KR102521000B1 - 플랜트 설비 관리 시스템 및 방법 - Google Patents
플랜트 설비 관리 시스템 및 방법 Download PDFInfo
- Publication number
- KR102521000B1 KR102521000B1 KR1020210161480A KR20210161480A KR102521000B1 KR 102521000 B1 KR102521000 B1 KR 102521000B1 KR 1020210161480 A KR1020210161480 A KR 1020210161480A KR 20210161480 A KR20210161480 A KR 20210161480A KR 102521000 B1 KR102521000 B1 KR 102521000B1
- Authority
- KR
- South Korea
- Prior art keywords
- processing unit
- inspection
- data
- facility
- artificial intelligence
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000007689 inspection Methods 0.000 claims abstract description 110
- 238000012545 processing Methods 0.000 claims abstract description 110
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 46
- 230000005856 abnormality Effects 0.000 claims abstract description 25
- 208000024891 symptom Diseases 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 9
- 238000001931 thermography Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 15
- 239000000284 extract Substances 0.000 description 12
- 238000007726 management method Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 239000003550 marker Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 플랜트 설비 관리 시스템 및 방법에 관한 것으로, 인공지능 점검 추천 모델을 저장하는 저장부 및 상기 저장부와 연결되는 처리부를 포함하고, 상기 처리부는, 플랜트 설비 운영 중 설비 이상을 예측하고, 상기 설비 이상이 예측되면 점검 코드 루틴을 실행하고, 상기 인공지능 점검 추천 모델을 이용하여 상기 점검 코드 루틴 내 상세 점검 루틴을 추천한다.
Description
본 발명은 플랜트 설비 관리 시스템 및 방법에 관한 것이다.
일반적으로, 플랜트 설비 고장 진단은 센서 데이터 분석 및 운전원의 경험적 판단에 의존하여 설비 고장을 진단 및 예측하고 있다. 그러나, 센서 데이터는 설비의 운전 상태를 판단하는 시계열 정보와 기준값 대비 과도한 알람 정보를 생성하므로, 많은 데이터로 인하여 업무 피로가 높아지는 부작용이 있다. 또한, 숙련자가 일상 점검에 의해 설비 고장 진단하는 결과와 비숙련자의 점검 결과를 판단하는 것에는 차이가 있다.
또한, 운전원은 일상 점검에서 점검 절차, 방법, 내용 및 결과 기록 등을 순차적으로 점검 과정을 수행하므로, 설비의 상태와 무관하게 일정한 루틴으로 일상 점검을 하고 있다. 그러나, 설비 고장이 순차적이고 일반적인 상황에서 발생하거나 비순차적 또는 돌발적으로 발생하는 경우와 같이 점검 루틴을 벗어나면 점검에 어려움이 있다.
본 발명은 인공지능 추론 모델을 활용한 설비 데이터 분석을 통해 설비 이상을 예지하고 최적의 점검 루틴에 따라 플랜트 설비를 점검하는 플랜트 설비 관리 시스템 및 방법을 제공하고자 한다.
본 발명의 실시 예들에 따른 플랜트 설비 관리 시스템은 인공지능 점검 추천 모델을 저장하는 저장부 및 상기 저장부와 연결되는 처리부를 포함하고, 상기 처리부는, 플랜트 설비 운영 중 설비 이상을 예측하고, 상기 설비 이상이 예측되면 점검 코드 루틴을 실행하고, 상기 인공지능 점검 추천 모델을 이용하여 상기 점검 코드 루틴 내 상세 점검 루틴을 추천하는 것을 특징으로 한다.
상기 처리부는, 상기 플랜트 설비에 대한 설비 데이터를 수집하고, 상기 설비 데이터로부터 특이 정보를 추출하고, 상기 추출된 특이 정보에 기반한 이상 징후를 추출하고, 상기 추출된 이상 징후를 기반으로 상기 설비 이상을 예측하는 것을 특징으로 한다.
상기 처리부는, 상기 플랜트 설비의 외관 이미지를 획득하여 관심 영역을 설정하고, 상기 관심 영역에서 특이 정보를 추출하는 것을 특징으로 한다.
상기 관심 영역은, 상기 외관 이미지 내 인디케이터가 위치하는 영역으로 설정되고, 상기 인디케이터는, 상기 플랜트 설비의 외관에 부착되며 기정해진 정보가 임계치를 벗어나면 물리적으로 외형이 변하는 표식으로 구현되는 것을 특징으로 한다.
상기 처리부는, 점검 항목별 중요도, 점검빈도 및 긴급성에 기반하여 가중치를 부여하고, 상기 부여된 가중치에 따라 상기 점검 항목별 우선순위를 산정하고, 상기 점검 항목별 점검 대상 설비를 추천하는 것을 특징으로 한다.
상기 처리부는, 상기 점검 항목별 점검 대상 설비에 대한 데이터를 수집하고, 상기 수집된 데이터를 분석하여 특징 정보를 추출하고, 상기 추출된 특징 정보를 상기 인공지능 점검 추천 모델을 학습시키는 것을 특징으로 한다.
본 발명의 실시 예들에 따른 플랜트 설비 관리 방법은 플랜트 설비 운영 중 설비 이상을 예측하는 단계, 상기 설비 이상이 예측되면 점검 코드 루틴을 실행하는 단계, 및 인공지능 점검 추천 모델을 이용하여 상기 점검 코드 루틴 내 상세 점검 루틴을 추천하는 단계를 포함하는 것을 특징으로 한다.
상기 설비 이상을 예측하는 단계는, 상기 플랜트 설비에 대한 설비 데이터를 수집하는 단계, 상기 설비 데이터로부터 특이 정보를 추출하는 단계, 인공지능 추론 모델을 이용하여 추출된 특이 정보에 기반한 이상 징후를 추출하는 단계, 및 추출된 이상 징후에 기반하여 상기 설비 이상을 예측하는 단계를 포함하는 것을 특징으로 한다.
상기 특이 정보를 추출하는 단계는, 상기 플랜트 설비의 외관 이미지에 관심 영역을 설정하는 단계, 및 상기 관심 영역에서 상기 특이 정보를 추출하는 단계를 포함하는 것을 특징으로 한다.
상기 관심 영역은, 상기 외관 이미지 내 인디케이터가 위치하는 영역으로 설정되고, 상기 인디케이터는, 상기 플랜트 설비의 외관에 부착되며 기정해진 정보가 임계치를 벗어나면 물리적으로 외형이 변하는 표식으로 구현되는 것을 특징으로 한다.
상기 상세 점검 루틴을 추천하는 단계는, 점검 항목별 중요도, 점검빈도 및 긴급성에 기반하여 가중치를 부여하는 단계, 부여된 가중치에 따라 상기 점검 항목별 우선 순위를 산정하는 단계, 및 상기 점검 항목별 점검 대상 설비를 추천하는 단계를 포함하는 것을 특징으로 한다.
상기 플랜트 설비 관리 방법은, 상기 점검 항목별 점검 대상 설비의 데이터를 수집하는 단계, 상기 수집된 데이터를 분석하여 특징 정보를 추출하는 단계, 및 상기 추출된 특징 정보를 상기 인공지능 점검 추천 모델을 학습시키는 단계는 더 포함하는 것을 특징으로 한다.
본 발명에 따르면, 인공지능 추론 모델을 활용하여 플랜트 설비 운영 중 발생하는 비정상 특징(설비 이상 또는 설비 고장)을 신속히 파악하여 사고 발생률 및 노후 설비의 사고 위험성을 낮출 수 있다.
또한, 본 발명에 따르면, 플랜트 설비 점검을 위한 최적의 점검 루틴을 생성하여 추천할 수 있다.
도 1은 본 발명의 실시 예들에 따른 플랜트 설비 관리 시스템을 도시한 블록구성도이다.
도 2는 본 발명의 실시 예들에 따른 설비 이상 탐지 방법을 도시한 흐름도이다.
도 3은 본 발명의 실시 예들에 따른 특징 데이터 추출 과정을 도시한 흐름도이다.
도 4는 본 발명의 실시 예들에 따른 점검 추천 과정을 도시한 흐름도이다.
도 2는 본 발명의 실시 예들에 따른 설비 이상 탐지 방법을 도시한 흐름도이다.
도 3은 본 발명의 실시 예들에 따른 특징 데이터 추출 과정을 도시한 흐름도이다.
도 4는 본 발명의 실시 예들에 따른 점검 추천 과정을 도시한 흐름도이다.
이하, 본 발명의 일부 실시 예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시 예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
도 1은 본 발명의 실시 예들에 따른 플랜트 설비 관리 시스템을 도시한 블록구성도이다.
도 1을 참조하면, 플랜트 설비 관리 시스템(100)은 수집부(110), 저장부(120), 통신부(130), 사용자 인터페이스부(140) 및 처리부(150)를 포함할 수 있다.
수집부(110)는 플랜트 설비에 설치되는 다수의 센서들(예: 온도 센서, 진동 센서, 압력 센서, 전류 센서, 전압 센서, 열화상 카메라, 이미지 센서 등)에 의해 측정되는 센서 데이터 즉, 정형 데이터 및 비정형 데이터를 수집할 수 있다. 정형 데이터는 시계열 특성을 가지는 데이터(시계열 데이터, 설비 데이터)로, 플랜트 설비 작동 중 온도, 진동, 압력, 전압, 전류, 이미지 등의 물리적 상태 정보를 포함할 수 있다. 비정형 데이터는 시각적 데이터로, 이미지 센서 및/또는 열화상 카메라 등에 의해 촬영되는 이미지 데이터(이미지)일 수 있다.
저장부(120)는 수집부(110)에 의해 수집된 정형 데이터 및 비정형 데이터들을 저장할 수 있다. 저장부(120)는 인공지능(AI) 모델, 인공지능 점검 추천 모델, 점검 코드 루틴, 학습 데이터 세트, 테스트 데이터 세트 및 검증 데이터 세트 등을 저장할 수 있다. 저장부(120)는 처리부(150)에 의해 실행되는 명령어들(instructions)을 저장하는 저장매체(non-transitory storage medium)일 수 있다. 저장부(120)는 처리부(150)의 입력 데이터들 및/또는 출력 데이터들을 임시 저장할 수도 있다. 저장부(120)는 플래시 메모리(flash memory), 하드디스크(hard disk), SSD(Solid State Disk), eMMC(embedded multimedia card), UFS(universal flash storage), RAM(Random Access Memory), SRAM(Static Random Access Memory), ROM(Read Only Memory), PROM(Programmable Read Only Memory), EEPROM(Electrically Erasable and Programmable ROM), EPROM(Erasable and Programmable ROM) 및/또는 웹 스토리지(web storage) 등의 저장매체(기록매체) 중 적어도 하나를 포함할 수 있다.
통신부(130)는 처리부(150)와 외부 전자 장치(예: 수집부(110), 운전원의 이동 단말, 서버 등) 간의 유선 또는 무선 통신을 지원할 수 있다. 통신부(130)는 무선 통신 회로(예: 셀룰러 통신 회로, 근거리 무선 통신 회로, 또는 GNSS(global navigation satellite system) 통신 회로) 또는 유선 통신 회로(예: LAN(local area network) 통신 회로, 또는 전력선 통신 회로)를 포함하고, 그 중 해당하는 통신 회로를 이용하여 블루투스, WiFi direct 또는 IrDA(infrared data association) 같은 근거리 통신 네트워크 또는 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크와 같은 원거리 통신 네트워크를 통하여 외부 전자 장치와 통신할 수 있다.
사용자 인터페이스부(140)는 사용자의 조작에 따른 데이터를 발생시키거나 처리부(150)의 동작에 따른 진행 상황 및 결과 등을 시각, 청각 및/또는 촉각 정보 등의 형태로 출력할 수 있다. 사용자 인터페이스부(140)는 키보드, 마이크, 스위치, 터치 패드, 터치 스크린, 햅틱 모듈, 디스플레이 및/또는 스피커 등을 포함할 수 있다.
처리부(150)는 수집부(110), 저장부(120), 통신부(130) 및 사용자 인터페이스부(140)와 전기적으로 연결될 수 있다. 처리부(150)는 ASIC(Application Specific Integrated Circuit), DSP(Digital Signal Processor), PLD(Programmable Logic Device), FPGA(Field Programmable Gate Array), CPU(Central Processing unit), 마이크로컨트롤러(microcontroller) 및/또는 마이크로프로세서(microprocessor) 등의 처리장치 중 적어도 하나를 포함할 수 있다.
처리부(150)는 센서 데이터에 의해 발생하는 알람 정보 중 유효한 알람 정보를 선별할 수 있다. 처리부(150)는 설비 상황에 맞추어 가변적으로 점검 루틴(과정)을 추천할 수 있다.
처리부(150)는 인공지능 추론 모델을 이용하여 정형 데이터 및 비정형 데이터를 분석하여 설비 이상 상황을 진단할 수 있다. 처리부(150)는 설비의 운전 데이터와 이상 데이터를 취득하고 취득한 운전 데이터와 이상 데이터를 정제하여 학습 데이터 세트를 생성할 수 있다. 이때, 처리부(150)는 이상 데이터(비정상 데이터)를 기반으로 학습 데이터 세트를 생성할 수 있다. 처리부(150)는 학습 데이터 세트를 이용하여 인공지능 추론 모델을 학습(train)시킬 수 있다. 처리부(150)는 검증 데이터 및 테스트 데이터 등을 이용하여 학습된 인공지능 추론 모델에 대한 검증 절차를 수행할 수도 있다. 인공지능 추론 모델은 유효한 알람 정보를 선별하는 역할을 할 수 있다. 다시 말해서, 인공지능 추론 모델은 정형 데이터 및 비정형 데이터를 기반으로 설비 상황을 인지할 수 있다. 인공지능 추론 모델은 정형 데이터에서 추출한 특이 데이터에서 속성 데이터를 확인할 수 있도록 연계하여 상세 데이터를 제공할 수 있다. 또한, 인공지능 추론 모델은 열화상 또는 일반 화상과 같은 비정형 데이터에 검출 영역을 설정하고 검출 영역 내 변화를 추출하고, 추출된 변화가 특이 사항인지를 결정할 수 있다.
처리부(150)는 수집부(110)를 이용하여 플랜트 설비의 외관 이미지를 취득할 수 있다. 수집부(110)는 열화상 카메라 및/또는 화상 카메라 등을 이용하여 플랜트 설비의 외관 이미지(즉, 비정형 데이터)를 획득할 수 있다. 화상 카메라는 컬러 또는 흑백 동영상으로 촬영할 수 있고, 열화상 카메라를 동영상으로 촬영할 수 있다. 플랜트 설비의 외관에는 별도의 물리적인 표식 즉, 인디케이터(표식자)를 설치할 수 있다. 인디케이터로는 기정해진 특정 정보가 임계치를 벗어나면 물리적으로 외형이 변하는 표식을 사용할 수 있다. 일 예로, 기정해진 온도 범위를 벗어나는 경우 색이 변하는 온도 인디케이터를 설비 외관에 부착하고, 화상 카메라를 이용하여 변하는 인디케이터를 자동 탐지할 수 있다.
처리부(150)는 취득된 외관 이미지에 관심 영역을 설정할 수 있다. 처리부(150)는 이미지 프레임 내 인디케이터가 위치하는 영역을 관심 영역으로 설정할 수 있다. 처리부(150)는 관심 영역 내 특징을 추출할 수 있다. 처리부(150)는 외관 이미지에서 관심 영역을 크롭(crop)하여 사이즈 조정할 수 있다. 처리부(150)는 인디케이터가 포함된 이미지 프레임과 인디케이터 영역(관심 영역)만을 분할할 수 있다. 처리부(150)는 관심 영역 내 인디케이터 픽셀을 분석하여 이상 여부를 판단할 수 있다.
처리부(150)는 관심 영역에서 추출된 특징에 대한 라벨링을 수행할 수 있다. 처리부(150)는 수집된 외관 이미지를 라벨링 데이터 세트와 비라벨링 데이터 세트로 분류할 수 있다. 처리부(150)는 라벨링 데이터 세트를 기반으로 학습 데이터 및 테스트 데이터 세트를 생성할 수 있다. 처리부(150)는 생성된 학습 데이터를 이용하여 인공지능 추론 모델을 학습시킬 수 있다. 처리부(150)는 테스트 데이터 세트를 이용하여 학습된 인공지능 추론 모델의 성능을 평가할 수 있다. 처리부(150)는 비정상 특징 검출 결과를 확인하고 데이터베이스에 저장할 수 있다.
처리부(150)는 운전원의 점검 절차, 점검 방법, 결과 기록 등의 자료를 정리한 자료를 전처리하여 특징을 정형화하여 학습 데이터 세트를 생성할 수 있다. 처리부(150)는 생성된 학습 데이터 세트를 이용하여 인공지능 점검 추천 모델을 학습시킬 수 있다. 인공지능 점검 추천 모델은 설비 상황에 따른 최적의 점검 루틴을 추천할 수 있다.
인공지능 점검 추천 모델을 구현하기 위하여, 먼저, 점검일지(점검기록)에서 점검 순서를 세분화한 후 세분화한 점검 순서별 점검활동사항을 키워드로 정리할 수 있다. 상세 코드 증, 상세 점검 활동 사항은 점검 결과를 해당 업무의 중요도, 점검빈도, 다른 항목과의 연결성 등에 따른 점검자의 판단 기준을 선정하여 등급별 가중치를 부여할 수 있다. 다음, 상세 코드, 가중치, 점검 기준을 토대로 점검 절차서를 제작한 후 숙련자의 피드백을 거쳐 점검 절차서를 보정할 수 있다. 처리부(150)는 점검 절차서와 데이터를 기반으로 인공지능 점검 추천 모델을 학습시킬 수 있다.
처리부(150)는 설비 상황에 따른 점검 코드 루틴을 실행할 수 있다. 처리부(150)는 인공지능 추론 모델에서 출력되는 설비 상황에 따라 점검 코드 루틴을 실행할 수 있다. 즉, 처리부(150)는 인공지능 추론 모델에 의해 설비 이상이 예측되면 점검 코드 루틴을 실행할 수 있다.
처리부(150)는 인공지능 점검 추천 모델을 이용하여 점검 코드 루틴 내 상세 점검 루틴을 추천할 수 있다. 처리부(150)는 점검 항목(상세 점검 항목)별로 중요도, 점검빈도 및 긴급성에 기반하여 가중치를 부여할 수 있다. 처리부(150)는 중요도, 점검빈도 및 긴급성 기반 가중치를 고려하여 점검 항목별 점검 절차 우선순위를 산정할 수 있다. 또한, 처리부(150)는 점검 항목에 대한 분석을 통해 점검 항목별로 점검 대상 설비를 추천할 수 있다. 처리부(150)는 점검 대상 설비의 실시간 데이터를 수집할 수 있다. 처리부(150)는 수집된 데이터를 분석하여 특징 정보를 추출할 수 있다. 처리부(150)는 추출된 특징 정보를 이용하여 학습 데이터 세트를 생성할 수 있다. 처리부(150)는 생성된 학습 데이터 세트를 이용하여 인공지능 점검 추천 모델을 학습시킬 수 있다. 이후, 처리부(150)는 점검 추천 결과를 데이터베이스에 저장할 수 있다.
도 2는 본 발명의 실시 예들에 따른 설비 이상 탐지 방법을 도시한 흐름도이다.
처리부(150)는 수집부(110)로부터 설비 데이터(센서 데이터)를 수신할 수 있다(S110). 수집부(110)는 실시간으로 설비 데이터 즉, 정형 데이터 및 비정형 데이터를 수집하고, 수집된 설비 데이터를 처리부(150)에 전송할 수 있다.
처리부(150)는 인공지능 추론 모델을 이용하여 정형 데이터 및 비정형 데이터를 분석하여 특징 정보(특이 정보)를 추출할 수 있다(S120). 처리부(150)는 기정해진 임계 특징을 벗어나는 데이터를 추출할 수 있다.
처리부(150)는 추출된 특징 정보를 분석하여 이상 징후를 진단(추출)할 수 있다(S130). 이상 징후는 정상과 다른 특이 상황(비정상 상황)으로, 이상 특징 및/또는 이상 영역 등을 포함할 수 있다.
처리부(150)는 추출된 이상 징후에 기반하여 설비 이상(설비 상황)을 예측할 수 있다(S140).
도 3은 본 발명의 실시 예들에 따른 특징 데이터 추출 과정을 도시한 흐름도이다.
처리부(150)는 수집부(110)를 이용하여 플랜트 설비의 외관 이미지를 취득할 수 있다(S210). 수집부(110)는 열화상 카메라 및/또는 화상 카메라 등을 이용하여 플랜트 설비의 외관 이미지(즉, 비정형 데이터)를 획득할 수 있다.
처리부(150)는 취득된 외관 이미지에 관심 영역을 설정할 수 있다(S220). 처리부(150)는 이미지 프레임 내 인디케이터가 위치하는 영역을 관심 영역으로 설정할 수 있다.
처리부(150)는 관심 영역 내 특징(특이 정보)을 추출할 수 있다(S230). 처리부(150)는 외관 이미지에서 관심 영역을 크롭하여 사이즈 조정할 수 있다. 처리부(150)는 인디케이터가 포함된 이미지 프레임과 인디케이터 영역(관심 영역)만을 분할할 수 있다. 처리부(150)는 관심 영역 내 인디케이터 픽셀을 분석하여 이상 여부를 판단할 수 있다.
처리부(150)는 관심 영역 내 특징 라벨링을 수행할 수 있다(S240). 처리부(150)는 관심 영역에서 추출된 특징에 대한 라벨링을 수행할 수 있다.
처리부(150)는 수집된 외관 이미지를 라벨링 데이터 세트와 비라벨링 데이터 세트로 분류할 수 있다(S250).
처리부(150)는 라벨링 데이터 세트를 기반으로 학습 데이터를 생성할 수 있다(S260). 처리부(150)는 학습 데이터 생성 시 테스트 데이터 세트를 함께 생성할 수 있다.
처리부(150)는 생성된 학습 데이터를 이용하여 인공지능 추론 모델을 학습시킬 수 있다(S270).
처리부(150)는 테스트 데이터 세트를 이용하여 학습된 인공지능 추론 모델의 성능을 평가할 수 있다(S280).
처리부(150)는 비정상 특징 검출 결과를 확인하고 데이터베이스에 저장할 수 있다(S290).
도 4는 본 발명의 실시 예들에 따른 점검 추천 과정을 도시한 흐름도이다.
처리부(150)는 설비 상황에 따른 점검 코드 루틴을 실행할 수 있다(S310). 처리부(150)는 인공지능 추론 모델에 의해 예측된 설비 상황(설비 이상)에 따른 점검 코드 루틴을 실행할 수 있다.
처리부(150)는 인공지능 점검 추천 모델을 이용하여 점검 코드 루틴 내 상세 점검 루틴을 추천할 수 있다(S320 내지 S340).
보다 구체적으로, 처리부(150)는 점검 항목별로 중요도, 점검빈도 및 긴급성에 기반하여 가중치를 부여할 수 있다(S320). 점검 항목은 점검 코드 루틴 내 상세 코드로, 상세 점검 활동 사항일 수 있다.
처리부(150)는 부여된 가중치에 기반하여 점검 항목별 점검 절차 우선순위를 산정할 수 있다(S330).
처리부(150)는 점검 항목별로 점검 대상 설비를 추천할 수 있다(S340). 처리부(150)는 최종적으로 상세 점검 루틴을 추천할 수 있다.
처리부(150)는 점검 대상 설비에 대한 데이터를 실시간으로 수집할 수 있다(S350). 처리부(150)는 수집부(110)를 통해 추천된 상세 점검 루틴에 따라 점검 대상 설비에 대한 데이터를 수집할 수 있다.
처리부(150)는 수집된 데이터를 분석하여 특징 정보를 추출할 수 있다(S360). 처리부(150)는 특징 정보를 이용하여 인공지능 점검 추천 모델의 학습 데이터 세트를 생성할 수 있다.
처리부(150)는 추출된 특징 정보를 이용하여 인공지능 점검 추천 모델을 학습시킬 수 있다(S370). 처리부(150)는 추출된 특징 정보에 기반한 학습 데이터 세트를 이용하여 인공지능 점검 추천 모델을 학습시킬 수 있다.
이후, 처리부(150)는 점검 추천 결과를 데이터베이스에 저장할 수 있다.
상기한 점검 추천 절차를 반복 수행함으로써 인공지능 점검 추천 모델을 지속적으로 개량하여 성능을 향상시킬 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 플랜트 설비 관리 시스템
110 : 수집부
120 : 저장부
130 : 통신부
140 : 사용자 인터페이스부
150 : 처리부
110 : 수집부
120 : 저장부
130 : 통신부
140 : 사용자 인터페이스부
150 : 처리부
Claims (12)
- 운전원의 점검 절차, 점검 방법, 결과 기록의 자료를 정리한 자료를 전처리하여 생성된 학습 데이터 세트를 이용하여 학습된 인공지능 점검 추천 모델을 저장하는 저장부; 및
상기 저장부와 연결되는 처리부를 포함하고,
상기 처리부는,
플랜트 설비 운영 중 설비 이상을 예측하고,
상기 설비 이상이 예측되면 점검 루틴을 실행하고,
상기 인공지능 점검 추천 모델을 이용하여 상기 점검 루틴 내 상세 점검 루틴을 추천하되,
상기 처리부는,
상기 플랜트 설비에 설치되는 다수의 센서들에 의해 측정되는 시계열 특성을 가지는 정형데이터(온도, 진동, 압력, 전압, 전류, 이미지)를 수집하고,
상기 정형데이터로부터 특이 정보를 추출하고,
상기 추출된 특이 정보에 기반한 이상 징후를 추출하고,
상기 추출된 이상 징후를 기반으로 상기 설비 이상을 예측하며,
상기 처리부는,
상기 플랜트 설비의 외관 이미지(비정형데이터)를 열화상 카메라 및 이미지 센서를 통해 획득하여 관심 영역을 설정하고, 상기 관심 영역에서 특이 정보를 추출하되,
상기 추출된 특이 정보에 기반한 이상 징후를 추출하고,
상기 추출된 이상 징후를 기반으로 상기 설비 이상을 예측하며,
상기 관심 영역은,
상기 외관 이미지 내 인디케이터가 위치하는 영역으로 설정되고,
상기 인디케이터는,
상기 플랜트 설비의 외관에 부착되며 기정해진 정보가 임계치를 벗어나면 물리적으로 외형이 변하는 표식으로 구현되는 것을 특징으로 하며,
상기 처리부는 상세 점검 루틴을 추천함에 있어서,
점검 항목 별로 중요도, 점검빈도 및 긴급성에 기반하여 가중치를 부여하고,
상기 부여된 가중치에 따라 상기 점검 항목 별로 우선순위를 산정하고,
상기 점검 항목 별로 산정된 우선순위에 따라 점검 대상 설비를 추천하는 것을 특징으로 하며,
상기 처리부는,
상기 상세 점검 루틴에 따라 점검 대상 설비에 대한 데이터를 수집하고,
상기 수집된 데이터를 분석하여 특징 정보를 추출하고,
상기 추출된 특징 정보에 라벨링을 수행하여 생성된 학습 데이터 세트를 이용하여 상기 인공지능 점검 추천 모델을 학습시키되, 이를 반복하여 인공지능 점검 추천 모델의 성능을 향상시키는 것을 특징으로 하는 플랜트 설비 관리 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 처리부가 플랜트 설비 운영 중 설비 이상을 예측하는 단계;
처리부가 상기 설비 이상이 예측되면 점검 루틴을 실행하는 단계; 및
처리부가 운전원의 점검 절차, 점검 방법, 결과 기록의 자료를 정리한 자료를 전처리하여 생성된 학습 데이터 세트를 이용하여 학습된 인공지능 점검 추천 모델을 이용하여 상기 점검 루틴 내 상세 점검 루틴을 추천하는 단계를 포함하되,
상기 처리부가 설비 이상을 예측하는 단계는,
상기 처리부가 상기 플랜트 설비에 설치되는 다수의 센서들에 의해 측정되는 시계열 특성을 가지는 정형데이터(온도, 진동, 압력, 전압, 전류, 이미지)를 수집하는 단계;
상기 처리부가 정형데이터로부터 특이 정보를 추출하는 단계;
상기 처리부가 인공지능 추론 모델을 이용하여 추출된 특이 정보에 기반한 이상 징후를 추출하는 단계; 및
상기 처리부가 추출된 이상 징후에 기반하여 상기 설비 이상을 예측하는 단계를 포함하되,
상기 처리부가 특이 정보를 추출하는 단계는,
상기 처리부가 플랜트 설비의 외관 이미지(비정형데이터)를 열화상 카메라 및 이미지 센서를 통해 획득하여 관심 영역을 설정하는 단계; 및
상기 처리부가 관심 영역에서 상기 특이 정보를 추출하는 단계를 포함하며,
상기 관심 영역은,
상기 외관 이미지 내 인디케이터가 위치하는 영역으로 설정되고,
상기 인디케이터는,
상기 플랜트 설비의 외관에 부착되며 기정해진 정보가 임계치를 벗어나면 물리적으로 외형이 변하는 표식으로 구현되는 것을 특징으로 하며,
상기 처리부가 상세 점검 루틴을 추천하는 단계는,
상기 처리부가 점검 항목 별로 중요도, 점검빈도 및 긴급성에 기반하여 가중치를 부여하는 단계;
상기 처리부가 부여된 가중치에 따라 상기 점검 항목 별로 우선 순위를 산정하는 단계; 및
상기 처리부가 상기 점검 항목 별로 산정된 우선 순위에 따라 점검 대상 설비를 추천하는 단계를 포함하는 것을 특징으로 하며,
상기 처리부가 상기 상세 점검 루틴에 따라 점검 대상 설비의 데이터를 수집하는 단계;
상기 처리부가 수집된 데이터를 분석하여 특징 정보를 추출하는 단계; 및
상기 처리부가 추출된 특징 정보에 라벨링을 수행하여 생성된 학습 데이터 세트를 이용하여 상기 인공지능 점검 추천 모델을 학습시키되, 이를 반복하여 인공지능 점검 추천 모델의 성능을 향상시키는 단계는 더 포함하는 것을 특징으로 하는 플랜트 설비 관리 방법.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210161480A KR102521000B1 (ko) | 2021-11-22 | 2021-11-22 | 플랜트 설비 관리 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210161480A KR102521000B1 (ko) | 2021-11-22 | 2021-11-22 | 플랜트 설비 관리 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102521000B1 true KR102521000B1 (ko) | 2023-04-13 |
Family
ID=85978767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210161480A KR102521000B1 (ko) | 2021-11-22 | 2021-11-22 | 플랜트 설비 관리 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102521000B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102694854B1 (ko) * | 2023-11-01 | 2024-08-14 | 한국건설기술연구원 | 디지털 트윈 플랜트 시스템 및 디지털 트윈 플랜트의 이상 검출 방법 |
| KR102715047B1 (ko) | 2023-12-01 | 2024-10-07 | 한국건설기술연구원 | 지하 복합 플랜트 설계를 위한 지하 구조 시뮬레이션 시스템 및 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101030812B1 (ko) * | 2009-12-24 | 2011-04-28 | 한국전력공사 | 설비 고장 진단 시스템 및 설비 고장 진단 방법 |
| JP2016001140A (ja) * | 2014-06-12 | 2016-01-07 | 株式会社明電舎 | 画像処理による線条温度監視装置 |
| KR20170125237A (ko) * | 2016-05-04 | 2017-11-14 | 두산중공업 주식회사 | 플랜트 이상 감지 시스템 및 방법 |
| KR20210097369A (ko) * | 2020-01-30 | 2021-08-09 | 주식회사 이엠포커스 | 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 시스템 및 그 방법 |
-
2021
- 2021-11-22 KR KR1020210161480A patent/KR102521000B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101030812B1 (ko) * | 2009-12-24 | 2011-04-28 | 한국전력공사 | 설비 고장 진단 시스템 및 설비 고장 진단 방법 |
| JP2016001140A (ja) * | 2014-06-12 | 2016-01-07 | 株式会社明電舎 | 画像処理による線条温度監視装置 |
| KR20170125237A (ko) * | 2016-05-04 | 2017-11-14 | 두산중공업 주식회사 | 플랜트 이상 감지 시스템 및 방법 |
| KR20210097369A (ko) * | 2020-01-30 | 2021-08-09 | 주식회사 이엠포커스 | 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 시스템 및 그 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102694854B1 (ko) * | 2023-11-01 | 2024-08-14 | 한국건설기술연구원 | 디지털 트윈 플랜트 시스템 및 디지털 트윈 플랜트의 이상 검출 방법 |
| KR102715047B1 (ko) | 2023-12-01 | 2024-10-07 | 한국건설기술연구원 | 지하 복합 플랜트 설계를 위한 지하 구조 시뮬레이션 시스템 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102427205B1 (ko) | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 | |
| Cremona et al. | Structural health monitoring as a big-data problem | |
| JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
| KR102521000B1 (ko) | 플랜트 설비 관리 시스템 및 방법 | |
| JP6707920B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
| KR101872342B1 (ko) | 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치 | |
| US20210255613A1 (en) | Abnormality predicting system and abnormality predicting method | |
| EP3910437B1 (en) | Monitoring apparatus, monitoring method, and computer-readable medium | |
| CN116415931B (zh) | 一种基于大数据的电力设备运行状态监控方法和系统 | |
| CN112272763B (zh) | 异常探测装置、异常探测方法以及计算机可读取的存储介质 | |
| JP2020052740A (ja) | 異常検知装置、異常検知方法及びプログラム | |
| CN116628564B (zh) | 用于检测发电机状态的模型训练方法和系统 | |
| JP2009086896A (ja) | コンピュータの障害予測システムおよび障害予測方法 | |
| CN118410428A (zh) | 一种地铁隧道自动化监测方法、系统、设备和介质 | |
| CN117194163A (zh) | 一种计算机设备、故障检测系统、方法及可读存储介质 | |
| US11955245B2 (en) | Method and system for mental index prediction | |
| CN117421692B (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
| KR102602840B1 (ko) | 학습 데이터셋 생성 시스템 및 이를 이용한 학습 데이터셋 생성 방법 | |
| US20200311401A1 (en) | Analyzing apparatus, control method, and program | |
| Abadíaa et al. | Automated decision making in structural health monitoring using explainable artificial intelligence | |
| Tsiamyrtzis et al. | Image based statistical process monitoring via partial first order stochastic dominance | |
| JP7396133B2 (ja) | パラメータ調整装置、推論装置、パラメータ調整方法、及びパラメータ調整プログラム | |
| CN115293735A (zh) | 一种无人工厂工业互联网平台监测管理方法及系统 | |
| Kardawi et al. | A Comparative Analysis of Deep Learning Models for Detection of Knee Osteoarthritis Disease through Mobile Apps | |
| CN111814764A (zh) | 一种遗撒物确定系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |