KR102510101B1 - Predictive maintenance method of devices using deep learning - Google Patents

Predictive maintenance method of devices using deep learning Download PDF

Info

Publication number
KR102510101B1
KR102510101B1 KR1020210086491A KR20210086491A KR102510101B1 KR 102510101 B1 KR102510101 B1 KR 102510101B1 KR 1020210086491 A KR1020210086491 A KR 1020210086491A KR 20210086491 A KR20210086491 A KR 20210086491A KR 102510101 B1 KR102510101 B1 KR 102510101B1
Authority
KR
South Korea
Prior art keywords
real
time
unit
driving unit
learning
Prior art date
Application number
KR1020210086491A
Other languages
Korean (ko)
Other versions
KR102510101B9 (en
KR20230005591A (en
Inventor
이영규
Original Assignee
(주)아이티공간
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 (주)아이티공간 filed Critical (주)아이티공간
Priority to KR1020210086491A priority Critical patent/KR102510101B1/en
Priority to PCT/KR2022/009256 priority patent/WO2023277546A1/en
Publication of KR20230005591A publication Critical patent/KR20230005591A/en
Application granted granted Critical
Publication of KR102510101B1 publication Critical patent/KR102510101B1/en
Publication of KR102510101B9 publication Critical patent/KR102510101B9/en

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
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • 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
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Abstract

본 발명은 딥러닝을 이용한 기기의 예지 보전방법에 관한 것으로, 그 구성은 정상적인 구동 상태의 구동부에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 각각 시간의 흐름에 따라 나타낸 파형 그래프를 반복적으로 수집하는 베이스 정보 수집단계(S10);와, 상기 베이스 정보 수집단계(S10)에서 수집된 각 에너지 값에 대한 파형 그래프를 사진과 같이 찍어 각각 이미지 데이터로 변환하는 변환단계(S20);와, 상기 변환단계(S20)에서 변환된 구동부의 한 동작에 대한 각 에너지 값의 이미지 데이터를 제어부에서 딥러닝(deep learning) 학습 방식을 기반으로 학습하고, 구동부의 한 동작에 대한 학습 결과치를 좌표에 하나의 점(point)으로 나타내는 학습단계(S30);와, 상기 학습단계(S30)에서 제어부의 반복적인 학습 과정을 통해 구동부의 동작에 대한 학습 결과치가 좌표에 대량의 점으로 표시되는데, 상기 제어부는 좌표에 표시되는 대량의 점을 기반으로 구동부의 상태를 판단할 수 있는 기준이 되는 모델 그룹핑을 구축하는 구축단계(S40);와, 실시간 구동되는 구동부에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 측정부에서 각각 실시간 파형 그래프로 측정 수집하고, 그 수집된 각각의 실시간 파형 그래프를 실시간 이미지 데이터로 변환하여 상기 제어부로 전송하되, 상기 측정부에서는 상기 베이스 정보 수집단계(S10)에서 선택 수집되는 에너지 값과 동일한 에너지가 선택되도록 하는 실시간 측정단계(S50);와, 상기 제어부는 상기 측정부에서 전송되는 실시간 이미지 데이터를 학습하고, 그 결과치를 좌표에 실시간 점으로 나타내며, 검출부는 좌표에 나타나는 실시간 점과 모델 그룹핑을 기반으로 실시간 구동부의 상태를 검출하는 검출단계(S60);를 포함하여 이루어지는 것을 특징으로 하는 것으로서,
정상적인 상태의 구동부를 통해 수집되는 다양한 에너지 값에 대한 그래프 파형을 이미지 데이터로 변환하고, 그 변환된 대량의 이미지 데이터의 특징을 딥 러닝 방식을 통해 학습하고, 그 학습한 결과치를 기반으로 좌표에 모델 그룹핑을 구축하여 실시간 구동부에서 수집되는 에너지 값의 그래프 파형에 대한 결과치를 모델 그룹팅에 반영하여 실시간으로 구동부의 상태를 검출하는 방식으로 구동부의 이상징후가 의심되면 경보하여 적합한 시기에 구동부의 정비 및 교체를 수행할 수 있도록 유도하여 구동부의 고장으로 인한 막대한 경제적인 손실을 방지할 수 있는 효과가 있다.
또한, 다양한 검출조건을 통해 구동부의 상태를 단계별로 검출하여 관리자는 구동부의 상태를 정밀하게 인지할 수 있어 구동부의 점검 시기 및 계획을 바람직하게 설정하여 구동부의 효율적인 관리를 유도할 수 있는 효과가 있다.The present invention relates to a method for predictive maintenance of a device using deep learning, the configuration of which is a current consumed to perform an operation in a drive unit in a normal operating state, a voltage value, vibration generated in the drive unit, noise, temperature, pressure, and humidity A base information collection step (S10) of repeatedly collecting a waveform graph representing at least two or more energy values selected from among each over time; and, a waveform for each energy value collected in the base information collection step (S10). A conversion step (S20) of taking a graph like a photograph and converting each into image data; and, the image data of each energy value for one operation of the drive unit converted in the conversion step (S20) is deep learning in the control unit A learning step (S30) of learning based on the learning method and displaying a learning result for one operation of the drive unit as a point on coordinates; and, through an iterative learning process of the control unit in the learning step (S30). The learning result for the operation of the driving unit is displayed as a large number of points on the coordinates, and the control unit constructs a model grouping that is a criterion for determining the state of the driving unit based on the large number of points displayed on the coordinates (S40 ); And, at least two or more energy values selected from the current, voltage value, vibration, noise, temperature, pressure, and humidity generated in the driving unit consumed in performing an operation in the real-time driving unit are measured in real-time waveform graphs. Measure and collect, and convert each collected real-time waveform graph into real-time image data and transmit it to the controller, so that the measurement unit selects the same energy as the energy value selected and collected in the base information collection step (S10). Real-time measuring step (S50); and, the control unit learns the real-time image data transmitted from the measuring unit, and displays the result as a real-time point on the coordinates, and the detection unit based on real-time points and model grouping appearing on the coordinates in real-time A detection step (S60) of detecting the state of the drive unit; As a sign,
Converts graph waveforms for various energy values collected through the drive unit in a normal state into image data, learns the characteristics of the converted large amount of image data through deep learning, and models the coordinates based on the learned results. Establish grouping and reflect the result of the graph waveform of the energy value collected from the driving unit in real time to the model grouping to detect the state of the driving unit in real time. There is an effect of preventing enormous economic loss due to a failure of the driving unit by inducing replacement.
In addition, by detecting the state of the driving unit step by step through various detection conditions, the manager can accurately recognize the state of the driving unit, and thus, it is possible to induce efficient management of the driving unit by setting the inspection timing and plan of the driving unit appropriately. .

Description

딥러닝을 이용한 기기의 예지 보전방법{Predictive maintenance method of devices using deep learning}Predictive maintenance method of devices using deep learning}

본 발명은 딥러닝을 이용한 기기의 예지 보전방법에 관한 것으로, 더욱 상세하게는 정상적인 상태의 구동부를 통해 수집되는 다양한 에너지 값에 대한 그래프 파형을 이미지 데이터로 변환하고, 그 변환된 대량의 이미지 데이터의 특징을 딥 러닝 방식을 통해 학습하고, 그 학습한 결과치를 기반으로 좌표에 모델 그룹핑을 구축하여 실시간 구동부에서 수집되는 에너지 값의 그래프 파형에 대한 결과치를 모델 그룹팅에 반영하여 실시간으로 구동부의 상태를 검출하는 방식으로 구동부의 이상징후가 의심되면 경보하여 적합한 시기에 구동부의 정비 및 교체를 수행할 수 있도록 유도하여 구동부의 고장으로 인한 막대한 경제적인 손실을 방지할 수 있는 딥러닝을 이용한 기기의 예지 보전방법에 관한 것이다.The present invention relates to a method for predictive maintenance of a device using deep learning, and more particularly, converts graph waveforms for various energy values collected through a driving unit in a normal state into image data, and converts a large amount of image data into image data. Characteristics are learned through a deep learning method, and based on the learning result, model grouping is built on coordinates, and the result of the graph waveform of the energy value collected from the real-time drive unit is reflected in the model grouping to determine the state of the drive unit in real time. Predictive maintenance of devices using deep learning that can prevent enormous economic loss due to failure of the drive unit by alerting when an abnormality of the drive unit is suspected by detecting it and inducing maintenance and replacement of the drive unit at the right time It's about how.

일반적으로 설비의 자동화 공정을 위해 사용되는 구동부(모터, 펌프, 컨베이어, 콤프레샤 등)는 안정적인 구동이 매우 중요하다.In general, stable operation of driving parts (motors, pumps, conveyors, compressors, etc.) used for automation processes of facilities is very important.

일 예로, 대규모의 이송 공장의 설비에는 수백 개의 구동부가 설치되어 서로 연동 동작하면서 이송하고자 하는 자재를 연속 이송하게 되는데, 만약 다수의 구동부 중에서 어느 하나의 구동부가 고장이 발생하면 설비의 동작이 전체적으로 중단되는 엄청난 상황이 발생할 수 있다.For example, hundreds of drive units are installed in facilities of a large-scale transfer plant to continuously transport materials to be transported while interlocking with each other. Terrible things can happen.

이때는 구동부의 고장으로 인한 다운 타임의 발생으로 구동부의 수리비용뿐만 아니라, 설비가 중단되는 동안 낭비되는 운영비와 비즈니스 효과에 의해 엄청난 손실이 발생될 수밖에 없다.In this case, not only the repair cost of the drive unit due to the occurrence of downtime due to the failure of the drive unit, but also huge losses due to wasted operating costs and business effects while the facility is stopped.

최근 고용노동부와 산업안전 관리공단의 자료에 따르면 연간 산업 안전사고로 인한 사상자는 총 10만 명 수준으로 집게 되고 있으며, 이를 비용으로 환산시 연간 18조원의 손실이 발생하고 있다고 집계되고 있다.According to recent data from the Ministry of Employment and Labor and the Korea Occupational Safety and Health Administration, the number of casualties due to industrial safety accidents annually is estimated to be around 100,000, and when converted into costs, it is estimated that an annual loss of 18 trillion won is occurring.

이러한 예기치 않은 다운 타임 비용을 피하기 위한 방법으로 사전 예지 보전시스템의 도입이 시급한 실정이다.As a way to avoid such unexpected downtime costs, it is urgent to introduce a predictive maintenance system.

이미 예지 보전이라는 명목하에 문제점을 개선하고자 노력하고 있으나 보다 효율적인 예지 보전을 위해 더 차원높은 예지 보전방법의 개발이 필요한 실정이다.Although efforts are already being made to improve problems under the name of predictive maintenance, it is necessary to develop a higher level predictive maintenance method for more efficient predictive maintenance.

[문헌 0001] 대한민국 공개특허공보 제10-2020-0137832호 (2020.12.09)[Document 0001] Republic of Korea Patent Publication No. 10-2020-0137832 (2020.12.09)

본 발명은 상기한 바와 같은 제반 문제점을 해결하기 위하여 제안된 것으로, 그 목적은 정상적인 상태의 구동부를 통해 수집되는 다양한 에너지 값에 대한 그래프 파형을 이미지 데이터로 변환하고, 그 변환된 대량의 이미지 데이터의 특징을 딥 러닝 방식을 통해 학습하고, 그 학습한 결과치를 기반으로 좌표에 모델 그룹핑을 구축하여 실시간 구동부에서 수집되는 에너지 값의 그래프 파형에 대한 결과치를 모델 그룹팅에 반영하여 실시간으로 구동부의 상태를 검출하는 방식으로 구동부의 이상징후가 의심되면 경보하여 적합한 시기에 구동부의 정비 및 교체를 수행할 수 있도록 유도하여 구동부의 고장으로 인한 막대한 경제적인 손실을 방지할 수 있는 딥러닝을 이용한 기기의 예지 보전방법을 제공함에 있다.The present invention has been proposed to solve the various problems as described above, and its purpose is to convert graph waveforms for various energy values collected through a drive unit in a normal state into image data, and to convert a large amount of the converted image data. Characteristics are learned through a deep learning method, and based on the learning result, model grouping is built on coordinates, and the result of the graph waveform of the energy value collected from the real-time drive unit is reflected in the model grouping to determine the state of the drive unit in real time. Predictive maintenance of devices using deep learning that can prevent enormous economic loss due to failure of the drive unit by alerting when an abnormality of the drive unit is suspected by detecting it and inducing maintenance and replacement of the drive unit at the right time in providing a way.

또한, 다양한 검출조건을 통해 구동부의 상태를 단계별로 검출하여 관리자는 구동부의 상태를 정밀하게 인지할 수 있어 구동부의 점검 시기 및 계획을 바람직하게 설정하여 구동부의 효율적인 관리를 유도할 수 있는 딥러닝을 이용한 기기의 예지 보전방법을 제공함에 있다.In addition, by detecting the state of the driving unit step by step through various detection conditions, the manager can accurately recognize the state of the driving unit, and deep learning can induce efficient management of the driving unit by setting the inspection timing and plan of the driving unit. It is to provide a predictive maintenance method for used equipment.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 딥러닝을 이용한 기기의 예지 보전방법은 정상적인 구동 상태의 구동부에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 각각 시간의 흐름에 따라 나타낸 파형 그래프를 반복적으로 수집하는 베이스 정보 수집단계(S10);와, 상기 베이스 정보 수집단계(S10)에서 수집된 각 에너지 값에 대한 파형 그래프를 사진과 같이 찍어 각각 이미지 데이터로 변환하는 변환단계(S20);와, 상기 변환단계(S20)에서 변환된 구동부의 한 동작에 대한 각 에너지 값의 이미지 데이터를 제어부에서 딥러닝(deep learning) 학습 방식을 기반으로 학습하고, 구동부의 한 동작에 대한 학습 결과치를 좌표에 하나의 점(point)으로 나타내는 학습단계(S30);와, 상기 학습단계(S30)에서 제어부의 반복적인 학습 과정을 통해 구동부의 동작에 대한 학습 결과치가 좌표에 대량의 점으로 표시되는데, 상기 제어부는 좌표에 표시되는 대량의 점을 기반으로 구동부의 상태를 판단할 수 있는 기준이 되는 모델 그룹핑을 구축하는 구축단계(S40);와, 실시간 구동되는 구동부에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 측정부에서 각각 실시간 파형 그래프로 측정 수집하고, 그 수집된 각각의 실시간 파형 그래프를 실시간 이미지 데이터로 변환하여 상기 제어부로 전송하되, 상기 측정부에서는 상기 베이스 정보 수집단계(S10)에서 선택 수집되는 에너지 값과 동일한 에너지가 선택되도록 하는 실시간 측정단계(S50);와, 상기 제어부는 상기 측정부에서 전송되는 실시간 이미지 데이터를 학습하고, 그 결과치를 좌표에 실시간 점으로 나타내며, 검출부는 좌표에 나타나는 실시간 점과 모델 그룹핑을 기반으로 실시간 구동부의 상태를 검출하는 검출단계(S60);를 포함하여 이루어지되,
상기 구축단계(S40)에서 구축되는 모델 그룹핑은 좌표에 표시되는 대량의 점의 분포도를 기반으로 점의 밀집도가 가장 높은 위치를 중심점으로 구축하며,
상기 검출단계(S60)는 중심점으로 구축된 모델 그룹핑과 이격되는 거리에 대한 제1임계 거리값을 설정하여 좌표에 나타나는 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값 이하면 구동부를 정상상태로 검출하고, 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값을 초과하면 구동부를 경보상태로 검출하는 것을 특징으로 한다.In order to achieve the above object, a method for predictive maintenance of a device using deep learning according to the present invention is a current consumed to perform an operation in a driving unit in a normal operating state, a voltage value, vibration generated in the driving unit, noise, temperature, A base information collection step (S10) of repeatedly collecting a waveform graph representing at least two energy values selected from pressure and humidity over time; and, each energy value collected in the base information collection step (S10). A conversion step (S20) of taking a waveform graph for as a picture and converting it into image data, respectively; and deep learning ( A learning step (S30) of learning based on a deep learning learning method and representing a learning result for an operation of the drive unit as a single point on coordinates (S30); and, in the learning step (S30), the control unit repeatedly learns Through the process, the learning result for the operation of the driving unit is displayed as a large number of points on the coordinates. Step (S40); And, at least two energy values selected from current, voltage value, vibration, noise, temperature, pressure, and humidity generated in the driving unit consumed in performing an operation in the driving unit driven in real time are measured by the measuring unit, respectively. Measure and collect real-time waveform graphs, convert each of the collected real-time waveform graphs into real-time image data, and transmit the data to the control unit, wherein the measurement unit has the same energy as the energy value selected and collected in the base information collection step (S10). A real-time measurement step (S50) of selecting; and, the control unit learns the real-time image data transmitted from the measurement unit, and displays the result as a real-time point on the coordinates, and the detection unit measures the real-time points and model grouping appearing on the coordinates. Based on the detection step (S60) of detecting the state of the driving unit in real time; Be it,
The model grouping built in the construction step (S40) builds the location with the highest point density as the center point based on the distribution of a large number of points displayed on the coordinates,
In the detecting step (S60), a first threshold distance value for the distance separated from the model grouping built with the center point is set, and if the distance between the center point and the real-time point appearing in the coordinates is less than the first threshold distance value, the driving unit is in a normal state. , and if the distance between the real-time point and the central point exceeds the first threshold distance value, the driving unit is detected in an alarm state.

삭제delete

삭제delete

삭제delete

삭제delete

삭제delete

삭제delete

삭제delete

이상에서와 같이 본 발명에 따른 딥러닝을 이용한 기기의 예지 보전방법에 의하면, 정상적인 상태의 구동부를 통해 수집되는 다양한 에너지 값에 대한 그래프 파형을 이미지 데이터로 변환하고, 그 변환된 대량의 이미지 데이터의 특징을 딥 러닝 방식을 통해 학습하고, 그 학습한 결과치를 기반으로 좌표에 모델 그룹핑을 구축하여 실시간 구동부에서 수집되는 에너지 값의 그래프 파형에 대한 결과치를 모델 그룹팅에 반영하여 실시간으로 구동부의 상태를 검출하는 방식으로 구동부의 이상징후가 의심되면 경보하여 적합한 시기에 구동부의 정비 및 교체를 수행할 수 있도록 유도하여 구동부의 고장으로 인한 막대한 경제적인 손실을 방지할 수 있는 효과가 있다.As described above, according to the method for predictive maintenance of a device using deep learning according to the present invention, graph waveforms for various energy values collected through a drive unit in a normal state are converted into image data, and a large amount of the converted image data Characteristics are learned through a deep learning method, and based on the learning result, model grouping is built on coordinates, and the result of the graph waveform of the energy value collected from the real-time drive unit is reflected in the model grouping to determine the state of the drive unit in real time. It is effective in preventing enormous economic loss due to failure of the driving unit by inducing maintenance and replacement of the driving unit at an appropriate time by alerting if abnormal signs of the driving unit are suspected by the detection method.

또한, 다양한 검출조건을 통해 구동부의 상태를 단계별로 검출하여 관리자는 구동부의 상태를 정밀하게 인지할 수 있어 구동부의 점검 시기 및 계획을 바람직하게 설정하여 구동부의 효율적인 관리를 유도할 수 있는 효과가 있다.In addition, by detecting the state of the driving unit step by step through various detection conditions, the manager can accurately recognize the state of the driving unit, and thus, it is possible to induce efficient management of the driving unit by setting the inspection timing and plan of the driving unit appropriately. .

도 1은 본 발명의 실시예에 따른 딥러닝을 이용한 기기의 예지 보전방법의 블럭도
도 2는 도 1에 도시된 딥러닝을 이용한 기기의 예지 보전방법의 개념도
도 3 내지 도 10은 도 1에 도시된 딥러닝을 이용한 기기의 예지 보전방법을 설명하기 위한 도면1 is a block diagram of a method for predictive maintenance of a device using deep learning according to an embodiment of the present invention.
2 is a conceptual diagram of a method for predictive maintenance of a device using deep learning shown in FIG. 1;
3 to 10 are diagrams for explaining a method for predictive maintenance of a device using deep learning shown in FIG. 1;

본 발명의 바람직한 실시예에 따른 딥러닝을 이용한 기기의 예지 보전방법을 첨부된 도면에 의거하여 상세히 설명한다. 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 공지 기능 및 구성에 대한 상세한 기술은 생략한다.A method for predictive maintenance of a device using deep learning according to a preferred embodiment of the present invention will be described in detail based on the accompanying drawings. Detailed descriptions of well-known functions and configurations that may unnecessarily obscure the subject matter of the present invention will be omitted.

도 1 내지 도 10은 본 발명의 실시예에 따른 딥러닝을 이용한 기기의 예지 보전방법을 도시한 것으로, 도 1은 본 발명의 실시예에 따른 딥러닝을 이용한 기기의 예지 보전방법의 블럭도를, 도 2는 도 1에 도시된 딥러닝을 이용한 기기의 예지 보전방법의 개념도를, 도 3 내지 도 10은 도 1에 도시된 딥러닝을 이용한 기기의 예지 보전방법을 설명하기 위한 도면을 각각 나타낸 것이다.1 to 10 show a method for predictive maintenance of a device using deep learning according to an embodiment of the present invention, and FIG. 1 is a block diagram of a method for predictive maintenance of a device using deep learning according to an embodiment of the present invention. 2 is a conceptual diagram of a method for predictive maintenance of a device using deep learning shown in FIG. 1, and FIGS. 3 to 10 are diagrams for explaining the method for predictive maintenance of a device using deep learning shown in FIG. will be.

상기 도면에 도시한 바와 같이, 본 발명의 실시예에 따른 딥러닝을 이용한 기기의 예지 보전방법(100)은 베이스 정보 수집단계(S10)와, 변환단계(S20)와, 학습단계(S30)와, 구축단계(S40)와, 실시간 측정단계(S50)와, 검출단계(S60)를 포함하고 있다.As shown in the figure, the predictive maintenance method 100 of a device using deep learning according to an embodiment of the present invention includes a base information collection step (S10), a conversion step (S20), a learning step (S30), , It includes a construction step (S40), a real-time measurement step (S50), and a detection step (S60).

도 1에 도시된 바와 같이, 상기 베이스 정보 수집단계(S10)는 정상적인 구동 상태의 구동부(1)에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부(1)에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 각각 시간의 흐름에 따라 나타낸 파형 그래프를 반복적으로 수집하는 단계이다.As shown in FIG. 1, the base information collection step (S10) includes current and voltage values consumed to perform an operation in the driving unit 1 in a normal driving state, vibration, noise, and temperature generated in the driving unit 1. This is a step of repeatedly collecting waveform graphs showing at least two energy values selected from among , pressure, and humidity over time.

여기서, 상기와 같이 수집되는 파형 그래프들은 후설될 상기 학습단계(S30)에서 제어부(10)가 딥 러닝 방식으로 학습하기 위한 자료(정보)로 수집되는 것이며, 이렇게 학습된 결과치는 후설될 상기 구축단계(S40)에서 실시간 구동부(1)의 상태를 검출하기 위한 기준이 되는 모델 그룹핑을 구축하기 위한 기반이 되는 특성상, 상기와 같이 정상적인 구동부(1)에서 바람직한(정상적인) 파형 그래프들을 수집하도록 한다.Here, the waveform graphs collected as described above are collected as data (information) for the control unit 10 to learn by the deep learning method in the learning step (S30) to be described later, and the learned result is the construction step to be described later In (S40), desirable (normal) waveform graphs are collected in the normal drive unit 1 as described above due to the characteristics that are the basis for building the model grouping, which is the criterion for detecting the state of the real-time drive unit 1.

본 발명의 딥러닝을 이용한 기기의 예지 보전방법(100)에서는 설명의 편의를 위해, 도 3에 도시된 바와 같이 구동부(1)에서 소모되는 전류와 전압 및 진동 값에 대한 각각의 파형 그래프를 반복적으로 수집하도록 하나, 이러한 3가지 에너지로 한정하여 파형 그래프를 수집하는 것은 아니다.In the predictive maintenance method 100 of a device using deep learning of the present invention, for convenience of description, as shown in FIG. However, it is not limited to these three energies to collect the waveform graph.

물론, 구동부(1)가 동작을 수행하는데 발생하는 많은 종류의 에너지에 대한 파형 그래프를 수집할수록 상기 제어부(10)에서 그래프 파형에 대한 특징을 더욱 용이하게 학습할 수 있을 것이다.Of course, as the driving unit 1 collects waveform graphs for many types of energy generated during operation, the control unit 10 can more easily learn the characteristics of the graph waveform.

도 1에 도시된 바와 같이, 상기 변환단계(S20)는 상기 베이스 정보 수집단계(S10)에서 수집된 각 에너지 값에 대한 파형 그래프를 사진과 같이 찍어 각각 이미지 데이터로 변환하는 단계이다.As shown in FIG. 1, the conversion step (S20) is a step of taking a picture of the waveform graph for each energy value collected in the base information collection step (S10) and converting each into image data.

즉, 도 4에 도시된 바와 같이 상기 구동부(1)의 한 동작에 대해 전류와 전압 및 진동에 대한 총 3가지의 파형 그래프를 사진과 같은 이미지 파일로 변환하여, 상기 학습단계(S30)에서 상기 제어부(10)는 사진과 같은 이미지를 학습하여 정상적인 구동부의 파형 그래프에 대한 특징을 학습할 수 있도록 한다.That is, as shown in FIG. 4, a total of three waveform graphs for current, voltage, and vibration for one operation of the driving unit 1 are converted into image files such as pictures, and in the learning step (S30) The control unit 10 learns the characteristics of a waveform graph of a normal driving unit by learning an image such as a photograph.

도 1과 도 2에 도시된 바와 같이, 상기 학습단계(S30)는 상기 변환단계(S20)에서 변환된 구동부의 한 동작에 대한 각 에너지 값의 이미지 데이터를 제어부(10)에서 딥러닝(deep learning) 학습 방식을 기반으로 학습하고, 구동부(1)의 한 동작에 대한 학습 결과치를 좌표에 하나의 점(point)으로 나타내는 단계이다.As shown in FIGS. 1 and 2 , in the learning step (S30), the image data of each energy value for one motion of the driving unit converted in the conversion step (S20) is converted into deep learning by the control unit 10. ) learning based on the learning method, and representing a learning result for one operation of the driving unit 1 as a single point on the coordinates.

즉, 도 5에 도시된 바와 같이 상기 변환단계(S20)에서 변환된 이미지 데이터가 입력되면 상기 제어부(10)는 이미지의 특징을 추출하면서 학습을 수행하게 되는데, 본 발명에서 제어부(10)는 딥 러닝의 CNN(convolutional neural networks) 모델을 통하여 학습을 수행하도록 하나, 이러한 모델로 한정하는 것은 물론 아니며, 딥 러닝의 RNN(Recurrent Neural Network), ANN(Artificail Neural Network) 등의 모델을 통하여 학습을 수행할 수 있다.That is, as shown in FIG. 5, when the image data converted in the conversion step (S20) is input, the control unit 10 performs learning while extracting features of the image. In the present invention, the control unit 10 is Learning is performed through CNN (convolutional neural networks) models of learning, but it is not limited to these models, and learning is performed through deep learning models such as RNN (Recurrent Neural Network) and ANN (Artificail Neural Network). can do.

여기서, 상기 제어부(10)는 구동부의 수천, 수만 번의 동작에 대한 파형 그래프들을 학습하게 되는데, 이러한 파형 그래프들의 정보가 풍부할수록 상기 제어부(10)에서 구동부(1)의 동작에 대한 파형 그래프의 특징을 효과적으로 파악하고 학습할 수 있으므로 상기 베이스 정보 수집단계(S10)에서 많은 파형 그래프 정보를 수집함이 바람직할 것이다.Here, the control unit 10 learns waveform graphs for thousands or tens of thousands of operations of the driving unit. The richer the information on these waveform graphs, the more characteristics of the waveform graphs for the operation of the driving unit 1 in the control unit 10 Since it is possible to effectively identify and learn, it would be desirable to collect a lot of waveform graph information in the base information collection step (S10).

도 6에 도시된 바와 같이, 상기 제어부(10)에서 학습한 구동부(1)의 동작에 대한 파형 그래프의 결과치는 좌표에 표시하였는데, 살펴보면 상기 제어부(10)가 학습한 파형 그래프는 정상적인 상태의 구동부(1)로부터 획득한 정보이므로 좌표의 특정 영역에 소정의 그룹을 형성함을 알 수 있다.As shown in FIG. 6, the result of the waveform graph for the operation of the driving unit 1 learned by the control unit 10 is displayed on coordinates. Since it is the information obtained from (1), it can be seen that a predetermined group is formed in a specific area of coordinates.

여기서, 상기 좌표는 설명의 편의를 위해 2차원(X,Y)으로 구현하였으나, 3차원(X,Y,Z)과 같은 입체로 구현될 수 있음은 물론이다.Here, the coordinates are implemented in two dimensions (X, Y) for convenience of explanation, but it is of course possible to implement them in a three-dimensional form such as three dimensions (X, Y, Z).

도 6에 도시된 바와 같이, 상기 구축단계(S40)는 상기 학습단계(S30)에서 제어부(10)의 반복적인 학습 과정을 통해 구동부(1)의 동작에 대한 학습 결과치가 좌표에 대량의 점으로 표시되는데, 상기 제어부(10)는 좌표에 표시되는 대량의 점을 기반으로 구동부(1)의 상태를 판단할 수 있는 기준이 되는 모델 그룹핑을 구축하는 단계이다.As shown in FIG. 6, in the construction step (S40), the learning result for the operation of the drive unit 1 is converted into a large number of points on coordinates through the repetitive learning process of the control unit 10 in the learning step (S30). This is a step in which the control unit 10 builds a model grouping that is a criterion for determining the state of the driving unit 1 based on a large number of points displayed on the coordinates.

즉, 상기 제어부(10)의 학습을 결과치로 상기 좌표에 형성된 그룹은 정상적인 구동부(1)의 파형 그래프로부터 추출된 것으로 매우 바람직한(안정적인) 결과를 의미하는 그룹이므로, 그 그룹을 기반으로 실시간 구동부(1)의 상태를 판단할 수 있는 모델 그룹핑을 구축하도록 한다.That is, since the group formed at the coordinates as a result of the learning of the control unit 10 is a group extracted from the waveform graph of the normal driving unit 1 and means a very desirable (stable) result, the real-time driving unit based on the group ( Build a model grouping that can determine the state of 1).

도 6에 도시된 바와 같이, 본 발명의 딥러닝을 이용한 기기의 예지 보전방법(100)에서 구축되는 모델 그룹핑은 좌표에 표시되는 대량의 점의 분포도를 기반으로 점의 밀집도가 가장 높은 위치를 중심점으로 구축하는데, 그 이유는 좌표에 표시되는 점들은 정상적인 상태의 구동부(1)로부터 추출되는 것이므로 점들이 밀집되는 부분일수록 구동부(1)가 매우 안정적인 상태이기 때문이다.As shown in FIG. 6, in the model grouping constructed in the predictive maintenance method 100 of a device using deep learning of the present invention, the location with the highest density of points is the center point based on the distribution map of a large number of points displayed on coordinates. The reason is that the points displayed on the coordinates are extracted from the drive unit 1 in a normal state, so the drive unit 1 is in a very stable state as the points are concentrated.

따라서 상기 모델 그룹핑을 좌표에 표시된 점의 밀집도가 가장 높은 지점에 중심점으로 구축하여 상기 모델 그룹핑을 통해 검출되는 실시간 구동부(1)의 상태 결과에 대한 우수한 신뢰도가 확보될 수 있도록 한다.Therefore, by constructing the model grouping as a central point at a point having the highest density of points indicated on the coordinates, excellent reliability of the state result of the real-time driving unit 1 detected through the model grouping can be secured.

도 1과 도 2에 도시된 바와 같이, 상기 실시간 측정단계(S50)는 실시간 구동되는 구동부(1)에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 측정부(20)에서 각각 실시간 파형 그래프로 측정 수집하고, 그 수집된 각각의 실시간 파형 그래프를 실시간 이미지 데이터로 변환하여 상기 제어부(10)로 전송하되, 상기 측정부(20)에서는 상기 베이스 정보 수집단계(S10)에서 선택 수집되는 에너지 값과 동일한 에너지가 선택되도록 한다.As shown in FIGS. 1 and 2, the real-time measuring step (S50) is the current and voltage value consumed to perform an operation in the driving unit 1 driven in real time, the vibration, noise, temperature, and pressure generated in the driving unit. , At least two or more energy values selected from humidity are measured and collected as real-time waveform graphs by the measuring unit 20, and each of the collected real-time waveform graphs are converted into real-time image data and transmitted to the control unit 10, In the measurement unit 20, the same energy as the energy value selected and collected in the base information collection step (S10) is selected.

여기서, 상기 측정부(20)에서 구동부(1)로부터 수집되는 에너지는 상기 베이스 정보 수집단계(S10)에서 일 예로 선택된 전류와 전압 및 진동 값으로 선택 측정됨은 물론이다.Here, the energy collected from the driving unit 1 in the measurement unit 20 is selected and measured as current, voltage, and vibration values selected as an example in the base information collection step (S10).

즉, 상기 측정부(20)에서 측정 수집된 에너지 값에 대한 이미지 데이터는 후설될 상기 검출단계(S60)에서 구동부(1)의 상태를 검출하는 정보로 사용되는데, 이에 대해서는 아래의 검출단계(S60)에서 상세히 설명하도록 한다.That is, the image data for the energy values measured and collected by the measurement unit 20 is used as information for detecting the state of the driving unit 1 in the detection step S60 to be described later. For this, the following detection step S60 ) to be explained in detail.

도 1과 도 2에 도시된 바와 같이, 상기 검출단계(S60)는 상기 제어부(10)는 상기 측정부(20)에서 전송되는 실시간 이미지 데이터를 학습하고, 그 결과치를 좌표에 실시간 점으로 나타내며, 검출부(30)는 좌표에 나타나는 실시간 점과 모델 그룹핑을 기반으로 실시간 구동부(1)의 상태를 검출하는 단계이다.As shown in FIGS. 1 and 2, in the detection step (S60), the control unit 10 learns the real-time image data transmitted from the measurement unit 20, and the result is displayed as a real-time point on coordinates, The detection unit 30 is a step of detecting the state of the real-time driving unit 1 based on real-time points appearing on the coordinates and model grouping.

여기서, 도 7에 도시된 바와 같이 상기 검출부(30)에는 상기 구축단계(S40)에서 중심점으로 구축된 모델 그룹핑과 이격되는 거리에 대한 제1임계 거리값이 설정되도록 한다.Here, as shown in FIG. 7, the detection unit 30 is configured to set a first threshold distance value for a distance separated from the model grouping built as the center point in the building step (S40).

즉, 상기 검출부(30)는 실시간 구동부(1) 동작의 파형 그래프에 대한 상기 제어부(10)의 학습 결과치로 좌표에 나타나는 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값 이하이면 구동부(1)를 정상상태로 검출하고, 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값을 초과하면 구동부(1)를 경보상태로 검출하도록 한다.That is, the detection unit 30 is the learning result of the control unit 10 for the waveform graph of the operation of the real-time driving unit 1, and the driving unit 1 ) is detected as a normal state, and when the separation distance between the real-time point and the center point exceeds the first threshold distance value, the driving unit 1 is detected as an alarm state.

여기서, 상기 경보상태라 함은 구동부(1)의 관심과 주의가 요구되는 정도로 생각하면 된다.Here, the alarm state may be considered as a degree to which attention and attention of the driving unit 1 is required.

따라서 관리자는 상기 검출단계(S60)에서 검출되는 구동부(1)의 실시간 상태를 기반으로 구동부(1)의 안정적인 점검 및 관리를 유도할 수 있어 갑작스럽게 구동부(1)의 고장으로 인해 설비의 전체적인 가동이 중단되어 발생할 수 있는 막대한 경제적인 손실을 방지할 수 있다.Therefore, the manager can induce stable inspection and management of the drive unit 1 based on the real-time status of the drive unit 1 detected in the detection step (S60), and the overall operation of the facility due to a sudden failure of the drive unit 1 This can prevent huge economic losses that may occur due to interruption.

한편, 도 8에 도시된 바와 같이 상기 구축단계(S40)에서 중심점으로 구축되는 모델 그룹핑을 대신하여 좌표에 표시되는 대량의 점 분포도를 기반으로 점의 밀집도가 높은 부위가 포함되는 소정의 영역으로 표시되도록 하여 모델 그룹핑을 구축하고,On the other hand, as shown in FIG. 8, instead of grouping the model built as a center point in the construction step (S40), it is displayed as a predetermined area including areas with high density of points based on a large number of point distributions displayed on coordinates. to build model groupings,

상기 검출단계(S60)는 모델 그룹핑 영역의 둘레와 이격되는 거리에 대한 제2임계 거리값을 설정하도록 한다.In the detecting step (S60), a second threshold distance value for a distance separated from the circumference of the model grouping area is set.

여기서, 상기 구동부(1)가 사용되는 기기의 종류, 좌표에 분포되는 점의 전체적인 밀집도 등을 고려하여 영역의 넓이를 선택적으로 구축할 수 있음은 물론이다.Here, it goes without saying that the width of the region can be selectively established in consideration of the type of device in which the driving unit 1 is used, the overall density of points distributed in coordinates, and the like.

즉, 도 9에 도시된 바와 같이 상기 검출부(30)는 실시간 구동부(1) 동작의 파형 그래프에 대한 상기 제어부(10)의 학습 결과치로 좌표에 나타나는 실시간 점이 모델 그룹핑의 영역 내에 위치되면 구동부(1)를 정상상태로 검출하고, 실시간 점이 모델 그룹핑의 영역에서 벗어나되 모델 그룹핑과의 이격거리가 상기 제2임계 거리값 이하면 구동부(1)를 경보상태로 검출하며, 실시간 점이 모델 그룹핑의 영역에서 벗어나면서 모델 그룹핑과의 이격거리가 상기 제2임계 거리값을 초과하면 구동부(1)를 위험상태로 검출하도록 한다.That is, as shown in FIG. 9 , the detection unit 30 detects a real-time point appearing in coordinates as a learning result of the control unit 10 for the waveform graph of the operation of the real-time driving unit 1 and is located within the model grouping area. ) is detected as a normal state, and the real-time point is out of the area of model grouping, but if the separation distance from the model grouping is less than the second threshold distance value, the driving unit 1 is detected as an alarm state, and the real-time point is out of the area of model grouping. When the separation distance from the model grouping exceeds the second threshold distance value while moving away, the driving unit 1 is detected as a dangerous state.

여기서, 상기 경보상태라 함은 구동부(1)의 관심과 주의가 요구되는 정도이고, 상기 위험상태라 함은 구동부의 수리, 점검이나 교체가 즉시 요구되는 상태로 볼 수 있다.Here, the alarm state is a degree that requires attention and attention of the driving unit 1, and the dangerous state can be regarded as a state in which repair, inspection, or replacement of the driving unit is immediately required.

한편, 도 10에 도시된 바와 같이 상기 구축단계(S40)에서 구축되는 모델 그룹핑을 중심점과 함께 소정의 영역으로 표시하여 구축하며,On the other hand, as shown in FIG. 10, the model grouping built in the construction step (S40) is displayed as a predetermined area with a center point and built,

상기 검출단계(S60)에는 중심점으로 구축되는 모델 그룹핑에 대한 제1임계 거리값과 소정의 영역으로 구축되는 모델 그룹핑에 대한 제2임계 거리값이 함께 설정되도록 한다.In the detecting step (S60), a first threshold distance value for model grouping constructed as a center point and a second threshold distance value for model grouping constructed as a predetermined area are set together.

즉, 상기 검출부(30)는 좌표에 나타나는 실시간 점이 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값 이하이면서 동시에 영역으로 구축되는 모델 그룹핑 내에 위치되면 구동부(1)를 안정상태로 검출하고, That is, the detection unit 30 detects the drive unit 1 in a stable state when the distance between the real-time point and the central point appearing in the coordinates is less than the first threshold distance value and is located within the model grouping constructed as an area at the same time,

실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값을 초과하되 영역으로 구축되는 모델 그룹핑 내에 위치되거나, 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값 이하이되 모델 그룹핑의 영역에서 벗어나면 구동부(1)를 정상상태로 검출하며, If the distance between the real-time point and the center point exceeds the first threshold distance value but is located within the model grouping built into the region, or the distance between the real-time point and the center point is less than the first threshold distance value but is out of the region of the model grouping Detecting the drive unit 1 in a normal state,

실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값을 초과하며 동시에 실시간 점이 영역으로 구축되는 모델 그룹핑을 벗어나면서 모델 그룹핑과 실시간 점의 이격 거리가 상기 제2임계 거리값 이하이면 구동부(1)를 경보상태로 검출하며, If the separation distance between the real-time point and the central point exceeds the first threshold distance value, and at the same time, if the distance between the model grouping and the real-time point is less than the second threshold distance value while leaving the model grouping in which the real-time point is constructed as an area, the drive unit 1 is detected as an alarm state,

실시간 점이 영역으로 구축되는 모델 그룹핑을 벗어나면서 모델 그룹핑과 실시간 점의 이격 거리가 상기 제2임계 거리값을 초과하면 구동부(1)를 위험상태로 검출하도록 한다.When the distance between the model grouping and the real-time point exceeds the second threshold distance value while leaving the model grouping in which the real-time point is constructed as an area, the driving unit 1 is detected as a dangerous state.

여기서, 상기 안정상태는 정상상태보다 상기 구동부(1)가 더욱 안정된 상태를 의미한다.Here, the stable state means a state in which the driving unit 1 is more stable than a normal state.

따라서 상기 검출부(30)는 실시간 구동부(1)의 상태를 단계별로 매우 정밀하게 검출하여 관리자에게 제공할 수 있어 구동부(1)의 효율적인 점검 및 관리를 유도할 수 있다.Therefore, the detection unit 30 can detect the state of the driving unit 1 in real time in a step-by-step manner and provide the information to a manager, leading to efficient inspection and management of the driving unit 1 .

상기와 같은 과정으로 이루어지는 본 발명의 딥러닝을 이용한 기기의 예지 보전방법(100)은 정상적인 상태의 구동부(1)를 통해 수집되는 다양한 에너지 값에 대한 그래프 파형을 이미지 데이터로 변환하고, 그 변환된 대량의 이미지 데이터의 특징을 딥 러닝 방식을 통해 학습하고, 그 학습한 결과치를 기반으로 좌표에 모델 그룹핑을 구축하여 실시간 구동부에서 수집되는 에너지 값의 그래프 파형에 대한 결과치를 모델 그룹팅에 반영하여 실시간으로 구동부(1)의 상태를 검출하는 방식으로 구동부(1)의 이상징후가 의심되면 경보하여 적합한 시기에 구동부(1)의 정비 및 교체를 수행할 수 있도록 유도하여 구동부(1)의 고장으로 인한 막대한 경제적인 손실을 방지할 수 있는 효과가 있다.The predictive maintenance method 100 of a device using deep learning of the present invention consisting of the above process converts graph waveforms for various energy values collected through the drive unit 1 in a normal state into image data, and converts the converted Characteristics of large amounts of image data are learned through deep learning, and model grouping is built on coordinates based on the learned results, and the results of graph waveforms of energy values collected from real-time drivers are reflected in model grouping to achieve real-time This is a method of detecting the state of the driving unit (1), and if an abnormality of the driving unit (1) is suspected, an alarm is issued to induce maintenance and replacement of the driving unit (1) at an appropriate time, thereby preventing the failure of the driving unit (1). It has the effect of preventing huge economic losses.

또한, 다양한 검출조건을 통해 구동부(1)의 상태를 단계별로 검출하여 관리자는 구동부(1)의 상태를 정밀하게 인지할 수 있어 구동부(1)의 점검 시기 및 계획을 바람직하게 설정하여 구동부의 효율적인 관리를 유도할 수 있는 효과가 있다.In addition, by detecting the state of the driving unit 1 step by step through various detection conditions, the administrator can accurately recognize the state of the driving unit 1, and thus the inspection time and plan of the driving unit 1 can be set appropriately so that the driving unit can be efficiently operated. It has the effect of inducing management.

본 발명은 첨부된 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것으로 상술한 실시예에 한정되지 않으며, 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 실시예가 가능하다는 점을 이해할 수 있을 것이다. 또한, 본 발명의 사상을 해치지 않는 범위 내에서 당업자에 의한 변형이 가능함은 물론이다. 따라서, 본 발명에서 권리를 청구하는 범위는 상세한 설명의 범위 내로 정해지는 것이 아니라 후술되는 청구범위와 이의 기술적 사상에 의해 한정될 것이다.The present invention has been described with reference to the embodiments shown in the accompanying drawings, but these are illustrative and not limited to the above-described embodiments, and those skilled in the art can make various modifications and equivalent embodiments therefrom. you will understand the point. In addition, of course, modifications by those skilled in the art are possible within a range that does not impair the spirit of the present invention. Therefore, the scope claimed in the present invention will not be determined within the scope of the detailed description, but will be limited by the claims described later and their technical spirit.

1. 구동부
10. 측정부 20. 제어부
30. 검출부
S10. 베이스 정보 수집단계 S20. 변환단계
S30. 학습단계 S40. 구축단계
S50. 실시간 측정단계 S60. 검출단계
100. 딥러닝을 이용한 기기의 예지 보전방법1. Driving part
10. Measuring unit 20. Control unit
30. Detection unit
S10. Base information collection step S20. conversion step
S30. Learning step S40. construction phase
S50. Real-time measurement step S60. detection step
100. Predictive maintenance method for devices using deep learning

Claims (4)

구동부의 예지 보전방법에 있어서,
정상적인 구동 상태의 구동부(1)에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부(1)에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 각각 시간의 흐름에 따라 나타낸 파형 그래프를 반복적으로 수집하는 베이스 정보 수집단계(S10);
상기 베이스 정보 수집단계(S10)에서 수집된 각 에너지 값에 대한 파형 그래프를 사진과 같이 찍어 각각 이미지 데이터로 변환하는 변환단계(S20);
상기 변환단계(S20)에서 변환된 구동부의 한 동작에 대한 각 에너지 값의 이미지 데이터를 제어부(10)에서 딥러닝(deep learning) 학습 방식을 기반으로 학습하고, 구동부(1)의 한 동작에 대한 학습 결과치를 좌표에 하나의 점(point)으로 나타내는 학습단계(S30);
상기 학습단계(S30)에서 제어부(10)의 반복적인 학습 과정을 통해 구동부(1)의 동작에 대한 학습 결과치가 좌표에 대량의 점으로 표시되는데, 상기 제어부(10)는 좌표에 표시되는 대량의 점을 기반으로 구동부(1)의 상태를 판단할 수 있는 기준이 되는 모델 그룹핑을 구축하는 구축단계(S40);
실시간 구동되는 구동부(1)에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 측정부(20)에서 각각 실시간 파형 그래프로 측정 수집하고, 그 수집된 각각의 실시간 파형 그래프를 실시간 이미지 데이터로 변환하여 상기 제어부(10)로 전송하되, 상기 측정부(20)에서는 상기 베이스 정보 수집단계(S10)에서 선택 수집되는 에너지 값과 동일한 에너지가 선택되도록 하는 실시간 측정단계(S50); 및
상기 제어부(10)는 상기 측정부(20)에서 전송되는 실시간 이미지 데이터를 학습하고, 그 결과치를 좌표에 실시간 점으로 나타내며, 검출부(30)는 좌표에 나타나는 실시간 점과 모델 그룹핑을 기반으로 실시간 구동부(1)의 상태를 검출하는 검출단계(S60);를 포함하여 이루어지되,
상기 구축단계(S40)에서 구축되는 모델 그룹핑은 좌표에 표시되는 대량의 점의 분포도를 기반으로 점의 밀집도가 가장 높은 위치를 중심점으로 구축하며,
상기 검출단계(S60)는 중심점으로 구축된 모델 그룹핑과 이격되는 거리에 대한 제1임계 거리값을 설정하여 좌표에 나타나는 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값 이하면 구동부(1)를 정상상태로 검출하고, 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값을 초과하면 구동부(1)를 경보상태로 검출하는 것을 특징으로 하는 딥러닝을 이용한 기기의 예지 보전방법.In the predictive maintenance method of the drive unit,
At least two or more energy values selected from the current, voltage value, vibration, noise, temperature, pressure, and humidity generated in the drive unit 1 consumed to perform one operation in the drive unit 1 in a normal driving state are measured over time. Base information collection step (S10) of repeatedly collecting the waveform graph represented according to;
A conversion step (S20) of taking a waveform graph for each energy value collected in the base information collection step (S10) as a photograph and converting each into image data;
The control unit 10 learns the image data of each energy value for one operation of the drive unit converted in the conversion step (S20) based on a deep learning learning method, and for one operation of the drive unit 1 A learning step (S30) of representing a learning result as a single point on coordinates;
In the learning step (S30), through the repetitive learning process of the control unit 10, the learning result for the operation of the drive unit 1 is displayed as a large number of dots on the coordinates. Building a model grouping that is a criterion for determining the state of the drive unit 1 based on the points (S40);
At least two or more energy values selected from current, voltage value, vibration, noise, temperature, pressure, and humidity generated in the driving unit, which are consumed to perform an operation in the real-time driving unit 1, are measured in real time by the measuring unit 20, respectively. Measurement and collection as a waveform graph, and each collected real-time waveform graph is converted into real-time image data and transmitted to the control unit 10, wherein the measurement unit 20 selects and collects in the base information collection step (S10) A real-time measurement step (S50) of selecting the same energy as the energy value; and
The control unit 10 learns the real-time image data transmitted from the measurement unit 20, and displays the result as a real-time point on the coordinates, and the detection unit 30 is a real-time driving unit based on the real-time points appearing on the coordinates and model grouping. A detection step (S60) of detecting the state of (1);
The model grouping built in the construction step (S40) builds the location with the highest point density as the center point based on the distribution of a large number of points displayed on the coordinates,
In the detecting step (S60), a first threshold distance value for the distance separated from the model grouping built with the center point is set, and if the distance between the center point and the real-time point appearing in the coordinates is less than the first threshold distance value, the drive unit 1 A method for predictive maintenance of a device using deep learning, characterized in that detecting as a normal state, and detecting the driving unit (1) as an alarm state when the distance between the real-time point and the center point exceeds the first threshold distance value. 삭제delete 삭제delete 삭제delete
KR1020210086491A 2021-07-01 2021-07-01 Predictive maintenance method of devices using deep learning KR102510101B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210086491A KR102510101B1 (en) 2021-07-01 2021-07-01 Predictive maintenance method of devices using deep learning
PCT/KR2022/009256 WO2023277546A1 (en) 2021-07-01 2022-06-28 Predictive maintenance method for equipment using deep learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210086491A KR102510101B1 (en) 2021-07-01 2021-07-01 Predictive maintenance method of devices using deep learning

Publications (3)

Publication Number Publication Date
KR20230005591A KR20230005591A (en) 2023-01-10
KR102510101B1 true KR102510101B1 (en) 2023-03-14
KR102510101B9 KR102510101B9 (en) 2023-08-04

Family

ID=84690436

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210086491A KR102510101B1 (en) 2021-07-01 2021-07-01 Predictive maintenance method of devices using deep learning

Country Status (2)

Country Link
KR (1) KR102510101B1 (en)
WO (1) WO2023277546A1 (en)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5698576B2 (en) * 2010-03-23 2015-04-08 メタウォーター株式会社 Graph editing simulation device, graph editing simulation program, and plant maintenance management system
US10539932B2 (en) * 2017-09-30 2020-01-21 Intel Corporation Machine diagnostics based on overall system energy state
KR102095959B1 (en) * 2018-07-11 2020-04-01 주식회사 아이센스 Artificial Neural Network Model-Based Methods for Analyte Analysis
JP7204106B2 (en) * 2019-03-03 2023-01-16 株式会社レキオパワー Navigation system for ultrasonic probe and its navigation display device
KR102282847B1 (en) 2019-05-31 2021-07-27 주식회사 포스코아이씨티 System for Detecting Abnormal Control Data

Also Published As

Publication number Publication date
WO2023277546A1 (en) 2023-01-05
KR102510101B9 (en) 2023-08-04
KR20230005591A (en) 2023-01-10

Similar Documents

Publication Publication Date Title
KR102316496B1 (en) Method of preserving the prediction of a device through distribution chart
US11714403B2 (en) Method for learning and detecting abnormal part of device through artificial intelligence
KR102103150B1 (en) Predictive maintenance method of driving device
US11720093B2 (en) Method for predictive maintenance of equipment via distribution chart
KR20190108270A (en) Predictive maintenance method of driving device
CN113255188A (en) Bridge safety early warning method and system based on accident tree
KR20190108271A (en) Predictive maintenance method of driving device
KR102510101B1 (en) Predictive maintenance method of devices using deep learning
KR102510099B1 (en) Predictive maintenance method of devices using deep learning
JP2017021282A (en) Fault symptom simulation apparatus, fault symptom simulation method, and fault symptom simulation system
WO2021075845A1 (en) Method for predictive maintenance of equipment via distribution chart
KR102316472B1 (en) Detecting the health index of a device through control output signal
KR102316493B1 (en) Method for maintaining the predictive value of the device of the control output signal
KR20220032340A (en) Predictive maintenance method of equipment through cumulative waveform
CN116859842A (en) Chemical production line safety evaluation system
KR102384999B1 (en) Predictive maintenance method of equipment through cumulative waveform
CN113447764A (en) Intelligent monitoring and fault control method applied to power grid
CN109828146A (en) A method of equipment working condition is judged by device electrical parameters AD sampling
KR20210073207A (en) How to manage virtual monitoring by tracking device motion
KR102316483B1 (en) Method for maintaining the predictive value of the device of multiple control output signals
KR102385004B1 (en) Predictive maintenance method of equipment through cumulative waveform
KR102316526B1 (en) Method of detecting the health index of the device through the distribution chart
CN117273575A (en) Security monitoring method and system based on Internet of things operating system platform
CN116242420A (en) Fault positioning method and system for thermal control equipment
CN117827595A (en) Training method and equipment system of equipment fault detection model

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]