KR102340249B1 - 데이터 마이닝 기술을 이용한 피.엘.씨 고장 예측 장치 및 그 방법 - Google Patents

데이터 마이닝 기술을 이용한 피.엘.씨 고장 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR102340249B1
KR102340249B1 KR1020210062232A KR20210062232A KR102340249B1 KR 102340249 B1 KR102340249 B1 KR 102340249B1 KR 1020210062232 A KR1020210062232 A KR 1020210062232A KR 20210062232 A KR20210062232 A KR 20210062232A KR 102340249 B1 KR102340249 B1 KR 102340249B1
Authority
KR
South Korea
Prior art keywords
data
pattern
unit
prediction
learning
Prior art date
Application number
KR1020210062232A
Other languages
English (en)
Inventor
안재봉
김성훈
장재석
주익균
Original Assignee
주식회사 싸이몬
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 싸이몬 filed Critical 주식회사 싸이몬
Priority to KR1020210062232A priority Critical patent/KR102340249B1/ko
Application granted granted Critical
Publication of KR102340249B1 publication Critical patent/KR102340249B1/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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • G05B19/058—Safety, monitoring
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/10—Plc systems
    • G05B2219/14—Plc safety
    • G05B2219/14006—Safety, monitoring in general
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/10—Plc systems
    • G05B2219/14—Plc safety
    • G05B2219/14112—Diagnostic, troubleshooting

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명의 데이터 마이닝 기술을 이용한 PLC 고장 예측 장치는 PLC 내부의 접점에서 변화가 감지된 하나 이상의 디바이스들 각각으로부터 시계열 데이터를 수집하는 검출부; 상기 검출부에서 수집된 시계열 데이터들 각각에 대하여, 시계열 군집화를 통해 시계열 데이터 각각에 대응한 임시 패턴을 생성하는 샘플링부; 상기 샘플링부에서 생성된 임시 패턴들 중 미리 설정된 소정 횟수 이상 반복되는 패턴에 대하여 예측 패턴으로 변환한 후, 상기 예측 패턴을 학습하고 그 결과를 군집화하여 학습 데이터를 생성하는 데이터 학습부; 상기 데이터 학습부에서 생성한 학습 데이터와, 상기 학습 데이터 생성 이후에 상기 검출부에서 수집되는 수집 데이터와의 연관성을 비교하여 고장을 예측하되, 연속적인 진단 추세를 통해 고장을 예측하는 예측 진단부; 및 상기 데이터 학습부 및 상기 예측 진단부에서 생성된 데이터들을 저장하는 데이터베이스부를 포함한다. 따라서, 본 발명은 PLC 고장 예측을 위한 별도의 외부 분석 시스템을 부가하지 않고, PLC에 내장된 데이터 마이닝 기법을 통해, PLC의 품질을 진단하고, 고장 발생 가능성을 예측함으로써, 시스템 구축에 소모되는 비용을 절감할 수 있는 장점이 있다.

Description

데이터 마이닝 기술을 이용한 피.엘.씨 고장 예측 장치 및 그 방법{APPARATUS AND METHOD FOR DIAGNOSING AND PREDICTING FAULTS OF PLC USING DATA MANNING}
본 발명은 피.엘.씨(PLC, Programmable Logic Controller, 이하, ‘PLC’라 칭함) 고장 예측 장치에 관한 것으로서, 보다 상세하게는, 데이터 마이닝 기술을 이용하여 PLC의 품질을 진단하고, 고장을 예측하는 PLC 고장 예측 장치 및 그 방법에 관한 것이다.
PLC(Programmable Logic Controller)란 산업공정에서 널리 사용되는 공정 제어용 제어기기를 말하는 것으로서, 일반적으로 CPU(Central Process Unit), 입/출력 유닛, 외부 프로세서와 인터페이스를 담당하는 접속장치, 및 전원 공급유닛으로 구성된다.
CPU는 PLC의 전반적인 동작을 제어하기 위한 중앙제어장치로서, 릴레이 다이어그램이 있는 형태로 메모리에 저장되어 그 내용을 순차적으로 해독한 후, 그 결과를 내부 릴레이로서 메모리에 저장하거나, 출력부를 통해 외부로 출력한다.
입/출력 유닛은 각각 디지털 입력유닛과 아날로그 유닛, 디지털 출력유닛과 아날로그 유닛으로 나뉘며, 입력 유닛은 플랜트로부터 센서의 입력이나 공정치를 받아서 PLC의 시퀀스 프로그램에 따라 플랜트를 구동시킨다.
이러한 PLC의 제작 기술과 기능의 발달에 의하여 산업계의 PLC 도입은 지속적으로 증가하고 있으며, 공정의 규모에 따라서 PLC는 수 대에서 수 천대가 운용될 수 있다. 이로 인해, 단계적으로 이루어지고 있는 공정에서 PLC로부터 제어되는 각종 장비들 중 어느 하나에서 고장이 발생할 경우, 생산라인을 중단시킬 수 있으며, 나아가서 전체 생산라인을 마비시킬 수 있다.
따라서, PLC가 제어하는 플랜트가 오동작하거나 정지하는 경우, 이를 복구하기 위해, 우선적으로, 해당 PLC를 재부팅하거나, PLC의 전원을 점검하는 등의 기본적인 조작을 하고, 기본적인 조작에 의해 고장이 복구되지 않으면, PLC 마다 제조회사들이 제공하는 자기 진단 기능을 이용하여야 했다.
그런데, 이러한 자기 진단 기능이 제공하는 고장의 범위는 PLC 자체만의 고장정보를 제공함으로써, 센서나 구동기의 오동작에 의해 PLC가 마치 고장인 것처럼 나타날 경우 그 원인을 찾기가 어렵고, 그 자체로 신뢰가 떨어져서 자기 진단 결과의 오류로 인해, 고장 복구를 위한 시간이 더 많이 소요되는 경우도 있었다.
이와 같이, 종래에는 PLC의 고장 원인을 파악하고 대처하는 방법이 체계화되어 있지 않음으로써, PLC로부터 제어되는 각종 장비들의 고장 원인을 찾기가 매우 어렵고, 이로 인해, 고장 복구의 시간이 상당히 소요되는 문제가 있었다.
한국 등록특허 제 10-0293219 호에는 피엘씨 자체 고장과 피엘씨 외부 고장진단 방법 및 장치가 개시되어 있다. 상기 특허에는, PLC 자체 고장 및 PLC 외부 고장 진단 장치에 있어서, PLC부터 PLC 프로그램을 입력받아서 운전원이 인식할 수 있는 코드로 번역하여 출력하는 PLC 언어 번역기(310)와, 상기 번역된 PLC 프로그램 코드를 입력받아 자기진단 기능, 오입력 추적 기능, 과거 고장사례를 통한 고장 복구 기능, 유닛별 진단 기능을 수행하는 PLC 고장 진단 알고리즘부(320)와, 과거 및 현재의 고장사례를 저장하고 고장사례 데이터베이스 관리부(323)에 고장 사례를 제공하는 PLC 고장 사례 데이터베이스(330)를 구비하는 것을 특징으로 하는 PLC 고장 진단장치가 개시되어 있다.
상기 특허에 의하면, PLC 구동 프로그램에 의한 입/출력 추적 방법과 운전원의 고장사례 데이터베이스 검색을 적용하여 PLC 고장 복구 시간을 단축할 수 있는 장점이 있다.
하지만, 상기와 같은 종래 기술은, PLC 고장을 진단하기 위한 별도의 장치를 구성함으로써, 시스템 구축에 많은 비용이 소모되는 문제가 있고, 수집된 데이터에 대하여 사용자가 설정 개입을 해야 하는 번거로움이 있었다. 예를 들어, 종래에는 PLC와의 통신 및 인터페이스 설정, 진단과 오추적에 대한 사용자의 설정 개입이 필요했다.
한국 등록특허 제 10-0293219 호
따라서 본 발명은 PLC 고장 예측을 위한 별도의 외부 분석 시스템을 부가하지 않고, PLC에 내장된 데이터 마이닝 기법을 통해, PLC의 품질을 진단하고, 고장 발생 가능성을 예측함으로써, 시스템 구축에 소모되는 비용을 절감할 수 있는 PLC 고장 예측 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 PLC의 내부 접점에서 변화가 감지된 하나 이상의 디바이스들로부터 데이터를 수집하고, 그 수집된 데이터에 대한 학습을 통해 예측된 데이터와 PLC의 운전 데이터와의 유사도를 근거로, 생산 라인 및 센서의 품질 판정 및 고장 발생 가능성을 예측함으로써, 사용자의 설정 개입 없이 자체적으로 PLC의 품질을 진단하고, 고장 발생 가능성을 예측할 수 있는 PLC 고장 예측 장치 및 그 방법을 제공하고자 한다.
상기 목적을 달성하기 위해, 본 발명에서 제공하는 데이터 마이닝 기술을 이용한 PLC 고장 예측 장치는 PLC 내부의 접점에서 변화가 감지된 하나 이상의 디바이스들 각각으로부터 시계열 데이터를 수집하는 검출부; 상기 검출부에서 수집된 시계열 데이터들 각각에 대하여, 시계열 군집화를 통해 시계열 데이터 각각에 대응한 임시 패턴을 생성하는 샘플링부; 상기 샘플링부에서 생성된 임시 패턴들 중 미리 설정된 소정 횟수 이상 반복되는 패턴에 대하여 예측 패턴으로 변환한 후, 상기 예측 패턴을 학습하고 그 결과를 군집화하여 학습 데이터를 생성하는 데이터 학습부; 상기 데이터 학습부에서 생성한 학습 데이터와, 상기 학습 데이터 생성 이후에 상기 검출부에서 수집되는 수집 데이터와의 연관성을 비교하여 고장을 예측하되, 연속적인 진단 추세를 통해 고장을 예측하는 예측 진단부; 및 상기 데이터 학습부 및 상기 예측 진단부에서 생성된 데이터들을 저장하는 데이터베이스부를 포함하는 것을 특징으로 한다.
바람직하게, 상기 검출부는 상기 디바이스들 각각으로부터 수집되는 시계열 데이터에 대하여, 상기 수집 시간, 상기 내부 접점에 대응한 디바이스 주소, 및 시계열 데이터값으로 분류하여 수집할 수 있다.
바람직하게, 상기 샘플링부는 상기 변화가 감지된 하나 이상의 디바이스들 중 임의의 제1 디바이스의 비트값을 기준으로, 상기 제1 디바이스의 비트값이 온을 유지하는 동안 오프로 변환된 디바이스들의 정보를 취득한 후, 상기 정보들에 대한 시계열 군집화를 통해 임시패턴을 생성할 수 있다.
바람직하게, 상기 데이터 학습부는 상기 샘플링부에서 생성된 적어도 하나의 임시 패턴을 제공받고, 상기 임시패턴들에 대하여 데이터 마이닝 연산을 처리하여, 유사도가 높은 임시패턴끼리 재조합하여 적어도 하나의 예측 패턴들을 산출하는 데이터 마이닝부; 상기 적어도 하나의 예측 패턴들을 군집화하여 상기 예측 패턴들의 반복주기를 학습하는 패턴 학습부; 및 상기 샘플링부에서 제공받은 하나 이상의 임시 패턴을 저장하는 샘플링 저장부를 포함할 수 있다.
바람직하게, 상기 패턴 학습부는 상기 샘플링부에 저장된 임시 패턴들 중, 상기 임시 패턴과 그 패턴이 동일하거나, 발생시간 간격 유사도가 동일한 예측 패턴이 존재하는 임시 패턴에 대하여 재연산을 통한 패턴 학습을 진행할 수 있다.
바람직하게, 상기 패턴 학습부는 상기 예측 패턴들의 유사도를 재검토하여 상기 예측 패턴을 평균 처리하는 상태 제어부를 더 포함하고, 상기 상태 제어부는 상기 평균 처리된 예측 패턴을 상기 데이터베이스부에 저장할 수 있다.
바람직하게, 상기 예측 진단부는 상기 데이터 학습부에서 생성된 학습 데이터와, 상기 학습 데이터 생성 이후에 상기 검출부에서 수집되는 수집 데이터와의 유사도를 산출하는 유사도 산출부; 상기 유사도 추이 변화를 파악하고, 상기 유사도 추이 변화에 의거하여 이후에 발생할 동일 패턴에 대한 유사도를 예측하는 유사도 예측부; 및 상기 유사도 예측 결과에 의거하여, PLC의 고장 발생 가능성을 판단하는 고장 예측부를 포함할 수 있다.
한편, 본 발명의 일 실시 예에 따른, 데이터 마이닝 기술을 이용한 PLC 고장 예측 방법은 상기 PLC 내부의 접점에서 변화가 감지된 하나 이상의 디바이스들 각각으로부터 시계열 데이터를 수집하는 데이터 수집 단계; 상기 수집된 하나 이상의 시계열 데이터들 각각에 대하여, 시계열 군집화를 통해 시계열 데이터 각각에 대응한 임시 패턴을 생성하는 샘플링 단계; 상기 샘플링 단계에서 생성된 임시 패턴들 중 미리 설정된 소정 횟수 이상 반복되는 패턴에 대하여 예측 패턴으로 변환한 후, 상기 예측 패턴을 학습하고 그 결과를 군집화하여 학습 데이터를 생성하는 데이터 학습 단계; 및 상기 데이터 학습 단계에서 생성한 학습 데이터와, 상기 학습 데이터 생성 이후에 상기 데이터 수집 단계에서 수집된 수집 데이터와의 연관성을 비교하여 고장을 예측하되, 연속적인 진단 추세를 통해 고장을 예측하는 예측 진단 단계를 포함하는 것을 특징으로 한다.
바람직하게, 상기 데이터 수집 단계는 상기 디바이스들 각각으로부터 수집되는 시계열 데이터에 대하여, 상기 수집 시간, 상기 내부 접점에 대응한 디바이스 주소, 및 시계열 데이터 값으로 분류하여 수집할 수 있다.
바람직하게, 상기 샘플링 단계는 상기 변화가 감지된 하나 이상의 디바이스들 중 임의의 제1 디바이스의 비트값을 기준으로, 상기 제1 디바이스의 비트값이 온을 유지하는 동안 오프로 변환된 디바이스들의 정보를 취득하고, 상기 취득한 정보들에 대한 시계열 군집화를 통해 임시 패턴을 생성할 수 있다.
바람직하게, 상기 데이터 학습 단계는 상기 샘플링 단계에서 생성된 적어도 하나의 임시 패턴들에 대하여 데이터 마이닝 연산을 처리하고, 그 결과로 유사도가 높은 임시패턴끼리 재조합하여 적어도 하나의 예측 패턴들을 산출하는 데이터 마이닝 단계; 상기 적어도 하나의 예측 패턴들을 군집화하여 상기 예측 패턴들의 반복주기를 학습하는 패턴 학습 단계; 및 상기 샘플링 단계에서 제공받은 하나 이상의 임시 패턴을 저장하는 샘플링 저장 단계를 포함할 수 있다.
바람직하게, 상기 패턴 학습 단계는 상기 샘플링 저장 단계에서 저장된 임시 패턴들 중, 상기 임시 패턴과 그 패턴이 동일하거나, 발생시간 간격 유사도가 동일한 예측 패턴이 존재하는 임시 패턴에 대하여 재연산을 통한 패턴 학습을 진행할 수 있다.
바람직하게, 상기 패턴 학습 단계는 상기 예측 패턴들의 유사도를 재검토하여 상기 예측 패턴을 평균 처리할 수 있다.
바람직하게, 상기 예측 진단 단계는 상기 데이터 학습 단계에서 생성된 학습 데이터와, 상기 학습 데이터 생성 이후에 상기 데이터 수집 단계에서 수집되는 수집 데이터와의 유사도를 산출하는 유사도 산출 단계; 상기 유사도 추이 변화를 파악하고, 상기 유사도 추이 변화에 의거하여 이후에 발생할 동일 패턴에 대한 유사도를 예측하는 유사도 예측 단계; 및 상기 유사도 예측 결과로 PLC의 고장 발생 가능성을 판단하는 고장 예측 단계를 포함할 수 있다.
상기한 바와 같이, 본 발명의 PLC 고장 예측 장치 및 그 방법은 PLC 고장 예측을 위한 별도의 외부 분석 시스템을 부가하지 않고, PLC에 내장된 데이터 마이닝 기법을 통해, PLC의 품질을 진단하고, 고장 발생 가능성을 예측함으로써, 시스템 구축에 소모되는 비용을 절감할 수 있는 장점이 있다.
또한, 본 발명은 PLC의 내부 접점에서 변화가 감지된 하나 이상의 디바이스들로부터 데이터를 수집하고, 그 수집된 데이터에 대한 학습을 통해 예측된 데이터와 PLC의 운전 데이터와의 유사도를 근거로, 생산 라인 및 센서의 품질 판정 및 고장 발생 가능성을 예측함으로써, 사용자의 설정 개입 없이 자체적으로 PLC의 품질을 진단하고, 고장 발생 가능성을 예측할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시 예에 따른 데이터 마이닝 기술을 이용한 PLC 고장 예측 장치에 대한 개략적인 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 데이터 학습부에 대한 개략적인 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 예측 진단부에 대한 개략적인 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 검출부가, 변화가 감지된 하나 이상의 디바이스들 각각으로부터 수집한 시계열 데이터의 예를 도시한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 데이터 학습부가, 예측 패턴 내 디바이스 변화간 시간 간격 정보를 군집화하는 예를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 유사도 산출부에서 산출된 패턴 유형별 유사도 평균값 저장예를 도시한 도면이다.
도 7은 본 발명의 일 실시 예에 따른 유사도 예측부에서 유사도를 예측하는 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시 예에 따른 유사도 진단 결과도 도출된 유사도 변화 추이를 이용하여 PLC의 동작 상태를 예측하는 예를 설명하기 위한 그래프이다.
도 9 내지 도 11은 본 발명의 일 실시 예에 따른 데이터 마이닝 기술을 이용한 PLC 고장 예측 방법에 대한 개략적인 처리 흐름도들이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 설명하되, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 한편 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 또한 상세한 설명을 생략하여도 본 기술 분야의 당업자가 쉽게 이해할 수 있는 부분의 설명은 생략하였다.
명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본 발명의 일 실시 예에 따른 데이터 마이닝 기술을 이용한 PLC 고장 예측 장치에 대한 개략적인 블록도이다. 도 1을 참조하면, 본 발명의 일 실시 예에 따른 데이터 마이닝 기술을 이용한 PLC 고장 예측 장치(100)는 검출부(110), 샘플링부(120), 데이터 학습부(130), 예측 진단부(140), 및 데이터 베이스(150)를 포함한다.
검출부(110)는 PLC 내부의 접점에서 변화가 감지된 하나 이상의 디바이스들 각각으로부터 시계열 데이터를 수집한다. 이 때, 검출부(110)는 상기 디바이스들 각각으로부터 수집되는 시계열 데이터에 대하여, 상기 시계열 데이터가 수집된 수집 시간, 상기 변화가 감지된 디바이스의 주소, 및 시계열 데이터값으로 분류하여 수집한다. 즉, 검출부(110)는 비트(bit) 변화가 감지된 디바이스들의 감지시간, 디바이스 주소 및 비트(bit)값을 취득할 수 있다. 이 때, 검출부(110)에서 검출된 시계열 데이터의 예가 도 4에 예시되어 있다. 도 4는 본 발명의 일 실시 예에 따른 검출부가, 변화가 감지된 하나 이상의 디바이스들 각각으로부터 수집한 시계열 데이터의 예를 도시한 도면으로서, 도 4를 참조하면, 임의의 디바이스 A 및 B의 비트값이 0과 1을 반복할 때, 그 비트값이 변화하는 시점을 표시하고 있다. 즉, 디바이스 A의 비트값이 0에서 1로 변화하는 지점(a) 및 상기 디바이스 A의 비트값이 1에서 0으로의 변화하는 지점(a')과, 디바이스 B의 비트값이 0에서 1로 변화하는 지점(b) 및 상기 디바이스 A의 비트값이 1에서 0으로의 변화하는 지점(b')을 반복적으로 도시하고 있다.
샘플링부(120)는 검출부(110)에서 수집된 시계열 데이터들 각각에 대하여, 시계열 군집화를 통해 시계열 데이터 각각에 대응한 임시 패턴을 생성한다. 이 때, 군집화란 한 패턴에 포함되는 시간 간격 값들을 집합화한 것을 말한다.
즉, 샘플링부(120)는 도 4에 예시된 바와 같은 시계열 데이터로부터 임시 패턴을 생성하되, 상기 변화가 감지된 하나 이상의 디바이스들 중 임의의 제1 디바이스의 비트값을 기준으로, 상기 제1 디바이스의 비트값이 온을 유지하는 동안 오프로 변환된 디바이스들의 정보를 취득한 후, 상기 정보들에 대한 시계열 군집화를 통해 임시패턴을 생성할 수 있다. 예를 들어, 도 4에서 최초 a'가 감지되었을 때 {a, b, a'}에서 a와 a' 사이에 오프로 감지된 디바이스는 없기 때문에, 샘플링부(120)는 {a, a'}을 임시 패턴으로 생성하고, a'가 감지된 이후 b'가 감지되었을 때 {b, a', b'}에서 b와 b' 사이에 오프로 감지된 디바이스(a')가 있으므로, 샘플링부(120)는 {a, b, a', b'}를 임시패턴으로 생성한다. 따라서 도 4의 예로부터 생성되는 임시패턴은 {a, a'}와, {a, b, a', b'}이다.
한편, 샘플링부(120)는 상기 생성된 임시패턴과 유사한 패턴이 발생하는 경우 중복되는 패턴에 대해서만 수집을 한다. 예를 들어, a'가 감지되는 패턴 시계열 군집화 마지막 원소가 a'인 패턴이 {a, a'}, {b, a, b', a'}, {c, a, c', a'}라면 샘플링부(120)는 {a, a'} 한 패턴만 남기고 나머지는 임시패턴에서 제거한다.
데이터 학습부(130)는 샘플링부(120)에서 생성된 임시 패턴들 중 미리 설정된 소정 횟수(예컨대, 10회) 이상 반복되는 패턴에 대하여 예측 패턴으로 변환한 후, 상기 예측 패턴을 학습하고 그 결과를 군집화하여 학습 데이터를 생성한다. 예를 들어, 상기 임시패턴 {a, a'}과, {a, b, a', b'}가 10회 이상 반복되는 경우, 데이터 학습부(130)는, 상기 패턴들을 예측 패턴으로 변환할 수 있으며, 최초 생성되는 예측 패턴이 {a, a'}이고, 이후에 생성되는 예측 패턴이 {a, b, a', b'}인 경우, 기존의 예측 패턴 중 중복되는 패턴a, a'이 부분집합에 포함되면 그 중복되는 패턴은 제거할 수 있다. 결과적으로, 이 때, 최종적으로 나오는 예측 패턴은 {a, b, a', b'}가 될 수 있다. 이와 같이 예측 패턴이 생성되면, 데이터 학습부(130)는 해당 패턴 내 디바이스 변화 간 시간 간격 정보를 군집화한다.
도 5는 본 발명의 일 실시 예에 따른 데이터 학습부(130)가, 예측 패턴 내 디바이스 변화간 시간 간격 정보를 군집화하는 예를 설명하기 위한 도면으로서, 도 5의 예에서, 예측 패턴에 대해 감지된 시간 간격 데이터를 T1 ~ T4 라 하고, 그에 따른 군집화 정보를 D1 = {T1, T2, T3, T4}라 하면, 이후 동일한 패턴들에 대한 시간간격 데이터 군집화 정보를 D2 = {T1', T2', T3', T4'}, D3 = {T1", T2", T3", T4"},…,Dn이라 할 수 있다.
한편, 도 5의 (a)는 샘플링부(120)에서 생성된 임시패턴에 대해서 10회 이상 반복 발생된 패턴, 즉 예측 패턴이 될 패턴의 이력 정보를 나타내고, 도 5의 (b)는 도 5의 (a)에 예시된 패턴을 아날로그 데이터화하되, 디바이스들의 변경 시점들 간의 시간 간격값을 통해 아날로그 데이터화한 후 군집화하여 나타낸 도면이고, 도 5의 (c)는 도 5의 (a) 및 도 5의 (b)를 이용하여 생성한 학습 데이터를 나타내며, 데이터 학습부(130)는 도 5의 (a)에 예시된 패턴 정보를 이용하여 순차적 패턴의 동일성을 확인하고, 도 5의 (b)에 예시된 패턴 정보 및 유클리드 거리 공식을 활용한 유사도 측정에 의해 예측 패턴 여부를 결정한다. 그리고, 도 5의 (b)에 예시된 패턴이 예측 패턴인 경우, 도 5의 (c)에 예시된 바와 같이 순차적 패턴 및 패턴 내 디바이스 변화값에 따른 시간 간격 데이터를 포함하는 학습데이터를 생성할 수 있다.
이를 위한, 데이터 학습부(130)의 보다 구체적인 구성 및 동작에 관하여는 도 2를 참조하여 후술할 것이다.
예측 진단부(140)는 데이터 학습부(130)에서 군집화된 학습 데이터와, 상기 학습 데이터 생성 이후에 검출부(110)에서 수집되는 수집 데이터와의 연관성을 비교하여 PLC의 고장을 예측하되, 연속적인 진단 추세를 통해 고장을 예측한다. 이를 위한, 예측 진단부(140)의 보다 구체적인 구성 및 동작에 관하여는 도 3을 참조하여 후술할 것이다.
데이터 베이스(150)는 데이터 학습부(130) 및 예측 진단부(140)에서 생성된 데이터들을 저장한다.
도 2는 본 발명의 일 실시 예에 따른 데이터 학습부에 대한 개략적인 블록도이다. 도 1 및 도 2를 참조하면, 데이터 학습부(130)는 데이터 마이닝부(131)와, 패턴학습부(133)를 포함한다.
데이터 마이닝부(131)는 샘플링부(120)로부터 적어도 하나의 임시 패턴을 제공받아 데이터 마이닝 연산을 처리하고, 그 결과로 유사도가 높은 임시패턴끼리 재조합하여 도 5의 (a)에 예시된 바와 같은 적어도 하나의 예측 패턴들을 산출한다.
패턴 학습부(133)는 데이터 마이닝부(131)에서 생성된 적어도 하나의 예측 패턴들을 군집화하여, 상기 예측 패턴들의 반복주기를 학습한다.
이를 위해, 패턴 학습부(133)는, 먼저, 상기 적어도 하나의 예측 패턴들 간의 유사도를 산출한다. 즉, 패턴 학습부(133)는 예측 패턴의 시간간격 정보 군집화 데이터를 통해서 시계열 유사도를 판정한다. 이 때, 군집화 데이터 n개를 상호 비교한 시계열 유사도를 Sn:n이라 하고, D1 ~ Dn 과 Dn+1 ~ D2n에 대한 평균 DTW 결과를 DTW(D1, D2, D3, …, D2n)이라 할 때, 시계열 유사도 Sn:n는 수학식 1을 이용하여 산출할 수 있다.
Figure 112021055642403-pat00001
특히, 패턴 학습부(133)는 정밀한 패턴을 찾기 위해 예측 패턴의 시간간격 데이터의 n차 유사도 판정을 진행하며, 시간간격 데이터 {T1, T2}를 통한 1:1, 2:2, …, n:n 패턴 진단 결과 평균값(즉, 평균 유사도)을 하기의 수학식 2 내지 수학식 10에 의해 취득할 수 있다.
Figure 112021055642403-pat00002
Figure 112021055642403-pat00003
Figure 112021055642403-pat00004
이 때, 수학식 2 내지 수학식 4는 1:1 패턴 진단 결과를 나타내는 수학식들로서, 수학식 2는 1:1 패턴 군집화 데이터를 나타내고, 수학식 3은 1:1 패턴 유사도 데이터를 나타내고, 수학식 4는 1:1 패턴 유사도 평균값을 나타낸다.
Figure 112021055642403-pat00005
Figure 112021055642403-pat00006
Figure 112021055642403-pat00007
이 때, 수학식 5 내지 수학식 7은 2:2 패턴 진단 결과를 나타내는 수학식들로서, 수학식 5는 2:2 패턴 군집화 데이터를 나타내고, 수학식 6은 2:2 패턴 유사도 데이터를 나타내고, 수학식 7은 2:2 패턴 유사도 평균값을 나타낸다.
Figure 112021055642403-pat00008
Figure 112021055642403-pat00009
Figure 112021055642403-pat00010
이 때, 수학식 8 내지 수학식 10은 n:n 패턴 진단 결과를 나타내는 수학식들로서, 수학식 8은 n:n 패턴 군집화 데이터를 나타내고, 수학식 9는 n:n 패턴 유사도 데이터를 나타내고, 수학식 10은 n:n 패턴 유사도 평균값을 나타낸다.
한편, 패턴 학습부(133)는 이와 같이 취득한 패턴 유사도 평균값들(
Figure 112021055642403-pat00011
) 중 0.7 이상이며 1에 가장 근접한 값을 패턴 주기로 추측한다. 만약, 유사도 평균값이 동일한 값에 한해서는 비교 데이터 수가 많은 패턴을 주기로 추측한다. 따라서, 패턴 주기는 유사도 평균값 및 비교 데이터가 클수록 적합하다고 판단한다. 단, n:n과 n배수:n배수의 유사도 평균값이 같은 경우에는 n:n을 패턴 주기로 판단할 수 있다.
도 5의 (b)는 도 5의 (a)에 예시된 예측 패턴을 군집화한 결과이고, 도 5의 (c)는 상기 군집화 데이터의 학습 결과로 도출된 학습 데이터이다.
한편, 패턴 학습부(133)는 후술될 샘플링 저장부에 저장된 임시 패턴들 중, 상기 임시 패턴과 그 패턴이 동일하거나, 발생시간 간격 유사도가 동일한 예측 패턴이 존재하는 임시 패턴에 대하여 재연산을 수행하고, 그 결과에 의거하여 패턴 학습을 진행할 수 있다.
또한, 패턴 학습부(133)는 상기 예측 패턴들의 유사도를 재검토하여 상기 예측 패턴을 평균 처리하는 상태 제어부(미도시)를 더 포함하고, 상기 상태 제어부는 상기 평균 처리된 예측 패턴을 데이터베이스(150)에 저장할 수 있다. 이 때, 상기 평균 처리된 예측 패턴을 데이터베이스(150)에 저장하는 이유는 상기 예측 패턴의 지속적인 변화를 반영하기 위함이다. 즉, 상기 예측 패턴들은 예측 진단부(140)에서 진단 연산시 필요로 하는 데이터이며, 이는 최초 생성 이후에도 지속적인 변화에 대해 평균처리를 진행하여야 하므로, 평균 처리 이후, 데이터베이스(150)에 저장되는 것이다.
또한, 데이터 학습부(130)는 샘플링부(120)에서 제공받은 하나 이상의 임시 패턴을 저장하는 샘플링 저장부(미도시)를 더 포함할 수 있다. 이 때, 하나 이상의 임시 패턴을 샘플링 저장부에 저장하는 이유는, 임시 패턴이 예측 패턴이 되기 위해, 최소 10회 이상 순차적 동일 패턴과 시간간격 데이터간 유사도를 통해 유사한 패턴들의 정보를 취득해야 하므로, 그 정보들을 저장하기 위함이다.
도 3은 본 발명의 일 실시 예에 따른 예측 진단부에 대한 개략적인 블록도이다. 도 1 및 도 3을 참조하면, 예측 진단부(140)는 유사도 산출부(141), 유사도 예측부(143), 및 고장 예측부(145)를 포함한다.
유사도 산출부(141)는 데이터 학습부(130)에서 생성된 학습 데이터와, 상기 학습 데이터 생성 이후에 검출부(110)에서 수집되는 수집 데이터와의 유사도를 산출하되, 도 2에 예시된 패턴 학습부(133)와 유사한 방법으로 상기 유사도를 산출할 수 있다. 즉, 유사도 산출부(141)는, 예측 패턴의 시간간격 정보 군집화 데이터를 통해서 시계열 유사도를 판정하되, 군집화 데이터 n개를 상호 비교한 시계열 유사도를 Sn:n이라 하고, D1 ~ Dn 과 Dn+1 ~ D2n에 대한 평균 DTW 결과를 DTW(D1, D2, D3, …, D2n)이라 할 때, 상기 수학식 1을 이용하여 시계열 유사도 Sn:n를 산출하고, 그 결과를 저장할 수 있다. 특히, 유사도 산출부(141)는 도 2에 예시된 패턴 학습부(133)와 같이 시간간격 데이터 {T1, T2}를 통한 1:1, 2:2, …, n:n 패턴 진단 결과 평균값을 산출하고, 그 결과를 저장한다. 이와 같이 유사도 산출부(141)에서 산출된 유사도 평균값의 저장 예가 도 6에 예시되어 있다.
도 6은 본 발명의 일 실시 예에 따른 유사도 산출부에서 산출된 패턴 유형별 유사도 평균값 저장 예를 도시한 도면으로서, 가로축은 데이터의 개수를, 세로축은 패턴의 유형을 나타낸다. 이 때, 패턴 유사도 평균 데이터들(
Figure 112021055642403-pat00012
)은 시간에 따라 지속적으로 갱신되며, 갱신된 최신 비교 데이터를 통해 유사도 진단이 가능하다. 따라서, 유사도 산출부(141)는, 정확한 유사도 진단을 위해, 도 6에 예시된 바와 같이, 패턴의 개수에 대한 유사도 평균값을 관리한다.
도 6을 참조하면, 데이터의 개수가 4개 미만인 패턴 데이터(즉, 2번 및 3번 패턴 데이터)에서, 1:1 패턴 유사도 진단 결과가, 0.8, 0.7로서, 매번 0.7 이상이기 때문에 1:1 패턴 유형을 패턴 주기로 추측할 수 있지만, 데이터의 개수가 4개인 패턴 데이터 분석 결과에서 2:2 패턴 유사도 진단 결과가 0.9로서, 1:1 패턴 유사도 진단 결과 보다 1에 더 근접하기 때문에 1:1 패턴 유형 보다 2:2 패턴 유형이 패턴 주기에 더 적합한 것으로 판단되어질 수 있다. 한편, 데이터의 개수가 8개인 패턴 데이터를 참조하면, 2:2 패턴과 4:4 패턴의 유사도 진단 결과가 0.9로 동일하다. 이와 같이 유사도 진단 결과가 동일한 경우, 그 수치가 낮은 패턴 유형을 패턴 주기에 적합한 것으로 판단할 수 있다. 따라서, 이 경우도 2:2 패턴 유형이 패턴 주기에 더 적합한 것으로 판단되어질 수 있다.
유사도 예측부(143)는 유사도 산출부(141)에서 관리되는 유사도 추이 변화를 파악하고, 그에 의거하여 이후에 발생할 동일 패턴에 대한 유사도를 예측한다. 즉, 유사도 예측부(143)는 도 6에 예시된 바와 같은 패턴 유사도 평균값들(
Figure 112021055642403-pat00013
)을 분석하여 패턴 유사도를 진단하고, 그 결과에 따라 동일 패턴에 대한 유사도를 예측할 수 있다. 예를 들어, 유사도 예측부(143)는 상기 패턴 유사도 평균값들 중 0.7 이상이며 1에 가장 근접한 값을 패턴 주기로 추측할 수 있다. 이 때, 만약, 유사도 평균값이 동일한 값에 한해서는 비교 데이터 수가 많은 패턴을 주기로 추측한다. 따라서, 패턴 주기는 유사도 평균값 및 비교 데이터가 클수록 적합하다고 판단한다. 단, n:n과 n배수:n배수의 유사도 평균값이 같은 경우에는 n:n을 패턴 주기로 판단한다.
한편, 상기와 같이 패턴 주기로 추측된 패턴 유형에 대한 유사도를 예측하기 위해, 유사도 예측부(143)는 도 7에 예시된 바와 같은 패턴 유사도 진단 결과표를 관리할 수 있다. 즉, 도 6의 예에서, 2:2 패턴 유형이 패턴 주기에 가장 적합한 패턴 유형으로 판단되어지므로, 유사도 예측부(143)는 도 7에 예시된 바와 같이 2:2 패턴 유형에 대한 패턴 유사도 진단 결과를 관리하고, 그 결과에 의거하여 2:2 패턴 유형의 유사도를 예측할 수 있다.
도 7은 이러한 유사도 진단 결과를 예시한 도면으로서, 도 6의 예에서, 2:2가 가장 적합한 패턴 주기로 결정된 경우, 그 패턴 주기(2:2)에 대한 데이터 누적에 따른 패턴 유사도 진단 결과의 예를 도시하고 있다. 즉, 상기 예에서 가장 적합한 패턴 주기로 결정된 패턴(즉, 패턴 주기 2:2 인 패턴)에 대한 데이터의 누적에 따른 유사도 진단 결과의 예를 도시하고 있다. 도 7을 참조하면, 상기 가장 적합한 패턴 주기로 결정된 패턴(즉, 패턴 주기 2:2인 패턴)의 패턴 데이터의 수가 증가할수록 해당 패턴의 유사도 진단 결과가 점점 0에 가까워짐을 알 수 있다. 따라서 유사도 예측부(143)는 상기 패턴의 데이터수가 18일 때의 패턴 유사도가 0.7 미만으로 떨어질 것으로 예측할 수 있다.
고장 예측부(145)는 유사도 예측부(143)의 유사도 예측 결과에 의거하여, PLC의 고장 발생 가능성을 판단할 수 있다. 이를 위해, 고장 예측부(145)는 허용 가능한 유사도값(S1)을 미리 저장하고, 상기 허용 가능한 유사도값(S1)을 기준으로 특정 패턴의 유사도 변화 추이를 분석함으로써, PLC의 고장 발생 가능성을 판단할 수 있다.
도 8은 이러한 고장 예측부(145)의 동작을 설명하기 위한 도면으로서, 상기 허용 가능한 유사도값(S1)이 0.7인 경우, 유사도 예측부(143)에서 예측된 적합 패턴 유사도를 0.7과 비교하여 PLC에 대한 고장 발생 가능성 및 품질 불량 가능성을 판단하는 예를 도시하고 있다. 도 8을 참조하면, 도 7에 예시된 바와 같이, 유사도 예측부(143)에서 가장 적합하다고 판단된 패턴 주기의 데이터 중, 18번째 데이터에 대한 패턴 유사도 진단 결과가 0.7 미만으로 떨어질 것으로 예상될 때, 고장 예측부(145)는 PLC의 동작 상태를 ‘주의상태’로 판단하고, 상기 18번째 데이터의 유사도 진단 결과가 실제로 0.7 미만으로 떨어지는 경우, 고장 예측부(145)는 PLC의 동작 상태를 ‘경고상태’로 판단한다. 한편, 상기 PLC의 동작 상태가 ‘경고상태’가 된 후로, 일정 시간 동안 유사도 진단 결과가 0.7 미만을 유지하는 경우, 고장 예측부(145)는 PLC의 동작 상태를 ‘심각상태’로 판단한다. 예를 들어, 고장 예측부(145)는, 18번째 데이터에 대한 패턴 유사도 진단 결과가 0.7 미만인 상태에서, 36번째 데이터까지 모든 데이터에 대한 패턴 유사도 진단 결과가 0.7 미만을 유지하는 경우, 즉, 상기 0.7 미만인 상태가 정상 상태의 2배가 되는 경우, PLC의 동작 상태를 ‘심각상태’로 판단할 수 있다.
이는 ‘경고 상태’판단이 결정될 때까지의 정상동작 시간(T1)과 ‘경고 상태’가 결정된 후 상기 경고 상태를 유지하는 시간이 동일해지는 시점(2T1)에서, 시스템 오작동률이 50%가 되기 때문이다.
하지만, 상기 허용 가능한 유사도값(S1) 및 상기 ‘심각 상태’여부를 결정하기 위한 경고 상태 유지 시간은 시스템의 정확도 결정 기준에 의거하여, 사용자가 변경 선택이 가능하다.
한편, 고장 예측부(145)는 상기 적합 패턴의 유사도값(S2)이 상기 허용 가능한 유사도값(S1)(즉, 0.7)과 미리 설정된 인접 범위 이내인 경우, 상기 인접 범위의 유사도 추세를 10회 동안 분석하여 유사도가 감소 추세일 때, 해당 시스템의 상태를 ‘주의상태’로 판단할 수 있다. 이 때, 상기 분석 횟수를 10회 동안 반복하는 이유는 10회 이하로 분석할 경우, 그 신뢰도에 문제가 있을 수 있다고 판단되기 때문에, 정확한 결과를 도출하기 위함이다. 하지만, 상기 분석 횟수의 경우, 시스템 성능에 따라 변경 적용이 가능하다.
도 9 내지 도 11은 본 발명의 일 실시 예에 따른 데이터 마이닝 기술을 이용한 PLC 고장 예측 방법에 대한 개략적인 처리 흐름도들로서, 도 9는 본 발명의 일 실시 예에 따른 데이터 마이닝 기술을 이용한 PLC 고장 예측 방법에 대한 개략적인 처리 흐름도이고, 도 10은 데이터 학습 과정에 대한 개략적인 처리 흐름도이고, 도 11은 예측 진단 과정에 대한 개략적인 처리 흐름도이다.
도 1과, 도 9 내지 도 11을 참조하면, 본 발명의 일 실시 예에 따른 데이터 마이닝 기술을 이용한 PLC 고장 예측 방법은 다음과 같다.
먼저, 단계 S100에서는, 검출부(110)가 PLC 내부의 접점에서 변화가 감지된 하나 이상의 디바이스들 각각으로부터 시계열 데이터를 수집한다. 이를 위해, 단계 S100에서, 검출부(110)는 상기 디바이스들 각각으로부터 수집되는 시계열 데이터에 대하여, 상기 수집 시간, 상기 내부 접점에 대응한 디바이스 주소, 및 시계열 데이터 값으로 분류하여 수집할 수 있다.
단계 S200에서는, 샘플링부(120)가, 상기 수집된 하나 이상의 시계열 데이터들 각각에 대하여, 시계열 군집화를 통해 시계열 데이터 각각에 대응한 임시 패턴을 생성한다. 이를 위해, 단계 S200에서, 샘플링부(120)는 상기 변화가 감지된 하나 이상의 디바이스들 중 임의의 제1 디바이스의 비트값을 기준으로, 상기 제1 디바이스의 비트값이 온을 유지하는 동안 오프로 변환된 디바이스들의 정보를 취득하고, 상기 취득한 정보들에 대한 시계열 군집화를 통해 임시 패턴을 생성할 수 있다.
단계 S300에서는, 데이터 학습부(130)가, 단계 S200에서 생성된 임시 패턴들 중 미리 설정된 소정 횟수 이상 반복되는 패턴에 대하여 예측 패턴으로 변환한 후, 상기 예측 패턴을 학습하고 그 결과를 군집화하여 학습 데이터를 생성한다.
이를 위해, 단계 S300은 단계 S310 내지 단계 S330을 수행할 수 있다.
즉, 단계 S310에서는, 데이터 학습부(130)가, 단계 S200에서 생성된 적어도 하나의 임시 패턴들에 대하여 데이터 마이닝 연산을 처리하고, 그 결과로 유사도가 높은 임시패턴끼리 재조합하여 적어도 하나의 예측 패턴들을 산출하고, 단계 S320에서는, 상기 적어도 하나의 예측 패턴들을 군집화하여 상기 예측 패턴들의 반복주기를 학습한다.
이 때, 단계 S320에서는, 데이터 학습부(130)가, 단계 S200에서 생성된 후 저장된 임시 패턴들 중, 상기 임시 패턴과 그 패턴이 동일하거나, 발생시간 간격 유사도가 동일한 예측 패턴이 존재하는 임시 패턴에 대하여 재연산을 통한 패턴 학습을 진행할 수 있다.
또한, 단계 S320에서는, 데이터 학습부(130)가, 상기 예측 패턴들의 유사도를 재검토하여 상기 예측 패턴을 평균 처리한 후 저장할 수 있다.
단계 S330에서는, 데이터 학습부(130)가, 단계 S200에서 생성된 하나 이상의 임시 패턴을 저장한다.
단계 S400에서는, 예측 진단부(140)가, 단계 S300에서 생성한 학습 데이터와, 상기 학습 데이터 생성 이후에 수집된 수집 데이터와의 연관성을 비교하여 고장을 예측하되, 연속적인 진단 추세를 통해 고장을 예측한다.
이를 위해, 단계 S400은 단계 S410 내지 단계 S430을 수행할 수 있다.
즉, 단계 S410에서는, 예측 진단부(140)가, 단계 S300에서 생성된 학습 데이터와, 상기 학습 데이터 생성 이후에 상기 데이터 수집 단계에서 수집되는 수집 데이터와의 유사도를 산출한다.
단계 S420에서는, 예측 진단부(140)가, 상기 유사도 추이 변화를 파악하고, 상기 유사도 추이 변화에 의거하여 이후에 발생할 동일 패턴에 대한 유사도를 예측하고, 단계 S430에서는, 예측 진단부(140)가, 상기 유사도 예측 결과로 PLC의 고장 발생 가능성을 판단한다.
이 때, 각 장치들의 동작 과정에 대한 상세한 설명은 도 1 내지 도 8을 참조한 설명에서 언급한 바와 같으므로 중복 설명을 생략한다.
이와 같이 본 발명은, PLC 고장 예측 장치 및 그 방법은 PLC 고장 예측을 위한 별도의 외부 분석 시스템을 부가하지 않고, PLC에 내장된 데이터 마이닝 기법을 통해, PLC의 품질을 진단하고, 고장 발생 가능성을 예측함으로써, 시스템 구축에 소모되는 비용을 절감할 수 있는 장점이 있다.
이상에서는 본 발명의 실시 예를 설명하였으나, 본 발명의 권리범위는 이에 한정되지 아니하며 본 발명이 실시 예로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 용이하게 변경되어 균등한 것으로 인정되는 범위의 모든 변경 및 수정을 포함한다.
100: PLC 고장 예측 장치 110: 검출부
120: 샘플링부 130: 데이터 학습부
131: 데이터 마이닝부 133: 패턴 학습부
140: 예측진단부 141: 유사도 산출부
143: 패턴인식부 145: 유사도 예측부
147: 고장 예측부 150: 데이터베이스

Claims (14)

  1. PLC 내부의 접점에서 변화가 감지된 하나 이상의 디바이스들 각각으로부터 시계열 데이터를 수집하는 검출부;
    상기 검출부에서 수집된 시계열 데이터들 각각에 대하여, 시계열 군집화를 통해 시계열 데이터 각각에 대응한 임시 패턴을 생성하는 샘플링부;
    상기 샘플링부에서 생성된 임시 패턴들 중 미리 설정된 소정 횟수 이상 반복되는 패턴에 대하여 예측 패턴으로 변환한 후, 상기 예측 패턴을 학습하고 그 결과를 군집화하여 학습 데이터를 생성하는 데이터 학습부;
    상기 데이터 학습부에서 생성한 학습 데이터와, 상기 학습 데이터 생성 이후에 상기 검출부에서 수집되는 수집 데이터와의 연관성을 비교하여 고장을 예측하되, 연속적인 진단 추세를 통해 고장을 예측하는 예측 진단부; 및
    상기 데이터 학습부 및 상기 예측 진단부에서 생성된 데이터들을 저장하는 데이터베이스부를 포함하되,
    상기 데이터 학습부는
    상기 샘플링부에서 생성된 적어도 하나의 임시 패턴을 제공받고, 상기 임시패턴들에 대하여 데이터 마이닝 연산을 처리하여, 적어도 하나의 예측 패턴들을 산출하는 데이터 마이닝부;
    상기 적어도 하나의 예측 패턴들을 군집화하여 상기 예측 패턴들의 반복주기를 학습하는 패턴 학습부; 및
    상기 샘플링부에서 제공받은 하나 이상의 임시 패턴을 저장하는 샘플링 저장부를 포함하는 것을 특징으로 하는 데이터 마이닝 기술을 이용한 PLC 고장 예측 장치.
  2. 제1항에 있어서, 상기 검출부는
    상기 디바이스들 각각으로부터 수집되는 시계열 데이터에 대하여,
    상기 시계열 데이터가 수집된 시간, 상기 디바이스 주소, 및 시계열 데이터값으로 분류하여 수집하는 것을 특징으로 하는 데이터 마이닝 기술을 이용한 PLC 고장 예측 장치.
  3. 제2항에 있어서, 상기 샘플링부는
    상기 변화가 감지된 하나 이상의 디바이스들 중 임의의 제1 디바이스의 비트값을 기준으로, 상기 제1 디바이스의 비트값이 온을 유지하는 동안 오프로 변환된 디바이스들의 정보를 취득한 후, 상기 정보들에 대한 시계열 군집화를 통해 임시패턴을 생성하는 것을 특징으로 하는 데이터 마이닝 기술을 이용한 PLC 고장 예측 장치.
  4. 삭제
  5. 제1항에 있어서, 상기 패턴 학습부는
    상기 샘플링 저장부에 저장된 임시 패턴들 중, 발생시간 간격 유사도가 동일한 예측 패턴이 존재하는 임시 패턴에 대하여 재연산을 통한 패턴 학습을 진행하는 것을 특징으로 하는 데이터 마이닝 기술을 이용한 PLC 고장 예측 장치.
  6. 제5항에 있어서, 상기 패턴 학습부는
    상기 예측 패턴들의 유사도를 재검토하여 상기 예측 패턴을 평균 처리하는 상태 제어부를 더 포함하고,
    상기 상태 제어부는
    상기 평균 처리된 예측 패턴을 상기 데이터베이스부에 저장하는 것을 특징으로 하는 데이터 마이닝 기술을 이용한 PLC 고장 예측 장치.
  7. 삭제
  8. 데이터 마이닝 기술을 이용하여 PLC의 고장을 예측하는 PLC 고장 예측 방법에 있어서,
    상기 PLC 내부의 접점에서 변화가 감지된 하나 이상의 디바이스들 각각으로부터 시계열 데이터를 수집하는 데이터 수집 단계;
    상기 수집된 하나 이상의 시계열 데이터들 각각에 대하여, 시계열 군집화를 통해 시계열 데이터 각각에 대응한 임시 패턴을 생성하는 샘플링 단계;
    상기 샘플링 단계에서 생성된 임시 패턴들 중 미리 설정된 소정 횟수 이상 반복되는 패턴에 대하여 예측 패턴으로 변환한 후, 상기 예측 패턴을 학습하고 그 결과를 군집화하여 학습 데이터를 생성하는 데이터 학습 단계; 및
    상기 데이터 학습 단계에서 생성한 학습 데이터와, 상기 학습 데이터 생성 이후에 상기 데이터 수집 단계에서 수집된 수집 데이터와의 연관성을 비교하여 고장을 예측하되, 연속적인 진단 추세를 통해 고장을 예측하는 예측 진단 단계를 포함하되,
    상기 데이터 학습 단계는
    상기 샘플링 단계에서 생성된 적어도 하나의 임시 패턴들에 대하여 데이터 마이닝 연산을 처리하고, 그 결과로 적어도 하나의 예측 패턴들을 산출하는 데이터 마이닝 단계;
    상기 적어도 하나의 예측 패턴들을 군집화하여 상기 예측 패턴들의 반복주기를 학습하는 패턴 학습 단계; 및
    상기 샘플링 단계에서 제공받은 하나 이상의 임시 패턴을 저장하는 샘플링 저장 단계를 포함하는 것을 특징으로 하는 데이터 마이닝 기술을 이용한 PLC 고장 예측 방법.
  9. 제8항에 있어서, 상기 데이터 수집 단계는
    상기 디바이스들 각각으로부터 수집되는 시계열 데이터에 대하여,
    상기 시계열 데이터가 수집된 시간, 상기 디바이스 주소, 및 시계열 데이터 값으로 분류하여 수집하는 것을 특징으로 하는 데이터 마이닝 기술을 이용한 PLC 고장 예측 방법.
  10. 제9항에 있어서, 상기 샘플링 단계는
    상기 변화가 감지된 하나 이상의 디바이스들 중 임의의 제1 디바이스의 비트값을 기준으로, 상기 제1 디바이스의 비트값이 온을 유지하는 동안 오프로 변환된 디바이스들의 정보를 취득하고,
    상기 취득한 정보들에 대한 시계열 군집화를 통해 임시 패턴을 생성하는 것을 특징으로 하는 데이터 마이닝 기술을 이용한 PLC 고장 예측 방법.
  11. 삭제
  12. 제8항에 있어서, 상기 패턴 학습 단계는
    상기 샘플링 저장 단계에서 저장된 임시 패턴들 중, 발생시간 간격 유사도가 동일한 예측 패턴이 존재하는 임시 패턴에 대하여 재연산을 통한 패턴 학습을 진행하는 것을 특징으로 하는 데이터 마이닝 기술을 이용한 PLC 고장 예측 방법.
  13. 제12항에 있어서, 상기 패턴 학습 단계는
    상기 예측 패턴들의 유사도를 재검토하여 상기 예측 패턴을 평균 처리하는 것을 특징으로 하는 데이터 마이닝 기술을 이용한 PLC 고장 예측 방법.
  14. 삭제
KR1020210062232A 2021-05-13 2021-05-13 데이터 마이닝 기술을 이용한 피.엘.씨 고장 예측 장치 및 그 방법 KR102340249B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210062232A KR102340249B1 (ko) 2021-05-13 2021-05-13 데이터 마이닝 기술을 이용한 피.엘.씨 고장 예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210062232A KR102340249B1 (ko) 2021-05-13 2021-05-13 데이터 마이닝 기술을 이용한 피.엘.씨 고장 예측 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR102340249B1 true KR102340249B1 (ko) 2021-12-17

Family

ID=79033640

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210062232A KR102340249B1 (ko) 2021-05-13 2021-05-13 데이터 마이닝 기술을 이용한 피.엘.씨 고장 예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102340249B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102467652B1 (ko) * 2022-01-26 2022-11-17 주식회사 싸이몬 빅데이터의 학습 결과로 생성된 예측 모델을 이용한 plc 제어장치 및 그 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100293219B1 (ko) 1996-11-11 2001-09-17 이구택 피엘씨자체고장과피엘씨외부고장진단방법및장치
KR102025736B1 (ko) * 2019-04-30 2019-09-26 주식회사 엔케이시스템 Plc 원격 진단 장치 및 방법
KR102165207B1 (ko) * 2019-12-17 2020-10-13 주식회사 뮤온시스템 Ai 기반의 스마트 자동화 공정 오동작 진단 방법, 서버, 프로그램 및 컴퓨터 판독 가능한 기록 매체

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100293219B1 (ko) 1996-11-11 2001-09-17 이구택 피엘씨자체고장과피엘씨외부고장진단방법및장치
KR102025736B1 (ko) * 2019-04-30 2019-09-26 주식회사 엔케이시스템 Plc 원격 진단 장치 및 방법
KR102165207B1 (ko) * 2019-12-17 2020-10-13 주식회사 뮤온시스템 Ai 기반의 스마트 자동화 공정 오동작 진단 방법, 서버, 프로그램 및 컴퓨터 판독 가능한 기록 매체

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102467652B1 (ko) * 2022-01-26 2022-11-17 주식회사 싸이몬 빅데이터의 학습 결과로 생성된 예측 모델을 이용한 plc 제어장치 및 그 방법

Similar Documents

Publication Publication Date Title
WO2023071217A1 (zh) 基于深度迁移学习的多工况流程工业故障检测诊断方法
CN111902781B (zh) 用于控制系统的设备和方法
US20190384255A1 (en) Autonomous predictive real-time monitoring of faults in process and equipment
US10733536B2 (en) Population-based learning with deep belief networks
JP7017861B2 (ja) 異常検知システムおよび異常検知方法
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
JP4850857B2 (ja) 予測状態監視における変化状態の適応モデリング
JP5016519B2 (ja) 予測的状態監視のための診断システムおよび方法
US8275735B2 (en) Diagnostic system
JP2022519228A (ja) 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
CN117114454B (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
EP2732371A1 (en) Valve actuator fault analysis system
CN111541640A (zh) 在具有确定特性的网络物理系统中检测异常的系统和方法
TWI794907B (zh) 用於系統管理之故障預測與健康管理系統與相關方法
CN112328703B (zh) 一种基于增量学习的数控设备健康状态诊断装置及方法
KR20230125116A (ko) 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법
KR102340249B1 (ko) 데이터 마이닝 기술을 이용한 피.엘.씨 고장 예측 장치 및 그 방법
US20240310797A1 (en) Determining Appropriate Sequences of Actions to Take Upon Operating States of Industrial Plants
KR102351538B1 (ko) 패턴 학습 및 진단 알고리즘을 이용한 자동화 설비의 고장 예측 시스템 및 그 방법
KR102419782B1 (ko) 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법
KR102467652B1 (ko) 빅데이터의 학습 결과로 생성된 예측 모델을 이용한 plc 제어장치 및 그 방법
EP4136515B1 (en) Method, apparatus and computer program product for monitoring of industrial devices
CN112966785B (zh) 一种智能化星座状态识别方法和系统
EP3995920A1 (en) Event analytics in modular industrial plants
Galotto et al. Data based tools for sensors continuous monitoring in industry applications

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant