KR102458080B1

KR102458080B1 - 딥러닝 기반의 모터 이상감지 시스템

Info

Publication number: KR102458080B1
Application number: KR1020220030469A
Authority: KR
Inventors: 강재우; 이정주; 임병걸; 성태진
Original assignee: (주)플루토솔루션
Priority date: 2022-03-11
Filing date: 2022-03-11
Publication date: 2022-10-25

Abstract

본 발명은 딥러닝 기반의 모터 이상 감지 시스템 및 그 방법에 관한 것으로서, 적어도 하나 이상의 모터에 각각 배치된 진동 센서로부터 수집된 각 모터의 진동데이터에 기반하여, 각 모터의 이상 여부를 출력하는 이상 감지 서버를 포함하되, 상기 이상 감지 서버는, 이상 감지 프로그램이 저장된 메모리 및 상기 이상 감지 프로그램을 실행하는 프로세서를 포함하고, 상기 이상 감지 프로그램은, 상기 각 모터의 진동데이터를 기초로 기계학습된 기계학습모델을 이용하여, 각 모터별로 입력된 진동데이터를 상기 기계학습모델에 입력하여, 각 모터의 이상 발생 여부 및 이상 원인을 출력하는 시스템에 관한 것이다.

Description

딥러닝 기반의 모터 이상감지 시스템{MOTOR ABNORMALITY DETECTION SYSTEM BASED ON DEEP LEARNING}

본 발명은 딥러닝 기반의 모터 이상감지 시스템 및 그 제공방법에 관한 것으로서, 보다 상세하게는, 모터의 진동데이터를 이용하여 딥러닝(Deep learning) 모델링 기법으로 모터의 이상을 감지하는 방법 및 시스템에 관한 것이다.

최근 기계학습 기술 중 딥러닝 기술의 발전에 힘입어 최신 딥러닝 기술을 IoT 분야에 적용하는 연구가 활발히 이루어지고 있다.

특히, IoT 분야에서는 딥러닝 기술이 적용되기 전부터 통계적 기법이나 규칙기반 기법에 의한 사물의 이상을 감지(Anomaly detection)하는 기술이 연구되었으며, 이상 감지는 정상(Normal) sample과 비정상(Abnormal) 샘플을 구별해 내는 것으로 제조업 뿐만 아니라 CCTV, 의료 영상, SNS 등 다양한 분야에서 응용될 수 있다.

예를 들면, 보안 분야에서의 사이버 침입 탐지, 금융 분야에서의 사기 탐지, 의료 분야에서의 이상치 탐지, SNS상에서의 이상치 탐지, 산업 분야에서의 장비 이상 감지 등에서 응용되고 있다.

한편, 산업 장치에는 여러 개의 모터가 구동 장치로서 사용되고 있다. 이러한 모터의 동작 상태 모니터링을 위해, 종래에는 규칙 기반의 알고리즘을 이용하여, 모터의 동작과 관련한 여러 값들이 상한 또는 하한 내에 있는지 여부를 판단하였다. 그러나, 모터의 종류가 매우 다양한 경우에는, 이러한 규칙 기반 알고리즘의 수학적 풀이가 매우 어려워지는 문제가 있다. 또한, 특정 모터에 이상이 발생한 것을 탐지하는 것 외에, 그 이상이 발생하게 된 원인을 탐지하기 어렵다.

본 발명에서는 이러한 사물의 이상 감지 기술을 모터의 상태 모니터링 기술에 이용하여 다양한 장치에 사용되는 모터의 이상 여부를 판별하는 기술을 제안하고자 한다.

본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 딥러닝 기반의 모터 이상감지 시스템 제공방법을 제공하여, 다량의 모터 진동데이터를 이용하여 기계학습모델을 만들고, 이 기계학습모델을 이용하여 특정 모터의 이상 여부를 판별하는 것을 목적으로 한다.

본 발명이 해결하려는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예에 따르는 딥러닝 기반의 모터 이상 감지 시스템은, 적어도 하나 이상의 모터에 각각 배치된 진동 센서로부터 수집된 각 모터의 진동데이터에 기반하여, 각 모터의 이상 여부를 출력하는 이상 감지 서버를 포함하되, 상기 이상 감지 서버는, 이상 감지 프로그램이 저장된 메모리 및 상기 이상 감지 프로그램을 실행하는 프로세서를 포함하고, 상기 이상 감지 프로그램은, 상기 각 모터의 진동데이터를 기초로 기계학습된 기계학습모델을 이용하여, 각 모터별로 입력된 진동데이터를 상기 기계학습모델에 입력하여, 각 모터의 이상 발생 여부 및 이상 원인을 출력하는 것일 수 있다.

또한, 상기 이상 감지 서버는, (a-1) 각 모터의 진동데이터를 규칙 기반 이상 감지 모듈에 입력시키는 단계; (a-2) 상기 규칙 기반 이상 감지 모듈에 의해 이상이 탐지된 경우, 관리자단말에서 실행되는 모니터링UI를 통해 이상 발생을 통지하고, 상기 이상 발생에 대한 원인을 입력하도록 가이드 하는 단계; 및 (a-3) 상기 단계를 통해 수집된 이상 발생 및 이상의 원인 데이터를 기초로 기계학습모델을 구축하는 단계;를 통해 구축된 것일 수 있다.

또한, 상기 (a-1) 단계는, 상기 진동데이터를 A/D변환후, PCM(Pulse Code Modulation)신호로 변환하여 상기 규칙 기반 이상 감지 모듈에 입력시키는 것일 수 있다.

또한, 상기 (a-2) 단계는, 각각의 진동데이터 별로 각각의 상한값 및 하한값을 설정하고, 기 설정된 시간 동안 기 설정된 횟수 이상의 상기 상한값을 초과하거나 하한값을 하회하는 값이 수집되는 경우, 해당 모터의 상태를 이상상태로 판별하여 제1알람을 모니터링UI를 통하여 상기 관리자단말로 제공하고, 모니터링UI 중 상기 진동데이터를 선택하여 모터상태데이터와 매칭하는 매칭데이터를 수신하는 것일 수 있다.

또한, 상기 (a-3) 단계는, 기 설정된 기계학습기법에 따라 학습을 수행하여 기계학습모델을 생성하되, 매칭데이터 중 적어도 하나를 학습데이터의 입력값으로 설정하고, 상기 관리자단말로부터 입력 받은 정상, 베어링 불량, 회전체 불평형, 축정렬 불량 및 벨트 느슨함 중 적어도 하나를 포함하는 모터상태데이터를 출력값으로 설정하여 기 설정된 알고리즘에 따라 기계학습을 수행한 기계학습모델을 생성하는 것일 수 있다.

또한, 상기 진동 센서의 진동데이터를 수신하고, 이를 상기 이상 감지 서버에 전송하는 하나 이상의 IoT 게이트웨이를 더 포함하되, 상기 이상 감지 서버는 상기 기계학습모델의 구축이 완료된 경우, 이를 상기 IoT 게이트웨이에 배포하고, 상기 IoT 게이트웨이는 배포된 상기 기계학습모델을 기초로, 각 모터의 이상 여부 및 이상 원인을 직접 추론하는 것일 수 있다.

또한, 상기 IoT게이트웨이는, 상기 진동 센서와 이상 감지 서버를 중개하는 단말인 것이되, (b-1) 복수의 상기 진동 센서와 연결된 IoT 게이트웨이에 상기 기계학습모델을 배포하여 저장하는 단계; 를 통해 구축된 것일 수 있다.

또한, 상기 IoT 게이트웨이는, (b-2) 상기 기계학습모델의 학습 결과값에 따라 수집되는 진동데이터를 정상, 베어링 불량, 회전체 불평형, 축정렬 불량 및 벨트 느슨함 중 하나로 판별하는 단계;를 통하여 각 모터의 이상 여부 및 이상 원인을 직접 추론하는 것일 수 있다.

또한, 상기 기계학습모델이 배포된 이후, 상기 모터에 대한 추가 진동데이터가 수집되는 경우, 수집된 진동데이터가 이상 감지 서버로 전달되기 전에, IoT 게이트웨이에서 저장된 기계학습모델에 기반하여 상기 모터에 대한 이상동작 판단을 수행하는 것일 수 있다.

본 발명의 일 실시 예에 따르는 딥러닝 기반의 모터 이상 감지 시스템에 의해 수행되는, 딥러닝 기반의 모터 이상감지 제공방법은, (a) 하나 이상의 모터에 각각 배치된 진동 센서로부터 각 모터의 진동데이터를 수신하는 단계; 및 (b) 수신된 진동데이터를 기계학습모델에 입력하여, 각 모터의 이상 발생 여부 및 이상 원인을 출력하는 단계;를 포함하되, 상기 기계학습모델은 각 모터의 진동데이터를 규칙 기반 이상 감지 모듈에 입력시켜 이상이 탐지된 경우 관리자단말에서 실행되는 모니터링UI를 통해 이상 발생을 통지하고, 상기 이상 발생에 대한 원인을 입력하도록 가이드 하여 수집된 학습 데이터를 기초로 구축된 것일 수 있다.

또한, 상기 (b)단계는, 상한값 및 하한값을 설정하고, 기 설정된 시간 동안 기 설정된 횟수 이상의 상기 상한값을 초과하거나 하한값을 하회하는 값이 수집되는 경우, 해당 모터의 상태를 이상상태로 판별하는 단계; 및 이상상태로 판별된 모터의 상태를 기계학습모델의 학습 결과값에 따라 베어링 불량, 회전체 불평형, 축정렬 불량 및 벨트 느슨함 중 하나로 판별하는 단계;를 포함할 수 있다.

또한, (c) 상기 기계학습모델을 적어도 하나 이상의 IoT 게이트웨이에 배포하고, 상기 기계학습모델이 배포된 이후, 상기 모터에 대한 추가 진동데이터가 수집되는 경우, 수집된 진동데이터가 이상 감지 서버로 전달되기 전에, IoT 게이트웨이에서 상기 기계기학습모델을 기초로, 각 모터의 이상 여부 및 이상 원인을 직접 추론하는 단계;를 더 포함할 수 있다.

또한, 상기 모니터링UI는, 상기 모터가 위치한 사업장 정보, 모터의 종류, 모터의 모델명, 모터의 설치일 및 관리자, 상기 모터에 설치된 센서로부터 측정된 측정 값에 대한 복수의 기 설정된 기간 별 그래프, 기 설정된 기간 별 알람 발생 그래프 및 리스트를 포함하되, 상기 모터에 대한 이상이 탐지된 경우 상기 관리자단말로 상기 모터에 이상이 발생하였음을 알리는 제2알람을 제공하는 것일 수 있다.

본 발명은 딥러닝 기반의 모터 이상감지 시스템 제공방법을 제공하여, 다량의 모터 진동데이터를 수집 및 학습하여 기계학습모델을 만들고, 이 기계학습모델을 이용하여 특정 모터의 이상 여부를 판별할 수 있다.

또한, 기계학습모델과 별도로 시스템에 구성되는 규칙 기반 이상 탐지부를 이용하여 이상 여부를 좀더 정확하게 판별할 수 있을 뿐만 아니라, 이상의 원인에 대하여 이상으로 추정되는 데이터에 대한 입력을 관리자단말로부터 수신하여 태깅하는 방식으로 이루어지기 때문에 이상의 원인에 대한 구체적 추론도 가능하다.

도1은 본 발명의 일 실시 예에 따르는, 딥러닝 기반의 모터 이상감지 시스템의 구조도 이다.
도2는 본 발명의 일 실시 예에 따르는, 딥러닝 기반의 모터 이상감지 서버의 내부구성을 나타내는 블록도 이다.
도3은 본 발명의 일 실시 예에 따르는, 딥러닝 기반의 모터 이상감지 시스템 제공방법의 개념도 이다.
도4는 본 발명의 일 실시 예에 따르는, 기계학습모델의 내부구성을 나타내는 블록도 이다.
도5는 본 발명의 일 실시 예에 따르는, 모터에 설치된 센서로부터 수집되는 원시 데이터의 구성요소를 나타낸 도표이다.
도6a는 본 발명의 일 실시 예에 따르는, 모니터링 UI의 예시도 이다.
도6b는 본 발명의 일 실시 예에 따르는, 센서관리UI 의 예시도 이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

이하에서 언급되는 "단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 등을 포함할 수 있다. 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 스마트폰(smart phone), 태블릿 PC, 웨어러블 디바이스뿐만 아니라, 블루투스(BLE, Bluetooth Low Energy), NFC, RFID, 초음파(Ultrasonic), 적외선, 와이파이(WiFi), 라이파이(LiFi) 등의 통신 모듈을 탑재한 각종 디바이스를 포함할 수 있다.

또한, "네트워크"는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.

본 발명은 딥러닝 기반의 모터 이상감지 시스템 제공방법에 관한 것으로서, 모터의 진동데이터를 이용하여 딥러닝(Deep learning) 모델링 기법으로 모터의 이상을 감지하는 방법 및 시스템에 관한 것이다.

먼저, 도1을 참조하여, 본 발명의 일 실시예에 따르는 딥러닝 기반의 모터 이상감지 시스템에 대하여 설명하도록 한다.

본 발명의 일 실시예에 따르는 시스템은 이상 감지 서버(100), 이상감지 관찰의 대상이 되는 적어도 하나 이상의 모터(200) 및 관리자단말(300)을 포함한다.

모터(200)는 모터장치 외에도 산업현장에 활용되는 각종 장치를 포함하는 것일 수 있다.

관리자단말(300)은 딥러닝 기반의 모터 이상감지 시스템 제공방법을 수행하는 프로그램(또는 애플리케이션)이 기 설치된 것으로서, 스마트폰, PDA, 데스크탑, 랩탑 또는 태블릿PC의 형태로 구현될 수 있으며, 통신망을 통해 이상 감지 서버(100) 및 IoT 게이트웨이(210)와 유무선으로 통신할 수 있다.

다음으로, 본 발명의 일 실시 예에 따르는 이상 감지 서버(100)는 딥러닝 기반의 모터 이상감지 시스템 제공방법을 수행하는 프로그램(또는 애플리케이션)이 저장된 메모리와 위 프로그램을 실행하는 프로세서를 포함하여 구성될 수 있다.

도2를 참조하면, 이상 감지 서버(100)의 프로세서는 메모리에 저장된 프로그램의 실행에 따라 다양한 기능을 수행할 수 있는데, 각 기능에 따라 프로세서에 포함되는 세부 구성요소들을 기계학습모델(110), 규칙기반 이상감지부(120), 및 이상감지 통지부(130)로 나타낼 수 있으며, 각 부에 대한 설명은 추후 기재하도록 한다.

이하에서, 도3을 참조하여 딥러닝 기반의 모터 이상감지 시스템 제공방법에 대하여 더 자세히 설명하도록 한다.

도시된 바와 같이, 산업현장에 구비된 복수의 모터(200)에 진동 센서(센서)가 결합되고, 각 진동 센서는 모터(200)로부터 수집한 센싱 정보를 IoT 게이트웨이(210)로 제공한다.

IoT 게이트웨이(210)는 제공받은 정보를 이상 감지 서버(100)로 제공하게 되며, 서버(100)는 규칙 기반 이상 감지 모듈의 동작과 기계학습모델의 생성 등의 과정을 수행한다.

이상 감지 서버(100)는 규칙 기반 이상 감지 모듈을 기반으로 수행된 감지 동작을 통하여 관리자단말(300)로 모터(200)의 이상상태에 대한 정보를 제공하며, 관리자단말(300)로부터 소정의 정보를 입력 받을 수 있다.

본 발명의 일 실시 예에 따르면, 산업현장에서 활용되는 복수의 모터(200)에 설치된 센서로부터 해당 모터(200)의 진동데이터가 수집되고, 수집된 진동 데이터는 이상 감지 서버(100)에 전달되어 서버의 DB에 저장될 수 있다.

이때, 센서는 진동센서, 전압센서, 압력센서 및 전류센서 등을 포함하는 것으로서, 관찰대상에 설치되어 관찰대상으로부터 발생하는 복수의 파라미터를 수집하여 이상 감지 서버(100)로 제공하는 것일 수 있으나, 이하에서 언급되는 센서는 진동센서인 것으로 가정하여 설명하도록 한다.

이상 감지 서버(100)는 센서로부터 수집된 진동데이터를 DB에 저장하고, 진동데이터와 모터상태데이터를 매칭하여 데이터를 가공할 수 있다.

본 발명의 일 실시 예에 따르는 데이터 가공 과정은, 기계학습모델(110)이 수집된 진동데이터를 A/D변환후, PCM(Pulse Code Modulation)신호로 변환하는 것으로서, 해당 과정은 종래기술에 해당하는 것이므로 자세히 설명하지 않는다.

이후, 이상 감지 서버(100)는 규칙기반 이상탐지를 수행하여, 진동데이터에 대한 이상유무를 판별하고, 관리자단말(300)로 알림정보를 제공할 수 있다.

본 발명의 일 실시 예에 따르는 규칙기반 이상탐지는, 규칙기반 이상감지부(120)에서 수행되며, 본 발명의 실시 이전 또는 상기 데이터를 가공하는 과정과 동시에 각각의 진동데이터 별로 각각의 상한값 및 하한값이 설정되는 것일 수 있다.

이때, 상한값 및 하한값은 후술할 모니터링UI 또는 센서관리UI를 통하여 관리자단말(300)로부터 설정 값을 입력 받아 설정되는 것일 수 있다.

다음으로, 규칙기반 이상감지부(120)는 기 설정된 시간 동안 기 설정된 횟수 이상 상한값을 초과하거나, 하한값을 하회하는 값이 수집되는 경우, 해당 모터 (200)의 상태를 이상상태로 판별하고, 이상 상태임을 경고하는 제1알람을 상기 관리자단말(300)로 제공한다.

여기서 관리자단말(300)은 제1알람의 대상이 되는 데이터를 표시하고, 해당 이상의 원인을 태깅하도록 가이드하여, 이상의 원인이 진동 데이터에 라벨링된 학습 데이터를 생성한다.

즉, 알람 발생의 원인이 되는 데이터 값에 모터(200)의 이상을 이상상태의 종류 별로 직접 식별하여 입력할 수 있으며 해당 마킹은 후술할 기계학습모델의 생성 과정에서 학습데이터로 활용될 수 있다.

마찬가지로, 상술한 기 설정된 시간 및 기 설정된 횟수 또한, 모니터링 UI또는 센서관리UI를 통하여 관리자단말(300)로부터 설정 값을 입력 받아 설정되는 것일 수 있다.

제1알람은 SMS, E-mail, 메신저 어플리케이션(예를 들면, 카카오톡, 라인 및 DM 등)을 통하여 제공되거나, 이상감지 통지부(140)에서 제공되는 모니터링UI를 통해 제공되는 것일 수 있다.

다음으로, 제1알람이 발생한 경우, PCM데이터를 기 설정된 시간 단위로 분할한 모터 용량, 절대 최대값, 절대 평균값, 진폭, 평균 제곱근, 분포의 비대칭도, 첨도, 파고율, 형상 계수 및 충돌계수를 포함하는 시계열 샘플데이터와 모터상태데이터를 매칭한 매칭데이터를 관리자단말(300)로부터 수신한다.

이때, 본 발명의 일 실시 예에 따르는 매칭데이터는 센서로부터 수집된 모터의 각 종 파라미터와 모터의 상태(정상 비정상 A불량 B불량 등)를 서로 매칭하여 저장한 데이터로서, 모터에서 측정되는 각종 파라미터와 모터의 상태가 라벨링되어 저장되는 것이기 때문에 지도학습 방식의 기계학습에 활용될 수 있다.

또한, 관리자단말(300)로부터 상기 PCM데이터를 기 설정된 알고리즘에 따라 FFT(Fast Fourier Transform)수행한, PEAK주파수 및 PEAK주파수의 진폭값을 포함하는 주파수계열 샘플데이터와 모터상태데이터를 매칭한 매칭데이터를 관리자단말(300)로부터 수신하는 동작이 수행될 수 있다.

따라서, 센서가 수집하고 이상 감지 서버(100)가 가공한 복수의 데이터를 관리자단말(300)에서 특정구간에 대해서 마킹을 수행한 후, 각각의 마킹이 어떤 이상인지를 나타내는 매칭데이터를 생성하는 과정을 수행한다.

이 과정은 실시 예 별로 다를 수 있으나, 예를 들면 수집한 데이터를 그래프로 표시하여 관리자단말(300)로 제공하고 관리자단말(300) 측에서 그래프의 이상 구간이라고 판단되는 구간에 대한 마킹을 수행한 이후, 해당 마킹에 어떤 이상이 발생한 것인지 입력하는 방식으로 구현될 수도 있다.

따라서, 본 발명의 일 실시 예에 따르는 이상 감지 서버(100)는 기계학습모델이 생성되기 이전에, 관리자단말(300)에 의해 마킹되는 규칙 기반 이상감지부(120)를 도입하여 1차적으로 규칙에 의한 이상 감지를 수행함으로써, 기계학습모델을 생성하기 위한 학습데이터를 수집하는 과정과 모터(200)에 대한 이상감지를 수행하는 과정이 함께 진행될 수 있다.

다음으로, 이상 감지 서버(100)의 기계학습모델은 가공된 데이터를 기반으로 기 설정된 기계학습기법에 따라 학습을 수행하여 기계학습모델을 생성한다.

본 발명의 일 실시 예에 따르는 기계학습모델의 생성 방법으로는 정답을 알려주고 학습하는 지도학습(supervised learning) 방법을 사용한다.

본 발명에서 인공 신경망(ANN: Artificial Neural Network, ANN)은 인간의 신경 세포인 뉴런의 전달체계를 모사하여, 복수 개의 층을 가지고 연결된 뉴런들이 시냅스(가중치)로 연결된 망의 구조를 기반으로 이루어지는 기계학습모델의 한 형태를 의미한다. 인공 신경망은 입력층과 출력층 사이에 배치된 복수의 은닉층(hidden layer)을 포함하는 구조를 갖는다.

본 발명에서 심층 신경망(DNN: deep neural network)은 입력층과 출력층 사이에 배치되는 복수의 은닉층을 포함하는 신경망을 의미한다. 심층 신경망을 이용하면, 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 이러한 심층 신경망으로는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 심층 신뢰 네트워크(DBN: deep belief network) 등이 알려져 있다.

본 발명에서 합성곱 신경망(CNNs, Convolutional Neural Networks)은 하나 또는 여러 개의 콘볼루션 계층(convolutional layer)과 통합 계층(pooling layer), 완전하게 연결된 계층(fully connected layer)들을 포함하는 심층 신경망(DNN: Deep Neural Network)의 한 종류를 의미한다.

본 발명에서 순환 신경망(RNNs, Recurrent Neural Networks)은 시계열 데이터(time-series data)와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 딥 러닝 모델로서 기준 시점(t)과 다음 시점(t+1)에 네트워크를 연결하여 구성한 인공 신경망(ANN)이다. 매 시점에 심층 신경망 (DNN)이 연결되어 있을 경우 오래 전의 데이터에 의한 기울기 값이 소실되는 문제를 해결하는 대표적인 모델로 장단기 메모리(LSTM: Long-Short term Memory) 방식의 순환 신경망이 있다.

이하에서는 본 발명의 기계학습모델이 지도학습 방법으로 생성되는 것을 가정하여 설명하도록 한다.

도4를 참조하면, 본 발명의 일 실시 예에 따르는 지도학습에 기반한 기계학습모델은 일련의 입력 데이터 x(학습데이터 중 입력 값)와 이 입력 데이터에 대한 정답 데이터 y(학습데이터 중 출력 값)를 학습하여 다음의 y = f(x)를 만족하는 함수 f(·)를 모델링하여

= f (x;

)의 f ^(·)와 모델

를 얻는 방법일 수 있다.

이때,

는 입력 x를 넣었을 때의 추정 값 또는 출력 값일 수 있는데 이를 자세히 설명하면, 매칭데이터 중 적어도 하나를 학습데이터의 입력값, 즉 x로 설정하고, 상기 관리자단말(300)로부터 입력 받은 정상, 베어링 불량, 회전체 불평형, 축정렬 불량 및 벨트 느슨함 중 적어도 하나를 포함하는 모터상태데이터를 출력값, 즉, y으로 설정하여 기 설정된 알고리즘에 따라 기계학습을 수행할 수 있다.

도시된 바와 같이, 상술한 과정을 수행하기 위하여, 기계학습모델(110)은 이상감지 추론모듈, 이상감지 학습모듈을 포함하여 구성될 수 있다.

따라서, 본 발명은 지도학습에 기반한 기계학습방법으로 모터의 이상을 탐지하여 종래의 방법보다 높은 정확도를 달성하는 방법을 제시한다.

그리고, 관찰대상 모터(200)에 이상이 발생한 경우 이상의 원인 또한 판별하는 기계학습모델을 생성하여 종래의 규칙기반 이상감지 기술의 단점을 극복할 수 있다.

도5를 참조하면, 모터상태데이터는 기계학습모델(110)에 의해 크게 시간 영역 상에 존재하는 시계열 데이터, 주파수 영역상에 존재하는 주파수계열 데이터로 구분될 수 있다.

본 발명의 일 실시 예에 따르면, 시간 영역 데이터는 모터 용량(kW)과 기 설정된 시간 당 측정되는 절대 최대치(Absolute Max), 절대 평균(Absolute Mean), 진폭(Peak-to-Peak), 평균 제곱근(Root Mean Square), 분포의 비대칭도(Skewness), 첨도(Kurtosis), 파고율(Crest factor), 형상계수(Shape factor) 및 충돌계수(Impulse factor)를 포함할 수 있다.

또한, 주파수 영역 데이터는 PCM데이터를 기 설정된 알고리즘에 따라 FFT수행한 것으로서, FFT 수행한 구획에 따라, 1x, 2x, 3x, 4x, 1xB, 2xB, 3xB 및 4xB별로 구성될 수 있으며 각 구획 별로 PEAK주파수 및 PEAK주파수의 진폭값을 포함하는 주파수 위치 별 특징을 포함하는 것일 수 있다.

상술한 바와 같이 기계학습모델이 생성된 이후, 추가로 진동데이터가 수집될 경우, 상기 기계학습모델에 기반하여 모터(200)의 이상동작을 판별하여 관리자단말(300)로 알림정보를 제공할 수 있다.

본 발명의 일 실시 예에 따르면, 이상 감지 서버(100)는 복수의 센서와 연결된 IoT 게이트웨이(210)에 상기 기계학습모델을 배포하여 저장할 수 있다.

이때, 본 발명의 일 실시 예에 따르는 IoT 게이트웨이(210)는 센서와 이상 감지 서버(100)를 중개하는 단말 또는 장치 및 일체의 프로그램을 포함하는 것일 수 있다.

이후, 이상 감지 서버(100)는 기계학습모델의 결과값에 따라 이상동작의 종류를 정상, 베어링 불량, 회전체 불평형, 축정렬 불량 및 벨트 느슨함 중 하나로 판별할 수 있다.

이때, 기계학습모델이 배포된 이후, 모터(200)에 대한 추가 진동데이터가 수집되는 경우, 이상 감지 서버(100)에 의해 상술한 판별동작이 수행되는 것이 아니라, 기계학습모델이 배포된 IoT 게이트웨이(210)에서 저장된 기계학습모델에 기반하여 모터(200)에 대한 이상동작 판단을 수행할 수 있다.

즉, 모터(200)로부터 수집된 진동데이터가 이상 감지 서버(100)로 전달되기 전에, IoT 게이트웨이(210)가 현장에서 즉시 모터(200)의 이상동작을 판단할 수 있어, 보다 빠르고 정확한 이상 감지가 가능하다.

이때, IoT게이트웨이가 직접 판단을 수행하는 것과는 별개로, 이상 감지 서버(100)에 진동 데이터가 전달되는 것은 계속 수행될 수 있다.

본 발명의 추가 실시 예에 따르면, 모터(200)에 대한 이상동작 판단의 결과가 정상상태가 아닌 것으로 판단된 경우, 이상동작 판단을 수행한 이상 감지 서버(100) 또는 IoT 게이트웨이(210)가 상기 관리자단말(300)로 상기 모터(200)에 이상이 발생하였음을 알리는 제2알람을 상술한 제1알람과 같이 모니터링UI를 통하여 제공할 수 있다.

도6a를 참조하면, 도시된 바와 같이 모니터링UI는 모터(200)가 위치한 사업장 정보, 모터의 종류, 모터의 모델명, 모터의 설치일 및 관리자, 모터(200)에 설치된 센서로부터 측정된 측정 값에 대한 복수의 기 설정된 기간 별 그래프, 기 설정된 기간 별 알람 발생 그래프 및 리스트를 포함하여 구성될 수 있다.

모니터링UI는 사업장 정보 및 모터(200)가 가동 중인 생산 라인 및 모터의 종류에 대한 정보가 상단에 표시될 수 있으며, 그 아래에 모터의 모델명과 설치일 및 관리자가 표시될 수 있다.

또한, 해당 사업장 내에서 현재 관찰 중인 복수의 모터(200) 중 가동 중인 모터(200)의 개수와 가동 중이지 않은 모터(200)를 포함한 총 모터(200) 개수, 기 설정된 시점부터 현재까지의 알람 발생 횟수 및 관리자단말(300)에서 확인된 알람 발생 횟수가 표시될 수 있다.

이때, 확인된 알람은 이상 감지 서버(100)로부터 관리자단말(300)로 제2알람이 수신되었을 때, 관리자단말(300) 상의 모니터링UI를 통해 해당 알람이 표시된 경우, 알람이 확인되었음을 알리는 신호를 이상 감지 서버(100)로 전송하여 확인되는 것일 수 있다.

또한, 추가 실시 예로, 표시된 알람을 클릭하여 해당 알람에 대한 처리현황을 현재 처리 중인 경우, 대기 또는 해당 알람에 대한 처리가 완료되었을 경우 완료를 포함하는 어느 하나의 상태로 구분하여 입력할 수 있으며 현재 대기 중인 알람과 완료된 알람의 개수가 모니터링 UI 상에 표시될 수 있다.

또한, 모터(200)에 설치된 센서로부터 측정된 측정 값에 대한 복수의 기 설정된 기간 별 그래프가 막대 그래프의 형태로 표시되어 특정 시각에 알람이 집중되는지 파악할 수 있다.

본 발명의 추가 실시 예에 따르면, 관리자단말(300)에서 특정 알람이나 센서 또는 특정 모터가 선택되는 경우, 해당 모터에 대한 기 설정된 기간 별 측정 값 그래프 및 리스트가 제공될 수 있으며, 그래프 중 어느 하나의 영역 또는 함수값이 클릭되는 경우 해당 시점의 매칭데이터에 대하여 모터상태데이터를 마킹할 수는 마킹UI(301)가 제공될 수 있다.

본 발명의 일 실시 예에 따르면 마킹UI(301)는 도시된 바와 같이 해당 모터에 대한 기 설정된 기간 별 측정 값 그래프 상의 영역에 표시될 수 있다.

도6b를 참조하면, 모니터링UI 상에서 특정 센서에 대한 선택 입력이 수행되는 경우, 센서관리UI를 제공하여 관리자단말(300)로부터 각각의 모터(200) 별로 설치된 복수의 센서에 대한 센서정보를 각각 입력 받을 수 있다.

이때, 센서정보는 센서 대표이미지, 센서의 명칭, 모델명, 제조사, 측정값 종류, 측정 단위, 제1알람 또는 제2알람을 발생시킬 상한값 및 하한값을 포함하는 것일 수 있으며, 하나의 센서에 복수의 설정 값을 설정할 수 있는 입력영역이 리스트로 제공되어 하나의 센서에 복수의 설정 값에 대한 입력을 미리 수행할 수 있다.

따라서, 특정 센서에 대한 여러 개의 프리셋 설정을 미리 구축하여, 모터(200)에 이상이 없는 상황에서 센서가 오작동하는 경우, 상기 여러 개의 프리셋을 바꿔가며 이상 상황이 센서에 의한 것인지, 모터(200)에 의한 것인지 빠르게 파악할 수 있다.

본 발명의 또 다른 실시 예에 따르면, 센서관리UI는 상단에 사업장 정보 및 모터(200)가 가동 중인 생산 라인 및 모터의 종류에 대한 정보가 표시될 수 있으며 그 아래에 모터, 모터 관리자, G/W(IoT게이트웨이), 센서, 센서 담당자, 알람, 알람 수신자를 포함하는 목차메뉴를 제공할 수 있다.

각각의 목차메뉴는 DB에 저장된 정보를 기초로 모터, 모터 관리자, 센서 담당자, 알람 및 알람 수신자에 대한 정보를 제공할 수 있으며, 각각 관리자단말(300)로부터 수정입력을 입력 받고 이상 감지 서버(100)로 전송하여 DB를 최신화 함으로써, 알람이 발생한 경우, 해당 알람을 수신한 작업자나 관리자를 특정할 수 있다.

또한, 센서에 대한 교체나 모터(200)에 대한 교체작업이 수행되었을 때에도 센서관리UI를 통해 쉽게 변경 내용을 수정할 수 있다.

본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.

본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 이상 감지 서버 110: 기계학습모델
120: 규칙기반 이상감지부 130: 이상감지 통지부
200: 모터 210: IoT 게이트웨이
300: 관리자단말 301: 마킹UI

Claims

딥러닝 기반의 모터 이상 감지 시스템에 있어서,
적어도 하나 이상의 모터에 각각 배치된 진동 센서로부터 수집된 각 모터의 진동데이터에 기반하여, 각 모터의 이상 여부를 출력하는 이상 감지 서버 및
상기 진동 센서의 진동데이터를 수신하고, 이를 상기 이상 감지 서버에 전송하는 하나 이상의 IoT 게이트웨이를 포함하되,
상기 이상 감지 서버는,
이상 감지 프로그램이 저장된 메모리 및
상기 이상 감지 프로그램을 실행하는 프로세서를 포함하고,
상기 이상 감지 프로그램은, 상기 각 모터의 진동데이터를 기초로 기계학습된 기계학습모델을 이용하여, 각 모터별로 입력된 진동데이터를 상기 기계학습모델에 입력하여, 각 모터의 이상 발생 여부 및 이상 원인을 출력하는 것이고,
상기 이상 감지 서버는 상기 기계학습모델의 구축이 완료된 경우, 이를 상기 IoT 게이트웨이에 배포하고,
상기 IoT 게이트웨이는 배포된 상기 기계학습모델을 기초로, 각 모터의 이상 여부 및 이상 원인을 직접 추론하는 것인, 딥러닝 기반의 모터 이상 감지 시스템.
제1항에 있어서,
상기 이상 감지 서버는,
(a-1) 각 모터의 진동데이터를 규칙 기반 이상 감지 모듈에 입력시키는 단계;
(a-2) 상기 규칙 기반 이상 감지 모듈에 의해 이상이 탐지된 경우, 관리자단말에서 실행되는 모니터링UI를 통해 이상 발생을 통지하고, 상기 이상 발생에 대한 원인을 입력하도록 가이드 하는 단계; 및
(a-3) 상기 단계를 통해 수집된 이상 발생 및 이상의 원인 데이터를 기초로 기계학습모델을 구축하는 단계;를 통해 구축된 것인, 딥러닝 기반의 모터 이상 감지 시스템.
제2항에 있어서,
상기 (a-1) 단계는,
상기 진동데이터를 A/D변환후, PCM(Pulse Code Modulation)신호로 변환하여 상기 규칙 기반 이상 감지 모듈에 입력시키는 것인, 딥러닝 기반의 모터 이상 감지 시스템.
제2항에 있어서,
상기 (a-2) 단계는,
각각의 진동데이터 별로 각각의 상한값 및 하한값을 설정하고, 기 설정된 시간 동안 기 설정된 횟수 이상의 상기 상한값을 초과하거나 하한값을 하회하는 값이 수집되는 경우, 해당 모터의 상태를 이상상태로 판별하여 제1알람을 모니터링UI를 통하여 상기 관리자단말로 제공하고, 모니터링UI 중 상기 진동데이터를 선택하여 모터상태데이터와 매칭하는 매칭데이터를 수신하는 것인, 딥러닝 기반의 모터 이상 감지 시스템.
제2항에 있어서,
상기 (a-3) 단계는,
기 설정된 기계학습기법에 따라 학습을 수행하여 기계학습모델을 생성하되, 매칭데이터 중 적어도 하나를 학습데이터의 입력값으로 설정하고, 상기 관리자단말로부터 입력 받은 정상, 베어링 불량, 회전체 불평형, 축정렬 불량 및 벨트 느슨함 중 적어도 하나를 포함하는 모터상태데이터를 출력값으로 설정하여 기 설정된 알고리즘에 따라 기계학습을 수행한 기계학습모델을 생성하는 것인, 딥러닝 기반의 모터 이상 감지 시스템.
제5항에 있어서,
상기 학습데이터는 모터의 진동데이터에 포함된 시계열 데이터와 주파수계열 데이터를 특징으로 포함하는 것인, 딥러닝 기반의 모터 이상 감지 시스템.
제1항에 있어서,
상기 IoT게이트웨이는,
상기 진동 센서와 이상 감지 서버를 중개하는 단말인 것이되,
(b-1) 복수의 상기 진동 센서와 연결된 IoT 게이트웨이에 상기 기계학습모델을 배포하여 저장하는 단계; 를 통해 구축된 것인, 딥러닝 기반의 모터 이상 감지 시스템.
제1항에 있어서,
상기 IoT 게이트웨이는,
(b-2) 상기 기계학습모델의 학습 결과값에 따라 수집되는 진동데이터를 정상, 베어링 불량, 회전체 불평형, 축정렬 불량 및 벨트 느슨함 중 하나로 판별하는 단계;를 통하여 각 모터의 이상 여부 및 이상 원인을 직접 추론하는 것인, 딥러닝 기반의 모터 이상 감지 시스템.
제1항에 있어서,
상기 기계학습모델이 배포된 이후, 상기 모터에 대한 추가 진동데이터가 수집되는 경우, 수집된 진동데이터가 이상 감지 서버로 전달되기 전에, IoT 게이트웨이에서 저장된 기계학습모델에 기반하여 상기 모터에 대한 이상동작 판단을 수행하는 것인, 딥러닝 기반의 모터 이상 감지 시스템.
딥러닝 기반의 모터 이상 감지 시스템에 의해 수행되는, 딥러닝 기반의 모터 이상감지 제공방법에 있어서,
(a) 하나 이상의 모터에 각각 배치된 진동 센서로부터 각 모터의 진동데이터를 수신하는 단계;
(b) 수신된 진동데이터를 기계학습모델에 입력하여, 각 모터의 이상 발생 여부 및 이상 원인을 출력하는 단계; 및
(c) 상기 기계학습모델을 적어도 하나 이상의 IoT 게이트웨이에 배포하고, 상기 기계학습모델이 배포된 이후, 상기 모터에 대한 추가 진동데이터가 수집되는 경우, 수집된 진동데이터가 이상감지 서버로 전달되기 전에, IoT 게이트웨이에서 상기 기계학습모델을 기초로, 각 모터의 이상 여부 및 이상 원인을 직접 추론하는 단계;를 포함하되,
상기 기계학습모델은 각 모터의 진동데이터를 규칙 기반 이상 감지 모듈에 입력시켜 이상이 탐지된 경우 관리자단말에서 실행되는 모니터링UI를 통해 이상 발생을 통지하고, 상기 이상 발생에 대한 원인을 입력하도록 가이드 하여 수집된 학습 데이터를 기초로 구축된 것인, 딥러닝 기반의 모터 이상감지 제공방법.
제10항에 있어서,
상기 (b)단계는,
상기 기계학습모델의 학습 결과값에 따라 모터의 상태를 정상, 베어링 불량, 회전체 불평형, 축정렬 불량 및 벨트 느슨함 중 하나로 판별하는 단계;를 포함하는, 딥러닝 기반의 모터 이상감지 제공방법.
삭제
제10항에 있어서,
상기 모니터링UI는,
상기 모터가 위치한 사업장 정보, 모터의 종류, 모터의 모델명, 모터의 설치일 및 관리자, 상기 모터에 설치된 센서로부터 측정된 측정 값에 대한 복수의 기 설정된 기간 별 그래프, 기 설정된 기간 별 알람 발생 그래프 및 리스트를 포함하되,
상기 모터에 대한 이상이 탐지된 경우 상기 관리자단말로 상기 모터에 이상이 발생하였음을 알리는 제2알람을 제공하는 것인, 딥러닝 기반의 모터 이상감지 제공방법.