KR102573254B1 - 연합 학습을 이용한 기계설비 고장 예지 분석 시스템 - Google Patents

Abstract

본 발명은 연합 학습(federated learning)을 이용하여 AI(artificial intelligence) 기반으로 기계설비의 고장을 실시간으로 예지 분석할 수 있도록 구현한 연합 학습을 이용한 기계설비 고장 예지 분석 시스템에 관한 것으로, 데이터 수집기가 기계설비로부터 IoT 데이터를 수집하며; 연합 학습기가 데이터 수집기에서 수집한 IoT 데이터를 전달받아 연합 학습하여 연합 학습 데이터를 생성시켜 주며; AI 예지 분석기가 연합 학습기에서 생성한 연합 학습 데이터를 전달받아 AI 기반으로 기계설비의 고장을 실시간으로 예지 분석해 준다.

Description

연합 학습을 이용한 기계설비 고장 예지 분석 시스템{System for predicting and analyzing trouble of mechanical equipment using federated learning}

본 발명의 기술 분야는 연합 학습을 이용한 기계설비 고장 예지 분석 시스템 및 방법에 관한 것으로, 특히 연합 학습(federated learning)을 이용하여 AI(artificial intelligence) 기반으로 기계설비의 고장을 실시간으로 예지 분석할 수 있도록 구현한 연합 학습을 이용한 기계설비 고장 예지 분석 시스템에 관한 것이다.

기계설비의 관리는, 생산성을 높이고 기회 손실을 감소시켜 수익성 향상을 위해서, 기업 방침에 따라 기계장치에 대한 설비 계획, 유지, 개선을 실시함으로써, 기계설비의 기능을 최대한으로 활용하려는 제반의 활동으로서, 기계설비가 탄생하여 없어질 때까지의 전 과정을 항상 완전한 상태로 유지하여 생산 능률과 품질을 향상시키고, 정비 비용을 경감하는 활동을 포함할 수 있다.

기계장치에 대한 정비와 보전에 대한 정의를 살펴보면, 정비는 기계장치를 원래의 상태로 유지하는 보전 활동으로 정의될 수 있으며, 이와 유사한 기계장치의 개선은 원래의 성능보다 더 나아진 상태를 말한다. 이에 따라 정비는 보전의 의미를 가지게 되고, 정비는 물리적 자산의 기능을 보전하기 위하여 자산과 관련된 모든 분야의 사람을 동원하여 고장 또는 고장의 결과를 관리하며, 가장 적은 비용과 가장 효율적인 기술을 적용하여 그 자산을 이용하는 사용자를 만족시키는 것으로 정의할 수 있다.

기계설비(또는, 장치나 시스템)에 기계화 및 자동화가 적용되고, 기업의 경영에 있어서도 기계설비의 비중이 점점 더 커져 가고 있어, 제품의 품질, 비용(cost), 생산량 등이 기계설비의 신예도 및 신뢰도에 좌우되는 경우가 더욱 빈번해지고 있다. 또한, 기업 주변의 환경은 긴급성과 다양성을 동시에 요구하는 소비자의 니즈에 부응하여야 생존 가능한 형태로 변화되고 있다. 이에, 기계설비 면에서 얼마나 유연성을 가지고 신뢰성을 가질 수 있는 지가 기업의 경쟁력의 원천으로 나타나고 있는 실정이고, 기계설비의 보전과 개선은 제조 생산 공정에 있어서 중요한 위치를 차지하고 있다.

한국등록특허 제10-1713985호(2017.03.02. 등록)는 미리 장치에 대한 고장 예측을 수행하고 장치의 성능을 유지할 수 있는 장치의 정비 계획 방법을 확보함으로써 장치의 동작 성능 유지 및 신뢰도가 향상되고, 장비의 수명 유지 및 효율 적인 정비 활동을 수행함으로써 장비의 유지보수 비용은 감소될 수 있도록 하는 예지 정비 방법 및 장치에 관하여 개시되어 있다. 개시된 기술에 따르면, 예지 정비 방법은, 예지 정비 장치가 정비 대상 장치로부터 정비 데이터를 수집하는 단계; 예지 정비 장치가 정비 데이터를 정상 가동 데이터 및 고장 발생 데이터로 분류하는 단계; 예지 정비 장치가 정상 가동 데이터 및 고장 발생 데이터를 기준으로 장치 고장 판단 기준을 생성하는 단계; 및 예지 정비 장치가 장치 고장 판단 기준 및 정비 대상 장치로부터 수신한 신규 입력 데이터를 기반으로 정비 대상 장치의 고장 예측을 수행하는 단계를 포함하는 것을 특징으로 한다.

한국등록특허 제10-1596004호(201.02.15. 등록)는 지능형 빌딩 설비 관리 시스템 및 그에 따른 관리 방법에 관하여 개시되어 있는데, 지능형 빌딩 설비 관리 시스템에 있어서, 데이터베이스; 관리자 인터페이스 장치; 빌딩 내에 구비되는 설비들과 연결되어, 설비들 각각에 대한 등록정보를 제공받아 데이터베이스에 저장함과 아울러, 설비들에 대응되는 가상설비정보들을 생성하여 데이터베이스에 저장하고, 가상설비정보들 또는 가상설비정보들에 대응되는 설비들의 출력 값을 관리자 인터페이스 장치를 통한 관리자의 요청에 따라 선택적으로 매쉬업하여 복합가상설비정보를 생성하여 데이터베이스에 저장하며, 특정 이벤트 발생 시마다 설비들에 대한 상태정보를 수집하고, 그 상태정보를 토대로 가상설비정보 또는 복합가상설비정보에 속한 설비들에 대한 효율을 산출하고, 그 산출된 효율에 대응되게 미리 정해진 설비구동 제어정보를 설비들로 제공하는 서비스 관리 장치를 구비함을 특징으로 한다. 개시된 기술에 따르면, 빌딩에 구비되는 다양한 설비에 대응되는 가상설비를 관리자가 직접 선택적으로 매쉬업하여 의미 있는 새로운 복합가상설비들을 생성할 수 있게 함은 물론이며, 이 새로운 복합가상설비들을 토대로 빌딩의 효율을 판단하거나 제어할 수 있게 한다.

상술한 바와 같은 종래의 기술에서는, 설비 관리 시스템의 경우에 생산설비 및 공정 분야에 적용하여, 공장 등에 설치된 생산설비 및 공정설비의 이상 유무와 작동 성능 모니터링 및 진단 관리를 수행하며, 대부분 이상 상태 분석을 위해 데이터 처리를 시스템 서버에서 처리한 후에 진단 및 통보하였으며, 기존 DDC의 경우에 데이터 입출력 및 제어 기능만을 수행하였고 대부분의 BEMS/FEMS에서 사용되는 예측 분석 기능이 에너지 사용 및 관리에 대한 예측 분석으로 설비에 대한 예지 분석 기능이 미흡한 단점을 가지고 있었다.

한국등록특허 제10-1713985호 한국등록특허 제10-1596004호

본 발명이 해결하고자 하는 과제는, 전술한 바와 같은 단점을 해결하기 위한 것으로, 연합 학습(federated learning)을 이용하여 AI(artificial intelligence) 기반으로 기계설비의 고장을 실시간으로 예지 분석할 수 있도록 구현한 연합 학습을 이용한 기계설비 고장 예지 분석 시스템을 제공하는 것이다.

상술한 과제를 해결하는 수단으로는, 본 발명의 한 특징에 따르면, 기계설비로부터 IoT 데이터를 수집하기 위한 데이터 수집기; 상기 데이터 수집기에서 수집한 IoT 데이터를 전달받아 연합 학습하여 연합 학습 데이터를 생성시켜 주기 위한 연합 학습기; 및 상기 연합 학습기에서 생성한 연합 학습 데이터를 전달받아 AI 기반으로 기계설비의 고장을 실시간으로 예지 분석해 주기 위한 AI 예지 분석기를 포함하는 연합 학습을 이용한 기계설비 고장 예지 분석 시스템을 제공한다.

일 실시 예에서, 상기 데이터 수집기는, 자동제어설비에 설치되어 있는 측정 장치나 센서에서 측정하거나 감지한 IoT 데이터를 수집하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, IoT 복합밸브 내 유량 데이터 계측의 경우, 제어장치를 통하여 100% 개도 명령을 실행하고 유량시험장치 내 기준 순간 유량 값이 모니터링 되는지를 3회 확인 후 평균 정확도를 산출하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, IoT 복합밸브 내 압력 데이터 계측의 경우, 시험장치의 조건을 0.8 MPa로 설정하고 밸브에 연결되어 있는 표시부로 압력 값이 모니터링 되는지를 5회 확인 후 평균 정확도를 산출하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, IoT 복합밸브 내 온도 데이터 계측의 경우, 챔버 내 특정 온도를 설정하고 2시간 동안 밸브를 안정 상태로 유지한 뒤 표시부로 온도 값이 모니터링 되는지를 5회 확인 후 평균 정확도를 산출하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, 스마트 DDC 입력 계측 장치 데이터 모니터링의 경우, 이기종 계측 설비의 데이터 입력 값이 모니터링 되는지를 5회 이상 확인 후 평균 정확도를 산출하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, IoT 계측 데이터 수집 및 저장 알고리즘의 경우, IoT 센서 디바이스로부터 수집할 데이터 5종, 저장할 데이터 5종을 선정하여 알고리즘의 정확도를 시험하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, 예측 유지 보수 알고리즘의 경우, 고장 종류 10종의 테스트 데이터를 사용하여 예측 유지 보수 알고리즘의 정확도 오차율을 측정하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, 연합 학습 기반 예측 유지 보수 알고리즘의 경우, 10종의 테스트 데이터를 사용하여 예측 유지 보수 알고리즘의 처리 속도를 측정하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, 예측 유지 보수를 위한 통합 솔루션의 경우, 10종의 테스트 데이터를 사용하여 예측 유지 보수 서비스를 위한 복합 솔루션이 에러 없이 예측을 수행하는지의 안정성을 시험하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, IoT 복합밸브 내 유량 데이터 계측의 경우, IoT 복합밸브에 연결되어 있는 제어장치를 통해 개도 100%를 실행한 후에 중형 유량시험장치 내 기준기 순간 유량 값 39(L/min) 도달 여부를 확인하고, IoT 복합밸브 내 제어장치의 표시부를 통해 해당 유량 값이 모니터링 되는지를 확인하고, 이것을 3회 반복 시행 후 각 회별 기준기와 밸브의 순간유량 값의 평균 오차 값을 산출하여 95% 이상 정확도를 갖는지를 시험하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, IoT 복합밸브 내 압력 데이터 계측의 경우, IoT 복합밸브 내 압력이 제어장치의 표시부로 모니터링 되는지를 확인하고, 시험장치의 조건을 20°C, 0.8 MPa로 설정하여 제어장치의 표시부로 압력 값이 정확하게 측정되는지를 확인하고, 시험장치의 조건을 20°C, 1.6 MPa로 설정하여 표시부로 모니터링 되는지를 확인하고, 이것을 5회 반복 시행 후 측정된 압력 값이 기준압력 값의 ±0.5% 오차범위 이내에서 측정되는 정확도를 시험하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, IoT 복합밸브 내 온도 데이터 계측의 경우, IoT 복합밸브와 시험장치 환경을 (0.0±3.0)°C로 설정하고 1시간 동안 IoT 복합밸브를 안정 상태로 유지하고, 제어장치의 표시부로 모니터링 되는지를 확인하고, 시험장치의 온도를 (40±3)°C로 설정하고 2시간 동안 IoT 복합밸브를 안정 상태로 유지한 후 측정값을 확인하고, 이것을 5회 반복 시행 후 표시부의 온도 측정값이 ±1.0°C 오차범위 이내를 유지하는지 확인 후 정확도를 산출하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, 스마트 DDC 입력 계측 장치 데이터 모니터링의 경우, 계측기에서 감지된 데이터는 통신망을 통해서 스마트 DDC로 전송하고, 스마트 DDC에 연결되어 있는 계측기로 데이터 입력 값이 모니터링 되는지를 확인하고, 스마트 DDC에 전송되어진 데이터는 스마트 DDC 측에 기록되고, 본 데이터는 실시간 저장 또는 활용센서 기반의 모의실험 툴을 활용하여 데이터를 저장하고, 데이터 입력 값이 모니터링 되는지를 5회 이상 확인 후 평균 정확도를 산출하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, IoT 계측 데이터 수집 및 저장 알고리즘의 경우, IoT 계측 데이터 수집 알고리즘을 실행한 후에, IoT 복합밸브로부터 5종의 실제 데이터를 정상적으로 수집하는지를 시험하고, 10회의 반복시험을 실행하여 알고리즘의 정확도를 시험하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, 예측 유지 보수 알고리즘의 경우, 연합학습 기반 예측 유지보수 알고리즘을 실행한 후에, 수집 및 저장된 IoT 계측 데이터 및 기존 유지 보수 데이터를 훈련하여 예측 모델을 구축한 후에, 고장 종류 10종의 테스트 데이터에 대한 예측 결과 도출을 확인한 후에, 전체 데이터의 30%를 사용하여 예측 모델의 오차율(CvRMSE)을 5회 이상 확인 후 평균 오차율을 측정하는 것을 특징으로 한다.

일 실시 예에서, 상기 IoT 계측 데이터 및 기존 유지 보수 데이터의 훈련은, IoT복합밸브의 경우, 데이터 송수신 주기에 따른 응답 여부 및 데이터 갱신 여부를 확인하고, 제어 구동부의 경우, 설비에서 현재 상태의 회신 신호와 제어 신호의 일치 여부를 통한 제어 상태를 확인하고, 스마트 DDC의 경우, 감시제어 모니터링 시스템과 연계하여 일정 주기별로 통신 송수신 여부를 확인하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, 연합 학습 기반 예측 유지 보수 알고리즘의 경우, 연합학습 기반 예측 유지보수 알고리즘을 실행한 후에, 수집 및 저장된 IoT 계측 데이터를 훈련하여 예측 모델을 구축한 후에, 10종의 테스트 데이터에 대한 예측 시간을 측정하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, 예측 유지 보수를 위한 통합 솔루션의 경우, IoT 계측 데이터를 활용한 예측 유지보수 통합 솔루션을 실행한 후에, 10종의 테스트 데이터에 대한 예측 결과 도출을 확인하고, 이것을 10회의 반복시험을 통하여 소프트웨어의 안정성을 시험하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, 기계설비 장애 이상 데이터에 대한 분류를, 계측 신호 오류, 통신 상태 오류, 역류 이상, 입력 센서 이상, 작동 불능으로 수행하는 것을 특징으로 한다.

일 실시 예에서, 상기 데이터 수집기는, 실시간 데이터 수집을 위한 아파치 플룸, 빅데이터를 분산 환경에서 관리하기 위한 HDFS, HBase, 임팔라, 실시간 데이터 분석 및 처리를 위한 아파치 스파크를 활용하는 것을 특징으로 한다.

일 실시 예에서, 상기 연합 학습기는, 연합 학습 기법을 적용하여, 서버와 서버에 연계된 복수 개의 에지 디바이스가 서로 역할을 분배하여 상기 데이터 수집기에서 수집한 IoT 데이터를 전달받아 학습하는 것을 특징으로 한다.

일 실시 예에서, 상기 연합 학습기는, 연합 학습 기법을 적용하기 위해서, 서버와 복수 개의 DDC를 포함하는 연합 학습 체계를 구축하며, DDC에 IoT 데이터의 저장 및 연산이 가능한 프로세서를 탑재하여 IoT 데이터에 대한 연합 학습을 수행하는 것을 특징으로 한다.

일 실시 예에서, 상기 DDC는, 데이터 저장 및 프로세싱이 가능하고, 이를 기반으로 연합 학습을 적용하여, 특정 위치에서 직접 디지털 값으로 필드의 기기를 제어하는 것을 특징으로 한다.

일 실시 예에서, 상기 연합 학습기는, 에지 디바이스 수준에서 전처리 분석 및 제어를 수행하되, 연합 학습을 이용하고 에지 디바이스에 의한 분산 처리 에지 컴퓨팅 기술을 적용하여, 상기 데이터 수집기에서 수집한 IoT 데이터를 전달받아 전처리 분석 학습하는 것을 특징으로 한다.

일 실시 예에서, 상기 연합 학습기는, 상기 데이터 수집기에서 수집한 IoT 데이터를 전달받아 1차적으로 전처리 분석을 통해 학습하는 것을 특징으로 한다.

일 실시 예에서, 상기 연합 학습기는, 상기 데이터 수집기로부터 복수의 센싱 정보를 전달받아 1차적으로 전처리 분석하여 실시간으로 다른 센싱 값과 비교하여 일시적인 장애인지 고장인지의 여부를 확인하는 것을 특징으로 한다.

일 실시 예에서, 상기 DDC는, 기계설비의 고장을 1차적으로 진단하되, 수집 데이터를 기반으로 서버의 학습된 데이터와 비교하여 고장 진단을 수행하는 것을 특징으로 한다.

일 실시 예에서, 상기 연합 학습기는, 고장 예지 분석에 대한 공통 조건을 연합 학습을 통해 분류하여 기계설비 공통 사용 분석 모델을 찾도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 AI 예지 분석기는, 자동제어설비 관리에 AI 기법을 적용하여 실시간으로 기계설비의 고장 예측 및 관리를 수행하며, 실시간으로 기계설비의 이상 발생을 감지, 분석, 제어 관리하는 것을 특징으로 한다.

일 실시 예에서, 상기 AI 예지 분석기는, 상기 연합 학습기에서 생성한 연합 학습 데이터에 로직, 의사결정, 규칙, 모델의 분석 기술을 적용하는 것을 특징으로 한다.

일 실시 예에서, 상기 AI 예지 분석기는, 상기 연합 학습기에서 생성한 1차적으로 전처리 분석한 학습 데이터를 이용하여 이에 해당하는 규칙을 생성시켜 주는 것을 특징으로 한다.

일 실시 예에서, 상기 AI 예지 분석기는, 1차적으로 전처리 분석한 학습 데이터를 이용하여 사전 정의된 규칙을 리모델링해 주는 것을 특징으로 한다.

일 실시 예에서, 상기 AI 예지 분석기는, 1차적으로 전처리 분석한 학습 데이터에 대한 분석을 통한 모델링으로 예측 서비스를 제공하는 것을 특징으로 한다.

일 실시 예에서, 상기 AI 예지 분석기는, 상기 연합 학습기로부터 전달받은 1차적으로 전처리 분석한 학습 데이터를 이용하여 AI 기반으로 CBM으로 기계설비의 상태를 정기적으로 점검하여 고장의 전조를 파악해서, 최종 고장에 이르기 전에 선행하는 예측 유지 보수를 수행하는 것을 특징으로 한다.

일 실시 예에서, 상기 AI 예지 분석기는, 기계설비의 고장 및 A/S 상황에 대한 사전 분석 및 판단 기준 데이터를 모델링하여 메모리에 저장해 두는 것을 특징으로 한다.

일 실시 예에서, 상기 AI 예지 분석기는, 분석 데이터에 대한 멀티 조정 시각화를 사용자에게 제공하는 것을 특징으로 한다.

일 실시 예에서, 상기 AI 예지 분석기는, 예측 유지 보수를 서비스할 시에, 일상 점검과 모니터링으로 구분하는 것을 특징으로 한다.

일 실시 예에서, 상기 AI 예지 분석기는, 일상 점검 시, 수집 데이터가 판정 데이터인지 계량 데이터인지를 구분하며, 판정 데이터인 경우에 관찰자가 육안 관찰 판단한 데이터를 사용하여 이상인지 정상인지를 진단하며, 계량 데이터인 경우에 측정 장치나 센서를 통해 수집한 데이터를 사용하여 기 설정해 둔 상한, 하한 규격 한계선의 기준으로 진단하는 것을 특징으로 한다.

일 실시 예에서, 상기 AI 예지 분석기는, 모니터링 시, 수집 데이터가 디지털 데이터인지 아날로그 데이터인지를 구분하며, 디지털 데이터인 경우에 측정 장치나 센서의 상태 신호를 수집하여 이상인지 정상인지를 진단하며, 아날로그 데이터인 경우에 측정 장치나 센서의 측정값을 수집하여 기 설정해 둔 상한, 하한 규격 한계선의 기준으로 진단하거나, 제어 차트 패턴을 이용한 관리 한계선의 기준으로 진단하는 것을 특징으로 한다.

일 실시 예에서, 상기 AI 예지 분석기는, 자동제어설비 고장 종류에 따른 예측 분석을 수행하되, IoT복합밸브 데이터 측정 장치 고장의 경우에 데이터 송수신 주기에 따른 응답 여부 및 데이터 갱신 여부를 확인하며, IoT복합밸브 제어 구동부 고장의 경우에 설비에서 현재 상태의 회신 신호와 제어 신호의 일치 여부를 통한 제어 상태를 확인하며, 스마트 DDC 통신 송수신 고장의 경우에 감시제어 모니터링 시스템과 연계하여 일정 주기별로 통신 송수신 여부를 확인하는 것을 특징으로 한다.

일 실시 예에서, 상기 AI 예지 분석기는, 건축물의 냉난방설비 시스템의 고장 상황을 예측 및 판단하기 위해서, 계측치가 다른 건축물 경우의 평균 계측과 일정 이상의 오차를 보일 경우, 유지 관리 필요로 구분하며, 일정 이상의 비상 상태 정보가 수집될 경우, 시스템 전면 수리 필요로 구분하는 것을 특징으로 한다.

상술한 과제를 해결하는 수단으로는, 본 발명의 다른 한 특징에 따르면, 데이터 수집기가 기계설비로부터 IoT 데이터를 수집하는 단계; 연합 학습기가 상기 데이터 수집기에서 수집한 IoT 데이터를 전달받아 연합 학습하여 연합 학습 데이터를 생성시켜 주는 단계; 및 AI 예지 분석기가 상기 연합 학습기에서 생성한 연합 학습 데이터를 전달받아 AI 기반으로 기계설비의 고장을 실시간으로 예지 분석해 주는 단계를 포함하는 연합 학습을 이용한 기계설비 고장 예지 분석 방법을 제공한다.

본 발명의 효과로는, 연합 학습(federated learning)을 이용하여 AI(artificial intelligence) 기반으로 기계설비의 고장을 실시간으로 예지 분석할 수 있도록 구현한 연합 학습을 이용한 기계설비 고장 예지 분석 시스템을 제공함으로써, 빌딩, 공장 등의 운영 자동제어설비에 고장 예지 분석 기술을 적용시켜, 냉난방에 사용되는 밸브 등의 자동제어설비 기기의 고장 예지 분석을 수행할 수 있고, 연합 학습을 이용한 AI 기반 스마트 DDC를 통해 실시간 기계설비 제어 및 분석이 가능하며, 빌딩, 공장 등의 운영에 사용되는 냉난방, 공조, 자동제어설비 등 기계설비의 이상 상태 사전 예지 분석하며, 연합 학습을 통해 실시간으로 데이터 처리 분석 및 제어가 가능하며, 이에 시스템 부하를 절감시키면서 기계설비 제어 및 관리에 대한 응답 속도를 개선하여 제어 응답 속도를 향상시킬 수 있다는 것이다.

도 1 및 도 2는 본 발명의 실시 예에 따른 연합 학습을 이용한 기계설비 고장 예지 분석 시스템을 설명하는 도면이다.
도 3은 도 1에 있는 AI 예지 분석기의 예측 유지 보수 서비스에 대한 예를 설명하는 도면이다.
도 4는 본 발명의 실시 예에 따른 연합 학습을 이용한 기계설비 고장 예지 분석 방법을 설명하는 도면이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시 예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시 예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시 예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

본 발명에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.

"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.

이제 본 발명의 실시 예에 따른 연합 학습을 이용한 기계설비 고장 예지 분석 시스템에 대하여 도면을 참고로 하여 상세하게 설명한다.

도 1 및 도 2는 본 발명의 실시 예에 따른 연합 학습을 이용한 기계설비 고장 예지 분석 시스템을 설명하는 도면이며, 도 3은 도 1에 있는 AI 예지 분석기의 예측 유지 보수 서비스에 대한 예를 설명하는 도면이다.

도 1 내지 3을 참조하면, 연합 학습을 이용한 기계설비 고장 예지 분석 시스템(100)은, 복수 개의 데이터 수집기(110), 연합 학습기(120), AI 예지 분석기(130)를 포함한다.

데이터 수집기(110)는, 기계설비로부터 IoT 데이터를 수집하여 연합 학습기(120)에 전달해 준다.

일 실시 예에서, 데이터 수집기(110)는, 빌딩, 공장 등의 자동제어설비(예를 들어, 냉난방 설비, IoT 복합 밸브 설비 등)에 설치되어 있는 측정 장치나 센서(예를 들어, 온도계, 유량계, 압력계 등)(111)로부터 IoT 데이터를 수집할 수 있다.

일 실시 예에서, 데이터 수집기(110)는, IoT 복합밸브 내 유량 데이터 계측의 경우, 제어장치를 통하여 100% 개도 명령을 실행하고 유량시험장치 내 기준 순간 유량 값이 모니터링 되는지를 3회 확인 후 평균 정확도를 산출할 수 있으며, IoT 복합밸브 내 압력 데이터 계측의 경우, 시험장치의 조건을 0.8 MPa로 설정하고 밸브에 연결되어 있는 표시부로 압력 값이 모니터링 되는지를 5회 확인 후 평균 정확도를 산출할 수 있으며, IoT 복합밸브 내 온도 데이터 계측의 경우, 챔버(chamber) 내 특정 온도를 설정하고 2시간 동안 밸브를 안정 상태로 유지한 뒤 표시부로 온도 값이 모니터링 되는지를 5회 확인 후 평균 정확도를 산출할 수 있으며, 스마트 DDC 입력 계측 장치 데이터 모니터링의 경우, 이기종 계측 설비(예를 들어, 전력, 공조 등)의 데이터 입력 값이 모니터링 되는지를 5회 이상 확인 후 평균 정확도를 산출할 수 있으며, IoT 계측 데이터 수집 및 저장 알고리즘의 경우, IoT 센서 디바이스로부터 수집할 데이터 5종, 저장할 데이터 5종을 선정하여 알고리즘의 정확도를 시험할 수 있으며, 예측 유지 보수 알고리즘의 경우, 고장 종류(예를 들어, IoT복합밸브 유량, 압력, 온도 데이터 측정 장치 고장, 제어 구동부 고장, 스마트 DDC 통신 송신 고장 등) 10종의 테스트 데이터를 사용하여 예측 유지 보수 알고리즘의 정확도 오차율(CvRMSE)을 측정할 수 있으며, 연합 학습 기반 예측 유지 보수 알고리즘의 경우, 10종의 테스트 데이터를 사용하여 예측 유지 보수 알고리즘의 처리 속도를 측정할 수 있으며, 예측 유지 보수를 위한 통합 솔루션의 경우, 10종의 테스트 데이터를 사용하여 예측 유지 보수 서비스를 위한 복합 솔루션이 에러 없이 예측을 수행하는지의 안정성을 시험할 수 있다.

일 실시 예에서, 데이터 수집기(110)는, IoT 복합밸브 내 유량 데이터 계측의 경우, IoT 복합밸브에 연결되어 있는 제어장치를 통해 개도 100%를 실행하고, 중형 유량시험장치 내 기준기 순간 유량 값 39(L/min) 도달 여부를 확인하고, IoT 복합밸브 내 제어장치의 표시부를 통해 해당 유량 값이 모니터링 되는지를 확인하고, 이것을 3회 반복 시행 후 각 회별 기준기와 밸브의 순간유량 값의 평균 오차 값을 산출하여 95% 이상 정확도를 갖는지를 시험할 수 있다.

일 실시 예에서, 데이터 수집기(110)는, IoT 복합밸브 내 압력 데이터 계측의 경우, IoT 복합밸브 내 압력이 제어장치의 표시부로 모니터링 되는지를 확인하고, 시험장치의 조건을 20°C, 0.8 MPa로 설정하여 제어장치의 표시부로 압력 값이 정확하게 측정되는지를 확인하고, 시험장치의 조건을 20°C, 1.6 MPa로 설정하여 표시부로 모니터링 되는지를 확인하고, 이것을 5회 반복 시행 후 측정된 압력 값이 기준압력 값의 ±0.5% 오차범위 이내에서 측정되는 정확도를 시험할 수 있다.

일 실시 예에서, 데이터 수집기(110)는, IoT 복합밸브 내 온도 데이터 계측의 경우, IoT 복합밸브와 시험장치 환경을 (0.0±3.0)°C로 설정하고 1시간 동안 IoT 복합밸브를 안정 상태로 유지하고, 제어장치의 표시부로 모니터링 되는지를 확인하고, 시험장치의 온도를 (40±3)°C로 설정하고 2시간 동안 IoT 복합밸브를 안정 상태로 유지한 후 측정값을 확인하고, 이것을 5회 반복 시행 후 표시부의 온도 측정값이 ±1.0°C 오차범위 이내를 유지하는지 확인 후 정확도를 산출할 수 있다.

일 실시 예에서, 데이터 수집기(110)는, 스마트 DDC 입력 계측 장치 데이터 모니터링의 경우, 빌딩 설비(전력, 공조 등) 계측기에서 감지된 데이터는 통신망을 통해서 스마트 DDC로 전송하고, 스마트 DDC에 연결되어 있는 빌딩 설비(전력, 공조 등) 계측기로 데이터 입력 값이 모니터링 되는지를 확인하고, 스마트 DDC에 전송되어진 데이터는 스마트 DDC 측에 기록되고, 본 데이터는 실시간 저장 또는 활용센서 기반의 모의실험 툴을 활용하여 데이터를 저장하고, 데이터 입력 값이 모니터링 되는지를 5회 이상 확인 후 평균 정확도를 산출할 수 있다.

일 실시 예에서, 데이터 수집기(110)는, IoT 계측 데이터 수집 및 저장 알고리즘의 경우, IoT 계측 데이터 수집 알고리즘을 실행한 후에, IoT 복합밸브로부터 5종의 실제 데이터를 정상적으로 수집하는지를 시험하고, 10회의 반복시험을 실행하여 알고리즘의 정확도를 시험할 수 있다.

일 실시 예에서, 데이터 수집기(110)는, 예측 유지 보수 알고리즘의 경우, 연합학습 기반 예측 유지보수 알고리즘을 실행한 후에, 수집 및 저장된 IoT 계측 데이터 및 기존 유지 보수 데이터(예를 들어, IoT복합밸브 경우, 데이터 송수신 주기(최대 30초)에 따른 응답 여부 및 데이터 갱신 여부를 확인하고, 제어 구동부 경우, 설비에서 현재 상태의 회신 신호와 제어 신호의 일치 여부를 통한 제어 상태를 확인하고, 스마트 DDC 경우, 감시제어 모니터링 시스템과 연계하여 일정 주기별(1초)로 통신 송수신 여부를 확인하는 등)를 훈련하여 예측 모델을 구축한 후에, 고장 종류(예를 들어, IoT복합밸브 유량, 압력, 온도 데이터 측정 장치 고장, 제어 구동부 고장, 스마트 DDC 통신 송신 고장 등) 10종의 테스트 데이터에 대한 예측 결과 도출을 확인한 후에, 전체 데이터의 30%를 사용하여 예측 모델의 오차율(CvRMSE)을 5회 이상 확인 후 평균 오차율을 측정할 수 있다.

일 실시 예에서, 데이터 수집기(110)는, 연합 학습 기반 예측 유지 보수 알고리즘의 경우, 연합학습 기반 예측 유지보수 알고리즘을 실행한 후에, 수집 및 저장된 IoT 계측 데이터를 훈련하여 예측 모델을 구축한 후에, 10종의 테스트 데이터에 대한 예측 시간을 측정할 수 있다.

일 실시 예에서, 데이터 수집기(110)는, 예측 유지 보수를 위한 통합 솔루션의 경우, IoT 계측 데이터를 활용한 예측 유지보수 통합 솔루션을 실행한 후에, 10종의 테스트 데이터에 대한 예측 결과 도출을 확인하고, 이것을 10회의 반복시험을 통하여 소프트웨어의 안정성을 시험할 수 있다.

일 실시 예에서, 데이터 수집기(110)는, 기계설비(자동제어) 장애 이상 데이터에 대한 분류를, 계측 신호 오류, 통신 상태 오류, 역류 이상, 입력 센서 이상, 작동 불능 등으로 수행할 수 있다.

일 실시 예에서, 데이터 수집기(110)는, IoT 디바이스(예로, IoT복합밸브)로부터 실시간 데이터를 수집 및 저장할 수 있는데, IoT복합밸브의 유량, 온도, 압력 센서에서의 실시간 유량, 온도, 압력 데이터를 수집할 수 있으며, 실시간 데이터 수집을 위한 아파치 플룸(Apache Flume), 빅데이터를 분산 환경에서 관리하기 위한 HDFS, HBase, 임팔라(Impala), 실시간 데이터 분석 및 처리를 위한 아파치 스파크(Apache Spark)를 활용할 수 있다.

연합 학습기(120)는, 데이터 수집기(110)로부터 전달되는 IoT 데이터를 연합 학습(federated learning)하여 연합 학습 데이터를 생성시켜 AI 예지 분석기(130)로 전달해 준다.

일 실시 예에서, 연합 학습기(120)는, 기계 학습 기법인 연합 학습 기법을 적용하여, 단일 서버에서의 학습이 아닌, 서버(121)와 서버(121)에 연계된 복수 개의 에지 디바이스가 서로 역할을 분배하여 데이터 수집기(110)로부터 전달되는 IoT 데이터를 학습해 줄 수 있다.

일 실시 예에서, 연합 학습기(120)는, 연합 학습 기법을 적용하기 위해서, 서버(121)와 복수 개의 DDC(direct digital controller; 디지털 직접 제어 장치)(122)를 포함하는 연합 학습 체계를 구축할 수 있는데, 이때 DDC(122)에 IoT 데이터의 저장 및 연산이 가능한 프로세서를 탑재하여 IoT 데이터에 대한 연합 학습을 수행할 수 있다. 여기서, DDC(122)는, 특정 위치(예를 들어, 중앙감시반, 방재실 등)에서 직접 디지털 값(예를 들어, 값이나 통신)으로 필드의 기기를 제어할 수 있다.

일 실시 예에서, DDC(122)는, 데이터 저장 및 프로세싱이 가능하고, 이를 기반으로 연합 학습을 적용하여 빠른 제어 및 계산 속도를 지원함으로써, AI 예지 분석기(130)에서 실시간으로 고장 예지를 수행할 수 있도록 해 준다.

일 실시 예에서, 연합 학습기(120)는, 에지 디바이스 수준에서 전처리 분석 및 제어를 수행할 수 있는데, 이때 연합 학습을 이용하고 에지 디바이스에 의한 분산 처리 에지 컴퓨팅 기술을 적용하여, AI 예지 분석기(130)의 이전 단계에서 전처리 분석 학습하도록 할 수 있다.

일 실시 예에서, 연합 학습기(120)는, 데이터 수집기(110)로부터 전달되는 IoT 데이터를 1차적으로 전처리 분석을 통해 학습하도록 할 수 있다.

일 실시 예에서, 연합 학습기(120)는, 데이터 수집기(110)로부터 전달되는 복수의 센싱 정보를 1차적으로 전처리 분석하여 실시간으로 다른 센싱 값과 비교하여 일시적인 장애인지 고장인지의 여부를 확인하도록 할 수 있다.

일 실시 예에서, DDC(122)는, 기계설비의 고장을 1차적으로 진단할 수 있는데, 이때 수집 데이터를 기반으로 서버(121)의 학습된 데이터와 비교하여 고장 진단을 수행할 수 있다.

일 실시 예에서, 연합 학습기(120)는, 고장 예지 분석에 대한 공통 조건 등을 연합 학습을 통해 분류하여 기계설비 공통 사용 분석 모델을 찾도록 할 수 있다.

AI 예지 분석기(130)는, 연합 학습기(120)로부터 전달되는 연합 학습 데이터를 이용하여 AI 기반으로 기계설비의 고장을 실시간으로 예지 분석해 준다.

일 실시 예에서, AI 예지 분석기(130)는, 자동제어설비 관리에 AI 기법을 적용하여 실시간으로 기계설비의 고장 예측 및 관리를 수행할 수 있는데, 실시간으로 기계설비의 이상 발생을 감지, 분석, 제어 관리할 수 있다.

일 실시 예에서, AI 예지 분석기(130)는, 연합 학습기(120)로부터 전달되는 연합 학습 데이터에 로직, 의사결정, 규칙, 모델 등의 분석 기술을 적용함으로써, 생산성과 효율성을 향상시키도록 할 수 있다.

일 실시 예에서, AI 예지 분석기(130)는, 연합 학습기(120)로부터 전달되는 연합 학습 데이터(즉, 1차적으로 전처리 분석한 학습 데이터)를 이용하여 이에 해당하는 규칙(즉, 가장 적합하고 효율적인 규칙)을 생성시켜 줄 수 있다. 이때, 1차적으로 전처리 분석한 학습 데이터를 이용하여 사전 정의된 규칙을 리모델링해 줄 수도 있다.

일 실시 예에서, AI 예지 분석기(130)는, 에너지 사용량 기반의 패턴을 도출하여 예측하는 것이 아니라, 1차적으로 전처리 분석한 학습 데이터에 대한 분석을 통한 모델링으로 예측 서비스를 제공할 수 있다.

일 실시 예에서, AI 예지 분석기(130)는, 사전 정의된 규칙만을 활용하여 이상 상태를 탐지하고 분석하는 것이 아니라, 연합 학습기(120)로부터 전달되는 연합 학습 데이터(즉, 1차적으로 전처리 분석한 학습 데이터)를 이용하여 AI 기반으로 CBM(condition based maintenance)으로 기계설비의 상태를 정기적으로 점검하여 고장의 전조를 파악해서, 최종 고장에 이르기 전에 선행하는 예측 유지 보수(predictive maintenance)를 수행할 수 있다.

일 실시 예에서, AI 예지 분석기(130)는, 기계설비의 고장이 한 번도 발생하지 않았더라도 기계설비의 고장을 예지할 수 있도록 하기 위한 기본적인 연합 학습 데이터를 빅데이터로 고장 유형별로 미리 데이터베이스화시켜 메모리에 저장해 둘 수도 있으며, 이에 연합 학습기(120)로부터 전달되는 연합 학습 데이터를 메모리에 저장해 둔 빅데이터와 비교 분석해서 기계설비의 고장을 예지할 수도 있으며, 또한 기계설비의 고장 발생 시마다 이에 해당하는 새로운 연합 학습 데이터를 메모리에 계속해서 업그레이드시켜 빅데이터의 신뢰도를 향상해 줄 수 있다.

일 실시 예에서, AI 예지 분석기(130)는, 기계설비의 고장 및 A/S 상황(예를 들어, IoT복합밸브, 설비 제어감시 기기류, 디지털 계측기류 등)에 대한 사전 분석 및 판단 기준 데이터를 모델링하여 메모리에 저장해 둘 수도 있다.

일 실시 예에서, AI 예지 분석기(130)는, 분석 데이터에 대한 멀티 조정 시각화(multiple coordinated visualization)를 사용자에게 제공해 줄 수 있다.

일 실시 예에서, AI 예지 분석기(130)는, 예측 유지 보수를 서비스할 시에, 도 3에 도시된 바와 같이, 일상 점검과 모니터링으로 구분할 수 있으며, 일상 점검 시에는 오토 게이터링(auto gatering)이 불가능한 경우로 수집 데이터가 판정 데이터인지 계량 데이터인지를 구분할 수 있고, 판정 데이터인 경우에 관찰자가 육안 관찰 판단한 데이터를 사용하여 이상인지 정상인지를 진단하도록 할 수 있으며, 계량 데이터인 경우에 측정 장치나 센서(111)를 통해 수집한 데이터를 사용하여 기 설정해 둔 상한, 하한 규격 한계선의 기준으로 진단하도록 할 수 있으며, 또한 모니터링 시에는 오토 게이터링이 가능한 경우로 수집 데이터가 디지털 데이터인지 아날로그 데이터인지를 구분할 수 있고, 디지털 데이터인 경우에 측정 장치나 센서(111)의 상태 신호를 수집하여 1(즉, 이상)인지 0(즉, 정상)인지를 진단하도록 할 수 있으며, 아날로그 데이터인 경우에 측정 장치나 센서(111)의 측정값을 수집하여 기 설정해 둔 상한, 하한 규격 한계선의 기준으로 진단하도록 하거나, 제어 차트 패턴(control chart pattern)을 이용한 관리 한계선의 기준으로 진단하도록 할 수 있다.

일 실시 예에서, AI 예지 분석기(130)는, 자동제어설비 고장 종류(예를 들어, IoT복합밸브 데이터 측정 장치 고장(유량, 압력, 온도)으로 인한 측정 데이터 갱신 발송 불가, IoT복합밸브 제어 구동부 고장으로 인한 유량 및 온도 제어 불가, 스마트 DDC 통신 송수신 고장으로 인한 설비 데이터 감시 및 제어 불가 등)에 따른 예측 분석을 수행하는데, IoT복합밸브 데이터 측정 장치 고장(유량, 압력, 온도)의 경우에 데이터 송수신 주기(최대 30초)에 따른 응답 여부 및 데이터 갱신 여부를 확인할 수 있으며, IoT복합밸브 제어 구동부 고장의 경우에 설비에서 현재 상태의 회신 신호와 제어 신호의 일치 여부를 통한 제어 상태를 확인할 수 있으며, 스마트 DDC 통신 송수신 고장의 경우에 감시제어 모니터링 시스템과 연계하여 일정 주기별(1초)로 통신 송수신 여부를 확인할 수 있다.

일 실시 예에서, AI 예지 분석기(130)는, 건축물의 냉난방설비 시스템의 고장 상황을 예측 및 판단하기 위해서, 구성요소들의 계측치가 다른 건축물 경우의 평균 계측과 일정 이상(예 : 5%)의 오차를 보일 경우, 유지 관리 필요, 일정 이상의 비상 상태 정보가 수집될 경우(예로, 구성요소의 약 30%), 시스템 전면 수리 필요 등으로 구분할 수 있다.

상술한 바와 같은 구성을 가진 연합 학습을 이용한 기계설비 고장 예지 분석 시스템(100)은, 연합 학습을 적용하여 AI 기반으로 기계설비의 고장을 실시간으로 예지 분석할 수 있도록 구현함으로써, 빌딩, 공장 등의 운영 자동제어설비에 고장 예지 분석 기술을 적용시켜, 냉난방에 사용되는 밸브 등의 자동제어설비 기기의 고장 예지 분석을 수행할 수 있고, 연합 학습을 이용한 AI 기반 스마트 DDC(122)를 통해 실시간 기계설비 제어 및 분석이 가능하며, 빌딩, 공장 등의 운영에 사용되는 냉난방, 공조, 자동제어설비 등 기계설비의 이상 상태 사전 예지 분석하며, 연합 학습을 통해 실시간으로 데이터 처리 분석 및 제어가 가능하며, 이에 시스템 부하를 절감시키면서 기계설비 제어 및 관리에 대한 응답 속도를 개선하여 제어 응답 속도를 향상시킬 수 있다.

상술한 바와 같은 구성을 가진 연합 학습을 이용한 기계설비 고장 예지 분석 시스템(100)은, 첨단 기술의 빠른 발전에 맞는 기계설비 유지 관리를 수행하는데, 사물인터넷(IoT), 인공지능(AI) 및 빅데이터 분석 등의 4차 산업 기술을 공장과 기계에 융합하여, 기계설비의 성능을 향상시키고 최상의 상태로 유지, 관리해 주며, 기계설비에서 고장이 발생하면 다수의 안전에 위험을 초래하고 이에 파급 효과로 기업에 막대한 경제적 손실이 발생하는 것을 미연에 방지할 수 있다. 또한 상술한 바와 같은 구성을 가진 연합 학습을 이용한 기계설비 고장 예지 분석 시스템(100)은, 생산성 향상 및 비용 절감을 통한 기업 경쟁력을 강화시킬 수 있는데, 각종 측정 장치나 센서(111)를 통해 기계설비의 IoT 데이터를 수집하고 분석 및 평가할 수 있고 이에 기계설비의 결함을 고장 전에 알려주어 고장에 따른 비용, 보수비용을 절감하고 생산성을 향상시킬 수 있으며, 기업에서 가장 선호하는 방식인 예측 유지 보수 방식으로 사후 유지 보수 방식의 단점을 개선하고, 기계설비가 고장 나기 전에 보수를 실시할 수 있다.

상술한 바와 같은 구성을 가진 연합 학습을 이용한 기계설비 고장 예지 분석 시스템(100)은, 수요처 요구사항으로 빌딩, 공장 등의 운영에 필요한 기계설비 관리 데이터 증가에 대응할 수 있는데, 지능형 건축물 인증, FEMS, BEMS, ZEB(zero energy building) 등의 정부 인증제도 도입 의무화 증가와, 인증 등급 상승에 따른 기계설비의 제어 및 관리 데이터가 대폭 증가함에 따라, 기계설비 제어 및 관리에 대한 응답 속도 개선으로 다운타임 최소화와 복구비용을 절감할 있다. 또한 상술한 바와 같은 구성을 가진 연합 학습을 이용한 기계설비 고장 예지 분석 시스템(100)은, 수요처 요구사항으로 운영설비에 대한 고장 예지 분석 및 제어를 수행할 수 있는데, 생산설비에 대한 진단 및 분석만을 제공하는 고장 예지 분석 시스템이 아니라, 빌딩, 공장 등의 운영에 사용되는 기계설비에 대한 이상 유무와 작동 성능 모니터링하고 제어할 수 있는 고장 예지 분석 시스템으로, 생산설비 고장의 피해보다 운영설비 고장의 피해가 치명적이기 때문에 고장 발생 전 예측 대응하도록 할 수 있으며, 예를 들어 반도체공장의 경우, 항온, 항습 등 공장 환경 운영 또한 매우 중요하며 냉난방, 공조 설비 등 기계설비의 이상 발생 시 큰 피해가 발생하기 때문에, 사후 처리 방식이 아닌, 사전 예측 관리를 수행하도록 할 수 있다.

상술한 바와 같은 구성을 가진 연합 학습을 이용한 기계설비 고장 예지 분석 시스템(100)은, 예측 유지 보수를 위한 AI 기반 실시간 고장 예지 분석을 수행하는데, 연합 학습이 가능한 인공지능 기반 스마트 DDC(122)를 이용하면서, 자동제어설비에 IoT, 빅데이터, 에지 컴퓨팅 기술을 융합하여 빅데이터 플랫폼을 구축하고, AI 기반의 예측 유지 보수를 통해 장애가 발생할 가능성을 미리 파악하여 사전에 대응함으로써 다운타임 방지, 시스템 서버 용량 절감, 데이터 관리 등을 수행할 수 있다.

도 4는 본 발명의 실시 예에 따른 연합 학습을 이용한 기계설비 고장 예지 분석 방법을 설명하는 도면이다.

도 4를 참조하면, 데이터 수집기(110)에서는, 기계설비로부터 IoT 데이터를 수집하여 연합 학습기(120)에 전달해 주게 된다(S401).

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, 빌딩, 공장 등의 자동제어설비(예를 들어, 냉난방 설비, IoT 복합 밸브 설비 등)에 설치되어 있는 측정 장치나 센서(예를 들어, 온도계, 유량계, 압력계 등)(111)를 구비하고 있는 데이터 수집기(110)에서는, 해당 측정 장치나 센서가 자동제어설비의 상태를 측정하거나 감지하고, 해당 감지된 IoT 데이터를 수집해서 연합 학습기(120)로 전달해 줄 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, IoT 복합밸브 내 유량 데이터 계측의 경우, 데이터 수집기(110)에서는, 제어장치를 통하여 100% 개도 명령을 실행하고 유량시험장치 내 기준 순간 유량 값이 모니터링 되는지를 3회 확인 후 평균 정확도를 산출할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, IoT 복합밸브 내 유량 데이터 계측의 경우, 데이터 수집기(110)에서는, IoT 복합밸브에 연결되어 있는 제어장치를 통해 개도 100%를 실행한 후에, 중형 유량시험장치 내 기준기 순간 유량 값 39(L/min) 도달 여부를 확인하고, IoT 복합밸브 내 제어장치의 표시부를 통해 해당 유량 값이 모니터링 되는지를 확인하고, 이것을 3회 반복 시행 후 각 회별 기준기와 밸브의 순간유량 값의 평균 오차 값을 산출하여 95% 이상 정확도를 갖는지를 시험할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, IoT 복합밸브 내 압력 데이터 계측의 경우, 데이터 수집기(110)에서는, 시험장치의 조건을 0.8 MPa로 설정하고 밸브에 연결되어 있는 표시부로 압력 값이 모니터링 되는지를 5회 확인 후 평균 정확도를 산출할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, IoT 복합밸브 내 압력 데이터 계측의 경우, 데이터 수집기(110)에서는, IoT 복합밸브 내 압력이 제어장치의 표시부로 모니터링 되는지를 확인하고, 시험장치의 조건을 20°C, 0.8 MPa로 설정하여 제어장치의 표시부로 압력 값이 정확하게 측정되는지를 확인하고, 시험장치의 조건을 20°C, 1.6 MPa로 설정하여 표시부로 모니터링 되는지를 확인하고, 이것을 5회 반복 시행 후 측정된 압력 값이 기준압력 값의 ±0.5% 오차범위 이내에서 측정되는 정확도를 시험할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, IoT 복합밸브 내 온도 데이터 계측의 경우, 데이터 수집기(110)에서는, 챔버 내 특정 온도를 설정하고 2시간 동안 밸브를 안정 상태로 유지한 뒤 표시부로 온도 값이 모니터링 되는지를 5회 확인 후 평균 정확도를 산출할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, IoT 복합밸브 내 온도 데이터 계측의 경우, 데이터 수집기(110)에서는, IoT 복합밸브와 시험장치 환경을 (0.0±3.0)°C로 설정한 후에 1시간 동안 IoT 복합밸브를 안정 상태로 유지하고, 제어장치의 표시부로 모니터링 되는지를 확인하고, 시험장치의 온도를 (40±3)°C로 설정한 후에 2시간 동안 IoT 복합밸브를 안정 상태로 유지한 후 측정값을 확인하고, 이것을 5회 반복 시행 후 표시부의 온도 측정값이 ±1.0°C 오차범위 이내를 유지하는지 확인 후 정확도를 산출할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, 스마트 DDC 입력 계측 장치 데이터 모니터링의 경우, 데이터 수집기(110)에서는, 이기종 계측 설비(예를 들어, 전력, 공조 등)의 데이터 입력 값이 모니터링 되는지를 5회 이상 확인 후 평균 정확도를 산출할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, 스마트 DDC 입력 계측 장치 데이터 모니터링의 경우, 데이터 수집기(110)에서는, 빌딩 설비(예로, 전력, 공조 등의 설비)의 계측기에서 감지된 데이터는 통신망을 통해서 스마트 DDC로 전송하고, 스마트 DDC에 연결되어 있는 빌딩 설비(전력, 공조 등) 계측기로 데이터 입력 값이 모니터링 되는지를 확인하고, 스마트 DDC에 전송되어진 데이터는 스마트 DDC 측에 기록되고, 본 데이터는 실시간 저장 또는 활용센서 기반의 모의실험 툴을 활용하여 데이터를 저장하고, 데이터 입력 값이 모니터링 되는지를 5회 이상 확인 후 평균 정확도를 산출할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, IoT 계측 데이터 수집 및 저장 알고리즘의 경우, 데이터 수집기(110)에서는, IoT 센서 디바이스로부터 수집할 데이터 5종, 저장할 데이터 5종을 선정함에 의해서 알고리즘의 정확도를 시험하도록 할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, IoT 계측 데이터 수집 및 저장 알고리즘의 경우, 데이터 수집기(110)에서는, IoT 계측 데이터 수집 알고리즘을 실행한 후에, IoT 복합밸브로부터 5종의 실제 데이터를 정상적으로 수집하는지를 시험하고, 10회의 반복시험을 실행하여 알고리즘의 정확도를 시험할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, 예측 유지 보수 알고리즘의 경우, 데이터 수집기(110)에서는, 고장 종류(예를 들어, IoT복합밸브 유량, 압력, 온도 데이터 측정 장치 고장, 제어 구동부 고장, 스마트 DDC 통신 송신 고장 등) 10종의 테스트 데이터를 사용하여 예측 유지 보수 알고리즘의 정확도 오차율(CvRMSE)을 측정하도록 할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, 예측 유지 보수 알고리즘의 경우, 데이터 수집기(110)에서는, 연합학습 기반 예측 유지보수 알고리즘을 실행한 후에, 수집 및 저장된 IoT 계측 데이터 및 기존 유지 보수 데이터(예를 들어, IoT복합밸브의 경우, 데이터 송수신 주기(최대 30초)에 따른 응답 여부 및 데이터 갱신 여부를 확인하고, 제어 구동부의 경우, 설비에서 현재 상태의 회신 신호와 제어 신호의 일치 여부를 통한 제어 상태를 확인하고, 스마트 DDC의 경우, 감시제어 모니터링 시스템과 연계하여 일정 주기별(1초)로 통신 송수신 여부를 확인하는 등)를 훈련하여 예측 모델을 구축한 후에, 고장 종류(예를 들어, IoT복합밸브 유량, 압력, 온도 데이터 측정 장치 고장, 제어 구동부 고장, 스마트 DDC 통신 송신 고장 등) 10종의 테스트 데이터에 대한 예측 결과 도출을 확인한 후에, 전체 데이터의 30%를 사용하여 예측 모델의 오차율(CvRMSE)을 5회 이상 확인 후 평균 오차율을 측정할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, 연합 학습 기반 예측 유지 보수 알고리즘의 경우, 데이터 수집기(110)에서는, 10종의 테스트 데이터를 사용하여 예측 유지 보수 알고리즘의 처리 속도를 측정할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, 연합 학습 기반 예측 유지 보수 알고리즘의 경우, 데이터 수집기(110)에서는, 연합학습 기반 예측 유지보수 알고리즘을 실행한 후에, 수집 및 저장된 IoT 계측 데이터를 훈련하여 예측 모델을 구축한 후에, 10종의 테스트 데이터에 대한 예측 시간을 측정할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, 예측 유지 보수를 위한 통합 솔루션의 경우, 데이터 수집기(110)에서는, 10종의 테스트 데이터를 사용하여 예측 유지 보수 서비스를 위한 복합 솔루션이 에러 없이 예측을 수행하는지의 안정성을 시험하도록 할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, 예측 유지 보수를 위한 통합 솔루션의 경우, 데이터 수집기(110)에서는, IoT 계측 데이터를 활용한 예측 유지보수 통합 솔루션을 실행한 후에, 10종의 테스트 데이터에 대한 예측 결과 도출을 확인하고, 이것을 10회의 반복시험을 통하여 소프트웨어의 안정성을 시험할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, 데이터 수집기(110)에서는, 기계설비(자동제어) 장애 이상 데이터에 대한 분류를, 계측 신호 오류, 통신 상태 오류, 역류 이상, 입력 센서 이상, 작동 불능 등으로 수행할 수 있다.

상술한 단계 S401에서 IoT 데이터를 전달함에 있어서, 데이터 수집기(110)에서는, IoT 디바이스(예로, IoT복합밸브)로부터 실시간 데이터를 수집 및 저장할 수 있는데, IoT복합밸브의 유량, 온도, 압력 센서에서의 실시간 유량, 온도, 압력 데이터 등을 수집할 수 있으며, 실시간 데이터 수집을 위한 아파치 플룸(Apache Flume), 빅데이터를 분산 환경에서 관리하기 위한 HDFS, HBase, 임팔라(Impala), 실시간 데이터 분석 및 처리를 위한 아파치 스파크(Apache Spark)를 활용할 수도 있다.

상술한 단계 S401에서 IoT 데이터를 전달해 주게 되면, 연합 학습기(120)에서는, 데이터 수집기(110)로부터 전달되는 IoT 데이터를 연합 학습(federated learning)하여 연합 학습 데이터를 생성시켜 AI 예지 분석기(130)로 전달해 주게 된다(S402).

상술한 단계 S402에서 연합 학습 데이터를 전달함에 있어서, 연합 학습기(120)에서는, 기계 학습 기법인 연합 학습 기법을 적용하여, 단일 서버에서의 학습이 아닌, 서버(121)와 서버(121)에 연계된 복수 개의 에지 디바이스가 서로 역할을 분배하여 데이터 수집기(110)로부터 전달되는 IoT 데이터를 학습해 줄 수 있다.

상술한 단계 S402에서 연합 학습 데이터를 전달함에 있어서, 연합 학습기(120)에서는, 연합 학습 기법을 적용하기 위해서, 서버(121)와 복수 개의 DDC(122)를 포함하는 연합 학습 체계를 구축할 수 있는데, 이때 DDC(122)에 IoT 데이터의 저장 및 연산이 가능한 프로세서를 탑재하여 IoT 데이터에 대한 연합 학습을 수행할 수 있다.

상술한 단계 S402에서 연합 학습 데이터를 전달함에 있어서, DDC(122)에서는, 특정 위치(예를 들어, 중앙감시반, 방재실 등)에서 직접 디지털 값(예를 들어, 값이나 통신)으로 필드의 기기를 제어할 수 있다.

상술한 단계 S402에서 연합 학습 데이터를 전달함에 있어서, DDC(122)에서는, 데이터 저장 및 프로세싱이 가능하고, 이를 기반으로 연합 학습을 적용하여 빠른 제어 및 계산 속도를 지원함으로써, AI 예지 분석기(130)에서 실시간으로 고장 예지를 수행할 수 있도록 해 준다.

상술한 단계 S402에서 연합 학습 데이터를 전달함에 있어서, 연합 학습기(120)에서는, 에지 디바이스 수준에서 전처리 분석 및 제어를 수행할 수 있는데, 이때 연합 학습을 이용하고 에지 디바이스에 의한 분산 처리 에지 컴퓨팅 기술을 적용하여, AI 예지 분석기(130)의 이전 단계에서 전처리 분석 학습하도록 할 수 있다.

상술한 단계 S402에서 연합 학습 데이터를 전달함에 있어서, 연합 학습기(120)에서는, 데이터 수집기(110)로부터 전달되는 IoT 데이터를 1차적으로 전처리 분석을 통해 학습하도록 할 수 있다.

상술한 단계 S402에서 연합 학습 데이터를 전달함에 있어서, 연합 학습기(120)에서는, 데이터 수집기(110)로부터 전달되는 복수의 센싱 정보를 1차적으로 전처리 분석하여 실시간으로 다른 센싱 값과 비교하여 일시적인 장애인지 고장인지의 여부를 확인하도록 할 수 있다.

상술한 단계 S402에서 연합 학습 데이터를 전달함에 있어서, DDC(122)에서는, 기계설비의 고장을 1차적으로 진단할 수 있는데, 이때 수집 데이터를 기반으로 서버(121)의 학습된 데이터와 비교하여 고장 진단을 수행할 수 있다.

상술한 단계 S402에서 연합 학습 데이터를 전달함에 있어서, 연합 학습기(120)에서는, 고장 예지 분석에 대한 공통 조건 등을 연합 학습을 통해 분류하여 기계설비 공통 사용 분석 모델을 찾도록 할 수 있다.

상술한 단계 S402에서 연합 학습 데이터를 전달하게 되면, AI 예지 분석기(130)에서는, 연합 학습기(120)로부터 전달되는 연합 학습 데이터를 이용하여 AI 기반으로 기계설비의 고장을 실시간으로 예지 분석해 주게 된다(S403).

상술한 단계 S403에서 기계설비의 고장을 예지 분석함에 있어서, AI 예지 분석기(130)에서는, 자동제어설비 관리에 AI 기법을 적용하여 실시간으로 기계설비의 고장 예측 및 관리를 수행할 수 있는데, 실시간으로 기계설비의 이상 발생을 감지, 분석, 제어 관리할 수 있다.

상술한 단계 S403에서 기계설비의 고장을 예지 분석함에 있어서, AI 예지 분석기(130)에서는, 연합 학습기(120)로부터 전달되는 연합 학습 데이터에 로직, 의사결정, 규칙, 모델 등의 분석 기술을 적용함으로써, 생산성과 효율성을 향상시키도록 할 수 있다.

상술한 단계 S403에서 기계설비의 고장을 예지 분석함에 있어서, AI 예지 분석기(130)에서는, 연합 학습기(120)로부터 전달되는 연합 학습 데이터(즉, 1차적으로 전처리 분석한 학습 데이터)를 이용하여 이에 해당하는 규칙(즉, 가장 적합하고 효율적인 규칙)을 생성시켜 줄 수 있다. 이때, 1차적으로 전처리 분석한 학습 데이터를 이용하여 사전 정의된 규칙을 리모델링해 줄 수도 있다.

상술한 단계 S403에서 기계설비의 고장을 예지 분석함에 있어서, AI 예지 분석기(130)에서는, 에너지 사용량 기반의 패턴을 도출하여 예측하는 것이 아니라, 1차적으로 전처리 분석한 학습 데이터에 대한 분석을 통한 모델링으로 예측 서비스를 제공할 수 있다.

상술한 단계 S403에서 기계설비의 고장을 예지 분석함에 있어서, AI 예지 분석기(130)에서는, 사전 정의된 규칙만을 활용하여 이상 상태를 탐지하고 분석하는 것이 아니라, 연합 학습기(120)로부터 전달되는 연합 학습 데이터(즉, 1차적으로 전처리 분석한 학습 데이터)를 이용하여 AI 기반으로 CBM(condition based maintenance)으로 기계설비의 상태를 정기적으로 점검하여 고장의 전조를 파악해서, 최종 고장에 이르기 전에 선행하는 예측 유지 보수(predictive maintenance)를 수행할 수 있다.

상술한 단계 S403에서 기계설비의 고장을 예지 분석함에 있어서, AI 예지 분석기(130)에서는, 기계설비의 고장이 한 번도 발생하지 않았더라도 기계설비의 고장을 예지할 수 있도록 하기 위한 기본적인 연합 학습 데이터를 빅데이터로 고장 유형별로 미리 데이터베이스화시켜 메모리에 저장해 둘 수도 있으며, 이에 연합 학습기(120)로부터 전달되는 연합 학습 데이터를 메모리에 저장해 둔 빅데이터와 비교 분석해서 기계설비의 고장을 예지할 수도 있으며, 또한 기계설비의 고장 발생 시마다 이에 해당하는 새로운 연합 학습 데이터를 메모리에 계속해서 업그레이드시켜 빅데이터의 신뢰도를 향상해 줄 수 있다.

상술한 단계 S403에서 기계설비의 고장을 예지 분석함에 있어서, AI 예지 분석기(130)에서는, 기계설비의 고장 및 A/S 상황(예를 들어, IoT복합밸브, 설비 제어감시 기기류, 디지털 계측기류 등)에 대한 사전 분석 및 판단 기준 데이터를 모델링하여 메모리에 저장해 둘 수도 있다.

상술한 단계 S403에서 기계설비의 고장을 예지 분석함에 있어서, AI 예지 분석기(130)에서는, 분석 데이터에 대한 멀티 조정 시각화(multiple coordinated visualization)를 사용자에게 제공해 줄 수 있다.

상술한 단계 S403에서 기계설비의 고장을 예지 분석함에 있어서, AI 예지 분석기(130)에서는, 예측 유지 보수를 서비스할 시에, 도 3에 도시된 바와 같이, 일상 점검과 모니터링으로 구분할 수 있는데, 일상 점검 시에는 오토 게이터링(auto gatering)이 불가능한 경우로, 수집 데이터가 판정 데이터인지 계량 데이터인지를 구분할 수 있고, 판정 데이터인 경우에 관찰자가 육안 관찰 판단한 데이터를 사용하여 이상인지 정상인지를 진단하도록 할 수 있으며, 계량 데이터인 경우에 측정 장치나 센서(111)를 통해 수집한 데이터를 사용하여 기 설정해 둔 상한, 하한 규격 한계선의 기준으로 진단하도록 할 수 있으며,

상술한 단계 S403에서 기계설비의 고장을 예지 분석함에 있어서, AI 예지 분석기(130)에서는, 모니터링 시에는 오토 게이터링이 가능한 경우로, 수집 데이터가 디지털 데이터인지 아날로그 데이터인지를 구분할 수 있고, 디지털 데이터인 경우에 측정 장치나 센서(111)의 상태 신호를 수집하여 1(즉, 이상)인지 0(즉, 정상)인지를 진단하도록 할 수 있으며, 아날로그 데이터인 경우에 측정 장치나 센서(111)의 측정값을 수집하여 기 설정해 둔 상한, 하한 규격 한계선의 기준으로 진단하도록 하거나, 제어 차트 패턴(control chart pattern)을 이용한 관리 한계선의 기준으로 진단하도록 할 수 있다.

상술한 단계 S403에서 기계설비의 고장을 예지 분석함에 있어서, AI 예지 분석기(130)에서는, 자동제어설비 고장 종류(예를 들어, IoT복합밸브 데이터 측정 장치 고장(유량, 압력, 온도)으로 인한 측정 데이터 갱신 발송 불가, IoT복합밸브 제어 구동부 고장으로 인한 유량 및 온도 제어 불가, 스마트 DDC 통신 송수신 고장으로 인한 설비 데이터 감시 및 제어 불가 등)에 따른 예측 분석을 수행하는데, IoT복합밸브 데이터 측정 장치 고장(유량, 압력, 온도)의 경우에 데이터 송수신 주기(최대 30초)에 따른 응답 여부 및 데이터 갱신 여부를 확인할 수 있으며, IoT복합밸브 제어 구동부 고장의 경우에 설비에서 현재 상태의 회신 신호와 제어 신호의 일치 여부를 통한 제어 상태를 확인할 수 있으며, 스마트 DDC 통신 송수신 고장의 경우에 감시제어 모니터링 시스템과 연계하여 일정 주기별(예로, 1초)로 통신 송수신 여부를 확인할 수 있다.

상술한 단계 S403에서 기계설비의 고장을 예지 분석함에 있어서, AI 예지 분석기(130)에서는, 건축물의 냉난방설비 시스템의 고장 상황을 예측 및 판단하기 위해서, 구성요소들의 계측치가 다른 건축물 경우의 평균 계측과 일정 이상(예 : 5%)의 오차를 보일 경우, 유지 관리 필요, 일정 이상의 비상 상태 정보가 수집될 경우(예로, 구성요소의 약 30%), 시스템 전면 수리 필요 등으로 구분할 수 있다.

이상, 본 발명의 실시 예는 상술한 장치 및/또는 운용방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시 예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시 예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다. 이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

100: 연합 학습을 이용한 기계설비 고장 예지 분석 시스템
110: 데이터 수집기
111: 측정 장치나 센서
120: 연합 학습기
121: 서버
122: DDC
130: AI 예지 분석기

Claims (5)

1. 연합 학습을 이용한 기계설비 고장 예지 분석 시스템에 있어서,
   상기 연합 학습을 이용한 기계설비 고장 예지 분석 시스템은, 기계설비로부터 IoT 데이터를 수집하기 위한 데이터 수집기;
   상기 데이터 수집기에서 수집한 IoT 데이터를 전달받아 연합 학습하여 연합 학습 데이터를 생성시켜 주기 위한 연합 학습기; 및
   상기 연합 학습기에서 생성한 연합 학습 데이터를 전달받아 AI 기반으로 기계설비의 고장을 실시간으로 예지 분석해 주기 위한 AI 예지 분석기를 포함하고,
   상기 데이터 수집기는, IoT 복합밸브 내 유량 데이터 계측의 경우, IoT 복합밸브에 연결되어 있는 제어장치를 통해 개도 100%를 실행한 후에 중형 유량시험장치 내 기준기 순간 유량 값 39(L/min) 도달 여부를 확인하고, IoT 복합밸브 내 제어장치의 표시부를 통해 해당 유량 값이 모니터링 되는지를 확인하고, 이것을 3회 반복 시행 후 각 회별 기준기와 밸브의 순간유량 값의 평균 오차 값을 산출하여 95% 이상 정확도를 갖는지를 시험하고,
   상기 데이터 수집기는, IoT 복합밸브 내 압력 데이터 계측의 경우, IoT 복합밸브 내 압력이 제어장치의 표시부로 모니터링 되는지를 확인하고, 시험장치의 조건을 20°C, 0.8 MPa로 설정하여 제어장치의 표시부로 압력 값이 정확하게 측정되는지를 확인하고, 시험장치의 조건을 20°C, 1.6 MPa로 설정하여 표시부로 모니터링 되는지를 확인하고, 이것을 5회 반복 시행 후 측정된 압력 값이 기준압력 값의 ±0.5% 오차범위 이내에서 측정되는 정확도를 시험하고,
   상기 데이터 수집기는, IoT 복합밸브 내 온도 데이터 계측의 경우, IoT 복합밸브와 시험장치 환경을 (0.0±3.0)°C로 설정하고 1시간 동안 IoT 복합밸브를 안정 상태로 유지하고, 제어장치의 표시부로 모니터링 되는지를 확인하고, 시험장치의 온도를 (40±3)°C로 설정하고 2시간 동안 IoT 복합밸브를 안정 상태로 유지한 후 측정값을 확인하고, 이것을 5회 반복 시행 후 표시부의 온도 측정값이 ±1.0°C 오차범위 이내를 유지하는지 확인 후 정확도를 산출하고,
   상기 데이터 수집기는, 스마트 DDC 입력 계측 장치 데이터 모니터링의 경우, 계측기에서 감지된 데이터는 통신망을 통해서 스마트 DDC로 전송하고, 스마트 DDC에 연결되어 있는 계측기로 데이터 입력 값이 모니터링 되는지를 확인하고, 스마트 DDC에 전송되어진 데이터는 스마트 DDC 측에 기록되고, 본 데이터는 실시간 저장 하고,
   상기 데이터 수집기는, IoT 계측 데이터 수집 및 저장 알고리즘의 경우, IoT 계측 데이터 수집 알고리즘을 실행한 후에, IoT 복합밸브로부터 5종의 실제 데이터를 정상적으로 수집하는지를 시험하고, 10회의 반복시험을 실행하여 알고리즘의 정확도를 시험하고,
   상기 데이터 수집기는, 예측 유지 보수 알고리즘의 경우, 연합학습 기반 예측 유지보수 알고리즘을 실행한 후에, 수집 및 저장된 IoT 계측 데이터 및 기존 유지 보수 데이터를 훈련하여 예측 모델을 구축한 후에, 학습된 실시간 현장운영 데이터 외에 이상 패턴 데이터를 수집시에 고장 패턴 데이터로 도출을 확인한 후에, 전체 데이터의 30%를 사용하여 예측 모델의 오차율(CvRMSE)을 5회 이상 확인 후 평균 오차율을 측정하고,
   상기 데이터 수집기는, 연합 학습 기반 예측 유지 보수 알고리즘의 경우, 연합학습 기반 예측 유지보수 알고리즘을 실행한 후에, 수집 및 저장된 IoT 계측 데이터를 훈련하여 예측 모델을 구축한 후에, 10종의 테스트 데이터에 대한 예측 시간을 측정하고,
   상기 데이터 수집기는, 예측 유지 보수를 위한 통합 솔루션의 경우, IoT 계측 데이터를 활용한 예측 유지보수 통합 솔루션을 실행한 후에, 10종의 테스트 데이터에 대한 예측 결과 도출을 확인하고, 이것을 10회의 반복시험을 통하여 소프트웨어의 안정성을 시험하고,
   상기 데이터 수집기는, 기계설비 장애 이상 데이터에 대한 분류를, 계측 신호 오류, 통신 상태 오류, 역류 이상, 입력 센서 이상, 작동 불능으로 수행하고,
   상기 데이터 수집기는, 실시간 데이터 수집을 위한 아파치 플룸, 빅데이터를 분산 환경에서 관리하기 위한 HDFS, HBase, 임팔라, 실시간 데이터 분석 및 처리를 위한 아파치 스파크를 활용하고,
   상기 연합 학습기는, 연합 학습 기법을 적용하여, 서버와 서버에 연계된 복수 개의 에지 디바이스가 서로 역할을 분배하여 상기 데이터 수집기에서 수집한 IoT 데이터를 전달받아 학습하고,
   상기 연합 학습기는, 연합 학습 기법을 적용하기 위해서, 서버와 복수 개의 DDC를 포함하는 연합 학습 체계를 구축하며, DDC에 IoT 데이터의 저장 및 연산이 가능한 프로세서를 탑재하여 IoT 데이터에 대한 연합 학습을 수행하고, 상기 DDC는, 데이터 저장 및 프로세싱이 가능하고, 이를 기반으로 연합 학습을 적용하여, 특정 위치에서 직접 디지털 값으로 필드의 기기를 제어하고,
   상기 연합 학습기는, 에지 디바이스 수준에서 전처리 분석 및 제어를 수행하되, 연합 학습을 이용하고 에지 디바이스에 의한 분산 처리 에지 컴퓨팅 기술을 적용하여, 상기 데이터 수집기에서 수집한 IoT 데이터를 전달받아 전처리 분석 학습하고,
   상기 연합 학습기는, 상기 데이터 수집기에서 수집한 IoT 데이터를 전달받아 1차적으로 전처리 분석을 통해 학습하고,
   상기 연합 학습기는, 상기 데이터 수집기로부터 복수의 센싱 정보를 전달받아 1차적으로 전처리 분석하여 실시간으로 다른 센싱 값과 비교하여 일시적인 장애인지 고장인지의 여부를 확인하고,
   상기 연합 학습기는, 고장 예지 분석에 대한 공통 조건을 연합 학습을 통해 분류하여 기계설비 공통 사용 분석 모델을 찾도록 하고,
   상기 AI 예지 분석기는, 자동제어설비 관리에 AI 기법을 적용하여 실시간으로 기계설비의 고장 예측 및 관리를 수행하며, 실시간으로 기계설비의 이상 발생을 감지, 분석, 제어 관리하고,
   상기 AI 예지 분석기는, 상기 연합 학습기에서 생성한 연합 학습 데이터에 로직, 의사결정, 규칙, 모델의 분석 기술을 적용하고,
   상기 AI 예지 분석기는, 상기 연합 학습기에서 생성한 1차적으로 전처리 분석한 학습 데이터를 이용하여 이에 해당하는 규칙을 생성시켜 주고,
   상기 AI 예지 분석기는, 1차적으로 전처리 분석한 학습 데이터를 이용하여 사전 정의된 규칙을 리모델링해 주고,
   상기 AI 예지 분석기는, 1차적으로 전처리 분석한 학습 데이터에 대한 분석을 통한 모델링으로 예측 서비스를 제공하고, 상기 AI 예지 분석기는, 상기 연합 학습기로부터 전달받은 1차적으로 전처리 분석한 학습 데이터를 이용하여 AI 기반으로 CBM으로 기계설비의 상태를 정기적으로 점검하여 고장의 전조를 파악해서, 최종 고장에 이르기 전에 선행하는 예측 유지 보수를 수행하고, 상기 AI 예지 분석기는, 기계설비의 고장 및 A/S 상황에 대한 사전 분석 및 판단 기준 데이터를 모델링하여 메모리에 저장해 두고, 상기 AI 예지 분석기는, 분석 데이터에 대한 멀티 조정 시각화를 사용자에게 제공하고, 상기 AI 예지 분석기는, 예측 유지 보수를 서비스할 시에, 일상 점검과 모니터링으로 구분하고, 상기 AI 예지 분석기는, 일상 점검 시, 수집 데이터가 판정 데이터인지 계량 데이터인지를 구분하며, 판정 데이터인 경우에 관찰자가 육안 관찰 판단한 데이터를 사용하여 이상인지 정상인지를 진단하며, 계량 데이터인 경우에 측정 장치나 센서를 통해 수집한 데이터를 사용하여 기 설정해 둔 상한, 하한 규격 한계선의 기준으로 진단하고, 상기 AI 예지 분석기는, 모니터링 시, 수집 데이터가 디지털 데이터인지 아날로그 데이터인지를 구분하며, 디지털 데이터인 경우에 측정 장치나 센서의 상태 신호를 수집하여 이상인지 정상인지를 진단하며, 아날로그 데이터인 경우에 측정 장치나 센서의 측정값을 수집하여 기 설정해 둔 상한, 하한 규격 한계선의 기준으로 진단하거나, 제어 차트 패턴을 이용한 관리 한계선의 기준으로 진단하고, 상기 AI 예지 분석기는, 자동제어설비 고장 종류에 따른 예측 분석을 수행하되, IoT복합밸브 데이터 측정 장치 고장의 경우에 데이터 송수신 주기에 따른 응답 여부 및 데이터 갱신 여부를 확인하며, IoT복합밸브 제어 구동부 고장의 경우에 설비에서 현재 상태의 회신 신호와 제어 신호의 일치 여부를 통한 제어 상태를 확인하며, 스마트 DDC 통신 송수신 고장의 경우에 감시제어 모니터링 시스템과 연계하여 일정 주기별로 통신 송수신 여부를 확인하고, 상기 AI 예지 분석기는, 건축물의 냉난방설비 시스템의 고장 상황을 예측 및 판단하기 위해서, 계측치가 다른 건축물 경우의 평균 계측과 일정 이상의 오차를 보일 경우, 유지 관리 필요로 구분하며, 일정 이상의 비상 상태 정보가 수집될 경우, 시스템 전면 수리 필요로 구분하는 것을 특징으로 하는 연합 학습을 이용한 기계설비 고장 예지 분석 시스템.
2. 삭제
3. 삭제
4. 삭제
5. 삭제