KR102437701B1

KR102437701B1 - Method for estimating condition of elevator

Info

Publication number: KR102437701B1
Application number: KR1020200114609A
Authority: KR
Inventors: 장성재
Original assignee: 현대엘리베이터주식회사
Priority date: 2020-09-08
Filing date: 2020-09-08
Publication date: 2022-08-30
Also published as: KR20220032822A

Abstract

본 발명은 엘리베이터 상태의 진단 방법에 관한 것으로, 보다 구체적으로 엘리베이터에 배치되어 있는 에지단에서는 머신러닝 모델을 이용하여 엘리베이터의 동작 상태를 추론하며 서버단에서는 추론 정보와 함께 엘리베이터 동작 정보로부터 생성되는 컬러맵을 딥러닝 모델에 적용하여 엘리베이터 상태를 진단함으로써, 에지단에서 필요한 연산량을 최소화하고 컬러맵을 통해 딥러닝 모델의 학습 시간을 최소화하면서 동시에 머신 러닝 모델과 딥러닝 모델의 앙상블을 통해 엘리베이터의 전조 증상 또는 이상 증상을 정확하게 진단할 수 있는 엘리베이터 상태의 진단 방법에 관한 것이다.The present invention relates to a method for diagnosing an elevator state, and more specifically, the edge end arranged in the elevator infers the operating state of the elevator using a machine learning model, and the server end uses the inference information and color generated from the elevator operation information. By applying the map to the deep learning model to diagnose the elevator condition, the amount of computation required at the edge is minimized and the learning time of the deep learning model through the color map is minimized, and at the same time, the elevator is predicted through the ensemble of the machine learning model and the deep learning model. It relates to a diagnostic method of an elevator condition capable of accurately diagnosing symptoms or abnormal symptoms.

Description

Method for estimating condition of elevator

본 발명은 엘리베이터 상태의 진단 방법에 관한 것으로, 보다 구체적으로 엘리베이터에 배치되어 있는 에지단에서는 머신러닝 모델을 이용하여 엘리베이터의 동작 상태를 추론하며 서버단에서는 추론 결과 및 추론 결과와 함께 수신한 엘리베이터 동작 정보로부터 생성되는 컬러맵을 딥러닝 모델에 적용하여 엘리베이터 상태를 진단함으로써, 에지단에서 필요한 연산량을 최소화하고 컬러맵을 통해 딥러닝 모델의 학습 시간을 최소화하면서 동시에 머신 러닝 모델과 딥러닝 모델의 앙상블을 통해 엘리베이터의 전조 증상 또는 이상 증상을 정확하게 진단할 수 있는 엘리베이터 상태의 진단 방법에 관한 것이다.The present invention relates to a method for diagnosing an elevator state, and more specifically, the edge end arranged in the elevator infers the operating state of the elevator using a machine learning model, and the server end uses the inference result and the elevator operation received together with the inference result. By applying the color map generated from the information to the deep learning model to diagnose the elevator condition, the amount of computation required at the edge is minimized and the learning time of the deep learning model through the color map is minimized, while at the same time as an ensemble of a machine learning model and a deep learning model. It relates to a diagnosis method of an elevator condition that can accurately diagnose precursor symptoms or abnormal symptoms of an elevator through

엘리베이터는 다층 건물의 층과 층 사이의 신속한 이동을 위해 설치되는 것으로 고층 건물의 증가와 이용 편리성으로 인해 설치가 지속적으로 증가되고 있다.Elevators are installed for rapid movement between floors in multi-story buildings, and their installation is continuously increasing due to the increase in high-rise buildings and convenience of use.

엘리베이터는 승객을 수용하여 이동하는 엘리베이터 카와, 엘리베이터 카를 구동시키는 구동장치와, 엘리베이터의 운행을 제어하는 제어부와, 전원을 공급하는 전원공급부와, 엘리베이터 카를 제동시키는 제동장치 및 각종 센서와 스위치로 이루어져 승객이 선택하는 층으로 엘리베이터 카를 상하로 수직 이동시키는 동작을 수행한다.The elevator consists of an elevator car that accommodates and moves passengers, a driving device for driving the elevator car, a controller for controlling the operation of the elevator, a power supply for supplying power, a braking device for braking the elevator car, and various sensors and switches. An operation of vertically moving the elevator car up and down to the selected floor is performed.

이러한 엘리베이터는 엘리베이터 카 내에 승객을 수용시켜 저층과 고층사이를 왕복 수직 운행하므로 그 안전이 최우선적으로 요구된다. 따라서 엘리베이터의 안전을 확보하기 위해 각종 안전장치가 설치되어 있으며 주기적인 안전 점검이 이루어지고 있다.Since these elevators accommodate passengers in an elevator car and run vertically between the lower and upper floors, safety is required first. Therefore, in order to secure the safety of the elevator, various safety devices are installed and periodic safety inspections are made.

점검원에 의한 엘리베이터 점검은 엘리베이터를 정지한 상태에서 각 구성요소의 상태를 검출하여 그 이상 여부를 판단하는데 통상 월 몇 회, 또는 년 몇 회의 일반 점검과 정밀 점검을 수행한다.Elevator inspection by an inspector detects the state of each component while the elevator is stopped and determines whether there is an abnormality. Usually, general inspection and detailed inspection are performed several times a month or several times a year.

점검원의 주기적인 점검 외의 점검은 근접관리자(예: 건물 관리자, 아파트 관리자)가 수행하며, 근접관리자가 없는 경우에는 엘리베이터 이용 승객이 고장이나 이상 징후를 발견하여 신고함으로써 점검이 이루어진다.Inspections other than periodic inspections by inspectors are performed by proximity managers (eg, building managers, apartment managers).

엘리베이터의 유지 보수는 에러코드에 따른 메뉴얼을 확인하고 조치하는 경우가 대부분이다. 엘리베이터의 경우 유지보수에 필요한 정보인 전조 증상과 이상 증상 분류의 경우의 수는 굉장히 많다. 또한 이러한 수 많은 분류의 경우의 수를 유지보수 기사들이 시각적으로 확인하기에는 어렵다.Elevator maintenance is mostly done by checking the manual according to the error code. In the case of elevators, the number of cases of premonition and abnormal symptom classification, which are information necessary for maintenance, is very large. In addition, it is difficult for maintenance technicians to visually check the number of cases of such a large number of classifications.

한편 4차 산업 혁명에 따른 인공지능 기술이 접목된 유지보수 기술이 발명될 예정이지만 엘리베이터 유지보수 기사들이 고장 발생시, 에러 코드에 따른 대응 방법에 의존하여 메뉴얼을 봐야한다는 단점이 있기에 빠른 대처가 어렵다. 또한 에러코드 업데이트시, 유지보수 기사와 개발자간 소통으로 인한 시간이 소요된다. On the other hand, maintenance technology incorporating artificial intelligence technology according to the 4th industrial revolution will be invented, but it is difficult to respond quickly because elevator maintenance technicians have to read the manual depending on the response method according to the error code when a breakdown occurs. Also, when updating error codes, it takes time due to communication between maintenance technicians and developers.

4차 산업 혁명에 맞추어 개발 방식의 변화가 필요하다. 개발자가 이상 증상별 서버의 DB에 입력하여 저장된 에러코드에 의존하는 방식이 아닌 인공지능 학습 모델을 통한 예지 진단 기술 적용 방식이 필요하다.It is necessary to change the development method in line with the 4th industrial revolution. A method of applying predictive diagnosis technology through an artificial intelligence learning model is needed, rather than a method that the developer inputs into the DB of the server for each abnormal symptom and does not depend on the stored error code.

종래의 인공지능 기술은 시계열 데이터를 이용하는 예측 기술이 대부분이다. 하지만 시계열 데이터로 인한 엘리베이터의 모든 경우의 전조 증상 또는 이상 증상을 학습시에는 학습 데이터량이 폭발적으로 증가한다. 인공지능 학습 모델이란 1번의 학습으로 끝나지 않으며 여러번의 전처리, 모델 평가 및 검증과 하이퍼파라미터 최적화 등 조정된 사항으로 인해 재학습의 과정으로 인한 시간 소모가 크다. Most of the conventional artificial intelligence technologies are prediction technologies using time series data. However, when learning precursor symptoms or abnormal symptoms in all cases of elevators due to time series data, the amount of learning data increases explosively. The AI learning model does not end with one learning, and the time-consuming process of re-learning is large due to adjustments such as multiple preprocessing, model evaluation and validation, and hyperparameter optimization.

최근에는 엣지-클라우드 기술의 유행으로 클라우드에서 학습 후 에지단에 모델을 배치 후 추론하는 시스템이 유행이다. 하지만 이는 클라우드상 학습으로 인한 리소스 추가 비용 발생, 모델 평가, 검증, 하이퍼파라미터 최적화를 클라우드상에서 진행하므로 시간당 비용이 발생한다. 또한 종래의 기술은 엘리베이터 데이터 조건에 따라 개발자가 서버 DB에 저장하는 방식이므로 수 많은 이상 증상과 전조 증상을 DB화시키기에는 어렵다. Recently, with the trend of edge-cloud technology, after learning in the cloud, a system that infers after placing a model at the edge is in vogue. However, this incurs additional cost of resources due to learning on the cloud, and costs per hour because model evaluation, validation, and hyperparameter optimization are performed on the cloud. In addition, since the prior art is a method in which the developer stores the data in the server DB according to the elevator data conditions, it is difficult to convert a number of abnormal symptoms and symptoms into a DB.

본 발명은 위에서 언급한 종래 엘리베이터의 유지 보수 방법이 가지는 문제점을 해결하기 위한 것으로, 본 발명이 이루고자 하는 목적은 엣지컴퓨팅 연산량을 최소화하고 학습 시간을 최소화하며, 이상 증상 또는 전조 증상의 진단 정확도를 향상시킬 수 있는 엘리베이터 상태의 진단 방법을 제공하는 것이다.The present invention is to solve the problems of the above-mentioned conventional elevator maintenance method, and the object of the present invention is to minimize the amount of edge computing operations, minimize the learning time, and improve the diagnosis accuracy of abnormal symptoms or precursor symptoms. It is to provide a diagnostic method of the elevator condition that can be

본 발명이 이루고자 하는 다른 목적은 에지단에서 판단한 엘리베이터 상태에 대한 머신러닝 분류 모델의 추론 정보와 엘리베이터의 동작 정보를 컬러맵으로 표현하여 관리자가 엘리베이터의 전조 증상 또는 이상 증상을 시각적으로 용이하고 빨리 판단할 수 있는 엘리베이터 상태의 진단 방법을 제공하는 것이다.Another object of the present invention is to express the inference information of the machine learning classification model for the elevator state determined at the edge and the operation information of the elevator as a color map, so that the manager can visually easily and quickly determine the precursor symptoms or abnormal symptoms of the elevator It is to provide a diagnostic method of the elevator condition that can be performed.

본 발명이 이루고자 하는 또 다른 목적은 일정 시간 동안 순차적으로 생성되는 각 컬러맵에 해당하는 진단 식별자로 이루어진 진단 패턴을 이상 기준 패턴과 비교하여 엘리베이터의 전조 증상 및 이상 증상을 정확하게 판단할 수 있는 엘리베이터 상태의 진단 방법을 제공하는 것이다. Another object of the present invention is to compare a diagnostic pattern consisting of a diagnostic identifier corresponding to each color map sequentially generated for a certain time with an abnormal reference pattern to accurately determine the precursor symptoms and abnormal symptoms of the elevator. to provide a diagnostic method for

본 발명의 목적을 달성하기 위하여, 본 발명에 따른 엘리베이터 상태의 진단 방법은 엘리베이터 동작 상태에 대한 추론 정보와 엘리베이터 동작 정보를 수신하는 단계와, 추론 정보의 종류와 결과에 따라 할당된 추론 컬러값과 동작 정보의 종류와 결과에 할당된 동작 컬러값으로부터 컬러맵을 생성하는 단계와, 생성한 컬러맵을 이용하여 엘리베이터 동작 상태에 대한 진단 식별자를 판단하는 단계와, 진단 식별자로부터 엘리베이터의 진단 결과를 구비하는 알람 메시지를 생성하고 생성한 알람 메시지를 관리자 단말기로 제공하는 단계를 포함하는 것을 특징으로 한다.In order to achieve the object of the present invention, the method for diagnosing the elevator state according to the present invention comprises the steps of receiving inference information and elevator operation information on the elevator operation state, the inference color value assigned according to the type and result of the inference information, and Generating a color map from the operation color value assigned to the type of operation information and the result, determining a diagnostic identifier for the elevator operation state using the generated color map, and providing a diagnostic result of the elevator from the diagnostic identifier generating an alarm message and providing the generated alarm message to an administrator terminal.

여기서 엘리베이터 동작 상태에 대한 추론 정보는 엘리베이터 동작 상태에 대한 정보를 머신 러닝 모델에 적용하여 판단되며, 엘리베이터 동작 상태에 대한 진단 식별자는 컬러맵을 딥러닝 모델에 적용하여 판단되는 것을 특징으로 한다.Here, the inference information on the elevator operation state is determined by applying the information on the elevator operation state to the machine learning model, and the diagnostic identifier for the elevator operation state is determined by applying the color map to the deep learning model.

바람직하게, 본 발명에 따라 컬러맵을 생성하는 단계는 추론 정보의 종류와 추론 정보의 결과에 할당된 추론 컬러값을 판단하는 단계와, 동작 정보의 종류와 결과에 할당된 동작 컬러값을 판단하는 단계와, 추론 정보의 종류에 할당된 위치와 동작 정보의 종류에 할당된 위치에 판단한 추론 컬러값과 동작 컬러값을 각각 배치하여 컬러맵을 생성하는 단계를 포함하는 것을 특징으로 한다.Preferably, the step of generating the color map according to the present invention comprises the steps of determining the type of inference information and the inferred color value assigned to the result of the inference information, and determining the type of the action information and the action color value assigned to the result. and generating a color map by arranging the determined inferred color value and the action color value at a position assigned to a type of inference information and a position assigned to a type of operation information, respectively.

바람직하게, 본 발명에 따라 진단 식별자를 판단하는 단계는 컬러맵을 딥러닝 모델에 적용하여 컬러맵에 대한 진단 내용를 판단하는 단계와, 진단 내용에 매핑되어 있는 진단 식별자를 진단 데이터베이스에서 검색하여 진단 내용에 해당하는 진단 식별자를 판단하는 단계를 포함하는 것을 특징으로 한다.Preferably, the step of determining the diagnostic identifier according to the present invention includes the steps of applying the color map to the deep learning model to determine the diagnostic content of the color map, and searching for the diagnostic identifier mapped to the diagnostic content in the diagnostic database to determine the diagnostic content and determining a diagnostic identifier corresponding to .

바람직하게, 본 발명에 따라 알람 메시지를 생성하는 단계는 시계열적으로 순차적 생성되는 진단 식별자로 이루어진 진단 패턴을 생성하는 단계와, 생성한 진단 패턴과 이상 기준 패턴을 비교하여 진단 패턴과 일치하는 이상 기준 패턴이 존재하는지 검색하는 단계와, 검색한 이상 기준 패턴에 해당하는 진단 결과를 구비하는 알람 메시지를 생성하는 단계를 포함하는 것을 특징으로 한다.Preferably, the generating of the alarm message according to the present invention comprises generating a diagnostic pattern composed of diagnostic identifiers that are sequentially generated in time series, and comparing the generated diagnostic pattern with the abnormal reference pattern to match the diagnostic pattern with an abnormality criterion. It characterized in that it comprises the steps of searching whether a pattern exists, and generating an alarm message having a diagnosis result corresponding to the searched abnormal reference pattern.

여기서 진단 패턴은 설정한 시간 윈도우 동안 시계열적으로 순차적으로 생성되는 진단 식별자로부터 생성되는 것을 특징으로 한다.Here, the diagnostic pattern is characterized in that it is generated from diagnostic identifiers that are sequentially generated in time series during a set time window.

본 발명의 일 실시예에서 알람 메시지를 생성하는 단계는 검색한 기준 진단 패턴이 발생한 시점과 검색한 기준 진단 패턴에 해당하는 진단 결과에 기초하여 고장 발생 예측 시점을 판단하는 단계를 더 포함하며, 알람 메시지에는 진단 결과와 함께 고장 발생 예측 시점에 대한 정보가 포함되어 있는 것을 특징으로 한다.In an embodiment of the present invention, the generating of the alarm message further includes determining the predicted time of occurrence of a failure based on a time when the searched reference diagnostic pattern occurs and a diagnosis result corresponding to the searched reference diagnostic pattern, It is characterized in that the message includes information on the predicted time of occurrence of a failure along with the diagnosis result.

본 발명의 다른 실시예에서 알람메시지를 생성하는 단계는 진단 패턴을 구성하는 진단 식별자에 해당하는, 시계열적으로 순차적으로 생성되는 컬러맵 조합을 생성하는 단계를 더 포함하며, 알람 메시지에는 진단 결과와 함께 컬러맵 조합이 포함되어 있는 것을 특징으로 한다.In another embodiment of the present invention, generating an alarm message further includes generating a color map combination that is sequentially generated in time series and corresponding to a diagnosis identifier constituting a diagnosis pattern, and the alarm message includes a diagnosis result and It is characterized in that a colormap combination is included together.

본 발명에 따른 엘리베이터 상태의 진단 방법은 다음과 같은 효과를 가진다.The method for diagnosing an elevator condition according to the present invention has the following effects.

첫째, 본 발명에 따른 엘리베이터 상태의 진단 방법은 엘리베이터에 배치되어 있는 에지단에서는 머신러닝 모델을 이용하여 엘리베이터의 동작 상태를 추론하며 서버단에서는 추론 결과와 함께 엘리베이터 동작 정보로부터 생성되는 컬러맵을 딥러닝 모델에 적용하여 엘리베이터의 전조 증상 또는 이상 증상을 진단함으로써, 에지단에서 필요한 연산량을 최소화하고 컬러맵을 통해 딥러닝 모델의 학습 시간을 최소화하면서 동시에 머신러닝 모델과 딥러닝 모델의 앙상블을 통해 엘리베이터의 전조 증상 또는 이상 증상을 정확하게 진단할 수 있는 엘리베이터 상태의 진단 방법을 제공하는 것이다.First, the method for diagnosing the elevator state according to the present invention infers the operating state of the elevator using a machine learning model at the edge end arranged in the elevator, and the server end deep-deeps the color map generated from the elevator operation information together with the inference result. By diagnosing the precursor symptoms or abnormal symptoms of the elevator by applying it to the learning model, the amount of computation required at the edge is minimized and the learning time of the deep learning model through the color map is minimized while simultaneously using the ensemble of the machine learning model and the deep learning model. An object of the present invention is to provide a diagnostic method of an elevator condition that can accurately diagnose precursor symptoms or abnormal symptoms of

둘째, 본 발명에 따른 엘리베이터 상태의 진단 방법은 에지단에서 판단한 엘리베이터 상태에 대한 머신러닝 분류 모델의 추론 정보와 엘리베이터의 동작 정보를 컬러맵으로 표현함으로써, 관리자가 엘리베이터의 전조 증상 또는 이상 증상을 시각적으로 용이하고 빨리 판단할 수 있다.Second, the method for diagnosing the elevator state according to the present invention expresses the inference information of the machine learning classification model for the elevator state determined at the edge and the operation information of the elevator in a color map, so that the manager can visually visualize the precursor symptoms or abnormal symptoms of the elevator. can be easily and quickly judged.

셋째, 본 발명에 따른 엘리베이터 상태의 진단 방법은 일정 시간 동안 순차적으로 생성되는 각 컬러맵에 해당하는 진단 식별자로 이루어진 진단 패턴을 이상 기준 패턴과 비교하여 엘리베이터 상태를 판단함으로써, 엘리베이터의 전조 증상 및 이상 증상을 정확하고 용이하게 판단할 수 있다. Third, the elevator condition diagnosis method according to the present invention compares a diagnostic pattern consisting of a diagnostic identifier corresponding to each color map sequentially generated for a predetermined time with an abnormal reference pattern to determine the elevator state, thereby determining the elevator condition and abnormality. The symptoms can be accurately and easily judged.

도 1은 본 발명에 따른 엘리베이터 상태의 진단 시스템을 설명하기 위한 도면이다.
도 2는 본 발명에 따른 엘리베이터 상태의 진단 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명에 따라 생성되는 컬러맵의 포맷의 일 예를 설명하기 위한 도면이다.
도 4는 컬러맵 포맷으로 생성되는 컬러맵의 일 예를 도시하고 있다.
도 5는 본 발명에 따라 엘리베이터 진단 결과를 판단하는 단계의 일 예를 설명하기 위한 흐름도이다.
도 6은 컬러맵을 딥러닝 모델에 적용하여 판단한 진단 내용의 일 예와 각 진단 내용에 매핑되어 있는 진단 식별자의 일 예를 도시하고 있다.
도 7은 본 발명에서 진단 패턴을 생성하는 일 예를 설명하기 위한 도면이다.
도 8은 본 발명에 따라 관리자로 제공되는 알람 메시지의 일 예를 도시하고 있다.1 is a view for explaining an elevator condition diagnosis system according to the present invention.
2 is a flowchart illustrating a method for diagnosing an elevator condition according to the present invention.
3 is a diagram for explaining an example of a format of a color map generated according to the present invention.
4 illustrates an example of a color map generated in a color map format.
5 is a flowchart for explaining an example of the step of determining the elevator diagnosis result according to the present invention.
6 illustrates an example of diagnosis content determined by applying a color map to a deep learning model and an example of a diagnosis identifier mapped to each diagnosis content.
7 is a diagram for explaining an example of generating a diagnostic pattern in the present invention.
8 illustrates an example of an alarm message provided to an administrator according to the present invention.

본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다.It should be noted that the technical terms used in the present invention are only used to describe specific embodiments, and are not intended to limit the present invention. In addition, the technical terms used in the present invention should be interpreted as meanings generally understood by those of ordinary skill in the art to which the present invention belongs, unless otherwise defined in the present invention, and excessively comprehensive It should not be construed as a human meaning or in an excessively reduced meaning. In addition, when the technical term used in the present invention is an incorrect technical term that does not accurately express the spirit of the present invention, it should be understood by being replaced with a technical term that can be correctly understood by those skilled in the art.

또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.Also, the singular expression used in the present invention includes the plural expression unless the context clearly dictates otherwise. In the present invention, terms such as "consisting of" or "comprising" should not be construed as necessarily including all of the various elements or several steps described in the invention, and some of the elements or some steps are included. It should be construed that it may not, or may further include additional components or steps.

또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.In addition, it should be noted that the accompanying drawings are only for easy understanding of the spirit of the present invention, and should not be construed as limiting the spirit of the present invention by the accompanying drawings.

이하 첨부한 도면을 참고로 본 발명에 따른 엘리베이터 상태의 진단 방법에 대해 보다 구체적으로 살펴본다.Hereinafter, a method for diagnosing an elevator condition according to the present invention will be described in more detail with reference to the accompanying drawings.

도 1은 본 발명에 따른 엘리베이터 상태의 진단 시스템을 설명하기 위한 도면이다.1 is a view for explaining an elevator condition diagnosis system according to the present invention.

도 1을 참고로 보다 구체적으로 살펴보면, 본 발명에 따른 엘리베이터 상태의 진단 시스템은 크게 에지단(100)과 서버단(200)을 구비하고 있다. 여기서 에지단(100)과 서버단(200)는 네트워크를 통해 데이터를 송수신하는데, 네트워크는 에지단(100)과 서버단(200) 사이에서 데이터를 송수신할 수 있는 다양한 종류의 유선 또는 무선 네트워크가 사용될 수 있다.Referring to FIG. 1 in more detail, the diagnosis system of the elevator state according to the present invention largely includes an edge end 100 and a server end 200 . Here, the edge end 100 and the server end 200 transmit and receive data through a network, and the network includes various types of wired or wireless networks that can transmit and receive data between the edge end 100 and the server end 200 . can be used

에지단(100)에서는 엘리베이터의 동작 정보를 머신러닝 모델에 적용하여 엘리베이터 동작 상태의 추론 정보를 생성하고, 추론 정보와 함께 엘리베이터의 동작 정보를 서버단(200)으로 제공한다.The edge end 100 applies the elevator operation information to the machine learning model to generate inference information of the elevator operation state, and provides the elevator operation information together with the inference information to the server end 200 .

서버단(200)는 추론 정보와 동작 정보로부터 생성되는 컬러맵을 딥러닝 모델에 적용하여 컬러맵에 해당하는 진단 내용의 진단 식별자를 생성하며, 설정 시간 동안 생성한 진단 식별자의 조합으로부터 엘리베이터의 상태를 진단한다. 진단 결과에 따라 엘리베이터 동작 상태에 전조 증상 또는 이상 증상이 있는 것을 판단되는 경우, 관리자 단말기로 알람 메시지를 제공한다.The server stage 200 applies the color map generated from the inference information and the motion information to the deep learning model to generate a diagnostic identifier of the diagnostic content corresponding to the color map, and from the combination of the diagnostic identifier generated for a set time, the elevator status diagnose When it is determined that there is a precursor symptom or an abnormal symptom in the elevator operation state according to the diagnosis result, an alarm message is provided to the manager terminal.

여기서 에지단(100)은 엘리베이터에 위치되거나 엘리베이터가 설치된 현장에 위치하며, 서버단(200)는 엘리베이터가 설치된 현장에서 벗어나 엘리베이터의 동작 상태를 감지하고 유지 보수하는 장소에 배치된다.Here, the edge end 100 is located in the elevator or is located at the site where the elevator is installed, and the server end 200 is disposed at a place to detect and maintain the operating state of the elevator away from the site where the elevator is installed.

에지단(100)에 대해 보다 구체적으로 살펴보면, 에지단(100)은 엘리베이터의 제1 동작 정보을 수신하고 수신한 제1 동작 정보를 머신러닝 모델1에 적용하여 엘리베이터 동작 상태에 대한 제1 추론 정보를 생성하는 제1 추론부(110), 엘리베이터의 제2 동작 정보를 수신하고 수신한 제2 동작 정보를 머신러닝 모델2에 적용하여 엘리베이터 동작 상태에 대한 제2 추론 정보를 생성하는 제2 추론부(130) 및 엘리베이터의 제3 동작 정보를 수신하고 수신한 제3 동작 정보로 이루어진 동작 정보 패킷을 생성하는 동작 정보 생성부(150)를 구비하고 있다. 여기서 제1 추론 정보, 제2 추론 정보 및 동작 정보 패킷은 제1 주기마다 주기적으로 생성된다.Looking at the edge end 100 in more detail, the edge end 100 receives the first operation information of the elevator and applies the received first operation information to the machine learning model 1 to obtain first inference information about the elevator operation state. The first inference unit 110 to generate, a second inference unit for receiving the second operation information of the elevator and applying the received second operation information to the machine learning model 2 to generate second inference information about the elevator operation state ( 130) and an operation information generating unit 150 that receives the third operation information of the elevator and generates an operation information packet composed of the received third operation information. Here, the first speculation information, the second speculation information, and the operation information packet are periodically generated for each first period.

여기서 머신러닝 모델은 엘리베이터 동작 정보와 그에 대한 엘리베이터 동작 상태의 추론 정보로 이루어진 데이터셋을 학습하여 생성되는데, 머신러닝 모델은 널리 공지된 것으로 이에 대한 상세한 설명은 생략한다.Here, the machine learning model is generated by learning a dataset consisting of elevator operation information and inference information of the elevator operation state for it.

여기서 에지단(100)은 추론하고자 하는 엘리베이터 동작 상태에 따라 상이한 수의 추론부를 구비할 수 있으며, 이는 본 발명의 범위에 속한다.Here, the edge end 100 may be provided with a different number of reasoning units according to the elevator operating state to be inferred, which falls within the scope of the present invention.

에지단(100)는 에지 통신부(미도시)를 통해 주기적으로 생성되는 제1 추론 정보, 제2 추론 정보 및 동작 정보 패킷을 제1 주기마다 또는 제2 주기마다 주기적으로 서버단(200)으로 송신한다.The edge end 100 periodically transmits the first reasoning information, the second reasoning information, and the operation information packet generated periodically through an edge communication unit (not shown) to the server end 200 at every first cycle or every second cycle. do.

한편, 서버단(200)에 대해 보다 구체적으로 살펴보면, 서버단(200)는 서버 통신부(미도시)를 통해 제1 추론 정보, 제2 추론 정보 및 동작 정보 패킷을 주기적으로 수신하는데, 컬러맵 생성부(210)는 추론 정보의 종류와 결과에 따라 할당된 추론 컬러값과 동작 정보의 종류와 결과에 할당된 동작 컬러값으로부터 컬러맵을 생성한다. 추론 정보의 종류와 결과에 할당된 추론 컬러값 및 동작 정보의 종류와 결과에 할당된 동작 컬러값에 대한 정보는 컬러맵 생성부(210)에 구비된 데이터베이스부에 저장되어 있는데, 추론 정보의 종류와 결과에 따라 상이한 RGB 컬러값으로 추론 컬러값을 할당하거나 동작 정보의 종류와 결과에 따라 상이한 RGB 컬러값으로 동작 컬러값을 할당할 수 있다.Meanwhile, looking at the server end 200 in more detail, the server end 200 periodically receives the first reasoning information, the second reasoning information, and the operation information packet through the server communication unit (not shown), and generates a color map. The unit 210 generates a color map from the speculation color value assigned according to the type and result of the speculation information and the motion color value assigned to the type and result of the motion information. Information on the type of reasoning information and the inference color value assigned to the result and the type of motion information and the motion color value assigned to the result are stored in the database unit provided in the color map generating unit 210 . Inferred color values can be assigned to different RGB color values according to the , and the motion color values can be assigned to different RGB color values according to the type and result of motion information.

진단 분류부(230)는 컬러맵을 딥러닝 모델에 적용하여 컬러맵에 해당하는 엘리베이터 상태의 진단 내용을 판단하고 판단한 진단 내용에 해당하는 진단 식별자를 판단한다. 분류 모델링부(250)는 컬러맵을 이용하여 컬러맵에 따른 엘리베이터 진단 내용을 학습하고 컬러맵에 따른 엘리베이터의 전조 증상 또는 이상 증상을 나타내는 진단 내용을 분류하는 딥러닝 모델을 생성한다.The diagnosis classification unit 230 applies the color map to the deep learning model to determine the diagnosis content of the elevator state corresponding to the color map, and determines the diagnosis identifier corresponding to the determined diagnosis content. The classification modeling unit 250 generates a deep learning model for learning the elevator diagnosis contents according to the color map by using the color map and classifying the diagnosis contents indicating the precursor symptoms or abnormal symptoms of the elevator according to the color map.

바람직하게, 분류 모델링부(250)는 이미지 학습에 유리한 CNN(Convolutional Neural Network) 모델을 이용하여 딥러닝 모델을 생성할 수 있다. CNN은 전통적인 뉴럴 네트워크 앞에 여러 계층의 컨볼루셔널 계층을 붙인 모양이다. CNN은 앞의 컨볼루셔널 계층을 통해서 입력 받은 이미지에 대한 특징(Feature)를 추출하게 되고, 이렇게 추출된 특징을 기반으로 기존의 뉴럴 네트워크를 이용하여 분류를 해내게 된다.Preferably, the classification modeling unit 250 may generate a deep learning model using a Convolutional Neural Network (CNN) model that is advantageous for image learning. CNN looks like a traditional neural network with several convolutional layers attached to it. CNN extracts features from the input image through the previous convolutional layer, and classifies it using an existing neural network based on the extracted features.

CNN은 생명체의 시각 처리 방식을 모방하기 위해 convolution이라는 연산을 인공신경망에 도입함으로써 이미지 처리 분야에서 기존의 머신 러닝 알고리즘들을 압도하였다. CNN에서는 입력 및 출력 부분에서 뉴런들이 느슨하게 연결되어 있다. 이러한 구조적 특징에 의해 CNN은 DFN(Deep Feedforward Network)이나 RNN(Recurrent Neural Network)에 비해 학습해야하는 가중치의 수가 적으며, 이 덕분에 학습 및 예측이 빠르다는 장점이 있다. 최근에는 CNN의 강력한 예측 성능과 계산상의 효율성을 바탕으로 이미지뿐만 아니라 시계열 데이터에도 CNN을 적용하는 연구가 활발히 진행되고 있다.CNN has overtaken the existing machine learning algorithms in the image processing field by introducing an operation called convolution to the artificial neural network to imitate the visual processing method of living things. In CNNs, neurons are loosely connected in the input and output parts. Due to these structural features, CNN has fewer weights to learn compared to Deep Feedforward Network (DFN) or Recurrent Neural Network (RNN), and has the advantage of fast learning and prediction thanks to this. Recently, based on the powerful prediction performance and computational efficiency of CNNs, studies that apply CNNs to time series data as well as images are being actively conducted.

본 발명이 적용되는 분야에 따라 분류 모델링부(270)는 다양한 알고리즘을 이용하여 딥러닝 모델을 생성할 수 있으며, 이에 대한 알고리즘은 널리 공지된 것으로 이에 대한 상세한 설명은 생략한다.Depending on the field to which the present invention is applied, the classification modeling unit 270 may generate a deep learning model using various algorithms, and the algorithm for this is widely known, and detailed description thereof will be omitted.

진단부(270)는 설정된 시간 동안 시계열적으로 순차적 생성되는 진단 식별자로 이루어진 진단 패턴과 이상 기준 패턴을 비교하여 진단 패턴과 일치하는 이상 기준 패턴이 존재하는지 검색하며, 진단 패턴과 일치하는 이상 기준 패턴이 검색되는 경우 검색한 이상 기준 패턴에 따라 진단 결과를 판단한다. 바람직하게, 진단부(270)는 진단 결과에 따라 고장 발생 예측 시점을 판단한다. The diagnostic unit 270 compares a diagnostic pattern made up of diagnostic identifiers sequentially generated in time series for a set time with an abnormal reference pattern to search for an abnormal reference pattern matching the diagnostic pattern, and searches for an abnormal reference pattern matching the diagnostic pattern. When this is detected, the diagnosis result is determined according to the searched abnormal reference pattern. Preferably, the diagnosis unit 270 determines a time at which the occurrence of a failure is predicted according to the diagnosis result.

여기서 진단부(270)에는 이상 기준 패턴, 이상 기준 패턴에 따른 진단 결과, 진단 결과에 따라 예측되는 고장 발생 예측 시점에 대한 정보가 저장되어 있는 데이터베이스부를 구비하고 있다. 고장 발생 예측 시점은 이상 기준 패턴에 따라 전조 증상 또는 이상 증상의 진단 결과가 검색되는 경우, 전조 증상 또는 이상 증상 이후 고장이 발생하는 과거 이력에 기초하여 생성될 수 있다.Here, the diagnosis unit 270 includes a database unit in which information on an abnormal reference pattern, a diagnosis result according to the abnormal reference pattern, and a time at which a failure occurs predicted according to the diagnosis result is stored. When a diagnosis result of a precursor symptom or an abnormal symptom is retrieved according to an abnormal reference pattern, the failure occurrence prediction time may be generated based on a past history in which a failure occurs after the precursor symptom or abnormal symptom.

알람부(290)는 이상 기준 패턴이 검색되는 경우, 전조 증상 또는 이상 증상의 진단 결과와 고장 발생 예측 시점에 대한 정보를 구비하는 알람 메시지를 생성하고, 생성한 알람 메시지를 관리자 단말기로 제공한다.When an abnormal reference pattern is found, the alarm unit 290 generates an alarm message including information on a diagnosis result of a precursor symptom or an abnormal symptom and a predicted time of occurrence of a failure, and provides the generated alarm message to the manager terminal.

도 2는 본 발명에 따른 엘리베이터 상태의 진단 방법을 설명하기 위한 흐름도이다.2 is a flowchart illustrating a method for diagnosing an elevator condition according to the present invention.

도 2를 참고로 보다 구체적으로 살펴보면, 에지단으로부터 엘리베이터 동작 상태에 대한 추론 정보와 엘리베이터의 동작 정보를 수신한다(S110). 여기서 엘리베이터의 동작 정보는 가공되지 않은 동작 정보이거나 동작 정보를 기설정된 임계값과 비교하여 생성되는 동작 정보별 상태를 나타내는 상태값일 수 있다. 서버단은 에지단으로부터 가공되지 않은 동작 정보를 수신하는 경우 동작 정보를 기설정된 임계값과 비교하여 동작 정보별 상태값을 생성할 수 있다.Referring to FIG. 2 in more detail, inference information about the elevator operation state and operation information of the elevator are received from the edge end (S110). Here, the operation information of the elevator may be raw operation information or a state value indicating a state for each operation information generated by comparing the operation information with a preset threshold value. When the server end receives the raw motion information from the edge end, the server end may compare the motion information with a preset threshold value to generate a state value for each motion information.

추론 정보의 종류와 결과에 따라 할당된 추론 컬러값과 동작 정보의 종류와 결과에 할당된 동작 컬러값으로부터 컬러맵을 생성한다(S130). 컬러맵을 생성시 추론 정보의 종류와 결과에 따라 할당된 추론 컬러값을 데이터베이스부에서 검색하고, 동작 정보의 종류와 결과에 할당된 동작 컬러값을 데이터베이스부에서 검색하며, 추론 정보의 종류에 따라 할당된 컬러맵 위치 그리고 동작 정보의 종류에 따라 할당된 컬러맵 위치에 따라 추론 컬러값과 동작 컬러값을 배치시켜 컬러맵을 생성한다.A color map is generated from the inference color value allocated according to the type and result of the inference information and the operation color value allocated to the type and result of the operation information (S130). When the color map is created, the database unit searches for an inference color value assigned according to the type and result of the inference information, and the database unit searches for the motion color value assigned to the type and result of the motion information. A color map is generated by arranging the inferred color value and the motion color value according to the assigned color map position and the assigned color map position according to the type of motion information.

생성한 컬러맵을 딥러닝 모델에 적용하여 엘리베이터 동작 상태에 대한 진단 내용을 분류하고 진단 내용에 따른 진단 식별자를 판단한다(S150). The generated color map is applied to the deep learning model to classify the diagnosis contents for the elevator operation state and to determine the diagnosis identifier according to the diagnosis contents (S150).

설정된 시간 동안 시계열적으로 순차적 생성되는 진단 식별자의 조합으로부터 진단 패턴을 생성하고 생성한 진단 패턴으로부터 엘리베이터의 전조 증상 또는 이상 증상의 엘리베이터의 진단 결과를 생성한다(S170).A diagnostic pattern is generated from a combination of diagnostic identifiers that are sequentially generated over time for a set time, and a diagnostic result of an elevator with a prognostic symptom or abnormal symptom of an elevator is generated from the generated diagnostic pattern (S170).

생성한 진단 결과에 기초하여 엘리베이터 동작 상태에 설정된 전조 증상 또는 이상 증상이 검색되는 경우, 진단 결과를 구비하는 알람 메시지를 생성하고 생성한 알람 메시지를 관리자 단말기로 제공한다(S190).When a precursor symptom or abnormal symptom set in the elevator operation state is searched for based on the generated diagnosis result, an alarm message including the diagnosis result is generated and the generated alarm message is provided to the manager terminal (S190).

도 3은 본 발명에 따라 생성되는 컬러맵의 포맷의 일 예를 설명하기 위한 도면이다.3 is a diagram for explaining an example of a format of a color map generated according to the present invention.

도 3을 참고로 보다 구체적으로 살펴보면, 컬러맵은 N X M(여기서 N, M은 자연수)의 행렬 형태로 생성되는데, 1행에는 머신러닝 모델을 이용하여 추론된 엘리베이터 동작 상태에 대한 추론 정보에 할당된 추론 컬러값이 위치하고, 2행 및 3행에는 엘리베이터 동작 정보에 할당된 동작 컬러값이 위치한다.Referring to FIG. 3 in more detail, the color map is generated in the form of a matrix of N X M (where N, M are natural numbers), and in row 1, the Inferred color values are located, and operation color values assigned to elevator operation information are located in rows 2 and 3.

추론 정보의 종류와 결과에 따라 상이한 추론 컬러값과 동작 정보의 종류와 결과에 따라 상이한 동작 컬러값을 가지는 컬러맵이 생성될 수 있다.A color map having different inferred color values according to the type and result of the inference information and different operation color values according to the type and result of the operation information may be generated.

본 발명이 적용되는 분야에 따라 추론 정보의 종류에 따라 또는 동작 정보의 종류에 따라 다양한 크기의 컬러맵이 생성될 수 있으며 이는 본 발명의 범위에 속한다.Depending on the field to which the present invention is applied, a color map of various sizes may be generated according to a type of inference information or a type of motion information, which falls within the scope of the present invention.

도 4는 컬러맵 포맷으로 생성되는 컬러맵의 일 예를 도시하고 있다.4 illustrates an example of a color map generated in a color map format.

도 4(a)에 도시되어 있는 바와 같이, 추론결과 및 동작 정보의 결과가 모두 정상인 경우 녹색의 추론 컬러값과 동작 컬러값이 할당되어 컬러맵이 생성된다.As shown in FIG. 4( a ), when both the inference result and the operation information result are normal, the green inferred color value and the operation color value are allocated to generate a color map.

도 4(b)에 도시되어 있는 바와 같이, 추론결과1이 도어 속도이며 머신러닝 모델을 통해 판단한 도어 속도의 전조 증상 또는 이상 증상에 따라 판단한 추론 정보에 할당된 추론 컬러값(노란색) 및 도어 위치의 엘리베이터 동작 정보의 상태값에 할당된 동작 컬러값(노란색)을 가지는 컬러맵이 생성될 수 있다.As shown in Fig. 4(b), the inference result 1 is the door speed, and the inference color value (yellow) and the door position assigned to the inference information determined according to the prognostic or abnormal symptom of the door speed determined through the machine learning model. A color map having an operation color value (yellow) assigned to a state value of elevator operation information of may be generated.

도 4(c)에 도시되어 있는 바와 같이, 추론결과1이 도어 속도이며 머신러닝 모델을 통해 판단한 도어 속도의 전조 증상 또는 이상 증상에 따라 판단한 추론 정보에 할당된 추론 컬러값(빨간색) 및 도어 위치의 엘리베이터 동작 정보의 상태값에 할당된 동작 컬러값(주항색)을 가지는 컬러맵이 생성될 수 있다.As shown in Fig. 4(c), the inference result 1 is the door speed, and the inference color value (red) and the door position assigned to the inference information determined according to the prognostic or abnormal symptom of the door speed determined through the machine learning model. A color map having an operation color value (main color) assigned to a state value of elevator operation information of may be generated.

이와 같이 추론 정보에 따라 다양한 전조 증상 또는 이상 증상에 할당된 추론 컬러값으로 표시하거나 다양한 동작 정보의 결과값에 할당된 동작 컬러값으로 컬러맵을 생성함으로써, 엘리베이터의 유지 관리자는 시각적으로 용이하게 엘리베이터 상태를 판단할 수 있다. In this way, by displaying as inferred color values assigned to various aura symptoms or abnormal symptoms according to the inference information, or by generating a color map with the motion color values assigned to the result values of various motion information, the elevator maintenance manager can visually and easily status can be judged.

한편, 머신러닝모델을 이용한 추론 정보가 포함되어 있는 컬러맵을 이용하여 딥러닝 모델을 생성함으로써, 머신러닝과 딥러닝의 앙상블 시스템으로 정확하게 엘리베이터의 전조 증상 또는 이상 증상을 판단할 수 있으며, 컬러맵 이미지를 통해 엘리베이터의 전조 증상 또는 이상 증상을 판단하는데 이용되는 딥러닝 모델을 적은 연산량으로 학습할 수 있다.On the other hand, by creating a deep learning model using a color map containing inference information using a machine learning model, an ensemble system of machine learning and deep learning can accurately determine the precursor symptoms or abnormal symptoms of the elevator, and the color map It is possible to learn a deep learning model that is used to determine the precursor symptoms or abnormal symptoms of an elevator through images with a small amount of computation.

도 5는 본 발명에 따라 엘리베이터 진단 결과를 판단하는 단계의 일 예를 설명하기 위한 흐름도이다.5 is a flowchart for explaining an example of the step of determining the elevator diagnosis result according to the present invention.

도 5를 참고로 보다 구체적으로 살펴보면, 컬러맵을 딥러닝 모델에 적용하여 판단한 진단 내용에 따른 진단 식별자를 생성함에 따라 설정된 시간 동안 순차적으로 진단 식별자가 입력된다(S171).Referring to FIG. 5 in more detail, as a diagnosis identifier is generated according to the diagnosis content determined by applying the color map to the deep learning model, the diagnosis identifier is sequentially input for a set time (S171).

설정된 시간 동안 순차적으로 입력되는 진단 식별자로 이루어진 진단 패턴을 생성하고(S173), 생성한 진단 패턴과 이상 기준 패턴을 비교하여 생성한 진단 패턴과 일치하는 이상 기준 패턴이 존재하는지 판단한다(S175). 생성한 진단 패턴과 일치하는 이상 기준 패턴이 존재하지 않는 경우 진단 식별자를 1개씩 이동하며 연속하여 진단 패턴을 생성하고 생성한 진단 패턴과 이상 기준 패턴을 비교하여 생성한 진단 패턴과 일치하는 이상 기준 패턴이 존재하는지 판단한다.A diagnostic pattern composed of the diagnostic identifiers sequentially input for a set time is generated (S173), and by comparing the generated diagnostic pattern with the abnormal reference pattern, it is determined whether there is an abnormal reference pattern matching the generated diagnostic pattern (S175). If there is no abnormal reference pattern matching the generated diagnostic pattern, the diagnostic identifier is moved one by one to continuously generate diagnostic patterns, and the generated diagnostic pattern is compared with the abnormal reference pattern to match the generated diagnostic pattern. determine if this exists.

그러나 진단 패턴과 일치하는 이상 기준 패턴이 존재하는 경우, 이상 기준 패턴에 해당하는 엘리베이터의 전조 증상 또는 이상 증상의 진단 결과를 판단한다(S177). However, if there is an abnormal reference pattern that matches the diagnostic pattern, the diagnosis result of the precursor symptom or abnormal symptom of the elevator corresponding to the abnormal reference pattern is determined (S177).

진단 결과에 기초하여 엘리베이터의 전조 증상 또는 이상 증상이 발생한 시점에 기초하여, 전조 증상 또는 이상 증상의 종류에 따라 차후 고장이 발생하는 시점을 예측하여 고장 발생 예측 시점을 판단한다(S179).Based on the diagnosis result, based on the timing of occurrence of the precursor symptoms or abnormal symptoms of the elevator, the timing of the occurrence of the next failure is predicted according to the type of the precursor symptoms or abnormal symptoms, and the predicted timing of the failure is determined (S179).

도 6은 컬러맵을 딥러닝 모델에 적용하여 판단한 진단 내용의 일 예와 각 진단 내용에 매핑되어 있는 진단 식별자의 일 예를 도시하고 있다. 진단 식별자의 각각의 의미는 컬러맵에 대한 CNN모델의 카테고리 값이다. 6 illustrates an example of diagnosis content determined by applying a color map to a deep learning model and an example of a diagnosis identifier mapped to each diagnosis content. Each meaning of the diagnostic identifier is the category value of the CNN model for the colormap.

도 7은 본 발명에서 진단 패턴을 생성하는 일 예를 설명하기 위한 도면이다.7 is a diagram for explaining an example of generating a diagnostic pattern in the present invention.

순차적으로 수신되는 컬러맵을 딥러닝 모델에 적용하여 생성되는 진단 식별자 중 설정된 시간(T) 동안의 윈도우(W)에 위치하는 진단 식별자로 진단 패턴을 생성한다. 예를 들어, 윈도우에 위치하는 진단 식별자 1, 1, 1, 1, 1으로 제1 진단 패턴을 생성하고 제1 진단 패턴과 일치하는 이상 기준 패턴이 존재하는지 검색한다.A diagnostic pattern is generated with a diagnostic identifier located in a window W for a set time T among diagnostic identifiers generated by applying a sequentially received color map to a deep learning model. For example, a first diagnostic pattern is generated using the diagnostic identifiers 1, 1, 1, 1, and 1 located in the window, and an abnormal reference pattern matching the first diagnostic pattern is searched for.

제1 진단 패턴과 일치하는 이상 기준 패턴이 존재하지 않은 경우, 다음으로 생성된 진단 식별자를 포함하도록 윈도우를 이동하고 윈도우에 위치하는 진단 식별자 1, 1, 1, 1, 4로 제2 진단 패턴을 생성하여 제2 진단 패턴과 일치하는 이상 기준 패턴이 존재하는지 검색한다. 이와 같이 계속해서 윈도우를 1칸씩 이동하며 진단 패턴을 생성하고 생성한 진단 패턴과 일치하는 이상 기준 패턴이 존재하는지 검색한다.If there is no abnormal reference pattern matching the first diagnostic pattern, the window is moved to include the next generated diagnostic identifier, and the second diagnostic pattern is set with the diagnostic identifiers 1, 1, 1, 1, 4 located in the window. generated and searched for whether an abnormal reference pattern matching the second diagnostic pattern exists. In this way, the window is continuously moved one space at a time to generate a diagnostic pattern, and an abnormal reference pattern matching the generated diagnostic pattern is searched for.

예를 들어, 승객갇힘에 대한 운행 이상의 전조 증상 패턴이 4, 1, 3, 2, 2이고, 컬러맵으로 통해 순차적으로 생성되는 식별자의 진단 패턴이 4, 1, 3, 2, 2인 경우, 승객갇힘에 대한 운행 이상의 전조 증상 패턴으로 식별하게 된다. 전조 증상 패턴이 검색되는 경우, 전조 증상 이후 고장이 발생하는 날짜에 대한 기존 데이터에 기초하여 고장 발생일을 예측하여 관리자에 알려줄 수 있다.For example, if the pattern of symptoms of driving abnormalities for passenger entrapment is 4, 1, 3, 2, 2, and the diagnostic pattern of identifiers sequentially generated through the color map is 4, 1, 3, 2, 2, It is identified as a symptom pattern of a driving anomaly for passenger entrapment. When a precursor symptom pattern is found, the failure occurrence date may be predicted based on the existing data on the date on which the failure occurs after the precursor symptom, and the manager may be informed.

도 8은 본 발명에 따라 관리자로 제공되는 알람 메시지의 일 예를 도시하고 있다.8 illustrates an example of an alarm message provided to an administrator according to the present invention.

도 8에 도시되어 있는 바와 같이, 알람 메시지에는 엘리베이터의 전조 증상 또는 이상 증상 등의 진단 결과와 고장발생 예측 시점에 대한 정보가 포함되어 있으며, 순차적으로 수신되는 컬러맵으로부터 판단한 진단 내용의 로그 기록이 포함되어 있으며, 이상 기준 패턴과 일치하는 진단 패턴이 검색되는 경우 검색한 이상 기준 패턴을 컬러맵으로 시각화하여 출력한다. As shown in FIG. 8 , the alarm message includes diagnosis results such as aura or abnormal symptoms of the elevator and information on the predicted failure time, and the log recording of the diagnosis contents determined from the sequentially received color map. included, and when a diagnostic pattern matching the abnormal reference pattern is found, the searched abnormal reference pattern is visualized and output as a color map.

한편, 상술한 본 발명의 실시 예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.Meanwhile, the above-described embodiments of the present invention can be written as a program that can be executed on a computer, and can be implemented in a general-purpose digital computer that operates the program using a computer-readable recording medium.

상기 컴퓨터로 읽을 수 있는 기록 매체는 마그네틱 저장 매체(예를 들어, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장 매체를 포함한다.The computer-readable recording medium includes a magnetic storage medium (eg, ROM, floppy disk, hard disk, etc.), an optically readable medium (eg, CD-ROM, DVD, etc.) and a carrier wave (eg, Internet storage media such as transmission via

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다. Although the present invention has been described with reference to the embodiment shown in the drawings, which is only exemplary, those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Accordingly, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.

100: 에지단 110: 제1 추론부
130: 제2 추론부 150: 동작정보 생성부
200: 서버단 210: 컬러맵 생성부
230: 진단 분류부 250: 분류 모델링부
270: 진단부 290: 알람부100: edge end 110: first reasoning unit
130: second reasoning unit 150: motion information generating unit
200: server end 210: color map generation unit
230: diagnostic classification unit 250: classification modeling unit
270: diagnostic unit 290: alarm unit

Claims

A method for diagnosing the condition of an elevator, comprising:
Receiving inference information and elevator operation information about the elevator operation state;
generating a color map from an inference color value allocated according to the type and result of the inference information and an operation color value allocated to the type and result of the operation information;
determining a diagnostic identifier for an elevator operation state using the generated color map;
The method of diagnosing an elevator state, comprising generating an alarm message including a diagnosis result of the elevator from the diagnosis identifier, and providing the generated alarm message to an administrator terminal.

The method of claim 1,
The inference information about the elevator operation state is determined by applying the information on the elevator operation state to a machine learning model,
The diagnostic identifier for the elevator operation state is a diagnostic method of an elevator state, characterized in that it is determined by applying the color map to a deep learning model.

The method of claim 2, wherein generating the color map comprises:
determining a type of the inference information and an inference color value assigned to a result of the inference information;
determining a type of the motion information and a motion color value assigned to a result; and
Elevator state diagnosis method, comprising the step of generating a color map by arranging the determined inferred color value and the motion color value at the position assigned to the type of inference information and the position assigned to the type of the operation information, respectively .

The method of claim 3, wherein the determining of the diagnostic identifier comprises:
applying the color map to a deep learning model to determine diagnostic content for the color map; and
and retrieving a diagnosis identifier mapped to the diagnosis contents in a diagnosis database and determining a diagnosis identifier corresponding to the diagnosis contents.

5. The method of claim 4, wherein generating the alarm message comprises:
generating a diagnostic pattern including diagnostic identifiers that are sequentially generated in time series;
comparing the generated diagnostic pattern with an abnormal reference pattern and searching for an abnormal reference pattern matching the diagnostic pattern; and
and generating an alarm message having a diagnosis result corresponding to the searched abnormal reference pattern.

6. The method of claim 5,
The diagnostic pattern is an elevator condition diagnosis method, characterized in that it is generated from the diagnostic identifiers that are sequentially generated in time series during a set time window.

The method of claim 5, wherein the generating of the alarm message comprises:
The method further comprises the step of determining the predicted failure time based on the time when the searched reference diagnostic pattern occurs and the diagnostic result corresponding to the searched reference diagnostic pattern,
The method for diagnosing the elevator state, characterized in that the alarm message includes information on the predicted time of occurrence of the failure together with the diagnosis result.

The method of claim 5, wherein the generating of the alarm message comprises:
The method further comprises generating a color map combination that is sequentially generated in time series, corresponding to the diagnostic identifiers constituting the diagnostic pattern,
Elevator status diagnosis method, characterized in that the alarm message includes the color map combination together with the diagnosis result.