KR102606063B1 - 고장 예측 기능을 구비한 빌딩자동제어시스템 - Google Patents
고장 예측 기능을 구비한 빌딩자동제어시스템 Download PDFInfo
- Publication number
- KR102606063B1 KR102606063B1 KR1020230064707A KR20230064707A KR102606063B1 KR 102606063 B1 KR102606063 B1 KR 102606063B1 KR 1020230064707 A KR1020230064707 A KR 1020230064707A KR 20230064707 A KR20230064707 A KR 20230064707A KR 102606063 B1 KR102606063 B1 KR 102606063B1
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- equipment
- unit
- vibration energy
- building
- Prior art date
Links
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- 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
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명의 빌딩자동제어시스템은,빌딩자동제어시스템(10)은 중앙 제어 장치(100)를 포함하고, 상기 중앙제어장치(100)은 설비(300) 또는 장비(400)들 각각에 설치되는 진동센서(310, 410)들로 부터 측정된 측정값들을 연산하는 제어부(110), 제어부(110)에서 연산된 데이타가 저장되는 메모리부(120)을 포함하며,
상기 기준값 설정부(112)는 상기 보정값 메모리(122)에 저장된 보정 진동에너지계수에 고장계수를 곱하여 기준 진동에너지계수로 설정하여 기준값 메모리(123)에 저장하며, 고장 예측부(114)는 측정값 메모리(121)에 저장된 측정 진동에너지계수가 기준 진동에너지계수보다 클 경우에는 해당 설비(300) 또는 장비(400)에 고장이 발생할 수 있다는 예측을 하고, 상기 중앙 제어 장치(100)는 해당 설비(300) 또는 장비(400)에 대해 고장이 발생할 수 있다는 예측 메시지를 생성하여 사용자에게 통지하는 것을 특징으로 한다.
상기 기준값 설정부(112)는 상기 보정값 메모리(122)에 저장된 보정 진동에너지계수에 고장계수를 곱하여 기준 진동에너지계수로 설정하여 기준값 메모리(123)에 저장하며, 고장 예측부(114)는 측정값 메모리(121)에 저장된 측정 진동에너지계수가 기준 진동에너지계수보다 클 경우에는 해당 설비(300) 또는 장비(400)에 고장이 발생할 수 있다는 예측을 하고, 상기 중앙 제어 장치(100)는 해당 설비(300) 또는 장비(400)에 대해 고장이 발생할 수 있다는 예측 메시지를 생성하여 사용자에게 통지하는 것을 특징으로 한다.
Description
본 발명은 빌딩설비자동제어 시스템에 관한 것으로, 보다 상세하게는, 현장에서 빌딩설비의 운전상태 파악 및 제어와 함께 빌딩설비의 고장 발생 가능성과 고장 위치를 사전에 판단할 수 있는 고장 예측 기능을 구비한 빌딩설비자동제어 시스템에 관한 것이다.
빌딩자동제어시스템(Building Automation System, BAS)는 건물 내부의 전력, 공기조화 냉난방 설비, 조명, 보안 등을 자동으로 제어하는 통합 시스템이다. 이 시스템은 건물 내부의 다양한 장치와 설비 등 시설물들을 하나의 통합된 시스템으로 관리하며, 건물의 안전성, 효율성, 편의성 등을 증진시킨다.
통합된 시스템은 현장 내 장치와 설비 등 시설물들에 대한 유지, 점검 및 보수가 이루어져야만 하고, 빌딩설비자동제어 시스템에 연결된 장비들에 대한 불량의 판단이나 고장의 예측이 필요하다.
장비에 대한 불량 판단이나 고장 예측과 관련된 것으로, 특허문헌1에는 부하변동에 추종하여 설계상 운전시와 실제 운전시의 상관관계를 비교 분석하여 고장 조기진단이 가능하게 하고 이론상 설계 효율과 실운전 효율의 연관관계를 분석하여 비효율적 운전 및 고장을 사전에 진단하고, 고장인자의 추이 변화폭을 분석하여 임계값 도달 예상시간을 산출하며, 전기기기의 잔존수명을 연산하여 운전자에게 정보를 하는 기술이 공개되어 있으나, 이론상 설계 효율과 실운전 효율의 연관관계를 분석하여 고장을 판단하나, 실질적인 실운전 효율자체를 산출하기가 어려우므로 실질적으로 현장에 적용되고 있는 실제 사례를 찾아보기 어렵다.
한편, 최근에는 인공지능 기술인 머신러닝, 딥러닝 등의 기술이 발전하여 컴퓨터에 대량의 센서 데이터를 수집하고, 이를 기반으로 고장 예측 알고리즘을 학습시키고, 이후, 학습된 알고리즘을 사용하여 실시간으로 센서 데이터를 분석하고, 고장 가능성이 높은 장치에 대해 경고 메시지를 발생시켜 예방적인 유지보수를 하여함으로써 건물 내부 시설물의 안정성과 신뢰성을 높이며, 장치의 고장을 예방적으로 관리하는 기술이 다양하게 제안되고 있다.
그러나 건물 내부 시설물의 종류가 다양하고 고장의 형태도 복잡하여 인공지능 기술을 적용하여 처리해야 하는 데이터의 양도 많아진다. 예를 들어, 이미지 인식을 위해 딥러닝 알고리즘을 사용하는 경우, 수백만 개의 이미지를 처리해야 하고, 이는 처리할 데이터 양이 많기 때문에 대용량 저장 장치와 빠른 처리 속도가 필요하고, 이에 따라 처리 용량이 증가하므로 빌딩자동제어시스템에 내재되는 적은 용량의 시스템으로는 채택이 어렵다.
따라서 빌딩자동제어시스템에 내재되는 적은 용량의 시스템으로 효율적으로 건물 내부 시설물의 고장을 예측할 수 있는 빌딩자동제어시스템 기술의 개발이 필요하다.
특허문헌
(특허문헌1) 대한민국 등록특허 10-1331579 (2013.11.14 등록)
이에, 본 발명이 해결하고자 하는 과제는 건물 내부에 설치되는 설비(300) 또는 장비(400)의 작동상태를 기초로 설비(300) 또는 장비(400)의 고장 발생 가능성과 고장 위치를 사전에 판단할 수 있는 고장 예측 기능을 구비한 빌딩자동제어시스템을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는 빌딩자동제어시스템에 내재되는 적은 용량의 시스템으로 효율적으로 건물 내부에 설치되는 설비(300) 또는 장비(400)의 고장을 예측할 수 있는 빌딩자동제어시스템을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는 데이터의 처리량이 적은 인공지능 알고리즘을 이용하여 빌딩자동제어시스템 스스로 고장예측 기능을 발전시켜 정확한 판단을 할 수 있게 하는 고장 예측 기능을 구비한 빌딩자동제어시스템을 제공하는 것이다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 빌딩설비의 고장을 예측하는 빌딩자동제어시스템은, 중앙 제어 장치(100)를 포함하고, 상기 중앙제어장치(100))은 설비(300) 또는 장비(400)들 각각에 설치되는 진동센서(310, 410)들로 부터 측정된 측정값들을 연산하는 제어부(110), 제어부(110)에서 연산된 데이타가 저장되는 메모리부(120)을 포함하며,
상기 제어부(110)은 데이터 처리부(111), 기준값 설정부(112) 고장 예측부(114) 및 고장 패턴 모델 학습부(113)을 포함하고, 상기 메모리부(120)는 측정값 메모리(121), 보정값 메모리(122) 및 상기 각 설비(300) 또는 장비(400)의 고장 예측 판단의 기준값이 저장되는 기준값 메모리(123)를 포함하며,
상기 데이터 처리부(111)은 각 장비(400)에 부착되어 있는 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산하여 각 단위 연산 시간 동안의 측정 진동에너지계수를 생성하여 측정값 메모리(121)에 저장하고,
일정한 주기에 따라 전문가가 상기 각 설비(300) 또는 장비(400)의 상태를 점검하는 전문 점검 후 안전한 것으로 판단했을 때 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산하여 각 단위 연산 시간 동안의 보정 진동에너지계수를 생성하여 보정값 메모리(122)에 저장하며.
상기 기준값 설정부(112)는 상기 보정값 메모리(122)에 저장된 보정 진동에너지계수에 고장계수를 곱하여 기준 진동에너지계수로 설정하여 기준값 메모리(123)에 저장하며,
고장 예측부(114)는 측정값 메모리(121)에 저장된 측정 진동에너지계수가 기준 진동에너지계수보다 클 경우에는 해당 설비(300) 또는 장비(400)에 고장이 발생할 수 있다는 예측을 하고, 상기 중앙 제어 장치(100)는 해당 설비(300) 또는 장비(400)에 대해 고장이 발생할 수 있다는 예측 메시지를 생성하여 사용자에게 통지하는 것을 특징으로 한다.
본 발명의 다른 특징에 따르면, 상기 진동에너지계수는 진동의 진동수와 진폭을 적분한 데이터를 사용하는 것으로 아래의 수학식(1)에 의해 계산되는 것을 특징으로 하는 고장 예측 기능을 구비한 빌딩설비의 고장을 예측하는 빌딩자동제어시스템
[수학식 1]
여기서 Ei는 i 번째 설비(300) 또는 장비(400)의 진동에너지계수를 의미하며, X, Y은 i 번째 단말장치에 부착된 1, 2번째 센서에서 측정되는 진동수, A, B는 i 번째 설비(300) 또는 장비(400)에 부착된 1, 2번째 센서에서 측정되는 진폭, a, b는 i 번째 설비(300) 또는 장비(400)에 부착된 1, 2번째 센서의 중요도 비례상수를 의미하며, Δt는 분석시간을 의미한다.
본 발명의 또 다른 특징에 따르면, 상기 중앙 제어 장치(100)로부터 고장 예측 통보를 받은 사용자는 정밀 점검을 실시하고 실제 고장이 난 경우에는 고장이 발생하였다는 메시지를 고장 패턴 모델 학습부에 입력하고, 고장 패턴 모델 학습부는 고장이 발생하였다는 메시지를 받기 직전 고장 예측시의 측정값을 보정값 메모리에 저장하며,
상기 고장 패턴 모델 학습부(113)은 데이터 처리부(111)에 의해 생성된 보정값을 포함하는 통계 데이터 및 실제 고장 직전의 데이터를 기초로 고장 여부 판단을 타겟으로 하는 인공지능 머신러닝 알고리즘을 이용하여, 설비(300) 또는 장비별로 단위 시간당 진폭과 진동수 및 진동에너지계수를 포함하는 특징 패턴과 고장 사이의 맵핑 관계를 검출하고, 통계 데이터 및 맵핑 관계로부터 고장 패턴 모델을 학습하고, 학습된 고장 패턴 모델을 메모리부(120)에 저장하는 것을 특징으로 한다.
본 발명의 또 다른 특징에 따르면, 상기 기준값 설정부(112)는 상기 보정값 메모리(122)에 저장된 진동에너지계수에 고장계수를 곱하여 기준값으로 설정하여 기준값 메모리(123)에 저장하고, 상기 고장 계수는 최초에는 2로 설정하여 기준값을 설정하고, 추후 실제 고장이 일어날 때의 진폭과 진동에너지계수를 학습하여 자동적으로 변경하여 설정하도록 하는 것을 특징으로 한다.
상기 진동신호의 진폭과 진동수의 연산 간격은 10분이고, 각 단위 연산 시간은 10초 이상인 것이 바람직하다.
기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명은 빌딩자동제어시스템에 내재되는 적은 용량의 시스템으로 효율적으로 건물 내부 시설물의 실제 고장 전에 고장을 예측하므로 고장에 따른 경제적, 신용적 피해를 저감할 수 있다.
또한, 본 발명은 진동센서로 부터 수신한 진동신호의 진폭과 진동수를 연산한 진동에너지계수를 이용하여 고장을 예측하므로 고장을 예측하는데 많은 메모리와 고도의 연산을 하지 않고도 고장을 예측할 수 있다.
또한, 본 발명은 데이터의 처리량이 적은 인공지능 알고리즘을 이용하여 빌딩자동제어시스템 스스로 고장예측 기능을 발전시켜 정확한 판단을 할 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1는 본 발명의 일 실시예에 따른 자동제어 시스템의 구성을 나타낸 도면이다.
도 2은 본 발명의 일 실시예에 따른 중앙 제어 장치에 대한 구성도이다.
도 3은 본 발명의 일 실시예에 따른 고장 예측 기능을 구비한 자동제어 시스템의 장비센서-설비 제어기블록도이다.
도 4는 본 발명의 일 실시예에 따른 고장 예측 기능을 구비한 자동제어 시스템의 제어부와 메모리부의 블록도이다.
도 2은 본 발명의 일 실시예에 따른 중앙 제어 장치에 대한 구성도이다.
도 3은 본 발명의 일 실시예에 따른 고장 예측 기능을 구비한 자동제어 시스템의 장비센서-설비 제어기블록도이다.
도 4는 본 발명의 일 실시예에 따른 고장 예측 기능을 구비한 자동제어 시스템의 제어부와 메모리부의 블록도이다.
이하, 첨부한 도면을 참조하여 본 발명의 실시예에 대하여 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조부호를 붙였다.
본 발명에서의 빌딩설비의 고장을 예측하는 빌딩자동제어시스템은 고장 예측 기능을 탑재한 사전 에너지 소비 방지를 위한 통합 빌딩 자동제어시스템으로, 본 발명에서 빌딩이라 함은 건축물을 의미하는 것으로, 그 적용 대상은 사무실 건물, 공장 등의 자동화를 포함하는 개념이다.
도 1에 도시한 바와 같이, 본 발명의 일 실시예에 따른 빌딩자동제어시스템(10)은 중앙 제어 장치(100), 상기 중앙 제어 장치(100)와 통신변환장치 (160)을 포함하는 통신 네트워크를 통해 연결된 하나 이상의 설비(300) 및 설비제어기(320)와 하나 이상의 장비(400) 및 장비제어기(420)을 포함하여 설비(300) 또는 장비(400)에서 입력되는 진동신호를 중앙 제어 장치(100)에 전달하여 처리한다.
이때 설비(300) 또는 장비(400)에서 입력되는 진동신호를 DDC로 구성되는 설비제어장치(330) 또는 장비제어장치(430)에서 처리한 후 중앙 제어 장치(100)에 전달하는 것이 바람직하다.
여기서, 설비(300)는, 상기 중앙 제어 장치(100)을 구성하는 서브 시스템으로서, 예를 들어, 에어컨, 환기, 공조기, 팬, 보일러, 냉각탑, 펌프, 온/습도센서, 냉동기, 조명기기, 전력 기기, 화재 시스템 등을 의미할 수 있다.
장비(400)는 예를 들어 공조기를 설비로 하는 경우, 댐퍼 등을 의미할 수 있다.
중앙 제어 장치(100)는 하나 이상의 설비(300) 또는 장비(400)에 대한 하나 이상의 진동센서(310, 410)를 등록하고, 상기 진동센서(310, 410)를 이용하여 상기 설비 및 장비의 불량을 관제한다.
설비(300)가 공조기인 경우를 예로 들어, 본 발명의 일 실시예에 따른 중앙 제어 장치(100)에 대한 구성도를 도 3에 나타냈다.
중앙 제어 장치(100)는 공조기(미도시)와 통신 가능하도록 연결된 제어부(110)를 포함한다.
중앙제어장치(100)는 하나 이상의 설비(300) 또는 장비(400)에 대한 하나 이상의 진동센서(310, 410)을 등록하고, 상기 진동센서(310, 410)을 이용하여 상기 설비의 불량을 검출하고 이를 통해 설비의 고장을 예측할 수 있다.
상기 중앙제어장치(100))은 장비(400)들 각각에 설치되는 진동센서(310, 410)들로 부터 측정된 측정값들을 연산하는 제어부(110), 제어부(110)에서 연산된 데이타가 저장되는 메모리부(120)와 디스플레이부(130), 입력부(140)을 포함한다.
제어부(110)은 데이터 처리부(111), 기준값 설정부(112), 고장 패턴 모델 학습부(113) 및 고장 예측부(114)를 포함한다.
또한 메모리부(120)는 측정값 메모리(121), 보정값 메모리(122), 및 상기 각 설비(300) 또는 장비(400)의 고장 예측 판단의 기준값이 저장되는 기준값 메모리(123)을 포함한다.
빌딩자동제어시스템(10)의 설비(300) 또는 장비(400)들의 대부분은 일정한 주파수의 전기를 이용하여 작동되는데 설비(300) 또는 장비(400)에 불량이 발생하면 불량의 원인과 그 불량 정도에 따라 다양한 형태의 진동이 발생하게 되고, 진폭과 진동수 등 진동에너지도 변화하게 된다.
이러한 불량으로 인한 진동 형태를 분석하여 고장 직전의 진동과 유사한 형태의 진동이 발생할 시는 다시 고장이 발생할 것을 예측할 수 있는데, 설비(300) 또는 장비(400)의 진동의 형태가 다양하고 진동의 원인도 다양하여 진동의 형태 전체를 유사도를 분석하려면 대용량의 시스템이 필요하다.
한편 발명자는 대부분의 설비(300) 또는 장비(400)에서 불량으로 인한 진동의 형태는 다양하나, 진폭과 진동에너지의 변화를 이용하여 불량을 판단하여도 대부분의 불량을 검출할 수 있다는 사실을 발견하여 본 발명에 이르게 되었다.
예를 들면 공조기 휀의 모터베어링과 휀 날개에 불량이 있는 경우에 그 위치에 따라 진동 파형의 형상은 상이하나 최대 진폭과 진동에너지는 유사하다. 따라서 이미지 형태인 파형 전체를 분석하여 유사도를 판단하지 않고도 최대진폭과 진동에너지만을 비교하여도 공조기 휀의 모터베어링과 휀 날개에 불량을 검출할 수가 있음을 알 수 있었다.
이러한 원리에 기초하여 본 발명은 고장을 예측하기 위하여 상기 데이터 처리부(111)은 각 설비(300) 또는 장비(400)에 부착되어 있는 1개 이상의 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산하여 각 단위 연산 시간 동안의 측정 진동에너지계수를 생성하여 측정값 메모리(121)에 저장하고,
일정한 주기에 따라 전문가가 상기 각 설비(300) 또는 장비(400)의 상태를 점검하는 전문 점검 후 안전한 것으로 판단했을 때 진동센서로 부터 수신한 진동신호의 진폭과 진동수를 연산하여 각 단위 연산 시간 동안의 보정 진동에너지계수를 생성하여 보정값 메모리(122)에 저장한다.
바람직하게는 수신한 진동신호의 진폭과 진동수의 연산 간격은 10분이고, 각 단위 연산 시간은 휀의 모터베어링과 휀 날개에 불량을 검출할 수 있도록 10초 이상인 것이 바람직하다
바람직하게는 진동에너지를 산출하여 비교하는 것이 좋으나, 각 설비(300) 또는 장비(400)의 질량이 다양하여 진동에너지를 산출하기가 어려우므로 설비(300) 또는 장비(400)의 질량을 감안하지 않는 설비(300) 또는 장비(400)의 진동에너지계수를 산출하여 사용하여도 결과 값에 크게 영향을 미치지 않는다. 상기 진동에너지계수는 진동의 진동수와 진폭을 적분한 데이터를 사용하는 것으로 아래의 수학식(1)에 의해 계산하여 생성한다.
[수학식 1]
여기서 Ei는 i 번째 설비(300) 또는 장비(400)의 진동에너지계수를 의미하며, X, Y은 i 번째 단말장치에 부착된 1, 2번째 센서에서 측정되는 진동수, A, B는 i 번째 설비(300) 또는 장비(400)에 부착된 1, 2번째 센서에서 측정되는 진폭, a, b는 i 번째 설비(300) 또는 장비(400)에 부착된 1, 2번째 센서의 중요도 비례상수를 의미하며, Δt는 분석시간을 의미한다.
본 실시예에서는 공조기의 휀의 경우 휀모터에 1개의 센서를 부착하고 휀 케이싱에 1개의 센서가 부착하여 2개의 센서를 부착한 것과 같이 각 설비(300) 또는 장비(400)에 2개의 센서가 부착된 것으로 설명하고 있으나 각 설비(300) 또는 장비(400)의 구성에 따라 1개 또는 다수개의 센서가 부착될 수 있다. 이때 센서의 중요도 비례상수 a, b는 센서의 부착 위치에 따른 비례상수로 휀의 경우 휀모터 3, 케이싱은 2와 같이 그 부품 고장의 중요도에 따라 경험에 의해 선정하여 적용한다.
메모리부(120)은 측정과 연산 기준에 따라 여러 가지 형태로 데이터를 저장하는 메모리를 포함한다. 예를 들면 가동시에 진동센서로부터 수신한 진동신호의 진폭과 진동수 및 진동신호를 연산하여 각 단위 연산 시간 동안의 측정 진동에너지계수를 생성하여 측정값 메모리(121)에 저장하고, 일정한 주기에 따라 전문가가 상기 각 장비(400) 의 상태를 점검하는 전문 점검 후 안전한 것으로 판단했을 때 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산하여 각 단위 연산 시간 동안의 보정 진동에너지계수를 생성하여 보정값 메모리(122)에 저장한다.
기준값 설정부(112)는 상기 보정값 메모리(122)에 저장된 보정 진동에너지계수에 고장계수를 곱하여 기준 진동에너지계수로 설정하여 기준값 메모리(123)에 저장한다.
이때 고장 계수는 보통의 설비(300) 또는 장비(400)들이 안전율을 2배로 하여 설계하므로 최초에는 보통의 안전율과 같이 2로 설정하여 기준값을 설정하고, 추후 실제 고장이 일어날 때의 진폭과 진동에너지계수를 학습하여 자동적으로 변경하여 설정하도록 하는 것이 바람직하다.
고장 예측부(114)는 측정값 메모리(121)에 저장된 측정 진동에너지계수가 기준 진동에너지계수보다 클 경우에는 해당 설비(300) 또는 장비(400)에 고장이 발생할 수 있다는 예측을 하고, 중앙 제어 장치(100)는 해당 설비(300) 또는 장비(400)에 대해 고장이 발생할 수 있다는 예측 메시지를 생성하여 사용자에게 통지한다. 이때 예측 메시지는 해당 설비(300) 또는 장비(400)를 식별할 수 있는 데이터, 고장이 발생한 시점을 식별할 수 있는 데이터 등을 포함할 수 있다. 생성된 고장 메시지는 별도의 통신장치를 통해 관리자의 단말기나 휴대폰등으로 전송된다. 또한, 고장 메시지가 포함하는 데이터들은 고장 패턴 모델 학습부(113)로 전달되어 특징 패턴과 고장 사이의 맵핑 관계를 검출하는 인공지능 알고리즘에 반영되도록 할 수도 있다.
고장 예측 통보를 받은 사용자는 정밀 점검을 실시하고 실제 고장이 난 경우에는 고장이 발생하였다는 메시지를 입출력장치를 활용하여 고장 패턴 모델 학습부에 입력하고, 고장 패턴 모델 학습부는 고장이 발생하였다는 메시지를 받기 직전 고장 예측시의 측정값을 보정값 메모리에 저장한다.
고장 패턴 모델 학습부(113)은 데이터 처리부(111)에 의해 생성된 보정값을 포함하는 통계 데이터 및 실제 고장 직전의 데이터를 기초로 고장 여부 판단을 타겟으로 하는 인공지능 머신러닝 알고리즘을 이용하여, 자동제어시스템(10)에 연결된 다양한 설비(300) 또는 장비(400)별로 단위 시간당 진폭과 진동수 및 진동에너지계수를 포함하는 특징 패턴과 고장 사이의 맵핑 관계를 검출하고, 통계 데이터 및 맵핑 관계로부터 고장 패턴 모델을 학습한다. 또한, 이렇게 학습된 고장 패턴 모델은 메모리부(120)에 저장될 수도 있다.
고장 패턴 모델 학습부(113)은 인공 신경망 기법과 같은 머신러닝 알고리즘을 사용할 수 있으나, 이에 제한되지 않고, 기 공지된 다양한 머신러닝 알고리즘을 사용할 수도 있다. 즉, 고장 패턴 모델 학습부(113)은 데이터 처리부(111)에 의해 생성된 패턴 데이터와 메모리부(120)에 저장된 고장 여부 판단을 타겟으로 하는 머신 러닝 알고리즘을 사용하여 특징 패턴과 고장 간의 맵핑 관계를 학습 및 검출하여, 통계 데이터 및 맵핑 관계로부터 고장 패턴 모델을 학습할 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다.
따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 제한하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 제한되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 제한적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 중앙 제어 장치 110: 제어부
120: 메모리부 130: 디스플레이부
140: 입력부 150: 통신부
160 : 통신변환장치 300 : 설비
310 : 진동센서 320 : 설비제어기
330 : 설비제어장치 400: 장비
410 : 진동센서 420 : 장비제어기
430 : 장비제어장치
120: 메모리부 130: 디스플레이부
140: 입력부 150: 통신부
160 : 통신변환장치 300 : 설비
310 : 진동센서 320 : 설비제어기
330 : 설비제어장치 400: 장비
410 : 진동센서 420 : 장비제어기
430 : 장비제어장치
Claims (5)
- 빌딩설비의 고장을 예측하는 빌딩자동제어시스템에 있어서,
상기 빌딩자동제어시스템(10)은 중앙 제어 장치(100)를 포함하고, 상기 중앙제어장치(100))은 설비(300) 또는 장비(400)들 각각에 설치되는 진동센서(310, 410)들로 부터 측정된 측정값들을 연산하는 제어부(110), 제어부(110)에서 연산된 데이타가 저장되는 메모리부(120)을 포함하며,
상기 제어부(110)은 데이터 처리부(111), 기준값 설정부(112) 고장 예측부(114) 및 고장 패턴 모델 학습부(113)를 포함하고, 상기 메모리부(120)는 측정값 메모리(121), 보정값 메모리(122), 및 상기 각 설비(300) 또는 장비(400)의 고장 예측 판단의 기준값이 저장되는 기준값 메모리(123)을 포함하며,
상기 데이터 처리부(111)은 각 장비(400)에 부착되어 있는 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산하고 각 단위 연산 시간 동안의 측정 진동에너지계수를 생성하여 측정값 메모리(121)에 저장하고,
일정한 주기에 따라 전문가가 상기 각 설비(300) 또는 장비(400)의 상태를 점검하는 전문 점검 후 안전한 것으로 판단했을 때 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산하고 각 단위 연산 시간 동안의 보정 진동에너지계수를 생성하여 보정값 메모리(122)에 저장하며.
상기 기준값 설정부(112)는 상기 보정값 메모리(122)에 저장된 보정 진동에너지계수에 고장계수를 곱하여 기준 진동에너지계수로 설정하여 기준값 메모리(123)에 저장하며,
고장 예측부(114)는 측정값 메모리(121)에 저장된 측정 진동에너지계수가 기준 진동에너지계수보다 클 경우에는 해당 설비(300) 또는 장비(400)에 고장이 발생할 수 있다는 예측을 하며
상기 중앙 제어 장치(100)는 해당 설비(300) 또는 장비(400)에 대해 고장이 발생할 수 있다는 예측 메시지를 생성하여 사용자에게 통지하며
상기 진동에너지계수는 진동의 진동수와 진폭을 적분한 데이터를 사용하는 것으로 아래의 수학식(1)에 의해 계산되는 것을 특징으로 하는 고장 예측 기능을 구비한 빌딩설비의 고장을 예측하는 빌딩자동제어시스템
[수학식 1]
여기서 Ei는 i 번째 설비(300) 또는 장비(400)의 진동에너지계수를 의미하며, X, Y은 i 번째 단말장치에 부착된 1, 2번째 센서에서 측정되는 진동수, A, B는 i 번째 설비(300) 또는 장비(400)에 부착된 1, 2번째 센서에서 측정되는 진폭, a, b는 i 번째 설비(300) 또는 장비(400)에 부착된 1, 2번째 센서의 중요도 비례상수를 의미하며, Δt는 분석시간을 의미한다. - 삭제
- 제 1항에 있어서,
상기 중앙 제어 장치(100)로부터 고장 예측 통보를 받은 사용자는 정밀 점검을 실시하고 실제 고장이 난 경우에는 고장이 발생하였다는 메시지를 고장 패턴 모델 학습부에 입력하고, 고장 패턴 모델 학습부는 고장이 발생하였다는 메시지를 받기 직전 고장 예측시의 측정값을 보정값 메모리에 저장하며,
상기 고장 패턴 모델 학습부(113)은 데이터 처리부(111)에 의해 생성된 보정값을 포함하는 통계 데이터 및 실제 고장 직전의 데이터를 기초로 고장 여부 판단을 타겟으로 하는 인공지능 머신러닝 알고리즘을 이용하여, 설비(300) 또는 장비별로 단위 시간당 진폭과 진동수 및 진동에너지계수를 포함하는 특징 패턴과 고장 사이의 맵핑 관계를 검출하고, 통계 데이터 및 맵핑 관계로부터 고장 패턴 모델을 학습하고, 학습된 고장 패턴 모델은 메모리부(120)에 저장하는 것을 특징으로 하는 빌딩설비의 고장을 예측하는 빌딩자동제어시스템 - 제 1항에 있어서,
상기 고장 계수는 최초에는 2로 설정하여 기준값을 설정하고, 추후 실제 고장이 일어날 때의 진폭과 진동에너지계수를 학습하여 자동적으로 변경하여 설정하도록 하는 것을 특징으로 하는 빌딩설비의 고장을 예측하는 빌딩자동제어시스템 - 제 1항에 있어서,
상기 진동신호의 진폭과 진동수의 연산 간격은 10분이고, 각 단위 연산 시간은 10초 이상인 것을 특징으로 하는 빌딩설비의 고장을 예측하는 빌딩자동제어시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230064707A KR102606063B1 (ko) | 2023-05-19 | 2023-05-19 | 고장 예측 기능을 구비한 빌딩자동제어시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230064707A KR102606063B1 (ko) | 2023-05-19 | 2023-05-19 | 고장 예측 기능을 구비한 빌딩자동제어시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102606063B1 true KR102606063B1 (ko) | 2023-11-24 |
Family
ID=88972199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230064707A KR102606063B1 (ko) | 2023-05-19 | 2023-05-19 | 고장 예측 기능을 구비한 빌딩자동제어시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102606063B1 (ko) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101331579B1 (ko) | 2013-07-16 | 2013-11-20 | (주) 퓨처파워텍 | 피어슨 상관계수 분석기법을 적용한 고장진단 예측 및 잔존 수명 관리 자동제어 시스템 |
KR101579250B1 (ko) * | 2015-06-26 | 2015-12-21 | 한국발전기술 주식회사 | 발전소 현장 회전설비 이상진동 경보장치 |
KR20200110982A (ko) * | 2019-03-18 | 2020-09-28 | 주식회사 탑파이브 | 시설물 감시 및 경보 통합 시스템 |
KR20200136634A (ko) * | 2019-05-28 | 2020-12-08 | 주식회사 티스마트 | 머신러닝 기법을 이용한 고장 부위 예측 방법 및 장치 |
KR20210109136A (ko) * | 2020-02-27 | 2021-09-06 | 장현수 | 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 장치 및 그 시스템 |
KR20210109753A (ko) * | 2020-02-28 | 2021-09-07 | 에너젠(주) | 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기 |
KR102502740B1 (ko) * | 2021-12-22 | 2023-02-21 | 현대건설(주) | 복합 조건을 고려한 회전 기계의 진동 진단 방법 |
KR102519474B1 (ko) * | 2021-10-29 | 2023-04-10 | (주) 탐진씨앤에스 | 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법 |
-
2023
- 2023-05-19 KR KR1020230064707A patent/KR102606063B1/ko active IP Right Grant
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101331579B1 (ko) | 2013-07-16 | 2013-11-20 | (주) 퓨처파워텍 | 피어슨 상관계수 분석기법을 적용한 고장진단 예측 및 잔존 수명 관리 자동제어 시스템 |
KR101579250B1 (ko) * | 2015-06-26 | 2015-12-21 | 한국발전기술 주식회사 | 발전소 현장 회전설비 이상진동 경보장치 |
KR20200110982A (ko) * | 2019-03-18 | 2020-09-28 | 주식회사 탑파이브 | 시설물 감시 및 경보 통합 시스템 |
KR20200136634A (ko) * | 2019-05-28 | 2020-12-08 | 주식회사 티스마트 | 머신러닝 기법을 이용한 고장 부위 예측 방법 및 장치 |
KR20210109136A (ko) * | 2020-02-27 | 2021-09-06 | 장현수 | 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 장치 및 그 시스템 |
KR20210109753A (ko) * | 2020-02-28 | 2021-09-07 | 에너젠(주) | 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기 |
KR102519474B1 (ko) * | 2021-10-29 | 2023-04-10 | (주) 탐진씨앤에스 | 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법 |
KR102502740B1 (ko) * | 2021-12-22 | 2023-02-21 | 현대건설(주) | 복합 조건을 고려한 회전 기계의 진동 진단 방법 |
Non-Patent Citations (1)
Title |
---|
특허문헌 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10837873B2 (en) | Systems and methods for monitoring, inferring state of health, and optimizing efficiency of refrigeration systems | |
KR101994465B1 (ko) | 기술 시스템, 특히 전기 에너지-발생 설비의 동작의 컴퓨터-보조 모니터링을 위한 방법 | |
US11422529B1 (en) | Monitoring system for use in industrial operations | |
US20180347843A1 (en) | Methods and systems for prognostic analysis in electromechanical and environmental control equipment in building management systems | |
CN108518804A (zh) | 一种机房温湿度环境预测方法及*** | |
US11262276B2 (en) | Monitoring system | |
KR101573296B1 (ko) | 비정상 데이터 예측 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
de Andrade Vieira et al. | Failure risk indicators for a maintenance model based on observable life of industrial components with an application to wind turbines | |
CN113847216B (zh) | 风机叶片的状态预测方法、装置、设备及存储介质 | |
CN104350435A (zh) | Plc平台上用于设备状态监控、诊断以及时间-故障/服务预测的嵌置预报 | |
KR102136141B1 (ko) | 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기 | |
KR102266752B1 (ko) | 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법 | |
CN115327264A (zh) | 一种数据中心的异常检测方法、装置、电子设备和介质 | |
KR102606063B1 (ko) | 고장 예측 기능을 구비한 빌딩자동제어시스템 | |
EP3417262B1 (en) | Predictive monitoring system and method | |
JP7288794B2 (ja) | 稼働状態評価方法、及び、稼働状態評価装置 | |
KR20160026492A (ko) | 시계열 분석 기반의 신뢰 구간 추정을 이용한 이상 감지 방법 | |
CN116192038A (zh) | 光伏***故障诊断方法、装置及计算机设备 | |
CN106288182B (zh) | 一种压缩机监控方法、装置及空调 | |
KR102583019B1 (ko) | 고장 예측 기능을 구비한 인공지능 냉장고 | |
US20200122859A1 (en) | Predictive monitoring system and method | |
KR102388973B1 (ko) | 내진 시설을 구비한 주배선반 시스템 | |
KR102429359B1 (ko) | 온 또는 오프를 원격 제어하는 mdf 시스템 | |
CN117519054B (zh) | 一种高效冷站控制*** | |
CN114323116B (zh) | 电力***监控方法、装置、计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |