KR102212022B1 - Method of automatically determining condition of hydro turbine in hydroelectric power plant and system for the same - Google Patents

Method of automatically determining condition of hydro turbine in hydroelectric power plant and system for the same Download PDF

Info

Publication number
KR102212022B1
KR102212022B1 KR1020200019949A KR20200019949A KR102212022B1 KR 102212022 B1 KR102212022 B1 KR 102212022B1 KR 1020200019949 A KR1020200019949 A KR 1020200019949A KR 20200019949 A KR20200019949 A KR 20200019949A KR 102212022 B1 KR102212022 B1 KR 102212022B1
Authority
KR
South Korea
Prior art keywords
data
soundness
health
model
determination
Prior art date
Application number
KR1020200019949A
Other languages
Korean (ko)
Inventor
손훈
이준
김동건
Original Assignee
한국과학기술원
한국수력원자력 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원, 한국수력원자력 주식회사 filed Critical 한국과학기술원
Priority to KR1020200019949A priority Critical patent/KR102212022B1/en
Application granted granted Critical
Publication of KR102212022B1 publication Critical patent/KR102212022B1/en

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
    • F03B11/008—Measuring or testing arrangements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B13/00—Adaptations of machines or engines for special use; Combinations of machines or engines with driving or driven apparatus; Power stations or aggregates
    • F03B13/08—Machine or engine aggregates in dams or the like; Conduits therefor, e.g. diffusors
    • F03B13/083—The generator rotor being mounted as turbine rotor rim
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B17/00—Other machines or engines
    • F03B17/06—Other machines or engines using liquid flow with predominantly kinetic energy conversion, e.g. of swinging-flap type, "run-of-river", "ultra-low head"
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/20—Hydro energy

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Disclosed are a method for automatically determining the health of a flap wheel and a system therefor. Here, the health of the flap wheel can be automatically evaluated by executing a program in a computing device to process data measured by a plurality of sensors for monitoring the health of the flap wheel. The program includes a health automatic determination model unit and a health determination unit. The health automatic determination model unit may normalize measurement data which is read from a data storage by means of preprocessing in accordance with a multiple state classification algorithm to input the same into a plurality of artificial neural network models, wherein each artificial neural network model uses the inputted measurement data to perform analysis for health evaluation as an additional independent process. The health determination unit uses the additional health evaluation result deduced by the analysis of the plurality of artificial neural network models to ultimately decide the determination of the health state of the flap wheel based on the majority rule. Here, the program may further comprise a determination result notification unit which can receive the result of the determination of the health state of the flap wheel to convert the same into a format which can be recognized by a system manager to provide the same to the system manager while issuing a notification to the manager when the deduced ultimate evaluation result is determined to be erroneous.

Description

양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 {Method of automatically determining condition of hydro turbine in hydroelectric power plant and system for the same} {Method of automatically determining condition of hydro turbine in hydroelectric power plant and system for the same}

본 발명은 수력발전소 또는 양수 발전소 시설의 건전성 모니터링 기술 분야에 관한 것으로, 보다 상세하게는 발전소의 양수 수차의 건전성을 자동으로 판정할 수 있는 기술에 관한 것이다.The present invention relates to the field of technology for monitoring the health of a hydroelectric power plant or pumping power plant facility, and more particularly, to a technology capable of automatically determining the soundness of a pumping water wheel of a power plant.

수력발전 시, 양수 수차는 그 내부에 물이 항상 존재하고 300 RPM의 일정한 속도로 회전하는 구조로 되어 있어, 양수 수차의 건전성 모니터링 센서가 해당 양수 수차에 직접 부착되기 어렵다. 이런 이유로 인해 모니터링 센서는 양수 수차의 외부에 부착되어 간접적인 계측을 한다. 그런데 양수 수차를 간접적으로 계측한 데이터를 단순 검토한 경우에는 양수 수차의 직접적인 특성파악이 어렵다. During hydroelectric power generation, the pumping water wheel has a structure in which water is always present and rotates at a constant speed of 300 RPM, so it is difficult for the soundness monitoring sensor of the pumping water wheel to be directly attached to the pumping water wheel. For this reason, the monitoring sensor is attached to the outside of the aberration and makes indirect measurement. However, if the data obtained by indirectly measuring amniotic aberration is simply reviewed, it is difficult to directly identify the characteristics of amniotic aberration.

수력발전소 내의 양수 수차의 건전성을 감시하기 위하여 여러 가지 센서들의 측정 데이터를 활용할 수 있다. 그런데 기존의 수력발전소 내의 양수 수차 건전성 모니터링 방식은 각각의 센서로부터 측정된 값을 각각 따로 단일 형태로 분석하여 상태를 진단하는 형태로 이용한다. 여러 센서들의 측정 데이터를 단일 형태로 분석하여 사용하는 기존 방식으로는 이상 상태의 통합적인 분석을 하기 어렵게 만든다. 각각의 센서로부터 측정된 데이터를 통합적으로 분석하여 신뢰도를 높여야 할 필요성이 제기된다.Measurement data of various sensors can be used to monitor the health of pumping water in a hydroelectric power plant. However, the conventional monitoring method for the health of pumped water in a hydroelectric power plant is used in the form of diagnosing the condition by separately analyzing the values measured from each sensor in a single form. The conventional method of analyzing and using the measurement data of several sensors in a single form makes it difficult to perform an integrated analysis of abnormal conditions. The need to increase reliability by analyzing the data measured from each sensor is raised.

기존에 알려진 양수발전 고장진단 시스템이 있으나, 그 시스템은 정상가동을 벗어난 설비의 이상만을 판단하는 경보시스템이다. 예컨대 기존에는 양수 수차에서 발생하는 주 이상 상태인 공동현상(Cavitation)에 대해서만 집중적인 연구가 이루어졌다. 그 시스템은 양수발전소의 양수 수차의 상태를 진단하고 수명을 예측하거나 또는 양수발전 시스템 전반에 대한 상태의 건전성을 진단하고 수명을 예측하는 것이 어려웠다. There is a conventionally known pumping power failure diagnosis system, but the system is an alarm system that judges only abnormalities of facilities outside of normal operation. For example, in the past, intensive research has been conducted only on cavitation, which is a state anomaly occurring in amniotic aberration. It was difficult for the system to diagnose the state of the pumping water wheel of the pumping power plant and predict its lifespan, or to diagnose the soundness of the state of the pumping power plant as a whole and predict the lifespan.

양수 수차의 건전성은 구조물의 진동 패턴 분석을 통하여 평가될 수도 있다. 그 건전성 평가방법은 구조물의 단일 특성에 대해서만 평가하는 한계가 있다.The soundness of amniotic aberration can also be evaluated through the vibration pattern analysis of the structure. The integrity evaluation method has a limitation in evaluating only a single characteristic of a structure.

기존에 알려진 건전성 평가방법 중의 하나는 단일 센싱 데이터가 시스템에서 설정한 값 이상으로 변동 시 경보를 알려주는 방식이다. 이 평가 방법을 구현한 시스템은 오경보를 자주 발하였다.One of the known health evaluation methods is a method of notifying an alarm when single sensing data fluctuates beyond the value set by the system. The system implementing this evaluation method frequently issued false alarms.

양수발전설비의 중대 이상을 감지하고 고장을 미연에 방지하기 위해 통합분석을 활용한 실시간 자동 건전성 평가 시스템이 필요하다.There is a need for a real-time automatic health evaluation system using integrated analysis to detect major abnormalities in pumped-out power generation facilities and prevent failures in advance.

(1) 특허 등록번호: 10-1498527 (2015.02.26), 발명의 명칭: 진동 주파수 분석 프로그램에 의한 발전소 회전설비상태 진단 시스템(1) Patent registration number: 10-1498527 (2015.02.26), Title of invention: Power plant rotation facility condition diagnosis system by vibration frequency analysis program (2) 특허 등록번호: 10-1903283 (2018.09.20.), 발명의 명칭: 발전설비의 자동 진단 시스템 및 자동 진단 방법(2) Patent registration number: 10-1903283 (2018.09.20.), Title of invention: Automatic diagnosis system and automatic diagnosis method for power generation facilities (3) 특허 등록번호: 10-1307526 (2013.09.05.), 발명의 명칭: 실시간 진동 모니터링 장치(3) Patent registration number: 10-1307526 (2013.09.05.), Title of invention: Real-time vibration monitoring device

본 발명은 수력발전소 내의 양수 수차 모니터링 설계 및 설비 변경 없이 현재 사용 중인 정적 모니터링 시스템을 활용하여 정적 데이터 기반 양수 수차 건전성을 자동으로 판정할 수 있는 방법 및 시스템을 제공하기 위한 것이다.An object of the present invention is to provide a method and system capable of automatically determining the soundness of a pumping water wheel based on static data by utilizing a static monitoring system currently in use without changing the design and facility for monitoring pumping water in a hydropower plant.

본 발명은 양수 수차 발전에서 발생하는 모니터링 데이터를 통합적으로 분석하여 발전 설비의 건전성을 자동 판정할 수 있고, 추가적인 모니터링 센서와 시스템 적용 시 그에 맞도록 재구성할 수 있는 방법(알고리즘)을 제공하기 위한 것이다.An object of the present invention is to provide a method (algorithm) capable of automatically determining the health of a power generation facility by integrated analysis of monitoring data generated from pumped water power generation, and reconfiguring accordingly when applying an additional monitoring sensor and system. .

본 발명이 해결하고자 하는 과제는 상술한 과제들에 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.The problem to be solved by the present invention is not limited to the above-described problems, and may be variously expanded without departing from the spirit and scope of the present invention.

상기 본 발명의 일 목적을 실현하기 위한 실시예들에 따른 양수 수차의 건전성을 자동으로 판정하기 위한 방법은 컴퓨터 장치에서 실행되는 컴퓨터 프로그램을 이용하여 양수 수차의 건전성을 자동으로 판정하기 위한 방법이다. 상기 방법은 양수 수차에 관한 건전성을 모니터링하기 위한 다수의 센서들이 계측한 데이터가 저장된 모니터링 데이터 저장소로부터 계측 데이터를 읽어와서 건전성 자동 판정 모델부에 입력하는 단계; 상기 건전성 자동 판정 모델부에서, 상기 계측 데이터를 전처리하여 정규화된 계측 데이터를 얻는 단계; 상기 정규화된 계측 데이터를 복수의 인공신경망 모델에 각각 입력하여 다중 상태 분류 알고리즘에 따라 각 인공신경망 모델에서 건전성 평가를 위한 분석을 별도의 독립적인 절차로 수행하는 단계; 그리고 건전성 판정부에서, 상기 복수의 인공신경망 모델이 분석하여 도출한 별도의 건전성 평가 결과를 이용하여 다수결 원칙에 따라 양수 수차의 건전성 상태 판정을 최종적으로 결정하는 단계를 포함한다. A method for automatically determining the soundness of amniotic aberration according to embodiments for realizing one object of the present invention is a method for automatically determining the soundness of amniotic aberration using a computer program executed in a computer device. The method includes the steps of reading measurement data from a monitoring data storage storing data measured by a plurality of sensors for monitoring the integrity of amniotic aberration and inputting it to an automatic soundness determination model unit; Obtaining normalized measurement data by preprocessing the measurement data in the automatic soundness determination model unit; Inputting the normalized measurement data to a plurality of artificial neural network models, respectively, and performing an analysis for health evaluation in each artificial neural network model as a separate independent procedure according to a multi-state classification algorithm; And finally determining, in the soundness determination unit, the soundness state of the amniotic aberration according to the majority voting principle by using separate soundness evaluation results derived by analyzing the plurality of artificial neural network models.

예시적인 실시예들에 있어서, 상기 계측 데이터는 터빈, 발전기 및 터빈-발전기 중심축에 관한 온도 데이터, 변위 데이터, 속도 데이터를 포함할 수 있다.In example embodiments, the measurement data may include temperature data, displacement data, and speed data about a turbine, a generator, and a turbine-generator central axis.

예시적인 실시예들에 있어서, 상기 방법은 상기 건전성 자동 판정 모델부에서, 상기 전처리 단계 이전에, 센서별로 분류된 각 계측 데이터별로 시계열 데이터로 계측 빈도가 일정한지를 검토하여, 만일 일정하지 않을 경우 이전 데이터를 기반으로 선형 보간을 수행하여 각 데이터별로 계측 빈도를 일정하게 만드는 단계를 더 포함할 수 있다.In exemplary embodiments, the method includes, in the automatic health determination model unit, before the pre-processing step, reviewing whether the measurement frequency is constant as time series data for each measurement data classified for each sensor, and if not, transfer It may further include performing linear interpolation based on the data to make the measurement frequency constant for each data.

예시적인 실시예들에 있어서, 상기 정규화된 계측 데이터를 얻는 단계는, 입력받은 계측 데이터를 센서별로 분류하는 단계; 양수 수차의 상태 정보 이외에 외기에 의해 변화한 온도, 습도 및 진동에 의한 노이즈를 제거하는 단계; 그리고 해당 데이터 이전의 소정 기간 동안의 데이터를 활용하여 데이터 정규화를 수행하는 단계를 포함할 수 있다.In example embodiments, the obtaining of the normalized measurement data includes: classifying the input measurement data for each sensor; Removing noise due to temperature, humidity, and vibration changed by outside air in addition to state information of positive aberration; In addition, it may include performing data normalization by using data for a predetermined period prior to the corresponding data.

예시적인 실시예들에 있어서, 상기 다중 상태 분류 알고리즘이 사용하는 상기 복수의 인공신경망 모델은 다층 퍼셉트론 기반 모델(Multi-Layer Perceptron Model: MLP 모델), 1차원 합성곱 신경망 기반 모델(1 Dimensional Convolutional Neural Networks: 1D-CNN 모델), 그리고 순환 신경망 장단기 기억 기반 모델(Recurrent Neural Networks-Long Short-Term Memory: RNN-LSTM 모델을 포함할 수 있다.In example embodiments, the plurality of artificial neural network models used by the multi-state classification algorithm are a multi-layer perceptron model (MLP model), a one-dimensional convolutional neural network model. Networks: 1D-CNN model), and Recurrent Neural Networks-Long Short-Term Memory (RNN-LSTM model).

예시적인 실시예들에 있어서, 상기 방법은 상기 건전성 판정부가 상기 건전성 자동 판정 모델부에서 도출한 최종 평가 결과를 동일시점의 모니터링데이터와 함께 데이터 저장소에 저장하는 단계를 더 포함할 수 있다.In example embodiments, the method may further include storing, by the soundness determination unit, a final evaluation result derived from the automatic soundness determination model unit together with monitoring data at the same point in a data storage.

예시적인 실시예들에 있어서, 상기 방법은 상기 건전성 판정부에서 도출한 최종 평가 결과가 이상상태로 판정 시 관리자에게 경보를 발하는 단계를 더 포함할 수 있다.In example embodiments, the method may further include issuing an alarm to the manager when the final evaluation result derived by the health determination unit is determined as an abnormal state.

한편, 본 발명의 상기 목적을 실현하기 위한 실시예들에 따른 양수 수차의 건전성을 자동으로 판정하기 위한 시스템은, 양수 수차의 건전성에 관련된 요소들을 실시간 계측하는 것에 의해 계측 데이터를 생성하는 다수의 센서들을 포함하는 모니터링 센서부; 상기 모니터링 센서부에서 생성되는 상기 계측 데이터를 제공받아 저장하는 데이터 저장소; 그리고 프로그램의 실행을 통해 상기 계측 데이터를 처리하여 상기 양수 수차의 건전성을 평가하도록 구성된 컴퓨팅 장치를 포함할 수 있다. 상기 프로그램은, 다중 상태 분류 알고리즘에 따라, 상기 데이터 저장소로부터 읽어온 상기 계측 데이터를 전처리를 통해 정규화하여 복수의 인공신경망 모델에 입력하고, 각 인공신경망 모델에서 그 입력된 계측 데이터를 이용하여 별도의 독립적인 절차로 건전성 평가를 위한 분석을 수행하는 기능을 포함하는 건전성 자동 판정 모델부; 그리고 상기 복수의 인공신경망 모델이 분석하여 도출한 별도의 건전성 평가 결과를 이용하여 다수결 원칙에 따라 양수 수차의 건전성 상태 판정을 최종적으로 결정하는 기능을 포함하는 건전성 판정부를 포함할 수 있다.On the other hand, the system for automatically determining the soundness of amniotic aberration according to embodiments for realizing the above object of the present invention is a plurality of sensors that generate measurement data by measuring elements related to the soundness of amniotic aberration in real time. Monitoring sensor unit including; A data storage for receiving and storing the measurement data generated by the monitoring sensor unit; And it may include a computing device configured to evaluate the soundness of the positive aberration by processing the measurement data through the execution of the program. According to a multi-state classification algorithm, the program normalizes the measurement data read from the data storage through pre-processing and inputs it into a plurality of artificial neural network models, and uses the input measurement data in each artificial neural network model. A soundness automatic determination model unit including a function of performing an analysis for soundness evaluation in an independent procedure; In addition, it may include a soundness determination unit including a function of finally determining the soundness state of amniotic aberration according to a majority voting principle by using separate soundness evaluation results derived by analysis of the plurality of artificial neural network models.

예시적인 실시예들에 있어서, 상기 프로그램은 상기 건전성 판정부가 도출한 상기 양수 수차의 건전성 상태 판정의 결과를 전달받아 시스템 관리자가 파악할 수 있는 형태로 변환하여 그 시스템 관리자에게 제공하는 기능과, 도출한 최종 평가 결과가 이상상태로 판정 시 관리자에게 경보를 발하는 기능을 포함하는 판정결과 통지부를 더 포함할 수 있다.In exemplary embodiments, the program receives the result of the soundness state determination of the positive aberration derived by the soundness determination unit, converts it into a form that can be grasped by the system administrator, and provides the function to the system administrator. It may further include a determination result notification unit including a function of generating an alert to the manager when the final evaluation result is determined as an abnormal state.

예시적인 실시예들에 있어서, 상기 계측 데이터는 터빈, 발전기 및 터빈-발전기 중심축에 관한 온도 데이터, 변위 데이터, 속도 데이터를 포함할 수 있다.In example embodiments, the measurement data may include temperature data, displacement data, and speed data about a turbine, a generator, and a turbine-generator central axis.

예시적인 실시예들에 있어서, 상기 건전성 자동 판정 모델부는, 센서별로 분류된 각 계측 데이터별로 시계열 데이터로 계측 빈도가 일정한지를 검토하여, 만일 일정하지 않을 경우 이전 데이터를 기반으로 선형 보간을 수행하여 각 데이터별로 계측 빈도를 일정하게 만드는 기능을 더 포함할 수 있다.In example embodiments, the automatic health determination model unit examines whether the measurement frequency is constant as time series data for each measurement data classified by sensor, and if not, performs linear interpolation based on previous data, A function of making the measurement frequency constant for each data may be further included.

예시적인 실시예들에 있어서, 상기 건전성 자동 판정 모델부는, 상기 데이터 저장소로부터 읽어온 계측 데이터를 센서별로 분류하는 기능, 양수 수차의 상태 정보 이외에 외기에 의해 변화한 온도, 습도 및 진동에 의한 노이즈를 제거하는 기능; 그리고 해당 데이터 이전의 소정 기간 동안의 데이터를 활용하여 데이터 정규화를 수행하는 기능을 더 포함할 수 있다.In example embodiments, the automatic soundness determination model unit includes a function of classifying measurement data read from the data storage for each sensor, and noise due to temperature, humidity, and vibration changed by outside air in addition to state information of positive aberration. The ability to remove; And it may further include a function of performing data normalization by using data for a predetermined period prior to the corresponding data.

예시적인 실시예들에 있어서, 상기 다중 상태 분류 알고리즘이 사용하는 상기 복수의 인공신경망 모델은 MLP 모델, 1D-CNN 모델, 그리고 RNN-LSTM 모델을 포함할 수 있다.In example embodiments, the plurality of artificial neural network models used by the multi-state classification algorithm may include an MLP model, a 1D-CNN model, and an RNN-LSTM model.

예시적인 실시예들에 있어서, 상기 건전성 판정부는 상기 건전성 자동 판정 모델부에서 도출한 최종 평가 결과를 동일시점의 모니터링데이터와 함께 상기 데이터 저장소에 저장하는 기능을 더 포함할 수 있다.In example embodiments, the soundness determination unit may further include a function of storing the final evaluation result derived from the soundness automatic determination model unit together with monitoring data at the same time in the data storage.

본 발명의 예시적인 실시예들에 따르면, 기존 양수 수차에 설치된 정적 모니터링 시스템에서 계측된 모니터링 데이터를 건전성 평가에 활용할 수 있다. 따라서 별도의 추가적인 동적 모니터링 시스템의 설치가 필요하지 않으므로, 본 발명은 기존의 발전 설비 모니터링 시스템에 적용하는 데 특별한 곤란성이 없다.According to exemplary embodiments of the present invention, monitoring data measured by a static monitoring system installed on an existing pumping water can be utilized for health evaluation. Therefore, since it is not necessary to install a separate additional dynamic monitoring system, the present invention is not particularly difficult to apply to an existing power generation facility monitoring system.

구조물의 진동 패턴 분석을 통하여 양수 수차 건전성 평가방법의 경우, 구조물의 단일 특성에 대해서만 평가되는 문제가 있으나, 본 발명은 온도, 변위, 속도 등 구조물의 전체 거동에 대한 센싱 데이터를 활용하여 양수 수차의 외부요인에 의해 발생한 이상 상태에 대해서도 판정할 수 있다. In the case of the positive aberration integrity evaluation method through the vibration pattern analysis of the structure, there is a problem that only a single characteristic of the structure is evaluated, but the present invention utilizes sensing data on the overall behavior of the structure such as temperature, displacement, and velocity. It is also possible to judge abnormal conditions caused by external factors.

기존의 건전성 평가방법은 단일 센싱 데이터 값이 시스템에서 설정한 값 이상으로 변동하는 경우 이상 상태로 판단하여 경보를 알려주었는데, 종합적이지 못한 판단에 따른 오경보가 자주 발생하는 문제가 있었다. 그러나 본 발명은 여러 가지 센서들로부터 획득한 센싱 데이터들을 통합적으로 검토하여 종합적인 판단을 하기 때문에 오판을 할 확률이 매우 낮아 구조물의 효율적인 안전관리를 할 수 있도록 지원할 수 있다. In the existing soundness evaluation method, when a single sensing data value fluctuates beyond the value set by the system, it is determined as an abnormal state and an alarm is notified, but there is a problem that false alarms are frequently generated due to the uncomfortable judgment. However, since the present invention comprehensively reviews sensing data acquired from various sensors and makes a comprehensive judgment, the probability of making an erroneous judgment is very low, so that the efficient safety management of the structure can be supported.

도 1은 본 발명의 예시적인 실시예에 따른 수력발전소의 양수 수차 건전성 모니터링 장치의 구성을 나타낸 블록도이다.
도 2는 본 발명의 예시적인 실시예에 따른 수력발전소의 양수 수차 건전성 자동 판정 방법의 실행 과정을 나타낸 흐름도이다.
도 3은 본 발명의 예시적인 실시예에 따른 MLP 모델을 이용한 양수 수차의 건전성 평가 방법을 개략적으로 도시한다.
도 4는 본 발명의 예시적인 실시예에 따른 1D-CNN 모델을 이용한 건전성 평가 방법을 개략적으로 도시한다.
도 5는 본 발명의 예시적인 실시예에 따른 RNN-LSTM 모델을 이용한 건전성 평가 방법을 개략적으로 도시한다.1 is a block diagram showing the configuration of an apparatus for monitoring the health of pumping water aberration of a hydroelectric power plant according to an exemplary embodiment of the present invention.
2 is a flow chart showing an execution process of a method for automatically determining the soundness of pumping water in a hydropower plant according to an exemplary embodiment of the present invention.
3 schematically shows a method for evaluating the soundness of amniotic aberration using an MLP model according to an exemplary embodiment of the present invention.
4 schematically shows a method for evaluating health using a 1D-CNN model according to an exemplary embodiment of the present invention.
5 schematically shows a method for evaluating health using an RNN-LSTM model according to an exemplary embodiment of the present invention.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the accompanying drawings. The same reference numerals are used for the same elements in the drawings, and duplicate descriptions for the same elements are omitted.

본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것이다. 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며, 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 안 된다. 즉, 본 발명은 다양한 변경을 가할 수 있고, 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. With respect to the embodiments of the present invention disclosed in the text, specific structural or functional descriptions have been exemplified only for the purpose of describing the embodiments of the present invention. The embodiments of the present invention may be implemented in various forms and should not be construed as being limited to the embodiments described in the text. That is, the present invention can be modified in various ways and can have various forms, and specific embodiments will be illustrated in the drawings and described in detail in the text. However, this is not intended to limit the present invention to a specific form of disclosure, it is to be understood as including all changes, equivalents, or substitutes included in the spirit and scope of the present invention.

도 1의 블록도는 본 발명의 예시적인 실시예에 따른 수력발전소의 양수 수차 건전성 모니터링 장치(100)의 구성을 나타낸다.The block diagram of FIG. 1 shows the configuration of an apparatus 100 for monitoring the health of pumping water aberration of a hydropower plant according to an exemplary embodiment of the present invention.

도 1을 참조하면, 양수 수차 건전성 모니터링 장치(100)는 모니터링 센서부(20), 모니터링 데이터 저장소(40), 컴퓨팅 장치(60)를 포함할 수 있다. Referring to FIG. 1, the amniotic aberration health monitoring device 100 may include a monitoring sensor unit 20, a monitoring data storage 40, and a computing device 60.

모니터링 센서부(20)는 다수의 센서들을 포함할 수 있다. 이들 다수의 센서들은 현재 수력 발전소 또는 양수 발전소 내의 발전기와 수차 등을 구성하는 주요 구성부들에 대하여 건전성 모니터링을 위하여 설치되어 있다. 모니터링 센서들은 모니터링 대상물들 즉, 양수 발전 수차(10)의 여러 가지 모니터링 요소들의 동작이나 상태 등을 실시간으로 계측하거나 주기적으로 또는 필요한 때에 계측할 수 있다. 센서들이 계측한 데이터는 모니터링 데이터 저장소(40)에 제공할 수 있다. The monitoring sensor unit 20 may include a plurality of sensors. A number of these sensors are currently installed for health monitoring of major components constituting generators and water turbines in hydroelectric power plants or pumping power plants. The monitoring sensors may measure the operation or state of various monitoring elements of the monitoring targets, that is, the pumped water generating aberration 10 in real time, or periodically or when necessary. Data measured by the sensors may be provided to the monitoring data storage 40.

모니터링 데이터 저장소(40)는 모니터링 센서부(20)에서 생성되는 다양한 계측 데이터를 제공받아 저장할 수 있다. 이 모니터링 데이터 저장소(40)는 컴퓨팅 장치(60) 또는 별도의 데이터 관리 서버 장치에 의해 관리될 수 있다.The monitoring data storage 40 may receive and store various measurement data generated by the monitoring sensor unit 20. This monitoring data storage 40 may be managed by the computing device 60 or a separate data management server device.

예시적인 실시예에서, 컴퓨팅 장치(60)는 프로그램의 실행을 통해 데이터를 처리하여 원하는 결과를 산출하는 데 필요한 범용 컴퓨터의 하드웨어와 후술하는 소프트웨어를 포함할 수 있다. 그 소프트웨어는 수력 또는 양수 발전소의 양수 수차 건전성 자동 판정 알고리즘에 기반하여 구현된 건전성 자동 판정 모델부(70)를 포함할 수 있다. 그 건전성 자동 판정 모델부(70)는 양수수차 상태 판정의 신뢰성 향상을 위해 모니터링 데이터 기반 다중 상태 분류 알고리즘을 적용한 복수의 모델을 포함할 수 있다. 예시적인 실시예에서, 건전성 자동 판정 모델부(70)는 예컨대 Multi Layer Perceptron 모델(72), 1D CNN - Overall Structure 모델(74), 그리고 Long-Short Term Memory 모델(76)의 세 가지 모델을 포함할 수 있다. 이 세 가지 모델 각각은 본 발명에서 제안한 양수 수차 건전성 자동 판정 알고리즘을 적용하여 모니터링 데이터 저장소(40)로부터 제공되는 모니터링 데이터를 처리하고 양수 수차 등의 건전성 평가를 실시할 수 있다.In an exemplary embodiment, the computing device 60 may include hardware of a general-purpose computer required to produce a desired result by processing data through execution of a program and software to be described later. The software may include an automatic soundness determination model unit 70 implemented based on an automatic determination algorithm for the soundness of pumped water of a hydropower or pumped water power plant. The soundness automatic determination model unit 70 may include a plurality of models to which a multi-state classification algorithm based on monitoring data is applied in order to improve the reliability of the positive aberration state determination. In an exemplary embodiment, the health automatic determination model unit 70 includes, for example, three models of a Multi Layer Perceptron model 72, a 1D CNN-Overall Structure model 74, and a Long-Short Term Memory model 76. can do. Each of these three models can process monitoring data provided from the monitoring data storage 40 by applying the automatic determination algorithm for positive aberration soundness proposed in the present invention, and perform soundness evaluation such as amniotic aberration.

컴퓨팅 장치(60)에 설치되는 소프트웨어는 건전성 판정부(80)와 판정결과 통지부(90)를 포함할 수 있다. 건전성 판정부(80)는 건전성 자동 판정 모델부(70)의 3가지 모델(72, 74, 76)의 분류 알고리즘의 결과를 이용하여 다수결에 따라 양수 발전 수차의 상태에 관한 최종 판정을 내릴 수 있다.The software installed in the computing device 60 may include a soundness determination unit 80 and a determination result notification unit 90. The soundness determination unit 80 may make a final determination on the state of the positive power generation aberration according to a majority vote using the result of the classification algorithm of the three models 72, 74, 76 of the soundness automatic determination model unit 70. .

판정결과 통지부(90)는 건전성 판정부(80)가 도출한 상태 판정 결과를 전달받아 시스템 관리자가 파악할 수 있는 형태로 변환하여 그 시스템 관리자에게 제공할 수 있다. 그 판정 결과가 비정상 상태로 판정되는 경우, 모니터링 시스템(100)에 해당 시점에 대해 저장하고, 해당 비정상 상태에 대한 신속한 조치를 취할 수 있도록 그 판정 결과를 관리자에게 경보 형태로 통지할 수 있다.The determination result notification unit 90 may receive the state determination result derived by the soundness determination unit 80, convert it into a form that the system administrator can grasp, and provide it to the system administrator. When the determination result is determined to be an abnormal state, the determination result may be stored in the monitoring system 100 for a corresponding point in time, and the determination result may be notified to the administrator in the form of an alarm so that rapid action on the abnormal state may be taken.

이와 같은 실시예에 따른 수력발전소 내의 양수 수차 건전성 자동 판정 시스템(100)에 의하면, 수력발전소의 양수 수차(10)의 운전 중에 계측되는 실시간 정적 모니터링 데이터를 수집하여 데이터베이스에 저장하고, 그 저장된 정보를 가공하여 양수 수차(10)의 상태를 자동으로 판정할 수 있다. 그리고 양수 수차(10)에 이상 상태 발생 시 경보를 자동으로 발생함으로써, 양수 수차(10)의 무리한 부하운전을 최소화하고, 구조물 이상상태를 명확히 판단할 수 있다.According to the automatic determination system 100 for the health of the pumping water vehicle in a hydroelectric power plant according to this embodiment, real-time static monitoring data measured during the operation of the pumping water vehicle 10 of the hydroelectric power plant is collected and stored in a database, and the stored information is By processing, the state of the amniotic aberration 10 can be automatically determined. And by automatically generating an alarm when an abnormal condition occurs in the pumping water wheel 10, it is possible to minimize excessive load operation of the pumping water wheel 10 and clearly determine the abnormal state of the structure.

도 2의 흐름도는 이러한 처리를 수행하기 위한 예시적인 실시예에 따른 수력발전소의 양수 수차 건전성 자동 판정 방법의 실행 과정을 나타낸다.The flowchart of Fig. 2 shows an execution process of a method for automatically determining the soundness of pumped water aberration of a hydropower plant according to an exemplary embodiment for performing such processing.

도 2를 참조하면, 수력발전소의 양수 수차 건전성 자동 판정 방법에서 감지 데이터 처리 및 저장 관리하는 절차가 도시되어 있다. 이하에서 설명하는 과정은 모니터링 센서부(20)가 생성한 모니터링 데이터가 모니터링 데이터 저장소(40)에서 건전성 자동 판정 모델부(70)로 입력될 때 자동으로 실시될 수 있다. Referring to FIG. 2, a procedure for processing and storing and managing sensing data in a method for automatically determining the soundness of pumped water in a hydropower plant is shown. The process described below may be automatically performed when monitoring data generated by the monitoring sensor unit 20 is input from the monitoring data storage 40 to the automatic health determination model unit 70.

먼저, 건전성 자동 판정 모델부(70)는 모니터링 센서부(20)의 센서들에 의해 생성되어 모니터링 데이터 저장소(40)에 저장되어 있는 계측 데이터를 전달받으면 그 계측 데이터를 확인하고 센서별로 분류한다(S10). 예시적인 실시예에서, 양수 수차(10)에서 계측하는 데이터는 아래 표 1에 정리된 것처럼 터빈, 발전기 및 터빈-발전기 중심축에 관해 총 59개의 데이터를 활용할 수 있다. 예컨대 계측 데이터 종류는 44개의 온도데이터, 9개의 변위데이터, 6개의 속도데이터를 포함할 수 있다. 물론 모니터링 센서부(20)가 계측하는 데이터의 개수와 계측 항목이 이보다 더 많거나 적을 수도 있다. 종래에 사용하는 양수수차 모니터링 시스템과 다르게 전력에 관한 계측 데이터 없이 양수수차의 상태 건전성을 평가할 수 있는 점이 특징일 수 있다. 전력 데이터의 계측이 필요하지 않으므로, 센서의 종류를 줄일 수 있고 처리해야 하는 데이터 량도 줄어드는 이점이 있다. First, when the automatic soundness determination model unit 70 receives measurement data generated by the sensors of the monitoring sensor unit 20 and stored in the monitoring data storage 40, it checks the measurement data and classifies it by sensor ( S10). In an exemplary embodiment, the data measured by the pumping water wheel 10 may utilize a total of 59 data about the turbine, the generator, and the turbine-generator central axis as summarized in Table 1 below. For example, the measurement data type may include 44 temperature data, 9 displacement data, and 6 speed data. Of course, the number of data and measurement items measured by the monitoring sensor unit 20 may be more or less than this. Unlike a conventional amniotic aberration monitoring system, it may be characterized in that it is possible to evaluate the health of the amniotic aberration without measurement data about power. Since power data measurement is not required, there is an advantage in that the type of sensor can be reduced and the amount of data to be processed is also reduced.

터빈turbine 발전기generator 터빈 - 발전기 중심축Turbine-Generator central axis 온도데이터Temperature data 2424 2020 변위데이터Displacement data 44 33 33 속도데이터Speed data 3 (베어링)3 (bearing) 3 (베어링)3 (bearing)

계측 데이터의 분류가 이루어지고 나면, 각 데이터별로 시계열 데이터로 계측 빈도가 일정한지를 검토한다(S12). 만일 일정하지 않을 경우, 이전 데이터를 기반으로 선형 보간을 수행하여 각 데이터별로 계측 빈도를 일정하게 만들 수 있다(S14). After the measurement data is classified, it is examined whether the measurement frequency is constant as time series data for each data (S12). If not constant, linear interpolation may be performed based on previous data to make the measurement frequency constant for each data (S14).

동일한 계측빈도로 보간된 데이터는 양수 수차(10)의 상태 정보 이외에 외기에 의해 변화한 온도, 습도 및 진동 등에 의한 변화를 제거하기 위하여 전처리를 실시할 수 있다(S16). 전처리 단계에서는 먼저 데이터를 취합하여 잡음을 제거한다. 그리고 해당 데이터 이전의 10일간 데이터를 활용하여 데이터 정규화를 실시할 수 있다. The interpolated data at the same measurement frequency may be pre-processed in order to remove changes due to temperature, humidity, and vibration changed by outside air in addition to the state information of the positive aberration 10 (S16). In the pre-processing step, data is first collected to remove noise. In addition, data can be normalized using data for 10 days prior to the data.

전처리를 통해 정규화된 데이터는 인공신경망 모델에 입력되어 분석을 위한 데이터 처리가 수행될 수 있다(S18). 예시적인 실시예에서, 양수 수차(10)의 상태 판정의 신뢰성 향상을 위해 모니터링 데이터기반 다중 상태 분류 알고리즘이 적용될 수 있다. 예시적으로, 다중 상태 분류 알고리즘에 사용된 인공신경망은 다층 퍼셉트론 기반 모델(Multi-Layer Perceptron Model: MLP 모델)(72), 1차원 합성곱 신경망 기반 모델(1 Dimensional Convolutional Neural Networks: 1D-CNN 모델)(74), 그리고 순환 신경망 장단기 기억 기반 모델(Recurrent Neural Networks-Long Short-Term Memory: RNN-LSTM 모델)(76) 이렇게 총 3개의 모델을 포함할 수 있다. Data normalized through pre-processing may be input to an artificial neural network model and data processing for analysis may be performed (S18). In an exemplary embodiment, a multi-state classification algorithm based on monitoring data may be applied to improve the reliability of state determination of the positive aberration 10. As an example, the artificial neural network used in the multi-state classification algorithm is a multi-layer perceptron model (72), a one-dimensional convolutional neural network model (1D-CNN model). )(74), and Recurrent Neural Networks-Long Short-Term Memory (RNN-LSTM model)(76), a total of three models can be included.

세 가지 건전성 평가 모델(72, 74, 76)은 각각 독립적으로 입력된 데이터를 분석하여 별도의 건전성 평가 결과를 도출할 수 있다. 다중 상태 분류 알고리즘은 세 개의 모델 각각에서 도출된 건전성 평가 결과를 이용하여 다수결 원칙에 따라 양수 수차의 건전성에 관한 상태 판정을 최종적으로 결정할 수 있다(S20). 즉, 3개의 건전성 평가 모델(72, 74, 76) 중에서 2개 이상의 모델이 이상이 발생한 것으로 평가하면, 양수 발전 수차(10)에 이상이 발생한 것으로 판정할 수 있다.The three health evaluation models 72, 74, and 76 can each independently analyze input data to derive separate health evaluation results. The multi-state classification algorithm may finally determine a state determination regarding the soundness of the positive aberration according to the majority voting principle by using the soundness evaluation results derived from each of the three models (S20). That is, if two or more of the three health evaluation models 72, 74, and 76 evaluate that an abnormality has occurred, it can be determined that the positive power generation aberration 10 has an abnormality.

도 3은 MLP 모델(72)을 이용한 양수 수차의 건전성 평가 방법을 개략적으로 도시한다. 3 schematically shows a method for evaluating the soundness of amniotic aberration using the MLP model 72.

도 3을 참조하면, MLP 모델(72)은 데이터의 일반적인 특성을 파악하기 위하여 여러 개의 완전연결 계층을 활용한 은닉층을 적층하여 개발한 모델이다. MLP 모델(72)은 총 4개의 레이어로 구성되어 있다. 3개의 레이어에서는 완전연결신경망(fully connected)을 통해 데이터 차원을 줄이고, 배치별 정규화(Batch Normalization)를 적용한 다음, 특성 판별 알고리즘인 정류 선형 유닛(Rectified Linear Unit: ReLU)을 사용하여 데이터의 특징을 파악한다. MLP 모델(72)은 이런 과정을 통해 순차적으로 데이터의 차원을 줄여나가 상태를 판별하는 방식이다. 마지막 1개의 완전연결 신경망을 통하여 데이터의 최종 특징이 각 상태를 예측하는 확률로 출력된다. 해당 최종 출력값에서 가장 높은 확률을 나타내는 것으로 건전성을 평가할 수 있다. 완전연결 계층의 특성상 공간적 구조가 사라지는 문제점이 있으나, 여러 개의 계층을 적층시키므로써 이를 해소할 수 있다. Referring to FIG. 3, the MLP model 72 is a model developed by stacking hidden layers using several fully connected layers to understand general characteristics of data. The MLP model 72 is composed of a total of 4 layers. In the three layers, the data dimension is reduced through a fully connected neural network, batch normalization is applied, and the characteristic of the data is characterized by using a characteristic determination algorithm, Rectified Linear Unit (ReLU). To grasp. The MLP model 72 is a method of determining a state by sequentially reducing the dimension of data through this process. Through the last one fully connected neural network, the final features of the data are output with the probability of predicting each state. The soundness can be evaluated by indicating the highest probability from the corresponding final output value. There is a problem that the spatial structure disappears due to the nature of the fully connected layer, but this can be solved by stacking several layers.

도 4는 1D-CNN 모델(74)을 이용한 건전성 평가 방법을 개략적으로 도시한다.4 schematically shows a method for evaluating health using the 1D-CNN model 74.

1D-CNN 기반 모델(74)은 데이터의 공간적 구조를 통해 데이터 특성을 파악할 수 있다. 데이터 내에 소집단을 형성하여 1차 처리하고 특성을 도출한다. 도 4를 참조하면, 1D-CNN 모델(74)은 총 5개의 레이어로 구성될 수 있다. 3개의 CNN 모듈에서는 데이터를 세분화하고, 세분화된 데이터들 간의 합성곱을 통해 데이터 특성을 파악할 수 있다. 이후, 데이터 형태 변환(Reshape)을 통하여 가공하기 쉽도록 형태 변경을 한 후, 완전연결신경망을 통하여 데이터의 최종 특징이 각 상태를 예측하는 확률로 도출되도록 할 수 있다. 해당 출력값에서 가장 높은 확률을 나타내는 것으로 건전성을 평가할 수 있다. The 1D-CNN-based model 74 can identify data characteristics through the spatial structure of the data. A small group is formed in the data, processed first, and characteristics are derived. Referring to FIG. 4, the 1D-CNN model 74 may be composed of a total of 5 layers. In the three CNN modules, data can be subdivided, and data characteristics can be identified through convolution between the subdivided data. Thereafter, the shape is changed so that it is easy to process through data type conversion (Reshape), and then the final feature of the data can be derived as a probability of predicting each state through a fully connected neural network. Health can be evaluated by indicating the highest probability from the corresponding output value.

도 5는 RNN-LSTM 모델(76)을 이용한 건전성 평가 방법을 개략적으로 도시한다.5 schematically shows a method for evaluating health using the RNN-LSTM model 76.

도 5를 참조하면, 양수 수차(10)에서 발생된 계측 데이터는 시계열 데이터로, 이전 데이터와의 연관성이 높다는 특징이 있다. 이를 활용하여 이전 데이터 특성을 기반으로 추가로 유입되는 데이터에 대해 특성을 도출할 수 있다. RNN-LSTM 모델(76)은 총 3가지의 레이어를 포함할 수 있다. 2개의 LSTM 모델을 통하여 데이터의 시계열에 대한 특성을 추출하고, 추출된 특성을 다음 시간의 데이터에 영향을 준다. 추출된 특성에 대하여 완전연결신경망을 통하여 데이터의 최종 특징이 각 상태를 예측하는 확률로 도출되도록 할 수 있다. 해당 출력값에서 가장 높은 확률을 나타내는 것으로 건전성을 평가할 수 있다.Referring to FIG. 5, the measurement data generated by the positive aberration 10 is time series data, and has a characteristic of high correlation with previous data. Using this, you can derive characteristics for additional data that are introduced based on previous data characteristics. The RNN-LSTM model 76 may include a total of three layers. Through two LSTM models, features for a time series of data are extracted, and the extracted features affect the data of the next time. With respect to the extracted characteristics, the final characteristics of the data can be derived with the probability of predicting each state through the fully connected neural network. Health can be evaluated by indicating the highest probability from the corresponding output value.

건전성 판정부(80)는 위와 같은 세 가지 건전성 평가 모델(72, 74, 76)에서 분석한 평가 결과를 전달받아 양수 수차(10)의 건전성에 관한 이상 상태 여부를 판정할 수 있다. 구체적으로, 건전성 판정부(80)는 3개의 건전성 평가 모델(72, 74, 76)의 평가 결과를 통합적으로 고려하여 건전성 평가에 관한 최종 결과를 도출할 수 있다. MLP 모델(72), 1D-CNN 모델(74), RNN-LSTM 모델(76)의 세 모델에서 추출되는 특성이 전부 다르며, 이로 인해 최종 출력값이 모델 별로 전부 다를 수 있다. 이에 따라, 3가지 모델(72, 74, 76)에서 진단하는 건전도가 다를 수 있다. The soundness determination unit 80 may receive the evaluation results analyzed by the three soundness evaluation models 72, 74, and 76 as described above, and determine whether the positive aberration 10 is in an abnormal state regarding the soundness. Specifically, the soundness determination unit 80 may derive a final result on soundness evaluation by integrating the evaluation results of the three soundness evaluation models 72, 74, 76. The characteristics extracted from the three models of the MLP model 72, the 1D-CNN model 74, and the RNN-LSTM model 76 are all different, and due to this, the final output values may all be different for each model. Accordingly, the health diagnosed by the three models 72, 74, and 76 may be different.

건전성 판정부(80)는 건전성 평가 최종 결과를 다수결의 원칙에 따라 판정할 수 있다. 만일 이상상태로 판정한 모델이 2가지 이상일 경우, 해당 시점에서 양수 수차(10)의 상태를 이상 상태로 판정한다. 예를 들어, MLP 모델(72)과 1D-CNN 모델(74)에서는 정상상태로 판별하였으나, RNN-LSTM 모델(76)에서는 이상상태로 판별할 수 있다. 이 경우, 2개의 모델에서 정상상태로 판별하였으므로, 최종 평가 결과는 정상상태로 진단할 수 있다. 최종 평가 결과는 데이터 저장소(40)에 저장될 수 있다. 다만, 최종 평가 결과를 저장할 때, 최종 평가와 다른 평가 결과를 도출한 내역 즉, 위 예에서는 RNN-LSTM 모델(76)에서 이상 상태로 판별하였음을 기록해둘 수 있다. The soundness determination unit 80 may determine the final result of soundness evaluation according to the principle of majority vote. If there are two or more models determined as an abnormal state, the state of the positive aberration 10 is determined as an abnormal state at the time point. For example, the MLP model 72 and the 1D-CNN model 74 determine a normal state, but the RNN-LSTM model 76 may determine an abnormal state. In this case, since the two models were determined to be in a normal state, the final evaluation result can be diagnosed as a normal state. The final evaluation result may be stored in the data storage 40. However, when saving the final evaluation result, it is possible to record the details of the evaluation results different from the final evaluation, that is, in the above example, the RNN-LSTM model 76 determines that it is in an abnormal state.

이러한 세 가지 평가 모델을 이용하여 다수결 원칙에 따라 건전성을 평가하는 방법을 적용 시, 단일 모델 사용하여 건전성 평가하는 경우에 비하여 약 15%의 정확도가 높아짐(75% --> 90%)을 확인할 수 있었다.When applying the method of evaluating soundness according to the principle of majority vote using these three evaluation models, it can be seen that the accuracy is increased by about 15% (75% --> 90%) compared to the case of evaluating soundness using a single model. there was.

건전성 판정부(80)는 건전성 판정 결과를 모니터링 데이터 저장소(40)에 저장하고, 이상상태로 판정 시 관리자에게 경보를 발할 수 있다. 즉, 이상 상태로 판정된 경우, 건전성 판정부(80)는 판정결과 통지부(90)에 그 판정 결과를 전달하여 관리자에게 해당 사실에 대해 경보를 발할 수 있도록 할 수 있다(S22). The soundness determination unit 80 may store the soundness determination result in the monitoring data storage 40, and may issue an alarm to an administrator when it is determined as an abnormal state. That is, when it is determined as an abnormal state, the soundness determination unit 80 may transmit the determination result to the determination result notification unit 90 so that an alert may be issued to the administrator (S22).

또한, 건전성 판정부(80)는 양수 수차(10)의 도출된 상태 평가 결과에 대하여 동일시점의 모니터링데이터와 함께 모니터링 데이터 저장소(40)에 저장할 수 있다(S24). 만일, 3가지 모델에서 1가지만 이상상태로 판정된 경우, 해당 상태는 정상상태로 명시하되, 데이터 저장 시 해당 상태를 이상상태 의심으로 표기하여 저장할 수 있다. 정상상태로 판정된 경우, 추가적인 경보는 발하지 않는다.In addition, the soundness determination unit 80 may store the result of evaluating the state of the positive aberration 10 in the monitoring data storage 40 together with the monitoring data at the same time point (S24). If only one of the three models is determined to be an abnormal state, the state is specified as a normal state, but when data is saved, the state can be marked and stored as a suspected abnormal state. If it is determined to be in a normal state, no additional alarm is issued.

이상에서 설명된 양수 수차 건전성 자동 판정 시스템(100)은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The positive aberration soundness automatic determination system 100 described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the devices and components described in the embodiments include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It can be implemented using one or more general purpose computers or special purpose computers, such as a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications executed on the operating system. In addition, the processing device may access, store, manipulate, process, and generate data in response to the execution of software. The software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to behave as desired or processed independently or collectively. You can command the device. Software and/or data may be interpreted by a processing device or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodyed in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those produced by a compiler but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device described above may be configured to operate as one or more software modules to perform the operation of the embodiment, and vice versa.

본 발명은 양수 발전소의 양수 수차의 건전성을 실시간으로 모니터링 하는 데 이용될 수 있다.The present invention can be used to monitor the health of a pumping water wheel of a pumping power plant in real time.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Although the embodiments have been described by the limited drawings as described above, those skilled in the art will variously modify and change the present invention within the scope not departing from the spirit and scope of the present invention described in the following claims. You will understand that you can. For example, the described techniques are performed in a different order from the described method, and/or components such as a system, structure, device, circuit, etc. described are combined or combined in a form different from the described method, or other components Alternatively, even if substituted or substituted by an equivalent, an appropriate result can be achieved. Therefore, other implementations, other embodiments, and claims and equivalents fall within the scope of the claims to be described later.

10: 양수 발전 수차 20: 모니터링 센서부
40: 데이터 저장소 60: 컴퓨팅 장치
70: 건전성 자동 판정 모델부 80: 건전성 판정부
90: 판정 결과 통지부 100: 양수 수차 건전성 자동 판정 시스템10: pumping power generation aberration 20: monitoring sensor unit
40: data storage 60: computing device
70: soundness automatic determination model unit 80: soundness determination unit
90: determination result notification unit 100: positive aberration soundness automatic determination system

Claims (15)

컴퓨터 장치에서 실행되는 컴퓨터 프로그램을 이용하여 양수 수차의 건전성을 자동으로 판정하기 위한 방법으로서,
양수 수차에 관한 건전성을 모니터링하기 위한 다수의 센서들이 계측한 데이터가 저장된 모니터링 데이터 저장소로부터 계측 데이터를 읽어와서 건전성 자동 판정 모델부에 입력하는 단계;
상기 건전성 자동 판정 모델부에서, 상기 계측 데이터를 전처리하여 정규화된 계측 데이터를 얻는 단계;
상기 정규화된 계측 데이터를 복수의 인공신경망 모델에 각각 입력하여 다중 상태 분류 알고리즘에 따라 각 인공신경망 모델에서 건전성 평가를 위한 분석을 별도의 독립적인 절차로 수행하는 단계; 그리고
건전성 판정부에서, 상기 복수의 인공신경망 모델이 분석하여 도출한 별도의 건전성 평가 결과를 이용하여 다수결 원칙에 따라 양수 수차의 건전성 상태 판정을 최종적으로 결정하는 단계를 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 방법.As a method for automatically determining the soundness of amniotic aberration using a computer program running on a computer device,
Reading measurement data from a monitoring data storage storing data measured by a plurality of sensors for monitoring the integrity of amniotic aberration and inputting it to an automatic soundness determination model unit;
Obtaining normalized measurement data by preprocessing the measurement data in the automatic soundness determination model unit;
Inputting the normalized measurement data to a plurality of artificial neural network models, respectively, and performing an analysis for health evaluation in each artificial neural network model as a separate independent procedure according to a multi-state classification algorithm; And
And finally determining, in the soundness determination unit, the soundness state of amniotic aberration according to a majority voting principle using separate soundness evaluation results derived by analyzing the plurality of artificial neural network models. A method for automatically determining health. 제1항에 있어서, 상기 계측 데이터는 터빈, 발전기 및 터빈-발전기 중심축에 관한 온도 데이터, 변위 데이터, 속도 데이터를 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 방법.
The method of claim 1, wherein the measurement data includes temperature data, displacement data, and velocity data about a turbine, a generator, and a turbine-generator central axis.
 제1항에 있어서, 상기 건전성 자동 판정 모델부에서, 상기 전처리 단계 이전에, 센서별로 분류된 각 계측 데이터별로 시계열 데이터로 계측 빈도가 일정한지를 검토하여, 만일 일정하지 않을 경우 이전 데이터를 기반으로 선형 보간을 수행하여 각 데이터별로 계측 빈도를 일정하게 만드는 단계를 더 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 방법.The method of claim 1, wherein, before the pre-processing step, the automatic health determination model unit reviews whether the measurement frequency is constant as time series data for each measurement data classified for each sensor, and if not, linearly based on previous data. The method for automatically determining the soundness of positive aberration, further comprising the step of making the measurement frequency constant for each data by performing interpolation. 제1항에 있어서, 상기 정규화된 계측 데이터를 얻는 단계는, 입력받은 계측 데이터를 센서별로 분류하는 단계; 양수 수차의 상태 정보 이외에 외기에 의해 변화한 온도, 습도 및 진동에 의한 노이즈를 제거하는 단계; 그리고 해당 데이터 이전의 소정 기간 동안의 데이터를 활용하여 데이터 정규화를 수행하는 단계를 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 방법.The method of claim 1, wherein the obtaining of the normalized measurement data comprises: classifying the input measurement data for each sensor; Removing noise due to temperature, humidity, and vibration changed by outside air in addition to state information of positive aberration; And performing data normalization by using data for a predetermined period prior to the corresponding data. 제1항에 있어서, 상기 다중 상태 분류 알고리즘이 사용하는 상기 복수의 인공신경망 모델은 다층 퍼셉트론 기반 모델(Multi-Layer Perceptron Model: MLP 모델), 1차원 합성곱 신경망 기반 모델(1 Dimensional Convolutional Neural Networks: 1D-CNN 모델), 그리고 순환 신경망 장단기 기억 기반 모델(Recurrent Neural Networks-Long Short-Term Memory: RNN-LSTM 모델을 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 방법.The method of claim 1, wherein the plurality of artificial neural network models used by the multi-state classification algorithm are a multi-layer perceptron model (MLP model) and a one-dimensional convolutional neural network model. 1D-CNN model), and a Recurrent Neural Networks-Long Short-Term Memory (RNN-LSTM model), a method for automatically determining the soundness of positive aberrations. 제1항에 있어서, 상기 건전성 판정부가 상기 건전성 자동 판정 모델부에서 도출한 최종 평가 결과를 동일시점의 모니터링데이터와 함께 데이터 저장소에 저장하는 단계를 더 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 방법. The automatic soundness of positive aberration according to claim 1, further comprising the step of storing, by the soundness determination unit, the final evaluation result derived from the automatic soundness determination model unit together with monitoring data at the same time point. How to judge as. 제1항에 있어서, 상기 건전성 판정부에서 도출한 최종 평가 결과가 이상상태로 판정 시 관리자에게 경보를 발하는 단계를 더 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 방법. The method according to claim 1, further comprising the step of issuing an alert to an administrator when the final evaluation result derived by the soundness determination unit is determined to be an abnormal state. 양수 수차의 건전성에 관련된 요소들을 실시간 계측하는 것에 의해 계측 데이터를 생성하는 다수의 센서들을 포함하는 모니터링 센서부;
상기 모니터링 센서부에서 생성되는 상기 계측 데이터를 제공받아 저장하는 데이터 저장소; 그리고
프로그램의 실행을 통해 상기 계측 데이터를 처리하여 상기 양수 수차의 건전성을 평가하도록 구성된 컴퓨팅 장치를 구비하며,
상기 프로그램은, 다중 상태 분류 알고리즘에 따라,
상기 데이터 저장소로부터 읽어온 상기 계측 데이터를 전처리를 통해 정규화하여 복수의 인공신경망 모델에 입력하고, 각 인공신경망 모델에서 그 입력된 계측 데이터를 이용하여 별도의 독립적인 절차로 건전성 평가를 위한 분석을 수행하는 기능을 포함하는 건전성 자동 판정 모델부; 그리고 상기 복수의 인공신경망 모델이 분석하여 도출한 별도의 건전성 평가 결과를 이용하여 다수결 원칙에 따라 양수 수차의 건전성 상태 판정을 최종적으로 결정하는 기능을 포함하는 건전성 판정부를 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 시스템.A monitoring sensor unit including a plurality of sensors for generating measurement data by measuring elements related to the soundness of amniotic aberration in real time;
A data storage receiving and storing the measurement data generated by the monitoring sensor unit; And
And a computing device configured to process the measurement data through execution of a program to evaluate the soundness of the positive aberration,
The program, according to the multi-state classification algorithm,
The measurement data read from the data storage is normalized through preprocessing and input into a plurality of artificial neural network models, and analysis for soundness evaluation is performed in a separate independent procedure using the input measurement data in each artificial neural network model. Integrity automatic determination model unit including a function to; And a soundness determination unit including a function of finally determining the soundness state of amniotic aberration according to a majority voting principle by using separate soundness evaluation results derived by analyzing the plurality of artificial neural network models. System to automatically determine the health of 제8항에 있어서, 상기 프로그램은 상기 건전성 판정부가 도출한 상기 양수 수차의 건전성 상태 판정의 결과를 전달받아 시스템 관리자가 파악할 수 있는 형태로 변환하여 그 시스템 관리자에게 제공하는 기능과, 도출한 최종 평가 결과가 이상상태로 판정 시 관리자에게 경보를 발하는 기능을 포함하는 판정결과 통지부를 더 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 시스템.The function of claim 8, wherein the program receives the result of the soundness state determination result of the positive aberration derived by the soundness determination unit, converts it into a form that can be grasped by the system administrator, and provides it to the system administrator. A system for automatically determining the soundness of amniotic aberration, further comprising: a determination result notification unit including a function of generating an alarm to an administrator when the result is determined as an abnormal state. 제8항에 있어서, 상기 계측 데이터는 터빈, 발전기 및 터빈-발전기 중심축에 관한 온도 데이터, 변위 데이터, 속도 데이터를 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 시스템.9. The system of claim 8, wherein the measurement data includes temperature data, displacement data, and velocity data about a turbine, a generator, and a turbine-generator central axis. 제8항에 있어서, 상기 건전성 자동 판정 모델부는, 센서별로 분류된 각 계측 데이터별로 시계열 데이터로 계측 빈도가 일정한지를 검토하여, 만일 일정하지 않을 경우 이전 데이터를 기반으로 선형 보간을 수행하여 각 데이터별로 계측 빈도를 일정하게 만드는 기능을 더 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 시스템.The method of claim 8, wherein the automatic health determination model unit reviews whether the measurement frequency is constant as time series data for each measurement data classified by sensor, and if not constant, performs linear interpolation based on previous data to A system for automatically determining the soundness of amniotic aberration, further comprising a function of making the measurement frequency constant. 제8항에 있어서, 상기 건전성 자동 판정 모델부는, 상기 데이터 저장소로부터 읽어온 계측 데이터를 센서별로 분류하는 기능, 양수 수차의 상태 정보 이외에 외기에 의해 변화한 온도, 습도 및 진동에 의한 노이즈를 제거하는 기능; 그리고 해당 데이터 이전의 소정 기간 동안의 데이터를 활용하여 데이터 정규화를 수행하는 기능을 더 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 시스템.The method of claim 8, wherein the soundness automatic determination model unit classifies measurement data read from the data storage for each sensor, and removes noise due to temperature, humidity, and vibration changed by outside air in addition to state information of positive aberration. function; And a function of performing data normalization using data for a predetermined period prior to the corresponding data. A system for automatically determining the soundness of positive aberrations. 제8항에 있어서, 상기 다중 상태 분류 알고리즘이 사용하는 상기 복수의 인공신경망 모델은 다층 퍼셉트론 기반 모델(Multi-Layer Perceptron Model: MLP 모델), 1차원 합성곱 신경망 기반 모델(1 Dimensional Convolutional Neural Networks: 1D-CNN 모델), 그리고 순환 신경망 장단기 기억 기반 모델(Recurrent Neural Networks-Long Short-Term Memory: RNN-LSTM 모델을 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 시스템.The method of claim 8, wherein the plurality of artificial neural network models used by the multi-state classification algorithm are a multi-layer perceptron model (MLP model) and a one-dimensional convolutional neural network model. 1D-CNN model), and a Recurrent Neural Networks-Long Short-Term Memory (RNN-LSTM) model. A system for automatically determining the soundness of positive aberrations. 제8항에 있어서, 상기 건전성 판정부는 상기 건전성 자동 판정 모델부에서 도출한 최종 평가 결과를 동일시점의 모니터링데이터와 함께 상기 데이터 저장소에 저장하는 기능을 더 포함하는 것을 특징으로 하는 양수 수차의 건전성을 자동으로 판정하기 위한 시스템. The soundness of positive aberration according to claim 8, wherein the soundness determination unit further comprises a function of storing the final evaluation result derived from the soundness automatic determination model unit together with monitoring data at the same time point in the data storage. System for automatic judgment. 제1항 내지 제7항 중 어느 한 항에 기재된 양수 수차의 건전성을 자동으로 판정하기 위한 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.A computer readable recording medium having a computer program recorded thereon for performing the method for automatically determining the soundness of the positive aberration according to any one of claims 1 to 7.
KR1020200019949A 2020-02-18 2020-02-18 Method of automatically determining condition of hydro turbine in hydroelectric power plant and system for the same KR102212022B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200019949A KR102212022B1 (en) 2020-02-18 2020-02-18 Method of automatically determining condition of hydro turbine in hydroelectric power plant and system for the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200019949A KR102212022B1 (en) 2020-02-18 2020-02-18 Method of automatically determining condition of hydro turbine in hydroelectric power plant and system for the same

Publications (1)

Publication Number Publication Date
KR102212022B1 true KR102212022B1 (en) 2021-02-05

Family

ID=74558856

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200019949A KR102212022B1 (en) 2020-02-18 2020-02-18 Method of automatically determining condition of hydro turbine in hydroelectric power plant and system for the same

Country Status (1)

Country Link
KR (1) KR102212022B1 (en)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0666241A (en) * 1992-08-11 1994-03-08 Tokyo Electric Power Co Inc:The Soundeness diagnostic unit for rotary machine
KR20110110735A (en) * 2010-04-01 2011-10-07 주식회사 글로비즈 Monitoring apparatus of wind power generator
KR101307526B1 (en) 2012-11-19 2013-09-12 (주)나다에스앤브이 Realtime vibration monitoring device
KR101498527B1 (en) 2014-06-11 2015-03-05 한전케이피에스 주식회사 Diagnosis system using vibration frequency analysis program for rotation equipment of power plant
KR101903283B1 (en) 2017-05-12 2018-10-01 한국전력공사 Automatic diagnosis system and automatic diagnosis method
KR102027389B1 (en) * 2019-03-20 2019-10-01 (주)브이엠에스 Fault diagnosis system of mechanical devices using autoencoder and deep-learning
KR102051226B1 (en) * 2018-09-07 2019-12-02 한국수력원자력 주식회사 Predictive diagnosis method and system of nuclear power plant equipment

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0666241A (en) * 1992-08-11 1994-03-08 Tokyo Electric Power Co Inc:The Soundeness diagnostic unit for rotary machine
KR20110110735A (en) * 2010-04-01 2011-10-07 주식회사 글로비즈 Monitoring apparatus of wind power generator
KR101307526B1 (en) 2012-11-19 2013-09-12 (주)나다에스앤브이 Realtime vibration monitoring device
KR101498527B1 (en) 2014-06-11 2015-03-05 한전케이피에스 주식회사 Diagnosis system using vibration frequency analysis program for rotation equipment of power plant
KR101903283B1 (en) 2017-05-12 2018-10-01 한국전력공사 Automatic diagnosis system and automatic diagnosis method
KR102051226B1 (en) * 2018-09-07 2019-12-02 한국수력원자력 주식회사 Predictive diagnosis method and system of nuclear power plant equipment
KR102027389B1 (en) * 2019-03-20 2019-10-01 (주)브이엠에스 Fault diagnosis system of mechanical devices using autoencoder and deep-learning

Similar Documents

Publication Publication Date Title
US20220283576A1 (en) Automatic diagnosis method, system and storage medium for equipment
Ayo-Imoru et al. A survey of the state of condition-based maintenance (CBM) in the nuclear power industry
KR101955305B1 (en) Gas turbine sensor failure detection utilizing a sparse coding methodology
JP6811276B2 (en) Sparse neural network-based anomaly detection in multidimensional time series
KR101903283B1 (en) Automatic diagnosis system and automatic diagnosis method
CN112766342A (en) Abnormity detection method for electrical equipment
Yu A nonlinear probabilistic method and contribution analysis for machine condition monitoring
US11657121B2 (en) Abnormality detection device, abnormality detection method and computer readable medium
CN112534370A (en) System and method for predicting industrial machine failure
KR102321607B1 (en) Rotating machine fault detecting apparatus and method
Liu et al. Bayesian long short-term memory model for fault early warning of nuclear power turbine
KR20200005206A (en) System and method for fault classification of equipment based on machine learning
CN113196311A (en) System and method for identifying and predicting abnormal sensing behavior patterns of a machine
KR20200010671A (en) System and method for fault diagnosis of equipment based on machine learning
Wang et al. Wind turbine fault detection and identification through self-attention-based mechanism embedded with a multivariable query pattern
CN117786461A (en) Water pump fault diagnosis method, control device and storage medium thereof
WO2019003703A1 (en) Diagnostic device and diagnostic method
CN111314110B (en) Fault early warning method for distributed system
Abedin et al. Vibration signal for bearing fault detection using random forest
KR102108975B1 (en) Apparatus and method for condition based maintenance support of naval ship equipment
CN114577470A (en) Fault diagnosis method and system for fan main bearing
CN117250449A (en) Transformer insulation state evaluation method and device, electronic equipment and storage medium
KR102212022B1 (en) Method of automatically determining condition of hydro turbine in hydroelectric power plant and system for the same
Lu et al. Integration of wavelet decomposition and artificial neural network for failure prognosis of reciprocating compressors
CN114837902B (en) Health degree evaluation method, system, equipment and medium for wind turbine generator

Legal Events

Date Code Title Description
GRNT Written decision to grant