KR102373787B1 - 고장 예측 시스템의 고장 유형 빅데이터를 이용한 기계설비의 잠재적 고장 예측 방법 - Google Patents

Abstract

본 발명은 고장유형 빅데이터를 기반으로 생산라인의 기계설비의 상태정보를 분석하여 이상징후를 포착 시 사전에 고장을 예방하는 고장예측 방법을 제공하기 위한 것이다.
이에 본 발명에서는 복수의 카메라 모듈에 의해 실시간으로 촬영되는 기계설비들의 각 부품들에 대한 화면을 이미지로 캡쳐하여 타임라인별 작동 형태를 텍스트 데이터로 변환하는 데이터 변환부, 기계설비들의 PLC 장치에서 제공하는 구동 데이터와 상기 텍스트 데이터를 통합하여 고장유형 데이터를 생성하는 데이터 생성부, 고장유형 데이터를 수집하는 데이터 수집부, 고장유형 데이터를 분석하여 각 부품들의 고장예측에 필요한 변수를 도출하는 데이터 전처리부, 고장유형 데이터 및 변수 중 적어도 어느 하나 이상을 이용하여 머신러닝을 통해 각 부품들의 고장예측 모델을 업데이트하는 머신러닝부, 고장예측 모델을 기반으로 해당 기계설비의 고장을 예측하는 고장예지부, 및 고장예지부의 고장 예측에 따라 해당 기계설비에 필요한 수리부품을 판단하는 수리부품 판단부를 포함하는 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 방법을 개시한다.

Description

고장 예측 시스템의 고장 유형 빅데이터를 이용한 기계설비의 잠재적 고장 예측 방법{Big data based on potential failure mode analysis method using progonstics system of machine equipment}

본 발명은 고장유형 빅데이터를 기반으로 기계설비들의 상태 정보를 분석하여 기계설비 또는 부품의 고장을 미리 예측하여 잠재적 고장유형에 대한 사전 예방과 대응방안을 수립하여 고장이 발생되지 않도록 지원하는 고장예측 시스템 및 그 방법에 관한 것으로서, 더욱 상세하게는 스마트 공장 내의 각종 기계설비에서 발생하는 고장유형 정보와 부적합 발생 정보를 수집 및 데이터화하고, 이를 기반으로 한 빅데이터 분석을 통해 고장이 발생한 상황 또는 패턴을 추론하여 기계설비의 이상 상황을 감지 및 고장 시점을 사전에 예측함으로써 고장을 대비하고 점검 및 정비 등의 선제적인 조치가 가능할 수 있는 고장 예측 시스템의 고장 유형 빅데이터를 이용한 기계설비의 잠재적 고장 예측 방법에 관한 것이다.

일반적으로 공장의 자동화 생산라인에서 기계설비는 정밀도의 저하와 생산 중단 등이 일어나지 않도록 운전상태를 양호하게 유지해야 한다. 모든 기계설비 및 부품은 사용함에 따라 마모 또는 파손 등으로 성능 저하 및 열화현상이 나타나지만 육안으로 인지하기 전까지는 이를 탐지 및 이상 징후를 감지하기가 어렵다.

특히 기계설비의 고장은 시간과 비용에 있어 상당한 손실을 초래하므로 생산 중단없이 자동화되고 효율적으로 고장상태를 예지 및 진단할 방법이 필요하다.

최근 기계설비에 대한 지속적인 상태 감시를 통해 수집된 다양한 측정 데이터를 기반으로 장비를 구성하는 부품의 고장 및 교체 시점을 예측하는 예지정비 시스템(prediction maintenance system)이 연구되고 있다.

이러한 예지정비 시스템은 지속적인 상태 감시를 통하여 장치의 노딜레이(no delay) 가동을 실현할 수 있고, 장치가 갑작스러운 고장에 의해 정지되어 막대한 손해를 보는 경우를 방지할 수 있다.

한편, PFMEA(Process Failure Mode and Effects Analysis)는 생산라인에서 기계설비의 잠재적 고장과 그 고장의 영향을 분석하여 향후 결함 진행 및 고장 발생을 제거하거나 줄일 수 있는 조치를 파악하기 위한 방법으로, 기계설비의 전체 수명 주기 동안에 나타날 수 있는 모든 고장유형 분석을 통해 유지 계획을 위한 기본 데이터를 제공한다.

이러한 PFMEA는 주로 기술 담당자가 작업자의 일상 점검과 설비 운영결과를 직접 확인하고 점검한 결과를 스프레드시트 프로그램을 이용하여 작성하고 관리하고 있다. 즉, 오랜 기간에 걸쳐 축적된 고장 이력 데이터를 활용하여 고장 간격을 단순 예측하고 고장예지를 하고 있다.

그런데 이는 기계설비 및 부품의 가동시간, 노후, 특성과 환경적 요인 등 고장을 일으킬 수 있는 여러 인자를 고려하지 않은 일반화된 프로세스와 고장 이력에 의한 정형화된 보전(Maintenance) 관리 기술을 사용하기 때문에 불필요한 수리나 정비로 인한 보전 비용의 낭비가 발생하며, 장래에 발생할 수 있는 장비의 고장을 정확하게 예측하기 어려운 한계가 있다.

또한, 기계설비 및 부품에 이상이 발생할 수 있는 시점을 예측하더라도 구체적으로 어떤 종류의 예방 조치가 필요한지 등 문제 해결 방안을 제시할 수는 없는 문제점이 있다.
한편, 예지 정비 방법 및 장치가 대한민국 특허 제10-1713985호로 제시된 바 있으며, 이는 예지 정비 장치가 정비 대상 장치로부터 정비 데이터를 수집하는 단계, 예지 정비 장치가 정비 데이터를 정상 가동 데이터 및 고장 발생 데이터로 분류하는 단계, 예지 정비 장치가 정상 가동 데이터 및 고장 발생 데이터를 기준으로 장치 고장 판단 기준을 생성하는 단계와 예지 정비 장치가 장치 고장 판단 기준 및 정비 대상 장치로부터 수신한 신규 입력 데이터를 기반으로 정비 대상장치의 고장 예측을 수행하는 단계를 포함하여 구성된 것이다.

여기서 상술한 배경기술 또는 종래기술은 본 발명자가 보유하거나 본 발명을 도출하는 과정에서 습득한 정보로서 본 발명의 기술적 의의를 이해하는데 도움이 되기 위한 것일 뿐, 본 발명의 출원 전에 이 발명이 속하는 기술분야에서 널리 알려진 기술을 의미하는 것은 아님을 밝힌다.

KR10-1713985 B1(2017.03.02) KR10-1920372 B1(2018.11.14) KR10-1962739 B1(2019.03.21) KR10-2018-0131808 A(2018.12.11) KR10-2019-0021560 A(2019.03.06) KR 10-2019-0069696 A(2019.06.20.) KR 10-2018-0119407 A(2018.11.02.) KR 10-2019-0069696 A(2019.06.20) KR 10-2018-0119407 A(2018.11.02)

이에 본 발명자는 상술한 제반 사항을 종합적으로 고려하면서 기존의 기계설비의 고장예측 시스템이 지닌 기술적 한계 및 문제점을 해결하려는 발상으로, 스마트 공장 내의 각종 기계설비들의 손상을 감지 및 저하 정도를 모니터링하여 고장유형 정보를 수집 및 데이터화하고, 이를 기반으로 한 빅데이터 분석을 통해 고장이 발생한 상황 또는 패턴을 추론하여 기계설비의 이상 상황을 감지 및 고장 시점을 사전에 예측함으로써 고장을 대비하고 점검 및 정비 등의 선제적인 조치가 가능한 효과를 도모할 수 있는 새로운 고장유형 빅데이터 기반 기계설비의 잠재적 고장예측 시스템 및 그 방법을 개발하고자 각고의 노력을 기울여 부단히 연구하던 중 그 결과로써 본 발명을 창안하게 되었다.

따라서 본 발명이 해결하고자 하는 기술적 과제 및 목적은 빅데이터 분석을 통해 고장이 발생한 상황 또는 패턴을 추론하여 기계설비의 이상 상황을 감지 및 고장 시점을 사전에 예측할 수 있도록 하는 고장 예측 시스템의 고장 유형 빅데이터를 이용한 기계설비의 잠재적 고장 예측 방법을 제공하는 데 있는 것이다.

여기서 본 발명이 해결하고자 하는 기술적 과제 및 목적은 이상에서 언급한 기술적 과제 및 목적으로 국한하지 않으며, 언급하지 않은 또 다른 기술적 과제 및 목적들은 아래의 기재로부터 당업자가 명확하게 이해할 수 있을 것이다.

상술한 바와 같은 목적을 달성 및 기술적 과제를 해결하기 위한 본 발명의 제1실시 태양(aspect)에 따른 구체적 수단은, 복수의 카메라 모듈에 의해 실시간으로 촬영되는 영상에서 기계설비들의 각 부품들에 대한 화면을 이미지로 캡쳐하여 타임라인(timeline)별 작동 형태를 텍스트(text)로 변환하는 데이터 변환부, 상기 기계설비들의 PLC 장치에서 제공하는 구동 데이터와 상기 텍스트 데이터를 수집 및 통합하여 고장유형 데이터를 생성하는 데이터 생성부, 상기 고장유형 데이터를 분석하여 각 부품들의 고장예측에 필요한 변수를 도출하는 데이터 전처리부, 상기 고장유형 데이터 및 상기 변수 중 적어도 어느 하나 이상을 이용하여 머신러닝을 통해 각 부품들의 고장예측 모델을 업데이트하는 머신러닝부, 상기 고장예측 모델을 기반으로 해당 기계설비의 고장을 예측하는 고장예지부, 및 상기 고장예지부의 고장 예측에 따라 해당 기계설비에 필요한 수리부품을 판단하는 수리부품 판단부를 포함하여 채용하는 것을 특징으로 하는 고장 예측 시스템의 고장 유형 빅데이터를 이용한 기계설비의 잠재적 고장 예측 방법을 제시한다.

이로써 본 발명은 기계설비들의 작동상태를 정량적으로 파악하여 기계설비의 이상 징후나 향후 발생할 수 있는 사태를 미리 예상하고 적절하게 유지하고 보수하는 예지 보전의 고장 예측률 및 정확도를 높일 수 있다.

또한, 본 발명의 바람직한 제1실시 태양(aspect)으로 상기 데이터 생성부는, 상기 구동 데이터와 상기 텍스트 데이터의 상호 관계를 판단하고, 그에 따라 기계설비의 각 부품별 또는 상태별로 그룹화하여 통합하며, 상기 머신러닝부는, 상기 고장유형 데이터 및 상기 변수를 반복적으로 저장하여 머신러닝을 수행하고, 그 머신러닝에 따라 각 부품들의 고장예측 모델을 업데이트할 수 있다.

본 발명의 제2실시 태양(aspect)에 따른 구체적 수단은, (A) 여러 대의 카메라에 의해 실시간으로 촬영되는 영상에서 기계설비들의 각 부품들에 대한 화면을 이미지로 캡쳐하여 타임라인(timeline)별 작동 형태를 텍스트(text)로 변환하는 단계, (B) 상기 기계설비들의 PLC 장치에서 각각 제공하는 구동 데이터와 상기 텍스트 데이터를 수집 및 통합하여 고장유형 데이터를 생성하는 단계, (C) 상기 고장유형 데이터를 분석하여 각 부품들의 고장예측에 필요한 변수를 도출하는 단계, (D) 상기 고장유형 데이터 및 상기 변수 중 적어도 어느 하나 이상을 이용하여 머신러닝을 통해 각 부품들의 고장예측 모델을 업데이트하는 단계, (E) 상기 고장예측 모델을 기반으로 기계설비들의 고장을 예측하는 단계, (F) 고장 예측에 따라 해당 기계설비에 필요한 수리부품을 판단하는 단계를 포함하여 이루어지는 것을 특징으로 하는 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 방법을 제시한다.

이로써 본 발명은 고장유형 데이터를 학습하고, 머신러닝을 이용한 고장예측 모델을 통해 기계설비의 작동상태를 정량적으로 파악함으로써 기계설비의 이상징후나 향후 발생할 수 있는 사태를 미리 예상하고 적절하게 유지하고 보수하는 예지 보전의 고장 예측률 및 정확도를 높일 수 있다.

또한, 본 발명의 바람직한 제2실시 태양(aspect)으로 상기 (B) 단계는, 상기 구동 데이터와 상기 텍스트 데이터의 상호 관계를 판단하고, 그에 따라 기계설비의 각 부품별 또는 상태별로 그룹화하여 통합한 후, 고장유형 데이터를 생성하며, 상기 (D) 단계는, 상기 고장유형 데이터 및 상기 변수를 반복적으로 저장하여 머신러닝을 수행하고, 그 머신러닝에 따라 각 부품들의 고장예측 모델을 업데이트할 수 있다.

상기와 같은 목적의 달성과 기술적 과제를 해결하기 위한 수단 및 구성을 갖춘 본 발명의 실시 태양(aspect)은, 스마트 팩토리(smart factory) 영역에서 빅데이터 분석 기술을 통해 기계설비의 각 부품들에 대한 고장을 미리 예측하여 고장이 나기 전에 부품을 수리하거나 교체함으로써 고장으로 인한 피해를 사전에 막을 수 있고, 수리 및 유지보수 비용을 절감할 수 있다.

즉, 기계설비의 각 부품들에 대한 정비, 수리 이력 등을 수집하고 분석하며, 이를 통해 부품 고장 및 이상 발생 즉시 알림을 받을 수 있고, 아울러 부품 및 소모품의 교체 시기 등을 사전에 확인할 수 있다.

또한, 기계설비의 비가동 시간을 단축 및 가용도를 극대화하여 생산성 향상시킬 수 있다.

특히 고장유형 데이터를 학습하고, 머신러닝을 이용한 고장예측 모델을 통해 기계설비의 작동상태를 정량적으로 파악함으로써 기계설비의 이상징후나 향후 발생할 수 있는 사태를 미리 예상하고 적절하게 유지하고 보수하는 예지 보전의 고장 예측률 및 정확도를 높일 수 있다.

여기서 본 발명의 효과들은 이상에서 언급한 효과들로 국한하지 않으며, 언급하지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자가 명확하게 이해할 수 있을 것이다.

도 1은 본 발명의 실시 예에 따른 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 시스템을 개략적으로 나타낸 구성도이다.
도 2는 본 발명의 실시 예에 따른 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 방법을 나타낸 순서도이다.

이하, 본 발명에 따른 실시 예를 첨부된 도면을 참조하여 보다 구체적으로 설명한다.

이에 앞서, 후술하는 용어들은 본 발명에서의 기능을 고려하여 정의된 것으로서, 이는 본 발명의 기술적 사상에 부합되는 개념과 당해 기술분야에서 통용 또는 통상적으로 인식되는 의미로 해석하여야 함을 명시한다.

또한, 본 발명과 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

여기서 첨부된 도면들은 기술의 구성 및 작용에 대한 설명과, 이해의 편의 및 명확성을 위해 일부분을 과장하거나 간략화하여 도시한 것으로, 각 구성요소가 실제의 크기 및 형태와 정확하게 일치하는 것은 아님을 밝힌다.

아울러 본 명세서에서 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함하는 의미이며, 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

즉, 본 명세서에서 설시하는 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해해야 한다.

아울러 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.

이외에도 "부" 및 "유닛"의 용어에 대한 의미는 시스템에서 목적하는 적어도 하나의 기능이나 어느 일정한 동작을 처리하는 단위 또는 역할을 하는 모듈 형태를 의미하며, 이는 하드웨어나 소프트웨어 혹은 하드웨어 및 소프트웨어의 결합 등을 통한 수단이나 독립적인 동작을 수행할 수 있는 디바이스 또는 어셈블리 등으로 구현할 수 있다.

또한, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있다. 즉, 제1, 제2 등의 용어는 단지 하나의 구성요소를 다른 구성요소와 구별하는 목적으로 사용될 수 있다. 예를 들어, 제1 구성요소는 본 발명의 보호범위를 벗어나지 않는 한에서 제2 구성요소로 명명할 수 있고, 또 제2 구성요소도 제1 구성요소로 명명할 수도 있다.

도 1을 참조하면, 본 발명의 실시 예에 따른 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 시스템은 크게 데이터 변환부(11), 데이터 생성부(12), 데이터 수집부(13), 데이터 전처리부(13), 머신러닝부(14), 고장예지부(15) 및 수리부품 판단부(17)를 포함하고 있어, 빅데이터 환경하에서 발생하는 다양한 정형데이터 및 비정형 데이터(예를 들어, 텍스트 데이터 및 이미지) 등의 데이터를 수집하고, 이를 분석하여 필요한 변수만을 도출하고 머신러닝 기반으로 기계설비의 고장을 예측할 수 있다.

데이터 변환부(11)는 여러 대의 카메라에 의해 실시간으로 촬영되는 영상에서 기계설비들의 각 부품들에 대한 화면을 이미지로 캡쳐하여 타임라인(timeline)별 작동 형태를 텍스트(text)로 변환한다.

즉, 데이터 변환부(11)는 복수의 카메라 모듈에서 얻은 영상에서 일정한 시간단위로 지정된 모션 시작점의 이동라인을 사진으로 캡쳐하여 타임라인(timeline)별 작동 형태를 텍스트(text)로 변환할 수 있다.

여기서 기계설비는 예를 들면, 생산라인에 설치되는 자동화 로봇, 검사장비, 조립장비 등 각종 설비를 의미하며, 여러 대의 카메라들은 하나의 모듈 형태로 구비될 수 있고, PLC 장치에 의한 제어 또는 별도의 제어 신호에 따라 촬영을 진행할 수 있다.

아울러 카메라 모듈은 이미지 센서와 영상 처리 모듈을 포함할 수 있다.

즉, 카메라 모듈은 이미지 센서(예를 들면, CMOS 또는 CCD)에 의해 얻어지는 정지영상 또는 동영상을 처리할 수 있다. 아울러 영상 처리 모듈은 이미지 센서를 통해 획득된 정지영상 또는 동영상을 가공하여, 필요한 정보를 추출하고, 추출된 정보를 데이터 변환부(11)에 전송할 수 있다.

또한, 기계설비에는 복수의 카메라 모듈이 실시간으로 각 부품들의 영상을 촬영하면서 영상 내의 형상 정보 인식 오류를 줄이기 위하여 카메라 모듈이 영상을 촬영하면서 인지할 수 있는 마커 또는 바코드가 부착될 수 있다.

이외에도 기계설비는 시스템의 서버와 비콘(Beacon) 통신을 통해 위치데이터를 제공할 수 있다.

그리고 데이터 변환부(11)는 카메라들로부터 전송된 화면을 광학문자인식(OCR) 알고리즘을 통해 분석하고 텍스트 형식으로 변환하여 저장할 수 있다.

여기서 광학문자인식(OCR) 알고리즘은 촬영 화면을 이미지로 캡쳐하여 미리 설정한 사이즈로 조절(crop)한 후, 투영변환기법을 적용하여 문자와 숫자를 표현하는 부분의 이미지와 배경 부분을 분리할 수 있다.

또한, 광학문자인식(OCR) 알고리즘은 이미지를 그레이스 케일로 변환하고, 스무딩과 필터링을 통해 해당 부분의 RGB 노이즈를 제거할 수 있다.

본 발명에서는 광학문자인식(OCR) 알고리즘을 이용하여 이미지에서 텍스트를 추출하는 것으로 예시하였으나, 반드시 이에 한정되는 것은 아니다.

데이터 생성부(12)는 기계설비들의 PLC 장치에서 각각 제공하는 구동 데이터와 데이터 변환부(11)에서 제공하는 텍스트 데이터를 수집 및 통합하여 고장유형 데이터를 생성한다.

이때, 데이터 생성부(12)는 복수의 기계설비 각 부품들에 대한 구동 데이터와 텍스트 데이터를 수집하여 상호 관계를 판단하고, 그에 따라 기계설비의 각 부품별 또는 상태별로 그룹화하여 통합한 후 고장유형 데이터를 생성할 수 있다.

즉, 데이터 생성부(12)는 구동 데이터와 텍스트 데이터의 포맷(format)을 하나의 통일된 포맷으로 변환한 고장유형 데이터를 매핑할 수 있다.

여기서 고장유형 데이터는 엑셀(Excel), CSV(comma separated value), HTML(HypertextMarkup Language), PDF(Portable Document Format), XML(Extensible markup language) 등의 데이터 형태일 수 있다.

그리고 데이터 생성부(12)는 기계설비들의 각 부품별 데이터를 수집하기 위해 기계설비들과 연결된 게이트웨이와 입력단이 연결되어 있다. 즉, 게이트웨이는 해당 기계설비에 설치된 PLC 장치와 데이터 통신하여 수집된 구동 데이터와 텍스트 데이터들을 취합할 수 있다.

또한, 데이터 생성부(12)는 변환 템플릿을 기반으로 다양한 포맷을 가지는 오픈 데이터들을 통일된 포맷을 가지도록 변환할 수도 있고, 오픈 데이터들의 구조인 필드, 포맷 등을 분석하고, 분석된 오픈 데이터들의 구조를 기반으로 변환 템플릿을 생성할 수도 있고, 외부로부터 수신한 각각의 오픈 데이터들의 포맷을 RDF(Resource Description Framework) 데이터 포맷으로 통일하여 변환할 수도 있고, 각각의 오픈 데이터 간의 관계를 분석하여 통합 데이터 규칙을 생성할 수도 있고, 통합 데이터 규칙을 기반으로 오픈 데이터들을 통합한 통합 데이터를 생성할 수도 있다.

여기서 고장유형 데이터는 카메라에 의해 실시간으로 촬영되는 기계설비의 각 부품들에 대한 영상 화면을 이미지로 캡쳐하여 타임라인(timeline)별 작동 형태를 텍스트(text)로 변환한 계측 데이터와, 기계설비의 PLC 장치에서 제공하는 구동 데이터를 통합하여 이루어질 수 있으며, 고장유형 데이터는 부품별 교체 품목, 교체 일시, 교체 주기, 이미지, 텍스트, 환경에 기반한 노후 속도 등을 포함할 수 있다.

또한, 계측 데이터는 기계설비의 각 부품들에 대한 고장 징후, 고장 원인, 고장 위험도, 진동, 가속도, 변위, 온도, 전류/전압, 전력, 유량, 압력, 가열속도, 모드 상태, 품명, 전원시간, 가공시간, 사이클시간, 커팅 타임(cutting time), 마찰 등에 대한 데이터를 포함할 수 있고, 구동 데이터는 자동화 시스템에 널리 사용되는 PLC(Programmable Logic Controller) 장치로부터 제공받을 수 있다.

즉, 구동 데이터는 다양한 센서들의 신호를 입력받아 논리연산을 수행하고 그 결과에 따라 출력하는 제어 신호일 수 있다.

예를 들면, PLC 장치의 입력에는 수많은 센서가 연결되어 있고, 출력에는 다양한 구동장치들이 연결되어 있어 입력신호 상태에 따라 작성된 시퀀스 프로그램에서 제어 방식을 연산하여 구동장치들에 연결된 출력 접점의 동작 여부를 결정하는 제어 신호일 수 있다.

한편, 기계설비에 상응하는 PLC 장치 접점들의 동작시간을 실시간으로 정밀하게 감시하고, 이를 누적 통계처리한 측정값으로부터 그 편차의 미세한 변화가 검출되면 고장이 발생되기 전에 한계수명 또는 불량 상태에 이른 부품을 정확하게 식별할 수 있다.

고장유형 데이터는 해당 기계설비들의 내외부에 장착된 센서의 실시간 센싱 결과 데이터, 과거 고장 및 정비 이력 데이터, 체계 데이터 중 적어도 하나를 포함할 수 있다.

여기서 PLC 장치는 네트워크(예를 들면, RS-232와 같은 시리얼 통신)를 통해 연결되고, 입출력 모듈을 통해 논리 연산, 순서 조작, 타이머, 카운트, 산술 연산 등의 제어 동작을 수행하기 위해 프로그램 가능한 메모리를 사용하여 기계설비를 구동시키기 위한 프로그램이 내장된 전자 장치를 의미하며, 맵(map) 형태의 정보를 제공할 수 있다.

한편, 데이터 생성부(12)는 정보공유를 위한 네트워크를 통해 각 기계설비의 부품별 교체 품목, 교체 일시, 교체 주기, 이미지, 텍스트, 환경에 기반한 노후 속도 등을 포함하는 고장유형 데이터를 생성할 수 있다.

또한, 데이터 생성부(12)는 복수의 부품 각각에 대한 구동 데이터 및 텍스트 데이터를 데이터베이스를 통해 연결하여 데이터 셋(data set)을 구성하여 수집할 수 있고, 데이터 셋은 복수의 레코드를 포함할 수 있다.

여기서 레코드는 기계설비들의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경(예를 들어, 온도에 따른 장비의 노후 속도) 등을 기준으로 생성될 수 있다.

또한, 기계설비들의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경은 복수의 변수라고 할 수 있다.

데이터 전처리부(13)는 고장유형 데이터를 분석하여 고장예측에 필요한 변수를 도출한다.

즉, 데이터 전처리부(13)는 데이터 생성부(12)에서 수집한 고장유형 데이터를 탐색하여 분석할 데이터를 획득하고, 획득된 데이터로부터 분석을 수행할 분석 변수를 탐색 및 선정하며, 해당 기준으로 선정된 변수별 가중치를 산출하기 위한 과정을 수행할 수 있다.

그리고 데이터 전처리부(13)는 비정형화된 특정 변수에 기반하여 고장유형 데이터를 정형화할 수 있다.

이때, 고장예측에 필요한 변수는 예를 들어, 해당 부품의 교체 품목, 교체 시기, 교체 주기, 교체 일시, 교체 이미지, 교체 부품 설명에 해당하는 데이터일 수 있다.

또한, 데이터 전처리부(13)는 데이터 셋에 저장된 데이터를 정규화하는 전처리를 수행할 수 있다.

즉, 데이터 전처리부(13)는 데이터 셋에 저장된 데이터의 변수 값들을 일정 기준으로 맞춰주는 데이터 정규화를 수행할 수 있다.

구체적으로, 데이터 전처리부(13)는 고장예측 모델의 안정성과 정확성을 향상시키고 데이터 셋에 저장된 데이터가 갖는 오차를 효과적으로 줄이기 위해 데이터 셋 내의 데이터에서 일정하지 않은 부분, 즉 일정하지 않은 변수 값을 갖는 데이터를 MIN/MAX 방법으로 정규화할 수 있다.

그리고 데이터 전처리부(13)는 MIN/MAX 방법을 통한 정규화로 하여금, 데이터 셋에 저장된 데이터의 변수 값을 최소값 0 내지 최대값 1 사이의 범위 내에서 어느 하나의 값을 갖도록 변환시킬 수 있다.

또한, 데이터 전처리부(13)는 정규화된 데이터(즉, 데이터 셋에 저장된 정규화된 데이터)를 기반으로 하여 데이터 셋 내의 레코드별로 고장 패턴 및 고장 주기를 산정할 수 있다.

아울러 데이터 전처리부(13)는 정규화된 데이터(즉, 데이터 셋에 저장된 정규화된 데이터)를 기반으로 하여 고장예측 모델의 생성을 위한 적어도 하나의 변수를 선정할 수 있다. 이러한 변수의 선정은 고장예측 모델(모형)의 생성 시 고장예측 모델에 영향력 있는 변수만을 사용하기 위해 이루어질 수 있다.

머신러닝부(14)는 고장유형 데이터 및 변수 중 적어도 어느 하나 이상을 이용하여 머신러닝을 통해 각 부품들의 고장진단에 필요한 기준정보가 되는 고장예측 모델을 업데이트한다.

즉, 머신러닝부(14)는 고장유형 데이터 및 변수를 반복적으로 저장하여 머신러닝을 수행하고, 그 머신러닝에 따라 해당 기계설비의 각 부품별 고장예측 모델을 업데이트할 수 있다.

머신러닝부(14)는 복수의 머신러닝 알고리즘을 적용하여 생성된 고장예측 모델에 대한 학습을 수행할 수 있다.

즉, 머신러닝부(14)에 의하여 생성된 고장예측 모델은 복수의 머신러닝 알고리즘을 적용함으로써 학습될 수 있다.

여기서 복수의 머신러닝 알고리즘은 예를 들면, Random Forest 알고리즘 SVM(support vector machine) 알고리즘, Extra Tree 알고리즘, XG Boost 알고리즘 및 Deep Learning 알고리즘 중 적어도 하나를 포함할 수 있다.

Random Forest 알고리즘은 수많은 Decision Tree들이 Forest를 구성하여 각각의 예측결과를 하나의 결과 변수로 평균화하는 알고리즘이고, SVM 알고리즘은 데이터의 분포공간에서 가장 큰 폭의 경계를 구분하여 데이터가 속하는 분류를 판단하는 비확률적 알고리즘이다.

Extra Tree 알고리즘은 Random forest와 비슷하나 속도가 Random forest에 비해 빠른 알고리즘이며, XGBoost 알고리즘은 Random Forest의 Tree는 독립적이라면 XGBoost의 Tree의 결과를 다음 트리에 적용하는 boost 방식의 알고리즘이다. Deep Learning 알고리즘은 다층구조의 Neural Network을 기반으로 변수의 패턴이 결과에 미치는 영향을 가중치로 조절하며 학습하는 알고리즘이다.

머신러닝부(14)에 의하여 생성된 고장예측 모델이 복수의 머신러닝 알고리즘 각각에 적용됨으로써 복수의 머신러닝 알고리즘 각각에 대응하여 부품의 고장을 예측할 수 있다.

이때, 복수의 머신러닝 알고리즘은 랜덤포레스트(random forest) 알고리즘, XG Boost 알고리즘 및 Tensorflow 알고리즘 중 적어도 하나를 포함할 수 있으나, 이에만 한정되는 것은 아니고 다양한 머신러닝 알고리즘이 적용될 수 있다.

머신러닝부(14)는 학습 결과에 기초하여, 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 위험예측 모델(모형)을 장비의 고장예측 모델로서 선정할 수 있다.

즉, 머신러닝부(14)는 생성된 위험예측 모델에 복수의 머신러닝 알고리즘 각각을 적용한 학습 결과에 기초하여, 복수의 머신러닝 알고리즘 중 정확도가 가장 높은 머신러닝 알고리즘이 적용된 고장예측 모델을 신규 데이터에 대한 장비의 고장예측을 위해 선정할 수 있다.

머신러닝부(14)는 기계설비의 고장예측 품목 및 예측 주기를 Random Forest 알고리즘에 기반하여 고장예측 모델을 업데이트할 수 있고, 고장예측 시점을 XGBoost 알고리즘에 기반하여 고장예측 모델을 업데이트할 수 있으며, 고장예측 이미지 및 텍스트를 Tensorflow 알고리즘에 기반하여 고장예측 학습 이미지 및 고장예측 학습 텍스트 관련 고장예측 모델을 업데이트할 수 있다.

고장예지부(15)는 머신러닝부의 고장예측 모델을 기반으로 해당 기계설비의 고장을 예측한다.

예를 들면, 고장예지부(15)는 Random Forest 알고리즘에 기반하여 생성된 고장예측 모델을 기반으로 각 부품들의 품목 및 사용주기를 예측할 수 있고, XGBoost 알고리즘에 기반하여 생성된 고장예측 모델을 기반으로 각 부품들의 고장 시점을 예측할 수 있으며, Tensorflow 알고리즘에 기반하여 생성된 고장예측 모델을 기반으로 각 부품들의 고장예측 학습 이미지 및 고장예측 학습 텍스트를 예측할 수 있다.

즉, 고장예지부(15)는 고장예측 모델에서 정확도가 가장 높다고 판단된 알고리즘에서 도출된 결과값을 해당 기계설비의 고장예측 결과로서 제공할 수 있다.

다른 예로, 고장예지부(15)는 기계설비의 고장을 예측하는 알고리즘 중 하나인 수치계산방식을 통해 정량적인 값으로 기계설비의 고장을 예측할 수 있다.

즉, 기계설비별 고장예지값을 산출하고 산출된 고장예지값을 기준값과 비교해 기계설비의 이상유무 또는 고장을 예측할 수 있다.

예를 들면, 기계장비별로 선정된 요소에 해당하는 수치가 각각 산출되면, 고장예지부는 산출된 수치를 연산하여 기준값 이상의 수치임이 판명되었을 때 해당 기계설비가 고장이 우려됨을 예지할 수 있다.

여기서 고장예지부(15)는 연산에 필요한 요소가 사전에 설정되어 있는데, 바람직하게는 내구연한, 가동시간, 가동횟수, 경과일수가 될 수 있으나, 반드시 이에 한정되는 것은 아니다.

수리부품 판단부(16)는 고장예지부의 고장 예측에 따라 해당 기계설비에 수리 및 교체가 필요한 수리부품을 판단한다.

이때, 수리부품은 각 기계설비를 구성하는 복수의 부품들 중 새롭게 도출된 수리부품일 수 있다.

즉, 수리부품 판단부(16)는 신규 수리부품을 예측하고, 예측 결과를 장비의 수리 책임자의 단말로 제공함으로써 해당 수리부품의 고장을 사전에 예방할 수 있다.

이와 같이 구성된 본 발명의 실시 예에 따른 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 시스템에 따르면, 데이터 변환부(11)는 여러 대의 카메라에 의해 실시간으로 촬영되는 기계설비들의 각 부품들에 대한 화면을 이미지로 캡쳐하여 타임라인(timeline)별 작동 형태를 텍스트(text) 데이터로 변환할 수 있다.

데이터 생성부(12)는 기계설비들의 PLC 장치에서 각각 제공하는 구동 데이터와 텍스트 데이터를 통합하여 고장유형 데이터를 생성할 수 있다.

데이터 수집부(13)는 실시간 또는 미리 설정한 주기마다 고장유형 데이터를 수집할 수 있다.

그리고 데이터 전처리부(13)는 고장유형 데이터를 분석하여 예측에 필요한 변수를 도출할 수 있다.

예를 들어, 데이터 전처리부(13)는 기계설비의 부품 중 하나인 모터의 교체 시기를 예측하기 위해, 고장유형 데이터 중 모터의 교체 일시, 교체 주기, 교체 품목, 교체 이미지, 교체 텍스트 중 적어도 어느 하나 이상을 예측에 필요한 변수로 도출할 수 있다.

또한, 머신러닝부(14)는 모터의 정비 데이터 중 교체 일시 및 교체 주기에 포함된 데이터를 이용하여 머신러닝을 통해 장비의 고장예측 모델을 업데이트할 수 있다. 이때, 머신러닝부(14)는 모터의 교체 일시 및 교체 주기의 고장예측 모델을 업데이트 하기 위해 복수의 머신러닝 알고리즘을 적용할 수 있다.

아울러 머신러닝부(14)는 복수의 머신러닝 알고리즘 중 고장예측 모델의 정확도가 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 고장예측 모델을 모터의 고장예측 모델로서 선정할 수 있다.

그리고 고장예지부(15)는 고장예측 모델을 기반으로 장비의 고장을 예측할 수 있다.

또한, 수리부품 판단부(16)는 고장의 예측에 따라 장비에 필요한 신규 수리부품을 판단할 수 있다.

예를 들면, 신규 수리부품은 업데이트되는 데이터를 기반으로 예측되고 이전에 예측되지 않았던 수리부품일 수 있다.

한편, 본 발명의 실시 예에 따른 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 방법은 상술한 고장예측 시스템에 의해 수행될 수 있다.

도 2를 참조하면, 단계 S101에서 여러 대의 카메라 모듈에 의해 실시간으로 촬영되는 영상에서 기계설비들의 각 부품들에 대한 화면을 이미지로 캡쳐하여 타임라인(timeline)별 작동 형태를 텍스트(text) 데이터로 변환한다.

단계 S103에서 기계설비들의 PLC 장치에서 각각 제공하는 구동 데이터와 텍스트 데이터를 수집 및 통합하여 고장유형 데이터를 생성한다.

즉, 고장유형 데이터는 기계설비들의 PLC 장치에서 각각 제공하는 구동 데이터와 텍스트 데이터를 통합하여 이루어질 수 있다.

이때, 구동 데이터와 텍스트 데이터의 상호 관계를 판단하고, 그에 따라 기계설비의 각 부품별 또는 상태별로 그룹화하여 통합한 후, 고장유형 데이터를 생성할 수 있다.

아울러 고장유형 데이터는 기계설비의 실시간 센싱 결과 데이터, 기계설비의 고장 및 정비 이력 데이터 및 장비 체계 데이터 중 적어도 하나를 포함할 수 있다.

단계 S105에서 고장유형 데이터를 분석하여 각 부품들의 고장예측에 필요한 변수를 도출한다.

즉, 빅데이터 환경하에서 발생하는 다양한 정형데이터 및 비정형 데이터(예를 들어, 텍스트 데이터 및 이미지) 등의 데이터를 수집하고, 그 중에서 필요한 변수만을 도출한 후 머신러닝을 수행하여 기계설비의 고장을 예측할 수 있다.

단계 S107에서 고장유형 데이터 및 변수 중 적어도 어느 하나 이상을 이용하여 머신러닝을 통해 각 부품들의 고장예측 모델을 업데이트한다.

이때, 고장유형 데이터 및 변수를 반복적으로 저장하여 머신러닝을 수행하고, 그 머신러닝에 따라 해당 기계설비의 부품을 고장예측 모델을 업데이트할 수 있다.

즉, 머신러닝 학습 결과에 기초하여 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 고장예측 모델을 해당 장비의 고장예측 모델로 선정할 수 있다.

예를 들면, 복수의 머신러닝 알고리즘은 랜덤포레스트(random forest) 알고리즘, XG Boost 알고리즘 및 Tensorflow 알고리즘 중 적어도 어느 하나 이상을 포함할 수 있다.

단계 S109에서 고장예측 모델을 기반으로 해당 기계설비의 고장을 예측한다.

즉, 기계설비의 이상 징후와 고장(break-down) 발생까지 남은 시간을 제공함으로써 기계설비의 각 부품들의 고장을 예측할 수 있다.

단계 S111에서 전단계의 고장예측에 따라 해당 기계설비에 필요한 수리부품을 판단하고, 이를 디스플레이 단말 장치 등을 통해 표시한다.

즉, 수리부품을 사전에 알림으로써 예측 정비로 기계설비의 고장에 따른 수리 및 교체비용을 절감할 수 있다.

이러한 고장유형 빅데이터를 이용한 기계설비의 고장예측 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터가 판독 가능한 기록 매체에 기록 및 저장될 수 있다.

여기서 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.

컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들일 수 있고, 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.

컴퓨터 판독 가능한 기록 매체의 예로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CDROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기광 매체(magneto-optical media) 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

프로그램 명령어의 예로는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행되는 고급 언어 코드를 포함할 수 있다.

아울러 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있다.

한편, 본 발명은 상술한 실시 예(embodiment) 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 안에서 예시되지 않은 여러 가지로 다양하게 변형하고 응용할 수 있음은 물론이고 각 구성요소의 치환 및 균등한 타 실시 예로 변경하여 폭넓게 적용할 수도 있음은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명백하다.

그러므로 본 발명의 기술적 특징을 변형하고 응용하는 것에 관계된 내용은 본 발명의 기술사상 및 범위 내에 포함되는 것으로 해석하여야 할 것이다.

11: 데이터 변환부 12: 데이터 생성부
13: 데이터 전처리부 14: 머신러닝부
15: 고장예지부 16: 수리부품 판단부

Claims (4)

1. 삭제
2. 삭제
3. 복수의 카메라 모듈에서 실시간 촬영으로 얻은 기계설비의 각 부품 영상에서 일정한 시간단위로 지정된 모션 시작점의 이동라인을 사진으로 캡쳐하여 타임라인(timeline)별 작동 형태를 텍스트(text) 데이터로 변환하는 데이터 변환부(11); 네트워크를 통해 연결되고 입출력 모듈을 통해 논리 연산, 순서 조작, 타이머, 카운트, 산술 연산 등의 제어 동작을 수행하기 위해 프로그램 가능한 메모리를 사용하여 기계설비를 구동시키게 되며 맵(map) 형태의 정보를 제공하는 PLC 장치로부터 각각 제공하는 구동 데이터와 상기 텍스트 데이터를 수집 및 통합하여 상호 관계를 판단하고, 그에 따라 기계설비의 각 부품별 또는 상태별로 그룹화하여 통합하여 고장유형 데이터를 생성하는 데이터 생성부(12); 상기 데이터 생성부(12)에서 수집한 고장유형 데이터를 탐색하여 분석할 데이터를 획득하고, 획득된 데이터로부터 분석을 수행할 분석 변수를 탐색 및 선정하며, 해당 기준으로 선정된 변수별 가중치를 산출하여 고장유형 데이터를 분석하고 이를 통해 각 부품들의 고장예측에 필요한 변수를 도출하는 데이터 전처리부(13); 생성된 위험예측 모델에 복수의 머신러닝 알고리즘 각각을 적용한 학습 결과에 기초하여 복수의 머신러닝 알고리즘 중 정확도가 가장 높은 머신러닝 알고리즘이 적용된 고장예측 모델을 신규 데이터에 대한 장비의 고장예측을 위해 선정할 수 있도록 상기 고장유형 데이터 및 상기 변수를 반복적으로 저장하여 머신러닝을 수행하고, 그 머신러닝에 따라 각 부품들의 고장예측 모델을 업데이트 하는 머신러닝부(14); 고장예측 모델에서 정확도가 가장 높다고 판단된 알고리즘에서 도출된 결과값을 해당 기계설비의 고장예측 결과로서 제공할 수 있도록 기계설비별 고장예지값을 산출하고 산출된 고장예지값을 기준값과 비교해 기계설비의 이상유무 또는 고장을 예측하는 고장예지부(15); 상기 고장예지부(15)의 고장 예측에 따라 해당 기계설비에 필요한 수리부품을 판단하는 수리부품 판단부(16)를 포함하여 구성되는 기계설비의 잠재적 고장예측 시스템을 이용하여,
   (A) 복수의 카메라 모듈에 의해 실시간으로 촬영되는 영상에서 기계설비들의 각 부품들에 대한 화면을 이미지로 캡쳐하여 타임라인(timeline)별 작동 형태를 텍스트(text)로 변환하는 단계
   (B) 상기 기계설비들의 PLC 장치에서 각각 제공하는 구동 데이터와 상기 텍스트 데이터를 수집 및 각 부품별 또는 상태별로 그룹화 하여 통합하여 고장유형 데이터를 생성하는 단계
   (C) 빅데이터 환경하에서 발생하는 다양한 정형데이터 및 비정형 데이터를 수집하고, 그 중에서 필요한 변수만을 도출한 후 머신러닝을 수행하여 기계설비의 고장을 예측할 수 있도록 상기 고장유형 데이터를 분석하여 각 부품들의 고장예측에 필요한 변수를 도출하는 단계
   (D) 상기 고장유형 데이터 및 상기 변수 중 적어도 어느 하나 이상을 이용하여 머신러닝을 통해 각 부품들의 고장예측 모델을 업데이트하되, 상기 고장유형 데이터 및 상기 변수를 반복적으로 저장하여 머신러닝을 수행하고, 그 머신러닝에 따라 각 부품들의 고장예측 모델을 업데이트하는 단계
   (E) 상기 고장예측 모델을 기반으로 기계설비의 이상 징후와 고장 발생까지 남은 시간을 판단하여 기계설비들의 고장을 예측하는 단계
   (F) 고장 예측에 따라 해당 기계설비에 필요한 수리부품을 판단 및 디스플레이 단말 장치로 표시하는 단계
   를 수행하는 것을 특징으로 하는 고장 예측 시스템의 고장 유형 빅데이터를 이용한 기계설비의 잠재적 고장 예측 방법.
   
4. 삭제

Images