| 1 |
1
발전 설비의 데이터를 수집하는 수집부(120);발전 설비의 상기 데이터를 이용하여 신호별 데이터를 산출하고 상기 신호별 데이터를 이용하여 추천되는 추천 학습 구간을 통해 차원축소 및 데이터 시각화를 수행하여 최종 학습 구간을 설정하고, 대상 모델을 업데이트하여 업데이트 모델을 생성하는 모델 재학습을 실행하는 계산부(130); 및상기 업데이트 모델을 이용하여 오탐지 예방을 위해 상기 발전 설비에 대한 실시간 예측하는 예측 정보를 생성하는 예측부(140);를 포함하는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 시스템
|
| 2 |
2
제 1 항에 있어서,상기 신호별 데이터는 발전 설비의 상기 데이터에 대한 신호별 현재 운전 데이터 평균값 및 선택된 과거 조회기간의 신호별 과거 데이터 평균값인 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 시스템
|
| 3 |
3
제 2 항에 있어서,상기 신호별 현재 운전 데이터 평균값을 기준으로 상기 과거 조회기간내 상기 신호별 과거 데이터 평균값과의 유사도가 산출되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 시스템
|
| 4 |
4
제 3 항에 있어서,상기 유사도는 유클리디안 거리, 마하라노비스 거리, 및 맨해튼 거리를 포함하는 거리 척도를 사용하여 산출되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 시스템
|
| 5 |
5
제 4 항에 있어서,상기 추천 학습 구간은 상기 유사도의 순위에 따라 가장 유사도가 높은 월이 투표를 통해 상기 거리 척도 중 2가지 이상의 거리 척도에서 상기 월이 일치하면 결정되는 최종 추천 기간을 이용하여 산출되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 시스템
|
| 6 |
6
제 5 항에 있어서,상기 차원축소는 상기 신호별 데이터를 저차원으로 차원 축소를 수행하여 3차원 공간의 다변량 차원으로 변환되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 시스템
|
| 7 |
7
제 6 항에 있어서,상기 차원 축소는 상기 신호별 데이터의 분산이 최대가 되도록 고차원 데이터 셋(dataset)과 투영된 데이터 셋 간의 평균제곱거리를 최소화하는 축을 찾는 기법 또는 상기 신호별 데이터의 분포를 학습하여 고차원 데이터 셋 간의 분리를 최적화하는 결정 경계에 따라 데이터를 투영(projection)하는 기법을 이용하여 수행되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 시스템
|
| 8 |
8
제 7 항에 있어서,상기 고차원 데이터 셋은, 사용자가 임의로 조회한 기간의 전체 데이터셋, 평균값 기반 유사도 측정으로부터 추천되는 추천 데이터셋, 및 마지막으로 변화된 상기 발전 설비의 상태에 대한 현재 운전 데이터셋을 포함하는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 시스템
|
| 9 |
9
제 8 항에 있어서,상기 고차원 데이터 셋의 크기는, 상기 추천 데이터셋의 중심을 찾고 상기 중심으로부터 군집밀도가 높은 데이터의 범위를 계산된 상기 중심으로부터 확률분포의 뾰족한 정도를 나타내는 척도인 첨도(kurtosis)를 이용하여 산포가 정규분포에 가까운 형태의 데이터 범위로 추출되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 시스템
|
| 10 |
10
제 8 항에 있어서,상기 고차원 데이터 셋의 크기는, 사용자의 드래그엔 드롭 방식을 통해 선정되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 시스템
|
| 11 |
11
제 1 항에 있어서,상기 추천 학습 구간에서 학습되지 않을 수 있는 신호 패턴으로부터 야기될 수 있는 오탐지(false alarm)를 방지하기 위해 값이 가변되는 가변 임계값이 설정되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 시스템
|
| 12 |
12
제 1 항에 있어서,상기 추천 학습 구간에서 학습되지 않을 수 있는 신호 패턴으로부터 야기될 수 있는 오탐지(false alarm)를 방지하기 위해 값이 고정되는 정적 임계값이 설정되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 시스템
|
| 13 |
13
(a) 수집부(120)가 발전 설비의 데이터를 수집하는 단계;(b) 계산부(130)가 발전 설비의 상기 데이터를 이용하여 신호별 데이터를 산출하고 상기 신호별 데이터를 이용하여 추천되는 추천 학습 구간을 통해 차원축소 및 데이터 시각화를 수행하여 최종 학습 구간을 설정하고, 대상 모델을 업데이트하여 업데이트 모델을 생성하는 모델 재학습을 실행하는 단계; 및(c) 예측부(140)가 상기 업데이트 모델을 이용하여 오탐지 예방을 위해 상기 발전 설비에 대해 실시간 예측하는 예측 정보를 생성하는 단계;를 포함하는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 방법
|
| 14 |
14
제 13 항에 있어서,상기 신호별 데이터는 발전 설비의 상기 데이터에 대한 신호별 현재 운전 데이터 평균값 및 선택된 과거 조회기간의 신호별 과거 데이터 평균값인 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 방법
|
| 15 |
15
제 14 항에 있어서,상기 신호별 현재 운전 데이터 평균값을 기준으로 상기 과거 조회기간내 상기 신호별 과거 데이터 평균값과의 유사도가 산출되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 방법
|
| 16 |
16
제 15 항에 있어서,상기 유사도는 유클리디안 거리, 마하라노비스 거리, 및 맨해튼 거리를 포함하는 거리 척도를 사용하여 산출되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 방법
|
| 17 |
17
제 16 항에 있어서,상기 추천 학습 구간은 상기 유사도의 순위에 따라 가장 유사도가 높은 월이 투표를 통해 상기 거리 척도 중 2가지 이상의 거리 척도에서 상기 월이 일치하면 결정되는 최종 추천 기간을 이용하여 산출되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 방법
|
| 18 |
18
제 17 항에 있어서,상기 차원축소는 상기 신호별 데이터를 저차원으로 차원 축소를 수행하여 3차원 공간의 다변량 차원으로 변환되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 방법
|
| 19 |
19
제 18 항에 있어서,상기 차원 축소는 상기 신호별 데이터의 분산이 최대가 되도록 고차원 데이터 셋(dataset)과 투영된 데이터 셋 간의 평균제곱거리를 최소화하는 축을 찾는 기법 또는 상기 신호별 데이터의 분포를 학습하여 고차원 데이터 셋 간의 분리를 최적화하는 결정 경계에 따라 데이터를 투영(projection)하는 기법을 이용하여 수행되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 방법
|
| 20 |
20
제 13 항에 있어서,상기 추천 학습 구간에서 학습되지 않을 수 있는 신호 패턴으로부터 야기될 수 있는 오탐지(false alarm)를 방지하기 위해 값이 가변되는 가변 임계값이 설정되는 것을 특징으로 하는 오탐지 예방을 위한 조기 경보 방법
|
