KR101827108B1 - 플랜트 이상 감지 학습 시스템 및 방법 - Google Patents

Abstract

본 발명은 실시간으로 수집한 플랜트 데이터에 대해 서로 다른 특징을 지닌 복수의 예측 모델들을 통해 학습하여 가장 정확도가 높은 예측치를 생성해 고장을 진단함으로써 플랜트 이상을 정확하게 감지하여 조기에 경보해 줄 수 있도록 하는, 플랜트 이상 감지 학습 시스템 및 방법이 개시된다.
개시된 플랜트 이상 감지 학습 시스템은, 플랜트에 대해 각 센서를 통해 실시간으로 플랜트 데이터를 수집하는 데이터 수집부; 상기 수집된 실시간 데이터에서 정상 상태 데이터를 학습하는데 필요한 학습 모델에 대해, 서로 다른 특징을 지닌 복수의 모델 기반으로 예측하기 위해 모수성(Parametric) 모델과 비모수성(Non-Parametric) 모델을 조합하여 학습 모델을 선택하는 학습모델 선택부; 상기 수집된 실시간 데이터에 대해 전처리 과정(Pre-Processing)을 통해 정상 상태 데이터를 생성하고, 생성된 정상 상태 데이터에 대해 상기 선택된 학습 모델을 통해 앙상블 학습(Ensemble Learning)을 수행하여 가장 정확도가 높은 예측 데이터를 출력하는 데이터 학습부를 포함한다.
본 발명에 의하면, 서로 다른 특징을 지닌 복수의 예측 모델들을 조합하여 고장을 진단할 수 있는 플랜트 데이터를 학습할 수 있다.

Description

플랜트 이상 감지 학습 시스템 및 방법{Plant fault detection learning method and system}

본 발명은 플랜트 이상 감지 학습 시스템 및 방법에 관한 것으로서, 더욱 자세하게는 실시간으로 플랜트 데이터를 수집하고, 수집된 데이터를 이용하여 정상 상태를 학습하며, 실시간 플랜트 데이터와 자동 학습된 정상 상태의 데이터를 비교하여 고장을 진단하되, 모수성(Parametric) 모델과 비모수성(Non Parametric) 모델의 서로 다른 특징을 지닌 복수의 예측 모델을 기반으로 예측치들을 조합하여 가장 정확도가 높은 예측치를 생성해 학습하여 고장을 진단함으로써 조기에 플랜트 이상을 정확하게 감지하여 경보해 줄 수 있도록 하는, 플랜트 이상 감지 학습 시스템 및 방법에 관한 것이다.

일반적으로 발전 또는 화학 등의 대형 플랜트들은 다양한 종류의 수백 개의 기계 및 전기 설비들이 복잡하게 연결되어 운전되고 있다. 이런 플랜트들은 신뢰성을 확보하여 안정적으로 전력을 공급하기 위해, 사고의 발단이 되는 이상 징후를 상시로 측정해야 한다.

이에, 플랜트를 구성하는 주요 구성 부품의 파손 여부를 실시간으로 감지하고 부품에 이상 징후가 발견되는 경우 운전자에게 알람을 발생시키는 감시장치가 이용되고 있다.

종래의 감시장치의 경우 단순히 부품에 크랙(crack)이 발생한 것으로 감지된 경우 운전자에게 알람을 발생시킨다. 운전자는 부품에 크랙이 발생한 것을 인지할 수 있지만, 그 손상 정도는 알 수 없기 때문에 알람을 확인한 즉시 운전을 중단하고 보수 여부를 결정한다.

이에 따라, 크랙 발생 정도가 경미할 경우에도 운전을 중단한 후 평가 및 보수를 수행하므로 운전 효율이 떨어질 수 있다는 문제점이 있다.

따라서, 플랜트의 특정기기 관련 운전변수가 정상 운전 상태를 벗어나 위험한 상태에 접근할 경우 그 위험을 조기에 미리 경고하여 신속한 조치를 취하도록 하기 위한 기술이 요구되고 있다.

한국 등록특허공보 제1065767호(등록일 : 2011년09월09일)

전술한 문제점을 해결하기 위한 본 발명의 목적은, 실시간으로 플랜트 데이터를 수집하고, 수집된 데이터를 이용하여 정상 상태를 학습하며, 실시간 플랜트 데이터와 자동 학습된 정상 상태의 데이터를 비교하여 고장을 진단하되, 모수성(Parametric) 모델과 비모수성(Non Parametric) 모델의 서로 다른 특징을 지닌 복수의 예측 모델을 기반으로 예측치들을 조합하여 가장 정확도가 높은 예측치를 생성해 학습하여 고장을 진단함으로써 조기에 플랜트 이상을 정확하게 감지하여 경보해 줄 수 있도록 하는, 플랜트 이상 감지 학습 시스템 및 방법을 제공함에 있다.

전술한 목적을 달성하기 위한 본 발명에 따른 플랜트 이상 감지 학습 시스템은, 플랜트에 대해 각 센서를 통해 실시간으로 플랜트 데이터를 수집하는 데이터 수집부; 수집된 실시간 데이터에서 정상 상태 데이터를 학습하는데 필요한 학습 모델에 대해, 서로 다른 특징을 지닌 복수의 모델 기반으로 예측하기 위해 모수성(Parametric) 모델과 비모수성(Non-Parametric) 모델을 조합하여 학습 모델을 선택하는 학습모델 선택부; 수집된 실시간 데이터에 대해 전처리 과정(Pre-Processing)을 통해 정상 상태 데이터를 생성하고, 생성된 정상 상태 데이터에 대해 선택된 학습 모델을 통해 앙상블 학습(Ensemble Learning)을 수행하여 가장 정확도가 높은 예측 데이터를 출력하는 데이터 학습부; 및 학습 모델의 선택과, 선택된 학습 모델에 의한 앙상블 학습, 앙상블 학습에 따른 예측 데이터와 수집된 실시간 데이터를 비교하여 일정 이상으로 차이가 나는 경우에 고장을 조기에 경보하도록 제어하는 제어부를 포함한다.

또한, 학습모델 선택부는, 모수성 모델과 비모수성 모델에서, 특정 단일 모델들의 장점에 해당하는 기능을 선택하고 약점에 해당하는 기능들을 보완하기 위해, 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 학습 모델을 선택할 수 있다.

또한, 학습모델 선택부는, MLRM(Multiple Linear Regression Model), PLS(Partial Least Squares), DPCA(Dynamic Principal Component Analysis), K-NN(Nearest Neighbor) 모델 중 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 학습 모델을 선택할 수 있다.

또한, MLRM 모델은 ARX(Auto-Regressive eXogeneous)모델과 MLM(Maximum Likelihood Method) 모델을 포함하고, PLS 모델은 GLM(Generalized Linear Model) 모델과 MLM(Maximum Likelihood Method) 모델을 포함하며, DPCA 모델은 ARX 모델과 MLM 모델을 포함하며, K-NN 모델은 비모수성 모델과 RBF(Radial Basis Function) 커널(Kernel)을 포함할 수 있다.

그리고, 학습모델 선택부는, 특정 고장에 대한 정밀 검출이 필요한 경우에 K-NN 모델을 선택하고, 시간 설정에 따른 성능 변화가 심하며 모델 별 최적화가 필요한 경우에 DPCA 모델과 PLS 모델, MLRM 모델을 선택할 수 있다.

한편, 전술한 목적을 달성하기 위한 본 발명에 따른 플랜트 이상 감지 학습 방법은, (a) 데이터 수집부가 플랜트에 대해 각 센서를 통해 실시간으로 플랜트 데이터를 수집하는 단계; (b) 데이터 학습부가 상기 수집된 실시간 데이터에 대해 전처리 과정(Pre-Processing)을 통해 정상 상태 데이터를 생성하는 단계; (c) 학습모델 선택부가 상기 수집된 실시간 데이터에서 정상 상태 데이터를 학습하는데 필요한 학습 모델에 대해, 서로 다른 특징을 지닌 복수의 모델 기반으로 예측하기 위해 모수성(Parametric) 모델과 비모수성(Non-Parametric) 모델을 조합하여 학습 모델을 선택하는 단계; 및 (d) 데이터 학습부가 상기 생성된 정상 상태 데이터에 대해 상기 선택된 학습 모델을 통해 앙상블 학습(Ensemble Learning)을 수행하여 가장 정확도가 높은 예측 데이터를 출력하는 단계를 포함한다.

또한, (e) 제어부가 앙상블 학습에 따른 예측 데이터와 수집된 실시간 데이터를 비교하여 일정 이상으로 차이가 나는 경우에 고장을 조기에 경보하도록 제어하는 단계; 및 (f) 고장 경고부에서 플랜트의 고장을 조기에 경보하는 단계를 더 포함할 수 있다.

또한, (c) 단계에서 학습모델 선택부는, 모수성 모델과 비모수성 모델에서, 특정 단일 모델들의 장점에 해당하는 기능을 선택하고 약점에 해당하는 기능들을 보완하기 위해, 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 학습 모델을 선택할 수 있다.

또한, (c) 단계에서 학습모델 선택부는, MLRM(Multiple Linear Regression Model), PLS(Partial Least Squares), DPCA(Dynamic Principal Component Analysis), K-NN(Nearest Neighbor) 모델 중 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 학습 모델을 선택할 수 있다.

또한, MLRM 모델은 ARX(Auto-Regressive eXogeneous)모델과 MLM(Maximum Likelihood Method) 모델을 포함하고, PLS 모델은 GLM(Generalized Linear Model) 모델과 MLM(Maximum Likelihood Method) 모델을 포함하며, DPCA 모델은 ARX 모델과 MLM 모델을 포함하며, K-NN 모델은 비모수성 모델과 RBF(Radial Basis Function) 커널(Kernel)을 포함할 수 있다.

또한, (c) 단계에서 학습모델 선택부는, 특정 고장에 대한 정밀 검출이 필요한 경우에 K-NN 모델을 선택하고, 시간 설정에 따른 성능 변화가 심하며 모델 별 최적화가 필요한 경우에 DPCA 모델과 PLS 모델, MLRM 모델을 선택할 수 있다.

그리고, (b) 단계에서 데이터 학습부는 수집된 실시간 데이터에 대해 전처리 과정을 통해 비정상 데이터를 삭제하여 정상 상태 데이터를 생성할 수 있다.

본 발명에 의하면, 플랜트로부터 센서 데이터를 수집하여 이상 상태를 감지하기 위한 예측 데이터에 대해, 모수성(Parametric) 모델과 비모수성(Non-Parametric) 모델 등 다수 개의 예측 모델을 이용한 앙상블 학습(Ensemble Learning)을 통하여 예측 정확도를 향상시킬 수 있다.

또한, 모수성(Parametric) 모델과 비모수성(Non-Parametric) 모델의 서로 다른 특징을 지닌 복수의 예측 모델을 사용함으로써 학습 모델에 대한 특정 단일 모델들의 장점은 더욱 살리고 약점은 보완하여 가장 정확도가 높은 예측 데이터를 제공할 수 있다.

그리고, 예측 정확도 향상으로 플랜트 이상을 정확하게 감지하여 조기에 경보(Alarm)를 알릴 뿐만 아니라 잘 못 된 경보 발생 비율을 대폭 줄일 수 있어, 신뢰성 있는 플랜트 이상 감지 시스템을 구축할 수 있다.

도 1은 본 발명의 실시예에 따른 플랜트 이상 감지 학습 시스템의 기능 블록을 개략적으로 나타낸 구성도이다.
도 2는 본 발명에 따른 모수성 모델과 비모수성 모델을 기반으로 하는 앙상블 학습 과정을 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 플랜트 이상 감지 학습 방법을 설명하기 위한 동작 흐름도이다.
도 4는 본 발명의 실시예에 따른 모수성 모델과 비모수성 모델을 조합하여 앙상블 학습을 수행하는 예를 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 모수성 모델 및 비모수성 모델의 조합에 따라 정확도가 높은 예측 값을 산출한 결과를 나타낸 도면이다.

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 실시 예에 한정되지 않는다.

본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우 뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

어느 부분이 다른 부분의 "위에" 있다고 언급하는 경우, 이는 바로 다른 부분의 위에 있을 수 있거나 그 사이에 다른 부분이 수반될 수 있다. 대조적으로 어느 부분이 다른 부분의 "바로 위에" 있다고 언급하는 경우, 그 사이에 다른 부분이 수반되지 않는다.

제1, 제2 및 제3 등의 용어들은 다양한 부분, 성분, 영역, 층 및/또는 섹션들을 설명하기 위해 사용되나 이들에 한정되지 않는다. 이들 용어들은 어느 부분, 성분, 영역, 층 또는 섹션을 다른 부분, 성분, 영역, 층 또는 섹션과 구별하기 위해서만 사용된다. 따라서, 이하에서 서술하는 제1 부분, 성분, 영역, 층 또는 섹션은 본 발명의 범위를 벗어나지 않는 범위 내에서 제2 부분, 성분, 영역, 층 또는 섹션으로 언급될 수 있다.

여기서 사용되는 전문 용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분의 존재나 부가를 제외시키는 것은 아니다.

"아래", "위" 등의 상대적인 공간을 나타내는 용어는 도면에서 도시된 한 부분의 다른 부분에 대한 관계를 보다 쉽게 설명하기 위해 사용될 수 있다. 이러한 용어들은 도면에서 의도한 의미와 함께 사용 중인 장치의 다른 의미나 동작을 포함하도록 의도된다. 예를 들면, 도면 중의 장치를 뒤집으면, 다른 부분들의 "아래"에 있는 것으로 설명된 어느 부분들은 다른 부분들의 "위"에 있는 것으로 설명된다. 따라서 "아래"라는 예시적인 용어는 위와 아래 방향을 전부 포함한다. 장치는 90˚ 회전 또는 다른 각도로 회전할 수 있고, 상대적인 공간을 나타내는 용어도 이에 따라서 해석된다.

다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련 기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.

이하, 첨부한 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 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.

도 1은 본 발명의 실시예에 따른 플랜트 이상 감지 학습 시스템의 기능 블록을 개략적으로 나타낸 구성도이다.

도 1을 참조하면, 본 발명에 따른 플랜트 이상 감지 학습 시스템은, 데이터 수집부(110), 학습모델 선택부(120), 데이터 학습부(130), 고장 경보부(140) 및 제어부(150)를 포함한다.

여기에, 모델링부(160) 및 진단 데이터베이스(DB)(170)를 더 포함할 수 있다.

데이터 수집부(110)는 플랜트에 대해 각 측정 센서를 통해 실시간으로 플랜트 데이터를 수집한다.

학습모델 선택부(120)는 수집된 실시간 데이터에서 정상 상태 데이터를 학습하는데 필요한 학습 모델에 대해, 서로 다른 특징을 지닌 복수의 모델 기반으로 예측하기 위해 모수성(Parametric) 모델과 비모수성(Non-Parametric) 모델을 조합하여 학습 모델을 선택한다. 이러한 학습 모델의 선택에 대해서는 도 2 및 도 4를 통해 아래에서 상세히 설명한다.

여기서, 정상상태 데이터는 실시간으로 수집된 플랜트 데이터에서 경보(Alarm)가 발생된 비정상 상태의 플랜트 데이터를 삭제해서, 비정상 상태의 데이터가 섞이지 않은 정상상태의 플랜트 데이터를 의미한다.

데이터 학습부(130)는 수집된 실시간 데이터에 대해 전처리 과정(Pre-Processing)을 통해 정상 상태 데이터를 생성하고, 생성된 정상 상태 데이터에 대해 선택된 학습 모델을 통해 앙상블 학습(Ensemble Learning)을 수행하여 가장 정확도가 높은 예측 데이터를 출력한다.

여기서, 전처리(Pre-Processing) 과정은, 실시간으로 측정된 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성해, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 따라 경보(Alarm)가 발생된 비정상 플랜트 데이터들을 삭제해 정상 상태의 플랜트 데이터를 생성하는 것이다.

고장 경보부(140)는 제어부(150)의 제어에 따라 플랜트의 고장을 조기에 경보한다. 또한, 고장 경보부(140)는 플랜트 고장을 경보한 후 진단 데이터베이스(170)에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고 근본 원인을 추적할 수 있다.

제어부(150)는 학습 모델의 선택과, 선택된 학습 모델에 의한 앙상블 학습, 앙상블 학습에 따른 예측 데이터와 수집된 실시간 데이터를 비교하여 일정 이상으로 차이가 나는 경우에 고장을 조기에 경보하도록 제어한다.

모델링부(160)는 학습된 정상상태 데이터를 모델링(Modeling)하여 플랜트 모델을 생성한다. 이때, 모델링부(160)는, 학습된 정상상태 데이터를 모수성(Parametric) 모델 또는 비모수성(Non Parametric) 모델로 모델링하여 예측 모델로서의 플랜트 모델을 생성하는 것이다. 즉, 모델링부(160)는 실시간으로 수집된 플랜트 데이터에서 정상상태 데이터를 학습하는데 필요한 학습 모델에 대해, 도 2에 도시된 바와 같이 서로 다른 특징을 지닌 복수의 모델 기반으로 예측하기 위해 모수성(Parametric) 모델과 비모수성(Non-Parametric) 모델을 조합하여 학습 모델을 선택하고, 선택된 조합 모델을 통해 플랜드 모델을 생성하는 것이다.

이때, 모델링부(160)는, 모수성 모델과 비모수성 모델에서, 특정 단일 모델들의 장점에 해당하는 기능을 선택하고 약점에 해당하는 기능들을 보완하기 위해, 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 학습 모델을 선택할 수 있다.

즉, 모델링부(160)는, 도 2에 도시된 바와 같이 MLRM(Multiple Linear Regression Model), PLS(Partial Least Squares), DPCA(Dynamic Principal Component Analysis), K-NN(Nearest Neighbor) 모델 중 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 학습 모델을 설정할 수 있다.

진단 데이터베이스(170)는 플랜트에서 고장 난 사례들을 진단 데이터로 저장하고 있다. 여기서, 고장 난 사례들에 대한 데이터는 실시간으로 측정한 플랜트 데이터를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성해, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 따라 경보(Alarm)가 발생된 비정상 상태의 플랜트 데이터들과, 비정상 상태의 플랜트 데이터들이 제거된 정상 상태의 플랜트 데이터를 별도로 분리해 저장한 데이터들이다.

도 2는 본 발명에 따른 모수성 모델과 비모수성 모델을 기반으로 하는 앙상블 학습 과정을 나타낸 도면이다.

도 2에 도시된 바와 같이, 학습모델 선택부(120)는, 데이터 x(k)를 입력받아 다수의 모수성 모델(Parametric Model 1 N)과 다수의 비모수성 모델(Non Parametric Model 1 N) 중 복수의 학습 모델을 조합할 수 있는데, 각 모수성 모델과 비모수성 모델에 대해, 특정 단일 모델들의 장점에 해당하는 기능을 선택하고 약점에 해당하는 기능들을 보완하기 위해, 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 학습 모델을 선택할 수 있다.

예를 들면, 학습모델 선택부(120)는, 모수성 모델로서 ARX 모델을 선택한 경우에, ARX 모델이 정교한 모델의 설계가 가능하고, 모델 해석이 용이한 장점이 있지만 표현력이 매우 부족한 단점이 있으므로, 이런 단점을 보완하기 위해 비모수성 모델로서 표현력이 우수한 CNN 모델을 선택하여, ARX 모델과 CNN 모델을 조합한 학습 모델을 선택하게 되는 것이다.

즉, 학습모델 선택부(120)에서 하나의 모수성 모델을 선택하면, 선택된 모수성 모델이 갖는 단점을 파악해 단점을 보완해 줄 수 있는 비모수성 모델을 선택하여 학습 모델을 설정하는 것이다.

이에, 데이터 학습부(130)는 학습 모델로서 ARX 모델의 모수성 모델과 CNN 모델의 비모수성 모델을 선택하면, 이 두 모델을 조합한 학습 모델을 통해 앙상블 학습을 수행하게 되는 것이다. 따라서, 데이터 학습부(130)에서 앙상블 학습을 수행한 후 모델링부(160)를 통해 생성되는 플랜트 모델은 정교한 모델의 설계가 가능하고, 모델 해석이 용이하며, 표현력까지 매우 우수한 기능을 가지게 되는 것이다.

여기서, 데이터 학습부(130)에서 실행하는 앙상블 학습은 모수성 모델의 장점에 해당하는 기능과, 비모수성 모델의 장점을 통해 모수성 모델의 단점을 보완해 주는 기능을 갖는 두 모델의 조합된 학습 모델을 통해 정상상태 데이터들을 학습하는 것이다.

학습모델 선택부(120)는 앙상블 학습을 위해, MLRM(Multiple Linear Regression Model), PLS(Partial Least Squares), DPCA(Dynamic Principal Component Analysis), K-NN(Nearest Neighbor) 모델 중 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 학습 모델을 선택할 수 있다. 여기서, 서로 다른 특징은 모수성 모델과 비모수성 모델 간에 서로의 단점을 보완해 줄 수 있는 기능을 가진 것을 의미한다.

따라서, 앙상블 학습은 모수성 모델과 비모수성 모델을 조합한 학습 모델을 통해 정상상태 데이터를 학습하는 것으로서, 모수성 모델의 단점을 보완해 줄 수 있는 비모수성 모델과, 비모수성 모델의 단점을 보완해 줄 수 있는 모수성 모델의 조합된 모델 즉, 서로 다른 특징을 갖는 복수의 예측 모델을 조합한 학습 모델을 통해 정상상태 데이터를 학습하는 것이라 할 수 있다.

이때, MLRM 모델은 ARX(Auto-Regressive eXogeneous)모델과 MLM(Maximum Likelihood Method) 모델을 포함하고, PLS 모델은 GLM(Generalized Linear Model) 모델과 MLM(Maximum Likelihood Method) 모델을 포함하며, DPCA 모델은 ARX 모델과 MLM 모델을 포함하며, K-NN 모델은 비모수성 모델과 RBF(Radial Basis Function) 커널(Kernel)을 포함할 수 있다.

그리고, 학습모델 선택부(120)는, K-NN 모델이 비모수성 모델로서 구현성과 성능 관점에 적합하고, 특히 정교한 모델을 만들 수 있기에, 특정 고장에 대한 정밀 검출이 필요한 경우에 K-NN 모델을 선택하고, 또한 DPCA, MLRM 모델 등의 모수성 모델이 구현성과 성능 관점에서 적합하고 최적화 알고리즘에 적합하기에 시간 설정에 따른 성능 변화가 심하여 모델 별 최적화가 필요한 경우에 DPCA 모델과 PLS 모델, MLRM 모델을 선택할 수 있다.

도 3은 본 발명의 실시예에 따른 플랜트 이상 감지 학습 방법을 설명하기 위한 동작 흐름도이다.

도 3을 참조하면, 본 발명에 따른 플랜트 이상 감지 학습 시스템(100)은, 데이터 수집부(110)가 플랜트에 대해 각 센서를 통해 실시간으로 플랜트 데이터를 수집한다(310).

즉, 데이터 수집부(110)는 플랜트의 각 영역에 설치된 각각의 측정센서를 통해 예컨대, 5분마다 해당 센서 데이터를 수집하게 되는데(Data Collecting), 배치 스케줄러(Batch Scheduler)에 따라 각 측정센서들로부터 순차적으로 5분마다 센서 데이터를 각각 수신하여 원본 데이터(Raw Data)로 데이터베이스에 저장하는 것이다.

이어, 데이터 학습부(130)는 수집된 실시간 데이터에 대해 전처리 과정(Pre-Processing)을 통해 정상 상태 데이터를 생성한다(S320).

즉, 데이터 학습부(130)는 수집된 실시간 데이터에 대해 전처리 과정을 통해 비정상 데이터를 삭제하여 정상 상태 데이터를 생성하는 것이다.

이어, 학습모델 선택부(120)는 수집된 실시간 데이터에서 정상 상태 데이터를 학습하는데 필요한 학습 모델에 대해, 도 2에 도시된 바와 같이 서로 다른 특징을 지닌 복수의 모델 기반으로 예측하기 위해 모수성(Parametric) 모델과 비모수성(Non-Parametric) 모델을 조합하여 학습 모델을 선택한다(S330).

이때, 학습모델 선택부(120)는, 모수성 모델과 비모수성 모델에서, 특정 단일 모델들의 장점에 해당하는 기능을 선택하고 약점에 해당하는 기능들을 보완하기 위해, 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 학습 모델을 선택할 수 있다.

즉, 학습모델 선택부(120)는, 도 2에 도시된 바와 같이 MLRM(Multiple Linear Regression Model), PLS(Partial Least Squares), DPCA(Dynamic Principal Component Analysis), K-NN(Nearest Neighbor) 모델 중 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 학습 모델을 선택할 수 있다.

또한, 도 2에 도시된 바와 같이 MLRM 모델은 ARX(Auto-Regressive eXogeneous)모델과 MLM(Maximum Likelihood Method) 모델을 포함하고, PLS 모델은 GLM(Generalized Linear Model) 모델과 MLM(Maximum Likelihood Method) 모델을 포함하며, DPCA 모델은 ARX 모델과 MLM 모델을 포함하며, K-NN 모델은 비모수성 모델과 RBF(Radial Basis Function) 커널(Kernel)을 포함할 수 있다.

본 발명에 적용되는 모수성 모델과 비모수성 모델의 장점과 단점은 아래 표 1과 같다.

모델		장점	단점
모수성 모델	ARX Model	ㅇ정교한 모델 설계 가능 ㅇ매우 우수한 성능 발휘 ㅇ공학분야 유명한 모델 ㅇ사용 실적 많음 ㅇ모델 해석이 용이 ㅇ비선형 모델링 가능	ㅇ시스템 상태의 과정이 아닌 결과를 고려한 모델 ㅇMIMO 시스템 모델링 어려움 ㅇ표현력이 매우 부족함 ㅇ영상, 음성 인식 분야 사용
비모수성 모델	Non Parametric Model	ㅇk-NN과 같은 기술과 함께 적용시 우수한 성능 발휘 가능	ㅇ매우 정교한 학습 데이터에 대한 DB 구축 필요 ㅇ모델의 정교함에 따라 예측 성능 산포 심함
	CNN Model	ㅇ표현력이 매우 우수 ㅇ일반 NN 대비 모델 성능 우수 ㅇ이미지 처리에 우수한 성능 ㅇ모델 구조 설계가 어려울 경우 유익한 모델 ㅇMIMO 시스템 모델링에 우수	ㅇ모델 해석이 불가능 ㅇLocal Optimization 발생많음 ㅇ정교한 모델을 만든다는 보장이 없음

따라서, 학습모델 학습부(120)는 전술한 각 모델들의 장점과 단점 및 성능 제약 사항을 감안하여 다음 표 2와 같은 검토 결과를 통해 서로 다른 특징을 갖는 복수의 예측 모델을 조합하여 학습 모델을 선택할 수 있다.

모델	성능제약사항	검토결과
NN 기반 HTM	ㅇ모델별 최적화 필요 ㅇ설정변수 50개로 최적화 어려움 ㅇ정형화된 설계 방법 없음 ㅇ학계에서 인정받지 못함 ㅇ라이센스 문제 있음	ㅇ부적합(단, 특정고장에 대한 정밀 검출 필요시 활용 가능함)
DPCA PLS MLRM	ㅇ(DPCA) 시간 설정에 따른 성능 변화 심함, 모델별 최적화 필요	ㅇ최적화 알고리즘 적용시 적합 가능성 높음
	ㅇ(공통) Multivariate Regression 방식이기에 특정 센서에서 이상 감지시, 해당 시점의 다른 센서에서도 이상이 감지되는 오류 발생	ㅇ구현성과 성능 관점에서 매우 적합함
k-NN (VBM)	ㅇ모델의 정교함에 따른 성능 변화가 심하기 때문에 기존에 없던 패턴의 신호가 들어 올 경우, 예측 정밀도가 떨어질 가능성 있음	ㅇ구현성과 성능 관점에서 적합함. 특히 정교한 모델을 만들 수 있다면 매우 정확한 예측이 가능.
NN 기반 DBN	ㅇ모델별 최적화 필요 ㅇLocal Optimization 위험으로 최적화가 어려움 ㅇ정형화 된 설계 방법 없음 ㅇ동적 데이터에 취약	ㅇ성능 부족으로 부적합.
SVM 기반 SVDD SVR	ㅇ데이터 샘플링 영향 큼 ㅇKernel 및 변수 설정에 따른 성능 변화 심함	ㅇ성능 부족으로 부적합.

즉, 학습모델 선택부(120)는, 특정 고장에 대한 정밀 검출이 필요한 경우에 K-NN 모델을 선택하고, 시간 설정에 따른 성능 변화가 심하여 모델 별 최적화가 필요한 경우에 DPCA 모델과 PLS 모델, MLRM 모델을 선택할 수 있다.

이에, 데이터 학습부(130)는 도 4에 도시된 바와 같이 모수성 모델로서 ARX 모델과 LS(Least Square) Method를 이용하는 MLRM 모델과, 비모수성 모델로서 RBF 커널 등을 이용하는 k-NN 모델을 조합할 수 있다. 도 4는 본 발명의 실시예에 따른 모수성 모델과 비모수성 모델을 조합하여 앙상블 학습을 수행하는 예를 나타낸 도면이다. 따라서, 데이터 학습부(130)는 (k)라는 데이터를 입력받으면, 도 4에 도시된 바와 같이 학습모델 선택부(120)에 의해 선택된 MLRM 모델을 통해 x(1)이라는 추정값(Estimated Value_mlrm(k)/Residual_mlrm(k))을 획득하고, k-NN 모델을 통해 x(2)라는 추정값(Estimated Value_kNN(k)/Residual_kNN(k))을 획득하여, 이러한 추정값들 중에서 가장 최적의 하나를 선택하는 배깅(Bagging) 방법으로 앙상블 학습(Ensemble Learning)을 수행하고, 앙상블 학습을 수행한 결과, 다음 수학식1과 같은 추정값(Estimated Value) 및 최적 추정값(Optimal_Estimated Value)

(k)을 얻을 수 있다.

이에, 데이터 학습부(130)는 생성된 정상 상태 데이터에 대해 선택된 학습 모델을 통해 앙상블 학습(Ensemble Learning)을 수행하여 도 5에 도시된 바와 같이 가장 정확도가 높은 예측 데이터(Optimal_Estimated Value)를 출력한다(S340).

따라서, 데이터 학습부(130)는 앙상블 학습에 따라 산출된 최적의 예측 데이터(Optimal_Estimated Value)를 경보 로직(Alarm Logic)에 전달하여 플랜트 이상 감지의 경보에 이용할 수 있도록 한다. 도 5는 본 발명의 실시예에 따른 모수성 모델 및 비모수성 모델의 조합에 따라 정확도가 높은 예측 값을 산출한 결과를 나타낸 도면이다. 도 5에서, 데이터 학습부(130)는 MLRM, PLS, DPCA, k-NN 모델을 이용하여 앙상블 학습을 수행한 결과 98.6%, 95.1%의 정확도를 갖는 Proposed Method^* 값을 출력한다. 또한, 데이터 학습부(130)는 도 5에 도시된 바와 같이 MLRM, PLS, DPCA, k-NN 모델을 이용할 뿐만 아니라 여기에 자동 학습 알고리즘(Auto-Learning Algorithm)을 이용하여 앙상블 학습을 수행한 결과 98.6%, 97.9%의 정확도를 갖는 Proposed Method^** 값을 출력한다. 여기서, 자동 학습 알고리즘은, 전술한 바와 같이 데이터 학습부(130)에서 실시간으로 수집된 플랜트 데이터에 대해 전처리 과정(Pre-Processing)을 통해 비정상 상태의 데이터를 삭제하여 얻은 정상상태 데이터를 학습하는데 필요한 학습 모델에 대해, 학습모델 선택부(120)에서 서로 다른 특징을 지닌 복수의 모델 기반으로 예측하기 위해 모수성(Parametric) 모델과 비모수성(Non-Parametric) 모델을 조합하여 학습 모델을 선택하고, 데이터 학습부(130)에서 정상상태 데이터를 모수성 모델과 비모수성 모델의 조합된 학습 모델을 통해 앙상블 학습하도록 하는 알고리즘을 의미한다.

이때, 모델링부(160)는, 학습된 정상상태 데이터를 모수성(Parametric) 모델 및 비모수성(Non Parametric) 모델의 조합에 따라 모델링(Modeling)하여 예측 모델(Prediction Model)로서의 플랜트 모델을 생성하여 예측 데이터베이스(Prediction DB)에 저장할 수 있다.

이어, 제어부(150)는 앙상블 학습에 따른 예측 데이터와 수집된 실시간 데이터를 비교하여 일정 이상으로 차이가 나는 경우에 고장을 조기에 경보하도록 제어한다(S350)

즉, 제어부(150)는 실시간 측정된 센서 데이터(Sensor Data)를 실측치로 하고, 학습된 정상상태 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성하며, 생성된 잔차 값이 허용치를 초과하는 경우에 알람 로직(Alarm Logic)에 의해 조기 경보를 출력하도록 제어하는 것이다.

이어, 고장 경고부(140)는 제어부(150)의 제어에 따라 플랜트의 고장을 조기에 경보한다(S360).

따라서, 플랜트의 이상 감지에 이용하는 예측 데이터를 정확하게 산출하여 이용하게 됨으로써 조기에 플랜트 이상을 정확하게 감지하여 경보해 줄 수 있다.

한편, 제어부(150)는 진단 데이터베이스(170)에 근거해 진단 로직(Diagnosis Logic)을 이용하여 플랜트의 고장을 진단하고 근본 원인을 추적할 수 있다. 여기서, 진단 로직은 실시간 플랜트 데이터와 정상상태 데이터가 허용치를 초과하는 정도로 차이가 나서 조기 알람이 발생하게 되면, 플랜트 고장에 대한 근본적인 원인을 진단 데이터에 근거해 분석하여 찾게 되는 알고리즘이다. 이에, 제어부(150)는 진단 데이터베이스(170)에 저장된 진단 데이터에 근거해 진단 로직을 이용하여 플랜트의 고장에 대한 근본적인 원인을 분석하여 추적할 수 있게 되는 것이다.

전술한 바와 같이 본 발명에 의하면, 실시간으로 플랜트 데이터를 수집하고, 수집된 데이터를 이용하여 정상 상태를 학습하며, 실시간 플랜트 데이터와 자동 학습된 정상 상태의 데이터를 비교하여 고장을 진단하되, 모수성(Parametric) 모델과 비모수성(Non Parametric) 모델의 서로 다른 특징을 지닌 복수의 예측 모델을 기반으로 예측치들을 조합하여 가장 정확도가 높은 예측치를 생성해 학습하여 고장을 진단함으로써 조기에 플랜트 이상을 정확하게 감지하여 경보해 줄 수 있도록 하는, 플랜트 이상 감지 학습 시스템 및 방법을 실현할 수 있다.

본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100 : 플랜트 이상 감지 학습 시스템 110 : 데이터 수집부
120 : 학습모델 선택부 130 : 데이터 학습부
140 : 고장 경보부 150 : 제어부
160 : 모델링부 170 : 진단 DB

Claims (12)

1. 플랜트에 대해 플랜트 데이터를 수집하는 데이터 수집부;
   모수성(Parametric) 모델 중 적어도 하나의 모델과 비모수성(Non-Parametric) 모델 중 적어도 하나의 모델을 포함하는 복수의 학습 모델을 선택하는 학습모델 선택부;
   상기 데이터 수집부에서 수집된 데이터에 대해 전처리 과정(Pre-Processing)을 수행하여 정상 상태 데이터를 생성하고, 생성된 상기 정상 상태 데이터를 바탕으로 상기 학습모델 선택부에서 선택한 상기 복수의 학습 모델을 모델링하고 상기 모델링된 복수의 학습 모델에서 출력된 추정값 및 오차값을 바탕으로 가장 작은 오차값을 출력한 학습 모델의 추정값을 예측 데이터로 출력하는 데이터 학습부;
   상기 복수의 학습 모델의 선택과, 선택된 복수의 학습 모델에 대한 모델링을 제어하고, 상기 데이터 학습부에서 출력하는 예측 데이터와 상기 데이터 수집부에서 수집된 데이터를 비교하여 일정 이상으로 차이가 나는 경우에 고장을 경보 하도록 제어하는 제어부; 를 포함하고,
   상기 전처리 과정은 상기 데이터 수집부에서 수집된 데이터를 실측치로 하고, 상기 데이터 학습부에서 출력하는 예측 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성해, 생성된 잔차 값이 미리 설정된 허용치를 초과하는 경우 비정상 데이터로 삭제하는 과정인,
   플랜트 이상 감지 학습 시스템.
   
2. 제 1 항에 있어서,
   상기 학습모델 선택부는, 복수의 모델 중 서로 간의 단점을 보완해 주는 특징을 갖는 복수의 예측 모델을 조합하여 상기 복수의 학습 모델을 선택하는, 플랜트 이상 감지 학습 시스템.
   
3. 제 1 항에 있어서,
   상기 학습모델 선택부는, 상기 모수성 모델 중 적어도 하나의 모델로서 ARX(Auto-Regressive eXogeneous) 모델을 선택하고, 상기 비모수성 모델 중 적어도 하나의 모델로서 K-NN 모델을 선택하는, 플랜트 이상 감지 학습 시스템.
   
4. 삭제
5. 삭제
6. (a) 데이터 수집부가 플랜트에 대해 플랜트 데이터를 수집하는 단계;
   (b) 데이터 학습부가 상기 수집된 데이터에 대해 전처리 과정(Pre-Processing)을 통해 정상 상태 데이터를 생성하는 단계;
   (c) 학습모델 선택부가 모수성(Parametric) 모델 중 적어도 하나의 모델과 비모수성(Non-Parametric) 모델 중 적어도 하나의 모델을 포함하는 복수의 학습 모델을 선택하는 단계; 및
   (d) 데이터 학습부가 상기 생성된 정상 상태 데이터를 바탕으로 상기 선택된 복수의 학습 모델을 모델링하고 상기 모델링된 복수의 학습 모델에서 출력된 추정값 및 오차값을 바탕으로 가장 작은 오차값을 출력한 학습 모델의 추정값을 예측 데이터로 출력하는 앙상블 학습(Ensemble Learning) 수행 단계; 를 포함하고,
   상기 전처리 과정은 상기 수집된 플랜트 데이터를 실측치로 하고, 상기 앙상블 학습 수행 단계에서 출력하는 예측 데이터를 예측치로 하여, 실측치에서 예측치를 뺀 값을 잔차로 생성해, 생성된 잔차 값이 미리 설정된 허용치를 초과하는 경우 비정상 데이터로 삭제하는 과정인,
   를 포함하는 플랜트 이상 감지 학습 방법.
   
7. 제 6 항에 있어서,
   (e) 제어부가 상기 앙상블 학습 수행 단계에서 출력하는 예측 데이터와 상기 수집된 플랜트 데이터를 비교하여 일정 이상으로 차이가 나는 경우에 고장을 조기에 경보하도록 제어하는 단계;
   를 더 포함하는, 플랜트 이상 감지 학습 방법.
   
8. 제 6 항에 있어서,
   상기 (c) 단계는 상기 학습모델 선택부가 상기 모수성 모델 중 적어도 하나의 모델로서 ARX(Auto-Regressive eXogeneous) 모델을 선택하고, 상기 비모수성 모델 중 적어도 하나의 모델로서 K-NN 모델을 선택하는 단계를 포함하는, 플랜트 이상 감지 학습 방법.
   
9. 제 6 항에 있어서,
   상기 (c) 단계는 상기 학습모델 선택부가 복수의 모델 중 서로 간의 단점을 보완해 주는 특징을 갖는 복수의 예측 모델을 조합하여 상기 복수의 학습 모델을 선택하는 단계를 포함하는, 플랜트 이상 감지 학습 방법.
   
10. 삭제
11. 삭제
12. 삭제

Images