KR102570576B1 - 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치 - Google Patents

비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치 Download PDF

Info

Publication number
KR102570576B1
KR102570576B1 KR1020210045176A KR20210045176A KR102570576B1 KR 102570576 B1 KR102570576 B1 KR 102570576B1 KR 1020210045176 A KR1020210045176 A KR 1020210045176A KR 20210045176 A KR20210045176 A KR 20210045176A KR 102570576 B1 KR102570576 B1 KR 102570576B1
Authority
KR
South Korea
Prior art keywords
model
determination result
failure determination
sensor data
learning model
Prior art date
Application number
KR1020210045176A
Other languages
English (en)
Other versions
KR20220139044A (ko
Inventor
김희수
최원석
Original Assignee
엘아이지넥스원 주식회사
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 엘아이지넥스원 주식회사 filed Critical 엘아이지넥스원 주식회사
Priority to KR1020210045176A priority Critical patent/KR102570576B1/ko
Publication of KR20220139044A publication Critical patent/KR20220139044A/ko
Application granted granted Critical
Publication of KR102570576B1 publication Critical patent/KR102570576B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

본 실시예들은 비지도 학습 모델과 지도 학습 모델을 모두 적용하되, 복수 유형의 센서 데이터를 획득하고 통합하여 통합된 센서 데이터에 대해서 비지도 학습 모델을 기반으로 추론한 제1 고장 판단 결과와 통합된 센서 데이터를 데이터 변환한 변환 이미지에 대해서 지도 학습 모델을 기반으로 추론한 제2 고장 판단 결과를 비교한 결과를 이용하여 지도 학습 모델을 학습하는 방식을 통해 학습에 필요한 학습 데이터를 충분히 확보하면서 고장 판단의 신뢰도를 높이고 다양한 고장 상황을 적응적으로 판단할 수 있는 고장 진단 방법 및 장치를 제공한다.

Description

비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치 {METHOD AND APPARATUS FOR DIAGNOSING ERROR USING UNSUPERVISED LEARNING AND SUPERVISED LEARNING}
본 발명이 속하는 기술 분야는 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
기계적 전자적 장치는 구동에 따른 노후화 또는 주변 환경에 의한 외부적인 요인 등에 의해 고장이 발생할 수 있다. 고장 상황을 극복하고 정상 동작을 수행하기 위해서는 장치에서 발생한 고장의 종류 및 발생 위치를 정확하게 진단해야 한다.
기존의 방식으로 엔지니어가 직접 정해준 기준에 따라 설계된 모델을 적용하는 방식이 있다. 엔지니어가 모델링을 수행하여 설계한 모델을 통해 장치의 파라미터, 상태 또는 상태 변화를 예측하여 오차를 비교하여 고장 여부를 진단하는 방식을 적용한다. 기존의 모델링 방식은 정상 상태 또는 고장 상태에 대한 모델이 필요하고, 고장 상황이 더 발생할수록 더 많은 고장 상태에 대한 모델을 추가로 설계해야 한다.
다른 방식으로 기계 학습을 적용하는 방식이 있다. 사전 학습을 통해 장치의 다양한 고장 상황을 진단할 수 있다. 기존의 기계 학습 방식 역시 사전 데이터가 부족하면 훈련 과정에서 적절한 특징을 선택하지 못하거나 편향된 추론을 수행하여 고장 판단 결과의 정확도가 요구사항에 만족스럽지 못하게 된다.
모든 시스템에서는 고장을 정확하게 진단하는 것이 중요하며, 미리 고장을 진단할 수 있다면 시스템을 출시하고 나서 고장이 났을 때의 사후 처리 비용을 최소화할 수 있다.
한국등록특허공보 제10-2091076호 (2020.03.13.)
본 발명의 실시예들은 비지도 학습 모델과 지도 학습 모델을 모두 적용하되, 복수 유형의 센서 데이터를 획득하고 통합하여 통합된 센서 데이터에 대해서 비지도 학습 모델을 기반으로 추론한 제1 고장 판단 결과와 통합된 센서 데이터를 데이터 변환한 변환 이미지에 대해서 지도 학습 모델을 기반으로 추론한 제2 고장 판단 결과를 비교한 결과를 이용하여 지도 학습 모델을 학습하는 방식을 통해 학습에 필요한 학습 데이터를 충분히 확보하면서 고장 판단의 신뢰도를 높이고 다양한 고장 상황을 적응적으로 판단하는데 주된 목적이 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
본 실시예의 일 측면에 의하면 고장 진단 장치에 의한 고장 진단 방법에 있어서, 복수 유형의 센서 데이터를 획득하는 단계; 데이터 통합 모델을 기반으로 상기 복수 유형의 센서 데이터를 통합하여 통합된 센서 데이터를 출력하는 단계; 비지도 학습 모델을 기반으로 상기 통합된 센서 데이터에 대한 제1 고장 판단 결과를 출력하는 단계; 변환 모델을 기반으로 상기 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력하는 단계; 및 지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계를 포함하며, 상기 지도 학습 모델은 상기 제1 고장 판단 결과 및 상기 제2 고장 판단 결과를 비교한 결과에 따라 오차를 정정하도록 학습되는 것을 특징으로 하는 고장 진단 방법을 제공한다.
상기 변환 모델을 기반으로 상기 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력하는 단계는, 제1 변환 모델을 기반으로 상기 통합된 센서 데이터를 주파수 변환을 수행하여 제1 변환 이미지를 출력하는 단계; 및 제2 변환 모델을 기반으로 상기 통합된 센서 데이터를 통계적 처리를 수행하여 제2 변환 이미지를 출력하는 단계를 포함할 수 있다.
상기 지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계는, 제1 지도 학습 모델을 기반으로 상기 제1 변환 이미지에 대한 제2-1 고장 판단 결과를 출력하는 단계; 및 제2 지도 학습 모델을 기반으로 상기 제2 변환 이미지에 대한 제2-2 고장 판단 결과를 출력하는 단계를 포함할 수 있다.
상기 지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계는, 상기 제2-1 고장 판단 결과 및 상기 제2-2 고장 판단 결과를 종합하여 최종 고장 판단 결과를 출력할 수 있다.
상기 제1 지도 학습 모델 및 상기 제2 지도 학습 모델은 상기 제1 지도 학습 모델의 네트워크에 포함된 제1 가중치와 상기 제2 지도 학습 모델의 네트워크에 포함된 제2 가중치를 일부 공유할 수 있다.
상기 데이터 통합 모델은 상기 복수 유형의 센서 데이터를 정규화할 수 있다.
상기 데이터 통합 모델은, 상기 정규화한 복수 유형의 센서 데이터를 믹스하여 복수의 그룹으로 그룹핑하고, 상기 복수의 그룹에서 기준 그룹을 선정하고, 각 그룹을 대표하는 기준 데이터를 선정하고, 상기 복수의 그룹의 기준 데이터와 상기 기준 그룹의 기준 데이터 간에 제1 차이값을 산출하고, 상기 복수의 그룹의 기준 데이터와 기준 데이터가 아닌 나머지 센서 데이터 간에 제2 차이값을 산출하여, 상기 제1 차이값과 상기 제2 차이값을 조정한 새로운 그룹과 새로운 데이터를 생성하여, 센서 데이터를 증가시킬 수 있다.
상기 비지도 학습 모델은 생성 모델 및 판별 모델을 포함하며, 상기 생성 모델 및 상기 판별 모델이 상호 작용하는 적대적 생성 신경망에서 정의된 손실 함수를 학습한 결과를 이용하여 상기 제1 고장 판단 결과를 교정할 수 있다.
본 실시예의 다른 측면에 의하면 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하는 고장 진단 장치에 있어서, 상기 프로세서는, 복수 유형의 센서 데이터를 획득하고, 데이터 통합 모델을 기반으로 상기 복수 유형의 센서 데이터를 통합하여 통합된 센서 데이터를 출력하고, 비지도 학습 모델을 기반으로 상기 통합된 센서 데이터에 대한 제1 고장 판단 결과를 출력하고, 변환 모델을 기반으로 상기 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력하는 단계; 및 지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계를 포함하며, 상기 지도 학습 모델은 상기 제1 고장 판단 결과 및 상기 제2 고장 판단 결과를 비교한 결과에 따라 오차를 정정하도록 학습되는 것을 특징으로 하는 고장 진단 장치를 제공한다.
이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 비지도 학습 모델과 지도 학습 모델을 모두 적용하되, 복수 유형의 센서 데이터를 획득하고 통합하여 통합된 센서 데이터에 대해서 비지도 학습 모델을 기반으로 추론한 제1 고장 판단 결과와 통합된 센서 데이터를 데이터 변환한 변환 이미지에 대해서 지도 학습 모델을 기반으로 추론한 제2 고장 판단 결과를 비교한 결과를 이용하여 지도 학습 모델을 학습하는 방식을 통해 학습에 필요한 학습 데이터를 충분히 확보하면서 고장 판단의 신뢰도를 높이고 다양한 고장 상황을 적응적으로 판단할 수 있는 효과가 있다.
여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.
도 1은 본 발명의 일 실시예에 따른 고장 진단 장치를 예시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 고장 진단 장치에 적용된 학습 모델을 예시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 고장 진단 장치의 비지도 학습 모델을 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 고장 진단 장치의 변환 모델을 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 고장 진단 장치의 지도 학습 모델을 예시한 도면이다.
도 6은 본 발명의 다른 실시예에 따른 고장 진단 방법을 예시한 흐름도이다.
이하, 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하고, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 고장 진단 장치를 예시한 블록도이다.
고장 진단 장치(110)는 적어도 하나의 프로세서(120), 컴퓨터 판독 가능한 저장매체(130) 및 통신 버스(170)를 포함한다.
프로세서(120)는 고장 진단 장치(110)로 동작하도록 제어할 수 있다. 예컨대, 프로세서(120)는 컴퓨터 판독 가능한 저장 매체(130)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 컴퓨터 실행 가능 명령어는 프로세서(120)에 의해 실행되는 경우 고장 진단 장치(110)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능한 저장 매체(130)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능한 저장 매체(130)에 저장된 프로그램(140)은 프로세서(120)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독한 가능 저장 매체(130)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 고장 진단 장치(110)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(170)는 프로세서(120), 컴퓨터 판독 가능한 저장 매체(130)를 포함하여 고장 진단 장치(110)의 다른 다양한 컴포넌트들을 상호 연결한다.
고장 진단 장치(110)는 또한 하나 이상의 입출력 장치를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(150) 및 하나 이상의 통신 인터페이스(160)를 포함할 수 있다. 입출력 인터페이스(150) 및 통신 인터페이스(160)는 통신 버스(170)에 연결된다. 입출력 장치(미도시)는 입출력 인터페이스(150)를 통해 고장 진단 장치(110)의 다른 컴포넌트들에 연결될 수 있다.
고장 진단 장치(110)는 인공지능을 고장 진단에 도입하여 고장률을 낮춘다. 영상 인식 등의 컴퓨터 분야에서 인공지능이 사람의 판단보다 뛰어난 결과를 도출하는 사례가 증가하고 있고, 컴퓨터 기술의 발달로 빅데이터의 수집이 가능한 상황에서 인공지능은 빠른 연산이 가능해 활용 가능성이 높다. 고장 진단 장치(110)는 인공지능을 활용하여 비지도 학습의 결과를 지도 학습에 넣는다. 그 결과 지도 학습에서 모든 데이터가 고려되지 않아 정확도가 줄어드는 부분을 보완할 수 있다.
고장 진단 장치(110)는 비지도 학습의 결과를 지도 학습에 입력으로 사용하는 점에서 차별화된다. 고장 진단을 위한 센서 데이터를 수집하고, 비지도 학습을 통해 고장 판단 결과를 만들고, 비지도 학습을 통해 나온 고장 진단 결과를 지도 학습 과정에서 입력으로 넣어 고장 진단을 수행한다.
고장 진단 장치(110)는 비지도 학습 모델과 지도 학습 모델을 모두 적용하되, 복수 유형의 센서 데이터를 획득하고 통합하여 통합된 센서 데이터에 대해서 비지도 학습 모델을 기반으로 추론한 제1 고장 판단 결과와 통합된 센서 데이터를 데이터 변환한 변환 이미지에 대해서 지도 학습 모델을 기반으로 추론한 제2 고장 판단 결과를 비교한 결과를 이용하여 지도 학습 모델을 학습하는 방식을 통해 학습에 필요한 학습 데이터를 충분히 확보하면서 고장 판단의 신뢰도를 높이고 다양한 고장 상황을 적응적으로 판단한다.
복수 유형의 센서 데이터는 상이한 카테고리에 해당하는 센서로부터 획득한 데이터이다. 복수 유형의 센서 데이터는 단일 카테고리 데이터와 달리 다른 클래스로 분류가 가능하다. 예컨대, 제1 센서는 진동 센서, 제2 센서는 공기 유량 센서, 제3 센서는 압력 센서, 제4 센서는 속도 센서 등이 적용될 수 있다. 센서의 유형은 예시일 뿐이며 다른 유형의 데이터를 측정할 수도 있다.
도 2는 본 발명의 일 실시예에 따른 고장 진단 장치에 적용된 학습 모델을 예시한 도면이다.
고장 진단 장치는 특정 장치의 센서 정보를 수집한다. 예를 들어 엔진의 고장을 체크하는 경우에는 진동 센서, 흡기 센서, 압력 센서, 속도 센서 등이 다양한 유형의 센서 정보를 입력으로 받는다.
고장 진단 장치는 데이터 통합 모델(210)을 통해 입력된 센서 정보를 통합하여 저장한다. 복수의 유형의 센서 데이터를 미리 설정된 시간 정보 또는 특정 기준에 따라 매칭시킨다. 일종의 동기화 작업을 수행한다. 각 데이터별로 평균데이터를 빼고 표준편차를 나누는 방식으로 정규화 과정을 진행할 수 있다.
데이터 통합 모델은 복수 유형의 센서 데이터를 정규화할 수 있다. 예컨대, 4개의 센서를 진동 센서, 흡기 센서, 압력 센서, 속도 센서라고 할 때 각 네모의 가로축은 시간축이고, 세로축은 센서에서 측정 가능한 최고 범위이다. 진동 센서가 측정 가능한 범위가 0에서 50일 때 세로축은 0-50으로 표현되며, 속도 센서가 측정 가능한 범위가 -100에서 100일 때 세로축은 0-50으로 표현될 수 있다.
데이터 통합 모델(210)은, 경우에 따라서 정규화한 복수 유형의 센서 데이터를 믹스하여 복수의 그룹으로 그룹핑할 수 있다. 복수의 그룹에서 기준 그룹을 선정하고, 각 그룹을 대표하는 기준 데이터를 선정한다. 복수의 그룹의 기준 데이터와 기준 그룹의 기준 데이터 간에 제1 차이값을 산출하고, 복수의 그룹의 기준 데이터와 기준 데이터가 아닌 나머지 센서 데이터 간에 제2 차이값을 산출하여, 제1 차이값과 제2 차이값을 조정한 새로운 그룹과 새로운 데이터를 생성하여, 센서 데이터를 증가시킬 수 있다. 확장된 센서 데이터는 학습에 사용 가능한 데이터이며 비지도 학습 모델과 지도 학습 모델을 학습하는 과정에서 부족한 데이터를 보충할 수 있다.
고장 진단 장치는 변환 모델(220)을 통해 센서 정보를 영상화시킨다. 센서 정보는 수치 정보로 되어있다는 가정하에 센서 정보를 영상으로 변환한다. 시계열적 수치 데이터를 2차원 또는 3차원 배열에 배치하여 평면 또는 공간 이미지로 변환한다. 센서 정보를 통해 수집된 입력으로 받아 비지도 학습 모델(230)을 통해 고장 판단 데이터를 수집한다.
고장 진단 장치는 영상화된 센서 정보를 지도 학습 모델(240)을 이용하여 고장 판단 결과를 출력하고, 비지도 학습 모델(230)을 통해 나온 고장 판단 결과와 지도 학습 모델(240)을 통해 나온 고장 판단 결과를 비교한다. 비지도 학습을 통한 고장 판단 결과와 지도 학습을 통한 고장 판단 결과를 역 전파 오차법을 이용해 지도 학습 모델(240)을 학습시킬 수 있다.
고장 진단 장치는 변환 모델을 기반으로 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력한다. 변환 모델(220)은 제1 변환 모델(221)과 제2 변환 모델(222)을 포함한다. 제1 변환 모델(221)을 기반으로 통합된 센서 데이터를 주파수 변환을 수행하여 제1 변환 이미지를 출력한다. 제2 변환 모델(222)을 기반으로 통합된 센서 데이터를 통계적 처리를 수행하여 제2 변환 이미지를 출력한다.
고장 진단 장치는 지도 학습 모델을 기반으로 변환 이미지에 대한 제2 고장 판단 결과를 출력한다. 지도 학습 모델(240)은 제1 지도 학습 모델(241)과 제2 지도 학습 모델(242)을 포함한다. 제1 지도 학습 모델(241)을 기반으로 제1 변환 이미지에 대한 제2-1 고장 판단 결과를 출력한다. 제2 지도 학습 모델(242)을 기반으로 제2 변환 이미지에 대한 제2-2 고장 판단 결과를 출력한다.
고장 진단 장치는 지도 학습 모델을 기반으로 변환 이미지에 대한 제2 고장 판단 결과를 출력하며, 제2-1 고장 판단 결과 및 제2-2 고장 판단 결과를 종합하여 최종 고장 판단 결과를 출력할 수 있다. 예컨대, 제2-1 고장 판단 결과 및 제2-2 고장 판단 결과를 결합시킨 데이터를 기준으로 정상 또는 고장을 판단할 수 있다.
제1 지도 학습 모델(241) 및 제2 지도 학습 모델(242)은 제1 지도 학습 모델의 네트워크에 포함된 제1 가중치와 제2 지도 학습 모델의 네트워크에 포함된 제2 가중치를 일부 공유할 수 있다. 제1 지도 학습 모델(241) 및 제2 지도 학습 모델(242)에 입력되는 이미지 데이터가 상이하나 이미지 데이터가 이미지 변환 전의 통합 센서 데이터의 특징으로부터 도출되는 점에서 제1 지도 학습 모델(241) 및 제2 지도 학습 모델(242)는 상호 학습에 영향을 주도록 설계할 수 있다.
비지도 학습 모델과 지도 학습 모델은 입력된 데이터의 특징 정보를 벡터 레벨에서 변환하고, 임베딩 공간을 구성할 수 있다.
도 3은 본 발명의 일 실시예에 따른 고장 진단 장치의 비지도 학습 모델을 예시한 도면이다.
비지도 학습 모델은 입력 데이터와 관련된 레이블 또는 목표가 없이 학습을 수행한다. 비지도 학습 모델은 오토인코더(AutoEncoder), GAN(Generative Adversarial Network) 등으로 구현될 수 있다.
비지도 학습 모델은 노이즈 분포와 특징 정보를 입력받고 새로운 특징 정보를 출력하며, 생성 모델과 판별 모델이 상호 작용하는 적대적 생성 신경망(GAN)으로 구현될 수 있다.
비지도 학습 모델은 생성 모델(310) 및 판별 모델(320)을 포함할 수 있으며, 생성 모델 및 판별 모델이 상호 작용하는 적대적 생성 신경망에서 정의된 손실 함수를 학습한 결과를 이용하여 제1 고장 판단 결과를 교정할 수 있다. 손실 함수를 최소화하는 방향으로 생성 모델 및 판별 모델의 파라미터를 교정할 수 있다.
도 4는 본 발명의 일 실시예에 따른 고장 진단 장치의 변환 모델을 예시한 도면이다.
변환 모델은 센서 정보를 지도 학습 모델에 입력하기 위해서 센서 정보를 이미지로 변환한다. 영상화시키는 두 가지 방식은 주파수 변환과 통계적 처리 방식이 적용된다.
예컨대, 4개의 센서를 진동 센서, 흡기 센서, 압력 센서, 속도 센서라고 할 때, 4개 유형의 센서 데이터를 통합하고 통합된 센서 데이터를 제1 이미지 데이터와 제2 이미지 데이터로 변환한다.
제1 변환 모델(210)은 통합된 센서 데이터를 FFT(Fast Fourier Transform)를 이용해서 주파수 영역의 영상으로 변환한다. 이후 데이터를 제1 변환 모델(210)의 입력으로 사용한다.
제2 변환 모델(220)은 지수이동평균을 통해 오래된 데이터가 미치는 역할을 지수적으로 감쇠하게 만든 그래프를 제2 변환 모델(220)의 입력으로 사용한다. 고장 데이터는 최근의 데이터들에 의해 영향을 많이 받기 때문이다. 제2 변환 모델(220)의 처리 방식을 수학식 2로 표현할 수 있다.
V는 현재의 값, B는 0~1의 값으로 여기서는 0.5을 사용할 수 있으나, 요구되는 설계사항에 따라 적절한 값을 사용할 수 있다. θ는 새로 들어온 데이터이다.
최종적으로 두 지도 학습 모델로 이미지 데이터를 입력하고 고장 정상의 여부를 판단한다.
도 5는 본 발명의 일 실시예에 따른 고장 진단 장치의 지도 학습 모델을 예시한 도면이다.
지도 학습은 정답이 주어진 상태에서 학습을 수행한다.
지도 학습 모델은 특징 추출 모델을 포함할 수 있으며, 지도 학습 모델은 CNN(Convolutional Neural Network)으로 구현될 수 있다. 지도 학습 모델은 다수의 레이어가 네트워크로 연결되며 히든 레이어를 포함한다. 레이어는 파라미터를 포함할 수 있고, 레이어의 파라미터는 학습가능한 필터 집합을 포함한다. 필터는 컨볼루션 필터를 적용할 수 있다. 파라미터는 노드 간의 가중치 및/또는 바이어스를 포함한다.
도 5에 도시된 모델 구조 뿐만 아니라 적용 가능한 CNN 네트워크는 다양한 연결 구조로 설계될 수 있다.
도 6은 본 발명의 다른 실시예에 따른 고장 진단 방법을 예시한 흐름도이다. 고장 진단 방법은 고장 진단 장치에 의해 수행될 수 있다.
단계 S10에서는 복수 유형의 센서 데이터를 획득한다.
단계 S20에서는 데이터 통합 모델을 기반으로 복수 유형의 센서 데이터를 통합하여 통합된 센서 데이터를 출력한다.
단계 S30에서는 비지도 학습 모델을 기반으로 통합된 센서 데이터에 대한 제1 고장 판단 결과를 출력한다.
단계 S40에서는 변환 모델을 기반으로 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력한다.
단계 S50에서는 지도 학습 모델을 기반으로 변환 이미지에 대한 제2 고장 판단 결과를 출력한다.
지도 학습 모델은 제1 고장 판단 결과 및 제2 고장 판단 결과를 비교한 결과에 따라 오차를 정정하도록 학습을 수행한다.
고장 진단 장치는 하드웨어, 펌웨어, 소프트웨어 또는 이들의 조합에 의해 로직회로 내에서 구현될 수 있고, 범용 또는 특정 목적 컴퓨터를 이용하여 구현될 수도 있다. 장치는 고정배선형(Hardwired) 기기, 필드 프로그램 가능한 게이트 어레이(Field Programmable Gate Array, FPGA), 주문형 반도체(Application Specific Integrated Circuit, ASIC) 등을 이용하여 구현될 수 있다. 또한, 장치는 하나 이상의 프로세서 및 컨트롤러를 포함한 시스템온칩(System on Chip, SoC)으로 구현될 수 있다.
고장 진단 장치는 하드웨어적 요소가 마련된 컴퓨팅 디바이스 또는 서버에 소프트웨어, 하드웨어, 또는 이들의 조합하는 형태로 탑재될 수 있다. 컴퓨팅 디바이스 또는 서버는 각종 기기 또는 유무선 통신망과 통신을 수행하기 위한 통신 모뎀 등의 통신장치, 프로그램을 실행하기 위한 데이터를 저장하는 메모리, 프로그램을 실행하여 연산 및 명령하기 위한 마이크로프로세서 등을 전부 또는 일부 포함한 다양한 장치를 의미할 수 있다.
도 6에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 6에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.
본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있다. 컴퓨터 판독 가능한 매체는 실행을 위해 프로세서에 명령어를 제공하는 데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예를 들면, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.
본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (12)

  1. 고장 진단 장치에 의한 고장 진단 방법에 있어서,
    복수 유형의 센서 데이터를 획득하는 단계;
    데이터 통합 모델을 기반으로 상기 복수 유형의 센서 데이터를 통합하여 통합된 센서 데이터를 출력하는 단계;
    비지도 학습 모델을 기반으로 상기 통합된 센서 데이터에 대한 제1 고장 판단 결과를 출력하는 단계;
    변환 모델을 기반으로 상기 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력하는 단계; 및
    지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계를 포함하며,
    상기 지도 학습 모델은 상기 제1 고장 판단 결과 및 상기 제2 고장 판단 결과를 비교한 결과에 따라 오차를 정정하도록 학습되고,
    상기 변환 모델을 기반으로 상기 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력하는 단계는, 제1 변환 모델을 기반으로 상기 통합된 센서 데이터를 주파수 변환을 수행하여 제1 변환 이미지를 출력하는 단계; 및 제2 변환 모델을 기반으로 상기 통합된 센서 데이터를 통계적 처리를 수행하여 제2 변환 이미지를 출력하는 단계를 포함하는 것을 특징으로 하는 고장 진단 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계는,
    제1 지도 학습 모델을 기반으로 상기 제1 변환 이미지에 대한 제2-1 고장 판단 결과를 출력하는 단계; 및
    제2 지도 학습 모델을 기반으로 상기 제2 변환 이미지에 대한 제2-2 고장 판단 결과를 출력하는 단계를 포함하는 것을 특징으로 하는 고장 진단 방법.
  4. 제3항에 있어서,
    상기 지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계는,
    상기 제2-1 고장 판단 결과 및 상기 제2-2 고장 판단 결과를 종합하여 최종 고장 판단 결과를 출력하는 단계를 포함하는 것을 특징으로 하는 고장 진단 방법.
  5. 제3항에 있어서,
    상기 제1 지도 학습 모델 및 상기 제2 지도 학습 모델은 상기 제1 지도 학습 모델의 네트워크에 포함된 제1 가중치와 상기 제2 지도 학습 모델의 네트워크에 포함된 제2 가중치를 일부 공유하는 것을 특징으로 하는 고장 진단 방법.
  6. 제1항에 있어서,
    상기 데이터 통합 모델은 상기 복수 유형의 센서 데이터를 정규화하는 것을 특징으로 하는 고장 진단 방법.
  7. 제6항에 있어서,
    상기 데이터 통합 모델은,
    상기 정규화한 복수 유형의 센서 데이터를 하나로 통합하도록 믹스하여 기 설정된 기준에 따라 복수의 그룹으로 그룹핑하고,
    상기 복수의 그룹에서 기준 그룹을 선정하고, 각 그룹을 대표하는 기준 데이터를 선정하고,
    상기 복수의 그룹의 기준 데이터와 상기 기준 그룹의 기준 데이터 간에 제1 차이값을 산출하고, 상기 복수의 그룹의 기준 데이터와 기준 데이터가 아닌 나머지 센서 데이터 간에 제2 차이값을 산출하여, 상기 제1 차이값과 상기 제2 차이값을 조정한 새로운 그룹과 새로운 데이터를 생성하여, 센서 데이터를 증가시키는 것을 특징으로 하는 고장 진단 방법.
  8. 제1항에 있어서,
    상기 비지도 학습 모델은 생성 모델 및 판별 모델을 포함하며,
    상기 생성 모델 및 상기 판별 모델이 상호 작용하는 적대적 생성 신경망에서 정의된 손실 함수를 학습한 결과를 이용하여 상기 제1 고장 판단 결과를 교정하는 것을 특징으로 하는 고장 진단 방법.
  9. 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하는 고장 진단 장치에 있어서,
    상기 프로세서는,
    복수 유형의 센서 데이터를 획득하고,
    데이터 통합 모델을 기반으로 상기 복수 유형의 센서 데이터를 통합하여 통합된 센서 데이터를 출력하고,
    비지도 학습 모델을 기반으로 상기 통합된 센서 데이터에 대한 제1 고장 판단 결과를 출력하고,
    변환 모델을 기반으로 상기 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력하는 단계; 및
    지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계를 포함하며,
    상기 지도 학습 모델은 상기 제1 고장 판단 결과 및 상기 제2 고장 판단 결과를 비교한 결과에 따라 오차를 정정하도록 학습되고,
    상기 프로세서는, 제1 변환 모델을 기반으로 상기 통합된 센서 데이터를 주파수 변환을 수행하여 제1 변환 이미지를 출력하고, 제2 변환 모델을 기반으로 상기 통합된 센서 데이터를 통계적 처리를 수행하여 제2 변환 이미지를 출력하는 것을 특징으로 하는 고장 진단 장치.
  10. 제9항에 있어서,
    상기 프로세서는,
    제1 변환 모델을 기반으로 상기 통합된 센서 데이터를 주파수 변환을 수행하여 제1 변환 이미지를 출력하고,
    제2 변환 모델을 기반으로 상기 통합된 센서 데이터를 통계적 처리를 수행하여 제2 변환 이미지를 출력하는 것을 특징으로 하는 고장 진단 장치.
  11. 제10항에 있어서,
    상기 프로세서는,
    제1 지도 학습 모델을 기반으로 상기 제1 변환 이미지에 대한 제2-1 고장 판단 결과를 출력하고,
    제2 지도 학습 모델을 기반으로 상기 제2 변환 이미지에 대한 제2-2 고장 판단 결과를 출력하는 것을 특징으로 하는 고장 진단 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 제2-1 고장 판단 결과 및 상기 제2-2 고장 판단 결과를 종합하여 최종 고장 판단 결과를 출력하는 것을 특징으로 하는 고장 진단 장치.
KR1020210045176A 2021-04-07 2021-04-07 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치 KR102570576B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210045176A KR102570576B1 (ko) 2021-04-07 2021-04-07 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210045176A KR102570576B1 (ko) 2021-04-07 2021-04-07 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220139044A KR20220139044A (ko) 2022-10-14
KR102570576B1 true KR102570576B1 (ko) 2023-08-25

Family

ID=83599983

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210045176A KR102570576B1 (ko) 2021-04-07 2021-04-07 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102570576B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102668931B1 (ko) * 2023-05-08 2024-05-29 (주)로보케어 맞춤형 서비스 제공 장치 및 방법
KR102647161B1 (ko) * 2023-10-19 2024-03-15 한국과학기술원 다중채널 음향 및 진동신호 딥러닝 기반 전차 동력장치 고장진단체계

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102091076B1 (ko) 2019-04-16 2020-03-20 주식회사 이글루시큐리티 지도학습기반의 경보분석과 비지도학습기반의 이상행위탐지 기법을 혼용한 지능형 보안관제 시스템 및 그 방법
JP2020071845A (ja) * 2018-11-02 2020-05-07 エヌ・ティ・ティ・コミュニケーションズ株式会社 異常検知装置、異常検知方法および異常検知プログラム
KR102170632B1 (ko) * 2019-12-03 2020-10-27 한국항공우주연구원 군집 시스템에서 실시간 이상 탐지 방법 및 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102026300B1 (ko) * 2017-03-29 2019-11-04 아이덴티파이 주식회사 인공지능 시스템을 이용하여 자동차 비정상신호를 감지하는 방법
KR102163155B1 (ko) * 2018-09-21 2020-10-08 한국과학기술연구원 유럽연구소 중첩 산점도를 이용한 데이터 변환 방법 및 장치
KR102383675B1 (ko) * 2020-09-24 2022-04-06 주식회사 비카누스 시계열 데이터 이상 진단 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020071845A (ja) * 2018-11-02 2020-05-07 エヌ・ティ・ティ・コミュニケーションズ株式会社 異常検知装置、異常検知方法および異常検知プログラム
KR102091076B1 (ko) 2019-04-16 2020-03-20 주식회사 이글루시큐리티 지도학습기반의 경보분석과 비지도학습기반의 이상행위탐지 기법을 혼용한 지능형 보안관제 시스템 및 그 방법
KR102170632B1 (ko) * 2019-12-03 2020-10-27 한국항공우주연구원 군집 시스템에서 실시간 이상 탐지 방법 및 장치

Also Published As

Publication number Publication date
KR20220139044A (ko) 2022-10-14

Similar Documents

Publication Publication Date Title
CN109805932B (zh) Mr装置中的自动故障检测
KR102570576B1 (ko) 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치
US11756349B2 (en) Electronic control unit testing optimization
US11137318B2 (en) Model-based diagnosis in frequency domain
CN104850889A (zh) 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法
US20220365853A1 (en) Fault detection in neural networks
US11397660B2 (en) Method and apparatus for testing a system, for selecting real tests, and for testing systems with machine learning components
KR20170104705A (ko) 설비 고장 진단 장치 및 방법
WO2018088949A1 (en) Method and system for vehicle analysis
CN109829470A (zh) 用于确定异常的方法、装置和计算机程序
KR20210061517A (ko) 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치
US20220222927A1 (en) Apparatus, system, and method of generating a multi-model machine learning (ml) architecture
US20230091197A1 (en) Automatic sensor trace validation using machine learning
KR20200028249A (ko) 설비 데이터의 이상 정도 평가 방법
CN110705689B (zh) 可区分特征的持续学习方法及装置
CN117218405A (zh) 一种电池生产设备故障数字诊断方法
Ayerdi et al. Metamorphic runtime monitoring of autonomous driving systems
CN110060374B (zh) 一种飞机燃油系统异常检测方法及装置
CN113704085A (zh) 用于检查技术系统的方法和设备
US20210073685A1 (en) Systems and methods involving detection of compromised devices through comparison of machine learning models
CN112146890A (zh) 用于评价和选择信号比较度量的方法和设备
Singh et al. Hybrid physics-infused 1D-CNN based deep learning framework for diesel engine fault diagnostics
KR102261840B1 (ko) 군집비행에서의 개체 간 고장검출 방법 및 장치, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램
CN116610906B (zh) 设备故障诊断方法、装置、计算机设备及其存储介质
Yadav et al. Development of Virtual Test Environment for Vehicle Level Simulation

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant