KR101677358B1 - 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법 - Google Patents

인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법 Download PDF

Info

Publication number
KR101677358B1
KR101677358B1 KR1020150013629A KR20150013629A KR101677358B1 KR 101677358 B1 KR101677358 B1 KR 101677358B1 KR 1020150013629 A KR1020150013629 A KR 1020150013629A KR 20150013629 A KR20150013629 A KR 20150013629A KR 101677358 B1 KR101677358 B1 KR 101677358B1
Authority
KR
South Korea
Prior art keywords
failure
status information
state information
module
die casting
Prior art date
Application number
KR1020150013629A
Other languages
English (en)
Other versions
KR20160093172A (ko
Inventor
이명수
이상훈
Original Assignee
주식회사 엑센솔루션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 엑센솔루션 filed Critical 주식회사 엑센솔루션
Priority to KR1020150013629A priority Critical patent/KR101677358B1/ko
Publication of KR20160093172A publication Critical patent/KR20160093172A/ko
Application granted granted Critical
Publication of KR101677358B1 publication Critical patent/KR101677358B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D17/00—Pressure die casting or injection die casting, i.e. casting in which the metal is forced into a mould under high pressure
    • B22D17/20—Accessories: Details
    • B22D17/32—Controlling equipment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D46/00—Controlling, supervising, not restricted to casting covered by a single main group, e.g. for safety reasons
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Abstract

인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법이 개시된다. 다이 캐스팅(die casting) 장비의 각 부품의 상태 정보를 센싱(sensing)하여 송신하는 스마트 센서(smart sensor); 상기 스마트 센서로부터 각 부품에 대한 적어도 하나 이상의 상태 정보를 수신하는 수신 모듈; 상기 수신 모듈에서 수신된 상태 정보를 저장하는 상태 정보 데이터베이스; 상기 상태 정보 데이터베이스에 저장된 상태 정보에 미리 정해진 가중치를 적용하여 해당 부품 및 다이 캐스팅 장비의 고장을 미리 예측하는 예지 보전 모듈; 상기 예지 보전 모듈에서 예측된 고장을 사용자에게 통지하는 예지 보전 통지 모듈을 구성한다. 상술한 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법에 의하면, 뉴런(neuron)별 가중치를 적용하고 적용한 인공 신경망 알고리즘을 이용하여 부품의 고장 위험도를 예측하도록 구성됨으로써, 부품의 고장 위험도를 미리 정확하게 예측하고 고장 상태 전에 작업자가 미리 설비를 정비하여 설비의 다운타임(downtime)을 줄일 수 있는 효과가 있다. 궁극적으로는 설비의 생산성을 향상시킬 수 있는 효과가 있다. 또한, 고장 위험도의 예측에 의해 주조 설비의 위험도가 높을 때에만 보전 작업을 실시할 수 있기 때문에 불필요한 보전 비용의 소모나 인원 투입과 같은 리소스(resource)를 줄일 수 있는 효과가 있다.

Description

인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법{SYSTEM AND METHOD OF FAILURE PROGNOSTIC AS TO DIE CASTING FACILITIES USING NEURAL NETWORK ALGORITHM}
본 발명은 고장 예지 시스템 및 방법에 관한 것으로서, 구체적으로는 주조 설비에 대한 고장 예지 시스템 및 방법에 관한 것이며, 좀 더 구체적으로는 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법에 관한 것이다.
종래의 설비 관리 시스템(facility management system, FMS)이나 자산 관리 시스템(enterprise asset management, EAM)은 설비의 관리, 모니터링, 정비, 이력 관리 등을 위한 시스템이다.
설비 관리 시스템이나 자산 관리 시스템은 설비의 일상 점검은 물론 예방 정비를 스케줄링하여
지금까지 사용되는 FMS(설비관리시스템), EAM(자산관리시스템) 에서는 설비 상태를 기반으로 하는 예측이 아닌 일상점검, 예방정비를 스케줄링하여 고장을 예방하는 데에도 활용되고 있다.
종래의 설비 관리 시스템이나 자산 관리 시스템은 주로 작업자의 고장 이력을 등록받고 등록받은 고장 이력 데이터를 통계 분석하여 활용하고 있다. 즉, 오랜 기간에 걸쳐 축적된 고장 이력 데이터를 활용하여 고장 간격을 추측하고 고장 예지를 하는 데 이용하고 있다.
이와 같이 종래의 설비 관리 시스템은 설비의 고장 여부라든가 고장을 일으킬 수 있는 여러 고장 인자를 실시간 모니터링하는 방식으로 구성되어 있지 않으며, 단순히 작업자의 일상 점검을 통한 점검 결과만을 갖고 이상 여부를 판단하고 예지하는 정도에 불과하다.
그러므로, 기존에는 엔지니어(engineer)의 일상 점검을 통한 데이터를 이용하여 고장 가능성을 예측하는 특별한 알고리즘이 없으며, 단순히 일상 점검 결과나 고장 이력을 통해 고장 간격을 단순 예측하는 정도이다.
종래의 방식은 설비의 가동시간, 설비노후, 설비 특성과 환경적 요인을 고려하지 않은 일반화된 프로세스과 고장 이력에 의한 정형화된 보전 관리 기술을 사용하고 있으므로, 불필요한 보전 비용 낭비가 발생하며 설비의 고장을 예측할 수 있는 확률이 줄어들게 되는 문제점이 발생한다.
이러한 문제점은 고장을 야기하는 고장 인자의 실시간 모니터링이 되지 않기 때문이라고 볼 수 있다. 단순히 과거 이력을 통해 예측되는 고장 간격에 의존하여 고장을 예측하기 때문이다.
정확한 고장 에측이 불가하다는 문제점은 궁극적으로는 설비의 신속한 보전 관리 또한 불가하다는 문제점이 있다.
본 발명의 목적은 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템을 제공하는 데 있다.
본 발명의 다른 목적은 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 방법을 제공하는 데 있다.
상술한 본 발명의 목적에 따른 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템은, 다이 캐스팅(die casting) 장비의 각 부품의 상태 정보를 센싱(sensing)하여 송신하는 스마트 센서(smart sensor); 상기 스마트 센서로부터 각 부품에 대한 적어도 하나 이상의 상태 정보를 수신하는 수신 모듈; 상기 수신 모듈에서 수신된 상태 정보를 저장하는 상태 정보 데이터베이스; 상기 상태 정보 데이터베이스에 저장된 상태 정보에 미리 정해진 가중치를 적용하여 해당 부품 및 다이 캐스팅 장비의 고장을 미리 예측하는 예지 보전 모듈; 상기 예지 보전 모듈에서 예측된 고장을 사용자에게 통지하는 예지 보전 통지 모듈을 포함하도록 구성될 수 있다.
여기서, 상기 예지 보전 모듈은, 소정의 부품에 대해 복수의 스마트 센서가 센싱한 상태 정보에 대해 가중치를 적용하여 합산하며, 합산된 상태 정보를 미리 정해진 한계치와 비교하고, 비교한 결과를 고장 예측에 이용하도록 구성될 수 있다.
상술한 본 발명의 다른 목적에 따른 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 방법은, 스마트 센서(smart sensor)가 다이 캐스팅(die casting) 장비의 각 부품에 대한 적어도 하나 이상의 상태 정보를 센싱(sensing)하여 수신 모듈로 송신하는 단계; 상기 수신 모듈이 상기 스마트 센서로부터 각 부품에 대한 상태 정보를 수신하는 단계; 상기 수신 모듈이 상기 수신된 상태 정보를 상태 정보 데이터베이스에 저장하는 단계; 예지 보전 모듈이 상기 상태 정보 데이터베이스에 저장된 상태 정보에 미리 정해진 가중치를 적용하여 해당 부품 및 다이 캐스팅 장비의 고장을 미리 예측하는 단계; 예지 보전 통지 모듈이 상기 예지 보전 모듈에서 예측된 고장을 사용자에게 통지하는 단계를 포함하도록 구성될 수 있다.
이때, 상기 예지 보전 모듈이 상기 상태 정보 데이터베이스에 저장된 상태 정보에 미리 정해진 가중치를 적용하여 해당 부품 및 다이 캐스팅 장비의 고장을 미리 예측하는 단계는, 상기 예지 보전 모듈이 소정의 부품에 대해 복수의 스마트 센서가 센싱한 상태 정보에 대해 가중치를 적용하여 합산하며, 합산된 상태 정보를 미리 정해진 한계치와 비교하고, 비교한 결과를 고장 예측에 이용하도록 구성될 수 있다.
상술한 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법에 의하면, 뉴런(neuron)별 가중치를 적용하고 적용한 인공 신경망 알고리즘을 이용하여 부품의 고장 위험도를 예측하도록 구성됨으로써, 부품의 고장 위험도를 미리 정확하게 예측하고 고장 상태 전에 작업자가 미리 설비를 정비하여 설비의 다운타임(downtime)을 줄일 수 있는 효과가 있다. 궁극적으로는 설비의 생산성을 향상시킬 수 있는 효과가 있다.
또한, 고장 위험도의 예측에 의해 주조 설비의 위험도가 높을 때에만 보전 작업을 실시할 수 있기 때문에 불필요한 보전 비용의 소모나 인원 투입과 같은 리소스(resource)를 줄일 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템의 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 인공 신경망 알고리즘의 개념도이다.
도 3은 본 발명의 일 실시예에 따른 시그모이드 함수의 그래프이다.
도 4는 본 발명의 일 실시예에 따른 쌍곡 탄젠트 함수의 그래프이다.
도 5는 본 발명의 일 실시예에 따른 주조 설비의 모니터링 화면의 예시도이다.
도 6은 본 발명의 일 실시예에 따른 주조 설비의 고장 예측 화면의 예시도이다.
도 7은 본 발명의 일 실시예에 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 방법의 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 발명을 실시하기 위한 구체적인 내용에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템의 블록 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템(이하, '고장 예지 시스템'이라 함)(100)은 스마트 센서(smart sensor)(110), 수신 모듈(120), 상태 정보 데이터베이스(database)(130), 예지 보전 모듈(140), 예지 보전 통지 모듈(150)을 포함하도록 구성될 수 있다.
고장 예지 시스템(100)은 인공 신경망 알고리즘을 이용하여 다이 캐스팅(die casting) 설비의 고장을 미리 예지하고 보전하도록 구성될 수 있다.
고장 예지 시스템(100)은 다이 캐스팅 설비의 각 부품에 대한 고장 인자를 실시간으로 모니터링하여 해당 부품의 고장 여부를 미리 인지할 수 있도록 구성될 수 있다.
고장 예지 시스템(100)은 여러 고장 인자들에 대해서는 미리 정해진 가중치를 적용하고 이를 통해 부품의 고장 가능성 여부를 판단하도록 구성됨으로써, 다이 캐스팅 장비의 다운타임(downtime)을 줄이고 생산성의 향상을 도모할 수 있다.
종래와 같이 과거의 고장 간격에 기초하여 무조건 보전 작업을 실시하는 것이 아니라 고장 인자의 실시간 모니터링과 인공 신경망 알고리즘에 의해 높은 확률로 고장 위험성을 예측하기 때문에 불필요한 보전 비용이 발생하거나 보전 인원이 투입되는 것을 방지할 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
스마트 센서(110)는 다이 캐스팅 장비의 각 부품의 상태 정보를 실시간으로 센싱(sensing)하여 수신 모듈(120)로 송신하도록 구성될 수 있다.
스마트 센서(110)는 다이 캐스팅 장비의 여러 부품들에 부착되어 해당 부품의 다양한 상태를 실시간 모니터링하도록 구성될 수 있다.
특정 부품에 대해 여러 스마트 센서(110)가 부착되어 이용될 수 있으며, 이러한 스마트 센서(110)는 특정 부품에 대해 발생할 수 있는 다양한 고장 인자별로 구비될 수 있다. 예를 들어, 유압 펌프의 경우에는 작동유의 부족, 유온의 상승, 작동유의 열화, 작동유 탱크 내부 이물질, 리크(leak)에 의한 잦은 엔로딩(enloading)과 같은 다양한 고장 인자가 있는데, 이러한 각각의 고장 인자에 대해서 작동유 유량 레벨 센서, 작동유 유온 센서, 작동유 탁도 측정 센서, 섹션 필터 진공 압력 센서가 부착될 수 있다. 앞서 언급한 리크에 의한 잦은 엔로딩은 유온 상승을 유발하므로 작동유 유온 센서를 이용하여 실시간 모니터링될 수 있다.
이러한 고장 인자(고장 원인)과 이를 모니터링하기 위한 스마트 센서(110)는 다음의 표 1과 같이 정리될 수 있다.
여기서, 모니터링의 대상이 되는 부품은 다이 플레이트, 유압 펌프, 사출 실린더, 슬리브/팁, 토글 등이 있다.
Figure 112015009507292-pat00001
스마트 센서(110)는 근거리 통신 기능이 구비되도록 구성될 수 있다. 예를 들어, 지그비(zigbee), 블루투스(Bluetooth) 등이 이에 해당 될 수 있다.
수신 모듈(120)은 스마트 센서(110)로부터 각 부품에 대한 적어도 하나 이상의 상태 정보를 수신하도록 구성될 수 있다.
여기서, 수신 모듈(120)은 미들웨어(middleware)가 구비되어 상태 정보 데이터베이스(130)에 액세스(access) 가능하도록 구성될 수 있다.
상태 정보 데이터베이스(130)는 수신 모듈(120)에 의해 수신 모듈(120)에서 수신된 상태 정보가 저장될 수 있다.
예지 보전 모듈(140)은 예지 보전 모듈(140)은 상태 정보 데이터베이스(130)에 저장된 상태 정보에 미리 정해진 가중치를 적용하여 해당 부품 및 다이 캐스팅 장비의 고장을 미리 예측하도록 구성될 수 있다.
여기서, 예지 보전 모듈(140)은 인공 신경망 알고리즘을 적용하여 고장 예지를 할 수 있다.
구체적으로는 다음과 같다.
예지 보전 모듈(140)은 소정의 부품에 대해 복수의 스마트 센서(110)가 센싱한 상태 정보에 대해 가중치를 적용하여 합산하도록 구성될 수 있다. 그리고 예지 보전 모듈(140)은 합산된 상태 정보를 미리 정해진 한계치와 비교하고, 그 비교한 결과를 고장 예측에 이용하도록 구성될 수 있다.
이러한 고장 예측 알고리즘은 데이터 기반 방식(Data-Driven Approach)으로서, 오프라인상에서 뉴럴 네트워크 가우시안 프로세스 모델(Neural Network Gaussian Process Model) 또는 렐러번스 벡터 머신(Relevance Vector Machine)과 같은 머신 리닝(Machine Leaning) 기법으로서, 손상 물리 모델이 없어도 사용 가능하므로 그 적용 범위가 넓다는 장점이 있다. 그러나, 이러한 인공 신경망 학습을 위해서는 다소 긴 시간의 훈련을 위한 데이터가 요구되고 있다.
다른 방식으로는 경험 기반 방식(Experience Based Approach)이 있다.
이 방식은 시험 또는 가동중 발생한 고장 데이터를 이용하여 통계 처리하고 수명 예측에 활용하는 방식이다. 고장 데이터를 와이블 같은 확률 분포로 적합한 후 수명을 추정하는 방식이다. 고장 데이터가 매우 많아야 하며 동일 사용 조건과 고장에 대해서만 적용 가능하다. 또한 실시간 모니터링을 하지 않으므로 정확한 예측과는 다소 거리가 있을 수 있다. 기존에는 주로 경험 기반 방식에 가깝다고 볼 수 있다.
예지 보전 통지 모듈(150)은 예지 보전 모듈(140)에서 예측된 고장을 사용자에게 통지하도록 구성될 수 있다.
예지 보전 통지 모듈(150)은 3G/4G 통신이나 와이파이 네트워크, 유선 네트워크 등 다양한 통신 매체를 통해 사용자에게 통지할 수 있다.
도 2는 본 발명의 일 실시예에 따른 인공 신경망 알고리즘의 개념도이다.
도 2는 데이터 기반 방식의 인공 신경망 알고리즘을 나타내고 있다.
각 노드는 정보 처리의 단위로서 여러 정보 처리 단위가 병렬 처리될 수 있다. 각 노드는 여러 다른 노드들의 데이터를 전달받아 처리한 후 다음 노드로 결과를 전달하도록 구성될 수 있다. 여기서, 각 노드들은 가중치가 있는 링크로 연결되어 가중치가 적용된 각 노드의 신호값을 다음 노드로 전달하게 된다.
각 뉴런 노드들은 여러 노드들로부터 신호값을 수신하지만, 이를 처리하여 하나의 신호값을 출력하게 된다.
도 2에서 보듯이 각 신호값은 각 노드들의 신호값에 고유의 가중치가 적용되어 다음 노드로 전달된다. 여기서, 각 노드는 여러 고장 인자들이라고 볼 수 있다. 즉, 작동유의 부족, 유온의 상승, 작동유의 열화, 작동유 탱크 내부 이물질, 리크(leak)에 의한 잦은 엔로딩(enloading)과 같은 고장 인자가 발생하면, 이에 미리 정해진 가중치가 적용되어 다음 노드로 전달된다.
다음 노드는 각각의 고장 인자에 가중치가 적용된 값을 수신하여 이를 합산한다. 그리고 그 합산치가 미리 정해진 한계치보다 큰지의 여부에 따라 미리 정해진 값을 출력하게 된다. 예를 들어, 미리 정해진 한계치보다 크면 1을 출력하고 그렇지 않으면 -1을 출력한다. 이러한 인공 신경망은 반복적인 조정을 통해 학습이 실시된다.
여기서, 가중치는 여러 고장 인자들 중에서 고장 빈도수가 높거나 다른 환경적, 계절적 원인 또는 기타 원인이 있는 경우 해당 가중치가 높게 설정될 수 있다. 작동유가 환경적, 계절적 요인에 따라 특성이 달라질 수 있으므로, 계절에 따라 유온 상승이나 열화가 더 쉽게 발생할 수 있기 때문이다. 또한, 낮밤, 기압 등도 그 요인이 될 수 있다. 이러한 가중치는 과거의 이력이라든가 고장 데이터 등이 축적되어 도출될 수 있으며, 다시 말하면 인공 신경 학습망의 학습을 통해 지속적으로 변경되어 도출될 수 있는 값이다.
이러한 신호 처리는 다양한 함수를 통해 처리될 수 있는데, 이러한 활성화 함수에는 계단 함수, 부호 함수, 시그모이드 함수, 선형 함수, 쌍곡 탄젠트 함수 등이 있다.
계단 함수는 합산치가 한계치를 넘으면 1을 출력하고 그렇지 않으면 0을 출력한다.
부호 함수는 합산치가 한계치를 넘으면 1을 출력하고 그렇지 않으면 -1을 출력한다.
시그모이드 함수는 X값에 따라 Y값을 계산하는데, Y는 0~1의 범위를 갖는다. 도 3은 시그모이드 함수의 그래프로서, 도 3의 수식을 통해 신호 처리가 수행된다.
선형 함수는 Y와 X가 같은 값을 갖는 함수이다.
쌍곡 탄젠트 함수는 시그모이드 함수를 변형하여 그 출력이 –k~k의 범위를 갖는 함수이나, 도 4는 쌍곡 탄젠트 함수의 그래프로서, 도 4의 수식을 통해 신호 처리가 수행된다. 여기서, k는 a, b의 값에 따라 달라지게 된다. 쌍곡 탄젠트 함수는 시그모이드 함수보다 빠른 학습에 유리하다.
계단 함수와 부호 함수는 흑백 논리의 결과값을 출력하므로, 주로 시그모이드 함수나 쌍곡 탄젠트 함수가 가중치의 학습을 위해 좀 더 유리할 수 있다.
도 5는 본 발명의 일 실시예에 따른 주조 설비의 모니터링 화면의 예시도이다.
도 5에서는 다이 캐스팅 장비의 각 부품의 실시간 모니터링값을 화면에 표시하고 있다. 사용자는 이를 통해 중요 부품의 상태와 고장 여부를 실시간 확인할 수 있다.
도 6은 본 발명의 일 실시예에 따른 주조 설비의 고장 예측 화면의 예시도이다.
도 6을 참조하면, 다이 캐스팅 장비의 각 유압 펌프들에서 실시간 센싱되는 유온과 유량 레벨이 도시되어 있다. 이를 통해 고장 가능성이라든가 위험도를 확률적으로 예측하여 실시간 표시하고 있음을 알 수 있다.
도 7은 본 발명의 일 실시예에 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 방법의 흐름도이다.
도 7을 참조하면, 먼저 스마트 센서(smart sensor)(110)가 다이 캐스팅(die casting) 장비의 각 부품에 대한 적어도 하나 이상의 상태 정보를 센싱(sensing)하여 수신 모듈(120)로 송신한다(S101).
다음으로, 수신 모듈(120)이 스마트 센서(110)로부터 각 부품에 대한 상태 정보를 수신한다(S102).
다음으로, 수신 모듈(120)이 앞서 수신된 상태 정보를 상태 정보 데이터베이스(130)에 저장한다(S103).
다음으로, 예지 보전 모듈(140)이 상태 정보 데이터베이스(130)에 저장된 상태 정보에 미리 정해진 가중치를 적용하여 해당 부품 및 다이 캐스팅 장비의 고장을 미리 예측한다(S104).
여기서, 예지 보전 모듈(140)이 소정의 부품에 대해 복수의 스마트 센서(110)가 센싱한 상태 정보에 대해 가중치를 적용하여 합산하며, 합산된 상태 정보를 미리 정해진 한계치와 비교하고, 비교한 결과를 고장 예측에 이용하도록 구성될 수 있다.
다음으로, 예지 보전 통지 모듈(150)이 예지 보전 모듈(140)에서 예측된 고장을 사용자에게 통지한다(S105).
이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
110: 스마트 센서
120: 수신 모듈
130: 상태 정보 데이터베이스
140: 예지 보전 모듈
150: 예지 보전 통지 모듈

Claims (4)

  1. 다이 캐스팅(die casting) 장비의 각 부품의 고장 인자에 상응하는 상태 정보를 센싱(sensing)하여 송신하는 스마트 센서(smart sensor);
    상기 스마트 센서로부터 각 부품에 대한 적어도 하나 이상의 상태 정보를 수신하는 수신 모듈;
    상기 수신 모듈에서 수신된 상태 정보를 저장하는 상태 정보 데이터베이스;
    상기 상태 정보 데이터베이스에 저장된 상태 정보에 미리 정해진 가중치를 적용하여 해당 부품 및 다이 캐스팅 장비의 고장을 미리 예측하는 예지 보전 모듈;
    상기 예지 보전 모듈에서 예측된 고장을 사용자에게 통지하는 예지 보전 통지 모듈을 포함하고,
    상기 스마트 센서는,
    작동유 유량 레벨 센서, 작동유 유온 센서, 작동유 탁도 측정 센서 및 섹션 필터 진공 압력 센서로 구성되고,
    상기 고장 인자에 상응하는 상태 정보는,
    작동유의 부족, 유온의 상승, 작동유의 열화, 작동유 탱크 내부 이물질 및 리크(leak)에 의한 엔로딩(enloading)으로 구성되고,
    상기 예지 보전 모듈은,
    소정의 부품에 대해 복수의 스마트 센서가 센싱한 상태 정보에 대해 미리 정해진 가중치를 적용하여 합산치를 출력하고 출력된 합산치를 미리 정해진 한계치와 비교하고, 비교 결과 상기 한계치보다 크면 고장이 날 것으로 예측하도록 구성되고, 과거의 고장 이력에 따라 상기 고장 인자에 상응하는 고장 빈도수가 높은 경우 또는 환경이나 계절의 변화에 따라 환경적 원인이나 계절적 원인이 상기 고장 인자에 영향을 미치는 경우 고장 인자의 해당 가중치를 자동으로 높게 변경하여 설정하도록 구성되는 것을 특징으로 하는 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템.
  2. 삭제
  3. 스마트 센서(smart sensor)가 다이 캐스팅(die casting) 장비의 각 부품에 대한 적어도 하나 이상의 고장 인자에 상응하는 상태 정보를 센싱(sensing)하여 수신 모듈로 송신하는 단계;
    상기 수신 모듈이 상기 스마트 센서로부터 각 부품에 대한 상태 정보를 수신하는 단계;
    상기 수신 모듈이 상기 수신된 상태 정보를 상태 정보 데이터베이스에 저장하는 단계;
    예지 보전 모듈이 상기 상태 정보 데이터베이스에 저장된 상태 정보에 미리 정해진 가중치를 적용하여 해당 부품 및 다이 캐스팅 장비의 고장을 미리 예측하는 단계;
    예지 보전 통지 모듈이 상기 예지 보전 모듈에서 예측된 고장을 사용자에게 통지하는 단계를 포함하고,
    상기 예지 보전 모듈이 상기 상태 정보 데이터베이스에 저장된 상태 정보에 미리 정해진 가중치를 적용하여 해당 부품 및 다이 캐스팅 장비의 고장을 미리 예측하는 단계는,
    상기 예지 보전 모듈이 소정의 부품에 대해 복수의 스마트 센서가 센싱한 상태 정보에 대해 가중치를 적용하여 합산하며, 합산된 상태 정보를 미리 정해진 한계치와 비교하고, 비교한 결과를 고장 예측에 이용하도록 구성되고, 과거의 고장 이력에 따라 상기 고장 인자에 상응하는 고장 빈도수가 높은 경우 또는 환경이나 계절의 변화에 따라 환경적 원인이나 계절적 원인이 상기 고장 인자에 영향을 미치는 경우 고장 인자의 해당 가중치를 자동으로 높게 변경하여 설정하도록 구성되고,
    상기 스마트 센서는,
    작동유 유량 레벨 센서, 작동유 유온 센서, 작동유 탁도 측정 센서 및 섹션 필터 진공 압력 센서로 구성되고,
    상기 고장 인자에 상응하는 상태 정보는,
    작동유의 부족, 유온의 상승, 작동유의 열화, 작동유 탱크 내부 이물질 및 리크(leak)에 의한 엔로딩(enloading)으로 구성되는 것을 특징으로 하는 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 방법.
  4. 삭제
KR1020150013629A 2015-01-28 2015-01-28 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법 KR101677358B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150013629A KR101677358B1 (ko) 2015-01-28 2015-01-28 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150013629A KR101677358B1 (ko) 2015-01-28 2015-01-28 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20160093172A KR20160093172A (ko) 2016-08-08
KR101677358B1 true KR101677358B1 (ko) 2016-11-18

Family

ID=56711687

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150013629A KR101677358B1 (ko) 2015-01-28 2015-01-28 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101677358B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180126311A (ko) 2017-05-17 2018-11-27 아주대학교산학협력단 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법
KR101987365B1 (ko) * 2018-11-26 2019-06-10 (주)위세아이텍 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법
KR20190129258A (ko) 2018-05-10 2019-11-20 에이에스티인터내셔널 주식회사 설비의 결함을 예측하는 모듈형 예지 보전 장치 및 방법
WO2020049087A1 (en) 2018-09-05 2020-03-12 Sartorius Stedim Data Analytics Ab Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance
KR20200051758A (ko) * 2017-10-17 2020-05-13 미쓰비시덴키 가부시키가이샤 데이터 처리 장치, 데이터 처리 시스템, 데이터 처리 방법, 데이터 처리 프로그램 및 기억 매체
KR20200077475A (ko) 2018-05-10 2020-06-30 에이에스티인터내셔널 주식회사 설비의 결함을 예측하는 모듈형 예지 보전 장치 및 방법
KR20230085364A (ko) 2021-12-07 2023-06-14 한국건설기술연구원 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101936908B1 (ko) * 2016-11-09 2019-01-10 삼성중공업(주) 설비 건강상태 지수 산출 장치 및 방법, 기록 매체
KR102052628B1 (ko) * 2018-05-28 2019-12-05 주식회사 윈정보기술 조선 설비 고장 예측을 위한 IoT 기반 데이터 처리 시스템
KR101927952B1 (ko) * 2018-09-14 2019-02-26 (주)팀넷코리아 컴퓨터 유지보수 알람 장치 및 방법
KR20210026001A (ko) * 2019-08-28 2021-03-10 (주)아이티공간 클라우드 서버를 통한 대량의 기기 예지 보전 서비스 방법
JP2021160031A (ja) * 2020-03-31 2021-10-11 セイコーエプソン株式会社 故障予測方法および故障予測装置
CN111915190B (zh) * 2020-08-03 2024-05-07 浙江三一装备有限公司 液压油健康指数计算方法、装置和计算机设备
KR102411888B1 (ko) * 2020-09-25 2022-06-23 주식회사 아프로스 설비의 진단을 위한 능동형 스마트 센서와 설비의 상태에 따른 스마트 센서의 동작 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100839071B1 (ko) 2004-05-13 2008-06-19 삼성전자주식회사 공정장비의 상태를 모니터링하기 위한 시스템 및 방법
KR101456781B1 (ko) * 2013-04-25 2014-11-12 (주)부품디비 해양 굴착, 시추 장비의 예지보전을 위한 학습적 고장유형 관리 장치 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090000592A (ko) * 2007-03-02 2009-01-08 세메스 주식회사 설비의 고장 진단 시스템 및 그 방법
KR20140056952A (ko) * 2012-11-02 2014-05-12 주식회사 세이프티아 이상 예측 평가 방법 및 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100839071B1 (ko) 2004-05-13 2008-06-19 삼성전자주식회사 공정장비의 상태를 모니터링하기 위한 시스템 및 방법
KR101456781B1 (ko) * 2013-04-25 2014-11-12 (주)부품디비 해양 굴착, 시추 장비의 예지보전을 위한 학습적 고장유형 관리 장치 및 방법

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180126311A (ko) 2017-05-17 2018-11-27 아주대학교산학협력단 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법
KR20200051758A (ko) * 2017-10-17 2020-05-13 미쓰비시덴키 가부시키가이샤 데이터 처리 장치, 데이터 처리 시스템, 데이터 처리 방법, 데이터 처리 프로그램 및 기억 매체
KR102343793B1 (ko) * 2017-10-17 2021-12-27 미쓰비시덴키 가부시키가이샤 데이터 처리 장치, 데이터 처리 시스템, 데이터 처리 방법, 데이터 처리 프로그램 및 기억 매체
KR20190129258A (ko) 2018-05-10 2019-11-20 에이에스티인터내셔널 주식회사 설비의 결함을 예측하는 모듈형 예지 보전 장치 및 방법
KR20200077475A (ko) 2018-05-10 2020-06-30 에이에스티인터내셔널 주식회사 설비의 결함을 예측하는 모듈형 예지 보전 장치 및 방법
WO2020049087A1 (en) 2018-09-05 2020-03-12 Sartorius Stedim Data Analytics Ab Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance
KR101987365B1 (ko) * 2018-11-26 2019-06-10 (주)위세아이텍 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법
KR20230085364A (ko) 2021-12-07 2023-06-14 한국건설기술연구원 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법

Also Published As

Publication number Publication date
KR20160093172A (ko) 2016-08-08

Similar Documents

Publication Publication Date Title
KR101677358B1 (ko) 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법
Cheng et al. Data-driven predictive maintenance planning framework for MEP components based on BIM and IoT using machine learning algorithms
Vlasov et al. Smart management of technologies: predictive maintenance of industrial equipment using wireless sensor networks
Memarzadeh et al. Value of information in sequential decision making: Component inspection, permanent monitoring and system-level scheduling
Peng et al. A prognosis method using age-dependent hidden semi-Markov model for equipment health prediction
CN105096053B (zh) 一种适用于复杂工艺系统的健康管理决策方法
WO2020033316A1 (en) Leak detection with artificial intelligence
KR20210097369A (ko) 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 시스템 및 그 방법
JP2016538645A (ja) 確率的因子を用いる動的プロセスの人工知能モデルに基づいた制御のための方法およびシステム
WO2013041440A1 (en) System and method for plant wide asset management
CN112785091A (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
EP3584656B1 (en) Risk assessment device, risk assessment method, and risk assessment program
Daher et al. New prognosis approach for preventive and predictive maintenance—Application to a distillation column
KR102328842B1 (ko) 설비 관리 방법 및 이를 실행하는 장치
Fuentes-Huerta et al. Fuzzy reliability centered maintenance considering personnel experience and only censored data
Garcı́a et al. Fault-diagnostic system using analytical fuzzy redundancy
Aikhuele et al. Interval-valued intuitionistic fuzzy TOPSIS-based model for troubleshooting marine diesel engine auxiliary system
KR20160087669A (ko) 항만장비 오류정보 데이터베이스 구축 및 고장예측 시스템
Lee et al. Intelligent factory agents with predictive analytics for asset management
Boumallessa et al. Modeling and optimizing the maintenance schedule using dynamic quality and machine condition monitors in an unreliable single production system
Chen et al. BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities
Zio et al. A snapshot on maintenance modeling and applications
Xin et al. Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications
Balali et al. Data Intensive Industrial Asset Management
RU2735296C1 (ru) Способ многопараметрического контроля состояния сложных электротехнических объектов

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant