KR102455723B1 - Monitoring system and method for sensing failure of power generation facilities early - Google Patents

Monitoring system and method for sensing failure of power generation facilities early Download PDF

Info

Publication number
KR102455723B1
KR102455723B1 KR1020200162589A KR20200162589A KR102455723B1 KR 102455723 B1 KR102455723 B1 KR 102455723B1 KR 1020200162589 A KR1020200162589 A KR 1020200162589A KR 20200162589 A KR20200162589 A KR 20200162589A KR 102455723 B1 KR102455723 B1 KR 102455723B1
Authority
KR
South Korea
Prior art keywords
distribution
sensor
value
power generation
sensor pair
Prior art date
Application number
KR1020200162589A
Other languages
Korean (ko)
Other versions
KR20220074277A (en
Inventor
김익재
최희승
최예지
Original Assignee
한국과학기술연구원
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 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020200162589A priority Critical patent/KR102455723B1/en
Publication of KR20220074277A publication Critical patent/KR20220074277A/en
Application granted granted Critical
Publication of KR102455723B1 publication Critical patent/KR102455723B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/40—Testing power supplies
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

실시예들은 복수의 센서의 실측 값을 획득하는 단계 - 상기 복수의 센서는 발전설비에 할당된 센서로서 센서 쌍 및 다른 센서를 포함함; 미리 학습된 복원 모델을 통해 입력 센서의 실측 값으로부터 센서 쌍 각각의 센서의 예측 값을 복원하는 단계 - 상기 입력 센서는 상기 다른 센서의 적어도 일부임; 상기 센서 쌍의 예측 값 분포 및 실측 값 분포를 생성하는 단계; 상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 통계적 특징을 계산하는 단계; 및 상기 통계적 특징에 기초하여 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 단계를 수행하는 모니터링 시스템 및 방법에 관련된다. Embodiments include the steps of: acquiring measured values of a plurality of sensors, the plurality of sensors including a sensor pair and other sensors as sensors assigned to a power generation facility; reconstructing a predicted value of each sensor of a sensor pair from a measured value of an input sensor through a pre-trained reconstruction model, wherein the input sensor is at least a part of the other sensor; generating a predicted value distribution and an actual measured value distribution of the sensor pair; calculating statistical features for the distribution of predicted values and distributions of measured values of the sensor pair; and determining whether the operating state of the power generation facility is a potential failure state based on the statistical characteristics.

Description

발전설비의 고장을 조기 감지하는 모니터링 시스템 및 방법{MONITORING SYSTEM AND METHOD FOR SENSING FAILURE OF POWER GENERATION FACILITIES EARLY}Monitoring system and method for early detection of failure of power generation facilities

본 발명의 실시예들은 발전설비의 고장을 발생 이전에 조기 감지하는 기술에 관한 것으로서, 보다 상세하게는 다른 입력 센서의 측정 값으로부터 복원된 대상 센서 쌍의 예측 값 분포 및 실측 값 분포를 사용하여 발전설비의 고장을 조기 감지하는 모니터링 시스템 및 방법에 관련된다.Embodiments of the present invention relate to a technology for early detection of a failure of a power generation facility before occurrence, and more particularly, power generation using the predicted value distribution and the actual value distribution of the target sensor pair restored from the measurement values of other input sensors It relates to a monitoring system and method for early detection of equipment failure.

일반적으로 발전소에는 다수의 발전설비들이 복잡하게 밀집되어 있다. 발전설비의 결함 등은 대형 사고로 이어질 가능성이 높기 때문에, 발전소 내 다수의 발전설비는 발전설비 자체 또는 그 주변에 설치된 다수의 센서를 통해 항시 실시간으로 감시된다. 발전소에 설치된 중앙 시스템은 센서 데이터를 통해 발전소 내 설비의 고장 등의 위험을 모니터링한다. In general, a number of power generation facilities are complexly clustered in a power plant. Since defects in power generation facilities are highly likely to lead to major accidents, a number of power generation facilities in a power plant are monitored in real time at all times through a number of sensors installed in or around the power generation facility itself. A central system installed in the power plant monitors risks such as failure of equipment in the power plant through sensor data.

그러나, 종래의 발전소 시스템은 현재 발전설비 또는 발전소의 상태를 나타낸 측정 값이 미리 설정된 위험 임계 값에 도달하거나 초과할 경우에 이를 알리는 것이 일반적이다. However, in the conventional power plant system, it is common to notify the current power generation facility or when the measured value indicating the state of the power plant reaches or exceeds a preset risk threshold.

도 1은, 종래의 모니터링 시스템이 축류 팬의 스톨 고장을 감지하는 동작을 설명하기 위한 도면이다. 1 is a view for explaining the operation of the conventional monitoring system for detecting a stall failure of the axial fan.

예를 들어, 발전소에서 스톨(stall)은 발전소 보일러, 차량, 선박 엔진 등에 공기를 공급하기 위해 널리 사용되는 축류 팬(axial fan)이 회전 양력을 잃어버리는 현상을 지칭한다. 이러한 스톨 현상이 발생할 경우 관련 설비의 고장을 유발하며 막대한 손실을 야기한다. 따라서, 종래의 발전설비의 모니터링 시스템은 스톨 현상의 발생 시 축류 팬이 고장난 것으로 결정하고 이를 사용자에게 알리도록 구성된다. For example, a stall in a power plant refers to a phenomenon in which an axial fan widely used to supply air to a power plant boiler, vehicle, marine engine, etc. loses rotational lift. When such a stall phenomenon occurs, it causes a failure of the related equipment and a huge loss. Therefore, the monitoring system of the conventional power generation facility is configured to determine that the axial fan has failed when a stall phenomenon occurs and notify the user thereof.

종래에는 팬의 운동량에 따라 스톨이 발생하지 않을 최대 운전 조건을 유체역학적으로 계산하여 스톨 알람 라인을 사전에 정의하고, 현재 스톨 포인트가 도 1에 도시된 스톨 알람 라인을 초과하는지 여부에 따라 스톨을 감지하도록 설계된다. 따라서, 감지되는 시점은 항상 스톨 현상이 발생한 시점일 수 밖에 없다. Conventionally, a stall alarm line is defined in advance by hydrodynamically calculating the maximum operating condition in which a stall will not occur according to the momentum of the fan, and a stall is detected according to whether the current stall point exceeds the stall alarm line shown in FIG. designed to detect Therefore, the detected time point is always the time point at which the stall phenomenon occurs.

즉, 종래의 모니터링 시스템은 발전설비의 고장을 발생 여부는 감지하지만, 발전설비의 고장을 발생 이전에 조기 감지하는데는 한계가 있었다.That is, the conventional monitoring system detects whether a failure of the power generation facility has occurred, but there is a limit to early detection of the failure of the power generation facility before the occurrence.

등록특허공보 10-1713985 (2017.03.02.)Registered Patent Publication No. 10-1713985 (2017.03.02.)

본 발명의 일 측면에 따르면, 다른 입력 센서의 측정 값으로부터 복원된 대상 센서 쌍의 예측 값 분포 및 실측 값 분포를 사용하여 상기 대상 센서 쌍이 할당된 발전설비의 고장을 조기 감지하는 모니터링 시스템을 제공할 수도 있다. According to one aspect of the present invention, using the predicted value distribution and the actual value distribution of the target sensor pair restored from the measurement values of other input sensors to provide a monitoring system for early detection of a failure of the power generation facility to which the target sensor pair is assigned. may be

이 외에도, 발전설비의 고장을 조기 감지하는 방법 및 이를 수행하기 위한 프로그램을 기록한 컴퓨터 판독가능 기록매체를 제공할 수 있다.In addition to this, it is possible to provide a method for early detection of a failure of a power generation facility and a computer-readable recording medium recording a program for performing the method.

본 발명의 일 측면에 따른 발전설비의 고장을 조기 감지하는 모니터링 시스템은, 발전설비에 할당된 복수의 센서 - 상기 복수의 센서는 센서 쌍 및 다른 센서를 포함함; 미리 학습된 복원 모델을 통해 입력 센서의 실측 값으로부터 상기 센서 쌍 각각의 센서의 예측 값을 복원하는 예측 모듈 - 상기 입력 센서는 상기 다른 센서 중 적어도 일부를 포함함; 상기 센서 쌍의 예측 값 및 실측 값에 기초하여 센서 쌍의 2차원 평면 상에 형성되는 상기 센서 쌍의 예측 값 분포 및 실측 값 분포를 생성하는 분포 모듈; 및 상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 통계적 특징에 기초하여 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 결정 모듈을 포함할 수도 있다. According to an aspect of the present invention, there is provided a monitoring system for early detection of a failure of a power generation facility, a plurality of sensors allocated to the power generation facility, wherein the plurality of sensors include a pair of sensors and other sensors; a prediction module for reconstructing a predicted value of each sensor of the pair of sensors from an actual value of an input sensor through a pre-trained reconstruction model, wherein the input sensor includes at least some of the other sensors; a distribution module for generating a predicted value distribution and an actual measured value distribution of the sensor pair formed on a two-dimensional plane of the sensor pair based on the predicted value and the measured value of the sensor pair; and a determination module for determining whether the operation state of the power generation facility is a potential failure state based on the statistical characteristics of the distribution of predicted values and distribution of measured values of the sensor pair.

일 실시예에서, 상기 복원 모델은 정상 상태 하에서 입력 센서가 입력 측정 값을 획득할 경우 센서 쌍의 각 센서가 측정 했을 것으로 예상되는 측정 값을 예측 값으로 생성하도록 학습되는 것을 특징으로 할 수도 있다.In one embodiment, the reconstruction model may be characterized in that when the input sensor acquires the input measurement value under a steady state, it may be characterized in that it is learned to generate a predicted value that is expected to have been measured by each sensor of the sensor pair.

일 실시예에서, 상기 복원 모델은 복수의 훈련 샘플을 이용하여 학습되며, 상기 복수의 훈련 샘플 각각은 복수의 훈련 샘플 각각은, 정상 상태 하에서 동일한 측정 시간 간격 동안 입력 센서에 의해 감지된 훈련 측정 값의 세트를 포함할 수도 있다. 상기 훈련 측정 값의 세트는 각 입력 센서별로 서브 세트화된다. In one embodiment, the reconstruction model is trained using a plurality of training samples, each of the plurality of training samples is a training measurement value detected by the input sensor during the same measurement time interval under steady state. may include a set of The set of training measurements is subsetted for each input sensor.

일 실시예에서, 상기 센서 쌍은 상관관계를 가짐으로써 상호 예측 가능한 측정 값의 쌍을 출력할 수도 있다.In an embodiment, the pair of sensors may output a pair of mutually predictable measurement values by having a correlation.

일 실시예에서, 상기 2차원 평면은 상기 센서 쌍의 각 센서에 대응한 제1 축 및 제2 축으로 이루어질 수도 있다. In an embodiment, the two-dimensional plane may include a first axis and a second axis corresponding to each sensor of the sensor pair.

일 실시예에서, 상기 분포 모듈은 상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대해서, 분포의 평균, 분산 및 표준 편차 중 하나 이상을 포함한, 상기 통계적 특징을 계산하도록 더 구성될 수도 있다.In an embodiment, the distribution module may be further configured to calculate the statistical feature, including at least one of a mean, a variance, and a standard deviation of the distribution, for the predicted value distribution and the actual value distribution of the sensor pair.

일 실시예에서, 상기 결정 모듈은, 상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 통계적 특징의 비교 결과를 계산하고, 상기 통계적 특징의 비교 결과와 기준 통계적 특징 값을 비교하여 상기 발전설비의 운전 상태를 잠재 고장 상태로 결정하도록 구성될 수도 있다. In an embodiment, the determination module calculates a comparison result of a statistical characteristic for the predicted value distribution and the actual value distribution of the sensor pair, and compares the comparison result of the statistical characteristic with a reference statistical characteristic value of the power generation facility. It may be configured to determine the operating state as a potential failure state.

일 실시예에서, 상기 분포 모듈은, 상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 기하학적 특징을 계산하도록 더 구성될 수도 있다. 상기 결정 모듈은, 상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 기하학적 특징의 비교 결과를 계산하고, 그리고 상기 기하학적 특징의 비교 결과와 기준 기하학적 특징을 비교하여 발전설비의 운전 상태가 잠재 고장 상태인지 결정하도록 더 구성된다. In an embodiment, the distribution module may be further configured to calculate geometrical features for the predicted value distribution and the measured value distribution of the sensor pair. The determination module is configured to calculate a comparison result of geometrical features with respect to the predicted value distribution and the actual measured value distribution of the sensor pair, and compare the geometrical feature comparison result with the reference geometrical feature so that the operating state of the power generation facility is a potential failure state. further configured to determine whether

일 실시예에서, 상기 기하학적 특징은 해당 분포의 주축을 포함하고, 상기 기하학적 특징의 비교 결과는 주축 사이각으로 계산될 수도 있따. 기준 기하학적 특징은 기준 각도이다. In an embodiment, the geometrical feature may include a major axis of a corresponding distribution, and a comparison result of the geometrical feature may be calculated as an angle between the major axes. The reference geometric feature is the reference angle.

일 실시예에서, 상기 분포 모듈은, 동일한 센서 쌍에 대해서 복수의 분포 시간 간격별로 복수의 예측 값 분포 및 실측 값 분포를 생성하도록 더 구성될 수도 있다. 상기 결정 모듈은, 복수의 분포 시간 간격별 예측 값 분포 및 실측 값 분포를 사용하여 상기 잠재 고장 상태를 시간 측면에서 서술하는 보조 속성을 결정하도록 더 구성된다. In an embodiment, the distribution module may be further configured to generate a plurality of predicted value distributions and measured value distributions for a plurality of distribution time intervals for the same sensor pair. The determining module is further configured to determine an auxiliary attribute describing the potential failure state in terms of time by using a plurality of distributions of predicted values and distributions of measured values for each distribution time interval.

일 실시예에서, 상기 결정 모듈은, 분포 시간 간격이 짧아짐에 따라 주축 사이각이 증가할 경우, 단기적인 고장 위험으로 결정할 수도 있다.In an embodiment, the determining module may determine the short-term risk of failure when the angle between the main axes increases as the distribution time interval becomes shorter.

일 실시예에서, 상기 결정 모듈은, 실측 값 및 해당 예측 값의 분포를 사용하여 센서 쌍에 대한 확률 값을 계산하고, 그리고 계산된 확률 값에 기초하여 잠재 고장 상태를 결정하도록 더 구성될 수도 있다.In an embodiment, the determining module may be further configured to calculate a probability value for the sensor pair using the distribution of the measured value and the corresponding predicted value, and determine a potential failure state based on the calculated probability value. .

일 실시예에서, 상기 결정 모듈은, 상기 센서 쌍의 예측 값 분포의 통계적 특징에 기초하여 상기 센서 쌍의 예측 값에 대한 가우시안 분포를 획득하고, 상기 센서 쌍의 실측 값을 입력 변수로 상기 예측 값에 대한 가우시안 분포에 입력하여 센서 쌍에 대한 확률 값을 계산하도록 구성될 수도 있다.In an embodiment, the determination module is configured to obtain a Gaussian distribution of the predicted values of the sensor pair based on a statistical characteristic of the distribution of the predicted values of the sensor pair, and use the measured value of the sensor pair as an input variable. It may be configured to calculate a probability value for a sensor pair by inputting into a Gaussian distribution for .

일 실시예에서, 상기 결정 모듈은 상기 복수의 센서 중 적어도 일부의 실측 값과 미리 지정된 고장 기준 값을 비교하여 발전설비의 고장을 감지하도록 더 구성될 수도 있다. 상기 잠재 고장 상태의 결정은 상기 발전설비의 고장이 감지되기 전에 수행된다. In an embodiment, the determination module may be further configured to detect a failure of the power generation facility by comparing the measured values of at least some of the plurality of sensors with a predetermined failure reference value. The determination of the potential failure state is performed before the failure of the power generation facility is detected.

본 발명의 다른 일 측면에 따른 프로세서에 의해 수행되는, 발전설비의 고장을 조기 감지하는 모니터링 방법은, 복수의 센서의 실측 값을 획득하는 단계 - 상기 복수의 센서는 발전설비에 할당된 센서로서 센서 쌍 및 다른 센서를 포함함; 미리 학습된 복원 모델을 통해 입력 센서의 실측 값으로부터 센서 쌍 각각의 센서의 예측 값을 복원하는 단계 - 상기 입력 센서는 상기 다른 센서의 적어도 일부임; 상기 센서 쌍의 예측 값 분포 및 실측 값 분포를 생성하는 단계; 상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 통계적 특징을 계산하는 단계; 및 상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 통계적 특징에 기초하여 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 단계를 포함할 수도 있다.A monitoring method for early detection of a failure of a power generation facility, performed by a processor according to another aspect of the present invention, comprises the steps of: acquiring actual values of a plurality of sensors - The plurality of sensors are sensors assigned to the power generation facility including pairs and other sensors; reconstructing a predicted value of each sensor of a sensor pair from a measured value of an input sensor through a pre-trained reconstruction model, wherein the input sensor is at least a part of the other sensor; generating a predicted value distribution and an actual measured value distribution of the sensor pair; calculating statistical features for the distribution of predicted values and distributions of measured values of the sensor pair; and determining whether the operating state of the power generation facility is a potential failure state based on the statistical characteristics of the predicted value distribution and the actual measured value distribution of the sensor pair.

일 실시예에서, 상기 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 단계는, 상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 통계적 특징의 비교 결과를 계산하는 단계; 및 상기 통계적 특징의 비교 결과와 기준 통계적 특징 값을 비교하여 상기 발전설비의 운전 상태를 잠재 고장 상태로 결정하는 단계를 포함할 수도 있다. In an embodiment, the determining whether the operating state of the power generation facility is a potential failure state comprises: calculating a comparison result of statistical characteristics for the predicted value distribution and the actual measured value distribution of the sensor pair; and determining the operating state of the power generation facility as a potential failure state by comparing the comparison result of the statistical characteristics with a reference statistical characteristic value.

일 실시예에서, 상기 방법은: 상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 기하학적 특징을 계산하는 단계를 더 포함할 수도 있다. 상기 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 단계는, 상기 통계적 특징에 기초하여 잠재 고장 상태로 결정된 경우, 상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 기하학적 특징의 비교 결과를 계산하는 단계; 및 상기 기하학적 특징의 비교 결과와 기준 통계적 특징 값을 비교하여 상기 발전설비의 운전 상태를 잠재 고장 상태로 확인는 단계를 포함한다. In an embodiment, the method may further include: calculating geometrical features for the predicted value distribution and the measured value distribution of the sensor pair. The step of determining whether the operating state of the power generation facility is a potential failure state includes, when it is determined as a potential failure state based on the statistical characteristics, calculating a comparison result of the geometrical characteristics of the predicted value distribution and the actual value distribution of the sensor pair step; and confirming the operation state of the power generation facility as a potential failure state by comparing the comparison result of the geometrical characteristic with a reference statistical characteristic value.

일 실시예에서, 상기 모니터링 방법은: 모니터링 결과를 제공하기 위해, 상기 센서 쌍에 대한 확률 값을 계산하는 단계를 더 포함할 수도 있다.In an embodiment, the monitoring method may further include: calculating a probability value for the sensor pair to provide a monitoring result.

일 실시예에서, 상기 센서 쌍의 예측 값 분포 및 실측 값 분포를 생성하는 단계는 동일한 센서 쌍에 대해서 복수의 분포 시간 간격에 따른 복수의 예측 값 분포 및 실측 값 분포를 생성하는 단계를 포함할 수도 있다. 상기 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 단계는 동일한 센서 쌍에 대해서 복수의 분포 시간 간격별 예측 값 분포 및 실측 값 분포를 사용하여 상기 잠재 고장 상태의 보조 속성을 결정하는 단계를 더 포함할 수도 있다.In an embodiment, generating the predicted value distribution and the measured value distribution of the sensor pair may include generating a plurality of predicted value distributions and measured value distributions according to a plurality of distribution time intervals for the same sensor pair. have. The step of determining whether the operating state of the power generation facility is a potential failure state further includes determining an auxiliary property of the potential failure state using a plurality of distributions of predicted values for each distribution time interval and distributions of actual values for the same sensor pair You may.

일 실시예에서, 상기 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 단계는, 상기 센서 쌍에 대한 확률 값을 계산하는 단계; 및 상기 확률 값이 미리 설정된 기준 확률 값 미만일 경우, 잠재 고장 상태로 결정하는 단계를 포함할 수도 있다.In one embodiment, determining whether the operating state of the power generation facility is a potential failure state comprises: calculating a probability value for the sensor pair; and when the probability value is less than a preset reference probability value, determining a potential failure state.

본 발명의 또 다른 일 측면에 따른 컴퓨터 판독가능 기록매체는 상술한 실시예들에 따른 모니터링 방법을 수행하기 위한, 프로그램을 기록할 수도 있다. A computer-readable recording medium according to another aspect of the present invention may record a program for performing the monitoring method according to the above-described embodiments.

본 발명의 일 측면에 따른 모니터링 시스템은 다른 센서의 측정 값으로부터 대상 센서 쌍의 예측 값을 계산하여 생성된 센서 쌍의 예측 값 분포 및 실측 값 분포를 사용하여 발전설비의 고장을 조기 감지하고, 나아가 발전설비가 위치한 발전소의 위험을 조기 감지할 수도 있다. 그 결과, 실제 고장으로 인해 발생 가능한 막대한 금전적 손실, 인명 손실을 방지할 수 있다. The monitoring system according to an aspect of the present invention uses the predicted value distribution and the actual value distribution of the sensor pair generated by calculating the predicted value of the target sensor pair from the measurement values of other sensors to detect the failure of the power generation facility early, and further It is also possible to detect the danger of the power plant where the power generation facility is located early. As a result, it is possible to prevent a huge financial loss and loss of life that may occur due to an actual failure.

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to the above-mentioned effects, and other effects not mentioned will be clearly understood by those skilled in the art from the description of the claims.

본 발명 또는 종래 기술의 실시예의 기술적 해결책을 보다 명확하게 설명하기 위해, 실시예에 대한 설명에서 필요한 도면이 아래에서 간단히 소개된다. 아래의 도면들은 본 명세서의 실시예를 설명하기 목적일 뿐 한정의 목적이 아니라는 것으로 이해되어야 한다. 또한, 설명의 명료성을 위해 아래의 도면들에서 과장, 생략 등 다양한 변형이 적용된 일부 요소들이 도시될 수 있다.
도 1은, 종래의 모니터링 시스템이 축류 팬의 스톨 고장을 감지하는 동작을 설명하기 위한 도면이다.
도 2는, 본 발명의 일 실시예에 따른, 발전설비의 고장을 조기 감지하는 모니터링 시스템의 블록 구성도이다.
도 3a 내지 도 3c는, 입력 센서의 실측 값으로부터 복원된 예측 신호를 도시한 도면이다.
도 4a 내지 도 4c는, 본 발명의 일 실시예에 따른, 분포 시간 간격에 따른 2차원 분포를 도시한 도면이다.
도 5a 및 도 5b는, 본 발명의 일 실시예에 따른, 기하학적 특징과 조기 고장 결정의 관계를 설명하는 도면이다.
도 6a 및 도 6b는, 본 발명의 일 실시예에 따른, 2차원 분포 별 확률 값을 도시한 도면이다.
도 7은, 본 발명의 일 실시예에 따른, 고장 발생 이전에 잠재 고장 상태를 결정한 모니터링 결과를 도시한 도면이다.
도 8은, 본 발명의 일 실시예에 따른, 발전설비의 고장을 조기 감지하는 방법의 흐름도이다.
도 9는, 본 발명의 다른 일 실시예에 따른, 발전설비의 고장을 조기 감지하는 방법의 흐름도이다.In order to more clearly explain the technical solutions of the embodiments of the present invention or the prior art, drawings necessary for the description of the embodiments are briefly introduced below. It should be understood that the following drawings are for the purpose of explaining the embodiments of the present specification and not for the purpose of limitation. In addition, some elements to which various modifications such as exaggeration and omission have been applied may be shown in the drawings below for clarity of description.
1 is a view for explaining the operation of the conventional monitoring system for detecting a stall failure of the axial fan.
2 is a block diagram of a monitoring system for early detection of a failure of a power generation facility according to an embodiment of the present invention.
3A to 3C are diagrams illustrating prediction signals reconstructed from measured values of an input sensor.
4A to 4C are diagrams illustrating a two-dimensional distribution according to a distribution time interval, according to an embodiment of the present invention.
5A and 5B are diagrams for explaining the relationship between geometrical features and early failure determination according to an embodiment of the present invention.
6A and 6B are diagrams illustrating probability values for each two-dimensional distribution according to an embodiment of the present invention.
7 is a diagram illustrating a monitoring result of determining a potential failure state before failure, according to an embodiment of the present invention.
8 is a flowchart of a method for early detection of a failure of a power generation facility according to an embodiment of the present invention.
9 is a flowchart of a method for early detection of a failure of a power generation facility according to another embodiment of the present invention.

여기서 사용되는 전문 용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분의 존재나 부가를 제외시키는 것은 아니다.The terminology used herein is for the purpose of referring to specific embodiments only, and is not intended to limit the invention. As used herein, the singular forms also include the plural forms unless the phrases clearly indicate the opposite. As used herein, the meaning of "comprising" specifies a particular characteristic, region, integer, step, operation, element and/or component, and the presence or absence of another characteristic, region, integer, step, operation, element and/or component. It does not exclude additions.

다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.Although not defined otherwise, all terms including technical and scientific terms used herein have the same meaning as commonly understood by those of ordinary skill in the art to which the present invention belongs. Commonly used terms defined in the dictionary are additionally interpreted as having a meaning consistent with the related art literature and the presently disclosed content, and unless defined, are not interpreted in an ideal or very formal meaning.

이하에서, 도면을 참조하여 본 발명의 실시예들에 대하여 상세히 살펴본다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.

도 2는, 본 발명의 일 실시예에 따른, 발전설비의 고장을 조기 감지하는 모니터링 시스템의 블록 구성도이다. 2 is a block diagram of a monitoring system for early detection of a failure of a power generation facility according to an embodiment of the present invention.

도 2를 참조하면, 발전설비의 고장을 조기 감지하는 모니터링 시스템(이하, 모니터링 시스템)(1)은 발전설비의 운전 상태에 관한 정보를 획득하는 복수의 센서; 및 상기 복수의 센서로부터 센싱 데이터를 수신하여 해당 발전설비의 고장을 조기감지하는 장치(10)를 포함한다. 상기 장치(10)는 상기 발전설비가 아직 고장이 나지 않은 경우에도 고장 위험을 조기에 감지하여 알림을 사용자에게 제공한다. 이를 위해, 상기 장치(10)는 예측 모듈(110); 분포 모듈(130); 및 결정 모듈(150);를 포함한다. 일부 실시예에서, 상기 장치(10)는 학습 모듈(미도시)을 더 포함할 수도 있다.Referring to FIG. 2 , a monitoring system (hereinafter, monitoring system) 1 for early detection of a failure of a power generation facility includes a plurality of sensors for obtaining information about an operating state of a power generation facility; and a device 10 for receiving sensing data from the plurality of sensors to early detect a failure of a corresponding power generation facility. The device 10 detects the risk of failure early even when the power generation facility has not yet failed and provides a notification to the user. To this end, the apparatus 10 includes a prediction module 110; distribution module 130; and a decision module 150 . In some embodiments, the device 10 may further include a learning module (not shown).

실시예들에 따른 상기 모니터링 시스템(1)은 전적으로 하드웨어이거나, 전적으로 소프트웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 시스템은 데이터 처리 능력이 구비된 하드웨어 및 이를 구동시키기 위한 운용 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부(unit)", “모듈(module)”“장치”, 또는 "시스템" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 하드웨어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.The monitoring system 1 according to the embodiments may have aspects that are entirely hardware, entirely software, or partially hardware and partially software. For example, the system may collectively refer to hardware equipped with data processing capability and operating software for driving the same. As used herein, terms such as “unit,” “module,” “device,” or “system” are intended to refer to a combination of hardware and software run by the hardware. For example, the hardware may be a data processing device including a central processing unit (CPU), a graphic processing unit (GPU), or another processor. In addition, software may refer to a running process, an object, an executable file, a thread of execution, a program, and the like.

상기 발전설비는 발전소에서 사용되는 다양한 설비를 포함한다. 예를 들어, 발전설비는 모터 또는 팬을 포함할 수도 있다. 상기 팬은, 축류 팬, 보일러 팬 등을 포함할 수도 있다. 상기 모니터링 시스템(1)이 축류 팬의 상태를 모니터링할 경우, 축류 팬에서 발생 가능한 스톨 현상을 발전설비의 고장으로 감지할 수도 있다. The power generation facility includes various facilities used in the power plant. For example, the power plant may include a motor or a fan. The fan may include an axial fan, a boiler fan, and the like. When the monitoring system 1 monitors the state of the axial fan, a stall phenomenon that may occur in the axial fan may be detected as a failure of the power generation facility.

발전소 내 하나 이상의 발전설비에는 복수의 센서가 각각 할당된다. 상기 할당된 복수의 센서는 해당 발전설비에 관한 정보(예컨대, 발전설비의 구동 정보 등)를 획득한다. 할당된 복수의 센서는 해당 발전설비의 내부, 표면 및/또는 외부에 설치될 수도 있다. 복수의 센서 각각은 할당된 발전설비의 구동에 관한 정보를 생성하여 상기 장치(10)에 공급할 수도 있다. A plurality of sensors are each assigned to one or more power generation facilities in a power plant. The allotted plurality of sensors acquires information about the corresponding power generation facility (eg, driving information of the power generation facility, etc.). The assigned plurality of sensors may be installed inside, on the surface and/or outside of the corresponding power generation facility. Each of the plurality of sensors may generate information about the operation of the allocated power generation facility and supply it to the device 10 .

상기 복수의 센서는, 예를 들어, 에너지 센서, 온도 센서, 압력 센서, 유량 센서, 진동 센서, 수분 센서, 중력 센서, 지자기 센서, 모션 센서, 자이로 센서, 가속도 센서, 기울임 센서, 밝기 센서, 개도 센서, 후각 센서, 뎁스 센서, 밴딩 센서, 오디오 센서, 이미지 센서, 또는 이들의 조합을 포함할 수 있다.The plurality of sensors may include, for example, an energy sensor, a temperature sensor, a pressure sensor, a flow sensor, a vibration sensor, a moisture sensor, a gravity sensor, a geomagnetic sensor, a motion sensor, a gyro sensor, an acceleration sensor, an inclination sensor, a brightness sensor, and an opening degree. It may include a sensor, an olfactory sensor, a depth sensor, a bending sensor, an audio sensor, an image sensor, or a combination thereof.

일 실시예에서, 상기 복수의 센서는 다른 센서(23) 그리고 적어도 하나의 센서 쌍(20, 21)을 포함한다. 상기 센서 쌍(20, 21)은 상관관계를 갖는 서로 다른 센서(20 및 21)로 형성된 쌍이다. 상관관계를 갖는 하나 이상의 센서 쌍(20, 21)이 단일 발전설비에 할당될 수도 있다. 다른 센서(23)는 복수의 센서 중 센서 쌍(20, 21) 이외의 나머지 센서이다. 복수의 센서 쌍(20, 21)이 할당될 경우, 단일 센서 쌍(20, 21) 이외의 나머지 센서가 다른 센서(23)로 취급된다. 즉, 센서 쌍(20A, 21A)은 다른 센서 쌍(20B, 21B)에 대해서는 다른 센서(23)로 취급될 수도 있다. In one embodiment, the plurality of sensors comprises another sensor 23 and at least one sensor pair 20 , 21 . The sensor pairs 20 and 21 are pairs formed of different sensors 20 and 21 having a correlation. More than one sensor pair 20 , 21 with correlation may be assigned to a single power plant. The other sensor 23 is a sensor other than the sensor pair 20 and 21 among the plurality of sensors. When a plurality of sensor pairs 20 and 21 are allocated, the remaining sensors other than the single sensor pair 20 and 21 are treated as other sensors 23 . That is, the sensor pair 20A, 21A may be treated as another sensor 23 with respect to the other sensor pair 20B, 21B.

상기 센서 쌍(20, 21)의 상관관계는 과거 센싱 데이터에 기초하여 어느 하나의 센서의 출력 값이 다른 하나의 출력 값과 상관성을 갖는 것을 의미한다. 여기서, 과거 센싱 데이터는 위험이 발생하지 않는 과거의 정상 상황에서 발전소(또는 발전설비)가 운전되는 상태를 측정하여 획득된 데이터이다. The correlation between the sensor pairs 20 and 21 means that an output value of one sensor has a correlation with an output value of another one based on past sensing data. Here, the past sensing data is data obtained by measuring the operating state of the power plant (or power generation facility) in the past normal situation in which no risk occurs.

상기 상관관계를 갖는 센서 쌍(20, 21)은 정상 상황 하에서 동일한 외부 환경의 변화에 노출될 경우, 상기 외부 환경의 변화를 동일하게 감지한다. 예를 들어, 상기 상관관계를 갖는 센서 쌍(20, 21)은 정상 상황 하에서 동일 또는 유사한 측정값을 출력하거나, 또는 동일 또는 유사한 측정값의 변화를 출력할 수도 있다. 또는 상기 상관관계를 갖는 센서 쌍(20, 21)은 정상 상황 하에서 비례하는 측정값을 출력하거나, 또는 반비례하는 측정값을 출력할 수도 있다. When the sensor pairs 20 and 21 having the correlation are exposed to the same change in the external environment under normal circumstances, they equally sense the change in the external environment. For example, the sensor pairs 20 and 21 having the correlation may output the same or similar measured value or a change in the same or similar measured value under normal circumstances. Alternatively, the sensor pair 20 and 21 having the correlation may output a proportional measured value or an inversely proportional measured value under normal conditions.

예를 들어, 동일한 모터의 전류 센서 또는 온도 센서의 쌍, 또는 동일한 팬의 유량 또는 에너지 센서가 상관관계를 갖는 센서 쌍(20, 21)로 지정될 수도 있다. For example, a pair of current or temperature sensors of the same motor, or a flow or energy sensor of the same fan, may be designated as a correlated sensor pair ( 20 , 21 ).

그러면, 상관관계를 갖는 센서 쌍(20, 21)의 측정값 중 어느 하나의 측정값으로부터 동일한 시점에서의 다른 센서의 측정값을 추론할 수도 있다. Then, the measurement value of the other sensor at the same time point may be inferred from the measurement value of any one of the measurement values of the sensor pair 20 and 21 having the correlation.

또한, 상관관계를 갖는 센서 쌍(20, 21)의 측정값의 분포를 2차원 평면 상에 형성하면 발전설비에 고장이 발생하지 않는 정상 상태와 발전설비에 고장이 발생한 비-정상 상태에 따라 상이한 분포를 형성하게 된다. 이에 대해서는 아래의 도 3 내지 도 4를 참조하여 보다 상세하게 서술한다. In addition, when the distribution of the measured values of the sensor pairs 20 and 21 having a correlation is formed on a two-dimensional plane, it is different depending on the normal state in which a failure does not occur in the power generation facility and the non-steady state in which the failure occurs in the power generation facility. to form a distribution. This will be described in more detail with reference to FIGS. 3 to 4 below.

이러한 복수의 센서는 발전설비의 운전 상태를 나타낸 센서 데이터를 생성한다. 상기 센싱 데이터는 측정 대상의 물리적 정보, 측정 시간, 측정 값(또는 신호), 측정 단위, 시간 단위 등을 포함한다. 또한, 상기 센싱 데이터는 해당 센서(20, 21 또는 22)에 관련된 정보를 포함할 수도 있다. 상기 해당 센서(20, 21 또는 22)에 관련된 정보는 센서(20, 21 또는 22)의 식별 정보, 대상 발전설비의 식별정보, 및/또는 위치 정보(예컨대, 발전설비에서의 설치 위치) 등을 포함할 수도 있다.Such a plurality of sensors generates sensor data indicating the operating state of the power generation facility. The sensed data includes physical information of a measurement target, a measurement time, a measurement value (or signal), a measurement unit, a time unit, and the like. In addition, the sensing data may include information related to the corresponding sensor 20 , 21 , or 22 . The information related to the corresponding sensor 20, 21 or 22 includes identification information of the sensor 20, 21 or 22, identification information of a target power generation facility, and/or location information (eg, installation location in a power generation facility), etc. may include

또한, 센싱 데이터는 상기 센싱 데이터를 생성한, 해당 센서(20 또는 21)와 상관관계를 갖는 다른 센서(21 또는 20)와 관련된 정보 중 적어도 일부를 포함할 수도 있다. In addition, the sensed data may include at least a portion of information related to another sensor 21 or 20 that has a correlation with the corresponding sensor 20 or 21 that has generated the sensed data.

복수의 센서 각각에 의해 생성된 센싱 데이터는 상기 장치(10)(예컨대, 예측 모듈(110))에 공급된다. 상기 센싱 데이터는 유/무선 전기 통신을 통해 상기 장치(10)로 공급된다. The sensing data generated by each of the plurality of sensors is supplied to the device 10 (eg, the prediction module 110 ). The sensed data is supplied to the device 10 through wired/wireless electrical communication.

예측 모듈(110)은 복원 모델을 통해 입력 센서의 센싱 데이터 내 측정 값으로부터 센서 쌍(20, 21) 각각의 센서의 예측 값을 생성하도록 구성된다. 상기 예측 값은 정상 상태 하에서 입력 센서가 입력 측정 값을 획득할 경우 센서 쌍의 각 센서(2, 21)가 측정 했을 것으로 예상되는 측정 값이다. The prediction module 110 is configured to generate a prediction value of each sensor of the sensor pair 20 and 21 from a measurement value in the sensing data of the input sensor through the reconstruction model. The predicted value is a measurement value that is expected to be measured by each of the sensors 2 and 21 of the sensor pair when the input sensor acquires the input measurement value under a steady state.

일 실시예에서, 상기 복원 모델에 측정 값이 입력되는 상기 입력 센서는 상기 센서 쌍(20, 21)에 연관된 센서를 포함할 수도 있다. 상기 연관된 센서는 예측 값을 위한 센서 쌍(20, 21)과 동일한 발전설비에 할당된 센서이다. 예를 들어, 상기 센서 쌍(20, 21)에 연관된 센서는 상기 발전설비에 할당된 복수의 센서 중 센서 쌍(20, 21)을 제외한 다른 센서(23)의 일부 또는 전부일 수도 있다. In an embodiment, the input sensor to which the measured value is input to the reconstruction model may include a sensor associated with the sensor pair 20 and 21 . The associated sensor is a sensor assigned to the same power plant as the sensor pair 20 , 21 for the predicted value. For example, the sensors associated with the sensor pairs 20 and 21 may be some or all of the sensors 23 other than the sensor pairs 20 and 21 among a plurality of sensors allocated to the power generation facility.

일 예에서, 축류 팬을 모니터링할 경우, 상기 축류 팬에는 모터의 전류 센서, 팬의 압력 센서, 유량 센서, 온도 센서, 개도 센서 등을 포함한 복수의 센서가 축류 팬에 할당되며, 팬의 유량-에너지 센서는 상관관계를 갖는 센서 쌍(20, 21)을 형성한다. 상기 축류 팬에 할당된 복수의 센서 중 센서 쌍(즉, 유량 센서, 에너지 센서)와 다른 센서(23) 중 일부 또는 전부를 포함한다. 상기 센서 쌍(20, 21)에 연관된 다른 센서(23)(예컨대, 전류 센서, 압력 센서 등)를 포함한 복수의 센서로부터 측정 값이 입력되면, 상기 센서 쌍 (20, 21)의 예측 값을 생성하도록 상기 복원 모델이 학습된다. In one example, when monitoring an axial fan, a plurality of sensors including a current sensor of a motor, a pressure sensor of a fan, a flow sensor, a temperature sensor, an opening degree sensor, etc. are allocated to the axial fan, and the fan's flow rate- The energy sensors form a correlated sensor pair 20 , 21 . and some or all of the sensor pair (ie, flow sensor, energy sensor) and other sensors 23 among the plurality of sensors assigned to the axial fan. When a measurement value is input from a plurality of sensors including another sensor 23 (eg, a current sensor, a pressure sensor, etc.) associated with the sensor pair 20 , 21 , a predicted value of the sensor pair 20 , 21 is generated The reconstruction model is trained to do so.

상기 복원 모델은 복수의 뉴런 노드로 이루어진 네트워크를 포함한다. 상기 복원 모델은, LSTM, GRU 등과 같은 RNN(Recurrent Neural Network) 기반 네트워크, DenseNet, ResNet, TCN(Temporal convolutional network)과 같은 CNN 기반 네트워크 또는 기타 네트워크 등을 포함한 인공 신경망 구조를 가질 수도 있다. The reconstruction model includes a network consisting of a plurality of neuron nodes. The reconstruction model may have an artificial neural network structure including a Recurrent Neural Network (RNN)-based network such as LSTM and GRU, a CNN-based network such as DenseNet, ResNet, a Temporal convolutional network (TCN), or other networks.

상기 장치(10)는 상기 장치(10) 내부의 다른 구성요소(예컨대, 학습 모듈(미도시))에 의해 학습된 복원 모델을 사용하거나, 또는 외부에 위치한 외부 장치에 의해 미리 학습된 복원 모델을 수신하여 사용하도록 구성된다.The device 10 uses a reconstruction model learned by another component (eg, a learning module (not shown)) inside the device 10, or a reconstruction model learned in advance by an external device located outside. configured to receive and use.

상기 복원 모델은 복수의 훈련 샘플을 이용하여 학습되며, 복수의 훈련 샘플 각각은, 정상 상태 하에서 동일한 측정 시간 간격 동안 입력 센서에 의해 감지된 훈련 측정 값의 세트를 포함한다. 상기 훈련 측정 값의 세트는 입력 센서 각각으로 서브 세트화된다. 상기 예시에서, 상기 훈련 측정 값의 세트는 전류 센서별, 유량 센서별 등으로 서브 세트화될 수도 있다. The reconstruction model is trained using a plurality of training samples, each of the plurality of training samples including a set of training measurements sensed by the input sensor during the same measurement time interval under steady state. The set of training measures is subsetted into each of the input sensors. In the above example, the set of training measurement values may be sub-set by current sensor, per flow sensor, and the like.

복수의 센서 쌍을 포함한 경우, 상기 예측 모듈(110)은 각 센서 쌍에 해당하는 복수의 복원 모델을 포함할 수도 있다. When a plurality of sensor pairs are included, the prediction module 110 may include a plurality of reconstruction models corresponding to each sensor pair.

예측 모듈(110)은 학습이 완료된 복원 모델을 통해 지정된 센서 쌍(20, 21)의 예측 값을 생성할 수도 있다. 학습이 완료된 복원 모델은 정상 상태에서 지정된 센서 쌍(20, 21) 각각의 실측 값에 가장 가까운 값을 복원한다. The prediction module 110 may generate prediction values of the specified sensor pairs 20 and 21 through the trained restoration model. The restoration model that has been trained restores the closest value to the measured value of each of the specified sensor pairs 20 and 21 in a normal state.

이와 같이, 복원되는 예측 값이 실측 값과 유사한 수준은 정상 상태의 수준에 따라 상이할 수도 있다. 고장의 징후가 없는 안정한 정상 상태에서는 예측 값과 실측 값이 거의 동일할 수도 있다. 상기 복원 모델은 정상 상태의 측정 값이 입력되면 정상 상태에서 예측되는 측정 값을 출력하도록 학습되었기 때문이다. 반면, 상기 복원 모델은, 아직 고장이 실제로 발생하진 않았으나 징후가 발생하거나 실제 고장 직전의 상태와 같은, 불안정한 정상 상태에서의 입력 센서의 측정 값이 입력되면, 해당 센서 쌍(20, 21)의 실측 값과 상대적으로 덜 유사한 값을 예측 값으로 복원한다. 상기 복원 모델이 불완전한 완전 상태에서의 측정 값이 입력되면 불완전한 정상 상태에서 예측되는 측정 값으로 출력하도록 학습되었지 않았기 때문이다. As such, the level at which the reconstructed predicted value is similar to the actual measured value may be different depending on the level of the steady state. In a stable steady state with no signs of failure, the predicted value and the measured value may be nearly identical. This is because the restoration model has been trained to output the measured value predicted in the steady state when the measured value in the steady state is input. On the other hand, in the restoration model, when a measurement value of an input sensor in an unstable normal state, such as a state immediately before an actual failure, is generated, although a failure has not actually occurred yet, the measured value of the corresponding sensor pair 20 , 21 is actually measured Values that are relatively less similar to the values are restored as predicted values. This is because the restoration model has not been trained to output a measured value predicted in an incomplete steady state when a measured value in an incomplete perfect state is input.

입력되는 측정 값이 적어도 일부 측정 구간에서 연속적인 신호일 경우, 복원되는 예측 값은 예측 신호로 생성된다. When the input measurement value is a continuous signal in at least a part of the measurement section, the reconstructed prediction value is generated as a prediction signal.

상기 예측 모듈(110)은 입력 측정 값(또는 신호)로부터 복원 모델을 통해 생성된 상기 센서 쌍(20, 21)의 예측 값(또는 신호)을 분포 모듈(130)로 공급한다. The prediction module 110 supplies the prediction values (or signals) of the sensor pairs 20 and 21 generated through the reconstruction model from the input measured values (or signals) to the distribution module 130 .

분포 모듈(130)은 쌍을 이루는 두 센서(20, 21)의 예측 값 또는 실측 값으로 이루어진 2차원 평면 상의 분포를 생성하거나, 이를 분석하는 동작을 수행한다. The distribution module 130 generates or analyzes a distribution on a two-dimensional plane consisting of predicted values or measured values of the two sensors 20 and 21 forming a pair.

일 실시예에서, 센서 쌍(20, 21)의 예측 값(또는 신호)과 실측 값(또는 신호)에 기초하여 센서 쌍(20, 21)의 2차원 분포를 생성한다. 상기 분포 모듈(130)은 상기 학습이 완료된 복원 모델을 통해 출력된 센서 쌍(20, 21)의 예측 값(또는 신호)과 해당 센서 쌍(20, 21)의 실측 값(또는 신호)을 2차원 평면 상에 표시하여, 상기 센서 쌍(20, 21)의 예측 값 분포와 실측 값 분포를 생성한다. In an embodiment, a two-dimensional distribution of the sensor pair 20 and 21 is generated based on the predicted value (or signal) and the measured value (or signal) of the sensor pair 20 , 21 . The distribution module 130 converts the predicted values (or signals) of the sensor pairs 20 and 21 output through the restoration model on which the learning is completed and the measured values (or signals) of the corresponding sensor pairs 20 and 21 in two dimensions. By displaying on a plane, a distribution of predicted values and distributions of measured values of the sensor pairs 20 and 21 are generated.

센서 쌍(20, 21)의 실측 값은 미리 획득된다. 일 실시예에서, 상기 센서 쌍(20, 21)의 실측 값은 해당 측정 시간에서 상기 입력 센서의 측정 값이 획득되는 것과 함께 미리 획득될 수도 있다. The measured values of the sensor pairs 20 and 21 are obtained in advance. In an embodiment, the measured value of the sensor pair 20 and 21 may be acquired in advance along with the acquisition of the measured value of the input sensor at the corresponding measurement time.

도 3a 내지 도 3c는, 입력 센서의 실측 값으로부터 복원된 예측 신호를 도시한 도면이다. 3A to 3C are diagrams illustrating prediction signals reconstructed from measured values of an input sensor.

도 3a 내지 도 3c를 참조하면, 상기 2차원 평면을 이루는 제1 축 및 제2 축은 센서 쌍 중 각각의 센서에 대응한다. 상기 예시에서, 2차원 평면의 x축 및 y축은 센서 쌍을 이루는 유량 센서(20) 및 에너지 센서(21)에 각각 대응한다. 그러면, 2차원 평면 상의 포인트는 {센서(20)의 측정 값, 센서(21)의 측정 값}을 의미한다. 3A to 3C , the first axis and the second axis forming the two-dimensional plane correspond to each sensor among the sensor pair. In the above example, the x-axis and the y-axis of the two-dimensional plane correspond to the flow sensor 20 and the energy sensor 21 forming the sensor pair, respectively. Then, the point on the two-dimensional plane means {the measured value of the sensor 20, the measured value of the sensor 21}.

상기 2차원 평면의 x축, y축의 단위는 해당 센서(20 또는 21)의 측정 값에 의존한다. 분포 모듈(130)은 상관관계가 있는 센서 쌍(20, 21)의 예측 값 또는 실측 값을 2차원 평면에 동시에 표시함으로써 각 센서 값의 크기 변화뿐만 아니라 두 센서 값의 비율 변화 분석을 가능하게 한다. The units of the x-axis and y-axis of the two-dimensional plane depend on the measurement value of the corresponding sensor 20 or 21 . The distribution module 130 enables analysis of a change in the ratio of two sensor values as well as a change in the size of each sensor value by simultaneously displaying the predicted value or the measured value of the correlated sensor pairs 20 and 21 on a two-dimensional plane. .

상기 센서(20, 21)로부터 획득되는 실측 결과 및 상기 복원 모듈110에서 생성되는 예측 결과가 연속적인 신호일 경우, 단위 시간별 예측 값 및 측정 값의 포인트를 측정 시간 간격으로 누적하여 예측 값 분포 및 실측 값 분포를 생성할 수도 있다. When the actual measurement result obtained from the sensors 20 and 21 and the prediction result generated by the restoration module 110 are continuous signals, the predicted value distribution and the actual measurement value are accumulated by accumulating the predicted value and measured value points for each unit time at the measurement time interval. You can also create a distribution.

또한, 분포 모듈(130)은 예측 값 분포 및 실측 값 분포 각각에 대해서 시간 간격 동안 누적된 포인트들의 통계적 특징을 계산할 수도 있다. 상기 통계적 특징은, 예를 들어, 분포의 평균(mean), 중앙(median), 분산, 및/또는 표준 편차 등을 포함할 수도 있으나, 이에 제한되지 않으며 분포를 분석하는데 사용되는 다른 특징을 포함할 수도 있다. Also, the distribution module 130 may calculate statistical characteristics of points accumulated during a time interval for each of the predicted value distribution and the actual measured value distribution. The statistical characteristics may include, for example, the mean, median, variance, and/or standard deviation of a distribution, but are not limited thereto, and may include other characteristics used to analyze the distribution. may be

또한, 분포 모듈(130)은 센서 쌍(20, 21)의 예측 값 분포 및 실측 값 분포의 기하학적 특징을 계산하도록 더 구성될 수도 있다. In addition, the distribution module 130 may be further configured to calculate the geometrical characteristics of the predicted value distribution and the measured value distribution of the sensor pair 20 , 21 .

일 실시예에서, 상기 기하학적 특징은 각 분포의 주축 간의 사이각을 포함할 수도 있다. 분포 모듈(130)은 센서 쌍(20, 21)의 예측 값 분포 및 실측 값의 주축을 각각 계산할 수도 있다. 도 3c에서 2차원 평면 상에 형성된 센서 쌍(20, 21)의 예측 값 분포의 주축이 계산되고, 상기 2차원 평면 상에 형성된 센서 쌍(20, 21)의 실측 값 분포의 주축도 계산될 수도 있다. 상기 분포는 2차원 분포이기 때문에 다른 형태의 분포(예컨대, 원형 분포) 보다 주축을 계산하는데 유리하다.In one embodiment, the geometrical feature may include an angle between the major axes of each distribution. The distribution module 130 may calculate the distribution of predicted values of the sensor pairs 20 and 21 and the principal axes of the measured values, respectively. In FIG. 3C , the main axis of the distribution of predicted values of the sensor pair 20 and 21 formed on the two-dimensional plane is calculated, and the main axis of the distribution of the measured values of the sensor pair 20 and 21 formed on the two-dimensional plane may also be calculated. have. Since the distribution is a two-dimensional distribution, it is more advantageous for calculating the principal axis than other types of distribution (eg, circular distribution).

상기 분포 모듈(130)은, 예를 들어, 주성분 분석(PCA, Principal Component Analysis), 선형 근사(Linear Approximation) 등과 같은 주축 계산 알고리즘을 통해 분포 별 주축을 계산할 수도 있다. 상기 주축은 벡터 형태로 계산될 수도 있다.The distribution module 130 may calculate a principal axis for each distribution through a principal axis calculation algorithm such as, for example, a principal component analysis (PCA), a linear approximation, or the like. The principal axis may be calculated in a vector form.

또한, 분포 모듈(130)은 분포 시간 간격에 더 기초하여 센서 쌍(20, 21)의 2차원 분포를 생성할 수도 있다. 분포 시간 간격은 모니터링 결과를 확인할 때 사용자 입력에 의해 개별적으로 지정되거나, 또는 다수의 시간 간격이 미리 설정될 수도 있다. 예를 들어, 분포 모듈(130)은 10분, 30분, 60분으로 시간 간격을 미리 설정할 수도 있으나, 각각의 시간 간격 설정 값은 이에 제한 되지 않는다. Further, the distribution module 130 may generate a two-dimensional distribution of the sensor pair 20 , 21 further based on the distribution time interval. The distribution time interval may be individually designated by a user input when checking the monitoring result, or a plurality of time intervals may be preset. For example, the distribution module 130 may preset time intervals to 10 minutes, 30 minutes, and 60 minutes, but the respective time interval setting values are not limited thereto.

도 4a 내지 도 4c는, 본 발명의 일 실시예에 따른, 분포 시간 간격에 따른 2차원 분포를 도시한 도면이다. 4A to 4C are diagrams illustrating a two-dimensional distribution according to a distribution time interval, according to an embodiment of the present invention.

도 4a 내지 도 4c를 참조하면, 분포 모듈(130)은 동일한 센서 쌍(20, 21)에 대해서 복수의 분포 시간 간격을 사용하여 해당 센서 쌍(20, 21)의 예측 값 분포 및 실측 값 분포를 다수로 생성할 수도 있다. 예를 들어, 60분, 30분, 10분 각각의 시간 간격을 갖는 센서 쌍(20, 21)의 예측 값 분포 및 실측 값 분포를 2차원 평면 상에 생성하여, 도 4a 내지 도 4c의 2차원 분포를 각각 획득할 수도 있다. 4A to 4C , the distribution module 130 uses a plurality of distribution time intervals for the same sensor pair 20 and 21 to obtain the predicted value distribution and the measured value distribution of the corresponding sensor pair 20 and 21 . You can also create multiple. For example, by generating the predicted value distribution and the measured value distribution of the sensor pairs 20 and 21 having time intervals of 60 minutes, 30 minutes, and 10 minutes, respectively, on a two-dimensional plane, the two-dimensional Each of the distributions may be obtained.

분포 모듈(130)은 두 분포 각각의 통계적 특징(예컨대, 평균, 분산 또는 이들의 차이), 기하학적 특징(예컨대, 주축 사이각)을 결정 모듈(150)로 공급할 수도 있다. 또한, 분포 모듈(130)은 다수의 2차원 분포의 통계적 특징, 기하학적 특징을 결정 모듈(150)로 공급하여, 복합적인 모니터링 결과를 제공하는데 사용된다. The distribution module 130 may supply a statistical characteristic (eg, mean, variance or difference thereof) and a geometric characteristic (eg, angle between principal axes) of each of the two distributions to the determination module 150 . In addition, the distribution module 130 is used to provide a complex monitoring result by supplying the statistical characteristics and geometrical characteristics of a plurality of two-dimensional distributions to the determination module 150 .

결정 모듈(150)은 센서 쌍(20, 21)의 예측 값 분포와 실측 값 분포에 대한 통계적 특징에 기초하여 조기 고장을 감지한다. 결정 모듈(150)은 발전설비의 운전 상태가 잠재 고장 상태인지 결정함으로써, 발전설비의 조기 고장을 감지할 수도 있다. 그러면, 상기 장치(1)는 결정 결과에 기초하여 고장의 조기 감지를 알리는 모니터링 결과를 생성한다. 상기 모니터링 결과는 발전설비의 고장이 실제 발생하기 이전에 사용자에게 제공될 수도 있다. The determination module 150 detects an early failure based on statistical characteristics of the distribution of predicted values and distribution of measured values of the sensor pairs 20 and 21 . The determination module 150 may detect an early failure of the power generation facility by determining whether the operation state of the power generation facility is a potential failure state. Then, the device 1 generates a monitoring result informing of early detection of a failure based on the determination result. The monitoring result may be provided to the user before the failure of the power generation facility actually occurs.

잠재 고장 상태는 발전설비의 운전 상태가 고장 징후가 없는 안정적인 정상 상태가 아닌, 불안전한 정상 상태를 포함한다. 그러나, 아직 발전설비의 고장이 발현되지는 않은 상태이다. The potential failure state includes an unstable steady state in which the operating state of the power generation facility is not a stable steady state with no signs of failure. However, the failure of the power generation facility has not yet been revealed.

잠재 고장 상태는 주로 주의 상태로 모니터링되는, 고장 직전 상태를 포함한다. 또한, 잠재 고장 상태는 발전설비의 고장 징후가 발생한 상태를 포함한다. 예를 들어, 발전설비의 고장 징후가 발생하고 아직 고장 직전까지는 상당한 시간이 남아있는 상태는 잠재 고장 상태로 모니터링될 수도 있다. Potential fault conditions include the conditions immediately preceding the fault, which are mainly monitored as alert conditions. In addition, the potential failure state includes a state in which a failure symptom of the power generation facility has occurred. For example, a condition in which a sign of failure of a power generation facility occurs and a considerable amount of time is still left before failure may be monitored as a potential failure condition.

일 실시예에서, 결정 모듈(150)은 (예컨대, 분포 모듈(130)에 의해 계산된) 예측 값 분포 및 실측 값 분포의 중심(center) 및/또는 분산을 서로 비교하여 두 분포의 통계적 특징의 차이 값을 계산할 수도 있다. 결정 모듈(150)은 계산된 차이 값을 미리 설정된 기준 값과 비교하여 잠재 고장 상태를 결정할 수도 있다. 예를 들어, 결정 모듈(150)은 평균 차이 값 및/또는 분산 차이 값을 미리 설정된 기준 중심 및/또는 기준 분산과 비교하여 발전설비의 운전 상태가 잠재 고장 상태인지 결정할 수도 있다. In one embodiment, the determining module 150 compares the predicted value distribution (eg, calculated by the distribution module 130 ) and the center and/or variance of the measured value distribution to each other to determine the statistical characteristics of the two distributions. You can also calculate the difference value. The determination module 150 may determine a potential failure state by comparing the calculated difference value with a preset reference value. For example, the determination module 150 may compare the average difference value and/or the variance difference value with a preset reference center and/or reference variance to determine whether the operating state of the power generation facility is a potential failure state.

만약 두 분포의 중심 거리(즉, 평균)의 차이 및/또는 분산 크기의 차이가 과거 정상 운전데이터로부터 구한 기준 값보다 작으면 정상적인 운전 상태라 결정하고, 그렇지 않으면 잠재 고장 상태로 결정한다. If the difference in the center distance (ie, the mean) of the two distributions and/or the difference in the variance size is smaller than the reference value obtained from the past normal operation data, it is determined as a normal operation state, otherwise it is determined as a potential failure state.

상기 기준 중심 및/또는 기준 분산의 값은 과거의 정상 운전 상태에서 획득된 측정 값에 기초하여 설정된다. 일부 실시예에서, 상기 분포의 중심은 평균 값일 수도 있다. 이하, 설명의 명료성을 위해, 분포의 중심은 평균 값인 경우를 참조하여 실시예들을 설명한다. The value of the reference center and/or the reference variance is set based on a measurement value obtained in a past normal driving condition. In some embodiments, the center of the distribution may be a mean value. Hereinafter, for clarity of explanation, embodiments are described with reference to the case where the center of the distribution is an average value.

다시 도 3을 참조하면, 도 3a에 도시된 센서 쌍(20, 21)의 예측 값 분포 및 실측 값 분포는 중심인 평균 또는 분산의 차이가 크게 나지 않는다. 반면, 도 3b 및 도 3c에 도시된 센서 쌍(20, 21)의 예측 값 분포 및 실측 값 분포는 중심 또는 분산의 차이가 상대적으로 크다. 그러면, 결정 모듈(150)은 도 3a의 2차원 분포에 대해서는 정상 상태로 결정할 수도 있다. 결정 모듈(150)은 도 3b 및 도 3c의 2차원 분포에 대해서는 잠재 고장 상태로 결정할 수도 있다. Referring back to FIG. 3 , the distribution of the predicted values and the distributions of the measured values of the sensor pair 20 and 21 shown in FIG. 3A does not have a large difference in the mean or variance at the center. On the other hand, the distribution of the predicted values and the distribution of the measured values of the sensor pairs 20 and 21 shown in FIGS. 3B and 3C has a relatively large center or variance. Then, the determination module 150 may determine the two-dimensional distribution of FIG. 3A as a steady state. The determination module 150 may determine the potential failure state for the two-dimensional distribution of FIGS. 3B and 3C .

일 실시예에서, 상기 결정 모듈(150)은 두 분포의 기하학적 특징에 더 기초하여 조기 고장을 결정할 수도 있다. 예를 들어, 결정 모듈(150)은 계산된 주축 사이각과 기준 각도를 비교하여 발전설비의 조기 고장을 결정할 수도 있다. 주축 사이각이 기준 각도 미만일 경우, 결정 모듈(150)은 정상 상태로 결정한다. 주축 사이각이 기준 각도 이상일 경우, 결정 모듈(150)은 발전설비의 운전 상태를 잠재 고장 상태로 결정한다.In one embodiment, the determining module 150 may determine premature failure further based on the geometric characteristics of the two distributions. For example, the determination module 150 may determine an early failure of the power generation facility by comparing the calculated angle between the main shafts and the reference angle. When the angle between the main axes is less than the reference angle, the determination module 150 determines the normal state. When the angle between the main shafts is greater than or equal to the reference angle, the determination module 150 determines the operating state of the power generation facility as a potential failure state.

결정 모듈(150)은 통계적 특징에 기초하여 발전설비의 운전 상태를 일차적으로 결정한 이후, 상기 기하학적 특징(즉, 주축 사이각)에 기초하여 발전설비의 운전 상태를 이차적으로 결정할 수도 있다. 즉, 결정 모듈(150)은 기하학적 특징을 사용하여 이미 결정된 잠재 고장 상태를 확인할 수도 있다. After determining the operating state of the power generation facility primarily based on the statistical characteristics, the determination module 150 may secondarily determine the operating condition of the power generation facility based on the geometrical characteristics (ie, the angle between the main shafts). That is, the determination module 150 may identify a potential failure state that has already been determined using the geometrical feature.

주축 기울기를 계산할 때, 분산이 너무 작은 경우 정확한 주축을 구하기 어려울 수 있다. 때문에 결정 모듈(150)은 먼저 통계적 특징에서 분산의 차이가 상대적으로 큰 지 여부를 결정한다. 그 결과, 결정 모듈(150)은 정확한 주축을 계산할 수 있다. When calculating the inclination of the main axis, it may be difficult to obtain an accurate main axis if the variance is too small. Therefore, the determination module 150 first determines whether the difference in variance in the statistical characteristics is relatively large. As a result, the determination module 150 can calculate an accurate principal axis.

도 5a 및 도 5b는, 본 발명의 일 실시예에 따른, 기하학적 특징과 조기 고장 결정의 관계를 설명하는 도면이다.5A and 5B are diagrams for explaining the relationship between geometrical features and early failure determination according to an embodiment of the present invention.

도 5a를 참조하면, 결정 모듈(150)은 두 분포 간의 분산 차이가 상대적으로 크더라도, 주축 사이각이 기준 각도 미만일 경우 잠재 고장 상태로 결정하지 않고 정상 상태로 결정할 수도 있다. Referring to FIG. 5A , even if the variance difference between the two distributions is relatively large, when the angle between the main axes is less than the reference angle, the determination module 150 may determine the normal state without determining the potential failure state.

도 5b를 참조하면, 결정 모듈(150)은 주축 사이각이 기준 각도 보다 클 경우, 고장의 발생 위험이 높은 것을 의미한 잠재 고장 상태로 결정할 수도 있다. Referring to FIG. 5B , when the angle between the main axes is greater than the reference angle, the determination module 150 may determine the potential failure state, which means that the risk of failure is high.

또한, 결정 모듈(150)은 사이각의 크기에 따라 조기 고장의 정도를 결정하도록 더 구성될 수도 있다. 예를 들어, 조기 고장으로 결정된 상태들 중에서도 사이각의 크기가 큰 분포는 보다 고위험의 잠재 고장 상태로 결정된다. In addition, the determining module 150 may be further configured to determine the degree of premature failure according to the size of the interstitial angle. For example, among the states determined as early failure, a distribution with a large in-between angle is determined as a higher risk potential failure state.

또한, 결정 모듈(150)은 분포 시간 간격에 더 기초하여 발전설비의 운전 상태에 잠재 고장 상태의 보조 속성을 추가로 결정함으로써, 발전설비의 운전 상태를 동일한 센서 쌍(20, 21)으로부터 복합적으로 분석할 수도 있다. In addition, the determination module 150 further determines the auxiliary attribute of the potential failure state to the operating state of the power generation facility based on the distribution time interval, thereby determining the operating condition of the power generation facility from the same sensor pair 20 and 21 in a complex manner. can also be analyzed.

상기 보조 속성은 잠재 고장 상태를 분포의 누적 시간 측면에서 보조적으로 서술하는 상태 속성으로서, 조기 감재된 위험이 장기적인 고장 위험인지, 또는 단기적인 고장 위험인지를 나타낸다. 이를 통해, 상기 장치(10)는 발전설비의 고장 징후의 발생 시점에 관한 정보를 사용자에게 제공할 수도 있다. The auxiliary attribute is a state attribute that describes the potential failure state as an auxiliary in terms of the cumulative time of the distribution, and indicates whether the early risk of failure is a long-term failure risk or a short-term failure risk. Through this, the device 10 may provide the user with information about the time of occurrence of a failure symptom of the power generation facility.

다시 도 4를 참조하면, 결정 모듈(150)은 10분, 30분, 60분 간격으로 2차원 분포를 생성하고 각각의 분포 시간 간격별 주축 사이각을 계산할 수도 있다. 결정 모듈(150)은 분포 시간 간격별로 발전설비의 운전 상태가 잠재 고장 상태인지 결정할 수도 있다. Referring back to FIG. 4 , the determination module 150 may generate a two-dimensional distribution at intervals of 10 minutes, 30 minutes, and 60 minutes and calculate the angle between the main axes for each distribution time interval. The determination module 150 may determine whether the operation state of the power generation facility is a potential failure state for each distribution time interval.

결정 모듈(150)은 분포 시간 간격별 주축 사이각을 사용하여, 분포 시간 간격이 짧아짐에 따라서 주축 사이각이 증가할 경우 조기 감지된 발전설비의 고장 위험을 단기적인 고장 위험으로 결정할 수도 있다. 예를 들어, 도 4a 내지 도 4c에 도시된 바와 같이 60분 간격으로부터 10분 간격으로 분포 시간 간격이 짧아짐에 따라서 주축 사이각이 점점 증가하는 것이 계산된다. 그러면, 결정 모듈(150)은 조기 감지된 발전설비의 고장 위험을 단기적인 고장 위험으로 결정한다. 그러면, 상기 장치(1)는 발전설비의 고장 징후의 발생 시점이 최근에 나타났다는 정보를 사용자에게 제공할 수도 있다. The determination module 150 may use the angle between the main axes for each distribution time interval to determine the failure risk of the power generation facility detected early as the short-term failure risk when the angle between the main axes increases as the distribution time interval becomes shorter. For example, as shown in FIGS. 4A to 4C , it is calculated that the angle between the main axes gradually increases as the distribution time interval becomes shorter from the 60-minute interval to the 10-minute interval. Then, the determination module 150 determines the failure risk of the power generation facility detected early as a short-term failure risk. Then, the device 1 may provide the user with information that the time of occurrence of the failure symptom of the power generation facility has recently appeared.

또한, 결정 모듈(150)은 분포 시간 간격이 짧아짐에 따라서 주축 사이각이 증가하지 않는 경우 조기 감지된 발전설비의 고장 위험을 장기적인 고장 위험으로 결정할 수도 있다. 예를 들어, 결정 모듈(150)은 주축 사이각이 일정한 것과 같이, 주축 사이각이 소정 오차 내에서 유지되면 장기적인 고장 위험으로 보조 속성을 결정할 수도 있다. In addition, the determination module 150 may determine the failure risk of the power generation facility detected early when the angle between the main axes does not increase as the distribution time interval is shortened as the long-term failure risk. For example, the determining module 150 may determine the auxiliary property as a long-term risk of failure if the angle between the main axes is maintained within a predetermined error, such as the angle between the main axes being constant.

또한, 상기 결정 모듈(150)은 실측 값 및 해당 예측 값의 분포를 사용하여 계산된 확률 값에 더 기초하여 조기 고장을 결정할 수도 있다. 이를 위해, 결정 모듈(150)은 센서 쌍(20, 21)의 예측 값 분포 및 실측 값 분포를 사용하여 센서 쌍(20, 21)에 대한 확률을 계산하도록 더 구성될 수도 있다. In addition, the determination module 150 may determine the early failure further based on a probability value calculated using the distribution of the actual measured value and the corresponding predicted value. To this end, the determining module 150 may be further configured to calculate a probability for the sensor pair 20 , 21 using the predicted value distribution and the measured value distribution of the sensor pair 20 , 21 .

이 확률은 실측 값 분포와 예측 값 분포의 매칭 정도를 나타낸 값이다. 예측 값이 정상 상태를 나타내도록 출력되기 때문에, 정상 상태에서 획득된 실측 값이 사용되었을 경우 높은 값을 갖도록 확률이 계산된다. 고장 위험이 높아질수록 상기 확률은 낮은 값을 가진다. This probability is a value indicating the degree of matching between the distribution of measured values and distribution of predicted values. Since the predicted value is output to represent the steady state, the probability is calculated to have a high value when the measured value obtained in the steady state is used. The higher the failure risk, the lower the probability.

일 실시예에서, 상기 결정 모듈(150)은 분포 모듈(130)에서 계산된 상기 예측 값 분포의 평균 및 분산에 기초하여 예측 값에 대한 가우시안 분포를 획득하고, 해당 센서 쌍(20, 21)의 실측 값을 상기 예측 값에 대한 가우시안 분포에 입력하여 센서 쌍(20, 21)에 대한 확률 값을 계산한다. 예측 값에 대한 가우시안 분포는 다음의 수학식 1로 정리된다. In one embodiment, the determination module 150 obtains a Gaussian distribution for the predicted value based on the mean and variance of the predicted value distribution calculated by the distribution module 130, and Probability values for the sensor pairs 20 and 21 are calculated by inputting the measured values into the Gaussian distribution for the predicted values. The Gaussian distribution for the predicted value is summarized by Equation 1 below.

[수학식 1][Equation 1]

Figure 112020128346864-pat00001
Figure 112020128346864-pat00001

여기서, x는 입력 변수로서 센서 쌍(20, 21)의 실측 값을 나타내고, D는 입력 변수의 차원을 나타내며,

Figure 112020128346864-pat00002
는 분포의 평균, ∑는 분포의 분산, 및 T는 분포 시간 간격을 각각 나타낸다. 센서 쌍(20, 21)의 실측 값은 2차원 평면 상의 포인트로 표시되므로, x는 2차원 평면 상의 좌표로 입력될 수도 있다. Here, x represents the measured value of the sensor pair 20 and 21 as an input variable, D represents the dimension of the input variable,
Figure 112020128346864-pat00002
is the mean of the distribution, ∑ is the variance of the distribution, and T is the distribution time interval, respectively. Since the measured values of the sensor pairs 20 and 21 are displayed as points on a two-dimensional plane, x may be input as a coordinate on a two-dimensional plane.

상기 센서 쌍(20, 21)의 실측 값을 입력 변수로 수학식 1에 입력할 경우, 상기 센서 쌍(20, 21)에 대한 확률 값(N)이 계산된다. When the measured value of the sensor pair 20 and 21 is input to Equation 1 as an input variable, a probability value N for the sensor pair 20 and 21 is calculated.

도 6a 및 도 6b는, 본 발명의 일 실시예에 따른, 2차원 분포 별 확률 값을 도시한 도면이다.6A and 6B are diagrams illustrating probability values for each two-dimensional distribution according to an embodiment of the present invention.

도 3a 및 도 6a을 참조하면, 정상 상태의 센싱 데이터가 획득될 경우, 평균(즉, 중심)과 분산이 유사한 예측 값 분포 및 실측 값 분포가 생성된다. 또한, 정상 상태의 센싱 데이터를 사용하여 생성된 상기 센서 쌍(20, 21)의 예측 값 분포 및 실측 값을 사용하면, 1에 가까운 확률 값이 계산된다. 예를 들어, 도 6a의 분포를 사용하면 0.95의 확률 값이 계산될 수도 있다. Referring to FIGS. 3A and 6A , when sensing data in a steady state is acquired, a predicted value distribution and an actual measured value distribution having similar mean (ie, center) and variance are generated. In addition, when the predicted value distribution and the actual value of the sensor pair 20 and 21 generated using the sensing data in a steady state are used, a probability value close to 1 is calculated. For example, using the distribution of FIG. 6A, a probability value of 0.95 may be calculated.

반면, 도 3b 및 도 6b를 참조하면, 고장 위험이 있는 잠재 고장 상태의 센싱 데이터가 획득될 경우, 평균(즉, 중심)과 분산이 상대적으로 큰 차이가 있는 예측 값 분포 및 실측 값 분포가 생성된다. 또한, 잠재 고장 상태의 센싱 데이터를 사용하여 생성된 상기 센서 쌍(20, 21)의 예측 값 분포 및 실측 값을 사용하면, 0에 상대적으로 가까운 확률 값이 계산된다. 예를 들어, 도 6b의 분포는 도 6a에 비해 분포의 평균 및 분산 차이가 상대적으로 크며, 0.24의 확률 값이 계산될 수도 있다. On the other hand, referring to FIGS. 3B and 6B , when sensing data of a potential failure state with a risk of failure is obtained, a predicted value distribution and an actual value distribution with a relatively large difference between the mean (that is, the center) and the variance are generated do. In addition, if the predicted value distribution and the actual value of the sensor pair 20 and 21 generated using the sensing data of the potential failure state are used, a probability value relatively close to zero is calculated. For example, in the distribution of FIG. 6B , the difference between the mean and variance of the distribution is relatively large compared to that of FIG. 6A , and a probability value of 0.24 may be calculated.

결정 모듈(150)은 기준 확률 값 보다 낮은 값이 센서 쌍(20, 21)에 대한 확률 값으로 계산되면 발전설비의 운전 상태를 잠재 고장 상태로 결정할 수도 있다. 결정 모듈(150)은 기준 확률 값 이상의 값이 센서 쌍(20, 21)에 대한 확률 값으로 계산되면 발전설비의 운전 상태를 정상 상태로 결정할 수도 있다. The determination module 150 may determine the operation state of the power generation facility as a potential failure state when a value lower than the reference probability value is calculated as a probability value for the sensor pair 20 and 21 . The determination module 150 may determine the operation state of the power generation facility as a normal state when a value equal to or greater than the reference probability value is calculated as a probability value for the sensor pair 20 and 21 .

상기 기준 확률 값은 과거의 정상 운전 상태에서 획득된 측정 값에 기초하여 설정된다. 예를 들어, 기준 확률 값은 0.5로 설정될 수도 있으나, 이에 제한되진 않는다. The reference probability value is set based on a measurement value obtained in a past normal driving condition. For example, the reference probability value may be set to 0.5, but is not limited thereto.

상기 장치(10)는 모니터링 결과를 사용자에게 제공할 수도 있다. 상기 장치(10)는 발전설비의 운전 상태가 잠재 고장 상태로 결정될 경우, 잠재 고장 상태를 포함한 모니터링 결과를 사용자에게 제공할 수도 있다. 상기 장치(10)는 발전설비의 고장을 미리 알리는 알람(alarm) 형태로 제공될 수도 있다. The device 10 may provide a monitoring result to a user. The device 10 may provide the user with a monitoring result including the potential failure state when the operating state of the power generation facility is determined to be a potential failure state. The device 10 may be provided in the form of an alarm informing of a failure of the power generation facility in advance.

도 7은, 본 발명의 일 실시예에 따른, 고장 발생 이전에 잠재 고장 상태를 결정한 모니터링 결과를 도시한 도면이다. 7 is a diagram illustrating a monitoring result of determining a potential failure state before failure, according to an embodiment of the present invention.

도 7을 참조하면, 도 1의 종래 모니터링 시스템에서는 알람 라인에 도달하지 않는 센싱 데이터가 획득되는 상태에서는 발전설비의 고장 징후가 발생하여도 알람을 제공하지 않는다. 즉, 발전설비의 고장이 실제로 발생하기 이전에는 발전설비의 고장을 전혀 감지할 수 없고, 결국 발전소의 위험을 조기 감지할 수 없었다. Referring to FIG. 7 , in the conventional monitoring system of FIG. 1 , in a state in which sensing data that does not reach the alarm line is acquired, an alarm is not provided even if a failure symptom of a power generation facility occurs. That is, the failure of the power generation facility cannot be detected at all before the failure of the power generation facility actually occurs, and consequently, the risk of the power plant cannot be detected early.

그러나, 상기 모니터링 시스템1은 알람 라인에 도달하지 않는 센싱 데이터가 획득되는 상태에서도 센서 쌍(20, 21)의 예측 값 분포 및 실측 값 분포를 사용하여 발전설비의 고장의 위험을 조기 감지할 수 있다. However, the monitoring system 1 can detect the risk of failure of the power generation facility early by using the predicted value distribution and the measured value distribution of the sensor pair 20 and 21 even in a state in which sensing data that does not reach the alarm line is acquired. .

일 실시예에서, 결정 모듈(150)은 복수의 센서 중 적어도 일부의 실측 값과 미리 지정된 고장 기준 값을 비교하여 발전설비의 운전 상태가 고장 상태인지 결정하도록 더 구성될 수도 있다. 결정 모듈(150)은, 예를 들어 센서 쌍(20, 21)의 실측 값을 사용하여 발전설비의 고장이 실제로 발생하였는지를 감지할 수도 있다. 예를 들어, 도 1의 알람 라인이 상기 고장 기준 값으로 사용될 수도 있다. In an embodiment, the determination module 150 may be further configured to determine whether the operating state of the power generation facility is a failure state by comparing the measured values of at least some of the plurality of sensors with a predetermined failure reference value. The determination module 150 may detect whether a failure of the power generation facility has actually occurred using, for example, the measured values of the sensor pairs 20 and 21 . For example, the alarm line of FIG. 1 may be used as the failure reference value.

그러면, 전술한 잠재 고장 상태의 결정은 실측 값이 고장 기준 값 미만인 경우에 수행된다. 즉, 상기 잠재 고장 상태의 결정은 상기 발전설비의 고장이 감지되기 전에 수행된다. Then, the above-described determination of the potential failure state is performed when the measured value is less than the failure reference value. That is, the determination of the potential failure state is performed before the failure of the power generation facility is detected.

상기 실시예에서, 모니터링 시스템1에서 통계적 특징에 기초하거나, 또는 통계적 특징, 기하학적 특징 및/또는 확률 값에 기초하여 잠재 고장 상태의 결정 조건을 충족하더라도, 센서 쌍(20, 21)의 실측 값이 고장 기준 값과 동일하거나 이를 초과할 경우 결정 모듈(150)은 발전설비의 운전 상태를 실제 고장의 발생을 나타낸 고장 상태로 결정할 수도 있다. In the above embodiment, even if the monitoring system 1 meets the conditions for determining the potential failure state based on statistical characteristics, or based on statistical characteristics, geometric characteristics and/or probability values, the measured values of the sensor pairs 20 and 21 are When it is equal to or exceeds the failure reference value, the determination module 150 may determine the operation state of the power generation facility as a failure state indicating the actual occurrence of a failure.

또한, 상기 모니터링 시스템1은 발전소 내 다수의 발전설비의 고장을 조기 감지할 수도 있다. 그 결과, 상기 모니터링 시스템1은 발전소의 위험을 조기 감지할 수도 있다. In addition, the monitoring system 1 may detect the failure of a plurality of power generation facilities in the power plant early. As a result, the monitoring system 1 may detect the danger of the power plant early.

상기 장치(10)가 본 명세서에 서술되지 않은 다른 구성요소를 포함할 수도 있다는 것이 통상의 기술자에게 명백할 것이다. 예를 들어, 상기 장치(10)는 네트워크 인터페이스, 데이터 엔트리를 위한 입력 장치, 및 디스플레이, 인쇄 또는 다른 데이터 표시를 위한 출력 장치를 포함하는, 본 명세서에 서술된 동작에 필요한 다른 하드웨어 요소를 포함할 수도 있다.It will be apparent to one of ordinary skill in the art that the apparatus 10 may include other components not described herein. For example, the device 10 may include other hardware elements necessary for the operation described herein, including a network interface, an input device for data entry, and an output device for display, printing, or other data presentation. may be

본 발명의 다른 일 측면에 따른 발전설비의 사고를 조기 감지하는 방법은 프로세서를 포함한 컴퓨팅 장치에 의해 수행될 수도 있다. 예를 들어, 상기 발전설비의 사고를 감지하는 방법은 도 2의 발전설비의 사고를 조기 감지하는 장치(10)에 의해 수행될 수도 있다. The method for early detection of an accident of a power generation facility according to another aspect of the present invention may be performed by a computing device including a processor. For example, the method of detecting the accident of the power generation facility may be performed by the apparatus 10 for early detecting the accident of the power generation facility of FIG. 2 .

도 8은, 본 발명의 일 실시예에 따른, 발전설비의 고장을 조기 감지하는 방법의 흐름도이다. 8 is a flowchart of a method for early detection of a failure of a power generation facility according to an embodiment of the present invention.

도 8을 참조하면, 상기 방법은: 센서 쌍(20, 21) 및 상기 센서 쌍(20, 21)에 연관된 다른 센서(23)를 포함한 복수의 센서의 센싱 데이터를 획득하는 단계(S801)를 포함한다. 상기 센서 쌍(20, 21)은 서로 상관관계를 갖는 센서이다. 각 센서의 센싱 데이터는 해당 센서의 실측 값을 포함한다. Referring to FIG. 8 , the method includes: acquiring sensing data of a plurality of sensors including a sensor pair 20 , 21 and another sensor 23 associated with the sensor pair 20 , 21 ( S801 ) do. The sensor pairs 20 and 21 are sensors having a correlation with each other. The sensing data of each sensor includes an actual measured value of the corresponding sensor.

상기 방법은: 입력 센서의 실측 값으로부터 센서 쌍(20, 21) 각각의 센서의 예측 값을 복원하는 단계(S810)를 포함한다. 상기 입력 센서는 다른 센서(23) 중 적어도 일부를 포함한다. The method includes: reconstructing the predicted value of each sensor of the sensor pair 20 and 21 from the measured value of the input sensor ( S810 ). The input sensor includes at least some of the other sensors 23 .

상기 예측 값은 미리 학습된 복원 모델을 통해 복원될 수도 있다. 상기 복원 모델에 대해서는 위에서 전술하였는 바 자세한 설명은 생략한다. 복원 모델은 센서 쌍에 연관된 입력 센서의 실측 값이 입력되면, 센서 쌍의 예측 값을 생성하도록 구성된 인공 신경망 모델이다. 상기 예측 값은 정상 상태 하에서 입력 센서가 입력 측정 값을 획득할 경우 센서 쌍의 각 센서(2, 21)가 측정 했을 것으로 예측되는 측정 값이다. 상기 복원 모델은 정상 상태의 측정 값이 입력되면 정상 상태에서 예측되는 측정 값을 출력한다. 또한, 상기 복원 모델은, 아직 고장이 실제로 발생하진 않았으나 징후가 발생하거나 실제 고장 직전의 상태와 같은, 불안정한 정상 상태에서의 입력 센서의 측정 값이 입력되면, 해당 센서 쌍(20, 21)의 실측 값과 상대적으로 덜 유사한 값을 예측 값으로 복원한다. The predicted value may be reconstructed through a pre-trained reconstruction model. As the restoration model has been described above, a detailed description thereof will be omitted. The reconstruction model is an artificial neural network model configured to generate a predicted value of a sensor pair when a measured value of an input sensor associated with a sensor pair is input. The predicted value is a measured value predicted to have been measured by each of the sensors 2 and 21 of the sensor pair when the input sensor acquires the input measured value under a steady state. The restoration model outputs a measured value predicted in a steady state when a measured value in a steady state is input. In addition, in the restoration model, when a measurement value of an input sensor in an unstable normal state, such as a state immediately before an actual failure, is generated, although a failure has not actually occurred yet, the measured value of the corresponding sensor pair 20 , 21 is actually measured Values that are relatively less similar to the values are restored as predicted values.

상기 방법은: 센서 쌍(20, 21)의 예측 값 분포 및 실측 값 분포를 생성하는 단계(S831)를 포함한다. 상기 예측 값 분포 및 실측 값 분포는 2차원 평면 상에 형성되며, 상기 2차원 평면의 제1 축 및 제2 축은 센서 쌍(20, 21) 각각에 대응한다. The method includes: generating a distribution of predicted values and distributions of measured values of the sensor pairs 20 and 21 ( S831 ). The predicted value distribution and the actual value distribution are formed on a two-dimensional plane, and the first and second axes of the two-dimensional plane correspond to the sensor pairs 20 and 21 , respectively.

단계(S810)에서 생성된 센서 쌍(20, 21)의 예측 값을 사용하여 센서 쌍(20, 21)의 예측 값 분포가 생성된다(S831). 단계(S801)에서 획득된 센서 쌍(20, 21)의 실측 값을 사용하여 센서 쌍(20, 21)의 실측 값 분포가 생성된다(S831). A distribution of predicted values of the sensor pair 20 and 21 is generated using the predicted values of the sensor pair 20 and 21 generated in step S810 (S831). A distribution of measured values of the sensor pair 20 and 21 is generated using the measured values of the sensor pair 20 and 21 obtained in step S801 (S831).

상기 방법은: 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 통계적 특징을 계산하는 단계(S833)를 포함한다. 상기 통계적 특징은 예를 들어, 분포의 평균(mean), 중앙(median), 분산, 및/또는 표준 편차 등을 포함할 수도 있다.The method includes: calculating statistical features for the distribution of predicted values and distributions of measured values of the sensor pair (S833). The statistical characteristics may include, for example, a mean, a median, a variance, and/or a standard deviation of a distribution.

일 실시예에서, 상기 방법은: 센서 쌍(20, 21)의 예측 값 분포 및 실측 값 분포에 대한 기하학적 특징을 계산하는 단계(S835)를 더 포함할 수도 있다. 상기 기하학적 특징은 두 분포 간의 주축 사이각을 포함할 수도 있다. 그러면, 상기 단계(S835)는 센서 쌍(20, 21)의 예측 값 분포의 주축 및 센서 쌍(20, 21)의 실측 값 분포의 주축을 계산하는 단계; 및 두 분포의 주축 간의 사이각을 계산하는 단계를 포함할 수도 있다. In an embodiment, the method may further include: calculating geometrical features for the predicted value distribution and the measured value distribution of the sensor pair 20 and 21 ( S835 ). The geometrical feature may include the angle between the major axes between the two distributions. Then, the step (S835) may include calculating the main axis of the predicted value distribution of the sensor pair (20, 21) and the main axis of the actual value distribution of the sensor pair (20, 21); and calculating an angle between the principal axes of the two distributions.

또한, 상기 방법은: 센서 쌍(20, 21)의 예측 값 분포 및 실측 값 분포를 사용하여 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 단계(S850)를 포함한다. 잠재 고장 상태는 발전설비의 운전 상태가 고장 징후가 없는 안정적인 정상 상태가 아닌, 발전설비의 고장 징후가 발생하거나 또는 고장 직전의 불안전한 정상 상태를 포함한다. 그러나, 아직 발전설비의 고장이 발현되지는 않은 상태이다. In addition, the method includes: determining whether the operating state of the power generation facility is a potential failure state using the predicted value distribution and the actual measured value distribution of the sensor pairs 20 and 21 ( S850 ). The potential failure state includes an unstable steady state in which a failure sign of the power generation facility occurs or just before the failure, rather than a stable steady state in which the operating state of the power generation facility does not have any failure signs. However, the failure of the power generation facility has not yet been revealed.

상기 단계(S850)는: 두 분포에 대한 통계적 특징에 기초하여 잠재 고장 상태를 결정하는 단계(S851)를 포함한다. The step S850 includes: determining a potential failure state based on the statistical characteristics of the two distributions ( S851 ).

두 분포에 대한 통계적 특징의 비교 결과와 기준 통계적 특징을 비교하여 발전설비의 운전 상태가 잠재 고장 상태인지 결정할 수도 있다(S851). 상기 단계(S851)는: 두 분포에 대한 통계적 특징 간의 차이 값이 계산하는 단계; 및 두 분포에 대한 통계적 특징의 차이 값과 기준 통계적 특징 값을 비교하는 단계;를 포함한다. 단계(S831)에서 계산된 두 분포의 통계적 특징이 잠재 고장 상태의 결정을 위해 사용된다. It may be determined whether the operating state of the power generation facility is a potential failure state by comparing the result of comparing the statistical characteristics of the two distributions with the reference statistical characteristics (S851). The step S851 includes: calculating a difference value between statistical features for two distributions; and comparing the difference value of the statistical feature with respect to the two distributions with a reference statistical feature value. The statistical characteristics of the two distributions calculated in step S831 are used to determine the potential failure state.

예를 들어, 통계적 특징이 평균 및 분산을 포함한 경우, 두 분포의 평균 차이 값과 기준 평균 값이 비교되거나 및/또는 두 분포의 분산 차이 값과 기준 분산 값이 비교될 수도 있다. 평균 차이 값이 기준 평균 값 보다 작거나, 및/또는 두 분포의 분산 차이 값이 기준 분산 값 보다 작으면, 잠재 고장 상태로 결정된다(S851). 그렇지 않으면, 발전설비의 운전 상태는 정상 상태(즉, 안정적인 정상 상태)로 결정된다(S851). For example, where the statistical features include mean and variance, the mean difference value of the two distributions and the reference mean value may be compared, and/or the variance difference value of the two distributions may be compared with the reference variance value. If the mean difference value is smaller than the reference mean value, and/or the variance difference value of the two distributions is smaller than the reference variance value, it is determined as a potential failure state (S851). Otherwise, the operating state of the power generation facility is determined to be a steady state (ie, a stable steady state) (S851).

또한, 상기 단계(S850)는: 두 분포에 대한 기하학적 특징의 비교 결과와 기준 기하학적 특징을 비교하여 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 단계(S855)를 더 포함할 수도 있다. In addition, the step (S850) may further include: determining whether the operating state of the power generation facility is a potential failure state by comparing the comparison result of the geometrical features for the two distributions with the reference geometrical features (S855).

일 실시예에서, 상기 단계(S855)는 단계(S851)에서 발전설비의 운전 상태가 잠재 고장 상태로 결정된 경우에 수행된다. 즉, 상기 단계(S855)는 이미 결정된 잠재 고장 상태의 모니터링 결과를 확인하는 단계로 수행된다. In one embodiment, the step (S855) is performed when the operating state of the power generation facility is determined to be a potential failure state in the step (S851). That is, the step S855 is performed as a step of confirming the monitoring result of the predetermined potential failure state.

상기 단계(S855)는, 상기 기하학적 특징이 분포의 주축을 포함할 경우, 단계(S835)에서 계산된 주축을 사용하여 두 분포의 주축 사이각을 계산하는 단계; 및 주축 사이각과 기준 각도를 비교하는 단계를 포함한다. 주축 사이각이 기준 각도 보다 작으면, 발전설비의 운전 상태가 잠재 고장 상태로 결정된다(S855). 그렇지 않으면, 발전설비의 운전 상태는 정상 상태(즉, 안정적인 정상 상태)로 결정된다(S855). The step S855 may include calculating an angle between the major axes of two distributions using the principal axes calculated in step S835 when the geometrical feature includes the principal axes of the distributions; and comparing the angle between the main axes and the reference angle. If the angle between the main shafts is smaller than the reference angle, the operating state of the power generation facility is determined as a potential failure state (S855). Otherwise, the operating state of the power generation facility is determined to be a steady state (ie, a stable steady state) (S855).

이와 같이, 통계적 특징에 기초하여 잠재 고장 상태를 결정하거나, 또는 통계적 특징 및 기하학적 특징에 기초하여 잠재 고장 상태를 결정할 수도 있다. As such, the potential failure state may be determined based on the statistical characteristics, or the potential failure state may be determined based on the statistical characteristics and geometrical characteristics.

단계(S850)의 결정 결과는 모니터링 결과에 포함되어 사용자에게 제공될 수도 있다(S870). The determination result of step S850 may be included in the monitoring result and provided to the user (S870).

일 실시예에서, 상기 방법은 발전설비의 운전 상태를 복합적으로 분석할 수도 있다. 이를 위해, 상기 단계(S831)는 동일한 센서 쌍(20, 21)에 대해서 복수의 분포 시간 간격에 따른 복수의 예측 값 분포 및 실측 값 분포를 생성하는 단계를 포함할 수도 있다. 또한, 상기 단계(S850)는 동일한 센서 쌍(20, 21)에 대해서 복수의 분포 시간 간격별 예측 값 분포 및 실측 값 분포를 사용하여 상기 잠재 고장 상태의 보조 속성을 결정하는 단계를 더 포함할 수도 있다. In one embodiment, the method may analyze the operating state of the power generation facility in a complex manner. To this end, the step S831 may include generating a plurality of predicted value distributions and measured value distributions according to a plurality of distribution time intervals for the same sensor pair 20 and 21 . In addition, the step S850 may further include the step of determining the auxiliary attribute of the potential failure state by using a distribution of predicted values and an actual value distribution for a plurality of distribution time intervals for the same sensor pair 20 and 21 . have.

일 실시예에서, 상기 보조 속성은 분포 시간 간격별 주축 사이각의 비교 결과에 기초하여 결정될 수도 있다. 이에 대해서는 도 4를 참조하여 서술하였는바 자세한 설명은 생략한다. In an embodiment, the auxiliary property may be determined based on a comparison result of angles between main axes for each distribution time interval. Since this has been described with reference to FIG. 4, a detailed description thereof will be omitted.

그러면, 상태 결정 결과 및 보조 속성을 포함한 모니터링 결과를 사용자에게 제공할 수도 있다(S870). 예를 들어, 발전설비의 고장 위험이 단기적 징후인지 장기적 징후인지를 포함한, 모니터링 결과를 사용자에게 제공할 수도 있다(S870). Then, the monitoring result including the status determination result and the auxiliary attribute may be provided to the user (S870). For example, the monitoring result, including whether the failure risk of the power generation facility is a short-term sign or a long-term sign, may be provided to the user (S870).

일 실시예에서, 상기 단계(S870)는 센서 쌍(20, 21)에 대한 확률 값을 계산하기 위해, 단계(S831)에서 계산된 예측 값 분포의 평균 및 분산에 기초하여 예측 값에 대한 가우시안 분포를 계산하는 단계를 포함할 수도 있다. 그러면, 상기 센서 쌍(20, 21)에 대한 확률 값은 상기 수학식 1을 통해 계산된다. In an embodiment, the step S870 includes a Gaussian distribution for the predicted values based on the mean and variance of the predicted value distribution calculated in the step S831 to calculate the probability values for the sensor pairs 20 and 21 . It may include the step of calculating Then, the probability value for the sensor pair 20 and 21 is calculated through Equation 1 above.

그러면, 발전설비의 운전 상태가 어떤 상태를 나타내는지에 대한 결정 결과는 물론, 잠재 고장 상태가 구체적으로 어느 정도의 고장 위험을 갖는지에 대한 정보도 사용자에게 제공될 수도 있다. 예를 들어, 발전설비의 운전 상태가 잠재 고장 상태로 결정되면서 확률 값이 80%로 계산된 경우, 발전설비의 고장이 조기 감지되고 고장의 발생 가능성이 80% 확률이라는 정보로 사용자에게 될 수도 있다. Then, as well as the determination result of which state the operating state of the power generation facility represents, information about the specific failure risk of the potential failure state may be provided to the user. For example, if the operating state of the power generation facility is determined as a potential failure state and the probability value is calculated as 80%, the failure of the power generation facility is detected early and the user may be informed that the probability of the failure is 80%. .

도 9는, 본 발명의 다른 일 실시예에 따른, 발전설비의 고장을 조기 감지하는 방법의 흐름도이다. 9 is a flowchart of a method for early detection of a failure of a power generation facility according to another embodiment of the present invention.

도 9의 실시예는 도 8의 실시예와 유사하므로, 차이점을 위주로 설명한다. Since the embodiment of FIG. 9 is similar to the embodiment of FIG. 8 , differences will be mainly described.

도 9를 참조하면, 상기 방법은: 센서 쌍(20, 21) 및 다른 센서(23)를 포함한 복수의 센서의 센싱 데이터를 획득하는 단계(S801); 입력 센서의 실측 값으로부터 센서 쌍(20, 21) 각각의 센서의 예측 값을 복원하는 단계(S910); 센서 쌍(20, 21)의 예측 값 분포 및 실측 값 분포를 생성하는 단계(S931); 및 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 통계적 특징을 계산하는 단계(S933); 및 센서 쌍(20, 21)의 예측 값 분포 및 실측 값 분포를 사용하여 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 단계(S950)를 포함한다. 잠재 고장 상태의 결정은 센서 쌍(20, 21)의 예측 값 분포 및 실측 값 분포를 사용하여 계산된 센서 쌍(20, 21)에 대한 확률 값에 기초하여 계산된다. Referring to FIG. 9 , the method includes: acquiring sensing data of a plurality of sensors including a pair of sensors 20 and 21 and another sensor 23 ( S801 ); Restoring the predicted value of each sensor of the sensor pair (20, 21) from the measured value of the input sensor (S910); generating a predicted value distribution and an actual measured value distribution of the sensor pairs 20 and 21 (S931); and calculating statistical features for the distribution of predicted values and distributions of measured values of the sensor pair (S933); and determining whether the operating state of the power generation facility is a potential failure state using the predicted value distribution and the actual measured value distribution of the sensor pairs 20 and 21 ( S950 ). The determination of the potential failure state is calculated based on the probability values for the sensor pairs 20 and 21 calculated using the distribution of predicted values and the distribution of measured values of the pair of sensors 20 and 21 .

일 실시예에서, 상기 단계(S950)는: 두 분포에 대한 통계적 특징에 기초하여 잠재 고장 상태를 결정하는 단계(S951) 및/또는 센서 쌍에 대한 확률 값에 기초하여 잠재 고장 상태를 결정하는 단계(S955)를 포함할 수도 있다. In one embodiment, the step S950 includes: determining the potential failure state based on the statistical characteristics for the two distributions ( S951 ) and/or determining the potential failure state based on the probability value for the sensor pair. (S955) may be included.

일 실시예에서, 상기 단계(S950)는: 단계(S931)에서 계산된 예측 값 분포의 평균 및 분산에 기초하여 예측 값에 대한 가우시안 분포를 계산하는 단계; 해당 센서 쌍(20, 21)의 실측 값을 상기 예측 값에 대한 가우시안 분포에 입력하여 센서 쌍(20, 21)에 대한 확률 값을 계산하는 단계; 및 상기 센서 쌍(20, 21)에 대한 확률 값을 기준 확률 값과 비교하는 단계를 포함할 수도 있다. In one embodiment, the step S950 includes: calculating a Gaussian distribution for the predicted value based on the mean and variance of the predicted value distribution calculated in the step S931; calculating a probability value for the sensor pair (20, 21) by inputting the measured value of the corresponding sensor pair (20, 21) into a Gaussian distribution for the predicted value; and comparing a probability value for the sensor pair (20, 21) with a reference probability value.

계산된 확률 값이 기준 확률 값 미만인 경우, 발전설비의 운전 상태는 잠재 고장 상태로 결정된다. 그렇지 않으면, 발전설비의 운전 상태는 정상 상태로 결정된다. When the calculated probability value is less than the reference probability value, the operating state of the power generation facility is determined as a potential failure state. Otherwise, the operating state of the power generation facility is determined to be a normal state.

일 실시예에서, 상기 단계(S950)가 단계(S951 및 S955)를 포함할 경우, 단계(S955)는 단계(S951)에서 잠재 고장 상태로 결정된 경우에 수행될 수도 있다. In an embodiment, when step S950 includes steps S951 and S955, step S955 may be performed when the potential failure state is determined in step S951.

상기 도 8 및 도 9 에서 서술된 단계들은 단지 예시적인 것으로, 설계에 따라 순서가 상이할 수도, 또는 생략될 수도 있다. 예를 들어, 도 8에서 단계(S835)는 단계(S855) 이후에 수행될 수도 있다. 또한, 도 9에서 단계(S851)는 생략될 수도 있다. The steps described in FIGS. 8 and 9 are merely exemplary, and the order may be different or may be omitted depending on the design. For example, step S835 in FIG. 8 may be performed after step S855. Also, step S851 in FIG. 9 may be omitted.

이상에서 설명한 실시예들에 따른 상기 모니터링 시스템(1)은 발전소 내 다양한 발전설비의 고장을 조기 감지할 수도 있다. 예를 들어, 상기 모니터링 시스템(1)은 센서 쌍(20, 21)를 통해 축류 팬의 모터 전류, 압력, 유량, 온도, 개도 등을 측정 값(또는 신호)으로 획득하여, 발전소의 위험으로서 스톨 현상을 조기 감지할 수도 있다. The monitoring system 1 according to the embodiments described above may detect failures of various power generation facilities in a power plant early. For example, the monitoring system 1 acquires the motor current, pressure, flow rate, temperature, opening degree, etc. of the axial flow fan as measured values (or signals) through the sensor pairs 20 and 21, and stalls as a risk of the power plant. Symptoms may be detected early.

이상에서 설명한 실시예들에 따른 발전설비의 사고를 조기 감지하는 모니터링 시스템(1) 및 방법에 의한 동작은 적어도 부분적으로 컴퓨터 프로그램으로 구현되어, 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 예를 들어, 프로그램 코드를 포함하는 컴퓨터-판독가능 매체로 구성되는 프로그램 제품과 함께 구현되고, 이는 기술된 임의의 또는 모든 단계, 동작, 또는 과정을 수행하기 위한 프로세서에 의해 실행될 수 있다. The operation by the monitoring system 1 and the method for early detection of an accident of a power generation facility according to the embodiments described above may be at least partially implemented as a computer program and recorded in a computer-readable recording medium. For example, embodied with a program product consisting of a computer-readable medium containing program code, which may be executed by a processor for performing any or all steps, operations, or processes described.

상기 컴퓨터는 데스크탑 컴퓨터, 랩탑 컴퓨터, 노트북, 스마트 폰, 또는 이와 유사한 것과 같은 컴퓨팅 장치일 수도 있고 통합될 수도 있는 임의의 장치일 수 있다. 컴퓨터는 하나 이상의 대체적이고 특별한 목적의 프로세서, 메모리, 저장공간, 및 네트워킹 구성요소(무선 또는 유선 중 어느 하나)를 가지는 장치다. 상기 컴퓨터는 예를 들어, 마이크로소프트의 윈도우와 호환되는 운영 체제, 애플 OS X 또는 iOS, 리눅스 배포판(Linux distribution), 또는 구글의 안드로이드 OS와 같은 운영체제(operating system)를 실행할 수 있다.The computer may be any device that may be integrated with or may be a computing device such as a desktop computer, laptop computer, notebook, smart phone, or the like. A computer is a device having one or more alternative and special purpose processors, memory, storage, and networking components (either wireless or wired). The computer may run, for example, an operating system compatible with Microsoft's Windows, an operating system such as Apple OS X or iOS, a Linux distribution, or Google's Android OS.

상기 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록신원확인 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장신원확인 장치 등을 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트(segment)들은 본 실시예가 속하는 기술 분야의 통상의 기술자에 의해 용이하게 이해될 수 있을 것이다. The computer-readable recording medium includes all kinds of recording identification devices in which computer-readable data is stored. Examples of the computer-readable recording medium include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage identification device, and the like. In addition, the computer-readable recording medium may be distributed in network-connected computer systems, and the computer-readable code may be stored and executed in a distributed manner. In addition, functional programs, codes, and code segments for implementing the present embodiment may be easily understood by those skilled in the art to which the present embodiment belongs.

이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.Although the present invention as described above has been described with reference to the embodiments shown in the drawings, it will be understood that these are merely exemplary, and that various modifications and variations of the embodiments are possible therefrom by those of ordinary skill in the art. However, such modifications should be considered to be within the technical protection scope of the present invention. Accordingly, the true technical protection scope of the present invention should be defined by the technical spirit of the appended claims.

Claims (21)

발전설비의 고장을 조기 감지하는 모니터링 시스템에 있어서,
발전설비에 할당된 복수의 센서 - 상기 복수의 센서는 센서 쌍 및 다른 센서를 포함함;
미리 학습된 복원 모델을 통해 입력 센서의 실측 값으로부터 상기 센서 쌍 각각의 센서의 예측 값을 복원하는 예측 모듈 - 상기 입력 센서는 상기 다른 센서 중 적어도 일부를 포함함;
상기 센서 쌍의 예측 값 및 실측 값에 기초하여 센서 쌍의 2차원 평면 상에 형성되는 상기 센서 쌍의 예측 값 분포 및 실측 값 분포를 생성하며, 상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 기하학적 특징을 계산하도록 구성되는 분포 모듈; 및
상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 기하학적 특징의 비교 결과를 계산하고, 그리고
상기 기하학적 특징의 비교 결과와 기준 기하학적 특징을 비교하여 발전설비의 운전 상태가 잠재 고장 상태인지 결정하도록 구성되는 결정 모듈을 포함하는 모니터링 시스템.
In the monitoring system for early detection of failure of power generation facilities,
a plurality of sensors assigned to the power plant, the plurality of sensors including a pair of sensors and other sensors;
a prediction module for reconstructing a predicted value of each sensor of the pair of sensors from an actual value of an input sensor through a pre-trained reconstruction model, wherein the input sensor includes at least some of the other sensors;
The predicted value distribution and the measured value distribution of the sensor pair formed on the two-dimensional plane of the sensor pair are generated based on the predicted value and the measured value of the sensor pair, and the predicted value distribution and the measured value distribution of the sensor pair are generated. a distribution module configured to calculate a geometric feature; and
calculating a comparison result of geometrical features for the predicted value distribution and the measured value distribution of the sensor pair, and
and a determining module, configured to compare the comparison result of the geometrical characteristic with the reference geometrical characteristic to determine whether the operating state of the power generation facility is a potential failure state.
 제1항에 있어서,
상기 복원 모델은 정상 상태 하에서 입력 센서가 입력 측정 값을 획득할 경우 센서 쌍의 각 센서가 측정 했을 것으로 예상되는 측정 값을 예측 값으로 생성하도록 학습되는 것을 특징으로 하는 모니터링 시스템.
According to claim 1,
The restoration model is a monitoring system, characterized in that when the input sensor acquires the input measurement value under a steady state, the monitoring system, characterized in that it is learned to generate the predicted value measured by each sensor of the pair of sensors as a predicted value.
 제2항에 있어서, 상기 복원 모델은 복수의 훈련 샘플을 이용하여 학습되며, 상기 복수의 훈련 샘플 각각은, 정상 상태 하에서 동일한 측정 시간 간격 동안 입력 센서에 의해 감지된 훈련 측정 값의 세트를 포함하며,
상기 훈련 측정 값의 세트는 각 입력 센서별로 서브 세트화되는 것을 특징으로 하는 모니터링 시스템.
3. The method of claim 2, wherein the reconstruction model is trained using a plurality of training samples, each of the plurality of training samples comprising a set of training measurements sensed by the input sensor during the same measurement time interval under steady state; ,
The monitoring system, characterized in that the set of training measurement values is sub-set for each input sensor.
 제1항에 있어서, 상기 센서 쌍은 상관관계를 가짐으로써 상호 예측 가능한 측정 값의 쌍을 출력하는 것을 특징으로 하는 모니터링 시스템.
The monitoring system according to claim 1, wherein the pair of sensors output a pair of mutually predictable measurement values by having a correlation.
 제1항에 있어서, 상기 2차원 평면은 상기 센서 쌍의 각 센서에 대응한 제1 축 및 제2 축으로 이루어지는 것을 특징으로 하는 모니터링 시스템.
The monitoring system according to claim 1, wherein the two-dimensional plane comprises a first axis and a second axis corresponding to each sensor of the sensor pair.
 제1항에 있어서, 상기 분포 모듈은
상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대해서, 분포의 평균, 분산 및 표준 편차 중 하나 이상을 포함한, 통계적 특징을 계산하도록 더 구성되고,
상기 결정 모듈은,
상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 통계적 특징에 기초하여 발전설비의 운전 상태가 잠재 고장 상태인지 결정하도록 더 구성된 것을 특징으로 하는 모니터링 시스템.
The method of claim 1, wherein the distribution module is
further configured to calculate a statistical characteristic, including at least one of a mean, a variance, and a standard deviation of the distribution, for the distribution of predicted values and the distribution of measured values of the sensor pair,
The decision module is
The monitoring system according to claim 1, further configured to determine whether the operating state of the power generation facility is a potential failure state based on the statistical characteristics of the predicted value distribution and the actual measured value distribution of the sensor pair.
 제6항에 있어서, 상기 결정 모듈은,
상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 통계적 특징의 비교 결과를 계산하고,
상기 통계적 특징의 비교 결과와 기준 통계적 특징 값을 비교하여 상기 발전설비의 운전 상태를 잠재 고장 상태로 결정하도록 구성되는 것을 특징으로 하는 모니터링 시스템.
The method of claim 6, wherein the determining module comprises:
calculating a comparison result of statistical features for the distribution of predicted values and distribution of measured values of the sensor pair;
and comparing the comparison result of the statistical characteristics with a reference statistical characteristic value to determine the operating state of the power generation facility as a potential failure state.
 삭제delete 제1항에 있어서,
상기 기하학적 특징은 해당 분포의 주축을 포함하고,
상기 기하학적 특징의 비교 결과는 주축 사이각으로 계산되고, 기준 기하학적 특징은 기준 각도인 것을 특징으로 하는 모니터링 시스템.
According to claim 1,
wherein the geometrical feature comprises a major axis of the distribution;
The comparison result of the geometrical features is calculated as an angle between the main axes, and the reference geometrical feature is a reference angle.
 제9항에 있어서,
상기 분포 모듈은,
동일한 센서 쌍에 대해서 복수의 분포 시간 간격별로 복수의 예측 값 분포 및 실측 값 분포를 생성하도록 더 구성되고,
상기 결정 모듈은,
복수의 분포 시간 간격별 예측 값 분포 및 실측 값 분포를 사용하여 상기 잠재 고장 상태를 시간 측면에서 서술하는 보조 속성을 결정하도록 더 구성되는 것을 특징으로 하는 모니터링 시스템.
10. The method of claim 9,
The distribution module is
further configured to generate a plurality of predicted value distributions and measured value distributions for a plurality of distribution time intervals for the same sensor pair,
The decision module is
The monitoring system of claim 1, further configured to determine an auxiliary attribute describing the potential failure state in terms of time using a distribution of predicted values and distributions of measured values for each distribution time interval.
 제10항에 있어서, 상기 결정 모듈은,
분포 시간 간격이 짧아짐에 따라 주축 사이각이 증가할 경우, 단기적인 고장 위험으로 결정하는 것을 특징으로 하는 모니터링 시스템.
The method of claim 10, wherein the determining module comprises:
A monitoring system, characterized in that if the angle between the main axes increases as the distribution time interval becomes shorter, it is determined as a short-term risk of failure.
 제7항에 있어서, 상기 결정 모듈은,
실측 값 및 해당 예측 값의 분포를 사용하여 센서 쌍에 대한 확률 값을 계산하고, 그리고
계산된 확률 값에 기초하여 잠재 고장 상태를 결정하도록 더 구성되는 것을 특징으로 하는 모니터링 시스템.
The method of claim 7, wherein the determining module comprises:
compute a probability value for a pair of sensors using the distribution of the measured values and the corresponding predicted values; and
and determine a potential failure condition based on the calculated probability value.
 제12항에 있어서, 상기 결정 모듈은,
상기 센서 쌍의 예측 값 분포의 통계적 특징에 기초하여 상기 센서 쌍의 예측 값에 대한 가우시안 분포를 획득하고,
상기 센서 쌍의 실측 값을 입력 변수로 상기 예측 값에 대한 가우시안 분포에 입력하여 센서 쌍에 대한 확률 값을 계산하도록 구성된 것을 특징으로 하는 모니터링 시스템.
The method of claim 12, wherein the determining module comprises:
obtaining a Gaussian distribution for the predicted value of the sensor pair based on a statistical characteristic of the predicted value distribution of the sensor pair;
and inputting the measured value of the sensor pair as an input variable into a Gaussian distribution for the predicted value to calculate a probability value for the sensor pair.
 제1항에 있어서,
상기 결정 모듈은 상기 복수의 센서 중 적어도 일부의 실측 값과 미리 지정된 고장 기준 값을 비교하여 발전설비의 고장을 감지하도록 더 구성되고,
상기 잠재 고장 상태의 결정은 상기 발전설비의 고장이 감지되기 전에 수행되는 것을 특징으로 하는 모니터링 시스템.
According to claim 1,
The determination module is further configured to detect a failure of the power generation facility by comparing the measured values of at least some of the plurality of sensors with a predetermined failure reference value,
The monitoring system, characterized in that the determination of the potential failure state is performed before the failure of the power generation facility is detected.
 프로세서에 의해 수행되는, 발전설비의 고장을 조기 감지하는 모니터링 방법에 있어서,
복수의 센서의 실측 값을 획득하는 단계 - 상기 복수의 센서는 발전설비에 할당된 센서로서 센서 쌍 및 다른 센서를 포함함;
미리 학습된 복원 모델을 통해 입력 센서의 실측 값으로부터 센서 쌍 각각의 센서의 예측 값을 복원하는 단계 - 상기 입력 센서는 상기 다른 센서의 적어도 일부임 ;
상기 센서 쌍의 예측 값 분포 및 실측 값 분포를 생성하는 단계;
상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 기하학적 특징을 계산하는 단계
통계적 특징에 기초하여 잠재 고장 상태로 결정된 경우, 상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 기하학적 특징의 비교 결과를 계산하는 단계; 및
상기 기하학적 특징의 비교 결과와 기준 통계적 특징 값을 비교하여 상기 발전설비의 운전 상태를 잠재 고장 상태로 확인하는 단계를 포함하는 모니터링 방법.
In the monitoring method for early detection of a failure of a power generation facility, performed by a processor,
acquiring measured values of a plurality of sensors, wherein the plurality of sensors include a sensor pair and other sensors as sensors assigned to a power generation facility;
reconstructing a predicted value of each sensor of a sensor pair from an actual value of an input sensor through a pre-trained reconstruction model, wherein the input sensor is at least a part of the other sensor;
generating a predicted value distribution and an actual measured value distribution of the sensor pair;
calculating geometrical features for the distribution of predicted values and distributions of measured values of the sensor pair;
when a potential failure state is determined based on a statistical characteristic, calculating a comparison result of a geometrical characteristic with respect to the predicted value distribution and the actual measured value distribution of the sensor pair; and
and confirming the operation state of the power generation facility as a potential failure state by comparing the comparison result of the geometrical feature with a reference statistical feature value.
 제15항에 있어서, 상기 모니터링 방법은,
상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 통계적 특징을 계산하는 단계; 및
상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 통계적 특징에 기초하여 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 단계를 더 포함하고,
상기 통계적 특징에 기초하여 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 단계는,
상기 센서 쌍의 예측 값 분포 및 실측 값 분포에 대한 통계적 특징의 비교 결과를 계산하는 단계; 및
상기 통계적 특징의 비교 결과와 기준 통계적 특징 값을 비교하여 상기 발전설비의 운전 상태를 잠재 고장 상태로 결정하는 단계를 포함하는 것을 특징으로 하는 모니터링 방법.
The method of claim 15, wherein the monitoring method comprises:
calculating statistical features for the distribution of predicted values and distributions of measured values of the sensor pair; and
Further comprising the step of determining whether the operating state of the power generation facility is a potential failure state based on the statistical characteristics of the predicted value distribution and the actual value distribution of the sensor pair,
The step of determining whether the operating state of the power generation facility is a potential failure state based on the statistical characteristics,
calculating a comparison result of statistical features with respect to the distribution of predicted values and distribution of measured values of the sensor pair; and
and determining the operating state of the power generation facility as a potential failure state by comparing the comparison result of the statistical characteristics with a reference statistical characteristic value.
 삭제delete 제16항에 있어서,
모니터링 결과를 제공하기 위해, 상기 센서 쌍에 대한 확률 값을 계산하는 단계를 더 포함하는 것을 특징으로 하는 모니터링 방법.
17. The method of claim 16,
and calculating a probability value for the pair of sensors to provide a monitoring result.
 제16항에 있어서,
상기 센서 쌍의 예측 값 분포 및 실측 값 분포를 생성하는 단계는 동일한 센서 쌍에 대해서 복수의 분포 시간 간격에 따른 복수의 예측 값 분포 및 실측 값 분포를 생성하는 단계를 포함하고,
상기 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 단계는 동일한 센서 쌍에 대해서 복수의 분포 시간 간격별 예측 값 분포 및 실측 값 분포를 사용하여 상기 잠재 고장 상태의 보조 속성을 결정하는 단계를 더 포함하는 것을 특징으로 하는 모니터링 방법.
17. The method of claim 16,
The generating of the predicted value distribution and the measured value distribution of the sensor pair includes generating a plurality of predicted value distributions and measured value distributions according to a plurality of distribution time intervals for the same sensor pair,
The step of determining whether the operating state of the power generation facility is a potential failure state further includes determining an auxiliary property of the potential failure state using a plurality of distributions of predicted values for each distribution time interval and distributions of actual values for the same sensor pair Monitoring method, characterized in that.
 제15항에 있어서,
상기 발전설비의 운전 상태가 잠재 고장 상태인지 결정하는 단계는,
상기 센서 쌍에 대한 확률 값을 계산하는 단계; 및
상기 확률 값이 미리 설정된 기준 확률 값 미만일 경우, 잠재 고장 상태로 결정하는 단계를 포함하는 것을 특징으로 하는 모니터링 방법.
16. The method of claim 15,
The step of determining whether the operating state of the power generation facility is a potential failure state,
calculating a probability value for the sensor pair; and
and determining as a potential failure state when the probability value is less than a preset reference probability value.
 제15항, 제16항, 제18항 내지 제20항 중 어느 하나의 항에 따른 모니터링 방법을 수행하기 위한, 프로그램을 기록한 컴퓨터 판독가능 기록매체.
A computer-readable recording medium recording a program for performing the monitoring method according to any one of claims 15, 16, and 18 to 20.
KR1020200162589A 2020-11-27 2020-11-27 Monitoring system and method for sensing failure of power generation facilities early KR102455723B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200162589A KR102455723B1 (en) 2020-11-27 2020-11-27 Monitoring system and method for sensing failure of power generation facilities early

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200162589A KR102455723B1 (en) 2020-11-27 2020-11-27 Monitoring system and method for sensing failure of power generation facilities early

Publications (2)

Publication Number Publication Date
KR20220074277A KR20220074277A (en) 2022-06-03
KR102455723B1 true KR102455723B1 (en) 2022-10-19

Family

ID=81983754

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200162589A KR102455723B1 (en) 2020-11-27 2020-11-27 Monitoring system and method for sensing failure of power generation facilities early

Country Status (1)

Country Link
KR (1) KR102455723B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004213273A (en) * 2002-12-27 2004-07-29 Tokyo Gas Co Ltd Failure detection device and failure detection method
KR101825809B1 (en) * 2016-05-04 2018-03-22 두산중공업 주식회사 Plant system, and fault detecting method thereof

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101713985B1 (en) 2016-09-02 2017-03-09 에이블맥스(주) Method and apparatus for prediction maintenance
KR102018330B1 (en) * 2017-04-11 2019-09-05 한국전자통신연구원 Apparatus and method for detecting anomaly behavior in plant pipe using multiple meta-learning
KR102061810B1 (en) * 2018-03-23 2020-01-02 단국대학교 산학협력단 System and Method for Processing Multi type Sensor Signal Based on Multi modal Deep Learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004213273A (en) * 2002-12-27 2004-07-29 Tokyo Gas Co Ltd Failure detection device and failure detection method
KR101825809B1 (en) * 2016-05-04 2018-03-22 두산중공업 주식회사 Plant system, and fault detecting method thereof

Also Published As

Publication number Publication date
KR20220074277A (en) 2022-06-03

Similar Documents

Publication Publication Date Title
US10060831B2 (en) Method for assessing whether or not a measured value of a physical parameter of an aircraft engine is normal
KR102342476B1 (en) System and method for determining situation of facility by imaging seinsing data of facility
US20150272509A1 (en) Diagnostic apparatus and method
JP6047708B2 (en) Abnormal driving behavior detection device
JP7040851B2 (en) Anomaly detection device, anomaly detection method and anomaly detection program
KR101978569B1 (en) Apparatus and Method for Predicting Plant Data
US20220065705A1 (en) Abnormal temperature detection device, abnormal temperature detection method, and storage medium
US9857801B2 (en) System and method for detecting a stick-slip
EP3416011B1 (en) Monitoring device, and method for controlling monitoring device
US11967822B2 (en) Method for predicting power generation and remaining useful life per system and system for performing the same
CN110672326B (en) Bearing fault detection method and computer readable storage medium
US20170286841A1 (en) Monitoring device and monitoring method thereof, monitoring system, and recording medium in which computer program is stored
KR102455723B1 (en) Monitoring system and method for sensing failure of power generation facilities early
US20180232338A1 (en) Monitoring device, method and computer-readable recording medium for controlling monitoring device
KR102384742B1 (en) System and method for detecting anomality using sensor data
CN110223489A (en) A kind of monitoring method and device of engineering object
US10866163B2 (en) Anomaly monitoring device and method for producing anomaly signs according to combinations of sensors based on relationship of sensor fluctuations
US10845792B2 (en) Failure diagnosis apparatus, monitoring apparatus, failure diagnosis method and recording medium
US7269536B1 (en) Method and apparatus for quantitatively determining severity of degradation in a signal
CN107727420B (en) Equipment detection method and related product
KR102450030B1 (en) System and method for sensing failure of power generation facilities
KR20160053977A (en) Apparatus and method for model adaptation
US10316690B2 (en) Method for validation of an investigated sensor and corresponding machine
CN111176931A (en) Operation monitoring method, operation monitoring device, server and storage medium
KR20230073587A (en) System and method for predicting operating safety of power plant

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right