1 |
1
시계열적인 보일러상태 및 연료성상정보를 기초로 한 특징정보로 구성된 학습모델을 학습한 인공지능으로 수행되는 빅데이터 기반의 설비 이상 진단 및 분석 시스템에 있어서,기 결정된 범위 내의 출력 및 연료변경시점을 정상상태로 구분하고,상기 정상상태에서 출력변화에 따른 특징정보의 기준모델을 수립하고,상기 기준모델을 반영한 상기 특징정보가 비정상상태로 구분되는 평가모델을 수립하고,상기 평가모델의 수립 후, 최종재열기 과열저감수의 개입여부를 기준으로 상기 정상상태 및 상기 비정상상태 간의 상기 특징정보를 분석하고,상기 평가모델을 기초로 복수의 데이터 변화요인을 분석하고,상기 비정상상태에서 상기 특징정보의 민감도를 분석하되,상기 출력 및 상기 연료변경시점 간의 관계를 통해 도출되는 지수인 비정상지수(Abnormal Score)의 통계적 유의수준(p-value)인 0
|
2 |
2
청구항 1에 있어서,상기 기준모델은,비선형 모델을 통해 데이터가 형성하는 비선형 특성을 구현하는, 빅데이터 기반의 설비 이상 진단 및 분석 시스템
|
3 |
3
청구항 1에 있어서,상기 최종재열기 과열저감수의 개입여부는,이진 부호화 기반으로 상기 특징정보의 패턴 군집화를 통해 상기 특징정보를 분석하는, 빅데이터 기반의 설비 이상 진단 및 분석 시스템
|
4 |
4
청구항 1에 있어서,상기 최종재열기 과열저감수가 개입하면 상기 비정상상태로 구분되고, 출력을 포함하는 변수가 상기 정상상태의 범위를 벗어남으로써 과열저감부의 개입이 이루어지는, 빅데이터 기반의 설비 이상 진단 및 분석 시스템
|
5 |
5
삭제
|
6 |
6
시계열적인 보일러상태 및 연료성상정보를 기초로 한 특징정보로 구성된 학습모델을 학습한 인공지능으로 수행되는 빅데이터 기반의 설비 이상 진단 및 분석 시스템에 있어서,기 결정된 범위 내의 출력 및 연료변경시점을 정상상태로 구분하고,상기 정상상태에서 출력변화에 따른 특징정보의 기준모델을 수립하고,상기 기준모델을 반영한 상기 특징정보가 비정상상태로 구분되는 평가모델을 수립하고,상기 평가모델의 수립 후, 최종재열기 과열저감수의 개입여부를 기준으로 상기 정상상태 및 상기 비정상상태 간의 상기 특징정보를 분석하고,상기 평가모델을 기초로 복수의 데이터 변화요인을 분석하고,상기 비정상상태에서 상기 특징정보의 민감도를 분석하되,상기 출력 및 상기 연료변경시점 간의 관계를 통해 도출되는 지수인 비정상지수(Abnormal Score)의 통계적 유의수준(p-value)인 0
|
7 |
7
청구항 6에 있어서,상기 기준모델은,비선형 모델을 통해 데이터가 형성하는 비선형 특성을 구현하는, 빅데이터 기반의 설비 이상 진단 및 분석 방법
|
8 |
8
청구항 6에 있어서,상기 최종재열기 과열저감수의 개입여부는,이진 부호화 기반으로 상기 특징정보의 패턴 군집화를 통해 상기 특징정보를 분석하는, 빅데이터 기반의 설비 이상 진단 및 분석 방법
|
9 |
9
청구항 6에 있어서,상기 최종재열기 과열저감수가 개입하면 상기 비정상상태로 구분되고, 출력을 포함하는 변수가 상기 정상상태의 범위를 벗어남으로써 과열저감부의 개입이 이루어지는, 빅데이터 기반의 설비 이상 진단 및 분석 방법
|
10 |
10
삭제
|