KR101982235B1

KR101982235B1 - 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법 및 장치

Info

Publication number: KR101982235B1
Application number: KR1020170096244A
Authority: KR
Inventors: 백준걸; 유영지
Original assignee: 고려대학교 산학협력단
Priority date: 2017-07-28
Filing date: 2017-07-28
Publication date: 2019-05-24
Also published as: KR20190012756A

Abstract

생존 합수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법이 개시된다. 상기 유사 설비 군집화 방법은 데이터 처리 모듈, 특질 추출 모듈, 및 군집화 모듈을 포함하는 유사 설비 군집화 장치에서 수행되고, 상기 데이터 처리 모듈이 공정 설비에서의 설비 정비 내역 정보를 포함하는 정비 실적 데이터를 수집하는 단계, 상기 특질 추출 모듈이 공정 설비에서의 고장 발생 간격 분포를 추정하는 고장 발생 간격 분포 추정 단계, 상기 특질 추출 모듈이 적합성 검정을 통한 최적 분포를 결정하는 최적 분포 결정 단계, 상기 특질 추출 모듈이 상기 최적 분포 결정 단계에서 결정된 각 설비의 고장 발생 간격의 최적 분포로부터 생존 함수를 추정하는 생존 함수 추정 단계, 상기 특질 추출 모듈이 상기 생존 함수 추정 단계에서 추정된 생존 함수로부터 특질을 추출하는 특질 추출 단계, 및 상기 군집화 모듈이 상기 특질 추출 단계에서 추출된 특질을 기반으로 유사한 설비를 군집화하는 유사 설비 군집화 단계를 포함한다.

Description

생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법 및 장치{METHOD AND DEVICE FOR SIMILAR EQUIPMENT CLUSTERING USING FEATURE EXTRACTION METHOD BASED ON SURVIVAL FUNCTION}

본 발명의 개념에 따른 실시 예는 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법 및 장치에 관한 것으로, 더욱 상세하게는, 설비의 고장 발생 간격을 분석하여 설비 특성과 관련된 특질을 추출함으로써 유사한 설비의 군집화 성능을 향상시키고, 군집 별로 유지 관리 방식을 차별화함으로써 효율적인 공정 관리가 가능하도록 하는 유사 설비 군집화 방법 및 장치에 관한 것이다.

본 발명은 설비의 고장 이력을 분석하여 유사한 설비를 군집화하는 방법에 관한 것이다.

제조 공정에서 설비의 고장을 사전에 방지하고 예방 보전을 하여 설비의 상태를 최상으로 유지하는 것은 설비에서 생산되는 제품의 품질과 직결되며 기업의 경쟁력 확보에도 중요한 요소이다.

그러나 제조 공정에서 사용되는 설비는 동종 설비라도 조업량, 생산되는 제품의 종류, 작업 환경, 정비 내역 등 다양한 변수에 의해 서로 상이한 특성을 지니게 된다. 기존에는 설비별로 특성이 상이함에도 불구하고 동일한 설비 유지 관리 방식이 적용되었다. 설비에서 수집된 데이터를 분석하기 위해 모니터링 알고리즘이나 건강 진단 알고리즘 등을 적용할 때, 서로 상이한 특성을 지닌 여러 대의 설비에 한 개의 동일한 알고리즘을 일반화시켜서 적용하게 되면 예측의 정확성을 확보하기 어렵다.

또한, 실제 공정에서는 설비의 상태를 나타내는 정성적, 정량적인 지표가 존재하지 않는다. 설비의 상태에 대한 기준이 존재하지 않으면 설비의 건강 상태를 정확하게 예측하는 것이 불가능하다.

설비에서 발생하는 고장 이력은 설비의 상태를 반영하게 된다. 설비의 고장이 짧은 주기로 여러 번 발생하는 설비는 상태가 불안정한 설비이고 긴 주기의 적은 횟수로 고장이 발생하는 설비는 안정적인 설비이다. 따라서 안정적인 설비와 불안정한 설비는 설비의 특성을 반영하여 서로 상이한 유지보수 기법을 적용해야 한다.

그러나 제조 공정에서 수백 대의 동종 설비가 존재하기 때문에 설비의 상태를 엔지니어가 일일이 파악하기 어려운 문제점이 있다. 따라서, 설비의 고장 간격을 분석하여 유사한 고장 패턴을 지닌 설비들을 자동으로 군집화해주는 유사 설비 군집화 기법이 요구된다.

본 발명에서 설비의 고장 패턴을 반영하는 특질은 생존 분석을 통해 추출한다. 생존 분석은 일반적으로 생존기간을 분석하여 생존 함수(survival function)을 추정하는 통계 기법으로 치료 방법이나 신약의 투여 등이 생존에 미치는 효과 등을 추정하는데 이용된다. 생존 분석은 의학 분야뿐만 아니라 사회과학이나 공학 분야에서도 널리 적용되고 있으며 특히 공학 분야에서는 생존 함수 대신 신뢰도 함수로 알려져 있다.

JP

2012-234226

A

JP

5855036

B2

JP

2015-228069

A

JP

2016-167194

A

본 발명이 이루고자 하는 기술적인 과제는 제조 공정에서 쓰이는 동종의 설비들의 고장 패턴을 반영하여 유사한 상태의 설비들끼리 군집화하기 위해 특질을 추출하는 것이다.

또한, 본 발명이 이루고자 하는 기술적인 과제는 군집 별로 유지 관리 방식을 차별화함으로써 효율적인 공정 관리가 가능하도록 하는 유사 설비 군집화 방법을 제공하는 것이다.

본 발명의 일 실시 예에 따른 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법은 데이터 처리 모듈, 특질 추출 모듈, 및 군집화 모듈을 포함하는 유사 설비 군집화 장치에서 수행되고, 상기 데이터 처리 모듈이 공정 설비에서의 설비 정비 내역 정보를 포함하는 정비 실적 데이터를 수집하는 단계, 상기 특질 추출 모듈이 공정 설비에서의 고장 발생 간격 분포를 추정하는 고장 발생 간격 분포 추정 단계, 상기 특질 추출 모듈이 적합성 검정을 통한 최적 분포를 결정하는 최적 분포 결정 단계, 상기 특질 추출 모듈이 상기 최적 분포 결정 단계에서 결정된 각 설비의 고장 발생 간격의 최적 분포로부터 생존 함수를 추정하는 생존 함수 추정 단계, 상기 특질 추출 모듈이 상기 생존 함수 추정 단계에서 추정된 생존 함수로부터 특질을 추출하는 특질 추출 단계, 및 상기 군집화 모듈이 상기 특질 추출 단계에서 추출된 특질을 기반으로 유사한 설비를 군집화하는 유사 설비 군집화 단계를 포함한다.

본 발명의 일 실시 예에 따른 유사 설비 군집화 장치는 공정 설비에서의 설비 정비 내역 정보를 포함하는 정비 실적 데이터를 수집하는 데이터처리 모듈, 상기 정비 실적 데이터를 이용하여 공정 설비에서의 고장 발생 간격 분포를 추정하는 고장 간격 분포 추정부, 적합성 검정을 통해 추정된 고장 발생 간격 분포 중 최적의 고장 발생 간격 분포를 결정하고 상기 최적의 고장 발생 간격 분포로부터 생존 함수를 추정하는 생존 함수 추정부, 및 상기 생존 함수로부터 특질을 추출하는 특질 추출부를 포함하는 특질 추출 모듈, 및 상기 특질 추출부에서 추출한 특질을 기반으로 유사한 설비를 군집화하는 설비 군집화부를 포함하는 군집화 모듈을 포함한다.

본 발명의 일 실시 예에 따른 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법 및 장치는 통계적 검정 방법을 기반으로 고장 발생 간격 데이터의 분포를 추정하고, 이 분포로부터 생존 함수를 추정한 뒤 각 설비의 생존 함수 유사도를 파악하기 위해 특질을 추출하여 유사한 상태의 설비들끼리 군집화할 수 있는 효과가 있다.

본 발명의 일 실시 예에 따른 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법 및 장치는 계층적 군집 방법(hierarchical clustering method)을 이용하여 고장 패턴이 유사한 설비들끼리 군집화할 수 있는 효과가 있다.

본 발명의 일 실시 예에 따른 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법 및 장치는 각 설비들을 군집화하여 각 군집 별로 설비의 상태 특성을 파악한 뒤 해당 군집에 적합한 유지보수 기법을 적용하여 공정의 관리 효율성을 향상시키는 효과가 있다.

본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 상세한 설명이 제공된다.
도 1은 본 발명의 일 실시 예에 따른 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 장치의 기능 블럭도이다.
도 2는 본 발명의 일 실시 예에 따른 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법을 설명하기 위한 흐름도이다.
도 3은 공정 설비로부터 수집하는 정비 실적 데이터의 일 예를 도시한다.
도 4는 MLE를 이용한 8개 분포의 모수 추정 결과의 일 예를 도시한다.
도 5는 8개의 분포에 대한 적합성 검정 결과의 일 예를 도시한다.
도 6은 도 4 내지 도 5와 동일한 방법으로 모든 설비의 Down 발생 간격 데이터의 분포를 추정하고 적합성을 검정한 결과이다.
도 7은 생존 함수를 추정하고 생존 함수의 QST를 도출한 그래프의 일 예를 도시한다.
도 8 및 도 9는 군집화 결과의 일 예를 도시한다.
도 10 내지 도 12는 도 8 및 도 9의 각 군집에 해당하는 설비들의 대표 패턴을 도시한다.

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.

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.

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.

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.

이하, 본 명세서에 첨부된 도면들을 참조하여 본 발명의 실시 예들을 상세히 설명한다.

먼저, 도 1을 참조하여, 본 발명의 일 실시예에 따른 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 장치에 대해 상술한다.

도 1은 본 발명의 일 실시 예에 따른 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 장치의 기능 블럭도이다. 도 1을 참조하면, 유사 설비 군집화 장치(10)는 데이터 처리 모듈(100), 특질 추출 모듈(200), 군집화 모듈(300), 및 데이터베이스(800)을 포함한다.

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.

유사 설비 군집화 장치(10)의 데이터 처리 모듈(100)은 데이터 수집부(110)를 포함하며, 데이터베이스로(800)부터 각 설비의 고장 이력 데이터를 수집하고 처리한다. 구체적으로, 공정 설비에서의 설비 정비 내역 정보를 포함하는 정비 실적 데이터를 수집한다.

유사 설비 군집화 장치(10)의 특질 추출 모듈(200)은 정비 실적 데이터를 이용하여 공정 설비에서의 고장 간격을 계산하고 고장 간격 분포를 추정하는 고장 간격 분포 추정부(210), 적합성 검정을 통해 추정된 고장 발생 간격 분포 중 최적의 고장 발생 간격 분포를 결정하고 상기 최적의 고장 발생 간격 분포로부터 생존 함수를 추정하는 생존 함수 추정부(230), 및 상기 생존 함수로부터 특질을 추출하는 특질 추출부(250)을 포함한다. 이때, 특질 추출부(250)는 생존 함수 추정부(230)에서 추정한 생존 함수의 사분위수 생존 시간(QST, Quantile Survival Time)을 특질로 추출할 수 있다.

구체적으로, 특질 추출 모듈(200)은 정형적 통계 검정 방법인 카이제곱검정(Chi-Square test), 콜모고로프스미르노프 검정(Kolmogorov-Smirnov test), 또는 앤더슨 달링 검정(Anderson Darling test)을 이용하여 상기 고장 간격 분포 추정부(210)에서 추정된 고장 발생 간격 분포에 대한 적합성을 검정하고, 앤더슨 달링 통계량(Anderson-Darling statistic)이 가장 큰 값을 갖는 고장 발생 간격 분포를 최적의 고장 발생 간격 분포로 결정할 수 있다.

유사 설비 군집화 장치(10)의 군집화 모듈(300)은 특질 추출 모듈(200)에서 추출한 특질을 이용하여 유사한 고장 패턴을 보이는 설비들을 군집화하는 설비 군집화부(310)를 포함한다. 또한, 유사 설비 군집화 장치(10)의 군집화 모듈(300)은 상기 설비 군집화부(310)에서 추출된 각각의 군집에 포함된 설비들의 평균 MST(Median Survival Time)를 계산하여 각각의 군집에 포함된 설비들의 상태 특성을 분석하는 군집 특성 분석부(미도시)를 더 포함할 수 있다.

데이터베이스(800)는 수집된 데이터, 고장 분포, 생존 함수, 특질, 또는 군집화 결과 등을 저장할 수 있다. 본 명세서에서 데이터베이스라 함은, 각각의 데이터베이스에 대응되는 정보를 저장하는 소프트웨어 및 하드웨어의 기능적 구조적 결합을 의미할 수도 있다.

유사 설비 군집화 장치(10)에 포함될 수 있는 제어모듈(미도시)은 유사 설비 군집화 장치(10)의 전반적인 동작을 제어한다. 즉, 데이터 처리 모듈(100), 특질 추출 모듈(200), 군집화 모듈(300), 및 데이터베이스(800)의 동작을 제어할 수 있다.

본 실시 예와는 다르게, 상기 유사 설비 군집화 장치(10)가 아닌 별도의 장치에 데이터 처리 모듈(100), 특질 추출 모듈(200), 군집화 모듈(300), 또는 데이터베이스(800)) 중 어느 하나 이상을 구비하는 것도 가능하다. 이때, 각각의 장치별로 제어모듈을 각각 구비할 수 있다.

이하, 도 2를 참조하여, 본 발명의 일 실시 예에 따른 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법에 대하여 자세히 살펴보도록 한다.

도 2는 도 1에 도시한 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 장치에서 수행되는 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법을 설명하기 위한 흐름도이다.

도 2를 참조하면, 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법은 데이터 수집 단계(S100), 생존 함수 기반의 특질 추출 단계(S200), 및 유사 설비 군집화 단계(S300)를 포함한다.

먼저, 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 장치(10)의 데이터 처리 모듈(100)은 공정 설비에서의 설비의 정비 내역 정보를 포함하는 정비 실적 데이터를 수집한다(S110). 정비 실적 데이터는 설비가 가동중인 상태(run), 작동하지 않는 상태(idle), 정기적으로 수행하는 설비 유지보수 상태(preventive maintenance), 다양한 고장 및 보수의 원인으로 엔지니어가 설비를 멈춘 상태(down) 등과 같이 설비의 상태와 설비의 상태 변경 시간을 포함할 수 있다.

도 3은 공정 설비로부터 수집하는 정비 실적 데이터의 일 예를 도시한다. 도3을 참고하면, 정비 실적 데이터는 해당 설비 번호(EQP_INDEX, UNIT_INDEX) 및 데이터가 수집된 시간(Time)에 대한 설비 상태 데이터(EQP_STATUS)를 포함하며, 설비 상태 데이터는 설비가 작동하지 않는 상태(IDLE), 설비가 가동중인 상태(RUN), 정기적으로 수행하는 설비의 유지 및 보수(PM), 및 다양한 고장 및 보수의 원인으로 엔지니어가 설비를 멈춘 상태(DOWN)를 포함한다.

다음, 유사 설비 군집화 장치(10)의 특질 추출 모듈(200)은 공정 설비에서의 고장 발생 간격 분포의 모수를 추정한다(S210). 즉, 특질 추출 모듈(200)은 설비의 고장 간격을 계산하고 고장 간격의 분포를 추정한다. 고장 발생 간격이 좁다는 것은 특정 원인에 의해 설비의 고장이 발생한 지 얼마 지나지 않아 또다시 설비의 고장이 발생했다는 것을 의미하기 때문에 고장 발생 간격이 넓은 설비에 비해 상태가 불안정하다고 할 수 있다. 생존 함수를 추정하기 위해서는 먼저 고장 시간 간격의 분포 추정이 선행되어야 한다. 고장 이력과 관련된 기존 연구에 따르면, 고장 이력 데이터의 분포는 초기에 고장률이 높다가 점차 감소한 뒤로 일정한 고장률을 보이다가 설비의 노후화로 고장이 일어나는 시점에서 다시 증가하는 특징을 갖는다. 본 발명에서는 설비의 고장 발생 간격 데이터로부터 분포를 추정하기 위해 MLE(Maximum Likelihood Estimation) 기법을 사용하며, 총 8개 연속형 분포(Burr distribution, cauchy distribution, exponential distribution, frechet distribution, gamma distribution, generalized pareto distribution, log-normal distribution, weibull distribution)의 모수를 추정한다.

버 분포(Burr Distribution)는 가구 수입과 수명자료 등에 적용이 가능한 분포이며, 공학, 생존분석, 산업과학 그리고 보험료 측정 시 주로 사용된다. 코시 분포(Cauchy Distribution)는 꼬리가 두꺼운 분포 중 하나로 공명 혹은 공진(resonance) 현상을 설명하는데 사용된다. 지수 분포(Exponential Distribution)는 고장 데이터를 모형화 할 때 사용하는 분포이며, 어떤 시점에서든 일정한 고장 위험을 지닐 경우 사용된다. 프레셰 분포(Frechet Distribution)는 일반화 극단치 분포 중 하나로 1년 중 최대강우량 및 강물의 최대배출량과 같이 극단적인 사건에 적용하는 분포이다. 감마 분포(Gamma Distribution)는 비행기 엔진 고장이 발생하는 시간 간격이나 슈퍼마켓의 카운터에 손님이 찾아오는 시간간격과 같이 비대칭이며 왼쪽으로 치우친 모양을 갖는 분포이다. 일반화된 파레토 분포(Generalized Pareto Distribution)는 극단치 분포이며. 대형사고가 일어나는 분포의 끝 부분을 표현한다. 대수 정규 분포(Log-normal Distribution)는 왼쪽으로 치우친 비대칭 모양의 분포이며, 신뢰도 분석에서 유지보수, 시스템 복구 시간을 모델링 하는데 사용한다. 와이블 분포(Weibull Distribution)는 고장확률 밀도함수를 표현하기 위해 제안된 분포이다.

도 4는 MLE를 이용한 8개 분포의 모수 추정 결과의 일 예를 도시한다. 도 4의 왼쪽에 있는 표는 예제 설비의 Down 발생 간격 데이터를 앞에서 제시한 8가지 분포들에 적합한 결과이다. 적합은 MLE(Maximum Likelihood Estimation)를 사용하여 각 분포에 해당하는 모수(parameter)를 추정하였다. 예제 설비의 Down 발생 간격 데이터에서 Burr 분포의 경우에는 해당 데이터의 분포 적합이 불가능해 결과에서 제외한다.

다음, 유사 설비 군집화 장치(10)의 특질 추출 모듈(200)은 적합성 검정을 통한 최적 분포를 결정한다(S220).

분포에 대한 적합성을 검정하는 방법에는 정형적인 방법과 비정형적인 방법이 있는데 비정형적인 방법은 그림을 통하여 적합성을 판단하는 방법으로 자료수가 충분히 많지 않을 경우 적합성 판단에 어려움이 있다. 따라서, 본 발명에 따른 유사 설비 군집화 방법에서는 추정된 분포의 적합성을 판단하기 위하여 정형적 방법을 이용한다. 예를 들어, 각 설비의 고장 간격으로부터 추정된 분포의 적합성 검정을 위해 정형적 통계 검정 방법인 카이제곱검정(Chi-Square test), 콜모고로프스미르노프 검정(Kolmogorov-Smirnov test), 앤더슨 달링 검정(Anderson Darling test)을 이용하여 적합성을 검정할 수 있다.

도 5는 8개의 분포에 대한 적합성 검정 결과의 일 예를 도시한다. 도 5는 단계 S210에서 추정된 분포에 대한 적합성 검정 결과이며, Cauchy 분포를 제외한 나머지 분포들이 적합하다는 결과를 나타내었다. Anderson Darling 통계량이 가장 큰 값을 선택하여 적합성 검정결과 선택된 분포 중 최적의 분포를 선택할 수 있다.

도 6은 도 4 내지 도 5와 동일한 방법으로 모든 설비의 Down 발생 간격 데이터의 분포를 추정하고 적합성을 검정한 결과이다. 즉, 도 6은 모든 설비(33개의 반도체 설비)의 적합한 분포의 선택 결과이며, Generalized Pareto 분포(15), Frechet 분포(9), Cauchy분포(4), Burr 분포(3), Gamma 분포(1), Lognormal 분포(1)의 순서대로 각 분포를 따르는 설비가 많은 것을 확인할 수 있다.

다음, 유사 설비 군집화 장치(10)의 특질 추출 모듈(200)은 최적 분포 결정 단계(S220)에서 결정된 각 설비의 고장 발생 간격 분포로부터 생존 함수를 추정한다(S230).

다음, 유사 설비 군집화 장치(10)의 특질 추출 모듈(200)은 생존 함수 추정 단계(S230)에서 추정된 생존 함수의 사분위수 생존 시간(QST, Quantile Survival Time)을 특질로 추출한다(S250). 사분위수 생존 시간(QST)은 설비의 평균 고장 간격과 25percentile, 75percentile에 해당하는 고장 간격을 추출할 수 있다. 설비 간의 QST가 유사할수록 생존 함수의 유사 정도가 높다고 판단할 수 있으며, 이는 설비의 고장 발생 패턴이 유사하다고 판단할 수 있다. 따라서, 특질 추출 모듈(200)은 QST(Quantile Survival Time)를 생존 함수의 유사도를 파악하기 위한 특질(Feature)로 추출할 수 있다.

도 7은 두 설비의 Down 발생 간격의 분포를 이용하여 생존 함수를 추정하고 생존 함수의 QST(Quantile Survival Time)를 도출한 그래프의 일 예를 도시한다. 도 7의 두 생존 함수가 다른 형태를 보이며 MST(Median Survival Time)의 경우에는 1.88일과 6.49일로 크게 차이가 나는 것을 확인할 수 있다. QST가 유사할수록 생존 함수의 유사한 정도가 높다고 판단하며, QST를 생존 함수의 유사도를 파악하기 위한 특질(Feature)로 추출한다.

다음, 유사 설비 군집화 장치(10)의 군집화 모듈(300)은 추출된 특질을 기반으로 유사한 설비를 군집화 한다(S310). 구체적으로, 계층적 군집 방법을 이용하여 군집화를 수행한다.

도 8 및 도 9는 군집화 결과의 일 예를 도시한다. 도 8은 군집의 수를 5개로 선정하였을 때, 각 군집 별 데이터 개수 및 평균 MST의 일 예를 도시하며, 도 9는 군집 계통도(Clustering Dendrogram)의 일 예를 도시한다. Clustering Dendrogram에 존재하는 숫자는 설비의 인덱스이며, 각 군집에 속한 설비들의 평균 MST(Median Survival Time)은 계통도의 왼쪽에 위치하는 군집 4부터 점차 증가하는 추세의 결과를 보인다.

군집화가 완료되면, 각 군집에 포함된 설비들의 평균 MST(Median Survival Time)를 계산하여 각 군집에 포함된 설비들의 상태 특성을 분석한다(S330).

도 10 내지 도 12는 각 군집에 해당하는 설비들의 대표 패턴을 도시한다.

도 10은 도 8 및 도 9의 군집 4에 속해있는 설비들 중 임의로 두 개를 선택하여 도시한 것이다. 군집 4의 경우에는 평균 MST가 약 0.9159일로 Down 발생 간격이 매우 좁은 것을 도 8에서 확인할 수 있다. 군집 4에 포함되는 설비들은 도 10의 오른쪽 그래프처럼 설비 운영 전반적으로 빈번하게 Down이 발생하거나 왼쪽 그래프처럼 특정 시점부터 Down이 빈번하게 발생하는 현상을 보여주며 다른 설비에 비해 상대적으로 불안정한 상태임을 확인할 수 있다.

도 11은 도 8 및 도 9의 군집 1, 2, 3에 해당하는 설비들의 대표 패턴으로서 한 동안 Down이 발생하지 않다가 한 번 Down이 발생하면 그 뒤로 빈번하게 발생하는 형태를 보인다. 따라서 설비의 불안정한 상태와 안정되는 상태가 반복되는 것을 알 수 있다. 일반적으로 대부분의 설비가 도 11과 같은 패턴을 보인다.

도 12는 도 8 및 도 9의 군집 5의 대표 패턴으로서 설비가 운영되는 동안 Down의 발생이 미미하고 Down의 발생 간격이 상대적으로 넓은 것을 확인할 수 있다. 군집 5의 평균 MST는 5.93일로 다른 군집에 비해 상대적으로 큰 값을 가지고 있다. 군집 5에 해당하는 설비의 경우에는 엔지니어가 한 번의 설비 보수작업을 거치면 그 뒤에는 추가적인 Down이 자주 발생하지 않기 때문에 다른 설비들보다 안정된 설비라고 할 수 있다.

본 발명에 따른 유사 설비 군집화 방법을 통하여 각 군집에 포함된 설비들의 상태 특성을 보다 효율적으로 분석할 수 있다.

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.

10 : 유사 설비 군집화 장치
100 : 데이터 처리 모듈
200 : 특질 추출 모듈
300 : 군집화 모듈
800 : 데이터베이스

Claims

데이터 처리 모듈, 특질 추출 모듈, 및 군집화 모듈을 포함하는 유사 설비 군집화 장치에서 수행되는 유사 설비 군집화 방법에 있어서,
상기 데이터 처리 모듈이 공정 설비에서의 설비 정비 내역 정보를 포함하는 정비 실적 데이터를 수집하는 단계;
상기 특질 추출 모듈이 공정 설비에서의 고장 발생 간격 분포를 추정하는 고장 발생 간격 분포 추정 단계;
상기 특질 추출 모듈이 적합성 검정을 통한 최적 분포를 결정하는 최적 분포 결정 단계;
상기 특질 추출 모듈이 상기 최적 분포 결정 단계에서 결정된 각 설비의 고장 발생 간격의 최적 분포로부터 생존 함수를 추정하는 생존 함수 추정 단계;
상기 특질 추출 모듈이 상기 생존 함수 추정 단계에서 추정된 생존 함수로부터 특질을 추출하는 특질 추출 단계; 및
상기 군집화 모듈이 추출된 특질을 기반으로 설비를 군집화하는 설비 군집화 단계를 포함하는 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법.
제1항에 있어서,
상기 설비 군집화 단계에서 추출된 각각의 군집에 포함된 설비들의 평균 MST(Median Survival Time)를 계산하여 각각의 군집에 포함된 설비들의 상태 특성을 분석하는 단계를 더 포함하는 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법.
제1항에 있어서,
상기 특질 추출 단계에서,
상기 특질은 상기 생존 함수 추정 단계에서 추정된 생존 함수의 사분위수 생존 시간(QST, Quantile Survival Time)이고,
상기 설비 군집화 단계는 상기 사분위수 생존 시간(QST)의 유사도에 기초하여 설비를 군집화하는,
생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법.
제1항에 있어서,
상기 최적 분포 결정 단계에서,
상기 특질 추출 모듈은 정형적 통계 검정 방법인 카이제곱검정(Chi-Square test), 콜모고로프스미르노프 검정(Kolmogorov-Smirnov test), 또는 앤더슨 달링 검정(Anderson Darling test)을 이용하여 상기 고장 발생 간격 분포 추정 단계에서 추정된 고장 발생 간격 분포에 대한 적합성을 검정하고,
상기 특질 추출 모듈은 앤더슨 달링 통계량(Anderson-Darling statistic)이 가장 큰 값을 갖는 고장 발생 간격 분포를 최적 분포로 결정하는,
생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법.
공정 설비에서의 설비 정비 내역 정보를 포함하는 정비 실적 데이터를 수집하는 데이터처리 모듈;
상기 정비 실적 데이터를 이용하여 공정 설비에서의 고장 발생 간격 분포를 추정하는 고장 간격 분포 추정부, 적합성 검정을 통해 추정된 고장 발생 간격 분포 중 최적의 고장 발생 간격 분포를 결정하고 상기 최적의 고장 발생 간격 분포로부터 생존 함수를 추정하는 생존 함수 추정부, 및 상기 생존 함수로부터 특질을 추출하는 특질 추출부를 포함하는 특질 추출 모듈; 및
상기 특질 추출부에서 추출한 특질을 기반으로 설비를 군집화하는 설비 군집화부를 포함하는 군집화 모듈을 포함하는 유사 설비 군집화 장치.
제5항에 있어서,
상기 군집화 모듈은,
상기 설비 군집화부에서 추출된 각각의 군집에 포함된 설비들의 평균 MST(Median Survival Time)를 계산하여 각각의 군집에 포함된 설비들의 상태 특성을 분석하는 군집 특성 분석부를 더 포함하는,
유사 설비 군집화 장치.
제5항에 있어서,
상기 특질 추출 모듈의 상기 특질 추출부는 상기 생존 함수 추정부에서 추정한 생존 함수의 사분위수 생존 시간(QST, Quantile Survival Time)을 특질로 추출하고,
상기 설비 군집화부는 상기 사분위수 생존 시간(QST)의 유사도에 기초하여 설비를 군집화하는,
유사 설비 군집화 장치.
제5항에 있어서,
상기 특질 추출 모듈은,
정형적 통계 검정 방법인 카이제곱검정(Chi-Square test), 콜모고로프스미르노프 검정(Kolmogorov-Smirnov test), 또는 앤더슨 달링 검정(Anderson Darling test)을 이용하여 상기 고장 간격 분포 추정부에서 추정된 고장 발생 간격 분포에 대한 적합성을 검정하고,
앤더슨 달링 통계량(Anderson-Darling statistic)이 가장 큰 값을 갖는 고장 발생 간격 분포를 최적의 고장 발생 간격 분포로 결정하는,
유사 설비 군집화 장치.