KR102667861B1 - 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법 - Google Patents
딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법 Download PDFInfo
- Publication number
- KR102667861B1 KR102667861B1 KR1020240018339A KR20240018339A KR102667861B1 KR 102667861 B1 KR102667861 B1 KR 102667861B1 KR 1020240018339 A KR1020240018339 A KR 1020240018339A KR 20240018339 A KR20240018339 A KR 20240018339A KR 102667861 B1 KR102667861 B1 KR 102667861B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- failure
- prediction
- item
- deep learning
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims description 28
- 238000012360 testing method Methods 0.000 claims abstract description 115
- 238000003745 diagnosis Methods 0.000 claims abstract description 78
- 230000006866 deterioration Effects 0.000 claims abstract description 70
- 230000007613 environmental effect Effects 0.000 claims abstract description 35
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 238000012423 maintenance Methods 0.000 claims description 88
- 210000004027 cell Anatomy 0.000 claims description 79
- 230000006870 function Effects 0.000 claims description 64
- 230000006872 improvement Effects 0.000 claims description 61
- 238000010219 correlation analysis Methods 0.000 claims description 38
- 238000000746 purification Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 238000000556 factor analysis Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 21
- 230000015556 catabolic process Effects 0.000 description 20
- 238000006731 degradation reaction Methods 0.000 description 18
- 238000007689 inspection Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 12
- 239000000306 component Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000009413 insulation Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G05B23/0218—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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- 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
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 종래의 경험칙적인 열화 예측을 벗어나 시계열 데이터 기반의 정량적인 분석을 통해 정확한 중전기기의 열화 정도 및 고장 시점을 예측할 수 있도록 4개의 타임스텝을 가진 상호작용 레이어를 가진 딥러닝으로 구현된 고장예측 모델을 이용하여 중전기기의 고장을 예측하는 진단 정보를 생성하는 기술에 대한 것으로, 전처리된 데이터를 미리 설정한 항목별로 분류하고, 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 고장 요인을 도출하고, 고장 요인과 전처리된 데이터를 4개의 타임스텝을 가진 상호작용 레이어를 가진 딥러닝으로 구현된 고장예측 모델에 입력하여 고장 진단 예측 결과값을 도출함으로써 현시점 또는 일정 기간이후 시점의 고장 진단 예측 정보를 산출 효과가 존재한다.
Description
본 발명은 인공신경망 기반의 4개의 타임스텝을 가진 상호작용 레이어를 가진 딥러닝으로 구현된 고장예측 모델을 이용하여 중전기기의 고장을 진단하는 기술에 대한 것으로 더욱 자세하게는 수집한 오프라인 시험 데이터를 정제하고 연관성 분석을 위해 범주형 또는 명목형으로 변환하는 전처리를 수행하여,전처리된 데이터를 미리 설정한 항목별로 분류하고, 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 고장 요인을 도출하고 도출된 고장 요인과 전처리된 데이터를 4개의 타임스텝을 가진 상호작용 레이어를 가진 딥러닝으로 구현된 고장예측 모델에 입력하여 고장 진단 예측 결과값을 도출하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법을 제공하는데 그 목적이 있다.
고압 회전기, 변압기 등과 같은 중전기기는 발전소를 구성하는 핵심 구성품으로 고장 시 발전정지와 같은 중대한 문제를 야기한다. 절연 파괴 발생 시, 고장 발생 전동기의 복구비용 뿐만 아니라 전력 공급 지장에 의한 이익 손실이 발생하고, 전동기 고장 시 해당 중전기기 뿐만 아니라 주변 설비까지 손실되는 사례도 발생한다.
따라서, 이러한 중전기기의 고장 발생 전에, 이상 여부를 미리 진단하고 기계의 잔여 수명을 예측할 필요가 있으며, 일반적으로 기계의 수명을 예측하기 위해서는 기계의 진동 상태를 모니터링하여 경험칙적으로 기계 열화의 정도를 파악하고, 이를 기반으로 잔여 수명을 예측하는 방법이 사용되고 있으나 이러한 방법은, 잔여수명의 정확한 예측이 어려운 문제가 있다.
종래 방법으로는 정확한 예측이 어려워 고장이 발생할 가능성이 낮지 않으며, 고장이 발생할 경우, 출력 감발이나 발전 정지, 혹은 시설 손상 등 중대한 문제를 야기할 뿐만 아니라, 전동기 고장 시 재권선에 약 20일이 소요되며, 발전기 권선 절연파괴의 경우 권선의 신규제작, 설치 등 약 6개월이 소요될 정도로 복구 기간 동안의 운전 손실 비용이 막대하므로, 중전기기의 정확한 열화 시점을 예측하는 기술에 대한 중요도가 점차 증가하고 있는 추세이다.
이에 따라 인공신경망을 이용한 정확도 높은 고장 예측 모델을 개발하는데 관심이 집중되고 있다.
본 발명은 종래의 경험칙적인 열화 예측을 벗어나 시계열 데이터 기반의 정량적인 분석을 통해 정확한 중전기기의 열화 정도 및 고장 시점을 예측할 수 있도록 4개의 타임스텝을 가진 상호작용 레이어를 가진 딥러닝으로 구현된 고장예측 모델을 이용하여 중전기기의 고장을 예측하는 진단 정보를 생성하는 기술을 제공하는 것을 목적으로 한다.
본 발명의 일 실시예에 따르면 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 수집한 오프라인 시험 데이터를 정제하고 연관성 분석을 위해 범주형 또는 명목형으로 변환하는 전처리를 수행하는 시험 데이터 전처리부; 전처리된 데이터를 미리 설정한 항목별로 분류하고, 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 고장 요인을 도출하는 고장 요인 연관성 분석부; 도출된 상기 고장 요인과 분류된 항목별 데이터를 4개의 타임스텝을 가진 복수의 상호작용 레이어로 구현된 딥러닝 기반의 고장예측 모델에 입력하여, 열화 예측 정보를 출력하는 고장 진단 예측부를 포함하고, 상기 고장 예측 모델은 예측능력 향상 모듈 및 고장 예측 모듈을 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 시험 데이터 전처리부는, 오프라인 시험 데이터를 수집하고, 수집된 데이터를 데이터베이스에 저장할 수 있는 형식으로 변환하여 저장하는 데이터 수집부; 상기 데이터베이스에 저장된 데이터의 이상 여부를 검사하고, 발견된 이상 데이터를 대상으로 삭제 또는 평활화에 따른 결측치 입력, 데이터 불일치 교정을 통한 데이터 정제를 수행하는 데이터 정제부; 및 데이터베이스에 저장된 정제된 데이터를 대상으로 이산화를 수행하여 각 데이터가 가지는 정량적 속성에 대한 연관성 분석을 위해 범주형 또는 명목형으로 변환하는 데이터 변환부를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 고장 요인 연관성 분석부는, 전처리된 데이터베이스의 각 데이터를 특성 및 환경 정보에 따라 미리 설정한 항목별로 분류하는 데이터 항목 분류부; 상기 항목별로 분류된 복수의 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경요인과의 연관성을 피어슨(Pearson) 상관 분석을 수행하는 연관성 분석 수행부를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 연관성 분석 수행부는, 요인 분석 알고리즘을 기반으로 하는 피어슨 상관 분석을 수행하여 고장 이력과의 연관성 요인을 도출할 수 있다.
본 발명의 일 실시예에 따르면 상기 고장 진단 예측부는, 상기 예측능력 향상 모듈이 선형연산을 수행하는 전체 체인을 관통하는 셀 스테이트를 포함하도록 구현되며, 상기 예측능력 향상 모듈이 복수의 연산 레이어로 구현된 3개의 게이트들을 포함하며 상기 3개의 게이트들은 선택적으로 정보가 흐를 수 있도록 시그모이드 뉴럴넷과 점단위 합성곱 연산으로 이루어져 셀 스테이트에 선택적으로 정보를 입력할 수 있다.
본 발명의 일 실시예에 따르면 상기 고장 진단 예측부는, 상기 3개의 게이트 중 첫번째 게이트는 은닉층으로부터 입력 받은 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제1 유지 결과값을 결정하고, 결정된 제1 유지 결과값을 셀 스테이트에 추가하여 셀 스테이트에 업데이트 되어 있던 항목별 데이터를 상기 제1 유지 결과값에 따라 삭제할 수 있다.
본 발명의 일 실시예에 따르면 상기 고장 진단 예측부는, 상기 3개의 게이트 중 두번째 게이트는 은닉층으로부터 입력 받은 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제2 유지 결과값을 결정하고, 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 tanh함수에 입력하여 -1과 1사이의 제3 유지 결과값을 출력하여, 제2 유지 결과값과 제3 유지 결과값을 합성곱해 생성된 입력 연산값을 셀 스테이트에 추가할 수 있다.
본 발명의 일 실시예에 따르면 상기 고장 진단 예측부는, 상기 셀 스테이트는 상기 제1, 2게이트로부터 제1 유지 결과값 및 입력 연산값을 입력받고, 상기 셀 스테이트 상기 업데이트 되어 있던 항목별 데이터를 제1 유지 결과값에 따라 삭제하고 업데이트를 수행하며, 상기 업데이트 된 항목별 데이터를 입력 연산값에 따라 유지할 수 있다.
본 발명의 일 실시예에 따르면 상기 고장 진단 예측부는, 딥러닝에 포함된 3개의 게이트 중 세번째 게이트는 은닉층으로부터 입력 받은 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제3 유지 결과값을 결정하고, 상기 신규 셀 스테이트 정보를 tanh함수에 입력하여 출력된 -1과 1 사이의 연산 결과값을 산출 받아 상기 연산 결과값과 제3 유지 결과값을 합성곱하여 산출된 연산 결과 정보를 다음 예측 시 분류된 항목별 데이터로 사용할 수 있다.
본 발명의 일 실시예에 따르면 상기 예측능력 향상 모듈은 덴스 레이어(Dense layer)가 4개인 다층퍼셉트론 모델로 구현되며, 은닉층에 사용된 덴스 레이어는 32개의 뉴런을 가지고 있고 출력층의 덴스 레이어는 하나의 수치값을 예측하기 위하여 1개의 뉴런을 가지고, 과적합을 방지하기 위해 드롭아웃 레이어가 삽입될 수 있다.
본 발명의 일 실시예에 따르면 상기 예측능력 향상 모듈은 상태 유지 가능한 순환 신경망 구조로 구현되며,상태유지 모드일 경우 하나의 배치에서 학습된 상태가 다음 배치 학습시에 전달될 수 있다.
본 발명의 일 실시예에 따르면 상기 예측능력 향상 모듈은 다수의 다층퍼셉트론 모델을 여러겹으로 쌓아올린 구조로 구현될 수 있다.
본 발명의 일 실시예에 따르면 상기 고장 진단 예측부는, 상기 고장 예측 모델이 오프라인 시험 데이터를 입력받아 오프라인 시험 데이터에 포함된 항목별 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하고, 상기 모수 추정된 데이터의 경향성에 따라 직선으로 표현되는 방정식으로 구현된 열화 시뮬레이션 알고리즘을 생성하며, 상기 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측하는 열화 예측 정보를 출력할 수 있다.
본 발명의 일 실시예에 따르면 상기 고장 진단 예측부는, 상기 열화 예측 정보와 고장 진단을 위한 임계값을 대비하여 현시점 또는 일정 기간이후 시점의 고장 진단 예측 정보를 산출할 수 있다.
발명의 일 실시예에 따르면 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법은 수집한 오프라인 시험 데이터를 정제하고 연관성 분석을 위해 범주형 또는 명목형으로 변환하는 전처리를 수행하는 단계; 전처리된 데이터를 미리 설정한 항목별로 분류하고, 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 고장 요인을 도출하는 단계; 도출된 상기 고장 요인과 분류된 항목별 데이터를 4개의 타임스텝을 가진 복수의 상호작용 레이어로 구현된 딥러닝 기반의 고장예측 모델에 입력하여, 열화 예측 정보를 출력하는 단계를 포함하고, 상기 고장 예측 모델은 예측능력 향상 모듈 및 고장 예측 모듈을 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 전처리를 수행하는 단계는, 오프라인 시험 데이터를 수집하고, 수집된 데이터를 데이터베이스에 저장할 수 있는 형식으로 변환하여 저장하는 단계; 상기 데이터베이스에 저장된 데이터의 이상 여부를 검사하고, 발견된 이상 데이터를 대상으로 삭제 또는 평활화에 따른 결측치 입력, 데이터 불일치 교정을 통한 데이터 정제를 수행하는 단계; 및 데이터베이스에 저장된 정제된 데이터를 대상으로 이산화를 수행하여 각 데이터가 가지는 정량적 속성에 대한 연관성 분석을 위해 범주형 또는 명목형으로 변환하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 고장 요인을 도출하는 단계는, 전처리된 데이터베이스의 각 데이터를 특성 및 환경 정보에 따라 미리 설정한 항목별로 분류하는 단계; 상기 항목별로 분류된 복수의 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경요인과의 연관성을 피어슨(Pearson) 상관 분석을 수행하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면 상기 상관 분석을 수행하는 단계는, 요인 분석 알고리즘을 기반으로 하는 피어슨 상관 분석을 수행하여 고장 이력과의 연관성 요인을 도출할 수 있다.
본 발명의 일 실시예에 따르면 상기 열화 예측 정보를 출력하는 단계는, 상기 예측능력 향상 모듈이 선형연산을 수행하는 전체 체인을 관통하는 셀 스테이트를 포함하도록 구현되며, 상기 예측능력 향상 모듈이 복수의 연산 레이어로 구현된 3개의 게이트들을 포함하며 상기 3개의 게이트들은 선택적으로 정보가 흐를 수 있도록 시그모이드 뉴럴넷과 점단위 합성곱 연산으로 이루어져 셀 스테이트에 선택적으로 정보를 입력할 수 있다.
본 발명의 일 실시예에 따르면 상기 열화 예측 정보를 출력하는 단계는, 상기 3개의 게이트 중 첫번째 게이트는 은닉층으로부터 입력 받은 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제1 유지 결과값을 결정하고, 결정된 제1 유지 결과값을 셀 스테이트에 추가하여 셀 스테이트에 업데이트 되어 있던 항목별 데이터를 상기 제1 유지 결과값에 따라 삭제할 수 있다.
본 발명의 일 실시예에 따르면 상기 열화 예측 정보를 출력하는 단계는, 상기 3개의 게이트 중 두번째 게이트는 은닉층으로부터 입력 받은 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제2 유지 결과값을 결정하고, 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 tanh함수에 입력하여 -1과 1사이의 제3 유지 결과값을 출력하여, 제2 유지 결과값과 제3 유지 결과값을 합성곱해 생성된 입력 연산값을 셀 스테이트에 추가할 수 있다.
본 발명의 일 실시예에 따르면 상기 열화 예측 정보를 출력하는 단계는, 상기 셀 스테이트는 상기 제1, 2게이트로부터 제1 유지 결과값 및 입력 연산값을 입력받고, 상기 셀 스테이트 상기 업데이트 되어 있던 항목별 데이터를 제1 유지 결과값에 따라 삭제하고 업데이트를 수행하며, 상기 업데이트 된 항목별 데이터를 입력 연산값에 따라 유지할 수 있다.
본 발명의 일 실시예에 따르면 상기 열화 예측 정보를 출력하는 단계는, 딥러닝에 포함된 3개의 게이트 중 세번째 게이트는 은닉층으로부터 입력 받은 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제3 유지 결과값을 결정하고, 상기 신규 셀 스테이트 정보를 tanh함수에 입력하여 출력된 -1과 1 사이의 연산 결과값을 산출 받아 상기 연산 결과값과 제3 유지 결과값을 합성곱하여 산출된 연산 결과 정보를 다음 예측 시 분류된 항목별 데이터로 사용할 수 있다.
본 발명의 일 실시예에 따르면 상기 예측능력 향상 모듈은 덴스 레이어(Dense layer)가 4개인 다층퍼셉트론 모델로 구현되며, 은닉층에 사용된 덴스 레이어는 32개의 뉴런을 가지고 있고 출력층의 덴스 레이어는 하나의 수치값을 예측하기 위하여 1개의 뉴런을 가지고, 과적합을 방지하기 위해 드롭아웃 레이어가 삽입될 수 있다.
본 발명의 일 실시예에 따르면 상기 예측능력 향상 모듈은 다수의 다층퍼셉트론 모델을 여러겹으로 쌓아올린 구조로 구현될 수 있다.
본 발명의 일 실시예에 따르면 상기 예측능력 향상 모듈은 상태 유지 가능한 순환 신경망 구조로 구현되며,상태유지 모드일 경우 하나의 배치에서 학습된 상태가 다름 배치 학습시에 전달될 수 있다.
본 발명의 일 실시예에 따르면 상기 열화 예측 정보를 출력하는 단계는, 상기 고장 예측 모델이 오프라인 시험 데이터를 입력받아 오프라인 시험 데이터에 포함된 항목별 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하고, 상기 모수 추청된 데이터의 경향성에 따라 직선으로 표현되는 방정식으로 구현된 열화 시뮬레이션 알고리즘을 생성하며, 상기 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측하는 열화 예측 정보를 출력할 수 있다.
본 발명의 일 실시예에 따르면 상기 열화 예측 정보를 출력하는 단계는, 상기 열화 예측 정보와 고장 진단을 위한 임계값을 대비하여 현시점 또는 일정 기간이후 시점의 고장 진단 예측 정보를 산출할 수 있다.
본 발명의 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델에 의하면, 전처리된 데이터를 미리 설정한 항목별로 분류하고, 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 고장 요인을 도출하고, 고장 요인과 전처리된 데이터를 4개의 타임스텝을 가진 상호작용 레이어를 가진 딥러닝으로 구현된 고장예측 모델에 입력하여 고장 진단 예측 결과값을 도출함으로써 현시점 또는 일정 기간이후 시점의 고장 진단 예측 정보를 산출 효과가 존재한다.
도 1은 본 발명의 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치의 구성도이다.
도 2는 도 1에 도시된 시험 데이터 전처리부의 세부 구성도이다.
도 3은 도 1에 도시된 고장 요인 연관성 분석부의 세부 구성도이다.
도 4는 본 발명의 일 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델을 도식화한 도면이다.
도 5는 본 발명의 일 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델의 셀 스테이트를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델에 포함된 게이트들 중 제1 게이트의 구조를 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델에 포함된 게이트들 중 제2 게이트의 구조를 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델에 서 셀 스테이트가 업데이트 되는 것을 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델에 포함된 게이트들 중 제3 게이트의 구조를 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따른 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법의 흐름도이다.
도 2는 도 1에 도시된 시험 데이터 전처리부의 세부 구성도이다.
도 3은 도 1에 도시된 고장 요인 연관성 분석부의 세부 구성도이다.
도 4는 본 발명의 일 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델을 도식화한 도면이다.
도 5는 본 발명의 일 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델의 셀 스테이트를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델에 포함된 게이트들 중 제1 게이트의 구조를 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델에 포함된 게이트들 중 제2 게이트의 구조를 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델에 서 셀 스테이트가 업데이트 되는 것을 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델에 포함된 게이트들 중 제3 게이트의 구조를 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따른 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법의 흐름도이다.
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 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 발명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 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 의해 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 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다.
이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.
컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다.
그리고 몇 가지 대체 실시예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이 때, 본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다.
그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.
따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
본 발명의 실시예들을 구체적으로 설명함에 있어서, 특정 시스템의 예를 주된 대상으로 할 것이지만, 본 명세서에서 청구하고자 하는 주요한 요지는 유사한 기술적 배경을 가지는 여타의 통신 시스템 및 서비스에도 본 명세서에 개시된 범위를 크게 벗어나지 아니하는 범위에서 적용 가능하며, 이는 당해 기술분야에서 숙련된 기술적 지식을 가진 자의 판단으로 가능할 것이다.
이하, 도면을 참조하여 본 발명의 실시 예에 따른 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템 및 그 방법에 대하여 설명한다.
도 1은 본 발명의 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치의 구성도이다.
도 1을 참조하면 본 발명의 실시예에 따라 구현된 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치의 세부 구성이 나타나 있다.
본 발명의 일 실시예에 따르면 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치(1000)는 시험 데이터 전처리부(100), 고장 요인 연관성 분석부(200), 고장 진단 예측부(300)를 포함할 수 있다.
시험 데이터 전처리부(100)는 수집한 오프라인 시험 데이터를 정제하고 연관성 분석을 위해 범주형 또는 명목형으로 변환하는 전처리를 수행할 수 있다.
본 발명의 일 실시예에 따르면 오프라인 시험 데이터는 중전기기에 대하여 복수 특정 시점에서 진행된 복수의 측정 항목에 대한 측정값을 포함한 정보를 의미할 수 있다.
본 발명의 일 실시예에 따르면 오프라인 시험 데이터는 중전기기 식별 정보, 제조사, 제조시기, 전동기 정격용량(kW), 정격전압(kV), 정격전류(A), 시험전압(kV), 정전용량(nF), 절연저항(■GΩ), 성극지수(PI), 교류전류시험값(■ΔI), 유전정접시험값(Δtan■δ), 부분방전시험값(pC), 방전패턴, 방전개시전압(kV) 등의 항목을 포함할 수 있으나 이에 한정되지 아니하고 중전기기의 열화도를 분석할 수 있는 데이터 변수라면 제한없이 사용될 수 있다.
본 발명의 일 실시예에 따르면 복수의 측정 항목은 미리 설정된 중전기기 속성, 설비/장비 종류, 시험 시기, 시험 주기, 측정값 등의 항목일 수 있으며, 이에 한정되지 아니하고 오프라인 시험 데이터를 중 일부를 대표할 수 있는 항목이면 제한 없이 사용될 수 있다.
본 발명의 일 실시예에 따르면 범주형 데이터는 복수의 범주로 분류할 수 있는 데이터 형식을 의미하며 명목형 데이터는 여러 범주에 대해 하나의 이름으로 분류할 수 있는 데이터 형식을 의미한다.
고장 요인 연관성 분석부(200)는 전처리된 데이터를 미리 설정한 항목별로 분류하고, 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 고장 요인을 도출할 수 있다.
본 발명의 일 실시예에 따르면 오프라인 시험 데이터들의 고장 여부와 높은 연관성을 도출해 내기 위해 분석에 사용되는 전체 데이터를 미리 설정한 항목이라는 특정한 기준에 따라 분류할 수 있다.
본 발명의 일 실시예에 따르면 오프라인 시험을 통해 검출된 데이터들의 미리 설정한 항목에 따라 특성 및 환경 정보를 기준으로 항목별로 분류하고, 이를 기반으로 분석을 진행할 수 있다.
일반적으로 중전기기의 설치 환경에 따라 다르게 적용될 수도 있지만, 사용 특성의 분류 기준과 변수들 간의 연관성이 다르게 나타날 가능성도 매우 높으므로 연관성이 높은 요인을 탐색할 필요가 존재한다.
본 발명의 일 실시예에 따르면 연관성 높은 요인을 탐색하기 위해 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 고장 요인을 도출할 수 있다.
환경 요인과의 연관성 분석에 대해서는 도 3을 참조하며 더 자세하게 설명하도록 한다.
본 발명의 일 실시예에 따르면 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 오프라인 시험 데이터에 포함된 시험 측정 값과 고장이력을 기준으로 연관성이 높은 요인을 고장 요인으로 산정하여 도출할 수 있다.
고장 진단 예측부(300)는 도출된 고장 요인과 분류된 항목별 데이터를 4개의 타임스텝을 가진 복수의 상호작용 레이어로 구현된 딥러닝 기반의 고장예측 모델에 입력하여, 열화 예측 정보를 출력할 수 있다.
본 발명의 일 실시예에 따르면 고장 진단 예측부(300)는 연관성 분석을 통해 도출된 고장 요인과 오프라인 시험 데이터를 기반으로 분류된 항목별 데이터를 입력받아 향후 발생 가능한 중전기기의 고장 여부를 예측할 수 있다.
본 발명의 일 실시예에 따르면 고장 예측은 크게 학습과 예측의 2부분으로 나뉘어 질 수 있다.
본 발명의 일 실시예에 따르면 고장 예측 모델은 예측능력 향상 모듈 및 열화 예측 모듈을 포함할 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈에서 학습 기능을 수행할 수 있으며, 예측능력 향상 모듈은 누적된 오프라인 시험 데이터를 기반으로 예측모형을 만들고 이를 학습을 통해 개선하는 기능을 수행할 수 있다.
본 발명의 일 실시예에 따르면 고장 예측 모듈에서 예측 기능을 수행할 수 있으며, 생성된 예측 모형에 예측 시점의 오프라인 시험 데이터를 입력하여 고장 가능성을 예측할 수 있다.
본 발명의 일 실시예에 따르면 고장 예측 모듈은 오프라인 시험 데이터를 입력받아 오프라인 시험 데이터에 포함된 항목별 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행할 수 있다.
본 발명의 일 실시예에 따르면 고장 예측 모듈은 모수 추정된 데이터의 경향성에 따라 직선으로 표현되는 방정식으로 구현된 열화 시뮬레이션 알고리즘을 생성할 수 있다.
여기서 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측하는 열화 예측 정보를 출력하는 알고리즘 모델을 의미할 수 있다.
본 발명의 일 실시예에 따르면 고장 예측 모듈은 열화 예측 정보와 고장 진단을 위한 임계값을 대비하여 현시점 또는 일정 기간이후 시점의 고장 진단 예측 정보를 산출할 수 있다.
본 발명의 일 실시예에 따르면 열화 예측 모듈은 미리 저장된 회귀 모델 중 분석 결과 값과 진단 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성할 수 있다.
본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델에 따라 오프라인 시험 데이터를 데이트 세트 별로 나누어 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델을 이용하여 파라미터 최적값 검사, 조건부 고장 확률 추정, 열화 관계성 추적 중 적어도 하나 이상을 수행하고, 수행한 결과 값을 열화 예측 정보에 포함할 수 있다.
본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델은 오프라인 시험 데이터에 포함된 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 주요 변수 측정 데이터를 입력 받고, 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 정상 그룹을 형성하며, 중전기기 측정 데이터와 형성된 정상 그룹의 중심과의 확률 분포 거리를 측정하여 중전기기의 열화 정도를 예측하여 열화 예측 정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 고장 예측 모델은 열화 예측 모듈이 출력한 열화 예측 정보와 고장 진단을 위한 임계값을 대비하여 현시점 또는 일정 기간이후 시점의 고장 진단 예측 정보를 산출할 수 있다.
도 2는 도 1에 도시된 시험 데이터 전처리부의 세부 구성도이다.
도 2를 참조하면 도 1에 도시된 시험 데이터 전처리부는 데이터 수집부(110), 데이터 정제부(120), 데이터 변환부(130)를 포함할 수 있다.
데이터 수집부(110)는 오프라인 시험 데이터를 수집하고, 수집된 데이터를 데이터베이스에 저장할 수 있는 형식으로 변환하여 저장할 수 있다.
본 발명의 일 실시예에 따르면 데이터 수집부(110)는 중전기기 고장진단을 위한 오프라인 시험 데이터를 수집하여 DB 서버의 데이터 베이스에 주기적으로 저장할 수 있다.
본 발명의 일 실시예에 따르면 데이터 수집부(110)는 고장예측 모델이 정확한 열화 예측 정보를 산출할 수 있도록 오프라인 시험 데이터 데이터베이스 구조에 적합한 형식으로 변환할 수 있다.
데이터 정제부(120)는 데이터베이스에 저장된 데이터의 이상 여부를 검사하고, 발견된 이상 데이터를 대상으로 삭제 또는 평활화에 따른 결측치 입력, 데이터 불일치 교정을 통한 데이터 정제를 수행할 수 있다.
본 발명의 일 실시예에 따르면 데이터 정제부(120)는 수집된 오프라인 시험데이터의 신뢰성을 높이기 위하여 데이터의 정제를 수행할 수 있다.
본 발명의 일 실시예에 따르면 데이터 정제부(120)는 불완전한 형태의 데이터가 데이터 베이스에 저장되거나 오류나 센서 및 검침기의 이상으로 손실되거나 변환될 수도 있는 문제점을 해결하기 위하여 데이터 정제를 수행하여 초기 학습용과 실시간 데이터 처리용으로 데이터를 분류할 수 있다.
본 발명의 일 실시예에 따르면 데이터 정제부(120)는 데이터 검사 기능을 포함할 수 있으며, 데이터 검사 기능을 통해 데이터베이스에 저장된 오프라인 시험 데이터를 검사하여 이상 여부(임계치 기반 검사, 타입 불일치 검사 등)를 확인할 수 있다.
본 발명의 일 실시예에 따르면 데이터 정제부(120)는 데이터 정제 기능을 포함할 수 있으며, 데이터 정제 기능을 통해 데이터 검사를 수행하여 발견된 이상 데이터들을 결측치를 채워넣거나 삭제하고, 잡음있는 데이터를 평활화하고, 이상치를 식별하고, 데이터 불일치를 교정하는 등의 방법으로 처리할 수 있다.
본 발명의 일 실시예에 따르면 데이터 정제부(120)는 레코드 변환 및 저장 기능을 포함할 수 있으며, 레코드 변환 및 저장 기능을 통해 데이터 정제가 완료된 후 분석을 위하여 데이터베이스의 스키마에 정제된 데이터를 저장할 수 있다.
데이터 변환부(130)는 데이터베이스에 저장된 정제된 데이터를 대상으로 이산화를 수행하여 각 데이터가 가지는 정량적 속성에 대한 연관성 분석을 위해 범주형 또는 명목형으로 변환할 수 있다.
본 발명의 일 실시예에 따르면 데이터 변환부(130)는 오프라인 시험 데이터 분석에서 활용되는 정량적 속성에 대한 분류를 위해 연관규칙을 마이닝할 수 있도록 정량적인 데이터를 범주형이나 명목형으로 변환할 수 있다.
본 발명의 일 실시예에 따르면 데이터 변환부(130)는 데이터 변환 및 저장 기능을 포함할 수 있으며, 데이터 변환 및 저장 기능을 통해 미리 정의된 속성들의 구간을 기반으로 오프라인 시험 데이터에 포함된 에너지 데이터 및 센싱 데이터를 변환(이산화)하고, 변환된 데이터를 분석을 위해 데이터베이스에 저장할 수 있다.
도 3은 도 1에 도시된 고장 요인 연관성 분석부의 세부 구성도이다.
도 3을 참조하면 고장 요인 연관성 분석부(200)는 데이터 항목 분류부(210), 연관성 분석 수행부(220)를 포함할 수 있다.
데이터 항목 분류부(210)는 전처리된 데이터베이스의 각 데이터를 특성 및 환경 정보에 따라 미리 설정한 항목별로 분류할 수 있다.
본 발명의 일 실시예에 따르면 미리 설정한 항목은 중전기기 속성, 설비/장비 종류, 시험 시기, 월 단위, 주/일 단위, 기타 정보로 설정될 수 있으며, 또 다른 실시예에 따르면 이에 한정되지 않고 중전 기기의 시험 데이터로부터 얻을 수 있는 데이터를 하나의 카테고리로 묶을 수 있는 것을 자유롭게 사용될 수 있다.
여기서 중전기기 속성은 중전기기의 용도별, 규모별, 지역별 유형에 따라 달라지는 사용 특성을 의미할 수 있으며, 시험 대상의 기본 정보 및 특성을 고려 분류된 것을 의미할 수 있다.
또한 설비/장비 종류는 중전기기의 장비 종류와 그 효율에 따라 특성이 달라짐으로 전동기, 발전기, 변압기 등으로 분류한 항목을 의미할 수 있다.
시험 시기는 오프라인 시험 데이터를 얻기 위한 중전기기 진단의 시기에 따라(계절 및 환경 정보)에 따른 중전기기 동작과 사용 패턴이 다를 수 있으므로 이에 따라 분류된 항목을 의미할 수 있다.
시험 주기는 중전기기의 시험은 대부분 수개월 혹은 년 단위로 측정되므로, 이런 시험주기를 기준으로 추이를 분석할 수 있도록 분류된 항목을 의미할 수 있다.
기타 정보는 기타 환경정보, 위치정보 및 중전기기 운용정보를 기반으로 분류한 항목을 의미할 수 있다.
연관성 분석 수행부(220)는 항목별로 분류된 복수의 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경요인과의 연관성을 피어슨(Pearson) 상관 분석을 수행할 수 있다.
본 발명의 일 실시예에 따르면 중전기기 고장 진단 예측을 위해 오프라인 시험 데이터의 대상 속성 프로파일을 고려하여 환경요인(제작사, 제작시기 등)과의 관계를 연관성 분석할 수 있으며, 이때 연관성 분석을 위한 알고리즘으로는 피어슨 상관분석을 사용할 수 있다.
본 발명의 일 실시예에 따르면 연관성 분석 수행부(220)는 피어슨 상관 분석을 사용하여 오프라인 시험 데이터과 환경 정보에 따라 미리 설정한 항목 간에 상관 관계를 분석하여 그 상관 계수가 임계치 보다 큰 것 고장 요인으로 선정하여 각 고장 요인에 해당하는 항목에 포함된 분류된 항목별 데이터를 고장 진단 예측부로 송신할 수 있다.
본 발명의 일 실시예에 따르면 연관성 분석 수행부(220)는 요인 분석 알고리즘을 기반으로 하는 피어슨 상관 분석을 수행하여 고장 이력과의 연관성 요인을 도출할 수 있다.
도 4는 본 발명의 일 실시예에 따라 구현된 예측능력 향상 모듈을 도식화한 도면이다.
도 4를 참조하면 예측능력 향상 모듈은 선형연산을 수행하는 전체 체인을 관통하는 셀 스테이트를 포함하도록 구현될 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈은 복수의 연산 레이어로 구현된 3개의 게이트(제1, 2, 3 게이트)를 포함할 수 있으며, 3개의 게이트들은 선택적으로 정보가 흐를 수 있도록 시그모이드 뉴럴넷과 점단위 합성곱 연산으로 이루어져 셀 스테이트에 선택적으로 정보를 입력할 수 있다.
여기서 시그모이드 뉴럴넷은 시그모이드 함수를 이용하여 형성된 뉴럴 네트워크를 의미할 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈은 덴스 레이어(Dense layer)가 4개인 다층퍼셉트론 모델로 구현될 수 있으며, 이때 은닉층에 사용된 덴스 레이어는 32개의 뉴런을 가질 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈의 출력층에 위치한 덴스 레이어는 하나의 수치값을 예측하기 위하여 1개의 뉴런을 가지고, 과적합을 방지하기 위해 드롭아웃 레이어가 삽입될 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈은 다수의 다층퍼셉트론 모델을 여러겹으로 쌓아올린 구조로 구현될 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈은 상태 유지 가능한 순환 신경망 구조로 구현되며,상태유지 모드일 경우 하나의 배치에서 학습된 상태가 다름 배치 학습시에 전달될 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈은 상태 유지 가능한 순환 신경망 구조를 여러겹으로 쌓아올린 구조로 구현될 수 있다.
도 5는 본 발명의 일 실시예에 따라 구현된 예측능력 향상 모듈의 셀 스테이트를 나타낸 도면이다.
도 5를 참조하면 본 발명의 일 실시예에 따라 구현된 예측능력 향상 모듈의 셀 스테이트가 도식화된 도면이 나타나 있으며, 셀 스테이트는 최초로 입력 받은 분류된 항목별 데이터 또는 이전 단계에서 셀 스테이트에 업데이트된 분류된 항목별 데이터()를 입력 받을 수 있다.
본 발명의 일 실시 예에 따르면 셀 스테이트는 제1, 2, 3 게이트로부터 정보를 입력받아 분류된 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 삭제, 추가, 변경, 유지할 수 있다.
도 7은 본 발명의 일 실시예에 따라 구현된 예측능력 향상 모듈에 포함된 게이트들 중 제1 게이트의 구조를 나타낸 도면이다.
도 7을 참조하면 예측능력 향상 모듈에 포함된 제1게이트는 은닉층으로부터 입력 받은 분류된 항목별 데이터와 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제1 유지 결과값(
)을 결정하고, 결정된 제1 유지 결과값을 셀 스테이트에 추가하여 셀 스테이트에 업데이트 되어 있던 항목별 데이터를 제1 유지 결과값에 따라 삭제할 수 있다.
본 발명의 일 실시예에 따르면 제1 유지 결과값(
)은 아래 수학식 1과 같이 계산될 수 있다.
본 발명의 일 실시예에 따르면 제1게이트는 은닉층으로부터 입력 받은 분류된 항목별 데이터()와 고장 요인 정보()를 시그모이드 함수에 입력하여 0과 1사이의 제1 유지 결과값을 출력할 수 있다.
여기서 제1 유지 결과 값은 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 삭제하는 비율에 대한 정보를 의미하며, 0에 가까워 질수록 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 전부 삭제하는 것에 가까워지며, 1에 가까워 질수록 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 전부 유지하는 것에 가까워지게 된다.
본 발명의 일 실시예에 따르면 제1게이트는 결정된 제1 유지 결과값을 셀 스테이트에 추가하여 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 제1 유지 결과값에 따라 삭제할 수 있다.
도 8은 본 발명의 일 실시예에 따라 구현된 예측능력 향상 모듈에 포함된 게이트들 중 제2 게이트의 구조를 나타낸 도면이다.
도 8을 참조하면 예측능력 향상 모듈에 포함된 제2 게이트는 은닉층으로부터 입력 받은 분류된 항목별 데이터와 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제2 유지 결과값()을 결정할 수 있다.
여기서 제1 유지 결과 값은 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 유지하는 비율에 대한 정보를 의미하며, 0에 가까워 질수록 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 전부 유지하는 것에 가까워지며, 1에 가까워 질수록 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 전부 삭제하는 것에 가까워지게 된다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈은 분류된 항목별 데이터와 고장 요인 정보를 tanh함수에 입력하여 -1과 1사이의 제3 유지 결과값()을 출력하고, 제2 유지 결과값과 제3 유지 결과값을 합성곱해 생성된 입력 연산값(
)을 셀 스테이트에 추가할 수 있다.
본 발명의 일 실시예에 따르면 제2 유지 결과값()과 제3 유지 결과값()입력 연산값(
)은 아래 수학식 2와 같이 계산될 수 있다.
도 9는 본 발명의 일 실시예에 따라 구현된 예측능력 향상 모듈에서 셀 스테이트가 업데이트 되는 것을 나타낸 도면이다.
도 9를 참조하면 예측능력 향상 모듈에서 셀 스테이트는 제1, 2게이트로부터 제1 유지 결과값 및 입력 연산값을 입력 받을 수 있다.
본 발명의 일 실시예에 따르면 셀 스테이트는 셀 스테이트에 업데이트 되어 있던 항목별 데이터를 제1 유지 결과값에 따라 삭제할 수 있다.
본 발명의 일 실시예에 따르면 셀 스테이트는 셀 스테이트에 업데이트 되어 있던 항목별 데이터를 입력 연산값에 따라 유지시킬 수 있다.
도 10은 본 발명의 일 실시예에 따라 구현된 예측능력 향상 모듈에 포함된 게이트들 중 제3 게이트의 구조를 나타낸 도면이다.
도 10을 참조하면 예측능력 향상 모듈에 포함된 제3 게이트는 은닉층으로부터 입력 받은 분류된 항목별 데이터와 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제3 유지 결과값()을 결정할 수 있다.
본 발명의 일 실시예에 따르면 셀 스테이트는 입력 연산값에 따라 유지된 셀 스테이트에 업데이트 되어 있던 항목별 데이터를 tanh함수에 입력하여 출력된 -1과 1 사이의 연산 결과값을 산출 받아 연산 결과값과 제3 유지 결과값()을 합성곱하여 산출된 연산 결과 정보()를 다음 예측 시 분류된 항목별 데이터로 사용할 수 있다.
본 발명의 일 실시예에 따르면 연산 결과 정보()는 아래 수학식 3과 같이 계산될 수 있다.
도 11은 본 발명의 일 실시예에 따른 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법의 흐름도이다.
수집한 오프라인 시험 데이터를 정제하고 연관성 분석을 위해 범주형 또는 명목형으로 변환하는 전처리를 수행한다(S10).
본 발명의 일 실시예에 따르면 수집한 오프라인 시험 데이터를 정제하고 연관성 분석을 위해 범주형 또는 명목형으로 변환하는 전처리를 수행할 수 있다.
본 발명의 일 실시예에 따르면 오프라인 시험 데이터는 중전기기에 대하여 복수 특정 시점에서 진행된 복수의 측정 항목에 대한 측정값을 포함한 정보를 의미할 수 있다.
본 발명의 일 실시예에 따르면 오프라인 시험 데이터는 중전기기 식별 정보, 제조사, 제조시기, 전동기 정격용량(kW), 정격전압(kV), 정격전류(A), 시험전압(kV), 절연저항(■GΩ), 성극지수(PI), 정전용량(nF), 교류전류시험값(■ΔI), 유전정접시험값(Δtan■δ), 부분방전시험값(pC), 방전패턴, 방전개시전압(kV) 등의 항목을 포함할 수 있으나 이에 한정되지 아니하고 중전기기의 열화도를 분석할 수 있는 데이터 변수라면 제한없이 사용될 수 있다.
본 발명의 일 실시예에 따르면 복수의 측정 항목은 미리 설정된 중전기기 속성, 설비/장비 종류, 시험 시기, 시험 주기, 측정값 등의 항목일 수 있으며, 이에 한정되지 아니하고 오프라인 시험 데이터를 중 일부를 대표할 수 있는 항목이면 제한 없이 사용될 수 있다.
본 발명의 일 실시예에 따르면 범주형 데이터는 복수의 범주로 분류할 수 있는 데이터 형식을 의미하며 명목형 데이터는 여러 범주에 대해 하나의 이름으로 분류할 수 있는 데이터 형식을 의미한다.
본 발명의 일 실시예에 따르면 오프라인 시험 데이터를 수집하고, 수집된 데이터를 데이터베이스에 저장할 수 있는 형식으로 변환하여 저장할 수 있다.
본 발명의 일 실시예에 따르면 중전기기 고장진단을 위한 오프라인 시험 데이터를 수집하여 DB 서버의 데이터 베이스에 주기적으로 저장할 수 있다.
본 발명의 일 실시예에 따르면 고장예측 모델이 정확한 열화 예측 정보를 산출할 수 있도록 오프라인 시험 데이터 데이터베이스 구조에 적합한 형식으로 변환할 수 있다.
본 발명의 일 실시예에 따르면 데이터베이스에 저장된 데이터의 이상 여부를 검사하고, 발견된 이상 데이터를 대상으로 삭제 또는 평활화에 따른 결측치 입력, 데이터 불일치 교정을 통한 데이터 정제를 수행할 수 있다.
본 발명의 일 실시예에 따르면 수집된 오프라인 시험데이터의 신뢰성을 높이기 위하여 데이터의 정제를 수행할 수 있다.
본 발명의 일 실시예에 따르면 불완전한 형태의 데이터가 데이터 베이스에 저장되거나 오류나 센서 및 검침기의 이상으로 손실되거나 변환될 수도 있는 문제점을 해결하기 위하여 데이터 정제를 수행하여 초기 학습용과 실시간 데이터 처리용으로 데이터를 분류할 수 있다.
본 발명의 일 실시예에 따르면 데이터 검사 기능을 포함할 수 있으며, 데이터 검사 기능을 통해 데이터베이스에 저장된 오프라인 시험 데이터를 검사하여 이상 여부(임계치 기반 검사, 타입 불일치 검사 등)를 확인할 수 있다.
본 발명의 일 실시예에 따르면 데이터 정제 기능을 포함할 수 있으며, 데이터 정제 기능을 통해 데이터 검사를 수행하여 발견된 이상 데이터들을 결측치를 채워넣거나 삭제하고, 잡음있는 데이터를 평활화하고, 이상치를 식별하고, 데이터 불일치를 교정하는 등의 방법으로 처리할 수 있다.
본 발명의 일 실시예에 따르면 레코드 변환 및 저장 기능을 포함할 수 있으며, 레코드 변환 및 저장 기능을 통해 데이터 정제가 완료된 후 분석을 위하여 데이터베이스의 스키마에 정제된 데이터를 저장할 수 있다.
본 발명의 일 실시예에 따르면 데이터베이스에 저장된 정제된 데이터를 대상으로 이산화를 수행하여 각 데이터가 가지는 정량적 속성에 대한 연관성 분석을 위해 범주형 또는 명목형으로 변환할 수 있다.
본 발명의 일 실시예에 따르면 오프라인 시험 데이터 분석에서 활용되는 정량적 속성에 대한 분류를 위해 연관규칙을 마이닝할 수 있도록 정량적인 데이터를 범주형이나 명목형으로 변환할 수 있다.
본 발명의 일 실시예에 따르면 데이터 변환 및 저장 기능을 포함할 수 있으며, 데이터 변환 및 저장 기능을 통해 미리 정의된 속성들의 구간을 기반으로 오프라인 시험 데이터에 포함된 에너지 데이터 및 센싱 데이터를 변환(이산화)하고, 변환된 데이터를 분석을 위해 데이터베이스에 저장할 수 있다.
전처리된 데이터를 미리 설정한 항목별로 분류하고, 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 고장 요인을 도출한다(S20).
본 발명의 일 실시예에 따르면 전처리된 데이터를 미리 설정한 항목별로 분류하고, 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 고장 요인을 도출할 수 있다.
본 발명의 일 실시예에 따르면 오프라인 시험 데이터들의 고장 여부와 높은 연관성을 도출해 내기 위해 분석에 사용되는 전체 데이터를 미리 설정한 항목이라는 특정한 기준에 따라 분류할 수 있다.
본 발명의 일 실시예에 따르면 오프라인 시험을 통해 검출된 데이터들의 미리 설정한 항목에 따라 특성 및 환경 정보를 기준으로 항목별로 분류하고, 이를 기반으로 분석을 진행할 수 있다.
본 발명의 일 실시예에 따르면 연관성 높은 요인을 탐색하기 위해 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 고장 요인을 도출할 수 있다.
본 발명의 일 실시예에 따르면 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 오프라인 시험 데이터에 포함된 시험 측정 값과 고장이력을 기준으로 연관성이 높은 요인을 고장 요인으로 산정하여 도출할 수 있다.
본 발명의 일 실시예에 따르면 전처리된 데이터베이스의 각 데이터를 특성 및 환경 정보에 따라 미리 설정한 항목별로 분류할 수 있다.
본 발명의 일 실시예에 따르면 항목별로 분류된 복수의 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경요인과의 연관성을 피어슨(Pearson) 상관 분석을 수행할 수 있다.
본 발명의 일 실시예에 따르면 중전기기 고장 진단 예측을 위해 오프라인 시험 데이터의 대상 속성 프로파일을 고려하여 환경요인(제작사, 제작시기 등)과의 관계를 연관성 분석할 수 있으며, 이때 연관성 분석을 위한 알고리즘으로는 피어슨 상관분석을 사용할 수 있다.
본 발명의 일 실시예에 따르면 피어슨 상관 분석을 사용하여 오프라인 시험 데이터과 환경 정보에 따라 미리 설정한 항목 간에 상관 관계를 분석하여 그 상관 계수가 임계치 보다 큰 것 고장 요인으로 선정하여 각 고장 요인에 해당하는 항목에 포함된 분류된 항목별 데이터를 고장 진단 예측부로 송신할 수 있다.
본 발명의 일 실시예에 따르면 요인 분석 알고리즘을 기반으로 하는 피어슨 상관 분석을 수행하여 고장 이력과의 연관성 요인을 도출할 수 있다.
도출된 상기 고장 요인과 분류된 항목별 데이터를 4개의 타임스텝을 가진 복수의 상호작용 레이어로 구현된 딥러닝 기반의 고장예측 모델에 입력하여, 열화 예측 정보를 출력한다(S30).
본 발명의 일 실시예에 따르면 도출된 고장 요인과 분류된 항목별 데이터를 4개의 타임스텝을 가진 복수의 상호작용 레이어로 구현된 딥러닝 기반의 고장예측 모델에 입력하여, 열화 예측 정보를 출력할 수 있다.
본 발명의 일 실시예에 따르면 연관성 분석을 통해 도출된 고장 요인과 오프라인 시험 데이터를 기반으로 분류된 항목별 데이터를 입력받아 향후 발생 가능한 중전기기의 고장 여부를 예측할 수 있다.
본 발명의 일 실시예에 따르면 고장 예측은 크게 학습과 예측의 2부분으로 나뉘어 질 수 있다.
본 발명의 일 실시예에 따르면 고장 예측 모델은 예측능력 향상 모듈 및 열화 예측 모듈을 포함할 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈에서 학습 기능을 수행할 수 있으며, 예측능력 향상 모듈은 누적된 오프라인 시험 데이터를 기반으로 예측모형을 만들고 이를 학습을 통해 개선하는 기능을 수행할 수 있다.
본 발명의 일 실시예에 따르면 고장 예측 모듈에서 예측 기능을 수행할 수 있으며, 생성된 예측 모형에 예측 시점의 오프라인 시험 데이터를 입력하여 고장 가능성을 예측할 수 있다.
본 발명의 일 실시예에 따르면 고장 예측 모듈은 오프라인 시험 데이터를 입력받아 오프라인 시험 데이터에 포함된 항목별 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행할 수 있다.
본 발명의 일 실시예에 따르면 고장 예측 모듈은 모수 추청된 데이터의 경향성에 따라 직선으로 표현되는 방정식으로 구현된 열화 시뮬레이션 알고리즘을 생성할 수 있다.
여기서 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측하는 열화 예측 정보를 출력하는 알고리즘 모델을 의미할 수 있다.
본 발명의 일 실시예에 따르면 고장 예측 모듈은 열화 예측 정보와 고장 진단을 위한 임계값을 대비하여 현시점 또는 일정 기간이후 시점의 고장 진단 예측 정보를 산출할 수 있다.
본 발명의 일 실시예에 따르면 열화 예측 모듈은 미리 저장된 회귀 모델 중 분석 결과 값과 진단 이력 데이터를 대비하여 오차가 상대적으로 가장 적게 발생하는 모델을 해당 데이터 세트의 회귀 모델로 선정하여 다수의 회귀 분석 모델로 구성된 열화 시뮬레이션 모델을 생성할 수 있다.
본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델에 따라 오프라인 시험 데이터를 데이트 세트 별로 나누어 데이터 세트별로 선형 회귀 분석을 수행하고, 수행한 결과를 기반으로 열화 예측 정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델을 이용하여 파라미터 최적값 검사, 조건부 고장 확률 추정, 열화 관계성 추적 중 적어도 하나 이상을 수행하고, 수행한 결과 값을 열화 예측 정보에 포함할 수 있다.
본 발명의 일 실시예에 따르면 열화 시뮬레이션 모델은 오프라인 시험 데이터에 포함된 예측 대상 중전기기의 진단 이력 데이터 및 중전기기 주요 변수 측정 데이터를 입력 받고, 진단 이력 데이터에 포함된 복수의 데이터를 대상으로 다변량 데이터 마이닝을 수행하여 정상 그룹을 형성하며, 중전기기 측정 데이터와 형성된 정상 그룹의 중심과의 확률 분포 거리를 측정하여 중전기기의 열화 정도를 예측하여 열화 예측 정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 고장 예측 모델은 열화 예측 모듈이 출력한 열화 예측 정보와 고장 진단을 위한 임계값을 대비하여 현시점 또는 일정 기간이후 시점의 고장 진단 예측 정보를 산출할 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈은 복수의 연산 레이어로 구현된 3개의 게이트(제1, 2, 3 게이트)를 포함할 수 있으며, 3개의 게이트들은 선택적으로 정보가 흐를 수 있도록 시그모이드 뉴럴넷과 점단위 합성곱 연산으로 이루어져 셀 스테이트에 선택적으로 정보를 입력할 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈은 덴스 레이어(Dense layer)가 4개인 다층퍼셉트론 모델로 구현될 수 있으며, 이때 은닉층에 사용된 덴스 레이어는 32개의 뉴런을 가질 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈의 출력층에 위치한 덴스 레이어는 하나의 수치값을 예측하기 위하여 1개의 뉴런을 가지고, 과적합을 방지하기 위해 드롭아웃 레이어가 삽입될 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈은 다수의 다층퍼셉트론 모델을 여러겹으로 쌓아올린 구조로 구현될 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈은 상태 유지 가능한 순환 신경망 구조로 구현되며,상태유지 모드일 경우 하나의 배치에서 학습된 상태가 다름 배치 학습시에 전달될 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈은 상태 유지 가능한 순환 신경망 구조를 여러겹으로 쌓아올린 구조로 구현될 수 있다.
본 발명의 일 실시 예에 따르면 셀 스테이트는 제1, 2, 3 게이트로부터 정보를 입력받아 분류된 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 삭제, 추가, 변경, 유지할 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈에 포함된 제1게이트는 은닉층으로부터 입력 받은 분류된 항목별 데이터와 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제1 유지 결과값(
)을 결정하고, 결정된 제1 유지 결과값을 셀 스테이트에 추가하여 셀 스테이트에 업데이트 되어 있던 항목별 데이터를 제1 유지 결과값에 따라 삭제할 수 있다.
본 발명의 일 실시예에 따르면 제1 유지 결과값(
)은 수학식 1과 같이 계산될 수 있다.
본 발명의 일 실시예에 따르면 제1게이트는 은닉층으로부터 입력 받은 분류된 항목별 데이터()와 고장 요인 정보()를 시그모이드 함수에 입력하여 0과 1사이의 제1 유지 결과값을 출력할 수 있다.
여기서 제1 유지 결과 값은 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 삭제하는 비율에 대한 정보를 의미하며, 0에 가까워 질수록 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 전부 삭제하는 것에 가까워지며, 1에 가까워 질수록 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 전부 유지하는 것에 가까워지게 된다.
본 발명의 일 실시예에 따르면 제1게이트는 결정된 제1 유지 결과값을 셀 스테이트에 추가하여 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 제1 유지 결과값에 따라 삭제할 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈에 포함된 제2 게이트는 은닉층으로부터 입력 받은 분류된 항목별 데이터와 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제2 유지 결과값()을 결정할 수 있다.
여기서 제1 유지 결과 값은 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 유지하는 비율에 대한 정보를 의미하며, 0에 가까워 질수록 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 전부 유지하는 것에 가까워지며, 1에 가까워 질수록 셀 스테이트에 업데이트 되어 있던 항목별 데이터()를 전부 삭제하는 것에 가까워지게 된다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈은 분류된 항목별 데이터와 고장 요인 정보를 tanh함수에 입력하여 -1과 1사이의 제3 유지 결과값()을 출력하고, 제2 유지 결과값과 제3 유지 결과값을 합성곱해 생성된 입력 연산값(
)을 셀 스테이트에 추가할 수 있다.
본 발명의 일 실시예에 따르면 제2 유지 결과값()과 제3 유지 결과값()입력 연산값(
)은 수학식 2와 같이 계산될 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈에서 셀 스테이트는 제1, 2게이트로부터 제1 유지 결과값 및 입력 연산값을 입력 받을 수 있다.
본 발명의 일 실시예에 따르면 셀 스테이트는 셀 스테이트에 업데이트 되어 있던 항목별 데이터를 제1 유지 결과값에 따라 삭제할 수 있다.
본 발명의 일 실시예에 따르면 셀 스테이트는 셀 스테이트에 업데이트 되어 있던 항목별 데이터를 입력 연산값에 따라 유지시킬 수 있다.
본 발명의 일 실시예에 따르면 예측능력 향상 모듈에 포함된 제3 게이트는 은닉층으로부터 입력 받은 분류된 항목별 데이터와 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제3 유지 결과값()을 결정할 수 있다.
본 발명의 일 실시예에 따르면 셀 스테이트는 입력 연산값에 따라 유지된 셀 스테이트에 업데이트 되어 있던 항목별 데이터를 tanh함수에 입력하여 출력된 -1과 1 사이의 연산 결과값을 산출 받아 연산 결과값과 제3 유지 결과값()을 합성곱하여 산출된 연산 결과 정보()를 다음 예측 시 분류된 항목별 데이터로 사용할 수 있다.
본 발명의 일 실시예에 따르면 연산 결과 정보()는 수학식 3과 같이 계산될 수 있다.
본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 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.
Claims (28)
- 수집한 오프라인 시험 데이터를 정제하고 연관성 분석을 위해 범주형 또는 명목형으로 변환하는 전처리를 수행하는 시험 데이터 전처리부;
전처리된 데이터를 미리 설정한 항목별로 분류하고, 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 고장 요인을 도출하는 고장 요인 연관성 분석부;
도출된 상기 고장 요인과 분류된 항목별 데이터를 4개의 타임스텝을 가진 복수의 상호작용 레이어로 구현된 딥러닝 기반의 고장예측 모델에 입력하여, 열화 예측 정보를 출력하는 고장 진단 예측부를 포함하고,
상기 고장 예측 모델은 예측능력 향상 모듈 및 고장 예측 모듈을 포함하고,
상기 시험 데이터 전처리부는,
오프라인 시험 데이터를 수집하고, 수집된 데이터를 데이터베이스에 저장할 수 있는 형식으로 변환하여 저장하는 데이터 수집부;
상기 데이터베이스에 저장된 데이터의 이상 여부를 검사하고, 발견된 이상 데이터를 대상으로 삭제 또는 평활화에 따른 결측치 입력, 데이터 불일치 교정을 통한 데이터 정제를 수행하는 데이터 정제부; 및
데이터베이스에 저장된 정제된 데이터를 대상으로 이산화를 수행하여 각 데이터가 가지는 정량적 속성에 대한 연관성 분석을 위해 범주형 또는 명목형으로 변환하는 데이터 변환부를 더 포함하며,
상기 고장 요인 연관성 분석부는,
전처리된 데이터베이스의 각 데이터를 특성 및 환경 정보에 따라 미리 설정한 항목별로 분류하는 데이터 항목 분류부;
상기 항목별로 분류된 복수의 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경요인과의 연관성을 피어슨(Pearson) 상관 분석을 수행하는 연관성 분석 수행부를 더 포함하고,
상기 연관성 분석 수행부는,
요인 분석 알고리즘을 기반으로 하는 피어슨 상관 분석을 수행하여 고장 이력과의 연관성 요인을 도출하며,
상기 고장 진단 예측부는,
상기 예측능력 향상 모듈이 선형연산을 수행하는 전체 체인을 관통하는 셀 스테이트를 포함하도록 구현되며,
상기 예측능력 향상 모듈이 복수의 연산 레이어로 구현된 3개의 게이트들을 포함하며 상기 3개의 게이트들은 선택적으로 정보가 흐를 수 있도록 시그모이드 뉴럴넷과 점단위 합성곱 연산으로 이루어져 셀 스테이트에 선택적으로 정보를 입력하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치. - 삭제
- 삭제
- 삭제
- 삭제
- 제 1 항에 있어서 상기 고장 진단 예측부는,
상기 3개의 게이트 중 첫번째 게이트는 은닉층으로부터 입력 받은 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제1 유지 결과값을 결정하고, 결정된 제1 유지 결과값을 셀 스테이트에 추가하여 셀 스테이트에 업데이트 되어 있던 항목별 데이터를 상기 제1 유지 결과값에 따라 삭제하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치. - 제 6 항에 있어서 상기 고장 진단 예측부는,
상기 3개의 게이트 중 두번째 게이트는 은닉층으로부터 입력 받은 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제2 유지 결과값을 결정하고, 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 tanh함수에 입력하여 -1과 1사이의 제3 유지 결과값을 출력하여, 제2 유지 결과값과 제3 유지 결과값을 합성곱해 생성된 입력 연산값을 셀 스테이트에 추가하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치. - 제 7 항에 있어서 상기 고장 진단 예측부는,
상기 셀 스테이트는 상기 제1, 2게이트로부터 제1 유지 결과값 및 입력 연산값을 입력받고, 상기 셀 스테이트 상기 업데이트 되어 있던 항목별 데이터를 제1 유지 결과값에 따라 삭제하고 업데이트를 수행하며, 상기 업데이트 된 항목별 데이터를 입력 연산값에 따라 유지하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치. - 제 8 항에 있어서 상기 고장 진단 예측부는,
딥러닝에 포함된 3개의 게이트 중 세번째 게이트는 은닉층으로부터 입력 받은 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제3 유지 결과값을 결정하고, 신규 셀 스테이트 정보를 tanh함수에 입력하여 출력된 -1과 1 사이의 연산 결과값을 산출 받아 상기 연산 결과값과 제3 유지 결과값을 합성곱하여 산출된 연산 결과 정보를 다음 예측 시 분류된 항목별 데이터로 사용하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치. - 제 1 항에 있어서,
상기 예측능력 향상 모듈은 덴스 레이어(Dense layer)가 4개인 다층퍼셉트론 모델로 구현되며, 은닉층에 사용된 덴스 레이어는 32개의 뉴런을 가지고 있고 출력층의 덴스 레이어는 하나의 수치값을 예측하기 위하여 1개의 뉴런을 가지고, 과적합을 방지하기 위해 드롭아웃 레이어가 삽입되는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치. - 제 10 항에 있어서,
상기 예측능력 향상 모듈은 상태 유지 가능한 순환 신경망 구조로 구현되며,상태유지 모드일 경우 하나의 배치에서 학습된 상태가 다음 배치 학습시에 전달되는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치. - 제 10 항에 있어서,
상기 예측능력 향상 모듈은 다수의 다층퍼셉트론 모델을 여러겹으로 쌓아올린 구조로 구현된 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치. - 제 1 항에 있어서 상기 고장 진단 예측부는,
상기 고장 예측 모델이 오프라인 시험 데이터를 입력받아 오프라인 시험 데이터에 포함된 항목별 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하고, 상기 모수 추정된 데이터의 경향성에 따라 직선으로 표현되는 방정식으로 구현된 열화 시뮬레이션 알고리즘을 생성하며, 상기 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측하는 열화 예측 정보를 출력하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치. - 제 1 항에 있어서 상기 고장 진단 예측부는,
상기 열화 예측 정보와 고장 진단을 위한 임계값을 대비하여 현시점 또는 일정 기간이후 시점의 고장 진단 예측 정보를 산출하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치. - 수집한 오프라인 시험 데이터를 정제하고 연관성 분석을 위해 범주형 또는 명목형으로 변환하는 전처리를 수행하는 단계;
전처리된 데이터를 미리 설정한 항목별로 분류하고, 분류된 항목별 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경 요인과의 연관성을 분석하여 고장 요인을 도출하는 단계;
도출된 상기 고장 요인과 분류된 항목별 데이터를 4개의 타임스텝을 가진 복수의 상호작용 레이어로 구현된 딥러닝 기반의 고장예측 모델에 입력하여, 열화 예측 정보를 출력하는 단계를 포함하고,
상기 고장 예측 모델은 예측능력 향상 모듈 및 고장 예측 모듈을 포함하며,
상기 전처리를 수행하는 단계는,
오프라인 시험 데이터를 수집하고, 수집된 데이터를 데이터베이스에 저장할 수 있는 형식으로 변환하여 저장하는 단계;
상기 데이터베이스에 저장된 데이터의 이상 여부를 검사하고, 발견된 이상 데이터를 대상으로 삭제 또는 평활화에 따른 결측치 입력, 데이터 불일치 교정을 통한 데이터 정제를 수행하는 단계; 및
데이터베이스에 저장된 정제된 데이터를 대상으로 이산화를 수행하여 각 데이터가 가지는 정량적 속성에 대한 연관성 분석을 위해 범주형 또는 명목형으로 변환하는 단계를 더 포함하고,
상기 고장 요인을 도출하는 단계는,
전처리된 데이터베이스의 각 데이터를 특성 및 환경 정보에 따라 미리 설정한 항목별로 분류하는 단계;
상기 항목별로 분류된 복수의 데이터의 오프라인 시험 대상 속성 프로파일을 고려한 환경요인과의 연관성을 피어슨(Pearson) 상관 분석을 수행하는 단계를 더 포함하며,
상기 상관 분석을 수행하는 단계는,
요인 분석 알고리즘을 기반으로 하는 피어슨 상관 분석을 수행하여 고장 이력과의 연관성 요인을 도출하고,
상기 열화 예측 정보를 출력하는 단계는,
상기 예측능력 향상 모듈이 선형연산을 수행하는 전체 체인을 관통하는 셀 스테이트를 포함하도록 구현되며,
상기 예측능력 향상 모듈이 복수의 연산 레이어로 구현된 3개의 게이트들을 포함하며 상기 3개의 게이트들은 선택적으로 정보가 흐를 수 있도록 시그모이드 뉴럴넷과 점단위 합성곱 연산으로 이루어져 셀 스테이트에 선택적으로 정보를 입력하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법. - 삭제
- 삭제
- 삭제
- 삭제
- 제 15 항에 있어서 상기 열화 예측 정보를 출력하는 단계는,
상기 3개의 게이트 중 첫번째 게이트는 은닉층으로부터 입력 받은 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제1 유지 결과값을 결정하고, 결정된 제1 유지 결과값을 셀 스테이트에 추가하여 셀 스테이트에 업데이트 되어 있던 항목별 데이터를 상기 제1 유지 결과값에 따라 삭제하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법. - 제 20 항에 있어서 상기 열화 예측 정보를 출력하는 단계는,
상기 3개의 게이트 중 두번째 게이트는 은닉층으로부터 입력 받은 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제2 유지 결과값을 결정하고, 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 tanh함수에 입력하여 -1과 1사이의 제3 유지 결과값을 출력하여, 제2 유지 결과값과 제3 유지 결과값을 합성곱해 생성된 입력 연산값을 셀 스테이트에 추가하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법. - 제 21 항에 있어서 상기 열화 예측 정보를 출력하는 단계는,
상기 셀 스테이트는 상기 제1, 2게이트로부터 제1 유지 결과값 및 입력 연산값을 입력받고, 상기 셀 스테이트 상기 업데이트 되어 있던 항목별 데이터를 제1 유지 결과값에 따라 삭제하고 업데이트를 수행하며, 상기 업데이트 된 항목별 데이터를 입력 연산값에 따라 유지하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법. - 제 22 항에 있어서 상기 열화 예측 정보를 출력하는 단계는,
딥러닝에 포함된 3개의 게이트 중 세번째 게이트는 은닉층으로부터 입력 받은 상기 분류된 항목별 데이터와 상기 고장 요인 정보를 시그모이드 함수에 입력해 0과 1 사이의 제3 유지 결과값을 결정하고, 신규 셀 스테이트 정보를 tanh함수에 입력하여 출력된 -1과 1 사이의 연산 결과값을 산출 받아 상기 연산 결과값과 제3 유지 결과값을 합성곱하여 산출된 연산 결과 정보를 다음 예측 시 분류된 항목별 데이터로 사용하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법. - 제 23 항에 있어서,
상기 예측능력 향상 모듈은 덴스 레이어(Dense layer)가 4개인 다층퍼셉트론 모델로 구현되며, 은닉층에 사용된 덴스 레이어는 32개의 뉴런을 가지고 있고 출력층의 덴스 레이어는 하나의 수치값을 예측하기 위하여 1개의 뉴런을 가지고, 과적합을 방지하기 위해 드롭아웃 레이어가 삽입되는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법. - 제 24 항에 있어서,
상기 예측능력 향상 모듈은 다수의 다층퍼셉트론 모델을 여러겹으로 쌓아올린 구조로 구현된 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법. - 제 24 항에 있어서,
상기 예측능력 향상 모듈은 상태 유지 가능한 순환 신경망 구조로 구현되며,상태유지 모드일 경우 하나의 배치에서 학습된 상태가 다름 배치 학습시에 전달되는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법. - 제 15 항에 있어서 상기 열화 예측 정보를 출력하는 단계는,
상기 고장 예측 모델이 오프라인 시험 데이터를 입력받아 오프라인 시험 데이터에 포함된 항목별 데이터를 대상으로 다항식을 구성하여 모수 추정을 수행하고, 상기 모수 추청된 데이터의 경향성에 따라 직선으로 표현되는 방정식으로 구현된 열화 시뮬레이션 알고리즘을 생성하며, 상기 열화 시뮬레이션 모델에 모수 추정된 데이터를 입력하여 중전기기의 열화 시점을 예측하는 열화 예측 정보를 출력하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법. - 제 15 항에 있어서 상기 열화 예측 정보를 출력하는 단계는,
상기 열화 예측 정보와 고장 진단을 위한 임계값을 대비하여 현시점 또는 일정 기간이후 시점의 고장 진단 예측 정보를 산출하는 것을 특징으로 하는 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020240018339A KR102667861B1 (ko) | 2024-02-06 | 2024-02-06 | 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020240018339A KR102667861B1 (ko) | 2024-02-06 | 2024-02-06 | 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102667861B1 true KR102667861B1 (ko) | 2024-05-23 |
Family
ID=91283328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020240018339A KR102667861B1 (ko) | 2024-02-06 | 2024-02-06 | 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102667861B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023048747A1 (en) * | 2021-09-24 | 2023-03-30 | Intel Corporation | Systems, apparatus, articles of manufacture, and methods for cross training and collaborative artificial intelligence for proactive data management and analytics |
| US11705590B1 (en) * | 2022-03-28 | 2023-07-18 | Eatron Technologies Ltd. | Systems and methods for predicting remaining useful life in batteries and assets |
-
2024
- 2024-02-06 KR KR1020240018339A patent/KR102667861B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023048747A1 (en) * | 2021-09-24 | 2023-03-30 | Intel Corporation | Systems, apparatus, articles of manufacture, and methods for cross training and collaborative artificial intelligence for proactive data management and analytics |
| US11705590B1 (en) * | 2022-03-28 | 2023-07-18 | Eatron Technologies Ltd. | Systems and methods for predicting remaining useful life in batteries and assets |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11921566B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
| da Silva et al. | A new methodology for multiple incipient fault diagnosis in transmission lines using QTA and Naïve Bayes classifier | |
| JP2023042527A (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
| CN110555230B (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
| EP2410312A1 (en) | A method for computer-assisted analyzing of a technical system | |
| CN112416643A (zh) | 无监督异常检测方法与装置 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| Kharlamova et al. | A digital twin of battery energy storage systems providing frequency regulation | |
| CN113888353A (zh) | 分布式光伏发电设备的能效诊断方法、系统及介质 | |
| CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
| CN117114454B (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
| Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
| CN117032165A (zh) | 一种工业设备故障诊断方法 | |
| CN115689524A (zh) | 一种数据中心机房电气设备预测性维护系统及方法 | |
| KR102366922B1 (ko) | 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템 및 그 방법 | |
| CN117454771A (zh) | 一种基于评估及预测信息的机械装备动态维护决策方法 | |
| KR102667861B1 (ko) | 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN115146739A (zh) | 基于堆叠时间序列网络的电力变压器故障诊断方法 | |
| CN115221942A (zh) | 一种基于时序融合和神经网络的设备缺陷预测方法及系统 | |
| CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 | |
| KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 | |
| Bjelić et al. | Machine learning for power transformer SFRA based fault detection | |
| KR102667862B1 (ko) | 정보 시각화를 이용한 중전기기 모니터링 시스템 및 그 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |