KR102380541B1 - 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법 - Google Patents
소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법 Download PDFInfo
- Publication number
- KR102380541B1 KR102380541B1 KR1020210132625A KR20210132625A KR102380541B1 KR 102380541 B1 KR102380541 B1 KR 102380541B1 KR 1020210132625 A KR1020210132625 A KR 1020210132625A KR 20210132625 A KR20210132625 A KR 20210132625A KR 102380541 B1 KR102380541 B1 KR 102380541B1
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- equipment
- sound data
- facility
- cause
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 54
- 238000003745 diagnosis Methods 0.000 claims abstract description 46
- 238000004891 communication Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 8
- 230000007547 defect Effects 0.000 claims 1
- 230000007257 malfunction Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003507 refrigerant Substances 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H15/00—Measuring mechanical or acoustic impedance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
- G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
- G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
- G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
- G06K19/06037—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking multi-dimensional coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
본 발명은 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법을 개시한다. 즉, 본 발명은 설비의 일측에 구성된 센서부를 통해 소리 데이터를 수집하고, 수집된 소리 데이터를 스펙트로그램 이미지로 변환하고, 변환된 스펙트로그램 이미지를 입력값으로 기계 학습을 수행하여 설비의 고장 여부 및 고장 원인을 분류함으로써, 빠르고 정확하게 설비의 고장 여부를 확인하고, 설비에 고장이 있는 것으로 확인되는 경우 고장 원인을 빠르게 파악하여 그에 따른 대응 방안을 제공할 수 있다.
Description
본 발명은 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법에 관한 것으로서, 특히 설비의 일측에 구성된 센서부를 통해 소리 데이터를 수집하고, 수집된 소리 데이터를 스펙트로그램 이미지로 변환하고, 변환된 스펙트로그램 이미지를 입력값으로 기계 학습을 수행하여 설비의 고장 여부 및 고장 원인을 분류하는 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법에 관한 것이다.
고장 진단은 설비의 이상 유무를 진단하는 시험이다.
이러한 고장 진단을 위해서는 무거운 검사 장비를 현장에 배치한 후, 배치된 검사 장비를 통해 고장이 의심스러운 설비에 대해 고장 유무를 확인하는 과정을 수행하고 있으나, 이러한 검사 장비의 이동성 및 설비의 고장 진단을 위한 운영의 비효율성이 존재한다.
본 발명의 목적은 설비의 일측에 구성된 센서부를 통해 소리 데이터를 수집하고, 수집된 소리 데이터를 스펙트로그램 이미지로 변환하고, 변환된 스펙트로그램 이미지를 입력값으로 기계 학습을 수행하여 설비의 고장 여부 및 고장 원인을 분류하는 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법을 제공하는 데 있다.
본 발명의 실시예에 따른 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치는 설비의 일측에서 소리 데이터 및 상기 소리 데이터를 수집하는 소리 데이터의 수집 위치 정보를 수집하는 센서부; 및 상기 수집된 소리 데이터를 스펙트로그램(spectrogram) 이미지로 변환하고, 상기 변환된 스펙트로그램 이미지, 설비 종류 및 상기 수집된 소리 데이터의 수집 위치 정보를 근거로 기계 학습을 수행하여, 기계 학습 결과를 근거로 상기 수집된 소리 데이터와 관련한 설비의 고장 여부를 판단하는 제어부를 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부는, 상기 변환된 스펙트로그램 이미지, 설비 종류 및 상기 수집된 소리 데이터의 수집 위치 정보를 미리 설정된 고장 진단 및 고장 원인 판정 모델의 입력값으로 하여 기계 학습을 수행하고, 기계 학습 결과를 근거로 상기 수집된 소리 데이터와 관련한 설비의 고장 여부를 판단할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부는, 상기 판단 결과, 상기 수집된 소리 데이터와 관련한 설비에 고장이 있는 것으로 판단될 때, 상기 기계 학습 결과를 근거로 고장 원인을 분류하고, 저장부에 미리 저장된 설비의 고장 원인별 대응 방안 중에서 상기 분류된 설비의 고장 원인에 따른 대응 방안을 검색하고, 상기 수집된 소리 데이터에 대응하는 설비에 고장이 있는 상태임을 나타내는 정보, 상기 설비의 고장 원인, 상기 설비의 구성 요소 중 고장 위치 추정 정보 및 상기 설비의 고장 원인에 따른 대응 방안을 표시부를 통해 표시하도록 제어할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부는, 상기 수집된 소리 데이터에 대응하는 설비에 고장이 있는 상태임을 나타내는 정보, 상기 설비의 고장 원인, 상기 설비의 구성 요소 중 고장 위치 추정 정보 및 상기 설비의 고장 원인에 따른 대응 방안을 포함하는 QR 코드를 생성하고, 저장부에 미리 저장된 관리자의 전화번호에 대응하는 단말로 상기 생성된 QR 코드를 전송하도록 통신부를 제어할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부는, 사전에 수집된 설비별 복수의 소리 데이터를 유형에 따라 분류하여, 학습을 위한 데이터 분류를 수행하고, 상기 분류된 설비별 복수의 소리 데이터를 스펙트로그램 이미지로 변환한 후, 상기 변환된 설비별 복수의 스펙트로그램 이미지를 학습용 데이터로 이용하여 상기 고장 진단 및 고장 원인 판정 모델에 대한 학습 기능을 수행할 수 있다.
본 발명의 실시예에 따른 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 방법은 센서부에 의해, 설비의 일측에서 소리 데이터 및 상기 소리 데이터를 수집하는 소리 데이터의 수집 위치 정보를 수집하는 단계; 제어부에 의해, 상기 수집된 소리 데이터를 스펙트로그램 이미지로 변환하는 단계; 및 상기 제어부에 의해, 상기 변환된 스펙트로그램 이미지, 설비 종류 및 상기 수집된 소리 데이터의 수집 위치 정보를 근거로 기계 학습을 수행하여, 기계 학습 결과를 근거로 상기 수집된 소리 데이터와 관련한 설비의 고장 여부를 판단하는 단계를 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 수집된 소리 데이터와 관련한 설비의 고장 여부를 판단하는 단계는, 상기 변환된 스펙트로그램 이미지, 설비 종류 및 상기 수집된 소리 데이터의 수집 위치 정보를 미리 설정된 고장 진단 및 고장 원인 판정 모델의 입력값으로 하여 기계 학습을 수행하고, 기계 학습 결과를 근거로 상기 수집된 소리 데이터와 관련한 설비의 고장 여부를 판단할 수 있다.
본 발명과 관련된 일 예로서 상기 판단 결과, 상기 수집된 소리 데이터와 관련한 설비에 고장이 없는 것으로 판단될 때, 상기 제어부에 의해, 상기 수집된 소리 데이터에 대응하는 설비에 고장이 없는 상태임을 나타내는 정보를 표시부를 통해 표시하도록 제어하는 단계를 더 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 판단 결과, 상기 수집된 소리 데이터와 관련한 설비에 고장이 있는 것으로 판단될 때, 상기 제어부에 의해, 상기 기계 학습 결과를 근거로 고장 원인을 분류하는 단계; 상기 제어부에 의해, 저장부에 미리 저장된 설비의 고장 원인별 대응 방안 중에서 상기 분류된 설비의 고장 원인에 따른 대응 방안을 검색하는 단계; 및 상기 제어부에 의해, 상기 수집된 소리 데이터에 대응하는 설비에 고장이 있는 상태임을 나타내는 정보, 상기 설비의 고장 원인, 상기 설비의 구성 요소 중 고장 위치 추정 정보 및 상기 설비의 고장 원인에 따른 대응 방안을 표시부를 통해 표시하도록 제어하는 단계를 더 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부에 의해, 상기 수집된 소리 데이터에 대응하는 설비에 고장이 있는 상태임을 나타내는 정보, 상기 설비의 고장 원인, 상기 설비의 구성 요소 중 고장 위치 추정 정보 및 상기 설비의 고장 원인에 따른 대응 방안을 포함하는 QR 코드를 생성하는 단계; 및 상기 제어부에 의해, 저장부에 미리 저장된 관리자의 전화번호에 대응하는 단말로 상기 생성된 QR 코드를 전송하도록 통신부를 제어하는 단계를 더 포함할 수 있다.
본 발명은 설비의 일측에 구성된 센서부를 통해 소리 데이터를 수집하고, 수집된 소리 데이터를 스펙트로그램 이미지로 변환하고, 변환된 스펙트로그램 이미지를 입력값으로 기계 학습을 수행하여 설비의 고장 여부 및 고장 원인을 분류함으로써, 빠르고 정확하게 설비의 고장 여부를 확인하고, 설비에 고장이 있는 것으로 확인되는 경우 고장 원인을 빠르게 파악하여 그에 따른 대응 방안을 제공할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치의 구성을 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 방법을 나타낸 흐름도이다.
도 3은 본 발명의 실시예에 따른 소리 데이터 수집 과정의 예를 나타낸 도이다.
도 2는 본 발명의 실시예에 따른 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 방법을 나타낸 흐름도이다.
도 3은 본 발명의 실시예에 따른 소리 데이터 수집 과정의 예를 나타낸 도이다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서 "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 발명에서 사용되는 제 1, 제 2 등과 같이 서수를 포함하는 용어는 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고, 유사하게 제 2 구성 요소도 제 1 구성 요소로 명명될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
도 1은 본 발명의 실시예에 따른 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치(100)의 구성을 나타낸 블록도이다.
도 1에 도시한 바와 같이, 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치(100)는 센서부(110), 통신부(120), 저장부(130), 표시부(140), 음성 출력부(150) 및 제어부(160)로 구성된다. 도 1에 도시된 설비 고장 진단 장치(100)의 구성 요소 모두가 필수 구성 요소인 것은 아니며, 도 1에 도시된 구성 요소보다 많은 구성 요소에 의해 설비 고장 진단 장치(100)가 구현될 수도 있고, 그보다 적은 구성 요소에 의해서도 설비 고장 진단 장치(100)가 구현될 수도 있다.
상기 설비 고장 진단 장치(100)는 스마트폰(Smart Phone), 휴대 단말기(Portable Terminal), 이동 단말기(Mobile Terminal), 폴더블 단말기(Foldable Terminal), 개인 정보 단말기(Personal Digital Assistant: PDA), PMP(Portable Multimedia Player) 단말기, 텔레매틱스(Telematics) 단말기, 내비게이션(Navigation) 단말기, 개인용 컴퓨터(Personal Computer), 노트북 컴퓨터, 슬레이트 PC(Slate PC), 태블릿 PC(Tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(Wearable Device, 예를 들어, 워치형 단말기(Smartwatch), 글래스형 단말기(Smart Glass), HMD(Head Mounted Display) 등 포함), 와이브로(Wibro) 단말기, IPTV(Internet Protocol Television) 단말기, 스마트 TV, 디지털방송용 단말기, AVN(Audio Video Navigation) 단말기, A/V(Audio/Video) 시스템, 플렉시블 단말기(Flexible Terminal), 디지털 사이니지 장치 등과 같은 다양한 단말기에 적용될 수 있다.
상기 센서부(110)는 소리 데이터를 수집(또는 측정)하기 위한 각종 센서, 마이크 등을 포함한다.
또한, 상기 센서부(110)는 상기 소리 데이터를 수집하기 위한 설비(또는 장비)의 일측에 용이하게 착탈 가능하도록 해당 센서부(110)의 일측에 자석을 형성하거나, 해당 설비의 일부분을 감싸도록 고리를 형성할 수 있다.
이와 같이, 상기 센서부(110)는 상기 소리 데이터 수집이 용이하도록 해당 설비에 착탈 가능한 형태의 고정 장치(또는 고정부)(미도시)를 해당 센서부(110)의 일측에 구성(또는 형성)할 수 있다.
또한, 상기 센서부(100)는 설비의 일측에서 소리 데이터를 수집(또는 측정/감지)한다. 이때, 상기 센서부(110)는 해당 소리 데이터를 수집하는 위치 정보(또는 소리 데이터의 수집 위치 정보)(예를 들어 설비 내의 구성 요소 등 포함)를 함께 수집할 수도 있다. 여기서, 상기 설비는 펌프, 모터, 송풍기, 냉장고(또는 냉매 순환 펌프), 에어컨 등을 포함한다.
본 발명의 실시예에서는, 상기 센서부(110)를 통해 소리 데이터를 수집하는 것을 설명하고 있으나, 이에 한정되는 것은 아니며, 설비 고장 진단 장치(100)는 외부에 구성된 센서 장비(미도시)로부터 수집되는 임의의 설비의 일측에서 수집된 소리 데이터를 수신(또는 수집)할 수도 있다.
상기 통신부(120)는 유/무선 통신망을 통해 내부의 임의의 구성 요소 또는 외부의 임의의 적어도 하나의 단말기와 통신 연결한다. 이때, 상기 외부의 임의의 단말기는 센서 장비(미도시), 서버(미도시), 단말(미도시) 등을 포함할 수 있다. 여기서, 무선 인터넷 기술로는 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등이 있으며, 상기 통신부(120)는 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 데이터를 송수신하게 된다. 또한, 근거리 통신 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct) 등이 포함될 수 있다. 또한, 유선 통신 기술로는 전력선 통신(Power Line Communication: PLC), USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등이 포함될 수 있다.
또한, 상기 통신부(120)는 유니버설 시리얼 버스(Universal Serial Bus: USB)를 통해 임의의 단말과 정보를 상호 전송할 수 있다.
또한, 상기 통신부(120)는 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 상기 센서 장비, 상기 서버, 상기 단말 등과 무선 신호를 송수신한다.
또한, 상기 통신부(120)는 상기 제어부(160)의 제어에 의해, 상기 수집된 소리 데이터 등을 상기 서버, 상기 단말 등에 전송하거나 또는, 상기 센서 장비로부터 전송되는 소리 데이터 등을 수신한다.
상기 저장부(130)는 다양한 사용자 인터페이스(User Interface: UI), 그래픽 사용자 인터페이스(Graphic User Interface: GUI) 등을 저장한다.
또한, 상기 저장부(130)는 상기 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치(100)가 동작하는데 필요한 데이터와 프로그램 등을 저장한다.
즉, 상기 저장부(130)는 상기 설비 고장 진단 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 설비 고장 진단 장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한, 이러한 응용 프로그램 중 적어도 일부는 설비 고장 진단 장치(100)의 기본적인 기능을 위하여 출고 당시부터 설비 고장 진단 장치(100) 상에 존재할 수 있다. 한편, 응용 프로그램은 상기 저장부(130)에 저장되고, 설비 고장 진단 장치(100)에 설치되어, 제어부(160)에 의하여 상기 설비 고장 진단 장치(100)의 동작(또는 기능)을 수행하도록 구동될 수 있다.
또한, 상기 저장부(130)는 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리 등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory: RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다. 또한, 설비 고장 진단 장치(100)는 인터넷(internet)상에서 저장부(130)의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 상기 웹 스토리지와 관련되어 동작할 수도 있다.
또한, 상기 저장부(130)는 상기 제어부(160)의 제어에 의해 상기 수집된 소리 데이터 등을 저장한다.
상기 표시부(또는 디스플레이부)(140)는 상기 제어부(160)의 제어에 의해 상기 저장부(130)에 저장된 사용자 인터페이스 및/또는 그래픽 사용자 인터페이스를 이용하여 다양한 메뉴 화면 등과 같은 다양한 콘텐츠를 표시할 수 있다. 여기서, 상기 표시부(140)에 표시되는 콘텐츠는 다양한 텍스트 또는 이미지 데이터(각종 정보 데이터 포함)와 아이콘, 리스트 메뉴, 콤보 박스 등의 데이터를 포함하는 메뉴 화면 등을 포함한다. 또한, 상기 표시부(140)는 터치 스크린 일 수 있다.
또한, 상기 표시부(140)는 액정 디스플레이(Liquid Crystal Display: LCD), 박막 트랜지스터 액정 디스플레이(Thin Film Transistor-Liquid Crystal Display: TFT LCD), 유기 발광 다이오드(Organic Light-Emitting Diode: OLED), 플렉시블 디스플레이(Flexible Display), 3차원 디스플레이(3D Display), 전자잉크 디스플레이(e-ink display), LED(Light Emitting Diode) 중에서 적어도 하나를 포함할 수 있다.
또한, 상기 표시부(140)는 상기 제어부(160)의 제어에 의해 상기 수집된 소리 데이터 등에 대한 정보를 표시한다.
상기 음성 출력부(150)는 상기 제어부(160)에 의해 소정 신호 처리된 신호에 포함된 음성 정보를 출력한다. 여기서, 상기 음성 출력부(140)에는 리시버(receiver), 스피커(speaker), 버저(buzzer) 등이 포함될 수 있다.
또한, 상기 음성 출력부(150)는 상기 제어부(160)에 의해 생성된 안내 음성을 출력한다.
또한, 상기 음성 출력부(150)는 상기 제어부(160)의 제어에 의해 상기 수집된 소리 데이터 등을 출력한다.
상기 제어부(controller, 또는 MCU(microcontroller unit)(160)는 상기 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치(100)의 전반적인 제어 기능을 실행한다.
또한, 상기 제어부(160)는 상기 저장부(130)에 저장된 프로그램 및 데이터를 이용하여 설비 고장 진단 장치(100)의 전반적인 제어 기능을 실행한다. 상기 제어부(160)는 RAM, ROM, CPU, GPU, 버스를 포함할 수 있으며, RAM, ROM, CPU, GPU 등은 버스를 통해 서로 연결될 수 있다. CPU는 상기 저장부(130)에 액세스하여, 상기 저장부(130)에 저장된 O/S를 이용하여 부팅을 수행할 수 있으며, 상기 저장부(130)에 저장된 각종 프로그램, 콘텐츠, 데이터 등을 이용하여 다양한 동작을 수행할 수 있다.
또한, 상기 제어부(160)는 사전에 수집된 설비별 복수의 소리 데이터를 유형에 따라 분류하여, 학습을 위한 데이터 분류(예를 들어 정상 음, 축 불량 음, 베어링 손상 음, 캐비테이션 음, 임펠라 고장 음, 모터 베어링 음 등 포함)를 수행한다.
또한, 상기 제어부(160)는 상기 분류된 설비별 복수의 소리 데이터를 스펙트로그램(spectrogram) 이미지로 변환한 후, 상기 변환된 설비별 복수의 스펙트로그램 이미지를 지속적인 기계학습(또는 딥러닝)의 데이터로 활용한다. 여기서, 상기 기계학습을 위한 입력 데이터세트는 상기 변환된 설비별 복수의 스펙트로그램 이미지를 미리 설정된 비율(예를 들어 7:3)로 훈련 세트(train set)와 테스트 세트(test set)로 분할하여, 훈련 및 테스트 기능을 수행할 수 있다. 또한, 상기 기계학습을 위한 입력 데이터세트는 추후 수집되는 설비별 소리 데이터를 변환한 스펙트로그램 이미지 등을 포함한다. 또한, 상기 기계학습을 위한 출력 데이터세트는 예측하고 싶은 부분으로, 수집된 소리 데이터를 학습하고, 추후에 이를 예측하여 고장 여부, 고장 발생 시 고장 원인 등을 포함한다.
즉, 상기 제어부(160)는 미리 설정된 학습용 데이터를 통해 고장 진단 및 고장 원인 판정 모델에 대해서 특정 로우 데이터와 관련해서 특정 스펙트로그램 이미지에 대해서 고장 진단 여부, 고장 원인 판정 등을 분류(또는 확인/판단)하기 위한 학습 기능을 수행한다. 이때, 상기 서버(200)는 로우 데이터(또는 학습용 데이터 등 포함)를 병렬 및 분산하여 저장하고, 저장된 로우 데이터(또는 학습용 데이터 등 포함) 내에 포함된 비정형(Unstructed) 데이터, 정형(Structured) 데이터, 반정형 데이터(Semi-structured)를 정제하고, 메타 데이터로 분류를 포함한 전처리를 실시하고, 전처리된 데이터를 데이터 마이닝(Data Mining)을 포함하는 분석을 실시하고 적어도 하나의 종류의 기계학습에 기반하여 학습, 훈련 및 테스트를 진행하여 빅데이터를 구축할 수 있다. 이때, 적어도 하나의 종류의 기계학습은 지도 학습(Supervised Learning), 반지도 학습(Semi-Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 및 심층 강화 학습(Deep Reinforcement Learning) 중 어느 하나 또는 적어도 하나의 조합으로 이루어질 수 있다.
또한, 상기 제어부(160)는 상기 학습용 데이터를 통해 고장 진단 및 고장 원인 판정 모델에 대해서 특정 로우 데이터와 관련해서 특정 스펙트로그램 이미지에 대해서 고장 진단, 고장 원인 판정 등을 분류(또는 확인/판단)하기 위한 학습 기능을 수행한다.
이와 같이, 상기 제어부(160)는 상기 학습용 데이터 등을 통해서 뉴럴 네트워크(Neural Networks) 형태의 상기 고장 진단 및 고장 원인 판정 모델에 대해서 학습 기능을 수행한다.
또한, 상기 제어부(160)는 상기 센서부(110)를 통해 수집된 소리 데이터를 스펙트로그램 이미지로 변환한다. 이때, 스펙트로그램은 소리나 파동을 시각화하여 파악하기 위한 도구(또는 방식)로, 파형(waveform)과 스펙트럼(spectrum)의 특징이 조합되어 있다. 여기서, 파형에서는 시간축의 변화에 따른 진폭 축의 변화를 확인할 수 있고, 스펙트럼에서는 주파수 축의 변화에 따른 진폭 축의 변화를 확인할 수 있는 반면, 스펙트로그램에서는 시간축과 주파수 축의 변화에 따라 진폭의 차이를 인쇄 농도의 차이 및/또는 표시 색상의 차이로 나타낸다.
또한, 상기 제어부(160)는 상기 변환된 스펙트로그램 이미지 및 설비 종류를 근거로 기계 학습을 수행하여, 기계 학습 결과를 근거로 상기 소리 데이터와 관련한 설비의 고장 여부를 판단(또는 확인)한다. 이때, 상기 제어부(160)는 상기 변환된 스펙트로그램 이미지, 상기 설비 종류, 상기 수집된 소리 데이터의 수집 위치 정보 등을 근거로 기계 학습을 수행하여, 기계 학습 결과를 근거로 상기 소리 데이터와 관련한 설비의 고장 여부를 판단할 수도 있다.
즉, 상기 제어부(160)는 상기 변환된 스펙트로그램 이미지, 상기 설비 종류, 상기 수집된 소리 데이터의 수집 위치 정보 등을 미리 설정된 고장 진단 및 고장 원인 판정 모델의 입력값으로 하여 기계 학습(또는 인공지능/딥 러닝)을 수행하고, 기계 학습 결과(또는 인공지능 결과/딥 러닝 결과)를 근거로 상기 스펙트로그램 이미지(또는 상기 소리 데이터)와 관련해서 해당 설비에서 고장이 발생했는지 여부를 판단(또는 확인/분류)한다.
상기 판단 결과(또는 상기 확인 결과), 상기 설비(또는 상기 수집된 소리 데이터와 관련한 설비)에 고장이 없는 것으로 판단(또는 확인)되는 경우, 상기 제어부(160)는 상기 수집된 소리 데이터에 대응하는 해당 설비에 고장이 없는 상태임을 나타내는 정보를 상기 표시부(140) 및/또는 상기 음성 출력부(150)를 통해 출력한다.
또한, 상기 판단 결과(또는 상기 확인 결과), 상기 설비에 고장이 있는 것으로 판단(또는 확인)되는 경우, 상기 제어부(160)는 상기 기계 학습 결과를 근거로 고장 원인(예를 들어 축 불량, 베어링 손상, 캐비테이션(Cavitation, 공동현상) 발생, 임펠러(impeller) 고장, 모터 베어링 고장 등 포함)을 분류(또는 확인/판단/결정)한다.
이와 같이, 상기 제어부(160)는 상기 설비와 관련한 소리 데이터를 수집하고, 수집된 소리 데이터(또는 소리 데이터를 변환한 스펙트로그램 이미지)를 기반으로 기계 학습을 통해 고장 원인을 분류할 수 있다.
또한, 상기 제어부(160)는 저장부(130)에 미리 저장된 설비의 고장 원인별 대응 방안 중에서 상기 분류된(또는 확인된/판단된/결정된) 해당 설비의 고장 원인에 따른 대응 방안을 검색(또는 확인)한다.
또한, 상기 제어부(160)는 해당 설비에 고장이 있는 상태임을 나타내는 정보, 해당 설비의 고장 원인, 해당 설비의 구성 요소 중 고장 위치 추정 정보, 상기 검색된(또는 확인된) 해당 설비의 고장 원인에 따른 대응 방안 등을 상기 표시부(140) 및/또는 상기 음성 출력부(150)를 통해 출력한다. 여기서, 상기 설비의 구성 요소 중 고장 위치 추정 정보는 해당 고장 상태로 진단된 설비의 소리 데이터를 측정한 위치인 상기 소리 데이터의 수집 위치 정보일 수 있다.
또한, 상기 제어부(160)는 해당 설비에 고장이 있는 상태임을 나타내는 정보, 해당 설비의 고장 원인, 해당 설비의 구성 요소 중 고장 위치 추정 정보, 상기 검색된(또는 확인된) 해당 설비의 고장 원인에 따른 대응 방안 등을 포함하는 QR 코드를 생성하고, 상기 생성된 QR 코드를 통신부(120)를 통해 상기 저장부(130)에 미리 저장된 관리자의 전화번호에 대응하는 단말(미도시) 또는 이메일에 전송한다.
또한, 상기 관리자가 소지한 단말은 상기 통신부(120)를 통해 전송되는 QR 코드를 수신하고, 해당 관리자가 관리 중인 설비의 이상 유무(또는 고장 여부), 고장 원인, 대응 방안 등을 용이하게 확인할 수 있도록 해당 관리자의 선택에 따라 상기 수신된 QR 코드에 포함된 정보들을 해당 단말에 표시한다.
또한, 상기 제어부(160)는 상기 설비 고장 진단 장치(100)에서 제공하는 다양한 기능을 수행하기 위해서 상기 서버에 회원 가입한 상태일 수 있다.
또한, 상기 제어부(160)는 상기 다양한 기능 수행을 위해서, 구독 기능 수행에 따라 매월(또는 일별/주별/분기별/연도별 등 포함) 일정 비용을 상기 서버 및 결제 서버(미도시)와 연동하여 결제 기능을 수행할 수 있다.
본 발명의 실시예에서는 상기 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치(100)에서 전용 앱 형태 또는 웹 사이트 형태로 다양한 기능(예를 들어 소리 데이터 수집 기능, 소리 데이터에 대한 스펙트로그램 이미지 변환 기능, 스펙트로그램 이미지와 설비 종류와 소리 데이터의 측정 위치 정보를 통한 기계 학습 기능, 설비의 고장 여부 및/또는 설비의 고장 원인 제공 기능 등 포함)을 수행할 수 있다.
이와 같이, 설비의 일측에 구성된 센서부를 통해 소리 데이터를 수집하고, 수집된 소리 데이터를 스펙트로그램 이미지로 변환하고, 변환된 스펙트로그램 이미지를 입력값으로 기계 학습을 수행하여 설비의 고장 여부 및 고장 원인을 분류할 수 있다.
이하에서는, 본 발명에 따른 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 방법을 도 1 내지 도 3을 참조하여 상세히 설명한다.
도 2는 본 발명의 실시예에 따른 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 방법을 나타낸 흐름도이다.
먼저, 센서부(110)는 설비의 일측에서 소리 데이터를 수집한다. 이때, 상기 센서부(110)는 해당 소리 데이터를 수집하는 위치 정보(또는 소리 데이터의 수집 위치 정보)(예를 들어 설비 내의 구성 요소 등 포함)를 함께 수집할 수도 있다. 여기서, 상기 설비는 펌프, 모터, 송풍기, 냉장고(또는 냉매 순환 펌프), 에어컨 등을 포함한다. 또한, 상기 센서부(110)는 상기 소리 데이터를 수집(또는 측정)하기 위한 각종 센서, 마이크 등을 포함한다.
일 예로, 도 3에 도시된 바와 같이, 제 1 센서부(110)는 복수의 배관, 펌프, 모터 등으로 구성된 제 1 설비로부터 펌프와 연결된 제 1 배관의 일측에서 제 1 소리 데이터를 수집하고, 제 2 센서부(110)는 상기 펌프와 상기 모터를 연결하는 제 2 배관의 일측에서 제 2 소리 데이터를 수집하고, 제 3 센서부(110) 및 제 4 센서부(110)는 상기 모터의 서로 다른 일측에서 제 3 소리 데이터 및 제 4 소리 데이터를 각각 수집한다(S210).
이후, 제어부(160)는 상기 수집된 소리 데이터를 스펙트로그램 이미지로 변환한다. 이때, 스펙트로그램은 소리나 파동을 시각화하여 파악하기 위한 도구(또는 방식)로, 파형(waveform)과 스펙트럼(spectrum)의 특징이 조합되어 있다. 여기서, 파형에서는 시간축의 변화에 따른 진폭 축의 변화를 확인할 수 있고, 스펙트럼에서는 주파수 축의 변화에 따른 진폭 축의 변화를 확인할 수 있는 반면, 스펙트로그램에서는 시간축과 주파수 축의 변화에 따라 진폭의 차이를 인쇄 농도의 차이 및/또는 표시 색상의 차이로 나타낸다.
일 예로, 상기 제어부(160)는 상기 수집된 제 1 소리 데이터 내지 제 4 소리 데이터를 제 1 스펙트로그램 이미지 내지 제 4 스펙트로그램 이미지로 각각 변환한다(S220).
이후, 상기 제어부(160)는 상기 변환된 스펙트로그램 이미지 및 설비 종류를 근거로 기계 학습을 수행하여, 기계 학습 결과를 근거로 상기 소리 데이터와 관련한 설비의 고장 여부를 판단(또는 확인)한다. 이때, 상기 제어부(160)는 상기 변환된 스펙트로그램 이미지, 상기 설비 종류, 상기 수집된 소리 데이터의 수집 위치 정보 등을 근거로 기계 학습을 수행하여, 기계 학습 결과를 근거로 상기 소리 데이터와 관련한 설비의 고장 여부를 판단할 수도 있다.
즉, 상기 제어부(160)는 상기 변환된 스펙트로그램 이미지, 상기 설비 종류, 상기 수집된 소리 데이터의 수집 위치 정보 등을 미리 설정된 고장 진단 및 고장 원인 판정 모델의 입력값으로 하여 기계 학습(또는 인공지능/딥 러닝)을 수행하고, 기계 학습 결과(또는 인공지능 결과/딥 러닝 결과)를 근거로 상기 스펙트로그램 이미지(또는 상기 소리 데이터)와 관련해서 해당 설비에서 고장이 발생했는지 여부를 판단(또는 확인/분류)한다.
일 예로, 상기 제어부(160)는 상기 변환된 제 1 스펙트로그램 이미지 내지 제 4 스펙트로그램 이미지, 제 1 설비 종류, 상기 제 1 소리 데이터의 제 1 수집 위치 정보(예를 들어 상기 펌프와 연결된 제 1 배관의 일측), 상기 제 2 소리 데이터의 제 2 수집 위치 정보(예를 들어 상기 펌프와 상기 모터를 연결하는 제 2 배관의 일측), 상기 제 3 소리 데이터의 제 3 수집 위치 정보(예를 들어 상기 모터의 일측) 및 상기 제 4 소리 데이터의 제 4 수집 위치 정보(예를 들어 상기 모터의 다른 일측)를 상기 고장 진단 및 고장 원인 판정 모델의 입력값으로 하여 기계 학습을 수행하고, 기계 학습 결과를 근거로 상기 제 1 스펙트로그램 이미지 내지 제 4 스펙트로그램 이미지와 관련해서 상기 제 1 수집 위치 정보 내지 상기 제 4 수집 위치 정보에 해당하는 제 1 설비의 구성 요소에서 고장이 발생했는지 여부를 판단한다(S230).
상기 판단 결과(또는 상기 확인 결과), 상기 설비에 고장이 없는 것으로 판단(또는 확인)되는 경우, 상기 제어부(160)는 상기 수집된 소리 데이터에 대응하는 해당 설비에 고장이 없는 상태임을 나타내는 정보를 표시부(140) 및/또는 음성 출력부(150)를 통해 출력한다.
일 예로, 기계 학습 결과를 근거로 상기 제 1 스펙트로그램 이미지 내지 제 4 스펙트로그램 이미지와 관련해서 상기 제 1 수집 위치 정보 내지 상기 제 4 수집 위치 정보에 해당하는 제 1 설비의 구성 요소에서 고장이 발생하지 않은 상태일 때, 상기 제어부(160)는 상기 수집된 제 1 소리 데이터 내지 제 4 소리 데이터에 대응하는 해당 제 1 설비에 고장이 없는 상태임을 나타내는 정보를 상기 표시부(140) 및/또는 상기 음성 출력부(150)를 통해 출력한다(S240).
또한, 상기 판단 결과(또는 상기 확인 결과), 상기 설비에 고장이 있는 것으로 판단(또는 확인)되는 경우, 상기 제어부(160)는 상기 기계 학습 결과를 근거로 고장 원인(예를 들어 축 불량, 베어링 손상, 캐비테이션(Cavitation, 공동현상) 발생, 임펠러(impeller) 고장, 모터 베어링 고장 등 포함)을 분류(또는 확인/판단/결정)한다.
일 예로, 기계 학습 결과를 근거로 상기 제 1 스펙트로그램 이미지 내지 제 4 스펙트로그램 이미지와 관련해서 상기 제 2 스펙트로그램 이미지에 해당하는 설비의 구성 요소에서 고장이 발생한 상태로 판단될 때, 상기 제어부(160)는 상기 기계 학습 결과를 근거로 상기 고장이 발생한 제 2 스펙트로그램 이미지에 대해서 제 2 기계 학습 결과를 근거로 고장 원인(예를 들어 베어링 손상)을 분류한다(S250).
이후, 상기 제어부(160)는 저장부(130)에 미리 저장된 설비의 고장 원인별 대응 방안 중에서 상기 분류된(또는 확인된/판단된/결정된) 해당 설비의 고장 원인에 따른 대응 방안을 검색(또는 확인)한다.
또한, 상기 제어부(160)는 해당 설비에 고장이 있는 상태임을 나타내는 정보, 해당 설비의 고장 원인, 해당 설비의 구성 요소 중 고장 위치 추정 정보, 상기 검색된(또는 확인된) 해당 설비의 고장 원인에 따른 대응 방안 등을 상기 표시부(140) 및/또는 상기 음성 출력부(150)를 통해 출력한다.
또한, 상기 제어부(160)는 해당 설비에 고장이 있는 상태임을 나타내는 정보, 해당 설비의 고장 원인, 해당 설비의 구성 요소 중 고장 위치 추정 정보, 상기 검색된(또는 확인된) 해당 설비의 고장 원인에 따른 대응 방안 등을 포함하는 QR 코드를 생성하고, 상기 생성된 QR 코드를 통신부(120)를 통해 상기 저장부(130)에 미리 저장된 관리자의 전화번호에 대응하는 단말(미도시) 또는 이메일에 전송한다.
또한, 상기 관리자가 소지한 단말은 상기 통신부(120)를 통해 전송되는 QR 코드를 수신하고, 해당 관리자가 관리 중인 설비의 이상 유무(또는 고장 여부), 고장 원인, 대응 방안 등을 용이하게 확인할 수 있도록 해당 관리자의 선택에 따라 상기 수신된 QR 코드에 포함된 정보들을 해당 단말에 표시한다.
일 예로, 상기 제어부(160)는 상기 저장부(130)에 미리 저장된 설비의 고장 원인별 대응 방안 중에서 상기 분류된 고장 원인(예를 들어 베어링 손상)에 대응하는 제 1 대응 방안(예를 들어 펌프와 모터를 연결하는 베어링이 손상된 경우, 베어링 파열에 따른 펌프나 모터의 손상이 발생할 수 있습니다. 설비의 동작을 일시 정지시킨 후, 베어링을 교체해야합니다)을 검색한다.
또한, 상기 제어부(160)는 해당 설비에 고장이 있는 상태임을 나타내는 정보, 해당 설비의 고장 원인(예를 들어 베어링 손상), 해당 설비 중 고장 위치 추정 정보(예를 들어 상기 펌프와 상기 모터를 연결하는 제 2 배관의 일측), 상기 검색된 제 1 대응 방안(예를 들어 펌프와 모터를 연결하는 베어링이 손상된 경우, 베어링 파열에 따른 펌프나 모터의 손상이 발생할 수 있습니다. 설비의 동작을 일시 정지시킨 후, 베어링을 교체해야 합니다) 등을 상기 표시부(140) 및/또는 상기 음성 출력부(150)를 통해 출력한다(S260).
본 발명의 실시예는 앞서 설명된 바와 같이, 설비의 일측에 구성된 센서부를 통해 소리 데이터를 수집하고, 수집된 소리 데이터를 스펙트로그램 이미지로 변환하고, 변환된 스펙트로그램 이미지를 입력값으로 기계 학습을 수행하여 설비의 고장 여부 및 고장 원인을 분류하여, 빠르고 정확하게 설비의 고장 여부를 확인하고, 설비에 고장이 있는 것으로 확인되는 경우 고장 원인을 빠르게 파악하여 그에 따른 대응 방안을 제공할 수 있다.
전술된 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치
110: 센서부 120: 통신부
130: 저장부 140: 표시부
150: 음성 출력부 160: 제어부
110: 센서부 120: 통신부
130: 저장부 140: 표시부
150: 음성 출력부 160: 제어부
Claims (10)
- 설비에 착탈 가능한 형태의 자석 또는 고리를 포함하는 고정 장치를 일측에 구성하고, 상기 설비의 일측에서 소리 데이터 및 상기 소리 데이터를 수집하는 소리 데이터의 수집 위치 정보를 수집하는 센서부; 및
상기 수집된 소리 데이터를 스펙트로그램(spectrogram) 이미지로 변환하고, 상기 변환된 스펙트로그램 이미지, 설비 종류 및 상기 수집된 소리 데이터의 수집 위치 정보를 근거로 기계 학습을 수행하여, 기계 학습 결과를 근거로 상기 수집된 소리 데이터와 관련한 설비의 고장 여부를 판단하는 제어부를 포함하며,
상기 제어부는,
사전에 수집된 설비별 복수의 소리 데이터를 정상 음, 축 불량 음, 베어링 손상 음, 캐비테이션 음, 임펠라 고장 음 및 모터 베어링 음 중 어느 하나로 유형에 따라 각각 분류하여, 학습을 위한 데이터 분류를 수행하고, 상기 분류된 설비별 복수의 소리 데이터를 스펙트로그램 이미지로 변환한 후, 상기 변환된 설비별 복수의 스펙트로그램 이미지를 학습용 데이터로 이용하여 미리 설정된 비율로 훈련 세트와 테스트 세트로 분할하고, 상기 분할된 훈련 세트와 테스트 세트를 이용하여 미리 설정된 고장 진단 및 고장 원인 판정 모델에 대한 훈련 및 테스트 기능을 수행하며,
상기 변환된 스펙트로그램 이미지, 설비 종류 및 상기 수집된 소리 데이터의 수집 위치 정보를 상기 고장 진단 및 고장 원인 판정 모델의 입력값으로 하여 기계 학습을 수행하고, 기계 학습 결과를 근거로 상기 수집된 소리 데이터와 관련한 설비의 고장 여부를 판단하며,
상기 판단 결과, 상기 수집된 소리 데이터와 관련한 설비에 고장이 있는 것으로 판단될 때, 상기 기계 학습 결과를 근거로 축 불량, 베어링 손상, 캐비테이션 발생, 임펠러 고장 및 모터 베어링 고장 중 어느 하나의 고장 원인을 분류하는 것을 특징으로 하는 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치. - 삭제
- 제 1 항에 있어서,
상기 제어부는,
저장부에 미리 저장된 설비의 고장 원인별 대응 방안 중에서 상기 분류된 설비의 고장 원인에 따른 대응 방안을 검색하고, 상기 수집된 소리 데이터에 대응하는 설비에 고장이 있는 상태임을 나타내는 정보, 상기 설비의 고장 원인, 상기 설비의 구성 요소 중 고장 위치 추정 정보 및 상기 설비의 고장 원인에 따른 대응 방안을 표시부를 통해 표시하도록 제어하는 것을 특징으로 하는 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치. - 제 1 항에 있어서,
상기 제어부는,
상기 수집된 소리 데이터에 대응하는 설비에 고장이 있는 상태임을 나타내는 정보, 상기 설비의 고장 원인, 상기 설비의 구성 요소 중 고장 위치 추정 정보 및 상기 설비의 고장 원인에 따른 대응 방안을 포함하는 QR 코드를 생성하고, 저장부에 미리 저장된 관리자의 전화번호에 대응하는 단말로 상기 생성된 QR 코드를 전송하도록 통신부를 제어하는 것을 특징으로 하는 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치. - 삭제
- 제어부에 의해, 사전에 수집된 설비별 복수의 소리 데이터를 정상 음, 축 불량 음, 베어링 손상 음, 캐비테이션 음, 임펠라 고장 음 및 모터 베어링 음 중 어느 하나로 유형에 따라 각각 분류하여, 학습을 위한 데이터 분류를 수행하는 단계;
상기 제어부에 의해, 상기 분류된 설비별 복수의 소리 데이터를 스펙트로그램 이미지로 변환한 후, 상기 변환된 설비별 복수의 스펙트로그램 이미지를 학습용 데이터로 이용하여 미리 설정된 비율로 훈련 세트와 테스트 세트로 분할하는 단계;
상기 제어부에 의해, 상기 분할된 훈련 세트와 테스트 세트를 이용하여 미리 설정된 고장 진단 및 고장 원인 판정 모델에 대한 훈련 및 테스트 기능을 수행하는 단계;
센서부에 의해, 설비의 일측에서 소리 데이터 및 상기 소리 데이터를 수집하는 소리 데이터의 수집 위치 정보를 수집하는 단계;
상기 제어부에 의해, 상기 수집된 소리 데이터를 스펙트로그램 이미지로 변환하는 단계;
상기 제어부에 의해, 상기 변환된 스펙트로그램 이미지, 설비 종류 및 상기 수집된 소리 데이터의 수집 위치 정보를 근거로 기계 학습을 수행하여, 기계 학습 결과를 근거로 상기 수집된 소리 데이터와 관련한 설비의 고장 여부를 판단하는 단계; 및
상기 판단 결과, 상기 수집된 소리 데이터와 관련한 설비에 고장이 있는 것으로 판단될 때, 상기 제어부에 의해, 상기 기계 학습 결과를 근거로 축 불량, 베어링 손상, 캐비테이션 발생, 임펠러 고장 및 모터 베어링 고장 중 어느 하나의 고장 원인을 분류하는 단계를 포함하며,
상기 센서부는,
상기 설비에 착탈 가능한 형태의 자석 또는 고리를 포함하는 고정 장치를 일측에 구성하며,
상기 수집된 소리 데이터와 관련한 설비의 고장 여부를 판단하는 단계는,
상기 변환된 스펙트로그램 이미지, 설비 종류 및 상기 수집된 소리 데이터의 수집 위치 정보를 상기 고장 진단 및 고장 원인 판정 모델의 입력값으로 하여 기계 학습을 수행하고, 기계 학습 결과를 근거로 상기 수집된 소리 데이터와 관련한 설비의 고장 여부를 판단하는 것을 특징으로 하는 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 방법. - 삭제
- 제 6 항에 있어서,
상기 판단 결과, 상기 수집된 소리 데이터와 관련한 설비에 고장이 없는 것으로 판단될 때, 상기 제어부에 의해, 상기 수집된 소리 데이터에 대응하는 설비에 고장이 없는 상태임을 나타내는 정보를 표시부를 통해 표시하도록 제어하는 단계를 더 포함하는 것을 특징으로 하는 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 방법. - 제 6 항에 있어서,
상기 제어부에 의해, 저장부에 미리 저장된 설비의 고장 원인별 대응 방안 중에서 상기 분류된 설비의 고장 원인에 따른 대응 방안을 검색하는 단계; 및
상기 제어부에 의해, 상기 수집된 소리 데이터에 대응하는 설비에 고장이 있는 상태임을 나타내는 정보, 상기 설비의 고장 원인, 상기 설비의 구성 요소 중 고장 위치 추정 정보 및 상기 설비의 고장 원인에 따른 대응 방안을 표시부를 통해 표시하도록 제어하는 단계를 더 포함하는 것을 특징으로 하는 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 방법. - 제 9 항에 있어서,
상기 제어부에 의해, 상기 수집된 소리 데이터에 대응하는 설비에 고장이 있는 상태임을 나타내는 정보, 상기 설비의 고장 원인, 상기 설비의 구성 요소 중 고장 위치 추정 정보 및 상기 설비의 고장 원인에 따른 대응 방안을 포함하는 QR 코드를 생성하는 단계; 및
상기 제어부에 의해, 저장부에 미리 저장된 관리자의 전화번호에 대응하는 단말로 상기 생성된 QR 코드를 전송하도록 통신부를 제어하는 단계를 더 포함하는 것을 특징으로 하는 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210132625A KR102380541B1 (ko) | 2021-10-06 | 2021-10-06 | 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법 |
| PCT/KR2022/012205 WO2023058888A1 (ko) | 2021-10-06 | 2022-08-16 | 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210132625A KR102380541B1 (ko) | 2021-10-06 | 2021-10-06 | 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102380541B1 true KR102380541B1 (ko) | 2022-04-01 |
Family
ID=81183538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210132625A KR102380541B1 (ko) | 2021-10-06 | 2021-10-06 | 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102380541B1 (ko) |
| WO (1) | WO2023058888A1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115602196A (zh) * | 2022-12-12 | 2023-01-13 | 杭州兆华电子股份有限公司（Cn） | 一种固定转速电机的异响声识别系统及方法 |
| WO2023058888A1 (ko) * | 2021-10-06 | 2023-04-13 | 주식회사 위플랫 | 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150058928A (ko) * | 2013-11-21 | 2015-05-29 | 이선휘 | 진동 특성을 이용한 설비의 결함 진단 방법 |
| KR20190098784A (ko) * | 2018-01-30 | 2019-08-23 | 한국전력공사 | 사물 인터넷, 빅데이터, 3d 기술 융복합 현실 기반 지능형 전력구 관리 시스템, 이의 방법, 그리고, 이 방법을 저장한 컴퓨터 판독 가능 저장 매체 |
| KR20190114221A (ko) | 2018-03-29 | 2019-10-10 | 삼성전자주식회사 | 심층학습을 기반으로 한 설비 진단 시스템 및 방법 |
| KR20200031463A (ko) * | 2018-09-14 | 2020-03-24 | 한국산업기술대학교산학협력단 | 로봇 고장원인 진단 시스템 및 방법 |
| KR102145984B1 (ko) * | 2018-01-10 | 2020-08-19 | 주식회사 서연이화 | 자동화설비의 고장분석장치 및 방법 |
| KR20210077389A (ko) * | 2019-12-17 | 2021-06-25 | (주)유코아시스템 | 기계설비의 기계음을 이용한 딥러닝기반 이상징후 감지시스템 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102380541B1 (ko) * | 2021-10-06 | 2022-04-01 | 주식회사 위플랫 | 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법 |
-
2021
- 2021-10-06 KR KR1020210132625A patent/KR102380541B1/ko active IP Right Grant
-
2022
- 2022-08-16 WO PCT/KR2022/012205 patent/WO2023058888A1/ko active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150058928A (ko) * | 2013-11-21 | 2015-05-29 | 이선휘 | 진동 특성을 이용한 설비의 결함 진단 방법 |
| KR102145984B1 (ko) * | 2018-01-10 | 2020-08-19 | 주식회사 서연이화 | 자동화설비의 고장분석장치 및 방법 |
| KR20190098784A (ko) * | 2018-01-30 | 2019-08-23 | 한국전력공사 | 사물 인터넷, 빅데이터, 3d 기술 융복합 현실 기반 지능형 전력구 관리 시스템, 이의 방법, 그리고, 이 방법을 저장한 컴퓨터 판독 가능 저장 매체 |
| KR20190114221A (ko) | 2018-03-29 | 2019-10-10 | 삼성전자주식회사 | 심층학습을 기반으로 한 설비 진단 시스템 및 방법 |
| KR20200031463A (ko) * | 2018-09-14 | 2020-03-24 | 한국산업기술대학교산학협력단 | 로봇 고장원인 진단 시스템 및 방법 |
| KR20210077389A (ko) * | 2019-12-17 | 2021-06-25 | (주)유코아시스템 | 기계설비의 기계음을 이용한 딥러닝기반 이상징후 감지시스템 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023058888A1 (ko) * | 2021-10-06 | 2023-04-13 | 주식회사 위플랫 | 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법 |
| CN115602196A (zh) * | 2022-12-12 | 2023-01-13 | 杭州兆华电子股份有限公司（Cn） | 一种固定转速电机的异响声识别系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023058888A1 (ko) | 2023-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102380541B1 (ko) | 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법 | |
| JP6461246B2 (ja) | インダストリアル・インターネットオペレーションシステムに基づく安全性の検査方法と装置 | |
| US9332362B2 (en) | Acoustic diagnosis and correction system | |
| US11361283B2 (en) | System and method for dynamic discovery and enhancements of diagnostic rules | |
| US20160039291A1 (en) | Vehicle Battery Data Analysis Service | |
| US11345194B2 (en) | Method and apparatus for activating tire pressure sensor, storage medium and front-end server title | |
| KR102689867B1 (ko) | 신경망 기반 센서 이상 감지를 위한 서비스 제공 시스템 및 방법, 그리고 컴퓨터 프로그램이 기록된 비휘발성 기록매체 | |
| KR20170013279A (ko) | 휴대폰 음성 방식을 기반으로 한 자동차 진단 방법 | |
| KR101874085B1 (ko) | 복합 판단을 통한 기상 센서의 이상 감지 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체 | |
| CN113196315A (zh) | 成像模态保养维护包系统和方法 | |
| EP4034953A1 (en) | System and method for assessing an operating condition of an asset | |
| US20190188574A1 (en) | Ground truth generation framework for determination of algorithm accuracy at scale | |
| CN116263687A (zh) | 事件设备操作 | |
| US20240153059A1 (en) | Method and system for anomaly detection using multimodal knowledge graph | |
| CN116126655B (zh) | 采煤机故障提示方法、系统、存储介质及设备 | |
| CN116467110A (zh) | 一种平板电脑的损坏检测方法及系统 | |
| US11299046B2 (en) | Method, device, and computer program product for managing application environment | |
| CN116450384A (zh) | 一种信息处理方法和相关装置 | |
| KR101265535B1 (ko) | 감시 장치 및 그 방법 | |
| CN113060614A (zh) | 电梯驱动主机故障诊断方法、装置及可读存储介质 | |
| CN117092933B (zh) | 转动机械设备控制方法、装置、设备和计算机可读介质 | |
| KR102437043B1 (ko) | 고장 진단 장치 및 그 방법 | |
| KR102339351B1 (ko) | 구글 해킹 취약점 자동 검색 장치 및 그 방법 | |
| CN117539674B (zh) | 异常处理方法、装置、设备及存储介质 | |
| US9953410B2 (en) | Method and apparatus for locating a unit in an assembly |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |