KR102069553B1 - 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템 및 방법 - Google Patents

학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템 및 방법 Download PDF

Info

Publication number
KR102069553B1
KR102069553B1 KR1020170164247A KR20170164247A KR102069553B1 KR 102069553 B1 KR102069553 B1 KR 102069553B1 KR 1020170164247 A KR1020170164247 A KR 1020170164247A KR 20170164247 A KR20170164247 A KR 20170164247A KR 102069553 B1 KR102069553 B1 KR 102069553B1
Authority
KR
South Korea
Prior art keywords
efficiency
data
learning
rotating body
unit
Prior art date
Application number
KR1020170164247A
Other languages
English (en)
Other versions
KR20190064916A (ko
Inventor
남윤주
정승현
이수웅
윤종필
안다운
권순오
Original Assignee
한국생산기술연구원
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 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020170164247A priority Critical patent/KR102069553B1/ko
Publication of KR20190064916A publication Critical patent/KR20190064916A/ko
Application granted granted Critical
Publication of KR102069553B1 publication Critical patent/KR102069553B1/ko

Links

Images

Classifications

    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명은 학습 데이터의 변환을 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 가공부; 상기 좌표 형태의 이미지화된 데이터를 학습 데이터로 변환하는 변환부; 상기 변환부에서 변환된 학습 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 학습 데이터의 변환을 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 학습 데이터로 변환하는 제4단계; 상기 제4단계를 통해 변환된 학습 데이터를 딥 러닝 기법을 통해 학습시키는 제5단계; 및 상기 제5단계를 통해 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 제6단계; 를 포함하는 것을 특징으로 한다.
이에 의해, 회전체의 한정된 실측 데이터를 각종의 데이터 변환 방법을 통해 학습 데이터로 변환시킨 후 딥 러닝을 통해 학습시킴과 동시에 회전체의 구동 시간에 따른 시점별 효율을 누적시킨 효율맵을 구축하여 회전체 효율 예측의 신뢰도를 향상시킬 수 있다.

Description

학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템 및 방법{Efficiency Prediction System And Method For Rotating Device Using Transformation Of Learning data}
본 발명은 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템 및 방법에 관한 것으로서, 보다 상세하게는, 회전체의 한정된 실측 데이터를 각종의 데이터 변환 방법을 통해 학습 데이터로 변환시킨 후 딥 러닝을 통해 학습시킴과 동시에 회전체의 구동 시간에 따른 시점별 효율을 누적시킨 효율맵을 구축하여 회전체 효율 예측의 신뢰도를 향상시킬 수 있는 학습 데이터의 변환을 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.
대한민국 등록특허공보 등록번호 제10-1699509호(2017.01.25. 공고, 감속기 파손 감지 장치 및 그를 이용한 감속기 파손 감지 방법)
본 발명은 상기 문제점을 해결하기 위하여 창작된 것으로써, 본 발명의 목적은, 회전체의 한정된 실측 데이터를 각종의 데이터 변환 방법을 통해 학습 데이터로 변환시킨 후 딥 러닝을 통해 학습시킴과 동시에 회전체의 구동 시간에 따른 시점별 효율을 누적시킨 효율맵을 구축하여 회전체 효율 예측의 신뢰도를 향상시킬 수 있는 학습 데이터의 변환을 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 가공부; 상기 좌표 형태의 이미지화된 데이터를 학습 데이터로 변환하는 변환부; 상기 변환부에서 변환된 학습 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 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템에 의해 달성될 수 있다.
여기서, 상기 변환부는 상기 좌표 형태의 이미지화된 데이터의 해상도를 높여 학습 데이터를 생성하도록 마련될 수 있다.
또는, 상기 변환부는, 상기 좌표 형태의 이미지화된 데이터 중 실측되지 않은 효율점에 대하여 랜덤하게 노이즈를 생성하는 노이즈생성부분; 및 상기 노이즈생성부분에서 생성된 노이즈 중 일부의 노이즈를 제거하여 학습 데이터를 생성하는 학습데이터생성부분; 을 포함한다.
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 학습 데이터로 변환하는 제4단계; 상기 제4단계를 통해 변환된 학습 데이터를 딥 러닝 기법을 통해 학습시키는 제5단계; 및 상기 제5단계를 통해 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 제6단계; 를 포함하는 학습 데이터의 변환을 이용한 회전체의 효율 예측 방법에 의해서도 달성될 수 있다.
여기서, 상기 제4단계는 상기 좌표 형태의 이미지화된 데이터의 해상도를 높여 학습 데이터를 생성하는 단계로 마련될 수 있다.
또는, 상기 제4단계는, 상기 좌표 형태의 이미지화된 데이터 중 실측되지 않은 효율점에 대하여 랜덤하게 노이즈를 생성하는 제4-1단계; 및 상기 제4-1단계에서 생성된 노이즈 중 일부의 노이즈를 제거하여 학습 데이터를 생성하는 제4-2단계; 로 이루어질 수도 있다.
본 발명에 의해, 회전체의 한정된 실측 데이터를 각종의 데이터 변환 방법을 통해 학습 데이터로 변환시킨 후 딥 러닝을 통해 학습시킴과 동시에 회전체의 구동 시간에 따른 시점별 효율을 누적시킨 효율맵을 구축하여 회전체 효율 예측의 신뢰도를 향상시킬 수 있다.
도 1 은 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템의 제1실시예의 구성을 나타낸 블럭도이며,
도 2 는 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템의 제2실시예의 구성을 나타낸 블럭도이며,
도 3 은 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템에서 효율맵이 구축되는 과정을 도시한 개념도이며,
도 4 는 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템에서 해상도 변환을 통해 학습 데이터가 생성되는 과정을 도시한 개념도이며,
도 5 는 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 방법의 제1실시예의 과정을 나타낸 흐름도이며,
도 6 은 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 방법의 제2실시예의 과정을 나타낸 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. 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템에 대한 구체적 설명
도 1 은 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템의 제1실시예의 구성을 나타낸 블럭도이며, 도 2 는 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템의 제2실시예의 구성을 나타낸 블럭도이며, 도 3 은 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템에서 효율맵이 구축되는 과정을 도시한 개념도이며, 도 4 는 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템에서 해상도 변환을 통해 학습 데이터가 생성되는 과정을 도시한 개념도이다.
도 1 및 도 4 를 참조하면, 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템은, 센싱부(10), 연산부(20), 가공부(30), 변환부(40), 학습부(50), 효율맵 모델링부(60) 및 데이터 수집부(70)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, 가공부(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 가공부(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 3 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 3 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 3 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, 변환부(40)는 본 발명의 특징적 구성으로, 상기 가공부(30)에서 가공된 데이터를 학습 데이터로 변환하는 역할을 수행한다.
여기서, 상기 학습 데이터는 상기 연산부(20) 및 가공부(30)를 거친 회전체의 시점별 효율(실측 효율)이 확장된 데이터임과 동시에 후술할 학습부(50)에 입력되어 딥 러닝 효율맵을 생성하는 데이터로서 아래에 기술하는 2가지 방식에 의해 생성될 수 있다.
먼저, 상기 변환부(40)는 도 1 및 도 4 에서와 같이, 상기 좌표 형태의 이미지화된 데이터의 해상도를 높여 학습 데이터를 생성하도록 마련될 수 있다.
구체적으로 도 4 에서와 같이, 실측된 효율점이 찍힌 좌표 이미지의 해상도가 3*3의 형태일 경우, 이 이미지의 해상도를 5*5 또는 7*7과 같이 높일 경우 실측된 효율점은 실질적으로 확장(효율점이 이미지에서 차지하는 영역이 늘어남)되는 형태로 나타나게 되며, 이렇게 확장된 효율점을 가지는 이미지가 누적되어 딥 러닝에 입력되게 되면 학습 후에는 실측 효율맵 상에서 비어있는 효율이 채워지는 형태로 구축되어 딥 러닝 효율맵이 이상적인 효율맵에 수렴되는 것이다.
또는, 상기 변환부(40)는 도 2 에서와 같이, 상기 좌표 형태의 이미지화된 데이터 중 실측되지 않은 효율점에 대하여 랜덤하게 노이즈를 생성하는 노이즈생성부분(42); 및 상기 노이즈생성부분(42)에서 생성된 노이즈 중 일부의 노이즈를 제거하여 학습 데이터를 생성하는 학습데이터생성부분(44); 을 포함하여 구성될 수도 있다.
구체적으로 상기 노이즈생성부분(42)은 좌표 이미지 상에서 실측되지 않은 다수의 효율점(좌표 이미지 상 비어 있는 효율점)에 랜덤하게 노이즈 처리를 하여 실측점이 찍힌 형태와 동일하게 좌표 이미지를 변환하고, 랜덤하게 처리된 노이즈 중 일부를 학습데이터생성부분(44)이 제거함으로써 원본 이미지 데이터로 복원시킨다. 정리하면, 랜덤하게 처리된 노이즈에 대하여 전체적으로 노이즈를 제거하는 것이 아닌 일부의 노이즈만이 제거되게 되므로 제거되지 않은 잔여 노이즈는 실측된 효율점과 동일하게 인식되며, 이는 단일 이미지 내에서 효율점 갯수가 증가하는 형태로 나타나게 되는 것이다. 즉, 효율점 갯수가 증가된 이미지가 누적되어 딥 러닝에 입력되게 되면 학습 후에는 실측 효율맵 상에서 비어있는 효율이 채워지는 형태로 구축되어 딥 러닝 효율맵이 이상적인 효율맵에 수렴되는 것이다.
결과적으로 본 발명의 변환부(40)의 구성으로 효율점의 확장 또는 효율점 갯수의 증가가 이루어지게 되며, 이러한 데이터 변환을 통하여 효율 예측의 정밀도가 향상되는 효과를 발휘하게 되는 것이다.
한편, 학습부(50)는 상기 변환부(40)에서 변환된 학습 데이터를 딥 러닝 기법을 통해 학습시키는 역할을 수행하는 구성이다.
여기서, 학습부(50)에 입력되는 학습 데이터는 상기 변환부(40)에서 해상도 변환 또는 노이즈 제거 기법을 통해 효율점의 실질적인 확장 및 갯수 증가가 이루어진 데이터이지만 전술한 바와 같이 변환부(40)에서 가공되는 데이터는 실측치를 기반으로하는 한정적 데이터이므로 학습 데이터의 절대량을 늘리기 위하여 본 발명에서는 데이터 수집부(70)의 구성을 부가하였다. 데이터 수집부(70)는 상기 학습부(50)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(50)에는 데이터 수집부(70)를 통해 수집된 학습 대상 데이터와 변환부(40)를 통해 변환된 효율점의 확장이 이루어진 데이터가 모두 딥 러닝에 대한 학습 데이터로 이용되는 것이다.
아울러, 상기 데이터 수집부(70)는 상기 변환부(40)에서 변환된 데이터와 크기 또는 해상도가 소정의 설정범위 내에서 유사하도록 학습 대상 데이터의 수집 파라미터를 설정하는 파라미터설정부분(미도시)을 추가적으로 포함할 수 있으며, 파라미터설정부분의 구성을 통해 딥 러닝 효율맵의 구축을 용이하게 수행함과 동시에 무분별한 데이터 수집을 방지하는 효과를 발휘할 수 있다.
여기서, 상기 학습부(50)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(50)는 상기 데이터 수집부(70)를 통해 수집된 학습 대상 데이터를 기반으로 사전 훈련(pre-trained)된 학습 모델을 구축하는 사전모델구축부분(미도시)과 상기 사전 훈련된 학습 모델에 상기 변환부(40)에서 변환된 데이터를 적용하여 학습 모델을 갱신하는 학습모델갱신부분(미도시); 을 포함한다.
즉 데이터 수집부(70)를 통해 수집된 비교적 대량의 학습 데이터가 상기 사전모델 구축부분으로 입력되어 사전 훈련된 학습 모델을 구축하고, 이렇게 구축된 학습 모델에 상기 변환부(40)에서 변환된 데이터를 적용하여 최종 학습 모델을 업데이트 및 구축하는 형태로 학습부(50)가 구성될 수 있는 것이다.
여기서, 상기 학습부(50)는 상기 사전모델 구축부분 및 학습모델갱신부분을 통한 딥 러닝 학습 기법 외에 상기 변환부(40)에서 변환된 데이터와 상기 데이터 수집부(70)에서 수집된 학습 대상 데이터를 단순 병합하여 구축된 학습 모델을 통해 학습이 이루어지도록 마련될 수도 있다.
효율맵 모델링부(60)는 상기 학습부(50)를 통해 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 역할을 수행하는 구성으로, 효율맵 모델링부(60)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. 학습 데이터의 변환을 이용한 회전체의 효율 예측 방법에 대한 구체적 설명
도 5 는 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 방법의 제1실시예의 과정을 나타낸 흐름도이며, 도 6 은 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 방법의 제2실시예의 과정을 나타낸 흐름도이다.
도 5 및 도 6 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 학습 데이터로 변환하는 제4단계(S40); 상기 제4단계(S40)를 통해 변환된 학습 데이터를 딥 러닝 기법을 통해 학습시키는 제5단계(S50); 및 상기 제5단계(S50)를 통해 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 제6단계(S60); 를 포함한다.
여기서, 상기 제4단계(S40)는 도 5 에서와 같이, 상기 좌표 형태의 이미지화된 데이터의 해상도를 높여 학습 데이터를 생성하는 단계로 마련될 수 있다.
또는, 상기 제4단계(S40)는 도 6 에서와 같이, 상기 좌표 형태의 이미지화된 데이터 중 실측되지 않은 효율점에 대하여 랜덤하게 노이즈를 생성하는 제4-1단계(S42); 및 상기 제4-1단계(S42)에서 생성된 노이즈 중 일부의 노이즈를 제거하여 학습 데이터를 생성하는 제4-2단계(S44); 로 이루어질 수도 있다.
여기서, 상기 제4단계(S40)와 제5단계(S50) 사이에는 딥 러닝 학습의 효과를 증대시키기 위하여, 상기 제5단계(S50)로 입력되는 학습 대상 데이터를 네트워크를 통해 일정 이상 확보하기 위한 데이터 수집단계(S35)가 포함된다.
전술한 각 단계별 과정에 대한 상세한 설명은 앞선 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템에 대한 설명과 동일함으로 생략하였음을 밝혀둔다.
전술한 바와 같이, 본 발명에 따른 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템 및 방법은, 회전체의 한정된 실측 데이터를 각종의 데이터 변환 방법을 통해 학습 데이터로 변환시킨 후 딥 러닝을 통해 학습시킴과 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 : 가공부
40 : 변환부
42 : 노이즈생성부분 44 : 학습데이터생성부분
50 : 학습부
60 : 효율맵 모델링부
70 : 데이터 수집부

Claims (6)

  1. 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 가공부;
    상기 좌표 형태의 이미지화된 데이터를 학습 데이터로 변환하는 변환부;
    상기 변환부에서 변환된 학습 데이터를 딥 러닝 기법을 통해 학습시키는 학습부; 및
    상기 학습부를 통해 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 효율맵 모델링부를 포함하되,
    상기 변환부는, 상기 좌표 형태의 이미지화된 데이터 중 실측되지 않은 효율점에 대하여 랜덤하게 노이즈를 생성하는 노이즈생성부분과, 상기 노이즈생성부분에서 생성된 노이즈 중 일부의 노이즈를 제거하여 학습 데이터를 생성하는 학습데이터생성부분을 포함하는 것을 특징으로 하는 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템.
  2. 제1항에 있어서,
    상기 변환부는 상기 좌표 형태의 이미지화된 데이터의 해상도를 높여 학습 데이터를 생성하는 것을 특징으로 하는
    학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템.
  3. 삭제
  4. 센싱부를 통해 회전체의 실시간 입력 부하에 대한 출력 부하를 획득하는 제1단계;
    연산부를 통해 상기 제1단계로부터 획득된 정보에 기반하여 상기 회전체의 시점별 효율을 계산하는 제2단계;
    가공부를 통해 상기 제2단계에서 계산된 상기 회전체의 시점별 효율을 좌표 형태의 이미지화된 데이터로 가공하는 제3단계;
    변환부를 통해 상기 제3단계에서 가공된 데이터를 학습 데이터로 변환하는 제4단계;
    학습부를 통해 상기 제4단계에서 변환된 학습 데이터를 딥 러닝 기법을 통해 학습시키는 제5단계; 및
    효율맵 모델링부를 통해 상기 제5단계에서 학습된 데이터를 기반으로 상기 회전체의 시점별 효율을 누적시킨 효율맵을 모델링하는 제6단계를 포함하되,
    상기 제4단계는, 노이즈생성부분을 통해 상기 좌표 형태의 이미지화된 데이터 중 실측되지 않은 효율점에 대하여 랜덤하게 노이즈를 생성하는 제4-1단계와, 학습데이터생성부분을 통해 상기 제4-1단계에서 생성된 노이즈 중 일부의 노이즈를 제거하여 학습 데이터를 생성하는 제4-2단계로 이루어지는 것을 특징으로 하는 학습 데이터의 변환을 이용한 회전체의 효율 예측 방법.
  5. 제4항에 있어서,
    상기 제4단계는, 상기 변환부를 통해 상기 좌표 형태의 이미지화된 데이터의 해상도를 높여 학습 데이터를 생성하는 단계인 것을 특징으로 하는 학습 데이터의 변환을 이용한 회전체의 효율 예측 방법.
  6. 삭제
KR1020170164247A 2017-12-01 2017-12-01 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템 및 방법 KR102069553B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170164247A KR102069553B1 (ko) 2017-12-01 2017-12-01 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170164247A KR102069553B1 (ko) 2017-12-01 2017-12-01 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20190064916A KR20190064916A (ko) 2019-06-11
KR102069553B1 true KR102069553B1 (ko) 2020-01-23

Family

ID=66846982

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170164247A KR102069553B1 (ko) 2017-12-01 2017-12-01 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102069553B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220149096A (ko) 2021-04-30 2022-11-08 주식회사 서연이화 자동차 부품의 성능 검증 결과를 예측하는 인공지능 모델의 학습 데이터를 생성하는 방법 및 장치

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102016987B1 (ko) 2019-05-31 2019-09-02 (주)원더피플 랜덤 시점에 투입되는 보급 상자를 이용하는 배틀 로얄 게임을 제공하는 방법 및 이를 이용한 서버

Family Cites Families (3)

* Cited by examiner, † Cited by third party
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
KR101748559B1 (ko) * 2015-12-04 2017-06-20 주식회사 원프레딕트 회전체 진단 장치 및 방법
KR101699509B1 (ko) 2016-07-29 2017-01-25 주식회사 에스텍 감속기 파손 감지 장치 및 그를 이용한 감속기 파손 감지 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220149096A (ko) 2021-04-30 2022-11-08 주식회사 서연이화 자동차 부품의 성능 검증 결과를 예측하는 인공지능 모델의 학습 데이터를 생성하는 방법 및 장치

Also Published As

Publication number Publication date
KR20190064916A (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
Zhao et al. Deep convolutional neural network based planet bearing fault classification
Li et al. An overview: modern techniques for railway vehicle on-board health monitoring systems
KR101967301B1 (ko) 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템
Qiao et al. A survey on wind turbine condition monitoring and fault diagnosis—Part II: Signals and signal processing methods
Johansen et al. On digital twin condition monitoring approach for drivetrains in marine applications
KR102069553B1 (ko) 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템 및 방법
Miao et al. Sparse representation convolutional autoencoder for feature learning of vibration signals and its applications in machinery fault diagnosis
Yang et al. Survey and study on intelligent monitoring and health management for large civil structure
CN111221003A (zh) 用激光雷达传感器获取入射风场和对其建模的方法
AlHamaydeh et al. Structural health monitoring techniques and technologies for large-scale structures: Challenges, limitations, and recommendations
Mantawy et al. Convolutional neural network based structural health monitoring for rocking bridge system by encoding time‐series into images
KR102289212B1 (ko) 인공지능 기반 고장 진단 장치 및 방법
KR102014820B1 (ko) 딥 러닝을 이용한 회전체의 효율 예측 시스템
Maheswari et al. Wind Turbine Drivetrain Expert Fault Detection System: Multivariate Empirical Mode Decomposition based Multi-sensor Fusion with Bayesian Learning Classification.
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
Wang et al. Deep transfer fault diagnosis using digital twin and generative adversarial network
JP6192414B2 (ja) 転がり軸受の状態監視装置
KR20230100999A (ko) 회전 기계 설비의 탁월 주파수 결정 방법, 및 이를 수행하는 컴퓨팅 시스템
Zhang et al. Towards probabilistic robust and sparsity-free compressive sampling in civil engineering: A review
Sun et al. Technology of structure damage monitoring based on multi-agent
Achiche et al. Adaptive neuro-fuzzy inference system models for force prediction of a mechatronic flexible structure

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