KR102485474B1 - 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치 - Google Patents
통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치 Download PDFInfo
- Publication number
- KR102485474B1 KR102485474B1 KR1020210171405A KR20210171405A KR102485474B1 KR 102485474 B1 KR102485474 B1 KR 102485474B1 KR 1020210171405 A KR1020210171405 A KR 1020210171405A KR 20210171405 A KR20210171405 A KR 20210171405A KR 102485474 B1 KR102485474 B1 KR 102485474B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- measurement data
- failure
- sensor
- processor
- Prior art date
Links
- 238000004092 self-diagnosis Methods 0.000 title claims description 10
- 238000001514 detection method Methods 0.000 title description 6
- 238000005259 measurement Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000003068 static effect Effects 0.000 claims description 6
- 238000013506 data mapping Methods 0.000 claims description 5
- 230000008929 regeneration Effects 0.000 claims description 5
- 238000011069 regeneration method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
본 발명은 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치에 관한 것이다.
본 발명에 따른 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치는 해양 센서의 측정 데이터를 수신하는 입력부와, 측정 데이터를 이용하여 센서 동작 이상 여부에 대해 판별하는 프로그램이 저장된 메모리 및 프로그램을 실행시키는 프로세서를 포함하고, 프로세서는 상기 측정 데이터에 대한 전처리를 수행하여 정상 동작 데이터의 특성을 추출하고, 학습 엔진과 통계적 수학 모델링을 기반으로 정상 여부 판단 경계치를 이용하여 센서의 동작 이상 여부를 판별한다.
본 발명에 따른 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치는 해양 센서의 측정 데이터를 수신하는 입력부와, 측정 데이터를 이용하여 센서 동작 이상 여부에 대해 판별하는 프로그램이 저장된 메모리 및 프로그램을 실행시키는 프로세서를 포함하고, 프로세서는 상기 측정 데이터에 대한 전처리를 수행하여 정상 동작 데이터의 특성을 추출하고, 학습 엔진과 통계적 수학 모델링을 기반으로 정상 여부 판단 경계치를 이용하여 센서의 동작 이상 여부를 판별한다.
Description
본 발명은 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치에 관한 것이다.
해양 환경 측정을 위하여 해상에 설치되어 있는 항로표지에는 기후 환경 측정 센서가 설치되어, 측정된 수치(풍속, 온도, 습도, 수온 등)를 해상 통신망을 통해 지상으로 전송한다.
다만, 열악한 해상 환경으로 인하여 해상 센서의 고장이 빈번하게 발생하고 있으며, 이러한 고장 여부를 판별하기 위해서는 해상 환경 현장에 직접 접근하여 이상 동작 여부를 확인하는 과정이 필요하므로, 센서 별 측정 데이터를 통한 자가 고장 진단 기술이 필요한 실정이다.
일반적으로 고장 진단 기술의 경우, 센서의 정상 데이터와 고장 데이터에 대한 분석을 통해 해당 센서의 동작이 정상인지 여부를 판별하게 된다.
하지만 대부분 장치 및 센서에서는 정상 데이터의 수집은 용이한 반면, 고장 데이터의 경우 실제 고장이 발생한 결과 값을 수집해야 하기 때문에 데이터 취득에 어려움이 있다.
특히, 정상 데이터의 양과 고장 데이터 양의 비대칭적인 수집에 의해, 고장 진단 알고리즘 개발이 어려운 문제점이 있고, 고장 데이터의 경우는 실제 데이터 취득이 아닌 모델링을 통한 데이터 생성이 주로 수행되는 한계가 있다.
본 발명은 전술한 문제점을 해결하기 위해 제안된 것으로, 해상 항로 표지 내 탑재된 다양한 해양 센서들에 대하여 센서 측정 데이터를 기반으로 자가 고장 진단 검출을 수행함으로써, 접근이 어려운 해상 현장에 직접 방문하지 않더라도 이상 유무를 즉각적으로 판단하고 신속히 대처하는 것이 가능한 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치를 제공하는데 그 목적이 있다.
본 발명은 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치에 관한 것이다.
본 발명에 따른 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치는 해양 센서의 측정 데이터를 수신하는 입력부와, 측정 데이터를 이용하여 센서 동작 이상 여부에 대해 판별하는 프로그램이 저장된 메모리 및 프로그램을 실행시키는 프로세서를 포함하고, 프로세서는 상기 측정 데이터에 대한 전처리를 수행하여 정상 동작 데이터의 특성을 추출하고, 학습 엔진과 통계적 수학 모델링을 기반으로 정상 여부 판단 경계치를 이용하여 센서의 동작 이상 여부를 판별한다.
프로세서는 복합 센서가 부착된 통합 장비의 경우 복수의 측정 데이터를 동시에 활용하여, 특성을 이용하여 정상 데이터의 그룹핑을 수행하고 데이터 매핑 차원을 설정하여 정상 및 고장 데이터 그룹 간의 경계 마진을 확장한다.
프로세서는 학습 엔진을 이용하여 기설정 구간의 시변적 측정 데이터를 재생성하고, 측정 데이터 및 재생성 데이터 간의 차이를 이용하여 센서의 동작 이상 여부를 판별한다.
프로세서는 고장 진단 알고리즘을 기설정 주기에 따라 반복 수행하여 고장 반응 결과를 모니터링하고, 전체 반복 회수 대비 기설정 비율 이상 고장 패턴이 감지되는 경우, 해당 비정상 패턴 출력에 대해 최종적으로 고장을 진단한다.
본 발명에 따르면, 해상 환경에 설치된 센서 장비 부착 지점에 실무자가 직접 방문하지 않아도 원격으로 고장 여부를 판단하는 것이 가능하고, 확보하기 어려운 고장 데이터의 수집 비용을 줄이고 모델링에 대한 오차 가능성을 줄이는 효과가 있다.
본 발명에 따르면, 데이터 전처리를 통해 고장 데이터 특성의 고밀도화 시킨 그룹핑을 수행함으로써 정상/고장 분류기 설계에 대한 연산 복잡도를 줄이는 것이 가능하고, 경량 임베디드 시스템 내 탑재가 용이한 장점이 있다.
본 발명에 따르면, 주기적인 데이터 수집에 있어서 고장 여부 판별을 통해 유의미한 수집 데이터 확보에 유용하게 적용 가능한 효과가 있다.
본 발명의 효과는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 동적 데이터(수온) 전처리 및 분류기 설계를 도시한다.
도 2는 본 발명의 실시예에 따른 정적 데이터 전처리 및 분류기 설계를 도시한다.
도 3은 본 발명의 실시예에 따른 데이터 전처리 차원 확장을 도시한다.
도 4는 본 발명의 실시예에 따른 AutoEncoder 기반의 센서 고장 진단을 도시한다.
도 5는 본 발명의 실시예에 따른 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치를 도시한다.
도 2는 본 발명의 실시예에 따른 정적 데이터 전처리 및 분류기 설계를 도시한다.
도 3은 본 발명의 실시예에 따른 데이터 전처리 차원 확장을 도시한다.
도 4는 본 발명의 실시예에 따른 AutoEncoder 기반의 센서 고장 진단을 도시한다.
도 5는 본 발명의 실시예에 따른 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치를 도시한다.
본 발명의 전술한 목적 및 그 이외의 목적과 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.
그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 목적, 구성 및 효과를 용이하게 알려주기 위해 제공되는 것일 뿐으로서, 본 발명의 권리범위는 청구항의 기재에 의해 정의된다.
한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성소자, 단계, 동작 및/또는 소자가 하나 이상의 다른 구성소자, 단계, 동작 및/또는 소자의 존재 또는 추가됨을 배제하지 않는다.
본 발명의 실시예에 따르면, 해상 항로 표지 내 탑재된 다양한 해양 센서들에 대하여 센서 측정 데이터를 기반으로 한 자가 고장 진단 검출 기술을 제안한다.
본 발명의 실시예에 따르면, 충분히 많은 양의 데이터를 확보할 수 있는 정상 데이터를 기반으로, 각 센서 별 특성을 추출할 수 있는 데이터 전처리를 통하여 정상적인 동작을 수행하는 센서 고유의 특성을 정의하고, 이를 기반으로 고장 진단 분류기를 제시함으로써 고장(또는 비정상) 데이터의 생성 동작을 검출한다.
본 발명의 실시예에 따르면, 학습 엔진 및 통계적 수학 모델링을 기반으로 한 판단 경계치를 제시함으로써, 센서 동작의 이상 여부에 대한 판별을 수행한다.
종래 기술에 따르면, 정상 데이터 및 고장 데이터를 동시에 수집하거나, 소수의 고장 데이터를 모델링 기반 추가 생성을 통해 고장진단 알고리즘을 개발하였던 반면, 본 발명의 실시예에 따르면, 충분히 많은 양을 수집할 수 있는 정상 데이터를 기반으로 정상/고장 여부를 판단하는 분류 기법을 제시하는 기술적 특징이 있다.
본 발명의 실시예에 따르면, 센서별로 취득 가능한 데이터 고유의 특성(예: 계절 별 특성)을 바탕으로, 데이터 전처리 기법을 통해 정상 데이터의 그룹핑을 고밀도화함으로써, 정상 및 고장 데이터 그룹 간의 경계 마진을 확장한다.
본 발명의 실시예에 따르면, 복합 센서가 부착된 통합 장비의 경우 복수의 취득 데이터를 동시에 활용하여 고장 진단 여부를 판단하고, 기존 학습 엔진을 통해 특정 구간의 시변적인 측정 데이터를 재생성함으로써 측정 데이터와 재생성된 데이터 간의 차이를 이용하여 이상 패턴 감지 여부를 판단한다.
본 발명의 실시예에 따르면, 센서 내 취득 정보 특성에 따라 순간적으로 발생된 비정상 패턴 출력인지, 고장에 의해 발생되는 비정상 패턴 출력인지 여부를 판단하기 위해, 반복 검증을 통해 최종 고장 여부를 판단하는 고장 진단 알고리즘 운영 방식을 제안한다.
이하에서는 도 1 내지 도 6을 참조하며, 본 발명의 실시예에 대해 설명한다.
풍속, 온도, 습도, 수온, 기압계와 같은 센서의 경우, 수집 데이터 특성에 따라 시변적인 패턴이 다르게 나타난다.
특정 구간에 있어서의 시변적 데이터 패턴 특성을 기반으로 하여 크게 주기적 또는 시변적 패턴을 갖는 동적 측정 데이터 및 특정 구간 동안 거의 유사한 수준의 측정값을 갖는 정적 측정 데이터로 정의한다.
동적 측정 데이터는 수온, 온도와 같이 24시간 내 낮/밤을 기준으로 측정값이 변화될 수 있는 값을 의미하고, 정적 측정 데이터는 기압, 습도와 같이 기후에 따라 특정 구간에서는 큰 폭으로 변동되지 않는 값을 의미한다.
1. 정상/고장 데이터 경계 구간 설정을 이용한 고장 진단
동적 데이터의 경우, 예컨대 수온계의 경우, 시간 또는 계절에 따른 수온 측정 편차의 변동성이 매우 크게 나타나므로, 정상 데이터 범위에 대한 분류가 어려운 문제점이 있다.
따라서, 특정 구간(예: 일 단위)에서 주기적으로 변동하는 패턴을 이용하여 데이터 전처리를 수행한다.
i) 일 단위로 측정된 수온 값의 최대 절대 차이를 계산하는 방식(Diff. = max-min), ii) 일 단위의 평균 수온을 계산하는 방식(Avg. Temp.), iii) 데이터 매핑 구간을 2차원으로 확장하여 측정 데이터를 지능형 분류 또는 수식 기반의 분류를 통해 분류 기준을 제시하는 방식이 적용된다.
전술한 i), ii)의 데이터 전처리 방식은 하나의 예시로서, 데이터 고유 패턴에 따라 전처리 방식에 대한 변형 및 추가가 가능하다. 추가된 전처리 방식을 활용하여 2차원 이상의 도메인 내에서 분류 기법을 적용할 수 있다.
분류 기법 적용을 위해서는 one-class SVM 과 같은 정상 데이터의 경계선을 확보할 수 있는 학습 기법을 적용할 수 있고, 수식 기반 경계선은 예시로써 
으로 설정하여 특성에 따라 일차 함수 혹은 n차 함수 형태로 표현할 수 있다.
도 1은 본 발명의 실시예에 따른 동적 데이터(수온) 전처리 및 분류기 설계를 도시한다.
도 1에 도시된 파란 선은 one-class SVM 의 예이고, 빨간 선은 1차 및 2차 다항식 형태의 수학적 함수에 의한 분류 경계를 도시한다.
도 2는 본 발명의 실시예에 따른 정적 데이터 전처리 및 분류기 설계를 도시한다.
정적 데이터의 경우, 예컨대 기압계의 경우, 특정 구간 내에서 측정 편차가 거의 없고 변동 범위가 작은 경우가 대부분이다.
또한, 고장에 의해 예상되는 변화량은 stuck 상태로 특정값으로 고정 되거나 또는 편차가 임의로 매우 크게 발생되는 경우가 있다.
따라서, 특정 구간(예: 일 단위)에서 측정 데이터를 수집하여 해당 구간 내에서 변동하는 패턴을 이용하여 데이터 전처리를 수행한다.
i) 특정 구간 동안의 측정된 값의 최대 절대 차이를 계산하는 방식(Diff. = max-min), ii) 지능형 분류 또는 다중 경계선을 통해 이상 패턴을 감지하는 방식이 적용된다.
분류 기법의 경우, one-class SVM과 같은 학습 엔진을 적용할 수 있고, 구간 별 다차원 다항식 형태로 경계선을 설정할 수 있다.
2. 데이터 매핑 차원 설정
도 3은 본 발명의 실시예에 따른 데이터 전처리 차원 확장을 도시한다.
센서 장비의 경우 기온, 풍향, 습도 등 여러 개의 측정 장비가 통합적으로 설계된 장비들이 있다.
이 경우, 장비 내 기본적인 전압, 전류뿐 아니라 기온, 풍향, 습도 등의 측정값을 이용하여 통합 데이터 셋으로 확장하여 고장진단 판단 알고리즘을 수행할 수 있으며, 차원 확장에 따라 경계구간의 마진 확장이 가능하다.
3. 데이터 재생성을 통한 이상 패턴 감지 기술
전술한 동적 측정 데이터에 대한 분류 기법을 적용한 경우, 센서의 민감도가 손상되어 정상 데이터와 유사 패턴을 나타내는 반면, 정확도가 감소하는 고장 데이터를 검출하지 못하는 케이스가 발생할 수 있다.
본 발명의 실시예에 따르면, 측정 데이터를 재생성하여 원래 데이터와의 차이를 판단하고, 이를 통해 이상 여부 감지 및 고장 진단을 수행한다. 이 때, 고장진단 엔진으로는 AutoEncoder 기법을 적용할 수 있다.
데이터 라벨에 대한 취득 없이 학습 수행이 가능하고, 대부분의 데이터가 정상 샘플임을 가정하며, 뉴럴 네트워크 기반으로 AutoEncoder 기반의 방법론이 사용된다. Encoding은 입력을 code 또는 latent variable로 압축하고, decoding은 encoding된 정보를 원 데이터와 가깝게 복원하며, 데이터의 중요한 정보들만 압축적으로 습하고, 입력 데이터와 복원된 데이터의 차이를 통해 비정상 데이터를 감지한다.
도 4는 본 발명의 실시예에 따른 AutoEncoder 기반의 센서 고장 진단을 도시한다.
도 4를 참조하면, AutoEncoder 기법을 통해 수온계의 데이터(예컨대 하루 데이터 변화량)을 short-term time-variant 입력으로 한다.
이를 통해 디코딩된 출력 값에 대하여 입출력 간 차이를 계산하여 해당 차이 값이 특정 경계값 이하이면 정상데이터로 판단하고, 특정 경계값을 초과하게 되면 비정상 데이터로 판단한다.
본 발명의 실시예에 따르면, 1. 정상/고장 데이터 경계 구간 설정을 이용한 고장 진단 방식과 3. 데이터 재생성을 통한 이상 패턴 감지 기술 방식을 보완적으로 활용 가능하다.
4. 고장 진단 알고리즘 운영 방안
해양 센서의 경우, 비이상적인 기후에 반응하여 실제로는 고장이 아니더라도 이상 패턴이 순시적으로 발생할 수 있다.
본 발명의 실시예에 따르면, 고장 진단 알고리즘 수행을 특정 시간 단위(예: 한시간 혹은 하루 단위)로 반복적으로 수행한다.
즉, 1차,2차..., n차 횟수로 수행하여 고장 반응 결과를 모니터링한다.
특정 시점 이후 지속적으로 고장 패턴이 발생하는 경우, 또는 총 n 회 중 m회 (m<n) 고장 패턴이 탐지되는 경우에 대해 고장 상태로 정의하여 판단한다.
도 5는 본 발명의 실시예에 따른 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치를 도시한다.
본 발명의 실시예에 따른 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치는 해양 센서의 측정 데이터를 수신하는 입력부(510)와, 측정 데이터를 이용하여 센서 동작 이상 여부에 대해 판별하는 프로그램이 저장된 메모리(520) 및 프로그램을 실행시키는 프로세서(530)를 포함하고, 프로세서(530)는 측정 데이터에 대한 전처리를 수행하여 정상 동작 데이터의 특성을 추출하고, 학습 엔진과 통계적 수학 모델링을 기반으로 정상 여부 판단 경계치를 이용하여 센서의 동작 이상 여부를 판별한다.
프로세서(530)는 복합 센서가 부착된 통합 장비의 경우 복수의 측정 데이터를 동시에 활용하여, 특성을 이용하여 정상 데이터의 그룹핑을 수행하고 데이터 매핑 차원을 설정하여 정상 및 고장 데이터 그룹 간의 경계 마진을 확장한다.
프로세서(530)는 학습 엔진을 이용하여 기설정 구간의 시변적 측정 데이터를 재생성하고, 측정 데이터 및 재생성 데이터 간의 차이를 이용하여 센서의 동작 이상 여부를 판별한다.
프로세서(530)는 고장 진단 알고리즘을 기설정 주기에 따라 반복 수행하여 고장 반응 결과를 모니터링하고, 전체 반복 회수 대비 기설정 비율 이상 고장 패턴이 감지되는 경우, 해당 비정상 패턴 출력에 대해 최종적으로 고장을 진단한다.
한편, 본 발명의 실시예에 따른 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 방법은 컴퓨터 시스템에서 구현되거나, 또는 기록매체에 기록될 수 있다. 컴퓨터 시스템은 적어도 하나 이상의 프로세서와, 메모리와, 사용자 입력 장치와, 데이터 통신 버스와, 사용자 출력 장치와, 저장소를 포함할 수 있다. 전술한 각각의 구성 요소는 데이터 통신 버스를 통해 데이터 통신을 한다.
컴퓨터 시스템은 네트워크에 커플링된 네트워크 인터페이스를 더 포함할 수 있다. 프로세서는 중앙처리 장치(central processing unit (CPU))이거나, 혹은 메모리 및/또는 저장소에 저장된 명령어를 처리하는 반도체 장치일 수 있다.
메모리 및 저장소는 다양한 형태의 휘발성 혹은 비휘발성 저장매체를 포함할 수 있다. 예컨대, 메모리는 ROM 및 RAM을 포함할 수 있다.
따라서, 본 발명의 실시예에 따른 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 방법은 컴퓨터에서 실행 가능한 방법으로 구현될 수 있다. 본 발명의 실시예에 따른 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 방법이 컴퓨터 장치에서 수행될 때, 컴퓨터로 판독 가능한 명령어들이 본 발명에 따른 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 방법을 수행할 수 있다.
한편, 상술한 본 발명에 따른 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
Claims (4)
- 해양 센서의 측정 데이터를 수신하는 입력부;
상기 측정 데이터를 이용하여 센서 동작 이상 여부에 대해 판별하는 프로그램이 저장된 메모리; 및
상기 프로그램을 실행시키는 프로세서를 포함하고,
상기 프로세서는 상기 측정 데이터에 대한 전처리를 수행하여 정상 동작 데이터의 특성을 추출하고, 학습 엔진과 통계적 수학 모델링을 기반으로 정상 여부 판단 경계치를 이용하여 상기 센서의 동작 이상 여부를 판별하고,
상기 프로세서는 복합 센서가 부착된 통합 장비로부터 수신되는 복수의 상기 측정 데이터를 동시에 활용하되, 상기 측정 데이터의 특성에 따라 상이한 시변적 데이터 패턴 특성을 기반으로 분류되는 동적 측정 데이터 및 정적 측정 데이터를 활용하고,
상기 프로세서는 상기 정상 동작 데이터의 특성을 이용하여 정상 데이터의 그룹핑을 수행하고 데이터 매핑 차원을 설정하여 정상 및 고장 데이터 그룹 간의 경계 마진을 확장하고,
상기 프로세서는 상기 동적 측정 데이터, 정적 측정 데이터 및 장비 내 기본적인 전류 측정값을 이용하여 통합 데이터 셋으로 확장하여 고장진단 판단 알고리즘을 수행하는 것
인 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치.
- 삭제
- 제1항에 있어서,
상기 프로세서는 상기 학습 엔진을 이용하여 기설정 구간의 시변적 측정 데이터를 재생성하고, 측정 데이터 및 재생성 데이터 간의 차이를 이용하여 상기 센서의 동작 이상 여부를 판별하는 것
인 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치.
- 제1항에 있어서,
상기 프로세서는 고장 진단 알고리즘을 기설정 주기에 따라 반복 수행하여 고장 반응 결과를 모니터링하고, 전체 반복 회수 대비 기설정 비율 이상 고장 패턴이 감지되는 경우, 해당 비정상 패턴 출력에 대해 최종적으로 고장을 진단하는 것
인 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210171405A KR102485474B1 (ko) | 2021-12-03 | 2021-12-03 | 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210171405A KR102485474B1 (ko) | 2021-12-03 | 2021-12-03 | 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102485474B1 true KR102485474B1 (ko) | 2023-01-06 |
Family
ID=84923981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210171405A KR102485474B1 (ko) | 2021-12-03 | 2021-12-03 | 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102485474B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116183010A (zh) * | 2023-04-19 | 2023-05-30 | 深圳亿维锐创科技股份有限公司 | 动态称重传感器的故障诊断方法、装置、设备及存储介质 |
| CN117032016A (zh) * | 2023-08-02 | 2023-11-10 | 广州航海学院 | 一种无人艇的艇载传感器监测控制方法、系统及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200053254A (ko) * | 2018-11-08 | 2020-05-18 | 울산대학교 산학협력단 | 센서 고장 검출 방법 및 센서 고장 검출 장치 |
| KR20200064343A (ko) * | 2018-11-29 | 2020-06-08 | 주식회사 시모디바이스 | 해양교통시설 통합 안전관리시스템 및 그 방법 |
| KR102274389B1 (ko) * | 2020-09-18 | 2021-07-06 | (주)위세아이텍 | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 |
| KR20210094240A (ko) * | 2020-01-21 | 2021-07-29 | (주)심플랫폼 | IoT 데이터 형상화를 통한 모니터링 시스템 및 방법 |
| KR102294800B1 (ko) * | 2021-02-26 | 2021-08-30 | (주)알티엠 | 시계열 데이터의 특징 값을 추출하는 방법 및 장치 |
-
2021
- 2021-12-03 KR KR1020210171405A patent/KR102485474B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200053254A (ko) * | 2018-11-08 | 2020-05-18 | 울산대학교 산학협력단 | 센서 고장 검출 방법 및 센서 고장 검출 장치 |
| KR20200064343A (ko) * | 2018-11-29 | 2020-06-08 | 주식회사 시모디바이스 | 해양교통시설 통합 안전관리시스템 및 그 방법 |
| KR20210094240A (ko) * | 2020-01-21 | 2021-07-29 | (주)심플랫폼 | IoT 데이터 형상화를 통한 모니터링 시스템 및 방법 |
| KR102274389B1 (ko) * | 2020-09-18 | 2021-07-06 | (주)위세아이텍 | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 |
| KR102294800B1 (ko) * | 2021-02-26 | 2021-08-30 | (주)알티엠 | 시계열 데이터의 특징 값을 추출하는 방법 및 장치 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116183010A (zh) * | 2023-04-19 | 2023-05-30 | 深圳亿维锐创科技股份有限公司 | 动态称重传感器的故障诊断方法、装置、设备及存储介质 |
| CN116183010B (zh) * | 2023-04-19 | 2023-07-07 | 深圳亿维锐创科技股份有限公司 | 动态称重传感器的故障诊断方法、装置、设备及存储介质 |
| CN117032016A (zh) * | 2023-08-02 | 2023-11-10 | 广州航海学院 | 一种无人艇的艇载传感器监测控制方法、系统及设备 |
| CN117032016B (zh) * | 2023-08-02 | 2024-02-27 | 广州航海学院 | 一种无人艇的艇载传感器监测控制方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102485474B1 (ko) | 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치 | |
| KR101903283B1 (ko) | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 | |
| JP6896432B2 (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 | |
| CN105637432A (zh) | 识别被监控实体的异常行为 | |
| US20070239629A1 (en) | Cluster Trending Method for Abnormal Events Detection | |
| JP7068246B2 (ja) | 異常判定装置、および、異常判定方法 | |
| CN104221475A (zh) | 用于照明控制的光传感器的故障检测、定位及性能监控 | |
| EP2951956A1 (en) | Determining response similarity neighborhoods | |
| CN112630682B (zh) | 传感器的故障检测方法、装置及设备 | |
| US20200041988A1 (en) | Display method, display device, and program | |
| US20190265088A1 (en) | System analysis method, system analysis apparatus, and program | |
| EP3190519B1 (en) | Monitoring device and monitoring method thereof, monitoring system, and recording medium in which computer program is stored | |
| CN112416670A (zh) | 硬盘测试方法、装置、服务器和存储介质 | |
| CN113093985B (zh) | 传感器数据链路异常检测方法、装置和计算机设备 | |
| CN110471816B (zh) | 固态硬盘的数据管理方法及装置 | |
| CN108760066B (zh) | 一种列车温度检测方法、装置及系统 | |
| KR20190128420A (ko) | 클라우드 기반 가상 센서를 이용한 IoT 센서 이상 진단 방법 및 시스템 | |
| US20140359377A1 (en) | Abnormal information output system for a computer system | |
| KR101955091B1 (ko) | 이상 신호 복원 시스템 및 방법 | |
| KR101926257B1 (ko) | 이상 신호 복원 시스템 및 방법 | |
| WO2018198267A1 (ja) | 因果関係学習方法、プログラム、装置および異常分析システム | |
| CN112528227A (zh) | 一种基于数理统计的传感器异常数据识别方法 | |
| WO2020170391A1 (ja) | 学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体 | |
| US20170139794A1 (en) | Information processing device, analysis method, and recording medium | |
| EP3457325A1 (en) | Failure identification of a rail vehicle component |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |