KR102265298B1 - 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치 - Google Patents
머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치 Download PDFInfo
- Publication number
- KR102265298B1 KR102265298B1 KR1020190148993A KR20190148993A KR102265298B1 KR 102265298 B1 KR102265298 B1 KR 102265298B1 KR 1020190148993 A KR1020190148993 A KR 1020190148993A KR 20190148993 A KR20190148993 A KR 20190148993A KR 102265298 B1 KR102265298 B1 KR 102265298B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- failure
- unit
- machine learning
- control module
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C29/00—Bearings for parts moving only linearly
- F16C29/04—Ball or roller bearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명의 일 실시 예는 생산 설비의 고장 진단이 자동으로 수행되고, 고장 진단에 머신러닝을 이용하는 기술을 제공한다. 본 발명의 실시 예에 따른 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법은, 가공 또는 이송을 수행하는 설비부에 설치된 진동센서로부터 제어모듈로 센서 데이터가 수신되는 제1단계; 제어모듈에서 센서 데이터를 전처리하여 전처리 데이터가 생성되는 제2단계; 제어모듈이 전처리 데이터로부터 설비부의 작동에 대한 정상 데이터 및 고장 데이터를 수집하는 제3단계; 제어모듈에서, 정상 데이터와 고장 데이터가 머신러닝 모델에 입력되어 처리되고, 고장 데이터의 머신러닝에 의해 가상의 고장 데이터인 페이크 데이터가 생성되는 제4단계; 및 정상 데이터와 고장 데이터 및 페이크 데이터를 이용하여 제어모듈이 설비부에 대한 고장 진단을 수행하는 제5단계;를 포함한다.
Description
본 발명은 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치에 관한 것으로, 더욱 상세하게는, 생산 설비의 고장 진단이 자동으로 수행되고, 고장 진단에 머신러닝을 이용하는 기술에 관한 것이다.
생산 기술 분야에 있어서, 생산 설비의 고장을 예측하거나 진단하는 기술에 대한 수요가 지속적으로 증가하고 있으며, 이를 위해, 생산 설비의 상태를 실시간으로 측정한 실시간의 센싱 데이터를 이용한 실시간 고장 진단 기술에 대한 연구 개발이 활발히 수행되고 있다.
그리고, 생산 기술 분야 뿐만 아니라, 대부분의 기술 분야에서는 머신러닝을 이용하는 사례가 증가하고 있으며, 최근에는 생산 기술 분야 중 고장 진단 분야에서도, 머신러닝을 이용하여 고장 신호 데이터를 학습시킴으로써 고장 진단의 효율을 증대시키는 방안에 대한 연구 개발이 증가하고 있다.
다만, 생산 설비의 고장을 예측하기 위하여 머신러닝 시스템을 이용하는 경우, 고장 진단 시스템의 성능을 보장하기 위해 충분한 수준의 정상 신호 데이터와 고장 신호 데이터가 필요하나, 현재, 충분한 만큼의 다수의 고장 신호 데이터를 획득하는데는 한계가 있다.
대한민국 등록특허 제10-1967065호(발명의 명칭: 환경 변화에 강인한 고장 진단 장치 및 방법)에서는, 입력된 학습 신호 또는 진단 대상으로부터 취득된 취득 신호의 포락 분석을 통해 학습 신호 또는 취득 신호의 포락 신호를 추출하는 포락 분석부; 상기 추출된 포락 신호의 주파수 변환을 통해 학습 신호 또는 취득 신호의 스펙트럼을 추출하는 스펙트럼 추출부; 상기 추출된 스펙트럼을 이용해 각 고장에 대한 결함주파수 대역을 계산하여 학습 신호 또는 취득 신호의 결함주파수 성분을 추출하는 결함주파수 성분 추출부; 상기 추출된 결함주파수 성분 값을 복수 개의 특징벡터로 확장하여 학습 신호 또는 취득 신호의 확장 특징벡터를 생성하는 특징벡터 생성부; 및 상기 학습 신호로부터 생성된 학습 신호의 확장 특징벡터를 기설정된 기계학습 분류기에 학습시키고, 상기 학습시킨 기계학습 분류기를 통해 상기 취득 신호로부터 생성된 취득 신호의 확장 특징벡터를 분류하여 상기 진단대상의 고장을 진단하는 기계학습 분류부;를 포함하는 고장 진단 장치가 개시되어 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 생산 설비의 고장 진단이 자동으로 수행되고, 고장 진단에 머신러닝을 이용하는 것이다.
그리고, 본 발명의 목적은, 머신러닝에 이용되는 데이터 수를 임의로 증가시켜 머신러닝의 효율을 증대시키는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명의 구성은, 가공 또는 이송을 수행하는 설비부에 설치된 진동센서로부터 제어모듈로 센서 데이터가 수신되는 제1단계; 상기 제어모듈에서 상기 센서 데이터를 전처리하여 전처리 데이터가 생성되는 제2단계; 상기 제어모듈이 상기 전처리 데이터로부터 상기 설비부의 작동에 대한 정상 데이터 및 고장 데이터를 수집하는 제3단계; 상기 제어모듈에서, 상기 정상 데이터와 상기 고장 데이터가 머신러닝 모델에 입력되어 처리되고, 상기 고장 데이터의 머신러닝에 의해 가상의 고장 데이터인 페이크 데이터가 생성되는 제4단계; 및 상기 정상 데이터와 상기 고장 데이터 및 상기 페이크 데이터를 이용하여 상기 제어모듈이 상기 설비부에 대한 고장 진단을 수행하는 제5단계;를 포함한다.
본 발명의 실시 예에 있어서, 상기 설비부에 대한 고장 진단 정보가 상기 제어모듈로부터 출력부로 전달되어, 상기 설비부의 정상 여부에 대한 정보가 출력되는 제6단계;를 더 포함할 수 있다.
본 발명의 실시 예에 있어서, 상기 제4단계에서, 상기 페이크 데이터 생성 후, 유클리드 거리 계산을 이용하여 상기 페이크 데이터에 대한 후처리를 수행할 수 있다.
본 발명의 실시 예에 있어서, 상기 머신러닝 모델은, GAN(Generative Adversarial Network)일 수 있다.
본 발명의 실시 예에 있어서, 상기 설비부는, LM가이드(Linear Motor guide)일 수 있다.
본 발명의 실시 예에 있어서, 상기 진동센서는 상기 설비부에 복수 개 설치될 수 있다.
본 발명의 실시 예에 있어서, 상기 제2단계에서, 상기 제어모듈은, 복수 개의 상기 진동센서 각각으로부터 전달된 복수 개의 센서 데이터 각각에 대해 일정한 시간 단위로 분할할 수 있다.
상기와 같은 목적을 달성하기 위한 본 발명의 구성은, 가공 또는 이송을 수행하는 설비부에 설치되어 진동을 측정하여 센서 데이터를 생성하는 진동센서; 상기 센서 데이터를 전달 받아 전처리하는 전처리 데이터를 생성하는 전처리부, 상기 전처리 데이터로부터 상기 설비부의 작동에 대한 정상 데이터 및 고장 데이터를 생성하고 머신러닝 모델에 상기 고장 데이터를 입력시켜 가상의 고장 데이터인 페이크 데이터를 생성하는 데이터생성부 및, 상기 정상 데이터와 상기 고장 데이터 및 상기 페이크 데이터가 포함된 판별용 데이터를 상기 데이터생성부로부터 전달 받고 상기 전처리부로부터 실시간의 전처리 데이터를 전달 받아 상기 판별용 데이터와 상기 실시간의 전처리 데이터를 비교 분석하여 상기 설비부의 고장 여부를 판별하는 데이터판별부,를 구비하는 제어모듈; 및 상기 제어모듈로부터 상기 설비부에 대한 고장 진단 정보를 전달 받아 상기 설비부의 정상 여부에 대한 정보가 출력되는 출력부;를 포함한다.
상기와 같은 구성에 따른 본 발명의 효과는, 생산 설비의 고장 진단에 머신러닝을 이용하고, 고장 진단이 자동으로 수행되도록 함으로써, 고장 진단에 대한 효율을 증가시킬 수 있다는 것이다.
그리고, 본 발명의 효과는, 고장 진단에 이용되는 데이터 수를 머신러닝을 이용하여 임의로 증가시킴으로써, 머신러닝에 이용되는 데이터의 불충분을 해결하고, 오버 피팅 문제를 미연에 방지할 수 있다는 것이다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시 예에 따른 진동센서가 설치된 설비부에 대한 단면 모식도이다.
도 2는 본 발명의 일 실시 예에 따른 센서 데이터 전처리에 대한 그래프이다.
도 3은 본 발명의 일 실시 예에 따른 고장 데이터와 정상 데이터에 대한 그래프이다.
도 4는 본 발명의 일 실시 예에 따른 페이크 데이터에 대한 그래프이다.
도 5는 본 발명의 일 실시 예에 따른 고장 진단 장치의 구성에 대한 개략도이다.
도 2는 본 발명의 일 실시 예에 따른 센서 데이터 전처리에 대한 그래프이다.
도 3은 본 발명의 일 실시 예에 따른 고장 데이터와 정상 데이터에 대한 그래프이다.
도 4는 본 발명의 일 실시 예에 따른 페이크 데이터에 대한 그래프이다.
도 5는 본 발명의 일 실시 예에 따른 고장 진단 장치의 구성에 대한 개략도이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시 예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "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.
이하, 첨부된 도면을 참고하여 본 발명에 대하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 진동센서(200)가 설치된 설비부(10)에 대한 단면 모식도이다. 그리고, 도 2는 본 발명의 일 실시 예에 따른 센서 데이터 전처리에 대한 그래프이며, 도 3은 본 발명의 일 실시 예에 따른 고장 데이터와 정상 데이터에 대한 그래프이고, 도 4는 본 발명의 일 실시 예에 따른 페이크 데이터에 대한 그래프이다. 도 2의 (a) 내지 (f)의 그래프는 3차원 각각의 축에서 센서부가 정상인 경우의 센서 데이터와 센서부가 고장인 경우의 센서 데이터를 나타내고 있다. 구체적으로, 도 2의 (a)에서, 정상-x축은 설비부(10)의 x축 방향에 대해 진동이 정상인 경우 센서 데이터의 그래프를 나타내고, 도 2의 (b) 내지 (f)에서는 동일한 방식으로 센서 데이터의 그래프를 나타내고 있다.
그리고, 도 3의 (a)은 고장 데이터의 실시 예를 나타내고, 도 3의 (b)는 정상 데이터의 실시 예를 나타낼 수 있다. 또한, 도 4의 (a)는 페이크 데이터의 하나의 실시 예를 나타내고, 도 4의 (b)는 페이크 데이터의 다른 실시 예를 나타낼 수 있다. 도 3과 도 4의 각각의 그래프는 센서 데이터의 전처리 후 시간 단위로 분할되어 생성된 전처리 데이터일 수 있다. 도 3과 도 4에서, 세로축은 신호 강도에 대한 축이고, 가로축은 시간(초, s)에 대한 축일 수 있다.
본 발명의 고장 진단 방법을 수행하기 위하여, 먼저, 제1단계에서, 가공 또는 이송을 수행하는 설비부(10)에 설치된 진동센서(200)로부터 제어모듈(100)로 센서 데이터가 수신될 수 있다. 여기서, 설비부(10)는, LM가이드(Linear Motor guide)일 수 있다. LM가이드를 따라 가공기기 등과 같은 소정의 장비가 이동할 수 있으며, 이와 같은 이동 수행 시 LM가이드에는 진동이 발생할 수 있다. 그리고, LM가이드에서 생성된 진동은 진동센서(200)에 의해 실시간으로 측정될 수 있다.
LM가이드의 일 부위에 손상이 발생하거나 LM가이드의 작동에 이상이 발생되는 경우, LM가이드에서는 이상 진동이 생성되고, 본 발명의 고장 진단 방법에서는 이와 같은 이상 진동에 의한 센서 데이터를 분석함으로써, 설비부(10)의 고장 여부를 판별할 수 있도록 할 수 있다.
진동센서(200)는 설비부(10)에 복수 개 설치될 수 있다. 도 1과 도 2에서 보는 바와 같이, 각각의 진동센서(200)는 설비부(10)에 대한 3차원 방향(x축, y축 및 z축의 방향)의 진동을 측정하기 위해 복수 개로 설치될 수 있으며, 각각의 축 방향에 대해 설치된 각각의 진동센서(200)에 의해 x축, y축 및 z축의 방향 각각에 대한 진동이 측정될 수 있다.
제2단계에서, 제어모듈(100)에서 센서 데이터를 전처리하여 전처리 데이터가 생성될 수 있다. 도 2에서 보는 바와 같이, 제어모듈(100)은, 복수 개의 진동센서(200) 각각으로부터 전달된 복수 개의 센서 데이터 각각에 대해 일정한 시간 단위로 분할할 수 있다. 복수 개의 진동센서(200)에 의해 수집된 복수 개의 센서 데이터 각각은, 각각의 3차원 방향에 따라 분류되고, 이와 같이 분류된 하나의 센서 데이터는 시간에 따라 그 값에 차이가 발생할 수 있다. 그러므로, 센서 데이터를 일정한 시간 단위로 분할하여 입력을 위한 데이터로 이용할 수 있으며, 이에 따라, 센서 데이터의 분류가 용이하게 되어 본 발명의 고장 진단 방법의 처리 속도가 향상될 수 있다.
제3단계에서, 제어모듈(100)이 전처리 데이터로부터 설비부(10)의 작동에 대한 정상 데이터 및 고장 데이터를 수집할 수 있다. 여기서, 사용자는 설비부(10)를 임의로 작동시켜 설비부(10)가 정상적으로 작동 시 생성되는 진동에 대한 데이터인 정상 데이터를 수집할 수 있다. 마찬가지로, 사용자는 설비부(10)에 임의의 손상 부위 또는 작동 고장 부위를 형성시키고, 설비부(10)를 작동시켜 설비부(10)가 이상 작동 시 생성되는 진동에 대한 데이터인 고장 데이터를 수집할 수 있다. 즉, 정상 데이터와 고장 데이터는 머신러닝 모델의 학습을 위한 초기 입력 데이터로 이용될 수 있고, 또한, 이와 같이 수집된 정상 데이터와 고장 데이터가 설비부(10)의 고장 여부 판별에 이용될 수 있다.
제4단계에서, 제어모듈(100)에서, 정상 데이터와 고장 데이터가 머신러닝 모델에 입력되어 처리되고, 고장 데이터의 머신러닝에 의해 가상의 고장 데이터인 페이크 데이터(fake data)가 생성될 수 있다. 즉, 페이크 데이터는 머신러닝에 의한 결과 출력 데이터일 수 있다. 여기서, 머신러닝 모델은, GAN(Generative Adversarial Network)일 수 있다.
GAN은 머신러닝(machine learning)의 알고리즘 중 하나로서, 비지도학습 (unsupervised learning)의 일종으로써, 원 데이터가 가지고 있는 확률분포를 추정하도록 하고, 인공신경망이 그 분포를 만들어내도록 하는 방식이다. GAN은 분류를 담당하는 모델(판별자D)과 회귀생성을 담당하는 모델(생성자G)의 두 개 모델로 구성될 수 있다. 생성자G와 판별자D가 서로 성능을 개선해 적대적으로 경쟁해 나가면서, 수학적으로 생성자 G는 원 데이터의 확률 분포를 알아내려고 노력하며, 학습이 종료된 후에는 원 데이터의 확률분포를 따르는 새로운 데이터를 만들어 내게 될 수 있다.
본 발명의 실시 예에서는, 머신러닝 모델로 GAN을 이용한다고 설명하고 있으나, 반드시 이에 한정되는 것은 아니고, 머신러닝 모델로써 VAE(Variational Auto Encoder) 등을 이용할 수도 있다.
상기와 같이, 본 발명의 고장 진단 방법에서는, 상기와 같은 머신러닝 모델에 고장 데이터를 입력하고 머신러닝을 수행하여 페이크 데이터를 생성할 수 있다. 이에 따라, 고장 진단을 수행하기 위한 데이트를 현저히 증가시킬 수 있음으로써, 설비부(10)의 고장 진단 효율을 증대시킬 수 있다. 또한, 이와 같이 고장 진단을 위한 데이터를 증가시킴으로써 충분한 수준의 데이터가 획득됨으로써 데이터 불균형에 의한 머신러닝의 오버피팅 현상을 방지할 수 있다. 이에 대해서는 하기의 성능 실험에서 상세히 설명하기로 한다.
그리고, 제4단계에서는, 상기와 같은 페이크 데이터의 생성 후, 유클리드 거리(Euclidean distance) 계산을 이용하여 상기 페이크 데이터에 대한 후처리를 수행할 수 있다. 이에 따라, 복수 개의 페이크 데이터 중 고장 데이터와 거리가 가장 가까운 순서로 소정의 수만큼 페이크 데이터를 선별할 수 있고, 이와 같이 선별된 페이크 데이터를 이용하여 설비부(10)에 대한 고장 진단을 수행할 수 있다. 이와 같이 일부의 페이크 데이터를 선별하여 고장 진단에 이용함으로써, 신뢰성이 있는 데이터만을 고장 진단에 이용할 수 있어 고장 진단의 시간을 단축시키고 고장 진단의 에러율을 현저히 감소시킬 수 있다.
제5단계에서, 정상 데이터와 고장 데이터 및 페이크 데이터를 이용하여 제어모듈(100)이 설비부(10)에 대한 고장 진단을 수행할 수 있다. 여기서, 페이크 데이터는 상기와 같은 후처리에 의해 선별된 페이크 데이터일 수 있다. 그리고, 정상 데이터와 고장 데이터 및 페이크 데이터가 집합되어 판별용 데이터를 형성할 수 있다.
제어모듈(100)은 진동센서(200)로부터 전달된 센서 데이터를 처리한 실시간의 전처리 데이터를 생성하고, 이와 같은 실시간의 전처리 데이터와 상기와 같은 판별용 데이터를 비교 분석하여 고장 여부를 판단할 수 있다. 구체적으로, 실시간의 전처리 데이터가 오차 범위 내에서 고장 데이터 또는 페이크 데이터와 동일 유사한 경우, 제어모듈(100)에서는 이를 고장으로 판단할 수 있다.
제6단계에서, 설비부(10)에 대한 고장 진단 정보가 제어모듈(100)로부터 출력부(300)로 전달되어, 설비부(10)의 정상 여부에 대한 정보가 출력될 수 있다. 출력부(300)는 디스플레이 기기를 구비할 수 있다. 그리고, 출력부(300)는 설비부(10)의 정상 여부에 대해 화면으로 사용자에게 정보를 제공할 수 있다. 추가적으로, 상기에서 보는 바와 같이, 복수 개의 진동센서(200)는 각각 설비부(10)에서 지정된 위치에 설치되어 있고, 제어모듈(100)에서는 각각의 진동센서(200)에 생성되어 전처리된 실시간 전처리 데이터를 이용하여 고장 데이터와 관련된 진동센서(200)를 추적함으로써, 설비부(10)의 고장 부위를 판단할 수 있다.
이하, 본 발명의 고장 진단 방법의 성능 실험에 대해 설명하기로 한다.
| 데이터 사용비율(%) | Train(70%) | Validation(15%) | Test(15%) |
| 데이터 세트 1 | 2.36% | 6.57% | 6.99% |
| 데이터 세트 2 | 0.21% | 9.40% | 10.23% |
| 데이터 세트 3 | 4.12% | 7.39% | 8.24% |
[표 1]에서 Classification error(%)는, 본 발명의 고장 진단 방법을 수행하면서 NN(Neural Network) for classification model을 이용한 고장 진단 실험 중 에러율(%)에 대한 값일 수 있다.
[표 1]에서 데이터 세트 1은, 종래기술의 고장 진단 방법의 구현을 위해 실측된 데이터로만 구성되는 데이터 세트로써, 실측되어 초기 입력 데이터로 이용되는 고장 데이터 3,500개와 정상 데이터 3,500개로 이루어질 수 있다. 그리고, 데이터 세트 1에서 무작위로 추출된 데이터 중 70%는 Train에 이용되고, 15%는 Validation에 이용되며, 15%는 Test에 이용될 수 있다.
데이터 세트 2는, 고장 데이터가 부족한 환경을 임의 구성하기 위한 데이터 세트로써, 실측된 고장 데이터 2,000개와 실측된 정상 데이터 3,500개로 이루어질 수 있다. 그리고, 데이터 세트 2에서 무작위로 추출된 데이터 중 70%는 Train에 이용되고, 15%는 Validation에 이용되며, 15%는 Test에 이용될 수 있다.
데이터 세트 3은, 본 발명의 고장 진단 방법을 이용하는 사항에 대한 데이터 세트로써, 실측된 정상 데이터 3,500개 및, 실측된 고장 데이터 2,000개와 상기와 같이 후처리 되어 선별된 페이크 데이터 1,500개로 이루어질 수 있다. 그리고, 데이터 세트 3에서 무작위로 추출된 데이터 중 70%는 Train에 이용되고, 15%는 Validation에 이용되며, 15%는 Test에 이용될 수 있다.
그리고, LM가이드의 z축 방향에 대해 진동센서(200)를 설치하고, z축 방향의 센서 데이터를 수집하여 고장 진단을 수행하는 실험을 수행하였다.
[표 1]에서 보는 바와 같이, 데이터 세트 2를 이용하여 고장 진단을 수행하는 경우, 가장 낮은 Train 단계에서의 에러율과 비교하여 Test 단계에서의 에러율이 상대적으로 현저히 높게 형성되어 오버 피팅 문제가 발생함을 확인할 수 있다. 그리고, 데이터 세트 1과의 비교 시, Train 단계에서는 에러율이 2.15% 감소한 반면에, Validation 단계에서는 에러율은 2.83% 증가하고 Test 단계에서의 에러율은 3.24% 증가함을 확인할 수 있다.
데이터 세트 3을 이용하여 고장 진단을 수행하는 경우, 가장 낮은 Train 단계에서의 에러율과 가장 높은 Test 단계에서의 에러율 간 차이가 감소함을 확인할 수 있다. 그리고, 그리고, 데이터 세트 1과의 비교 시, Train 단계에서는 에러율이 1.76% 감소한 반면에, Validation 단계에서는 에러율은 0.82% 증가하고 Test 단계에서의 에러율은 1.25% 증가함을 확인할 수 있다.
이에 따라, 본 발명의 고장 진단 방법을 이용하는 경우, 오버 피팅 문제가 발생하지 않음을 확인할 수 있다. 동시에, 전체적인 에러율도 감소함을 확인할 수 있고, 에러율의 변동폭이 현저히 감소하여 데이터의 불균형도 해소됨을 확인할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 고장 진단 장치의 구성에 대한 개략도이다. 도 5에서 보는 바와 같이, 본 발명의 고장 진단 장치는, 가공 또는 이송을 수행하는 설비부(10)에 설치되어 진동을 측정하여 센서 데이터를 생성하는 진동센서(200); 센서 데이터를 전달 받아 전처리하는 전처리 데이터를 생성하는 전처리부(130), 전처리 데이터로부터 설비부(10)의 작동에 대한 정상 데이터 및 고장 데이터를 생성하고 머신러닝 모델에 고장 데이터를 입력시켜 가상의 고장 데이터인 페이크 데이터를 생성하는 데이터생성부(110) 및, 정상 데이터와 고장 데이터 및 페이크 데이터가 포함된 판별용 데이터를 데이터생성부(110)로부터 전달 받고 전처리부(130)로부터 실시간의 전처리 데이터를 전달 받아 판별용 데이터와 실시간의 전처리 데이터를 비교 분석하여 설비부(10)의 고장 여부를 판별하는 데이터판별부(120),를 구비하는 제어모듈(100); 및 제어모듈(100)로부터 설비부(10)에 대한 고장 진단 정보를 전달 받아 설비부(10)의 정상 여부에 대한 정보가 출력되는 출력부(300);를 포함한다.
여기서, 실시간의 전처리 데이터가 오차 범위 내에서 고장 데이터 또는 페이크 데이터와 동일 유사한 경우, 제어모듈(100)의 데이터판별부(120)에서는 이를 고장으로 판단할 수 있다.
복수 개의 진동센서(200)는 각각 설비부(10)에서 지정된 위치에 설치되어 있고, 제어모듈(100)의 데이터판별부(120)에서는 각각의 진동센서(200)에 생성되어 전처리된 실시간 전처리 데이터를 이용하여 고장 데이터와 관련된 진동센서(200)를 추적함으로써, 설비부(10)의 고장 부위를 판단할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 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.
본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10 : 설비부
100 : 제어모듈
110 : 데이터생성부
120 : 데이터판별부
130 : 전처리부
200 : 진동센서
300 : 출력부
100 : 제어모듈
110 : 데이터생성부
120 : 데이터판별부
130 : 전처리부
200 : 진동센서
300 : 출력부
Claims (8)
- 가공 또는 이송을 수행하는 설비부에 설치된 진동센서로부터 제어모듈로 센서 데이터가 수신되는 제1단계;
상기 제어모듈에서 상기 센서 데이터를 전처리하여 전처리 데이터가 생성되는 제2단계;
상기 제어모듈이 상기 전처리 데이터로부터 상기 설비부의 작동에 대한 정상 데이터 및 고장 데이터를 수집하는 제3단계;
상기 제어모듈에서, 상기 정상 데이터와 상기 고장 데이터가 머신러닝 모델에 입력되어 처리되고, 상기 고장 데이터의 머신러닝에 의해 가상의 고장 데이터인 페이크 데이터가 생성되는 제4단계; 및
상기 정상 데이터와 상기 고장 데이터 및 상기 페이크 데이터를 이용하여 상기 제어모듈이 상기 설비부에 대한 고장 진단을 수행하는 제5단계;를 포함하고,
상기 제4단계에서, 상기 페이크 데이터 생성 후, 유클리드 거리 계산을 이용하여 상기 페이크 데이터에 대한 후처리를 수행하는 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법.
- 청구항 1에 있어서,
상기 설비부에 대한 고장 진단 정보가 상기 제어모듈로부터 출력부로 전달되어, 상기 설비부의 정상 여부에 대한 정보가 출력되는 제6단계;를 더 포함하는 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법.
- 삭제
- 청구항 1에 있어서,
상기 머신러닝 모델은, GAN(Generative Adversarial Network)인 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법.
- 청구항 1에 있어서,
상기 설비부는, LM가이드(Linear Motor guide)인 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법.
- 청구항 1에 있어서,
상기 진동센서는 상기 설비부에 복수 개 설치되는 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법.
- 청구항 6에 있어서,
상기 제2단계에서, 상기 제어모듈은, 복수 개의 상기 진동센서 각각으로부터 전달된 복수 개의 센서 데이터 각각에 대해 일정한 시간 단위로 분할하는 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법.
- 가공 또는 이송을 수행하는 설비부에 설치되어 진동을 측정하여 센서 데이터를 생성하는 진동센서;
상기 센서 데이터를 전달 받아 전처리하는 전처리 데이터를 생성하는 전처리부, 상기 전처리 데이터로부터 상기 설비부의 작동에 대한 정상 데이터 및 고장 데이터를 생성하고 머신러닝 모델에 상기 고장 데이터를 입력시켜 가상의 고장 데이터인 페이크 데이터를 생성하는 데이터생성부 및, 상기 정상 데이터와 상기 고장 데이터 및 상기 페이크 데이터가 포함된 판별용 데이터를 상기 데이터생성부로부터 전달 받고 상기 전처리부로부터 실시간의 전처리 데이터를 전달 받아 상기 판별용 데이터와 상기 실시간의 전처리 데이터를 비교 분석하여 상기 설비부의 고장 여부를 판별하는 데이터판별부,를 구비하는 제어모듈; 및
상기 제어모듈로부터 상기 설비부에 대한 고장 진단 정보를 전달 받아 상기 설비부의 정상 여부에 대한 정보가 출력되는 출력부;를 포함하고,
상기 제어모듈은, 상기 페이크 데이터 생성 후, 유클리드 거리 계산을 이용하여 상기 페이크 데이터에 대한 후처리를 수행하는 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190148993A KR102265298B1 (ko) | 2019-11-19 | 2019-11-19 | 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190148993A KR102265298B1 (ko) | 2019-11-19 | 2019-11-19 | 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210061517A KR20210061517A (ko) | 2021-05-28 |
| KR102265298B1 true KR102265298B1 (ko) | 2021-06-17 |
Family
ID=76140278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190148993A KR102265298B1 (ko) | 2019-11-19 | 2019-11-19 | 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102265298B1 (ko) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2023020770A (ja) * | 2021-07-30 | 2023-02-09 | オムロン株式会社 | 異常検知装置、異常検知方法、及び異常検知プログラム |
| CN114035537B (zh) * | 2021-10-22 | 2024-03-01 | 上海发电设备成套设计研究院有限责任公司 | 一种燃气轮机控制系统综合诊断平台及方法 |
| KR102445248B1 (ko) * | 2021-11-05 | 2022-09-22 | 주식회사 룰루랩 | 탈모 예측 및 개인 맞춤형 두피 케어를 위한 방법 및 장치 |
| KR20230096364A (ko) * | 2021-12-23 | 2023-06-30 | (주)아이티공간 | Gan 알고리즘을 이용한 기기의 예지 보전방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018190245A (ja) * | 2017-05-09 | 2018-11-29 | 株式会社日立製作所 | 設備機器の異常診断システム |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160109721A (ko) * | 2015-03-12 | 2016-09-21 | 박호석 | 진동 모니터링을 통한 매니플레이터 진단방법 |
| KR20170031985A (ko) * | 2015-09-14 | 2017-03-22 | 현대건설주식회사 | 공기조화시스템의 고장 검출 및 진단 방법 |
| KR101967065B1 (ko) | 2017-10-18 | 2019-04-08 | 울산대학교 산학협력단 | 환경 변화에 강인한 고장 진단 장치 및 방법 |
| KR102061810B1 (ko) * | 2018-03-23 | 2020-01-02 | 단국대학교 산학협력단 | 멀티모달 딥러닝 기반의 이종 센서 신호 처리를 위한 장치 및 방법 |
-
2019
- 2019-11-19 KR KR1020190148993A patent/KR102265298B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018190245A (ja) * | 2017-05-09 | 2018-11-29 | 株式会社日立製作所 | 設備機器の異常診断システム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210061517A (ko) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102265298B1 (ko) | 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치 | |
| KR101818394B1 (ko) | 설비 상태 진단 방법 및 장치 | |
| KR101823746B1 (ko) | 베어링 고장 진단 방법 | |
| EP2950177A1 (en) | Asset condition monitoring | |
| KR102141391B1 (ko) | 군집 평가에 기반한 고장 데이터의 관리 방법 | |
| US20060210141A1 (en) | Inspection method and inspection apparatus | |
| US20170046309A1 (en) | Method for providing reliable sensor data | |
| KR101797400B1 (ko) | 확률밀도 기반의 고장 진단 방법 및 장치 | |
| KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
| KR102321607B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
| KR20190042384A (ko) | 딥러닝과 노이즈 제거 기술을 이용한 표면 결함 검출 장치 및 방법 | |
| JP6714498B2 (ja) | 設備診断装置及び設備診断方法 | |
| KR20210017651A (ko) | 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법 | |
| KR20090082536A (ko) | 순차적 사슬형태의 단일클래스 분류기를 이용한 공정이상검출 방법 | |
| CN107783495B (zh) | 单元控制系统 | |
| Delgado et al. | A novel condition monitoring scheme for bearing faults based on curvilinear component analysis and hierarchical neural networks | |
| Neupane et al. | Deep learning-based bearing fault detection using 2-D illustration of time sequence | |
| US20090248363A1 (en) | Method of multi-level fault isolation design | |
| KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
| Ribeiro et al. | Rotating machinery fault diagnosis using similarity-based models | |
| Huo et al. | Bearing fault diagnosis using multi-sensor fusion based on weighted DS evidence theory | |
| TW201633025A (zh) | 工具機主軸故障形式的診斷方法及其系統 | |
| Delgado et al. | Accurate bearing faults classification based on statistical-time features, curvilinear component analysis and neural networks | |
| ITUB20155449A1 (it) | Metodo di analisi di una sequenza temporale di misure di un segnale caratteristico di un sistema per la diagnosi preventiva del sistema stesso | |
| KR102485082B1 (ko) | 회전기 이상 진단 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |