KR20180126311A - 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법 - Google Patents

대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법 Download PDF

Info

Publication number
KR20180126311A
KR20180126311A KR1020170061210A KR20170061210A KR20180126311A KR 20180126311 A KR20180126311 A KR 20180126311A KR 1020170061210 A KR1020170061210 A KR 1020170061210A KR 20170061210 A KR20170061210 A KR 20170061210A KR 20180126311 A KR20180126311 A KR 20180126311A
Authority
KR
South Korea
Prior art keywords
target system
sensor data
abnormal state
state
sensor
Prior art date
Application number
KR1020170061210A
Other languages
English (en)
Other versions
KR101995026B1 (ko
Inventor
구형일
Original Assignee
아주대학교산학협력단
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 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Priority to KR1020170061210A priority Critical patent/KR101995026B1/ko
Publication of KR20180126311A publication Critical patent/KR20180126311A/ko
Application granted granted Critical
Publication of KR101995026B1 publication Critical patent/KR101995026B1/ko

Links

Images

Classifications

    • G06N99/005—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

본 발명은 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법에 관한 것으로서, 대상 시스템의 복수의 센서로부터 입력받은 센서 데이터를 근거로 상기 대상 시스템의 상태를 진단하는 상태 진단 장치, 상기 대상 시스템의 비정상 상태(Abnormal State) 진단 시, 비정상 상태 진단결과에 대한 각 센서의 관련도를 산출하는 원인 분석 장치를 포함하므로, 대상 시스템의 상태를 정확하게 진단할 수 있고, 비정상 상태 발생의 위험을 경고하고 미리 정비를 받도록 하여 대상 시스템의 안전성을 높일 수 있다.

Description

대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법{System and Method for State Diagnosis and Cause Analysis}
본 발명은 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 진단하고자 하는 대상 시스템에 설치된 센서로부터 획득한 센서 데이터에 머신러닝(machine learning) 기반의 방법을 적용하여 대상 시스템의 비정상 상태를 진단하고, 비정상 상태에 대한 원인 분석을 가능하게 하는 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법에 관한 것이다.
신경망(Neural network)은 일반적인 입출력 관계를 모델링 할 수 있으며 따라서 다양한 응용 분야를 가지고 있다. 센서 데이터를 통해서 관심 정보를 예측(추론)하는 일반적인 상황은 도 1에 도시되어 있다. 인체 관련된 경우에는 생체신호가 입력이며 이를 통해 병의 종류나 병의 진행 정도를 예측(추정)할 수 있으며, 반도체 생산과 같은 경우에는 여러 센서 조건과 수율의 관계를 파악할 수도 있다. 여기에 사용되는 신경망으로는 DNN(Deep Neural Network), CNN(Convolution Neural Network) 혹은 시간에 따라 변하는 센서 데이터를 처리하기 위해서 RNN(recurrent neural network)가 사용될 수 있다.
이처럼 신경망을 이용하는 기술은 많은 분야에 적용되어 좋은 성능을 보이고 있다.
그러나, 종래의 신경망은 추정 결과 및 진단 결과에 초점이 맞추어져 있어, 입력 데이터와 진단 결과간의 인과관계를 파악하기 어려운 단점이 있다.
또한, 복잡한 관계식을 학습하기 위해서는 모든 레이블(label)에 골고루 많은 양의 학습 데이터가 필요하나, 학습 데이터의 획득에는 높은 비용이 요구되며 때로는 현실적으로 데이터를 획득하는 것이 불가능한 문제가 있다. 예를 들어, 정상 상태(Normal State)에서 동작하는 대상 시스템의 센서 데이터(정상 동작 데이터)는 획득이 비교적 용이하나, 비정상 상태에서 동작하는 대상 시스템의 센서 데이터(비정상 동작 데이터)는 획득이 불가능한 경우가 있다.
선행기술1: 한국등록특허 제10-1677358호(2006.01.20. 공고)
본 발명의 목적은 진단하고자 하는 대상 시스템에 설치된 다양한 센서로부터 발생되는 대량의 센서 데이터에 머신러닝(기계학습, machine learning) 기반의 방법을 적용하여 대상 시스템의 상태를 진단하는 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법을 제공하는 것이다.
본 발명의 다른 목적은 대상 시스템의 비정상 상태(Abnormal State) 진단 시, 그 진단결과에 대한 원인 분석을 가능하게 하는 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법을 제공하는 것이다.
본 발명의 또 다른 목적은 많은 수의 정상 동작 데이터와 소수의 비정상 동작 데이터에 의한 비대칭적인 데이터에서도 대상 시스템의 비정상 상태를 판단할 수 있는 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법을 제공하는 것이다.
한편, 본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 포함될 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 측면에 따르면, 대상 시스템의 복수의 센서로부터 입력받은 센서 데이터를 근거로 상기 대상 시스템의 상태를 진단하는 상태 진단 장치, 상기 대상 시스템의 비정상 상태(Abnormal State) 진단 시, 비정상 상태 진단결과에 대한 각 센서의 관련도를 산출하는 원인 분석 장치를 포함하는 대상 시스템의 상태 진단 및 원인 분석 시스템이 제공될 수 있다.
상기 상태 진단 장치는 정상 상태(Normal State)에서 동작하는 대상 시스템의 센서 데이터와 비정상 상태에서 동작하는 대상 시스템의 센서 데이터의 양이 비대칭인 경우, 상기 입력받은 센서 데이터의 기 설정된 시간 이후의 센서 데이터를 예측하고, 상기 기 설정된 시간 이후에 상기 복수의 센서로부터 입력받은 센서 데이터를 상기 예측된 센서 데이터와 비교하여, 상기 대상 시스템의 비정상 상태를 진단할 수 있다.
상기 원인 분석 장치는, 정상 상태(Normal State)에서 동작하는 대상 시스템의 각 센서의 센서 데이터 변화량과 비정상 상태 진단 시 비정상 상태 신호 변화량간의 관계를 산출하여, 비정상 상태 진단에 대한 각 센서의 관련도를 출력할 수 있다.
또한, 상기 원인 분석 장치는 복수의 센서가 구비된 대상시스템의 비정상 상태(Abnormal State) 진단결과에 대한 각 센서의 관련도를 산출하는 관련도 산출부를 포함하고, 상기 관련도 산출부는, 정상 상태(Normal State)에서 동작하는 대상 시스템의 각 센서의 센서 데이터 변화량과 비정상 상태 진단 시 비정상 상태 신호 변화량간의 관계를 산출하여, 비정상 상태 진단에 대한 각 센서의 관련도를 출력할 수 있다.
또한, 상기 관련도 산출부는, 역전파(back propagation) 알고리즘, 인버스 필터링 중 적어도 하나를 이용하여 비정상 상태 진단에 대한 각 센서의 관련도를 출력할 수 있다.
상기 상태 진단 장치는, 대상 시스템의 복수의 센서로부터 입력받은 센서 데이터의 기 설정된 시간 이후의 센서 데이터를 예측하는 예측부, 상기 기 설정된 시간 이후에 상기 복수의 센서로부터 입력받은 센서 데이터를 상기 예측된 센서 데이터와 비교하여, 상기 대상 시스템의 비정상 상태(Abnormal State)를 진단하는 비교부를 포함할 수 있다.
본 발명의 다른 측면에 따르면, 상태 진단 장치가 대상 시스템의 복수의 센서로부터 입력받은 센서 데이터를 근거로 상기 대상 시스템의 상태를 진단하는 단계, 원인 분석 장치가 상기 대상 시스템의 비정상 상태(Abnormal State) 진단 시, 비정상 상태 진단결과에 대한 각 센서의 관련도를 산출하는 단계를 포함하는 대상 시스템의 상태 진단 및 원인 분석 방법이 제공될 수 있다.
이때, 상기 상태 진단 장치는 정상 상태(Normal State)에서 동작하는 대상 시스템의 센서 데이터와 비정상 상태에서 동작하는 대상 시스템의 센서 데이터의 양이 비대칭인 경우, 상기 입력받은 센서 데이터의 기 설정된 시간 이후의 센서 데이터를 예측하고, 상기 기 설정된 시간 이후에 상기 복수의 센서로부터 입력받은 센서 데이터를 상기 예측된 센서 데이터와 비교하여, 상기 대상 시스템의 비정상 상태를 진단할 수 있다.
상기 원인 분석 장치는 정상 상태(Normal State)에서 동작하는 대상 시스템의 각 센서의 센서 데이터 변화량과 비정상 상태 진단 시 비정상 상태 신호 변화량간의 관계를 산출하여, 비정상 상태 진단에 대한 각 센서의 관련도를 산출할 수 있다. 또한, 상기 관련도는 역전파(back propagation) 알고리즘, 인버스 필터링 중 적어도 하나를 이용하여 산출될 수 있다.
본 발명에 따르면, 진단하고자 하는 대상 시스템의 다양한 센서로부터 발생되는 대량의 센서 데이터에 머신러닝 기반의 방법을 적용하여 대상 시스템의 상태를 정확하게 진단할 수 있고, 비정상 상태 발생의 위험을 경고하고 미리 정비를 받도록 하여 대상 시스템의 안전성을 높일 수 있다.
또한, 대상 시스템의 센서 데이터를 이용하여 비정상 상태를 진단할 뿐만 아니라 진단 결과에 대한 원인 분석에 도움을 줄 수 있다.
또한, 대상 시스템의 진단 결과에 대한 각 센서의 관련도를 정량적으로 구하여 정비 시에 비정상 상태에 높은 영향을 준 센서부터 확인하여 정비 효율을 증대시킬 수 있다.
또한, 많은 수의 정상 동작 데이터와 소수의 비정상 동작 데이터에 의한 비대칭적인 데이터에서도 대상 시스템의 비정상 상태를 진단할 수 있다.
한편, 본 발명의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.
도 1은 센서 데이터로부터 관심 정보를 추론하는 장치를 예시한 도면이다.
도 2는 본 발명에 따른 대상 시스템의 상태 진단 및 원인 분석의 개념을 설명하기 위한 도면이다.
도 3은 본 발명에 따른 대상 시스템의 상태 진단 및 원인 분석 시스템을 나타낸 도면이다.
도 4는 본 발명에 따른 정상 동작 데이터와 비정상 동작 데이터의 양이 비대칭인 상황에서 대상 시스템의 상태를 진단하는 상태 진단 장치의 구성을 개략적으로 나타낸 블럭도이다.
도 5는 도 4에 도시된 상태 진단 장치의 동작을 설명하기 위한 예시도이다.
도 6은 본 발명에 따른 원인 분석 장치의 구성을 개략적으로 나타낸 블럭도이다.
도 7은 본 발명에 따른 대상 시스템의 상태 진단 및 원인 분석을 위한 방법을 나타낸 흐름도이다.
도 8 및 도 9는 본 발명에 따른 대상 시스템의 상태 진단 및 원인 분석 방법을 설명하기 위한 예시도이다.
본 발명의 전술한 목적과 기술적 구성 및 그에 따른 작용 효과에 관한 자세한 사항은 본 발명의 명세서에 첨부된 도면에 의거한 이하 상세한 설명에 의해 보다 명확하게 이해될 것이다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 '대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법'을 상세하게 설명한다. 설명하는 실시 예들은 본 발명의 기술 사상을 당업자가 용이하게 이해할 수 있도록 제공되는 것으로 이에 의해 본 발명이 한정되지 않는다. 또한, 첨부된 도면에 표현된 사항들은 본 발명의 실시 예들을 쉽게 설명하기 위해 도식화된 도면으로 실제로 구현되는 형태와 상이할 수 있다.
한편, 이하에서 표현되는 각 구성부는 본 발명을 구현하기 위한 예일 뿐이다. 따라서, 본 발명의 다른 구현에서는 본 발명의 사상 및 범위를 벗어나지 않는 범위에서 다른 구성부가 사용될 수 있다. 또한, 각 구성부는 순전히 하드웨어 또는 소프트웨어의 구성만으로 구현될 수도 있지만, 동일 기능을 수행하는 다양한 하드웨어 및 소프트웨어 구성들의 조합으로 구현될 수도 있다. 또한, 하나의 하드웨어 또는 소프트웨어에 의해 둘 이상의 구성부들이 함께 구현될 수도 있다.
또한, 어떤 구성요소들을 '포함'한다는 표현은, '개방형'의 표현으로서 해당 구성요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성요소들을 배제하는 것으로 이해되어서는 안 된다.
도 2는 본 발명에 따른 대상 시스템의 상태 진단 및 원인 분석의 개념을 설명하기 위한 도면이다.
도 2를 참조하면, 진단하고자 하는 대상 시스템에 탑재된 센서들로부터 센서 데이터(X1(t), X2(t),.., Xn-1(t), Xn(t))를 입력받고, 그 센서 데이터를 머신러닝에 적용하여 대상 시스템의 정상 여부를 진단한다. 대상 시스템이 비정상 상태로 진단된 경우, 진단결과에 대한 각 센서의 관련도를 구하여, 관련도가 높은 센서 순으로 원인 분석을 진행하도록 한다. 즉, 입력된 센서 데이터가 최종 결정에 어느 정도 기여했는지를 정량화하여 표현하고, 관련도가 깊은 영역을 시각적으로 표시한다.
이러한 대상 시스템의 상태 진단 및 원인 분석을 위한 시스템에 대해 도 3을 참조하여 설명하기로 한다.
도 3은 본 발명에 따른 대상 시스템의 상태 진단 및 원인 분석 시스템을 나타낸 도면이다.
도 3을 참조하면, 대상 시스템의 상태 진단 및 원인 분석 시스템은 상태 진단 장치(200) 및 원인 분석 장치(300)를 포함한다.
상태 진단 장치(200)는 진단의 대상이 되는 대상 시스템에 설치된 복수의 센서(100)로부터 센서 데이터를 입력받고, 그 센서 데이터를 이용하여 대상 시스템의 정상 여부를 진단한다. 여기서, 대상 시스템은 센서가 구비된 다양한 스마트 기기, 예를 들어, 스마트 TV, 스마트폰, 태블릿 PC, 착용형 컴퓨터 등의 스마트 기기뿐만 아니라, 센서가 구비된 자동차, 무인비행기, 선박, 장난감 등과 같이 컴퓨팅 장치를 탑재한 다양한 장치까지 포괄적으로 지칭한다. 센서는 대상 시스템의 동작 상태 정보를 식별하기 위해 필요한 데이터를 검출하는데 이용되는 것으로서, 광학센서, 소리 센서, 광 센서, 영상 센서, 자이로 센서, 지문 센서, 움직임 센서 등 다양한 종류의 센서로, 대상 시스템의 종류에 따라 다르게 할 수 있다.
이러한 상태 진단 장치(200)는 현장 데이터를 바탕으로 대상 시스템을 진단하므로, 진단결과에 대한 신뢰도를 높일 수 있다.
한편, 상태 진단 장치(200)가 센서 데이터를 입력받아 대상 시스템의 비정상 상태를 진단하기 위해서는 많은 양의 비정상 동작 데이터가 필요하다. 그러나, 정상 상태(Normal State)에서 동작하는 대상 시스템의 센서 데이터(정상 동작 데이터)는 획득이 비교적 용이하나, 비정상 상태에서 동작하는 대상 시스템의 센서 데이터(비정상 동작 데이터)는 획득이 불가능한 경우가 있다. 이런 경우, 상태 진단 장치(200)는 최소한으로 레이블(label)된 센서 데이터를 이용하여 대상 시스템의 비정상 상태를 진단할 수 있어야 한다. 즉, 상태 진단 장치(200)는 많은 수의 정상 동작 데이터와 소수의 비정상 동작 데이터로 센서 데이터의 양이 비대칭인 상황에서도 대상 시스템의 비정상 상태를 진단할 수 있어야 한다.
이처럼, 정상 상태에서 동작하는 대상 시스템의 센서 데이터와 비정상 상태에서 동작하는 대상 시스템의 센서 데이터의 양이 비대칭인 경우, 상태 진단 장치(200)는 정상 상태에서 동작하는 대상 시스템의 센서 데이터에 머신러닝(예컨대, 딥러닝)을 적용하여 기 설정된 시간 이후의 센서 데이터를 예측하고, 기 설정된 시간 이후에 복수의 센서(100)로부터 입력받은 센서 데이터를 상기 예측된 센서 데이터와 비교하여, 대상 시스템의 비정상 상태(Abnormal State)를 진단할 수 있다. 여기서, 센서 데이터는 영상, 시간에 따라 변하는 시계열 데이터, 이미지 시퀀스, 3차원 데이터, 멀티모달 데이터 등을 포함할 수 있다.
정상 동작 데이터와 비정상 동작 데이터의 양이 비대칭인 상황에서 비정상 상태를 진단하는 상태 진단 장치(200)에 대한 상세한 설명은 도 4를 참조하기로 한다.
상태 진단 장치(200)는 진단결과의 신뢰성을 확보하기 위해, 학습에 사용한 센서 데이터가 대상 시스템의 동작 상태가 정상일 때의 것일 필요가 있다. 이로 인해, 상태 진단 장치(200)는 센서 데이터를 입력하고 있는 기간에 대상 시스템에 고장이 발생하지 않았다는 보수 기록 등의 보증을 얻어, 입력한 센서 데이터를 정상 시의 것으로서 취급한다.
원인 분석 장치(300)는 상태 진단 장치(200)가 대상 시스템의 비정상 상태 진단 시, 비정상 상태 진단결과에 대한 각 센서의 관련도를 구하여, 비정상 상태의 원인을 분석 가능하게 한다. 즉, 원인 분석 장치(300)는 정상 상태에서 동작하는 대상 시스템의 각 센서의 센서 데이터 변화량과 비정상 상태 진단 시 예측된 센서 데이터 변화량간의 관계를 산출하여, 각 센서의 비정상 상태 진단에 대한 관련도를 출력한다.
사용자는 관련도가 높은 센서 순서대로 원인 분석을 진행할 수 있으며, 관련도 기준으로 부품의 교체 등의 수리 작업을 진행할 수 있다. 헬스케어의 경우에는 의료진이 검토해야 할 사항의 우선순위를 제공할 수 있다.
이러한 원인 분석 장치(300)에 대한 상세한 설명은 도 6을 참조하기로 한다.
한편, 여기에서는 상태 진단 장치(200)와 원인 분석 장치(300)를 별개의 장치로 구현하였으나, 상태 진단 장치(200)와 원인 분석 장치는(300) 하나의 장치로 구현할 수도 있다.
상기와 같이 구성된 시스템을 통해 대상 시스템의 비정상 상태 자체 진단(혹은 예측)과 원인 분석에 도움을 줄 수 있다. 예를 들어, 다수의 생체 신호를 입력으로 받아들이는 웨어러블 장비가 있다면 생체신호 정보로부터 사용자의 신체적 비정상 상태를 판단하고, 비정상 상태 판단 시 알람을 울리거나 도움을 요청할 수 있다. 또한, 어떤 원인에 의해서 현재 비정상 상태가 발생했는지를 정량적으로 제공함으로써, 비정상 상태 원인 분석 및 해결에 이용할 수 있다. 구체적으로 어떤 센서가 비정상 상태와 가장 높은 관련성이 있는지를 제공함으로써, 비정상 상태 원인 분석 및 해결에 이용할 수 있다. 제조업의 경우도 마찬가지로 생산라인의 문제 상황을 스스로 진단하여 경보를 줄 수 있으며, 그 문제를 해결하고자 할 때 우선 순위를 가지고 고려해야 할 센서 목록을 파악할 수 있도록 도와줄 수 있다.
도 4는 본 발명에 따른 정상 동작 데이터와 비정상 동작 데이터의 양이 비대칭인 상황에서 대상 시스템의 상태를 진단하는 상태 진단 장치의 구성을 개략적으로 나타낸 블럭도, 도 5는 도 4에 도시된 상태 진단 장치의 동작을 설명하기 위한 예시도이다.
도 4를 참조하면, 정상 동작 데이터와 비정상 동작 데이터의 양이 비대칭인 상황에서 대상 시스템의 상태를 진단하는 상태 진단 장치(200)는 예측부(210), 비교부(220)를 포함한다.
예측부(210)는 정상 동작하는 대상 시스템의 복수의 센서로부터 입력받은 센서 데이터의 기 설정된 시간 이후의 센서 데이터를 예측한다. 즉, 예측부(210)는 입력받은 센서 데이터에 머신러닝을 적용하여, 기 설정된 시간 이후의 센서 데이터를 예측한다.
이처럼 예측부(210)는 머신러닝 기반으로 입력받은 센서 데이터를 이용하여 미래의 센서 데이터를 예측하는 학습을 수행한다. 이때, 예측부(210)는 오토인코더(auto-encoder)의 구조를 사용할 수 있다. 또한, 예측부(210)는 영상의 경우 CNN(convolutional neural network), 시간에 따라 변하는 시계열 데이터의 경우 RNN(recurrent neural network), 이미지 시퀀스의 경우 CNN과 RNN의 결합구조, 3차원 데이터(예컨대, MRI 데이터) 및 멀티모달 데이터의 경우, 베이스라인인 CNN을 토대로 CNN과 LSTM(long short term memory)을 결합한 구조를 사용할 수 있다.
비교부(220)는 기 설정된 시간 이후에 대상 시스템의 복수의 센서로부터 센서 데이터가 수신되면, 기 설정된 시간 이후의 센서 데이터를 예측부(210)에서 예측된 센서 데이터와 비교하여, 대상 시스템의 비정상 상태를 진단한다.
즉, 비교부(220)는 예측부(210)에서 예측된 예측값과 센서로부터 수신한 실제값의 차이를 비교하여, 대상 시스템의 비정상 상태를 진단한다.
이러한 구성의 상태 진단 장치(200)가 RNN을 이용하여 대상 시스템의 상태를 진단하는 방법에 대해 도 5를 참조하여 설명하기로 한다. 도 5를 참조하면, 예측부(210)는
Figure pat00001
가 센서 데이터로 입력되면, RNN을 이용하여 (t+Δ)이후의 센서 데이터(
Figure pat00002
Figure pat00003
를 예측하여 출력한다.
비교부(220)는 (t+Δ)이후에 센서로부터 센서 데이터 (
Figure pat00004
)가 수신되면,
Figure pat00005
와
Figure pat00006
를 비교한다. 그 비교결과, 예측된 센서 데이터
Figure pat00007
와
Figure pat00008
의 차이가 기 설정된 일정 값 이상이면, 비교부(220)는 대상 시스템이 비정상 상태라고 판단하여, 비정상 상태 진단을 알린다. 상기와 같이 구성된 상태 진단 장치(200)는 많은 수의 정상 동작 데이터와 소수의 비정상 동작 데이터로 센서 데이터가 비대칭인 상황에서도 대상 시스템의 비정상 상태를 진단할 수 있다.
한편, 상태 진단 장치(200)는 예측부(210)에서 학습된 센서 데이터가 저장된 학습 DB(미도시)를 더 포함할 수 있다. 학습 DB에는 센서 식별정보, 각 센서로부터 수신한 센서 데이터와 그 센서 데이터에 의해 예측된 센서 데이터 등이 저장된다.
또한, 상태 진단 장치(200)는 비교부(220)의 진단결과에 대한 정보가 저장된 진단결과 DB(미도시)를 더 포함할 수 있다. 진단결과 DB에는 센서 식별정보, 각 센서로부터 수신한 센서 데이터, 예측부(210)에서 예측된 센서 데이터, 진단결과 등이 저장되고, 진단결과는 대상 시스템의 정상 상태 또는 비정상 상태를 포함한다.
또한, 상태 진단 장치(200)는 비교부(220)의 진단결과, 대상 시스템이 비정상 상태인 경우, 비정상 상태를 알리는 알람부(미도시)를 더 포함할 수 있다. 알람부는 소리, 문자, 영상, 메시지 등의 방법으로 대상 시스템의 비정상 상태를 알릴 수 있다.
또한, 상태 진단 장치(200)는 비교부(220)의 진단결과를 출력하는 표시부(미도시)를 더 포함할 수 있다.
또한, 상태 진단 장치(200)는 상태 진단 장치(200)의 다양한 구성부들의 동작을 제어하는 제어부(미도시)를 더 포함할 수 있다. 이러한 제어부는 적어도 하나의 연산 장치를 포함할 수 있는데, 여기서 상기 연산 장치는 범용적인 중앙연산장치(CPU), 특정 목적에 적합하게 구현된 프로그래머블 디바이스 소자(CPLD, FPGA), 주문형 반도체 연산장치(ASIC) 또는 마이크로 컨트롤러 칩일 수 있다.
이상 설명한 상태 진단 장치(200) 내 각 구성의 경우 프로세서에 의해 실행되는 소프트웨어 모듈 또는 하드웨어 모듈 형태로 구현되거나, 내지는 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태로도 구현될 수 있다.
이처럼, 프로세서에 의해 실행되는 소프트웨어 모듈, 하드웨어 모듈, 내지는 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태는 하드웨어 시스템(예: 컴퓨터 시스템)으로 구현될 수 있을 것이다.
한편, 상기와 같이 구현된 상태 진단 장치(200)는 독립형(stand-alone)으로 사용할 수 있다.
도 6은 본 발명에 따른 원인 분석 장치의 구성을 개략적으로 나타낸 블럭도이다.
도 6을 참조하면, 원인 분석 장치(300)는 관련도 산출부(320)를 포함한다.
관련도 산출부(320)는 복수의 센서가 구비된 대상 시스템의 비정상 상태(Abnormal State) 진단결과에 대한 각 센서의 관련도를 산출한다. 관련도 산출부(320)는 정상 상태에서 동작하는 대상 시스템의 각 센서의 센서 데이터 변화량과 비정상 상태 진단 시 비정상 상태 신호 변화량간의 관계를 산출하여, 비정상 상태 진단결과에 대한 각 센서의 관련도를 출력한다. 여기서, 비정상 상태 신호는 대상 시스템의 비정상 상태 진단결과 또는 비정상 상태에서 동작하는 대상 시스템의 복수의 센서에 관하여 예측한 센서 데이터 중 적어도 하나일 수 있다. 또한, 비정상 상태 신호는 센서의 한 종류일 수 있으며, 진단의 경우처럼 다른 테스트를 통해서 도출된 결과 일수도 있다
즉, 관련도 산출부(320)는 기 학습된 네트워크를 바탕으로 각 센서 입력에 대해서 출력의 변화량과 입력의 변화량의 관계식을 파악한다. 여기서, 입력은 대상 시스템의 정상 상태에서 동작하는 복수의 센서로부터 획득한 시간에 따른 센서 데이터일 수 있고, 출력은 비정상 상태 신호일 수 있다. 학습과정을 통해 얻어진 신경망은 “입출력의 관계의 함수”로 볼 수 있고, 관련도 산출부(320)는 이 함수 관계를 이용하여 출력물과 입력값의 상관관계를 정략적으로 표현할 수 있다. 여기서, 상관관계는 예컨대, 미분, 인버스 필터링 등을 사용하여 얻을 수 있다.
구체적으로 정상 상태에서 동작하는 대상 시스템으로부터 입력된 센서 데이터(X(t))가
Figure pat00009
이고, 비정상 상태 신호가
Figure pat00010
인 경우, 관련도 산출부(320)는 비정상 상태 신호 변화량(
Figure pat00011
)과 각 센서의 센서 데이터 변화량(
Figure pat00012
)의 관계를 수학식 1과 같이 구한다.
Figure pat00013
수학식 1을 통해 각 센서별로 관련도를 구하고, 관련도가 큰 순으로 센서를 정렬한다. 즉, 관련도 산출부(320)는 센서1의 센서 데이터 변화량(
Figure pat00014
)과 비정상 상태 신호 변화량을 이용하여 센서1의 관련도를 구하고, 센서2의 센서 데이터 변화량(
Figure pat00015
)과 비정상 상태 신호 변화량을 이용하여 센서2의 관련도를 구한다. 이와 같은 방법으로 관련도 산출부(320)는 n개의 센서 각각에 대한 관련도를 구하고, 관련도가 큰 순으로 센서를 정렬한다. 여기서, 관련도는 크기 비교가 가능한 값일 수 있다.
관련도의 값이 가장 큰 센서가 현재 대상 시스템의 비정상 상태와 관련성이 높다고 판단할 수 있다.
수학식 1은
Figure pat00016
를 입력으로 하여
Figure pat00017
를 예측하는 모델이 미리 학습되어 있다면, 이를 이용하여 학습할 수 있고, 수학식 2와 같은 미분 관계식을 이용하여 수학적으로 관련도를 계산할 수도 있다.
Figure pat00018
수학식 2의 관련도 산출식은 시간(time interval)과
Figure pat00019
의 범위에 따라 정규화되어, 각 센서의 관련도를 산출한다.
사용자는 관련도가 높은 센서 순서대로 원인 분석을 진행할 수 있으며 관련도 기준으로 부품의 교체 등의 수리 작업을 진행할 수 있다. 헬스케어의 경우에는 의료진이 검토해야 할 사항의 우선순위를 제공할 수 있다.
또한, 관련도 산출부(320)는 역전파(back propagation) 알고리즘, 인버스 필터링 등을 사용하여 최종 결정에 대한 각 입력 센서 데이터의 관련도를 정량화된 값으로 출력할 수 있다.
한편, 원인 분석 장치(300)는 정상 상태(Normal State)에서 동작하는 대상시스템의 복수의 센서로부터 센서 데이터를 입력받고, 입력받은 센서 데이터를 이용하여 대상 시스템의 비정상 상태를 진단하며, 그 진단결과를 실시간으로 업데이트하는 업데이트부(310)를 더 포함할 수 있다. 이때, 업데이트부(310)는 비정상 상태를 진단하는 상태 진단 장치의 진단결과를 실시간으로 업데이트할 수 있다.
또한, 원인 분석 장치(300)는 원인 분석 장치(300)의 다양한 구성부들의 동작을 제어하는 제어부(미도시)를 더 포함할 수 있다. 이러한 제어부는 적어도 하나의 연산 장치를 포함할 수 있는데, 여기서 상기 연산 장치는 범용적인 중앙연산장치(CPU), 특정 목적에 적합하게 구현된 프로그래머블 디바이스 소자(CPLD, FPGA), 주문형 반도체 연산장치(ASIC) 또는 마이크로 컨트롤러 칩일 수 있다.
상기와 같이 구성된 원인 분석 장치(300)는 대상 시스템의 비정상 상태에 대한 원인 분석을 도울 수 있도록 출력에 영향을 끼친 정도를 각 센서 데이터 별로 정량적으로 평가할 수 있도록 한다. 또한, 원인 분석 장치(300)는 진단 결과에 대한 각 센서의 관련도를 정량적으로 구하여 높게 기여한 센서 순으로 원인 분석을 진행할 수 있도록, 검토해야 할 우선순위 선정에 도움을 줄 수 있다.
이상 설명한 원인 분석 장치(300) 내 각 구성의 경우 프로세서에 의해 실행되는 소프트웨어 모듈 또는 하드웨어 모듈 형태로 구현되거나, 내지는 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태로도 구현될 수 있다.
이처럼, 프로세서에 의해 실행되는 소프트웨어 모듈, 하드웨어 모듈, 내지는 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태는 하드웨어 시스템(예: 컴퓨터 시스템)으로 구현될 수 있을 것이다.
이러한 원인 분석 장치(300)는 단일 층의 신경망(neural network) 구조를 사용할 수 있으며, 복잡도와 시스템이 허용함에 따라 복잡한 네트워크 구조를 사용할 수도 있다.
도 7은 본 발명에 따른 대상 시스템의 상태 진단 및 원인 분석을 위한 방법을 나타낸 흐름도, 도 8 및 도 9는 본 발명에 따른 대상 시스템의 상태 진단 및 원인 분석 방법을 설명하기 위한 예시도이다.
도 7을 참조하면, 상태 진단 장치는 대상 시스템에 설치된 복수의 센서로부터 센서 데이터가 수신되면(S702), 그 센서 데이터를 이용하여 대상 시스템의 상태를 진단한다(S704). 이때, 정상 동작 데이터와 비정상 동작 데이터의 양이 비대칭이면, 상태 진단 장치는 대상 시스템의 복수의 센서로부터 입력받은 센서 데이터의 기 설정된 시간 이후의 센서 데이터를 예측하고, 기 설정된 시간 이후에 복수의 센서로부터 센서 데이터가 수신되면, 기 설정된 시간 이후의 센서 데이터를 상기 예측된 센서 데이터와 비교하여, 대상 시스템의 비정상 상태를 진단한다.
상태 진단 장치는 대상 시스템이 비정상 상태로 진단되면, 비정상 상태의 원인을 분석하기 위해 진단결과를 원인 분석 장치로 전송한다(S706). 이때, 진단결과는 비정상 상태 신호, 각 센서별 센서 데이터 등을 포함할 수 있다.
원인 분석 장치는 상태 진단 장치로부터 진단결과가 수신되면, 비정상 상태 진단결과에 대한 각 센서의 관련도를 산출한다(S708). 즉, 원인 분석 장치는 정상 상태에서 동작하는 대상 시스템의 각 센서의 센서 데이터 변화량과 비정상 상태 신호 변화량간의 관계를 산출하여, 비정상 상태 진단결과에 대한 각 센서의 관련도를 출력한다.
예를 들어, 도 8의 (a)와 같이 센서 데이터1, 센서 데이터2,..,센서 데이터n이 입력되면, 상태 진단 장치는 센서 데이터에 머신러닝을 적용하여 정상, 점검필요, 비정상 상태 발생 등 대상시스템의 진단결과를 출력한다. 이때, 상태 진단 장치는 영상의 경우 CNN(convolutional neural network), 시간에 따라 변하는 시계열 데이터의 경우는 RNN(recurrent neural network) 혹은 CNN과 RNN의 결합 구조 등의 머신러닝을 이용하여 대상 시스템의 상태를 진단할 수 있다.
(a)와 같이 진단되면, 원인 분석 장치는 '점검필요', 비정상 상태 발생'의 원인을 분석하기 위해, (b)와 같이 역전파(back propagation) 알고리즘, 인버스 필터링 등을 사용하여 진단결과에 대한 각 센서 데이터의 관련도를 정량화된 값으로 출력할 수 있다.
다음으로, 시계열 데이터가 입력된 경우 대상 시스템의 상태 진단 및 원인 분석에 대해 도 9를 참조하여 설명하기로 한다. 시계열 데이터가 입력되면, 상태 진단 장치는 (a)와 같이 시계열 데이터를 입력으로 하는 RNN 구조를 이용하여 대상 시스템의 상태를 진단한다. 이때, RNN 을 학습하는 방법은 BPTT(Back propagation through time)을 이용할 수 있다.
원인 분석 장치는 (b)와 같이 RNN 구조를 이용하여 대상 시스템의 비정상 상태에 대한 원인을 분석할 수 있다. 시계열 데이터가 입력된 경우, 원인 분석 장치는 진단 결과에 대해 관련도가 높은 센서 종류뿐만 아니라 어떤 시간 간격(time interval)이 진단 결과에 영향을 주었는지를 분석할 수 있다.
한편, 대상 시스템의 상태 진단 및 원인 분석 방법은 프로그램으로 작성 가능하며, 프로그램을 구성하는 코드들 및 코드 세그먼트들은 당해 분야의 프로그래머에 의하여 용이하게 추론될 수 있다. 또한, 대상 시스템의 상태 진단 및 원인 분석 방법에 관한 프로그램은 전자장치가 읽을 수 있는 정보저장매체(Readable Media)에 저장되고, 전자장치에 의하여 읽혀지고 실행될 수 있다.
이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 실시 형태로 실시될 수 있다는 것을 인지할 수 있을 것이다. 따라서 이상에서 기술한 실시 예들은 예시적인 것일 뿐이며, 그 범위를 제한해놓은 한정적인 것이 아닌 것으로 이해해야만 한다. 또한, 도면에 도시된 순서도들은 본 발명을 실시함에 있어서 가장 바람직한 결과를 달성하기 위해 예시적으로 도시된 순차적인 순서에 불과하며, 다른 추가적인 단계들이 제공되거나, 일부 단계가 삭제될 수 있음은 물론이다.
본 명세서에서 기술한 기술적 특징과 이를 실행하는 구현물은 디지털 전자 회로로 구현되거나, 본 명세서에서 기술하는 구조 및 그 구조적인 등가물 등을 포함하는 컴퓨터 소프트웨어, 펌웨어 또는 하드웨어로 구현되거나, 이들 중 하나 이상의 조합으로 구현 가능하다. 또한 본 명세서에서 기술한 기술적 특징을 실행하는 구현물은 컴퓨터 프로그램 제품, 다시 말해 처리 시스템의 동작을 제어하기 위하여 또는 이것에 의한 실행을 위하여 유형의 프로그램 저장매체 상에 인코딩된 컴퓨터 프로그램 명령어에 관한 모듈로서 구현될 수도 있다.
한편, 본 명세서에서 "시스템", "장치"라 함은 예를 들어, 프로세서, 컴퓨터 또는 다중 프로세서나 컴퓨터를 포함하여 데이터를 처리하기 위한 모든 기구, 장치 및 기계를 모두 포함한다. 처리 시스템은, 하드웨어에 부가하여 예를 들어, 프로세서 펌웨어를 구성하는 코드, 프로토콜 스택, 데이터베이스 관리 시스템, 운영 제체 또는 이들 중 하나 이상의 조합 등 요청 시 컴퓨터 프로그램에 대한 실행 환경을 형성하는 모든 코드를 포함할 수 있다. 프로그램, 소프트웨어, 소프트웨어 애플리케이션, 스크립트 또는 코드 등으로 알려진 컴퓨터 프로그램은 컴파일되거나 해석된 언어 또는 선험적, 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 또는 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 구현될 수 있다.
본 명세서에 첨부된 도면에 도시된 블록도와 순서도에 포함된 본 발명의 기술적 특징을 실행하는 구성들은 상기 구성들 사이의 논리적인 경계를 의미한다. 그러나 소프트웨어나 하드웨어의 실시 예에 따르면, 도시된 구성들과 그 기능들은 독립형 소프트웨어 모듈, 모놀리식 소프트웨어 구조, 코드, 서비스 및 이들을 조합한 형태로 실행되며, 저장된 프로그램 코드, 명령어 등을 실행할 수 있는 프로세서를 구비한 컴퓨터에서 실행 가능한 매체에 저장되어 그 기능들이 구현될 수 있으므로 이러한 모든 실시 예 역시 본 발명의 권리범위 내에 속하는 것으로 보아야 할 것이다.
따라서, 첨부된 도면과 그에 대한 기술은 본 발명의 기술적 특징을 설명하기는 하나, 이러한 기술적 특징을 구현하기 위한 소프트웨어의 특정 배열이 분명하게 언급되지 않는 한, 단순히 추론되어서는 안된다. 즉, 이상에서 기술한 다양한 실시 예들이 존재할 수 있으며, 그러한 실시 예들이 본 발명과 동일한 기술적 특징을 보유하면서 일부 변형될 수 있으므로, 이 역시 본 발명의 권리범위 내에 속하는 것으로 보아야 할 것이다.
또한, 순서도의 경우 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 가장 바람직한 결과를 얻기 위하여 도시된 것으로서, 도시된 특정한 순서나 순차적인 순서대로 그러한 동작들을 반드시 실행되어야 한다거나 모든 도시된 동작들이 반드시 실행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티 태스킹과 병렬 프로세싱이 유리할 수 있다. 아울러, 이상에서 기술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다.
이와 같이, 본 명세서는 그 제시된 구체적인 용어에 의해 본 발명을 제한하려는 의도가 아니다. 따라서, 이상에서 기술한 실시 예를 참조하여 본 발명을 상세하게 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 본 발명의 범위를 벗어나지 않으면서도 본 실시 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다.
100 : 센서 200 : 상태 진단 장치
210 : 예측부 220 : 비교부
300 : 원인 분석 장치 310 : 업데이트부
320 : 관련도 산출부

Claims (10)

  1. 대상 시스템의 복수의 센서로부터 입력받은 센서 데이터를 근거로 상기 대상 시스템의 상태를 진단하는 상태 진단 장치; 및
    상기 대상 시스템의 비정상 상태(Abnormal State) 진단 시, 비정상 상태 진단결과에 대한 각 센서의 관련도를 산출하는 원인 분석 장치;
    를 포함하는 대상 시스템의 상태 진단 및 원인 분석 시스템.
  2. 제1항에 있어서,
    상기 상태 진단 장치는 정상 상태(Normal State)에서 동작하는 대상 시스템의 센서 데이터와 비정상 상태에서 동작하는 대상 시스템의 센서 데이터의 양이 비대칭인 경우, 상기 입력받은 센서 데이터의 기 설정된 시간 이후의 센서 데이터를 예측하고, 상기 기 설정된 시간 이후에 상기 복수의 센서로부터 입력받은 센서 데이터를 상기 예측된 센서 데이터와 비교하여, 상기 대상 시스템의 비정상 상태를 진단하는 것을 특징으로 하는 대상 시스템의 상태 진단 및 원인 분석 시스템.
  3. 제1항에 있어서,
    상기 원인 분석 장치는, 정상 상태(Normal State)에서 동작하는 대상 시스템의 각 센서의 센서 데이터 변화량과 비정상 상태 진단 시 비정상 상태 신호 변화량간의 관계를 산출하여, 비정상 상태 진단에 대한 각 센서의 관련도를 출력하는 것을 특징으로 하는 대상 시스템의 상태 진단 및 원인 분석 시스템.
  4. 제1항에 있어서,
    상기 원인 분석 장치는 복수의 센서가 구비된 대상시스템의 비정상 상태(Abnormal State) 진단결과에 대한 각 센서의 관련도를 산출하는 관련도 산출부를 포함하고,
    상기 관련도 산출부는 정상 상태(Normal State)에서 동작하는 대상 시스템의 각 센서의 센서 데이터 변화량과 비정상 상태 진단 시 비정상 상태 신호 변화량간의 관계를 산출하여, 비정상 상태 진단에 대한 각 센서의 관련도를 출력하는 것을 특징으로 하는 대상 시스템의 상태 진단 및 원인 분석 시스템.
  5. 제4항에 있어서,
    상기 관련도 산출부는, 역전파(back propagation) 알고리즘, 인버스 필터링 중 적어도 하나를 이용하여 비정상 상태 진단에 대한 각 센서의 관련도를 출력하는 것을 특징으로 하는 대상 시스템의 상태 진단 및 원인 분석 시스템.
  6. 제1항에 있어서,
    상기 상태 진단 장치는, 대상 시스템의 복수의 센서로부터 입력받은 센서 데이터의 기 설정된 시간 이후의 센서 데이터를 예측하는 예측부; 및
    상기 기 설정된 시간 이후에 상기 복수의 센서로부터 입력받은 센서 데이터를 상기 예측된 센서 데이터와 비교하여, 상기 대상 시스템의 비정상 상태(Abnormal State)를 진단하는 비교부를 포함하는 것을 특징으로 하는 대상 시스템의 상태 진단 및 원인 분석 시스템.
  7. 상태 진단 장치가 대상 시스템의 복수의 센서로부터 입력받은 센서 데이터를 근거로 상기 대상 시스템의 상태를 진단하는 단계; 및
    원인 분석 장치가 상기 대상 시스템의 비정상 상태(Abnormal State) 진단 시, 비정상 상태 진단결과에 대한 각 센서의 관련도를 산출하는 단계;
    를 포함하는 대상 시스템의 상태 진단 및 원인 분석 방법.
  8. 제7항에 있어서,
    상기 상태 진단 장치는 정상 상태(Normal State)에서 동작하는 대상 시스템의 센서 데이터와 비정상 상태에서 동작하는 대상 시스템의 센서 데이터의 양이 비대칭인 경우, 상기 입력받은 센서 데이터의 기 설정된 시간 이후의 센서 데이터를 예측하고, 상기 기 설정된 시간 이후에 상기 복수의 센서로부터 입력받은 센서 데이터를 상기 예측된 센서 데이터와 비교하여, 상기 대상 시스템의 비정상 상태를 진단하는 것을 특징으로 하는 대상 시스템의 비정상 상태 원인 분석 방법.
  9. 제8항에 있어서,
    상기 원인 분석 장치는 정상 상태(Normal State)에서 동작하는 대상 시스템의 각 센서의 센서 데이터 변화량과 비정상 상태 진단 시 비정상 상태 신호 변화량간의 관계를 산출하여, 비정상 상태 진단에 대한 각 센서의 관련도를 산출하는 것을 특징으로 하는 대상 시스템의 상태 진단 및 원인 분석 방법.
  10. 제9항에 있어서,
    상기 관련도는 역전파(back propagation) 알고리즘, 인버스 필터링 중 적어도 하나를 이용하여 산출된 것을 특징으로 하는 대상 시스템의 상태 진단 및 원인 분석 방법.


KR1020170061210A 2017-05-17 2017-05-17 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법 KR101995026B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170061210A KR101995026B1 (ko) 2017-05-17 2017-05-17 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170061210A KR101995026B1 (ko) 2017-05-17 2017-05-17 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20180126311A true KR20180126311A (ko) 2018-11-27
KR101995026B1 KR101995026B1 (ko) 2019-09-30

Family

ID=64603379

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170061210A KR101995026B1 (ko) 2017-05-17 2017-05-17 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101995026B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021091094A1 (ko) * 2019-11-07 2021-05-14 한양대학교 산학협력단 인공지능과 사물인터넷 기반의 안전 및 생존 웨어러블 시스템을 위한 아키텍처 및 이를 구현하는 전자 장치 그리고 그의 동작 방법
KR102347168B1 (ko) * 2021-08-04 2022-01-04 백우민 다중 센서 데이터를 집적하는 센서 신호 집적 장치
KR20220013256A (ko) * 2020-07-24 2022-02-04 한국전자통신연구원 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012150820A (ja) * 2001-04-10 2012-08-09 Smartsignal Corp 予測的状態監視のための診断システムおよび方法
KR101677358B1 (ko) 2015-01-28 2016-11-18 주식회사 엑센솔루션 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법
KR101713985B1 (ko) * 2016-09-02 2017-03-09 에이블맥스(주) 예지 정비 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012150820A (ja) * 2001-04-10 2012-08-09 Smartsignal Corp 予測的状態監視のための診断システムおよび方法
KR101677358B1 (ko) 2015-01-28 2016-11-18 주식회사 엑센솔루션 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법
KR101713985B1 (ko) * 2016-09-02 2017-03-09 에이블맥스(주) 예지 정비 방법 및 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021091094A1 (ko) * 2019-11-07 2021-05-14 한양대학교 산학협력단 인공지능과 사물인터넷 기반의 안전 및 생존 웨어러블 시스템을 위한 아키텍처 및 이를 구현하는 전자 장치 그리고 그의 동작 방법
KR20220013256A (ko) * 2020-07-24 2022-02-04 한국전자통신연구원 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법 및 시스템
KR102347168B1 (ko) * 2021-08-04 2022-01-04 백우민 다중 센서 데이터를 집적하는 센서 신호 집적 장치

Also Published As

Publication number Publication date
KR101995026B1 (ko) 2019-09-30

Similar Documents

Publication Publication Date Title
Schlegel et al. Towards a rigorous evaluation of XAI methods on time series
CN109389241B (zh) 交通工具系统预测装置和用于交通工具系统预测的方法
US10977568B2 (en) Information processing apparatus, diagnosis method, and program
JP6585482B2 (ja) 機器診断装置及びシステム及び方法
JP2021509995A (ja) システムを制御する装置及び方法
US20150272509A1 (en) Diagnostic apparatus and method
KR20170125265A (ko) 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법
JP2017004509A (ja) 機械学習のための高度解析インフラストラクチャ
US20080086283A1 (en) Bayesian Sensor Estimation For Machine Condition Monitoring
JP7340265B2 (ja) 異常検出装置、異常検出方法、およびプログラム
US20200397346A1 (en) Annotation method, annotation device, storage medium, and identification system
Lo et al. Bond graph based Bayesian network for fault diagnosis
EP2277778A2 (en) Vehicle health management systems and methods with predicted diagnostic indicators
WO2013188326A1 (en) Discriminative hidden kalman filters for classification of streaming sensor data in condition monitoring
JP6655926B2 (ja) 異常診断システム
WO2018140337A1 (en) A unifying semi-supervised approach for machine condition monitoring and fault diagnosis
KR20180126311A (ko) 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법
US20200184373A1 (en) Recurrent Gaussian Mixture Model For Sensor State Estimation In Condition Monitoring
US10311404B1 (en) Software product development defect and issue prediction and diagnosis
RU2559401C1 (ru) Способ диагностирования технического состояния служебных систем летательного аппарата
JPWO2015037066A1 (ja) プラント事故時運転支援システム及びプラント事故時運転支援方法
US20230091197A1 (en) Automatic sensor trace validation using machine learning
EP4348527A1 (en) Unsupervised anomaly detection with self-trained classification
JP7433648B2 (ja) 異常検出方法
US11669082B2 (en) Online fault localization in industrial processes without utilizing a dynamic system model

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant