KR102589094B1 - 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법 - Google Patents

공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법 Download PDF

Info

Publication number
KR102589094B1
KR102589094B1 KR1020220139304A KR20220139304A KR102589094B1 KR 102589094 B1 KR102589094 B1 KR 102589094B1 KR 1020220139304 A KR1020220139304 A KR 1020220139304A KR 20220139304 A KR20220139304 A KR 20220139304A KR 102589094 B1 KR102589094 B1 KR 102589094B1
Authority
KR
South Korea
Prior art keywords
data
normal
abnormal
ratio
learning
Prior art date
Application number
KR1020220139304A
Other languages
English (en)
Inventor
박병희
최현진
Original Assignee
(재)대구기계부품연구원
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 (재)대구기계부품연구원 filed Critical (재)대구기계부품연구원
Priority to KR1020220139304A priority Critical patent/KR102589094B1/ko
Application granted granted Critical
Publication of KR102589094B1 publication Critical patent/KR102589094B1/ko

Links

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
    • G05B23/0218—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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)

Abstract

본 발명은 실제 공정에서 발생되는 데이터를 수집하여 학습 데이터 셋을 구성함으로써, 정확도가 향상된 진단 모델을 개발할 수 있는 기술에 관한 것이다.

Description

공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법 {Training data set configuration system and method for development of diagnosis model of the machine tool}
본 발명은 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법에 관한 것으로, 임의의 가상 공정 상황이 아닌, 실제 공정에서 발생되는 데이터를 수집하여 학습 데이터 셋을 구성함으로써, 정확도가 향상된 진단 모델을 개발할 수 있는 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법에 관한 것이다.
통상적으로 AI 학습 모델을 생성하기 위한 빅데이터(수집 데이터/학습 데이터 등)는 정상 데이터(normal data)는 많지만 이상 데이터(abnormal data)는 부족한 경우가 많다.
그렇기 때문에, 공작기계의 AI 기반 진단 모델을 생성하기 위해서, 종래에는 임의로 실제 공정 상황이 아닌 실제 공정 상황을 가정하여 임의의 공정 상황을 만들어서 공정 데이터를 수집하고 있다.
즉, 실제 공정 상황은 당연히 이상 데이터보다 정상 데이터의 수집이 용이하기 때문에, 이상 데이터를 수집하기 위해서는, 임의의 공정 상황을 가정하여, 연속적으로 공구를 가공하여, 정상 상태에서부터 마모 한계를 넘기는 동안의 공정 데이터를 수집하는 방법이 쓰이고 있다.
이 경우, 당연히 실제 공정 상황이 아니기 때문에, 수집되는 정상 데이터와 이상 데이터의 재현율이 낮아, 실제 공정 상황에 이상 데이터가 입력되더라도 이에 대한 진단 정확도가 낮을 수 밖에 없다.
또한, 반드시 실제 공정 상황을 가정한 임의의 공정 상황을 만들어 공장기계의 추가 구동을 수행해야 하기 때문에, 학습 데이터 셋을 구성하는데 많은 비용과 시간이 발생할 수 밖에 없다.
이와 관련해서, 국내 등록 특허 제10-2353574호("CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템")에서는 적은 양의 공정 데이터를 기반으로 비정상 데이터를 탐지할 수 있는 시스템을 개시하고 있다.
한국등록특허 제10-2353574호 (등록일자 2022.01.17.)
따라서 본 발명은 상기한 바와 같은 문제점을 해결하기 위해 안출된 것으로, 본 발명의 실제 구동 중인 공작기계의 데이터를 연속적으로 수집하여, 이를 분석하여 진단 모델 개발을 위한 학습 데이터 셋을 구성함으로써, 정확도가 향상된 진단 모델을 개발할 수 있는 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법에 관한 것이다.
즉, 실제 상황을 가정하여 공정 시뮬레이션을 통해 발생되는 데이터가 아닌 실제 공정에서 발생되는 데이터를 이용하여, 공작기계의 진단 모델 개발을 위한 학습 데이터 셋을 구성함으로써, 데이터 수집을 위한 별도의 공정 시뮬레이션이 필요 없을 뿐 아니라, 실제 상황에서 발생한 데이터인 만큼 진단 모델의 신뢰성을 향상시킬 수 있는 시스템 및 그 방법에 관한 것이다.
상기한 바와 같은 문제점을 해결하기 위한 본 발명의 일 실시예에 의한 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템은, 구동 중인 공작기계에 내장된 적어도 하나의 센서 수단으로부터 시계열순에 따라 센싱 데이터를 입력받는 데이터 수집부, 전달되는 상기 센싱 데이터를 이용하여 특징 데이터를 생성하는 데이터 분석부, 상기 특징 데이터를 분석하여, 정상 데이터(normal data)와 이상 데이터(abnormal data)로 분류하는 데이터 분류부 및 전달되는 정상 데이터와 이상 데이터를 이용하여, 공작기계의 동작 진단 모델 개발을 위한 학습 데이터 셋을 구성하는 데이터 구성부를 포함하는 것이 바람직하다.
더 나아가, 상기 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템은 상기 데이터 수집부에 의한 센싱 데이터를 전달받아, 기저장된 알고리즘을 이용하여 정규성 검증을 수행하여, 정규성 검증을 만족하는 데이터를 상기 데이터 분석부로 전달하는 데이터 전처리부를 더 포함하는 것이 바람직하다.
더 나아가, 상기 데이터 분석부는 상기 데이터 전처리부에 의해 정규성 검증을 만족하는 센싱 데이터를 전달받아, 기설정된 주파수 조건에 해당하는 센싱 데이터를 추출하고, 추출한 센싱 데이터를 분석하여 특징 데이터를 생성하는 것이 바람직하다.
더 나아가, 상기 데이터 분류부는 상기 데이터 분석부로 전달되는 센싱 데이터의 표준 편차와 상기 데이터 분석부에 의한 특징 데이터의 표준 편차를 비교 분석하여, 상기 특징 데이터가 정상 데이터이지 이상 데이터인지 분류하는 것이 바람직하다.
더 나아가, 상기 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템은 상기 데이터 분류부에 의한 분류 결과를 토대로, 정상 데이터와 이상 데이터 간의 분포 제어를 수행하는 데이터 후처리부를 더 포함하는 것이 바람직하다.
더 나아가, 상기 데이터 후처리부는 상기 데이터 분류부에 의한 분류 결과를 토대로, 전체 데이터를 이루는 정상 데이터와 이상 데이터의 비율을 분석하여, 정상 데이터와 이상 데이터의 비율을 기설정된 소정 비율로 제어하는 것이 바람직하다.
더 나아가, 상기 데이터 후처리부는 분석한 정상 데이터와 이상 데이터의 비율을 토대로, 임의로 이상 데이터를 추가 생성하는 것이 바람직하다.
본 발명의 일 실시예에 의한 연산 처리 수단에 의해 각 단계가 수행되는 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템에 의한 학습 데이터 셋 구성 방법으로서, 구동 중인 공작기계에 내장된 적어도 하나의 센서 수단으로부터 시계열순에 따라 센싱 데이터를 입력받는 데이터 수집 단계(S100), 기저장된 알고리즘을 이용하여, 상기 데이터 수집 단계(S100)에 의한 센싱 데이터에 대한 정규성 검증을 수행하고, 정규성 검증을 만족하는 데이터를 추출하는 데이터 추출 단계(S200), 상기 데이터 추출 단계(S200)에 의한 정규성 검증을 만족하는 데이터를 이용하여 특징 데이터를 생성하는 데이터 분석 단계(S300), 상기 데이터 분석 단계(S300)에 의한 특징 데이터를 분석하여, 정상 데이터와 이상 데이터로 분류하는 데이터 분류 단계(S400) 및 상기 데이터 분류 단계(S400)에 의한 분류 데이터들을 이용하여 공작기계의 동작 진단 모델 개발을 위한 학습 데이터 셋을 구성하는 데이터 구성 단계(S500)를 포함하는 것이 바람직하다.
더 나아가, 상기 데이터 분석 단계(S300)는 상기 데이터 추출 단계(S200)에 의한 정규성 검증을 만족하는 데이터를 이용하여, 기설정된 주파수 조건에 해당하는 센싱 데이터를 추출하고, 추출한 센싱 데이터를 분석하여 특징 데이터를 생성하는 것이 바람직하다.
더 나아가, 상기 데이터 분류 단계(S400)는 상기 데이터 분석 단계(S300)에서 이용하는 정규성 검증을 만족하는 데이터의 표준 편차와 상기 데이터 분석 단계(S300)에서 생성한 특징 데이터의 표준 편차를 비교 분석하여, 상기 특징 데이터가 정상 데이터인지 이상 데이터인지 분류하는 것이 바람직하다.
더 나아가, 상기 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 방법은 상기 데이터 구성 단계(S500)를 수행하기 앞서서, 상기 데이터 분류 단계(S400)에 의한 분류 결과를 토대로, 전체 데이터를 이루는 정상 데이터와 이상 데이터의 비율을 분석하며, 분석한 비율을 기설정된 소정 비율로 제어하여, 정상 데이터와 이상 데이터 간의 분포 제어를 수행하는 분포 제어 단계(S410)를 더 수행하는 것이 바람직하다.
더 나아가, 상기 분포 제어 단계(S410)는 분석한 정상 데이터와 이상 데이터의 비율을 토대로, 임의로 이상 데이터를 추가 생성하는 것이 바람직하다.
더 나아가, 상기 데이터 구성 단계(S500)는 상기 분포 제어 단계(S410)에 의해 정상 데이터와 이상 데이터 간의 분포 제어가 수행된 데이터들을 이용하여 공작기계의 동작 진단 모델 개발을 위한 학습 데이터 셋을 구성하는 것이 바람직하다.
본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법은, 가상의 공정 상황이 아닌, 실제 공정 상황에서 수집되는 공정 데이터를 이용하여 학습 데이터를 구성함으로써, 이를 이용하여 정확도 높은 진단 모델을 개발할 수 있는 장점이 있다.
더불어, 학습 데이터를 구성하기 위해, 추가적인 별도의 공정 상황이 요구되지 않아, 이에 따른 시간 및 비용을 감소시킬 수 있는 장점이 있다.
뿐만 아니라, 공정 상황에 대한 측정 및 누적 데이터의 최소화로 모니터링 시스템 구축 비용이 감소되는 장점이 있다.
이러한 진단 모델의 정확도 향상에 따라, 가공물의 생산성 증대를 기대할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템을 나타낸 구성 예시도이다.
도 2는 본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법에서, 정상 데이터와 이상 데이터의 비율 제어 수행 결과를 나타낸 예시도이다.
도 3은 본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법에 의해 구성된 학습 데이터 셋을 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 방법을 나타낸 순서 예시도이다.
상술한 본 발명의 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 실시예를 통하여 보다 분명해질 것이다. 이하의 특정한 구조 내지 기능적 설명들은 단지 본 발명의 개념에 따른 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서 또는 출원에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 된다. 본 발명의 개념에 따른 실시예는 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있으므로 특정 실시예들은 도면에 예시하고 본 명세서 또는 출원에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시 형태에 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 제1 및 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 한정되지는 않는다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소들로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소는 제1 구성 요소로도 명명될 수 있다. 어떠한 구성 요소가 다른 구성 요소에 연결되어 있다거나 접속되어 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떠한 구성 요소가 다른 구성 요소에 직접 연결되어 있다거나 또는 직접 접속되어 있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하기 위한 다른 표현들, 즉 '∼사이에'와 '바로 ∼사이에' 또는 '∼에 인접하는'과 '∼에 직접 인접하는' 등의 표현도 마찬가지로 해석되어야 한다. 본 명세서에서 사용하는 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서 포함하다 또는 가지다 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로써 본 발명을 상세히 설명하도록 한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.
더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.
본 발명은, 절삭 공정을 모니터링하여 공정 동안 마모되는 공구를 진단하여 공작기계의 생산성을 향상시키기 위한 지능형 가공 시스템을 구성하기 위한 진단 모델을 개발하기 위한 학습 데이터 셋을 구성하기 위한 기술이다.
종래에는, 공작기계에 가속도 센서, 음향 센서, 전류 센서 및 변위 센서 등을 설치하여, 학습 데이터 셋을 구성하기 위한 공정 데이터를 수집하였으나, 정상 구동 상황에서의 정상 데이터와 이상 데이터에 대한 수집이 어려운 문제점이 있다.
이러한 문제점을 해소하기 위하여, 종래에는 실험 전용 장비 또는, 시뮬레이터를 통해서, 임의로 정상 상황에서 한계 상황까지의 구동 상황을 재현하면서, 데이터를 수집해야 하는 번거로움이 있다.
이에 따라, 본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법은, 산업 현장 기계의 실시간 공정 데이터를 수집하고, 이에 대한 정규분포의 표준편차 범위를 분석하고, 정상과 이상 범주에 대한 데이터를 분류하여 이를 학습 데이터 셋으로 구성하여, 종래 기술의 문제점을 해결하고자 한다. 이를 통해서, 정확도 및 신뢰도가 향상된 진단 모델을 개발할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템을 나타낸 구성 예시도이다. 도 1을 참조로 하여 본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템을 자세히 알아보도록 한다.
본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템은 도 1에 도시된 바와 같이, 데이터 수집부(100), 데이터 분석부(200), 데이터 분류부(300) 및 데이터 구성부(400)를 포함하여 구성되는 것이 바람직하다. 각 구성들은 컴퓨터 등을 포함하는 적어도 하나 이상의 연산처리수단에 각각 또는 통합 포함되어 동작을 수행하는 것이 바람직하다.
각 구성에 대해서 자세히 알아보자면,
상기 데이터 수집부(100)는 구동 중인 공작기계에 내장된 적어도 하나의 센서 수단으로부터 시계열순에 따라 공정 데이터를 센싱받는 것이 바람직하다.
즉, 공작기계에 내장 설치된 적어도 하나의 센서 수단으로부터 공정 과정에서 발생되는 공정 데이터를 시계열 순에 따라 지속적으로 센싱하여 입력받게 된다.
이 때, 적용되는 공작기계에 따라 센서 수단은 상이하게 구성될 수 있으며, 이에 따라, 센싱 데이터의 종류 역시 상이하게 된다.
이러한 센싱 데이터의 일 예를 들자면, 진동, 온도, 변위, 전류 데이터 등이 있으나, 이에 대해서 한정하는 것은 아니다.
상기 데이터 분석부(200)는 전달되는 상기 센싱 데이터를 이용하여 특징 데이터를 생성하게 된다.
여기서, 본 발명의 일 실시예에 따른 공작기계의 진단 모델 개방을 위한 학습 데이터 셋 구성 시스템은 구성되는 학습 데이터 셋의 정확도와 신뢰성, 더 나아가, 이를 학습 처리하여 개발되는 진단 모델의 정확도와 신뢰성을 향상시키기 위하여, 도 1에 도시된 바와 같이, 상기 데이터 수집부(100)에 의한 센싱 데이터의 정규성 검증을 수행하는 데이터 전처리부(10)를 더 포함하게 된다.
상기 데이터 전처리부(10)는 상기 데이터 수집부(100)에 의한 센싱 데이터를 전달받아, 미리 저장된 알고리즘을 이용하여 정규성 검증을 수행하게 된다.
본 발명의 일 실시예에 따른 공작기계의 진단 모델 개방을 위한 학습 데이터 셋 구성 시스템의 개발 과정에서는 미리 저장된 알고리즘으로 Anderson-Darling Test를 활용하였으나, 이는 하나의 실시예에 불과하며, 데이터의 정규성 검증을 수행할 수 있는 어떠한 알고리즘을 적용하여도 무방하다.
상기 데이터 전처리부(10)는 정규성 검증 결과에 따라, 정규성 검증을 만족하는 데이터만을 추출하여 상기 데이터 분석부(200)로 전달하게 된다.
상술한 Anderson-Darling Test로 예를 들자면, 상기 데이터 전처리부(10)는 센싱 데이터의 P-value이 0.05인 초과일 경우에만 정규성 검증을 만족하는 것으로 판단하게 된다.
이에 따라, 상기 데이터 분석부(200)는 정규성 검증을 만족하는 센싱 데이터를 이용하여 특징 데이터를 생성하게 된다.
상세하게는, 상기 데이터 분석부(200)는 시계열순으로 입력되는 센싱 데이터를 분석하여, 미리 설정된 주파수 조건에 해당하는 센싱 데이터를 추출하게 된다.
여기서, 미리 설정된 주파수 조건으로는 공구 절삭 주파수(Cutter pass frequency)로 한정하고 있으며, 이는 본 발명의 일 실시예에 불과하다.
상기 데이터 분석부(200)는 추출한 센싱 데이터를 분석하여 미리 설정된 항목의 특징 데이터를 생성하게 된다.
상기 특징 데이터는 적용되는 공작기계에 따라, 해당하는 공작기계의 구동 상황에서 정상과 이상 범주를 분명히 구분할 수 있을 만한 데이터로서, 이에 대해서 한정하는 것은 아니다.
상기 데이터 분류부(300)는 상기 데이터 분석부(200)에서 생성한 상기 특징 데이터를 분석하여 정상 데이터(normal data)와 이상 데이터(abnormal data)로 분류하게 된다.
상세하게는, 상기 데이터 분류부(300)는 상기 데이터 분석부(200)로 전달되는 센싱 데이터의 표준 편차(σ)와 상기 데이터 분석부(200)에 의한 특징 데이터의 표준 편차(σ')를 비교 분석하는 것이 바람직하다.
다시 말하자면, 상기 데이터 분류부(300)는 미리 설정된 주파수 조건에 해당하여 추출한 센싱 데이터의 표준 편차와 이를 토대로 생성한 특징 데이터의 표준 편차를 비교 분석하게 된다.
본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템에서의 분류 기준은 상기 데이터 분석부(200)에 의한 특징 데이터의 표준 편차(σ')가 상기 데이터 분석부(200)로 전달되는 센싱 데이터의 표준 편차(σ)의 3배수보다 클 경우, 이상 데이터로 분류하고, 이하일 경우, 정상 데이터로 분류하게 된다.
즉, σ' > 3σ일 경우, 해당하는 특징 데이터를 이상 데이터로 분류하고, σ' ≤ 3σ일 경우, 해당하는 특징 데이터를 정상 데이터로 분류하게 된다.
이러한 분류 기준은 평균에서 양쪽으로 3표준 편차의 범위에 거의 모든 값들(99.7%)이 들어간다는 가정하는 3 시그마 규칙에 의한 것이다.
이에 따라, 반드시 3 시그마 규칙으로 한정하는 것은 아니며, 적용되는 공작기계에 따라, 기준은 충분히 변경 가능하다.
상기 데이터 구성부(400)는 전달되는 정상 데이터와 이상 데이터를 이용하여 공작기계의 동작 진단 모델 개발을 학습 데이터 셋을 구성하게 된다.
이 때, 상술한 바와 같이, 공작기계의 정상적인 구동 상황에서는 당연히 정상 데이터가 월등히 높은 비율로 수집되게 된다.
이러한 점을 고려하지 않고, 학습 데이터 셋을 구성할 경우, 정상 데이터의 과적합(overfitting)이 나타나게 되어, 진단 모델의 정확도와 신뢰성이 낮아지게 된다.
이를 해소하기 위하여, 본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템은 도 1에 도시된 바와 같이, 상기 데이터 분류부(300)에 의한 분류 결과를 토대로, 정상 데이터와 이상 데이터 간의 분포 제어를 수행하는 데이터 후처리부(20)를 더 포함하게 된다.
상기 데이터 후처리부(20)는 상기 데이터 분류부(300)에 의한 분류 결과를 토대로, 학습 데이터 셋을 구성하게 되는 전체 데이터를 이루는 정상 데이터와 이상 데이터의 비율을 분석하는 것이 바람직하다.
상술한 바와 같이, 당연히 정상 데이터의 비율이 월등히 높게 나타나게 된다.
이에 따라, 상기 데이터 후처리부(20)는 정상 데이터와 이상 데이터의 비율을 미리 설정된 소정 비율로 제어하는 것이 바람직하다.
상세하게는, 도 2에 도시된 바와 같이, 임의로 이상 데이터를 추가 생성하여, 정상 데이터와 이상 데이터의 비율을 미리 설정된 소정 비율로 제어하게 된다.
이 때, 미리 설정된 소정 비율은 학습 처리에 적용되는 AI 네트워크에 가장 적합한 비율로 설정하는 것이 바람직하며, 이에 대해서 한정하는 것은 아니다.
더불어, 상기 데이터 후처리부(20)에서 임의로 이상 데이터를 추가 생성하는 과정은 화이트 노이즈를 추가하여 이상 데이터의 빈도 수를 늘려서 전체 데이터에서 비율을 증가시키는 것이 바람직하다.
즉, 이상 데이터에 대해 정규성 확률 분포 모형을 만족하는 화이트 노이즈를 기반으로 임의의 데이터를 추가로 생성함으로써, 정상 데이터와의 데이터 불균형을 해소하게 된다. 이를 통해서, 정상 데이터와 이상 데이터의 데이터 불균형에 의한 학습 모델(동작 진단 모델)에서 발생할 수 있는 결함을 미연에 방지하게 된다.
물론, 상기 데이터 후처리부(20)는 경우에 따라, 정상 데이터의 비율이 낮을 수 있다. 이 경우, 상술한 예시와는 반대로, 임의로 정상 데이터를 추가 생성하여 정상 데이터와 이상 데이터의 비율을 미리 설정된 소정 비율로 제어하게 된다.
이를 통해서, 상기 데이터 구성부(400)는 상기 데이터 후처리부(20)를 통해서 전달되는 정상 데이터와 이상 데이터, 다시 말하자면, 도 3에 도시된 바와 같이, 상기 데이터 분류부(300)에 의해 정확히 분류되어 있고, 상기 데이터 후처리부(20)에 의해 분포 비율이 제어된 정상 데이터와 이상 데이터를 이용하여 공작기계의 동작 진단 모델 개발을 학습 데이터 셋을 구성하게 된다.
이렇게 구성된 학습 데이터 셋을 AI 기반 학습 처리를 수행하여, 공작기계의 동작 진단 모델을 생성하게 된다.
다양한 실험 결과, 임의의 공정 상황을 재현하여 공정 데이터를 수집하는 경우보다, 실제 공정 상황에서 수집되는 공정 데이터를 이용함으로써, 진단 모델의 정확도가 20% 이상 향상됨을 알 수 있었다.
도 4는 본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 방법을 나타낸 순서 예시도이다. 도 4를 참조로 하여 본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 방법을 자세히 알아보도록 한다.
본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 방법은 도 4에 도시된 바와 같이, 데이터 수집 단계(S100), 데이터 추출 단계(S200), 데이터 분석 단계(S300), 데이터 분류 단계(S400) 및 데이터 구성 단계(S500)를 포함하는 것이 바람직하다.
각 단계들은 연산 처리 수단에 의해 각 단계가 수행되는 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템을 이용하여 동작되게 된다.
각 단계에 대해서 자세히 알아보자면,
상기 데이터 수집 단계(S100)는 상기 데이터 수집부(100)에서, 구동 중인 공작기계에 내장된 적어도 하나의 센서 수단으로부터 시계열순에 따라 공정 데이터를 센싱받게 된다.
즉, 공작기계에 내장 설치된 적어도 하나의 센서 수단으로부터 공정 과정에서 발생되는 공정 데이터를 시계열 순에 따라 지속적으로 센싱하여 입력받게 된다.
이 때, 적용되는 공작기계에 따라 센서 수단은 상이하게 구성될 수 있으며, 이에 따라, 센싱 데이터의 종류 역시 상이하게 된다.
이러한 센싱 데이터의 일 예를 들자면, 진동, 온도, 변위, 전류 데이터 등이 있으나, 이에 대해서 한정하는 것은 아니다.
상기 데이터 추출 단계(S200)는 상기 데이터 전처리부(10)에서, 미리 저장된 알고리즘을 이용하여 상기 데이터 수집 단계(S100)에 의한 센싱 데이터의 정규성 검증을 수행하게 된다.
여기서, 미리 저장된 알고리즘으로 Anderson-Darling Test를 활용하였으나, 이는 하나의 실시예에 불과하며, 데이터의 정규성 검증을 수행할 수 있는 어떠한 알고리즘을 적용하여도 무방하다.
상술한 Anderson-Darling Test로 예를 들자면, 센싱 데이터의 P-value이 0.05인 초과일 경우에만 정규성 검증을 만족하는 것으로 판단하게 된다.
이에 따라, 상기 데이터 추출 단계(S200)는 정규성 검증을 만족하는 데이터, 다시 말하자면, P-value이 0.05인 초과인 센싱 데이터만을 추출하게 된다.
상기 데이터 분석 단계(S300)는 상기 데이터 분석부(200)에서, 상기 데이터 추출 단계(S200)에 의한 정규성 검증을 만족하는 센싱 데이터를 이용하여 특징 데이터를 생성하게 된다.
상세하게는, 상기 데이터 분석 단계(S300)는 시계열순으로 입력되는 센싱 데이터를 분석하여, 미리 설정된 주파수 조건에 해당하는 센싱 데이터를 추출하게 된다.
여기서, 미리 설정된 주파수 조건으로는 공구 절삭 주파수(Cutter pass frequency)로 한정하고 있으며, 이는 본 발명의 일 실시예에 불과하다.
상기 데이터 분석 단계(S300)는 추출한 센싱 데이터를 분석하여 미리 설정된 항목의 특징 데이터를 생성하게 된다.
상기 특징 데이터는 적용되는 공작기계에 따라, 해당하는 공작기계의 구동 상황에서 정상과 이상 범주를 분명히 구분할 수 있을 만한 데이터로서, 이에 대해서 한정하는 것은 아니다.
상기 데이터 분류 단계(S400)는 상기 데이터 분류부(300)에서, 상기 데이터 분석 단계(S300)에 의한 상기 특징 데이터를 분석하여 정상 데이터(normal data)와 이상 데이터(abnormal data)로 분류하게 된다.
상세하게는, 상기 데이터 분류 단계(S400)는 상기 데이터 분석 단계(S300)에서 이용하는 정규성 검증을 만족하는 센싱 데이터의 표준 편차(σ)와 상기 데이터 분석 단계(S300)에서 생성한 특징 데이터의 표준 편차(σ')를 비교 분석하게 된다.
다시 말하자면, 미리 설정된 주파수 조건에 해당하여 추출한 센싱 데이터의 표준 편차와 이를 토대로 생성한 특징 데이터의 표준 편차를 비교 분석하게 된다.
상기 데이터 분류 단계(S400)는 정상 데이터와 이상 데이터의 분류 기준으로, 특징 데이터의 표준 편차(σ')가 센싱 데이터의 표준 편차(σ)의 3배수보다 클 경우, 이상 데이터로 분류하고, 이하일 경우, 정상 데이터로 분류하게 된다.
즉, σ' > 3σ일 경우, 해당하는 특징 데이터를 이상 데이터로 분류하고, σ' ≤ 3σ일 경우, 해당하는 특징 데이터를 정상 데이터로 분류하게 된다.
이러한 분류 기준은 평균에서 양쪽으로 3표준 편차의 범위에 거의 모든 값들(99.7%)이 들어간다는 가정하는 3 시그마 규칙에 의한 것이다.
이에 따라, 반드시 3 시그마 규칙으로 한정하는 것은 아니며, 적용되는 공작기계에 따라, 기준은 충분히 변경 가능하다.
상기 데이터 구성 단계(S500)는 상기 데이터 구성부(400)에서, 상기 데이터 분류 단계(S400)에 의한 정상 데이터와 이상 데이터를 이용하여 공작기계의 동작 진단 모델 개발을 학습 데이터 셋을 구성하게 된다.
이 때, 상술한 바와 같이, 공작기계의 정상적인 구동 상황에서는 당연히 정상 데이터가 월등히 높은 비율로 수집되게 된다.
이러한 점을 고려하지 않고, 학습 데이터 셋을 구성할 경우, 정상 데이터의 과적합(overfitting)이 나타나게 되어, 진단 모델의 정확도와 신뢰성이 낮아지게 된다.
이를 해소하기 위하여, 본 발명의 일 실시예에 따른 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 방법은 도 4에 도시된 바와 같이, 상기 데이터 구성 단계(S500)를 수행하기 앞서서, 분포 제어 단계(S410)를 더 수행하게 된다.
상기 분포 제어 단계(S410)는 상기 데이터 후처리부(20)에서, 상기 데이터 분류 단계(S400)에 의한 분류 결과를 토대로, 정상 데이터와 이상 데이터 간의 분포 제어를 수행하게 된다.
상세하게는, 상기 분포 제어 단계(S410)는 상기 데이터 분류 단계(S400)에 의한 분류 결과를 토대로, 학습 데이터 셋을 구성하게 되는 전체 데이터를 이루는 정상 데이터와 이상 데이터의 비율을 분석하게 된다.
일반적으로는, 상술한 바와 같이, 당연히 정상 데이터의 비율이 월등히 높게 나타나게 된다.
이에 따라, 상기 분포 제어 단계(S410)는 정상 데이터와 이상 데이터의 비율을 미리 설정된 소정 비율로 제어하게 되며, 도 2에 도시된 바와 같이, 임의로 이상 데이터를 추가 생성하여, 정상 데이터와 이상 데이터의 비율을 미리 설정된 소정 비율로 제어하게 된다.
이 때, 미리 설정된 소정 비율은 학습 처리에 적용되는 AI 네트워크에 가장 적합한 비율로 설정하는 것이 바람직하며, 이에 대해서 한정하는 것은 아니다.
물론, 경우에 따라, 정상 데이터의 비율이 낮을 수 있다. 이 경우, 상술한 예시와는 반대로, 임의로 정상 데이터를 추가 생성하여 정상 데이터와 이상 데이터의 비율을 미리 설정된 소정 비율로 제어하게 된다.
이와 같이, 임의로 정상 데이터 또는, 이상 데이터를 추가 생성하는 과정은 화이트 노이즈를 추가하여 해당하는 데이터의 빈도 수를 늘려서 전체 데이터에서 해당하는 데이터의 비율을 증가시키게 된다. 이를 통해서, 정상 데이터와 이상 데이터의 개수에 대한 불균형 문제를 해소하게 된다. 이는 정상 데이터와 이상 데이터의 데이터 불균형에 의한 학습 모델(동작 진단 모델)에서 발생할 수 있는 결함을 미연에 방지하게 된다.
임의로 이상 데이터를 추가 생성하는 과정에 대한 일 예를 들자면, 화이트 노이즈를 추가하여 이상 데이터의 빈도 수를 늘려서 전체 데이터에서 비율을 증가시키게 된다. 이 때, 이상 데이터에 대해 정규성 확률 분포 모형을 만족하는 화이트 노이즈를 기반으로 임의의 데이터를 추가로 생성함으로써, 정상 데이터와의 데이터 불균형을 해소하게 된다.
상기 데이터 구성 단계(S500)는 상기 분포 제어 단계(S410)에 의해 정상 데이터와 이상 데이터 간의 분포 제어가 수행된 데이터들을 이용하여, 다시 말하자면, 도 3에 도시된 바와 같이, 상기 데이터 분류부(300)에 의해 정확히 분류되어 있고, 상기 데이터 후처리부(20)에 의해 분포 비율이 제어된 정상 데이터와 이상 데이터를 이용하여 공작기계의 동작 진단 모델 개발을 학습 데이터 셋을 구성하게 된다.
이렇게 구성된 학습 데이터 셋을 AI 기반 학습 처리를 수행하여, 공작기계의 동작 진단 모델을 생성하게 된다.
다양한 실험 결과, 임의의 공정 상황을 재현하여 공정 데이터를 수집하는 경우보다, 실제 공정 상황에서 수집되는 공정 데이터를 이용함으로써, 진단 모델의 정확도가 20% 이상 향상됨을 알 수 있었다.
이상에서 본 발명의 바람직한 실시예에 대하여 설명하였으나, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것일 뿐이다. 따라서, 본 발명의 기술 사상은 개시된 각각의 실시예 뿐 아니라, 개시된 실시예들의 조합을 포함하고, 나아가, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 또한, 본 발명이 속하는 기술분야에서 통상의 지식을 가지는 자라면 첨부된 청구범위의 사상 및 범주를 일탈함이 없이 본 발명에 대한 다수의 변경 및 수정이 가능하며, 그러한 모든 적절한 변경 및 수정은 균등물로서 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.
100 : 데이터 수집부
200 : 데이터 분석부
300 : 데이터 분류부
400 : 데이터 구성부
10 : 데이터 전처리부
20 : 데이터 후처리부

Claims (13)

  1. 실제 공정 상황에 의해 구동 중인 공작기계에 내장된 적어도 하나의 센서 수단으로부터 시계열순에 따라 센싱 데이터를 입력받는 데이터 수집부;
    상기 데이터 수집부에 의한 센싱 데이터를 전달받아, 기저장된 알고리즘을 이용하여 정규성 검증을 수행하여, 정규성 검증을 만족하는 데이터를 추출하는 데이터 전처리부;
    상기 데이터 전처리부에 의해 정규성 검증을 만족하는 데이터만을 전달받아, 기설정된 주파수 조건에 해당하는 데이터를 추출하고, 추출한 데이터를 분석하여 특징 데이터를 생성하는 데이터 분석부;
    상기 데이터 분석부로 전달되는 상기 데이터 전처리부에 의해 정규성 검증을 만족하는 데이터의 표준 편차와 상기 데이터 분석부에 의해 생성한 특징 데이터의 표준 편차를 비교 분석하여, 해당하는 특징 데이터를 정상 데이터(normal data) 또는, 이상 데이터(abnormal data)로 분류하는 데이터 분류부;
    상기 데이터 분류부에 의한 분류 결과를 토대로, 전체 데이터를 이루는 정상 데이터와 이상 데이터의 비율을 분석하여, 정상 데이터와 이상 데이터의 비율이 학습 처리에 적용되는 AI 네트워크에 맞도록 기설정된 소정 비율로 제어되도록, 정상 데이터와 이상 데이터 간의 분포 제어를 수행하는 데이터 후처리부;
    상기 데이터 후처리부로부터 전달되는 분포 비율이 제어된 정상 데이터와 이상 데이터를 이용하여, 공작기계의 동작 진단 모델 개발을 위한 학습 데이터 셋을 구성하는 데이터 구성부;
    를 포함하며,
    상기 데이터 후처리부는
    전체 데이터를 기준으로 정상 데이터와 이상 데이터의 비율이 기설정된 소정 비율로 제어되도록, 분석한 정상 데이터와 이상 데이터의 비율을 토대로 화이트 노이즈를 기반으로 비율이 낮은 데이터를 추가 생성하는 분포 제어를 수행하는, 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 연산 처리 수단에 의해 각 단계가 수행되는 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템에 의한 학습 데이터 셋 구성 방법으로서,
    실제 공정 상황에 의해 구동 중인 공작기계에 내장된 적어도 하나의 센서 수단으로부터 시계열순에 따라 센싱 데이터를 입력받는 데이터 수집 단계(S100);
    기저장된 알고리즘을 이용하여, 상기 데이터 수집 단계(S100)에 의한 센싱 데이터에 대한 정규성 검증을 수행하고, 정규성 검증을 만족하는 데이터를 추출하는 데이터 추출 단계(S200);
    상기 데이터 추출 단계(S200)에 의한 정규성 검증을 만족하는 데이터를 이용하여 기설정된 주파수 조건에 해당하는 데이터를 추출하고, 추출한 데이터를 분석하여 특징 데이터를 생성하는 데이터 분석 단계(S300);
    상기 데이터 분석 단계(S300)에서 이용하는 상기 데이터 추출 단계(S200)에 의해 정규성 검증을 만족하는 데이터의 표준 편차와 상기 데이터 분석 단계(S300)에 의해 생성한 특징 데이터의 표준 편차를 비교 분석하여, 해당하는 특징 데이터를 정상 데이터(normal data) 또는, 이상 데이터(abnormal data)로 분류하는 데이터 분류 단계(S400);
    상기 데이터 분류 단계(S400)에 의한 분류 결과를 토대로, 전체 데이터를 이루는 정상 데이터와 이상 데이터의 비율을 분석하여, 정상 데이터와 이상 데이터의 비율이 학습 처리에 적용되는 AI 네트워크에 맞도록 기설정된 소정 비율로 제어되도록, 정상 데이터와 이상 데이터 간의 분포 제어를 수행하는 분포 제어 단계(S410);
    상기 분포 제어 단계(S410)에 의해 분포 비율이 제어된 정상 데이터와 이상 데이터를 이용하여 공작기계의 동작 진단 모델 개발을 위한 학습 데이터 셋을 구성하는 데이터 구성 단계(S500);
    를 포함하며,
    상기 분포 제어 단계(S410)는
    전체 데이터를 기준으로 정상 데이터와 이상 데이터의 비율이 기설정된 소정 비율로 제어되도록, 분석한 정상 데이터와 이상 데이터의 비율을 토대로 화이트 노이즈를 기반으로 비율이 낮은 데이터를 추가 생성하는 분포 제어를 수행하는, 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 방법.
  9. 삭제
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
KR1020220139304A 2022-10-26 2022-10-26 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법 KR102589094B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220139304A KR102589094B1 (ko) 2022-10-26 2022-10-26 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220139304A KR102589094B1 (ko) 2022-10-26 2022-10-26 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR102589094B1 true KR102589094B1 (ko) 2023-10-16

Family

ID=88506170

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220139304A KR102589094B1 (ko) 2022-10-26 2022-10-26 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102589094B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118243378A (zh) * 2024-05-28 2024-06-25 山西天地煤机装备有限公司 一种悬臂式掘进机截割减速器的故障诊断方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190012756A (ko) * 2017-07-28 2019-02-11 고려대학교 산학협력단 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법 및 장치
KR20210079230A (ko) * 2019-12-19 2021-06-29 사단법인 한국선박전자산업진흥협회 선박 기관실의 실시간 이상 감지 및 고장 진단 방법 및 시스템
JP6952212B1 (ja) * 2021-06-04 2021-10-20 Dmg森精機株式会社 機械学習装置
KR102353574B1 (ko) 2020-01-30 2022-01-21 스퀘어네트 주식회사 Cnc 공작기계의 공구 관련 비정상 데이터 탐지 시스템
KR20220055160A (ko) * 2020-10-26 2022-05-03 건국대학교 산학협력단 베어링 및 공구 상태 동시 모니터링을 위한 장치 및 방법
KR20220089157A (ko) * 2020-12-21 2022-06-28 건국대학교 산학협력단 공작기계 수명 진단 장치 및 방법
KR102417769B1 (ko) * 2021-07-01 2022-07-05 대구대학교 산학협력단 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190012756A (ko) * 2017-07-28 2019-02-11 고려대학교 산학협력단 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법 및 장치
KR20210079230A (ko) * 2019-12-19 2021-06-29 사단법인 한국선박전자산업진흥협회 선박 기관실의 실시간 이상 감지 및 고장 진단 방법 및 시스템
KR102353574B1 (ko) 2020-01-30 2022-01-21 스퀘어네트 주식회사 Cnc 공작기계의 공구 관련 비정상 데이터 탐지 시스템
KR20220055160A (ko) * 2020-10-26 2022-05-03 건국대학교 산학협력단 베어링 및 공구 상태 동시 모니터링을 위한 장치 및 방법
KR20220089157A (ko) * 2020-12-21 2022-06-28 건국대학교 산학협력단 공작기계 수명 진단 장치 및 방법
JP6952212B1 (ja) * 2021-06-04 2021-10-20 Dmg森精機株式会社 機械学習装置
KR102417769B1 (ko) * 2021-07-01 2022-07-05 대구대학교 산학협력단 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118243378A (zh) * 2024-05-28 2024-06-25 山西天地煤机装备有限公司 一种悬臂式掘进机截割减速器的故障诊断方法及系统

Similar Documents

Publication Publication Date Title
CN107024917B (zh) 发现制造机械的异常的原因的单元控制装置
JP5179086B2 (ja) 工業プロセスの監視方法及び監視システム
US20150346066A1 (en) Asset Condition Monitoring
KR102589094B1 (ko) 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법
US10345796B2 (en) Cell controller and production system for managing working situation of a plurality of manufacturing machines in manufacturing cell
WO2011125130A1 (ja) プラントの診断装置、診断方法、及び診断プログラム
US20020013664A1 (en) Rotating equipment diagnostic system and adaptive controller
EP2363767A1 (en) Process analysis system
JP2008090529A (ja) 異常検出装置、異常検出方法
KR101915236B1 (ko) 스마트 팩토리를 위한 통합 보안 관리 시스템
CN109661625A (zh) 分析系统
CN118014373B (zh) 一种基于数据质量监测的风险识别模型及其构建方法
TWI621951B (zh) Machine sorting device
Zorriassatine et al. Novelty detection for practical pattern recognition in condition monitoring of multivariate processes: a case study
Al–Habaibeh et al. Self-learning algorithm for automated design of condition monitoring systems for milling operations
Tsai et al. A study of function-based diagnosis strategy and testability analysis for a system
Jiaa et al. A self-organizing approach to the prediction and detection of tool wear
KR20190098484A (ko) Ｃａｒｔ 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법
CN116720073A (zh) 一种基于分类器的异常检测提取方法与系统
Ramamurthi et al. Intelligent real-time predictive diagnostics for cutting tools and supervisory control of machining operations
US12045156B2 (en) Method for testing a product
Elbestawi et al. Tool condition monitoring in machining-neural networks
CN105814546B (zh) 用于辅助对算法链的检验和验证的方法和系统
Elbestawi et al. Tool condition monitoring in machining
JP7401280B2 (ja) 作業工程判別装置及び作業工程判別システム

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant