KR102334590B1 - 인공신경망을 이용한 제조기계 고장판별예측 시스템 - Google Patents

인공신경망을 이용한 제조기계 고장판별예측 시스템 Download PDF

Info

Publication number
KR102334590B1
KR102334590B1 KR1020200064999A KR20200064999A KR102334590B1 KR 102334590 B1 KR102334590 B1 KR 102334590B1 KR 1020200064999 A KR1020200064999 A KR 1020200064999A KR 20200064999 A KR20200064999 A KR 20200064999A KR 102334590 B1 KR102334590 B1 KR 102334590B1
Authority
KR
South Korea
Prior art keywords
prediction
manufacturing
machine
artificial neural
neural network
Prior art date
Application number
KR1020200064999A
Other languages
English (en)
Inventor
이홍주
Original Assignee
경기대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 경기대학교 산학협력단 filed Critical 경기대학교 산학협력단
Priority to KR1020200064999A priority Critical patent/KR102334590B1/ko
Application granted granted Critical
Publication of KR102334590B1 publication Critical patent/KR102334590B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • General Factory Administration (AREA)

Abstract

제조 기계에 부착된 센서들을 통해 기계에서 발생되는 특징들을 측정한 제조 원시데이터를 수집하여 데이터베이스에 저장하는 정보수집부와, 데이터베이스에 저장된 정보로부터 생성된 학습 데이터를 사용하여 학습하는 인공신경망을 기반으로 추세예측식과 기계 고장판별 예측 결과를 도출하는 인공신경망 기반 예측 모델과, 판별분석 모델은 데이터베이스에 저장된 정보로부터 생성된 학습 데이터를 사용하여 제조 기계에 대한 고장 여부를 판별하는 판별함수식을 수립하고, 판별함수익에 기초하여 기계 고장판별 예측 결과를 도출하는 판별분석 모델과, 정보수집부에 의해 실시간으로 수집된 현재 제조정보를 인공신경망 기반 예측 모델과 판별분석 모델에 각각 입력하여 도출된 예측 결과로부터 제조 기계에 대한 고장판별 예측을 수행하고, 해당 제조 기계에 대한 고장판별 예측 결과를 생성하여 데이터베이스에 저장하는 고장판별 예측부를 포함한다.

Description

인공신경망을 이용한 제조기계 고장판별예측 시스템{FAULT DETECTION PREDICTION SYSTEM FOR MANUFACTURING MACHINES USING ARTIFICIAL NEURAL NETWORKS}
제조기계의 고장판별을 예측하는 시스템에 관한 것으로, 보다 상세하게는 기계에서 발생되는 정보를 수집하고, 수집된 정보로부터 인공신경망과 판별분석 모델을 통해 실시간으로 수집되는 정보로부터 고장 발생을 예측하는 시스템에 관한 것이다.
생산라인에서 제품을 제조하는 제조기계가 다양하게 설치되어 사용되는 것이 일반적이다. 이러한 제조기계들은 연속적이고 안정적으로 운전되어야 한다. 제조기계가 예기치 못한 고장으로 생산라인이 중단되면 제품의 생산량 감소로 이어지게 되어 손실이 발생하게 되므로 제조기예의 고장을 사전에 미리 예측하는 방법이 연구되어 왔다.
대한민국 등록특허 제10-1691634호는 동력전달 축계부품의 마모량을 판별하는 방법을 개시하고 있다. 장치에 설치된 센서 등에서 수집된 정보로부터 축계부품의 마모 정도를 검출하여 축계부품의 내구 시점을 판별하여 정확한 교체시기를 파악하여 장치의 안정적 운영을 도모하여 축계부품의 무리한 사용에 의한 장치의 고장을 사전에 방지하고 있다.
하지만, 부품이 마모되는 속도가 일정하지 않는 경우에는 단순히 부품의 마모 정도만 모니터링하고 검출하는 것만으로는 향후 고장판별을 예측하는데 한계가 있다.
등록특허번호 제10-1691634호(2016.11.02. 공고)
본 발명은 제품 제조에 사용되고 있는 기계에 대한 제조 정보를 실시간으로 수집 및 축적하고, 축적된 정보를 이용하여 인공신경망을 통해 학습하여 작동시간이 길어질수록 정교화되는 인공신경망과 판별분석 모델을 통해 고장 가능성이 있는 기계들을 미리 파악해 고장 횟수를 감소시킬 수 있는 고장판별 예측 시스템을 제공하는 것을 목적으로 한다.
본 발명의 일 양상에 따르면, 인공신경망을 이용한 기계 고장판별 예측시스템은 정보수집부와, 인공신경망 기반 예측 모델과, 판별분석 모델과, 고장판별 예측부를 포함한다.
정보수집부는 제조 기계에 부착된 센서들을 통해 기계에서 발생되는 특징들을 측정한 제조 원시데이터를 수집하여 데이터베이스에 저장한다.
인공신경망 기반 예측 모델은 데이터베이스에 저장된 정보로부터 생성된 학습 데이터를 사용하여 학습하는 인공신경망을 기반으로 추세예측식과 기계 고장판별 예측 결과를 도출한다.
판별분석 모델은 데이터베이스에 저장된 정보로부터 생성된 학습 데이터를 사용하여 제조 기계에 대한 고장 여부를 판별하는 판별함수식을 수립하고, 판별함수익에 기초하여 기계 고장판별 예측 결과를 도출한다.
고장판별 예측부는 정보수집부에 의해 실시간으로 수집된 현재 제조정보를 인공신경망 기반 예측 모델과 판별분석 모델에 각각 입력하여 도출된 예측 결과로부터 제조 기계에 대한 고장판별 예측을 수행하고, 해당 제조 기계에 대한 고장판별 예측 결과를 생성하여 데이터베이스에 저장한다.
다른 양상에 의하면, 인공신경망을 이용한 기계 고장판별 예측시스템의 정보수집부는 데이터베이스에 저장되어 있는 수집지표를 이용해 수집한 원시데이터를 전처리하고, 전처리된 정보를 데이터베이스에 저장할 수 있다.
또 다른 양상에 의하면, 인공신경망을 이용한 기계 고장판별 예측시스템의 고장판별 예측부는 인공신경망 예측 모델에서 도출된 추세예측식을 기반으로 실시간으로 수집된 정보들로부터 추세에 따른 제조 기계의 고장 가능성을 예측할 수 있다.
추가적으로, 인공신경망을 이용한 기계 고장판별 예측시스템은 고장판별 예측부에서 판별된 고장판별 예측 결과를 시각화하여 제공하는 판별결과 표시부를 더 포함할 수 있다.
본 발명에 의하면 판별대상 제조 기계에 대한 고장판별 예측을 수행하여, 고장 가능성이 있는 기계들을 미리 파악하여 대응할 수 있는 효과가 있다.
또한, 본 발명에 의하면 제조 기계의 제조 정보를 누적하여 저장하고, 제조 정보가 누적될수록 인공신경망 모델과 판별분석 모델이 더욱 정교하게 제조 기계의 고장판별을 예측할 수 있어 고장 횟수를 감소시킬 수 있는 효과가 있다
도 1은 일 실시 예에 따른 기계 고장판별 예측시스템의 구성을 도시한 블록도이다.
도 2는 기계 고장판별 예측시스템의 고장판별 예측을 위한 제조정보들의 일 예를 도시한 것이다.
도 3은 기계 고장판별 예측시스템의 공정 흐름의 개념적으로 도시한 것이다.
도 4 는 기계 고장판별 예측시스템이 제조 기계의 고장판별을 예측하는 일 예를 도시한 흐름도이다.
전술한, 그리고 추가적인 양상들은 첨부된 도면을 참조하여 설명하는 실시 예들을 통해 구체화된다. 각 실시 예들의 구성 요소들은 다른 언급이나 상호간에 모순이 없는 한 실시 예 내에서 다양한 조합이 가능한 것으로 이해된다. 블록도의 각 블록은 어느 경우에 있어서 물리적인 부품을 표현할 수 있으나 또 다른 경우에 있어서 하나의 물리적인 부품의 기능의 일부 혹은 복수의 물리적인 부품에 걸친 기능의 논리적인 표현일 수 있다. 때로는 블록 혹은 그 일부의 실체는 프로그램 명령어들의 집합(set)일 수 있다. 이러한 블록들은 전부 혹은 일부가 하드웨어, 소프트웨어 혹은 이들의 결합에 의해 구현될 수 있다.
도 1은 일 실시 예에 따른 기계 고장판별 예측시스템의 구성을 도시한 블록도이다. 본 발명의 일 양상에 따르면, 인공신경망을 이용한 기계 고장판별 예측시스템(100)은 정보수집부(120)와, 인공신경망 기반 예측 모델(150)과, 판별분석 모델(160)과, 고장판별 예측부(170)를 포함한다.
인공신경망을 이용한 기계 고장판별 예측시스템(100)은 프로세서, 메모리, 입출력 장치, 네트워크 장치, 디스플레이 등을 포함하는 컴퓨팅 장치일 수 있다. PC나 서버 장치일 수 있으며, 각 기능 블록들은 적어도 일부분이 프로세서에서 실행되는 프로그램 명령어 세트로 구현될 수 있다.
도 1에 도시된 것과 같이 기계 고장판별 예측시스템(100)은 데이터 수집, 수집된 데이터의 전처리, 판별을 위한 항목 정보, 판별 결과 등의 정보를 데이터베이스에 저장하여 사용한다. 데이터베이스는 제조원시DB(110)와, 수집지표DB(130)와, 제조정보DB(140)와, 판별결과DB(180)로 구성된다. 각각의 DB는 별개의 데이터베이스 시스템으로 독립하여 구성될 수 있고, 하나의 데이터베이스 시스템으로 통합되어 구성될 수 있다.
정보수집부(120)는 제조 기계에 부착된 센서들을 통해 기계에서 발생되는 특징들을 측정하거나 제조 기계 가동으로 인해 발생하는 제조 원시데이터를 수집하고 전처리하여 데이터베이스에 저장한다. 제조 기계에 부착되는 센서의 예로 부품에서 발생하는 열을 측정하는 온도센서일 수 있고, 부품의 마모 정도를 인식할 수 있는 위치센서 또는 카메라 센서일 수 있다. 이에 한정되는 것은 아니며, 기계 종류에 따라 센서의 종류는 기계에서 발생되는 물리적인 특징이나 소리 등을 측정할 수 있는 센서 등도 포함할 수 있다. 정보수집부(120)는 제조 기계로부터 수집한 제조 원시데이터를 누적하여 데이터베이스에 저장할 수 있다. 제조원시 데이터는 해당 제조 기계의 부품들에 작용하는 부하, 가공 제품 수, 운전시간, 가공시간 등의 정보를 포함할 수 있다. 이때 도 1에 도시된 제조원시DB(110)가 제조 기계에 대한 데이터를 누적하여 저장하는 데이터베이스이다. 제조원시DB(110)는 도 1에 도시된 다른 DB와 물리적으로 분리된 별개의 데이터베이스일 수 있다. 다만, 이에 제한되는 것은 아니며 물리적으로 하나의 데이터베이스 내에 다른 DB와 함께 존재할 수 있다.
정보수집부(120)는 미리 저장되어 있는 수집지표를 이용하여 수집한 제조원시 데이터를 전처리한다. 이때, 수집지표는 데이터베이스에 저장되어 있으며, 이때의 데이터베이스는 수집지표DB(130)이다. 수집지표는 제고 기계로부터 수집하는 정보 중 인공신경망이 추세예측선을 산출하거나 기계 고장판별 예측 결과를 도출을 학습하는데 유용한 정보를 추릴 때 어떤 정보를 선택할지 결정하는 지표이다. 일 예로 A 제조 기계에 대하여 수집하는 정보 중 정보a, 정보b, 정보c가 수집지표에 포함될 수 있다. 수집지표는 각 제조 기계별로 다르게 설정될 수 있으며, 인공신경망을 학습시키고 고장판별 예측을 반복적으로 수행하며 경험적으로 결정될 수 있다. 제조정보는 공정가동상태, 가동시간, 설비모드, 부하량 등의 정보를 포함하는 정보 원시데이터 중 수집지표에 기초하여 선택된 정보들이다. 정보수집부(120)는 제조원시 데이터를 전처리하여 생성한 제조정보를 데이터베이스에 저장할 수 있다. 이때 제조정보가 저장되는 데이터베이스는 제조정보DB(140)이다. 수집지표DB(130)와 제조정보DB(140)는 도 1에 도시된 다른 DB와 물리적으로 분리된 별개의 데이터베이스일 수 있다. 다만, 이에 제한되는 것은 아니며 물리적으로 하나의 데이터베이스 내에 다른 DB와 함께 존재할 수 있다. 정보수집부(120)가 원시데이터에 대하여 수행하는 전처리는 데이터 제조 원시데이터를 데이터 분석에 용이한 데이터로 가공하는 처리이다. 예를 들어, 전처리는 범주형 데이터를 수치화하거나 원핫 인코딩으로 변환하거나 정규화 수행 등의 방법을 사용할 수 있다. 전처리 방법은 이에 제한되지 않으며 데이터 마이닝에서 데이터를 전처리하는 알려진 다른 방법을 사용할 수도 있다.
인공신경망 기반 예측 모델(150)은 데이터베이스, 양상에 따라서는 제조정보DB(140)에 저장된 제조정보로부터 생성된 학습 데이터를 사용하여 인공신경망을 기반으로 학습한다. 인공신경망 기반 예측 모델(150)은 각 제조정보들을 독립변수로 하고 판별점수를 종속변수로 하는 다중 회귀분석을 통해 추세예측식을 도출하도록 학습되고, 마찬가지로 다중 회귀분석을 통해 정상 상태와 고장 상태가 레이블링(labeling)된 제조정보를 이용하여 기계 고장판별 예측 결과를 도출하도록 학습된다. 인공신경망 기반 예측 모델(150)은 딥러닝 기반의 인공신경망을 사용하며, 학습 방법과 신경망의 종류는 제한이 없으나 데이터의 추세를 구하고 예측하는 회귀분석이 사용되는 것이 바람직하다. 인공신경망 기반 예측 모델(150)은 상태가 레이블링된 제조정보로부터 고도화된 다중회귀 분석식을 도출하고 이 분석식에 제조정보를 입력하여 획득한 판별점수로부터 추세예측식과 기계 고장판별 예측 결과를 도출할 수 있다.
판별분석 모델(160)은 데이터베이스에 저장된 정보로부터 생성된 학습 데이터를 사용하여 제조 기계에 대한 고장 여부를 판별하는 판별함수식을 도출한다. 판별분석 모델(160)이 도출하는 판별함수식은 정상판별 함수와 고장판별 함수 2개로 구성된다. 데이터베이스에 저장된 정보 중 제조 기계가 고장났을 때의 데이터를 수집하여 고장판별 함수를 도출하고, 제조 기계가 정상 동작할 때의 데이터를 수집하여 정상 판별 함수를 도출한다. 또한, 판별분석 모델(160)은 학습 후 입력되는 제조정보를 판별함수식에 대입하여 기계 고장판별 예측 결과를 도출할 수 있다. 즉, 정상판별 함수와 고장판별 함수에 제조정보를 각각 입력하여 각 함수의 출력값의 크기를 비교하여 제조 기계의 고장 여부를 판별한다.
고장판별 예측부(170)는 정보수집부(120)에 의해 실시간으로 수집된 현재 제조정보를 인공신경망 기반 예측 모델(150)과 판별분석 모델(160)에 각각 입력하여 도출된 예측 결과로부터 제조 기계에 대한 고장판별 예측을 수행하고, 해당 제조 기계에 대한 고장판별 예측 결과를 생성하여 데이터베이스에 저장한다. 고장판별 예측부(170)는 실시간으로 수집된 현재 제조정보에 대하여 각각 인공신경망 예측 모델을 통해 도출된 제조 기계에 대한 고장판별 예측 결과와 판별분석 모델(160)을 통해 도출된 제조 기계에 대한 고장판펼 예측 결과를 종합하여 고장여부를 예측한다. 일 예로 두 모델 중 어느 하나라도 고장을 예측하면 고장이라고 판별할 수 있고, 두 모델 모두 고장을 예측할 때 고장이라고 판별할 수 있다. 이는 고장판별 예측 시스템을 운용하며 경험적으로 설정이 가능하다. 다른 예로 두 모델이 고장 예측에 대한 정확도를 산출하도록 하여 예측의 정확도가 높은 모델의 결과로 판별 결과를 정할 수도 있다.
또 다른 양상에 의하면, 인공신경망을 이용한 기계 고장판별 예측시스템(100)의 고장판별 예측부(170)는 인공신경망 예측 모델에서 도출된 추세예측식을 기반으로 실시간으로 수집된 정보들로부터 추세에 따른 제조 기계의 고장 가능성을 예측할 수 있다. 추세예측식은 다중 회귀분석식으로 산출된 제조정보들의 판별점수의 추세를 예측하는 데 사용된다. 따라서, 추세예측식을 통해 현재는 고장으로 예측되지 않지만 미래의 어느 시점에 고장으로 예측될 가능성이 있는 시점을 예측할 수 있다.
이때 생성된 고장판별 예측 결과를 저장하는 데이터베이스는 판별결과DB(180)이다. 판별결과DB(180)는 도 1에 도시된 다른 DB와 물리적으로 분리된 별개의 데이터베이스일 수 있다. 다만, 이에 제한되는 것은 아니며 물리적으로 하나의 데이터베이스 내에 다른 DB와 함께 존재할 수 있다.
일 실시 예에 따르면, 인공신경망을 이용한 기계 고장판별 예측시스템(100)이 특정 제조 기계에 대한 고장판별 예측하는 공정은, 해당 기계에 대한 데이터들을 수집하여 전처리한 후 제조정보로 저장하는 과정과, 저장된 제조정보를 기초로 인공신경망을 통해 추세예측식과 기계 고장판별 예측을 학습하는 과정과, 저장된 제조정보를 기초로 판별분석 모델(160)의 판별함수식을 도출하는 과정을 포함하는 학습 과정과, 실시간으로 수집된 제조정보를 인공신경망 예측 모델과 판별분석 모델(160)을 통해 제조 기계의 고장판별을 예측하는 과정과, 두 모델의 고장판별 예측 결과를 종합하여 고장판별 예측 결과를 생성하는 과정과, 추세예측식을 제조 기계의 향후 고장가능성과 예상 고장시점을 예측하는 과정과, 고장판별 예측 결과를 판별결과DB(180)에 저장하여 축적하는 과정을 포함하는 판별과정으로 구성될 수 있다
추가적으로, 인공신경망을 이용한 기계 고장판별 예측시스템(100)은 고장판별 예측부(170)에서 판별된 고장판별 예측 결과를 시각화하여 제공하는 판별결과 표시부(190)를 더 포함할 수 있다. 판별결과 표시부(190)는 고장판별 예측 결과와 함께 추세예측선을 그래프 형태로 디스플레이에 표시할 수 있다. 또한, 판별결과 표시부(190)는 고장판별 예측 결과 이력을 디스플레이에 표시할 수 있다.
인공신경망 기반 예측 모델(150)에서 도출하는 추세예측식은 정보수집부(120)가 수집하는 제조 기계에 부착된 센서들을 통해 기계에서 발생되는 특징들을 측정하거나 제조 기계 가동으로 인해 발생하는 정보인 제조 원시데이터의 양이 증가할수록 정교화되는 특징을 가진다. 인공신경망 기반 예측 모델(150)은 이미 저장된 과거 제조 원시데이터로부터 생성된 제조정보를 이용하여 생성된 학습 데이터를 학습하여 추세예측식을 도출한 후에도 지속적으로 입력되는 실시간 데이터를 입력 받아 추세예측식을 갱신할 수 있다. 또한 동일한 방식으로 판별분석 모델(160)이 판별함수식을 도출한 후에도 지속적으로 입력되는 실시간 데이터를 입력 받아 판별함수식을 갱신할 수 있다. 학습 후에도 추세예측식과 판별함수식이 지속적으로 업데이트 되어 정교화되는 것이다. 즉, 인공신경망 기반 예측 모델(150)과 판별분석 모델(160)이 정보 축적량이 증가함에 따라 정교화되는 특징을 가진다. 또한, 추세예측식은 판별 대상 제조 기계의 종류 또는 규모에 따라 상이하게 도출될 수 있다.
따라서, 본 발명의 기계 고장판별 예측시스템(100)은 판별 대상 기계에 대한 고장판별 예측을 수행하여 고장 가능성이 있는 기계들을 미리 파악할 수 있으므로, 판별 대상 기계의 현재 문제점 분석과. 대응에 도움을 줄 수 있는 효과가 발생된다.
또한, 제조 기계의 판별 결과를 누적하여 저장하고, 누적된 제조 정보를 동해 인공신경망 기반 예측 모델(150)이 도출하는 추세예측식과 판별분석 모델(160)이 도출하는 판별함수식이 정교해짐으로써 고장 횟수를 감소시켜 기업의 이익에 도움을 줄 수 있다.
도 2는 기계 고장판별 예측시스템의 고장판별 예측을 위한 제조정보들의 일 예를 도시한 것이다. 도 2의 예를 참조하여 설명하면, 도 2의 예에서는 고장판별 예측을 위한 제조정보는 제조정보 항목 I, 제조정보 항목 L, 제조정보 항목 T 총 3개의 항목이 있다.
제조정보 항목 I(ltem)는 기계가 생산해야 할 각 제품과 관련된 요인에 대한 항목으로 품명, 공구가공횟수, 가공 부품 수를 종합하여 사용할 수 있다.
제조정보 항목 L(Load)은 기계의 부품들이 받는 부하의 종류에 대한 항목으로 X- Y-Z 부하량, 스핀들 부하량, 베어링 부하량을 종합하여 사용할 수 있다.
제조정보 항목 T(Time)는 기계 작동과 관련된 시간 요인으로 운전시간. 가공시간, 사이클타임을 종합하여 사용할 수 있다.
인공신경망 기반 예측 모델(150)과 판별분석 모델(160)은 제조정보DB(140)에 저장된 제조정보로부터 현재 판별점수를 산출한다.
도 3은 기계 고장판별 예측시스템의 공정 흐름의 개념적으로 도시한 것이다. 도 3을 참고하여 설명하면, 먼저 제조 기계 고장판별 예측시스템(100)의 데이터베이스에는 고장판별 예측을 위한 제조 기계에 대한 제조정보들이 이미 누적되어 저장되어 있다. 또한, 제조기계로부터 수집한 데이터를 전처리하기 위한 수집지표가 미리 설정되어 제조정보DB(140)에 저장되어 있다.
이 상태에서. 정보수집부(120)는 제조 기계에 설치된 센서로부터 제조 기계에 대한 제조 원시데이터를 수집하여 제조원시DB(110)에 저장한다(S1000). 또한, 정보수집부(120)는 센서에서 측정한 데이터 외에 기계가 가동되면서 발생하는 정보 예를 들어 가동시간 등의 정보도 함께 수집할 수 있다. 제조원시 데이터는 해당 제조 기계의 부품들에 작용하는 부하, 가공 제품 수, 운전시간, 가공시간 등의 정보를 포함할 수 있다. 정보수집부(120)는 제조원시DB(110)에 저장된 제조 원시데이터로부터 수집지표DB(130)에 저장된 지표에 따라 전처리한 후 제조정보를 생성하여 제조정보DB(140)에 저장한다(S1020). 제조정보는 공정가동상태, 가동시간, 설비모드, 부하량 등의 정보를 포함할 수 있다.
그리고. 인공신경망 기반 예측 모델(150)은 정보수집부(120)에서 전처리하여 저장된 제조정보를 인공신경망 기반으로 추세예측식을 도출하도록 학습하고, 제조 기계 고장판별 예측 결과를 도출하도록 학습한다(S1040). 동시에 판별분석 모델(160)이 정보수집부(120)에서 전처리하여 저장된 제조정보로부터 제조 기계에 대한 고장 여부를 판별하는 판별함수식을 도출한다(S1040). 고장판별 예측부(170)는 인공신경망 기반 예측 모델(150)과 판별분석 모델(160)에 의해 도출된 제조 기계 고장판별 예측 결과를 종합하여 고장판별 결과를 생성한다(S1060). 판별결과 표시부(190)는 고장판별 예측부(170)에서 결정된 고장판별 결과를 시각화하여 표시한다(S1080).
도 4 는 기계 고장판별 예측시스템이 제조 기계의 고장판별을 예측하는 일 예를 도시한 흐름도이다. 도 4를 참조하여 설명하면, 기계 고장판별 예측시스템(100)의 인공신경망 기반 예측 모델(150)과 판별분석 모델(160)은 이미 학습데이터 학습이 완료된 이후를 가정한 흐름도이다. 판별대상 제조 기계가 작동하면(S2000) 정보수집부(120)가 판별대상 제조 기계로부터 실시간으로 원시 데이터를 수집하여 제조원시DB(110)에 저장한다(S2020). 정보수집부(120)는 수집지표DB(130)에 저장된 수집지표 항목에 따라 제조원시DB(110)에 저장된 원시데이터를 전처리하여 제조정보를 생성하고, 생성된 제조정보를 제조정보DB(140)에 저장한다(S2040). 고장판별 예측부(170)가 실시간으로 수집된 현재 제조정보를 인공신경망 기반 예측 모델(150)과 판별분석 모델(160) 각각에 입력한다. 인공신경망 기반 예측 모델(150)은 입력된 현재 제조정보로 회귀식에 기초하여 판별점수를 산출하고 고장판별 예측 결과를 도출한다(S2060). 판별분석 모델(160)이 입력된 현재 제조정보로 판별함수식에 기초하여 고장판별 예측 결과를 도출한다(S2080). 고장판별 예측부(170)는 두 모델의 예측 결과를 종합하여 고장판별 결과를 생성하고 이를 판별결과DB(180)에 저장한다(S2100). 판별결과 표시부(190)가 고장판별 결과를 시각화하여 표시한다(S2120). 이때 기계 고장판별 예측시스템(100)은 고장판별 결과에 따라 고장판별을 경고할 수 있다.
이와 같이 구현함에 의해 본 발명은 판별 대상 제조 기계에 대한 고장판별 예측을 수행하여 판별 대상 제조 기계의 고장가능성을 미리 파악함으로써 판별 대상 기계의 고장횟수를 감소시켜 기업의 이익에 도움을 줄 수 있다.
이상에서 본 발명을 첨부된 도면을 참조하는 실시 예들을 통해 설명하였지만 이에 한정되는 것은 아니며, 이들로부터 당업자라면 자명하게 도출할 수 있는 다양한 변형 예들을 포괄하도록 해석되어야 한다. 특허청구범위는 이러한 변형 예들을 포괄하도록 의도되었다.
본 발명은 제조공정에서 제조 기계의 고장판별 및 인공신경망을 활용한 고장판별 예측 기술분야 및 이의 응용 기술분야에서 산업상으로 이용 가능하다.
100 : 기계 고장판별 예측시스템
110 : 제조원시DB
120 : 정보수집부
130 : 수집지표DB
140 : 제조정보DB
150 : 인공신경망 기반 예측 모델
160 : 판별분석 모델
170 : 고장판별 예측부
180 : 판별결과DB
190 : 판별결과 표시부

Claims (6)

  1. 제조 기계에 부착된 측정계들을 통해 기계에서 발생되는 특징들을 측정한 제조 원시데이터를 수집하여 데이터베이스에 저장하는 정보수집부;
    데이터베이스에 저장된 정보로부터 생성된 학습 데이터를 사용하여 학습하는 인공신경망을 기반으로 추세예측식과 기계 고장판별 예측 결과를 도출하는 인공신경망 기반 예측 모델;
    데이터베이스에 저장된 정보로부터 생성된 학습 데이터를 사용하여 제조 기계에 대한 고장 여부를 판별하는 판별함수식을 수립하고, 판별함수식에 기초하여 기계 고장판별 예측 결과를 도출하는 판별분석 모델; 및
    정보수집부에 의해 실시간으로 수집된 현재 제조정보를 인공신경망 기반 예측 모델과 판별분석 모델에 각각 입력하여 도출된 예측 결과로부터 제조 기계에 대한 고장판별 예측을 수행하고, 해당 제조 기계에 대한 고장판별 예측 결과를 생성하여 데이터베이스에 저장하는 고장판별 예측부;
    를 포함하는 인공신경망을 이용한 기계 고장판별 예측시스템.
  2. 제 1 항에 있어서,
    정보수집부는 데이터베이스에 저장되어 있는 수집지표를 이용해 수집한 제조원시 데이터를 전처리하고, 전처리된 정보를 데이터베이스에 저장하는 인공신경망을 이용한 기계 고장판별 예측 시스템.
  3. 제 1 항에 있어서,
    고장판별 예측부는 인공신경망 예측 모델에서 도출된 추세예측식을 기반으로 실시간으로 수집된 정보들로부터 추세에 따른 제조 기계의 고장 가능성을 예측하는 인공신경망을 이용한 기계 고장판별 예측 시스템.
  4. 제 1 항에 있어서,
    고장판별 예측부에서 판별된 고장판별 예측 결과를 시각화하여 제공하는 판별결과 표시부;
    더 포함하는 인공신경망을 이용한 기계 고장판별 예측 시스템.
  5. 제 1 항에 있어서,
    정보수집부가 기계에서 수집하는 제조정보의 양이 증가할수록 인공신경망 기반 예측 모델에서 도출되는 추세예측식과 판별분석 모델에서 도출되는 판별함수식이 정교화되는 인공신경망을 이용한 기계 고장판별 예측 시스템.
  6. 제 5 항에 있어서.
    추세예측식은 판별 대상 제조 기계의 종류 또는 규모에 따라 상이하게 도출되는 인공신경망을 이용한 기계 고장판별 예측 시스템.
KR1020200064999A 2020-05-29 2020-05-29 인공신경망을 이용한 제조기계 고장판별예측 시스템 KR102334590B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200064999A KR102334590B1 (ko) 2020-05-29 2020-05-29 인공신경망을 이용한 제조기계 고장판별예측 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200064999A KR102334590B1 (ko) 2020-05-29 2020-05-29 인공신경망을 이용한 제조기계 고장판별예측 시스템

Publications (1)

Publication Number Publication Date
KR102334590B1 true KR102334590B1 (ko) 2021-12-02

Family

ID=78866955

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200064999A KR102334590B1 (ko) 2020-05-29 2020-05-29 인공신경망을 이용한 제조기계 고장판별예측 시스템

Country Status (1)

Country Link
KR (1) KR102334590B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102469871B1 (ko) * 2022-02-07 2022-11-23 주식회사 엘에스델 반복 사이클을 보유한 기계장비에 대한 이상 탐지 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101691634B1 (ko) 2014-08-21 2017-01-03 경희대학교 산학협력단 행거 타입 교량 슬래브거푸집 장치 및 이를 이용한 교량 슬래브거푸집 공사방법
KR20190022112A (ko) * 2017-08-25 2019-03-06 주식회사 펠코리아 자동화 설비의 고장 예측 장치, 이를 이용한 고장 예측 시스템 및 고장 예측 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101691634B1 (ko) 2014-08-21 2017-01-03 경희대학교 산학협력단 행거 타입 교량 슬래브거푸집 장치 및 이를 이용한 교량 슬래브거푸집 공사방법
KR20190022112A (ko) * 2017-08-25 2019-03-06 주식회사 펠코리아 자동화 설비의 고장 예측 장치, 이를 이용한 고장 예측 시스템 및 고장 예측 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102469871B1 (ko) * 2022-02-07 2022-11-23 주식회사 엘에스델 반복 사이클을 보유한 기계장비에 대한 이상 탐지 장치

Similar Documents

Publication Publication Date Title
US10649435B2 (en) Tool life estimating device
CN108628281B (zh) 异常检测系统及异常检测方法
US11403160B2 (en) Fault predicting system and fault prediction method
CN117786373B (zh) 一种基于大数据的瓦楞纸加工的设备运行诊断系统
JP6140331B1 (ja) 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
CN111242323B (zh) 用于修理机器次优操作的主动自动系统和方法
Ferreiro et al. Industry 4.0: predictive intelligent maintenance for production equipment
JP6875179B2 (ja) システム分析装置、及びシステム分析方法
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
CN111178553A (zh) 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统
KR20190062739A (ko) 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치
WO2020036818A1 (en) System and method for forecasting industrial machine failures
JP2018147419A (ja) 管理装置および管理プログラム
US11200790B2 (en) Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor
JP2017130094A (ja) セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム
CN113196311A (zh) 用于识别和预测机器的异常感测行为模式的系统和方法
Calabrese et al. An event based machine learning framework for predictive maintenance in industry 4.0
JP2020194320A (ja) 情報処理装置、予測判別システム、および予測判別方法
KR102334590B1 (ko) 인공신경망을 이용한 제조기계 고장판별예측 시스템
da Silva Arantes et al. A novel unsupervised method for anomaly detection in time series based on statistical features for industrial predictive maintenance
CN111061581A (zh) 一种故障检测方法、装置及设备
JP2010086219A (ja) 遠隔の機械を保守するための情報処理装置、プログラム、および方法
JP2007164346A (ja) 決定木変更方法、異常性判定方法およびプログラム
JP2022191680A (ja) データ選択支援装置及びデータ選択支援方法
CN118365316B (zh) 一种机器人的预测性维护系统及方法

Legal Events

Date Code Title Description
GRNT Written decision to grant