KR102408426B1 - 설비 노화 지수를 이용한 이상 감지 방법 및 장치 - Google Patents

설비 노화 지수를 이용한 이상 감지 방법 및 장치 Download PDF

Info

Publication number
KR102408426B1
KR102408426B1 KR1020160132409A KR20160132409A KR102408426B1 KR 102408426 B1 KR102408426 B1 KR 102408426B1 KR 1020160132409 A KR1020160132409 A KR 1020160132409A KR 20160132409 A KR20160132409 A KR 20160132409A KR 102408426 B1 KR102408426 B1 KR 102408426B1
Authority
KR
South Korea
Prior art keywords
equipment
facility
time
aging model
aging
Prior art date
Application number
KR1020160132409A
Other languages
English (en)
Other versions
KR20180040452A (ko
Inventor
서진우
조태연
신계영
백준걸
박정술
박승환
장성원
육은혜
Original Assignee
삼성에스디에스 주식회사
고려대학교 산학협력단
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 삼성에스디에스 주식회사, 고려대학교 산학협력단 filed Critical 삼성에스디에스 주식회사
Priority to KR1020160132409A priority Critical patent/KR102408426B1/ko
Publication of KR20180040452A publication Critical patent/KR20180040452A/ko
Application granted granted Critical
Publication of KR102408426B1 publication Critical patent/KR102408426B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G05B19/4187—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow by tool management
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37252—Life of tool, service life, decay, wear estimation
    • 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
    • G05B2219/50—Machine tool, machine tool null till machine tool work handling
    • G05B2219/50185—Monitoring, detect failures, control of efficiency of machine, tool life
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명의 일 태양에 따른 설비 감시 방법은 설비 감시 장치가, 설비를 모니터링 하기 위한 센서에 의하여 측정된 시계열 형태의 센싱 데이터를 전처리 하는 단계와 상기 설비 감시 장치가, 상기 전처리된 센싱 데이터를 대상으로, 상기 설비의 가동 시간에 선형적으로 비례하는 시계열 형태의 설비 노화 지수를 산출하기 위한 설비 노화 모델을 학습하는 단계 및 상기 설비 감시 장치가, 상기 학습된 설비 노화 모델을 이용하여 상기 설비 노화 지수를 산출하고, 상기 산출된 설비 노화 지수를 이용하여 상기 설비의 이상을 감지하는 단계를 포함할 수 있다.

Description

설비 노화 지수를 이용한 이상 감지 방법 및 장치 {Method for detecting anomaly using equipment age index and apparatus thereof}
본 발명은 설비 노화 지수를 이용하여 설비의 이상을 감지하는 방법 및 그 장치에 관한 발명이다. 보다 자세하게는 설비를 모니터링 하기 위한 센서에서 측정한 데이터를 이용하여 설비 노화 지수를 산출하고, 산출된 설비 노화 지수를 이용하여 설비의 이상을 감지하고, 또한 산출된 설비 노화 지수를 이용하여 정비가 필요한 시점을 예측하는 방법 및 그 방법을 수행하는 장치에 관한 발명이다.
전기를 만들기 위한 발전 설비나 제품을 생산하기 위한 제조 설비는 수많은 부품들로 구성된 장치이다. 설비의 각 부품들은 소모품인 경우가 많기 때문에 가동 후 일정 시간이 경과하면, 자연스레 설비에 열화가 발생하면서 성능이 저하된다.
설비에 발생한 열화는 공정에 영향을 미치기 때문에 불량품 생산의 원인이 되거나, 최악의 경우 제품 생산 중단의 원인이 되기도 한다. 이를 해결하기 위해서 종래에는 일정한 주기마다 설비를 정비하여 설비가 최상의 상태를 유지할 수 있도록 관리한다.
설비의 이상을 감지하기 위해 Hotelling's T square 통계량을 활용하는 방법을 주로 이용한다. 그러나 종래의 방법은 설비가 정상 상태에서도 시간에 따른 변동을 나타낸다는 점을 간과하기 때문에, 이상을 잘못 감지하는 경우가 있다. 또한 종래의 방법은 이상을 감지하는 역할에 치우쳐 있고, 이상 감지 외에도 언제쯤 이상이 발생할지 또는 언제쯤 정비가 필요한지를 파악하지는 못한다.
이에 설비의 정상 상태에 대비하여 설비의 이상 상태를 감지하고, 설비의 이상의 원인을 파악할 수 있으면서, 동시에 설비의 고장 및 문제 발생을 방지하기 위해 적절한 예방 보전(PM; Preventive Maintenance) 시점을 사전에 파악할 수 있는 설비 관리 방법이 요구된다.
본 발명이 해결하고자 하는 기술적 과제는 설비 노화 지수라는 하나의 지표를 이용하여 설비의 이상을 감지하는 방법 및 그 방법을 수행하는 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는 설비 노화 지수를 이용하여 설비의 정비 시점, 즉 PM 시점을 예측하는 방법 및 그 방법을 수행하는 장치를 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 태양에 따른 설비 감시 방법은 설비 감시 장치가, 설비를 모니터링 하기 위한 센서에 의하여 측정된 시계열 형태의 센싱 데이터를 전처리 하는 단계와 상기 설비 감시 장치가, 상기 전처리된 센싱 데이터를 대상으로, 상기 설비의 가동 시간에 선형적으로 비례하는 시계열 형태의 설비 노화 지수를 산출하기 위한 설비 노화 모델을 학습하는 단계 및 상기 설비 감시 장치가, 상기 학습된 설비 노화 모델을 이용하여 상기 설비 노화 지수를 산출하고, 상기 산출된 설비 노화 지수를 이용하여 상기 설비의 이상을 감지하는 단계를 포함할 수 있다.
일 실시예에서, 상기 센싱 데이터를 전처리 하는 단계는, 상기 센싱 데이터가 측정된 시간 데이터를 수치형으로 변환하는 단계를 포함할 수 있다.
다른 실시예에서, 상기 시간 데이터를 수치형으로 변환하는 단계는, 특정 시점을 기준으로 상기 시간 데이터까지 경과한 시간을 이용하여, 상기 시간 데이터를 초단위로 변환하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 설비 노화 모델을 학습하는 단계는, 상기 설비 노화 모델을 생성하는 단계와 상기 설비 노화 모델을 평가하는 단계 및 상기 설비 노화 모델을 조정하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 설비 노화 모델을 생성하는 단계는, 상기 설비가 정상인 상태의 시구간을 학습 구간으로 선정하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 설비 노화 모델을 생성하는 단계는, 상기 설비의 점검 이후 다음 점검까지의 시구간을 학습 구간으로 선정하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 설비 노화 모델을 생성하는 단계는, 회귀 분석을 통해 상기 설비 노화 모델을 생성하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 회귀 분석을 통해 상기 설비 노화 모델을 생성하는 단계는, 선형 회귀(Linear Regression) 또는 MARS (Multivariate adaptive regression splines) 분석을 통해 상기 설비 노화 모델을 생성하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 설비 노화 모델을 생성하는 단계는, 상기 전처리된 센싱 데이터를 대상으로, 상기 설비의 공정에 관한 정보를 더 이용하여 상기 설비 노화 모델을 생성하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 설비 노화 모델을 평가하는 단계는, R Squared Value를 이용하여, 상기 설비 노화 모델에 의한 설비 노화 지수가 상기 가동 시간에 선형적으로 비례하는지 평가하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 설비 노화 모델을 평가하는 단계는, 실제 이상이 발생한 시점에 관한 정보를 이용하여, 상기 설비 노화 모델에 의한 설비 노화 지수가 상기 실제 이상의 발생 시점을 감지하는지 평가하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 설비 노화 모델을 조정하는 단계는, 상기 센싱 데이터의 P-Value를 이용하여, 일부 센서가 측정한 센싱 데이터만을 입력으로 상기 설비 노화 모델을 생성하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 설비 노화 모델을 조정하는 단계는, 상기 설비 노화 모델의 학습 구간의 위치나 길이를 변경하여, 상기 설비 노화 모델을 다시 생성하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 설비의 이상을 감지하는 단계는, 상기 산출된 설비 노화 지수에 불연속 구간이 발생하는 경우 이상으로 판단하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 설비의 이상을 감지하는 단계는, 상기 산출된 설비 노화 지수의 기울기가 기 설정된 허용치 이상으로 변동하는 경우 이상으로 판단하는 단계를 포함할 수 있다.
또 다른 실시예에서, 상기 산출된 설비 노화 지수가 기 설정된 값에 이르면 상기 설비의 점검(Preventive Maintenance)이 필요한 것으로 판단하는 단계를 더 포함할 수 있다.
본 발명의 실시예에 따른 효과는 다음과 같다.
설비의 센서 데이터로부터 설비의 기능적 나이(functional age)를 산출하고, 이를 이상 감지와 PM 시점을 예측하는데 활용할 수 있다. 설비 노화 지수는 신체의 각종 검사 지표로부터 실제 나이(chorological age)에 대비되는 신체 나이(biological age)를 산출하는 개념과 유사하기 때문에, 설비를 유지 보수하는 과정에서 관리자에게 직관적인 관리 환경을 제공할 수 있다.
그리고 종래의 T square 통계량을 이용한 이상 감지 방법은 이상을 감지하기 위한 모델을 생성할 때 시간의 변동에 따른 영향을 고려하지 않으나, 본 발명의 설비 노화 지수를 이용한 이상 감지 방법은 사용 시간에 따른 변동을 모델 자체에 반영한다. 그렇기 때문에 설비의 사용 시간을 추정하고, 이를 이용하여 PM 시점을 예측하는데 설비 노화 지수를 활용할 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해 될 수 있을 것이다.
도 1은 본 발명의 일 실시예에서 사용될 수 있는 설비 노화 모델에 대한 개념을 설명하기 위한 예시도이다.
도 2a 내지 도 2b는 종래의 T square 통계량을 이용한 이상 감지 방법을 설명하기 위한 예시도이다.
도 3a 내지 도 3b는 본 발명의 일 실시예에 따른 설비 노화 지수를 설명하기 위한 예시도이다.
도 4a 내지 4b 및 도 5는 본 발명의 일 실시예에 따른 설비 노화 지수를 이용한 관리도에서 이상을 감지하는 방법을 설명하기 위한 예시도이다.
도 6a 내지 도 6b는 본 발명의 일 실시예에 따른 설비 노화 지수를 이용한 관리도에서 PM 시점을 예측하는 방법을 설명하기 위한 예시도이다.
도 7은 본 발명의 일 실시예에 따른 설비 노화 지수를 이용한 이상 감지 방법의 순서도이다.
도 8a 내지 도 8d는 본 발명의 일 실시예에서 사용될 수 있는 데이터를 전처리 하는 과정과 설비 노화 모델을 이용하여 설비 노화 지수를 산출하는 과정을 설명하기 위한 예시도이다.
도 9a 내지 도 9b 및 도 10a 내지 도 10b 는 본 발명의 일 실시예에서 사용될 수 있는 설비 노화 모델을 평가하는 과정을 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 설비 노화 지수를 이용한 이상 감지 방법을 설명하기 위한 흐름도이다.
도 12는 본 발명의 일 실시예에 따른 설비 노화 지수를 이용한 이상 감지 장치의 구성도이다.
도 13은 본 발명의 일 실시예에 따른 설비 노화 지수를 이용한 이상 감지 장치의 하드웨어 구성도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
이하, 본 발명에 대하여 첨부된 도면에 따라 보다 상세히 설명한다.
도 1은 본 발명의 일 실시예에서 사용될 수 있는 설비 노화 모델에 대한 개념을 설명하기 위한 예시도이다.
도 1을 참고하면 상단에 설비(110)가 도시되어 있다. 여기서 특정 부품인 팬(fan)의 회전 속도를 측정하여 그래프로 도시하면, 도 1의 중앙 부분에 도시된 그래프와 같이 표시할 수 있을 것이다.
설비(110)에서 팬을 지속적으로 사용하는 경우, 팬의 회전 속도가 점점 떨어져서 결국에는 설비(110)를 사용할 수 없는 상황이 발생할 수 있다. 즉 설비(110)에 열화가 발생할 수 있다. 이때 팬을 교체하거나 정비하면 다시 회전 속도는 상승하여 설비(110)를 사용할 수 있게 된다.
이 경우 팬의 회전 속도를 모니터링 하여, 기준 속도인 VA 이하로 회전 속도가 떨어지면 경고(alarm)를 발생시키도록 설정할 수 있다. 즉 설비(110)에 곧 문제가 발생할 수 있으니 팬을 교체하거나 정비할 것을 사용자에게 안내할 수 있다. 설비(110)를 SO 시점에 정비하고 나면, 팬의 회전 속도는 다시 증가하게 되며, 이 경우에는 다시 팬의 회전 속도를 모니터링 하여 VA 보다 낮아지는지를 확인하게 된다.
도 1의 중앙 부분에 도시된 그래프를 설비 노화 모델을 이용하여 설명하면 도 1의 하단 부분에 도시된 그래프와 같이 표시할 수 있다. 즉 시간이 흐를수록 설비(110)가 나이를 먹는 것처럼, 시간의 흐름에 따라 증가하는 지표로 설비(110)의 상태를 표현할 수 있다. 팬의 부품을 교체하고 하면, 설비 노화 지수는 다시 낮아지게 되고 일정한 시간이 흘러서 설비 노화 지수가 증가하게 되면 다시 정비가 필요한 시점이 오게 되는 것이다.
이처럼 본 발명에서 사용하는 설비 노화 모델은 설비(110)를 모니터링 하기 위한 각종 센서들의 측정 데이터를 바탕으로 생성한, 설비(110)의 종합적인 건강 상태를 나타낼 수 있는 모델을 말한다. 마치 사람도 시간이 지나면 나이를 먹듯이 설비(110)도 시간의 흐름에 따라 상태가 변한다는 가정을 통해 설비(110)의 사용 시간(process time)을 예측하는 모델이다.
물론, 사람의 나이도 사람에 따라 실제 나이(chorological age)와 신체 나이(biological age)에 차이가 있을 수 있다. 열심히 운동을 하고 건강을 관리한 사람이라면 그렇지 않은 사람에 비해 실제 나이보다 신체 나이가 어리게 나올 것이다. 그러므로 설비 노화 지수는 단순히 설비(110)를 가동한 물리적인 시간이 아닌 설비(110)의 센싱 데이터를 이용하여 종합적으로 산출한 지표이어야 한다.
이를 수식을 이용하여 개념적으로 표현하면 다음과 같이 표현할 수 있다.
Figure 112016099039034-pat00001
즉 본 발명에서 사용하는 설비 노화 모델은 설비(110)를 모니터링 하기 위한 센서의 측정값을 입력(X)으로 하여, 설비(110)의 신체 나이에 대응되는 가동 시간을 결과(Y)로 얻는 모델이다.
도 1의 예에서는 센서의 측정값으로 팬의 회전 속도 하나만을 예로 들었으나, 대부분의 경우에는 센서의 측정값은 복수 개가 될 것이다. 즉 독립 변수인 X는 다중(multiple)인 경우가 일반적이다. 이러한 복수의 센서의 측정값을 이용하여 하나의 설비 노화 지수를 산출한다. 즉 단변량(univariate) 모델링을 수행하여 설비(110)의 노화 지수를 산출한다.
하나의 설비 노화 지수를 산출하는 것은 설비(110)의 관리를 용이하게 하기 위한 것이다. 즉, 하나의 설비 노화 지수를 통해 관리자에게 직관적으로 설비의 이상을 안내하고 점검 시점을 안내할 수 있다. 하지만 만약 측정 센서의 종류가 많은 경우라면 단변량 모델링으로는 설비(110)의 상태를 설명하기 어려울 수 있으므로 이 때에는 다변량(multivariate) 모델링을 수행할 수 있다.
도 2a 내지 도 2b는 종래의 T square 통계량을 이용한 이상 감지 방법을 설명하기 위한 예시도이다.
도 2a를 참고하면 센서 a(111)부터 센서 z(119)까지 복수 개의 센서로부터 측정값을 수신하고, T square 통계량을 이용하여 관리도(120)를 생성한 것을 볼 수 있다. 즉 종래의 T square 통계량을 이용하면, 시간에 따라 변동하는 각 센서의 측정값을 이용하여 하나의 관리도(120)를 생성하고, 생성한 관리도(120)를 이용하여 설비(110)를 모니터링 할 수 있다.
도 2b를 참고하면, 도 2a의 하단에 도시된 T square 통계량을 이용한 관리도(120)를 보다 자세하게 도시한 것을 볼 수 있다. 종래의 T square 통계량을 이용한 이상 감지 방법은 관리 상한선(UCL; Upper Control Limit; 123)과 관리 하한선(LCL; Lower Control Limit; 121)을 이용하여 이상을 감지한다.
즉 관리도(120)에서 관리 상한선(123)을 초과하거나 관리 하한선(121)을 미달하는 경우에 이상으로 판단하는 방법을 이용한다. 도 2b의 예에서는 단위 시간으로 68 시간과 74 시간 사이에서 관리 상한선(123)을 초과한 경우에 대해 이상(129)으로 판단하고 사용자에게 알람을 제공하는 것을 볼 수 있다.
도 2b에서 볼 수 있는 것처럼, 종래의 T square 통계량을 이용한 관리도(120)에서는 관리 상한선(123)과 관리 하한선(121)을 이용해서 하나의 관리도(120)로 이상을 감지할 수 있는 장점이 있다. 즉, T square 통계량을 이용하면 관리도(120)의 개수를 효율적으로 줄일 수 있는 장점이 있다.
그러나 T square 통계량을 이용하여 이상을 감시하기 위해서는 다변량 정규 분포라는 가정이 필요하다. 또한 관리도(120)를 구축할 때, 시간의 영향으로 평균이 드리프트(drift) 되는 현상이 발생할 수 있어 사용이 어렵다. 그리고 학습(learning)을 위한 파라미터(parameter)와 변수의 선택이 필요하다. 즉 데이터 마이닝(data mining) 및 최적화 절차를 거쳐야 하기 때문에 시간이 소요되는 단점이 있다.
또한 도 2b에서 볼 수 있듯이, 종래의 T square 통계량을 이용한 관리도(120)는 관리 상한선(123)과 관리 하한선(121)을 이용한 이상 감지에만 초점이 맞춰져 있기 때문에, 관리 상한선(123)과 관리 하한선(121)을 벗어나지 않는 시구간의 데이터는 어떤 의미를 가지는지 파악하기 어려운 단점이 있다. 즉 관리도(120)가 직관적이지 못하다. 그렇기 때문에 언제 설비(110)를 점검해야 하는지 파악하기도 어렵다.
그렇기 때문에 본 발명에서는 설비(110)의 센서들(111, 112, ..., 119)에서 측정한 측정값을 이용하여 설비(110)의 종합적인 상태를 모니터링 할 수 있는 방법을 제안한다. 이는 앞서 도 1에서 설명한 설비 노화 모델을 이용한 방법이다. 설비 노화 모델을 적용하는 경우, 도 2a 내지 도 2b에서 설명한 종래의 T square 통계량을 이용한 방법과 어떠한 차이가 있는지 도 3a 내지 도 3b에서 살펴보도록 한다.
도 3a 내지 도 3b는 본 발명의 일 실시예에 따른 설비 노화 지수를 설명하기 위한 예시도이다.
도 3a를 참고하면 도 2a와 유사하게 설비(110)를 모니터링 하기 위한 복수의 센서로부터 데이터를 취합하는 것을 볼 수 있다. 센서 a(111)부터 센서 z(119)까지 복수 개의 센서로부터 측정값을 수신하고, 측정값에 설비 노화 모델을 적용하여 하나의 지표로 산출한다. 즉 설비 노화 지수를 산출한다.
설비 노화 지수는 관리도(130)에서 살펴 볼 수 있듯이 시간이 지나면 일정한 기울기로 비례해서 상승하는 지표이다. 이를 이용하여 설비(110)의 이상 상태를 한눈에 파악할 수 있으며 설비(110)의 PM 시점을 예측할 수도 있다.
도 3b를 참고하면, 설비 노화 지수를 관리도(130)로 나타낸 것을 볼 수 있다. 도 3b에서 볼 수 있듯이, 본 발명에서 제안하는 설비 노화 지수는 가동 시간이 증가하면 그에 비례해서 증가하는 지표이다. 즉 설비(110)의 건강 상태를 나이를 먹는 것처럼 시간에 비례하도록 나타낸 지표이다.
도 2b에서 살펴본 T square 통계량을 이용한 관리도(120)의 경우 관리 상한선(123)과 관리 하한선(121)을 벗어나는 경우만 의미가 있으나, 도 3b에서 살펴본 설비 노화 지수를 이용한 관리도(130)는 설비(110)의 가동 시간을 의미하는 설비 노화 지수를 이용하여 설비(110)를 관리하기 때문에 이상이 아닌 구간도 의미가 있다.
즉, 설비 노화 지수를 이용한 관리도(130)에서는 시간의 흐름을 반영하여 설비(110)의 노화(aging)를 한눈에 확인할 수 있는 장점이 있다. 설비 노화 지수를 통해 사람이 나이를 먹어가며 쇠약해지듯, 설비(110)를 가동할수록 설비(110)의 성능이 감소하는 것을 확인할 수 있다.
도 4a 내지 4b 및 도 5는 본 발명의 일 실시예에 따른 설비 노화 지수를 이용한 관리도에서 이상을 감지하는 방법을 설명하기 위한 예시도이다.
종래의 T square 통계량을 이용한 관리도(120)에서는 관리 상한선(123)을 초과하거나 관리 하한선(121)를 미달하는 경우에 이상인 것으로 판단했다. 이에 비해 본 발명에서 제안하는 설비 노화 지수를 이용한 관리도(130)에서는 다음과 같은 방법으로 2가지 패턴의 이상을 감지할 수 있다.
첫 번째 패턴은 도 4a에서 볼 수 있듯이, 일정한 기울기로 증가해야 하는 설비 노화 지수의 관리선(131)에서 설비 노화 지수의 값이 크게 변화하는 시점을 이상(139)으로 판단하는 것이다. 즉 불연속 구간을 이상으로 판단한다. 도 4a에서는 42104 단위 시간과 42105 단위 시간 사이에 설비 노화 지수가 관리선(131)에서 크게 벗어나는 것을 확인할 수 있다.
첫 번째의 관리선(131)을 벗어나는 이상 패턴은 잔차도(residual chart)를 이용하는 경우 더 확인이 간편하다. 도 4b는 설비 노화 지수에서 관리선(131)의 값을 뺀 차이를 그래프로 도시한 것이다. 도 4b를 참고하면 대부분의 시구간에서 차이의 값이 20 아래의 값을 가지나, 15000 단위 시간과 20000 단위 시간 사이에서 차이의 값이 100을 초과하는 경우를 볼 수 있다. 이 시점을 이상(139)으로 판단하고, 사용자에게 알람을 제공할 수 있다.
종래의 T square 통계량을 이용한 관리도(120)에서는 관리 상한선(123)과 관리 하한선(121)을 이용해서 이상을 감지하지만, 본 발명의 설비 노화 지수를 이용한 관리도(130)에서는 하나의 관리선(131)을 통해서 이상을 감지하므로, 이상을 감지하기가 더욱 용이하다. 특히 관리선(131)은 시간의 증가에 따라 설비(110)가 나이를 먹어 설비(110)의 성능이 감소하는 것을 시각적으로 표현하기 때문에 직관적이라는 장점이 있다.
두 번째 패턴은 도 5에서 보는 것과 같이 설비 노화 지수가 일정하게 증가하다가 특정 구간에서 갑자기 변동하여 다시 일정하게 증가하는 패턴이다. 일반적으로 설비 노화 지수는 시간에 따라 점차 증가하는 패턴을 가지며, 설비 노화 지수가 갑자기 낮아지거나 갑자기 높아질 수 있는 경우는 설비(110)를 정비하는 경우뿐이다.
그러므로, 그 외에 도 5에서 도시된 것과 같은 패턴이 갑자기 발생하면 해당 시구간을 이상(138)으로 판단하고 사용자에게 알람을 제공할 수 있다. 즉, 본 발명에서 제안하는 설비 노화 지수는 시간에 비례하는 지표이므로 도 5에 도시된 것과 같이 설비 노화 지수의 기울기가 급변하면 이를 이상으로 판단할 수 있다. 이러한 경우는 설비(110)에 정상 상태와는 다른 이상이 발생했음을 암시한다.
도 6a 내지 도 6b는 본 발명의 일 실시예에 따른 설비 노화 지수를 이용한 관리도에서 PM 시점을 예측하는 방법을 설명하기 위한 예시도이다.
본 발명에서 제안하는 설비 노화 지수를 이용하면 설비(110)의 PM 시점을 예측할 수 있는 장점이 있다. 도 6a에서 볼 수 있듯이, 본 발명에서 제안하는 설비 노화 지수는 설비(110)의 가동 시간에 비례하는 특징이 있기 때문에, 설비 노화 지수가 특정값(A)를 초과하면 고장률 내지 불량률이 급증하는 경향을 가진다.
마치 역치(threshold value)와 비슷하게 설비 노화 지수에서 특정값을 기준으로 고장률 내지 불량률이 계단형으로 변하는 것이 일반적이므로 설비 노화 지수가 A 값에 도달하게 되면 정비가 필요한 것으로 판단할 수 있다. 즉 설비 노화 지수를 이용하여 PM 시점을 판단할 수 있다.
도 6b를 참고하면 설비 노화 지수를 이용하여 PM 시점을 예측하는 과정을 볼 수 있다. 도 6b를 살펴보면, 시간이 증가할수록 설비 노화 지수가 일정하게 증가하다가 A 값에 도달하면 설비(110)를 점검한다. 그러면 설비 노화 지수는 다시 낮은 값을 갖게 되고, 다시 시간이 증가할수록 설비 노화 지수가 증가하게 된다.
설비 노화 지수가 A 값에 도달할 때마다 설비(110)를 점검하여 부품을 수리하고 교체하면 설비 노화 지수는 다시 낮아지게 되므로, 설비 노화 지수와 A값의 차이를 이용하면 적절한 PM 시점을 예측할 수 있다. 이와 같은 특징은 본 발명에서 제안하는 설비 노화 지수가 시간에 따라 비례해서 증가하는 지표이기 때문에 갖는 장점이다. 이처럼 설비(110)의 실제 상태를 토대로 적절한 PM 시점을 판단할 수 있다는 점에서 다수의 설비(110)를 관리해야 하는 사용자의 편의성을 높일 수 있다.
참고로 도 6b에서 설비(110)의 점검이 필요한 A값은 도 2b의 관리 상한선(123)과는 차이가 있는 지표임을 유의할 필요가 있다. 도 2b의 T square 통계량을 이용한 관리도(120)에서의 관리 상한선(123)은 이상 여부를 판단하기 위한 값이나, 도 6b에서의 A 값은 설비(110)의 상태는 정상 상태이며, 제품의 불량률도 낮은 편이나, 곧 설비(110)에 이상이 발생할 수 있는 값 임을 유의할 필요가 있다.
PM 시점을 적절하게 예측하여 설비(110)를 주기적으로 관리한다면 도 6b에서 볼 수 있는 것처럼 설비 노화 지수를 이용한 관리도(130)는 일정한 주기로 반복되는 톱날 형태의 모양을 갖게 된다. 즉, 시간에 따라 설비 노화 지수가 증가하다가 주기적으로 설비(110)를 점검할 때마다 다시 낮아지는 패턴을 가지게 된다.
지금까지 종래의 T square 통계량을 이용한 설비(110)의 관리 방법과 본 발명에서 제안하는 설비 노화 지수를 이용한 설비(110)의 관리 방법을 살펴 보았다. 종래의 방법에 비해서 설비 노화 지수를 이용하는 경우, 관리도가 직관적이라는 점, 이상 패턴의 감지가 용이한 점, PM 시점의 예측이 가능한 장점이 있다. 다음으로는 설비 노화 지수를 산출하는 방법에 대해서 보다 구체적으로 살펴보기로 한다.
도 7은 본 발명의 일 실시예에 따른 설비 노화 지수를 이용한 이상 감지 방법의 순서도이다.
우선 설비 노화 지수를 산출하기 위한 학습 구간을 선정한다(S1000). 여기서 학습 구간은 PM 시점 이후 다음 PM 시점까지가 된다. 또한, 해당 구간 동안 설비가 이상 없이 정상으로 가동하였어야 한다. 도 6b를 참고하면 0부터 첫 번째 PM 시점, 또는 첫 번째 PM 시점부터 두 번째 PM 시점, 또는 두 번째 PM 시점부터 현시점까지가 학습 구간이 될 수 있다.
다음으로는 학습 구간의 데이터를 전처리를 수행한다(S2000). 전처리의 대상이 되는 데이터는 시간 데이터와 각 센서에서 측정한 센싱 데이터가 있다. 시간 데이터와 센싱 데이터를 전처리 하여야 설비 노화 모델을 생성할 수 있다.
시간 데이터의 경우, 2016년 08월 01일 00시 02분 10초와 같은 DateTime 형태의 데이터보다는 특정 시점, 예를 들면 유닉스 시간(Unix Time)인 1970년 01월 01일 00시 00분 00시 (UTC)로부터 경과 시간을 초로 변환한 수를 사용할 수 있다. 이렇게 초단위로 변환를 해야 추후 설비 노화 지수와 비교하여 R-squared 값을 연산하기가 간편하다.
다음으로 센싱 데이터는 S1000 단계에서 선정한 학습 구간 동안의 시계열 데이터를 수집하여 이상치(outlier)를 제거할 수 있다. 설비가 정상이라면 학습 구간 동안 수집한 센싱 데이터는 일정한 분포를 가지게 된다. 예를 들면 학습 구간 동안 수집한 센싱 데이터가 정규 분포를 가진다고 할 때, 2σ를 벗어나는 구간, 즉 0~5%, 95~100%에 해당하는 구간은 이상치(outlier)로 제거할 수 있다. 이렇게 이상치를 제거하면 5%~95%의 사이에 분포하는 센싱 데이터를 이용하여 설비 노화 모델을 생성할 수 있다.
또한, 시계열 데이터에 일부 누락이 발생한 경우에는 선형 보간법(interpolation)을 통해서 누락된 데이터를 생성할 수 있다. 예를 들어 두 지점 x1과 x2에서의 데이터 값이 각각 f(x1), f(x2)일 때, x1과 x2 사이의 임의의 지점 x(x1 < x < x2)에서의 데이터 값 f(x)는 다음의 수식을 통해 생성할 수 있다. 여기서 d1은 x에서 x1까지의 거리, d2는 x에서 x2까지의 거리를 의미한다.
Figure 112016099039034-pat00002
시간 데이터와 센싱 데이터를 전처리 한 후에는 설비 노화 모델을 생성한다(S3000). 설비 노화 모델을 생성하는 과정에서는 기계 학습이 적용될 수 있다. 센싱 데이터를 이용하여 하나의 설비 노화 지수를 연산하는 설비 노화 모델을 생성하고, 실제 측정된 값을 이용하여 설비 노화 모델을 평가하는 과정을 통해 설비 노화 모델을 지속적으로 조정해 나갈 수 있다.
설비 노화 모델을 생성하는 과정에서 R 혹은 기타 통계 패키지에서 제공하는 함수를 이용할 수 있다. R은 통계 계산을 위한 프로그래밍 언어로 자료 분석에 널리 사용되고 있다. 이하 센싱 데이터를 분석하는 과정을 R을 전제로 계속하기로 한다.
예를 들면, 설비 노화 모델을 생성하는 과정에서 선형 회귀(linear regression)를 적용하기 위하여 R 에서 LM 함수를 사용하면 formula : model <-lm(y_variable ~ dataset)와 같이 사용할 수 있다. 또는 설비 노화 모델을 생성하는 과정에서 MARS (Multivariate adaptive regression splines)를 적용하기 위하여 R 에서 MARS 함수를 사용하면 formula : model <-earth(y_variable ~ dataset)와 같이 사용할 수 있다. R을 이용한 데이터 분석은 공지된 기술로서 자세한 설명은 생략하기로 한다.
센싱 데이터를 입력으로 설비 노화 모델을 적용하면 설비 노화 지수를 산출할 수 있다. 산출된 설비 노화 지수는 시간에 따라 증가하는 패턴을 가져야 하므로 앞서 전처리를 통해 변환한 초단위의 시간 데이터와 비교하여 설비 노화 모델을 평가할 수 있다. 이 때, 산출된 설비 노화 지수와 시간 데이터의 비교값, 즉 R-squared 값이 충분히 큰 경우에는 시간의 흐름에 따른 영향이 잘 반영된 것으로 볼 수 있다.
R-squared 값이란, 추세의 강도를 나타내며, 설비 노화 모델을 검증할 때 R-squared 값을 활용할 수 있다. 다시 말해, R-squared 값은 하나 이상의 예측 변수와의 관계로 설명되는 반응 변수 변동의 백분율을 의미한다. R-squared 값은 0부터 1, 또는 0%부터 100% 사이의 값을 갖는다. 1 또는 100%에 가까울수록 설비 노화 모델이 정확하다고 볼 수 있다.
통상 0.9 또는 90%보다큰 값을 가지면, 설비 노화 모델이 시간의 흐름을 잘 반영한다고 보고 적합한 것으로 볼 수 있다. 이 경우 앞서 R 함수에서 살펴본 LM 함수와 MARS 함수의 R-squared 값이 유사한 경우에는 LM 함수를 선택하는 것이 바람직하다. R 함수에서 LM 함수가 MARS 함수보다 계산 시간이 짧고 모델이 간단하기 때문이다.
R-squared 값을 이용하여 산출된 설비 노화 지수와 초단위로 변환된 시간 데이터를 비교하여 설비 노화 모델을 평가하는 방법 외에도, 이벤트 데이터를 기준으로 설비 노화 모델을 평가할 수도 있다. 이벤트 데이터란 예를 들면 설비(110)에 발생한 실제 이상 데이터를 말한다.
물론 앞서 학습 구간을 선정하는 S1000 단계에서 제1 PM 시점과 다음의 제2 PM 시점 사이의 정상 데이터를 기준으로 학습을 수행한다고 언급하였다. 이는 설비 노화 모델을 생성하는 단계에서 활용하기 위한 데이터의 조건이며, 설비 노화 모델을 평가하는 단계에서는 정상 상태가 아닌 구간이 있다면 설비 노화 모델을 평가하는데 추가로 더 활용할 수 있다.
예를 들면 설비 노화 지수를 통해 도 4a 내지 도 4b나 도 5에서 예로 든 이상 패턴이 발견되는 경우, 실제 설비(11)에서도 이상이 발생하였는지 여부를 비교하면 설비 노화 모델의 정확도를 평가할 수 있을 것이다. 실제 이상 데이터를 기준으로 설비 노화 모델을 평가하는 것에 관해서는 도 9a 내지 도 9b 및 도 10a 내지 도 10b에서 보다 자세히 살펴보기로 한다.
설비 노화 모델을 생성하고, R-squared 값을 이용하여 평가하거나, 실제 이상 데이터를 기준으로 평가한 후에는 평가 결과를 바탕으로 설비 노화 모델을 조정하는 단계를 가질 수 있다. 즉, 변수 선택과 학습 기간 조정을 통해 설비 노화 모델을 개선하여 최적화된 모델을 탐색할 수 있다. 이는 단순히 R-squared 값이 높은 설비 노화 모델의 변수 조합을 찾는 것이 아니라 설비(110)의 상태를 가장 잘 설명할 수 있는 최적의 인자를 찾는 것이 목적이다.
변수를 선택하는 과정은 모델 생성 단계에서 최종 결과(output)을 바탕으로 변수들의 P-Value (t 분포 확률에 대응되는 값)을 바탕으로 0.05 이하인 변수들만 선택한 후 모델 생성 과정을 반복하는 하는 것을 말한다. 즉 센싱 데이터를 모두 사용하는 것이 아니라, 시간의 흐름과 상관 관계가 있는 변수들만 취사 선택을 하는 것이다.
시간의 흐름에 영향이 없는 센싱 데이터는 설비 노화 모델을 생성하는 과정에 포함되어봐야 노이즈(noise)로 작용할 뿐이다. 그러므로 설비 노화 모델의 생성과정에서 학습을 통해 입력(input)으로 사용할 변수들을 적절히 선택할 수 있다.
예를 들면, 총 20개의 종류의 센싱 데이터를 활용하여 설비 노화 모델을 생성한 경우 산출된 설비 노화 지수와 시간 데이터의 R-squared 값이 0.45를 기록하여 시간의 흐름을 잘 반영하지 못하였으나, 20개의 종류의 센싱 데이터 중에서 총 10개의 센싱 데이터를 활용하여 설비 노화 모델을 생성한 경우 산출된 설비 노화 지수와 시간 데이터의 R-squared 값이 0.87을 기록하였다. 입력 변수의 선택을 통해서 설비 노화 모델의 정확도를 높일 수 있다.
학습 기간을 조정하는 과정은 설비 노화 모델 평가 단계에서 유의한 이벤트 데이터가 존재하는 경우, 이벤트 시점을 바탕으로 학습 구간을 재설정하는 것을 말한다. 앞서 설명한 것처럼 학습 구간을 설정하는 과정은 PM 시점 이후 다음의 PM 시점 사이의 시구간이 될 것이다.
그러므로 이상적인 경우는 여러 번의 PM 시점이 존재하여서 다수의 시구간으로 학습 데이터를 확보할 수 있는 경우이다. 그러나, 현실적으로 그렇지 못한 경우가 많을 것이다. 이러한 경우, 이벤트가 발생한 시점을 기준으로 학습 구간을 재조정하여 설비 노화 모델을 조정할 수 있다.
대부분 설비 노화 모델을 조정하는 방법은 변수 선택 기법이 주로 이용되나, 다수의 시구간 데이터가 확보된 경우에는 학습 기간 선택 방법도 적용이 가능하다.
이렇게 설비 노화 모델을 생성하고 평가하고 조정하는 단계를 거처서 설비 노화 지수를 산출하기 위한 설비 노화 모델을 결정한 후에는, 결정된 설비 노화 모델을 이용하여 설비 노화 지수를 산출한다(S4000). 산출된 설비 노화 지수는 앞서 설명한 것처럼 설비(110)의 이상을 감지하거나, PM 시점을 예측하는데 활용할 수 있다.
도 8a 내지 도 8d는 본 발명의 일 실시예에서 사용될 수 있는 데이터를 전처리 하는 과정과 설비 노화 모델을 이용하여 설비 노화 지수를 산출하는 과정을 설명하기 위한 예시도이다.
도 8a를 참고하면 시간 데이터를 전처리 하는 과정을 볼 수 있다. 앞서 시간 데이터를 전처리 할 때, 유닉스 시간을 이용하여 초 단위 변환할 수 있음을 언급하였다. 이를 실제로 적용해보면 2014년 12월 02일 오전 11시 38분 29초는 유닉스 시간으로 1417487909 초의 값을 가진다. 마찬가지로 9초 후인 11시 38분 38초는 유닉스 시간으로 1417487918 초의 값을 가지며, 10초 후인 11시 38분 39초는 유닉스 시간으로 1417487919 초의 값을 가진다.
이렇게 연월일시분초로 표현된 DateTime 형식의 시간 데이터보다, 초단위로 표현된 형식의 시간 데이터가 추후 설비 노화 지수와 시간 데이터의 비례 관계를 확인하기 더 용이하다. 물론 유닉스 시간 외에도 다양한 방법으로 시간 데이터를 수치화 할 수 있으나, 기본적으로 시간이 흐를수록 시간 데이터의 수치가 증가하는 형태로 전처리를 수행해야 한다.
다음으로 도 8b를 참고하면, 설비 노화 모델의 입력이 되는 센싱 데이터를 확인할 수 있다. 예를 들어 설비(110)에서 시계열 형태로 두개의 온도 데이터인 ch0_Temp와 ch1_Temp가 측정되고, 또한 두 개의 수치형 데이터 S4와 S5가 측정된다고 가정해보자.
이 경우 처음에는 4개의 센싱 데이터를 이용하여 설비 노화 모델을 생성하고 설비 노화 지수를 산출하여 시간 데이터와 비교하여 시간의 흐름에 따라 비례해서 증가하는지 확인할 수 있다. 만약 R-squared 값이 기준치, 예를 들면 0.9보다 작은 경우에는 설비 노화 모델의 조정이 필요하다고 평가할 수 있다.
그러한 경우 처음 사용했던 4개의 센싱 데이터 중에서 일부는 사용하지 않는 방식으로, 즉 변수 선택 기법을 통해 설비 노화 모델을 조정할 수 있다. 예를 들면 변수 선택 기법을 통해 ch0_Temp, ch1_Temp, S4 이렇게 3개의 센싱 데이터만을 이용하여 설비 노화 모델을 다시 생성할 수 있다.
그러므로 설비 노화 지수를 산출하기 위해서는 설비 노화 모델을 조정하는 학습 과정이 필요하다. 설비 노화 모델을 조정하는 학습 과정은 기계 학습을 통해 자동으로 수행될 수 있다.
도 8c를 참고하면, 설비 노화 모델을 이용하여 설비 노화 지수를 산출하는 과정을 볼 수 있다. 설비 노화 모델을 센싱 데이터를 입력으로 하여, 시간의 증가에 따라 선형적으로 비례하여 증가하는 설비 노화 지수를 산출하기 위한 수식을 일컫는다.
도 8c에서는 수식의 예로, 아마도 PM 이 이루어졌던 기준 시간 141740000의 값에 각 센싱 데이터 xi를 더하는 설비 노화 모델이 예시되어 있다. 물론 이는 발명의 이해를 돕기 위해 설비 노화 모델의 일 예를 든 것뿐이며, 실제 설비 노화 모델의 최종적인 형태는 도 8d에서 확인할 수 있다.
다시 도 8c로 돌아와서, 모든 센싱 데이터의 값을 그대로 더하는 설비 노화 모델에, 앞서 도 8b에서 예로 든 1417487909 시간의 ch0_Temp는 23.6, ch1_Temp는 20.4, S4는 940, S5는 0의 값을 대입하면 설비 노화 지수의 값으로 141740984의 값을 얻을 수 있다.
여기서, 기준 시간 141740000에서 도 8c의 설비 노화 지수를 산출한 시간 1417487909까지 흐른 시간의 증가분과, 기준 시간 141740000에서의 설비 노화 지수의 값과 1417487909시간에서의 설비 노화 지수 141740984의 값의 차이인 설비 노화 지수의 증가분을 비교하면, 시간의 증가에 선형적으로 비례하여 설비 노화 지수가 증가하였는지 확인할 수 있다.
만약 시간의 증가에 비례하여 설비 노화 지수가 증가하지 못했다면, 다시 말해 R squared 값이 기준치 이상을 넘지 못했다면 다시 설비 노화 모델을 조정하는 과정을 수행해야한다. 이렇게 설비 노화 모델을 조정하는 과정을 수행하면 설비 노화 모델은 최종적으로 도 8d의 형태를 가지게 된다.
도 8d에서 β0는 초기값(initial value)을 의미한다. 예를 들면 학습 구간의 시작 시점의 유닉스 시간이 될 수 있다. 물론 시간 데이터의 전처리에 따라 얼마든지 β0의 값이 달라질 수 있다. 다음으로 βi는 각 센싱 데이터의 가중치이며, xi는 각 센싱 데이터의 값을 의미한다. 만약 변수 선택 방법을 통해 설비 노화 모델을 생성하는 수식에 일부 센싱 데이터를 제외하였다면, 해당 센싱 데이터의 βi의 값은 0이 될 것이다.
뿐만 아니라, βi의 값은 0 이상의 다양한 값을 가질 수 있다. 이 때에는 βi의 값이 센싱 데이터의 가중치에 해당하는 역할을 한다. 예를 들면, 시간에 영향을 더 받는 센싱 데이터의 경우에는 가중치를 크게 하고, 시간에 영향을 덜 받는 센싱 데이터의 경우에는 가중치를 낮게 할 수 있다.
다음으로 도 8d에 도시된 γi와 process, recipe, diptime은 설비(110)의 공정에 따른 변수이다. 즉 하나의 설비(110)가 다양한 공정을 거치는 경우 그로 인한 차이를 반영하기 위한 수식이다. 여기서 공정의 차이에 의해 설비 노화 지수에 미치는 영향을 교호 작용이라고 한다.
설비(110)가 작동하는 내내 동일한 공정만 진행한다면 교호 작용은 무시해도 무방하다. 그러나 만약 설비(110)가 시간에 따라 다양한 공정을 진행하는 경우에는 각각의 공정에 따른 설비 노화 지수가 다를 수 밖에 없다. 예를 들면 제1 공정에서는 설비(110)의 열화가 더 급격하게 진행되고, 제2 공정에서는 설비(110)의 열화가 천천히 진행되는 개념이라고 이해하면 충분하다. 즉, 교호 작용은 선택적으로 적용될 수 있다.
γi은 교호 작용에서의 가중치이며, process는 공정에 따라 달라지는 변수의 값이다. recipe는 공정 내에서 세분화된 단계를 말한다. 흔히 반도체 제조 공정의 recipe를 생각하면 충분하다. diptime 역시 반도체 제조 공정의 diptime을 의미한다.
도 8d의 예에서는 공정의 각 단계를 의미하는 변수로 반도체 제조 공정에서 사용될 수 있는 세 개의 변수 process, recipe, diptime를 예로 들었지만, 이는 설비(110)의 종류, 해당 설비(110)에서 수행하는 공정에 따라 변수의 가감이 가능하다.
도 8d의 마지막 변수 ε는 에러로 인한 오차를 의미하는 상수이다. 에러로 인한 오차는 무시가 가능하나 완성된 수식의 형태를 제공하기 위하여 표시하였다. 대부분의 경우 수식상, 에러로 인한 오차는 초기값 β0에 포함될 수 있다.
설비 노화 모델을 조정하는 과정을 통해 도 8d에 표현된 각 계수의 값을 적절하게 조절할 수 있다. 이를 통해 각 센싱 데이터를 이용하여 산출한 설비 노화 지수가 시간의 흐름을 잘 반영할 수 있도록 조절할 수 있다.
도 9a 내지 도 9b 및 도 10a 내지 도 10b는 본 발명의 일 실시예에서 사용될 수 있는 설비 노화 모델을 평가하는 과정을 설명하기 위한 도면이다.
앞서 도 7에 대한 설명을 수행하면서, 설비 노화 모델을 평가할 수 있는 두 가지 방법을 언급하였다. 그 중 하나는 산출된 설비 노화 지수와 초단위로 변환된 시간 데이터 사이의 관계를 R-squared 값을 이용하여 평가하는 것이다. 그리고 나머지 하나는 실제 발생한 이벤트 데이터를 기준으로 평가하는 것이다.
여기서 실제 발생한 이벤트 데이터란 설비(110)의 이상 상태와 같은 정보이다. 즉 산출된 설비 노화 지수에서 이상 패턴이 감지된 시점에 실제로 설비(110)에서 이상이 발생하였는지 여부를 기준으로 설비 노화 모델의 정확도를 평가할 수 있다.
도 9a를 참고하면 행렬의 행은 실제 이상인지 아닌지 여부를 의미한다. 행에서 N은 실제로 이상이 아닌 경우(actual n)를 의미하고, 행에서 P는 실제로 이상인 경우(actual p)를 의미한다. 열에서 n'는 이상이 아닌 것으로 예측한 경우(predicted n)을 의미하고, 열에서 p'는 이상으로 예측한 경우(predicted p)를 의미한다.
각각의 행과 열로 만들어지는 지표를 살펴보면, TN은 True Negative의 약자로 이상이 아닌 경우로 예측하고, 실제로도 이상이 아닌 경우를 의미한다. FP는 False Positive의 약자로 이상인 경우로 예측하였으나, 실제로는 이상이 아닌 경우를 의미한다.
FN은 False Negative의 약자로 이상이 아닌 경우로 예측하였으나, 실제로는 이상인 경우를 의미한다. TP는 True Positive의 약자로 이상인 경우로 예측하고, 실제로도 이상인 경우를 의미한다. 이 네 가지의 지표를 이용하면 설비 노화 모델의 정확도를 확인할 수 있다.
도 9b를 참고하면 정확도(accuracy)는 전체 경우의 수 TP + TN + FP + FN을 분모로 하고, 이상인 경우로 예측하고 실제로도 이상인 경우인 TP나 이상이 아닌 경우로 예측하고 실제로도 이상이 아닌 경우인 TN의 값을 분자로 하여 구할 수 있다. 쉽게 설명하면 예측한 상태와 실제의 상태가 일치할수록 정확도는 높아지게 된다. 정확도를 다른 말로 예측도(predictive value)라고도 하며, 양성 예측도와 음성 예측도의 지표를 활용하기도 한다.
다음으로 민감도(sensitivity)란 실제로 이상인 경우의 수 FN + TP를 분모로 하고, 그 중에서 예측을 이상인 경우로 예측한 TP의 값을 분자로 하여 구할 수 있다. 쉽게 설명하면 이상인 경우, 예측한 상태와 실제의 상태가 일치할수록 민감도는 높아지게 된다.
다음으로 특이도(specificity)는 실제로 이상이 아닌 경우의 수 TN + FP를 분모로 하고, 그 중에서 예측을 이상이 아닌 경우로 예측한 TN의 값을 분자로 하여 구할 수 있다. 쉽게 설명하면 이상이 아닌 경우, 예측한 상태와 실제의 상태가 일치할수록 특이도는 높아지게 된다.
정확도가 전체적인 지표라면 민감도는 양성에 초점을, 특이도는 음성에 초점을 맞춘 지표이다. 설비(110)의 특성에 따라 정확도를 이용하거나, 민감도를 이용하거나, 특이도를 이용하거나 또는 둘 이상을 이용하여 설비 노화 모델의 정확도를 평가할 수 있다.
대부분의 경우 설비(110)에 이상이 발생하면 공정에 많은 영향을 미치게 되므로 이상을 감지하는게 중요하다. 실제로는 정상인데 이상인 경우로 예측하는 것은 크게 문제되지 않으나, 실제로는 이상인데 정상으로 예측하여 이상을 사전에 감지하지 못하는 경우가 문제된다. 그러므로 일반적으로 FN의 값이 작을수록 좋은 지표를 사용하게 된다. 즉 대부분의 설비(110)의 경우에는 민감도를 기준으로 설비 노화 모델을 평가하면 충분하다.
도 10a를 참고하면 산출된 설비 노화 지수를 바탕으로 이상으로 판단한 시점과 실제 이상이 발생한 시점을 비교하여 민감도를 연산한 것을 볼 수 있다. 산출된 설비 노화 지수를 바탕으로 이상으로 판단한 시점은 관리도의 상단에 아래 방향으로 화살표를 표시한 시점들이며, 실제 이상이 발생한 시점은 관리도의 하단에 위 방향으로 화살표를 표시한 시점이다.
시간 1417500000 이전에 1번, 1417600000과 1417650000 사이에 2번, 1417700000 이후에 1번 해서 다섯번의 실제 이상이 발상한 시점을 그대로 예측하였으므로 민감도는 1의 값을 가진다. 즉 설비 노화 모델의 정확도가 우수한 것으로 평가할 수 있다.
그에 비해 도 10b를 참고하면, 실제로는 이상임에도 이상이 아닌 것으로 예측한 시점이 1417550000 시점과 1417600000 시점 사이에 1번, 1417650000과 1417700000 사이에 1번 존재한다. 이 경우 민감도는 3 / (3 + 2)가 되어 0.6의 값을 가진다. 2번의 이상을 감지하지 못하였으므로 설비 노화 모델의 정확도가 떨어지는 것을 볼 수 있다.
이처럼 실제 이상이 발생했는지 여부의 이벤트 데이터가 존재하는 경우에는 이벤트 데이터를 기준으로 설비 노화 모델을 평가하는 것도 가능하다. 도 10a 내지 도 10b의 예에서는 민감도(sensitivity)를 기준으로 설비 노화 모델을 평가하는 것을 예로 들었으나, 설비(110)의 종류와 특성에 따라서 정확도(accuracy)나 특이도(specificity)를 활용해서 설비 노화 모델의 정확도를 평가하는 것도 가능하다.
도 11은 본 발명의 일 실시예에 따른 설비 노화 지수를 이용한 이상 감지 방법을 설명하기 위한 흐름도이다.
도 11을 참고하면, 설비 노화 모델을 생성하기 위한 입력으로는 설비 데이터가 있다. 설비 데이터는 다시 시간 데이터와 센싱 데이터로 나눌 수 있다. 시간 데이터는 설비(110)를 모니터링하기 위한 각 센서에서 센싱 데이터를 수집한 시점을 의미하며, 그 때의 측정값이 센싱 데이터에 해당한다.
추가로 실제 이상이 발생하였는지 여부와 관련된 이벤트 데이터를 입력으로 더 활용할 수 있다. 이상이 발생했는지 여부와 관련된 이벤트 데이터는 앞서 설명한 것처럼 설비 노화 모델의 정확도를 평가하는데 활용될 수 있다.
시간 데이터와 센싱 데이터를 포함하는 설비 데이터를 이용하여 PM이 이루어진 시점을 구분하고, PM 시점 이후 다음 PM 시점까지의 시구간을 학습 구간으로 선정하여 설비 노화 모델을 생성하기 위한 전처리 과정을 수행한다. 전처리 과정은 시간 데이터를 수치 형태로 변환하는 전처리와 센싱 데이터의 이상치(outlier)를 제거하고, 누락된 센싱 데이터는 선형 보간법을 적용하여 생성하는 전처리를 수행할 수 있다.
시간 데이터와 센싱 데이터의 전처리가 끝난 후에는 기계 학습을 위한 설비 노화 모델을 생성하여, 생성된 설비 노화 모델에 의해 설비 노화 지수를 산출한다. 그리고 산출된 설비 노화 지수를 이용하여 설비 노화 모델을 평가한다. 설비 노화 모델을 평가하는 방법은 설비 노화 지수가 시간 데이터를 비교한 R squared 값을 이용하거나, 이벤트 데이터를 이용하여 정확도나 민감도 내지는 특이도를 이용하여 수행할 수 있다.
설비 노화 모델의 평과 결과가 타당한 경우 해당 설비 노화 모델을 적용하여 모니터링을 수행할 수 있으나, 타당하지 않는 경우 설비 노화 모델을 조정하는 과정을 수행할 수 있다. 설비 노화 모델을 조정하는 과정은 변수 선택 방법이나 학습 기간 조정 방법에 의해 수행할 수 있다.
최종적으로 설비 노화 모델의 학습이 끝난 후에는, 해당 설비 노화 모델을 이용하여 설비(110)를 모니터링할 수 있다. 구체적으로 설비 노화 지수를 산출하고, 설비 노화 지수에 불연속 구간이 생기는 경우(첫번째 이상 패턴), 또는 설비 노화 지수의 기울기가 급변하는 경우에 이상으로 판단할 수 있다(두번째 이상 패턴).
다음으로 이상이 감지되는 경우에는 이상의 원인을 분석하는 과정을 수행할 수 있다. 이상의 원인을 분석하는 과정은 이상으로 감지된 시점을 전후로 하여 센싱 데이터의 값 중에서 가장 큰 폭으로 변화한 값이 이상의 원인이 될 것이다.
예를 들면 도 8b에서 4개의 센싱 데이터를 활용하여 설비 노화 지수를 산출하는 과정을 설명하였는데, 이상이 감지된 시점을 전후로 하여 ch0_Temp의 값이 급격히 변화한 경우에는 ch0_Temp의 센싱 데이터가 측정된 부분, 즉 ch0_Temp를 측정하는 센서가 설치된 부분이 이상의 원인이 될 것이다. 이 경우 이상을 판단한 결과로 사용자에게 알림을 제공하면서 설비(110)의 어느 부분을 중점으로 점검할지에 대해 정보를 제공할 수 있다.
또한, 설비 노화 지수를 이용하면 실제로 이상이 발생하지 않더라도 PM 이 필요한 시점을 예측할 수 있다. 앞서 도 6a 내지 6b에서 설명한 것처럼 고장률 내지 불량률 등을 바탕으로 설비 노화 지수의 특정값을 기준으로 PM 시점을 예측할 수 있다.
또한 모니터링 과정에서 수집한 설비 데이터와 이벤트 데이터를 바탕으로 설비 노화 모델을 다시 조정하는 과정을 수행할 수도 있다. 즉 설비 노화 모델은 학습을 통하여 한번 생성하고 끝인 것이 아니라, 지속적으로 설비(110)를 모니터링 하면서 수집된 데이터를 바탕으로, 다시 학습 구간을 선정하여 설비 노화 모델을 갱신하는 과정을 통해서 정확도를 높일 수 있다.
도 12는 본 발명의 일 실시예에 따른 설비 노화 지수를 이용한 이상 감지 장치의 구성도이다.
도 12를 참고하면 본 발명에서 제안하는 설비 노화 지수를 이용한 이상 감지 장치(10)는 설비(110)로부터 데이터를 수집하고 처리하는 데이터 처리부(11)와 수집된 데이터를 이용하여 설비 노화 모델을 생성하고 평가하고 조정하는 모델 생성부(13) 및 생성된 설비 노화 모델을 이용하여 설비 노화 지수를 산출하고, 산출된 설비 노화 지수를 이용하여 이상을 감지하고 PM 시점을 예측하는 모델 적용부(15)를 포함할 수 있다.
데이터 처리부(11)에서는 시간 데이터를 수치로 변환하는 전처리를 수행할 수 있다. 또한 센싱 데이터의 분포를 확인하고 이상치(outlier)를 제거하는 전처리를 수행할 수 있다. 또한 일부 시구간에 센싱 데이터가 누락된 경우 선형 보간법을 통해 누락된 센싱 데이터를 생성하는 전처리를 수행할 수 있다.
모델 생성부(13)에서는 R 함수를 이용하여 LM 이나 MARS 등의 분석을 통해, 센싱 데이터를 이용하여 시간의 흐름을 반영한 설비 노화 지수를 산출하기 위한 설비 노화 모델을 생성할 수 있다. 생성된 설비 노화 모델을 R squared 값을 이용하여 얼마나 시간의 흐름을 잘 반영하였는지 평가할 수 있다. 또한 실제 이상이 발생하였는지 여부의 이벤트 데이터를 이용하여 설비 노화 모델을 평가할 수 있다.
다음으로 평과 결과에 따라 설비 노화 모델을 조정하여 다시 설비 노화 지수를 산출할 수 있다. 설비 노화 모델을 조정하는 과정은 입력으로 사용한 센싱 데이터에서 일부를 취사 선택하는 변수 선택 방법이나 학습 구간을 조절하는 학습 구간 조절 방법에 의해 가능하다.
모델 적용부(15)에서는 생성한 설비 노화 모델을 이용하여 설비(110)를 모니터링할 수 있다. 모니터링 과정은 이상이 발생하기 전에 PM 시점을 예측하여 설비(110)를 최상의 상태로 관리하기 위한 사전 예방책과, 실제 이상이 발생한 경우 이를 빠르게 감지하고 이상의 원인을 관리자에게 제공하는 사후 예방책이 있다.
도 13은 본 발명의 일 실시예에 따른 설비 노화 지수를 이용한 이상 감지 장치의 하드웨어 구성도이다.
도 13을 참고하면 설비 노화 지수를 이용한 이상 감지 장치(10)는 하나 이상의 프로세서(510), 메모리(520), 스토리지(560) 및 인터페이스(570)을 포함할 수 있다. 프로세서(510), 메모리(520), 스토리지(560) 및 인터페이스(570)는 시스템 버스(550)를 통하여 데이터를 송수신한다.
프로세서(510)는 메모리(520)에 로드 된 컴퓨터 프로그램을 실행하고, 메모리(520)는 상기 컴퓨터 프로그램을 스토리지(560)에서 로드(load) 한다. 상기 컴퓨터 프로그램은, 데이터 수집 오퍼레이션(521), 설비 노화 모델 생성 오퍼레이션(523) 및 이상 감지 오퍼레이션 (535)을 포함할 수 있다.
데이터 수집 오퍼레이션(521)은 인터페이스(570)을 통해 설비(110)를 모니터링하기 위한 센서의 측정값을 수집하고 이를 시스템 버스(550)을 통해 스토리지(560)의 센싱 데이터(561)로 저장할 수 있다.
또한 데이터 수집 오퍼레이션(521)은 시간 데이터를 수치로 변환하는 전처리를 수행할 수 있다. 또한 데이터 수집 오퍼레이션(521)은 센싱 데이터의 분포를 확인하고 이상치(outlier)를 제거하는 전처리를 수행할 수 있다. 또한 데이터 수집 오퍼레이션(521)은 일부 시구간에 센싱 데이터가 누락된 경우 선형 보간법을 통해 누락된 센싱 데이터를 생성하는 전처리를 수행할 수 있다.
다음으로 설비 노화 모델 생성 오퍼레이션(523)은 R 함수를 이용하여 LM 이나 MARS 등의 분석을 통해, 센싱 데이터(563)를 이용하여 시간의 흐름을 반영한 설비 노화 지수를 산출하기 위한 설비 노화 모델을 생성할 수 있다. 생성된 설비 노화 모델은 시스템 버스(550)을 통해 스토리지(560)의 설비 노화 모델(563)으로 저장된다.
또한 설비 노화 모델 생성 오퍼레이션(523)은 생성된 설비 노화 모델(563)을 R squared 값을 이용하여 얼마나 시간의 흐름을 잘 반영하였는지 평가할 수 있다. 또한 실제 이상이 발생하였는지 여부의 이벤트 데이터를 이용하여 설비 노화 모델(563)을 평가할 수 있다.
다음으로 설비 노화 모델 생성 오퍼레이션(523)은 평과 결과에 따라 설비 노화 모델(563)을 조정하여 다시 설비 노화 지수를 산출할 수 있다. 설비 노화 모델(563)을 조정하는 과정은 입력으로 사용한 센싱 데이터에서 일부를 취사 선택하는 변수 선택 방법이나 학습 구간을 조절하는 학습 구간 조절 방법에 의해 가능하다.
이상 감지 오퍼레이션(527)은 설비 노화 모델(565)를 이용하여 설비 노화 지수를 산출하고, 산출된 설비 노화 지수를 시스템 버스(550)를 통해 스토리지(560)의 설비 노화 지수(565)로 저장할 수 있다.
또한 이상 감지 오퍼레이션(527)은 산출한 설비 노화 지수(565)를 이용하여 설비(110)를 모니터링할 수 있다. 모니터링 과정은 이상이 발생하기 전에 PM 시점을 예측하여 설비(110)를 최상의 상태로 관리하기 위한 사전 예방책과, 실제 이상이 발생한 경우 이를 빠르게 감지하고 이상의 원인을 관리자에게 제공하는 사후 예방책이 있다.
도 13의 각 구성 요소는 소프트웨어(Software) 또는, FPGA(Field Programmable Gate Array)나 ASIC(Application-Specific Integrated Circuit)과 같은 하드웨어(Hardware)를 의미할 수 있다. 그렇지만, 상기 구성 요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(Addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 상기 구성 요소들 안에서 제공되는 기능은 더 세분화된 구성 요소에 의하여 구현될 수 있으며, 복수의 구성 요소들을 합하여 특정한 기능을 수행하는 하나의 구성 요소로 구현될 수도 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (16)

  1. 설비 감시 장치가, 설비를 모니터링 하기 위한 센서에 의하여 측정된 시계열 형태의 센싱 데이터를 전처리 하는 단계;
    상기 설비 감시 장치가, 상기 전처리된 센싱 데이터를 대상으로, 상기 설비의 가동 시간에 선형적으로 비례하는 시계열 형태의 설비 노화 지수를 산출하기 위한 설비 노화 모델을 학습하는 단계; 및
    상기 설비 감시 장치가, 상기 학습된 설비 노화 모델을 이용하여 상기 설비 노화 지수를 산출하고, 상기 산출된 설비 노화 지수를 이용하여 상기 설비의 이상을 감지하는 단계를 포함하는,
    설비 감시 방법.
  2. 제1항에 있어서,
    상기 센싱 데이터를 전처리 하는 단계는,
    상기 센싱 데이터가 측정된 시간 데이터를 수치형으로 변환하는 단계를 포함하는,
    설비 감시 방법.
  3. 제2항에 있어서,
    상기 시간 데이터를 수치형으로 변환하는 단계는,
    특정 시점을 기준으로 상기 시간 데이터까지 경과한 시간을 이용하여, 상기 시간 데이터를 초단위로 변환하는 단계를 포함하는,
    설비 감시 방법.
  4. 제1항에 있어서,
    상기 설비 노화 모델을 학습하는 단계는,
    상기 설비 노화 모델을 생성하는 단계;
    상기 설비 노화 모델을 평가하는 단계; 및
    상기 설비 노화 모델을 조정하는 단계를 포함하는,
    설비 감시 방법.
  5. 제4항에 있어서,
    상기 설비 노화 모델을 생성하는 단계는,
    상기 설비가 정상인 상태의 시구간을 학습 구간으로 선정하는 단계를 포함하는,
    설비 감시 방법.
  6. 제5항에 있어서,
    상기 설비 노화 모델을 생성하는 단계는,
    상기 설비의 점검 이후 다음 점검까지의 시구간을 학습 구간으로 선정하는 단계를 포함하는,
    설비 감시 방법.
  7. 제4항에 있어서,
    상기 설비 노화 모델을 생성하는 단계는,
    회귀 분석을 통해 상기 설비 노화 모델을 생성하는 단계를 포함하는,
    설비 감시 방법.
  8. 제7항에 있어서,
    상기 회귀 분석을 통해 상기 설비 노화 모델을 생성하는 단계는,
    선형 회귀(Linear Regression) 또는 MARS (Multivariate adaptive regression splines) 분석을 통해 상기 설비 노화 모델을 생성하는 단계를 포함하는,
    설비 감시 방법.
  9. 제4항에 있어서,
    상기 설비 노화 모델을 생성하는 단계는,
    상기 전처리된 센싱 데이터를 대상으로, 상기 설비의 공정에 관한 정보를 더 이용하여 상기 설비 노화 모델을 생성하는 단계를 포함하는,
    설비 감시 방법.
  10. 제4항에 있어서,
    상기 설비 노화 모델을 평가하는 단계는,
    R Squared Value를 이용하여, 상기 설비 노화 모델에 의한 설비 노화 지수가 상기 가동 시간에 선형적으로 비례하는지 평가하는 단계를 포함하는,
    설비 감시 방법.
  11. 제4항에 있어서,
    상기 설비 노화 모델을 평가하는 단계는,
    실제 이상이 발생한 시점에 관한 정보를 이용하여, 상기 설비 노화 모델에 의한 설비 노화 지수가 상기 실제 이상의 발생 시점을 감지하는지 평가하는 단계를 포함하는,
    설비 감시 방법.
  12. 제4항에 있어서,
    상기 설비 노화 모델을 조정하는 단계는,
    상기 센싱 데이터의 P-Value를 이용하여, 일부 센서가 측정한 센싱 데이터만을 입력으로 상기 설비 노화 모델을 생성하는 단계를 포함하는,
    설비 감시 방법.
  13. 제4항에 있어서,
    상기 설비 노화 모델을 조정하는 단계는,
    상기 설비 노화 모델의 학습 구간의 위치나 길이를 변경하여, 상기 설비 노화 모델을 다시 생성하는 단계를 포함하는,
    설비 감시 방법.
  14. 제1항에 있어서,
    상기 설비의 이상을 감지하는 단계는,
    상기 산출된 설비 노화 지수에 불연속 구간이 발생하는 경우 이상으로 판단하는 단계를 포함하는,
    설비 감시 방법.
  15. 제1항에 있어서,
    상기 설비의 이상을 감지하는 단계는,
    상기 산출된 설비 노화 지수의 기울기가 기 설정된 허용치 이상으로 변동하는 경우 이상으로 판단하는 단계를 포함하는,
    설비 감시 방법.
  16. 제1항에 있어서,
    상기 산출된 설비 노화 지수가 기 설정된 값에 이르면 상기 설비의 점검(Preventive Maintenance)이 필요한 것으로 판단하는 단계를 더 포함하는,
    설비 감시 방법.
KR1020160132409A 2016-10-12 2016-10-12 설비 노화 지수를 이용한 이상 감지 방법 및 장치 KR102408426B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160132409A KR102408426B1 (ko) 2016-10-12 2016-10-12 설비 노화 지수를 이용한 이상 감지 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160132409A KR102408426B1 (ko) 2016-10-12 2016-10-12 설비 노화 지수를 이용한 이상 감지 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20180040452A KR20180040452A (ko) 2018-04-20
KR102408426B1 true KR102408426B1 (ko) 2022-06-10

Family

ID=62088471

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160132409A KR102408426B1 (ko) 2016-10-12 2016-10-12 설비 노화 지수를 이용한 이상 감지 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102408426B1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102501884B1 (ko) * 2018-07-06 2023-02-21 에임시스템 주식회사 기계 학습 기반의 설비 이상 진단 시스템 및 방법
KR102501882B1 (ko) * 2018-07-06 2023-02-21 에임시스템 주식회사 기계 학습 기반의 설비 이상 탐지 시스템 및 방법
KR102049674B1 (ko) * 2018-07-24 2019-11-27 한림대학교 산학협력단 Pcr 열 순환기 노화 예측 방법 및 이를 위한 장치
KR102178787B1 (ko) 2018-10-17 2020-11-13 고려대학교 산학협력단 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법
KR102092197B1 (ko) * 2019-09-17 2020-03-23 경기대학교 산학협력단 수리 가능한 시스템의 열화 분석 장치 및 방법
US11609812B2 (en) * 2019-10-06 2023-03-21 Pdf Solutions, Inc. Anomalous equipment trace detection and classification
KR102561061B1 (ko) * 2020-12-21 2023-07-31 주식회사 엠앤디 원전의 감시 시스템 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4134997B2 (ja) 2005-04-20 2008-08-20 ダイキン工業株式会社 余寿命予測プログラム及び余寿命予測システム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3334807B2 (ja) * 1991-07-25 2002-10-15 株式会社日立製作所 ニュ−ラルネットを利用したパタ−ン分類方法および装置
KR20020016178A (ko) * 2000-08-24 2002-03-04 조중선 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4134997B2 (ja) 2005-04-20 2008-08-20 ダイキン工業株式会社 余寿命予測プログラム及び余寿命予測システム

Also Published As

Publication number Publication date
KR20180040452A (ko) 2018-04-20

Similar Documents

Publication Publication Date Title
KR102408426B1 (ko) 설비 노화 지수를 이용한 이상 감지 방법 및 장치
US11403160B2 (en) Fault predicting system and fault prediction method
US10466138B2 (en) Determining remaining useful life of rotating machinery including drive trains, gearboxes, and generators
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
JP6702297B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
JP6540531B2 (ja) 監視装置及び監視装置の制御方法
KR20180116322A (ko) 제조 설비의 이상 진단 장치
CN111400850B (zh) 设备故障分析方法、装置、设备和存储介质
WO2019087508A1 (ja) 監視対象選定装置、監視対象選定方法、およびプログラム
JP6777142B2 (ja) システム分析装置、システム分析方法、及び、プログラム
JP4922265B2 (ja) プラント監視装置およびプラント監視方法
JP5757117B2 (ja) フィールド機器
KR20230125116A (ko) 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법
WO2021127646A1 (en) Device and method for monitoring a system
An et al. Detection of process anomalies using an improved statistical learning framework
JP2016003875A (ja) モータ異常検知システム、モータ異常検知方法、及びモータ異常検知プログラム
JP6885321B2 (ja) プロセスの状態診断方法及び状態診断装置
JP2010276339A (ja) センサ診断方法およびセンサ診断装置
JP6765769B2 (ja) 状態変動検出装置及び状態変動検出用プログラム
JP2016080585A (ja) プラント状態解析装置
WO2019147271A1 (en) Maintenance intervention predicting
WO2020204043A1 (ja) 高炉の異常判定装置、高炉の異常判定方法、及び高炉の操業方法
RU2735296C1 (ru) Способ многопараметрического контроля состояния сложных электротехнических объектов
JP7098494B2 (ja) 状態監視装置およびこれを用いた風力発電装置
KR101840419B1 (ko) 조질압연기 및 형상교정기 설비장애 예지 정비 시스템 및 방법

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant