KR102654240B1 - 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템 - Google Patents

딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템 Download PDF

Info

Publication number
KR102654240B1
KR102654240B1 KR1020220139086A KR20220139086A KR102654240B1 KR 102654240 B1 KR102654240 B1 KR 102654240B1 KR 1020220139086 A KR1020220139086 A KR 1020220139086A KR 20220139086 A KR20220139086 A KR 20220139086A KR 102654240 B1 KR102654240 B1 KR 102654240B1
Authority
KR
South Korea
Prior art keywords
industrial equipment
detection unit
input
abnormality
abnormality detection
Prior art date
Application number
KR1020220139086A
Other languages
English (en)
Inventor
곽지훈
최호진
배정윤
강은영
이승민
전명호
구본경
박정호
Original Assignee
주식회사 에이아이네이션
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 주식회사 에이아이네이션 filed Critical 주식회사 에이아이네이션
Priority to KR1020220139086A priority Critical patent/KR102654240B1/ko
Priority to PCT/KR2023/016611 priority patent/WO2024090975A1/ko
Application granted granted Critical
Publication of KR102654240B1 publication Critical patent/KR102654240B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/048—Monitoring; Safety
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템을 개시한다.
본 실시예의 일 측면에 의하면, 산업설비에서 발생한 이상을 감지하는 이상 감지장치에 있어서, 상기 산업설비로부터 상기 산업설비로 입력되는 입력값 또는 상기 산업설비에서 출력되는 출력값을 수신하는 통신부와 상기 통신부로부터 수신한 입력값 또는 출력값으로부터 상기 산업설비에 발생한 복수의 종류의 이상을 검출하는 이상 검출부 및 상기 통신부 및 상기 이상 검출부의 동작을 제어하는 제어부를 포함하는 것을 특징으로 하는 이상 감지장치를 제공한다.

Description

딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템{Apparatus and System for Detecting Anomaly in Industrial Facilities Using Deep Learning, Machine Learning and Statistical Models}
본 실시예는 딥러닝 모델, 머신러닝 모델 및 통계모델을 이용하여 산업설비의 이상을 전방위적으로 감지할 수 있는 장치 및 시스템에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
산업 공정의 발달에 따라, 산업 제어 시스템은 전산 시스템을 이용하여 하드웨어적인 산업 설비들을 원격으로 제어할 수 있도록 발달되어 왔다.
통상의 산업 제어 시스템에서, 대부분의 제어 동작은 원격 단말과 프로그램 로직 제어기(PLC, Programmable Logic Controller)에 의해 자동으로 이루어지며, 운영자가 내릴 수 있는 제어 명령은 보통 기본적인 작업 변경이나 관리 수준의 작업 조정에 한한다.
산업 제어 시스템의 데이터 취득은 원격 단말이나 프로그램 로직 제어기에서 시작되며, 산업 제어 시스템이 필요로 하는 계측기 수치를 읽거나 각 장비의 상태를 보고 하는 작업 등이 여기에 해당한다. 이렇게 획득된 자료들은 관제센터에서 운영자가 시스템 관리를 위해 적절한 판단을 내릴 수 있도록 사람이 이해할 수 있는 형태로 변환되며, 관리자는 변환된 데이터로부터 시스템의 상태를 확인하여 제어 명령 등을 취할 수 있다.
설비 제어를 위한 종래의 제어 시스템은, 설비의 출력에 대한 단순한 수치를 모니터링하고, 이에 대한 임계치 등을 비교하여 오류 여부만을 판단하거나, 특정 설비나 부품에 대해 설비 제조업체가 일률적으로 사전 정의한 수치 범위에 대한 이상 여부만을 판단하여 관리자에게 알리는 정도였다. 즉, 설비의 출력값 또는 그것의 일정 기간 동안 평균치가 설정된 임계치를 초과하거나 한참 밑도는 경우, 이상으로 판단하여 관리자에게 알리는 정도에 그쳤다.
설비에 발생하는 이상에는 갑자기 출력값에 오버슈팅(Overshooting)이 발생하거나 비정상 진동이 발생하는 등 다양한 양상이 나타난다. 종래의 제어 시스템은 수치가 변화하는 것에는 용이하게 감지 가능했으나, 이처럼 다양한 양상의 이상을 모두 감지하기는 곤란한 면이 있었다.
본 발명의 일 실시예는, 딥러닝, 머신러닝 및 통계 모델을 이용하여 산업설비에서 발생하는한 이상을 최대한 감지할 수 있는 산업설비 이상 감지 장치 및 시스템을 제공하는 데 일 목적이 있다.
본 실시예의 일 측면에 의하면, 산업설비에서 발생한 이상을 감지하는 이상 감지장치에 있어서, 상기 산업설비로부터 상기 산업설비로 입력되는 입력값 또는 상기 산업설비에서 출력되는 출력값을 수신하는 통신부와 상기 통신부로부터 수신한 입력값 또는 출력값으로부터 상기 산업설비에 발생한 복수의 종류의 이상을 검출하는 이상 검출부 및 상기 통신부 및 상기 이상 검출부의 동작을 제어하는 제어부를 포함하는 것을 특징으로 하는 이상 감지장치를 제공한다.
본 실시예의 일 측면에 의하면, 상기 이상 검출부는 입력값 또는 출력값에 발생한 오버슈팅(Overshooting) 이상을 검출하는 오버슈팅 검출부와 입력값 또는 출력값에 발생한 비정상 진동(Oscillation) 이상을 검출하는 비정상 진동 검출부 및 입력값 또는 출력값에 발생한 평균치 변화 이상을 검출하는 평균치 변화 검출부를 포함하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 오버슈팅 검출부 및 상기 비정상 진동 검출부는 상기 산업설비로부터 수신한 입력값 또는 출력값으로부터 잠재공간(Latent Space) 상으로 하나 이상의 특징점을 추출한 후, 다시 복원한 복원값 및 상기 산업설비로부터 수신한 입력값 또는 출력값의 원본 간 차이를 이용하여 오버슈팅 이상 또는 비정상 진동 이상을 검출하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 오버슈팅 검출부는 CNN 모델을 이용하여 상기 산업설비로부터 수신한 입력값 또는 출력값으로부터 잠재공간(Latent Space) 상으로 하나 이상의 특징점을 추출한 후 다시 복원하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 비정상 진동 검출부는 LSTM 모델을 이용하여 상기 산업설비로부터 수신한 입력값 또는 출력값으로부터 잠재공간(Latent Space) 상으로 하나 이상의 특징점을 추출한 후 다시 복원하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 평균치 변화 검출부는 기 설정된 기간 동안 상기 산업설비로부터 수신된 입력값 또는 출력값을 토대로 이상이 없는 데이터에 해당하는 정상 범위를 설정하고, 상기 산업설비로부터 수신한 입력값 또는 출력값이 상기 정상 범위를 벗어나는지 여부에 따라 평균치 변화 이상을 검출하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 평균치 변화 검출부는 기 설정된 기간동안 상기 산업설비로부터 수신된 입력값 또는 출력값을 토대로 데이터 변화의 경향성을 예측하고, 상기 산업설비로부터 수신한 입력값 또는 출력값과 예측한 경향성이 차이가 발생하는지 여부에 따라 평균치 변화 이상을 검출하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 평균치 변화 검출부는 LSTM 모델을 이용하여, 기 설정된 기간동안 상기 산업설비로부터 수신된 입력값 또는 출력값을 토대로 데이터 변화의 경향성을 예측하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 이상 검출부는 상기 산업설비로부터 수신한 입력값 또는 출력값 내 데이터들의 이상여부를 검출하는 단기 이상 검출부 및 기 설정된 기간 동안 수신된 입력값 또는 출력값의 통계치를 연산하고, 연산된 통계치를 이용하여 상기 산업설비로부터 수신한 입력값 또는 출력값의 이상여부를 검출하는 장기 이상 검출부를 더 포함하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 단기 이상 검출부는 머신러닝 모델을 이용하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 장기 이상 검출부는 통계학적 모델을 이용하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 산업설비와 상기 산업설비로부터 상기 산업설비로 입력되는 입력값 또는 상기 산업설비에서 출력되는 출력값을 수신하여, 수신한 입력값 또는 출력값으로부터 상기 산업설비에 발생한 복수의 종류의 이상을 검출하고, 검출 결과를 외부로 전송하는 이상 감지장치 및 상기 이상 감지장치로부터 상기 산업설비에 이상 발생여부를 수신하여, 관리자가 이상이 발생한 산업설비를 관리하도록 하는 관리자 단말을 포함하는 것을 특징으로 하는 산업설비 이상 감지 시스템을 제공한다.
이상에서 설명한 바와 같이 본 실시예의 일 측면에 따르면, 딥러닝, 머신러닝 및 통계 모델을 이용하여 산업설비에서 발생하는한 이상을 최대한 감지할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 산업설비 이상 감지 시스템의 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 이상 감지장치의 구성을 도시한 도면이다.
도 3은 산업설비에서 발생하는 이상의 형태를 도시한 그래프이다.
도 4는 본 발명의 일 실시예에 따른 오버슈팅 검출부 및 비정상 진동 검출부의 검출 메커니즘을 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 오버슈팅 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
도 6은 본 발명의 일 실시예에 따른 오버슈팅 검출부의 ROC 커브를 도시한 그래프이다.
도 7은 본 발명의 일 실시예에 따른 비정상 진동 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
도 8은 본 발명의 일 실시예에 따른 평균치 변화 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
도 9는 본 발명의 일 실시예에 따른 단기 데이터 검출부가 이상특성을 검출하는 방법을 도시한 모식도이다.
도 10은 본 발명의 일 실시예에 따른 장기 데이터 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에서, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서 "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 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 의해서 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호간 모순되지 않는 범위 내에서 공유될 수 있다.
도 1은 본 발명의 일 실시예에 따른 산업설비 이상 감지 시스템의 구성을 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 산업설비 이상 감지 시스템(100)은 산업설비(110), 이상 감지장치(120) 및 관리자 단말(130)을 포함한다.
산업설비(110)는 제조업 또는 건설업 등 다양한 산업현장에서 다양한 목적을 실현하기 위해 배치되어 작동하는 기기나 시설을 의미한다. 산업설비(110)는 각각의 기기의 목적에 맞도록, 수많은 부품이나 모듈을 포함하여 특정한 재료를 정해진 상태로 가공하거나 조립하는 등의 다양한 동작을 수행한다. 산업설비(110)는 동작을 위해 전원을 인가받으며, 전원을 인가받아 센서의 경우 센싱값을, 모터의 경우 토크 등 다양한 형태의 출력값을 출력한다.
이상 감지장치(120)는 산업설비(110) 내 다양한 부품이나 모듈(이하에서, '산업설비'로 약칭함)의 이상 발생여부를 감지한다. 이상 감지장치(120)는 산업설비(110)로부터 산업설비(110)로 인가되는 전원 등의 입력값 또는 산업설비(110)에서 출력되는 출력값을 인가받아, 산업설비에 이상이 발생하였는지 여부를 감지한다. 산업설비에 이상이 발생한 경우라면, 산업설비로 인가되는 입력값(전원)에 이상이 발생하거나 출력값에 이상이 발생할 수밖에 없다. 이상 감지장치(120)는 이러한 점을 고려하여, 산업설비(110)로부터 입력값 또는 출력값을 인가받아 이상을 감지한다. 이때, 산업설비에 발생하는 이상의 양상은 다양하지만, 이들을 군집화할 경우 도 3에 도시된 바와 같이 3개의 군으로 구분될 수 있다.
도 3은 산업설비에서 발생하는 이상의 형태를 도시한 그래프이다.
도 3a는 이상없는 산업설비(110)가 최초에 동작함에 있어 인가되는 시간 당 전류값을 도시한 그래프이다. 산업설비의 최초 동작시에는 전류 인가시점부터 일정 시간(t1)까지는 평균적으로 인가되는 전류량(I1)보다 상대적으로 많은 양(I2)이 인가되고, 점차 안정화되며 일정 시간(t1) 이후에 평균치(I1)가 인가되는 양상을 갖는다.
이때, 산업설비(110)에 발생하는 이상 중 하나의 형태는 오버슈팅(Overshooting)이다. 임의의 지점에서 정상적인(이상이 없는) 산업설비로 입력되는 전원보다 지나치게 많은 양의 전원이 인가되거나 지나치게 적은 양의 전원이 인가되는 형태이다. 이러한 예는 도 3(b)에 도시되어 있다. 해당 산업설비로 전류가 인가된 시점부터 일정 시간(t1)까지 인가된 전류량이 정상적인 산업설비에 인가된 전류량(I2)보다 현저히 큰 것을 확인할 수 있다. 다만, 반드시 이에 한정되는 것은 아니고, 인가되는 전원이 안정화된 이후 등 아무 시점에서 인가되는 전원의 크기가 정상적인 산업설비로 인가되는 전원의 크기에 비해 현저히 커지거나 작아지는 형태이다.
다른 하나의 이상 형태는 비정상 진동(Oscillation)이다. 도 3(c)에 도시된 바와 같이, 정상적인 산업설비로 입력되는 전원에 진동이 발생하지 않는 시점에서 통상적으로 발생할 수 있는 수준(진폭) 이상의 진동이 발생하는 형태이다. 진동의 발생 역시, 임의의 시점에서 발생한다.
나머지 하나의 이상 형태는 평균치가 증가하거나 감소하는 형태이다. 도 3(d)에 도시된 바와 같이, 오버슈팅이나 비정상 진동이 발생하지는 않으나, 임의의 시점에서 인가되는 전원의 크기가 정상적인 상태에서 인가되는 그것에 비해 기 설정된 오차범위 이상만큼 더 인가되거나 덜 인가되는 형태이다. 평균치의 증감은 주로 인가되는 전원이 안정화된 후에 발생한다.
도 3에 있어서, 이상의 형태는 산업설비로 인가되는 전원에서 발생하는 것으로 설명하고 있으나, 이는 설명의 편의상 예를 든 것으로서, 이상은 입력되는 전원에 의해 감지될 수 있고, 산업설비로부터 출력되는 출력값에 의해 감지될 수도 있다.
다시 도 1을 참조하면, 하나의 감지 방법으로는 전술한 다양한 이상 형태의 감지는 곤란하기 때문에, 이상 감지장치(120)는 복수의 감지 방법을 이용하여 산업설비에서 발생할 수 있는 다양한 종류의 이상을 감지할 수 있다. 이상 감지장치(120)는 전술한 유형의 모든 이상을 감지할 뿐만 아니라, 경우에 따라 상대적으로 정확도보다는 신속하게 즉각적으로 이상을 감지해야 하는 케이스도 존재할 수 있으며, 장시간에 걸쳐 산업설비에 이상이 발생하는지를 감지해야 하는 케이스도 존재할 수 있다. 이상 감지장치(120)는 이처럼 산업설비에서 발생할 수 있는 대부분의 이상을 여러 케이스로 구분하여, 각 케이스에 따라 적절한 방법으로 감지한다. 이에 대한 구체적인 설명은 도 2 내지 10을 참조하여 후술한다.
이상 감지장치(120)는 관리자 단말(130)과 통신하며, 산업설비에서 감지한 이상을 통지한다.
관리자 단말(130)은 이상 감지장치(120)로부터 산업설비에 이상 발생여부를 수신하여, 관리자가 이상이 발생한 산업설비를 관리하도록 한다. 관리자는 관리자 단말(130)를 이용하여 이상이 발생한 산업설비를 파악할 수 있으며, 산업설비에서 발생할 수 있는 다양한 형태의 이상을 구분하여 인지할 수 있기 때문에, 관리 측면에 있어 수월하게 산업설비를 관리할 수 있다.
도 2는 본 발명의 일 실시예에 따른 이상 감지장치의 구성을 도시한 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 이상 감지장치(120)는 통신부(210), 이상 검출부(220), 제어부(230) 및 사용자 입력부(240)를 포함한다.
통신부(210)는 산업설비(110)로부터 산업설비(110)로 입력되는 입력값 또는 산업설비(110)에서 출력되는 출력값을 수신한다. 통신부(210)는 산업설비(110)와 유선 또는 무선통신을 수행하여 입력값 또는 출력값(이하에서, '데이터 원본'이라 칭함)을 수신한다. 통신부(210)는 이상 검출부(220)가 산업설비(110)로 입력되는 입력값의 변화 또는 산업설비(110)에서 출력되는 출력값의 변화로부터 산업설비(110)의 이상을 감지할 수 있도록, 산업설비(110)로부터 데이터 원본을 수신한다.
통신부(210)는 이상 검출부(220)의 검출결과를 관리자 단말(130)로 전송한다. 통신부(210)는 무선 또는 유선 통신을 수행하여, 이상 검출부(220)의 검출결과를 관리자 단말(130)로 전송한다.
이상 검출부(220)는 수신한 데이터 원본으로부터 복수의 종류의 이상을 검출한다. 전술한 대로, 이상은 다양한 양상을 갖지만, 이들은 3개의 군으로 군집화될 수 있다. 이상 검출부(220)는 군집화된 모든 종류의 이상을 검출함으로서, 산업설비(110)에 발생한 이상 검출율과 정확도를 높인다. 이상 검출부(220)는 오버슈팅 검출부(221), 비정상 진동 검출부(223), 평균치 변화 검출부(225), 단기 이상 검출부(227) 및 장기 이상 검출부(229)를 포함한다.
오버슈팅 검출부(221)는 수신한 데이터 원본 및 원본의 특징점을 잠재 공간(Latent Space) 상에서 추출한 후 다시 복원한 복원값의 차이를 이용하여 산업설비(110)에 오버슈팅에 관한 이상이 발생하였는지를 검출한다. 오버슈팅 검출부가 복원값을 연산하는 과정은 도 4에 도시되어 있다.
도 4는 본 발명의 일 실시예에 따른 오버슈팅 검출부 및 비정상 진동 검출부의 검출 메커니즘을 예시한 도면이다.
도 4를 참조하면, 오버슈팅 검출부(221) (또는 비정상 진동 검출부)는 데이터 원본을 인가받는다. 오버슈팅 검출부(221)는 엔코더(Encoder) 및 디코더(Decoder)를 이용하여 (원본)신호를 입력받고 다시 해당 신호를 복원한다. 오버슈팅 검출부(221)는 입력 신호를 엔코더에서 상대적으로 낮은 차원의 잠재공간 상에 특징 벡터로 변환하고, 이를 다시 디코더에서 입력 신호 차원의 출력 신호로 복원한다. 오버슈팅 검출부(221)는 이를 정상신호만으로 구성된 학습데이터로 입력 신호와 출력 신호의 차이가 최소화되도록 학습하여, 잠재공간 상의 특징 벡터가 정상 신호들의 공통 특징이 되도록 한다.
학습이 완료된 후에는, 오버슈팅 검출부(221)에 정상 신호의 특징만을 가진 신호가 입력될 경우, 학습한 대로 엔코더와 디코더가 작동해 입력된 신호와 유사한 신호를 출력할 수 있다. 반면에 이상 신호가 엔코더에 입력될 경우, 엔코더를 거치며 상대적으로 낮은 차원의 잠재공간상으로 특징이 추출되더라도 이상이 발생하지 않은 정상신호 공통의 특징들만이 추출될 뿐, 이상 신호의 특징은 온전히 추출되지 못하게 된다. 이에 따라, 디코더로 복원된 신호는 원본과 상이할 수 있다.
오버슈팅 검출부(221)는 딥러닝 모델인 CNN(Convolutional Neural Networks)을 이용하여 엔코더 및 디코더를 구현함으로서, 데이터 원본으로부터 복원값을 얻는다. CNN에 의한 복원은 전체적인 데이터 원본의 형태 파악에 우수한 재현성을 갖는다. 이에 따라, 데이터 원본 내에서 형태에 이상이 발생한 오버슈팅에 대해서는 상대적으로 보다 높은 정확도를 가지며, 데이터의 형태는 유지하되 진동이 발생하는 것에 대해서는 상대적으로 낮은 정확도를 갖는다. 오버슈팅 검출부(221)는 입력값과 획득한 복원값의 차이를 이용하여 데이터 원본에 발생한 오버슈팅 이상을 주로 검출한다. 오버슈팅 검출부(221)에 의해 검출되는 예는 도 5에 도시되어 있다.
도 5는 본 발명의 일 실시예에 따른 오버슈팅 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
도 5를 참조하면, 도 5(a)에는 데이터 원본이, 도 5(b)에는 복원값이 도시되어 있다. 원본에서 발생한 오버슈팅 이상(510, 520. 530)에 대해서는 복원값에 나타나지 않는 것을 확인할 수 있다. 오버슈팅 검출부(221)는 이와 같은 데이터 원본과 복원값의 차이로부터 510, 520, 530 지점에서 데이터 원본에 (오버슈팅에 대한) 이상이 발생하였음을 감지한다. 나아가, 오버슈팅 검출부(221)는 비정상 진동 이상(540, 550)도 데이터 원본과 복원값의 차이로부터 검출할 수 있다.
이와 같은 과정으로 원본 데이터 내 이상을 검출하는 오버슈팅 검출부(221)는 도 6에 도시된 바와 같은 ROC(Receiver Operating Characteristic) 커브를 갖는다.
도 6은 본 발명의 일 실시예에 따른 오버슈팅 검출부의 ROC 커브를 도시한 그래프이다.
도 6에 도시된 그래프에서 x축은 False Positive Rate로서 오정답율을, y축은 True Positive Rate로서 정답율을 각각 가리킨다. 이때, 정답율이 높을수록 검출의 정확도가 높아짐을 의미하며, 그래프 내 커브가 (좌상단 방향으로) 직각 형태를 이룰수록 검출의 정확도가 우수해짐을 의미한다. 도 6(b)는 오버슈팅 이상에 대한 ROC 커브를, 도 6(c)는 비정상 진동 이상에 대한 ROC 커브를, 도 6(a)는 이상 유형 전체에 대한 ROC 커브를 도시한 도면이다. 오버슈팅 검출부(221)는 전체적인 형태 변화 감지에 우수한 CNN을 이용하여 데이터 원본으로부터 복원값을 획득하며, 데이터 원본과 복원값의 차이를 검출하기 때문에, 상대적으로 우수한 오버슈팅 이상의 검출율을 갖는다. 오버슈팅 검출부(221)는 오버슈팅 이상에 대해서는 91% 이상의 높은 검출율을 가지며, 비정상 진동 이상에 대해서는 80%이상의 검출율을 가질 수 있다.
다시 도 2를 참조하면, 비정상 진동 검출부(223)는 수신한 데이터 원본 및 복원값의 차이를 이용하여, 주로 산업설비(110)에 비정상 진동 관한 이상이 발생하였는지를 검출한다. 비정상 진동 검출부(223) 역시, 오버슈팅 검출부(221)와 마찬가지로, 도 4에 도시된 과정에 따라 데이터 원본으로부터 복원값을 연산한다.
다만, 이때, 비정상 진동 검출부(223)는 딥러닝 모델인 LSTM(Long Short-Term Memory)을 이용하여 엔코더 및 디코더를 구현하여 복원값을 연산한다. CNN과 달리 LSTM은 전체적인 데이터의 형태변화 감지 보다는 데이터의 세세한 변화에 상대적으로 우수한 감지율을 보인다. 이에 따라, 비정상 진동 검출부(223)는 도 7에 도시된 바와 같은 복원값을 갖는다.
도 7은 본 발명의 일 실시예에 따른 비정상 진동 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
비정상 진동 검출부(223)는 데이터의 형태, 데이터의 크기 차이보다는 일정 구간에서의 세세한 형태 변화를 상대적으로 정확히 감지한다. 이에 따라, 원본에서 진동이 발생한 부위에 대해 복원값에 상대적으로 상이한 진동이 발생하게 되어, 비정상 진동 이상(710 내지 730)을 검출할 수 있다.
다시 도 2를 참조하면, 평균치 변화 검출부(225)는 수신한 데이터 원본의 시간에 따른 데이터의 변화를 감지하여 평균치 변화 이상을 검출한다. 평균치 변화 검출부(225)는 딥러닝 모델인 LSTM을 이용하여 평균치 변화 이상을 검출한다. 평균치 변화 검출부(225)의 검출 방법은 도 8에 도시되어 있다.
도 8은 본 발명의 일 실시예에 따른 평균치 변화 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
도 8을 참조하면, 평균치 변화 검출부(225)는 LSTM을 이용하여 시계열 데이터의 변화를 감지한다. 평균치 변화 검출부(225)는 LSTM을 이용하여 기 설정된 기간(예를 들어, 과거의 특정 시점으로부터 현시점까지 등)동안 입력된 데이터 원본을 토대로, 데이터의 정상 범위 내에 해당하는 기준치(810)를 설정한다. 평균치 변화 검출부(225)는 입력되는 데이터 원본 내 기준치(810)를 초과하는 지점을 평균치 이상이 발생한 지점(820, 830)으로 검출한다.
또는, 평균치 변화 검출부(225)는 전술한 대로, 기 설정된 기간동안 입력된 데이터 원본으로부터 데이터 변화의 경향성을 예측하고, 현 시점에서 입력된 데이터 원본과 예측한 경향성이 차이가 발생하거나, 차이값이 기 설정된 기준치를 초과하는 경우 평균치 이상 또는 오버슈팅 이상이 발생한 것으로 검출할 수 있다.
다시 도 2를 참조하면, 이상 감지장치(120)는 이와 같이 서로 다른 딥러닝 모델을 서로 다른 방법에 따라 적용함으로서, 오버슈팅 이상, 비정상 진동 이상 및 평균치 변화 이상을 모두 높은 정확도로 검출할 수 있다. 이에 따라, 종래와 같이 평균치 변화만을 감지하는 것에 그치지 않고, 산업설비에 발생할 수 있는 이상 대부분을 감지할 수 있다.
또한, 단기 이상 검출부(227)는 머신러닝 모델인 Isolation Forest를 이용하여 데이터 원본 내 데이터들의 이상여부를 검출한다. 단기 이상 검출부(227)는 이상이 존재하지 않는 정상 데이터와 이상이 존재하는 이상 데이터를 도 9에 도시된 방법과 같이 구분한다.
도 9는 본 발명의 일 실시예에 따른 단기 데이터 검출부가 이상특성을 검출하는 방법을 도시한 모식도이다.
단기 이상 검출부(227)는 이상이 없는 데이터와 이상이 있는 데이터 각각을 고립시키며 분할한다. 이때, 도 9(a)에 도시된 바와 같이, 이상이 없는 데이터(910)는 그것을 고립시키기 위해서는 상대적으로 많은 분할 횟수(도 9(a)에선 3회)가 필요한 것을 확인할 수 있다. 반면, 도 9(b)에 도시된 바와 같이, 이상이 발생한 데이터는 그것을 고립시키는데 상대적으로 적은 분할 횟수(도 9(b)에선 1회)가 필요한 것을 확인할 수 있다. 이러한 특징을 이용하여 단기 이상 검출부(227)는 데이터를 다른 특성을 갖는 데이터와 분리하여 고립시키기 위해 분할하는 횟수가 기 설정된 기준치를 초과하는지 여부로 양 데이터를 구분한다. 이처럼, 단기 이상 검출부(227)는 데이터의 특징점을 추출하여 복원하는 과정이나, 데이터 변화의 경향성 예측 등의 수행을 필요로 하지 않아, 별도의 데이터 처리과정 없이도 이상 발생여부를 감지할 수 있다. 또한, 단기 이상 검출부(227)는 별도로 학습을 필요로 하지 않거나 데이터의 분할 방법 등 간단한 학습만이 수행되면 되기에, 학습할 데이터량이 많지 않은 상황에서도 어려움없이 산업설비에 발생한 이상을 감지할 수 있다.
다시 도 2를 참조하면, 장기 이상 검출부(229)는 통계학적 모델인 ARIMA 모델을 이용하여 데이터 원본 내 데이터들의 이상여부를 검출한다. 장기 이상 검출부(229)는 딥러닝 모델 또는 머신러닝 모델이 아닌 통계학적 모델을 이용한다. 이에 따라, 별도의 학습은 전혀 필요치 않으며, 기 설정된 기간동안 수신된 데이터 원본의 시간에 따른 통계치의 변화로부터 이상여부를 판단한다. 장기 이상 검출부(229)의 검출과정은 도 10에 도시되어 있다.
도 10은 본 발명의 일 실시예에 따른 장기 데이터 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
도 10을 참조하면, 장기 이상 검출부(229)는 일정 기간 동안 누적된 데이터 값의 통계치를 연산한다. 예를 들어, 장기 이상 검출부(229)는 수개월 또는 수년 동안 축적된 데이터 값의 평균 또는 표준편차 등의 통계치를 연산하고, 연산된 수치로부터 데이터 원본의 평균값에 대한 정상범위를 선정한다.
이후, 장기 이상 검출부(229)는 입력되는 데이터 원본에 대해 시간변화에 따른 통계치를 연산한다. 장기 이상 검출부(229)는 일정 기간 동안의 통계치(하나의 수치)가 아닌, 시간에 따른 통계치의 변화를 분석한다. 장기 이상 검출부(229)는 시간에 따른 통계치의 변화를 분석하여, 통계치가 선정된 정상범위를 벗어나는 경우, 해당 시점(1010a 내지 1010g)에서 이상이 발생하였음을 감지한다. 장기 이상 검출부(229)는 장기간 누적된 데이터의 통계치를 이용하기 때문에, 데이터 평균값의 비정상 증감을 상대적으로 정확히 검출할 수 있다.
도 2 내지 10을 참조하여 오버슈팅 검출부(221), 비정상 진동 검출부(223), 평균치 변화 검출부(225), 단기 이상 검출부(227) 및 장기 이상 검출부(229)는 편의상 각각 어느 하나의 모델을 이용하여 검출하는 것으로 설명하고 있으나, 반드시 이에 한정되는 것은 아니다. 어느 하나의 검출부에서 사용된 모델이 다른 상태 이상을 검출하는데 사용될 수 있음은 자명하다. 예를 들어, 오버슈팅 이상의 검출을 위해 오버슈팅 검출부(221)에서 사용된 CNN 모델의 검출결과는 비정상 진동 이상의 검출이나 평균치 변화 검출을 위해서도 사용될 수 있다.
다시 도 2를 참조하면, 제어부(230)는 산업설비로부터 데이터 원본을 수신하여, 일부 또는 전부의 검출부(221 내지 229)가 이상을 검출하도록 제어한다. 사용자 입력부(240)가 관리자로부터 오버슈팅에 대한 이상만을 주로 검출하도록 입력받은 경우, 제어부(230)는 오버슈팅 검출부(221) 또는 평균치 변화 검출부(225)가 데이터 원본으로부터 이상을 검출하도록 제어할 수 있다. 또는, 사용자 입력부가 평균치의 비정상 증감만을 주로 검출하도록 입력받은 경우, 제어부(230)는 평균치 변화 검출부(225) 또는 장기 이상 검출부(229)가 데이터 원본으로부터 이상을 검출하도록 제어할 수 있다. 다만, 반드시 이에 한정되는 것은 아니고, 해당 경우라도 제어부(230)는 모든 검출부가 이상을 검출하도록 제어할 수 있다.
제어부(230)는 사용자 입력부(240)로부터 이상 검출의 기준치를 입력받아, 각 검출부(221)가 검출하는 이상의 정도를 조정할 수 있다. 예를 들어, 도 5를 참조하여 설명한 바와 같이, 오버슈팅 검출부(221)는 데이터 원본과 복원값의 차이로부터 데이터 원본에 오버슈팅 이상이 있는 존재하는지를 검출한다. 이때, 사용자 입력부(240)는 관리자로부터 데이터 원본과 복원값의 차이를 이상으로 판단할 것인지에 대한 기준치에 대한 입력받을 수 있다. 기준치가 높아질 경우, 보다 양자의 차이를 이상으로 판단하는 기준이 엄격해지며 이상의 감지 숫자는 감소하는 대신 정확도는 증가하게 되고, 기준치가 낮아질 경우, 보다 양자의 차이를 이상으로 판단하는 기준이 느슨해지며 이상의 감지 숫자는 증가하는 대신 정확도는 상대적으로 감소하게 된다. 제어부(230)는 사용자 입력부로부터 이상 검출의 기준치를 입력받아 검출부(221)가 검출하는 이상의 정도를 조정할 수 있다.
사용자 입력부(240)는 외부(주로, 관리자)로부터 이상 검출의 기준치를 입력받는다. 나아가, 사용자 입력부(240)는 외부로부터 검출하고자 하는 이상의 형태에 대해서도 입력받을 수 있다.
이처럼, 이상 감지장치(120)는 딥러닝 모델, 머신러닝 모델 및 통계학적 모델을 모두 이용함에 따라, 산업설비로부터 발생하는 다양한 이상의 형태에 대해서도 상대적으로 높은 정확도를 가지며 이상을 검출할 수 있다. 또한, 별도로 이상이 발생한 데이터들의 학습 없이, 정상적인 데이터를 기반으로 학습하더라도 높은 정확도로 이상을 검출할 수 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 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.
100: 산업설비 이상 감지 시스템
110: 산업설비
120: 이상 감지장치
130: 관리자 단말
210: 통신부
220: 이상 검출부
221: 오버슈팅 검출부
223: 비정상 진동 검출부
225: 평균치 변화 검출부
227: 단기 이상 검출부
229: 장기 이상 검출부
230: 제어부
240: 사용자 입력부

Claims (12)

  1. 산업설비에서 발생한 이상을 감지하는 이상 감지장치에 있어서,
    상기 산업설비로부터 상기 산업설비로 입력되는 입력값 또는 상기 산업설비에서 출력되는 출력값을 수신하는 통신부;
    상기 통신부로부터 수신한 입력값 또는 출력값으로부터 상기 산업설비에 발생한 복수의 종류의 이상을 검출하는 이상 검출부; 및
    상기 통신부 및 상기 이상 검출부의 동작을 제어하는 제어부를 포함하며,
    상기 이상 검출부는,
    CNN 모델을 이용하여 상기 산업설비로부터 수신한 입력값 또는 출력값으로부터 잠재공간(Latent Space) 상으로 하나 이상의 특징점을 추출한 후, 다시 복원한 복원값 및 상기 산업설비로부터 수신한 입력값 또는 출력값의 원본 간 차이를 이용하여 오버슈팅 이상을 검출하는 오버슈팅 검출부;
    LSTM 모델을 이용하여 상기 산업설비로부터 수신한 입력값 또는 출력값으로부터 잠재공간(Latent Space) 상으로 하나 이상의 특징점을 추출한 후, 다시 복원한 복원값 및 상기 산업설비로부터 수신한 입력값 또는 출력값의 원본 간 차이를 이용하여 비정상 진동 이상을 검출하는 비정상 진동 검출부; 및
    LSTM 모델을 이용하여 기 설정된 기간동안 상기 산업설비로부터 수신된 입력값 또는 출력값을 토대로 데이터 변화의 경향성을 예측하고, 상기 산업설비로부터 수신한 입력값 또는 출력값과 예측한 경향성이 차이가 발생하는지 여부에 따라 평균치 변화 이상을 검출하는 평균치 변화 검출부를 포함하며,
    상기 오버슈팅 검출부, 상기 비정상 진동 검출부 및 평균치 변화 검출부는 서로 다른 딥러닝 모델을 적용하거나, 딥러닝 모델을 서로 다른 방법에 따라 적용하여 이상을 검출하는 것을 특징으로 하는 이상 감지장치.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 제1항에 있어서,
    상기 이상 검출부는,
    상기 산업설비로부터 수신한 입력값 또는 출력값 내 데이터들의 이상여부를 검출하는 단기 이상 검출부; 및
    기 설정된 기간 동안 수신된 입력값 또는 출력값의 통계치를 연산하고, 연산된 통계치를 이용하여 상기 산업설비로부터 수신한 입력값 또는 출력값의 이상여부를 검출하는 장기 이상 검출부를 더 포함하는 것을 특징으로 하는 이상 감지장치.
  10. 삭제
  11. 삭제
  12. 산업설비;
    제1항 또는 제9항의 이상 감지장치; 및
    상기 이상 감지장치로부터 상기 산업설비에 이상 발생여부를 수신하여, 관리자가 이상이 발생한 산업설비를 관리하도록 하는 관리자 단말
    을 포함하는 것을 특징으로 하는 산업설비 이상 감지 시스템.
KR1020220139086A 2022-10-26 2022-10-26 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템 KR102654240B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220139086A KR102654240B1 (ko) 2022-10-26 2022-10-26 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템
PCT/KR2023/016611 WO2024090975A1 (ko) 2022-10-26 2023-10-25 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220139086A KR102654240B1 (ko) 2022-10-26 2022-10-26 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템

Publications (1)

Publication Number Publication Date
KR102654240B1 true KR102654240B1 (ko) 2024-04-04

Family

ID=90637668

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220139086A KR102654240B1 (ko) 2022-10-26 2022-10-26 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템

Country Status (2)

Country Link
KR (1) KR102654240B1 (ko)
WO (1) WO2024090975A1 (ko)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012155361A (ja) * 2011-01-21 2012-08-16 Toshiba Corp プロセス監視装置
JP2015210750A (ja) * 2014-04-30 2015-11-24 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 検出装置、検出方法、およびプログラム
WO2017002673A1 (ja) * 2015-07-01 2017-01-05 三菱電機株式会社 分散型機器異常検出システム
JP2020013449A (ja) * 2018-07-20 2020-01-23 日本電信電話株式会社 異常検知装置、異常検知方法、およびプログラム
KR20210076438A (ko) * 2019-12-16 2021-06-24 한국과학기술원 딥러닝 기반 이상징후 감지 기법을 이용한 노이즈 분석 기반 초고감도 표적신호 검출 방법 및 시스템
KR20220023726A (ko) * 2020-08-21 2022-03-02 주식회사 리얼타임테크 딥 러닝 기반 실시간 공정 감시 시스템 및 그 방법
JP2022114330A (ja) * 2021-01-26 2022-08-05 日東電工株式会社 異常検知システム、異常検知方法及び異常検知プログラム
JP2023507550A (ja) * 2019-11-25 2023-02-24 ストロング フォース アイオーティ ポートフォリオ ２０１６，エルエルシー 産業環境向けインテリジェント振動デジタルツインシステム及び方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102430440B1 (ko) * 2020-11-18 2022-08-11 앤시정보기술주식회사 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012155361A (ja) * 2011-01-21 2012-08-16 Toshiba Corp プロセス監視装置
JP2015210750A (ja) * 2014-04-30 2015-11-24 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 検出装置、検出方法、およびプログラム
WO2017002673A1 (ja) * 2015-07-01 2017-01-05 三菱電機株式会社 分散型機器異常検出システム
JP2020013449A (ja) * 2018-07-20 2020-01-23 日本電信電話株式会社 異常検知装置、異常検知方法、およびプログラム
JP2023507550A (ja) * 2019-11-25 2023-02-24 ストロング フォース アイオーティ ポートフォリオ ２０１６，エルエルシー 産業環境向けインテリジェント振動デジタルツインシステム及び方法
KR20210076438A (ko) * 2019-12-16 2021-06-24 한국과학기술원 딥러닝 기반 이상징후 감지 기법을 이용한 노이즈 분석 기반 초고감도 표적신호 검출 방법 및 시스템
KR20220023726A (ko) * 2020-08-21 2022-03-02 주식회사 리얼타임테크 딥 러닝 기반 실시간 공정 감시 시스템 및 그 방법
JP2022114330A (ja) * 2021-01-26 2022-08-05 日東電工株式会社 異常検知システム、異常検知方法及び異常検知プログラム

Also Published As

Publication number Publication date
WO2024090975A1 (ko) 2024-05-02

Similar Documents

Publication Publication Date Title
KR102027389B1 (ko) 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치
US11494252B2 (en) System and method for detecting anomalies in cyber-physical system with determined characteristics
De Miguel et al. Fuzzy logic-based decision-making for fault diagnosis in a DC motor
US8090552B2 (en) Sensor fusion using self evaluating process sensors
CA2916021C (en) System and method for shutting down a field device
US20180174694A1 (en) Abnormality diagnosis system and abnormality diagnosis method
EP2876516B1 (en) I/O Module and process control system
US20190271977A1 (en) Method for analyzing malfunctions in a system of process automation
US6424258B1 (en) Redundant process control system
JP6939085B2 (ja) 通信装置、および通信システム
US10180450B1 (en) Universal terminals transmitter supporting flexible connection of RTD sensor
KR102654240B1 (ko) 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템
JP6444867B2 (ja) 制御信号保護装置
KR101475571B1 (ko) 감시 제어 장치에서 데이터 처리를 위한 장치 및 방법
CN108362957B (zh) 设备故障诊断方法、装置、储存介质和电子设备
CN102330608B (zh) 用于确定燃气涡轮中的稳态条件的系统和方法
CA3062465A1 (en) Method for a computer-aided automated verification of requirements
CN106774235B (zh) 一种模拟输入信道的异常状态诊断装置和方法
US11966217B2 (en) Faulty variable identification technique for data-driven fault detection within a process plant
CN113869373A (zh) 设备异常检测方法、装置、计算机设备和存储介质
RU2565417C1 (ru) Способ резервирования систем с использованием методов нечеткой логики
Xu et al. On-line sensor calibration monitoring and fault detection for chemical processes
US11451632B2 (en) System and method for supporting wired and wireless communications in industrial safety systems
KR20020028626A (ko) 동적 문턱값에 의한 비선형 시스템의 고장 진단장치 및 방법
US20200371501A1 (en) Systems and methods for the secure optimization of an industrial process