KR20210068687A - 복합설비 고장진단 및 지식기반탐색 방법 - Google Patents
복합설비 고장진단 및 지식기반탐색 방법 Download PDFInfo
- Publication number
- KR20210068687A KR20210068687A KR1020190157982A KR20190157982A KR20210068687A KR 20210068687 A KR20210068687 A KR 20210068687A KR 1020190157982 A KR1020190157982 A KR 1020190157982A KR 20190157982 A KR20190157982 A KR 20190157982A KR 20210068687 A KR20210068687 A KR 20210068687A
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- target equipment
- data
- knowledge
- complex facility
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000003745 diagnosis Methods 0.000 claims description 44
- 238000013461 design Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000005336 cracking Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000003628 erosive effect Effects 0.000 claims description 4
- 230000007257 malfunction Effects 0.000 claims description 4
- 238000004901 spalling Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 3
- 230000001934 delay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007788 roughening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- 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]
-
- 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
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은, 대상 장비의 데이터 및 장비관련자료를 수집하고 실시간 모니터링을 수행하여, 대상 장비의 정상/비정상 상태를 판별하고 비정상 상태 판별시의 고장모드를 식별하여 고장을 진단하고 잔여수명을 추정하고, 지식기반탐색을 통해 고장관련 키워드를 검색하고 관련문서를 참고하여 고장에 대한 조치를 수행하여서, 고장 발생 이전에 대상 장비의 정상/고장 유무를 판단하여 신속한 의사결정을 수행하고 신속한 조치를 수행하여서, 대상 장비를 지속적으로 운영하도록 하는, 복합설비 고장진단 및 지식기반탐색 방법을 개시한다.
Description
본 발명은 복합설비 진단기술에 관한 것으로, 보다 상세하게는 실시간 모니터링 및 고장진단을 통해 고장발생 이전에 대상 장비의 정상/고장 유무를 신속히 판단하여 조치를 수행하도록 하고, 고장과 관련된 키워드검색을 통해 고장이력, 고장조치사항, 설계자료, 구매자료 및 담당자 정보를 자동으로 출력하여 신속한 조치를 가능하게 지원할 수 있는, 복합설비 고장진단 및 지식기반탐색 방법에 관한 것이다.
종래에는, 긴 수명주기를 갖는 해양 플랜트, 석유화학 플랜트, 선박 또는 항공기의 복합설비를 구성하는 대상 장비의 운용시, 이상징후가 발생하거나 고장이 발생하면, 엔지니어의 경험적 지식과 관련 자료를 토대로 엔지니어가 대상 장비의 교체와 수리와 폐기를 실시하는 사후 유지보수 전략을 수행하였다.
이와 같은 사후 유지보수 전략은 대상 장비의 고장 발생시 유지보수 기간동안 해당 장비뿐만 아니라 관련 전체설비의 운용에 차질이 발생하여 막대한 비용손실이 발생하고 신뢰도가 하락하게 된다.
이를 극복하고자, 대상 장비의 고장률정보와 장비 특성을 바탕으로 사전에 장비의 점검, 교체 및 폐기 시점을 정하여 유지보수를 수행하는 TBM(Time Based Maintenance; 시간기준 유지보수)을 실시하고, 또한 장비 문제 발생시 참고할 수 있는 관련 자료를 검색하기 위해 각기 타 부서에서 보관하고 있는 관련 자료를 취합하여 유지보수에 필요한 정보를 획득하기도 한다.
하지만, 실제 운용환경에서 TBM을 적용한 운용에 따른 교체 시점과 실제 고장 시점에 상당한 오차와 시차가 발생하여 유지보수에 차질이 발생하고 이에 따른 비용손실을 수반한다.
이에, 고장에 따른 조치를 위해 신속한 의사결정을 지원할 수 있도록 대상 장비와 관련된 데이터 및 자료를 사전에 학습시켜 보다 정확하고 신속한 대응 정보를 전달할 수 있는 기술이 요구된다.
한국해양공학회지 제6권 제5호 pp 63-72 (선박해양구조물의 제품수명주기내 유지보수 정보 획득을 위한 PEID에 관현 연구, 2012.10)
본 발명의 사상이 이루고자 하는 기술적 과제는, 실시간 모니터링 및 고장진단을 통해 고장발생 이전에 대상 장비의 정상/고장 유무를 신속히 판단하여 조치를 수행하도록 하고, 고장과 관련된 키워드검색을 통해 고장이력, 고장조치사항, 설계자료, 구매자료 및 담당자 정보를 자동으로 출력하여 신속한 조치를 가능하게 지원할 수 있는, 복합설비 고장진단 및 지식기반탐색 방법을 제공하는 데 있다.
전술한 목적을 달성하고자, 본 발명은, 복합설비의 대상 장비의 센서 데이터 및 운용 데이터를 수집하여 정상/고장데이터를 학습하는 제1 학습모델을 구축하는 단계; 상기 대상 장비와 관련된 텍스트 자료를 학습하는 제2 학습모델을 구축하는 단계; 상기 제1 학습모델 및 상기 제2 학습모델을 통해 학습된 학습데이터를 저장하여 DB서버를 구축하는 단계; 상기 대상 장비를 실시간 모니터링하여 상기 대상 장비의 정상/비정상 상태를 식별하는 단계; 상기 대상 장비의 비정상 상태 식별시, 고장진단 알고리즘을 활용하여 고장진단을 실시하는 단계; 및 상기 DB서버를 통해, 상기 고장진단 결과에 따른 상기 대상 장비의 고장과 관련된 키워드검색을 수행하여 고장원인, 현상 또는 조치를 포함하는 고장 대응사례를 출력하는 단계;를 포함하는, 복합설비 고장진단 및 지식기반탐색 방법을 제공한다.
여기서, 상기 대상 장비의 온도, 진동, RPM, 전압, 전류, 압력 또는 추진력의 상기 센서 데이터 및 상기 운용 데이터로부터 센서의 오작동 또는 시스템 불량으로 인한 결측치 또는 이상치를 제거하여 수집할 수 있다.
또한, 상기 대상 장비의 설계, 생산, 구매, 기술 메뉴얼 및 고장사례 중 어느 하나 이상과 관련된 상기 텍스트 자료를 학습할 수 있다.
또한, 상기 고장진단 알고리즘으로서, K-평균 군집화 또는 인공 신경망을 적용하여 고장진단을 실시할 수 있다.
또한, 상기 키워드검색을 수행하여 텍스트마이닝의 연관규칙 분석알고리즘을 적용하여, 대상 장비의 크랙, 침식, 부식 또는 스폴링에 관한 고장원인, 현상, 또는 조치를 포함하는 고장 대응사례를 추출하여 상기 대상 장비의 설계자료, 구매자료, 생산자료, 고장이력정보, 제조사정보 및 담당자정보 중 어느 하나 이상을 출력할 수 있다.
이때, 상기 고장진단 결과와 상기 고장이력정보와 상기 운용 데이터를 LSTM 알고리즘에 적용하여 대상 장비의 잔여수명을 예측하는 단계를 더 포함할 수 있다.
여기서, 상기 예측된 잔여수명에 따라, 대상 장비의 점검시기, 수리시기, 교체시기 및 폐기시기 중 어느 하나 이상을 결정하는 단계를 더 포함할 수 있다.
본 발명에 의하면, 실시간 모니터링 및 고장진단을 통해 고장발생 이전에 대상 장비의 정상/고장 유무를 신속히 판단하여 조치를 수행하도록 하고, 고장과 관련된 키워드검색을 통해 고장이력, 고장조치사항, 설계자료, 구매자료 및 담당자 정보를 자동으로 출력하여 신속한 조치를 가능하게 지원할 수 있는 효과가 있다.
또한, 데이터기반 의사결정을 수행하여 보다 정확한 대상 장비의 고장유무를 판단하여서 공정지연을 미연에 방지하고 납기일을 준수하여 비용을 낮출 수 있으며, 키워드검색만을 통해 대상 장비와 관련된 대량의 모든 문서를 탐색하여 진단과 조치에 소요되는 시간을 줄일 수 있다.
도 2는 도 1의 복합설비 고장진단 및 지식기반탐색 방법의 전체구성을 예시한 것이다.
도 1은 본 발명의 실시예에 의한 복합설비 고장진단 및 지식기반탐색 방법의 개략적인 흐름도를 도시한 것이다.
도 3은 도 2의 복합설비 고장진단 및 지식기반탐색 방법의 지식기반탐색 과정을 예시한 것이다.
도 4는 도 2의 복합설비 고장진단 및 지식기반탐색 방법을 적용한 주기엔진의 진단과정을 예시한 것이다.
도 1은 본 발명의 실시예에 의한 복합설비 고장진단 및 지식기반탐색 방법의 개략적인 흐름도를 도시한 것이다.
도 3은 도 2의 복합설비 고장진단 및 지식기반탐색 방법의 지식기반탐색 과정을 예시한 것이다.
도 4는 도 2의 복합설비 고장진단 및 지식기반탐색 방법을 적용한 주기엔진의 진단과정을 예시한 것이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
도 1을 참조하면, 본 발명의 실시예에 의한 복합설비 고장진단 및 지식기반탐색 방법은, 전체적으로, 대상 장비의 데이터 및 장비관련자료를 수집하고 실시간 모니터링을 수행하여, 대상 장비의 정상/비정상 상태를 판별하고 비정상 상태 판별시의 고장모드를 식별하여 고장을 진단하고 잔여수명을 추정하고, 지식기반탐색을 통해 고장관련 키워드를 검색하고 관련문서를 참고하여 고장에 대한 조치를 수행하여서, 고장 발생 이전에 대상 장비의 정상/고장 유무를 판단하여 신속한 의사결정을 수행하고 신속한 조치를 수행하여서, 대상 장비를 지속적으로 운영하도록 하는 것을 요지로 한다.
도 2를 참조하여, 앞선 복합설비 고장진단 및 지식기반탐색 방법을 상술하면 다음과 같다.
우선, 제1 학습모델 구축 단계(S110)에서는, 긴 수명주기를 갖는 해양 플랜트, 석유화학 플랜트, 선박 또는 항공기의 복합설비를 구성하는 대상 장비의 다양한 센서와 PEID(Product Embedded Information Devices)를 통해서 비정형 데이터 기반의 센서 데이터 및 운용 데이터를 실시간 수집하여 정상데이터/고장데이터를 학습하는 제1 학습모델을 구축한다.
다음, 제2 학습모델 구축 단계(S120)에서는, 대상 장비와 관련된 텍스트 자료를 학습하는 제2 학습모델을 구축한다.
예컨대, 대상 장비의 정형 데이터 기반의 설계, 생산, 구매, 기술 메뉴얼(technical manual) 및/또는 고장사례와 관련된 텍스트 자료를 학습할 수 있는 제2 학습모델을 생성하게 된다.
다음, DB서버 구축 단계(S130)에서는, 앞서 구축된 제1 학습모델 및 제2 학습모델을 통해서 학습된 학습데이터를 저장하여 DB서버를 구축한다.
다음, 장비 상태 식별 단계(S140)에서는, 다양한 센서와 PEID를 통해서 대상 장비를 실시간 모니터링하여 대상 장비의 정상/비정상 상태를 식별한다.
다음, 고장진단 실시 단계(S150)에서는, 대상 장비의 모니터링 수행 중 비정상적인 상태 식별시, 고장진단 알고리즘을 활용하여 고장진단을 실시한다.
예컨대, 고장진단 알고리즘으로서, K-평균 군집화(K-means clustering) 또는 인공 신경망(Artificial Neural Network)을 적용하여 고장진단을 실시할 수 있다.
다음, 고장 대응사례 출력 단계(S160)에서는, DB서버를 통해, 고장진단 결과에 따른 대상 장비의 고장과 관련된 키워드검색을 수행하여서, 대상 장비의 고장원인과 현상과 조치 등의 고장 대응사례를 출력하여 제공한다.
즉, 키워드검색을 수행하여 텍스트마이닝의 연관규칙(Association rule) 분석알고리즘을 적용하여, 대상 장비의 크랙(crack), 침식(erosion), 부식(corrosion) 또는 표면균열과 급랭에 의한 스폴링(spalling; 박리에 의해 표면이 거칠어지는 현상)의 고장원인과 현상과 조치 등의 고장 대응사례를 추출하여 대상 장비의 설계자료, 구매자료, 생산자료, 고장이력정보, 제조사정보 및/또는 담당자정보를 출력할 수 있다.
예컨대, 도 3에 도시된 바와 같이, 디젤 주기엔진의 진단결과에 따른 크랙과 교체의 키워드 검색을 수행하여, 문서로부터 관련 텍스트를 추출하고, 현상과 원인과 조치 등에 대한 사례를 분류하고, 클러스터링(clustering) 및 지식화를 수행하고, 모터의 고온 원인인 베어링 정렬불량(misalignment)에 따라 베어링을 교체하도록 하여서, 개별문서 검토없이, 자동탐색을 통해 대량의 관련문서로부터 현상과 원인과 조치 등의 문제 해결사례를 추출할 수 있다.
이에, 키워드검색을 통해 출력된 관련문서를 참고하여 엔지니어에게 보다 정확하고 신속하게 대응 정보를 전달하여서 대상 장비의 고장에 대한 조치를 수행하게 된다(S170).
한편, 고장진단 결과와 고장이력정보와 운용 데이터를 딥러닝의 RNN(Recurrent Neural Network;순환신경망)의 LSTM(Long Short Term Memory) 알고리즘에 적용하여 대상 장비의 잔여수명(RUL;Remaining Useful Life)을 예측하고(S181), 예측된 잔여수명에 따라, 대상 장비의 점검시기와 수리시기와 교체시기와 폐기시기 등을 결정하여서(S182), TBM과 달리, 대상 장비의 실제 운용환경에서 대상 장비의 점검과 교체와 폐기의 시점 등을 보다 정확하게 결정하고 이에 신속한 의사결정을 수행하도록 할 수 있다.
예컨대, 도 4는 도 2의 복합설비 고장진단 및 지식기반탐색 방법을 적용한 주기엔진의 진단과정을 예시한 것으로서, 대상 장비인 주기엔진(main engine)의 온도, 진동, RPM, 전압, 전류, 압력 또는 추진력(propulsion) 등의 센서 데이터 및 운용 데이터로부터 센서의 오작동 또는 시스템 불량으로 인한 결측치(missing data) 또는 이상치를 제거하여 수집하고 실시간 모니터링하여, 주기엔진의 정상(normal)/비정상(abnormal) 상태(symptom)를 진단하고, 크랙, 침식, 부식 또는 스폴링의 고장모드(failure mode)를 식별하고, 식별된 고장모드에 따라 전술한 조치(diagnostic/prognosis)를 수행하도록 할 수 있다.
여기서, 비지도 학습방법의 3 시그마 룰(sigma rule) 필터링방법을 활용하여, 수집된 데이터의 정확한 분석을 위해 센서의 오작동 또는 시스템 불량으로 인한 결측 및 이상치를 제거하는 데이터 정제작업을 실시할 수도 있다.
따라서, 전술한 바와 같은 복합설비 고장진단 및 지식기반탐색 방법의 구성에 의해서, 실시간 모니터링 및 고장진단을 통해 고장발생 이전에 대상 장비의 정상/고장 유무를 신속히 판단하여 조치를 수행하도록 하고, 고장과 관련된 키워드검색을 통해 고장이력, 고장조치사항, 설계자료, 구매자료 및 담당자 정보를 자동으로 출력하여 신속한 조치를 가능하게 지원할 수 있고, 데이터기반 의사결정을 수행하여 보다 정확한 대상 장비의 고장유무를 판단하여서 공정지연을 미연에 방지하고 납기일을 준수하여 비용을 낮출 수 있으며, 키워드검색만을 통해 대상 장비와 관련된 대량의 모든 문서를 탐색하여 진단과 조치에 소요되는 시간을 줄일 수 있다.
본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
S110 : 제1 학습모델 구축 단계
S120 : 제2 학습모델 구축 단계
S130 : DB서버 구축 단계
S140 : 장비 상태 식별 단계
S150 : 고장진단 실시 단계
S160 : 고장 대응사례 출력 단계
S170 : 고장 조치 수행 단계
S181 : 잔여수명 예측 단계
S182 : 점검, 교체 및 폐기 시점 결정 단계
S120 : 제2 학습모델 구축 단계
S130 : DB서버 구축 단계
S140 : 장비 상태 식별 단계
S150 : 고장진단 실시 단계
S160 : 고장 대응사례 출력 단계
S170 : 고장 조치 수행 단계
S181 : 잔여수명 예측 단계
S182 : 점검, 교체 및 폐기 시점 결정 단계
Claims (7)
- 복합설비의 대상 장비의 센서 데이터 및 운용 데이터를 수집하여 정상/고장데이터를 학습하는 제1 학습모델을 구축하는 단계;
상기 대상 장비와 관련된 텍스트 자료를 학습하는 제2 학습모델을 구축하는 단계;
상기 제1 학습모델 및 상기 제2 학습모델을 통해 학습된 학습데이터를 저장하여 DB서버를 구축하는 단계;
상기 대상 장비를 실시간 모니터링하여 상기 대상 장비의 정상/비정상 상태를 식별하는 단계;
상기 대상 장비의 비정상 상태 식별시, 고장진단 알고리즘을 활용하여 고장진단을 실시하는 단계; 및
상기 DB서버를 통해, 상기 고장진단 결과에 따른 상기 대상 장비의 고장과 관련된 키워드검색을 수행하여 고장원인, 현상 또는 조치를 포함하는 고장 대응사례를 출력하는 단계;를 포함하는, 복합설비 고장진단 및 지식기반탐색 방법. - 제 1 항에 있어서,
상기 대상 장비의 온도, 진동, RPM, 전압, 전류, 압력 또는 추진력의 상기 센서 데이터 및 상기 운용 데이터로부터 센서의 오작동 또는 시스템 불량으로 인한 결측치 또는 이상치를 제거하여 수집하는 것을 특징으로 하는, 복합설비 고장진단 및 지식기반탐색 방법. - 제 1 항에 있어서,
상기 대상 장비의 설계, 생산, 구매, 기술 메뉴얼 및 고장사례 중 어느 하나 이상과 관련된 상기 텍스트 자료를 학습하는 것을 특징으로 하는, 복합설비 고장진단 및 지식기반탐색 방법. - 제 1 항에 있어서,
상기 고장진단 알고리즘으로서, K-평균 군집화 또는 인공 신경망을 적용하여 고장진단을 실시하는 것을 특징으로 하는, 복합설비 고장진단 및 지식기반탐색 방법. - 제 1 항에 있어서,
상기 키워드검색을 수행하여 텍스트마이닝의 연관규칙 분석알고리즘을 적용하여, 대상 장비의 크랙, 침식, 부식 또는 스폴링에 관한 고장원인, 현상, 또는 조치를 포함하는 고장 대응사례를 추출하여 상기 대상 장비의 설계자료, 구매자료, 생산자료, 고장이력정보, 제조사정보 및 담당자정보 중 어느 하나 이상을 출력하는 것을 특징으로 하는, 복합설비 고장진단 및 지식기반탐색 방법. - 제 5 항에 있어서,
상기 고장진단 결과와 상기 고장이력정보와 상기 운용 데이터를 LSTM 알고리즘에 적용하여 대상 장비의 잔여수명을 예측하는 단계를 더 포함하는 것을 특징으로 하는, 복합설비 고장진단 및 지식기반탐색 방법. - 제 6 항에 있어서,
상기 예측된 잔여수명에 따라, 대상 장비의 점검시기, 수리시기, 교체시기 및 폐기시기 중 어느 하나 이상을 결정하는 단계를 더 포함하는 것을 특징으로 하는, 복합설비 고장진단 및 지식기반탐색 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190157982A KR20210068687A (ko) | 2019-12-02 | 2019-12-02 | 복합설비 고장진단 및 지식기반탐색 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190157982A KR20210068687A (ko) | 2019-12-02 | 2019-12-02 | 복합설비 고장진단 및 지식기반탐색 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210068687A true KR20210068687A (ko) | 2021-06-10 |
Family
ID=76378234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190157982A KR20210068687A (ko) | 2019-12-02 | 2019-12-02 | 복합설비 고장진단 및 지식기반탐색 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20210068687A (ko) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115225457A (zh) * | 2022-06-24 | 2022-10-21 | 南京邮电大学 | 一种基于知识和数据双驱动的网络故障分析方法 |
| KR20230003819A (ko) * | 2021-06-30 | 2023-01-06 | 주식회사 하이텍정보 | 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템 |
| KR102489792B1 (ko) * | 2021-12-29 | 2023-01-18 | (주)코네스코퍼레이션 | 기기 설치용 앵커 볼트 관리 방법 및 기기 설치용 앵커 볼트 관리 시스템 |
| KR20230039875A (ko) * | 2021-09-14 | 2023-03-22 | 주식회사 청담홀딩스 | 수자원 시스템의 통합 관리를 위한 IoT 플랫폼 |
| KR102512577B1 (ko) * | 2021-10-29 | 2023-03-22 | (주) 탐진씨앤에스 | 에너지 사용량 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법 |
| KR20230082887A (ko) * | 2021-12-02 | 2023-06-09 | 네모시스 주식회사 | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 |
| CN116859843A (zh) * | 2023-07-05 | 2023-10-10 | 安徽如柒信息科技有限公司 | 一种基于工业大数据的生产设备故障监测方法及*** |
| KR102588234B1 (ko) * | 2023-06-23 | 2023-10-12 | 세인기계설비관리 주식회사 | 기계 설비 성능 점검 시스템 |
| CN117009909A (zh) * | 2023-09-28 | 2023-11-07 | 北京博大网信股份有限公司 | 自动报障模型的构建方法、自动报障方法及其装置 |
| CN117369392A (zh) * | 2023-11-17 | 2024-01-09 | 岳阳长炼机电工程技术有限公司 | 一种基于多参数逻辑关系的设备故障智能预警方法 |
-
2019
- 2019-12-02 KR KR1020190157982A patent/KR20210068687A/ko active Search and Examination
Non-Patent Citations (1)
| Title |
|---|
| 한국해양공학회지 제6권 제5호 pp 63-72 (선박해양구조물의 제품수명주기내 유지보수 정보 획득을 위한 PEID에 관현 연구, 2012.10) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230003819A (ko) * | 2021-06-30 | 2023-01-06 | 주식회사 하이텍정보 | 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템 |
| KR20230039875A (ko) * | 2021-09-14 | 2023-03-22 | 주식회사 청담홀딩스 | 수자원 시스템의 통합 관리를 위한 IoT 플랫폼 |
| KR102512577B1 (ko) * | 2021-10-29 | 2023-03-22 | (주) 탐진씨앤에스 | 에너지 사용량 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법 |
| KR20230082887A (ko) * | 2021-12-02 | 2023-06-09 | 네모시스 주식회사 | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 |
| KR102489792B1 (ko) * | 2021-12-29 | 2023-01-18 | (주)코네스코퍼레이션 | 기기 설치용 앵커 볼트 관리 방법 및 기기 설치용 앵커 볼트 관리 시스템 |
| CN115225457B (zh) * | 2022-06-24 | 2023-09-26 | 南京邮电大学 | 一种基于知识和数据双驱动的网络故障分析方法 |
| CN115225457A (zh) * | 2022-06-24 | 2022-10-21 | 南京邮电大学 | 一种基于知识和数据双驱动的网络故障分析方法 |
| KR102588234B1 (ko) * | 2023-06-23 | 2023-10-12 | 세인기계설비관리 주식회사 | 기계 설비 성능 점검 시스템 |
| CN116859843A (zh) * | 2023-07-05 | 2023-10-10 | 安徽如柒信息科技有限公司 | 一种基于工业大数据的生产设备故障监测方法及*** |
| CN116859843B (zh) * | 2023-07-05 | 2024-01-09 | 安徽如柒信息科技有限公司 | 一种基于工业大数据的生产设备故障监测方法及*** |
| CN117009909A (zh) * | 2023-09-28 | 2023-11-07 | 北京博大网信股份有限公司 | 自动报障模型的构建方法、自动报障方法及其装置 |
| CN117009909B (zh) * | 2023-09-28 | 2023-12-26 | 北京博大网信股份有限公司 | 自动报障模型的构建方法、自动报障方法及其装置 |
| CN117369392A (zh) * | 2023-11-17 | 2024-01-09 | 岳阳长炼机电工程技术有限公司 | 一种基于多参数逻辑关系的设备故障智能预警方法 |
| CN117369392B (zh) * | 2023-11-17 | 2024-04-16 | 岳阳长炼机电工程技术有限公司 | 一种基于多参数逻辑关系的设备故障智能预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20210068687A (ko) | 복합설비 고장진단 및 지식기반탐색 방법 | |
| Tahan et al. | Performance-based health monitoring, diagnostics and prognostics for condition-based maintenance of gas turbines: A review | |
| Aydin et al. | Using LSTM networks to predict engine condition on large scale data processing framework | |
| Jaw | Recent advancements in aircraft engine health management (EHM) technologies and recommendations for the next step | |
| Roemer et al. | Development of diagnostic and prognostic technologies for aerospace health management applications | |
| US7395188B1 (en) | System and method for equipment life estimation | |
| Huang et al. | A fault analysis method for three‐phase induction motors based on spiking neural P systems | |
| US20110020122A1 (en) | Integrated condition based maintenance system for wind turbines | |
| KR102268733B1 (ko) | 선박기관의 고장검출 방법 및 시스템 | |
| Lv et al. | Prognostics health management of condition-based maintenance for aircraft engine systems | |
| Babbar et al. | Advanced diagnostics and prognostics for engine health monitoring | |
| Santos et al. | Big data analytics for predictive maintenance modeling: Challenges and opportunities | |
| Wang et al. | A prognostics and health management based method for refurbishment decision making for electromechanical systems | |
| Ribot et al. | Diagnosis and prognosis for the maintenance of complex systems | |
| Abid et al. | Adaptive data-driven approach for the remaining useful life estimation when few historical degradation sequences are available | |
| Boulanouar et al. | Fuzzy prognosis system for decision making to vibrations monitoring in gas turbine | |
| Goebel et al. | Modeling propagation of gas path damage | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| Perera et al. | System failures of offshore gas turbine engines in maintenance perspective | |
| Koukoura | Failure and remaining useful life prediction of wind turbine gearboxes | |
| Smeraldo et al. | A data-driven approach to fault diagnostics for industrial process plants based on feature extraction and inferential statistics | |
| Kabir et al. | Online dynamic reliability evaluation of wind turbines based on drone-assisted monitoring | |
| Alili et al. | Faults detection based on fuzzy concepts for vibrations monitoring in gas turbine | |
| Machado et al. | RUL modeling for turbo generators of a FPSO: Alternatives and challenges | |
| Randrianandraina et al. | Wind turbine generator bearing anomaly detection and explanation using rrcf approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |