KR20240053116A - 설비의 지연시간을 확인하는 인공지능 생성 방법 및 이를 이용한 설비 제어 방법 - Google Patents

Abstract

본 발명은, 다수의 설비를 포함하는 시스템에서, 다수의 설비 각각마다 설비의 운전변수를 변경하는 제어시점을 최적화하는 인공지능 모델(M)을 생성하는 방법으로서, 상기 인공지능 모델(M)은 제 1 인공지능 모델(M1), 제 2 인공지능 모델(M2) 및 제 3 인공지능 모델(M3)을 포함하며, 상기 방법은, (a1) 각각의 설비의 시간별 운전변수와 시간별 운전결과를 학습데이터로 학습하여, 변경 예정 운전변수와 변경하고자 하는 운전결과가 입력되면 각각의 설비의 예측 지연시간이 출력되도록 하는 제 1 인공지능 모델(M1)을 생성하는 단계; (a2) 각각의 설비의 시간별 운전변수와 시간별 운전결과 및 각각의 설비의 최적 조건을 학습데이터로 학습하여, 상기 변경 예정 운전변수와 상기 변경하고자 하는 운전결과가 변경 예정 설비의 최적 조건이 입력되면 시간별 예측 최적운전결과가 도출되는 제 2 인공지능 모델(M2)을 생성하는 단계; 및 (a3) 각각의 설비의 시간별 운전변수와, 상기 제 1 인공지능 모델(M1)에서의 출력값인 각각의 설비의 예측 지연시간과, 상기 제 2 인공지능 모델(M2)에서의 출력값인 시간별 예측최적운전결과를 학습데이터로 학습하여, 상기 변경 예정 운전변수와 상기 제1인공지능 모델(M1)에서의 출력값인 예측 지연시간과, 상기 제 2 인공지능 모델(M2)에서의 출력값인 시간별 예측최적운전결과가 입력되면 변경 예정 설비의 제어시점이 도출되는 제 3 인공지능 모델(M3)을 생성하는 단계를 포함하는, 인공지능 모델 생성 방법을 제공한다.

Description

설비의 지연시간을 확인하는 인공지능 생성 방법 및 이를 이용한 설비 제어 방법{Method for generating an artificial intelligence to check delay time of facility and method for control of said facility using the same}

본 발명은 산업 설비를 제어하는 기술과 인공지능 기술의 융합 기술에 관한 것이다.

다양한 설비를 포함하는 대부분의 산업 설비 등의 시스템은 운전원의 명령과 운영에 의해 제어된다. 설비에는 기준이 되는 운전 방향이 있으며, 운전원은 이를 파악하여 안정적 설비 운영을 목적으로 제어한다. 예측할 수 없었던 특별한 상황이 발생한면 운전원은 해당 상황을 해소시키고 안정적 설비 운영을 위해 설비 제어를 변경한다. 하지만 운전원의 제어 변경 시도 시점과 실제 설비 작동이 변화하여 변화한 운전결과가 확인되는 시점 사이에는 지연시간(delay)이 존재한다.

도 1 및 도 2를 참조하여 간단한 상황을 가정하여 설명한다. 발전 설비가 정상 운영되다가 예측할 수 없는 변화가 발생하여 갑자기 오염물질이 상승하기 시작한 상황이다. 도면에서는 설명을 위해 그 변화가 직선으로 표현되지만 곡선일 수도 있음에 주의한다.

오염물질이 증가하기 시작하고 일정 시간 경과하여 데이터가 누적되면 운전원은 오염물질의 상승 추세를 검토할 수 있으며, 이로부터 미래에 오염물질이 기준을 초과할 것인지 여부를 판단할 수 있다. 이에 따라 제어 변경이 결정되었다면, 운전원은 판단을 완료한 후로부터 소정의 시점(T1)에 오염물질을 감소시키기 위한 설비 제어 변경을 시도한다. 예컨대, 발전 설비의 연료량을 감소시키는 제어 변경을 시도할 수 있다. 이러한 제어 변경 여부의 판단은 운전원이 직접 할 수도 있으나, 정해진 규정과 시스템 내 다양한 센서를 활용하여 자동으로 이루어질 수도 있다.

T1 시점에 연료량을 감소시키는 설비 제어 변경을 시도하여도 당연히 오염물질의 감소가 즉각 나타나지 않으며 일정 시간 동안은 오염물질 증가는 지속된다. 달리 표현하면, 설비 제어 변경 시도 후 일정 시간이 경과해야 비로소 오염물질이 감소하기 시작한다. 즉, 도 2에 도시된 바와 같이, 오염물질이 감소 추세로 변경되는데 일정 시간이 필요하다.

오염물질이 감소 추세로 변화한 후 정상 제어로 변경하지 않는다면 오염물질은 평균 수치 이상으로 감소할 것이다. 정상 수치 이하로의 오염물질 감소는 발전 효율 감소를 의미한다. 운전원은 감소 추세를 다시 검토하여 적절한 시점에 설비 제어를 정상 수치로 변경하게 되는데, 마찬가지로 효율이 정상으로 돌아오는데 시간이 필요하다. 따라서, 오염물질이 정상 수치 이하로 내려갔다가 다시 정상 수치로 복귀하는 패턴이 발생한다. 이러한 승강 과정이 몇 차례 반복된 후 비로소 오염물질의 양과 효율은 정상 수치로 복귀한다.

예를 들어, 발전 설비에서 오염물질이 증가하기 시작하여 운전원이 이를 인지하였고(0분), 일정 시간 경과 후 누적 데이터를 토대로 상승 추세로 분석함으로써 오염물질 배출 기준을 초과할 것으로 예측되어(2분) 정해진 시점에 연료량을 100에서 90으로 변경하는 설비 제어 변경을 시도하였다(5분). 오염물질은 즉각 감소하지 않고 일정 시간 계속 증가한 후 비로소 감소하기 시작하였다(15분). 일정 시간 경과 후 누적 데이터를 토대로 감소 추세를 분석함으로써 오염물질이 정상 수치 내지 그 이하로 감소할 것으로 예측되어 연료량을 90에서 100으로 다시 변경하는 설비 제어 변경을 시도하였다. 오염물질은 즉각 증가하지 않고 일정 시간 계속 감소한 후 다시 증가하기 시작하였으며(40분), 이러한 과정이 몇 차례 반복된 후 오염물질이 정상 수치로 복귀하였다(60분).

위의 과정을 살펴보면, 오염물질이 정상 수치 대비 더 많이 발생하는 문제가 발생한 시간은 20분 이상이다. 오염물질이 정상 수치 대비 적게 발생하여 발전 효율이 낮아진 시간 역시 20분 이상이다. 상황 발생 후 60분이 경과하여서야 비로소 정상 수치의 오염물질 및 효율이 복구되었다.

경우에 따라, 운전원은 T1 시점에 자신이 설비 제어를 변경하였음에도 불구하고 즉각 오염물질 감소가 이루어지지 않았음에 기인하여 최적의 수치 이상으로 더 크게 제어 변경을 추가하기도 한다. 이 경우라면 TA 시점의 효율 감소 폭은 더 커지게 된다.

이러한 상황에서 가장 이상적인 오염물질 내지 효율의 변화를 점선으로 도시하였다. T1 시점에 설비 제어 변경을 시도한 후 보다 실제 상황인 실선보다 빠르게 오염물질이 감소하는 것이고, TB 시점에 오염물질이 정상 수치에 이르고 그 이하로 내려오지 않는 것이다. 이 경우 오염물질 진폭(효율 진폭)은 ΔB로 도시된다.

그러나 설명한 바와 같이 실제 현장에서는 그렇지 못하여 오염물질 진폭(효율 진폭)은 ΔA에 이른다. 오염물질의 진폭이 작을수록 오염물질의 총량도 적고 효율 감소폭도 좁아서 이로움에도, 실제 현장에서 이와 같이 이상적으로 제어되지 않는다.

이러한 현상은 설비의 제어 명령을 변경하는 시점, 즉 설비 액튜에이터에 변화된 제어 명령을 입력하는 시점과, 액튜에이터 제어 명령이 변경된 이후 실제 설비의 운전결과가 도출되는 시점 사이의 지연시간이 있음에 기인한다.

지연시간은 어느 설비이든 대부분 존재한다. 지연시간은 설비마다 다르고 운전 환경마다 다르며 시스템을 구성하는 다수의 설비가 서로에게 영향을 복잡하게 주기 때문에 지연시간을 몇 초 내지 몇 분으로 일률적으로 결정하여 설비 제어에 반영할 수도 없다.

그렇다고 무조건 제어 변화를 신속하게 하는 것도 바람직하지 않다. 굳이 제어 변화가 필요 없을 수준의 변화에도 반응함으로써 경제성을 악화시킬 수 있다.

따라서, 주어진 설비와 주어진 운전 환경마다 다를 수밖에 없는 지연시간을 고려하여 최적의 제어시점을 확인할 수 있다면, 운전결과 변경 진폭을 감소시킬 수 있을 것이다. 도 2의 예시라면, 오염물질 진폭(효율 진폭)을 ΔA에서 ΔB에 가깝게 감소시킬 수 있어서, 오염물질의 총 배출량을 감소시키며 설비의 안정성을 확보하고 경제성을 확보할 수 있을 것이다.

관련된 특허 문헌을 검토한다.

한국공개특허 제10-2022-0050953호는 다수의 기계에서 명령 변수를 동기화시키거나 독립적으로 제어하되 최적 제어시점을 탐색하기 위해 인공지능을 활용하는 기술을 개시한다. 본 기술은 최적 제어시점을 찾는다는 점에서 본 발명과 유사하나, 전체의 기계를 아우르는 1개의 인공지능 모델을 생성하고 기계들 사이의 인자만을 유기적으로 고려하였을 뿐 각 기계가 갖는 고유의 지연시간과 각 기계가 처한 고유의 환경 요인을 고려하지 못하였기에, 지연시간이 반영되지 못한다.

한국등록특허 제10-2097448호는 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템을 개시한다. 공장 내 다양한 설비의 최적 제어를 목적으로 하지만 시간의 관점을 배제하였기에 역시 설비 고유의 지연시간이 제어에 반영되지 않는 시스템이다.

일본등록특허 제7103539호는 설비 문제 발생시 이를 복구시키기 위한 제어 방법을 개시한다. 본 기술은 이상 상황 발생으로 인한 효율 저하를 만회하는 기술로서, 장기간 동안 검토한 총 효율을 만족시키기 위한 기술에 불과하여 지연시간 등을 고려하지 않고 있다.

한국공개특허 제10-2022-0050953호 한국등록특허 제10-2097448호 일본등록특허 제7103539호

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다.

지연시간을 고려하지 않음으로써 악화되는 운전결과 지속시간이 길어지고 변화의 진폭이 커지는 현상을 방지하는 문제를 해결하고자 한다.

특히, 다수의 설비가 운전결과에 영향을 주는 복잡한 시스템에 적용 가능한 인공지능 모델을 생성하고, 이를 통하여 최적의 제어시점을 도출할 수 있는 기술을 제안하고자 한다.

상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 다수의 설비를 포함하는 시스템에서, 다수의 설비 각각마다 설비의 운전변수를 변경하는 제어시점을 최적화하는 인공지능 모델(M)을 생성하는 방법으로서, 상기 인공지능 모델(M)은 제 1 인공지능 모델(M1), 제 2 인공지능 모델(M2) 및 제 3 인공지능 모델(M3)을 포함하며, 상기 방법은, (a1) 각각의 설비의 시간별 운전변수와 시간별 운전결과를 학습데이터로 학습하여, 변경 예정 운전변수와 변경하고자 하는 운전결과가 입력되면 각각의 설비의 예측 지연시간이 출력되도록 하는 제 1 인공지능 모델(M1)을 생성하는 단계; (a2) 각각의 설비의 시간별 운전변수와 시간별 운전결과 및 각각의 설비의 최적 조건을 학습데이터로 학습하여, 상기 변경 예정 운전변수와 상기 변경하고자 하는 운전결과가 변경 예정 설비의 최적 조건이 입력되면 시간별 예측 최적운전결과가 도출되는 제 2 인공지능 모델(M2)을 생성하는 단계; 및 (a3) 각각의 설비의 시간별 운전변수와, 상기 제 1 인공지능 모델(M1)에서의 출력값인 각각의 설비의 예측 지연시간과, 상기 제 2 인공지능 모델(M2)에서의 출력값인 시간별 예측최적운전결과를 학습데이터로 학습하여, 상기 변경 예정 운전변수와 상기 제1인공지능 모델(M1)에서의 출력값인 예측 지연시간과, 상기 제 2 인공지능 모델(M2)에서의 출력값인 시간별 예측최적운전결과가 입력되면 변경 예정 설비의 제어시점이 도출되는 제 3 인공지능 모델(M3)을 생성하는 단계를 포함하는, 인공지능 모델 생성 방법을 제공한다.

또한, 상기 제 2 인공지능 모델(M2)은 제 2-1 인공지능 모델(M2-1) 및 제 2-2 인공지능 모델(M2-2)을 포함하며, 상기 (a2) 단계는, (a21) 각각의 설비의 시간별 운전변수와 시간별 운전결과를 학습데이터로 학습하여, 상기 변경 예정 운전변수와 상기 변경하고자 하는 운전결과가 입력되면 시간별 예측운전결과가 도출되는 제 2-1 인공지능 모델(M2-1)을 생성하는 단계; (a22) 각각의 설비의 시간별 운전변수와 상기 제 2-1 인공지능 모델(M2-1)에서의 출력값인 시간별 예측운전결과와 각각의 설비의 최적 조건을 학습데이터로 학습하여, 상기 변경 예정 운전변수와 상기 제 2-1 인공지능 모델(M2-1)에서의 출력값인 시간별 예측운전결과와 변경 예정 설비의 최적 조건이 입력되면 시간별 예측 최적운전결과가 도출되는 제 2-2 인공지능 모델(M2-2)을 생성하는 단계를 포함하는 것이 바람직하다.

또한, 상기 다수의 설비를 포함하는 시스템에서, 상기 시스템은 각각의 설비마다 구비된 운전변수 모니터링 센서(S1)가 포함되고, 학습데이터로 활용되는 각각의 설비의 시간별 운전변수는 상기 운전변수 모니터링 센서(S1)에서 측정된 것이고, 상기 시스템은 운전결과 모니터링 센서(S2)를 포함하고, 학습데이터로 활용되는 시간별 운전결과는 상기 운전결과 모니터링 센서(S2)에서 측정된 것이 바람직하다.

상기와 같은 과제를 해결하기 위한 본 발명의 다른 실시예는, 다수의 설비를 포함하는 시스템에서, 다수의 설비 각각마다 설비의 운전변수를 변경하는 최적화된 제어시점을 확인하는 방법으로서, 전술한 인공지능 모델 생성 방법에 의해 인공지능 모델(M)을 생성하는 단계; (B1) 상기 (A1) 단계에서 생성된 인공지능 모델(M)에, 변경 예정 설비, 변경 예정 운전변수 및 변경하고자 하는 운전결과가 입력되는 단계; 및 (C1) 상기 인공지능 모델(M)에 의해 변경 예정 설비의 제어시점이 도출되는 단계를 포함하는, 제어시점 확인 방법을 제공한다.

상기와 같은 과제를 해결하기 위한 본 발명의 또 다른 실시예는, 다수의 설비를 포함하는 시스템에서, 다수의 설비 각각마다 설비의 운전변수를 변경하는 최적화된 제어시점을 적용하여 시스템을 자동 제어하는 방법으로서, (A21) 데이터 수집부(100)가 상기 운전변수 모니터링 센서(S1) 및 상기 운전결과 모니터링 센서(S2)에 의해 데이터를 획득하고, 학습 모듈(200)이 획득된 데이터를 활용하여 전술한 인공지능 모델 생성 방법에 의해 인공지능 모델(M)을 생성하는 단계; (A22) 상기 운전결과 모니터링 센서(S2)에 의해 운전결과가 실시간 모니터링되며, 모니터링된 운전결과의 변화 추세가 기 설정된 기준 이상인 경우 경고가 출력되는 단계; (B2) 제어 모듈(300)이 상기 모니터링된 운전결과의 변화 추세에 상응하는 것으로 미리 결정된 변경 예정 설비, 미리 결정된 변경 예정 운전변수 및 변경하고자 하는 운전결과를 확인하고, 이들을 상기 (A21) 단계에서 생성된 인공지능 모델(M)에 입력되는 단계; (C2) 상기 제어 모듈(300)이 상기 인공지능 모델(M)에 의해 변경 예정 설비의 제어시점을 확인하는 단계; 및 (D2) 상기 제어 모듈(300)이 상기 확인된 제어시점에 상기 변경 예정 설비에 대하여 상기 미리 결정된 변경 예정 운전변수로 제어를 변경하는 단계를 포함하는, 제어 방법을 제공한다.

또한, 상기 (D2) 단계 이후, (E21) 상기 운전결과 모니터링 센서(S2)에 의해 운전결과가 실시간 모니터링되며, 모니터링된 운전결과의 변화 추세의 변경을 확인하는 단계; 및 (E22) 상기 제어 모듈(300)이 상기 변경된 운전결과의 변화 추세가 미리 설정된 회귀 기준 이상인 것으로 판단한 경우, 상기 (D2) 단계에서 제어가 변경된 설비의 운전변수를 변경 전으로 회귀시키는 단계를 더 포함하는 것이 바람직하다.

본 발명에 따라, 다음과 같은 효과가 달성된다.

다수의 설비를 포함하는 시스템에서 설비 제어 변경 후 운전결과가 확인되기까지의 지연시간을 고려함으로써, 설비마다, 주어진 운전 환경마다, 최적의 제어시점을 확인할 수 있으며, 이를 통하여 최적의 운전결과 변화를 유도할 수 있다. 예컨대, 오염물질이 증가하는 경우라면 본 발명을 통해 필요 이상의 오염물질 배출을 제어할 수 있고, 오염물질의 변동폭을 감소시킴으로써 설비의 안정성을 확보할 수 있으며, 문제 발생 전 사전 제어를 통해 설비 운영이 안정화되고, 최적화를 통해 경제성이 상승한다. 오염물질이 감소하는 경우라면 발전 설비의 효율 감소를 최소화할 수 있다.

또한, 이러한 효과는, 제어 변경 후 회귀시에도 동일하게 획득된다.

다수의 설비가 복잡한 인과관계로 운전결과에 영향을 주는 실정에서도, 인공지능을 활용함으로써 최적의 제어시점을 도출할 수 있다.

다수의 설비를 하나의 인공지능 모델로 운용할 수 있으므로, 연산 속도가 빠르고 신속한 제어시점 확인이 가능하다.

도 1 및 도 2는 본 발명의 개념을 설명하기 위한 예시를 개략적으로 도시한 그래프이다.
도 3은 본 발명에 따른 방법이 적용되는 시스템을 도시한다.
도 4는 본 발명에 따른 인공지능 모델 생성 방법을 설명하기 위한 개념도이다.
도 5는 본 발명에 따른 인공지능 모델 활용 방법을 설명하기 위한 개념도이다.
도 6은 본 발명이 적용된 시스템의 효과를 설명하기 위한 그래프로서, 도 1 및 도 2와 함께 참조하여 이해할 수 있다.

이하, 도면을 참조하여 본 발명을 보다 상세히 설명한다.

1. 시스템의 설명

도 3을 참조하여 본 발명에 따른 방법이 적용되는 시스템을 설명한다.

본 발명에서 설명되는 시스템은 다수의 설비(10)로 구성된 것으로 물건의 개념이다. 예컨대, 시스템은 발전소일 수 있으며, 이는 연료주입기, 공기주입기, 보일러, 배가서 처리기 등 다양한 발전 설비로 이루어진다.

일 실시예에서는, 다수의 설비(10)마다 운전변수 모니터링 센서(S1)가 구비될 수 있어서 각각의 설비(10)에서 유지되거나 변경되는 운전변수를 실시간 확인할 수 있다. 예컨대, 발전소의 연료 주입기에서 주입되는 연료 내지 공기량을 확인할 수 있다.

일 실시예에서는, 시스템에는 운전결과 모니터링 센서(S2)가 구비될 수 있어서 시스템의 운전결과를 실시간 확인할 수 있다. 도 1 및 도 2에 도시된 예시와 같이, 오염물질을 실시간으로 확인할 수 있다.

데이터 수집부(100)는 운전변수 모니터링 센서(S1)과 운전결과 모니터링 센서(S2)에서 확인된 데이터를 수집하여 학습 모듈(200) 및 제어 모듈(300)로 전송한다.

학습 모듈(200)은 인공지능 모델(M)을 학습하기 위한 학습데이터를 설정하는 학습데이터 설정부(210)와, 이를 학습하여 인공지능을 생성하는 인공지능 학습부(220)를 포함한다. 구체적인 생성 방법은 후술한다.

제어 모듈(300)은 생성된 인공지능 모델(M)에 수동 또는 자동으로 데이터를 입력하기 위한 데이터 입력부(300)와, 원하는 운전결과를 얻기 위해 제어하는 설비 및 그 설비의 운전변수를 결정하는 운전변수 결정부(320)와, 지연시간을 고려하여 제어시점을 결정하기 위한 제어시점 결정부(330)를 포함한다. 운전변수 결정부(320)는 운전결과마다 제어하여야 하는 설비와 그 운전변수가 미리 저장되어 있을 수 있다. 예컨대, 오염물질 증가시에는 연료주입기를 특정 수치만큼 제어하도록 미리 저장되어 있을 수 있다. 구체적인 제어 방법은 후술한다.

2. 인공지능 모델 생성 방법의 설명

도 4를 참조하여 본 발명에 따른 인공지능 모델(M) 생성 방법을 설명한다.

전술한 바와 같이, 본 발명은 다수의 설비(10)로 구성된 시스템에 적용되는 것으로, 설비(10)는 다수 개이지만 하나의 인공지능 모델(M)에 의해 각각의 설비(10)의 특성 및 각각의 설비(10)의 환경 특성이 반영된 제어시점 결정이 가능하다.

인공지능 모델(M)은 제 1 인공지능 모델(M1), 제 2 인공지능 모델(M2) 및 제 3 인공지능 모델(M3)을 포함한다.

제 1 인공지능 모델(M1)은 예측 지연시간을 결정하기 위한 모델이며, 그 결과값은 후술하는 제 3 인공지능 모델(M3)에서 활용된다.

제 1 인공지능 모델은 각각의 설비(10)의 시간별 운전변수와 시간별 운전결과를 학습데이터로 학습하여 생성된다. 여기서 시간별 운전변수와 시간별 운전결과는 센서(S1, S2)에서 자동으로 획득된 것일 수도 있으며, 수동으로 입력될 수도 있음은 당연하다.

운전변수는 각각의 설비(10)마다 다르며 운전원에 의하여 제어가 가능한 변수를 의미한다. 예컨대, 연료량 90%로 감소하는 변수일 수 있다. 시간에 따라 다르게 운전변수를 채택하기에, 시간별 운전변수 데이터로서 활용된다.

운전결과는 다수의 설비(10)를 포함하는 시스템의 운전결과이다. 예컨대, 오염물질의 양이나 발전 효율 등일 수 있다. 시간에 따라 운전결과는 다르기에, 시간별 운전결과의 데이터로서 활용된다.

다수의 설비(10)마다의 시간별 운전변수와 시간별 운전결과에 대한 데이터 세트가 다수 확보되었다면 해당 설비의 예측 지연시간을 추정할 수 있다.

예컨대, 어느 하나의 설비에 대하여 a초에 투입 연료량이 감소되었는데 a+10초에 비로소 오염물질이 감소한 것으로 확인되었고 다른 설비들의 운전변수가 변경되지 않았다면 10초의 예측 지연시간이 추정된다. 이는 예시일 뿐이며, 실제 설비 운용시에는 다수의 설비(10)마다 다양한 변수가 함께 변화하고 각 시간마다 이러한 변화가 누적되기에 이와 같이 예측 지연시간이 간단하게 확인되지 않고, 이러한 이유로 제 1 인공지능 모델(M1)을 통하여 다양한 설비의 다양한 변수들이 모두 반영된 예측 지연시간이 추정된다.

제 1 인공지능 모델(M1)에 의해 추정된 예측 지연시간은 설비(10)의 특성과 각 설비(10)마다 운전원 제어 가능한 운전변수가 반영되었지만 운전변수 이외에 운전결과에 영향을 주는 기타조건(예컨대, 설비 주변 온습도, 연료 품질, 오염물질 누적에 의한 설비 효율 변화 등)이 반영되지 않았다. 이를 보완하기 위해 제 2 인공지능 모델(M2)의 개념이 도입된다.

제 2 인공지능 모델(M2)은 운전변수 이외에 운전결과에 영향을 주는 기타조건을 반영하여 시간별 운전결과를 예측하기 위한 모델이며, 그 결과값은 후술하는 제 3 인공지능 모델(M3)에서 활용된다.

제 2 인공지능 모델(M2)은 각각의 설비(10)의 시간별 운전변수와 시간별 운전결과 및 각각의 설비(10)의 최적 조건을 학습데이터로 학습하여 생성된다. 마찬가지로 시간별 운전변수와 시간별 운전결과는 센서(S1, S2)에서 자동으로 획득된 것일 수도 있으며, 수동으로 입력될 수도 있다.

최적 조건은 해당 설비를 운용하는데 이상적인 것으로 결정된 조건으로 운전변수 이외에 운전결과에 영향을 주는 기타조건의 일종이다. 예컨대, 설비 주변 온습도와 연료 품질 등일 수도 있으며, 오염 물질 누적에 의한 설비 효율 변화일 수도 있다.

시간별 운전변수와 시간별 운전결과에 대한 데이터 세트가 다수 확보되었으며, 각각의 설비(10)의 최적 조건이 함께 입력되었다면, 가장 이상적인 시간별 예측최적운전결과가 확인될 수 있다. 최적 조건이 더 반영된 것이므로 센서(S2) 등에서 실측된 시간별 운전결과와 다른 것이다.

예컨대, 발전 설비에 대하여 a초에 투입 연료량이 감소되었고 a+10초에 비로소 오염물질이 감소한 것으로 확인되었지만 이는 최적 조건이 반영된 것이 아닌 실제 운전결과 데이터이고, 여기에 운전결과에 영향을 주는 기타조건이 최적인 상태를 나타내는 최적 조건이 더 입력된다면, 다수의 운전결과 중 최적 조건에 가장 근사한 것으로 운용된 운전결과가 참조되어, 실제 시간별 운전결과와 다른, 최적조건이 반영된 시간별 예측최적운전결과가 추정된다. 앞선 예시에서, 제 2 인공지능 모델(M2)에 의해 추정된 시간별 예측최적운전결과에 따른다면 a+10초가 아닌 a+8초에 오염물질이 감소한 것으로 확인될 수도 있다. 최적조건이 반영되었기 때문이다. 물론, 다수의 설비(10)마다 다양한 변수가 함께 변화함을 고려한다면 이렇게 간단히 확인되지 않음은 당연하여, 제 2 인공지능 모델(M2)이 활용된다.

제 2 인공지능 모델(M2)에 의해 추정된 시간별 예측운전결과는 운전변수 이외에 운전결과에 영향을 주는 기타조건이 반영되었지만 지연시간이 반영되지 않았다. 따라서, 제 3 인공지능 모델(M3)의 개념이 도입된다.

제 3 인공지능 모델(M3)은 각각의 설비(10)의 시간별 운전변수와, 제 1 인공지능 모델(M1)에서의 출력값인 각각의 설비(10)의 예측 지연시간과, 제 2 인공지능 모델(M2)에서의 출력값인 시간별 예측최적운전결과를 학습데이터로 학습하여 생성된다. 시간별 운전변수는 센서(S1)에서 자동으로 획득된 것일 수도 있으며, 수동으로 입력될 수도 있다.

제 3 인공지능 모델(M3)에 의해 해당 설비(10)에서 운전결과가 최적이 되기 위한 제어시점이 확인된다.

예컨대, 발전 설비에 대하여 a초에 투입 연료량이 감소되었고 최적 조건을 고려하지 않은 예측 지연시간은 10초인데, 시간별 예측최적운전결과를 검토하니 최적 조건 하에서는 a+8초에 오염물질이 감소할 것으로 예상되었다면, 투입 연료량을 감소시키는 시점을 2초 앞당기는 것이 제안된다. 즉, 2초 앞당긴 시점이 제어시점으로 제안된다. 물론, 다수의 설비(10)마다 다양한 변수가 함께 변화함을 고려한다면 이렇게 간단히 확인되지 않음은 당연하여, 이에 따라 제 3 인공지능 모델(M3)이 활용된다.

이러한 방식으로 제 1 인공지능 모델(M1), 제 2 인공지능 모델(M2) 및 제 3 인공지능 모델(M3)이 생성되어 하나의 인공지능 모델(M)을 구성한다. 즉, 시스템 내에 다수의 설비(10)가 있고 각각의 설비(10)들이 시스템의 운전결과에 복잡하게 영향을 주지만, 생성된 하나의 인공지능 모델(M)에 의해 시스템 내 어느 설비를 제어하든 결과값을 확인할 수 있다.

인공지능 모델(M)이 생성되어 있고, 변경하고자 하는 설비를 미리 결정해 두거나 운전원이 직접 결정한 후, 해당 설비에 대한 변경 예정 운전변수와 변경하고자 하는 운전결과를 입력하면 제 1 인공지능 모델(M1), 제 2 인공지능 모델(M2), 제 3 인공지능 모델(M3) 모두에 입력값이 인가되어 최종 출력값인 해당 설비의 제어시점이 도출된다. 즉, 인공지능 모델(M)에 변경 예정 운전변수와 변경하고자 하는 운전결과만 입력되면 해당 설비의 최적의 제어시점이 도출된다.

한편, 최적 조건이 별도로 입력되지 않는다면, 최초 인공지능 모델(M) 생성시 확인되었던 최적 조건이 적용되어 이에 맞는 제어시점이 도출될 것이며, 환경이 변화하거나 설비의 특성 등이 변화하여 최적 조건을 더 입력한다면 이에 맞는 제어시점이 도출될 수도 있다.

본 발명의 다른 실시예에서, 제 2 인공지능 모델(M2)은 두 부분으로 구분되어 생성될 수 있어서, 제 2-1 인공지능 모델(M2-1) 및 제 2-2 인공지능 모델(M2-2)을 포함할 수 있다.

제 2-1 인공지능 모델(M2-1)은 각각의 설비(10)의 시간별 운전변수와 시간별 운전결과를 학습데이터로 학습하여 생성된다. 제 1 인공지능 모델(M1)과 학습데이터는 동일하나, 이를 바탕으로 시간별 운전결과를 예측할 수 있다. 이를 시간별 예측운전결과로 지칭하며, 여기에는 지연시간 내지 기타조건이 반영되지 않은 것이다.

예컨대, 제어 가능한 5개의 설비를 포함하는 시스템에서, 5개 각각의 설비의 시간별 운전변수와 시간별 운전결과가 입력되어 인공지능 모델이 생성되었다면 특정 설비 1개의 변경된 운전변수를 입력하여도 이에 따라 운전결과가 시간에 따라 어떻게 변화할 것인지 시간별 예측운전결과가 도출된다.

제 2-2 인공지능 모델(M2-2)은, 각각의 설비(10)의 시간별 운전변수와 제 2-1 인공지능 모델(M2-1)에서의 출력값인 시간별 예측운전결과와 각각의 설비(10)의 최적 조건을 학습데이터로 학습하여 생성된다. 이에 따라 제 2-2 인공지능 모델(M2-2)에 의해 시간별 예측 최적운전결과가 추정된다.

3. 인공지능 모델을 이용한 제어 방법의 설명

도 5를 참조하여 본 발명에 따른 인공지능 모델(M)을 이용한 제어 방법을 설명한다. 즉, 전술한 인공지능 모델(M)이 모두 생성된 상태이다.

제 1 실시예는 수동 제어 방법이다.

도 2와 같이 오염물질이 증가하기 시작함이 감지된 경우, 운전원은 어떠한 설비의 어떠한 운전변수를 변경할지 결정한다. 여기서, 변경하고자 하는 운전결과는 오염물질의 감소이다.

전술한 방법에 의해 생성된 인공지능 모델(M)에, 결정된 변경 예정 설비, 변경 예정 운전변수 및 변경하고자 하는 운전결과가 입력된다. 경우에 따라, 최적 조건을 더 입력할 수도 있다.

인공지능 모델(M)은 입력된 값을 이용하여 제어시점을 도출하게 되며, 운전원을 이에 따라 해당 시점에 해당 설비의 운전변수를 변경하여 최적의 효과를 이룰 수 있다.

도 2를 참조하여 발명의 배경이 되는 기술에서 설명한 예시에서 운전원이 오염물질 배출 기준 초과를 2분에 인지하고 설비 제어 변경을 5분에 시도함으로써 오염물질의 감소가 늦게 시작한 문제가 있었는데, 본 발명에 따를 경우 최적의 제어시점이 1분임을 확인할 수 있어서 설비 제어 변경을 3분에 시도함으로써 오염물질의 감소가 보다 빠르게 이루어지고 보다 이른 시점에 정상 수치로 변경되게 할 수 있다.

도 6은 이를 도시한다. 종래 기술에서는 T1 시점에 설비 제어 변경이 시도되어 오염물질 및 효율의 증감폭인 진폭이 컸지만 본 발명에 따라 설비(10)마다 고유의 지연시간과 최적 조건이기 고려되어 최적의 제어시점이 도출됨으로써 해당 시점에 제어 변경을 시도하여 오염물질 및 효율의 증감폭인 진폭을 C만큼 감소시킬 수 있으며, 정상 수치로 복귀하는데 소요되는 시간을 단축시킬 수 있다는 장점이 있다.

제 2 실시예는 자동 제어 방법이다.

데이터 수집부(100)가 운전변수 모니터링 센서(S1) 및 운전결과 모니터링 센서(S2)에 의해 실시간으로 데이터를 획득하는 상태이다.

운전결과 모니터링 센서(S2)에 의해 모니터링된 운전결과의 변화 추세가 기 설정된 기준 이상인 경우 경고가 출력됨과 동시에, 해당 운전결과에 상응하는 것으로 미리 결정된 변경 예정 설비와, 미리 결정된 변경 예정 운전변수와, 변경하고자 하는 운전결과를 확인하고, 이를 인공지능 모델(M)에 자동으로 입력한다.

예컨대, 오염물질이 증가하는 경우, 연료주입 설비에서 연료량을 10% 감소시키는 것으로 미리 결정되어 있을 수 있으며, 이를 활용하게 된다.

제 1 실시예와 마찬가지로, 인공지능 모델(M)은 변경 예정 설비의 제어시점을 도출한다. 제어 모듈(300)은 확인된 제어시점에 변경 예정 설비에 대하여 미리 결정된 변경 예정 운전변수로 제어를 자동으로 변경하게 된다.

한편, 동일한 방법으로, 변경된 운전변수를 정상 운전변수로 회귀시킬 수 있다. 운전결과 모니터링 센서(S2)에 실시간 모니터링된 운전결과의 변화 추세의 변경을 확인하여 미리 설정된 회귀 기준 이상인 것으로 판단한 경우, 변경된 설비의 운전변수를 변경 전으로 자동 회귀시키게 된다.

10: 설비
100: 데이터 수집부
200: 학습 모듈
210: 학습데이터 설정부
220: 인공지능 학습부
300: 제어 모듈
310: 데이터 입력부
320: 운전변수 결정부
330: 제어시점 결정부
S1: 운전변수 모니터링 센서
S2: 운전결과 모니터링 센서

Claims (6)

1. 다수의 설비(10)를 포함하는 시스템에서, 다수의 설비(10) 각각마다 설비(10)의 운전변수를 변경하는 제어시점을 최적화하는 인공지능 모델(M)을 생성하는 방법으로서,
   상기 인공지능 모델(M)은 제 1 인공지능 모델(M1), 제 2 인공지능 모델(M2) 및 제 3 인공지능 모델(M3)을 포함하며,
   상기 방법은,
   (a1) 각각의 설비(10)의 시간별 운전변수와 시간별 운전결과를 학습데이터로 학습하여, 변경 예정 운전변수와 변경하고자 하는 운전결과가 입력되면 각각의 설비(10)의 예측 지연시간이 출력되도록 하는 제 1 인공지능 모델(M1)을 생성하는 단계;
   (a2) 각각의 설비(10)의 시간별 운전변수와 시간별 운전결과 및 각각의 설비(10)의 최적 조건을 학습데이터로 학습하여, 상기 변경 예정 운전변수와 상기 변경하고자 하는 운전결과가 변경 예정 설비의 최적 조건이 입력되면 시간별 예측 최적운전결과가 도출되는 제 2 인공지능 모델(M2)을 생성하는 단계; 및
   (a3) 각각의 설비(10)의 시간별 운전변수와, 상기 제 1 인공지능 모델(M1)에서의 출력값인 각각의 설비(10)의 예측 지연시간과, 상기 제 2 인공지능 모델(M2)에서의 출력값인 시간별 예측최적운전결과를 학습데이터로 학습하여, 상기 변경 예정 운전변수와 상기 제1인공지능 모델(M1)에서의 출력값인 예측 지연시간과, 상기 제 2 인공지능 모델(M2)에서의 출력값인 시간별 예측최적운전결과가 입력되면 변경 예정 설비의 제어시점이 도출되는 제 3 인공지능 모델(M3)을 생성하는 단계를 포함하는,
   인공지능 모델 생성 방법.
   
2. 제 1 항에 있어서,
   상기 제 2 인공지능 모델(M2)은 제 2-1 인공지능 모델(M2-1) 및 제 2-2 인공지능 모델(M2-2)을 포함하며,
   상기 (a2) 단계는,
   (a21) 각각의 설비(10)의 시간별 운전변수와 시간별 운전결과를 학습데이터로 학습하여, 상기 변경 예정 운전변수와 상기 변경하고자 하는 운전결과가 입력되면 시간별 예측운전결과가 도출되는 제 2-1 인공지능 모델(M2-1)을 생성하는 단계; - 여기서, 시간별 예측운전결과는 지연시간이 고려되지 않은 미래의 예측운전결과임
   (a22) 각각의 설비(10)의 시간별 운전변수와 상기 제 2-1 인공지능 모델(M2-1)에서의 출력값인 시간별 예측운전결과와 각각의 설비(10)의 최적 조건을 학습데이터로 학습하여, 상기 변경 예정 운전변수와 상기 제 2-1 인공지능 모델(M2-1)에서의 출력값인 시간별 예측운전결과와 변경 예정 설비의 최적 조건이 입력되면 시간별 예측 최적운전결과가 도출되는 제 2-2 인공지능 모델(M2-2)을 생성하는 단계를 포함하는,
   인공지능 모델 생성 방법.
   
3. 제 1 항에 있어서,
   상기 다수의 설비(10)를 포함하는 시스템에서,
   상기 시스템은 각각의 설비(10)마다 구비된 운전변수 모니터링 센서(S1)가 포함되고, 학습데이터로 활용되는 각각의 설비(10)의 시간별 운전변수는 상기 운전변수 모니터링 센서(S1)에서 측정된 것이고,
   상기 시스템은 운전결과 모니터링 센서(S2)를 포함하고, 학습데이터로 활용되는 시간별 운전결과는 상기 운전결과 모니터링 센서(S2)에서 측정된 것인,
   인공지능 모델 생성 방법.
   
4. 다수의 설비(10)를 포함하는 시스템에서, 다수의 설비(10) 각각마다 설비(10)의 운전변수를 변경하는 최적화된 제어시점을 확인하는 방법으로서,
   (A1) 제 1 항에 따른 인공지능 모델 생성 방법에 의해 인공지능 모델(M)을 생성하는 단계;
   (B1) 상기 (A1) 단계에서 생성된 인공지능 모델(M)에, 변경 예정 설비, 변경 예정 운전변수 및 변경하고자 하는 운전결과가 입력되는 단계; 및
   (C1) 상기 인공지능 모델(M)에 의해 변경 예정 설비의 제어시점이 도출되는 단계를 포함하는,
   제어시점 확인 방법.
   
5. 다수의 설비(10)를 포함하는 시스템에서, 다수의 설비(10) 각각마다 설비(10)의 운전변수를 변경하는 최적화된 제어시점을 적용하여 시스템을 자동 제어하는 방법으로서,
   (A21) 데이터 수집부(100)가 상기 운전변수 모니터링 센서(S1) 및 상기 운전결과 모니터링 센서(S2)에 의해 데이터를 획득하고, 학습 모듈(200)이 획득된 데이터를 활용하여 제 3 항에 따른 인공지능 모델 생성 방법에 의해 인공지능 모델(M)을 생성하는 단계;
   (A22) 상기 운전결과 모니터링 센서(S2)에 의해 운전결과가 실시간 모니터링되며, 모니터링된 운전결과의 변화 추세가 기 설정된 기준 이상인 경우 경고가 출력되는 단계;
   (B2) 제어 모듈(300)이 상기 모니터링된 운전결과의 변화 추세에 상응하는 것으로 미리 결정된 변경 예정 설비, 미리 결정된 변경 예정 운전변수 및 변경하고자 하는 운전결과를 확인하고, 이들을 상기 (A21) 단계에서 생성된 인공지능 모델(M)에 입력되는 단계;
   (C2) 상기 제어 모듈(300)이 상기 인공지능 모델(M)에 의해 변경 예정 설비의 제어시점을 확인하는 단계; 및
   (D2) 상기 제어 모듈(300)이 상기 확인된 제어시점에 상기 변경 예정 설비에 대하여 상기 미리 결정된 변경 예정 운전변수로 제어를 변경하는 단계를 포함하는,
   제어 방법.
   
6. 제 5 항에 있어서,
   상기 (D2) 단계 이후,
   (E21) 상기 운전결과 모니터링 센서(S2)에 의해 운전결과가 실시간 모니터링되며, 모니터링된 운전결과의 변화 추세의 변경을 확인하는 단계; 및
   (E22) 상기 제어 모듈(300)이 상기 변경된 운전결과의 변화 추세가 미리 설정된 회귀 기준 이상인 것으로 판단한 경우, 상기 (D2) 단계에서 제어가 변경된 설비의 운전변수를 변경 전으로 회귀시키는 단계를 더 포함하는,
   제어 방법.

Images