KR20210055439A - Availability analysis method of offshore facility - Google Patents
Availability analysis method of offshore facility Download PDFInfo
- Publication number
- KR20210055439A KR20210055439A KR1020190141880A KR20190141880A KR20210055439A KR 20210055439 A KR20210055439 A KR 20210055439A KR 1020190141880 A KR1020190141880 A KR 1020190141880A KR 20190141880 A KR20190141880 A KR 20190141880A KR 20210055439 A KR20210055439 A KR 20210055439A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- availability
- production
- production availability
- facility
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims 1
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
본 발명은 해양 설비의 가용도(Availability) 분석 방법에 관한 것으로, 보다 상세하게는 빅 데이터를 활용한 해양 설비의 가용도를 분석하기 위한 방법에 관한 것이다. The present invention relates to a method for analyzing availability of offshore facilities, and more particularly, to a method for analyzing the availability of offshore facilities using big data.
기존의 오일이나 가스를 생산하는 해양설비는 운영 기간 동안의 생산 가용도가 요구되는 수준을 만족하는지 여부를 평가하기 위해서 RAM (Reliability, Availability and Maintainability) Study를 설계단계에서 수행하게 된다. For existing offshore facilities that produce oil or gas, a RAM (Reliability, Availability and Maintainability) study is conducted at the design stage to evaluate whether the production availability during the operating period satisfies the required level.
상기 RAM study는 분석 대상이 되는 생산공정 시스템을 구성하는 각 장비의 고장률 데이터와 유지보수계획을 바탕으로 각 장비의 가용도(Availability)를 계산하고, 몬테카를로 시뮬레이션을 통해 전체 시스템에 대한 가용도를 산출하게 된다.The RAM study calculates the availability of each equipment based on the failure rate data and maintenance plan of each equipment constituting the production process system to be analyzed, and calculates the availability of the entire system through Monte Carlo simulation. It is done.
도 1은 기존의 해양 설비의 생산 가용도 분석 방법을 설명하기 위한 도면이다. 1 is a diagram for explaining a method for analyzing production availability of an existing offshore facility.
도 1에 도시된 바와 같이 기존의 해양 설비의 생산 가용도를 분석하기 위해서는, 참조번호 105와 같이 전체 시스템이 어떻게 구성되어 있는지 파악하고, 참조번호 110와 같이 공정의 흐름에 따른 각 장비의 연결 정보를 토대로 RBD (Reliability Body Diagram) 모델을 생성해야 하며, 참조번호 115와 같이 각 장비가 가지는 신뢰성인 고장 율(Failure rate)과 유지보수계획에 해당하는 수리 시간(Repair time)/주기 등을 히스토리컬 데이터베이스(historical database)나 장비 제조업체로부터 확보한다. 그리고, 참조번호 120과 같이 확보한 RBD 모델과, 고장 율 정보와 수리 시간/주기 등의 데이터를 해양 설비의 전체 시스템에 대한 시뮬레이션에 입력함으로써, 해양 설비의 생산 가용도를 분석하게 된다. In order to analyze the production availability of existing offshore facilities as shown in FIG. 1, it is possible to determine how the entire system is configured as shown in
그러나, 도 1과 같은 종래의 생산 가용도 분석 방법은, 신뢰도가 높은 생산가용도를 산출할 수 있다는 이점이 있지만, 설계 초기 설계안의 변동성이 큰 단계에서는 반복계산으로 인해 불필요하게 많은 시간과 노력이 소요될 수 있다는 문제점이 있다.However, the conventional production availability analysis method as shown in FIG. 1 has the advantage of being able to calculate the production availability with high reliability, but at the stage where the variability of the design proposal in the initial design stage is large, it takes a lot of time and effort unnecessarily due to repetitive calculation. There is a problem that it can be.
본 발명은 기존에 설계했던 해양 설비들로부터 수집된 빅 데이터를 이용하여 새로 설계하는 해양 설비의 생간 가용도를 분석하는 방법을 제공하기 위한 것이다. An object of the present invention is to provide a method of analyzing the availability of newly designed marine facilities using big data collected from previously designed marine facilities.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다. The technical problems to be achieved in the present invention are not limited to the technical problems mentioned above, and other technical problems that are not mentioned will be clearly understood by those of ordinary skill in the technical field to which the present invention belongs from the following description. I will be able to.
상기와 같은 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 해양 설비의 생산 가용도를 예측하는 방법은, 상기 생산 가용도 예측을 위한 데이터 특성 및 레이블을 정의하여 데이터 셋을 구성하는 단계, 기존 설계된 해양 설비의 RAM(Reliability, Availability and Maintainability) 연구(Study) 모델로부터 상기 정의된 데이터 특성 및 레이블을 테이블(Table) 형태로 출력하는 단계, 상기 RAM 연구 모델들의 데이터 특성의 값을 부분적으로 변화시키면서 시뮬레이션을 반복수행하고, 상기 반복수행된 데이터 특성과 레이블을 테이블 형태인 가상의 데이터 셋(Data set)으로 생성하는 단계, 상기 생성된 데이터 셋을 취합하여 빅 데이터(Big data)를 생성하는 단계, 상기 생성된 빅 데이터를 이용하여 머신 러닝 분석을 수행하여 상기 데이터 특성과 상기 레이블 간의 상관 관계를 함수화한 함수식을 획득하는 단계, 상기 획득한 함수식을 이용하여 상기 해양 설비의 데이터 특성을 입력으로 하고, 레이블을 출력으로 하는 생산 가용도 예측 모델을 생성하는 단계, 상기 생성된 생산 가용도 예측 모델을 신규 생산 설비의 RAM 스터디에 적용하여 신규 생산 설비의 생산 가용도를 출력하는 단계를 포함한다. In order to solve the above technical problem, a method for predicting production availability of an offshore facility according to an embodiment of the present invention comprises the steps of defining a data characteristic and a label for predicting the production availability to construct a data set. , Outputting the defined data characteristics and labels in the form of a table from a RAM (Reliability, Availability and Maintainability) study model of an existing designed marine facility, and partially displaying the values of the data characteristics of the RAM research models. Iteratively performs the simulation while changing, generating the repeatedly performed data characteristics and labels as a virtual data set in the form of a table, and generating big data by collecting the generated data sets. Step, performing a machine learning analysis using the generated big data to obtain a functional expression that functionalized the correlation between the data characteristic and the label, and inputting the data characteristic of the marine facility using the obtained functional expression. And generating a production availability prediction model that outputs the label, and outputting the production availability of the new production facility by applying the generated production availability prediction model to the RAM study of the new production facility.
실시 예에 따라, 상기 데이터 특성은, 생산 공정의 타입(오일/가스), 생산 공정과 연관된 장비의 종류(Compressor/Pump/Exchanger/Vessel/Turbine), 각 장비 타입 별 설치 개수, 각 장비 별 처리 용량 중 적어도 하나의 데이터를 포함한다. Depending on the embodiment, the data characteristics include the type of production process (oil/gas), the type of equipment associated with the production process (Compressor/Pump/Exchanger/Vessel/Turbine), the number of installations for each equipment type, and processing for each equipment. It contains data of at least one of the volumes.
실시 예에 따라, 상기 레이블은, 데이터 분석을 위한 데이터로 생산 가용도(단위: %)를 포함한다. According to an embodiment, the label includes production availability (unit: %) as data for data analysis.
실시 예에 따라, 상기 함수식을 획득하는 단계는, 상기 생성한 데이터 셋들을 훈련 셋(training set)과 평가 셋(test set)으로 분리하는 단계, 상기 훈련 셋에 대해 머신 러닝의 학습 방법 중 하나인 지도 학습(Supervised Learning)을 통해 데이터 특성과 레이블 간의 상관 관계를 분석하고 상관 계수(r)를 정량화하는 단계, 상기 상관 계수(r)의 강도가 높은 순서대로 데이터 특성을 정렬하고 강도가 낮은 특성들을 파악하고, 강도가 낮은 데이터 특성을 제외한 후 회귀분석을 수행하여 상관관계를 함수화하여 상관관계에 대한 함수식을 획득하는 단계를 포함한다. According to an embodiment, the obtaining of the functional expression includes separating the generated data sets into a training set and an evaluation set, which is one of the learning methods of machine learning for the training set. Analyzing the correlation between data characteristics and labels through supervised learning and quantifying the correlation coefficient (r), sorting the data characteristics in the order of the high intensity of the correlation coefficient (r), and selecting the characteristics of the low intensity. And obtaining a functional expression for the correlation by performing a regression analysis after grasping and excluding data characteristics of low intensity to functionalize the correlation.
실시 예에 따라, 상기 생산 가용도 예측 모델을 생성하는 단계는, 상기 훈련 셋(test set)을 상기 생성된 생산 가용도 예측 모델에 입력하여 상기 생산 가용도 예측 모델을 검증하는 단계, 상기 검증 결과, 상기 생성된 생산 가용도 예측 모델의 성능이 만족스럽지 않다면, 상기 회귀분석의 모델을 변경하거나 제외하였던 데이터 특성의 일부를 포함시켜 생산 가용도 예측 모델을 재생성하는 단계를 포함한다. According to an embodiment, the generating the production availability prediction model may include verifying the production availability prediction model by inputting the training set into the generated production availability prediction model, and the verification result And if the performance of the generated production availability prediction model is not satisfactory, regenerating the production availability prediction model by including some of the data characteristics that have been changed or excluded from the regression analysis model.
상기와 같이 구성되는 본 발명의 실시예에 따른 해양 설비의 가용도 분석에 의하면, 해양 설비의 시스템을 구성하는 RBD(Reliability Body Diagram) 모델을 생성할 필요가 없으며 각 장비의 고장율, 유지보수계획 등을 수치적으로 입력해 줄 필요가 없으므로, 짧은 시간 내에 생산 가용도를 예측할 수 있다는 장점이 있다. According to the availability analysis of offshore facilities according to an embodiment of the present invention configured as described above, there is no need to generate a RBD (Reliability Body Diagram) model constituting the system of offshore facilities, and failure rates of each equipment, maintenance plans, etc. Since there is no need to enter numerically, there is an advantage that production availability can be predicted within a short time.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다. The effects that can be obtained in the present invention are not limited to the above-mentioned effects, and other effects not mentioned can be clearly understood by those of ordinary skill in the art from the following description. will be.
도 1은 기존의 해양 설비의 생산 가용도 분석 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 실시 예에 따른 해양 설비 가용도 분석 시스템이 빅 데이터를 이용한 해양 설비의 생산 가용도를 예측하는 방법의 개념도이다.
도 3은 도 2에 도시된 본 발명의 실시 예에 따른 해양 설비 가용도 분석 시스템이 빅 데이터를 이용한 해양 설비의 생산 가용도를 예측하는 방법의 개념을 구체적으로 설명한 방법 흐름도이다. 1 is a diagram for explaining a method for analyzing production availability of an existing offshore facility.
2 is a conceptual diagram of a method for predicting the production availability of offshore facilities using big data by the offshore facility availability analysis system according to an embodiment of the present invention.
FIG. 3 is a flow chart of a method in which the marine facility availability analysis system according to the embodiment of the present invention illustrated in FIG. 2 specifically explains the concept of a method of predicting the production availability of offshore facilities using big data.
이하에서는 본 발명의 실시 예에 관하여 첨부도면을 참조하여 상세하게 설명하기로 한다. 다만, 이하에서 설명되는 실시 예는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명을 쉽게 실시할 수 있을 정도로 상세하게 설명하기 위한 것에 불과하며, 이로 인해 본 발명의 보호범위가 한정되는 것을 의미하지는 않는다. 그리고 본 발명의 여러 실시 예를 설명함에 있어서, 동일한 기술적 특징을 갖는 구성요소에 대하여는 동일한 도면 부호를 사용하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. However, the embodiments described below are only for explaining in detail enough to allow a person of ordinary skill in the art to carry out the invention easily, and this limits the protection scope of the present invention. I don't mean it. In addition, in describing various embodiments of the present invention, the same reference numerals will be used for components having the same technical characteristics.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 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.Throughout the specification, when a part is said to be "connected" with another part, this includes not only "directly connected" but also "electrically connected" with another element interposed therebetween. . In addition, when a part "includes" a certain component, it means that other components may be further included rather than excluding other components unless specifically stated to the contrary.
도 2는 본 발명의 실시 예에 따른 해양 설비 가용도 분석 시스템이 빅 데이터를 이용한 해양 설비의 생산 가용도를 예측하는 방법의 개념도이다. 2 is a conceptual diagram of a method for predicting the production availability of offshore facilities using big data by the offshore facility availability analysis system according to an embodiment of the present invention.
도 2에 따른 빅 데이터를 이용한 해양 설비의 생산 가용도를 예측하기 위해 205단계에서 해양 설비 가용도 분석 시스템은 해양 설비의 공정 설계 데이터인 장비 기본 정보를 입력 값으로, RAM(Reliability, Availability and Maintainability) 연구(Study)를 수행하고, RAM 연구를 통해 계산된 생산 가용도를 출력 값으로 하는 데이터 셋(Data set)를 구성한다. In order to predict the production availability of offshore facilities using the big data according to FIG. 2, in step 205, the offshore facility availability analysis system uses equipment basic information, which is process design data of the offshore facility, as an input value, and RAM (Reliability, Availability and Maintainability). ) Conduct a study, and construct a data set using the production availability calculated through RAM research as an output value.
210단계에서 해양 설비 가용도 분석 시스템은 상기 205단계에서 구성된 데이터 셋을 기존에 설계된 다른 해양 설비들로부터 수집하여 빅 데이터를 생성하고, 상기 생성된 빅 데이터로부터 기계 학습(Machine learning)을 통해 유용한 상관 관계 모델을 도출한다. 이때 본 발명의 실시 예에 따라 해양 설비로부터 수집된 빅 데이터로부터 유용한 상관 관계 모델을 도출하기 위해 사용하는 기계 학습은 다양한 알고리즘이 존재하므로, 이에 대한 구체적인 설명은 생략하기로 한다. In step 210, the marine facility availability analysis system collects the data set configured in step 205 from other previously designed marine facilities to generate big data, and provides useful correlation from the generated big data through machine learning. Derive a relationship model. In this case, since various algorithms exist for machine learning used to derive useful correlation models from big data collected from marine facilities according to an embodiment of the present invention, detailed descriptions thereof will be omitted.
그리고, 215단계에서 해양 설비 가용도 분석 시스템은 상기 210단계에서 생성된 상관 관계 모델에 새로 설계하고자 하는 해양 설비의 공정 설계 데이터를 입력하여 상기 새로 설계하고자 하는 해양 설비의 예측된 생산 가용도를 출력한다. In
이때 상기 205단계 및 상기 215단계에서 입력되는 공정 설계 데이터는 생산 공정의 타입(오일/가스), 장비의 종류, 장비의 개수, 장비의 처리 용량 등이 포함될 수 있다.In this case, the process design data input in
도 3은 도 2에 도시된 본 발명의 실시 예에 따른 해양 설비 가용도 분석 시스템이 빅 데이터를 이용한 해양 설비의 생산 가용도를 예측하는 방법의 개념을 구체적으로 설명한 방법 흐름도이다. FIG. 3 is a flowchart illustrating a method in which the marine facility availability analysis system according to the embodiment of the present invention illustrated in FIG. 2 predicts the production availability of offshore facilities using big data.
305단계에서 해양 설비 가용도 분석 시스템은 생산 가용도 예측을 위한 데이터 특성 및 레이블을 정의하여 데이터 셋을 구성한다. 구체적으로 해양 설비 가용도 분석 시스템은 상기 305단계에서 구성되는 데이터 셋에 포함되는 데이터 특성(Feature)과 레이블(Label)을 정의한다. 이 중 생산 가용도 예측을 위한 데이터 특성으로 다음의 데이터를 포함한다. In step 305, the offshore facility availability analysis system constructs a data set by defining data characteristics and labels for predicting production availability. Specifically, the marine facility availability analysis system defines a data feature and a label included in the data set configured in step 305. Among them, the following data are included as data characteristics for predicting production availability.
- 생산 공정의 타입(오일/가스)- Type of production process (oil/gas)
- 생산 공정과 연관된 장비의 종류 (Compressor/Pump/Exchanger/Vessel/Turbine 등)- Types of equipment related to the production process (Compressor/Pump/Exchanger/Vessel/Turbine, etc.)
- 각 장비 타입 별 설치 개수- Number of installations for each equipment type
- 각 장비 별 처리 용량- Processing capacity for each equipment
그리고, 다음의 데이터를 데이터 분석을 위한 레이블로 정의한다. Then, the following data is defined as a label for data analysis.
- 생산 가용도(단위: %)- Production availability (unit: %)
310단계에서 해양 설비 가용도 분석 시스템은 기존 설계된 해양 설비의 RAM 스터디 모델로부터 상기 305단계에서 정의한 데이터 특성 및 레이블을 테이블(Table) 형태로 출력한다. In step 310, the marine facility availability analysis system outputs the data characteristics and labels defined in step 305 from the RAM study model of the previously designed marine facility in the form of a table.
315단계에서 해양 설비 가용도 분석 시스템은 상기 310단계에서 사용한 RAM 스터디 모델들의 데이터 특성의 값을 부분적으로 변화시키면서 시뮬레이션을 반복수행하고, 이때의 데이터 특성과 레이블을 테이블 형태인 가상의 데이터 셋(Data set)을 생성한다. In
320단계에서 해양 설비 가용도 분석 시스템은 상기 310단계와 상기 315단계에서 생성한 데이터 셋(데이터 특성과 레이블)을 취합하여 빅 데이터(Big data)를 생성한다.In step 320, the marine facility availability analysis system generates big data by collecting the data sets (data characteristics and labels) generated in
325단계에서 해양 설비 가용도 분석 시스템은 상기 320단계에서 생성된 빅 데이터를 이용하여 머신 러닝 분석을 수행한다. 구체적으로, 325단계에서 해양 설비 가용도 분석 시스템은 상기 310단계와 상기 315단계에서 생성한 데이터 셋들을 훈련 셋(training set)과 평가 셋(test set)으로 나누고, 상기 훈련 셋에 대해 머신 러닝의 학습 방법 중 하나인 지도 학습(Supervised Learning)을 통해 데이터 특성과 레이블 간의 상관 관계를 분석하고 상관 계수(r)를 정량화한다. 그리고, 해양 설비 가용도 분석 시스템은 상관 계수(r)의 강도가 높은 순서대로 데이터 특성을 정렬하고 강도가 낮은 특성들을 파악하고, 강도가 낮은 데이터 특성을 제외한 후 회귀분석을 수행하여 상관관계를 함수화하여 상관관계에 대한 함수식을 획득한다.In step 325, the marine facility availability analysis system performs machine learning analysis using the big data generated in step 320. Specifically, in step 325, the marine facility availability analysis system divides the data sets generated in
330단계에서 해양 설비 가용도 분석 시스템은 상기 325단계에서 회귀분석을 통해 획득한 함수식을 기반으로, 해양 설비의 데이터 특성을 입력으로 하고, 데이터 레이블을 출력으로 하는 생산 가용도 예측 모델을 생성한다. In step 330, the marine facility availability analysis system generates a production availability prediction model that takes data characteristics of the offshore facility as an input and outputs the data label, based on the functional equation obtained through the regression analysis in step 325.
335단계에서 해양 설비 가용도 분석 시스템은 상기 325단계의 머신 러닝 훈련에서 사용된 데이터 셋과 별개의 데이터 셋인 훈련 셋(test set)을 상기 생성된 생산 가용도 예측 모델에 입력하여 상기 생산 가용도 예측 모델을 검증한다.In step 335, the marine facility availability analysis system predicts the production availability by inputting a training set, which is a data set separate from the data set used in the machine learning training in step 325, into the generated production availability prediction model. Validate the model.
340단계에서 해양 설비 가용도 분석 시스템은 상기 335단계의 검증 결과, 상기 330단계에서 상기 생성된 생산 가용도 예측 모델의 성능이 만족스럽지 않다면, 345단계로 진행하여 상기 325단계에서 수행한 회귀분석의 모델을 변경하거나 제외하였던 데이터 특성의 일부를 포함시켜 생산 가용도 예측 모델을 재생성한다. In step 340, if the verification result of step 335, the performance of the production availability prediction model generated in step 330 is not satisfactory, the process proceeds to step 345 and the regression analysis performed in step 325 is performed. Regenerate the production availability prediction model by including some of the data features that have changed or excluded the model.
반면, 상기 340단계에서 해양 설비 가용도 분석 시스템은 상기 335단계의 검증 결과, 상기 330단계에서 생성된 예측 모델의 성능이 만족스럽다면, 350단계에서 최종 예측 모델로 선정하고, 355단계에서 상기 최종 예측 모델을 신규 해양 설비의 RAM 스터디에 적용하고, 360단계에서 신규 해양 설비의 생산 가용도를 출력한다. On the other hand, in step 340, the marine facility availability analysis system selects the final prediction model in step 350, and the final prediction in step 355, if the performance of the prediction model generated in step 330 is satisfactory as a result of the verification in step 335. The model is applied to the RAM study of the new offshore facility, and the production availability of the new offshore facility is output in step 360.
상기와 같이 설명된 방법은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다. The method described above can be implemented as computer-readable codes on a computer-readable recording medium. Computer-readable recording media include all types of recording media in which data that can be decoded by a computer system are stored. For example, there may be read only memory (ROM), random access memory (RAM), magnetic tape, magnetic disk, flash memory, optical data storage device, and the like. In addition, the computer-readable recording medium may be distributed to a computer system connected through a computer communication network, and stored and executed as codes that can be read in a distributed manner.
또한, 상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.In addition, although the above has been described with reference to a preferred embodiment of the present invention, those of ordinary skill in the relevant technical field can use the present invention within the scope not departing from the spirit and scope of the present invention described in the following claims. It will be appreciated that various modifications and changes can be made.
Claims (5)
상기 생산 가용도 예측을 위한 데이터 특성 및 레이블을 정의하여 데이터 셋을 구성하는 단계;
기존 설계된 해양 설비의 RAM(Reliability, Availability and Maintainability) 연구(Study) 모델로부터 상기 정의된 데이터 특성 및 레이블을 테이블(Table) 형태로 출력하는 단계;
상기 RAM 연구 모델들의 데이터 특성의 값을 부분적으로 변화시키면서 시뮬레이션을 반복수행하고, 상기 반복 수행된 데이터 특성과 레이블을 테이블 형태인 가상의 데이터 셋(Data set)으로 생성하는 단계;
상기 생성된 데이터 셋을 취합하여 빅 데이터(Big data)를 생성하는 단계;
상기 생성된 빅 데이터를 이용하여 머신 러닝 분석을 수행하여 상기 데이터 특성과 상기 레이블 간의 상관 관계를 함수화한 함수식을 획득하는 단계;
상기 획득한 함수식을 이용하여 상기 해양 설비의 데이터 특성을 입력으로 하고, 레이블을 출력으로 하는 생산 가용도 예측 모델을 생성하는 단계;
상기 생성된 생산 가용도 예측 모델을 신규 생산 설비의 RAM 스터디에 적용하여 신규 생산 설비의 생산 가용도를 출력하는 단계를 포함함을 특징으로 하는 해양 설비의 생산 가용도 예측 방법. In the method of predicting the production availability of offshore equipment,
Configuring a data set by defining data characteristics and labels for predicting the production availability;
Outputting the defined data characteristics and labels in the form of a table from a RAM (Reliability, Availability and Maintainability) study model of an existing designed marine facility;
Performing the simulation repeatedly while partially changing the values of the data characteristics of the RAM research models, and generating the repeatedly performed data characteristics and labels as a virtual data set in the form of a table;
Generating big data by collecting the generated data set;
Performing machine learning analysis using the generated big data to obtain a functional expression obtained by functionalizing a correlation between the data characteristic and the label;
Generating a production availability prediction model using the obtained functional equation to input data characteristics of the offshore facility and output a label;
And outputting the production availability of the new production facility by applying the generated production availability prediction model to the RAM study of the new production facility.
상기 데이터 특성은,
생산 공정의 타입(오일/가스), 생산 공정과 연관된 장비의 종류(Compressor/Pump/Exchanger/Vessel/Turbine), 각 장비 타입 별 설치 개수, 각 장비 별 처리 용량 중 적어도 하나의 데이터를 포함함을 특징으로 하는 해양 설비의 생산 가용도 예측 방법.The method of claim 1,
The data characteristics are:
It includes at least one data of the type of production process (oil/gas), the type of equipment related to the production process (Compressor/Pump/Exchanger/Vessel/Turbine), the number of installations for each equipment type, and the processing capacity for each equipment. A method for predicting production availability of offshore facilities, characterized by.
상기 레이블은,
데이터 분석을 위한 데이터로 생산 가용도(단위: %)를 포함함을 특징으로 하는 해양 설비의 생산 가용도 예측 방법.The method of claim 2,
The label is,
A method for predicting production availability of offshore facilities, characterized in that it includes production availability (unit: %) as data for data analysis.
상기 함수식을 획득하는 단계는,
상기 생성한 데이터 셋들을 훈련 셋(training set)과 평가 셋(test set)으로 분리하는 단계;
상기 훈련 셋에 대해 머신 러닝 중 지도 학습(Supervised Learning)을 통해 데이터 특성과 레이블 간의 상관 관계를 분석하고 상관 계수(r)를 정량화하는 단계;
상기 상관 계수(r)의 강도가 높은 순서대로 데이터 특성을 정렬하고 강도가 낮은 특성들을 파악하고, 강도가 낮은 데이터 특성을 제외한 후 회귀분석을 수행하여 상관관계를 함수화하여 상관관계에 대한 함수식을 획득하는 단계를 포함함을 특징으로 하는 해양 설비의 생산 가용도 예측 방법.The method of claim 1,
The step of obtaining the functional expression,
Separating the generated data sets into a training set and a test set;
Analyzing a correlation between a data characteristic and a label through supervised learning during machine learning for the training set, and quantifying a correlation coefficient (r);
Arrange the data characteristics in the order of the high intensity of the correlation coefficient r, identify the characteristics of the low intensity, and perform regression analysis after excluding the data characteristics of the low intensity to functionalize the correlation to obtain a functional equation for the correlation. Method for predicting production availability of offshore equipment, comprising the step of.
상기 생산 가용도 예측 모델을 생성하는 단계는,
상기 훈련 셋(test set)을 상기 생성된 생산 가용도 예측 모델에 입력하여 상기 생산 가용도 예측 모델을 검증하는 단계;
상기 검증 결과, 상기 생성된 생산 가용도 예측 모델의 성능이 만족스럽지 않다면, 상기 회귀분석의 모델을 변경하거나 제외하였던 데이터 특성의 일부를 포함시켜 생산 가용도 예측 모델을 재생성하는 단계를 포함함을 특징으로 하는 해양 설비의 생산 가용도 예측 방법.The method of claim 4,
Generating the production availability prediction model,
Inputting the training set into the generated production availability prediction model to verify the production availability prediction model;
If as a result of the verification, the performance of the generated production availability prediction model is not satisfactory, regenerating the production availability prediction model by including some of the data characteristics that were excluded or changed the model of the regression analysis. A method for predicting the production availability of offshore facilities.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190141880A KR20210055439A (en) | 2019-11-07 | 2019-11-07 | Availability analysis method of offshore facility |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190141880A KR20210055439A (en) | 2019-11-07 | 2019-11-07 | Availability analysis method of offshore facility |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210055439A true KR20210055439A (en) | 2021-05-17 |
Family
ID=76158168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190141880A Withdrawn KR20210055439A (en) | 2019-11-07 | 2019-11-07 | Availability analysis method of offshore facility |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20210055439A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20250035989A (en) | 2023-09-06 | 2025-03-13 | 삼성전자주식회사 | Process line reliability analysis method and system thereof |
-
2019
- 2019-11-07 KR KR1020190141880A patent/KR20210055439A/en not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20250035989A (en) | 2023-09-06 | 2025-03-13 | 삼성전자주식회사 | Process line reliability analysis method and system thereof |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4846923B2 (en) | How to predict the timing of future service events for a product | |
| CN110009171B (en) | User behavior simulation method, device, equipment and computer readable storage medium | |
| JP2012528392A5 (en) | ||
| CN111931334B (en) | Method and system for evaluating operation reliability of cable equipment | |
| US20200265342A1 (en) | Machine learning program verification apparatus and machine learning program verification method | |
| CN116728783B (en) | Simulation method and system based on 3D printer | |
| CN112183990A (en) | Self-adaptive inspection monitoring management platform and method based on big data machine learning | |
| US20150269293A1 (en) | Diagnostic model generating apparatus and method, and abnormality diagnostic apparatus | |
| CN108830417B (en) | ARMA (autoregressive moving average) and regression analysis based life energy consumption prediction method and system | |
| KR20210027590A (en) | multilayer artificial neural network performance evaluation apparatus including multiple sub models and method therefor | |
| Goerdin et al. | Monte Carlo simulation applied to support risk-based decision making in electricity distribution networks | |
| CN107967398A (en) | A kind of product reliability analysis method and device | |
| CN117319223A (en) | Digital twinning technology-based pilot cockpit visualization method and system | |
| CN106874306B (en) | Method for evaluating key performance index of population information portrait comparison system | |
| CN118608162A (en) | A carbon accounting process factor correction system based on LSTM network model | |
| CN113238908A (en) | Server performance test data analysis method and related device | |
| Friederich et al. | A framework for validating data-driven discrete-event simulation models of cyber-physical production systems | |
| KR20210055439A (en) | Availability analysis method of offshore facility | |
| US11585732B2 (en) | Apparatus and method for diagnosing failure of plant | |
| US7793271B2 (en) | Bi-directional product development process simulation | |
| CN115062543A (en) | Method, system, storage medium, and terminal for reliability prediction of hybrid equipment | |
| do Amaral et al. | Attribute selection with filter and wrapper: an application on incident management process | |
| CN107665185A (en) | A kind of customer behavior analysis method and relevant apparatus based on short message service | |
| CN107886232A (en) | The QoS evaluating method and system of customer service | |
| KR102803898B1 (en) | Method and Apparatus for Controlling Building Equipment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20191107 |
|
| PG1501 | Laying open of application | ||
| PC1203 | Withdrawal of no request for examination |