KR101711936B1

KR101711936B1 - 머신 상태 모니터링에서 결함 진단을 위한 일반화된 패턴 인식

Info

Publication number: KR101711936B1
Application number: KR1020157000744A
Authority: KR
Inventors: 차오 유안; 아미트 차크라보르티; 라이프 비이프킹; 홀거 학슈타인
Original assignee: 지멘스 악티엔게젤샤프트
Priority date: 2012-06-12
Filing date: 2013-06-03
Publication date: 2017-03-03
Also published as: EP2859418B1; US20130332773A1; KR20150018642A; EP2859418A1; WO2013188145A1; US8886574B2; CN104471501B; CN104471501A

Abstract

일반화된 패턴 인식이 머신 상태 모니터링에서 결함들을 식별하는데 사용된다. 패턴 클러스터들이 동작 데이터에서 식별된다. 주석이 달린 트레이닝 데이터에 부가하여, 패턴 클러스터들을 이용하여 분류기가 트레이닝된다. 동작 데이터는 또한, 동작 데이터의 신호들을 신호 클러스터들로 클러스터링하는데 사용된다. 그런 다음, 트레이닝 데이터에 포함된 신호들과 동일한 신호 클러스터들의 신호들에 의해 트레이닝 데이터에 포함된 신호들의 대체들을 포함하는 신뢰 벡터들을 평가함으로써, 모니터링된 데이터 샘플들이 분류된다.

Description

머신 상태 모니터링에서 결함 진단을 위한 일반화된 패턴 인식{GENERALIZED PATTERN RECOGNITION FOR FAULT DIAGNOSIS IN MACHINE CONDITION MONITORING}

본 발명은 일반적으로 머신 상태 모니터링(machine condition monitoring)에 관한 것이고, 더욱 구체적으로는, 감독 패턴-인지-기반 기술(supervised pattern-recognition-based technique)들을 이용하여, 제한된 트레이닝 데이터(training data)로부터 머신 페일(machine failure)들을 검출하기 위한 방법들, 시스템(system)들 및 컴퓨터 판독가능 미디어(computer readable media)에 관한 것이다.

머신 상태 모니터링의 과제는 유지보수가 시기적절한 방식으로 수행될 수 있도록 초기 단계에 머신 페일들을 검출하는 것이다. 페일의 경우, 대응하는 국부화된, 그리고 따라서 더욱 효율적인 유지보수가 적용될 수 있도록 이러한 페일의 원인을 아는 것이 매우 중요하다.

규칙-기반 시스템들이 아마도, 가장 널리 사용되는 상태 모니터링 방법들이다. 규칙의 일반적인 포맷(format)은 "만일 상태라면, 결함 타입(type)"이다. 규칙들은, 기본적인 시스템 모델(system model)의 지식을 소유한 전문가들에 의해 정의되고; 그러나, 정확한 규칙들을 설계하는 것은, 특히 많은 센서(sensor)들 및 결함 타입들을 갖는 복잡한 시스템들에 대해, 매우 신중하고 시간이 걸리는 프로세스(time consuming process)이다. 예컨대, 하나의 상업적으로 성공적인 상태 모니터링 규칙 베이스(rule base)를 개발하는데 80인/연(man year)이 요구된다.

본 발명은 머신 상태 모니터링을 위한 방법을 제공함으로써 위에서 설명된 필요들을 다룬다. 시간에 따른 O개 신호들로부터의 데이터를 포함하는 이력 동작 데이터가 컴퓨터에 의해 수신된다. 동작 데이터의 개별 신호들로부터의 데이터로부터 I개 패턴들(x)이 추출된다. I개 패턴들은 유사성들에 기초하여 K개 패턴 클러스터(pattern cluster)들(c_K)로 클러스터링되고(clustered), O개 신호들은 O개 신호들 간의 상관들에 기초하여 R개 신호 클러스터들로 클러스터링된다.

O개 신호들로부터 선택된 N개 신호들로부터의 데이터를 포함하고 적어도 하나의 마킹된(marked) 페일 시간 기간을 갖는, 주석이 달린 트레이닝 데이터 샘플(annotated training data sample)이 수신된다. N개 신호들 각각에 대한 K개 신뢰 값들을 포함하는 K×N 신뢰 벡터(confidence vector)가 생성되고, 각각의 신뢰 값은 신호의 마킹된 페일 시간 기간에서 데이터로부터 추출된 패턴(x)이 K개 패턴 클러스터들 중 하나에 속하는 신뢰를 표현한다. K×N 신뢰 벡터를 이용하여, 분류기가 트레이닝된다(trained).

그런 다음, O개 신호들로부터의 데이터를 포함하는, 모니터링된(monitored) 데이터 샘플이 수신된다. I개 신호들 중에는 없는 O개 신호들 중 적어도 하나가 I개 신호들 중 하나와 동일한 신호 클러스터에 있음에 기초하여, 그리고 추가로, O개 신호들 중 적어도 하나가 K×N 신뢰 벡터에 포함된 I개 신호들 중 하나의 신뢰 값들과 유사한 신뢰 값들을 갖는다는 결정에 기초하여 페일을 표시함으로써, 모니터링된 데이터 샘플이 분류된다. 예를 들어, 모니터링된 데이터를 분류하는 단계는, 모니터링된 데이터 샘플 신호들의 하위-결합들에 대한 신뢰 벡터들을 평가하는 단계를 포함하고, 여기서, 주석이 달린 데이터 트레이닝 신호들 각각은, 표현된 주석이 달린 데이터 트레이닝 신호와 동일한 신호 클러스터에 있는 모니터링된 데이터 샘플 신호에 의해 하위-결합에 포함되거나 또는 하위-결합으로 표현된다. 또 다른 예에 따르면, 모니터링된 데이터를 분류하는 단계는, 우세한 신뢰 벡터를 식별하기 위해 그리디 알고리즘(greedy algorithm)을 적용하는 단계, 및 우세한 신뢰 벡터에 대한 평가 함수 값이 임계치를 초과하는 지를 결정하는 단계를 더 포함한다.

본 발명의 다른 양상에서, 위에서 설명된 바와 같은 머신 상태 모니터링을 위한 방법들을 수행하기 위해 프로세서(processor)에 의한 실행을 위해 컴퓨터 판독가능 명령들이 저장된 비-일시적 컴퓨터-사용가능 매체가 제공된다.

도 1은 본 발명의 일 실시예에 따른 머신 상태 모니터링 도구의 개략적인 예시이다.
도 2는 본 발명의 일 실시예에 따른 다양한 신호 분류들에 대한 신뢰 레벨(confidence level)들을 나타내는 예시적 표이다.
도 3은 본 발명의 일 실시예에 따른 도구를 예시하기 위한 컴퓨터 시스템을 나타내는 개략도이다.

본 개시물은 머신 학습을 사용하기 위한 방법에 초점을 두고, 구체적으로는, 감독 패턴-인식-기반 기술들에 초점을 둔다. 머신 학습 모델들은 데이터 구동식(data-driven)이다: 머신 학습 모델들은 트레이닝 데이터로부터 자동으로 학습된다. 그것은 매우 신속하게(예컨대, 분 단위) 수행될 수 있다. 적절하게 트레이닝된다면, 머신 학습 모델들은 규칙 베이스들을 이용하여 가능한 것보다 더욱 제대로 복잡한 결함 상태들을 설명할 수 있다.

머신 학습 기술들이 데이터-구동식이기 때문에, 머신 학습 기술들은 원하는 정확성을 달성하기 위해 충분한 트레이닝 데이터를 요구한다. 트레이닝 데이터는 정상 동작 모드(mode) 및 페일 모드 둘 다를 표현해야 한다. 그러나, 이러한 요건은 충족시키기가 매우 어렵다. 정상 상태를 표현하는 트레이닝 데이터를 획득하기는 쉬운데, 그 이유는 머신의 수명 중 대부분 동안 머신은 정상적으로 동작하고 있을 것이기 때문이다. 그러나, 결함 타입을 표현하는 트레이닝 데이터를 획득하는 것은 꽤 난제인데, 그 이유는 (우리가 유사한 머신들의 콜렉션(collection)을 고려하더라도) 특정 타입들의 결함들이 드물게만 발생할 수 있기 때문이다. 그러한 몇 인스턴스(instance)들의 경우에도, 사용자는 상기 인스턴스들 전부에 다 주석을 다는 시간을 소비할 것 같지 않다. 따라서, 매우, 페일을 표현하는 단 한 개의 트레이닝 샘플이 이용가능할 것 같고, 이는 결함을 학습하기가 꽤 어렵게 만든다. 부가하여, 모니터링 동안, 동일한 페일 타입이, 트레이닝 동안에 특정된 신호들과 상이한 신호들 세트(set) 상에 나타날 수 있다. 그러므로, 통상적인 분류 방법이 뒤이어진다면, 새로운 페일 패턴들을 분류하는 것은 거의 불가능하다.

도 1에 도시된 다이어그램(diagram)(100)은 현재 제안된 기술의 개요를 제공한다. 기술은 두 개의 파트(part)들을 포함한다: 트레이닝 파트(120) 및 모니터링 파트(150). 트레이닝 파트(120)는 부가하여 두 개의 서브-파트(sub-part)들을 포함한다. 제1 서브-파트에서, 동작 데이터(131)가 사용된다. 피처(feature)들이 132에서 동작 데이터로부터 추출되고, 신호 클러스터링(clustering)(133) 및 패턴 클러스터링(134)을 위해 사용된다. 트레이닝(120)의 제2 서브-파트에서, 사용자-주석이 달린 데이터(141)가 피처 추출(142)을 겪고 신뢰 벡터들(143)로 변환되며, 상기 신뢰 벡터들(143)은 144에서 분류기를 트레이닝하는데 사용된다.

모니터링 동안, 추출된 피처들(151)의 신호 클러스터링 및 패턴 클러스터링으로부터의 결과들은 테스트 패턴(test pattern)들에 대한 신뢰 값 표(152)를 컴퓨팅(compute)하는데 사용된다. 그런 다음, 후보 가설들이 153에서 신뢰 값 표로부터 생성된다. 최종 결정을 하기 위해 가장 가능한 후보 가설이 154에서 분류된다("예"는 페일이 존재함을 의미하고, "아니오"는 패턴들이 정상임을 의미한다).

현재 설명된 기술은 제한된 트레이닝 샘플들로부터 미래 모니터링 동안 예상될 수 있는 결함 시그너처(fault signature)들로 일반화한다. 머신 또는 유사한 머신들의 동작 데이터로부터 유용한 정보를 추출하기 위해, 일반화의 두 개의 방식들, 즉 패턴 클러스터링(134) 및 신호 클러스터링(133)(도 1)이 아래에서 제안된다. 그러한 동작 데이터는 쉽게 이용가능하다. 동작 데이터는 사용자-주석이 달린 트레이닝 데이터 및 주석이 달리지 않은 데이터를 포함할 수 있고, 알려진 또는 알려지지 않은 페일들을 포함할 수 있다.

패턴 클러스터링 방식에서는, 동작 데이터의 모든 패턴들을 클러스터링함으로써, 패턴들이 일반화된다. 각각의 클러스터는 징후로서 보일 수 있다. 주석이 달린 패턴과 동일한 클러스터 내의 모든 패턴들은 유사하고, 그리고 주석이 달린 패턴들의 가능한 변형들로서 보일 수 있다. 소프트 클러스터링(soft clustering)을 허용하기 위해, 징후를 나타내는 패턴의 신뢰가 또한 계산된다.

신호 클러스터링 방식에서는, 동작 데이터를 이용하여 모든 신호들을 클러스터링함으로써, 신호들이 일반화된다. 가정은, 동일한 페일 타입에 대한 유사한 징후들이 미래에 유사한 신호들 상에서만 발생할 수 있다는 것이다. 모니터링 동안, 주석에 의해 특정된 신호들만을 체킹(checking)하는 것 대신에, 주석이 달린 신호들과 유사한 모든 가능한 신호들이 체킹된다(checked). 각각의 가능한 후보가 가설을 형성하고, 최종 결정을 하기 위해 우세한 가설이 사용된다.

문제점 정의

트레이닝 동안, 사용자는 총계 O개의 이용가능하고 의미 있는 신호들로부터 N개 신호들, 즉 s₁, s₂, ..., s_N 을 선택한다. 그러한 선택된 N개 신호들은 본래 센서들(예컨대, 온도, 압력들을 측정함)일 수 있다. 상기 선택된 N개 신호들은 또한 이전 데이터 프로세싱(data processing)으로부터의 결과들, 예컨대 계산된 값들(예컨대, 여러 본래 센서들의 평균(average)) 또는 잔차들(자신의 이상적인 값으로부터 센서 값의 편차)일 수 있다. 부가하여, 사용자는 페일이 발생했을 때 t₀ - T +1과 t₀ 사이의 시간 기간(T)을 마킹(mark)한다. 도 1의 블록(block)(141)에 의해 데이터 주석이 예시된다.

위의 주석의 목표는 페일이 무엇처럼 보이는지 그리고 페일이 언제 발생했는지를 표시하는 것이다. 사용자는 이러한 페일의 L개의 그러한 인스턴스들에 주석을 달 수 있다. 이상적으로, 이러한 페일에 관련된 신호들만이 선택되어야 한다. 유사하게, 페일이 발생할 때의 타임 스탬프(time stamp)들만이 마킹되어야 한다. 다음이 이루어지도록, x, 즉 T-차원 벡터가 신호(s)의 패턴을 표시하게 두자.

.

N개 패턴들 전부가 T개의 N-차원의 결합된 패턴 벡터(X)로 표현될 수 있다

.

대안적으로, 페일을 설명하는데 규칙이 사용될 수 있다.

s ∼ x

가, 신호(s)가 패턴(x)을 나타냄을 표시하게 두자. 위의 용어를 이용하여, 다음이 이루어지도록 각각의 신호가 대응하는 패턴을 나타낸다면, 페일이 발생함이 언급될 수 있다

s ₁ ∼ x₁

s ₂ ∼ x₂

s _N ∼ x _N .

상이한 페일 인스턴스들이 상이한 데이터 해상도 또는 시간 지속기간(T)을 갖는다면, 상기 상이한 페일 인스턴스들은 신호들을 업-샘플링(up-sampling) 또는 다운-샘플링(down-sampling)함으로써 정규화될 수 있다. 이제부터, 패턴들 전부가 동일한 시간 지속기간(T) 내에 있음과 상기 패턴들 전부가 동일한 해상도를 가짐이 가정된다. T는 또한 각각의 패턴에 대한 데이터 지점들의 개수를 표시한다.

페일의 주석에 부가하여, 사용자는 머신의 정상 동작에 주석을 달 수 있다. 이러한 정상 동작 시간은 보통 훨씬 더 길고, 다수의 시간 범위들에서 나타난다. 상기 정상 동작 시간은, 머신이 정상일 때 신호들이 무엇처럼 보이는지를 표시한다. 정상 행위를 표현하기 위해 이러한 주석이 달린 정상 데이터로부터 패턴들을 추출하는데 T의 길이를 갖는 슬라이딩 윈도우(sliding window)가 사용된다. M개의 그러한 예들이 존재한다고 가정하라.

목적은, 위의 주석이 달린 데이터에 기초하여 분류기를 트레이닝하는 것이다. 모니터링 동안, 모든 각각의 타임 스탬프(t)에서, 이러한 트레이닝된 분류기가 N개의 선택된 신호들의 데이터에 적용될 것이고, t에서 페일이 발생하는지 또는 아닌지에 관한 결정을 할 것이다.

피처 추출

본래 신호 값들에 의해 패턴(x)이 표현된다. 상기 패턴(x)은 페일에 관한 가장 관련된 정보를 직접적으로 산출하지 않을 수 있다. 따라서, 다음이 이루어지도록, 본래 패턴(x)으로부터 정보 또는 피처들 f(x)를 추출하는 것이 유용하다

.

각각의 피처 f _d (x)는 T-차원 패턴(x)으로부터 스칼라(scalar)로의 변환으로서 보일 수 있고, 여기서 d = 1 , 2, ... , D이다.

가능한 피처들은 다음을 포함하지만, 다음으로 제한되지는 않는다

- 본래 신호 값들. f(x) = x.

- 서브스페이스 프로젝션(subspace projection). x는 주성분들이 걸쳐 있는 스페이스(space)와 같은 더 낮은 서브스페이스로 프로젝팅된다(projected). 프로젝션들이 피처들로서 사용된다.

- 푸리에 변환(Fourier transform)(패턴(x)이 보통 고정이라면).

- 웨이브렛 변환(Wavelet transform)(패턴(x)이 보통 고정이 아니라면).

- 히스토그램(Histogram). x에 있는 데이터 지점의 모든 가능한 값들이 빈(bin)들로 나누어진다. 각각의 빈에서 카운트(count)의 퍼센티지(percentage)가 피처로서 사용된다.

최종 f(x)는 위의 피처들의 결합일 수 있다. 어느 경우에서든, 패턴(x)으로부터 추출된 f(x)는 일반적으로 D의 차원을 갖는 벡터이다. 예컨대, f가 푸리에 변환이고 T가 256개 데이터 지점들을 포함한다면, D = 256이다. 상이한 신호들로부터의 상이한 패턴들은 상이한 타입들의 피처들을 가질 수 있다. 단순성을 위해, 공통 피처 함수 f가 신호들 전부로부터의 패턴들 전부에 의해 공유됨이 가정된다.

현재 개시된 기술에서, 주석이 달린 데이터(도 1의 블록(142)), 동작 데이터(블록(132)) 및 모니터링 데이터(블록(151))를 포함하는 피처 추출이 여러 신호들 그룹(group)들 상에서 수행된다.

일반화

피처 추출 이후, 추출된 피처들을 이용하여 분류 문제점이 표현될 수 있다. 트레이닝 샘플이 (F, y)에 의해 표현되고, 여기서 DN-차원의 결합된 피처 벡터가 다음에 의해 정의된다

.

y는 클래스 라벨(class label)이다: 트레이닝 샘플이 페일을 표현하면 y = 1이고, 트레이닝 샘플이 정상 샘플을 표현하면 y = -1이다. 총계 M개의 정상 트레이닝 샘플들

이 존재하고, L개 페일 트레이닝 샘플들

이 존재한다. 사용자가 어떠한 정상 트레이닝 데이터에도 주석을 달지 않는다면 M이 0일 수 있고, L이 보통 매우 작음, 예컨대 L = 1임을 주의하라. 분류의 과제는, 이진 결정 q(F)(페일 모드에 대해 1, 그리고 정상 데이터에 대해 -1)이 다음과 같이 이루어질 수 있도록, 위의 M + L개 트레이닝 샘플들로부터 연속 평가 함수 h(F)를 학습하는 것이다

표준 분류기들은, 다음의 난제들 때문에 지금까지 생성된 트레이닝 예들을 이용하여 상기 표준 분류기들이 간단히 트레이닝된다면, 잘 동작하지 않을 것이다:

- 트레이닝 샘플들의 개수가 페일 경우에 대해 극도로 작은데, 예컨대 L = 1이다. 그것은 패턴들의 변형들을 캡쳐(capture)하기에 충분하지 않다.

- 모니터링 동안, 사용자에 의해 선택된 신호들 s ₁ , s ₂ , ..., s _N 이외의 상이한 신호들 상에 동일한 타입의 페일이 나타날 수 있다.

두 개의 일반화 기술들이 아래에 제안되는데, 하나는 위에서 주의된 두 개의 이슈(issue)들 각각을 다루는 것이다. 하나의 목표는 머신 또는 유사한 머신들의 동작 데이터 전부로부터, 사용자에 의해 그들에 (페일 또는 정상 데이터로서) 주석이 달리지 않더라도, 유용한 정보를 추출하는 것이다.

패턴 일반화

주석이 달린 데이터가, 패턴이 미래에 어떻게 가변할 수 있는지를 나타내지 못할지라도, 패턴의 변형들은 동일한 머신의 동작 데이터 전부에서 또는 다른 유사한 머신들의 동작 데이터에서 앞에 나타났을 것 같은데, 그 이유는 그러한 데이터가 보통 풍부하기 때문이다. 그러므로, 상이하지만 트레이닝 패턴과 여전히 유사해야 하는 상기 트레이닝 패턴의 그러한 변형들에 대한 동작 데이터를 검색하는 것이 가능하다.

현재 설명된 패턴 일반화 기술에서, 동작 데이터 전부로부터의 패턴들이 클러스터링된다(도 1의 블록(134)). 이러한 클러스터링은 신호들과 무관하게(또는 모든 O 신호들에 걸쳐) 수행될 수 있거나, 또는 (아래의 신호 일반화 하에서 설명되는 바와 같이 동일한 신호 클러스터에서) 유사한 신호들에 걸쳐 수행될 수 있다. 첫 번째 경우만 여기서 논의된다. 마지막 H 시간(예컨대, H = 5년) 동안 O 신호들에 대한 동작 데이터가 존재한다고 가정하라. O 신호들 각각으로부터 그리고 모든 H 시간 동안 패턴(x)을 추출하는데 T의 길이를 갖는 슬라이딩 윈도우가 사용될 수 있다. 총계 I개의 추출된 패턴들이 존재할 것이다. I가 너무 크다면, I를 계산적으로 관리 가능하게 만들기 위해 패턴들이 랜덤하게(randomly) 생략될 수 있다. 위에서 설명된 동일한 피처 추출 방법 f이 I개 패턴들 각각에 적용된다. 마지막으로, K-평균(mean)과 같은 표준 클러스터링 방법이 이러한 I개 패턴 피처 벡터들 f(x)에 적용되어, K개 클러스터들이 형성된다. 넘버(number) K는 사용자에 의해 또는 알고리즘(algorithm)에 의해 자동으로 특정될 수 있다.

직관적으로, 각각의 클러스터는 알파벳(alphabet)을 표현하고, 차례로 알파벳은 정상 및 결함 패턴들(또는 패턴 피처 벡터들)을 표현하는데 사용된다. 예컨대, 하나의 클러스터가 드리프팅-업 패턴(drifting-up pattern)들을 표현할 수 있고, 다른 클러스터가 드리프팅-다운 패턴(drifting-down pattern)들을 표현할 수 있다. 이러한 클러스터링이 신호들 전부에 대해 단 한 번 수행됨을 주의하라.

따라서, I개 패턴들 전부가 K개 클러스터들로 클러스터링되었다. 각각의 패턴 클러스터(c_K )가 이제 징후로 지칭되고, 여기서 k = 1, 2, ..., K이다. 로우-레벨 패턴(low-level pattern)(x)(또는 패턴(x)의 피처 벡터 f(x))과는 대조적으로, 징후(c_K )는 하이-레벨 서술자(high-level descriptor)이다. 징후(c_K )에 속하는 패턴(x)의 신뢰 P(c_K

x)는 또한 다음과 같이 컴퓨팅되고(computed):

여기서,

은 패턴 피처 벡터 f(x)와 클러스터(징후) 평균(mean)(μ_K) 사이의 거리이다.

은 유클리드 거리(Euclidean distance) 또는 마할라노비스 거리(Mahalanobis distance)일 수 있다. p _K 는 클러스터(c _K )의 가중치를 표시한다; 상기 p _K 는 이러한 클러스터에서 트레이닝 패턴들의 개수에 보통 비례하고, p ₁ + p ₂ + ... + p _K = 1이다. 직관적으로, 패턴 피처 벡터 f(x)가 클러스터 중심(μ_K)에 더 가까울수록, 거리

가 더 작고 그리고 클러스터(c _K )에 속하는 x(또는 f(x))의 신뢰가 더 높다.

일단 패턴 클러스터링이 완료되면, 주석이 달린 트레이닝 예들이 재-해석될 수 있다.

가, 신호(s)가 P(c _K

x)의 신뢰를 갖는 징후(c _K )를 나타냄을 표시하게 두자. 징후의 개념은 위에서 논의된 본래 패턴 s ∼ x보다 더욱 제대로 일반화하는데, 그 이유는 이제, 동일한 클러스터 내의 많은 유사한 패턴들이, 그들이 동일한 클러스터에 속하는 유사한 신뢰들을 갖는다면(또는 클러스터 중심(μ_K)으로부터의 각자의 거리들이 가깝다면), 최종 분류 결정을 할 때 유사한 영향력들을 가질 것이기 때문이다. 만일 다음과 같다면,

페일이 발생함이 언급될 수 있다.

다시 말해, N개 신호들 각각에 대한 패턴은 이제, K개 신뢰 값들에 의해 표현되고, 각각의 값은 징후를 나타내는 패턴의 신뢰를 표시한다. 이러한 K개 값들의 합은 1과 동일하다. 사용자가 하드 클러스터링 결정(hard clustering decision)을 선호한다면 ―여기서, x는 가장 신뢰성 있는 클러스터(c _K )에 할당됨―, 단 한 개의 신뢰 P(c _K

x) = 1이고, 모든 다른 것들은 0이다.

이제, KN-차원 신뢰 벡터 P가 다음의 트레이닝 샘플에 대해 정의된다

.

본래 TN-차원의 결합된 패턴 벡터 X = [x₁ ^T, x₂ ^T, ..., x_N ^T]^T는 DN-차원의 결합된 피처 벡터 F = [f(x₁)^T, f(x₂)^T, ..., f(x_N)^T]^T로 변환되었고, 마지막으로 상기 KN-차원 신뢰 벡터 P로 변환되었다.

신호 일반화

동일한 타입의 페일은 트레이닝 동안 사용자에 의해 선택된 신호들과 상이한 모니터링된 신호들을 수반할 수 있다. 예컨대, 가스 터빈(gas turbine)의 블레이드 경로 컴포넌트(blade path component)에서, 다수의 온도 센서들이 상이한 위치들에 보통 설치된다. 상기 온도 센서들이 전부 인근에 온도를 측정하고 있기 때문에, 상기 온도 센서들은 매우 상관된다. 벽 상의 균열과 같은 블레이드 경로 컴포넌트 페일 동안, 몇몇 온도 센서들이 드리프팅 다운될 수 있다. 다른 그러한 경우에, 페일의 위치에 따라, 유사한 징후들이 몇몇 다른 온도 센서들 상에서 발생할 수 있다. 그러므로, 동일한 타입의 페일을, 그것이 상이한 신호들 세트 상에서 나타날 때에도, 식별할 필요가 존재한다.

현재 개시된 기술은 본 문제점을, 신호들의 상관에 기초하여 상기 신호들을 클러스터링함으로써(도 1의 블록(133)) 다룬다. 첫째, 페어-와이즈 신호 상관(pair-wise signal correlation)이 동작 데이터에 기초하여 계산된다. 선형 및 비선형 상관 알고리즘들 둘 다가 사용될 수 있다. 둘째, 계층적 클러스터링과 같은 방법들을 이용하여 신호들이 클러스터링된다. 이러한 신호 일반화가 타당함을 보장하기 위해, 이러한 클러스터링은 매우 선택적이 되도록 요구받는다: 신호들은 상기 신호들이 정말로 유사한 경우에만 그룹핑(grouping)된다. 이것은, 계층적 클러스터링에서 매우 높은 유사성 임계치에 의해 달성될 수 있다. 총계 R개 클러스터들이 발견된다고 가정하고, 그리고 r(s)가 신호(s)에 대한 신호 클러스터를 표시하게 두자 ―여기서, r(s) = 1, 2, ..., R임―.

신호(s)가 속하는 동일한 클러스터로부터의 임의의 신호를 표시하는데 g(s)가 사용된다:

.

트레이닝 샘플의 새로운 그리고 최종의 해석이 이제 가능하여, 도 1의 블록(143)에 의해 표현되는 다음의 신뢰 벡터가 산출된다. 만일 다음이라면, 페일이 발생한다

마지막 항은, 페일을 설명할 때 신호가 단 한 번만 사용됨을 보장한다. g(s)를 이용하여 페일을 정의하는 것과 s를 이용하여 페일을 정의하는 것 사이의 주요한 차이는 다음이다. s를 이용할 때, 사용자에 의해 특정된 신호들만이 페일에 대비하여 체킹될 것이다. 그러나, g(s)를 이용함으로써, 사용자에 의해 셋팅된(set) 결합 이외에 신호들의 다수의 결합들이 존재하여, 페일 정의가 충족되기 때문에, 그들 전부가 페일에 대비하여 체킹될 것이다. 예컨대, 신호 s₁ 및 s₂가 동일한 신호 클러스터 1에 있고 신호 클러스터 1이 s₁ 및 s₂를 포함하는 세 개의 신호들을 갖는다고 가정하라. 모니터링 동안, 이러한 3-신호 클러스터로부터의 모든 각각의 2-신호 결합은 이러한 타입의 페일에 대비하여 평가되어야 한다. 신호 클러스터들의 개수(R)가 O, 즉 신호들의 총 개수와 동일하다면, 각각의 신호는 자신만의 클러스터를 형성하고, 따라서 g(s) = s이다. 그러므로, 위의 해석은 또한, 신호 클러스터링이 수행되지 않는 경우를 포함할 수 있다.

사용자가 클러스터들 사이에서 신호들을 수동으로 움직임으로써 또는 클러스터들을 제거 또는 부가함으로써 신호 클러스터링 결과들과 또한 상호작용할 수 있음을 주의하라. 신호 일반화는 쉽게 스위칭 오프(switching off)될 수 있고, 그래서 모든 각각의 신호가 자신만의 클러스터를 형성한다.

2-클래스 분류

도 1의 블록(144)과 같이 도시된 트레이닝 단계 동안, 각각의 트레이닝 샘플은 (P, y)에 의해 표현되고, 여기서 P는 위에서 정의된 KN-차원 신뢰 벡터이다. y는 클래스 라벨이다: 페일에 대해 1, 그리고 정상 샘플에 대해 -1. 특히, 다음의 분류기들은 상이한 경우들에서 고려된다:

- 정상 트레이닝 샘플이 존재하지 않고(M = 0), 하나보다 많은 페일 트레이닝 샘플들이 존재한다면(L > 1), 1-클래스 지지 벡터 분류기가 사용된다.

- 정상 트레이닝 샘플이 존재하지 않고(M = 0), 단 한 개의 페일 트레이닝 샘플이 존재한다면(L = 1), 나이브 베이즈 분류기(Naive Bayes classifier)가 사용되는데, 그 이유는 1-클래스 지지 벡터 머신이 이러한 경우 장점을 갖지 않기 때문이다.

- 몇몇의 정상 트레이닝 샘플들이 존재한다면(M > 0), 표준 2-클래스 지지 벡터 머신 또는 아다부스트 분류기(AdaBoost classifier)가 사용된다.

트레이닝 이후, 신뢰 벡터 P에 대해 연속 평가 함수 h(P)가 획득된다. 분류기 q(P)는 다음과 같이 정의된다.

h(P) > 0이면, P 및 그 연관된 패턴은 페일로서 분류된다; 그렇지 않으면, 그것은 정상으로서 분류된다. 값 h(P)가 더 높을수록, 그것이 더욱 페일일 것 같다는 것을 주의하라.

모니터링 단계 동안, 모든 각각의 데이터 지점(t)에서, t로부터 과거의 T개 시간 윈도우에 기초하여 모든 각각의 신호로부터 패턴이 추출된다. 그런 다음, 징후에 속하는 그 패턴의 신뢰가 도 1의 블록(152)에서 계산된다. 결과들은 도 2에 도시된 표(200)와 유사한 표에서 배열된다.

페일을 표현하기 위해 사용자가 신호들 s ₁, s ₂ 및 s ₄를 선택한다고 가정하라. 표(200)에서, s ₁, s ₂ 및 s ₃은 동일한 신호 클러스터 1에 속하고; s ₄ 및 s ₅는 동일한 신호 클러스터 2에 속한다. 모니터링 동안, s ₁, s ₂가 신호 클러스터 1로부터의 임의의 두 개의 신호들로 교체될 수 있고, 세 개의 가능성들이 존재한다. s ₄가 신호 클러스터(2)로부터의 임의의 신호로 교체될 수 있고, 두 개의 가능성들이 존재한다. 그래서, 총계 3×2 = 6개의 가능성들 또는 가설들이 존재한다. 6개 가설들 각각은 표(200)로부터 자신의 대응하는 신뢰 벡터 P를 형성할 것이다. 도 1의 블록(153)에 의해 표현된, 최대 평가 함수 값 h(P)을 갖는 우세한 가설이, 최종 분류 결정(154)을 하는데 사용될 것이다.

많은 개수의 신호 클러스터들이 존재하고 클러스터마다 신호들의 평균(average) 개수가 크다면, 위의 방법은 계산적으로 매우 값비싸질 수 있다. 따라서, 다음의 그리디 알고리즘(greedy algorithm)이 사용될 수 있다. 첫째, 트레이닝 동안 사용자-특정된 신호들을 사용함으로써든 또는 랜덤하게 선택된 신호들을 사용함으로써든 가설이 형성된다. 그런 다음, 이러한 가설에서의 각각의 신호가, 최고 h(P)를 달성하는, 동일한 신호 클러스터 내의 다른 사용되지 않은 신호로 교체된다. 그러한 교체는, 가설에서 사용된 신호들 전부의 하나의 스캔(scan)에서만 수행된다.

멀티-클래스 분류(multi-class classification)

지금까지, 페일 y = 1과 정상 데이터 y = -1 사이에서 어떻게 결정하는지에 관해 초점이 맞추어졌었다. 실제, 보통 B > 1개의 가능한 페일들이 존재한다. 그러므로, 페일(b)에 대해 평가 함수 h _b (P)를 트레이닝할 필요가 있고, 여기서 b = 1, 2, ..., B이다. 이제 정상 트레이닝 샘플들과 다른 B - 1개 페일들로부터의 트레이닝 샘플들이 결합된 네거티브 트레이닝 샘플 세트(combined negative training sample set)(여기서, 라벨 y = -1)로서 처리된다는 점을 제외하고서, h _b (P)를 트레이닝하는 것은 이전에 설명된 것과 매우 유사하다. 목표는, 결합된 네거티브 트레이닝 샘플들로부터 페일(b)(여기서, 라벨 y = 1)을 구별하는 것이다. 동일한 프로시저(procedure)에 따라, 평가 함수 h _b (P)가 모든 각각의 b에 대해 획득된다. 다음의 상이한 두 개의 경우들에서 최종 결정은 상이하게 이루어진다.

멀티-라벨(multi-label) 분류: 이러한 경우, 동시에 상이한 페일들이 일어날 수 있음이 가정된다. 그러므로, 동일한 테스트 샘플이 다수의 페일들로 분류될 수 있다. 이러한 경우, 각각의 페일(b) 및 페일(b)에 속하는 P의 결정을 위한 이진 분류기 q_b (P)가 독립적으로 만들어진다

단일-라벨 분류: 이러한 경우, 한번에 단 한 개의 페일이 일어날 수 있음이 가정된다. 그러므로, 테스트 샘플을 위해 가장 가능한 페일이 선택되어야 한다. 최대 h _b (P)에 기초하여 페일 라벨(1, 2, ..., B) 또는 정상 데이터 라벨(-1)로부터 단일 결정을 하는 단일 분류기 q(P)가 존재한다:

시스템

위에서 설명된 바와 같은 방법론의 엘리먼트(element)들은, 단일 유닛(unit) 또는 네트워크(network) 또는 버스(bus)에 의해 링크된(linked) 복수의 유닛들을 포함하는 컴퓨터 시스템(computer system)에서 구현될 수 있다. 예시적 시스템(300)이 도 3에 도시된다.

시스템 서버(system server)(330)는 메인프레임 컴퓨터(mainframe computer), 데스크톱(desktop) 또는 랩톱 컴퓨터(laptop computer) 또는 데이터를 프로세싱할 수 있는 임의의 다른 디바이스(device)일 수 있다. 시스템 서버(330)는, 광역 데이터 네트워크(WAN)(320)를 포함하는, 컴퓨터에 연결될 수 있는 임의의 개수의 데이터 소스(data source)들로부터 데이터를 수신한다. 예컨대, 시스템 서버(330)는 센서들(310)로부터 신호들을 수신할 수 있거나, 또는 WAN(320)을 통해 사용자(312)로부터 입력을 수신할 수 있다.

시스템 서버(330)는 중앙 처리 장치(CPU; central processing unit)(334) 및 메모리(memory)(332)를 포함한다. 서버는 입력 및/또는 출력 디바이스(350)에 연결될 수 있다. 입력은 마우스(mouse), 네트워크 인터페이스(network interface), 터치 스크린(touch screen) 등등일 수 있고, 출력은 액정 표시 장치(LCD; liquid crystal display), 음극선관(CRT; cathode ray tube) 디스플레이(display), 프린터(printer) 등등일 수 있다. 대안적으로, 입/출력 데이터를 포함하는 커맨드(command)들이 네트워크(320)를 통해 전달될 수 있다. 서버(330)는, 특정 과제들을 실행하기 위해 예컨대 입력 및 출력 디바이스들(350)을 이용함으로써 동작하도록 그리고 정보를 디스플레이(display)하도록 구성될 수 있다.

CPU(334)는, 본 개시물에 따라 소프트웨어(software)를 이용하여 구성될 때, 본원에 논의된 바와 같은 머신 상태 모니터링을 위한 하나 또는 그 초과의 방법들을 수행하기 위해 구성되는 모듈(module)들을 포함한다.

메모리(332)는 랜덤 액세스 메모리(RAM; random access memory) 및 판독-전용 메모리(ROM; read-only memory)를 포함할 수 있다. 메모리는 또한, 디스크 드라이브(disk drive), 테이프 드라이브(tape drive), 메모리 카드(memory card) 등등 또는 이들의 결합과 같은 제어가능한 미디어(media)를 포함할 수 있다. RAM은 CPU(334)에서 프로그램(program)들의 실행 동안 사용되는 데이터를 저장하는 데이터 메모리로서 기능하고; RAM은 또한 작업 영역으로서 사용된다. ROM은 CPU(334)에서 실행되는 프로그램을 저장하기 위한 프로그램 메모리로서 기능한다. 프로그램은, 본 발명의 방법들을 수행하기 위해 CPU 또는 다른 프로세서에 의한 실행을 위해 그 상에 저장된 컴퓨터 판독가능 명령들과 같이 ROM 상에 또는 임의의 다른 유형의 또는 비-휘발성의 컴퓨터-사용가능 매체 상에 있을 수 있다. ROM은 또한, 프로그램 또는 다른 프로그램들에 의한 사용을 위한 데이터를 포함할 수 있다.

위에서-설명된 방법은, 위에서 설명된 바와 같이 컴퓨터에 의해 실행되는 프로그램 모듈들에 의해 구현될 수 있다. 일반적으로, 프로그램 모듈들은, 특정 과제들을 수행하거나 또는 특정 추상 데이터 타입들을 구현하는 루틴(routine)들, 객체들, 컴포넌트들, 데이터 구조들 등등을 포함한다. 본원에서 사용된 바와 같은 용어 "프로그램"은, 단일 프로그램 모듈 또는 일제히 동작하는 다수의 프로그램 모듈들을 함축할 수 있다. 본 개시물은, 개인용 컴퓨터(PC; personal computer)들, 핸드-헬드 디바이스(hand-held device)들, 멀티-프로세서(multi-processor) 시스템들, 마이크로프로세서-기반 프로그램가능 컨슈머 전자장치들(microprocessor-based programmable consumer electronics), 네트워크 PC들, 미니-컴퓨터(mini-computer)들, 메인프레임 컴퓨터들 등등을 포함하는 다양한 타입들의 컴퓨터들 상에 구현될 수 있다. 본 개시물은 또한 분산 컴퓨팅 환경들에서 사용될 수 있고, 분산 컴퓨팅(computing) 환경들에서는, 통신 네트워크를 통해 링크되는 원격 프로세싱 디바이스들에 의해 과제들이 수행된다. 분산 컴퓨팅 환경에서는, 모듈들이 로컬(local) 및 원격 메모리 스토리지(storage) 디바이스들 둘 다에 위치될 수 있다.

위의 방법론을 구현하기 위한 예시적 프로세싱 모듈은 하드와이어링(hardwiring)될 수 있거나, 또는 ROM 또는 다른 타입의 하드 자기 드라이브(hard magnetic drive), 광학 스토리지, 테이프 또는 플래시 메모리(flash memory)와 같은 컴퓨터 판독가능 매체로부터 프로세서 또는 복수의 프로세서들의 메인 메모리(main memory)로 판독되는 별개의 메모리에 저장될 수 있다. 메모리 미디어에 저장된 프로그램의 경우, 모듈에 있는 명령들의 시퀀스(sequence)들의 실행은 프로세서로 하여금 본원에 설명된 프로세스 단계들을 수행하게 한다. 본 개시물의 실시예들은 하드웨어(hardware) 및 소프트웨어의 임의의 특정 결합으로 제한되지 않으며, 앞서 말한 것을 구현하는데 요구되는 컴퓨터 프로그램 코드(code)는 기술분야의 당업자에 의해 개발될 수 있다.

본원에 사용된 바와 같은 용어 "컴퓨터-판독가능 매체"는, 명령들을 하나 또는 그 초과의 프로세서들에 제공하거나 또는 명령들을 하나 또는 그 초과의 프로세서들에 제공하는 것에 참여하는 임의의 유형의 머신-인코딩된 매체(tangible machine-encoded medium)를 지칭한다. 예컨대, 컴퓨터-판독가능 매체는 하나 또는 그 초과의 광학 또는 자기 메모리 디스크들, 플래시 드라이브들 및 카드들, 읽기-전용 메모리, 또는 통상적으로 메인 메모리를 구성하는 DRAM과 같은 RAM일 수 있다. 그러한 미디어는, 유형이 아닌, 전파되는 신호들을 제외한다. 캐싱(caching)된 정보는 컴퓨터-판독가능 매체 상에 저장되는 것으로 간주된다. 컴퓨터-판독가능 미디어의 공통 방편들은 기술분야에서 잘 알려져 있고, 여기서 상세히 설명될 필요가 없다.

앞서 말한 상세한 설명은 모든 각각의 양상에서 실례적이고 예시적인 것으로서 이해될 것이지만, 제한적이지는 않으며, 본원의 개시물의 범위는 설명으로부터 결정될 것이 아니라, 특허법들에 의해 허용되는 전체 폭에 따라 해석되는 바와 같은 청구항들로부터 결정될 것이다. 본 개시물의 범위 및 사상으로부터 벗어남 없이, 다양한 수정들이 기술분야의 당업자들에 의해 구현될 것임이 이해될 것이다.

Claims

머신 상태 모니터링(machine condition monitoring) 방법으로서,
시간에 따른 O개 신호들로부터의 동작 데이터(operating data)를 포함하는 이력(historic) 동작 데이터를 컴퓨터(computer)에 의해 수신하는 단계;
I개 패턴(pattern)들(x)을 추출하는 단계 ― 각각의 패턴(x)은 개별 신호로부터의 동작 데이터로부터 추출됨 ―;
상기 I개 패턴들을 유사성들에 기초하여 K개 패턴 클러스터(pattern cluster)들(c_K)로 클러스터링(clustering)하는 단계;
상기 O개 신호들을 상기 O개 신호들로부터의 동작 데이터 간의 상관들(correlations)에 기초하여 R개 신호 클러스터들로 클러스터링하는 단계;
상기 O개 신호들로부터 선택된 N개 신호들로부터의 트레이닝 데이터(training data)를 포함하는 주석이 달린 트레이닝 데이터 샘플(annotated training data sample)을 수신하는 단계 ― 상기 트레이닝 데이터는 적어도 하나의 마킹된(marked) 페일(failure) 시간 기간을 갖음 ―;
상기 N개 신호들 각각에 대한 K개 신뢰 값들을 포함하는 K×N 신뢰 행렬(confidence matrix)을 생성하는 단계 ― 각각의 신뢰 값은 신호의 마킹된 페일 시간 기간에서 데이터로부터 추출된 패턴(x)이 상기 K개 패턴 클러스터들 중 하나에 속한다는 신뢰를 표현함 ―;
상기 K×N 신뢰 행렬을 이용하여, 분류기를 트레이닝하는 단계;
상기 O개 신호들로부터의 모니터링된(monitored) 데이터를 포함하는, 모니터링된 데이터 샘플을 상기 컴퓨터에 의해 수신하는 단계; 및
상기 모니터링된 데이터 샘플의 복수의 하위-결합들에 대하여 계산된 신뢰 벡터들에 기초하여, 상기 컴퓨터 상에서 구동되는 상기 분류기에 의해, 페일을 표시하거나 표시하지 않는 것으로서 상기 모니터링된 데이터 샘플을 분류하는 단계 ― 상기 하위-결합들 각각은 상기 N개의 신호들 전부를 표현하는 데이터를 가지고, 상기 N개의 신호들 중 적어도 하나는, 표현된 신호와 동일한 신호 클러스터 (c_K)에서의 다른 신호로부터의 데이터에 의해 적어도 하나의 하위-결합에서 표현됨 ―
를 포함하는,
머신 상태 모니터링 방법.
제 1 항에 있어서,
상기 동작 데이터의 개별 신호들로부터 I개 패턴들을 추출하는 것은, 고정 길이의 슬라이딩 시간 윈도우(sliding time window)를 사용하는 것을 포함하는,
머신 상태 모니터링 방법.
제 1 항에 있어서,
상기 I개 패턴들을 K개 패턴 클러스터들로 클러스터링하는 단계 및 상기 O개 신호들을 R개 신호 클러스터들로 클러스터링하는 단계는:
상기 I개 패턴들 각각에 대해, 패턴을 설명하는 스칼라 피처(scalar feature)들을 추출하는 단계; 및
상기 패턴들과 상기 신호들을 클러스터링하기 위해 상기 스칼라 피처들을 사용하는 단계
를 더 포함하는,
머신 상태 모니터링 방법.
제 1 항에 있어서,
상기 I개 패턴들을 K개 패턴 클러스터들로 클러스터링하는 단계는 모든 O개 신호들로부터의 동작 데이터에 걸쳐 수행되는,
머신 상태 모니터링 방법.
제 1 항에 있어서,
상기 I개 패턴들을 K개 패턴 클러스터들로 클러스터링하는 단계는 동일한 신호 클러스터에 있는 신호들로부터의 동작 데이터에 걸쳐 수행되는,
머신 상태 모니터링 방법.
제 1 항에 있어서,
상기 I개 패턴들을 K개 패턴 클러스터들로 클러스터링하는 단계는, 상기 클러스터들을 형성하기 위해 K-평균(mean) 클러스터링을 적용하는 단계를 포함하는,
머신 상태 모니터링 방법.
제 1 항에 있어서,
상기 O개 신호들을 R개 신호 클러스터들로 클러스터링하는 단계는:
페어-와이즈 신호 상관(pair-wise signal correlation)을 상기 이력 동작 데이터에 기초하여 계산하는 단계; 및
계층적 클러스터링을 이용하여 상기 신호들을 클러스터링하는 단계
를 더 포함하는,
머신 상태 모니터링 방법.
머신 상태 모니터링 방법으로서,
시간에 따른 O개 신호들로부터의 동작 데이터를 포함하는 이력 동작 데이터를 컴퓨터에 의해 수신하는 단계;
I개 패턴들(x)을 추출하는 단계 ― 각각의 패턴(x)은 개별 신호로부터의 동작 데이터로부터 추출됨 ―;
상기 I개 패턴들을 유사성들에 기초하여 K개 패턴 클러스터들(c_K)로 클러스터링하는 단계;
상기 O개 신호들을 상기 O개 신호들로부터의 동작 데이터 간의 상관들에 기초하여 R개 신호 클러스터들로 클러스터링하는 단계;
상기 O개 신호들로부터 선택된 N개 신호들로부터의 트레이닝 데이터를 포함하는 주석이 달린 트레이닝 데이터 샘플을 수신하는 단계 ― 상기 트레이닝 데이터는 적어도 하나의 마킹된 페일 시간 기간을 갖음 ―;
상기 N개 신호들 각각에 대한 K개 신뢰 값들을 포함하는 K×N 신뢰 행렬을 생성하는 단계 ― 각각의 신뢰 값은 신호의 마킹된 페일 시간 기간에서 데이터로부터 추출된 패턴(x)이 상기 K개 패턴 클러스터들 중 하나에 속한다는 신뢰를 표현함 ―;
상기 K×N 신뢰 행렬을 이용하여, 분류기를 트레이닝하는 단계;
상기 O개 신호들로부터의 모니터링된 데이터를 포함하는, 모니터링된 데이터 샘플을 상기 컴퓨터에 의해 수신하는 단계; 및
상기 모니터링된 데이터 샘플의 복수의 하위-결합들에 대하여 계산된 신뢰 벡터들에 기초하여, 상기 컴퓨터 상에서 구동되는 상기 분류기에 의해, 페일을 표시하거나 표시하지 않는 것으로서 상기 모니터링된 데이터 샘플을 분류하는 단계 ― 상기 하위-결합들 각각은 상기 N개의 신호들 전부를 표현하는 데이터를 가지고, 상기 N개의 신호들 중 적어도 하나는, 표현된 신호와 동일한 신호 클러스터 (c_K)에서의 다른 신호로부터의 데이터에 의해 적어도 하나의 하위-결합에서 표현됨 ―
를 포함하고,
패턴(x)이 패턴 클러스터(c_K )에 속한다는 신뢰를 표현하는 각각의 신뢰 값은:

에 의해 정의되고,
여기서, p_K 는 클러스터(c_K )의 가중치이고,
은 상기 패턴(x)을 설명하는 패턴 피처 벡터(pattern feature vector) f(x)와 상기 클러스터(c_K )의 평균(mean)(μ_K) 사이의 거리인,
머신 상태 모니터링 방법.
제 1 항에 있어서,
특정 신호에 대한 상기 K개 신뢰 값들 중 하나는 1과 동일하고, 상기 K개 신뢰 값들 중 나머지는 0과 동일한,
머신 상태 모니터링 방법.
제 1 항에 있어서,
상기 N개 신호들 각각에 대해, 상기 K개 신뢰 값들의 합이 1과 동일한,
머신 상태 모니터링 방법.
삭제
제 1 항에 있어서,
상기 모니터링된 데이터 샘플을 분류하는 단계는:
우세한 신뢰 벡터를 식별하기 위해 그리디 알고리즘(greedy algorithm)을 적용하는 단계; 및
상기 우세한 신뢰 벡터에 대한 평가 함수 값이 임계치를 초과하는지를 결정하는 단계
를 더 포함하는,
머신 상태 모니터링 방법.
머신 상태 모니터링 방법을 수행하기 위해 프로세서(processor)에 의한 실행을 위해 컴퓨터 판독가능 명령들이 저장된 컴퓨터-사용가능 매체(computer-usable medium)로서, 상기 방법은,
시간에 따른 O개 신호들로부터의 동작 데이터를 포함하는 이력 동작 데이터를 수신하는 단계;
I개 패턴들(x)을 추출하는 단계 ― 각각의 패턴(x)은 개별 신호로부터의 동작 데이터로부터 추출됨 ―;
상기 I개 패턴들을 유사성들에 기초하여 K개 패턴 클러스터들(c_K)로 클러스터링하는 단계;
상기 O개 신호들을 상기 O개 신호들로부터의 동작 데이터 간의 상관들에 기초하여 R개 신호 클러스터들로 클러스터링하는 단계;
상기 O개 신호들로부터 선택된 N개 신호들로부터의 트레이닝 데이터를 포함하는 주석이 달린 트레이닝 데이터 샘플을 수신하는 단계 ― 상기 트레이닝 데이터는 적어도 하나의 마킹된 페일 시간 기간을 갖음 ―;
상기 N개 신호들 각각에 대한 K개 신뢰 값들을 포함하는 K×N 신뢰 행렬을 생성하는 단계 ―각각의 신뢰 값은 신호의 마킹된 페일 시간 기간에서 데이터로부터 추출된 패턴(x)이 상기 K개 패턴 클러스터들 중 하나에 속한다는 신뢰를 표현함―;
상기 K×N 신뢰 행렬을 이용하여, 분류기를 트레이닝하는 단계;
상기 O개 신호들로부터의 모니터링된 데이터를 포함하는, 모니터링된 데이터 샘플을 수신하는 단계; 및
상기 모니터링된 데이터 샘플의 복수의 하위-결합들에 대하여 계산된 신뢰 벡터들에 기초하여, 상기 분류기에 의해 페일을 표시하거나 표시하지 않는 것으로서 상기 모니터링된 데이터 샘플을 분류하는 단계 ― 상기 하위-결합들 각각은 상기 N개의 신호들 전부를 표현하는 데이터를 가지고, 상기 N개의 신호들 중 적어도 하나는, 표현된 신호와 동일한 신호 클러스터 (c_K)에서의 다른 신호로부터의 데이터에 의해 적어도 하나의 하위-결합에서 표현됨 ―
를 포함하는,
컴퓨터-사용가능 매체.
제 13 항에 있어서,
상기 동작 데이터의 개별 신호들로부터 I개 패턴들을 추출하는 것은, 고정 길이의 슬라이딩 시간 윈도우를 사용하는 것을 포함하는,
컴퓨터-사용가능 매체.
제 13 항에 있어서,
상기 I개 패턴들을 K개 패턴 클러스터들로 클러스터링하는 단계 및 상기 O개 신호들을 R개 신호 클러스터들로 클러스터링하는 단계는:
상기 I개 패턴들 각각에 대해, 패턴을 설명하는 스칼라 피처들을 추출하는 단계; 및
상기 패턴들과 상기 신호들을 클러스터링하기 위해 상기 스칼라 피처들을 사용하는 단계
를 더 포함하는,
컴퓨터-사용가능 매체.
제 13 항에 있어서,
상기 I개 패턴들을 K개 패턴 클러스터들로 클러스터링하는 단계는 모든 O개 신호들로부터의 동작 데이터에 걸쳐 수행되는,
컴퓨터-사용가능 매체.
제 13 항에 있어서,
상기 I개 패턴들을 K개 패턴 클러스터들로 클러스터링하는 단계는 동일한 신호 클러스터에 있는 신호들로부터의 동작 데이터에 걸쳐 수행되는,
컴퓨터-사용가능 매체.
제 13 항에 있어서,
상기 I개 패턴들을 K개 패턴 클러스터들로 클러스터링하는 단계는, 상기 클러스터들을 형성하기 위해 K-평균(mean) 클러스터링을 적용하는 단계를 포함하는,
컴퓨터-사용가능 매체.
제 13 항에 있어서,
상기 O개 신호들을 R개 신호 클러스터들로 클러스터링하는 단계는:
페어-와이즈 신호 상관을 상기 이력 동작 데이터에 기초하여 계산하는 단계; 및
계층적 클러스터링을 이용하여 상기 신호들을 클러스터링하는 단계
를 더 포함하는,
컴퓨터-사용가능 매체.
제 13 항에 있어서,
패턴(x)이 패턴 클러스터(c_K )에 속한다는 신뢰를 표현하는 각각의 신뢰 값은:

에 의해 정의되고,
여기서, p_K 는 클러스터(c_K )의 가중치이고,
은 상기 패턴(x)을 설명하는 패턴 피처 벡터 f(x)와 상기 클러스터(c_K )의 평균(mean)(μ_K) 사이의 거리인,
컴퓨터-사용가능 매체.
제 13 항에 있어서,
특정 신호에 대한 상기 K개 신뢰 값들 중 하나는 1과 동일하고, 상기 K개 신뢰 값들 중 나머지는 0과 동일한,
컴퓨터-사용가능 매체.
제 13 항에 있어서,
상기 N개 신호들 각각에 대해, 상기 K개 신뢰 값들의 합이 1과 동일한,
컴퓨터-사용가능 매체.
삭제
제 13 항에 있어서,
상기 모니터링된 데이터 샘플을 분류하는 단계는:
우세한 신뢰 벡터를 식별하기 위해 그리디 알고리즘을 적용하는 단계; 및
상기 우세한 신뢰 벡터에 대한 평가 함수 값이 임계치를 초과하는지를 결정하는 단계
를 더 포함하는,
컴퓨터-사용가능 매체.