KR102163155B1 - 중첩 산점도를 이용한 데이터 변환 방법 및 장치 - Google Patents
중첩 산점도를 이용한 데이터 변환 방법 및 장치 Download PDFInfo
- Publication number
- KR102163155B1 KR102163155B1 KR1020180140238A KR20180140238A KR102163155B1 KR 102163155 B1 KR102163155 B1 KR 102163155B1 KR 1020180140238 A KR1020180140238 A KR 1020180140238A KR 20180140238 A KR20180140238 A KR 20180140238A KR 102163155 B1 KR102163155 B1 KR 102163155B1
- Authority
- KR
- South Korea
- Prior art keywords
- time series
- series data
- image
- data
- signal
- Prior art date
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
- G05B23/0221—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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
중첩 산점도(nested scatter plot)를 이용한 데이터 변환 방법 및 장치가 제공된다. 데이터 변환 장치에 의한 데이터 변환 방법은 서로 독립적이고 이종인 제1 시계열 데이터와 제2 시계열 데이터를 입력받는 단계, 중첩 산점도를 이용하여 상기 제1 시계열 데이터와 상기 제2 시계열 데이터를 각각 제1 이미지와 제2 이미지로 변환하는 단계 및 상기 제1 이미지와 상기 제2 이미지를 동일한 공간 도메인에서 중첩시켜 제3 이미지를 생성하는 단계를 포함할 수 있다.
Description
본 발명은 데이터 변환에 관한 것으로서, 보다 상세하게는 중첩 산점도(nested scatter plot)을 이용하여 다중 시계열 데이터를 이미지로 변환하는 방법 및 장치에 관한 것이다.
제조 장비의 상태 모니터링 시스템은 데이터 기반 방식으로 개발되고 있다. 이런 데이터 기반 방식의 효율성은 설비 정비, 고장 검출, 수명예측 등에서 증명된다. 일반적으로 상태 모니터링 시스템에서 진동, 소음, 온도 등과 같은 시계열 데이터가 데이터 마이닝 및 기계학습을 통해 측정/분석된다. 기계학습에 있어서 계산 복잡도, 비용 등의 문제로 인해 입력 데이터의 적절한 가공이 요구되며, 일반적으로 사전 데이터 처리 방법을 통해 데이터 복잡도를 줄이는 방법이 사용된다.
일 예로, 한국등록특허공보 제10-1796667호 (등록일: 2017년 11월 6일) "빅데이터 환경에서 군집 및 연관규칙에 기반한 데이터 마이닝 기법을 이용한 시계열 자료 분석 시스템 및 방법"에서는 군집 및 연관규칙에 기반한 데이터 마이닝 기법을 이용하여 시계열 자료를 분석함에 있어서 비정형화된 데이터에 대해 전처리하는 것에 대해 기재되어 있다.
그러나 이와 같은 전처리 방법으로는 입력 데이터의 양이 많을수록 데이터 분석에 많은 시간과 비용이 요구된다. 예를 들어 3상 유도전도 전동기에 대한 상태 모니터링에 있어서, 50Hz로 회전하는 전동기의 전류 신호 특성을 파악하기 위해서는 한 위상 신호당 100 샘플/초로 전류신호가 측정이 되어야 하며, 세가지 위상의 신호가 필요한 경우도 존재한다. 또한 비정상 상태를 검출하는데 있어서는 정상 상태 대비 전류 파형의 변화를 구별해 낼 수 있을 만큼의 높은 샘플링 속도가 필요하다. 그러나 3상 전류 신호를 한 위상당 10kHz로 샘플을 추출한다면, 1초당 3만개의 값이 측정된다. 샘플 데이터가 이와 같이 큰 용량의 데이터이면, 딥러닝에 바로 적용하기에는 큰 입력값이 된다. 따라서 데이터를 효과적으로 변환시켜야 할 필요성이 있다.
본 발명의 기술적 과제는 다중 시계열 데이터를 효율적으로 압축할 수 있는 장치 및 방법을 제공함에 있다.
본 발명의 다른 기술적 과제는 고장 진단을 위한 기계 학습의 효율성을 향상시킬 수 있는 장치 및 방법을 제공함에 있다.
본 발명의 또 다른 기술적 과제는 고장 진단 속도 및 정확도를 향상시킬 수 있는 장치 및 방법을 제공함에 있다.
본 발명의 일 양태에 따르면, 데이터 변환 장치에 의한 데이터 변환 방법은 서로 독립적이고 이종인 제1 시계열 데이터와 제2 시계열 데이터를 입력받는 단계, 중첩 산점도(nested scatter plot)를 이용하여 상기 제1 시계열 데이터와 상기 제2 시계열 데이터를 각각 제1 이미지와 제2 이미지로 변환하는 단계 및 상기 제1 이미지와 상기 제2 이미지를 동일한 공간 도메인에서 중첩시켜 제3 이미지를 생성하는 단계를 포함할 수 있다.
일 측면에서, 상기 중첩 산점도는 상기 열지도(heatmap) 및 산점도(scatter plot)가 중첩된 형태로 구성될 수 있다.
다른 측면에서, 상기 변환하는 단계는 상기 제1 시계열 데이터 및 상기 제2 시계열 데이터를 각각 미리 정해진 범위 내의 픽셀값들로 맵핑하는 단계를 포함할 수 있다.
또 다른 측면에서, 상기 맵핑하는 단계는 각 시계열 데이터의 샘플값을 정수의 중첩 클러스터로 맵핑하는 단계를 포함할 수 있다.
또 다른 측면에서, 상기 변환하는 단계는 상기 제1 시계열 데이터 및 상기 제2 시계열 데이터 중 적어도 하나에 대해 스케일링 펙터(scaling factor)를 적용하여 해당 데이터를 정규화하는 단계를 포함할 수 있다.
또 다른 측면에서, 상기 제1 시계열 데이터 및 상기 제2 시계열 데이터 중 적어도 하나는 상호 연관되고 동종인 적어도 2개의 시계열 데이터를 포함할 수 있다.
또 다른 측면에서, 상기 제1 시계열 데이터 및 상기 제2 시계열 데이터는 상기 제1 이미지 및 상기 제2 이미지 상에서 서로 다른 색상으로 표현될 수 있다.
또 다른 측면에서, 상기 제1 시계열 데이터 및 상기 제2 시계열 데이터 중 적어도 하나는 진동신호, 전류신호, 전압신호 중 어느 하나에 대한 데이터일 수 있다.
또 다른 측면에서, 상기 변환하는 단계는 상기 진동신호, 전류신호, 전압신호 중 적어도 하나에 대해 필터링을 수행하여 부대역 신호를 추출하는 단계 및 상기 추출된 부대역 신호 별로 비례축소율을 조정하는 단계를 포함할 수 있다.
또 다른 측면에서, 상기 변환하는 단계에서 상기 제1 시계열 데이터 및 상기 제2 시계열 데이터의 시계열성은 손실될 수 있다.
또 다른 측면에서, 상기 생성하는 단계 이후에 상기 제3 이미지를 적어도 하나의 참조 이미지와 비교하는 단계 및 상기 제3 이미지와 상기 참조 이미지 간의 차이값을 기초로 에러를 검출하는 단계를 더 포함할 수 있다.
본 발명의 다른 양태에 따르면, 데이터 변환 장치는 서로 독립적이고 이종인 제1 시계열 데이터와 제2 시계열 데이터를 입력받도록 구성되는 입력 인터페이스, 중첩 산점도를 이용하여 상기 제1 시계열 데이터와 상기 제2 시계열 데이터를 각각 제1 이미지와 제2 이미지로 변환하고, 상기 제1 이미지와 상기 제2 이미지를 동일한 공간 도메인에서 중첩시켜 제3 이미지를 생성하도록 구성되는 프로세서 및 상기 제3 이미지를 출력하도록 구성되는 출력 인터페이스를 포함할 수 있다.
다중 시계열 데이터가 한정된 길이 안에 맵핑되기 때문에 데이터가 압축(quantization)되는 효과가 있다.
다중 시계열 데이터를 이미지로 변환함으로써 하나의 도메인에서 나타낼 수 있으므로, 기계가 보다 쉽게 학습할 수 있다.
산점도를 기본으로 하기 때문에 3차원 이상으로 출력 가능하며, 서로 다른 시계열 데이터 간의 상관성을 이미지로 쉽게 나타낼 수 있으므로, 고장 진단 속도 및 정확도가 향상되는 효과가 있다.
도 1은 본 발명의 일실시예에 따른 데이터 처리 방법을 나타내는 도면이다.
도 2는 본 발명의 일실시예에서 데이터 값이 재척도화 및 맵핑되는 과정을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에서 2채널 전류 신호에 대한 시계열 데이터가 산점도 이미지로 변환되는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에서 2채널 전류 신호에 대한 시계열 데이터가 중첩 산점도 이미지로 변환되는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일실시예에서 2채널의 전류, 전압 및 전동 신호가 중첩 산점도 이미지로 변환되는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일실시예에서 2채널의 진동 신호로부터 추출된 3개의 부대역 신호를 충전 산점도 이미지로 표현하는 경우를 나타내는 도면이다.
도 7은 본 발명의 일실시예에서 시계열 데이터를 중첩 클러스터로 압축하는 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 일실시예에 따른 중첩 산점도로 유도 전동기의 결함을 검출하는 과정을 설명하기 위한 도면이다.
도 9는 본 발명의 일실시예에 따른 데이터 처리 장치를 나타내는 도면이다.
도 2는 본 발명의 일실시예에서 데이터 값이 재척도화 및 맵핑되는 과정을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에서 2채널 전류 신호에 대한 시계열 데이터가 산점도 이미지로 변환되는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에서 2채널 전류 신호에 대한 시계열 데이터가 중첩 산점도 이미지로 변환되는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일실시예에서 2채널의 전류, 전압 및 전동 신호가 중첩 산점도 이미지로 변환되는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일실시예에서 2채널의 진동 신호로부터 추출된 3개의 부대역 신호를 충전 산점도 이미지로 표현하는 경우를 나타내는 도면이다.
도 7은 본 발명의 일실시예에서 시계열 데이터를 중첩 클러스터로 압축하는 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 일실시예에 따른 중첩 산점도로 유도 전동기의 결함을 검출하는 과정을 설명하기 위한 도면이다.
도 9는 본 발명의 일실시예에 따른 데이터 처리 장치를 나타내는 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "~부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 본 발명의 일실시예에 따른 데이터 처리 방법을 나타내는 도면이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 데이터 처리 방법은 데이터 처리 장치에 의해 수행될 수 있다. 데이터 처리 장치는 시간의 경과에 따라 입력되는 신호(time series signal)를 특정 파일 형태로 저장하여 시계열 데이터를 생성할 수 있다. 여기서 데이터 처리 장치로 입력되는 신호는 아날로그(analog) 신호일 수 있으며, 예를 들어 전류 신호, 전압 신호, 진동 신호 등이 이에 해당할 수 있다.
데이터 처리 장치는 서로 독립적이고 이종인 제1 시계열 데이터와 제2 시계열 데이터가 입력되면(S110), 중첩 산점도(NSP: Nested Scatter Plot)를 이용하여 제1 시계열 데이터와 제2 시계열 데이터를 각각 제1 이미지와 제2 이미지로 변환할 수 있다(S120). 그리고 제1 이미지와 제2 이미지를 동일한 공간 도메인에서 중첩시켜 제3 이미지를 생성할 수 있다(S130). 여기서 상기 제1 시계열 데이터 및 상기 제2 시계열 데이터 중 적어도 하나는 상호 연관되고 동종인 적어도 2개의 시계열 데이터를 포함할 수 있다. 그리고 상기 제1 시계열 데이터 및 상기 제2 시계열 데이터는 상기 제1 이미지 및 상기 제2 이미지 상에서 서로 다른 색상으로 표현될 수 있다. 상기 제1 이미지 내지 제3 이미지는 데이터베이스에 저장되어 추후 고장 검출(fault detection)을 위한 참조 이미지로 활용될 수 있다.
본 발명에 있어서 NSP 이미지는 열지도(heatmap) 및 산점도(scatter plot)가 하나의 도메인에서 중첩된 형태로 구성될 수 있다. 데이터 처리 장치는 시계열 데이터를 NSP 이미지로 변환하기 위하여, 제1 시계열 데이터 및 상기 제2 시계열 데이터를 각각 미리 정해진 범위 내의 픽셀값들로 맵핑할 수 있다. 이 때 데이터처리 장치는 각 시계열 데이터의 샘플값을 정수의 중첩 클러스터로 맵핑함으로써 데이터를 압축할 수 있다. 이 때 샘플 간의 시계열성 및 정밀도의 손실이 발생할 수 있다. 여기서 시계열성 정보는 회복할 수 없지만, 정밀도 손실은 클러스터의 수와 범위를 조정함으로써 최소화할 수 있다.
한편, 데이터 처리 장치는 제1 시계열 데이터 및 제2 시계열 데이터 중 적어도 하나에 대해 스케일링 펙터(scaling factor)를 적용하여 해당 데이터를 정규화할 수 있다. 또는 제1 시계열 데이터 및 제2 시계열 데이터 각각에 서로 다른 스케일링 팩터를 적용하여 이미지 내에서 해당 데이터의 크기를 조절할 수 있다.
또한, 데이터 처리 장치는 시계열 데이터가 진동신호, 전류신호, 전압신호 중 적어도 하나인 경우, 상기 진동신호, 전류신호, 전압신호 중 적어도 하나에 대해 필터링을 수행하여 부대역 신호를 추출하고, 상기 추출된 부대역 신호 별로 비례축소율을 조정하여 NSP 이미지를 생성함으로써 각 대역별 신호의 상관관계를 하나의 이미지 상에서 표현할 수도 있다.
또한, 데이터 처리 장치는 NSP 이미지를 적어도 하나의 참조 이미지와 비교하여 각 이미지 간의 차이값을 기초로 에러를 검출할 수도 있다.
이하, 도 2 내지 도 7을 참조하여 본 발명에 따른 NSP 이미지에 대해 보다 상세히 설명한다.
도 2는 본 발명의 일실시예에서 데이터 값이 재척도화 및 맵핑되는 과정을 설명하기 위한 도면이다.
본 발명에 따른 NSP는 다중채널 시계열 데이터의 신호처리 혹은 데이터 압축을 위해 열지도와 산점도 방식을 응용한 이미징 방법이다. 그러나 본 발명에 따른 NSP는 일반적인 열지도 혹은 산점도 이미지와 달리 다차원으로 확대가 가능하다.
도 2를 참조하면 NSP를 이용한 다중채널 시계열 데이터의 이미징 방법에 있어서, 각 채널의 시계열 데이터는 각각 이미지의 한 축에 맵핑된다. 따라서 2개의 서로 다른 위상을 갖는 전류 신호(2상 전류 신호)는 2차원의 NSP 이미지로 표현될 수 있다. 그러므로, 3상 전류 신호는 3차원의 NSP로 표현될 수 있다.
도 3은 본 발명의 일실시예에서 2채널 전류 신호에 대한 시계열 데이터가 산점도 이미지로 변환되는 과정을 설명하기 위한 도면이다.
도 3은 일 예로 3상 유도 전동기에서 뽑아낼 수 있는 3개의 전류 신호 중 동일한 시점의 서로 다른 2개의 전류 신호(310, 320)를 산점도(330)에 맵핑한 경우를 나타내는 예시도이다. 도 3을 참조하면, 2개의 전류 신호(310, 320) 간의 관계는 산점도(330) 상에서 기울어진 타원형태로 나타나는데, 이는 두 전류 데이터가 서로 동일한 형태이지만 120도의 위상 차이를 가지기 때문이다. 이 방법을 통해 데이터의 크기 및 차원, 그리고 다중 시계열 데이터 간의 상관 관계를 표현할 수 있으며, 이는 기계학습의 입력값으로 사용 가능하다.
도 4는 본 발명의 일실시예에서 2채널 전류 신호에 대한 시계열 데이터가 중첩 산점도 이미지로 변환되는 과정을 설명하기 위한 도면이다.
본 발명에 따르면, 도 4에 도시된 것과 같이, 산점도(410)는 NSP 이미지(420)로 변환될 수 있다. NSP 이미지(420)는 종래의 산점도(410)와 비교할 때 열지도의 형식과 유사한 측면이 있다. NSP 이미지(420)는 밀도를 가지는 점들로 구성된 정방행렬이다. 행과 열은 각 변수의 중첩된 값들인 반면, NSP 이미지의 요소(이미지의 표현에 있어 점 혹은 픽셀)는 중첩 클러스터의 신호값의 누적값이다.
이러한 NSP 이미지(420)는 원 신호 전체 샘플의 상관 관계를 스냅숏으로 표현할 수 있다. 즉, 시계열 데이터의 상관 관계가 그래프로 표현될 수 있다. 산점도 방식이 복수의 변수간의 상관관계를 표현해 줌과 동시에 열지도 방식이 중첩 클러스터의 밀도도 표현해 준다. 또한, 중첩 클러스터 값의 정규화를 통해 이종의 데이터를 동일한 강도로 다룰 수 있다.
도 5는 본 발명의 일실시예에서 2채널의 전류, 전압 및 전동 신호가 중첩 산점도 이미지로 변환되는 과정을 설명하기 위한 도면이다.
도 5는 일 예로, 산업용 유도 전동기의 이종 신호로부터 다계층 이미지를 생성하는 과정을 나타낸다.
2개의 위상 교류 전류 신호, 2개 위상 교류 전압 신호 및 수평-수직 진동 신호(510)는 각각 산점도(520)로 변환되고, 각각의 산점도(520)는 NSP 이미지(530)로 변환될 수 있다. 이 때 각 NSP 이미지(530)는 서로 다른 색상으로 표현될 수 있다. 도 5에서는 일 예로, 2개의 위상 교류 전류 신호에 대해서는 적색으로 표시되고, 2개 위상 교류 전압 신호에 대해서는 녹색으로 표시되고, 수평-수직 진동신호에 대해서는 청색으로 표시되는 경우가 도시되어 있다.
이러한 과정에서 다중채널 시계열 데이터를 비트맵 이미지 방식으로 표현하기 위해, 모든 픽셀의 값들은 0에서 255 사이의 값들로 정규화될 수 있다. 이에 따라 6백만 신호값(채널당 1M 샘플링, 샘플링 길이 1초)은 RGB 색상을 가지는 1000 x 1000 사이즈의 NSP 이미지로 압축될 수 있다.
각 다중채널 시계열 데이터에 대한 NSP 이미지(530)는 다시 동일한 공간 도메인에서 중첩된 NSP 이미지(540)로 변환될 수 있다. 상기 중첩된 NSP 이미지(540)는 멀티 데이터 셋(multi data set) NSP 이미지라 정의될 수 있다. 멀티 데이터 셋 NSP 이미지는 서로 독립적이고 이종인 신호간의 상관 관계뿐만 아니라 복수개의 신호의 특성을 서로 다른 색상으로 표현할 수 있다.
일반적인 시계열 데이터의 시간-주파수 분석 방식은 특정 주파수 혹은 주파수 대역의 신호만을 추출하여 분석하는 방식이다. 그러나, 본 발명에 따른 NSP 이미지를 이용하여 데이터를 분석하는 방식은 특징 추출의 노력을 줄여주는 자동화된 특징 추출 방식이며, 다량의 시계열 데이터를 압축된 이미지로 변환하기 때문에 데이터 분석에 이미지 패턴 인식을 활용하는 기계학습 방법에 쉽게 적용할 수 있다.
도 6은 본 발명의 일실시예에서 2채널의 진동 신호로부터 추출된 3개의 부대역 신호를 충전 산점도 이미지로 표현하는 경우를 나타내는 도면이다.
도 6은 일 예로 2축(수직-수평) 진동 신호를 분석함에 있어서, 필터를 통해 대역별로 신호를 추출하고, 추출된 신호별로 비례축소율을 조정하여 특징 추출을 위해 NSP 이미지로 변환한 결과를 나타낸다. 이러한 방법은 각 대역별 신호의 상관 관계 표현해 줄 뿐만 아니라, 대역간 신호 차이 및 한 이미지에 복수의 상관관계를 표현해주는 장점이 있다. 도 6의 NSP 이미지는 10-30kHz 대역 신호를 적색으로 표시하고, 30-50kHz 대역 신호를 녹색으로 표시하고, 0-250kHz 대역 신호를 청색으로 분리 추출한 후 이미징한 것이다.
진동 신호 이외의 다른 신호들이더라도, 이와 같은 방식으로 이미지 사이즈를 고정시키고 그 안에 데이터가 표현되도록 스케일링 펙터를 넣어서 어떤 것은 크게, 어떤 것은 작게 나타나도록 처리함으로써 모든 데이터를 하나의 도메인에서 표현할 수 있다.
도 7은 본 발명의 일실시예에서 시계열 데이터를 중첩 클러스터로 압축하는 과정을 설명하기 위한 도면이다.
도 7는 일 예로 사인파(sine wave) 신호 중 21개의 샘플값이 정수의 중첩 클러스터로 맵핑되는 예를 나타낸다. 도 7을 참조하면, '-10'과 '10'사이에 분포하는 신호값들은 크기가 '2'인 10개의 중첩 클러스터로 맵핑된다. 즉, 21개의 샘플값은 10개의 대표값으로 맵핑되면서 샘플간의 시계열성 및 정밀도의 손실이 발생한다. 그러나 이와 압축을 함에 있어 클러스터의 수와 범위를 수정하여 정밀도 손실을 조정할 수 있다. 시계열성 정보는 회복할 수 없지만, 압축된 데이터는 고유 신호의 사이즈에 상관없이 고정된 클러스터값으로 표현된다. 이러한 방법은 다양한 범위의 시계열 데이터를 고정된 크기로 이미징하는데 사용될 수 있다. 또한, 시계열성의 손실은 있으나, 데이터 분석 특히, NSP 이미지를 이용한 다중채널 간의 상관관계를 분석하는데 활용될 수 있다.
도 8은 본 발명의 일실시예에 따른 중첩 산점도로 유도 전동기의 결함을 검출하는 과정을 설명하기 위한 도면이다. 이하에서는 일 예로 NSP 이미지를 이용한 유도 전동기 온라인 결함 검출 시스템에 관해 설명한다.
유도 모터는 산업에서 구동되는 50% 이상의 전력을 사용하기 때문에 조기에 결함을 검출하는 것이 매우 중요하다. 그러나 룰(rule)을 기반으로 결함을 검출하는 방법은 상용화되었지만, 데이터를 기반으로 결함을 검출하는 방법은 상용화되어 있지 않다.
본 발명에 따른 NSP는 CNN(Convolutional Neural Network) 기반의 결함 검출 방식에 적용할 수 있다. 일반적으로 유도 전동기에는 3가지 결함(모터, 고정자 및 베어링 결함)이 발생할 수 있다. 이러한 결함은 전류, 전압 및 전동 신호의 변화를 유도한다.
도 8을 참조하면, 유도 전동기 결함 검출 시스템(800)은 테스트 신호(810)로서 유도 전동기로부터 전기 신호, 전압 신호, 진동 신호를 입력 받을 수 있다. 이 때 각 신호에는 2개의 채널이 존재한다.
유도 전동기 결함 검출 시스템(800)은 입력되는 아날로그 신호(810)를 각각 CSV(Comma-Separated Values) 파일(820)로 변환하여 데이터 서버에 저장할 수 있다. 그리고 CSV 파일(820)을 도 2 내지 도 7에서 설명한 방법을 이용하여 NSP 이미지(830)로 변환할 수 있다. 이 때, 전류, 전압 및 진동의 시계열 데이터는 도 5에 도시된 것과 같이 각각 적색, 녹색 및 청색의 NSP 이미지로 변환될 수 있다. 이후, 유도 전동기 결함 검출 시스템(800)은 상기 NSP 이미지를 CNN 분류기를 이용하여 정상 및 3가지 유형의 결함 조건에 대한 NSP 이미지(참조 이미지)와 비교함으로써 결함 검출(840)을 수행할 수 있다. 실험 결과 분류기의 정확도는 99%였다. 결함이 발생한 것으로 판단되는 경우, 유도 전동기 결함 검출 시스템(800)은 어플리케이션을 통해 알림 서비스(850)를 제공할 수 있다.
이와 같은 NSP를 이용한 결함 검출 방법은 다음과 같은 효과가 있다.
- 전처리 및 기계 학습에서 다루기 어려운 양의 시계열 데이터를 압축할 수 있다.
- 단일 이미지에서 두 개 이상의 채널의 상관 관계를 시각화할 수 있다.
- 결함 심각도의 레벨을 시각화를 통해 조사할 수 있다.
- 메모리 부족, 컴퓨팅 파워의 제한 등으로 인해 대용량의 시계열 데이터를 처리할 수 없는 환경에서도 NSP는 압축을 사용하여 심층 신경망 모델(CNN 기반의 분류기)을 사용할 수 있도록 한다. NSP를 사용하지 않는 경우, 심층 신경망 또는 다른 기계 학습의 전처리로서 복잡한 시간-주파수 분석 방법을 사용해야 한다.
- 시간 및 주파수 분석 방법은 단일 신호의 특성만을 나타낼 수 있지만, NSP는 복수 채널 신호 간의 상관 관계를 나타낼 수 있다.
따라서, 본 발명에 따른 NSP를 이용한 데이터 처리 방법은 CNN을 기반으로 하는 결함(예를 들어, 베어링 결함) 진단 솔루션에 적용 가능하다. 앞서 언급한 바와 같이, NSP 이미지는 복수의 신호 표현뿐만 아니라 단일 신호의 분리 표현도 가능하다. 따라서 도 6에 도시된 것과 같이, 베어링 결함의 타입별로 특정 주파수 대역의 변화가 생기는 정보를 바탕으로 진동 신호의 분리가 가능하다. 베어링 결함 타입별로 데이터를 수집한 후 도 6과 같이 NSP 이미지로 진동 신호를 표현하면, CNN을 통해 정상/결함 여부 판단 및 결함 타입별 분류가 가능하다. 본 발명에 따른 데이터 처리 방법으로 실험했을 때 결함 검출 및 진단 정확도는 99% 였다.
도 9는 본 발명의 일실시예에 따른 데이터 처리 장치를 나타내는 도면이다.
도 8에서 설명된 실시예에서의 유도 전동기 결함 검출 장치는 도 9의 데이터 처리 장치에 해당할 수 있다. 따라서, 본 실시예에서의 결함 검출 동작은 도 9에서의 데이터 처리 장치의 각 구성요소들 중 하나 또는 둘 이상의 조합에 의해 구현된다. 예를 들어, 본 실시예에서 데이터 처리 장치에 의한 데이터(또는 패킷 또는 신호)의 처리, 전송 및 수신 동작은 프로세서(910)에 의해 수행될 수 있다.
도 9를 참조하면, 본 발명에 따른 데이터 처리 장치(900)는 시계열 데이터를 입력 받는 입력 인터페이스(910), 프로세서(920), 저장장치(930), 프로세서(910)의 결과를 출력하는 출력 인터페이스(940), 유선망 또는 무선망을 통해 데이터 또는 신호를 송수신하는 통신모듈(950) 중 적어도 하나를 포함할 수 있다. 여기서, 프로세서(9120)는 ASIC(application-specific integrated circuit), 다른 칩세트, 논리 회로 및/또는 데이터 처리 장치를 포함할 수 있다. 저장장치(930)는 디스크 드라이브, ROM(read-only memory), RAM(random access memory), 플래쉬 메모리, 메모리 카드, 저장 매체를 포함할 수 있다. 통신 모듈(950)은 RF 안테나 또는 모뎀으로 구성될 수 있으며, 무선 신호를 처리하기 위한 베이스밴드 회로를 포함할 수 있다.
일 예로, 입력 인터페이스(910)는 서로 독립적이고 이종인 제1 시계열 데이터와 제2 시계열 데이터를 입력받도록 구성될 수 있다.
프로세서(920)는 NSP를 이용하여 제1 시계열 데이터와 제2 시계열 데이터를 각각 제1 NSP 이미지와 제2 NSP 이미지로 변환할 수 있다. 그리고 제1 NSP 이미지와 제2 NSP 이미지를 동일한 공간 도메인에서 중첩시켜 제3 NSP 이미지를 생성하도록 구성될 수 있다. 상기 제3 NSP 이미지는 멀티 데이터 셋 NSP 이미지라 부릴 수 있다.
출력 인터페이스(940)는 제1 NSP 이미지 내지 제3 NSP 이미지 중 어느 하나를 출력하도록 구성될 수 있다.
통신 모듈(950)은 제1 시계열 데이터, 제2 시계열 데이터, 제1 NSP 이미지 내지 제3 NSP 이미지, 알람 신호 등을 유선망 또는 무선망을 통해 송수신하도록 구성될 수 있다.
프로세서(920)는 제1 시계열 데이터 및 제2 시계열 데이터를 NSP 이미지로 변환함에 있어 각각 미리 정해진 범위 내의 픽셀값들로 맵핑할 수 있다. 또는, 각 시계열 데이터의 샘플값을 정수의 중첩 클러스터로 맵핑할 수 있다. 또는, 제1 시계열 데이터 및 제2 시계열 데이터 중 적어도 하나에 대해 스케일링 펙터를 적용하여 해당 데이터를 정규화할 수 있다. 또는, 제1 시계열 데이터 및 제2 시계열 데이터를 각각 제1 NSP 이미지 및 제2 NSP 이미지 상에서 서로 다른 색상으로 표현할 수 있다.
또한, 프로세서(920)는 상기 제1 시계열 데이터 및 상기 제2 시계열 데이터 중 적어도 하나가 진동신호, 전류신호, 전압신호 중 어느 하나에 대한 데이터인 경우, 상기 진동신호, 전류신호, 전압신호 중 적어도 하나에 대해 필터링을 수행하여 부대역 신호를 추출하고, 상기 추출된 부대역 신호 별로 비례축소율을 조정할 수 있다.
또한, 프로세서(920)는 제1 NSP 이미지 내지 제3 NSP 이미지 중 적어도 하나를 적어도 하나의 참조 이미지와 비교하고, 이들의 차이값을 기초로 에러를 검출할 수 있다. 에러가 검출되는 경우, 출력 인터페이스(940) 또는 통신 모듈(950)을 통해 알람 서비스를 제공할 수 있다.
본 명세서에 따른 데이터 처리 방법이 소프트웨어로 구현될 때, 본 명세서에 따른 데이터 처리 방법 또는 알고리즘들은 상술한 입력 인터페이스(910), 프로세서(920), 저장 장치(930), 출력 인터페이스(940), 통신모듈(950)의 전부 또는 일부의 조합으로서 구현될 수 있다. 본 명세서에 따른 데이터 처리 알고리즘은 저장 장치(930)에 저장되고, 프로세서(910)에 의해 실행될 수 있다. 저장 장치(930)는 프로세서(920)의 내부 또는 외부에 있을 수 있고, 잘 알려진 다양한 수단으로 프로세서(920)와 연결될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 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.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (20)
- 데이터 처리 장치에 의한 데이터 처리 방법에 있어서,
서로 독립적이고 이종인 제1 시계열 데이터와 제2 시계열 데이터를 입력받는 단계;
중첩 산점도(nested scatter plot)를 이용하여 상기 제1 시계열 데이터와 상기 제2 시계열 데이터를 각각 제1 이미지와 제2 이미지로 변환하는 단계; 및
상기 제1 이미지와 상기 제2 이미지를 동일한 공간 도메인에서 중첩시켜 제3 이미지를 생성하는 단계를 포함하는, 방법. - 제1항에 있어서,
상기 중첩 산점도는,
열지도(heatmap) 및 산점도(scatter plot)가 중첩된 형태로 구성되는 것을 특징으로 하는, 방법. - 제1항에 있어서,
상기 변환하는 단계는,
상기 제1 시계열 데이터 및 상기 제2 시계열 데이터를 각각 미리 정해진 범위 내의 픽셀값들로 맵핑하는 단계를 포함하는 것을 특징으로 하는, 방법. - 제3항에 있어서,
상기 맵핑하는 단계는,
각 시계열 데이터의 샘플값을 정수의 중첩 클러스터로 맵핑하는 단계를 포함하는 것을 특징으로 하는, 방법. - 제1항에 있어서,
상기 변환하는 단계는,
상기 제1 시계열 데이터 및 상기 제2 시계열 데이터 중 적어도 하나에 대해 스케일링 펙터(scaling factor)를 적용하여 해당 데이터를 정규화하는 단계를 포함하는 것을 특징으로 하는, 방법. - 제1항에 있어서,
상기 제1 시계열 데이터 및 상기 제2 시계열 데이터 중 적어도 하나는,
상호 연관되고 동종인 적어도 2개의 시계열 데이터를 포함하는 것을 특징으로 하는, 방법. - 제1항에 있어서,
상기 제1 시계열 데이터 및 상기 제2 시계열 데이터는,
상기 제1 이미지 및 상기 제2 이미지 상에서 서로 다른 색상으로 표현되는 것을 특징으로 하는, 방법. - 제1항에 있어서,
상기 제1 시계열 데이터 및 상기 제2 시계열 데이터 중 적어도 하나는,
진동신호, 전류신호, 전압신호 중 어느 하나에 대한 데이터인 것을 특징으로 하는, 방법. - 제8항에 있어서,
상기 변환하는 단계는,
상기 진동신호, 전류신호, 전압신호 중 적어도 하나에 대해 필터링을 수행하여 부대역 신호를 추출하는 단계; 및
상기 추출된 부대역 신호 별로 비례축소율을 조정하는 단계
를 포함하는 것을 특징으로 하는, 방법. - 제1항에 있어서,
상기 변환하는 단계에서 상기 제1 시계열 데이터 및 상기 제2 시계열 데이터의 시계열성은 손실되는 것을 특징으로 하는, 방법. - 제1항에 있어서,
상기 생성하는 단계 이후에,
상기 제3 이미지를 적어도 하나의 참조 이미지와 비교하는 단계; 및
상기 제3 이미지와 상기 참조 이미지 간의 차이값을 기초로 에러를 검출하는 단계
를 더 포함하는 것을 특징으로 하는, 방법. - 서로 독립적이고 이종인 제1 시계열 데이터와 제2 시계열 데이터를 입력받도록 구성되는 입력 인터페이스;
중첩 산점도(nested scatter plot)를 이용하여 상기 제1 시계열 데이터와 상기 제2 시계열 데이터를 각각 제1 이미지와 제2 이미지로 변환하고, 상기 제1 이미지와 상기 제2 이미지를 동일한 공간 도메인에서 중첩시켜 제3 이미지를 생성하도록 구성되는 프로세서; 및
상기 제3 이미지를 출력하도록 구성되는 출력 인터페이스를 포함하는, 장치. - 제12항에 있어서,
상기 중첩 산점도는,
열지도(heatmap) 및 산점도(scatter plot)가 중첩된 형태로 구성되는 것을 특징으로 하는, 장치. - 제12항에 있어서,
상기 프로세서는,
상기 제1 시계열 데이터 및 상기 제2 시계열 데이터를 각각 미리 정해진 범위 내의 픽셀값들로 맵핑하는 것을 특징으로 하는, 장치. - 제14항에 있어서,
상기 프로세서는,
각 시계열 데이터의 샘플값을 정수의 중첩 클러스터로 맵핑하는 것을 특징으로 하는, 장치. - 제12항에 있어서,
상기 프로세서는,
상기 제1 시계열 데이터 및 상기 제2 시계열 데이터 중 적어도 하나에 대해 스케일링 펙터(scaling factor)를 적용하여 해당 데이터를 정규화하는 것을 특징으로 하는, 장치. - 제12항에 있어서,
상기 제1 시계열 데이터 및 상기 제2 시계열 데이터 중 적어도 하나는,
상호 연관되고 동종인 적어도 2개의 시계열 데이터를 포함하는 것을 특징으로 하는, 장치. - 제12항에 있어서,
상기 프로세서는,
제1 시계열 데이터 및 상기 제2 시계열 데이터를 상기 제1 이미지 및 상기 제2 이미지 상에서 서로 다른 색상으로 표현하는 것을 특징으로 하는, 장치. - 제12항에 있어서,
상기 제1 시계열 데이터 및 상기 제2 시계열 데이터 중 적어도 하나는,
진동신호, 전류신호, 전압신호 중 어느 하나에 대한 데이터이고,
상기 프로세서는,
상기 진동신호, 전류신호, 전압신호 중 적어도 하나에 대해 필터링을 수행하여 부대역 신호를 추출하고, 상기 추출된 부대역 신호 별로 비례축소율을 조정하는 것을 특징으로 하는, 장치. - 제12항에 있어서,
상기 프로세서는,
상기 제3 이미지를 적어도 하나의 참조 이미지와 비교하고, 상기 제3 이미지와 상기 참조 이미지 간의 차이값을 기초로 에러를 검출하는 것을 특징으로 하는, 장치.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20180114217 | 2018-09-21 | ||
| KR1020180114217 | 2018-09-21 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200034545A KR20200034545A (ko) | 2020-03-31 |
| KR102163155B1 true KR102163155B1 (ko) | 2020-10-08 |
Family
ID=70002276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180140238A KR102163155B1 (ko) | 2018-09-21 | 2018-11-14 | 중첩 산점도를 이용한 데이터 변환 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102163155B1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102570576B1 (ko) * | 2021-04-07 | 2023-08-25 | 엘아이지넥스원 주식회사 | 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치 |
| DE102021116562A1 (de) * | 2021-06-25 | 2022-12-29 | Schenck Process Europe Gmbh | Überwachung des betriebs einer maschine |
| KR102601072B1 (ko) * | 2021-10-21 | 2023-11-09 | 서울대학교산학협력단 | 모터 고장 진단을 위한 이미지 생성 방법 및 장치, 상기 이미지를 이용한 모터 고장 진단 방법 및 장치 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017157213A (ja) | 2016-02-29 | 2017-09-07 | 富士通株式会社 | 予測分析のための時系列のデータ・セットを生成する方法及びデータ処理装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1230587A1 (en) * | 1999-11-05 | 2002-08-14 | University of Massachusetts | Data visualization |
-
2018
- 2018-11-14 KR KR1020180140238A patent/KR102163155B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017157213A (ja) | 2016-02-29 | 2017-09-07 | 富士通株式会社 | 予測分析のための時系列のデータ・セットを生成する方法及びデータ処理装置 |
Non-Patent Citations (1)
| Title |
|---|
| Zhiguang Wang et al., Encoding time series as images for visual inspection and classification using tiled convolutional neural networks, AAAI Workshop, 2015 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200034545A (ko) | 2020-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102163155B1 (ko) | 중첩 산점도를 이용한 데이터 변환 방법 및 장치 | |
| Sinitsin et al. | Intelligent bearing fault diagnosis method combining mixed input and hybrid CNN-MLP model | |
| CN107238507B (zh) | 一种基于深度学习的工业设备故障预测方法 | |
| Choudhary et al. | Multi-input CNN based vibro-acoustic fusion for accurate fault diagnosis of induction motor | |
| Oliveira et al. | A system based on artificial neural networks for automatic classification of hydro-generator stator windings partial discharges | |
| CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
| CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
| CN111967338B (zh) | 基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法和系统 | |
| Kang et al. | Condition monitoring of power transformer on-load tap-changers. Part 1: Automatic condition diagnostics | |
| Gangsar et al. | Diagnostics of mechanical and electrical faults in induction motors using wavelet-based features of vibration and current through support vector machine algorithms for various operating conditions | |
| CA2874991A1 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
| CN107563263A (zh) | 基于仪表的视频图像识别方法及系统 | |
| US20210096530A1 (en) | System and method for identifying manufacturing defects | |
| CN112179691A (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
| KR20200092143A (ko) | 딥러닝 신경망을 이용한 디스플레이 패널 불량 진단 시스템 및 방법 | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| KR20090120842A (ko) | 기계 작동음 및 진동 신호의 영상 신호 변환을 통한 고장진단 장치 및 방법 | |
| CN117375237B (zh) | 基于数字孪生技术变电站运维方法及系统 | |
| CN115861210B (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
| CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
| KR102240775B1 (ko) | 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법 | |
| CN117589233A (zh) | 继电保护装置运行状态智能检测方法及系统 | |
| Asalapuram et al. | A novel architecture for condition based machinery health monitoring on marine vessels using deep learning and edge computing | |
| Feng et al. | V-CNN: Data visualizing based convolutional neural network | |
| Jo et al. | Multi-layer nested scatter plot a data wrangling method for correlated multi-channel time series signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |