Embedded Files
◼ Explainable Anomaly Detection in Gas Turbine (설명가능 가스터빈 이상 진단)
◼ Explainable Anomaly Detection in Gas Turbine (설명가능 가스터빈 이상 진단)
개요
주요 기여
기대 효과
발전소 핵심 설비인 가스터빈의 안정적 운영을 위해 실시간 이상 진단 및 설명 가능한 고장 진단 시스템을 개발함. 가스터빈에서 발생하는 온도, 압력, 진동 등 다변량 시계열 데이터를 정밀 분석하여 미세한 이상 징후를 조기에 감지함. 단순히 이상 여부만 판단하는 것이 아니라, 설명 가능 인공지능을 통해 어떤 센서가 진단 결과에 결정적 영향을 미쳤는지 원인을 시각적으로 제시함. 이를 통해 AI의 판단 근거에 대한 신뢰성을 확보 및 신속하고 정확한 유지보수 의사결정을 내릴 수 있도록 지원.
주요 기여
▸ 가스터빈의 온도, 압력, 진동 등 복합 센서 데이터를 통합 분석하여 이상 징후 감지를 위한 고성능 진단 알고리즘 구현
▸ 블랙박스 인공지능 모델의 한계를 극복하고 진단 결과에 대한 운전원의 신뢰성을 확보
▸ 특정 센서나 부품의 이상 기여도를 정량적으로 분석하여 유지보수를 위한 구체적인 가이드라인 제공
▸ 가스터빈의 온도, 압력, 진동 등 복합 센서 데이터를 통합 분석하여 이상 징후 감지를 위한 고성능 진단 알고리즘 구현
▸ 블랙박스 인공지능 모델의 한계를 극복하고 진단 결과에 대한 운전원의 신뢰성을 확보
▸ 특정 센서나 부품의 이상 기여도를 정량적으로 분석하여 유지보수를 위한 구체적인 가이드라인 제공
기대 효과
▸ 인공지능 기반 조기 진단을 통한 비계획 정지 예방 및 가스터빈 가동 효율 최적화
▸ 설명가능 인공지능이 제시하는 기여도 분석 결과를 바탕으로 결함 부위를 즉각 파악하여, 불필요한 점검 시간을 단축하고 정비 정확도를 높임
▸ 실시간 모니터링과 이상 징후의 투명한 해석을 통해 설비 파손 및 인명 사고를 방지
▸ 인공지능 기반 조기 진단을 통한 비계획 정지 예방 및 가스터빈 가동 효율 최적화
▸ 설명가능 인공지능이 제시하는 기여도 분석 결과를 바탕으로 결함 부위를 즉각 파악하여, 불필요한 점검 시간을 단축하고 정비 정확도를 높임
▸ 실시간 모니터링과 이상 징후의 투명한 해석을 통해 설비 파손 및 인명 사고를 방지
English version
English version
Overview
Key contribution
▸ Implemented advanced diagnostic algorithms that integrate complex sensor data (temperature, pressure, vibration) to detect anomalies in gas turbines.▸ Overcame the black-box AI of deep learning by visualizing model decision-making ▸ Developed a framework to quantitatively analyze sensor-specific contributions, providing actionable insights for targeted maintenance and repair.
Impact
▸ Prevents unplanned downtime through AI-driven early detection, optimizing the overall operational efficiency of gas turbines
This research develops an AI-powered real-time anomaly diagnosis and Explainable AI (XAI) system for power plant gas turbines. By analyzing high-dimensional multivariate time-series data, the system detects subtle anomalies at an early stage. Integrating XAI allows for the identification of root causes, providing transparency in AI-driven results. This approach facilitates rapid, informed decision-making for predictive maintenance and enhances overall operational safety.
Key contribution
▸ Implemented advanced diagnostic algorithms that integrate complex sensor data (temperature, pressure, vibration) to detect anomalies in gas turbines.▸ Overcame the black-box AI of deep learning by visualizing model decision-making ▸ Developed a framework to quantitatively analyze sensor-specific contributions, providing actionable insights for targeted maintenance and repair.
Impact
▸ Prevents unplanned downtime through AI-driven early detection, optimizing the overall operational efficiency of gas turbines
▸ Shortens inspection time and improves repair accuracy by utilizing XAI-derived root cause analysis to pinpoint faulty components immediately
▸ Significantly elevates operational safety by providing transparent, real-time monitoring and explanations of potential failure precursors
Google Sites
Report abuse