KR102014820B1 - 딥 러닝을 이용한 회전체의 효율 예측 시스템 - Google Patents
딥 러닝을 이용한 회전체의 효율 예측 시스템 Download PDFInfo
- Publication number
- KR102014820B1 KR102014820B1 KR1020170164245A KR20170164245A KR102014820B1 KR 102014820 B1 KR102014820 B1 KR 102014820B1 KR 1020170164245 A KR1020170164245 A KR 1020170164245A KR 20170164245 A KR20170164245 A KR 20170164245A KR 102014820 B1 KR102014820 B1 KR 102014820B1
- Authority
- KR
- South Korea
- Prior art keywords
- efficiency
- rotating body
- learning
- unit
- data
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000013480 data collection Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 14
- 239000003638 chemical reducing agent Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G06F17/5009—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G06F2217/76—
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
본 발명은 딥 러닝을 이용한 회전체의 효율 예측 시스템에 관한 것으로서, 회전체의 실시간 입력 부하에 대한 출력 부하를 획득하는 센싱부; 상기 센싱부에서 획득된 정보에 기반하여 상기 회전체의 시점별 효율을 계산하는 연산부; 상기 연산부에서 계산된 상기 회전체의 시점별 효율을 좌표 형태의 이미지화된 데이터로 가공하는 변환부; 상기 변환부에서 가공된 데이터를 딥 러닝 기법을 통해 학습시키는 학습부; 및 상기 학습부를 통해 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 효율맵 모델링부; 를 포함하는 것을 특징으로 한다.
또한, 본 발명은 딥 러닝을 이용한 회전체의 효율 예측 방법에 관한 것으로서, 회전체의 실시간 입력 부하에 대한 출력 부하를 획득하는 제1단계; 상기 제1단계로부터 획득된 정보에 기반하여 상기 회전체의 시점별 효율을 계산하는 제2단계; 상기 제2단계를 통해 계산된 상기 회전체의 시점별 효율을 좌표 형태의 이미지화된 데이터로 가공하는 제3단계; 상기 제3단계에서 가공된 데이터를 딥 러닝 기법을 통해 학습시키는 제4단계; 및 상기 제4단계를 통해 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 제5단계; 를 포함하는 것을 특징으로 한다.
이에 의해, 회전체의 한정된 실측 데이터를 딥 러닝을 통해 확장시킴과 동시에 회전체의 구동 시간에 따른 시점별 효율을 누적시킨 효율맵을 구축하여 회전체 효율 예측의 신뢰도를 향상시킬 수 있다.
또한, 본 발명은 딥 러닝을 이용한 회전체의 효율 예측 방법에 관한 것으로서, 회전체의 실시간 입력 부하에 대한 출력 부하를 획득하는 제1단계; 상기 제1단계로부터 획득된 정보에 기반하여 상기 회전체의 시점별 효율을 계산하는 제2단계; 상기 제2단계를 통해 계산된 상기 회전체의 시점별 효율을 좌표 형태의 이미지화된 데이터로 가공하는 제3단계; 상기 제3단계에서 가공된 데이터를 딥 러닝 기법을 통해 학습시키는 제4단계; 및 상기 제4단계를 통해 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 제5단계; 를 포함하는 것을 특징으로 한다.
이에 의해, 회전체의 한정된 실측 데이터를 딥 러닝을 통해 확장시킴과 동시에 회전체의 구동 시간에 따른 시점별 효율을 누적시킨 효율맵을 구축하여 회전체 효율 예측의 신뢰도를 향상시킬 수 있다.
Description
본 발명은 딥 러닝을 이용한 회전체의 효율 예측 시스템 및 방법에 관한 것으로서, 보다 상세하게는, 회전체의 한정된 실측 데이터를 딥 러닝을 통해 확장시킴과 동시에 회전체의 구동 시간에 따른 시점별 효율을 누적시킨 효율맵을 구축하여 회전체 효율 예측의 신뢰도를 향상시킬 수 있는 딥 러닝을 이용한 회전체의 효율 예측 시스템 및 방법에 관한 것이다.
최근 산업계에서는 특정 운동(회전, 왕복, 병진)을 반복하는 부품의 고장 확률 및 잔존 수명을 예측하고 이에 근거한 수리 스케쥴, 부품 교체 시기 결정 및 부품 재고를 관리하는 기술이 활발하게 개발되고 있으며, 관련 분야는 부품 모니터링 및 상태 진단을 기본적으로 부품 및 시스템 유효 수명 진단 방향으로 응용 발전되고 있다.
회전운동을 반복하는 회전체, 예를 들면, 모터와 연동 회전하는 감속기의 효율은 토크와 RPM과 같은 감속기의 입력 부하(모터의 출력 부하)에 대한 감속기의 출력 부하의 비율로써 계산되며, 이러한 회전체의 입력 부하에 따른 출력 부하를 센싱하여 해당 회전체의 효율을 파악할 수 있다.
더 나아가 일정 시간 동안 회전체를 구동시킨 상태의 회전체의 실시간 효율을 계산하면 회전체의 구동시간(일정 시간 이내에서)에 따른 회전체의 효율 변화를 계측할 수 있게 되는 것이다.
그러나 이 경우, 회전체가 구동하는 전체 시간에 대하여 입력 부하와 출력 부하에 대한 센싱이 실시간으로 이루어져야 하며 센서를 통한 실시간 부하 계측은 센서 설치 공간의 한계 및 기하 급수적으로 증가하는 회전체 효율 연산량, 회전체 생산 비용 증가 등의 요인으로 생산되는 모든 회전체에 효율 예측 장치를 적용시키기에 한계점이 있었다.
따라서, 회전체의 한정된 실측 데이터를 통하여 회전체 전체 구동 시간 동안 특정 시점에서의 회전체의 효율 및 효율 변화를 예측하는 기술의 개발이 대두되고 있는 실정이다.
한편, 관련된 종래 기술로는 대한민국 등록특허공보 등록번호 제10-1699509호(2017.01.25. 공고, 감속기 파손 감지 장치 및 그를 이용한 감속기 파손 감지 방법)가 있었으며, 종래 기술은 온도 및 자기 센싱을 이용하여 감속기의 상태 모니터링 및 이상상태를 감지하는 기술에 관한 것이다.
그러나 상기 종래 기술은 특정 파라미터를 이용하여 감속기의 파손 여부를 감지하는 것에 국한되어 특정 시점에서의 회전체의 효율 및 효율 변화를 예측하기는 어렵다는 문제점이 있었다.
본 발명은 상기 문제점을 해결하기 위하여 창작된 것으로써, 본 발명의 목적은, 회전체의 한정된 실측 데이터를 딥 러닝을 통해 확장시킴과 동시에 회전체의 구동 시간에 따른 시점별 효율을 누적시킨 효율맵을 구축하여 회전체 효율 예측의 신뢰도를 향상시킬 수 있는 딥 러닝을 이용한 회전체의 효율 예측 시스템 및 방법을 제공하는 데 있다.
상기 목적은, 본 발명에 따라, 회전체의 실시간 입력 부하에 대한 출력 부하를 획득하는 센싱부; 상기 센싱부에서 획득된 정보에 기반하여 상기 회전체의 시점별 효율을 계산하는 연산부; 상기 연산부에서 계산된 상기 회전체의 시점별 효율을 좌표 형태의 이미지화된 데이터로 가공하는 변환부; 상기 변환부에서 가공된 데이터를 딥 러닝 기법을 통해 학습시키는 학습부; 및 상기 학습부를 통해 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 효율맵 모델링부; 를 포함하는 딥 러닝을 이용한 회전체의 효율 예측 시스템에 의해 달성될 수 있다.
여기서, 상기 학습부에 입력되는 학습 대상 데이터를 네트워크를 통해 일정 이상 확보하기 위한 데이터 수집부를 추가적으로 포함하며, 상기 데이터 수집부는 네트워크 상에 존재하는 다수의 이미지화된 데이터를 랜덤하게 수집하도록 마련될 수 있다.
또한, 상기 학습부는 학습 전이(transfer of learning) 개념이 적용된 신경망 모델을 포함하며, 상기 데이터 수집부를 통해 수집된 학습 대상 데이터를 기반으로 사전 훈련(pre-trained)된 학습 모델을 구축하는 사전모델구축부분; 및 상기 사전 훈련된 학습 모델에 상기 변환부에서 가공된 데이터를 적용하여 학습 모델을 갱신하는 학습모델갱신부분; 을 포함한다.
또한, 상기 학습부는 상기 변환부에서 가공된 데이터와 상기 데이터 수집부에서 수집된 학습 대상 데이터를 병합하여 학습시키도록 마련될 수도 있다.
또한, 상기 데이터 수집부는 상기 변환부에서 가공된 데이터와 크기 또는 해상도가 소정의 설정범위 내에서 유사하도록 학습 대상 데이터의 수집 파라미터를 설정하는 파라미터설정부분을 추가적으로 포함할 수 있다.
한편, 상기 목적은, 본 발명에 따라, 회전체의 실시간 입력 부하에 대한 출력 부하를 획득하는 제1단계; 상기 제1단계로부터 획득된 정보에 기반하여 상기 회전체의 시점별 효율을 계산하는 제2단계; 상기 제2단계를 통해 계산된 상기 회전체의 시점별 효율을 좌표 형태의 이미지화된 데이터로 가공하는 제3단계; 상기 제3단계에서 가공된 데이터를 딥 러닝 기법을 통해 학습시키는 제4단계; 및 상기 제4단계를 통해 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 제5단계; 를 포함하는 딥 러닝을 이용한 회전체의 효율 예측 방법에 의해서도 달성될 수 있다.
여기서, 상기 제3단계와 제4단계 사이에는 상기 제4단계로 입력되는 학습 대상 데이터를 네트워크를 통해 일정 이상 확보하기 위한 데이터 수집단계가 포함되며, 상기 데이터 수집단계는 네트워크 상에 존재하는 다수의 이미지화된 데이터를 랜덤하게 수집하는 단계로 마련될 수 있다.
또한, 상기 제4단계는, 상기 데이터 수집단계를 통해 수집된 학습 대상 데이터를 기반으로 사전 훈련(pre-trained)된 학습 모델을 구축하는 제4-1단계; 및 상기 사전 훈련된 학습 모델에 상기 제3단계에서 가공된 데이터를 적용하여 학습 모델을 갱신하는 제4-2단계; 를 포함한다.
본 발명에 의해, 회전체의 한정된 실측 데이터를 딥 러닝을 통해 확장시킴과 동시에 회전체의 구동 시간에 따른 시점별 효율을 누적시킨 효율맵을 구축하여 회전체 효율 예측의 신뢰도를 향상시킬 수 있다.
도 1 은 본 발명에 따른 딥 러닝을 이용한 회전체의 효율 예측 시스템의 구성을 나타낸 블럭도이며,
도 2 는 본 발명에 따른 딥 러닝을 이용한 회전체의 효율 예측 시스템에서 효율맵이 구축되는 과정을 도시한 개념도이며,
도 3 은 본 발명에 따른 딥 러닝을 이용한 회전체의 효율 예측 방법의 흐름도이다.
도 2 는 본 발명에 따른 딥 러닝을 이용한 회전체의 효율 예측 시스템에서 효율맵이 구축되는 과정을 도시한 개념도이며,
도 3 은 본 발명에 따른 딥 러닝을 이용한 회전체의 효율 예측 방법의 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 구성을 상세히 설명하기로 한다.
이에 앞서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 설명을 생략하며, 본 발명에 따른 회전체는 감속기(바람직하게는, 인덕션 모터와 연동된 감속기)를 전제하여 설명하지만 이에 한정되지는 않으며 엔진, 동력 전달 장치 등에 이용되는 다양한 회전체로 마련될 수 있으며, 본 발명에서 기술하는 효율 예측 개념은 회전체 뿐만이 아닌 다양한 운동(왕복운동, 병진운동)을 수행하는 동력 전달체에도 적용될 수 있음을 밝혀둔다. 아울러, 회전체의 경우에는 도면에서와 같이 토크와 RPM이 입,출력 부하로 계측 및 적용되지만 왕복 또는 병진운동을 수행하는 부품의 경우 입, 출력 부하로 힘, 선속도, 운동 거리, 주파수 등의 데이터가 계측 및 적용될 수도 있다.
한편, 본 명세서 및 청구범위에 사용된 용어는 사전적인 의미로 한정 해석되어서는 아니되며, 발명자는 자신의 발명을 최선의 방법으로 설명하기 위해 용어의 개념을 적절히 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야 한다.
따라서, 본 명세서에 기재된 실시예 및 도면에 도시된 구성은 본 발명의 바람직한 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 표현하는 것은 아니므로, 본 출원 시점에 있어 이들을 대체할 수 있는 다양한 균등물과 변형예들이 존재할 수 있음을 이해하여야 한다.
1. 딥 러닝을 이용한 회전체의 효율 예측 시스템에 대한 구체적 설명
도 1 은 본 발명에 따른 딥 러닝을 이용한 회전체의 효율 예측 시스템의 구성을 나타낸 블럭도이며, 도 2 는 본 발명에 따른 딥 러닝을 이용한 회전체의 효율 예측 시스템에서 효율맵이 구축되는 과정을 도시한 개념도이다.
도 1 및 도 2 를 참조하면, 본 발명에 따른 딥 러닝을 이용한 회전체의 효율 예측 시스템은, 센싱부(10), 연산부(20), 변환부(30), 학습부(40), 효율맵 모델링부(50) 및 데이터 수집부(60)를 포함한다.
센싱부(10)는 회전체의 실시간 입력 부하에 대한 출력 부하를 획득하는 역할을 수행하는 구성요소로 회전체의 입력 및 출력측에 설치되는 토크 및 RPM 측정 센서로 마련될 수 있다.
연산부(20)는 상기 센싱부(10)에서 획득된 회전체의 입력 및 출력 부하 정보에 기반하여 상기 회전체의 시점별 효율을 계산하는 역할을 수행하며, 변환부(30)는 상기 연산부(20)에서 계산된 회전체의 시점별 효율을 좌표 형태의 이미지화된 데이터로 가공하는 역할을 수행한다.
즉, 연산부(20)에서의 회전체의 시점별 효율이 계산되고 이러한 회전체의 시점별 효율이 변환부(30)에서 좌표 형태의 이미지화된 데이터로 변환되면 도 3 에서와 같은 T(1,0), T(1.1), T(1,2)~T(1,i)와 같이 개별적인 특정 시점의 좌표 형태로 이미지화된 데이터(효율값이 표시된)로 마련되며 이를 시계열적으로 누적시키면 도 3 의 실측 효율맵의 형태로 나타나게 된다.
한편, 전술한 개별적인 특정 시점의 효율을 회전체의 전체 구동 시간에 대하여 측정하여 이를 누적시키게되면 도 2 의 이상적인 효율맵의 형태(좌표에 모든 점이 효율로 측정된)로 나타나게 된다.
그러나 상기 이상적인 효율맵은 실측 데이터의 실시간 센싱을 무한대로 설정할 경우 나타나게 되는 것으로 실제 구현에 한계점이 있었으며, 도 2 에서와 같이, 본 발명에 따른 효율 예측 시스템은 이러한 한계를 극복하기 위하여 한정된 실측 효율맵(실측되지 않은 효율이 포함된)의 정보를 기반으로 딥 러닝 기법을 통하여 실측되지 않은 효율을 채워 이상적인 효율맵과 딥 러닝 효율맵이 수렴되도록 설계하였다.
여기서, 도 2 의 경우, T(1,0), T(1.1), T(1,2)~T(1,i)의 실측 효율을 기반으로 실측 효율맵을 구성하는 것으로 도시하였으나, 본 발명은 이에 한정되는 것이 아니며, 회전체 스펙에 따라 실측 효율맵을 구성하는 시점별 효율 측정 기준은 상이하게 설정될 수 있음은 물론이다.
한편, 학습부(40)는 본 발명의 특징적 구성으로, 상기 변환부(30)에서 가공된 데이터를 딥 러닝 기법을 통해 학습시키는 역할을 수행하는 구성이다.
여기서, 학습부(40)에 입력되는 학습 데이터는 상기 변환부(30)에서 가공된 데이터이지만 전술한 바와 같이 변환부(30)에서 가공되는 실측 데이터는 한정적이므로 학습 데이터의 절대량을 늘리기 위하여 본 발명에서는 데이터 수집부(60)의 구성을 추가적으로 포함한다. 데이터 수집부(60)는 상기 학습부(40)에 입력되는 학습 대상 데이터를 네트워크를 통해 일정 이상 확보하는 구성으로, 네트워크 상에 존재하는 다수의 이미지화된 데이터를 랜덤하게 수집하여 학습 대상 데이터로 확보하도록 마련될 수 있다.
여기서 학습 대상 데이터를 일정 이상 수집하는 것은 딥 러닝에 입력되는 데이터의 절대량을 늘려 후술하여 설명할 모델링된 효율맵의 효율 예측의 정밀도 및 신뢰성을 높이기 위함이며, 이미지화된 데이터를 랜덤하게 수집하는 것은 딥 러닝을 통하여 실측되지 않는 효율에 예측 효율로써 맵핑되는 확률을 높이기 위함이다.
즉, 학습부(40)에는 데이터 수집부(60)를 통해 수집된 학습 대상 데이터와 변환부(30)를 통해 가공된 실측 데이터(이 또한 학습 대상이다)가 모두 딥 러닝에 대한 학습 데이터로 이용되는 것이다.
아울러, 상기 데이터 수집부(60)는 상기 변환부(30)에서 가공된 데이터와 크기 또는 해상도가 소정의 설정범위 내에서 유사하도록 학습 대상 데이터의 수집 파라미터를 설정하는 파라미터설정부분(62)을 추가적으로 포함할 수 있으며, 파라미터설정부분(62)의 구성을 통해 딥 러닝 효율맵의 구축을 용이하게 수행함과 동시에 무분별한 데이터 수집을 방지하는 효과를 발휘할 수 있다.
여기서, 상기 학습부(40)는 학습 전이(transfer of learning) 개념이 적용된 신경망 모델을 포함하여 구축된다.
학습 전이는 특정 환경에서 만들어진 신경망 모델(알고리즘)을 다른 유사한 분야에 적용하는 개념으로 데이터가 부족한 분야에 유용하게 적용할 수 있으며, 사전 훈련된 신경망을 구축하고 이렇게 구축된 신경망에 다른 데이터 세트를 적용하는 학습 방법이다.
구체적으로, 상기 학습부(40)는 상기 데이터 수집부(60)를 통해 수집된 학습 대상 데이터를 기반으로 사전 훈련(pre-trained)된 학습 모델을 구축하는 사전모델구축부분(42)과 상기 사전 훈련된 학습 모델에 상기 변환부(30)에서 가공된 데이터를 적용하여 학습 모델을 갱신하는 학습모델갱신부분(44); 을 포함한다.
즉 데이터 수집부(60)를 통해 수집된 비교적 대량의 학습 데이터가 상기 사전모델 구축부분(42)으로 입력되어 사전 훈련된 학습 모델을 구축하고, 이렇게 구축된 학습 모델에 상기 변환부(30)에서 가공된 데이터(회전체의 실측 효율 데이터)를 적용하여 최종 학습 모델을 업데이트 및 구축하는 형태로 학습부(40)가 구성될 수 있는 것이다.
여기서, 상기 학습부(40)는 상기 사전모델 구축부분(42) 및 학습모델갱신부분(44)을 통한 딥 러닝 학습 기법 외에 상기 변환부(30)에서 가공된 데이터와 상기 데이터 수집부(60)에서 수집된 학습 대상 데이터를 단순 병합하여 구축된 학습 모델을 통해 학습이 이루어지도록 마련될 수도 있다.
효율맵 모델링부(50)는 상기 학습부(40)를 통해 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 역할을 수행하는 구성으로, 효율맵 모델링부(50)를 통해 좌표 형태의 2차원적 이미지(x축:RPM, y축:토크)가 시계열적으로 누적된 3차원적 효율맵(x축:RPM, y축:토크, z축:시간)으로 모델링되며, 이렇게 모델링된 효율맵을 이용하여 회전체의 특정 구동 시점(구동에 따른 회전체의 효율 변화가 반영된 시점)에서의 효율을 예측할 수 있는 것이다.
2. 딥 러닝을 이용한 회전체의 효율 예측 방법에 대한 구체적 설명
도 3 은 본 발명에 따른 딥 러닝을 이용한 회전체의 효율 예측 방법의 흐름도이다.
도 3 을 참조하면, 본 발명에 따른 딥 러닝을 이용한 회전체의 효율 예측 방법은, 회전체의 실시간 입력 부하에 대한 출력 부하를 획득하는 제1단계(S10); 상기 제1단계(S10)로부터 획득된 정보에 기반하여 상기 회전체의 시점별 효율을 계산하는 제2단계(S20); 상기 제2단계(S20)를 통해 계산된 상기 회전체의 시점별 효율을 좌표 형태의 이미지화된 데이터로 가공하는 제3단계(S30); 상기 제3단계(S30)에서 가공된 데이터를 딥 러닝 기법을 통해 학습시키는 제4단계(S40); 및 상기 제4단계(S40)를 통해 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 제5단계(S50); 를 포함한다.
여기서, 상기 제3단계(S30)와 제4단계(S40) 사이에는 딥 러닝 학습의 효과를 증대시키기 위하여, 상기 제4단계(S40)로 입력되는 학습 대상 데이터를 네트워크를 통해 일정 이상 확보하기 위한 데이터 수집단계(S35)가 포함된다.
또한, 상기 제4단계(S40)는, 상기 데이터 수집단계(S35)를 통해 수집된 학습 대상 데이터를 기반으로 사전 훈련(pre-trained)된 학습 모델을 구축하는 제4-1단계(S42); 및 상기 사전 훈련된 학습 모델에 상기 제3단계(S30)에서 가공된 데이터를 적용하여 학습 모델을 갱신하는 제4-2단계(S44); 를 포함한다.
이에 대한 구체적 과정에 대한 상세한 설명은 앞선 딥 러닝을 이용한 회전체의 효율 예측 시스템에 대한 설명과 동일함으로 생략하였음을 밝혀둔다.
전술한 바와 같이, 본 발명에 따른 딥 러닝을 이용한 회전체의 효율 예측 시스템 및 방법은, 회전체의 한정된 실측 데이터를 딥 러닝을 통해 확장시킴과 동시에 회전체의 구동 시간에 따른 시점별 효율을 누적시킨 효율맵을 구축하여 회전체 효율 예측의 신뢰도를 향상시킬 수 있다.
이상, 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명의 기술적 사상은 이러한 것에 한정되지 않으며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해, 본 발명의 기술적 사상과 하기 될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형 실시가 가능할 것이다.
*도면의 주요부분에 대한 부호의 설명*
10 : 센싱부
20 : 연산부
30 : 변환부
40 : 학습부
42 : 사전모델구축부분 44 : 학습모델갱신부분
50 : 효율맵 모델링부
60 : 데이터 수집부
62 : 파라미터 설정부분
10 : 센싱부
20 : 연산부
30 : 변환부
40 : 학습부
42 : 사전모델구축부분 44 : 학습모델갱신부분
50 : 효율맵 모델링부
60 : 데이터 수집부
62 : 파라미터 설정부분
Claims (9)
- 회전체의 실시간 입력 부하에 대한 회전체의 출력 토크 및 속도(RPM)가 센싱되어 출력 부하를 획득하는 센싱부;
상기 센싱부에서 획득된 회전체의 입력 및 출력 부하 정보에 기반하여 상기 회전체의 시점별 효율을 계산하는 연산부;
상기 연산부에서 계산된 상기 회전체의 시점별 효율을 좌표 형태의 이미지화된 데이터로 가공하는 변환부;
상기 변환부에서 가공된 데이터를 딥 러닝 기법을 통해 학습시키는 학습부;
상기 학습부를 통해 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 효율맵 모델링부; 및
네트워크에 연결되어 상기 학습부에 입력되는 학습 대상 데이터를 네트워크를 통해 일정 이상 확보하여 상기 효율맵 모델링부로부터 모델링된 효율맵의 효율 예측의 정밀도 및 신뢰성을 높이기 위한 데이터 수집부를 포함하되,
상기 학습부는, 사전 훈련된 신경망을 구축하고 구축된 신경망에 다른 데이터 세트를 적용하는 학습 전이(transfer of learning) 개념이 적용된 신경망 모델을 포함함과 아울러 상기 데이터 수집부를 통해 수집된 학습 대상 데이터를 기반으로 사전 훈련(pre-trained)된 학습 모델을 구축하는 사전모델구축부분과, 상기 사전 훈련된 학습 모델에 상기 변환부에서 가공된 데이터를 적용하여 학습 모델을 갱신하는 학습모델갱신부분을 포함하며, 상기 변환부에서 가공된 실측 데이터와 상기 데이터 수집부에서 수집된 학습 대상 데이터를 병합하여 학습시키며,
상기 데이터 수집부는, 딥 러닝을 통해 실측되지 않은 효율에 예측 효율로써 맵핑되는 확률을 높이기 위하여 네트워크 상에 존재하는 다수의 이미지화된 데이터를 랜덤하게 수집하고, 상기 변환부에서 가공된 데이터와 크기 또는 해상도가 소정의 설정범위 내에서 유사하도록 학습 대상 데이터의 수집 파라미터를 설정하는 파라미터설정부분을 추가적으로 포함하며,
상기 효율맵 모델링부는, x축의 속도(RPM) 및 y축의 토크를 기반으로 좌표 형태의 2차원적 이미지가 시계열적으로 누적된 3차원적 효율맵(x축:속도(RPM), y축:토크, z축:시간)으로 모델링하며, 상기 모델링된 3차원적 효율맵을 이용하여 회전체의 구동에 따른 회전체의 효율 변화가 반영된 특정 구동 시점에서의 효율을 예측하는 것을 특징으로 하는 딥 러닝을 이용한 회전체의 효율 예측 시스템. - 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170164245A KR102014820B1 (ko) | 2017-12-01 | 2017-12-01 | 딥 러닝을 이용한 회전체의 효율 예측 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170164245A KR102014820B1 (ko) | 2017-12-01 | 2017-12-01 | 딥 러닝을 이용한 회전체의 효율 예측 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190064915A KR20190064915A (ko) | 2019-06-11 |
KR102014820B1 true KR102014820B1 (ko) | 2019-08-27 |
Family
ID=66847030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170164245A KR102014820B1 (ko) | 2017-12-01 | 2017-12-01 | 딥 러닝을 이용한 회전체의 효율 예측 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102014820B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210147318A (ko) | 2020-05-28 | 2021-12-07 | (주)브이엠에스 | 복합센서 기반의 인공지능형 결함 진단 시스템 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2924243B2 (ja) * | 1991-03-05 | 1999-07-26 | 宇部興産株式会社 | 回転機械の損傷・劣化の寿命予測方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100942287B1 (ko) * | 2008-02-14 | 2010-02-16 | 엠케이전자 주식회사 | 진동 신호를 이용한 회전 기계의 진단 시스템 및 그 진단방법 |
KR20090131565A (ko) * | 2008-06-18 | 2009-12-29 | 현대자동차주식회사 | 엔진 마운팅 부품 열화도 진단장치 및 방법 |
KR20110080246A (ko) * | 2010-01-05 | 2011-07-13 | 중앙대학교 산학협력단 | 분산과 사전확률을 고려한 데이터 분류 장치 및 방법 |
KR101699509B1 (ko) | 2016-07-29 | 2017-01-25 | 주식회사 에스텍 | 감속기 파손 감지 장치 및 그를 이용한 감속기 파손 감지 방법 |
-
2017
- 2017-12-01 KR KR1020170164245A patent/KR102014820B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2924243B2 (ja) * | 1991-03-05 | 1999-07-26 | 宇部興産株式会社 | 回転機械の損傷・劣化の寿命予測方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210147318A (ko) | 2020-05-28 | 2021-12-07 | (주)브이엠에스 | 복합센서 기반의 인공지능형 결함 진단 시스템 |
Also Published As
Publication number | Publication date |
---|---|
KR20190064915A (ko) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101998559B1 (ko) | 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템 | |
KR102178787B1 (ko) | 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
TW202200978A (zh) | 用於具人工智慧動力之檢驗及預測分析的系統及方法 | |
KR101967301B1 (ko) | 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템 | |
JP2022046691A (ja) | 内蔵物体の状態確認装置、動作確認装置および内蔵物体の状態確認方法 | |
CN104595112A (zh) | 风力涡轮机及评估其上叶片健康状态的方法 | |
Mosallam et al. | Component based data-driven prognostics for complex systems: Methodology and applications | |
JP2005025351A (ja) | 情報処理装置,状態判定装置及び診断装置,並びに情報処理方法,状態判定方法及び診断方法 | |
Yang et al. | Survey and study on intelligent monitoring and health management for large civil structure | |
CN115022187B (zh) | 一种电-气综合能源系统态势感知方法与装置 | |
AlHamaydeh et al. | Structural health monitoring techniques and technologies for large-scale structures: Challenges, limitations, and recommendations | |
KR102069553B1 (ko) | 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템 및 방법 | |
Zhang et al. | Data anomaly detection for bridge SHM based on CNN combined with statistic features | |
KR102014820B1 (ko) | 딥 러닝을 이용한 회전체의 효율 예측 시스템 | |
Katam et al. | A review on structural health monitoring: past to present | |
KR102471427B1 (ko) | 모터 소음과 열분포 분석을 통한 기계 및 전기적 고장 예측진단 시스템 | |
CN115014617A (zh) | 一种基于地基雷达的斜拉桥拉索索力同步监测方法 | |
Kumar et al. | Latest innovations in the field of condition-based maintenance of rotatory machinery: a review | |
Maes et al. | Continuous strain prediction for fatigue assessment of an offshore wind turbine using Kalman filtering techniques | |
Chen et al. | Data-driven monitoring and predictive maintenance for engineering structures: Technologies, implementation challenges, and future directions | |
Rahul et al. | Smart structural health monitoring system using IoT and wireless technology | |
KR102504701B1 (ko) | 블록체인 기반의 드론 군집에 대한 데이터 수집 및 이상 관제 장치 및 방법 | |
Pandiyan et al. | Systematic Review on Fault Diagnosis on Rolling-Element Bearing | |
KR20230100999A (ko) | 회전 기계 설비의 탁월 주파수 결정 방법, 및 이를 수행하는 컴퓨팅 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |