[go: up one dir, main page]

KR102450030B1 - System and method for sensing failure of power generation facilities - Google Patents

System and method for sensing failure of power generation facilities Download PDF

Info

Publication number
KR102450030B1
KR102450030B1 KR1020200162590A KR20200162590A KR102450030B1 KR 102450030 B1 KR102450030 B1 KR 102450030B1 KR 1020200162590 A KR1020200162590 A KR 1020200162590A KR 20200162590 A KR20200162590 A KR 20200162590A KR 102450030 B1 KR102450030 B1 KR 102450030B1
Authority
KR
South Korea
Prior art keywords
sensor
power generation
value
generation facility
pair
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020200162590A
Other languages
Korean (ko)
Other versions
KR20220074278A (en
Inventor
김익재
최희승
최예지
김지수
Original Assignee
한국과학기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020200162590A priority Critical patent/KR102450030B1/en
Publication of KR20220074278A publication Critical patent/KR20220074278A/en
Application granted granted Critical
Publication of KR102450030B1 publication Critical patent/KR102450030B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B23/0218—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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/40—Testing power supplies
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • 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
    • G05B23/0259—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
    • 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]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

실시예들은 상기 발전설비에 설치된 적어도 하나의 센서 쌍의 센싱 데이터에 포함된, 측정값을 미리 저장된 적어도 하나의 진단 모델을 통해 계산한 예측값에 기초하여 상기 발전설비의 고장의 발생을 결정하는, 발전설비의 고장을 감지하는 시스템 및 방법에 관련된다.Embodiments determine the occurrence of a failure of the power generation facility based on a predicted value calculated through at least one diagnostic model stored in advance of a measurement value included in the sensing data of at least one sensor pair installed in the power generation facility. It relates to a system and method for detecting equipment failure.

Description

발전설비의 고장을 감지하는 시스템 및 방법{SYSTEM AND METHOD FOR SENSING FAILURE OF POWER GENERATION FACILITIES}SYSTEM AND METHOD FOR SENSING FAILURE OF POWER GENERATION FACILITIES

본 발명의 실시예들은 발전설비의 고장을 감지하는 기술에 관한 것으로서, 보다 상세하게는 미리 저장된 적어도 하나의 진단 모델을 이용하여 상관관계를 갖는 적어도 한 쌍의 센서의 센싱 데이터로부터 발전설비의 고장을 감지하는 시스템 및 방법에 관련된다. Embodiments of the present invention relate to a technology for detecting a failure of a power generation facility, and more particularly, detecting a failure of a power generation facility from sensing data of at least a pair of sensors having a correlation using at least one pre-stored diagnostic model. It relates to systems and methods for sensing.

일반적으로 발전소에는 다수의 발전설비들이 복잡하게 밀집되어 있다. 발전설비의 결함 등은 대형 사고로 이어질 가능성이 높기 때문에, 발전소 내 다수의 발전설비는 발전설비 자체 또는 그 주변에 설치된 다수의 센서를 통해 항시 실시간으로 감시된다. In general, a number of power generation facilities are complexly clustered in a power plant. Since defects in power generation facilities are highly likely to lead to major accidents, a number of power generation facilities in a power plant are monitored in real time at all times through a number of sensors installed in or around the power generation facility itself.

최근 발전소 내 발전설비의 실시간 감시 작업에 인공지능(AI) 기술을 접목시키는 시도가 증가하고 있다. 이러한 시도에서는 발전설비의 센서의 센싱 데이터를 기초로 기계학습한 예측 모델을 이용하여 발전소 내 고장을 감지한다. 그러나, 예측 모델에 입력되는 센싱 데이터가 아직 고장은 아니지만 이에 임박한 경우(예컨대, 고장의 임계 값에 근접한 값)와 같이, 일반적인 정상상황과 동일하게 취급할 수 없는 상황에 대해서도 정상상황으로 감지하는 한계가 있다. Recently, attempts to apply artificial intelligence (AI) technology to real-time monitoring of power generation facilities in power plants are increasing. In such an attempt, a failure in the power plant is detected using a predictive model that is machine-learned based on the sensing data of the sensor of the power plant. However, the limit of detecting a situation that cannot be treated in the same way as a normal normal situation, such as a case where the sensing data input to the predictive model is not yet a failure but is imminent (eg, a value close to the threshold value of failure) as a normal situation there is

등록특허공보 101713985 (2017.03.02.)Registered Patent Publication 101713985 (2017.03.02.)

본 발명의 일 측면에 따르면, 기계학습된 진단 모델을 이용하여 적어도 한 쌍의 센서의 현재 센싱 데이터로부터 발전설비의 고장을 감지하는 시스템을 제공할 수 있다. According to one aspect of the present invention, it is possible to provide a system for detecting a failure of a power generation facility from current sensing data of at least one pair of sensors using a machine-learning diagnostic model.

이 외에도, 발전설비의 고장을 감지하는 방법 및 이를 수행하기 위한 프로그램을 기록한 컴퓨터 판독가능 기록매체를 제공할 수 있다.In addition to this, it is possible to provide a method for detecting a failure of a power generation facility and a computer-readable recording medium recording a program for performing the method.

본 발명의 일 측면에 따른 발전설비의 고장을 감지하는 시스템은, 상기 발전설비에 설치된 적어도 하나의 센서 쌍; 상기 적어도 하나의 센서 쌍의 센싱 데이터에 포함된 측정값을 미리 저장된 적어도 하나의 진단 모델을 통해 계산한 예측값에 기초하여 상기 발전설비의 고장의 발생을 결정하는 진단 모듈을 포함할 수도 있다. A system for detecting a failure of a power generation facility according to an aspect of the present invention includes at least one sensor pair installed in the power generation facility; The diagnostic module may include a diagnostic module for determining the occurrence of a failure of the power generation facility based on a predicted value calculated through at least one diagnostic model stored in advance of a measured value included in the sensing data of the at least one sensor pair.

일 실시예에서, 상기 시스템은 상기 측정값에 포함된, 주변 설비로부터의 노이즈를 제거하는 전처리 모듈을 더 포함할 수도 있다.In one embodiment, the system may further include a pre-processing module for removing noise from surrounding equipment included in the measured value.

일 실시예에서, 상기 진단 모델은, 발전설비의 사고가 발생하지 않은 정상 상황을 나타낸, 상기 센서 쌍 중 어느 하나의 센서의 측정값이 입력되면 상기 센서 쌍 중 다른 하나의 센서의 예측값을 생성하도록 학습될 수도 있다. 상기 다른 하나의 센서의 예측값은 정상 상황 하에서 상기 제1 센서의 측정값에 대응하는 값이다. In one embodiment, the diagnostic model is to generate a predicted value of the other sensor of the sensor pair when the measured value of any one of the sensor pairs is input, indicating a normal situation in which an accident of the power generation facility does not occur may be learned. The predicted value of the other sensor is a value corresponding to the measured value of the first sensor under normal conditions.

일 실시예에서, 상기 진단 모델은 복수의 훈련 샘플을 이용하여 학습되며, 상기 복수의 훈련 샘플 각각은 상기 적어도 하나의 센서 쌍 중 연관된 센서 쌍의 측정값 쌍을 포함할 수도 있다. 상기 측정값 쌍은 정상 상황 하에서 감지된 것이다. In an embodiment, the diagnostic model is trained using a plurality of training samples, each of which may include a measurement value pair of an associated sensor pair among the at least one sensor pair. The measured value pairs were sensed under normal circumstances.

일 실시예에서, 상기 진단 모듈은 적어도 하나의 진단 모델 쌍을 포함 수도 있다. 진단 모델 쌍 각각은 상기 센서 쌍 중 어느 하나의 센서의 측정값이 입력되거나, 다른 하나의 센서의 측정값이 입력되는 것으로 연관된다. In an embodiment, the diagnostic module may include at least one pair of diagnostic models. Each of the diagnostic model pairs is associated with inputting a measurement value of one of the sensor pairs or inputting a measurement value of the other sensor.

일 실시예에서, 상기 진단 모듈은, 상기 센서 쌍 중 제1 센서의 측정값을 제1 진단 모델에 입력하여 제2 센서의 예측값을 생성하고, 상기 제2 센서의 예측값을 제2 진단 모델에 입력하여 제1 센서의 예측값을 생성할 수도 있다.In an embodiment, the diagnosis module generates a predicted value of a second sensor by inputting a measured value of a first sensor among the sensor pair into a first diagnostic model, and inputs the predicted value of the second sensor into a second diagnostic model Thus, the predicted value of the first sensor may be generated.

일 실시예에서, 상기 진단 모듈은, 상기 제1 센서의 예측값과 상기 제1 센서의 측정값 간의 차이값을 계산하고, 상기 차이값과 미리 설정된 임계값을 비교하여 상기 발전설비의 사고 발생을 결정할 수도 있다.In an embodiment, the diagnosis module calculates a difference value between the predicted value of the first sensor and the measured value of the first sensor, and compares the difference value with a preset threshold value to determine the occurrence of an accident in the power generation facility may be

일 실시예에서, 상기 전처리 모듈은, 노이즈가 제거된 측정값을 보간 처리하도록 더 구성될 수도 있다.In an embodiment, the pre-processing module may be further configured to interpolate the noise-removed measurement value.

일 실시예에서, 상기 센서 쌍은 상관관계를 가짐으로써 상호 예측 가능한 측정값의 쌍을 출력한 것일 수도 있다.In an embodiment, the pair of sensors may output a pair of mutually predictable measurement values by having a correlation.

일 실시예에서, 상기 상관관계를 갖는 센서 쌍은 상기 발전설비의 기하학적 구조에 의존하는 관계를 가질 수도 있다. In one embodiment, the sensor pair having the correlation may have a relationship depending on the geometry of the power generation facility.

본 발명의 다른 일 측면에 따른 프로세서에 의해 수행되는, 발전설비의 고장을 감지하는 방법은, 상기 발전설비에 설치된 적어도 하나의 센서 쌍의 센싱 데이터에 포함된, 측정값을 미리 저장된 적어도 하나의 진단 모델을 통해 계산한 예측값에 기초하여 상기 발전설비의 고장의 발생을 결정하는 단계를 포함할 수도 있다. A method of detecting a failure of a power generation facility, performed by a processor according to another aspect of the present invention, includes at least one diagnostic stored in advance of a measurement value included in sensing data of at least one sensor pair installed in the power generation facility It may include the step of determining the occurrence of a failure of the power generation facility based on the predicted value calculated through the model.

일 실시예에서, 상기 방법은 상기 측정값에 포함된, 주변 설비로부터의 노이즈를 제거하는 단계를 더 포함할 수도 있다. In an embodiment, the method may further include removing noise from surrounding equipment included in the measurement value.

일 실시예에서, 상기 진단 모델은, 발전설비의 사고가 발생하지 않은 정상 상황을 나타낸, 상기 센서 쌍 중 어느 하나의 센서의 측정값이 입력되면 상기 센서 쌍 중 다른 하나의 센서의 예측값을 생성하도록 학습될 수도 있다. 상기 다른 하나의 센서의 예측값은 정상 상황 하에서 상기 제1 센서의 측정값에 대응하는 값인 것일 수도 있다. In one embodiment, the diagnostic model is to generate a predicted value of the other sensor of the sensor pair when the measured value of any one of the sensor pairs is input, indicating a normal situation in which an accident of the power generation facility does not occur may be learned. The predicted value of the other sensor may be a value corresponding to the measured value of the first sensor under normal circumstances.

일 실시예에서, 상기 발전설비의 고장의 발생을 결정하는 단계는, 상기 센서 쌍 중 제1 센서의 측정값을 제1 진단 모델에 입력하여 제2 센서의 예측값을 생성하는 단계; 및 상기 제2 센서의 예측값을 제2 진단 모델에 입력하여 제1 센서의 예측값을 생성하는 단계를 포함할 수도 있다.In an embodiment, the determining of the occurrence of a failure of the power generation facility includes: generating a predicted value of a second sensor by inputting a measured value of a first sensor among the sensor pair into a first diagnostic model; and generating the predicted value of the first sensor by inputting the predicted value of the second sensor into a second diagnostic model.

일 실시예에서, 상기 발전설비의 고장의 발생을 결정하는 단계는, 상기 제1 센서의 예측값과 상기 제1 센서의 측정값 간의 차이값을 계산하는 단계; 및 상기 차이값과 미리 설정된 임계값을 비교하여 상기 발전설비의 사고 발생을 결정하는 단계를 더 포함할 수도 있다. In an embodiment, the determining of the occurrence of a failure of the power generation facility comprises: calculating a difference value between the predicted value of the first sensor and the measured value of the first sensor; and determining the occurrence of an accident in the power generation facility by comparing the difference value with a preset threshold value.

일 실시예에서, 상기 방법은 노이즈가 제거된 측정값을 보간 처리하는 단계를 더 포함할 수도 있다.In an embodiment, the method may further include interpolating the noise-removed measurement value.

본 발명의 또 다른 일 측면에 따른 컴퓨터 판독가능 기록매체는 상술한 실시예들에 따른 방법을 수행하기 위한, 프로그램을 기록할 수도 있다. A computer-readable recording medium according to another aspect of the present invention may record a program for performing the method according to the above-described embodiments.

본 발명의 일 측면에 따른 발전설비의 고장을 감지하는 시스템은 정상상황을 나타낸 센싱 데이터를 기초로 학습한 진단 모델을 이용하여 발전설비의 고장을 감지할 수 있다. 이 진단 모델은 상관관계를 갖는 적어도 한 쌍의 센서의 센싱 데이터를 기초로 상기 적어도 한 쌍의 센서가 감지하는 정상 상황을 상호 학습하여 발전설비의 고장을 감지한다. A system for detecting a failure of a power generation facility according to an aspect of the present invention may detect a failure of a power generation facility using a diagnostic model learned based on sensing data representing a normal situation. The diagnostic model detects a failure of a power generation facility by mutually learning a normal situation detected by the at least one pair of sensors based on the sensing data of the at least one pair of sensors having a correlation.

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to the above-mentioned effects, and other effects not mentioned will be clearly understood by those skilled in the art from the description of the claims.

본 발명 또는 종래 기술의 실시예의 기술적 해결책을 보다 명확하게 설명하기 위해, 실시예에 대한 설명에서 필요한 도면이 아래에서 간단히 소개된다. 아래의 도면들은 본 명세서의 실시예를 설명하기 목적일 뿐 한정의 목적이 아니라는 것으로 이해되어야 한다. 또한, 설명의 명료성을 위해 아래의 도면들에서 과장, 생략 등 다양한 변형이 적용된 일부 요소들이 도시될 수 있다.
도 1은, 본 발명의 일 실시예에 따른, 발전설비의 고장을 감지하는 시스템의 블록 구성도이다.
도 2는, 본 발명의 일 실시예에 따른, 상관관계를 갖는 센서 쌍(20, 21)을 도시한 도면이다.
도 3a 및 도 3b는, 본 발명의 일 실시예에 따른, 상관관계를 갖는 센서 쌍(20, 21)에 연관된 진단 모델의 쌍을 설명하기 위한 도면이다.
도 4는, 본 발명의 일 실시예에 따른, 고장 감지를 위해 예측값을 계산하는 진단 모듈(500)의 동작의 개념도이다.
도 5는, 본 발명의 일 실시에예 따른, 발전설비의 고장을 감지하는 방법의 흐름도이다. In order to more clearly explain the technical solutions of the embodiments of the present invention or the prior art, drawings necessary for the description of the embodiments are briefly introduced below. It should be understood that the following drawings are for the purpose of explaining the embodiments of the present specification and not for the purpose of limitation. In addition, some elements to which various modifications such as exaggeration and omission have been applied may be shown in the drawings below for clarity of description.
1 is a block diagram of a system for detecting a failure of a power generation facility according to an embodiment of the present invention.
2 is a diagram illustrating a sensor pair 20 and 21 having a correlation, according to an embodiment of the present invention.
3A and 3B are diagrams for explaining a pair of diagnostic models associated with the sensor pair 20 and 21 having a correlation, according to an embodiment of the present invention.
4 is a conceptual diagram of an operation of the diagnosis module 500 for calculating a predicted value for fault detection according to an embodiment of the present invention.
5 is a flowchart of a method for detecting a failure of a power generation facility according to an embodiment of the present invention.

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.The terminology used herein is for the purpose of referring to specific embodiments only, and is not intended to limit the invention. As used herein, the singular forms also include the plural forms unless the phrases clearly indicate the opposite. As used herein, the meaning of “comprising” specifies a particular characteristic, region, integer, step, operation, element and/or component, and the presence or absence of another characteristic, region, integer, step, operation, element and/or component; It does not exclude additions.

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 관련기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.Although not defined otherwise, all terms including technical and scientific terms used herein have the same meaning as commonly understood by those of ordinary skill in the art to which the present invention belongs. Commonly used terms defined in the dictionary are additionally interpreted as having a meaning consistent with the related art literature and the presently disclosed content, and unless defined, are not interpreted in an ideal or very formal meaning.

이하에서, 도면을 참조하여 본 발명의 실시예들에 대하여 상세히 살펴본다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.

도 1은, 본 발명의 일 실시예에 따른, 발전설비의 고장을 감지하는 시스템의 블록 구성도이다. 1 is a block diagram of a system for detecting a failure of a power generation facility according to an embodiment of the present invention.

도 1을 참조하면, 발전설비의 고장을 감지하는 시스템(1)은 발전설비의 상태를 감지하는 센서 쌍(20 또는 21)로부터 센싱 데이터를 수신하여 발전설비의 사고를 감지하는 장치(10)를 포함한다. 상기 장치(10)는 진단 모듈(500)을 포함한다. 일부 실시예에서, 상기 장치(10)는 전처리 모듈(100)을 더 포함할 수도 있다. Referring to FIG. 1 , a system 1 for detecting a failure of a power generation facility receives sensing data from a sensor pair 20 or 21 for detecting the state of a power generation facility and a device 10 for detecting an accident of a power generation facility. include The device 10 includes a diagnostic module 500 . In some embodiments, the apparatus 10 may further include a pre-processing module 100 .

실시예들에 따른 발전설비의 고장을 감지하는 시스템(1)은 전적으로 하드웨어이거나, 전적으로 소프트웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 시스템은 데이터 처리 능력이 구비된 하드웨어 및 이를 구동시키기 위한 운용 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부(unit)", “모듈(module)”“장치”, 또는 "시스템" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 하드웨어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.The system 1 for detecting a failure of a power generation facility according to embodiments may be entirely hardware, entirely software, or partially hardware and partially software. For example, the system may collectively refer to hardware equipped with data processing capability and operating software for driving the same. As used herein, terms such as “unit,” “module,” “device,” or “system” are intended to refer to a combination of hardware and software run by the hardware. For example, the hardware may be a data processing device including a central processing unit (CPU), a graphic processing unit (GPU), or another processor. In addition, software may refer to a running process, an object, an executable file, a thread of execution, a program, and the like.

센서 쌍(20, 21)은 발전설비에 설치되어 대상 발전설비의 구동 상태 및/또는 주변 상태에 대한 정보를 획득한다. 예를 들어, 센서(20 또는 21)는 발전설비의 내부, 표면 및/또는 인접한 외부에 설치될 수도 있다. 즉, 본 명세서에서 발전설비에 센서 쌍(20, 21)이 설치된다는 것은 전술한 내부, 표면 및/또는 외부에 설치되는 것을 포함한다. The sensor pairs 20 and 21 are installed in the power generation facility to acquire information about the driving state and/or the surrounding state of the target power generation facility. For example, the sensors 20 or 21 may be installed on the inside, on the surface and/or on the outside adjacent to the power generation facility. That is, in the present specification, that the sensor pair 20 and 21 is installed in the power generation facility includes being installed inside, on the surface and/or on the outside as described above.

상기 센서 쌍(20, 21)을 이루는 센서는, 예를 들어, 음향 방출 센서(Acoustic Emission Sensor)일 수도 있으나, 이에 제한되지 않는다. 발전설비에 설치된 센서 쌍(20, 21)은 온도 센서, 압력 센서, 수분 센서, 중력 센서, 지자기 센서, 모션 센서, 자이로 센서, 가속도 센서, 기울임 센서, 밝기 센서, 후각 센서, 뎁스 센서, 밴딩 센서, 오디오 센서, 이미지 센서, 및 이들의 조합을 포함할 수 있다.The sensor constituting the sensor pair 20 and 21 may be, for example, an acoustic emission sensor, but is not limited thereto. The sensor pairs 20 and 21 installed in the power generation facility are a temperature sensor, a pressure sensor, a moisture sensor, a gravity sensor, a geomagnetic sensor, a motion sensor, a gyro sensor, an acceleration sensor, a tilt sensor, a brightness sensor, an olfactory sensor, a depth sensor, and a banding sensor. , an audio sensor, an image sensor, and combinations thereof.

센싱 데이터는 해당 센서(20 또는 21)에 관련된 정보, 측정 대상 정보, 측정 시간(즉, 감지 시간), 시간 단위, 측정값 및 측정 단위을 포함한다. 상기 해당 센서20에 관련된 정보는 센서20의 식별 정보, 대상 발전설비의 식별정보, 및/또는 위치 정보(예컨대, 발전설비에서의 설치 위치) 등을 포함한다. The sensing data includes information related to the corresponding sensor 20 or 21 , measurement target information, a measurement time (ie, a detection time), a time unit, a measurement value, and a measurement unit. The information related to the sensor 20 includes identification information of the sensor 20, identification information of a target power generation facility, and/or location information (eg, an installation location in the power generation facility).

또한, 센싱 데이터는 상기 센싱 데이터를 생성한, 해당 센서(20 또는 21)와 상관관계를 갖는 다른 센서(21 또는 20)와 관련된 정보 중 적어도 일부를 포함할 수도 있다. 상관관계를 갖는 센서 쌍(20, 21)에 대해서는 아래의 도 2를 참조하여 보다 상세하게 서술한다. In addition, the sensed data may include at least a portion of information related to another sensor 21 or 20 that has a correlation with the corresponding sensor 20 or 21 that has generated the sensed data. The sensor pairs 20 and 21 having a correlation will be described in more detail with reference to FIG. 2 below.

도 2는, 본 발명의 일 실시예에 따른, 상관관계를 갖는 센서 쌍(20, 21)을 도시한 도면이다. 2 is a diagram illustrating a sensor pair 20 and 21 having a correlation, according to an embodiment of the present invention.

도 2를 참조하면, 발전설비에는 상관관계를 갖는 적어도 하나의 센서 쌍(20, 21)이 설치될 수도 있다. Referring to FIG. 2 , at least one sensor pair 20 and 21 having a correlation may be installed in the power generation facility.

상기 상관관계를 갖는 센서 쌍(20, 21)은 상호 예측 가능한 측정값의 쌍을 출력할 수 있는 두 개의 센으로서, 여기서 상호 예측 가능한 측정값의 쌍은 어느 하나의 측정값으로부터 다른 하나의 측정값을 추론 가능한 측정값의 쌍이다. 상기 상관관계를 갖는 센서 쌍(20, 21)은 정상 상황 하에서 동일한 외부 환경의 변화에 노출될 경우, 상기 외부 환경의 변화를 동일하게 감지한다. 예를 들어, 상기 상관관계를 갖는 센서 쌍(20, 21)은 정상 상황 하에서 동일 또는 유사한 측정값을 출력하거나, 또는 동일 또는 유사한 측정값의 변화를 출력할 수도 있다. 또는 상기 상관관계를 갖는 센서 쌍(20, 21)은 정상 상황 하에서 그 값이 비례하거나, 또는 반비례하는 관계를 가질 수도 있다. The correlated sensor pairs 20 and 21 are two sensors capable of outputting a pair of mutually predictable measured values, wherein the mutually predictable pair of measured values is one of the measured values from the other. is a pair of measurements that can be inferred. When the sensor pairs 20 and 21 having the correlation are exposed to the same change in the external environment under normal circumstances, they equally sense the change in the external environment. For example, the sensor pairs 20 and 21 having the correlation may output the same or similar measured value or a change in the same or similar measured value under normal circumstances. Alternatively, the sensor pairs 20 and 21 having the correlation may have a relationship in which their values are proportional or inversely proportional under normal circumstances.

그러면, 상관관계를 갖는 두 센서 쌍(20, 21)의 측정값 중 어느 하나의 측정값으로부터 동일한 시점에서의 다른 센서의 측정값을 추론할 수도 있다. Then, the measurement value of the other sensor at the same time point may be inferred from the measurement value of any one of the measurement values of the two sensor pairs 20 and 21 having a correlation.

일 실시예에서, 상기 상관관계를 갖는 센서 쌍(20, 21)은 발전설비의 기하학적 구조에 의존한 관계를 가질 수도 있다. 상기 기하각적 구조에 의존한 관계는 발전설비에 대해서 대칭 관계 또는 입/출력단의 관계를 포함할 수도 있다. In an embodiment, the sensor pairs 20 and 21 having the correlation may have a relationship depending on the geometry of the power generation facility. The relationship depending on the geometrical structure may include a symmetric relationship with respect to the power generation facility or a relationship between input/output terminals.

예를 들어, 도 2에 도시된 바와 같이 좌우측 외벽에 동일한 대칭 지점에 설치된 센서(20A 및 21B)가 각각 상관관계를 갖는 센서 쌍(20, 21)을 형성한다. 대칭 관계의 센서 쌍(20, 21)은 보일러 내부의 동일한 위치의 좌우측 외부에서 소음 등을 측정하기 때문에, 상관성을 가진다. For example, as shown in FIG. 2 , the sensors 20A and 21B installed at the same symmetrical point on the left and right outer walls form a sensor pair 20 and 21 having a correlation, respectively. Since the pair of sensors 20 and 21 in a symmetrical relationship measure noise and the like from the left and right outside at the same location inside the boiler, they have a correlation.

상기 발전설비에 설치된 센서 쌍(20, 21)은 측정값을 포함한 센싱 데이터를 상기 장치(10)로 공급한다. 상기 장치(10)는 적어도 하나의 센서 쌍(20, 21)으로부터 출력되는, 상호 예측 가능한 센싱 데이터의 쌍에 기초하여 발전설비의 고장 여부를 감지한다. The sensor pair 20 and 21 installed in the power generation facility supplies sensing data including the measured value to the device 10 . The device 10 detects whether or not a power generation facility has failed based on a pair of mutually predictable sensing data output from at least one pair of sensors 20 and 21 .

일 실시예에서, 발전설비에 설치된 센서 쌍(20, 21)의 센싱 데이터는 전처리 모듈(100)로 공급될 수도 있다. 전처리 모듈(100)은 측정값 분포에서 외부 요인으로 인해 발생한 노이즈를 제거할 수도 있다. 일 실시예에서, 전처리 모듈(100)은 발전설비를 보조하는 주변설비의 구동 시간에 기초하여 주변설비로부터의 노이즈를 제거할 수도 있다. 상기 주변설비는 발전설비의 성능이 저하되지 않도록 발전설비의 주변에 설치되는 보조 설비로서 발전설비의 외부 요인에 포함된다. 상기 주변설비는, 예를 들어, 수트 블로어를 포함할 수도 있다. In an embodiment, the sensing data of the sensor pair 20 and 21 installed in the power generation facility may be supplied to the pre-processing module 100 . The preprocessing module 100 may remove noise generated due to external factors in the distribution of the measured values. In one embodiment, the pre-processing module 100 may remove noise from the peripheral equipment based on the driving time of the peripheral equipment supporting the power generation equipment. The peripheral equipment is included in the external factor of the power generation facility as an auxiliary facility installed around the power generation facility so as not to deteriorate the performance of the power generation facility. The peripheral equipment may include, for example, a soot blower.

수트 블로어(soot blower)는 보일러, 연소 히터(fired heater), 기타 열교환기기 등과 같이, 연소기기와 접촉하는 표면에 싸이는 재(ash) 또는 기타 부착물을 제거하는 기기이다. 수트 블로어가 구동하여 발생한 소음, 유압 등으로 인해 발전설비에 설치된 센서의 측정값은 순간적으로 피크를 형성할 수도 있다. 즉, 수트 블로어의 구동으로 인해 상기 수트 블로어가 보조하는 대상 보일러에 부착된 센서는 발전설비의 상태 및 수트 블로어의 구동 상태에 기초한 센서 데이터를 출력하게 된다. 따라서 수트 블로어의 영향을 제거한 데이터를 사용해야 발전설비의 상태를 보다 정확하게 분석할 수 있다. A soot blower is a device that removes ash or other deposits encased in a surface in contact with a combustion device, such as a boiler, a fired heater, or other heat exchanger. Due to noise, hydraulic pressure, etc. generated by driving the soot blower, the measured value of the sensor installed in the power generation facility may momentarily form a peak. That is, due to the driving of the soot blower, the sensor attached to the target boiler supported by the soot blower outputs sensor data based on the state of the power generation facility and the driving state of the soot blower. Therefore, it is possible to more accurately analyze the state of the power generation facility only by using the data with the effect of the soot blower removed.

전처리 모듈(100)은 상기 주변설비의 구동 시간에 기초하여 해당 시간에서 외부 요인으로 인해 발생한 노이즈에 해당하는 측정값 피크를 제거하거나, 해당 시간 구간의 노이즈 측정값을 제거함으로써, 결국 주변설비가 센서(20, 21)의 측정값에 미치는 영향을 제거한다. The pre-processing module 100 removes the peak of the measurement value corresponding to the noise generated due to an external factor at the corresponding time based on the driving time of the peripheral equipment, or by removing the noise measurement value of the corresponding time period, eventually the peripheral equipment becomes the sensor Remove the influence on the measured value of (20, 21).

또한, 전처리 모듈(100)은 주변설비로부터의 노이즈를 제거한 측정값을 보간(interpolation) 처리하도록 더 구성될 수도 있다. 노이즈에 해당하는 측정값 피크를 제거한 경우 측정값의 일부가 손실될 수도 있다. 전처리 모듈(100)은 보간 처리를 통해 노이즈 제거 과정에서 손실된 측정값이 복원된 보간 측정값을 생성할 수도 있다. In addition, the pre-processing module 100 may be further configured to perform interpolation processing on the measured value from which noise from the surrounding equipment is removed. If the measured value peak corresponding to noise is removed, part of the measured value may be lost. The pre-processing module 100 may generate an interpolated measurement value in which a measurement value lost in the noise removal process is restored through interpolation processing.

전처리 모듈(100)은 전처리된 측정값(예컨대, 노이즈를 제거한 측정값 또는 보간 측정값)을 진단 모듈(500)로 공급한다. 또한, 전처리 모듈(100)은 상기 측정값에 연관된 센싱 데이터 중 적어도 일부를 진단 모듈(500)로 함께 전송할 수도 있다. The pre-processing module 100 supplies the pre-processed measurement value (eg, a noise-removed measurement value or an interpolated measurement value) to the diagnosis module 500 . Also, the preprocessing module 100 may transmit at least a portion of the sensed data related to the measured value to the diagnosis module 500 together.

진단 모듈(500)은 센서(20 또는 21)의 원시 측정값 또는 전처리된 측정값을 진단 모델에 적용하여 산출한 예측값에 기초하여 발전설비의 사고를 감지한다. The diagnosis module 500 detects an accident of the power generation facility based on the predicted value calculated by applying the raw or pre-processed measurement value of the sensor 20 or 21 to the diagnosis model.

상기 진단 모델은 복수의 뉴런 노드로 이루어진 네트워크를 포함한다. 상기 진단 모델은, 예를 들어, FNN(FeedFoward Neural Network) 등과 같은 인공 신경망 구조를 가질 수도 있다. 상기 장치(10)는 상기 장치(10) 내부의 다른 구성요소에 의해 학습된 진단 모델을 사용하거나, 또는 외부에 위치한 외부 장치에 의해 미리 학습된 진단 모델을 수신하여 사용하도록 구성된다. The diagnostic model includes a network consisting of a plurality of neuron nodes. The diagnostic model may have, for example, an artificial neural network structure such as a Feed Forward Neural Network (FNN). The device 10 is configured to use a diagnostic model learned by other components inside the device 10 or to receive and use a diagnostic model learned in advance by an external device located outside.

상기 진단 모델은 상관관계를 갖는 센서 쌍(20, 21) 중에서 정상 상황을 나타낸 어느 하나의 센서의 측정값을 입력하면 다른 하나의 센서의 예측값을 생성하도록 학습된다. 상기 다른 하나의 센서의 예측값은 상기 어느 하나의 센서가 입력 측정값을 감지할 시점에서 다른 하나의 센서가 감지하는 것으로 예상되는 측정값이다. 예를 들어, 정상 상태 하에서 센서(20)가 제1 값을 획득할 경우, 상관관계로 인해 다른 센서(21)는 제2 값을 갖는 것을 가정해보자. 그러면, 제1 값이 상기 진단 모델에 입력되면, 다른 센서(21)의 제2 값이 예측 값으로 출력될 수도 있다. The diagnostic model is trained to generate a predicted value of the other sensor when a measurement value of one of the sensor pairs 20 and 21 indicating a normal condition is input among the correlated sensor pairs 20 and 21 . The predicted value of the other sensor is a measurement value that is expected to be detected by the other sensor when the one sensor detects the input measurement value. For example, suppose that when the sensor 20 acquires a first value under a steady state, another sensor 21 has a second value due to the correlation. Then, when the first value is input to the diagnostic model, the second value of the other sensor 21 may be output as a predicted value.

상기 진단 모듈(500)은 상기 적어도 하나의 센서 쌍(20, 21)에 연관된 적어도 하나의 진단 모델의 쌍을 포함할 수도 있다. 예를 들어, 도 2와 도시된 바와 같이, 발전설비에 적어도 4개의 센서 쌍(20, 21)이 설치되면, 진단 모듈(500)은 적어도 4개의 진단 모델의 쌍을 포함할 수도 있다. 즉, 진단 모델의 쌍의 수는 상관관계를 갖는 센서 쌍(20, 21)의 수에 의존한다. The diagnostic module 500 may include at least one pair of diagnostic models associated with the at least one pair of sensors 20 and 21 . For example, as shown in FIG. 2 , when at least four sensor pairs 20 and 21 are installed in the power generation facility, the diagnostic module 500 may include at least four pairs of diagnostic models. That is, the number of pairs of diagnostic models depends on the number of correlated sensor pairs 20 , 21 .

상기 진단 모듈(500)에 포함되는 진단 모델의 쌍은 센서 쌍(20, 21) 중 제1 센서20의 측정값을 입력 측정값으로 학습된 제1 진단 모델; 및 센서 쌍(20, 21) 중 제2 센서20의 측정값을 입력 측정값으로 학습된 제2 진단 모델을 포함한다.The pair of diagnostic models included in the diagnostic module 500 includes: a first diagnostic model learned by inputting the measurement value of the first sensor 20 among the sensor pairs 20 and 21 as an input measurement value; and a second diagnostic model learned by using the measurement value of the second sensor 20 among the sensor pairs 20 and 21 as the input measurement value.

도 3a 및 도 3b는, 본 발명의 일 실시예에 따른, 상관관계를 갖는 센서 쌍(20, 21)에 연관된 진단 모델의 쌍을 설명하기 위한 도면이다. 3A and 3B are diagrams for explaining a pair of diagnostic models associated with the sensor pair 20 and 21 having a correlation, according to an embodiment of the present invention.

도 3a를 참조하면, 제1 진단 모델은 연관된 센서 쌍(20, 21) 중 감지 시점(t)에서의 제1 센서의 측정값(S1t)를 입력받으면 상기 감지 시점(t)에서의 제2 센서의 예측값(S2t')를 생성하도록 학습된다. 반면, 도 3b를 참조하면, 제2 진단 모델은 연관된 센서 쌍(20, 21) 중 제2 센서의 측정값(S2t)을 입력받으면 제1 센서의 예측값(S1t')을 생성하도록 학습된다. Referring to FIG. 3A , when the first diagnostic model receives the measurement value S1t of the first sensor at the detection time t among the associated sensor pairs 20 and 21, the second sensor at the detection time t is trained to generate a predicted value S2t' of On the other hand, referring to FIG. 3B , the second diagnostic model is trained to generate the predicted value S1t' of the first sensor when the measurement value S2t of the second sensor among the associated sensor pairs 20 and 21 is input.

상기 제1 및 제2 진단 모델은 복수의 훈련 샘플을 이용하여 학습된다. 복수의 훈련 샘플 각각은, 하나 이상의 감지 시간(t)별로 감지된 상기 상관관계를 갖는 센서 쌍(20, 21)의 센싱 데이터를 포함한다. 예를 들어, 각각의 훈련 샘플은 상관관계를 갖는 센서 쌍(20, 21) 중 감지 시간(t0, t1, .., tn)에서 감지한 제1 및 제2 센서20의 측정값의 쌍을 각각 포함한다. 이러한 훈련 샘플을 통해 제1 진단 모델 및 제2 진단 모델은 대상 발전설비의 사고에 대해서 상호 예측 가능한 센서 쌍(20, 21)의 정상 상태를 상호 학습한다. 그러면, 진단 모델은 정상상황에서 감지된 실제 측정값과 가장 가까운 거리의 값(예컨대, 동일한 위치의 값)을 예측값으로 생성하고 출력할 수도 있다. 제1 센서의 측정값은 제1 센서의 훈련 측정값으로 학습된 제1 진단 모델에 연관되고, 제2 센서의 측정값은 제2 센서의 훈련 측정값으로 학습된 제2 진단 모델에 연관된다. The first and second diagnostic models are trained using a plurality of training samples. Each of the plurality of training samples includes sensing data of the sensor pair 20 and 21 having the correlation detected for each detection time t. For example, each training sample is the measurement value of the first and second sensors 20 detected at the detection time (t 0 , t 1 , .., t n ) among the correlated sensor pairs 20 and 21 . includes each pair. Through this training sample, the first diagnostic model and the second diagnostic model mutually learn the normal state of the mutually predictable sensor pair 20 and 21 for the accident of the target power generation facility. Then, the diagnostic model may generate and output a value (eg, a value at the same location) closest to the actual measured value sensed in a normal situation as a predicted value. The measurement value of the first sensor is associated with the first diagnostic model trained with the training measurement of the first sensor, and the measurement value of the second sensor is associated with the second diagnostic model learned with the training measurement of the second sensor.

이와 같이 학습된 제1 진단 모델은, 입력 시점(t0)에서 감지한 제1 센서20의 실제 측정값(S1t-0)이 입력되면 제2 센서의 예측값(S2t-0')을 생성하고 출력할 수도 있다. 상기 제1 진단 모델은 정상 상황을 나타낸 예측값을 생성하도록 학습되었기 때문에, 입력 시점(t0)이 정상 상황일 경우 상기 제2 센서21의 예측값(S2t-0')은 정상 상황에서 제2 센서21가 감지할 실제 측정값(S2t-0)과 동일 또는 유사한 값을 가진다. The learned first diagnostic model generates a predicted value (S2 t-0 ') of the second sensor when the actual measured value (S1 t-0 ) of the first sensor 20 sensed at the input time point (t0) is input, and You can also print Since the first diagnostic model has been trained to generate a predicted value indicating a normal situation, when the input time t0 is a normal situation, the predicted value (S2 t-0 ') of the second sensor 21 is the second sensor 21 under a normal situation. has the same or similar value to the actual measured value (S2 t-0 ) to be detected.

반면, 입력 시점(t1)에 발전설비의 고장이 발생하고 이를 제1 센서20가 감지한 경우를 가정해보자. 상기 제1 진단 모델에는 발전설비의 고장을 감지한 제1 센서20의 측정값(S1t-1)이 입력된다. 상기 측정값(S1t-1)은 정상 상황을 나타내지 않는 값으로부터 많이 벗어난 측정값이다. On the other hand, it is assumed that a failure of the power generation facility occurs at the input time point t 1 and the first sensor 20 detects it. The measured value S1 t-1 of the first sensor 20 that detects a failure of the power generation facility is input to the first diagnostic model. The measured value S1 t-1 is a measured value that deviates significantly from a value that does not represent a normal situation.

제1 진단 모델은 정상 상황을 나타낸 예측값을 생성하도록 학습되었기 때문에, 입력된 측정값(S1t-1)에 대해서 정상 상황에 가장 가까운 값을 갖는 제2 센서20의 예측값(S2t-1')를 생성한다. 즉, 발전설비의 사고와 같은 비정상 상황에 가장 가까운 값이 예측값으로 생성되지 않는다. 그러면, 정상 상황에서의 측정값이 입력되는 경우와 달리, 제1 진단 모델은 발전설비의 사고를 나타낸 측정값과 동일 또는 유사한 예측값을 생성하지 않는다. Since the first diagnostic model was trained to generate a predicted value representing a normal situation, the predicted value (S2 t-1 ') of the second sensor 20 having the closest value to the normal situation with respect to the input measured value (S1 t-1 ) create That is, the value closest to an abnormal situation such as an accident of a power generation facility is not generated as a predicted value. Then, unlike the case in which the measured value in the normal situation is input, the first diagnostic model does not generate the same or similar predicted value as the measured value indicating the accident of the power generation facility.

마찬가지로, 제2 진단 모델은, 입력 시점(t0)에서 감지한 제2 센서21의 실제 측정값(S2t-0)이 입력되면 제1 센서의 예측값(S1t-0')을 생성하고 출력할 수도 있다. 제2 진단 모델의 입력 측정값에 따른 출력 예측값은 제1 진단 모델과 동일하므로, 자세한 설명은 생략한다. Similarly, the second diagnostic model generates and outputs the predicted value (S1 t-0 ') of the first sensor when the actual measured value (S2 t-0 ) of the second sensor 21 sensed at the input time point (t 0 ) is input. You may. Since the output predicted value according to the input measurement value of the second diagnostic model is the same as that of the first diagnostic model, a detailed description thereof will be omitted.

진단 모듈(500)은 진단 모델의 예측값에 기초하여 발전설비의 사고를 예측한다. The diagnosis module 500 predicts an accident of the power generation facility based on the predicted value of the diagnosis model.

일 실시예에서, 진단 모듈(500)은 진단 모델에서 생성한 예측값과 현재 감지한 측정값 간의 차이 값을 계산하고, 상기 차이 값을 미리 설정된 임계값과 비교하여 발전설비의 사고를 감지한다. 상기 차이 값을 계산하는데 사용되는 예측값은 진단 모델 쌍에 순차적으로 적용되어 생성된 예측값일 수도 있다. In an embodiment, the diagnosis module 500 calculates a difference value between the predicted value generated by the diagnosis model and the currently sensed measured value, and compares the difference value with a preset threshold value to detect an accident in the power generation facility. The prediction value used to calculate the difference value may be a prediction value generated by sequentially applying to a pair of diagnostic models.

도 4는, 본 발명의 일 실시예에 따른, 고장 감지를 위해 예측값을 계산하는 진단 모듈(500)의 동작의 개념도이다. 4 is a conceptual diagram of an operation of the diagnosis module 500 for calculating a predicted value for fault detection according to an embodiment of the present invention.

도 4를 참조하면, 상기 진단 모듈(500)은 센서 쌍(20, 21) 중 어느 하나의 센서(예컨대, 제1 센서(20))의 측정값(S1t)을 상기 어느 하나의 센서에 연관된 진단 모델에 입력하여, 다른 센서(예컨대, 제2 센서(21))의 예측값(S2t')을 생성한다. Referring to FIG. 4 , the diagnosis module 500 diagnoses the measurement value S1t of any one of the sensor pairs 20 and 21 (eg, the first sensor 20 ) associated with the one sensor. By input to the model, a predicted value S2t' of another sensor (eg, the second sensor 21) is generated.

또한, 상기 진단 모듈(500)은 상기 다른 센서(예컨대, 제2 센서(21))의 예측값(S2t')을 상기 다른 센서에 연관된 다른 진단 모델에 입력하여, 상기 어느 하나의 센서(예컨대, 제1 센서(20))의 예측값(S1t'')을 생성한다. In addition, the diagnostic module 500 inputs the predicted value S2t' of the other sensor (eg, the second sensor 21) to another diagnostic model related to the other sensor, and the one of the sensors (eg, the second sensor 21) A predicted value S1t'' of one sensor 20) is generated.

즉, 진단 모듈(500)은 센서 쌍(20, 21) 중 어느 하나의 센서20(예컨대, 제1 센서20)에 대해서 예측값에 기초한 예측값(예컨대, 예측값(S1t''))를 생성하고, 다른 하나의 센서20(예컨대, 제2 센서21)에 대해서 실제 측정값에 기초한 예측값(예컨대 예측값(S2t'))를 생성한다. That is, the diagnostic module 500 generates a predicted value (eg, the predicted value S1t'') based on the predicted value for any one of the sensor pairs 20 and 21 (eg, the first sensor 20), and the other For one sensor 20 (eg, the second sensor 21 ), a predicted value (eg, a predicted value S2t') based on an actual measured value is generated.

그러면, 입력 센서20(예컨대, 제1 센서(20))의 예측 값(S1t'')과 발전설비의 사고를 나타낸 입력 센서20의 실제 측정값(S1t) 간의 차이 값은 더욱 증폭된다. 만약 센서 쌍(20, 21) 모두 발전설비의 고장을 감지한 경우, 제1 센서20의 실제 측정값(S1t), 그리고 제2 센서20의 실제 측정값(S2t)에 기초한 제1 센서20의 예측값(S1t') 간의 차이 값은 상기 예측 값(S1t'')과 실제 측정값(S1t) 간의 차이 값 보다 작은 값을 가진다. Then, the difference value between the predicted value S1t'' of the input sensor 20 (eg, the first sensor 20) and the actual measured value S1t of the input sensor 20 indicating the accident of the power generation facility is further amplified. If both the sensor pairs 20 and 21 detect the failure of the power generation facility, the predicted value of the first sensor 20 based on the actual measurement value S1t of the first sensor 20 and the actual measurement value S2t of the second sensor 20 The difference value between (S1t') has a smaller value than the difference value between the predicted value (S1t'') and the actual measured value S1t.

진단 모듈(500)은 계산된 차이값이 미리 설정된 임계값 보다 작은 경우, 정상상황으로 결정한다. 반면, 진단 모듈(500)은 계산된 차이값이 미리 설정된 임계값과 동일하거나 보다 큰 경우, 발전설비에서 사고가 발생한 것으로 결정하고, 결국 발전설비의 사고를 감지한다. The diagnosis module 500 determines a normal situation when the calculated difference value is smaller than a preset threshold value. On the other hand, when the calculated difference value is equal to or greater than a preset threshold value, the diagnosis module 500 determines that an accident has occurred in the power generation facility, and eventually detects the accident of the power generation facility.

상기 예시에서, 발전설비가 보일러이고, 적어도 하나의 센서 쌍(20, 21)이 보일러 튜브에 설치된 경우, 계산된 차이값이 미리 설정된 임계값과 동일하거나 보다 큰 경우, 보일러 튜브의 사고가 발생한 것으로 결정되며, 결국 보일러 튜브의 누설 사고를 감지할 수 있다. In the above example, when the power generation facility is a boiler and at least one sensor pair 20, 21 is installed in the boiler tube, when the calculated difference value is equal to or greater than the preset threshold value, it is determined that an accident of the boiler tube has occurred It is determined, and eventually, a leak accident of the boiler tube can be detected.

이와 같이, 진단 모듈(500)은 발전설비의 고장에 대해서 더욱 증폭된 차이 값을 생성하여 발전설비의 고장을 보다 정확하고 조기에 감지할 수 있다. In this way, the diagnosis module 500 may generate a more amplified difference value with respect to the failure of the power generation facility to more accurately and earlyly detect the failure of the power generation facility.

진단 모듈(500)은 입력 센서별로 설정된 임계값을 미리 저장할 수도 있다. 그러면, 제1 센서(20)의 측정값이 입력될 경우 발전설비의 사고의 발생을 결정하는데 사용되는 임계값과 제2 센서(21)의 측정값이 입력될 경우 발전설비의 사고의 발생을 결정하는데 사용되는 임계값은 상이할 수도 있다. The diagnosis module 500 may store a threshold value set for each input sensor in advance. Then, when the measured value of the first sensor 20 is input, a threshold value used to determine the occurrence of an accident of the power generation facility and the second sensor 21 when the measured value is input determines the occurrence of an accident of the power generation facility The thresholds used to do so may be different.

또한, 진단 모듈(500)은 비정상 상황으로 결정한 측정값을 감지한 센서(20 또는 21)의 위치에 기초하여 발전설비의 사고 지점을 결정할 수도 있다. In addition, the diagnosis module 500 may determine the accident point of the power generation facility based on the position of the sensor 20 or 21 that senses the measured value determined as an abnormal situation.

진단 모듈(500)은 발전설비의 고장을 감지하고 사고 발생을 포함한 감지 결과를 사용자에게 제공할 수도 있다. 또한 상기 감지 결과는 사고 발생과 관련된 정보를 더 포함할 수도 있다. The diagnosis module 500 may detect a failure of the power generation facility and provide a detection result including the occurrence of an accident to the user. In addition, the detection result may further include information related to the occurrence of an accident.

상기 장치(10)가 본 명세서에 서술되지 않은 다른 구성요소를 포함할 수도 있다는 것이 통상의 기술자에게 명백할 것이다. 예를 들어, 상기 장치(10)는 네트워크 인터페이스, 데이터 엔트리를 위한 입력 장치, 및 디스플레이, 인쇄 또는 다른 데이터 표시를 위한 출력 장치를 포함하는, 본 명세서에 서술된 동작에 필요한 다른 하드웨어 요소를 포함할 수도 있다.It will be apparent to one of ordinary skill in the art that the apparatus 10 may include other components not described herein. For example, the device 10 may include other hardware elements necessary for the operation described herein, including a network interface, an input device for data entry, and an output device for display, printing, or other data presentation. may be

본 발명의 다른 일 측면에 따른 발전설비의 사고를 감지하는 방법은 프로세서를 포함한 컴퓨팅 장치에 의해 수행될 수도 있다. 예를 들어, 상기 발전설비의 사고를 감지하는 방법은 도 1의 발전설비의 사고를 감지하는 장치(10)에 의해 수행될 수도 있다. The method of detecting an accident of a power generation facility according to another aspect of the present invention may be performed by a computing device including a processor. For example, the method of detecting the accident of the power generation facility may be performed by the device 10 for detecting the accident of the power generation facility of FIG. 1 .

도 5는, 본 발명의 일 실시에예 따른, 발전설비의 고장을 감지하는 방법의 흐름도이다. 5 is a flowchart of a method for detecting a failure of a power generation facility according to an embodiment of the present invention.

도 5를 참조하면, 상기 발전설비의 고장을 감지하는 방법은: 적어도 하나의 센서 쌍(20, 21)에 의해 상기 발전설비의 상태를 나타낸 센싱 데이터를 획득하는 단계(S501); 및 적어도 하나의 진단 모델을 이용하여 적어도 하나의 센서 쌍(20, 21)의 센싱 데이터로부터 상기 발전설비의 고장을 감지하는 단계(S550)를 포함한다. 일부 실시예에서, 상기 발전설비의 고장을 감지하는 방법은: 센싱 데이터에 포함된 측정값을 전처리하는 단계로서, 노이즈를 제거하는 단계(S510);를 더 포함할 수도 있다. Referring to FIG. 5 , the method for detecting a failure of the power generation facility includes: acquiring sensing data indicating the state of the power generation facility by at least one pair of sensors 20 and 21 ( S501 ); and detecting a failure of the power generation facility from sensing data of at least one pair of sensors 20 and 21 using at least one diagnostic model (S550). In some embodiments, the method of detecting a failure of the power generation facility may further include: pre-processing a measurement value included in the sensed data, and removing noise (S510).

상기 단계(S501)에서 적어도 하나의 센서 쌍(20, 21)은 상관관계를 가짐으로써, 상호 예측 가능한 측정값을 출력한다. 일 실시예에서, 상기 상관관계는 발전설비의 기하학적 구조에 의존한 관계로서, 예를 들어 발전설비에 대해서 대칭 관계를 포함할 수도 있다. In the step S501, at least one sensor pair 20, 21 has a correlation, thereby outputting a mutually predictable measured value. In an embodiment, the correlation is a relationship dependent on the geometry of the power generation facility, and may include, for example, a symmetric relationship with respect to the power generation facility.

상기 적어도 하나의 센서 쌍(20, 21)은 상호 예측 가능한 측정값을 포함한 센싱 데이터를 생성한다. 상기 센싱 데이터는 감지 시간, 및/또는 해당 센서(20 또는 21)에 관련된 정보를 더 포함할 수도 있다. 일 실시예에서, 상기 센싱 데이터는 감지 시간, 해당 센서(20 또는 21)의 식별 정보, 대상 발전설비의 식별정보, 및/또는 위치 정보를 포함할 수도 있다. 또한, 센싱 데이터는 쌍을 형성하는, 상관관계를 갖는 다른 센서(21 또는 20)와 관련된 정보 중 적어도 일부(예컨대, 식별 정보)를 더 포함할 수도 있다. The at least one pair of sensors 20 and 21 generates sensing data including mutually predictable measured values. The sensing data may further include a sensing time and/or information related to the corresponding sensor 20 or 21 . In an embodiment, the sensed data may include a detection time, identification information of the corresponding sensor 20 or 21, identification information of a target power generation facility, and/or location information. In addition, the sensed data may further include at least a portion (eg, identification information) of information related to the other sensors 21 or 20 having a correlation to form a pair.

일 실시예에서, 상기 단계(S510)에서 발전설비를 보조하는 주변설비의 구동 시간에 기초하여 주변설비로부터의 노이즈를 제거할 수도 있다. 이로 인해, 주변설비로부터의 노이즈 성분이 원시 측정값으로부터 제거된다. In one embodiment, noise from the peripheral equipment may be removed based on the driving time of the peripheral equipment supporting the power generation equipment in the step (S510). Due to this, the noise component from the peripheral equipment is removed from the raw measurement value.

또한, 상기 단계(S510)는 주변설비로부터의 노이즈를 제거한 측정값을 보간 처리하는 단계를 포함할 수도 있다. In addition, the step ( S510 ) may include the step of interpolating the measured value from which the noise from the surrounding equipment is removed.

상기 단계(S550)에서 발전설비의 사고를 감지하는데 적어도 하나의 센서 쌍(20, 21)의 측정값 또는 전처리된 측정값을 미리 저장된 진단 모델에 적용하여 계산된 예측값을 계산한다.In the step (S550) to detect the accident of the power generation facility, the calculated predicted value is calculated by applying the measured value or the pre-processed measured value of the at least one sensor pair 20 and 21 to the pre-stored diagnostic model.

일 실시예에서, 상기 단계(S550)는 적어도 하나의 센서 쌍(20, 21) 중 어느 하나의 센서(예컨대, 제1 센서(20))의 측정 값을 연관된 진단 모델(예컨대, 제1 진단 모델)에 입력하여 다른 하나의 센서(예컨대, 제2 센서(21))의 예측값을 생성하는 단계; 및 상기 다른 하나의 센서의 예측값을 연관된 진단 모델(예컨대, 제2 진단 모델)에 입력하여 상기 어느 하나의 센서의 예측값을 생성하는 단계를 포함할 수도 있다. 예를 들어, 제2 센서(21)의 예측값은 제1 센서(20)의 실제 측정값에 기초하여 계산되고, 제1 센서(20)의 예측값은 제2 센서(21)의 예측값에 기초하여 계산된다. In one embodiment, the step S550 is performed by comparing the measurement value of any one of the at least one sensor pair 20 and 21 (eg, the first sensor 20) to an associated diagnostic model (eg, the first diagnostic model). ) to generate a predicted value of another sensor (eg, the second sensor 21); and inputting the predicted value of the other sensor into an associated diagnostic model (eg, a second diagnostic model) to generate the predicted value of the one sensor. For example, the predicted value of the second sensor 21 is calculated based on the actual measured value of the first sensor 20 , and the predicted value of the first sensor 20 is calculated based on the predicted value of the second sensor 21 . do.

또한, 상기 단계(S550)는 상기 어느 하나의 센서(예컨대, 제1 센서(20))의 예측값과 상기 어느 하나의 센서의 측정값 간의 차이값을 계산하는 단계; 및 상기 차이값과 미리 설정된 임계값을 비교하여 발전설비의 사고 발생을 결정하는 단계를 포함한다. In addition, the step (S550) may include calculating a difference value between the predicted value of the one sensor (eg, the first sensor 20) and the measured value of the one sensor; and determining the occurrence of an accident in the power generation facility by comparing the difference value with a preset threshold value.

상기 단계(S550)에서 이용되는 진단 모델 및 결정 과정에 대해서는 도 3 및 도 4를 참조하여 위에서 서술하였는바 자세한 설명은 생략한다. The diagnostic model and the determination process used in step S550 have been described above with reference to FIGS. 3 and 4 , and detailed descriptions thereof will be omitted.

이와 같이, 상기 장치(10)는, 상관관계를 갖는 센서 쌍(20, 21)의 센싱 데이터를 기초로 정상 상황을 상호 학습한 진단 모델을 이용하여, 현재의 발전설비의 상태를 결정할 수 있다. 또한, 해당 센서 쌍(20, 21)에 연관된 진단 모델 쌍을 이용하여, 발전설비의 사고의 징후를 조기에 감지할 수 있다. As such, the device 10 may determine the current state of the power generation facility by using a diagnostic model that mutually learns a normal situation based on the sensing data of the sensor pair 20 and 21 having a correlation. In addition, by using the pair of diagnostic models associated with the corresponding sensor pair 20 and 21 , it is possible to detect a sign of an accident of the power generation facility at an early stage.

이상에서 설명한 실시예들에 따른 발전설비의 사고를 감지하는 시스템 및 방법에 의한 동작은 적어도 부분적으로 컴퓨터 프로그램으로 구현되어, 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 예를 들어, 프로그램 코드를 포함하는 컴퓨터-판독가능 매체로 구성되는 프로그램 제품과 함께 구현되고, 이는 기술된 임의의 또는 모든 단계, 동작, 또는 과정을 수행하기 위한 프로세서에 의해 실행될 수 있다. The operation by the system and method for detecting an accident of the power generation facility according to the embodiments described above may be at least partially implemented as a computer program and recorded in a computer-readable recording medium. For example, embodied with a program product consisting of a computer-readable medium containing program code, which may be executed by a processor for performing any or all steps, operations, or processes described.

상기 컴퓨터는 데스크탑 컴퓨터, 랩탑 컴퓨터, 노트북, 스마트 폰, 또는 이와 유사한 것과 같은 컴퓨팅 장치일 수도 있고 통합될 수도 있는 임의의 장치일 수 있다. 컴퓨터는 하나 이상의 대체적이고 특별한 목적의 프로세서, 메모리, 저장공간, 및 네트워킹 구성요소(무선 또는 유선 중 어느 하나)를 가지는 장치다. 상기 컴퓨터는 예를 들어, 마이크로소프트의 윈도우와 호환되는 운영 체제, 애플 OS X 또는 iOS, 리눅스 배포판(Linux distribution), 또는 구글의 안드로이드 OS와 같은 운영체제(operating system)를 실행할 수 있다.The computer may be any device that may be integrated with or may be a computing device such as a desktop computer, laptop computer, notebook, smart phone, or the like. A computer is a device having one or more alternative and special purpose processors, memory, storage, and networking components (either wireless or wired). The computer may run, for example, an operating system compatible with Microsoft's Windows, an operating system such as Apple OS X or iOS, a Linux distribution, or Google's Android OS.

상기 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록신원확인 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장신원확인 장치 등을 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트(segment)들은 본 실시예가 속하는 기술 분야의 통상의 기술자에 의해 용이하게 이해될 수 있을 것이다. The computer-readable recording medium includes all kinds of recording identification devices in which computer-readable data is stored. Examples of the computer-readable recording medium include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage identification device, and the like. In addition, the computer-readable recording medium may be distributed in network-connected computer systems, and the computer-readable code may be stored and executed in a distributed manner. In addition, functional programs, codes, and code segments for implementing the present embodiment may be easily understood by those skilled in the art to which the present embodiment belongs.

이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다. Although the present invention as described above has been described with reference to the embodiments shown in the drawings, it will be understood that these are merely exemplary, and that various modifications and variations of the embodiments are possible therefrom by those of ordinary skill in the art. However, such modifications should be considered to be within the technical protection scope of the present invention. Accordingly, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.

Claims (17)

발전설비의 고장을 감지하는 시스템에 있어서,
상기 발전설비에 설치된 적어도 하나의 센서 쌍 - 센서 쌍은 제1 센서 및 제2 센서로 이루어짐;
상기 적어도 하나의 센서 쌍의 센싱 데이터에 포함된 측정값을 미리 저장된 적어도 하나의 진단 모델에 적용해 계산한 예측값에 기초하여 상기 발전설비의 고장의 발생을 결정하는 진단 모듈을 포함하고,
상기 진단 모듈은 제1 진단 모델 및 제2 진단 모델로 이루어진 진단 모델 쌍을 포함하고,
상기 제1 진단 모델은 정상 상황 하에서의 제1 센서의 측정 값을 입력 받을 경우 정상 상황 하에서의 제2 센서의 예측 값을 산출하도록 학습된 것이고,
상기 제2 진단 모델은 정상 상황 하에서 제2 센서의 측정 값을 입력 받을 경우 정상 상황 하에서의 제1 센서의 예측 값을 산출하도록 학습된 것이며,
상기 진단 모듈은,
입력 시점에서의 제1 센서의 측정 값을 상기 제1 진단 모델에 입력하여 산출된 결과를 제2 산출 모델에 입력하여 상기 입력 시점에서의 상기 제1 센서의 예측 값을 산출하고, 그리고 산출된 상기 입력 시점에서의 상기 제1 센서의 예측 값에 기초하여 상기 발전설비의 고장의 발생을 결정하거나, 또는
입력 시점에서의 제2 센서의 측정 값을 상기 제2 진단 모델에 입력하여 산출된 결과를 제1 산출 모델에 입력하여 상기 입력 시점에서의 상기 제2 센서의 예측 값을 산출하고, 그리고 산출된 상기 입력 시점에서의 상기 제2 센서의 예측 값에 기초하여 상기 발전설비의 고장의 발생을 결정하도록 구성된 것을 특징으로 하는 시스템.
In the system for detecting the failure of the power generation facility,
at least one sensor pair installed in the power generation facility - the sensor pair consists of a first sensor and a second sensor;
a diagnostic module for determining the occurrence of a failure of the power generation facility based on a predicted value calculated by applying a measurement value included in the sensing data of the at least one sensor pair to at least one diagnostic model stored in advance,
The diagnostic module includes a diagnostic model pair consisting of a first diagnostic model and a second diagnostic model,
The first diagnostic model is trained to calculate the predicted value of the second sensor under normal conditions when receiving the measurement value of the first sensor under normal conditions,
The second diagnostic model is trained to calculate the predicted value of the first sensor under normal conditions when the measurement value of the second sensor is received under normal conditions,
The diagnostic module is
The predicted value of the first sensor at the input time is calculated by inputting the measured value of the first sensor at the input time point into the first diagnostic model and the calculated result is input into the second calculation model, and the calculated Determining the occurrence of a failure of the power generation facility based on the predicted value of the first sensor at the input time, or
Inputting the measured value of the second sensor at the input time point into the second diagnostic model and inputting the calculated result into the first calculation model to calculate the predicted value of the second sensor at the input time point, and the calculated and determine the occurrence of a failure of the power generation facility based on the predicted value of the second sensor at the input time.
 제1항에 있어서,
상기 측정값에 포함된, 주변 설비로부터의 노이즈를 제거하는 전처리 모듈을 더 포함하는 시스템.
According to claim 1,
The system further comprising a pre-processing module for removing noise from the surrounding equipment included in the measured value.
 삭제delete 제1항에 있어서, 상기 진단 모델 쌍은 복수의 훈련 샘플을 이용하여 학습되며, 상기 복수의 훈련 샘플 각각은 상기 적어도 하나의 센서 쌍 중 연관된 센서 쌍의 측정값 쌍을 포함하고, 상기 측정값 쌍은 정상 상황 하에서 감지된 것을 특징으로 하는 시스템.
The pair of measurements of claim 1 , wherein the pair of diagnostic models is trained using a plurality of training samples, each of the plurality of training samples comprising a pair of measurements of an associated sensor pair of the at least one pair of sensors; is detected under normal circumstances.
 삭제delete 삭제delete 제1항에 있어서, 상기 진단 모듈은,
상기 제1 센서의 예측값과 상기 제1 센서의 측정값 간의 차이값을 계산하고,
상기 차이값과 미리 설정된 임계값을 비교하여 상기 발전설비의 사고 발생을 결정하는 것을 특징으로 하는 시스템.
The method of claim 1, wherein the diagnostic module comprises:
calculating a difference value between the predicted value of the first sensor and the measured value of the first sensor,
The system, characterized in that by comparing the difference value with a preset threshold value to determine the occurrence of an accident in the power generation facility.
 제2항에 있어서, 상기 전처리 모듈은,
노이즈가 제거된 측정값을 보간 처리하도록 더 구성되는 것을 특징으로 하는 시스템.
According to claim 2, wherein the pre-processing module,
The system of claim 1, further configured to interpolate the denoised measurements.
 제1항에 있어서,
상기 센서 쌍은 상관관계를 가짐으로써 상호 예측 가능한 측정값의 쌍을 출력하는 것을 특징으로 하는 시스템.
According to claim 1,
The sensor pair outputs a pair of mutually predictable measurement values by having a correlation.
 제9항에 있어서,
상기 상관관계를 갖는 센서 쌍은 상기 발전설비의 기하학적 구조에 의존하는 관계를 갖는 것을 특징으로 하는 시스템.
10. The method of claim 9,
The system of claim 1, wherein the correlated sensor pair has a relationship dependent on the geometry of the power plant.
 프로세서에 의해 수행되는, 발전설비의 고장을 감지하는 방법에 있어서,
상기 발전설비에 설치된 적어도 하나의 센서 쌍의 센싱 데이터에 포함된, 측정값을 미리 저장된 적어도 하나의 진단 모델에 적용해 계산한 예측값에 기초하여 상기 발전설비의 고장의 발생을 결정하되,
진단 모듈은 제1 진단 모델 및 제2 진단 모델로 이루어진 진단 모델 쌍을 포함하고,
상기 제1 진단 모델은 정상 상황 하에서의 제1 센서의 측정 값을 입력 받을 경우 정상 상황 하에서의 제2 센서의 예측 값을 산출하도록 학습된 것이고,
상기 제2 진단 모델은 정상 상황 하에서 제2 센서의 측정 값을 입력 받을 경우 정상 상황 하에서의 제1 센서의 예측 값을 산출하도록 학습된 것이며,
상기 발전설비의 고장의 발생을 결정하는 단계는,
입력 시점에서의 제1 센서의 측정 값을 상기 제1 진단 모델에 입력하여 산출된 결과를 제2 산출 모델에 입력하여 상기 입력 시점에서의 상기 제1 센서의 예측 값을 산출하고, 그리고 산출된 상기 입력 시점에서의 상기 제1 센서의 예측 값에 기초하여 상기 발전설비의 고장의 발생을 결정하는 단계 또는,
입력 시점에서의 제2 센서의 측정 값을 상기 제2 진단 모델에 입력하여 산출된 결과를 제1 산출 모델에 입력하여 상기 입력 시점에서의 상기 제2 센서의 예측 값을 산출하고, 그리고 산출된 상기 입력 시점에서의 상기 제2 센서의 예측 값에 기초하여 상기 발전설비의 고장의 발생을 결정하는 단계를 포함하는 것을 특징으로 하는 방법.
In a method for detecting a failure of a power generation facility performed by a processor,
Determining the occurrence of a failure of the power generation facility based on a predicted value calculated by applying a measurement value included in the sensing data of at least one sensor pair installed in the power generation facility to at least one pre-stored diagnostic model,
The diagnostic module includes a diagnostic model pair consisting of a first diagnostic model and a second diagnostic model,
The first diagnostic model is trained to calculate the predicted value of the second sensor under normal conditions when receiving the measurement value of the first sensor under normal conditions,
The second diagnostic model is trained to calculate the predicted value of the first sensor under normal conditions when the measurement value of the second sensor is received under normal conditions,
The step of determining the occurrence of a failure of the power generation facility,
The predicted value of the first sensor at the input time is calculated by inputting the measured value of the first sensor at the input time point into the first diagnostic model and the calculated result is input into the second calculation model, and the calculated Determining the occurrence of a failure of the power generation facility based on the predicted value of the first sensor at the input time, or
Inputting the measured value of the second sensor at the input time point into the second diagnostic model and inputting the calculated result into the first calculation model to calculate the predicted value of the second sensor at the input time point, and the calculated and determining the occurrence of a failure of the power generation facility based on the predicted value of the second sensor at the input time.
 제11항에 있어서,
상기 측정값에 포함된, 주변 설비로부터의 노이즈를 제거하는 단계를 더 포함하는 방법.
12. The method of claim 11,
The method further comprising the step of removing noise from surrounding equipment included in the measurement value.
 삭제delete 삭제delete 제11항에 있어서, 상기 발전설비의 고장의 발생을 결정하는 단계는,
상기 제1 센서의 예측값과 상기 제1 센서의 측정값 간의 차이값을 계산하는 단계; 및
상기 차이값과 미리 설정된 임계값을 비교하여 상기 발전설비의 사고 발생을 결정하는 단계를 더 포함하는 것을 특징으로 하는 방법.
The method of claim 11, wherein determining the occurrence of a failure of the power generation facility comprises:
calculating a difference value between the predicted value of the first sensor and the measured value of the first sensor; and
Comparing the difference value with a preset threshold value, the method further comprising the step of determining the occurrence of an accident in the power generation facility.
 제12항에 있어서,
노이즈가 제거된 측정값을 보간 처리하는 단계를 더 포함하는 방법.
13. The method of claim 12,
The method further comprising the step of interpolating the denoised measurements.
 제11항, 제12항, 15항 및 제16항 중 어느 하나의 항에 따른 방법을 수행하기 위한, 프로그램을 기록한 컴퓨터 판독가능 기록매체.

A computer-readable recording medium recording a program for performing the method according to any one of claims 11, 12, 15 and 16.
KR1020200162590A 2020-11-27 2020-11-27 System and method for sensing failure of power generation facilities Active KR102450030B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200162590A KR102450030B1 (en) 2020-11-27 2020-11-27 System and method for sensing failure of power generation facilities

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200162590A KR102450030B1 (en) 2020-11-27 2020-11-27 System and method for sensing failure of power generation facilities

Publications (2)

Publication Number Publication Date
KR20220074278A KR20220074278A (en) 2022-06-03
KR102450030B1 true KR102450030B1 (en) 2022-10-05

Family

ID=81982419

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200162590A Active KR102450030B1 (en) 2020-11-27 2020-11-27 System and method for sensing failure of power generation facilities

Country Status (1)

Country Link
KR (1) KR102450030B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4041395B2 (en) * 2002-12-27 2008-01-30 東京瓦斯株式会社 Failure detection apparatus and failure detection method
JP6308591B2 (en) * 2012-12-14 2018-04-11 日本電気株式会社 Monitoring device, monitoring method, and program

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101842347B1 (en) * 2016-05-04 2018-03-26 두산중공업 주식회사 Plant system, and fault detecting method thereof
KR101713985B1 (en) 2016-09-02 2017-03-09 에이블맥스(주) Method and apparatus for prediction maintenance

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4041395B2 (en) * 2002-12-27 2008-01-30 東京瓦斯株式会社 Failure detection apparatus and failure detection method
JP6308591B2 (en) * 2012-12-14 2018-04-11 日本電気株式会社 Monitoring device, monitoring method, and program

Also Published As

Publication number Publication date
KR20220074278A (en) 2022-06-03

Similar Documents

Publication Publication Date Title
JP7106847B2 (en) Diagnostic device, diagnostic method, program, and recording medium
KR102342476B1 (en) System and method for determining situation of facility by imaging seinsing data of facility
CN111858111A (en) Method, apparatus and computer program product for data analysis
US20230316720A1 (en) Anomaly detection apparatus, anomaly detection method, and program
US11967822B2 (en) Method for predicting power generation and remaining useful life per system and system for performing the same
JP7226424B2 (en) Abnormal temperature detection device, abnormal temperature detection method, and abnormal temperature detection program
KR102455723B1 (en) Monitoring system and method for sensing failure of power generation facilities early
WO2018198267A1 (en) Causal relationship learning method, program, device, and abnormality analysis system
EP4152115B1 (en) Monitoring apparatus, method, and program
JP7127305B2 (en) Information processing device, information processing method, program
KR102450030B1 (en) System and method for sensing failure of power generation facilities
KR102132077B1 (en) Facility data fault diagnosis system and method of the same
JP7632613B2 (en) Anomaly cause estimation device, anomaly cause estimation method, and program
KR102384742B1 (en) System and method for detecting anomality using sensor data
JP7363889B2 (en) Learning devices, learning methods, computer programs and recording media
EP3388911B1 (en) Monitoring device, monitoring method and program
CN118568633A (en) Temperature monitoring and alarming system and method for hydropower station generator set
JP7161379B2 (en) inference device
KR20200051343A (en) Method and apparatus for estimating a predicted time series data
WO2020173581A1 (en) System, device and method of monitoring condition of a technical installation
KR20200080798A (en) Apparatus and method for online signal data validation via auto associative bilateral kernel regression
KR102799629B1 (en) Anomaly detection method and apparatus for manufacturing process
JP7646520B2 (en) Data processing device, method and program
RU2793797C2 (en) Intelligent audio-analytical device and method for spacecrafts
JP6678843B1 (en) Abnormal part detecting device, abnormal part detecting method and program

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20201127

PA0201 Request for examination
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20211229

Patent event code: PE09021S01D

PG1501 Laying open of application
E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20220705

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20220928

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20220929

End annual number: 3

Start annual number: 1

PG1601 Publication of registration