KR20120074630A - 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템 - Google Patents

설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템 Download PDF

Info

Publication number
KR20120074630A
KR20120074630A KR1020100136529A KR20100136529A KR20120074630A KR 20120074630 A KR20120074630 A KR 20120074630A KR 1020100136529 A KR1020100136529 A KR 1020100136529A KR 20100136529 A KR20100136529 A KR 20100136529A KR 20120074630 A KR20120074630 A KR 20120074630A
Authority
KR
South Korea
Prior art keywords
decision tree
facility
input variable
data set
variable
Prior art date
Application number
KR1020100136529A
Other languages
English (en)
Inventor
박상혁
김종한
Original Assignee
주식회사 포스코
재단법인 포항산업과학연구원
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 포스코, 재단법인 포항산업과학연구원 filed Critical 주식회사 포스코
Priority to KR1020100136529A priority Critical patent/KR20120074630A/ko
Publication of KR20120074630A publication Critical patent/KR20120074630A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

설비의 상태를 사전에 예측함으로써 설비의 이상 상태를 사전에 감지하는데 적용할 수 있는 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 시스템이 개시된다. 상기 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법은, 설비의 상태를 판단할 수 있는 검출값을 수집하는 단계; 상기 검출값에 기초한 입력 변수를 생성하는 단계; 상기 설비의 상태를 나타내는 목표 변수를 생성하는 단계; 상기 입력 변수 및 목표 변수를 상호 결합하여 데이터 세트를 작성하는 단계; 및 상기 데이터 세트에 의사 결정 나무 알고리즘을 적용하여 설비 상태에 대한 의사 결정 나무를 생성하는 단계를 포함한다.

Description

설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템{METHOD FOR CONSTRUCTING DECISION TREE FOR ESTIMATING DISORDER OF FACILITIES AND SYSTEM THEREOF}
본 발명은 설비의 이상을 예측하기 위한 방법 및 시스템에 관한 것으로, 더욱 상세하게는 설비의 상태를 사전에 예측함으로써 설비의 이상 상태를 사전에 감지하는데 적용할 수 있는 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템에 관한 것이다.
고장이 발생하기 이전에 설비의 상태를 진단하기 위한 방법으로, 설비 담당자의 경험 및 전기, 기계에 대한 공학적인 지식으로부터 얻어진 정보를 규칙으로 정리하여 이를 시스템화하는 기법이 주로 이용되고 있다.
이러한 룰(Rule) 모델을 이용한 설비 상태 진단 기법은, 설비 담당자의 경험과 지식을 어떻게 체계화된 규칙으로 재구성할 것인지가 설비 상태를 예측하는 효율을 향상시키기 위한 매우 중요한 인자가 된다.
한편, 기법은 분석대상에 대한 분류나 예측을 수행하기 위해서 사용되는 분석기법으로 의사 결정 나무 기법(Decision Tree)이 알려져 있다. 이 의사 결정 나무 기법은, 대용량의 데이터 내에 존재하는 관계, 패턴 및 규칙 등을 탐색하고 모형화하는 역할을 수행한다. 의사 결정 나무 기법은, 신경망이나 판별분석 등에 의한 방법과는 달리 적용결과에 의해 규칙을 명확하게 나타낼 수 있다. 의사 결정 나무 기법에 의한 분석결과는 '조건 A이고 조건 B이면 결과 C'라는 형태의 규칙으로 표현되므로 이해가 쉽고, 분류 또는 예측을 목적으로 하는 다른 계량적 분석 방법에 비해 쉽게 이해하고 활용할 수 있다.
따라서, 설비의 상태에 대한 지식을 체계화하여 재구성하는 방식, 즉 룰 모델 기법의 대안으로 데이터마이닝(Data Mining) 기법의 하나인 의사 결정 나무 기법을 채용하여 설비의 이상 상태를 예측하는 방법이 요구되고 있다.
본 발명은, 룰 기반의 접근방법과 달리 전문적인 지식이 없더라도 데이터를 쉽게 분류하여 설비 상태를 진단 가능하게 하기 위해, 설비의 상태를 나타내는 복수의 검출 신호를 수집하고 이를 이용하여 설비 이상을 예측하기 위한 의사 결정 나무를 구축하는 방법을 제공하는 것을 해결하고자 하는 기술적 과제로 한다.
상기 기술적 과제를 해결하기 위한 수단으로서 본 발명은,
설비의 상태를 판단할 수 있는 검출값을 수집하는 단계;
상기 검출값에 기초한 입력 변수를 생성하는 단계;
상기 설비의 상태를 나타내는 목표 변수를 생성하는 단계;
상기 입력 변수 및 목표 변수를 상호 결합하여 데이터 세트를 작성하는 단계; 및
상기 데이터 세트에 의사 결정 나무 알고리즘을 적용하여 설비 상태에 대한 의사 결정 나무를 생성하는 단계
를 포함하는 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법을 제공한다.
본 발명의 일실시형태에서, 상기 입력 변수를 생성하는 단계는, 사전 설정된 시간 간격 동안 수집된 복수의 상기 검출값에 대한 최대값 발생 빈도수, 최소값 발생 빈도수, 사전 설정된 상위 범위 내 빈도수 또는 사전 설정된 하위 범위 내 발생 빈도수를 입력 변수로 결정하는 단계일 수 있다.
본 발명에 따르면, 설비에서 부착된 센서로부터 설비의 상태를 나타내는 검출값을 수집하여 의사 결정 나무를 미리 작성해 둠으로써, 설비의 상태를 미리 예측하여 고장을 사전에 감지할 수 있다. 이를 통해, 설비 고장 이전에 설비의 정비가 가능함에 따라 설비의 돌발고장이나 조업 정지를 현저하게 줄일 수 있고, 설비의 상시 상태 감시를 통하여 정비주기를 연장할 수 있고, 설비고장에 따른 손실을 최소화시킬 수 있어 설비의 효율을 최대화 시킬 수 있다.
도 1은 본 발명의 일실시형태에 따른 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법을 도시한 흐름도이다.
도 2는 본 발명의 일실시형태에서, 입력 변수 결정을 위한 검출값 분포를 도시한 그래프이다.
도 3의 (a)는 본 발명의 일실시형태에서 테이블 형식으로 데이터 세트를 작성한 예를 도시한 도면이며, (b)는 (a)에 도시된 데이터 세트를 좌표 형식으로 도시한 도면이다.
도 4는 도 3에 도시된 데이터 세트에 의사 결정 나무 알고리즘을 적용하여 형성된 의사 결정 나무의 일례를 도시한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시형태를 보다 상세하게 설명한다. 그러나, 본 발명의 실시형태는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시형태로 한정되는 것은 아니다. 본 발명의 실시형태는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에 도시된 구성요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다는 점을 유념해야 할 것이다.
도 1은 본 발명의 일실시형태에 따른 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법을 도시한 흐름도이다.
도 1에 도시한 바와 같이, 본 발명의 일실시형태에 따른 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법은, 설비의 상태를 판단할 수 있는 검출값을 수집하는 단계(S11)와, 상기 검출값에 기초한 입력 변수를 생성하는 단계(S12)와, 상기 설비의 상태를 나타내는 목표 변수를 생성하는 단계(S13)와, 상기 입력 변수 및 목표 변수를 상호 결합하여 데이터 세트를 작성하는 단계(S14) 및 상기 데이터 세트에 의사 결정 나무 알고리즘을 적용하여 설비 상태에 대한 의사 결정 나무를 생성하는 단계(S15)를 포함하여 구성될 수 있다.
이하에서는, 전술한 것과 같은 처리 단계로 구성되는 본 발명의 일실시형태에 따른 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법의 작용 및 효과에 대해 첨부 도면을 참조하여 더욱 상세하게 설명한다.
먼저, 도 1에 도시된 것과 같이, 본 발명의 일실시형태에 따른 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법은 설비 상태를 판단하는데 사용될 수 있는 다양한 검출값들을 수집하는 단계(S11)로부터 시작될 수 있다.
상기 단계(S11)에서 수집되는 검출값들은, 설비에 설치되는 다양한 센서(예를 들어, 자이로 센서, 온도 센서 등)에 의해 직접 센싱되는 값일 수 있다. 본 발명의 다른 실시형태에서, 상기 검출값은 무부하 토크, 속도 차, 온도 차, 진동 차와 같이 센서로부터 센싱된 값을 특정 설비 상태의 감시에 적절하게 가공한 값일 수도 있다. 본 발명의 또 다른 실시형태에서, 상기 검출값은 전술한 센서 직접 검출값 및 센서 검출값의 가공값을 모두 포함할 수 있다.
일반적으로, 설비에 부착되어 있는 여러 센서에서 정상적인 데이터가 수집이 되다가 설비가 열화 되게 되면, 특정 센서에서는 설비 상태에 이상이 발생하였음을 나타내는 징후 데이터가 조금씩 나타나게 된다. 이를 정비 없이 계속적인 작동할 경우 설비 고장 혹은 제품의 품질 이상과 같은 이벤트가 발생하게 된다. 따라서 설비 상태를 예측하기 위해서는 이벤트 발생 이전에 검출값에서 나타나는 이상 징후 데이터를 기존의 정상 데이터와 구별할 수 있어야 한다. 즉, 정상 데이터와 이상 징후 데이터의 패턴을 분석하여 서로를 구분할 수 있어야 한다. 본 발명은 이러한 정상 패턴과 이상 패턴을 상호 구분하기 위해 의사 결정 나무 기법을 이용한 것이다.
이어, 상기 검출값에 기초한 입력 변수를 생성하는 단계(S12)가 수행된다. 상기 입력 변수를 생성하는 단계(S12)는 의사 결정 나무 알고리즘에 사용되는 입력 변수를 결정하는 단계로서, 단계(S11)에서 수집된 검출값들을 기초로 하여 생성될 수 있다.
예를 들어, 상기 입력 변수는, 단계(S11)에서 수집된 검출값을 그대로 입력 변수로 사용할 수 있다.
다른 예에서, 상기 입력 변수는, 사전 설정된 시간 간격 동안(예를 들어, 1시간 또는 1일) 수집된 복수의 상기 검출값에 대한 최대값 발생 빈도수, 최소값 발생 빈도수, 사전 설정된 상위 범위 내 빈도수 또는 사전 설정된 하위 범위 내 발생 빈도수를 입력 변수로 결정할 수 있다. 이는, 단계(S11)에서 수집된 검출값들을 직접 입력 변수로 사용하는 것보다 설비의 상태를 더욱 용이하게 판단할 수 있는 데이터를 입력 변수로 사용하기 위함이다.
일반적으로, 설비의 이상 징후가 발생하는 경우에 수집되는 검출값은 다음과 같은 특징을 가질 수 있다.
- 일정 시간 간격동안 검출값이 극단값(최대값, 최소값)을 형성하는 빈도수가 증가한다.
- 검출값의 전체 평균 혹은 편차보다 특정 시점에서 높은 평균치 및 편차를 갖는다.
- 서로 다른 종류의 검출값 중 상호 상관관계가 있는 검출값들간의 관계가 변경된다.
이러한 설비의 이상 징후가 발생하는 경우 형성하는 검출값들의 특징을 입력 변수로 결정하기 위해, 전술한 것과 같이 사전 설정된 시간 간격 동안(예를 들어, 1시간 또는 1일) 수집된 복수의 상기 검출값에 대한 최대값 발생 빈도수, 최소값 발생 빈도수, 사전 설정된 상위 범위 내 빈도수 또는 사전 설정된 하위 범위 내 발생 빈도수를 입력 변수로 결정할 수 있다.
도 2는 입력 변수 결정을 위한 검출값 분포를 도시한 그래프이다.
사전 설정된 시간 간격 동안 입력되는 검출값의 분포가 도 2와 같다면, 이 시간 간격에서 최소값이 발생한 빈도수(21) 또는 최대값이 발생한 빈도수(24), 또는 사전 설정된 상위 범위 이상인 빈도수(예를 들어, 99% 이상인 경우(24+25) 또는 95% 이상인 경우(24+25+26)) 또는 사전 설정된 하위 범위 이하인 빈도수(예를 들어, 1% 이하인 경우(21+22) 또는 5% 이하인 경우(21+22+23))를 입력 변수로 사용할 수 있다.
이어, 설비의 상태를 나타내는 목표 변수를 생성하는 단계(S13)가 수행된다.
이 목표 변수를 생성하는 단계(S13)는, 전술한 입력 변수가 생성되는 시간에서 설비의 상태가 정상 또는 이상인지 판단하여 이를 나타내는 변수로 나타내는 과정이다.
예를 들어, 수집된 검출값이 직접 입력 변수가 되는 경우에는, 검출값이 수집된 각 시점에서 설비 상태가 정상인 경우 목표 변수를 0으로 생성하고 설비 상태가 이상인 경우 목표 변수를 1로 생성할 수 있다.
또한, 사전 설정된 시간 간격 동안 입력되는 검출값의 분포를 기준으로 입력 변수를 생성한 경우에는, 각 시간 간격에서 설비의 상태를 판단하여 정상인 경우 목표 변수를 1로 생성하고 이상인 경우 목표 변수를 0으로 생성할 수 있다.
이어, 입력 변수 및 목표 변수를 상호 결합하여 데이터 세트를 작성하는 단계(S14)가 수행된다.
도 3의 (a)는 테이블 형식으로 데이터 세트를 작성한 예를 도시하며, 도 3의 (b)는 도 3의 (a)에 도시된 데이터 세트를 좌표 형식으로 도시한 도면이다. 특히, 도 3은 검출값을 직접 입력 변수로 결정한 실시형태를 도시한다.
도 3의 (a)와 같이, 입력 변수와, 이 입력변수가 결정된 시점에서 설비의 상태를 나타내는 목표 변수를 상호 결합하여 테이블 형식으로 데이터 세트를 작성할 수 있다. 또한, 도 3의 (b)와 같이 데이터 세트는 그래프로 표현될 수 있다.
도 3의 예는, 설비에 구비된 권선의 온도와 설비의 진동을 입력 변수로 하고, 권선 온도와 진동이 검출된 시점에서의 설비 상태를 목표 변수로 하고 있다. 특히, 도 3에 도시된 예는 총 20 회의 검출값 수집이 수행된 경우에 형성되는 데이터 세트를 도시한다.
이어, 단계(S14)에서 형성된 데이터 세트에 의사 결정 나무 알고리즘을 적용하여, 설비 이상 상태 예측을 위한 의사 결정 나무를 형성한다.
의사 결정 나무를 형성하는 알고리즘은 일반적으로 통계 기술분야에서 널리 알려진 기술이므로, 본 발명의 이해를 도울 수 있는 범위에서 매우 간략하게 설명하기로 한다.
의사 결정 나무는 분석대상에 대한 분류나 예측을 수행하기 위해서 사용되는 분석기법으로 대용량의 데이터 내에 존재하는 관계, 패턴 및 규칙 등을 탐색하고 모형화하는 역할을 수행하며, 신경망이나 판별분석 등에 의한 방법과는 달리 적용결과에 의해 규칙을 명확하게 나타낼 수 있다. 분석결과는 ‘조건 A이고 조건 B이면 결과 C’라는 형태의 규칙으로 표현되므로 이해가 쉽고, 분류 또는 예측을 목적으로 하는 다른 계량적 분석 방법에 비해 쉽게 이해하고 활용할 수 있다는 장점이 있다.
도 4는 도 3에 도시된 데이터 세트에 의사 결정 나무 알고리즘을 적용하여 형성된 의사 결정 나무의 일례를 도시한 도면이다.
도 4를 참조하면, 의사 결정 나무의 맨 위쪽에 위치하는 마디를 뿌리마디(Root Node)(N1)라고 하며, 이 뿌리마디는 분류대상이 되는 모든 개체집단을 의미하게 된다. 즉, 도 3에서 도시된 20개의 입력 변수와 목표 변수 세트가 속한 집단으로 이해할 수 있다.
의사 결정 나무에서, 하나의 마디가 하부마디로 분화가 될 때, 특정마디 위쪽에 존재하는 마디를 부모마디(Parent Node)라고 부르고 특정마디 아래쪽에 존재하는 마디를 자식마디(Child Node)라 부르며 더 이상 마디가 분화되지 않는 최종마디를 끝마디(Terminal Node)라고 부른다. 이와 같은 각 마디들이 분화되어있는 모습이 나무의 모양을 닮았다고 하여 이를 의사결정 나무라 부른다.
의사 결정 나무는 뿌리마디에서부터 다음 마디로의 분리에 사용될 입력 변수를 선택하고 분리가 이루어지는 기준을 결정하는 과정을 통해 그 자식마디를 형성해 나간다.
도 4에서, 뿌리마디(N1)에서 그 다음 자식 마디(N21, N22)로 분리될 때에는 권선 온도를 분리에 사용되는 입력 변수로 사용하였고, 분리 기준을 90℃로 하였다. 그 후, 뿌리마디의 좌측 자식마디(N21)에서는 분리에 사용되는 입력 변수를 진동으로 하고 분리 기준을 20 mm/s로 하여 그 자식마디(N31, N32)를 분리 하였으며, 우측 자식마디(N22)에서는 분리에 사용되는 입력 변수를 진동으로 하고 분리 기준을 30 mm/s로 하여 그 자식 마디(N33, N34)를 형성하였다.
이러한 자식마디의 분리에 사용되는 입력 변수와 분리 기준이 되는 값은, 카이제곱 통계량(Chi-Square Statistics), 지니 지수 (Gini Index), 엔트로피 지수 (Entropy Index)등을 사용하여 결정된다는 점이 의사 결정 나무 알고리즘에 잘 알려져 있다.
전술한 것과 같은 분리 과정을 통해 형성된 의사 결정 나무의 끝마디(N31-N34)는 해당 마디마다 갖는 설비 이상의 확률을 표시할 수 있다. 가장 좌측의 끝마디(N31)는 3 개의 이상 상태를 가지므로 3/20의 이상 발생 확률을 갖는 것으로 판단할 수 있다. 즉, 설비 운용과정에서 권선온도가 90℃ 이상이고 진동이 20mm/s 이상인 경우에는 설비 이상이 발생할 확률이 3/20이라 예측할 수 있다.
마찬가지로, 좌측에서 두번째 끝마디(N32)는 설비 이상이 발생할 확률이 2/20이고, 우측에서 두번째 끝마디(N33)는 설비 이상이 발생할 확률이 0 이며, 가장 우측의 끝마디(N34)는 설비 이상이 발생할 확률이 1/20이라 할 수 있다.
이상에서 설명한 의사 결정 나무 알고리즘을 적용하는 과정은 컴퓨터 통계 툴(예를 들어, SAS에서 제공하는 E-Miner)을 이용하여 수행될 수 있다.
한편, 상술한 바와 같은 본 발명의 방법은 도5에 도시된 바와 같은 의사결정나무 구축 시스템으로 구현될 수도 있는바, 자세한 설명은 방법 설명을 통해 이미 하였으므로 이하에서는 시스템으로 구현될 때의 구성만을 간단하게 설명한다.
본 발명에 따른 설비 이상을 예측하기 위한 의사 결정 나무 구축 시스템은 크게 수집값검출부(110), 입력변수생성부(120), 목표변수생성부(130), 데이터세트작성부(140), 의사결정나무생성부(150)를 포함하여 이루어진다.
상기 검출값수집부(110)는 설비의 상태를 판단할 수 있도록 설비에 설치된 다양한 센서들로부터 검출값을 입력받는데, 이에 대한 자세한 설명은 앞에서 하였으므로 생략한다.
상기 입력변수생성부(120)는 상기 검출값수집부(110)의 값을 기초로 의사결정나무 알고리즘에 사용되는 입력변수를 결정하기 위해 마련된다.
또한, 상기 목표변수생성부(130)는, 상기 입력변수생성부(120)의 생성 시간에서 설비의 상태가 정상 또는 이상인지 판단하여 이를 변수로 나타낸다.
상기 데이터세트작성부(140)는 상기 입력변수생성부(120) 및 목표변수생성부(130)로부터 얻은 입력변수 및 목표변수를 상호 결합하여 데이터 세트를 작성하며, 상기 의사결정나무생성부(150)는 데이터세트작성부(140)로부터 얻은 데이터 세트에 의사결정나무 알고리즘을 적용하여 설비이상 상태를 예측하기 위해 마련된 구성으로, 상기의 각 구성들은 앞에서 설명한 방법을 시스템으로 구현하기 위한 구성인바 이에 대한 상세한 설명은 방법의 기재와 중복되므로 생략한다.
이상에서 설명한 바와 같이, 본 발명은 설비에서 부착된 센서로부터 설비의 상태를 나타내는 검출값을 수집하여 의사 결정 나무를 미리 작성해 둠으로써, 설비의 상태를 미리 예측하여 고장을 사전에 감지할 수 있게 한다. 이를 통해, 설비 고장 이전에 설비의 정비가 가능함에 따라 설비의 돌발고장이나 조업 정지를 현저하게 줄일 수 있고, 설비의 상시 상태 감시를 통하여 정비주기를 연장할 수 있고, 설비고장에 따른 손실을 최소화시킬 수 있어 설비의 효율을 최대화 시킬 수 있다.
본 발명의 상세한 설명에서는 구체적인 실시예에 관하여 설명하였으나 본 발명의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시예에 국한되지 않으며, 후술되는 특허청구의 범위 및 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.

Claims (4)

  1. 설비의 상태를 판단할 수 있는 검출값을 수집하는 단계;
    상기 검출값에 기초한 입력 변수를 생성하는 단계;
    상기 설비의 상태를 나타내는 목표 변수를 생성하는 단계;
    상기 입력 변수 및 목표 변수를 상호 결합하여 데이터 세트를 작성하는 단계; 및
    상기 데이터 세트에 의사 결정 나무 알고리즘을 적용하여 설비 상태에 대한 의사 결정 나무를 생성하는 단계
    를 포함하는 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법.
  2. 제1항에 있어서, 상기 입력 변수를 생성하는 단계는,
    사전 설정된 시간 간격 동안 수집된 복수의 상기 검출값에 대한 최대값 발생 빈도수, 최소값 발생 빈도수, 사전 설정된 상위 범위 내 빈도수 또는 사전 설정된 하위 범위 내 발생 빈도수를 입력 변수로 결정하는 단계인 것을 특징으로 하는 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법.
  3. 설비의 상태를 판단할 수 있도록 설비에 설치된 센서들로부터 검출값을 받는 검출값수집부(110);
    상기 검출값수집부(110)의 값을 기초로 의사결정나무 알고리즘에 사용되는 입력변수를 결정하기 위해 마련되는 입력변수생성부(120);
    상기 입력변수생성부(120)의 생성 시간에서 설비의 상태가 정상 또는 이상인지 판단하여 이를 변수로 나타내는 목표변수생성부(130);
    상기 입력변수생성부(120) 및 목표변수생성부(130)로부터 얻은 입력변수 및 목표변수를 상호 결합하여 데이터 세트를 작성하는 데이터세트작성부(140);
    상기 데이터세트작성부(140)로부터 얻은 데이터 세트에 의사결정나무 알고리즘을 적용하여 설비이상 상태를 예측하기 위한 마련된 의사결정나무생성부(150);를 포함하는 설비 이상을 예측하기 위한 의사 결정 나무 구축 시스템.
  4. 청구항 3에 있어서, 상기 입력변수생성부(120)는,
    사전 설정된 시간 간격 동안 수집된 복수의 상기 검출값수집부(110)의 검출값에 대한 최대값 발생 빈도수, 최소값 발생 빈도수, 사전 설정된 상위 범위 내 빈도수 또는 사전 설정된 하위 범위 내 발생 빈도수를 입력 변수로 결정하는 것을 특징으로 하는 설비 이상을 예측하기 위한 의사 결정 나무 구축 시스템.
KR1020100136529A 2010-12-28 2010-12-28 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템 KR20120074630A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100136529A KR20120074630A (ko) 2010-12-28 2010-12-28 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100136529A KR20120074630A (ko) 2010-12-28 2010-12-28 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템

Publications (1)

Publication Number Publication Date
KR20120074630A true KR20120074630A (ko) 2012-07-06

Family

ID=46708722

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100136529A KR20120074630A (ko) 2010-12-28 2010-12-28 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템

Country Status (1)

Country Link
KR (1) KR20120074630A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220146860A (ko) 2021-04-26 2022-11-02 (주)이포즌 제품 이상 탐지 방법
KR20230069613A (ko) 2021-11-12 2023-05-19 (주)미소정보기술 비정상을 감지하는 방법
US11662718B2 (en) 2020-11-30 2023-05-30 BISTelligence, Inc. Method for setting model threshold of facility monitoring system

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11662718B2 (en) 2020-11-30 2023-05-30 BISTelligence, Inc. Method for setting model threshold of facility monitoring system
KR20220146860A (ko) 2021-04-26 2022-11-02 (주)이포즌 제품 이상 탐지 방법
KR20230069613A (ko) 2021-11-12 2023-05-19 (주)미소정보기술 비정상을 감지하는 방법

Similar Documents

Publication Publication Date Title
Dangut et al. An integrated machine learning model for aircraft components rare failure prognostics with log-based dataset
JP5530019B1 (ja) 異常予兆検知システム及び異常予兆検知方法
JP5301310B2 (ja) 異常検知方法及び異常検知システム
JP5538597B2 (ja) 異常検知方法及び異常検知システム
WO2020046286A1 (en) Integrated cybersecurity risk assessment and state monitoring for electrical power grid
EP3125057B1 (en) System-analyzing device, analysis-model generation method, system analysis method, and system-analyzing program
JP2009536971A (ja) 異常事象検出（ａｅｄ）技術のポリマープロセスへの適用
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
JP6521096B2 (ja) 表示方法、表示装置、および、プログラム
US20170261403A1 (en) Abnormality detection procedure development apparatus and abnormality detection procedure development method
JP2018045403A (ja) 異常検知システム及び異常検知方法
JP6708203B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
JP2017010263A (ja) 異常予兆診断装置のプリプロセッサ及びその処理方法
JP2018180759A (ja) システム分析装置、及びシステム分析方法
JP6489235B2 (ja) システム分析方法、システム分析装置、および、プログラム
CN111949429A (zh) 基于密度聚类算法的服务器故障监测方法及系统
KR102073810B1 (ko) 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템
KR101281460B1 (ko) 통계적 공정 관리도를 이용하여 이상증후를 탐지하는 방법
US10459730B2 (en) Analysis system and analysis method for executing analysis process with at least portions of time series data and analysis data as input data
KR20120074630A (ko) 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템
JP2005182647A (ja) 機器の異常検知装置
JP5668425B2 (ja) 障害検知装置、情報処理方法、およびプログラム
Vargas et al. A hybrid feature learning approach based on convolutional kernels for ATM fault prediction using event-log data
Wilch et al. A distributed framework for knowledge-driven root-cause analysis on evolving alarm data–an industrial case study
Moradi et al. Towards a framework for risk monitoring of complex engineering systems with online operation data: A deep learning based solution

Legal Events

Date Code Title Description
A201 Request for examination
E601 Decision to refuse application