KR102325439B1 - Failure Prediction System of Injection Molding Equipment - Google Patents

Failure Prediction System of Injection Molding Equipment Download PDF

Info

Publication number
KR102325439B1
KR102325439B1 KR1020190172349A KR20190172349A KR102325439B1 KR 102325439 B1 KR102325439 B1 KR 102325439B1 KR 1020190172349 A KR1020190172349 A KR 1020190172349A KR 20190172349 A KR20190172349 A KR 20190172349A KR 102325439 B1 KR102325439 B1 KR 102325439B1
Authority
KR
South Korea
Prior art keywords
signal
injection molding
sampling data
information
abnormal signal
Prior art date
Application number
KR1020190172349A
Other languages
Korean (ko)
Other versions
KR20210080010A (en
Inventor
이원근
Original Assignee
주식회사 모빅랩
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 주식회사 모빅랩 filed Critical 주식회사 모빅랩
Priority to KR1020190172349A priority Critical patent/KR102325439B1/en
Publication of KR20210080010A publication Critical patent/KR20210080010A/en
Application granted granted Critical
Publication of KR102325439B1 publication Critical patent/KR102325439B1/en

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17Component parts, details or accessories; Auxiliary operations
    • B29C45/76Measuring, controlling or regulating
    • B29C45/768Detecting defective moulding conditions
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17Component parts, details or accessories; Auxiliary operations
    • B29C45/84Safety devices
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01HMEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

본 발명은 사출 성형 설비 고장 예측 시스템 및 그 방법에 관한 것이다.
본 발명의 일례에 따른 사출 성형 설비의 고장 예측 시스템은 사출 성형 설비에 인접하여 위치하는 감지 센서; 및 상기 음파 신호로부터 추출된 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하고, 이상 신호로 핀별된 이상 신호 판별 정보에 대응되는 샘플링 데이터를 분석하고, 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 고장 예측 정보를 제공하는 서버;를 포함한다.
또한, 발명의 일례에 따른 사출 성형 설비의 고장 예측 방법은 사출 성형 설비로부터 발생되는 음파 신호를 수집하는 단계; 음파 신호가 신호 처리된 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하는 단계; 이상 신호 판별 정보에 대응하는 샘플링 데이터를 입력받아 분석하여, 이상 신호 분석 정보를 출력하는 단계; 및 정상 신호 판별 정보와 상기 이상 신호 분석 정보로부터 상기 사출 성형 설비 고장의 패턴을 분석하는 패턴 분석 단계;를 포함할 수 있다.
The present invention relates to an injection molding equipment failure prediction system and a method therefor.
A failure prediction system of an injection molding facility according to an example of the present invention includes a detection sensor located adjacent to the injection molding facility; And it is determined whether the sampling data extracted from the sound wave signal is a normal signal or an abnormal signal, and analyzes sampling data corresponding to the abnormal signal identification information pinned as an abnormal signal to the normal signal identification information and the abnormal signal analysis information. It includes a; server that provides failure prediction information by analyzing the pattern.
In addition, the failure prediction method of the injection molding equipment according to an example of the invention includes the steps of collecting a sound wave signal generated from the injection molding equipment; Determining whether the sound wave signal signal-processed sampling data is a normal signal or an abnormal signal; receiving and analyzing sampling data corresponding to the abnormal signal determination information, and outputting abnormal signal analysis information; and a pattern analysis step of analyzing the pattern of the failure of the injection molding equipment from the normal signal identification information and the abnormal signal analysis information.

Figure R1020190172349
Figure R1020190172349

Description

사출 성형 설비의 고장 예측 시스템 및 그 방법{Failure Prediction System of Injection Molding Equipment}Failure prediction system and method for injection molding equipment {Failure Prediction System of Injection Molding Equipment}

본 발명은 사출 성형 설비의 고장 예측 시스템 및 그 방법에 관한 것이다. The present invention relates to a failure prediction system and method for injection molding equipment.

보다 구체적으로 본 발명은 사출 성형 설비에서 발생되는 음파 신호를 이용하여 사출 성형 설비에 대한 고장 예측 정보를 제공하는 사출 성형 설비의 고장 예측 시스템 및 그 방법에 관한 것이다.More particularly, the present invention relates to a failure prediction system for an injection molding facility and a method thereof for providing failure prediction information for an injection molding facility using a sound wave signal generated from the injection molding facility.

일반적으로 산업현장에서 안정적이고 연속적으로 운전되어야 하는 설비는 설비라인 자체에 치명적인 손상을 주는 돌발 고장과, 예기치 못한 고장으로 설비라인이 중지되어 이로 인한 생산량 감소를 사전에 미리 방지하기 위해 설비고장을 미리 예측하는 방법이 연구 개발되고 있다.In general, equipment that must be operated stably and continuously in an industrial field must be operated in advance to prevent a sudden failure that causes fatal damage to the equipment line itself, and a reduction in production due to the equipment line being stopped due to an unexpected failure in advance. Prediction methods are being researched and developed.

현재 사용되고 있는 고장 예측방법은 설비의 이상 상태 변화를 감지하고, 이때 나타나는 결함을 검출하여 설비나 부품의 상태를 판정하고 수명을 예측하는 방식을 사용하고 있다.The failure prediction method currently used detects a change in the abnormal state of the equipment, detects the defects that appear at this time, determines the state of the equipment or parts, and predicts the lifespan.

그러나, 종래의 설비의 고장 예측 시스템 내지 방법은 설비의 결함과 관련된 신호를 센싱하는 센서가 설비에 직접 부착되어, 설비의 소리나 진동, 열, 또는 전류 변화를 계측하여 설비의 문제를 탐지하는 것이 대부분이 이었다.However, in the conventional system or method for predicting equipment failure, a sensor for sensing a signal related to a defect in the equipment is directly attached to the equipment, and it is difficult to detect a problem in the equipment by measuring the sound, vibration, heat, or current change of the equipment. Most were.

그러나, 이와 같이 설비에 부착되는 센서의 경우, 설비의 지속적인 진동으로 인하여, 센서의 감지에 방해하는 하나의 요소로 작용하여, 정확한 고장 예측에 문제를 발생시켰다.However, in the case of the sensor attached to the facility as described above, due to the continuous vibration of the facility, it acts as a factor that interferes with the detection of the sensor, causing a problem in accurate failure prediction.

아울러, 설비의 동작 중 소리를 센싱하여, 설비의 문제를 탐지하는 고장 예측 시스템은 가청 주파수 내에서 설비의 이상음을 감지하는 기존의 사례가 있으나, 이와 같은 경우, 설비의 이상음을 가청 주파수 내에서만 감지하여, 고장 예측의 정확성이 떨어지는 문제점이 있다.In addition, there are existing cases in which a failure prediction system that detects a problem in a facility by sensing a sound during operation of a facility detects an abnormal sound of a facility within an audible frequency. There is a problem in that the accuracy of failure prediction is lowered by detecting only the

본 발명은 사출 성형 설비의 고장 예측 시스템 및 그 방법을 제공하는데, 그 목적이 있다. An object of the present invention is to provide a failure prediction system and method for injection molding equipment.

보다 구체적으로 본 발명은 사출 성형 설비에서 발생되는 음파 신호를 이용하여 사출 성형 설비에 대한 고장 예측 정보를 제공하는 사출 성형 설비의 고장 예측 시스템 및 그 방법을 제공하는데, 그 목적이 있다. More specifically, an object of the present invention is to provide a failure prediction system for an injection molding facility and a method therefor for providing failure prediction information for an injection molding facility using a sound wave signal generated from the injection molding facility.

본 발명의 일례에 따른 사출 성형 설비 고장 예측 시스템은 대상 제품을 형성하기 위해 사출 성형 설비의 금형에 구비된 가동부와 고정부에 인접하여 위치하고, 상기 금형의 상기 가동부와 고정부가 서로 결합 또는 이탈하면서 동작할 때, 상기 금형으로부터 발생되는 음파 신호를 수집하는 감지 센서; 상기 음파 신호를 샘플링하고 노이즈를 제거하여 샘플링 데이터를 추출하는 샘플링 데이터 추출기; 상기 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하는 신호 판별기; 상기 복수의 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 상기 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하는 이상 신호 분석기; 및 상기 복수의 판별 정보 중 상기 정상 신호로 판별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 사출 성형 설비에 대한 고장 예측 정보를 제공하는 패턴 분석기;를 포함한다.Injection molding equipment failure prediction system according to an example of the present invention is located adjacent to a movable part and a fixed part provided in a mold of an injection molding equipment to form a target product, and operates while the movable part and the fixed part of the mold are coupled or separated from each other a detection sensor for collecting a sound wave signal generated from the mold; a sampling data extractor that samples the sound wave signal and removes noise to extract sampling data; a signal discriminator that determines whether the sampling data is a normal signal or an abnormal signal to generate a plurality of discrimination information; an abnormal signal analyzer for generating abnormal signal analysis information by analyzing the sampling data corresponding to the abnormal signal identification information determined as an abnormal signal among the plurality of identification information; and a pattern analyzer for providing failure prediction information for the injection molding equipment by analyzing patterns for the normal signal determination information and the abnormal signal analysis information determined as the normal signal among the plurality of pieces of determination information.

상기 고정부는 상기 대상 제품을 형성하기 위한 고정부 인서트 블록과 상기 고정부 인서트 블록의 외측에 구비되어 결합홈을 구비하는 가이드 부쉬를 구비하고, 상기 가동부는 상기 고정부 인서트 블록에 결합될 때, 상기 대상 제품을 형성하기 위한 캐비티를 형성하는 가동부 인서트 블록과 상기 가동부 인서트 블록의 외측에 구비되어 상기 가이드 부시의 결합홈에 삽입되는 가이드 핀을 구비하고, 상기 감지 센서는 상기 가이드 핀과 상기 가이드 부쉬 사이에서 발생되는 음파 신호를 수집할 수 있다.The fixing part includes a fixing part insert block for forming the target product and a guide bush provided on the outside of the fixing part insert block and having a coupling groove, and when the movable part is coupled to the fixing part insert block, the A movable part insert block forming a cavity for forming a target product and a guide pin provided outside the movable part insert block and inserted into the coupling groove of the guide bush, the detection sensor is between the guide pin and the guide bush Acoustic signals generated from the

상기 샘플링 데이터를 저장하는 샘플링 데이터 DB와 상기 샘플링 데이터가 정상 신호 또는 이상 신호로 핀별된 판별 정보를 저장하는 감지된 신호 정보 DB를 구비하는 데이터 베이스부를 더 포함할 수 있다.It may further include a database unit including a sampling data DB for storing the sampling data and a detected signal information DB for storing identification information for each pin of the sampling data as a normal signal or an abnormal signal.

상기 신호 판별기, 상기 이상 신호 분석기 및 상기 패턴 분석기는 하나의 서버에 구비될 수 있다.The signal discriminator, the abnormal signal analyzer, and the pattern analyzer may be provided in one server.

상기 신호 판별기로 입력되는 상기 샘플링 데이터는 미리 결정된 시간 기준으로 세분화된 정보일 수 있다.The sampling data input to the signal discriminator may be information subdivided based on a predetermined time reference.

상기 이상 신호 분석기에서 출력되는 이상 신호 분석 정보는 상기 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 포함할 수 있다.The abnormal signal analysis information output from the abnormal signal analyzer may include values analyzed for the type and degree of abnormality with respect to sampling data corresponding to the abnormal signal determination information.

상기 패턴 분석기는 상기 정상 신호 판별 정보를 상기 감지된 신호 정보 DB로부터 입력받고, 상기 이상 신호 분석 정보를 상기 이상 신호 분석기로부터 입력받아 정보의 패턴을 분석할 수 있다.The pattern analyzer may receive the normal signal identification information from the sensed signal information DB, and receive the abnormal signal analysis information from the abnormal signal analyzer to analyze a pattern of information.

상기 패턴 분석기는 상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하여, 패턴을 분석할 수 있다.The pattern analyzer may analyze the pattern by arranging the normal signal determination information and the abnormal signal analysis information time-series according to the order of time.

상기 감지 센서는 상기 사출 성형 설비로부터 이격될 수 있다.The detection sensor may be spaced apart from the injection molding facility.

상기 감지 센서는 수집된 상기 음파 신호를 디지털 신호로 변환하되, 상기 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz ~ 300KHz 사이일 수 있다.The detection sensor converts the collected sound wave signal into a digital signal, and a sampling rate for converting the digital signal into the digital signal may be between 35KHz and 300KHz.

상기 감지 센서 또는 상기 서버 중 어느 하나는 상기 수집된 음파 신호로부터 20 ~ 100KHz 대역의 신호를 필터링할 수 있다.Any one of the detection sensor or the server may filter the signal in the 20 ~ 100KHz band from the collected sound wave signal.

상기 감지 센서 또는 상기 서버 중 어느 하나는 상기 필터링된 대역의 신호로부터 노이즈를 제거하여 상기 샘플링 데이터를 추출할 수 있다.Either the detection sensor or the server may extract the sampling data by removing noise from the signal of the filtered band.

본 발명의 일례에 따른 사출 성형 설비 고장 예측 방법은 대상 제품을 형성하기 위해 사출 성형 설비의 금형에 구비된 가동부와 고정부가 서로 결합 또는 이탈하면서 동작할 때, 상기 금형으로부터 발생되는 음파 신호를 수집하는 음파 수집 단계; 사출 성형 설비에서 발생되는 음파 신호를 샘플링하고 노이즈를 제거하여 샘플링 데이터를 추출하는 샘플링 데이터 추출 단계; 상기 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하여 판별 정보를 생성하여 저장하는 신호 판별 단계; 상기 판별 정보 중 이상 신호로 핀별된 이상 신호 판별 정보에 대응하는 샘플링 데이터를 입력받아 분석하여, 이상 신호 분석 정보를 출력하는 이상 신호 분석 단계; 및 상기 복수의 판별 정보 중 상기 정상 신호로 핀별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보로부터 상기 사출 성형 설비 고장의 패턴을 분석하는 패턴 분석 단계;를 포함한다.The injection molding equipment failure prediction method according to an example of the present invention collects sound wave signals generated from the mold when the movable part and the fixed part provided in the mold of the injection molding equipment are coupled or separated from each other to form a target product. sound wave collection step; A sampling data extraction step of sampling the sound wave signal generated in the injection molding equipment and removing the noise to extract the sampling data; a signal determination step of determining whether the sampling data is a normal signal or an abnormal signal, generating and storing determination information; an abnormal signal analysis step of receiving, analyzing, and outputting abnormal signal analysis information by receiving and analyzing sampling data corresponding to the abnormal signal identification information pinned as an abnormal signal among the identification information; and a pattern analysis step of analyzing the pattern of the failure of the injection molding equipment from the normal signal identification information pinned as the normal signal among the plurality of identification information and the abnormal signal analysis information.

상기 고정부는 상기 대상 제품을 형성하기 위한 고정부 인서트 블록과 상기 고정부 인서트 블록의 외측에 구비되어 결합홈을 구비하는 가이드 부쉬를 구비하고, 상기 가동부는 상기 고정부 인서트 블록에 결합되어 상기 대상 제품을 형성하기 위한 캐비티를 형성하는 가동부 인서트 블록과 상기 가동부 인서트 블록의 외측에 구비되어 상기 가이드 부시의 결합홈에 삽입되는 가이드 핀을 구비하고, 상기 음파 수집 단계에서는 상기 가이드 핀과 상기 가이드 부쉬에 사이에서 발생되는 음파 신호를 수집할 수 있다.The fixing part includes a fixing part insert block for forming the target product and a guide bush provided on the outside of the fixing part insert block and having a coupling groove, and the movable part is coupled to the fixing part insert block and the target product a movable part insert block forming a cavity for forming a movable part insert block and a guide pin provided outside the movable part insert block and inserted into the coupling groove of the guide bush, in the sound wave collecting step, between the guide pin and the guide bush Acoustic signals generated from the

상기 신호 판별 단계에서는 미리 결정된 시간 기준으로 세분화된 샘플링 데이터가 이용될 수 있다.In the signal determination step, sampling data subdivided based on a predetermined time reference may be used.

상기 이상 신호 분석 정보는 상기 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 포함할 수 있다.The abnormal signal analysis information may include values analyzed for the type and degree of abnormality with respect to sampling data corresponding to the abnormal signal determination information.

상기 패턴 분석 단계는 상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하여, 패턴을 분석할 수 있다.The pattern analysis step may analyze the pattern by arranging the normal signal determination information and the abnormal signal analysis information time-series according to the order of time.

상기 신호 판별 단계 이전에, 상기 수집된 음파 신호를 필터링하여 미리 설정된 대역의 신호를 추출하는 대역 필터링 단계;를 더 포함할 수 있다.The method may further include a band filtering step of extracting a signal of a preset band by filtering the collected sound wave signal before the signal determination step.

상기 음파 수집 단계에서는 수집된 상기 음파 신호를 디지털 신호로 변환하되, 상기 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz ~ 300KHz 사이일 수 있다.In the sound wave collecting step, the collected sound wave signal is converted into a digital signal, and a sampling rate for converting the digital signal into the digital signal may be between 35KHz and 300KHz.

본 발명의 일례에 따른 사출 성형 설비의 고장 예측 시스템 및 그 방법은 사출 성형 설비의 동작 과정에서 발생되는 음파 신호를 이용하여 사출 성형 설비에 대한 고장 예측 정보를 제공함으로써, 사용자가 공장 내의 사출 성형 설비에 대해 신속한 대응을 하도록 안내할 수 있고, 이로 인하여 공장의 가동 중단에 따른 손해 비용을 최소화하도록 할 수 있다. A failure prediction system and method of an injection molding facility according to an example of the present invention provide failure prediction information for an injection molding facility using a sound wave signal generated during the operation of the injection molding facility, so that a user can use the injection molding facility in the factory It can guide you to respond quickly to

도 1은 본 발명의 일례에 따른 사출 성형 설비의 고장 예측 시스템의 개요를 설명하기 위한 도이다.
도 2는 도 1에 도시된 감지 센서가 센싱하는 사출 성형 설비의 일례에 대해 설명하기 위한 도이다.
도 3는 도 1에 도시된 감지 센서(100)의 일례에 대해 설명하기 위한 도이다.
도 4은 도 1에 도시된 서버(200)의 일례에 서버(200)의 일례에 대해 설명하기 위한 도이다.
도 5 내지 도 7은 본 발명의 일례에 따른 사출 성형 설비의 고장 예측 방법의 일례를 설명하기 위한 도이다.
도 8은 본 발명의 일례에 따른 사출 성형 설비의 고장 예측 시스템이 제공하는 고장 예측 정보의 일례를 설명하기 위한 도이다.
1 is a diagram for explaining the outline of a failure prediction system of an injection molding equipment according to an example of the present invention.
FIG. 2 is a diagram for explaining an example of an injection molding facility sensed by the sensor shown in FIG. 1 .
FIG. 3 is a diagram for explaining an example of the detection sensor 100 shown in FIG. 1 .
FIG. 4 is a diagram for explaining an example of the server 200 in an example of the server 200 shown in FIG. 1 .
5 to 7 are diagrams for explaining an example of a failure prediction method of an injection molding equipment according to an example of the present invention.
8 is a view for explaining an example of the failure prediction information provided by the failure prediction system of the injection molding equipment according to an example of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 본 발명을 설명하는데 있어서, 해당 분야에 이미 공지된 기술 또는 구성에 대한 구체적인 설명을 부가하는 것이 본 발명의 요지를 불분명하게 할 수 있다고 판단되는 경우에는 상세한 설명에서 이를 일부 생략하도록 한다. 또한, 본 명세서에서 사용되는 용어들은 본 발명의 실시예들을 적절히 표현하기 위해 사용된 용어들로서, 이는 해당 분야의 관련된 사람 또는 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. In describing the present invention, if it is determined that adding a detailed description of a technique or configuration already known in the relevant field may make the gist of the present invention unclear, some of these will be omitted from the detailed description. In addition, the terms used in this specification are terms used to properly express the embodiments of the present invention, which may vary according to a person or custom in the relevant field. Accordingly, definitions of these terms should be made based on the content throughout this specification.

이하, 첨부된 도면을 참조하여 본 발명에 따른 사출 성형 설비의 고장 예측 시스템 및 사출 성형 설비 고장 예측 방법에 대해서 설명한다.Hereinafter, a failure prediction system and an injection molding equipment failure prediction method according to the present invention will be described with reference to the accompanying drawings.

도 1은 본 발명의 일례에 따른 사출 성형 설비 고장 예측 시스템의 개요를 설명하기 위한 도이다.1 is a view for explaining the outline of the injection molding equipment failure prediction system according to an example of the present invention.

제조 현장에서 사출 성형 설비(10)의 결함이나 손상이 발생할 경우, 사출 성형 설비(10)의 가동 중단을 야기할 수 있으며 이로 인해 발생하는 경제적 피해의 규모는 막대하기 때문에 고장이 발생하기 전에 조치를 취하는 것이 비용 절감을 위해 매우 중요하게 인식되어 있다.If a defect or damage to the injection molding equipment 10 occurs at the manufacturing site, it may cause the operation of the injection molding equipment 10 to stop, and the economic damage caused by this may be enormous, so measures should be taken before the failure occurs. It is recognized as very important for cost reduction.

사출 성형 설비 고장 예측이란 사출 성형 설비(10)의 상태를 실시간으로 진단하여 이상 상태를 조기에 발견하고 미래에 발생할 고장까지 미리 예측하여 적절한 조치를 취할 수 있게 하는 기술로 사출 성형 설비(10)의 안정성을 높일 수 있다.Injection molding equipment failure prediction is a technology that diagnoses the state of the injection molding equipment 10 in real time to detect abnormal conditions early, predicts failures that will occur in the future, and takes appropriate measures. stability can be improved.

최근에는 이와 같은 사출 성형 설비 고장 예측을 적용하고자 하는 산업 분야도 확대되고 있는 추세이며, 사출 성형 설비 고장 예측은 생산 매출에 크게 기여될 것으로 전망된다.Recently, the industrial field to apply such injection molding equipment failure prediction is also expanding, and the injection molding equipment failure prediction is expected to significantly contribute to production sales.

이를 위해, 본 발명의 일례에 따른 사출 성형 설비 고장 예측 시스템은 도 1에 도시된 바와 같이, 사출 성형 설비 고장 예측을 위해 필요한 감지 센서(100)와 서버(200)를 포함할 수 있다.To this end, the injection molding equipment failure prediction system according to an example of the present invention may include the detection sensor 100 and the server 200 necessary for the injection molding equipment failure prediction, as shown in FIG. 1 .

감지 센서(100)는 사출 성형 설비(10)에 인접하여 위치하되, 사출 성형 설비(10)로부터 물리적으로 이격되어 위치할 수 있고, 상기 사출 성형 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집할 수 있다. The detection sensor 100 is located adjacent to the injection molding facility 10, but may be physically spaced apart from the injection molding facility 10, and a sound wave from the sound generated when the injection molding facility 10 operates signals can be collected.

이와 같은 본 발명의 일례에 따른 감지 센서(100)는 음파 신호를 수집하기 때문에 사출 성형 설비(10)에 직접적인 접촉을 하지 않아도 되며 사출 성형 설비(10) 작동 중 발생하는 충격이 제품에 전달되지 않아 상대적으로 내구성을 보다 향상시킬 수 있다.Since the detection sensor 100 according to an example of the present invention collects sound wave signals, there is no need to directly contact the injection molding facility 10 and the impact generated during the operation of the injection molding facility 10 is not transmitted to the product. Relatively, durability can be further improved.

음파 신호가 신호 처리되어 샘플링되고 미리 설정된 대역의 신호로 필터링되고, 노이즈 제거된 샘플링 데이터에 대해, 서버(200)는 정상 신호인지 이상 신호인지 판별하고, 이상 신호로 판별된 이상 신호 판별 정보에 대한 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하고, 이상 신호 분석 정보의 시계열적 패턴을 분석하여 상기 사출 성형 설비(10)에 대한 고장 예측 정보를 제공할 수 있다. The sound wave signal is signal-processed, sampled, filtered with a signal of a preset band, and with respect to the noise-removed sampled data, the server 200 determines whether a normal signal or an abnormal signal, and the abnormal signal determination information determined as an abnormal signal It is possible to generate abnormal signal analysis information by analyzing sampling data, and to provide failure prediction information for the injection molding equipment 10 by analyzing a time-series pattern of the abnormal signal analysis information.

이를 위해, 서버(200)는 (1) 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하여, (2) 복수의 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대해 분석된 이상 신호 분석 정보를 생성하고, (3) 복수의 판별 정보 중 상기 정상 신호로 판별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 사출 성형 설비에 대한 고장 예측 정보를 관리자에게 제공하여 사출 성형 설비(10)가 완전히 고장 나기 전에 미리 조치할 수 있도록 할 수 있다.To this end, the server 200 (1) generates a plurality of determination information by determining whether the sampling data is a normal signal or an abnormal signal, (2) to the abnormal signal determination information determined as an abnormal signal among the plurality of determination information The injection molding equipment generates abnormal signal analysis information analyzed for the corresponding sampling data, and (3) analyzes patterns for the normal signal identification information determined as the normal signal among a plurality of identification information and the abnormal signal analysis information. It is possible to provide the manager with the failure prediction information for the injection molding equipment 10 so that it can be taken in advance before the complete failure.

이와 같은 본 발명의 일례에 따른 사출 성형 설비 고장 예측 시스템은 일반적인 기계 사출 성형 설비(10)의 경우 물리적 고장 발생시 고장 부분뿐만 아니라 연결된 부분의 손상까지 동반하므로 사전 조치를 통해 수리비용 절감 효과를 기대할 수 있다.As such, the injection molding equipment failure prediction system according to an example of the present invention accompanies not only the failure part but also damage to the connected part when a physical failure occurs in the case of the general machine injection molding equipment 10, so it is possible to expect the effect of reducing repair costs through preliminary measures. have.

또한, 본 발명의 일례에 따른 사출 성형 설비 고장 예측 시스템은 사출 성형 설비(10)의 고장 발생 시, 고장 사출 성형 설비(10)의 수리에 상당한 시간이 소요되기 때문에 사전 조치를 통해 사출 성형 설비(10)의 고장을 예방하여 가동률이 저하되는 상황을 차단할 수 있으므로 제품 생산성 향상 효과를 기대할 수 있다.In addition, in the injection molding equipment failure prediction system according to an example of the present invention, when the failure of the injection molding equipment 10 occurs, since it takes a considerable time to repair the failure injection molding equipment 10, the injection molding equipment ( 10), it is possible to prevent a situation in which the operation rate is lowered by preventing the failure of the product, so the effect of improving product productivity can be expected.

아울러, 본 발명의 일례에 따른 사출 성형 설비 고장 예측 시스템은 사출 성형 설비 고장 예측을 통해 사출 성형 설비(10)의 이상 상태에 대한 사전 조치가 가능하여 사출 성형 설비(10) 고장의 전조 증상 중 하나인 제품 품질 저하를 예방할 수 있어 생산 제품의 품질 유지 및 향상을 기대할 수 있다.In addition, the injection molding equipment failure prediction system according to an example of the present invention is one of the precursor symptoms of the failure of the injection molding equipment 10 because it is possible to take a preliminary action on the abnormal state of the injection molding equipment 10 through the injection molding equipment failure prediction. It is possible to prevent deterioration of phosphorus product quality, so it can be expected to maintain and improve the quality of manufactured products.

이와 같은 사출 성형 설비 고장 예측 시스템에서는 미세한 감지를 위해 미리 설정된 대역에 대해 측정 가능한 고감도 오디오 카드가 감지 센서(100)에 포함될 수 있다.In such an injection molding equipment failure prediction system, a high-sensitivity audio card capable of measuring a preset band for fine detection may be included in the detection sensor 100 .

또한, 효율적인 데이터 분석을 위해, 음파 신호를 분석하기 이전에 공장 환경의 노이즈가 제거된 샘플링 데이터가 추출될 수 있으며, 추출된 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하기 위하여 머신 런닝(Machine learning)이 적용될 수 있다.In addition, for efficient data analysis, the sampling data from which the noise of the factory environment is removed before analyzing the sound wave signal may be extracted, and machine learning is used to determine whether the extracted sampling data is a normal signal or an abnormal signal. This can be applied.

아울러, 샘플링 데이터가 이상 신호인 것으로 판별된 경우, 해당 이상 신호에 대한 로우 데이터(low data)인 샘플링 데이터를 이용하여 딥러닝 알고리즘(Deep learning algorithm)이 적용되어, 보다 정확하고 효율적으로 이상 신호를 발생시키는 사출 성형 설비의 이상 유형의 종류와 정도에 대한 이상 신호 분석 정보를 제공할 수 있다.In addition, when it is determined that the sampling data is an abnormal signal, a deep learning algorithm is applied using the sampling data, which is the low data for the corresponding abnormal signal, to more accurately and efficiently detect the abnormal signal. It is possible to provide anomaly signal analysis information about the type and degree of anomaly type of injection molding equipment that is generated.

더불어, 상기 복수의 판별 정보 중 상기 정상 신호로 핀별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 이용하여, 서버 내에 미리 설치된 패턴 분석 프로그램을 실행하여, 사출 성형 설비에 대한 고장 예측 정보를 제공할 수 있다.In addition, by using the normal signal identification information and the abnormal signal analysis information pinned as the normal signal among the plurality of identification information, the pattern analysis program installed in the server is executed in advance to provide failure prediction information for the injection molding equipment. can

도 2는 도 1에 도시된 감지 센서가 센싱하는 사출 성형기의 일례에 대해 설명하기 위한 도이다.FIG. 2 is a diagram for explaining an example of an injection molding machine sensed by the sensor shown in FIG. 1 .

도 2에 도시된 바와 같이, 본 발명의 일례에 따른 사출 성형 설비 고장 예측 시스템이 적용되는 사출 성형 설비는 노즐(11)을 포함하는 사출기와 금형(12+13)을 포함할 수 있다.As shown in FIG. 2 , the injection molding equipment to which the injection molding equipment failure prediction system according to an example of the present invention is applied may include an injection molding machine including a nozzle 11 and a mold 12 + 13 .

사출기는 대상 제품(19)의 몸체를 형성하기 위한 재질, 일례로 함성 수지 재질이 노즐(11)을 통하여 금형(12+13)으로 공급될 수 있다.In the injection machine, a material for forming the body of the target product 19 , for example, a resin-containing material, may be supplied to the mold 12+13 through the nozzle 11 .

금형(12+13)은 고정부(12)와 가동부(13)를 구비할 수 있다. The mold 12+13 may include a fixed part 12 and a movable part 13 .

고정부(12)는 대상 제품(19)을 형성하기 위한 고정부 인서트 블록(14)과 고정부 인서트 블록(14)의 외측에 구비되어 결합홈을 구비하는 가이드 부쉬(18)를 구비할 수 있다. 사출기의 노즐은 금형(12+13)의 고정부(12)에 구비된 고정부(12) 설치판에 결합될 수 있다.The fixing part 12 is provided on the outside of the fixing part insert block 14 and the fixing part insert block 14 for forming the target product 19 and may include a guide bush 18 having a coupling groove. . The nozzle of the injection machine may be coupled to the fixing part 12 mounting plate provided in the fixing part 12 of the mold 12+13.

가동부(13)는 고정부 인서트 블록(14)에 결합될 때, 대상 제품(19)을 형성하기 위한 빈공간인 캐비티를 형성하는 가동부 인서트 블록(15)과 가동부 인서트 블록(15)의 외측에 구비되어 가이드 부쉬(18)의 결합홈에 삽입되는 가이드 핀(17)을 구비할 수 있다.The movable part 13 is provided on the outside of the movable part insert block 15 and the movable part insert block 15 that form a cavity, which is an empty space for forming the target product 19, when coupled to the fixed insert block 14. It may be provided with a guide pin 17 inserted into the coupling groove of the guide bush (18).

대상 제품(19)을 형성하기 위해, 고정부(12)와 가동부(13)는 서로 화살표 방향으로 결합되었을 때, 고정부 인서트 블록(14)과 가동부 인서트 블록(15)은 서로 결합 또는 접합되어 캐비티를 형성하고, 캐비티로 사출기로부터 공급되는 대상 제품(19)의 재질이 채워진 후, 대상 제품(19)의 재질이 냉각 및 경화될 수 있다.In order to form the target product 19, when the fixed part 12 and the movable part 13 are coupled to each other in the direction of the arrow, the stationary part insert block 14 and the movable part insert block 15 are coupled or joined to each other to form a cavity After forming and filling the cavity with the material of the target product 19 supplied from the injection machine, the material of the target product 19 may be cooled and hardened.

대상 제품(19)이 냉각 및 경화된 후, 고정부(12)와 가동부(13)가 서로 이탈되면서 이격되어, 대상 제품(19)이 금형(12+13)으로부터 분리될 수 있다.After the target product 19 is cooled and cured, the fixed part 12 and the movable part 13 are separated from each other and spaced apart, so that the target product 19 may be separated from the mold 12+13.

이와 같이, 고정부(12)와 가동부(13)가 서로 결합되거나 이탈될 때, 캐비티를 형성하는 고정부 인서트 블록(14)과 가동부 인서트 블록(15)이 서로 결합되거나 이격될 수 있다.As such, when the fixed portion 12 and the movable portion 13 are coupled or separated from each other, the fixed insert block 14 and the movable insert block 15 forming the cavity may be coupled or separated from each other.

이때, 고정부 인서트 블록(14)과 가동부 인서트 블록(15)이 정확하게 결합되도록 하기 위해 가이드 핀(17)은 가이드 부쉬(18)에 삽입되어 화살표 방향으로 왕복 운동을 수행할 수 있다.At this time, the guide pin 17 may be inserted into the guide bush 18 to perform a reciprocating motion in the direction of the arrow so that the fixed insert block 14 and the movable insert block 15 are accurately coupled.

이때, 가이드 핀(17)은 가이드 부쉬(18)의 결합홈 내부를 따라 왕복 운동을 수행하면서 소리를 발생시킬 수 있다.At this time, the guide pin 17 may generate a sound while performing a reciprocating motion along the inside of the coupling groove of the guide bush 18 .

감지 센서(100)는 이와 같은 금형(12+13)에 인접하되, 이격되어 설치될 수 있으며, 가이드 핀(17)과 가이드 부쉬(18) 사이에서 발생되는 음파 신호를 센싱할 수 있다.The detection sensor 100 is adjacent to the mold 12 + 13 , but may be installed to be spaced apart, and may sense a sound wave signal generated between the guide pin 17 and the guide bush 18 .

이하에서는 이와 같은 본 발명의 일례에 적용되는 감지 센서(100)와 서버(200)의 구성에 대해 보다 구체적으로 설명한다.Hereinafter, the configuration of the detection sensor 100 and the server 200 applied to an example of the present invention will be described in more detail.

도 3는 도 1에 도시된 감지 센서(100)의 일례에 대해 설명하기 위한 도이고, 도 4은 도 1에 도시된 서버(200)의 일례에 서버(200)의 일례에 대해 설명하기 위한 도이다.3 is a diagram for explaining an example of the detection sensor 100 shown in FIG. 1, FIG. 4 is a diagram for explaining an example of the server 200 to an example of the server 200 shown in FIG. am.

도 3 및 도 4에서는 감지 센서(100)가 대역 필터링 모듈(130)을 구비하고, 서버(200)는 대역 필터링 모듈(130)을 구비하지 않는 경우를 일례로 도시하였으나, 본 발명은 반드시 이에 한정되는 것은 아니고, 도 3 및 도 4과 다르게 대역 필터링 모듈(130)은 감시 센서가 아닌 서버(200)에 구비되는 것도 가능하다.3 and 4 illustrate a case in which the detection sensor 100 includes the band filtering module 130 and the server 200 does not include the band filtering module 130 as an example, but the present invention is limited thereto. Unlike FIGS. 3 and 4 , the band filtering module 130 may be provided in the server 200 rather than the monitoring sensor.

다만, 이하에서는 설명의 편의상 도 3 및 도 4에 도시된 바와 같이, 감지 센서(100)가 대역 필터링 모듈(130)을 구비하고, 서버(200)는 대역 필터링 모듈(130)을 구비하지 않는 경우를 일례로 설명한다.However, hereinafter, for convenience of explanation, as shown in FIGS. 3 and 4 , when the detection sensor 100 includes the band filtering module 130 and the server 200 does not include the band filtering module 130 . is described as an example.

또한, 도 3 및 도 4에서는 서버(200)가 샘플링 데이터 추출기(213)을 구비하고, 감지 센서(100)는 샘플링 데이터 추출기(213)을 구비하지 않는 경우를 일례로 도시하였으나, 본 발명이 반드시 이에 한정되는 것은 아니고, 도 3 및 도 4과 다르게, 감지 센서(100)가 샘플링 데이터 추출기(213)을 구비하고, 서버(200)가 샘플링 데이터 추출기(213)을 구비하지 않는 경우도 가능하다.In addition, in FIGS. 3 and 4 , the server 200 includes the sampling data extractor 213 and the detection sensor 100 does not include the sampling data extractor 213 as an example, but the present invention is necessarily The present invention is not limited thereto, and unlike FIGS. 3 and 4 , the detection sensor 100 includes the sampling data extractor 213 and the server 200 does not include the sampling data extractor 213 .

다만, 이하에서는 설명의 편의상 도 3 및 도 4에 도시된 바와 같이, 서버(200)가 샘플링 데이터 추출기(213)을 구비하고, 감지 센서(100)는 샘플링 데이터 추출기(213)을 구비하지 않는 경우를 일례로 설명한다.However, hereinafter, for convenience of explanation, as shown in FIGS. 3 and 4 , the server 200 includes the sampling data extractor 213 , and the detection sensor 100 does not include the sampling data extractor 213 . is described as an example.

또한, 도 4에서는 신호 판별기(214), 이상 신호 분석기(215) 및 패턴 분석기(216)가 하나의 서버에 구비된 경우를 일례로 도시하였으나, 본 발명이 반드시 이에 한정되는 것은 아니고, 신호 판별기(214), 이상 신호 분석기(215) 및 패턴 분석기(216) 각각은 서로 이격되어 서로 다른 서버에 구비되는 것도 가능하다. In addition, although the signal discriminator 214, the abnormal signal analyzer 215, and the pattern analyzer 216 are provided in one server as an example in FIG. 4, the present invention is not necessarily limited thereto, and the signal discrimination The group 214, the abnormal signal analyzer 215, and the pattern analyzer 216 are each spaced apart from each other and it is also possible to be provided in different servers.

감지 센서(100)는 사출 성형 설비(10)가 동작할 때, 사출 성형 설비(10)에서 발생되는 소리로부터 음파 신호를 수집하기 위해, 센싱부(110), 샘플링부(120), 대역 필터링 모듈(130) 및 통신부(140)를 포함할 수 있다.The detection sensor 100 includes a sensing unit 110 , a sampling unit 120 , and a band filtering module to collect a sound wave signal from a sound generated by the injection molding facility 10 when the injection molding facility 10 operates. 130 and the communication unit 140 may be included.

센싱부(110)는 사출 성형 설비(10)와 물리적으로 이격된 상태에서 사출 성형 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집할 수 있다. 일례로, 센싱부(110)에는 MEMS 마이크로 회로가 구비될 수 있다. The sensing unit 110 may collect a sound wave signal from a sound generated when the injection molding facility 10 is physically separated from the injection molding facility 10 . For example, the sensing unit 110 may include a MEMS microcircuit.

센싱부(110)는 가이드 핀(17)과 가이드 부쉬(18) 사이에서 발생되는 음파 신호를 수집할 수 있다.The sensing unit 110 may collect a sound wave signal generated between the guide pin 17 and the guide bush 18 .

샘플링부(120)는 센싱부(110)에서 아나로그 신호 형태로 수집된 음파 신호를 디지털 신호로 변환하는 역할을 할 수 있으며, 고감도 측정 및 분석이 가능하도록 하기 위하여, 별도의 필터와 증폭 회로를 구비하여, 디지털 신호로 변환하기 위한 샘플링비(sampling rate)를 35KHz 보다 높게 할 수 있다. The sampling unit 120 may serve to convert the sound wave signal collected in the form of an analog signal by the sensing unit 110 into a digital signal, and in order to enable high-sensitivity measurement and analysis, a separate filter and amplification circuit are installed. provided, a sampling rate for converting to a digital signal can be made higher than 35 KHz.

일례로, 상기 샘플링비는 35KHz ~ 300KHz 사이일 수 있으며, 바람직하게는 100KHz ~ 300KHz, 보다 바람직하게는 190KHz ~ 300KHz 사이일 수 있다.For example, the sampling rate may be between 35KHz and 300KHz, preferably between 100KHz and 300KHz, and more preferably between 190KHz and 300KHz.

대역 필터링 모듈(130)은 고감도로 샘플링된 디지털 음파 신호로부터 미리 설정된 대역의 신호를 필터링하여 추출할 수 있다. 일례로, 대역 필터링 모듈(130)은 사출 성형 설비의 가이드 핀(17)과 가이드 부쉬(18) 사이에서 발생되는 음파 대역인 20 ~ 100KHz 대역의 신호를 필터링할 수 있다.The band filtering module 130 may filter and extract a signal of a preset band from the digital sound wave signal sampled with high sensitivity. For example, the band filtering module 130 may filter a signal in a band of 20 to 100 KHz, which is a sound wave band generated between the guide pin 17 and the guide bush 18 of the injection molding equipment.

통신부(140)는 감지 센서(100)에서 수집된 음파 신호를 무선 또는 유선을 통하여 서버(200)로 전송할 수 있다. 도 1에서는 감지 센서(100)와 서버(200)가 유선으로 연결된 경우를 일례로 도시하였으나, 본 발명은 반드시 이에 한정되는 것은 아니고, 감지 센서(100)가 서버(200)가 인터넷 망을 통하여 무선으로 연동되는 것도 가능하다.The communication unit 140 may transmit the sound wave signal collected by the detection sensor 100 to the server 200 through a wireless or wired connection. 1 illustrates a case in which the detection sensor 100 and the server 200 are connected by wire as an example, the present invention is not necessarily limited thereto, and the detection sensor 100 is connected to the server 200 wirelessly through the Internet network. It is also possible to link with

서버(200)는 도 4에 도시된 바와 같이, 제어부(210)와 데이터 베이스부(220)를 포함할 수 있다.As shown in FIG. 4 , the server 200 may include a control unit 210 and a database unit 220 .

데이터 베이스부(220)는 샘플링 데이터를 저장하고, 샘플링 데이터에 대해 신호 판별을 수행하여, 정상 신호인지 이상 신호인지 판별된 데이터 정보인 판별 정보가 저장될 수 있다.The database unit 220 may store the sampling data, perform signal determination on the sampled data, and may store determination information, which is data information for determining whether a signal is a normal signal or an abnormal signal.

이를 위해, 데이터 베이스부(220)는 타겟 신호에 대한 로우 데이터(low-data) 형태를 갖는 샘플링 데이터가 저장되는 샘플링 데이터 DB(221)와 샘플링 데이터에 대해 신호 판별이 수행되어 생성된 판별 정보가 저장되는 감지된 신호 정보 DB(223)를 포함할 수 있다.To this end, the database unit 220 includes a sampling data DB 221 in which sampling data having a low-data form for a target signal is stored, and determination information generated by performing signal determination on the sampling data. The stored sensed signal information DB 223 may be included.

여기서, 데이터 베이스부(220)에 저장되는 샘플링 데이터는 아나로그 신호가 샘플링(sampling)되어 디지털 신호로 변환된 신호에 대해, 미리 결정된 시간 기준 동안의 로우 데이터(low-data) 형태를 가질 수 있다.Here, the sampling data stored in the database unit 220 may have a low-data form for a predetermined time reference for a signal converted into a digital signal by sampling an analog signal. .

이와 같은 각각의 샘플링 데이터는 미리 결정된 시간 기준으로 세분화되어 저장될 수 있다. 일례로, 세분화된 시간 기준이 0.5msec 단위로 결정된 경우, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터는 0.5msec의 시간 길이를 가질 수 있으며, 세분화된 시간 기준이 1초인 경우, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터는 1초의 시간 길이를 가질 수 있다. Each of such sampling data may be subdivided and stored according to a predetermined time reference. For example, when the subdivided time reference is determined in units of 0.5 msec, the sampling data stored in the sampling data DB 221 may have a time length of 0.5 msec, and when the subdivided time standard is 1 second, the sampling data DB 221 ) stored in the sampling data may have a time length of 1 second.

이와 같이, 샘플링 데이터 DB(221)에 저장되는 샘플링 데이터는 미리 결정된 시간 기준 동안 해당 신호의 파형에 대한 정보와 샘플링 데이터에 대한 시간 정보를 포함할 수 있다.As described above, the sampling data stored in the sampling data DB 221 may include information about a waveform of a corresponding signal and time information about the sampling data for a predetermined time reference.

이와 같이, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터의 시간 길이는 서버에 미리 설정될 수 있으며, 최적화를 위해 따라 서버 관리자에 의해 얼마든지 변경될 수 있다.In this way, the length of time of the sampling data stored in the sampling data DB 221 may be preset in the server, and may be freely changed by the server administrator for optimization.

이와 같은 샘플링 데이터 DB(221)는 신호 판별을 위해 초기에 샘플링 데이터의 트레이닝(training)과 테스트(test)에 이용될 수 있을 뿐만 아니라, 사출 성형 설비 고장 예측 시스템이 초기 이후 동작하는 내내 사용 가능하고, 샘플링 데이터의 이상 신호 여부를 판별하는데 이용될 수 있다.Such sampling data DB 221 can be used for training and testing of sampling data initially for signal discrimination, and can be used throughout the operation of the injection molding equipment failure prediction system after the initial operation. , can be used to determine whether the sampling data is an abnormal signal.

감지된 신호 정보 DB(223)는 샘플링 데이터 DB(221)에 있는 샘플링 데이터에 대해 신호 판별을 수행한 판별 정보가 저장될 수 있다.The sensed signal information DB 223 may store determination information obtained by performing signal determination on the sampling data in the sampling data DB 221 .

이와 같은 판별 정보는 샘플링 데이터 DB(221)에 저장된 복수의 샘플링 데이터 각각에 대해 신호 판별된 정보이므로, 각각의 판별 정보에는 해당되는 샘플링 데이터가 정상 신호인지 또는 이상 신호인지에 대한 판별 정보와, 샘플링 데이터 자체에 대한 식별 정보 또는 시간 정보가 포함될 수 있다.Since such determination information is signal-determined information for each of the plurality of sampling data stored in the sampling data DB 221 , each determination information includes determination information on whether the corresponding sampling data is a normal signal or an abnormal signal, and sampling Identification information or time information about the data itself may be included.

일례로, 샘플링 데이터가 정상 신호로 판별된 경우, 해당 샘플링 데이터에 대해 정상 신호로 판별한 정상 신호 판별 정보가 저장될 수 있으며, 샘플링 데이터가 이상 신호로 판별된 경우, 해당 샘플링 데이터에 대해 이상 신호로 판별한 이상 신호 판별 정보가 저장될 수 있다.For example, when the sampling data is determined as a normal signal, normal signal determination information determined as a normal signal for the sampling data may be stored, and when the sampling data is determined as an abnormal signal, an abnormal signal for the corresponding sampling data Anomaly signal determination information determined as ? may be stored.

따라서, 감지된 신호 정보 DB(223)에 저장되는 정상 신호 판별 정보의 개수와 이상 신호 판별 정보의 총 개수의 합은 샘플링 데이터 DB(221)에 저장된 샘플링 데이터의 총 개수의 합과 같을 수 있고, 각각의 정상 신호 판별 정보와 이상 신호 판별 정보는 샘플링 데이터 각각과 매칭될 수 있다.Therefore, the sum of the number of normal signal identification information stored in the sensed signal information DB 223 and the total number of abnormal signal identification information may be equal to the sum of the total number of sampling data stored in the sampling data DB 221, Each of the normal signal identification information and the abnormal signal identification information may be matched with each of the sampling data.

따라서, 서버가 감지된 신호 정보 DB(223)에서 어떤 하나의 이상 신호 판별 정보를 선택하는 경우, 해당 이상 신호 판별 정보에 대한 로우 데이터 형태를 갖는 샘플링 데이터도 샘플링 데이터 DB(221)에서 선택할 수 있다.Therefore, when the server selects any one abnormal signal identification information from the detected signal information DB 223 , sampling data having a raw data form for the abnormal signal identification information may also be selected from the sampling data DB 221 . .

제어부(210)는 음파 신호로부터 20 ~ 100KHz 대역인 샘플링 데이터를 추출하여 신호 처리된 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하고, 이상 신호로 판별된 샘플링 데이터에 대해서는 이상 신호 분석을 수행하여, 해당 샘플링 데이터에 대한 이상 신호 분석 정보를 생성하고, 정상 신호 샘플링 정보와 이상 신호 분석 정보를 시계열적으로 배열하여, 정상 신호 샘플링 정보와 이상 신호 분석 정보의 시계열적 패턴을 분석하여, 사출 성형 설비의 고장에 대한 예측 정보를 제공할 수 있다.The control unit 210 extracts the sampling data in the 20 ~ 100KHz band from the sound wave signal to determine whether the signal-processed sampling data is a normal signal or an abnormal signal, and performs abnormal signal analysis on the sampled data determined as an abnormal signal. , by generating abnormal signal analysis information for the corresponding sampling data, arranging normal signal sampling information and abnormal signal analysis information in time series, and analyzing the time series pattern of normal signal sampling information and abnormal signal analysis information, injection molding equipment It can provide predictive information about the failure of

이를 위해, 제어부(210)는 통신 모듈(211), 샘플링 데이터 추출기(213), 신호 판별기(214), 이상 신호 분석기(215), 패턴 분석기(216) 및 출력 모듈(217)을 포함할 수 있다.To this end, the control unit 210 may include a communication module 211 , a sampling data extractor 213 , a signal discriminator 214 , an abnormal signal analyzer 215 , a pattern analyzer 216 , and an output module 217 . have.

통신 모듈(211)은 감지 센서(100)와 유선 또는 무선으로 연동되어, 감지 센서(100)로부터 전송되는 음파 신호를 수신할 수 있다. 이와 같이, 서버의 통신 모듈로 입력되는 음파 신호는 일례로, 샘플링되고, 20 ~ 100KHz 대역으로 필터링된 신호(즉, 샘플링된 타겟 신호)에 대한 데이터 정보일 수 있다.The communication module 211 may be connected to the detection sensor 100 by wire or wirelessly to receive a sound wave signal transmitted from the detection sensor 100 . As such, the sound wave signal input to the communication module of the server may be, for example, data information about a sampled and filtered signal (ie, a sampled target signal) in a band of 20 to 100 KHz.

샘플링 데이터 추출기(213)는 통신 모듈을 통해 입력된 신호로부터 노이즈를 제거하여 샘플링 데이터를 추출할 수 있다. 구체적으로, 사출 성형 설비(10)가 위치한 공장 환경에서 들어오는 음파 신호는 사출 성형 설비(10)의 물리적 기계음 및 인적 소음과 같은 불필요한 노이즈 정보가 합성된 음파 신호일 수 있다. The sampling data extractor 213 may extract sampling data by removing noise from a signal input through the communication module. Specifically, the sound wave signal coming from the factory environment in which the injection molding facility 10 is located may be a sound wave signal in which unnecessary noise information such as physical mechanical sound and human noise of the injection molding facility 10 are synthesized.

이와 같은 음파 신호에서 샘플링 데이터 추출기(213)는 노이즈를 필터링하여 제거함으로써, 사출 성형 설비(10)의 특정 부분이 발생시키는 음파 신호로부터 샘플링 데이터를 추출하고, 추출된 샘플링 데이터를 데이터 분석에 사용하여, 분석의 정확도를 높일 수 있다.In such a sound wave signal, the sampling data extractor 213 filters and removes noise, thereby extracting sampling data from the sound wave signal generated by a specific part of the injection molding equipment 10, and using the extracted sampling data for data analysis. , it can increase the accuracy of the analysis.

이와 같이, 제어부는 사출 성형 설비에서 측정된 음파 신호에 대해, 샘플링하고, 20 ~ 100KHz 대역으로 필터링하고, 노이즈를 제거한 로우 데이터(low-data) 형태의 샘플링 데이터를 이용하여, 샘플링 데이터를 판별하고 분석하여, 시계열적으로 패턴을 사용자 또는 관리자에게 사출 성형 설비에 대한 예측 정보를 제공할 수 있다.In this way, the control unit samples the sound wave signal measured in the injection molding equipment, filters it to a band of 20 to 100 KHz, and uses the sampling data in the form of low-data from which the noise is removed to determine the sampling data and By analyzing the pattern in time series, it is possible to provide predictive information about injection molding equipment to users or managers.

이를 수행하기 위해, 제어부는 전술한 바와 같이, 신호 판별기(214), 이상 신호 분석기(215) 및 패턴 분석기(216)를 포함할 수 있다.To perform this, the control unit may include a signal discriminator 214 , an abnormal signal analyzer 215 , and a pattern analyzer 216 , as described above.

신호 판별기(214)는 샘플링 데이터 DB(221)에 저장된 샘플링 데이터 각각에 대해 정상 신호인지, 이상 신호인지 판별하고, 각각의 판별된 샘플링 데이터에 대해 판별 정보를 생성할 수 있다.The signal determiner 214 may determine whether each of the sampling data stored in the sampling data DB 221 is a normal signal or an abnormal signal, and generate determination information for each of the determined sampling data.

여기서, 판별 정보는 일례로, 어떤 샘플링 데이터가 정상 신호로 판별된 경우, 해당 샘플링 데이터에 대해 정상 신호 판별 정보(Sn)를 생성할 수 있다. 또한, 어떤 샘플링 데이터가 이상 신호로 판별된 경우, 해당 샘플링 대이터에 대해 이상 신호 판별 정보(Sa)를 생성할 수 있다.Here, the determination information is an example, and when a certain sampled data is determined as a normal signal, normal signal determination information Sn may be generated for the corresponding sampled data. In addition, when a certain sampling data is determined to be an abnormal signal, abnormal signal determination information Sa may be generated for the corresponding sampling data.

이와 같이, 복수의 샘플링 데이터에 대해 신호 판별기(214)가 판별된 정상 신호 판별 정보와 이상 신호 판별 정보는 감지된 신호 정보 DB(223)에 업데이트 및 저장될 수 있다.As such, the normal signal determination information and the abnormal signal determination information determined by the signal determiner 214 for the plurality of sampling data may be updated and stored in the sensed signal information DB 223 .

이와 같은 신호 판별기(214)는 일례로, 머신 러닝(Machine Learning) 기술 중 Unsupervised Learning의 K-mean Algorithm을 적용하여, 복수의 샘플링 데이터에 대해 정상 신호 인지 이상 신호인지 여부를 판별할 수 있다. 그러나 본 발명이 반드시 전술한 머신 러닝만 적용되는 것에 한정되는 것은 아니다.Such a signal determiner 214 may determine, for example, whether a normal signal or an abnormal signal with respect to a plurality of sampling data by applying a K-mean algorithm of unsupervised learning among machine learning techniques. However, the present invention is not necessarily limited to applying only the above-described machine learning.

이와 같은 머신 러닝 기술의 샘플링 데이터의 판별에 대한 정확도를 보다 향상되도록 하기 위하여, 머신 러닝 기술을 실제 적용함에 있어, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터를 이용하여 샘플링 데이터 각각에 대하여, 정상 신호인지, 아니면 이상 신호인지 여부를 반복적으로 판별하는 트레이닝(training)과 테스트(test)가 수행될 수 있다.In order to further improve the accuracy of the determination of sampling data of the machine learning technology, when the machine learning technology is actually applied, for each sampled data using the sampling data stored in the sampling data DB 221 , a normal signal Training and testing for repeatedly determining whether a signal is recognized or an abnormal signal may be performed.

이와 같이, 신호 판별기(214)는 샘플링 데이터 DB(221)에 저장된 각각의 샘플링 데이터에 대해 이상 신호 여부를 판별하여, 판별 정보를 생성하고, 생성된 판별 정보를 감지된 신호 정보 DB(223)에 저장할 수 있다.In this way, the signal discriminator 214 determines whether an abnormal signal is an abnormal signal for each sampled data stored in the sampling data DB 221 , generates discrimination information, and uses the generated discrimination information as the detected signal information DB 223 . can be stored in

이상 신호 분석기(215)는 신호 판별기(214)에서 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대해 이상 유형의 종류와 정도에 대해 분석하여, 이상 신호 분석 정보를 생성할 수 있다.The abnormal signal analyzer 215 may generate abnormal signal analysis information by analyzing the sampling data corresponding to the abnormal signal discrimination information determined as the abnormal signal by the signal discriminator 214 for the type and degree of abnormality. .

이에 따라, 이상 신호 분석기(215)에서 생성되는 이상 신호 분석 정보는 해당 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석된 값이 포함될 수 있다.Accordingly, the abnormal signal analysis information generated by the abnormal signal analyzer 215 may include values analyzed for the type and degree of abnormality with respect to the corresponding sampling data.

이와 같이, 이상 신호 분석기(215)가 샘플링 데이터를 분석함에 있어서, 딥 러닝 알고리즘(Deep Learning Algorithms)이 적용될 수 있다.In this way, when the abnormal signal analyzer 215 analyzes the sampling data, a deep learning algorithm may be applied.

패턴 분석기(216)는 신호 판별기(214)에서 판별되어, 데이터 베이스부(220)에 저장된 정보 중에서 정상 신호 판별 정보와 이상 신호 분석기(215)에서 분석된 이상 신호 판별 정보의 샘플링 데이터에 대한 이상 신호 분석 정보를 시계열적으로 배열하고, 이에 대한 패턴 분석을 수행할 수 있다.The pattern analyzer 216 is determined by the signal discriminator 214, and is abnormal for the sampling data of the normal signal discrimination information and the abnormal signal discrimination information analyzed by the abnormal signal analyzer 215 among the information stored in the database unit 220 Signal analysis information may be arranged in time series, and pattern analysis may be performed thereon.

이와 같이, 패턴 분석기(216)가 패턴 분석을 수행함에 있어, 미리 설치된 패턴 분석 프로그램이 이용될 수 있다. 일례로, HMM(Hidden Markov Model), Deep Learning 학습 모델 중 시계열 데이터 분석에 특화되어 있는 Recurrent Neural Network를 학습 모델, 장기간 또는 단기간 데이터의 정보를 활용하여 다양한 경우의 데이터 패턴 학습을 위해 LSTM(Long-Short Term Memory) 중 적어도 하나가 적용될 수 있다. 그러나, 본 발명이 반드시 이에 한정되는 것은 아니다.In this way, when the pattern analyzer 216 performs pattern analysis, a pre-installed pattern analysis program may be used. For example, among the HMM (Hidden Markov Model) and deep learning learning models, the Recurrent Neural Network, which is specialized for time series data analysis, is a learning model, and LSTM (Long-Long- Short Term Memory) may be applied. However, the present invention is not necessarily limited thereto.

이와 같이, 패턴 분석기(216)가 정상 신호 판별 정보와 이상 신호 분석 정보를 이용하여, 그 패턴 정보를 분석함으로써, 사출 성형 설비 고장의 정도를 판단할 수 있으며, 사출 성형 설비 고장의 원인을 판단할 수 있다.In this way, the pattern analyzer 216 uses the normal signal determination information and the abnormal signal analysis information, and by analyzing the pattern information, it is possible to determine the degree of the injection molding equipment failure, and to determine the cause of the injection molding equipment failure. can

출력 모듈(217)은 패턴 분석기(216)에서 분석된 사출 성형 설비 고장의 정도와 원인을 이용하여 사출 성형 설비(10)에 대한 고장 예측 정보를 제공할 수 있다.The output module 217 may provide failure prediction information for the injection molding equipment 10 using the degree and cause of the failure of the injection molding equipment analyzed by the pattern analyzer 216 .

이하에서는 이와 같은 고장 사출 성형 설비(10) 예측 시스템이 동작하는 방법의 일례에 대해 설명한다.Hereinafter, an example of how such a failure injection molding facility 10 prediction system operates will be described.

도 5 내지 도 7은 본 발명의 일례에 따른 사출 성형 설비 고장 예측 방법의 일례를 설명하기 위한 도이다.5 to 7 are diagrams for explaining an example of an injection molding equipment failure prediction method according to an example of the present invention.

구체적으로, 도 5는 본 발명의 일례에 따른 사출 성형 설비 고장 예측 방법에 대한 플로우 차트를 도시한 것이고, 도 6는 도 5에 기재된 신호 판별 단계(S4), 이상 신호 분석 단계(S5), 패턴 분석 단계(S6)를 보다 구체적으로 설명하기 위한 도이고, 도 7은 본 발명의 일례에 따른 사출 성형 설비 고장 예측 시스템 상에서 사출 성형 설비 고장 예측 방법이 수행될 때의 신호의 흐름을 설명하기 위한 도이다. Specifically, FIG. 5 shows a flowchart for a method for predicting failure of an injection molding equipment according to an example of the present invention, and FIG. 6 is a signal determination step (S4), an abnormal signal analysis step (S5), a pattern described in FIG. It is a diagram for explaining the analysis step (S6) in more detail, and FIG. 7 is a diagram for explaining a signal flow when the injection molding equipment failure prediction method is performed on the injection molding equipment failure prediction system according to an example of the present invention am.

본 발명의 일례에 따른 사출 성형 설비 고장 예측 방법은 도 5에 도시된 바와 같이, 음파 수집 단계(S1), 대역 필터링 단계(S2), 샘플링 데이터 추출 단계(S3), 신호 판별 단계(S4), 이상 신호 분석 단계(S5), 패턴 분석 단계(S6) 및 출력 단계(S7)를 포함할 수 있다.As shown in FIG. 5, the injection molding equipment failure prediction method according to an example of the present invention includes a sound wave collection step (S1), a band filtering step (S2), a sampling data extraction step (S3), a signal determination step (S4), It may include an abnormal signal analysis step (S5), a pattern analysis step (S6), and an output step (S7).

음파 수집 단계(S1)에서는 감지 센서(100)가 사출 성형 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집할 수 있다. 여기서 수집되는 음파 신호는 아나로그 신호일 수 있으며, 디지털 신호로 변환될 수 있다.In the sound wave collection step ( S1 ), the detection sensor 100 may collect a sound wave signal from a sound generated when the injection molding equipment 10 operates. The sound wave signal collected here may be an analog signal, and may be converted into a digital signal.

음파 수집 단계(S1)에서는 수집된 음파 신호를 디지털 신호로 변환될 때, 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz ~ 300KHz 사이일 수 있으며, 바람직하게는 100KHz ~ 300KHz, 보다 바람직하게는 190KHz ~ 300KHz 사이일 수 있다.In the sound wave collection step (S1), when the collected sound wave signal is converted to a digital signal, a sampling rate for converting to a digital signal may be between 35KHz to 300KHz, preferably 100KHz to 300KHz, more preferably may be between 190 KHz and 300 KHz.

대역 필터링 단계(S2)에서는 디지털 신호로 변환된 음파 신호에서 20 ~ 100KHz 대역으로 필터링된, 샘플링된 타켓 신호가 추출될 수 있다.In the band filtering step (S2), the sampled target signal filtered in the 20 ~ 100KHz band from the sound wave signal converted to the digital signal may be extracted.

샘플링 데이터 추출 단계(S3)는 추출된 샘플링된 타켓 신호로부터 노이즈를 제거하여 샘플링 데이터를 추출할 수 있다.In the sampling data extraction step S3, the sampling data may be extracted by removing noise from the extracted sampled target signal.

일례로, 노이즈 필터링 방법은 음파 신호가 수집되기 이전에, 환경 소음 또는 배경 소음에 대한 노이즈 신호 정보를 미리 취득하여, 해당 음파 신호에 대한 노이즈 필터로 적용할 수 있다. 그러나, 본 발명의 노이즈 필터링 방법은 반드시 이에 한정되는 것은 아니고, 얼마든지 다른 방법으로 수행될 수 있다.For example, in the noise filtering method, noise signal information on environmental noise or background noise may be acquired in advance before the sound wave signal is collected and applied as a noise filter for the corresponding sound wave signal. However, the noise filtering method of the present invention is not necessarily limited thereto, and may be performed by any number of other methods.

이와 같이, 샘플링 데이터 추출 단계에서 추출되는 샘플링 데이터는 미리 결정된 시간 기준으로 세분화된 데이터일 수 있다.As described above, the sampling data extracted in the sampling data extraction step may be data subdivided based on a predetermined time reference.

이와 같이, 미리 결정된 시간 기준으로 세분화된 샘플링 데이터가 도 7에 도시된 바와 같이, 샘플링 데이터 DB(221)에 저장될 수 있다. 이와 같이, 샘플링 데이터 DB(221)에 저장되는 샘플링 데이터는 해당 신호의 파형에 대한 정보와 샘플링 데이터의 생성 시간 정보를 포함할 수 있다.In this way, the sampling data subdivided based on a predetermined time may be stored in the sampling data DB 221 as shown in FIG. 7 . As described above, the sampling data stored in the sampling data DB 221 may include information on the waveform of the corresponding signal and information on the generation time of the sampling data.

신호 판별 단계(S4)에서는 신호 판별기(214)가 샘플링 데이터 DB(221)로부터 샘플링 데이터를 입력받아, 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하여 판별 정보를 생성하고, 생성된 판별 정보를 감지된 신호 정보 DB(223)에 저장할 수 있다.In the signal determination step (S4), the signal determiner 214 receives the sampling data from the sampling data DB 221, determines whether the sampling data is a normal signal or an abnormal signal, generates determination information, and detects the generated determination information It can be stored in the signal information DB (223).

여기서, 신호 판별기(214)는 일례로, 머신 러닝(Machine Learning) 기술 중 Unsupervised Learning의 K-mean Algorithm을 적용하여, 복수의 샘플링 데이터에 대해 정상 신호 인지 이상 신호인지 여부를 판별할 수 있다. 그러나 본 발명이 반드시 전술한 머신 러닝만 적용되는 것에 한정되는 것은 아니다.Here, for example, the signal determiner 214 may determine whether a normal signal or an abnormal signal is applied to a plurality of sampled data by applying a K-mean algorithm of unsupervised learning among machine learning techniques. However, the present invention is not necessarily limited to applying only the above-described machine learning.

감지된 신호 정보 DB(223)에 저장되는 판별 정보는 샘플링 데이터가 정상 신호인지 또는 이상 신호인지에 대한 판별 정보와, 샘플링 데이터 자체에 대한 식별 정보 또는 시간 정보가 포함될 수 있다.The determination information stored in the sensed signal information DB 223 may include determination information on whether the sampling data is a normal signal or an abnormal signal, and identification information or time information on the sampling data itself.

아울러, 판별 정보는 샘플링 데이터가 정상 신호임을 나타내는 정상 신호 판별 정보(Sn)와 샘플링 데이터가 이상 신호임을 나타내는 이상 신호 판별 정보(Sa)를 포함할 수 있다.In addition, the determination information may include normal signal determination information Sn indicating that the sampling data is a normal signal and abnormal signal determination information Sa indicating that the sampling data is an abnormal signal.

일례로, 신호 판별 단계(S4)에서는 도 7에 도시된 바와 같이, 샘플링 데이터 DB(221)에 저장된 복수의 샘플링 데이터에 대해 정상 신호인지 또는 이상 신호인지 판별하여, 일례로, 샘플링 데이터 1 => 정상 신호 판별 정보(Sn), 샘플링 데이터 2 => 정상 신호 판별 정보(Sn), 샘플링 데이터 3 => 이상 신호 판별 정보(Sa)로 판별된 판별 정보가 생성될 수 있고, 도시되지는 않았지만, 각각의 판별 정보는 해당 샘플링 데이터 자체에 대한 식별 정보가 포함될 수 있다.For example, in the signal determination step ( S4 ), as shown in FIG. 7 , it is determined whether the plurality of sampling data stored in the sampling data DB 221 is a normal signal or an abnormal signal, for example, sampling data 1 => Normal signal determination information (Sn), sampling data 2 => normal signal determination information (Sn), sampling data 3 => determination information determined as abnormal signal determination information (Sa) may be generated, and although not shown, each The identification information of the corresponding sampling data itself may include identification information.

신호 판별 단계(S4)에서, 도 6 및 도 7에 도시된 바와 같이, 감지된 신호 정보 DB(223)에 저장되는 판별 정보는 샘플링 데이터에 대한 판별 정보가 정상 신호 판별 정보(Sn)인지 또는 이상 신호 판별 정보(Sa)인지 구별하여, 판별 정보가 정상 신호 판별 정보(Sn)인 경우(도 6의 S41), 제어부(210)는 감지된 신호 정보 DB(223)에 저장된 정상 신호 판별 정보(Sn)를 패턴 분석기(216)로 출력할 수 있다.In the signal determination step (S4), as shown in FIGS. 6 and 7, the determination information stored in the sensed signal information DB 223 determines whether the determination information for the sampling data is normal signal determination information (Sn) or abnormal. By distinguishing whether the signal discrimination information (Sa), if the discrimination information is the normal signal identification information (Sn) (S41 in FIG. 6), the control unit 210 is the normal signal identification information (Sn) stored in the sensed signal information DB (223) ) can be output to the pattern analyzer 216 .

또한, 판별 정보가 이상 신호 판별 정보(Sa)인 경우(도 6의 S42), 제어부(210)는 감지된 신호 정보 DB(223)에 이상 신호 판별 정보(Sa)에 대응되는 샘플링 데이터 DB(221)의 샘플링 데이터를 이상 신호 분석기(215)로 출력할 수 있다.In addition, when the determination information is the abnormal signal determination information (Sa) (S42 in FIG. 6), the control unit 210 is a sampling data DB (221) corresponding to the abnormal signal determination information (Sa) in the sensed signal information DB (223) ) of the sampling data may be output to the abnormal signal analyzer 215 .

즉, 도 7과 같이, 판별 정보가 이상 신호 판별 정보(Sa)인 경우, 제어부(210)는 이상 신호 판별 정보(Sa)의 해당 샘플링 데이터를 보다 면밀하게 분석하기 위하여, 이상 신호 분석기(215)로 해당 샘플링 데이터를 출력하여, 이상 신호 분석 단계(S5)가 수행될 수 있다.That is, as shown in FIG. 7 , when the determination information is the abnormal signal determination information Sa, the control unit 210 analyzes the corresponding sampling data of the abnormal signal determination information Sa more closely, the abnormal signal analyzer 215 . By outputting the corresponding sampling data to , the abnormal signal analysis step (S5) may be performed.

이상 신호 분석 단계(S5)는 판별 정보 중 이상 신호 판별 정보(Sa)에 대응하는 샘플링 데이터를 입력받아 분석하여, 이상 신호 분석 정보를 생성할 수 있다.In the abnormal signal analysis step S5 , sampling data corresponding to the abnormal signal identification information Sa among the identification information is received and analyzed to generate abnormal signal analysis information.

일례로, 신호 판별 단계(S4)에서, 도 7에 도시된 바와 같이, 샘플링 데이터 3이 이상 신호로 판별된 경우, 해당 이상 신호 판별 정보(Sa)에 대응되는 샘플링 데이터 3을 샘플링 데이터 DB(221)로부터 출력하여, 이상 신호 분석기(215)로 입력할 수 있다.For example, in the signal determination step S4 , as shown in FIG. 7 , when the sampling data 3 is determined as an abnormal signal, the sampling data 3 corresponding to the abnormal signal determination information Sa is stored in the sampling data DB 221 . ) and may be input to the abnormal signal analyzer 215 .

여기서, 샘플링 데이터 3은 대한 미리 결정된 시간 기준 동안의 로우 데이터(low-data) 형태를 가질 수 있으며, 이상 신호 분석기(215)는 이와 같은 샘플링 데이터 3에 포함된 로우 데이터를 분석할 수 있다.Here, the sampling data 3 may have a form of low-data for a predetermined time reference, and the abnormal signal analyzer 215 may analyze the raw data included in the sampling data 3 .

이상 신호 분석기(215)는 이상 신호로 판별된 샘플링 데이터를 분석하기 위하여 딥 러닝 알고리즘(Deep Learning Algorithms)을 적용할 수 있다.The abnormal signal analyzer 215 may apply a deep learning algorithm to analyze the sampling data determined as the abnormal signal.

이와 같이, 이상 신호 분석기(215)에서 샘플링 데이터를 분석하여 생성되는 이상 신호 분석 정보는 이상 신호 판별 정보(Sa)에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 포함할 수 있다.As such, the abnormal signal analysis information generated by analyzing the sampling data in the abnormal signal analyzer 215 may include values analyzed for the type and degree of abnormality with respect to the sampling data corresponding to the abnormal signal determination information Sa. can

예를 들어, 이상 신호 분석기(215)는 이상 신호 분석 정보로 R1-50%, R3-60%, R5-30% 등의 이상 신호 분석 정보를 생성할 수 있다. 이상 신호 분석기(215)는 하나의 샘플링 데이터에 대해 하나의 이상 유형의 종류와 정도를 생성할 수 있다.For example, the abnormal signal analyzer 215 may generate abnormal signal analysis information such as R1-50%, R3-60%, and R5-30% as the abnormal signal analysis information. The anomaly signal analyzer 215 may generate the kind and degree of one type of anomaly with respect to one sampled data.

예를 들어, 샘플링 데이터 3에 대해서는 이상 유형 종류 1, 정도 50%를 나타내는 R1-50%이 이상 신호 분석 정보로 생성될 수 있다. 따라서, R1-50%, R3-60%, R5-30%는 3개의 샘플링 데이터 각각에 대해 분석된 이상 신호 분석 정보를 의미할 수 있다.For example, with respect to sampling data 3, R1-50% indicating anomaly type type 1 and degree of 50% may be generated as abnormal signal analysis information. Accordingly, R1-50%, R3-60%, and R5-30% may mean abnormal signal analysis information analyzed for each of the three sampling data.

여기서, R1, R3, R5 등은 이상 유형의 종류를 의미할 수 있다. 즉, 이상 신호로 판별된 해당 샘플링 데이터를 발생시키는 유형을 의미할 수 있다. 이와 같은 이상 유형은 사출 성형 설비의 고장을 발생시키는 여러가지 원인 중 하나의 원인일 수 있다.Here, R1, R3, R5, etc. may mean an abnormal type. That is, it may mean a type of generating the corresponding sampling data determined as an abnormal signal. This type of anomaly may be one of many causes of failure of injection molding equipment.

또한, R1-50%, R3-60%, R5-30% 각각에 연동되는 백분율을 해당 이상 유형의 정도 또는 심각성을 의미할 수 있다. In addition, the percentage linked to each of R1-50%, R3-60%, and R5-30% may mean the degree or severity of the type of abnormality.

따라서, R3-60%라는 의미는 이상 유형 3에 해당되고, 그 정도가 60%임을 의미하고, R5-30%라는 의미는 이상 유형 5에 대항되고, 그 정도가 30%임을 의미할 수 있다.Therefore, the meaning of R3-60% corresponds to the abnormality type 3 and the degree is 60%, and the meaning of R5-30% corresponds to the abnormality type 5 and may mean that the degree is 30%.

이와 같이, 이상 신호 분석기(215)에서 분석하는 이상 유형은 사출 성형 설비 각각에 따라 다르게 설정될 수 있으며, 관리자 또는 사용자에 의해 얼마든지 변경될 수 있다.As such, the type of abnormality analyzed by the abnormal signal analyzer 215 may be set differently according to each injection molding facility, and may be freely changed by an administrator or a user.

이와 같이, 이상 신호 분석 단계(S5)에서 이상 신호 분석기(215)에 의해 분석된 이상 신호 분석 정보는 패턴 분석기(216)로 출력될 수 있고, 이후, 패턴 분석 단계(S6)가 수행될 수 있다.As such, the abnormal signal analysis information analyzed by the abnormal signal analyzer 215 in the abnormal signal analysis step S5 may be output to the pattern analyzer 216, and then the pattern analysis step S6 may be performed. .

패턴 분석 단계(S6)에서는 패턴 분석기(216)가 복수의 판별 정보 중 정상 신호로 판별된 정상 신호 판별 정보(Sn)를 감지된 신호 정보 DB(223)로부터 입력받고, 이상 신호 분석 정보를 이상 신호 분석기(215)로부터 입력받아 사출 성형 설비 고장의 패턴을 분석할 수 있다.In the pattern analysis step (S6), the pattern analyzer 216 receives the normal signal discrimination information Sn, which is determined as a normal signal among the plurality of discrimination information, from the detected signal information DB 223, and receives the abnormal signal analysis information as an abnormal signal. It is possible to analyze the pattern of injection molding equipment failure by receiving input from the analyzer 215 .

이를 위해, 패턴 분석기(216)는 정상 신호 판별 정보(Sn)와 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열할 수 있다.To this end, the pattern analyzer 216 may time-series the normal signal identification information Sn and the abnormal signal analysis information according to the order of time.

예를 들어, 시간의 순서에 따라 R1-50%, Sn, R3-60%, R5-30%, R3-60%, …, Sn, Sn의 순서로 복수의 정상 신호 판별 정보(Sn)와 이상 신호 분석 정보(R1-50%, R3-60%, R5-30%, R3-60%)가 시계열적으로 배열될 수 있으며, 이와 같은 배열된 패턴을 패턴 분석기(216)가 분석할 수 있다.For example, in the order of time R1-50%, Sn, R3-60%, R5-30%, R3-60%, ... A plurality of normal signal identification information (Sn) and abnormal signal analysis information (R1-50%, R3-60%, R5-30%, R3-60%) can be arranged in time series in the order of , Sn, Sn. , the pattern analyzer 216 may analyze such an arranged pattern.

이와 같이, 시계열적으로 배열된 패턴은 시간 순서대로 입력되는 샘플링 데이터 각각에 대한 신호의 특성을 분석한 정보일 수 있다.As such, the time-series-arranged pattern may be information obtained by analyzing characteristics of signals for each sampling data input in time order.

패턴 분석기(216)는 이와 같은 정상 신호 판별 정보(Sn)와 이상 신호 분석 정보의 시계열적 패턴을 분석하여, 사출 성형 설비의 고장 정도와 사출 성형 설비의 고장 원인을 판단할 수 있다.The pattern analyzer 216 may analyze the time-series pattern of the normal signal determination information Sn and the abnormal signal analysis information, and determine the failure degree of the injection molding equipment and the cause of the failure of the injection molding equipment.

이와 같은 패턴 분석기(216)가 시계열적 패턴을 분석함에 있어, HMM(Hidden Markov Model), Deep Learning 학습 모델 중 시계열 데이터 분석에 특화되어 있는 Recurrent Neural Network를 학습 모델, 장기간 또는 단기간 데이터의 정보를 활용하여 다양한 경우의 데이터 패턴 학습을 위해 LSTM(Long-Short Term Memory) 중 적어도 하나가 적용될 수 있다. 그러나, 본 발명이 반드시 이에 한정되는 것은 아니다.When such a pattern analyzer 216 analyzes a time series pattern, it utilizes information of a learning model, long-term or short-term data for a recurrent neural network specialized in time series data analysis among HMM (Hidden Markov Model) and deep learning learning models. Accordingly, at least one of Long-Short Term Memory (LSTM) may be applied for data pattern learning in various cases. However, the present invention is not necessarily limited thereto.

출력 단계(S7)에서는 패턴 분석기(216)에서 분석된 사출 성형 설비의 고장 정도와 고장 원인을 고장 예측 정보로 출력할 수 있다.In the output step (S7), the failure degree and failure cause of the injection molding equipment analyzed by the pattern analyzer 216 may be output as failure prediction information.

도 8은 본 발명의 일례에 따른 사출 성형 설비 고장 예측 시스템이 제공하는 고장 예측 정보의 일례를 설명하기 위한 도이다.8 is a view for explaining an example of the failure prediction information provided by the injection molding equipment failure prediction system according to an example of the present invention.

본 발명의 일례에 따른 사출 성형 설비 고장 예측 시스템은 도 8에 도시된 바와 같이, 고장 예측 정보를 제공할 수 있다. As shown in FIG. 8 , the injection molding equipment failure prediction system according to an example of the present invention may provide failure prediction information.

구체적으로, 고장 예측 정보는 적어도 사출 성형 설비(10)의 현재 상태 및 사출 성형 설비(10)의 고장이 발생될 때까지의 예측 정보를 포함할 수 있다.Specifically, the failure prediction information may include at least the current state of the injection molding facility 10 and prediction information until the failure of the injection molding facility 10 occurs.

일례로, 도 8에 도시된 바와 같이, 고장 예측 정보는 사출 성형 설비(10)의 이름, 고장이 발생될 때까지의 가능성을 퍼센트로 표시한 예측 정보, 정상 신호 발생 횟수, 이상 신호 발생 횟수, 이상 유형의 각 종류에 따른 정도, 발생 간격, 사출 성형 설비(10) 고장시까지의 예측 백분율 등이 표시될 수 있다.As an example, as shown in FIG. 8 , the failure prediction information includes the name of the injection molding equipment 10 , prediction information indicating the probability until a failure occurs as a percentage, the number of normal signal occurrences, the number of abnormal signal occurrences, The degree of each type of abnormality, the interval of occurrence, the predicted percentage until failure of the injection molding equipment 10, and the like may be displayed.

이와 같은 본 발명의 일례에 따른 사출 성형 설비 고장 예측 시스템 및 방법은 사출 성형 설비(10)의 동작 과정에서 발생되는 음파 신호 중 대역의 신호를 이용하여 사출 성형 설비(10)에 대한 고장 예측 정보를 제공함으로써, 사용자가 공장 내의 사출 성형 설비(10)에 대해 신속한 대응을 하도록 안내할 수 있고, 이로 인하여 공장의 가동 중단에 따른 손해 비용을 최소화하도록 할 수 있다. The injection molding equipment failure prediction system and method according to an example of the present invention as described above uses a signal of a band among sound wave signals generated during the operation of the injection molding equipment 10 to obtain failure prediction information for the injection molding equipment 10 . By providing, it is possible to guide the user to respond quickly to the injection molding equipment 10 in the factory, thereby minimizing the cost of damage caused by the shutdown of the factory.

본 발명은 상술한 실시예 및 첨부한 도면에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자의 관점에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명의 범위는 본 명세서의 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.The present invention is not limited to the above-described embodiments and the accompanying drawings, and various modifications and variations will be possible from the point of view of those of ordinary skill in the art to which the present invention pertains. Accordingly, the scope of the present invention should be defined not only by the claims of the present specification, but also by those claims and their equivalents.

10: 사출 성형 설비 11: 노즐
12: 고정부 13: 가동부
14: 고정부 인서트 블록 15: 가동부 인서트 블록
16: 고정부 설치판 17: 가이드 핀
18: 가이드 부쉬 100: 감지 센서
110: 센싱부 120: 샘플링부
130: 대역 필터링 모듈 140: 통신부
200: 서버 210: 제어부
220: 데이터 베이스부
10: injection molding equipment 11: nozzle
12: fixed part 13: movable part
14: fixed insert block 15: movable insert block
16: fixing part mounting plate 17: guide pin
18: guide bush 100: detection sensor
110: sensing unit 120: sampling unit
130: band filtering module 140: communication unit
200: server 210: control unit
220: database unit

Claims (19)

대상 제품을 형성하기 위해 사출 성형 설비의 금형에 구비된 가동부와 고정부에 인접하여 위치하고, 상기 금형의 상기 가동부와 고정부가 서로 결합 또는 이탈하면서 동작할 때, 상기 금형으로부터 발생되는 음파 신호를 수집하는 감지 센서;
상기 음파 신호를 디지털 신호로 변환하고 미리 결정된 시간 간격으로 세분한 샘플링 데이터를 추출하는 샘플링 데이터 추출기;
상기 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하는 신호 판별기;
상기 복수의 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 상기 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하는 이상 신호 분석기; 및
상기 복수의 판별 정보 중 상기 정상 신호로 판별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 사출 성형 설비에 대한 고장 예측 정보를 제공하는 패턴 분석기;를 포함하되,
상기 신호 판별기는
상기 샘플링 데이터에 대해 K-mean Algorithm을 적용하여, 상기 샘플링 데이터가 정상 신호인지 또는 이상 신호인지를 판별하고,
상기 샘플링 데이터가 정상 신호로 판별된 경우, 상기 판별 정보로 상기 샘플링 데이터에 대한 정상 신호 판별 정보를 상기 패턴 분석기로 출력하고,
상기 샘플링 데이터가 이상 신호로 판별된 경우, 상기 판별 정보로 상기 샘플링 데이터의 로우 데이터(raw-data)를 상기 이상 신호 분석기로 출력하고,
상기 이상 신호 분석기는
상기 샘플링 데이터의 로우 데이터(raw-data)를 분석하여 상기 사출 성형 설비에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 상기 이상 신호 분석 정보로 생성하여 상기 패턴 분석기로 출력하고,
상기 패턴 분석기는
상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하고, HMM(Hidden Markov Model) 및 LSTM(Long-Short Term Memory) 중 적어도 하나를 이용하여 패턴을 분석하여 상기 사출 성형 설비의 고장 원인과 정도를 예측하는 사출 성형 설비 고장 예측 시스템.
It is located adjacent to the movable part and the fixed part provided in the mold of the injection molding equipment to form the target product, and when the movable part and the fixed part of the mold operate while engaging or separating from each other, the sound wave signal generated from the mold is collected. detection sensor;
a sampling data extractor that converts the sound wave signal into a digital signal and extracts sampling data subdivided at a predetermined time interval;
a signal discriminator that determines whether the sampling data is a normal signal or an abnormal signal to generate a plurality of discrimination information;
an abnormal signal analyzer for generating abnormal signal analysis information by analyzing the sampling data corresponding to the abnormal signal identification information determined as an abnormal signal among the plurality of identification information; and
A pattern analyzer for providing failure prediction information for the injection molding equipment by analyzing patterns for the normal signal identification information and the abnormal signal analysis information determined as the normal signal among the plurality of identification information;
The signal discriminator
By applying a K-mean algorithm to the sampling data, it is determined whether the sampling data is a normal signal or an abnormal signal,
When it is determined that the sampling data is a normal signal, outputting normal signal identification information for the sampling data as the determination information to the pattern analyzer,
When it is determined that the sampling data is an abnormal signal, raw data of the sampling data is output to the abnormal signal analyzer as the determination information,
The abnormal signal analyzer
By analyzing raw data of the sampling data, a value analyzed for the type and degree of anomaly for the injection molding equipment is generated as the abnormal signal analysis information and output to the pattern analyzer,
The pattern analyzer
The normal signal identification information and the abnormal signal analysis information are arranged in time series according to the order of time, and the pattern is analyzed using at least one of HMM (Hidden Markov Model) and LSTM (Long-Short Term Memory) to perform the injection. Injection molding equipment failure prediction system that predicts the cause and degree of failure of molding equipment.
제1 항에 있어서,
상기 고정부는 상기 대상 제품을 형성하기 위한 고정부 인서트 블록과 상기 고정부 인서트 블록의 외측에 구비되어 결합홈을 구비하는 가이드 부쉬를 구비하고,
상기 가동부는 상기 고정부 인서트 블록에 결합될 때, 상기 대상 제품을 형성하기 위한 캐비티를 형성하는 가동부 인서트 블록과 상기 가동부 인서트 블록의 외측에 구비되어 상기 가이드 부쉬의 결합홈에 삽입되는 가이드 핀을 구비하고,
상기 감지 센서는 상기 가이드 핀과 상기 가이드 부쉬 사이에서 발생되는 음파 신호를 수집하는 사출 성형 설비 고장 예측 시스템.
According to claim 1,
The fixing part includes a fixing part insert block for forming the target product and a guide bush provided on the outside of the fixing part insert block and having a coupling groove,
When the movable part is coupled to the fixed insert block, a movable part insert block forming a cavity for forming the target product and a guide pin provided outside the movable part insert block and inserted into the coupling groove of the guide bush are provided. do,
The detection sensor is an injection molding equipment failure prediction system for collecting a sound wave signal generated between the guide pin and the guide bush.
제1 항에 있어서,
상기 샘플링 데이터를 저장하는 샘플링 데이터 DB와 상기 샘플링 데이터가 정상 신호 또는 이상 신호로 판별된 판별 정보를 저장하는 감지된 신호 정보 DB를 구비하는 데이터 베이스부를 더 포함하는 사출 성형 설비 고장 예측 시스템.
According to claim 1,
Injection molding equipment failure prediction system further comprising a database unit comprising a sampling data DB for storing the sampling data and a sensed signal information DB for storing information for determining that the sampling data is a normal signal or an abnormal signal.
제3 항에 있어서,
상기 신호 판별기, 상기 이상 신호 분석기 및 상기 패턴 분석기는 하나의 서버에 구비되는 사출 성형 설비 고장 예측 시스템.
4. The method of claim 3,
The signal discriminator, the abnormal signal analyzer, and the pattern analyzer are injection molding equipment failure prediction system provided in one server.
삭제delete 삭제delete 제4 항에 있어서,
상기 패턴 분석기는
상기 정상 신호 판별 정보를 상기 감지된 신호 정보 DB로부터 입력받고, 상기 이상 신호 분석 정보를 상기 이상 신호 분석기로부터 입력받아 정보의 패턴을 분석하는 사출 성형 설비 고장 예측 시스템.
5. The method of claim 4,
The pattern analyzer
Injection molding equipment failure prediction system for receiving the normal signal identification information from the sensed signal information DB, and receiving the abnormal signal analysis information from the abnormal signal analyzer to analyze a pattern of the information.
삭제delete 제1 항에 있어서,
상기 감지 센서는 상기 사출 성형 설비로부터 이격되어 있는 사출 성형 설비 고장 예측 시스템.
According to claim 1,
The detection sensor is an injection molding equipment failure prediction system that is spaced apart from the injection molding equipment.
제1 항에 있어서,
상기 감지 센서는 수집된 상기 음파 신호를 디지털 신호로 변환하되, 상기 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz ~ 300KHz 사이인 사출 성형 설비 고장 예측 시스템.
According to claim 1,
The detection sensor converts the collected sound wave signal into a digital signal, but a sampling rate for converting the digital signal is between 35KHz and 300KHz. Injection molding equipment failure prediction system.
제4 항에 있어서,
상기 감지 센서 또는 상기 서버 중 어느 하나는 상기 수집된 음파 신호로부터 20 ~ 100KHz 대역의 신호를 필터링하는 사출 성형 설비 고장 예측 시스템.
5. The method of claim 4,
Any one of the detection sensor or the server is an injection molding equipment failure prediction system for filtering the signal in the 20 ~ 100KHz band from the collected sound wave signal.
제11 항에 있어서,
상기 감지 센서 또는 상기 서버 중 어느 하나는 상기 필터링된 대역의 신호로부터 노이즈를 제거하여 상기 샘플링 데이터를 추출하는 사출 성형 설비 고장 예측 시스템.
12. The method of claim 11,
Any one of the detection sensor or the server is an injection molding equipment failure prediction system for extracting the sampling data by removing noise from the signal of the filtered band.
대상 제품을 형성하기 위해 사출 성형 설비의 금형에 구비된 가동부와 고정부가 서로 결합 또는 이탈하면서 동작할 때, 상기 금형으로부터 발생되는 음파 신호를 수집하는 음파 수집 단계;
사출 성형 설비에서 발생되는 음파 신호를 디지털 신호로 변환하고 미리 결정된 시간 간격으로 세분한 샘플링 데이터를 추출하는 샘플링 데이터 추출 단계;
상기 샘플링 데이터에 대해 K-mean Algorithm을 적용하여, 상기 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하여 판별 정보를 생성하여 저장하는 신호 판별 단계;
상기 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응하는 샘플링 데이터를 입력받아 분석하여, 이상 신호 분석 정보를 출력하는 이상 신호 분석 단계; 및
상기 복수의 판별 정보 중 상기 정상 신호로 판별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보로부터 상기 사출 성형 설비 고장의 패턴을 분석하는 패턴 분석 단계;를 포함하고,
상기 신호 판별 단계에서는,
상기 샘플링 데이터가 정상 신호로 판별된 경우, 상기 판별 정보로 상기 샘플링 데이터에 대한 정상 신호 판별 정보를 출력하고,
상기 샘플링 데이터가 이상 신호로 판별된 경우, 상기 판별 정보로 상기 샘플링 데이터의 로우 데이터(raw-data)를 출력하고,
상기 이상 신호 분석 단계에서는,
이상 신호로 판별된 상기 샘플링 데이터의 로우 데이터(raw-data)를 분석하여 상기 사출 성형 설비에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 상기 이상 신호 분석 정보로 생성하여 출력하고,
상기 패턴 분석 단계에서는,
상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하고, HMM(Hidden Markov Model) 및 LSTM(Long-Short Term Memory) 중 적어도 하나를 이용하여 패턴을 분석하여 상기 사출 성형 설비의 고장 원인과 정도를 예측하는 사출 성형 설비의 고장 예측 방법.
A sound wave collecting step of collecting a sound wave signal generated from the mold when the movable part and the fixed part provided in the mold of the injection molding equipment are coupled or separated from each other to form a target product;
A sampling data extraction step of converting a sound wave signal generated in an injection molding facility into a digital signal and extracting the sampling data subdivided at a predetermined time interval;
a signal determination step of applying a K-mean algorithm to the sampled data, determining whether the sampled data is a normal signal or an abnormal signal, and generating and storing determination information;
an abnormal signal analysis step of receiving and analyzing sampling data corresponding to abnormal signal identification information determined as an abnormal signal among the identification information, and outputting abnormal signal analysis information; and
A pattern analysis step of analyzing the pattern of the failure of the injection molding equipment from the normal signal identification information determined as the normal signal among the plurality of identification information and the abnormal signal analysis information;
In the signal determination step,
When it is determined that the sampling data is a normal signal, outputting normal signal determination information for the sampling data as the determination information,
When the sampling data is determined to be an abnormal signal, raw data of the sampling data is output as the determination information,
In the abnormal signal analysis step,
Analyze raw data of the sampling data determined as an abnormal signal, and generate and output a value analyzed for the type and degree of abnormality for the injection molding equipment as the abnormal signal analysis information,
In the pattern analysis step,
The normal signal identification information and the abnormal signal analysis information are arranged in time series according to the order of time, and the pattern is analyzed using at least one of HMM (Hidden Markov Model) and LSTM (Long-Short Term Memory) to perform the injection. A failure prediction method of injection molding equipment that predicts the cause and degree of failure of molding equipment.
제13 항에 있어서,
상기 고정부는 상기 대상 제품을 형성하기 위한 고정부 인서트 블록과 상기 고정부 인서트 블록의 외측에 구비되어 결합홈을 구비하는 가이드 부쉬를 구비하고,
상기 가동부는 상기 고정부 인서트 블록에 결합되어 상기 대상 제품을 형성하기 위한 캐비티를 형성하는 가동부 인서트 블록과 상기 가동부 인서트 블록의 외측에 구비되어 상기 가이드 부쉬의 결합홈에 삽입되는 가이드 핀을 구비하고,
상기 음파 수집 단계에서는 상기 가이드 핀과 상기 가이드 부쉬에 사이에서 발생되는 음파 신호를 수집하는 사출 성형 설비의 고장 예측 방법.
14. The method of claim 13,
The fixing part includes a fixing part insert block for forming the target product and a guide bush provided on the outside of the fixing part insert block and having a coupling groove,
The movable part is coupled to the fixed insert block to form a cavity for forming the target product, and a movable part insert block and a guide pin provided outside the movable part insert block and inserted into the coupling groove of the guide bush,
In the sound wave collecting step, a failure prediction method of an injection molding facility for collecting a sound wave signal generated between the guide pin and the guide bush.
제13 항에 있어서,
상기 신호 판별 단계에서는 미리 결정된 시간 기준으로 세분화된 샘플링 데이터가 이용되는 사출 성형 설비의 고장 예측 방법.
14. The method of claim 13,
In the signal determination step, a failure prediction method of an injection molding facility in which sampling data subdivided based on a predetermined time is used.
삭제delete 삭제delete 제13 항에 있어서,
상기 신호 판별 단계 이전에,
상기 수집된 음파 신호를 필터링하여 미리 설정된 대역의 신호를 추출하는 대역 필터링 단계;를 더 포함하는 사출 성형 설비의 고장 예측 방법.
14. The method of claim 13,
Before the signal determination step,
The method of predicting failure of injection molding equipment further comprising a; band filtering step of extracting a signal of a preset band by filtering the collected sound wave signal.
제13 항에 있어서,
상기 음파 수집 단계에서는 수집된 상기 음파 신호를 디지털 신호로 변환하되, 상기 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz ~ 300KHz 사이인 사출 성형 설비의 고장 예측 방법.
14. The method of claim 13,
In the sound wave collecting step, the collected sound wave signal is converted into a digital signal, and a sampling rate for converting the digital signal is between 35KHz and 300KHz.
KR1020190172349A 2019-12-20 2019-12-20 Failure Prediction System of Injection Molding Equipment KR102325439B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190172349A KR102325439B1 (en) 2019-12-20 2019-12-20 Failure Prediction System of Injection Molding Equipment

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190172349A KR102325439B1 (en) 2019-12-20 2019-12-20 Failure Prediction System of Injection Molding Equipment

Publications (2)

Publication Number Publication Date
KR20210080010A KR20210080010A (en) 2021-06-30
KR102325439B1 true KR102325439B1 (en) 2021-11-11

Family

ID=76602184

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190172349A KR102325439B1 (en) 2019-12-20 2019-12-20 Failure Prediction System of Injection Molding Equipment

Country Status (1)

Country Link
KR (1) KR102325439B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023113435A (en) * 2022-02-03 2023-08-16 株式会社日本製鋼所 Life prediction method, life prediction device, and computer program

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007303931A (en) 2006-05-10 2007-11-22 Matsushita Electric Works Ltd Abnormality monitoring method

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6391352U (en) * 1986-12-03 1988-06-13
JPH05157662A (en) * 1991-12-04 1993-06-25 Sumitomo Heavy Ind Ltd Failure diagnostic method and device of injection molding machine
JP3449194B2 (en) * 1997-01-28 2003-09-22 松下電工株式会社 Method and apparatus for diagnosing abnormalities in rotating equipment

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007303931A (en) 2006-05-10 2007-11-22 Matsushita Electric Works Ltd Abnormality monitoring method

Also Published As

Publication number Publication date
KR20210080010A (en) 2021-06-30

Similar Documents

Publication Publication Date Title
KR102392951B1 (en) Equipment failure prediction system having multi-channel sensors for receiving acoustic signals in the ultrasonic band
KR102575629B1 (en) Equipment failure prediction system and method
US20210149387A1 (en) Facility failure prediction system and method for using acoustic signal of ultrasonic band
CN104471542B (en) The hidden Kalman filter of differentiation for the classification of the sensing data flowed in Stateful Inspection
CN113657221B (en) Power plant equipment state monitoring method based on intelligent sensing technology
US20130297256A1 (en) Method and System for Predictive and Conditional Fault Detection
JP2015176285A (en) Failure information providing system
CN111964909A (en) Rolling bearing operation state detection method, fault diagnosis method and system
CN109960232A (en) The method that the selection method of leading auxiliary parameter and plant maintenance diagnose in advance
CN118011994A (en) Cross-modal industrial large model-based fault diagnosis system and method
KR102325439B1 (en) Failure Prediction System of Injection Molding Equipment
CN116383633A (en) Method and system for detecting faults of machine-made sand vibrating screen through multi-factor comprehensive analysis
CN118051822A (en) Equipment running state abnormality detection method based on voiceprint recognition technology
CN109598309B (en) Detection system and monitoring method of metal packaging punching machine
CN117672255B (en) Abnormal equipment identification method and system based on artificial intelligence and equipment operation sound
KR20210006832A (en) Method and apparatus for machine fault diagnosis
US11867763B2 (en) Method for monitoring circuit breaker and apparatus and internet of things using the same
CN116720073A (en) Abnormality detection extraction method and system based on classifier
KR102500140B1 (en) Equipment failure prediction system and method using sound signal of ultrasonic band
CN115221924A (en) Time-series multi-mode-based industrial equipment anomaly detection intelligent recognition algorithm framework
CN115106615A (en) Welding deviation real-time detection method and system based on intelligent working condition identification
CN110758478B (en) Pre-warning system and method for railway signal equipment
US20220138624A1 (en) Time-series data processing method
CN115077685B (en) Equipment state detection method, device and system
JP7449248B2 (en) Support devices, support methods and support programs

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)