상태기반정비를 위한 실시간 데이터베이스기반의 이상감지 및 진단시스템 구축 및 적용 Implementation and Application of a Real-Time Data-Based, Fault Detection and Diagnosis System for Condition-Based Maintenance원문보기
석유화학, 정유, 가스, 발전 등과 같은 산업의 공정에서의 운전, 설계위치선정, 운전상태 등에선 많은 잠재위험이 존재하며, 이러한 잠재위험에 의해 크고 작은 사고들이 발생하고 있다. 최근까지 유지·보수는 장비에 결함이 발생하는 경우 주로 수행되었으나 일부 고장은 상당한 피해를 주기 때문에 이러한 고장을 방지하기 위해 주기적으로 장비를 유지·보수하게 되었다. 빈번한 사전 유지·보수는 불필요한 작업수행에 따른 비용이 발생하고 너무 늦게 수행하는 사전 유지·보수는 고장에 의한 초과비용이 발생하게 된다. 실제로 대부분 시간기반 정비는 장비의 현재상태에 기반하지 않기 때문에 위의 비용이 아니더라도 돌발적인 기계 고장에 의한 비계획 정비의 빈도를 높이고, 재고부품을 항상 준비해 두어야 한다는 단점도 있다. 이런 문제를 해결하기 위하여 장비의 상태에 기인하여 ...
석유화학, 정유, 가스, 발전 등과 같은 산업의 공정에서의 운전, 설계위치선정, 운전상태 등에선 많은 잠재위험이 존재하며, 이러한 잠재위험에 의해 크고 작은 사고들이 발생하고 있다. 최근까지 유지·보수는 장비에 결함이 발생하는 경우 주로 수행되었으나 일부 고장은 상당한 피해를 주기 때문에 이러한 고장을 방지하기 위해 주기적으로 장비를 유지·보수하게 되었다. 빈번한 사전 유지·보수는 불필요한 작업수행에 따른 비용이 발생하고 너무 늦게 수행하는 사전 유지·보수는 고장에 의한 초과비용이 발생하게 된다. 실제로 대부분 시간기반 정비는 장비의 현재상태에 기반하지 않기 때문에 위의 비용이 아니더라도 돌발적인 기계 고장에 의한 비계획 정비의 빈도를 높이고, 재고부품을 항상 준비해 두어야 한다는 단점도 있다. 이런 문제를 해결하기 위하여 장비의 상태에 기인하여 플랜트의 기계, 정비 및 시스템을 유지·보수하려는 기법들이 도입되어 활용되고 있는데, 그 예로 설비의 위험도에 근거한 위험기반검사, 신뢰도 기반 정비 등이 있다. 그러나 현재까지 적용되고 있는 대부분의 상태기반 정비기법들은 대부분 과거 고장이력을 근거로 고장을 진단하거나 혹은 정비기간을 정하고 있다. 그러나 실제 프로젝트를 진행하다 보면 과거 고장이력을 얻기란 그리 쉬운 일이 아니고, 긴 기간 동안의 운전이력을 보관하고 있는 사업장 또한 많지 않다. 그리고 운전이력이 존재하고 있다고 하더라도 운전원이 특정 시간마다 값을 보고 그 수치를 기입한 log sheet 등으로 존재하고 있어서 이를 정량화하는 것은 쉬운 일이 아니다. 그리고 동일한 설비라고 하더라도 운전이력, 고장이력이 각 설비마다 다를 수 있으므로, 한 설비에 적용한 내용을 동일하게 타 설비에 적용하기 어려운 단점도 있다. 본 연구에서 개발된 시스템은 과거 데이터를 저장하고, 실시간 데이터를 운전원 및 이상감지 및 진단시스템에 보내줄 수 있도록 공장정보시스템을 구축하였다. 공장정보시스템을 통해 얻어진 과거데이터를 중 white noise를 제거하기 위하여 추출된 raw data를 예외처리기법을 1% 적용하여 1차 필터링하고, Swing-door 압축을 2% 적용하여 2차 필터링을 하였다. 그리고 이렇게 필터링된 데이터를 이용하여 이상감지 및 진단시스템에서 상태 매트릭스 모델을 만들었다. 그리고 이렇게 생성된 모델을 검증하기 위해 과거 데이터의 50%만을 모델에 입력한 후, 100% 데이터와 비교하여 모델이 정상적으로 설비의 상태를 잘 예측하는지를 트렌드를 통하여 검증하였다. 그리고 모델이 검증되고 난 후 사용자에게 각 측정지점별로 연간 데이터를 추출하여 최적의 알람임계치를 주는 프로그램을 개발하였으며, 각 5%, 10% 및 20%의 알람 임계치를 적용하여 기존의 적용방법에 비해 제1종 오류와 제2종 오류가 현저히 감소되었음을 확인하였다. 본 시스템의 개발 및 구축으로 운전원이 과거 경험하지 못했던 돌발적인 기계고장에 대해 대비할 수 있을 것이라 생각되고, 또한 기존의 제어시스템에 잘못 설정되어 있던 알람 설정치들도 파악하여 수정할 수 있을 것으로 생각된다. 그리고 설비의 현재 상태를 과거 정상상태와 실시간으로 계속 비교함으로써 최적화된 설비 운전을 할 수 있도록 하고, 설비의 상태에 기반한 유지·보수를 할 수 있을 것으로 기대한다.
석유화학, 정유, 가스, 발전 등과 같은 산업의 공정에서의 운전, 설계위치선정, 운전상태 등에선 많은 잠재위험이 존재하며, 이러한 잠재위험에 의해 크고 작은 사고들이 발생하고 있다. 최근까지 유지·보수는 장비에 결함이 발생하는 경우 주로 수행되었으나 일부 고장은 상당한 피해를 주기 때문에 이러한 고장을 방지하기 위해 주기적으로 장비를 유지·보수하게 되었다. 빈번한 사전 유지·보수는 불필요한 작업수행에 따른 비용이 발생하고 너무 늦게 수행하는 사전 유지·보수는 고장에 의한 초과비용이 발생하게 된다. 실제로 대부분 시간기반 정비는 장비의 현재상태에 기반하지 않기 때문에 위의 비용이 아니더라도 돌발적인 기계 고장에 의한 비계획 정비의 빈도를 높이고, 재고부품을 항상 준비해 두어야 한다는 단점도 있다. 이런 문제를 해결하기 위하여 장비의 상태에 기인하여 플랜트의 기계, 정비 및 시스템을 유지·보수하려는 기법들이 도입되어 활용되고 있는데, 그 예로 설비의 위험도에 근거한 위험기반검사, 신뢰도 기반 정비 등이 있다. 그러나 현재까지 적용되고 있는 대부분의 상태기반 정비기법들은 대부분 과거 고장이력을 근거로 고장을 진단하거나 혹은 정비기간을 정하고 있다. 그러나 실제 프로젝트를 진행하다 보면 과거 고장이력을 얻기란 그리 쉬운 일이 아니고, 긴 기간 동안의 운전이력을 보관하고 있는 사업장 또한 많지 않다. 그리고 운전이력이 존재하고 있다고 하더라도 운전원이 특정 시간마다 값을 보고 그 수치를 기입한 log sheet 등으로 존재하고 있어서 이를 정량화하는 것은 쉬운 일이 아니다. 그리고 동일한 설비라고 하더라도 운전이력, 고장이력이 각 설비마다 다를 수 있으므로, 한 설비에 적용한 내용을 동일하게 타 설비에 적용하기 어려운 단점도 있다. 본 연구에서 개발된 시스템은 과거 데이터를 저장하고, 실시간 데이터를 운전원 및 이상감지 및 진단시스템에 보내줄 수 있도록 공장정보시스템을 구축하였다. 공장정보시스템을 통해 얻어진 과거데이터를 중 white noise를 제거하기 위하여 추출된 raw data를 예외처리기법을 1% 적용하여 1차 필터링하고, Swing-door 압축을 2% 적용하여 2차 필터링을 하였다. 그리고 이렇게 필터링된 데이터를 이용하여 이상감지 및 진단시스템에서 상태 매트릭스 모델을 만들었다. 그리고 이렇게 생성된 모델을 검증하기 위해 과거 데이터의 50%만을 모델에 입력한 후, 100% 데이터와 비교하여 모델이 정상적으로 설비의 상태를 잘 예측하는지를 트렌드를 통하여 검증하였다. 그리고 모델이 검증되고 난 후 사용자에게 각 측정지점별로 연간 데이터를 추출하여 최적의 알람 임계치를 주는 프로그램을 개발하였으며, 각 5%, 10% 및 20%의 알람 임계치를 적용하여 기존의 적용방법에 비해 제1종 오류와 제2종 오류가 현저히 감소되었음을 확인하였다. 본 시스템의 개발 및 구축으로 운전원이 과거 경험하지 못했던 돌발적인 기계고장에 대해 대비할 수 있을 것이라 생각되고, 또한 기존의 제어시스템에 잘못 설정되어 있던 알람 설정치들도 파악하여 수정할 수 있을 것으로 생각된다. 그리고 설비의 현재 상태를 과거 정상상태와 실시간으로 계속 비교함으로써 최적화된 설비 운전을 할 수 있도록 하고, 설비의 상태에 기반한 유지·보수를 할 수 있을 것으로 기대한다.
Because of latent risks, there are diverse accidents in process plants such as chemical/petrochemical, refinery, gas & oil, and power plants. Recently, maintenance and repair has been done only when a failure has occurred to the equipments, but periodic maintenance is unavoidable to prevent equipmen...
Because of latent risks, there are diverse accidents in process plants such as chemical/petrochemical, refinery, gas & oil, and power plants. Recently, maintenance and repair has been done only when a failure has occurred to the equipments, but periodic maintenance is unavoidable to prevent equipment from serious damage since some failures can effect to the whole process catastrophically. Prior maintenance and repair, if done too frequently, can bring needless accomplishment cost, and if too late, can bring excess cost due to equipment damage. In fact, most time-based maintenance does not care about equipment's condition so that there are increase of unplanned repairs due to catastrophic failures, and we always need to keep the spare parts as stock. To solve these problems, new methods of maintenance and repair based on the equipment condition in plants have been adopted and being applied to improve the availability and reliability of process plants: for example, risk-based inspection which is based on equipment's risk and reliability-centered maintenance, etc. Most condition-based maintenance (CBM) methods set the maintenance period based on historical failure records. However, in the implementation of CBM as real projects, it is too hard to get the failure records and there are many plants that does not have historical plant operation data. Even when it is available, it is too hard to quantify the operation data because most of the data is on log sheet that the operator writes down on. There are difference on operation history and failure history for each facility, and the CBM for one equipment cannot be directly applied to the same equipment on other sites. In this study, a realtime plant information system has been developed and implemented to archive the operational data and send the operational information to fault detection and diagnosis system in real-time. The history data to build a similarity based-model were filtered to remove white noise: 1% excection test and 2％ swing-door compression to gathered history data for each sensor. A normal-state matrix for fault detection and diagnosis system from these filtered data was obtained. 100% history data trend was compared against the trend from the model based on 50% history data to verify the obtained model. After the verification of the model, a software program was developed that provides the optimized threshold from historical data. The alarm threshold was set for each point to 5%, 10% and 20% of the average value to compare with the default alarm threshold. It was found that the alarm threshold given by the suggested method could reduce the type I and type II errors. The implementation of the proposed system is expected to reduce catastrophic failures that the operator does not have experience and help correct the alarm values that set by the control system. And it is also expected that the operator can operate the equipment with ideal condition by monitoring the real-time data with the data from model estimated by history data and improved maintenance and repair based on equipment's condition.
Because of latent risks, there are diverse accidents in process plants such as chemical/petrochemical, refinery, gas & oil, and power plants. Recently, maintenance and repair has been done only when a failure has occurred to the equipments, but periodic maintenance is unavoidable to prevent equipment from serious damage since some failures can effect to the whole process catastrophically. Prior maintenance and repair, if done too frequently, can bring needless accomplishment cost, and if too late, can bring excess cost due to equipment damage. In fact, most time-based maintenance does not care about equipment's condition so that there are increase of unplanned repairs due to catastrophic failures, and we always need to keep the spare parts as stock. To solve these problems, new methods of maintenance and repair based on the equipment condition in plants have been adopted and being applied to improve the availability and reliability of process plants: for example, risk-based inspection which is based on equipment's risk and reliability-centered maintenance, etc. Most condition-based maintenance (CBM) methods set the maintenance period based on historical failure records. However, in the implementation of CBM as real projects, it is too hard to get the failure records and there are many plants that does not have historical plant operation data. Even when it is available, it is too hard to quantify the operation data because most of the data is on log sheet that the operator writes down on. There are difference on operation history and failure history for each facility, and the CBM for one equipment cannot be directly applied to the same equipment on other sites. In this study, a realtime plant information system has been developed and implemented to archive the operational data and send the operational information to fault detection and diagnosis system in real-time. The history data to build a similarity based-model were filtered to remove white noise: 1% excection test and 2％ swing-door compression to gathered history data for each sensor. A normal-state matrix for fault detection and diagnosis system from these filtered data was obtained. 100% history data trend was compared against the trend from the model based on 50% history data to verify the obtained model. After the verification of the model, a software program was developed that provides the optimized threshold from historical data. The alarm threshold was set for each point to 5%, 10% and 20% of the average value to compare with the default alarm threshold. It was found that the alarm threshold given by the suggested method could reduce the type I and type II errors. The implementation of the proposed system is expected to reduce catastrophic failures that the operator does not have experience and help correct the alarm values that set by the control system. And it is also expected that the operator can operate the equipment with ideal condition by monitoring the real-time data with the data from model estimated by history data and improved maintenance and repair based on equipment's condition.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.