을 분석하여 조치사항을 통보하지 못하며, 이로 인해 발전소의 운전원들이 경보 발생만으로 다수의 발전설비들 중에서 고장이 발생된 설비를 찾는 것에 어려움이 있었다.
최근 들어, 학습모델 기반의 발전소 고장 예측 시스템에 대한 연구가 활발하게 진행되고 있다. 이러한 고장 예측 시스템은 발전설비로부터 수집되는 다수의 센서 데이터를 이용하여 학습모델을 학습시킴으로써, 차후 실제 발전설비에서 발생되는 센서 데이터로부터 발전설비의 고장을 예측 및 진단한다.
그러나, 통상의 발전소에서 수집되는 센서 데이터의 거의 대부분은 발전설비의 정상 운전에 따른 데이터이다. 따라서, 학습모델을 기반으로 발전소의 고장 예측 시스템을 구축하더라도 그 학습모델에 제공되는 학습데이터, 즉 센서 데이터가 다양한 운전환경을 반영하지 못하게 된다. 따라서, 종래의 발전소 고장 예측 시스템에서는 발전설비로부터 수집되는 센서 데이터에 의한 학습모델의 학습 효율이 저하되어 발전설비의 고장 발생 예측의 정확도 및 신뢰도가 낮아지게 된다.
본 발명은 발전소 고장 예측 및 진단시스템의 학습모델에 다양한 발전소 기동 환경에 따른 학습데이터를 제공하여 학습 효율을 높일 수 있는 학습데이터 생성장치 및 방법을 제공하고자 하는 데 있다.
본 발명의 실시예에 따른 학습데이터 생성장치는, 발전소로부터 수집된 과거 데이터를 표준화하고, 표준화 된 데이터를 분석하여 과거 센싱데이터를 저장하는 전처리모듈; 상기 전처리모듈로부터 상기 과거 센싱데이터를 추출하여 상기 발전소의 기동 환경 별로 하나 이상의 제1학습데이터를 생성하는 제1학습데이터 생성유닛; 및 상기 과거 데이터에 기초하여 가상발전소를 구축하고, 상기 가상발전소의 기동을 시뮬레이션하여 상기 발전소의 기동 환경 별로 하나 이상의 제2학습데이터를 생성하는 제2학습데이터 생성유닛을 포함한다.
본 발명의 실시예에 따른 학습데이터 생성방법은, 발전소에서 수집된 과거 데이터를 표준화하여 과거 센싱데이터로 저장하는 단계; 상기 과거 센싱데이터를 추출하여 상기 발전소의 기동 환경 별로 하나 이상의 제1학습데이터를 생성하는 단계; 상기 과거 데이터에 기초하여 가상발전소를 구축하고, 상기 가상발전소의 기동을 시뮬레이션하여 상기 발전소의 기동 환경 별로 하나 이상의 제2학습데이터를 생성하는 단계; 및 상기 제1학습데이터 및 상기 제2학습데이터 각각을 변환하고, 변환된 학습데이터 간의 상호 관계를 판단하여 그룹화하며, 그룹화 된 학습데이터를 적재하는 단계를 포함한다.
본 발명의 학습데이터 생성장치는, 발전소에서 수집된 실제 기동에 따른 센싱데이터로부터 다수의 학습데이터를 생성하고, 이들을 발전설비의 종류 또는 발전설비의 고장 별로 통합하여 적재할 수 있다. 이에 따라, 학습데이터 생성장치는 발전소 고장예측 및 진단시스템의 학습모델에 발전소 기동 환경 별 다양한 학습데이터를 제공할 수 있어 발전소의 고장 예측 및 진단을 위한 학습모델의 학습 효율을 높일 수 있다.
또한, 학습데이터 생성장치는 발전소의 과거 데이터에 변위를 주거나 또는 가상발전소를 구축하여 다양한 기동 시나리오를 적용함으로써, 생성되는 학습데이터의 수를 증가시킬 수 있다. 이에 따라, 학습데이터 생성장치는 발전소 고장예측 및 진단시스템의 학습모델에 많은 수의 학습데이터를 제공하여 학습모델의 학습 효율을 더욱 높일 수 있다.
도 1은 본 발명의 실시예에 따른 학습데이터 생성장치의 구성을 나타내는 도면이다.
도 2는 도 1의 전처리모듈의 구성을 나타내는 도면이다.
도 3은 도 1의 학습데이터 생성모듈의 구성을 나타내는 도면이다.
도 4는 도 1의 데이터변환/통합모듈의 구성을 나타내는 도면이다.
도 5는 본 발명의 실시예에 따른 학습데이터 생성방법을 나타내는 도면이다.
도 6은 도 5의 데이터 표준화 및 분석방법을 나타내는 도면이다.
도 7은 도 5의 실제 학습데이터 생성방법을 나타내는 도면이다.
도 8은 도 5의 가상 학습데이터 생성방법을 나타내는 도면이다.
도 9는 본 발명의 실시예에 따른 학습데이터 생성장치에서 센싱데이터를 추출하는 예를 나타내는 예시도이다.
이하 본 발명의 실시예에 대하여 첨부된 도면을 참고로 그 구성 및 작용을 설명하기로 한다.
도면들 중 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 참조번호 및 부호들로 나타내고 있음에 유의해야 한다. 하기에서 본 발명을 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
또한 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이고 사전적인 의미로 해석되어서는 아니 되며, 발명자들은 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 바람직한 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있으며 본 발명의 범위가 다음에 기술하는 실시예에 한정되는 것은 아니다.
도 1은 본 발명의 실시예에 따른 학습데이터 생성장치의 구성을 나타내는 도면이고, 도 2 내지 도 4는 도 1의 각 구성을 세부적으로 나타내는 도면들이다.
도면을 참조하면, 본 실시예의 학습데이터 생성장치(100)는 발전소 고장예측 및 진단시스템(미도시) 내에 구성될 수 있다. 학습데이터 생성장치(100)는 외부, 예컨대 발전소(300)에서 수집된 다수의 과거 데이터에 기초하여 학습데이터를 생성하고, 이를 고장예측 및 진단시스템 내의 학습모델(미도시)의 학습을 위한 데이터로 제공할 수 있다. 발전소(300)에는 기동에 따른 과거 데이터들을 저장하기 위한 데이터베이스(미도시)가 구비될 수 있고, 데이터베이스로부터 발전설비 정보, 과거 센싱데이터, 과거 기동이력 정보, 과거 고장이력 정보 등 중 적어도 하나를 포함하는 과거 데이터가 학습데이터 생성장치(100)에 제공될 수 있다.
학습데이터 생성장치(100)는 전처리모듈(110), 학습데이터 생성모듈(120), 데이터변환/통합모듈(130) 및 적재모듈(140)을 포함할 수 있다.
도 1 및 도 2를 참조하면, 전처리모듈(110)은 발전소(300)에서 제공되는 과거 데이터를 수집하여 표준화하고, 이를 분석하여 저장할 수 있다. 전처리모듈(110)은 표준화유닛(111), 분석유닛(112) 및 저장유닛(113)을 포함할 수 있다.
여기서, 과거 데이터의 과거 센싱데이터는 발전소(300)의 발전설비마다 적어도 하나 구비되는 센서(미도시)로부터 추출된 센싱데이터 및 발전설비의 적어도 하나의 로직으로부터 추출된 센싱데이터를 포함할 수 있다. 과거 센싱데이터는 발전소(300)의 실제 기동에 따라 추출된 데이터이므로, 이들은 발전소(300)의 다수의 발전설비들 각각의 실제 센싱 값을 포함한다.
표준화유닛(111)은 발전소(300)로부터 수집된 과거 데이터의 다수의 센싱데이터 각각을 태깅(tagging)하여 표준화할 수 있다. 또한, 표준화유닛(111)은 발전소(300)의 다수의 발전설비들 각각에 적어도 하나의 센싱데이터가 매칭되도록 태깅하여 다수의 센싱데이터 각각을 표준화할 수 있다. 이때, 다수의 발전설비들 각각에 대한 설비정보 역시 센싱데이터에 대응되도록 표준화될 수 있다.
분석유닛(112)은 표준화된 데이터를 분석할 수 있다. 분석유닛(112)은 다수의 발전설비들 각각과 표준화된 데이터의 상관관계를 분석할 수 있다. 분석유닛(112)은 분석 결과에 기초하여 발전설비 별로 발생되는 센싱데이터를 정의할 수 있다.
또한, 분석유닛(112)은 발전소(300)의 과거 기동이력정보 및 과거 고장이력 정보 중 적어도 하나와 표준화된 데이터의 상관관계를 분석할 수 있다. 분석유닛(112)은 분석결과에 기초하여 발전설비의 기동 환경에 따라 발생되는 센싱데이터를 정의할 수 있다. 다시 말해, 분석유닛(112)은 발전설비의 정상기동 환경에서 발생되는 센싱데이터 및 발전설비의 고장발생 환경에서 발생되는 센싱데이터를 각각 정의할 수 있다. 이때, 기 정의된 발전설비 별 발생되는 센싱데이터가 참조될 수 있다.
저장유닛(113)은 분석유닛(112)의 분석 결과에 따른 다수의 표준화 된 데이터, 즉 표준화된 센싱데이터를 과거 센싱데이터로 저장할 수 있다. 저장유닛(113)은 다수의 데이터를 발전설비 별로 저장하거나 발전설비의 고장 별로 저장할 수 있다.
도 1 및 도 3을 참조하면, 학습데이터 생성모듈(120)은 전처리모듈(110)의 저장유닛(113)에 저장된 다수의 데이터에 기초하여 학습데이터를 생성할 수 있다. 학습데이터는 시계열 기반의 센싱데이터로 생성될 수 있다. 학습데이터 생성모듈(120)은 제1학습데이터 생성유닛(210) 및 제2학습데이터 생성유닛(220)을 포함할 수 있다. 여기서, 제1학습데이터는 다수의 과거 데이터, 즉 표준화 된 과거 센싱데이터에 기초하여 생성되는 발전소(300)의 실제 기동 환경에 따른 학습데이터이고, 제2학습데이터는 다수의 과거 데이터에 기초하여 구축된 가상발전소의 기동에 따라 생성되는 가상 기동 환경의 학습데이터일 수 있다. 학습데이터 생성모듈(120)은 제1학습데이터와 제2학습데이터를 포함하는 통합 학습데이터를 생성할 수 있다.
제1학습데이터 생성유닛(210)은 데이터추출부(211), 변위발생부(213) 및 제1학습데이터 생성부(215)를 포함할 수 있다.
데이터추출부(211)는 전처리모듈(110)로부터 다수의 과거 데이터, 즉 다수의 과거 센싱데이터를 추출할 수 있다.
제1학습데이터 생성부(215)는 데이터추출부(211)에 의해 추출된 다수의 과거 데이터를 분석하고, 분석 결과에 기초하여 발전설비의 기동 환경에 따른 하나 이상의 데이터를 추출할 수 있다. 제1학습데이터 생성부(215)는 추출된 데이터에 기초하여 발전설비의 기동 환경 별로 하나 이상의 제1학습데이터를 생성할 수 있다.
여기서, 제1학습데이터 생성부(215)는 추출된 과거 데이터에 기초하여 발전설비의 정상기동 환경에 따른 제1학습데이터를 생성할 수 있다. 또한, 제1학습데이터 생성부(215)는 추출된 과거 데이터에 기초하여 발전설비의 고장발생 환경에 따른 제1학습데이터를 생성할 수 있다.
한편, 제1학습데이터 생성부(215)에서 생성되는 제1학습데이터는 발전설비의 정상기동 환경에 따른 데이터의 비중이 발전설비의 고장발생 환경에 따른 데이터의 비중보다 상대적으로 높다. 이는, 통상의 발전소(300)에서 수집된 과거 센싱데이터가 대부분 발전소(300)의 정상 기동에 대응되는 데이터이기 때문이다. 이에, 본 실시예의 학습데이터 생성모듈(120)은 후술될 제2학습데이터 생성유닛(220)을 통해 발전설비의 다양한 고장발생 환경에 따른 학습데이터를 생성할 수 있다. 이는, 추후에 도면을 참조하여 좀 더 구체적으로 설명한다.
변위발생부(213)는 데이터추출부(211)에서 추출된 과거 데이터에 변위를 발생시켜 변위 데이터를 생성할 수 있다. 변위발생부(213)는 기 설정된 변위 값을 이용하여 과거 데이터의 값을 소정 증가 또는 감소시켜 변위 데이터를 생성할 수 있다. 이에, 제1학습데이터 생성부(215)는 변위발생부(213)의 변위 데이터, 즉 값이 변화된 과거 데이터를 이용하여 추가로 제1학습데이터를 생성할 수 있다.
이와 같이, 본 실시예의 제1학습데이터 생성유닛(210)은 전처리모듈(110)에 저장된 발전소(300)의 과거 데이터로부터 하나 이상의 제1학습데이터를 생성하고, 상기 과거 데이터의 값을 소정 범위로 변경하여 추가적으로 제1학습데이터를 생성할 수 있다. 따라서, 제1학습데이터 생성유닛(210)은 다수의 제1학습데이터를 생성할 수 있다.
제2학습데이터 생성유닛(220)은 물리적 형태의 발전소(300)를 논리적 형태로 모델링하여 가상발전소를 구축하고, 이를 다양한 환경으로 기동시켜 다수의 제2학습데이터를 생성할 수 있다. 제2학습데이터 생성유닛(220)에서 생성되는 제2학습데이터는 발전설비의 정상기동 환경에 따른 데이터의 비중보다 발전설비의 고장발생 환경에 따른 데이터의 비중이 상대적으로 높다. 이는, 앞서 설명된 제1학습데이터 생성유닛(210)에서 발전소(300)의 정상기동 환경에 따른 다수의 제1학습데이터가 주로 생성되기 때문이다. 그러나, 제2학습데이터 생성유닛(220)에서도 발전소(300)의 정상기동 환경에 따른 다수의 제2학습데이터가 생성될 수도 있다.
제2학습데이터 생성유닛(220)은 모델링부(221), 시나리오 생성부(222), 시뮬레이션부(223), 데이터 분석부(224) 및 제2학습데이터 생성부(225)를 포함할 수 있다.
모델링부(221)는 발전소(300)에서 제공된 발전설비 정보에 기초하여 다수의 발전설비들 각각을 모델링함으로써 가상발전소를 구축할 수 있다. 또한, 모델링부(221)는 구축된 가상발전소의 기동을 제어할 수 있는 가상의 기동제어시스템을 함께 구축할 수 있다.
구축되는 가상발전소는 실제 발전소(300)와 거의 동일한 기동을 해야 하며, 특히 실제 발전소(300)에서 추출되는 센싱데이터와 동일 위치에서 데이터, 즉 가상 센싱데이터가 추출되어야 한다. 따라서, 모델링부(221)는 발전설비의 모델링과 함께 센싱데이터가 추출되는 센싱 포인트에 대한 모델링을 수행하여 가상발전소를 구축할 수 있다. 여기서, 가상발전소에 구축되는 센싱 포인트는 가상발전소의 발전설비 각각에 하나 이상 구비되는 가상 센서의 센싱 포인트 및 발전설비의 적어도 하나의 가상 로직의 센싱 포인트를 포함할 수 있다.
도 9는 본 발명의 실시예에 따른 학습데이터 생성장치에서 센싱데이터를 추출하는 예를 나타내는 예시도이다.
도 9를 참조하면, 모델링부(221)에 의해 발전소(300)의 다수의 발전설비들 중에 밸브설비에 대한 모델링을 수행할 수 있다. 밸브설비는 밸브(valve) 및 이의 동작을 제어할 수 있는 로직, 예컨대 밸브 컨트롤러(V-CNT) 및 합성기(Coupler)를 포함할 수 있다.
이때, 모델링부(221)는 밸브설비로 입력되는 신호들, 예컨대 입력신호(Sig#1), 기준신호(Ref) 및 선행신호(Sig#2)를 각각 센싱할 수 있도록 가상 센서들(미도시)을 함께 모델링할 수 있다. 이에 따라, 모델링 된 밸브설비에는 가상 센서들 각각의 신호를 감지할 수 있는 하나 이상의 센서 센싱 포인트, 예컨대 제1센싱 포인트(SP#1), 제2센싱 포인트(SP#2) 및 제4센싱 포인트(SP#4)가 모델링되어 구성될 수 있다.
또한, 모델링부(221)는 밸브설비의 로직에서 출력되는 신호들을 각각 센싱할 수 있도록 모델링할 수 있다. 이에 따라, 모델링 된 밸브설비에는 밸브 컨트롤러(V-CNT) 및 합성기(Coupler) 각각의 출력을 감지할 수 있는 하나 이상의 로직 센싱 포인트, 예컨대 제3센싱 포인트(SP#3) 및 제5센싱 포인트(SP#5)가 모델링되어 구성될 수 있다.
이와 같이, 모델링부(221)는 물리적 형태의 다수의 발전설비들 각각을 논리적 형태로 모델링하여 가상발전소를 구축하되, 각 설비에 하나 이상의 센서 센싱 포인트 및 로직 센싱 포인트를 구성함으로써, 모델링 된 발전설비로부터 하나 이상의 센서 센싱데이터 및 로직 센싱데이터가 추출될 수 있다.
여기서, 센서 센싱데이터는 발전설비로 입력되는 신호의 정상 또는 비정상을 판단하기 위한 데이터이다. 또한, 로직 센싱데이터는 발전설비로 입력되는 신호의 정상 또는 비정상의 판단과 함께 발전설비의 로직에 대하여 정상 또는 비정상을 판단하기 위한 데이터이다.
다시 도 1 및 도 3을 참조하면, 제2학습데이터 생성유닛(220)의 시나리오 생성부(222)는 모델링부(221)에 의해 구축된 가상발전소의 기동을 위한 다양한 기동 시나리오를 생성할 수 있다.
*시나리오 생성부(222)는 발전소(300)에서 제공되는 과거 기동이력 정보에 기초하여 적어도 하나의 기동 시나리오를 생성할 수 있다. 또한, 시나리오 생성부(222)는 기 생성된 기동 시나리오를 파생시켜 다수의 기동 시나리오를 생성할 수 있다.
시나리오 생성부(222)에서 생성되는 기동 시나리오 및 이로부터 파생된 기동 시나리오는 가상발전소의 기동 환경 별로 생성될 수 있다. 예컨대, 시나리오 생성부(222)에서 생성되는 기동 시나리오는 가상발전소의 정상기동 환경의 기동 시나리오 및 가상발전소의 고장발생 환경의 기동 시나리오를 포함할 수 있다. 이때, 시나리오 생성부(222)는 앞서 설명된 제1학습데이터 생성유닛(210)에서 생성되는 제1학습데이터를 고려하여 가상발전소의 고장발생 환경의 기동 시나리오를 정상기동 환경의 기동 시나리오보다 큰 비율로 생성할 수 있다.
시뮬레이션부(223)는 시나리오 생성부(222)에서 생성된 기동 시나리오에 기초하여 가상발전소를 가상 기동할 수 있다.
데이터 분석부(224)는 시뮬레이션부(223)에 의해 기동되는 가상발전소의 하나 이상의 센싱 포인트로부터 다수의 센싱데이터를 추출하고, 추출된 센싱데이터를 검증할 수 있다. 데이터 분석부(224)는 센싱데이터의 검증에 따라 가상발전소의 고장을 판단할 수 있다.
앞서, 가상발전소에는 하나 이상의 센서 센싱 포인트 및 하나 이상의 로직 센싱 포인트가 구비된다고 설명하였다. 데이터 분석부(224)는 각 센싱 포인트로부터 추출되는 센서 센싱데이터 및 로직 센싱데이터를 소정의 기준값에 기초하여 분석함으로써 가상발전소의 고장을 판단할 수 있다. 여기서, 기준값은 발전소(300)의 정상기동 환경에서 추출된 데이터 값일 수 있다. 기준값은 시뮬레이션부(223)에 의해 가상발전소가 정상 기동될 때 출력되는 센싱데이터로부터 설정되거나 또는 발전소(300)에서 제공된 과거 데이터 중에서 정상 기동 시의 센싱데이터로부터 설정될 수 있다.
제2학습데이터 생성부(225)는 데이터 분석부(224)의 검증에 따라 가상발전소의 고장이 발생된 것으로 판단된 경우에 해당되는 센싱데이터로부터 제2학습데이터, 즉 가상 학습데이터를 생성할 수 있다. 이때 생성되는 제2학습데이터는 가상발전소의 고장 발생 환경에 따른 학습데이터일 수 있다.
이때, 데이터 분석부(224)의 검증에 따라 가상발전소의 고장이 발생되지 않은 것으로 판단된 경우에는, 시나리오 생성부(222)에 의해 해당 기동 시나리오가 수정될 수 있다.
또한, 가상발전소의 고장 발생이 아닌 것으로 판단된 경우에, 제2학습데이터 생성부(225)는 해당되는 센싱데이터에 기초하여 가상발전소의 정상 기동 환경에 따른 제2학습데이터를 생성할 수도 있다.
상술한 바와 같이, 본 실시예의 학습데이터 생성모듈(120)은 발전소(300)의 과거 데이터로부터 하나 이상의 제1학습데이터를 생성하고, 가상발전소의 구축에 따라 하나 이상의 제2학습데이터를 생성할 수 있다. 그리고, 학습데이터 생성모듈(120)은 생성된 제1학습데이터 및 제2학습데이터를 통합하여 통합 학습데이터로 출력할 수 있다.
도 1 및 도 4를 참조하면, 데이터 변환 및 통합모듈(130)은 학습데이터 생성모듈(120)에서 생성된 통합 학습데이터, 즉 다수의 제1학습데이터 및 제2학습데이터 각각을 변환하고, 변환된 학습데이터의 상호 관계를 판단하여 그룹화할 수 있다. 데이터 변환 및 통합모듈(130)은 데이터 변환유닛(131) 및 데이터 통합유닛(133)을 포함할 수 있다.
데이터 변환유닛(131)은 학습데이터 생성모듈(120)로부터 제공되는 학습데이터의 유효성을 분석하고, 분석 결과에 기초하여 학습데이터를 변환할 수 있다. 데이터 변환유닛(131)은 분석된 학습데이터를 소정의 이미지데이터로 변환할 수 있다. 예컨대, 학습데이터는 시계열 기반의 센싱데이터일 수 있다. 데이터 변환유닛(131)은 시계열 기반의 데이터를 2차원 또는 3차원 이미지데이터로 변환할 수 있다.
데이터 통합유닛(133)은 변환된 학습데이터를 그룹화할 수 있다. 데이터 통합유닛(133)은 학습데이터의 상호 관계를 판단하고, 판단 결과에 따라 발전설비의 종류 또는 고장 종류에 따라 학습데이터를 그룹화할 수 있다.
다시 말해, 통합 학습데이터는 실제 데이터인 제1학습데이터 및 가상 데이터인 제2학습데이터를 포함할 수 있다. 데이터 통합유닛(133)은 실제 데이터 및 가상 데이터의 여부에 관계없이 제1 및 제2학습데이터를 발전설비의 종류 또는 발전설비의 고장 종류에 따른 데이터를 그룹화하여 통합시킬 수 있다.
적재모듈(140)은 데이터 변환 및 통합모듈(130)에 의해 변환되어 그룹화 된 학습데이터를 적재할 수 있다.
상술한 바와 같이, 본 실시예에 따른 학습데이터 생성장치(100)는 발전소(300)에서 수집된 실제 기동에 따른 과거 데이터로부터 실제 학습데이터 및 가상 학습데이터를 각각 생성하고, 이들을 발전설비의 종류별로 통합하거나 또는 발전설비의 고장 종류별로 통합하여 적재할 수 있다. 이에, 학습데이터 생성장치(100)가 구비되는 발전소 고장예측 및 진단시스템의 학습모델에 발전소 기동 환경별 다양한 학습데이터를 제공할 수 있어 발전소의 고장 예측 및 진단을 위한 학습모델의 학습 효율을 높일 수 있다.
또한, 학습데이터 생성장치(100)는 실제 학습데이터를 생성하기 위한 과거 데이터 값에 변위를 주어 실제 환경의 학습데이터 수를 증가시킬 수 있다. 또한, 학습데이터 생성장치(100)는 가상 학습데이터를 생성하기 위해 실제 발전소(300)와 동일한 가상발전소를 구축하고, 다양한 시나리오에 따라 가상발전소를 기동시킴으로써 가상 환경의 학습데이터 수를 증가시킬 수 있다. 이에, 학습데이터 생성장치는 발전소(300)의 다양한 기동 환경에 따른 다수의 학습데이터를 생성하여 학습모델에 제공할 수 있어 학습모델의 학습 효율을 더욱 높일 수 있다.
도 5는 본 발명의 실시예에 따른 학습데이터 생성방법을 나타내는 도면이고, 도 6 내지 도 8은 도 5의 각 단계별 구체적인 방법을 나타내는 도면들이다. 이하, 설명의 편의를 위하여, 앞서 설명된 도 1 내지 도 4를 함께 참조하여 설명하기로 한다.
도 5 및 도 6을 참조하면, 전처리모듈(110)은 발전소(300)에서 제공되는 과거 데이터에 기초하여 데이터의 표준화를 수행하고, 이를 분석하여 저장할 수 있다(S10).
전처리모듈(110)의 표준화유닛(111)은 발전소(300)에서 제공된 발전설비 정보에 기초하여 다수의 발전설비들 각각이 과거 데이터의 센싱데이터에 대응되도록 표준화할 수 있다(S111). 또한, 표준화유닛(111)은 과거 데이터의 다수의 센싱데이터 각각을 태깅하고, 이들이 발전설비 별로 매칭되도록 표준화할 수 있다(S112).
이어, 분석유닛(112)은 표준화 된 데이터에서 발전설비와 센싱데이터 간의 연관성을 분석하고, 분석 결과에 기초하여 발전설비 별로 발생되는 센싱데이터를 정의할 수 있다(S113).
또한, 분석유닛(112)은 발전소(300)에서 제공된 과거 기동이력 정보 및 고장이력 정보에 기초하여 발전소(300)의 기동 상황 별로 발전설비와 센싱데이터 간의 연관성을 분석하고, 분석 결과에 기초하여 발전설비의 기동 환경에 따라 발생되는 센싱데이터를 정의할 수 있다(S114).
계속해서, 저장유닛(113)은 분석된 다수의 표준화된 과거 데이터를 발전설비 별 또는 발전설비의 고장 별로 과거 센싱데이터로 저장할 수 있다(S115).
도 5 및 도 7을 참조하면, 학습데이터 생성모듈(120)의 제1학습데이터 생성유닛(210)은 전처리모듈(110)에 저장된 과거 센싱데이터를 추출하여 실제 학습데이터, 즉 제1학습데이터를 생성할 수 있다(S20).
제1학습데이터 생성유닛(210)의 데이터추출부(211)는 표준화되어 저장된 다수의 과거 센싱데이터를 추출하고(S211), 제1학습데이터 생성부(215)는 추출된 과거 센싱데이터에 기초하여 하나 이상의 제1학습데이터를 생성할 수 있다(S212). 여기서, 제1학습데이터는 대부분 발전소(300)의 정상기동 환경에 따른 학습데이터일 수 있다.
계속해서, 변위발생부(213)는 앞서 데이터추출부(211)에서 추출된 과거 센싱데이터의 값을 소정 범위로 변경시킬 수 있다(S213). 이어, 제1학습데이터 생성부(215)는 값이 변경된 과거 센싱데이터를 이용하여 제1학습데이터를 추가 생성함으로써 제1학습데이터의 수를 증가시킬 수 있다(S214).
도 5 및 도 8을 참조하면, 학습데이터 생성모듈(120)의 제2학습데이터 생성유닛(220)은 발전소(300)에서 수집된 과거 데이터에 기초하여 가상 학습데이터, 즉 제2학습데이터를 생성할 수 있다(S30).
제2학습데이터 생성유닛(220)의 모델링부(221)는 과거 데이터의 발전설비 정보에 기초하여 물리적 형태의 다수의 발전설비들을 논리적으로 모델링하여 가상발전소를 구축할 수 있다(S311).
이때, 모델링부(221)는 가상발전소로부터 하나 이상의 센서 센싱데이터 및 로직 센싱데이터가 추출되도록 다수의 발전설비들 각각에 하나 이상의 센싱 포인트를 구비하여 모델링을 수행할 수 있다. 여기서, 하나 이상의 센싱 포인트는 가상 센서의 센싱 포인트 및 가상 로직의 센싱 포인트를 포함할 수 있다.
제2학습데이터 생성유닛(220)의 시나리오 생성부(222)는 발전소(300)의 과거 기동이력 정보에 기초하여 가상발전소에 대한 기동 시나리오를 생성할 수 있다. 이어, 시나리오 생성부(222)는 생성된 기동 시나리오를 다수 개로 파생시켜 다수의 기동 시나리오를 생성할 수 있다(S312).
여기서, 시나리오 생성부(222)는 과거 기동이력 정보에 기초하여 가상발전소의 각 발전설비에 대한 하나 이상의 입력데이터를 설정하고, 설정된 입력데이터에 기초하여 기동 시나리오를 생성할 수 있다. 또한, 시나리오 생성부(222)는 설정된 입력데이터의 값을 소정 범위 내에서 조정함으로써, 기 생성된 기동 시나리오로부터 다수 개로 파생되는 기동 시나리오를 생성할 수 있다. 즉, 시나리오 생성부(222)는 과거 기동이력 정보로부터 적어도 하나의 기동 시나리오를 생성하고, 생성된 각 기동 시나리오의 데이터 값을 조절하여 다수개의 기동 시나리오를 생성하게 된다.
이어, 시뮬레이션부(223)는 시나리오 생성부(222)에서 생성된 다수의 기동 시나리오를 순차적으로 적용하여 가상발전소를 기동할 수 있다. 그리고, 데이터 분석부(224)는 기동되는 가상발전소의 다수의 센싱 포인트로부터 다수의 센싱데이터를 추출할 수 있다(S313).
추출되는 센싱데이터는 하나 이상의 센서 센싱데이터 및 하나 이상의 로직 센싱데이터를 포함할 수 있다. 센서 센싱데이터 및 로직 센싱데이터는 발전설비에 입력되거나 또는 발전설비로부터 출력되는 데이터의 정상 또는 비정상 여부를 판단하거나 발전설비의 로직 입력 또는 로직 출력에 따른 데이터의 정상 또는 비정상 여부를 판단하기 위한 것이다.
계속해서, 데이터 분석부(224)는 추출된 센싱데이터를 분석하여 가상발전소의 고장 발생 여부를 판단할 수 있다(S314). 이때, 데이터 분석부(224)는 추출된 센싱데이터를 소정의 기준 값, 예컨대 발전소의 정상기동에 의해 추출되는 센싱데이터 값과 비교하여 가상발전소의 고장을 판단할 수 있다.
데이터 분석부(224)에 의해 가상발전소의 고장 발생이 판단되면, 제2학습데이터 생성부(225)는 추출된 센싱데이터로부터 가상 학습데이터를 생성할 수 있다(S315). 상기 가상 학습데이터는 발전소의 고장발생 환경에 따른 학습데이터일 수 있다.
반면, 데이터 분석부(224)에 의해 가상발전소의 고장 발생이 아닌 것으로 판단되면, 시나리오 생성부(222)는 해당 기동 시나리오의 다수의 데이터 값을 수정할 수 있다(S316).
그리고, 시뮬레이션부(223)에서 수정된 기동 시나리오에 기초하여 가상발전소를 재 기동하고, 이에 따라 추출되는 센싱데이터를 데이터 분석부(224)가 재 분석함으로써 가상발전소의 고장 발생 여부를 다시 판단할 수 있다.
한편, 가상발전소의 고장 발생이 아닌 것으로 판단되었을 때, 제2학습데이터 생성부(225)는 해당 센싱데이터로부터 가상 학습데이터를 생성할 수도 있다. 이때 생성되는 가상 학습데이터는 발전소의 정상기동 환경에 따른 학습데이터일 수 있다.
학습데이터 생성모듈(120)에 의해 실제 및 가상의 학습데이터가 생성되면, 데이터 변환 및 통합모듈(130)은 기 생성된 학습데이터를 변환하고, 이들의 상호 관계를 판단하여 그룹화할 수 있다(S40). 이어, 적재모듈(140)은 그룹화되어 통합된 학습데이터를 적재할 수 있다(S50).
상술한 바와 같이, 본 실시예에 따른 학습데이터 생성방법은, 발전소(300)에서 수집된 과거 데이터로부터 실제 학습데이터 및 가상 학습데이터를 각각 생성하고, 이들을 발전설비의 종류별 또는 발전설비의 고장 종류별로 통합하여 적재할 수 있다. 이에, 발전소 고장예측 및 진단시스템의 학습모델에 발전소 기동 환경 별로 다양한 학습데이터를 제공할 수 있어 발전소의 고장 예측 및 진단을 위한 학습모델의 학습 효율을 높일 수 있다.

Claims (16)

  1. 발전소로부터 수집된 과거 데이터를 표준화하고, 표준화 된 데이터를 분석하여 과거 센싱데이터를 저장하는 전처리모듈;
    상기 전처리모듈로부터 상기 과거 센싱데이터를 추출하여 상기 발전소의 기동 환경 별로 하나 이상의 제1학습데이터를 생성하는 제1학습데이터 생성유닛; 및
    상기 과거 데이터에 기초하여 가상발전소를 구축하고, 상기 가상발전소의 기동을 시뮬레이션하여 상기 발전소의 기동 환경 별로 하나 이상의 제2학습데이터를 생성하는 제2학습데이터 생성유닛을 포함하는 학습데이터 생성장치.
  2. 제1항에 있어서,
    상기 제1학습데이터 생성유닛은,
    상기 과거 센싱데이터의 값을 변화시키는 변위발생부를 더 포함하고,
    상기 제1학습데이터 생성유닛은,
    값이 변화된 과거 센싱데이터로부터 상기 제1학습데이터를 추가로 생성하는 것을 특징으로 하는 학습데이터 생성장치.
  3. 제1항에 있어서,
    상기 제2학습데이터 생성유닛은,
    상기 과거 데이터에 기초하여 상기 가상발전소를 구축하는 모델링부;
    상기 과거 데이터에 기초하여 상기 가상발전소에 대한 적어도 하나의 기동 시나리오를 생성하는 시나리오 생성부;
    상기 기동 시나리오에 따라 기동되는 상기 가상발전소로부터 하나 이상의 센싱데이터를 추출하고, 추출된 상기 센싱데이터를 분석하여 상기 가상발전소의 고장 발생을 판단하는 데이터 분석부; 및
    상기 데이터 분석부의 판단 결과에 기초하여 해당 센싱데이터로부터 상기 제2학습데이터를 생성하는 제2학습데이터 생성부를 포함하는 것을 특징으로 하는 학습데이터 생성장치.
  4. 제3항에 있어서,
    상기 센싱데이터는,
    상기 가상발전소의 다수의 발전설비 각각에서 추출되는 하나 이상의 센서 센싱데이터 및 하나 이상의 로직 센싱데이터를 포함하는 것을 특징으로 하는 학습데이터 생성장치.
  5. 제3항에 있어서,
    상기 시나리오 생성부는,
    상기 데이터 분석부의 판단 결과에 기초하여 해당 기동 시나리오를 수정하는 것을 특징으로 하는 학습데이터 생성장치.
  6. 제3항에 있어서,
    상기 시나리오 생성부는,
    기 생성된 상기 기동 시나리오의 데이터 값을 변화시켜 각 기동 시나리오로부터 파생된 다수의 기동 시나리오를 생성하는 것을 특징으로 하는 학습데이터 생성장치.
  7. 제1항에 있어서,
    상기 발전소의 기동 환경은 정상기동 환경 및 고장발생 환경을 포함하고,
    상기 제1학습데이터는 상기 정상기동 환경에 대응되는 데이터의 비중이 높고, 상기 제2학습데이터는 상기 고장발생 환경에 대응되는 데이터의 비중이 높은 것을 특징으로 하는 학습데이터 생성장치.
  8. 제1항에 있어서,
    상기 전처리모듈은,
    상기 과거 데이터의 센싱데이터 각각을 표준화하고, 표준화된 센싱데이터와 상기 발전소의 발전설비 간의 상관관계를 분석하며, 분석 결과에 따라 상기 표준화 된 센싱데이터를 상기 과거 센싱데이터로 저장하는 것을 특징으로 하는 학습데이터 생성장치.
  9. 제1항에 있어서,
    상기 제1학습데이터 및 상기 제2학습데이터를 변환하고, 변환된 학습데이터의 상호 관계를 판단하여 그룹화하는 데이터 변환 및 통합모듈; 및
    그룹화 된 학습데이터를 적재하는 적재모듈을 더 포함하는 것을 특징으로 하는 학습데이터 생성장치.
  10. 발전소에서 수집된 과거 데이터를 표준화하여 과거 센싱데이터로 저장하는 단계;
    상기 과거 센싱데이터를 추출하여 상기 발전소의 기동 환경 별로 하나 이상의 제1학습데이터를 생성하는 단계;
    상기 과거 데이터에 기초하여 가상발전소를 구축하고, 상기 가상발전소의 기동을 시뮬레이션하여 상기 발전소의 기동 환경 별로 하나 이상의 제2학습데이터를 생성하는 단계; 및
    상기 제1학습데이터 및 상기 제2학습데이터 각각을 변환하고, 변환된 학습데이터 간의 상호 관계를 판단하여 그룹화하며, 그룹화 된 학습데이터를 적재하는 단계를 포함하는 학습데이터 생성방법.
  11. 제10항에 있어서,
    상기 제1학습데이터를 생성하는 단계는,
    상기 과거 센싱데이터의 값을 변화시키는 단계; 및
    변화된 과거 센싱데이터를 이용하여 상기 제1학습데이터를 추가 생성하는 단계를 더 포함하는 것을 특징으로 하는 학습데이터 생성방법.
  12. 제10항에 있어서,
    상기 제2학습데이터를 생성하는 단계는,
    상기 과거 데이터에 기초하여 상기 가상발전소에 대한 하나 이상의 기동 시나리오를 생성하는 단계;
    상기 기동 시나리오에 기초하여 상기 가상발전소를 기동하고, 기동되는 상기 가상발전소로부터 하나 이상의 센싱데이터를 추출하는 단계; 및
    추출된 센싱데이터를 분석하여 상기 가상발전소의 고장 발생이 판단되면, 해당 센싱데이터로부터 상기 제2학습데이터를 생성하는 단계를 포함하는 것을 특징으로 하는 학습데이터 생성방법.
  13. 제12항에 있어서,
    상기 제2학습데이터를 생성하는 단계는,
    상기 가상발전소의 고장 발생이 아니라고 판단되면,
    해당 기동 시나리오를 수정하고, 수정된 기동 시나리오에 따라 상기 가상발전소를 재 기동하는 단계; 및
    재 기동되는 상기 가상발전소로부터 상기 센싱데이터를 추출하여 재 분석하는 단계를 더 포함하는 것을 특징으로 하는 학습데이터 생성방법.
  14. 제12항에 있어서,
    상기 센싱데이터는,
    상기 가상발전소의 다수의 발전설비 각각에서 추출되는 하나 이상의 센서 센싱데이터 및 하나 이상의 로직 센싱데이터를 포함하는 것을 특징으로 하는 학습데이터 생성방법.
  15. 제10항에 있어서,
    상기 과거 센싱데이터로 저장하는 단계는,
    상기 과거 데이터의 센싱데이터 각각이 상기 발전소의 발전설비에 적어도 하나 매칭되도록 표준화하는 단계; 및
    표준화 된 센싱데이터와 상기 발전설비 간의 상관 관계를 분석하여 상기 표준화 된 센싱데이터를 상기 과거 센싱데이터로 저장하는 단계를 포함하는 것을 특징으로 하는 학습데이터 생성방법.
  16. 제10항에 있어서,
    상기 발전소의 기동 환경은 정상기동 환경 및 고장발생 환경을 포함하고,
    상기 제1학습데이터는 상기 정상기동 환경에 대응되는 데이터의 비중이 높도록 생성되고, 상기 제2학습데이터는 상기 고장발생 환경에 대응되는 데이터의 비중이 높도록 생성되는 것을 특징으로 하는 학습데이터 생성방법.
PCT/KR2019/007853 2018-06-28 2019-06-28 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법 Ceased WO2020004996A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0075022 2018-06-28
KR1020180075022A KR102141677B1 (ko) 2018-06-28 2018-06-28 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법

Publications (1)

Publication Number Publication Date
WO2020004996A1 true WO2020004996A1 (ko) 2020-01-02

Family

ID=68987428

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/007853 Ceased WO2020004996A1 (ko) 2018-06-28 2019-06-28 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법

Country Status (2)

Country Link
KR (1) KR102141677B1 (ko)
WO (1) WO2020004996A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023172020A1 (ko) * 2022-03-10 2023-09-14 한국수력원자력 주식회사 인공지능을 이용하여 플랜트의 이상상태에 대한 조치사항을 제공하는 방법
CN118862320A (zh) * 2024-09-26 2024-10-29 上海创景信息科技股份有限公司 四余度飞管计算机的数字化仿真验证方法及系统

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102222734B1 (ko) * 2020-01-28 2021-03-04 (주)테크다스 가상센서를 이용한 제어 출력값 제공 시스템
KR102853298B1 (ko) * 2020-10-07 2025-08-29 한국전기연구원 고장 진단 시스템 및 그 방법
KR102496924B1 (ko) 2021-05-04 2023-02-07 한국남동발전 주식회사 고장예측모델을 기반으로 하는 예지보전 운영시스템
KR102496917B1 (ko) 2021-05-04 2023-02-07 한국남동발전 주식회사 고장예측모델을 기반으로 하는 고장 예측 시스템
KR102762671B1 (ko) * 2021-11-25 2025-02-06 한국원자력연구원 발전소 상태 예측 방법 및 장치, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램
KR102884976B1 (ko) * 2022-06-15 2025-11-11 국민대학교산학협력단 가상 리빙 랩을 이용하는 정수 시설 최적화 시스템 및 방법
KR102696597B1 (ko) 2023-12-15 2024-08-20 (주) 네오포스 발전소 회전설비의 진동 원인별 고장데이터 생성 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110184547A1 (en) * 2010-01-28 2011-07-28 Holcim (US), Inc. System for monitoring plant equipment
KR101734149B1 (ko) * 2016-11-16 2017-05-11 이엔테크놀로지 주식회사 에너지 저장 장치를 이용한 송전선 과부하 관리 방법
KR101770064B1 (ko) * 2016-05-23 2017-08-22 가천대학교 산학협력단 가상발전소 시뮬레이터 및 이에 의한 가상발전소 최적운영시뮬레이션 방법
JP2017192277A (ja) * 2016-04-17 2017-10-19 新電元工業株式会社 電力変換装置の診断方法
KR20180025757A (ko) * 2016-09-01 2018-03-09 주식회사 포스코아이씨티 연속공정용 대용량 데이터를 실시간으로 처리하기 위한 스마트팩토리 플랫폼

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003050631A (ja) * 2001-08-07 2003-02-21 Mitsui Eng & Shipbuild Co Ltd 異常診断システムの学習データ生成方法、異常診断システムの構築プログラム、異常診断プログラム、異常診断システムの構築装置および異常診断システム
KR101518720B1 (ko) 2015-02-15 2015-05-08 (주)부품디비 해양자원 생산장비의 예지보전을 위한 고장유형관리 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110184547A1 (en) * 2010-01-28 2011-07-28 Holcim (US), Inc. System for monitoring plant equipment
JP2017192277A (ja) * 2016-04-17 2017-10-19 新電元工業株式会社 電力変換装置の診断方法
KR101770064B1 (ko) * 2016-05-23 2017-08-22 가천대학교 산학협력단 가상발전소 시뮬레이터 및 이에 의한 가상발전소 최적운영시뮬레이션 방법
KR20180025757A (ko) * 2016-09-01 2018-03-09 주식회사 포스코아이씨티 연속공정용 대용량 데이터를 실시간으로 처리하기 위한 스마트팩토리 플랫폼
KR101734149B1 (ko) * 2016-11-16 2017-05-11 이엔테크놀로지 주식회사 에너지 저장 장치를 이용한 송전선 과부하 관리 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023172020A1 (ko) * 2022-03-10 2023-09-14 한국수력원자력 주식회사 인공지능을 이용하여 플랜트의 이상상태에 대한 조치사항을 제공하는 방법
CN118862320A (zh) * 2024-09-26 2024-10-29 上海创景信息科技股份有限公司 四余度飞管计算机的数字化仿真验证方法及系统

Also Published As

Publication number Publication date
KR20200001910A (ko) 2020-01-07
KR102141677B1 (ko) 2020-08-05

Similar Documents

Publication Publication Date Title
WO2020004994A1 (ko) 발전소 고장 예측 및 진단시스템과 그 방법
KR20200001910A (ko) 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법
CN117474357B (zh) 基于深度学习的配电房运维管理方法及系统
CN106844775B (zh) 航天器故障快速检测系统
US20200293394A1 (en) Interactive troubleshooting assistant
WO2019132112A1 (ko) 관리 대상 설비 이상 상태 모니터링 시스템
WO2018207973A1 (ko) 발전 설비의 자동 진단 시스템 및 자동 진단 방법
WO2020076081A1 (ko) 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법
WO2019177239A1 (ko) 구동부의 정밀 예지 보전방법
WO2022186461A1 (ko) 고급 심층 시간 클러스터링 모델 기반의 기계 고장 진단 시스템
WO2020076083A1 (ko) 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법
WO2020262841A2 (ko) 제어 출력신호를 통한 기기의 건전성 지수 검출방법
WO2020262845A1 (ko) 제어 출력신호를 통한 기기의 예지 보전방법
WO2019146849A1 (ko) 설비 진단 시스템을 이용한 설비 진단 방법
WO2024034984A1 (ko) 투석 중 저혈압 발생 예측 방법 및 그 시스템
US20190300030A1 (en) Method and apparatus for identifying faults for a technical system
WO2021033969A1 (en) Apparatus and method for detecting defective component using infrared camera
WO2023043215A1 (ko) 표준 운용 수준 평가 기반 산업 설비 운용 제어 장치 및 그 동작 방법
WO2023090876A1 (ko) 선제적 풍력발전 유지관리 시스템
WO2018044041A1 (ko) 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템
WO2021086002A1 (ko) 재난 안전형 스마트 수배전반 관리시스템
CN119400030B (zh) 用于火电机组人员实训的仿真考核系统
US20200293877A1 (en) Interactive assistant
KR20230038899A (ko) Ai 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템
WO2022146020A1 (ko) 회전기계의 결함을 종합적으로 진단하는 방법 및 시스템

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: 19824819

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19824819

Country of ref document: EP

Kind code of ref document: A1