가스터빈 발전플랜트의 안전 운영을 위한 화염이미지의 기계학습기법을 활용한 연소 불안정 진단 :

전병철

추천

검색

자료유형: 학위논문

저자정보: 전병철 (인천대학교, 인천대학교 일반대학원)

지도교수: 이민철

발행연도: 2021

저작권: 인천대학교 논문은 저작권에 의해 보호받습니다.

이용수8

이 논문의 연구 히스토리 (2)

2021

가스터빈 연소기의 안전 운영을 위한 고속화염이미지의 기계학습기법을 활용한 연소불안정 진단

전병철 , 장대진 , 이민철 대한기계학회 논문집 B권 2021.08 학술저널

가스터빈 발전플랜트의 안전 운영을 위한 화염이미지의 기계학습기법을 활용한 연소 불안정 진단

전병철 학과 2021.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

가스터빈 연소기 내에서 발생하는 연소 불안정은 연소기의 수명을 감소시키고 연소 상태를 진단해주는 부품들의 교체 주기를 앞당긴다. 연소 불안정이 발생하기 전의 연소 상태를 빠르게 모니터링하여 설비의 안전 운영과 고효율을 목표로 둔 기술 발전이 필요하다. 최근 들어 4차 혁명 인공지능 기술을 이용한 첨단 기계학습 기법이 연소 불안정을 제어하는 기술의 패러다임을 바꾸고 있다. 컴퓨터가 실제로 측정된 데이터를 기반으로 학습하여 연소 상태를 빠르게 감지하는 방식으로 기술이 개발되고 있다. 이에 대해 실기에서는 주로 계측이 쉬운 동압데이터를 활용하고 있지만, 온도나 이미지를 활용한 연구 또한 수행되어 연소 불안정 진단 정확도 개선에 기여할 것으로 생각된다.
본 연구에서는 모델 가스터빈으로부터 계측된 화염 이미지를 활용해 기계 학습을 수행하여 안정한 화염과 연소 불안정이 발생한 불안정한 화염의 연소 상태를 분류하는 연구를 수행하였다. 해당 화염 이미지는 당량비는 고정되고 연료 조성 비율과 입열량 변화에 의해 연소 상태가 변하는 천이 실험의 순간을 초고속 카메라로 촬영했다. 측정된 화염 이미지를 연소 상태별로 분류하기 위해 이미지의 형상과 고유한 특징을 추출하여 학습하는 합성곱 신경망(CNN)과 연속적인 데이터의 패턴을 학습하는 장단기 기억(LSTM) 모델을 사용하였다. 분류 성능의 차이를 확인하기 위해 CNN, CNN과 LSTM 결합한 2가지 모델을 구축하였다. 각각의 모델들은 학습을 위해 반드시 데이터들의 라벨(label)에 대한 정보가 필요한 지도학습기반 모델로 사전에 화염 이미지들의 라벨값들을 인코딩하여 기계 학습을 수행하였다. CNN의 학습 결과를 통해 연소 불안정 발생 시 증가하는 동압의 크기가 분류 성능에 영향을 미치는 것을 확인하였고 동압의 크기가 변화가 작은 실험 조건에서는 모델이 이를 제대로 학습하지 못하는 것을 확인하였다. CNN과 LSTM을 결합한 모델의 결과를 통해 연속적인 이미지의 패턴 학습을 통한 모든 실험 조건의 분류 성능에 있어서 거의 100%의 개선된 결과를 얻었다. 해당 두 모델의 학습 결과는 오차 행렬(confusion matrix)과 accuracy, recall, precision, f1-score의 성능지표들을 이용하여 정량적 분석을 통해 학습 결과의 신뢰도를 확보하였다.

Combustion instability within the gas turbine combustor reduces the life of the combustor and accelerates the replacement cycle of components that diagnose combustion conditions. It is necessary to develop technologies aimed at safe operation and high efficiency of facilities by rapidly monitoring the combustion state before combustion instability occurs. Recently, advanced machine learning techniques using artificial intelligence technology of the 4th revolution are changing the paradigm of technology that controls combustion instability. Technology is being developed in such a way that a computer learns based on actually measured data to quickly detect the combustion state. On the other hand, in practice, dynamic pressure data that is easy to measure are mainly used, but research using temperature or images is also conducted, which is thought to contribute to improving the accuracy of combustion instability diagnosis. In this study, a study was conducted to classify the combustion state of stable flame and unstable flame with combustion instability by performing machine learning using the flame image measured from the model gas turbine. The flame image was taken with an ultra-high-speed camera at the moment of the transition experiment where the equivalence ratio was fixed and the combustion state was changed by changes in the fuel composition ratio and heat input. In order to classify the measured flame images by combustion state, a convolutional neural network (CNN) that extracts and learns the shape and unique features of the image and a long-short term memory (LSTM) model that learns patterns of continuous data was used. CNN and CNN+ LSTM models were constructed to confirm the difference in classification performance. Each model is a supervised learning-based model that requires information on labels of data for learning. Machine learning was performed by encoding the label values of flame images in advance. Through the learning results of CNN, it was confirmed that the magnitude of the dynamic pressure, which increases when combustion instability occurs, affects the classification performance, and it was confirmed that the model could not properly learn it under experimental conditions where the magnitude of the dynamic pressure was small. Through the results of the model combining CNN and LSTM, we obtained almost 100% improvement in the classification performance of all experimental conditions through pattern learning of continuous images. The learning results of the two models secured the reliability of the learning results through quantitative analysis using the confusion matrix and performance indicators of accuracy, recall, precision, and f1-score.

#연소 불안정(Combustion instability) #기계학습(Machine learning) #화염 이미지(Flame image) #동압(Dynamic pressure) #합성곱 신경망(CNN - Convolutional Neural Network) #장단기 기억(LSTM - Long Short Term Memory) #오차 행렬(Confusion matrix)

제 1 장 서론 1
1.1 연구배경 1
1.2 관련 연구동향(동일한 실험 조건) 2
1.3 연구목적 5
제 2 장 실험장치, 조건 및 인공지능 모델 7
2.1 모델 가스터빈 연소기 및 연소 관측 장비 7
2.2 연소 불안정 연구를 위한 연료 구성 비율 변화 8
2.3 연소 동압의 특성 인자에 의한 화염 이미지 분류 10
2.3.1 동압 신호에 대한 Root Mean Square(RMS) 11
2.3.2 RMS 값에 의한 연소 상태 별 화염 이미지 분리 11
2.3.3 분리된 연소 상태 별 화염 이미지 13
2.3.4 실험 조건별 화염의 거동 형태 14
2.4 화염 이미지 데이터를 활용한 지도학습기반 인공지능 모델 16
2.4.1 합성곱 신경망(CNN) 모델 개념 16
2.4.2 본 연구에 사용된 합성곱 신경망 모델 17
2.4.3 장단기 기억(LSTM) 모델 개념 19
2.4.4 본 연구에 사용된 CNN + LSTM 모델 20
2.5 데이터 전처리 및 데이터 분리 21
2.5.1 학습 모델 별 데이터 전처리 22
2.5.2 데이터 분리 ? Train, Validation, Test 23
제 3 장 결과 24
3.1 모델 별 학습 과정 분석 24
3.1.1 모델 학습 24
3.1.2 CNN 모델 25
3.1.3 H2/CO/CH4 ternary diagram을 이용한 CNN 학습 결과 분석 27
3.1.4 CNN + LSTM 모델 29
3.2 Confusion Matrix를 활용한 인공지능 모델 성능 평가 31
3.2.1 오차 행렬(confusion matrix) 32
3.2.2 모델 성능 지표 34
제 4 장 결론 37
부록A 39
부록B 45
참고문헌 49
ABSTRACT 51
이력서 53

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)