KR102392951B1 - Equipment failure prediction system having multi-channel sensors for receiving acoustic signals in the ultrasonic band - Google Patents

Equipment failure prediction system having multi-channel sensors for receiving acoustic signals in the ultrasonic band Download PDF

Info

Publication number
KR102392951B1
KR102392951B1 KR1020190169199A KR20190169199A KR102392951B1 KR 102392951 B1 KR102392951 B1 KR 102392951B1 KR 1020190169199 A KR1020190169199 A KR 1020190169199A KR 20190169199 A KR20190169199 A KR 20190169199A KR 102392951 B1 KR102392951 B1 KR 102392951B1
Authority
KR
South Korea
Prior art keywords
signal
sampling data
information
facility
abnormal signal
Prior art date
Application number
KR1020190169199A
Other languages
Korean (ko)
Other versions
KR20210077496A (en
Inventor
이원근
Original Assignee
주식회사 모빅랩
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 모빅랩 filed Critical 주식회사 모빅랩
Priority to KR1020190169199A priority Critical patent/KR102392951B1/en
Publication of KR20210077496A publication Critical patent/KR20210077496A/en
Application granted granted Critical
Publication of KR102392951B1 publication Critical patent/KR102392951B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G05B23/0218—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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33206—Ultrasonic

Abstract

본 발명은 초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템에 관한 것이다.
본 발명의 일례에 따른 설비 고장 예측 시스템은 설비에 인접하여 위치하고, 상기 설비가 동작할 때 발생되는 소리로부터 음파 신호를 수집하는 센서부; 상기 음파 신호를 샘플링하고 노이즈를 제거하여 샘플링 데이터를 추출하는 샘플링 데이터 추출기; 상기 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하는 신호 판별기; 상기 복수의 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 상기 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하는 이상 신호 분석기; 및 상기 복수의 판별 정보 중 상기 정상 신호로 판별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 설비에 대한 고장 예측 정보를 제공하는 패턴 분석기;를 포함하고, 상기 센서부는 상기 설비를 중심으로 서로 다른 지점에 위치하는 복수의 감지 센서를 포함한다.The present invention relates to a facility failure prediction system having a multi-channel detection sensor that receives an acoustic signal in an ultrasonic band.
Facility failure prediction system according to an example of the present invention is located adjacent to the facility, the sensor unit for collecting a sound wave signal from the sound generated when the facility operates; a sampling data extractor that samples the sound wave signal and removes noise to extract sampling data; a signal discriminator that determines whether the sampling data is a normal signal or an abnormal signal to generate a plurality of discrimination information; an abnormal signal analyzer for generating abnormal signal analysis information by analyzing the sampling data corresponding to the abnormal signal identification information determined as an abnormal signal among the plurality of identification information; and a pattern analyzer that analyzes patterns for the normal signal determination information and the abnormal signal analysis information determined as the normal signal among the plurality of pieces of determination information to provide failure prediction information for the facility; It includes a plurality of detection sensors positioned at different points around the facility.

Figure R1020190169199
Figure R1020190169199

Description

초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템{Equipment failure prediction system having multi-channel sensors for receiving acoustic signals in the ultrasonic band}Equipment failure prediction system having multi-channel sensors for receiving acoustic signals in the ultrasonic band

본 발명은 초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템에 관한 것이다. The present invention relates to a facility failure prediction system having a multi-channel detection sensor that receives an acoustic signal in an ultrasonic band.

일반적으로 산업현장에서 안정적이고 연속적으로 운전되어야 하는 설비는 설비라인 자체에 치명적인 손상을 주는 돌발 고장과, 예기치 못한 고장으로 설비라인이 중지되어 이로 인한 생산량 감소를 사전에 미리 방지하기 위해 설비고장을 미리 예측하는 방법이 연구 개발되고 있다.In general, equipment that needs to be operated stably and continuously in industrial sites must be operated in advance to prevent sudden failure that causes fatal damage to the equipment line itself and a reduction in production due to unexpected failure of the equipment line. Prediction methods are being researched and developed.

현재 사용되고 있는 고장 예측방법은 설비의 이상 상태 변화를 감지하고, 이때 나타나는 결함을 검출하여 설비나 부품의 상태를 판정하고 수명을 예측하는 방식을 사용하고 있다.The current failure prediction method detects a change in the abnormal state of the equipment, detects the defects that appear at this time, determines the state of the equipment or parts, and predicts the lifespan.

그러나, 종래의 설비의 고장 예측 시스템 내지 방법은 설비의 결함과 관련된 신호를 센싱하는 센서가 설비에 직접 부착되어, 설비의 소리나 진동, 열, 또는 전류 변화를 계측하여 설비의 문제를 탐지하는 것이 대부분이 이었다.However, in the conventional system or method for predicting equipment failure, a sensor for sensing a signal related to a defect in the equipment is directly attached to the equipment, and it is difficult to detect a problem in the equipment by measuring the sound, vibration, heat, or current change of the equipment. Most were.

그러나, 이와 같이 설비에 부착되는 센서의 경우, 설비의 지속적인 진동으로 인하여, 센서의 감지에 방해하는 하나의 요소로 작용하여, 정확한 고장 예측에 문제를 발생시켰다.However, in the case of the sensor attached to the facility as described above, due to the continuous vibration of the facility, it acts as a factor that interferes with the detection of the sensor, causing a problem in accurate failure prediction.

아울러, 설비의 동작 중 소리를 센싱하여, 설비의 문제를 탐지하는 고장 예측 시스템은 가청 주파수 내에서 설비의 이상음을 감지하는 기존의 사례가 있으나, 이와 같은 경우, 설비의 이상음을 가청 주파수 내에서만 감지하여, 고장 예측의 정확성이 떨어지는 문제점이 있다.
본 발명의 배경이 되는 기술로는 대한민국 등록특허 제1362898호 및 대한민국 등록특허 제1448841호 등이 공개되어 있다.In addition, there are existing cases in which a failure prediction system that detects a problem in a facility by sensing a sound during operation of a facility detects an abnormal sound of a facility within an audible frequency. There is a problem in that the accuracy of failure prediction is lowered by detecting only the
As the background technology of the present invention, Korean Patent No. 1362898 and Korean Patent No. 1448841 have been disclosed.

본 발명은 초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템을 제공하는데, 그 목적이 있다. An object of the present invention is to provide a system failure prediction system having a multi-channel detection sensor that receives an acoustic signal in an ultrasonic band.

보다 구체적으로 본 발명은 초음파 대역의 음향 신호를 수신하는 감지 센서를 복수 개로 구비되도록 하여, 고장 예측의 정확도를 보다 향상시킬 수 있는 초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템을 제공하는데, 그 목적이 있다. More specifically, the present invention is provided with a plurality of detection sensors for receiving acoustic signals in the ultrasonic band, so that the failure prediction accuracy can be further improved. To provide a prediction system, there is an object.

본 발명의 일례에 따른 설비 고장 예측 시스템은 설비에 인접하여 위치하고, 상기 설비가 동작할 때 발생되는 소리로부터 음파 신호를 수집하는 센서부; 상기 음파 신호를 샘플링하고 노이즈를 제거하여 샘플링 데이터를 추출하는 샘플링 데이터 추출기; 상기 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하는 신호 판별기; 상기 복수의 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 상기 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하는 이상 신호 분석기; 및 상기 복수의 판별 정보 중 상기 정상 신호로 판별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 설비에 대한 고장 예측 정보를 제공하는 패턴 분석기;를 포함하고, 상기 센서부는 상기 설비를 중심으로 서로 다른 지점에 위치하는 복수의 감지 센서를 포함한다.Facility failure prediction system according to an example of the present invention is located adjacent to the facility, the sensor unit for collecting a sound wave signal from the sound generated when the facility operates; a sampling data extractor that samples the sound wave signal and removes noise to extract sampling data; a signal discriminator that determines whether the sampling data is a normal signal or an abnormal signal to generate a plurality of discrimination information; an abnormal signal analyzer for generating abnormal signal analysis information by analyzing the sampling data corresponding to the abnormal signal identification information determined as an abnormal signal among the plurality of identification information; and a pattern analyzer that analyzes patterns for the normal signal determination information and the abnormal signal analysis information that are determined as the normal signal among the plurality of pieces of determination information to provide failure prediction information for the facility. It includes a plurality of detection sensors positioned at different points around the facility.

일례로, 상기 센서부는 상기 복수의 감지 센서를 구비하고, 상기 복수의 감지 센서는 8bit, 16bit 또는 24bit 중 어느 하나가 선택되어, 상기 음파 신호에 대해 서로 다른 진폭의 해상도를 가질 수 있다.For example, the sensor unit may include the plurality of detection sensors, and any one of 8 bit, 16 bit, or 24 bit may be selected for the plurality of detection sensors to have resolutions of different amplitudes for the sound wave signal.

상기 복수의 감지 센서 각각은 상기 음파 신호를 수집하는 센싱부를 포함하고, 상기 복수의 감지 센서 중 적어도 하나는 아날로그 신호 형태로 수집된 음파 신호를 디지털 신호로 변환하는 샘플링부를 포함할 수 있다.Each of the plurality of detection sensors may include a sensing unit for collecting the sound wave signal, and at least one of the plurality of detection sensors may include a sampling unit for converting the sound wave signal collected in the form of an analog signal into a digital signal.

일례로, 상기 복수의 감지 센서는 상기 샘플링부를 포함하는 메인 감지 센서와 상기 샘플링부를 구비하지 않는 보조 감지 센서를 포함하고, 상기 보조 감지 센서는 상기 메인 감지 센서와 유선 또는 무선으로 연결될 수 있다.For example, the plurality of detection sensors may include a main detection sensor including the sampling unit and an auxiliary detection sensor not including the sampling unit, and the auxiliary detection sensor may be connected to the main detection sensor by wire or wirelessly.

상기 복수의 감지 센서 각각으로 수집되는 상기 음파 신호의 시간차를 이용하여 상기 설비에서 상기 음파 신호를 발생시킨 음원의 위치값이 산출될 수 있다.The position value of the sound source generating the sound wave signal in the facility may be calculated using the time difference of the sound wave signal collected by each of the plurality of detection sensors.

상기 복수의 감지 센서 각각으로 수집되는 상기 음파 신호의 진폭에 대한 크기 차이를 이용하여 상기 설비에서 발생된 상기 음파 신호의 지향 방향에 대한 정보인 지향값이 산출될 수 있다.A directivity value, which is information about the directing direction of the sound wave signal generated in the facility, may be calculated using a difference in magnitude with respect to the amplitude of the sound wave signal collected by each of the plurality of detection sensors.

상기 샘플링 데이터를 저장하는 샘플링 데이터 DB와 상기 샘플링 데이터가 정상 신호 또는 이상 신호로 판별된 판별 정보를 저장하는 감지된 신호 정보 DB를 구비하는 데이터 베이스부를 더 포함할 수 있다.It may further include a database unit including a sampling data DB for storing the sampling data and a sensed signal information DB for storing information for determining that the sampling data is a normal signal or an abnormal signal.

상기 신호 판별기, 상기 이상 신호 분석기 및 상기 패턴 분석기는 하나의 서버에 구비될 수 있다.The signal discriminator, the abnormal signal analyzer, and the pattern analyzer may be provided in one server.

상기 신호 판별기로 입력되는 상기 샘플링 데이터는 미리 결정된 시간 기준으로 세분화된 정보일 수 있다.The sampling data input to the signal discriminator may be information subdivided based on a predetermined time reference.

상기 이상 신호 분석기는 상기 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대해, 딥 러닝 알고리즘을 이용하여 이상 유형의 종류와 정도에 대해 분석할 수 있다.The abnormal signal analyzer may analyze the sampling data corresponding to the abnormal signal identification information for the type and degree of an abnormality type using a deep learning algorithm.

상기 이상 신호 분석기는 상기 이상 신호 판별 정보에 대응되는 샘플링 데이터와 상기 샘플링 데이터에 대한 음원의 위치값을 이용하여, 상기 설비에 대한 이상 유형의 종류와 정도에 대해 분석할 수 있다.The abnormal signal analyzer may use sampling data corresponding to the abnormal signal determination information and a position value of a sound source for the sampling data, to analyze the type and degree of abnormality type for the facility.

상기 패턴 분석기는 상기 정상 신호 판별 정보를 상기 감지된 신호 정보 DB로부터 입력받고, 상기 이상 신호 분석 정보를 상기 이상 신호 분석기로부터 입력받아 정보의 패턴을 분석할 수 있다.The pattern analyzer may receive the normal signal identification information from the sensed signal information DB, and receive the abnormal signal analysis information from the abnormal signal analyzer to analyze a pattern of information.

상기 패턴 분석기는 상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하여, 패턴을 분석할 수 있다.The pattern analyzer may analyze the pattern by arranging the normal signal identification information and the abnormal signal analysis information time-series according to the order of time.

상기 센서부는 상기 설비로부터 이격될 수 있다.The sensor unit may be spaced apart from the facility.

상기 샘플링부가 디지털 변환시의 샘플링비(sampling rate)는 35KHz ~ 300KHz 사이일 수 있다.When the sampling unit performs digital conversion, a sampling rate may be between 35 KHz and 300 KHz.

초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템은 설비의 동작 과정에서 발생되는 음파 신호 중 초음파 대역의 신호를 3개의 채널로 수신하여, 설비에 대한 고장 예측 정보를 제공함으로써, 사용자가 공장 내의 설비에 대해 신속한 대응을 하도록 안내할 수 있고, 이로 인하여 공장의 가동 중단에 따른 손해 비용을 최소화하도록 할 수 있다. A facility failure prediction system having a multi-channel detection sensor that receives an acoustic signal of an ultrasonic band receives a signal of an ultrasonic band among sound wave signals generated during the operation of a facility through three channels, and provides failure prediction information about the facility By doing so, it is possible to guide the user to respond quickly to the equipment in the factory, thereby minimizing the cost of damage caused by the shutdown of the factory.

도 1은 본 발명의 일례에 따른 설비 고장 예측 시스템의 개요를 설명하기 위한 도이다.
도 2는 도 1에 도시된 센서부의 일례에 대해 설명하기 위한 도이다.
도 3은 센서부에서 메인 감지 센서와 보조 감지 센서의 연결 관계의 일례를 설명하기 위한 도이다.
도 4는 본 발명이 음원의 위치를 산출하는 방법의 일례를 설명하기 위한 도이다.
도 5는 본 발명이 음원에서 발생된 상기 음파 신호의 지향 방향에 대한 정보인 지향값을 산출하는 방법의 일례를 설명하기 위한 도이다.
도 6은 도 1에 도시된 서버(200)의 일례에 서버(200)의 일례에 대해 설명하기 위한 도이다.
도 7 내지 도 9은 본 발명의 일례에 따른 설비 고장 예측 방법의 일례를 설명하기 위한 도이다.
도 10은 본 발명의 일례에 따른 설비 고장 예측 시스템이 제공하는 고장 예측 정보의 일례를 설명하기 위한 도이다.1 is a diagram for explaining the outline of a facility failure prediction system according to an example of the present invention.
FIG. 2 is a view for explaining an example of the sensor unit shown in FIG. 1 .
3 is a diagram for explaining an example of a connection relationship between a main detection sensor and an auxiliary detection sensor in the sensor unit.
4 is a diagram for explaining an example of the method of the present invention for calculating the position of the sound source.
5 is a diagram for explaining an example of a method of calculating a directivity value, which is information on the directivity direction of the sound wave signal generated from a sound source according to the present invention.
FIG. 6 is a diagram for explaining an example of the server 200 in an example of the server 200 shown in FIG. 1 .
7 to 9 are diagrams for explaining an example of a facility failure prediction method according to an example of the present invention.
10 is a view for explaining an example of the failure prediction information provided by the facility failure prediction system according to an example of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 본 발명을 설명하는데 있어서, 해당 분야에 이미 공지된 기술 또는 구성에 대한 구체적인 설명을 부가하는 것이 본 발명의 요지를 불분명하게 할 수 있다고 판단되는 경우에는 상세한 설명에서 이를 일부 생략하도록 한다. 또한, 본 명세서에서 사용되는 용어들은 본 발명의 실시예들을 적절히 표현하기 위해 사용된 용어들로서, 이는 해당 분야의 관련된 사람 또는 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. In describing the present invention, if it is determined that adding a detailed description of a technique or configuration already known in the field may make the gist of the present invention unclear, some of it will be omitted from the detailed description. In addition, the terms used in this specification are terms used to properly express embodiments of the present invention, which may vary according to a person or custom in the relevant field. Accordingly, definitions of these terms should be made based on the content throughout this specification.

이하, 첨부된 도면을 참조하여 본 발명에 따른 설비 고장 예측 시스템 및 설비 고장 예측 방법에 대해서 설명한다.Hereinafter, a facility failure prediction system and a facility failure prediction method according to the present invention will be described with reference to the accompanying drawings.

도 1은 본 발명의 일례에 따른 설비(10) 고장 예측 시스템의 개요를 설명하기 위한 도이다.1 is a diagram for explaining the outline of the equipment 10 failure prediction system according to an example of the present invention.

제조 현장에서 설비(10)의 결함이나 손상이 발생할 경우, 설비(10)의 가동 중단을 야기할 수 있으며 이로 인해 발생하는 경제적 피해의 규모는 막대하기 때문에 고장이 발생하기 전에 조치를 취하는 것이 비용 절감을 위해 매우 중요하게 인식되어 있다.If a defect or damage to the equipment 10 occurs at the manufacturing site, it may cause the equipment 10 to stop operating, and the economic damage caused by this may be enormous. is recognized as very important for

설비(10) 고장 예측이란 설비(10)의 상태를 실시간으로 진단하여 이상 상태를 조기에 발견하고 미래에 발생할 고장까지 미리 예측하여 적절한 조치를 취할 수 있게 하는 기술로 설비(10)의 안정성을 높일 수 있다.Equipment 10 failure prediction is a technology that diagnoses the state of the equipment 10 in real time to detect abnormal conditions early, predicts failures that will occur in the future, and takes appropriate measures. can

최근에는 이와 같은 설비(10) 고장 예측을 적용하고자 하는 산업 분야도 확대되고 있는 추세이며, 설비(10) 고장 예측은 생산 매출에 크게 기여될 것으로 전망된다.Recently, the industrial field to which the equipment 10 failure prediction is applied is also expanding, and the equipment 10 failure prediction is expected to significantly contribute to production sales.

이를 위해, 본 발명의 일례에 따른 설비(10) 고장 예측 시스템은 도 1에 도시된 바와 같이, 설비(10) 고장 예측을 위해 필요한 센서부(100)와 서버(200)를 포함할 수 있다.To this end, the equipment 10 failure prediction system according to an example of the present invention may include a sensor unit 100 and a server 200 necessary for equipment 10 failure prediction, as shown in FIG. 1 .

센서부(100)는 설비(10)를 중심으로 서로 다른 지점에 위치하는 복수의 감지 센서(100a, 100b, 100c)를 구비할 수 있으며, 각각의 감지 센서(100a, 100b, 100c)는 설비(10)에 인접하여 위치하되, 각각이 설비(10)로부터 물리적으로 이격되어 위치할 수 있고, 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집할 수 있다.The sensor unit 100 may include a plurality of detection sensors 100a, 100b, and 100c positioned at different points around the facility 10, and each detection sensor 100a, 100b, 100c includes the facility ( Although located adjacent to 10), each may be physically spaced apart from the facility 10, and the sound wave signal may be collected from the sound generated when the facility 10 operates.

이와 같이, 본 발명의 일례에 따른 설비(10) 고장 예측 시스템은 센서부(100)에 복수의 감지 센서(100a, 100b, 100c)가 구비되도록 하여, 설비(10)에서 고장에 의해 발생되는 음파 신호에 대한 음원의 위치를 파악할 수 있고, 복수의 감지 센서(100a, 100b, 100c) 각각으로 수신되는 음파 신호의 진폭 크기를 파악하여, 음원으로부터 음파 신호가 진행하는 지향 방향을 파악할 수 있고, 이로부터 해당 음파의 원인을 분석하여, 설비(10)의 고장 원인을 보다 면밀하고 세밀하게 파악할 수 있다.In this way, the equipment 10 failure prediction system according to an example of the present invention provides a plurality of detection sensors 100a, 100b, 100c in the sensor unit 100, so that sound waves generated by a failure in the equipment 10 are provided. It is possible to determine the position of the sound source with respect to the signal, and by grasping the amplitude size of the sound wave signal received by each of the plurality of detection sensors 100a, 100b, 100c, it is possible to determine the direction in which the sound wave signal proceeds from the sound source, thereby From the analysis of the cause of the sound wave, the cause of the failure of the facility 10 can be grasped more closely and in detail.

이와 같은 본 발명의 일례에 따른 센서부(100)는 초음파 음파 신호를 수집하기 때문에 설비(10)에 직접적인 접촉을 하지 않아도 되며 설비(10) 작동 중 발생하는 충격이 제품에 전달되지 않아 상대적으로 내구성을 보다 향상시킬 수 있다. 일례로, 복수의 감지 센서(100a, 100b, 100c)는 모두 설비(10)를 중심으로 이격되어 위치할 수 있다.Since the sensor unit 100 according to an example of the present invention collects ultrasonic sound wave signals, it does not have to directly contact the facility 10 and the impact generated during the operation of the facility 10 is not transmitted to the product, so it is relatively durable. can be further improved. For example, the plurality of detection sensors 100a, 100b, and 100c may all be positioned to be spaced apart from the center of the facility 10 .

여기서, 센서부(100)에 구비된 복수의 감지 센서는 적어도 2개 이상일 수 있으며, 보다 바람직하게는 도 1에 도시된 바와 같이, 3개를 구비할 수 있다. 그러나, 본 발명이 반드시 이에 한정되는 것은 아니고, 3개 이상을 구비하는 것도 가능하다.Here, the plurality of detection sensors provided in the sensor unit 100 may be at least two or more, and more preferably, as shown in FIG. 1 , three detection sensors may be provided. However, the present invention is not necessarily limited thereto, and three or more may be provided.

여기서, 감지 센서가 2개인 경우, 음파 신호를 발생시키는 음원의 위치를 2차원의 평면상에서 파악할 수 있으나, 감지 센서가 3개인 경우, 음원의 위치를 3차원 상에서 파악할 수 있어, 설비(10)의 고장 원인이 되는 음원의 위치를 더욱 정확하게 파악할 수 있다.Here, when there are two detection sensors, the location of the sound source generating a sound wave signal can be grasped on a two-dimensional plane, but when there are three detection sensors, the location of the sound source can be grasped in three dimensions, It is possible to more accurately determine the location of the sound source causing the failure.

센서부(100)에서 수집된 음파 신호를 무선 또는 유선을 통하여 서버(200)로 전송할 수 있다. 도 1에서는 센서부(100)와 서버(200)가 유선으로 연결된 경우를 일례로 도시하였으나, 본 발명은 반드시 이에 한정되는 것은 아니고, 센서부(100)가 서버(200)가 인터넷 망을 통하여 무선으로 연동되는 것도 가능하다.The sound wave signal collected by the sensor unit 100 may be transmitted to the server 200 through a wireless or wired connection. 1 illustrates a case in which the sensor unit 100 and the server 200 are connected by wire as an example, the present invention is not necessarily limited thereto. It is also possible to link with

이와 같이, 센서부(100)로 수집된 음파 신호가 신호 처리되어 샘플링되고 초음파 대역의 신호로 필터링되고, 노이즈 제거된 샘플링 데이터에 대해, 서버(200)는 정상 신호인지 이상 신호인지 판별하고, 이상 신호로 판별된 이상 신호 판별 정보에 대한 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하고, 이상 신호 분석 정보의 시계열적 패턴을 분석하여 설비(10)에 대한 고장 예측 정보를 제공할 수 있다. In this way, the sound wave signal collected by the sensor unit 100 is signal-processed, sampled, filtered with a signal of the ultrasonic band, and for the sampled data from which noise is removed, the server 200 determines whether a normal signal or an abnormal signal, It is possible to analyze the sampling data for the abnormal signal determination information determined as a signal to generate abnormal signal analysis information, and to analyze a time series pattern of the abnormal signal analysis information to provide failure prediction information for the facility 10 .

이를 위해, 서버(200)는 (1) 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하여, (2) 복수의 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대해 분석된 이상 신호 분석 정보를 생성하고, (3) 복수의 판별 정보 중 정상 신호로 판별된 정상 신호 판별 정보와 이상 신호 분석 정보에 대한 패턴을 분석하여 설비(10)에 대한 고장 예측 정보를 관리자에게 제공하여 설비(10)가 완전히 고장 나기 전에 미리 조치할 수 있도록 할 수 있다.To this end, the server 200 (1) determines whether the sampling data is a normal signal or an abnormal signal to generate a plurality of identification information, (2) to the abnormal signal identification information determined as an abnormal signal among the plurality of identification information Generates abnormal signal analysis information analyzed for the corresponding sampling data, and (3) analyzes patterns for normal signal identification information and abnormal signal analysis information determined as normal signals among a plurality of identification information for facility 10 By providing the failure prediction information to the manager, it is possible to take measures in advance before the equipment 10 completely fails.

이와 같은 본 발명의 일례에 따른 설비(10) 고장 예측 시스템은 일반적인 기계 설비(10)의 경우 물리적 고장 발생시 고장 부분뿐만 아니라 연결된 부분의 손상까지 동반하므로 사전 조치를 통해 수리비용 절감 효과를 기대할 수 있다.The system for predicting failure of the equipment 10 according to an example of the present invention is accompanied by damage to not only the defective part but also the connected part when a physical failure occurs in the case of the general mechanical equipment 10, so the effect of reducing repair costs can be expected through pre-measures. .

또한, 본 발명의 일례에 따른 설비(10) 고장 예측 시스템은 설비(10)의 고장 발생 시, 고장 설비(10)의 수리에 상당한 시간이 소요되기 때문에 사전 조치를 통해 설비(10)의 고장을 예방하여 가동률이 저하되는 상황을 차단할 수 있으므로 제품 생산성 향상 효과를 기대할 수 있다.In addition, the equipment 10 failure prediction system according to an example of the present invention, when a failure of the equipment 10 occurs, since it takes a considerable amount of time to repair the failure equipment 10, the failure of the equipment 10 through preliminary measures As it can prevent the situation where the utilization rate is lowered by preventing it, the effect of improving product productivity can be expected.

아울러, 본 발명의 일례에 따른 설비(10) 고장 예측 시스템은 설비(10) 고장 예측을 통해 설비(10)의 이상 상태에 대한 사전 조치가 가능하여 설비(10) 고장의 전조 증상 중 하나인 제품 품질 저하를 예방할 수 있어 생산 제품의 품질 유지 및 향상을 기대할 수 있다.In addition, the equipment 10 failure prediction system according to an example of the present invention is a product that is one of the precursor symptoms of equipment 10 failure because it is possible to take a preliminary action on the abnormal state of the equipment 10 through the equipment 10 failure prediction. It is possible to prevent deterioration in quality, so it can be expected to maintain and improve the quality of the product.

이와 같은 설비(10) 고장 예측 시스템에서는 미세한 감지를 위해 초음파 대역에 대해 측정 가능한 고감도 오디오 카드가 센서부(100)에 포함될 수 있다.In such a system for predicting a failure of the facility 10 , a high-sensitivity audio card capable of measuring an ultrasonic band for fine detection may be included in the sensor unit 100 .

또한, 효율적인 데이터 분석을 위해, 음파 신호를 분석하기 이전에 공장 환경의 노이즈가 제거된 샘플링 데이터가 추출될 수 있으며, 추출된 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하기 위하여 머신 러닝(Machine learning)이 적용될 수 있다.In addition, for efficient data analysis, the sampling data from which the noise of the factory environment has been removed before analyzing the sound wave signal may be extracted, and machine learning is used to determine whether the extracted sampling data is a normal signal or an abnormal signal. This can be applied.

아울러, 샘플링 데이터가 이상 신호인 것으로 판별된 경우, 해당 이상 신호에 대한 로우 데이터(low data)인 샘플링 데이터를 이용하여 딥러닝 알고리즘(Deep learning algorithm)이 적용되어, 보다 정확하고 효율적으로 이상 신호를 발생시키는 설비(10)의 이상 유형의 종류와 정도에 대한 이상 신호 분석 정보를 제공할 수 있다.In addition, when it is determined that the sampling data is an abnormal signal, a deep learning algorithm is applied using the sampling data, which is the low data for the corresponding abnormal signal, to more accurately and efficiently detect the abnormal signal. It is possible to provide abnormal signal analysis information about the type and degree of abnormality of the generating facility 10 .

더불어, 복수의 판별 정보 중 정상 신호로 핀별된 정상 신호 판별 정보와 이상 신호 분석 정보를 이용하여, 서버 내에 미리 설치된 패턴 분석 프로그램을 실행하여, 설비(10)에 대한 고장 예측 정보를 제공할 수 있다.In addition, by using the normal signal identification information and abnormal signal analysis information identified as normal signals among the plurality of identification information, the pattern analysis program installed in the server is executed in advance, and the failure prediction information for the facility 10 can be provided. .

이하에서는 이와 같은 본 발명의 일례에 적용되는 센서부(100)와 서버(200)의 구성에 대해 보다 구체적으로 설명한다.Hereinafter, the configuration of the sensor unit 100 and the server 200 applied to an example of the present invention will be described in more detail.

도 2는 도 1에 도시된 센서부(100)의 일례에 대해 설명하기 위한 도이고, 도 3은 센서부(100)에서 메인 감지 센서(100a)와 보조 감지 센서(100b, 100c)의 연결 관계의 일례를 설명하기 위한 도이고, 도 4는 본 발명이 음원의 위치를 산출하는 방법의 일례를 설명하기 위한 도이고, 도 5는 본 발명이 음원에서 발생된 음파 신호의 지향 방향에 대한 정보인 지향값을 산출하는 방법의 일례를 설명하기 위한 도이다.2 is a diagram for explaining an example of the sensor unit 100 shown in FIG. 1 , and FIG. 3 is a connection relationship between the main detection sensor 100a and the auxiliary detection sensors 100b and 100c in the sensor unit 100 . It is a diagram for explaining an example of, Figure 4 is a diagram for explaining an example of the method for calculating the position of the present invention the sound source, Figure 5 is the present invention is information about the direction of the sound wave signal generated from the sound source It is a figure for demonstrating an example of the method of calculating a directivity value.

도 2 및 도 6에서는 센서부(100)가 초음파 대역 필터링 모듈(130)을 구비하고, 서버(200)는 초음파 대역 필터링 모듈(130)을 구비하지 않는 경우를 일례로 도시하였으나, 본 발명은 반드시 이에 한정되는 것은 아니고, 도 2 및 도 6과 다르게 초음파 대역 필터링 모듈(130)은 감시 센서가 아닌 서버(200)에 구비되는 것도 가능하다.2 and 6 illustrate a case in which the sensor unit 100 includes the ultrasonic band filtering module 130 and the server 200 does not include the ultrasonic band filtering module 130 as an example, but the present invention is not necessarily The present invention is not limited thereto, and unlike FIGS. 2 and 6 , the ultrasonic band filtering module 130 may be provided in the server 200 rather than the monitoring sensor.

다만, 이하에서는 설명의 편의상 도 2 및 도 6에 도시된 바와 같이, 센서부(100)가 초음파 대역 필터링 모듈(130)을 구비하고, 서버(200)는 초음파 대역 필터링 모듈(130)을 구비하지 않는 경우를 일례로 설명한다.However, hereinafter, for convenience of explanation, as shown in FIGS. 2 and 6 , the sensor unit 100 includes the ultrasonic band filtering module 130 , and the server 200 does not include the ultrasonic band filtering module 130 . A case where it is not will be described as an example.

또한, 도 2 및 도 6에서는 서버(200)가 샘플링 데이터 추출기(213)을 구비하고, 센서부(100)는 샘플링 데이터 추출기(213)을 구비하지 않는 경우를 일례로 도시하였으나, 본 발명이 반드시 이에 한정되는 것은 아니고, 도 2 및 도 6과 다르게, 센서부(100)가 샘플링 데이터 추출기(213)을 구비하고, 서버(200)가 샘플링 데이터 추출기(213)을 구비하지 않는 경우도 가능하다.In addition, in FIGS. 2 and 6 , a case in which the server 200 includes the sampling data extractor 213 and the sensor unit 100 does not include the sampling data extractor 213 is illustrated as an example, but the present invention is necessarily The present invention is not limited thereto, and unlike FIGS. 2 and 6 , the sensor unit 100 includes the sampling data extractor 213 and the server 200 does not include the sampling data extractor 213 .

다만, 이하에서는 설명의 편의상 도 2 및 도 6에 도시된 바와 같이, 서버(200)가 샘플링 데이터 추출기(213)을 구비하고, 센서부(100)는 샘플링 데이터 추출기(213)을 구비하지 않는 경우를 일례로 설명한다.However, hereinafter, for convenience of explanation, as shown in FIGS. 2 and 6 , the server 200 includes the sampling data extractor 213 , and the sensor unit 100 does not include the sampling data extractor 213 . is described as an example.

또한, 도 6에서는 신호 판별기(214), 이상 신호 분석기(215) 및 패턴 분석기(216)가 하나의 서버에 구비된 경우를 일례로 도시하였으나, 본 발명이 반드시 이에 한정되는 것은 아니고, 신호 판별기(214), 이상 신호 분석기(215) 및 패턴 분석기(216) 각각은 서로 이격되어 서로 다른 서버에 구비되는 것도 가능하다. In addition, although the signal discriminator 214, the abnormal signal analyzer 215, and the pattern analyzer 216 are provided in one server as an example in FIG. 6, the present invention is not necessarily limited thereto, and the signal discrimination The group 214, the abnormal signal analyzer 215, and the pattern analyzer 216 are each spaced apart from each other and it is also possible to be provided in different servers.

센서부(100)는 도 1에서 전술한 바와 같이, 복수의 감지 센서(100a, 100b, 100c)를 포함할 수 있다.As described above with reference to FIG. 1 , the sensor unit 100 may include a plurality of detection sensors 100a, 100b, and 100c.

이와 같은 복수의 감지 센서(100a, 100b, 100c)는 메인 감지 센서(100a)와 보조 감지 센서(100b, 100c)를 포함할 수 있다. 메인 감지 센서(100a)는 보조 감지 센서(100b, 100c)와 무선 또는 유선으로 연결될 수 있다.The plurality of detection sensors 100a, 100b, and 100c may include a main detection sensor 100a and auxiliary detection sensors 100b and 100c. The main detection sensor 100a may be connected to the auxiliary detection sensors 100b and 100c wirelessly or by wire.

일례로, 메인 감지 센서(100a)는 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집하기 위한 센싱부(110)와 신호 처리부를 구비하며, 보조 감지 센서(100b, 100c)는 신호 처리부를 제외한 센싱부(110)를 구비할 수 있으며, 메인 감지 센서(100a)와 보조 감지 센서(100b, 100c) 모두 상호 통신을 위한 통신부(150)를 구비할 수 있다. 그러나, 본 발명이 반드시 이에 한정되는 것은 아니고, 이와 다르게 구비되는 것도 얼마든지 가능하다.For example, the main detection sensor 100a includes a sensing unit 110 and a signal processing unit for collecting a sound wave signal from a sound generated when the facility 10 operates, and the auxiliary detection sensors 100b and 100c are The sensing unit 110 except for the processing unit may be provided, and both the main detection sensor 100a and the auxiliary detection sensors 100b and 100c may include the communication unit 150 for mutual communication. However, the present invention is not necessarily limited thereto, and it is possible to be provided differently.

여기서, 신호 처리부는 일례로, 샘플링부(120), 초음파 대역 필터링 모듈(130), 위치값 및 지향 정보값 산출 모듈(140)과 같은 구성을 포함할 수 있다. Here, the signal processing unit may include, for example, the sampling unit 120 , the ultrasonic band filtering module 130 , and the position value and orientation information value calculating module 140 .

이에 따라, 메인 감지 센서(100a)는 도 2의 (a)에 도시된 바와 같이, 샘플링부(120), 초음파 대역 필터링 모듈(130), 위치값 및 지향 정보값 산출 모듈(140) 및 통신부(150)를 포함할 수 있으며, 보조 감지 센서(100b, 100c)는 센싱부(110)와 통신부(150)를 구비할 수 있으며, 보조 감지 센서(100b, 100c)는 도 2의 (b)에 도시된 바와 같이, 센싱부(110)와 통신부(150)를 구비할 수 있다. Accordingly, the main detection sensor 100a includes a sampling unit 120, an ultrasonic band filtering module 130, a position value and orientation information value calculation module 140 and a communication unit ( 150), the auxiliary detection sensors 100b and 100c may include the sensing unit 110 and the communication unit 150, and the auxiliary detection sensors 100b and 100c are shown in (b) of FIG. 2 . As described above, the sensing unit 110 and the communication unit 150 may be provided.

그러나, 본 발명이 반드시 이에 한정되는 것은 아니고, 보조 감지 센서(100b, 100c) 역시 메인 감지 센서(100a)와 동일하게, 샘플링부(120), 초음파 대역 필터링 모듈(130), 위치값 및 지향 정보값 산출 모듈(140)을 구비하는 것도 얼마든지 가능하다. 그러나, 이하에서는 설명의 편의상 보조 감지 센서(100b, 100c)가 센싱부(110)와 통신부(150)를 구비하는 경우를 일례로 설명한다.However, the present invention is not necessarily limited thereto, and the auxiliary detection sensors 100b and 100c are also the same as the main detection sensor 100a , the sampling unit 120 , the ultrasonic band filtering module 130 , the position value and the orientation information. It is also possible to provide the value calculation module 140 . However, hereinafter, for convenience of description, a case in which the auxiliary detection sensors 100b and 100c includes the sensing unit 110 and the communication unit 150 will be described as an example.

메인 감지 센서(100a)와 보조 감지 센서(100b, 100c) 각각에 구비되는 센싱부(110)는 설비(10)와 물리적으로 이격된 상태에서 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집할 수 있다. 일례로, 센싱부(110)에는 MEMS 마이크로 회로가 구비될 수 있다. 이와 같은 센싱부(110)에서 음파 신호를 수신하는 데이터 용량은 8bit, 16bit 또는 24bit 중 적어도 하나일 수 있고, 각각의 감지 센서(100a, 100b, 100c)에서 음파 신호를 수신하는 수신 감도가 다르게 설정될 수 있다.The sensing unit 110 provided in each of the main detection sensor 100a and the auxiliary detection sensors 100b and 100c is a sound wave signal from a sound generated when the facility 10 operates in a state physically separated from the facility 10 . can be collected. For example, the sensing unit 110 may be provided with a MEMS microcircuit. The data capacity for receiving the sound wave signal from the sensing unit 110 may be at least one of 8 bit, 16 bit, or 24 bit, and the reception sensitivity for receiving the sound wave signal from each detection sensor 100a, 100b, 100c is set differently can be

일례로, 메인 감지 센서(100a)의 센싱부(110)는 음파 신호를 수신하는 용량이 보조 감지 센서(100b, 100c)의 센싱부(110)가 음파 신호를 수신하는 용량보다 더 클 수 있다. 일례로, 메인 감지 센서(100a)의 센싱부(110)는 24bit가 사용될 수 있고, 보조 감지 센서(100b, 100c)의 센싱부(110)는 16bit 또는 8bit 중 어느 하나가 사용되거나, 또는 어느 하나의 보조 감지 센서(100b)의 센싱부(110)는 16bit를 다른 하나의 보조 감지 센서(100c)의 센싱부(110)는 8bit가 사용될 수 있다. 이에 따라, 복수의 감지 센서(100a, 100b, 100c)는 서로 다른 해상도로 음파를 수신하여, 고장 진단을 보다 명확하게 할 수 있다.For example, a capacity of the sensing unit 110 of the main detection sensor 100a to receive a sound wave signal may be greater than a capacity of the sensing unit 110 of the auxiliary detection sensors 100b and 100c to receive a sound wave signal. For example, the sensing unit 110 of the main detection sensor 100a may use 24 bits, and the sensing unit 110 of the auxiliary detection sensors 100b and 100c may use either 16 bits or 8 bits, or any one The sensing unit 110 of the auxiliary detection sensor 100b may use 16 bits, and the sensing unit 110 of the other auxiliary detection sensor 100c may use 8 bits. Accordingly, the plurality of detection sensors 100a, 100b, and 100c may receive sound waves with different resolutions, thereby making fault diagnosis more clear.

다른 일례로, 메인 감지 센서(100a)는 24bit로 음파 신호를 감지할 수 있고, 어느 하나의 보조 감지 센서(100b)는 16bit로, 다른 하나의 보조 감지 센서(100c)는 8bit로 음파 신호를 감지할 수 있다.As another example, the main detection sensor 100a may detect a sound wave signal in 24 bits, one auxiliary detection sensor 100b detects a sound wave signal in 16 bits, and the other auxiliary detection sensor 100c detects a sound wave signal in 8 bits. can do.

이와 같은 경우, 각각의 감지 센서(100a, 100b, 100c)에서 감지하는 음파 신호의 수신 감도가 8bit, 16bit, 24bit로 달라질 수 있고, 각각의 감지 센서(100a, 100b, 100c)에서 감지한 음파 신호의 진폭에 대한 해상도도 달라질 수 있다. 이와 같이, 본 발명은 서로 다른 해상도로 음파 신호를 수신하여, 고장 진단을 보다 명확하게 할 수 있다.In this case, the reception sensitivity of the sound wave signal detected by each of the detection sensors 100a, 100b, 100c may be changed to 8bit, 16bit, or 24bit, and the sound wave signal detected by each of the detection sensors 100a, 100b, 100c The resolution with respect to the amplitude of may also vary. In this way, the present invention can receive sound wave signals with different resolutions, so that fault diagnosis can be made more clearly.

그러나, 본 발명이 반드시 이에 한정되는 것은 아니고, 메인 감지 센서(100a) 및 보조 감지 센서(100b, 100c)의 각 센싱부(110)에 모두 동일한 24bit의 데이터 용량이 적용되는 것도 가능하다.However, the present invention is not necessarily limited thereto, and the same 24-bit data capacity may be applied to each sensing unit 110 of the main detection sensor 100a and the auxiliary detection sensors 100b and 100c.

이와 같은 센싱부(110)는 메인 감지 센서(100a)와 보조 감지 센서(100b, 100c) 모두에 구비될 수 있으며, 메인 감지 센서(100a)와 보조 감지 센서(100b, 100c)가 서로 다른 지점에 위치하므로, 설비(10)의 어느 한 지점에서 발생한 동일한 음원으로부터 발생되는 동일한 음파 신호에 대해 메인 감지 센서(100a)에서 수신하는 신호와 보조 감지 센서(100b, 100c)에서 수신하는 신호가 서로 다를 수 있다.Such a sensing unit 110 may be provided in both the main detection sensor 100a and the auxiliary detection sensors 100b and 100c, and the main detection sensor 100a and the auxiliary detection sensors 100b and 100c are located at different points from each other. location, the signal received by the main detection sensor 100a and the signal received by the auxiliary detection sensors 100b and 100c for the same sound wave signal generated from the same sound source generated at any one point in the facility 10 may be different from each other there is.

일례로, 동일한 음파 신호에 대해 메인 감지 센서(100a)의 센싱부(110)에서 감지하는 신호의 수신 시간과 보조 감지 센서(100b, 100c)의 센싱부(110)에서 감지하는 신호의 수신 시간이 서로 다를 수 있으며, 음파 신호가 특정 방향으로 지향되는 경우, 메인 감지 센서(100a)의 센싱부(110)에서 감지하는 신호의 진폭 크기와 보조 감지 센서(100b, 100c)의 센싱부(110)에서 감지하는 신호의 진폭 크기가 서로 다를 수 있다.For example, for the same sound wave signal, the reception time of the signal detected by the sensing unit 110 of the main detection sensor 100a and the reception time of the signal detected by the sensing unit 110 of the auxiliary detection sensors 100b and 100c are may be different, and when the sound wave signal is directed in a specific direction, the amplitude of the signal detected by the sensing unit 110 of the main detection sensor 100a and the sensing unit 110 of the auxiliary detection sensors 100b and 100c The amplitudes of the detected signals may be different from each other.

통신부(150)는 메인 감지 센서(100a)와 보조 감지 센서(100b, 100c) 모두에 구비될 수 있으며, 메인 감지 센서(100a)의 통신부(150)는 보조 감지 센서(100b, 100c)의 통신부(150)와 상호 통신이 가능하도록 연결될 수 있다. The communication unit 150 may be provided in both the main detection sensor 100a and the auxiliary detection sensors 100b and 100c, and the communication unit 150 of the main detection sensor 100a is the communication unit of the auxiliary detection sensors 100b and 100c ( 150) and may be connected to enable mutual communication.

일례로, 도 3의 (a)에 도시된 바와 같이, 센서부(100)에 포함되는 2개의 보조 감지 센서(100b, 100c)는 메인 감지 센서(100a)에 유선으로 연결될 수 있다. 도 3의 (a)에서는 2개의 보조 감지 센서(100b, 100c) 각각이 메인 감지 센서(100a)에 유선으로 연결되는 경우를 일례로 도시하였으나, 이와 다르게, 2개의 보조 감지 센서(100b, 100c)가 메인 감지 센서(100a)에 직렬 연결되는 것도 가능하다. 일례로, 어느 하나의 보조 감지 센서(일례로, 100b)가 메인 감지 센서(100a)에 유선으로 연결되고, 나머지 하나의 보조 감지 센서(일례로, 100b)가 어느 하나의 보조 감지 센서(100b)에 유선으로 연결되는 것도 가능하다.For example, as shown in (a) of FIG. 3 , the two auxiliary detection sensors 100b and 100c included in the sensor unit 100 may be connected to the main detection sensor 100a by wire. In (a) of FIG. 3, the case where each of the two auxiliary detection sensors 100b and 100c is connected to the main detection sensor 100a by wire is illustrated as an example, but differently, the two auxiliary detection sensors 100b and 100c) It is also possible to be connected in series to the main detection sensor (100a). As an example, any one auxiliary detection sensor (eg, 100b) is connected to the main detection sensor 100a by wire, and the other auxiliary detection sensor (eg, 100b) is any one auxiliary detection sensor (100b) It is also possible to connect by wire to

또는, 도 3의 (b)에 도시된 바와 같이, 센서부(100)에 포함되는 2개의 보조 감지 센서(100b, 100c)는 메인 감지 센서(100a)에 무선으로 연결되는 것도 가능하다.Alternatively, as shown in (b) of FIG. 3 , the two auxiliary detection sensors 100b and 100c included in the sensor unit 100 may be wirelessly connected to the main detection sensor 100a.

아울러, 메인 감지 센서(100a)의 통신부(150)는 음파 신호에 대한 신호 처리가 완료된 이후, 신호 처리된 음파 신호를 서버로 전송할 수 있다.In addition, after the signal processing for the sound wave signal is completed, the communication unit 150 of the main detection sensor 100a may transmit the signal-processed sound wave signal to the server.

이에 따라, 메인 감지 센서(100a)의 통신부(150)는 메인 감지 센서(100a)의 내부 신호 처리부에서 음파 신호에 대해 신호 처리된 결과값을 서버로 전송할 수 있다.Accordingly, the communication unit 150 of the main detection sensor 100a may transmit a signal-processed result value of the sound wave signal by the internal signal processing unit of the main detection sensor 100a to the server.

이에 따라, 보조 감지 센서(100b, 100c)의 센싱부(110)를 통하여 수신된 음파 신호는 메인 감지 센서(100a)로 전송되어, 메인 감지 센서(100a)의 신호 처리부에서 신호 처리될 수 있다.Accordingly, the sound wave signal received through the sensing unit 110 of the auxiliary detection sensors 100b and 100c may be transmitted to the main detection sensor 100a and signal-processed by the signal processing unit of the main detection sensor 100a.

이에 따라, 메인 감지 센서(100a)의 신호 처리부에서는 메인 감지 센서(100a) 및 보조 감지 센서(100b, 100c)의 센싱부(110)로 수신되는 음파 신호를 신호 처리할 수 있다.Accordingly, the signal processing unit of the main detection sensor 100a may signal-process the sound wave signal received by the sensing unit 110 of the main detection sensor 100a and the auxiliary detection sensors 100b and 100c.

이와 같은 메인 감지 센서(100a)의 신호 처리부는 일례로, 샘플링부(120), 초음파 대역 필터링 모듈(130), 위치값 및 지향 정보값 산출 모듈(140)과 같은 구성을 포함할 수 있다. 도 2에서는 위치값 및 지향 정보값 산출 모듈(140)이 메인 감지 센서(100a)에 구비된 경우를 일례로 설명하였으나, 본 발명이 반드시 이에 한정되는 것은 아니고, 위치값 및 지향 정보값 산출 모듈(140)이 서버에 구비되는 것도 가능하다. 그러나, 설명의 편의상 도 2와 같이 설명한다.The signal processing unit of the main detection sensor 100a may include, for example, the sampling unit 120 , the ultrasonic band filtering module 130 , and the position value and orientation information value calculating module 140 . In FIG. 2, the case where the position value and orientation information value calculation module 140 is provided in the main detection sensor 100a has been described as an example, but the present invention is not necessarily limited thereto, and the position value and orientation information value calculation module ( 140) may be provided in the server. However, for convenience of description, the description is as shown in FIG. 2 .

샘플링부(120)는 센싱부(110)에서 아날로그 신호 형태로 수집된 음파 신호를 디지털 신호로 변환하는 역할을 할 수 있으며, 고감도 측정 및 분석이 가능하도록 하기 위하여, 별도의 필터와 증폭 회로를 구비하여, 디지털 신호로 변환하기 위한 샘플링비(sampling rate)를 35KHz 보다 높게 할 수 있다. The sampling unit 120 may serve to convert the sound wave signal collected in the form of an analog signal by the sensing unit 110 into a digital signal, and has a separate filter and amplification circuit to enable high-sensitivity measurement and analysis. Thus, a sampling rate for converting to a digital signal can be made higher than 35 KHz.

일례로, 샘플링비는 35KHz ~ 300KHz 사이일 수 있으며, 바람직하게는 100KHz ~ 300KHz, 보다 바람직하게는 190KHz ~ 300KHz 사이일 수 있다.For example, the sampling rate may be between 35KHz and 300KHz, preferably between 100KHz and 300KHz, more preferably between 190KHz and 300KHz.

초음파 대역 필터링 모듈(130)은 고감도로 샘플링된 디지털 음파 신호로부터 초음파 대역의 신호를 필터링하여 추출할 수 있다. 즉, 음파 신호에서 초음파 대역보다 낮은 대역의 신호를 제거하고, 초음파 대역의 음파 신호만 추출할 수 있다.The ultrasonic band filtering module 130 may filter and extract the ultrasonic band signal from the digital sound wave signal sampled with high sensitivity. That is, a signal in a band lower than the ultrasonic band may be removed from the sound wave signal, and only the sound wave signal in the ultrasonic band may be extracted.

이와 같이 추출되는 초음파 대역의 음파 신호는 35KHz 이상일 수 있으며, 일례로 35KHz~300KHz 대역의 음파 신호를 포함할 수 있다.The sound wave signal of the ultrasonic band extracted in this way may be 35KHz or more, and may include, for example, the sound wave signal of the 35KHz ~ 300KHz band.

위치값 및 지향 정보값 산출 모듈(140)은 메인 감지 센서(100a)의 센싱부(110)에서 센싱한 음파 신호와 보조 감지 센서(100b, 100c)에서 센싱한 음파 신호의 사이의 시간차를 이용하여 설비(10)에서 음파 신호를 발생시킨 음원의 위치값을 산출할 수 있다.The position value and orientation information value calculation module 140 uses the time difference between the sound wave signal sensed by the sensing unit 110 of the main detection sensor 100a and the sound wave signal sensed by the auxiliary detection sensors 100b and 100c. It is possible to calculate the position value of the sound source that generated the sound wave signal in the facility (10).

아울러, 위치값 및 지향 정보값 산출 모듈(140)은 메인 감지 센서(100a)의 센싱부(110)에서 센싱한 음파 신호의 진폭에 대한 크기와 보조 감지 센서(100b, 100c)에서 센싱한 음파 신호의 진폭에 대한 크기 차이를 이용하여, 설비(10)에서 발생된 음파 신호의 지향 방향에 대한 정보인 지향값이 산출할 수 있다. 이에 대해서는 도 8 이하에서 구체적으로 설명한다.In addition, the position value and orientation information value calculation module 140 includes the amplitude of the sound wave signal sensed by the sensing unit 110 of the main detection sensor 100a and the sound wave signal sensed by the auxiliary detection sensors 100b and 100c. By using the difference in magnitude with respect to the amplitude of the directional value, which is information about the directional direction of the sound wave signal generated in the facility 10, can be calculated. This will be described in detail below with reference to FIG. 8 .

이에 따라, 메인 감지 센서(100a)는 음파 신호가 신호 처리된 초음파 신호, 해당 초음파 신호에 대한 위치값과 지향값을 함께 서버로 전송할 수 있고, 서버는 초음파 신호, 위치값 및 지향값을 함께 수신할 수 있다.Accordingly, the main detection sensor 100a may transmit to the server an ultrasonic signal in which the sound wave signal is signal-processed, and a position value and a direction value for the corresponding ultrasonic signal together, and the server receives the ultrasonic signal, the position value, and the orientation value together. can do.

그러나, 이는 일례이고, 위치값 및 지향 정보값 산출 모듈(140)이 서버에 구비되는 것도 가능하고, 위치값 및 지향 정보값 산출 모듈(140)이 서버에 구비된 경우, 메인 감지 센서(100a)는 메인 감지 센서(100a)에서 센싱되어 디지털 변환된 초음파 신호와 보조 감지 센서(100b, 100c)에서 센싱되어 디지털 변환된 초음파 신호를 모두 서버로 전송할 수 있고, 서버에서 위치값과 지향값을 산출하는 것도 가능하다.However, this is an example, and it is also possible that the location value and orientation information value calculation module 140 is provided in the server, and when the location value and orientation information value calculation module 140 is provided in the server, the main detection sensor 100a can transmit both the digitally converted ultrasonic signal sensed by the main detection sensor 100a and the digitally converted ultrasonic signal sensed by the auxiliary detection sensors 100b and 100c to the server, and the server calculates the position and orientation values It is also possible

위치값 및 지향 정보값 산출 모듈(140)은 메인 감지 센서(100a)의 센싱부(110)에서 센싱한 음파 신호와 보조 감지 센서(100b, 100c)에서 센싱한 음파 신호의 사이의 시간차를 이용하여 설비(10)에서 음파 신호를 발생시킨 음원의 위치값이 산출할 수 있다.The position value and orientation information value calculation module 140 uses the time difference between the sound wave signal sensed by the sensing unit 110 of the main detection sensor 100a and the sound wave signal sensed by the auxiliary detection sensors 100b and 100c. The location value of the sound source that generated the sound wave signal in the facility 10 can be calculated.

일례로, 도 4에 도시된 바와 같이, 설비(10)에서 음원을 발생시키는 복수의 지점(P1, P2, P3, P4)가 있다고 가정한 경우, 복수의 지점 중 어느 하나의 특정 지점(P2)에서 음파 신호가 발생될 경우, 메인 감지 센서(100a)와 2개의 보조 감지 센서(100b, 100c) 각각이 해당 음원(P2)에서 발생된 음파 신호를 감지하는 시간이 서로 다르고, 음파 신호의 파형은 거의 동일할 수 있다.As an example, as shown in Figure 4, if it is assumed that there are a plurality of points (P1, P2, P3, P4) for generating a sound source in the facility 10, any one of the plurality of points (P2) When a sound wave signal is generated in can be almost identical.

이와 같은 경우, 위치값 및 지향 정보값 산출 모듈(140)은 메인 감지 센서(100a)와 2개의 보조 감지 센서(100b, 100c)로 수신되는 음파 신호의 수신 시간(t1, t2, t3)을 감지하고, 각 수신된 시간의 차이값을 이용하여, 일례로, 삼각 측량법을 이용하여, 해당 음파가 발생된 음원에 대한 위치(P2)를 파악할 수 있다. In this case, the position value and orientation information value calculation module 140 detects the reception times (t1, t2, t3) of the sound wave signals received by the main detection sensor 100a and the two auxiliary detection sensors 100b and 100c. And, by using the difference value of each received time, for example, using triangulation, it is possible to determine the position P2 of the sound source from which the sound wave is generated.

이와 같이, 본 발명은 이와 같이 음원의 위치(P2)를 파악하여, 설비(10)의 고장 원인을 세밀하게 분석할 수 있다.In this way, the present invention can grasp the position P2 of the sound source in this way, and analyze the cause of the failure of the facility 10 in detail.

또한, 위치값 및 지향 정보값 산출 모듈(140)은 메인 감지 센서(100a)의 센싱부(110)에서 센싱한 음파 신호의 진폭에 대한 크기와 보조 감지 센서(100b, 100c)에서 센싱한 음파 신호의 진폭에 대한 크기 차이를 이용하여, 설비(10)에서 발생된 음파 신호의 지향 방향에 대한 정보인 지향값이 산출할 수 있다.In addition, the position value and orientation information value calculation module 140 includes the amplitude of the sound wave signal sensed by the sensing unit 110 of the main detection sensor 100a and the sound wave signal sensed by the auxiliary detection sensors 100b and 100c. By using the difference in magnitude with respect to the amplitude of the directional value, which is information about the directional direction of the sound wave signal generated in the facility 10, can be calculated.

일례로, 음원인 P2 지점에서 발생한 음파 신호가 도 5에 도시된 바와 같이, 특정 방향으로 지향성을 가지는 경우, 본 발명의 각 감지 센서(100a, 100b, 100c)에서 수신되는 음파 신호는 서로 다른 진폭의 크기를 가질 수 있다.As an example, when the sound wave signal generated at the point P2, which is the sound source, has directivity in a specific direction as shown in FIG. 5, the sound wave signal received by each detection sensor 100a, 100b, 100c of the present invention has different amplitudes can have the size of

일례로, 서로 유사한 음파 신호의 파형에 대해, 100b 보조 감시 센서에서는 가장 큰 진폭을 가지는 음파 신호가 수신될 수 있으며, 100a 감지 센서(100a, 100b, 100c)에서는 중간 정도 크기의 진폭을 가지는 음파 신호가, 100c 감지 센서(100a, 100b, 100c)에서는 가장 작은 크기의 진폭을 가지는 음파 신호가 수신될 수 있다.For example, for waveforms of sound wave signals that are similar to each other, a sound wave signal having the largest amplitude may be received from the 100b auxiliary monitoring sensor, and a sound wave signal having an intermediate amplitude in the 100a detection sensors 100a, 100b, 100c. A, 100c A sound wave signal having the smallest amplitude may be received from the detection sensors 100a, 100b, and 100c.

이에 따라, 위치값 및 지향 정보값 산출 모듈(140)은 각 감지 센서(100a, 100b, 100c)로 수신되는 동일한 파형을 갖는 음파 신호의 진폭 차이를 계산하여, 해당 음파가 어느 방향을 지향하는지 산출할 수 있다.Accordingly, the position value and orientation information value calculation module 140 calculates the amplitude difference of the sound wave signal having the same waveform received by each detection sensor 100a, 100b, 100c, and calculates which direction the sound wave is oriented can do.

이와 같은 경우, 도 4와 비교하여, 동일한 P2 지점이라도, 음파 신호의 지향 방향이 서로 상이함을 계산할 수 있으며, 도 5와 같이 해당 음파의 지향 방향을 계산하여, P2 지점에서 고장 원인과 관련된 음파 신호가 발생하더라도, 보다 구체적으로 P2 지점에서 어떤 부분이 고장을 발생시키는지, 고장 원인을 더욱 세밀하게 분석할 수 있다.In this case, compared with FIG. 4 , even at the same point P2, it can be calculated that the directing directions of the sound wave signals are different from each other, and by calculating the directing directions of the corresponding sound waves as in FIG. Even if a signal occurs, more specifically, which part causes the failure at point P2, and the cause of the failure can be analyzed more precisely.

이하에서는 이와 같이, 본 발명의 센서부(100)에서 센싱한 초음파 신호가 서버에서 어떠한 방법으로 분석되는지에 대해 설명한다.Hereinafter, how the ultrasonic signal sensed by the sensor unit 100 of the present invention is analyzed by the server will be described.

도 6은 도 1에 도시된 서버(200)의 일례에 서버(200)의 일례에 대해 설명하기 위한 도이다.FIG. 6 is a diagram for explaining an example of the server 200 in an example of the server 200 shown in FIG. 1 .

서버(200)는 도 6에 도시된 바와 같이, 제어부(210)와 데이터 베이스부(220)를 포함할 수 있다.As shown in FIG. 6 , the server 200 may include a control unit 210 and a database unit 220 .

데이터 베이스부(220)는 센서부(100)로부터 수신된 초음파 신호가 샘플링 데이터로 추출된 샘플링 데이터와 각 샘플링 데이터에 대응되는 위치값과 지향값을 저장하고, 샘플링 데이터에 대해 신호 판별을 수행하여, 정상 신호인지 이상 신호인지 판별된 데이터 정보인 판별 정보가 저장될 수 있다.The database unit 220 stores the sampling data extracted as the sampling data of the ultrasound signal received from the sensor unit 100, the position value and the orientation value corresponding to each sampling data, and performs signal discrimination on the sampling data. , determination information that is data information determined whether a normal signal or an abnormal signal may be stored.

이를 위해, 데이터 베이스부(220)는 샘플링 데이터 DB(221)와 감지된 신호 정보 DB(223)를 포함할 수 있다.To this end, the database 220 may include a sampling data DB 221 and a sensed signal information DB 223 .

샘플링 데이터 DB(221)는 초음파 신호가 샘플링 데이터로 추출된 로우 데이터(low-data) 형태를 갖는 샘플링 데이터와 각 샘플링 데이터에 대응되는 위치값과 지향값이 저장될 수 있으며, 감지된 신호 정보 DB(223)는 샘플링 데이터 DB(221)와 샘플링 데이터에 대해 신호 판별이 수행되어 생성된 판별 정보가 저장될 수 있다.The sampling data DB 221 may store sampling data in the form of low-data from which an ultrasound signal is extracted as sampling data, and a position value and a direction value corresponding to each sampling data, and the detected signal information DB At 223, the sampling data DB 221 and the discrimination information generated by performing signal discrimination on the sampling data may be stored.

여기서, 데이터 베이스부(220)에 저장되는 샘플링 데이터는 아나로그 형태의 음파 신호가 디지털 변환되어 초음파 필터링된 초음파 신호에 대해, 샘플링 데이터 추출기에 의해 미리 결정된 시간 기준 동안에 대해 추출된 로우 데이터(low-data) 형태를 가질 수 있다.Here, the sampling data stored in the data base unit 220 includes digital conversion of an analog sound wave signal to an ultrasonic filtered ultrasonic signal, and low-data extracted for a predetermined time reference by the sampling data extractor. data) can be in the form of

이와 같은 각각의 샘플링 데이터는 미리 결정된 시간 기준으로 세분화되어 저장될 수 있다. 일례로, 세분화된 시간 기준이 0.5msec 단위로 결정된 경우, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터는 0.5msec의 시간 길이를 가질 수 있으며, 세분화된 시간 기준이 1초인 경우, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터는 1초의 시간 길이를 가질 수 있다. Each of such sampling data may be subdivided and stored according to a predetermined time reference. For example, when the subdivided time standard is determined in units of 0.5 msec, the sampling data stored in the sampling data DB 221 may have a time length of 0.5 msec, and when the subdivided time standard is 1 second, the sampling data DB 221 ) stored in the sampling data may have a time length of 1 second.

이와 같이, 샘플링 데이터 DB(221)에 저장되는 샘플링 데이터는 미리 결정된 시간 기준 동안 해당 음파 신호가 샘플링된 샘플링 데이터와 샘플링 데이터에 대한 시간 정보 및 샘플링 데이터에 대응되는 위치값과 지향값을 포함할 수 있다.As such, the sampling data stored in the sampling data DB 221 may include sampling data in which the corresponding sound wave signal is sampled for a predetermined time reference, time information about the sampling data, and a position value and a direction value corresponding to the sampling data. there is.

이와 같이, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터의 시간 길이는 서버에 미리 설정될 수 있으며, 최적화를 위해 따라 서버 관리자에 의해 얼마든지 변경될 수 있다.In this way, the length of time of the sampling data stored in the sampling data DB 221 may be preset in the server, and may be freely changed by the server administrator for optimization.

이와 같은 샘플링 데이터 DB(221)는 신호 판별을 위해 초기에 샘플링 데이터의 트레이닝(training)과 테스트(test)에 이용될 수 있을 뿐만 아니라, 설비(10) 고장 예측 시스템이 초기 이후 동작하는 내내 사용 가능하고, 샘플링 데이터의 이상 신호 여부를 판별하는데 이용될 수 있다.Such sampling data DB 221 can be used for training and testing of sampling data initially for signal determination, and can be used throughout the operation of the equipment 10 failure prediction system after the initial operation. and can be used to determine whether the sampling data is an abnormal signal.

감지된 신호 정보 DB(223)는 샘플링 데이터 DB(221)에 있는 샘플링 데이터에 대해 신호 판별을 수행한 판별 정보가 저장될 수 있다.The detected signal information DB 223 may store determination information obtained by performing signal determination on the sampling data in the sampling data DB 221 .

이와 같은 판별 정보는 샘플링 데이터 DB(221)에 저장된 복수의 샘플링 데이터 각각에 대해 신호 판별된 정보이므로, 각각의 판별 정보에는 해당되는 샘플링 데이터가 정상 신호인지 또는 이상 신호인지에 대한 판별 정보와, 샘플링 데이터 자체에 대한 식별 정보 또는 시간 정보가 포함될 수 있다.Since such determination information is signal-determined information for each of a plurality of sampling data stored in the sampling data DB 221 , each determination information includes determination information on whether the corresponding sampling data is a normal signal or an abnormal signal, and sampling Identification information or time information about the data itself may be included.

일례로, 샘플링 데이터가 정상 신호로 판별된 경우, 해당 샘플링 데이터에 대해 정상 신호로 판별한 정상 신호 판별 정보가 저장될 수 있으며, 샘플링 데이터가 이상 신호로 판별된 경우, 해당 샘플링 데이터에 대해 이상 신호로 판별한 이상 신호 판별 정보가 저장될 수 있다.For example, when the sampling data is determined as a normal signal, normal signal determination information determined as a normal signal for the sampling data may be stored, and when the sampling data is determined as an abnormal signal, an abnormal signal for the sampling data Anomaly signal determination information determined as ? may be stored.

따라서, 감지된 신호 정보 DB(223)에 저장되는 정상 신호 판별 정보의 개수와 이상 신호 판별 정보의 총 개수의 합은 샘플링 데이터 DB(221)에 저장된 샘플링 데이터의 총 개수의 합과 같을 수 있고, 각각의 정상 신호 판별 정보와 이상 신호 판별 정보는 샘플링 데이터 각각과 매칭될 수 있다.Accordingly, the sum of the number of normal signal identification information stored in the sensed signal information DB 223 and the total number of abnormal signal identification information may be equal to the sum of the total number of sampling data stored in the sampling data DB 221, Each of the normal signal identification information and the abnormal signal identification information may be matched with each of the sampling data.

서버가 감지된 신호 정보 DB(223)에서 어떤 하나의 이상 신호 판별 정보를 선택하는 경우, 해당 이상 신호 판별 정보에 대한 로우 데이터 형태를 갖는 샘플링 데이터도 샘플링 데이터 DB(221)에서 선택할 수 있다.When the server selects any one abnormal signal identification information from the detected signal information DB 223 , sampling data having a raw data form for the corresponding abnormal signal identification information may also be selected from the sampling data DB 221 .

제어부(210)는 초음파 신호로부터 샘플링 데이터를 추출하여 신호 처리된 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하고, 이상 신호로 판별된 샘플링 데이터에 대해서는 이상 신호 분석을 수행하여, 해당 샘플링 데이터에 대한 이상 신호 분석 정보를 생성하고, 정상 신호 샘플링 정보와 이상 신호 분석 정보를 시계열적으로 배열하여, 정상 신호 샘플링 정보와 이상 신호 분석 정보의 시계열적 패턴을 분석하여, 설비(10)의 고장에 대한 예측 정보를 제공할 수 있다.The control unit 210 extracts sampling data from the ultrasound signal to determine whether the signal-processed sampling data is a normal signal or an abnormal signal, and performs abnormal signal analysis on the sampled data determined as an abnormal signal, For the failure of the equipment 10 by generating abnormal signal analysis information for Prediction information can be provided.

이를 위해, 제어부(210)는 통신 모듈(211), 샘플링 데이터 추출기(213), 신호 판별기(214), 이상 신호 분석기(215), 패턴 분석기(216) 및 출력 모듈(217)을 포함할 수 있다.To this end, the control unit 210 may include a communication module 211 , a sampling data extractor 213 , a signal discriminator 214 , an abnormal signal analyzer 215 , a pattern analyzer 216 , and an output module 217 . there is.

통신 모듈(211)은 센서부(100)와 유선 또는 무선으로 연동되어, 센서부(100)(일례로, 메인 감지 센서(100a))로부터 디지털 변환되어 초음파 대역으로 필터링된 초음파 신호와 해당 초음파 신호에 대한 음원의 위치값 및 지향값을 수신할 수 있다. The communication module 211 is connected to the sensor unit 100 by wire or wirelessly, and the ultrasound signal and the corresponding ultrasound signal that are digitally converted from the sensor unit 100 (eg, the main detection sensor 100a) and filtered into the ultrasound band. It is possible to receive the position value and orientation value of the sound source for .

샘플링 데이터 추출기(213)는 초음파 신호로부터 노이즈를 제거하여 샘플링 데이터를 추출하여, 샘플링 데이터 DB(221)에 저장할 수 있다. 구체적으로, 설비(10)가 위치한 공장 환경에서 들어오는 초음파 신호는 설비(10)의 물리적 기계음 및 인적 소음과 같은 불필요한 노이즈 정보가 합성된 신호일 수 있다. The sampling data extractor 213 may extract the sampling data by removing noise from the ultrasound signal, and may store it in the sampling data DB 221 . Specifically, the ultrasonic signal coming from the factory environment in which the facility 10 is located may be a signal in which unnecessary noise information such as physical and human noise of the facility 10 is synthesized.

이와 같은 샘플링 데이터 추출기(213)는 입력된 초음파 신호에서 노이즈를 필터링하여 제거하고, 설비(10)의 특정 부분이 발생시키는 초음파 신호로부터 샘플링 데이터를 추출하고, 추출된 샘플링 데이터를 데이터 분석에 사용하여, 분석의 정확도를 높일 수 있다.The sampling data extractor 213 filters and removes noise from the input ultrasound signal, extracts sampling data from the ultrasound signal generated by a specific part of the facility 10, and uses the extracted sampling data for data analysis. , it can increase the accuracy of the analysis.

이와 같이, 제어부는 초음파 신호에 대해 노이즈를 제거하고, 특정 기간으로 세분화한 로우 데이터(low-data) 형태의 샘플링 데이터를 이용하여, 샘플링 데이터를 판별하고 분석하여, 시계열적으로 패턴을 사용자 또는 관리자에게 설비(10)에 대한 예측 정보를 제공할 수 있다.In this way, the control unit removes noise from the ultrasound signal, and uses the sampling data in the form of low-data subdivided into a specific period to determine and analyze the sampling data, and time-series patterns to the user or administrator. It is possible to provide predictive information about the facility 10 to the user.

이를 수행하기 위해, 제어부는 전술한 바와 같이, 신호 판별기(214), 이상 신호 분석기(215) 및 패턴 분석기(216)를 포함할 수 있다.To do this, the control unit may include a signal discriminator 214 , an abnormal signal analyzer 215 , and a pattern analyzer 216 , as described above.

신호 판별기(214)는 샘플링 데이터 DB(221)에 저장된 샘플링 데이터 각각에 대해 정상 신호인지, 이상 신호인지 판별하고, 각각의 판별된 샘플링 데이터에 대해 판별 정보를 생성할 수 있다.The signal determiner 214 may determine whether each of the sampling data stored in the sampling data DB 221 is a normal signal or an abnormal signal, and generate determination information for each of the determined sampling data.

여기서, 판별 정보는 일례로, 어떤 샘플링 데이터가 정상 신호로 판별된 경우, 해당 샘플링 데이터에 대해 정상 신호 판별 정보(Sn)를 생성할 수 있다. 또한, 어떤 샘플링 데이터가 이상 신호로 판별된 경우, 해당 샘플링 데이터에 대해 이상 신호 판별 정보(Sa)를 생성할 수 있다.Here, the determination information is an example, and when a certain sampled data is determined as a normal signal, normal signal determination information Sn may be generated for the corresponding sampled data. In addition, when a certain sampling data is determined to be an abnormal signal, abnormal signal determination information Sa may be generated for the corresponding sampling data.

이와 같이, 복수의 샘플링 데이터에 대해 신호 판별기(214)가 판별된 정상 신호 판별 정보와 이상 신호 판별 정보는 감지된 신호 정보 DB(223)에 업데이트 및 저장될 수 있다.As such, the normal signal determination information and the abnormal signal determination information determined by the signal determiner 214 for the plurality of sampling data may be updated and stored in the sensed signal information DB 223 .

이와 같은 신호 판별기(214)는 일례로, 머신 러닝(Machine Learning) 기술 중 Unsupervised Learning의 K-mean Algorithm을 적용하여, 복수의 샘플링 데이터에 대해 정상 신호 인지 이상 신호인지 여부를 판별할 수 있다. 그러나 본 발명이 반드시 전술한 머신 러닝만 적용되는 것에 한정되는 것은 아니다.Such a signal determiner 214 may determine, for example, whether a normal signal or an abnormal signal with respect to a plurality of sampling data by applying the K-mean Algorithm of Unsupervised Learning among machine learning techniques. However, the present invention is not necessarily limited to applying only the above-described machine learning.

이와 같은 머신 러닝 기술의 샘플링 데이터의 판별에 대한 정확도를 보다 향상되도록 하기 위하여, 머신 러닝 기술을 실제 적용함에 있어, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터를 이용하여 샘플링 데이터 각각에 대하여, 정상 신호인지, 아니면 이상 신호인지 여부를 반복적으로 판별하는 트레이닝(training)과 테스트(test)가 수행될 수 있다.In order to further improve the accuracy of the determination of sampling data of the machine learning technology, when the machine learning technology is actually applied, the sampling data stored in the sampling data DB 221 is used for each of the sampling data, and a normal signal is obtained. Training and testing for repeatedly determining whether a signal is recognized or an abnormal signal may be performed.

이와 같이, 신호 판별기(214)는 샘플링 데이터 DB(221)에 저장된 각각의 샘플링 데이터에 대해 이상 신호 여부를 판별하여, 판별 정보를 생성하고, 생성된 판별 정보를 감지된 신호 정보 DB(223)에 저장할 수 있다.In this way, the signal discriminator 214 determines whether or not an abnormal signal is an abnormal signal for each sampling data stored in the sampling data DB 221 , generates discrimination information, and uses the generated discrimination information as the detected signal information DB 223 . can be stored in

이상 신호 분석기(215)는 신호 판별기(214)에서 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 샘플링 데이터 및 해당 샘플링 데이터의 위치값 및 지향값에 대해 이상 유형의 종류와 정도에 대해 분석하여, 이상 신호 분석 정보를 생성할 수 있다.The abnormal signal analyzer 215 analyzes the type and degree of abnormality with respect to the sampling data corresponding to the abnormal signal discrimination information determined as an abnormal signal by the signal discriminator 214 and the position value and orientation value of the sampling data, , it is possible to generate abnormal signal analysis information.

이에 따라, 이상 신호 분석기(215)에서 생성되는 이상 신호 분석 정보는 해당 샘플링 데이터(위치값 및 지향값 포함)에 대한 이상 유형의 종류와 정도에 대해 분석된 값이 포함될 수 있다. 이와 같이, 이상 신호 분석기(215)가 샘플링 데이터를 분석함에 있어서, 딥 러닝 알고리즘(Deep Learning Algorithms)이 적용될 수 있다.Accordingly, the abnormal signal analysis information generated by the abnormal signal analyzer 215 may include values analyzed for the type and degree of abnormality with respect to the corresponding sampling data (including position values and orientation values). In this way, when the abnormal signal analyzer 215 analyzes the sampling data, deep learning algorithms may be applied.

패턴 분석기(216)는 신호 판별기(214)에서 판별되어, 데이터 베이스부(220)에 저장된 정보 중에서 정상 신호 판별 정보와 이상 신호 분석기(215)에서 분석된 이상 신호 판별 정보의 샘플링 데이터에 대한 이상 신호 분석 정보를 시계열적으로 배열하고, 이에 대한 패턴 분석을 수행할 수 있다.The pattern analyzer 216 is determined by the signal discriminator 214, and is abnormal for the sampling data of the normal signal discrimination information and the abnormal signal discrimination information analyzed by the abnormal signal analyzer 215 among the information stored in the database unit 220 Signal analysis information may be arranged in time series, and pattern analysis may be performed on it.

이와 같이, 패턴 분석기(216)가 패턴 분석을 수행함에 있어, 미리 설치된 패턴 분석 프로그램이 이용될 수 있다. 일례로, HMM(Hidden Markov Model), Deep Learning 학습 모델 중 시계열 데이터 분석에 특화되어 있는 Recurrent Neural Network를 학습 모델, 장기간 또는 단기간 데이터의 정보를 활용하여 다양한 경우의 데이터 패턴 학습을 위해 LSTM(Long-Short Term Memory) 중 적어도 하나가 적용될 수 있다. 그러나, 본 발명이 반드시 이에 한정되는 것은 아니다.In this way, when the pattern analyzer 216 performs pattern analysis, a pre-installed pattern analysis program may be used. For example, among the HMM (Hidden Markov Model) and deep learning learning models, the Recurrent Neural Network, which is specialized for time series data analysis, is a learning model, and LSTM (Long-Long- Short Term Memory) may be applied. However, the present invention is not necessarily limited thereto.

이와 같이, 패턴 분석기(216)가 정상 신호 판별 정보와 이상 신호 분석 정보를 이용하여, 그 패턴 정보를 분석함으로써, 설비(10) 고장의 정도를 판단할 수 있으며, 설비(10) 고장의 원인을 판단할 수 있다.In this way, the pattern analyzer 216 uses the normal signal determination information and the abnormal signal analysis information, and by analyzing the pattern information, it is possible to determine the degree of failure of the equipment 10 and determine the cause of the equipment 10 failure. can judge

출력 모듈(217)은 패턴 분석기(216)에서 분석된 설비(10) 고장의 정도와 원인을 이용하여 설비(10)에 대한 고장 예측 정보를 제공할 수 있다.The output module 217 may provide failure prediction information for the facility 10 using the degree and cause of the failure of the facility 10 analyzed by the pattern analyzer 216 .

이하에서는 이와 같은 고장 설비(10) 예측 시스템이 동작하는 방법의 일례에 대해 설명한다. Hereinafter, an example of how such a failure facility 10 prediction system operates will be described.

도 7 내지 도 9은 본 발명의 일례에 따른 설비(10) 고장 예측 방법의 일례를 설명하기 위한 도이다.7 to 9 are diagrams for explaining an example of the equipment 10 failure prediction method according to an example of the present invention.

구체적으로, 도 7는 본 발명의 일례에 따른 설비(10) 고장 예측 방법에 대한 플로우 차트를 도시한 것이고, 도 8는 도 7에 기재된 신호 판별 단계(S4), 이상 신호 분석 단계(S5), 패턴 분석 단계(S6)를 보다 구체적으로 설명하기 위한 도이고, 도 9은 본 발명의 일례에 따른 설비(10) 고장 예측 시스템 상에서 설비(10) 고장 예측 방법이 수행될 때의 신호의 흐름을 설명하기 위한 도이다. Specifically, FIG. 7 shows a flowchart for a method for predicting a failure of the facility 10 according to an example of the present invention, and FIG. 8 is a signal determination step (S4), an abnormal signal analysis step (S5) described in FIG. 7, It is a diagram for explaining the pattern analysis step (S6) in more detail, and FIG. 9 is a diagram illustrating a signal flow when the equipment 10 failure prediction method is performed on the equipment 10 failure prediction system according to an example of the present invention. It is a way to do

본 발명의 일례에 따른 설비(10) 고장 예측 방법은 도 7에 도시된 바와 같이, 음파 수집 단계(S1), 초음파 대역 필터링 단계(S2), 샘플링 데이터 추출 단계(S3), 신호 판별 단계(S4), 이상 신호 분석 단계(S5), 패턴 분석 단계(S6) 및 출력 단계(S7)를 포함할 수 있다.As shown in FIG. 7 , the equipment 10 failure prediction method according to an example of the present invention includes a sound wave collection step (S1), an ultrasonic band filtering step (S2), a sampling data extraction step (S3), a signal determination step (S4) ), an abnormal signal analysis step (S5), a pattern analysis step (S6), and an output step (S7).

음파 수집 단계(S1)에서는 센서부(100)가 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집할 수 있다. 여기서 수집되는 음파 신호는 아나로그 신호일 수 있으며, 디지털 신호로 변환될 수 있다.In the sound wave collection step S1 , the sensor unit 100 may collect a sound wave signal from a sound generated when the facility 10 operates. The sound wave signal collected here may be an analog signal, and may be converted into a digital signal.

음파 수집 단계(S1)에서는 수집된 음파 신호를 디지털 신호로 변환될 때, 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz ~ 300KHz 사이일 수 있으며, 바람직하게는 100KHz ~ 300KHz, 보다 바람직하게는 190KHz ~ 300KHz 사이일 수 있다.In the sound wave collection step (S1), when the collected sound wave signal is converted to a digital signal, a sampling rate for converting to a digital signal may be between 35KHz ~ 300KHz, preferably 100KHz ~ 300KHz, more preferably may be between 190 KHz and 300 KHz.

초음파 대역 필터링 단계(S2)에서는 디지털 신호로 변환된 음파 신호에서 초음파 대역이 필터링되어, 디지털 변환된 초음파 신호가 추출될 수 있다.In the ultrasonic band filtering step S2, the ultrasonic band may be filtered from the sound wave signal converted into a digital signal, and the digitally converted ultrasonic signal may be extracted.

샘플링 데이터 추출 단계(S3)는 추출된 초음파 대역의 신호로부터 노이즈를 제거하여 특정 기간으로 분할된 샘플링 데이터를 추출할 수 있다.In the sampling data extraction step S3, noise is removed from the extracted ultrasound band signal to extract sampling data divided into specific periods.

일례로, 노이즈 필터링 방법은 음파 신호가 수집되기 이전에, 환경 소음 또는 배경 소음에 대한 노이즈 신호 정보를 미리 취득하여, 해당 음파 신호에 대한 노이즈 필터로 적용할 수 있다. 그러나, 본 발명의 노이즈 필터링 방법은 반드시 이에 한정되는 것은 아니고, 얼마든지 다른 방법으로 수행될 수 있다.For example, in the noise filtering method, noise signal information on environmental noise or background noise may be acquired in advance before the sound wave signal is collected and applied as a noise filter for the corresponding sound wave signal. However, the noise filtering method of the present invention is not necessarily limited thereto, and may be performed by any number of other methods.

이와 같이, 샘플링 데이터 추출 단계에서 추출되는 샘플링 데이터는 미리 결정된 시간 기준으로 세분화된 데이터일 수 있다.As such, the sampling data extracted in the sampling data extraction step may be data subdivided based on a predetermined time reference.

이와 같이, 미리 결정된 시간 기준으로 세분화된 샘플링 데이터가 도 9에 도시된 바와 같이, 샘플링 데이터 DB(221)에 저장될 수 있다. 이와 같이, 샘플링 데이터 DB(221)에 저장되는 샘플링 데이터는 해당 신호의 파형에 대한 정보, 샘플링 데이터의 생성 시간 정보, 위치값 및 지향값을 포함할 수 있다.In this way, the sampling data subdivided based on a predetermined time may be stored in the sampling data DB 221 as shown in FIG. 9 . As described above, the sampling data stored in the sampling data DB 221 may include information about a waveform of a corresponding signal, information about a generation time of the sampling data, a position value, and a direction value.

신호 판별 단계(S4)에서는 신호 판별기(214)가 샘플링 데이터 DB(221)로부터 샘플링 데이터를 입력받아, 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하여 판별 정보를 생성하고, 생성된 판별 정보를 감지된 신호 정보 DB(223)에 저장할 수 있다.In the signal discrimination step (S4), the signal discriminator 214 receives the sampling data from the sampling data DB 221, determines whether the sampling data is a normal signal or an abnormal signal, generates discrimination information, and detects the generated discrimination information It can be stored in the signal information DB (223).

여기서, 신호 판별기(214)는 일례로, 머신 러닝(Machine Learning) 기술 중 Unsupervised Learning의 K-mean Algorithm을 적용하여, 복수의 샘플링 데이터에 대해 정상 신호 인지 이상 신호인지 여부를 판별할 수 있다. 그러나 본 발명이 반드시 전술한 머신 러닝만 적용되는 것에 한정되는 것은 아니다.Here, the signal determiner 214 may determine, for example, whether a normal signal or an abnormal signal with respect to a plurality of sampling data by applying the K-mean Algorithm of Unsupervised Learning among machine learning techniques. However, the present invention is not necessarily limited to applying only the above-described machine learning.

감지된 신호 정보 DB(223)에 저장되는 판별 정보는 샘플링 데이터가 정상 신호인지 또는 이상 신호인지에 대한 판별 정보와, 샘플링 데이터 자체에 대한 식별 정보 또는 시간 정보, 위치값 및 지향값이 포함될 수 있다.The determination information stored in the sensed signal information DB 223 may include determination information on whether the sampling data is a normal signal or an abnormal signal, identification information or time information about the sampling data itself, a position value, and a direction value. .

아울러, 판별 정보는 샘플링 데이터가 정상 신호임을 나타내는 정상 신호 판별 정보(Sn)와 샘플링 데이터가 이상 신호임을 나타내는 이상 신호 판별 정보(Sa)를 포함할 수 있다.In addition, the determination information may include normal signal determination information Sn indicating that the sampling data is a normal signal and abnormal signal determination information Sa indicating that the sampling data is an abnormal signal.

일례로, 신호 판별 단계(S4)에서는 도 9에 도시된 바와 같이, 샘플링 데이터 DB(221)에 저장된 복수의 샘플링 데이터에 대해 정상 신호인지 또는 이상 신호인지 판별하여, 일례로, 샘플링 데이터 1 => 정상 신호 판별 정보(Sn), 샘플링 데이터 2 => 정상 신호 판별 정보(Sn), 샘플링 데이터 3 => 이상 신호 판별 정보(Sa)로 판별된 판별 정보가 생성될 수 있고, 도시되지는 않았지만, 각각의 판별 정보는 해당 샘플링 데이터 자체에 대한 식별 정보가 포함될 수 있다.For example, in the signal determination step (S4), as shown in FIG. 9 , it is determined whether the plurality of sampling data stored in the sampling data DB 221 is a normal signal or an abnormal signal, for example, sampling data 1 => Normal signal determination information (Sn), sampling data 2 => normal signal determination information (Sn), sampling data 3 => determination information determined as abnormal signal determination information (Sa) may be generated, although not shown, each The identification information of the corresponding sampling data itself may include identification information.

신호 판별 단계(S4)에서, 도 8 및 도 9에 도시된 바와 같이, 감지된 신호 정보 DB(223)에 저장되는 판별 정보는 샘플링 데이터에 대한 판별 정보가 정상 신호 판별 정보(Sn)인지 또는 이상 신호 판별 정보(Sa)인지 구별하여, 판별 정보가 정상 신호 판별 정보(Sn)인 경우(도 8의 S41), 제어부(210)는 감지된 신호 정보 DB(223)에 저장된 정상 신호 판별 정보(Sn)를 패턴 분석기(216)로 출력할 수 있다.In the signal determination step (S4), as shown in FIGS. 8 and 9, the determination information stored in the sensed signal information DB 223 determines whether the determination information for the sampling data is normal signal determination information (Sn) or abnormal. By distinguishing whether the signal discrimination information (Sa), if the discrimination information is the normal signal identification information (Sn) (S41 in FIG. 8), the control unit 210 is the normal signal identification information (Sn) stored in the sensed signal information DB (223) ) can be output to the pattern analyzer 216 .

또한, 판별 정보가 이상 신호 판별 정보(Sa)인 경우(도 8의 S42), 제어부(210)는 감지된 신호 정보 DB(223)에 이상 신호 판별 정보(Sa)에 대응되는 샘플링 데이터 DB(221)의 샘플링 데이터를 이상 신호 분석기(215)에 제공할 수 있다. 이상 신호 분석기(215)로 샘플링 데이터가 제공될 때, 샘플링 데이터와 함께, 해당 샘플링 데이터에 대한 위치값과 지향값이 함께 제공될 수 있다.In addition, when the determination information is the abnormal signal determination information (Sa) (S42 in FIG. 8), the control unit 210 is a sampling data DB (221) corresponding to the abnormal signal determination information (Sa) in the sensed signal information DB (223) ) of the sampling data may be provided to the abnormal signal analyzer 215 . When sampling data is provided to the abnormal signal analyzer 215 , a position value and a direction value for the sampling data may be provided together with the sampling data.

즉, 도 9과 같이, 판별 정보가 이상 신호 판별 정보(Sa)인 경우, 제어부(210)는 이상 신호 판별 정보(Sa)의 해당 샘플링 데이터를 보다 면밀하게 분석하기 위하여, 이상 신호 분석기(215)로 해당 샘플링 데이터(위치값과 지향값 포함)를 출력하여, 이상 신호 분석 단계(S5)가 수행될 수 있다.That is, as shown in FIG. 9 , when the determination information is the abnormal signal determination information Sa, the control unit 210 in order to more closely analyze the sampling data of the abnormal signal determination information Sa, the abnormal signal analyzer 215 . By outputting the corresponding sampling data (including the position value and the orientation value), the abnormal signal analysis step (S5) may be performed.

이상 신호 분석 단계(S5)는 판별 정보 중 이상 신호 판별 정보(Sa)에 대응하는 샘플링 데이터와 함께 해당 샘플링 데이터의 위치값과 지향값을 입력받아 분석하여, 이상 신호 분석 정보를 생성할 수 있다.In the abnormal signal analysis step S5, a position value and a direction value of the sampling data are received and analyzed together with sampling data corresponding to the abnormal signal identification information Sa among the identification information, and the abnormal signal analysis information can be generated.

일례로, 신호 판별 단계(S4)에서, 도 9에 도시된 바와 같이, 샘플링 데이터 3이 이상 신호로 판별된 경우, 해당 이상 신호 판별 정보(Sa)에 대응되는 샘플링 데이터 3(샘플링 데이터 3의 위치값과 지향값 포함)을 샘플링 데이터 DB(221)로부터 출력하여, 이상 신호 분석기(215)로 입력할 수 있다.For example, in the signal determination step S4 , as shown in FIG. 9 , when the sampling data 3 is determined to be an abnormal signal, the sampling data 3 (position of the sampling data 3) corresponding to the corresponding abnormal signal determination information Sa value and direction value) may be output from the sampling data DB 221 and input to the abnormal signal analyzer 215 .

여기서, 샘플링 데이터 3은 대한 미리 결정된 시간 기준 동안의 로우 데이터(low-data) 형태를 가질 수 있으며, 이상 신호 분석기(215)는 이와 같은 샘플링 데이터 3에 포함된 로우 데이터를 분석할 수 있다.Here, the sampling data 3 may have a form of low-data for a predetermined time reference, and the abnormal signal analyzer 215 may analyze the raw data included in the sampling data 3 .

이상 신호 분석기(215)는 샘플링 데이터 3의 로우 데이터, 샘플링 데이터 3의 위치값, 샘플링 데이터 3의 지향값을 이용하여 샘플링 데이터 3을 분석할 수 있다. 이를 위해 이상 신호 분석기(215)는 딥 러닝 알고리즘(Deep Learning Algorithms)을 적용할 수 있다.The abnormal signal analyzer 215 may analyze the sampling data 3 by using the raw data of the sampling data 3 , the position value of the sampling data 3 , and the orientation value of the sampling data 3 . To this end, the abnormal signal analyzer 215 may apply a deep learning algorithm.

이와 같이, 이상 신호 분석기(215)에서 샘플링 데이터, 위치값 및 지향값을 분석한 이상 신호 분석 정보는 이상 신호 판별 정보(Sa)에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도를 나타낼 수 있다.In this way, the abnormal signal analysis information obtained by analyzing the sampling data, the position value, and the orientation value in the abnormal signal analyzer 215 may indicate the type and degree of an abnormality with respect to the sampling data corresponding to the abnormal signal identification information Sa. .

예를 들어, 이상 신호 분석기(215)는 이상 신호 분석 정보로 R1-50%, R3-60%, R5-30% 등의 이상 신호 분석 정보를 생성할 수 있다. 이상 신호 분석기(215)는 하나의 샘플링 데이터에 대해 하나의 이상 유형의 종류와 정도를 생성할 수 있다.For example, the abnormal signal analyzer 215 may generate abnormal signal analysis information such as R1-50%, R3-60%, and R5-30% as the abnormal signal analysis information. The anomaly signal analyzer 215 may generate the kind and degree of one type of anomaly with respect to one sampled data.

예를 들어, 샘플링 데이터 3에 대해서는 이상 유형 종류 1, 정도 50%를 나타내는 R1-50%이 이상 신호 분석 정보로 생성될 수 있다. 따라서, R1-50%, R3-60%, R5-30%는 3개의 샘플링 데이터 각각에 대해 분석된 이상 신호 분석 정보를 의미할 수 있다.For example, with respect to sampling data 3, R1-50% indicating anomaly type type 1 and degree of 50% may be generated as abnormal signal analysis information. Accordingly, R1-50%, R3-60%, and R5-30% may mean abnormal signal analysis information analyzed for each of the three sampling data.

여기서, R1, R3, R5 등은 이상 유형의 종류를 의미할 수 있다. 즉, 이상 신호로 판별된 해당 샘플링 데이터를 발생시키는 유형을 의미할 수 있다. 이와 같은 이상 유형은 설비(10)의 고장을 발생시키는 여러가지 원인 중 하나의 원인일 수 있다.Here, R1, R3, R5, etc. may mean an abnormal type. That is, it may mean a type of generating the corresponding sampling data determined as an abnormal signal. This type of abnormality may be one of the various causes causing the failure of the equipment 10 .

또한, R1-50%, R3-60%, R5-30% 각각에 표시되는 백분율을 해당 이상 유형의 정도 또는 심각성을 의미할 수 있다. In addition, the percentages indicated in each of R1-50%, R3-60%, and R5-30% may mean the degree or severity of the corresponding abnormality type.

따라서, R3-60%라는 의미는 이상 유형 3에 해당되고, 그 정도가 60%임을 의미하고, R5-30%라는 의미는 이상 유형 5에 해당되고, 그 정도가 30%임을 의미할 수 있다.Therefore, the meaning of R3-60% corresponds to the abnormality type 3 and the degree thereof is 60%, and the meaning of R5-30% corresponds to the abnormality type 5 and may mean that the degree is 30%.

이와 같이, 이상 신호 분석기(215)에서 분석하는 이상 유형은 설비(10) 각각에 따라 다르게 설정될 수 있으며, 관리자 또는 사용자에 의해 얼마든지 변경될 수 있다.As such, the type of anomaly analyzed by the abnormal signal analyzer 215 may be set differently according to each facility 10 , and may be freely changed by an administrator or a user.

이와 같이, 이상 신호 분석 단계(S5)에서 이상 신호 분석기(215)에 의해 분석된 이상 신호 분석 정보는 패턴 분석기(216)로 출력될 수 있고, 이후, 패턴 분석 단계(S6)가 수행될 수 있다.In this way, the abnormal signal analysis information analyzed by the abnormal signal analyzer 215 in the abnormal signal analysis step S5 may be output to the pattern analyzer 216, and then, the pattern analysis step S6 may be performed. .

패턴 분석 단계(S6)에서는 패턴 분석기(216)가 복수의 판별 정보 중 정상 신호로 판별된 정상 신호 판별 정보(Sn)를 감지된 신호 정보 DB(223)로부터 입력받고, 이상 신호 분석 정보를 이상 신호 분석기(215)로부터 입력받아 설비(10) 고장의 패턴을 분석할 수 있다.In the pattern analysis step (S6), the pattern analyzer 216 receives the normal signal identification information Sn, which is determined as a normal signal among the plurality of identification information, from the detected signal information DB 223, and receives the abnormal signal analysis information as an abnormal signal It is possible to analyze the pattern of equipment 10 failure by receiving input from the analyzer 215 .

이를 위해, 패턴 분석기(216)는 정상 신호 판별 정보(Sn)와 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열할 수 있다.To this end, the pattern analyzer 216 may time-series the normal signal identification information Sn and the abnormal signal analysis information according to the order of time.

예를 들어, 시간의 순서에 따라 R1-50%, Sn, R3-60%, R5-30%, R3-60%, …, Sn, Sn의 순서로 복수의 정상 신호 판별 정보(Sn)와 이상 신호 분석 정보(R1-50%, R3-60%, R5-30%, R3-60%)가 시계열적으로 배열될 수 있으며, 이와 같은 배열된 패턴을 패턴 분석기(216)가 분석할 수 있다.For example, in the order of time R1-50%, Sn, R3-60%, R5-30%, R3-60%, ... A plurality of normal signal identification information (Sn) and abnormal signal analysis information (R1-50%, R3-60%, R5-30%, R3-60%) can be arranged in time series in the order of , Sn, Sn. , the pattern analyzer 216 may analyze such an arranged pattern.

이와 같이, 시계열적으로 배열된 패턴은 시간 순서대로 입력되는 샘플링 데이터 각각에 대한 신호의 특성을 분석한 정보일 수 있다.As described above, the time-series-arranged pattern may be information obtained by analyzing characteristics of signals for each sampling data input in time order.

패턴 분석기(216)는 이와 같은 정상 신호 판별 정보(Sn)와 이상 신호 분석 정보의 시계열적 패턴을 분석하여, 설비(10)의 고장 정도와 설비(10)의 고장 원인을 판단할 수 있다.The pattern analyzer 216 may analyze the time-series pattern of the normal signal determination information Sn and the abnormal signal analysis information, and determine the degree of failure of the facility 10 and the cause of the failure of the facility 10 .

이와 같은 패턴 분석기(216)가 시계열적 패턴을 분석함에 있어, HMM(Hidden Markov Model), Deep Learning 학습 모델 중 시계열 데이터 분석에 특화되어 있는 Recurrent Neural Network를 학습 모델, 장기간 또는 단기간 데이터의 정보를 활용하여 다양한 경우의 데이터 패턴 학습을 위해 LSTM(Long-Short Term Memory) 중 적어도 하나가 적용될 수 있다. 그러나, 본 발명이 반드시 이에 한정되는 것은 아니다.When the pattern analyzer 216 analyzes the time-series pattern, it utilizes the information of the learning model, long-term or short-term data for the recurrent neural network specialized in time-series data analysis among HMM (Hidden Markov Model) and deep learning learning models. Accordingly, at least one of Long-Short Term Memory (LSTM) may be applied for data pattern learning in various cases. However, the present invention is not necessarily limited thereto.

출력 단계(S7)에서는 패턴 분석기(216)에서 분석된 설비(10)의 고장 정도와 설비(10)의 고장 원인을 설비(10)의 고장 예측 정보로 출력할 수 있다.In the output step S7 , the degree of failure of the facility 10 and the cause of the failure of the facility 10 analyzed by the pattern analyzer 216 may be output as failure prediction information of the facility 10 .

도 10은 본 발명의 일례에 따른 설비(10) 고장 예측 시스템이 제공하는 고장 예측 정보의 일례를 설명하기 위한 도이다.10 is a diagram for explaining an example of the failure prediction information provided by the failure prediction system of the facility 10 according to an example of the present invention.

본 발명의 일례에 따른 설비(10) 고장 예측 시스템은 도 10에 도시된 바와 같이, 고장 예측 정보를 제공할 수 있다. As shown in FIG. 10 , the equipment 10 failure prediction system according to an example of the present invention may provide failure prediction information.

구체적으로, 고장 예측 정보는 적어도 설비(10)의 현재 상태 및 설비(10)의 고장이 발생될 때까지의 예측 정보를 포함할 수 있다.Specifically, the failure prediction information may include at least the current state of the facility 10 and prediction information until the failure of the facility 10 occurs.

일례로, 도 10에 도시된 바와 같이, 고장 예측 정보는 설비(10)의 이름, 고장이 발생될 때까지의 가능성을 퍼센트로 표시한 예측 정보, 정상 신호 발생 횟수, 이상 신호 발생 횟수, 이상 유형의 각 종류에 따른 정도, 발생 간격, 설비(10) 고장시까지의 예측 백분율 등이 표시될 수 있다.For example, as shown in FIG. 10 , the failure prediction information includes the name of the facility 10 , prediction information indicating the probability until a failure occurs as a percentage, the number of normal signal occurrences, the number of abnormal signal occurrences, and the type of abnormality The degree of each type, the interval of occurrence, the predicted percentage until the failure of the equipment 10, and the like may be displayed.

이와 같은 본 발명의 일례에 따른 설비(10) 고장 예측 시스템 및 방법은 설비(10)의 동작 과정에서 발생되는 음파 신호 중 초음파 대역의 신호를 이용하여 설비(10)에 대한 고장 예측 정보를 제공함으로써, 사용자가 공장 내의 설비(10)에 대해 신속한 대응을 하도록 안내할 수 있고, 이로 인하여 공장의 가동 중단에 따른 손해 비용을 최소화하도록 할 수 있다. The system and method for predicting failure of equipment 10 according to an example of the present invention provides failure prediction information for the equipment 10 by using a signal of an ultrasonic band among sound wave signals generated during the operation of the equipment 10 . , it is possible to guide the user to take a quick response to the facility 10 in the factory, thereby minimizing the cost of damage caused by the shutdown of the factory.

본 발명은 상술한 실시예 및 첨부한 도면에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자의 관점에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명의 범위는 본 명세서의 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.The present invention is not limited to the above-described embodiments and the accompanying drawings, and various modifications and variations will be possible from the point of view of those of ordinary skill in the art to which the present invention pertains. Accordingly, the scope of the present invention should be defined not only by the claims of the present specification, but also by those claims and their equivalents.

10: 설비 100: 센서부
100a, 100b, 100c: 감지 센서
110: 센싱부 120: 샘플링부
130: 초음파 대역 필터링 모듈
140: 통신부 200: 서버
210: 제어부 220: 데이터 베이스부10: equipment 100: sensor unit
100a, 100b, 100c: detection sensor
110: sensing unit 120: sampling unit
130: ultrasonic band filtering module
140: communication unit 200: server
210: control unit 220: database unit

Claims (15)

설비에 인접하여 위치하고, 상기 설비가 동작할 때 발생되는 소리로부터 음파 신호를 수집하는 센서부;
상기 음파 신호를 샘플링하고 노이즈를 제거하여 샘플링 데이터를 추출하는 샘플링 데이터 추출기;
상기 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하는 신호 판별기;
상기 복수의 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 상기 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하는 이상 신호 분석기; 및
상기 복수의 판별 정보 중 상기 정상 신호로 판별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 설비에 대한 고장 예측 정보를 제공하는 패턴 분석기;를 포함하고,
상기 센서부는 상기 설비를 중심으로 서로 다른 지점에 위치하는 복수의 감지 센서를 포함하고,
상기 신호 판별기는 상기 샘플링 데이터에 대해 K-mean Algorithm을 적용하여, 상기 샘플링 데이터가 정상 신호인지 또는 이상 신호인지를 판별하고,
상기 패턴 분석기는 Recurrent Neural Network 학습 모델 및 LSTM(Long-Short Term Memory) 학습 모델 중 적어도 하나를 이용하여 패턴 분석을 수행하고,
상기 센서부는 상기 복수의 감지 센서를 구비하고,
상기 복수의 감지 센서는 8bit, 16bit 또는 24bit 중 어느 하나가 선택되어, 상기 음파 신호에 대해 서로 다른 진폭의 해상도를 갖고,
상기 복수의 감지 센서 각각은 상기 음파 신호를 수집하는 센싱부를 포함하고,
상기 복수의 감지 센서 중 적어도 하나는 아나로그 신호 형태로 수집된 음파 신호를 디지털 신호로 변환하는 샘플링부를 포함하고,
상기 복수의 감지 센서는
상기 샘플링부를 포함하는 메인 감지 센서와 상기 샘플링부를 구비하지 않는 보조 감지 센서를 포함하고,
상기 보조 감지 센서는 상기 메인 감지 센서와 유선 또는 무선으로 연결되는 설비 고장 예측 시스템.a sensor unit located adjacent to the facility and configured to collect a sound wave signal from the sound generated when the facility operates;
a sampling data extractor that samples the sound wave signal and removes noise to extract sampling data;
a signal discriminator that determines whether the sampling data is a normal signal or an abnormal signal to generate a plurality of discrimination information;
an abnormal signal analyzer for generating abnormal signal analysis information by analyzing the sampling data corresponding to the abnormal signal identification information determined as an abnormal signal among the plurality of identification information; and
A pattern analyzer for providing failure prediction information for the facility by analyzing patterns for the normal signal determination information and the abnormal signal analysis information determined as the normal signal among the plurality of pieces of determination information; and
The sensor unit includes a plurality of detection sensors located at different points around the facility,
The signal determiner applies a K-mean algorithm to the sampling data to determine whether the sampling data is a normal signal or an abnormal signal,
The pattern analyzer performs pattern analysis using at least one of a Recurrent Neural Network learning model and a Long-Short Term Memory (LSTM) learning model,
The sensor unit includes the plurality of detection sensors,
The plurality of detection sensors are selected from any one of 8bit, 16bit, or 24bit, and have resolutions of different amplitudes for the sound wave signal,
Each of the plurality of detection sensors includes a sensing unit for collecting the sound wave signal,
At least one of the plurality of detection sensors includes a sampling unit that converts a sound wave signal collected in the form of an analog signal into a digital signal,
The plurality of detection sensors
a main detection sensor including the sampling unit and an auxiliary detection sensor not including the sampling unit;
The auxiliary detection sensor is a facility failure prediction system that is connected to the main detection sensor by wire or wirelessly. 삭제delete 삭제delete 삭제delete 제1 항에 있어서,
상기 복수의 감지 센서 각각으로 수집되는 상기 음파 신호의 시간차를 이용하여 상기 설비에서 상기 음파 신호를 발생시킨 음원의 위치값이 산출되는 설비 고장 예측 시스템.According to claim 1,
A facility failure prediction system in which a position value of a sound source that generates the sound wave signal in the facility is calculated by using the time difference of the sound wave signal collected by each of the plurality of detection sensors. 제1 항에 있어서,
상기 복수의 감지 센서 각각으로 수집되는 상기 음파 신호의 진폭에 대한 크기 차이를 이용하여 상기 설비에서 발생된 상기 음파 신호의 지향 방향에 대한 정보인 지향값이 산출되는 설비 고장 예측 시스템.According to claim 1,
A facility failure prediction system in which a direction value, which is information about a direction direction of the sound wave signal generated in the facility, is calculated by using a difference in magnitude with respect to the amplitude of the sound wave signal collected by each of the plurality of detection sensors. 제1 항에 있어서,
상기 샘플링 데이터를 저장하는 샘플링 데이터 DB와 상기 샘플링 데이터가 정상 신호 또는 이상 신호로 핀별된 판별 정보를 저장하는 감지된 신호 정보 DB를 구비하는 데이터 베이스부를 더 포함하는 설비 고장 예측 시스템.According to claim 1,
Equipment failure prediction system further comprising a database unit comprising a sampling data DB for storing the sampling data and a sensed signal information DB for storing identification information for each pin of the sampling data as a normal signal or an abnormal signal. 제7 항에 있어서,
상기 신호 판별기, 상기 이상 신호 분석기 및 상기 패턴 분석기는 하나의 서버에 구비되는 설비 고장 예측 시스템.8. The method of claim 7,
The signal discriminator, the abnormal signal analyzer, and the pattern analyzer are equipment failure prediction system provided in one server. 제1 항에 있어서,
상기 신호 판별기로 입력되는 상기 샘플링 데이터는 미리 결정된 시간 기준으로 세분화된 정보인 설비 고장 예측 시스템.According to claim 1,
The sampling data input to the signal discriminator is information subdivided based on a predetermined time standard. 제9 항에 있어서,
상기 이상 신호 분석기는
상기 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대해, 딥 러닝 알고리즘을 이용하여 이상 유형의 종류와 정도에 대해 분석하는 설비 고장 예측 시스템.10. The method of claim 9,
The abnormal signal analyzer
A facility failure prediction system for analyzing the sampling data corresponding to the abnormal signal identification information for the type and degree of an abnormality using a deep learning algorithm. 제10 항에 있어서,
상기 이상 신호 분석기는
상기 이상 신호 판별 정보에 대응되는 샘플링 데이터와 상기 샘플링 데이터에 대한 음원의 위치값을 이용하여, 상기 설비에 대한 이상 유형의 종류와 정도에 대해 분석하는 설비 고장 예측 시스템.11. The method of claim 10,
The abnormal signal analyzer
A facility failure prediction system for analyzing the type and degree of an abnormality type with respect to the facility by using the sampling data corresponding to the abnormal signal determination information and the location value of the sound source for the sampling data. 제7 항에 있어서,
상기 패턴 분석기는
상기 정상 신호 판별 정보를 상기 감지된 신호 정보 DB로부터 입력받고, 상기 이상 신호 분석 정보를 상기 이상 신호 분석기로부터 입력받아 정보의 패턴을 분석하는 설비 고장 예측 시스템.8. The method of claim 7,
The pattern analyzer
A facility failure prediction system for receiving the normal signal identification information from the sensed signal information DB, and receiving the abnormal signal analysis information from the abnormal signal analyzer to analyze a pattern of information. 제12 항에 있어서,
상기 패턴 분석기는
상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하여, 패턴을 분석하는 설비 고장 예측 시스템.13. The method of claim 12,
The pattern analyzer
A facility failure prediction system for analyzing patterns by arranging the normal signal identification information and the abnormal signal analysis information time-series according to the order of time. 제1 항에 있어서,
상기 센서부는 상기 설비로부터 이격되어 있는 설비 고장 예측 시스템.According to claim 1,
The sensor unit is a facility failure prediction system that is spaced apart from the facility. 제1 항에 있어서,
상기 샘플링부가 디지털 변환시의 샘플링비(sampling rate)는 35KHz ~ 300KHz 사이인 설비 고장 예측 시스템. According to claim 1,
The sampling rate when the sampling unit digital conversion (sampling rate) is between 35KHz ~ 300KHz equipment failure prediction system.
KR1020190169199A 2019-12-17 2019-12-17 Equipment failure prediction system having multi-channel sensors for receiving acoustic signals in the ultrasonic band KR102392951B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190169199A KR102392951B1 (en) 2019-12-17 2019-12-17 Equipment failure prediction system having multi-channel sensors for receiving acoustic signals in the ultrasonic band

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190169199A KR102392951B1 (en) 2019-12-17 2019-12-17 Equipment failure prediction system having multi-channel sensors for receiving acoustic signals in the ultrasonic band

Publications (2)

Publication Number Publication Date
KR20210077496A KR20210077496A (en) 2021-06-25
KR102392951B1 true KR102392951B1 (en) 2022-05-03

Family

ID=76629435

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190169199A KR102392951B1 (en) 2019-12-17 2019-12-17 Equipment failure prediction system having multi-channel sensors for receiving acoustic signals in the ultrasonic band

Country Status (1)

Country Link
KR (1) KR102392951B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240029254A (en) 2022-08-26 2024-03-05 썬메디텍(주) A system and method for diagnosing abnormalities based on unique acoustics of a low-speed rotating objects

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101180687B1 (en) * 2010-11-12 2012-09-07 대진대학교 산학협력단 System and method for quality management using sound detection
KR20180018170A (en) * 2016-08-12 2018-02-21 주식회사 케이티 Malfunction sound abstraction device and malfunction prediction device
KR102020993B1 (en) * 2017-03-29 2019-09-11 한남대학교 산학협력단 Ultrasonic position measuring device
KR102491646B1 (en) * 2017-11-30 2023-01-26 삼성전자주식회사 Method for processing a audio signal based on a resolution set up according to a volume of the audio signal and electronic device thereof
KR102472134B1 (en) * 2018-03-29 2022-11-29 삼성전자주식회사 Equipment diagnosis system and method based on deep learning

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240029254A (en) 2022-08-26 2024-03-05 썬메디텍(주) A system and method for diagnosing abnormalities based on unique acoustics of a low-speed rotating objects

Also Published As

Publication number Publication date
KR20210077496A (en) 2021-06-25

Similar Documents

Publication Publication Date Title
TWI587294B (en) Detection method of abnormal sound of apparatus and detection device
JP5145417B2 (en) Signal determination method, signal determination apparatus, program, and signal determination system
JP6527187B2 (en) Learning model construction device, anomaly detection device, anomaly detection system and server
US20210149387A1 (en) Facility failure prediction system and method for using acoustic signal of ultrasonic band
KR102575629B1 (en) Equipment failure prediction system and method
CN110398647B (en) Transformer state monitoring method
CN111695598A (en) Monitoring data abnormity diagnosis method based on generation countermeasure network
JP7181595B2 (en) Inspection system, abnormality identification method
JP2012018066A (en) Device for inspecting abnormality
CN110553789A (en) state detection method and device of piezoresistive pressure sensor and brake system
KR102392951B1 (en) Equipment failure prediction system having multi-channel sensors for receiving acoustic signals in the ultrasonic band
CN109598309B (en) Detection system and monitoring method of metal packaging punching machine
KR20210006832A (en) Method and apparatus for machine fault diagnosis
KR102325439B1 (en) Failure Prediction System of Injection Molding Equipment
JP3693644B2 (en) Equipment operating state acoustic monitoring method and equipment operating state acoustic monitoring apparatus
CN116720073A (en) Abnormality detection extraction method and system based on classifier
JP2002323371A (en) Sound diagnostic device and sound diagnostic method
CN103743477A (en) Mechanical failure detecting and diagnosing method and apparatus
KR102500140B1 (en) Equipment failure prediction system and method using sound signal of ultrasonic band
CN106500831B (en) Detection method and device of vibration sensor
JP2007051952A (en) Acoustic sensor device, acoustic analysis diagnosis device, and method of manufacturing acoustic sensor
CN103868747B (en) A kind of Damage Assessment Method system based on time series symbolization and recognition methods
JP4513796B2 (en) Abnormality monitoring device
KR20200099863A (en) Method for analyzing of object
JP7193491B2 (en) Sound inspection system

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant