KR101210729B1 - 지능형 위험전조 패턴 분석모델을 이용한 에너지 플랜트의 실시간 위험전조 예측방법 및 예측시스템 - Google Patents

Abstract

본 발명은 지능형 위험전조 패턴 분석모델을 이용한 에너지 플랜트의 실시간 위험전조 예측방법 및 예측시스템에 관한 것으로, 석유화학, 발전 등 에너지 플랜트의 가스시설에 대한 일반적인 모니터링 시스템에서 정상, 주의, 경고로 분류되던 안전상태에 '위험전조'를 추가한 4개의 패턴을, 축적된 다양한 위험인자(압력, 온도, 가스누출 등)에 대한 데이터를 이용하여 지능형 위험전조 패턴 분석모델을 구축하면서 도출하고, 새로운 데이터가 입력되었을 때 4개의 패턴 중 어떤 패턴에 유사한가를 정량적으로 산출하여 위험전조 패턴의 발생 시 관리자 또는 작업자로 하여금 조치를 취할 수 있도록 지원하는 에너지 플랜트의 실시간 위험전조 예측방법 및 예측시스템을 제공한다.
본 발명은 본 발명에 따른 확장된 SSOM 알고리즘에 의하여 구축된 지능형 위험전조 패턴 분석모델을 이용하여 에너지 플랜트의 관련시설에 대한 위험전조 상태를 왜곡없이 신뢰성있게 예측함으로써 관련시설의 사고 감소와 안전성 향상에 크게 기여할 수 있는 효과를 가진다.

Description

지능형 위험전조 패턴 분석모델을 이용한 에너지 플랜트의 실시간 위험전조 예측방법 및 예측시스템{Predicting method and system of real-time risk sign for energy plants using intelligent risk sign pattern model}

본 발명은 지능형 위험전조 패턴 분석모델을 이용한 에너지 플랜트의 실시간 위험전조 예측방법 및 예측시스템에 관한 것으로, 보다 상세하게는 석유화학, 발전 등 에너지 플랜트의 복합적인 가스관련 시설을 대상으로 다양한 위험인자(압력, 온도, 가스누출 등)에 대한 데이터를 실시간으로 입력받아 지능형 위험전조 패턴 분석모델을 구축하고, 구축된 모델을 이용하여 현재의 데이터를 입력받아 시설의 안전상태를 분류하고 위험전조를 예측하는 에너지 플랜트의 실시간 위험전조 예측방법 및 예측시스템에 관한 것이다.

축적된 데이터를 이용하여 분석결과를 제공하는 수식모델은 일반적으로 사람이 가설을 설정하고 검증을 수행하기 때문에 전개하기가 대단히 어렵다.

특히, 수식모델을 이용하여 비선형 형태의 그래프로 표현되는 데이터 분석결과를 해결해야 하는 경우에는 더욱 가설의 정의 및 수식의 전개가 어려워진다.

최근에 이러한 분석결과에 접근하는 또 다른 방식으로 데이터마이닝(Data Mining; 인공지능)모델이 빈번하게 사용되고 있다. 데이터마이닝 모델은 가설을 세우지 않고 학습(learning)에 의하여 모델을 구축하며 주로 모델의 에러율이 최소화될 때 모델구축을 완료한다.

데이터마이닝 모델에는 학습모델을 구축하는 방법이 주요한 기법(알고리즘)이며, 학습모델을 구축하는 방법은 크게 지도학습(supervised learning)기법과 자율학습(unsupervised learning)기법으로 구분된다.

지도학습기법은 클래스 정보가 데이터 내에 존재하고 이를 기반으로 모델을 구축하여 새로운 데이터의 클래스 정보를 분류하거나 예측하는데 주로 사용한다. 지도학습기법의 대표적인 예로서는 MLP(Multi-layer perception), Decision tree 등이 있다.

자율학습기법은 클래스 정보를 포함하지 않고 데이터 간의 유사성을 중심으로 모델을 구축하며 군집기법같이 유사한 데이터를 묶어 대표성을 부여함으로써 클래스 정보를 생성할 수 있다.

자율학습기법의 대표적인 예로는 k-NN, EM 알고리즘 등이 있다.

지능형 기법 중 하나인 자기조직화 지도 SOM(Self Organized Map)은 자율학습 신경망 모델인 코호넨 네트워크의 일종으로, 주어진 입력에 대한 정확한 해답을 미리 주지않고 자기 스스로 학습가능한 신경 생리학적인 시스템을 본따서 모델링한 네크워크맵으로 [도 1]과 같은 기본적인 구성을 가진다.

[도 1]에 나타낸 바와 같이 코호넨 네트워크는 입력층(input layer)과 출력층(output layer)의 2층 구조로 구성되어 있으며, 출력층에 2차원의 형상화 지도(feature map)가 나타나게 된다.

기본적으로 2층 신경망은 n차원의 입력 데이터를 표현하는 n개의 입력노드(node)들을 가지는 입력층과, k개의 분류영역(decision region)을 표현하기 위한 k개의 출력노드를 가지는 출력층으로 구성된다.

여기서 출력층은 경쟁층(competitive layer)이라고도 하며, 이 경쟁층은 2차원 그리드(grid) 형태로 입력층의 모든 뉴런들과 완전연결(fully connected)되어 있다. 자율학습방법을 사용하고 있는 SOM은 스스로의 학습에 의하여 입력층으로부터 전달받은 n차원의 입력 데이터를 군집화하여 그 결과를 출력층의 2차원 그리드

로 사상(mapping)시켜 준다.

SOM을 이용하여 학습모델을 구축하는 방법은, 경쟁학습(Competitive learning)으로 입력계층의 벡터와 연결강도 벡터간의 유사도를 계산하여 가장 가까운 뉴런을 승자뉴런으로 선정하고, 승자뉴런과 인접한 뉴런들에 대해서만 제시된 입력벡터에 대한 학습을 허용하고 연결강도를 조정한다.

인접한 뉴런은 가우시안 분포 등을 이용하여 이웃반경 계산에 의해 선정된다. SOM의 학습과정을 단계별로 표시해 보면 다음과 같으며 [도 2]로 도식화된다.

[1단계] N개의 입력 데이터로부터 M개의 출력뉴런 사이의 연결강도를 작은 값의 임의의 수로 초기화한다.

[2단계] 새로운 입력 데이터를 제시한다.

[3단계] 입력 데이터와 모든 출력층의 데이터 간을 유클리안 거리기법 등을 이용하여 유사도를 계산한다.

[4단계] 출력층 데이터에서 입력 데이터와 가장 유사한 데이터를 출력한다.

[5단계] 뉴런과 그 이웃들의 연결강도를 조정하고, 계속하여 새로운 데이터를 입력하여 학습한다.

SOM은 학습률(learning rate)과 이웃반경의 감소 정도에 따라 형상화 지도가 꼬이거나 비틀리는 경우에 지역 최소점(local minimum)에 빠지게 되는 문제점을 안고 있다.

또한 SOM은 2차원 맵을 적용하기 때문에 가장자리에 승자뉴런이 선택되면 이웃반경이 충분히 확보되지 않아 왜곡된 지능형 모델을 생성하는 경계효과(border effect)가 발생하는 문제점도 안고 있다.

또한 지능형 기법 중 하나인 베이지안 추론(Bayesian interference)은 아래 [수학식 1]에 나타내 보이는 베이즈 규칙을 기반으로 전문가가 제공한 기본적인 조건(LS, LN)을 이용하여 사전가능성과 사후가능성을 계산하여 사후에 사건이 발생할 확률을 제공한다.

LS(Likelihood of Sufficiency)는 충분가능성을 의미하며 증거가 있을 때 전문가가 가설을 신뢰하는 정도이며, LN(Likelihood of Necessity)은 증거가 없을 때 가설에 대한 불신의 정도이다. 다시말해, LS값이 크다는 증거가 관찰되면 그 규칙이 가설을 강력하게 뒷받침한다는 의미이고, LN값이 작다는 증거가 없다면 그 규칙이 가설을 강력하게 반대한다는 의미이다.

여기서 A는 가설이고 B는 데이터이며, p(A|B)는 사후확률로서 이 확률은 주어진 데이터와 가설에 대한 사전믿음이 주어진 상태에서 가설이 참일 때의 확률이다.

p(B|A)는 B를 보게 됨으로써 가지는 A가 참이 되는 조건부 확률로서 우도 또는 가능도(Likelihood)이다.

p(A)는 A의 사전확률로서 B가 보이기 전까지는 A가 참일 확률이다.

p(B)는 B의 경계확률이다.

다음은 베이지안 추론의 수행단계에 대한 한 예를 나타낸다.

<규칙 1>

IF 오늘은 비가 온다 {LS 2.5 LN 0.6}

THEN 내일은 비가 온다 {사전확률 0.5}

<규칙 2>

IF 오늘은 맑다 {LS 1.6 LN 0.4}

THEN 내일은 맑다 {사전확률 0.5}

[1단계] 사전가능성 계산

O (내일은 비가 온다)=0.5/(1-0.5)=1.0

[2단계] 사후가능성 계산

O (내일은 비가 온다|오늘은 비가 온다)=2.5*1.0=2.5

[3단계] 오늘은 비가 온다는 증거가 관찰됐을 때 내일은 비가 온다는 사후 가능성은 2.5로 사전확률을 갱신

p(내일은 비가 온다|오늘은 비가 온다)=2.5/(1+2.5)=0.71

사후가능성 2.5를 이용한 오늘은 비가 온다는 증거가 관찰되었을 때 내일은 비가 온다는 사후확률은 71%이다.

한편, 석유화학 등 가스관련 산업에서는 다양한 위험을 식별/평가하고 대책을 수립하기 위하여 위험성 평가를 실시한다.

[도 3]은 위험성 평가단계의 한 예를 나타내고 있으며, 최근 들어 잠재위험 확인을 위해서는 정성적 위험성 평가기법을 사용하고 그 이후 단계는 정량적 위험성 평가기법을 준용하는 사례가 늘어나고 있다.

사고발생 확률계산(Accident Frequency Analysis)은 사고사례 분석 및 관련 데이터 수집을 통하여 사고의 발생가능성 분석 및 계산을 수행하는 것으로 관련기법으로는 FTA, ETA, CCA 등이 있다. 사고영향분석(Accident Consequence Analysis)은 사고의 피해영향을 분석하여 소스 모델링, 누출 모델링, 영향 모델링 등을 수행하는 것을 말한다.

그러나 기존의 에너지 플랜트 시설에서 사용하는 위험성 평가기법들은 다음과 같은 문제점을 안고있는 경우가 많다.

1. 기존의 에너지 플랜트 시설에서는 온도, 압력 등 다양한 위험인자가 존재하지만 이들을 함께 고려하지 않고 각각 분리하여 분석?고려함으로써 위험인자간 상호영향이나 관계를 파악하기 어렵다.

2. 일반적으로 에너지 플랜트 등에서는 사고가 발생한 이후 얼마나 효율적으로 대처하는가를 수행하는 사고대응형 기법과 그에 따른 시스템에 의한 모니터링이 주로 이루어지고 있어 사고예측에는 취약하다.

3. 초보적인 지능형 기법을 적용하는 경우가 존재하나 에너지 플랜트의 시설 특성을 고려하여 지능형 기법을 개선하지 않은 채 적용하기 때문에 결과의 왜곡 발생 가능성이 높다.

4. 초보적인 지능형 기법 적용 시 증분적(incremental)인 모델을 사용하지 않기 때문에 항시 상황이 변할 때마다 모델을 재구축해야 하는 문제가 존재한다.

5. 일정한 시간이 지나 데이터가 축적되어야만 사용할 수 있다.

본 발명은 기존의 위험성 평가기법들이 안고 있는 상기와 같은 문제점을 해결하기 위한 것으로, 에너지 플랜트 등 복합가스 관련시설에서 실시간으로 센서 데이터를 수집하여 구축된 지능형 위험전조 패턴분석 모델을 이용하여 대상시설의 위험전조상태를 효율적이고 효과적으로 예측하는 방법을 제공함을 목적으로 한다.

또한 본 발명은 상기 위험전조 예측방법의 현장적용을 원활하게 지원하는 위험전조 예측 시스템의 제공을 목적으로 한다

본 발명자는 석유화학, 발전 등 에너지 플랜트의 가스시설에 대한 일반적인 모니터링 시스템에서 정상, 주의, 경고로 분류되던 안전상태에 '위험전조'를 추가하고, 베이지안 추론 알고리즘과 SSOM(Spherical Self Organized Map;

구형 자기조직화 지도) 알고리즘을 결합시킨 형태의 확장된 SSOM 알고리즘으로, 입력된 센서 데이터를 학습하여 지능형 위험전조 패턴 분석모델을 구축하고, 그 모델의 예측분석능력을 이용함으로써, 상기의 목적을 달성할 수 있음을 알아내고 본 발명을 완성하기에 이르렀다.

보다 구체적으로 본 발명은 이하의 것을 제공한다.

(1) 에너지 플랜트 등의 가스관련 시설을 대상으로 다양한 위험인자에 대한 데이터를 실시간으로 입력받아 지능형 패턴 모델을 구축하고, 구축된 모델을 이용하여 현재 데이터를 입력받아 시설의 안전상태를 정상, 주의, 위험전조, 경고 별로 분류하고 '위험전조' 상태를 예측하는 방법으로서,

베이지안 추론 알고리즘과 SSOM 알고리즘을 결합시킨 형태의 확장된 SSOM 알고리즘으로, 입력된 센서데이터를 학습하여 지능형 위험전조 패턴 분석모델을 구축하는 단계;

구축된 지능형 위험전조 패턴 분석모델을 이용하여 새롭게 입력되는 신규 데이터와 가장 유사한 지능형 위험전조 패턴 분석모델의 노드인 승자뉴런과의 잔차를 산출함으로써 시설의 위험전조 상태를 분류하고 예측하는 단계;로 구분되어 제공되는 것을 특징으로 하는 에너지 플랜트의 실시간 위험전조 예측방법.

(2) 지능형 위험전조 패턴 분석모델의 구축단계는, 축적된 데이터를 정규화하여 베이지안 추론 트리를 생성하고, 생성된 베이지안 추론 트리가 베이지안 규칙을 기반으로 출력결과를 확률로써 제공하는 단계;

베이지안 추론에서 추론된 입력 데이터의 확률을 이용하여 SSOM의 학습 가중치를 조정한 다음 베이지안 추론의 결과인 정상, 주의, 위험전조, 경고 중 가장 높은 확률을 이용하여 SSOM의 학습율을 조정하는 단계; 를 포함하여 제공되는 것을 특징으로 하는 에너지 플랜트의 실시간 위험전조 예측방법.

(3) 에너지 플랜트 등의 가스관련 시설을 대상으로 다양한 위험인자에 대한 데이터를 실시간으로 입력받아 지능형 패턴 모델을 구축하고, 구축된 모델을 이용하여 현재 데이터를 입력받아 시설의 안전상태를 정상, 주의, 위험전조, 경고 별로 분류하고 '위험전조' 상태를 예측하는 시스템으로서,

대상시설에 부착된 센서에 의해 실시간으로 원격전송되는 실데이터와, 상기 실데이터로부터 상기 실데이터와 유사한 의미와 동일한 형식을 갖는 가데이터(假 데이터 : pseudo data)를 생성하여, 의미있는 지능형 학습모델을 구축하기 위한 데이터량를 확보하기 위한 데이터 전처리부와;

시계열적 데이터를 타임윈도우 길이와 이동크기에 기반한 논리적인 가상 트랜잭션으로 변환시켜, 시간과 이벤트 관점에 따른 다양한 데이터의 흐름 및 경향을 뷰어화면을 통해 효율적으로 분석할 수 있도록 지원하는 데이터 필터부와;

시계열로 입력되는 데이터를 시간으로 그룹화하고, 시계열로 입력되는 데이터의 그룹화 크기와 간격을 설정하여 시간 및 관점에 따라 다양한 경향 및 추세를 조사함으로써, 예상치 않은 시설상태 데이터의 흐름이나 향후 진행 및 과거 이력사항들을 분석할 수 있는 기능을 가지는 데이터 뷰어와;

지능형 위험전조 패턴 분석모델을 구축하기 위한 지능형 위험전조 패턴분석 모델 학습부와;

완성된 상기 지능형 위험전조 패턴 분석모델을 이용하여 새로운 데이터를 실시간으로 입력받아 위험전조상태에 대한 인식을 수행하고 그 결과를 제시하는 실시간 위험전조 예측부;를 포함하여 제공되는 것을 특징으로 하는 에너지 플랜트의 실시간 위험전조 예측 시스템.

(4) 가데이터(假 데이터 : pseudo data)는 데이터 생성기(Data Generator)에 의해 생성되는 것을 특징으로 하는 에너지 플랜트의 실시간 위험전조 예측 시스템.

(5) 데이터 생성기(Data Generator)는 입력 실데이터 상호간의 관계성을 고려하여 각 입력 실데이터간의 상관관계를 설정함으로써 가데이터(假 데이터 : pseudo data)를 생성하거나, 분류 기준별로 실데이터의 분포도와 유사한 분포도를 가진 가데이터(假 데이터 : pseudo data)를 생성할 수 있는 것을 특징으로 하는 에너지 플랜트의 실시간 위험전조 예측 시스템.

(6) 지능형 위험전조 패턴분석 모델 학습부는 베이지안규칙 파일과 데이터를 읽어들여 추론을 실행하는 베이지안 학습부(Bayesian Learning)와, 베이지안 추론결과를 읽어들여 지능형 위험전조 패턴 분석모델을 구축하기 위한 조건을 선정하는 SSOM 학습부(SSOM Learning)로 구분하여 제공되는 것을 특징으로 하는 에너지 플랜트의 실시간 위험전조 예측 시스템.

본 발명은 석유화학, 발전 등 에너지 플랜트의 가스시설에 대한 일반적인 모니터링 시스템에서 정상, 주의, 경고로 분류되던 안전상태에 '위험전조'를 추가하고, 본 발명에 따른 확장된 SSOM 알고리즘에 의하여 구축된 지능형 위험전조 패턴 분석모델을 이용하여 '위험전조' 상태를 왜곡없이 신뢰성있게 예측함으로써 관련시설의 사고 감소와 안전성 향상에 크게 기여할 수 있는 효과를 가진다.

도 1은 코호넨 네트워크의 기본구조
도 2는 SOM 학습과정
도 3은 기존의 위험성 평가단계
도 4는 본 발명에 따른 베이지안 알고리즘과 SSOM의 결합흐름
도 5는 본 발명에 따른 확장된 SSOM의 2차원 전개도 및 이웃반경 선정 예
도 6은 본 발명에 따른 베이지안 추론 트리의 생성흐름
도 7은 본 발명에 따른 베이지안 규칙 데이터의 예시
도 8은 본 발명에 따른 베이지안 추론의 실행 예시
도 9는 본 발명에 따른 베이지안 추론을 이용한 SSOM의 학습률 조절 예
도 10은 본 발명에 따른 확장된 SSOM을 이용한 위험전조 패턴 도출과정
도 11은 본 발명에 따른 위험전조 예측 시스템의 소프트웨어 구조
도 12는 본 발명에 따른 온도와 압력 데이터간의 상관관계 데이터
도 13은 본 발명에 따른 타임윈도우 기법을 이용한 가상 트랜잭션 표현
도 14는 본 발명에 따른 데이터 뷰어 화면 인터페이스
도 15는 본 발명에 따른 지능형 분석 모델을 구축하기 위한 SSOM 학습부의 조건화면을 각각 나타내고 있다.

본 발명은 석유화학, 발전 등 에너지 플랜트의 가스시설에 대한 일반적인 모니터링 시스템에서 정상, 주의, 경고로 분류되던 안전상태에 '위험전조'를 추가한 4개의 패턴을, 축적된 다양한 위험인자(압력, 온도, 가스누출 등)에 대한 데이터를 이용하여 지능형 패턴 예측모델을 구축하면서 도출하고, 새로운 데이터가 입력되었을 때 4개의 패턴 중 어떤 패턴에 유사한가를 정량적으로 산출하여 위험전조 패턴의 발생 시 관리자 또는 작업자로 하여금 조치를 취할 수 있도록 지원하는 에너지 플랜트의 실시간 위험전조 예측방법 및 예측시스템에 관한 것이다.

본 발명에 따른 위험전조 예측방법은 지능형 위험전조 패턴 분석모델의 구축단계와 위험전조 상태의 분류 및 예측단계로 구분될 수 있다.

지능형 위험전조 패턴 분석모델의 구축단계는 베이지안 추론 알고리즘과 SSOM(Spherical Self Organized Map; 구형 자기조직화 지도) 알고리즘을 결합시켜 형성한 확장된 SSOM 알고리즘으로, 입력된 센서 데이터를 학습하여 지능형 위험전조 패턴 분석모델을 구축하는 단계이고, 위험전조 상태의 분류 및 예측단계는 구축된 지능형 위험전조 패턴 분석모델을 이용하여 새롭게 입력되는 신규 데이터와 가장 유사한 지능형 위험전조 패턴 분석모델의 노드인 승자뉴런과의 잔차를 산출함으로써 위험전조 상태를 분류 및 예측하는 단계이다.

좀더 자세하게 지능형 위험전조 패턴 분석모델의 구축단계는 입력 데이터를 기반으로 한 베이지안 추론 알고리즘이 베이지안 트리를 구성하여 결과 뿐만 아니라 결과가 발생할 확률까지 출력하면, SSOM 알고리즘이 최종적으로 지능형 위험전조 패턴 분석모델을 구축하는 식으로 이루어진다.

[도 4]는 본 발명에 따른 지능형 위험전조 패턴 분석모델 구축 시 베이지안 추론 알고리즘과 SSOM 알고리즘의 결합흐름을 보여준다.

[도 4]에 나타내어진 바와 같이 베이지안 추론 알고리즘과 SSOM 알고리즘을 결합시켜 형성한, 본 발명에 따른 확장된 SSOM 알고리즘에 의한 학습방법은 SSOM의 초기화(Initialization)로부터 시작하여 인접뉴런의 선정(Neighborhood Search)단계까지는 앞의 [도 2]에 나타낸 SOM 알고리즘에 의한 학습방법과 크게 차이가 없다.

그러나 SOM은 결과를 군집화하여 지역 최적화 알고리즘 기반으로 학습하기 때문에 학습률(learning rate)과 이웃반경의 감소 정도에 따라 형상화 지도가 꼬이거나 비틀리는 경우에 지역 최소점(local minimum)에 빠지게 되는 문제점을 안고 있다. 이것은 학습맵이 충분히 형성되기 전에 이웃반경이 줄어들어 그 이후 연결강도 조정 시에는 이미 잘못된 형태로 학습이 진행되기 때문이다.

본 발명에서는 [도 4]와 같이 베지이안 추론에서 나온 결과물을 이용하여 데이터의 실제 가중치를 산출하여 학습률을 조정(Weight Update)함으로써 SOM의 본질적 문제점인 지역최소점에 빠지는 문제를 해결하고 있다.

또한 SOM은 2차원 맵을 적용하기 때문에 가장자리에 승자뉴런이 선택되면 이웃반경이 충분히 확보되지 않아 왜곡된 지능형 모델을 생성하는 경계효과(border effect)가 발생하는 문제점을 안고 있다.

그러나 본 발명에 따른 확장된 SSOM은 구(球)형태의 맵을 사용함으로써 어떤 노드가 승자뉴런으로 선택되어도 항상 동일한 이웃반경이 적용될 수 있도록 한다.

또한 본 발명에 따른 확장된 SSOM은 2차원 전개도에서 이웃노드를 검색함으로써 이웃노드의 검색속도가 SOM에 비하여 크게 향상된다.

본 발명에 따른 확장된 SSOM에서 이웃노드를 검색하는 과정을 단계별로 나타내면 다음과 같다.

[1단계] 승자뉴런의 연결강도를 조정한다.

[2단계] 1차원 레벨의 승자뉴런의 이웃벡터를 검색한다.

[3단계] 이웃벡터들을 A리스트에 입력한다.

[4단계] A리스트에 있는 이웃벡터들의 연결강도를 조정한다.

[5단계] A리스트 중에 연결되어있는 벡터들을 검색하여 A1리스트에 삽입한다.

[6단계] A1리스트에 있는 이웃벡터들의 연결강도를 조정한다.

[7단계] A1리스트를 A에 입력하고 A1리스트를 초기화한다.

[8단계] 이웃반경만큼 2단계에서 7단계까지 반복한다.

또한, [도 5]는 본 발명에 따른 확장된 SSOM의 2차원 전개도 및 이웃반경 선정 예를 도식화한 것으로, [도 5]와 같이 빨간색에 해당하는 부분(W)이 승자뉴런으로 선택되었을 때, 이웃반경이 1레벨씩 증가할 때마다 승자뉴런을 중심으로 육각형의 범위가 1레벨씩 증가한다.

또한, [도 5]에서 A에 해당하는 부분이 승자뉴런 또는 이웃벡터로 선택되었을 때는 A부터 A''''는 동일뉴런이므로 동시에 학습한다.

이하 본 발명의 위험전조 예측방법을 그 바람직한 실시형태에 기초하여 첨부된 도면을 참조하면서 설명한다.

본 발명에 따른 베이지안과 SSOM 결합 알고리즘 기반의 위험전조 패턴 분석모델은 크게 학습모델을 구축하는 과정과 상기 학습모델을 이용해서 새로운 데이터의 패턴을 결정하는 과정으로 구분될 수 있다.

학습모델 구축과정의 첫 번째 단계는 축적된 데이터를 정규화하여 베이지안 추론 트리를 생성하고 생성된 베이지안 추론 트리는 베이지안 규칙을 기반으로 출력결과를 확률로써 제공한다.

이를 베이지안 추론 트리의 생성과 추론의 실행 예시를 나타내고 있는 [도 6] 및 [도 8]에 의하여 설명하면 다음과 같다.

우선, [도 6]과 같이 관리요소 상태별로 축적된 실측 데이터를 위험전조 패턴을 인식하기 위한 데이터 범위로 정규화하여 입력하고, 위험전조 패턴을 인식하기 위한, 즉 시설의 안전상태를 정상, 주의, 위험전조, 경고 패턴으로 분류하기 위한 규칙과 규칙별 LS, LN값을 베이지안 규칙파일에 입력하면 입력된 베이지안 규칙파일을 기반으로 베이지안 추론 트리가 생성된다(베이지안 규칙 데이터의 예시는 도 7에 나타낸다).

그 후 [도 8]과 같이 실측된 센서 데이터를 입력하면 기 생성되어 있는 베이지안 추론 트리에 의하여 베이지안 추론이 실행되고 추론된 베이지안 결과가 정상, 주의, 위험전조, 경고 별로 결과와 확률로 출력된다.

학습모델 구축과정의 두 번째 단계는 베이지안 추론 결과를 이용하여 SSOM의 학습률(learning rate)을 조절하는 것이다. 즉, 베이지안 추론에서 입력 데이터의 확률을 추론하여 SSOM의 학습 가중치를 조정한 다음 지역 최소점에 빠지는 오류를 줄이는 방안으로서 베이지안 추론 결과 중 가장 높은 확률을 이용하여 SSOM의 학습률을 조절하면서 지능형 학습모델을 구축하는 것이다.

[도 9]는 베이지안 추론의 결과인 정상, 주의, 위험전조, 경고 중 가장 높은 확률을 이용하여 SSOM의 학습률을 조절하면서 SSOM 모델을 구축하는 예를 나타내고 있다.

상기와 같이 학습모델 구축과정에 의하여 구축된 지능형 학습모델을 이용하여 새로운 데이터의 패턴을 결정하는 과정은, 새로 입력되는 데이터를 특정벡터로 정규화한 다음, 구축된 SSOM 모델을 이용하여 분석한 결과 어떤 패턴으로 분류되고 예측 가능한 지를 수행하는 단계이다.

이를 좀더 상세하게 설명하면, [도 10]은 본 발명에 따른 SSOM에 새로운 센서 데이터가 입력되었을 때, 위험전조 패턴으로 분류되고 예측되는 과정을 나타내고 있는데, 테스트 박스나 밸브실에서 수집된 센서 데이터를 데이터 시스템에 저장하고, 데이터 시스템에 저장된 데이터를 SSOM 특정벡터로 정규화시킨 다음, SSOM 학습을 통해 정규화된 센서 데이터와 가장 유사한 SSOM 모델의 노드인 승자뉴런과의 잔차를 산출함으로써 SSOM 맵에 정규화된 센서 데이터가 위험전조인지 아닌지를 알려주는 것이다.

본 발명에 따른 위험전조 예측 시스템은 본 발명에 따른 위험전조 예측방법의 현장적용을 원활하게 지원하기 위한 것으로, 에너지 플랜트 등의 복합가스 관련시설에서 실시간으로 센서 데이터를 수집하여 구축된 지능형 위험전조 패턴분석 모델을 이용하여 대상시설의 안전상태를 효율적이고 효과적으로 예측할 수 있도록 구성되어 있다.

본 발명에 따른 위험전조 예측 시스템의 소프트웨어 구조가 [도 11]에 나타내어져 있다.

본 발명에 따른 위험전조 예측 시스템은 크게 데이터 전처리부, 데이터 필터부, 데이터 뷰어, 지능형 위험전조 패턴 분석모델 학습부 및 위험전조 예측부로 이루어져 있다.

데이터 전처리부에서 사용되는 데이터는 실데이터(Real Data)와 가데이터(假 데이터 : pseudo data)(Generation Data)로 분류된다. 실데이터는 대상시설에 부착된 센서에 의해 실시간으로 원격전송되는 실측데이터를 의미한다. 가데이터(假 데이터 : pseudo data)는 본 발명에 따른 데이터 생성기(Data Generator)에 의해 생성되는 것으로 실데이터와 유사한 의미와 동일한 형식을 갖는 데이터를 의미한다.

지금까지 인공지능(데이터마이닝) 분야에서는 실데이터를 수집하여 의미있는 지능형 학습모델을 구축하기까지 최소 6개월 이상이 소요되었다.

본 발명에 따른 위험전조 예측 시스템은 이러한 소요시간을 최소화하고자 실데이터가 미비할 때 의미있는 가데이터(假 데이터 : pseudo data)를 생성하여 학습모델 구축을 지원하는 수단으로 데이터 생성기를 모듈로 탑재하고 있다.

본 발명에 따른 데이터 생성기는 다양한 종류의 입력 실데이터에 대한 범위(range)와 분포속성(distribution characteristics)을 사용자로부터 입력받고, 입력 실데이터 상호간의 관계성을 고려하여 각 입력 실데이터간의 상관관계를 설정함으로써 가데이터(假 데이터 : pseudo data)를 생성하거나, 분류 기준별로 실데이터의 분포도와 유사한 분포도를 가진 가데이터(假 데이터 : pseudo data)를 생성할 수 있어, 일반적으로 임의 데이터를 생성하여 학습모델을 구축하는 방법에 비하여 보다 효과적인 결과를 산출할 수 있다.

[도 12]는 주된 입력이 온도 데이터일 때 압력 데이터와의 상관관계를 설정된 조건에 따라 생성한 예를 보인다.

또한, 본 발명에 따른 위험전조 예측 시스템은 본 발명에 따른 지능형 위험전조 패턴 분석모델이 실시간적으로 데이터가 입력되어 축적되면서 가데이터(假 데이터 : pseudo data)를 점차적으로 활용하지 않아도 되는 증분적(incremental) 모델로 구축되는 것을 포함한다.

데이터 필터부는, 에너지 플랜트 등에서 발생하는 데이터가 발생시간, 발생 이벤트 및 기타 정보가 한 개의 레코드로 구성되는 시계열 데이터라는 특성을 이용하여, 데이터 뷰어 등을 통하여 사용자에게 시간 및 다양한 조건에 따른 새로운 관점을 제시하기 위해 사용된다.

데이터 필터링은 예를 들어 관련있는 이벤트는 비슷한 시간에 주로 발생한다는 관점하에 이벤트 시간축에서 가상 트랜잭션(transaction)을 만들 때 타임윈도우 길이와 이동크기(shift size)를 이용한다.

타임윈도우 길이는 가상 트랜잭션의 유지간격을 결정하는 요인이며, 이동크기는 인접한 가상 트랜잭션 간 얼마만큼의 시간에 겹치게 가상 트랜잭션을 만들 것인가에 대한 요인이다.

예를 들어, [도 13]은 타임윈도우 길이가 5이고 이동크기가 2인 경우의 가상 트랜잭션을 도식화한 것이다.

VT1, VT2, VT3는 가상 트랜잭션을 의미하며 타임윈도우 길이만큼 차지하고 있고, 이동크기는 인접한 가상 트랜잭션간 얼마만큼 시간을 겹치게 할 것인가를 의미하는 것으로 VT1과 VT2는 4와 5에 걸쳐 있고, VT2와 VT3는 7과 8에 걸쳐있다.

또한 시계열 데이터는 시간에 걸쳐 연속되는 경향이 있으므로 [도 13]에서는 Ts를 타임윈도우의 시작, Te를 타임윈도우의 끝으로 지정하여 한정하고 있다.

데이터 뷰어(Data Viewer)는 석유화학 시설과 같은 대상시설에 부착되어 있는 데이터의 입력원(예를 들어, 센서 데이터)을 가시화하여 보여주는 기능을 제공한다.

데이터 뷰어는 시계열로 입력되는 데이터를 시간으로 그룹화(윈도우)하고, 시계열로 입력되는 데이터의 그룹화 크기(윈도우 크기)와 간격(이동크기)을 설정하여 시간 및 관점에 따라 다양한 경향 및 추세를 조사함으로써 예상치 않은 시설상태 데이터의 흐름이나 향후 진행 및 과거 이력사항들을 분석할 수 있는 기능을 가진다.

[도 14]는 본 발명의 위험전조 예측 시스템에 따른 데이터 뷰어 화면의 인터페이스를 보여주며 옵션 및 기능이 변경될 때마다 즉각적으로 화면에 나타내어 보임으로써 사용자로 하여금 효율적인 결정을 내릴 수 있도록 도와준다.

지능형 위험전조 패턴분석 모델 학습부는 베이지안 학습부(Bayesian Learning )와 SSOM 학습부(SSOM Learning)로 이루어지며, 베이지안 학습부는 베이지안규칙 파일과 데이터를 읽어들여 추론을 실행하고, SSOM 학습부는 베이지안 추론결과를 읽어들여 지능형 위험전조 패턴 분석모델을 구축하기 위한 조건(거리방식, 이웃반경 범위, 클러스터 중심) 등을 선정한다.

[도 15]는 지능형 위험전조 패턴 분석모델을 구축하기 위한 SSOM 학습부의 다양한 조건화면을 예시하고 있다.

이와 같이 지능형 위험전조 패턴 분석모델이 완성되면 새로운 데이터를 입력받아 본 시스템의 위험전조 예측부(SSOM Cognition)에서 위험전조의 인식(cognition, 즉 분류 및 예측)을 수행하고 결과를 제시하는 식으로 본 발명에 따른 위험전조 예측 시스템이 운용된다.

또한, 본 발명의 주요 대상은 에너지 플랜트의 복합적인 가스시설(배관 등)이지만 다른 주요 가스시설(도시가스 가스밸브 박스, 테스트 박스, 정압기 등)에서도 적용될 수 있다.

이상의 설명은 본 발명의 기술사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술분야에서 통상의 지식을 갖는 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명에 개시된 실시예들은 본 발명의 기술사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이런 실시예에 의하여 본 발명의 기술사상의 범위가 한정되는 것은 아니다. 본 발명의 보호범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

VT1, VT2, VT3 : 가상 트랜잭션
Ts : 타임윈도우의 시작 Te : 타임윈도우의 끝

Claims (6)

1. 에너지 플랜트의 가스관련 시설을 대상으로 다양한 위험인자에 대한 데이터를 실시간으로 입력받아 지능형 패턴 모델을 구축하고, 구축된 모델을 이용하여 현재 데이터를 입력받아 시설의 안전상태를 정상, 주의, 위험전조, 경고 별로 분류하고, 상기 '위험전조' 상태를 예측하는 방법으로서,
   
   베이지안 추론 알고리즘과 SSOM(Spherical Self Organized Map) 알고리즘을
   결합시킨 형태의 확장된 SSOM 알고리즘으로, 입력된 센서데이터를 학습하여 지능형 위험전조 패턴 분석모델을 구축하는 단계;에서,
   (a) 대상시설에 부착된 센서에 의해 실시간으로 원격전송되는 실데이터(Real Data)와 데이터 생성기에 의해 생성되는 가데이터(假 데이터 : pseudo data)를 축적된 데이터로서 정규화하여 베이지안 추론 트리를 생성하고, 생성된 베이지안 추론 트리가 베이지안 규칙을 기반으로 출력결과를 확률로써 제공하는 단계;
   (b)상기 베이지안 추론에서 추론된 입력 데이터의 확률을 이용하여 SSOM의 학습 가중치를 조정한 다음 베이지안 추론의 결과인 정상, 주의, 위험전조, 경고 중 가장 높은 확률을 이용하여 SSOM의 학습율을 조정하는 단계;를 수행하고,
   
   상기 지능형 위험전조 패턴 분석모델을 구축하는 단계에서 구축된 상기 지능형 위험전조 패턴 분석모델을 이용하여 새롭게 입력되는 신규 데이터와, 지능형 위험전조 패턴 분석모델의 노드로서 상기 신규 데이터와 가장 유사한 승자뉴런과의 잔차를 산출함으로써 시설의 위험전조 상태를 분류하고 예측하는 단계;로 구분되어 제공되는 것을 특징으로 하는 에너지 플랜트의 실시간 위험전조 예측방법.
2. 삭제
3. 에너지 플랜트의 가스관련 시설을 대상으로 다양한 위험인자에 대한 데이터를 실시간으로 입력받아 지능형 패턴 모델을 구축하고, 구축된 모델을 이용하여 현재 데이터를 입력받아 시설의 안전상태를 정상, 주의, 위험전조, 경고 별로 분류하고, 상기 '위험전조' 상태를 예측하는 시스템으로서,
   
   대상시설에 부착된 센서에 의해 실시간으로 원격전송되는 실데이터와, 상기 실데이터로부터 상기 실데이터와 동일한 형식을 갖도록 데이터 생성기(Data Generator)에 의해 생성되는 가데이터(假 데이터: pseudo data)를 생성하여, 의미있는 지능형 학습모델을 구축하기 위한 데이터량을 확보하기 위한 데이터 전처리부와;
   시간과 이벤트 관점에 따른 다양한 데이터의 흐름 및 경향을 뷰어화면을 통해 효율적으로 분석할 수 있도록, 시계열적 데이터를 타임윈도우 길이와 이동크기에 기반한 논리적인 가상 트랜잭션으로 변환시키는 데이터 필터부와;
   상기 데이터 필터부의 데이터에 대해 예상치 않은 시설상태 데이터의 흐름이나 향후 진행 및 과거 이력 사항들을 분석할 수 있도록, 시계열로 입력되는 데이터를 시간으로 그룹화하고, 시계열로 입력되는 데이터의 그룹화 크기와 간격을 설정하는 기능을 가지는 데이터 뷰어와;
   지능형 위험전조 패턴 분석모델을 구축하기 위한 지능형 위험전조 패턴분석
   모델 학습부와;
   완성된 상기 지능형 위험전조 패턴 분석모델을 이용하여 새로운 데이터를 실시간으로 입력받아 위험전조상태에 대한 인식을 수행하고 그 결과를 제시하는 실시간 위험전조 예측부;를 포함하여 제공되는 것을 특징으로 하는 에너지 플랜트의 실시간 위험전조 예측 시스템.
   
4. 삭제
5. 제3항에 있어서,
   상기 데이터 생성기(Data Generator)는 입력 실데이터 상호간의 관계성을 고려하여 각 입력 실데이터간의 상관관계를 설정함으로써 가데이터(假 데이터 : pseudo data)를 생성하거나, 분류 기준별로 실데이터의 분포도와 유사한 분포도를 가진 가데이터(假 데이터 : pseudo data)를 생성할 수 있는 것을 특징으로 하는 에너지 플랜트의 실시간 위험전조 예측 시스템.
   
6. 제3항에 있어서,
   상기 지능형 위험전조 패턴분석 모델 학습부는, 베이지안규칙 파일과 데이터를 읽어들여 추론을 실행하는 베이지안 학습부(Bayesian Learning)와, 베이지안 추론결과를 읽어들여 지능형 위험전조 패턴 분석모델을 구축하기 위한 조건을 선정하는 SSOM 학습부(SSOM Learning)로 구분하여 각각 제공되는 것을 특징으로 하는 에너지 플랜트의 실시간 위험전조 예측 시스템.

Images