Nothing Special   »   [go: up one dir, main page]

KR20220097252A - 스마트 플랜트에 관한 머신러닝 기반 설비 관리 방법 및 시스템 - Google Patents

스마트 플랜트에 관한 머신러닝 기반 설비 관리 방법 및 시스템 Download PDF

Info

Publication number
KR20220097252A
KR20220097252A KR1020210182358A KR20210182358A KR20220097252A KR 20220097252 A KR20220097252 A KR 20220097252A KR 1020210182358 A KR1020210182358 A KR 1020210182358A KR 20210182358 A KR20210182358 A KR 20210182358A KR 20220097252 A KR20220097252 A KR 20220097252A
Authority
KR
South Korea
Prior art keywords
group
pipe
data
facility management
parameter information
Prior art date
Application number
KR1020210182358A
Other languages
English (en)
Inventor
임동연
Original Assignee
주식회사 세이프티아
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 주식회사 세이프티아 filed Critical 주식회사 세이프티아
Publication of KR20220097252A publication Critical patent/KR20220097252A/ko

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
    • 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]
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명의 일 실시예에 따르는, 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템에 의해 수행되는 설비 관리 방법은 (a) 플랜트에 사용되는 복수의 배관 별 주요 파라미터 정보를 수집하는 단계; (b) 수집된 주요 파라미터 정보를 기초로 군집화 알고리즘을 통해 복수의 배관을 제1 집단 내지 제N 집단으로 군집화하는 단계; 및 (c) 각 집단 별 기저장된 배관의 두께 측정 검사결과 또는 이상현상 발생에 의한 업무빈도에 따른 이력 정보에 기초하여 각 집단 별 검사주기를 자동 설정하는 단계를 포함한다.

Description

스마트 플랜트에 관한 머신러닝 기반 설비 관리 방법 및 시스템{METHOD AND SYSTEM FOR MANAGING EQUIPMENT OF SMART PLANT USING MACHINE-LEARNING}
본 발명은 스마트 플랜트에 관한 머신러닝 기반 설비 관리 방법 및 시스템에 관한 것이다.
스마트 플랜트는 사물인터넷(IoT), 인공지능(AI), 로봇 및 빅데이터 분석 등 첨단기술이 융합된 지능화된 공장을 의미한다.
일반적으로 설비를 도입하면 가동하기 전에 중요도 평가를 수행하도록 되어 있다. 중요도 평가를 수행하면 등급이 나오고 보통 A, B, C, D 4단계로 구분되는 것이 일반적이다.
여기서 A가 중요도가 높은 설비 등급 D가 가장 중요도가 낮은 등급으로 중요도가 높을수록 높은수준의 관리가 요구된다.
즉 등급에 따른 관리전략을 수립하고 등급으로 구분된 설비는 이에 따라 관리 되야 한다.
위의 등급을 구분하는데 일반적으로 체크리스트 방법을 사용하며 일반적으로 체크리스트는 설비의 수준을 세부적으로 구분하는 데는 한계가 있다.
그에 따라, 체크리스트 방법 외에 설비의 수준을 세부적으로 구분하기 위한 다양한 솔루션이 연구되고 있다.
대한민국등록특허 제10-1411370호(발명의 명칭: 해양플랜트 유지보수 관리주기 검증 시스템 및 방법)
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 군집화 알고리즘을 이용하여, 배관 데이터에 기반한 군집화된 설비 집단 별 검사주기를 자동 설정하는 설비 관리 시스템 및 방법을 제공하는 것을 목적으로 한다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예에 따르는, 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템에 의해 수행되는 설비 관리 방법은 (a) 플랜트에 사용되는 복수의 배관 별 주요 파라미터 정보를 수집하는 단계; (b) 수집된 주요 파라미터 정보를 기초로 군집화 알고리즘을 통해 복수의 배관을 제1 집단 내지 제N 집단으로 군집화하는 단계; 및 (c) 각 집단 별 기저장된 배관의 두께 측정 검사결과 또는 이상현상 발생에 의한 업무빈도에 따른 이력 정보에 기초하여 각 집단 별 검사주기를 자동 설정하는 단계를 포함한다.
본 발명의 다른 실시예에 따르는, 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템은 각 배관의 노후화에 따른 집단 별 검사주기를 검출하는 설비 관리 방법을 제공하는 프로그램이 저장된 메모리; 및 메모리에 저장된 프로그램을 실행하는 프로세서를 포함하고, 프로세서는 프로그램의 실행에 따라, 플랜트에 사용되는 복수의 배관 별 주요 파라미터 정보를 수집하고, 수집된 주요 파라미터 정보를 기초로 군집화 알고리즘을 통해 복수의 배관을 제1 집단 내지 제N 집단으로 군집화하고, 각 집단 별 기저장된 배관의 두께 측정 검사결과 또는 이상현상 발생에 의한 업무빈도에 따른 이력 정보에 기초하여 각 집단 별 검사주기를 자동 설정한다.
본 발명은 빅데이터와 머신러닝 기술을 기반으로 실제 설비를 가동하면서 발생된 고장, 파손 이력 정보 및 설비 사양(Spec)정보를 활용한 군집화 알고리즘(비지도 학습)을 적용하여 각각의 설비들이 그룹화 되도록 할 수 있다.
또한 기존의 체크리스트 등급 방법에 의한 플랜트 설비 검사업무를 대체하여 플랜트 설비에 대한 실제 배관 데이터를 기반한 설비 검사업무로 전환할 수 있어, 불필요한 업무를 최소화하고, 적절한 시점에 설비 검사업무를 수행할 수 있다.
도 1은 본 발명의 일 실시예에 따른 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템의 구성을 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템의 개념도이다.
도 3은 본 발명의 일 실시예에 따른 주요 파라미터 정보를 설명하기 위한 데이터베이스를 도시한 구성도이다.
도 4는 본 발명의 일 실시예에 따른 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템의 설비 관리 방법을 설명하기 위한 순서도이다.
도 5는 본 발명의 일 실시예에 따른 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템의 각 집단 별 검사주기를 산출하는 방법을 설명하기 위한 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
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 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템의 구성을 도시한 블록도이다.
도시된 바와 같이, 설비 관리 시스템(100)은 통신 모듈(110), 메모리(120), 프로세서(130)및 데이터베이스(140)을 포함할 수 있다. 설비 관리 시스템(100)은 컴퓨팅 장치를 기본으로 구성되며, 도시되어 있지 않은, 전원부, 각종 입력 장치 및 출력 장치 등을 더 포함한다.
통신모듈(110)은 외부의 컴퓨팅 장치와 배관 데이터나, 이와 매칭되는 것으로서 배관에 대한 온도, 압력, 재질, 두께, 유체, 보온재 유무, 잔여 수명, RBI 등급 및 운전시간 등이 포함된 정보에 대한 데이터를 송수신할 수 있다. 통신모듈(110)은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
메모리(120)에는 각 배관의 노후화에 따른 집단 별 검사주기를 검출하는 설비 관리 방법을 제공하는 프로그램(이하, 프로그램)이 저장된다.
이러한 메모리(120)에는 설비 관리 시스템(100)의 구동을 위한 운영 체제나 누락 데이터 예측 프로그램의 실행 과정에서 발생되는 여러 종류의 데이터가 저장된다.
이때, 메모리(120)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 및 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치를 통칭하는 것이다.
또한, 메모리(120)는 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 여기서, 메모리(120)는 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치 외에 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
프로세서(130)는 메모리(120)에 저장된 프로그램을 실행하되, 프로그램의 실행에 따르는 전체 과정을 제어한다. 프로세서(130)가 수행하는 각각의 동작에 대해서는 추후 보다 상세히 살펴보기로 한다.
이러한 프로세서(130)는 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
데이터베이스(140)는 프로세서(130)의 제어에 따라, 설비 관리 시스템에 필요한 데이터를 저장 또는 제공한다. 이러한 데이터베이스(140)는 메모리(120)와는 별도의 구성 요소로서 포함되거나, 또는 메모리(120)의 일부 영역에 구축될 수도 있다. 데이터베이스(140)가 저장 또는 제공하는 각 데이터에 대해서는 추후 보다 상세히 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템(100)의 개념도이다.
도 2를 참조하면 프로세서(130)는 플랜트에 사용되는 복수의 배관(10) 별 주요 파라미터 정보를 수집하고(S21), 수집된 주요 파라미터 정보를 기초로 군집화 알고리즘을 통해 복수의 배관을 제1 집단 내지 제N 집단으로 군집화하고(S22), 각 집단 별 기저장된 배관의 두께 측정 검사결과 또는 이상현상 발생에 의한 업무빈도에 따른 이력 정보에 기초하여 각 집단 별 검사주기를 자동 설정한다(S23).
따라서, 기존의 체크리스트 등급 방법에 의한 불필요한 업무를 최소화하고, 플랜트 설비로부터 수집된 실제 배관 데이터를 기반하여 각 집단 별 산출된 검사주기로 인해 적절한 시점에 검사업무를 수행할 수 있다.
도 3은 본 발명의 일 실시예에 따른 주요 파라미터 정보를 설명하기 위한 데이터베이스를 도시한 구성도이다.
도 3을 참조하면, 데이터베이스(140)는 배관 데이터베이스(141) 및 업무이력 데이터베이스(142)를 포함하며, 플랜트 설비 관리 시스템의 가동에 따라 주요 파라미터 정보가 서로 구분되어 저장될 수 있다.
예시적으로, 주요 파라미터 정보는 배관에 대한 온도, 압력, 재질, 두께, 유체, 보온재 유무, 잔여 수명, RBI 등급 및 운전시간을 측정하기 위한 목적에 따라 배관에 설치된 다양한 종류의 센서로부터 측정되는 배관 데이터를 포함한다. 예를 들어, 각 배관(10)에 부착된 센서를 통해, 배관의 모니터링 데이터가 설비 가동 시에 지속적으로 측정될 수 있다. 한편, 재질, 보온재 유무 등 미리 정해진 배관의 스펙 데이터는 설비 가동 전에 수집될 수 있다. 즉, 주요 파라미터 정보는 각 배관의 스펙 데이터 및 각 배관의 모니터링 데이터로 구성된 배관 데이터를 포함하며, 배관 데이터는 후술하는 각 카테고리에 매칭된다.
이처럼, 배관 데이터는 온도, 압력, 재질, 두께, 유체, 보온재 유무, 잔여수명, RBI등급 및 운전시간 등을 포함하는 카테고리 별로 구분된다. 도 3에 도시된 것처럼, 배관 데이터는 각 배관(Pipe 1, Pipe 2, …) 별로 배관 데이터베이스(141)에 누적적으로 저장될 수 있으며, 각 카테고리와 매칭될 수 있다. 또한, 배관 데이터베이스(141)에는 각 배관의 노후화에 따른 배관의 생성 및 폐기 이력 데이터가 주기적으로 업데이트될 수 있다.
예시적으로 업무이력 데이터베이스(142)는 플랜트 설비의 각 집단 별 검사주기 및 설비 운영 중에 발생하는 각 배관(10)의 이상 현상에 따른 업무이력이 저장될 수 있다. 예를 들어, 도3에 도시된 것처럼, A집단(A Pipe)에 군집화된 복수의 배관(A Pipe 1 ~A Pipe 101) 중에서 제1배관(A Pipe 1)의 이상현상으로 인한 보수 및 교체 업무가 발생하면 제1배관(A Pipe 1)에 발생된 업무의 빈도가 업무이력 데이터베이스(142)에 저장될 수 있다.
다시 도 2를 참조하면, 프로세서(130)는 배관 데이터베이스(141)에 배관의 생성 및 폐기 이력 데이터가 입력된 경우, 각 집단 별 검사주기를 재설정하도록 S21 ~ S23 단계를 반복 수행할 수 있다.
또한 프로세서(130)는 S21단계에서, 주요 파라미터 정보에 대한 데이터 전처리 과정을 수행할 수 있다. 이때 주요 파라미터 정보는 배관 데이터 별 카테고리를 포함하는 비연속형 데이터 및 정규화 데이터를 포함한다. 예를 들면, 프로세서(130)는 데이터 정규화 과정에서 연속형 입력의 모든 배관 데이터가 양수인 경우, 최소값을 0.0, 최대값을 1.0으로 정규화하고, 음수가 있는 경우, 최소값을 -1.0, 최대값을 1.0으로 정규화한다.
비연속형 데이터의 경우, 카테고리의 개수에 기초한 점수를 정규화하여 주요 파라미터 정보에 대한 데이터 전처리할 수 있다. 예를 들어, 비연속형 입력 데이터는 카테고리를 가지는 배관 데이터를 의미한다. 프로세서(130)는 비연속형 입력에 대한 데이터 처리 과정에서 카테고리의 개수에 따라 (N-1)/(N-1)식에 의해, 점수를 부여할 수 있다. 일 예로, 두개의 카테고리를 가지는 입력의 경우, 카테고리1은 0.0, 카테고리2는 1.0의 점수를 부여한다. 다른 예로, N개의 카테고리를 가지는 입력의 경우, 카테고리1은 0.0, 카테고리2는 1/(N-1), 카테고리3은 2/(N-1), 카테고리N-1은(N-2)/(N-1), 카테고리N은 1.0의 점수를 부여한다.
구체적으로, 도 2를 참조하면 프로세서(130)는 S22단계에서 개선된 K-평균 군집화 (K-means ++ Clustering) 알고리즘을 이용하여 주요 파라미터 정보 내 복수의 배관 데이터에 대한 N개의 중심점을 지정하고, 중심점을 기준으로 배관 데이터를 복수의 집단으로 군집화하고, 각 집단 별로 군집화된 배관 데이터의 중앙값을 산출하고, 각 집단의 중심점을 중앙값으로 이동시켜 제1 집단 내지 제N 집단으로 군집화할 수 있다.
예를 들어, 프로세서(130)는 K-means ++ 알고리즘을 이용하여 중심점을 선정하는 단계에서 입력된 배관 데이터 중 무작위로 1개를 선택하여 첫번째 중심점으로 지정하고, 첫번째 중심점으로부터 가장 거리가 먼 데이터를 두번째 중심점으로 지정하고, 기존에 지정된 중심점(첫번째, 두번째, N번째)들로부터 가장 거리가 먼 데이터를 다음 중심점으로 지정할 수 있다.
이어서, 프로세서(130)는 중심점을 기준으로 군집하는 단계에서 각 배관 데이터들이 첫번째 중심점 ~ N번째 중심점 중 어느 중심점에 가장 거리가 가까운지를 판별하고, 가장 가까운 중심점을 기준으로 복수의 집단을 군집할 수 있다.
다음으로, 프로세서(130)는 중심점을 이동시키는 단계에서 각 집단으로 군집된 배관 데이터들의 중앙값을 산출하고, 중앙값을 각 집단의 새로운 중심점으로 선정하여, 제1집단 내지 제N집답으로 배관 데이터들을 군집화할 수 있다.
이후, 각 집단들의 중심점이 이동하지 않을 때까지 중심점을 기준으로 군집하는 단계와 중심점을 이동시키는 단계를 반복수행할 수 있다.
도5를 참조하면, 프로세서(130)는 S23단계에서 각 배관(10) 별 소정의 시간 간격으로 적어도 2회 측정한 두께 측정 검사결과를 기초로 두께 감육률을 분석하고, 각 집단 별 두께 감육률의 평균값을 산출한다(S131).
한편, 배관은 부식이나 침식에 의해 두께감육이 지속적으로 발생하고 최소요구두께에 도달하기 전에 교체해주어야 한다. 즉, 두께측정 값이 배관 교체에 대한 중요한 판단 근거가 된다.
구체적으로, 프로세서(130)는 동일한 배관에 2번의 두께 측정 검사가 수행된 경우, 수식1에 의해, 두꼐 감육률을 산출할 수 있다.
<수식1>
Figure pat00001
이때, Rate : 감육률, t2 : 2번째 측정두께, t1 : 1번째 측정두께, Δtime : 측정기간(년)을 의미한다. 만약, 측정횟수가 3회 이상인 경우 가능한 조합으로 두께 감육률을 모두 구하고, 가장 큰 값을 감육률로 선정(보수적 기준 적용) 할 수 있다.
이후, 프로세서(130)는 각 집단 별 감육률 평균을 산출하고, 집단별 평균값 순위를 매긴다.
또한 프로세서(130)는 각 배관(10)의 이상현상으로 인한 보수 및 교체 업무의 빈도를 분석하고, 각 집단별 업무의 빈도수를 산출할 수 있다(S132).
예를 들어, 이상현상 발생에 따른 업무빈도는 수식2에 의해 산출할 수 있다.
<수식2>
Figure pat00002
여기서, ni : 집단내 i번째 배관의 이상현상으로 인한 보수/교체 업무 횟수, Δtimei : 집단내 i번째 배관의 가동시점으로부터 현재까지의 기간(년), N : 집단내 배관의 개수를 의미한다.
한편, 신생배관을 빈도 산출에 포함시킬 경우 빈도값이 너무 낮아져버릴 수 있으므로, 상황에 따라 일정기간이 지난 배관들에 대해서만 빈도를 산출할 수 있다.
이후, 프로세서(130)는 집단 별 업무빈도의 순위를 매긴다.
프로세서(130)는 두께 감육률의 평균값 또는 업무의 빈도수가 임계값을 초과하는지 여부를 판단하여, 제1 검사주기를 설정할 수 있다(S133).
이때, 프로세서(130)는 두께 감육률의 평균값 또는 업무의 빈도수가 임계값 초과인 경우, 제1 검사주기를 이전 검사주기보다 짧게 설정하고, 두께 감육률의 평균값 또는 업무의 빈도수가 임계값이 이내인 경우, 제1 검사주기를 이전 검사주기 보다 길게 설정할 수 있다.
마지막으로, 프로세서(130)는 집단 별 검사 주기를 재 설정하도록 S131~S133 단계를 주기적으로 반복수행하여 제1 검사주기를 업데이트한다(S134).
따라서 실제 설비를 가동하면서 발생된 배관의 고장 및 파손 업무 이력 정보 및 설비의 사양(Spec)정보를 활용한 군집화 알고리즘(비지도 학습)을 적용하여 플랜트 설비(복수의 배관)가 각 집단의 특성 별로 그룹화되고, 실제 배관 데이터 기반으로 산정된 검사주기에 따라 설비 검사업무를 적용할 수 있어, 기존 체크리스트 방법에 의한 불필요한 검사 업무를 대체할 수 있다.
상술한 도 1 내지 도3에 도시된 구성 중 동일한 기능을 수행하는 구성의 경우 설명을 생략하기로 한다.
도 4는 본 발명의 일 실시예에 따른 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템의 설비 관리 방법을 설명하기 위한 순서도이다.
도 4를 참조하면, 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템에 의해 수행되는 설비 관리 방법은 플랜트에 사용되는 복수의 배관(10) 별 주요 파라미터 정보를 수집하는 단계(S110), 수집된 주요 파라미터 정보를 기초로 군집화 알고리즘을 통해 복수의 배관을 제1 집단 내지 제N 집단으로 군집화하는 단계(S120) 및 각 집단 별 기저장된 배관(10)의 두께 측정 검사결과 또는 이상현상 발생에 의한 업무이력의 빈도에 따른 관리 정보에 기초하여 각 집단 별 검사주기를 자동 설정하는 단계(S130)를 포함한다.
S110단계에서, 주요 파라미터 정보는 각 배관의 스펙 데이터 및 각 배관의 모니터링 데이터를 포함한다. 각 배관(10) 별로 주요 파라미터 정보를 매칭하여 배관 데이터베이스(141)에 저장하는 단계 및 각 배관의 노후화에 따른 배관의 생성 및 폐기 이력 데이터를 배관 데이터베이스(141)에 주기적으로 업데이트하는 단계를 포함한다.
또한 본 발명은 배관 데이터베이스(141)에 배관의 이력 데이터가 입력된 경우, 각 집단 별 검사주기를 재설정하도록 S110~S130단계를 반복 수행할 수 있다.
S110단계에서 주요 파라미터 정보는 배관 데이터 별 카테고리를 포함하는 비연속형 데이터 및 정규화 데이터를 포함하는 것이고, 비연속형 데이터의 경우, 카테고리의 개수에 기초한 점수를 정규화하여 주요 파라미터 정보에 대한 데이터 전처리를 할 수 있다.
S120단계는 개선된 K-평균 군집화 (K-means ++ Clustering) 알고리즘을 이용하여 주요 파라미터 정보 내 복수의 배관 데이터에 대한 N개의 중심점을 지정하고, 중심점을 기준으로 배관 데이터를 복수의 집단으로 군집화하고, 각 집단 별로 군집화된 배관 데이터의 중앙값을 산출하고, 각 집단의 중심점을 중앙값으로 이동시켜 상기제1 집단 내지 제N 집단으로 군집화한다.
도 5는 본 발명의 일 실시예에 따른 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템의 각 집단 별 검사주기를 산출하는 방법을 설명하기 위한 순서도이다.
도 5를 참조하면, 각 집단 별 검사주기를 자동 설정하는 단계(S130)는 각 배관(10) 별 소정의 시간 간격으로 적어도 2회 측정한 두께 측정 검사결과를 기초로 두께 감육률을 분석하고, 각 집단 별 두께 감육률의 평균값을 산출하는 단계(S131), 각 배관(10)의 이상현상으로 인한 보수 및 교체 업무의 빈도를 분석하고, 각 집단별 업무의 빈도수를 산출하는 단계(S132), 두께 감육률의 평균값 또는 업무의 빈도수가 임계값을 초과하는지 여부를 판단하여, 제1 검사주기를 설정하는 단계(S133), S131~S133 단계를 주기적으로 반복수행하여 제1 검사주기를 업데이트하는 단계(S134)를 포함한다.
S133단계는 두께 감육률의 평균값 또는 업무의 빈도수가 임계값 초과인 경우, 제1 검사주기를 이전 검사주기보다 짧게 설정하고, 두께 감육률의 평균값 또는 업무의 빈도수가 임계값이 이내인 경우, 제1 검사주기를 이전 검사주기 보다 길게 설정할 수 있다. 예를 들어, 제1검사주기에 따라 플랜트 설비 검사를 실시하고, 플랜트 운영 중 발생한 배관의 이상현상에 따른 업무이력은 업무이력 데이터베이스(142)에 저장될 수 있다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
100: 설비 관리 시스템
110: 통신 모듈
120: 메모리
130: 프로세서
140: 데이터베이스

Claims (9)

  1. 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템에 의해 수행되는 설비 관리 방법에 있어서,
    (a) 플랜트에 사용되는 복수의 배관 별 주요 파라미터 정보를 수집하는 단계;
    (b) 상기 수집된 주요 파라미터 정보를 기초로 군집화 알고리즘을 통해 상기 복수의 배관을 제1 집단 내지 제N 집단으로 군집화하는 단계; 및
    (c) 각 집단 별 기저장된 배관의 두께 측정 검사결과 또는 이상현상 발생에 의한 업무빈도에 따른 이력 정보에 기초하여 상기 각 집단 별 검사주기를 자동 설정하는 단계를 포함하는, 설비 관리 방법.
  2. 제1항에 있어서,
    상기 (a) 단계에서
    상기 주요 파라미터 정보는 각 배관의 스펙 데이터 및 각 배관의 모니터링 데이터를 포함하며, 상기 각 배관 별로 상기 주요 파라미터 정보를 매칭하여 배관 데이터베이스에 저장하는 단계; 및
    상기 각 배관의 노후화에 따른 배관의 생성 및 폐기 이력 데이터를 상기 배관 데이터베이스에 주기적으로 업데이트하는 단계를 포함하는 것인, 설비 관리 방법.
  3. 제2항에 있어서,
    (d) 상기 배관 데이터베이스에 상기 배관의 이력 데이터가 입력된 경우, 상기 각 집단 별 검사주기를 재설정하도록 상기 (a)~(c) 단계를 반복 수행하는 단계를 더 포함하는 것인, 설비 관리 방법.
  4. 제1항에 있어서,
    상기 (a) 단계에서
    상기 주요 파라미터 정보는 배관 데이터 별 카테고리를 포함하는 비연속형 데이터 및 정규화 데이터를 포함하는 것이고,
    상기 비연속형 데이터의 경우, 상기 카테고리의 개수에 기초한 점수를 정규화하여 상기 주요 파라미터 정보에 대한 데이터 전처리를 하는 것인, 설비 관리 방법.
  5. 제1항에 있어서,
    상기 (b) 단계는
    개선된 K-평균 군집화 (K-means ++ Clustering) 알고리즘을 이용하여 상기 주요 파라미터 정보 내 복수의 배관 데이터에 대한 N개의 중심점을 지정하고, 상기 중심점을 기준으로 상기 배관 데이터를 복수의 집단으로 군집화하고, 각 집단 별로 군집화된 배관 데이터의 중앙값을 산출하고, 상기 각 집단의 중심점을 상기 중앙값으로 이동시켜 상기제1 집단 내지 제N 집단으로 군집화 하는 것인, 설비 관리 방법.
  6. 제1항에 있어서,
    상기 (c) 단계는
    (c-1) 상기 각 배관 별 소정의 시간 간격으로 적어도 2회 측정한 두께 측정 검사결과를 기초로 두께 감육률을 분석하고, 상기 각 집단 별 두께 감육률의 평균값을 산출하는 단계;
    (c-2) 상기 각 배관의 이상현상으로 인한 보수 및 교체 업무의 빈도를 분석하고, 상기 각 집단별 업무의 빈도수를 산출하는 단계;
    (c-3) 상기 두께 감육률의 평균값 또는 상기 업무의 빈도수가 임계값을 초과하는지 여부를 판단하여, 제1 검사주기를 설정하는 단계;
    (c-4) 상기 (c-1)~(c-3) 단계를 주기적으로 반복수행하여 상기 제1 검사주기를 업데이트하는 단계를 포함하는 것인, 설비 관리 방법.
  7. 제1항에 있어서,
    상기 (c-3) 단계는
    상기 두께 감육률의 평균값 또는 상기 업무의 빈도수가 상기 임계값 초과인 경우, 상기 제1 검사주기를 이전 검사주기보다 짧게 설정하고,
    상기 두께 감육률의 평균값 또는 상기 업무의 빈도수가 상기 임계값이 이내인 경우, 상기 제1 검사주기를 이전 검사주기 보다 길게 설정하는 것인, 설비 관리 방법.
  8. 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템에 있어서,
    각 배관의 노후화에 따른 집단 별 검사주기를 검출하는 설비 관리 방법을 제공하는 프로그램이 저장된 메모리; 및
    상기 메모리에 저장된 프로그램을 실행하는 프로세서를 포함하고,
    상기 프로세서는 상기 프로그램의 실행에 따라,
    플랜트에 사용되는 복수의 배관 별 주요 파라미터 정보를 수집하고, 상기 수집된 주요 파라미터 정보를 기초로 군집화 알고리즘을 통해 상기 복수의 배관을 제1 집단 내지 제N 집단으로 군집화하고, 각 집단 별 기저장된 배관의 두께 측정 검사결과 또는 이상현상 발생에 의한 업무빈도에 따른 이력 정보에 기초하여 상기 각 집단 별 검사주기를 자동 설정하는, 설비 관리 시스템.
  9. 제1항 내지 제7항 중 어느 한 항에 따른 스마트 플랜트에 관한 머신러닝 기반 설비 관리 시스템의 설비 관리 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 비일시적 컴퓨터 판독가능 기록매체.
KR1020210182358A 2020-12-30 2021-12-20 스마트 플랜트에 관한 머신러닝 기반 설비 관리 방법 및 시스템 KR20220097252A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200187276 2020-12-30
KR20200187276 2020-12-30

Publications (1)

Publication Number Publication Date
KR20220097252A true KR20220097252A (ko) 2022-07-07

Family

ID=82397603

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210182358A KR20220097252A (ko) 2020-12-30 2021-12-20 스마트 플랜트에 관한 머신러닝 기반 설비 관리 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR20220097252A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240004165A (ko) 2023-12-22 2024-01-11 주식회사 상수 폐기물 고형원료 보일러 청소방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101411370B1 (ko) 2014-03-26 2014-06-27 주식회사 이메인텍 해양플랜트 유지보수 관리주기 검증 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101411370B1 (ko) 2014-03-26 2014-06-27 주식회사 이메인텍 해양플랜트 유지보수 관리주기 검증 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240004165A (ko) 2023-12-22 2024-01-11 주식회사 상수 폐기물 고형원료 보일러 청소방법

Similar Documents

Publication Publication Date Title
US12032353B2 (en) Examining apparatus, examining method and recording medium
KR101713985B1 (ko) 예지 정비 방법 및 장치
WO2018071005A1 (en) Deep long short term memory network for estimation of remaining useful life of the components
CN112487356B (zh) 一种结构健康监测数据增强方法
CN112257745B (zh) 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置
JP6856122B2 (ja) 学習システム、分析システム、学習方法及び記憶媒体
CN117474357B (zh) 基于深度学习的配电房运维管理方法及系统
Mathew et al. Regression kernel for prognostics with support vector machines
CN113708493A (zh) 基于云边协同的配电终端运维方法、装置和计算机设备
CN117664218B (zh) 一种真空冷冻干燥机的校准方法
CN117331790A (zh) 一种用于数据中心的机房故障检测方法及装置
Calabrese et al. An event based machine learning framework for predictive maintenance in industry 4.0
KR20220097252A (ko) 스마트 플랜트에 관한 머신러닝 기반 설비 관리 방법 및 시스템
CN116293454A (zh) 一种基于蒸汽管网动态平衡的管理系统、方法及介质
CN111080484A (zh) 一种配电网异常数据监测方法及装置
CN118260120B (zh) 电能表内存监测方法、装置、设备及存储介质
CN118408583B (zh) 一种编码器故障诊断方法及系统
CN114462820A (zh) 一种轴承状态监测与健康管理系统性能测试及优化方法和系统
CN117313019B (zh) 一种基于深度强化学习的数据异常检测方法
CN118445731A (zh) 变压器的故障确定方法、装置和变压器故障检测系统
Sridevi et al. Predictive Maintenance of Lead-Acid Batteries Using Machine Learning Algorithms
CN111614504A (zh) 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统
Aggarwal et al. Automation of water distribution system by prediction of water consumption and leakage detection using machine learning and IoT
Trstenjak et al. A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model.
JP2022191680A (ja) データ選択支援装置及びデータ選択支援方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal