KR102286814B1 - 가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법 - Google Patents

가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법 Download PDF

Info

Publication number
KR102286814B1
KR102286814B1 KR1020200013131A KR20200013131A KR102286814B1 KR 102286814 B1 KR102286814 B1 KR 102286814B1 KR 1020200013131 A KR1020200013131 A KR 1020200013131A KR 20200013131 A KR20200013131 A KR 20200013131A KR 102286814 B1 KR102286814 B1 KR 102286814B1
Authority
KR
South Korea
Prior art keywords
signal data
kernel
time
calculated
spatial
Prior art date
Application number
KR1020200013131A
Other languages
English (en)
Inventor
허균영
아미드 이브라힘
Original Assignee
경희대학교 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 경희대학교 산학협력단 filed Critical 경희대학교 산학협력단
Priority to KR1020200013131A priority Critical patent/KR102286814B1/ko
Application granted granted Critical
Publication of KR102286814B1 publication Critical patent/KR102286814B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model

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

본 발명은 가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 기술에 관한 것으로서, 일실시예에 따른 온라인 신호 데이터 검증 장치는 산업설비에 설치된 계측기에 의해 측정되는 신호 데이터의 공간 변화에 기초하여 신호 데이터의 공간 커널 가중치를 계산하는 공간 커널 가중치 계산부와, 동적시간워핑(Dynamic Time Warping, DTW)을 통해 신호 데이터의 시간적 변화와 관련된 시간 지표를 결정하는 시간 지표 결정부와, 결정된 시간 지표에 기초하여 신호 데이터의 시간 커널 가중치를 계산하는 시간 커널 가중치 계산부 및 계산된 공간 커널 가중치, 계산된 시간 커널 가중치 및 결정된 시간 지표 중 적어도 하나에 기초하여 신호 데이터의 적응형 양방향 커널을 결정하는 양방향 커널 결정부를 포함한다.

Description

가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법{APPARATUS AND METHOD FOR SEARCHING THE BEST TEMPORAL KERNEL IN A WEIGHTED DISTANCE AUTO ASSOCIATIVE BILATERAL KERNEL REGRESSION}
본 발명은 가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법에 관한 것으로, 보다 상세하게는, 자기 연상 양방향 커널 회귀 방법을 이용하여 기동, 정지 및 부하 추종 모드와 같은 정상 과도 운전 중 입력된 데이터의 공간 정보와 시간 정보를 모두 포착하여 양방향 커널 평가를 수행하여 산업 공정의 결함을 감지 및 검증하는 기술적 사상에 관한 것이다.
산업설비(예: 발전소)는 특정한 목적을 달성하기 위하여 다수의 계통 및 기기로 구성된 장치를 지칭하고, 일반적으로 운전 및 안전 상태를 확인하기 위한 계측기가 설치되어 있으며, 계측기를 통해 계측된 신호 데이터는 오프라인 또는 온라인으로 측정될 수 있다.
공정 및 기기 변수를 모니터하기 위한 요건이 강화됨에 따라 온라인 모니터링 및 신호 데이터 검증 기술이 선호되고 있다. 여기서, 온라인 모니터링 및 신호 데이터 검증 기술은 산업설비의 가동 중에 기기 성능을 모니터링하는 자동화 기술을 포함할 수 있다.
산업설비를 모니터링하기 위한 기술은 자기 연상 커널 회귀(Auto Associative Kernel Regression; AAKR) 방법이 있으며, 일반적으로 정상 운전 조건에서 자체 입력 값에 대한 출력을 제공하도록 훈련된다는 점에서 자기 연상 방법에 포함된다.
자기 연상 커널 회귀 방법은 회귀 함수를 추정하기 위한 비모수적인 기법으로, 모수적 모델과는 달리 모델의 구조가 데이터에 의존한다.
따라서, 모델 구성에 있어 분석가의 판단이 적어지고 모델의 훈련이 쉽다. 그리고, 새로운 관측 집합에 대한 추가가 용이함에 따라 공정 성능 저하로 인한 점진적인 신호 변화를 포착하기 위해 모델이 주기적으로 재훈련 되기 적합하다.
그러나, 자기 연상 커널 회귀 방법은 신호의 강인성(잡음에 대한 영향) 및 파급 효과(결함이 있는 변수가 다른 변수도 결함으로 발견되도록 영향을 끼침) 등의 문제점을 갖고 있으며, 이는 결함 탐지에서 경보 누락 및 지연 또는 감지된 결함을 담당하는 신호 변수를 올바르게 식별하는 데 어려움을 초래한다.
위 문제점을 해결하기 위한 연구는 기존의 연구에서 이미 다루어 졌으나, 이러한 개선에도, 현재의 질의 벡터(측정값 세트)만 모델에 영향을 주기 때문에 여전히 시계열 정보를 가중 거리 자기 연상 양방향 커널 회귀 방법에 반영하는 측면에서 부족함이 있다.
이에 따라, 과도 상태에서 온라인 프로세스 모니터링을 위한 새로운 데이터 기반 방법인 가중 거리 자기 연상 양방향 커널 회귀(weighted distance Auto Associative Bilateral Kernel Regression; AABKR) 방법이 제안된 바 있다.
구체적으로, 가중 거리 자기 연상 양방향 커널 회귀 방법은 커널 회귀에 양방향 커널의 개념을 도입함으로써, 데이터에서 공간 정보와 시간 정보를 모두 포착하는 대표적인 모델을 공식화한다. 또한 특징 정보에 기반한 시간 정보의 새로운 가중 거리 포착을 제안하고, 양방향 커널 평가에서 결함 센서 입력 값을 동적으로 보상하는 조정된 접근법을 도입하여 파급 효과가 거의 없는 모델을 제공한다. 이러한 방식으로, 놓치는 경보를 최소한으로 하여 결함을 감지되도록 하고 이러한 결함을 담당하는 변수를 적절하게 식별하는 것을 보장한다.
그러나, 가중 거리 자기 연상 양방향 커널 회귀 방법은 신호의 변동이 거의 없는 정상상태에서는 기본적인 자기 연상 커널 회귀 방법의 성능에도 미치지 못할 가능성이 확인되고 있다. 이는 정상상태에서는 미분 값이 모든 신호 위치에서 일정하게 나와 시간위치가 오식별 되기 때문이다.
상술한 문제점을 해결하기 위해, 가중 거리 자기 연상 양방향 커널 회귀 방법 적용시에 신호의 정상상태 및 과도상태에서 동일한 성능을 유지할 수 있는 새로운 시간위치 식별 기술 개발의 필요성이 있다.
한국공개특허 제10-2018-0115448호, "커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법" 한국공개특허 제10-2017-0121717호, "산업 자산 제어 시스템의 도메인 레벨 위협 검출" 한국등록특허 제10-0867938호, "종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법"
본 발명은 가중 거리 자기 연상 양방향 커널 회귀 방법에서 도함수를 사용하지 않는 효율적인 시간위치 결정 방법을 제공함으로써, 조기경보에 대한 모델의 정확성과 적용성을 향상시킬 수 있는 온라인 신호 데이터 검증 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 가중 거리 자기 연상 양방향 커널 회귀 방법에서 양방향 커널 가중치를 적응적으로 결정하여 산업 공정의 결함 감지 및 검증 성능을 향상시킬 수 있는 온라인 신호 데이터 검증 장치 및 그 방법을 제공하고자 한다.
일실시예에 따른 온라인 신호 데이터 검증 장치는 산업설비에 설치된 계측기에 의해 측정되는 신호 데이터의 공간 변화에 기초하여 신호 데이터의 공간 커널 가중치를 계산하는 공간 커널 가중치 계산부와, 동적시간워핑(Dynamic Time Warping, DTW)을 통해 신호 데이터의 시간적 변화와 관련된 시간 지표를 결정하는 시간 지표 결정부와, 결정된 시간 지표에 기초하여 신호 데이터의 시간 커널 가중치를 계산하는 시간 커널 가중치 계산부 및 계산된 공간 커널 가중치, 계산된 시간 커널 가중치 및 결정된 시간 지표 중 적어도 하나에 기초하여 신호 데이터의 적응형 양방향 커널을 결정하는 양방향 커널 결정부를 포함할 수 있다.
일측에 따르면, 온라인 신호 데이터 검증 장치는 신호 데이터 중 이전 시간에 대응되는 데이터에 기초하는 메모리 행렬(memory matrix)과, 신호 데이터 중 현재 시간에 대응되는 데이터에 기초하는 질의 행렬(query matrix)을 산출하는 데이터 산출부를 더 포함할 수 있다.
일측에 따르면, 공간 커널 가중치 계산부는 메모리 행렬과 질의 행렬의 공간 변화에 기초하는 맨해튼 거리를 계산하고, 계산된 맨해튼 거리에 기초하여 공간 커널 가중치를 계산할 수 있다.
일측에 따르면, 시간 지표 결정부는 메모리 행렬의 시간 윈도우(time window)의 길이를 결정하고, 결정된 시간 윈도우의 길이에 기초하여 메모리 행렬을 재구성할 수 있다.
일측에 따르면, 시간 지표 결정부는 질의 행렬과 재구성된 메모리 행렬에 대한 동적시간워핑 거리를 계산하고, 계산된 동적시간워핑 거리에 기초하여 시간 지표를 결정할 수 있다.
일측에 따르면, 시간 지표 결정부는 메모리 행렬과 메모리 행렬에 대한 동적시간워핑 거리를 계산하고, 계산된 동적시간워핑 거리에 대응되는 누적 비용 행렬(accumulated cost matrix)을 산출하며, 산출된 누적 비용 행렬에 기초하여 시간 지표를 결정할 수 있다.
일측에 따르면, 양방향 커널 결정부는 결정된 시간 지표의 식별 여부 및 계산된 공간 커널 가중치의 총합 중 적어도 하나에 기초하여 적응형 양방향 커널을 결정할 수 있다.
일측에 따르면, 양방향 커널 결정부는 결정된 시간 지표가 식별되지 않으면 계산된 공간 커널 가중치와 계산된 시간 커널 가중치의 곱셈 연산 결과를 적응형 양방향 커널로 결정할 수 있다.
일측에 따르면, 양방향 커널 결정부는 결정된 시간 지표가 식별되고 계산된 공간 커널 가중치의 총합이 '0' 값을 중심으로 기설정된 임계범위에 포함되면 계산된 시간 커널 가중치를 적응형 양방향 커널로 결정하고, 결정된 시간 지표가 식별되고 계산된 공간 커널 가중치의 총합이 기설정된 임계범위에 포함되지 않으면 계산된 공간 커널 가중치와 계산된 시간 커널 가중치의 평균값을 적응형 양방향 커널로 결정할 수 있다.
일측에 따르면, 온라인 신호 데이터 검증 장치는 신호 데이터와 결정된 적응형 양방향 커널을 이용하여 산업설비의 공정 결함을 검증하는 검증부를 더 포함할 수 있다.
일측에 따르면, 검증부는 신호 데이터와 결정된 적응형 양방향 커널을 이용하여 신호 데이터에 대한 예측 데이터 집합을 계산할 시, 결정된 적응형 양방향 커널과 관련된 가우시안 커널 함수의 대역폭을 조정하여 계산된 예측 데이터 집합에 대한 평균 제곱 에러를 감소시킬 수 있다.
일측에 따르면, 검증부는 계산된 예측 데이터 집합과 신호 데이터 간의 차이에 대한 가우시안 분포를 이용하여 공정 결함 여부를 결정하기 위한 임계값을 결정할 수 있다.
일측에 따르면, 검증부는 신호 데이터에 기반한 값이 결정된 임계값보다 작을 경우, 신호 데이터에 기반하여 산업설비의 공정을 정상 상태(normal condition)로 결정하고, 신호 데이터에 기반한 값이 결정된 임계값보다 클 경우, 신호 데이터에 기반하여 산업설비의 공정을 결함 상태(fault condition)로 결정할 수 있다.
일실시예에 따른 온라인 신호 데이터 검증 방법은 공간 커널 가중치 계산부에서, 산업설비에 설치된 계측기에 의해 측정되는 신호 데이터의 공간 변화에 기초하여 신호 데이터의 공간 커널 가중치를 계산하는 단계와, 시간 지표 결정부에서, 동적시간워핑(Dynamic Time Warping, DTW)을 통해 신호 데이터의 시간적 변화와 관련된 시간 지표를 결정하는 단계와, 시간 커널 가중치 계산부에서, 결정된 시간 지표에 기초하여 신호 데이터의 시간 커널 가중치를 계산하는 단계 및 양방향 커널 결정부에서, 계산된 공간 커널 가중치, 계산된 시간 커널 가중치 및 결정된 시간 지표 중 적어도 하나에 기초하여 신호 데이터의 적응형 양방향 커널을 결정하는 단계를 포함할 수 있다.
일측에 따르면, 온라인 신호 데이터 검증 방법은 데이터 산출부에서, 신호 데이터 중 이전 시간에 대응되는 데이터에 기초하는 메모리 행렬(memory matrix)과, 신호 데이터 중 현재 시간에 대응되는 데이터에 기초하는 질의 행렬(query matrix)을 산출하는 단계 및 검증부에서, 신호 데이터와 결정된 적응형 양방향 커널을 이용하여 산업설비의 공정 결함을 검증하는 단계를 더 포함할 수 있다.
일실시예에 따르면, 본 발명은 가중 거리 자기 연상 양방향 커널 회귀 방법에서 도함수를 사용하지 않는 효율적인 시간위치 결정 방법을 제공함으로써, 조기경보에 대한 모델의 정확성과 적용성을 향상시킬 수 있다.
일실시예에 따르면, 본 발명은 본 발명은 가중 거리 자기 연상 양방향 커널 회귀 방법에서 양방향 커널 가중치를 적응적으로 결정하여 산업 공정의 결함 감지 및 검증 성능을 향상시킬 수 있다.
도 1은 본 발명의 일실시예에 따른 온라인 신호 데이터 검증 장치를 설명하는 도면이다.
도 2는 발명의 일실시예에 따른 온라인 신호 데이터 모니터링을 위한 프레임워크를 설명하는 도면이다.
도 3은 일실시예에 따른 온라인 신호 데이터 검증 장치에서 시간 위치를 결정하는 실시예를 설명하는 도면이다.
도 4는 일실시예에 따른 시간 위치의 결정 방법을 구현하는 예시를 설명하는 도면이다.
도 5a 내지 도 5b는 일실시예에 따른 시간 위치의 결정 방법 중 제1 결정 방법을 통해 계산되는 전역비용행렬을 설명하는 도면이다.
도 6a 내지 도 6b은 전역비용행렬의 동적시간워핑 거리를 설명하는 도면이다.
도 7a 내지 도 7b는 일실시예에 따른 시간 위치의 결정 방법 중 제2 결정 방법을 통해 계산되는 전역비용행렬을 설명한다.
도 8은 본 발명의 일실시예에 따른 온라인 신호 데이터 검증 방법을 설명하는 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들면 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들면 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 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 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 일실시예에 따른 온라인 신호 데이터 검증 장치를 설명하는 도면이다.
도 1을 참조하면, 일실시예에 따른 온라인 신호 데이터 검증 장치(100)는 가중 거리 자기 연상 양방향 커널 회귀 방법에서 도함수를 사용하지 않는 효율적인 시간위치 결정 방법을 제공함으로써, 조기경보에 대한 모델의 정확성과 적용성을 향상시킬 수 있다.
또한, 가중 거리 자기 연상 양방향 커널 회귀 방법에서 양방향 커널 가중치를 적응적으로 결정하여 산업 공정의 결함 감지 및 검증 성능을 향상시킬 수 있다.
이를 위해, 온라인 신호 데이터 검증 장치(100)는 공간 커널 가중치 계산부(120), 시간 지표 결정부(130), 시간 커널 가중치 계산부(140) 및 양방향 커널 결정부(150)를 포함할 수 있다.
또한, 온라인 신호 데이터 검증 장치(100)는 데이터 산출부(110) 및 검증부(160)를 더 포함할 수도 있다.
구체적으로, 일실시예에 따른 공간 커널 가중치 계산부(120)는 산업설비에 설치된 계측기에 의해 측정되는 신호 데이터의 공간 변화에 기초하여 신호 데이터의 공간 커널 가중치를 계산할 수 있다.
예를 들면, 산업설비에 설치된 계측기에 의해 측정될 신호 데이터는 현재 계측기에 의해 측정된 질의 벡터를 포함할 수 있다. 또한, 신호 데이터의 공간 변화는 신호 데이터가 발생되는 신호 간의 거리에 해당하는 공간적 차이뿐만 아니라 강도 거리의 변화에 해당하는 범위 차이를 모두 포함할 수 있다.
일측에 따르면, 데이터 산출부(110)는 신호 데이터 중 이전 시간에 대응되는 데이터에 기초하는 메모리 행렬(memory matrix)과, 신호 데이터 중 현재 시간에 대응되는 데이터에 기초하는 질의 행렬(query matrix)을 산출 수 있다.
예를 들면, 메모리 행렬과 질의 행렬은 신호 데이터가 발생될 범위와 관련된 질의 벡터와 신호 데이터에 의해 발생될 시간적 변화 및 범위적 변화와 관련된 벡터들의 집합일 수 있고, 메모리 행렬은 공정이 정상적으로 운전되고 있던 과거(t <
Figure 112020011650032-pat00001
, 여기서
Figure 112020011650032-pat00002
는 현재 시간)의 실적으로부터 구성되는 행렬일 수 있다.
일측에 따르면, 공간 커널 가중치 계산부(120)는 메모리 행렬과 질의 행렬의 공간 변화에 기초하는 맨해튼 거리를 계산하고, 계산된 맨해튼 거리에 기초하여 공간 커널 가중치를 계산할 수 있다.
한편, 데이터 산출부(110)의 동작은 이하에서 도 2를 통해 설명하는 단계(210)에 기반하여 수행될 수 있고, 공간 커널 가중치 계산부(120)는 이하에서 도 2를 통해 설명하는 단계(211), 단계(213), 단계(231) 및 단계(233)에 기반하여 수행될 수 있다.
일실시예에 따른 시간 지표 결정부(130)는 동적시간워핑(Dynamic Time Warping, DTW)을 통해 신호 데이터의 시간적 변화와 관련된 시간 지표를 결정할 수 있다.
예를 들면, 시간 지표는 질의 행렬이 메모리 행렬 내에서 가장 유사도가 높은 위치를 나타내는 시간위치(Time Index,
Figure 112020011650032-pat00003
)를 포함할 수 있다.
일측에 따르면, 시간 지표 결정부(130)는 메모리 행렬의 시간 윈도우(time window)의 길이를 결정하고, 결정된 시간 윈도우의 길이에 기초하여 메모리 행렬을 재구성할 수 있다.
또한, 시간 지표 결정부(130)는 질의 행렬과 재구성된 메모리 행렬에 대한 동적시간워핑 거리를 계산하고, 계산된 동적시간워핑 거리에 기초하여 시간 지표를 결정할 수 있다.
일측에 따르면, 시간 지표 결정부(130)는 메모리 행렬과 메모리 행렬에 대한 동적시간워핑 거리를 계산하고, 계산된 동적시간워핑 거리에 대응되는 누적 비용 행렬(accumulated cost matrix)을 산출하며, 산출된 누적 비용 행렬에 기초하여 시간 지표를 결정할 수도 있다.
한편, 시간 지표 결정부(130)의 동작은 이하에서 도 2를 통해 설명하는 단계(212) 및 단계(232)에 기반하여 수행될 수 있다.
일실시예에 따른 시간 커널 가중치 계산부(140)는 결정된 시간 지표에 기초하여 신호 데이터의 시간 커널 가중치를 계산할 수 있다.
일례로, 시간 커널 가중치 계산부(140)는 시간 지표에 기초하여 신호 데이터가 발생될 시간과 관련된 질의 행렬과 신호 데이터에 의해 발생될 시간적 변화 및 공간 변화와 관련된 벡터들의 집합을 행렬로 표현하는 메모리 행렬 간의 시간 가중 거리 벡터들을 계산할 수 있다.
여기서, 시간 가중 거리 벡터들은 질의 행렬이 관찰되는 시간을 나타낼 수 있으며, 질의 시간 입력을 사용하지 않고, 메모리 행렬을 가진 질의 입력의 시간적 상관 관계를 계산하여 시간 가중 거리 벡터들이 계산될 수 있다.
일측에 따르면, 시간 커널 가중치 계산부(140)는 계산된 시간 가중 거리 벡터들에 가우시안 커널 함수를 적용하여 시간 커널 가중치를 계산할 수 있다.
즉, 시간 커널 가중치 계산부(140)는 현재 입력되는 질의 행렬에 기반하여 계산된 시간 가중 거리에 특정 커널 대역폭의 가우시안 커널 함수를 적용하여 시간 커널 가중치를 계산할 수 있다.
따라서, 본 발명은 메모리 행렬과 질의 입력의 시간적 상관 관계에 기반하여 데이터의 시간적 변화를 포착하고, 포착된 시간적 변화에 기반한 시간 지표를 결정하여 시간 가중 거리를 계산할 수 있다.
한편, 시간 커널 가중치 계산부(140)의 동작은 이하에서 도 2를 통해 설명하는 단계(214) 및 단계(234)에 기반하여 수행될 수 있다.
일실시예에 따른 양방향 커널 결정부(150)는 계산된 공간 커널 가중치, 계산된 시간 커널 가중치 및 결정된 시간 지표 중 적어도 하나에 기초하여 신호 데이터의 적응형 양방향 커널을 결정할 수 있다.
일측에 따르면, 양방향 커널 결정부(150)는 결정된 시간 지표의 식별 여부 및 계산된 공간 커널 가중치의 총합 중 적어도 하나에 기초하여 적응형 양방향 커널을 결정할 수 있다.
보다 구체적으로, 양방향 커널 결정부(150)는 결정된 시간 지표가 식별되지 않으면 계산된 공간 커널 가중치와 계산된 시간 커널 가중치의 곱셈 연산 결과를 적응형 양방향 커널로 결정할 수 있다.
또한, 양방향 커널 결정부(150)는 결정된 시간 지표가 식별되고 계산된 공간 커널 가중치의 총합이 '0' 값을 중심으로 기설정된 임계범위(
Figure 112020011650032-pat00004
, 여기서
Figure 112020011650032-pat00005
는 음의 실수값,
Figure 112020011650032-pat00006
는 양의 실수값)에 포함되면 계산된 시간 커널 가중치를 적응형 양방향 커널로 결정하고, 결정된 시간 지표가 식별되고 계산된 공간 커널 가중치의 총합이 기설정된 임계범위에 포함되지 않으면 계산된 공간 커널 가중치와 계산된 시간 커널 가중치의 평균값을 적응형 양방향 커널로 결정할 수 있다.
예를 들면, 양방향 커널 결정부(150)는 질의 행렬 및/또는 데이터 행렬의 관측값(i)와 결정된 시간 지표(
Figure 112020011650032-pat00007
)가 일치하면(즉
Figure 112020011650032-pat00008
인 경우), 결정된 시간 지표(
Figure 112020011650032-pat00009
)가 식별 가능한 것으로 판단할 수 있다.
한편, 양방향 커널 결정부(150)의 동작은 이하에서 도 2를 통해 설명하는 단계(215) 및 단계(235)에 기반하여 수행될 수 있다.
일실시예에 따른 검증부(160)는 신호 데이터와 결정된 적응형 양방향 커널을 이용하여 산업설비의 공정 결함을 검증할 수 있다.
일측에 따르면, 검증부(160)는 신호 데이터와 결정된 적응형 양방향 커널을 이용하여 신호 데이터에 대한 예측 데이터 집합을 계산할 수 있다.
또한, 예측 데이터 집합을 계산 시, 결정된 적응형 양방향 커널과 관련된 가우시안 커널 함수의 대역폭을 조정하여 계산된 예측 데이터 집합에 대한 평균 제곱 에러를 감소시킬 수 있다.
즉, 검증부(160)는 학습 모드에서, 평균 제곱 에러를 감소시키는 대역폭을 미리 결정하고, 결정된 대역폭에 기반하여 적응형 양방향 커널을 계산하도록 유도하여 예측 데이터 집합에 대한 평균 제곱 에러를 감소시킬 수 있다.
일측에 따르면, 검증부(160)는 계산된 예측 데이터 집합과 신호 데이터 간의 차이에 대한 가우시안 분포를 이용하여 공정 결함 여부를 결정하기 위한 임계값을 결정할 수 있다.
또한, 검증부(160)는 신호 데이터에 기반한 값이 결정된 임계값보다 작을 경우, 신호 데이터에 기반하여 산업설비의 공정을 정상 상태(normal condition)로 결정하고, 신호 데이터에 기반한 값이 결정된 임계값보다 클 경우, 신호 데이터에 기반하여 산업설비의 공정을 결함 상태(fault condition)로 결정할 수 있다.
즉, 본 발명은 가중 거리 자기 연상 양방향 커널 회귀 방법을 이용하여 산업설비의 과도 공정 동안 신호 데이터를 온라인으로 모니터링하여 산업설비의 공정 결함을 검증, 예측 및 추정할 수 있다.
한편, 검증부(160)의 동작은 이하에서 도 2를 통해 설명하는 단계(216) 내지 단계(220) 및 단계(236) 내지 단계 (230)에 기반하여 수행될 수 있다.
도 2는 발명의 일실시예에 따른 온라인 신호 데이터 모니터링을 위한 프레임워크를 설명하는 도면이다.
다시 말해, 도 2는 도 1을 통해 설명한 일실시예에 따른 온라인 신호 데이터 검증 장치에서의 모니터링을 위한 프레임워크를 설명하는 도면으로, 이하에서 도 2를 통해 설명하는 내용 중 도 1을 통해 설명한 내용과 중복되는 설명은 생략하기로 한다.
도 2를 참조하면, 산업설비(200)에 설치된 계측기는 산업설비(200)의 공정에 따라 신호 데이터를 측정하고, 측정된 신호 데이터는 온라인 신호 데이터 검증 장치로 제공될 수 있다.
온라인 신호 데이터 검증 방법은 오프라인 모드에 해당하는 단계(210) 내지 단계(220)를 수행할 수 있으며, 온라인 모드에 해당하는 단계(230) 내지 단계(239)를 수행할 수 있다.
먼저, 오프라인 모드를 살펴보면, 온라인 신호 데이터 검증 방법은 단계(210)에서 학습 모드의 메모리 행렬(Memory Matrix)을 생성하는 과정을 결정하고, 메모리 행렬 생성을 위한 신호 데이터를 수집할 수 있다. 여기서, 메모리 행렬은 하기 수학식1과 같이 표현될 수 있다.
[수학식1]
Figure 112020011650032-pat00010
수학식1에서, X는 메모리 행렬을 나타낼 수 있고, m은 메모리 행렬의 백터 개수를 나타낼 수 있으며, p는 프로세스 변수의 개수를 나타낼 수 있다.
수학식1에 기초하여, 메모리 행렬은
Figure 112020011650032-pat00011
가 j번째 프로세스 변수의 i번째 관측 값을 나타내는 경우에 M개의 관측 시퀀스 백터를 갖는 p차원의 변수 신호 행렬인
Figure 112020011650032-pat00012
로 표현될 수 있다.
구체적으로, 메모리 행렬은 시계열을 고려하는데, 이것은 시간 순서대로 정렬된 관측 순서를 나타낼 수 있다.
시간은 독립 변수이고 그것을 이산적인 것으로 가정하면, 시변 데이터는 시간(t1<t2<...<tm)에서 (x1,t1), (x2,t2), ...,(xm,tm)의 시퀀스를 나타내며, 여기서, xi는 공간에서의 데이터 포인트이고 ti는 xi이 발생한 시간을 나타낼 수 있다. 또한, 시변 데이터의 샘플링 간격(
Figure 112020011650032-pat00013
)은 서로 동일하게 설정될 수 있다.
또한, 수학식1에 기초하여, 변수 신호의 p차원 벡터를 갖는 변수의 단일 관찰 값을 나타내는
Figure 112020011650032-pat00014
는 하기 수학식2와 같이 표현될 수 있다.
[수학식2]
Figure 112020011650032-pat00015
수학식 2에서, xq는 단일 관찰 값을 나타내고, p는 프로세스 변수의 개수를 나타낼 수 있으며, tq는 xq가 관찰된 시점을 나타낼 수 있다.
한편, 질의 행렬(query matrix)은
Figure 112020011650032-pat00016
가 j번째 프로세스 변수의 i번째 관측 값에 대응되는 시간윈도우(Time Window)의 길이 r(여기서, r은 실수 값)의 신호 행렬
Figure 112020011650032-pat00017
로 표현될 수 있으며, 질의 행렬은 현재 시간(
Figure 112020011650032-pat00018
)에서 측정을 통해 획득되는
Figure 112020011650032-pat00019
로 구성될 수 있다. 일례로 시간 윈도우의 길이(r)은 선험적(a priori)으로 결정될 수 있다.
단계(211)에서 온라인 신호 데이터 검증 방법은 메모리 행렬과 질의 행렬에 기초하여 공간 변화와 관련된 거리 벡터를 계산하고, 단계(213)에서 계산된 거리 벡터를 이용하여 공간 커널 가중치를 계산할 수 있다.
단계(211) 및 단계(213)의 계산 과정은 단계(231) 및 단계(233)에서 설명될 수학식6 내지 수학식9에 기반할 수 있다.
단계(212)에서 온라인 신호 데이터 검증 방법은 메모리 행렬에 기반하여 시간적 변화와 관련된 시간 지표를 결정하고, 결정된 시간 지표에 기반하여 시간적 변화와 관련된 시간 가중 거리 벡터를 계산할 수 있다.
단계(214)에서 온라인 신호 데이터 검증 방법은 단계(212)에서 계산된 시간 가중 거리 벡터에 가우시안 커널 함수를 적용하여 시간 커널 가중치를 계산할 수 있다.
단계(212) 및 단계(214)의 계산 과정은 단계(232) 및 단계(234)에서 설명될 수학식 16 내지 19 및 수학식 28 내지 31에 기반할 수 있다.
단계(215)에서 온라인 신호 데이터 검증 방법은 단계(213) 및 단계(214)에서 계산된 공간 커널 가중치와 시간 커널 가중치 및 단계(212)에서 결정된 시간 지표를 이용하여 적응형 양방향 커널을 결정할 수 있다. 단계(215)의 계산 과정은 단계(235)에서 설명될 수학식 20에 기반할 수 있다.
단계(216)에서 온라인 신호 데이터 검증 방법은 단계(215)에서 결정된 적응형 양방향 커널을 이용하여 공정 결함에 대한 예측을 수행하며, 예측은 단계(236)에서 설명될 수학식 21 내지 수학식 23에 기반할 수 있다.
단계(217)에서 온라인 신호 데이터 검증 방법은 예측의 평균 제곱 에러를 최소화하는 대역폭을 결정을 할 수 있다.
즉, 온라인 신호 데이터 검증 방법은 하기 수학식3을 이용하여 예측의 평균 제곱 에러를 최소화하는 대역폭을 식별할 수 있다.
[수학식3]
Figure 112020011650032-pat00020
수학식3에 따르면, hf 및 ht는 최적의 대역폭 매개 변수를 나타낼 수 있고, m은 메모리 행렬의 벡터 개수를 나타낼 수 있으며, p는 프로세스 변수의 개수를 나타낼 수 있고, N은 관측값의 개수를 나타낼 수 있고, i는 관측값의 순서, j는 프로세스 변수의 순서를 나타낼 수 있다.
즉, 온라인 신호 데이터 검증 방법은 오프라인 모드를 수행할 경우, 메모리 행렬을 이용하며, 학습 모드에서 수집된 메모리 행렬의 데이터와 검증 데이터 집합에 대한 예측의 평균 제곱 에러를 최소화함으로써 적응형 양방향 커널을 계산하기 위한 커널의 최적 대역폭을 식별할 수 있다.
또한, 본 발명은 모델을 훈련하기 위한 메모리 행렬의 데이터와 검증 데이터 집합에 대한 예측의 평균 제곱 에러(mean square error, MSE)를 최소화함으로써 커널의 최적 대역폭을 식별하기 위한 검증 데이터를 그룹화할 수 있다.
단계(218)에서 온라인 신호 데이터 검증 방법은 예측의 평균 제곱 에러를 최소화하는 대역폭을 수학식3에 기반하여 검증하고, 최소화된 경우 단계(220)으로 진행하고, 아닐 경우, 단계(219)에서 온라인 신호 데이터 검증 방법은 결정된 대역폭에 따라 대역폭을 정정하여 단계(215)에서 적응형 양방향 커널을 계산에 활용되는 가우시안 커널 함수의 대역폭으로 결정할 수 있다.
단계(220)에서 온라인 신호 데이터 검증 방법은 결함 여부를 결정하기 위한 임계값을 결정할 수 있다.
즉, 온라인 신호 데이터 검증 방법은 하기 수학식4를 이용하여 결함 여부를 결정하기 위한 임계값을 결정할 수 있다.
[수학식4]
Figure 112020011650032-pat00021
수학식4에서, RMSEj는 결함 검출을 위한 잔차를 나타낼 수 있고, N은 관측값의 개수를 나타낼 수 있고, i는 관측값의 순서 j는 프로세스 변수의 순서를 나타낼 수 있으며, eij는 실제 값과 메모리 행렬로부터 예측된 값 사이의 잔차를 나타낼 수 있다.
예를 들어, 신호 데이터에 기반한 값은 메모리 행렬로부터 예측된 값 사이의 잔차에 상응할 수 있다.
또한, 온라인 신호 데이터 검증 방법은 각 변수의 결함 감지에 대한 허용 한계를 하기 수학식5를 이용하여 결정할 수 있다.
[수학식5]
Figure 112020011650032-pat00022
수학식 5에서,
Figure 112020011650032-pat00023
는 결함 허용 한계에 해당하는 임계값을 나타낼 수 있고, RMSEj는 결함 검출을 위한 잔차를 나타낼 수 있다.
잔차는 평균이 0이며, 분산이 RMSEj의 제곱값의 가우시안 분포로 가정할 수 있으며, 온라인 신호 데이터 검증 방법은 오경보율을 최소화하고 잔차가 임계값을 초과할 때 결함이 탐지되도록 설정할 수 있다.
즉, 온라인 신호 데이터 검증 방법은 신호 데이터에 기반한 값이 임계값보다 작을 경우, 신호 데이터에 기반하여 산업설비의 공정을 정상 상태(normal condition)로 결정하고, 신호 데이터에 기반한 값이 임계값보다 클 경우, 신호 데이터에 기반하여 산업설비의 공정을 결함 상태(fault condition)로 결정할 수 있다.
또한, 온라인 신호 데이터 검증 방법은 단계(217) 및 단계(218)에 의해 결정된 예측의 평균 제곱 에러를 최소화하는 대역폭을 단계(221)를 통하여 단계(235)로 전달할 수 있다.
또한, 온라인 신호 데이터 검증 방법은 단계(220)에서 결정된 임계값을 단계 (222)를 통하여 단계(237)로 제공할 수 있다.
본 발명의 일실시예에 따르면 온라인 신호 데이터 검증 방법은 온라인 모드에 해당하는 단계(230) 내지 단계(239)를 수행할 수 있다.
단계(230)에서 온라인 신호 데이터 검증 방법은 온라인 모드로 구동하되, 특정 시점에 계측기로부터 질의 벡터에 해당하는 신호 데이터를 수신한다.
단계(231)에서 온라인 신호 데이터 검증 방법은 수학식6 내지 7을 이용하여 공간 거리 벡터를 계산할 수 있다.
즉, 온라인 신호 데이터 검증 방법은 현재 입력되는 질의 벡터에 대하여 범위 거리 벡터를 계산한다.
[수학식6]
Figure 112020011650032-pat00024
수학식 6에서, di는 맨해튼 거리를 사용하여 계산된 공간 거리를 나타낼 수 있고, X는 메모리 행렬을 나타낼 수 있으며, i는 관측값을 나타낼 수 있고, j는 프로세스 변수를 나타낼 수 있으며, q는 질의 벡터를 나타낼 수 있고, p는 프로세스 변수의 개수를 나타낼 수 있다.
또한, 온라인 신호 데이터 검증 방법은 단일 질의 벡터의 경우, 수학식 6의 계산은 m개의 메모리 벡터 각각에 대해 반복되므로 거리 벡터는
Figure 112020011650032-pat00025
가 될 수 있으며, 하기 수학식7과 같이 표현될 수 있다.
[수학식7]
Figure 112020011650032-pat00026
수학식 7에서, d는 공간 거리를 나타내고, m은 공간 거리 벡터의 개수를 나타낼 수 있다.
단계(233)에서 온라인 신호 데이터 검증 방법은 수학식6 내지 7을 이용하여 계산된 범위 거리 벡터에 기초하는 하기 수학식 8 내지 9를 이용하여 공간 커널 가중치를 계산할 수 있다.
[수학식8]
Figure 112020011650032-pat00027
수학식 8에서, k는 공간 커널 가중치를 나타낼 수 있고, i는 관측값을 나타낼 수 있으며, f는 공간 요소를 나타낼 수 있고, di는 공간 거리를 나타낼 수 있으며, hf는 공간 보존을 위한 커널 대역폭을 나타낼 수 있다.
[수학식9]
Figure 112020011650032-pat00028
수학식9에 따르면, kf는 공간 커널 가중치의 집합을 나타낼 수 있으며, m은 공간 거리 벡터의 개수를 나타낼 수 있다.
단계(232)에서 온라인 신호 데이터 검증 방법은 이하에서 설명하는 수학식 28 내지 수학식 31을 이용하여 시간 지표를 결정할 수 있으며, 시간 지표는 시간위치(Time Index;
Figure 112020011650032-pat00029
)를 포함할 수 있다.
구체적으로, 기존의 가중 거리 자기 연상 양방향 커널 회귀 모델에서 시간위치(
Figure 112020011650032-pat00030
)는 질의 행렬이 메모리 행렬 내에서 가장 유사도가 높은 위치를 알려주는 지표로, 이는 도함수 기반 비교기(Derivative-based Comparator)에 의해 결정될 수 있다.
보다 구체적으로, 메모리 행렬(
Figure 112020011650032-pat00031
)에서 후행 1차 차분(Backward 1st Order Difference)을 이용하되 시간 윈도우에 해당하는 r개의 데이터를 이용하여 도함수를 취하면,
Figure 112020011650032-pat00032
Figure 112020011650032-pat00033
을 도출할 수 있다. 마찬가지 방법을 질의 행렬(
Figure 112020011650032-pat00034
)에 적용하면
Figure 112020011650032-pat00035
을 도출할 수 있으며, 이 방법을 사용하기 위해서는 적어도 길이 r의 질의 행렬이 입력된 다음에 적용이 가능함을 확인할 수 있다.
또한, 질의 행렬의 도함수와 메모리행렬의 i번째 도함수 사이의 거리는 하기 수학식10을 통해 계산될 수 있다.
[수학식10]
Figure 112020011650032-pat00036
수학식10에서
Figure 112020011650032-pat00037
이고,
Figure 112020011650032-pat00038
의 최소값을 사용함으로써 메모리 행렬 내에 어떤 위치가 질의 행렬과 가장 유사한지를 알 수 있는데, 그 위치는 하기 수학식11을 통해 결정될 수 있다.
[수학식11]
Figure 112020011650032-pat00039
그런데, 상술한 방법을 적용하여 시간위치(
Figure 112020011650032-pat00040
)를 결정하는 경우에, 신호의 변화가 크지 않으면(즉, 신호가 정상상태를 유지할수록), 시간위치(
Figure 112020011650032-pat00041
)가 정확하게 측정되지 못하는 상황이 발생될 수 있다.
이렇게 시간위치(
Figure 112020011650032-pat00042
)가 잘못 식별된 경우 가중 거리 자기 연상 양방향 커널 회귀 모델의 성능이 떨어지는데, 신호의 변화 정도에 상관없이 동일한 성능을 발휘할 수 있는 시간위치 식별 알고리즘이 필요하다. 또한, 도함수에 기반한 가중거리는 차분의 특성상 샘플링 기간이 짧아질수록 오차가 커지는 문제점도 가지고 있으므로, 도함수를 사용하지 않는 방법을 찾아야 한다.
이에, 단계(232)에서 온라인 신호 데이터 검증 방법은 동적시간워핑(Dynamic Time Warping, DTW)을 통해 시간위치(
Figure 112020011650032-pat00043
)를 결정할 수 있다.
동적시간워핑이란 두 개의 시계열 데이터를 정렬할 수 있는 기법으로, 이 기법은 동적 프로그래밍 방식을 사용하여 시계열 데이터를 정렬할 수 있다.
구체적으로, 동적시간워핑은 공간상에
Figure 112020011650032-pat00044
와
Figure 112020011650032-pat00045
를 가정하며, 시계열을 정렬하기 위해 L X M 크기의 행렬 D를 필요로 하는데, 여기서 행렬 D의 원소
Figure 112020011650032-pat00046
는 일반적으로 비용함수(Cost Function)라고 하며
Figure 112020011650032-pat00047
과
Figure 112020011650032-pat00048
사이에서 측정된 거리를 의미할 수 있다.
동적시간워핑에서 시계열의 최적 정렬은 비용함수를 최소화함으로써 이루어지며, 지역비용행렬(Local Cost Matrix)이 구성되면, 동적 프로그래밍 알고리즘은 비용행렬의 저비용 구간을 찾아 정렬경로(Alignment Path)를 결정할 수 있다. 또한, 정렬 경로를 나타내는 일련의 점
Figure 112020011650032-pat00049
을 워핑 경로라 하며
Figure 112020011650032-pat00050
와 같이 구성될 수 있다.
모든 쌍에 대한 거리를 나타내는 지역비용행렬과 관련하여 x와 y 사이의 워핑경로 w의 총 비용은 하기 수학식12를 통해 계산될 수 있다.
[수학식12]
Figure 112020011650032-pat00051
수학식12에서 x와 y 사이의 최적의 워핑경로는 모든 가능한 워핑 경로 중 최소의 총 비용을 갖는
Figure 112020011650032-pat00052
로서, x와 y 사이의 동적시간워핑 거리를 나타내는 DTW(x, y)는 하기 수학식13과 같이
Figure 112020011650032-pat00053
의 총 비용으로 정의될 수 있다.
[수학식13]
Figure 112020011650032-pat00054
수학식13에서,
Figure 112020011650032-pat00055
는 모든 가능한 워핑경로의 집합을 나타낼 수 있다.
한편, 최적의 워핑경로를 결정하기 위한 계산량이 상당하지만, 최적의 워핑경로 결정을 위한 계산량 문제는 하기 수학식14와 같이 재귀적으로 정의되는 전역비용행렬(Global Cost Matrix, G)를 이용하여 누적비용행렬(Accumulated Cost Matrix)을 구축함으로써 해결될 수 있다.
[수학식14]
Figure 112020011650032-pat00056
수학식14는 이는 누적된 전역거리가 현재 요소들 사이의 거리와 인접한 요소들의 누적된 전역거리의 최소합이라는 것을 의미하며, 누적비용 행렬(G)이 결정되면 x와 y 사이의 동적시간워핑 거리는 하기 수학식15를 통해 계산될 수 있다.
[수학식15]
Figure 112020011650032-pat00057
즉, 단계(232)에서 온라인 신호 데이터 검증 방법은 상술한 동적시간워핑 기법에 기초하여 시간위치(
Figure 112020011650032-pat00058
)를 결정할 수 있다.
일실시예에 따른 온라인 신호 데이터 검증 방법의 단계(232)에서 시간위치(
Figure 112020011650032-pat00059
)를 결정하는 방법은 이후 실시예 도 3을 통해 보다 구체적으로 설명하기로 한다.
단계(234)에서 온라인 신호 데이터 검증 방법은 하기 수학식16 내지 17을 이용하여 시간 지표에 기반한 시간 가중 거리를 계산할 수 있다.
[수학식16]
Figure 112020011650032-pat00060
수학식 16에서,
Figure 112020011650032-pat00061
는 시간 가중 거리를 나타낼 수 있고, ε는 시간위치를 나타낼 수 있으며, i는 질의 행렬의 관측값을 나타낼 수 있고, m은 메모리 행렬의 벡터 개수를 나타낼 수 있으며,
Figure 112020011650032-pat00062
은 메모리 행렬의 벡터 내의 데이터들 간의 시간 간격을 나타낼 수 있다.
또한, 단계(234)에서 온라인 신호 데이터 검증 방법은 수학식17과 같이 시간 가중 거리 벡터인
Figure 112020011650032-pat00063
를 나타낼 수 있다.
[수학식17]
Figure 112020011650032-pat00064
수학식17에서,
Figure 112020011650032-pat00065
는 시간 가중 거리를 나타낼 수 있고, ε는 시간위치를 나타낼 수 있으며, m은 메모리 행렬의 벡터 개수를 나타낼 수 있다.
한편, 단계(234)에서 온라인 신호 데이터 검증 방법은 하기 수학식18 내지 19에 기반하여 시간 커널 가중치를 계산할 수 있다.
[수학식18]
Figure 112020011650032-pat00066
수학식 18에서, i는 관측값을 나타낼 수 있으며, f는 범위 요소를 나타낼 수 있고,
Figure 112020011650032-pat00067
는 시간 가중 거리를 나타낼 수 있으며, ht는 시간 보존을 위한 커널 대역폭을 나타낼 수 있다.
[수학식19]
Figure 112020011650032-pat00068
수학식19에 따르면, kt는 시간 커널 가중치의 집합을 나타낼 수 있으며, m은 공간 거리 벡터의 개수를 나타낼 수 있다.
한편, 단계(235)에서 온라인 신호 데이터 검증 방법은 하기 수학식20을 통해 적응형 양방향 커널 벡터
Figure 112020011650032-pat00069
를 결정할 수 있다.
[수학식20]
Figure 112020011650032-pat00070
기존의 가중 거리 자기 연상 양방향 커널 회귀 모델에서 적용된 양방향 커널 계산 방법은 어떤 방향 커널 값이 다른 방향의 커널 값에 영향을 끼치는 효과가 발생하여 결과적으로 양방향 커널의 값에 오류가 생길 우려가 있는 반면, 일실시예에 따른 온라인 신호 데이터 검증 방법은 상술한 상호 영향 효과를 줄일 수 있는 수학식20을 통해 양방향 커널을 결정할 수 있다.
구체적으로 수학식20에 따르면, 단계(235)에서 온라인 신호 데이터 검증 방법은 시간위치(
Figure 112020011650032-pat00071
)를 정확히 식별하지 못하는 경우(즉
Figure 112020011650032-pat00072
인 경우), 공간 커널 가중치의 집합(kf)과 시간 터널 가중치의 집합(kt)의 곱셈 연산의 결과를 적응형 양방향 커널로 결정할 수 있다.
또한, 단계(235)에서 온라인 신호 데이터 검증 방법은 시간위치(
Figure 112020011650032-pat00073
)가 정확히 식별(즉
Figure 112020011650032-pat00074
인 경우)됨과 동시에
Figure 112020011650032-pat00075
값이 '0' 값에 근접하지 않아 공간 커널도 어느 정도 신뢰할 수 있다고 판단되면, 공간 커널 가중치의 집합(kf)과 시간 터널 가중치의 집합(kt)의 평균값(
Figure 112020011650032-pat00076
)을 양방향 커널로 결정할 수 있다.
또한, 단계(235)에서 온라인 신호 데이터 검증 방법은 시간위치(
Figure 112020011650032-pat00077
)가 정확히 식별(즉
Figure 112020011650032-pat00078
인 경우)되나
Figure 112020011650032-pat00079
값이 '0' 값에 근접하여 공간 커널이 신뢰할 수 없다고 판단되면, 시간 터널 가중치의 집합(kt)만을 양방향 커널로 결정할 수 있다.
단계(236)에서 온라인 신호 데이터 검증 방법은 입력된 질의 벡터와 적응형 양방향 커널을 결합하여 결함을 예측할 수 있다.
예를 들어, 온라인 신호 데이터 검증 방법은 수학식21 내지 24를 이용하여 입력된 질의 벡터와 관련된 공정의 결함을 예측할 수 있다.
즉, 온라인 신호 데이터 검증 방법은 질의 벡터와 양방향 적응형 양방향 커널을 결합하여 하기 수학식21을 계산할 수 있다.
[수학식21]
Figure 112020011650032-pat00080
수학식 21에서,
Figure 112020011650032-pat00081
는 결함 예측값을 나타낼 수 있고, xij는 메모리 행렬의 벡터값을 나타낼 수 있으며, i는 관측 지점을 나타낼 수 있고, kb는 적응형 양방향 커널을 나타낼 수 있으며, m은 메모리 행렬의 벡터 개수를 나타낼 수 있다.
온라인 신호 데이터 검증 방법은 결함 예측값에 대한 스칼라 값을 수학식22와 같이 정의할 수 있다.
[수학식22]
Figure 112020011650032-pat00082
수학식22에서, α는 스칼라 값을 나타낼 수 있고, i는 관측 지점을 나타낼 수 있으며, kb는 적응형 양방향 커널을 나타낼 수 있고, m은 메모리 행렬의 벡터 개수를 나타낼 수 있다.
또한, 온라인 신호 데이터 검증 방법은 모든 변수를 동시에 예측하기 위해 수학식21을 수학식 23과 같이 행렬 형태로 재구성할 수 있다.
[수학식 23]
Figure 112020011650032-pat00083
수학식 23에서,
Figure 112020011650032-pat00084
는 결함 예측값을 나타낼 수 있고, kb는 적응형 양방향 커널을 나타낼 수 있으며, X는 행렬 데이터를 나타낼 수 있고, α는 스칼라 값을 나타낼 수 있다.
단계(237)에서 온라인 신호 데이터 검증 방법은 임계값과 비교하여 결함을 결정할 수 있으며, 단계(238)에서 결함으로 판단할 경우 단계(239)로 진행하여 알람을 발생시키고, 결함이 아닐 경우, 단계(230)로 진행하여 새로운 질의 벡터를 수신한다.
예를 들어, 단계(237) 및 단계(238)에서 온라인 신호 데이터 검증 방법은 수학식4와 수학식5에 의해 결정된 임계값을 이용하는데, 비교 기준은 하기 수학식 24와 같이 표현될 수 있다.
[수학식24]
Figure 112020011650032-pat00085
수학식24에서, eqj는 판단 대상인 예측 잔차를 나타낼 수 있고,
Figure 112020011650032-pat00086
는 임계값을 나타낼 수 있다.
따라서, 본 발명은 훈련에 사용된 메모리 행렬과 획득된 최적의 대역폭 및 임계값을 사용하여 시스템의 온라인 상태를 모니터링하여 결함을 탐지할 수 있다.
도 3은 일실시예에 따른 온라인 신호 데이터 검증 장치에서 시간 위치를 결정하는 실시예를 설명하는 도면이다.
도 3을 참조하면, 참조부호 300은 일실시예에 따른 온라인 신호 데이터 검증 장치에서 동적시간워핑(DTW)을 이용하여 질의 행렬(
Figure 112020011650032-pat00087
)과 메모리 행렬(
Figure 112020011650032-pat00088
)의 시계열을 정렬하는 예시를 나타낸다.
참조부호 300에 따르면, 일실시예에 따른 온라인 신호 데이터 검증 장치는 동적시간워핑을 통해 시간 지표를 결정할 수 있으며, 시간 지표는 시간위치(
Figure 112020011650032-pat00089
)를 포함할 수 있다.
구체적으로, 일실시예에 따른 온라인 신호 데이터 검증 장치는 이하에서 수학식 26 내지 28을 통해 설명하는 제1 결정 방법 및 수학식29 내지 31을 통해 설명하는 제2 결정 방법 중 적어도 하나의 방법을 통해 시간위치(
Figure 112020011650032-pat00090
)를 결정할 수 있다.
보다 구체적으로, 일실시예에 따른 제1 결정 방법은 메모리 행렬(
Figure 112020011650032-pat00091
)을 시간윈도우(Time Window)의 길이가 r인 N개의 행렬을 포함하는
Figure 112020011650032-pat00092
로 재배열(재구성)하되, 두 개의 연속 시간윈도우 사이에 (r-1)만큼 중첩되도록 할 수 있다. 여기서, N은 (M - r + 1)일 수 있으며, 다변량의 경우(즉, p > 1인 경우)에는
Figure 112020011650032-pat00093
가 하기 수학식25와 같이 표현될 수 있다.
[수학식25]
Figure 112020011650032-pat00094
여기서,
Figure 112020011650032-pat00095
일 수 있다.
다음으로, 일실시예에 따른 제1 결정 방법은 하기 수학식26을 이용하여 질의 행렬(
Figure 112020011650032-pat00096
)과
Figure 112020011650032-pat00097
의 k번째 행렬인
Figure 112020011650032-pat00098
에 대한 동적시간워핑 거리를 계산할 수 있다.
[수학식26]
Figure 112020011650032-pat00099
수학식26은 지역비용함수행렬(D)를 이용하여 계산될 수 있으며, D의 각 원소는 질의 행렬(
Figure 112020011650032-pat00100
)과 행렬
Figure 112020011650032-pat00101
의 각 데이터 사이의 지역거리를 의미하고, 하기 수학식27을 통해 계산될 수 있다.
[수학식27]
Figure 112020011650032-pat00102
수학식27에서
Figure 112020011650032-pat00103
는 질의 행렬(
Figure 112020011650032-pat00104
)의 열번호를 나타낼 수 있으며,
Figure 112020011650032-pat00105
는 행렬
Figure 112020011650032-pat00106
의 열번호를 나타낼 수 있다.
마지막으로, 일실시예에 따른 제1 결정 방법은 하기 수학식28의 계산을 통해 시간위치(
Figure 112020011650032-pat00107
)를 결정할 수 있다.
[수학식28]
Figure 112020011650032-pat00108
한편, 일실시예에 따른 제2 결정 방법은 메모리 행렬(
Figure 112020011650032-pat00109
)로부터 서브 행렬을 재배열하는 과정 없이 시간위치(
Figure 112020011650032-pat00110
)를 결정할 수 있다.
보다 구체적으로, 일실시예에 따른 제2 결정 방법은 질의 행렬(
Figure 112020011650032-pat00111
)과 메모리 행렬(
Figure 112020011650032-pat00112
)의 지역비용함수행렬(D)을 상술한 수학식27을 통해 계산할 수 있다.
다음으로, 일실시예에 따른 제2 결정 방법은 지역비용함수행렬(D)이 계산되면 전역비용행렬(G)의 첫번째 행을 제외하고 상술한 재귀를 통한 동적프로그래밍을 이용하는 하기 수학식29을 통해 전역비용행렬(G)을 산출할 수 있다.
[수학식29]
Figure 112020011650032-pat00113
수학식29를 통해 누적된 전역비용행렬(G)은 하기 수학식30과 같이 표현될 수 있다.
[수학식30]
Figure 112020011650032-pat00114
마지막으로, 일실시예에 따른 제2 결정 방법은 하기 수학식 31과 같이 누적된 전역비용행렬(G)의 마지막 행을 읽음으로써 시간위치(
Figure 112020011650032-pat00115
)를 결정할 수 있다.
[수학식31]
Figure 112020011650032-pat00116
도 4는 일실시예에 따른 시간 위치의 결정 방법을 구현하는 예시를 설명하는 도면이다.
도 4를 참조하면, 참조부호 400은 도 3을 통해 설명한 제1 결정 방법 및 제2 결정 방법의 구현방법을 나타낸다.
참조부호 400에 따르면, 일실시예에 따른 제1 결정 방법 및 제2 결정 방법에 시연(구현)을 위하여 하기 수학식32와 같은 간단한 1변수 함수로 메모리 벡터와 질의 벡터를 생성할 수 있다.
[수학식32]
Figure 112020011650032-pat00117
수학식32에서
Figure 112020011650032-pat00118
는 시간 t에서 평균이 0이고 표준편차(
Figure 112020011650032-pat00119
)는 0.08인 독립적이고 정규분포를 따르는 가우스 잡음을 나타낼 수 있다. t = 1 부터 50까지 총 50개의 데이터 세트를 생성하며 이 경우
Figure 112020011650032-pat00120
이 되고 윈도우의 크기 r = 10으로 설정될 수 있다. 즉 질의 벡터의 길이도 10이 될 수 있다.
메모리 벡터 내에서 질의 벡터의 실제 위치는 t = 36에서 45 사이가 될 수 있으며, 이 경우 현재 시간 t의 시간위치(
Figure 112020011650032-pat00121
)는 t = 45가 될 수 있다.
이 시연의 목표는 제안된 제1 결정 방법 및/또는 제2 결정 방법을 이용하여 시간위치(
Figure 112020011650032-pat00122
)를 보다 정확하게 찾기 위함으로, 참조부호 400에서와 같이 메모리 벡터는 실선으로, 질의 벡터는 점선으로 표시될 수 있다.
도 5a 내지 도 5b는 일실시예에 따른 시간 위치의 결정 방법 중 제1 결정 방법을 통해 계산되는 전역비용행렬을 설명하는 도면이다.
도 5a 내지 도 5b를 참조하면, 참조부호 510은 오류가 없는 질의 행렬(
Figure 112020011650032-pat00123
)과 메모리 행렬(
Figure 112020011650032-pat00124
)의 서브 벡터 사이의 전역비용행렬을 나타내고, 참조부호 520은 오류가 있는 질의 행렬(
Figure 112020011650032-pat00125
)과 메모리 행렬(
Figure 112020011650032-pat00126
)의 서브 벡터 사이의 전역비용행렬을 나타낸다.
구체적으로, 오류없는 정확한 질의 벡터가 들어오는 경우에 대한 전역비용행렬은 참조부호 510에 도시되고, 시간 t = 45에서의 데이터 값에 오류를 추가하는 경우에 대한 전역비용행렬은 참조부호 520에 도시된다.
도 6a 내지 도 6b은 전역비용행렬의 동적시간워핑 거리를 설명하는 도면이다.
도 6을 참조하면, 참조부호 610은 참조부호 510에 도시된 전역비용행렬의 동적시간워핑 거리를 나타내고, 참조부호 620은 참조부호 520에 도시된 전역비용행렬의 동적시간워핑 거리를 나타낸다.
참조부호 610 내지 620에 따르면, 일실시예에 따른 제1 결정 방법은 오류 여부와 상관없이 정확하게 시간위치(
Figure 112020011650032-pat00127
)가 식별됨을 확인할 수 있었다.
도 7a 내지 도 7b는 일실시예에 따른 시간 위치의 결정 방법 중 제2 결정 방법을 통해 계산되는 전역비용행렬을 설명한다.
도 7a 내지 도 7b를 참조하면, 참조부호 710은 오류가 없는 질의 행렬(
Figure 112020011650032-pat00128
)과 메모리 행렬(
Figure 112020011650032-pat00129
)의 서브 벡터 사이의 전역비용행렬을 나타내고, 참조부호 720은 오류가 있는 질의 행렬(
Figure 112020011650032-pat00130
)과 메모리 행렬(
Figure 112020011650032-pat00131
)의 서브 벡터 사이의 전역비용행렬을 나타낸다.
참조부호 710 내지 720에 따르면, 일실시예에 따른 제2 결정 방법은 질의 행렬(
Figure 112020011650032-pat00132
)과 메모리 행렬(
Figure 112020011650032-pat00133
)의 서브 벡터 사이의 전역비용행렬을 직접 계산할 수 있었으며, 일실시예에 따른 제1 결정 방법과 마찬가지로 오류 여부와 상관없이 정확하게 시간위치(
Figure 112020011650032-pat00134
)가 식별됨을 확인할 수 있었다.
도 8은 본 발명의 일실시예에 따른 온라인 신호 데이터 검증 방법을 설명하는 도면이다.
다시 말해, 도 8은 도 1 내지 도 7b를 통해 설명한 일실시예에 따른 온라인 신호 데이터 검증 장치를 이용한 검증 방법에 관한 도면으로, 이후 도 8을 통해 설명하는 내용 중 도 1 내지 도 7b를 통해 설명한 내용과 중복되는 설명은 생략하기로 한다.
도 8을 참조하면, 820 단계에서 일실시예에 따른 온라인 신호 데이터 검증 방법은 공간 커널 가중치 계산부에서, 산업설비에 설치된 계측기에 의해 측정되는 신호 데이터의 공간 변화에 기초하여 신호 데이터의 공간 커널 가중치를 계산할 수 있다.
일측에 따르면, 810 단계에서 일실시예에 따른 온라인 신호 데이터 검증 방법은 데이터 산출부에서, 신호 데이터 중 이전 시간에 대응되는 데이터에 기초하는 메모리 행렬(memory matrix)과, 신호 데이터 중 현재 시간에 대응되는 데이터에 기초하는 질의 행렬(query matrix)을 산출할 수 있다.
다음으로, 830 단계에서 일실시예에 따른 온라인 신호 데이터 검증 방법은 시간 지표 결정부에서, 동적시간워핑(Dynamic Time Warping, DTW)을 통해 신호 데이터의 시간적 변화와 관련된 시간 지표를 결정할 수 있다.
다음으로, 840 단계에서 일실시예에 따른 온라인 신호 데이터 검증 방법은 시간 커널 가중치 계산부에서, 결정된 시간 지표에 기초하여 신호 데이터의 시간 커널 가중치를 계산할 수 있다.
다음으로, 850 단계에서 일실시예에 따른 온라인 신호 데이터 검증 방법은 양방향 커널 결정부에서, 계산된 공간 커널 가중치, 계산된 시간 커널 가중치 및 결정된 시간 지표 중 적어도 하나에 기초하여 신호 데이터의 적응형 양방향 커널을 결정할 수 있다.
다음으로, 860 단계에서 일실시예에 따른 온라인 신호 데이터 검증 방법은 검증부에서, 신호 데이터와 결정된 적응형 양방향 커널을 이용하여 산업설비의 공정 결함을 검증할 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들면, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 장치, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 온라인 신호 데이터 검증 장치 110: 데이터 산출부
120: 공간 커널 가중치 계산부 130: 시간 지표 결정부
140: 시간 커널 가중치 계산부 150: 양방향 커널 결정부
160: 검증부

Claims (16)

  1. 산업설비에 설치된 계측기에 의해 측정되는 신호 데이터의 공간 변화에 기초하여 상기 신호 데이터의 공간 커널 가중치를 계산하는 공간 커널 가중치 계산부;
    동적시간워핑(Dynamic Time Warping, DTW)을 통해 상기 신호 데이터의 시간적 변화와 관련된 시간 지표를 결정하는 시간 지표 결정부;
    상기 결정된 시간 지표에 기초하여 상기 신호 데이터의 시간 커널 가중치를 계산하는 시간 커널 가중치 계산부 및
    상기 계산된 공간 커널 가중치, 상기 계산된 시간 커널 가중치 및 상기 결정된 시간 지표 중 적어도 하나에 기초하여 상기 신호 데이터의 적응형 양방향 커널을 결정하는 양방향 커널 결정부
    를 포함하는 온라인 신호 데이터 검증 장치.
  2. 제1항에 있어서,
    상기 신호 데이터 중 이전 시간에 대응되는 데이터에 기초하는 메모리 행렬(memory matrix)과, 상기 신호 데이터 중 현재 시간에 대응되는 데이터에 기초하는 질의 행렬(query matrix)을 산출하는 데이터 산출부
    를 더 포함하는 온라인 신호 데이터 검증 장치.
  3. 제2항에 있어서,
    상기 공간 커널 가중치 계산부는,
    상기 메모리 행렬과 상기 질의 행렬의 공간 변화에 기초하는 맨해튼 거리를 계산하고, 상기 계산된 맨해튼 거리에 기초하여 상기 공간 커널 가중치를 계산하는
    온라인 신호 데이터 검증 장치.
  4. 제2항에 있어서,
    상기 시간 지표 결정부는,
    상기 메모리 행렬의 시간 윈도우(time window)의 길이를 결정하고, 상기 결정된 시간 윈도우의 길이에 기초하여 상기 메모리 행렬을 재구성하는
    온라인 신호 데이터 검증 장치.
  5. 제4항에 있어서,
    상기 시간 지표 결정부는,
    상기 질의 행렬과 상기 재구성된 메모리 행렬에 대한 동적시간워핑 거리를 계산하고, 상기 계산된 동적시간워핑 거리에 기초하여 상기 시간 지표를 결정하는
    온라인 신호 데이터 검증 장치.
  6. 제2항에 있어서,
    상기 시간 지표 결정부는,
    상기 메모리 행렬과 상기 메모리 행렬에 대한 동적시간워핑 거리를 계산하고, 상기 계산된 동적시간워핑 거리에 대응되는 누적 비용 행렬(accumulated cost matrix)을 산출하며, 상기 산출된 누적 비용 행렬에 기초하여 상기 시간 지표를 결정하는
    온라인 신호 데이터 검증 장치.
  7. 제1항에 있어서,
    상기 양방향 커널 결정부는,
    상기 결정된 시간 지표의 식별 여부 및 상기 계산된 공간 커널 가중치의 총합 중 적어도 하나에 기초하여 상기 적응형 양방향 커널을 결정하는
    온라인 신호 데이터 검증 장치.
  8. 제7항에 있어서,
    상기 양방향 커널 결정부는,
    상기 결정된 시간 지표가 식별되지 않으면 상기 계산된 공간 커널 가중치와 상기 계산된 시간 커널 가중치의 곱셈 연산 결과를 상기 적응형 양방향 커널로 결정하는
    온라인 신호 데이터 검증 장치.
  9. 제7항에 있어서,
    상기 양방향 커널 결정부는,
    상기 결정된 시간 지표가 식별되고 상기 계산된 공간 커널 가중치의 총합이 '0' 값을 중심으로 기설정된 임계범위에 포함되면 상기 계산된 시간 커널 가중치를 상기 적응형 양방향 커널로 결정하고,
    상기 결정된 시간 지표가 식별되고 상기 계산된 공간 커널 가중치의 총합이 상기 기설정된 임계범위에 포함되지 않으면 상기 계산된 공간 커널 가중치와 상기 계산된 시간 커널 가중치의 평균값을 상기 적응형 양방향 커널로 결정하는
    온라인 신호 데이터 검증 장치.
  10. 제1항에 있어서,
    상기 신호 데이터와 상기 결정된 적응형 양방향 커널을 이용하여 상기 산업설비의 공정 결함을 검증하는 검증부
    를 더 포함하는 온라인 신호 데이터 검증 장치.
  11. 제10항에 있어서,
    상기 검증부는,
    상기 신호 데이터와 상기 결정된 적응형 양방향 커널을 이용하여 상기 신호 데이터에 대한 예측 데이터 집합을 계산할 시, 결정된 적응형 양방향 커널과 관련된 가우시안 커널 함수의 대역폭을 조정하여 상기 계산된 예측 데이터 집합에 대한 평균 제곱 에러를 감소시키는
    온라인 신호 데이터 검증 장치.
  12. 제10항에 있어서,
    상기 검증부는,
    상기 계산된 예측 데이터 집합과 상기 신호 데이터 간의 차이에 대한 가우시안 분포를 이용하여 상기 공정 결함 여부를 결정하기 위한 임계값을 결정하는
    온라인 신호 데이터 검증 장치.
  13. 제12항에 있어서,
    상기 검증부는,
    상기 신호 데이터에 기반한 값이 상기 결정된 임계값보다 작을 경우, 상기 신호 데이터에 기반하여 상기 산업설비의 공정을 정상 상태(normal condition)로 결정하고,
    상기 신호 데이터에 기반한 값이 상기 결정된 임계값보다 클 경우, 상기 신호 데이터에 기반하여 상기 산업설비의 공정을 결함 상태(fault condition)로 결정하는
    온라인 신호 데이터 검증 장치.
  14. 공간 커널 가중치 계산부에서, 산업설비에 설치된 계측기에 의해 측정되는 신호 데이터의 공간 변화에 기초하여 상기 신호 데이터의 공간 커널 가중치를 계산하는 단계;
    시간 지표 결정부에서, 동적시간워핑(Dynamic Time Warping, DTW)을 통해 상기 신호 데이터의 시간적 변화와 관련된 시간 지표를 결정하는 단계;
    시간 커널 가중치 계산부에서, 상기 결정된 시간 지표에 기초하여 상기 신호 데이터의 시간 커널 가중치를 계산하는 단계 및
    양방향 커널 결정부에서, 상기 계산된 공간 커널 가중치, 상기 계산된 시간 커널 가중치 및 상기 결정된 시간 지표 중 적어도 하나에 기초하여 상기 신호 데이터의 적응형 양방향 커널을 결정하는 단계
    를 포함하는 온라인 신호 데이터 검증 방법.
  15. 제14항에 있어서,
    데이터 산출부에서, 상기 신호 데이터 중 이전 시간에 대응되는 데이터에 기초하는 메모리 행렬(memory matrix)과, 상기 신호 데이터 중 현재 시간에 대응되는 데이터에 기초하는 질의 행렬(query matrix)을 산출하는 단계
    를 더 포함하는 온라인 신호 데이터 검증 방법.
  16. 제14항에 있어서,
    검증부에서, 상기 신호 데이터와 상기 결정된 적응형 양방향 커널을 이용하여 상기 산업설비의 공정 결함을 검증하는 단계
    를 더 포함하는 온라인 신호 데이터 검증 방법.
KR1020200013131A 2020-02-04 2020-02-04 가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법 KR102286814B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200013131A KR102286814B1 (ko) 2020-02-04 2020-02-04 가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200013131A KR102286814B1 (ko) 2020-02-04 2020-02-04 가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR102286814B1 true KR102286814B1 (ko) 2021-08-09

Family

ID=77313089

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200013131A KR102286814B1 (ko) 2020-02-04 2020-02-04 가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102286814B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100867938B1 (ko) 2007-09-27 2008-11-10 한국전력공사 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법
KR20170121717A (ko) 2016-04-25 2017-11-02 제네럴 일렉트릭 컴퍼니 산업 자산 제어 시스템의 도메인 레벨 위협 검출
KR20180115448A (ko) 2017-04-13 2018-10-23 경희대학교 산학협력단 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100867938B1 (ko) 2007-09-27 2008-11-10 한국전력공사 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법
KR20170121717A (ko) 2016-04-25 2017-11-02 제네럴 일렉트릭 컴퍼니 산업 자산 제어 시스템의 도메인 레벨 위협 검출
KR20180115448A (ko) 2017-04-13 2018-10-23 경희대학교 산학협력단 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법

Similar Documents

Publication Publication Date Title
JP4308437B2 (ja) センサの性能確認装置および方法
US6353815B1 (en) Statistically qualified neuro-analytic failure detection method and system
US8311774B2 (en) Robust distance measures for on-line monitoring
Alippi et al. A cognitive fault diagnosis system for distributed sensor networks
US20230152187A1 (en) Fault signal locating and identifying method of industrial equipment based on microphone array
Wang et al. Data-driven sensor fault diagnosis systems for linear feedback control loops
EP3250965B1 (en) Methods and systems for detecting, classifying and/or mitigating sensor error
US20210216609A1 (en) Degradation detection system
CN112187528B (zh) 基于sarima的工业控制系统通信流量在线监测方法
CN114492629A (zh) 异常检测方法、装置、电子设备及存储介质
Alippi et al. An HMM-based change detection method for intelligent embedded sensors
Dietrich et al. Detecting external measurement disturbances based on statistical analysis for smart sensors
CN109990803B (zh) 检测系统异常的方法、装置及传感器处理的方法、装置
KR102286814B1 (ko) 가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법
CN206833239U (zh) 一种基于数据驱动的火电厂控制系统故障检测系统
Chabane et al. Sensor fault detection and diagnosis using zonotopic set-membership estimation
CN116627116A (zh) 一种流程工业故障定位方法、系统及电子设备
Boechat et al. On-line calibration monitoring system based on data-driven model for oil well sensors
Harmouche et al. A theoretical approach for incipient fault severity assessment using the Kullback-Leibler Divergence
CN110045716B (zh) 一种闭环控制系统早期故障检测和诊断方法和系统
Kraemer et al. Sensor fault identification using autoregressive models and the mutual information concept
CN108613695B (zh) 基于ica-sprt的冗余传感器故障检测方法
KR102199695B1 (ko) 가중 거리 자기 연상 양방향 커널 회귀를 이용한 온라인 신호 데이터 검증 장치 및 방법
US20220198279A1 (en) Data-Driven Methodology for Automatic Detection of Data Drift
Klein On the adequate model for aircraft parameter estimation

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant