KR102383774B1 - 플랜트 고장을 예측 하는 방법 및 이를 위한 시스템 - Google Patents
플랜트 고장을 예측 하는 방법 및 이를 위한 시스템 Download PDFInfo
- Publication number
- KR102383774B1 KR102383774B1 KR1020200054283A KR20200054283A KR102383774B1 KR 102383774 B1 KR102383774 B1 KR 102383774B1 KR 1020200054283 A KR1020200054283 A KR 1020200054283A KR 20200054283 A KR20200054283 A KR 20200054283A KR 102383774 B1 KR102383774 B1 KR 102383774B1
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- plant
- prediction
- information
- data set
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 플랜트의 고장을 예측할 수 있는 방법, 그리고 이를 위한 시스템에 관한 것으로, 구체적으로는 플랜트의 운전 상태를 모니터링 한 결과로부터 플랜트의 정상 구간 및 고장 구간들을 분류해 내고, 각 구간들의 데이터 특성으로부터 플랜트 고장을 예측하는 데에 활용될 예측용 데이터 세트를 생성하는 것을 특징으로 하는 고장 예측 방법 및 이를 위한 시스템에 관한 것이다.
Description
본 발명은 플랜트의 고장을 예측할 수 있는 방법, 그리고 이를 위한 시스템에 관한 것으로, 구체적으로는 플랜트의 운전 상태를 모니터링 한 결과로부터 플랜트의 정상 구간 및 고장 구간들을 분류해 내고, 각 구간들의 데이터 특성으로부터 플랜트 고장을 예측하는 데에 활용될 예측용 데이터 세트를 생성하는 것을 특징으로 하는 고장 예측 방법 및 이를 위한 시스템에 관한 것이다.
하나의 플랜트는 매우 다양한 종류의 설치물들을 그 내부에 구비하고 있으며, 플랜트의 운전은 이들 설치물들이 모두 정상적으로 작동될 때에야 비로소 이루어지게 된다.
한편, 플랜트는 그 특성상 한 번 고장이 발생하면 매우 큰 손실이 발생하기 때문에 미연에 고장을 예측하기 위한 다양한 방법론들이 고안되고 있다. 그러나 플랜트의 고장을 예측하는 것은 플랜트를 운용하는 자 또는 플랜트를 사용하는 자 입장에서 매우 어려운 일이며, 특히 플랜트로부터 측정 및 획득 가능한 대량의 데이터들을 한꺼번에 처리하는 데이터 분석(data analysis)은 해당 분야의 매우 뛰어난 전문가가 아닌 이상 일반적으로 플랜트 운용자 또는 플랜트 사용자가 쉽게 접근할 수 없는 영역에 해당한다.
다시 말해 플랜트의 데이터를 분석하는 과정 및 데이터의 특성 패턴을 분석하는 과정은 그 과정이 복잡하고 고도의 지식을 요구하기 때문에 전문가가 아닌 일반 운용자 또는 일반 사용자 입장에서는 쉽게 익히기가 어려우며, 또한 최근 대두되고 있는 기계학습을 활용하기 위한 환경에서도 일반 운용자 또는 일반 사용자는 질 좋은 학습데이터를 생성을 하는데 어려움을 겪게 되어 결과적으로 좋지 않은 학습데이터로 인해 플랜트 고장 예측에 나쁜 영향을 주는 결과로 이어지고 있다.
본 발명은 이와 같은 플랜트 고장 예측의 어려움에 착안하여 제안된 것으로, 본 상세한 설명을 통해 기술하게 될 발명은 이상에서 살핀 기술적 문제점을 해소시킬 수 있음은 물론, 본 기술분야에서 통상의 지식을 가진 자가 용이하게 발명할 수 없는 추가적인 기술요소들을 제공하기 위해 발명되었다.
본 발명은 플랜트를 운용하는 자 또는 사용자의 입장에서도 플랜트의 고장을 쉽게 예측할 수 있게 하는 것을 목적으로 하며, 특히 대량의 플랜트 관련 데이터들을 분석하는 데에 있어 전문적인 지식이 없더라도 비교적 정확한 플랜트 고장 예측이 가능하도록 하는 것을 목적으로 한다.
또한 본 발명은 플랜트의 작동 상태를 분석하고, 정상구간 및 고장구간으로 나뉜 복수 개의 구간들로부터 일련의 데이터 세트, 즉 플랜트의 고장을 예측하는 데에 활용될 수 있는 예측용 데이터 세트를 생성하는 것을 목적으로 한다.
한편, 본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 발명은 위와 같은 문제점을 해결하기 위한 것으로, 본 발명에 따른 시스템이 플랜트의 고장을 예측하는 방법은 (a) 고장감지정보, 고장진단정보 또는 플랜트 운전정보 중 적어도 하나를 포함하는 제반정보를 수신하는 단계; (b) 상기 제반정보를 참조하여 상기 플랜트의 작동상태를 복수 개의 구간들로 분류하는 단계; 및 (c) 상기 (b)단계에서 분류된 복수 개의 구간들을 분석하여 예측용 데이터 세트를 생성하는 단계;를 포함한다.
또한, 상기 방법은 상기 (a)단계 후, 기 정의된 필터 조건에 따라 상기 제반정보를 필터링 하는 단계;를 더 포함할 수 있다.
또한, 상기 방법은 상기 복수 개의 구간들은 상기 플랜트의 작동 시간대 상에서 분류되는 것을 특징으로 할 수 있다.
또한, 상기 방법에 있어서 상기 복수 개의 구간들은 플랜트의 작동 상태에 따라 정상구간 및 고장구간으로 나뉘는 것을 특징으로 할 수 있다.
또한, 상기 방법에 있어서 상기 예측용 데이터 세트는, 정상 데이터 세트 및 고장 데이터 세트를 포함하는 것을 특징으로 할 수 있다.
또한, 상기 방법은 상기 (c)단계 이후, 상기 생성된 예측용 데이터 세트가, 고장 예측 모델링을 위한 학습데이터로 제공되는 단계;를 더 포함할 수 있다.
또한, 상기 방법에 있어서 상기 (a)단계에서 수신하는 제반정보는, 상기 고장 예측 모델링에 의해 생성된 고장 예측 정보를 더 포함하는 것을 특징으로 할 수 있다.
한편, 본 발명의 또 다른 실시예에 따른 플랜트의 고장을 예측하는 시스템은 고장 예측부를 포함하되,상기 고장 예측부는, 고장감지정보, 고장진단정보 또는 플랜트 운전정보 중 적어도 하나를 포함하는 제반정보를 수신하고, 상기 제반정보를 참조하여 상기 플랜트의 작동상태를 복수 개의 구간들로 분류하며, 상기 분류된 복수 개의 구간들을 분석하여 예측용 데이터 세트를 생성하는 것을 특징으로 할 수 있다.
또한, 상기 시스템에 있어서 상기 고장 예측부는, 기 정의된 필터 조건에 따라 상기 제반정보를 필터링 하는 것을 특징으로 할 수 있다.
또한, 상기 시스템에 있어서 상기 복수 개의 구간들은 상기 플랜트의 작동 시간대 상에서 분류되는 것을 특징으로 할 수 있다.
또한, 상기 시스템에 있어서 상기 복수 개의 구간들은 플랜트의 작동 상태에 따라 정상구간 및 고장구간으로 나뉘는 것을 특징으로 할 수 있다.
또한, 상기 시스템에 있어서 상기 예측용 데이터 세트는, 정상 데이터 세트 및 고장 데이터 세트를 포함하는 것을 특징으로 할 수 있다.
또한, 상기 시스템에 있어서 상기 고장 예측부는, 상기 생성된 예측용 데이터 세트를, 고장 예측 모델링을 위한 학습데이터로 제공하는 것을 특징으로 할 수 있다.
또한, 상기 시스템에 있어서 상기 수신하는 제반정보는, 상기 고장 예측 모델링에 의해 생성된 고장 예측 정보를 더 포함하는 것을 특징으로 할 수 있다.
또한, 상기 시스템은 플랜트의 고장을 감지하는 고장 감지부; 및 상기 고장 감지부에 의해 감지된 고장을 분석하는 고장 진단부;를 더 포함하고, 상기 고장 예측부는 상기 고장 감지부 또는 고장 진단부 중 어느 하나로부터 상기 제반정보 중 적어도 일부를 수신하는 것을 특징으로 할 수 있다.
본 발명에 따르면 데이터 분석에 대한 전문적인 지식이 없는 운용자 또는 사용자로 할 지라도 플랜트의 고장을 예측할 수 있게 되는 효과가 있으며, 이에 따라 플랜트 유지보수 비용을 줄일 수 있게 되는 효과도 꾀할 수 있다.
또한 본 발명에 따르면 예측용 데이터 세트를 이용하여 보다 쉽게 플랜트의 고장을 예측할 수 있게 되는 효과도 있다.
한편, 본 발명에 의한 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 플랜트의 대표적인 예시로 화력 발전소를 도시한 것이다.
도 2는 플랜트 시스템의 전체적인 구성을 도시한 것이다.
도 3은 플랜트 시스템 중 특히 진단계의 세부구성을 도시한 것이다.
도 4는 고장 예측부의 세부구성을 도시한 것이다.
도 5는 데이터 처리부에 의해 고장 예측을 위한 데이터 처리가 이루어지는 과정을 순서에 따라 도시한 것이다.
도 2는 플랜트 시스템의 전체적인 구성을 도시한 것이다.
도 3은 플랜트 시스템 중 특히 진단계의 세부구성을 도시한 것이다.
도 4는 고장 예측부의 세부구성을 도시한 것이다.
도 5는 데이터 처리부에 의해 고장 예측을 위한 데이터 처리가 이루어지는 과정을 순서에 따라 도시한 것이다.
본 발명의 목적과 기술적 구성 및 그에 따른 작용 효과에 관한 자세한 사항은 본 발명의 명세서에 첨부된 도면에 의거한 이하의 상세한 설명에 의해 보다 명확하게 이해될 것이다. 첨부된 도면을 참조하여 본 발명에 따른 실시예를 상세하게 설명한다.
본 명세서에서 개시되는 실시예들은 본 발명의 범위를 한정하는 것으로 해석되거나 이용되지 않아야 할 것이다. 이 분야의 통상의 기술자에게 본 명세서의 실시예를 포함한 설명은 다양한 응용을 갖는다는 것이 당연하다. 따라서, 본 발명의 상세한 설명에 기재된 임의의 실시예들은 본 발명을 보다 잘 설명하기 위한 예시적인 것이며 본 발명의 범위가 실시예들로 한정되는 것을 의도하지 않는다.
도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한, 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록들 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성들의 조합일 수 있다.
또한, 어떤 구성요소들을 포함한다는 표현은 “개방형”의 표현으로서 해당 구성요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성요소들을 배제하는 것으로 이해되어서는 안 된다.
나아가 어떤 구성요소가 다른 구성요소에 “연결되어” 있다거나 “접속되어” 있다고 언급될 때에는, 그 다른 구성요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 한다.
이하에서는 도면들을 참조하여 본 발명이 제안하고자 하는 고장 예측 시스템 및 그 방법에 대해 자세히 살펴보기로 한다.
먼저 도 1은 플랜트의 대표적인 예시로 화력 발전소의 개괄적인 구성들을 도시한 것이다. 화력 발전소는 기본적으로 석탄이나 석유에 의한 화력으로 증기를 발생시켜 증기 터빈을 돌리고 이를 통해 전기 에너지를 생산하게 되는데, 이 중에서 특히 보일러는 증기 터빈에 고온 고압의 증기를 공급하기 위해 연료를 태워 물을 끓이는 핵심적인 구성에 해당한다. 보일러의 주된 구성으로는 물과 증기를 담는 보일러 본체, 연료의 연소장치, 그리고 화로가 있으며, 이 중 연소장치, 화로 등은 제어 시스템에 의해 조정됨으로써 온도, 압력 등이 조절된다.
한편, 위 화력 발전소의 개략적인 구성에서도 보았듯 하나의 플랜트는 복잡한 과정을 거쳐 전기 에너지를 생산하게 되는데, 당연히 위 복잡한 과정은 수 많은 부품들로 구성된 다양한 장치들이 수 많은 알고리즘에 따라 정상적인 작동을 하고 있을 것을 전제로 한다. 문제는 수 많은 부품들 중 어느 하나가 오작동을 하는 경우, 또는 알고리즘에 오류가 생겨 오작동 하는 경우 플랜트 전체가 고장으로 그 작동이 멈추어 지는 경우인데, 복잡한 시스템 자체에 고장이 발생한 경우 어디에 어떤 고장이 발생하였는지를 쉽게 파악할 수 없어 이를 복구하는 데에 상당한 비용 및 시간이 소요되는 문제가 있다.
본 발명은 플랜트의 고장을 상시 모니터링 함으로써 문제가 발생한 구간과 정상적으로 작동한 구간의 데이터 특성을 파악하고, 파악된 데이터 특성을 기초로 플랜트의 고장을 예측할 수 있는 데이터 세트를 생성함으로써 플랜트의 고장을 가능한 한 사전에 예측하고, 이에 대한 대비를 하게 하는 것을 중요한 목적으로 한다.
이하에서는 도면들을 참조하여 본 발명에 제안하는 플랜트 고장 예측 방법, 그리고 이를 위한 시스템에 살펴보기로 한다.
도 2는 본 발명에 따른 플랜트 고장 예측 방법이 실행되는 플랜트 시스템의 전체적인 개요를 도시한 것으로, 본 상세한 설명에서 언급되는 플랜트 시스템은 보편적인 플랜트에서 제어가 이루어질 수 있는 최소한의 환경을 전제로 하되, 도 2에서와 같은 제어계(10), 발전계(20), 진단계(30), 및 조정계(40)가 더 포함되는 것을 특징으로 할 수 있다. 참고로, 본 상세한 설명에서는 각 계들은 각각이 중앙처리유닛 및 메모리를 갖춘 하드웨어로 구현될 수 있으며, 또는 모든 계들은 하나의 하드웨어(중앙처리유닛 및 메모리를 갖춘 것)에 의해 구현될 것일 수도 있다. 또한, 각 계들을 구현하기 위한 소프트웨어는 컴퓨터가 판독가능한 언어로 설계된 프로그램 상에서 구현되어 상기 중앙처리유닛(CPU)에 의해 실행될 수 있음을 이해해야 할 것이다. 나아가, 각 계들은 하드웨어(hardware) 또는 펌웨어(firmware), 소프트웨어, 또는 이들의 결합에 의해 구현되되, 하드웨어를 이용하여 구현하는 경우에는 ASIC(application specific integrated circuit) 또는 DSP(digital signal processor), DSPD(digital signal processing device), PLD(programmable logic device), FPGA(field programmable gate array) 등으로, 펌웨어나 소프트웨어를 이용하여 구현하는 경우에는 위와 같은 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등을 포함하도록 펌웨어나 소프트웨어로 구성될 수 있다.
제어계(10)는 플랜트의 모든 작동을 제어하는 구성으로, 크게는 플랜트의 운전 상태를 파악할 수 있는 기능, 그리고 기 정해진 알고리즘에 따라 플랜트의 운전을 제어하는 기능을 할 수 있다. 제어계(10)는 외부로부터 입력되는 사용자(또는 운용자)의 조작입력을 수신할 수 있고, 조작입력을 기반으로 발전계(20)에 대해 제어명령을 전달할 수 있으며, 이 과정에서 조정계(40)의 연산 결과를 수신한 뒤 이를 제어명령에 반영할 수도 있다.
발전계(20)는 상기 제어계(10)로부터 제어명령을 수신한 뒤 실제 플랜트를 가동시키는 역할을 하는 구성으로, 이 발전계(20) 내에는 복수 개의 액추에이터들, 플랜트 다이나믹스(Plant dynamics), 및 센서들이 포함될 수 있다. `
진단계(30)는 플랜트의 고장을 감지, 분석하고, 나아가 위 감지 및 분석 내용을 기반으로 앞으로 발생할 수 있는 고장을 예측하는 구성이며, 진단계(30)에 대해서는 도 3에 대한 설명에서 더 자세한 논의를 하게 될 것이므로 여기서는 상세한 설명을 미루기로 한다.
마지막으로 조정계(40; Reconfiguration system)는 상기 진단계(30)로부터의 분석 또는 예측 연산 결과를 수신하고, 이를 토대로 상기 제어계(10)로 피드백 정보를 제공하는 구성이다. 조정계(40)는 상기 플랜트로 하여금 고장이 날 가능성을 낮추는 방향으로의 피드백 정보를 제공하며, 이 목적을 위한 것인 한 제공하는 피드백 정보의 종류에는 제한이 없다 할 것이다. 다만, 바람직하게는, 상기 조정계(40)는 고장이 나지 않을 정도로 각종 발전 파라미터를 제한함으로써 고장을 미연에 예방할 수 있도록 피드백 정보를 제공할 수 있으며, 이 때 제공하는 피드백 정보는 상기 제어계(10)가 이전 싸이클에서 상기 발전계(20)에 전달한 제어명령 내 발전 파라미터에 비해 더 낮은 값으로 운전하도록 명하도록 하기 위한 피드백 정보들을 포함할 수 있다.
도 3은 앞서 설명을 미뤄 두었던 진단계(30)를 보다 구체적으로 도시한 것이다. 진단계(30)는 세부적으로는 고장 감지부(301), 고장 진단부(302), 및 고장 예측부(303)를 포함할 수 있으며, 이 중 고장 감지부(301)와 고장 진단부(302)는 FDD(Fault Detection & Diagnosis) 또는 FDI(Fault Detection & Isolation)으로 지칭될 수 있다.
고장 감지부(301)는 제어계(10) 또는 발전계(20)로부터의 정보를 수신함으로써 플랜트 내에 어떤 고장이 발생하였는지 또는 발생 중인지를 파악하는 기능을 수행하고, 고장 정보를 고장 분석부(302)로 전달하는 역할을 한다.
고장 분석부(302)는 앞서 고장 정보를 수신한 뒤 이를 기반으로 플랜트의 고장들에 대한 다양한 분석들을 수행하는 역할을 한다.
마지막으로 고장 예측부(303)는 앞서 감지 및 분석된 내용들을 기반으로 향후 발생할 수 있는 플랜트 고장을 예측하고, 이로부터 생성된 예측 정보를 조정계(40)로 제공하는 구성으로 이해될 수 있으며, 본 고장 예측부(300)는 본 상세한 설명에서 주되게 논의될 대상이기도 하다. 고장 예측부(303)가 예측할 수 있는 대상의 종류에는 플랜트 신호, 플랜트 고장 시점, 플랜트 고장 위치, 플랜트 경보 수준, 또는 플랜트 고장 원인 등이 포함될 수 있다.
도 4는 고장 예측부(303)의 세부 구성들을 도시한 것으로, 고장 예측부(303)는 다시 데이터 처리부(3031), 예측 모델링부(3033), 및 예측부(3035)를 포함할 수 있다.
데이터 처리부(3031)는 후속 구성인 예측 모델링부(3033)가 학습을 하기에 적합한 데이터들을 가공하는 구성이며, 더 정확하게는 사전에 학습을 하기에 적합한 데이터만을 필터링 하는 구성으로 이해될 수 있다. 일반적으로 플랜트로부터 수집되는 고장과 관련된 정보들은 그 양이 매우 많으며, 이들 데이터들 중에는 상호 연관성이 떨어지거나 상황에 맞지 않는 오류값들이 혼합되어 있어 후속의 예측 모델링을 할 때에 정확도를 떨어트리는 요인이 될 수 있는데, 데이터 처리부(3031)는 이러한 불필요한 데이터들을 사전에 필터링 함으로써 향후 예측 모델링 시 보다 정확도를 높이는 역할을 수행한다.
데이터 처리부(3031)의 구체적인 데이터 처리 과정에 대해서는 도 5에 대한 설명에서 더 자세히 후술하기로 하며, 여기서는 우선 나머지 구성들인 예측 모델링부(3033) 및 예측부(3035)에 대해 더 논의하기로 한다.
예측 모델링부(3033)는 후속 구성인 예측부(3035)에서 예측 연산에 활용할 수 있는 고장 예측 모델을 생성하는 구성으로, 예측 모델링부(3033)는 다양한 알고리즘에 따라 고장 예측 모델을 생성할 수 있겠으나, 하나의 예로는 인공신경망을 활용하여 고장 예측 모델을 생성할 수 있다. 인공신경망이란 신경세포로 이루어진 뇌의 정보처리 구조를 수학적으로 모델링 함으로써 귀납적 학습능력을 모사한 데이터 처리 방법론의 하나로, 입력값과 출력값의 상관관계를 패턴화 하고, 도출된 패턴을 통해 새로운 입력값에 대한 출력값을 예측하는 것을 기본 목적으로 한다. 인공신경망은 신경세포의 역할을 수행하는 노드(node)의 병렬 연결 구조(층; layer)로 이루어지는데, 일반적으로는 입력층-은닉층-출력층 (Input layer-Hidden layer-Output layer)의 직렬 연결을 가지도록 구성되며, 은닉층을 복수 개 두어 복잡한 입출력의 상관관계를 처리할 수 있도록 구현될 수도 있다. 이러한 인공신경망을 활용하는 경우 물리적인 특성이나 관계를 명확히 알 수 없는 상황이라 하더라도 입력과 출력 만으로 상관관계의 학습이 가능하고, 다수의 출력값 예측, 비선형 거동에 대한 별도의 선형가정화 없이 입력과 출력의 상관관계를 도출할 수 있는 장점이 있다.
한편, 상기 예측 모델링부(3033)는 데이터 처리부(3031)로부터 학습 데이터를 제공 받을 수 있는데, 이 때 학습 데이터는 복수의 데이터 세트 형태로 구성된 것일 수 있으며, 각각의 데이터 세트는 플랜트가 정상일 때의 데이터 특성을 가지는 정상 데이터 세트, 그리고 플랜트가 고장일 때의 데이터 특성을 가지는 고장 데이터 세트를 포함할 수 있다. 복수의 데이터 세트에 대해서는 후술하기로 한다.
이상과 같이 예측 모델링부(3033)는 인공신경망과 같은 임의의 알고리즘을 이용하여 플랜트의 고장을 예측하기 위한 모델을 생성하며, 이렇게 생성된 고장 예측 모델은 후속 구성인 예측부(3035)에 제공되어 실제 고장을 예측 하는 데에 활용될 수 있다.
다음으로 예측부(3035)는 앞서 예측 모델링부(3033)에 의해 생성된 고장 예측 모델에 대한 정보를 수신하고, 현재 플랜트가 작동되고 있는 상태에 대한 값들을 상기 고장 예측 모델에 적용시켜 시뮬레이션을 수행해 봄으로써 당해 플랜트의 고장 예측값들을 산출한다. 이 때, 앞서 언급한 '현재 플랜트가 작동되고 있는 상태에 대한 값들'은 앞서 진단계(30)가 제어계(10)로부터 수신한 정보 또는 진단계(30)가 발전계(20)로부터 수신한 정보 내 포함된 것일 수 있다.
한편, 예측부(3035)는 최종적으로 고장 예측 정보를 생성하고, 이 고장 예측 정보를 조정계(40)에 전달할 수 있다. 고장 예측 정보에는 다양한 파라미터들에 대한 예측값 내지 값들의 예측되는 경향, 예측되는 고장 시점, 예측되는 고장 위치, 예측되는 경보 수준, 예측되는 고장 원인 등이 포함될 수 있다.
다른 한편, 예측부(3035)에 의해 생성된 고장 예측 정보는 조정계(40)로 전달될 뿐만 아니라, 다시 앞선 단계의 데이터 처리부(3031)에도 제공됨으로써, 다시 말해 플랜트 고장 예측 과정이 피드백 루프의 형태를 가지게 함으로써 추가적인 필터링에 의해 보다 정교한 고장 예측이 가능하게 할 수 있다.
도 5는 본 상세한 설명에서 주되게 논하고자 하는 데이터 처리부(3031)의 각 수행 단계를 설명하기 위한 것이다.
데이터 처리부(3031)는, 가장 먼저 고장감지정보, 고장진단정보, 또는 플랜트 운전정보 중 적어도 하나를 포함하는 제반정보를 수신하는 단계(S501)를 수행한다. 고장감지정보에는 예측값, 잔차값, 또는 조기경보값 등과 같이 플랜트에서 발생하여 감지된 고장들과 관련된 값들이 포함될 수 있으며, 고장진단정보에는 고장시점, 고장위치, 경보수준, 또는 센서 신호의 건전성 등과 같이 상기 고장감지정보로부터 일련의 연산에 의해 유추될 수 있는 정보들이 포함될 수 있고, 플랜트 운전정보에는 플랜트 출력, 효율 등과 같은 현재 운전 상태를 나타내는 정보들, 그리고 플랜트가 운전 중인 현재 또는 플랜트가 운전 중이었던 과거의 각종 측정값들이 포함될 수 있다. 한편, 상기 제반정보 중에는, 앞서 잠시 언급한 것과 같이 고장 예측 정보 또한 포함될 수 있다.
S501단계 이후, 데이터 처리부(3031)는 기 정의된 필터 조건에 따라 상기 제반정보를 필터링 하는 단계(S502)를 수행할 수 있다. 본 필터링 단계는 운용자 또는 사용자의 기반지식을 기반으로 정의된 필터 조건에 따라 이루어질 수 있으며, 경우에 따라 본 단계에서는 운용자 또는 사용자로부터 직접 입력을 수신(키보드, 마우스 입력 등)하도록 함으로써 필터링의 효율을 높일 수 있다.
S502단계 이후, 데이터 처리부(3031)는 상기 제반정보를 참조하여 상기 플랜트의 작동상태, 더 정확하게는 고장 이력을 참조하여 플랜트 작동상태를 분석하고, 이를 정상 구간 및 고장 구간 복수 개의 구간들로 분류하는 단계(S503)를 수행한다. 이 때 복수 개의 구간들은 플랜트의 작동 시간대 상에서 분류된 것일 수 있으며, 더욱 구체적으로는 플랜트의 작동 시간대 상에서 플랜트가 정상적으로 작동한 정상구간, 그리고 플랜트에 고장이 발생한 고장구간으로 분류된 것일 수 있다. 도 5의 S503단계 우측에는 가로축이 시간, 세로축이 측정 값으로 정의된 그래프가 도시되어 있는데, 이는 플랜트의 작동 시간대 상에서 해당 플랜트의 임의 측정 값이 이상이 있을 때의 구간(고장구간)을 별도로 표시한 것이다. 즉, S503단계에서는 그래프 상에 표시되어 있는 시간대 상에서의 고장구간, 그리고 고장구간 이외의 정상구간이 분류될 수 있다. 한편, 정상구간과 고장구간을 분류하기 위해서는 기준이 필요하다 할 것이며, 이 때의 기준은 운용자 또는 사용자(설계자)에 의해 기 설정된 것이거나, 또는 상기 데이터 처리부(3031)의 실행을 관장하는 진단계(30)의 중앙처리유닛에 의해 실행 가능한 기계학습에 의하여서도 설정된 것일 수 있다.
한편, S503단계 후, 데이터 처리부(3031)는 앞서 S503단계에서 분류된 복수 개의 구간들을 분석하여 예측용 데이터 세트를 생성(S504)할 수 있다. 복수 개의 구간들을 분석한다는 것의 의미는, 각 분류된 구간들에 대하여 데이터의 특성을 추출하는 것을 의미할 수 있으며, 예를 들어 임의의 제1기기에서 발생한 고장이력을 살펴보았을 때 어떤 타 기기와 고장 연관성(제1기기가 고장이 발생했을 때 타 기기의 고장 발생률이 높은 것)이 높았는지, 또는 제1기기에 고장이 발생하였을 때 제1기기 내 어느 부품이 가장 많은 고장원인이었는지 등과 같은 다각적 연관 관계가 연산 및 추출되는 것을 의미할 수 있다. 이러한 연산의 결과, 다수 개의 예측 데이터 세트가 생성될 수 있는데, 각각의 데이터 세트들은 도 5의 S504 단계 우측에 도시된 것과 같이 정상 데이터 세트와 고장 데이터 세트를 함께 포함할 수 있다. 이 때 각각의 데이터 세트는 플랜트를 구성하는 기기 하나 하나에 대응될 수 있다.
이상 플랜트의 고장을 예측하는 방법 및 이를 위한 시스템에 대해 살펴보았다. 본 발명은 상술한 특정의 실시예 및 응용예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 구별되어 이해되어서는 안 될 것이다.
10 제어계
20 발전계
30 진단계
301 고장 감지부 302 고장 진단부 303 고장 예측부
3031 데이터 처리부
3033 예측 모델링부
3035 예측부
40 조정계
20 발전계
30 진단계
301 고장 감지부 302 고장 진단부 303 고장 예측부
3031 데이터 처리부
3033 예측 모델링부
3035 예측부
40 조정계
Claims (15)
- 중앙처리유닛 및 메모리를 구비한 시스템이 플랜트의 고장을 예측하는 방법에 있어서,
(a) 고장감지정보, 고장진단정보 또는 플랜트 운전정보 중 적어도 하나를 포함하는 제반정보를 수신하는 단계;
(b) 상기 제반정보를 참조하여 상기 플랜트의 작동상태를 복수 개의 구간들로 분류하는 단계; 및
(c) 상기 (b)단계에서 분류된 복수 개의 구간들을 분석하여 예측용 데이터 세트를 생성하는 단계;
를 포함하되,
상기 예측용 데이터 세트는,
정상 데이터 세트 및 고장 데이터 세트를 포함하고,
상기 (c)단계 이후,
상기 생성된 예측용 데이터 세트가, 고장 예측 모델링을 위한 학습데이터로 제공되는 단계;
를 더 포함하는,
플랜트의 고장 예측 방법.
- 제1항에 있어서,
상기 (a)단계 후,
기 정의된 필터 조건에 따라 상기 제반정보를 필터링 하는 단계;
를 더 포함하는,
플랜트의 고장 예측 방법.
- 제2항에 있어서,
상기 복수 개의 구간들은 상기 플랜트의 작동 시간대 상에서 분류되는 것을 특징으로 하는,
플랜트의 고장 예측 방법.
- 제3항에 있어서,
상기 복수 개의 구간들은 플랜트의 작동 상태에 따라 정상구간 및 고장구간으로 나뉘는 것을 특징으로 하는,
플랜트의 고장 예측 방법.
- 삭제
- 삭제
- 제4항에 있어서,
상기 (a)단계에서 수신하는 제반정보는,
상기 고장 예측 모델링에 의해 생성된 고장 예측 정보를 더 포함하는 것을 특징으로 하는,
플랜트의 고장 예측 방법.
- 중앙처리유닛 및 메모리를 구비한 것으로서 플랜트의 고장을 예측하는 시스템에 있어서,
상기 시스템은 고장 예측부를 포함하되,
상기 고장 예측부는,
고장감지정보, 고장진단정보 또는 플랜트 운전정보 중 적어도 하나를 포함하는 제반정보를 수신하고, 상기 제반정보를 참조하여 상기 플랜트의 작동상태를 복수 개의 구간들로 분류하며, 상기 분류된 복수 개의 구간들을 분석하여 예측용 데이터 세트를 생성하고,
상기 예측용 데이터 세트는 정상 데이터 세트 및 고장 데이터 세트를 포함하고,
상기 생성된 예측용 데이터 세트가, 고장 예측 모델링을 위한 학습데이터로 상기고장 예측부에 제공되는,
플랜트 고장 예측 시스템
- 제8항에 있어서,
상기 고장 예측부는,
기 정의된 필터 조건에 따라 상기 제반정보를 필터링 하는 것을 특징으로 하는,
플랜트 고장 예측 시스템.
- 제9항에 있어서,
상기 복수 개의 구간들은 상기 플랜트의 작동 시간대 상에서 분류되는 것을 특징으로 하는,
플랜트 고장 예측 시스템.
- 제10항에 있어서,
상기 복수 개의 구간들은 플랜트의 작동 상태에 따라 정상구간 및 고장구간으로 나뉘는 것을 특징으로 하는,
플랜트 고장 예측 시스템.
- 삭제
- 삭제
- 제11 항에 있어서,
상기 수신하는 제반정보는,
상기 고장 예측 모델링에 의해 생성된 고장 예측 정보를 더 포함하는 것을 특징으로 하는,
플랜트 고장 예측 시스템.
- 제14항에 있어서,
플랜트의 고장을 감지하는 고장 감지부; 및
상기 고장 감지부에 의해 감지된 고장을 분석하는 고장 진단부;
를 더 포함하고,
상기 고장 예측부는 상기 고장 감지부 또는 고장 진단부 중 어느 하나로부터 상기 제반정보 중 적어도 일부를 수신하는 것을 특징으로 하는,
플랜트 고장 예측 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200054283A KR102383774B1 (ko) | 2020-05-07 | 2020-05-07 | 플랜트 고장을 예측 하는 방법 및 이를 위한 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200054283A KR102383774B1 (ko) | 2020-05-07 | 2020-05-07 | 플랜트 고장을 예측 하는 방법 및 이를 위한 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210136273A KR20210136273A (ko) | 2021-11-17 |
| KR102383774B1 true KR102383774B1 (ko) | 2022-04-05 |
Family
ID=78702708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200054283A KR102383774B1 (ko) | 2020-05-07 | 2020-05-07 | 플랜트 고장을 예측 하는 방법 및 이를 위한 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102383774B1 (ko) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101573296B1 (ko) * | 2013-08-22 | 2015-12-01 | 비앤에프테크놀로지 주식회사 | 비정상 데이터 예측 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 |
| KR101827108B1 (ko) | 2016-05-04 | 2018-02-07 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
| KR101825809B1 (ko) * | 2016-05-04 | 2018-03-22 | 두산중공업 주식회사 | 플랜트 이상 감지 시스템 및 방법 |
| KR101842347B1 (ko) * | 2016-05-04 | 2018-03-26 | 두산중공업 주식회사 | 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법 |
-
2020
- 2020-05-07 KR KR1020200054283A patent/KR102383774B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210136273A (ko) | 2021-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10809704B2 (en) | Process performance issues and alarm notification using data analytics | |
| US10805329B2 (en) | Autonomous reconfigurable virtual sensing system for cyber-attack neutralization | |
| CN107491057B (zh) | 保护工业资产控制系统的系统及方法及计算机可读介质 | |
| KR101065767B1 (ko) | 성능저하 및 고장원인 조기 진단방법 | |
| US9141915B2 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
| RU2724075C1 (ru) | Система и способ определения источника аномалии в кибер-физической системе, обладающей определенными характеристиками | |
| US11411983B2 (en) | Dynamic, resilient sensing system for automatic cyber-attack neutralization | |
| Aldeen et al. | Robust detection of faults in frequency control loops | |
| Di Maio et al. | Transient identification by clustering based on Integrated Deterministic and Probabilistic Safety Analysis outcomes | |
| EP3674946B1 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
| CN115427767A (zh) | 用于过程工厂内数据驱动的故障检测的改进模式识别技术 | |
| KR102383774B1 (ko) | 플랜트 고장을 예측 하는 방법 및 이를 위한 시스템 | |
| Rajaoarisoa et al. | Adaptive online fault diagnosis of manufacturing systems based on DEVS formalism | |
| Kościelny et al. | Towards a unified approach to detection of faults and cyber-attacks in industrial installations | |
| KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
| CN114661025A (zh) | 用于过程工厂内数据驱动的故障检测的改进故障变量识别技术 | |
| Weber et al. | System approach-based Bayesian network to aid maintenance of manufacturing processes | |
| Karlsson et al. | Detection and interactive isolation of faults in steam turbines to support maintenance decisions | |
| Koscielny et al. | The requirements for a new layer in the industrial safety systems | |
| KR20220072533A (ko) | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 | |
| CN114065990A (zh) | 一种火电厂中给水泵的监测方法、存储介质和电子装置 | |
| Al-Dahidi et al. | A novel fault detection system taking into account uncertainties in the reconstructed signals | |
| Rodriguez-Guerra et al. | Fault-tolerant control study and classification: Case study of a hydraulic-press model simulated in real-time | |
| Geetha et al. | Fuzzy expert system based sensor and actuator fault diagnosis for continuous stirred tank reactor | |
| Milne et al. | Model based aspects of the TIGER gas turbine condition monitoring system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |