KR102236802B1 - Device and method for feature extraction of data for diagnostic models - Google Patents

Device and method for feature extraction of data for diagnostic models Download PDF

Info

Publication number
KR102236802B1
KR102236802B1 KR1020190152562A KR20190152562A KR102236802B1 KR 102236802 B1 KR102236802 B1 KR 102236802B1 KR 1020190152562 A KR1020190152562 A KR 1020190152562A KR 20190152562 A KR20190152562 A KR 20190152562A KR 102236802 B1 KR102236802 B1 KR 102236802B1
Authority
KR
South Korea
Prior art keywords
data
classification
plot
machine tool
determining
Prior art date
Application number
KR1020190152562A
Other languages
Korean (ko)
Inventor
이창우
박병희
이종수
Original Assignee
건국대학교 산학협력단
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 건국대학교 산학협력단 filed Critical 건국대학교 산학협력단
Priority to KR1020190152562A priority Critical patent/KR102236802B1/en
Application granted granted Critical
Publication of KR102236802B1 publication Critical patent/KR102236802B1/en

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0221Preprocessing 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0224Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0243Electric 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

The present invention relates to an apparatus for extracting characteristics of data for a diagnosis model and a method thereof. The apparatus includes: a machine tool operation data extraction part extracting machine tool operation data created based on vibrations generated when a machine tool is operated, and including normal data and abnormal data; a machine tool operation data classification part creating classification data by classifying the machine tool operation data through a plurality of classification standards; a plot area determination part forming plot lines by connecting each individual datum included in the classification data through a plot and determining the inside of the outermost plot line as a plot area; and a classification standard determination part determining classification standards satisfying a similarity value, which is calculated by performing overlapping between plot areas with respect to each of the normal data and abnormal data, at no more than a specific standard. Therefore, the present invention is capable of determining the most suitable classification standard for the creation of data.

Description

진단 모델용 데이터의 특징 추출 장치 및 방법{DEVICE AND METHOD FOR FEATURE EXTRACTION OF DATA FOR DIAGNOSTIC MODELS}Device and method for extracting features of data for diagnostic models {DEVICE AND METHOD FOR FEATURE EXTRACTION OF DATA FOR DIAGNOSTIC MODELS}

본 발명은 진단 모델용 데이터의 특징을 추출하는 기술에 관한 것으로, 더욱 상세하게는 진단 모델용 데이터를 생성하는 과정에서 좀 더 효율적인 분류 기준을 추출할 수 있는 진단 모델용 데이터의 특징 추출 장치 및 방법에 관한 것이다.The present invention relates to a technology for extracting features of diagnostic model data, and more particularly, an apparatus and method for extracting features of diagnostic model data capable of extracting more efficient classification criteria in the process of generating diagnostic model data. It is about.

기존 학습기반 진단 모델 개발은 데이터에서 추출한 특징 데이터를 차원 감소 기법(Principal Component Analysis, PCA)를 활용하여 학습시간을 줄이고, 데이터 개수를 줄이는 방법을 사용하였다. 다만, 이러한 차원 감소 기법에 의하면 모든 데이터를 사용해야 하는 방법으로 데이터의 용량을 줄이지는 못하였다.In the development of the existing learning-based diagnosis model, the feature data extracted from the data was reduced by using a Principal Component Analysis (PCA) technique to reduce the learning time and the number of data. However, according to this dimensionality reduction technique, the capacity of data could not be reduced in a way that all data should be used.

기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소 기술은 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.Machine learning is an algorithm technology that classifies/learns the features of input data by itself, and element technology is a technology that simulates functions such as cognition and judgment of the human brain using machine learning algorithms. It consists of technical fields such as prediction, knowledge expression, and motion control.

동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임을 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.Motion control is a technology that controls autonomous driving of a vehicle and movement of a robot, and includes movement control (navigation, collision, travel), operation control (behavior control), and the like.

한국등록특허 제10-1068319(2011.09.21)호는 반복 학습 회로를 포함하는 위치 제어 장치, 노광 장치, 디바이스 제조 방법, 및, 학습 필터를 포함하는 반복 학습 회로를 갖는 위치 제어 장치에서 사용하기 위한 반복 학습 방법에 관한 것으로, 좀 더 자세하게는, 제어 대상의 위치를 검출하도록 구성된 검출부, 상기 검출부의 출력을 목표값으로부터 감산하도록 구성된 감산부, 상기 검출부의 출력과 상기 목표값 사이의의 편차가 입력되는 필터를 포함하고 상기 제어 대상에 제어 입력을 피드 포워드(feed forward)하는 반복 학습 제어 회로, 및 상기 제어 대상의 파라미터 변동을 산출하도록 구성된 파라미터 산출부를 포함한다.Korean Patent Registration No. 10-1068319 (2011.09.21) is for use in a position control apparatus including an iterative learning circuit, an exposure apparatus, a device manufacturing method, and a position control apparatus having an iterative learning circuit including a learning filter. It relates to an iterative learning method, and more specifically, a detection unit configured to detect a position of a control target, a subtraction unit configured to subtract the output of the detection unit from a target value, and a deviation between the output of the detection unit and the target value is input And an iterative learning control circuit for feeding forward a control input to the control object, and a parameter calculation unit configured to calculate a parameter variation of the control object.

한국공개특허 제10-2013-0065624(2013.06.19)호는 주기적 구동계의 이상 검지 장치, 주기적 구동계를 갖는 처리 장치, 주기적 구동계의 이상 검지 방법 및 컴퓨터 프로그램에 관한 것으로, 좀 더 자세하게는, 처리 장치에 있어서의 처리에 이용하는 주기적 구동계로부터의 소리를 검출하는 검출 수단과, 검출된 소리로부터 시간과 함께 변동하는 시계열 데이터를 취득하는 데이터 취득 수단과, 상기 데이터 취득 수단에서 취득한 시계열 데이터로부터 그 시계열 데이터가 결정론적인지 확률론적인지의 지표로 되는 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량을 소정 시간마다 복수 산출하는 결정론성값 산출 수단과, 상기 복수 산출한 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포를 산출하는 확률 분포 산출 수단과, 상기 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포에 근거하여 상기 주기적 구동계의 이상 여부를 판정하는 판정 수단을 포함한다.Korean Patent Laid-Open Publication No. 10-2013-0065624 (2013.06.19) relates to an abnormality detection device of a periodic drive system, a processing device having a periodic drive system, an abnormality detection method of a periodic drive system, and a computer program. A detection means for detecting sound from a periodic drive system used for processing in, data acquisition means for acquiring time series data that fluctuates with time from the detected sound, and time series data from the time series data acquired by the data acquisition means A deterministic value calculation means for calculating a plurality of values representing determinism as an indicator of whether determinism or probabilistic values or intermediate changes in the process of calculating the values at each predetermined time, and calculation of a value representing the plurality of calculated determinism or the value thereof Probability distribution calculation means for calculating a probability distribution of an intermediate change amount in a process, and a determination means for determining whether or not the periodic drive system is abnormal based on the value representing the determinism or the probability distribution of the intermediate change amount in the calculation process of the value Includes.

한국등록특허 제10-1068319(2011.09.21)호Korean Patent Registration No. 10-1068319 (2011.09.21) 한국공개특허 제10-2013-0065624(2013.06.19)호Korean Patent Publication No. 10-2013-0065624 (2013.06.19)

본 발명의 일 실시예는 분류 기준을 결정할 때 정상 데이터 및 비정상 데이터를 나누어서 분류 데이터를 추출하여 적절한 진단 모델용 분류 기준을 결정할 수 있는 진단 모델용 데이터의 특징 추출 장치 및 방법을 제공하고자 한다.An embodiment of the present invention is to provide an apparatus and method for extracting features of diagnostic model data capable of determining an appropriate classification criterion for a diagnostic model by dividing normal data and abnormal data to extract classification data when determining a classification criterion.

본 발명의 일 실시예는 분류 기준을 결정하는 과정에서 복수의 분류 기준들을 통해 공작기계 가동 데이터를 직교 좌표계에 표시하여 분류 데이터를 생성할 수 있는 진단 모델용 데이터의 특징 추출 장치 및 방법을 제공하고자 한다.An embodiment of the present invention is to provide an apparatus and method for extracting features of diagnostic model data capable of generating classification data by displaying machine tool operation data in a Cartesian coordinate system through a plurality of classification criteria in the process of determining the classification criteria. do.

본 발명의 일 실시예는 플롯 영역의 면적을 기초로 학습 데이터를 생성하기에 가장 적합한 분류 기준을 결정할 수 있는 진단 모델용 데이터의 특징 추출 장치 및 방법을 제공하고자 한다.An embodiment of the present invention is to provide an apparatus and method for extracting features of diagnostic model data capable of determining a classification criterion most suitable for generating training data based on an area of a plot area.

실시예들 중에서, 진단 모델용 데이터의 특징 추출 장치는 공작기계가 가동될 때 발생되는 진동을 기초로 생성되고 정상 데이터와 비정상 데이터를 포함하는 공작기계 가동 데이터를 추출하는 공작기계 가동 데이터 추출부, 복수의 분류 기준들을 통해 상기 공작기계 가동 데이터를 분류하여 분류 데이터를 생성하는 공작기계 가동 데이터 분류부, 상기 분류 데이터에 포함된 각각의 개별 데이터 사이를 플롯으로 연결하여 플롯 라인을 형성하고 최외각에 형성된 플롯 라인의 내부를 플롯 영역으로 결정하는 플롯 영역 결정부 및 상기 정상 데이터 및 상기 비정상 데이터 각각에 대한 플롯 영역 간의 오버랩핑을 수행하여 산출된 유사값을 특정 기준 이하로 만족시키는 분류 기준을 결정하는 분류 기준 결정부를 포함할 수 있다.Among the embodiments, the device for extracting features of the diagnostic model data includes a machine tool operation data extracting unit that is generated based on vibrations generated when the machine tool is operated and extracts machine tool operation data including normal data and abnormal data, A machine tool operation data classification unit that classifies the machine tool operation data through a plurality of classification criteria to generate classification data, and forms a plot line by connecting each individual data included in the classification data with a plot. A plot area determination unit that determines the inside of the formed plot line as a plot area and a classification criterion that satisfies the calculated similarity value below a specific criterion by performing overlapping between the plot areas for each of the normal data and the abnormal data It may include a classification criterion determining unit.

일 실시예에서, 공작기계 가동 데이터 분류부는 상기 복수의 분류 기준들을 통해 상기 공작기계 가동 데이터를 직교 좌표계에 표시하여 상기 분류 데이터를 생성할 수 있다.In an embodiment, the machine tool operation data classification unit may generate the classification data by displaying the machine tool operation data in a Cartesian coordinate system through the plurality of classification criteria.

일 실시예에서, 공작기계 가동 데이터 분류부는 상기 복수의 분류 기준들을 다른 종류로 조합하여 상기 공작기계 가동 데이터를 직교 좌표계에 표시하여 상기 분류 데이터를 생성할 수 있다.In an embodiment, the machine tool operation data classification unit may generate the classification data by combining the plurality of classification criteria into different types and displaying the machine tool operation data in a Cartesian coordinate system.

일 실시예에서, 플롯 영역 결정부는 상기 정상 데이터와 상기 비정상 데이터에 대한 상기 분류 데이터에 대해 각각 플롯 영역을 결정하고 상기 정상 데이터 및 상기 비정상 데이터에 대한 각각 플롯 영역의 면적을 결정할 수 있다.In an embodiment, the plot area determiner may determine a plot area for each of the normal data and the classification data for the abnormal data, and determine an area of each plot area for the normal data and the abnormal data.

일 실시예에서, 분류 기준 결정부는 상기 정상 데이터 및 상기 비정상 데이터 각각에 대한 플롯 영역 간의 오버랩핑을 수행하면서 상기 정상 데이터 및 상기 비정상 데이터의 최외각 플롯 라인을 상기 정상 데이터 및 상기 비정상 데이터 간의 데이터 경계로 결정할 수 있다.In one embodiment, the classification criterion determining unit performs overlapping between plot areas for each of the normal data and the abnormal data, and sets the outermost plot line of the normal data and the abnormal data to a data boundary between the normal data and the abnormal data. Can be determined by

일 실시예에서, 분류 기준 결정부는In one embodiment, the classification criterion determining unit

상기 유사값을 아래의 [수학식]에 따라 계산할 수 있다.The similarity value can be calculated according to the following [Equation].

[수학식][Equation]

Figure 112019121253031-pat00001
Figure 112019121253031-pat00001

(여기에서, 상기 A는 비정상 데이터의 플롯 영역 면적, 상기 B는 정상 데이터의 플롯 영역 면적)(Where, A is the area of the plot area of abnormal data, and B is the area of the plot area of normal data)

일 실시예에서, 분류 기준 결정부는 상기 유사값을 최소값으로 산출하는 분류 기준을 결정할 수 있다.In an embodiment, the classification criterion determiner may determine a classification criterion for calculating the similarity value as a minimum value.

실시예들 중에서, 진단 모델용 데이터의 특징 추출 방법은 공작기계가 가동될 때 발생되는 진동을 기초로 생성되고 정상 데이터와 비정상 데이터를 포함하는 공작기계 가동 데이터를 추출하는 공작기계 가동 데이터 추출단계, 복수의 분류 기준들을 통해 상기 공작기계 가동 데이터를 분류하여 분류 데이터를 생성하는 공작기계 가동 데이터 분류단계, 상기 분류 데이터에 포함된 각각의 개별 데이터 사이를 플롯으로 연결하여 플롯 라인을 형성하고 최외각에 형성된 플롯 라인의 내부를 플롯 영역으로 결정하는 플롯 영역 결정단계 및 상기 정상 데이터 및 상기 비정상 데이터 각각에 대한 플롯 영역 간의 오버랩핑을 수행하여 산출된 유사값을 특정 기준 이하로 만족시키는 분류 기준을 결정하는 분류 기준 결정단계를 포함할 수 있다.Among the embodiments, the method for extracting features of the diagnostic model data includes a machine tool operation data extraction step of extracting machine tool operation data including normal data and abnormal data generated based on vibrations generated when the machine tool is operated, Machine tool operation data classification step of generating classification data by classifying the machine tool operation data through a plurality of classification criteria, forming a plot line by connecting each individual data included in the classification data with a plot, and forming a plot line at the outermost side. A plot area determining step of determining the inside of the formed plot line as a plot area, and performing overlapping between the plot areas for each of the normal data and the abnormal data to determine a classification criterion that satisfies the calculated similarity value below a specific criterion It may include a step of determining the classification criteria.

일 실시예에서, 공작기계 가동 데이터 추출단계는 상기 복수의 분류 기준들을 통해 상기 공작기계 가동 데이터를 직교 좌표계에 표시하여 상기 분류 데이터를 생성할 수 있다.In an embodiment, in the step of extracting machine tool operation data, the classification data may be generated by displaying the machine tool operation data in a Cartesian coordinate system through the plurality of classification criteria.

일 실시예에서, 플롯 영역 결정단계는 상기 정상 데이터와 상기 비정상 데이터에 대한 상기 분류 데이터에 대해 각각 플롯 영역을 결정하고 상기 정상 데이터 및 상기 비정상 데이터에 대한 각각 플롯 영역의 면적을 결정할 수 있다.In an embodiment, the determining of a plot area may determine a plot area for each of the normal data and the classification data for the abnormal data, and determine an area of each plot area for the normal data and the abnormal data.

일 실시예에서, 분류 기준 결정단계는 상기 정상 데이터 및 상기 비정상 데이터 각각에 대한 플롯 영역 간의 오버랩핑을 수행하면서 상기 정상 데이터 및 상기 비정상 데이터의 최외각 플롯 라인을 상기 정상 데이터 및 상기 비정상 데이터 간의 데이터 경계로 결정하고, 상기 유사값을 아래의 [수학식]에 따라 계산할 수 있다.In one embodiment, in the determining of the classification criterion, the normal data and the abnormal data are overlapped with each other, while performing overlapping between the normal data and the abnormal data, the outermost plot line of the normal data and the abnormal data is determined as data between the normal data and the abnormal data. It is determined as a boundary, and the similarity value can be calculated according to the following [Equation].

[수학식][Equation]

Figure 112019121253031-pat00002
Figure 112019121253031-pat00002

(여기에서, 상기 A는 비정상 데이터의 플롯 영역 면적, 상기 B는 정상 데이터의 플롯 영역 면적)(Where, A is the area of the plot area of abnormal data, and B is the area of the plot area of normal data)

개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.The disclosed technology can have the following effects. However, since it does not mean that a specific embodiment should include all of the following effects or only the following effects, it should not be understood that the scope of the rights of the disclosed technology is limited thereby.

본 발명의 일 실시예에 따른 진단 모델용 데이터의 특징 추출 장치 및 방법은 분류 기준을 결정할 때 정상 데이터 및 비정상 데이터를 나누어서 분류 데이터를 추출하여 적절한 진단 모델용 분류 기준을 결정할 수 있다.The apparatus and method for extracting features of diagnostic model data according to an embodiment of the present invention may determine an appropriate classification criteria for a diagnostic model by dividing normal data and abnormal data to extract classification data when determining a classification criteria.

본 발명의 일 실시예에 따른 진단 모델용 데이터의 특징 추출 장치 및 방법은 일 실시예는 분류 기준을 결정하는 과정에서 복수의 분류 기준들을 통해 공작기계 가동 데이터를 직교 좌표계에 표시하여 분류 데이터를 생성할 수 있다.An apparatus and method for extracting features of diagnostic model data according to an embodiment of the present invention generate classification data by displaying machine tool operation data in a Cartesian coordinate system through a plurality of classification criteria in the process of determining the classification criteria. can do.

본 발명의 일 실시예에 따른 진단 모델용 데이터의 특징 추출 장치 및 방법은 플롯 영역의 면적을 기초로 학습 데이터를 생성하기에 가장 적합한 분류 기준을 결정할 수 있다.The apparatus and method for extracting features of diagnostic model data according to an embodiment of the present invention may determine a classification criterion most suitable for generating training data based on an area of a plot area.

도 1은 본 발명의 일 실시예에 따른 진단 모델용 데이터의 특징 추출 시스템을 설명하는 도면이다.
도 2는 도 1에 있는 진단 모델용 데이터의 특징 추출 장치의 물리적 구성을 설명하는 블록도이다.
도 3은 도 1에 있는 진단 모델용 데이터의 특징 추출 장치의 기능적 구성을 설명하는 블록도이다.
도 4는 도 1에 있는 진단 모델용 데이터의 특징 추출 장치에서 수행되는 분류 기준을 결정하는 과정을 설명하는 순서도이다.
1 is a diagram illustrating a system for extracting features of data for a diagnostic model according to an embodiment of the present invention.
FIG. 2 is a block diagram illustrating a physical configuration of an apparatus for extracting features of data for a diagnostic model in FIG. 1.
FIG. 3 is a block diagram illustrating a functional configuration of the device for extracting features of diagnostic model data in FIG. 1.
FIG. 4 is a flowchart illustrating a process of determining a classification criterion performed by the apparatus for extracting features of diagnostic model data in FIG. 1.

본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.Since the description of the present invention is merely an embodiment for structural or functional description, the scope of the present invention should not be construed as being limited by the embodiments described in the text. That is, since the embodiments can be variously changed and have various forms, the scope of the present invention should be understood to include equivalents capable of realizing the technical idea. In addition, since the object or effect presented in the present invention does not mean that a specific embodiment should include all or only such effects, the scope of the present invention should not be understood as being limited thereto.

한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.Meanwhile, the meaning of terms described in the present application should be understood as follows.

"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.Terms such as "first" and "second" are used to distinguish one component from other components, and the scope of rights is not limited by these terms. For example, a first component may be referred to as a second component, and similarly, a second component may be referred to as a first component.

어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.When a component is referred to as being "connected" to another component, it should be understood that although it may be directly connected to the other component, another component may exist in the middle. On the other hand, when it is mentioned that a component is "directly connected" to another component, it should be understood that there is no other component in the middle. On the other hand, other expressions describing the relationship between components, that is, "between" and "just between" or "neighboring to" and "directly neighboring to" should be interpreted as well.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Singular expressions are to be understood as including plural expressions unless the context clearly indicates otherwise, and terms such as "comprises" or "have" refer to implemented features, numbers, steps, actions, components, parts, or It is to be understood that it is intended to designate that a combination exists and does not preclude the presence or addition of one or more other features or numbers, steps, actions, components, parts, or combinations thereof.

각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.In each step, the identification code (e.g., a, b, c, etc.) is used for convenience of explanation, and the identification code does not describe the order of each step, and each step has a specific sequence clearly in the context. Unless otherwise stated, it may occur differently from the stated order. That is, each of the steps may occur in the same order as specified, may be performed substantially simultaneously, or may be performed in the reverse order.

본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.The present invention can be implemented as computer-readable code on a computer-readable recording medium, and the computer-readable recording medium includes all types of recording devices storing data that can be read by a computer system. . Examples of computer-readable recording media include ROM, RAM, CD-ROM, magnetic tapes, floppy disks, and optical data storage devices. Further, the computer-readable recording medium is distributed over a computer system connected by a network, so that computer-readable codes can be stored and executed in a distributed manner.

여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.All terms used herein have the same meaning as commonly understood by one of ordinary skill in the field to which the present invention belongs, unless otherwise defined. Terms defined in commonly used dictionaries should be construed as having meanings in the context of related technologies, and cannot be construed as having an ideal or excessively formal meaning unless explicitly defined in the present application.

도 1은 본 발명의 일 실시예에 따른 진단 모델용 데이터의 특징 추출 시스템을 설명하는 도면이다.1 is a diagram illustrating a system for extracting features of data for a diagnostic model according to an embodiment of the present invention.

도 1을 참조하면, 진단 모델용 데이터의 특징 추출 시스템(100)은 사용자 단말(110), 진단 모델용 데이터의 특징 추출 장치(130) 및 데이터베이스(150)를 포함할 수 있다.Referring to FIG. 1, a system 100 for extracting features of data for a diagnostic model may include a user terminal 110, a device 130 for extracting features of data for a diagnostic model, and a database 150.

사용자 단말(110)은 진단 모델용 데이터의 특징 추출 장치(130)에서 추출 및 생성되는 데이터를 확인할 수 있는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 진단 모델용 데이터의 특징 추출 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 진단 모델용 데이터의 특징 추출 장치(130)와 동시에 연결될 수 있다.The user terminal 110 may correspond to a computing device capable of confirming data extracted and generated by the feature extraction device 130 of the diagnostic model data, and may be implemented as a smartphone, a laptop computer, or a computer, and is limited thereto. It can be implemented in various devices such as a tablet PC. The user terminal 110 may be connected to the device 130 for extracting features of the diagnostic model data through a network, and the plurality of user terminals 110 may be connected to the device 130 for extracting features of the data for the diagnostic model at the same time.

진단 모델용 데이터의 특징 추출 장치(130)는 분류 기준을 결정할 수 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 진단 모델용 데이터의 특징 추출 장치(130)는 사용자 단말(110)과 블루투스, WiFi, 통신망 등을 통해 무선으로 연결될 수 있고, 네트워크를 통해 사용자 단말(110)과 데이터를 주고받을 수 있다.The apparatus 130 for extracting features of diagnostic model data may be implemented as a computer or a server corresponding to a program capable of determining a classification criterion. The device 130 for extracting features of the diagnostic model data may be wirelessly connected to the user terminal 110 through Bluetooth, WiFi, a communication network, and the like, and may exchange data with the user terminal 110 through a network.

일 실시예에서, 진단 모델용 데이터의 특징 추출 장치(130)는 데이터베이스(150)와 연동하여 분류 기준을 결정하는 과정에서 필요한 정보를 저장할 수 있다. 한편, 진단 모델용 데이터의 특징 추출 장치(130)는 도 1과 달리, 데이터베이스(150)를 내부에 포함하여 구현될 수 있다. 진단 모델용 데이터의 특징 추출 장치(130)는 프로세서, 메모리, 사용자 입출력부 및 네트워크 입출력부를 포함하여 구현될 수 있으며, 이에 대해서는 도 2에서 보다 자세히 설명한다.In an embodiment, the apparatus 130 for extracting features of diagnostic model data may store necessary information in the process of determining a classification criterion in connection with the database 150. Meanwhile, unlike FIG. 1, the apparatus 130 for extracting features of data for a diagnostic model may be implemented by including the database 150 therein. The device 130 for extracting features of the diagnostic model data may be implemented including a processor, a memory, a user input/output unit, and a network input/output unit, which will be described in more detail with reference to FIG. 2.

데이터베이스(150)는 진단 모델용 데이터의 특징 추출 장치(130)가 분류 기준을 결정하는 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 데이터베이스(150)는 공작기계 가동데이터, 분류 데이터 및 유사값을 저장할 수 있으며, 단순히 이에 한정되지 않고 진단 모델용 데이터의 특징 추출 장치(130)가 구동되는데 필요한 데이터를 저장할 수 있다.The database 150 may correspond to a storage device that stores various pieces of information necessary in the process of determining a classification criterion by the feature extraction device 130 of the diagnostic model data. The database 150 may store machine tool operation data, classification data, and similar values, and is not limited thereto, and may store data required to drive the feature extraction device 130 for diagnostic model data.

도 2는 도 1에 있는 진단 모델용 데이터의 특징 추출 장치(130)의 물리적 구성을 설명하는 블록도이다.FIG. 2 is a block diagram illustrating a physical configuration of an apparatus 130 for extracting features of diagnostic model data in FIG. 1.

도 2를 참조하면, 진단 모델용 데이터의 특징 추출 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.Referring to FIG. 2, the apparatus 130 for extracting features of diagnostic model data may be implemented by including a processor 210, a memory 230, a user input/output unit 250, and a network input/output unit 270.

프로세서(210)는 분류 기준을 결정하는 과정에서 각각의 동작을 수행하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 진단 모델용 데이터의 특징 추출 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 진단 모델용 데이터의 특징 추출 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.The processor 210 may execute a procedure for performing each operation in the process of determining the classification criteria, and manage the memory 230 that is read or written throughout the process, and the volatile memory in the memory 230 You can schedule the synchronization time between memory and non-volatile memory. The processor 210 may control the overall operation of the device 130 for extracting features of the diagnostic model data, and is electrically connected to the memory 230, the user input/output unit 250, and the network input/output unit 270. You can control the data flow. The processor 210 may be implemented as a central processing unit (CPU) of the device 130 for extracting features of diagnostic model data.

메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 진단 모델용 데이터의 특징 추출 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.The memory 230 is implemented as a nonvolatile memory such as a solid state drive (SSD) or a hard disk drive (HDD), and is used to store all of the data required for the feature extraction device 130 for diagnostic model data. It may include, and may include a main memory device implemented as a volatile memory such as random access memory (RAM).

사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 진단 모델용 데이터의 특징 추출 장치(130)는 서버로서 수행될 수 있다.The user input/output unit 250 may include an environment for receiving a user input and an environment for outputting specific information to a user. For example, the user input/output unit 250 may include an input device including an adapter such as a touch pad, a touch screen, an on-screen keyboard, or a pointing device, and an output device including an adapter such as a monitor or a touch screen. In an embodiment, the user input/output unit 250 may correspond to a computing device connected through a remote connection, and in such a case, the feature extraction device 130 of data for a diagnostic model may be performed as a server.

네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.The network input/output unit 270 includes an environment for connecting to an external device or system through a network, for example, a local area network (LAN), a metropolitan area network (MAN), a wide area network (WAN), and a VAN ( Value Added Network) may include an adapter for communication.

도 3은 도 1에 있는 진단 모델용 데이터의 특징 추출 장치(130)의 기능적 구성을 설명하는 블록도이다.FIG. 3 is a block diagram illustrating a functional configuration of the feature extraction apparatus 130 for diagnostic model data in FIG. 1.

도 3을 참조하면, 진단 모델용 데이터의 특징 추출 장치(130)는 공작기계 가동 데이터 추출부(310), 공작기계 가동 데이터 분류부(330), 플롯 영역 결정부(350), 분류 기준 결정부(370) 및 제어부(390)를 포함할 수 있다.Referring to FIG. 3, a feature extraction device 130 for diagnostic model data includes a machine tool operation data extraction unit 310, a machine tool operation data classification unit 330, a plot area determination unit 350, and a classification criterion determination unit. 370 and a control unit 390 may be included.

공작기계 가동 데이터 추출부(310)는 공작기계가 가동될 때 발생되는 진동을 기초로 생성되고 정상 데이터와 비정상 데이터를 포함하는 공작기계 가동 데이터를 추출할 수 있다. 정상 데이터는 공작기계가 오류없이 작동될 때 생성되는 공작기계의 움직임 데이터이다. 비정상 데이터는 공작기계의 오류가 생긴 경우 생성되는 공작기계의 움직임 데이터이다. 공작기계 가동 데이터는 시간에 따른 위치이다. 예를 들어, 공작기계 가동 데이터 추출부(310)는 X축, Y축 및 Z축 각각의 방향에 대해 시간에 따른 위치를 추출할 수 있다. 예를 들어, 공작기계 가동 데이터 추출부(310)는 베어링에 대한 움직임에 대해서 각 축별로 위치를 추출할 수 있다.The machine tool operation data extraction unit 310 is generated based on vibrations generated when the machine tool is operated and may extract machine tool operation data including normal data and abnormal data. Normal data is machine tool motion data that is generated when the machine tool operates without errors. The abnormal data is the motion data of the machine tool that is generated when an error occurs in the machine tool. Machine tool operation data is a position over time. For example, the machine tool operation data extraction unit 310 may extract a position over time for each of the X-axis, Y-axis, and Z-axis directions. For example, the machine tool operation data extraction unit 310 may extract a position for each axis with respect to a motion with respect to a bearing.

공작기계 가동 데이터 분류부(330)는 복수의 분류 기준들을 통해 공작기계 가동 데이터를 분류하여 분류 데이터를 생성할 수 있다. 예를 들어, 공작기계 가동 데이터 분류부(330)는 비대칭도, 표준 편차, 평균 및 제곱평균 제곱근의 분류 기준에 따라 분류 데이터를 생성할 수 있다.The machine tool operation data classification unit 330 may generate classification data by classifying machine tool operation data through a plurality of classification criteria. For example, the machine tool operation data classification unit 330 may generate classification data according to classification criteria of asymmetry, standard deviation, average, and square root of square mean.

일 실시예에서, 공작기계 가동 데이터 분류부(330)는 복수의 분류 기준들을 통해 공작기계 가동 데이터를 직교 좌표계에 표시하여 분류 데이터를 생성할 수 있다. 예를 들어, 공작기계 가동 데이터 분류부(330)는 비대칭도, 표준 편차, 평균 및 제곱평균 제곱근의 분류 기준에 따라 공작기계 가동 데이터 추출부(310)에 따라 추출된 공작기계 가동 데이터를 X축과 Y축으로 이루어진 직교 좌표계에 표시하여 분류 데이터를 생성할 수 있다.In an embodiment, the machine tool operation data classification unit 330 may generate classification data by displaying machine tool operation data in a Cartesian coordinate system through a plurality of classification criteria. For example, the machine tool operation data classification unit 330 is an X-axis of the machine tool operation data extracted according to the machine tool operation data extraction unit 310 according to the classification criteria of asymmetry, standard deviation, average and square root mean square. Classification data can be generated by displaying in a Cartesian coordinate system consisting of and Y-axis.

일 실시예에서, 공작기계 가동 데이터 분류부(330)는 복수의 분류 기준들을 다른 종류로 조합하여 공작기계 가동 데이터를 직교 좌표계에 표시하여 분류 데이터를 생성할 수 있다. 예를 들어, 공작기계 가동 데이터 분류부(330)는 X축은 첨도치 그리고 Y축은 비대칭도를 분류 기준으로 하여 공작기계 가동 데이터를 직교 좌표계에 표시하여 분류 데이터를 생성할 수 있다. 다른 예를 들어, 공작기계 가동 데이터 분류부(330)는 공작기계의 정상 데이터 및 비정상 데이터에 대해 동일한 분류 기준을 기초로 동일한 직교 좌표계에 표시하여 분류 데이터를 생성할 수 있다. 또한, 공작기계 가동 데이터 분류부(330)는 각각의 분류 기준들을 다른 종류로 조합하여 정상 데이터 및 비정상 데이터에 대한 복수개의 분류 데이터들을 생성할 수 있다. 예를 들어, [그림 1]을 보면,In an embodiment, the machine tool operation data classification unit 330 may generate classification data by combining a plurality of classification criteria into different types and displaying the machine tool operation data on a Cartesian coordinate system. For example, the machine tool operation data classification unit 330 may generate classification data by displaying machine tool operation data in a Cartesian coordinate system based on a kurtosis value in the X-axis and asymmetry in the Y-axis as a classification standard. For another example, the machine tool operation data classification unit 330 may generate classification data by displaying normal data and abnormal data of a machine tool on the same orthogonal coordinate system based on the same classification criteria. In addition, the machine tool operation data classification unit 330 may generate a plurality of classification data for normal data and abnormal data by combining the classification criteria into different types. For example, looking at [Figure 1],

[그림 1] [Picture 1]

Figure 112019121253031-pat00003
Figure 112019121253031-pat00003

정상 데이터 및 비정상 데이터를 복수의 분류 기준에 따라 동일한 직교 좌표계에 위치시킬 수 있다.Normal data and abnormal data may be located in the same orthogonal coordinate system according to a plurality of classification criteria.

플롯 영역 결정부(350)는 분류 데이터에 포함된 각각의 개별 데이터 사이를 플롯으로 연결하여 플롯 라인을 형성하고 최외각에 형성된 플롯 라인의 내부를 플롯 영역으로 결정할 수 있다. 분류 데이터는 개별 데이터의 집합이다. 개별 데이터는 공작기계의 움직임에 따른 특정시간의 공작기계의 위치에 대해서 복수의 분류 기준에 따라 생성된 일 데이터이다. 플롯 영역 결정부(350)는 시간의 변화에 따라 변화된 공작기계의 움직임에 대해, 개별 데이터 사이를 시간의 진행에 따라 플롯 라인으로 연결할 수 있다. 플롯 영역 결정부(350)는 플롯 라인 중 최외각에 형성된 플롯 라인의 내부를 플롯 영역으로 설정할 수 있다. 예를 들어, [그림 2] 참조하면,The plot area determiner 350 may form a plot line by connecting each individual data included in the classification data as a plot, and determine the inside of the plot line formed at the outermost side as the plot area. Classification data is a set of individual data. The individual data is one data generated according to a plurality of classification criteria for the position of the machine tool at a specific time according to the movement of the machine tool. The plot area determination unit 350 may connect individual data with a plot line according to the progress of time for the movement of the machine tool changed according to the change of time. The plot area determiner 350 may set the inside of the plot line formed at the outermost part of the plot line as the plot area. For example, referring to [Figure 2],

[그림 2] [Picture 2]

Figure 112019121253031-pat00004
Figure 112019121253031-pat00004

플롯 영역 결정부(350)는 정상 데이터 및 비정상 데이터에 대해 개별 데이터 사이를 플롯 라인으로 연결할 수 있다.The plot area determiner 350 may connect between individual data for normal data and abnormal data with a plot line.

일 실시예에서, 플롯 영역 결정부(350)는 정상 데이터와 비정상 데이터에 대한 분류 데이터에 대해 각각 플롯 영역을 결정하고 정상 데이터 및 비정상 데이터에 대한 각각 플롯 영역의 면적을 결정할 수 있다. 플롯 영역 결정부(350)는 공작기계의 정상 데이터 및 비정상 데이터에 대해 각각 플롯 영역을 결정하고 각각의 플롯 영역의 면적을 결정하여 정상 데이터 및 비정상 데이터에 대해 비교할 수 있는 지표를 생성할 수 있다.In an embodiment, the plot area determiner 350 may determine a plot area for each of the normal data and classification data for the abnormal data, and determine an area of each plot area for the normal data and the abnormal data. The plot area determination unit 350 may determine a plot area for normal data and abnormal data of a machine tool, and determine an area of each plot area to generate an index that can be compared with the normal data and the abnormal data.

분류 기준 결정부(370)는 정상 데이터 및 비정상 데이터 각각에 대한 플롯 영역 간의 오버랩핑(Overlapping)을 수행하여 산출된 유사값을 특정 기준 이하로 만족시키는 분류 기준을 결정할 수 있다. 분류 기준 결정부(370)는 정상 데이터 및 비정상 데이터 각각의 플롯 영역 간의 유사도를 검출하기 위해서 정상 데이터 및 비정상 데이터 각각의 플롯 영역 간의 오버랩핑을 수행할 수 있다.The classification criterion determiner 370 may determine a classification criterion that satisfies the calculated similarity value below a specific criterion by performing overlapping between plot areas for each of the normal data and the abnormal data. The classification criterion determiner 370 may perform overlapping between the plot regions of the normal data and the abnormal data in order to detect a similarity between the plot regions of the normal data and the abnormal data.

일 실시예에서, 분류 기준 결정부(370)는 정상 데이터 및 비정상 데이터 각각에 대한 플롯 영역 간의 오버랩핑을 수행하면서 정상 데이터 및 비정상 데이터의 최외각 플롯 라인을 정상 데이터 및 비정상 데이터 간의 데이터 경계로 결정할 수 있다. 예를 들어, 분류 기준 결정부(370)는 정상 데이터 및 비정상 데이터에 대한 플롯 영역 간의 오버립핑에 따라 정상 데이터 및 비정상 데이터에 대한 플롯 영역 간의 겹치는 부분이 있는 경우, 정상 데이터 및 비정상 데이터에 대한 최외각 플롯 라인을 정상 데이터 및 비정상 데이터 간의 데이터 경계로 결정할 수 있다.In one embodiment, the classification criterion determination unit 370 determines the outermost plot line of the normal data and the abnormal data as a data boundary between the normal data and the abnormal data while performing overlapping between the plot regions for each of the normal data and the abnormal data. I can. For example, if there is an overlap between the normal data and the plot area for the abnormal data due to overlapping between the normal data and the plot area for the abnormal data, the classification criterion determination unit 370 The outer plot line can be determined as a data boundary between normal and abnormal data.

일 실시예에서, 분류 기준 결정부(370)는 유사값을 아래의 [수학식 1]에 따라 계산할 수 있다.In an embodiment, the classification criterion determiner 370 may calculate a similarity value according to [Equation 1] below.

[수학식 1][Equation 1]

Figure 112019121253031-pat00005
Figure 112019121253031-pat00005

(여기에서, 상기 A는 비정상 데이터의 플롯 영역 면적, 상기 B는 정상 데이터의 플롯 영역 면적)(Where, A is the area of the plot area of abnormal data, and B is the area of the plot area of normal data)

예를 들어, 분류 기준 결정부(370)는 정상 데이터 및 비정상 데이터에 대해 동일한 분류 기준에 따라 생성된 분류 데이터에 대해서 [수학식 1]에 따라 유사값을 산출할 수 있다.For example, the classification criteria determiner 370 may calculate a similarity value for classification data generated according to the same classification criteria for normal data and abnormal data according to [Equation 1].

일 실시예에서, 분류 기준 결정부(370)는 유사값을 최소값으로 산출하는 분류 기준을 결정할 수 있다. 예를 들어, 분류 기준 결정부(370)는 동일한 분류 기준에 따라 생성된 정상 데이터 및 비정상 데이터에 대한 분류 데이터에 대해서 유사값을 산출하고, 다른 분류 기준에 따라 생성된 정상 데이터 및 비정상 데이터에 대한 분류 데이터에 대해서 유사값을 산출하고 비교하여 최소값을 가지는 분류 기준을 결정할 수 있다. 예를 들어, 동일한 정상 데이터 및 비정상 데이터를 기준으로 복수개의 플롯 영역을 생성하여 유사값을 비교하여, 그 중 유사값이 가장 작은 분류 기준을 결정할 수 있다. [표 1]을 참조하면,In an embodiment, the classification criterion determiner 370 may determine a classification criterion for calculating a similarity value as a minimum value. For example, the classification criterion determination unit 370 calculates similar values for classification data for normal data and abnormal data generated according to the same classification criteria, and for normal data and abnormal data generated according to different classification criteria. A classification criterion having a minimum value can be determined by calculating and comparing similar values for classification data. For example, a plurality of plot regions may be generated based on the same normal data and abnormal data, and similar values may be compared, and a classification criterion having the smallest similar value may be determined. Referring to [Table 1],

[표 1][Table 1]

Figure 112019121253031-pat00006
Figure 112019121253031-pat00006

유사값 산출 결과 중 첨도치 및 비대칭도의 분류 기준에 따른 유사값이 가장 작으므로, 분류 기준 결정부(370)는 공작기계의 진단 모델용 분류 기준에 대해 첨도치 및 비대칭도라는 분류 기준을 결정할 수 있다.Since the similarity value according to the classification criteria for kurtosis and asymmetry among the similarity value calculation results is the smallest, the classification criteria determination unit 370 determines the classification criteria such as kurtosis value and asymmetry for the classification criteria for the diagnostic model of the machine tool. I can.

제어부(390)는 진단 모델용 데이터의 특징 추출 장치(130)의 전체적인 동작을 제어하고, 공작기계 가동 데이터 추출부(310), 공작기계 가동 데이터 분류부(330), 플롯 영역 결정부(350) 및 분류 기준 결정부(370) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.The control unit 390 controls the overall operation of the feature extraction device 130 of the diagnostic model data, and the machine tool operation data extraction unit 310, the machine tool operation data classification unit 330, and the plot area determination unit 350 And it is possible to manage the control flow or data flow between the classification criterion determining unit 370.

도 4는 도 1에 있는 진단 모델용 데이터의 특징 추출 장치(130)에서 수행되는 분류 기준을 결정하는 과정을 설명하는 순서도이다.FIG. 4 is a flowchart illustrating a process of determining a classification criterion performed by the feature extraction apparatus 130 of data for a diagnostic model in FIG. 1.

도 4를 참조하면, 진단 모델용 데이터의 특징 추출 장치(130)는 공작기계 가동 데이터 추출부(310)를 통해 공작기계가 가동될 때 발생되는 진동을 기초로 생성되고 정상 데이터와 비정상 데이터를 포함하는 공작기계 가동 데이터를 추출할 수 있다(S410).Referring to FIG. 4, the feature extraction device 130 of the diagnostic model data is generated based on the vibration generated when the machine tool is operated through the machine tool operation data extraction unit 310, and includes normal data and abnormal data. It is possible to extract the operation data of the machine tool (S410).

진단 모델용 데이터의 특징 추출 장치(130)는 공작기계 가동 데이터 분류부(330)를 통해 복수의 분류 기준들을 통해 공작기계 가동 데이터를 분류하여 분류 데이터를 생성할 수 있다(S430).The apparatus 130 for extracting features of diagnostic model data may generate classification data by classifying machine tool operation data through a plurality of classification criteria through the machine tool operation data classification unit 330 (S430).

진단 모델용 데이터의 특징 추출 장치(130)는 플롯 영역 결정부(350)를 통해 분류 데이터에 포함된 각각의 개별 데이터 사이를 플롯으로 연결하여 플롯 라인을 형성하고 최외각에 형성된 플롯 라인의 내부를 플롯 영역으로 결정할 수 있다(S450).The diagnostic model data feature extraction device 130 connects each individual data included in the classification data with a plot through the plot area determination unit 350 to form a plot line. It may be determined as a plot area (S450).

진단 모델용 데이터의 특징 추출 장치(130)는 분류 기준 결정부(370)를 통해, 정상 데이터 및 비정상 데이터 각각에 대한 플롯 영역 간의 오버랩핑을 수행하여 산출된 유사값을 특정 기준 이하로 만족시키는 분류 기준을 결정할 수 있다(S470).The apparatus 130 for extracting features of the diagnostic model data is classified by performing overlapping between the plot regions for each of the normal data and the abnormal data through the classification criterion determination unit 370 to satisfy the calculated similarity value below a specific criterion. The criteria can be determined (S470).

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the above has been described with reference to preferred embodiments of the present invention, those skilled in the art will variously modify and change the present invention within the scope not departing from the spirit and scope of the present invention described in the following claims. You will understand that you can do it.

100: 진단 모델용 데이터의 특징 추출 시스템
110: 사용자 단말
130: 진단 모델용 데이터의 특징 추출 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 공작기계 가동 데이터 추출부
330: 공작기계 가동 데이터 분류부
350: 플롯 영역 결정부 370: 분류 기준 결정부
390: 제어부
100: Data feature extraction system for diagnostic models
110: user terminal
130: Feature extraction device for diagnostic model data
150: database
210: processor 230: memory
250: user input/output unit 270: network input/output unit
310: machine tool operation data extraction unit
330: machine tool operation data classification unit
350: plot area determination unit 370: classification criterion determination unit
390: control unit

Claims (11)

공작기계가 가동될 때 발생되는 진동을 기초로 생성되고 정상 데이터와 비정상 데이터를 포함하는 공작기계 가동 데이터를 추출하는 공작기계 가동 데이터 추출부;
복수의 분류 기준들을 통해 상기 공작기계 가동 데이터를 분류하여 분류 데이터를 생성하는 공작기계 가동 데이터 분류부;
상기 분류 데이터에 포함된 각각의 개별 데이터 사이를 플롯으로 연결하여 플롯 라인을 형성하고 최외각에 형성된 플롯 라인의 내부를 플롯 영역으로 결정하는 플롯 영역 결정부; 및
상기 정상 데이터 및 상기 비정상 데이터 각각에 대한 플롯 영역 간의 오버랩핑을 수행하여 산출된 유사값을 특정 기준 이하로 만족시키는 분류 기준을 결정하는 분류 기준 결정부를 포함하는 진단 모델용 데이터의 특징 추출 장치.
A machine tool operation data extracting unit that is generated based on the vibration generated when the machine tool is operated and extracts machine tool operation data including normal data and abnormal data;
A machine tool operation data classification unit for generating classification data by classifying the machine tool operation data through a plurality of classification criteria;
A plot area determination unit configured to form a plot line by connecting individual data included in the classification data as a plot, and to determine an inside of the plot line formed at the outermost side as a plot area; And
And a classification criterion determining unit for determining a classification criterion that satisfies a similarity value calculated by performing overlapping between plot areas for each of the normal data and the abnormal data.
제1항에 있어서, 상기 공작기계 가동 데이터 분류부는
상기 복수의 분류 기준들을 통해 상기 공작기계 가동 데이터를 직교 좌표계에 표시하여 상기 분류 데이터를 생성하는 것을 특징으로 하는 진단 모델용 데이터의 특징 추출 장치.
The method of claim 1, wherein the machine tool operation data classification unit
And generating the classification data by displaying the machine tool operation data in a Cartesian coordinate system through the plurality of classification criteria.
제2항에 있어서, 상기 공작기계 가동 데이터 분류부는
상기 복수의 분류 기준들을 다른 종류로 조합하여 상기 공작기계 가동 데이터를 직교 좌표계에 표시하여 상기 분류 데이터를 생성하는 것을 특징으로 하는 진단 모델용 데이터의 특징 추출 장치.
The method of claim 2, wherein the machine tool operation data classification unit
And generating the classification data by combining the plurality of classification criteria into different types and displaying the machine tool operation data in a Cartesian coordinate system.
제1항에 있어서, 상기 플롯 영역 결정부는
상기 정상 데이터와 상기 비정상 데이터에 대한 상기 분류 데이터에 대해 각각 플롯 영역을 결정하고 상기 정상 데이터 및 상기 비정상 데이터에 대한 각각 플롯 영역의 면적을 결정하는 것을 특징으로 하는 진단 모델용 데이터의 특징 추출 장치.
The method of claim 1, wherein the plot area determination unit
And determining a plot area for each of the normal data and the classification data for the abnormal data, and determining an area of each plot area for the normal data and the abnormal data.
제1항에 있어서, 상기 분류 기준 결정부는
상기 정상 데이터 및 상기 비정상 데이터 각각에 대한 플롯 영역 간의 오버랩핑을 수행하면서 상기 정상 데이터 및 상기 비정상 데이터의 최외각 플롯 라인을 상기 정상 데이터 및 상기 비정상 데이터 간의 데이터 경계로 결정하는 것을 특징으로 하는 진단 모델용 데이터의 특징 추출 장치.
The method of claim 1, wherein the classification criterion determining unit
And determining an outermost plot line of the normal data and the abnormal data as a data boundary between the normal data and the abnormal data while performing overlapping between the plot regions for each of the normal data and the abnormal data Data feature extraction device.
제5항에 있어서, 상기 분류 기준 결정부는
상기 유사값을 아래의 [수학식]에 따라 계산하는 것을 특징으로 하는 진단 모델용 데이터의 특징 추출 장치.
[수학식]
Figure 112019121253031-pat00007

(여기에서, 상기 A는 비정상 데이터의 플롯 영역 면적, 상기 B는 정상 데이터의 플롯 영역 면적)
The method of claim 5, wherein the classification criterion determining unit
A feature extraction device for diagnostic model data, characterized in that calculating the similarity value according to the following [Equation].
[Equation]
Figure 112019121253031-pat00007

(Where, A is the area of the plot area of abnormal data, and B is the area of the plot area of normal data)
제1항에 있어서, 상기 분류 기준 결정부는
상기 유사값을 최소값으로 산출하는 분류 기준을 결정하는 것을 특징으로 하는 진단 모델용 데이터의 특징 추출 장치.
The method of claim 1, wherein the classification criterion determining unit
And determining a classification criterion for calculating the similarity value as a minimum value.
공작기계가 가동될 때 발생되는 진동을 기초로 생성되고 정상 데이터와 비정상 데이터를 포함하는 공작기계 가동 데이터를 추출하는 공작기계 가동 데이터 추출단계;
복수의 분류 기준들을 통해 상기 공작기계 가동 데이터를 분류하여 분류 데이터를 생성하는 공작기계 가동 데이터 분류단계;
상기 분류 데이터에 포함된 각각의 개별 데이터 사이를 플롯으로 연결하여 플롯 라인을 형성하고 최외각에 형성된 플롯 라인의 내부를 플롯 영역으로 결정하는 플롯 영역 결정단계; 및
상기 정상 데이터 및 상기 비정상 데이터 각각에 대한 플롯 영역 간의 오버랩핑을 수행하여 산출된 유사값을 특정 기준 이하로 만족시키는 분류 기준을 결정하는 분류 기준 결정단계를 포함하는 진단 모델용 데이터의 특징 추출 방법.
A machine tool operation data extraction step of extracting machine tool operation data including normal data and abnormal data, generated based on vibrations generated when the machine tool is operated;
A machine tool operation data classification step of classifying the machine tool operation data through a plurality of classification criteria to generate classification data;
A plot area determining step of forming a plot line by connecting each individual data included in the classification data with a plot, and determining an inside of the plot line formed at the outermost side as a plot area; And
And a classification criterion determining step of determining a classification criterion that satisfies a similarity value calculated by performing overlapping between plot areas for each of the normal data and the abnormal data.
제8항에 있어서, 상기 공작기계 가동 데이터 추출단계는
상기 복수의 분류 기준들을 통해 상기 공작기계 가동 데이터를 직교 좌표계에 표시하여 상기 분류 데이터를 생성하는 것을 특징으로 하는 진단 모델용 데이터 추출 방법.
The method of claim 8, wherein the step of extracting the machine tool operation data
And generating the classification data by displaying the machine tool operation data in a Cartesian coordinate system through the plurality of classification criteria.
제8항에 있어서, 상기 플롯 영역 결정단계는
상기 정상 데이터와 상기 비정상 데이터에 대한 상기 분류 데이터에 대해 각각 플롯 영역을 결정하고 상기 정상 데이터 및 상기 비정상 데이터에 대한 각각 플롯 영역의 면적을 결정하는 것을 특징으로 하는 진단 모델용 데이터의 특징 추출 방법.
The method of claim 8, wherein the determining of the plot area comprises:
And determining a plot area for each of the normal data and the classification data for the abnormal data, and determining an area of each plot area for the normal data and the abnormal data.
제8항에 있어서, 상기 분류 기준 결정단계는
상기 정상 데이터 및 상기 비정상 데이터 각각에 대한 플롯 영역 간의 오버랩핑을 수행하면서 상기 정상 데이터 및 상기 비정상 데이터의 최외각 플롯 라인을 상기 정상 데이터 및 상기 비정상 데이터 간의 데이터 경계로 결정하고,
상기 유사 값을 아래의 [수학식]에 따라 계산하는 것을 특징으로 하는 진단 모델용 데이터 추출 방법.
[수학식]
Figure 112019121253031-pat00008

(여기에서, 상기 A는 비정상 데이터의 플롯 영역 면적, 상기 B는 정상 데이터의 플롯 영역 면적)

The method of claim 8, wherein the step of determining the classification criteria
Determining an outermost plot line of the normal data and the abnormal data as a data boundary between the normal data and the abnormal data while performing overlapping between the plot regions for each of the normal data and the abnormal data,
A method for extracting data for a diagnostic model, characterized in that the similarity value is calculated according to the following [Equation].
[Equation]
Figure 112019121253031-pat00008

(Where, A is the area of the plot area of abnormal data, and B is the area of the plot area of normal data)

KR1020190152562A 2019-11-25 2019-11-25 Device and method for feature extraction of data for diagnostic models KR102236802B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190152562A KR102236802B1 (en) 2019-11-25 2019-11-25 Device and method for feature extraction of data for diagnostic models

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190152562A KR102236802B1 (en) 2019-11-25 2019-11-25 Device and method for feature extraction of data for diagnostic models

Publications (1)

Publication Number Publication Date
KR102236802B1 true KR102236802B1 (en) 2021-04-06

Family

ID=75472707

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190152562A KR102236802B1 (en) 2019-11-25 2019-11-25 Device and method for feature extraction of data for diagnostic models

Country Status (1)

Country Link
KR (1) KR102236802B1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4321581B2 (en) * 2006-11-30 2009-08-26 パナソニック電工株式会社 Machine tool comprehensive monitoring device
KR101068319B1 (en) 2008-02-29 2011-09-28 캐논 가부시끼가이샤 Position control apparatus including iterative learning circuit, exposure apparatus, method for manufacturing device, and iterative learning method for use in position control apparatus having iterative learning circuit including learning filter
KR20130065624A (en) 2011-12-09 2013-06-19 제록스 코포레이션 Printhead and phase change ink reservoir configured to supply melted phase change ink to printhead
JP2018101347A (en) * 2016-12-21 2018-06-28 Dmg森精機株式会社 Processing program analyzing device, processing program analyzing program and processing program analyzing method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4321581B2 (en) * 2006-11-30 2009-08-26 パナソニック電工株式会社 Machine tool comprehensive monitoring device
KR101068319B1 (en) 2008-02-29 2011-09-28 캐논 가부시끼가이샤 Position control apparatus including iterative learning circuit, exposure apparatus, method for manufacturing device, and iterative learning method for use in position control apparatus having iterative learning circuit including learning filter
KR20130065624A (en) 2011-12-09 2013-06-19 제록스 코포레이션 Printhead and phase change ink reservoir configured to supply melted phase change ink to printhead
JP2018101347A (en) * 2016-12-21 2018-06-28 Dmg森精機株式会社 Processing program analyzing device, processing program analyzing program and processing program analyzing method

Similar Documents

Publication Publication Date Title
US20170109427A1 (en) Information processing apparatus, information processing method, and storage medium
US20110131551A1 (en) Graphical user interface input element identification
US20200397346A1 (en) Annotation method, annotation device, storage medium, and identification system
JP2015026252A (en) Abnormality detection device and program
US20190370982A1 (en) Movement learning device, skill discriminating device, and skill discriminating system
JP2005235222A (en) Tracking method of object and its device
CN110069129B (en) Determination system and determination method
US10082787B2 (en) Estimation of abnormal sensors
US20220245405A1 (en) Deterioration suppression program, deterioration suppression method, and non-transitory computer-readable storage medium
JP4383484B2 (en) Message analysis apparatus, control method, and control program
JP7422548B2 (en) Label noise detection program, label noise detection method, and label noise detection device
JP6950504B2 (en) Abnormal candidate extraction program, abnormal candidate extraction method and abnormal candidate extraction device
CN116257663A (en) Abnormality detection and association analysis method and related equipment for unmanned ground vehicle
US20200209876A1 (en) Positioning method and apparatus with the same
JP7472471B2 (en) Estimation system, estimation device, and estimation method
WO2019092868A1 (en) Information processing device, information processing method, and computer-readable recording medium
KR102236802B1 (en) Device and method for feature extraction of data for diagnostic models
US8447710B1 (en) Method and system for reducing links in a Bayesian network
US20230161319A1 (en) Computer-implemented method for recognizing an input pattern in at least one time series of a plurality of time series
CN115527083B (en) Image annotation method and device and electronic equipment
JP6816818B2 (en) Image processing equipment, image processing method and recording medium
KR20210054725A (en) Edge based hazard handling device
JP6930195B2 (en) Model identification device, prediction device, monitoring system, model identification method and prediction method
KR102635546B1 (en) Method for automatically pruning search space using machine learning in symbolic execution
US11216656B1 (en) System and method for management and evaluation of one or more human activities

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant