ݺߣ

ݺߣShare a Scribd company logo

[중소기업형 인공지능/빅데이터 기술 심포지엄] LSTM기반 가스 배관 안전도 예측 시스템

•
•
A
ABRC_DATA

[중소기업형 인공지능/빅데이터 기술 심포지엄] 주제: LSTM기반 가스 배관 안전도 예측 시스템 발표자: 메타라이츠 박길주 이사

1 of 14
Downloaded 19 times
인공지능/빅데이터 심포지엄 2018년 8월
2
3  정압기 모니터링 종합안전모니터링 긴급사고조치 배관안전지수 비상상황알림 지능형 위험 예측 [ 탐지모형 ] (LSTM 기반 예측알고리즘) 종합 안전 모니터링
4  배관 부착 장치 내용 도시가스사 자체 의무 점검 KGS 정기 검사 정류기 부식방지시설(상시 전원) 3개월에 1회 이상 5년에 1회 이상 배류기 부식방지시설(지하철 전원) 3개월에 1회 이상 5년에 1회 이상 정압기 전송 압력 유지 시설 상시 감시 체계 1년에 1회 이상 T/B(테스트 박스) 300 - 500m 당 1개 설치 1년에 1회 이상 1년에 1회 이상 V/B(밸브 박스) 가스 차단 밸브 가스 누출 확인 후 전위 측정 1년에 1회 이상
5  2007 – 2010년 사이 배관 사고 원인 - 미국 PHMSA(파이프라인 및 위험물안전청) 자료 APM사 GIS 기반 검사, 관리, 수리 지원, 위험성 평가 SW 잘못된 운영 외부 충격 기타 원인 자연적 영향 잘못된 봉합, 매설 등 굴착공사 손상 GE & Accenture 지능형 파이프라인 솔루션
6  ● 데이터 수집 시스템 구성 1차/2차압력 (원격통신) 유량/열량 (원격통신) 방식전위 (원격통신) 정압기 계량기 TestBox 압력 (원격통신) 유량/열량 (원격통신) 전위 (원격통신) 배관안전관리시스템 배관안전데이터 표준DB 위험예측분석 SCADA FMS통신서버 (SK LoRa) 압력 (TCP/IP) 유량/열량 (TCP/IP) 표준화 변환 실시간 데이터 수집 어뎁터 (IoT Platform) ● 전송 데이터 프로토콜 ● TB원격측정장비 제작 및 설치 ● 관측장비 시험 및 검증 운영 적용 위치 수량 장치 운영 실증 실험 중부 도시가스 천안 입장Line 5 TB전위, 정압기, 정류기, FMS 실시간 데이터 수집(수집주기 : 4초) 굴착시험, 누출시험, 압력시험, 유량시험아산 현대자동차Line 5 한국가스안전공사 교육장 2 유량 및 TB전위 실시간 데이터 수집 유량에 대한 TB전위 변화시험 예스코도시가스 2 [설치개념도] [측정단말기] [IoT모뎀] TB박스 [설치운영1] [설치운영2]
7  ● 가스누출에 의한 압력 변화 시험  시험 개요 - 일시 : 2017년 11월 29일 2회 • 1차 : 12:43 ~ 12:48(5분) • 2차 : 13:05 ~ 13:11(6분)  시험 조건 및 가스 누출량 - 직경 : 25mm - 압력 : 0.777  0.769㎫ - 가스누출량 : 약 275㎥ (2,000가구 가스레인지 동시 사용량)  시험 결과 이상 압력 데이터 0.764 0.766 0.768 0.77 0.772 0.774 0.776 0.778 1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 106 113 120 127 134 141 148 155 162 169 176 183 190 197 204 211 218 225 232 평균 1차 압력 누출 실험
8   분석 데이터 셋(일 단위)  주성분 처리 - 일, 시간 단위 데이터 셋은 각각 60개와 73개의 변수로 구성되어 있으므로 배관압력에 큰 영향을 미치는 주요속성을 추출 - 주성분 분석(principal component analysis, PCA)를 사용해 차원 축소 진행 - 일, 시간단위 데이터 셋에서 각각 30개의 주성분을 추출해 배관압력 예측모델에 적용  통합 데이터 셋 압력 시간변수외부환경변수 ● 데이터 통합  최대-최소 정규화 - 배관 압력 영향 조절, 최대값, 최소값 범위
9  ● 배관 압력 예측을 위한 알고리즘 측정 데이터 (학습용) [성능평가] 정탐 미탐 오탐 탐지결과 DB [ 이상탐지 결과 ] 학습 입력 탐지 검증 측정 데이터 (검증용) [ 탐지 모형 ] (예측알고리즘) • Random Forest • Support Vector Machine • Deep Learning(LSTM) 현재(t)과거(t-1)과거(t-2)과거(t-3) 현재 정보로는 이상이 없지만, 과거의 누적된 행동과 결합하면 이상징후  RNN + LSTM은 시계열 데이터에서 과거의 정보가 현재에 영향을 미치는 의존성을 학습하여 예측하는 데에 높은 성능를 보이고 있음 CNN (t-3) CNN (t-2) CNN (t-1)
10  ● 배관 압력 예측 모델 성능 평가 분석 대상 알고리즘 - Random Forest Regression - Support Vector Regression(SVR) - Deep Learning : LSTM(long-short term memory) 성능 평가 - RSME(root mean squared error) = 1 𝑛 σ𝑖=1 𝑛 (𝑦𝑖 − ෥𝑦𝑖)2 - MAPE (mean absolute percentage error) = 100 𝑛 σ𝑖=1 𝑛 𝑦 𝑖−෦𝑦𝑖 𝑦 𝑖  월 단위 배관 압력 예측 모델  일 단위 배관 압력 예측 모델  시간 단위 배관 압력 예측 모델
11  ● 배관 압력 예측 결과 (2017년 12월 25일 ~ 31)
12  ● 빅데이터 기반 지능형 시스템의 기대 효과 구분 이상경보 기준 비고 HIHI HI LOW LOLO 정압기 1차압력 0.93 0.90 0.65 0.60 중압 입 2차압력 2.80 2.70 1.70 1.60 저압 출 46 44 35 33
13 
[중소기업형 인공지능/빅데이터 기술 심포지엄] LSTM기반 가스 배관 안전도 예측 시스템

More Related Content

[중소기업형 인공지능/빅데이터 기술 심포지엄] LSTM기반 가스 배관 안전도 예측 시스템

  • 2. 2
  • 3. 3  정압기 모니터링 종합안전모니터링 긴급사고조치 배관안전지수 비상상황알림 지능형 위험 예측 [ 탐지모형 ] (LSTM 기반 예측알고리즘) 종합 안전 모니터링
  • 4. 4  배관 부착 장치 내용 도시가스사 자체 의무 점검 KGS 정기 검사 정류기 부식방지시설(상시 전원) 3개월에 1회 이상 5년에 1회 이상 배류기 부식방지시설(지하철 전원) 3개월에 1회 이상 5년에 1회 이상 정압기 전송 압력 유지 시설 상시 감시 체계 1년에 1회 이상 T/B(테스트 박스) 300 - 500m 당 1개 설치 1년에 1회 이상 1년에 1회 이상 V/B(밸브 박스) 가스 차단 밸브 가스 누출 확인 후 전위 측정 1년에 1회 이상
  • 5. 5  2007 – 2010년 사이 배관 사고 원인 - 미국 PHMSA(파이프라인 및 위험물안전청) 자료 APM사 GIS 기반 검사, 관리, 수리 지원, 위험성 평가 SW 잘못된 운영 외부 충격 기타 원인 자연적 영향 잘못된 봉합, 매설 등 굴착공사 손상 GE & Accenture 지능형 파이프라인 솔루션
  • 6. 6  ● 데이터 수집 시스템 구성 1차/2차압력 (원격통신) 유량/열량 (원격통신) 방식전위 (원격통신) 정압기 계량기 TestBox 압력 (원격통신) 유량/열량 (원격통신) 전위 (원격통신) 배관안전관리시스템 배관안전데이터 표준DB 위험예측분석 SCADA FMS통신서버 (SK LoRa) 압력 (TCP/IP) 유량/열량 (TCP/IP) 표준화 변환 실시간 데이터 수집 어뎁터 (IoT Platform) ● 전송 데이터 프로토콜 ● TB원격측정장비 제작 및 설치 ● 관측장비 시험 및 검증 운영 적용 위치 수량 장치 운영 실증 실험 중부 도시가스 천안 입장Line 5 TB전위, 정압기, 정류기, FMS 실시간 데이터 수집(수집주기 : 4초) 굴착시험, 누출시험, 압력시험, 유량시험아산 현대자동차Line 5 한국가스안전공사 교육장 2 유량 및 TB전위 실시간 데이터 수집 유량에 대한 TB전위 변화시험 예스코도시가스 2 [설치개념도] [측정단말기] [IoT모뎀] TB박스 [설치운영1] [설치운영2]
  • 7. 7  ● 가스누출에 의한 압력 변화 시험  시험 개요 - 일시 : 2017년 11월 29일 2회 • 1차 : 12:43 ~ 12:48(5분) • 2차 : 13:05 ~ 13:11(6분)  시험 조건 및 가스 누출량 - 직경 : 25mm - 압력 : 0.777  0.769㎫ - 가스누출량 : 약 275㎥ (2,000가구 가스레인지 동시 사용량)  시험 결과 이상 압력 데이터 0.764 0.766 0.768 0.77 0.772 0.774 0.776 0.778 1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 106 113 120 127 134 141 148 155 162 169 176 183 190 197 204 211 218 225 232 평균 1차 압력 누출 실험
  • 8. 8   분석 데이터 셋(일 단위)  주성분 처리 - 일, 시간 단위 데이터 셋은 각각 60개와 73개의 변수로 구성되어 있으므로 배관압력에 큰 영향을 미치는 주요속성을 추출 - 주성분 분석(principal component analysis, PCA)를 사용해 차원 축소 진행 - 일, 시간단위 데이터 셋에서 각각 30개의 주성분을 추출해 배관압력 예측모델에 적용  통합 데이터 셋 압력 시간변수외부환경변수 ● 데이터 통합  최대-최소 정규화 - 배관 압력 영향 조절, 최대값, 최소값 범위
  • 9. 9  ● 배관 압력 예측을 위한 알고리즘 측정 데이터 (학습용) [성능평가] 정탐 미탐 오탐 탐지결과 DB [ 이상탐지 결과 ] 학습 입력 탐지 검증 측정 데이터 (검증용) [ 탐지 모형 ] (예측알고리즘) • Random Forest • Support Vector Machine • Deep Learning(LSTM) 현재(t)과거(t-1)과거(t-2)과거(t-3) 현재 정보로는 이상이 없지만, 과거의 누적된 행동과 결합하면 이상징후  RNN + LSTM은 시계열 데이터에서 과거의 정보가 현재에 영향을 미치는 의존성을 학습하여 예측하는 데에 높은 성능를 보이고 있음 CNN (t-3) CNN (t-2) CNN (t-1)
  • 10. 10  ● 배관 압력 예측 모델 성능 평가 분석 대상 알고리즘 - Random Forest Regression - Support Vector Regression(SVR) - Deep Learning : LSTM(long-short term memory) 성능 평가 - RSME(root mean squared error) = 1 𝑛 σ𝑖=1 𝑛 (𝑦𝑖 − ෥𝑦𝑖)2 - MAPE (mean absolute percentage error) = 100 𝑛 σ𝑖=1 𝑛 𝑦 𝑖−෦𝑦𝑖 𝑦 𝑖  월 단위 배관 압력 예측 모델  일 단위 배관 압력 예측 모델  시간 단위 배관 압력 예측 모델
  • 11. 11  ● 배관 압력 예측 결과 (2017년 12월 25일 ~ 31)
  • 12. 12  ● 빅데이터 기반 지능형 시스템의 기대 효과 구분 이상경보 기준 비고 HIHI HI LOW LOLO 정압기 1차압력 0.93 0.90 0.65 0.60 중압 입 2차압력 2.80 2.70 1.70 1.60 저압 출 46 44 35 33