초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

계측 센서와 데이터베이스 그리고 프로세스 자동화 기술이 급속도로 진보하고 있다. 이러한 혁신적인 기술들이 발전함에 따라 수요 및 공급량을 충족시키기 위해서 화학, 발전, 석유 및 제조산업들은 공정의 규모를 확장하거나 통합하는 추세이다. 하지만 공정의 확장 및 통합은 시스템의 복잡성, 유지보수 비용의 증가 및 비계획정지와 같은 잠재적인 경제적 손실을 유발한다. 그러므로 많은 산업공정들은 설비들의 안전과 예상하지 못한 시스템 종료를 방지하기 위한 고장 탐지 방법에 관심을 기울이고 있다. 과거에 비해 현재는 분산 제어 시스템을 통해 많은 양의 데이터를 데이터베이스에 저장할 수 있게 되면서, 수집된 막대한 데이터 셋으로부터 프로세스의 현재 상태에 대한 유용한 정보를 추출 및 분석하는 통계 기법들이 다양한 분야에서 활발히 연구되고 있다. 그러나 일반적인 통계 ...

계측 센서와 데이터베이스 그리고 프로세스 자동화 기술이 급속도로 진보하고 있다. 이러한 혁신적인 기술들이 발전함에 따라 수요 및 공급량을 충족시키기 위해서 화학, 발전, 석유 및 제조산업들은 공정의 규모를 확장하거나 통합하는 추세이다. 하지만 공정의 확장 및 통합은 시스템의 복잡성, 유지보수 비용의 증가 및 비계획정지와 같은 잠재적인 경제적 손실을 유발한다. 그러므로 많은 산업공정들은 설비들의 안전과 예상하지 못한 시스템 종료를 방지하기 위한 고장 탐지 방법에 관심을 기울이고 있다. 과거에 비해 현재는 분산 제어 시스템을 통해 많은 양의 데이터를 데이터베이스에 저장할 수 있게 되면서, 수집된 막대한 데이터 셋으로부터 프로세스의 현재 상태에 대한 유용한 정보를 추출 및 분석하는 통계 기법들이 다양한 분야에서 활발히 연구되고 있다. 그러나 일반적인 통계 모니터링 방법은 히스토그램 또는 데이터의 분포와 같은 일부 가정에 의존하므로 데이터가 혼합되어 있거나 다중모드 프로세스에서는 적합하지 않을 뿐만 아니라 프로세스의 특성을 만족시키기 어렵기 때문에 고장탐지의 성능이 감소할 수 있다. 따라서 본 연구에서는 데이터 기반 방법인 Auto-associative Kernel Regression (AAKR)과 밀도 기반 방법인 Local Outlier Factor (LOF)를 결합한 방법을 제안한다. 제안된 방법은 PCA 및 ICA와 같은 통계적 모니터링 방법과는 대조적으로 어떠한 데이터의 분포도 가정하지 않고, 메모리에 저장된 학습데이터만을 이용하여 공정의 고장을 탐지할 수 있으므로 혼합분포 또는 다중모드 프로세스에 적용할 수 있다. AAKR-LOF의 고장탐지 절차는 오프라인, 온라인 과정으로 나누어진다. 오프라인 과정에서는 AAKR과 LOF의 성능을 결정하는 모델 파라미터인 대역폭 파라미터 h와 인접한 이웃의 수 k, 그리고 고장탐지를 위한 문턱값을 설정한다. 온라인 과정에서는 AAKR를 통해 생성한 잔차벡터를 이용하여 LOF를 계산한 다음 오프라인 과정으로부터 설정된 문턱값을 이용하여 고장탐지를 수행한다. AAKR-LOF의 성능을 검증하기 위해 다변량 공정 데이터인 Tennessee Eastman Process에 적용한 결과, 제안된 방법이 기존 방법에 비해 효과적으로 고장을 탐지할 수 있음을 확인하였다.

주제어