KR102165396B1 - Method of data imaging for equipments diagnosis and diagnosis method using the same - Google Patents

Method of data imaging for equipments diagnosis and diagnosis method using the same Download PDF

Info

Publication number
KR102165396B1
KR102165396B1 KR1020180119718A KR20180119718A KR102165396B1 KR 102165396 B1 KR102165396 B1 KR 102165396B1 KR 1020180119718 A KR1020180119718 A KR 1020180119718A KR 20180119718 A KR20180119718 A KR 20180119718A KR 102165396 B1 KR102165396 B1 KR 102165396B1
Authority
KR
South Korea
Prior art keywords
data
image
diagnosis
pixel
facility
Prior art date
Application number
KR1020180119718A
Other languages
Korean (ko)
Other versions
KR20200040015A (en
Inventor
윤병동
송용천
장범찬
Original Assignee
주식회사 원프레딕트
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 주식회사 원프레딕트 filed Critical 주식회사 원프레딕트
Priority to KR1020180119718A priority Critical patent/KR102165396B1/en
Publication of KR20200040015A publication Critical patent/KR20200040015A/en
Application granted granted Critical
Publication of KR102165396B1 publication Critical patent/KR102165396B1/en

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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • G05B23/0245—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 based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0251—Abstraction hierarchy, e.g. "complex systems", i.e. system is divided in subsystems, subsystems are monitored and results are combined to decide on status of whole system

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 설비 진단을 위한 데이터 이미지화 방법 및 이를 이용한 진단 방법에 관한 것으로, 제어부가 설비 진단을 위한 데이터를 입력받는 단계, 상기 제어부가 입력된 데이터를 이미지의 픽셀 범주의 데이터로 칼리브레이션 하는 단계, 상기 제어부가 칼리브레이션된 데이터를 픽셀 정보로 변환하여 픽셀 어레이를 생성하는 단계 및 상기 제어부가 생성된 픽셀 어레이를 스택킹하여 설비 진단을 위한 이미지를 생성하는 단계 것을 특징으로 한다.The present invention relates to a data imaging method for facility diagnosis and a diagnosis method using the same, wherein the control unit receives data for facility diagnosis, the control unit calibrates the input data into pixel category data of an image, the The control unit converts the calibrated data into pixel information to generate a pixel array, and the control unit stacks the generated pixel array to generate an image for facility diagnosis.

Description

설비 진단을 위한 데이터 이미지화 방법 및 이를 이용한 진단 방법{METHOD OF DATA IMAGING FOR EQUIPMENTS DIAGNOSIS AND DIAGNOSIS METHOD USING THE SAME}Data imaging method for facility diagnosis and diagnosis method using the same {METHOD OF DATA IMAGING FOR EQUIPMENTS DIAGNOSIS AND DIAGNOSIS METHOD USING THE SAME}

본 발명은 설비로부터 얻어진 진동, 압력, 온도 등의 산업 데이터를 이용해 설비의 이상 상태의 종류와 정도를 추정하는 기술에 관한 것이다.
The present invention relates to a technique for estimating the type and degree of abnormal conditions of a facility using industrial data such as vibration, pressure, and temperature obtained from the facility.

근래의 발전 설비 등과 같은 대형 설비는 다수의 설비(기기, 장치 등)들이 복잡하게 연결되어 운전되고 있으며, 자동화가 진행됨에 따라 이러한 설비를 운영하는 관리자의 수가 점차 줄어들고 있다.In recent years, large facilities such as power generation facilities are operated by complexly connecting a number of facilities (equipment, devices, etc.), and the number of managers operating these facilities is gradually decreasing as automation proceeds.

이에 중앙 제어 시설에서 설비들의 운전 및 모니터링이 수행되고 있으며, 컴퓨팅 장치 기반의 GUI(graphical user interface)를 이용한 조작이 주로 수행되고 있다.Accordingly, operation and monitoring of facilities are performed in a central control facility, and operations using a graphical user interface (GUI) based on a computing device are mainly performed.

이렇게 산업 설비나 기기의 종류 및 사용이 다양해지고 복잡해짐에 따라 설비의 파손, 고장에 의한 사고 및 운전 정지에 따른 손실의 규모가 커지게 되며, 관리자의 수 또한 줄어들고 있어 설비의 이상 상태를 진단하는 기술의 중요성이 점차 높아지고 있다.As the types and use of industrial facilities or devices become more diverse and complex, the scale of losses due to accidents and operation stoppages due to breakdowns and breakdowns of facilities increases, and the number of managers is also decreasing. The importance of technology is increasing.

이러한 진단 기술은 설비로부터 얻어진 진동, 압력, 온도 등의 산업 데이터를 이용해 설비의 이상 상태의 종류와 정도를 추정하는 방식으로 수행되며, 각종 알고리즘, 진단 모델 등을 이용한 다양한 진단 방식이 제안되고 있다.Such a diagnostic technique is performed by estimating the type and degree of abnormal conditions of a facility using industrial data such as vibration, pressure, and temperature obtained from the facility, and various diagnosis methods using various algorithms and diagnostic models have been proposed.

한편 본 발명의 배경기술은 대한민국 공개특허 10-2017-0125265호 (2017.11.14)에 개시되어 있다.
Meanwhile, the background technology of the present invention is disclosed in Korean Patent Publication No. 10-2017-0125265 (2017.11.14).

본 발명은 입력된 데이터를 이미지화 하여 설비 진단을 수행할 수 있도록 하는 데이터 이미지화 방법 및 이러한 데이터 이미지화 방법을 이용한 설비 진단 방법을 제공하는데 그 목적이 있다.
An object of the present invention is to provide a data imaging method for performing facility diagnosis by imaging input data, and a facility diagnosis method using the data imaging method.

본 발명에 따른 설비 진단을 위한 데이터 이미지화 방법은 제어부가 설비 진단을 위한 데이터를 입력받는 단계; 상기 제어부가 입력된 데이터를 이미지의 픽셀 범주의 데이터로 칼리브레이션 하는 단계; 상기 제어부가 칼리브레이션된 데이터를 픽셀 정보로 변환하여 픽셀 어레이를 생성하는 단계; 및 상기 제어부가 생성된 픽셀 어레이를 스택킹하여 설비 진단을 위한 이미지를 생성하는 단계를 포함하는 것을 특징으로 한다.The data imaging method for facility diagnosis according to the present invention comprises the steps of: receiving, by a controller, data for facility diagnosis; Calibrating, by the controller, the input data into data of a pixel category of an image; Generating a pixel array by converting the calibrated data into pixel information by the controller; And generating, by the control unit, an image for facility diagnosis by stacking the generated pixel array.

본 발명에서 상기 칼리브레이션 하는 단계는, 상기 제어부가 입력된 데이터를 정규화 하는 단계; 및 상기 제어부가 정규화된 데이터를 상기 이미지의 픽셀 범주의 데이터로 증폭하는 단계를 포함하는 것을 특징으로 한다.In the present invention, the step of calibrating may include normalizing input data by the control unit; And amplifying, by the controller, the normalized data into data of a pixel category of the image.

본 발명에서 상기 이미지의 픽셀 범주는 0 ~ 255의 값을 가지는 것을 특징으로 한다.In the present invention, the pixel range of the image is characterized in that it has a value of 0 ~ 255.

본 발명의 상기 픽셀 어레이를 생성하는 단계에서, 상기 제어부는, 상기 칼리브레이션된 데이터를 정수값으로 변환하여 각각의 픽셀 데이터를 생성하는 것을 특징으로 한다.In the step of generating the pixel array of the present invention, the control unit may generate each pixel data by converting the calibrated data into an integer value.

본 발명의 상기 이미지를 생성하는 단계에서, 상기 제어부는, 하나의 종류의 데이터의 각기 다른 시점에서 획득된 데이터들에 기반한 복수의 픽셀 어레이를 스택킹하여 이미지를 생성하는 것을 특징으로 한다.In the step of generating the image of the present invention, the control unit generates an image by stacking a plurality of pixel arrays based on data acquired at different points of time of one type of data.

본 발명의 상기 이미지를 생성하는 단계에서, 상기 제어부는, 동일 시점에서 획득된 서로 다른 종류의 데이터들에 기반한 복수의 픽셀 어레이를 스택킹하여 이미지를 생성하는 것을 특징으로 한다.In the step of generating the image of the present invention, the control unit may generate an image by stacking a plurality of pixel arrays based on different types of data acquired at the same time point.

본 발명에 따른 데이터 이미지화 방법을 이용한 설비 진단 방법은 제어부가 설비 진단을 위한 데이터를 입력받는 단계; 상기 제어부가 입력된 데이터를 이미지의 픽셀 범주의 데이터로 칼리브레이션 하는 단계; 상기 제어부가 칼리브레이션된 데이터를 픽셀 정보로 변환하여 픽셀 어레이를 생성하는 단계; 상기 제어부가 생성된 픽셀 어레이를 스택킹하여 설비 진단을 위한 이미지를 생성하는 단계; 및 상기 제어부가 생성된 이미지를 학습 모델에 입력하여 설비 진단 결과를 생성하는 단계를 포함하는 것을 특징으로 한다.A facility diagnosis method using a data imaging method according to the present invention comprises: receiving, by a controller, data for facility diagnosis; Calibrating, by the controller, the input data into data of a pixel category of an image; Generating a pixel array by converting the calibrated data into pixel information by the controller; Generating, by the control unit, an image for facility diagnosis by stacking the generated pixel array; And generating, by the control unit, the generated image into the learning model to generate a facility diagnosis result.

본 발명에서 상기 학습 모델은 이미지화된 데이터와 이에 대응하는 설비의 상태를 학습하여 생성된 모델인 것을 특징으로 한다.In the present invention, the learning model is characterized in that it is a model generated by learning imaged data and a state of a facility corresponding thereto.

본 발명에서 상기 학습 모델은 CNN(convolutional neural network) 등을 포함한 이미지 인식 모델인 것을 특징으로 한다.
In the present invention, the learning model is characterized in that it is an image recognition model including a convolutional neural network (CNN).

본 발명에 따른 설비 진단을 위한 데이터 이미지화 방법 및 이를 이용한 진단 방법은, 종래의 진단 방식과 같이 산업 기기의 작동원리, 고장 발생에 대한 물리적 메커니즘에 대한 고려 없이도 산업데이터의 특징을 이미지 형태로 일괄적으로 추출할 수 있도록 하는 효과가 있다.The data imaging method for facility diagnosis according to the present invention and the diagnosis method using the same, as in the conventional diagnosis method, collectively display the characteristics of industrial data in an image form without considering the operating principle of industrial equipment and the physical mechanism for failure. It has the effect of allowing you to extract it.

또한 본 발명에 따른 설비 진단을 위한 데이터 이미지화 방법 및 이를 이용한 진단 방법은, 이미지를 기반으로 한 딥러닝 알고리즘의 적용을 통해 설비의 상태를 설비의 종류에 상관없이 일관된 방법으로 진단할 수 있도록 하는 효과가 있다.
In addition, the data imaging method for facility diagnosis and the diagnosis method using the same according to the present invention have the effect of enabling diagnosing the state of the facility in a consistent manner regardless of the type of facility through the application of a deep learning algorithm based on the image. There is.

도 1은 본 발명의 실시예에 따른 진단 방법이 수행되는 시스템을 나타낸 예시도이다.
도 2는 본 발명의 실시예에 따른 진단 방법이 수행되는 시스템을 나타낸 다른 예시도이다.
도 3은 본 발명의 일 실시예에 따른 데이터 이미지화 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 데이터 이미지화 방법에서의 데이터 칼리브레이션을 설명하기 위한 예시도이다.
도 5는 본 발명의 일 실시예에 따른 데이터 이미지화 방법에서의 데이터 픽셀화를 설명하기 위한 예시도이다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 데이터 이미지화 방법에서의 픽셀 어레이 스택킹을 통한 이미지 생성을 설명하기 위한 예시도이다.
도 8은 본 발명의 일 실시예에 따른 데이터 이미지화를 이용한 진단 방법을 설명하기 위한 흐름도이다.1 is an exemplary diagram showing a system in which a diagnostic method according to an embodiment of the present invention is performed.
2 is another exemplary diagram showing a system in which a diagnostic method according to an embodiment of the present invention is performed.
3 is a flowchart illustrating a data imaging method according to an embodiment of the present invention.
4 is an exemplary diagram for explaining data calibration in a data imaging method according to an embodiment of the present invention.
5 is an exemplary diagram for explaining data pixelation in a data imaging method according to an embodiment of the present invention.
6 and 7 are exemplary diagrams for explaining image generation through pixel array stacking in a data imaging method according to an embodiment of the present invention.
8 is a flowchart illustrating a diagnosis method using data imaging according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명에 따른 설비 진단을 위한 데이터 이미지화 방법 및 이를 이용한 진단 방법의 실시예를 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로, 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.Hereinafter, an embodiment of a data imaging method for facility diagnosis and a diagnosis method using the same according to the present invention will be described with reference to the accompanying drawings. In this process, the thickness of the lines or the size of components shown in the drawings may be exaggerated for clarity and convenience of description. In addition, terms to be described later are terms defined in consideration of functions in the present invention and may vary according to the intention or custom of users or operators. Therefore, definitions of these terms should be made based on the contents throughout the present specification.

도 1은 본 발명의 실시예에 따른 진단 방법이 수행되는 시스템을 나타낸 예시도이고, 도 2는 본 발명의 실시예에 따른 진단 방법이 수행되는 시스템을 나타낸 다른 예시도이다.1 is an exemplary diagram showing a system in which a diagnostic method according to an embodiment of the present invention is performed, and FIG. 2 is another exemplary diagram showing a system in which a diagnostic method according to an embodiment of the present invention is performed.

센서(300)는 설비의 상태를 측정할 수 있으며, 예를 들어, 온도 센서, 진동 센서, 압력 센서 등이 이러한 센서(300)의 예시일 수 있다.The sensor 300 may measure the state of the facility, and for example, a temperature sensor, a vibration sensor, a pressure sensor, etc. may be examples of the sensor 300.

제어부(100)는 각종 센서(300)와 연결되어, 각종 산업 데이터, 예를 들어, 진동, 압력, 온도 등의 측정 데이터를 입력받을 수 있다.The controller 100 is connected to various sensors 300 and may receive various industrial data, for example, measurement data such as vibration, pressure, and temperature.

제어부(100)는 이렇게 얻어진 데이터를 처리하여 설비 진단을 위한 이미지를 생성하고, 생성된 이미지를 바탕으로 설비의 상태를 진단할 수 있다.The control unit 100 may process the thus obtained data to generate an image for facility diagnosis, and diagnose the condition of the facility based on the generated image.

제어부(100)는 이렇게 생성된 진단 결과를 출력부(200)를 통해 출력할 수 있으며, 이러한 출력부(200)는 진단 결과를 표시하는 디스플레이 장치나 진단 결과를 다른 제어 장치(예: 중앙 제어 시설)로 전달하기 위한 통신 장치로 구성될 수 있다.The control unit 100 may output the generated diagnosis result through the output unit 200, and the output unit 200 may display a display device displaying the diagnosis result or another control device (eg, a central control facility). ) Can be configured as a communication device for transmission.

한편 도 2에 도시된 것과 같이, 제어부(100)는 각종 센서(30)와 직접 연결되는 것이 아니라, 센서들의 측정 결과를 수집하는 상위 제어 장치(310)(스카다(SCADA) 등)에 연결되어, 이로부터 데이터를 입력받도록 구성될 수도 있다.Meanwhile, as shown in FIG. 2, the controller 100 is not directly connected to various sensors 30, but is connected to an upper control device 310 (SCADA, etc.) that collects measurement results of the sensors. , It may be configured to receive data from it.

제어부(100)는 프로세서, 기억 매체(메모리) 등을 포함하는 컴퓨팅 장치의 적어도 일부에 해당할 수 있으며, 기억 매체에는 명령(instructions)들이 저장될 수 있으며, 이러한 명령은 프로세서로 하여금, 후술할 데이터 이미지화 방법 및 이를 이용한 진단 방법의 각 단계를 수행하도록 할 수 있다.The control unit 100 may correspond to at least a part of a computing device including a processor, a storage medium (memory), and the like, and instructions may be stored in the storage medium, and these instructions cause the processor to generate data to be described later. Each step of the imaging method and the diagnosis method using the same can be performed.

도 3은 본 발명의 일 실시예에 따른 데이터 이미지화 방법을 설명하기 위한 흐름도이고, 도 4는 본 발명의 일 실시예에 따른 데이터 이미지화 방법에서의 데이터 칼리브레이션을 설명하기 위한 예시도이며, 도 5는 본 발명의 일 실시예에 따른 데이터 이미지화 방법에서의 데이터 픽셀화를 설명하기 위한 예시도이고, 도 6 및 도 7은 본 발명의 일 실시예에 따른 데이터 이미지화 방법에서의 픽셀 어레이 스택킹을 통한 이미지 생성을 설명하기 위한 예시도로서, 이를 참조하여 본 발명의 일 실시예에 따른 데이터 이미지화 방법을 설명하면 다음과 같다.3 is a flowchart for explaining a data imaging method according to an embodiment of the present invention, FIG. 4 is an exemplary diagram for explaining data calibration in a data imaging method according to an embodiment of the present invention, and FIG. An exemplary diagram for explaining data pixelation in a data imaging method according to an embodiment of the present invention, and FIGS. 6 and 7 are images through pixel array stacking in a data imaging method according to an embodiment of the present invention. As an exemplary diagram for explaining generation, a data imaging method according to an embodiment of the present invention will be described with reference to this.

도 3에 도시된 것과 같이, 제어부(100)는 먼저 데이터를 입력받는다(S300). 상술한 것과 같이, 제어부(100)는 각종 센서(300)로부터 직접 또는 다른 장치를 거쳐 각종 산업 데이터를 입력받는다.As shown in FIG. 3, the control unit 100 first receives data (S300). As described above, the control unit 100 receives various industrial data directly from the various sensors 300 or through other devices.

이어서 제어부(100)는 상기 단계(S300)에서 입력받은 데이터의 칼리브레이션을 수행한다(S310).Subsequently, the control unit 100 performs calibration of the data input in the step S300 (S310).

제어부가(100)가 입력받는 산업 데이터는 산업 시스템의 온도, 압력, 진동, 회전 시스템의 회전수 등과 같은 데이터이며, 일반적인 산업데이터의 구조는 시간에 따른 1차원 데이터의 변화로서 나타난다.Industrial data that the controller 100 receives are data such as temperature, pressure, vibration, and rotational speed of an industrial system, and the structure of general industrial data appears as a change in one-dimensional data over time.

이러한 데이터를 이미지 형태의 데이터로 변환하기 위해서는 매 측정된 포인트(시점)의 데이터를 이미지에서 표현되는 각각의 픽셀의 값으로 변환하는 과정이 필요하며, 이를 데이터 칼리브레이션으로 지칭하기로 한다.In order to convert such data into image data, a process of converting the data of each measured point (view point) into a value of each pixel represented in the image is required, and this will be referred to as data calibration.

구체적으로 도 4에 도시된 것과 같이, 입력된 데이터를 [0 ~ 1] 범주의 데이터로 선형 변환하는 데이터 정규화(normalize)를 먼저 수행한다. 이때 정규화를 위한 최대 및 최소값은 입력된 데이터의 최대 및 최소값을 사용하는 방식이나 데이터의 종류마다 미리 설정된 기준을 적용하는 방식이 사용 가능하다.Specifically, as shown in FIG. 4, data normalization (normalization) of linearly transforming input data into data in the [0 to 1] category is first performed. In this case, the maximum and minimum values for normalization may be a method of using the maximum and minimum values of the input data or a method of applying a preset standard for each type of data.

이어서 제어부(100)는 이렇게 [0 ~ 1] 범주로 변환된 정규화된 데이터를 [0 ~ 255]의 픽셀 범주의 데이터로 증폭시킬 수 있으며, 이러한 과정을 거쳐 이미지의 픽셀 범주를 가지는 데이터를 칼리브레이션된 데이터라고 지칭하기로 한다.Subsequently, the control unit 100 may amplify the normalized data converted to the [0 to 1] category into data of the [0 to 255] pixel category. Through this process, the data having the pixel category of the image are calibrated. We will refer to it as data.

한편 일부 실시예에서, 제어부(100)는 입력된 데이터를 정규화하고, 증폭하는 과정을 한 번에 수행하도록 즉, 입력된 데이터를 [0~255]의 범위로 곧바로 변환하도록 구성될 수도 있다.Meanwhile, in some embodiments, the control unit 100 may be configured to perform a process of normalizing and amplifying input data at once, that is, directly converting input data into a range of [0 to 255].

상기 단계(S310) 이후 제어부(100)는 칼리브레이션된 데이터를 픽셀 정보로 변환한다(S320).After the step (S310), the controller 100 converts the calibrated data into pixel information (S320).

상술한 단계(S310)에서 칼리브레이션된 데이터를 픽셀 정보로 변환하기 위해서는 데이터를 [0 ~ 255] 범주의 정수로 변환하여야 한다. 즉, 제어부(100)는 매 측정된 포인트(시점)의 칼리브레이션된 데이터의 소수점 이하를 버림, 반올림, 올림 등의 처리를 하여 정수값으로 변환한다.In order to convert the data calibrated in the above-described step (S310) into pixel information, the data must be converted to an integer in the range of [0 to 255]. That is, the control unit 100 converts the calibrated data of every measured point (time point) into an integer value by performing processing such as rounding off, rounding, and rounding off the decimal point.

미리 설정된 특정 시간 간격(시점)에서 이렇게 변환된 데이터는 도 5에 도시된 것과 같이, 이미지의 하나의 행(또는 열)을 구성하는 어레이의 형태가 되므로, 이를 픽셀 어레이라고 지칭하기로 한다.Since the data converted in this way at a predetermined specific time interval (time point) is in the form of an array constituting one row (or column) of an image, as shown in FIG. 5, this will be referred to as a pixel array.

한편 제어부(100)는 입력된 데이터의 매 측정된 포인트를 하나의 픽셀로 변환하는 방식뿐만 아니라, 미리 설정된 시간 간격으로 데이터를 샘플링(sampling)하여 픽셀로 변환할 수도 있다.Meanwhile, the controller 100 may convert each measured point of input data into one pixel, as well as convert the data into pixels by sampling data at preset time intervals.

이러한 샘플링의 수행 여부 및 시간 간격의 설정은 이미지의 생성될 이미지의 해상도를 고려하여 사용자의 의도에 따라 설계될 수 있다.Whether to perform such sampling and setting a time interval may be designed according to a user's intention in consideration of the resolution of an image to be generated.

이어서 제어부(100)는 픽셀 어레이의 스태킹을 통해 설비 진단을 위한 이미지를 생성한다(S330).Subsequently, the controller 100 generates an image for facility diagnosis through stacking of the pixel array (S330).

제어부(100)는 칼리브레이션된 데이터를 픽셀 어레이의 형태로 변환한 이후, 다수의 픽셀 어레이를 열 방향(또는 행 방향)으로 쌓는 과정을 통해 이미지를 생성할 수 있다. 여기서 다수의 픽셀 어레이를 쌓는 과정을 픽셀 어레이 스택킹(stacking)으로 지칭하기로 한다.After converting the calibrated data into a pixel array form, the controller 100 may generate an image by stacking a plurality of pixel arrays in a column direction (or a row direction). Here, the process of stacking a plurality of pixel arrays will be referred to as pixel array stacking.

이때 스택킹이 수행되는 픽셀 어레이들은 다른 종류의 산업 데이터이거나, 또는 서로 다른 시간대(시점)에서 얻어진 데이터일 수 있다.In this case, the pixel arrays on which the stacking is performed may be different types of industrial data or data obtained at different time periods (time points).

즉, 도 6에 도시된 것과 같이, 하나의 종류의 데이터의 각기 다른 시점에서의 데이터들로부터 복수의 픽셀 어레이가 생성될 수 있고, 이를 스택킹하여 데이터 이미지를 생성할 수 있다.That is, as illustrated in FIG. 6, a plurality of pixel arrays may be generated from data at different viewpoints of one type of data, and a data image may be generated by stacking them.

또는 도 7에 도시된 것과 같이, 동일 시점에 각기 다른 종류의 산업 데이터로부터 얻어진 픽셀 어레이들을 스택킹하는 방식으로 데이터 이미지를 생성하는 것도 가능하다.Alternatively, as shown in FIG. 7, it is possible to generate a data image by stacking pixel arrays obtained from different types of industrial data at the same time.

도 8은 본 발명의 일 실시예에 따른 데이터 이미지화를 이용한 진단 방법을 설명하기 위한 흐름도이다.8 is a flowchart illustrating a diagnosis method using data imaging according to an embodiment of the present invention.

도 8에 도시된 것과 같이, 제어부(100)는 먼저 데이터를 입력받고(S800), 데이터의 이미지화를 수행한다(S810). 이러한 데이터의 입력 및 이를 이미지 데이터로 변환하는 것은 상술한 도 3에 따른 본 발명의 데이터 이미지화 방법과 같은 방식으로 수행될 수 있다.As shown in FIG. 8, the controller 100 first receives data (S800), and then performs imaging of the data (S810). Input of such data and converting it into image data may be performed in the same manner as the data imaging method of the present invention according to FIG. 3 described above.

이어서 제어부(100)는 생성된 이미지를 딥러닝 모델에 입력하여 설비의 진단 결과를 생성한다(S820).Subsequently, the controller 100 generates a diagnosis result of the facility by inputting the generated image to the deep learning model (S820).

예를 들어, 제어부(100)는 CNN(Convolutional Neural Network)을 기반으로 생성된 딥러닝 모델에 이미지를 입력하여 진단 결과를 생성할 수 있다.For example, the control unit 100 may generate a diagnosis result by inputting an image to a deep learning model generated based on a convolutional neural network (CNN).

이러한 CNN은 이미지 기반 지도학습의 대표적인 알고리즘으로, 수집된 설비의 산업 데이터와 이에 대응하는 설비의 상태들을 이용한 학습을 통해 설비의 상태에 대한 딥러닝 모델을 생성할 수 있고, 이를 통해 설비의 상태 진단을 수행할 수 있다.This CNN is a representative algorithm of image-based supervised learning, and it is possible to generate a deep learning model for the state of the facility through learning using the collected industrial data of the facility and the state of the corresponding facility. Can be done.

이러한 CNN은 컨볼류션 계층의 계산, 비선형성을 갖는 활성함수(ReLU(Rectified Linear Unit))를 통한 데이터 처리, 풀링 기법 적용을 적어도 1회 이상 반복하도록 구성되며, 이러한 과정을 거친 데이터는 최종적으로 Fully Connected layer를 통해 진단 결과(예: 경고 상태, 위험 상태, 정상 상태 등)가 생성될 수 있다.This CNN is configured to repeat the calculation of the convolutional layer, data processing through a nonlinear activation function (ReLU (Rectified Linear Unit)), and application of the pooling technique at least once or more. Diagnosis results (eg, warning status, danger status, normal status, etc.) can be generated through the fully connected layer.

이러한 이미지 기반의 고장 진단 방식은, 종래의 방식과 같이 산업 데이터에서 고장에 대한 특성 인자를 별도로 추출 및 선별하지 않아도 설비의 상태를 파악할 수 있도록 한다. Such an image-based failure diagnosis method allows the status of a facility to be identified without separately extracting and selecting a characteristic factor for a failure from industrial data as in the conventional method.

따라서 이러한 이미지 기반의 고장 진단 방식은, 고장 진단을 위해서 설비마다 다른 데이터의 종류나 특성을 고려해 특성인자를 추출 및 분석하는 알고리즘을 개발할 필요 없이, 다양한 설비의 다양한 형태의 데이터를 사용하더라도 데이터를 이미지화 시키고, 이를 설비의 상태 정보와 대응시켜 학습시킴으로써, 딥러닝 알고리즘을 적용하여 설비의 고장 진단을 가능하도록 하는, 기술적 편리성을 가질 수 있다.Therefore, this image-based fault diagnosis method does not need to develop an algorithm that extracts and analyzes characteristic factors in consideration of the types or characteristics of different data for each facility for fault diagnosis, and images data even when various types of data from various facilities are used. It is possible to have technical convenience that enables fault diagnosis of the facility by applying a deep learning algorithm by learning it by matching it with the state information of the facility.

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다.
Although the present invention has been described with reference to the embodiments shown in the drawings, this is only illustrative, and those of ordinary skill in the field to which the technology pertains, various modifications and other equivalent embodiments are possible. I will understand. Therefore, the technical protection scope of the present invention should be determined by the following claims.

100: 제어부
200: 출력부
300: 센서
310: 상위 제어 장치100: control unit
200: output
300: sensor
310: upper control unit

Claims (9)

제어부가 설비 진단을 위한 데이터를 입력받는 단계;
상기 제어부가 입력된 데이터를 이미지의 픽셀 범주의 데이터로 칼리브레이션 하는 단계;
상기 제어부가 칼리브레이션된 데이터를 픽셀 정보로 변환하여 픽셀 어레이를 생성하는 단계; 및
상기 제어부가 생성된 픽셀 어레이를 스택킹하여 설비 진단을 위한 이미지를 생성하는 단계를 포함하고,
상기 칼리브레이션 하는 단계는, 상기 제어부가 입력된 데이터를 정규화 하고, 정규화된 데이터를 0 ~ 255의 상기 이미지의 픽셀 범주의 데이터로 증폭하는 단계를 포함하며,
상기 픽셀 어레이를 생성하는 단계에서, 상기 제어부는, 상기 칼리브레이션된 데이터를 정수값으로 변환하여 각각의 픽셀 데이터를 생성하고,
상기 이미지를 생성하는 단계에서, 상기 제어부는, 동일 시점에서 획득된 서로 다른 종류의 데이터들에 기반한 복수의 픽셀 어레이를 스택킹하여 이미지를 생성하는 것을 특징으로 하는 설비 진단을 위한 데이터 이미지화 방법.
Receiving, by the controller, data for facility diagnosis;
Calibrating, by the controller, the input data into data of a pixel category of an image;
Generating a pixel array by converting the calibrated data into pixel information by the controller; And
And generating an image for facility diagnosis by stacking the generated pixel array by the control unit,
The step of calibrating includes the step of normalizing the input data by the control unit and amplifying the normalized data into data of a pixel category of the image of 0 to 255,
In the step of generating the pixel array, the controller generates each pixel data by converting the calibrated data into an integer value,
In the step of generating the image, the controller generates an image by stacking a plurality of pixel arrays based on different types of data acquired at the same time point.
 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 제1항에 따른 데이터 이미지화 방법을 통해, 제어부가 이미지를 생성하는 단계; 및
상기 제어부가 생성된 이미지를 학습 모델에 입력하여 설비 진단 결과를 생성하는 단계를 포함하는 데이터 이미지화 방법을 이용한 설비 진단 방법.
Generating an image by a controller through the data imaging method according to claim 1; And
A facility diagnosis method using a data imaging method comprising the step of generating, by the control unit, the generated image into a learning model to generate a facility diagnosis result.
 제7항에 있어서,
상기 학습 모델은 이미지화된 데이터와 이에 대응하는 설비의 상태를 학습하여 생성된 모델인 것을 특징으로 하는 데이터 이미지화 방법을 이용한 설비 진단 방법.
The method of claim 7,
The learning model is a facility diagnosis method using a data imaging method, characterized in that the learning model is a model generated by learning imaged data and a state of a facility corresponding thereto.
 제8항에 있어서,
상기 학습 모델은 CNN(convolutional neural network) 기반 모델인 것을 특징으로 하는 데이터 이미지화 방법을 이용한 설비 진단 방법.The method of claim 8,
The facility diagnosis method using a data imaging method, characterized in that the learning model is a convolutional neural network (CNN)-based model.
KR1020180119718A 2018-10-08 2018-10-08 Method of data imaging for equipments diagnosis and diagnosis method using the same KR102165396B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180119718A KR102165396B1 (en) 2018-10-08 2018-10-08 Method of data imaging for equipments diagnosis and diagnosis method using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180119718A KR102165396B1 (en) 2018-10-08 2018-10-08 Method of data imaging for equipments diagnosis and diagnosis method using the same

Publications (2)

Publication Number Publication Date
KR20200040015A KR20200040015A (en) 2020-04-17
KR102165396B1 true KR102165396B1 (en) 2020-10-14

Family

ID=70460844

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180119718A KR102165396B1 (en) 2018-10-08 2018-10-08 Method of data imaging for equipments diagnosis and diagnosis method using the same

Country Status (1)

Country Link
KR (1) KR102165396B1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112109549B (en) * 2020-08-25 2021-11-30 惠州华阳通用电子有限公司 Instrument display method and system
KR102558232B1 (en) * 2020-11-03 2023-07-25 한국생산기술연구원 Space filling curve transformation method and system for deep learning analysis of manufacturing time series data

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101748559B1 (en) * 2015-12-04 2017-06-20 주식회사 원프레딕트 Apparatus for inspecting rotating device and method thereof
KR101818394B1 (en) * 2017-05-11 2018-01-12 울산대학교 산학협력단 Method and apparatus for diagnosing facility condition

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101748559B1 (en) * 2015-12-04 2017-06-20 주식회사 원프레딕트 Apparatus for inspecting rotating device and method thereof
KR101818394B1 (en) * 2017-05-11 2018-01-12 울산대학교 산학협력단 Method and apparatus for diagnosing facility condition

Also Published As

Publication number Publication date
KR20200040015A (en) 2020-04-17

Similar Documents

Publication Publication Date Title
CN110633682B (en) Infrared image anomaly monitoring method, device and equipment based on double-light fusion
KR102165396B1 (en) Method of data imaging for equipments diagnosis and diagnosis method using the same
KR20200141812A (en) Method and apparatus for anomaly detection using neural network
KR102095653B1 (en) System and method for abnormal operation state judgment using neural network model
KR102067344B1 (en) Apparatus and Method for Detecting Abnormal Vibration Data
US9613383B2 (en) Power plant field monitoring system and method using QR code
EP3442216A1 (en) Sensor system for data enhancement
KR102375679B1 (en) Artificial intelligence based fire prediction method and device using pattern analysis
CN115840095A (en) Machine learning method for anomaly detection in electrical systems
JP3718765B2 (en) Plant diagnostic equipment
CN117671396B (en) Intelligent monitoring and early warning system and method for construction progress
JP2020129233A5 (en)
US10078062B2 (en) Device health estimation by combining contextual information with sensor data
CN117033981B (en) Submarine cable fault detection method, submarine cable fault detection device, submarine cable fault detection equipment and submarine cable fault detection medium
CN112140108B (en) Method, device and equipment for quickly responding to abnormal state and computer readable medium
DE112016007159T5 (en) SIGNAL PROCESSING DEVICE, SIGNAL PROCESSING METHOD AND SIGNAL PROCESSING PROGRAM
JP7330754B2 (en) Abnormality diagnosis device and method
CN105403312A (en) Infrared imaging spectrum recognition and analysis method for power transmission and transformation equipment
WO2018142694A1 (en) Feature amount generation device, feature amount generation method, and program
US20210232132A1 (en) Online fault localization in industrial processes without utilizing a dynamic system model
KR102262085B1 (en) The system for analyzing opreation status of device
KR20200099863A (en) Method for analyzing of object
KR20200079769A (en) Method for monitoring health of machines using smart vibration sensor
KR102654240B1 (en) Apparatus and System for Detecting Anomaly in Industrial Facilities Using Deep Learning, Machine Learning and Statistical Models
JP2008139917A (en) Inspection system for equipment

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant