KR101652099B1 - 위험지도 기반 사고대응 및 사고예방 시스템 - Google Patents
위험지도 기반 사고대응 및 사고예방 시스템 Download PDFInfo
- Publication number
- KR101652099B1 KR101652099B1 KR1020150179226A KR20150179226A KR101652099B1 KR 101652099 B1 KR101652099 B1 KR 101652099B1 KR 1020150179226 A KR1020150179226 A KR 1020150179226A KR 20150179226 A KR20150179226 A KR 20150179226A KR 101652099 B1 KR101652099 B1 KR 101652099B1
- Authority
- KR
- South Korea
- Prior art keywords
- risk
- accident
- model
- data
- module
- Prior art date
Links
- 230000002265 prevention Effects 0.000 title claims abstract description 32
- 230000004044 response Effects 0.000 title claims description 35
- 230000015556 catabolic process Effects 0.000 claims abstract description 19
- 238000006731 degradation reaction Methods 0.000 claims abstract description 19
- 239000000463 material Substances 0.000 claims abstract description 14
- 230000003068 static effect Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 52
- 230000007797 corrosion Effects 0.000 claims description 11
- 238000005260 corrosion Methods 0.000 claims description 11
- 230000006866 deterioration Effects 0.000 claims description 6
- 230000003449 preventive effect Effects 0.000 claims description 5
- 238000012314 multivariate regression analysis Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000019771 cognition Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000011497 Univariate linear regression Methods 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 239000013056 hazardous product Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G06F19/00—
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명의 위험지도 기반 사고대응 및 사고예방 시스템은, 가스 산업 시설의 정적 위험도 및 작업자의 동적 위험도를 산출하여, 사고대응을 위한 위험지도의 위험도를 나타내는 대응 위험도를 제공하는 사고대응모듈; 위험 및 사고와 관련된 열화모델, 및 고장 율을 고려하여 사고전조 예측모델을 구축하고, 상기 사고전조 예측모델을 통해 향후 위험도를 예측할 수 있도록 해주는 예방 위험도를 제공하는 사고예방모듈; 사고이력 정보, 물질정보, 작업자 특성 정보 및 주변환경 정보를 저장하고 있는 데이터베이스 부; 상기 데이터베이스 부로부터 복수의 위험인자들을 수집하고, 상기 사고대응모듈 및 상기 사고예방모듈에서 별도의 데이터 처리작업 없이 직접적으로 사용할 수 있도록, 재구성된 정보구조를 제공하는 데이터 웨어하우스; 및 상기 사고대응모듈 및 상기 사고예방모듈과 연계하여, 사고 대응의 위험도에 사고예측의 확률을 결합시켜 최종 위험도를 제공하는 위험지도 연계 구동모듈을 포함하는 기술을 제공함에 기술적 특징이 있다.
Description
본 발명은 위험지도 기반 사고대응 및 사고예방 시스템에 관한 것으로, 더욱 상세하게는 정적인 시설의 위험도와 동적인 작업자의 위험도를 함께 고려하여, 사고대응을 위한 현재의 위험도를 미리 규정된 지역에 따라 달리 제공하고, 또한 향후 사고예방을 위한 미래 위험도를 예측할 수 있는, 위험지도 기반 사고대응 및 사고예방 시스템에 관한 것이다.
일반적으로 산업단지 및 공장에서 위험 및 안전관리를 위해, 주요 가스시설에 계측기기를 장착하여 중앙 컨트롤센터에서 측정인자를 실시간으로 모니터링하고 있다.
특히, 압력, 온도, 진동 등 개별적으로 위험인자를 측정하여, 분석 및 검토를 수행하는 단순 분석 작업이 현업에선 주류를 이루고 있지만, 다수의 위험인자를 병렬적으로 입력받아 종합 분석하고, 이를 표현하는 방안에 관한 연구도 현재 수행되고 있다.
하지만 종래기술에 따른 다수의 위험인자 종합분석방법은 아래와 같은 문제점이 있었다.
첫째, 종래기술은 특정 공간이나 지역 안에서 다수의 위험인자를 통해 위험도를 표출함으로, 단순 분석기술보다는 위험과 사고분석에 대한 정확성이 향상되었지만, 정적인 위험도만을 산출함으로 주변상황과 그에 따른 향 후 위험을 산출하기 어려운 문제점이 있었다.
둘째, 종래기술은 지능형 알고리즘을 사용함에 있어서, 적용 대상 도메인의 타당성 검토를 통한 개선 없이, 알고리즘을 그대로 적용함으로 인해, 지능형 모델의 정확도를 저하시키는 문제점이 있었다.
셋째, 종래기술은 사고대응 위주의 절차와 그와 관련된 시스템을 사용함으로 인해, 향후 다가올 위험 및 사고에 대비한 예방체계로 활용하기에 어려운 문제점이 있었다.
넷째, 종래기술은 사고대응 및 사고예방이 함께 결부되어 전체 안전관리를 수행하기 위한, 단일의 사용자 인터페이스를 제공하지 못하는 문제점이 있었다.
본 발명이 해결하고자 하는 기술적 과제는, 정적인 시설의 위험도와 동적인 작업자의 위험도를 함께 고려하여, 사고대응을 위한 현재의 위험도를 미리 규정된 지역에 따라 달리 제공하고, 또한 향후 사고예방을 위한 미래 위험도를 예측할 수 있는, 위험지도 기반 사고대응 및 사고예방 시스템을 제공하는데 있다.
상기 기술적 과제를 이루기 위한 본 발명에 따른 위험지도 기반 사고대응 및 사고예방 시스템은, 가스 산업 시설의 정적 위험도 및 작업자의 동적 위험도를 산출하여, 사고대응을 위한 위험지도의 위험도를 나타내는 대응 위험도를 제공하는 사고대응모듈; 위험 및 사고와 관련된 열화모델, 및 고장 율을 고려하여 사고전조 예측모델을 구축하고, 상기 사고전조 예측모델을 통해 향후 위험도를 예측할 수 있도록 해주는 예방 위험도를 제공하는 사고예방모듈; 사고이력 정보, 물질정보, 작업자 특성 정보 및 주변환경 정보를 저장하고 있는 데이터베이스 부; 상기 데이터베이스 부로부터 복수의 위험인자들을 수집하고, 상기 사고대응모듈 및 상기 사고예방모듈에서 별도의 데이터 처리작업 없이 직접적으로 사용할 수 있도록, 재구성된 정보구조를 제공하는 데이터 웨어하우스; 및 상기 사고대응모듈 및 상기 사고예방모듈과 연계하여, 사고 대응의 위험도에 사고예측의 확률을 결합시켜 최종 위험도를 제공하는 위험지도 연계 구동모듈을 포함하는 기술을 제공한다.
본 발명은 다양한 측정 데이터를 통해 위험정보를 구축하여 효율적으로 위험에 대응할 수 있고, 효과적으로 위험을 예측하여 가스시설의 고장시기를 미리 인지하고, 예지보수를 실시하여 고장 율을 줄이고, 가동률을 높일 수 있을 뿐만 아니라, 작업자의 이동에 따라 지도의 위험등급이 부분적으로 주기적으로 변화되는 정보를 이용하여, 무단진입 방지 및 고위험지역에 대한 사전 안내 등을 실시하여 미연에 작업자의 실수를 감소시킬 수 있는 기술적 효과가 있다.
도 1은 본 발명에 따른 위험지도 기반 사고대응 및 사고예방 시스템의 주요 구성을 나타낸 것이다.
도 2a는 본 발명에 따른 사고대응 모듈의 기능을 설명하기 위한, 다수 작업이 동시에 진행될 때 생성된 작업자 위험도 사례를 일 실시예로 나타낸 것이다.
도 2b는 본 발명에 따른 사고대응 모듈의 기능을 설명하기 위한, 공간인지와 행동인지가 결합된 분석트리를 나타낸 것이다.
도 3은 본 발명에 따른 사고 전조 예측모델의 구축 과정을 나타낸 것이다.
도 2a는 본 발명에 따른 사고대응 모듈의 기능을 설명하기 위한, 다수 작업이 동시에 진행될 때 생성된 작업자 위험도 사례를 일 실시예로 나타낸 것이다.
도 2b는 본 발명에 따른 사고대응 모듈의 기능을 설명하기 위한, 공간인지와 행동인지가 결합된 분석트리를 나타낸 것이다.
도 3은 본 발명에 따른 사고 전조 예측모델의 구축 과정을 나타낸 것이다.
이하에서는 본 발명의 구체적인 실시예를 도면을 참조하여 상세히 설명하도록 한다.
도 1은 본 발명에 따른 위험지도 기반 사고대응 및 사고예방 시스템의 주요 구성을 나타낸 것이다.
도 1을 참조하면, 본 발명에 따른 위험지도 기반 사고대응 및 사고예방 시스템(100)은, 사고대응모듈(110), 사고예방모듈(120), 데이터 웨어하우스(130), 데이터베이스 부(140) 및 위험지도 연계 구동모듈(150)을 포함한다.
사고대응모듈(110)은 각종 가스 산업 시설의 위험도 및 작업자의 위험도를 산출하여 위험시설 등급지도의 특정 셀에 결합하여 대표 위험을 등급별로 알려주는 역할을 한다.
이를 부연설명하면, 사고대응모듈(110)은 작업자 안전이 결부된 실시간 사고 대응 기술로, 위험지도(risk map)를 구축하여 지역(zone) 기반의 위험관리 기술 및 작업자의 상태를 결합하여, 사고가 발생했을 경우 신속하게 대응할 수 있는 기술을 제공한다.
여기서 위험지도(risk map)는 위험 매트릭스(risk matrix) 기반의 단위 지역 위험도 산출을 통해 구축되며, 가스 산업 시설에 대한 단위 지역 위험도는 CA(Consequence Analysis) 기법을 이용하여 화재, 폭발, 누출 모델을 이용한 개인적 위험도(individual risk)에 포함되어 있는데, 본 발명의 경우 이러한 정적 위험도 뿐 만 아니라, 동적 위험도를 함께 결합하는 방식을 사용하였다.
이하 작업자의 상태가 고려된 동적 위험도의 의미 및 이를 산출하는 과정 등에 대해 상세히 설명한다.
대부분의 사고가 작업자가 작업을 할 때 빈번하게 발생하므로, 작업자가 시설의 작업 현장에 투여되었을 때 위험도 상태가 해당 지역에 반영되어 최종 위험도가 표시된다.
도 2a는 본 발명에 따른 사고대응 모듈의 기능을 설명하기 위한, 다수 작업이 동시에 진행될 때 생성된 작업자 위험도 사례를 일 실시예로 나타낸 것이다.
도 2a를 참조하면, 본 발명은 지역단위 위험도를 기반으로 기상정보, 시설의 상태정보, 과거 사고정보, 작업자의 투여 및 숙련도 정보에 따라 단위별 위험도가 생성되고, 작업자가 특정지역(zone)에 진입할 때마다 위험도가 새로이 산출되어 그 위험도에 따라 필요한 대응관련 정보를 작업자가 반환받을 수 있는 체계를 보여준다.
이 경우 작업자의 이동에 따라 위험도를 변화시키기 위해서는, 작업 사고 이력, 작업자의 작업 패턴 및 작업자 수준이 부여되며, 사고이력은 대상시설에서 수행할 수 있는 위험작업 및 작업절차를 파악하여 작업별로 저장되고, 작업자의 작업 패턴은 행동인지 기반 사용자 분석 및 공간인지 기반 현장 특성분석이 동시에 적용되어 도출된다.
도 2b는 본 발명에 따른 사고대응 모듈의 기능을 설명하기 위한, 공간인지와 행동인지가 결합된 분석트리를 나타낸 것이다.
도 2b를 참조하면, 분석트리(30)는 공간인지(10) 및 행동인지(20)가 결합된 지식트리(knowledge tree)를 이용하여 대응위험도를 산출한다.
이를 부연하면, 공간인지(10) 기반 현장 특성분석은, 가스시설의 시설배치(11)와 사물배치(12)를 고려한 작업자의 작업배치(13)에 대한 작업환경을 고려하는 것을 목적으로 하며, 행동인지(20) 기반 사용자 요구분석은, 위험작업자의 행동특성(21), 숙련도(23)와 사고원인(22) 간의 상호관계를 형성하는 것을 분석 목적으로 한다.
한편 공간인지(10)와 행동인지(20)는 연관화(association) 과정을 통해 연관된 확률을 산출한다.
정적위험도와 동적위험도의 결합은, 기본 위험지도 지수인 개인적 위험도인 치사율 및 작업자의 분석트리 결과를 동등한 조건으로 적용되며, 사고대응을 위한 위험지도의 위험도를 의미하는 대응위험도(SRi)는 하기 수학식1로 표현된다.
수학식1을 참조하면, 대응위험도(SRi)는 i 지역에서 치사율 fi 및 분석결과 ki를 전체 치사율과 분석결과의 최대치(max)와 최소치(min)를 통해 1과 0으로 정규화(normalization)를 수행한 후에 산출된 위험도를 나타낸다.
다시 도 1을 참조하면, 사고예방모듈(120)은 대상 시설이 존재하는 가스시설 도메인에 부합된 지능형 알고리즘을 적용하여 향후 위험도를 예측할 수 있도록 해준다.
이하 사고예방모듈(120)에 적용된 사고전조 예측모델의 개념, 종류 및 이를 이용한 예방 위험도를 산출하는 방법에 대해 상세히 설명한다.
사고전조 예측모델은 사고전조 상태의 정도를 영향인자 변수들의 연결로 정의하는데, 이를테면, 사고전조에 대한 위험인자 종류, 시설물 위치 등과 관련된 영향인자들은 변수로 정의 되어, 사고전조에 영향을 주며, 이 경우 정의된 영향인자들은 IOT(Internet of Things) 기술을 이용하여 관찰되고 측정 될 수 있다.
사고전조 예측모델의 종류는, 크게 결정론적 모델, 인공지능모델 및 추계학적 모델로 구분될 있으며, 하기 표1에 각각의 모델들의 장점 및 단점이 정리되어 있다.
표 1을 참조하면, 결정론적 모델(Deterministic models)은 통계적 계산(이를테면, 평균, 표준편차 등)을 이용하여 사고전조에 영향을 주는 인자들과 종속변수간의 관계를 수식으로 표현하는 방법을 사용한다.
결정론적 모델은, 크게 단변수 회귀분석방법과 다변수 회귀분석방법으로 나눌 수 있는데, 2가지 방법의 차이는 결정론적 모델에서 종속변수에 영향을 주는 인자를 1개의 인자 또는 다수의 인자들을 고려하느냐에 차이가 있는데, 대부분의 예측 대상의 종속변수는 1개 이상의 영향인자와 관련 되어 있기 때문에, 일반적으로 다 변수 회귀분석방법이 많이 사용된다.
인공지능 모델(artificial intelligence models)은 컴퓨터 기법을 이용하여 다항식 형태의 모델을 산출하는 것으로, 사고전조에 영향을 끼치는 여러 변수를 고려할 수 있다는데 장점이 있다.
이를 부연설명하면, 인공지능 기술은 전문가시스템(expert systems), 인공신경망(Artificial Neural Networks, ANN), 사례기반 추론(Case Based Reasoning, CBR)으로 구성되어 있으며, 이에 대한 관련 방법으로 이를테면, Bayesian Network, Fault tree, Binary Recursive Partitioning, Case-based reasoning(CBR), Knowledge-based systems (including CBR), Artificial neural network 등이 있다.
추계학적 모델(Stochastic models)은 시설물의 사고전조 프로세스를 1개 또는 여러 변수들로 나누어 다루는 것으로, 프로세스의 불확실성과 무작위성을 찾아내기 위해 사용된다.
이를테면, 계측 데이터가 등급 데이터 형식인 경우에, 이산시간, 위험기반의 마코비안(Markovian) 모델은 불연속 시간에 하나의 상태에서 다른 상태로 전이되는 확률로 모델링 되는 것으로 정의되며, 이 경우 위험도 프로세스는 발전 시설물의 경우, 일련의 영향인자 변수인 압력, 온도, 습도 등에 의존하게 된다.
추계학적 모델의 종류로는 이를테면, 마코비안 모델, 고장율 모델, Ordered probit model, Binary probit model, Bayesian Approach, Semi-Markov model, Continuous stochastic process model(Gamma process model, Gaussian process model) 등을 들 수 있다.
이 경우 대표적인 마코비안 모델은 시설물의 열화(degradation) 율을 모델링 하는데 많이 사용되는데, 이를테면 포장예측 모델, 우수 관 모델, 교량형식과 부재 모델 등이 포함될 수 있다.
한편 가스 관련 시설물은 장기적으로 볼 때, 기기성능과 실시간 모니터링 및 예방정비 기술이 발전하게 됨에 따라, 사고에 대한 전조 예측을 통해 가스 관련 시설물에 대한 예방정비 기준도 유동적으로 변화해야 할 필요성이 있음을 유의해야 한다.
도 3은 본 발명에 따른 사고 전조 예측모델의 구축 과정을 나타낸 것이다.
도 3을 참조하면, 우선 위험인자 및 영향인자 특성에 따른 예측 데이터를 검토 및 결정하는 제1 단계(S10)를 갖는다.
여기서 위험인자는 이를테면 폭발, 화재 등을 들 수 있고, 영향인자는 이를테면, 고장위치, 성능저하 메커니즘, 성능저하 영향, 고장 시점, 검출 방법 등을 들 수 있으며, 예측 데이터는 이를테면, 고장율, 마모, 부식 및 피로 열화모델 등을 들 수 있다.
이러한 위험인자 및 영향인자의 특성에 따라, 사고전조가 가능한 고장 율, 마모 열화, 부식 열화 및 피로열화 등을 검토하여 예측 데이터가 결정된다.
다음으로, 예측 데이터와 관련된 영향인자를 정의하고, 상관관계 분석을 통한 최종 영향인자를 선정하는 제2 단계(S20)를 갖는다.
이를 부연설명하면, 제1 단계(S10)에서 결정된 예측대상 데이터는 이를테면, 고장율, 마모, 부식 및 피로 등이 될 수 있고, 이 경우 각각의 예측대상 데이터와 관련된 영향인자를 정의한다.
이를테면, 고장율과 관련된 영향인자는 총 검사 횟수, 총 운행시간에 대한 고장발생 횟수, 또는 고장시간 등으로 정의할 수 있으며, 마모와 관련된 영향인자는 재료의 물성치, 마찰계수, 기기작동 특성 등으로 정의할 수 있고, 부식과 관련된 영향인자는 재료의 특성과 부식률, 습도 등으로 정의할 수 있으며, 피로와 관련된 영향인자는 재료의 피로특성, 하중 반복횟수, 구조적 특성 등으로 정의할 수 있다.
한편 예측 데이터별로 영향인자들이 실제로 경향성이 있는지 여부는 상관관계 분석을 통해서 확인되며, 이를 통해 최종 영향인자가 선정된다.
다음으로, 결정론적 방법 및 추계학적 방법을 통한 취약 위치의 마모, 부식 및 피로 열화모델을 구축하고, 고장 율을 계산하는 제3 단계(S30)를 갖는다.
상기 표 1에서 표시된 바대로, 사고전조나 미래 상태 등에 대한 예측 모델로 결정론적 모델, 추계학적 모델 및 인공지능모델이 있는데, 이들 결정론적 모델, 추계학적 모델 및 인공지능 모델을 비교 및 검토한 결과 각각의 모델들은 장단점이 있지만, 사고전조모델 구축을 위해서 가장 적합한 모델은 결정론적 모델과 추계학적 모델(확률적 모델)이 함께 고려되어야 할 것으로 판단된다.
즉 결정론적 방법은 통계적 계산(이를테면, 평균, 표준편차 등)을 이용하여 사고전조에 영향을 미치는 인자들과 종속변수간의 관계를 수식으로 표현하는 방법이 사용되며, 추계학적 방법은 확률적 분석을 통해 사고전조에 영향을 주는 인자의 불확실성을 고려하여 예측모델을 표현하는 방법이 사용된다.
이하 결정론적 방법 및 추계학적 방법을 통한 취약 위치의 마모, 부식 및 피로 열화모델 구축 및 고장 율을 계산하는 과정에 대해 설명한다.
우선 마모의 경우, 취약 위치에서 마모와 관련된 데이터에 대해서 상기 제2 단계(S20)에서 선정된 영향인자를 변수로 고려하여 결정론적 방법의 다변수 회귀분석이나 추계학적 방법에서 확률분포를 이용한 방법을 적용하여 마모열화 모델을 구축할 수 있다.
부식의 경우, 대상위치에서 재료의 특성과 부식률, 습도 등을 영향인자로 하며, 기존에 제안된 열화모델들을 적용하여 단면감소로 인한 위험성을 예측할 수 있다.
피로의 경우, 반복하중에 의해서 균열이나 파괴가 되는 열화로, 취약 위치에 대해서 피로해석과 결정론적 방법의 다 변수 회귀분석을 통해 시간에 따른 피로열화 모델을 구축할 수 있는데, 그 외의 열화 종류가 있는 경우에도 앞에서 설명한 방법 들을 통해 열화모델을 구축할 수 있음은 당연하다.
고장 율의 경우, 실제 고장 데이터가 존재하는 경우는 통계적 방법 및 확률적 분석 등을 통해 고장 율이 산출되지만, 실제 고장 데이터가 없는 경우는 이를테면, FMD-91(Failure Mode/Mechanism Distribution 1991), NPRD-95(Non-electronic parts Reliability Data-1995), NCWC-10(Handbook of Reliability Prediction Procedures for Mechanicla Equipment) 및 OREDA-2015(Offshore and Onshore Reliability Data) 등의 신뢰성 데이터를 참고해서 적합한 모델을 적용하여 고장 율이 산출될 수 있다.
마지막으로, 위험 및 사고와 관련된 열화모델, 및 고장 율을 고려하여 위험예측이 가능한 사고전조 모델을 제공하는 제4 단계(S40)를 갖는다.
이 경우 취약 위치에서의 사고전조 특성이 하나의 특정 열화모델과 연관성이 있는 경우는, 상기 제3 단계(S30)에서 구축한 열화모델들 및 고장율 모델 중에서 해당 모델을 적용하여 사고전조 모델을 제공하지만, 만일 열화모델과 고장율이 서로 상관관계가 있는 경우에는 이들을 함께 고려하여 사고전조 모델을 제공한다.
이를테면, 고장기구의 발생 원인이 마모와 연관성이 있다면, 가장 중요한 변수는 고장이 발생하는 초기발생시점 즉 최소수명 이다.
최소수명은 마모열화가 한계 값에 도달 했을 때의 시점 즉, 고장발생에 요구되는 최소시간이라 할 수 있는데, 최소수명 이후는 고장율 모델에 의해서 시간에 따른 고장율로, 구축된 사고전조 모델을 제공할 수 있다.
하기 수학식2는 사고전조 모델을 이용하여 산출된 예방위험도(FRi)를 나타낸 것이다.
여기서, 예방위험도(FRi)는 i 지역에서 ASOM(Advanced Self-Oragnized Map) 결과인 m i 및 타 분야 기법 결과인 고장율 o i 를 각각 전체 결과의 최대치(max)와 최소치(min)를 통해 1과 0으로 정규화(normalization)를 수행한 후에 산출되었다.
이하 가스시설 상태 분류를 위한 지능형 알고리즘으로 본 발명에 적용된ASOM(Advanced Self-Oragnized Map)에 대해 설명한다.
ASOM(Advanced Self-Oragnized Map)은 기본 SOM(Self-Oragnized Map)을 개선한 알고리즘으로, 대상 시설별 센서로부터 수신되는 정보들을 수집하여 데이터들을 학습기에서 학습할 수 있는 데이터로 변환하여 저장 관리 하고, 그 데이터를 SOM 특징 벡터로 변환하여 ASOM 학습을 수행하며, 학습된 ASOM에 센서 데이터를 매칭 하여 SOM Map을 분류하고, 새로운 데이터 들은 ASOM Map을 이용하여 현재 상태를 분류한다.
여기서 ASOM의 학습은 데이터를 군집화 하여 정상, 주의, 전조, 경고 패턴을 인식하기 위한 데이터 범위로 정규화 하여 입력으로 사용하며, 아래와 같은 처리과정을 수행한다.
우선, N개의 입력으로부터 M개의 출력 뉴런 사이의 연결강도를 작은 값의 임의수로 초기화하는 제1 단계를 갖는다.
다음으로, SOM 특징벡터로 변환된 대상 시설별 센서로부터 수신된 데이터를 입력데이터로 제시하는 제2 단계를 갖는다.
다음으로, 입력된 데이터와 모든 출력 층의 데이터와 유클리드 거리를 이용하여 유사도를 계산하는 제3 단계를 갖는다.
다음으로, 출력 층 데이터에서 입력 데이터와 가장 유사한 데이터를 출력하는 제4 단계를 갖는다.
마지막으로, 계속해서 센서 데이터를 입력하여 학습하는 제5 단계를 갖는다.
한편 ASOM의 학습과정에서 패턴을 인식하이 위한 주요 설정 조건으로, 윈도우 사이즈(Window Size)와 윈도우 쉬프트 사이즈(Window Shift Size)가 있다.
윈도우 사이즈(Window Size)는 시간별로 측정되는 데이터에서 패턴을 찾기 위한 기능으로, 한 시점이 아닌 시계열로 입력되는 데이터에서 몇 분 동안 입력 데이터를 합해 하나의 학습 데이터로 구성하는 기법이다.
윈도우 쉬프트 사이즈(Window Shift Size)는 시간별로 측정되는 데이터에서 패턴을 찾기 위한 목적은 윈도우 사이즈(Window Size)와 동일하지만, 시계열로 데이터를 구성할 때 윈도우 점프 크기를 설정하는 점에서 차이가 있다.
이를테면, 2분에 한 번씩 데이터가 입력되고, 윈도우 사이즈가 5, 윈도우 쉬프트 사이즈 3이면, 10분 동안의 데이터를 합해서 하나의 학습 데이터를 구성하고, 두 번째 학습 데이터를 구성할 때는 6분 뒤에 입력되는 10분 동안의 데이터를 합해서 하나의 학습 데이터로 구성하는 것이다.
ASOM의 학습과정에서는, 입력되는 데이터의 위상차가 가장 적은 BMU(Best Matching Unit)을 찾아야 한다. 즉, 입력데이터와 가장 유사한 노드를 찾을 때 본 발명의 경우 Euclide 거리 방식과 Mahalanobis 거리 방식을 선택하여 활용하였다.
또한 BMU의 이웃반경을 선택하기 위하여 neighborhood 방식과 Mahalanobis 거리방식으로 유사도가 가장 높은 노드를 이웃으로 선택한다.
SOM 학습과정의 마지막 부분에 유사도가 비슷한 노드끼리 군집이 생성되는데, 군집이 생성되면 군집의 중심을 선택해야 하며, 맵의 선택된 횟수를 이용하여 군집의 중심을 선택하는 Predictable Hit Count 방식이 이용된다.
다시 도 1을 참조하면, 데이터 웨어하우스(130)는 데이터베이스부(140)를 구성하는 각각의 데이터베이스들(141 ~ 144)이 사고대응모듈(110)과 사고예방모듈(120)에서 직접 사용 가능하도록 재구성된 정보구조를 제공한다.
이를테면, 시설과 작업 데이터베이스(data base)에서 시설에 대한 담당 작업자와 그에 대한 사고이력을 보려면, 통상 2 ~ 3개 이상의 데이터베이스가 결합되어야 하지만, 본 발명에 따른 데이터 웨어하우스(130)를 사용하는 안전관리 정보모형에서는 이미 정보로서 결합되어 있기 때문에, 보다 효율적인 검색 서비스를 제공할 수 있게 된다.
즉 데이터 웨어하우스(130)를 사용하는 안전관리 정보모형에서는, 소스 데이터베이스의 필요 부분의 유기적 결합으로 가치 있는 새로운 정보를 생성시킴으로, 통상의 경우 2 ~ 3개 이상의 데이터베이스가 단순 결합됨으로 인해 검색 속도가 느린 경우에 비해, 검색속도를 현저히 향상시킬 수 있게 된다.
이하 데이터 웨어하우스(data warehouse)의 개념 및 데이터 구조의 특성 등에 대해 보충 설명한다.
본 발명에 적용된 안전관리에 관련된 데이터나 정보는, 일반적으로 감지기(sensor)나 계측기에 의해 수집되는 위험물질과 시설의 상태 데이터, 주변 환경 데이터, 동작 데이터 등 다양한 데이터 등이 모니터링 목적을 위하여 축적될 수 있는데, 이러한 데이터들이 주기적으로 축적될 경우 향후 대용량의 안전 및 재난 관리를 위한 데이터와 정보들이 생성될 것으로 예측할 수 있는 특성을 갖는다.
이러한 안전관리 산업에서 발생되는 데이터는, 일관성 있는 정보로 통합되어야 하며, 한번 수집되어 기록되면 변경되지 않을 뿐만 아니라, 수집되는 데이터가 시점에 따라 달라지는 경우에도 요청되는 정보를 제공할 수 있어야 하는데, 이러한 요구조건들을 충족하기 위해서는 데이터 웨어하우스(data warehouse)와 같은 대용량 정보 구조가 적용되어야 한다.
데이터 웨어하우스(data warehouse)는 방대한 조직 내에서 분산 운영되는 각각의 데이터베이스 관리 시스템들을 효율적으로 통합하여 조정, 관리하며, 효율적인 의사 결정 시스템을 위한 기초를 제공한다.
데이터 웨어하우스의 구성은 이를테면, 관리 하드웨어, 관리 소프트웨어, 추출, 변환, 정렬 도구, 데이터베이스 마케팅 시스템, 메타 데이터(meta data), 최종 사용자 접근 및 활용 도구 등으로 구성될 수 있다.
데이터 웨어하우스는 경영자의 의사 결정을 지원하는 주제 지향성(subjectoriented), 통합성(integrated), 시계열성(timevarient) 및 비휘발성(nonvolatile) 데이터의 집합체라는 특징을 갖는다.
여기서 주제 지향성(subjectoriented)은 데이터를 주제별로 구성함으로써, 최종 사용자(end user)와 전산에 약한 분석자라도 이해하기 쉬운 형태로 유지해야 함을 의미한다.
통합성(integrated)은 데이터 웨어하우스에서 발견되는 모든 자료는 언제나 예외 없이 통합되어야 함을 의미한다.
시계열성(timevarient)은 자료의 내용이 시간에 따라 변경되더라도 변경 전의 내용은 계속 관리되어야 함을 의미한다.
비휘발성(nonvolatile)은 데이터 웨어하우스에 일단 적재된 데이터는 특별한 경우(이를테면, 일괄처리 작업에 의한 갱신 등)를 제외하고는, 삽입, 삭제 등의 변경이 수행되지 않음을 의미한다.
다시 도 1을 참조하면, 데이터베이스 부(140)는 사고이력 DB(141), 물질 DB(142), 작업자 특성 DB(143) 및 주변환경 DB(144)를 포함한다.
사고이력 DB(141)는 이를테면, 대상 시설에 대한 시설식별번호, 시설종류, 시설구성, 재질, 보유 가스(위험물질 정보) 정보가 결부된 사고내용 및 피해현황으로 데이터가 축적된다.
물질 DB(142)는 이를테면, 작업장 내에서 활용되는 물질의 식별번호, 물성특성, 피해영향, 피해범위 등에 대한 데이터가 축적된다.
작업자 특성 DB(143)는 이를테면, 작업자 식별번호, 작업자 숙련도, 작업자 등급, 관리 대상시설 등에 대한 데이터가 축적된다.
주변환경 DB(144)는 각종 가스산업 시설이 위치한 주변의 환경 데이터가 구축되는데, 이를테면 가스안전시설의 도메인에 효과적인 지능적 의사결정을 위해 베이지안 타당성 검토에서 사용했던 테스트 데이터 이외에, 노출배관에서 온도, 습도, 조도, 적외선에 따라 지하, 지상(실내), 지상(실외) 등을 구분할 수 있는 데이터와 측정위치 시설까지 구분할 수 있는 데이터가 축적될 수 있다.
다시 도 1을 참조하면, 위험지도 연계 구동모듈(150)은 사고 대응의 위험도에 사고예측의 확률을 결합시켜 새로운 위험도를 재구성하여 표현될 수 있으며, 이는 하기 수학식 3의 최종 위험도(DRi)로 표현된다.
수학식3을 참조하면, 최종 위험도(DRi)는 향후 특정시간에 발생 가능한 위험도로서 백분율로 표시되는데, 구체적으로 상기 수학식1의 대응위험도(SRi)와 상기 수학식2의 예방위험도(FRi)의 곱으로 표시된다.
여기서 최종 위험도(DRi)는 미래에 대한 위험도를 의미하며, 수학식3을 통해 추정할 수 있듯이, 주변환경, 작업자의 동선, 주변 환경의 변화, 예정 작업 등에 따라 다른 값으로 산출될 수 있다.
이상에서는 본 발명에 대한 기술사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시 예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구나 본 발명의 기술적 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.
100 : 위험지도 기반 사고대응 및 사고예방 시스템
110 : 사고대응 모듈
120 : 사고예방 모듈
130 : 데이터 웨어하우스
140 : 데이터베이스 부
141 : 사고이력 데이터베이스(DB)
142 : 물질 데이터베이스(DB)
143 : 작업자 특성 데이터베이스(DB)
144 : 주변환경 데이터베이스(DB)
110 : 사고대응 모듈
120 : 사고예방 모듈
130 : 데이터 웨어하우스
140 : 데이터베이스 부
141 : 사고이력 데이터베이스(DB)
142 : 물질 데이터베이스(DB)
143 : 작업자 특성 데이터베이스(DB)
144 : 주변환경 데이터베이스(DB)
Claims (11)
- 가스 산업 시설의 정적 위험도 및 작업자의 동적 위험도를 산출하여, 사고대응을 위한 위험지도의 위험도를 나타내는 대응 위험도를 제공하는 사고대응모듈;
위험 및 사고와 관련된 열화모델, 및 고장 율을 고려하여 사고전조 예측모델을 구축하고, 상기 사고전조 예측모델을 통해 향후 위험도를 예측할 수 있도록 해주는 예방 위험도를 제공하는 사고예방모듈;
사고이력 정보, 물질정보, 작업자 특성 정보 및 주변환경 정보를 저장하고 있는 데이터베이스 부;
상기 데이터베이스 부로부터 복수의 위험인자들을 수집하고, 상기 사고대응모듈 및 상기 사고예방모듈에서 별도의 데이터 처리작업 없이 직접적으로 사용할 수 있도록, 재구성된 정보구조를 제공하는 데이터 웨어하우스; 및
상기 사고대응모듈 및 상기 사고예방모듈과 연계하여, 사고 대응의 위험도에 사고예측의 확률을 결합시켜 최종 위험도를 제공하는 위험지도 연계 구동모듈을 포함하며,
상기 사고대응모듈은,
공간인지 및 행동인지가 결합된 지식트리(knowledge tree)를 이용하여 상기대응위험도를 산출하되,
상기 공간인지는,
가스시설의 시설배치와 사물배치를 고려한 작업자의 작업배치에 대한 작업환경이 고려되고,
상기 행동인지는,
위험작업자의 행동특성 및 숙련도와 사고원인 간의 상호관계가 고려되며,
상기 최종 위험도는,
상기 대응 위험도와 상기 예방 위험도의 곱으로 표시되는 것을 특징으로 하는 위험지도 기반 사고대응 및 사고예방 시스템. - 삭제
- 삭제
- 삭제
- 제 1항에 있어서, 상기 사고예방모듈의 사고전조 예측모델 구축과정은,
위험인자 및 영향인자 특성에 따른 예측 데이터를 검토 및 결정하는 제1 단계;
상기 예측 데이터와 관련된 영향인자를 정의하고, 상관관계 분석을 통한 최종 영향인자를 선정하는 제2 단계;
결정론적 방법 및 추계학적 방법을 통한 취약 위치의 마모, 부식 및 피로 열화모델을 구축하고, 고장 율을 계산하는 제3 단계;
위험 및 사고와 관련된 열화모델, 및 상기 고장 율을 고려하여 위험예측이 가능한 사고전조 예측모델을 제공하는 제4 단계를 포함하는 것을 특징으로 하는 위험지도 기반 사고대응 및 사고예방 시스템. - 제 5항에 있어서, 상기 예측 데이터는,
마모, 부식 및 피로의 열화모델, 및 고장 율을 포함하는 것을 특징으로 하는 위험지도 기반 사고대응 및 사고예방 시스템. - 제 6항에 있어서, 상기 열화모델은,
ASOM(Advanced Self-Oragnized Map) 기법이 적용된 것을 특징으로 하는 위험지도 기반 사고대응 및 사고예방 시스템. - 제 5항에 있어서, 상기 제 3단계는,
상기 결정론적 방법으로 다변수 회귀분석을 이용하고, 상기 추계학적 방법으로 확률분포를 이용하는 것을 특징으로 하는 위험지도 기반 사고대응 및 사고예방 시스템. - 제 1항에 있어서, 상기 데이터베이스 부는,
사고이력 DB, 물질 DB, 작업자 특성 DB 및 주변환경 DB를 포함하는 것을 특징으로 하는 위험지도 기반 사고대응 및 사고예방 시스템. - 제 9항에 있어서, 상기 작업자 특성 DB는,
작업자 식별번호, 작업자 숙련도, 작업자 등급 또는 작업자의 관리 대상시설 데이터가 구축된 것을 특징으로 하는 위험지도 기반 사고대응 및 사고예방 시스템. - 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020150179226A KR101652099B1 (ko) | 2015-12-15 | 2015-12-15 | 위험지도 기반 사고대응 및 사고예방 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020150179226A KR101652099B1 (ko) | 2015-12-15 | 2015-12-15 | 위험지도 기반 사고대응 및 사고예방 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR101652099B1 true KR101652099B1 (ko) | 2016-08-29 |
Family
ID=56886091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020150179226A KR101652099B1 (ko) | 2015-12-15 | 2015-12-15 | 위험지도 기반 사고대응 및 사고예방 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101652099B1 (ko) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101805713B1 (ko) * | 2017-07-31 | 2017-12-06 | 한국가스안전공사 | 위험지도를 이용한 위험도 분석 시스템 |
CN108230212A (zh) * | 2017-12-22 | 2018-06-29 | 林昌民 | 企业突发事件应急方法和系统 |
KR101916411B1 (ko) * | 2017-10-30 | 2019-01-30 | 한림대학교 산학협력단 | 산업용 사물 인터넷에 기반한 공사 현장 안전을 위한 사고 예측 시스템 및 방법 |
US10741078B2 (en) | 2016-11-23 | 2020-08-11 | Electronics And Telecommunications Research Institute | Method and apparatus for providing traffic safety service based on decision layer model |
KR102263145B1 (ko) | 2020-08-25 | 2021-06-10 | 삼성엔지니어링 주식회사 | 건설현장고위험작업관리시스템 및 방법 |
KR20210073895A (ko) * | 2019-12-11 | 2021-06-21 | 인하대학교 산학협력단 | 현장조건과 사고사례를 이용한 작업자의 위험도 예측 시스템 및 그 방법 |
CN113112151A (zh) * | 2021-04-12 | 2021-07-13 | 河南鑫安利安全科技股份有限公司 | 基于多维感知和企业数据量化的智慧风控评估方法与系统 |
KR20220079108A (ko) * | 2020-12-04 | 2022-06-13 | 인하대학교 산학협력단 | 범주형 회귀 분석을 이용한 건설현장의 위험작업구역의 접근 위험도 예측 시스템 및 그 방법 |
CN114629674A (zh) * | 2021-11-11 | 2022-06-14 | 北京计算机技术及应用研究所 | 一种基于注意力机制的工业控制网络安全风险评估方法 |
KR20220123886A (ko) | 2021-03-02 | 2022-09-13 | 경북대학교 산학협력단 | 이동 객체의 이동 경로에 따른 위험도를 표시하는 확률맵을 생성하기 위한 확률맵 생성 장치 및 방법 |
KR20220135741A (ko) * | 2021-03-31 | 2022-10-07 | 주식회사 포스코아이씨티 | 위험요인 분석을 통한 안전사고 예방방법 및 이를 이용한 안전사고 예방시스템 |
KR102452977B1 (ko) | 2022-02-17 | 2022-10-11 | 그린에코스 주식회사 | 환경위험시설에 대한 취약지역 평가 시스템 |
KR20230085364A (ko) | 2021-12-07 | 2023-06-14 | 한국건설기술연구원 | 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007128169A (ja) * | 2005-11-01 | 2007-05-24 | Japan Association For Safety Of Hazardous Materials | 危険性評価装置およびコンピュータプログラム |
KR101210729B1 (ko) * | 2012-03-06 | 2012-12-11 | 한국가스안전공사 | 지능형 위험전조 패턴 분석모델을 이용한 에너지 플랜트의 실시간 위험전조 예측방법 및 예측시스템 |
KR20130109506A (ko) * | 2012-03-27 | 2013-10-08 | 한국남동발전 주식회사 | 발전설비의 위험도 기반 정비 시스템 |
KR20150062752A (ko) * | 2013-11-29 | 2015-06-08 | 한국원자력연구원 | 원자력발전소의 시설 해체를 위한 인적오류확률 산출 장치 및 그 방법 |
KR20150089313A (ko) | 2014-01-27 | 2015-08-05 | 대원항업 주식회사 | 화재 및 폭발 위험 시설물의 관리를 위한 소방 방재 지도 제작 방법 및 그 시스템 |
-
2015
- 2015-12-15 KR KR1020150179226A patent/KR101652099B1/ko active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007128169A (ja) * | 2005-11-01 | 2007-05-24 | Japan Association For Safety Of Hazardous Materials | 危険性評価装置およびコンピュータプログラム |
KR101210729B1 (ko) * | 2012-03-06 | 2012-12-11 | 한국가스안전공사 | 지능형 위험전조 패턴 분석모델을 이용한 에너지 플랜트의 실시간 위험전조 예측방법 및 예측시스템 |
KR20130109506A (ko) * | 2012-03-27 | 2013-10-08 | 한국남동발전 주식회사 | 발전설비의 위험도 기반 정비 시스템 |
KR20150062752A (ko) * | 2013-11-29 | 2015-06-08 | 한국원자력연구원 | 원자력발전소의 시설 해체를 위한 인적오류확률 산출 장치 및 그 방법 |
KR20150089313A (ko) | 2014-01-27 | 2015-08-05 | 대원항업 주식회사 | 화재 및 폭발 위험 시설물의 관리를 위한 소방 방재 지도 제작 방법 및 그 시스템 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10741078B2 (en) | 2016-11-23 | 2020-08-11 | Electronics And Telecommunications Research Institute | Method and apparatus for providing traffic safety service based on decision layer model |
KR101805713B1 (ko) * | 2017-07-31 | 2017-12-06 | 한국가스안전공사 | 위험지도를 이용한 위험도 분석 시스템 |
KR101916411B1 (ko) * | 2017-10-30 | 2019-01-30 | 한림대학교 산학협력단 | 산업용 사물 인터넷에 기반한 공사 현장 안전을 위한 사고 예측 시스템 및 방법 |
CN108230212A (zh) * | 2017-12-22 | 2018-06-29 | 林昌民 | 企业突发事件应急方法和系统 |
KR102327385B1 (ko) * | 2019-12-11 | 2021-11-17 | 인하대학교 산학협력단 | 현장조건과 사고사례를 이용한 작업자의 위험도 예측 시스템 및 그 방법 |
KR20210073895A (ko) * | 2019-12-11 | 2021-06-21 | 인하대학교 산학협력단 | 현장조건과 사고사례를 이용한 작업자의 위험도 예측 시스템 및 그 방법 |
KR102263145B1 (ko) | 2020-08-25 | 2021-06-10 | 삼성엔지니어링 주식회사 | 건설현장고위험작업관리시스템 및 방법 |
KR20220079108A (ko) * | 2020-12-04 | 2022-06-13 | 인하대학교 산학협력단 | 범주형 회귀 분석을 이용한 건설현장의 위험작업구역의 접근 위험도 예측 시스템 및 그 방법 |
KR102600405B1 (ko) * | 2020-12-04 | 2023-11-09 | 인하대학교 산학협력단 | 범주형 회귀 분석을 이용한 건설현장의 위험작업구역의 접근 위험도 예측 시스템 및 그 방법 |
KR20220123886A (ko) | 2021-03-02 | 2022-09-13 | 경북대학교 산학협력단 | 이동 객체의 이동 경로에 따른 위험도를 표시하는 확률맵을 생성하기 위한 확률맵 생성 장치 및 방법 |
KR20220135741A (ko) * | 2021-03-31 | 2022-10-07 | 주식회사 포스코아이씨티 | 위험요인 분석을 통한 안전사고 예방방법 및 이를 이용한 안전사고 예방시스템 |
KR102564687B1 (ko) | 2021-03-31 | 2023-08-07 | 주식회사 포스코디엑스 | 위험요인 분석을 통한 안전사고 예방방법 및 이를 이용한 안전사고 예방시스템 |
CN113112151A (zh) * | 2021-04-12 | 2021-07-13 | 河南鑫安利安全科技股份有限公司 | 基于多维感知和企业数据量化的智慧风控评估方法与系统 |
CN113112151B (zh) * | 2021-04-12 | 2023-12-08 | 河南鑫安利安全科技股份有限公司 | 基于多维感知和企业数据量化的智慧风控评估方法与系统 |
CN114629674A (zh) * | 2021-11-11 | 2022-06-14 | 北京计算机技术及应用研究所 | 一种基于注意力机制的工业控制网络安全风险评估方法 |
KR20230085364A (ko) | 2021-12-07 | 2023-06-14 | 한국건설기술연구원 | 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법 |
KR102452977B1 (ko) | 2022-02-17 | 2022-10-11 | 그린에코스 주식회사 | 환경위험시설에 대한 취약지역 평가 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101652099B1 (ko) | 위험지도 기반 사고대응 및 사고예방 시스템 | |
Kang et al. | Predicting types of occupational accidents at construction sites in Korea using random forest model | |
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
Cheng et al. | Data-driven predictive maintenance planning framework for MEP components based on BIM and IoT using machine learning algorithms | |
Zio | The future of risk assessment | |
US10769570B2 (en) | Artificial intelligence based risk and knowledge management | |
Salehi et al. | Measuring and improving adaptive capacity in resilient systems by means of an integrated DEA-Machine learning approach | |
Zhang et al. | Developing a cloud model based risk assessment methodology for tunnel-induced damage to existing pipelines | |
Ajayi et al. | Optimised big data analytics for health and safety hazards prediction in power infrastructure operations | |
CN113614359A (zh) | 用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和系统 | |
Wang et al. | Data-driven risk assessment on urban pipeline network based on a cluster model | |
Pavlou | A deterministic algorithm for nonlinear, fatigue‐based structural health monitoring | |
CN117235524A (zh) | 自动估值模型的学习训练平台 | |
Glukhikh et al. | Case Based Reasoning for managing urban infrastructure complex technological objects | |
Yadav et al. | Crime prediction using auto regression techniques for time series data | |
Aditiyawarman et al. | A recent review of risk-based inspection development to support service excellence in the oil and gas industry: an artificial intelligence perspective | |
Lu et al. | Using cased based reasoning for automated safety risk management in construction industry | |
Zhou et al. | Construction safety management in the data-rich era: A hybrid review based upon three perspectives of nature of dataset, machine learning approach, and research topic | |
Abid et al. | Distributed architecture of an intrusion detection system in industrial control systems | |
Dai et al. | Data driven methods | |
Zhang et al. | ARIMA Model‐Based Fire Rescue Prediction | |
KR102271560B1 (ko) | 공사 현장 안전 감시 방법 | |
Mazzuto et al. | Health Indicator for Predictive Maintenance Based on Fuzzy Cognitive Maps, Grey Wolf, and K‐Nearest Neighbors Algorithms | |
Feijoo-Martinez et al. | Event analysis on power communication networks with big data for maintenance forms | |
US20230115475A1 (en) | Method and system for managing plant safety using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20190226 Year of fee payment: 4 |