KR102479755B1

KR102479755B1 - 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법

Info

Publication number: KR102479755B1
Application number: KR1020210168269A
Authority: KR
Inventors: 이상훈
Original assignee: 팩트얼라이언스 주식회사
Priority date: 2021-11-30
Filing date: 2021-11-30
Publication date: 2022-12-23

Abstract

본 발명은 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 기술에 대한 것으로, 더 자세하게는 종래 중전기기의 특성상 특징상 진단 주기가 수개월 또는 수년이 되어 상대적으로 적은 수의 진단 데이터만이 존재하여 학습 데이터가 상대적으로 적게 존재하여 정확도가 떨어지고 진단 주기 사이의 간격이 너무 넓어 트렌드 분석 및 열화 예측에 있어 오버 피팅 문제가 발생하는 단점을 극복하고, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터를 이용하여 열화 시뮬레이션 모델을 학습하고, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 기반으로 열화 가중치 지수를 산출하여 열화 시뮬레이션 모델을 학습함으로써 더 높은 열화 예측 시기 정확도를 제공하는데 그 목적이 있다.

Description

실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법{heavy electric equipment preventive maintenance recommendation system based on real-time sensing data and method therefor}

본 발명은 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 기술에 대한 것으로, 더 자세하게는 제조사, 제조시기, 중전기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 그룹핑하여 복수의 중전기기 그룹을 생성하고, 복수의 중전기기에 대한 중전기기의 식별 정보 및 적어도 하나 이상의 센서로부터 주기적으로 센서 측정 결과 데이터를 입력 받아 연관성을 가지는 복수의 중전기기를 그룹핑하여 데이터 그룹을 생성하고, 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 진단 이력 데이터를 이용하여 미리 저장된 회귀 모델을 통해 회귀 분석을 수행시켜 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습할 수 있으며, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 기반으로 예측 대상 중전기기의 진단 항목 마다 설정된 최적 값과의 오차 추이에 따라 예측 대상 중전기기의 열화 가중치 지수(γ)를 산출하고, 열화 가중치 지수를 열화 시뮬레이션 모델에 반영하여 열화 시뮬레이션을 통해 예방 정비 권고 정보를 생성하여 사용자에게 제공하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법을 제공하는 것에 그 목적이 있다.

고압 회전기, 변압기 등과 같은 중전기기는 발전소를 구성하는 핵심 구성품으로 고장 시 발전정지와 같은 중대한 문제를 야기한다. 절연 파괴 발생 시, 고장 발생 전동기의 복구비용 뿐만 아니라 전력 공급 지장에 의한 이익 손실이 발생하고, 전동기 고장 시 해당 중전기기 뿐만 아니라 주변 설비까지 손실되는 사례도 발생한다.

따라서, 이러한 중전기기의 고장 발생 전에, 이상 여부를 미리 진단하고 기계의 잔여 수명을 예측할 필요가 있으며, 일반적으로 기계의 수명을 예측하기 위해서는 기계의 진동 상태를 모니터링하여 경험칙적으로 기계 열화의 정도를 파악하고, 이를 기반으로 잔여 수명을 예측하는 방법이 사용되고 있으나 이러한 방법은, 잔여수명의 정확한 예측이 어려운 문제가 있다.

종래 방법으로는 정확한 예측이 어려워 고장이 발생할 가능성이 낮지 않으며, 고장이 발생할 경우, 출력 감발이나 발전 정지, 혹은 시설 손상 등 중대한 문제를 야기할 뿐만 아니라, 전동기 고장 시 재권선에 약 20일이 소요되며, 발전기 권선 절연파괴의 경우 권선의 신규제작, 설치 등 약 6개월이 소요될 정도로 복구 기간 동안의 운전 손실 비용이 막대하므로, 중전기기의 정확한 열화 시점을 예측하는 기술에 대한 중요도가 점차 증가하고 있는 추세이다.

또한 종래 중전기기에 대한 진단 이력 데이터 중 예측 대상 중전 기기와 동일 중전기기의 정상 상태로 판단된 진단 이력 데이터만 사용하여 MTS(Mahalanobis Taguchi System) 분석 통해 중전 기기의 절연 판단을 수행한 결과 중전기기의 특징상 진단 주기가 수개월 또는 수년이 되어 상대적으로 적은 수의 진단 데이터만이 존재하고, 진단 주기 사이의 간격이 너무 넓어 트렌드 분석 및 열화 예측에 있어 오버 피팅 문제가 발생하여 그 정확도가 낮다는 어려움이 존재하였다.

본 발명은 종래 진단 이력 데이터를 이용하여 중전 기기의 절연 판단을 수행한 결과 중전기기의 특징상 진단 주기가 수개월 또는 수년이 되어 상대적으로 적은 수의 진단 데이터만이 존재하고, 진단 주기 사이의 간격이 너무 넓어 트렌드 분석 및 열화 예측에 있어 오버 피팅 문제가 발생하여 그 정확도가 낮다는 어려움을 해결하기 위하여 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터를 이용하여 열화 시뮬레이션 모델을 학습하고, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 기반으로 열화 가중치 지수를 산출하여 열화 시뮬레이션 모델을 학습함으로써 더 높은 열화 예측 시기 정확도를 제공할 수 있는 예방 정비 권고 정보를 생성하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 기술을 제공하는 것에 그 목적이 있다.

본 발명의 실시예예에 따르면 실시간 센싱 데이터 기반의 중전기기 예방 정비 권고 시스템에 있어서, 각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보와 적어도 하나의 센서가 수집한 센서 측정 데이터를 저장하는 데이터 베이스; 및 입력 받은 상기 데이터 베이스로부터 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보, 센서 측정 데이터를 분석하여 예방 정비 권고 정보를 생성하는 관리 서버를 포함하고, 상기 데이터 베이스는, 데이터 기록 파일을 이용하거나 데이터 입력 폼을 제공하여 사용자로부터 직접 입력 받아 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 관리하는 오프라인 데이터 관리부; 복수의 중전기기에 대한 중전기기의 식별 정보 및 적어도 하나 이상의 센서로부터 주기적으로 센서 측정 결과 데이터를 업로드 받아 관리하는 온라인 데이터 관리부; 및 상기 중전기기 식별 정보를 기준으로 제조사, 제조시기, 전동기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 복수의 중전기기를 그룹핑하여 데이터 그룹을 생성하고, 상기 데이터 그룹에 포함된 각 중전 기기 별로 진단 이력 데이터 및 센서 측정 결과 데이터를 관리하는 연관 데이터 그룹 생성부를 더 포함하고, 상기 관리 서버는,

상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행시켜 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습시키는 열화 시뮬레이션 모델 학습부; 상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 기반으로 예측 대상 중전기기의 진단 항목 마다 설정된 최적 값과의 오차 추이에 따라 예측 대상 중전기기의 열화 가중치 지수(γ)를 산출하고, 상기 열화 가중치 지수를 열화 시뮬레이션 모델에 반영하는 열화 가중치 반영부; 및 상기 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성하며, 상기 열화 예측 정보에 포함된 열화 예측 시기에 따라 예방 정비 권고 정보를 생성하는 예방 정비 권고 정보 생성부를 더 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 열화 시뮬레이션 모델 학습부는, 상기 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하여 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습시킬 수 있다.

본 발명의 일 실시예에 따르면 상기 열화 시뮬레이션 모델 학습부는, 상기 미리 저장된 회귀 모델에 의해 산출된 상기 방정식을 통한 분석 결과 값과 진단 이력 데이터를 대비하여 진단 이력 데이터와의 오차가 상대적으로 가장 적게 발생하는 분석 결과 값을 가지는 회귀 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 설계할 수 있다.

본 발명의 일 실시예에 따르면 상기 열화 가중치 반영부는, 상기 센서 측정 결과 데이터를 분석하여 상기 예측 대상 중전기기의 진단 항목 마다 설정된 최적 값과의 오차를 산출하고, 상기 오차의 크기가 클수록 높은 값을 가지는 가중치 지수 γ를 산출하여 수학식 2와 같이 상기 방정식에 가중치를 적용하여 상기 열화 시뮬레이션 모델에 반영할 수 있다.

본 발명의 일 실시예에 따르면 상기 관리 서버는, 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 절연 상태 판단 모델 및 고장 판단 모델을 학습하고, 학습된 상기 절연 상태 판단 모델 및 고장 판단 모델을 이용하여 예측 대상 중전기기의 고장 예측 시점 정보를 포함한 건전성 분석 정보를 생성하는 건전성 분석 정보 생성부를 더 포함하고, 상기 예방 정비 권고 정보 생성부는, 상기 열화 예측 정보에 포함된 열화 예측 시기에 가중치 δ, 상기 건전성 분석 정보에 포함된 고장 예측 시점에 가중치 ε를 산정하고, 가중치를 적용한 열화 예측 정보 및 건전성 분석 정보를 이용하여 상기 예방 정비 권고 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 상기 건전성 분석 정보 생성부는, 상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 단위 공간을 설정하고, 정상 상태와 비정상 상태를 판단하기 위한 상기 단위 공간 내에서의 거리 평균을 산출하여 거리 평균을 통해 절연 상태를 판단할 수 있는 절연 상태 판단 모델을 학습시키는 절연 상태 판단 모델 학습부; 상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터 및 상기 복수의 중전기기의 시점 별 절연 상태정보를 고장 판단 모델에 입력하여 각 중전기기를 시스템 계층으로 나누고, 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 기준으로 각 중전기기를 대상으로 상기 시스템 계층 별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값을 도출하며, 도출된 시스템 계층 별로 요구되는 기능 레벨의 시점 별 상태 값의 만족 여부에 따라 고장 예측 시점을 판단하는 고장 판단 모델을 학습시키는 고장 판단 모델 학습부; 상기 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 수신한 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 분석하여 확률 분포를 산출하고 산출된 확률 분포를 사전 분포로 설정하고, 상기 출력 변수 대한 사전 분포를 베이시안 접근법을 이용하여 사후 분포로 지속적으로 업데이트를 수행하는 모델 데이터 학습 수행부; 및 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 상기 절연 상태 판단 모델에 입력하여, 상기 예측 대상 중전기기의 시점 별 절연 상태정보를 제공받고, 상기 예측 대상 중전기기의 시점별 절연 상태정보 및 예측 대상 중전기기의 진단 이력 데이터를 고장 판단 모델에 입력하여 고장 예측 시점 정보를 생성하는 고장 예측 시점 정보 생성부를 더 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여, 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 정상 그룹을 생성하고, 상기 정상 그룹에 포함된 진단 이력 데이터를 대상으로 정규화를 수행하여 상기 정상 그룹의 중심점으로부터 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정하고, 측정된 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터를 대상으로 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균 값을 뺀 값을 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 주어 정규화를 수행하여 각 진단 이력 데이터 별 복수의 정규화된 벡터를 산출할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 측정할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여, 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 비정상 그룹을 생성하고, 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터의 주요 변수 측정 데이터에서 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균값을 뺀 값을 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 비정상 그룹을 정규화 하여 복수의 정규화된 벡터를 산출하고, 상기 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 비정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포가 미리 설정된 기준 이상 차이가 나지 아니하는 경우, 상기 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 절연 상태 판단 모델의 학습을 반복할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포의 차이를 크게 하기 위하여 주요 변수 중 복수의 예측 유용 변수를 선정하고, 상기 선정된 예측 유용 변수를 기준으로 상기 정상 그룹의 단위 공간 및 단위 거리를 재선정하도록 절연 상태 판단 모델을 재 학습할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 복수의 예측 유용 변수를 선정하기 위하여 2수준계 직교배열표를 이용하여 내측배열과 외측배열에 변수와 신호인자를 배치하고, 각 주요 변수를 대상으로 단위 거리를 계산하고, 계산한 값의 신호 잡음비를 도출할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 복수의 예측 유용 변수에 포함된 변수 개별로 예측 능력이 있는지 여부를 판단하기 위하여, 각 변수를 대상으로 계산한 단위 거리의 신호 잡음비 평균의 차를 이용하여 신호 잡음비 이득을 산출할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델 학습부는, 상기 신호 잡음비 이득이 음의 값을 갖는 경우 해당 변수는 예측 능력이 없는 것으로 판단하고,

상기 신호 잡음비 이득이 양의 값을 갖는 경우 예측 능력이 있는 것으로 판단하며,

상기 양의 값이 클수록 예측 능력이 높은 것으로 판단할 수 있다.

본 발명의 실시예에 따르면 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법은 각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보와 적어도 하나의 센서가 수집한 센서 측정 데이터를 저장하는 단계; 및 입력 받은 상기 데이터 베이스로부터 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보, 센서 측정 데이터를 분석하여 예방 정비 권고 정보를 생성하는 단계를 포함하고, 상기 데이터를 저장하는 단계는, 데이터 기록 파일을 이용하거나 데이터 입력 폼을 제공하여 사용자로부터 직접 입력 받아 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 관리하는 단계; 복수의 중전기기에 대한 중전기기의 식별 정보 및 적어도 하나 이상의 센서로부터 주기적으로 센서 측정 결과 데이터를 업로드 받아 관리하는 단계; 상기 중전기기 식별 정보를 기준으로 제조사, 제조시기, 전동기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 복수의 중전기기를 그룹핑하여 데이터 그룹을 생성하고, 상기 데이터 그룹에 포함된 각 중전 기기 별로 진단 이력 데이터 및 센서 측정 결과 데이터를 관리하는 단계를 더 포함하고, 상기 예방 정비 권고 정보를 생성하는 단계는, 상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행시켜 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습시키는 단계; 상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 기반으로 예측 대상 중전기기의 진단 항목 마다 설정된 최적 값과의 오차 추이에 따라 예측 대상 중전기기의 열화 가중치 지수(γ)를 산출하고, 상기 열화 가중치 지수를 열화 시뮬레이션 모델에 반영하는 단계; 및

상기 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성하며, 상기 열화 예측 정보에 포함된 열화 예측 시기에 따라 예방 정비 권고 정보를 생성하는 단계를 더 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 열화 시뮬레이션 모델을 학습시키는 단계는, 상기 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하여 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습시킬 수 있다.

본 발명의 일 실시예에 따르면 상기 열화 시뮬레이션 모델을 학습시키는 단계는, 상기 미리 저장된 회귀 모델에 의해 산출된 상기 방정식을 통한 분석 결과 값과 진단 이력 데이터를 대비하여 진단 이력 데이터와의 오차가 상대적으로 가장 적게 발생하는 분석 결과 값을 가지는 회귀 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 설계할 수 있다.

본 발명의 일 실시예에 따르면 상기 열화 시뮬레이션 모델에 반영하는 단계는, 상기 센서 측정 결과 데이터를 분석하여 상기 예측 대상 중전기기의 진단 항목 마다 설정된 최적 값과의 오차를 산출하고, 상기 오차의 크기가 클수록 높은 값을 가지는 가중치 지수 γ를 산출하여 수학식 2와 같이 상기 방정식에 가중치를 적용하여 상기 열화 시뮬레이션 모델에 반영할 수 있다.

상기 예방 정비 권고 정보를 생성하는 단계는, 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 절연 상태 판단 모델 및 고장 판단 모델을 학습하고, 학습된 상기 절연 상태 판단 모델 및 고장 판단 모델을 이용하여 예측 대상 중전기기의 고장 예측 시점 정보를 포함한 건전성 분석 정보를 생성하는 단계를 더 포함하고, 상기 예방 정비 권고 정보를 생성하는 단계는, 상기 열화 예측 정보에 포함된 열화 예측 시기에 가중치 δ, 상기 건전성 분석 정보에 포함된 고장 예측 시점에 가중치 ε를 산정하고, 가중치를 적용한 열화 예측 정보 및 건전성 분석 정보를 이용하여 상기 예방 정비 권고 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 상기 건전성 분석 정보를 생성하는 단계는, 상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 단위 공간을 설정하고, 정상 상태와 비정상 상태를 판단하기 위한 상기 단위 공간 내에서의 거리 평균을 산출하여 거리 평균을 통해 절연 상태를 판단할 수 있는 절연 상태 판단 모델을 학습시키는 단계; 상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터 및 상기 복수의 중전기기의 시점 별 절연 상태정보를 고장 판단 모델에 입력하여 각 중전기기를 시스템 계층으로 나누고, 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 기준으로 각 중전기기를 대상으로 상기 시스템 계층 별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값을 도출하며, 도출된 시스템 계층 별로 요구되는 기능 레벨의 시점 별 상태 값의 만족 여부에 따라 고장 예측 시점을 판단하는 고장 판단 모델을 학습시키는 단계; 상기 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 수신한 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 분석하여 확률 분포를 산출하고 산출된 확률 분포를 사전 분포로 설정하고, 상기 출력 변수 대한 사전 분포를 베이시안 접근법을 이용하여 사후 분포로 지속적으로 업데이트를 수행하는 단계; 및 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 상기 절연 상태 판단 모델에 입력하여, 상기 예측 대상 중전기기의 시점 별 절연 상태정보를 제공받고, 상기 예측 대상 중전기기의 시점별 절연 상태정보 및 예측 대상 중전기기의 진단 이력 데이터를 고장 판단 모델에 입력하여 고장 예측 시점 정보를 생성하는 단계를 더 포함할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여,

입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 정상 그룹을 생성하고, 상기 정상 그룹에 포함된 진단 이력 데이터를 대상으로 정규화를 수행하여 상기 정상 그룹의 중심점으로부터 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정하고, 측정된 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정할 수 있다..

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터를 대상으로 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균 값을 뺀 값을 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 주어 정규화를 수행하여 각 진단 이력 데이터 별 복수의 정규화된 벡터를 산출할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 상기 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 측정할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여, 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 비정상 그룹을 생성하고, 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터의 주요 변수 측정 데이터에서 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균값을 뺀 값을 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 비정상 그룹을 정규화 하여 복수의 정규화된 벡터를 산출하고, 상기 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 비정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포가 미리 설정된 기준 이상 차이가 나지 아니하는 경우, 상기 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 절연 상태 판단 모델의 학습을 반복할 수 있다..

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포의 차이를 크게 하기 위하여 주요 변수 중 복수의 예측 유용 변수를 선정하고, 상기 선정된 예측 유용 변수를 기준으로 상기 정상 그룹의 단위 공간 및 단위 거리를 재선정하도록 절연 상태 판단 모델을 재 학습할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 상기 복수의 예측 유용 변수를 선정하기 위하여 2수준계 직교배열표를 이용하여 내측배열과 외측배열에 변수와 신호인자를 배치하고, 각 주요 변수를 대상으로 단위 거리를 계산하고, 계산한 값의 신호 잡음비를 도출할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 상기 복수의 예측 유용 변수에 포함된 변수 개별로 예측 능력이 있는지 여부를 판단하기 위하여, 각 변수를 대상으로 계산한 단위 거리의 신호 잡음비 평균의 차를 이용하여 신호 잡음비 이득을 산출할 수 있다.

본 발명의 일 실시예에 따르면 상기 절연 상태 판단 모델을 학습시키는 단계는, 상기 신호 잡음비 이득이 음의 값을 갖는 경우 해당 변수는 예측 능력이 없는 것으로 판단하고, 상기 신호 잡음비 이득이 양의 값을 갖는 경우 예측 능력이 있는 것으로 판단하며, 상기 양의 값이 클수록 예측 능력이 높은 것으로 판단할 수 있다.

본 발명의 실시예에 따라 구현된 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템은 종래 중전기기의 특성상 특징상 진단 주기가 수개월 또는 수년이 되어 상대적으로 적은 수의 진단 데이터만이 존재하여 학습 데이터가 상대적으로 적게 존재하여 정확도가 떨어지고 진단 주기 사이의 간격이 너무 넓어 트렌드 분석 및 열화 예측에 있어 오버 피팅 문제가 발생하는 단점을 극복하고, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터를 이용하여 열화 시뮬레이션 모델을 학습하고, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 기반으로 열화 가중치 지수를 산출하여 열화 시뮬레이션 모델을 학습함으로써 더 높은 열화 예측 시기 정확도를 제공할 수 있는 효과를 제공할 수 있다.

도 1은 본 발명의 실시예에 따라 구현된 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템의 구성도이다.
도 2는 본 발명의 제1 실시예에 따른 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템에 포함된 데이터베이스와 관리서버의 세부 구성을 나타낸 도면이다.
도 3는 본 발명의 제2 실시예에 따른 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템에 포함된 데이터베이스와 관리서버의 세부 구성을 나타낸 도면이다.
도 4는 도 2에 도시된 건전성 분석 정보 생성부의 세부 구성도이다.
도 5는 도 4에 개시된 모델 데이터 학습 수행부에서 베이시안 접근법을 이용하여 업데이트를 수행하는 방법을 나타낸 도면이다.
도 6는 본 발명의 일 실시예에 따라 열화 시뮬레이션 모델을 이용하여 각 데이터 세트별로 선정된 회귀 모델을 이용하여 생성된 열화 예측 정보를 생성하는 데이터의 흐름이 나타난 도면이다.
도 8은 본 발명의 일 실시예에 따라 절연 상태 판단 모델을 학습시키기 위하여 정상 상태와 비정상 상태를 판단하기 위한 단위 공간 내에서의 거리 평균을 산출하는 과정을 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따른 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법의 흐름도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 발명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다.

이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.

컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다.

그리고 몇 가지 대체 실시예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

이 때, 본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다.

그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.

따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

본 발명의 실시예들을 구체적으로 설명함에 있어서, 특정 시스템의 예를 주된 대상으로 할 것이지만, 본 명세서에서 청구하고자 하는 주요한 요지는 유사한 기술적 배경을 가지는 여타의 통신 시스템 및 서비스에도 본 명세서에 개시된 범위를 크게 벗어나지 아니하는 범위에서 적용 가능하며, 이는 당해 기술분야에서 숙련된 기술적 지식을 가진 자의 판단으로 가능할 것이다.

이하, 도면을 참조하여 본 발명의 실시 예에 따른 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법에 대하여 설명한다.

도 1은 본 발명의 실시예에 따라 구현된 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템의 구성도이다.

도 1을 참조하면 구현된 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템이 나타나 있으며, 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템은 데이터베이스(100)와 관리서버(2000)를 포함할 수 있다.

본 발명의 일 실시예에 따르면 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템은 적어도 하나의 프로세서를 이용하여 구동될 수 있다.

데이터베이스(100)는 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보와 적어도 하나의 센서가 수집한 센서 측정 데이터를 저장할 수 있다.

여기서 중전기기는 산업 현장 및 발전소에서 사용되는 대용량의 산업 장비 또는 산업 기계를 의미할 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터는 복수 특정 시점에서 진행된 진단 결과를 포함한 진단 정보를 시간의 흐름에 따라 정렬하여 하나의 정보로 생성한 정보를 의미할 수 있다.

본 발명의 일 실시예에 따르면 중전기기 식별정보는 개별 중전기기를 식별하기 위한 중전기기가 가지고 있는 고유의 시리얼 넘버 또는 데이터 베이스 상에서 임의로 지정한 ID 넘버를 의미할 수 있으며, 형식에 관계없이 개별 중전기기를 식별할 수 있는 것이라면 제한없이 사용될 수 있다.

또한 중전기기 식별정보는 개별 중전기기의 제조사, 제조 시기, 전동 기기 용량 등 전동기기 고유의 정보를 해당 중전기기의 시리얼 넘버 또는 ID 넘버에 매칭시켜 포함할 수 있다.

관리서버(2000)는 입력 받은 데이터베이스(1000)로부터 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보, 센서 측정 데이터를 분석하여 예방 정비 권고 정보를 생성할 수 있다.

데이터베이스(1000)와 관리서버(2000)에 대해서는 도 2와 3을 참조하며 더 자세하게 설명하도록 한다.

도 2는 본 발명의 제1 실시예에 따른 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템에 포함된 데이터베이스와 관리서버의 세부 구성을 나타낸 도면이다.

도 2를 참조하면 본 발명의 제1 실시예에 따른 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템에 포함된 데이터베이스(1000)는 오프라인 데이터 관리부(1100), 온라인 데이터 관리부(1200), 연관 데이터 그룹 생성부(1300)를 더 포함할 수 있다.

오프라인 데이터 관리부(1100)는 데이터 기록 파일을 이용하거나 데이터 입력 폼을 제공하여 사용자로부터 직접 입력 받아 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 관리할 수 있다.

본 발명의 일 실시예에 따르면 오프라인 데이터 관리부(1100)는 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 사용자에게 직접 입력 받거나 일정한 폼을 가진 파일 형식으로 입력 받을 수 있다.

온라인 데이터 관리부(1200)는 복수의 중전기기에 대한 중전기기의 식별 정보 및 적어도 하나 이상의 센서로부터 주기적으로 센서 측정 결과 데이터를 업로드 받아 관리할 수 있다.

본 발명의 일 실시예에 따르면 온라인 데이터 관리부(1200)는 중전기기 예방정비 권고 시스템에 연결된 복수의 센서로부터 복수의 중전기기에 대한 복수의 측정 항목의 측정 데이터를 미리 설정된 주기에 따라 수집하여 데이터 베이스에 업로드 할 수 있다.

본 발명의 일 실시예에 따르면 복수의 센서와 데이터베이스(1000)는 무선 네트워크 환경을 이용하여 연결할 수 있으나 유선 네트워크 환경을 이용할 수 있다.

본 발명의 일 실시예에 따르면 중전기기에 설치된 센서로부터 중전기기 검사 항목 측정값을 입력 받아 시계열적으로 정렬하여 중전기기에 대한 검사 항목별 센서 측정 결과 데이터를 생성할 수 있다.

연관 데이터 그룹 생성부(1300)는 중전기기 식별 정보를 기준으로 제조사, 제조시기, 전동기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 복수의 중전기기를 그룹핑하여 데이터 그룹을 생성하고, 상기 데이터 그룹에 포함된 각 중전 기기 별로 진단 이력 데이터 및 센서 측정 결과 데이터를 관리할 수 있다.

상기 실시예에 따르면 그룹핑을 수행함에 있어 동일 제조사, 일정 기간내의 제조 시기, 일정 구간 내의 전동기기 용량의 조건을 달성하는 복수의 전동기기를 하나의 그룹으로 묶을 수 있으나, 이에 한정되지 아니하고 제조사, 제조시기, 전동기기 용량 중 복수의 조건을 충족하는 경우 충족된 조건의 수에 따라 가중치를 두는 등 상술한 조건들을 이용하여 그룹을 생성하는 기준이라면 제한 없이 사용될 수 있다.

또한 본 발명의 제1 실시예에 따른 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템에 포함된 관리서버(2000)는 열화 시뮬레이션 모델 학습부(2100), 열화 가중치 반영부(2200), 예방 정비 권고 정보 생성부(2300)를 포함할 수 있다.

열화 시뮬레이션 모델 학습부(2100)는 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행시켜 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델 학습부(2100)는 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하여 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습시킬 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 포함된 복수의 데이터들을 대표하는 방정식은 1차 방정식의 형식(y= ax + b)으로 표현될 수 있으며, 이러한 형식으로 산출된 1차 방정식을 이용하여 복수의 데이터들을 대표하는 방정식의 해를 산출할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델 학습부(2100)는 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 선형 회귀 분석을 수행할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델 학습부(2100)는 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하고, 모수 추정된 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출할 수 있다.

본 발명의 일 실시 예에 따르면 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 구성된 다항식은 Dx3+Cx2+Bx+A 형식을 따를 수 있으나, 이에 한정되지 아니하고 모수 추정이 수행될 수 있는 다항식 형식이라면 제한 없이 사용될 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행함에 있어 다항식에 대하여 랜덤 샘플링(Random Sampling)을 수행할 수도 있으나, 랜덤 샘플링을 수행하지 많고 바로 모수 추정 및 최종 측정 이후 특정 기간 경과 시 데이터를 추정하는 방법을 이용할 수도 있다.

본 발명의 일 실시 예에 따르면 모수 추정 및 최종 측정 이후 특정 기관 경과 시 데이터를 추정하는 방법을 사용하는 경우 데이터가 2차함수의 형태로 표현될 수 있으며, 실제로 첫 측정 결과와 마지막 측정 결과를 포함한 데이터로 추정된 모수를 이용한 경우 과거 데이터를 이용하여 검증한 결과 향후 2년 안에 진행되는 열화를 추정하는 데 높은 정확도를 보이는 것으로 나타났다.

본 발명의 일 실시예에 따르면 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행함에 있어 군체 기반으로 데이터를 랜덤 선택 및 모델링을 수행한 후, 적합성 추정 프로세스를 거쳐 다시 랜덤 선택 수행하는 과정을 반복하여 가장 적합한 모델을 선정하도록 진행하는 것으로 추정에 대한 정확도를 상대적으로 더 향상시킬 수 있다.

열화 시뮬레이션 모델 학습부(2100)는 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 방정식에 적용하고, 방정식을 이용하여 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 진단 이력 데이터에 포함된 복수의 데이터를 입력하여 열화 예측 정보를 생성할 수 있다.

본 발명의 일 실시예 따르면 열화 시뮬레이션 모델 학습부(2100)는 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 기준으로 하여 열화 시뮬레이션 모델 학습부(2100)에서 산출한 방정식에 가중치를 적용할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델 학습부(2100)에서 산출한 방정식은 1차 방정식의 형식(y = ax + b)으로 표현될 수 있으며, 이러한 실시예에 따르면 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 기준으로 가중치 지수 β를 산출할 수 있고, 산출된 β를 1차 방정식에 아래 수학식 1과 같이 반영하여 방정식에 가중치를 적용할 수 있다

본 발명의 일 실시예에 따르면 가중치 지수 β는 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 각각 하나의 조건에 따라 산출될 수 있으나 이에 한정되지 아니하고 다수의 조건에 따라 산출될 수도 있으며, 각자의 조건에 따라 산출되는 경우 각 조건에 따라 가중치가 적용되어 절대값이 커지거나 작아지는 형태로 산출될 수 있다.

본 발명의 일 실시에 따르면 가중치가 적용된 방정식이 포함된 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 진단 이력 데이터에 포함된 복수의 데이터를 입력하여 이용하여 방정식에 따른 그래프가 나타내는 추세 경향에 따라 열화 시점 예측 또는 예측된 열화 시점에 따라 해당 중전기기의 열화도를 산출할 수 있으며, 열화 예측 정보에는 열화 시점 예측 정보 및/또는 중전기기의 열화도 정보가 포함될 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델 학습부(2100)는 열화 시뮬레이션 모델 학습부(2100)에서 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 모수 추정을 수행하여 모수 추정된 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출한 경우에, 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 방정식에 적용하며 방정식을 이용하여 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측할 수 있다.

상기 실시예에 따르면 가중치가 적용된 방정식이 포함된 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측할 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기와 동일 그룹으로 분류된 중전기기의 진단 이력 데이터를 입력 받는 경우, 열화 시뮬레이션 모델 학습부(2100)는 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 복수의 데이터 및 입력 받은 동일 그룹으로 분류된 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행할 수 있으며, 이때 열화 시뮬레이션 모델 학습부(2100)는 은 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 방정식에 적용하며, 방정식을 이용하여 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델 학습부(2100)는 미리 저장된 회귀 모델에 의해 산출된 상기 방정식을 통한 분석 결과 값과 진단 이력 데이터를 대비하여 진단 이력 데이터와의 오차가 상대적으로 가장 적게 발생하는 분석 결과 값을 가지는 회귀 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 설계할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델 학습부(2100)는 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하는 경우, 미리 저장된 회귀 모델 중 분석 결과 값과 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성할 수 있으며, 이러한 열화 시뮬레이션 모델에 따라 상기 복수의 데이터 세트 별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델 학습부(2100)는 미리 저장된 회귀 모델 중 분석 결과 값과 진단 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성할 수 있다.

본 발명의 일 실시예에 따르면 각 데이터 세트별로 회귀 모델을 선정하기 위하여 각 데이터 세트를 대상으로 미리 저장된 회귀 모델을 적용하여 분석 결과 값을 도출하고, 도출된 분석 결과 값과 실제 진단 이력 데이터 상의 데이터 값을 대비하여 가장 오차가 적은 분석 결과 값을 도출한 회귀 모델을 해당 데이터 세트의 회귀 모델로 선정할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델은 데이터 세트 별로 선정된 회귀 모델들로 형성될 수 있으며, 형성된 열화 시뮬레이션 모델에 진단 이력 데이터를 입력하고 출력 값 및 진단 이력 데이터를 대비하여 열화 시뮬레이션 모델을 검증할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델 학습부(2100)는 선형 회귀 분석을 수행함에 있어 Bagging 기법을 이용하여 진단 이력 데이터에 포함된 복수의 데이터들을 대표하는 방정식을 추정함에 있어 측정오차와 노이즈가 미치는 영향을 상대적으로 감소시키기 위하여 생성된 데이터 세트별로 가장 적은 오차가 발생하는 회귀 분석 모델을 선정하여 열화 시뮬레이션 모델을 생성할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델 학습부(2100)는 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델 학습부(2100)는 열화 시뮬레이션 모델에 따라 열화 예측 정보를 생성할 수 있으며, 열화 시뮬레이션 모델에 따라 열화 예측 정보 보다 이전에 열화가 진행되어 고장이 발생한 경우 고장 종류와 원인에 따라서 열화 시뮬레이션 모델의 열화 예측 기준을 자동으로 반영하여 동종 중전기기 열화 예측에 적용되도록 할 수 있다.

열화 가중치 반영부(2200)는 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 기반으로 예측 대상 중전기기의 진단 항목 마다 설정된 최적 값과의 오차 추이에 따라 예측 대상 중전기기의 열화 가중치 지수(γ)를 산출하고, 열화 가중치 지수를 열화 시뮬레이션 모델에 반영할 수 있다.

본 발명의 일 실시예에 따르면 열화 가중치 반영부(2200)는 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 분석하여 산출된 예측 대상 중전기기의 진단 항목마다 설정된 최적 값과 실제로 측정된 센서 측정 결과 데이터에 포함된 예측 대상 중전기기의 진단 항목 별 측정 값과의 오차를 산출하고, 산출된 오차의 값을 이용하여 가중치 지수 γ를 산출할 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기의 진단 항목마다 설정된 최적 값을 산출하는 방법으로 복수의 중전기기별로 예측 대상 중전 기기와의 유사도를 미리 설정한 기준에 따라 산출하고 각 중전기기의 진단 항목별 센서 측정 결과 데이터에 포함된 측정값에 유사도를 가중치로 적용한 값들을 합산한 후 평균값을 구하는 방법을 사용할 수 있으나 이에 한정되지 아니하고 예측 대상 중전기기의 진단 항목마다 최적 값을 미리 설정하는 방법을 이용할 수 있다.

본 발명의 일 실시 예에 따르면 가중치 지수 γ를 산출하는 방법으로 진단 항목 별 산출된 오차의 값에 대한 평균값을 구하고, 평균값을 기준으로 산출할 수 있으나 이에 한정되지 아니하고, 진단 항목 별로 미리 설정된 기준에 따라 책정된 가중치를 적용한 값들을 합산한 후 평균값을 구해 이를 기준으로 산정하는 방법 등이 사용될 수 있다.

본 발명의 일 실시예에 따르면 열화 가중치 반영부(2200)는 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 분석하여 산출된 가중치 지수 γ를 이용하여 수학식 2와 같이 열화 시뮬레이션에 포함된 방정식에 높은 가중치(γ)를 부여하여 열화 예측 정보를 생성할 수 있다.

예방 정비 권고 정보 생성부(2300)는 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성하며, 상기 열화 예측 정보에 포함된 열화 예측 시기에 따라 예방 정비 권고 정보를 생성할 수 있다.

도 3는 본 발명의 제2 실시예에 따른 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템에 포함된 데이터베이스와 관리서버의 세부 구성을 나타낸 도면이다.

도 3을 참조하면 본 발명의 제2 실시예에 따른 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템에 포함된 데이터베이스와 관리서버의 세부 구성이 나타나 있으며, 관리 서버(2010)는 열화 시뮬레이션 모델 학습부(2100), 열화 가중치 반영부(2200), 예방 정비 권고 정보 생성부(2300) 및 건전성 분석 정보 생성부(2400)를 더 포함할 수 있다.

건전성 분석 정보 생성부(2400)는 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 절연 상태 판단 모델 및 고장 판단 모델을 학습하고, 학습된 상기 절연 상태 판단 모델 및 고장 판단 모델을 이용하여 예측 대상 중전기기의 고장 예측 시점 정보를 포함한 건전성 분석 정보를 생성할 수 있다.

건전성 분석 정보 생성부(2400)는 도 4를 참조하며 자세히 설명하도록 한다.

본 발명의 제2 실시예에 따르면 예방 정비 권고 정보 생성부(2300)는 열화 예측 정보에 포함된 열화 예측 시기에 가중치 δ, 상기 건전성 분석 정보에 포함된 고장 예측 시점에 가중치 ε를 산정하고, 가중치를 적용한 열화 예측 정보 및 건전성 분석 정보를 이용하여 예방 정비 권고 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 예방 정비 권고 정보 생성부(2300)는 열화 예측 정보에 포함된 열화 예측 시기에 가중치 δ, 건전성 분석 정보에 포함된 고장 예측 시점에 가중치 ε를 산정하고 각 시점에 대해 가중치를 적용한 값에 대한 평균 값을 구해진 시점을 기준으로 예방 정비를 권고하는 예방 정비 권고 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 가중치 δ와 가중치 ε는 처음엔 각각 1로 동일하게 부여할 수 있으며, 진단 이력 데이터를 입력하여 출력된 시점 정보가 과거에 발생한 고장 이력 데이터와 매칭되는지 여부를 판단하여 상대적으로 정확도가 상승하는 방향으로 가중치 δ와 가중치 ε의 비율을 각각 조정하는 식으로 업데이트를 수행하여 가중치들을 산정할 수 있다.

도 4는 도 2에 도시된 건전성 분석 정보 생성부의 세부 구성도이다.

도 4를 참조하면 본 발명의 일 실시예에 따르면 건전성 분석 정보 생성부(2400)는 절연 상태 판단 모델 학습부(2410), 고장 판단 모델 학습부(2420), 모델 데이터 학습 수행부(2430), 고장 예측 시점 정보 생성부(2440)를 포함할 수 있다.

절연 상태 판단 모델 학습부(2410)는 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 단위 공간을 설정하고, 정상 상태와 비정상 상태를 판단하기 위한 상기 단위 공간 내에서의 거리 평균을 산출하여 거리 평균을 통해 절연 상태를 판단할 수 있는 절연 상태 판단 모델을 학습할 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 포함된 복수의 데이터에 대한 다변량 데이터 마이닝의 기법으로는 단위 거리 판단법을 이용할 수 있다.

여기서 단위 거리 판단법은 어떤 집단의 평균값을 기초로 한 단위 공간을 설정하고, 새로운 관측값이 단위 공간으로부터 얼마나 벗어나있는지를 단위 거리를 측정함으로써 상태를 판별하는 기법을 의미할 수 있다.

본 발명의 일 실시예에 따르면 단위 거리 판단법을 사용하는 실시예에 따르면 정상 그룹의 단위 공간을 설정하고 정상 그룹의 중심점을 기준으로 각 개별 데이터를 단위 공간 안에 표현한 후, 정상 그룹의 중심점으로부터 얼마나 멀리 떨어져 있는지를 단위 거리로 계산하여, 단위 거리가 클수록 정상 그룹이 아닐 가능성이 높아지며, 미리 설정된 문턱값(Threshold Value)을 초과하면 비정상 그룹으로 판단할 수 있다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 사용자로부터 입력 받은 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터를 데이터 베이스(100)로부터 수신 받을 수 있다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 수신 받은 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 또는 비정상 상태로 미리 진단되어 있던 기준에 따라 정상 상태로 진단된 중전기기에 대한 진단 이력 데이터들을 이용하여 단위 공간 내에서의 거리 평균을 산출할 수 있다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반으로 단위 공간을 설정할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터를 기반으로 한 정상 그룹을 설정하고, 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반 단위 공간을 도출할 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터에 포함된 주요 변수 데이터를 기준 공간 내에 표현하고, 표현된 각 개별 데이터와 기준 공간 내의 정상 그룹의 중심점으로부터 확률분포 거리를 측정하여 단위 거리를 측정할 수 있다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여, 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 정상 그룹을 생성할 수 있다.

상기 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 정상 그룹에 포함된 진단 이력 데이터를 대상으로 정규화를 수행하여, 정상 그룹의 중심점으로부터 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정하고, 측정된 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정할 수 있다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터를 대상으로 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균 값을 뺀 값을 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 주어 정규화를 수행하여 각 진단 이력 데이터 별 복수의 정규화된 벡터를 산출할 수 있다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 단위 공간으로 선정하기 위해 정상 그룹의 중심점으로부터 거리 평균이 1.0이 되는 단위 공간을 도출하기 위하여 정상 상태로 미리 진단된 진단 이력 데이터에 포함된 복수의 주요 변수 측정 데이터를 대상으로 정규화를 수행할 수 있다.

상기 일 실시예에 따르면 정규화는 수학식 3과 같이 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균 값을 뺀 값을 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누는 방식으로 수행할 수 있다.

여기서 i는 변수의 개수(i=1, 2, …, k), j는 관측치의 개수(j=1, 2, …, n),

는 i번째 변수의 j번째 관측치에서의 값,

는 i번째 변수의 평균,

는 i번째 변수의 표준편차를 의미할 수 있다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 측정할 수 있다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력할 수 있다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 수신 받은 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 또는 비정상 상태로 미리 진단되어 있던 기준에 따라 비정상 상태로 진단된 중전기기에 대한 진단 이력 데이터들을 이용하여 단위 공간 내에서의 거리 평균을 산출할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터를 기반으로 한 정상 그룹을 설정하고, 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반 단위 공간을 도출할 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터에 포함된 주요 변수 데이터를 기준 공간 내에 표현하고, 표현된 각 개별 데이터와 기준 공간 내의 비정상 그룹의 중심점으로부터 확률분포 거리를 측정하여 단위 거리를 측정할 수 있다.

상기 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 비정상 그룹을 생성하고, 비정상 그룹에 포함된 복수의 진단 이력 데이터의 주요 변수 측정 데이터에서 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균값을 뺀 값을 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 비정상 그룹을 정규화 하여 복수의 정규화된 벡터를 산출할 수 있다.

상기 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 비정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정할 수 있다.

본 발명의 일 실시예에 따르면 정규화 된 벡터는(Z)는 상관계수로 구성된 상관행렬(C)의 역행렬을 이용하여 정상 그룹의 단위 거리를 계산하며, 이에 대한 수식은 수학식 4와 같다.

여기서 k는 변수의 개수,

는

의 정규화 된 벡터,

는

의 전치행렬,

는 상관행렬의 역행렬을 의미할 수 있다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포가 미리 설정된 기준 이상 차이가 나지 아니하는 경우에는 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 절연 상태 판단 모델의 학습을 반복할 수 있다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포를 대비하여 미리 설정된 기준 이상 차이가 나지 않는 경우 예측 능력이 높은 예측 유용 변수들로 절연 상태 판단 모델이 학습되지 못한 것으로 판단하여 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 변수의 종류를 변경하여 절연 상태 판단 모델의 학습을 반복할 수 있다.

본 발명의 일 실시예에 따르면 예측 유용 변수는 다른 변수들에 비해 정상 그룹과 비정상 그룹간의 차이를 보다 크게 하여 그룹 간의 구분을 명확하게 하는데 도움이 되는 예측 영향력이 높은 변수를 의미할 수 있다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포의 차이를 크게 하기 위하여 주요 변수 중 복수의 예측 유용 변수를 선정할 수 있으며, 선정된 예측 유용 변수를 기준으로 정상 그룹의 단위 공간 및 단위 거리를 재선정하도록 절연 상태 판단 모델을 재 학습할 수 있다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 복수의 예측 유용 변수를 선정하기 위하여 2수준계 직교배열표를 이용하여 내측배열과 외측배열에 변수와 신호인자를 배치하고, 각 주요 변수를 대상으로 단위 거리를 계산하고, 계산한 값의 신호 잡음비를 도출할 수 있다.

본 발명의 일 실시예에 따르면 직교배열표는 고차의 교호작용에 관한 정보를 희생시켜서 실험횟수를 적게 할 수 있는 실험계획을 짤 수 있도록 만들어 놓은 표를 의미할 수 있으며, 2수준계 직교배열표는 수학식 5와 같이 표현될 수 있다.

본 발명의 일 실시예에 따르면 예측 유용 변수를 선정하여 예측 대상 중전기기의 시점 별 절연 상태정보의 정확도를 상승시키기 위하여 복수의 각 변수를 대상으로 계산한 단위 거리의 신호 잡음비 평균의 차를 이용하여 신호 잡음비 이득을 산출할 수 있다.

본 발명의 일 실시예에 따르면 2수준계 직교배열표를 이용하여 예측 유용 변수를 선정하기 위하여 2수준계 직교배열표의 내측배열과 외측배열에 변수와 신호인자를 배치하여 단위 거리를 계산하고, 계산된 단위 거리를 이용하여 신호 잡음비를 도출할 수 있다.

본 발명의 일 실시예에 따르면 신호 잡음비 변수 값의 특성에 따라 달라질 수 있으며, 변수 값이 클수록 좋은 특성을 의미하는 변수일 경우에는 망대특성(Lager-the-better)의 신호 잡음비, 변수 값이 작을수록 좋은 특성을 의미하는 변수일 경우에는 망소특성(Smaller-the-better)의 신호 잡음비, 변수 값이 특정 목표 값에 가까울수록 좋은 특성을 의미하는 변수일 경우에는 망목특성(Nominal-the-better)의 신호 잡음비, 알려진 신호인자가 있는 경우에는 동특성(Dynamic)의 신호 잡음비의 계산식을 사용할 수 있다.

본 발명의 일 실시예에 따르면 신호 잡음비를 산출하기 위하여 수학식6과 같이 동특성(Dynamic)의 신호 잡음비 산출할 수 있다.

여기서 n은 비정상 그룹의 시료 수,

은 평균 제곱합(Sum of squares due to mean),

는 오차 분산(Error variance)이다.

본 발명의 일 실시예에 따르면 신호 잡음비를 이용하여 변수 별로 예측 영향력의 크기를 판단하기 위해 신호 잡음비 이득(SNR Gain)을 산출하고 산출한 값에 따라 변수 별 예측 영향력의 크기를 판단할 수 있다.

상기 일 실시예에 따르면 수학식 7과 같이 변수 별로 해당 변수가 복수의 변수 중 하나로 포함되어 산출된 신호 잡음비들의 평균에서 복수의 변수 중 해당 변수가 포함되지 아니한 채로 산출된 신호 잡음비들의 평균의 차이를 구하는 방법으로 해당 변수의 신호 잡음비의 이득을 수할 수 있다.

여기서 i는 변수의 번호이고,

은 i번째 변수가 사용된 신호 잡음비의 평균이고,

은 i번째 변수가 사용되지 않은 신호 잡음비의 평균이다.

본 발명의 일 실시예에 따르면 절연 상태 판단 모델 학습부(2410)는 신호 잡음비 이득이 음의 값을 갖는 경우 해당 변수는 예측 능력이 없는 것으로 판단하고, 신호 잡음비 이득이 양의 값을 갖는 경우 예측 능력이 있는 것으로 판단하며, 양의 값이 클수록 예측 능력이 높은 것으로 판단할 수 있다.

본 발명의 일 실시예에 따르면 예측 유용 변수 후보로 절연저항1분, 성극지수판정, 성극지수, 유전정접판정, 유전정접, 교류전류판전, 교류전류, 부분고전판정, 부분방전고전압을 미리 설정해 놓을 수 있으며, 예측 유용 변수 후보에 포함된 각 변수에 대하여 신호 잡음비 이득을 산출하여 미리 설정된 임계값 이상의 신호 잡음비 이득이 양의 값으로 큰 변수만을 예측 유용 변수로 선정하여 절연 상태 판단 모델을 학습시킬 수 있다.

고장 판단 모델 학습부(2420)는 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터 및 복수의 중전기기의 시점 별 절연 상태정보를 고장 판단 모델에 입력하여 각 중전기기를 시스템 계층으로 나누고, 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 기준으로 각 중전기기를 대상으로 시스템 계층 별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값을 도출하며, 도출된 시스템 계층 별로 요구되는 기능 레벨의 시점 별 상태 값의 만족 여부에 따라 고장 예측 시점을 판단하는 고장 판단 모델을 학습할 수 있다.

본 발명의 일 실시예에 따르면 고장 판단 모델 학습부(2420)는 각 중전기기를 미리 설정된 기준에 따라 복수의 하위 계층에 포함된 장치를 가진 상위 계층에 포함된 장치인 상위 계층으로 표현되는 형식으로 시스템 계층을 나누고, 상위 계층으로 갈수록 상위 장치이며, 상위 장치를 이루고 있는 복수의 부품 또는 구성품을 해당 상위 계층의 하위 계층으로 표현될 수 있다.

본 발명의 일 실시예에 따르면 고장 판단 모델은 시스템 계층 별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값을 각 시스템 계층별로 도출하고, 복수의 중전기기의 진단 이력 데이터 및 시점 별 절연 상태 정보를 분석하여 각 시스템 계층별로 도출된 중요 측정 항목에 대한 시점 별 상태 값이 미리 설정한 임계값을 충족하지 못할 확률에 따라 시점 별 고장 확률로 산출함으로써 고장 예측 시점을 판단할 수 있다.

본 발명의 일 실시예에 따르면 중전 기기를 시스템 계층으로 나누어 계층별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값을 각 시스템 계층별로 도출하여 중전기기 전체 시스템의 대상으로 고장 시점을 예측함으로써 다양한 부품 또는 구성품의 수명 또는 확률상 고장의 이슈로 인하여 정확한 예측이 불가능한 문제점을 해결하고 더 높은 정확도를 제공할 수 있다.

모델 데이터 학습 수행부(2430)는 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 수신한 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 분석하여 확률 분포를 산출하고 산출된 확률 분포를 사전 분포로 설정하고, 상기 출력 변수 대한 사전 분포를 베이시안 접근법을 이용하여 사후 분포로 지속적으로 업데이트를 수행할 수 있다.

본 발명의 일 실시예에 따르면 모델 데이터 학습 수행부(2430)이 더 높은 정확도를 위하여 고장 판단 모델을 업데이트 하기 위하여 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 입력하여 불확실성의 정도에 따라 확률 분포를 산출하여 사전 분포로 설정할 수 있다.

상기 일 실시 예에 따르면 수학식 8과 같이 사전 분포(

)에 가능도 함수를 적용하여 사후 분포(

)를 산출하여, 산출된 사후 분포가 고장 판단 모델을 이용하여 산출된 출력 변수를 통해 사전 분포로 산출될 수 있도록 베이시안 접근법을 이용하여 고장 판단 모델을 업데이트 할 수 있다.

고장 예측 시점 정보 생성부(2440)는 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 상기 절연 상태 판단 모델에 입력하여, 상기 예측 대상 중전기기의 시점 별 절연 상태정보를 제공받고, 상기 예측 대상 중전기기의 시점별 절연 상태정보 및 예측 대상 중전기기의 진단 이력 데이터를 고장 판단 모델에 입력하여 고장 예측 시점 정보를 생성할 수 있다.

여기서 고장 예측 시점 정보는 이러한 중전기기 중 특정 중전기기가 현재 어느 정도의 열화되어 있는지 또는 고장 시점이 언제쯤으로 예측되는지에 대한 정보를 포함한 정보를 의미할 수 있다.

본 발명의 일 실시예에 따르면 고장 예측 시점 정보 생성부(2440)는 학습된 절연 상태 판단 모델 및 고장 판단 모델을 이용하여 예측 대상 중전기기의 고장 예측 시점을 제공받을 수 있다.

본 발명의 일 실시예에 따르면 학습된 절연 상태 판단 모델은 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 입력 받아, 예측 대상 중전기기의 시점 별 절연 상태정보를 출력할 수 있으며, 고장 판단 모델은 예측 대상 중전기기의 진단 이력 데이터과 예측 대상 중전기기의 시점 별 절연 상태정보를 입력받아 예측 대상 중전기기가 시점 별로 고장날 확률이 표기된 고장 예측 시점 정보를 제공받을 수 있다.

도 5는 도 4에 개시된 모델 데이터 학습 수행부에서 베이시안 접근법을 이용하여 업데이트를 수행하는 방법을 나타낸 도면이다.

도 2를 참조하면 모델 데이터 학습 수행부(2430)에서 베이시안 접근법을 이용하여 업데이트를 수행하는 방법이 나타나 있으며, 모델 데이터 학습 수행부(2430)에서 선정된 출력 변수와 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터를 분석하여 불확실성의 정도에 따라 확률 분포를 산출하여 사전 분포(

)로 설정할 수 있으며, 사전 분포(

)에 가능도 함수를 적용하여 사후 분포(

)를 산출하여 산출된 사후 분포가 고장 판단 모델을 이용하여 산출된 출력 변수를 통해 사전 분포로 산출될 수 있도록 베이시안 접근법을 이용하여 고장 판단 모델을 업데이트 할 수 있다.

도 6는 본 발명의 일 실시예에 따라 열화 시뮬레이션 모델을 이용하여 각 데이터 세트별로 선정된 회귀 모델을 이용하여 생성된 열화 예측 정보를 생성하는 데이터의 흐름이 나타난 도면이다.

도 6을 참조하면 본 발명의 일 실시예에 따라 열화 시뮬레이션 모델을 이용하여 각 데이터 세트별로 선정된 회귀 모델을 이용하여 열화 예측 정보를 생성하는 것이 나타나 있으며, 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성할 수 있다.

또한 복수의 데이터 세트 대상으로 미리 저장된 회귀 모델 중 분석 결과 값과 진단 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정할 수 있으며, 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성할 수 있다.

도 7은 본 발명의 일 실시예에 따라 절연 상태 판단 모델을 학습시키기 위하여 정상 상태와 비정상 상태를 판단하기 위한 단위 공간 내에서의 거리 평균을 산출하는 과정을 나타낸 도면이다.

도 7을 참조하면 본 발명의 일 실시예에 따라 절연 상태 판단 모델을 학습시키기 위하여 정상 상태와 비정상 상태를 판단하기 위한 단위 공간 내에서의 거리 평균을 산출하는 과정이 나타나 있으며, 정상 그룹의 중심점으로부터 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정하고, 비정상 그룹의 중심점으로부터 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정하며, 정상 그룹 및 비정상 그룹의 단위 공간상에 각각 위치한 복수의 진단 이력 데이터들의 단위 거리의 분포가 미리 설정된 기준 이상 차이가 나는지 여부를 판단하여 차이가 나지 아니하는 경우에는 재학습이 필요한 절연 상태 모델로 판단하여 학습을 반복할 수 있다.

도 8은 본 발명의 일 실시예에 따른 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법의 흐름도이다.

중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보와 적어도 하나의 센서가 수집한 센서 측정 데이터를 저장한다(S10)

중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보와 적어도 하나의 센서가 수집한 센서 측정 데이터를 저장할 수 있다.

본 발명의 일 실시예에 따르면 중전기기 식별정보는 개별 중전기기의 제조사, 제조 시기, 전동 기기 용량 등 전동기기 고유의 정보를 해당 중전기기의 시리얼 넘버 또는 ID 넘버에 매칭시켜 포함할 수 있다.

데이터 기록 파일을 이용하거나 데이터 입력 폼을 제공하여 사용자로부터 직접 입력 받아 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 관리할 수 있다.

본 발명의 일 실시예에 따르면 복수의 중전기기에 대한 중전기기의 식별 정보 및 적어도 하나 이상의 센서로부터 주기적으로 센서 측정 결과 데이터를 업로드 받아 관리할 수 있다.

본 발명의 일 실시예에 따르면 중전기기 예방정비 권고 시스템에 연결된 복수의 센서로부터 복수의 중전기기에 대한 복수의 측정 항목의 측정 데이터를 미리 설정된 주기에 따라 수집하여 데이터 베이스에 업로드 할 수 있다.

본 발명의 일 실시예에 따르면 복수의 센서와 데이터베이스는 무선 네트워크 환경을 이용하여 연결할 수 있으나 유선 네트워크 환경을 이용할 수 있다.

중전기기 식별 정보를 기준으로 연관성을 가지는 복수의 중전기기를 그룹핑하여 데이터 그룹을 생성하고, 데이터 그룹에 포함된 각 중전 기기 별로 진단 이력 데이터 및 센서 측정 결과 데이터를 관리한다(S20).

본 발명의 일 실시예에 따르면 중전기기 식별 정보를 기준으로 제조사, 제조시기, 전동기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 복수의 중전기기를 그룹핑하여 데이터 그룹을 생성하고, 상기 데이터 그룹에 포함된 각 중전 기기 별로 진단 이력 데이터 및 센서 측정 결과 데이터를 관리할 수 있다.

진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행시켜 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습한다(S30).

본 발명의 일 실시예에 따르면 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행시켜 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습할 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하여 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습시킬 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 선형 회귀 분석을 수행할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하고, 모수 추정된 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출할 수 있다.

본 발명의 일 실시 예에 따르면 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 방정식에 적용하고, 방정식을 이용하여 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 진단 이력 데이터에 포함된 복수의 데이터를 입력하여 열화 예측 정보를 생성할 수 있다.

본 발명의 일 실시예 따르면 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 기준으로 하여 산출된 방정식에 가중치를 적용할 수 있다.

본 발명의 일 실시예에 따르면 산출된 방정식은 1차 방정식의 형식(y = ax + b)으로 표현될 수 있으며, 이러한 실시예에 따르면 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 기준으로 가중치 지수 β를 산출할 수 있고, 산출된 β를 1차 방정식에 수학식 1과 같이 반영하여 방정식에 가중치를 적용할 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 모수 추정을 수행하여 모수 추정된 데이터의 경향성에 따라 직선으로 표현되는 방정식을 산출한 경우에, 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 방정식에 적용하며 방정식을 이용하여 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측할 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기와 동일 그룹으로 분류된 중전기기의 진단 이력 데이터를 입력 받는 경우, 열화 시뮬레이션 모델 학습부(2100)는 입력 받은 예측 대상 중전기기의 진단 이력 데이터에 포함된 복수의 데이터 및 입력 받은 동일 그룹으로 분류된 중전기기의 진단 이력 데이터에 포함된 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행할 수 있으며, 이때 중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 반영한 가중치를 방정식에 적용하며, 방정식을 이용하여 중전기기의 열화 시점을 예측하는 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측할 수 있다.

본 발명의 일 실시예에 따르면 미리 저장된 회귀 모델에 의해 산출된 상기 방정식을 통한 분석 결과 값과 진단 이력 데이터를 대비하여 진단 이력 데이터와의 오차가 상대적으로 가장 적게 발생하는 분석 결과 값을 가지는 회귀 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 설계할 수 있다.

본 발명의 일 실시예에 따르면 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하는 경우, 미리 저장된 회귀 모델 중 분석 결과 값과 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성할 수 있으며, 이러한 열화 시뮬레이션 모델에 따라 상기 복수의 데이터 세트 별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 미리 저장된 회귀 모델 중 분석 결과 값과 진단 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성할 수 있다.

본 발명의 일 실시예에 따르면 선형 회귀 분석을 수행함에 있어 Bagging 기법을 이용하여 진단 이력 데이터에 포함된 복수의 데이터들을 대표하는 방정식을 추정함에 있어 측정오차와 노이즈가 미치는 영향을 상대적으로 감소시키기 위하여 생성된 데이터 세트별로 가장 적은 오차가 발생하는 회귀 분석 모델을 선정하여 열화 시뮬레이션 모델을 생성할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델에 따라 열화 예측 정보를 생성할 수 있으며, 열화 시뮬레이션 모델에 따라 열화 예측 정보 보다 이전에 열화가 진행되어 고장이 발생한 경우 고장 종류와 원인에 따라서 열화 시뮬레이션 모델의 열화 예측 기준을 자동으로 반영하여 동종 중전기기 열화 예측에 적용되도록 할 수 있다.

센서 측정 결과 데이터를 기반으로 예측 대상 중전기기의 진단 항목 마다 설정된 최적 값과의 오차 추이에 따라 예측 대상 중전기기의 열화 가중치 지수 γ를 산출하고, 열화 가중치 지수를 열화 시뮬레이션 모델에 반영한다(S40).

본 발명의 일 실시예에 따르면 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 기반으로 예측 대상 중전기기의 진단 항목 마다 설정된 최적 값과의 오차 추이에 따라 예측 대상 중전기기의 열화 가중치 지수(γ)를 산출하고, 열화 가중치 지수를 열화 시뮬레이션 모델에 반영할 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 분석하여 산출된 예측 대상 중전기기의 진단 항목마다 설정된 최적 값과 실제로 측정된 센서 측정 결과 데이터에 포함된 예측 대상 중전기기의 진단 항목 별 측정 값과의 오차를 산출하고, 산출된 오차의 값을 이용하여 가중치 지수 γ를 산출할 수 있다.

본 발명의 일 실시예에 따르면 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 분석하여 산출된 가중치 지수 γ를 이용하여 수학식 2와 같이 열화 시뮬레이션에 포함된 방정식에 높은 가중치(γ)를 부여하여 열화 예측 정보를 생성할 수 있다.

열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성하며, 열화 예측 정보에 포함된 열화 예측 시기에 따라 예방 정비 권고 정보를 생성한다(S50).

본 발명의 일 실시 예에 따르면 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성하며, 상기 열화 예측 정보에 포함된 열화 예측 시기에 따라 예방 정비 권고 정보를 생성할 수 있다.

본 발명의 일 실시 예에 따르면 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 절연 상태 판단 모델 및 고장 판단 모델을 학습하고, 학습된 상기 절연 상태 판단 모델 및 고장 판단 모델을 이용하여 예측 대상 중전기기의 고장 예측 시점 정보를 포함한 건전성 분석 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 열화 예측 정보에 포함된 열화 예측 시기에 가중치 δ, 상기 건전성 분석 정보에 포함된 고장 예측 시점에 가중치 ε를 산정하고, 가중치를 적용한 열화 예측 정보 및 건전성 분석 정보를 이용하여 예방 정비 권고 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 열화 예측 정보에 포함된 열화 예측 시기에 가중치 δ, 건전성 분석 정보에 포함된 고장 예측 시점에 가중치 ε를 산정하고 각 시점에 대해 가중치를 적용한 값에 대한 평균 값을 구해진 시점을 기준으로 예방 정비를 권고하는 예방 정비 권고 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 단위 공간을 설정하고, 정상 상태와 비정상 상태를 판단하기 위한 상기 단위 공간 내에서의 거리 평균을 산출하여 거리 평균을 통해 절연 상태를 판단할 수 있는 절연 상태 판단 모델을 학습할 수 있다.

본 발명의 일 실시예에 따르면 사용자로부터 입력 받은 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터를 수신 받을 수 있다.

본 발명의 일 실시예에 따르면 수신 받은 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 또는 비정상 상태로 미리 진단되어 있던 기준에 따라 정상 상태로 진단된 중전기기에 대한 진단 이력 데이터들을 이용하여 단위 공간 내에서의 거리 평균을 산출할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터의 평균 값을 기반으로 단위 공간을 설정할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여, 입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 정상 그룹을 생성할 수 있다.

상기 일 실시예에 따르면 정상 그룹에 포함된 진단 이력 데이터를 대상으로 정규화를 수행하여, 정상 그룹의 중심점으로부터 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정하고, 측정된 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정할 수 있다.

본 발명의 일 실시예에 따르면 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터를 대상으로 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균 값을 뺀 값을 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 주어 정규화를 수행하여 각 진단 이력 데이터 별 복수의 정규화된 벡터를 산출할 수 있다.

본 발명의 일 실시예에 따르면 단위 공간으로 선정하기 위해 정상 그룹의 중심점으로부터 거리 평균이 1.0이 되는 단위 공간을 도출하기 위하여 정상 상태로 미리 진단된 진단 이력 데이터에 포함된 복수의 주요 변수 측정 데이터를 대상으로 정규화를 수행할 수 있다.

본 발명의 일 실시예에 따르면 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 측정할 수 있다.

본 발명의 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력할 수 있다.

본 발명의 일 실시예에 따르면 수신 받은 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 또는 비정상 상태로 미리 진단되어 있던 기준에 따라 비정상 상태로 진단된 중전기기에 대한 진단 이력 데이터들을 이용하여 단위 공간 내에서의 거리 평균을 산출할 수 있다.

상기 일 실시예에 따르면 입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 비정상 그룹을 생성하고, 비정상 그룹에 포함된 복수의 진단 이력 데이터의 주요 변수 측정 데이터에서 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균값을 뺀 값을 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 비정상 그룹을 정규화 하여 복수의 정규화된 벡터를 산출할 수 있다.

상기 일 실시예에 따르면 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 비정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정할 수 있다.

본 발명의 일 실시예에 따르면 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포가 미리 설정된 기준 이상 차이가 나지 아니하는 경우에는 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 절연 상태 판단 모델의 학습을 반복할 수 있다.

본 발명의 일 실시예에 따르면 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포를 대비하여 미리 설정된 기준 이상 차이가 나지 않는 경우 예측 능력이 높은 예측 유용 변수들로 절연 상태 판단 모델이 학습되지 못한 것으로 판단하여 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 변수의 종류를 변경하여 절연 상태 판단 모델의 학습을 반복할 수 있다.

본 발명의 일 실시예에 따르면 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포의 차이를 크게 하기 위하여 주요 변수 중 복수의 예측 유용 변수를 선정할 수 있으며, 선정된 예측 유용 변수를 기준으로 정상 그룹의 단위 공간 및 단위 거리를 재선정하도록 절연 상태 판단 모델을 재 학습할 수 있다.

본 발명의 일 실시예에 따르면 복수의 예측 유용 변수를 선정하기 위하여 2수준계 직교배열표를 이용하여 내측배열과 외측배열에 변수와 신호인자를 배치하고, 각 주요 변수를 대상으로 단위 거리를 계산하고, 계산한 값의 신호 잡음비를 도출할 수 있다.

본 발명의 일 실시예에 따르면 신호 잡음비를 산출하기 위하여 수학식 6과 같이 동특성(Dynamic)의 신호 잡음비 산출할 수 있다.

본 발명의 일 실시예에 따르면 신호 잡음비 이득이 음의 값을 갖는 경우 해당 변수는 예측 능력이 없는 것으로 판단하고, 신호 잡음비 이득이 양의 값을 갖는 경우 예측 능력이 있는 것으로 판단하며, 양의 값이 클수록 예측 능력이 높은 것으로 판단할 수 있다.

본 발명의 일 실시예에 따르면 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터 및 복수의 중전기기의 시점 별 절연 상태정보를 고장 판단 모델에 입력하여 각 중전기기를 시스템 계층으로 나누고, 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 기준으로 각 중전기기를 대상으로 시스템 계층 별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값을 도출하며, 도출된 시스템 계층 별로 요구되는 기능 레벨의 시점 별 상태 값의 만족 여부에 따라 고장 예측 시점을 판단하는 고장 판단 모델을 학습할 수 있다.

본 발명의 일 실시예에 따르면 각 중전기기를 미리 설정된 기준에 따라 복수의 하위 계층에 포함된 장치를 가진 상위 계층에 포함된 장치인 상위 계층으로 표현되는 형식으로 시스템 계층을 나누고, 상위 계층으로 갈수록 상위 장치이며, 상위 장치를 이루고 있는 복수의 부품 또는 구성품을 해당 상위 계층의 하위 계층으로 표현될 수 있다.

본 발명의 일 실시예에 따르면 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 수신한 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 분석하여 확률 분포를 산출하고 산출된 확률 분포를 사전 분포로 설정하고, 상기 출력 변수 대한 사전 분포를 베이시안 접근법을 이용하여 사후 분포로 지속적으로 업데이트를 수행할 수 있다.

본 발명의 일 실시예에 따르면 더 높은 정확도를 위하여 고장 판단 모델을 업데이트 하기 위하여 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 입력하여 불확실성의 정도에 따라 확률 분포를 산출하여 사전 분포로 설정할 수 있다.

상기 일 실시 예에 따르면 수학식 8과 같이 사전 분포(

)에 가능도 함수를 적용하여 사후 분포(

본 발명의 일 실시예에 따르면 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 상기 절연 상태 판단 모델에 입력하여, 예측 대상 중전기기의 시점 별 절연 상태정보를 제공받고, 예측 대상 중전기기의 시점별 절연 상태정보 및 예측 대상 중전기기의 진단 이력 데이터를 고장 판단 모델에 입력하여 고장 예측 시점 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 학습된 절연 상태 판단 모델 및 고장 판단 모델을 이용하여 예측 대상 중전기기의 고장 예측 시점을 제공받을 수 있다.

본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims

중전기기 예방 정비 권고 시스템에 있어서,
각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보와 적어도 하나의 센서가 수집한 센서 측정 데이터를 저장하는 데이터 베이스; 및
입력 받은 상기 데이터 베이스로부터 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보, 센서 측정 데이터를 분석하여 예방 정비 권고 정보를 생성하는 관리 서버를 포함하고,
상기 데이터 베이스는,
데이터 기록 파일을 이용하거나 데이터 입력 폼을 제공하여 사용자로부터 직접 입력 받아 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 관리하는 오프라인 데이터 관리부;
복수의 중전기기에 대한 중전기기의 식별 정보 및 적어도 하나 이상의 센서로부터 주기적으로 센서 측정 결과 데이터를 업로드 받아 관리하는 온라인 데이터 관리부; 및
상기 중전기기 식별 정보를 기준으로 제조사, 제조시기, 전동기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 복수의 중전기기를 그룹핑하여 데이터 그룹을 생성하고, 상기 데이터 그룹에 포함된 각 중전 기기 별로 진단 이력 데이터 및 센서 측정 결과 데이터를 관리하는 연관 데이터 그룹 생성부를 더 포함하고,
상기 관리 서버는,
상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행시켜 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습시키는 열화 시뮬레이션 모델 학습부;
상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 기반으로 예측 대상 중전기기의 진단 항목 마다 설정된 최적 값과의 오차 추이에 따라 예측 대상 중전기기의 열화 가중치 지수(γ)를 산출하고, 상기 열화 가중치 지수를 열화 시뮬레이션 모델에 반영하는 열화 가중치 반영부;
상기 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성하며, 상기 열화 예측 정보에 포함된 열화 예측 시기에 따라 예방 정비 권고 정보를 생성하는 예방 정비 권고 정보 생성부; 및
복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 절연 상태 판단 모델 및 고장 판단 모델을 학습하고, 학습된 상기 절연 상태 판단 모델 및 고장 판단 모델을 이용하여 예측 대상 중전기기의 고장 예측 시점 정보를 포함한 건전성 분석 정보를 생성하는 건전성 분석 정보 생성부를 더 포함하고,
상기 열화 시뮬레이션 모델 학습부는
중전기기의 정지 이벤트 발생 빈도, 중전 기기 운전 패턴, 설치 환경 중 적어도 하나 이상의 정보를 기준으로 가중치 지수 β를 산출하고, 산출된 β를 상기 방정식에 반영하고,
상기 열화 가중치 반영부는,
상기 센서 측정 결과 데이터를 분석하여 상기 예측 대상 중전기기의 진단 항목 마다 설정된 최적 값과의 오차를 산출하고, 상기 오차의 크기가 클수록 높은 값을 가지는 가중치 지수 γ를 산출하여 수학식 2와 같이 상기 방정식에 가중치를 적용하여 상기 열화 시뮬레이션 모델에 반영하고,
상기 예방 정비 권고 정보 생성부는,
상기 열화 예측 정보에 포함된 열화 예측 시기에 가중치 δ, 상기 건전성 분석 정보에 포함된 고장 예측 시점에 가중치 ε를 산정하고, 가중치를 적용한 열화 예측 정보 및 건전성 분석 정보를 이용하여 상기 예방 정비 권고 정보를 생성하고,
상기 가중치 δ와 가중치 ε는 처음엔 각각 1로 동일하게 부여하고, 상기 진단 이력 데이터를 입력하여 출력된 시점 정보가 과거에 발생한 고장 이력 데이터와 매칭되는지 여부에 따라 상대적으로 정확도가 상승하는 방향으로 가중치 δ와 가중치 ε의 비율을 각각 조정하는 식으로 업데이트를 수행하여 가중치들을 산정하고,
상기 예방 정비 권고 정보는 열화 예측 정보에 포함된 열화 예측 시기에 가중치 δ, 건전성 분석 정보에 포함된 고장 예측 시점에 가중치 ε를 산정하고 각 시점에 대해 가중치를 적용한 값에 대한 평균 값을 구해진 시점을 기준으로 생성하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템.
[수학식 2]
제 1 항에 있어서 상기 열화 시뮬레이션 모델 학습부는,
상기 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고,
생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하여 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습시키는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템.
제 2 항에 있어서 상기 열화 시뮬레이션 모델 학습부는,
상기 미리 저장된 회귀 모델에 의해 산출된 상기 방정식을 통한 분석 결과 값과 진단 이력 데이터를 대비하여 진단 이력 데이터와의 오차가 상대적으로 가장 적게 발생하는 분석 결과 값을 가지는 회귀 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 설계하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템.
삭제
삭제
제 1 항에 있어서 상기 건전성 분석 정보 생성부는,
상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 단위 공간을 설정하고, 정상 상태와 비정상 상태를 판단하기 위한 상기 단위 공간 내에서의 거리 평균을 산출하여 거리 평균을 통해 절연 상태를 판단할 수 있는 절연 상태 판단 모델을 학습시키는 절연 상태 판단 모델 학습부;
상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터 및 상기 복수의 중전기기의 시점 별 절연 상태정보를 고장 판단 모델에 입력하여 각 중전기기를 시스템 계층으로 나누고, 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 기준으로 각 중전기기를 대상으로 상기 시스템 계층 별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값을 도출하며, 도출된 시스템 계층 별로 요구되는 기능 레벨의 시점 별 상태 값의 만족 여부에 따라 고장 예측 시점을 판단하는 고장 판단 모델을 학습시키는 고장 판단 모델 학습부;
상기 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 수신한 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 분석하여 확률 분포를 산출하고 산출된 확률 분포를 사전 분포로 설정하고, 상기 출력 변수 대한 사전 분포를 베이시안 접근법을 이용하여 사후 분포로 지속적으로 업데이트를 수행하는 모델 데이터 학습 수행부; 및
예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 상기 절연 상태 판단 모델에 입력하여, 상기 예측 대상 중전기기의 시점 별 절연 상태정보를 제공받고, 상기 예측 대상 중전기기의 시점별 절연 상태정보 및 예측 대상 중전기기의 진단 이력 데이터를 고장 판단 모델에 입력하여 고장 예측 시점 정보를 생성하는 고장 예측 시점 정보 생성부를 더 포함하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템.
제 6 항에 있어서 상기 절연 상태 판단 모델 학습부는,
입력 받은 중전기기의 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여,
입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 정상 그룹을 생성하고,
상기 정상 그룹에 포함된 진단 이력 데이터를 대상으로 정규화를 수행하여 상기 정상 그룹의 중심점으로부터 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정하고, 측정된 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템.
제 7 항에 있어서 상기 절연 상태 판단 모델 학습부는,
상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터를 대상으로 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균 값을 뺀 값을 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 주어 정규화를 수행하여 각 진단 이력 데이터 별 복수의 정규화된 벡터를 산출하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템.
제 8 항에 있어서 상기 절연 상태 판단 모델 학습부는,
상기 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 측정하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템.
제 7 항에 있어서 상기 절연 상태 판단 모델 학습부는,
입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여,
입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 비정상 그룹을 생성하고,
상기 비정상 그룹에 포함된 복수의 진단 이력 데이터의 주요 변수 측정 데이터에서 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균값을 뺀 값을 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 비정상 그룹을 정규화 하여 복수의 정규화된 벡터를 산출하고,
상기 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 비정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템.
제 10 항에 있어서 상기 절연 상태 판단 모델 학습부는,
상기 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포가 미리 설정된 기준 이상 차이가 나지 아니하는 경우,
상기 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 절연 상태 판단 모델의 학습을 반복하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템.
제 11 항에 있어서 상기 절연 상태 판단 모델 학습부는,
상기 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포의 차이를 크게 하기 위하여 주요 변수 중 복수의 예측 유용 변수를 선정하고,
상기 선정된 예측 유용 변수를 기준으로 상기 정상 그룹의 단위 공간 및 단위 거리를 재선정하도록 절연 상태 판단 모델을 재 학습하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템.
제 12 항에 있어서 상기 절연 상태 판단 모델 학습부는,
상기 복수의 예측 유용 변수를 선정하기 위하여 2수준계 직교배열표를 이용하여 내측배열과 외측배열에 변수와 신호인자를 배치하고, 각 주요 변수를 대상으로 단위 거리를 계산하고, 계산한 값의 신호 잡음비를 도출하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템.
제 12 항에 있어서 상기 절연 상태 판단 모델 학습부는,
상기 복수의 예측 유용 변수에 포함된 변수 개별로 예측 능력이 있는지 여부를 판단하기 위하여, 각 변수를 대상으로 계산한 단위 거리의 신호 잡음비 평균의 차를 이용하여 신호 잡음비 이득을 산출하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템.
제 14 항에 있어서 상기 절연 상태 판단 모델 학습부는,
상기 신호 잡음비 이득이 음의 값을 갖는 경우 해당 변수는 예측 능력이 없는 것으로 판단하고,
상기 신호 잡음비 이득이 양의 값을 갖는 경우 예측 능력이 있는 것으로 판단하며,
상기 양의 값이 클수록 예측 능력이 높은 것으로 판단하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템.
중전기기 예방 정비 권고 시스템에 있어서,
각 중전기기 별로 진단 정보를 시계열적으로 정렬하여 생성한 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보와 적어도 하나의 센서가 수집한 센서 측정 데이터를 데이터 베이스에 저장하는 단계; 및
입력 받은 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보, 센서 측정 데이터를 분석하여 예방 정비 권고 정보를 생성하는 단계를 포함하고,
상기 데이터를 저장하는 단계는,
데이터 기록 파일을 이용하거나 데이터 입력 폼을 제공하여 사용자로부터 직접 입력 받아 복수의 중전기기에 대한 진단 이력 데이터 및 중전기기 식별 정보를 관리하는 단계;
복수의 중전기기에 대한 중전기기의 식별 정보 및 적어도 하나 이상의 센서로부터 주기적으로 센서 측정 결과 데이터를 업로드 받아 관리하는 단계;
상기 중전기기 식별 정보를 기준으로 제조사, 제조시기, 전동기기 용량 중 적어도 하나의 항목에 대하여 연관성을 가지는 복수의 중전기기를 그룹핑하여 데이터 그룹을 생성하고, 상기 데이터 그룹에 포함된 각 중전 기기 별로 진단 이력 데이터 및 센서 측정 결과 데이터를 관리하는 단계를 더 포함하고,
상기 예방 정비 권고 정보를 생성하는 단계는,
상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고, 생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행시켜 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습시키는 단계;
상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기의 센서 측정 결과 데이터를 기반으로 예측 대상 중전기기의 진단 항목 마다 설정된 최적 값과의 오차 추이에 따라 예측 대상 중전기기의 열화 가중치 지수(γ)를 산출하고, 상기 열화 가중치 지수를 열화 시뮬레이션 모델에 반영하는 단계; 및
상기 열화 시뮬레이션 모델에 따라 각 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성하며, 상기 열화 예측 정보에 포함된 열화 예측 시기에 따라 예방 정비 권고 정보를 생성하는 단계를 더 포함하고,
복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 절연 상태 판단 모델 및 고장 판단 모델을 학습하고, 학습된 상기 절연 상태 판단 모델 및 고장 판단 모델을 이용하여 예측 대상 중전기기의 고장 예측 시점 정보를 포함한 건전성 분석 정보를 생성하는 단계를 더 포함하고,
상기 상기 열화 가중치 지수를 열화 시뮬레이션 모델에 반영하는 단계는,
상기 센서 측정 결과 데이터를 분석하여 상기 예측 대상 중전기기의 진단 항목 마다 설정된 최적 값과의 오차를 산출하고, 상기 오차의 크기가 클수록 높은 값을 가지는 가중치 지수 γ를 산출하여 수학식 2와 같이 상기 방정식에 가중치를 적용하여 상기 열화 시뮬레이션 모델에 반영하고,
상기 예방 정비 권고 정보를 생성하는 단계는,
상기 열화 예측 정보에 포함된 열화 예측 시기에 가중치 δ, 상기 건전성 분석 정보에 포함된 고장 예측 시점에 가중치 ε를 산정하고, 가중치를 적용한 열화 예측 정보 및 건전성 분석 정보를 이용하여 상기 예방 정비 권고 정보를 생성하고,
상기 가중치 δ와 가중치 ε는 처음엔 각각 1로 동일하게 부여하고, 상기 진단 이력 데이터를 입력하여 출력된 시점 정보가 과거에 발생한 고장 이력 데이터와 매칭되는지 여부에 따라 상대적으로 정확도가 상승하는 방향으로 가중치 δ와 가중치 ε의 비율을 각각 조정하는 식으로 업데이트를 수행하여 가중치들을 산정하고,
상기 예방 정비 권고 정보는 열화 예측 정보에 포함된 열화 예측 시기에 가중치 δ, 건전성 분석 정보에 포함된 고장 예측 시점에 가중치 ε를 산정하고 각 시점에 대해 가중치를 적용한 값에 대한 평균 값을 구해진 시점을 기준으로 생성하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법.
[수학식 2]
제 16 항에 있어서 상기 열화 시뮬레이션 모델을 학습시키는 단계는,
상기 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 그룹핑을 수행하여 복수의 데이터 세트를 생성하고,
생성된 각 데이터 세트에 포함된 이력 데이터를 학습 데이터로 이용하여 각 데이터 세트 별로 미리 저장된 회귀 모델을 통해 회귀 분석을 수행하여 1차 방정식의 형식을 가지는 방정식을 산출하도록 열화 시뮬레이션 모델을 학습시키는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법.
제 17 항에 있어서 상기 열화 시뮬레이션 모델을 학습시키는 단계는,
상기 미리 저장된 회귀 모델에 의해 산출된 상기 방정식을 통한 분석 결과 값과 진단 이력 데이터를 대비하여 진단 이력 데이터와의 오차가 상대적으로 가장 적게 발생하는 분석 결과 값을 가지는 회귀 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 설계하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법.
삭제
삭제
제 16 항에 있어서 상기 건전성 분석 정보를 생성하는 단계는,
상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 학습 데이터로 입력 받아 단위 공간을 설정하고, 정상 상태와 비정상 상태를 판단하기 위한 상기 단위 공간 내에서의 거리 평균을 산출하여 거리 평균을 통해 절연 상태를 판단할 수 있는 절연 상태 판단 모델을 학습시키는 단계;
상기 데이터 베이스로부터 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터 및 상기 복수의 중전기기의 시점 별 절연 상태정보를 고장 판단 모델에 입력하여 각 중전기기를 시스템 계층으로 나누고, 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터를 기준으로 각 중전기기를 대상으로 상기 시스템 계층 별로 요구되는 기능 레벨의 중요 측정 항목에 대한 시점 별 상태 값을 도출하며, 도출된 시스템 계층 별로 요구되는 기능 레벨의 시점 별 상태 값의 만족 여부에 따라 고장 예측 시점을 판단하는 고장 판단 모델을 학습시키는 단계;
상기 고장 판단 모델에서 도출된 각 중전기기를 대상으로 시스템 계층 별로 요구되는 복수의 기능 레벨의 시점 별 상태 값을 출력 변수로 선정하고, 수신한 예측 대상 중전기기와 동일한 중전 기기 그룹에 포함된 복수의 중전기기에 대한 진단 이력 데이터와 출력 변수를 분석하여 확률 분포를 산출하고 산출된 확률 분포를 사전 분포로 설정하고, 상기 출력 변수 대한 사전 분포를 베이시안 접근법을 이용하여 사후 분포로 지속적으로 업데이트를 수행하는 단계; 및
예측 대상 중전기기의 진단 이력 데이터 및 중전기기 식별 정보를 상기 절연 상태 판단 모델에 입력하여, 상기 예측 대상 중전기기의 시점 별 절연 상태정보를 제공받고, 상기 예측 대상 중전기기의 시점별 절연 상태정보 및 예측 대상 중전기기의 진단 이력 데이터를 고장 판단 모델에 입력하여 고장 예측 시점 정보를 생성하는 단계를 더 포함하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법.
제 21 항에 있어서 상기 절연 상태 판단 모델을 학습시키는 단계는,
입력 받은 중전기기의 진단 이력 데이터 중 정상 상태 및 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여,
입력 받은 중전기기의 진단 이력 데이터 중 정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 정상 그룹을 생성하고,
상기 정상 그룹에 포함된 진단 이력 데이터를 대상으로 정규화를 수행하여 상기 정상 그룹의 중심점으로부터 상기 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정하고, 측정된 단위 거리들의 단위 거리 평균이 1.0이 되는 공간을 단위 공간으로 선정하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법.
제 22 항에 있어서 상기 절연 상태 판단 모델을 학습시키는 단계는,
상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터를 대상으로 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균 값을 뺀 값을 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 주어 정규화를 수행하여 각 진단 이력 데이터 별 복수의 정규화된 벡터를 산출하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법.
제 23 항에 있어서 상기 절연 상태 판단 모델을 학습시키는 단계는,
상기 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 측정하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법.
제 22 항에 있어서 상기 절연 상태 판단 모델을 학습시키는 단계는,
입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 진단 이력 데이터의 복수의 주요 변수 측정 데이터를 절연 판단 모델에 입력하여,
입력 받은 중전기기의 진단 이력 데이터 중 비정상 상태로 미리 진단된 복수의 진단 이력 데이터의 주요 변수 측정 데이터를 기준으로 비정상 그룹을 생성하고,
상기 비정상 그룹에 포함된 복수의 진단 이력 데이터의 주요 변수 측정 데이터에서 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 평균값을 뺀 값을 상기 정상 그룹에 포함된 각 진단 이력 데이터의 주요 변수 측정 데이터의 표준편차로 나누어 비정상 그룹을 정규화 하여 복수의 정규화된 벡터를 산출하고,
상기 복수의 정규화된 벡터를 대상으로 상관계수로 구성된 상관행렬의 역행렬을 적용하여 비정상 그룹에 포함된 복수의 진단 이력 데이터들과의 확률분포 거리를 단위 거리로 측정하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법.
제 25 항에 있어서 상기 절연 상태 판단 모델을 학습시키는 단계는,
상기 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포가 미리 설정된 기준 이상 차이가 나지 아니하는 경우,
상기 절연 상태 판단 모델의 학습이 완료되지 아니한 것으로 판단하여 미리 설정된 기준 이상 차이가 날 때까지 절연 상태 판단 모델의 학습을 반복하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법.
제 26 항에 있어서 상기 절연 상태 판단 모델을 학습시키는 단계는,
상기 정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리와 상기 비정상 그룹에 포함된 복수의 진단 이력 데이터들의 단위 거리의 분포의 차이를 크게 하기 위하여 주요 변수 중 복수의 예측 유용 변수를 선정하고,
상기 선정된 예측 유용 변수를 기준으로 상기 정상 그룹의 단위 공간 및 단위 거리를 재선정하도록 절연 상태 판단 모델을 재 학습하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법.
제 27 항에 있어서 상기 절연 상태 판단 모델을 학습시키는 단계는,
상기 복수의 예측 유용 변수를 선정하기 위하여 2수준계 직교배열표를 이용하여 내측배열과 외측배열에 변수와 신호인자를 배치하고, 각 주요 변수를 대상으로 단위 거리를 계산하고, 계산한 값의 신호 잡음비를 도출하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법.
제 27 항에 있어서 상기 절연 상태 판단 모델을 학습시키는 단계는,
상기 복수의 예측 유용 변수에 포함된 변수 개별로 예측 능력이 있는지 여부를 판단하기 위하여, 각 변수를 대상으로 계산한 단위 거리의 신호 잡음비 평균의 차를 이용하여 신호 잡음비 이득을 산출하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법.
제 29 항에 있어서 상기 절연 상태 판단 모델을 학습시키는 단계는,
상기 신호 잡음비 이득이 음의 값을 갖는 경우 해당 변수는 예측 능력이 없는 것으로 판단하고,
상기 신호 잡음비 이득이 양의 값을 갖는 경우 예측 능력이 있는 것으로 판단하며,
상기 양의 값이 클수록 예측 능력이 높은 것으로 판단하는 것을 특징으로 하는 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 방법.