KR20180010634A - 엘리베이터의 고장 예측 시스템 - Google Patents

Abstract

본 발명은 엘리베이터의 고장 예측 시스템에 관한 것으로, 센서를 통해 수집된 데이터를 매개로 엘리베이터의 이상 동작이나 부품의 고장 등을 사전에 인지하도록 하므로서 엘리베이터의 다운타임을 최소화 시킴과 동시에 고장측정의 정확도를 높일 수 있도록 한 엘리베이터의 고장 예측 시스템을 제공함에 그 목적이 있다.
이를 위해, 본 발명에 따른 엘리베이터의 고장 예측 시스템은, 엘리베이터 기계실과 엘리베이터 카와 승강로 및 피트, 승강장의 일정 지점에는 소정 측정데이터를 전송하는 다수 개의 센서가 설치되고, 상기 다수 개의 센서는 데이터의 수집 및 관리, 학습을 통해 고장을 예측하고 보고하는 기능을 수행하는 고장예측 서버와 연결되어 구성되되, 상기 고장예측 서버는, 게이트웨이를 매개로 각각의 센서로부터 측정데이터를 수집하는 수집부와, 상기 수집부를 통해 수집된 데이터를 저장 및 제공하는 기능을 수행하는 관리부와, 고장예측 알고리즘을 통해 예측 모델을 생성하고 실제 고장예측을 수행하는 예측부 및, 고장예측에 따른 결과를 리포팅하고 유저와의 인터페이스를 행하는 UI부를 포함하여 구성된다.

Description

엘리베이터의 고장 예측 시스템{SYSTEM FOR PROGNOSTICATING FAILURE OF ELEVATOR}

본 발명은 엘리베이터의 고장 예측 시스템에 관한 것으로, 보다 상세하게는 센서를 통해 수집된 데이터를 이용하여 엘리베이터의 이상 동작이나 부품의 고장 등을 사전에 인지하여 대처할 수 있도록 한 엘리베이터의 고장 예측 시스템에 관한 것이다.

일반적으로, 주거용이나 업무용, 상업용 등으로 건축되는 다양한 종류의 고층 건물에는 해당 건물을 출입하는 승객들의 원활한 층간 이동을 위해 엘리베이터 장치가 구비된다.

상기 엘리베이터 장치는 그 내부에 승객이 탑승한 상태에서 건물 내부에 수직방향으로 형성된 승강로를 따라 상ㆍ하방향으로 이동하면서 탑승객을 이동시키는 엘리베이터 카와, 소정 동력을 발생시키는 모터부와 권상기 등이 구비되어 상기 엘리베이터 카를 승객의 버튼 조작에 따른 해당 층으로 이동시키는 기계부 및, 승객의 버튼 조작에 따라 상기 기계부를 제어하면서 상기 엘리베이터 카가 원활하고 안정적으로 운행될 수 있도록 제어를 행하는 엘리베이터 제어부 등을 포함하여 구성된다.

한편, 상술한 바와 같은 엘리베이터 장치에서, 종래에는 엘리베이터에 고장이 발생하는 경우, 비록 원격으로 고장을 진단한다고 하더라도 고장이 발생한 이후에야 엘리베이터 유지보수요원이 현장에 출동하여 고장을 수리할 수 있기 때문에 수리하는 시간동안 승객이 엘리베이터를 이용할 수 없게 되는 문제점이 발생하게 되었으며, 또한 엘리베이터의 고장에 대한 정확한 진단을 위해서는 개별 부품 고장에 대해서 정확한 해석이 필요함과 아울러, 고장의 예측을 위한 정확한 위치에 센서를 부착하여 데이터를 수집해야만 하므로 많은 비용이 소요되거나 설치가 어려운 문제점도 발생하게 되었다.

국내 등록특허 제10-0275579호

따라서, 본 발명은 상기한 바와 같은 종래의 문제점을 개선하기 위하여 안출된 것으로, 그 목적은 센서를 통해 수집된 데이터를 매개로 엘리베이터의 이상 동작이나 부품의 고장 등을 사전에 인지하도록 하므로서 엘리베이터의 다운타임을 최소화 시킴과 동시에 고장측정의 정확도를 높일 수 있도록 한 엘리베이터의 고장 예측 시스템을 제공하고자 하는 것이다.

상기한 바와 같은 목적을 달성하기 위한 본 발명에 따른 엘리베이터의 고장 예측 시스템은, 엘리베이터 기계실과 엘리베이터 카와 승강로 및 피트, 승강장의 일정 지점에는 소정 측정데이터를 전송하는 다수 개의 센서가 설치되고, 상기 다수 개의 센서는 데이터의 수집 및 관리, 학습을 통해 고장을 예측하고 보고하는 기능을 수행하는 고장예측 서버와 연결되어 구성되되, 상기 고장예측 서버는, 게이트웨이를 매개로 각각의 센서로부터 측정데이터를 수집하는 수집부와, 상기 수집부를 통해 수집된 데이터를 저장 및 제공하는 기능을 수행하는 관리부와, 고장예측 알고리즘을 통해 예측 모델을 생성하고 실제 고장예측을 수행하는 예측부 및, 고장예측에 따른 결과를 리포팅하고 유저와의 인터페이스를 행하는 UI부를 포함하여 구성된 것을 특징으로 한다.

바람직하게, 상기 예측부에서 고장 예측이 이루어지는 과정은, 상기 다수 개의 센서로부터 고장에 연관성이 있는 것으로 추측되는 데이터를 수집한 후 정상상태에서 수집된 데이터와 고장상태에서 수집된 데이터를 대해 각각 현재 상태에 대한 출력 레이블을 붙여서 학습 데이터를 구성하고, 상기 학습 데이터의 집합을 가지고 딥러닝을 이용하여 예측시스템을 생성하며, 이를 매개로 기본 모델을 결정한 후 예측 모델을 생성하고, 상기 예측 모델로부터 고장 예측 결과를 평가하여 최종 예측 모델을 생성하는 학습단계 및, 상기 학습단계에서 학습을 통해 예측 시스템이 생성된 후, 측정된 실시간 데이터를 이용하여 특정 부품의 고장 확률을 예측하는 예측단계로 이루어진 것을 특징으로 한다.

바람직하게, 상기 학습단계에서의 학습 데이터 집합에는 상기 수집부에 수집되는 측정데이터와, 엘리베이터의 설치정보 및 고유정보, 이력정보가 포함되는 것을 특징으로 한다.

더 바람직하게, 상기 수집부에 수집되는 측정데이터는 센서에서 측정되는 실시간 변화 데이터로서 속도, 진동, 소음, 온도, 전압, 전류, 전력을 포함하는 것을 특징으로 함과 아울러, 상기 엘리베이터의 설치정보 및 고유정보는 엘리베이터가 설치될 때 결정되는 설치 위치 및 엘리베이터 타입을 비롯한 각종 정보들을 수치화 시킨 고정데이터이며, 상기 이력정보는 사용시간, 남은 수명, 고장 이력과 같이 시간에 따라 변화하는 데이터인 것을 특징으로 한다.

또한, 상기 UI부는 상기 예측부로부터의 고장 예측정보를 사용자에게 전송한 후, 피드백을 수행하도록 이루어짐이 바람직하다.

상기에서 설명한 바와 같이 이루어진 본 발명에 따르면, 엘리베이터의 고장을 사전에 예측하고, 이에 대한 대비가 가능하도록 하므로서, 엘리베이터의 고장에 따른 다운타임을 최소화 시켜 사용자들의 불편함을 크게 저감시킬 수 있는 효과가 있게 된다.

또한, 센서를 통해 수집된 데이터를 이용하여 고장 예측 모델을 생성하므로서, 고장 측정을 위한 비용이나 노력을 대폭 줄이면서도 고장 측정의 정확도를 크게 향상시킬 수 있는 효과가 있게 된다.

도 1은 본 발명에 따른 엘리베이터의 고장 예측 시스템의 구성을 나타내는 블록도,
도 2는 본 발명에 따른 엘리베이터의 고장 예측 시스템에 구비되는 고장예측 서버의 예측부에서의 학습단계가 이루어지는 과정을 나타내는 도면,
도 3은 본 발명에 따른 엘리베이터의 고장 예측 시스템에 구비되는 고장예측 서버의 예측부에서 진행되는 딥러닝 프로세스를 나타내는 도면,
도 4는 본 발명에 따른 엘리베이터의 고장 예측 시스템에 구비되는 고장예측 서버의 예측부에서의 예측단계가 이루어지는 과정을 나타내는 도면이다.

이하, 상기한 바와 같이 구성된 본 발명에 대해 첨부도면을 참조하여 상세히 설명한다.

도 1은 본 발명에 따른 엘리베이터의 고장 예측 시스템의 구성을 나타내는 블록도, 도 2는 본 발명에 따른 엘리베이터의 고장 예측 시스템에 구비되는 고장예측 서버의 예측부에서의 학습단계가 이루어지는 과정을 나타내는 도면, 도 3은 본 발명에 따른 엘리베이터의 고장 예측 시스템에 구비되는 고장예측 서버의 예측부에서 진행되는 딥러닝 프로세스를 나타내는 도면, 도 4는 본 발명에 따른 엘리베이터의 고장 예측 시스템에 구비되는 고장예측 서버의 예측부에서의 예측단계가 이루어지는 과정을 나타내는 도면이다.

먼저, 본 발명에 따른 엘리베이터의 고장 예측 시스템은, 엘리베이터 기계실과 엘리베이터 카와 승강로 및 피트, 승강장 등을 비롯한 다양한 지점에 설치된 다수 개의 센서(10)를 통해 수집된 데이터를 고장예측 서버(20)에서 관리 및 학습하면서 엘리베이터의 이상 동작이나 부품의 고장 등을 사전에 예측한 후, 그에 맞춰 적절히 대응할 수 있도록 구현된다.

이를 위해, 본 발명에 따른 엘리베이터의 고장 예측 시스템은, 엘리베이터 기계실과 엘리베이터 카와 승강로 및 피트, 승강장 등의 현장에 설치된 사물인터넷(IoT) 기반의 센서(10)들이 데이터의 수집 및 관리, 학습을 통해 고장을 예측하고 보고하는 기능을 수행하는 고장예측 서버(20)와 연계되어 구성된다.

여기에서, 상기 고장예측 서버(20)는 수집부(22)와, 관리부(24)와, 예측부(26) 및, UI부(28) 등을 포함하여 구성된다.

상기 수집부(22)는 게이트웨이를 매개로 각 현장에 설치되어 있는 다수 개의 센서(10)로부터 각종 측정데이터를 전송받아 수신하는 기능을 수행하게 되며, 상기 관리부(24)는 상기 수집부(22)를 통해 수집된 각 센서(10)로부터의 측정데이터를 저장 및 제공하는 기능을 수행하게 된다.

상기 예측부(26)는 엘리베이터의 고장예측을 위한 특정 알고리즘의 구동을 통해 예측 모델을 생성하고, 이를 기초로 실제 고장예측을 행하는 기능을 수행하게 된다.

또, 상기 UI부(28)는 상기 예측부(26)로부터의 고장예측에 따른 결과를 리포팅하고 유저와의 인터페이스를 수행하는 기능을 갖도록 구성되는데, 즉 상기 UI부(28)는 상기 예측부(26)로부터의 고장 예측정보를 사용자에게 전송한 후, 해당 사용자로부터 피드백이 수행되도록 이루어진다.

이어, 상기한 바와 같이 이루어진 본 발명의 작용에 대해 도를 참조하여 상세히 설명하면 다음과 같다.

먼저, 상기 고장예측 서버(20)의 수집부(22)에서는 각 현장에 부착된 다수 개의 센서(10)를 통해 게이트웨이를 매개로 센서(10)로부터의 측정데이터를 수집하게 되며, 상기 수집부(22)에서 수집된 데이터는 상기 관리부(24)에 저장된 후 상기 예측부(26)에 대한 데이터 제공이 이루어지게 된다.

이에, 상기 예측부(26)에서는 상기 관리부(24) 측으로 데이터 제공을 요청하고, 상기 관리부(24)로부터 제공되는 데이터를 이용하여 고장예측 모델을 생성한 후, 생성된 고장예측 모델을 통해 엘리베이터의 고장을 예측하게 된다.

이때, 상기 고장예측 서버(20)의 예측부(26)에서 수행되는 엘리베이터의 고장 예측 방법은 1단계인 학습단계 및 2단계인 예측단계로 이루어진다.

도 2에 도시된 바와 같이, 상기 학습단계에서는 엘리베이터의 각 지점에 부착된 다수 개의 센서(10)를 통해 고장에 연관성을 가진다고 추측되는 데이터를 수집하게 되는데, 여기에는 엘리베이터 자체의 설치정보 및 고유 정보, 이력정보 등이 포함된다.

그리고, 정상상태에 수집된 데이터와 고장상태에 수집된 데이터에 대해 각각 현재 상태에 대한 출력 레이블을 붙여서 학습에 사용되는 학습 데이터 집합을 구성하게 된다.

즉, 상기 학습 데이터 집합에는 상기 수집부(22)에 수집되는 측정데이터와, 엘리베이터의 설치정보 및 고유정보, 이력정보 등이 포함되는데, 상기 측정데이터에는 각 현장에 설치된 다수 개의 센서(10)를 통해 측정되는 실시간 변화 데이터인 속도, 진동, 소음, 온도, 전압, 전류 ,전력 등이 포함되게 되며, 상기 설치정보 및 고유정보에는 엘리베이터가 설치될 때 결정되는 고정 데이터를 수치화 시킨 설치 위치 및 엘리베이터 타입 등의 정보가 포함됨과 아울러, 상기 이력정보에는 사용시간, 남은 수명, 고장 이력 등과 같이 시간에 따라 변화하는 각종 데이터들이 포함된다.

따라서, 상기 학습데이터 집합에는 단순히 변화하는 측정 정보 뿐만 아니라, 수치화 시킨 설치정보 및 고유정보, 시간에 따라 변화하는 이력정보 등이 트레이닝 셋에 포함됨에 따라, 보다 정확한 학습 결과를 기대할 수가 있게 되는 것이다.

한편, 상술한 바와 같은 학습 데이터집합을 가지고 딥러닝을 이용하여 예측 시스템 f를 생성하게 되는데, 이때 상기 딥러닝의 학습 프로세스는 도 3에 도시된 바와 같이 진행되게 된다.

즉, 정의된 입출력(S 1-1 및 S 1-2)에 따라 전처리가 수행되고(S 2), 이를 통해 기본 모델이 결정되고(S 3), 상기 기본 모델을 바탕으로 트레이닝 셋을 가지고 학습을 시켜 향상된 예측 모델이 생성되며(S 4 및 S 5), 상기 향상된 예측 모델을 가지고 고장 예측 결과를 평가하여 최종 예측 모델을 생성하게 된다(S 6).

이에, 도 4에 도시된 바와 같이, 상기 예측단계에서는 상기 학습단계를 통해 예측 시스템이 생성된 후 측정된 실시간 데이터를 가지고 특정 부품의 고장 확률을 예측하게 되는데, 즉 시스템 출력을 결정된 값이 아닌 확률 값으로 구하는 방식이 적용된다.

이를 통해, 정해진 확률 이상의 고장 확률이 예측되면, 상기 UI부(28)를 통해 사용자에게 알려주게 되며, 이에 사용자는 고장에 대비할 수가 있게 된다.

즉, 상기 학습단계 및 예측단계를 거치면서 예측된 결과가 상기 UI부(28)를 통해 유저에게 보고된 후, 유저 피드백이 수행됨에 따라, 본 발명에 따른 엘리베이터의 고장 예측 시스템을 통한 엘리베이터의 이상 동작이나 부품의 고장 등의 사전인지 및 대응이 가능해지게 되는 것이다.

한편, 본 발명에서 기재된 내용과 다른 변형된 실시예들이 돌출 된다고 하더라도 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안되며, 본 발명에 첨부된 청구범위 내에 속하게 됨은 물론이다.

10: 센서, 20: 고장예측 서버,
22: 수집부, 24: 관리부,
26: 예측부, 28: UI부.

Claims (6)

1. 엘리베이터 기계실과 엘리베이터 카와 승강로 및 피트, 승강장의 일정 지점에는 소정 측정데이터를 전송하는 다수 개의 센서가 설치되고,
   상기 다수 개의 센서는 데이터의 수집 및 관리, 학습을 통해 고장을 예측하고 보고하는 기능을 수행하는 고장예측 서버와 연결되어 구성되되,
   상기 고장예측 서버는,
   게이트웨이를 매개로 각각의 센서로부터 측정데이터를 수집하는 수집부와,
   상기 수집부를 통해 수집된 데이터를 저장 및 제공하는 기능을 수행하는 관리부와,
   고장예측 알고리즘을 통해 예측 모델을 생성하고 실제 고장예측을 수행하는 예측부 및,
   고장예측에 따른 결과를 리포팅하고 유저와의 인터페이스를 행하는 UI부를 포함하여 구성된 것을 특징으로 하는 엘리베이터의 고장 예측 시스템.
2. 제 1항에 있어서,
   상기 예측부에서 고장 예측이 이루어지는 과정은,
   상기 다수 개의 센서로부터 고장에 연관성이 있는 것으로 추측되는 데이터를 수집한 후 정상상태에서 수집된 데이터와 고장상태에서 수집된 데이터를 대해 각각 현재 상태에 대한 출력 레이블을 붙여서 학습 데이터를 구성하고, 상기 학습 데이터의 집합을 가지고 딥러닝을 이용하여 예측시스템을 생성하며, 이를 매개로 기본 모델을 결정한 후 예측 모델을 생성하고, 상기 예측 모델로부터 고장 예측 결과를 평가하여 최종 예측 모델을 생성하는 학습단계 및,
   상기 학습단계에서 학습을 통해 예측 시스템이 생성된 후, 측정된 실시간 데이터를 이용하여 특정 부품의 고장 확률을 예측하는 예측단계로 이루어진 것을 특징으로 하는 엘리베이터의 고장 예측 시스템.
3. 제 2항에 있어서,
   상기 학습단계에서의 학습 데이터 집합에는 상기 수집부에 수집되는 측정데이터와, 엘리베이터의 설치정보 및 고유정보, 이력정보가 포함되는 것을 특징으로 하는 엘리베이터의 고장 예측 시스템.
4. 제 3항에 있어서,
   상기 수집부에 수집되는 측정데이터는 센서에서 측정되는 실시간 변화 데이터로서 속도, 진동, 소음, 온도, 전압, 전류, 전력을 포함하는 것을 특징으로 하는 엘리베이터의 고장 예측 시스템.
5. 제 3항에 있어서,
   상기 엘리베이터의 설치정보 및 고유정보는 엘리베이터가 설치될 때 결정되는 설치 위치 및 엘리베이터 타입을 비롯한 각종 정보들을 수치화 시킨 고정데이터이며,
   상기 이력정보는 사용시간, 남은 수명, 고장 이력과 같이 시간에 따라 변화하는 데이터인 것을 특징으로 하는 엘리베이터의 고장 예측 시스템.
6. 제 1항에 있어서,
   상기 UI부는 상기 예측부로부터의 고장 예측정보를 사용자에게 전송한 후, 피드백을 수행하도록 이루어진 것을 특징으로 하는 엘리베이터의 고장 예측 시스템.

Images