KR102475484B1 - 회전 기기에서 진동을 예측하는 방법 및 이러한 방법을 수행하는 장치 - Google Patents

회전 기기에서 진동을 예측하는 방법 및 이러한 방법을 수행하는 장치 Download PDF

Info

Publication number
KR102475484B1
KR102475484B1 KR1020210075574A KR20210075574A KR102475484B1 KR 102475484 B1 KR102475484 B1 KR 102475484B1 KR 1020210075574 A KR1020210075574 A KR 1020210075574A KR 20210075574 A KR20210075574 A KR 20210075574A KR 102475484 B1 KR102475484 B1 KR 102475484B1
Authority
KR
South Korea
Prior art keywords
vibration
data
expectation
error
learning
Prior art date
Application number
KR1020210075574A
Other languages
English (en)
Inventor
박용비
장범찬
공준상
Original Assignee
주식회사 원프레딕트
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 원프레딕트 filed Critical 주식회사 원프레딕트
Priority to KR1020210075574A priority Critical patent/KR102475484B1/ko
Application granted granted Critical
Publication of KR102475484B1 publication Critical patent/KR102475484B1/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
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

본 발명은 회전 기기에서 진동을 예측하는 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 회전 기기에서 진동을 예측하는 방법은 진동 예측 장치가 진동 데이터 및 진동외 데이터를 수신하는 단계, 진동 예측 장치가 상기 진동 데이터 및 진동외 데이터를 기반으로 진동 기대 데이터 및 진동 오차 기대 데이터를 결정하는 단계와 진동 에측 장치가 진동 기대 데이터 및 진동 오차 기대 데이터를 기반으로 진동 예측 데이터를 결정하는 단계를 포함할 수 있다.

Description

회전 기기에서 진동을 예측하는 방법 및 이러한 방법을 수행하는 장치{Method for vibration prediction on rotational machinery and apparatus for performing the same}
본 발명은 회전 기기에서 진동을 예측하는 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 회선 기기에서 발생한 과거 및 현재의 진동 데이터를 기반으로 미래의 진동을 예측하기 위한 회전 기기에서 진동을 예측하는 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.
공장 내의 기계 시스템들은 하중이 계속 작용하는 환경에서 마모(wear), 균열 결함(fault), 성능 저하(degradation)로 인한 손상(damage)을 필연적으로 가지게 된다. 공장 내의 기계 시스템들을 제대로 관리하지 못하여 한계 수준을 넘어가게 되면 치명적인 사고나 사용 중단 상태가 발생되고, 막대한 피해와 비용 손실이 발생한다. 이를 막기 위해 기존에는 운용 중 철저한 예방 정비에 의존하며 고가/고안정성 시스템을 운용하고 있다. 하지만 정비가 실제 결함 유무와 관계없이 일정한 주기마다 실시되므로 정상 부품의 불필요한 교체 및 정비 시간 동안의 운용 중단으로 인한 비용 손실을 발생시키는 문제점이 있고, 갑작스런 시스템 고장을 예방하는 데에 한계가 있다.
최근에는 이런 문제점들을 해결하기 위해 기계 시스템의 이상을 조기에 감지하고 고장을 미리 예측하는 고장 예지 및 건전성 관리(PHM, prognostics and health management) 기술들이 연구되고 있다. 고장 예지 및 건전성 관리 기술에는 크게 두가지 방법이 있는데, 첫째로 모델 기반 방법(Model based approach)은 고장이 진행되어 가는 과정을 모델링한 물리적 고장 모델을 기반으로 고장을 진단하고 예지한다. 이 방법은 정확도가 높으며 적은 양의 데이터로도 고장 진단이 가능하고, 모델의 변수를 바꿔줌으로써 다양한 운행 환경에서도 적용 가능하다. 그러나 공정 자동화 기술의 발전으로 인해 시스템 복잡도가 크게 증가하고 고장 메커니즘 파악이 어려워져 모델을 완전히 구현하기 힘들다. 또한 모델링 과정에 해당 분야 전문가의 도움이 필요하여, 모델을 구성하고 유지하는데 많은 비용이 든다. 이러한 요인들로 인해 현재 모델 기반 방법은 적용 분야가 매우 한정적이다.
다음으로 데이터 주도 방법(data driven approach)은 데이터에서 고장과 관련된 중요한 인자를 찾아내어 통계적 방법, 기계학습, 딥러닝 기법으로 시스템의 신뢰성, 건전성 정보를 추론하는 것이다. 이중 기계 학습과 딥러닝 기법은 건전성 인자와 고장 여부의 관계를 학습을 통해 스스로 배움으로써 미래 고장을 예측할 수 있다. 이 방법은 물리적 손상 모델을 구현하기 어려운 다변량, 비선형 시스템에 적용이 가능하지만, 예측 모델의 훈련을 위해서는 많은 데이터가 필요하다.
따라서, 수집된 데이터를 기반으로 보다 정확하게 장치의 실시간 상태를 판단하기 위한 방법에 대한 연구가 필요하다.
선행기술로는 등록특허공보 제10-2138279호, 등록특허공보 제10-1903283호가 존재한다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 과거 진동 데이터를 기반으로 보다 정확하게 미래의 진동에 대해 예측하여 장치에 발생될 수 있는 고장을 진단하는 것을 목적으로 한다.
또한, 본 발명은, 과거 진동 데이터뿐만 아니라, 다른 진동과 관련을 가지는 진동 외 인자들을 고려하여 서로 다른 모델링 기반으로 진동 기대 데이터와 진동 오차 기대 데이터 각각을 결정하여 예측 진동 데이터를 생성하여 보다 정확한 미래 진동 예측을 수행하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따르면, 회전 기기에서 진동을 예측하는 방법은 진동 예측 장치가 진동 데이터 및 진동외 데이터를 수신하는 단계, 상기 진동 예측 장치가 상기 진동 데이터 및 상기 진동외 데이터를 기반으로 진동 기대 데이터 및 진동 오차 기대 데이터를 결정하는 단계와 상기 진동 에측 장치가 상기 진동 기대 데이터 및 상기 진동 오차 기대 데이터를 기반으로 진동 예측 데이터를 결정하는 단계를 포함할 수 있다.
한편, 상기 진동 기대 데이터는 진동 입력 데이터 및 예측 시점을 입력값으로 학습된 진동 기대값 추정 리그레션 모델을 기반으로 결정되고, 상기 진동 입력 데이터는 상기 진동 데이터 및 상기 진동외 데이터에 대한 입력 통계 길이(input statistic length)를 설정하여 시간축을 따라 이동하면서 결정된 복수의 하위 진동 입력 데이터를 기반으로 결정될 수 있다.
또한, 상기 진동 오차 기대 데이터는 상기 진동 입력 데이터 및 상기 예측 시점을 입력값으로 학습된 진동 오차의 범위를 K개의 인터벌로 디스크리타이즈(discretize)한 확률 질량 함수(probability mass function, pmf)를 기반으로 결정될 수 있다.
본 발명의 다른 실시예에 따르면, 회전 기기에서 진동을 예측하는 진동 예측 장치는 진동 데이터 및 진동외 데이터를 수신하도록 구현된 수신부, 상기 수신부와 동작 가능하게 연결된 프로세서를 포함하되, 상기 프로세서는 상기 진동 데이터 및 상기 진동외 데이터를 기반으로 진동 기대 데이터 및 진동 오차 기대 데이터를 결정하고, 상기 진동 기대 데이터 및 상기 진동 오차 기대 데이터를 기반으로 진동 예측 데이터를 결정하도록 구현될 수 있다.
한편, 상기 진동 기대 데이터는 진동 입력 데이터 및 예측 시점을 입력값으로 학습된 진동 기대값 추정 리그레션 모델을 기반으로 결정되고, 상기 진동 입력 데이터는 상기 진동 데이터 및 상기 진동외 데이터에 대한 입력 통계 길이(input statistic length)를 설정하여 시간축을 따라 이동하면서 결정된 복수의 하위 진동 입력 데이터를 기반으로 결정될 수 있다.
또한, 상기 진동 오차 기대 데이터는 상기 진동 입력 데이터 및 상기 예측 시점을 입력값으로 학습된 진동 오차의 범위를 K개의 인터벌로 디스크리타이즈(discretize)한 확률 질량 함수(probability mass function, pmf)를 기반으로 결정될 수 있다.
본 발명에 의하면, 과거 진동 데이터를 기반으로 보다 정확하게 미래의 진동에 대해 예측하여 장치에 발생될 수 있는 고장이 진단될 수 있다.
또한, 본 발명에 의하면, 과거 진동 데이터뿐만 아니라, 다른 진동과 관련을 가지는 진동 외 인자들을 고려하여 서로 다른 모델링 기반으로 진동 기대 데이터와 진동 오차 기대 데이터 각각을 결정하여 예측 진동 데이터를 생성하여 보다 정확한 미래 진동 예측이 수행될 수 있다.
도 1은 본 발명의 실시예에 따른 진동 데이터 그래프이다.
도 2는 본 발명의 실시예에 따른 진동 예측 방법을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 예측 진동 데이터를 결정하는 방법을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 예측 진동 데이터 결정 방법을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 진동 예측 데이터 결정 방법을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 진동 기대 데이터를 위한 리그레션 모델 학습 방법을 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 진동 오차 기대 데이터를 위한 분류 모델 학습 방법을 나타낸 개념도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 진동 데이터 그래프이다.
도 1에서는 진동값의 시간별 변화가 개시된다.
도 1을 참조하면, 예측 대상인 진동값의 시퀀스(sequence)를 보면 이전 진동값과 거의 유사한 값을 가진다는 것을 확인할 수 있다.
그래프1(110)은 Vt와 Vt-10 간의 진동값 상관 관계를 나타내고, 그래프2(120)는 Vt-1과 Vt 간의 진동값 상관 관계를 나타낸다.
그래프3(130)은 진동값의 증가에 따라 진동의 변동성 또한 증가하는 것을 보여준다.
즉, 이전 진동값을 기반으로 미래 진동값에 대한 예측이 가능하고 본 발명에서는 이전 진동값을 기반으로 미래 진동값에 대해 보다 정확한 예측을 수행하는 방법이 개시된다.
도 2는 본 발명의 실시예에 따른 진동 예측 방법을 나타낸 개념도이다.
도 2에서는 진동 데이터 및 진동외 데이터를 기반으로 미래 진동 데이터(이하, 예측 진동 데이터)를 예측하기 위한 방법이 개시된다.
도 2를 참조하면, 예측 진동 데이터(200)는 진동 데이터(
Figure 112021067216188-pat00001
)(210) 뿐만 아니라 다른 진동외 데이터(
Figure 112021067216188-pat00002
)(220)와도 연관될 수 있다. 진동외 데이터(220)는 온도와 같은 예측 진동 데이터(200)와 연관성이 있되 진동 데이터(210)가 아닌 데이터를 포함할 수 있다. 진동외 데이터(220)는 복수개의 인자를 포함할 수 있다.
즉, 예측 진동 데이터(200)는 진동 데이터(210)와 진동외 데이터(220)들의 통계 데이터, 변동성 데이터를 기반으로 결정될 수 있다. 즉, 예측 진동 데이터(
Figure 112021067216188-pat00003
)(200)는 과거의 진동 데이터(
Figure 112021067216188-pat00004
)(210)과 진동외 데이터(
Figure 112021067216188-pat00005
)(220)를 기반으로 결정될 수 있다.
진동 데이터(
Figure 112021067216188-pat00006
)(210)과 진동외 데이터(
Figure 112021067216188-pat00007
)(220)의 로우 데이터(raw data)는 불필요한 정보의 노이즈로 인해 모델의 성능을 저하시킬 수 있다. 따라서, 본 발명에서는 통계 데이터와 변동성 데이터(예를 들어, 평균(mean), 분산(variance), 첨도(kurtosis) 등)를 기반으로 예측 진동 데이터가 결정될 수 있다.
도 3은 본 발명의 실시예에 따른 예측 진동 데이터를 결정하는 방법을 나타낸 개념도이다.
도 3을 참조하면, 예측 진동 데이터를 결정하기 위한 진동 입력 데이터의 생성 방법이 개시된다.
예측 진동 데이터(
Figure 112021067216188-pat00008
)의 결정을 위해 진동 입력 데이터는 아래와 같이 입력 통계 길이(input statistic length)를 설정하여 시간축을 따라 이동하면서 결정된 복수의 하위 진동 입력 데이터를 기반으로 결정될 수 있다.
입력 통계 길이가
Figure 112021067216188-pat00009
인 경우,
Figure 112021067216188-pat00010
,
Figure 112021067216188-pat00011
를 이용해 제1 하위 진동 입력 데이터(
Figure 112021067216188-pat00012
로 표기)가 결정될 수 있다.
제1 하위 진동 입력 데이터(310)
Figure 112021067216188-pat00013
는 t-l에서 t에 대응되는 시간 구간에서 발생된 진동 데이터(vt 내지 vt-l)인 vt-l:t와 t-l에서 t에 대응되는 시간 구간에서 발생된 진동외 데이터(Xt 내지 Xt-l)인 Xt-l:t를 포함할 수 있다.
Figure 112021067216188-pat00014
는 t-l에서 t에 대응되는 시간 구간에서 발생된 진동 데이터와 진동 외 데이터에 대한 서로 다른 통계 데이터, 변화량을 의미할 수 있다. 예를 들어,
Figure 112021067216188-pat00015
는 t-l에서 t에 대응되는 시간 구간에서 발생된 진동 데이터와 진동 외 데이터의 평균 데이터이고,
Figure 112021067216188-pat00016
는 t-l에서 t에 대응되는 시간 구간에서 발생된 진동 데이터와 진동외 데이터의 분산 데이터일 수 있다.
Figure 112021067216188-pat00017
와 같이 k개의 통계 데이터, 변화량 데이터가 t-l에서 t에 대응되는 시간 구간에 제1 하위 진동 입력 데이터(310)로서 생성될 수 있다.
제1 하위 진동 입력 데이터(310)가 모여서 t-l에서 t에 대응되는 시간 구간에 제2 하위 진동 입력 데이터(320)로서 생성될 수 있다. 즉, 제2 하위 진동 입력 데이터(320)는
Figure 112021067216188-pat00018
일 수 있다.
본 발명에서는 t+n 시점의 진동 예측 데이터를 생성하기 위해서, 과거의 흐름이 필요하므로 t 시점을 기준으로 한 제2 하위 진동 입력 데이터(320)(
Figure 112021067216188-pat00019
)뿐만 아니라, t-m 시점을 기준으로 한 제2 하위 진동 입력 데이터(320) (
Figure 112021067216188-pat00020
)가 진동 예측 데이터를 결정하기 위해 사용될 수 있다.
복수의 제2 하위 진동 입력 데이터(320)가 모여서 진동 입력 데이터(330)
Figure 112021067216188-pat00021
가 결정될 수 있고, 진동 입력 데이터(330) Dt는 Vt+n을 예측하기 위해 사용될 수 있다.
도 4는 본 발명의 실시예에 따른 예측 진동 데이터 결정 방법을 나타낸 개념도이다.
도 4에서는 진동 기대 데이터(
Figure 112021067216188-pat00022
)과 진동 오차 기대 데이터(
Figure 112021067216188-pat00023
)을 기반으로 진동 예측 데이터(
Figure 112021067216188-pat00024
)를 결정하는 방법이 개시된다.
도 4를 참조하면, 진동 예측 데이터(
Figure 112021067216188-pat00025
)는 아래의 수학식1과 같이 진동 기대 데이터(
Figure 112021067216188-pat00026
)과 진동 오차 기대 데이터(
Figure 112021067216188-pat00027
)의 합으로 결정될 수 있다.
<수학식 1>
진동 예측 데이터(
Figure 112021067216188-pat00028
)=진동 기대 데이터(
Figure 112021067216188-pat00029
)+ 진동 오차 기대 데이터(
Figure 112021067216188-pat00030
)
본 발명에서는 진동 예측 데이터의 분포를 결정하기 위해 진동 기대 데이터(
Figure 112021067216188-pat00031
)는 진동 기대값 추정 리그레션(regression) 모델을 기반으로 결정되고, 진동 오차 기대 데이터(
Figure 112021067216188-pat00032
)는 확률 분포 추청 모델(또는 분류(classifier 모델)을 기반으로 결정될 수 있다.
진동 기대 데이터(
Figure 112021067216188-pat00033
)와 진동 오차 기대 데이터(
Figure 112021067216188-pat00034
)는 전술한 진동 입력 데이터
Figure 112021067216188-pat00035
와 예측 시점 n을 입력값으로 결정될 수 있다.
진동 기대 데이터 그래프1(410)과 같이 진동 기대 데이터(
Figure 112021067216188-pat00036
)가 결정되고, 진동 기대 데이터 그래프 상에 진동 오차 데이터(
Figure 112021067216188-pat00037
)가 확률 분포 추정 모델로 존재할 수 있다.
보다 구체적으로 진동 기대 데이터 그래프2(420)와 같이 예측 시점n이 1 내지 20일때의 예측 결과로서 진동 기대 데이터(
Figure 112021067216188-pat00038
)가 점선으로 존재할 수 있고, 진동 기대 데이터 상에 진동 오차 기대 데이터(
Figure 112021067216188-pat00039
)가 음영으로 표현될수 있다.
특정 시점의 진동 예측 데이터(
Figure 112021067216188-pat00040
)는 진동 기대 데이터(
Figure 112021067216188-pat00041
)와 진동 오차 기대 데이터(
Figure 112021067216188-pat00042
)를 기반으로 한 진동 예측 데이터 분포(430)로 추정될 수 있다.
도 5는 본 발명의 실시예에 따른 진동 예측 데이터 결정 방법을 나타낸 개념도이다.
도 5에서는 진동 기대 데이터(
Figure 112021067216188-pat00043
)와 진동 오차 기대 데이터(
Figure 112021067216188-pat00044
)를 결정하기 위한 학습 데이터 셋(set)이 개시된다.
도 5를 참조하면, 진동 기대 데이터(
Figure 112021067216188-pat00045
)(580)를 결정하기 위한 진동 기대값 추정 리그레션(regression) 모델(570)의 입력값은 진동 입력 데이터
Figure 112021067216188-pat00046
와 예측 시점 n 이다. 예측 시점n은 사용자에 의해 지정될 수 있다.
t 시점을 기준으로 t 시점 이후에 대한 진동 예측 데이터(
Figure 112021067216188-pat00047
)를 결정하기 위한 진동 기대 데이터(
Figure 112021067216188-pat00048
)(580)와 진동 오차 기대 데이터(
Figure 112021067216188-pat00049
)(560)의 학습 데이터 셋(set)은
Figure 112021067216188-pat00050
의 M개 전체 학습 데이터 셋(550)일 수 있다.
본 발명의 실시예에서는 진동 기대 데이터(
Figure 112021067216188-pat00051
)(580)를 위한 학습 데이터 셋(510)과 진동 오차 데이터(
Figure 112021067216188-pat00052
)를 위한 학습 데이터 셋(520)은 서로 다르게 설정될 수 있다.
M개의 전체 학습 데이터 셋(550) 중 앞의
Figure 112021067216188-pat00053
개와 뒤의
Figure 112021067216188-pat00054
개로 학습 데이터 셋을 분할 하고,
Figure 112021067216188-pat00055
개의 학습 데이터 셋(510)은 1차 진동 기대 데이터(
Figure 112021067216188-pat00056
)(540)를 위한 학습 데이터 셋으로 사용하고,
Figure 112021067216188-pat00057
개의 학습 데이터 셋(520)은 진동 오차 기대 데이터(
Figure 112021067216188-pat00058
)(560)를 위한 학습 데이터 셋일 수 있다.
1차 진동 기대 데이터(
Figure 112021067216188-pat00059
)(540)은 최종적으로 진동 기대 데이터(
Figure 112021067216188-pat00060
)(580)를 결정하기 전의 데이터로서 진동 오차 기대 데이터(
Figure 112021067216188-pat00061
)(560)를 결정하기 위해 사용된다.
이하, 1차 진동 기대 데이터(
Figure 112021067216188-pat00062
)(540)를 결정하기 위한 1차 진동 기대값 추정 리그레션 모델(regression model)(530)의 학습 데이터 셋은 학습 데이터 셋(진동 기대 데이터)(510)라는 용어로 표현될 수 있다. 또한, 진동 오차 기대 데이터(
Figure 112021067216188-pat00063
)(560)를 결정하기 위한 분류 모델(classifier model)(550)의 학습 데이터 셋은 학습 데이터 셋(진동 오차 기대 데이터)(520)라는 용어로 표현될 수 있다.
1) 1차 진동 기대 데이터(
Figure 112021067216188-pat00064
)(540) 결정
구체적으로 본 발명에서는 위와 같은 학습 데이터 셋(진동 기대 데이터)(510)을 기반으로 1차적으로 학습된 1차 진동 기대값 추정 리그레션 모델(530)을 통해 1차 진동 기대 데이터(
Figure 112021067216188-pat00065
)(540)가 결정될 수 있다.
2) 진동 오차 기대 데이터(
Figure 112021067216188-pat00066
)(560) 결정
이후, 1차 진동 기대 데이터(
Figure 112021067216188-pat00067
)(540) 및 학습 데이터 셋(진동 오차 기대 데이터)(520)를 기반으로 진동 오차 기대 데이터(
Figure 112021067216188-pat00068
)(560)를 결정하기 위한 분류 모델(classifier model)(550)이 학습되고, 분류 모델(550)을 기반으로 진동 오차 기대 데이터(
Figure 112021067216188-pat00069
)(560)가 결정될 수 있다.
3) 진동 기대 데이터(
Figure 112021067216188-pat00070
)(580) 결정
학습 데이터 셋(진동 기대 데이터)(510)을 기반으로 학습된 1차 진동 기대값 추정 리그레션 모델(530)이 학습 데이터 셋(진동 오차 기대 데이터)(520)까지 포함하는 전체 학습 데이터 셋(550)을 기반으로 재학습됨으로써 최종 진동 기대값 추정 리그레션 모델(570)로 업데이트될 수 있다. 최종 진동 기대값 추정 리그레션 모델(570)을 통해 진동 기대 데이터(
Figure 112021067216188-pat00071
)(580)가 결정될 수 있다.
이후, 진동 예측 데이터(590)는 최종 진동 기대값 추정 리그레션 모델(570)을 기반으로 한 진동 기대 데이터(
Figure 112021067216188-pat00072
)(580)와 분류 모델(550)을 기반으로 한 진동 오차 기대 데이터(
Figure 112021067216188-pat00073
)(560)를 기반으로 결정될 수 있다.
도 6은 본 발명의 실시예에 따른 진동 기대 데이터를 위한 리그레션 모델 학습 방법을 나타낸 개념도이다.
도 6을 참조하면, 1차 진동 기대 데이터(
Figure 112021067216188-pat00074
)(620)를 결정하기 위한 1차 진동 기대값 추정 리그레션 모델(610)의 입력 데이터는 진동 입력 데이터인
Figure 112021067216188-pat00075
와 예측 시점 n 이다.
예측 타겟은
Figure 112021067216188-pat00076
으로 설정되고, 시간(
Figure 112021067216188-pat00077
) 에 대응되는 학습 데이터 셋(진동 기대 데이터)(615)를 기반으로 1차 진동 기대값 추정 리그레션 모델(610)이 학습될 수 있다.
1차 진동 기대값 추정 리그레션 모델(610)의 학습 결과로 1차 진동 기대 데이터(
Figure 112021067216188-pat00078
)(620)가 결정될 수 있다. 1차 진동 기대 데이터(
Figure 112021067216188-pat00079
)(620)의 결정 이후, 남은
Figure 112021067216188-pat00080
개의 학습 데이터 셋(진동 오차 기대 데이터)(630)을 기반으로 예측 오차들(
Figure 112021067216188-pat00081
)(640)이 결정될 수 있다.
즉, 1차 진동 기대값 추정 리그레션 모델(610)의 학습 결과를 기반으로 남은
Figure 112021067216188-pat00082
개의 학습 데이터 셋(진동 오차 기대 데이터)(630)에 대응되는 1차 진동 기대 데이터(
Figure 112021067216188-pat00083
)(620)가 생성될 수 있다. 이후 실제
Figure 112021067216188-pat00084
개의 학습 데이터 셋(진동 오차 기대 데이터)(650)에 대응되는 실제 진동값 vt+n과 기대값인 1차 진동 기대 데이터(
Figure 112021067216188-pat00085
)(620)의 차인 예측 오차(
Figure 112021067216188-pat00086
)(640)가 결정될 수 있다. 예측 오차(
Figure 112021067216188-pat00087
)(640)는 진동 오차 기대 데이터(
Figure 112021067216188-pat00088
)(650)의 학습 데이터로 사용될 수 있다.
전술한 바와 같이 진동 오차 기대 데이터(
Figure 112021067216188-pat00089
)(650)의 학습 이후, 전체 데이터 셋(680)인 학습 데이터 셋(진동 오차 기대 데이터)(650)와 학습 데이터 셋(진동 기대 데이터)(615)를 기반을 1차 진동 기대값 추정 리그레션 모델(610)이 최종 진동 기대값 추정 리그레션 모델(660)로 업데이트될 수 있다. 최종 진동 기대값 추정 리그레션 모델(660)을 통해 진동 기대 데이터(
Figure 112021067216188-pat00090
)(670)가 결정될 수 있다.
도 7은 본 발명의 실시예에 따른 진동 오차 기대 데이터를 위한 분류 모델 학습 방법을 나타낸 개념도이다.
도 7에서는 학습 데이터 셋(진동 오차 기대 데이터)와 실제
Figure 112021067216188-pat00091
개의 학습 데이터 셋을 기반으로 결정된 예측 오차(
Figure 112021067216188-pat00092
)를 사용하여 진동 오차 기대 데이터(
Figure 112021067216188-pat00093
)를 결정하기 위한 분류 모델 학습 방법이 개시된다.
도 7을 참조하면, 분포 추정 모델로 오차
Figure 112021067216188-pat00094
의 분포 추정이 수행될 수 있다.
Figure 112021067216188-pat00095
는 진동 입력 데이터
Figure 112021067216188-pat00096
와 예측 시점 n 에 종속적일 수 있다. 예를 들어, 이전 진동의 크기가 클수록 오차 또한 커지게 되고, 더 먼 미래의 진동일 수록 예측값과 실제값의 차이가 커진다.
따라서, 오차 분포 추정 모델은 진동 입력 데이터
Figure 112021067216188-pat00097
와 예측 시점 n을 입력 데이터로 가지면서
Figure 112021067216188-pat00098
의 확률을 추정하는
Figure 112021067216188-pat00099
의 형태로 1차적으로 설정된다. 단, 확률 밀도 함수(probability density function, pdf)의 형태로
Figure 112021067216188-pat00100
를 추정하기에는 진동 입력 데이터인
Figure 112021067216188-pat00101
의 차원이 매우 크다.
따라서,
Figure 112021067216188-pat00102
의 범위를 K개의 인터벌(
Figure 112021067216188-pat00103
)로 디스크리타이즈(discretize)하여 확률 질량 함수(probability mass function, pmf)의 형태로 추정할 수 있다. 디스크리타이즈된 오차 분포 추정 모델(700)은 다른 표현으로 분류 모델이라는 표현으로 표현될 수 있다.
보다 구체적으로 아래의 수학식 2는 디스크리타이즈된 오차 분포 추정 모델(700)인 분류 모델 기반으로 결정된 진동 오차 기대 데이터이다.
<수학식 2>
Figure 112021067216188-pat00104
구체적으로 인터벌을 결정하기 위해 앞서 계산된 예측오차(
Figure 112021067216188-pat00105
)의 표준편차(standard deviation)(
Figure 112021067216188-pat00106
)가 계산될 수 있다(S710).
이후, 표준 편차를 고려한 구간
Figure 112021067216188-pat00107
을 K등분하여 각 interval (
Figure 112021067216188-pat00108
) 이 아래의 수학식 3과 같이 클래스(class)로 설정될 수 있다(S720).
<수학식 3>
Figure 112021067216188-pat00109
Figure 112021067216188-pat00110
Figure 112021067216188-pat00111
이 속한 클래스를 트루 벨류(true value)로 설정하여 진동 오차 기대 데이터(
Figure 112021067216188-pat00112
)를 결정하기 위한 분류 모델 학습 방법이 수행될 수 있다(S730).
이때 사용되는 학습 데이터는 전술한 바와 같이
Figure 112021067216188-pat00113
개의 학습 데이터 셋(진동 오차 기대 데이터)로서 시간(
Figure 112021067216188-pat00114
) 상의 데이터일 수 있다.
이러한 학습을 통해 분류 모델이 결정되고, 분류 모델을 기반으로 진동 오차 기대 데이터(
Figure 112021067216188-pat00115
)가 결정될 수 있다.
도 8은 본발명의 실시예에 따른 진동 예측 장치를 나타낸 개념도이다.
도 8에서는 도 1 내지 도 7에서 전술한 진동 예측 데이터를 결정하는 방법을 수행하는 진동 예측 장치가 개시된다.
도 8을 참조하면, 진동 예측 장치는 수신부(810), 진동 기대 데이터 결정부(820) 및 진동 오차 기대 데이터 결정부(830), 진동 예측 데이터 결정부(840) 및 프로세서(850)를 포함할 수 있다.
수신부(810)는 진동 데이터 및 진동외 데이터를 수신하기 위해 구현될 수 있다.
진동 기대 데이터 결정부(820)는 진동 기대 데이터를 결정하기 위해 구현될수 있다. 전술한 바와 같이 진동 기대 데이터는 진동 입력 데이터 및 예측 시점을 입력값으로 학습된 진동 기대값 추정 리그레션 모델을 기반으로 결정될 수 있다. 진동 입력 데이터는 진동 데이터 및 진동외 데이터에 대한 입력 통계 길이(input statistic length)를 설정하여 시간축을 따라 이동하면서 결정된 복수의 하위 진동 입력 데이터를 기반으로 결정될 수 있다.
진동 오차 기대 데이터 결정부(830)는 진동 오차 기대 데이터를 결정하기 위해 구현될 수 있다. 전술한 바와 같이 진동 오차 기대 데이터는 진동 입력 데이터 및 상기 예측 시점을 입력값으로 학습된 진동 오차의 범위를 K개의 인터벌로 디스크리타이즈(discretize)한 확률 질량 함수(probability mass function, pmf)를 기반으로 결정될 수 있다.
진동 예측 데이터 결정부(840)는 진동 기대 데이터 및 진동 오차 기대 데이터를 기반으로 진동 예측 데이터를 결정하기 위해 구현될 수 있다.
프로세서(850)는 수신부(810), 진동 기대 데이터 결정부(820) 및 진동 오차 기대 데이터 결정부(830), 진동 예측 데이터 결정부(840)의 동작을 제어하기 위해 구현될 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (6)

  1. 회전 기기에서 진동을 예측하는 방법은,
    진동 예측 장치가 진동 데이터 및 진동외 데이터를 수신하는 단계;
    상기 진동 예측 장치가 상기 진동 데이터 및 상기 진동외 데이터를 기반으로 진동 기대 데이터 및 진동 오차 기대 데이터를 결정하는 단계; 및
    상기 진동 예측 장치가 상기 진동 기대 데이터 및 상기 진동 오차 기대 데이터를 기반으로 진동 예측 데이터를 결정하는 단계를 포함하되,
    상기 진동 기대 데이터는 진동 입력 데이터 및 예측 시점을 입력값으로 학습된 진동 기대값 추정 리그레션 모델을 기반으로 결정되고,
    상기 진동 입력 데이터는 상기 진동 데이터 및 상기 진동외 데이터에 대한 입력 통계 길이(input statistic length)를 설정하여 시간축을 따라 이동하면서 결정된 복수의 제2 하위 진동 입력 데이터를 기반으로 결정되고,
    상기 복수의 제2 하위 진동 입력 데이터 각각은 특정 시간 구간 내에 발생한 제1 하위 진동 입력 데이터에 대한 서로 다른 통계 데이터, 변화량을 기반으로 결정되고,
    상기 제1 하위 진동 입력 데이터는 특정 시간 구간 내에 발생된 상기 진동 데이터 및 상기 진동외 데이터를 포함하는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 진동 기대 데이터는 1차 진동 기대 데이터 및 상기 진동 오차 기대 데이터를 기반으로 결정되고,
    전체 학습 데이터 셋은 상기 1차 진동 기대 데이터를 학습하기 위한 학습 데이터 셋인 학습 데이터 셋(진동 기대 데이터)와 상기 진동 오차 기대 데이터를 학습하기 위한 학습 데이터인 셋인 학습 데이터 셋(진동 오차 기대 데이터)를 포함하고,
    상기 1차 진동 기대 데이터는 상기 학습 데이터 셋(진동 기대 데이터)를 기반으로 1차적으로 학습된 1차 진동 기대값 추정 리그레션 모델을 기반으로 결정되고,
    상기 진동 오차 기대 데이터는 상기 1차 진동 기대 데이터 및 상기 학습 데이터 셋(진동 오차 기대 데이터)를 기반으로 학습된 분류 모델을 기반으로 결정되고,
    상기 진동 기대 데이터는 상기 1차 진동 기대 추정 리그레션 모델이 상기 학습 데이터 셋(진동 오차 기대 데이터)까지 포함하는 상기 전체 학습 데이터 셋을 기반으로 재학습되어 업데이트된 상기 진동 기대값 추정 리그레션 모델을 기반으로 결정되는 것을 특징으로 하는 방법.
  3. 제2항에 있어서,
    상기 진동 오차 기대 데이터는 상기 진동 입력 데이터 및 상기 예측 시점을 입력값으로 학습된 진동 오차의 범위를 K개의 인터벌로 디스크리타이즈(discretize)한 확률 질량 함수(probability mass function, pmf)를 기반으로 결정되고,
    상기 진동 오차 기대 데이터는 상기 확률 질량 함수 상에서 예측 오차의 표준 편차를 기반으로 상기 K개의 인터벌을 기반으로 결정된 복수의 클래스 상에서 실제 오차가 포함되는 클래스를 트루 벨류(true value)로 설정하여 학습된 상기 분류 모델에 대한 학습을 기반으로 결정되는 것을 특징으로 하는 방법,
  4. 회전 기기에서 진동을 예측하는 진동 예측 장치는,
    진동 데이터 및 진동외 데이터를 수신하도록 구현된 수신부;
    상기 수신부와 동작 가능하게 연결된 프로세서를 포함하되,
    상기 프로세서는 상기 진동 데이터 및 상기 진동외 데이터를 기반으로 진동 기대 데이터 및 진동 오차 기대 데이터를 결정하고,
    상기 진동 기대 데이터 및 상기 진동 오차 기대 데이터를 기반으로 진동 예측 데이터를 결정하도록 구현되되,
    상기 진동 기대 데이터는 진동 입력 데이터 및 예측 시점을 입력값으로 학습된 진동 기대값 추정 리그레션 모델을 기반으로 결정되고,
    상기 진동 입력 데이터는 상기 진동 데이터 및 상기 진동외 데이터에 대한 입력 통계 길이(input statistic length)를 설정하여 시간축을 따라 이동하면서 결정된 복수의 제2 하위 진동 입력 데이터를 기반으로 결정되고,
    상기 복수의 제2 하위 진동 입력 데이터 각각은 특정 시간 구간 내에 발생한 제1 하위 진동 입력 데이터에 대한 서로 다른 통계 데이터, 변화량을 기반으로 결정되고,
    상기 제1 하위 진동 입력 데이터는 특정 시간 구간 내에 발생된 상기 진동 데이터 및 상기 진동외 데이터를 포함하는 것을 특징으로 하는 진동 예측 장치.
  5. 제4항에 있어서,
    상기 진동 기대 데이터는 1차 진동 기대 데이터 및 상기 진동 오차 기대 데이터를 기반으로 결정되고,
    전체 학습 데이터 셋은 상기 1차 진동 기대 데이터를 학습하기 위한 학습 데이터 셋인 학습 데이터 셋(진동 기대 데이터)와 상기 진동 오차 기대 데이터를 학습하기 위한 학습 데이터인 셋인 학습 데이터 셋(진동 오차 기대 데이터)를 포함하고,
    상기 1차 진동 기대 데이터는 상기 학습 데이터 셋(진동 기대 데이터)를 기반으로 1차적으로 학습된 1차 진동 기대값 추정 리그레션 모델을 기반으로 결정되고,
    상기 진동 오차 기대 데이터는 상기 1차 진동 기대 데이터 및 상기 학습 데이터 셋(진동 오차 기대 데이터)를 기반으로 학습된 분류 모델을 기반으로 결정되고,
    상기 진동 기대 데이터는 상기 1차 진동 기대 추정 리그레션 모델이 상기 학습 데이터 셋(진동 오차 기대 데이터)까지 포함하는 상기 전체 학습 데이터 셋을 기반으로 재학습되어 업데이트된 상기 진동 기대값 추정 리그레션 모델을 기반으로 결정되는 것을 특징으로 하는 진동 예측 장치.
  6. 제5항에 있어서,
    상기 진동 오차 기대 데이터는 상기 진동 입력 데이터 및 상기 예측 시점을 입력값으로 학습된 진동 오차의 범위를 K개의 인터벌로 디스크리타이즈(discretize)한 확률 질량 함수(probability mass function, pmf)를 기반으로 결정되고,
    상기 진동 오차 기대 데이터는 상기 확률 질량 함수 상에서 예측 오차의 표준 편차를 기반으로 상기 K개의 인터벌을 기반으로 결정된 복수의 클래스 상에서 실제 오차가 포함되는 클래스를 트루 벨류(true value)로 설정하여 학습된 상기 분류 모델에 대한 학습을 기반으로 결정되는 것을 특징으로 하는 진동 예측 장치.
KR1020210075574A 2021-06-10 2021-06-10 회전 기기에서 진동을 예측하는 방법 및 이러한 방법을 수행하는 장치 KR102475484B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210075574A KR102475484B1 (ko) 2021-06-10 2021-06-10 회전 기기에서 진동을 예측하는 방법 및 이러한 방법을 수행하는 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210075574A KR102475484B1 (ko) 2021-06-10 2021-06-10 회전 기기에서 진동을 예측하는 방법 및 이러한 방법을 수행하는 장치

Publications (1)

Publication Number Publication Date
KR102475484B1 true KR102475484B1 (ko) 2022-12-09

Family

ID=84440379

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210075574A KR102475484B1 (ko) 2021-06-10 2021-06-10 회전 기기에서 진동을 예측하는 방법 및 이러한 방법을 수행하는 장치

Country Status (1)

Country Link
KR (1) KR102475484B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018041149A (ja) * 2016-09-05 2018-03-15 オムロン株式会社 モデル予測制御装置、モデル予測制御装置の制御方法、情報処理プログラム、および記録媒体
KR101903283B1 (ko) * 2017-05-12 2018-10-01 한국전력공사 발전 설비의 자동 진단 시스템 및 자동 진단 방법
KR20200002665A (ko) * 2018-06-29 2020-01-08 성균관대학교산학협력단 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법
KR102138279B1 (ko) * 2019-11-28 2020-07-28 (주)위세아이텍 딥러닝 기반의 시계열 분석을 이용한 회전설비 진동 상태 감시 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018041149A (ja) * 2016-09-05 2018-03-15 オムロン株式会社 モデル予測制御装置、モデル予測制御装置の制御方法、情報処理プログラム、および記録媒体
KR101903283B1 (ko) * 2017-05-12 2018-10-01 한국전력공사 발전 설비의 자동 진단 시스템 및 자동 진단 방법
KR20200002665A (ko) * 2018-06-29 2020-01-08 성균관대학교산학협력단 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법
KR102138279B1 (ko) * 2019-11-28 2020-07-28 (주)위세아이텍 딥러닝 기반의 시계열 분석을 이용한 회전설비 진동 상태 감시 장치 및 방법

Similar Documents

Publication Publication Date Title
JP7104121B2 (ja) 故障予知装置、故障予知システム及び故障予知方法
US11275345B2 (en) Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
US10410135B2 (en) Systems and/or methods for dynamic anomaly detection in machine sensor data
KR101713985B1 (ko) 예지 정비 방법 및 장치
JP6140331B1 (ja) 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
JP7082461B2 (ja) 故障予知方法、故障予知装置および故障予知プログラム
KR102118670B1 (ko) Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법
Khelif et al. RUL prediction based on a new similarity-instance based approach
Tobon-Mejia et al. Hidden Markov models for failure diagnostic and prognostic
JP7106847B2 (ja) 診断装置、診断方法、プログラム、および記録媒体
JP2018200677A (ja) 管理方法、非一時的コンピュータ可読媒体および管理装置
CN112154418A (zh) 异常检测
Louen et al. A new framework for remaining useful life estimation using support vector machine classifier
KR102434460B1 (ko) 기계학습 기반 예측 모델 재학습 장치 및 그 방법
WO2018071005A1 (en) Deep long short term memory network for estimation of remaining useful life of the components
JP7036697B2 (ja) 監視システム及び監視方法
US11041371B2 (en) Adaptive probabilistic health management for rig equipment
CN111459692B (zh) 用于预测驱动器故障的方法、设备和计算机程序产品
JP2020052714A5 (ko)
US20190286100A1 (en) Information processing apparatus, machine learning device and system
Patwardhan et al. Applications of advanced analytics at Saudi Aramco: A practitioners’ perspective
Siraskar et al. Reinforcement learning for predictive maintenance: A systematic technical review
JP2020052459A (ja) 故障予知方法、故障予知装置および故障予知プログラム
Saranya et al. Data-driven prognostics for run-to-failure data employing machine learning models
CN117114454B (zh) 一种基于Apriori算法的直流套管状态评估方法及系统

Legal Events

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