KR102374980B1 - 복합센서 기반의 인공지능형 결함 진단 시스템 - Google Patents

복합센서 기반의 인공지능형 결함 진단 시스템 Download PDF

Info

Publication number
KR102374980B1
KR102374980B1 KR1020200064353A KR20200064353A KR102374980B1 KR 102374980 B1 KR102374980 B1 KR 102374980B1 KR 1020200064353 A KR1020200064353 A KR 1020200064353A KR 20200064353 A KR20200064353 A KR 20200064353A KR 102374980 B1 KR102374980 B1 KR 102374980B1
Authority
KR
South Korea
Prior art keywords
unit
data
sensor
module
defect
Prior art date
Application number
KR1020200064353A
Other languages
English (en)
Other versions
KR20210147318A (ko
Inventor
홍태용
최우진
Original Assignee
(주)브이엠에스
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 (주)브이엠에스 filed Critical (주)브이엠에스
Priority to KR1020200064353A priority Critical patent/KR102374980B1/ko
Publication of KR20210147318A publication Critical patent/KR20210147318A/ko
Application granted granted Critical
Publication of KR102374980B1 publication Critical patent/KR102374980B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 개시의 실시예에 따른 복합센서 기반의 인공지능형 결함 진단 시스템은,
대상물에 결합되어 대상물의 결함 진단을 위한 신호를 감지하는 센서부(100); 상기 센서부(100)로부터 센싱된 신호를 수신하여 신호 처리를 통해 데이터베이스화하는 데이터수집부(200); 상기 데이터수집부(200)에 수집된 데이터를 전송받고, 상기 전송된 데이터를 바탕으로 이상 상태를 판단하며, 이상 상태의 데이터를 바탕으로 머신러닝 진단 알고리즘을 통해 결함 진단 결과를 생성하는 머신러닝부(300); 및 상기 머신러닝부(300)와 연동되어 복수의 센서 데이터에 대해 모니터링이 가능한 GUI 인터페이스가 제공되는 모니터링부(400); 를 포함하되,
상기 머신러닝부(300)는 상기 데이터수집부(200)에 수집된 데이터를 바탕으로 특징맵으로 변환하는 오토인코더모듈(310)과, 사전에 특징맵과 대상물의 결함 정보로 훈련이 이루어져 상기 특징맵을 바탕으로 대상물의 결함을 진단하는 딥러닝모듈(320)을 포함하는 것을 특징으로 하여 구성될 수 있다.

Description

복합센서 기반의 인공지능형 결함 진단 시스템 {Multi-Sensor Based Artificial Intelligent Fault Diagnosis System Of Mechanical Device}
본 명세서에 개시된 내용은 복합센서 기반의 인공지능형 결함 진단 시스템에 관한 것으로, 보다 상세하게는 복합환경센서로부터 데이터를 수집하여 오토인코더와 딥러닝을 이용하여 기계 장비의 결함을 진단할 수 있는 결함 진단 시스템에 관한 것이다.
인공지능은 컴퓨터에게 데이터를 학습시켜 마치 사람처럼 스스로 의사결정을 할 수 있게 한다.
예를 들어, 사진을 보고 무슨 사진인지 구분하도록 하는 분류 모델을 만들기 위해서는 컴퓨터에게 사진을 계속 보여주면서 이 사진은 어떤 것에 대한 것인지에 대한 정답을 학습시켜 주어야 한다.
이런 방식을 '지도 기계학습'이라고 부른다. 최근에 뛰어난 성능을 보이며 많은 관심을 받고 있는 딥러닝 역시 기계학습과 유사한 방법이다.
딥러닝과 기계학습은 데이터를 이용하여 모델을 학습한다는 공통점이 있지만 데이터를 학습하는 과정에서 큰 차이가 있다.
기계학습으로 이미지를 인식하기 위해서는 사진을 그대로 사용하는 것이 아니라 사진 속의 객체를 가장 잘 구분할 수 있는 특성인자를 찾아내야 한다.
기계학습에서 모델의 성능을 결정하는 것은 이 특성인자가 얼마나 데이터를 잘 대표하는가이다.
반면 딥러닝의 경우에는 사람이 특성인자를 선정하는 것이 아니라 데이터에서 모델을 학습하는 과정에서 목표를 잘 달성할 수 있는 특성인자를 스스로 찾는다. 기계분야에서도 복잡한 기계시스템으로부터 취득된 데이터에서 특성인자를 찾아내는 것은 전문가 지식을 많이 요구하기 때문에 기계학습의 적용에 어려움이 많았다. 반면 딥러닝은 특성인자를 자동으로 찾아내기 때문에 기계장비의 고장 진단 분야에서 딥러닝을 활용하려는 시도가 늘어나고 있다.
한편, 기계전자장비는 고장 위험에 노출되어 있으며, 사용 시간이 길수록 고장 위험성은 한층 높아진다.
제조 공장 또는 가공 공장에 구축된 기계장비들에 고장이 발생하면 제품의 생산성과 수익성에 큰 영향을 끼치게 되며 산업재해가 발생하며 사후 조치에 많은 비용이 지출되며 필요할 때에 사용하지 못하는 불편을 초래하게 된다. 그러나 놀랍게도, 기계장비의 고장 원인은 확인이 어려우며, 기계장비에 구성된 고장 원인(부품 결함)이 잔존함에도 불구하고 기계장비가 막연히 오래 지속되기를 바라면서 간단히 대체하고 있는 실정이다.
즉, 기계장비의 고장을 진단하기 위해서는 기계장비에 구성된 부품들의 고장 원인(부품 결함)을 확인하여야 되는데, 기계장비에 구성된 부품들에서 측정되는 데이터의 분석을 통해 찾는 접근법들은 기계장비의 고장 원인을 정확하게 파악하기 어려운 문제점이 있어서 산업현장에서는 전문가의 경험적인 분석에 의존하여 기계장비의 고장 원인을 파악하는 문제점이 있었다.
또한, 종래의 진단 시스템은, 기계 설비와 같은 대상에 결합하는 적어도 하나의 가속도 센서, 적어도 하나의 온도센서, 적어도 하나의 클램프 전류 센서와 같은 다양한 센서와, 센서들을 통합, 분기하기 위한 정션 박스, 신호 처리 장치, 디스플레이 장치 등으로 구성되었는데, 기계 설비의 상태를 정밀하게 감시하기 위해서는 다양한 종류의 센서들을 필요로 하였고, 이러한 각각의 센서들은 고가였기 때문에 고가의 기계설비에만 적용되거나, 저가의 기계설비에는 센서의 종류를 단순화하여 적용하는 문제점이 있었다.
KR 102015417 B1 KR 101967301 B1 KR 101998559 B1 KR 102014820 B1
본 개시의 실시예에 따른 복합센서 기반의 인공지능형 결함 진단 시스템은 상기한 바와 같은 종래의 문제점들을 개선하기 위해 창출된 것으로, 복합 환경센서(가속도, 온습도, 광센서, 자이로스코프, 자기센서, 음향센서, 먼지센서 등)로 부터 데이터를 받아 오토인코더와 딥러닝모델이 내장된 인공신경망을 이용하여 기계장비의 결함을 진단할 수 있는 복합센서 기반의 인공지능형 결함 진단 시스템을 제공함에 그 목적이 있다.
상기의 과제를 해결하기 위한 본 개시의 실시예에 따른 복합센서 기반의 인공지능형 결함 진단 시스템은,
대상물에 결합되어 대상물의 결함 진단을 위한 신호를 감지하는 센서부(100); 상기 센서부(100)로부터 센싱된 신호를 수신하여 신호 처리를 통해 데이터베이스화하는 데이터수집부(200); 상기 데이터수집부(200)에 수집된 데이터를 전송받고, 상기 전송된 데이터를 바탕으로 이상 상태를 판단하며, 이상 상태의 데이터를 바탕으로 머신러닝 진단 알고리즘을 통해 결함 진단 결과를 생성하는 머신러닝부(300); 및 상기 머신러닝부(300)와 연동되어 복수의 센서 데이터에 대해 모니터링이 가능한 GUI 인터페이스가 제공되는 모니터링부(400); 를 포함하되,
상기 머신러닝부(300)는 상기 데이터수집부(200)에 수집된 데이터를 바탕으로 특징맵으로 변환하는 오토인코더모듈(310)과, 사전에 특징맵과 대상물의 결함 정보로 훈련이 이루어져 상기 특징맵을 바탕으로 대상물의 결함을 진단하는 딥러닝모듈(320)을 포함하는 것을 특징으로 하여 구성될 수 있다.
또한, 상기 센서부(100)는 MEMS 기반의 복합환경센서(110)를 포함하되,
상기 복합환경센서(110)는 가속도, 온습도, 빛, 자이로스코프, 자기, 음향, 먼지 센서 중 적어도 하나 이상 측정가능한 것을 특징으로 하여 구성될 수 있다.
또한, 상기 센서부(100)는 정밀 진단을 위한 IEPE방식의 정밀가속도센서(120)를 더 포함하는 것을 특징으로 하여 구성될 수 있다.
또한, 상기 MEMS 기반의 복합환경센서(110)는 WiFi 통신을 통해 상기 데이터수집부(200)에 데이터를 전송하고, 상기 정밀가속도센서(120)는 Ethernet 통신을 통해 상기 데이터수집부(200)에 데이터를 전송하는 것을 특징으로 하여 구성될 수 있다.
또한, 상기 오토인코더모듈(310)은 상기 데이터수집부(200)에서 이송된 데이터가 입력레이어로 변환되는 입력레이어유닛(311)과, 상기 입력레이어가 인코딩되어 특징맵을 가진 히든레이어로 압축되는 히든레이어유닛(312)과, 상기 히든레이어가 디코딩되어 출력레이어로 재구축되는 출력레이어유닛(313)을 포함하되,
상기 오토인코더모듈(310)은 대상물의 정상적인 작동에 대한 신호를 학습한 후 입력레이어와 출력레이어 간에 평균제곱오차(Mean of Squared Error)가 소정의 값 이상일 경우 이상 상태라고 판단하는 것을 특징으로 하여 구성될 수 있다.
또한, 상기 오토인코더모듈(310)에서 이상 상태라고 판단한 경우에,
상기 딥러닝모듈(320)은 상기 이상 상태라고 판단된 특징맵을 바탕으로 대상물의 결함 진단 결과를 생성하는 것을 특징으로 하여 구성될 수 있다.
또한, 상기 딥러닝모듈(320)은 대상물의 결함 정도를 소프트맥스 회귀 함수로 연산하여 확률수치를 출력값으로 출력하는 것을 특징으로 하여 구성될 수 있다.
또한, 상기 머신러닝부(300)는 교정모듈(330)을 더 포함하되,
상기 교정모듈(330)은 상기 출력값에 대해 목표값을 설정하고, 상기 출력값과 목표값 간에 오차를 경사하강법(Gradient Descent)으로 교정하는 것을 특징으로 하여 구성될 수 있다.
또한, 각 구성요소에 공급되는 전원을 제어하는 전원제어부를 더 포함하되,
상기 전원제어부는 상기 센서부(100)가 결합된 대상물의 동작 상태에 관한 정보를 전송받고 상기 대상물이 작동하지 않는 경우에는 각 구성요소에 공급되는 전원을 차단하도록 제어하는 것을 특징으로 하여 구성될 수 있다.
이에 따라, 본 개시의 실시예에 따른 복합센서 기반의 인공지능형 결함 진단 시스템은 복합 환경센서를 이용하여 보다 구체적이고 정확한 감시 및 진단을 할 수 있다는 이점이 있다.
또한, 오토인코더와 딥러닝모델이 내장된 인공신경망을 이용하여 자동으로 기계 설비의 결함을 감지하고 진단할 수 있다는 이점이 있다.
또한, 기계 설비의 작동상태에 따라 선택적으로 데이터를 수집, 진단하도록 구성되어 전원 절약 효율을 높일 수 있다는 이점이 있다.
또한, 회전 기계 설비 뿐 아니라 선형 기계 설비에도 적용하여 결함을 진단할 수 있다는 이점이 있다.
도 1은 본 개시의 실시예에 따른 복합센서 기반의 인공지능형 결함 진단 시스템을 개략적으로 나타낸 개념도,
도 2는 본 개시의 실시예에 따른 센서부(100)와 데이터수집부(200)의 구성을 간략히 나타낸 블록구성도,
도 3은 본 개시의 실시예에 따른 머신러닝부(300)와 모니터링부(400)의 구성을 간략히 나타낸 블록구성도,
도 4는 본 개시의 실시예에 따른 데이터수집부(200)를 구체적으로 설명하기 위한 도면,
도 5는 본 개시의 실시예에 따른 오토인코더모듈(310)을 구체적으로 설명하기 위한 도면,
도 6 및 도 7은 본 개시의 실시예에 따른 딥러닝모듈(320)을 구체적으로 설명하기 위한 도면,
도 8 및 도 9는 본 개시의 실시예에 따른 모니터링부(400)를 구체적으로 설명하기 위한 도면이다.
이하에서는, 본 발명의 기술적 사상을 도면을 참조하여 설명하지만, 이는 더욱 용이한 이해를 위한 것으로, 본 발명의 범주가 그것에 의해 한정되는 것은 아니며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예를 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이며, 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.
도 1은 본 개시의 실시예에 따른 복합센서 기반의 인공지능형 결함 진단 시스템을 개략적으로 나타낸 개념도, 도 2는 본 개시의 실시예에 따른 센서부(100)와 데이터수집부(200)의 구성을 간략히 나타낸 블록구성도, 도 3은 본 개시의 실시예에 따른 머신러닝부(300)와 모니터링부(400)의 구성을 간략히 나타낸 블록구성도, 도 4는 본 개시의 실시예에 따른 데이터수집부(200)를 구체적으로 설명하기 위한 도면, 도 5는 본 개시의 실시예에 따른 오토인코더모듈(310)을 구체적으로 설명하기 위한 도면, 도 6 및 도 7은 본 개시의 실시예에 따른 딥러닝모듈(320)을 구체적으로 설명하기 위한 도면, 도 8 및 도 9는 본 개시의 실시예에 따른 모니터링부(400)를 구체적으로 설명하기 위한 도면이다.
<본 개시의 실시예에 따른 복합센서 기반의 인공지능형 결함 진단 시스템>
도 1을 참조하면, 본 개시의 실시예에 따른 복합센서 기반의 인공지능형 결함 진단 시스템은 센서부(100), 데이터수집부(200), 머신러닝부(300) 및 모니터링부(400)를 포함하여 구성될 수 있다.
상기 센서부(100)는 대상물에 결합되어 대상물의 결함 진단을 위한 신호를 감지하기 위한 것으로, 도 2의 (a)에 도시된 것과 같이 복합환경센서(110), 정밀가속도센서(120) 및 데이터를 주고받을 수 있는 통신모듈(130)을 포함하여 구성될 수 있다.
상기 복합환경센서(110)는 가속도, 온습도, 빛, 자이로스코프, 자기, 음향, 먼지 센서 중 적어도 하나 이상의 복합적인 신호를 측정하도록 구성될 수 있으며, 상기 복합환경센서(110)로 MEMS 기반의 복합센서를 이용하는 것이 바람직하나 이에 한정되는 것은 아니다.
이러한 복합환경센서(110)를 사용함에 따라 고전적인 IEPE 센서의 신호처리에 따른 정확도에 중점을 두기 보다는 전체 설비나 장비의 운전 상태를 전반적으로 모니터링할 수 있다는 장점이 있다.
상기 정밀가속도센서(120)는 전술한 복합환경센서(110)와 함께 사용되는 것으로 전술한 복합환경센서(120)를 보완하여 대상물의 상태를 정밀 진단하도록 구성될 수 있다. 상기 정밀가속도센서(120)는 IEPE방식을 사용하는 것이 바람직하나 이에 한정되는 것은 아니며, 대상물에 복수개로 설치될 수 있다. 이러한 정밀가속도센서(120)는 나사 체결방식, 접착제 고정방식 등을 이용하여 대상물에 직접 부착될 수 있다.
한편, 상기 통신모듈(130)은 WiFi, Ethernet 통신기술을 포함하며, 상기 복합환경센서(110)와 상기 정밀가속도센서(120)와 별도로 구성되어 상기 센서들(110, 120)에서 센싱된 신호 등을 전송하도록 구성될 수 있을 뿐만 아니라, 각 센서에 결합되어 일체형으로 구성될 수도 있으며, 상기 센서들(110, 120)에서 센싱된 신호는 후술될 머신러닝부(300)에서 결함 진단을 위한 데이터로서 사용되게 된다.
구체적으로, 상기 복합환경센서(110)에서 센싱된 신호는 WiFi 통신을 통해 후술될 데이터수집부(200)로 전송되고, 상기 정밀가속도센서(120)에서 센싱된 신호는 Ethernet 통신을 통해 후술될 데이터수집부(200)로 전송되도록 구성될 수 있다.
또한, 상기 통신모듈(130)을 통해 상기 복합환경센서(110), 상기 정밀가속도센서(120)에서 센싱된 신호는 후술될 머신러닝부(300)로 직접 전송되도록 구성될 수도 있다.
상기 데이터수집부(200)는 전술한 센서부(100)로부터 센싱된 신호를 수신하여 신호 처리를 통해 데이터베이스화하고 머신러닝부(300)에 데이터를 전송하기 위한 것으로, 도 2의 (b)에 도시된 것과 같이 신호처리모듈(210), 데이터베이스모듈(220) 및 데이터를 주고받을 수 있는 통신모듈(230)을 포함하여 구성될 수 있다.
상기 신호처리모듈(210)은 전술한 센서부(100)로부터 센싱된 신호를 처리하도록 구성될 수 있으며, 상기 신호처리모듈(210)로 ARM Cortex-M7 시리즈를 이용함이 바람직 하나 이에 한정되는 것은 아니다.
이러한 신호처리모듈(210)은 센싱된 신호에 대해 로우패스 필터, 밴드패스 필터 및 고속퓨리에변환(Fast Fourier Transform, FFT)을 수행하도록 구성될 수 있다. 구체적으로, 로우패스 필터는 진동 신호에 대하여 저주파 대역 신호는 통과시키고 고주파 대역 신호는 차단하는 동작을 수행하며, 밴드패스 필터는 특정 주파수 영역의 신호 성분만 추출하는 동작을 수행하게 된다.
또한, 상기 신호처리모듈(210)은 엔벨로프를 더 수행하도록 구성될 수 있으며, 이러한 엔벨로프는 상기 필터를 수행한 데이터의 진동 스펙트럼 변화 양상을 모델링하도록 구성될 수 있다.
예를 들어 베어링 결함 진단에 널리 사용되는 엔벨로프 탐지 기술을 적용하면, 상기 신호처리모듈(210)에 의해 대상물에서 획득하는 진동 스펙트럼에서 결함 신호가 나타날 때까지 진동 스펙트럼에서 원하지 않는 특정 부분을 점진적으로 필터링시키게 되며 결함 주파수 영역에서 발생되는 반복적인 결함 신호를 증폭시킬 수 있다. 이것을 엔벨로핑 필터라고 한다.
도 4는 상기 신호처리모듈(210)에서 수행되는 엔벨로핑의 일 예를 3차원으로 나열한 그래프이다.
도 4를 참조하면, 시간에 따른 엔벨로핑의 변화를 3차원적으로 나타낸 것으로, 후술될 머신러닝부(300)에서 특징맵 학습을 위한 데이터가 주파수 축의 범위내에서 등간격의 진폭값으로 한정될 수 있다.
한편, 상기 신호처리모듈(210)은 더욱 정밀한 결함 진단을 위해 노이즈제거유닛(미도시)을 포함할 수 있으며, 상기 노이즈제거유닛에서는 소정의 시간 간격으로 노이즈가 포함된 데이터를 샘플링하고, 샘플링된 데이터에 대해 그 직전에 샘플링된 데이터와 비교하여 그 값들간의 차이가 소정의 범위 내에 있는 경우에는 후에 샘플링된 데이터를 채택하고, 상기 값들간의 차이가 소정의 범위를 벗어나는 경우에는 그 직전에 샘플링한 데이터를 채택하도록 구성될 수 있다.
예를 들어, 상기 소정의 범위를 A라고 하는 경우, 샘플링된 데이터의 차의 절댓값이 A보다 작은 경우에는 후에 샘플링된 데이터는 노이즈가 없는 것으로 판단하여 채택하나, 샘플링된 데이터의 차의 절댓값이 A보다 큰 경우에는 후에 샘플링된 데이터는 노이즈가 포함된 것으로 판단하여 채택하지 않고 전에 샘플링된 데이터를 채택하도록 구성할 수 있을 것이다. 한편, 샘플링 시간 간격과 데이터의 차의 절댓값은 변경 가능하도록 구성될 수 있음은 물론이다.
상기 데이터베이스모듈(220)에는 상기 신호처리모듈(210)의 데이터가 각각 분류되어 저장되도록 구성될 수 있으며, 상기 통신모듈(230)을 통해 상기 데이터베이스모듈(220)에 저장된 데이터는 후술될 머신러닝부(300), 모니터링부(400)로 전송되도록 구성될 수 있다.
상기 머신러닝부(300)는 전술한 데이터수집부(200)에 수집된 데이터를 바탕으로 이상 상태를 판단하고, 이상 상태의 데이터를 바탕으로 머신러닝 진단 알고리즘을 통해 결함 진단 결과를 생성하기 위한 것으로, 도 3의 (a)에 도시된 것과 같이 오토인코더모듈(310), 딥러닝모듈(320) 및 데이터를 주고받을 수 있는 통신모듈(340)을 포함하여 구성될 수 있다.
상기 오토인코더모듈(310)은 대표적인 비지도 학습(Unsupervised Learning)을 위한 인공신경망 구조 중 하나로, 상기 비지도 학습은 어떤 값을 예측하거나 분류하는 것이 목적인 지도 학습(Supervised Learning)과는 다르게 데이터의 숨겨진 구조를 발견하는 것을 특징으로 하여 구성될 수 있다.
상기 오토인코더모듈(310)은 상기 데이터수집부(200)에 수집된 데이터를 바탕으로 특징맵으로 변환하도록 구성될 수 있으며, 상기 딥러닝모듈(320)은 사전에 특징맵과 대상물의 결함 정보로 훈련이 이루어져, 특징맵을 바탕으로 대상물의 결함을 진단하도록 구성될 수 있다.
상기 오토인코더모듈(310)에서 변환된 특징맵은 입력 데이터의 특징을 추출한 것으로, 상기 입력 데이터보다 더 적은 수의 노드를 가지게 되나, 원래 값으로 복원할 수 있다. 이러한 오토인코더모듈(310)은 도 5에 도시된 것과 같이 입력레이어유닛(311), 히든레이어유닛(312) 및 출력레이어유닛(313)을 포함하여 구성될 수 있다.
상기 입력레이어유닛(311)은 상기 데이터수집부(200)에서 이송된 데이터가 입력레이어로 변환되도록 구성될 수 있다.
상기 히든레이어유닛(312)은 상기 입력레이어가 인코딩되어 특징맵을 가진 히든레이어로 압축되도록 구성될 수 있으며, 이러한 히든레이어유닛(312)은 복수개로 구성될 수 있다.
상기 출력레이어유닛(313)은 상기 히든레이어가 디코딩되어 출력레이어로 재구축되도록 구성될 수 있다.
상기 오토인코더모듈(310)은 상기 히든레이어를 이용하여 상기 데이터수집부(200)에서 이송된 데이터를 저차원으로 인코딩한 특징맵을 가진 히든레이어로 표현할 수 있으며, 상기 출력레이어를 이용하여 상기 특징맵을 좀 더 다양하게 확장시켜서 디코딩한 출력레이어로 표현할 수 있다.
이러한 특징맵은 원본 데이터에서 불필요한 특징들을 제거한 압축된 특징들을 학습하게 되고, 이렇게 압축된 특징을 나타내는 특징맵을 원본 데이터 대신에 상기 딥러닝모듈(320)의 입력으로 사용하게 된다.
즉, 상기 오토인코더모듈(310)은 상기 입력레이어의 데이터를 히든레이어로 압축한 후, 후술될 딥러닝모듈(320)에서 효율적인 분류를 위한 학습이 진행되는 것이다. 이 때, 상기 오토인코더모듈(310)은 상기 입력레이어와 출력레이어는 동일한데 상기 히든레이어의 특징맵에 구성된 저차원의 노드를 활용하게 되므로 상기 입력데이터의 특징이 압축되었다고 할 수 있다.
이러한 오토인코더모듈(310)은 대상물의 정상적인 작동에 대해 신호를 학습한 후 입력레이어와 출력레이어 간에 평균제곱오차(Mean of Squared Error)가 소정의 값 이상일 경우 이상 상태라고 판단하도록 구성될 수 있다. 상기 평균제곱오차(Mean of Squared Error)는 추정 값 또는 모델이 예측한 값과 실제 환경에서 관찰되는 값의 차이를 다룰 때 흔히 사용하는 측도이다.
상기 오토인코더모듈(310)에서 이상 상태라고 판단하는 경우에, 상기 딥러닝모듈(320)은 상기 이상 상태라고 판단된 특징맵을 바탕으로 대상물의 결함 진단 결과를 생성하도록 구성될 수 있다.
상기 딥러닝모듈(320)은 특징맵과 결함 진단 정보로 사전에 훈련이 이루어져서 상기 특징맵 중에서 대상물의 결함에 대한 확신 정도가 잘 달성된 것을 스스로 찾아내도록 구성될 수 있다. 이러한 딥러닝모듈(320)은 상기 특징맵의 학습을 위해 입력레이어와 출력레이어의 쌍이 필요한데, 입력레이어를 벡터
Figure 112020054258673-pat00001
, 목표(target) 데이터를 벡터
Figure 112020054258673-pat00002
라고 할 때
Figure 112020054258673-pat00003
를 쌍으로 정할 수 있으며 입력레이어와 출력레이어의 쌍은 충분하게 확보되어야 한다.
상기 딥러닝모듈(320)은 도 6에 도시된 것과 같이 전이 학습(Transfer Learning)이 가능하도록 구성될 수 있다.
구체적으로 도 6의 (a)는 일반적인 머신러닝 학습 과정으로, 다른 목적의 문제를 해결할 때마다 매번 새로 트레이닝을 수행하게 된다. 반면, 도 6의 (b)는 전이 학습(Transfer Learning)을 이용한 학습 과정으로, 새로운 문제를 해결할 때 다른 목적을 해결하기 위해 학습한 파라미터를 일종의 지식(Knowledge)으로 간주하고, 이로부터 새로운 문제를 해결하기 위해서 트레이닝을 수행하게 된다.
예를 들어, A라는 목적을 위해서 학습된 파라미터가 있고, B라는 또 다른 목적의 문제를 풀고 싶은 경우, B 문제를 풀 때 임의의 값으로 초기화한 파라미터로부터 학습을 진행하는 것이 아니라 A 문제에서 구한 파라미터를 토대로 이 값들을 수정하여 B 문제를 푸는데 사용하게 된다.
이러한 전이 학습(Transfer Learning)이 가능함에 따라 유사한 대상물의 경우 기존에 학습된 모델의 파라미터를 가져와서 새로운 대상물의 학습에 이용하여 처음부터 다시 학습하는 것보다 훨씬 빠른 시간 안에 문제를 해결할 수 있어 대상물의 결함 진단 효율을 높일 수 있다는 이점이 있다.
또한, 상기 딥러닝모듈(320)은 소프트맥스(Softmax) 분류기를 포함하여 구성될 수 있으며, 도 7은 입출력 데이터의 학습 분류의 일 예와 소프트맥스에 의한 진단 분류를 나타내는 도면이다.
이러한 딥러닝모듈(320)은 상기 오토인코더모듈(310)에서 추출한 특징맵을 상기 소프트맥스 분류기의 입력값으로 사용하여 대상물의 결함 정도를 진단하도록 구성될 수 있으며, 구체적으로, 상기 딥러닝모듈(320)은 대상물의 결함 정도를 소프트맥스 회귀 함수로 연산하여 확률수치를 출력값으로 출력하도록 구성될 수 있다.
한편, 상기 결함의 예로서는 베어링의 내륜결함 및 외륜결함, 언밸런스, 마찰, 미스얼라인먼트 등을 들 수 있으며, 상기 딥러닝모듈(320)에서 자동으로 분류할 수 있도록 구성될 수 있다.
일반적인 신호처리의 예를 들면, 베어링의 경우 구름베어링의 외륜이 손상되었다고 하면, 베어링의 각 볼이나 롤러가 손상 부위를 지날 때마다 작고 반복적인 외륜 결함 주파수의 진동이 발생하게 된다. 따라서 베어링의 결함 주파수 범위 내에서 반복적으로 발생하는 신호를 필터링 및 증폭하여 베어링 결함을 찾아내도록 구성될 수 있다.
그리고, 언밸런스의 경우 가장 일반적이 기계진동의 하나로 반경방향 성분의 진동을 발생시키는 원인이 되는데, 축의 무게 중심이 기하학적인 중심과 일치하지 않을 때 발생하게 된다. 따라서 언밸런스 진동력과 관련된 신호를 필터링 및 증폭하여 언밸런스를 찾아내도록 구성될 수 있다.
그리고, 마찰의 경우 부적절한 윤활로 인해 금속 간의 마찰이 발생하게 되는데 마찰과 관련된 진동 또는 음향의 신호를 필터링 및 증폭하여 마찰을 찾아내도록 구성될 수 있다.
그리고, 미스얼라인먼트 경우 축, 커플링, 베어링의 중심선 정렬이 맞지 않을 경우 발생하게 되는데, 미스얼라인먼트와 관련된 신호를 필터링 및 증폭하여 미스얼라인먼트를 찾아내도록 구성될 수 있다.
또한, 상기 머신러닝부(300)는 교정모듈(330)을 더 포함할 수 있으며, 상기 교정모듈(330)은 상기 딥러닝모듈(320)의 출력값에 대해 목표값을 설정하고, 상기 출력값과 목표값 간에 오차를 경사하강법(Gradient Descent)으로 교정하도록 구성될 수 있다. 구체적으로, 출력값과 목표값 간의 오차를 경사하강법을 이용하여 신경회로망의 결합 가중치를 학습이 진행됨에 따라 조금씩 수정하도록 구성될 수 있다.
한편, 상기 머신러닝부(300)는 전술된 데이터수집부(200)로부터 전송받은 데이터 및 결함 진단 데이터 등을 시간 별로 분류하여 저장하는 별도의 데이터베이스모듈(미도시)을 더 포함하여 구성될 수도 있으나, 상기 통신모듈(340)을 통해 전술한 데이터수집부(200)의 데이터베이스모듈(220) 또는 후술될 모니터링부(400)의 저장모듈(430)에 데이터가 저장되거나 별도의 서버(미도시)에 데이터가 저장되는 방식으로도 구성될 수 있다.
상기 모니터링부(400)는 전술한 머신러닝부(300)와 연동되어 복수의 센서 데이터에 대해 모니터링하기 위한 것으로, 도 3의 (b)에 도시된 것과 같이 디스플레이모듈(410), 저장모듈(430) 및 데이터를 주고받을 수 있는 통신모듈(440)을 포함하여 구성될 수 있다.
상기 디스플레이모듈(410)은 상기 통신모듈(440)을 통해 전술한 머신러닝부(300)로부터 데이터를 전송받아 복수의 데이터에 대해 모니터링이 가능한 GUI 인터페이스가 제공되도록 구성될 수 있다. 이러한 디스플레이모듈(410)은 터치입력유닛(미도시)을 포함할 수 있으며, 이에 따라 별도의 입력장치가 없더라도 터치입력에 의해 모니터링이 가능하도록 구성될 수 있다.
도 8 및 도 9는 상기 GUI 인터페이스의 일 예를 나타낸 도면으로, 도 8 및 도 9를 참조하면 상기 GUI 인터페이스는 대상물의 진동 및 복합환경센서의 출력값이 함께 복합적으로 표시되어 사용자 또는 관리자에게 진단 결과를 제공하도록 구성될 수 있다.
상기 저장모듈(430)은 상기 통신모듈(440)을 통해 전송받은 데이터를 저장하도록 구성될 수 있다. 이러한 저장모듈(430)은 별도로 모니터링부(400)에 포함되어 구성될 수도 있으나, 상기 통신모듈(440)을 통해 서버(미도시)에 저장되는 방식으로도 구성될 수 있다. 이에 의해, 사용자 또는 관리자가 직접 현장에서 대상물의 결함 진단을 모니터링할 수 있을 뿐만 아니라, 현장에 없는 경우라 하더라도 스마트폰 이나 컴퓨터 등의 단말을 통해서도 상기 서버에 접속하여 모니터링할 수 있다는 이점이 있다.
한편, 상기 모니터링부(400)는 알람모듈(420)을 더 포함하여 구성될 수 있으며, 상기 알람모듈(420)은 소정의 조건 하에 사용자 또는 관리자에게 시각적 또는 청각적 알람을 제공하도록 구성될 수 있다. 이러한 알람모듈(420)은 별도로 모니터링부(400)에 포함되어 구성될 뿐만 아니라, 상기 통신모듈(440)을 통해 사용자의 스마트폰과 같은 단말기에 신호를 보내 원거리에서도 작동되는 방식으로도 구성될 수 있다. 이에 의해, 사용자 또는 관리자가 현장에 없는 경우라도 스마트폰과 같은 단말을 통해 알람을 제공받을 수 있다는 이점이 있다.
한편, 본 개시의 실시예에 다른 복합센서 기반의 인공지능형 결함 진단 시스템은 전술한 각 구성요소에 공급되는 전원을 제어하는 전원제어부(미도시)를 더 포함하여 구성될 수 있으며, 상기 전원제어부는 전술한 센서부(100)가 결합된 대상물의 동작 상태에 관한 정보를 전송받고, 상기 대상물이 작동하지 않는 경우에는 각 구성요소에 공급되는 전원을 차단하도록 구성될 수 있다. 이에 따라, 대상물의 작동상태에 따라 선택적으로 데이터를 수집, 진단하도록 하여 시스템의 전원 절약 효율을 높일 수 있다는 이점이 있다.
한편, 본 개시의 실시예에 따른 복합센서 기반의 인공지능형 결함 진단 시스템은 회전 기계를 대상으로 하여 설명되었지만 이에 한정되지 않으며, 선형 기계에도 적용될 수 있음은 물론이다. 예를 들면, 선형 액추에이터에서 LM블록의 움직임에 의해 발생하는 가속도, 소음 등의 데이터를 이용하여 고장 진단을 하도록 구성될 수 있으며, 경우에 따라서는 복합환경센서(110)만으로도 구체적이며 정확한 감시 및 진단을 하도록 구성될 수 도 있을 것이다.
이상 본 개시의 실시예에 따른 도면을 참조하여 설명하였지만, 본 발명이 속한 기술분야에서 통상의 지식을 가진 자라면 상기 내용을 바탕으로 본 발명의 범주 내에서 다양한 응용, 변형 및 개작을 행하는 것이 가능할 것이다.
1000 : 본 개시의 실시예에 따른 복합센서 기반의 인공지능형 결함 진단 시스템
100 : 센서부 110 : 복합환경센서
120 : 정밀가속도센서 130 : 통신모듈
200 : 데이터수집부 210 : 신호처리모듈
220 : 데이터베이스모듈 230 : 통신모듈
300 : 머신러닝부 310 : 오토인코더모듈
311 : 입력레이어유닛 312 : 히든레이어유닛
313 : 출력레이어유닛 320 : 딥러닝모듈
330 : 교정모듈 340 : 통신모듈
400 : 모니터링부 410 : 디스플레이모듈
420 : 알람모듈 430 : 저장모듈
440 : 통신모듈

Claims (9)

  1. 대상물에 결합되어 대상물의 결함 진단을 위한 신호를 감지하는 센서부(100); 상기 센서부(100)로부터 센싱된 신호를 수신하여 신호 처리를 통해 데이터베이스화하는 데이터수집부(200); 상기 데이터수집부(200)에 수집된 데이터를 전송받고, 상기 전송된 데이터를 바탕으로 이상 상태를 판단하며, 이상 상태의 데이터를 바탕으로 머신러닝 진단 알고리즘을 통해 결함 진단 결과를 생성하는 머신러닝부(300); 및 상기 머신러닝부(300)와 연동되어 복수의 센서 데이터에 대해 모니터링이 가능한 GUI 인터페이스가 제공되는 모니터링부(400); 를 포함하고,
    상기 센서부(100)는 전체 설비나 장비의 운전 상태를 전반적으로 모니터링하기 위한 MEMS 기반의 복합환경센서(110)와, 상기 복합환경센서(110)를 보완하여 대상물의 상태를 정밀 진단하기 위한 IEPE방식의 정밀가속도센서(120)를 포함하고, 상기 복합환경센서(110)는 가속도, 온습도, 빛, 자이로스코프, 자기, 음향, 먼지 센서 중 적어도 하나 이상 측정가능한 것을 특징으로 하며, 상기 복합환경센서(110)는 WiFi 통신을 통해 상기 데이터수집부(200)에 데이터를 전송하고, 상기 정밀가속도센서(120)는 Ethernet 통신을 통해 상기 데이터수집부(200)에 데이터를 전송하는 것을 특징으로 하고,
    상기 데이터수집부(200)는 상기 센서부(100)로부터 센싱된 신호에 대해 로우패스 필터, 밴드패스 필터, 고속퓨리에변환 및 엔벨로프를 수행하는 신호처리모듈(210)을 포함하되, 상기 신호처리모듈(210)은 소정의 시간 간격으로 노이즈가 포함된 데이터를 샘플링하고, 샘플링된 데이터에 대해 그 직전에 샘플링된 데이터와 비교하여 그 값들간의 차이가 소정의 범위 내에 있는 경우에는 후에 샘플링된 데이터를 채택하고, 상기 값들간의 차이가 소정의 범위를 벗어나는 경우에는 그 직전에 샘플링한 데이터를 채택하여 노이즈를 제거하는 노이즈제거유닛을 포함하는 것을 특징으로 하고,
    상기 머신러닝부(300)는 상기 데이터수집부(200)에 수집된 데이터를 바탕으로 특징맵으로 변환하는 오토인코더모듈(310)과, 사전에 특징맵과 대상물의 결함 정보로 훈련이 이루어져 상기 특징맵을 바탕으로 대상물의 결함을 진단하는 딥러닝모듈(320)을 포함하는 것을 특징으로 하는 복합센서 기반의 인공지능형 결함 진단 시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 오토인코더모듈(310)은 상기 데이터수집부(200)에서 이송된 데이터가 입력레이어로 변환되는 입력레이어유닛(311)과, 상기 입력레이어가 인코딩되어 특징맵을 가진 히든레이어로 압축되는 히든레이어유닛(312)과, 상기 히든레이어가 디코딩되어 출력레이어로 재구축되는 출력레이어유닛(313)을 포함하되,
    상기 오토인코더모듈(310)은 대상물의 정상적인 작동에 대한 신호를 학습한 후 입력레이어와 출력레이어 간에 평균제곱오차(Mean of Squared Error)가 소정의 값 이상일 경우 이상 상태라고 판단하는 것을 특징으로 하는 복합센서 기반의 인공지능형 결함 진단 시스템.
  6. 제5항에 있어서,
    상기 오토인코더모듈(310)에서 이상 상태라고 판단한 경우에,
    상기 딥러닝모듈(320)은 상기 이상 상태라고 판단된 특징맵을 바탕으로 대상물의 결함 진단 결과를 생성하는 것을 특징으로 하는 복합센서 기반의 인공지능형 결함 진단 시스템.
  7. 제6항에 있어서,
    상기 딥러닝모듈(320)은 대상물의 결함 정도를 소프트맥스 회귀 함수로 연산하여 확률수치를 출력값으로 출력하는 것을 특징으로 하는 복합센서 기반의 인공지능형 결함 진단 시스템.
  8. 제7항에 있어서,
    상기 머신러닝부(300)는 교정모듈(330)을 더 포함하되,
    상기 교정모듈(330)은 상기 출력값에 대해 목표값을 설정하고, 상기 출력값과 목표값 간에 오차를 경사하강법(Gradient Descent)으로 교정하는 것을 특징으로 하는 복합센서 기반의 인공지능형 결함 진단 시스템.
  9. 제1항 또는 제5항 내지 제8항 중 어느 한 항에 있어서,
    각 구성요소에 공급되는 전원을 제어하는 전원제어부를 더 포함하되,
    상기 전원제어부는 상기 센서부(100)가 결합된 대상물의 동작 상태에 관한 정보를 전송받고 상기 대상물이 작동하지 않는 경우에는 각 구성요소에 공급되는 전원을 차단하도록 제어하는 것을 특징으로 하는 복합센서 기반의 인공지능형 결함 진단 시스템.
KR1020200064353A 2020-05-28 2020-05-28 복합센서 기반의 인공지능형 결함 진단 시스템 KR102374980B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200064353A KR102374980B1 (ko) 2020-05-28 2020-05-28 복합센서 기반의 인공지능형 결함 진단 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200064353A KR102374980B1 (ko) 2020-05-28 2020-05-28 복합센서 기반의 인공지능형 결함 진단 시스템

Publications (2)

Publication Number Publication Date
KR20210147318A KR20210147318A (ko) 2021-12-07
KR102374980B1 true KR102374980B1 (ko) 2022-03-16

Family

ID=78868410

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200064353A KR102374980B1 (ko) 2020-05-28 2020-05-28 복합센서 기반의 인공지능형 결함 진단 시스템

Country Status (1)

Country Link
KR (1) KR102374980B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4293457A1 (de) 2022-06-15 2023-12-20 Siemens Aktiengesellschaft Überwachungsverfahren, computerprogrammprodukt, überwachungsseinheit, gasanalysevorrichtung und verwendung einer künstlichen intelligenz
CN116132259A (zh) * 2022-12-21 2023-05-16 海南电网有限责任公司信息通信分公司 基于调度自动化系统缺陷信息和故障特征的ai诊断方法
CN116069590B (zh) * 2023-01-09 2023-10-24 甘肃昊润科技信息有限公司 一种基于人工智能的计算机数据安全监测系统及方法
CN117150032B (zh) * 2023-08-04 2024-06-11 华能澜沧江水电股份有限公司 一种水电站发电机组的智能维护系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102015417B1 (ko) 2019-06-10 2019-08-28 주식회사 스마트프로 딥러닝 기반 회전체 결함 예측 진단 장치
KR102027389B1 (ko) * 2019-03-20 2019-10-01 (주)브이엠에스 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치
KR102109337B1 (ko) * 2018-11-14 2020-05-12 (유)엔티엘 수중 모터 펌프의 지상 모니터링 시스템

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100988545B1 (ko) * 2008-01-07 2010-10-18 (주)한국시엠알 멤스 센서를 이용한 결함 진단 시스템
KR20180093554A (ko) * 2017-02-14 2018-08-22 유순종 모듈화된 결함 측정 장치
KR102488558B1 (ko) * 2017-11-21 2023-01-13 구글 엘엘씨 기계 학습 기능을 갖는 저전력 앰비언트 컴퓨팅 시스템
KR102014820B1 (ko) 2017-12-01 2019-08-27 한국생산기술연구원 딥 러닝을 이용한 회전체의 효율 예측 시스템
KR101998559B1 (ko) 2017-12-07 2019-07-10 한국생산기술연구원 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템
KR101967301B1 (ko) 2017-12-07 2019-04-09 한국생산기술연구원 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102109337B1 (ko) * 2018-11-14 2020-05-12 (유)엔티엘 수중 모터 펌프의 지상 모니터링 시스템
KR102027389B1 (ko) * 2019-03-20 2019-10-01 (주)브이엠에스 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치
KR102015417B1 (ko) 2019-06-10 2019-08-28 주식회사 스마트프로 딥러닝 기반 회전체 결함 예측 진단 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
중소벤처기업부, 홍태용, '인공지능형 조선 해양 플랜트 회전기계 고장 예지시스템 개발 최종보고서', 2020. 2.

Also Published As

Publication number Publication date
KR20210147318A (ko) 2021-12-07

Similar Documents

Publication Publication Date Title
KR102374980B1 (ko) 복합센서 기반의 인공지능형 결함 진단 시스템
US10598520B2 (en) Method and apparatus for pneumatically conveying particulate material including a user-visible IoT-based classification and predictive maintenance system noting maintenance state as being acceptable, cautionary, or dangerous
Janssens et al. Convolutional neural network based fault detection for rotating machinery
KR102027389B1 (ko) 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치
US20200233397A1 (en) System, method and computer-accessible medium for machine condition monitoring
Yun et al. Autoencoder-based anomaly detection of industrial robot arm using stethoscope based internal sound sensor
US20170178311A1 (en) Machine fault detection based on a combination of sound capture and on spot feedback
US20230115878A1 (en) Machine learning method for anomaly detection in an electrical system
JP6792746B2 (ja) 周波数領域のセグメント特徴解析による状態識別法
US12007745B2 (en) Apparatus for predicting equipment damage
KR20210059543A (ko) 드론의 이상 진단장치 및 그 방법
KR102182226B1 (ko) 고장 검출 진단 시스템 및 진단방법
KR20210050274A (ko) 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법
US10311659B2 (en) Method of analyzing variations of at least one indicator of the behavior of a mechanism fitted to an aircraft
CN116012681A (zh) 基于声振信号融合的管道机器人电机故障诊断方法及系统
US11188047B2 (en) Automatic visual and acoustic analytics for event detection
KR102355264B1 (ko) 진동센서 및 음향센서를 이용한 선박 원격 관리 시스템 및 방법
CN110869859B (zh) 用于确定机床主轴状态的装置和方法
JP2015064766A (ja) 携帯端末および機器診断方法
CN116360384A (zh) 用于诊断和监控信息物理系统中的异常的系统和方法
Charan An auto-encoder based TinyML approach for real-time anomaly detection
US6774806B1 (en) Monitoring an element of a plant
Aldeoes et al. Comparison of Machine Learning Algorithms for Bearing Failures Classification and Prediction
CN117723782B (zh) 用于桥梁结构健康监测的传感器故障识别定位方法及系统
KR20200099863A (ko) 대상물의 분석 방법

Legal Events

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