KR20190041836A - Apparatus and method for evaluating conditions of equipment - Google Patents
Apparatus and method for evaluating conditions of equipment Download PDFInfo
- Publication number
- KR20190041836A KR20190041836A KR1020170133565A KR20170133565A KR20190041836A KR 20190041836 A KR20190041836 A KR 20190041836A KR 1020170133565 A KR1020170133565 A KR 1020170133565A KR 20170133565 A KR20170133565 A KR 20170133565A KR 20190041836 A KR20190041836 A KR 20190041836A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- cluster
- facility
- unit
- state
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 238000007418 data mining Methods 0.000 claims abstract description 9
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 9
- 229910000831 Steel Inorganic materials 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—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
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
- G06Q50/06—Energy or water supply
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24069—Diagnostic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
Description
본 발명은 철강 공정과 관련된 정보를 수집하여 해석하고, 설비의 상태를 진단하는 설비 상태 평가 장치 및 방법을 제공한다.
The present invention provides an equipment status evaluation apparatus and method for collecting and analyzing information related to a steel process and diagnosing the condition of the equipment.
철강 제품을 생산하는 공장에는 다양한 설비들이 배치되어 있다. 이러한 설비에 문제가 발생할 경우, 생산되는 제품에 문제가 발생하거나, 생산이 불가능해지는 등의 문제가 발생한다. A variety of facilities are located in factories that produce steel products. If a problem arises in such a facility, a problem arises such that a problem occurs in the product to be produced or the production becomes impossible.
예를 들어, 현재 철강 시장에서는 고품질, 고장력, 고부가 가치 및 종래에 존재하지 않았던 물성 특성들의 제품들을 생산이 요구되고 있고 압연 공정을 위한 압연기들에 대한 부하가 증가되고 있다. 이러한 부하 증가로 인하여 압연기들의 설비 파단 등의 문제 발생이 증가하고 있다.For example, in the current steel market, there is a demand for production of high quality, high tensile strength, high value-added and non-existent properties products, and the load on rolling mills for the rolling process is increasing. Due to such load increase, problems such as facility breakage of rolling mills are increasing.
압연기의 상태를 평가하기 위한 종래의 장치들은 센서 기술에 의존적으로 구성되어 있다. 구체적으로, 종래의 장치들은 센서 신호, 제어 신호, 조업 신호를 수집한 후 신호의 크기나 주파수 정도만 분석한 후 표시하고, 사용자는 표시된 신호들을 근거로 압연기 상태를 주관적으로 판단하므로, 상태 판단의 정확도가 보장될 수 없다.
Prior art devices for evaluating the condition of a rolling mill are constructed dependent on sensor technology. Specifically, the conventional devices collect sensor signals, control signals, and operation signals, analyze only the magnitude and frequency of signals, and then display the signals. The user determines the state of the rolling mill on the basis of the displayed signals, Can not be guaranteed.
본 발명의 일 실시예에 따르면, 인공지능 기술을 이용하여 설비의 상태를 보다 효과적으로 평가할 수 있는 설비 상태 평가 장치 및 방법이 제공된다.
According to an embodiment of the present invention, there is provided an apparatus state evaluating apparatus and method capable of more effectively evaluating a state of a facility using artificial intelligence technology.
본 발명의 일 실시예에 따른 설비 상태 평가 장치는 설비의 상태, 조업, 및 제어에 대한 데이터를 실시간으로 수집하는 데이터 수집부; 상기 데이터에 대하여 통계적 기법을 적용하여 적어도 하나 이상의 지수를 산출하는 데이터 마이닝부; 상기 지수 중 하나 이상을 이용하여 상기 데이터를 군집화하고, 상기 군집화된 군집 데이터와 정상 상태 데이터를 비교하여 상기 군집 데이터를 평가하는 군집 평가부; 및상기 평가된 군집 데이터를 상태 수준에 따라 분류하는 군집 분류부를 포함한다.
A facility condition evaluation apparatus according to an embodiment of the present invention includes a data collection unit for collecting, in real time, data on the state, operation, and control of equipment; A data mining unit for calculating at least one index by applying a statistical technique to the data; A cluster evaluation unit for clustering the data using at least one of the indices, and for comparing the clustered cluster data with steady state data to evaluate the cluster data; And a cluster classifier for classifying the evaluated cluster data according to a state level.
또한, 본 발명의 일 실시예에 따른 설비 상태 평가 방법은 설비의 상태, 조업, 및 제어에 대한 데이터를 실시간으로 수집하는 단계; 상기 데이터에 대하여 통계적 기법을 적용하여 적어도 하나 이상의 지수를 산출하는 단계; 상기 지수 중 하나 이상을 이용하여 상기 데이터를 군집화하고, 상기 군집화된 군집 데이터와 정상 상태 데이터를 비교하여 상기 군집 데이터를 평가하는 단계; 상기 평가된 군집 데이터를 상태 수준에 따라 분류하는 단계를 포함한다.
According to another aspect of the present invention, there is provided a facility condition evaluation method, comprising: collecting, in real time, data on condition, operation, and control of a facility; Applying a statistical technique to the data to produce at least one index; Clustering the data using at least one of the indices, and comparing the clustered cluster data with steady state data to evaluate the cluster data; And classifying the evaluated cluster data according to the state level.
본 발명의 일 실시예에 따르면, 철강 공정에 이용되는 설비와 관련된 정보들, 예를 들면, 센서에 의해 수집된 정보, 설비 운영과 관련된 정보, 설비 자체의 특성과 관련된 정보를 종합적으로 수집하고 인공지능 기술을 이용하여 실시간으로 이상 상태를 평가할 수 있다.According to an embodiment of the present invention, it is possible to collect information related to the facilities used in the steel making process, for example, information collected by sensors, information related to facility operation, The intelligent technology can be used to evaluate anomalies in real time.
또한, 이러한 설비의 이상 상태에 대한 평가를 통해 설비의 폴트(fault) 및 깨짐(Breakage)과 같은 문제들을 예방할 수 있다.
In addition, an evaluation of the abnormal state of such facilities can prevent problems such as facility fault and breakage.
도 1은 본 발명의 일 실시예에 따른 설비 상태 평가 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 설비 상태 평가 장치가 수행하는 군집화를 예시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 설비 상태 평가 장치가 포함하는 신경망 알고리즘을 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 설비 상태 평가 방법의 흐름도이다.1 is a configuration diagram of an apparatus condition evaluation apparatus according to an embodiment of the present invention.
FIG. 2 is a diagram illustrating clustering performed by the equipment condition evaluating apparatus according to an embodiment of the present invention.
FIG. 3 is a diagram illustrating a neural network algorithm included in the equipment condition evaluating apparatus according to an embodiment of the present invention.
4 is a flowchart of a method of evaluating a facility condition according to an embodiment of the present invention.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다.The following detailed description of the invention refers to the accompanying drawings, which illustrate, by way of illustration, specific embodiments in which the invention may be practiced. It should be understood that the various embodiments of the present invention are different, but need not be mutually exclusive. The following detailed description is, therefore, not to be taken in a limiting sense, and the scope of the present invention is to be limited only by the appended claims, along with the full scope of equivalents to which such claims are entitled, if properly explained.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily carry out the present invention.
도 1은 본 발명의 일 실시예에 따른 설비 상태 평가 장치의 구성도이다.1 is a configuration diagram of an apparatus condition evaluation apparatus according to an embodiment of the present invention.
본 발명의 일 실시예에 따른 설비 상태 평가 장치는 철강 압연 공정을 위한 복수의 설비(예를 들어, 압연기들)에 대한 정보를 수집하고, 그 상태를 평가할 수 있다. 이를 위해, 본 발명의 일 실시예에 따른 설비 상태 평가 장치는 데이터 수집부(110), 데이터 마이닝부(120), 군집 평가부(130), 및 군집 분류부(140)를 포함한다. 또한, 상기 설비 상태 평가 장치는 이상 판별부(150)를 더 포함할 수 있다.
The equipment condition evaluating apparatus according to an embodiment of the present invention can collect information on a plurality of equipments (for example, rolling mills) for a steel rolling process and evaluate the condition thereof. To this end, the equipment condition evaluation apparatus according to an embodiment of the present invention includes a
본 발명의 일 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 예를 들어, '~부'는 마이크로프로세서 등의 하드웨어와 이에 탑재되어 기 정해진 동작을 수행하도록 프로그래밍된 소프트웨어의 결합으로 구현될 수 있다.
As used in one embodiment of the present invention, the term " part " refers to a hardware component such as software or an FPGA (field-programmable gate array) or an ASIC, and the 'part' performs certain roles. For example, '~' may be implemented as a combination of hardware, such as a microprocessor, and software programmed to perform the predetermined operation.
데이터 수집부(110)는 철강 공정에서의 설비 상태 해석을 위해, 센서 데이터(s_sen), 설정 데이터(i_set), 제어 데이터(i_con), 및 조업 데이터(i_work)를 실시간으로 수집한다. 예를 들어, 압연 공정에서의 압연기에 대한 데이터는 ms 단위로 수집될 수 있다. 이하, 상기 설비는 압연 공정에 배치되는 압연기로 가정하고 설명하나, 상기 설비가 압연기에 한정되는 것은 아니다.
The
상기 센서 데이터(s_sen)는 압연기의 상태 정보를 감지하기 위해 배치된 센서로부터 출력되는 센싱 신호일 수 있다. 상기 센서 신호는 압연기의 진동을 감지한 진동 신호일 수 있다.The sensor data s_sen may be a sensing signal outputted from a sensor arranged to sense the state information of the rolling mill. The sensor signal may be a vibration signal that senses the vibration of the rolling mill.
상기 제어 데이터(i_con)는 압연기를 제어하는 압연 제어 PLC(Programmable Logic Controller)로부터 입력되는 데이터로서, 압연기별 기계적 특성 및 물리적 특성을 나타낸다. 제어 데이터(i_con)는 압연기별 스피드, 압연기별 모터 전류, 압연기별 롤 포스, 압연기별 롤 갭, 압연기별 입측 및 출측의 텐션 정보, 압연기별 푸시 업 실린더 포지션, 워크롤 벤딩율, 및 IMR(Intermediate Rolle) 벤딩율 중 적어도 하나 이상에 대한 데이터를 포함할 수 있다.The control data (i_con) is data input from a rolling control PLC (Programmable Logic Controller) for controlling the rolling mill, and shows the mechanical characteristics and physical characteristics of each rolling mill. The control data (i_con) includes the speed data for each rolling mill, the motor current for each rolling mill, the roll force for each rolling mill, the roll gap for each rolling mill, the tension information for the input and output of each rolling mill, the push-up cylinder position for each rolling mill, Rolle < / RTI > bending < RTI ID = 0.0 > rate. ≪ / RTI >
상기 설정 데이터(i_set) 및 조업 데이터(i_work)는 압연 공정을 제어하는 컴퓨터로부터 입력되는 데이터로서, 압연 조업에 관한 정보들 및 압연기 셋업 정보들을 나타낸다. 설정 데이터(i_set) 및 조업 데이터(i_work)는 현재 생산 중인 코일 제품 번호, 강종 클래스 정보, 스트립 두께 및 넓이 기존 정보, 두께 셋업 정보, 제품 변형 저항 정보, Forward slip 정보, 및 제품의 항복점 정보 중 적어도 하나 이상에 대한 데이터를 포함할 수 있다.
The setting data (i_set) and the operation data (i_work) are data input from a computer that controls the rolling process, and represent information about the rolling operation and the rolling mill setup information. The setting data (i_set) and the operation data (i_work) include at least one of coil product number, steel type class information, strip thickness and width existing information, thickness setting information, product deformation resistance information, forward slip information, And may include data for more than one.
데이터 마이닝부(120)는 데이터 수집부(110)가 수집한 수집 데이터(Data)를 전달 받고, 상기 데이터에 대하여 통계적 기법을 적용하여 적어도 하나 이상의 지수(DMi)를 산출한다. 구체적으로, 데이터 수집부(110)가 실시간으로 수집한 데이터를 일정 시간 간격(예를 들면, 1초)으로 축적하고(stacking), 데이터 마이닝 처리 기법을 통해 1차적으로 처리한다. 상기 데이터 마이닝 처리 기법은 쌓여진 데이터에 대하여 상기 지수를 산출하는 기법이 될 수 있다. 상기 지수는 평균, 분산, 표준편차, 왜도(Skewness), 첨도(Kurtosis), 피크 투 피크(Peak-to-Peak)값, 크래스트 팩터(Crest Factor), 케이 팩터(K-Factor), 마할라노비스 거리(Mahalnobis Distance), 변동 계수 (Coefficient of Variance) 중 적어도 하나를 포함할 수 있다. 이하, 상기 지수는 데이터에 대하여 상술한 바와 같이 복수개가 될 수 있으므로 복수의 지수로 지칭하나, 하나의 지수를 포함하는 의미로 사용한다. The
군집 평가부(130)는 데이터 마이닝부(120)로부터 복수의 지수(DMi)와 상기 수집 데이터(Data)를 전달 받는다. 또한, 복수의 지수(DMi) 중 하나 이상을 이용하여 상기 수집 데이터(Data)를 군집화하고, 군집화된 군집 데이터와 정상 상태 데이터를 비교하여 군집 데이터를 평가한다. The
군집 평가부(130)는 상기 복수의 지수 중 하나 이상을 이용하여, 인공지능 기법 중 클러스터링 기법으로 수집 데이터(Data)를 군집화한다. 이때, 군집의 개수는 사용자가 정의할 수 있으며, 군집화는 마이닝부(120)가 산출한 복수의 지수(DMi)중 하나 이상을 이용하여 수행될 수 있다. 예를 들어, ms 단위로 수집된 압연기에 대한 데이터는 방대한 양이 축적될 수 있고, 상기 복수의 지수(DMi)를 이용하는 경우 복수의 지수(DMi)가 나타내는 데이터의 규칙성에 따라 상기 데이터를 보다 용이하게 분류할 수 있다, 즉, 복수의 지수(DMi)는 군집화의 기준으로 이용될 수 있다. 또한, 데이터에 포함된 노이즈가 군집화에 미치는 영향이 최소화될 수 있다. 예를 들어, 상기 군집화는 K-Means 알고리즘을 이용하여 수행될 수 있다. 상기 군집화에 대하여 도 2를 참조하여 다시 살펴보기로 한다.The
또한, 군집 평가부(130)는 군집화된 군집 데이터를 정상 상태 데이터와 비교하고, 군집 데이터가 정상 상태 데이터로부터 떨어진 표준 편차 기반 거리를 이용하여 상기 군집 데이터를 평가할 수 있다. 여기서, 상기 정상 상태 데이터(D_std)는 표준 데이터 베이스(135)로부터 군집 평가부(130)로 입력될 수 있다. 이러한 평가를 통해 군집 평가부(130)는 군집 데이터에 대하여 정상 및 이상 상태의 정도를 평가할 수 있다. In addition, the
이후, 군집 평가부(130)는 평가된 군집 데이터(D_eva)를 군집 분류부(140)로 출력한다. 또한, 군집 평가부(130)는 평가된 군집 데이터(D_eva)를 평가 데이터 베이스(145)로 출력할 수 있다
Then, the
군집 분류부(140)는 평가된 군집 데이터를 상태 수준에 따라 분류한다. 또한, 군집 분류부(140)는 평가된 군집 데이터를 분류함에 있어, 신경망 알고리즘을 이용할 수 있다. 예를 들어, 군집 분류부(140)는 군집 데이터를 인공지능 기법인 심층 신경망(Deep Neural Network: DNN)기법을 이용하여, 군집 데이터의 상태 수준을 분류(Classification)할 수 있다. The
상기 상태 수준은 정상 및 비정상 수준을 나타내는 복수의 등급으로 이루어진다. 이러한 복수의 등급은 설정 언어(예를들어, XML: Extensible Markup Language)를 이용하여 사용자에 의해 외부로부터 설정될 수 있다, 또한, 군집 분류부는 기설정된 복수의 등급을 학습하고 이를 기초로 군집 데이터의 정상 및 비정상 수준을 분류할 수 있다.The status level is comprised of a plurality of ratings indicating normal and abnormal levels. The plurality of classes may be set externally by a user using a setting language (for example, XML: Extensible Markup Language). Further, the cluster classifier may learn a plurality of predetermined classes, Normal and abnormal levels can be categorized.
한편, 평가된 군집 데이터(D_eva)는 평가 데이터 베이스(145)에 저장되고, 평가된 군집 데이터(D_eva)에 따라 상기 신경망 알고리즘이 포함하는 복수의 노드간의 연결 가중치(weight)가 갱신될 수 있다. 이러한 갱신 과정을 통해 군집 분류부(140)의 신경망 알고리즘은 이전의 평가 결과를 학습하여 현재의 분류 과정에 반영할 수 있다. 상기 신경망 알고리즘에 대하여 도 3을 참조하여 다시 살펴보기로 한다.
Meanwhile, the evaluated cluster data D_eva may be stored in the
이상 판별부(150)는 상기 분류된 군집 데이터들의 분류 분포비를 기초로 상기 압연기의 이상 여부를 확률적인 수치로 출력한다. 사용자는 상기 확률적인 수치를 기반으로 압연기의 현재 상태를 인식할 수 있으므로 신뢰성 있는 상태 판별이 가능하다.
The
이와 같이, 본 발명의 일 실시예에 따른 설비 상태 평가 장치는 철강 공정으로부터 실시간으로 수집되는 데이터를 다차적으로 처리 및 분석할 수 있는 환경을 제공할 수 있다. 또한, 이러한 처리 및 분석을 통하여 실시간으로 설비의 이상 상태를 평가할 수 있다
As described above, the facility condition evaluating apparatus according to an embodiment of the present invention can provide an environment for multi-step processing and analysis of data collected in real time from a steel process. In addition, through the processing and analysis, it is possible to evaluate an abnormal state of the equipment in real time
도 2는 본 발명의 일 실시예에 따른 설비 상태 평가 장치가 수행하는 군집화를 예시한 도면이다.FIG. 2 is a diagram illustrating clustering performed by the equipment condition evaluating apparatus according to an embodiment of the present invention.
군집 평가부(130, 도 1)는 수집 데이터(Data)를 전달 받고 이를 군집화할 수 있다. 이를 위해, 상기 군집 평가부는 군집화를 위해 K-Means 알고리즘을 이용할 수 있다. K-Means 알고리즘은 데이터를 k 개의 군집(A, B, C)으로 분할하고 분할된 군집마다 초기 중심값(c-a, c-b, c-c)을 설정하는데서 시작된다. 또한, 데이터와 상기 초기 중심값과의 공간적인 거리(예를들어, 유클리드 거리)를 비교하고 상기 거리가 가까운 초기 중심값에 데이터를 매칭하는 방식으로 데이터를 분류한다. 이후, 상기 분류된 데이터를 이용하여 각 군집의 중심값을 조정한다. 다음으로, 조정된 중심값을 기준으로 데이터들을 다시 분류하고 중심값을 조정하는 과정을 데이터의 분류에 변동이 없는 때까지 반복한다. 이러한 K-Means 알고리즘은 본 발명의 군집 평가부가 수행할 수 있는 군집화의 일 실시예이고 이에 한정되는 것은 아니다.
The cluster evaluation unit 130 (FIG. 1) may receive collected data (Data) and cluster them. To this end, the cluster evaluator may use a K-Means algorithm for clustering. The K-Means algorithm begins by dividing the data into k clusters (A, B, C) and setting the initial center values (ca, cb, cc) for each partitioned cluster. Also, the data is classified in such a manner that the spatial distance (for example, Euclidean distance) between the data and the initial center value is matched and the data is matched to the initial center value nearest to the distance. Then, the center value of each cluster is adjusted using the classified data. Next, the process of re-classifying the data based on the adjusted center value and adjusting the center value is repeated until there is no change in the classification of the data. This K-Means algorithm is an embodiment of the clustering which the cluster evaluation unit of the present invention can perform, and the present invention is not limited thereto.
도 3은 본 발명의 일 실시예에 따른 설비 상태 평가 장치가 포함하는 신경망 알고리즘을 예시한 도면이다.FIG. 3 is a diagram illustrating a neural network algorithm included in the equipment condition evaluating apparatus according to an embodiment of the present invention.
신경망 알고리즘은은 입출력에 따라 가변적인 연결 가중치를 가질 수 있으며, 상기 연결 가중치를 이용하여 현재의 입력 정보와 과거의 출력 정보로부터 현재의 출력 정보를 생성할 수 있다. 상기 과거의 출력 정보는 생명체의 단기 기억과 유사한 특성을 가질 수 있다. 즉, 신경망 알고리즘은 생명체가 장기 기억과 단기 기억을 이용하여 인식 및 판단하는 것과 유사한 원리로 설비 상태에 대한 인식 및 판단을 수행할 수 있다.The neural network algorithm can have a variable connection weight according to the input / output of the neural network, and can generate current output information from the current input information and the past output information using the connection weight. The past output information may have properties similar to short-term memory of living organisms. In other words, the neural network algorithm can perceive and judge the state of the equipment by a principle similar to the recognition and judgment of organisms by using long-term memory and short-term memory.
상기 신경망 알고리즘이 현재의 출력 정보를 생성하는 동안, 상기 연결 가중치를 결정하는 정보는 현재의 입력 정보와 과거의 출력 정보에 의해 갱신될 수 있다. 즉, 상기 신경망 알고리즘은 출력 정보를 출력할 때마다 상태 정보를 매개로 하여 생명체가 학습하는 것과 유사한 원리로 설비에 대한 인식 및 판단 방법을 학습할 수 있다.While the neural network algorithm is generating current output information, the information for determining the connection weights may be updated by the current input information and the past output information. That is, each time the neural network algorithm outputs the output information, the neural network algorithm can learn the recognition and determination method of the facility on the basis of the principle similar to the learning of living things through the state information.
신경망 알고리즘은 입력층, 은닉층, 및 출력층을 포함할 수 있다. 또한, 은닉층은 도 3에 도시한 바와 같이 복수의 레이어로 구성될 수 있다.The neural network algorithm may include an input layer, a hidden layer, and an output layer. Further, the hidden layer may be composed of a plurality of layers as shown in Fig.
입력층은 군집 데이터를 입력 받는 복수의 입력 노드를 포함한다. 은닉층은 상기 입력층의 출력 정보를 입력 받아 활성 함수에 따른 결과값을 출력하는 복수의 은닉 노드를 포함한다. 또한, 출력층은 상기 결과값을 입력받고 상태 수준 정보를 출력한다.The input layer includes a plurality of input nodes for receiving cluster data. The hidden layer includes a plurality of hidden nodes for receiving output information of the input layer and outputting a result according to an activation function. The output layer receives the resultant value and outputs status level information.
또한, 설계에 따라 설비 평가 장치는 현재 및 과거에 평가된 군집 데이터를 평가 데이터 베이스에 저장하고, 평가된 군집 데이터에 따라 상기 신경망 알고리즘의 복수의 노드들이 포함하는 연결 가중치를 갱신할 수 있다. 이러한 갱신 과정을 통해 신경망 알고리즘은 이전의 평가 결과를 학습하여 현재의 분류 과정에 반영할 수 있다.According to the design, the facility evaluation apparatus may store current and past evaluated cluster data in an evaluation database, and update the connection weights included in the plurality of nodes of the neural network algorithm according to the evaluated cluster data. Through the updating process, the neural network algorithm can learn the previous evaluation result and reflect it in the current classification process.
이에 따라, 본 발명의 일 실시 예에 따른 설비 상태 평가 장치는 압연 공정 내에서 지속적으로 인식, 판단 및 학습할 수 있다.Accordingly, the equipment condition evaluating apparatus according to an embodiment of the present invention can continuously recognize, judge and learn in the rolling process.
또한, 평가자의 주관적인 판단에 의해 평가의 일관성을 유지하지 못하는 문제가 해결될 수 있고 설비 상태 평가의 정확도가 향상될 수 있다.
In addition, the problem that the evaluator does not maintain the consistency of evaluation due to the subjective judgment can be solved, and the accuracy of the evaluation of the facility condition can be improved.
도 4는 본 발명의 일 실시예에 따른 설비 상태 평가 방법의 흐름도이다.4 is a flowchart of a method of evaluating a facility condition according to an embodiment of the present invention.
본 발명의 일 실시예에 따른 설비 상태 평가 방법은 설비의 상태, 조업, 및 제어에 대한 데이터를 실시간으로 수집하는 단계로부터 시작된다(S110). 다음으로, 상기 데이터에 대하여 통계적 기법을 적용하여 적어도 하나 이상의 지수가 산출된다(S120). 이후, 상기 데이터는 상기 지수 중 하나 이상을 이용하여 군집화되고, 상기 군집화된 군집 데이터는 정상 상태 데이터와 비교된 후 평가된다(S130). 또한, 상기 평가된 군집 데이터는 신경망 알고리즘을 이용하여 상태 수준에 따라 분류된다(S140).The facility condition evaluation method according to an embodiment of the present invention starts with a step of collecting data on the condition, operation, and control of the facility in real time (S110). Next, at least one exponent is calculated by applying a statistical technique to the data (S120). Thereafter, the data is clustered using at least one of the indexes, and the clustered cluster data is compared with the steady state data and then evaluated (S130). In addition, the evaluated cluster data is classified according to the state level using a neural network algorithm (S140).
마지막으로, 군집 데이터의 분류비를 기초로 설비의 이상 여부를 확률적인 수치가 출력되어 사용자에게 제공될 수 있다(S150).Finally, based on the classification ratio of the cluster data, a probabilistic numerical value of whether or not the facility is abnormal can be output to the user (S150).
본 발명의 일 실시예에 따른 설비 상태 평가 방법은 도 1 내지 도 3를 참조하여 상술한 설명으로부터 보다 자세히 이해될 수 있다.
A method of evaluating a facility condition according to an embodiment of the present invention can be understood in more detail from the above description with reference to Figs.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments, but, on the contrary, Those skilled in the art will appreciate that various modifications, additions and substitutions are possible, without departing from the scope and spirit of the invention as disclosed in the accompanying claims.
100: 설비 상태 평가 장치
110: 데이터 수집부
120: 데이터 마이닝부
130: 군집 평가부
140: 군집 분류부
150: 이상 판별부100: Equipment condition evaluation device
110: Data collecting unit
120: Data mining section
130:
140:
150: abnormal judgment section
Claims (9)
상기 데이터에 대하여 통계적 기법을 적용하여 적어도 하나 이상의 지수를 산출하는 데이터 마이닝부;
상기 지수 중 하나 이상을 이용하여 상기 데이터를 군집화하고, 상기 군집화된 군집 데이터와 정상 상태 데이터를 비교하여 상기 군집 데이터를 평가하는 군집 평가부; 및
상기 평가된 군집 데이터를 상태 수준에 따라 분류하는 군집 분류부;
를 포함하는 설비 상태 평가 장치.
A data collection unit for collecting data on the state, operation, and control of the facility in real time;
A data mining unit for calculating at least one index by applying a statistical technique to the data;
A cluster evaluation unit for clustering the data using at least one of the indices, and for comparing the clustered cluster data with steady state data to evaluate the cluster data; And
A cluster classifier for classifying the evaluated cluster data according to a state level;
And a facility state evaluating unit.
상기 분류된 군집 데이터들의 분류 분포비를 기초로 상기 설비의 이상 여부를 확률적인 수치로 출력하는 이상 판별부를 포함하는 설비 상태 평가 장치.
The method according to claim 1,
And an abnormality determination unit for outputting a probability value of abnormality of the facility based on the classification distribution ratio of the classified community data.
상기 군집 분류부의 상태 수준은 정상 및 비정상 수준을 나타내는 복수의 등급으로 이루어지고, 외부로부터 설정되거나 기설정된 복수의 등급으로부터 학습되는 설비 상태 평가 장치.
The method according to claim 1,
Wherein the state level of the cluster classifier is composed of a plurality of classes indicating normal and abnormal levels, and is learned from a plurality of classes set from outside or predetermined.
상기 지수는 상기 데이터에 대한 평균, 분산, 왜도, 첨도, 피크투피크(Peak-to-Peak)값, 크래스트 팩터, 마할라노비스 거리, 변동 계수 중 적어도 하나를 포함하는 설비 상태 평가 장치.
The method of claim 1, wherein
Wherein the index includes at least one of an average, a variance, a degree of distortion, a kurtosis, a Peak-to-Peak value, a Crash factor, a Mahalanobis distance and a variation coefficient for the data.
상기 군집 평가부는 상기 군집 데이터와 정상 상태 데이터 간의 표준 편차 기반 거리를 이용하여 상기 군집 데이터를 평가하는 설비 상태 평가 장치.
The method of claim 1, wherein
Wherein the cluster evaluation unit evaluates the cluster data using a standard deviation-based distance between the cluster data and the steady state data.
상기 군집 분류부는 상기 평가된 군집 데이터를 신경망 알고리즘을 이용하여 상태 수준에 따라 분류하는 설비 상태 평가 장치.
The method according to claim 1,
Wherein the cluster classification unit classifies the evaluated cluster data according to a state level using a neural network algorithm.
상기 군집 데이터를 입력받는 복수의 입력 노드를 포함하는 입력층;
상기 입력층의 출력 정보를 입력 받아 활성 함수에 따른 결과값을 출력하는 복수의 은닉 노드를 포함하는 은닉층; 및
상기 결과값을 입력받고 상태 수준 정보를 출력하는 출력층
을 포함하는 설비 상태 평가 장치.
7. The method of claim 6, wherein the neural network algorithm
An input layer including a plurality of input nodes for receiving the cluster data;
A hidden layer including a plurality of hidden nodes receiving output information of the input layer and outputting a result according to an activation function; And
An output layer for receiving the result value and outputting status level information
And a facility state evaluating unit.
상기 군집 평가부의 결과에 따라 상기 신경망 알고리즘이 포함하는 복수의 노드간의 연결 가중치가 갱신되는 설비 상태 평가 장치.
The method according to claim 6,
And a connection weight between a plurality of nodes included in the neural network algorithm is updated according to a result of the cluster evaluation unit.
상기 데이터에 대하여 통계적 기법을 적용하여 적어도 하나 이상의 지수를 산출하는 단계;
상기 지수 중 하나 이상을 이용하여 상기 데이터를 군집화하고, 상기 군집화된 군집 데이터와 정상 상태 데이터를 비교하여 상기 군집 데이터를 평가하는 단계; 및
상기 평가된 군집 데이터를 상태 수준에 따라 분류하는 단계
를 포함하는 설비 상태 평가 방법.
Collecting data on the status, operation, and control of the facility in real time;
Applying a statistical technique to the data to produce at least one index;
Clustering the data using at least one of the indices, and comparing the clustered cluster data with steady state data to evaluate the cluster data; And
Classifying the evaluated cluster data according to a state level
Wherein the facility condition evaluation method comprises:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170133565A KR102045626B1 (en) | 2017-10-13 | 2017-10-13 | Apparatus and method for evaluating conditions of equipment |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170133565A KR102045626B1 (en) | 2017-10-13 | 2017-10-13 | Apparatus and method for evaluating conditions of equipment |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190041836A true KR20190041836A (en) | 2019-04-23 |
| KR102045626B1 KR102045626B1 (en) | 2019-12-02 |
Family
ID=66285170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170133565A KR102045626B1 (en) | 2017-10-13 | 2017-10-13 | Apparatus and method for evaluating conditions of equipment |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102045626B1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220040737A (en) * | 2020-09-24 | 2022-03-31 | (주)아이준 | System for monitering abnormality judgment of machine tool and Method thereof |
| KR102483210B1 (en) * | 2021-08-10 | 2022-12-30 | 충북대학교 산학협력단 | Facility health index derivation system and facility health index derivation method by predicting the probability of manufacturing facility abnormality using xai |
| KR102613820B1 (en) * | 2022-11-03 | 2023-12-15 | (재)대구기계부품연구원 | Database generating system and method for deriving machining condition of machine tool |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100361168B1 (en) * | 2000-01-06 | 2002-11-18 | 이병래 | Neural network model with node-expansion learning |
| KR20120075657A (en) * | 2010-12-29 | 2012-07-09 | 재단법인 포항산업과학연구원 | Method for fault diagnosis of a measuring instrument |
| KR101696105B1 (en) | 2015-12-10 | 2017-01-24 | 주식회사 포스코 | Apparatus and Method for analyzing defect reason |
| KR20170104705A (en) * | 2016-03-07 | 2017-09-18 | 한국전자통신연구원 | System and method for diagnosing facility fault |
-
2017
- 2017-10-13 KR KR1020170133565A patent/KR102045626B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100361168B1 (en) * | 2000-01-06 | 2002-11-18 | 이병래 | Neural network model with node-expansion learning |
| KR20120075657A (en) * | 2010-12-29 | 2012-07-09 | 재단법인 포항산업과학연구원 | Method for fault diagnosis of a measuring instrument |
| KR101696105B1 (en) | 2015-12-10 | 2017-01-24 | 주식회사 포스코 | Apparatus and Method for analyzing defect reason |
| KR20170104705A (en) * | 2016-03-07 | 2017-09-18 | 한국전자통신연구원 | System and method for diagnosing facility fault |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220040737A (en) * | 2020-09-24 | 2022-03-31 | (주)아이준 | System for monitering abnormality judgment of machine tool and Method thereof |
| KR102483210B1 (en) * | 2021-08-10 | 2022-12-30 | 충북대학교 산학협력단 | Facility health index derivation system and facility health index derivation method by predicting the probability of manufacturing facility abnormality using xai |
| KR102613820B1 (en) * | 2022-11-03 | 2023-12-15 | (재)대구기계부품연구원 | Database generating system and method for deriving machining condition of machine tool |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102045626B1 (en) | 2019-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7017861B2 (en) | Anomaly detection system and anomaly detection method | |
| WO2021098634A1 (en) | Non-intrusive data analytics system for adaptive intelligent condition monitoring of lifts | |
| US8732100B2 (en) | Method and apparatus for event detection permitting per event adjustment of false alarm rate | |
| El-Midany et al. | A proposed framework for control chart pattern recognition in multivariate process using artificial neural networks | |
| Yang et al. | A control chart pattern recognition system using a statistical correlation coefficient method | |
| CN111860897A (en) | Abnormity detection method, device, equipment and computer readable storage medium | |
| KR101872342B1 (en) | Method and device for intelligent fault diagnosis using improved rtc(real-time contrasts) method | |
| CN109766930A (en) | A kind of method for predicting residual useful life of the mine machinery equipment based on DCNN model | |
| KR20190041836A (en) | Apparatus and method for evaluating conditions of equipment | |
| US20200311576A1 (en) | Time series data analysis method, time series data analysis apparatus, and non-transitory computer readable medium | |
| CN113762329A (en) | Method and system for constructing state prediction model of large rolling mill | |
| JP2013210945A (en) | Waveform analyzing device and waveform analyzing method | |
| US10761063B2 (en) | Apparatus and method for presuming abnormality occurrence for telescopic cover | |
| Khademi et al. | Fuzzy rules for fuzzy $\overline {X} $ and $ R $ control charts | |
| Cudney et al. | Applying the Mahalanobis–Taguchi system to vehicle handling | |
| CN114004331A (en) | Fault analysis method based on key indexes and deep learning | |
| CN114388135A (en) | Pregnant woman index data analysis method, device, equipment and readable storage medium | |
| Atashgar et al. | Monitoring multivariate profile data in plastic parts manufacturing industries: An intelligently data processing | |
| Wang et al. | An Empirical Study of Software Metrics Selection Using Support Vector Machine. | |
| CN108764290B (en) | Method and device for determining cause of model transaction and electronic equipment | |
| CN116720073A (en) | Abnormality detection extraction method and system based on classifier | |
| TW202210977A (en) | Abnormality detection device | |
| JP6587950B2 (en) | Program, apparatus, and method capable of detecting time series change point by scalar feature | |
| Pacella et al. | Understanding ART-based neural algorithms as statistical tools for manufacturing process quality control | |
| CN112912807A (en) | Abnormality diagnosis device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |