KR102063171B1 - 장비 고장 예측 장치 및 방법 - Google Patents

장비 고장 예측 장치 및 방법 Download PDF

Info

Publication number
KR102063171B1
KR102063171B1 KR1020170169864A KR20170169864A KR102063171B1 KR 102063171 B1 KR102063171 B1 KR 102063171B1 KR 1020170169864 A KR1020170169864 A KR 1020170169864A KR 20170169864 A KR20170169864 A KR 20170169864A KR 102063171 B1 KR102063171 B1 KR 102063171B1
Authority
KR
South Korea
Prior art keywords
equipment
maintenance
prediction
data
failure
Prior art date
Application number
KR1020170169864A
Other languages
English (en)
Other versions
KR20190069696A (ko
Inventor
김상수
김원철
Original Assignee
(주)위세아이텍
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)위세아이텍 filed Critical (주)위세아이텍
Priority to KR1020170169864A priority Critical patent/KR102063171B1/ko
Publication of KR20190069696A publication Critical patent/KR20190069696A/ko
Application granted granted Critical
Publication of KR102063171B1 publication Critical patent/KR102063171B1/ko

Links

Images

Classifications

    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B23/0218—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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

장비의 고장 예측 및 신규 부리수속의 고장을 예측하는 장치는, 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집하는 데이터 수집부, 상기 정비 데이터를 분석하여 예측에 필요한 변수를 도출하는 데이터 전처리부, 상기 정비 데이터 및 상기 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 상기 장비의 정비 예측 모델을 업데이트 하는 머신러닝부, 상기 정비 예측 모델을 기반으로 상기 장비의 고장을 예측하는 고장 예측부 및 상기 고장의 예측에 따라 상기 장비에 필요한 신규 수리부속을 예측하는 수리부속 예측부를 포함할 수 있다.

Description

장비 고장 예측 장치 및 방법{Apparatus and method for predicting equipment failure}
본원은 장비 고장 예측 장치 및 방법에 관한 것이다.
항공기, 우주탐사선 및 원자력/풍력발전기 같은 시스템들은 극한 하중 하에서 높은 신뢰도가 요구되는 것들이다. 이들은 그러나 운용 중 마모, 균열 결함(fault)이나 성능저하(degradation)로 인한 손상(damage)이 어쩔 수 없이 발생하는데, 이들을 제대로 관리하지 않으면 한계수준을 넘어 치명적 사고나 사용중단상태를 야기한다.
이를 막으려면 설계단계에서 수명기간 중 고장이 발생하지 않도록 원천예방설계를 하거나, 운용 중 검사와 정비를 자주 해야 한다. 이러한 문제를 해결하기 위해 수명기간(lifecycle) 동안 고장을 예방하는 신뢰성설계(Design for reliability)에 연구가 집중되었으며, 특히 신뢰성 기반 최적 설계 (RBDO: Reliability Based Design Optimization) 기술이 활발히 개발되었다.
그러나 설계에서 운용 중 발생하는 모든 상황(갑작스런 이물 충돌 등)을 고려하는 것은 불가능하기 때문에 신뢰성 기반 설계는 현장 적용에 한계가 있었다.
과거의 정비기술은 손상이 진행되어 고장이 발생하면 수리하는 사후정비(Corrective Maintenance)에 의존하였으나, 이는 고가/고안전성 시스템에는 적용할 수 없는 방법이다. 현재의 정비 기술은 예방정비 (Preventive Maintenance), 즉 정기 유지보수에 의존하고 있다. 그러나 이는 실제 결함수준과 관계없이 무조건 정비를 실시하므로 잦은 중단(Down Time)과 부품 교체로 높은 비용이 발생하고 있다.
최근 이러한 문제를 해결하기 위해 고장예지 및 건전성관리(PHM: Prognostics and Health Management)기술이 연구되고 있다. PHM 기술이 개발되면 필요한 시점에 필요한 정비만 하는 예측정비, 즉 상태기반 정비(CBM: Condition-Based Predictive Maintenance)를 할 수 있으며, 이를 통해 고장을 최소화하므로 유지비용을 크게 절감할 수 있다. PHM은 운용 중인 시스템이나 장치에 대해 ① 건전성(결함이나 성능저하)을 지속관찰(Health Monitoring)하고 ② 이상 징후를 진단(Diagnosis)하며 ③ 언제 고장수준 또는 사용불능에 도달할지 미리 예지(Prognosis)하여 ④ 필요한 경우에만 정비조치를 하는 건전성관리 (Health Management) 기술이다.
PHM 단계 중 ①, ② 단계인 건전성 모니터링과 진단 기술은 지금까지 많은 연구가 진행되어 성숙한 반면 ③ 단계인 고장예지기술(Prognostics)은 최근 연구가 시작되고 있다. 예지기술은 PHM에서 현재까지의 건전성 평가를 토대로 미래 고장을 예측하므로 가장 중요한 요소이다.
본원의 배경이 되는 기술은 한국공개특허공보 제2014-0006624(공개일: 2014.01.16)호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 장비의 정비 이력 및 고장 이력 등의 데이터를 이용하여 해당 장비의 고장 예측에 필요한 변수를 도출하고, 머신러닝을 통해 장비의 고장을 예측하고, 신규 수리부속을 예측할 수 있는 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 장치를 제공하고자 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 기존의 통계적 기법을 적용하여 발생한 낮은 예측율의 한계를 머신러닝을 이용한 예측 모델을 적용함으로써, 장비의 고장 예측율을 향상할 수 있는 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 장치를 제공하고자 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 장비의 정비 이력 및 고장 이력 등의 정보를 기반으로, 머신러닝의 예측 모델을 통해 정비에 대한 패턴 및 주기와 고장 예상 품목 예측 결과를 제공할 수 있는 장비의 고장 예측 및 신규 수리부속 고장을 예측하는 장치를 제공하고자 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 빅데이터 환경하에서 발생하는 다양한 정형데이터 및 비정형 데이터(예를 들어, 텍스트 데이터 및 이미지)등의 데이터를 학습하고, 머신러닝 기반으로 정비의 고장을 예측할 수 있는 장비의 고장 예측 및 신규 수리부속 고장을 예측하는 장치를 제공하고자 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들도 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따르면, 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 장치는, 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집하는 데이터 수집부, 상기 정비 데이터를 분석하여 예측에 필요한 변수를 도출하는 데이터 전처리부, 상기 정비 데이터 및 상기 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 상기 장비의 정비 예측 모델을 업데이트 하는 머신러닝부, 상기 정비 예측 모델을 기반으로 상기 장비의 고장을 예측하는 고장 예측부 및 상기 고장의 예측에 따라 상기 장비에 필요한 신규 수리부속을 예측하는 수리부속 예측부를 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 머신러닝부는, 학습 결과에 기초하여 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 정비 예측 모델을 상기 장비의 정비 예측 모델로서 선정할 수 있다.
본원의 일 실시예에 따르면, 머신러닝부는, 상기 지도 학습 기반의 제 1 분류 및 예측 알고리즘에 기초하여, 상기 장비의 정비 예측 품목 및 정비 예측 주기 예측 모델을 업데이트 할 수 있다.
본원의 일 실시예에 따르면, 상기 머신러닝부는, 상기 지도 학습 기반의 제 2 분류 및 예측 알고리즘에 기반하여, 상기 장비의 정비 예측 일시 예측 모델을 업데이트할 수 있다.
본원의 일 실시예에 따르면, 상기 지도 학습 기반의 제3 분류 및 예측 알고리즘에 기반하여, 상기 장비의 정비 예측 학습 이미지 및 정비 예측 학습 데이터의 예측 모델을 업데이트 할 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.
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, 장비의 정비 이력 및 고장 이력 등의 데이터를 이용하여 해당 장비의 고장 예측에 필요한 변수를 도출하고, 머신러닝을 통해 장비의 고장을 예측하고, 신규 수리부속을 예측할 수 있는 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 장치를 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 기존의 통계적 기법을 적용하여 발생한 낮은 예측율의 한계를 머신러닝을 이용한 예측 모델을 적용함으로써, 장비의 고장 예측율을 향상할 수 있는 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 장치를 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 장비의 정비 이력 및 고장 이력 등의 정보를 기반으로, 머신러닝의 예측 모델을 통해 정비에 대한 패턴 및 주기와 고장 예상 품목 예측 결과를 제공할 수 있는 장비의 고장 예측 및 신규 수리부속 고장을 예측하는 장치를 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 빅데이터 환경하에서 발생하는 다양한 정형데이터 및 비정형 데이터(예를 들어, 텍스트 데이터 및 이미지)등의 데이터를 학습하고, 머신러닝 기반으로 정비의 고장을 예측할 수 있는 장비의 고장 예측 및 신규 수리부속 고장을 예측하는 장치를 제공할 수 있다.
도 1은 본원의 일 실시예에 따른 수리 부속 예측 장치의 개략적인 구성을 나타낸 도면이다.
도 2는 본원의 일 실시예에 따른 장비 고장 예측 장치에서 복수의 머신러닝 알고리즘 각각에 대응하는 복수의 정비 예측 모델별 예측 정확도를 시각화하여 나타낸 도면이다.
도 3은 본원의 일 실시예에 따른 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 방법을 개략적으로 나타낸 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"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 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본원의 일 실시예에 따른 장비 고장 예측 장치의 개략적인 구성을 도시한 도면이다. 이하에서 설명되는 장비는 항공기, 우주탐사선 및 원자력/풍력발전기 같은 시스템들은 극한 하중 하에서 높은 신뢰도가 요구되는 장비일 수 있으나, 이에 한정되는 것은 아니다.
도 1을 참조하면, 장비 고장 예측 장치(100)는 데이터 수집부(110), 데이터 전처리부(120), 머신러닝부(130), 고장 예측부(140) 및 수리부속 예측부(150)를 포함할 수 있다. 또한, 본원의 일 실시예에 따르면, 장비 고장 예측 장치(100)는 장비 고장 예측 결과를 그래픽화하여 사용자 단말로 전송할 수 있다. 이때, 사용자 단말은 항공기, 우주탐사선 및 원자력/풍력발전기 같은 시스템들을 운용하거나 정비하는 사용자의 단말 일 수 있다. 일 실시예로, 사용자 단말은 네트워크를 통해 장비 고장 예측 장치(100)와 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.
본원의 일 실시예에 따르면, 장비 고장 예측 장치(100)는 계속 변화하고 추가되는 빅데이터의 특성을 고려하여, 정비 예측 장치(100) 내에서 인공지능 기반의 빅데이터 정비 예측 결과를 제공할 수 있다. 또한, 장비 고장 예측 장치(100)는 신규 빅데이터 유형에 대해서 하나의 화면에 직관적으로 이해하기 쉬운 형태로 장비 예측 정보를 제공할 수 있다.
또한, 본원의 일 실시예에 따르면, 장비 고장 예측 장치(100)는 빅데이터 환경하에서 발생하는 다양한 정형데이터 및 비정형 데이터(예를 들어, 텍스트 데이터 및 이미지) 등의 데이터를 수집하고, 상기 데이터를 필요한 변수만을 도출하여, 머신러닝 기반으로 장비의 고장을 예측할 수 있다.
데이터 수집부(110)는 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집할 수 있다. 정비 데이터는 장비의 실시간 센서 결과 데이터, 장비의 고장 및 정비 이력 데이터 및 장비 체계 데이터 중 적어도 하나를 포함할 수 있다. 장비의 실시간 센서 결과 데이터는 장비 내 외부에 구비된 센싱 결과 데이터일 수 있다.
본원의 일 실시예에 따르면, 데이터 수집부(110)는 네트워크를 통해 외부 서버에서 정비 데이터를 수집할 수 있다. 데이터 수집부(110) 및 외부 서버(미도시)간의 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.
예시적으로, 데이터 수집부(110)는 엔진에 포함된 구성요소(부품) 각각의 교체 품목, 교체 일시, 교체 주기, 이미지, 텍스트, 환경에 기반한 부품들의 노후 속도 등을 포함하는 정비 데이터를 수집할 수 있다. 예를 들어, 정비 데이터는 해당 장비에 포함된 복수의 부속품 각각에 대한 정비데이터 일 수 있다. 복수의 부속품은 크랭크샤프트, 베어링 캡, 오일팬, 커넥팅 노드, 피스톤, 타이밍 벨트, 타이빙 벨트 스프로킷 등 엔진에 포함된 부품일 수 있다.
일 예로, 장비의 고장 및 정비 이력 데이터는 과거의 장비의 고장 및 정비 이력에 관련된 데이터 일 수 있다. 데이터 수집부(110)는 장비의 복수의 부품을 각각에 대한 정비 데이터를 데이터베이스를 통해 연결하여 정비 데이터 셋을 구성하여 정비 데이터를 수집할 수 있다. 예시적으로, 데이터 셋은 복수의 레코드를 포함할 수 있다. 여기서, 레코드는, 장비의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경(예를 들어, 온도에 따른 장비의 노후 속도) 등을 기준으로 연결함으로써 생성될 수 있다. 예시적으로, 본원에서는 장비의 고장을 예측하기 위해 장비의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경을 기준으로 연결되어 데이터 셋에 저장될 수 있다. 이때, 장비의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경을 기준으로 연결되어 데이터 셋에 저장되는 하나의 데이터를 하나의 레코드라 할 수 있다. 장비의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경은 복수의 변수라고 할 수 있다.
데이터 전처리부(120)는 정비 데이터를 분석하여 예측에 필요한 변수를 도출할 수 있다. 데이터 전처리부(120)는 데이터 수집부(110)에 포함된 정비 데이터를 탐색하여 분석할 데이터를 획득하고, 획득된 데이터로부터 분석을 수행할 분석 변수를 선택하며, 선택된 변수에 대응하는 데이터의 전처리를 수행할 수 있다. 예를 들어, 정비 데이터 분석데이터 전처리부(120)는 비정형화된 특정 변수에 기반하여 정비 데이터를 정형화할 수 있다. 예측에 필요한 변수는 예를 들어, 장비의 구성요소(예를 들어, 엔진)의 교체 품목, 교체 시기, 교체 주기, 교체 일시, 교체 부품 교체 이미지, 교체 부품 설명에 해당하는 데이터 일 수 있다.
데이터 전처리부(120)는 데이터셋에 저장된 데이터를 정규화하는 전처리를 수행할 수 있다. 즉, 데이터 전처리부(120)는 데이터셋에 저장된 데이터의 변수 값들을 일정 기준으로 맞춰주는 데이터 정규화를 수행할 수 있다. 구체적으로, 데이터 전처리부(120)는 정비예측 모델의 안정성과 정확성을 향상시키고 데이터셋에 저장된 데이터가 갖는 오차를 효과적으로 줄이기 위해, 데이터셋 내의 데이터에서 일정하지 않은 부분, 즉 일정하지 않은 변수 값을 갖는 데이터를 MIN/MAX 방법으로 정규화할 수 있다. 데이터 전처리부(120)는 MIN/MAX 방법을 통한 정규화로 하여금, 데이터 셋에 저장된 데이터의 변수 값을 최소값 0 내지 최대값 1 사이의 범위 내에서 어느 하나의 값을 갖도록 변환시킬 수 있다.
또한, 전처리부(120)는 정규화된 데이터(즉, 데이터셋에 저장된 정규화된 데이터)를 기반으로 하여 데이터셋 내의 레코드별로 정비 패턴 및 정비 주기를 산정할 수 있다.
또한, 전처리부(120)는 정규화된 데이터(즉, 데이터셋에 저장된 정규화된 데이터)를 기반으로 하여 정비 예측 모델의 생성을 위한 적어도 하나의 변수를 선정할 수 있다. 달리 표현하여, 전처리부(120)는 정규화된 데이터를 기반으로 하여 정비 예측에 필요한 변수(중요 변수)를 선정할 수 있다. 이러한 변수의 선정은 정비 예측 모델(모형)의 생성시 정비 예측 모델에 영향력 있는 변수만을 사용하기 위해 이루어질 수 있다.
머신러닝부(130)는 정비 데이터 및 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 장비의 정비 예측 모델을 업데이트 할 수 있다. 머신러닝부(130)는 복수의 머신러닝 알고리즘을 적용하여, 생성된 정비 예측 모델에 대한 학습을 수행할 수 있다. 즉, 머신러닝부(130)에 의하여 생성된 정비 예측 모델은 복수의 머신러닝 알고리즘을 적용함으로써 학습될 수 있다.
예시적으로 복수의 머신러닝 알고리즘은 Random Forest알고리즘 SVM(support vector machine) 알고리즘, Extra Tree알고리즘, XG Boost알고리즘 및 Deep Learning 알고리즘 중 적어도 하나를 포함할 수 있다. Random Forest알고리즘은 수많은 Decision Tree들이 Forest를 구성하여 각각의 예측결과를 하나의 결과변수로 평균화 하는 알고리즘이고, SVM알고리즘은 데이터의 분포공간에서 가장 큰 폭의 경계를 구분하여 데이터가 속하는 분류를 판단하는 비확률적 알고리즘이다. Extra Tree알고리즘은 Random forest와 비슷하나 속도가 Random forest에 비해 빠른 알고리즘이며, XGBoost알고리즘은 Random Forest의 Tree는 독립적이라면 XGBoost의 Tree의 결과를 다음 트리에 적용하는 boost방식의 알고리즘이다. Deep Learning알고리즘은 다층구조의 Neural Network을 기반으로 변수의 패턴이 결과에 미치는 영향을 가중치로 조절하며 학습하는 알고리즘이다.
본원의 일 실시예에 따르면, 머신러닝부(130)에 의하여 생성된 정비 예측 모델이 복수의 머신러닝 알고리즘 각각에 적용됨으로써, 복수의 머신러닝 알고리즘 각각에 대응하여 장비의 정비 예측도가 산출될 수 있다. 달리 말해, 생성된 정비 예측 모델이 복수의 머신러닝 알고리즘 각각에 적용됨으로써, 복수의 머신러닝 알고리즘 각각에 대응하여 머신러닝 알고리즘의 적용 결과로서 장비의 고장을 예측할 수 있다.
이때, 복수의 머신러닝 알고리즘은 랜덤포레스트(random forest) 알고리즘, XG Boost알고리즘 및 Tensorflow알고리즘 중 적어도 하나를 포함할 수 있다. 다만, 이에만 한정되는 것은 아니고 다양한 머신러닝 알고리즘이 적용될 수 있다.
본원의 일 실시예에 따르면, 머신러닝부(130)는 학습 결과에 기초하여, 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 위험예측 모델(모형)을 장비의 정비 예측 모델로서 선정할 수 있다. 달리 말해, 머신러닝부(130)는 생성된 위험예측 모델에 복수의 머신러닝 알고리즘 각각을 적용한 학습 결과에 기초하여, 복수의 머신러닝 알고리즘 중 정확도가 가장 높은 머신러닝 알고리즘이 적용된 정비 예측 모델을 신규 데이터에 대한 장비의 고장 예측을 위해 선정할 수 있다.
본원의 일 실시예에 따르면, 머신러닝부(130)는 장비의 정비 예측 품목 및 예측 주기를 Random Forest알고리즘에 기반하여, 장비의 정비 예측 모델을 업데이트 할 수 있다. 또한, 머신러닝부(130)는 장비의 정비 예측 일시를 XGBoost알고리즘에 기반하여, 장비의 정비 예측 모델을 업데이트 할 수 있다. 또한, 머신러닝부(130)는 정비 예측 이미지 및 텍스트를 Tensorflow 알고리즘에 기반하여, 정비 예측 학습 이미지 및 정비 예측 학습 텍스트 예측 모델을 업데이트 할 수 있다.
고장 예측부(140)는 정비 예측 모델을 기반으로 장비의 고장을 예측할 수 있다. 일 예로, Random Forest알고리즘에 기반하여 생성된 정비 예측 모델을 기반으로 장치의 예측 품목 및 예측 주기를 예측할 수 있다. 또한, XGBoost알고리즘에 기반하여 생성된 정비 예측 모델을 기반으로 장비의 정비 예측 일시를 예측할 수 있다. 또한, Tensorflow 알고리즘에 기반하여 생성된 정비 예측 모델을 기반으로 장비의 정비 예측 학습 이미지 및 정비 예측 학습 텍스트를 예측할 수 있다. 고장 예측부(140)는 정비 예측 모델에서 정확도가 가장 높다고 판단된 알고리즘에서 도출된 결과값을 해당 장비의 고장 예측 결과로서 제공할 수 있다.
수리부속 예측부(150)는 고장의 예측에 따라 장비에 필요한 신규 수리부속을 예측할 수 있다. 이때, 신규 수리부속은 앞서 설명된 장비들에 구비된 복수의 부품들 중 새롭게 도출된 수리부속일 수 있다. 수리부속 예측부(150)는 신규 수리부속을 예측하고, 예측 결과를 장비의 수리자(예를 들어, 항공기 정비사)의 단말로 제공함으로써, 해당 수리부속의 갑작스런 고장을 예방할 수 있다.
본원의 일 실시예에 따르면, 데이터 수집부(110)는 기 설정된 주기 마다 신규 정비 데이터를 수집할 수 있다. 데이터 전처리부(120)는 업데이트된 데이터를 분석하여 예측에 필요한 변수를 도출할 수 있다. 예를 들어, 데이터 전처리부(120)는 장비 구성요소 중 하나인 제 1엔진의 교체 시기를 예측하기 위해, 정비 데이터 중 제1 엔진의 교체 일시, 교체 주기, 교체 품목, 교체 이미지, 교체 텍스트 중 적어도 교체 일시 및 교체 주기를 예측에 필요한 변수로 도출할 수 있다. 머신러닝부(130)는 제 1 엔진의 정비 데이터 중 교체 일시 및 교체 주기에 포함된 데이터를 이용하여 머신러닝을 통해 장비의 정비 예측 모델을 업데이트 할 수 있다. 머신러닝부(130)는 제 1 엔진의 교체 일시 및 교체 주기의 정비 예측 모델을 업데이트 하기 위해 복수의 머신러닝 알고리즘을 적용할 수 있다. 머신러닝부(130)는 복수의 머신러닝 알고리즘 중 정비 예측 모델의 정확도가 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 정비 예측 모델을 제 1 엔진의 정비 예측 모델로서 선정할 수 있다. 고장 예측부(140)는 정비 예측 모델을 기반으로 장비의 고장을 예측할 수 있다. 수리부속 예측부(150)는 고장의 예측에 따라 장비에 필요한 신규 수리부속을 예측할 수 있다. 일 예로, 신규 수리부속은 업데이트 되는 데이터를 기반으로 예측된 신규 수리부속일 수 있다. 즉, 이전에 발견되지 않았던 수리부속이 업데이트 되는 정보에 기반하여 형성된 고장의 예측에 따라 장비에 필요한 신규 수리부속으로 예측되는 것일 수 있으나, 이에 한정되는 것은 아니다.
도 2는 본원의 일 실시예에 따른 장비 고장 예측 장치에서 복수의 머신러닝 알고리즘 각각에 대응하는 복수의 정비 예측 모델별 예측 정확도를 시각화하여 나타낸 도면이다.
예시적으로 도 2를 참조하면, 장비 고장 예측 장치(100)는 사용자 단말로 복수의 정비 예측 모델별 예측 결과 및 정확도를 시각화하여 제공할 수 있다. 장비 고장 예측 장치(100)는 도 2의 좌측 상단에 도시된 것과 같이, 고장 예측을 수행할 장비(예를 들어, 엔진)의 이미지를 제공할 수 있다. 또한, 장비 고장 예측 장치(100)는 해당 고장 예측을 수행할 장비의 정비 데이터를 수집한 데이터 정보를 수치화하여 제공할 수 있다. 장비 고장 예측 장치(100)는 정비 데이터를 기반으로 복수의 머신러닝 알고리즘을 적용하여, 위험예측 모델(모형)을 장비의 정비 예측 모델로 선정할 수 있다. 장비 고장 예측 장치(100)는 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 정비 예측 모델을 장비의 정비 예측 모델로 선정할 수 있다. 장비 고장 예측 장치(100)는 선정된 정비 예측 모델을 기반으로 장비의 고장을 예측하고, 예측된 정보를 수치화하여 제공할 수 있다. 또한, 장비 고장 예측 장치(100)는 수치화된 정보를 사용자 단말로 그래픽적으로 출력하여, 해당 분야의 전문가가 아니라도, 해당 그래픽 정보를 기반으로, 장비의 고장 예측 정도를 판단할 수 있다.
도 3은 본원의 일 실시예에 따른 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 방법의 흐름도이다.
도 3에 도시된 방법은 앞선 도 1 내지 도 2를 통해 설명된 장비 고장 예측 장치(100)에 의하여 수행될 수 있다. 따라서 이하 생략된 내용이라고 하더라도 도 1 내지 도 2를 통해 장치(100)에 대하여 설명된 내용은 도 3에도 동일하게 적용될 수 있다.
예시적으로, 도 3을 참조하면, 단계 S301에서 장비 고장 예측 장치(100)는 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집할 수 있다. 정비 데이터는 장비의 실시간 센서 결과 데이터, 장비의 고장 및 정비 이력 데이터 및 장비 체계 데이터 중 적어도 하나를 포함할 수 있다. 장비의 실시간 센서 결과 데이터는 장비 내 외부에 구비된 센싱 결과 데이터일 수 있다.
단계 S302에서 장비 고장 예측 장치(100)는 정비 데이터를 분석하여 예측에 필요한 변수를 도출할 수 있다. 장비 고장 예측 장치(100)는 빅데이터 환경하에서 발생하는 다양한 정형데이터 및 비정형 데이터(예를 들어, 텍스트 데이터 및 이미지) 등의 데이터를 수집하고, 상기 데이터를 필요한 변수만을 도출하여, 머신러닝 기반으로 장비의 고장을 예측할 수 있다.
단계 S303에서 장비 고장 예측 장치(100)는 정비 데이터 및 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 장비의 정비 예측 모델을 업데이트할 수 있다. 장비 고장 예측 장치(100)는 머신러닝 학습 결과에 기초하여 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 정비 예측 모델을 장비의 정비 예측 모델로서 선정할 수 있다. 이때, 복수의 머신러닝 알고리즘은 랜덤포레스트(random forest) 알고리즘, XG Boost알고리즘 및 Tensorflow알고리즘 중 적어도 하나를 포함할 수 있다.
본원의 일 실시예에 따르면, 머신러닝부(130)는 장비의 정비 예측 품목 및 예측 주기를 Random Forest알고리즘에 기반하여, 장비의 정비 예측 모델을 업데이트 할 수 있다. 또한, 머신러닝부(130)는 장비의 정비 예측 일시를 XGBoost알고리즘에 기반하여, 장비의 정비 예측 모델을 업데이트 할 수 있다. 또한, 머신러닝부(130)는 정비 예측 이미지 및 텍스트를 Tensorflow 알고리즘에 기반하여, 정비 예측 학습 이미지 및 정비 예측 학습 텍스트 예측 모델을 업데이트 할 수 있다.
단계 S034에서 장비 고장 예측 장치(100)는 정비 예측 모델을 기반으로 장비의 고장을 예측할 수 있다. 장비 고장 예측 장치(100)는 장비의 복수의 부품 각각의 고장을 예측할 수 있다.
단계 S305에서 고장의 예측에 따라 장비에 필요한 신규 수리부속을 예측할 수 있다.
상술한 설명에서, 단계 S301 내지 S305는 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.
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: 장비 고장 예측 장치
110: 데이터 수집부
120: 데이터 전처리부
130: 머신러닝부
140: 고장 예측부
150: 수리부속 예측부

Claims (11)

  1. 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 장치에 있어서,
    장비의 복수의 부품들 각각에 대한 정비 데이터를 수집하는 데이터 수집부;
    상기 정비 데이터를 분석하여 예측에 필요한 변수를 도출하는 데이터 전처리부;
    상기 정비 데이터 및 상기 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 상기 장비의 정비 예측 모델을 업데이트 하는 머신러닝부;
    상기 정비 예측 모델을 기반으로 상기 장비의 고장을 예측하는 고장 예측부; 및
    상기 고장의 예측에 따라 상기 장비에 필요한 신규 수리부속을 예측하는 수리부속 예측부
    를 포함하되,
    상기 머신러닝부는,
    지도 학습 기반의 Tensorflow 알고리즘에 기반하여, 상기 장비의 정비 예측 학습 이미지 및 정비 예측 학습 데이터의 예측 모델을 업데이트 하는 것인, 장비 고장 예측 장치.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 머신러닝부는
    지도 학습 기반의 Random Forest 알고리즘에 기반하여, 상기 장비의 정비 예측 품목 및 정비 예측 주기 예측 모델을 업데이트 하는 것인, 장비 고장 예측 장치.
  4. 제 1 항에 있어서,
    상기 머신러닝부는,
    지도 학습 기반의 XGBoost 알고리즘에 기반하여, 상기 장비의 정비 예측 일시 예측 모델을 업데이트 하는 것인, 장비 고장 예측 장치.
  5. 삭제
  6. 제 1 항에 있어서,
    상기 정비 데이터는,
    상기 장비의 실시간 센서 결과 데이터, 고장 및 정비 이력 데이터 및 장비 체계 데이터 중 적어도 하나를 포함하는 것인, 장비 고장 예측 장치.
  7. 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 방법에 있어서,
    장비의 복수의 부품들 각각에 대한 정비 데이터를 수집하는 단계;
    상기 정비 데이터를 분석하여 예측에 필요한 변수를 도출하는 단계;
    상기 정비 데이터 및 상기 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 상기 장비의 정비 예측 모델을 업데이트 하는 단계;
    상기 정비 예측 모델을 기반으로 상기 장비의 고장을 예측하는 단계; 및
    상기 고장의 예측에 따라 상기 장비에 필요한 신규 수리부속을 예측하는 단계;
    를 포함하되,
    상기 장비의 정비 예측 모델을 업데이트 하는 단계는,
    지도 학습 기반의 Tensorflow 알고리즘에 기반하여, 상기 장비의 정비 예측 학습 이미지 및 정비 예측 학습 데이터의 예측 모델을 업데이트하는 단계를 포함하는 것인, 장비 고장 예측 방법.
  8. 삭제
  9. 제 7 항에 있어서,
    상기 장비의 정비 예측 모델을 업데이트 하는 단계는,
    지도 학습 기반의 Random Forest 알고리즘에 기반하여, 상기 장비의 정비 예측 품목 및 정비 예측 주기 예측 모델을 업데이트하는 단계를 포함하는 것인, 장비 고장 예측 방법.
  10. 제 7 항에 있어서,
    상기 장비의 정비 예측 모델을 업데이트 하는 단계는,
    지도 학습 기반의 XGBoost 알고리즘에 기반하여, 상기 장비의 정비 예측 일시 예측 모델을 업데이트 하는 단계를 포함하는 것인, 장비 고장 예측 방법.
  11. 삭제
KR1020170169864A 2017-12-12 2017-12-12 장비 고장 예측 장치 및 방법 KR102063171B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170169864A KR102063171B1 (ko) 2017-12-12 2017-12-12 장비 고장 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170169864A KR102063171B1 (ko) 2017-12-12 2017-12-12 장비 고장 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190069696A KR20190069696A (ko) 2019-06-20
KR102063171B1 true KR102063171B1 (ko) 2020-01-07

Family

ID=67103999

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170169864A KR102063171B1 (ko) 2017-12-12 2017-12-12 장비 고장 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102063171B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102391510B1 (ko) 2021-11-15 2022-04-27 (주)테온 인공지능 기반 it 인프라 장비의 사전 장애 예측 방법, 장치 및 시스템

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102303442B1 (ko) * 2019-10-02 2021-09-23 (주)디지탈쉽 비정형 데이터를 이용한 군 장비 정비 이력 모니터링 시스템 및 방법
KR102265761B1 (ko) * 2019-10-18 2021-06-16 김상갑 스마트 체결 부품의 관리 시스템
KR102230269B1 (ko) * 2019-10-29 2021-03-19 (주)플랜투비즈니스컨설팅 전차수리 빅데이터 원천자료 검증 장치 및 방법
KR102289396B1 (ko) * 2019-11-15 2021-08-12 세종대학교산학협력단 군장비 수리부속 품목 수요예측의 고도화를 위한 강화학습 적용
KR102088234B1 (ko) * 2019-11-20 2020-03-13 주식회사 에이투엠 데이터 분석 지표를 이용한 선제적예측기반 발전시설 유지관리 시스템 및 그 방법
KR102373787B1 (ko) 2020-01-30 2022-03-14 주식회사 이엠포커스 고장 예측 시스템의 고장 유형 빅데이터를 이용한 기계설비의 잠재적 고장 예측 방법
KR102291379B1 (ko) * 2020-01-31 2021-09-07 정기용 인공지능을 이용한 하드 디스크의 사용 기간 예측과 이레이징 및 디가우징 판단 방법
KR102176821B1 (ko) * 2020-02-04 2020-11-10 신희철 플라스틱 제조 장치 구동 제어 시스템
KR102252740B1 (ko) * 2020-03-06 2021-05-17 세메스 주식회사 프로브 스테이션의 예측 정비 방법 및 시스템
CN112115128B (zh) * 2020-09-15 2024-05-14 北京唯实兴邦科技有限公司 一种基于多维传感器的5g实时动态故障处理系统
KR102390668B1 (ko) * 2020-09-28 2022-04-26 한국생산기술연구원 우선순위 의사결정 모델을 사용한 스팀트랩 유지보수 방법
KR102389317B1 (ko) * 2020-09-28 2022-04-21 김학철 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법
KR102311994B1 (ko) * 2020-11-30 2021-10-14 동해에코에너지(주) 자가발전용 관개 장비 구동 ai 머신 러닝 고장 예지 원격제어 모니터링 시스템
KR102497543B1 (ko) * 2020-12-21 2023-02-10 세종대학교산학협력단 머신러닝을 사용한 군 수리부속 수요예측 모델과 실용화 시스템
CN113269368B (zh) * 2021-06-07 2023-06-30 上海航空工业(集团)有限公司 一种基于数据驱动的民机安全趋势预测方法
KR102586845B1 (ko) * 2021-06-30 2023-10-06 주식회사 하이텍정보 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템
KR102512577B1 (ko) * 2021-10-29 2023-03-22 (주) 탐진씨앤에스 에너지 사용량 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법
KR102519474B1 (ko) * 2021-10-29 2023-04-10 (주) 탐진씨앤에스 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법
KR102601338B1 (ko) * 2021-12-02 2023-11-13 네모시스 주식회사 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법
KR102507147B1 (ko) * 2022-02-18 2023-03-06 김우섭 인공지능 기반의 운영 보조 시스템을 적용한 빌딩 자동 제어 시스템 및 그 운용 방법
KR102454164B1 (ko) * 2022-07-18 2022-10-12 성다일 서버 장비 유지 보수 방법
KR102618023B1 (ko) * 2022-12-23 2023-12-27 앤츠이엔씨 주식회사 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101713985B1 (ko) * 2016-09-02 2017-03-09 에이블맥스(주) 예지 정비 방법 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101259558B1 (ko) * 2009-10-08 2013-05-07 한국전자통신연구원 문장경계 인식 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101713985B1 (ko) * 2016-09-02 2017-03-09 에이블맥스(주) 예지 정비 방법 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102391510B1 (ko) 2021-11-15 2022-04-27 (주)테온 인공지능 기반 it 인프라 장비의 사전 장애 예측 방법, 장치 및 시스템

Also Published As

Publication number Publication date
KR20190069696A (ko) 2019-06-20

Similar Documents

Publication Publication Date Title
KR102063171B1 (ko) 장비 고장 예측 장치 및 방법
KR101925357B1 (ko) 장비 건강상태 및 예측정비 요구들을 시각화하는 시스템 및 방법
US9665843B2 (en) Industrial asset health profile
US11138056B2 (en) System and method for unsupervised prediction of machine failures
Van Horenbeek et al. Quantifying the added value of an imperfectly performing condition monitoring system—Application to a wind turbine gearbox
CN110942086B (zh) 数据预测优化方法、装置、设备及可读存储介质
CN111242323B (zh) 用于修理机器次优操作的主动自动系统和方法
Shin et al. Design modification supporting method based on product usage data in closed-loop PLM
Igba et al. Effect of preventive maintenance intervals on reliability and maintenance costs of wind turbine gearboxes
US11442444B2 (en) System and method for forecasting industrial machine failures
US11933695B2 (en) System and method for detecting anomalies in sensory data of industrial machines located within a predetermined proximity
CN111160687A (zh) 主动资产监控
Ahmadi Optimal maintenance scheduling for a complex manufacturing system subject to deterioration
Asmai et al. A framework of an intelligent maintenance prognosis tool
Ragab et al. Pattern‐based prognostic methodology for condition‐based maintenance using selected and weighted survival curves
Gholami et al. Maintenance scheduling using data mining techniques and time series models
Peco Chacón et al. State of the art of artificial intelligence applied for false alarms in wind turbines
CN107121943A (zh) 一种用于获得智能仪表的健康预测信息的方法和装置
KR102603556B1 (ko) 비용효과를 포함한 소급적 신뢰도 중심 정비 시스템 및 방법
Zhang et al. Condition based maintenance and operation of wind turbines
RU2668852C1 (ru) Способ и система учета остаточного ресурса компонентов турбоагрегата
JPWO2019035279A1 (ja) 人工知能アルゴリズム
Schönmann et al. Cycle management of manufacturing resources: identification and prioritization of investment needs
Fallah Nezhad et al. A multi-stage two-machines replacement strategy using mixture models, bayesian inference, and stochastic dynamic programming
Niu et al. A hybrid bearing prognostic method with fault diagnosis and model fusion

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