KR102484146B1 - Automatic Counting System for counting the numbers of operations by Machine learning on Vibration Signal - Google Patents
Automatic Counting System for counting the numbers of operations by Machine learning on Vibration Signal Download PDFInfo
- Publication number
- KR102484146B1 KR102484146B1 KR1020200142899A KR20200142899A KR102484146B1 KR 102484146 B1 KR102484146 B1 KR 102484146B1 KR 1020200142899 A KR1020200142899 A KR 1020200142899A KR 20200142899 A KR20200142899 A KR 20200142899A KR 102484146 B1 KR102484146 B1 KR 102484146B1
- Authority
- KR
- South Korea
- Prior art keywords
- unit
- signal
- learning
- vibration
- machine learning
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
Abstract
본 발명은 컴퓨터를 포함하는 연산처리수단에 의해 실행되는 자동계수 시스템으로서, 작업장치에서 발생되는 진동신호를 수집하여 제어부(20)로 전달하는 진동 센서부(10); 동작 여부를 판별하는 학습데이터를 생성하는 동작 학습부(100), 작업 여부를 판별하는 학습데이터를 생성하는 작업 학습부(200), 수신된 진동신호를 통해 동작여부 및 작업여부를 판별하고 동작횟수를 계수하는 연산부(300) 및 상기 진동 센서부(10)로부터 전달받은 진동신호를 신호-벡터 스펙트럼으로 패턴화된 벡터데이터로 변환시키는 신호-벡터 스펙트럼 변환부(400)를 갖는 제어부(20)를 포함하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템이다.The present invention is an automatic counting system executed by an arithmetic processing unit including a computer, comprising: a vibration sensor unit 10 that collects vibration signals generated from a working device and transmits them to the control unit 20; Operation learning unit 100 for generating learning data for determining operation status, operation learning unit 200 for generating learning data for determining operation status, operation status and operation status determination through received vibration signals, and number of operations A control unit 20 having an operation unit 300 that counts and a signal-vector spectrum converter 400 that converts the vibration signal received from the vibration sensor unit 10 into vector data patterned into a signal-vector spectrum. It is an automatic counting system for the number of operations that counts vibration signals by machine learning, characterized in that they include.
Description
본 발명은 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템에 관한 것이다.The present invention relates to an automatic operation counting system for counting vibration signals by machine learning.
본 발명은 작업 시 진동신호가 발생되는 작업장치에서 진동 또는 소음을 기계학습을 이용하여 분석하여, 사람의 개입없이 자동으로 작업횟수를 계수하는 기술분야에 관한 것이다.The present invention relates to a technical field of automatically counting the number of operations without human intervention by analyzing vibration or noise using machine learning in a work device generating a vibration signal during operation.
작업 시 진동신호가 발생되는 분야는 재봉기계, 직조기계 등 다양하게 제시될 수 있다. 본 명세서에서는 재봉기를 일 실시예로 삼아, 본 발명에 관한 배경 기술 을 설명하고자 한다.Fields where vibration signals are generated during work can be presented in various ways, such as sewing machines and weaving machines. In this specification, the background technology related to the present invention will be described by taking a sewing machine as an embodiment.
재봉기(sewing machine)의 작업 수량을 측정하는 것은 반복적인 재봉 작업을 수행하는 경우, 재봉기 자체의 북(보빈;bobbin)에 감겨 있는 재봉실(재봉사)의 소모 여부를 확인하여 재봉 작업의 불량(Skip Stitch 등) 등을 방지하기 위해 필요한 작업이다. 또한, 여러 대의 서로 다른 재봉기를 이용하여 의류를 생산하는 봉제 생산 라인에서 개별 재봉기 작업 단위의 생산성 산출하거나 라인 밸런스를 조정하는 등에도 활용될 수 있다.Measuring the working quantity of a sewing machine is to check whether or not the sewing thread (sewing thread) wound around the drum (bobbin) of the sewing machine itself is consumed when performing repetitive sewing work, thereby preventing defects in sewing work (skip stitches). etc.) is necessary to prevent this. In addition, it can be used to calculate productivity of individual sewing machine work units or adjust line balance in a sewing production line that produces clothes using several different sewing machines.
종래에는 작업수량 내지 작업횟수를 측정하기 위하여, 작업자가 직접 작동시키는 수동 계수기가 주로 이용되었다. 하지만, 수동 계수기는 개별 재봉기의 작업 수량만 보여 줄 뿐이며, 작업자가 정확히 작동시키지 않을 경우에는 올바른 측정이 되지 않는 문제가 있고 전체 생산 라인의 데이터 수집이 어려운 문제가 있었다.Conventionally, in order to measure the number of operations or the number of operations, a manual counter operated directly by an operator has been mainly used. However, the manual counter only shows the work quantity of individual sewing machines, and if the operator does not operate it correctly, there is a problem that the correct measurement is not performed and it is difficult to collect data of the entire production line.
한편, 여러 대의 재봉기를 두고 봉제품(의류, 가방, 신발, 등)을 생산하는 경우 각각의 재봉기 마다 서로 다른 재봉기 설정(땀 수, 재봉실의 종류, 재봉실의 색상 등)을 가지고 작업을 하기 때문에 개별 재봉기 작업 단위의 시간 동작 연구에 따른 재봉기별 작업 시간 조정(라인 밸런스)이 매우 중요하다. On the other hand, when producing sewn products (clothes, bags, shoes, etc.) with multiple sewing machines, each sewing machine works with different sewing machine settings (number of stitches, type of sewing thread, color of sewing thread, etc.). It is very important to adjust the working time (line balance) for each sewing machine according to the time operation study of the working unit.
지금까지는 작업 중 개별 재봉기의 반복 작업 수량을 자동으로 측정하려면 복잡하고 값비싼 센서 측정 장치를 재봉기에 직접 설치하거나 기존 재봉기을 개조해야 하는 문제점이 있었다.Until now, in order to automatically measure the number of repetitive operations of an individual sewing machine during work, there has been a problem in that a complex and expensive sensor measurement device must be directly installed on the sewing machine or the existing sewing machine must be modified.
종래기술로서, 먼저, 모터 회전 수로 측정하는 방법의 경우, 재봉기 모터 회전 수로 작업 수량을 측정하려면 재봉기의 땀수 셋팅에 따라 그 때 마다 모터 회전 수가 달라지기 때문에 정확한 측정이 어려운 문제점이 있다.As a prior art, first, in the case of the method of measuring with the number of rotations of the motor, in order to measure the work quantity with the number of rotations of the sewing machine motor, there is a problem in that it is difficult to accurately measure the number of rotations of the motor each time depending on the setting of the number of stitches of the sewing machine.
재봉기 모터의 회전 수가 반드시 재봉기의 작업 땀수(예를 들어 1인치에 몇 땀을 재봉할 것인지) 혹은 단위 작업을 위한 가동 기간과 일치하지 않는 경우가 빈번히 발생한다.The number of revolutions of the sewing machine motor frequently does not necessarily coincide with the number of working stitches of the sewing machine (for example, how many stitches will be sewn per inch) or the operation period for unit work.
재봉기은 회전 운동을 직선 운동으로 바꾸지만 회전 수 자체와 직선 운동 수 자체가 정확히 일치하지 않는다, 재봉기 모터의 풀리(Pulley)가 밖으로 돌출되어 있는 형태의 경우 재봉기에 회전 수를 측정하는 센서를 설치할 수 있지만 어떤 재봉기의 경우는 재봉기 모터의 풀리가 돌출되어 있지 않아서 센서 자체의 설치가 어려운 문제점이 있다. 또한, 어떤 경우라도 기존 재봉기에 센서를 기계적으로 부착해야 하는 문제점이 있다.The sewing machine converts rotational motion into linear motion, but the number of rotations itself and the number of linear motions do not exactly match. In the case of a sewing machine motor in which the pulley protrudes outward, a sensor that measures the number of rotations can be installed on the sewing machine, but In some sewing machines, there is a problem in that it is difficult to install the sensor itself because the pulley of the sewing machine motor does not protrude. In addition, in any case, there is a problem in that a sensor must be mechanically attached to an existing sewing machine.
다음으로, 재봉기의 재봉실 절단기(사절기) 작동 횟수로 측정하는 방법이 있으며, 이는 재봉기에 재봉실을 절단하는 사절기가 부착되어 있는 경우 사절기의 작동 횟수를 가지고 하나의 작업을 측정하는 방법이다.Next, there is a method of measuring by the number of operations of the sewing thread cutter (thread trimmer) of the sewing machine, and this is a method of measuring one operation with the number of operations of the thread trimming machine when the sewing machine has a thread trimming machine attached to the sewing machine.
재봉 작업의 특성 상, 재봉 작업 도중 사절기가 있더라도 이를 사용하지 않고 작업하는 경우가 빈번히 있다. 또한, 사절기 작동 횟수 측정의 경우에도 재봉기를 개조하여, 별도로 사절기에 센서(혹은 스위치)를 부착해야 하는 문제점이 있다.Due to the nature of the sewing work, even if there is a thread trimmer during the sewing work, there are frequent cases of working without using it. In addition, even in the case of measuring the number of thread trimming operations, there is a problem in that a sensor (or switch) must be attached to the sewing machine separately by modifying the sewing machine.
다음으로, 재봉기 모터의 전류량으로 측정하는 방법이 있다. 이는 모터의 회전과 재봉기의 작동에 소모되는 전류의 양으로 작업을 측정하는 방법이다.Next, there is a method of measuring with the amount of current of the sewing machine motor. This is a method of measuring work by the amount of current consumed in the rotation of the motor and the operation of the sewing machine.
재봉기 마다 소모되는 전류의 양이 모두 다르기 때문에 일일이 하나씩 전류량을 설정해야 하는 문제점이 있다. 예를 들어, 동일한 모델이라도 소모 전류량은 조금씩 달라질 수 있다.Since the amount of current consumed for each sewing machine is different, there is a problem in that the amount of current must be set one by one. For example, the amount of current consumed may vary slightly even for the same model.
전류 소모량을 작업 수량으로 환산하는 경우 재봉기 모터의 전기적 특성 때문에 정확하게 전류 소모량이 재봉기 작동 횟수와 일치하지 않는 경우가 많다.When the current consumption is converted into the number of operations, there are many cases where the current consumption does not exactly match the number of operations of the sewing machine due to the electrical characteristics of the sewing machine motor.
이 경우도 별도의 장치를 재봉기 자체에 설치해야 하는 문제점이 있다.Even in this case, there is a problem in that a separate device must be installed in the sewing machine itself.
본 발명에 따른 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템은 다음과 같은 해결과제를 가진다.The automatic counting system for the number of operations counting by machine learning the vibration signal according to the present invention has the following problems.
첫째, 작업 시 발생되는 작업기계의 진동신호를 분석하여, 작업횟수를 자동적으로 계수하고자 한다.First, it is intended to automatically count the number of operations by analyzing the vibration signal of the working machine generated during operation.
둘째, 작업으로 인해 발생되는 진동신호와 그 외의 소음을 기계학습을 이용하여 구분 및 분석하고자 한다.Second, it is intended to classify and analyze vibration signals generated by work and other noises using machine learning.
셋째, 기계학습을 통한 반복학습으로 계속 데이터를 누적하고 피드백 알고리즘을 이용하여 계수 결과를 더욱 정확하게 하고자 한다.Third, we want to continuously accumulate data through repetitive learning through machine learning and use a feedback algorithm to make the coefficient results more accurate.
넷째, 작업장치의 다양한 동작 상태를 인식하고, 다양한 작업 유형을 인식하여 정확하게 작업 횟수를 계수하고자 한다.Fourth, recognizing various operating states of the work device and recognizing various work types to accurately count the number of work.
본 발명의 해결과제는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다. The problems of the present invention are not limited to those mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the description below.
본 발명은 컴퓨터를 포함하는 연산처리수단에 의해 실행되는 자동계수 시스템으로서,작업장치에서 발생되는 진동신호를 수집하여 제어부로 전달하는 진동 센서부;동작 여부를 판별하는 학습데이터를 생성하는 동작 학습부, 작업 여부를 판별하는 학습데이터를 생성하는 작업 학습부, 수신된 진동신호를 통해 동작여부 및 작업여부를 판별하고 동작횟수를 계수하는 연산부 및 상기 진동 센서부로부터 전달받은 진동신호를 신호-벡터 스펙트럼으로 패턴화된 벡터데이터로 변환시키는 신호-벡터 스펙트럼 변환부를 갖는 제어부를 포함하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템이다.The present invention is an automatic counting system executed by an arithmetic processing means including a computer, a vibration sensor unit that collects vibration signals generated from a working device and transmits them to a control unit; an operation learning unit that generates learning data to determine whether an operation is performed , a task learning unit that generates learning data that determines whether or not it is working, a calculation unit that determines whether or not it is working and whether it is working through the received vibration signal, and counts the number of operations, and a signal-vector spectrum of the vibration signal transmitted from the vibration sensor unit It is an automatic counting system for the number of operations by machine learning, characterized in that it comprises a control unit having a signal-vector spectrum converter for converting into vector data patterned as .
본 발명에 있어서, 상기 제어부에서 산출된 계수값을 표현하는 디스플레이부를 더 포함할 수 있다.In the present invention, a display unit for expressing the count value calculated by the control unit may be further included.
본 발명에 있어서, 제어부의 동작 학습부는 작업장치가 동작 학습을 위한 동작(run) 수행 시, 진동 센서부에 의해 수집된 진동신호를 전달받는 신호 수신부; 상기 신호-벡터 스펙트럼 변환부에서 생성된 각 벡터데이터로 기계학습을 수행하고, 도출되는 학습데이터를 검증하는 기계학습 및 검증부; 및 상기 검증을 완료한 학습데이터를 도출하는 동작 학습데이터 생성부를 포함할 수 있다.In the present invention, the motion learning unit of the control unit includes a signal receiving unit that receives vibration signals collected by the vibration sensor unit when the work device performs a run for motion learning; a machine learning and verification unit that performs machine learning with each vector data generated by the signal-vector spectrum conversion unit and verifies the derived learning data; And it may include a motion learning data generation unit for deriving the learning data that has completed the verification.
본 발명에 있어서, 상기 동작 학습부는 진동 센서부가 작업장치의 동작(run) 전에 수집한 소음신호를 전달받아, 기계학습을 통해 소음 데이터를 도출하는 센서 교정부를 더 구비할 수 있다.In the present invention, the motion learning unit may further include a sensor calibration unit that receives noise signals collected by the vibration sensor unit before the operation of the work device and derives noise data through machine learning.
본 발명에 있어서, 상기 기계학습 및 검증부는 동작 학습데이터 생성을 위한 기계학습 시 상기 센서 교정부에서 도출된 소음 데이터를 제외할 수 있다.In the present invention, the machine learning and verification unit may exclude noise data derived from the sensor calibration unit during machine learning for motion learning data generation.
본 발명에 있어서, 상기 기계학습 및 검증부는 도출된 학습데이터와 직전 학습데이터의 차이가 기 설정된 허용치 이내에 속할 때까지 기계학습을 반복할 수 있다.In the present invention, the machine learning and verification unit may repeat machine learning until the difference between the derived learning data and the previous learning data falls within a preset tolerance.
본 발명에 있어서, 상기 제어부의 작업 학습부는 작업장치가 작업 학습을 위한 작업(work) 수행 시, 진동 센서부에 의해 수집된 진동신호를 전달받는 신호 수신부; 상기 동작 학습부에서 생성된 동작 학습데이터와 전달받은 진동신호로 상기 신호-벡터 스펙트럼 변환부에서 생성된 벡터데이터를 비교하여 진동신호가 동작 상태인지 여부를 판별하는 동작 판별부; 상기 동작 판별부에서 동작 상태로 판별되면, 동작 상태의 횟수를 기계학습하고, 도출되는 동작횟수 데이터를 검증하는 기계학습 및 검증부; 및 상기 검증을 완료한 동작횟수 데이터를 도출하는 작업 학습데이터 생성부를 포함할 수 있다.In the present invention, the work learning unit of the control unit includes a signal receiving unit that receives vibration signals collected by the vibration sensor unit when the work device performs work for work learning; an operation determining unit comparing the motion learning data generated by the motion learning unit with the vector data generated by the signal-vector spectrum conversion unit with the received vibration signal and determining whether the vibration signal is in an operating state; a machine learning and verifying unit for performing machine learning on the number of times of the operation state and verifying the derived operation count data when the operation determination unit determines the operation state; and a task learning data generation unit for deriving data on the number of operations that have completed the verification.
본 발명에 있어서, 상기 동작 판별부에서 벡터데이터들의 비교는 K-최근접 이웃(K-Nearest Neighbor) 알고리즘으로 수행될 수 있다.In the present invention, the comparison of vector data in the operation determination unit may be performed by a K-Nearest Neighbor algorithm.
본 발명에 있어서, 상기 기계학습 및 검증부는 도출된 학습데이터와 직전 학습데이터의 차이가 기 설정된 허용치 이내에 속할 때까지 기계학습을 반복할 수 있다.In the present invention, the machine learning and verification unit may repeat machine learning until the difference between the derived learning data and the previous learning data falls within a preset tolerance.
본 발명에 있어서, 상기 연산부는 작업장치가 작업(work) 수행 시, 진동 센서부에 의해 수집된 진동신호를 전달받는 신호 수신부; 상기 동작 학습부에서 생성된 동작 학습데이터와 전달받은 진동신호로 상기 신호-벡터 스펙트럼 변환부에서 생성된 벡터데이터를 비교하여 진동신호가 동작(run) 상태인지 여부를 판별하는 동작 판별부; 상기 동작 판별부에서 동작 상태로 판별된 횟수를 분석하는 동작횟수 분석부; 상기 작업 학습부에서 생성된 작업 학습데이터와 상기 동작횟수 분석부에서 생성된 벡터데이터를 비교하여 총 횟수가 작업완료 상태인지 여부를 판별하는 작업 판별부; 및 상기 작업 판별부에서 작업완료로 판별되면, 작업횟수를 추가하는 계수부를 포함할 수 있다.In the present invention, the operation unit includes a signal receiving unit that receives vibration signals collected by the vibration sensor unit when the work device performs work; an operation determining unit comparing the motion learning data generated by the motion learning unit with the vector data generated by the signal-vector spectrum conversion unit with the received vibration signal and determining whether or not the vibration signal is in a run state; an operation count analysis unit for analyzing the number of times determined as an operation state by the operation determination unit; a task determining unit that compares the task learning data generated by the task learning unit with the vector data generated by the operation count analysis unit and determines whether or not the total number of tasks is in a task completion state; and a counting unit for adding the number of operations when the operation determination unit determines that the operation is complete.
본 발명에 있어서, 상기 동작 판별부 또는 작업 판별부에서 각 벡터데이터들의 비교는 K-최근접 이웃(K-Nearest Neighbor) 알고리즘으로 수행될 수 있다.In the present invention, the comparison of each vector data in the operation determination unit or the operation determination unit may be performed by a K-Nearest Neighbor algorithm.
본 발명에 있어서, 상기 신호-벡터 스펙트럼 변환부는 상기 진동센서부로 부터 일 신호를 전달받아, 신호의 평균값, 최대값 및 최소값을 산출하는 신호값 산출부; 및 상기 신호 최소값 및 최대값을 포함하는 비교기준값을 생성하는 신호 정규화부를 포함하며, 상기 진동 센서부로부터 전달받은 진동신호를 신호-벡터 스펙트럼으로 패턴화된 벡터데이터로 변환시키는 것이 가능하다.In the present invention, the signal-vector spectrum converter includes a signal value calculation unit that receives a signal from the vibration sensor unit and calculates an average value, a maximum value, and a minimum value of the signal; and a signal normalization unit generating a comparison reference value including the signal minimum and maximum values, and converting the vibration signal received from the vibration sensor unit into vector data patterned into a signal-vector spectrum.
본 발명에 따른 신호 정규화부는 상기 신호값 산출부에서 산출된 신호값이 정규화되도록, 신호값에 가감을 수행할 수 있다.The signal normalizer according to the present invention may add or subtract to the signal value so that the signal value calculated by the signal value calculation unit is normalized.
본 발명에 있어서, 상기 진동 센서부로부터 타 신호를 전달받고, 상기 신호의 측정 구간을 기 설정된 단위시간으로 분할하는 시분할부; 상기 단위시간별로 기 설정된 회수(N)만큼 신호를 측정하는 신호 측정부; 및 상기 신호 측정부에서 측정된 각 신호값과, 상기 신호 정규화부에서 생성된 비교기준값을 대비하여, 구분된 벡터 요소에 해당되는 각 요소값을 생성시키는 벡터데이터 생성부를 포함할 수 있다.In the present invention, a time divider for receiving another signal from the vibration sensor unit and dividing a measurement section of the signal into a predetermined unit time; a signal measurement unit for measuring a signal by a predetermined number of times (N) per unit time; and a vector data generator for generating element values corresponding to the separated vector elements by comparing each signal value measured by the signal measuring unit with a comparison standard value generated by the signal normalization unit.
본 발명에 따른 신호값 산출부에서 상기 신호값은 진폭이며, 상기 신호의 평균값, 최대값 및 최소값은 진폭 평균값, 최대 진폭값 및 최소 진폭값인 것이 가능하다.In the signal value calculator according to the present invention, the signal value is an amplitude, and the average value, maximum value, and minimum value of the signal may be an average amplitude value, a maximum amplitude value, and a minimum amplitude value.
본 발명에 따른 신호 정규화부에서 신호 평균값은 0 또는 0에 가장 가까운 값으로 정규화할 수 있다.In the signal normalization unit according to the present invention, the average signal value may be normalized to 0 or a value closest to 0.
본 발명에 있어서, 상기 비교기준값은 정수 또는 실수인 것이 가능하다.In the present invention, the comparison reference value may be an integer or a real number.
본 발명에 따른 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템은 다음과 같은 효과를 가진다.The automatic counting system for the number of operations for counting vibration signals by machine learning according to the present invention has the following effects.
첫째, 작업 시 발생되는 진동신호를 분석하여, 사람의 개입 없이 작업횟수를 자동적으로 계수하는 효과가 있다.First, there is an effect of automatically counting the number of operations without human intervention by analyzing the vibration signal generated during operation.
둘째, 작업으로 인해 발생되는 진동신호와 그 외의 소음을 구분하여 분석하는 효과가 있다.Second, there is an effect of separating and analyzing vibration signals generated by work and other noises.
셋째, 기계학습을 통한 반복학습으로 결과를 더욱 정확하게 하는 효과가 있다.Third, repeated learning through machine learning has the effect of making the result more accurate.
넷째, 작업장치의 다양한 동작 상태를 인식하고, 다양한 작업 유형을 인식하여 정확하게 작업 횟수를 계수하는 효과가 있다.Fourth, there is an effect of recognizing various operation states of the work device and recognizing various work types to accurately count the number of work operations.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to those mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.
도 1은 본 발명에 따른 작업횟수 자동계수시스템의 구성도이다.
도 2는 본 발명에 따른 동작 학습부의 구성도이다.
도 3은 본 발명에 따른 동작 학습부의 순서도이다.
도 4는 본 발명에 따른 동작 학습부의 구성도이다.
도 5는 본 발명에 따른 동작 학습부의 순서도이다.
도 6은 본 발명에 따른 연산부의 구성도이다.
도 7은 본 발명에 따른 연산부의 순서도이다.
도 8은 본 발명에 따른 신호-벡터 스펙트럼 변환부의 구성도이다.
도 9는 자이로 센서를 통하여 1초 동안 측정된 신호 값의 그래프를 나타낸다.
도 10은 도 9의 신호값을 절대값으로 변환하여 진폭의 크기를 측정한 그래프를 나타낸다.
도 11은 본 발명에 따른 IoT 장비 구성의 일 실시예이다.1 is a block diagram of an automatic counting system for the number of operations according to the present invention.
2 is a configuration diagram of a motion learning unit according to the present invention.
3 is a flow chart of an operation learning unit according to the present invention.
4 is a configuration diagram of a motion learning unit according to the present invention.
5 is a flow chart of an operation learning unit according to the present invention.
6 is a configuration diagram of a calculation unit according to the present invention.
7 is a flowchart of a calculation unit according to the present invention.
8 is a configuration diagram of a signal-vector spectrum converter according to the present invention.
9 shows a graph of signal values measured for 1 second through the gyro sensor.
FIG. 10 shows a graph obtained by measuring the magnitude of an amplitude by converting the signal value of FIG. 9 into an absolute value.
11 is an embodiment of an IoT equipment configuration according to the present invention.
이하, 첨부한 도면을 참조하여, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 설명한다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 이해할 수 있는 바와 같이, 후술하는 실시예는 본 발명의 개념과 범위를 벗어나지 않는 한도 내에서 다양한 형태로 변형될 수 있다. 가능한 한 동일하거나 유사한 부분은 도면에서 동일한 도면부호를 사용하여 나타낸다.Hereinafter, with reference to the accompanying drawings, embodiments of the present invention will be described so that those skilled in the art can easily practice it. As can be easily understood by those skilled in the art to which the present invention pertains, the embodiments described below may be modified in various forms without departing from the concept and scope of the present invention. Where possible, identical or similar parts are indicated using the same reference numerals in the drawings.
본 명세서에서 사용되는 전문용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지는 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다.The terminology used in this specification is only for referring to specific embodiments and is not intended to limit the present invention. As used herein, the singular forms also include the plural forms unless the phrases clearly indicate the opposite.
본 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특정 특성, 영역, 정수, 단계, 동작, 요소, 성분 및/또는 군의 존재나 부가를 제외시키는 것은 아니다.As used herein, the meaning of "comprising" specifies particular characteristics, regions, integers, steps, operations, elements, and/or components, and other specific characteristics, regions, integers, steps, operations, elements, components, and/or components. It does not exclude the presence or addition of groups.
본 명세서에서 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 사전에 정의된 용어들은 관련기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.All terms including technical terms and scientific terms used in this specification have the same meaning as commonly understood by a person of ordinary skill in the art to which the present invention belongs. The terms defined in the dictionary are additionally interpreted as having a meaning consistent with the related technical literature and the currently disclosed content, and are not interpreted in an ideal or very formal meaning unless defined.
본 명세서에서 사용되는 '작업장치'는 작업 시 진동신호가 발생되는 장치를 의미한다. 작업 시 진동신호가 발생되는 분야는 재봉기계, 직조기계 등 다양하게 제시될 수 있다. 본 명세서에서는 필요시 재봉기를 일 실시예로 삼아 본 발명의 기술 구성을 설명한다. 다만, 본 발명은 재봉기에 국한되지 않고, 작업 시 진동신호가 발생되는 다양한 기계 및 분야에 활용될 수 있음을 명확히 한다.As used herein, a 'working device' refers to a device that generates a vibration signal during work. Fields where vibration signals are generated during work can be presented in various ways, such as sewing machines and weaving machines. In this specification, the technical configuration of the present invention will be described using a sewing machine as an embodiment, if necessary. However, it is clarified that the present invention is not limited to sewing machines and can be used in various machines and fields in which vibration signals are generated during operation.
본 발명에서 동작(run)은 작업장치가 작업을 하는 상태를 의미한다. 동작(run)은 진동신호를 발생시킨다. 작업장치가 하는 작업(work)은 다양한 동작(run)의 조합으로 이루어질 수 있다.In the present invention, operation (run) means a state in which the work device is working. The run generates a vibration signal. The work performed by the work device may be composed of a combination of various runs.
예를 들어, 재봉기가 작동될 때의 동작(run)은 다음과 같이 다양하게 발생될 수 있다. 아래에서 드륵, 드르륵 등은 재봉기에서 동작에 따라 발생되는 진동신호를 의미한다. 진동신호는 이러한 소리처럼 들릴 수도 있다.For example, a run when a sewing machine is operated may occur in various ways as follows. In the following, dreureuk, dreoreuk, etc. refer to vibration signals generated according to the operation of the sewing machine. Vibration signals can also be heard like these sounds.
동작1 : 드륵Action 1: Dereuk
동작2 : 드르륵Action 2: Dripping
동작3 : 드르르륵Movement 3: Drurrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrr
동작4 : 드르르르륵Movement 4: rumbling
예를 들어, 소정의 재봉대상물을 작업할 때(work A), 동작 1-2-3-4-3-2-4-1-1-4 과 같이 수행될 수 있다. 이 경우, 작업 A(work A)는 4가지의 동작이 조합된 총 10회의 동작으로 수행될 수 있다.For example, when working on a predetermined sewing object (work A), operation 1-2-3-4-3-2-4-1-1-4 may be performed. In this case, work A may be performed with a total of 10 operations in which four operations are combined.
본 발명은 각 작업 별로 동작의 총 횟수를 분석한 후, 당해 총 횟수가 완료되면 작업 A가 완료된 것으로 작업 횟수(작업 수량)을 계수하는 방식이다.According to the present invention, after analyzing the total number of operations for each task, when the total number of operations is completed, task A is deemed to have been completed and the number of operations (number of operations) is counted.
본 발명은 각 동작(run)을 별도로 구분하지는 않고, 작업(work)을 완료하기 위해 수행되는 동작(run)의 총 횟수를 활용한다.The present invention utilizes the total number of runs performed to complete a work, without separately distinguishing each run.
재봉기의 동작(run)에 따른 진동신호를 구분하여야, 작업장치의 동작(run)을 구분할 수 있다. 동작(run)이 구분되어야 동작의 총 횟수를 분석할 수 있다. 동작 횟수가 분석되어야, 작업(work)의 완료를 구분할 수 있게 된다.Vibration signals according to the operation (run) of the sewing machine must be distinguished so that the operation (run) of the working device can be distinguished. Runs must be distinguished so that the total number of runs can be analyzed. When the number of operations is analyzed, it is possible to distinguish the completion of the work.
하지만, 작업장치 예로 재봉기의 테이블에서 측정되는 진동 신호는 많은 잡음 요소가 포함될 수 있다. 예를 들어 작업자가 손으로 재봉기 테이블을 움직이거나, 다른 주변 장치의 진동소음이 발생되는 경우가 발생될 수 있다.However, a vibration signal measured from a table of a sewing machine, for example, of a work device may include many noise components. For example, a case may occur when a worker moves a sewing machine table by hand or vibration noise from other peripheral devices is generated.
따라서 측정된 진동신호가 재봉기의 박음질 동작 중에 발생한 신호인지, 아니면 재봉기는 작동하지 않는데 주위 소음인지가 구분되는 것이 필요하다.Therefore, it is necessary to distinguish whether the measured vibration signal is a signal generated during the stitching operation of the sewing machine or ambient noise when the sewing machine is not operating.
이를 위해, 본 발명은 진동신호를 스펙트럼을 이용한 신호 분석 방법으로 정규화 하여 간편하게 패턴 분석을 위한 벡터 데이터를 생성하는 방법을 제시한다.To this end, the present invention proposes a method of generating vector data for simple pattern analysis by normalizing a vibration signal with a signal analysis method using a spectrum.
이하에서는 도면을 참고하여 본 발명을 설명하고자 한다. 참고로, 도면은 본 발명의 특징을 설명하기 위하여, 일부 과장되게 표현될 수도 있다. 이 경우, 본 명세서의 전 취지에 비추어 해석되는 것이 바람직하다.Hereinafter, the present invention will be described with reference to the drawings. For reference, the drawings may be partially exaggerated in order to explain the features of the present invention. In this case, it is preferable to interpret in light of the whole purpose of this specification.
도 1은 본 발명에 따른 작업횟수 자동계수시스템의 구성도이다.1 is a block diagram of an automatic counting system for the number of operations according to the present invention.
본 컴퓨터를 포함하는 연산처리수단에 의해 실행되는 자동계수 시스템으로서, 진동 센서부(10) 및 제어부(20)를 포함하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템이다.An automatic counting system executed by an arithmetic processing unit including a present computer, comprising a
또한, 제어부(20)에서 산출된 계수값을 표현하는 디스플레이부(30)를 더 포함할 수 있다.In addition, a
나아가, 수집된 계수값 등의 관련 데이터를 서버로 전송하기 위해, wifi 등의 무선통신 모듈(미도시)를 더 구비하는 것도 가능하다. Furthermore, it is possible to further include a wireless communication module (not shown) such as wifi in order to transmit related data such as collected count values to a server.
본 발명에 따른 진동 센서부(10)는 작업장치에서 발생되는 진동신호를 수집하여 제어부(20)로 전달할 수 있다.The
본 발명에 따른 진동 센서부(10)는 작업장치의 진동신호를 수집할 수 있는 위치에 배치되는 것이 적절하다. 작업장치에 접촉되어 배치되는 것이 일반적이다. 제어부 등과 함께 배치될 수도 있고, 별도로 배치될 수도 있다. 수집된 진동신호는 무선 또는 유선으로 제어부(20)에 전달될 수 있다.It is appropriate for the
본 발명에 따른 제어부(20)는 동작 여부를 판별하는 학습데이터를 생성하는 동작 학습부(100), 작업 여부를 판별하는 학습데이터를 생성하는 작업 학습부(200), 수신된 진동신호를 통해 동작여부 및 작업여부를 판별하고 동작횟수를 계수하는 연산부(300) 및 상기 진동 센서부(10)로부터 전달받은 진동신호를 신호-벡터 스펙트럼으로 패턴화된 벡터데이터로 변환시키는 신호-벡터 스펙트럼 변환부(400)를 포함한다.The
도 2는 본 발명에 따른 동작 학습부의 구성도이고, 도 3은 본 발명에 따른 동작 학습부의 순서도이다.2 is a configuration diagram of a motion learning unit according to the present invention, and FIG. 3 is a flow chart of a motion learning unit according to the present invention.
본 발명에 따른 제어부(20)의 동작 학습부(100)는 작업장치가 동작 학습을 위한 동작(run) 수행 시, 진동 센서부(10)에 의해 수집된 진동신호를 전달받는 신호 수신부(120); 상기 신호-벡터 스펙트럼 변환부(400)에서 생성된 각 벡터데이터로 기계학습을 수행하고, 도출되는 학습데이터를 검증하는 기계학습 및 검증부(130); 및 상기 검증을 완료한 학습데이터를 도출하는 동작 학습데이터 생성부(140)를 포함한다.The
작업장치가 작업을 시작할 때, 첫 작업은 동작 학습부(100)에서 동작(run) 학습용으로 활용될 수 있다.When the work device starts working, the first job may be used for learning the run in the
본 발명에 따른 동작 학습부(100)는 진동 센서부(10)가 작업장치의 동작(run) 전에 수집한 소음신호를 전달받아, 기계학습을 통해 소음 데이터를 도출하는 센서 교정부(110)를 더 구비할 수 있다.The
일 실시예로, 본 발명에 따른 자동계수시스템이 시작되면, 센서 교정부(110)가 자동적으로 제외할 바닥 소음(basic noise)에 해당되는 진동신호를 수집하여 이를 벡터데이터화한 후, 기계학습을 시켜 별도로 분류하는 것이 가능하다.In one embodiment, when the automatic counting system according to the present invention starts, the
본 발명에 따른 기계학습 및 검증부(130)는 동작 학습데이터 생성을 위한 기계학습 시 센서 교정부(110)에서 도출된 소음 데이터를 제외할 수 있다.The machine learning and verification unit 130 according to the present invention may exclude noise data derived from the
본 발명에 따른 기계학습 및 검증부(130)는 도출된 학습데이터와 직전 학습데이터의 차이가 기 설정된 허용치 이내에 속할 때까지 기계학습을 반복하는 것이 가능하다.The machine learning and verification unit 130 according to the present invention can repeat machine learning until the difference between the derived learning data and the previous learning data falls within a preset tolerance.
도 4는 본 발명에 따른 동작 학습부의 구성도이고, 도 5는 본 발명에 따른 동작 학습부의 순서도이다.4 is a configuration diagram of a motion learning unit according to the present invention, and FIG. 5 is a flow chart of a motion learning unit according to the present invention.
작업장치의 다음 작업은 작업 학습부(200)에서 작업의 패턴을 분석하는 작업(work) 학습용으로 활용될 수 있다.The next task of the work device may be used for work learning in which the
본 발명에 있어서, 제어부(20)의 작업 학습부(200)는 작업장치가 작업 학습을 위한 작업(work) 수행 시, 진동 센서부(10)에 의해 수집된 진동신호를 전달받는 신호 수신부(210); 상기 동작 학습부(100)에서 생성된 동작 학습데이터와 전달받은 진동신호로 상기 신호-벡터 스펙트럼 변환부(400)에서 생성된 벡터데이터를 비교하여 진동신호가 동작 상태인지 여부를 판별하는 동작 판별부(220); 상기 동작 판별부(220)에서 동작 상태로 판별되면, 동작 상태의 횟수를 기계학습하고, 도출되는 동작횟수 데이터를 검증하는 기계학습 및 검증부(230); 및 상기 검증을 완료한 동작횟수 데이터를 도출하는 작업 학습데이터 생성부(240)를 포함할 수 있다.In the present invention, the
본 발명에 따른 동작 판별부(220)에서 벡터데이터들의 비교는 K-최근접 이웃(K-Nearest Neighbor) 알고리즘으로 수행될 수 있다.Comparison of vector data in the
본 발명에 따른 기계학습 및 검증부(230)는 도출된 학습데이터와 직전 학습데이터의 차이가 기 설정된 허용치 이내에 속할 때까지 기계학습을 반복할 수 있다.The machine learning and verification unit 230 according to the present invention may repeat machine learning until the difference between the derived training data and the previous training data falls within a preset tolerance.
작업자 마다 숙련도에 따라, 작업장치를 이용하여 특정 작업(work)을 하는데 사용되는 시간은 서로 다를 수 있다. 또한, 작업자 마다 특정 작업(work)를 수행하는 순서가 다를 수도 있다.Depending on the skill level of each worker, the time used to perform a specific work using the work device may be different. Also, the order of performing a specific work may be different for each worker.
따라서, 작업 학습부(200)는 각 작업자 마다 자신의 작업 패턴을 수행하여 자신의 작업 완료의 기준을 분석하는 것이 바람직하다.Therefore, it is preferable that the
만약 작업자가 자신의 작업이 일정한 패턴이 부족하다고 생각되면, 작업 학습부의 과정을 더 많이 수행하여야 정확한 통계를 산출할 수 있을 것이다.If the worker thinks that his/her work lacks a certain pattern, more accurate statistics can be calculated by performing the process of the task learning part more.
반대로, 작업자의 패턴이 정말 일정하다며 보다 적은 학습회수로도 통계값의 산출이 가능할 것이다.On the contrary, if the worker's pattern is really constant, it will be possible to calculate the statistical value with fewer learning times.
일 실시예로서, 일반적으로는 3회를 수행하여, 평균적인 통계값을 도출할 수 있다.As an example, it is generally possible to derive an average statistical value by performing three times.
도 6은 본 발명에 따른 연산부의 구성도이고, 도 7은 본 발명에 따른 연산부의 순서도이다.6 is a configuration diagram of an operation unit according to the present invention, and FIG. 7 is a flow chart of an operation unit according to the present invention.
본 발명에 따른 연산부(300)는 작업장치가 작업(work) 수행 시, 진동 센서부(10)에 의해 수집된 진동신호를 전달받는 신호 수신부(310); 상기 동작 학습부(100)에서 생성된 동작 학습데이터와 전달받은 진동신호로 상기 신호-벡터 스펙트럼 변환부(400)에서 생성된 벡터데이터를 비교하여 진동신호가 동작(run) 상태인지 여부를 판별하는 동작 판별부(320); 상기 동작 판별부(300)에서 동작 상태로 판별된 횟수를 분석하는 동작횟수 분석부(330); 상기 작업 학습부(200)에서 생성된 작업 학습데이터와 상기 동작횟수 분석부(330)에서 생성된 벡터데이터를 비교하여 총 횟수가 작업완료 상태인지 여부를 판별하는 작업 판별부(340); 및 상기 작업 판별부(340)에서 작업완료로 판별되면, 작업횟수를 추가하는 계수부(350)를 포함할 수 있다.The operation unit 300 according to the present invention includes a
본 발명에 있어서, 상기 동작 판별부(320) 또는 작업 판별부(340)에서 각 벡터데이터들의 비교는 K-최근접 이웃(K-Nearest Neighbor) 알고리즘으로 수행될 수 있다.In the present invention, the comparison of each vector data in the
이하에서는 K-최근접 이웃(KNN; K-Nearest Neighbor) 알고리즘을 설명하고자 한다.Hereinafter, the K-Nearest Neighbor (KNN) algorithm will be described.
본 발명에 있어서, KNN 알고리즘은 해당 측정 값이 재봉기가 박음질 동작 상태에 있는지, 아니면 멈춤 상태에 있는 지를 판별하기 위하여 사용된다. 재봉기의 진동을 작동, 비작동의 초기 신호 값으로 기계 학습하여 이후 작업 횟수를 측정하고자 하는 진동 신호 값에 대하여 패턴화 된 진동 신호를 작동상태와 멈추고 있는 상태로 분류하는 방법으로 사용될 수 있다.In the present invention, the KNN algorithm is used to determine whether the sewing machine is in a lockstitch operation state or in a stopped state based on the measured value. It can be used as a method of classifying the patterned vibration signal into an operating state and a stopped state with respect to the vibration signal value to measure the number of operations after machine learning of the vibration of the sewing machine with the initial signal value of operation and non-operation.
KNN 기계학습에 적절한 데이터 수집을 위하여 시분할된 기간 동안(예를 들어, 1/10 초) 재봉기 진동 신호의 진폭을 스펙트럼의 형태로 변환하여 진동 신호의 패턴을 생성한다.For data collection suitable for KNN machine learning, the vibration signal pattern is generated by converting the amplitude of the sewing machine vibration signal into a spectrum during a time-divided period (eg, 1/10 second).
KNN 알고리즘은 인스턴스 기반 학습 또는 지연 학습의 한 유형으로서, 함수는 로컬로만 근사되며 모든 계산은 함수 평가까지 연기된다. 이 알고리즘은 분류를 위한 거리에 의존하기 때문에 훈련 데이터를 정규화 하면 정확도가 크게 향상 될 수 있다.A KNN algorithm is a type of instance-based learning or delayed learning, in which functions are only approximated locally and all computations are deferred until function evaluation. Because this algorithm relies on distance for classification, “normalizing” the training data can significantly improve accuracy.
일반적으로 재봉기 테이블에서 측정되는 진동 신호는 작업자 또는 주변기기의 소음 등 많은 잡음 요소가 있으나, 이를 스펙트럼을 이용한 신호 분석 방법으로 정규화 하여 간편하게 패턴 분석을 위한 데이터를 생성 한다In general, the vibration signal measured on the sewing machine table has many noise elements such as noise from workers or peripheral devices, but it is normalized using a spectrum-based signal analysis method to easily create data for pattern analysis.
KNN 알고리즘은 분류를 위한 알고리즘이므로 작동 초기에 재봉기의 진동을 센서로 측정하여 기계가 멈춤 상태의 측정 값과 기계가 작동 중인 측정값을 정해진 학습 숫자만큼 수집하여 KNN 알고리즘을 이용하여 기계 학습한다. Since the KNN algorithm is an algorithm for classification, the vibration of the sewing machine is measured with a sensor at the beginning of operation, and the measured value while the machine is stopped and the measured value while the machine is operating are collected as much as a predetermined number of learning numbers, and machine learning is performed using the KNN algorithm.
기계 학습이 완료되면 이후 측정값에 대하여 기계 학습된 분류 값과 비교하여 해당 스펙트럼 벡터가 동작(run)상태인지, 멈춤(idle) 상태인지를 판단한다.After the machine learning is completed, the measured value is compared with the machine-learned classification value to determine whether the corresponding spectrum vector is in a run state or an idle state.
작동기계의 동작 중인 상태의 합을 이동 평균하여 오차 허용치 안의 단일 반복 작업에 대한 기계 작동 상태의 기준 값(하나의 작업에 필요한 동작횟수)을 생성한다.A moving average of the sum of the operating states of the operating machine is used to generate a reference value (the number of operations required for one operation) of the operating state of the machine for a single repetitive operation within an error tolerance.
이후, 측정된 신호의 스펙트럼 벡터 값이 동작(run) 상태인지, 멈춤(idle) 상태인지를 연속적으로 측정하여 학습된 단일 작업의 작동 횟수와 비교하여 하나의 작업 단위 별로 자동으로 작업 수량을 측정한다. 그리고 이를 계속 반복한다.Afterwards, whether the spectrum vector value of the measured signal is running or idle is continuously measured and compared with the number of operations of a single task learned to automatically measure the work quantity for each work unit. . And it keeps repeating.
다음으로, KNN 머신러닝 과정을 보다 상세하게 설명하고자 한다.Next, we will explain the KNN machine learning process in more detail.
본 발명은 진동 센서부(10)에서 수집된 센서 신호(진동 신호)를 신호-벡터 스펙트럼 변환부(400)에서 변환하여, 이를 KNN 머신러닝을 통하여 동작(run) 상태와 멈춤(idle) 상태를 판단하고 판단된 동작의 횟수를 카운트하고 학습(횟수의 이동평균과 표준 편차 이용)하여 학습된 동작 횟수를 가지고 작업(Work)를 판단한다.The present invention converts the sensor signal (vibration signal) collected in the
동작(run)의 경우, 짧은 단위 시간(예로, 1/5 초 동안) 기계의 작동 여부를 의미한다. In the case of run, it means whether the machine operates for a short unit time (eg, 1/5 second).
일 실시예로서, 1초 동안의 사례를 들면 다음과 같다. As an example, an example for 1 second is as follows.
신호의 주파수 스펙트럼 별로 5 단계로 구분한다면 측정값을 E 라고 할 때 다음과 같이 예시될 수 있다.If the frequency spectrum of the signal is divided into 5 stages, when the measured value is E, it can be exemplified as follows.
E1 = {0, 0, 0, 0, 0} : 최초 1/5 초에서 측정된 값E1 = {0, 0, 0, 0, 0} : the value measured in the first 1/5 second
E2 = {1, 1, 1, 1, 0} : 최초 2/5초에서 측정된 값E2 = {1, 1, 1, 1, 0} : the value measured in the first 2/5 second
E3 = {1, 1, 0, 0, 0} : 최초 3/5 초에서 측정된 값E3 = {1, 1, 0, 0, 0} : the value measured in the first 3/5 seconds
E4 = {0, 1, 1, 1, 1} : 최초 4/5 초에서 측정된 값E4 = {0, 1, 1, 1, 1} : the value measured in the first 4/5 seconds
E5 = {0, 0, 1, 1, 0} : 최초 5/5 초에서 측정된 값E5 = {0, 0, 1, 1, 0} : the value measured in the first 5/5 seconds
이를 KNN 머신러닝으로 학습하면 다음과 같이 분류(Classification)될 수 있다.If this is learned by KNN machine learning, it can be classified as follows.
E1 = {0, 0, 0, 0, 0} : idle E1 = {0, 0, 0, 0, 0} : idle
E2 = {1, 1, 1, 1, 0} : runE2 = {1, 1, 1, 1, 0} : run
E3 = {1, 1, 0, 0, 0} : idleE3 = {1, 1, 0, 0, 0} : idle
E4 = {0, 1, 1, 1, 1} : runE4 = {0, 1, 1, 1, 1} : run
E5 = {0, 0, 1, 1, 0} : idleE5 = {0, 0, 1, 1, 0} : idle
이때 동작(run)의 합이 4 이상일 때 이를 하나의 작업(work)이라고 정의하면 다음의 경우 1개의 작업(work)으로 판단할 수 있다. 물론 실재에서는 이러한 판단도 이동평균을 통해 계속 학습하게 될 것이다.In this case, if the sum of the runs is 4 or more and this is defined as one work, it can be determined as one work in the following cases. Of course, in reality, these judgments will continue to be learned through moving averages.
E1 = {0, 0, 0, 0, 0} : idle E1 = {0, 0, 0, 0, 0} : idle
E2 = {1, 1, 1, 1, 0} : run (1)E2 = {1, 1, 1, 1, 0} : run(1)
E3 = {1, 1, 0, 0, 0} : idleE3 = {1, 1, 0, 0, 0} : idle
E4 = {0, 1, 1, 1, 1} : run (2)E4 = {0, 1, 1, 1, 1} : run(2)
E5 = {0, 0, 1, 1, 0} : idleE5 = {0, 0, 1, 1, 0} : idle
E6 = {0, 0, 0, 0, 0} : idle E6 = {0, 0, 0, 0, 0} : idle
E7 = {1, 1, 1, 1, 0} : run (3)E7 = {1, 1, 1, 1, 0} : run(3)
E8 = {1, 1, 0, 0, 0} : idleE8 = {1, 1, 0, 0, 0} : idle
E9 = {0, 1, 1, 1, 1} : run (4)E9 = {0, 1, 1, 1, 1} : run(4)
…. : (작업의 완료로 인식될 수 있는 설정된 시간 간격 동안 idle인 경우 하나의 작업으로 인식 가능)… . : (If it is idle for a set time interval that can be recognized as the completion of the task, it can be recognized as one task)
이하에서는, 결과의 신뢰도에 관하여 설명하고자 한다.Hereinafter, the reliability of the results will be described.
기본적으로 KNN 알고리즘은 측정 값을 KNN으로 기계학습된 값과의 거리를 비교하여 분류를 판단한다. 이러한 판단이 이루어진 경우 학습된 값과의 거리를 비율로 나타낸 것이 KNN 알고리즘의 신뢰도다. Basically, the KNN algorithm determines the classification by comparing the distance between the measured value and the value machine-learned by KNN. When this decision is made, the reliability of the KNN algorithm is expressed as a ratio of the distance from the learned value.
KNN 기계학습 값의 신뢰도는 1이 가장 신뢰할 수준인 값이며 0에 가까울수록 신뢰할 수 없는 값이다.The reliability of the KNN machine learning value is 1, which is the most reliable value, and the closer to 0, the less reliable it is.
재봉기가 배치된 테이블에서 측정되는 진동 신호 값을 비교 패턴 값으로 비교하여 이에 따른 KNN학습의 신뢰도를 측정할 수 있다.The reliability of KNN learning can be measured by comparing the vibration signal value measured on the table where the sewing machine is placed with the comparison pattern value.
신뢰도가 정해진 허용치 보다 낮은 경우 이 값은 무시되고 충분한 허용치 내에 포함되는 측정 값 만을 대상으로 할 수 있다.If the reliability is lower than the specified tolerance, this value is ignored and only the measured values within the sufficient tolerance can be targeted.
작업 수량 계수를 위한 값의 경우 작업의 진행에 따라 계속적으로 이동 평균을 이용하여 갱신될 수 있다.In the case of the value for the work quantity coefficient, it can be continuously updated using a moving average according to the progress of the work.
이하에서는 신호-벡터 스펙트럼 변환부(400)를 설명하고자 한다. Hereinafter, the signal-
도 8은 본 발명에 따른 신호-벡터 스펙트럼 변환부의 구성도이다.8 is a configuration diagram of a signal-vector spectrum converter according to the present invention.
본 발명은 진동 센서 신호에서 해당 진폭과 파장을 기준으로 패턴화 된 벡터(array) 데이터를 도출한다.The present invention derives patterned vector (array) data based on the corresponding amplitude and wavelength from the vibration sensor signal.
본 발명에 따른 신호-벡터 스펙트럼 변환부(400)는 상기 진동센서부로부터 일 신호를 전달받아, 신호의 평균값, 최대값 및 최소값을 산출하는 신호값 산출부(410); 및 신호 최소값 및 최대값을 포함하는 비교기준값을 생성하는 신호 정규화부(420)를 포함하며, 상기 진동 센서부(10)로부터 전달받은 진동신호를 신호-벡터 스펙트럼으로 패턴화된 벡터데이터로 변환시킬 수 있다.The signal-
본 발명에 따른 신호 정규화부(420)는 신호값 산출부(410)에서 산출된 신호값이 정규화되도록, 신호값에 가감을 수행할 수 있다.The
본 발명은 진동 센서부(10)로부터 타 신호를 전달받은 신호 또는 신호 정규화부(420)에 의해 정규화된 신호의 측정 구간을 기 설정된 단위시간으로 분할하는 시분할부(430)를 더 포함한다.The present invention further includes a time divider 430 dividing a measurement section of a signal received from the
본 발명은 단위시간별로 기 설정된 회수(N)만큼 신호를 측정하는 신호 측정부(440)를 더 포함한다.The present invention further includes a
본 발명은 신호 측정부(440)에서 측정된 각 신호값과, 상기 신호 정규화부(420)에서 생성된 비교기준값을 대비하여, 벡터 요소에 해당되는 각 요소값을 생성시키는 벡터데이터 생성부(450)를 더 포함한다.The present invention compares each signal value measured by the
본 발명에 따른 진동 센서부(10)는 측정대상 신호를 감지하고 저장 또는 전달할 수 있다. 측정대상 신호를 실시간으로 센싱하여 확보할 수 있다. 또한, 기 확보된 측정대상 신호를 사용할 수도 있다.The
도 9는 자이로 센서를 통하여 1초 동안 측정된 신호 값의 그래프를 나타낸다.9 shows a graph of signal values measured for 1 second through the gyro sensor.
본 발명에 따른 신호값 산출부(410)는 진동 센서부(10)로부터 일 신호를 전달받아, 신호의 평균값, 최대값 및 최소값을 산출할 수 있다. 충분한 수의 신호값 샘플과 신호값의 기술적 특성(Specification)을 고려하여, 신호값의 평균값, 최대값 및 최소값을 산출할 수 있다.The signal
신호값 산출부(410)에서 신호값은 진폭이며, 신호의 평균값, 최대값 및 최소값은 진폭 평균값, 최대 진폭값 및 최소 진폭값인 것이 바람직하다.In the
본 발명에 따른 신호 정규화부(420)는 신호값 산출부(410)에서 산출된 신호값이 정규화되도록, 신호값에 가감을 수행할 수 있다.The
신호 정규화부(420)에서 신호 평균값은 0 또는 0에 가장 가까운 값으로 정규화하는 것이 가능하다. 측정된 신호값을 평균 0의 값으로 치환하는 정규화가 일반적이다. 또한, 신호 값의 평균을 이용하여 평균이 0 에 가장 가까운 값 또는 0 근처의 값이 되도록 신호 값에 특정 값을 가감하여 신호값을 정규화할 수 있다.In the
특별한 파장을 가지지 않는 신호의 경우라도, 통상 센서에서 측정된 신호값의 경우 신호의 평균을 0으로 치환하게 되면 평균인 0 근처에 상대적으로 많은 진폭(혹은 신호 값)이 측정된다.Even in the case of a signal that does not have a specific wavelength, in the case of a signal value measured by a normal sensor, if the average of the signal is replaced by 0, a relatively large amplitude (or signal value) near the average of 0 is measured.
이 때문에 평균 근처의 값은 보다 자세히 나누어 스펙트럼 분석이 될 수 있다. 평균 근처가 아닌 값 예로, 아주 큰 값 또는 아주 작은 값인, 노이즈로 인식되거나 아웃라이어(outlier) 로 인식되는 값의 경우, 큰 비교기준값 범위에서는 작은 비교기준값보다는 자세하게 분석되지 않을 수 있다. 이와 같은 구분을 통해, 전체적인 신호값의 분석을 위한 의미 있는 신호 스펙트럼을 얻는 것이 용이하다.Because of this, values near the mean can be further divided and spectral analysed. In the case of a value that is not near the mean, for example, a very large value or a very small value, which is recognized as noise or an outlier, a large comparison standard value range may not be analyzed in more detail than a small comparison standard value. Through such classification, it is easy to obtain a meaningful signal spectrum for analysis of the overall signal value.
본 발명에 따른 시분할부(430)는 진동 센서부(10)로부터 타 신호를 전달받고, 상기 신호의 측정 구간을 기 설정된 단위시간으로 분할할 수 있다.The time divider 430 according to the present invention may receive another signal from the
본 발명에 따른 신호 측정부(440)는 단위시간별로 기 설정된 회수(N)만큼 신호를 측정할 수 있다.The
본 발명에 따른 벡터데이터 생성부(450)는 신호 측정부(440)에서 측정된 각 신호값과, 상기 신호 정규화부(420)에서 생성된 비교기준값을 대비하여, 벡터 요소에 해당되는 각 요소값을 생성시킬 수 있다.The vector data generation unit 450 according to the present invention compares each signal value measured by the
만약, 신호 정규화부(420)에서 진폭 자체만으로 의미를 가지는 경우는 정해진 시간 동안의 신호를 절대 값으로 변환하여 사용할 수 있다.If the
본 발명에 따른 시분할부(430)는 신호 값을 측정하는 구간을 분석의 목적에 적합하도록 충분히 작은 시간으로 분할할 수 있다.The time divider 430 according to the present invention may divide the signal value measurement period into sufficiently small times to be suitable for the purpose of analysis.
해당 분할된 시간 동안 측정된 신호 값을 이용하여 스펙트럼 벡터를 생성한다. 이때 벡터의 요소 수는 기준에 따라 달라질 수 있지만 보통 마이크로프로세서로 연산 가능한 요소 수를 넘지 않을 수 있다.A spectrum vector is generated using signal values measured during the divided time. At this time, the number of elements of the vector may vary according to standards, but may not exceed the number of elements that can be operated by a microprocessor.
본 발명에 있어서, 얻어진 신호 값의 스펙트럼 벡터를 이용하여 목적하려는 분석(예: 머신러닝)을 시행할 수 있다. 예를 들어 ANN(Artificial Neural Network) 혹은 KNN (k-nearest neighbors) 알고리즘을 간단하게 적용할 수 있다. In the present invention, target analysis (eg, machine learning) can be performed using the spectral vector of the obtained signal value. For example, ANN (Artificial Neural Network) or KNN (k-nearest neighbors) algorithms can be applied simply.
한편, 본 발명은 재봉기의 작업 수량을 자동으로 측정하기 위한 IoT장비로 구현될 수 있다.On the other hand, the present invention can be implemented as IoT equipment for automatically measuring the working quantity of the sewing machine.
이러한 IoT 디바이스는 별도의 재봉기 개조 없이 개별 재봉기의 반복 작업 수량을 재봉기 테이블의 진동을 기계 학습하여 측정하기 때문에 정확성과 비용 측면에서 많은 유리함이 있다. Since these IoT devices measure the number of repetitive operations of individual sewing machines by machine learning the vibration of the sewing machine table without remodeling the sewing machine, there are many advantages in terms of accuracy and cost.
또한 측정된 작업 수량을 직접 IoT 디바이스의 디스플레이로 보여줄 뿐만 아니라 해당 데이터를 서버로 전송하여 봉제 공장 전체의 생산시점관리(POP - Point of Production)를 가능하여 봉제 공장의 스마트 팩토리를 구축할 수 있다. In addition, it not only directly shows the measured work quantity on the display of the IoT device, but also transmits the data to the server, enabling POP (Point of Production) management of the entire sewing factory to build a smart factory of the sewing factory.
봉제 작업의 특성상 대부분 사람이 재봉기을 도구로 이용하는 전통적인 수작업 형태이기 때문에 정확한 작업 수량을 자동으로 측정하기는 어려운 요소가 많다. 즉, 같은 길이의 박음질 작업을 하는 경우에도 어떤 사람은 중간에 잠시 몇 번씩 멈추었다 작업을 진행하기도 하고 어떤 사람은 기계의 속도를 느리게 혹은 빠르게 하여 작업하기도 한다. 이러한 재봉기 작업의 비정형성을 패턴화 한 진동 센서 데이터를 기계 학습하여 측정함으로써 기존 방법보다 높은 정확도를 가지고 작업 수량을 측정할 수 있다. Due to the nature of sewing work, it is difficult to automatically measure the exact amount of work because most people use sewing machines as tools for traditional manual work. In other words, even in the case of sewing work of the same length, some people stop and work several times in the middle, and some people work by slowing down or speeding up the machine. By machine learning and measuring the patterned vibration sensor data of the irregularity of the sewing machine work, it is possible to measure the work quantity with higher accuracy than the existing method.
본 명세서에 있어서, 하드웨어는 프로세스(CPU)를 포함하는 것이고, 구체적으로는 본 발명에 의한 신호-벡터 스펙트럼 변환시스템에 관한 컴퓨터 명령어를 포함하는 컴퓨터 프로그램이 메모리에 로딩된 상태에서 상기 프로그램과 프로세스가 상호작용에 의해서 상기 방법을 수행한다.In this specification, hardware includes a process (CPU), and specifically, in a state in which a computer program including computer instructions related to the signal-vector spectrum conversion system according to the present invention is loaded into memory, the program and the process The method is carried out by interaction.
본 발명에 따른 신호-벡터 스펙트럼 변환시스템에서 수행되는 동작들은 디지털 전자 회로, 또는 컴퓨터 하드웨어, 펌웨어, 또는 그들의 조합들 내에서 실행될 수 있다. 특징들은 예컨대, 프로그래밍 가능한 프로세서에 의한 실행을 위해, 기계 판독 가능한 저장 디바이스 내의 저장장치 내에서 구현되는 컴퓨터 프로그램 제품에서 실행될 수 있다. 그리고 특징들은 입력 데이터 상에서 동작하고 출력을 생성함으로써 설명된 실시예들의 함수들을 수행하기 위한 지시어들의 프로그램을 실행하는 프로그래밍 가능한 프로세서에 의해 수행될 수 있다. 설명된 특징들은, 데이터 저장 시스템으로부터 데이터 및 지시어들을 수신하기 위해, 및 데이터 저장 시스템으로 데이터 및 지시어들을 전송하기 위해 결합된 적어도 하나의 프로그래밍 가능한 프로세서, 적어도 하나의 입력 디바이스, 및 적어도 하나의 출력 디바이스를 포함하는 프로그래밍 가능한 시스템 상에서 실행될 수 있는 하나 이상의 컴퓨터 프로그램들 내에서 실행될 수 있다.Operations performed in the signal-to-vector spectrum conversion system according to the present invention may be implemented in digital electronic circuitry, or in computer hardware, firmware, or combinations thereof. Features may be implemented in a computer program product embodied within storage, eg, in a machine-readable storage device, for execution by a programmable processor. And features can be performed by a programmable processor executing a program of instructions to perform the functions of the described embodiments by operating on input data and generating output. The described features include at least one programmable processor, at least one input device, and at least one output device coupled to receive data and instructions from and to transmit data and instructions to the data storage system. It can be executed within one or more computer programs that can be executed on a programmable system including.
이하에서는 본 발명의 특징을 다시 한번 정리하고자 한다.Hereinafter, the characteristics of the present invention will be summarized once again.
본 발명은 재봉기 등의 작업장치의 진동을 외부의 소형 IoT 디바이스를 이용하여 측정하기 때문에 별도의 센서를 작업장치(재봉기) 자체에 설치하거나 작업장치(재봉기)를 개조할 필요가 없는 장점이 있다.Since the present invention measures the vibration of a working device such as a sewing machine using an external small IoT device, there is no need to install a separate sensor on the working device (sewing machine) itself or to modify the working device (sewing machine).
본 발명은 소형 IoT 디바이스에 설치된 센서로 재봉기의 진동을 측정하는 것이 가능하다.In the present invention, it is possible to measure vibration of a sewing machine with a sensor installed in a small IoT device.
어떤 재봉기라도 별도의 재봉기 개조 작업 없이, 본 발명을 적용하는 것이 가능하다.It is possible to apply the present invention to any sewing machine without a separate sewing machine remodeling work.
또한, 예를 들어, 모든 재봉기의 경우 모터의 회전 운동을 바늘의 직선 운동으로 바꾸고 있기 때문에 충분한 정도의 진동이 발생되고 있다.Also, for example, in all sewing machines, a sufficient degree of vibration is generated because the rotary motion of the motor is converted into the linear motion of the needle.
본 발명은 단순히 작업장치(재봉기)의 진동의 강도 혹은 횟수를 측정하는 방법이 아니고 재봉기 진동의 스펙트럼을 추출하여 이를 기계학습의 방법으로 분석하고 있기 때문에 단순히 사전에 설정하여 정해진 진동 횟수 카운트가 아닌 유사 패턴 분석의 방법을 사용할 수 있다.Since the present invention is not simply a method of measuring the intensity or number of vibrations of a work device (sewing machine), but rather a method of extracting the spectrum of vibration of a sewing machine and analyzing it by a machine learning method, it is not simply a pre-set and determined number of vibration counts, but similar A method of pattern analysis can be used.
본 발명에 따른 KNN 기계학습 방법은 같은 작업이 여러 번 반복될수록 누적된 학습의 결과로 더 정교해지는 방식이다.The KNN machine learning method according to the present invention is a method that becomes more sophisticated as a result of accumulated learning as the same task is repeated many times.
본 발명은 특별한 초기값 설정 혹은 Calibration (영점 조정) 없이 어떤 형태의 재봉기에도 간편하게 적용할 수 있다.The present invention can be easily applied to any type of sewing machine without special initial value setting or calibration (zero point adjustment).
본 발명은 같은 방법을 사용하여 다양한 기계(진동이 있는)의 작동 상태와 작업 수량을 계수 할 수 있도록 적용 가능하다.The present invention can be applied to count the operating state and work quantity of various machines (with vibration) using the same method.
본 발명은 재봉기(작업장치) 재봉 작업에서 발생될 수 있는 기계 불량을 예측할 수도 있으며 필요에 따라서는 재봉기 장비의 고장 예방을 위한 유지 관리 데이터를 제공할 수 있다.The present invention can predict machine failures that may occur in the sewing machine (work device) sewing operation, and can provide maintenance data for preventing failure of the sewing machine equipment, if necessary.
본 명세서에서 설명되는 실시예와 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 예시적으로 설명하는 것에 불과하다. 따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이므로, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아님은 자명하다. 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시 예는 모두 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The embodiments described in this specification and the accompanying drawings merely illustrate some of the technical ideas included in the present invention by way of example. Therefore, since the embodiments disclosed in this specification are intended to explain rather than limit the technical spirit of the present invention, it is obvious that the scope of the technical spirit of the present invention is not limited by these embodiments. All modified examples and specific examples that can be easily inferred by those skilled in the art within the scope of the technical idea included in the specification and drawings of the present invention should be construed as being included in the scope of the present invention.
10 : 진동 센서부 20 : 제어부
30 : 디스플레이부
100 : 동작 학습부 110 : 센서 교정부
120 : 신호 수신부 130 : 기계학습 및 검증부
140 : 동작 학습데이터 생성부
200 : 작업 학습부 210 : 신호 수신부
220 : 동작 판별부 230 : 기계학습 및 검증부
240 : 작업 학습데이터 생성부
300 : 연산부 310 : 신호 수신부
320 : 동작 판별부 330 : 동작횟수 분석부
340 : 작업 판별부 350 : 계수부
400 : 신호-벡터 스펙트럼 변환부 410 : 신호값 산출부
420 : 신호 정규화부 430 : 시분할부
440 : 신호 측정부 450 : 벡터데이터 생성부10: vibration sensor unit 20: control unit
30: display unit
100: motion learning unit 110: sensor calibration unit
120: signal receiving unit 130: machine learning and verification unit
140: motion learning data generation unit
200: task learning unit 210: signal receiving unit
220: operation determination unit 230: machine learning and verification unit
240: work learning data generation unit
300: calculation unit 310: signal reception unit
320: operation determination unit 330: operation frequency analysis unit
340: work determination unit 350: counting unit
400: signal-vector spectrum conversion unit 410: signal value calculation unit
420: signal normalization unit 430: time division unit
440: signal measurement unit 450: vector data generation unit
Claims (17)
상기 제어부에서 산출된 계수값을 표현하는 디스플레이부를 더 포함하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method of claim 1,
An automatic counting system for the number of operations by machine learning the vibration signal, characterized in that it further comprises a display unit expressing the count value calculated by the control unit.
상기 제어부의 동작 학습부는
작업장치가 동작 학습을 위한 동작(run) 수행 시, 진동 센서부에 의해 수집된 진동신호를 전달받는 신호 수신부;
상기 신호-벡터 스펙트럼 변환부에서 생성된 각 벡터데이터로 기계학습을 수행하고, 도출되는 학습데이터를 검증하는 기계학습 및 검증부; 및
상기 검증을 완료한 학습데이터를 도출하는 동작 학습데이터 생성부를 포함하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method of claim 1,
The operation learning unit of the control unit
a signal receiving unit that receives vibration signals collected by the vibration sensor unit when the work device performs a run for motion learning;
a machine learning and verification unit that performs machine learning with each vector data generated by the signal-vector spectrum conversion unit and verifies the derived learning data; and
An automatic counting system for the number of operations for counting vibration signals by machine learning, characterized in that it comprises a motion learning data generation unit for deriving learning data that has completed the verification.
상기 동작 학습부는
진동 센서부가 작업장치의 동작(run) 전에 수집한 소음신호를 전달받아, 기계학습을 통해 소음 데이터를 도출하는 센서 교정부를 더 구비하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method of claim 3,
The motion learning unit
Automatic counting of the number of operations for counting vibration signals by machine learning, characterized in that the vibration sensor unit further comprises a sensor correction unit that receives noise signals collected before the operation of the work device and derives noise data through machine learning system.
상기 기계학습 및 검증부는 동작 학습데이터 생성을 위한 기계학습 시 상기 센서 교정부에서 도출된 소음 데이터를 제외하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method of claim 4,
The machine learning and verification unit automatically counts the number of operations by machine learning the vibration signal, characterized in that excluding noise data derived from the sensor calibration unit during machine learning for generating motion learning data.
상기 기계학습 및 검증부는 도출된 학습데이터와 직전 학습데이터의 차이가 기 설정된 허용치 이내에 속할 때까지 기계학습을 반복하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method of claim 3,
The machine learning and verification unit repeats machine learning until the difference between the derived learning data and the previous learning data falls within a preset tolerance.
상기 제어부의 작업 학습부는
작업장치가 작업 학습을 위한 작업(work) 수행 시, 진동 센서부에 의해 수집된 진동신호를 전달받는 신호 수신부;
상기 동작 학습부에서 생성된 동작 학습데이터와 전달받은 진동신호로 상기 신호-벡터 스펙트럼 변환부에서 생성된 벡터데이터를 비교하여 진동신호가 동작 상태인지 여부를 판별하는 동작 판별부;
상기 동작 판별부에서 동작 상태로 판별되면, 동작 상태의 횟수를 기계학습하고, 도출되는 동작횟수 데이터를 검증하는 기계학습 및 검증부; 및
상기 검증을 완료한 동작횟수 데이터를 도출하는 작업 학습데이터 생성부를 포함하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method of claim 1,
The task learning unit of the control unit
a signal receiving unit that receives vibration signals collected by the vibration sensor unit when the work device performs work for task learning;
an operation determining unit comparing the motion learning data generated by the motion learning unit with the vector data generated by the signal-vector spectrum conversion unit with the received vibration signal and determining whether the vibration signal is in an operating state;
a machine learning and verifying unit for machine learning the number of times of the operation state and verifying the derived operation count data when the operation determination unit determines the operation state; and
An automatic counting system for the number of operations for counting vibration signals by machine learning, characterized in that it comprises a task learning data generation unit for deriving the data for the number of operations that have completed the verification.
상기 동작 판별부에서 벡터데이터들의 비교는 K-최근접 이웃(K-Nearest Neighbor) 알고리즘으로 수행되는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method of claim 7,
Comparison of vector data in the operation determination unit is performed by a K-Nearest Neighbor algorithm.
상기 기계학습 및 검증부는 도출된 학습데이터와 직전 학습데이터의 차이가 기 설정된 허용치 이내에 속할 때까지 기계학습을 반복하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method of claim 7,
The machine learning and verification unit repeats machine learning until the difference between the derived learning data and the previous learning data falls within a preset tolerance.
작업장치가 작업(work) 수행 시, 진동 센서부에 의해 수집된 진동신호를 전달받는 신호 수신부;
상기 동작 학습부에서 생성된 동작 학습데이터와 전달받은 진동신호로 상기 신호-벡터 스펙트럼 변환부에서 생성된 벡터데이터를 비교하여 진동신호가 동작(run) 상태인지 여부를 판별하는 동작 판별부;
상기 동작 판별부에서 동작 상태로 판별된 횟수를 분석하는 동작횟수 분석부;
상기 작업 학습부에서 생성된 작업 학습데이터와 상기 동작횟수 분석부에서 생성된 벡터데이터를 비교하여 총 횟수가 작업완료 상태인지 여부를 판별하는 작업 판별부; 및
상기 작업 판별부에서 작업완료로 판별되면, 작업횟수를 추가하는 계수부를 포함하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method according to claim 1, wherein the calculation unit
a signal receiving unit that receives vibration signals collected by the vibration sensor unit when the work device performs work;
an operation determining unit comparing the motion learning data generated by the motion learning unit with the vector data generated by the signal-vector spectrum conversion unit with the received vibration signal and determining whether or not the vibration signal is in a run state;
an operation count analysis unit for analyzing the number of times determined as an operation state by the operation determination unit;
a task determining unit that compares the task learning data generated by the task learning unit with the vector data generated by the operation count analysis unit and determines whether or not the total number of tasks is in a task completion state; and
When it is determined that the work is completed by the work determination unit, the automatic counting system for the number of operations for counting the vibration signal by machine learning, characterized in that it comprises a counting unit for adding the number of operations.
상기 동작 판별부 또는 작업 판별부에서 각 벡터데이터들의 비교는 K-최근접 이웃(K-Nearest Neighbor) 알고리즘으로 수행되는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method of claim 10,
Comparison of each vector data in the operation determination unit or operation determination unit is performed by a K-Nearest Neighbor algorithm.
상기 신호-벡터 스펙트럼 변환부는
상기 진동센서부로 부터 일 신호를 전달받아, 신호의 평균값, 최대값 및 최소값을 산출하는 신호값 산출부; 및 상기 신호 최소값 및 최대값을 포함하는 비교기준값을 생성하는 신호 정규화부를 포함하며,
상기 진동 센서부로부터 전달받은 진동신호를 신호-벡터 스펙트럼으로 패턴화된 벡터데이터로 변환시키는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method of claim 1,
The signal-vector spectrum converter
a signal value calculation unit receiving a signal from the vibration sensor unit and calculating an average value, a maximum value, and a minimum value of the signal; And a signal normalization unit for generating a comparison reference value including the signal minimum and maximum values,
An automatic counting system for the number of operations for counting vibration signals by machine learning, characterized in that for converting the vibration signal transmitted from the vibration sensor unit into vector data patterned into a signal-vector spectrum.
상기 신호 정규화부는 상기 신호값 산출부에서 산출된 신호값이 정규화되도록, 신호값에 가감을 수행하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method of claim 12,
The signal normalization unit automatically counts the number of operations by machine learning the vibration signal, characterized in that performing addition or subtraction to the signal value so that the signal value calculated by the signal value calculation unit is normalized.
상기 진동 센서부로부터 타 신호를 전달받고, 상기 신호의 측정 구간을 기 설정된 단위시간으로 분할하는 시분할부;
상기 단위시간별로 기 설정된 회수(N)만큼 신호를 측정하는 신호 측정부; 및
상기 신호 측정부에서 측정된 각 신호값과, 상기 신호 정규화부에서 생성된 비교기준값을 대비하여, 구분된 벡터 요소에 해당되는 각 요소값을 생성시키는 벡터데이터 생성부를 포함하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method of claim 12,
a time division unit receiving another signal from the vibration sensor unit and dividing a measurement section of the signal into preset unit time;
a signal measurement unit for measuring a signal by a predetermined number of times (N) per unit time; and
and a vector data generation unit for generating each element value corresponding to the separated vector elements by comparing each signal value measured by the signal measurement unit with the comparison reference value generated by the signal normalization unit. An automatic counting system for the number of operations counted by machine learning.
상기 신호값은 진폭이며, 상기 신호의 평균값, 최대값 및 최소값은 진폭 평균값, 최대 진폭값 및 최소 진폭값인 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method according to claim 12, in the signal value calculation unit
The signal value is an amplitude, and the average value, maximum value and minimum value of the signal are an automatic counting system for the number of operations by machine learning, characterized in that the average amplitude value, maximum amplitude value and minimum amplitude value.
신호 평균값은 0 또는 0에 가장 가까운 값으로 정규화하는 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method according to claim 13, in the signal normalization unit
An automatic counting system for the number of operations for counting vibration signals by machine learning, characterized in that the average value of the signal is normalized to 0 or a value closest to 0.
상기 비교기준값은 정수 또는 실수인 것을 특징으로 하는 진동신호를 기계학습하여 계수하는 작업횟수 자동계수시스템.The method of claim 12,
The comparison reference value is an automatic counting system for the number of operations for machine learning and counting vibration signals, characterized in that an integer or real number.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200142899A KR102484146B1 (en) | 2020-10-30 | 2020-10-30 | Automatic Counting System for counting the numbers of operations by Machine learning on Vibration Signal |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200142899A KR102484146B1 (en) | 2020-10-30 | 2020-10-30 | Automatic Counting System for counting the numbers of operations by Machine learning on Vibration Signal |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220057835A KR20220057835A (en) | 2022-05-09 |
| KR102484146B1 true KR102484146B1 (en) | 2023-01-02 |
Family
ID=81581981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200142899A KR102484146B1 (en) | 2020-10-30 | 2020-10-30 | Automatic Counting System for counting the numbers of operations by Machine learning on Vibration Signal |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102484146B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115075328A (en) * | 2022-06-23 | 2022-09-20 | 石家庄扬天科技有限公司 | Device and method for confirming loading of excavator to truck |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101374656B1 (en) | 2006-03-31 | 2014-03-17 | 베르트질레 슈바이츠 악티엔게젤샤프트 | Apparatus for the detection of a signal pattern of a noise |
| JP2016519811A (en) | 2013-03-15 | 2016-07-07 | タクチュアル ラブズ シーオー． | High-speed multi-touch stylus and sensor |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR0181165B1 (en) | 1995-06-29 | 1999-04-01 | 김광호 | Impulse response filter and filtering method |
| KR102043885B1 (en) * | 2017-12-01 | 2019-12-02 | 김태강 | Smart counter for manufacturing product of sewing and method, and sewing manufacture management system including it and method for processing thereof |
-
2020
- 2020-10-30 KR KR1020200142899A patent/KR102484146B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101374656B1 (en) | 2006-03-31 | 2014-03-17 | 베르트질레 슈바이츠 악티엔게젤샤프트 | Apparatus for the detection of a signal pattern of a noise |
| JP2016519811A (en) | 2013-03-15 | 2016-07-07 | タクチュアル ラブズ シーオー． | High-speed multi-touch stylus and sensor |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220057835A (en) | 2022-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11054337B2 (en) | Method for conducting a vibration-diagnostic monitoring of a machine | |
| KR102484146B1 (en) | Automatic Counting System for counting the numbers of operations by Machine learning on Vibration Signal | |
| KR20180048218A (en) | Machine tool breakdown diagnosis system based on Machine Learning, and method thereof | |
| CN104617845B (en) | Servo electrical machinery system gain parameter self-regulating method and system | |
| CN100483278C (en) | Process measurement apparatus featuring extended hardware failure recognition | |
| CN106988027A (en) | Sewing border automatic sewing system and bind | |
| US20120078404A1 (en) | Consumption rate calculating device, method for controlling consumption rate calculating device, and control program | |
| CN112710345B (en) | Machine monitoring method and apparatus for continuously improving predictive maintenance database | |
| JP3040246B2 (en) | Method and apparatus for determining twist angle of fiber material | |
| KR20200131302A (en) | Piece-based processes (batch manufacturing), in particular methods for automatic process monitoring and process diagnosis of injection molding processes, and the machine performing the process or the set of machines performing the process | |
| JP2008276537A (en) | Combined-information processing apparatus, method for processing combined-information, program, and recording medium | |
| CN103835071A (en) | Detecting system for lockstitch sewing machine working conditions | |
| US7176475B2 (en) | Adjusting apparatus, production processing system, and method of controlling adjusting apparatus | |
| US20200278658A1 (en) | Servo driver and state change detecting method | |
| CA3066900A1 (en) | Method and state machine system for detecting an operation status for a sensor | |
| CN110974195A (en) | Method, device and storage medium for adjusting sleep environment | |
| US10617331B1 (en) | Systems and methods for detecting if a treadmill user is running or walking | |
| CN114341755A (en) | Method and device for analyzing a process | |
| JP5949032B2 (en) | Pre-processing method and abnormality diagnosis device | |
| EP3557187B1 (en) | Automatic filtering method and device | |
| WO2021025006A1 (en) | Improvement measure recommendation system | |
| CN105628090B (en) | Environment measuring main frame and the method for reporting environmental data | |
| CN202830307U (en) | System adjusting yarn monitoring area | |
| JPS6117928B2 (en) | ||
| CN117071241B (en) | Washing equipment control method and washing equipment control system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |