KR102178787B1 - 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법 - Google Patents
진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법 Download PDFInfo
- Publication number
- KR102178787B1 KR102178787B1 KR1020180123992A KR20180123992A KR102178787B1 KR 102178787 B1 KR102178787 B1 KR 102178787B1 KR 1020180123992 A KR1020180123992 A KR 1020180123992A KR 20180123992 A KR20180123992 A KR 20180123992A KR 102178787 B1 KR102178787 B1 KR 102178787B1
- Authority
- KR
- South Korea
- Prior art keywords
- remaining life
- prediction
- model
- data conversion
- conversion unit
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4093—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine
- G05B19/40937—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine concerning programming of machining or material parameters, pocket machining
- G05B19/40938—Tool management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
잔여 수명 예측 장치가 개시된다. 상기 잔여 수명 예측 장치는 복수의 1차원 진동 신호들 각각을 2차원 이미지로 변환하는 데이터 변환부, 상기 데이터 변환부에 의해 생성된 복수의 2차원 이미지들을 입력 데이터로 이용하여 건강 지표(Health Indicator, HI)를 출력하는 ANN(Artificial Neural Network, 인공 신경망) 모델을 학습시키는 예측 모델 생성부, 및 학습된 ANN 모델을 이용하여 예측 대상 설비 또는 예측 대상 부품의 잔여 수명(Remaining Useful Lifetime, RUL)을 예측하는 잔여 수명 예측부를 포함하고, 상기 데이터 변환부는 상기 1차원 진동 신호들 각각을 연속 웨이블릿 변환(Continuous Wavelet Transform, CWT)하여 상기 2차원 이미지들을 생성한다.
Description
본 발명은 설비나 부품으로부터 수집되는 진동 신호(vibration signals)를 분석하여 잔여 수명(Remaining Useful Lifetime, RUL)을 예측하는 기법에 관한 것으로, 특히 진동 센서를 부착해 지속적으로 신호를 수집할 수 있는 모든 설비 또는 부품에 본 발명이 적용될 수 있으며, 특히 진동 신호를 기반으로 상태나 수명을 측정하는 베어링과 같은 부품의 교체 시기 등을 예측하고 결정할 수 있다.
잔여 수명 예측 기술은 건전성 예측 관리(Prognostics and Health Management, PHM) 분야에서 활발히 연구되고 있으며, 최근 스마트 공장(smart factory)이 대두되면서 더욱 중요하게 떠오르고 있다. 잔여 수명 예측은 주로 항공 산업, 원자력 발전, 자동차 산업, 반도체/디스플레이와 같은 첨단 산업 등에서 유용하게 사용될 수 있다. 주로 갑작스러운 이상이나 고장 발생 시에 치명적인 손상이 예상되는 설비나 부품에 적용되며, 지속해서 모니터링하면서 자료를 수집 및 분석하여 기계의 고장과 수명을 예측함으로써 예측 유지보수(Predictive Maintenance, PdM)하고자 한다. 잔여 수명 예측 기술을 적절히 활용하면 불필요한 설비의 유지보수를 감소시켜 유지비용을 절감하고 고장을 예측함으로써 안전성을 향상시킬 수 있다. 특히, 진동 모니터링의 경우 기계의 전반적인 상태를 추정하기에 간편하고 정확하여 보편적으로 널리 사용된다. 따라서, 본 발명에서는 진동 신호 기반의 잔여 수명 예측을 위한 방법 및 시스템을 제안하며, 기존 연구들에서의 단점을 개선하기 위해 최근 데이터 분석 정확도 향상에 크게 이바지하고 있는 딥러닝(deep learning) 기법을 접목해 잔여 수명 예측의 성능을 향상시키고자 한다.
본 발명이 이루고자 하는 기술적인 과제는 기존의 방법들보다 효율적이고 정확한 성능을 갖는, 진동 신호를 활용한 잔여 수명 예측 기법을 제공하는 것이다.
본 발명의 일 실시 예에 따른 잔여 수명 예측 장치는 복수의 1차원 진동 신호들 각각을 2차원 이미지로 변환하는 데이터 변환부, 상기 데이터 변환부에 의해 생성된 복수의 2차원 이미지들을 입력 데이터로 이용하여 건강 지표(Health Indicator, HI)를 출력하는 ANN(Artificial Neural Network, 인공 신경망) 모델을 학습시키는 예측 모델 생성부, 및 학습된 ANN 모델을 이용하여 예측 대상 설비 또는 예측 대상 부품의 잔여 수명(Remaining Useful Lifetime, RUL)을 예측하는 잔여 수명 예측부를 포함하고, 상기 데이터 변환부는 상기 1차원 진동 신호들 각각을 연속 웨이블릿 변환(Continuous Wavelet Transform, CWT)하여 상기 2차원 이미지들을 생성하는 것을 특징으로 한다.
또한, 본 발명의 일 실시 예에 따른 잔여 수명 예측 방법은 잔여 수명 예측 장치에 의해 수행되고, 상기 잔여 수명 예측 장치에 포함되는 데이터 변환부가 복수의 1차원 진동 신호들 각각을 2차원 이미지로 변환하는 단계, 상기 잔여 수명 예측 장치에 포함되는 예측 모델 생성부가 상기 데이터 변환부에 의해 생성된 복수의 2차원 이미지들을 입력 데이터로 이용하여 건강 지표(HI)를 출력하는 CNN 모델을 학습시키는 단계, 상기 잔여 수명 예측 장치에 포함되는 잔여 수명 예측부가 학습된 CNN 모델을 이용하여 예측 대상 설비 또는 예측 대상 부품의 잔여 수명(RUL)을 예측하는 단계를 포함하고, 상기 2차원 이미지로 변환하는 단계는 상기 1차원 진동 신호들 각각을 연속 웨이블릿 변환(CWT)하여 상기 2차원 이미지들을 생성하는 것을 특징으로 한다.
본 발명의 실시 예에 따른 잔여 수명 예측 방법에 의할 경우, 딥러닝 기법을 적용함으로써 하나의 신호에서 자동으로 잔여 수명 예측에 필요한 특질을 탐색하여 추출할 수 있다.
또한, 본 발명에서는 진동 신호를 시간-주파수 도메인의 정보를 담고 있는 2차원 이미지로 변환하여 사용함으로써 보다 효율적으로 딥러닝 기법을 활용할 수 있다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 상세한 설명이 제공된다.
도 1은 본 발명의 일 실시 예에 따른 잔여 수명 예측 장치의 기능 블럭도이다.
도 2는 설비 또는 부품으로부터 감지된 진동 신호의 일 예를 도시한다.
도 3은 진동 신호와 연속 웨이블릿 변환(CWT)에 의해 생성된 웨이블릿 파워 스펙트럼(wavelet power spectrum)의 등고선 선도(contour plot)를 도시한다.
도 4는 도 1에 도시된 예측 모델 생성부(300)에 의해 생성된 CNN 모델을 설명하기 위한 도면이다.
도 5는 도 1에 도시된 예측 모델 생성부에 의해 생성된 예측 모델의 잔여 수명 예측 동작을 설명하기 위한 도면으로서, 특정 부품의 추정된 건강 지표(estimated HI)와 예측된 건강 지표(predicted HI)를 도시한다.
도 6은 도 1에 도시된 잔여 수명 예측 장치에 의해 수행되는 잔여 수명 예측 방법을 설명하기 위한 흐름도이다.
도 1은 본 발명의 일 실시 예에 따른 잔여 수명 예측 장치의 기능 블럭도이다.
도 2는 설비 또는 부품으로부터 감지된 진동 신호의 일 예를 도시한다.
도 3은 진동 신호와 연속 웨이블릿 변환(CWT)에 의해 생성된 웨이블릿 파워 스펙트럼(wavelet power spectrum)의 등고선 선도(contour plot)를 도시한다.
도 4는 도 1에 도시된 예측 모델 생성부(300)에 의해 생성된 CNN 모델을 설명하기 위한 도면이다.
도 5는 도 1에 도시된 예측 모델 생성부에 의해 생성된 예측 모델의 잔여 수명 예측 동작을 설명하기 위한 도면으로서, 특정 부품의 추정된 건강 지표(estimated HI)와 예측된 건강 지표(predicted HI)를 도시한다.
도 6은 도 1에 도시된 잔여 수명 예측 장치에 의해 수행되는 잔여 수명 예측 방법을 설명하기 위한 흐름도이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 벗어나지 않은 채, 제1 구성 요소는 제2 구성 요소로 명명될 수 있고 유사하게 제2 구성 요소는 제1 구성 요소로도 명명될 수 있다.
어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성 요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 명세서에 첨부된 도면들을 참조하여 본 발명의 실시 예들을 상세히 설명한다. 그러나, 특허출원의 범위가 이러한 실시 예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 일 실시 예에 따른 잔여 수명 예측 장치의 기능 블럭도이다.
도 1을 참조하면, 잔여 수명 예측 장치(10)는 데이터 변환부(100), 예측 모델 생성부(300) 및 잔여 수명 예측부(500)를 포함한다. 실시 예에 따라, 잔여 수명 예측 장치(10)는 저장부(700)를 더 포함할 수도 있다. 잔여 수명 예측 장치(10)는 복수의 진동 신호들을 이용하여 예측 모델을 생성하고, 생성된 예측 모델을 이용하여 예측 대상 진동 신호가 발생한 설비 또는 부품의 잔여 수명(Remaining Useful Lifetime, RUL)을 예측할 수 있다.
데이터 변환부(100)는 특정 설비 또는 상기 특정 설비를 구성하는 특정 부품에 설치된 진동 센서로부터 출력된 복수의 진동 신호들 각각을 2차원 이미지(또는 2차원 이미지 데이터)로 변환할 수 있다. 구체적으로, 데이터 변환부(100)는 1차원의 진동 신호로부터 시간-주파수 도메인 영역의 특질을 추출하고, 추출된 특질을 시간축과 주파수축으로 이루어진 2차원 이미지로 변환할 수 있다. 여기서, 상기 특질은 웨이블릿 계수(wavelet coefficients)를 의미할 수 있으며, 하나의 진동 신호는 하나의 이미지로 변환될 수 있다.
또한, 데이터 변환부(100)는 잔여 수명(RUL)을 예측하기 위하여 예측 대상 진동 신호를 2차원 이미지 신호로 변환할 수도 있다.
예측 모델 생성부(300)는 설비 또는 부품의 잔여 수명(RUL)을 예측할 수 있는 예측 모델을 생성할 수 있다. 구체적으로, 예측 모델 생성부(300)는 ANN(Artificial Neural Network, 인공 신경망) 모델을 생성하고, 데이터 변환부(100)에 의해 생성된 2차원 이미지들을 이용하여 상기 ANN 모델을 학습할 수 있다. 상기 ANN은 CNN(Convolutional Neural Network, 콘볼루션 신경망)일 수 있으나, 본 발명이 권리 범위가 반드시 인공 신경망의 종류에 제한되는 것은 아니다. 또한, 예측 모델 생성부(300)는 소정의 예측 알고리즘, 예컨대 GPR 알고리즘(Gaussian Process Regression algorithm)을 이용하여 설비 또는 부품의 잔여 수명을 예측할 수 있다. 즉, 예측 모델 생성부(300)에 의해 생성된 예측 모델은 ANN 모델(또는 CNN 모델)과 GPR 알고리즘을 포함하는 개념으로 이해될 수 있다.
잔여 수명 예측부(500)는 예측 대상 설비 또는 예측 대상 부품에 설치된 진동 센서에 의해 측정된 진동 신호를 기초로 상기 예측 대상 설비 또는 상기 예측 대상 부품의 잔여 수명(RUL)을 예측할 수 있다. 구체적으로, 예측 대상 설비 또는 예측 대상 부품의 진동 신호는 데이터 변환부(100)에 의해 2차원 이미지로 변환되고, 잔여 수명 예측부(500)는 상기 2차원 이미지를 예측 모델 생성부(300)에 의해 생성된 예측 모델의 입력으로 이용함으로써 예측 대상 설비 또는 예측 대상 부품의 잔여 수명(RUL)을 예측할 수 있다.
저장부(700)에는 복수의 진동 신호들, 데이터 변환부(100)에 의해 생성된 복수의 2차원 이미지들, 예측 대상 진동 신호, 상기 예측 대상 진동 신호로부터 생성된 2차원 이미지, 예측 모델 생성부(300)에 의해 생성된 예측 모델, 평가 대상 설비 또는 평가 대상 부품에서 발생한 진동 신호 등이 저장될 수 있다.
도 2는 설비 또는 부품으로부터 감지된 진동 신호의 일 예를 도시한다.
도 2에 도시된 진동 신호는 특정 베어링(bearing)에서 전체 수명(whole lifetime)에 걸쳐 측정된 진동 신호이다. 시간 도메인(time domain)의 진동 신호에서, 가로축과 세로축은 각각 시간(time)과 진동의 크기(vibration amplitude)를 나타낸다. 중력 가속도(acceleration of gravity)를 나타내는 단위 [g]는 크기를 정의하기 위해 사용될 수 있다. 여기서 1g는 9.81 m/s2와 같다. 진동 신호의 크기는 시간이 흐름에 따라 점진적으로 증가하는 경향을 보이는데, 이는 진동 신호가 진단과 예측을 위한 많은 정보를 포함하고 있음을 의미한다.
본 발명에서는 진동 신호로부터 특질(예컨대, 이미지 특질들(image features))을 추출하기 위하여 연속 웨이블릿 변환(continuous wavelet transform, CWT)을 사용하고자 한다. 실시 예에 따라, 연속 웨이블릿 변환은 Morlet-based CWT일 수 있다.
도 3은 진동 신호와 연속 웨이블릿 변환(CWT)에 의해 생성된 웨이블릿 파워 스펙트럼(wavelet power spectrum)의 등고선 선도(contour plot)를 도시한다. 25.6 kHz의 주파수로 0.1 s 간격으로 샘플링된 진동 신호는 2560 개의 데이터 포인트를 갖는다.
도 3a는 정상 상태(normal condition)인 부품의 진동 신호를 도시하고, 도 3c는 수명이 다한 상태(fault condition)인 부품의 진동 신호를 도시한다. 부품의 수명이 다한 경우, 진동 신호의 크기가 -30 g에서 30 g 사이에 분포하며, 이는 정상 상태에서의 진동 신호에 비해 매우 큼을 알 수 있다. 웨이블릿 파워 스펙트럼에서, 가로축과 세로축은 각각 시간(time)과 주파수(frequency)를 나타낸다. 각 포인트의 색(color)은 시간-주파수 격자(time-frequency grid)에서 웨이블릿 계수(wavelet coefficients)의 크기(magnitude)를 나타낸다. 예컨대, 빨강색(red color)은 에너지 레벨(energy level)이 높음을 의미한다. 도 3의 (b)를 참조하면, 베어링이 정상 조건에서 동작하고 있을 때 에너지의 대부분은 4 kHz 주위에 집중되어 있으며, 에너지 분포에서 명확한 주기성이 없음을 알 수 있다. 반면에, 도 3의 (d)를 참조하면, 약 0.25 kHz에서 8 kHz를 초과하는 지점까지의 범위에서 에너지 버스트(energy bursts)를 보여준다. 0.25 kHz와 1 kHz 사이의 주파수 대역(frequency band)에서 정규 간격(regular interval)으로 충격이 발생한다. 저주파 대역에서 높은 에너지가 관찰되는 경우, 이는 베어링의 수명이 다해감을 의미할 수 있다.
상술한 바와 같이, 데이터 변환부(100)는 1차원의 진동 신호를 2차원의 이미지로 변환할 수 있다. 상기 2차원 이미지는 시간축과 주파수축으로 이루어진 직각 좌표계에서 웨이블릿 계수를 그 크기에 대응되는 색으로 표시함으로써 생성될 수 있다. 즉, 2차원의 이미지는 웨이블릿 파워 스팩트럼을 의미할 수 있다.
도 4는 도 1에 도시된 예측 모델 생성부(300)에 의해 생성된 CNN 모델을 설명하기 위한 도면이다.
도 4를 참조하면, 예측 모델 생성부(300)는 CNN(Convolutional neural network) 모델을 생성할 수 있다. 특질 추출(feature extraction)을 위하여, 상기 CNN 모델에는 교대로(alternately) 연결된 4 개의 콘볼루션 레이어들(convolutional layers)과 4 개의 풀링 레이어들(pooling layers)이 포함된다. 콘볼루션 레이어의 필터 사이즈(filter size)는 3×3이고, 최대 풀링 레이어(max pooling layer)의 필터 사이즈는 2×2이다. 4 개의 콘볼루션 레이어들 각각의 채널(channel)은 32, 64, 128, 256이다. CNN 모델의 최종 레이어는 플랫튼 레이어(flatten layer), 2 개의 풀리 컨넥티드 레이어(fully connected layer) 및 출력 레이어(output layer)를 포함한다. 콘볼루션 레이어들을 거친 후, 2차원 특질 맵(feature map)은 평탄화되고(flattened) 풀리 컨넥티드 레이어에 연결된다. 풀리 컨넥티드 레이어들에서, 2560 개와 768 개의 노드들이 각각 선택된다. 마지막으로, 건강 지표(health indicator, HI)를 획득하기 위해 마지막 풀리 컨넥티드 레이어와 출력 뉴런(output neuron)이 연결된다. ReLU 함수는 콘볼루션 레이어와 풀리 컨넥티드 레이어에 적용되고, 건강 지표(HI)의 값을 0과 1 사이(0과 1을 포함할 수도 있음)의 값으로 정규화하기 위해 출력 레이어에서는 sigmoid 함수가 이용될 수 있다. 파라미터 설정이 완료된 후 CNN 모델은 수학식 1로 표현되는 손실 함수(loss function)를 최소화하기 위해 학습된다. 즉, 예측 모델 생성부(300)는 데이터 변환부(100)에 의해 생성된 이미지 데이터를 이용하여 CNN 모델을 학습할 수 있다.
수학식 1에서, 
는 시간 
에서 CNN 모델의 예측값(predicted value)이고 
는 실제값(actual value)이며, 
는 고장 시간(즉, 설비 또는 부품의 수명)을 의미한다.
도 5는 도 1에 도시된 예측 모델 생성부에 의해 생성된 예측 모델의 잔여 수명 예측 동작을 설명하기 위한 도면이다. 즉, 도 5는 특정 부품의 추정된 건강 지표(estimated HI)와 예측된 건강 지표(predicted HI)를 도시한다.
CNN 모델에 의한 건강 지표(HI)가 획득되면(계산되면), 잔여 수명(RUL)을 예측하기 위하여 GPR 알고리즘(Gaussian Process Regression algorithm)이 사용된다. GPR 알고리즘(또는 GPR 모델)은 커널기반의 기계 학습 기법(kernel-based machine learning technique)의 일종이다. 본 발명에서, 평균(average)과 공분산 함수들(covariance functions)은 각각 0과 선형 함수(linear function)로 가정할 수 있다. 상기 공분산 함수를 위한 하이퍼 파라미터들(hyper-parameters)은 로그 우도 함수(log-likelihood function)을 최대화함으로써 최적화될 수 있다. GPR 모델은 현재 시점(current time)까지 추정된 건강 지표(HI)로부터 미래의 건강 지표(HI)를 예측할 수 있다.
도 5에서, CNN 모델에 의해 획득된 현재 시점(current time)까지의 건강 지표(HI)는 점(dot)으로 표시되어 있다. 도 5에서 실선(solid line)은 GPR 모델에 의해 현재 시점 이전까지의 추정된 건강 지표(HI)와 현재 시점 이후의 예측된 건강 지표(HI)를 의미한다. 점선(dotted lines)은 95%의 신뢰 구간(confidence interval)을 표시한다. 잔여 수명(RUL)은 건강 지표(HI)가 임계치(threshold)에 도달한 시점과 현재 시점의 차이로써 계산될 수 있다. 여기서, 임계치는 엔지니어의 도메인 지식에 의해 결정되거나 실험을 통해 결정될 수 있다. 또한, 임계치는 고정된 값이 아니고 상황에 따라 또는 적용되는 부품이나 설비에 따라 변화 가능한 값임은 자명하다.
도 6은 도 1에 도시된 잔여 수명 예측 장치에 의해 수행되는 잔여 수명 예측 방법을 설명하기 위한 흐름도이다. 잔여 수명 예측 방법을 설명함에 있어 앞서 기재된 내용과 중복되는 내용에 관하여는 그 기재를 생략하기로 한다.
도 6을 참조하면, 잔여 수명 예측 장치(10)의 데이터 변환부(100)는 1차원 진동 신호들 각각을 2차원의 이미지로 변환한다(S100). 즉, 데이터 변환부(100)는 1차원 진동 신호로부터 획득된 특질들(예컨대, 웨이블릿 계수들)를 시간축과 주파수축을 포함하는 직각 좌표계에 표시(또는 표현)함으로써 2차원의 이미지를 생성할 수 있다.
잔여 수명 예측 장치(10)의 예측 모델 생성부(300)는 데이터 변환부(100)에 의해 생성된 2차원 이미지들을 이용하여 예측 모델을 생성할 수 있다(S300). 구체적으로, 예측 모델 생성부(300)는 데이터 변환부(100)가 생성한 2차원 이미지들을 훈련 데이터(training data)로 이용함으로써 학습된 CNN 모델을 생성하고, 학습된 CNN 모델의 결과물로부터 미래의 건강 지표(HI)를 예측하고 잔여 수명(RUL)을 예측하는 GPR 모델(또는 GPR 알고리즘)을 결합함으로써 예측 모델을 생성할 수 있다. 즉, 상기 예측 모델은 CNN 모델과 GPR 모델을 포함하는 개념으로 이해되나, 실시 예에 따라 상기 예측 모델은 CNN 모델만을 의미할 수도 있다. 이 경우, 예측 모델 생성부(300)는 학습된 CNN 모델만을 생성하고, GPR 모델을 통한 잔여 수명 예측은 잔여 수명 예측부(500)에 의해 수행될 수 있다.
S500 단계에서는 예측 대상 설비 또는 예측 대상 부품의 잔여 수명(RUL)이 예측된다. 구체적으로 예측 대상 설비 또는 예측 대상 부품으로부터 획득된 현재 시점까지의 1차원 진동 신호는 데이터 변환부(100)에 의해 2차원 이미지로 변환된다. 또한, 잔여 수명 예측부(500)는 예측 모델 생성부(300)에 의해 생성된 예측 모델을 이용하여 상기 예측 대상 설비 또는 예측 대상 부품의 잔여 수명(RUL)을 예측할 수 있다. 실시 예에 따라, 상기 예측 모델이 CNN 모델만을 포함할 수 있다. 이 경우, 잔여 수명 예측부(500)는 예측 모델, 즉 CNN 모델을 이용하여 상기 예측 대상 설비 또는 상기 예측 대상 부품의 건강 지표(HI)를 계산하고, GPR 모델을 이용하여 잔여 수명(RUL)을 예측할 수 있다.
이상에서 설명된 장치는 하드웨어 구성 요소, 소프트웨어 구성 요소, 및/또는 하드웨어 구성 요소 및 소프트웨어 구성 요소의 집합으로 구현될 수 있다. 예를 들어, 실시 예들에서 설명된 장치 및 구성 요소는, 예를 들어, 프로세서, 콘트롤러, ALU(Arithmetic Logic Unit), 디지털 신호 프로세서(Digital Signal Processor), 마이크로컴퓨터, FPA(Field Programmable array), PLU(Programmable Logic Unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(Operation System, OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술 분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(Processing Element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(Parallel Processor)와 같은, 다른 처리 구성(Processing Configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(Computer Program), 코드(Code), 명령(Instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(Collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성 요소(Component), 물리적 장치, 가상 장치(Virtual Equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(Signal Wave)에 영구적으로, 또는 일시적으로 구체화(Embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시 예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 좋ㅂ하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시 예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM, DVD와 같은 광기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-optical Media), 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시 예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성 요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성 요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
10 : 잔여 수명 예측 장치
100 : 데이터 변환부
300 : 예측 모델 생성부
500 : 잔여 수명 예측부
700 : 저장부
100 : 데이터 변환부
300 : 예측 모델 생성부
500 : 잔여 수명 예측부
700 : 저장부
Claims (10)
- 복수의 1차원 진동 신호들 각각을 2차원 이미지로 변환하는 데이터 변환부;
상기 데이터 변환부에 의해 생성된 복수의 2차원 이미지들을 입력 데이터로 이용하여 건강 지표(Health Indicator, HI)를 출력하는 ANN(Artificial Neural Network, 인공 신경망) 모델을 학습시키는 예측 모델 생성부; 및
상기 ANN 모델을 이용하여 예측 대상 설비 또는 예측 대상 부품의 잔여 수명(Remaining Useful Lifetime, RUL)을 예측하는 잔여 수명 예측부를 포함하고,
상기 데이터 변환부는 상기 1차원 진동 신호들 각각을 연속 웨이블릿 변환(Continuous Wavelet Transform, CWT)하여 상기 2차원 이미지들을 생성하고,
상기 데이터 변환부는 상기 예측 대상 설비 또는 상기 예측 대상 부품으로부터 발생한 예측 대상 진동 신호를 연속 웨이블릿 변환(CWT)하여 예측 대상 이미지를 생성하고,
상기 잔여 수명 예측부는 상기 예측 대상 이미지를 상기 ANN 모델에 입력하여 현재 시점까지의 건강 지표(HI)를 계산하고, GPR(Gaussian Process Regression) 알고리즘을 이용하여 현재 시점까지의 건강 지표를 추정하고 미래의 건강 지표를 예측하는,
잔여 수명 예측 장치.
- 제1항에 있어서,
상기 ANN 모델은 CNN(Convolutional Neural Network, 콘볼루션 신경망) 모델인,
잔여 수명 예측 장치.
- 제2항에 있어서,
상기 2차원 이미지들 각각은 시간축과 주파수축으로 이루어진 직각 좌표계에 1차원 진동 신호로부터 획득된 웨이블릿 계수들(wavelet coefficients) 각각이 크기에 대응되는 색(color)으로 표시된 이미지인,
잔여 수명 예측 장치.
- 삭제
- 제1항에 있어서,
상기 잔여 수명 예측부는 추정된 미래의 건강 지표(HI)가 임계치에 도달하는 시점과 현재 시점의 차이를 상기 예측 대상 설비 또는 상기 예측 대상 부품의 잔여 수명(RUL)으로 결정하는,
잔여 수명 예측 장치.
- 제5항에 있어서,
상기 건강 지표(HI)는 0과 1 사이의 값을 갖는,
잔여 수명 예측 장치.
- 잔여 수명 예측 장치에 의해 수행되는 잔여 수명 예측 방법에 있어서,
상기 잔여 수명 예측 장치에 포함되는 데이터 변환부가 복수의 1차원 진동 신호들 각각을 2차원 이미지로 변환하는 단계;
상기 잔여 수명 예측 장치에 포함되는 예측 모델 생성부가 상기 데이터 변환부에 의해 생성된 복수의 2차원 이미지들을 입력 데이터로 이용하여 건강 지표(HI)를 출력하는 CNN 모델을 학습시키는 단계; 및
상기 잔여 수명 예측 장치에 포함되는 잔여 수명 예측부가 상기 CNN 모델을 이용하여 예측 대상 설비 또는 예측 대상 부품의 잔여 수명(RUL)을 예측하는 단계를 포함하고,
상기 복수의 1차원 진동 신호들 각각을 2차원 이미지로 변환하는 단계는, 상기 1차원 진동 신호들 각각을 연속 웨이블릿 변환(CWT)하여 상기 2차원 이미지들을 생성하고,
상기 잔여 수명(RUL)을 예측하는 단계는,
상기 데이터 변환부가 상기 예측 대상 설비 또는 상기 예측 대상 부품으로부터 발생한 예측 대상 진동 신호를 연속 웨이블릿 변환하여 예측 대상 이미지를 생성하는 단계;
상기 잔여 수명 예측부가 상기 예측 대상 이미지를 상기 CNN 모델에 입력하여 현재 시점까지의 건강 지표(HI)를 계산하는 단계;
상기 잔여 수명 예측부가 GPR 알고리즘을 이용하여 현재 시점까지의 건강 지표를 추정하고 미래의 건강 지표를 예측하는 단계; 및
상기 잔여 수명 예측부가 추정된 미래의 건강 지표(HI)가 임계치에 도달하는 시점과 현재 시점의 차이를 상기 예측 대상 설비 또는 상기 예측 대상 부품의 잔여 수명(RUL)로 결정하는 단계를 포함하는,
잔여 수명 예측 방법.
- 제7항에 있어서,
상기 2차원 이미지들 각각은 시간축과 주파수축으로 이루어진 직각 좌표계에 1차원 진동 신호로부터 획득된 웨이블릿 계수들 각각이 크기에 대응되는 색으로 표시된 이미지인,
잔여 수명 예측 방법.
- 삭제
- 제7항에 있어서,
상기 건강 지표(HI)는 0과 1 사이의 값을 갖는,
잔여 수명 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180123992A KR102178787B1 (ko) | 2018-10-17 | 2018-10-17 | 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180123992A KR102178787B1 (ko) | 2018-10-17 | 2018-10-17 | 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200043196A KR20200043196A (ko) | 2020-04-27 |
| KR102178787B1 true KR102178787B1 (ko) | 2020-11-13 |
Family
ID=70467678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180123992A KR102178787B1 (ko) | 2018-10-17 | 2018-10-17 | 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102178787B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114239932A (zh) * | 2021-12-01 | 2022-03-25 | 深圳供电局有限公司 | 一种变压器寿命预测方法、装置、计算机设备和存储介质 |
| KR102407773B1 (ko) * | 2021-10-18 | 2022-06-10 | 가온플랫폼 주식회사 | 설비 실시간 건전도를 반영한 설비 신뢰도 산출 시스템 및 방법 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257333A (zh) * | 2020-09-24 | 2021-01-22 | 浙江工业大学 | 一种基于深度学习的机械设备内部组件寿命预测方法 |
| CN113553759B (zh) * | 2021-06-17 | 2024-04-30 | 浙江工业大学之江学院 | 水泵剩余使用寿命预测方法、装置、设备及存储介质 |
| CN113807005A (zh) * | 2021-08-12 | 2021-12-17 | 北京工业大学 | 基于改进fpa-dbn的轴承剩余寿命预测方法 |
| KR102315492B1 (ko) * | 2021-08-30 | 2021-10-21 | (주)텔레스퀘어 | 모터 수명 예측 시스템 및 이의 실행 방법 |
| KR102376343B1 (ko) * | 2021-09-30 | 2022-03-21 | 주식회사 블록스미스 | 피디엠을 통한 아이오티 기기 관리 시스템 |
| CN114021274A (zh) * | 2021-10-27 | 2022-02-08 | 广汽本田汽车有限公司 | 超声波冲头使用寿命检测方法、系统、装置及存储介质 |
| KR102634666B1 (ko) * | 2021-12-03 | 2024-02-07 | 건국대학교 산학협력단 | 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법 |
| CN114298210A (zh) * | 2021-12-24 | 2022-04-08 | 江苏国科智能电气有限公司 | 一种多视角融合风电齿轮箱轴承剩余寿命预测方法 |
| KR102426284B1 (ko) * | 2022-02-10 | 2022-07-29 | 주식회사 아르스루퍼 | 진동분석 기반의 구조물 이상감지장치 |
| KR102651572B1 (ko) * | 2022-02-10 | 2024-03-26 | 한국콘베어공업주식회사 | 전동기의 잔존수명 예측 장치 및 방법 |
| KR20240033359A (ko) | 2022-09-05 | 2024-03-12 | 고려대학교 산학협력단 | 기계 건강 지표 구축 방법 및 장치 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3449194B2 (ja) * | 1997-01-28 | 2003-09-22 | 松下電工株式会社 | 回転機器の異常診断方法およびその装置 |
| US9002775B1 (en) | 2011-09-02 | 2015-04-07 | Lockheed Martin Corporation | Systems and methods for estimating a remaining useful life of an item |
| EP3035140B1 (en) | 2014-12-19 | 2018-09-12 | Rolls-Royce Deutschland Ltd & Co KG | Equipment health monitoring method and system |
| KR102408426B1 (ko) | 2016-10-12 | 2022-06-10 | 삼성에스디에스 주식회사 | 설비 노화 지수를 이용한 이상 감지 방법 및 장치 |
-
2018
- 2018-10-17 KR KR1020180123992A patent/KR102178787B1/ko active IP Right Grant
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102407773B1 (ko) * | 2021-10-18 | 2022-06-10 | 가온플랫폼 주식회사 | 설비 실시간 건전도를 반영한 설비 신뢰도 산출 시스템 및 방법 |
| CN114239932A (zh) * | 2021-12-01 | 2022-03-25 | 深圳供电局有限公司 | 一种变压器寿命预测方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200043196A (ko) | 2020-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102178787B1 (ko) | 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법 | |
| Abdeljaber et al. | Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks | |
| JP6406261B2 (ja) | 情報処理装置、及び、分析方法 | |
| US20190017911A1 (en) | Real-time structural damage detection by convolutional neural networks | |
| US20230114296A1 (en) | Automated analysis of non-stationary machine performance | |
| JP6237774B2 (ja) | 情報処理システム、情報処理方法及びプログラム | |
| JPWO2017094267A1 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| JP6374466B2 (ja) | センサインタフェース装置、測定情報通信システム、測定情報通信方法、及び測定情報通信プログラム | |
| Liu et al. | Sensor faults classification for SHM systems using deep learning-based method with Tsfresh features | |
| WO2016206765A1 (en) | Deriving movement behaviour from sensor data | |
| Gharehbaghi et al. | Supervised damage and deterioration detection in building structures using an enhanced autoregressive time-series approach | |
| CN102495949A (zh) | 一种基于飞行数据的故障预报方法 | |
| CN113029559B (zh) | 一种齿轮箱故障诊断方法及系统 | |
| Flah et al. | Localization and classification of structural damage using deep learning single-channel signal-based measurement | |
| JPH0285975A (ja) | パターンデータ処理装置及びプロセス計測情報処理装置及び画像処理装置及び画像認識装置 | |
| US20170299472A9 (en) | Method for predicting a plant health status, system for predicting a plant health status, and a computer-readable storage medium in which a program for performing the method is stored | |
| KR20200139991A (ko) | 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템, 방법 및 컴퓨터 프로그램 | |
| Lakshmi et al. | Structural damage detection using ARMAX time series models and cepstral distances | |
| CN117104377B (zh) | 电动自行车的智能管理系统及其方法 | |
| Wang et al. | A probabilistic detectability-based structural sensor network design methodology for prognostics and health management | |
| KR102069553B1 (ko) | 학습 데이터의 변환을 이용한 회전체의 효율 예측 시스템 및 방법 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN116106672A (zh) | 一种基于数据驱动与工程知识的车网谐振检测方法及装置 | |
| KR102458771B1 (ko) | Gnn을 이용한 교량 구조물의 모니터링 방법 및 장치 | |
| Velasco-Gallego et al. | Analysis of variational autoencoders for imputing missing values from sensor data of marine systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |