위키원
"가상센서"의 두 판 사이의 차이
잔글 (→같이 보기) |
dltjsdud6771 (토론 | 기여) |
||
| 5번째 줄: | 5번째 줄: | ||
==실행 절차== | ==실행 절차== | ||
가상센서 시스템은 공장의 실시간 데이터 저장 장치(Data Historian)로 부터 운전 데이터를 수집한 후, 데이터의 전처리, 계측센서의 고장진단, 가상센서 머신러닝, 제어점 도출 순서로 알고리즘을 실행하고, 결과를 자동 제어 시스템이나 운전자용 HMI에 출력하는 과정으로 진행된다. 단, PTOP-Sensor™는 가상센서 예측값 뿐만 아니라 공장을 어떻게 제어할 것인가의 가이던스를 제공하는 기능이 추가되어 있다. 시스템의 실행 단계와 내용은 일반적인 공장 모니터링 시스템과 유사하며, 미국의 테네시 대학에서 제시한 실시간 모니터링 시스템 가이드에 따른다.<ref name="네블"></ref> | 가상센서 시스템은 공장의 실시간 데이터 저장 장치(Data Historian)로 부터 운전 데이터를 수집한 후, 데이터의 전처리, 계측센서의 고장진단, 가상센서 머신러닝, 제어점 도출 순서로 알고리즘을 실행하고, 결과를 자동 제어 시스템이나 운전자용 HMI에 출력하는 과정으로 진행된다. 단, PTOP-Sensor™는 가상센서 예측값 뿐만 아니라 공장을 어떻게 제어할 것인가의 가이던스를 제공하는 기능이 추가되어 있다. 시스템의 실행 단계와 내용은 일반적인 공장 모니터링 시스템과 유사하며, 미국의 테네시 대학에서 제시한 실시간 모니터링 시스템 가이드에 따른다.<ref name="네블"></ref> | ||
| + | |||
| + | ===데이터 수집=== | ||
| + | PTOP-Sensor™는 공정 컴퓨터 네트워크에 설치된 실시간 데이터 저장 장치(Data Historian)로부터 가상센서 시스템이 요구하는 운전 데이터를 csv, my SQL, MS SQL를 통해 읽어 들인다. 가상센서의 실행주기는 공정 변화에 따른 민감도(Time Constant)나 지연시간(Lag Time)에 따라 결정되며, 짧게는 1분에서 길게는 1시간으로 설정한다. | ||
| + | |||
| + | ===전처리=== | ||
| + | 데이터가 도착하면 먼저 통신 결함이나 공장 가동 중지 상태에서 발생하는 비정상적인 데이터를 소거한다. 이어서 데이터에 포함된 노이즈를 제거하는 전처리(Preprocessing) 과정을 거친다. 노이즈를 무디게 하는 지수가중이동평균(Exponential Weighted Mean Average) 필터나 피크를 제거하는 대역밴드(Band-pass) 필터 등 다양한 기법을 제공한다. | ||
| + | |||
| + | ===센서 고정진단=== | ||
| + | 측정센서가 고장으로 인해 실제와 다른 값을 출력하면 이 값을 받아 계산하는 가상센서도 실제와 다른 값을 출력한다. 따라서 측정센서의 고장을 미리 식별하고 근사값으로 보정하는 과정이 필요하다. 측정센서도 머신러닝 모델로 예측하고, 예측값과 실제 측정값의 차이를 최소로 하는 알고리즘을 통해 측정센서의 고장 여부를 식별한다. 고장으로 식별되거나 데이터 전처리 단계에서 이상으로 판단된 측정센서는 머신러닝 모델의 예측값으로 보정한다. | ||
| + | |||
| + | ===가상센서 모델=== | ||
| + | 제조 공장에서는 머신러닝 기법보다는 측정값의 노이즈가 가상센서의 정확성에 더 크게 작용한다. 즉, 가상센서의 오차는 공정 모델의 비선형성보다는 학습용 데이터의 대표성이나 전처리 성능에 기인한다. 이러한 점을 고려하여 PTOP-Sensor™는 비선형 모델 대신에 차수감축 모델로 구분되는 PLS(Partial Least Square)로 선형 모델을 구축하며, 공정이 갖는 시간차 동특성을 반영하기 위하여 ARX(Auto-Regressive eXogenous) 개념을 병행하여 적용한다. PLS 기법은 특히 노이즈 제거 기능이 우수하여 노이즈로 인해 어려움을 겪는 공장 데이터를 처리하는데 효과적이다. | ||
| + | |||
| + | ===연소설비의 효율 계산=== | ||
| + | 가장 흔히 사용하는 입출력법(In-Out Method) 대신에 열손실법(Heat Loss Method)을 적용하여 연소효율을 계산한다. 입출력법은 연소설비에 투입한 열량에 대한 회수한 열량 출력으로 비로서 계산이 간단하지만, 발열량이나 연료 유량 등의 센서가 갖는 오차의 영향을 직접적으로 받는다. 센서 오차에 직접적으로 영향을 받지 않도록 열손실법을 적용하며, 효율 손실 요인을 8가지로 구분하고 각각의 손실율을 따져서 연소효율을 계산한다. | ||
| + | |||
| + | ===공정모델=== | ||
| + | 최적화를 수행하려면 최적화 변수의 변화에 대해 연소효율의 변화를 계산할 수 있어야 한다. 연소효율은 최적화 변수인 배기가스의 산소 농도와 이의 종속변수 값을 열손실법에 입력하여 계산한다. 종속변수는 배기가스의 온도, 산소 농도, 일산화탄소, 미 연소 연료 함량 등이다. PTOP-Sensor™에서는 공정 모델을 이용하여 종속변수를 예측한다. 공정 모델은 변수 간의 상관관계를 표현한 단순한 형태의 식으로 과거의 운전 데이터를 이용하여 구한 머신러닝에 의한 Reference 모델을 기준으로 구성한다. 실제 운전 데이터는 Reference 모델을 중심으로 분산되어 나타나는데, 이는 운전 모드나 연료 변경, 운전 부하의 변화, 제어기나 댐퍼의 성능 또는 비정상상태(Unsteady State) 등의 다양한 원인이 관련된다. Reference 모델의 정확성을 향상하기 위해 열역학적으로 정밀한 모델(Rigorous Model)이나 비정상상태 모델의 사용도 가능하지만, 모델의 정확성보다는 제어 속도가 중요하므로 PTOP-Sensor™는 단순한 형태의 상관식을 적용한다. 공정 모델을 이용하여 연소효율 계산에 필요한 종속변수 값을 찾는다. 여기서 산소 농도나 일산화탄소 함량과 같이 노이즈가 큰 값은 측정 값 대신에 가상센서의 예측 값을 기준으로 한다. 배기가스 온도와 같이 노이즈가 작은 변수는 직접 센서의 측정값을 사용한다. | ||
| + | |||
| + | ===연소효율 최적화=== | ||
| + | 연소설비 최적화 문제에서 목적함수는 열손실법으로 구한 효율 손실 항목의 합이며, 제약조건은 각 변수 값의 허용 범위이다. 특히 폭염(Deflagration)을 피하여 안전하게 운전하도록 일산화탄소 함량애 대해 최대값의 제약조건을 설정한다. 보통 설비의 특성에 따라 30 ~ 100ppm 범위에서 설정한다. 배기가스 온도, 재 속의 카본 손실 등을 포함하여 손실 최소점을 찾는다. | ||
| + | |||
| + | ===HMII 출력=== | ||
| + | 최적화 결과를 csv, my SQL, MS SQL을 이용하여 PID 또는 MPC로 구성한 자동 제어 시스템에 전달한다. HMI는 운전원의 편의성을 위하여 가급적 GUI 화면 수를 줄이되 가상센서 대쉬보드와 조업 가이드는 포함한다. 프로그래밍은 범용 PC의 MS 윈도우 또는 리눅스 환경에서 파이선(Python)을 이용한다. HMI는 대상 공정이나 가상센서의 특성에 따라 다른 모양의 구성을 가질 수 있다.<ref>자동차제어계측, 〈[https://blog.naver.com/controlinstrument/221790140890 연소설비 배기가스 가상센서 계측 및 최적화 솔루션]〉, 《네이버 블로그》, 2020-02-04</ref> | ||
==가상센서 장치== | ==가상센서 장치== | ||
2021년 12월 7일 (화) 09:37 판
가상센서(Virtual Sensor)는 공장에서 온도, 유량, 압력과 같은 물리적 센서가 만들어낸 데이터를 머신러닝 알고리즘과 결합해 제품의 품질이나 환경오염물질 농도와 같은 이차적인 성질을 예측하는 소프트웨어 센서기술이다.
목차
개요
가상센서는 AI의 활성화와 함께 여러 분야에서 다양하게 적용되고 있다. 공장에서 말하는 가상센서란 온도, 유량, 압력, 암페어와 같은 물리적인 센서가 만들어낸 데이터를 결합하여 제품 품질이나 환경 오염물질 농도, 또는 공정 상태와 같은 새로운 값을 예측하는 가상적인 소프트웨어 센서이다. 공장 운전 데이터와 실험값 간의 패턴을 머신러닝 알고리즘으로 파악하여 공장 운전에 필요한 2차적 성질을 예측한다. 가상센서는 고정식 온라인 하드웨어 분석기를 대체하거나, 분석기의 활용도를 높이는데 적용된다. 인더스트리4.0 기술 개발을 촉진하기 위해서 하드웨어 센서 기술, IoT, 빅데이터 등의 IT/DT 기술 등과 병행하여 가상센서와 같은 가상물리시스템(Cyber Physical System) 개념의 소프트웨어적 기술 확보가 필요하다. 가상센서는 가상 물리 시스템의 구성요소로서 이를 이용하여 간단하게 제어 시스템을 구성할 수 있다. 시스템은 운전 데이터를 수집하는 인터페이스, 제어점을 도출하는 소프트웨어 및 컴퓨터, 제어 시스템이나 운전자에게 결과를 출력하는 인터페이스로 구성된다.[1]
실행 절차
가상센서 시스템은 공장의 실시간 데이터 저장 장치(Data Historian)로 부터 운전 데이터를 수집한 후, 데이터의 전처리, 계측센서의 고장진단, 가상센서 머신러닝, 제어점 도출 순서로 알고리즘을 실행하고, 결과를 자동 제어 시스템이나 운전자용 HMI에 출력하는 과정으로 진행된다. 단, PTOP-Sensor™는 가상센서 예측값 뿐만 아니라 공장을 어떻게 제어할 것인가의 가이던스를 제공하는 기능이 추가되어 있다. 시스템의 실행 단계와 내용은 일반적인 공장 모니터링 시스템과 유사하며, 미국의 테네시 대학에서 제시한 실시간 모니터링 시스템 가이드에 따른다.[1]
데이터 수집
PTOP-Sensor™는 공정 컴퓨터 네트워크에 설치된 실시간 데이터 저장 장치(Data Historian)로부터 가상센서 시스템이 요구하는 운전 데이터를 csv, my SQL, MS SQL를 통해 읽어 들인다. 가상센서의 실행주기는 공정 변화에 따른 민감도(Time Constant)나 지연시간(Lag Time)에 따라 결정되며, 짧게는 1분에서 길게는 1시간으로 설정한다.
전처리
데이터가 도착하면 먼저 통신 결함이나 공장 가동 중지 상태에서 발생하는 비정상적인 데이터를 소거한다. 이어서 데이터에 포함된 노이즈를 제거하는 전처리(Preprocessing) 과정을 거친다. 노이즈를 무디게 하는 지수가중이동평균(Exponential Weighted Mean Average) 필터나 피크를 제거하는 대역밴드(Band-pass) 필터 등 다양한 기법을 제공한다.
센서 고정진단
측정센서가 고장으로 인해 실제와 다른 값을 출력하면 이 값을 받아 계산하는 가상센서도 실제와 다른 값을 출력한다. 따라서 측정센서의 고장을 미리 식별하고 근사값으로 보정하는 과정이 필요하다. 측정센서도 머신러닝 모델로 예측하고, 예측값과 실제 측정값의 차이를 최소로 하는 알고리즘을 통해 측정센서의 고장 여부를 식별한다. 고장으로 식별되거나 데이터 전처리 단계에서 이상으로 판단된 측정센서는 머신러닝 모델의 예측값으로 보정한다.
가상센서 모델
제조 공장에서는 머신러닝 기법보다는 측정값의 노이즈가 가상센서의 정확성에 더 크게 작용한다. 즉, 가상센서의 오차는 공정 모델의 비선형성보다는 학습용 데이터의 대표성이나 전처리 성능에 기인한다. 이러한 점을 고려하여 PTOP-Sensor™는 비선형 모델 대신에 차수감축 모델로 구분되는 PLS(Partial Least Square)로 선형 모델을 구축하며, 공정이 갖는 시간차 동특성을 반영하기 위하여 ARX(Auto-Regressive eXogenous) 개념을 병행하여 적용한다. PLS 기법은 특히 노이즈 제거 기능이 우수하여 노이즈로 인해 어려움을 겪는 공장 데이터를 처리하는데 효과적이다.
연소설비의 효율 계산
가장 흔히 사용하는 입출력법(In-Out Method) 대신에 열손실법(Heat Loss Method)을 적용하여 연소효율을 계산한다. 입출력법은 연소설비에 투입한 열량에 대한 회수한 열량 출력으로 비로서 계산이 간단하지만, 발열량이나 연료 유량 등의 센서가 갖는 오차의 영향을 직접적으로 받는다. 센서 오차에 직접적으로 영향을 받지 않도록 열손실법을 적용하며, 효율 손실 요인을 8가지로 구분하고 각각의 손실율을 따져서 연소효율을 계산한다.
공정모델
최적화를 수행하려면 최적화 변수의 변화에 대해 연소효율의 변화를 계산할 수 있어야 한다. 연소효율은 최적화 변수인 배기가스의 산소 농도와 이의 종속변수 값을 열손실법에 입력하여 계산한다. 종속변수는 배기가스의 온도, 산소 농도, 일산화탄소, 미 연소 연료 함량 등이다. PTOP-Sensor™에서는 공정 모델을 이용하여 종속변수를 예측한다. 공정 모델은 변수 간의 상관관계를 표현한 단순한 형태의 식으로 과거의 운전 데이터를 이용하여 구한 머신러닝에 의한 Reference 모델을 기준으로 구성한다. 실제 운전 데이터는 Reference 모델을 중심으로 분산되어 나타나는데, 이는 운전 모드나 연료 변경, 운전 부하의 변화, 제어기나 댐퍼의 성능 또는 비정상상태(Unsteady State) 등의 다양한 원인이 관련된다. Reference 모델의 정확성을 향상하기 위해 열역학적으로 정밀한 모델(Rigorous Model)이나 비정상상태 모델의 사용도 가능하지만, 모델의 정확성보다는 제어 속도가 중요하므로 PTOP-Sensor™는 단순한 형태의 상관식을 적용한다. 공정 모델을 이용하여 연소효율 계산에 필요한 종속변수 값을 찾는다. 여기서 산소 농도나 일산화탄소 함량과 같이 노이즈가 큰 값은 측정 값 대신에 가상센서의 예측 값을 기준으로 한다. 배기가스 온도와 같이 노이즈가 작은 변수는 직접 센서의 측정값을 사용한다.
연소효율 최적화
연소설비 최적화 문제에서 목적함수는 열손실법으로 구한 효율 손실 항목의 합이며, 제약조건은 각 변수 값의 허용 범위이다. 특히 폭염(Deflagration)을 피하여 안전하게 운전하도록 일산화탄소 함량애 대해 최대값의 제약조건을 설정한다. 보통 설비의 특성에 따라 30 ~ 100ppm 범위에서 설정한다. 배기가스 온도, 재 속의 카본 손실 등을 포함하여 손실 최소점을 찾는다.
HMII 출력
최적화 결과를 csv, my SQL, MS SQL을 이용하여 PID 또는 MPC로 구성한 자동 제어 시스템에 전달한다. HMI는 운전원의 편의성을 위하여 가급적 GUI 화면 수를 줄이되 가상센서 대쉬보드와 조업 가이드는 포함한다. 프로그래밍은 범용 PC의 MS 윈도우 또는 리눅스 환경에서 파이선(Python)을 이용한다. HMI는 대상 공정이나 가상센서의 특성에 따라 다른 모양의 구성을 가질 수 있다.[2]
가상센서 장치
가상센서 장치는 어플리케이션이 센서의 정보를 사용하고자 할 때, 동일한 형태를 가진 센서 장치들을 하나로 묶어 단일 센서 군으로 표현하고 이 센서 군을 하나의 가상센서 장치로 나타내는 방법이다. 여기서 설명한 동일한 형태란, 센서의 종류에 따라 센서를 구분하는 것을 뜻한다. 예를 들면, 센서의 형태를 빛 센서, 온도 센서, 톤 센서 등으로 구분하는 것이다. 따라서, 가상센서 장치는 동일한 센서 형태를 가진 센서를 하나의 장치로 표현할 수 있다. 센서 장치를 가상센서 장치로 표현하는 방법의 장점은 총 네 가지가 있다. 첫 번째는 실제 센서 네트워크 상에 수십, 수백개의 다량의 센서 장치들이 놓여져 있을 때, 모든 센서 장치를 어플리케이션이 각각 관리하는 것은 매우 비효율적이므로 가상센서 장치를 통해 단일화된 접근방법을 제공할 수 있다는 것이다. 두 번째 장점은 어플리케이션은 센서장치의 하드웨어 특성이나 센서 네트워크의 형식에 구애받지 않고 센서 미들웨어가 제공하는 메시지를 통해 센서장치의 이용이 가능하다는 것이다. 세 번째 장점은 다수의 센싱 데이터를 필요로 하거나, 다수의 데이터에 특정한 처리나 가공을 필요로 할 때, 가상센서 장치에서 제공하는 기능으로 사용이 가능하다는 것이다. 마지막 장점은 새로 추가되는 센서 장치나 기능은 어플리케이션에 적용할 필요 없이 센서 미들웨어가 제공하는 가상센서 장치에서 제공할 수 있다.[3]
각주
- ↑ 1.0 1.1 자동제어계측, 〈머신러닝 기법의 가상센서 계측 및 제어 솔루션 PTOP-Sensor™ 〉, 《네이버 블로그》, 2020-01-16
- ↑ 자동차제어계측, 〈연소설비 배기가스 가상센서 계측 및 최적화 솔루션〉, 《네이버 블로그》, 2020-02-04
- ↑ 박찬용·권오영·박준희, 〈가상 센서 장치를 이용한 센서 미들웨어 설계〉, 《KISTI》, 2005-11
참고자료
같이 보기
