KR102539448B1 - 딥러닝 기반 IIoT 설비 이상탐지 방법 - Google Patents

Abstract

본 발명은 서버에 의해 수행되는 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법에 관한 것으로서, (a) 공기압축기의 컴프레서와 정류기를 포함하는 공장설비에 부착된 IoT센서로부터 공장설비에 대한 IoT 데이터를 수집하는 단계; (b) 상기 IoT 데이터를 기반으로 기계학습모델을 생성하고 이상점수를 산출하는 단계; 및 (c) 상기 기계학습모델이 상기 이상점수를 기반으로 상기 공장설비를 정상상태 및 비정상상태로 구분하는 단계;를 포함하는, 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법에 관한 것이다.

Description

딥러닝 기반 IIoT 설비 이상탐지 방법{METHOD FOR ABNORMALITY DETECTION OF IIoT FACILITY BASED ON DEEP LEARNING}

본 발명은 딥러닝 기반 IIoT 설비 이상탐지 방법에 관한 것으로서, 보다 상세하게는, 컴프레서, 회전기기 및 정류기 등을 포함하는 대표적인 공장설비의 IoT 데이터를 수집하여 학습하는 기계학습모델에 기반하여 공장설비에 발생하는 이상을 탐지하는 방법 에 관한 것이다.

4차 산업의 핵심적 요소인 IoT(Internet of Things)는 제조업, 금융, 서비스 등 다양한 분야에서 유용하게 활용되고 있다.

이 중 산업용 IoT인 IIoT(Industrial Internet Of Things)는 엣지컴퓨팅과 함께 산업 현장에서 IIoT 장치 및 시스템 배포로 접목되고 있다.

특히 설비관리부문은 유지보수, 예지보전, 이상감지 영역으로써 인공지능 분석 알고리즘을 적용, 센서 데이터 분석을 통해 설비 이상 상태를 탐지, 결함의 원인을 발견하여 사전 조치를 취하게 된다.

업종에 상관없는 제조 공장들의 핵심유틸리티인 회전기기와 정류기는 대부분의 공장설비의 주 동력을 제공하는 중요한 제조 설비에 속하는데 제조업종 80%이상이 유압식 생산설비 및 장치를 도입 운전하고 있는 현황이다.

장비의 설비점검 및 유지관리에 어려움을 겪고 있고 이상감지 데이터 희소성으로 사전 이상 판단이 쉽지 않은 현장에서 지도학습만으로는 이상감지를 진행하기보다 비 지도학습 또는 반 지도학습 기법들이 연구되는 추세에 있다.

이상 치에 대한 임계 치로 클러스터링을 구성하는 것보다 정상범주 데이터를 정의하고 이를 학습, 정상 범주 외의 데이터가 학습 모형에 대해 재구성 오류(Reconstruction Error)가 증가함에 따라, 보다 정확하게 이 상치로 탐지할 수 있는 딥 러닝 오토인코더 기반 연구들이 산업현장 적용 사례들로 소개되고 있다.

기본적인 오토인코더 기반 이상탐지는 정상데이터를 저 차원의 잠재 공간으로 압축(encoding)한 뒤 압축된 샘플을 다시 원래 차원으로 복원(decoding)하여 복원된 데이터와 원본데이터 간의 차이를 비교함으로써 이상탐지를 수행한다.

본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 컴프레서, 회전기기 및 정류기 등 대표적인 공장설비의 동력을 제공하는 핵심 유틸리티 설비가 현장 운용 중 간헐적으로 예측이 어려운 고장 위험에 노출되는 경우를 사전에 대처하기 위하여 지도학습을 보완한 것으로서, 공장설비 성능에 영향을 주는 IoT센서 데이터들을 활용한 딥러닝 오토인코더 기반 IoT 이상감지 모델 접목을 제안, 검증하는 것을 목적으로 한다.

또한, 실제 산업현장에서 공장설비에 자주 발생하는 고장사례들 중 사전 예측이 어려운 상황들에 대하여 딥러닝 학습을 통하여 대비하는 것을 목적으로 한다.

예를 들어, 공기압축기는 작동하고 있지만 일정압력이상 올라가지 않는 경우, 운전 중 급정지 되는 경우, 컴프레서 펌프 헤드에서 에어흡입이 되지 않는 경우, 공기압축기의 압축은 되고 있으나 소음이 무척 큰 경우, 컴프레서가 평소보다 정지와 가동을 자주하는 경우, 공기압축기가 최고 지시압력에 도달하지 않는 경우, 컴프레서 설정압력에 도달하지 못하는 경우, 흡입 밸브가 고장난 경우, 공기압축기 용량 부족, 공기압축기 과부하 및 비효율 및 오일 부족 또는 오일 혼탁 시 과온 및 비효율 발생 등과 같은 고장사례에 대한 대비책을 마련하는 것을 지향한다.

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

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시 예에 따르는 서버에 의해 수행되는 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법은, (a) 공기압축기의 컴프레서와 정류기를 포함하는 공장설비에 부착된 IoT센서로부터 공장설비에 대한 IoT 데이터를 수집하는 단계; (b) 상기 IoT 데이터를 기반으로 기계학습모델을 생성하고 이상점수를 산출하는 단계; 및 (c) 상기 기계학습모델이 상기 이상점수를 기반으로 상기 공장설비를 정상상태 및 비정상상태로 구분하는 단계;를 포함할 수 있다.

또한, 상기 IoT 데이터는, 기 설정된 기간 동안의 전압 값, 전류 값, 압력 값, 온도 값, 습도 값 및 진동 값을 포함할 수 있다.

또한, 상기 (b)단계는, 상기 기계학습모델은, 인코더부 및 디코더부를 포함하고, 상기 인코더부가 상기 기계학습모델이 학습할 입력데이터인 상기 IoT 데이터를 잠재변수로 변환하고, 상기 디코더부가 상기 잠재변수를 학습한 결과 데이터인 예측 데이터로 변환하여, 상기 IoT 데이터와 기 설정된 수치 이상 근사 하는 상기 예측 데이터를 산출하는 것일 수 있다.

또한, 상기 (b)단계는, (b-1) 인코더가 상기 IoT 데이터를 기 설정된 알고리즘에 따라 압축하여 잠재변수로 변환하는 단계; (b-2) 디코더가 기 설정된 알고리즘에 따라 상기 인코더에서 변환한 상기 잠재변수를 이용하여 상기 IoT 데이터를 재구성한 예측 데이터를 산출하는 단계; 및 (b-3) 상기 IoT 데이터와 상기 예측 데이터의 차이로부터 이상점수를 산출하는 단계;를 포함할 수 있다.

또한, 상기 이상점수는, 인코더의 입력 데이터인 상기 IoT 데이터와 디코더의 출력 데이터인 예측 데이터 간의 차이 값 및 상기 공장설비의 종류 별로 미리 설정된 값이며, MAE(Mean Absolute Error) 방식으로 설정될 수 있다.

또한, 상기 (c)단계는, 상기 이상점수가 기 설정된 임계 값 이상인 경우, 상기 IoT 데이터를 예측 불가능한 데이터로 판단하여 비정상상태로 구분하고, 상기 이상점수가 기 설정된 임계 값 미만인 경우, 상기 IoT 데이터를 예측 가능한 데이터로 판단하여 정상상태로 구분하는 것일 수 있다.

또한, (d) 상기 임계 값을 평가하고 재설정하는 단계로서, 실제 이상이 발생하였는지 여부에 따라 관리자에 의해 지정된 이상점수와, 상기 기계학습모델이 출력한 이상점수와의 차이를 기초로 MAE(Mean Absolute Error)를 계산하고, 각 시점마다 MAE를 수집함으로써, 다수의 MAE에 대한 분포그래프를 형성한 후, 분포 그래프 상의 중앙값을 기초로 임계값을 재설정하는 단계;를 더 포함할 수 있다.

또한, (e) 상기 이상점수의 최소치를 설정하고, 상기 최소치를 초과하지 않으며, 기 설정된 기간 동안 기 설정된 횟수 이상 연속하여 또는 연속하지 않으며 발생하는 적어도 하나 이상의 비정상상태를 정상상태로 재분류하는 단계;를 포함할 수 있다.

또한, 상기 최소치는, 기 설정된 기간 동안 발생한 적어도 하나 이상의 IoT 데이터 간의 평균 값에 설정계수를 입력 받아 곱한 것일 수 있다.

본 발명의 일 실시 예에 따르는 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법을 수행하는 서버는, 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법을 수행하기 위한 프로그램이 저장된 메모리; 및 상기 프로그램을 실행하기 위한 프로세서;를 포함하며, 상기 방법은, (a) 공기압축기의 컴프레서와 정류기를 포함하는 공장설비에 부착된 IoT센서로부터 공장설비에 대한 IoT 데이터를 수집하는 단계; (b) 상기 IoT 데이터를 기반으로 기계학습모델을 생성하고 이상점수를 산출하는 단계; 및 (c) 상기 기계학습모델이 상기 이상점수를 기반으로 상기 공장설비를 정상상태 및 비정상상태로 구분하는 단계;를 포함하는 것일 수 있다.

본 발명은 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법을 제공함으로서, 사용자가 산업 현장에서 활용되는 공장설비의 이상 유무와 이상의 원인을 파악할 수 있도록 할 수 있다.

또한, 공장설비에 설치 또는 내장되는 IoT센서를 통하여 실시간으로 다변량 시계열성 센서데이터에 기반한 LSTM 오토인코더 이상감지 훈련모델 및 기계학습모델을 생성할 수 있으며 이를 적용, 이상치 예측 및 판별에 활용할 수 있다.

나아가, 공장설비에서 자주 발생하거나 이전에 발생한 이력이 있는 고장사례들 중 사전 예측이 어려운 상황들에 대하여 기계 학습을 통하여 대비할 수 있다.

도1은 본 발명의 일 실시 예에 따르는 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 시스템에 대한 구조도 이다.
도2는 본 발명의 일 실시 예에 따르는 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 서버의 내부구성을 나타내는 블록도 이다.
도3은 본 발명의 일 실시 예에 따르는 훈련데이터 및 실험데이터를 포함하는 훈련 손실 그래프에 대한 예시도 이다.
도4는 본 발명의 일 실시 예에 따르는 MAE 분포 그래프의 예시도 이다.
도5은 본 발명의 일 실시 예에 따르는 실험 데이터 시간별 MAE 그래프의 예시도 이다.
도6은 본 발명의 일 실시 예에 따르는 전체 데이터 시간별 MAE 그래프의 예시도 이다.

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

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

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

이하에서 언급되는 "사용자 단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), VR HMD(예를 들어, HTC VIVE, Oculus Rift, GearVR, DayDream, PSVR 등)등을 포함할 수 있다. 여기서, VR HMD 는 PC용 (예를 들어, HTC VIVE, Oculus Rift, FOVE, Deepon 등)과 모바일용(예를 들어, GearVR, DayDream, 폭풍마경, 구글 카드보드 등) 그리고 콘솔용(PSVR)과 독립적으로 구현되는 Stand Alone 모델(예를 들어, Deepon, PICO 등) 등을 모두 포함한다. 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 스마트폰(smart phone), 태블릿 PC, 웨어러블 디바이스뿐만 아니라, 블루투스(BLE, Bluetooth Low Energy), NFC, RFID, 초음파(Ultrasonic), 적외선, 와이파이(WiFi), 라이파이(LiFi) 등의 통신 모듈을 탑재한 각종 디바이스를 포함할 수 있다. 또한, "네트워크"는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.

본 발명은 산업현장에서 운용되는 공장설비(300)에 간헐적으로 예측이 어려운 고장들이 발생하는 경우를 사전에 대처하기 위해 컴프레서 및 정류기를 포함하는 공장설비(300) 성능에 영향을 주는 복수의 데이터를 IoT센서(200)를 통해 수집하고, 수집한 데이터를 기계 학습하는 오토인코더 기반의 기계학습모델과 상기 기계학습모델이 공장설비(300)의 이상상태를 탐지하는 것을 제안한다.

이하에서, 본 발명의 일 실시 예에 따르는 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 시스템에 대하여 설명하도록 한다.

도1을 참조하면, 본 발명의 일 실시 예에 따르는 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 시스템은 서버(100), IoT센서(200) 및 공장설비(300)를 포함하여 구성될 수 있다.

도2에 도시된 바와 같이, 본 발명의 일 실시 예에 따르는 서버(100)는 기계학습모델 및 IoT 데이터 기반의 공장설비(300) 이상탐지 방법을 수행하는 프로그램(또는 애플리케이션)이 저장된 메모리와 DB를 포함하며 위 프로그램을 실행하는 프로세서를 포함하여 구성될 수 있다. 여기서 프로세서는 메모리에 저장된 프로그램의 실행에 따라 다양한 기능을 수행할 수 있다.

또한, 서버(100)는 IoT 데이터를 수신하여, 전처리한 뒤 오토인코더 기반의 기계학습모델에 적용함으로써 특정 공장설비(300) 또는 복수의 공장설비(300)에 대한 이상 여부를 판단할 수 있다.

본 발명의 일 실시 예에 따르는 IoT센서(200)는 컴프레서 및 정류기를 포함하는 공장설비(300)에 내장되거나 설치될 수 있으며, 온도·습도 센서, 진동·소음 센서, 접촉·터치 ·압력 센서, 마이크로폰, 카메라 근접 센서, 조도 센서, 색감 센서, 가속도 센서, 지자기계·자이로스코프 및 IR 동작·체온 센서 등을 포함할 수 있다.

따라서, IoT센서(200)는 공장설비(300)의 예지보전 운영 관리에서 결과로 연결되는 중요한 영향인자들로 지목되는 압력, 온도 및 진동 등에 대한 데이터를 수집하며, 이를 서버(100)로 제공할 수 있다.

본 발명의 또 다른 실시 예에 따르면, IoT센서(200)는 센서로 압력이 6000 마력 이하 또는 9000 마력 이상 시 장비 가동 중단 알람이 시동되는 것일 수 있으며, 측정되는 온도가 110도 이상이 될 경우 및 105도로 2초간 이상 유지될 경우, 자동으로 컴프레서 및 정류기를 포함하는 공장설비(300)를 중단하고 사후 조치로서, 해당 공장설비(300)의 관리자 단말로 알림 메시지를 송신하는 제어유닛을 포함하는 것일 수 있다.

또한, 본 발명의 일 실시 예에 따르는 공장설비(300)는 정류기, 회전기기 및 컴프레서를 포함하는 것으로서, 실제 산업현장에 활용되는 일체의 공장설비(300)를 포함하며, IoT센서(200)가 내장되거나 외부에 설치된 것으로, 상기 IoT센서(200)로부터 해당 공장설비(300)의 내부 또는 외부로부터 해당 공장설비(300)가 설치된 환경 및 해당 공장설비(300)에 대한 복수의 데이터가 수집되는 것일 수 있다.

또한, IoT센서(200)로부터 수집되는 IoT데이터 중 눈으로 관측 가능한 시계열 데이터는 해당 데이터의 특성을 시간적인 특성으로 변환하는 전처리를 수행하기 위해, 서버(100)가 LSTM 레이어를 이용하여 오토인코더를 구성하여 데이터 라벨링 없이 기계학습을 수행하는 것일 수 있다.

따라서, 본 발명의 추가 실시 예에 따르는 서버(100)는 IoT센서(200)로부터 복수의 시계열 데이터를 수집하고, 전처리 한 뒤 일정 기간을 훈련하여, 신규 또는 기 설정된 기간 동안 관측된 데이터에 대하여 이상여부를 판별하도록 사전 훈련 모델 기반의NoSQL DB를 구축할 수도 있다.

또한, 서버(100)는 API(Appolication Programming Inteface)를 적용하여 관찰 대상 공장설비(300)의 이상여부 판별에 대한 모의 실험을 수행할 수도 있다.

예를 들어, 서버(100)는 IoT센서(200)로부터 수집한 공장설비(300)의 압력이 6000 마력 이하 또는 9000 마력 이상 시 장비 가동 중단 알람을 시동할 수 있으며 110도 이상이 될 경우, 105도로 2초간 이상 유지될 경우 자동으로 공장설비(300)를 중단하고 사후 조치가 시행할 수 있다.

또한, IoT센서(200)로부터 다변량 시계열 데이터를 수집하고, 전처리 한 뒤, 일정 기간을 훈련, 신규 데이터에 대해 실시간 이상치를 판별하도록 사전 훈련 모델 기반 NoSQLDB 구축 및 API(Appolication Programming Inteface)를 적용하여 기계학습모델을 생성할 수 있다.

따라서, 본 발명의 일 실시 예에 따르면, 서버(100)는 실시간 현장 시스템에서 공장설비(300)에 설치된 IoT센서(200)로 데이터를 수집하고, 수집한 데이터를 전처리한 뒤, 오토인코더 기반의 기계학습모델에 적용함으로써, 이상여부를 판단하는 기술이며, 수집된 데이터가 시계열 데이터인 경우, 시계열 데이터 특성으로 시간적인 특성을 담을 수 있는 LSTM 레이어를 이용하여 오토인코더를 구성하여 데이터 라벨링 없이 관찰대상의 이상여부를 판별할 수 있다.

인코더(Encoder)는 다변량 데이터를 압축하여 특징(feature)로 변환시키며 디코더(Decoder)는 인코더에서 받은 특징을 이용하여 다변량 데이터를 재구성 한 뒤 인코더의 입력 데이터와 디코더의 출력 데이터의 차이로 이상점수(anomaly score)로써 정해진 임계값(Threshold)보다 큰 경우 이상치로 판별함에 따라 이상감지 모델의 강건성(Robustness)을 입증할 수 있다.

또한, 인코더(Encoder)는 다변량 데이터를 압축하여 특징(Feature)로 변환시키며 디코더(Decoder)는 인코더에서 받은 특징을 이용하여 다변량 데이터를 재구성 한 뒤 인코더의 입력 데이터와 디코더의 출력 데이터의 차이로 이상점수(Anomaly score)로써 정해진 임계값(Threshold)보다 큰 경우 이상 치로 판별함에따라 이상감지 모델의 강건성(Robustness)을 입증하는 것일 수 있다.

이하에서, 본 발명의 일 실시 예에 따라, 공장설비(300)가 공기압축기의 컴프레서와 정류기인 경우를 예로 들어, 기계학습모델 및 IoT데이터 기반의 공장설비 이상탐지 방법에 대하여 설명하도록 한다.

본 발명의 일 실시 예에 따르는 기계학습모델 및 IoT데이터 기반의 공장설비 이상탐지 방법은 공기압축기의 컴프레서와 정류기를 포함하는 공장설비(300)에 부착된 IoT센서(200)가 공장설비(300)에 대한 IoT 데이터를 수집할 수 있다.

이때, IoT 데이터는, 기 설정된 기간 동안의 전압 값, 전류 값, 압력 값, 온도 값, 습도 값 및 진동 값을 포함하는 것일 수 있다.

본 발명의 추가 실시 예에 따르면 IoT센서(200)가 IoT데이터를 수집할 기 설정된 기간은 사용자로부터 서버(100)에 입력되거나, 후술할 기계학습모델에 의해 산출되어 설정되는 것일 수도 있다.

본 발명의 추가 실시 예에 따르면 IoT센서(200)로부터 수집된 IoT데이터는 서버(100)로 전송되어, 서버(100)에 의해 전처리 될 수 있다.

이때, 재구성 오류가 정규분포를 따른다고 가정하면, IoT센서(200)로부터 수집한 IoT데이터의 전처리 방식은 정규분포의 파라미터를 MSE(Maximum Likelihood Estimation)로 계산하는 제1방식과 각 특징 별로 모델을 개별적으로 학습하는 방법으로 입력 특징 개수만큼 따로 각 시간단계(time step)마다 다음 단계만 예측하여 실제 값과의 차이로 비슷한 값이 아니면 비정상으로 분류하는 제2방식이 사용될 수 있다.

제1방식에서는 이상점수가 사용자가 지정한 임계 치를 상회할 시 비정상으로 정의하지만 임계 치를 선택하는 방법론 개선에 대한 부문은 본 명세서에서는 설명하지 않는다.

제2방식에서는 비슷한 임계 값이 반복되지 않는다는 가정으로 이상점수의 최소치를 정하고 이를 넘지 않는 임계 값들은 정상치로 재 분류하는데 이 방식에서는 이상치가 반복 될 수 있다는 가정으로 특이 값에 영향을 덜 받는 MAE 에러분포를 통해 임계 값을 설정하고 판별할 수 있다.

이때, 본 발명의 일 실시 예에 따르는 이상점수는 인코더의 입력 데이터인 상기 IoT 데이터와 디코더의 출력 데이터인 예측 데이터 간의 차이 값 및 상기 공장설비(300)의 종류 별로 미리 설정된 값이며, 추가적으로 MAE(Mean Absolute Error) 방식으로 설정되는 것일 수 있다.

다음으로, 서버(100)는 전처리된 IoT데이터 또는 원본 IoT데이터를 활용하여 기계학습모델을 생성하고 이상점수를 산출할 수 있다.

기계학습모델의 생성 과정에 있어서, 본 발명의 일 실시 예에 따르는 기계학습모델은 비지도 학습 기반의 기계학습 모델일 수 있다.

이와 관련하여, 라벨이 되어있는 지도 학습의 경우, 일반적인 분류 모델을 이용하여 진행하면 되나, 라벨이 없는 비지도 학습의 경우 분류 모델의 학습이 불가능 하여 다른 모델이 필요하다.

따라서, 본 발명은 비지도 학습 중, 데이터를 입력 받고 입력 받은 데이터를 예측함으로써 데이터의 예측 가능 여부를 이상 여부로 판단할 수 있는 Autoencoder 방식을 따르는 것일 수 있다.

따라서, 본 발명의 일 실시 예에 따르는 기계학습모델이 예측 가능한 데이터는 예측 가능한 데이터를 정상, 예측 불가능한 데이터를 비정상으로 판단하는 형식으로 진행될 수 있다.

상술한 바와 같은 기계학습모델은 인코더부 및 디코더부를 포함하고, 인코더부가 기계학습모델이 학습할 입력데이터인 상기 IoT 데이터를 잠재변수로 변환하고, 디코더부가 상기 잠재변수를 학습한 결과 데이터인 예측 데이터로 변환하여, IoT 데이터와 기 설정된 수치 이상 근사 하는 상기 예측 데이터를 산출하는 것일 수 있다.

입력 데이터와 예측 데이터간의 MAE(Mean Absolute Error)를 이상점수로 설정하고, 이를 이용하여 해당 데이터의 이상여부 판단 및 이상 정도를 측정할 수 있으며, 기계학습모델은 상기 판단 및 측정 정보를 토대로 임계 값을 설정하여 임계 값 이상을 비정상으로 판단할 수 있다.

본 발명의 일 실시 예에 따르는 기계학습모델은, 입력데이터를 잠재변수로 변환하는 인코더(Encoder) 부분과 잠재변수를 출력 데이터로 변환하는 디코더(Decoder) 부분으로 구성되는 LSTM 오토인코더((Long Short Term Memory Autoencoder, 이하 오토인코더) 방식일 수 있다.

오토인코더는 입력된 데이터를 인코더와 디코더를 거쳐 상기 입력된 데이터에 기설정된 수치 이상 근사하는 예측 데이터를 출력하는 것일 수 있다.

인코더는 IoT 데이터를 기 설정된 알고리즘에 따라 압축하여 잠재변수로 변환하고, 디코더가 기 설정된 알고리즘에 따라 상기 인코더에서 변환한 상기 잠재변수를 이용하여 상기 IoT 데이터를 재구성한 예측 데이터를 산출하여, MAE방식을 통해 IoT 데이터와 예측 데이터의 차이로부터 이상점수를 산출할 수 있다.

이때, 기계학습모델을 생성하는 데 활용되는 학습데이터인 입력데이터는 IoT센서(200)로부터 수집된 데이터를 활용할 수 있으며, 본 발명의 추가 실시 예에 따르면, 입력데이터는 시간(예를 들어, 1분 단위) 당 내부압력, 내부온도, 외부온도, 외부습도 및 진동량을 더 포함할 수 있다.

다시 말해, 서버(100)는 기 설정된 알고리즘에 따라 비지도방식의 기계학습모델을 생성하되, 상기 입력데이터를 학습데이터로 활용할 수 있으며, 학습데이터 중 출력데이터는 정상 및 비정상을 포함하는 공장설비(300)의 상태에 대한 판단에 활용되는 예측 데이터일 수 있다.

이때, 기계학습모델의 활성화 함수는 Adam, 손실함수는 MAE를 사용할 수 있으며, 학습 파라미터로 배치사이즈를 128로 설정하고, 과적합 방지를 위해 EarlyStopping을 적용하여 4 epoch 동안 성능 향상이 없을 시, 조기 종료 하도록 설정한 경우, 도시된 바와 같이 학습한 결과가 기 설정된 시간 이후(5 epoch)에서 종료되며 성능에 대한 정보를 획득할 수 있다.

또한, 본 발명의 일 실시 예에 따르는 서버(100)는 생성된 기계학습모델의 성능평가에 있어서, 기계학습모델의 훈련결과를 훈련 성적과 실험 성적으로 산출하고 이를 비교하여 성능을 평가할 수 있다.

도3을 참조하면, 상술한 바와 같이 학습 파라미터를 설정하여 기계학습을 수행하고, 기계학습모델의 성능에 대한 정보를 하측의 훈련데이터와 상측의 실험데이터로 도시하였을 때, 5 epoch에서 성능이 0.225를 기록하여 훈련데이터와 실험데이터가 유의미한 차이를 보이지 않으므로, 이를 통해 해당 모델의 성능을 알 수 있다.

도4를 참조하면, 훈련 데이터에 대한 MAE 히스토그램을 나타낸 것으로서, 전체 [0.1 ~ 0.5] 에 분포하고, 대부분 [0.2 ~ 0.3] 사이의 값을 나타내고 있다.

도4에 도시된 바와 같이 MAE분포 그래프를 살펴보면, MAE 값은 모델의 성능 평가 지표 중 하나로, 모델의 예측 값(훈련 데이터)과 실제 값(실험 데이터)의 차이에 절대값을 취해 그 값들을 모두 합하는 개념이며, 직관적으로 알 수 있고, MSE 보다 특이 값에 더 강건하기 때문에 기계학습모델을 생성하기에 보다 적합함을 알 수 있다.

다음으로, 본 발명의 일 실시 예에 따르는 기계학습모델은 이상점수가 기 설정된 임계 값 이상인 경우, 상기 IoT 데이터를 예측 불가능한 데이터로 판단하여 비정상상태로 구분하고, 상기 이상점수가 기 설정된 임계 값 미만인 경우, 상기 IoT 데이터를 예측 가능한 데이터로 판단하여 정상상태로 구분할 수 있다.

이때, 서버(100)는 기 설정된 임계 값은 임계 값의 설정에 있어서, 관찰대상 공장설비(300)에 부착된 IoT센서(200)로부터 수집되는 IoT 데이터가 반복될 수 있다고 가정하여 에러분포를 통해 임계 값을 평가 및 재설정할 수 있다.

본 발명의 일 실시 예에 따르면, 서버(100)는 실제 이상이 발생하였는지 여부에 따라 관리자에 의해 지정된 이상점수를 수신하고 지정된 이상점수와, 기계학습모델이 출력한 이상점수와의 차이를 기초로 MAE(Mean Absolute Error)를 계산하고, IoT센서(200)로부터 IoT데이터를 수신한 각 시점마다 MAE를 수집함으로써, 다수의 MAE에 대한 분포그래프를 형성할 수 있다.

상술한 바와 같이 생성된 MAE에 대한 분포 그래프는, 서버(100)에 의해 분포 그래프 상의 중앙값을 기초로 임계값을 재설정하는 것에 활용될 수 있다.

본 발명의 또 다른 실시 예에 따르면, 임계 값의 재설정은 서버(100)가 사용자 입력에 따라 MAE 에 대한 실제값을 수신하고, 기계학습모델이 출력한 값인 예측 데이터를 기초로 계산된 MAE 에 대한 계산값을 수신하여, 상기 실제값과 계산값 간의 차이에 대한 절대값을 계산하여, 절대값에 대한 분포그래프를 형성한 후, 분포 그래프 상의 중앙값으로 임계값을 재설정하는 것일 수도 있다.

상술한 과정을 통해 생성된 기계학습모델과 앞서 설정된 임계 값이 0.4로 설정되었다고 가정하는 경우, 임계 값을 이용하여 이상탐지를 수행하였을 때, 도5 및 도6과 같이 실험 데이터에 대한 시간 별 MAE그래프를 산출할 수 있다.

이하에서, 공장설비(300)의 상태판단을 본 발명의 일 실시 예에 따르는 시스템에 따르며, 공장설비(300) 중 컴프레서에 IoT센서(200)가 설치되고, 2021년 10월 1일부터 2021년 10월 19일까지를 이상 감지 진행 기간으로 설정한다고 가정하여 설명하도록 한다.

도5 는, 실험 데이터에 대하여 시간 별 이상 감지를 진행한 결과이며, 0.4 이상일 경우 이상으로 감지됨에 따라, 도시된 바와 같이, 기 설정된 임계 값인 0.4 이상의 10월 12일 데이터를 컴프레서에 이상이 발생한 것으로 판단하였음을 알 수 있다.

도6의 경우, 훈련 실험 데이터를 모두 합친 데이터에 대해 이상 감지를 진행한 결과이며, 종합적으로 봤을 때 데이터가 임계값(0.4) 아래 인 경우, 컴프레서를 정상상태로 판단하고, 임계값을 초과한 10월 2일과 10월 12일에 컴프레서에 이상이 발생한 것으로 감지하였음을 알 수 있다.

따라서, 상술한 바와 같은 과정을 통하여 생성 및 평가된 기계학습모델은 특정 기간 동안 컴프레서에 대한 이상 감지를 수행할 수 있다.

또한, 본 발명의 일 실시 예에 따르는 기계학습모델 및 IoT데이터 기반의 공장설비 이상탐지 방법에 따르면, 서버(100)는 앞서 산출한 이상점수의 최소치를 설정하고, 상기 최소치를 초과하지 않으며, 기 설정된 기간 동안 기 설정된 횟수 이상 연속하여 또는 연속하지 않으며 발생하는 적어도 하나 이상의 비정상상태를 정상상태로 재분류할 수 있다.

다시 말해, 특정 기간 동안 특성 횟수 이상 연속하거나 유의미한 횟수를 보이며 발생하는 비정상상태에 대하여 상술한 사항에 해당하지 않은 비정상상태와 구분할 수 있으며, 이를 통해 구분된 비정상상태를 정상상태로 분류하는 기능을 수행할 수 있다.

이때, 상기 최소치는, 기 설정된 기간 동안 발생한 적어도 하나 이상의 IoT 데이터 간의 평균 값에 설정계수를 입력 받아 곱한 것일 수 있으며, 설정계수는 사용자로부터 입력 받아 기 설정되는 것일 수 있다.

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

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

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

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

100: 서버 200: IoT센서
300: 공장설비

Claims (10)

1. 서버에 의해 수행되는 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법에 있어서,
   (a) 공기압축기의 컴프레서와 정류기를 포함하는 공장설비에 부착된 IoT센서로부터 공장설비에 대한 IoT 데이터를 수집하는 단계;
   (b) 상기 IoT 데이터를 기반으로 기계학습모델을 생성하고 이상점수를 산출하는 단계; 및
   (c) 상기 기계학습모델이 상기 이상점수를 기반으로 상기 공장설비를 정상상태 및 비정상상태로 구분하는 단계;를 포함하고,
   상기 (c)단계는,
   상기 이상점수가 기 설정된 임계 값 이상인 경우, 상기 IoT 데이터를 예측 불가능한 데이터로 판단하여 비정상상태로 구분하고, 상기 이상점수가 기 설정된 임계 값 미만인 경우, 상기 IoT 데이터를 예측 가능한 데이터로 판단하여 정상상태로 구분하는 것이고,
   (d) 상기 임계 값을 평가하고 재설정하는 단계로서, 실제 이상이 발생하였는지 여부에 따라 관리자에 의해 지정된 이상점수와, 상기 기계학습모델이 출력한 이상점수와의 차이를 기초로 MAE(Mean Absolute Error)를 계산하고, 각 시점마다 MAE를 수집함으로써, 다수의 MAE에 대한 분포그래프를 형성한 후, 분포 그래프 상의 중앙값을 기초로 임계값을 재설정하는 단계;를 더 포함하는,
   기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법.
2. 제1항에 있어서,
   상기 IoT 데이터는, 기 설정된 기간 동안의 전압 값, 전류 값, 압력 값, 온도 값, 습도 값 및 진동 값을 포함하는 것인, 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법.
3. 제1항에 있어서,
   상기 (b)단계는,
   상기 기계학습모델은, 인코더부 및 디코더부를 포함하고, 상기 인코더부가 상기 기계학습모델이 학습할 입력데이터인 상기 IoT 데이터를 잠재변수로 변환하고, 상기 디코더부가 상기 잠재변수를 학습한 결과 데이터인 예측 데이터로 변환하여, 상기 IoT 데이터와 기 설정된 수치 이상 근사 하는 상기 예측 데이터를 산출하는 것인, 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법.
4. 제1항에 있어서,
   상기 (b)단계는,
   (b-1) 인코더가 상기 IoT 데이터를 기 설정된 알고리즘에 따라 압축하여 잠재변수로 변환하는 단계;
   (b-2) 디코더가 기 설정된 알고리즘에 따라 상기 인코더에서 변환한 상기 잠재변수를 이용하여 상기 IoT 데이터를 재구성한 예측 데이터를 산출하는 단계; 및
   (b-3) 상기 IoT 데이터와 상기 예측 데이터의 차이로부터 이상점수를 산출하는 단계;를 포함하는, 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법.
5. 삭제
6. 삭제
7. 삭제
8. 제1항에 있어서,
   (e) 상기 이상점수의 최소치를 설정하고, 상기 최소치를 초과하지 않으며, 기 설정된 기간 동안 기 설정된 횟수 이상 연속하여 또는 연속하지 않으며 발생하는 적어도 하나 이상의 비정상상태를 정상상태로 재분류하는 단계;를 포함하는, 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법.
9. 제8항에 있어서,
   상기 최소치는,
   기 설정된 기간 동안 발생한 적어도 하나 이상의 IoT 데이터 간의 평균 값에 설정계수를 입력 받아 곱한 것인, 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법.
10. 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법을 수행하는 서버에 있어서,
    기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법을 수행하기 위한 프로그램이 저장된 메모리; 및
    상기 프로그램을 실행하기 위한 프로세서;를 포함하며,
    상기 방법은,
    (a) 공기압축기의 컴프레서와 정류기를 포함하는 공장설비에 부착된 IoT센서로부터 공장설비에 대한 IoT 데이터를 수집하는 단계;
    (b) 상기 IoT 데이터를 기반으로 기계학습모델을 생성하고 이상점수를 산출하는 단계; 및
    (c) 상기 기계학습모델이 상기 이상점수를 기반으로 상기 공장설비를 정상상태 및 비정상상태로 구분하는 단계;를 포함하고,
    상기 (c)단계는,
    상기 이상점수가 기 설정된 임계 값 이상인 경우, 상기 IoT 데이터를 예측 불가능한 데이터로 판단하여 비정상상태로 구분하고, 상기 이상점수가 기 설정된 임계 값 미만인 경우, 상기 IoT 데이터를 예측 가능한 데이터로 판단하여 정상상태로 구분하는 것이고,
    (d) 상기 임계 값을 평가하고 재설정하는 단계로서, 실제 이상이 발생하였는지 여부에 따라 관리자에 의해 지정된 이상점수와, 상기 기계학습모델이 출력한 이상점수와의 차이를 기초로 MAE(Mean Absolute Error)를 계산하고, 각 시점마다 MAE를 수집함으로써, 다수의 MAE에 대한 분포그래프를 형성한 후, 분포 그래프 상의 중앙값을 기초로 임계값을 재설정하는 단계;를 더 포함하는, 기계학습모델 및 IoT 데이터 기반의 공장설비 이상탐지 방법을 수행하는 서버.
    

Images