KR102289212B1 - 인공지능 기반 고장 진단 장치 및 방법 - Google Patents

Abstract

본 발명은 고장 진단 기술에 관한 것으로서, 상세하게는 시간에 따른 주파수 분석을 위한 다양한 웨이블렛 기법을 사용하여 대상물의 센서 데이터로부터 복수의 시간/주파수 영상을 획득하고 복수의 시간/주파수 영상을 딥러닝 기반 모델로 분석하여 대상물의 고장 진단을 수행하는 인공지능 기반 고장 진단 장치 및 방법에 관한 것이다. 이를 위해, 본 발명에 따른 인공지능 기반 고장 진단 장치는 대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 변환부와, 상기 변환부에서 생성된 적어도 2개 이상의 시간 주파수 맵을 결합하여 시간/주파수 결합 맵을 생성하는 결합부와, 딥러닝 기반 모델을 통해 상기 시간/주파수 결합 맵을 분석하여 대상물의 고장 진단 결과를 출력하는 분류부를 포함한다.

Description

인공지능 기반 고장 진단 장치 및 방법{Fault diagnosis apparatus and method based on artificial intelligence technology}

본 발명은 고장 진단 기술에 관한 것으로서, 상세하게는 시간에 따른 주파수 분석을 위한 다양한 웨이블렛 기법을 사용하여 대상물의 센서 데이터로부터 복수의 시간/주파수 영상을 획득하고 복수의 시간/주파수 영상을 딥러닝 기반 모델로 분석하여 대상물의 고장 진단을 수행하는 인공지능 기반 고장 진단 장치 및 방법에 관한 것이다.

딥러닝으로 대표되는 인공지능 기술은 최근 획기적인 발전으로 인해 학계와 산업계를 비롯하여 전 사회적 관심이 집중되고 있다. 제조업에서는 스마트 팩토리 구현의 핵심 기술 중 하나인 인공지능 기술을 상용화하기 위해 많은 노력을 기울이고 있다.

스마트 팩토리는 공장 자동화가 진화한 형태 즉, IoT를 활용한 설비 관리, 설비의 현재 상태 실시간 진단 및 고장을 예측하여 사전 조치가 가능한 기술을 포함한다.

특히 설비의 상태 및 고장 진단은 대량 불량 방지, 안전, 안정적인 조업 조건, 제품 품질 확보를 위한 필수 기술이다. 이러한 기술은 고장 예지 및 건전성 관리 기술(PHM: Prognostics and Health management)의 큰 영역 중 하나이다.

일반적으로 설비의 고장진단을 위한 자동화 시스템의 구성은 다음과 같다.

진동, 변위, 온도, 초음파 등의 다양한 센서로부터 설비의 상태를 나타낼 수 있는 신호를 수집한다. 이러한 신호는 신호분석 PC로 실시간 전송된다. 신호분석 PC에서는 신호처리, 딥러닝 기술을 이용하여 설비의 다양한 상태를 추출하고 고장 여부를 진단한다. 검출된 고장 및 상태 정보는 데이터 서버로 보내지고, 이러한 정보들은 설비에 의해 생산된 제품정보와 함께 데이터 서버에 기록된다.

종래의 고장 진단 방법은 설비의 물리적 모델을 기반으로 하여 정상인지 이상인지 여부를 판단하였다. 하지만 설비의 복잡도가 증가하고 설비 운전 상태가 여러 환경 조건에 따라 변하여 그에 따른 물리 모델이 찾기가 어려워지는 단점이 있었다. 최근에는 물리 모델이 아니라 수집된 데이터를 기반으로 머신러닝 등의 데이터 분석 방법에 따른 접근법이 많이 연구되고 있다.

구체적으로, 대상물에서 발생되는 진동, 변위, 온도, 초음파 등의 신호를 센싱하고 이러한 센싱값을 기반으로 선형 예측 계수를 통한 시계열 분석, 고속 퓨리에 변환을 통한 주파수 분석, 이산 분석을 통해 주파수 대역별 실효값과 분산을 분석한 후 이들의 데이터에 대한 테스팅 및 타당성을 검증한 결과를 멀티레이어 퍼셉트론 네트워크를 통해 분류함으로써 고장 특징이 추출되는 방식이 채택되었다.

그러나 종래 방법은 개발자의 경험에 의해 성능이 좌우될 뿐만 아니라, 검증 대상에 따라 다른 추출 알고리즘을 적용해야 한다는 문제점이 있었다. 아울러 고장 특징 추출을 위해 고속 퓨리에 변환 등의 변환 과정 및 이들의 분산, 평균값 등을 수치화시키기 위한 전처리 과정이 필수적으로 선행되어야 한다는 문제점이 있었다.

한국등록특허 제1818394호

본 발명은 상기와 같은 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 목적은 데이터 수치화를 위한 전처리 과정이 생략될 수 있는 인공지능 기반 고장 진단 장치 및 방법을 제공하는 것이다.

본 발명의 다른 목적은 센싱 데이터에서 시간에 따라 주파수 신호가 변하는 것을 반영하여 설비의 고장 진단 성능을 높일 수 있는 인공지능 기반 고장 진단 장치 및 방법을 제공하는 것이다.

이를 위해, 본 발명에 따른 인공지능 기반 고장 진단 장치는 대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 변환부와, 상기 변환부에서 생성된 적어도 2개 이상의 시간 주파수 맵을 결합하여 시간/주파수 결합 맵을 생성하는 결합부와, 딥러닝 기반 모델을 통해 상기 시간/주파수 결합 맵을 분석하여 대상물의 고장 진단 결과를 출력하는 분류부를 포함한다.

또한, 본 발명에 따른 인공지능 기반 고장 진단 방법은 고장 진단 장치에서 인공지능 기반으로 대상물에 대한 고장 진단을 수행하는 방법으로서, 대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 단계와, 상기 생성된 적어도 2개 이상의 시간 주파수 맵을 결합하여 시간/주파수 결합 맵을 생성하는 단계와, 딥러닝 기반 모델을 통해 상기 시간/주파수 결합 맵을 분석하여 대상물의 고장 진단 결과를 출력하는 단계를 포함한다.

또한, 본 발명에 따른 인공지능 기반 고장 진단 장치는 대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 제1 그룹 시간/주파수 생성 모듈과, 대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 제2 그룹 시간/주파수 생성 모듈과, 상기 제1 그룹 시간/주파수 생성 모듈에서 생성한 적어도 2개 이상의 시간 주파수 맵을 결합하여 제1 시간/주파수 결합 맵을 생성하는 제1 결합부와, 상기 제2 그룹 시간/주파수 생성 모듈에서 생성한 적어도 2개 이상의 시간 주파수 맵을 결합하여 제2 시간/주파수 결합 맵을 생성하는 제2 결합부와, 상기 제1 시간/주파수 결합 맵 및 상기 제2 시간/주파수 맵을 분석하여 대상물의 고장 진단 결과를 출력하는 분류부를 포함한다.

또한, 본 발명에 따른 인공지능 기반 고장 진단 방법은 고장 진단 장치에서 인공지능 기반으로 대상물에 대한 고장 진단을 수행하는 방법으로서, 대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 제1 시간/주파수 생성 단계와, 대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 제2 시간/주파수 생성 단계와, 상기 제1 시간/주파수 생성 단계에서 생성한 적어도 2개 이상의 시간 주파수 맵을 결합하여 제1 시간/주파수 결합 맵을 생성하는 제1 결합 단계와, 상기 제2 시간/주파수 생성 단계에서 생성한 적어도 2개 이상의 시간 주파수 맵을 결합하여 제2 시간/주파수 결합 맵을 생성하는 제2 결합 단계와, 상기 제1 시간/주파수 결합 맵 및 상기 제2 시간/주파수 맵을 분석하여 대상물의 고장 진단 결과를 출력하는 분류 단계를 포함한다.

상술한 바와 같이, 본 발명에 따른 인공지능 기반 고장 진단 기술은 다양한 주파수 맵을 생성하여 딥러닝 기반 모델에서 사용하기 때문에 설비의 고장 진단 성능을 높일 수 있는 효과가 있다.

또한, 본 발명은 2차원 시간/주파수 영상으로 변환된 데이터가 딥러닝 기반 모델의 입력으로 들어가기 때문에 데이터 수치화를 위한 전처리 과정이 필요 없어서 빠른 연산 속도로 고장 진단을 수행할 수 있는 효과가 있다.

본 발명에 따른 딥러닝을 활용한 고장 진단 기술은 다양한 산업 설비의 고장 및 상태 진단의 핵심 기술로 사용될 뿐만 아니라 비파괴 검사와 같은 진단 분야에도 사용 될 수 있다.

또한 스마트 공장(Smart Factory) 구현의 필수기술로 생산 조업 조건에 따른 설비의 상태를 판정하고 설비 상태에 따른 제품의 품질을 예측하여 생산 조건을 최적화하는 기술에도 응용 가능할 것이다.

도 1은 본 발명에 따른 인공지능 기반 고장 진단 장치의 내부 구성을 나타낸 도면.
도 2는 본 발명에 따른 변환부 및 결합부의 내부 구성을 나타낸 도면.
도 3은 본 발명에 따른 분류부의 내부 구성을 나타낸 도면.
도 4는 본 발명의 다른 실시예에 따른 결합부의 내부 구성을 나타낸 도면.
도 5는 본 발명의 다른 실시예에 따른 분류부의 내부 구성을 나타낸 도면.
도 6은 본 발명에 따른 인공지능 기반 고장 진단 방법의 순서도.
도 7은 본 발명의 다른 실시예에 따른 인공지능 기반 고장 진단 방법의 순서도.
도 8은 본 발명에 적용되는 다양한 웨이블렛 변환 방식을 설명하기 위한 도면.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.

그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.

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 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.

또한, 명세서에 기재된 "……부", "…… 모듈" 의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

이하, 도면을 참조로 하여 본 발명의 실시예에 따른 전기각 오차 추정 장치 및 방법 그리고 이를 이용한 인공지능 기반 고장 진단 장치 및 방법에 대하여 상세히 설명한다.

도 1은 본 발명에 따른 인공지능 기반 고장 진단 장치의 내부 구성을 나타낸 것이다.

도 1을 참조하면, 인공지능 기반 고장 진단 장치는 센싱부(10), 변환부(20), 결합부(30), 분류부(40) 등을 포함한다.

센싱부(10)는 설비(공장 설비, 장비)나 대상물(복합재 구조체, 제품)에 설치되어 설비나 대상물의 상태를 나타내는 신호 즉, 센싱 데이터를 출력한다. 센싱부(10)는 진동, 변위, 온도, 초음파 신호 등을 출력할 수 있는 다양한 센서로 구성될 수 있다.

변환부(20)는 센싱 데이터를 시간과 주파수 성분으로 변환하여 이미지 형태로 변환시키는 역할을 수행한다. 즉, 변환부(20)는 센싱 데이터로부터 x축은 시간이고 y축은 주파수인 2차원 시간 주파수 맵을 생성한다.

변환부(20)는 센싱 데이터를 웨이블렛 변환(wavelet transform) 기법을 통해 시간과 주파수 성분으로 변환시키고 변환된 신호를 일정한 시간 동안 누적하여 2차원 시간/주파수 맵을 생성하게 된다.

본 발명의 실시예에서는 도 8에 도시된 바와 같이 종류가 다른 복수 개의 웨이블렛 변환 방식을 사용하여 다양한 시간/주파수 맵을 생성한다. 즉, 변환부(20)는 Haar, Daubehies Symlets, Coiflect 등 다양한 방식으로 웨이블렛 변환을 수행하는 웨이블렛 필터 뱅크(wavelet filter bank)로 구성되어, 웨이블렛 필터 뱅크를 통해 적어도 2개 이상의 시간/주파수 맵을 생성한다.

푸리에 변환(Fourier transform)은 신호가 시간적으로 변하지 않는다는 가정에서 주파수 성분을 표시하는 것으로 특징 분류 및 추출에 한계가 있으나 웨이블렛 변환은 시간(time)에 대하여 대역별 주파수(frequency) 성분이 표현되므로 푸리에 변환의 문제점을 극복할 수 있었다.

웨이블렛 변환에서 낮은 주파수 성분은 높은 주파수 해상도로 표현(저주파 영역에서는 주파수 분해능이 높음)되고, 높은 주파수 성분은 높은 시간 해상도로 표현(고주파수 영역에서는 시간 분해능이 높음)되는 것이 특징이다.

결합부(30)는 변환부(20)에서 생성된 적어도 2개 이상의 시간/주파수 맵을 결합하여 시간/주파수 결합 맵을 생성한다. 즉, 결합부(30)는 적어도 2개 이상의 시간/주파수 맵에 대해 동일한 위치의 픽셀 값을 합산하여 하나의 시간/주파수 결합 맵을 생성한다.

분류부(40)는 결합부(30)에서 생성된 시간/주파수 결합 맵을 딥러닝 기반 모델을 통해 분석하여 대상물의 고장 진단 결과를 출력한다.

분류부(40)에 적용된 딥러닝 모델은 다양한 방식의 웨이블렛 변환에 의해 생성된 복수의 시간/주파수 이미지(맵)이 결합된 데이터를 입력으로 하고 고장의 유무 및 고장의 종류를 출력으로 하는 학습 데이터를 사용하여 사전에 딥러닝 기반으로 학습된 것이다.

이와 같이 본 발명의 실시예에서는 다양한 시간/주파수를 가진 복수의 이미지(맵)를 결합한 데이터를 학습 데이터로 사용하여 딥 러닝을 통한 고장 특징 추출 성능을 높일 수 있다.

도 2는 본 발명에 따른 변환부(20)와 결합부(30)의 내부 구성을 나타낸 것이다.

도 2를 참조하면, 변환부(20)는 복수의 시간/주파수 맵 모듈(21, 22, 23, 24)를 포함하며, 결합부(30)는 가중치 연산부(32) 및 합산부(34)로 구성되어 있다.

변환부(20)를 구성하는 시간/주파수 맵 생성 모듈의 개수는 웨이블렛 필터 뱅크에 의해 결정된다. 도 2에서는 웨이블렛 필터 뱅크에 4개 종류의 웨이블렛 방식이 적용되어서 변환부(20)는 4개의 시간/주파수 맵 생성 모듈로 구성된다.

시간/주파수 맵 모듈(21, 22, 23, 24)에서 각각의 방식에 따fms 시간/주파수 맵이 출력되어 4개의 시간/주파수 맵이 결합부(30)로 입력된다.

결합부(30)에서 먼저 가중치 연산부(32)가 시간/주파수 맵 모듈(21, 22, 23, 24)로부터 생성된 각각의 시간/주파수 맵에 대해 다른 가중치(W)를 곱하여 가중치가 적용된 4개의 시간/주파수 맵을 출력한다.

변환부(20)에서 출력되는 시간/주파수 맵이 m개 일 때 가중치(W)도 m개가 되며 다음과 같이 표현된다. 여기서, 각 시간/주파수 맵에 적용되는 가중치는 분류부(40)의 딥러닝 모델을 학습하는 과정에서 학습을 통해 결정된다.

W = [W1, ... Wm]

가중치 연산부(32)에서 출력된 4개의 시간/주파수 맵은 합산부(34)에 입력되어 하나의 시간/주파수 결합 맵으로 출력된다.

합산부(34)는 가중치가 적용된 4개의 시간/주파수 맵에 대하여 동일한 위치의 픽셀 값을 합산하는 방식으로 모든 픽셀에 대해 합산을 하여 하나의 시간/주파 결합 맵을 생성하여 출력한다.

m개의 시간/주파수 맵(Map_1, Map_2, .... Map_m)에 대해 m개의 가중치(W1, W2, ... Wm)를 사용하여 하나의 시간/주파수 결합 맵을 생성하게 되면 다음과 같이 표현될 수 있다.

Map_new = Map_1 * W1 + Map_2 * W2 + ... + Map_m * Wm

도 3은 본 발명에 따른 분류부(40)의 내부 구성을 나타낸 것이다.

도 3을 참조하면, 분류부(40)는 특징추출 모듈(42)과 심층 신경망(44)으로 구성되어 있다.

특징추출 모듈(42)은 결합부(30)에서 출력된 시간/주파수 결합 맵으로부터 특징 맵(feature map)을 추출한다. 특징추출 모듈(42)은 컨벌루션과 풀링이 반복되는 컨벌루션층(convolution layer)으로 구성되어 시간/주파수 결합 맵의 특징 맵을 생성한다. 본 발명의 실시예에서는 2D 컨벌루션, 배치 정규화(batch normalization), 활성함수(ReLU), 최대풀링(maxpooling) 등이 적용된다.

심층 신경망(44)은 특징추출 모듈(42)에서 출력된 특징 맵에 대해 완전 연결(fully connected)하고 이를 활성함수(예를 들어, sigmoid 함수)에 입력하여 고장 유무와 고장 시의 고장 원인(종류)을 분류한다.

도 4는 본 발명의 다른 실시예에 따른 결합부(30)의 내부 구성을 나타내고, 도 5는 분류부(40)의 내부 구성을 나타낸 것이다.

도 4를 참조하면, 도 2와 다르게 결합부(30)는 2개의 결합부(30-1, 30-2)로 구성되어 2개의 다른 시간/주파수 결합 맵을 출력한다.

제1 결합부(30-1)는 제1 그룹의 시간/주파수 맵 생성 모듈(21, 22)로부터 2개의 시간/주파수 맵을 입력받아, 제1 가중치 연산부(32-1)가 2개의 시간/주파수 맵에 대해 다른 가중치를 곱하고, 제1 합산부(34-1)가 가중치가 적용된 2개의 시간/주파수 맵에 대해 동일한 위치의 픽셀 값을 합산하여 제1 시간/주파수 결합 맵을 생성한다.

마찬가지로 제2 결합부(30-2)는 제2 그룹의 시간/주파수 맵 생성 모듈(23, 24)로부터 2개의 시간/주파수 맵을 입력받아, 제2 가중치 연산부(32-2)가 2개의 시간/주파수 맵에 대해 다른 가중치를 곱하고, 제2 합산부(34-2)가 가중치가 적용된 2개의 시간/주파수 맵에 대해 동일한 위치의 픽셀 값을 합산하여 제2 시간/주파수 결합 맵을 생성한다.

도 5를 참조하면, 분류부(40)는 도 3과 다르게 2개의 특징 추출 모듈(42-1, 42-2)과 결합층(43)을 포함한다.

분류부(40)에 결합부(30)로부터 출력된 2개의 시간/주파수 결합 맵이 입력되면, 제1 특징 추출 모듈(42-1)이 제1 시간/주파수 결합 맵을 입력받아 제1 특징 맵을 출력하고, 제2 특징 추출 모듈(42-2)이 제 2 시간/주파수 결합 맵을 입력받아 제2 특징 맵을 출력한다.

그러면 결합층(concatenated layer)(43)에서 제1 특징 맵과 제2 특징 맵을 픽셀별(pixel-wise) 연산을 통해 결합한다. 이와 같이 결합층(43)을 통해 결합된 특징 맵은 심층 신경망(44)을 통해 분석되어, 심층 신경망(44)의 출력 층에서 고장 유무 및 종류가 출력된다.

도 6은 본 발명에 따른 인공지능 기반 고장 진단 방법의 순서도를 나타낸 것이다.

도 6에 도시된 각 단계는 본 발명에 따른 인공지능 기반 고장 진단 장치에서 수행된다.

먼저, 변환 단계(S10)에서는 설비나 대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성한다.

복수의 시간/주파수 맵이 생성되면, 결합 단계(S20)에서는 적어도 2개 이상의 시간 주파수 맵을 결합하여 하나의 시간/주파수 결합 맵을 생성한다.

복수의 시간/주파수 맵이 하나의 시간/주파수 맵으로 결합되면, 분류 단계(S30)에서는 사전 학습된 딥러닝 기반 모델을 통해 시간/주파수 결합 맵을 분석하여 설비나 대상물의 고장 진단 결과를 출력한다.

도 7은 본 발명의 다른 실시예에 따른 인공지능 기반 고장 진단 방법의 순서도를 나타낸 것이다.

도 7을 참조하면, 도 6과 다르게 시간/주파수 맵의 생성, 시간/주파수 맵의 결합, 특징 맵의 추출 과정이 그룹마다 병렬적으로 수행되고 있다.

우선, 2개의 그룹으로 나뉘어서, 대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 제1 시간/주파수 생성 단계(S12)와, 마찬가지로 대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 제2 시간/주파수 생성 단계가 진행된다.

그러면 제1 시간/주파수 생성 단계(S12)에서 생성한 적어도 2개 이상의 시간 주파수 맵을 결합하여 제1 시간/주파수 결합 맵을 생성하는 제1 결합 단계(S22)와, 제2 시간/주파수 생성 단계(S14)에서 생성한 적어도 2개 이상의 시간 주파수 맵을 결합하여 제2 시간/주파수 결합 맵을 생성하는 제2 결합 단계가 병렬적으로 진행된다.

다음, 제1 시간/주파수 결합 맵으로부터 제1 특징 맵을 추출하는 제1 특징 추출 단계(S32)와, 제2 시간/주파수 맵으로부터 제2 특징 맵을 추출하는 제2 특징 추출 단계(S34)가 병렬적으로 진행된다.

제1 특징 맵과 제2 특징 맵이 추출되면, 두 개의 특징맵을 결합하여 하나의 특징 맵을 출력하는 특징 맵 결합 단계(S36)가 수행된다.

마지막으로, 특징 맵 결합 단계(S36)에서 결합된 특징 맵을 사전 학습된 심층 신경망을 통해 분석하여 대상물의 고장 진단 결과를 출력하는 고장 진단 결과 출력 단계(S38)가 수행된다.

이상의 설명은 본 발명을 예시적으로 설명한 것에 불과하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술적 사상에서 벗어나지 않는 범위에서 다양한 변형이 가능할 것이다.

따라서 본 발명의 명세서에 개시된 실시 예들은 본 발명을 한정하는 것이 아니다. 본 발명의 범위는 아래의 특허청구범위에 의해 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술도 본 발명의 범위에 포함되는 것으로 해석해야 할 것이다.

10: 센싱부 20: 변환부
21, 22, 23, 24: 시간/주파수 맵 생성 모듈
30: 결합부 32: 가중치 연산부
34: 합산부 40: 분류부
42: 특징 추출 모듈 44: 심층 신경망

Claims (16)

1. 대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 변환부와,
   상기 변환부에서 생성된 적어도 2개 이상의 시간 주파수 맵에 대해 동일한 위치의 픽셀 값을 합산하여 하나의 시간/주파수 결합 맵을 생성하는 결합부와,
   딥러닝 기반 모델을 통해 상기 시간/주파수 결합 맵을 분석하여 대상물의 고장 진단 결과를 출력하는 분류부를 포함하는 인공지능 기반 고장 진단 장치.
2. 제1항에 있어서,
   상기 변환부는 적어도 2개 종류 이상의 웨이블렛 변환(wavelet transform) 기법을 이용하여 시간/주파수 맵을 생성하는 것을 특징으로 하는 인공지능 기반 고장 진단 장치.
3. 삭제
4. 제1항에 있어서,
   상기 결합부는 적어도 2개 이상의 시간/주파수 맵에 각각 다른 가중치를 곱하고 가중치가 적용된 적어도 2개 이상의 시간/주파수 맵에 대하여 동일한 위치의 픽셀 값을 합산하여 하나의 시간/주파수 결합 맵을 생성하는 것을 특징으로 하는 인공지능 기반 고장 진단 장치.
5. 제4항에 있어서,
   상기 가중치는 상기 딥러닝 기반 모델을 학습하는 과정에서 결정되는 것을 특징으로 하는 인공지능 기반 고장 진단 장치.
6. 제1항에 있어서,
   상기 분류부는 상기 시간/주파수 결합 맵으로부터 특징 맵을 추출하고 심층 신경망을 통해 특징 맵을 분석하여 대상물의 고장 유무 또는 고장 시의 고장 종류를 출력하는 것을 특징으로 하는 인공지능 기반 고장 진단 장치.
7. 고장 진단 장치에서 인공지능 기반으로 대상물에 대한 고장 진단을 수행하는 방법에 있어서,
   대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 단계와,
   상기 생성된 적어도 2개 이상의 시간 주파수 맵에 대해 동일한 위치의 픽셀 값을 합산하여 하나의 시간/주파수 결합 맵을 생성하는 단계와,
   딥러닝 기반 모델을 통해 상기 시간/주파수 결합 맵을 분석하여 대상물의 고장 진단 결과를 출력하는 단계를 포함하는 인공지능 기반 고장 진단 방법.
8. 제7항에 있어서,
   상기 시간/주파수 맵을 생성하는 단계는 적어도 2개 종류 이상의 웨이블렛 변환(wavelet transform) 기법을 이용하여 시간/주파수 맵을 생성하는 것을 특징으로 하는 인공지능 기반 고장 진단 방법.
9. 삭제
10. 제7항에 있어서,
    상기 시간/주파수 결합 맵을 생성하는 단계는 적어도 2개 이상의 시간/주파수 맵에 각각 다른 가중치를 곱하고 가중치가 적용된 적어도 2개 이상의 시간/주파수 맵에 대하여 동일한 위치의 픽셀 값을 합산하여 하나의 시간/주파수 결합 맵을 생성하는 것을 특징으로 하는 인공지능 기반 고장 진단 방법.
11. 제10항에 있어서,
    상기 가중치는 상기 딥러닝 기반 모델을 학습하는 과정에서 결정되는 것을 특징으로 하는 인공지능 기반 고장 진단 방법.
12. 제7항에 있어서,
    상기 대상물의 고장 진단 결과를 출력하는 단계는 상기 시간/주파수 결합 맵으로부터 특징 맵을 추출하고 심층 신경망을 통해 특징 맵을 분석하여 대상물의 고장 유무 또는 고장 시의 고장 종류를 출력하는 것을 특징으로 하는 인공지능 기반 고장 진단 방법.
13. 대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 제1 그룹 시간/주파수 생성 모듈과,
    대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 제2 그룹 시간/주파수 생성 모듈과,
    상기 제1 그룹 시간/주파수 생성 모듈에서 생성한 적어도 2개 이상의 시간 주파수 맵에 대해 동일한 위치의 픽셀 값을 합산하여 제1 시간/주파수 결합 맵을 생성하는 제1 결합부와,
    상기 제2 그룹 시간/주파수 생성 모듈에서 생성한 적어도 2개 이상의 시간 주파수 맵에 대해 동일한 위치의 픽셀 값을 합산하여 제2 시간/주파수 결합 맵을 생성하는 제2 결합부와,
    상기 제1 시간/주파수 결합 맵 및 상기 제2 시간/주파수 맵을 분석하여 대상물의 고장 진단 결과를 출력하는 분류부를 포함하는 인공지능 기반 고장 진단 장치.
14. 제13항에 있어서,
    상기 분류부는 상기 제1 시간/주파수 결합 맵으로부터 제1 특징 맵을 추출하는 제1 특징 추출 모듈과,
    상기 제2 시간/주파수 맵으로부터 제2 특징 맵을 추출하는 제2 특징 추출 모듈과,
    상기 제1 특징 맵과 제2 특징 맵을 결합하는 결합층과,
    상기 결합층에서 결합된 특징 맵을 분석하여 대상물의 고장 진단 결과를 출력하는 심층 신경망을 포함하는 것을 특징으로 하는 인공지능 기반 고장 진단 장치.
15. 고장 진단 장치에서 인공지능 기반으로 대상물에 대한 고장 진단을 수행하는 방법에 있어서,
    대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 제1 시간/주파수 생성 단계와,
    대상물에 대한 센싱 데이터를 입력 받아 시간과 주파수 성분으로 구성된 적어도 2개 이상의 시간/주파수 맵을 생성하는 제2 시간/주파수 생성 단계와,
    상기 제1 시간/주파수 생성 단계에서 생성한 적어도 2개 이상의 시간 주파수 맵에 대해 동일한 위치의 픽셀 값을 합산하여 제1 시간/주파수 결합 맵을 생성하는 제1 결합 단계와,
    상기 제2 시간/주파수 생성 단계에서 생성한 적어도 2개 이상의 시간 주파수 맵에 대해 동일한 위치의 픽셀 값을 합산하여 제2 시간/주파수 결합 맵을 생성하는 제2 결합 단계와,
    상기 제1 시간/주파수 결합 맵 및 상기 제2 시간/주파수 맵을 분석하여 대상물의 고장 진단 결과를 출력하는 분류 단계를 포함하는 인공지능 기반 고장 진단 방법.
16. 제15항에 있어서,
    상기 분류 단계는 상기 제1 시간/주파수 결합 맵으로부터 제1 특징 맵을 추출하는 제1 특징 추출 단계와,
    상기 제2 시간/주파수 맵으로부터 제2 특징 맵을 추출하는 제2 특징 추출 단계와,
    상기 제1 특징 맵과 제2 특징 맵을 결합하는 특징 맵 결합 단계와,
    상기 특징 맵 결합 단계에서 결합된 특징 맵을 심층 신경망을 통해 분석하여 대상물의 고장 진단 결과를 출력하는 고장 진단 결과 출력 단계를 포함하는 것을 특징으로 하는 인공지능 기반 고장 진단 방법.

Images