KR102092197B1 - 수리 가능한 시스템의 열화 분석 장치 및 방법 - Google Patents

수리 가능한 시스템의 열화 분석 장치 및 방법 Download PDF

Info

Publication number
KR102092197B1
KR102092197B1 KR1020190114018A KR20190114018A KR102092197B1 KR 102092197 B1 KR102092197 B1 KR 102092197B1 KR 1020190114018 A KR1020190114018 A KR 1020190114018A KR 20190114018 A KR20190114018 A KR 20190114018A KR 102092197 B1 KR102092197 B1 KR 102092197B1
Authority
KR
South Korea
Prior art keywords
time
data
deterioration
field data
domain field
Prior art date
Application number
KR1020190114018A
Other languages
English (en)
Inventor
김용수
원동연
Original Assignee
경기대학교 산학협력단
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 경기대학교 산학협력단 filed Critical 경기대학교 산학협력단
Priority to KR1020190114018A priority Critical patent/KR102092197B1/ko
Application granted granted Critical
Publication of KR102092197B1 publication Critical patent/KR102092197B1/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
    • G05B23/0218—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
    • 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]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명은 수리 가능한 시스템의 열화 분석 장치 및 방법에 관한 것으로, 보다 현실적인 적용을 위해 불완전하게 수리되는 필드의 정비특성을 고려하여 시간에 따른 열화데이터를 기반으로 수리 가능한 시스템의 잔여수명을 추정하여 고장 예지할 수 있도록 한 것이다.

Description

수리 가능한 시스템의 열화 분석 장치 및 방법{Apparatus and method for degradation analysis of a repairable system}
본 발명은 전체 모듈 중 결함 부분만 선택적으로 수리할 수 있는 수리 가능한 시스템(Repairable System)의 열화를 추정하는 기술에 관련한 것으로, 특히 불특정한 성능 개선 특성을 가지는 수리 가능한 시스템의 열화 분석 장치 및 방법에 관한 것이다.
현대 과학과 첨단기술의 발달로 제조업을 포함한 많은 산업 분야에서 사용되는 산업 시스템 및 설비들은 과거보다 점점 더 복잡하고 다양해지고 있다. 또한, 산업 시스템 및 설비들의 지능화 및 복잡화는 모든 문제에 높은 불확실성을 더하여 유지보수 체계에 더욱 정교한 의사결정을 요구하고 있다.
그러나, 아직까지 대부분의 현장에서 산업 시스템 및 설비의 문제 진단 및 유지보수는 인적오류를 유발하는 전문가의 경험을 기반으로 수행되고 있어, 적절한 유지보수를 실행하기 위해서는 필드 데이터를 기반으로 머신러닝을 활용한 체계적인 잔여수명 예측이 필요하다.
많은 산업 시스템 및 설비에서 유지보수를 수행할 때, 비용문제로 교체보다는 수리를 통한 보전활동을 이어가고 있다. 유지보수 최적화의 문제에서 수리와 교체는 동일하며, 산업 시스템 및 설비는 수리 후 새로운 상태로 되돌아온다고 가정하는 것이 편리하다.
그러나, 모델링에는 교체로 가정하고 잔여수명 추정을 실시하나, 이러한 가정을 할 수 없는 많은 상황들이 존재하며 불완전한 유지보수의 근본적인 문제는 '어떻게 그것을 모델링하느냐'이다. 많은 경우에서 불완전한 부분수리가 산업 시스템 또는 설비의 상태를 얼마나 개선시킬지 평가하는 것은 매우 어렵다.
또한, 불완전 유지보수를 위한 현존하는 고장 예지 모델은 복잡한 산업 시스템 및 장비에서 그 적용이 어려워, 많은 연구들이 아직 배터리나 베어링과 같은 간단한 기계류를 대상으로만 실시되고 있다. 따라서, 현존하는 방법론들은 실제 필드문제에 적용하기에 힘들다는 문제점이 있다.
대한민국 공개특허 제10-2019-0021560호(2019.03.06)에서 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법을 제안하고 있다. 그러나, 이 기술에서는 시스템에 센서를 부착하여, 시스템에서 발생하는 각종 데이터를 인터넷으로 주고받을 수 있는 환경을 구축하고, 수집된 정보인 빅데이터를 바탕으로 변형 예측 및 고장을 판단하는 포괄적인 고장 예지 보전 방법론만 제시하고 있을 뿐이다.
따라서, 본 발명자는 전체 모듈 중 결함 부분만 선택적으로 수리할 수 있는 수리 가능한 시스템(Repairable System)이 수리 후 불특정한 성능개선이 이루어진다는 특성을 반영하여 수리 가능한 시스템에 대한 열화 분석을 통해 수리 가능한 시스템의 고장 예측을 효율적으로 수행할 수 있는 기술에 대한 연구를 하였다.
대한민국 공개특허 제10-2019-0021560호(2019.03.06)
본 발명은 보다 현실적인 적용을 위해 불완전하게 수리되는 필드의 정비특성을 고려하여 시간에 따른 열화 데이터를 기반으로 수리 가능한 시스템의 잔여수명을 추정하는 체계적인 프로세스인 수리 가능한 시스템의 열화 분석 장치 및 방법을 제공함을 그 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 일 양상에 따르면, 수리 가능한 시스템의 열화 분석 장치가 수리 가능한 시스템(Repairable System)으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역(Time Domain) 필드 데이터들의 불특정하고 불규칙적인 변동을 줄이는 전처리부와; 전처리부에 의해 불특정하고 불규칙적인 변동이 줄어든 시간 영역 필드 데이터들을 잔여 수명 영역(Remain Lifetime Domain) 데이터들로 변수 변환하고, 변수 변환된 잔여 수명 영역 데이터들을 열화 패턴별로 군집화(Clustering)하는 데이터 처리부와; 데이터 처리부에 의해 열화 패턴별로 군집화된 잔여 수명 영역 데이터들을 사용해 열화 패턴별 훈련 모델을 모델링(Modeling)하고, 모델링된 열화 패턴별 훈련 모델을 학습(Learning)하는 모델 학습부를 포함한다.
본 발명의 부가적인 양상에 따르면, 전처리부가 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 평활(Smoothing)하여 불특정하고 불규칙적인 변동을 부드럽게 조정하는 평활부와; 평활부에 의해 부드럽게 조정된 시간 영역 필드 데이터들간의 비율(Scale)을 작게 조정하는 로그화부를 포함한다.
본 발명의 부가적인 양상에 따르면, 데이터 처리부가 모든 시간 영역 필드 데이터들이 동일 기준점을 가지도록 하기 위해, 시간 영역 필드 데이터들 중 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 시간 영역 필드 데이터들을 수평 방향으로 평행이동시켜, 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 모든 시간 영역 필드 데이터들을 정렬하는 데이터 평행 이동부와; 데이터 평행 이동부에 의해 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 정렬된 시간 영역 필드 데이터들의 수평 방향 시간 변수들을 역정렬시키는 시간 변수 역정렬부와; 시간 변수 역정렬부에 의해 수평 방향 시간 변수들이 역정렬된 시간 영역 필드 데이터들을 수직 방향으로 반전시켜 시간 영역 필드 데이터들을 잔여 수명 영역 데이터들로 변환하는 데이터 영역 변환부를 포함한다.
본 발명의 부가적인 양상에 따르면, 데이터 처리부가 데이터 영역 변환부에 의해 변환된 잔여 수명 영역 데이터들을 열화 패턴별로 분류하여 군집화하는 데이터 군집화부를 더 포함한다.
본 발명의 부가적인 양상에 따르면, 모델 학습부가 모델링된 열화 패턴별 훈련 모델을 검증하는 것을 더 포함한다.
본 발명의 부가적인 양상에 따르면, 수리 가능한 시스템의 열화 분석 장치가 모델 학습부에 의해 모델링 및 학습되는 열화 패턴별 훈련 모델을 저장하는 모델 DB를 더 포함한다.
본 발명의 부가적인 양상에 따르면, 수리 가능한 시스템의 열화 분석 장치가 열화 분석 대상 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 변수 변환한 잔여 수명 영역 데이터들에 적합한 훈련 모델을 모델 DB로부터 선정하고, 선정된 훈련 모델을 이용해 열화 분석 대상 수리 가능한 시스템에 대한 잔여 수명을 추정하는 열화 분석부를 더 포함한다.
본 발명의 또 다른 양상에 따르면, 수리 가능한 시스템의 열화 분석 방법이 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역(Time Domain) 필드 데이터들의 불특정하고 불규칙적인 변동을 줄이는 전처리단계와; 전처리단계에 의해 불특정하고 불규칙적인 변동이 줄어든 시간 영역 필드 데이터들을 잔여 수명 영역(Remain Lifetime Domain) 데이터들로 변수 변환하고, 변수 변환된 잔여 수명 영역 데이터들을 열화 패턴별로 군집화(Clustering)하는 데이터 처리단계와; 데이터 처리단계에 의해 열화 패턴별로 군집화된 잔여 수명 영역 데이터들을 사용해 열화 패턴별 훈련 모델을 모델링(Modeling)하고, 모델링된 열화 패턴별 훈련 모델을 학습(Learning)하는 모델 학습단계를 포함한다.
본 발명의 부가적인 양상에 따르면, 전처리단계가 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 평활(Smoothing)하여 불특정하고 불규칙적인 변동을 부드럽게 조정하는 평활단계와; 평활단계에 의해 부드럽게 조정된 시간 영역 필드 데이터들간의 비율(Scale)을 작게 조정하는 로그화단계를 포함한다.
본 발명의 부가적인 양상에 따르면, 데이터 처리단계가 모든 시간 영역 필드 데이터들이 동일 기준점을 가지도록 하기 위해, 시간 영역 필드 데이터들 중 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 시간 영역 필드 데이터들을 수평 방향으로 평행이동시켜, 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 모든 시간 영역 필드 데이터들을 정렬하는 데이터 평행 이동단계와; 데이터 평행 이동단계에 의해 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 정렬된 시간 영역 필드 데이터들의 수평 방향 시간 변수들을 역정렬시키는 시간 변수 역정렬단계와; 시간 변수 역정렬단계에 의해 수평 방향 시간 변수들이 역정렬된 시간 영역 필드 데이터들을 수직 방향으로 반전시켜 시간 영역 필드 데이터들을 잔여 수명 영역 데이터들로 변환하는 데이터 영역 변환단계를 포함한다.
본 발명의 부가적인 양상에 따르면, 데이터 처리단계가 데이터 영역 변환단계에 의해 변환된 잔여 수명 영역 데이터들을 열화 패턴별로 분류하여 군집화하는 데이터 군집화단계를 더 포함한다.
본 발명의 부가적인 양상에 따르면, 모델 학습단계에서 모델링된 열화 패턴별 훈련 모델을 검증한다.
본 발명의 부가적인 양상에 따르면, 수리 가능한 시스템의 열화 분석 방법이 모델 학습단계에 의해 모델링 및 학습되는 열화 패턴별 훈련 모델을 모델 DB에 저장하는 모델 저장단계를 더 포함한다.
본 발명의 부가적인 양상에 따르면, 수리 가능한 시스템의 열화 분석 방법이 열화 분석 대상 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 변수 변환한 잔여 수명 영역 데이터들에 적합한 훈련 모델을 모델 DB로부터 선정하고, 선정된 훈련 모델을 이용해 열화 분석 대상 수리 가능한 시스템에 대한 잔여 수명을 추정하는 열화 분석단계를 더 포함한다.
본 발명은 보다 현실적인 적용을 위해 불완전하게 수리되는 필드의 정비특성을 고려하여 시간에 따른 열화데이터를 기반으로 수리 가능한 시스템의 잔여수명을 추정하여 고장 예지할 수 있으므로, 필드 특성에 적응적인 예방정비 정책을 수립하여 다양한 산업에서의 운용손실 최소화는 물론, 제조 효율화와 제품의 품질향상에 기여할 수 있는 효과가 있다.
특히, 본 발명은 도메인(Domain)에 대한 심도있는 이해가 없는 상태에서 데이터중심접근법을 활용해 손쉽게 고장 예지 방법론을 적용할 수 있으므로, 유지보수 측면에서 매우 효율적인 비용감축 효과가 있다.
도 1 은 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치의 일 실시예의 구성을 도시한 블럭도이다.
도 2 는 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치의 전처리부의 일 실시예의 구성을 도시한 블럭도이다.
도 3 은 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치의 데이터 처리부의 일 실시예의 구성을 도시한 블럭도이다.
도 4 는 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치의 변수 변환을 예시한 도면이다.
도 5 는 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치의 군집화를 예시한 도면이다.
도 6 은 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치의 잔여 수명 추정에 이용되는 데이터 셋을 예시한 도면이다.
도 7 은 본 발명에 따른 수리 가능한 시스템의 열화 분석 방법의 일 실시예의 구성을 도시한 흐름도이다.
이하, 첨부된 도면을 참조하여 기술되는 바람직한 실시예를 통하여 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 상세히 기술하기로 한다. 특정 실시예들이 도면에 예시되고 관련된 상세한 설명이 기재되어 있으나, 이는 본 발명의 다양한 실시예들을 특정한 형태로 한정하려는 것은 아니다.
본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해될 수 있어야 할 것이다.
도 1 은 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치의 일 실시예의 구성을 도시한 블럭도이다. 도 1 에 도시한 바와 같이 이 실시예에 따른 수리 가능한 시스템의 열화 분석 장치(100)는 전처리부(110)와, 데이터 처리부(120)와, 모델 학습부(130)를 포함한다.
전처리부(110)는 수리 가능한 시스템(Repairable System)으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역(Time Domain) 필드 데이터들의 불특정하고 불규칙적인 변동을 줄인다. 여기서, 수리 가능한 시스템은 전체 모듈 중 결함 부분만 선택적으로 수리할 수 있는 산업 시스템 및 설비를 말한다.
필드 데이터들의 불특정하고 불규칙적인 변동을 줄이는 이유는 실제 현장의 수리 가능한 시스템으로부터 실시간 또는 비실시간 수집되는 필드 데이터들에는 불특정하고 불규칙적인 노이즈(Noise)가 포함되어 있을 가능성이 매우 크기 때문에 훈련 모델 수립과 수명 예측에 있어 오차가 크게 발생하므로, 이러한 노이즈를 필터링하여 최소화하여 의미있는 결과를 산출하기 위함이다.
도 2 는 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치의 전처리부의 일 실시예의 구성을 도시한 블럭도이다. 도 2 에 도시한 바와 같이, 전처리부(110)는 평활부(111)와, 로그화부(112)를 포함한다.
평활부(111)는 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 평활(Smoothing)하여 불특정하고 불규칙적인 변동을 부드럽게 조정한다.
예컨대, 평활부(111)가 수리 가능한 시스템의 시간에 따른 열화 데이터들인 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들 각각을 최소 3개 시점마다 단순 평균내어 불특정한 변동을 부드럽게 조정하도록 구현될 수 있다. 시간 영역 필드 데이터들의 평활화를 통해 랜덤 특성을 가진 변동들이 제거됨으로써 데이터 복잡성을 줄일 수 있으므로, 신뢰성 있는 훈련 모델 정의가 가능해진다.
로그화부(112)는 평활부(111)에 의해 부드럽게 조정된 시간 영역 필드 데이터들간의 비율(Scale)을 작게 조정한다. 로그화부(112)는 평활화된 시간 영역 필드 데이터들에 대한 로그(Log) 연산을 통해 시간 영역 필드 데이터들간의 비율을 줄임으로써 오차가 작은 실용적인 훈련 모델 수립이 가능하도록 한다.
실제 현장의 수리 가능한 시스템으로부터 수집되는 불특정하고 불규칙적인 노이즈(Noise)가 포함된 필드 데이터들을 평활부(111)와 로그화부(112)를 통해 평활하고 로그화함으로써 신뢰성 있고 오차가 적은 훈련 모델 정의 및 수립이 가능해진다. 이 때, 평활화와 로그화 이외에도 필요에 따라 추가적인 필터링 기법이 사용될 수도 있다.
데이터 처리부(120)는 전처리부(110)에 의해 불특정하고 불규칙적인 변동이 줄어든 시간 영역 필드 데이터들을 잔여 수명 영역(Remain Lifetime Domain) 데이터들로 변수 변환하고, 변수 변환된 잔여 수명 영역 데이터들을 열화 패턴별로 군집화(Clustering)한다.
데이터 처리부(120)는 시간에 따른 열화 데이터들인 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 동일한 기준점을 기반으로 재정렬하기 위한 데이터 처리를 수행한다. 시간에 따른 열화 데이터들인 시간 영역 필드 데이터들은 정비된 이후인 시점 0부터 재정비 수준까지의 시점을 한 데이터 셋 구간으로 보며, 재정비 수준에 다다른 열화시점을 고장 시점으로 가정하여 분석에 사용된다.
시간에 따른 열화 데이터들인 시간 영역 필드 데이터들은 다음과 같은 3단계의 변수 변환을 거쳐 정비 후 초과된 시간이 아닌 잔여수명에 따른 열화량을 나타내는 잔여 수명 영역(Remain Lifetime Domain) 데이터들로 변환되고, 열화 패턴별로 군집화된다.
도 3 은 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치의 데이터 처리부의 일 실시예의 구성을 도시한 블럭도이다. 도 3 에 도시한 바와 같이, 데이터 처리부(120)는 데이터 평행 이동부(121)와, 시간 변수 역정렬부(122)와, 데이터 영역 변환부(123)를 포함한다.
데이터 평행 이동부(121)는 모든 시간 영역 필드 데이터들이 동일 기준점을 가지도록 하기 위해, 시간 영역 필드 데이터들 중 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 시간 영역 필드 데이터들을 수평 방향으로 평행이동시켜, 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 모든 시간 영역 필드 데이터들을 정렬한다.
예를 들어, 시간의 흐름에 따라 열화특성치가 상승하는 수리 가능한 부품 A 가 있을 때, 일자에 따른 정비이력 데이터는 다음 <표 1>과 같다고 하자. 완전수리(부품교체)를 수행한 경우, 열화특성치는 0이 되고, 특성치가 임계값인 100에 도달하면 심각한 고장을 유발한다고 하자. <표 1> 과 같이 확보된 데이터 셋은 총 4개로 수명은 각각 4, 7, 10, 12일이며, 수리된 후 열화특성치가 각기 다른 완전 수리되지 않은 형태를 보인다고 하자.
Figure 112019094752663-pat00001
변수 변환 전 그래프는 정비 후 초기 열화특성치 값이 일정하지 않아 동일 기준하에 단일 모델링이 어렵다는 것을 알 수 있다. 따라서, 데이터 처리부(120)를 통해 3단계의 변수 변환을 수행하여 동일 기준점을 갖고 단일 모델링을 가능하도록 한다.
먼저, 데이터 평행 이동부(121)가 가장 긴 잔여 수명(Max(lifetime) = α)을 가진 시간 영역 필드 데이터와 다른 시간 영역 필드 데이터들의 잔여 수명 차이에 따른 평행 이동을 수행한다. 이 때, <표 1>에서의 가장 긴 잔여 수명은 12일이다.
도 4 는 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치의 변수 변환을 예시한 도면이다. 도 4 의 상부는 데이터 평행 이동부(121)에 의해 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 모든 시간 영역 필드 데이터들이 정렬된 전/후를 예시하고 있다.
도 4 의 상부 좌측에 예시된 정렬되지 않은 시간 영역 필드 데이터들이 데이터 평행 이동부(121)에 의해 데이터 평행 이동되어 상부 우측에 예시된 바와 같이 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점을 기준으로 정렬되어 있음을 볼 수 있다.
시간 변수 역정렬부(122)는 데이터 평행 이동부(121)에 의해 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 정렬된 시간 영역 필드 데이터들의 수평 방향 시간 변수들을 역정렬시킨다.
도 4 의 중앙부는 시간 변수 역정렬부(122)에 의해 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 정렬된 시간 영역 필드 데이터들의 수평 방향 시간 변수들이 역정렬된 전/후를 예시하고 있다.
도 4 의 중앙부 하단 좌측 x축 변수들이 우측과 같이 역정렬되어 고장 시점이 0이 되고, 이 고장 시점을 기준으로 시간 영역 필드 데이터들의 수평 방향 시간 변수들이 역정렬되었음을 볼 수 있다.
데이터 영역 변환부(123)는 시간 변수 역정렬부(122)에 의해 수평 방향 시간 변수들이 역정렬된 시간 영역 필드 데이터들을 수직 방향으로 반전시켜 시간 영역 필드 데이터들을 잔여 수명 영역 데이터들로 변환한다.
도 4 의 하부는 데이터 영역 변환부(123)에 의해 수평 방향 시간 변수들이 역정렬된 시간 영역 필드 데이터들이 수직 방향으로 반전되기 전/후를 예시하고 있다.
도 4 의 하부 좌측의 수평 방향 시간 변수들이 역정렬된 시간 영역 필드 데이터들이 우측과 같이 수직방향으로 반전되어 잔여 수명 영역 데이터들로 변환되었음을 볼 수 있다.
변수 변환이 완료되면, 알려지지 않은 고장의 원인별로 열화의 특성을 구분하기 위해 열화패턴을 군집화한다. 이를 위해 데이터 처리부(120)가 데이터 군집화부(124)를 더 포함할 수 있다. 데이터 군집화부(124)는 데이터 영역 변환부(123)에 의해 변환된 잔여 수명 영역 데이터들을 열화 패턴별로 분류하여 군집화한다.
<표 1>에 도시한 바와 같이, 데이터 셋의 잔여수명은 각기 다르며, 데이터 셋의 수명이 짧을수록 다른 데이터 셋과의 수명 길이 차이에 따라 다수의 시점에서 결측값(mising value)을 가진다. 따라서, 비계층적 군집 분석에서 가장 일반적이지만 결측값을 허용하지 않는 k-means 방법론은 잔여 수명 영역 데이터들의 군집화에 사용하기 부적절하다.
데이터 군집화부(124)는 결측값을 허용하는 PAM(Partitioning Around Medoids) 방법론과 Fuzzy 방법론 등을 이용해 잔여 수명 영역 데이터들을 열화 패턴별로 분류하여 군집화하도록 구현될 수 있으나, 이에 한정되지는 않는다.
변수 변환 후의 데이터는 동일한 시점인 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점을 기준으로 재정렬된 상태이나, 열화 패턴에 따라 시점별로 오차가 다양하고 그 크기가 작지 않아 단일 모델링에 따른 예측성능을 기대하기 어렵다.
군집분석은 이러한 문제점을 해결하기 위해 열화 패턴을 분석하기 위한 용도로 사용된다. 데이터 군집화부(124)에 의한 군집화를 통해 잔여 수명 영역 데이터들의 열화패턴을 구분 짓고, 패턴에 따라 학습 모델을 수립하면 필드의 다양한 현상을 반영한 최적의 모델링이 가능하다.
실질적인 군집화에 앞서, 적정한 군집수의 결정은 상당히 어렵고 중요한 문제다. 예컨대, 데이터 군집화부(124)가 보다 다양한 지표값을 취합하여 사용하고자, 오픈소스 R(R Package 'NbClust')에서 제공하고 있는 최적의 군집수를 결정하는데 사용하는 다양한 지표 26가지의 모든 값을 취합하고 군집의 수 k를 결정하도록 구현될 수 있다.
모델 학습부(130)는 데이터 처리부(120)에 의해 열화 패턴별로 군집화된 잔여 수명 영역 데이터들을 사용해 열화 패턴별 훈련 모델을 모델링(Modeling)하고, 모델링된 열화 패턴별 훈련 모델을 학습(Learning)한다. 이 때, 모델 학습부(130)가 모델링된 열화 패턴별 훈련 모델을 검증하는 것을 더 포함할 수 있다.
모델 학습부(130)는 열화 패턴별 즉, 군집별로 k개의 훈련 모델을 학습하고 이를 기반으로 새로운 데이터 셋을 활용해 모델링의 성능을 검증 및 평가한다. 훈련 모델의 모델링은 결정된 군집 수를 기반으로 정비 이력 데이터를 학습한다.
예컨대, 모델 학습부(130)가 ANN(Artificial Neural Network), LR(Linear Regression), RF(Random Forests), SVM(Support Vector Machine) 등의 머신러닝에 근간한 모델 학습 방법론을 이용해 열화 패턴별 훈련 모델을 모델링하도록 구현될 수 있으나, 이에 한정되지는 않는다.
예컨대, 모델 학습부(130)가 훈련 모델 검증을 위한 샘플 데이터 셋을 이용해 열화 패턴을 추정하고, 추정된 열화 패턴의 훈련 모델을 이용해 잔여 수명을 추정함으로써 훈련 모델 성능을 검증하도록 구현될 수 있다.
이와 같이 구현함에 의해 본 발명은 보다 현실적인 적용을 위해 불완전하게 수리되는 필드의 정비특성을 고려하여 시간에 따른 열화데이터를 기반으로 수리 가능한 시스템의 잔여수명을 추정하여 고장 예지하기 위한 훈련 모델을 모델링하고 학습할 수 있다.
한편, 발명의 부가적인 양상에 따르면, 수리 가능한 시스템의 열화 분석 장치(100)가 모델 DB(140)를 더 포함할 수 있다. 모델 DB(140)는 모델 학습부(130)에 의해 모델링 및 학습되는 열화 패턴별 훈련 모델을 저장한다.
한편, 발명의 부가적인 양상에 따르면, 수리 가능한 시스템의 열화 분석 장치(100)가 열화 분석부(150)를 더 포함할 수 있다. 열화 분석부(150)는 열화 분석 대상 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 변수 변환한 잔여 수명 영역 데이터들에 적합한 훈련 모델을 모델 DB(140)로부터 선정하고, 선정된 훈련 모델을 이용해 열화 분석 대상 수리 가능한 시스템에 대한 잔여 수명을 추정한다.
훈련 모델이 모델링 및 학습되어 모델 DB(140)에 저장된 상태에서, 열화 분석 대상 수리 가능한 시스템으로부터 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터가 새로이 수집되면, 전처리부(110)에 의해 불특정한 성능 개선 특성을 가지는 시간 영역(Time Domain) 필드 데이터의 불특정하고 불규칙적인 변동이 줄어든다.
그리고, 데이터 처리부(120)에 의해 불특정하고 불규칙적인 변동이 줄어든 시간 영역 필드 데이터가 잔여 수명 영역(Remain Lifetime Domain) 데이터로 변수 변환되고, 군집 분석을 통해 변수 변환된 잔여 수명 영역 데이터의 열화 패턴 즉, 군집이 분류된다.
그러면, 열화 분석부(150)가 분류된 열화 패턴에 대응하는 훈련 모델을 모델 DB(140)로부터 선정하고, 선정된 훈련 모델을 이용해 열화 분석 대상 수리 가능한 시스템의 잔여 수명을 추정한다.
이 때, 열화 분석 대상 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터 각각의 시점에서 k개의 훈련 모델로부터 잔여수명의 추정값을 도출한다.
열화 분석 대상 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터 셋에 100% 적합을 보이는 훈련 모델이 존재할 때, 순차적인 m개 시점의 시간 영역 필드 데이터(열화 데이터)로부터 도출된 잔여수명은 순서성을 가지며 연속적인 정수로 도출될 것이다.
즉, 추정된 잔여 수명은 공차가 1인 등차수열을 이룬다고 할 수 있다. 본 가정은 현재시점 x에서의 잔여 수명이 식 (1)과 동일함을 의미한다. 이러한 이론 및 가정을 기반으로, 입력된 데이터에 적합한 군집은 k개의 학습 모델 중 식 (1)에 대해 최소 분산을 가지는 i번째 군집으로 최종 결정되며, 식 (2)와 같이 표현된다.
이어, 식 3과 같이 최종 선정된 군집의 훈련 모델은 현재 시점의 잔여 수명을 계산하는데 활용되며, 최소한 현재로부터 최근 3개 시점에서 잔여 수명 값을 추정하고 단순 평균을 낸다.
Figure 112019094752663-pat00002
각 머신러닝 방법론에 따른 분석 결과는 실제 참값과 비교함으로써 모델의 적합성을 평가하며, 예컨대, 일반적으로 모델의 성능을 측정할 때 사용하는 RMSE(Root Mean Square Error)와 PHM challenge에서 사용하는 채점 방식인 PHM score를 사용할 수 있다. n개의 표본에 대한 모델의 오차
Figure 112019094752663-pat00003
는 다음 식 (4)를 통해 RMSE 값을 계산할 수 있다.
Figure 112019094752663-pat00004
PHM score는 예방정비 관점에 맞춰 예측값을 평가하는 척도이다. 예를 들어, 실제값과 추정값 사이의 오차 크기가 같더라도 예방정비 시점을 늦게 추정하는 것이 일찍 추정하는 것보다 점수가 더 낮게 산출된다. 먼저, PHM score 산출을 위해 추정된 잔여수명결과를 기반으로 식 (5)와 같이 예측 오류의 백분율(percent errors of predictions,
Figure 112019094752663-pat00005
)을 산출하고, 식 (6)에 따라 산출된 모든 점수(
Figure 112019094752663-pat00006
)의 평균으로 PHM score가 정의되며 식 (7)과 같다.
Figure 112019094752663-pat00007
본 발명은 이렇게 모델링되어 학습된 훈련 모델을 이용해 수리 가능한 시스템의 잔여수명을 추정하여 고장 예지할 수 있으므로, 필드 특성에 적응적인 예방정비 정책을 수립하여 다양한 산업에서의 운용손실 최소화는 물론, 제조 효율화와 제품의 품질향상에 기여할 수 있다.
특히, 본 발명은 도메인(Domain)에 대한 심도있는 이해가 없는 상태에서 데이터중심접근법을 활용해 손쉽게 고장 예지 방법론을 적용할 수 있으므로, 유지보수 측면에서 매우 효율적인 비용감축 효과가 있다.
다음은 해수담수화 플랜트 가동 정지 원인 중 하나인 역삼투(Reverse Osmosis, RO) 시스템의 멤브레인을 대상으로 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치를 이용해 실증 실험한 것을 설명한다.
멤브레인은 액체 또는 기체의 특정성분을 선별적으로 통과시켜 혼합물을 분리할 수 있는 액체막 또는 고체막을 의미하며, 해수담수화에서 필터링 역할을 수행한다.
해수담수화 플랜트가 운용에 따라 가동되면, 불특정한 성능 개선 특성(열화특성치)을 가지는 멤브레인을 포함한 역삼투(RO) 시스템의 내부 차압(Differential Pressure, DP)은 점차 높아진다.
이 때, 차압의 허용 한계치에서 적절한 유지보수가 제때 이루어지지 않을 경우, 내부 차압은 허용 기준을 넘어 플랜트 가동 중단 등의 심각한 문제를 유발한다.
이러한 문제에 직면하지 않기 위해, 현업에서는 내부 차압(DP)이 일정 기준을 넘기기 전에 상태를 진단하고 적절한 유지보수를 수행하고자 관리를 위한 노력을 기울인다.
역삼투(RO) 시스템의 멤브레인에서 센서를 통해 실시간으로 차압이 측정되며, 일자에 따라 수집된 차압을 포함한 정비이력데이터를 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치 입력으로 활용한다. 차압은 2.54를 초과시 고장으로 간주하고 정비되었으며, 수집된 데이터 셋(불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터 셋)의 형태는 <표 2>와 같다.
Figure 112019094752663-pat00008
먼저, 수집된 데이터 셋은 3개의 시점을 단순 평균 내어 평활화를 수행하고 로그를 취함으로써 오차로부터의 안정성을 확보했다. 결과적으로, 평활화를 통해 데이터 사이를 잇는 곡선이 부드러워졌음은 물론 변수의 비율이 작아지고 오차 폭 또한 축소됐다.
이후 노이즈 필터링된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터(열화 데이터)를 변수변환을 거쳐 일자가 아닌 수리가 필요한 고장 시점을 기준으로 재정렬하여 잔여 수명 영역(Remain Lifetime Domain) 데이터로 변환하고, 도 5 에 도시한 바와 같이 3개의 열화 패턴으로 군집화했다. 도 5 는 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치의 군집화를 예시한 도면이다.
군집 분석 결과에 따라 데이터는 군집 A, B, C 세 가지로 그룹화 되었다. 각 군집의 관측값들은 머신러닝 방법론을 활용하여 차압에 따른 잔여수명 정보를 학습하고, 군집의 열화 특성을 반영한 훈련 모델을 수립했다.
차압 정보에 따른 잔여수명을 추정하여 모델의 성능을 파악하기 위해, 수집된 데이터 셋 중 잔여 수명이 매우 짧은 셋들을 제외한 나머지를 대상으로 시험이 실시됐다.
각 데이터 셋은 초기 3개 또는 10개의 시점 열화 데이터를 사용하여 세 가지의 군집 중 속성이 유사한 군집을 추정하고 해당 군집의 모델을 기반으로 최근 3개의 시점 데이터를 활용해 현재시점의 잔여수명을 추정한다.
그러나, 수리 수준 임계값까지의 수명이 10 이하인 데이터 셋은 상당비율을 차지하여 현재시점의 잔여수명을 추정하는데 최소로 필요한 시점만을 사용하였으며 세부사항은 다음과 같다.
수명≤10 : 초기 3개 시점의 열화데이터 사용
수명>10 : 초기 10개 시점의 열화데이터 사용
수명의 길이가 다른 데이터 셋의 군집 및 잔여수명 추정 과정은 도 6 을 통해 설명한다. 도 6 은 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치의 잔여 수명 추정에 이용되는 데이터 셋을 예시한 도면이다.
수명이 10 초과이고 현재 잔여 수명이 8인 데이터 셋은 초기 계획과 동일하게 10개의 데이터를 입력하여 시점의 차압에 따라 잔여 수명을 추정한다. 적합한 군집의 모델로 잔여수명을 추정한다면 그 추정값이 공차가 1인 등차수열을 보일 것이라는 가정에 입각하여 3개의 모델로부터 산출된 시점별 잔여 수명을 통해 해당하는 군집을 선정한다.
이어, 선정된 군집의 훈련 모델로 추정한 최근 3개 시점의 잔여 수명 값을 활용하여 현재 시점에서의 잔여수명을 최종 산출한다. 수명이 10 이하고 현재 수명이 8인 데이터 셋은 초기 3개 시점의 차압 데이터를 입력하고 군집 및 잔여수명 추정은 수명이 10 초과일 때와 동일하다.
실험 결과, 기본모형과, 수리 가능한 시스템의 열화 분석 장치를 활용하여 실질적인 데이터 수집 환경을 반영하여 자료를 고장 시점 기준으로 재정렬시키고 열화 패턴의 군집에 따라 잔여수명을 추정하는 '확장모형'을 각각 방법론들에 적용해 그 추정값에 대한 RMSE와 PHM score를 산출했다.
RMSE는 그 값이 작을수록 모델의 높은 예측성을 나타내며, 반대로 PHM score는 높을수록 모델의 우수성을 나타낸다. 다음 <표 3>에서 두 지표에 따르면 모델의 성능은 전반적으로 확장모형에서 예측력이 더 뛰어나다. 방법론별로는 RMSE 지표 관점에서 LR 방법론이, PHM score 관점에서 ANN의 성능이 우수하였다.
Figure 112019094752663-pat00009
이상에서 설명한 바와 같은 본 발명에 따른 수리 가능한 시스템의 열화 분석 장치의 열화 분석 과정을 도 7 을 통해 알아본다. 도 7 은 본 발명에 따른 수리 가능한 시스템의 열화 분석 방법의 일 실시예의 구성을 도시한 흐름도이다.
먼저, 전처리단계(710)에서 수리 가능한 시스템의 열화 분석 장치가 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역(Time Domain) 필드 데이터들의 불특정하고 불규칙적인 변동을 줄인다.
필드 데이터들의 불특정하고 불규칙적인 변동을 줄이는 이유는 실제 현장의 수리 가능한 시스템으로부터 실시간 또는 비실시간 수집되는 필드 데이터들에는 불특정하고 불규칙적인 노이즈(Noise)가 포함되어 있을 가능성이 매우 크기 때문에 훈련 모델 수립과 수명 예측에 있어 오차가 크게 발생하므로, 이러한 노이즈를 필터링하여 최소화하여 의미있는 결과를 산출하기 위함이다.
이 때, 전처리단계(710)가 평활단계(711)와, 로그화단계(712)를 포함할 수 있다. 평활단계(711)에서 수리 가능한 시스템의 열화 분석 장치가 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 평활(Smoothing)하여 불특정하고 불규칙적인 변동을 부드럽게 조정한다.
예컨대, 평활단계(711)에서 수리 가능한 시스템의 열화 분석 장치가 수리 가능한 시스템의 시간에 따른 열화 데이터들인 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들 각각을 최소 3개 시점마다 단순 평균내어 불특정한 변동을 부드럽게 조정하도록 구현될 수 있다. 시간 영역 필드 데이터들의 평활화를 통해 랜덤 특성을 가진 변동들이 제거됨으로써 데이터 복잡성을 줄일 수 있으므로, 신뢰성 있는 훈련 모델 정의가 가능해진다.
그 다음, 로그화단계(712)에서 수리 가능한 시스템의 열화 분석 장치가 평활단계(711)에 의해 부드럽게 조정된 시간 영역 필드 데이터들간의 비율(Scale)을 작게 조정한다. 로그화단계(712)에서는 평활화된 시간 영역 필드 데이터들에 대한 로그(Log) 연산을 통해 시간 영역 필드 데이터들간의 비율을 줄임으로써 오차가 작은 실용적인 훈련 모델을 수립이 가능하도록 한다.
수리 가능한 시스템의 열화 분석 장치는 실제 현장의 수리 가능한 시스템으로부터 수집되는 불특정하고 불규칙적인 노이즈(Noise)가 포함된 필드 데이터들을 평활단계(711)와 로그화단계(712)를 통해 평활하고 로그화함으로써 신뢰성 있고 오차가 적은 훈련 모델 정의 및 수립이 가능해진다. 이 때, 평활화와 로그화 이외에도 필요에 따라 추가적인 필터링 기법이 사용될 수도 있다.
그 다음, 데이터 처리단계(720)에서 수리 가능한 시스템의 열화 분석 장치가 전처리단계(710)에 의해 불특정하고 불규칙적인 변동이 줄어든 시간 영역 필드 데이터들을 잔여 수명 영역(Remain Lifetime Domain) 데이터들로 변수 변환하고, 변수 변환된 잔여 수명 영역 데이터들을 열화 패턴별로 군집화(Clustering)한다.
수리 가능한 시스템의 열화 분석 장치는 데이터 처리단계(720)를 통해 시간에 따른 열화 데이터들인 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 동일한 기준점을 기반으로 재정렬하기 위한 데이터 처리를 수행한다. 시간에 따른 열화 데이터들인 시간 영역 필드 데이터들은 정비된 이후인 시점 0부터 재정비 수준까지의 시점을 한 데이터 셋 구간으로 보며, 재정비 수준에 다다른 열화시점을 고장 시점으로 가정하여 분석에 사용된다.
시간에 따른 열화 데이터들인 시간 영역 필드 데이터들은 데이터 처리단계(720)에서 다음과 같은 3단계의 변수 변환을 거쳐 정비 후 초과된 시간이 아닌 잔여수명에 따른 열화량을 나타내는 잔여 수명 영역(Remain Lifetime Domain) 데이터들로 변환되고, 열화 패턴별로 군집화된다.
먼저, 데이터 평행 이동단계(721)에서 수리 가능한 시스템의 열화 분석 장치가 모든 시간 영역 필드 데이터들이 동일 기준점을 가지도록 하기 위해, 시간 영역 필드 데이터들 중 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 시간 영역 필드 데이터들을 수평 방향으로 평행이동시켜, 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 모든 시간 영역 필드 데이터들을 정렬한다. 이와 관련해서는 도 4 를 참조하여 기 설명하였으므로, 중복 설명은 생략한다.
그 다음, 시간 변수 역정렬단계(722)에서 수리 가능한 시스템의 열화 분석 장치가 데이터 평행 이동단계(721)에 의해 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 정렬된 시간 영역 필드 데이터들의 수평 방향 시간 변수들을 역정렬시킨다. 이와 관련해서는 도 4 를 참조하여 기 설명하였으므로, 중복 설명은 생략한다.
그 다음, 데이터 영역 변환단계(723)에서 수리 가능한 시스템의 열화 분석 장치가 시간 변수 역정렬단계(722)에 의해 수평 방향 시간 변수들이 역정렬된 시간 영역 필드 데이터들을 수직 방향으로 반전시켜 시간 영역 필드 데이터들을 잔여 수명 영역 데이터들로 변환한다. 이와 관련해서는 도 4 를 참조하여 기 설명하였으므로, 중복 설명은 생략한다.
변수 변환이 완료되면, 알려지지 않은 고장의 원인별로 열화의 특성을 구분하기 위해 열화패턴을 군집화한다. 이를 위해 데이터 처리단계(720)가 데이터 군집화단계(724)를 더 포함할 수 있다. 데이터 군집화단계(724)에서 수리 가능한 시스템의 열화 분석 장치가 데이터 영역 변환단계(723)에 의해 변환된 잔여 수명 영역 데이터들을 열화 패턴별로 분류하여 군집화한다. 이와 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.
그 다음, 모델 학습단계(730)에서 수리 가능한 시스템의 열화 분석 장치가 데이터 처리단계(720)에 의해 열화 패턴별로 군집화된 잔여 수명 영역 데이터들을 사용해 열화 패턴별 훈련 모델을 모델링(Modeling)하고, 모델링된 열화 패턴별 훈련 모델을 학습(Learning)한다. 이 때, 모델 학습단계(730)에서 모델링된 열화 패턴별 훈련 모델을 검증하는 것을 더 포함할 수 있다.
모델 학습단계(730)에서 수리 가능한 시스템의 열화 분석 장치는 열화 패턴별 즉, 군집별로 k개의 훈련 모델을 학습하고 이를 기반으로 새로운 데이터 셋을 활용해 모델링의 성능을 검증 및 평가한다. 훈련 모델의 모델링은 결정된 군집 수를 기반으로 정비 이력 데이터를 학습한다.
예컨대, 모델 학습단계(730)에서 수리 가능한 시스템의 열화 분석 장치가 ANN(Artificial Neural Network), LR(Linear Regression), RF(Random Forests), SVM(Support Vector Machine) 등의 머신러닝에 근간한 모델 학습 방법론을 이용해 열화 패턴별 훈련 모델을 모델링하도록 구현될 수 있으나, 이에 한정되지는 않는다.
예컨대, 모델 학습단계(730)에서 수리 가능한 시스템의 열화 분석 장치가 훈련 모델 검증을 위한 샘플 데이터 셋을 이용해 열화 패턴을 추정하고, 추정된 열화 패턴의 훈련 모델을 이용해 잔여 수명을 추정함으로써 훈련 모델 성능을 검증하도록 구현될 수 있다.
이와 같이 구현함에 의해 본 발명은 보다 현실적인 적용을 위해 불완전하게 수리되는 필드의 정비특성을 고려하여 시간에 따른 열화데이터를 기반으로 수리 가능한 시스템의 잔여수명을 추정하여 고장 예지하기 위한 훈련 모델을 모델링하고 학습할 수 있다.
한편, 발명의 부가적인 양상에 따르면, 수리 가능한 시스템의 열화 분석 방법이 모델 저장단계(740)를 더 포함할 수 있다. 모델 저장단계(740)에서 수리 가능한 시스템의 열화 분석 장치가 모델 학습단계(730)에 의해 모델링 및 학습되는 열화 패턴별 훈련 모델을 모델 DB에 저장한다.
한편, 발명의 부가적인 양상에 따르면, 수리 가능한 시스템의 열화 분석 방법이 열화 분석단계(750)를 더 포함할 수 있다. 열화 분석단계(750)에서 수리 가능한 시스템의 열화 분석 장치가 열화 분석 대상 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 변수 변환한 잔여 수명 영역 데이터들에 적합한 훈련 모델을 모델 DB로부터 선정하고, 선정된 훈련 모델을 이용해 열화 분석 대상 수리 가능한 시스템에 대한 잔여 수명을 추정한다. 이와 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.
이와 같이 구현함에 의해 본 발명은 보다 현실적인 적용을 위해 불완전하게 수리되는 필드의 정비특성을 고려하여 시간에 따른 열화데이터를 기반으로 수리 가능한 시스템의 잔여수명을 추정하여 고장 예지할 수 있으므로, 필드 특성에 적응적인 예방정비 정책을 수립하여 다양한 산업에서의 운용손실 최소화는 물론, 제조 효율화와 제품의 품질향상에 기여할 수 있는 효과가 있다.
특히, 본 발명은 도메인(Domain)에 대한 심도있는 이해가 없는 상태에서 데이터중심접근법을 활용해 손쉽게 고장 예지 방법론을 적용할 수 있으므로, 유지보수 측면에서 매우 효율적인 비용감축 효과가 있다.
본 명세서 및 도면에 개시된 다양한 실시예들은 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 다양한 실시예들의 범위를 한정하고자 하는 것은 아니다.
따라서, 본 발명의 다양한 실시예들의 범위는 여기에서 설명된 실시예들 이외에도 본 발명의 다양한 실시예들의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 다양한 실시예들의 범위에 포함되는 것으로 해석되어야 한다.
본 발명은 수리 가능한 시스템(Repairable System)의 열화 추정 기술분야 및 이의 응용 기술분야에서 산업상으로 이용 가능하다.
100 : 열화 분석 장치
110 : 전처리부
111 : 평활부
112 : 로그화부
120 : 데이터 처리부
121 : 데이터 평행 이동부
122 : 시간 변수 역정렬부
123 : 데이터 영역 변환부
124 : 데이터 군집화부
130 : 모델 학습부
140 : 모델 DB
150 : 열화 분석부

Claims (14)

  1. 수리 가능한 시스템(Repairable System)으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역(Time Domain) 필드 데이터들의 불특정하고 불규칙적인 변동을 줄이는 전처리부와;
    전처리부에 의해 불특정하고 불규칙적인 변동이 줄어든 시간 영역 필드 데이터들을 잔여 수명 영역(Remain Lifetime Domain) 데이터들로 변수 변환하고, 변수 변환된 잔여 수명 영역 데이터들을 열화 패턴별로 군집화(Clustering)하는 데이터 처리부와;
    데이터 처리부에 의해 열화 패턴별로 군집화된 잔여 수명 영역 데이터들을 사용해 열화 패턴별 훈련 모델을 모델링(Modeling)하고, 모델링된 열화 패턴별 훈련 모델을 학습(Learning)하는 모델 학습부를;
    포함하되,
    데이터 처리부가:
    모든 시간 영역 필드 데이터들이 동일 기준점을 가지도록 하기 위해, 시간 영역 필드 데이터들 중 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 시간 영역 필드 데이터들을 수평 방향으로 평행이동시켜, 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 모든 시간 영역 필드 데이터들을 정렬하는 데이터 평행 이동부와;
    데이터 평행 이동부에 의해 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 정렬된 시간 영역 필드 데이터들의 수평 방향 시간 변수들을 역정렬시키는 시간 변수 역정렬부와;
    시간 변수 역정렬부에 의해 수평 방향 시간 변수들이 역정렬된 시간 영역 필드 데이터들을 수직 방향으로 반전시켜 시간 영역 필드 데이터들을 잔여 수명 영역 데이터들로 변환하는 데이터 영역 변환부를;
    포함하는 수리 가능한 시스템의 열화 분석 장치.
  2. 제 1 항에 있어서,
    전처리부가:
    수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 평활(Smoothing)하여 불특정하고 불규칙적인 변동을 부드럽게 조정하는 평활부와;
    평활부에 의해 부드럽게 조정된 시간 영역 필드 데이터들간의 비율(Scale)을 작게 조정하는 로그화부를;
    포함하는 수리 가능한 시스템의 열화 분석 장치.
  3. 삭제
  4. 제 1 항에 있어서,
    데이터 처리부가:
    데이터 영역 변환부에 의해 변환된 잔여 수명 영역 데이터들을 열화 패턴별로 분류하여 군집화하는 데이터 군집화부를;
    더 포함하는 수리 가능한 시스템의 열화 분석 장치.
  5. 제 1 항에 있어서,
    모델 학습부가:
    모델링된 열화 패턴별 훈련 모델을 검증하는 것을 더 포함하는 수리 가능한 시스템의 열화 분석 장치.
  6. 제 1 항 또는 제 2 항 또는 제 4 항 또는 제 5 항에 있어서,
    수리 가능한 시스템의 열화 분석 장치가:
    모델 학습부에 의해 모델링 및 학습되는 열화 패턴별 훈련 모델을 저장하는 모델 DB를;
    더 포함하는 수리 가능한 시스템의 열화 분석 장치.
  7. 제 6 항에 있어서,
    수리 가능한 시스템의 열화 분석 장치가:
    열화 분석 대상 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 변수 변환한 잔여 수명 영역 데이터들에 적합한 훈련 모델을 모델 DB로부터 선정하고, 선정된 훈련 모델을 이용해 열화 분석 대상 수리 가능한 시스템에 대한 잔여 수명을 추정하는 열화 분석부를;
    더 포함하는 수리 가능한 시스템의 열화 분석 장치.
  8. 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역(Time Domain) 필드 데이터들의 불특정하고 불규칙적인 변동을 줄이는 전처리단계와;
    전처리단계에 의해 불특정하고 불규칙적인 변동이 줄어든 시간 영역 필드 데이터들을 잔여 수명 영역(Remain Lifetime Domain) 데이터들로 변수 변환하고, 변수 변환된 잔여 수명 영역 데이터들을 열화 패턴별로 군집화(Clustering)하는 데이터 처리단계와;
    데이터 처리단계에 의해 열화 패턴별로 군집화된 잔여 수명 영역 데이터들을 사용해 열화 패턴별 훈련 모델을 모델링(Modeling)하고, 모델링된 열화 패턴별 훈련 모델을 학습(Learning)하는 모델 학습단계를;
    포함하되,
    데이터 처리단계가:
    모든 시간 영역 필드 데이터들이 동일 기준점을 가지도록 하기 위해, 시간 영역 필드 데이터들 중 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 시간 영역 필드 데이터들을 수평 방향으로 평행이동시켜, 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 모든 시간 영역 필드 데이터들을 정렬하는 데이터 평행 이동단계와;
    데이터 평행 이동단계에 의해 가장 긴 잔여 수명을 가진 시간 영역 필드 데이터의 고장 시점으로 정렬된 시간 영역 필드 데이터들의 수평 방향 시간 변수들을 역정렬시키는 시간 변수 역정렬단계와;
    시간 변수 역정렬단계에 의해 수평 방향 시간 변수들이 역정렬된 시간 영역 필드 데이터들을 수직 방향으로 반전시켜 시간 영역 필드 데이터들을 잔여 수명 영역 데이터들로 변환하는 데이터 영역 변환단계를;
    포함하는 수리 가능한 시스템의 열화 분석 방법.
  9. 제 8 항에 있어서,
    전처리단계가:
    수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 평활(Smoothing)하여 불특정하고 불규칙적인 변동을 부드럽게 조정하는 평활단계와;
    평활단계에 의해 부드럽게 조정된 시간 영역 필드 데이터들간의 비율(Scale)을 작게 조정하는 로그화단계를;
    포함하는 수리 가능한 시스템의 열화 분석 방법.
  10. 삭제
  11. 제 8 항에 있어서,
    데이터 처리단계가:
    데이터 영역 변환단계에 의해 변환된 잔여 수명 영역 데이터들을 열화 패턴별로 분류하여 군집화하는 데이터 군집화단계를;
    더 포함하는 수리 가능한 시스템의 열화 분석 방법.
  12. 제 8 항에 있어서,
    모델 학습단계에서:
    모델링된 열화 패턴별 훈련 모델을 검증하는 수리 가능한 시스템의 열화 분석 방법.
  13. 제 8 항 또는 제 9 항 또는 제 11 항 또는 제 12 항에 있어서,
    수리 가능한 시스템의 열화 분석 방법이:
    모델 학습단계에 의해 모델링 및 학습되는 열화 패턴별 훈련 모델을 모델 DB에 저장하는 모델 저장단계를;
    더 포함하는 수리 가능한 시스템의 열화 분석 방법.
  14. 제 13 항에 있어서,
    수리 가능한 시스템의 열화 분석 방법이:
    열화 분석 대상 수리 가능한 시스템으로부터 수집된 불특정한 성능 개선 특성을 가지는 시간 영역 필드 데이터들을 변수 변환한 잔여 수명 영역 데이터들에 적합한 훈련 모델을 모델 DB로부터 선정하고, 선정된 훈련 모델을 이용해 열화 분석 대상 수리 가능한 시스템에 대한 잔여 수명을 추정하는 열화 분석단계를;
    더 포함하는 수리 가능한 시스템의 열화 분석 방법.
KR1020190114018A 2019-09-17 2019-09-17 수리 가능한 시스템의 열화 분석 장치 및 방법 KR102092197B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190114018A KR102092197B1 (ko) 2019-09-17 2019-09-17 수리 가능한 시스템의 열화 분석 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190114018A KR102092197B1 (ko) 2019-09-17 2019-09-17 수리 가능한 시스템의 열화 분석 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102092197B1 true KR102092197B1 (ko) 2020-03-23

Family

ID=69998727

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190114018A KR102092197B1 (ko) 2019-09-17 2019-09-17 수리 가능한 시스템의 열화 분석 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102092197B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464569A (zh) * 2020-12-10 2021-03-09 北京明略软件系统有限公司 一种机器学习方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180040452A (ko) * 2016-10-12 2018-04-20 삼성에스디에스 주식회사 설비 노화 지수를 이용한 이상 감지 방법 및 장치
KR101936283B1 (ko) * 2017-12-28 2019-01-08 주식회사 한국가스기술공사 기계적 결함에 대한 진단 및 예측 방법
KR20190021560A (ko) 2017-08-23 2019-03-06 주식회사 에스씨티 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법
KR101984248B1 (ko) * 2018-09-13 2019-05-30 임강민 원자력 발전설비의 기계학습식 예측진단장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180040452A (ko) * 2016-10-12 2018-04-20 삼성에스디에스 주식회사 설비 노화 지수를 이용한 이상 감지 방법 및 장치
KR20190021560A (ko) 2017-08-23 2019-03-06 주식회사 에스씨티 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법
KR101936283B1 (ko) * 2017-12-28 2019-01-08 주식회사 한국가스기술공사 기계적 결함에 대한 진단 및 예측 방법
KR101984248B1 (ko) * 2018-09-13 2019-05-30 임강민 원자력 발전설비의 기계학습식 예측진단장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464569A (zh) * 2020-12-10 2021-03-09 北京明略软件系统有限公司 一种机器学习方法及系统

Similar Documents

Publication Publication Date Title
CN109947086B (zh) 基于对抗学习的机械故障迁移诊断方法及系统
CN109376881B (zh) 基于维修成本优化的复杂系统维修决策方法
US20050273296A1 (en) Neural network model for electric submersible pump system
CN108053052B (zh) 一种油罐车油气泄漏速度智能监测系统
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
CN116204794B (zh) 一种考虑多维数据的变压器油中溶解气体预测方法及系统
CN112082639A (zh) 发动机状态的诊断方法及其诊断建模方法
KR102092197B1 (ko) 수리 가능한 시스템의 열화 분석 장치 및 방법
Wang et al. A remaining useful life prediction model based on hybrid long-short sequences for engines
Berenguer et al. Inspection and maintenance planning: An application of semi-Markov decision processes
CN117113166A (zh) 一种基于改进的集成学习的工业锅炉故障检测方法
Ferreira et al. Genetic assisted selection of RBF model structures for greenhouse inside air temperature prediction
CN114048362A (zh) 基于区块链的电力数据异常检测方法、装置和系统
CN111241629B (zh) 基于数据驱动的飞机液压泵性能变化趋势智能预测方法
Jiang et al. A timeseries supervised learning framework for fault prediction in chiller systems
CN116840764A (zh) 一种电容式电压互感器综合误差状态评估方法及系统
Tirovolas et al. Introducing fuzzy cognitive map for predicting engine’s health status
CN115963420A (zh) 一种电池soh影响因素分析方法
CN111507499A (zh) 预测用模型的构建方法、测试方法、装置及系统
CN116204849A (zh) 一种面向数字孪生应用的数据与模型融合方法
Ling et al. Information gain-based inspection scheduling for fatigued aircraft components
Khoroshev et al. Application of fuzzy logic rules during operation of electrotechnical equipment
CN112613227B (zh) 基于混合机器学习的航空发动机剩余使用寿命预测模型
CN115048987A (zh) 基于流形结构的多源自适应迁移学习的电机振动预测方法
Won et al. Prediction of remaining useful lifetime of membrane using machine learning

Legal Events

Date Code Title Description
GRNT Written decision to grant