KR102229638B1

KR102229638B1 - 고장 예측 장치 및 방법

Info

Publication number: KR102229638B1
Application number: KR1020190138208A
Authority: KR
Inventors: 한석윤; 박기준; 이호용
Original assignee: 한국철도기술연구원
Priority date: 2019-10-31
Filing date: 2019-10-31
Publication date: 2021-03-18

Abstract

본 발명이 해결하고자 하는 과제를 해결하기 위한 일 실시예에 따른 고장 예측 장치는 소정 시점을 기준으로 상기 소정 시점 이전의 장비의 동작을 기록한 원 데이터 및 상기 소정 시점의 상기 장비의 동작을 기록한 현재 데이터를 수집하는 데이터 수집 모듈; 상기 원 데이터의 결측치를 추정하고, 생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 추정된 결측치를 보정하고, 상기 원 데이터와 보정된 결측치를 포함하는 가공 데이터를 인공지능 학습하여 RUL(Remaining Useful Life) 예측 학습 모델을 생성하는 데이터 전처리 및 학습 모듈; 및 상기 현재 데이터를 상기 RUL 예측 학습 모델에 적용하여 RUL 예측 데이터를 생성하는 RUL 예측 모듈;을 포함한다.

Description

고장 예측 장치 및 방법{Apparatus and method for predicting failure}

본 발명은 인공 지능이 적용된 고장 예측 장치 및 방법에 관한 것이다.

열차 종합 제어 장치(TCMS, Train Control and Monitoring System)는 열차의 운전 및 검사를 위한 장치로서, 기관사에게 열차의 운행을 위해 필요한 정보를 제공할 수 있다.

상세하게는, 열차 종합 제어 장치는 열차를 구성하는 복수의 차량들 각각의 상태 정보를 수집하고, 이에 기초한 복수의 차량들 각각의 고장 정보 등을 기관사에게 제공함으로써, 기관사가 운행에 필요한 조치를 취할 수 있는 기회를 제공할 수 있다.

한편, 기관사는 운행 점검 시에, 유지보수 담당자는 정기 점검 시에, 열차 종합 제어 장치에 의해 제공되는 정보를 확인함으로써 열차의 상태를 확인한 후 필요에 따라 유지보수를 수행할 수 있다. 이때, 기관사와 유지보수 담당자는 열차 종합 제어 장치에 의해 제공되는 정보에 따라 열차의 현재 상태를 확인할 수 있을 뿐, 향후 발생 가능한 열차의 고장에 대하여 예측할 수는 없다.

이처럼, 열차의 고장을 사전에 예측할 수 없는 경우, 불시에 열차의 고장이 감지되어 열차의 운행이 지연되고, 고장 후 열차의 유지보수에 따른 비용이 증가하는 등의 문제점이 있다.

이러한 문제점은 열차뿐만 아니라, 유지보수가 필요한 각종 장비에서 발생될 수 있으며, 이러한 문제점을 해결하기 위하여 각종 장비의 고장을 사전에 예측하여 대비할 수 있는 방법이 요구되고 있다.

본 발명이 해결하고자 하는 과제는 제어 장치에 기록된 데이터에 인공 지능 기술을 적용함으로써 향후 장비의 고장 시기, 고장 유형, 고장 원인 등을 미리 예측할 수 있는 고장 예측 장치 및 방법을 제공하는데 있다.

본 실시예에서, 상기 데이터 전처리 및 학습 모듈은 상기 원 데이터에 MCMC(Markov Chain Monte Carlo) 기법을 적용하여 상기 결측치를 추정할 수 있다.

본 실시예에서, 상기 생성적 적대 신경망은 상기 추정된 결측치를 보정하는 생성자(Generator, G) 및 상기 가공 데이터를 인공지능 학습하여 상기 RUL 예측 학습 모델을 생성하는 분류자(Discriminator, D)를 포함할 수 있다.

본 실시예에서, 상기 생성자 및 상기 분류자는 각각 심층 신경망(Deep Neural Network, DNN)으로 이루어질 수 있다.

본 실시예에서, 상기 RUL 예측 데이터는 상기 장비의 이전 고장 발생 시간과 다음 고장 발생 시간 사이의 시간 차를 나타내는 고장 발생 빈도수에 기초하여 생성될 수 있다.

본 실시예에서, 상기 원 데이터로부터 원 고장 유형 및 원인 데이터를 추출하고, 상기 원 고장 유형 및 원인 데이터를 인공지능 학습 방법으로 처리하여 고장 예측 학습 모델을 생성하고, 상기 현재 데이터를 상기 고장 예측 학습 모델에 적용하여 고장 유형 및 원인 예측 데이터를 생성하는 고장 유형 및 원인 예측 모델;을 더 포함할 수 있다.

본 실시예에서, 상기 원 고장 유형 및 원인 데이터의 인공지능 학습 방법은 딥 빌리프 네트워크(Deep Belief Network, DBN)에 기반하는 베이지언(Bayesian) 학습 방법일 수 있다.

본 실시예에서, 사용자 입력에 따라 또는 주기적으로 상기 RUL 예측 데이터를 표시하는 디스플레이 모듈;를 더 포함할 수 있다.

본 발명이 해결하고자 하는 과제를 해결하기 위한 일 실시예에 따른 고장 예측 방법은 소정 시점을 기준으로 상기 소정 시점 이전의 장비의 동작을 기록한 원 데이터를 수집하는 단계; 상기 원 데이터의 결측치를 추정하는 단계; 생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 추정된 결측치를 보정하고, 상기 원 데이터와 보정된 결측치를 포함하는 가공 데이터를 딥러닝 학습하여 RUL(Remaining Useful Life) 예측 학습 모델을 생성하는 단계; 상기 소정 시점의 상기 장비의 동작을 기록한 현재 데이터를 수집하는 단계; 및 상기 현재 데이터를 상기 RUL 예측 학습 모델에 적용하여 RUL 예측 데이터를 생성하는 단계;를 포함한다.

본 발명의 실시예들에 따르면, 향후 장비의 고장 시기, 고장 유형, 고장 원인 등을 미리 예측함으로써, 장비에 고장이 발생하기 전에 미리 조치를 취할 수 있는 기회를 제공할 수 있으므로, 사고 위험을 방지하고 고장으로 인한 비용을 절감할 수 있다.

또한, 장비의 고장 시기에 따른 부품 수요를 예측할 수 있다.

도 1은 일 실시예에 따른 고장 예측 장치의 구성을 나타내는 블록도이다.
도 2는 일 실시예에 따른 고장 시기 예측 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 고장 시기 예측을 위한 데이터 결측치 보정 방법을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 고장 시기 예측을 위한 최종 RUL 데이터 생성 알고리즘을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 고장 유형 및 원인 예측 방법을 설명하기 위한 흐름도이다.
도 6은 일 실시예에 따른 고장 유형 및 원인 예측을 위한 학습 모델을 설명하기 위한 도면이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

이하의 실시예에서, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

이하의 실시예에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 다수의 표현을 포함한다. 이하의 실시예에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 발명의 실시예들은 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 본 발명의 실시예의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 발명의 실시예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 발명의 실시예들은 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. 매커니즘, 요소, 수단, 구성과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.

이하 첨부된 도면들을 참조하여 본 발명의 여러 가지 실시 예를 상세히 설명한다.

도 1은 일 실시예에 따른 고장 예측 장치(100)의 구성을 나타내는 블록도이다.

도 1을 참조하면, 일 실시예에 따른 고장 예측 장치(100)는 데이터 수집 모듈(110), 데이터 전처리 및 학습 모듈(120), RUL 예측 모듈(130), 고장 유형 및 원인 예측 모듈(140), 및 디스플레이 모듈(150)을 포함한다.

데이터 수집 모듈(110)은 소정 시점을 기준으로 소정 시점 이전의 장비의 동작을 기록한 원 데이터 및 소정 시점의 장비의 동작을 기록한 현재 데이터를 수집한다.

예를 들어, 데이터 수집 모듈(110)은 열차 종합 제어 장치에 기록된 데이터를 수집할 수 있다. 열차 종합 제어 장치에 기록된 데이터는 열차의 고장을 나타내는 고장 데이터, 열차의 주행에 따른 상태 데이터, 열차의 고장에 대한 수리를 나타내는 유지보수 데이터 등일 수 있으며, 이에 한정하지 않는다.

데이터 수집 모듈(110)에 의해 수집되는 원 데이터는 데이터 전처리 및 학습 모듈에 의해 전처리 및 학습되는 데이터일 수 있고, 데이터 수집 모듈(110)에 의해 수집되는 현재 데이터는 RUL 예측 학습 모델에 적용되는 데이터일 수 있다.

데이터 전처리 및 학습 모듈(120)은 원 데이터의 결측치를 추정하고, 생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 추정된 결측치를 보정하고, 원 데이터와 보정된 결측치를 포함하는 가공 데이터를 인공지능 학습하여 RUL(Remaining Useful Life) 예측 학습 모델을 생성한다.

보다 상세하게는, 데이터 전처리 학습 모듈(120)은 원 데이터로부터 결측치를 추정하고, 원 데이터 및 추정된 결측치를 포함하는 가상 데이터로부터 결측치를 보정하고, 원 데이터 및 보정된 결측치를 포함하는 가공 데이터로부터 최종 RUL 데이터를 생성할 수 있다. 결측치 추정, 결측치 보정, 및 최종 RUL 데이터 생성에 하기의 알고리즘들이 적용될 수 있으며, 이에 한정하지 않는다.

데이터 수집 모듈(110)은 원 데이터를 인공지능 학습에 알맞은 형식으로 변환할 수 있다. 예를 들어, 데이터 수집 모듈(100)은 열차 종합 제어 장치에 기록된 Hexa Code 형식의 데이터를 수집할 수 있으며, 이를 인공지능 학습에 알맞은 형식으로 디코딩할 수 있다. 이하의 원 데이터는 인공지능 학습에 알맞은 형식으로 변환된 원 데이터를 의미할 수 있다.

RUL 데이터는 수학식 1과 같이 정의될 수 있다.

는 이전 고장 발생 시간과 다음 고장 발생 시간 사이의 상대 시간을,

는 고장의 종류를,

는 고장의 순서를,

는

고장이

번째 발생한 시간을 의미할 수 있다. 즉, RUL 데이터는 동일한 종류의 고장이 이전에 발생한 시간과 다음에 발생한 시간 사이의 간격을 나타내는 데이터일 수 있다.

장비의 고장은 종류에 따라 발생 빈도수가 달라질 수 있다. 원 데이터의 결측치는 수집되지 않은 원 데이터를 나타낼 수도 있고, 장비의 발생 빈도수가 적은 고장에 대한 데이터를 나타낼 수도 있다.

데이터 전처리 및 학습 모듈(120)은 원 데이터에 MCMC(Markov Chain Monte Carlo) 기법을 적용하여 결측치를 추정할 수 있다. MCMC 기법에 의하면 원 데이터의 분포에 기반하여 결측치가 임의로 추정될 수 있다.

한편, 생성적 적대 신경망은 추정된 결측치를 보정하는 생성자(Generator, G) 및 가공 데이터를 인공지능 학습하여 RUL 예측 학습 모델을 생성하는 분류자(Discriminator, D)를 포함할 수 있다. 생성자 및 분류자는 각각 심층 신경망(Deep Neural Network, DNN)으로 이루어질 수 있다.

생성자는 원 데이터의 결측치에 해당하는 데이터를 생성하고, 분류자는 생성자에 의해 생성된 데이터를 입력 데이터로 하여 최종 RUL 데이터를 추정할 수 있다.

상세하게는, 심층 신경망으로 이루어진 생성자는 MCMC 기법에 의해 추정된 원 데이터의 결측치를 인공지능 학습을 통해 보정할 수 있다. 즉, 생성자는 결측치가 없는 데이터를 생성할 수 있다.

심층 신경망으로 이루어진 분류자는 원 데이터와 생성자의 출력 데이터인 원 데이터의 보정된 결측치를 포함하는 가공 데이터를 인공지능 학습하여 최종 RUL 데이터를 생성할 수 있다.

이때, 분류자는 수학식 2의 함수

를 통해 최종 RUL 데이터를 생성할 수 있다. 최종 RUL 데이터는 추후 발생 가능한 고장의 RUL을 예측하기 위한 데이터로 사용될 수 있다.

은 n번째 레이어의 활성 함수를,

은 n번째 레이어에서의 노드 연결값을,

은 바이어스 계수를,

는 입력값의 i번째 벡터값을 의미할 수 있다.

분류자에 의해 생성된 최종 RUL 데이터는 Backpropagation이 적용되어 생성자와 분류자의 입력 데이터로 이용될 수 있다.

결과적으로, 생성자와 분류자의 딥러닝 학습이 소정 횟수 반복된 결과, RUL 예측 학습 모델이 생성될 수 있다.

RUL 예측 모듈(130)은 현재 데이터를 GAN 기반의 RUL 예측 학습 모델에 적용하여 RUL 예측 데이터를 생성할 수 있다. RUL 예측 데이터는 장비의 이전 고장 발생 시간과 다음 고장 발생 시간 사이의 시간 차를 나타내는 고장 발생 빈도수에 기초하여 생성될 수 있다.

고장 유형 및 원인 예측 모듈(140)은 고장 및 보수 이력 데이터로부터 원 고장 유형 및 원인 데이터를 추출하고, 원 고장 유형 및 원인 데이터를 인공지능 학습 방법으로 처리하여 고장 예측 학습 모델을 생성하고, 현재 데이터를 고장 예측 학습 모델에 적용하여 고장 유형 및 원인 예측 데이터를 생성할 수 있다.

이때, 원 고장 유형 및 원인 데이터의 인공지능 학습 방법은 딥 빌리프 네트워크(Deep Belief Network, DBN)에 기반하는 베이지언(Bayesian) 학습 방법일 수 있다.

디스플레이 모듈(150)은 사용자 입력에 따라 또는 주기적으로 RUL 예측 데이터 및 고장 유형 및 원인 예측 데이터 중 적어도 하나를 표시할 수 있다.

본 실시예에 따르면, 제어 장치에 기록된 데이터에 인공 지능 기술을 적용함으로써 향후 장비의 고장 시기, 고장 유형, 고장 원인 등을 미리 예측할 수 있다.

도 2는 일 실시예에 따른 고장 시기 예측 방법을 설명하기 위한 흐름도이다.

도 2를 참조하면, 데이터 수집 모듈(110)은 소정 시점 이전의 장비의 동작을 기록한 원 데이터를 수집한다(S210).

데이터 전처리 및 학습 모듈(120)은 원 데이터의 결측치를 추정한다(S220).

원 데이터의 결측치는 원 데이터에 MCMC 기법을 적용함으로써 추정될 수 있다.

이어서, 데이터 전처리 및 학습 모듈(120)은 생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 원 데이터의 추정된 결측치를 보정한다(S230).

원 데이터의 추정된 결측치는 생성적 적대 신경망의 생성자에 의해 보정될 수 있다. 생성자는 심층 신경망으로 이루어지고, 생성자는 다음 단계인 S240에서 분류자에 의해 생성되는 최종 RUL 데이터를 다시 입력 데이터로 이용하는 Backpropagation을 수행할 수 있다.

이어서, 데이터 전처리 및 학습 모듈(120)은 생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 원 데이터와 보정된 결측치를 포함하는 가공 데이터를 인공지능 학습하여 RUL 예측 학습 모델을 생성한다(S240).

생성적 적대 신경망의 분류자는 가공 데이터를 수신하여 인공지능 학습함으로써 최종 RUL 데이터를 생성할 수 있고, 최종 RUL 데이터를 다시 입력 데이터로 이용하는 Backpropagation을 수행할 수 있다.

S230 및 S240이 반복적으로 수행된 결과, RUL 예측 학습 모델이 생성될 수 있다.

이어서, 데이터 수집 모듈(110)은 소정 시점의 장비의 동작을 기록한 현재 데이터를 수집한다(S250).

RUL 예측 모듈(130)은 현재 데이터를 RUL 예측 학습 모델에 적용하여 RUL 예측 데이터를 생성한다(S260).

이어서, 디스플레이 모듈(150)은 RUL 예측 데이터를 출력한다(S270). 디스플레이 모듈(150)은 RUL 예측 데이터를 시각적으로 보여주는 이미지 또는 문자를 출력하거나, 청각적으로 들려주는 사운드를 출력할 수 있으며, 이에 한정하지 않는다.

도 3은 일 실시예에 따른 고장 시기 예측을 위한 데이터 결측치 보정 방법을 설명하기 위한 도면이다.

도 3을 참조하면, 데이터 전처리 및 학습 모듈(120)은 원 데이터를 수집하고(S310), 원 데이터로부터 결측치를 추정하고(S320), 원 데이터 및 원 데이터의 결측치 추정 결과를 포함하는 virtual data를 생성할 수 있다(S330). virtual data는 생성자(G(z))의 입력 데이터로 이용될 수 있다.

생성자(G(z))는 virtual data를 수신하여 인공지능 학습 함으로써 원 데이터 및 원 데이터의 결측치 보정 결과를 포함하는 fake data를 생성한다(S340).

데이터 전처리 및 학습 모듈(120)은 fake data를 분류자(D(z))의 입력 데이터로 이용할 수 있다.

분류자(D(z))는 fake data를 인공지능 학습 함으로써(S350), 최종 RUL 데이터를 생성한다(S360)

최종 RUL 데이터는 생성자(G(z))의 입력 데이터 및 분류자(D(z))의 입력 데이터로 이용될 수 있으며, S320 내지 S360이 반복되어 RUL 예측 학습 모델이 생성될 수 있다.

도 4는 일 실시예에 따른 고장 시기 예측을 위한 최종 RUL 데이터 생성 알고리즘을 설명하기 위한 도면이다.

도 4를 참조하면, X는 입력 데이터를,

는 생성자의 심층 신경망 함수를,

는

의 파라미터를,

는 분류자의 심층 신경망 함수를,

는

의 파라미터를, k1, k2는 학습 횟수를 나타낼 수 있다.

즉, 도 4의 알고리즘은 결측치를 포함하는 입력 데이터(X)가 생성자에 입력되어 k2번 반복적으로 인공지능 학습된 결과,

가 학습되고, 결측치와 원 데이터를 포함하는 입력 데이터(Z)가 분류자에 입력되어 k1번 반복적으로 인공지능 학습된 결과,

가 학습되는 동작을 나타낼 수 있다.

도 5는 일 실시예에 따른 고장 유형 및 원인 예측 방법을 설명하기 위한 흐름도이다.

도 6은 일 실시예에 따른 고장 유형 및 원인 예측을 위한 학습 모델을 설명하기 위한 도면이다.

도 5 및 도 6을 참조하면, 데이터 수집 모듈(110)은 원 고장 데이터를 수집한다(S510).

이어서, 고장 유형 및 원인 예측 모듈(140)은 원 고장 데이터로부터 원 고장 유형 및 원인 데이터를 추출하고, 원 고장 유형 및 원인 데이터를 베이지언(Bayesian) 학습 방법으로 처리하여 고장 예측 학습 모델을 생성한다(S520).

베이지언(Bayesian) 학습 방법은 인과 관계에 기반하는 딥 빌리프 네트워크(Deep Belief Network, DBN)를 활용할 수 있다. 딥 빌리프 네트워크의 입력층인 V층에 원 고장 유형 데이터가, 딥 빌리프 네트워크의 은닉층인 H층에 원 고장 원인 데이터가 위치함으로써, 원 고장 유형 및 원인 데이터에 기초하여 고장 예측 학습 모델이 생성될 수 있다.

이어서, 데이터 수집 모듈(110)은 현재 데이터를 수집한다(S530).

고장 유형 및 원인 예측 모듈(140)은 현재 데이터를 고장 예측 학습 모델에 적용하여 고장 유형 및 원인 예측 데이터를 생성한다(S540).

디스플레이 모듈(150)은 고장 유형 및 원인 예측 데이터를 출력한다(S550).

디스플레이 모듈(150)은 고장 유형 및 원인 예측 데이터를 시각적으로 보여주는 이미지 또는 문자를 출력하거나, 청각적으로 들려주는 사운드를 출력할 수 있으며, 이에 한정하지 않는다.

이제까지 본 발명에 대하여 바람직한 실시예를 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명을 구현할 수 있음을 이해할 것이다.

그러므로 상기 개시된 실시예는 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 특허청구범위에 의해 청구된 발명 및 청구된 발명과 균등한 발명들은 본 발명에 포함된 것으로 해석되어야 한다.

100: 고장 예측 장치
110: 데이터 수집 모듈
120: 데이터 전처리 및 학습 모듈
130: RUL 예측 모듈
140: 고장 유형 및 원인 예측 모듈
150: 디스플레이 모듈

Claims

소정 시점을 기준으로 상기 소정 시점 이전의 장비의 동작을 기록한 원 데이터 및 상기 소정 시점의 상기 장비의 동작을 기록한 현재 데이터를 수집하는 데이터 수집 모듈;
상기 원 데이터의 분포에 기반하여 상기 원 데이터의 결측치를 추정하고, 생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 추정된 결측치를 보정하고, 상기 원 데이터와 보정된 결측치를 포함하는 가공 데이터를 인공지능 학습하여 RUL(Remaining Useful Life) 예측 학습 모델을 생성하는 데이터 전처리 및 학습 모듈; 및
상기 현재 데이터를 상기 RUL 예측 학습 모델에 적용하여 RUL 예측 데이터를 생성하는 RUL 예측 모듈;을 포함하는 고장 예측 장치.
청구항 1에 있어서,
상기 데이터 전처리 및 학습 모듈은 상기 원 데이터에 MCMC(Markov Chain Monte Carlo) 기법을 적용하여 상기 결측치를 추정하는, 고장 예측 장치.
청구항 1에 있어서,
상기 생성적 적대 신경망은 상기 추정된 결측치를 보정하는 생성자(Generator, G) 및 상기 가공 데이터를 인공지능 학습하여 상기 RUL 예측 학습 모델을 생성하는 분류자(Discriminator, D)를 포함하는, 고장 예측 장치.
청구항 3에 있어서,
상기 생성자 및 상기 분류자는 각각 심층 신경망(Deep Neural Network, DNN)으로 이루어진, 고장 예측 장치.
청구항 1에 있어서,
상기 RUL 예측 데이터는 상기 장비의 이전 고장 발생 시간과 다음 고장 발생 시간 사이의 시간 차를 나타내는 고장 발생 빈도수에 기초하여 생성되는, 고장 예측 장치.
청구항 1에 있어서,
상기 원 데이터로부터 원 고장 유형 및 원인 데이터를 추출하고, 상기 원 고장 유형 및 원인 데이터를 인공지능 학습 방법으로 처리하여 고장 예측 학습 모델을 생성하고, 상기 현재 데이터를 상기 고장 예측 학습 모델에 적용하여 고장 유형 및 원인 예측 데이터를 생성하는 고장 유형 및 원인 예측 모델;을 더 포함하는, 고장 예측 장치.
청구항 6에 있어서,
상기 원 고장 유형 및 원인 데이터의 인공지능 학습 방법은 딥 빌리프 네트워크(Deep Belief Network, DBN)에 기반하는 베이지언(Bayesian) 학습 방법인, 고장 예측 장치.
청구항 1에 있어서,
사용자 입력에 따라 또는 주기적으로 상기 RUL 예측 데이터를 표시하는 디스플레이 모듈;를 더 포함하는, 고장 예측 장치.
소정 시점을 기준으로 상기 소정 시점 이전의 장비의 동작을 기록한 원 데이터를 수집하는 단계;
상기 원 데이터의 분포에 기반하여 상기 원 데이터의 결측치를 추정하는 단계;
생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 추정된 결측치를 보정하고, 상기 원 데이터와 보정된 결측치를 포함하는 가공 데이터를 딥러닝 학습하여 RUL(Remaining Useful Life) 예측 학습 모델을 생성하는 단계;
상기 소정 시점의 상기 장비의 동작을 기록한 현재 데이터를 수집하는 단계; 및
상기 현재 데이터를 상기 RUL 예측 학습 모델에 적용하여 RUL 예측 데이터를 생성하는 단계;를 포함하는, 고장 예측 방법.