1 |
1
제어 시스템의 운전 데이터인 태그들을 제어 루프별로 그룹핑하는 단계;태그 그룹들 각각에 상응하는 딥러닝 네트워크 탐지 모델들을 기반으로 태그 그룹들 각각에 대한 예측값을 산출하는 단계;태그 그룹별 예측값과 실측값 간의 차이인 예측 오차를 기반으로 제어 시스템의 이상 징후를 판단하는 단계; 및이상 징후 판단 결과에 따른 경보를 생성하는 단계를 포함하되, 딥러닝 네트워크 탐지 모델들은,정상 동작하는 제어 시스템으로부터 획득된 태그들이 그룹핑된 태그 그룹들 각각을 학습 데이터로 하여 미리 학습된 것인, 딥러닝을 이용한 제어 시스템의 이상 탐지 방법
|
2 |
2
제1 항에 있어서, 예측값을 산출하는 단계 이전에 그룹핑된 태그 그룹을 전처리하는 단계를 더 포함하되, 태그 그룹별로 FNN(False Nearest Neighbor)을 기반으로 최적의 학습 시간 윈도우 길이를 결정하는 단계;그룹별로 태그를 정규화하는 단계; 일정 주기 또는 데이터 변화 시점에 시간 윈도우를 샘플링하는 단계; 및디지털 태그의 변화 데이터와 변하지 않는 데이터의 비율을 조절하는 단계를 더 포함하는, 딥러닝을 이용한 제어 시스템의 이상 탐지 방법
|
3 |
3
제1 항에 있어서, 그룹핑하는 단계는, 태그들 간의 상관 계수를 산출하는 단계; 및산출된 상관 계수를 기반으로 태그들을 그룹핑하는 단계를 포함하는, 딥러닝을 이용한 제어 시스템의 이상 탐지 방법
|
4 |
4
제3 항에 있어서, 상관 계수를 산출하는 단계는, 모든 태그들 중에서 선택된 두 개의 태그들 간의 상관 계수를 산출하되,두 개의 태그들은 모든 태그들 중에서 번갈아 선택되고, 두 개의 태그들 중 적어도 하나가 아날로그일 경우, 피어슨 상관 계수를 산출하고, 두 개의 태그들이 디지털일 경우, 이벤트 기반 상관 계수를 산출하는, 딥러닝을 이용한 제어 시스템의 이상 탐지 방법
|
5 |
5
제3 항에 있어서, 그룹핑하는 단계는, 상관 관계를 산출하기 이전에, 태그들로부터 노이즈 필터링하는 단계를 더 포함하는, 딥러닝을 이용한 제어 시스템의 이상 탐지 방법
|
6 |
6
제3 항에 있어서, 상관 계수를 산출하는 단계는, 두 태그들 간의 시간차를 반영하여 상관 계수를 산출하는, 딥러닝을 이용한 제어 시스템의 이상 탐지 방법
|
7 |
7
제3 항에 있어서, 상관 계수를 산출하는 단계는, 태그들을 소정 시간 단위로 분할하여 상관 계수를 산출하는, 딥러닝을 이용한 제어 시스템의 이상 탐지 방법
|
8 |
8
제3 항에 있어서, 상관 계수를 기반으로 태그들을 그룹핑하는 단계는,상관 계수들 중 그 값이 소정 임계치 이상인 상관 계수를 선별하는 단계;선별된 상관 계수들 각각에 상응하는 태그 피처 집합들을 생성하는 단계; 및태그 피처 집합들 간의 상관 계수 평균을 기반으로 집합들을 그룹핑하는 단계를 포함하는, 딥러닝을 이용한 제어 시스템의 이상 탐지 방법
|
9 |
9
제2 항에 있어서, 탐지 모델들은, 태그가 아날로그 데이터일 경우, 시간 윈도우의 길이에 따라 RNN(Recurrent Neural Network) 또는 Transformer 중 하나로 학습되고, 태그가 디지털 데이터일 경우, MDN(Mixture Density Network)으로 학습되는, 딥러닝을 이용한 제어 시스템의 이상 탐지 방법
|
10 |
10
제1 항에 있어서, 이상 징후를 판단하는 단계, 예측 오차를 정규화하는 단계;예측 오차가 소정 임계치 이상인 태그 그룹을 선별하는 단계;선별된 태그 그룹을 이상 징후 원인으로 판단하는 단계를 포함하는, 딥러닝을 이용한 제어 시스템의 이상 탐지 방법
|
11 |
11
제어 시스템의 운전 데이터인 태그들 간의 상관 계수를 산출하는 단계; 및상관 계수들 중 그 값이 소정 임계치 이상인 상관 계수를 선별하는 단계;선별된 상관 계수들 각각에 상응하는 태그 피처 집합들을 생성하는 단계; 및태그 피처 집합들 간의 상관 계수 평균을 기반으로 집합들을 그룹핑하는 단계를 포함하는, 제어 시스템의 태그 그룹핑 방법
|
12 |
12
제11 항에 있어서, 상관 계수를 산출하는 단계는, 모든 태그들 중에서 선택된 두 개의 태그들 간의 상관 계수를 산출하되,두 개의 태그들은 모든 태그들 중에서 번갈아 선택되고, 두 개의 태그들 중 적어도 하나가 아날로그일 경우, 피어슨 상관 계수를 산출하고, 두 개의 태그들이 디지털일 경우, 이벤트 기반 상관 계수를 산출하는, 제어 시스템의 태그 그룹핑 방법
|
13 |
13
제11 항에 있어서, 상관 관계를 산출하기 이전에, 태그들로부터 노이즈 필터링하는 단계를 더 포함하는, 제어 시스템의 태그 그룹핑 방법
|
14 |
14
제11 항에 있어서, 상관 계수를 산출하는 단계는, 두 태그들 간의 시간차를 반영하여 상관 계수를 산출하는, 제어 시스템의 태그 그룹핑 방법
|
15 |
15
제11 항에 있어서, 상관 계수를 산출하는 단계는, 태그들을 소정 시간 단위로 분할하여 상관 계수를 산출하는, 제어 시스템의 태그 그룹핑 방법
|
16 |
16
정상 동작되는 제어 시스템의 운전 데이터인 태그들을 획득하는 단계;태그들을 제어 루프별로 그룹핑하는 단계; 및태그 그룹들 각각에 상응하는 딥러닝 네트워크 탐지 모델들 생성하는 단계를 포함하되, 생성하는 단계는, 태그를 딥러닝 네트워크에 학습 데이터로 입력하고, 태그에 상응하는 실측값과 딥러닝 네트워크가 출력한 예측값과의 차이인 예측 오차가 소정 임계치 이하가 되도록 딥러닝 네트워크의 파라미터를 반복 조정하는, 제어 시스템의 이상 탐지 모델 학습 방법
|
17 |
17
제16 항에 있어서, 딥러닝 네트워크 탐지 모델들 생성하는 단계 이전에 그룹핑된 태그 그룹을 전처리하는 단계를 더 포함하되, 태그 그룹별로 FNN(False Nearest Neighbor)을 기반으로 최적의 학습 시간 윈도우 길이를 결정하는 단계;그룹별로 태그를 정규화하는 단계; 일정 주기 또는 데이터 변화 시점에 시간 윈도우를 샘플링하는 단계; 및디지털 태그의 변화 데이터와 변하지 않는 데이터의 비율을 조절하는 단계를 더 포함하는, 제어 시스템의 이상 탐지 모델 학습 방법
|
18 |
18
제17 항에 있어서, 탐지 모델들은, 태그가 아날로그 데이터일 경우, 시간 윈도우의 길이에 따라 RNN(Recurrent Neural Network) 또는 Transformer 중 하나로 구성되어 학습되는, 제어 시스템의 이상 탐지 모델 학습 방법
|
19 |
19
제17 항에 있어서, 탐지 모델들은, 태그가 디지털 데이터일 경우, MDN(Mixture Density Network)으로 학습되는, 제어 시스템의 이상 탐지 모델 학습 방법
|
20 |
20
제17 항에 있어서, 예측 오차가 소정 임계치 이상일 경우, 전처리 단계를 조정하여 재수행하는 단계를 더 포함하는, 제어 시스템의 이상 탐지 모델 학습 방법
|