WO2021071189A1 - 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 - Google Patents

중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 Download PDF

Info

Publication number
WO2021071189A1
WO2021071189A1 PCT/KR2020/013533 KR2020013533W WO2021071189A1 WO 2021071189 A1 WO2021071189 A1 WO 2021071189A1 KR 2020013533 W KR2020013533 W KR 2020013533W WO 2021071189 A1 WO2021071189 A1 WO 2021071189A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
analysis
heavy electric
electric machine
database
Prior art date
Application number
PCT/KR2020/013533
Other languages
English (en)
French (fr)
Inventor
이상훈
Original Assignee
팩트얼라이언스 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 팩트얼라이언스 주식회사 filed Critical 팩트얼라이언스 주식회사
Priority to CN202080006322.0A priority Critical patent/CN113167834A/zh
Publication of WO2021071189A1 publication Critical patent/WO2021071189A1/ko
Priority to US17/239,122 priority patent/US20210241544A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/346—Testing of armature or field windings
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/02—Registering or indicating working or idle time only
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to a heavy electric machine health analysis platform and an analysis method using the same.
  • Old heavy electric machines such as generators, transformers, and motors increase the probability of failure and insulation breakdown.
  • motors operated for more than 10 years account for most of the breakdown failures.
  • Many of the power plants and large-sized plants in operation have passed 10 years after completion, and heavy electric machines are already deteriorating.
  • Heavy electric machinery is an important device for power generation facility operation, causing serious problems such as power generation stop when it breaks down, and when insulation breakdown occurs, there are cases of loss of profits due to power supply failure, as well as recovery costs, and damage to surrounding facilities. have.
  • the current standard analysis method and system that evaluates based on data actually measured in the field is evaluated based on a fixed absolute standard for all heavy electric machines.
  • a fixed absolute standard for all heavy electric machines not only the characteristics of heavy electric machines of each manufacturer are different, but also the characteristics of heavy electric machines of the same manufacturer are different depending on the manufacturing time, and according to these characteristics, there is a disadvantage that it is difficult to predict failure with an absolute current standard analysis method.
  • the current standard analysis method or system evaluated in the field stores data separately and does not perform history management, it is inconvenient to manage health history data in various ways.
  • the present invention is to solve the above problems, to provide a heavy electric machine health analysis platform capable of predicting a failure time by managing various types of data related to a heavy electric machine test and using the same, and an analysis method using the same.
  • the heavy electric machine health analysis platform includes a sensor module 210, a data collection module 220 for collecting data from the sensor module 210, and data from the data collection module 220.
  • a data management module 400 that receives and manages the data
  • a database module 500 that records data received from the data management module 400, and the data recorded in the database module 500 are applied to diagnose the motor.
  • the diagnostic analysis module 600 is a trend-based analysis system 610 for diagnosing the soundness of the input data, and estimating and analyzing a predicted trend for each year in connection with the database of the database module 500.
  • a payment module 110 that can process payment between external users, a report and data management module 120 that collects/provides reports and data to external users, and a warning module 130 that warns the outside when an event occurs. ) May be further included.
  • the sensor module 210 includes a mounting sensor 211, a diagnostic equipment 212, and a system sensor 213 mounted on the heavy electric machine, and the data collection module 220 , A PI system 221 for collecting data of the mounted sensor 211, a general diagnostic system 222 linked with the diagnostic equipment 212, and a transducer 213 linked with the system sensor 213 It can be characterized by that.
  • the database module 500 includes an electric motor specification database 510, an insulation diagnosis database 520, a failure history database 530, an online sensor database 540, and a soundness determination database 550. It can be characterized by that.
  • the trend-based soundness analysis system 620 may be characterized by estimating a predicted trend for each year by estimating a target motor data parameter and a homogeneous heavy electric machine data parameter using the insulation diagnosis database 520. .
  • the deterioration prediction simulation analysis system 630 may be configured to include a simulation model and machine learning-based deterioration estimation modeling.
  • the unit distance is how far they are from the center point.
  • Distance is a method of measuring, and it may be characterized in that it is a modeling that determines normal and abnormal.
  • the independent variable of each individual data is an insulation resistance 1 minute measurement value, a polarity index determination value, a polarity index value, a dielectric loss tangent determination value, a dielectric loss tangent value, an AC current determination value, an AC current value, and a partial test. It may be characterized by a determination value and a partial discharge high voltage value.
  • the online sensor data analysis system 640 extracts a discharge pattern value from the online sensor data collected by the data collection module 220, and estimates a risk and a cause of occurrence according to the discharge pattern. It can be characterized.
  • the method for analyzing the health of the heavy electric machine includes the field diagnosis information input step (S100), the sensor module 210, and the data collection module 220 of receiving data collected in the field while the heavy electric machine is stopped starting.
  • the field diagnosis information input step (S100) is used to analyze the data
  • the trend-based soundness analysis step (S500) is the field diagnosis information input.
  • the analysis is performed using the data input in step S100 and the data of the heavy electric machine of the same kind as the field-diagnosed heavy electric machine
  • the deterioration prediction simulation analysis step (S600) includes the data input in the field diagnosis information input step (S100)
  • the analysis is performed using data of a heavy electric machine of the same type as the field-diagnosed heavy electric machine and data of a heavy electric machine of the same manufacturer and a similar period of the field-diagnosed heavy electric machine.
  • a time/day trend arrangement step (S212) a reference test and event test step (S213) of detecting an event by determining a sensor value first, and a warning step (S214) when an event occurs to generate a warning when an event occurs. It can be characterized by that.
  • the database built in the database construction step (S400) is a heavy electric machine specification database 510, an insulation diagnosis database 520, a failure history database 530, an online sensor database 540, a soundness determination database ( 550).
  • the trend-based health analysis step (S500) comprises the step of classifying basic information of heavy electric equipment using an insulation diagnosis database (S510), extracting the measurement result of the target heavy electric equipment (S520), reviewing the maintenance history (S530), Target motor data parameter estimation step (S540), homogeneous heavy electric motor data parameter estimation step using insulation diagnosis database (S550), machine learning-based parameter estimation step using insulation diagnosis database (S560), conformity test of the corresponding parameter using insulation diagnosis database It may be characterized in that it includes a step (S570), a predicted trend for each year (S580), a current criterion-based deterioration prediction step (S590), and the like.
  • the deterioration prediction simulation analysis step (S600) includes a heavy electric machine raw data analysis step (S610), a start/stop to which the online data collected in the online sensor data collection step (S200) is added, and an event occurrence weight analysis.
  • a machine learning-based deterioration estimation modeling (S680) after expressing each individual data in a unit space (MS)) based on the normal group center point, how far are they away from the center point? It may be characterized by forming a model for determining normality and abnormality by measuring a Mahalanobis Distance (MD).
  • MD Mahalanobis Distance
  • the independent variable of each individual data is an insulation resistance 1 minute measurement value, a polarity index determination value, a polarity index value, a dielectric loss tangent determination value, a dielectric loss tangent value, an AC current determination value, an AC current value, and a partial test. It may be characterized by a determination value and a partial discharge high voltage value.
  • the online sensor data analysis step (S700) extracts a discharge pattern value from the online sensor data collected in the online sensor data collection step (S200), and estimates the risk and the cause of occurrence according to the discharge pattern. It can be characterized by that.
  • the determination result data conversion step S900 may be further included to apply the result determined in the automatic determination step S800 of the diagnosis result to the database construction S500.
  • the simulation model generated in the insulation deterioration prediction simulation analysis step (S600) uses the data generated in the determination result data conversion step (S900), and is a model-data-driven approach. It can be characterized by being updated to a more sophisticated model by.
  • FIG. 1 is a conceptual diagram showing the configuration of a platform for analyzing the health of a heavy electric machine according to an embodiment of the present invention.
  • FIG. 2 is a conceptual diagram showing a part of the configuration of a platform for analyzing the health of a heavy electric machine according to another embodiment of the present invention.
  • FIG. 3 is a conceptual diagram showing the configuration of a platform for analyzing health of a heavy electric machine according to an embodiment of the present invention.
  • FIG. 4 is a conceptual diagram showing a part of the configuration of a platform for analyzing the health of a heavy electric machine according to another embodiment of the present invention.
  • FIG. 5 is a conceptual diagram showing a part of the configuration of a platform for analyzing the health of a heavy electric machine according to another embodiment of the present invention.
  • FIG. 6 is a conceptual diagram showing a part of the configuration of a platform for analyzing the health of a heavy electric machine according to another embodiment of the present invention.
  • FIG. 7 is a flowchart illustrating an analysis method of a platform for analyzing health of a heavy electric machine according to another embodiment of the present invention.
  • FIG. 8 is a flowchart illustrating determination of the current standard health of the analysis method of the health analysis platform for a heavy electric machine according to another embodiment of the present invention.
  • FIG. 9 is a conceptual diagram illustrating a database module applied to an analysis method of a health analysis platform for a heavy electric machine according to another embodiment of the present invention.
  • FIG. 10 is a flowchart illustrating trend-based health analysis among an analysis method of a health analysis system according to another embodiment of the present invention.
  • 11A and 11B are graphs showing models according to trend-based health analysis according to the embodiment of FIG. 10.
  • FIG. 12 is a flowchart illustrating a deterioration prediction simulation analysis of an analysis method of a health analysis system according to another embodiment of the present invention.
  • FIGS. 13A to 13C are flowcharts illustrating online sensor data analysis in an analysis method of a health analysis system according to another embodiment of the present invention.
  • FIG. 14 is a flowchart illustrating online sensor data analysis in an analysis method of a health analysis system according to another embodiment of the present invention.
  • 15 is a flowchart showing data conversion of a determination result in an analysis method of a health analysis system according to another embodiment of the present invention.
  • 1 is a conceptual diagram showing the configuration of a platform for analyzing the health of a heavy electric machine according to an embodiment of the present invention.
  • 2 is a conceptual diagram showing a part of the configuration of a platform for analyzing the health of a heavy electric machine according to another embodiment of the present invention.
  • the heavy electric machine health analysis platform 1000 is connected to a plurality of heavy electric machines 11, 12, 13, 14, 15 and measured through a direct input through a terminal or an online path. Or, receive collected data. In addition, it is connected with plant companies (21), health analysis testers (22), test equipment companies (23), experts (24), and other groups (25) to request for analysis, management, and payment related to payment and test results. Performs tasks such as data inquiry and analysis result inquiry based on.
  • the platform according to this embodiment allows companies participating in the health analysis of heavy electric machinery to share and manage data related to each device, and to conduct business processes according to health analysis within one platform, so that efficient data and analysis results are shared. In addition, it has the effect of being able to quickly proceed with necessary measures.
  • the motor health analysis platform 1000 includes a payment module 110, a report and data management module 120, and a warning module 130 in addition to components for a health analysis system to be described later. It includes more.
  • the plant company (21) can directly proceed with the test request through this platform, payment service through the economy module 110, data verification through the report and data management module 120, and expert advice (Action plan), artificial It is possible to provide solutions using intelligence, and through the functions provided on the platform, it is possible to perform and request expert education requests.
  • the tester 22 can secure public confidence of the test data according to expert and artificial intelligence evaluation by securing data through the report and data management module 120, and payment through the payment module 110 is possible.
  • the test company can secure a short-range test quantity by receiving a location-based order with information that can be obtained from the report and data management module 120.
  • the test equipment company 23 can also share accurate technical data by directly receiving data through the report and data management module 120.
  • the expert 24 may effectively input and acquire data through the report and data management module 120 and receive various alarms through the warning module 130.
  • the items of the heavy electric machine that can be tested in this embodiment are as follows.
  • the insulation diagnosis of generators, motors, and cables can be started by methods such as insulation resistance, polarity index, alternating current, dielectric loss tangent, partial discharge, etc., according to the diagnosis method applied in this embodiment to be described later. .
  • DGA insulation oil gas analysis
  • the transformer can further analyze PF (insulation deterioration), SFRA (mechanical deformation), and insulation moisture content measurement values.
  • the generator can additionally receive values of RSO (rotor short), ELCID (iron core integrity test), and Wedge Tightness (wedge test) in addition to insulation diagnosis. It is possible to receive input through a separate test equipment, or to receive values from field measurements together with data. In the case of using a separate test equipment, data is transmitted through a data file or a built API.
  • RSO rotor short
  • ELCID iron core integrity test
  • Wedge Tightness Wedge test
  • FIG. 3 is a conceptual diagram showing the configuration of a platform for analyzing health of a heavy electric machine according to an embodiment of the present invention.
  • the heavy electric machine health analysis platform 1000 collects data from the sensor module 210 and the sensor module 210, and when processing is necessary, a data collection module 220 that processes and transmits it.
  • An input terminal 230 a network communication module 310, 320, a data management module 400, a database module 500, a diagnostic analysis module 600, and a user terminal 240.
  • the sensor module 210 measures data representing the state of the heavy electric machine in the form of an individual sensor or a diagnostic device, and this is collected and processed by the data collection module 220.
  • the data collection module 220 is transmitted to the data management module 400 through the network communication module 310.
  • the measured values individually measured by the periodic diagnosis may be transmitted to the data management module 400 through the input terminal 230.
  • the data management module 400 classifies each data, transfers it to the database module 500, and stores it. Based on the stored data, health analysis is performed by applying each diagnosis algorithm of the diagnosis analysis module 600. These analysis results may be inquired through the user terminal 240, or a separate warning may be received when there is an abnormal state.
  • each component will be described in detail.
  • FIG. 4 is a conceptual diagram showing a part of the configuration of a platform for analyzing the health of a heavy electric machine according to another embodiment of the present invention.
  • the heavy electric machine health analysis platform simultaneously analyzes a plurality of electric motors.
  • a typical analysis system is connected to at least 30 motors and analyzes their integrity.
  • the sensor module 210 and the data collection module 220 are composed of a plurality of devices. These sensors may collect data from previously installed sensors, and in order to obtain data characteristic of historical data analysis, a system sensor may be additionally mounted to analyze data.
  • One heavy electric machine 100 is equipped with various types of on- and off-line sensors.
  • electric motors of power plants already have an on-line sensor 211 for measuring the internal winding temperature.
  • a PI System 221 for collecting and processing data from the mounted sensor 211 is built. The data must be requested/collected using a driver provided by the manufacturer.
  • on-line diagnostic equipment 212 other than sensors may be installed, and these devices are collecting data in their own way.
  • the driver or protocol document provided by the manufacturer must be present. These data can be obtained through the existing diagnosis system 222.
  • a separate system sensor 213 is included in this embodiment.
  • the system sensor 213 is configured in the health analysis system 1000 according to the present embodiment and is additionally mounted on the heavy electric machine 100.
  • the system sensor 213 collects data by the transducer 223.
  • the system sensor 213 may be a temperature sensor.
  • the analysis system 1000 of the present embodiment does not analyze data at a specific point in time, but analyzes the history of measured data to analyze soundness.
  • the temperature can be measured by sensing.
  • the data of these sensors is collected/processed separately from the existing system. Detailed sensing algorithms and analysis will be described later.
  • the database module 500 stores and manages insulation diagnosis data. It may be implemented by separating it with separate hardware, or it may be implemented by integrating it into the data management module 400.
  • the database module 500 may store information related to heavy electric equipment specifications such as a manufacturer/manufacturing date/serial number, a heavy electric machine insulation diagnosis result, a heavy electric machine failure/maintenance history, and a sensor measurement result. Including an automatic backup database, you can ensure that your data is protected from unexpected accidents.
  • the database module 500 builds various types of data transmitted from the sensor module 210 as a database, and applies these data to the history management system. This has the effect of preventing the occurrence of failures that may occur during operation in a system that manages the health of the heavy electric machine in a state where the heavy electric machine is regularly stopped.
  • FIG. 5 is a conceptual diagram showing a part of the configuration of a platform for analyzing the health of a heavy electric machine according to another embodiment of the present invention.
  • each of the network communication modules 310 and 320 may be individually implemented.
  • the network communication modules 310 and 320 may be implemented in various ways as a means for data communication of the system.
  • the communication network basically uses Ethernet, and an appropriate solution is applied according to the distance and data transmission amount, such as a general Ethernet hub or optical switch.
  • an appropriate solution is applied according to the distance and data transmission amount, such as a general Ethernet hub or optical switch.
  • a communication network capable of establishing a plurality of channels is configured.
  • the existing PI System 221, the existing diagnosis system 222, and the data management module 400 constitute a communication network through Ethernet, and the network router 312 Through the communication with the data management module 400.
  • the system sensor 213 communicates with the transducer 223 through optical communication, connects to the network router 312 through a separate Ethernet tube switch 311, and transmits data to the data management module 400.
  • field diagnosis data data is input on the input terminal 230 through an input interface by USB or a user's input, and the data is transmitted to the data management module 400 using Ethernet communication.
  • the network communication modules 310 and 320 must be able to collect data of each sensor at regular intervals.
  • the basic requirements of the network toe-in modules 310 and 320 are to be able to manage the data of 30 or more motors throughout the system, and to allow the data management module 400 to receive inputs of three or more channels, and the data management module 400 ) Should be enabled to use the Ethernet interface by default.
  • the main network is configured using an Ethernet hub, and an optical-Ethernet converter or an RS485-Ethernet converter is constructed under this hub.
  • the interface is selected in consideration of the installation environment, installation location, and data transmission rate of each sensor.
  • each data generated from the sensors is transmitted/received through a different protocol, and the input period and processing method are different for each data. Therefore, before data is transmitted from the data management module 400 to the database module 500, each data is received, the type of data is determined, and appropriate processing is performed accordingly to input the data to the database module 500.
  • the PI system, the existing diagnostic system, and the data collected from the system sensor are processed/analyzed to detect whether an event has occurred, and the data can be processed and input to the database module 500.
  • the data management module 400 receives data transmitted from the system sensor 213 and the transducer 223 mounted on the electric motor.
  • the collected data is based on temperature sensor (RTD or thermocouple) data, and when additionally collecting data for measuring the motor state, a separate transducer is added and connected to an Ethernet switch to be collected by the data management module 400.
  • the collection period is set to be collected once per second or once per minute or at regular intervals depending on the type of data.
  • the data management module 400 is installed indoors so that environmental resistance is not required, and the transducer 223 uses a product with environmental resistance such as an operating temperature range. Mounted by applying the housing.
  • FIG. 6 is a conceptual diagram showing a part of the configuration of a platform for analyzing the health of a heavy electric machine according to another embodiment of the present invention.
  • the diagnostic analysis module 600 mounts an insulation diagnosis algorithm, drives system software, and provides a user interface. Algorithms mounted in the diagnosis analysis module 600 are implemented by the current standard insulation diagnosis system 610, the trend-based health analysis system 620, the degradation prediction simulation analysis system 630, and the online sensor data analysis system 640, respectively. do.
  • the diagnostic analysis module 600 may drive a server client communication program to provide an interface for an administrator and an interface for a user. A detailed diagnosis algorithm will be described later.
  • FIG. 7 is a flow chart illustrating an analysis method of a platform for analyzing the health of a medium and low device according to another embodiment of the present invention.
  • the analysis method includes a field diagnosis information input step (S100) and an online sensor data collection step (S200), which is a data collection step, and a database construction step (S400) for organizing the database, and the integrity.
  • a database construction step (S400) for organizing the database, and the integrity.
  • an online data processing step (S210) for monitoring the occurrence and a determination result data conversion step (S900) to establish an additional database based on the diagnosis result are further added.
  • the field diagnosis information input step S100
  • the operation of the motor is stopped in the field, and data values directly measured in the periodic inspection to be performed are input.
  • the soundness of the motor is automatically diagnosed with field measurement data.
  • online sensor data collection step (S200) various types of data collected from the mounted sensor 211, the existing diagnostic equipment 212, and the system sensor 213 are collected.
  • An online data processing step (S210) capable of monitoring a separate event may be further included when a specific condition is met in the collection step.
  • the results analyzed in the current standard health analysis step (S300) and the data collected in the online sensor data collection step (S200) are comprehensively organized and organized.
  • the trend-based soundness analysis step (S500) the trend-based soundness is analyzed based on the data built in the database construction step (S400). In this case, by predicting the failure timing of the motor based on the trend-based analysis result, the necessary actions and the life of the motor are predicted.
  • a failure prediction and a state abnormality are analyzed using online data that is discontinuously and regularly collected.
  • the automatic determination step (S800) by synthesizing all of these diagnostic results, information on the health and abnormality information of the motor, and information on the timing of failure prediction are synthesized and determined.
  • the determined data is rebuilt in the database through the determination result data conversion step (S900) in order to build an additional database.
  • the current standard health analysis step (S300), trend-based health analysis step (S500), deterioration prediction simulation analysis step (S600), and online sensor data analysis step (S700) have the following stepwise analysis differences.
  • Diagnosis range and reference data for each analysis algorithm Requirements Analysis method Analysis data
  • Current standard soundness analysis step (S300) Conducting a health diagnosis of heavy electric motors by referring to the past diagnosis history of a single motor using the field insulation diagnosis result data Data measured after stopping the start of heavy electric machines in the field
  • Trend-based health analysis step (S500) Conduct trend-based soundness diagnosis by referring to the insulation diagnosis results of the same heavy electric machine from the diagnosis results of the insulation diagnosis database.
  • FIG. 8 is a flowchart illustrating determination of the current standard health of the analysis method of the health analysis platform for a heavy electric machine according to another embodiment of the present invention.
  • the partial discharge data analysis and evaluation algorithm based on the current standard is basically performed first.
  • the current judgment is to stop the heavy electric machine and measure the necessary data once, and then judge the health of the heavy electric machine.
  • the current standard health analysis step (S300) automatically performs a diagnosis based on the current KEPCO standard.
  • the current standard integrity analysis (S300) step includes a DC test analysis step (S310), an AC current test analysis step (S320), a dielectric loss tangent test analysis step (S330), and a partial discharge test analysis step (S340).
  • the polarity index test is a test that measures the change in current according to the application time by applying an AC voltage to an insulator.
  • the polarity index test is a test that measures the change in current according to the application time by applying an AC voltage to an insulator.
  • the insulation resistance of the motor windings varies according to the applied voltage and the applied time.
  • the polarity index the ratio of the insulation resistance at 1 minute after application of the test voltage and 10 minutes after application of the voltage. Therefore, by inputting the input insulation resistance for 1 minute and insulation resistance for 10 minutes, the polarity index is automatically calculated and the moisture absorption is determined.
  • Insulation resistance test is a test that measures the resistance when DC voltage is applied to the winding.
  • the insulation resistance test is performed to determine whether there is no problem even if a heavy electric machine such as a motor performs insulation diagnosis before performing the insulation diagnosis of the motor.
  • the method of measuring insulation resistance is to apply a DC voltage to the winding and measure the insulation resistance value 1 minute after the application, and the criterion should be 100 M ⁇ or more.
  • the degree of defects inside the winding is determined.
  • the increase in AC current is caused by the micro-gap inside the insulation and the gap between the winding and the slot.
  • the width of the alternating current increases rapidly. Whether the alternating current is defective or not is calculated by calculating the increase ratio of the leakage current to the applied voltage, and the criterion for defect determination is determined as normal when it is less than 8.5% based on 6.6kV.
  • the dielectric loss angle ⁇ is obtained from the ratio between the charging current Ic and the measured current I, expressed as tan ⁇ , and this value is called the dielectric loss tangent.
  • the dielectric loss tangent test is a test that measures the internal voids, contamination, and moisture absorption of an insulator. When an AC electric field is applied to the dielectric, if there is no defect or damage inside, only the charging current exists. However, in practice, frictional heat is generated due to losses due to leakage current and vibrations generated by electric fields, and if there are voids or defects in the insulating material, losses may occur due to partial discharge or the like. The degree of internal deterioration of the insulator is measured by the difference between the charging current and the actual current generated by this loss. Defect criteria is judged as normal when it is less than 6.5% based on 6.6kV.
  • partial discharge is determined.
  • the partial discharge test is a test that measures the degree of partial discharge occurring in the winding insulator when AC voltage is applied to measure the deterioration state inside the insulator.
  • defects in the insulator can be identified according to the discharge pattern measured during the test. If the size of the partial discharge pulse is large and the number of occurrences in the positive (+) portion of the AC cycle is large, the partial discharge occurs in the copper conductor, indicating that the insulating material and the conductor are separated.
  • the size of the partial discharge pulse is large and the size of the negative (-) pulse of the AC cycle is large, it indicates that a slot discharge occurs on the outer surface of the winding or the grading paint of the terminal winding is damaged. If the size and number of partial discharges in the positive and negative polarities are the same, this discharge almost indicates that the discharge occurs due to voids or delamination inside the main insulation.
  • the criterion for determining the defect of partial discharge should be 10,000pC or less based on 6.6kV.
  • On-site insulation diagnosis is the most reliable method, and it requires stopping the heavy electric machine. It is regularly implemented once every two years on average.
  • online diagnosis can be measured while the motor is running, and it can be used as an auxiliary indicator for detecting abnormalities and supplementing data between periodic diagnosis, and it is possible to automatically estimate the location of an abnormality with partial discharge pattern recognition. It is possible to detect whether an abnormality has occurred suddenly between the periodic diagnosis, and it prevents accidental breakdown. It is used in basic trend analysis for the purpose of increasing the predicted accuracy of future progress.
  • On-line sensor data is measured without turning off the heavy electric machine of the object in operation for a certain period of time as needed or planned. Insulation deterioration progresses gradually except for sudden causes of disturbances such as lightning, so 24-hour monitoring is unnecessary. It can be measured discontinuously in order to reduce the facility cost for signal lines, repeaters, etc. and facility management cost according to the facility.
  • the online data processing (S210) step includes a collection data classification step (S211), a time/daily trend analysis step (S212), a reference test and an event test step (S213), and an event warning step (S214) do.
  • the type of each target heavy electric machine of the sensor data collected online is classified. Since this analysis system utilizes the fact that the history of the motor is different for each manufacturer, it is important to accurately collect the source of the data. Therefore, the type of motor for each heavy electric motor is included in the data.
  • time/day trend organizing step (S212) the collected data is organized so that the trend can be analyzed for each time and day.
  • time and daily data trends are performed in the online sensor data analysis (S700), and in order to collect data based on this history, data is organized by time and daily and transmitted to the data management module 400.
  • a sensor value is primarily determined.
  • the occurrence of an event is recorded, and when an event occurs, a warning is made in the warning method set in the warning step (S214).
  • Alerts can be triggered by a set method.
  • FIG. 9 is a conceptual diagram illustrating a database module applied to an analysis method of a health analysis platform for a heavy electric machine according to another embodiment of the present invention.
  • the database module 500 registers data input in a predetermined format in an internal database. Data directly input by the user is converted in the user GUI executed in the data management module 400 and transmitted to the database.
  • the data of the sensors and the existing diagnosis system collected by the data management module 400 are classified according to types and transmitted in a predetermined format to a database to be registered.
  • the data input and managed by the database module 500 includes basic information such as a manufacturer, a serial number, a specification, and an installation location of the heavy electric machine; Breakdown, repair, and inspection history of heavy electric equipment; Offline insulation diagnostic measurement results; And online sensor measurement data, data patterns, and event occurrence data.
  • analysis result and analysis report for the motor determined by the algorithm are input back into the database module 500 in a predetermined classification format to be registered in the database.
  • the database in the database module 500 includes an electric motor specification database 510, an insulation diagnosis database 520, a failure history database 530, an online sensor database 540, and a soundness determination database 550.
  • the motor specification database 510 stores specifications of heavy electric motors such as items recorded on a motor name plate such as serial number, output, voltage, current, and number of revolutions.
  • Insulation diagnosis database 520 stores the results of on-site insulation diagnosis performed periodically.
  • the failure history database 530 records information on failures such as insulation breakdown occurring during operation of the motor.
  • the online sensor database 540 records various sensor data collected online.
  • the soundness determination database 550 records the result of analyzing the state of the electric motor through the algorithm of this embodiment.
  • a trend analysis is performed on the motor specification database 510, the insulation diagnosis database 520, and the failure history database 530.
  • the insulation diagnosis database 520, the failure history database 530, the online sensor database 540, and the health determination database 550 are used to predict deterioration of the heavy electric machine.
  • the database module 500 provides a function of input/change/delete data, a history inquiry and a function of attaching important files, and a history inquiry function of insulation diagnosis data.
  • FIG. 10 is a flowchart illustrating trend-based health analysis among an analysis method of a health analysis system according to another embodiment of the present invention.
  • Trend-based information analysis is conducted based on the results of the health analysis of the past heavy electric machinery. Therefore, the basic information of the heavy electric machine is classified and started using the insulation diagnosis database 520 (S510). Basic information and measurement results of the corresponding heavy electric machine are extracted from the insulation diagnosis database 520 (S520). In addition, failure information and maintenance history are reviewed in the failure history database 530 (S5230).
  • the parameter of the spinning type is estimated based on the target motor data (S540).
  • a task of estimating a parameter by using data of the heavy electric machine and the heavy electric machine of the same type stored in the insulation diagnosis database 520 is added (S550).
  • a machine learning-based parameter is thirdly estimated using the insulation diagnosis database 520 (S560).
  • the suitability of the finally estimated parameter is verified using the existing insulation diagnosis database 520 (S570).
  • the target heavy electric motor is the CIDF-A motor (LB139160081) of Dangjin Thermal Power Unit 8, which was manufactured by Hyosung in 2005.
  • the application of this data was conducted based on the partial discharge value.
  • the value of partial discharge of the motor is as follows.
  • the parameters were estimated without performing a random sample, and the data was estimated 5 years after the final measurement. Basically, it was estimated for the 1st, 2nd, and 3rd order functions.
  • data can generally be expressed in the form of a quadratic function, and parameters estimated from randomly selected data including the first measurement result and the last measurement result are also used to estimate deterioration in the next two years. Even serious errors do not occur.
  • FIGS. 9A and 9B are graphs showing a model according to a trend-based health analysis according to the embodiment of FIG. 8.
  • the trend analysis model of the heavy electric machine is completed, and the partial discharge value for the expected year can be derived by entering a year suitable for this model.
  • FIG. 12 is a flowchart illustrating a deterioration prediction simulation analysis of an analysis method of a health analysis system according to another embodiment of the present invention.
  • deterioration prediction simulation and lifetime prediction are performed.
  • a simulation model is generated from motor measurement data, and a preliminary simulation is performed based on the expected trend and weight for each year to check the suitability of the model. The process is as follows.
  • the raw data of the heavy electric machine is analyzed from this (S610).
  • the weight is analyzed by using the start/stop information and event occurrence information of the prime mover plus the online sensor data (S620).
  • On-line sensor data in particular, can include information on events in which a heavy electric machine suddenly stops starting or a failure occurs in this model.
  • a simulation model may be generated based on these two groups of data (S630).
  • the optimal parameter value of the model is adjusted (S640). It can perform a small preliminary simulation to determine its applicability and adjust the parameter optimal value. In particular, the more data applied to the simulation is prepared, the more sophisticated the model can be.
  • the simulation model is determined (S650).
  • the deterioration relationship of the corresponding prime mover is tracked (S660).
  • modeling is generated by applying this to machine learning (S680).
  • a conditional failure probability is estimated using the determined simulation model (S670), and the modeling is generated by applying the estimated value to machine learning (S680).
  • S680 uses the machine-learned deterioration estimation modeling (S680), when data matching a specific condition is input, a result value for determining whether the current state is normal or abnormal can be obtained. Can be judged.
  • a deterioration prediction simulation may be constructed using the two simulation models S650 and machine learning-based deterioration estimation modeling (S680) mentioned above (S690). Based on this model, it is possible to know when the corresponding measured values change (for example, individual values such as partial discharge values can be predicted with a simulation model), and the predicted values are modeled for deterioration estimation based on machine learning. Apply (S680) to determine normal and abnormal. This machine learning modeling will be described separately later.
  • deterioration prediction simulation is performed using the determined model.
  • the failure time is finally estimated through the deterioration prediction simulation, and a comprehensive diagnosis report is generated based on the estimation of the failure time and the result of the preventive maintenance recommendation (S800).
  • the diagnosis of the insulation state of heavy electric equipment through machine learning modeling is to distinguish between the data that received the general inspection opinion as good and the data that were judged as bad (attention, overhaul, insulation reinforcement, winding replacement).
  • a classification model is constructed using a multivariate data mining technique, and the optimal parameters of the model are selected by inputting preprocessed data.
  • an algorithm for diagnosing the insulation state of a motor through machine learning that can determine good or bad for a new input value in a specific state is created.
  • MTS The insulation state diagnosis algorithm through machine learning uses MTS based on the Mahalanobis distance and Taguchi quality engineering theory.
  • MTS expresses each individual data in a unit space (Mahalanobis Space (MS)) based on the normal group center point, and then calculates how far they are from the center point as a unit distance (Mahalanobis Distance (MD)) and classifies them as normal or abnormal groups. It is done.
  • MS Mohalanobis Space
  • MD Mohalanobis Distance
  • the motor insulation state determination algorithm receives 9 independent variables as inputs and outputs 1 dependent variable.
  • the 9 independent variables are insulation resistance 1 minute, polarity index determination, polarity index, dielectric loss tangent determination, dielectric loss tangent, AC current determination, alternating current, partial high voltage determination, partial discharge high voltage. And have a binary value of bad.
  • the following table shows the schema of the DB that manages the data to determine the insulation state of heavy electric machines.
  • the heavy electric machine insulation status determination algorithm calls the Mahalanobis Taguchi System (MTS) function by inputting 9 data from input_1 to input_9 based on the above DB Schema, and internally determines good/defective 0( It returns the values of good) and 1 (poor).
  • MTS Mahalanobis Taguchi System
  • FIGS. 13A to 13C are flowcharts illustrating online sensor data analysis in an analysis method of a health analysis system according to another embodiment of the present invention.
  • 13A is a result of calculating the Mahalanobis Distance (MD) for all data having a good overall test opinion using a pre-processed data set.
  • MD Mahalanobis Distance
  • a result of a unit distance (MD) of normal data is a mean value, 0.9994, and a std value of 2.8787. Since the mean value is close to 1.0, it can be judged as normal.
  • 13B is a result of calculating the Mahalanobis Distance (MD) using all data whose overall test opinion is not good in advance.
  • the Mahalanobis Distance was calculated using all data whose overall test opinion was not good, and as a result, mean: 11.4701, std: 7.2826, which was numerically normal unit distance (Mahalanobis Distance; MD). It can be seen that and can be distinguished. 13B is a comparison of the Mahalanobis Distance (MD) obtained as data whose overall test opinion is not good, and the Mahalanobis Distance (MD) obtained as data that is good in the past. Whether it is abnormal or not can be determined.
  • 13C is a result of performing an accuracy analysis capable of classification using the previously obtained normal and abnormal unit distances (Mahalanobis Distance (MD)).
  • the classification of normal and abnormal is a process of finding a threshold with the highest accuracy, and that good and bad can be determined with an accuracy of 91.5% at a point where the threshold is 3.0980. Therefore, it can be seen that the insulation status diagnosis algorithm through machine learning is an MTS-based heavy electric machine insulation status judgment algorithm that can judge good and bad with 91.5% accuracy.
  • the primary determination using the online sensor data may be performed in the reference inspection and event inspection step S213 in the online data processing S210.
  • an event such as exceeding a set reference value occurs, it can be responded immediately.
  • an in-depth analysis using a database is performed.
  • FIG. 14 is a flowchart illustrating online sensor data analysis in an analysis method of a health analysis system according to another embodiment of the present invention.
  • the discharge pattern is evaluated.
  • the cause of the pattern can be identified by using the discharge pattern value measured in real time or at regular intervals.
  • the pattern types are posted from (a) to (l), and each has a high, low, and medium risk level. By grasping the shape of each pattern, the cause of its occurrence can be traced.
  • Pattern is a discharge pattern caused by peeling of the insulating tape from the winding conductor, and this has a high degree of risk.
  • the pattern is a discharge pattern caused by the peeling of a single layer of insulating tape, which also has a high risk.
  • the pattern is a discharge pattern caused by peeling of multiple layers of the insulating tape, and also has a high risk.
  • the pattern is a discharge pattern caused by the abrasion of the slotted corona protective tape or paint, and also has a high risk.
  • (e) pattern and (f) pattern are discharge patterns generated by micro-voids or cavities, and have a low risk.
  • the (g) pattern, (h) pattern, (i) pattern, and (j) pattern are discharge patterns that occur as a cause of discharge or tracking on the surface of the winding terminal, and have a moderate degree of risk.
  • the (k) pattern is a discharge pattern generated by discharge of the winding terminals due to gas or spark, and has a moderate degree of risk.
  • (l) Pattern is a discharge pattern caused by a poor connection between OCP and EPG, and has a moderate risk.
  • an algorithm capable of comparing the value of the current operating state compared to the past operating state and determining an abnormality when it exceeds a certain ratio can be additionally prepared.
  • diagnosis results can be automatically judged and result reports can be derived within the process.
  • 15 is a flowchart showing data conversion of a determination result in an analysis method of a health analysis system according to another embodiment of the present invention.
  • the determination result is converted into data again, provided to the database module 500, and an additional database is built again (S400).
  • Model & Data-driven approach is applied. While the model-based method can secure high prediction accuracy with little data, it has a disadvantage that its application field is very limited because there are not many established models. However, if an accurate model can be secured, it is possible to predict future failures.
  • the model-data-based method is a method to increase the accuracy of the model by modeling internal/external uncertainty based on data.
  • the Bayesian Approach is used to express the uncertainty probabilistically, and the Bayes theorem ) Based on the analysis, estimation, and update.
  • the determination result is converted into data again, and the existing data model is further refined based on this.
  • the life prediction criterion of the algorithm can be automatically re-reflected according to the type and cause of the accident, so that it can be applied to the life prediction of the same type motor.
  • the present invention is to solve the above problems, to provide a heavy electric machine health analysis platform capable of predicting a failure time by managing various types of data related to a heavy electric machine test and using the same, and an analysis method using the same.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

중전기기 건전성 분석 플랫폼은 전동기의 기동을 멈춘 상태에서 현장에서 수집된 데이터를 입력 받는 현장 진단 정보 입력, 센서 모듈 및 데이터 수집 모듈을 통하여 설치된 센서들의 데이터를 정기적/불연속적으로 수집하는 온라인 센서 데이터 수집, 현장 진단 정보 입력 단계 및 온라인 센서 데이터 수집 단계를 데이터베이스 구축, 직류시험 분석, 교류전류시험 분석, 유전정접시험 분석 및 부분방전시험 분석을 포함하고, 현장 진단 정보 입력 단계에서 입력된 데이터를 바탕으로 현용 기준 중전기기의 건전성을 진단하는 현용 기준 건전성 분석, 데이터베이스 구축 단계에서 구축된 데이터베이스와 연계하여 연도별 예상 트렌드를 추정하여 건전성을 분석하는 트렌드 기반 건전성 분석, 시뮬레이션 모델을 생성하여 전동기의 건전성을 분석하는 열화 예측 시뮬레이션 분석, 온라인 센서 데이터 수집에서 수집된 온라인 센서 데이터를 이용하여 중전기기의 건전성을 분석하는 온라인 센서 데이터 분석 및 진단결과 자동판정을 포함한다.

Description

[규칙 제26조에 의한 보정 23.12.2020]　중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법
본 발명은 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 에 관한 것이다.
발전기, 변압기, 전동기와 같은 노후화 된 중전기기는 고장 발생 확률 및 절연 파괴 확률이 증가한다. 특히 전동기의 경우 10년 이상 운용 전동기가 절연 파괴 고장의 대부분을 차지한다. 운전중인 발전소 및 대형플랜트의 상당수가 준공 후 10년 경과하였으며, 이미 중전기기 노후화가 진행되고 있다.
중전기기는 발전설비 운영의 중요 기기로 고장 시 발전정지와 같은 중대한 문제를 발생시키고, 절연 파괴 발생 시, 복구비용뿐만 아니라 전력 공급지장에 의한 이익 손실이 발생되고, 주변 설비까지 손실되는 사례도 발생되고 있다.
현장에서 실제로 측정한 데이터를 바탕으로 평가하는 현용 기준 분석 방법 및 시스템은 모든 중전기기에 대하여 고정된 절대적인 기준으로 평가한다. 하지만 각 제작사마다 중전기기 특성이 다를 뿐 아니라, 동일 제작사의 중전기기도 제조 시기에 따라서 특성이 다르며, 이러한 특성에 따라 절대적인 현용 기준 분석 방법으로는 고장의 예측이 어려운 단점이 있다. 더군다나 현장에서 평가하는 현용 기준 분석 방법이나 시스템은 데이터를 별도로 저장하고 이력관리를 하지 않기 때문에, 건전성 이력 데이터를 관리하는 측면에서도 여러 가지로 불편하다.
또한 중전기기 건전성 분석의 이해관계인인 플랜트 회사, 시험사, 시험장비사, 시험전문가 등이 각각 개별적으로 접촉하여 일을 진행하기 때문에, 업무의 진행이 매우 불편하다.
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로, 중전기기 시험과 관련된 다양한 타입의 데이터를 관리하고 이를 이용하여 고장 시기를 예측할 수 있는 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법을 제공하고자 한다.
이러한 과제를 해결하고자, 본 발명에서 제공하는 중전기기 건전성 분석 플랫폼은 센서 모듈(210), 상기 센서 모듈(210)로부터 데이터를 수집하는 데이터 수집 모듈(220), 상기 데이터 수집 모듈(220)으로부터 데이터를 전달 받아 이를 관리하는 데이터 관리 모듈(400), 상기 데이터 관리 모듈(400)로부터 전달 받은 데이터를 기록하는 데이터베이스 모듈(500), 상기 데이터베이스 모듈(500)에 기록된 데이터를 적용하여 전동기의 진단을 실시하는 진단 분석 모듈(600)을 포함한다. 상기 진단 분석 모듈(600)은, 입력 받은 데이터들을 기존으로 건전성을 진단하는 현용 기준 절연 진단 시스템(610), 상기 데이터베이스 모듈(500)의 데이터베이스와 연동하여 연도별 예상 트렌드를 추정하여 분석하는 트렌드 기반 건전성 분석 시스템(620), 시뮬레이션 모델을 생성하여 열화를 분석하는 열화 예측 시뮬레이션 분석 시스템(630), 제공되는 온라인 데이터를 사용하여 분석하는 온라인 센서데이터 분석 시스템(640)을 포함한다.
일 실시예에 있어서, 외부 사용자 간의 결재를 진행할 수 있는 결재 모듈(110) 외부 사용자에게 보고서 및 데이터를 수집/제공하는 보고서 및 데이터 관리 모듈(120) 및 이벤트 발생시 외부로 이를 경고하는 경고 모듈(130)을 더 포함할 수 있다.
일 실시예에 있어서, 상기 센서 모듈(210)은, 상기 중전기기에 장착되어 있는 장착 센서(211), 진단 장비(212) 및 시스템 센서(213)을 포함하고, 상기 데이터 수집 모듈(220)은, 상기 장착 센서(211)의 데이터를 수집하는 PI 시스템(221), 상기 진단 장비(212)와 연동되는 일반 진단 시스템(222) 및 상기 시스템 센서(213)와 연동되는 트랜스 듀서(213)를 포함하는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 상기 데이터베이스 모듈(500)은 전동기 사양 데이터베이스(510), 절연 진단 데이터베이스(520), 고장이력 데이터베이스(530), 온라인 센서 데이터베이스(540), 건전성 판정 데이터베이스(550)를 포함하는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 트렌드 기반 건전성 분석 시스템(620)은, 대상 전동기 데이터 모수와 상기 절연진단 데이터베이스(520)를 이용한 동형 중전기기 데이터 모수를 추정하여 연도별 예상 트렌드 추정하는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 열화 예측 시뮬레이션 분석 시스템(630)은 시뮬레이션 모델과 기계학습 기반 열화 추정 모델링을 포함하여 구성되는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 구축하는 기계학습 기반 열화 추정 모델링은, 정상 그룹 중심점을 기준으로 각 개별 데이터를 단위 공간(Mahalanobis Space; MS) 안에 표현한 후, 이들이 중심점으로부터 얼마나 멀리 떨어져 있는지를 단위 거리(Mahalanobis Distance; MD)를 측정하는 방법으로 정상 및 비정상을 판단하는 모델링인 것을 특징으로 할 수 있다.
일 실시예에 있어서, 상기 각 개별 데이터의 독립 변수는 절연저항1분 측정값, 성극지수판정 값, 성극지수 값, 유전정접판정 값, 유전정접 값, 교류전류판정 값, 교류전류 값, 부분고전판정 값, 부분방전고전압 값인 것을 특징으로 할 수 있다.
일 실시예에 있어서, 온라인 센서데이터 분석 시스템(640)은, 상기 데이터 수집 모듈(220)에서 수집된 온라인 센서 데이터에서 방전 패턴 값을 추출하고, 상기 방전 패턴에 따라 위험도 및 발생 원인을 추정하는 것을 특징으로 할 수 있다.
또한, 본 발명에서 제공하는 중전기기 건전성 분석 방법은 중전기기의 기동을 멈춘 상태에서 현장에서 수집된 데이터를 입력 받는 현장 진단 정보 입력 단계(S100), 센서 모듈(210) 및 데이터 수집 모듈(220)을 통하여 설치된 센서들의 데이터를 정기적/불연속적으로 수집하는 온라인 센서 데이터 수집 단계(S200), 상기 현장 진단 정보 입력 단계(S100) 및 온라인 센서 데이터 수집 단계(S200)를 데이터베이스 구축 단계(S400), 직류시험 분석 단계(S310), 교류전류시험 분석 단계(S320), 유전정접시험 분석 단계(S330) 및 부분방전시험 분석 단계(S340)를 포함하고, 상기 현장 진단 정보 입력 단계(S100)에서 입력된 데이터를 바탕으로 현용 기준 중전기기 의 건전성을 진단하는 현용 기준 건전성 분석 단계(S300), 상기 데이터베이스 구축 단계(S400)에서 구축된 데이터베이스와 연계하여 연도별 예상 트렌드를 추정하여 건전성을 분석하는 트렌드 기반 건전성 분석 단계(S500), 시뮬레이션 모델을 생성하여 중전기기 의 건전성을 분석하는 열화 예측 시뮬레이션 분석 단계(S600), 상기 온라인 센서 데이터 수집 단계(S200)에서 수집된 온라인 센서 데이터를 이용하여 중전기기 의 건전성을 분석하는 온라인 센서 데이터 분석 단계(S700) 및 진단결과 자동판정 단계(S800)를 포함한다.
일 실시예에 있어서, 상기 현용 기준 건전성 분석 단계(S300)는 상기 현장 진단 정보 입력 단계(S100)에서 입력된 데이터를 이용하여 분석하고, 상기 트렌드 기반 건전성 분석 단계(S500)는 상기 현장 진단 정보 입력 단계(S100)에서 입력된 데이터 및 상기 현장 진단된 중전기기와 동종인 중전기기의 데이터를 이용하여 분석하고, 상기 열화 예측 시뮬레이션 분석 단계(S600)는 상기 현장 진단 정보 입력 단계(S100)에서 입력된 데이터, 상기 현장 진단된 중전기기와 동종인 중전기기의 데이터 및 상기 현장 진단된 중전기기와 동일 제작사 및 유사시기인 중전기기의 데이터를 이용하여 분석하는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 상기 온라인 센서 데이터 수집 단계(S200)는 온라인으로 수집되는 센서 데이터의 대상 중전기기 별 데이터로 분류하는 수집데이터 분류 단계(S211), 시간 및 일간별로 추이를 분석할 수 있도록 정리하는 시간/일간 추이 정리 단계(S212), 1차적으로 센서값을 판단하여 이벤트를 감지하는 기준검사 및 이벤트 검사 단계(S213) 및 이벤트가 발생할 경우 경고를 발생시키는 이벤트 발생시 경고 단계(S214)를 포함하는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 데이터베이스 구축 단계(S400)에서 구축된 데이터베이스는 중전기기 사양 데이터베이스(510), 절연 진단 데이터베이스(520), 고장이력 데이터베이스(530), 온라인 센서 데이터베이스(540), 건전성 판정 데이터베이스(550)를 포함하는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 트렌드 기반 건전성 분석 단계(S500)는, 절연진단 데이터베이스를 이용한 중전기기 기본 정보 분류 단계(S510), 대상 중전기기 측정결과 추출 단계 (S520), 정비이력 검토 단계 (S530), 대상 전동기 데이터 모수 추정 단계 (S540), 절연진단 데이터베이스를 이용한 동형 중전기기 데이터 모수 추정 단계 (S550), 절연진단 데이터베이스를 이용한 기계학습 기반 모수 추정 단계 (S560), 절연진단 데이터베이스를 이용한 해당 모수 적합성 검정 단계 (S570), 연도별 예상 트렌드 추정 단계 (S580), 현용 기준 기반 열화 예상 단계 (S590), 를 포함하는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 열화 예측 시뮬레이션 분석 단계(S600)는, 중전기기 원시 데이터 분석 단계(S610), 온라인 센서 데이터 수집 단계(S200)에서 수집된 온라인 데이터가 가산된 기동/정지, 이벤트 발생 가중치 분석 단계(S620), 시뮬레이션 모델 생성 단계(S630), 시뮬레이션 모델 생성 단계(S630)에서 생성된 시뮬레이션 모델의 파라미터 최적값 조정 단계 (S640), 상기 파라미터 최적값 조정 단계에서 조정된 값으로 모델을 확정하는 시뮬레이션 모델 확정 단계(S650), 상기 기동/정지, 이벤트 발생 가중치 분석 단계(S620)에서 분석된 결과값을 바탕으로 이벤트의 관계성을 추적하는 열화 관계성 추적 단계(S660), 상기 시뮬레이션 모델 확정 단계(S650)에서 확정된 시뮬레이션 모델을 이용하여 고장 확률을 추정하는 조건부 고장 확률 추정 단계(S670), 기계학습 기반으로 열화 모델링을 구축하는 기계학습 기반 열화 추정 모델링 구축 단계(S680) 및 상기 시뮬레이션 모델 확정 단계(S650)에서 확정된 시뮬레이션 모델과, 상기 기계학습 기반 열화 추정 모델링 구축 단계(S680)에서 확정된 기계학습 기반 열화 추정 모델링으로 최종 시뮬레이션을 완성하는 열화 예측 시뮬레이션 구축 단계(S690)를 포함하는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 구축하는 기계학습 기반 열화 추정 모델링 구축 단계(S680)는, 정상 그룹 중심점을 기준으로 각 개별 데이터를 단위 공간(Mahalanobis Space; MS) 안에 표현한 후, 이들이 중심점으로부터 얼마나 멀리 떨어져 있는지를 단위 거리(Mahalanobis Distance; MD)를 측정하는 방법으로 정상 및 비정상을 판단하는 모델링을 형성하는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 상기 각 개별 데이터의 독립 변수는 절연저항1분 측정값, 성극지수판정 값, 성극지수 값, 유전정접판정 값, 유전정접 값, 교류전류판정 값, 교류전류 값, 부분고전판정 값, 부분방전고전압 값인 것을 특징으로 할 수 있다.
일 실시예에 있어서, 온라인 센서 데이터 분석 단계(S700)는 상기 온라인 센서 데이터 수집 단계(S200)에서 수집된 온라인 센서 데이터에서 방전 패턴 값을 추출하고, 상기 방전 패턴에 따라 위험도 및 발생 원인을 추정하는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 진단결과 자동판정 단계(S800)에서 판결된 결과를 다시 데이터베이스 구축(S500)에 적용하기 위한 판정결과 데이터화(S900)을 더 포함하는 것을 특징으로 할 수 있다.
일 실시예에 있어서, 절연 열화 예측 시뮬레이션 분석 단계(S600)에서 생성되는 시뮬레이션 모델은 상기 판정결과 데이터화(S900)단계에 생성된 데이터를 이용하여, 모델-데이터기반방법(Model & Data-driven approach)에 의해 더 정교한 모델로 업데이트 되는 것을 특징으로 할 수 있다.
상기와 같은 본 발명에 따르면, 중전기기에 대한 절연진단 시험의 추이 관리가 가능하고, 이를 통해 중전기기의 고장시기를 예측하면서 전동기를 관리할 수 있다.
또한, 기존의 센서 시스템 이외에 자체적인 시스템 센서를 활용하여 실시간으로 발전기 및 전동기의 데이터를 수집하고 모니터링 함으로써, 정기적인 점검 사이에 발생할 수 있는 고장에 대해서도 예측이 가능하다.
또한, 같은 종류의 중전기기, 동일 제조사의 중전기기, 제조 시기가 유사한 중전기기 등 각 중전기기의 특이성을 예측할 수 있는 데이터들을 고려하여 모델을 구축함으로써, 좀 더 정확한 고장 예측이 가능하다.
또한, 기계학습을 기반으로 한 모델을 적용하였기 때문에, 추가되는 데이터가 많아질수록 모델이 더욱 정교하여 지며, 자동 검토 보고서를 포함한 발생되는 다양한 형태의 데이터들을 재가공하여 다시 기계학습에 적용함으로써 더욱 정교한 모델이 가능하게 된다.
도 1은 본 발명의 일 실시예에 따른 중전기기 건전성 분석 플랫폼의 구성을 나타내는 개념도이다.
도 2는 본 발명의 다른 실시예에 따른 중전기기 건전성 분석 플랫폼의 구성 중 일부를 나타내는 개념도이다.
도 3은 본 발명의 일 실시예에 따른 중전기기 건전성 분석 플랫폼의 구성을 나타내는 개념도이다.
도 4는 본 발명의 다른 실시예에 따른 중전기기 건전성 분석 플랫폼의 구성 중 일부를 나타내는 개념도이다.
도 5는 본 발명의 다른 실시예에 따른 중전기기 건전성 분석 플랫폼의 구성 중 일부를 나타내는 개념도이다.
도 6은 본 발명의 다른 실시예에 따른 중전기기 건전성 분석 플랫폼의 구성 중 일부를 나타내는 개념도이다.
도 7은 본 발명의 다른 실시예에 따른 중전기기 건전성 분석 플랫폼의 분석 방법을 나타내는 흐름도이다.
도 8은 본 발명의 다른 실시예에 따른 중전기기 건전성 분석 플랫폼의 분석 방법 중 현용 기준 건전성 판단을 나타내는 흐름도이다.
도 9는 본 발명의 다른 실시예에 따른 중전기기 건전성 분석 플랫폼의 분석 방법에 적용되는 데이터베이스 모듈을 나타내는 개념도이다.
도 10은 본 발명의 다른 실시예에 따른 건전성 분석 시스템의 분석 방법 중 트렌드 기반 건전성 분석을 나타내는 흐름도이다.
도 11a 및 11b는 도 10의 실시예에 다른 트렌드 기반 건전성 분석에 따른 모델을 나타내는 그래프이다.
도 12는 본 발명의 다른 실시예에 따른 건전성 분석 시스템의 분석 방법 중 열화 예측 시뮬레이션 분석을 나타내는 흐름도이다.
도 13a 내지 13c는 본 발명의 다른 실시예에 따른 건전성 분석 시스템의 분석 방법 중 온라인 센서 데이터 분석을 나타내는 흐름도이다.
도 14는 본 발명의 다른 실시예에 따른 건전성 분석 시스템의 분석 방법 중 온라인 센서 데이터 분석을 나타내는 흐름도이다.
도 15는 본 발명의 다른 실시예에 따른 건전성 분석 시스템의 분석 방법 중 판정결과 데이터화를 나타내는 흐름도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
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 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
또한, 본원 명세서 전체에서, 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
본 발명은 본 발명의 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다.
이하, 도면들을 참조하여 본 발명의 실시 예에 대해 상세히 설명하기로 한다. 도면상에서 동일 부호는 동일한 요소를 지칭한다.
시스템의 구성
도 1은 본 발명의 일 실시예에 따른 중전기기 건전성 분석 플랫폼의 구성을 나타내는 개념도이다. 도 2는 본 발명의 다른 실시예에 따른 중전기기 건전성 분석 플랫폼의 구성 중 일부를 나타내는 개념도이다.
도 1을 참조하면, 본 실시예에 따른 중전기기 건전성 분석 플랫폼(1000)은 다수의 중전기기들(11, 12, 13, 14, 15)과 연결되어 단말기를 통한 직접 입력 또는 온라인 경로를 통하여 측정 또는 수집된 데이터들을 전달 받는다. 또한, 플랜트 회사(21), 건전성 분석 시험사(22), 시험 장비사(23), 전문가(24) 및 기타 그룹(25)과 연결되어 분석에 대한 요청, 관리 및 대금과 관련된 결제와 시험 결과를 바탕으로 한 데이터 조회, 분석 결과 조회 등의 업무를 진행한다.
본 실시예에 따른 플랫폼은 중전기기 건전성 분석에 참여하는 업체들이 각 기기에 관련된 데이터들을 공유하여 관리하고, 건전성 분석에 따른 업무 프로세스를 하나의 플랫폼 안에서 진행할 수 있기 때문에, 효율적인 데이터 및 분석 결과의 공유, 필요한 조치들을 신속하게 진행할 수 있는 효과가 있다.
도 2를 참조하면, 본 실시예에 따른 전동기 건전성 분석 플랫폼(1000)은 후술될 건전성 분석 시스템을 위한 구성요소 이외에, 결재 모듈(110), 보고서 및 데이터 관리 모듈(120) 및 경고 모듈(130)을 더 포함한다. 플랜트 회사(21) 측에서는 이 플랫폼을 통하여, 시험의뢰를 직접 진행할 수 있으며, 경재 모듈(110)을 통한 결재서비스, 보고서 및 데이터 관리 모듈(120)을 통한 데이터 확인 및 전문가 조언(Action plan), 인공지능을 이용한 솔루션 제공 등을 수행할 수 있으며, 플랫폼 상에서 제공되는 기능을 통하여 전문가 교육요청 등을 수행하고 요청할 수 있다.
시험사(22) 측에서는 보고서 및 데이터 관리 모듈(120)을 통하여 데이터를 확보함으로써 전문가 및 인공지능 평가에 따른 시험데이터의 공신력을 확보할 수 있으며, 결재 모듈(110)을 통한 대금결재가 가능하다. 또한 시험사 에서는 보고서 및 데이터 관리 모듈(120)에서 획득 가능한 정보로, 위치기반 오더를 받음으로써 근거리 시험물량 확보가 가능하다. 특히, 플랫폼 상에서의 데이터를 관리하는 기능을 사용하여 과거 종이 컴퓨터를 앱형식 혹은 노트북 입력 방식으로부터 자동 입력 방식으로 데이터 입력 방식 개선이 가능하다.
시험장비사(23) 측에서는 역시 보고서 및 데이터 관리 모듈(120)을 통하여 데이터를 직접 전달 받음으로써, 정확한 기술 자료를 공유할 수 있다.
전문가(24) 측에서는 보고서 및 데이터 관리 모듈(120)을 통하여 데이터를 효과적으로 입력 및 획득할 수 있으며, 경고 모듈(130)을 통해 각종 알람을 전달받을 수 있다.
본 실시예에서 시험할 수 있는 중전기기의 항목을 예로 들면 아래와 같다.
중전기기 시험 항목
대상설비 시험항목
발전기 절연진단 RSO
(회전자단락)
ELCID
(철심건전성시험)
Wedge Tightness
(웨지시험)
Online PD
전동기 절연진단 Online PD
변압기 DGA(절연유가스분석)
PF
(절연열화)
SFRA
(기계변형)
절연지습분정량
측정
케이블 절연진단
표 1을 참조하면, 발전기, 전동기, 케이블의 절연진단은 후술될 본 실시예에서 적용되는 진단 방법에 따라 절연저항, 성극지수, 교류전류, 유전정접, 부분방전 등의 방법으로 진단이 시작될 수 있다. 단, 케이블의 경우에는 절연저항과 유전정접만 측정할 수 있다.본 실시예에의 플랫폼에서 DGA(절연유가스분석)은 변압기에 특수하게 적용될 수 있다. 구체적으로는 측정될 수 있는 용존 가스(Dissolved Gas)를 H2, CH4, C2H2, C2H4, C2H6, CO, CO2, TDCG, O2, N2 및 측정 시의 온도 값에 대한 이력을 관리하여, DGA 분석 결과를 그래프로 분석할 수 있다. 추가적으로 변압기는 PF(절연열화), SFRA(기계변형), 절연지습분정량측정 값을 더 분석할 수 있다.
본 실시예의 플랫폼에서 발전기는 절연 진단 외에도 RSO(회전자단락), ELCID(철심건전성시험), Wedge Tightness(웨지시험) 값을 추가적으로 입력 받을 수 있다. 이것은 별도의 시험장비를 통해 입력 받거나, 현장 측정에서의 값을 데이터와 함께 입력 받는 것이 가능하다. 별도의 시험장비를 이용하는 경우에는 데이터화 된 파일이나 구축된 API를 통하여 데이터를 전달 받는다.
도 3은 본 발명의 일 실시예에 따른 중전기기 건전성 분석 플랫폼의 구성을 나타내는 개념도이다.
도 3을 참조하면, 본 실시예에 따른 중전기기 건전성 분석 플랫폼(1000)은 센서 모듈(210), 센서 모듈(210)로부터 데이터를 수집하고 가공이 필요한 경우 가공하여 전달하는 데이터 수집 모듈(220), 입력 단말기(230), 네트워크 통신 모듈(310, 320), 데이터 관리 모듈(400), 데이터베이스 모듈(500), 진단 분석 모듈(600), 사용자 단말기(240)를 포함한다.
센서 모듈(210)은 개별적인 센서나 진단기기 등의 형태로 중전기기의 상태를 나타내는 데이터를 측정하고, 이것은 데이터 수집 모듈(220)에 의해 수집되고 가공된다. 이러한 데이터 수집 모듈(220)은 네트워크 통신 모듈(310)을 통하여 데이터 관리 모듈(400)으로 전달된다. 개별적으로 정기 진단에 의해 측정된 측정값은 입력 단말기(230)를 통하여 데이터 관리 모듈(400)로 전달될 수 있다. 데이터 관리 모듈(400)은 각 데이터들을 분류하고 이를 데이터베이스 모듈(500)에 전달하고 저장한다. 이렇게 저장된 자료들을 바탕으로 진단 분석 모듈(600)의 각 진단 알고리즘을 적용하여 건전성 분석을 실시한다. 이러한 분석 결과들은 사용자 단말기(240)를 통하여 조회하거나, 상태 이상이 있는 경우 별도의 경고를 받을 수 있다. 이하 각 구성요소에 대해서 구체적으로 설명한다.
(a) 센서 구성과 데이터 수집 모듈
도 4는 본 발명의 다른 실시예에 따른 중전기기 건전성 분석 플랫폼의 구성 중 일부를 나타내는 개념도이다.
도 4를 참조하면, 본 실시예에 따른 중전기기 건전성 분석 플랫폼은 복수개의 전동기를 동시에 분석한다. 일반적인 분석 시스템은 최소 30개 이상의 전동기와 연결되어 이의 건전성을 분석한다.
도 3의 실시예와 다른 점은, 센서 모듈(210) 및 데이터 수집 모듈(220)이 복수개의 장치들로 구성되는 점이다. 이러한 센서들은 기존에 장착된 센서들로부터 데이터를 수집할 수 있고, 이력 데이터 분석에 특징적인 데이터를 얻기 위하여, 시스템 센서를 추가적으로 장착하여 데이터를 분석할 수 있다.
하나의 중전기기 (100)에는 다양한 각종 온-오프라인 센서들이 탑재된다. 예를 들어, 발전소의 전동기들은 이미 기존에 On-line 으로 내부 권선 온도 등을 측정하기 위한 장착 센서(211)가 있다. 이러한 장착 센서(211) 데이터를 수집 및 처리하기 위한 PI System(221)이 구축되어 있다. 해당 데이터는 제조사에서 제공하는 드라이버를 이용하여 요청/수집하여야 한다.
또한 센서 이외의 다른 On-line 진단 장비(212)가 설치되어 있을 수 있으며, 이 장비들은 고유의 방식으로 데이터를 수집하고 있다. 해당 장비들의 데이터를 수신하려면 제조사에서 제공하는 드라이버 혹은 프로토콜 문서가 있어야 한다. 이러한 데이터들은 기존진단시스템(222)를 경유하여 획득할 수 있다.
따라서 기존에 중전기기(100)에 탑재되었던 센서들인 장착 센서(211)가 있고, 중전기기(100)에 적용되는 별도의 진단 장비(212)가 있는 경우 이러한 데이터들은 추가적으로 획득할 수 있다. 이러한 데이터들은 기존의 시스템에 이미 설치 되어 있는 센서들을 이용하여 보다 정확한 결과를 얻기 위한 것이다.
이와는 별개로 본 실시예에서는 별도의 시스템 센서(213)을 포함한다. 이러한 시스템 센서(213)는 본 실시예에 다른 건전성 분석 시스템(1000) 내에 구성된 것으로 중전기기(100)에 추가적으로 장착된다. 상기 시스템 센서(213)은 트랜스 듀서(223)에 의해 데이터가 수집 된다.
예를 들어 시스템 센서(213)는 온도 센서일 수 있다. 특히, 본 실시예의 분석 시스템(1000)은 다른 분석 시스템과는 달리 특정 시점의 데이터를 분석하는 것이 아니라, 측정된 데이터들의 이력을 분석하여 건전성을 분석하는 것이 특징이며, 이러한 데이터를 활용할 수 있는 최적의 센싱으로 온도 측정이 될 수 있다. 이러한 센서류의 데이터를 기존 구축 시스템과 별개로 수집/처리 한다. 구체적인 센싱 알고리즘과 분석에 대해서는 추후 다시 설명한다.
(b) 데이터베이스 모듈
데이터베이스 모듈(500)은 절연진단 데이터를 저장 및 관리한다. 별도의 하드웨어로 분리하여 구현할 수도 있고, 데이터 관리 모듈(400)에 통합하여 구현할 수 있다. 특히, 데이터베이스 모듈(500)은 제조사/제조일자/일렬번호 등과 같은 중전기기 사양에 관련된 정보, 중전기기 절연진단 결과, 중전기기 고장/정비 이력, 센서 측정결과를 저장할 수 있다. 자동 백업 데이터베이스를 포함하여, 예상치 못한 사고로부터 데이터의 보호하도록 할 수 있다.
또한 데이터베이스 모듈(500)은 센서 모듈(210)로부터 전송되는 각종 데이터들을 데이터베이스로 구축하여, 이러한 데이터들을 이력관리 시스템에 적용한다. 이것은 정기적으로 중전기기를 정지한 상태로 건전성을 관리하는 시스템에서 작동 중에 발생할 수 있는 고장 등의 발생을 미연에 방지하는 효과를 가져온다.
(c) 네트워크 통신 모듈
도 5는 본 발명의 다른 실시예에 따른 중전기기 건전성 분석 플랫폼의 구성 중 일부를 나타내는 개념도이다.
도 5를 참조하면, 본 실시예에서는 네트워크 통신 모듈(310, 320)이 각각 개별적으로 구현된 형태를 볼 수 있다. 네트워크 통신 모듈(310, 320)은 시스템의 데이터 통신을 위한 수단으로 다양한 방법으로 구현될 수 있다.
통신 네트워크는 기본적으로 이더넷을 이용하며, 일반 이더넷 허브 혹은 광 스위치 등 거리 및 데이터 전송량에 따라 적절한 솔루션을 적용한다. 특히, 본 실시예에서 측정되는 전동기(100)의 개수는 30개 이상 다수의 센서들과 통신하는 환경으로 구축될 수 있으므로, 다수의 채널을 구축할 수 있는 통신 네트워크를 구성한다.
다시 도 5를 참조하면, 이러한 형태의 한 구현으로서, 기존의 PI System(221)과 기존진단시스템(222)과 데이터 관리 모듈(400)은 이더넷을 통한 통신 네트워크를 구성하고, 네트워크 라우터(312)를 통하여 데이터 관리 모듈(400)과 통신한다. 시스템 센서(213)는 트랜스듀서(223)과 광통신으로 통신하며, 별도의 이더넷 관 스위치(311)를 통하여 네트워크 라우터(312)와 연결하여, 데이터 관리 모듈(400)으로 데이터를 전달한다. 현장 진단 데이터의 경우, USB 또는 사용자의 입력에 의하여 입력 인터페이스를 통하여 입력 단말기(230) 상에서 데이터가 입력되고 이더넷 통신을 활용하여 데이터 관리 모듈(400)에 데이터를 전달한다.
네트워크 통신 모듈(310, 320)은 각 센서들의 데이터를 일정 간격으로 수집할 수 있어야 한다. 네트워크 토인 모듈(310, 320)의 기본적인 요구 조건은 시스템 전체적으로 30대 이상의 전동기 데이터를 관리할 수 있어야 하고, 데이터 관리 모듈(400)이 3채널 이상의 입력을 받을 수 있도록 하여야 하고, 데이터 관리 모듈(400)은 기본적으로 이더넷 인터페이스를 사용할 수 있도록 해야 한다.
따라서 주 네트워크는 이더넷 허브를 이용하여 구성하고, 이 허브 아래에 광-이더넷 컨버터 혹은 RS485-이더넷 컨버터를 구성한다. 그리고 각 센서의 설치 환경과 설치 위치, 데이터 전송률을 고려하여 인터페이스를 선택한다.
(d) 데이터 관리 모듈
개별적엔 센서들로부터 생성되는 각 데이터는 서로 다른 프로토콜로 송/수신되며, 각 데이터마다 입력 주기 및 처리 방식이 상이하다. 따라서 데이터 관리 모듈(400)에서 데이터베이스 모듈(500)로 데이터를 전달하기 전에 각 데이터를 수신하여 데이터의 종류를 판별하고 그에 따른 적절한 처리를 하여 데이터베이스 모듈(500)로 입력하도록 한다.
특히 PI 시스템, 기존 진단 시스템, 시스템 센서에서 수집된 데이터를 처리/분석하여 이벤트 발생 여부를 감지하고, 데이터를 가공하여 데이터베이스 모듈(500)에 입력할 수 있도록 한다.
특히, 데이터 관리 모듈(400)은 전동기에 장착된 시스템 센서(213) 및 트랜스듀서(223)에서 송신되는 데이터를 수신한다. 수집되는 데이터는 온도센서(RTD 혹은 열전대) 데이터를 기본으로 하고, 추가적으로 전동기 상태를 측정하는 데이터를 수집할 때는 별도의 트랜스듀서를 추가하여 이더넷 스위치에 연결하여 데이터 관리 모듈(400)에서 수집한다. 수집 주기는 데이터의 종류에 따라 초당 1회 혹은 분당 1회 혹은 일정 간격으로 수집하도록 설정한다.
데이터 관리 모듈(400)은 내환경성을 고려하지 않아도 되도록 실내에 설치하고, 트랜스듀서(223)는 동작 온도 범위 등 내환경성이 확보된 제품을 사용하되, 우천이나 습기로 인한 고장을 방지하기 위하여 외부 하우징을 적용하여 장착한다.
(e) 진단 분석 모듈
도 6은 본 발명의 다른 실시예에 따른 중전기기 건전성 분석 플랫폼의 구성 중 일부를 나타내는 개념도이다.
도 6을 참조하면, 진단 분석 모듈(600)은 절연진단 알고리즘을 탑재하고 시스템 소프트웨어를 구동하며 사용자 인터페이스를 제공한다. 진단 분석 모듈(600)이 탑재하는 알고리즘은 현용기준 절연 진단 시스템(610), 트렌드 기반 건전성 분석 시스템(620), 열화 예측 시뮬레이션 분석 시스템(630), 온라인 센서데이터 분석 시스템(640)에 의하여 각각 구현된다. 진단 분석 모듈(600)은 서버 클라이언트 통신 프로그램을 구동하여, 관리자용 인터페이스 및 사용자용 인터페이스를 제공할 수 있다. 구체적인 진단 알고리즘에 대해서는 추후 다시 설명한다.
건전성 분석 프로세스
도 7은 본 발명의 다른 실시예에 따른 중저ㅓㄴ기기 건전성 분석 플랫폼의 분석 방법을 나타내는 흐름도이다.
도 7을 참조하면, 본 실시예에 따른 분석 방법은 데이터 수집 단계인 현장 진단 정보 입력 단계(S100) 및 온라인 센서 데이터 수집 단계(S200)와, 데이터베이스를 체계화하는 데이터베이스 구축 단계(S400), 건전성을 분석하는 단계인 현용 기준 건전성 분석 단계(S300), 트렌드 기반 건전성 분석 단계(S500), 열화 예측 시뮬레이션 분석 단계(S600), 온라인 센서 데이터 분석 단계(S700) 및 진단결과 자동판정 단계(S800)를 포함하고, 추가적으로 실시간으로 수집되는 온라인 센서 데이터를 이용하여 특정한 이벤트가 발생하는 경우 이를 감시하는 온라인 데이터 처리 단계(S210)와 진단 결과를 바탕으로 추가적인 데이터베이스를 구축하기 위한 판정결과 데이터화 단계(S900)을 더 포함한다.
계략적인 분석 방법의 프로세스를 설명하면, 현장 진단 정보 입력 단계(S100)에서는 현장에서 전동기의 가동을 중지하고, 실시하는 정기 검사에서 직접 측정한 데이터 값들을 입력 받는다.
현용 기준 건전성 분석 단계(S300)에서는 입력 받은 데이터들을 기반으로 현용 기준에 의거하여 현장 측정 데이터로 전동기의 건전성 진단을 자동적으로 수행한다.
온라인 센서 데이터 수집 단계(S200)에서는 장착 센서(211), 기존진단장비(212) 및 시스템 센서(213)에서 수집되는 각종 데이터들을 수집한다. 수집 단계에서 특정한 조건에 해당하는 경우 별도의 이벤트를 감시할 수 있는 온라인 데이터 처리 단계(S210)를 더 포함할 수 있다.
데이터베이스 구축 단계(S400)에서는 현용 기준 건전성 분석 단계(S300)에서 분석된 결과와 온라인 센서 데이터 수집 단계(S200)에서 수집된 데이터들을 종합적으로 체계화하여 정리한다.
트렌드 기반 건전성 분석 단계(S500)에서는 데이터베이스 구축 단계(S400)에서 구축된 데이터들을 바탕으로 트렌드 기반 건전성을 분석한다. 이 때에는 트렌드 기반으로 분석한 결과로 전동기의 고장 시기를 예측하여 필요한 조치와 전동기의 수명을 예측한다.
온라인 센서 데이터 분석 단계(S700)는 불연속적, 정기적으로 수집되는 온라인 데이터들을 활용하여 고장의 예측, 상태 이상을 분석한다.
이러한 모든 진단결과를 종합하여 자동판정 단계(S800)에서는 전동기의 건전성 및 상태 이상 정보, 고장 예측 시기에 대한 정보 들을 종합하여 판정한다. 이렇게 판정된 데이터들은 추가적인 데이터베이스를 구축하기 위해 판정결과 데이터화 단계(S900)를 거쳐 다시 데이터베이스에 재구축 된다.
현용 기준 건전성 분석 단계(S300)와 트렌드 기반 건전성 분석 단계(S500), 열화 예측 시뮬레이션 분석 단계(S600) 및 온라인 센서 데이터 분석 단계(S700)는 아래와 같은 단계적 분석의 차이가 있다.
분석 알고리즘 별 진단 범위와 참고 데이터
요구사항 분석 방법 분석 데이터
현용 기준 건전성 분석 단계(S300) 현장 절연 진단 결과 데이터를 이용하여 단일 전동기의 과거 진단 이력을 참조한 중전기기 건전성 진단 수행 현장에서 중전기기의 기동을 정지하고 실측한 데이터
트렌드 기반 건전성 분석 단계(S500) 절연진단 데이터베이스의 진단 결과에서 동종 중전기기의 절연 진단 결과를 참조하여 트렌드 기반 건전성 진단 수행 해당 중전기기의 데이터 및 동종 중전기기의 절연 진단 데이터베이스
열화 예측 시뮬레이션 분석 단계(S600) 동일제작사 유사시기 제작 중전기기의 절연 진단 결과 및 고장이력을 참조한 트렌드 기반 건전성 진단 수행 및 기계학습기반의 절연 열화 예상 해당 중전기기 및 동일 제작사 유사시기 제작 중전기기의 절연 진단 데이터베이스 및 고장이력 데이터베이스
온라인 센서 데이터 분석 단계(S700) 중전기기를 중단하지 않은 상태에서 불연속/정기적으로 수신되는 센서 데이터들을 이용하여 상태 이상 감시 온라인 센서 데이터베이스
(a) 현용 기준 건전성 분석
도 8은 본 발명의 다른 실시예에 따른 중전기기 건전성 분석 플랫폼의 분석 방법 중 현용 기준 건전성 판단을 나타내는 흐름도이다.
일반적으로 사용자로부터 신규 진단 요청을 입력 받으면, 기본적으로 현용 기준의 부분방전 데이터 분석 및 평가 알고리즘을 우선 수행한다. 현용 판정은 중전기기를 정지하고 필요한 데이터를 1회 측정 후 중전기기의 건정성을 판단한다.
본 실시예에서는 현장 진단 정보 입력 단계(S100)에서 데이터를 입력 받은 이후에 현용 기준 건전성 분석(S300)단계에서 자동으로 현용 전력연구원 기준에 의한 진단을 수행한다.
현장 진단 정보 입력 단계(S100)에서는 시험 장소와 일자 제작사 등 기초 정보를 입력할 수 있다.
현용 기준 건전성 분석(S300)단계에서는 직류시험 분석 단계(S310), 교류전류시험 분석 단계(S320), 유전정접시험 분석 단계(S330) 및 부분방전시험 분석 단계(S340)을 포함한다.
직류시험 분석 단계(S310)에서는 성극지수와 절연저항시험을 자동으로 계산하고 판정한다. 성극지수 시험은 절연물에 교류전압을 인가하여 인가 시간에 따른 전류 변화를 측정하는 시험이다. 전동기 권선의 절연 저항은 직류 시험전압을 인가하였을 때, 인가전압과 인가 시간에 따라 변동한다. 그 변동 비율 중 시험전압 인가 후 1분 시점의 절연 저항과 전압 인가 후 10분 시점의 절연 저항의 비율을 성극지수라 한다. 따라서, 입력된 1분간 절연저항과 10분시 절연저항을 입력하여 자동으로 성극지수를 계산, 흡습 여부를 판정하게 한다.
절연저항 시험은 권선의 직류 전압 인가시의 저항을 측정하는 시험이다. 절연저항 시험은 전동기 절연 진단을 수행하기 전에 전동기와 같은 중전기기가 절연진단을 수행하여도 문제가 없는 상태인지 판단하기 위하여 수행 한다. 절연저항의 측정 방법은 권선에 직류전압을 인가하고 인가 1분 후의 절연저항 값을 측정하며, 판정기준은 100 ㏁ 이상이 되어야 한다.
교류전류시험 분석 단계(S320)에서는 권선 내부의 결함 정도를 판단 한다. 교류전류의 증가는 절연물 내부의 미소 공극 및 권선과 슬롯사이의 틈에 의하여 발생 한다. 절연물 내부 결함이 증가할수록 교류 전류의 증가 폭은 급격하게 증가하게 된다. 교류전류의 불량 여부는 인가전압 대비 누설전류의 증가비율을 계산하여 산출하며, 불량 판정 기준은 6.6kV 기준으로 8.5% 이하일 때 정상으로 판정한다.
유전정접시험 분석 단계(S330)에서는 유전정접을 판단한다. 충전전류 (Ic)와 실측전류 (I) 사이의 비율로 유전손실각 δ를 구하여, tanδ로 나타내고 이 값을 유전정접 이라 한다. 유전정접시험은 절연체 내부 공극, 오염, 흡습 상태를 측정하는 시험이다. 유전체에 교류전계를 인가하였을 때, 내부에 결함 혹은 손상이 없다면 충전 전류만 존재하게 된다. 하지만 실제로는 누설 전류로 인한 손실과 전계로 인하여 발생한 진동으로 인하여 마찰열이 발생하고, 절연물에 공극이나 결함 등이 존재하면 부분방전 등으로 인하여 손실이 발생하게 된다. 이러한 손실로 발생하는 충전전류와 실측전류의 차이로 절연체 내부 열화도를 측정 한다. 불량 판정 기준은 6.6kV 기준으로 6.5% 이하일 때에 정상으로 판단한다.
부분방전시험 분석 단계(S340)에서는 부분 방전을 판단한다. 부분 방전 시험은 교류전압을 인가하였을 때, 권선 절연체에서 발생하는 부분방전의 크기를 측정하여 절연체 내부의 열화 상태를 측정하는 시험이다. 부분방전 시험은 시험 시 측정되는 방전 패턴에 따라서 절연체의 결함을 파악할 수 있다. 부분방전 펄스의 크기가 크고 AC 사이클의 정극성 (+)부분에서 발생수가 많으면 동도체에서 부분방전이 발생하기 때문에 절연재료와 도체가 분리되어 있는 것을 나타낸다. 부분방전 펄스의 크기가 크고 AC 사이클의 부극성(-)펄스의 크기가 크면 권선 외부 표면에서 슬롯방전이 발생하거나 단말 권선의 gradingpaint가 손상된 것을 나타낸다. 정극성과 부극성에서 부분방전 크기와 수가 같으면 이 방전은 거의 주절연 내부의 공극(void)또는 박리(delamination)에서 발생한 것을 나타낸다. 부분 방전의 불량 판정 기준은 6.6kV 기준으로 10,000pC 이하여야 한다.
발전기 및 고압전동기 고정자 권선의 절연상태 평가 기준
절연상태 평가기준
양 호(A) 교류전류, 유전정접 및 부분방전 등이 모두 양호
요주의(B) 교류전류, 유전정접 및 부분방전 중에 두 가지 불량
분해점검(C) 초기에 부분방전이 크게 나타나고 tanδ전압 특성이 그림 6(b)와 같은 경우
절연보강(D) 부분방전 패턴이 그림 6(d)과 같이 슬롯방전으로 분석되고 방전크기가 10000pC 이상
권선교체(E) 교류전류, 유전정접 및 부분방전 등이 모두 불량하고 tanδ전압 특성이 그림 6-c와 같거나, 내전압과 써지(surge)시험 결과 불량으로 판정된 경우
(b) 온라인 센서 데이터 분석 및 수집
현장절연진단은 가장 신뢰받는 방법이며, 이것은 중전기기 정지가 필요하다. 정기적으로 평균 2년에 1회 시행되고 있다. 하지만 온라인 진단은 전동기 가동 중 측정 가능하며, 정기진단 사이에서 이상 징후 탐지 및 데이터 보완용 보조지표로 활용될 수 있고, 부분방전 패턴인식으로 자동으로 이상 발생 위치 추정이 가능 하다. 정기진단 사이 급작스런 이상 발생 여부 탐지할 수 있어, 불시고장을 방지한다. 기본적인 트렌드 분석에서 향후 진행에 대한 예상 정확도를 증가시키는 목적으로 사용된다.
온라인 센서 데이터는 필요 혹은 계획에 의하여, 일정 기간 동안 가동중인 대상의 중전기기를 끄지 않은 상태에서 측정한다. 절연열화는 벼락같은 외란의 급격한 사유 이외에는 점진적으로 진전하므로 24시간 감시가 불필요 하다. 신호라인, 중계기 등에 소요되는 시설비 및 시설에 따른 설비관리비 절감을 위하여 불연속적으로 측정할 수 있다.
본 실시예에 따른 온라인 데이터 처리(S210) 단계는 수집데이터 분류 단계(S211), 시간/일간 추이 분석 단계(S212), 기준검사 및 이벤트 검사 단계(S213) 및 이벤트 발생시 경고 단계(S214)를 포함한다.
수집 데이터 분류 단계(S211)는 온라인으로 수집되는 센서 데이터의 대상 중전기기 별 종류를 분류한다. 본 분석 시스템에서는 전동기의 이력이 각 생산 업체별로 다르게 나타나는 점을 활용하는 것이므로, 데이터의 출처를 정확하게 수집하는 것이 중요하다. 따라서 대상 중전기기 별 전동기 종류를 데이터에 포함한다.
시간/일간 추이 정리 단계(S212)는 수집되는 데이터는 시간 및 일간별로 추이를 분석할 수 있도록 정리한다. 실질적으로 시간 및 일간 데이터 추이는 온라인 센서 데이터 분석(S700) 단계에서 수행되며, 이러한 이력을 바탕으로 하는 데이터를 수집하기 위하여 시간 및 일간별로 데이터를 정리하여 데이터 관리 모듈(400)으로 전달한다.
기준검사 및 이벤트 검사 단계(S213)는 1차적으로 센서값을 판단한다. 각 센서에서 측정되는 센서값에서 즉시 이상이 발생되는 경우 이벤트 발생을 기록하고, 이벤트가 발생 시 경고 단계(S214)에서 설정된 경고 방식으로 경고한다.
예를 들어, 센서값에 측정되는 교류 전류의 값이 최소값 또는 최대값의 범위를 초과하는 경우 즉시 이상으로 판단하고, 이벤트 발생을 기록한다. 정해진 방법에 의해서 경고를 발생시킬 수 있다.
(c) 측정 데이터 데이터베이스 구축 단계
도 9는 본 발명의 다른 실시예에 따른 중전기기 건전성 분석 플랫폼의 분석 방법에 적용되는 데이터베이스 모듈을 나타내는 개념도이다.
데이터베이스 모듈(500)에서는 정해진 형식대로 입력된 데이터를 내부 데이터베이스에 등록한다. 사용자가 직접 입력하는 데이터는 데이터 관리 모듈(400)에서 실행되는 사용자 GUI에서 변환되어 데이터베이스로 전송된다.
데이터 관리 모듈(400)에서 수집한 센서 및 기존 진단 시스템의 데이터는 종류에 따라 분류하여 데이터베이스에 정해진 형식대로 전송하여 등록되도록 한다.
데이터베이스 모듈(500)에서 입력 및 관리되는 데이터는 중전기기의 제작사, 일렬번호, 사양, 설치위치 등 기본정보; 중전기기의 고장 및 수리, 점검이력; 오프라인 절연 진단 측정 결과; 및 온라인 센서 측정 데이터, 데이터 패턴, 이벤트 발생 데이터이다.
추가적으로 알고리즘에 의하여 판정된 전동기에 대한 분석 결과 및 분석 보고서는 미리 결정된 분류 형식대로 다시 데이터베이스 모듈(500)로 입력하여 데이터베이스에 등록되도록 한다.
도 9를 참조하면, 데이터베이스 모듈(500) 내의 데이터베이스는 전동기 사양 데이터베이스(510), 절연 진단 데이터베이스(520), 고장이력 데이터베이스(530), 온라인 센서 데이터베이스(540), 건전성 판정 데이터베이스(550)가 있다. 전동기 사양 데이터베이스(510)는 시리얼번호, 출력, 전압, 전류, 회전수 등 전동기 명판에 기록된 사항들과 같은 중전기기의 스펙이 저장된다. 절연 진단 데이터베이스(520)는 주기적으로 실시한 현장 절연진단 결과가 저장된다. 고장이력 데이터베이스(530)는 전동기 운영 중 발생한 절연파괴와 같은 고장에 대한 정보를 기록한다. 온라인 센서 데이터베이스(540)는 온라인으로 수집된 다양한 센서 데이터가 기록된다. 건전성 판정 데이터베이스(550)는 본 실시예의 알고리즘을 통해 전동기의 상태를 분석한 결과를 기록한다.
특히, 전동기 사양 데이터베이스(510), 절연 진단 데이터베이스(520), 고장이력 데이터베이스(530)를 트렌트 분석을 실시한다. 또한 절연 진단 데이터베이스(520), 고장이력 데이터베이스(530), 온라인 센서 데이터베이스(540), 건전성 판정 데이터베이스(550)를 이용하여 중전기기의 열화 예상에 사용된다.
데이터베이스 모둘(500)은 데이터의 입력/변경/삭제 기능을 제공하며, 이력조회 및 중요 파일 첨부의 기능과 절연진단 데이터 이력조회 기능을 제공한다.
추가적으로 데이터에 요구되는 사항은 아래와 같다.
데이터베이스 요구 사항
요구사항 접근방안
데이터 처리 측정 대상 중전기기 별 분류
수집 데이터의 DB화를 위한 자동 분류/변환
최대 1Hz 주기로 처리
데이터 처리항목 기동/정지 이력
동작 중 온도 등 상태 변화
특징점 분석, 주기 분석, 동작통계
이벤트 발생 감지 기준치를 넘는 상태 변화 이벤트 발생 감지
이벤트 발생 시 시각/청각 경보 발생
절연진단 데이터 처리 절연진단 결과 입력 시 자동 DB화트렌드 분석 자동 실시
보고서 자동생성 데이터 입력 시 자동생성, 10분이내 제공구성항목 및 형식은 수요처와 협의하여 결정
(d) 트렌드 기반 건전성 분석
도 10은 본 발명의 다른 실시예에 따른 건전성 분석 시스템의 분석 방법 중 트렌드 기반 건전성 분석을 나타내는 흐름도이다.
도 10을 참조하면, 현용 기준 분석을 완료하면 다음으로 데이터베이스와 연동하여 트렌드 기반 분석을 수행한다. 중전기기 절연진단 이력과 중전기기고장 이력, 전동기 운용 데이터를 기반으로 연도 별 열화 진행을 예상하고, 진단 보고서를 생성한다. 트렌드 기반 건전성 분석은 아래와 같은 순서로 진행된다.
d-1. 절연진단 데이터베이스를 이용한 중전기기기본 정보 분류(S510)
d-2. 대상 중전기기측정결과 추출(S520)
d-3. 정비이력 검토(S530)
d-4. 대상 중전기기 데이터 모수추정(S540)
d-5. 절연진단 데이터베이스를 이용한 동형 중전기기 데이터 모수추정(S550)
d-6. 절연진단 데이터베이스를 이용한 기계학습 기반 모수 추정(S560)
d-7. 절연진단 데이터베이스를 이용한 해당 모수 적합성 검정(S570)
d-8. 연도별 예상 트렌드 추정(S580)
d-9. 현용 기준 기반 열화 예상(S590)
트렌드 기반 정보 분석은 과거 중전기기 건전성 분석 결과를 바탕으로 진행한다. 따라서 절연진단 데이터베이스(520)를 이용하여 중전기기 기본 정보를 분류하여 시작한다(S510). 절연 진단 데이터베이스(520)에서 해당 중전기기 기본 정보 및 측정 결과를 추출한다(S520). 또한 고장이력 데이터베이스(530)에서 고장 정보 및 정비 이력을 검토한다(S5230).
본 분석 방법에서는 회귀분석을 활용하며, Regression Model, Least squares approximation를 사용한다. 이것은 측정된 측정값으로부터 해의 방정식을 근사적으로 구하는 방법이다. 1차적으로는 대상 전동기 데이터를 바탕으로 방적식의 모수를 추정한다(S540). 이에 더하여, 2차적으로 절연진단 데이터베이스(520) 내에 저장된 해당 중전기기 와 동형의 중전기기 들의 데이터를 활용하여 모수를 추정하는 작업을 추가한다(S550). 이에 더하여, 3차적으로 절연진단 데이터베이스(520)를 이용한 기계학습 기반 모수를 추정한다(S560). 최종적으로는 기존의 절연진단 데이터베이스(520)를 이용하여 최종적으로 추정된 해당 모수의 적합성을 검정한다(S570).
이러한 과정을 통하여 현재의 전동기의 예상 트렌드를 추정할 수 있는 모델을 완성하고, 시간의 흐름에 따른 연도별 예상 트렌드를 추정한다(S580). 최종적으로 현용 기준 기반 열화를 예상할 수 있다(S590).
트렌드 분석의 데이터 적용 사례
트렌드 기반 중전기기 건전성 진단 알고리즘을 실제 데이터를 적용한 방법을 설명한다. 대상 중전기기 는 당진화력 8호기의 CIDF-A 전동기 (LB139160081)로 효성에서 2005년 제조한 전동기이다. 본 데이터 적용 사례는 부분방전 수치를 기준으로 실시하였다. 해당 전동기의 부분방전 수치는 다음과 같다.
발전기 및 고압전동기 고정자 권선의 절연상태 평가 기준
종류 2009 측정 2011 측정 2014 측정
부분방전(pC) 1400 11000 42000
단일 전동기의 부분방전 데이터에 대하여 다항식 Dx3+Cx2+Bx+A에 대하여, Random Sample을 진행하지 않고 모수 추정 및 최종 측정 이후 5년경과 시 데이터를 추정하였다. 기본적으로 1차, 2차, 3차함수에 대하여 추정하였다.
발전기 및 고압전동기 고정자 권선의 절연상태 평가 기준
가동연수 실 데이터 Bx+A Cx2+Bx+A Dx3+Cx2+Bx+A
+4 1400 -285.7 1400.0 -12484.5
+6 11000 13528.5 11000.0 -22273.7
+10 42000 41157.1 42000.0 -54038.8
+15 - 75692.8 104625.0 -84388.0
부분방전의 경우 일반적으로 데이터가 2차함수의 형태로 표현될 수 있으며, 첫 측정 결과와 마지막 측정 결과를 포함한 랜덤 선택한 데이터로 추정한 모수로도 향후 2년 안에 진행되는 열화를 추정하는 데 사용하여도 심각한 오차는 발생하지 않는다.
아래의 표들은 이러한 데이터의 추출을 각 가동연수별로 분리하여 적용한 사례들이다.
발전기 및 고압전동기 고정자 권선의 절연상태 평가 기준
가동연수 실 데이터 Bx+A Cx2+Bx+A Dx3+Cx2+Bx+A
+4 1400 1400.0 1400.0 6288.2
+6 11000 11000.0 11000.0 22714.4
+15 - 54200.0 166885.3 368168.9
발전기 및 고압전동기 고정자 권선의 절연상태 평가 기준
가동연수 실 데이터 Bx+A Cx2+Bx+A Dx3+Cx2+Bx+A
+4 1400 1400 1400 3284.5
+10 42000 42000 42000 55035.7
+15 - 75833.3 144381.6 187146.1
발전기 및 고압전동기 고정자 권선의 절연상태 평가 기준
가동연수 실 데이터 Bx+A Cx2+Bx+A Dx3+Cx2+Bx+A
+6 11000 11000.0 10999.9 6518.7
+10 42000 42000.0 41999.9 29065.6
+15 - 80750.0 133129.7 96634.7
발전기 및 고압전동기 고정자 권선의 절연상태 평가 기준
가동연수 실 데이터 Bx+A Cx2+Bx+A Dx3+Cx2+Bx+A
+4 1400 1400 1400 4786.35
+6 11000 11000 11000 14616.55
+10 42000 42000 42000 42050.65
+15 - 70261.1 148132.2 217316.5
이후에는 동종 중전기기 의 군체 기반으로, 데이터를 랜덤 선택 및 모델링을 한 후, 적합성을 추정하고 다시 랜덤 선택을 반복하여 가장 적합한 모델을 선정하도록 진행하는 것으로 추정에 대한 정확도를 올릴 수 있다. 이에 있어서는 동형 중전기기 의 데이터를 적용하고, 이에 대한 추가적인 모수를 수정한다.도 9a 및 9b는 도 8의 실시예에 다른 트렌드 기반 건전성 분석에 따른 모델을 나타내는 그래프이다.
도 9a 및 9b에 도시된 바와 같이, 트렌드 기반 건전성 분석에 따른 모델을 확정하면, 예측하고자 하는 년도에 따른 절연상태 추이를 확보할 수 있다.
최종적으로 완성된 모수를 바탕으로 해당 중전기기 의 트렌드 분석 모델을 완료하고, 이 모델에 적합한 년도를 입력하여 예상하는 년도의 부분방전 값을 도출할 수 있다.
(e) 절연열화 예측 시뮬레이션 분석
도 12는 본 발명의 다른 실시예에 따른 건전성 분석 시스템의 분석 방법 중 열화 예측 시뮬레이션 분석을 나타내는 흐름도이다.
도 12를 참조하면, 트렌드 기반 분석이 수행되면 열화 예측 시뮬레이션 및 수명 예측을 수행한다. 열화 예측 시뮬레이션은 전동기 측정 데이터로부터 시뮬레이션 모델을 생성하고, 연도별 예상 트렌드 및 가중치를 기반으로 예비 시뮬레이션을 수행하여 모델의 적합성을 검사한다. 그 프로세스는 아래와 같다.
e-1. 중전기기 원시 데이터 분석(S610)
e-2. (온라인 데이터가 가산된) 기동/정지, 이벤트 발생 가중치 분석(S620)
e-3. 시뮬레이션 모델 생성(S630)
e-4. 파라미터 최적값 조정 (소규모 예비 시뮬레이션 수행, 모델 적합성 검사) (S640)
e-5. 시뮬레이션 모델 확정(S650)
e-6. 열화 관계성 추적(S660)
e-7. 조건부 고장 확률 추정(S670)
e-8. 기계학습 기반의 열화 추정 모델링 구축(S680)
e-9. 열화 예측 시뮬레이션 구축(S690)
트렌드 기반 건전성 분석(S500)이 완료 되면, 이로부터 중전기기 원시 데이터가 분석 된다(S610). 이것과 온라인 센서 데이터를 더한 원동기의 기동/정지 정보, 이벤트 발생 정보를 활용하여 가중치를 분석한다(S620). 온라인 센서 데이터는 특히, 중전기기 가 불시에 기동을 정지하거나, 고장이 발생하는 이벤트 정보를 이 모델에 포함할 수 있다.
이러한 두 그룹의 데이터들을 기반으로 시뮬레이션 모델을 생성할 수 있다(S630).
앞서 트렌드 기반 건전성 분석(S500)이 단일 종류의 중전기기 만을 기준으로 분석한다면, 절연 열화 예측 시뮬레이션 분석(S600)에 적용되는 데이터의 범위는 같은 제조사의 중전기기 범위까지 확장하여 시뮬레이션 모델을 생성한다(S630).
생성된 시뮬레이션 모델을 바탕으로(S630), 모델의 파라미터 최적값을 조정한다(S640). 이것은 소규모 예비 시뮬레이션을 수행하여 이의 적용가능성 여부를 판단하여 파라미터 최적값을 조정할 수 있다. 특히 시뮬레이션에 적용되는 데이터가 더 많이 준비될수록 모델의 정교함을 더 증가시킬 수 있다. 이렇게 파라미터 값이 최적화 되어 모델이 완성되면 시뮬레이션 모델을 확정한다(S650).
한편으로, 앞서 온라인 센서 데이터를 포함한 원동기의 기동/정지 정보, 이벤트 발생 정보를 활용하여, 해당 원동기의 열화 관계성을 추적한다(S660). 기존의 중전기기 의 기동/정지 및 이벤트 발생 조건에 따라 열화 관계성이 있는 경우, 이를 기계학습에 적용하여 모델링을 생성한다(S680). 한편으로는, 확정된 시뮬레이션 모델을 사용하여, 조건부 고장 확률을 추정하고(S670), 이러한 추정값을 역시 기계학습에 적용하여 모델링을 생성한다(S680). 이렇게 기계 학습된 열화 추정 모델링(S680)을 활용하면, 특정한 조건에 부합하는 데이터들을 입력하는 경우 현 상태가 정상인지, 비정상인지를 판단하는 결과값을 얻을 수 있고, 이를 활용하여 정상과 비정상 상태를 판정할 수 있다.
앞서 언급된 두 가지 시뮬레이션 모델(S650)과 기계학습 기반의 열화 추정 모델링(S680)을 이용하여, 열화 예측 시뮬레이션을 구축할 수 있다(S690). 이 모델을 기반으로 언제 해당되는 측정값들이 변화하는 지를 알 수 있고(예를 들어 부분방전 수치와 같은 개별 값을 시뮬레이션 모델로 예측이 가능하다), 이렇게 예측된 값을 기계학습 기반의 열화 추정 모델링(S680)을 적용하여 정상과 비정상을 판정한다. 이러한 기계학습 모델링에 대해서는 추후 별도로 설명한다.
이후 결정된 모델을 이용하여 열화 예측 시뮬레이션을 수행한다. 열화 예측 시뮬레이션을 통해 고장 시기를 최종적으로 추정하고 고장시기의 추정 및 예방정비 권고 결과를 기반으로 종합진단 보고서를 생성한다(S800).
기계학습을 통한 절연상태 진단 알고리즘
기계학습 모델링을 통한 중전기기 절연상태 진단은 검사종합의견을 양호로 받은 데이터와 불량(요주의, 분해점검, 절연보강, 권선교체)으로 판정 받은 데이터를 구분하는 것이다. 이를 위해 다변량 데이터마이닝 기법을 이용하여 분류 모델을 구축하고 사전에 전처리된 데이터를 입력으로 모델의 최적 파라메타를 선정한다. 결과적으로 특정 상태에 있는 신규한 입력 값에 대하여 양호와 불량을 판단 할 수 있는 기계학습을 통한 전동기 절연상태 진단 알고리즘이 생성된다.
기계학습을 통한 절연상태 진단 알고리즘은 마할라노비스 거리와 다구찌 품질공학 이론에 기반한 MTS를 이용한다. MTS 는 정상 그룹 중심점을 기준으로 각 개별 데이터를 단위 공간(Mahalanobis Space; MS) 안에 표현한 후, 이들이 중심점으로부터 얼마나 멀리 떨어져 있는지를 단위 거리(Mahalanobis Distance; MD)로 계산하여 정상 그룹 또는 비정상 그룹으로 분류하게 된다.
최종적으로 전동기 절연상태 판정 알고리즘은 9개의 독립변수를 입력으로 받으며, 1개의 종속변수를 출력을 내보낸다. 9개의 독립변수는 절연저항1분, 성극지수판정, 성극지수, 유전정접판정, 유전정접, 교류전류판정, 교류전류, 부분고전판정, 부분방전고전압이며, 출력인 1개의 종속변수 종합판정으로 양호와 불량의 2진 값을 갖는다.
MTS(Mahalanobis Taguchi System) Library에서 전동기 절연상태 판정 알고리즘 함수는 다음과 같다.
수식 1
int MTS(double Resist1, double Polar, double Dissip, double Current, double PDHigh,string PolarRes, string DissipRes, string CurrentRes, string PDHighRes)
다음 표는 중전기기 절연상태를 판정하기 위한 데이터를 관리하는 DB 의 Schema를 보여준다.
중전기기 진단 DB Schema
NO 컬럼 이름 TYPE 설명 입/출력
1 DataID INT 데이터등록ID
2 AssetID INT 자산등록ID
3 RelID INT 진단결과ID
4 ResAvail ENUM('유효','만료','사용금지') 가용여부
5 TestIter INT 진단회차
6 TestDate DATE 시험일
7 TestLoc VARCHAR(45) 시험장소
8 Testman VARCHAR(45) 시험자
9 TestWeather VARCHAR(45) 시험온습도
10 TestRes ENUM('양호','요주의','절연보강','재권선','세척건조','판정없음') 종합판정 출력
11 TestExtra VARCHAR(45) 진단특이사항
12 ResistRes ENUM("양호","불량","세척건조") 절연저항판정
13 Resist1 DOUBLE 절연저항1분 입력_1
14 Resist10 DOUBLE 절연저항10분
15 PolarRes ENUM("양호","불량","세척건조") 성극지수판정 입력_6
16 Polar DOUBLE 성극지수 입력_2
17 DissipRes ENUM("양호","불량","세척건조") 유전정접판정 입력_7
18 Dissip DOUBLE 유전정접 입력_3
19 CurrentRes ENUM("양호","불량") 교류전류판정 입력_8
20 Current DOUBLE 교류전류 입력_4
21 PDStVolt DOUBLE 부분방전개시전압
22 PDNoise DOUBLE 부분방전노이즈
23 PDPatt ENUM("내부","슬롯","코로나",기타") 부분방전패턴
24 PDNorRes ENUM("양호","불량") 부분상전판정
25 PDNor DOUBLE 부분방전상전압
26 PDHPatt ENUM("내부","슬롯","코로나",기타") 부분고압패턴
27 PDHighRes ENUM("양호","불량") 부분고전판정 입력_9
28 PDHigh DOUBLE 부분방전고전압 입력_5
29 Nq DOUBLE Nq
중전기기 절연상태 판정 알고리즘은 상기의 DB Schema를 기준으로 입력_1 ~ 입력_9까지의 9개의 데이터를 입력으로 MTS(Mahalanobis Taguchi System) 함수가 호출되며, 내부적으로 양호/불량을 판단하여 0(양호)과 1(불량)의 값을 반환한다.
도 13a 내지 13c는 본 발명의 다른 실시예에 따른 건전성 분석 시스템의 분석 방법 중 온라인 센서 데이터 분석을 나타내는 흐름도이다.
도 13a는 사전에 전처리된 데이터 셋을 이용하여 검사종합의견이 양호인 모든 데이터에 대하여 단위거리(Mahalanobis Distance; MD) 계산을 수행한 결과이다.
도 13a를 참조하면, 정상 데이터의 단위거리(MD) 결과는 mean 값이, 0.9994 , std 값이 2.8787의 결과가 측정된다. mean 값이 1.0 에 근사하므로 정상적인 것으로 판단할 수 있다.
도 13b는 사전에 검사종합의견이 양호가 아닌 모든 데이터를 이용하여 단위거리(Mahalanobis Distance; MD) 계산을 수행한 결과이다.
도 13b를 참조하면, 검사종합의견이 양호가 아닌 모든 데이터를 이용하여 단위거리(Mahalanobis Distance; MD)를 계산하였으며 그 결과 mean : 11.4701, std : 7.2826 으로 수치상으로 정상 단위거리(Mahalanobis Distance; MD)와 구분이 가능함을 알 수 있다. 도 13b는 검사종합의견이 양호가 아닌 데이터로 구한 단위거리(Mahalanobis Distance; MD)를 기존에 양호인 데이터로 구한 단위거리(Mahalanobis Distance; MD)와 비교한 것으로 분류가 가능한 정도로 차이가 발생하여, 비정상 여부를 판단할 수 있다.
도 13c는 앞서 구한 정상과 비정상 단위거리(Mahalanobis Distance; MD) 를 이용하여 분류가 가능한 정확도 분석을 수행한 결과이다.
도 13c를 참조하면, 정상과 비정상의 구분은 정확도가 가장 높은 Threshold를 찾는 과정으로 Threshold가 3.0980인 지점에서 91.5%의 정확도로 양호와 불량을 판단할 수 있는 것을 확인할 수 있다. 따라서 본 기계학습을 통한 절연상태 진단 알고리즘은 91.5%의 정확도로 양호와 불량을 판단할 수 있는 MTS 기반 중전기기 절연상태 판정 알고리즘임을 알 수 있다.
(d) 온라인 센서 데이터 분석
앞서 언급한 바와 같이 온라인 센서 데이터를 이용한 1차적인 판단은 온라인 데이터 처리(S210) 내의 기준 검사 및 이벤트 검사 단계(S213)에서 실시할 수 있다. 설정된 기준 값을 초과하는 등의 이벤트가 발생하는 경우 즉각적으로 대응할 수 있다. 본 분석 단계에서는 데이터베이스를 활용한 심도 있는 분석을 실행한다.
도 14는 본 발명의 다른 실시예에 따른 건전성 분석 시스템의 분석 방법 중 온라인 센서 데이터 분석을 나타내는 흐름도이다.
본 실시예에 따른 온라인 센서 데이터 분석 단계(S700)는 방전 패턴에 대한 평가를 실시한다. 실시간 또는 정기적인 간격으로 측정된 방전 패턴 값을 이용하여 패턴 발생 원인을 파악할 수 있다.
도 12를 참조하면, 도시된 각 패턴에 따라, 패턴에 따른 위험도 및 추정되는 패턴 발생 원인이 도시된다.
패턴의 형태는 (a)부터 (l)까지 게시되었으며, 각각은 높은 위험도와 낮은 위험도 그리고 중간위험도의 위험단계를 가지고 있다. 각 패턴의 형태를 파악하여 발생 원인을 추적할 수 있다.
(a)패턴은 권선도체에서 절연 테이프 박리된 원인으로 발생되는 방전 패턴이며, 이것은 높은 위험도를 가진다.
(b)패턴은 단일 층의 절연 테이프가 박리된 원인으로 발생되는 방전 패턴이며, 이것은 역시 높은 위험도를 가진다.
(c)패턴은 절연 테이프 다수 층이 박리된 원인으로 발생되는 방전 패턴이며, 역시 높은 위험도를 가진다.
(d)패턴은 슬롯 코로나 보호 테이프 또는 페인트가 마모되는 원인으로 발생되는 방전 패턴이며, 역시 높은 위험도를 가진다.
(e)패턴과 (f) 패턴은 마이크로 보이드나 캐비티에 의해 발생되는 방전 패턴이며, 낮은 위험도를 가진다.
(g)패턴, (h)패턴, (i) 패턴, (j) 패턴은 권선단말 표면에 방전이나 트래킹의 원인으로 발생되는 방전 패턴이며, 중간 정도의 위험도를 가진다.
(k)패턴은 가스나 스파크로 인한 권선단말 방전에 의해 발생되는 방전 패턴이며, 중간 정도의 위험도를 가진다.
(l)패턴은 OCP와 EPG 사이의 연결 불량에 의해 발생되는 방전 패턴이며, 중간 정도의 위험도를 가진다.
따라서, 이러한 센서 데이터를 통해 분석할 수 있는 부분 방전의 패턴으로 현재 중전기기 상태 이상이나 위험도를 분석할 수 있다.
이외에도, 측정되는 다양한 데이터를 분석하여, 분석의 대상을 늘릴 수 있다. 특히, 구축된 데이터베이스를 통하여, 과거 운용 상태 대비 현재 운용 상태 값과 비교하고 일정 비율이상 초과할 경우에는 비정상으로 판단할 수 있는 알고리즘을 추가적으로 마련할 수 있다.
이러한 온라인 데이터 분석의 효과는 정기적인 현장 조사 사이의 기간에 발생될 수 있는 고장이나 이벤트 발생에 대응할 수 있다는 점이다. 정기 점검은 앞서 설명한 바와 같이 전체 전동기의 기동을 중지하고 실시하여야 하기 때문에, 수년 단위로 실시할 수 밖에 없다. 이 사이의 기간 동안 중전기기 의 일부에 이상이 발생하는 경우 이를 점검할 수 있는 방법이 없었으나, 이러한 온라인 데이터 분석을 통하는 경우, 정기점검만으로 발생될 수 있는 블라인드 스폿을 제거할 수 있다.
(e) 진단 결과 자동 판정
이러한 다양한 분석 결과를 바탕으로 진단 결과를 자동으로 판정하고, 프로세스 내에서 결과 보고서를 도출할 수 있다.
최종적인 결과에 의한 보고서 이외에도 상태 이상의 경우 알림을 발생시키는 방법이 필요하다. 전동기 상태 이상 시는 신호음 및 화면상 대상전동기의 색깔 변화를 통해 알림으로 제공할 수 있다.
(f) 판정결과 데이터화
도 15는 본 발명의 다른 실시예에 따른 건전성 분석 시스템의 분석 방법 중 판정결과 데이터화를 나타내는 흐름도이다.
각 단계의 생성되는 모델의 정교성을 향상시키기 위하여, 판정 결과를 다시 데이터화 하여, 데이터베이스 모듈(500)에 제공하고 다시 추가적인 데이터베이스를 구축한다(S400).
본 발명에서는 모델-데이터기반방법(Model & Data-driven approach)을 적용한다. 모델기반방법은 적은 데이터로 높은 예측 정확도를 확보할 수 있는 반면 확립된 모델이 많지 않기 때문에 적용 분야가 매우 제한적인 단점을 갖고 있다. 하지만, 정확한 모델을 확보할 수 있다면 이를 통해 미래의 고장예지가 가능하다.
이러한 모델기반방법의 장점을 극대화하기 위해 데이터기반방법과 모델기반방법을 접목하여 적용한다. 모델-데이터기반방법은 내/외부에서 발생하는 불확실성을 데이터 기반으로 모델링 하여 모델의 정확도를 높이는 방법으로, 베이지안 접근법(Bayesian Approach)을 이용하여 불확실성을 확률적으로 표현하고, 베이즈 정리(Bayes theorem)에 기반하여 분석, 추정 및 업데이트 한다.
도 15를 참조하면, 판정 결과를 다시 데이터화 하여, 이를 기반으로 기존의 데이터 모델을 더 정교화 한다. 또한, 알고리즘에서 추정한 수명 주기 이전에 사고가 발생할 경우, 사고 종류와 원인에 따라서 알고리즘의 수명 예측 기준을 자동으로 재반영하여 동종 전동기 수명예측에 적용되도록 할 수 있다.
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로, 중전기기 시험과 관련된 다양한 타입의 데이터를 관리하고 이를 이용하여 고장 시기를 예측할 수 있는 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법을 제공하고자 한다.

Claims (20)

  1. 센서 모듈(210);
    상기 센서 모듈(210)로부터 데이터를 수집하는 데이터 수집 모듈(220);
    상기 데이터 수집 모듈(220)으로부터 데이터를 전달 받아 이를 관리하는 데이터 관리 모듈(400);
    상기 데이터 관리 모듈(400)로부터 전달 받은 데이터를 기록하는 데이터베이스 모듈(500);
    상기 데이터베이스 모듈(500)에 기록된 데이터를 적용하여 전동기의 진단을 실시하는 진단 분석 모듈(600);을 포함하는 중전기기 건전성 분석 플랫폼(1000)에 있어서,
    상기 진단 분석 모듈(600)은,
    입력 받은 데이터들을 기준으로 건전성을 진단하는 현용 기준 절연 진단 시스템(610);
    상기 데이터베이스 모듈(500)의 데이터베이스와 연동하여 연도별 예상 트렌드를 추정하여 분석하는 트렌드 기반 건전성 분석 시스템(620);
    시뮬레이션 모델을 생성하여 열화를 분석하는 열화 예측 시뮬레이션 분석 시스템(630);
    제공되는 온라인 데이터를 사용하여 분석하는 온라인 센서데이터 분석 시스템(640);을 포함하여 구성되는 것을 특징으로 하는 중전기기 건전성 분석 플랫폼.
  2. 제1항에 있어서,
    외부 사용자 간의 결재를 진행할 수 있는 결재 모듈(110);
    외부 사용자에게 보고서 및 데이터를 수집/제공하는 보고서 및 데이터 관리 모듈(120); 및
    이벤트 발생시 외부로 이를 경고하는 경고 모듈(130)을 더 포함하는 것을 특징으로 하는 중전기기 건전성 분석 플랫폼.
  3. 제1항에 있어서,
    상기 센서 모듈(210)은,
    상기 중전기기에 장착되어 있는 장착 센서(211), 진단 장비(212) 및 시스템 센서(213)을 포함하고,
    상기 데이터 수집 모듈(220)은,
    상기 장착 센서(211)의 데이터를 수집하는 PI 시스템(221), 상기 진단 장비(212)와 연동되는 일반 진단 시스템(222) 및 상기 시스템 센서(213)와 연동되는 트랜스 듀서(213)를 포함하는 것을 특징으로 하는 중전기기 건전성 분석 플랫폼.
  4. 제1항에 있어서,
    상기 데이터베이스 모듈(500)은 전동기 사양 데이터베이스(510), 절연 진단 데이터베이스(520), 고장이력 데이터베이스(530), 온라인 센서 데이터베이스(540), 건전성 판정 데이터베이스(550)를 포함하는 것을 특징으로 하는 중전기기 건전성 분석 플랫폼.
  5. 제4항에 있어서,
    트렌드 기반 건전성 분석 시스템(620)은,
    대상 전동기 데이터 모수와 상기 절연진단 데이터베이스(520)를 이용한 동형 중전기기 데이터 모수를 추정하여 연도별 예상 트렌드 추정하는 것을 특징으로 하는 중전기기 건전성 분석 플랫폼.
  6. 제1항에 있어서,
    열화 예측 시뮬레이션 분석 시스템(630)은 시뮬레이션 모델과 기계학습 기반 열화 추정 모델링을 포함하여 구성되는 것을 특징으로 하는 중전기기 건전성 분석 플랫폼.
  7. 제6항에 있어서,
    구축하는 기계학습 기반 열화 추정 모델링은,
    정상 그룹 중심점을 기준으로 각 개별 데이터를 단위 공간(Mahalanobis Space; MS) 안에 표현한 후, 이들이 중심점으로부터 얼마나 멀리 떨어져 있는지를 단위 거리(Mahalanobis Distance; MD)를 측정하는 방법으로 정상 및 비정상을 판단하는 모델링인 것을 특징으로 하는 중전기기 건전성 분석 플랫폼.
  8. 제7항에 있어서,
    상기 각 개별 데이터의 독립 변수는 절연저항1분 측정값, 성극지수판정 값, 성극지수 값, 유전정접판정 값, 유전정접 값, 교류전류판정 값, 교류전류 값, 부분고전판정 값, 부분방전고전압 값인 것을 특징으로 하는 중전기기 건전성 분석 플랫폼.
  9. 제1항에 있어서,
    상기 중전기기는 발전기, 변압기, 전동기를 포함하는 것을 특징으로 하는 중전기기 건전성 분석 플랫폼.
  10. 중전기기의 기동을 멈춘 상태에서 현장에서 수집된 데이터를 입력 받는 현장 진단 정보 입력 단계(S100);
    센서 모듈(210) 및 데이터 수집 모듈(220)을 통하여 설치된 센서들의 데이터를 정기적/불연속적으로 수집하는 온라인 센서 데이터 수집 단계(S200);
    상기 현장 진단 정보 입력 단계(S100) 및 온라인 센서 데이터 수집 단계(S200)를 데이터베이스 구축 단계(S400);
    직류시험 분석 단계(S310), 교류전류시험 분석 단계(S320), 유전정접시험 분석 단계(S330) 및 부분방전시험 분석 단계(S340)를 포함하고, 상기 현장 진단 정보 입력 단계(S100)에서 입력된 데이터를 바탕으로 현용 기준 중전기기 의 건전성을 진단하는 현용 기준 건전성 분석 단계(S300);
    상기 데이터베이스 구축 단계(S400)에서 구축된 데이터베이스와 연계하여 연도별 예상 트렌드를 추정하여 건전성을 분석하는 트렌드 기반 건전성 분석 단계(S500);
    시뮬레이션 모델을 생성하여 중전기기 의 건전성을 분석하는 열화 예측 시뮬레이션 분석 단계(S600);
    상기 온라인 센서 데이터 수집 단계(S200)에서 수집된 온라인 센서 데이터를 이용하여 중전기기 의 건전성을 분석하는 온라인 센서 데이터 분석 단계(S700); 및
    진단결과 자동판정 단계(S800)를 포함하는 중전기기 건전성 분석 방법.
  11. 제1항에 있어서,
    상기 현용 기준 건전성 분석 단계(S300)는 상기 현장 진단 정보 입력 단계(S100)에서 입력된 데이터를 이용하여 분석하고,
    상기 트렌드 기반 건전성 분석 단계(S500)는 상기 현장 진단 정보 입력 단계(S100)에서 입력된 데이터 및 상기 현장 진단된 중전기기와 동종인 중전기기의 데이터를 이용하여 분석하고,
    상기 열화 예측 시뮬레이션 분석 단계(S600)는 상기 현장 진단 정보 입력 단계(S100)에서 입력된 데이터, 상기 현장 진단된 중전기기와 동종인 중전기기의 데이터 및 상기 현장 진단된 중전기기와 동일 제작사 및 유사시기인 중전기기의 데이터를 이용하여 분석하는 것을 특징으로 하는 중전기기 건전성 분석 방법.
  12. 제10항에 있어서,
    상기 온라인 센서 데이터 수집 단계(S200)는
    온라인으로 수집되는 센서 데이터의 대상 중전기기 별 데이터로 분류하는 수집데이터 분류 단계(S211);
    시간 및 일간별로 추이를 분석할 수 있도록 정리하는 시간/일간 추이 정리 단계(S212);
    1차적으로 센서값을 판단하여 이벤트를 감지하는 기준검사 및 이벤트 검사 단계(S213); 및
    이벤트가 발생할 경우 경고를 발생시키는 이벤트 발생시 경고 단계(S214)를 포함하는 것을 특징으로 하는 중전기기 건전성 분석 방법.
  13. 제10항에 있어서,
    데이터베이스 구축 단계(S400)에서 구축된 데이터베이스는 중전기기 사양 데이터베이스(510), 절연 진단 데이터베이스(520), 고장이력 데이터베이스(530), 온라인 센서 데이터베이스(540), 건전성 판정 데이터베이스(550)를 포함하는 것을 특징으로 하는 중전기기 건전성 분석 방법.
  14. 제10항에 있어서,
    트렌드 기반 건전성 분석 단계(S500)는,
    절연진단 데이터베이스를 이용한 중전기기 기본 정보 분류 단계(S510);
    대상 중전기기 측정결과 추출 단계 (S520);
    정비이력 검토 단계 (S530);
    대상 전동기 데이터 모수 추정 단계 (S540);
    절연진단 데이터베이스를 이용한 동형 중전기기 데이터 모수 추정 단계 (S550);
    절연진단 데이터베이스를 이용한 기계학습 기반 모수 추정 단계 (S560);
    절연진단 데이터베이스를 이용한 해당 모수 적합성 검정 단계 (S570);
    연도별 예상 트렌드 추정 단계 (S580);
    현용 기준 기반 열화 예상 단계 (S590);
    를 포함하는 것을 특징으로 하는 중전기기 건전성 분석 방법.
  15. 제10항에 있어서,
    열화 예측 시뮬레이션 분석 단계(S600)는,
    중전기기 원시 데이터 분석 단계(S610);
    온라인 센서 데이터 수집 단계(S200)에서 수집된 온라인 데이터가 가산된 기동/정지, 이벤트 발생 가중치 분석 단계(S620);
    시뮬레이션 모델 생성 단계(S630);
    시뮬레이션 모델 생성 단계(S630)에서 생성된 시뮬레이션 모델의 파라미터 최적값 조정 단계 (S640);
    상기 파라미터 최적값 조정 단계에서 조정된 값으로 모델을 확정하는 시뮬레이션 모델 확정 단계(S650);
    상기 기동/정지, 이벤트 발생 가중치 분석 단계(S620)에서 분석된 결과값을 바탕으로 이벤트의 관계성을 추적하는 열화 관계성 추적 단계(S660);
    상기 시뮬레이션 모델 확정 단계(S650)에서 확정된 시뮬레이션 모델을 이용하여 고장 확률을 추정하는 조건부 고장 확률 추정 단계(S670);
    기계학습 기반으로 열화 모델링을 구축하는 기계학습 기반 열화 추정 모델링 구축 단계(S680); 및
    상기 시뮬레이션 모델 확정 단계(S650)에서 확정된 시뮬레이션 모델과, 상기 기계학습 기반 열화 추정 모델링 구축 단계(S680)에서 확정된 기계학습 기반 열화 추정 모델링으로 최종 시뮬레이션을 완성하는 열화 예측 시뮬레이션 구축 단계(S690);
    를 포함하는 것을 특징으로 하는 중전기기 건전성 분석 방법.
  16. 제10항에 있어서,
    구축하는 기계학습 기반 열화 추정 모델링 구축 단계(S680)는,
    정상 그룹 중심점을 기준으로 각 개별 데이터를 단위 공간(Mahalanobis Space; MS) 안에 표현한 후, 이들이 중심점으로부터 얼마나 멀리 떨어져 있는지를 단위 거리(Mahalanobis Distance; MD)를 측정하는 방법으로 정상 및 비정상을 판단하는 모델링을 형성하는 것을 특징으로 하는 중전기기 건전성 분석 방법.
  17. 제16항에 있어서,
    상기 각 개별 데이터의 독립 변수는 절연저항1분 측정값, 성극지수판정 값, 성극지수 값, 유전정접판정 값, 유전정접 값, 교류전류판정 값, 교류전류 값, 부분고전판정 값, 부분방전고전압 값인 것을 특징으로 하는 중전기기 건전성 분석 방법.
  18. 제10항에 있어서,
    온라인 센서 데이터 분석 단계(S700)는
    상기 온라인 센서 데이터 수집 단계(S200)에서 수집된 온라인 센서 데이터에서 방전 패턴 값을 추출하고, 상기 방전 패턴에 따라 위험도 및 발생 원인을 추정하는 것을 특징으로 하는 중전기기 건전성 분석 방법.
  19. 제10항에 있어서,
    진단결과 자동판정 단계(S800)에서 판결된 결과를 다시 데이터베이스 구축(S400)에 적용하기 위한 판정결과 데이터화(S900)을 더 포함하는 것을 특징으로 하는 중전기기 건전성 분석 방법.
  20. 제19항에 있어서,
    열화 예측 시뮬레이션 분석 단계(S600)에서 생성되는 시뮬레이션 모델은 상기 판정결과 데이터화(S900)단계에 생성된 데이터를 이용하여, 모델-데이터기반방법(Model & Data-driven approach)에 의해 더 정교한 모델로 업데이트 되는 것을 특징으로 하는 중전기기 건전성 분석 방법.
PCT/KR2020/013533 2019-10-07 2020-10-06 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 WO2021071189A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202080006322.0A CN113167834A (zh) 2019-10-07 2020-10-06 重型电机健全性分析平台及使用其的分析方法
US17/239,122 US20210241544A1 (en) 2019-10-07 2021-04-23 Platform for analyzing health of heavy electric machine and analysis method using the same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0123584 2019-10-07
KR1020190123584A KR102092185B1 (ko) 2019-10-07 2019-10-07 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/239,122 Continuation-In-Part US20210241544A1 (en) 2019-10-07 2021-04-23 Platform for analyzing health of heavy electric machine and analysis method using the same

Publications (1)

Publication Number Publication Date
WO2021071189A1 true WO2021071189A1 (ko) 2021-04-15

Family

ID=70914844

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/013533 WO2021071189A1 (ko) 2019-10-07 2020-10-06 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법

Country Status (4)

Country Link
US (1) US20210241544A1 (ko)
KR (1) KR102092185B1 (ko)
CN (1) CN113167834A (ko)
WO (1) WO2021071189A1 (ko)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102092185B1 (ko) * 2019-10-07 2020-05-26 팩트얼라이언스 주식회사 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법
KR102234531B1 (ko) 2020-07-28 2021-03-31 에이비주식회사 인공지능 분석을 이용한 중전기기 건전성 진단 시스템 및 방법
CN112016828B (zh) * 2020-08-26 2024-03-12 中国特种设备检测研究院 基于流式大数据的工业设备健康管理云平台架构
KR102366922B1 (ko) * 2021-08-27 2022-02-28 팩트얼라이언스 주식회사 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템 및 그 방법
CN113765723B (zh) * 2021-09-23 2024-05-07 深圳市天威网络工程有限公司 一种基于Cable Modem终端设备的健康诊断方法及其系统
CN114047730B (zh) * 2021-10-27 2023-10-27 华电西港发电有限公司 一种高效省能火电厂发电生产优化控制装置
CN113836117A (zh) * 2021-11-04 2021-12-24 云南电网有限责任公司电力科学研究院 一种震中瓷套类电力设备姿态特征数据库系统
KR102464719B1 (ko) * 2021-11-30 2022-11-10 팩트얼라이언스 주식회사 모델-데이터 기반의 중전기기 수명 예측 시스템 및 그 방법
KR102479755B1 (ko) * 2021-11-30 2022-12-23 팩트얼라이언스 주식회사 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법
DE112021007632T5 (de) * 2021-12-01 2024-02-29 Mitsubishi Electric Corporation Lebensdauervorhersagevorrichtung, Lebensdauervorhersagesystem, Lernvorrichtung, Inferenzvorrichtung und Lebensdauervorhersageprogramm
CN114565327B (zh) * 2022-04-29 2022-07-05 深圳科信能源科技有限公司 基于物联网的智慧能源管控系统
CN114966402B (zh) * 2022-07-28 2022-11-01 山东翔讯科技有限公司 一种开关磁阻电机故障诊断系统
CN115827411B (zh) * 2022-12-08 2023-05-16 国家管网集团北方管道有限责任公司 一种用于自动化设备的在线监测及运维评估系统和方法
CN115864759B (zh) * 2023-02-06 2023-05-02 深圳市利和兴股份有限公司 一种电机自动测试工站的控制方法及系统
CN116609652B (zh) * 2023-04-23 2023-10-27 江苏苏港智能装备产业创新中心有限公司 一种基于起重机电机振温信号的电机健康预测评估方法
CN116703368B (zh) * 2023-08-08 2023-10-13 国网信通亿力科技有限责任公司 基于数据挖掘的同期线损智能闭环监测方法
CN117169716B (zh) * 2023-09-07 2024-02-27 江苏省特种设备安全监督检验研究院 一种基于马尔科夫随机场算法的电机健康诊断系统
CN117761535A (zh) * 2024-02-22 2024-03-26 中汽研新能源汽车检验中心(天津)有限公司 一种永磁同步电机湿热绝缘失效评估方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010077602A (ko) * 2000-02-03 2001-08-20 이종훈 변전기기 예방진단시스템
EP2204778A2 (en) * 2008-12-23 2010-07-07 EMBRAER - Empresa Brasileira de Aeronáutica S.A. Prognostics and health monitoring for electro-mechanical systems and components
JP2018180759A (ja) * 2017-04-07 2018-11-15 株式会社日立製作所 システム分析装置、及びシステム分析方法
KR20190085291A (ko) * 2018-01-10 2019-07-18 주식회사 서연이화 자동화설비의 고장분석장치 및 방법
KR102092185B1 (ko) * 2019-10-07 2020-05-26 팩트얼라이언스 주식회사 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100814458B1 (ko) * 2006-08-08 2008-03-17 (주)케이제이다이나텍 전동기 절연 자동측정장치 및 그 방법
JP2010139248A (ja) * 2008-12-09 2010-06-24 Takayoshi Yamamoto 対象設備の寿命予測の方法、コンピュータプログラム、及び、対象設備の寿命予測のための装置
KR101852246B1 (ko) * 2013-03-29 2018-04-25 미쓰비시덴키 가부시키가이샤 전동기의 진단 장치 및 개폐 장치
KR101503478B1 (ko) 2013-12-23 2015-03-17 한국중부발전(주) 센서를 이용한 무선 전동기 모니터링 시스템
CN104267346B (zh) * 2014-09-10 2017-03-15 国电南瑞科技股份有限公司 一种发电机励磁系统故障远程诊断方法
CN105184059A (zh) * 2015-08-20 2015-12-23 国家电网公司 一种基于海量数据的水电机组状态分析评估方法
CN106951687A (zh) * 2017-02-28 2017-07-14 广东电网有限责任公司惠州供电局 基于模糊逻辑和证据推理的变压器绝缘应力计算和评价方法
KR200486953Y1 (ko) 2017-09-08 2018-07-18 한국발전기술주식회사 지능형 전동기 상태 진단장치
KR20190072165A (ko) * 2017-12-15 2019-06-25 주식회사 에이스이앤티 모터 고장 진단 시스템
CN109543858A (zh) * 2018-11-30 2019-03-29 青海电研科技有限责任公司 一种水电机组在线监测数据分析评估方法
CN110007652B (zh) * 2019-03-22 2020-12-29 华中科技大学 一种水电机组劣化趋势区间预测方法与系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010077602A (ko) * 2000-02-03 2001-08-20 이종훈 변전기기 예방진단시스템
EP2204778A2 (en) * 2008-12-23 2010-07-07 EMBRAER - Empresa Brasileira de Aeronáutica S.A. Prognostics and health monitoring for electro-mechanical systems and components
JP2018180759A (ja) * 2017-04-07 2018-11-15 株式会社日立製作所 システム分析装置、及びシステム分析方法
KR20190085291A (ko) * 2018-01-10 2019-07-18 주식회사 서연이화 자동화설비의 고장분석장치 및 방법
KR102092185B1 (ko) * 2019-10-07 2020-05-26 팩트얼라이언스 주식회사 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법

Also Published As

Publication number Publication date
KR102092185B1 (ko) 2020-05-26
US20210241544A1 (en) 2021-08-05
CN113167834A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
WO2021071189A1 (ko) 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법
WO2016085172A1 (ko) 설비의 예측 정비 시스템 및 방법
WO2016006977A1 (en) Apparatus, server, system and method for energy measuring
WO2011034253A1 (ko) 원격 전기 안전 진단 시스템 및 장치
WO2015005663A1 (ko) 신호 계측 진단 모니터링 시스템과 그 방법 및 이를 개별 장치에 적용한 방법 및 시스템
WO2020101108A1 (ko) 인공지능 모델 플랫폼 및 인공지능 모델 플랫폼 운영 방법
WO2021010808A4 (ko) Iot기술을 이용한 전기재해 선제적 탐지 및 예방 시스템
WO2022114871A1 (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
WO2014204179A1 (en) Method for verifying bad pattern in time series sensing data and apparatus thereof
WO2018194201A1 (ko) 교류전원의 위상각 제어 통신을 이용한 기기 제어 장치 및 방법
WO2023234742A1 (ko) 음향 신호를 이용한 공간 감시 시스템 및 공간 감시 방법
WO2020096144A1 (ko) 유입 변압기의 고장 유형 진단 시스템 및 방법
WO2015076435A1 (ko) 진동 특성을 이용한 설비의 결함 진단 방법
WO2013047956A1 (ko) 실시간 동시 파장 특성분석 광통신시스템
Kim et al. Development of monitoring and diagnostic system for SF/sub 6/gas insulated switchgear
WO2020013619A1 (ko) 전력계통 신뢰도 지수를 토대로 한 변전소 자산 관리 방법 및 장치
WO2020171643A1 (ko) 상태 모니터링 기반의 철도차량 유지보수 플랫폼용 장치
WO2023229326A1 (ko) 배터리 셀 진단 장치 및 방법
WO2021060772A1 (ko) 머신러닝기반 태양광발전운영 관리시스템 및 관리방법
WO2019139189A1 (ko) 스트리밍 데이터 처리시스템의 이상동작 분석 장치 및 그 방법
WO2023219207A1 (ko) 태양광발전설비의 아크검출 방법 및 시스템
WO2022097852A1 (ko) 농사용 차량의 관리 시스템 및 그 동작 방법
WO2021221258A1 (ko) 제어 파라미터 설정 및 양품 판정을 수행하는 생산 장비
WO2019172490A1 (ko) 관제 서버 및 관제 서버 제어 방법
WO2019190254A1 (ko) 직류 전원 복합 고장 실시간 종합 감시 방법 및 장치

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: 20874413

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: 20874413

Country of ref document: EP

Kind code of ref document: A1