KR101987365B1 - 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 - Google Patents
비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 Download PDFInfo
- Publication number
- KR101987365B1 KR101987365B1 KR1020180147635A KR20180147635A KR101987365B1 KR 101987365 B1 KR101987365 B1 KR 101987365B1 KR 1020180147635 A KR1020180147635 A KR 1020180147635A KR 20180147635 A KR20180147635 A KR 20180147635A KR 101987365 B1 KR101987365 B1 KR 101987365B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- maintenance
- military equipment
- model
- prediction
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 45
- 238000013473 artificial intelligence Methods 0.000 title description 4
- 238000012423 maintenance Methods 0.000 claims abstract description 123
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 98
- 238000010801 machine learning Methods 0.000 claims abstract description 82
- 238000007781 pre-processing Methods 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000013480 data collection Methods 0.000 claims abstract description 5
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000013058 risk prediction model Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 description 11
- 230000007547 defect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000005406 washing Methods 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
- 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
군 장비의 고장을 예측하는 군 장비 고장 예측 시스템에 관한 것이며, 군 장비 고장 예측 시스템은 상기 군 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집하는 데이터 수집부, 상기 정비 데이터 중 정형 데이터를 분석하여 예측에 필요한 예측 변수를 도출하는 정형 데이터 전처리부, 상기 정비 데이터 중 비정형 데이터를 정형 데이터로 변환하여 예측에 필요한 상기 예측 변수를 도출하는 비정형 데이터 전처리부, 상기 정비 데이터 및 상기 예측 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 군 장비의 고장 예측 모델을 업데이트 하는 머신러닝부, 모델 최적화 기법을 통해 머신러닝 알고리즘의 모델 파라미터를 최적화하는 모델 최적화부 및 상기 고장 예측 모델을 기반으로 군 장비의 고장을 예측하는 고장 예측부를 포함할 수 있다.
Description
본원은 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법에 관한 것이다.
전투기, 전차 및 군 전력 장비들은 극한 하중 하에서 높은 신뢰도가 요구되는 것들이다. 그러나 이들은 운용 중 마모, 균열 결함(fault)이나 성능저하 (degradation)로 인한 손상(damage)이 어쩔 수 없이 발생하며, 이를 예방하려면 설계단계에서 수명기간 중 고장이 발생하지 않도록 원천예방설계를 하거나 운용 중 검사와 정비를 정기적으로 수행해야 한다.
위와 같은 문제를 해결하기 위해 과거 군 장비 정비기술은 고장이 발생하면 수리하는 사후정비(Corrective Maintenance)에 의존하였으나, 현재의 군 장비 고장 예측 기술은 예방정비(Preventice Maintenance), 즉 정기 유지보수에 의존하고 있다. 그러나 이는 실제 결함수준과 관계없이 무조건 정비를 실시하므로 잦은 중단(Down Time)과 부품 교체로 높은 비용이 발생한다.
따라서, 이러한 문제를 해결하기 위해 현재 예측 정비(Predictive Maintenance) 기술이 연구되고 있다. 예측 정비는 결함 발생 패턴을 분석하여 고장이 발생하기 전 조기에 고장을 예방하는 기술이다. 따라서, 기존 무조건 정비를 실시하던 계획 정비가 아닌 예측 정비를 실시함으로써 정비에 대한 시간과 비용적 절감을 이룰 수 있다.
하지만, 현재 정비를 기록하는 결함내용 데이터는 주로 텍스트, 이미지 등의 비정형 데이터로 이루어져 있고, 각 부대별, 정비사별로 고장 내용을 기록하는 방식에 대한 차이로 인해 예측 정비 모델의 변수로서 활용하기 어려운 수준이다.
이러한 비정형 데이터에는 결함내용, 조치내용 등 고장 예측을 위한 주요 항목이 포함되기 때문에 성공적인 고장 예측을 위해서는 반드시 비정형 데이터에 대한 활용이 필요하다. 따라서, 비정형 데이터를 정형화시키는 기술을 이용하여 고장 예측 모델에 주요 변수로 활용함으로써 고장 예측 모델의 성능을 향상시킬 수 있다.
본원의 배경이 되는 기술은 한국등록특허공보 제 10-1914874호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 군 장비의 정비내용 및 고장 내용 등의 기존에 활용하기 어려웠던 비정형 데이터를 정형화하여 해당 장비의 고장 예측에 필요한 변수로 도출하고, 머신러닝을 통해 군 장비 고장을 예측할 모델을 만들고, 해당 모델들을 최적화하여 군 장비 예측 모델의 예측률을 향상시킬 수 있는 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법을 제공하고자 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 군 장비의 고장을 예측하는 군 장비 고장 예측 시스템은, 상기 군 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집하는 데이터 수집부, 상기 정비 데이터 중 정형 데이터를 분석하여 예측에 필요한 예측 변수를 도출하는 정형 데이터 전처리부, 상기 정비 데이터 중 비정형 데이터를 정형 데이터로 변환하여 예측에 필요한 상기 예측 변수를 도출하는 비정형 데이터 전처리부, 상기 정비 데이터 및 상기 예측 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 군 장비의 고장 예측 모델을 업데이트 하는 머신러닝부, 모델 최적화 기법을 통해 머신러닝 알고리즘의 모델 파라미터를 최적화하는 모델 최적화부 및 상기 고장 예측 모델을 기반으로 군 장비의 고장을 예측하는 고장 예측부를 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 정형 데이터 전처리부는, 상기 정비 데이터를 기반으로 분석에 필요한 데이터의 복수의 예측 변수값을 일정 기준으로 변형하는 데이터 정규화를 수행할 수 있다.
본원의 일 실시예에 따르면, 상기 비정형 데이터 전처리부는, 상기 정비 데이터에 포함된 정비 텍스트 데이터를 이용하여 고장 예측에 필요한 제1용어를 추출하기 위한 형태소 분석 및 상기 형태소 분석으로 추출된 제1용어를 벡터 공간으로 매핑하는 정규화를 수행할 수 있다.
본원의 일 실시예에 따르면, 상기 머신러닝부는, 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 위험 예측 모델을 신규 데이터에 대한 군 장비의 고장 예측 모델로서 선정할 수 있다.
본원의 일 실시예에 따르면, 상기 모델 최적화부는, 상기 머신러닝부에서 사용되는 복수의 머신러닝 알고리즘의 세부 파라미터를 조정하여 상기 군 장비의 고장 예측 모델을 최적화할 수 있다.
본원의 일 실시예에 따르면, 상기 머신러닝부는, 지도 학습 기반의 제 1 알고리즘에 기초하여, 상기 장비의 정비 예측 품목 및 정비 예측 주기 예측 모델을 업데이트할 수 있다.
본원의 일 실시예에 따르면, 상기 머신러닝부는, 지도 학습 기반의 제 2 알고리즘에 기반하여, 상기 장비의 정비 예측 일시 예측 모델을 업데이트할 수 있다.
본원의 일 실시예에 따르면, 상기 머신러닝부는, 지도 학습 기반의 제3 알고리즘에 기반하여, 상기 장비의 정비 예측 학습 이미지 및 정비 예측 학습 데이터의 예측 모델을 업데이트할 수 있다.
본원의 일 실시예에 따르면, 상기 정비 데이터는, 상기 장비의 실시간 센서 결과 데이터, 고장 및 정비 이력 데이터 및 장비 체계 데이터 중 적어도 하나를 포함할 수 있다.
본원의 일 실시예에 따르면, 군 장비 고장 예측 시스템에서 군 장비의 고장을 예측하는 방법은, 상기 군 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집하는 단계, 상기 정비 데이터 중 정형 데이터를 분석하여 예측에 필요한 예측 변수를 도출하는 단계, 상기 정비 데이터 중 비정형 데이터를 정형 데이터로 변환하여 예측에 필요한 상기 예측 변수를 도출하는 단계, 상기 정비 데이터 및 상기 예측 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 군 장비의 고장 예측 모델을 업데이트 하는 단계, 모델 최적화 기법을 통해 머신러닝 알고리즘의 모델 파라미터를 최적화하는 단계 및 상기 고장 예측 모델을 기반으로 군 장비의 고장을 예측하는 단계를 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 군 장비의 정비 이력 및 고장 이력 등의 정형 및 비정형 데이터를 이용하여 해당 장비의 고장 예측에 필요한 변수를 도출하고, 머신러닝을 통해 예측모델을 만들고, 최적화 과정을 거친 해당 예측 모델을 활용하여 군 장비 고장을 예측할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 기존 통계적 기법이 정형 데이터 및 비정형 데이터 미활용에 따라 발생한 낮은 예측률의 한계를 비정형 데이터를 적용한 머신러닝 예측 모델을 적용함으로써, 군 장비의 고장 예측률을 향상시킬 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 군 장비의 정비 이력 및 고장 이력 등의 정보를 기반으로, 머신러닝의 예측 모델을 통해 군 장비에 대한 고장 예측 결과를 제공할 수 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 군 장비 고장 예측 시스템의 개략적인 블록도이다.
도 2는 본원의 일 실시예에 따른 군 장비 고장 예측 시스템에서 군 장비의 고장을 예측하는 방법에 대한 동작 흐름도이다.
도 2는 본원의 일 실시예에 따른 군 장비 고장 예측 시스템에서 군 장비의 고장을 예측하는 방법에 대한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본원의 일 실시예에 따른 군 장비 고장 예측 시스템의 개략적인 블록도이다. 이하에서 설명되는 장비는 항공기, 우주 탐사선 및 원자력/풍력발전기 같은 시스템들은 극한 하중 하에서 높은 신뢰도가 요구되는 장비일 수 있으나, 이에 한정되는 것은 아니다.
도 1을 참조하면, 군 장비 고장 예측 시스템(100)은 데이터 수집부(110), 정형 데이터 전처리부(120), 비정형 데이터 전처리부(130), 머신러닝부(140), 모델 최적화부(150) 및 고장 예측부(160)를 포함할 수 있다.
본원의 일 실시예에 따르면, 군 장비 고장 예측 시스템(100)은 계속 변화하고 추가되는 빅데이터의 특성을 고려하여, 군 장비 고장 예측 시스템(100) 내에서 인공지능 기반의 빅데이터 정비 예측 결과를 제공할 수 있다. 또한, 군 장비 고장 예측 시스템(100)은 신규 빅데이터 유형에 대해서 하나의 화면에 직관적으로 이해하기 쉬운 형태로 장비 예측 정보를 제공할 수 있다.
또한, 본원의 일 실시예에 따르면, 군 장비 고장 예측 시스템(100)은 빅데이터 환경하에서 발생하는 다양한 정형 및 비정형 데이터 등의 데이터를 수집하고, 정형 및 비정형 데이터를 벡터화 및 PCA기법을 통해 필요한 변수만을 도출하여, 머신러닝 기반으로 군 장비의 고장을 예측할 수 있다. PCA는 데이터의 분산(variance)을 최대한 보존하면서 서로 직교하는 새 기저(축)를 찾아, 고차원 공간의 표본들을 선형 연관성이 없는 저차원 공간으로 변환하는 기법이다.
또한, 본원의 일 실시예에 따르면, 군 장비 고장 예측 시스템(100)은 장비 고장 예측 결과를 시각화하여 사용자 단말로 전송할 수 있다. 이때, 사용자 단말은 전투기, 전차, 군 전력 장비의 시스템을 운용하거나 정비하는 사용자의 단말 일 수 있다.
본원의 일 실시예에 따르면, 군 장비 고장 예측 시스템(100)은 사용자 단말 (120)로 장비의 고장 예측 메뉴를 제공할 수 있다. 예를 들어, 군 장비 고장 예측 시스템(100)이 제공하는 애플리케이션 프로그램을 수요자 단말(120)이 다운로드하여 설치하고, 설치된 애플리케이션을 통해 장비의 고장 예측 메뉴가 제공될 수 있다.
군 장비 고장 예측 시스템(100)은 사용자 단말 (120)과 데이터, 콘텐츠, 각종 통신 신호를 네트워크를 통해 송수신하고, 데이터 저장 및 처리의 기능을 가지는 모든 종류의 서버, 단말, 또는 디바이스를 포함할 수 있다.
사용자 단말 (120)은 네트워크를 통해 군 장비 고장 예측 시스템(100)과 연동되는 디바이스로서, 예를 들면, 스마트폰(Smartphone), 스마트패드(Smart Pad), 태블릿 PC, 웨어러블 디바이스 등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치 및 데스크탑 컴퓨터, 스마트 TV와 같은 고정용 단말기일 수도 있다. 현실적으로 군 장비 고장 예측 시스템(100)은 DDS(Data Distribution Service) 및OPC-UA(Open Platform Communication UnifiedArchitecture) 같은 단말기와 연동될 수 있다.
군 장비 고장 예측 시스템(100) 및 사용자 단말간의 정보 공유를 위한 네트워크의 일 예로는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 유무선 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, Wifi 네트워크, NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함될 수 있으며, 이에 한정된 것은 아니다.
본원의 일 실시예에 따르면, 데이터 수집부(110)는 군 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집할 수 있다. 데이터 수집부(110)는 기설정된 주기마다 신규 정비 데이터를 수집할 수 있다. 정비 데이터는 군 장비의 실시간 센서 결과 데이터, 군 장비의 고장 및 정비 이력 데이터 및 군 장비 체계 데이터 중 적어도 어느 하나를 포함할 수 있다. 일 예로, 군 장비의 고장 및 정비 이력 데이터는 과거의 군 장비의 고장 및 정비 이력에 관련된 데이터 일 수 있다. 군 장비 데이터는 정형 데이터와 비정형 데이터로 나누어 처리될 수 있다.
예시적으로 데이터 수집부(110)는 군 장비의 복수의 부품 중 하나인 엔진에 포함된 구성요소(부품) 각각의 교체 품목, 교체 일시, 교체 주기 및 결함내역, 정비내역과 같은 텍스트 데이터, 환경에 기반한 부품들의 노후 속도 등을 포함하는 정비 데이터를 수집할 수 있다. 달리 말해, 정비 데이터는 해당 장비에 포함된 복수의 부속품 각각에 대한 정비데이터를 포함할 수 있다.
데이터 수집부(110)는 데이터베이스에 포함된 군 장비의 복수의 부품을 각각에 대한 정비 데이터를 수집할 수 있다. 데이터베이스는 군 장비의 고장 예측에 사용되는 데이터 셋을 포함할 수 있다. 데이터베이스는 정형 데이터 및 비정형 데이터를 포함할 수 있다.
예시적으로, 데이터 셋은 복수의 레코드를 포함할 수 있다. 여기서, 데이터는, 군 장비의 정비 품목, 정비 주기, 정비 일시, 정비 텍스트(결함내용, 조치내용 등), 환경(예를 들어, 온도에 따른 장비의 노후 속도)와 연계되어 생성된 것일 수 있다.
예시적으로, 데이터베이스는 군 장비의 고장을 예측하기 위해 장비의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경과 연계하여 각각의 데이터를 데이터 셋에 저장할 수 있다. 이때, 군 장비의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경을 기준으로 연결되어 데이터 셋에 저장되는 하나의 데이터를 하나의 레코드라 할 수 있다. 예시적으로, 군 장비의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경은 복수의 변수라고 할 수 있다.
본원의 일 실시예에 따르면, 정형 데이터 전처리부(120)는 정비 데이터 중 정형 데이터를 분석하여 예측에 필요한 예측 변수를 도출할 수 있다. 정형 데이터 전처리부(120)는 업데이트된 정형 데이터를 분석하여 예측에 필요한 예측 변수를 도출할 수 있다. 정형 데이터는 숫자형, 범주형 등의 정형화된 데이터 중 적어도 하나를 포함할 수 있다.
또한, 정형 데이터 전처리부(120)는 데이터 수집부(110)에 포함된 정비 데이터를 탐색하여 분석할 데이터를 획득할 수 있다. 정형 데이터 전처리부(120)는 획득된 데이터로부터 분석을 수행할 예측 변수(분석 변수)를 선택하고, 선택된 예측 변수에 대응하는 데이터의 전처리를 수행할 수 있다.
예시적으로, 정비 데이터 중 정형 데이터는 장비의 구성요소(예를 들어, 엔진)의 교체 품목, 교체 시기, 교체 주기, 교체 일시, 교체 부품에 해당하는 데이터 일 수 있다. 일예로, 정형 데이터 전처리부(120)는 장비 구성요소 중 하나인 제1엔진의 교체 시기를 예측하기 위해, 정비 데이터 중 제1 엔진의 교체 일시, 교체 주기, 교체 품목 등 적어도 교체 일시 및 교체 주기를 예측에 필요한 예측 변수로 도출할 수 있다.
정형 데이터 전처리부(120)는 데이터 셋에 저장된 데이터를 정규화하는 전처리를 수행할 수 있다. 정형 데이터 전처리부(120)는 정비 데이터를 기반으로 분석에 필요한 데이터의 복수의 예측 변수값을 일정 기준으로 변형하는 데이터 정규화를 수행할 수 있다. 달리 말해, 정형 데이터 전처리부(120)는 데이터 셋에 저장된 데이터의 변수 값들을 일정 기준으로 맞추는 데이터 정규화를 수행할 수 있다. 구체적으로, 정형 데이터 전처리부(120)는 고장 예측 모델의 안정성과 정확성을 향상시키고 데이터 셋에 저장된 데이터가 갖는 오차를 효과적으로 줄이기 위해, 데이터 셋 내의 데이터에서 일정하지 않은 부분(일정하지 않은 변수 값을 갖는 데이터)을 MIN/MAX 방법으로 정규화할 수 있다. 정형 데이터 전처리부(120)는 MIN/MAX 방법을 통한 정규화로 하여금, 데이터 셋에 저장된 데이터의 변수 값을 최솟값 0 내지 최댓값 1 사이의 범위 내에서 어느 하나의 값을 갖도록 변환시킬 수 있다.
또한, 정형 데이터 전처리부(120)는 정규화된 데이터(예를 들어, 데이터 셋에 저장된 정규화된 데이터)를 기반으로 하여 데이터 셋 내의 레코드별로 군 장비의 정비 패턴 및 정비 주기를 산정할 수 있다.
또한, 정형 데이터 전처리부(120)는 정규화된 데이터(예를 들어, 데이터 셋에 저장된 정규화된 데이터)를 기반으로 하여 고장 예측 모델의 생성을 위한 적어도 하나의 예측 변수를 선정할 수 있다. 달리 표현하여, 정형 데이터 전처리부(120)는 정규화된 데이터를 기반으로 하여 고장 예측에 필요한 예측 변수(중요 변수)를 선정할 수 있다. 이러한 변수의 선정은 고장 예측 모델(모형)의 생성시 고장 예측 모델에 영향력 있는 변수만을 사용하기 위해 이루어질 수 있다.
본원의 일 실시예에 따르면, 비정형 데이터 전처리부(130)는 정비 데이터 중 비정형 데이터를 정형 데이터로 변환하여 예측에 필요한 예측 변수를 도출할 수 있다. 비정형 데이터 전처리부(130)는 비정형화된 특정 변수를 기반하여 정비 데이터를 정형화하여 변수를 도출할 수 있다. 달리 말해, 비정형 데이터 전처리부(130)는 이미지나 텍스트와 같은 비정형 데이터를 분석하여 예측에 활용할 수 있도록 정형 데이터로 변환 후 예측에 필요한 변수를 도출할 수 있다.
비정형 데이터 전처리부(130)는 정비 데이터 중 정비 텍스트에서 뜻을 가진 최소단위의 단어로 Tokenize(표식화) 하여 벡터 공간에 매핑(Mapping)하는 과정을 통해 데이터의 전처리를 수행할 수 있다. 예를 들어, 비정형 데이터 전처리부(130) ‘동력발생장치 오물 세척’이라는 정비 텍스트에 대해 형태소 분석을 통해 정비예측에 필요한 단어인 ‘동력발생장치’와 ‘세척’을 추출하여 Word2Vec(Word to Vector)에 적합한 데이터를 만드는 벡터화하는 과정을 수행할 수 있다. 일예로, 비정형 데이터 전처리부(130)는 정비 데이터에 포함된 장비의 고장 내역을 나타내는 ‘결함내용’,’조치내용’ 등의 데이터는 비정형 데이터로 이루어져 있으므로 이를 벡터화하여 예측 변수로 활용할 수 있다. 달리 말해, 결함내용, 조치내용은 사용자가 입력한 텍스트로 문장으로 작성된 비정형 데이터일 수 있다.
또한, 비정형 데이터 전처리부(130)는 정비 예측에 필요한 명사를 추출하기 위해 Komoran(Korean Morphological Analyzer) 형태소 분석을 통해 Tokeniz(표식화)하는 과정과 형태소 분석으로 추출한 명사를 Word2Vec을 통해 벡터 공간으로 매핑하여 정형화하는 두 과정을 수행할 수 있다. 형태소는 뜻을 가진 가장 작은 단위로, 형태소 분석을 통해 문장 또는 텍스트를 가장 작은 단위로 분리할 수 있다.
비정형 데이터 전처리부(130)에서 활용한 Komoran 형태소 분석은 기존 형태소 분석과 달리 여러 어절을 하나의 품사로 분석이 가능하여 공백이 포함된 군 장비 고장품목(예를 들어, 슬립링 조립체, 공기 여과기 조립체)을 더 정확하게 Tokeniz(표식화)할 수 있다.
비정형 데이터 전처리부(130)에서 형태소 분석을 통해 추출된 군 장비 고장품목을 정형화하는 Word2Vec은 Tokenize된 단어를 벡터로 변화하여 벡터 간의 거리로 단어 간 연관성을 파악할 수 있다. 이러한 과정을 통해 도출된 변수는 정비 예측 모델의 생성시 정비 예측 모델에 영향력 있는 변수만을 사용하기 위해 이루어질 수 있다.
본원의 일 실시예에 따르면, 머신러닝부(140)는 지도학습 기반의 분류 및 예측 알고리즘에 기초하여, 상기 군 장비의 고장 예측 모델을 업데이트 할 수 있다. 머신러닝부(140)는 정비 데이터 및 예측 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 군 장비의 고장 예측 모델을 업데이트할 수 있다. 머신러닝부(140)는 복수의 머신러닝 알고리즘을 적용하여, 생성된 군 장비 고장 예측 모델에 대한 학습을 수행할 수 있다. 즉, 머신러닝부(140)에 의하여 생성된 고장 예측 모델은 복수의 머신러닝 알고리즘을 적용함으로써 학습될 수 있다.
예시적으로, 머신러닝부(140) 제1엔진의 정비 데이터 중 교체 일시 및 교체 주기에 포함된 데이터를 이용하여 머신러닝을 통해 장비의 고장 예측 모델을 업데이트 할 수 있다. 또한, 머신러닝부(140)는 제 1 엔진의 교체 일시 및 교체 주기의 고장 예측 모델을 업데이트 하기 위해 복수의 머신러닝 알고리즘을 적용할 수 있다. 머신러닝부(140)는 복수의 머신러닝 알고리즘 중 정비 예측 모델의 정확도가 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 고장 예측 모델을 제1엔진의 고장 예측 모델로서 선정할 수 있다.
이때, 복수의 머신러닝 알고리즘은 Logistic Regression 알고리즘, Random Forest 알고리즘, KNN 알고리즘, Xgboost 알고리즘 및 Tensorflow 알고리즘 중 적어도 하나를 포함할 수 있다. 다만, 이에만 한정되는 것은 아니고 다양한 머신러닝 알고리즘이 적용될 수 있다.
예시적으로 복수의 머신러닝 알고리즘은 Logistic Regression 알고리즘, Random Forest 알고리즘, KNN(K-Nearest Neighbors) 알고리즘, Xgboost 알고리즘 및 Deep learning 알고리즘 중 적어도 하나를 포함할 수 있다. Logistic Regression 알고리즘은 선형 예측에 사용되는 Linear 모델에 Sigmoid 함수를 적용하여 분류 문제를 해결하는 알고리즘이고, Random Forest 알고리즘은 여러 개의 의사결정 트리(Decision Tree)들이 Froes를 구성하여 각각의 예측결과를 하나의 결과변수로 평균화하는 알고리즘이다. KNN 알고리즘은 데이터로부터 거리가 가까운 K 개의 다른 데이터의 레이블을 참조하여 데이터를 분류하는 알고리즘이고, Xgboost 알고리즘은 Random Forest의 Tree는 독립적이라면 Xgboost의 Tree는 결과를 다음 트리에 적용하는 boost 방식의 알고리즘이다. Deep learning 알고리즘은 다층구조의 Neural Network을 기반으로 변수의 패턴이 결과에 미치는 영향을 가중치로 조절하며 학습하는 알고리즘이다.
본원의 일 실시예에 따르면, 머신러닝부(140)에 의하여 생성된 군 장비 정비 예측 모델이 복수의 머신러닝 알고리즘 각각에 적용됨으로써, 복수의 머신러닝 알고리즘 각각에 대응하여 군 장비의 정비 예측도가 산출될 수 있다. 달리 말해, 생성된 군 장비 정비 예측 모델이 복수의 머신러닝 알고리즘에 각각에 적용됨으로써, 복수의 머신러닝 알고리즘 각각에 대응하여 머신러닝 알고리즘의 적용 결과로서 군 장비의 고장을 예측할 수 있다.
본원의 일 실시예에 따르면, 머신러닝부(140)는 학습 결과에 기초하여, 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 위험예측 모델(모형)을 군 장비의 고장 예측 모델로서 선정할 수 있다. 달리 말해, 머신러닝부(140)는 생성된 위험 예측 모델에 복수의 머신러닝 알고리즘 각각을 적용한 학습 결과에 기초하여, 복수의 머신러닝 알고리즘 중 정확도가 가장 높은 머신러닝 알고리즘이 적용된 군 장비 고장 예측 모델을 신규 데이터에 대한 군 장비 고장 예측을 위해 선정할 수 있다.
예시적으로, 머신러닝부(140)는 군 장비의 정비 예측 품목 및 예측 주기, 군 장비의 고장 예측 일시, 군 장비 고장 예측 이미지 및 텍스트 각각에 해당하는 항목을 복수의 머신러닝 알고리즘을 통해 학습시킬 수 있다. 머신러닝부(130)는 각각의 항목에 대응하여 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 위험예측 모델(모형)을 해당 항목의 고장 예측 모델로서 선정할 수 있다.
예시적으로, 머신러닝부(140)는 군 장비의 정비 예측 품목 및 예측 주기를 Random Forest 알고리즘에 기반하여, 장비의 정비 예측 모델을 업데이트할 수 있다. 또한, 머신러닝부(140)는 군 장비의 고장 예측 일시를 Xgboost알고리즘에 기반하여, 장비의 고장 예측 모델을 업데이트 할 수 있다. 또한, 머신러닝부(140)는 군 장비 고장 예측 이미지 및 텍스트를 딥러닝 알고리즘에 기반하여, 고장 예측 학습 이미지 및 고장 예측 학습 테스트 예측 모델을 업데이트할 수 있다.
본원의 일 실시예에 따르면, 모델 최적화부(150)는 군 장비 고장 예측 모델의 파라미터 및 모델 알고리즘을 조정하며 모델을 최적화할 수 있다. 달리 말해, 모델 최적화부(150)는 모델 최적화 기법을 통해 머신러닝 알고리즘의 모델 파라미터를 최적화할 수 있다. 모델 최적화부(150)는 머신러닝부(140)에서 사용된 머신러닝 알고리즘들을 기반으로 하며 이러한 알고리즘에 사용되는 세부 파라미터를 조정하여 모델의 최적화를 수행할 수 있다.
예를 들어, Random Forest 알고리즘의 세부 파라미터는 n_estimators, criterion, max_depth, min_samples_split, min_samples_leaf 등을 포함할 수 있다. KNN 알고리즘의 세부 파라미터는 n_neighbors, weights, algorithm, p, metric 등의 세부 파라미터를 포함할 수 있다. 모델 최적화부(150)는 이러한 세부 파라미터의 값을 조정해 나가며 고장 예측 모델에 가장 적합한 세부 파라미터 값을 찾아 고장 예측 모델의 성능을 향상시킬 수 있다. 모델 최적화부(150)는 모델 최적화 기법을 통하여 모델을 최적화시킬 수 있다.
예시적으로 모델 최적화 기법은 Grid Search 기법, Randomized Search 기법, Ensemble 메서드 기법 및 Pipelines 기법 중 적어도 하나를 포함할 수 있다. Grid search 기법은 파라미터 범위를 교차 검증(cross-validation)을 사용해 하이퍼 파라미터 값들의 모든 가능한 조합들을 평가하여 가장 좋은 파라미터 값을 찾아내는 기법이다. Randomized Search 기법은 Grid search 기법의 단점 중 하나인 파라미터 탐색 시간의 증가를 어느 정도 해결해주는 기법으로, 탐색해야 하는 파라미터 범위가 클 경우 유용하다. Randomized Search 기법은 Grid search 기법과 다르게 모든 가능한 조합들을 시도하는 대신, 반복시마다 각 하이퍼 파라미터에 대해 랜덤한 값을 선택함으로써 주어진 숫자만큼 무작위 조합에 대해 평가한다. Ensemble 매서드 기법은 가장 좋은 모델들을 결합하여 최적의 모델을 만들어내는 기법이다. 최적의 모델로 그룹화된 것을 앙상블이라고 하며 개별 모델에 대한 예측이 아닌 여러 개의 예측 모델을 통해 최적의 결과값을 도출해내는 기법이다.
본원의 일 실시예에 따르면, 모델 최적화부(150)에 의하여 도출된 최적의 모델 파라미터 및 모델 알고리즘은 머신러닝부(140)에서 생성된 복수의 머신러닝 알고리즘에 적용됨으로써, 머신러닝 알고리즘의 파라미터 및 알고리즘을 최적화할 수 있다. 예시적으로, 모델최적화부(150)는 머신러닝부(140)에 의해 생성된 복수의 머신러닝 알고리즘을 최적화할 수 있다. 일예로, 모델최적화부(150)는 Random Forest 알고리즘에 사용되는 하이퍼 파라미터인 n_estimators, criterion, max_depth, min_samples_split, max_features, bootstrap 등의 다양한 파라미터를 학습하고 그 중 가장 높은 성능을 나타내는 파라미터를 최적의 파라미터로 선정할 수 있다.
본원의 일 실시예에 따르면, 모델 최적화부(150)는 머신러닝 알고리즘 중 하나인 Random Forest알고리즘에 모델 최적화 기법인 Grid search 기법을 적용하여 Random Forest 알고리즘을 최적화할 수 있다. 모델 최적화부(150)는 Grid search 기법을 적용하여 도출된 최적의 파라미터 값을 머신러닝 알고리즘에 업데이트 하여 군 장비 고장 예측 모델의 성능을 최적화할 수 있다.
본원의 일 실시예에 따르면, 모델 최적화부(150)는 머신러닝부(140)에서 생성된 복수의 머신러닝 알고리즘의 최적의 파라미터를 선정할 수 있다. 머신러닝부(140)는 다수의 파라미터 선정을 통해 가장 높은 성능을 보인 알고리즘 및 파라미터를 최종 선택하여 군 장비 고장 예측 모델 파라미터를 업데이트 할 수 있다.
본원의 일 실시예에 따르면, 고장 예측부(160)는 군 장비 고장 예측 모델을 기반으로 군 장비의 고장을 예측할 수 있다. 일 예로, Random Forest 알고리즘에 기반하여 생성된 고장 예측 모델을 기반으로 장치의 예측 품목 및 예측 주기를 예측할 수 있다. 또한, Xgboost 알고리즘에 기반하여 생성된 군 장비 고장 예측 모델을 기반으로 장비의 고장 예측 일시를 예측할 수 있다. 또한, Tensorflow 알고리즘에 기반하여 생성된 군 장비 고장 예측 모델을 기반으로 군 장비의 고장 예측 학습 이미지 및 고장 예측 학습 테스트를 예측할 수 있다.
또한, 고장 예측부(160)는 군 장비 고장 예측 모델에서 정확도가 가장 높다고 판단된 알고리즘에서 도출된 결과값을 해당 군 장비의 고장 예측 결과로서 제공할 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 2는 본원의 일 실시예에 따른 군 장비 고장 예측 시스템에서 군 장비의 고장을 예측하는 방법에 대한 동작 흐름도이다.
도 2에 도시된 군 장비 고장 예측 시스템에서 군 장비의 고장을 예측하는 방법은 앞서 설명된 군 장비 고장 예측 시스템(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 군 장비 고장 예측 시스템(100)에 대하여 설명된 내용은 군 장비 고장 예측 시스템에서 군 장비의 고장을 예측하는 방법에 대한 설명에도 동일하게 적용될 수 있다.
단계 S201에서 군 장비 고장 예측 시스템(100) 은 군 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집할 수 있다. 정비 데이터는 군 장비의 실시간 센서 결과 데이터, 군 장비의 고장 및 정비 이력 데이터 및 군 장비 체계 데이터 중 적어도 하나를 포함할 수 있다. 군 장비의 실시간 센서 결과 데이터는 장비 내 외부에 구비된 센싱 결과 데이터일 수 있다.
단계 S202에서 군 장비 고장 예측 시스템(100)은 정비 데이터 중 정형 데이터를 분석하여 예측에 필요한 예측 변수를 도출할 수 있다. 또한, 군 장비 고장 예측 시스템(100)은 빅데이터 환경하에서 발생하는 다양한 정형데이터(예를 들어, 운행 정보, 날씨 정보, 정비 이력 정보)를 수집하고, 정형데이터를 필요한 변수만을 도출하여, 머신러닝 기반으로 장비의 고장을 예측할 수 있다.
단계 S203에서 군 장비 고장 예측 시스템(100) 은 정비 데이터 중 비정형 데이터를 정형 데이터로 변환하여 예측에 필요한 상기 예측 변수를 도출할 수 있다. 또한, 군 장비 고장 예측 시스템(100)은 군 장비 고장 예측을 위해 사용되는 비정형 데이터(예를 들어, 고장 정보 텍스트 데이터 및 고장 정보 이미지 데이터)를 수집하고 이를 머신러닝 알고리즘에 적용가능 한 형태로 변환시킬 수 있다.
단계 S204에서 군 장비 고장 예측 시스템(100)은 정비 데이터 및 상기 예측 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 군 장비의 고장 예측 모델을 업데이트할 수 있다. 군 장비 고장 예측 시스템(100)은 머신러닝 학습 결과에 기초하여 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 고장 예측 모델을 군 장비의 고장 예측 모델로서 선정할 수 있다. 이때, 복수의 머신러닝 알고리즘은 랜덤 포레스트(Random Forest) 알고리즘, KNN(K-Nearest Neighbors) 알고리즘, Xgboost 알고리즘 및 딥러닝 알고리즘 중 적어도 하나를 포함할 수 있다.
단계 S205에서 군 장비 고장 예측 시스템(100)은 모델 최적화 기법을 통해 머신러닝 알고리즘의 모델 파라미터를 최적화할 수 있다.
단계 S206에서 군 장비 고장 예측 시스템(100) 은 고장 예측 모델을 기반으로 군 장비의 고장을 예측할 수 있다.
상술한 설명에서, 단계 S201 내지 S206은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시 예에 따른 군 장비 고장 예측 시스템에서 군 장비의 고장을 예측하는 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 군 장비 고장 예측 시스템에서 군 장비의 고장을 예측하는 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
100: 군 장비 고장 예측 시스템
110: 데이터 수집부
120: 정형 데이터 전처리부
130: 비정형 데이터 전처리부
140: 머신러닝부
150: 모델 최적화부
160: 고장 예측부
110: 데이터 수집부
120: 정형 데이터 전처리부
130: 비정형 데이터 전처리부
140: 머신러닝부
150: 모델 최적화부
160: 고장 예측부
Claims (10)
- 군 장비의 고장을 예측하는 군 장비 고장 예측 시스템에 있어서,
상기 군 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집하는 데이터 수집부;
상기 정비 데이터 중 정형 데이터를 분석하여 예측에 필요한 예측 변수를 도출하는 정형 데이터 전처리부;
상기 정비 데이터 중 이미지 및 텍스트를 포함하는 비정형 데이터를 정형 데이터로 변환하여 예측에 필요한 상기 예측 변수를 도출하는 비정형 데이터 전처리부;
상기 정비 데이터 및 상기 예측 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 군 장비의 고장 예측 모델을 업데이트 하는 머신러닝부;
머신러닝 알고리즘의 모델 파라미터를 최적화하는 모델 최적화부; 및
상기 고장 예측 모델을 기반으로 군 장비의 고장을 예측하는 고장 예측부를 포함하되,
상기 머신러닝부는,
지도 학습 기반의 제 1 알고리즘에 기초하여, 상기 장비의 정비 예측 품목 및 정비 예측 주기 예측 모델을 업데이트하고, 지도 학습 기반의 제 2 알고리즘에 기반하여, 상기 장비의 정비 예측 일시 예측 모델을 업데이트하고, 지도 학습 기반의 제3 알고리즘에 기반하여, 상기 장비의 정비 예측 학습 이미지 및 정비 예측 학습 데이터의 예측 모델을 업데이트하고,
상기 모델 최적화부는, 제 1 알고리즘에 제 1 모델 최적화 기법을 적용하여 상기 제 1 알고리즘을 최적화하고, 상기 제 1 모델 최적화 기법을 적용하여 도출된 최적의 파라미터 값을 이용하여 상기 제 1 알고리즘에 업데이트하여 상기 군 장비 고장 예측 모델의 성능을 최적화하는 것인, 군 장비 고장 예측 시스템. - 제1항에 있어서,
상기 정형 데이터 전처리부는,
상기 정비 데이터를 기반으로 분석에 필요한 데이터의 복수의 예측 변수값을 일정 기준으로 변형하는 데이터 정규화를 수행하는 것인, 군 장비 고장 예측 시스템. - 제1항에 있어서,
상기 비정형 데이터 전처리부는,
상기 정비 데이터에 포함된 정비 텍스트 데이터를 이용하여 고장 예측에 필요한 제1용어를 추출하기 위한 형태소 분석 및 상기 형태소 분석으로 추출된 제1용어를 벡터 공간으로 매핑하는 정규화를 수행하는 것인, 군 장비 고장 예측 시스템. - 제1항에 있어서,
상기 머신러닝부는,
복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 위험 예측 모델을 신규 데이터에 대한 군 장비의 고장 예측 모델로서 선정하는 것인, 군 장비 고장 예측 시스템. - 제4항에 있어서,
상기 모델 최적화부는,
상기 머신러닝부에서 사용되는 복수의 머신러닝 알고리즘의 세부 파라미터를 조정하여 상기 군 장비의 고장 예측 모델을 최적화하는 것인, 군 장비 고장 예측 시스템. - 삭제
- 삭제
- 삭제
- 제4항에 있어서,
상기 정비 데이터는,
상기 장비의 실시간 센서 결과 데이터, 고장 및 정비 이력 데이터 및 장비 체계 데이터 중 적어도 하나를 포함하는 것인, 군 장비 고장 예측 시스템. - 군 장비 고장 예측 시스템에서 군 장비의 고장을 예측하는 방법에 있어서,
상기 군 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집하는 단계;
상기 정비 데이터 중 정형 데이터를 분석하여 예측에 필요한 예측 변수를 도출하는 단계;
상기 정비 데이터 중 이미지 및 텍스트를 포함하는 비정형 데이터를 정형 데이터로 변환하여 예측에 필요한 상기 예측 변수를 도출하는 단계;
상기 정비 데이터 및 상기 예측 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 군 장비의 고장 예측 모델을 업데이트 하는 단계;
모델 최적화 기법을 통해 머신러닝 알고리즘의 모델 파라미터를 최적화하는 단계; 및
상기 고장 예측 모델을 기반으로 군 장비의 고장을 예측하는 단계를 포함하되,
상기 군 장비의 고장 예측 모델을 업데이트 하는 단계는,
지도 학습 기반의 제 1 알고리즘에 기초하여, 상기 장비의 정비 예측 품목 및 정비 예측 주기 예측 모델을 업데이트하고, 지도 학습 기반의 제 2 알고리즘에 기반하여, 상기 장비의 정비 예측 일시 예측 모델을 업데이트하고, 지도 학습 기반의 제3 알고리즘에 기반하여, 상기 장비의 정비 예측 학습 이미지 및 정비 예측 학습 데이터의 예측 모델을 업데이트하고,
상기 모델 파라미터를 최적화하는 단계는 제 1 알고리즘에 제 1 모델 최적화 기법을 적용하여 상기 제 1 알고리즘을 최적화하고, 상기 제 1 모델 최적화 기법을 적용하여 도출된 최적의 파라미터 값을 이용하여 상기 제 1 알고리즘에 업데이트하여 상기 군 장비 고장 예측 모델의 성능을 최적화하는 것인, 군 장비 고장 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180147635A KR101987365B1 (ko) | 2018-11-26 | 2018-11-26 | 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180147635A KR101987365B1 (ko) | 2018-11-26 | 2018-11-26 | 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101987365B1 true KR101987365B1 (ko) | 2019-06-10 |
Family
ID=66847986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180147635A KR101987365B1 (ko) | 2018-11-26 | 2018-11-26 | 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101987365B1 (ko) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102100499B1 (ko) * | 2019-10-11 | 2020-04-13 | 강현광 | 빅데이터를 이용한 품질관리 시스템 |
| CN111428995A (zh) * | 2020-03-23 | 2020-07-17 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 辅机电动机参数对厂用电系统影响的仿真评估方法及装置 |
| KR102226687B1 (ko) * | 2019-11-20 | 2021-03-11 | (주)위세아이텍 | 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법 |
| KR102269192B1 (ko) * | 2020-03-20 | 2021-06-25 | 주식회사 케이아이 | 지하공동구 고장 예방 방법 및 장치 |
| KR102274389B1 (ko) * | 2020-09-18 | 2021-07-06 | (주)위세아이텍 | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 |
| KR102279351B1 (ko) * | 2020-11-27 | 2021-07-20 | 성한 주식회사 | 표준 공조기와 운용 공조기의 적합화를 통한 인공지능 기반 고장 진단 방법 |
| KR102315821B1 (ko) | 2021-02-10 | 2021-10-20 | 국방기술품질원 | 소구경 화기 운용신뢰도 예측 시스템 및 이를 이용한 운용신뢰도 예측 방법 |
| KR20210136652A (ko) * | 2020-05-08 | 2021-11-17 | 엘아이지넥스원 주식회사 | 인공신경망을 이용한 부품 단종 예측 장치 및 방법 |
| KR20210147571A (ko) * | 2020-05-29 | 2021-12-07 | 경기대학교 산학협력단 | 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치 |
| KR20220041711A (ko) * | 2020-09-25 | 2022-04-01 | 충북대학교 산학협력단 | 머신러닝에 기초한 반도체 불량 시점 예측 장치 및 방법 |
| WO2022092448A1 (ko) * | 2020-10-29 | 2022-05-05 | 주식회사 디에스랩글로벌 | 딥러닝 솔루션 플랫폼을 제공하는 딥러닝 플랫폼 제공장치에 의해서 수행되는 딥러닝 솔루션 제공 방법 |
| WO2022108029A1 (ko) * | 2020-11-20 | 2022-05-27 | (주)한국플랫폼서비스기술 | 쿼리 기반 딥러닝 추론 시스템을 이용한 공작 기계 예지 보전 시스템 및 그 방법 |
| KR20220072174A (ko) * | 2020-11-25 | 2022-06-02 | (주)디지탈쉽 | 군 장비의 예측정비 데이터 셋 생성을 위한 데이터 분석 시스템 및 방법 |
| KR102420979B1 (ko) * | 2021-12-21 | 2022-07-14 | 한화시스템 주식회사 | 전투 체계 정비 설비 및 방법 |
| KR102470006B1 (ko) * | 2022-06-08 | 2022-11-23 | 주식회사 아이씨티솔루션스 | 수질 측정 장비의 유지관리 기능을 수행하는 지능형 데이터 로거 시스템 및 방법 |
| KR20220157168A (ko) * | 2021-05-20 | 2022-11-29 | 주식회사 유성티앤엠 | 인공지능 기반 절삭공구 마모 관리 시스템 및 그 방법 |
| CN117078232A (zh) * | 2023-10-17 | 2023-11-17 | 山东沪金精工科技股份有限公司 | 一种基于大数据的加工设备故障预防系统及方法 |
| KR102618023B1 (ko) | 2022-12-23 | 2023-12-27 | 앤츠이엔씨 주식회사 | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101677358B1 (ko) * | 2015-01-28 | 2016-11-18 | 주식회사 엑센솔루션 | 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법 |
| KR20170075267A (ko) * | 2015-12-23 | 2017-07-03 | 현대엘리베이터주식회사 | 빅데이터 및 인공지능 학습 기반의 엘리베이터 고장 예측 시스템 |
| KR20180061458A (ko) * | 2016-11-28 | 2018-06-08 | 전자부품연구원 | 정형/비정형 데이터 융합 기반 산업평가 정보 분석 방법 및 시스템 |
-
2018
- 2018-11-26 KR KR1020180147635A patent/KR101987365B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101677358B1 (ko) * | 2015-01-28 | 2016-11-18 | 주식회사 엑센솔루션 | 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법 |
| KR20170075267A (ko) * | 2015-12-23 | 2017-07-03 | 현대엘리베이터주식회사 | 빅데이터 및 인공지능 학습 기반의 엘리베이터 고장 예측 시스템 |
| KR20180061458A (ko) * | 2016-11-28 | 2018-06-08 | 전자부품연구원 | 정형/비정형 데이터 융합 기반 산업평가 정보 분석 방법 및 시스템 |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102100499B1 (ko) * | 2019-10-11 | 2020-04-13 | 강현광 | 빅데이터를 이용한 품질관리 시스템 |
| KR102226687B1 (ko) * | 2019-11-20 | 2021-03-11 | (주)위세아이텍 | 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법 |
| KR102269192B1 (ko) * | 2020-03-20 | 2021-06-25 | 주식회사 케이아이 | 지하공동구 고장 예방 방법 및 장치 |
| CN111428995A (zh) * | 2020-03-23 | 2020-07-17 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 辅机电动机参数对厂用电系统影响的仿真评估方法及装置 |
| CN111428995B (zh) * | 2020-03-23 | 2023-06-02 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 辅机电动机参数对厂用电系统影响的仿真评估方法及装置 |
| KR20210136652A (ko) * | 2020-05-08 | 2021-11-17 | 엘아이지넥스원 주식회사 | 인공신경망을 이용한 부품 단종 예측 장치 및 방법 |
| KR102352510B1 (ko) * | 2020-05-08 | 2022-01-19 | 엘아이지넥스원 주식회사 | 인공신경망을 이용한 부품 단종 예측 장치 및 방법 |
| KR102394658B1 (ko) * | 2020-05-29 | 2022-05-04 | 경기대학교 산학협력단 | 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치 |
| KR20210147571A (ko) * | 2020-05-29 | 2021-12-07 | 경기대학교 산학협력단 | 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치 |
| KR102274389B1 (ko) * | 2020-09-18 | 2021-07-06 | (주)위세아이텍 | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 |
| KR20220041711A (ko) * | 2020-09-25 | 2022-04-01 | 충북대학교 산학협력단 | 머신러닝에 기초한 반도체 불량 시점 예측 장치 및 방법 |
| KR102384189B1 (ko) * | 2020-09-25 | 2022-04-08 | 충북대학교 산학협력단 | 머신러닝에 기초한 반도체 불량 시점 예측 장치 및 방법 |
| WO2022092448A1 (ko) * | 2020-10-29 | 2022-05-05 | 주식회사 디에스랩글로벌 | 딥러닝 솔루션 플랫폼을 제공하는 딥러닝 플랫폼 제공장치에 의해서 수행되는 딥러닝 솔루션 제공 방법 |
| WO2022108029A1 (ko) * | 2020-11-20 | 2022-05-27 | (주)한국플랫폼서비스기술 | 쿼리 기반 딥러닝 추론 시스템을 이용한 공작 기계 예지 보전 시스템 및 그 방법 |
| KR102504535B1 (ko) * | 2020-11-25 | 2023-02-28 | (주)디지탈쉽 | 군 장비의 예측정비 데이터 셋 생성을 위한 데이터 분석 시스템 및 방법 |
| KR20220072174A (ko) * | 2020-11-25 | 2022-06-02 | (주)디지탈쉽 | 군 장비의 예측정비 데이터 셋 생성을 위한 데이터 분석 시스템 및 방법 |
| KR102279351B1 (ko) * | 2020-11-27 | 2021-07-20 | 성한 주식회사 | 표준 공조기와 운용 공조기의 적합화를 통한 인공지능 기반 고장 진단 방법 |
| KR102315821B1 (ko) | 2021-02-10 | 2021-10-20 | 국방기술품질원 | 소구경 화기 운용신뢰도 예측 시스템 및 이를 이용한 운용신뢰도 예측 방법 |
| KR20220157168A (ko) * | 2021-05-20 | 2022-11-29 | 주식회사 유성티앤엠 | 인공지능 기반 절삭공구 마모 관리 시스템 및 그 방법 |
| KR102656853B1 (ko) * | 2021-05-20 | 2024-04-17 | 주식회사 유성티앤엠 | 인공지능 기반 절삭공구 마모 관리 시스템 및 그 방법 |
| KR102420979B1 (ko) * | 2021-12-21 | 2022-07-14 | 한화시스템 주식회사 | 전투 체계 정비 설비 및 방법 |
| KR102470006B1 (ko) * | 2022-06-08 | 2022-11-23 | 주식회사 아이씨티솔루션스 | 수질 측정 장비의 유지관리 기능을 수행하는 지능형 데이터 로거 시스템 및 방법 |
| KR102618023B1 (ko) | 2022-12-23 | 2023-12-27 | 앤츠이엔씨 주식회사 | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 |
| CN117078232A (zh) * | 2023-10-17 | 2023-11-17 | 山东沪金精工科技股份有限公司 | 一种基于大数据的加工设备故障预防系统及方法 |
| CN117078232B (zh) * | 2023-10-17 | 2024-01-09 | 山东沪金精工科技股份有限公司 | 一种基于大数据的加工设备故障预防系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101987365B1 (ko) | 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 | |
| US20220092419A1 (en) | Systems and methods to use neural networks for model transformations | |
| Hothorn | CRAN task view: Machine learning & statistical learning | |
| KR102226687B1 (ko) | 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법 | |
| US20190228319A1 (en) | Data-driven automatic code review | |
| NO20230419A1 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
| Meller et al. | Ensemble distribution models in conservation prioritization: from consensus predictions to consensus reserve networks | |
| Kastouni et al. | Big data analytics in telecommunications: Governance, architecture and use cases | |
| KR20190069696A (ko) | 장비 고장 예측 장치 및 방법 | |
| Khoshgoftaar et al. | An empirical study of predicting software faults with case-based reasoning | |
| CN110928993A (zh) | 基于深度循环神经网络的用户位置预测方法及系统 | |
| CN113312447A (zh) | 基于概率标签估计的半监督日志异常检测方法 | |
| CN111046979A (zh) | 一种基于小样本学习的badcase发现方法及系统 | |
| Cheng et al. | An Imitation medical diagnosis method of hydro-turbine generating unit based on Bayesian network | |
| Ries et al. | A semi-automated design of instance-based fuzzy parameter tuning for metaheuristics based on decision tree induction | |
| US11429856B2 (en) | Neural networks adaptive boosting using semi-supervised learning | |
| KR20200103193A (ko) | 심층 구조를 이용한 전력 수요 예측 방법 및 장치 | |
| Tian et al. | A model based on program slice and deep learning for software defect prediction | |
| KR102315668B1 (ko) | 클라우드 기반의 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치 | |
| KR102042645B1 (ko) | 복합모형을 활용한 선로 위험도 예측 장치 및 방법 | |
| US20210133621A1 (en) | Artificial intelligence transparency | |
| KR102307132B1 (ko) | 플랜트 엔지니어링 업무 단계별 의사결정 지원을 위한 머신러닝 자동화 플랫폼 장치 | |
| Elder et al. | Learning prediction intervals for model performance | |
| Schenkelberg et al. | Supervised machine learning for knowledge-based analysis of maintenance impact on profitability | |
| Mei et al. | A data‐driven approach to state assessment of the converter valve based on oversampling and Shapley additive explanations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |