KR102226687B1 - 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법 - Google Patents
딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR102226687B1 KR102226687B1 KR1020200092427A KR20200092427A KR102226687B1 KR 102226687 B1 KR102226687 B1 KR 102226687B1 KR 1020200092427 A KR1020200092427 A KR 1020200092427A KR 20200092427 A KR20200092427 A KR 20200092427A KR 102226687 B1 KR102226687 B1 KR 102226687B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- maintenance
- prediction
- unit
- learning model
- 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
- G05B23/0259—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]
-
- 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
- G05B23/0243—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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치에 관한 것이며, 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치는 기계 설비의 정비 이력, 기계 상태 데이터 및 장비 체계 데이터 중 적어도 어느 하나를 포함하는 복수의 정비 데이터를 수집하는 데이터 수집부, 상기 복수의 정비 데이터 중 예측에 필요한 변수를 도출하고, 순환 신경망 알고리즘에 적용 가능하도록 상기 복수의 정비 데이터를 전처리하는 데이터 전처리부, 상기 데이터 전처리부에서 전처리된 상기 복수의 정비 데이터를 입력으로 하고 정비 주기를 출력으로 정비 주기 예측 학습 모델을 구축하는 딥러닝 모델 학습부 및 상기 정비 주기 예측 학습 모델의 출력 결과를 기반으로 신규 기계의 정비 주기를 예측하는 정비 주기 예측부를 포함하되, 상기 데이터 전처리부는, 상기 복수의 정비 데이터의 이상값을 탐지하는 이상값 탐지부, 정제된 상기 복수의 정비 데이터를 통합하는 데이터 통합부 및 상기 데이터 통합부에서 통합된 복수의 정비 데이터를 상기 정비 주기 예측 학습 모델에 입력하기 위해 3차원 데이터 셋으로 변환하는 데이터 변환부를 포함할 수 있다.
Description
본원은 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법에 관한 것이다.
일반적으로 전차, 항공기, 공장 설비, 로봇, 원자력 발전기와 같은 기계 설비들은 다양한 외부 환경에 노출될 뿐만 아니라 장비가 작동 가능한 극한의 환경 내에서 운용되고 있다.
그렇기 때문에 이러한 기계 설비들은 지속적인 운용으로 인한 마모, 결함 및 성능 저하가 발생하게 되며 기계가 운용 가능한 기간인 잔존 수명에 영향을 미치게 된다.
여기서 기계의 잔존 수명이란 기계 설비 제작 및 설치 시 기대했던 성능을 유지하면서 사용할 수 있는 기간을 말한다.
이렇듯 결함으로 인한 기계의 잔존 수명의 감소는 기계의 가동률 및 신뢰도를 감소시키게 되며 이로 인해 기계를 직접 운용하는 기관에는 경제적 손실로 이어질 수밖에 없다.
이러한 기계 잔존 수명을 관리하기 위한 기존 방법으로는 RUL(Remaining Useful Life) 예측 기법이 있으나, 기존 이동 평균법, 지수 평활법, ARIMA와 같은 단순 통계적 기법으로 인해 낮은 정확률의 한계를 보이고 있다.
본원의 배경이 되는 기술은 한국등록특허공보 제10-1914874호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 통계적 기법으로 인한 낮은 성능의 수명 주기 예측의 한계를 극복하기 위해 딥러닝 기법을 적용하여 기계 설비의 정비간 간격을 의미하는 정비 주기를 예측할 수 있는 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 정비 주기 예측 시 기계 설비별 과거 정비 주기 패턴을 바탕으로 예측하기 위한 데이터 셋을 구축하며 해당 데이터 셋을 딥러닝 모델인 LSTM 알고리즘에 학습시켜 기계 설비의 정비 주기를 예측할 수 있는 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치는, 기계 설비의 정비 이력, 기계 상태 데이터 및 장비 체계 데이터 중 적어도 어느 하나를 포함하는 복수의 정비 데이터를 수집하는 데이터 수집부, 상기 복수의 정비 데이터 중 예측에 필요한 변수를 도출하고, 순환 신경망 알고리즘에 적용 가능하도록 상기 복수의 정비 데이터를 전처리하는 데이터 전처리부, 상기 데이터 전처리부에서 전처리된 상기 복수의 정비 데이터를 입력으로 하고 정비 주기를 출력으로 정비 주기 예측 학습 모델을 구축하는 딥러닝 모델 학습부 및 상기 정비 주기 예측 학습 모델의 출력 결과를 기반으로 신규 기계의 정비 주기를 예측하는 정비 주기 예측부를 포함하되, 상기 데이터 전처리부는, 상기 복수의 정비 데이터의 이상값을 탐지하는 이상값 탐지부, 정제된 상기 복수의 정비 데이터를 통합하는 데이터 통합부 및 상기 데이터 통합부에서 통합된 복수의 정비 데이터를 상기 정비 주기 예측 학습 모델에 입력하기 위해 3차원 데이터 셋으로 변환하는 데이터 변환부를 포함할 수 있다.
또한, 상기 딥러닝 모델 학습부는, 상기 데이터 전처리부에서 전처리된 상기 복수의 정비 데이터를 미리 설정된 비율을 고려하여 학습 데이터, 테스트 데이터, 검증 데이터로 구분하고, 상기 학습 데이터 및 테스트 데이터를 이용하여 상기 정비 주기 예측 학습 모델을 학습하고, 상기 검증 데이터를 이용하여 상기 정비 주기 예측 학습 모델의 성능 검증을 수행할 수 있다.
또한, 정비 주기 예측 장치는, 사용자 단말로 정비 주기 예측 정보와 관련된 선택 항목을 제공하는 데이터 제공부 및 상기 사용자 단말로부터 정비 주기 예측 입력 정보를 수신하는 사용자 입력 수신부를 더 포함하되, 상기 미리 설정된 비율은 상기 사용자 단말로부터 제공받은 입력 정보를 고려하여 설정할 수 있다.
또한, 상기 데이터 전처리부는, 상기 복수의 정비 데이터에 포함된 수치형 데이터의 결측치를 최대값, 최빈값, 최소값, 중간값, 0 중 적어도 어느 하나로 치환하는 전처리를 수행할 수 있다.
또한, 상기 데이터 수집부는, 기계의 내부 및 외부에 구비되는 진동 센서로부터 상기 기계의 진동 변위 정보, 및 가속도 정보를 포함하는 진동 데이터를 수집하고, 상기 데이터 전처리부는, 상기 진동 데이터를 FFT 알고리즘에 적용하여 주파수 분석을 수행하고, 상기 진동 데이터 및 주파수 분석 결과를 변수 추출 알고리즘에 적용하여 특질 변수를 추출할 수 있다.
또한, 상기 딥러닝 모델 학습부는, 상기 데이터 전처리부에서 추출된 상기 특질 변수를 입력으로 하는 머신러닝 알고리즘을 이용하여 상기 기계의 결함 유무를 학습하는 결함 예측 모델을 생성하되, 상기 결함 예측 모델은 Decision Tree 알고리즘, Random Forest 알고리즘, SVM 알고리즘 및 KNN알고리즘 중 적어도 어느 하나에 기초하여 생성할 수 있다.
또한, 상기 데이터 제공부는, 상기 정비 주기 예측 정보와 관련된 선택 항목에 포함된 배치크기, 타임스텝 및 차원에 대응하는 선택 항목을 상기 사용자 단말로 제공하고, 상기 데이터 변환부는, 상기 사용자 입력 수신부가 상기 배치크기, 타임스텝, 차원의 선택 항목에 대한 응답으로서 수신한 사용자 입력 정보를 고려하여 상기 정비 주기 예측 학습 모델에 입력하기 위한 3차원 데이터 셋 변환을 수행할 수 있다.
본원의 일 실시예에 따르면, 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 방법은, 기계 설비의 정비 이력, 기계 상태 데이터 및 장비 체계 데이터 중 적어도 어느 하나를 포함하는 복수의 정비 데이터를 수집하는 단계, 상기 복수의 정비 데이터 중 예측에 필요한 변수를 도출하는 단계, 순환 신경망 알고리즘에 적용 가능하도록 상기 복수의 정비 데이터를 전처리하는 단계, 전처리된 상기 복수의 정비 데이터를 입력으로 하고 정비 주기를 출력으로 정비 주기 예측 학습 모델을 구축하는 단계 및 상기 정비 주기 예측 학습 모델의 출력 결과를 기반으로 신규 기계의 정비 주기를 예측하는 단계를 포함하되, 상기 전처리하는 단계는, 상기 복수의 정비 데이터의 이상값을 탐지하는 단계, 정제된 상기 복수의 정비 데이터를 통합하는 단계 및 통합된 복수의 정비 데이터를 상기 정비 주기 예측 학습 모델에 입력하기 위해 3차원 데이터 셋으로 변환하는단계를 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 기계 설비의 정비 이력 및 상태 데이터를 기반으로 시계열 기반의 딥러닝 모델인 LSTM 알고리즘을 적용함으로써, 기존 ARIMA, 이동평균법, 지수평활법 등과 같은 통계적 기법의 낮은 정확률의 한계를 극복하고, 해당 기계 설비의 가동률을 향상함에 따라 기계 설비 운용 기관의 경제적 효과를 증가시킬 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 기계 설비의 정비 이력 및 상태 데이터를 기반으로 시계열 기반의 딥러닝 모델인 LSTM 알고리즘을 적용함으로써, 교체가 필요 없는 부분은 그대로 사용하면서 예상치 못한 고장에는 미리 대비할 수 있어, 해당 기계 설비의 가동률을 향상함에 따라 기계 설비 운용 기관의 경제적 효과를 증가시킬 수 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 딥러닝 기반의 정비 주기 예측 장치의 개략적인 구성도이다.
도 2는 본원의 일 실시예에 따른 딥러닝 기반의 정비 주기 예측 장치에 대한 데이터 전처리부의 개략적인 블록도이다.
도 3은 본원의 일 실시예에 따른 딥러닝 기반의 정비 주기 예측 방법에 대한 동작 흐름도이다.
도 2는 본원의 일 실시예에 따른 딥러닝 기반의 정비 주기 예측 장치에 대한 데이터 전처리부의 개략적인 블록도이다.
도 3은 본원의 일 실시예에 따른 딥러닝 기반의 정비 주기 예측 방법에 대한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본원의 일 실시예에 따른 딥러닝 기반의 정비 주기 예측 장치의 개략적인 구성도이다. 이하에서 설명되는 장비는 전차, 항공기, 공장 설비, 로봇, 원자력 발전기와 같은 외부 환경에 노출되고, 극한 환경 내에서 운용되는 장비일 수 있으나, 이에 한정되는 것은 아니다.
본원의 일 실시예에 따르면, 정비 주기 예측 장치(100)는 특정 장비의 정비와 관련한 시계열 데이터를 수집하고, 수집된 데이터를 정제 및 정형화하고 딥러닝 모델의 알고리즘을 이용하여 학습 모델을 구축하고 검증하며, 신규 데이터의 정비 주기를 예측할 수 있다. 또한, 정비 주기 예측 장치(100)는 빅데이터 환경하에서 발생하는 다양한 정형 및 비정형 데이터를 수집하고, 정형 및 비정형 데이터를 벡터화 또는 PCA 기법을 통해 필요한 변수만을 도출하여, 딥러닝 모델 기반으로 특정 장비의 고장을 예측할 수 있다. PCA는 데이터 분산(variance)을 최대한 보존하면서 서로 직교하는 새 기저(축)을 찾아, 고차원 공간의 표본들을 선형 연관성이 없는 저차원 공간으로 변환하는 기법이다.
또한, 정비 주기 예측 장치(100)는 정비 주기 예측 결과를 시각화하여 사용자 단말(미도시)로 전송할 수 있다. 이때, 사용자 단말은 전차, 항공기, 공장 설비, 로봇, 원자력 발전기를 운용하거나 정비하는 사용자의 단말일 수 있다. 일예로, 사용자 단말은 전투기, 전차, 군 전력 장비의 시스템을 운용하거나 정비하는 사용자의 단말일 수 있다. 정비 주기 예측 장치(100)는 DDS(Data Distribution Service) 및 OPC-UA(Open Platform Communication UnifiedArchitecture) 같은 단말기와 연동될 수 있다.
또한, 정비 주기 예측 장치(100)는 사용자 단말(미도시)과 데이터, 콘텐츠, 각종 통신 신호를 네트워크를 통해 송수신하고, 데이터 저장 및 처리의 기능을 가지는 모든 종류의 서버, 단말, 또는 디바이스를 포함할 수 있다.
도 1을 참조하면, 정비 주기 예측 장치(100)는 데이터 수집부(110), 데이터 전처리부(120), 딥러닝 모델 학습부(130), 정비 주기 예측부(140) 및 시각화부(150)를 포함할 수 있다. 다만, 정비 주기 예측 장치(100)의 구성이 이에 한정되는 것은 아니다. 예를 들어, 정비 주기 예측 장치(100)는 시계열 데이터를 포함하는 데이터베이스(미도시)를 포함할 수 있다.
본원의 일 실시예에 따르면, 데이터 수집부(110)는 복수의 정비 데이터를 수집할 수 있다. 복수의 정비 데이터는, 기계 설비의 정비 이력, 기계 상태 데이터 및 장비 체계 데이터 중 적어도 어느 하나를 포함할 수 있다. 또한, 복수의 정비 데이터는 시계열 데이터일 수 있다. 또한, 복수의 정비 데이터는 데이터베이스(미도시)에 저장된 데이터일 수 있다. 달리 말해, 데이터 수집부(110)는 데이터베이스(미도시) 또는 외부 서부(미도시)로부터 특정 기계(장비)에 대한 기존 정비 이력, 기계 설비 상태 데이터, 장비 체계 데이터 등의 다양한 시계열 데이터를 수집할 수 있다. 또한, 데이터 수집부(110)는 데이터베이스(미도시)에 저장된 데이터 셋으로부터 복수의 정비 데이터를 수집할 수 있다. 데이터베이스(미도시)는 과거 1년 이상의 정비 이력 정보를 포함하는 시계열 데이터일 수 있다. 달리 말해, 데이터 수집부(110)는 정비 이력 및 상태 데이터 등이 저장된 데이터베이스(미도시)로부터 과거 1년 이상의 복수의 정비 데이터를 수집할 수 있다. 또한, 데이터 수집부(110)는 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집할 수 있다. 장비의 복수의 부품들 각각에 대한 정비 데이터는 기계에 포함된 부품의 실시간 센서 결과 데이터, 기계에 포함된 부품의 고장 및 정비 이력 데이터 및 기계에 포함된 부품의 체계 데이터 중 적어도 하나를 포함할 수 있다.
또한, 데이터 수집부(110)는 네트워크를 통해 외부 서버에서 정비 데이터를 수집할 수 있다. 또한, 데이터 수집부(110)는 네트워크를 통해 장비(기계)의 내부 및 외부 구비된 복수의 센서(미도시)로부터 센싱 신호를 수신할 수 있다. 데이터 수집부(110)와 외부 서버(미도시) 및 복수의 센서(미도시)간의 정보 공유를 위한 네트워크의 일 예로는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 유무선 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local AreaNetwork), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, Wifi 네트워크, NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함될 수 있으며, 이에 한정된 것은 아니다.
일예로, 데이터 수집부(110)는 특정 기계(예를 들어, 엔진)에 포함된 구성요소(부품) 각각의 교체 품목, 교체 일시, 교체 주기 및 결함내역, 정비내역과 같은 텍스트 데이터, 환경에 기반을 둔 부품들의 노후 속도 등을 포함하는 정비 데이터를 수집할 수 있다. 일예로, 정비 데이터는 해당 기계(장비)에 포함된 복수의 부속품 각각에 대한 이력데이터 일 수 있다.
다른 일예로, 데이터 수집부(110)는 기계(장비)의 복수의 부품을 각각에 대한 정비 데이터를 데이터베이스를 통해 연결하여 정비 데이터 셋을 구성하여 정비 데이터를 수집할 수 있다. 예시적으로, 데이터 셋은 복수의 레코드를 포함할 수 있다. 여기서, 데이터는, 기계(장비)의 정비 품목, 정비 주기, 정비 일시, 정비 텍스트(예를 들어, 결함내용, 조치내용 등), 환경(예를 들어, 온도에 따른 장비의 노후 속도) 등을 기준으로 연결함으로써 생성될 수 있다. 예시적으로, 데이터베이스(미도시)는 기계(장비)의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경을 기준으로 데이터를 연결하여 데이터 셋으로 복수의 정비 데이터를 저장할 수 있다. 이때, 기계(장비)의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경을 기준으로 연결되어 데이터 셋에 저장되는 하나의 데이터를 하나의 레코드라 할 수 있다. 기계(장비)의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경 항목은 복수의 변수라고 할 수 있으나, 이에 한정되는 것은 아니다.
한편, 데이터 수집부(110)는 데이터베이스(미도시)에 포함된 복수의 정비 데이터 셋을 수집할 수 있다. 복수의 정비 데이터 셋은 수치형 데이터 및/또는 문자형 데이터를 포함하는 복수의 데이터를 포함할 수 있다. 비정형 데이터, 비구조화 데이터, 비구조적 데이터는 미리 정의된 데이터 모델이 없거나 미리 정의된 방식으로 정리되지 않은 정보를 의미할 수 있다. 비정형 데이터(Unstructured Data)란 일정한 규격이나 형태를 지닌 숫자데이터(numeric data)와 달리 그림이나, 영상, 문서처럼 형태와 구조가 다른 구조화 되지 않은 데이터를 의미할 수 있다.
또한, 데이터 수집부(110)는 기계(장비)에 대하여 설치된 진동 센서로부터 기계(장비)의 진동 데이터를 수신(수집)할 수 있다. 진동 센서는 기계(장비)의 진동 변위 정보, 가속도 정보 등을 포함하는 진동 데이터를 측정하는 센서 및 압전 가속도 센서, 외팔보 진동 방식, 광 섬유 방식 등 다양한 타입의 센서를 포함할 수 있다. 또한, 데이터 수집부(110)는 데이터베이스(미도시)로부터 회전주파수 및 배수 주파수(rpm), 베어링 결함 주파수, 날개(vane)통과 주파수, 기어 결함 주파수, 전원공급 주파수, 고정자 결함 주파수 및 로터 바 결함 주파수 등과 같이 설비별 발생 가능한 모든 결함 주파수 정보를 수집할 수 있다. 베어링 결함 주파수는 케이지, 내륜, 외륜, 볼, 및 윤활유 평균속도 등의 결함 원인을 포함할 수 있으나, 이에 한정되는 것은 아니며, 다양한 실시예가 존재할 수 있다. 참고로, 데이터 수집부(111)는 기계(장비)에 대한 복수의 정비 데이터, 기계(장비)에 구비된 진동 데이터, 설비별 발생 가능한 모든 결함 주파수 정보 중 적어도 어느 하나를 수집할 수 있다. 예시적으로, 진동 데이터에 포함된 진동수는 어느 부품이 어떠한 원인으로 진동을 하고 있는가를 찾아내는 데에 중요한 정보이다. 구름 베어링, 기어 등에 이상이 있거나, 로터에 불평형, 커플링에 정령불량 등이 있을 때의 진동수는 정해져 있기 때문에 진동이 판명되면 대부분의 진동요인이 분명해 진다. 또한, 진동 데이터에 포함된 진폭은 설비의 열화도를 파악하는 정보로 사용될 수 있다.
본원의 일 실시예에 따르면, 데이터 전처리부(120)는 복수의 정비 데이터 중 예측에 필요한 변수를 도출할 수 있다. 또한, 데이터 전처리부(120)는 복수의 정비 데이터를 정비 주기 예측 학습 모델에 충족하는 입력 데이터로 전처리할 수 있다. 또한, 데이터 전처리부(120)는 복수의 정비 데이터를 기반으로 정비 패턴 및 정비 주기를 추출할 수 있다. 달리 말해, 데이터 전처리부(120)는 정규화된 데이터(데이터 셋에 저장된 정규화된 데이터)를 포함하는 데이터 셋 내의 레코드별로 기계(장비)의 정보 패턴 및 정비 주기를 추출(산정)할 수 있다.
또한, 데이터 전처리부(120)는 데이터 셋에 저장된 정비 데이터를 정규화할 수 있다. 데이터 전처리부(120)는 데이터 셋에 저장된 데이터의 변수 값들을 일정 기준으로 통일시키는 데이터 정규화를 수행할 수 있다. 데이터 전처리부(120)는 고장 예측 모델의 안정성과 정확성을 향상시키고 데이터 셋에 포함된 데이터가 가지고 있는 오차를 효과적으로 줄이기 위해, 데이터 셋에 포함된 데이터에서 일정하지 않은 부분, 즉 일정하지 않은 변수 값을 포함하는 데이터를 MIN/MAX 방법으로 정규화할 수 있다. 데이터 전처리부(120)는 MIN/MAX 방법을 통한 정규화로 하여금 데이터 셋에 저장된 데이터의 변수 값을 최소값 0 내지 최대값 1 사이의 범위 내에서 어느 하나의 값으로 변환시킬 수 있다. 또한, 데이터 전처리부(120)는 정규화된 데이터(데이터 셋에 저장된 정규화된 데이터)를 기반으로 하여 정비 주기 예측 학습 모델의 생성을 위한 적어도 어느 하나의 변수를 도출(선정)할 수 있다. 달리 말해, 데이터 전처리부(120)는 정규화된 데이터를 기반으로 정비 주기 예측에 필요한 변수(중요 변수)를 도출(선정)할 수 있다. 데이터 전처리부(120)는 정비 주기 예측 학습 모델의 생성시 정비 주기 예측에 영향력 있는 변수만을 사용하기 위해 정형화된 정비 데이터 중 예측에 필요한 변수를 도출할 수 있다.
또한, 데이터 전처리부(120)는 비정형화된 특정 변수를 기반으로 정비 데이터를 정형화하여 변수를 도출할 수 있다. 데이터 전처리부(120)는 정비 데이터 중 정비 텍스트에서 뜻을 가진 최소단위의 단어로 Tokenize하여 벡터 공간에 매핑(Mapping)하는 과정을 통해 데이터의 전처리를 수행할 수 있다. 예를 들어 데이터 전처리부(120)는 '동력발생장치 오물 세척'이라는 정비 텍스트에 대해 형태소 분석을 통해 정비 주기 예측에 필요한 단어인 '동력발생장치'와 '세척'을 추출하여 Word2Vec(Word to Vector)에 적합한 데이터를 만드는 벡터화하는 과정을 수행할 수 있다.
또한, 데이터 전처리부(120)는 정비 예측에 필요한 명사를 추출하기 위해 Komoran(Korean Morphological Analyzer) 형태소 분석을 통해 Tokenize하는 과정과 형태소 분석으로 추출한 명사를 Word2Vec을 통해 벡터 공간으로 매핑하여 정형화하는 두 과정을 수행할 수 있다. Komoran 형태소 분석은 기존 형태소 분석과 달리 여러 어절을 하나의 품사로 분석할 수 있어 공백이 포함된 기계(장비) 고장품목(예를 들어, 슬립링 조립체, 공기 여과기 조립체)을 더 정확하게 Tokenize 할 수 있다. 데이터 전처리부(120)는 형태소 분석을 통해 추출된 군 장비 고장품목을 정형화하는 Word2Vec은 Tokenize된 단어를 벡터로 변화하여 벡터 간의 거리로 단어간 연관성을 파악할 수 있다. 이러한 과정을 통해 도출된 변수는 정비 주기 예측 학습 모델의 생성시 정비 예측 모델에 영향력 있는 변수만을 사용하기 위해 이루어질 수 있다.
또한, 데이터 전처리부(120)는 정비 데이터에 포함된 수치형 데이터를 이용하여 결측치를 전처리할 수 있다. 결측치는 누락된 값, 비어있는 값, 측정 오류로 인해 값이 없는 것을 의미할 수 있다. 데이터 전처리부(120)는 정비 데이터에 결측치가 포함되어 있는 경우, 최소값, 최대값, 최빈값, 중간값, 평균값 또는 0 중 적어도 어느 하나로 치환하는 전처리를 수행할 수 있다. 복수의 정비 데이터 중 각각의 칼럼 항목에 해당하는 최소값, 최대값, 최빈값, 중간값, 평균값은 서로 상이할 수 있다.
한편, 데이터 전처리부(120)는 사용자 단말(미도시)로 결측치가 포함된 정비 데이터의 칼럼 항목을 제공하고, 사용자는 사용자 단말(미도시)에 표시된 칼럼 항목을 확인하고, 결측치를 치환하기 위한 정보를 입력하고, 사용자 단말(미도시)은 사용자 입력 정보를 데이터 전처리부(120)로 제공할 수 있다. 달리 말해, 데이터 전처리부(120)는 사용자의 입력 정보에 기반하여 데이터 전처리를 수행할 수 있다.
일예로, 데이터 전처리부(120)는 진동 데이터의 노이즈를 제거하고, 노이즈가 제거된 진동 데이터로부터 예측에 필요한 변수(특질 변수)를 추출할 수 있다. 예를 들어, 예측에 필요한 변수(특질 변수)는 기계(장비)에 대한 시간에 따른 진동 변위 또는 가속도 변화를 나타내는 파형으로부터 추출되는 파형의 형상(Shape), 크기(진폭, Amplitude), 위상(Phase) 등을 포함할 수 있다. 달리 말해, 데이터 전처리부(120)는 진동 데이터로부터 형상, 크기 및 위상 중 적어도 어느 하나에 대한 예측에 필요한 변수(특질 변수)를 추출할 수 있다.
다른 일예로, 데이터 전처리부(120)는 수신된 진동 데이터에 대하여 기설정된 로우패스 필터(Low-Pass Filter) 또는 밴드패스 필터(Band-Pass Filter)를 적용하여 노이즈를 제거할 수 있다.
또한, 데이터 전처리부(120)는 진동 데이터에 대한 RMS 분석, 중심 주파수(CF) 분석, 분산(Var) 분석, 중간 주파수(IF) 분석, 편포도(Skewness) 분석, 중파(MF) 분석, 첨도(Kurtosis) 분석 및 PTP 분석 중 적어도 하나에 기초하여 진동 데이터로부터 하나 이상의 예측에 필요한 변수(특질 변수)를 추출할 수 있다.
예시적으로, 데이터 전처리부(120)는 노이즈가 제거된 진동 데이터에 대하여 FFT(FFT: Fast Fourier Transform) 또는 STFT(STFTL: Short Time Fourier Trasnform)을 적용하여 노이즈가 제거된 진동 데이터를 주파수 영역의 데이터 또는 시간-주파수 영역의 데이터로 변환할 수 있다. 달리 말해, 데이터 전처리부(120)는 수집된 진동 데이터에 대한 전처리를 수행하되, 수집된 시간파형 데이터(시간 영역에서의 진동 데이터)에 대하여 고속푸리에변환(FFT)을 통한 주파수 영역으로의 변환 또는 스펙트로그램을 통한 시간-주파수 영역으로의 변환을 수행하며, 변환된 각각의 영역에서의 예측에 필요한 변수(특질 변수)를 추출할 수 있다. 데이터 전처리부(120)에서 전처리된 진동 데이터는 딥러닝 모델 학습부(130)는 학습 데이터로 사용될 수 있다.
데이터 전처리부(120)는 데이터 수집부(110)에서 수집된 진동 데이터를 기반으로 기계(장비) 각각에 대한 주파수 영역별 특징 및 이상 유무를 식별할 수 있다. 데이터 전처리부(120)는 진동 데이터를 기반으로 일상적인 피크들을 식별할 수 있다. 또한, 데이터 전처리부(120)는 비정상적 피크가 낮은 진폭을 식별할 수 있다. 또한, 데이터 전처리부(120)는 비정상적 피크의 진폭이 점차 높아지는 경우를 식별할 수 있다. 데이터 전처리부(120)는 시계열 기반으로 수집되는 진동 데이터의 주파수의 진폭의 특징으로부터 회전 설비의 이상유무를 식별할 수 있다.
또한, 데이터 전처리부(120)는 진동 데이터 및 주파수 분석 결과를 고려하여 특질 변수를 추출할 수 있다. 데이터 전처리부(120)는, 진동 데이터 및 주파수 분석 결과를 변수 추출 알고리즘에 적용하여 통계적 특질(특징) 변수를 추출할 수 있다. 데이터 전처리부(120)는 특질 변수에 대해 유의미한 변수를 추출할 수 있다. 이때, 변수추출 알고리즘은 PCA(Principal Component Analysis)알고리즘일 수 있으나, 이에만 한정되는 것은 아니며, 기개발되었거나 향후 개발되는 다양한 알고리즘을 적용할 수 있다.
데이터 전처리부(120)는 PCA 알고리즘을 이용하여 결함 예측 모델의 구축을 위한 특질(특징) 변수를 추출할 수 있다. PCA분석은 데이터의 분산을 최대한 보존하면서 서로 직교하는 새 기저를 찾아, 고차원 공간의 표본들을 선형 연관성이 없는 저차원 공간으로 변환하여 변수를 추출할 수 있다.
데이터 전처리부(120)에서 도출되는 통계적 특질(특징) 변수는 진동데이터와 관련되어 수치화된 값을 가질 수 있는 변수를 포함할 수 있다. 예를 들어, 데이터 전처리부(120)는 시간영역에서는 RMS, Variance, Skewness, Kurtosis, Shape factor, Crest factor, Impulse factor, Margin factor, Peak to Peak 중 적어도 어느 하나의 특질(특징) 변수를 도출(추출)할 수 있다. 또한, 전처리부(120)는 주파수 영역에서 FC, RMSF, RVF, SS, SK 중 적어도 어느 하나의 특질(특징) 변수를 도출(추출)할 수 있다.
시간영역에 포함되는 RMS 특질 변수는 결함이 발생함에 따라 점진적으로 증가하는 특징을 포함할 수 있다. 또한, 시간영역에 포함되는 Variance 특질 변수는 신호가 평균으로부터 떨어져 있는 정도를 측정하는 특징을 포함할 수 있다. 또한, 시간영역에 포함되는 Skewness 특질 변수는 분포가 대칭을 벗어나 한쪽으로 치우진 정보를 나타내는 특징을 포함할 수 있다. 또한, 시간영역에 포함되는 Kurtosis 특질 변수는 확률밀도함수의 뾰족한 정보를 나타내는 특징을 포함할 수 있다. 또한, 시간영역에 포함되는 Shape factor 특질 변수는 장비의 형상에 따른 변화를 나타내는 특징을 포함할 수 있다. 또한, 시간영역에 포함되는 Crest factor 특질 변수는 각종 파형의 날카로운 정도를 나타내는 특징을 포함할 수 있다. 또한, 시간영역에 포함되는 Impulse factor 특질 변수는 충격파형의 신호를 측정하는 특징을 포함할 수 있다. 또한, 시간영역에 포함되는 Margin factor 특질 변수는 회전요소와 트랙 사이의 충격파 신호를 측정하는 특징을 포함할 수 있다. 또한, 시간영역에 포함되는 Peak to Peak(PTP) 특질 변수는 진동 및 소음의 심한 정보를 나타내는 진폭을 나타내는 특징을 포함할 수 있다.
또한, 주파수 영역에 포함되는 FC 특질 변수는, 메인 주파수의 위치변화를 나타내는 특징을 포함할 수 있다. 또한, 주파수 영역에 포함되는 RMSF 특질 변수는, 메인 주파수의 위치변화를 나타내는 특징을 포함할 수 있다. 또한, 주파수 영역에 포함되는 RCF 특질 변수는, 스펙트럼의 정합성을 나타내는 특징을 포함할 수 있다. 또한, 주파수 영역에 포함되는 SS 특질 변수는, 평균 주위 진폭 스펙트럼 분포의 대칭성을 나타내는 특징을 포함할 수 있다. 또한, 주파수 영역에 포함되는 SK 특질 변수는, 분포의 값을 측정하고 정규분포와 비교하는데 사용되는 특징을 포함할 수 있다.
데이터 전처리부(120)에서 시간영역 및 주파수 영역에서 각각의 특징을 포함하는 특질 변수를 추출함으로써, 딥러닝 모델 학습부(130)에서 정확도가 높은 결함 예측 모델을 생성할 수 있다. 또한, 데이터 전처리부(120)에서 PCA(다변량 데이터 분석)기법을 적용함으로써, 여러 변수들 간의 상관관계를 소수의 주성분으로 차원을 축소하여 데이터를 쉽게 이해할 수 있다.
도 2는 본원의 일 실시예에 따른 딥러닝 기반의 정비 주기 예측 장치에 대한 데이터 전처리부의 개략적인 블록도이다.
도 2를 참조하면, 데이터 전처리부(120)는 이상값 탐지부(121), 데이터 통합부(122), 데이터 변환부(123)를 포함할 수 있다.
본원의 일 실시예에 따르면, 이상값 탐지부(121)는 복수의 정비 데이터의 이상값을 탐지할 수 있다. 이상값 탐지부(121)는 이상값을 처리할 수 있다. 또한, 이상값 탐지부(121)는 NULL 값을 조정할 수 있다. 또한, 이상값 탐지부(121)는 누락값을 제거할 수 있다. 이상값 탐지부(121)는 분석을 왜곡시킬 수 있는 데이터를 제거할 수 있다. 예시적으로, 이상값 탐지부(121)는 NULL값을 0 또는 빈 문자열로 대체할 수 있다. 이상값 탐지부(121)는 데이터 정제(Data Cleaning)를 수행할 수 있다.
일예로, 이상값 탐지부(121)는 정비 데이터에 포함된 복수의 칼럼 항목(변수)에 라벨 칼럼이 포함되어 있는지 여부와, 데이터의 종류 또는 데이터의 분포를 고려하여 이상값 탐지를 수행할 인공지능 알고리즘을 결정할 수 있다. 이상값 탐지 결과는 1 또는 0으로 확인이 가능하며 이상값 탐지부(121)는 이상값의 경우 1, 정상값일 경우 0으로 해당 데이터의 이상값을 결정할 수 있다. 이상값 탐지부(121)는 정비 데이터에 포함된 복수의 칼럼 항목(변수)에 라벨 칼럼이 포함되지 않은 경우, 비지도 학습 기반의 인공지능 알고리즘을 이용하여 이상값을 탐지할 수 있다. 비지도 학습(Unsupervised Learning)은 데이터에 대한 레이블(Label), 명시적인 정답이 주어지지 상태에서 컴퓨터를 학습시키는 방법론이다. 즉, (데이터(data)) 형태로 학습을 진행하는 방법이다.
비지도 학습은 데이터의 숨겨진(Hidden) 특징(Feature)이나 구조를 발견하는 방식에 사용된다. 예시적으로, 비지도 학습은 군집(Clustering)으로 구분되는 K-평균(k-Means), 계층 군집 분석(HCA, Hierarchical Cluster Analysis), 기댓값 최대화(Expectation Maximization)를 포함할 수 있다. 또한, 시각화(Visualization)와 차원 축소(Dimensionality Reduction)로 구분되는, 주성분 분석(PCA, Principal Component Analysis), 커널 PCA(Kernel PCA), 지역적 선형 임베딩(LLE, Locally-Linear Embedding), t-SNE(t-distributed Stochastic Neighbor Embedding)을 포함할 수 있다. 또한, 연관 규칙 학습(Association Rule Learning)으로 구분되는 어프라이어리(Apriori), 이클렛(Eclat)을 포함할 수 있다.
예를 들어, 비지도 학습기반 인공지능 알고리즘은 로지스틱 회귀 알고리즘, 랜덤 포레스트 알고리즘, SVM(Support Vector Machine)알고리즘, 의사결정 알고리즘 및 군집 알고리즘이 이용될 수 있으나 이에 한정되는 것은 아니다. Random Forest 알고리즘은 수많은 Decision Tree들이 Forest를 구성하여 각각의 예측결과를 하나의 결과변수로 평균화하는 알고리즘이고, SVM 알고리즘은 데이터의 분포공간에서 가장 큰 폭의 경계를 구분하여 데이터가 속하는 분류를 판단하는 비확률적 알고리즘이다. Extra Tree 알고리즘은 Random forest와 비슷하나 속도가 Random forest에 비해 빠른 알고리즘이며, XGBoost알고리즘은 Random Forest의 Tree는 독립적이라면 XGBoost의 Tree의 결과를 다음 트리에 적용하는 boost 방식의 알고리즘이다. Deep Learning 알고리즘은 다층구조의 Neural Network을 기반으로 변수의 패턴이 결과에 미치는 영향을 가중치로 조절하며 학습하는 알고리즘이다. 또한, K-means 클러스터링 알고리즘은 전통적인 분류기법으로 대상집단을 거리의 평균값(유사도)을 기준으로 K 개의 군집으로 반복 세분화하는 기법이고, SOM알고리즘은 인공신경망을 기반으로 훈련집합의 입력 패턴을 가중치로 학습하여 군집화하는 기법이다. 또한 EM & Canopy 알고리즘은 주어진 초기값으로 가능성이 최대인 것부터 반복 과정을 통해 파라미터 값을 갱신하여 군집화 하는 기법을 의미한다.
계층 군집 알고리즘을 사용하면 각 그룹을 더 작은 그룹으로 세분화할 수 있다. 시각화 알고리즘은 레이블이 없는 대규모의 고차원 데이터를 넣으면 도식화가 가능한 2D나 3D 표현으로 생성한다. 차원 축소는 너무 많은 정보를 잃지 않으면서 데이터를 간소화하는데 될 수 있다. 예를 들어 차의 주행거리는 연식과 매우 연관되어 있으므로 차원 축소 알고리즘으로 두 특성을 차의 마모 정도를 나타내는 하나의 특성으로 합칠 수 있으며, 이를 특성 추출(Feature Extraction)이라고 한다. 이상치 탐지는 학습 알고리즘에 주입하기 전에 데이터 셋에서 이상한 값을 자동으로 제거하는 작업으로, 정상 샘플로 훈련되고, 새로운 샘플이 정상인지 아닌지 판단할 수 있다. 연관 규칙 학습은 대량의 데이터에서 특성 간의 흥미로운 관계를 찾아내며, 예를 들어, 어떠한 상품을 구매한 사람이 다른 상품을 구매하는 경향이 있다는 것을 찾을 때 활용된다. 다만, 비지도 학습 기반의 인공지능 알고리즘이 이에 한정되는 것은 아니며, 연구 개발의 결과에 따라 다양한 알고리즘이 포함될 수 있다.
또한, 이상값 탐지부(121)는 전처리된 데이터들을 데이터 특성에 대응하는 비지도 학습기반의 인공지능 알고리즘을 이용하여 이상값을 탐지할 수 있다. 이상값 탐지부(121)는 데이터의 종류와 분포를 고려하여 선택된 비지도 학습의 인공지능 알고리즘을 적용하여 이상값을 탐지할 수 있다. 데이터 특성은 하나의 칼럼 항목에 포함된 데이터의 특징적인 성질을 의미할 수 있다. 이상값 탐지 결과는 1 또는 0으로 확인이 가능하며 이상값 탐지부(121)는 이상값의 경우 1, 정상값일 경우 0으로 해당 데이터의 이상값을 결정할 수 있다.
본원의 일 실시예에 따르면, 데이터 통합부(122)는 정제된 데이터를 통합할 수 있다. 데이터 통합부(122)는 이상값 탐지부 (121)에서 처리된 데이터를 통합할 수 있다. 예를 들어, 정제된 데이터는 원천 데이터의 포맷을 통일하거나, 누락값을 제거하거나, 구분자(delimiter)를 입력하거나, 데이터의 불필요한 값이 제거된 데이터일 수 있다. 데이터 통합부(122)는 제1데이터 및 제2데이터를 통합하여 제3데이터를 생성할 수 있다. 제1데이터 및 제2데이터는 이상값 탐지부 (121)에서 정제된 데이터일 수 있다.
본원의 일 실시예에 따르면, 데이터 변환부(123)는 데이터 통합부(122)에서 통합된 데이터를 정비 주기 예측 학습 모델에 입력하기 위해 3차원 데이터 셋으로 변환할 수 있다. 데이터 변환부(123)를 통해 변환된 3차원 데이터는 배치크기, 타임스텝, 차원의 형태를 가지며, 배치크기의 경우 1회 학습 시 사용될 데이터의 크기를 나타내고, 타임스텝은 1회 학습 시 사용될 과거 기간을 말하며, 차원은 입력 데이터의 칼럼 수를 나타낸다. 배치크기, 타임스텝, 차원의 경우 정비 주기 예측을 수행하는 사용자(운영자)에 의해 변동될 수 있다. 달리 말해, RNN 층은 (batch_size, timesteps, input_dim) 크기의 3D 텐서를 입력으로 받는다. batch_size는 한 번에 학습하는 데이터의 개수를 말한다.
예시적으로, 데이터 제공부(미도시)는 정비 주기 예측 정보와 관련된 선택 항목에 포함된 배치 크기, 타임스텝 및 차원에 대응하는 선택 항목을 사용자 단말(미도시)로 제공할 수 있다. 데이터 변환부(123)는 사용자 입력 수신부(미도시)가 배치크기, 타임스텝 및 차원의 선택 항목에 대한 응답으로서 수신한 사용자 입력 정보를 고려하여, 정비 주기 예측 학습 모델에 입력하기 위한 3차원 데이터 셋 변환을 수행할 수 있다.
본원의 일 실시예에 따르면, 딥러닝 모델 학습부(130)는 데이터 전처리부(120)에서 전처리된 데이터를 기반으로 정비 주기 예측 학습 모델을 구축할 수 있다. 또한, 딥러닝 모델 학습부(130)는 순환 신경망 기반의 알고리즘에 기초하여, 정비 주기 예측 학습 모델을 구축할 수 있다. 딥러닝 모델 학습부(130)는 전처리된 데이터의 결과를 이용하여 딥러닝 기반의 정비 주기 예측 학습 모델을 학습하고, 모델 성능을 검증할 수 있다. 순환 신경망 기반의 알고리즘은 RNN(Recurrent Neural Network)기반의 딥러닝 모델인 LSTM(Long Short Term Memory) 알고리즘일 수 있으나, 이에 한정되는 것은 아니다. 순환신경망(RNN)은 과거의 이벤트가 미래의 결과에 영향을 줄 수 있는 순환 구조(directed cycle)를 가지고 있다. 데이터 중에서도 연속적인 속성(sequence)을 띄고 있는 번역, 문자, 음성 인식 등 다양한 분야에서 RNN이 활용되고 있다. RNN은 시간적으로 상관관계가 있는 데이터에서 주로 사용된다. 직전 데이터(t-1)과 현재 데이터(t) 간의 상관관계(correlation)를 고려하여 다음의 데이터(t+1)를 예측하고자, 과거의 데이터도 반영한 신경망 모델을 생성한다. LSTM은 직전 데이터뿐만 아니라, 좀 더 거시적으로 과거 데이터를 고려하여 미래의 데이터를 예측할 수 있다. LSTM은 네트워크가 장기 상태에서 기억할 부분, 삭제할 부분, 읽어 들일 부분을 학습한다.
또한, 딥러닝 모델 학습부(130)는 데이터 전처리부(120)에서 전처리된 데이터를 기반으로 정비 주기 예측 학습 모델을 학습하고, 정비 주기 예측 학습 모델의 성능을 검증할 수 있다. 또한, 딥러닝 모델 학습부(130)는 복수의 정비 데이터 및 변수 중 적어도 하나 이상을 이용하여 정비 주기 예측 학습 모델을 업데이트 할 수 있다. 또한, 딥러닝 모델 학습부(130)는 정기 주기 예측부(140)의 정비 주기 예측 결과에 기반하여 반복학습을 수행할 수 있다. 딥러닝 모델 학습부(130)는 딥러닝 모델인 LSTM 알고리즘을 통해 전처리된 데이터를 학습하여 모델을 구축하고 검증할 수 있다.
본원의 일 실시예에 따르면, 딥러닝 모델 학습부(130)는 데이터 전처리부(120)에서 전처리된 데이터를 학습 데이터(Training DataSet), 테스트 데이터(Testing Dataset), 검증 데이터(Validation Dataset)로 구분하여 정비 주기 예측 학습 모델을 학습하고, 성능을 검증할 수 있다. 딥러닝 모델 학습부(130)는 데이터 전처리부(120)에서 전처리된 복수의 정비 데이터를 미리 설정된 비율을 고려하여 학습 데이터, 테스트 데이터 및 검증 데이터로 구분할 수 있다. 이때, 미리 설정된 비율은 사용자 단말(미도시)로부터 제공받은 입력 정보를 고려하여 설정될 수 있다. 일예로, 딥러닝 모델 학습부(130)는 데이터 제공부(미도시)를 통해 사용자 단말(미도시)로 학습 데이터, 테스트 데이터, 검증 데이터의 비율을 제공받기 위한 선택 항목을 제공할 수 있다. 사용자는 사용자 단말(미도시)에 표시된 선택 항목에 대한 응답을 수행하고 사용자 단말(미도시)은 사용자의 입력 정보를 사용자 입력 수신부(미도시)로 제공할 수 있다. 딥러닝 모델 학습부(130)는 사용자의 입력 정보에 기반하여 전처리된 총 데이터에서 학습 데이터, 테스트 데이터, 검증 데이터로 구분하고, 학습 데이터 및 테스트 데이터를 이용하여 정비 주기 예측 학습 모델을 학습하고, 검증 데이터를 이용하여 정비 주기 예측 학습 모델의 성능 검증을 수행할 수 있다. 여기서, 검증용 데이터는 학습용 데이터와 중복되지 않는 데이터이다.
한편, 딥러닝 모델 학습부(130)는 미리 설정된 비율에 대응하는 사용자 입력 정보가 수신되지 않는 경우, 총 데이터 수를 고려하여 랜덤하게 학습 데이터, 테스트 데이터, 검증 데이터를 분류하여 학습 및 검증을 수행할 수 있다.
딥러닝 모델 학습부(130)는 성능 검증 결과에 기반하여 순환 신경망 기반의 알고리즘의 하이퍼 파라미터를 조정할 수 있다. 딥러닝 모델 학습부(130)는 순환 신경망 기반의 하이퍼 파리미터를 조정함으로써 정비 주기 예측 학습 모델의 예측 성능을 높일 수 있다. 예를 들어, 하이퍼 파라미터는 각 층의 뉴런 수, 배치 크기, 매개변수 갱신시의 학습률, 가중치 감소 등 정비 주기 예측 학습 모델의 성능을 좌우하는 값이다.
딥러닝 모델 학습부(130)는 하이퍼 파라미터의 최적화를 위해, 하이퍼 파라미터 값의 범위를 설정할 수 있다. 또한, 딥러닝 모델 학습부(130)는 설정된 범위에서 하이퍼 파라미터의 값을 무작위로 추출할 수 있다(단계 1). 또한, 딥러닝 모델 학습부(130)는 앞서 샘플링한 하이퍼 파라미터 값을 사용하여 모델의 학습을 수행한 후 검증 데이터로 정확도를 평가할 수 있다(단계 2). 여기서, 검증 데이터는 하이퍼 파라미터의 적절성을 평가하기 위한 데이터일 수 있다. 또한, 딥러닝 모델 학습부(130)는 단계 1 및 단계 2를 미리 설정된 횟수만큼 반복하여 정확도를 판단하고 하이퍼 파라미터의 범위를 재설정할 수 있다. 앞서 설명된 하이퍼 파라미터를 적용하여 정비 주기 예측 학습 모델의 성능을 높이는 실시예는 일 실시예일뿐, 이에 한정되는 것은 아니며 보다 다양한 실시예가 적용될 수 있다.
또한, 딥러닝 모델 학습부(130)는 데이터 전처리부(120)에서 추출된 특질 변수를 입력으로 하는 머신러닝 알고리즘을 이용하여 기계의 결함 유무를 학습하는 결함 예측 모델을 생성할 수 있다. 기계의 결함은 정렬 불량(Misalignment), 불균형(Unbalance), 크랙(Crack), 마모(Abrasion) 등의 복수의 유형을 포함할 수 있으나, 이에만 한정되는 것은 아니다. 참고로, 결함 유형 중 정렬 불량(Misalignment)은 기계(장비)의 회전축 중심이 기계(장비)의 무게 중심과 불일치하는 경우 발생하는 결함을 의미할 수 있고, 불균형(Unbalance)은 기계(장비)의 복수의 회전축을 포함하고, 복수의 회전축에 대하여 구동되는 경우, 복수의 회전축 간의 축 중심선이 동일선 상에 위치하지 않는 경우 발생하는 결함을 의미할 수 있고, 크랙(Crack)은 기계(장비)의 장기간 반복 운전으로 인하여 기계(장비)의 소정의 영역에 균열이 발생하는 결함을 의미하는 것일 수 있다.
딥러닝 모델 학습부(130)는 Decision Tree 알고리즘, Random Forest 알고리즘, SVM 알고리즘 및 KNN알고리즘 중 적어도 어느 하나에 기초하여 결함 예측 모델을 생성할 수 있다. 일예로, Decision Tree알고리즘은 분기마다 변수영역을 두 개로 구분하는 알고리즘이고, Random Forest알고리즘은 수많은 Decision Tree들이 Forest를 구성하여 각각의 예측결과를 하나의 결과변수로 평균화하는 알고리즘이다. SVM알고리즘은 데이터의 분포공간에서 가장 큰 폭의 경계를 구분하여 데이터가 속하는 분류를 판단하는 비확률적 알고리즘이고, KNN알고리즘은 학습데이터를 그룹으로 묶고 새로운 데이터를 주위 대부분의 데이터가 속한 그룹으로 분류하는 알고리즘이다. 예시적으로, RandomForest알고리즘을 이용한 결함예측의 정확도는 76.6%의 성능을 나타낸다.
또한, 딥러닝 모델 학습부(130)는, 특질 변수를 입력으로 하는 머신러닝 알고리즘에 기초하여, 회전 설비의 결함 패턴을 학습하고, 결함 예측 모델을 생성할 수 있다. 달리 말해, 딥러닝 모델 학습부(130)는 특질 변수를 입력으로 하는 머신러닝 알고리즘에 기초하여, 회전 설비의 결함 패턴을 학습하고, 결함 예측 모델을 생성할 수 있다. 딥러닝 모델 학습부(130)는 복수의 머신러닝 알고리즘을 적용하여 생성된 결함 예측 모델 중 가장 정확도가 높은 결함 예측 모델을 회전 설비의 결함을 예측하기 위한 결함 예측 모델로 선정할 수 있다. 달리 말해, 딥러닝 모델 학습부(130)는 특질 변수를 Decision Tree 알고리즘, Random Forest 알고리즘, SVM 알고리즘 및 KNN알고리즘 각각에 적용하여 결함 예측 모델을 생성하고, 정확도가 알고리즘이 적용된 결함 예측 모델을 회전 설비 결함 예측 분석을 위한 모델로 선정할 수 있다.
다른 예로, 딥러닝 모델 학습부(130)는, 시간 영역으로 구분하여 추출된 특질(특징) 변수를 입력으로 하는 제1머신러닝 알고리즘을 이용하여 제1결함 예측 모델을 생성할 수 있다. 또한, 딥러닝 모델 학습부(130)는 주파수 영역으로 구분하여 추출된 특질(특징) 변수를 입력으로 하는 제2 머신러닝 알고리즘을 이용하여 제2 결함 예측 모델을 생성할 수 있다. 딥러닝 모델 학습부(130)는 제1결함 예측 모델 및 제2결함 예측 모델에서 학습된 데이터를 기반으로 회전 설비의 결함을 예측하기 위한 결함 예측 모델을 생성할 수 있으나, 이에 한정되는 것은 아니다.
딥러닝 모델 학습부(130)는 추출된 특질 변수에 대하여 딥러닝 기반의 시계열 분석을 통해 진동 데이터와 연계된 예측값을 생성할 수 있다. 딥러닝 모델 학습부(130)는 생성된 예측값 및 진동 데이터의 실제값에 기초하여 오차 정보를 생성할 수 있다. 또한, 딥러닝 모델 학습부(130)는 추출된 특질 변수(예를 들면, 진동 데이터의 형상, 진폭, 위상 등) 각각에 대한 오차 정보를 생성할 수 있다. 일예로, 딥러닝 모델 학습부(130)는 LSTM 알고리즘, Attention 알고리즘, Transformer 알고리즘 및 BERT 알고리즘 중 적어도 하나에 기초하여 딥러닝 기반의 시계열 분석을 수행할 수 있다. 예시적으로, 딥러닝 모델 학습부(130)는 기 설정된 단위 시간 동안의 진동 데이터의 변화를 추정하는 예측 시퀀스를 예측값으로 생성할 수 있다. 또한, 딥러닝 모델 학습부(130)는 단위 시간 동안의 진동 데이터의 실제 시퀀스와 생성된 예측 시퀀스의 차이에 해당하는 오차 벡터를 오차 정보로 생성할 수 있다.
또한, 딥러닝 모델 학습부(130)는 예측값을 생성하고, 생성된 예측값과 실제값의 비교를 통해 오차 정보를 생성하는 기준이 되는 시간 범위인 기 설정된 단위 시간은 수신된 진동 데이터의 성질에 따라 결정될 수 있다.
본원의 일 실시예에 따르면, 정비 주기 예측부(140)는 정비 주기 예측 학습 모델을 이용하여 신규 정비 데이터의 정비 주기를 예측할 수 있다. 달리 말해, 정비 주기 예측부(140)는 데이터 수집부(110)로부터 수집된 신규 정비 데이터를 기반으로 정비 주기를 예측하고, 딥러닝 모델학습부(130)에 의해 학습된 정비 주기 예측 학습 모델을 통해 분석을 수행할 수 있다. 정비 주기 예측부(140)는 딥러닝 모델 학습부(130)를 통해 정비 주기 예측 결과를 확인할 수 있다. 정비 주기 예측부(140)에서 예측된 정비 주기는 운영자(사용자)에 의해 변동될 수 있다.
또한, 정비 주기 예측부(140)는 딥러닝 모델 학습부(130)에서 생성된 결함 예측 모델을 기반으로 회전 설비의 결함을 예측할 수 있다. 달리 말해, 정비 주기 예측부(140)는 결함 예측 모델에 신규 진동 데이터를 입력하여 회전 설비의 결함을 예측할 수 있다. 예를 들어, 데이터 수집부(110)에서 신규 진동 데이터가 수집되는 경우, 데이터 전처리부(120)는 신규 진동 데이터를 기반으로 주파수 분석을 수행할 수 있다. 예측부(140)는 신규 진동 데이터 및 주파수 분석 결과 등을 결함 예측 모델에 입력하여 특정 회전 설비의 결함을 예측할 수 있다.
또한, 정비 주기 예측부(140)는 데이터 제공부(미도시)로 정비 주기 예측 결과 정보를 제공할 수 있다. 데이터 제공부(미도시)는 사용자 단말(미도시)로 정비 주기 예측부(140)에서 받은 정비 주기 예측 결과 정보를 사용자 단말(미도시)에 제공할 수 있다. 사용자 입력 수신부(미도시)는 정비 주기 예측 결과에 대한 추가, 수정, 삭제 등 다양한 입력 정보를 수신할 수 있다. 정비 주기 예측부(140)는 사용자 입력 수신부(미도시)의 사용자 입력 정보를 반영하여 정비 주기를 예측할 수 있다.
본원의 일 실시예에 따르면, 데이터 제공부(미도시)는 사용자 단말(미도시)로 정비 주기 예측 정보와 관련된 선택 항목을 제공할 수 있다. 사용자는 사용자 단말(미도시)에 표시된 정비 주기 예측 정보와 관련된 선택 항목을 확인하고, 수정 사항을 선택할 수 있다. 정비 주기 예측 정보와 관련된 선택 항목은 전처리부(120)의 요청에 따른, 배치크기, 타임스텝, 차원에 관한 선택 항목을 포함할 수 있다. 또한, 정비 주기 예측 정보와 관련된 선택 항목은 정비 주기 예측부(140)의 요청에 따른 정비 주기 예측 결과에 관한 선택 항목을 포함할 수 있다.
본원의 일 실시예에 따르면, 사용자 입력 수신부(미도시)는 사용자 단말(미도시)로 정비 주기 예측 입력 정보를 수신할 수 있다. 달리 말해, 사용자 입력 수신부(미도시)는 사용자 단말(미도시)로부터 사용자가 선택한 정비 주기 예측 입력 정보를 수신할 수 있다. 사용자 입력 수신부(미도시)는 정비 주기 예측 입력 정보와 관련된 선택 항목을 요청한 각 유닛(부)에 해당 정보를 제공할 수 있다.
본원의 일 실시예에 따르면, 시각화부(150)는 정비 주기 예측부(140)에서 예측된 기계(장비)의 정비 주기 예측 결과를 시각화할 수 있다. 시각화부(150)는 기계(장비)의 장비 건강상태 모니터링, 예측정비 의사결정, 전조경고, 결함 및 정비 이력 등을 포함하는 정비 주기 예측 결과 중 적어도 어느 하나를 그래픽적으로 출력하여 사용자 단말(미도시)에 제공할 수 있다.
예시적으로, 딥러닝 모델 학습부(130)는 데이터 수집부(110)에서 수집한 복수의 정비 데이터 중 텍스트 데이터를 입력한 후 주요 명사를 추출한 뒤, 텍스트 분석 알고리즘(예를 들어, TF-IDF 기법)을 이용하여 벡터화를 진행하여 주성분 분석(예를 들어, PCA) 기법을 적용하고, 3개의 피처를 추출할 수 있다. 딥러닝 모델 학습부(130)는 데이터 수집부(110)에서 수집한 복수의 정비 데이터 중 텍스트 데이터를 입력하여 특정 부품의 결함에 영향을 끼친 요소를 도출할 수 있다. 그러나 이 피처는 주성분 분석(예를 들어, PCA) 기법으로 추출한 것이어서 숫자로만 구성되어 있어 어느 단어가 각 피처별로 영향도를 많이 끼쳤는지 사용자는 알 수가 없다.
딥러닝 모델 학습부(130)는 텍스트 데이터의 변수명과 목표 변수가 있는 경우, 주성분 분석으로 추출한 피처의 목표변수에 대한 변수 중요도 값을 입력할 수 있다. 또한, 딥러닝 모델 학습부(130)는 특정 값 이상의 중요도를 가진 단어를 추출하기 위해 사용자가 입력하는 기준 값을 입력할 수 있다. 또한, 딥러닝 모델 학습부(130)는 단어 벡터에 주성분 분석을 적용하여 추출한 3개의 피처에 대하여 각 단어 벡터별로 각 피처에 미친 영향도를 추출할 수 있다. 또한, 딥러닝 모델 학습부(130)는 추출한 값에 대하여 중요도를 백분율로 환산할 수 있다. 한편, 시각화부(150)는 각 단어별 중요도와 추출된 피처에 대한 정보를 벤 다이어그램 모양을 활용한 워드 클라우드 방식을 활용하여 시각화할 수 있다.
예를 들어, 시각화부(150)는 기계 설비의 정비 이력, 기계 상태 데이터 및 장비 체계 데이터를 포함하는 복수의 정비 데이터에 포함된 텍스트 데이터의 분석 결과를 고려하여, 특정 기계에 결함 영향을 끼치는 주요 요소들을 벤 다이어그램 모양을 활용한 워드 클라우드 방식을 활용하여 시각화할 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 3은 본원의 일 실시예에 따른 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 방법에 대한 동작 흐름도이다.
도 3에 도시된 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 방법은 앞서 설명된 정비 주기 예측 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 정비 주기 예측 장치(100)에 대하여 설명된 내용은 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 방법에 대한 설명에도 동일하게 적용될 수 있다.
단계 S301에서, 정비 주기 예측 장치(100)는 복수의 정비 데이터를 수집할 수 있다. 복수의 정비 데이터는, 기계 설비의 정비 이력, 기계 상태 데이터 및 장비 체계 데이터 중 적어도 어느 하나를 포함할 수 있다.
단계 S302에서, 정비 주기 예측 장치(100)는 복수의 정비 데이터 중 예측에 필요한 변수를 도출할 수 있다.
단계 S303에서, 정비 주기 예측 장치(100)는 복수의 정비 데이터를 정비 주기 예측 학습 모델에 충족하는 입력 데이터로 전처리할 수 있다. 또한, 정비 주기 예측 장치(100)는 순환 신경망 알고리즘에 적용 가능하도록 복수의 정비 데이터를 전처리할 수 있다. 또한, 정비 주기 예측 장치(100)는 복수의 정비 데이터의 이상값을 탐지하고, 정제된(전처리된) 복수의 정비 데이터를 통합하고, 통합된 복수의 정비 데이터를 정비 주기 예측 학습 모델에 입력하기 위해 3차원 데이터 셋으로 변환할 수 있다.
단계 S304에서, 정비 주기 예측 장치(100)는 전처리된 데이터를 기반으로 정비 주기 예측 학습 모델을 구축할 수 있다.
단계 S305에서, 정비 주기 예측 장치(100)는 정비 주기 예측 학습 모델에 신규 데이터를 입력으로 하여 정비 주기를 예측할 수 있다.
상술한 설명에서, 단계 S301 내지 S305는 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시 예에 따른 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 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 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 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), 및 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 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 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.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
100: 정비 주기 예측 장치
110: 데이터 수집부
120: 데이터 전처리부
130: 딥러닝 모델 학습부
140: 정비 주기 예측부
110: 데이터 수집부
120: 데이터 전처리부
130: 딥러닝 모델 학습부
140: 정비 주기 예측부
Claims (8)
- 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치에 있어서,
기계 설비의 정비 이력, 기계 상태 데이터, 장비 체계 데이터, 기계의 진동 데이터 및 결함 주파수 정보 중 적어도 어느 하나를 포함하는 복수의 정비 데이터를 수집하는 데이터 수집부;
상기 복수의 정비 데이터 중 예측에 필요한 변수를 도출하고, 순환 신경망 알고리즘에 적용 가능하도록 상기 복수의 정비 데이터를 전처리하는 데이터 전처리부;
상기 데이터 전처리부에서 전처리된 상기 복수의 정비 데이터를 입력으로 하고 정비 주기를 출력으로 정비 주기 예측 학습 모델을 구축하는 딥러닝 모델 학습부; 및
상기 정비 주기 예측 학습 모델의 출력 결과를 기반으로 신규 기계의 정비 주기를 예측하는 정비 주기 예측부,
를 포함하되,
상기 데이터 전처리부는,
상기 복수의 정비 데이터의 누락값, NULL값을 조정하기 위해 이상값을 탐지하는 이상값 탐지부;
정제된 상기 복수의 정비 데이터를 통합하는 데이터 통합부; 및
상기 데이터 통합부에서 통합된 복수의 정비 데이터를 상기 정비 주기 예측 학습 모델에 입력하기 위해 3차원 데이터 셋으로 변환하는 데이터 변환부,
를 포함하고,
수신된 진동 데이터에 대하여 기설정된 로우패스 필터(Low-Pass Filter) 또는 밴드패스 필터(Band-Pass Filter)를 적용하여 상기 진동 데이터의 노이즈를 제거하고, 노이즈가 제거된 진동 데이터로부터 RMS 분석, 중심 주파수(CF) 분석, 분산(Var) 분석, 중간 주파수(IF) 분석, 편포도(Skewness) 분석, 중파(MF) 분석, 첨도(Kurtosis) 분석 및 PTP 분석 중 적어도 하나에 기초하여 하나 이상의 특질 변수를 추출하고,
상기 이상값 탐지부는,
상기 정비 데이터에 포함된 복수의 칼럼 항목 중 라벨 칼럼의 포함 여부와 데이터의 종류 또는 데이터의 분포를 고려하여 이상값 탐지를 수행할 인공지능 알고리즘을 결정하되, 상기 라벨 칼럼이 포함되지 않은 경우, 비지도 학습 기반의 인공지능 알고리즘을 이용하여 이상값을 탐지하고,
상기 딥러닝 모델 학습부는,
상기 데이터 전처리부에서 추출된 상기 특질 변수를 입력으로 하는 머신러닝 알고리즘을 이용하여 상기 기계의 결함 유무를 학습하는 결함 예측 모델을 생성하고,
추출된 상기 특질 변수에 대하여 딥러닝 기반의 시계열 분석을 통해 수신된 진동 데이터에 기초하여 기 설정된 단위 시간 동안의 진동 데이터의 변화를 추정한 예측 시퀀스인 예측값을 생성하고, 상기 예측값 및 상기 진동 데이터의 실제값에 기초하여 오차 정보를 생성하되,
상기 단위 시간 동안의 상기 진동 데이터의 실제 시퀀스와 상기 예측 시퀀스의 차이에 해당하며 시퀀스로 표현되는 오차 벡터를 상기 오차 정보로 생성하는 것인, 정비 주기 예측 장치. - 제1항에 있어서,
상기 딥러닝 모델 학습부는,
상기 데이터 전처리부에서 전처리된 상기 복수의 정비 데이터를 미리 설정된 비율을 고려하여 학습 데이터, 테스트 데이터, 검증 데이터로 구분하고,
상기 학습 데이터 및 테스트 데이터를 이용하여 상기 정비 주기 예측 학습 모델을 학습하고, 상기 검증 데이터를 이용하여 상기 정비 주기 예측 학습 모델의 성능 검증을 수행하는 것인, 정비 주기 예측 장치. - 제2항에 있어서,
사용자 단말로 정비 주기 예측 정보와 관련된 선택 항목을 제공하는 데이터 제공부; 및
상기 사용자 단말로부터 정비 주기 예측 입력 정보를 수신하는 사용자 입력 수신부,
를 더 포함하되,
상기 미리 설정된 비율은 상기 사용자 단말로부터 제공받은 입력 정보를 고려하여 설정되는 것인, 정비 주기 예측 장치. - 제3항에 있어서,
상기 데이터 전처리부는,
상기 복수의 정비 데이터에 포함된 수치형 데이터의 결측치를 최대값, 최빈값, 최소값, 중간값, 0 중 적어도 어느 하나로 치환하는 전처리를 수행하는 것인, 정비 주기 예측 장치. - 제1항에 있어서,
상기 데이터 수집부는,
기계의 내부 및 외부에 구비되는 진동 센서로부터 상기 기계의 진동 변위 정보, 및 가속도 정보를 포함하는 진동 데이터를 수집하고,
상기 데이터 전처리부는,
상기 진동 데이터를 FFT 알고리즘에 적용하여 주파수 분석을 수행하고, 상기 진동 데이터 및 주파수 분석 결과를 변수 추출 알고리즘에 적용하여 특질 변수를 추출하는 것인, 정비 주기 예측 장치. - 삭제
- 제3항에 있어서,
상기 데이터 제공부는,
상기 정비 주기 예측 정보와 관련된 선택 항목에 포함된 배치크기, 타임스텝 및 차원에 대응하는 선택 항목을 상기 사용자 단말로 제공하고,
상기 데이터 변환부는,
상기 사용자 입력 수신부가 상기 배치크기, 타임스텝, 차원의 선택 항목에 대한 응답으로서 수신한 사용자 입력 정보를 고려하여 상기 정비 주기 예측 학습 모델에 입력하기 위한 3차원 데이터 셋 변환을 수행하는 것인, 정비 주기 예측 장치. - 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 방법에 있어서,
기계 설비의 정비 이력, 기계 상태 데이터, 장비 체계 데이터, 기계의 진동 데이터 및 결함 주파수 정보 중 적어도 어느 하나를 포함하는 복수의 정비 데이터를 수집하는 단계;
상기 복수의 정비 데이터 중 예측에 필요한 변수를 도출하는 단계;
순환 신경망 알고리즘에 적용 가능하도록 상기 복수의 정비 데이터를 전처리하는 단계;
전처리된 상기 복수의 정비 데이터를 입력으로 하고 정비 주기를 출력으로 정비 주기 예측 학습 모델을 구축하는 단계; 및
상기 정비 주기 예측 학습 모델의 출력 결과를 기반으로 신규 기계의 정비 주기를 예측하는 단계;
를 포함하되,
상기 전처리하는 단계는,
상기 복수의 정비 데이터의 누락값, NULL값을 조정하기 위해 이상값을 탐지하는 단계;
정제된 상기 복수의 정비 데이터를 통합하는 단계; 및
통합된 복수의 정비 데이터를 상기 정비 주기 예측 학습 모델에 입력하기 위해 3차원 데이터 셋으로 변환하는단계,
를 포함하고,
수신된 진동 데이터에 대하여 기설정된 로우패스 필터(Low-Pass Filter) 또는 밴드패스 필터(Band-Pass Filter)를 적용하여 상기 진동 데이터의 노이즈를 제거하고, 노이즈가 제거된 진동 데이터로부터 RMS 분석, 중심 주파수(CF) 분석, 분산(Var) 분석, 중간 주파수(IF) 분석, 편포도(Skewness) 분석, 중파(MF) 분석, 첨도(Kurtosis) 분석 및 PTP 분석 중 적어도 하나에 기초하여 하나 이상의 특질 변수를 추출하 고,
상기 이상값을 탐지하는 단계는,
정비 데이터에 포함된 복수의 칼럼 항목에 라벨 칼럼이 포함 여부에 따라 데이터의 종류 또는 데이터의 분포를 고려하여 이상값 탐지를 수행할 인공지능 알고리즘을 결정하고,
상기 정비 주기 예측 학습 모델을 구축하는 단계는,
상기 정비 데이터에 포함된 복수의 칼럼 항목 중 라벨 칼럼의 포함 여부와 데이터의 종류 또는 데이터의 분포를 고려하여 이상값 탐지를 수행할 인공지능 알고리즘을 결정하되, 상기 라벨 칼럼이 포함되지 않은 경우, 비지도 학습 기반의 인공지능 알고리즘을 이용하여 이상값을 탐지하고,
상기 정비 주기 예측 학습 모델을 구축하는 단계는,
상기 전처리 하는 단계에서 추출된 상기 특질 변수를 입력으로 하는 머신러닝 알고리즘을 이용하여 상기 기계의 결함 유무를 학습하는 결함 예측 모델을 생성하고,
추출된 상기 특질 변수에 대하여 딥러닝 기반의 시계열 분석을 통해 수신된 진동 데이터에 기초하여 기 설정된 단위 시간 동안의 진동 데이터의 변화를 추정한 예측 시퀀스인 예측값을 생성하고, 상기 예측값 및 상기 진동 데이터의 실제값에 기초하여 오차 정보를 생성하되,
상기 단위 시간 동안의 상기 진동 데이터의 실제 시퀀스와 상기 예측 시퀀스의 차이에 해당하며 시퀀스로 표현되는 오차 벡터를 상기 오차 정보로 생성하는 것인, 정비 주기 예측 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20190149637 | 2019-11-20 | ||
| KR1020190149637 | 2019-11-20 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102226687B1 true KR102226687B1 (ko) | 2021-03-11 |
Family
ID=75142952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200092427A KR102226687B1 (ko) | 2019-11-20 | 2020-07-24 | 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102226687B1 (ko) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102427205B1 (ko) * | 2021-11-22 | 2022-08-01 | 한국건설기술연구원 | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 |
| CN114970341A (zh) * | 2022-05-18 | 2022-08-30 | 中国西安卫星测控中心 | 基于机器学习的低轨卫星轨道预报精度提升模型建立方法 |
| CN115081702A (zh) * | 2022-06-14 | 2022-09-20 | 国网信息通信产业集团有限公司 | 一种具有可解释特性的电力负荷预测方法、系统及终端机 |
| KR102471201B1 (ko) * | 2021-11-01 | 2022-11-25 | (주)위세아이텍 | 비지도학습기반 시계열 데이터의 이상치 탐지 및 자동 임계점 시스템 |
| KR20230011117A (ko) | 2021-07-13 | 2023-01-20 | 서강대학교산학협력단 | 자기 지도 학습을 기반으로 한 시계열 데이터의 이상탐지 시스템 및 이상 탐지 방법 |
| KR20230021909A (ko) * | 2021-08-06 | 2023-02-14 | 동의대학교 산학협력단 | 인공지능을 활용한 크레인 장비의 이상 감지 시스템 및 방법 |
| CN116402219A (zh) * | 2023-03-29 | 2023-07-07 | 中科航迈数控软件(深圳)有限公司 | 一种基于预测模型的全生命周期运维策略方法及装置 |
| CN116561393A (zh) * | 2023-06-02 | 2023-08-08 | 黑龙江省水利科学研究院 | 基于用水量因素的万元gdp用水量可视化系统及方法 |
| KR102580433B1 (ko) * | 2023-05-23 | 2023-09-18 | 호서대학교 산학협력단 | 이상 예측을 위한 분석 대상 데이터의 특징을 검출하기 위한 장치 및 이를 위한 방법 |
| CN117060409A (zh) * | 2023-10-13 | 2023-11-14 | 国网甘肃省电力公司白银供电公司 | 电力线路运行状态自动化检测分析方法及系统 |
| KR102602840B1 (ko) * | 2022-11-02 | 2023-11-17 | 한국건설기술연구원 | 학습 데이터셋 생성 시스템 및 이를 이용한 학습 데이터셋 생성 방법 |
| CN117176331A (zh) * | 2023-11-03 | 2023-12-05 | 江苏高昕建筑系统有限公司 | 一种电数字数据处理装置及其处理方法 |
| US11886180B2 (en) | 2022-03-02 | 2024-01-30 | Claritrics Inc. | Method and system for facilitating predictive maintainance of testing machine |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101764540B1 (ko) * | 2016-06-21 | 2017-08-02 | 두산중공업 주식회사 | 풍력발전기 진동 상태감시 및 진단 시스템 |
| KR101987365B1 (ko) * | 2018-11-26 | 2019-06-10 | (주)위세아이텍 | 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 |
-
2020
- 2020-07-24 KR KR1020200092427A patent/KR102226687B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101764540B1 (ko) * | 2016-06-21 | 2017-08-02 | 두산중공업 주식회사 | 풍력발전기 진동 상태감시 및 진단 시스템 |
| KR101987365B1 (ko) * | 2018-11-26 | 2019-06-10 | (주)위세아이텍 | 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230011117A (ko) | 2021-07-13 | 2023-01-20 | 서강대학교산학협력단 | 자기 지도 학습을 기반으로 한 시계열 데이터의 이상탐지 시스템 및 이상 탐지 방법 |
| KR20230021909A (ko) * | 2021-08-06 | 2023-02-14 | 동의대학교 산학협력단 | 인공지능을 활용한 크레인 장비의 이상 감지 시스템 및 방법 |
| KR102594253B1 (ko) * | 2021-08-06 | 2023-10-25 | 동의대학교 산학협력단 | 인공지능을 활용한 크레인 장비의 이상 감지 시스템 및 방법 |
| KR102471201B1 (ko) * | 2021-11-01 | 2022-11-25 | (주)위세아이텍 | 비지도학습기반 시계열 데이터의 이상치 탐지 및 자동 임계점 시스템 |
| KR102427205B1 (ko) * | 2021-11-22 | 2022-08-01 | 한국건설기술연구원 | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 |
| US11886180B2 (en) | 2022-03-02 | 2024-01-30 | Claritrics Inc. | Method and system for facilitating predictive maintainance of testing machine |
| CN114970341A (zh) * | 2022-05-18 | 2022-08-30 | 中国西安卫星测控中心 | 基于机器学习的低轨卫星轨道预报精度提升模型建立方法 |
| CN114970341B (zh) * | 2022-05-18 | 2024-04-02 | 中国西安卫星测控中心 | 基于机器学习的低轨卫星轨道预报精度提升模型建立方法 |
| CN115081702A (zh) * | 2022-06-14 | 2022-09-20 | 国网信息通信产业集团有限公司 | 一种具有可解释特性的电力负荷预测方法、系统及终端机 |
| KR102602840B1 (ko) * | 2022-11-02 | 2023-11-17 | 한국건설기술연구원 | 학습 데이터셋 생성 시스템 및 이를 이용한 학습 데이터셋 생성 방법 |
| CN116402219A (zh) * | 2023-03-29 | 2023-07-07 | 中科航迈数控软件(深圳)有限公司 | 一种基于预测模型的全生命周期运维策略方法及装置 |
| KR102580433B1 (ko) * | 2023-05-23 | 2023-09-18 | 호서대학교 산학협력단 | 이상 예측을 위한 분석 대상 데이터의 특징을 검출하기 위한 장치 및 이를 위한 방법 |
| CN116561393B (zh) * | 2023-06-02 | 2024-01-30 | 黑龙江省水利科学研究院 | 基于用水量因素的万元gdp用水量可视化系统及方法 |
| CN116561393A (zh) * | 2023-06-02 | 2023-08-08 | 黑龙江省水利科学研究院 | 基于用水量因素的万元gdp用水量可视化系统及方法 |
| CN117060409B (zh) * | 2023-10-13 | 2023-12-29 | 国网甘肃省电力公司白银供电公司 | 电力线路运行状态自动化检测分析方法及系统 |
| CN117060409A (zh) * | 2023-10-13 | 2023-11-14 | 国网甘肃省电力公司白银供电公司 | 电力线路运行状态自动化检测分析方法及系统 |
| CN117176331A (zh) * | 2023-11-03 | 2023-12-05 | 江苏高昕建筑系统有限公司 | 一种电数字数据处理装置及其处理方法 |
| CN117176331B (zh) * | 2023-11-03 | 2024-02-02 | 江苏高昕建筑系统有限公司 | 一种电数字数据处理装置及其处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102226687B1 (ko) | 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법 | |
| Hsu et al. | Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning | |
| Sun et al. | Review of bridge structural health monitoring aided by big data and artificial intelligence: From condition assessment to damage detection | |
| Lang et al. | Artificial intelligence-based technique for fault detection and diagnosis of EV motors: A review | |
| JP2020119605A (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 | |
| CN111260125B (zh) | 一种轨道车辆部件的温度异常检测方法 | |
| WO2017162434A1 (en) | Method and apparatus for optimizing diagnostics of rotating equipment | |
| US11853047B2 (en) | Sensor-agnostic mechanical machine fault identification | |
| US20230085991A1 (en) | Anomaly detection and filtering of time-series data | |
| Calvo-Bascones et al. | A collaborative network of digital twins for anomaly detection applications of complex systems. Snitch Digital Twin concept | |
| Lee et al. | Unsupervised anomaly detection of the gas turbine operation via convolutional auto-encoder | |
| Jiang et al. | Remaining useful life prediction of rolling bearings based on Bayesian neural network and uncertainty quantification | |
| Zhao et al. | A capsnet-based fault diagnosis method for a digital twin of a wind turbine gearbox | |
| Lou et al. | Recent deep learning models for diagnosis and health monitoring: A review of research works and future challenges | |
| Liu et al. | Feature-level SMOTE: Augmenting fault samples in learnable feature space for imbalanced fault diagnosis of gas turbines | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| Xia | A systematic graph-based methodology for cognitive predictive maintenance of complex engineering equipment | |
| Imamverdiyev et al. | Condition monitoring of equipment in oil wells using deep learning | |
| Martins et al. | Prediction maintenance based on vibration analysis and deep learning–A case study of a drying press supported on a hidden Markov model | |
| Niu et al. | A hybrid bearing prognostic method with fault diagnosis and model fusion | |
| Zhou et al. | Multisensor-Based Heavy Machine Faulty Identification Using Sparse Autoencoder-Based Feature Fusion and Deep Belief Network-Based Ensemble Learning | |
| Cerquitelli et al. | Data-driven predictive maintenance: A methodology primer | |
| Lu et al. | A Novel Bearing Fault Diagnosis Algorithm Based on Adaptive Weighted Multi-view Learning | |
| KR20230055781A (ko) | 딥러닝 기반의 유도무기 주요 부품 정비 주기 예측 시스템 및 방법 | |
| Sürücü et al. | PROGNOS: an automatic remaining useful life (RUL) prediction model for military systems using machine learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |