KR101948604B1 - Method and device for equipment health monitoring based on sensor clustering - Google Patents
Method and device for equipment health monitoring based on sensor clustering Download PDFInfo
- Publication number
- KR101948604B1 KR101948604B1 KR1020170096912A KR20170096912A KR101948604B1 KR 101948604 B1 KR101948604 B1 KR 101948604B1 KR 1020170096912 A KR1020170096912 A KR 1020170096912A KR 20170096912 A KR20170096912 A KR 20170096912A KR 101948604 B1 KR101948604 B1 KR 101948604B1
- Authority
- KR
- South Korea
- Prior art keywords
- sensor
- clustering
- facility
- data
- health monitoring
- Prior art date
Links
- 230000036541 health Effects 0.000 title claims abstract description 71
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000012806 monitoring device Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims 2
- 238000012423 maintenance Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013450 outlier detection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
데이터 처리 모듈, 군집화 모듈 및 예측 모듈을 포함하는 설비 건강 모니터링 장치에서 수행되는 센서 군집화 기반 설비 건강 모니터링 방법이 개시된다. 상기 설비 건강 모니터링 방법은 설비에 부착된 센서로부터 실시간으로 수집되는 FDC 데이터를 수집하는 단계, 설비 수명 지표 생성 단계, 선택 단계, 표준화 단계, 특질 추출 단계, 이상치 센서 제거 단계, 센서 대표 패턴을 정의하는 단계, 유사한 특성을 가진 센서들을 군집화하는 단계, 중요 센서 추출 단계, 중요 센서들의 특질들을 이용하여 설비 건강 모니터링 모델을 학습하는 단계 및 새로운 센서 데이터가 수집되면 학습된 모델을 기반으로 설비의 건강을 진단하고 예측하는 단계를 포함한다.A sensor clustering-based facility health monitoring method performed in a facility health monitoring device including a data processing module, a clustering module, and a prediction module is disclosed. The facility health monitoring method includes the steps of collecting FDC data collected in real time from the sensors attached to the facility, generating a facility life index, selecting, standardizing, extracting a characteristic, removing an outlier sensor, Step, grouping sensors with similar characteristics, extracting important sensors, learning facility health monitoring model using characteristics of important sensors, and diagnosing facility health based on learned models when new sensor data is collected And predicting.
Description
본 발명은 반도체 공정과 같은 첨단 공정에서 사용되는 설비의 유지보수 주기 및 시점을 결정하기 위한 설비 건강 모니터링 방법 및 장치에 관한 것으로, 더욱 상세하게는, 설비에 부착된 센서로부터 실시간으로 수집되는 데이터 기반의 설비 건강 지표를 제시하고 상태 기반의 유지보수가 가능하도록 하는 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치에 관한 것이다.The present invention relates to an apparatus health monitoring method and apparatus for determining a maintenance period and a time point of a facility used in advanced processing such as a semiconductor process, and more particularly, The present invention relates to a health monitoring method and apparatus based on sensor clustering, in which facility health indicators are provided and condition-based maintenance is possible.
본 발명은 첨단 공정 설비에서 수집되는 센서 데이터의 군집화 및 센서 기반의 설비 건강 모니터링 기법에 관한 것으로, 설비의 건강과 상관성이 높은 중요 센서를 추출하고 설비의 건강도를 정확하게 모니터링 및 예측하는 기법에 관한 것이다. The present invention relates to clustering of sensor data collected in advanced process facilities and sensor-based facility health monitoring techniques, and relates to a technique for extracting important sensors highly correlated with the health of the facility and accurately monitoring and predicting the health of the facility will be.
과거에는 엔지니어들의 경험적 지식을 기준으로 일정 주기의 예방 유지보수를 수행했기 때문에 설비의 상태와 상관없이 유지보수를 수행하는 경우가 많았다. 그러나 하나의 설비에 백여 개의 센서가 장착되면서 실시간으로 온도나 압력 등을 측정하여 설비의 상태를 반영하여 유지보수를 수행하고자 한다.In the past, maintenance work was carried out regardless of the condition of the facility because the engineer performed preventive maintenance for a certain period based on the experiential knowledge. However, when more than a hundred sensors are installed in one facility, it is necessary to perform maintenance by reflecting the condition of the facility by measuring temperature or pressure in real time.
센서 데이터를 기반으로 하는 베어링이나 모터 등과 같은 단순 부품의 수명 예측 기법은 다양한 방법론을 통해 알고리즘이 개발되고 있지만, 첨단 공정에서 사용되는 설비의 수명은 수많은 변수의 영향을 동시에 받기 때문에 기존의 알고리즘을 그대로 적용하기 어렵다.Algorithms have been developed through various methodologies to predict the life of simple parts such as bearings and motors based on sensor data. However, since the lifetime of facilities used in advanced processes is influenced by numerous variables at the same time, It is difficult to apply.
백여 개의 센서가 부착된 설비로부터 실시간으로 생성되는 방대한 양의 데이터를 핸들링하여 건강 모니터링 알고리즘을 학습 시에는 복잡한 데이터 구조로 인하여 핸들링 비용이 증가하고 노이즈 센서가 포함되어 설비 수명 예측 정확도가 떨어질 수 있다.In handling health monitoring algorithms by handling huge amount of data generated in real time from facilities equipped with more than 100 sensors, handling cost increases due to complicated data structure, and accuracy of plant life prediction can be lowered by including noise sensor.
따라서 설비의 노후화와 같은 상태 변화와 상관성이 높은 중요 센서들을 추출하고 해당 센서들의 교호작용을 고려하여 설비의 상태를 모니터링하고 수명을 예측하는 기법이 필요하다.Therefore, it is necessary to extract the important sensors which are highly correlated with the state change such as the deterioration of the equipment and to monitor the condition of the equipment and to predict the lifetime considering the interactions of the sensors.
본 발명이 이루고자 하는 기술적인 과제는 설비의 상태 변화와 상관성이 높은 센서를 추출하고 각 센서들의 교호작용을 고려한 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치를 제공하는 것이다.SUMMARY OF THE INVENTION The present invention has been made in view of the above problems, and it is an object of the present invention to provide an apparatus health monitoring method and apparatus based on sensor clustering in which sensors having high correlation with a state change of equipment are extracted and alternate actions of the sensors are taken into account.
본 발명의 일 실시 예에 따른 센서 군집화 기반의 설비 건강 모니터링 방법은 설비 건강 모니터링 장치에서 수행되고, 데이터 처리 모듈이 설비에 부착된 복수 개의 센서로부터 실시간으로 수집되는 FDC(Fault Detection & Classification) 데이터를 수집하는 단계, 데이터 처리 모듈이 설비 수명 지표를 생성하는 설비 수명 지표 생성 단계, 데이터 처리 모듈이 각 센서에서 수집된 FDC 데이터 변수 중에서 유의하지 않은 변수를 제거하는 변수 선택 단계, 데이터 처리 모듈이 모든 센서 데이터가 동일한 평균, 표준편차를 가지도록 각 센서 데이터의 표준화를 수행하는 표준화 단계, 데이터 처리 모듈이 각 센서 데이터의 평균과 표준 편차를 계산하여 특질을 추출하는 특질 추출 단계, 데이터 처리 모듈이 이상치 센서를 제거하는 이상치 센서 제거 단계, 군집화 모듈이 센서 대표 패턴을 정의하는 단계, 군집화 모듈이 추출된 특질을 기반으로 군집화 알고리즘을 적용하여 유사한 특성을 가진 센서들을 군집화하는 군집화 단계, 군집화 모듈이 각각의 군집의 특성을 분석하여 설비의 상태와 상관관계가 높은 군집에 포함된 센서들을 중요 센서로 추출하는 단계, 예측 모듈이 중요 센서들의 특질들을 이용하여 설비 건강 모니터링 모델을 학습하는 단계, 및 예측 모듈이 새로운 센서 데이터가 수집되면 학습된 모델을 기반으로 설비의 건강을 진단하고 예측하는 단계를 포함한다.The sensor clustering-based facility health monitoring method according to one embodiment of the present invention is performed in a facility health monitoring apparatus, and a data processing module detects FDC (Fault Detection & Classification) data collected in real time from a plurality of sensors attached to the facility A parameter selection step for the data processing module to remove unfavorable parameters among the FDC data variables collected from each sensor, the data processing module to select all the sensors A standardization step of standardizing each sensor data so that the data have the same average and standard deviation, a characteristic extraction step of calculating the average and standard deviation of each sensor data to extract characteristics, and a data processing module, An outlier detection step of removing the outlier sensor, A step of defining a representative pattern of the sensor, a clustering step of clustering sensors having similar characteristics by applying a clustering algorithm based on the extracted characteristics of the clustering module, and a clustering module analyzing the characteristics of each clustering, A step of extracting the sensors included in the high cluster with the important sensors, a step of the prediction module learning the facility health monitoring model using the characteristics of the important sensors, and the step of estimating module based on the learned model when the new sensor data is collected And diagnosing and predicting the health of the facility.
또한, 본 발명의 일 실시 예에 따른 센서 군집화 기반의 설비 건강 모니터링 장치는 설비에 부착된 복수 개의 센서로부터 실시간으로 수집되는 FDC(Fault Detection & Classification) 데이터를 수집하여, 설비 수명 지표를 생성하고, 각 센서에서 수집된 FDC 데이터 변수 중에서 유의하지 않은 변수를 제거하며, 모든 센서 데이터가 동일한 평균, 표준편차를 가지도록 각 센서 데이터의 표준화를 수행하고, 각 센서 데이터의 평균과 표준 편차를 계산하여 특질을 추출하며, 이상치 센서를 제거하는 데이터 처리 모듈, 센서 대표 패턴을 정의하여, 추출된 특질을 기반으로 군집화 알고리즘을 적용하여 유사한 특성을 가진 센서들을 군집화하고, 각각의 군집의 특성을 분석하여 설비의 상태와 상관관계가 높은 군집에 포함된 센서들을 중요 센서로 추출하는 군집화 모듈 및 중요 센서들의 특질들을 이용하여 설비 건강 모니터링 모델을 학습하고, 새로운 센서 데이터가 수집되면 학습된 모델을 기반으로 설비의 건강을 진단하고 예측하는 예측 모듈을 포함한다.In addition, the facility clustering-based facility health monitoring apparatus according to an embodiment of the present invention collects FDC (Fault Detection & Classification) data collected in real time from a plurality of sensors attached to the facility, generates a facility life index, In the FDC data collected from each sensor, non-significant parameters are removed. Normalization of each sensor data is performed so that all sensor data have the same average and standard deviation, and the average and standard deviation of each sensor data are calculated. A data processing module that removes the outlier sensor, a sensor representative pattern is defined, and clustering algorithms are applied based on the extracted features to cluster the sensors having similar characteristics, and the characteristics of each cluster are analyzed, A clustering module for extracting the sensors included in the cluster having a high correlation with the state by the important sensors Using the characteristics of critical equipment health monitoring sensor learning model, when a new sensor data is collected, including a prediction module to diagnose and predict the health of plants based on a learning model.
본 발명의 일 실시 예에 따른 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치의 센서 데이터 전처리 기법은 이상치(outlier) 센서를 제거하고, 시간의 흐름에 따른 센서 데이터의 패턴을 추출함으로써 데이터의 크기를 줄이고 노이즈를 제거할 수 있는 효과가 있다.The sensor data preprocessing method of the apparatus and method for monitoring facility clustering based on sensor clustering according to an embodiment of the present invention reduces the size of data by removing an outlier sensor and extracting a pattern of sensor data according to the passage of time It is possible to eliminate the noise.
또한, 센서 군집화를 통해 설비의 상태 변화와 상관성이 높은 센서 군집, 시간의 흐름과 상관없이 일정한 범위 내에서 안정적인 값이 수집되는 센서 군집, 무작위 패턴이 수집되어 상관성이 낮은 센서 군집 등으로 정확하게 분류할 수 있는 효과가 있다.In addition, sensor clusters with high correlation with the state change of the equipment through sensor clustering, sensor clusters with stable values collected within a certain range regardless of the flow of time, and randomly collected patterns, There is an effect that can be.
또한, 설비 건강 모니터링 학습 시 설비의 상태 변화와 상관성이 높은 센서들을 추출하여 사용함으로써 설비의 수명 진단 및 예측의 성능을 향상시키는 효과가 있다.In addition, it has an effect of improving the life diagnosis diagnosis and prediction performance of the facility by extracting and using the sensors having high correlation with the state change of the equipment during the facility health monitoring learning.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 상세한 설명이 제공된다.
도 1은 본 발명의 일 실시 예에 따른 센서 군집화 기반의 설비 건강 모니터링 장치의 기능 블럭도이다.
도 2는 도 1에 도시된 설비 건강 모니터링 장치를 이용한 센서 군집화 기반의 설비 건강 모니터링 방법을 설명하기 위한 흐름도이다.
도 3은 FDC 요약 변수의 VIF를 계산한 표의 일 예를 도시한다.
도 4의 (a)는 원데이터 그래프의 일 예를 도시하고, 도 4의 (b)는 도 4의 (a)를 표준화 및 데이터 병합한 결과를 도시하는 그래프이다.
도 5는 이상치 센서 데이터의 일 예를 도시한다.
도 6은 센서 데이터의 다양한 패턴을 도시한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS In order to more fully understand the drawings recited in the detailed description of the present invention, a detailed description of each drawing is provided.
FIG. 1 is a functional block diagram of an apparatus for monitoring facility health based on sensor clustering according to an embodiment of the present invention. Referring to FIG.
FIG. 2 is a flowchart for explaining a facility health monitoring method based on sensor clustering using the facility health monitoring apparatus shown in FIG. 1. FIG.
FIG. 3 shows an example of a table for calculating the VIF of the FDC summary variable.
FIG. 4A shows an example of a raw data graph, and FIG. 4B is a graph showing results of standardization and data merging of FIG. 4A.
Fig. 5 shows an example of the outlier sensor data.
Figure 6 shows various patterns of sensor data.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.It is to be understood that the specific structural or functional description of embodiments of the present invention disclosed herein is for illustrative purposes only and is not intended to limit the scope of the inventive concept But may be embodied in many different forms and is not limited to the embodiments set forth herein.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.The embodiments according to the concept of the present invention can make various changes and can take various forms, so that the embodiments are illustrated in the drawings and described in detail herein. It is not intended to be exhaustive or to limit the invention to the particular forms disclosed, but on the contrary, is intended to cover all modifications, equivalents, or alternatives falling within the spirit and scope of the invention.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the invention. The singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, the terms "comprises" or "having" and the like are used to specify that there are features, numbers, steps, operations, elements, parts or combinations thereof described herein, But do not preclude the presence or addition of one or more other features, integers, steps, operations, components, parts, or combinations thereof.
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 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in commonly used dictionaries are to be interpreted as having a meaning consistent with the meaning of the context in the relevant art and, unless explicitly defined herein, are to be interpreted as ideal or overly formal Do not.
이하, 본 명세서에 첨부된 도면들을 참조하여 본 발명의 실시 예들을 상세히 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings attached hereto.
먼저, 도 1을 참조하여, 본 발명의 일 실시 예에 따른 센서 군집화 기반의 설비 건강 모니터링 장치에 대해 상술한다.First, referring to FIG. 1, a sensor cluster-based facility health monitoring apparatus according to an embodiment of the present invention will be described in detail.
도 1은 본 발명의 일 실시 예에 따른 센서 군집화 기반의 설비 건강 모니터링 장치의 기능 블럭도이다. 도 1을 참조하면, 설비 건강 모니터링 장치는 데이터 처리 모듈(100), 군집화 모듈(200), 예측 모듈(300), 및 데이터베이스(800)를 포함한다.FIG. 1 is a functional block diagram of an apparatus for monitoring facility health based on sensor clustering according to an embodiment of the present invention. Referring to FIG. Referring to FIG. 1, the facility health monitoring apparatus includes a
본 명세서에서 사용되는 '-부' 또는 '모듈'이라 함은 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 '-부' 또는 '-모듈'은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나 한 종류의 하드웨어를 의미하는 것은 아니다.The term "module" or "module" as used herein may mean a functional and structural combination of hardware for carrying out the technical idea of the present invention and software for driving the hardware. For example, the 'minus' or '-module' may refer to a logical unit of a predetermined code and a hardware resource for executing the predetermined code, It does not mean anything.
상기 설비 건강 모니터링 장치의 데이터 처리 모듈(100)은 데이터 수집부(110), 데이터 전처리부(130) 및 데이터 병합부(150)를 포함하며, 데이터베이스로(800)부터 데이터를 수집하고 전처리 및 병합하여 특질을 추출할 수 있다.The
상기 설비 건강 모니터링 장치의 군집화 모듈(200)은 센서 군집화부(210) 및 중요 센서 추출부(230)를 포함하며, 추출된 특질들을 바탕으로 유사 센서들끼리 군집화하고 군집들의 특성을 분석하여 중요 센서 군집을 추출할 수 있다.The facility health monitoring
상기 설비 건강 모니터링 장치의 예측 모듈(300)은 예측부(310)를 포함하며, 중요 센서 군집을 이용하여 설비 건강 모니터링을 적용하고 설비의 건강을 진단 및 예측할 수 있다.The
상기 설비 건강 모니터링 장치의 데이터베이스(800)는 수집된 데이터, 전처리 및 병합 데이터, 군집화 결과, 중요 센서, 또는 모니터링 결과 등을 저장할 수 있다. 본 명세서에서 데이터베이스라 함은, 각각의 데이터베이스에 대응되는 정보를 저장하는 소프트웨어 및 하드웨어의 기능적 구조적 결합을 의미할 수도 있다.The facility health
상기 설비 건강 모니터링 장치에 포함될 수 있는 제어모듈(미도시)은 상기 설비 건강 모니터링 장치의 전반적인 동작을 제어한다. 즉, 데이터 처리 모듈(100), 군집화 모듈(200), 예측 모듈(300) 및 데이터베이스(800)의 동작을 제어할 수 있다.A control module (not shown), which may be included in the facility health monitoring device, controls the overall operation of the facility health monitoring device. That is, the operation of the
본 실시 예와는 다르게, 상기 설비 건강 모니터링 장치가 아닌 별도의 장치에 데이터 처리 모듈(100), 군집화 모듈(200), 예측 모듈(300) 및 데이터베이스(800)) 중 어느 하나 이상을 구비하는 것도 가능하다. 이때, 각각의 장치별로 제어모듈을 각각 구비할 수 있다.It is also possible to provide at least one of the
이하, 도 2 내지 도 6을 참조하여, 본 발명의 일 실시 예에 따른 센서 군집화 기반의 설비 건강 모니터링 장치에서 수행되는 설비 건강 모니터링 방법에 대하여 자세히 살펴보도록 한다.Hereinafter, a facility health monitoring method performed in the facility health monitoring apparatus based on sensor clusterization according to an embodiment of the present invention will be described in detail with reference to FIG. 2 to FIG.
도 2는 도 1에 도시한 센서 군집화 기반의 설비 건강 모니터링 장치를 이용한 센서 군집화 기반의 설비 건강 모니터링 방법을 설명하기 위한 흐름도이다.FIG. 2 is a flowchart for explaining a facility health monitoring method based on sensor clustering using the facility health monitoring device based on the sensor clustering shown in FIG.
도 2를 참조하면, 센서 군집화 기반의 설비 건강 모니터링 방법은 데이터 수집 단계(S100), 데이터 처리 단계(S200), 센서 군집화 단계(S300), 및 설비 건강 모니터링 단계(S400)를 포함한다.Referring to FIG. 2, the sensor clusterization-based facility health monitoring method includes a data collection step S100, a data processing step S200, a sensor clustering step S300, and a facility health monitoring step S400.
먼저, 센서 군집화 기반의 설비 건강 모니터링 장치의 데이터 처리 모듈(100)은 설비에 부착된 복수 개의 센서로부터 실시간으로 수집되는 FDC(Fault Detection & Classification) 데이터를 수집한다.First, the
예를 들어, 80 개의 센서가 부착된 CVD(Chemical Vapor Deposition) 장비의 모든 센서에 대해 데이터 샘플링 속도가 1 Hz 인 경우, 하나의 장비로부터 매일 6,912,000개의 원데이터가 수집된다. 데이터 관리 및 활용의 효율성을 위해 수집된 원데이터는 평균, 표준 편차, 최소값 및 최댓값 등과 같은 FDC 요약 변수(FDC summary variables)로 변환될 수 있다. 각 센서의 FDC 요약 데이터(FDC summary data)는 설비 건강 모니터링 모델에 대한 입력 변수로 사용될 수 있다.For example, if the data sampling rate is 1 Hz for all sensors in a CVD (Chemical Vapor Deposition) equipment with 80 sensors, 6,912,000 raw data are collected daily from one equipment. For efficiency of data management and utilization, collected raw data can be converted into FDC summary variables such as mean, standard deviation, minimum value, and maximum value. The FDC summary data for each sensor can be used as an input variable to the plant health monitoring model.
다음, 센서 군집화 기반의 설비 건강 모니터링 장치의 데이터 처리 모듈(100)은 설비 수명 지표를 생성할 수 있다(S210). 설비를 교체하거나 유지보수 한 시점으로부터 설비 사용 시간을 측정하여 설비의 수명을 나타내는 지표로 생성한다. 이때, 설비를 교체하거나 유지보수 한 시점으로부터의 설비 사용 시간(설비 수명 지표)은 설비 건강 모니터링 모델의 종속 변수(Y변수)로 사용한다.Next, the
다음, 센서 군집화 기반의 설비 건강 모니터링 장치의 데이터 처리 모듈(100)은 변수 선택 및 표준화 단계(S220)를 수행한다. 구체적으로, 각 센서에서 수집된 FDC 데이터 변수(최소, 최대, 평균, 분산) 중에서 유의하지 않은 변수를 제거하고, 각각의 센서 데이터들을 표준화시켜 모든 센서 데이터가 동일한 평균, 표준편차를 가지도록 한다.Next, the
변수 선택을 위하여 분산 인플레이션 액터(variance inflation actor, VIF)를 사용할 수 있다. VIF는 공선성(collinearity)으로 인해 추정 회귀 계수의 분산(estimated regression coefficient)이 얼마나 증가하는지 측정하며, VIF는 아래의 수학식 1을 이용하여 계산한다. Variable inflation actors (VIF) can be used to select variables. The VIF measures how much the estimated regression coefficient increases due to collinearity, and VIF is calculated using
수학식 1에서, 는 i 번째 변수를 종속 변수로 하고 남은 i-1 변수를 독립 변수로 사용하여 회귀(regression)를 결정하는 계수이다. VIFi가 10보다 크다면 i 번째 독립 변수가 다른 변수와 높은 상관 관계가 있음을 의미한다. 도 3은 FDC 요약 변수의 VIF를 계산한 표의 일 예를 도시한다. 도 3을 참고하면, 평균, 최소 및 최대 변수의 VIF가 10을 초과하므로 세 변수 사이에 강한 다중 공선성(multicollinearity)이 있음을 확인할 수 있으며, 다중 공선성을 제거하기 위해, 평균 및 표준편차 변수를 선택할 수 있다.In Equation (1) Is a coefficient that determines the regression using the i-th variable as the dependent variable and the remaining i-1 as the independent variable. If VIF i is greater than 10, it means that i-th independent variable has a high correlation with other variables. FIG. 3 shows an example of a table for calculating the VIF of the FDC summary variable. Referring to FIG. 3, it can be seen that there is a strong multicollinearity between the three variables because the VIF of the average, minimum, and maximum variables exceeds 10. In order to eliminate multi-collinearity, Can be selected.
각 센서의 데이터는 아래의 수학식 2에 의해 z-스코어(z-score)로 정규화한다.The data of each sensor is normalized to a z-score by the following equation (2).
수학식 2에서, i는 센서의 수, j는 날짜, k는 j 번째 날짜의 i 번째 센서에서 수집 한 데이터의 양, 및 는 각각 데이터의 평균 및 표준 편차이다. z-스코어 스케일링 후 표준화된 데이터의 평균은 0이고 표준 편차는 1이다.In equation (2), i is the number of sensors, j is the date, k is the amount of data collected from the i < th & And Are the mean and standard deviation of the data, respectively. After z-score scaling, the average of the normalized data is zero and the standard deviation is one.
다음, 센서 군집화 기반의 설비 건강 모니터링 장치의 데이터 처리 모듈(100)은 특질 추출 단계(S230)를 수행한다. 특질 추출 단계에서 각 센서별로 하루 동안 수집된 데이터들의 평균과 표준 편차를 계산하여 특질을 추출함으로써 데이터의 양을 줄이고 데이터가 수집된 패턴을 명확하게 표현할 수 있다. Next, the
구체적으로, 아래의 수학식 3 내지 수학식 5를 이용하여 평균(Meani) 및 표준편차(SDi)를 계산한다. Specifically, the mean (Mean i ) and the standard deviation (SD i ) are calculated using the following Equations (3) to (5).
여기서 는 j 번째 날짜에 i 번째 센서에서 수집된 표준화 된 데이터의 평균이고, m은 설비를 교체하거나 유지보수 한 시점(또는 PM) 직전의 장비 사용 날짜이며, n은 i 번째 센서에서 j 번째 날짜에 수집된 데이터의 총량을 의미한다.here Is the average of the standardized data collected at the i-th sensor at the j-th date, m is the date of use of the equipment just before the point at which the equipment was replaced or maintained (or PM) Quot; means the total amount of data.
도 4는 원데이터 그래프 및 표준화 및 데이터 병합 결과 그래프의 일 예를 도시한다. 도 4의 (a)는 두 개의 센서에서 수집한 원 데이터(raw data)를 도시한다. 도 4의 (a)를 참고하면, 두 개의 센서로부터 수집된 두 데이터는 서로 다른 스케일(scales)과 값(values)을 가진다. 도 4의 (b)는 동일한 수의 데이터 및 균일한 스케일을 갖는 표준화 및 데이터 병합(aggregation)의 결과를 도시한다.Figure 4 shows an example of a raw data graph and a graph of normalization and data merge results. Figure 4 (a) shows raw data collected from two sensors. Referring to Figure 4 (a), the two data collected from the two sensors have different scales and values. Figure 4 (b) shows the results of normalization and data aggregation with the same number of data and a uniform scale.
다음, 센서 군집화 기반의 설비 건강 모니터링 장치의 데이터 처리 모듈(100)은 이상치 센서 제거 단계(S240)를 수행한다. 각 센서 별로 Y변수(설비의 수명 지표)와 X변수(단계 S230에서 추출된 특질) 간의 상관 계수를 계산하여 상관 계수가 0인 센서들을 이상치 센서(Outlier sensors)라고 정의하고 이상치 센서를 제거한다.Next, the
즉, 각 센서의 노화, 평균 및 SD 변수의 회귀 모델(regression model)의 R2 값이 0일 때, 해당 센서를 이상치 센서(또는 noise sensor)라고 정의하고, 이를 제거한다.That is, when the R2 value of the regression model of the aging, average, and SD parameters of each sensor is 0, the sensor is defined as an outlier sensor (or noise sensor) and is removed.
도 5는 이상치 센서 데이터의 일 예를 도시한다. 도 5를 참고하면, 도 5의 (a)의 센서 X26은 주어진 기간 동안 충분한 자료를 수집하지 못하였으며, 도 5의 (b)의 센서 X52의 경우 수집된 데이터에 일반적인 패턴이 없으며 다른 센서에 비해 상대적으로 크기가 큰 것을 확인할 수 있다. 이상치 센서 제거 단계(S240)에서 R2의 값이 0인 센서 X26 및 센서 X52는 제거될 수 있다.Fig. 5 shows an example of the outlier sensor data. 5, the sensor X26 of FIG. 5A does not collect enough data for a given period of time, and in the case of the sensor X52 of FIG. 5B, there is no general pattern in the collected data, It can be seen that the size is relatively large. In the outlier detection step S240, the sensor X26 and the sensor X52 whose values of R 2 are 0 can be removed.
데이터 전처리가 끝나면, 센서 군집화 기반의 설비 건강 모니터링 장치(10)의 군집화 모듈(200)은 추출된 특질을 기반으로 유사한 특성을 가진 센서의 군집화를 수행한다.After the data preprocessing is completed, the
먼저, 센서 군집화 기반의 설비 건강 모니터링 장치(10)의 군집화 모듈(200)은 센서 대표 패턴을 정의한다(S310). 구체적으로, 센서 대표 패턴은 시간에 따라 증가하는 증가 패턴(increased patterns, 이하 '제1 패턴'이라 함), 시간에 따라 감소하는 감소 패턴(decreased patterns, 이하 '제2 패턴'이라 함), 시간에 독립적인 바뀌지 않는 패턴(unchanged patterns, 이하 '제3 패턴'이라 함) 및 시간에 독립적인 기타 패턴(other pattern, 이하 '제4 패턴'이라 함)을 포함한다. First, the
도 6은 센서 데이터의 다양한 패턴을 도시한다. 패턴은 시간 경과에 따른 장비 상태의 변화를 나타내며, 도 6의 (a)는 시간에 따라 증가하는 패턴, 도 6의 (b)는 시간에 따라 감소하는 패턴을 도시한다. 도 6의 (c)는 시간에 독립적인 변하지 않는 패턴을 도시하며, 도 6의 (d)는 시간에 독립적인 기타 패턴을 도시한다. 도 6의 (a) 및 (b)의 패턴은 도 6의 (c) 및 (d)의 패턴에 비해 시간 경과에 따른 장비 상태 변화를 명확하게 반영한다.Figure 6 shows various patterns of sensor data. FIG. 6A shows a pattern that increases with time, and FIG. 6B shows a pattern that decreases with time. FIG. Fig. 6 (c) shows a pattern that is independent of time, and Fig. 6 (d) shows other patterns that are independent of time. The patterns of FIGS. 6 (a) and 6 (b) clearly reflect changes in equipment state over time as compared to the patterns of FIGS. 6 (c) and 6 (d).
다음, 센서 군집화 기반의 설비 건강 모니터링 장치의 군집화 모듈(200)은 군집화 알고리즘을 적용하여 센서들을 군집화할 수 있다(S320). 구체적으로, Hierarchical algorithm, K-means algorithm, K-medhoids algorithm, DBSCAN(Density Based Spatial Clustering of Applications with Noise), OPTICS(Ordering Points To Identify the Clustering Structure)의 총 5가지의 군집화 알고리즘을 적용하여 센서들을 군집화할 수 있다.Next, the
군집화는 주어진 데이터에 대해 클래스 정보가 없을 때 유사도에 근거하여 거리상 가까운 데이터끼리 여러 개의 부분 집합을 형성하는 방법으로, Hierarchical clustering은 거리 측정법을 기반으로 데이터 간의 유사도를 계산하여 군집화하는 방식이며, density-based clustering은 데이터 간의 밀도를 고려하여 높은 밀도로 밀집된 데이터들끼리 군집화하는 방식이다.Clustering is a method to form several subsets of data near to each other based on the similarity when there is no class information for given data. Hierarchical clustering is a method of clustering by calculating the similarity between data based on the distance measurement method. based clustering is a method of clustering data densely with a high density in consideration of density between data.
이때, 단계 S310에서 정의한 센서 대표 패턴의 개수에 따라 클러스터의 수를 설정한다. 예를 들어, 증가 된 패턴, 감소 된 패턴, 변하지 않은 패턴 및 다른 패턴을 분류하기 위해 클러스터의 수를 4로 설정할 수 있다. 계층적 클러스터링, K-means 알고리즘, K-medhoid 알고리즘의 경우, 클러스터 수를 4로 설정하고, DBSCAN의 경우, 엡실론 부근(epsilon neighborhood)의 크기와 엡실론 영역(epsilon region)의 최소 지점(minimum points)의 수는 모두 3으로 설정하며, OPTICS의 경우, 엡실론 부근의 크기의 상한은 60, 엡실론 영역의 최소 점(minimum points)의 수는 2, 클러스터를 식별하기 위한 임계 엡실론(threshold epsilon)은 3.2로 설정한다. DBSCAN 및 OPTICS 군집화 알고리즘을 통해 제3 패턴과 제4 패턴을 분류할 수 있다. 이때, 클러스터링 성능을 극대화하기 위해 그리드 검색을 통해 매개 변수를 예측하고 설정할 수 있다.At this time, the number of clusters is set according to the number of sensor representative patterns defined in step S310. For example, the number of clusters can be set to four to classify the increased pattern, the reduced pattern, the unchanged pattern, and other patterns. In the case of hierarchical clustering, K-means algorithm and K-medhoid algorithm, the number of clusters is set to 4. In case of DBSCAN, the size of the epsilon neighborhood and the minimum points of the epsilon region, The number of minimum points in the epsilon region is 2, and the threshold epsilon for identifying clusters is 3.2. In the case of OPTICS, the upper limit of the size near the epsilon is 60, the number of the minimum points of the epsilon region is 2, Setting. The third and fourth patterns can be classified through the DBSCAN and OPTICS clustering algorithms. At this time, the parameters can be predicted and set through the grid search to maximize clustering performance.
다음, 센서 군집화 기반의 설비 건강 모니터링 장치의 군집화 모듈(200)은 각각의 군집들의 특성을 분석하여 설비의 상태와 상관관계가 높은 군집을 찾아내고 해당 군집에 포함된 센서들을 중요 센서로 정의할 수 있다(S330).Next, the
다음, 설비 건강 모니터링 알고리즘 학습 단계(S410)에서 중요 센서들의 특질들을 이용하여 다중회귀모형을 학습한다. 이때. 센서들의 특질과 각 센서 종류의 교호작용을 반영한다.Next, a multiple regression model is learned using the characteristics of the important sensors in the facility health monitoring algorithm learning step (S410). At this time. It reflects the nature of the sensors and the interactions of each sensor type.
새로운 데이터가 수집되면 학습된 모델을 기반으로 설비의 건강을 진단하고 예측한다(S420).When new data is collected, the health of the facility is diagnosed and predicted based on the learned model (S420).
본 발명에 따른 센서 군집화 기반의 설비 건강 모니터링 방법을 통하여 설비 건강 모니터링 학습 시 설비의 상태 변화와 상관성이 높은 센서들을 추출하여 사용함으로써 보다 효율적으로 설비의 수명을 진단하고 예측할 수 있다.By using the sensor clustering based facility health monitoring method according to the present invention, it is possible to diagnose and predict the lifetime of the facility more efficiently by extracting and using the sensors having high correlation with the state change of the equipment during the health monitoring learning of the facility.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is evident that many alternatives, modifications and variations will be apparent to those skilled in the art. Accordingly, the true scope of the present invention should be determined by the technical idea of the appended claims.
100 : 데이터 처리 모듈
200 : 군집화 모듈
300 : 예측 모듈
800 : 데이터베이스100: Data processing module
200: Clustering module
300: prediction module
800: Database
Claims (8)
상기 데이터 처리 모듈이 설비에 부착된 복수 개의 센서로부터 실시간으로 수집되는 FDC(Fault Detection & Classification) 데이터를 수집하는 단계;
상기 데이터 처리 모듈이 설비 수명 지표를 생성하는 설비 수명 지표 생성 단계;
상기 데이터 처리 모듈이 각 센서에서 수집된 FDC 데이터 변수 중에서 적어도 하나의 변수를 제거하여 다중 공선성(multicollinearity)를 제거하는 변수 선택 단계;
상기 데이터 처리 모듈이 모든 센서 데이터가 동일한 평균, 표준편차를 가지도록 각 센서 데이터의 표준화를 수행하는 표준화 단계;
상기 데이터 처리 모듈이 각 센서 데이터의 평균과 표준 편차를 계산하여 특질을 추출하는 특질 추출 단계;
상기 데이터 처리 모듈이 이상치 센서를 제거하는 이상치 센서 제거 단계;
상기 군집화 모듈이 센서 대표 패턴을 정의하는 단계;
상기 군집화 모듈이 추출된 특질을 기반으로 군집화 알고리즘을 적용하여 유사한 특성을 가진 센서들을 군집화하는 군집화 단계;
상기 군집화 모듈이 복수의 군집들 중 어느 하나의 군집에 포함된 센서들을 중요 센서로 추출하는 단계;
상기 예측 모듈이 중요 센서들의 특질들을 이용하여 설비 건강 모니터링 모델을 학습하는 단계; 및
상기 예측 모듈이 새로운 센서 데이터가 수집되면 학습된 모델을 기반으로 설비의 건강을 진단하고 예측하는 단계를 포함하는 센서 군집화 기반의 설비 건강 모니터링 방법.
A health monitoring method of a sensor clustering-based facility performed in a facility health monitoring apparatus including a data processing module, a clustering module, and a prediction module,
Collecting FDC (Fault Detection & Classification) data collected in real time from a plurality of sensors attached to the facility;
A facility life index indicator generation step in which the data processing module generates a facility life index;
A variable selecting step of removing the multicollinearity by removing at least one variable among FDC data variables collected from each sensor by the data processing module;
A standardization step of the data processing module performing standardization of each sensor data such that all sensor data have the same average and standard deviation;
A characteristic extracting step of the data processing module calculating an average and a standard deviation of each sensor data to extract a characteristic;
An abnormal value sensor removing step in which the data processing module removes the abnormal value sensor;
Defining the sensor representative pattern by the clustering module;
A clustering step of clustering sensors having similar characteristics by applying a clustering algorithm based on extracted features of the clustering module;
Extracting, by the important sensor, the sensors included in one of the plurality of communities;
Learning the facility health monitoring model using the characteristics of the important sensors; And
Wherein the prediction module includes diagnosing and predicting the health of the facility based on the learned model when new sensor data is collected.
상기 군집화 단계에서 상기 군집화 알고리즘은 Hierarchical algorithm, K-means algorithm, K-medhoids algorithm, DBSCAN(Density Based Spatial Clustering of Applications with Noise), 및 OPTICS(Ordering Points To Identify the Clustering Structure)를 포함하는,
센서 군집화 기반의 설비 건강 모니터링 방법.
The method according to claim 1,
In the clustering step, the clustering algorithm includes a hierarchical algorithm, a K-means algorithm, a K-medhoids algorithm, a DBSCAN (Density Based Spatial Clustering of Applications with Noise), and an OPTICS (Ordering Points To Identify the Clustering Structure)
A method of health monitoring of facilities based on sensor clustering.
상기 센서 대표 패턴을 정의하는 단계에서 상기 센서 대표 패턴은 시간에 따라 증가하는 제1 패턴, 시간에 따라 감소하는 제2 패턴, 시간에 독립적이며 바뀌지 않는 패턴인 제3 패턴, 및 시간에 독립적인 기타 패턴인 제4 패턴을 포함하는,
센서 군집화 기반의 설비 건강 모니터링 방법.
The method according to claim 1,
In the step of defining the sensor representative pattern, the sensor representative pattern may include a first pattern that increases with time, a second pattern that decreases with time, a third pattern that is independent of time and does not change, Lt; RTI ID = 0.0 > pattern,
A method of health monitoring of facilities based on sensor clustering.
상기 변수 선택 단계는 다음의 식을 이용하여 계산한 VIF(variance inflation actor)를 사용하여 변수를 선택하는,
센서 군집화 기반의 설비 건강 모니터링 방법.
여기에서, 는 i 번째 변수를 종속 변수로 하고 남은 i-1 번째 변수를 독립 변수로 사용하여 회귀(regression)를 결정하는 계수
The method according to claim 1,
The variable selecting step selects a variable using a variance inflation actor (VIF) calculated using the following equation:
A method of health monitoring of facilities based on sensor clustering.
From here, Is the coefficient that determines the regression by using the i-th variable as the dependent variable and the remaining i-1th variable as the independent variable
센서 대표 패턴을 정의하여, 추출된 특질을 기반으로 군집화 알고리즘을 적용하여 유사한 특성을 가진 센서들을 군집화하고, 복수의 군집들 중 어느 하나의 군집에 포함된 센서들을 중요 센서로 추출하는 군집화 모듈; 및
중요 센서들의 특질들을 이용하여 설비 건강 모니터링 모델을 학습하고, 새로운 센서 데이터가 수집되면 학습된 모델을 기반으로 설비의 건강을 진단하고 예측하는 예측 모듈을 포함하는 센서 군집화 기반의 설비 건강 모니터링 장치.
(FDC) data collected in real time from a plurality of sensors attached to the facility to generate a facility life index, and at least one variable among FDC data variables collected from each sensor is removed to obtain multi-collinearity A data processing module that performs standardization of each sensor data so that all sensor data have the same average and standard deviation, calculates an average and standard deviation of each sensor data to extract characteristics, and removes the outlier sensor;
A clustering module for defining sensors representative patterns, clustering sensors having similar characteristics by applying a clustering algorithm based on the extracted characteristics, and extracting sensors included in any one of the plurality of clusters with the important sensors; And
A facility clustering facility health monitoring device that includes a facility health monitoring model using the characteristics of critical sensors and a prediction module that diagnoses and predicts the health of the facility based on the learned model when new sensor data is collected.
상기 군집화 알고리즘은 Hierarchical algorithm, K-means algorithm, K-medhoids algorithm, DBSCAN(Density Based Spatial Clustering of Applications with Noise), 및 OPTICS(Ordering Points To Identify the Clustering Structure)를 포함하는 센서 군집화 기반의 설비 건강 모니터링 장치.
6. The method of claim 5,
The clustering algorithm includes a sensor clustering-based facility health monitoring including a hierarchical algorithm, a K-means algorithm, a K-medhoids algorithm, a DBSCAN (Density Based Spatial Clustering of Applications with Noise), and an OPTICS (Ordering Points to Identify the Clustering Structure) Device.
상기 센서 대표 패턴은 시간에 따라 증가하는 제1 패턴, 시간에 따라 감소하는 제2 패턴, 시간에 독립적이며 바뀌지 않는 패턴인 제3 패턴, 및 시간에 독립적인 기타 패턴인 제4 패턴을 포함하는,
센서 군집화 기반의 설비 건강 모니터링 장치.
6. The method of claim 5,
Wherein the sensor representative pattern includes a first pattern that increases with time, a second pattern that decreases with time, a third pattern that is independent of time and does not change, and a fourth pattern that is a time-
Equipment health monitoring device based on sensor clustering.
상기 데이터 처리 모듈은 다음의 식을 이용하여 계산한 VIF(variance inflation actor)를 사용하여 각 센서에서 수집된 FDC 데이터 변수 중에서 적어도 하나의 변수를 제거하는,
센서 군집화 기반의 설비 건강 모니터링 장치.
여기에서, 는 i 번째 변수를 종속 변수로 하고 남은 i-1 번째 변수를 독립 변수로 사용하여 회귀(regression)를 결정하는 계수6. The method of claim 5,
Wherein the data processing module removes at least one variable among FDC data variables collected from each sensor using a VIF (variance inflation actor) calculated using the following equation:
Equipment health monitoring device based on sensor clustering.
From here, Is the coefficient that determines the regression by using the i-th variable as the dependent variable and the remaining i-1th variable as the independent variable
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170096912A KR101948604B1 (en) | 2017-07-31 | 2017-07-31 | Method and device for equipment health monitoring based on sensor clustering |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170096912A KR101948604B1 (en) | 2017-07-31 | 2017-07-31 | Method and device for equipment health monitoring based on sensor clustering |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190013017A KR20190013017A (en) | 2019-02-11 |
KR101948604B1 true KR101948604B1 (en) | 2019-02-15 |
Family
ID=65367356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170096912A KR101948604B1 (en) | 2017-07-31 | 2017-07-31 | Method and device for equipment health monitoring based on sensor clustering |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101948604B1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230150137A (en) | 2022-04-21 | 2023-10-30 | 전남대학교산학협력단 | Cyber-physical program and real-world facility management method using the program |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102406311B1 (en) * | 2019-08-28 | 2022-06-08 | 인천대학교 산학협력단 | System and Method for Predicting Indoor Condensation Occurence Time |
KR102360004B1 (en) * | 2019-11-15 | 2022-02-15 | 한국타이어앤테크놀로지 주식회사 | Management system of machine based on a vibration |
KR102215850B1 (en) * | 2019-11-22 | 2021-02-16 | 세메스 주식회사 | Apparatus and method for extracting correlation factor for checking semiconductor manufacturing system |
KR102441135B1 (en) * | 2019-12-30 | 2022-09-08 | 한국과학기술연구원 | Deep learning based method for estimating multi-output value of power plant and system for permoing the same |
KR102335015B1 (en) * | 2020-01-30 | 2021-12-02 | 아주대학교산학협력단 | Debt management competency assessment system and analysis method for debt management competency information using the same |
CN111325410B (en) * | 2020-03-13 | 2023-10-10 | 安图实验仪器(郑州)有限公司 | Universal fault early warning system based on sample distribution and early warning method thereof |
CN111833012B (en) * | 2020-06-19 | 2024-06-21 | 联想(北京)有限公司 | Industrial data processing method and device |
KR102415711B1 (en) * | 2020-09-23 | 2022-07-05 | 주식회사 티라유텍 | Monitoring system for real-time based data preprocessing and anomaly detection |
CN114372611A (en) * | 2021-12-15 | 2022-04-19 | 华能煤炭技术研究有限公司 | Water resource optimal allocation method and device |
KR20240078762A (en) * | 2022-11-28 | 2024-06-04 | 주식회사 필드솔루션 | Smart factory system that diagnoses conditions using artificial intelligence |
CN118246248B (en) * | 2024-05-27 | 2024-08-02 | 北京高码科技有限公司 | Meteorological data acquisition method and system based on edge |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012138044A (en) * | 2010-12-28 | 2012-07-19 | Toshiba Corp | Processing state monitoring device |
-
2017
- 2017-07-31 KR KR1020170096912A patent/KR101948604B1/en active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012138044A (en) * | 2010-12-28 | 2012-07-19 | Toshiba Corp | Processing state monitoring device |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230150137A (en) | 2022-04-21 | 2023-10-30 | 전남대학교산학협력단 | Cyber-physical program and real-world facility management method using the program |
Also Published As
Publication number | Publication date |
---|---|
KR20190013017A (en) | 2019-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101948604B1 (en) | Method and device for equipment health monitoring based on sensor clustering | |
CN109542740B (en) | Abnormality detection method and apparatus | |
US9465387B2 (en) | Anomaly diagnosis system and anomaly diagnosis method | |
JP5530020B1 (en) | Abnormality diagnosis system and abnormality diagnosis method | |
JP5530045B1 (en) | Health management system and health management method | |
US10719774B2 (en) | Method and system for health monitoring and fault signature identification | |
CN115034248A (en) | Automatic diagnostic method, system and storage medium for equipment | |
KR102618023B1 (en) | Failure prediction diagnosis system and method through pattern analysis according to failure type | |
JP2004531815A (en) | Diagnostic system and method for predictive condition monitoring | |
JP2015114967A (en) | Abnormality detection method and abnormality detection device | |
JP2014032455A (en) | Equipment condition monitoring method and device thereof | |
JP2014032657A (en) | Abnormality detecting method and device thereof | |
JP6828807B2 (en) | Data analysis device, data analysis method and data analysis program | |
KR102073810B1 (en) | Method and system for predicting the failure of naval ship propulsion system using machine learning | |
US12007745B2 (en) | Apparatus for predicting equipment damage | |
US20190265088A1 (en) | System analysis method, system analysis apparatus, and program | |
JP6777142B2 (en) | System analyzer, system analysis method, and program | |
US20240085274A1 (en) | Hybrid bearing fault prognosis with fault detection and multiple model fusion | |
KR101960755B1 (en) | Method and apparatus of generating unacquired power data | |
CN117471346A (en) | Method and system for determining remaining life and health status of retired battery module | |
KR102253230B1 (en) | Predictive diagnosis method and system of nuclear power plant equipment | |
CN117289168A (en) | Product quality monitoring system based on sensor data and intelligent algorithm | |
JP6915693B2 (en) | System analysis method, system analyzer, and program | |
JP5771318B1 (en) | Abnormality diagnosis apparatus and abnormality diagnosis method | |
JP6973445B2 (en) | Display method, display device, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |