KR20190098484A - Ｃａｒｔ 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법 - Google Patents

Ｃａｒｔ 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법 Download PDF

Info

Publication number
KR20190098484A
KR20190098484A KR1020180018501A KR20180018501A KR20190098484A KR 20190098484 A KR20190098484 A KR 20190098484A KR 1020180018501 A KR1020180018501 A KR 1020180018501A KR 20180018501 A KR20180018501 A KR 20180018501A KR 20190098484 A KR20190098484 A KR 20190098484A
Authority
KR
South Korea
Prior art keywords
variable
tree
fault
failure
cart
Prior art date
Application number
KR1020180018501A
Other languages
English (en)
Other versions
KR102024829B1 (ko
Inventor
김성신
정영상
이한수
유정원
김종근
정승환
김민석
Original Assignee
부산대학교 산학협력단
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 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Priority to KR1020180018501A priority Critical patent/KR102024829B1/ko
Publication of KR20190098484A publication Critical patent/KR20190098484A/ko
Application granted granted Critical
Publication of KR102024829B1 publication Critical patent/KR102024829B1/ko

Links

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
    • G05B23/0259—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
    • 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
    • G05B23/0229—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 knowledge based, e.g. expert systems; genetic algorithms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 CART(Classification And Regression Tree) 알고리즘에 의해서 완성된 트리로부터 각 입력변수의 중요도 값을 계산하여 발생된 고장과 가장 밀접하게 관련된 변수를 식별할 수 있도록 한 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법에 관한 것으로, 정상 데이터 샘플과 고장 데이터 샘플의 데이터 수집이 이루어지면, 트리 구성을 위한 데이터 매트릭스 학습을 하는 데이터 매트릭스 학습부;각 터미널 노드에 속하는 샘플의 개수가 설정된 수가 되도록 노드분할을 반복적으로 적용하여 복수의 터미널 노드를 가지는 트리를 구성하는 트리 구성부;완성된 트리에 최소 복잡도 프루닝(minimal-cost complexity pruning) 방법을 루트 노드방향으로 적용하여, 터미널 노드의 개수가 감소하는 서브트리를 획득하는 프루닝 적용부;서브트리에 교차 검증(cross validation)을 적용하여 최종트리를 선택하는 최종 트리 선택부;선택된 최적의 트리로부터 각 입력변수의 중요도 값을 추출하는 중요도 추출부;중요도 값에 따라 변수의 우선순위를 정하는 랭킹 결정부; 및 랭킹 결정부의 우선순위에 따라 정상샘플과 고장샘플을 구분하기 위한 변수를 식별하는 변수 식별부;를 포함하는 것이다.

Description

ＣＡＲＴ 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법{System and Method for Fault Isolation in Industrial Processes using ＣＡＲＴ based variable ranking}
본 발명은 산업공정의 고장변수 식별에 관한 것으로, 구체적으로 CART(Classification And Regression Tree) 알고리즘에 의해서 완성된 트리로부터 각 입력변수의 중요도 값을 계산하여 발생된 고장과 가장 밀접하게 관련된 변수를 식별할 수 있도록 한 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법에 관한 것이다.
일반적으로 산업공정에서 발생하는 과거의 데이터들은 대부분 적은 수의 변수(variable)와 선형의 데이터 구조를 갖는 경우가 많았기 때문에 기존의 알고리즘으로도 충분한 예측/분류 결과를 획득할 수 있었다.
그러나 ICT 및 센서(sensor) 기술의 발달로 인하여 제조공정이나 유전공학 분야에서는 수백 수천에 달하는 변수를 가진 데이터들이 생성되기 시작하였다.
다양한 사례(instance)와 특성(feature)을 갖는 데이터의 클래스 라벨(class label)을 정확하게 예측하고 분류하는 다양한 트리(tree) 기반의 알고리즘들이 있지만, 변수가 증가할수록 예측 정확도가 떨어지는 경우가 많다.
특히, 화학 및 제조공정, 발전소와 같은 현대산업공정은, 비용을 절감하고, 이윤을 극대화하면서, 환경 및 안전과 관련된 규제를 충족하기 위한 다양한 노력들로 인해서, 갈수록 그 규모가 커지고, 복잡해지고 있다.
이러한 산업공정들에서, 적시에 정확하게 발생 가능한 고장을 탐지하고, 고장과 관련된 변수를 식별할 수 있는, 공정 모니터링의 중요성이 대상공정의 안전하고, 효율적이며, 경제적인 운영을 위해 갈수록 커지고 있다.
고장이란, 공정의 운전 중에 발생하는 비정상적인 이벤트로 정의된다.
이와 같은 고장탐지를 위해서 지금까지 매우 다양한 방법들이 제시되고 있다.
반면에 발생된 고장의 근본원인을 규명하기 위한, 고장변수식별이나 고장진단을 위한 방법은 그 중요성에도 불구하고, 상대적으로 많이 연구되지 않았다.
되묻음 효과(smearing effect)는 고장변수식별을 매우 어렵게 하는 주된 요인이다.
다수의 서로 상관된 모니터링 변수들 중에서, 고장발생에 공동으로 기여하는 변수조합을 정확히 식별해 내는 것은 상당히 힘든 작업이다.
따라서, 산업공정에서 발생하는 고장과 가장 밀접하게 관련된 변수를 정확하게 식별할 수 있도록 하기 위한 새로운 기술의 개발이 요구되고 있다.
대한민국 공개특허 제10-2012-0113394호 대한민국 등록특허 제10-1541150호 대한민국 등록특허 제10-1731626호
본 발명은 이와 같은 종래 기술의 고장변수 식별의 문제를 해결하기 위한 것으로, CART(Classification And Regression Tree) 알고리즘에 의해서 완성된 트리로부터 각 입력변수의 중요도 값을 계산하여 발생된 고장과 가장 밀접하게 관련된 변수를 식별할 수 있도록 한 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 CART(Classification And Regression Tree) 알고리즘 기반의 입력변수의 랭킹(ranking)을 이용한 고장변수 식별에 의해 복잡하고 비선형적인 산업공정의 고장을 적시에 정확하게 탐지하고 식별할 수 있도록 한 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 분류기 설계를 위한 학습데이터에 CART 알고리즘을 적용하여, 이진분류트리를 구성하고 완성된 트리로부터 입력변수의 중요도를 계산하여 고장변수 식별을 수행하여 안전하고 효율적이며, 경제적인 공정 운영이 가능하도록 한 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 전체고장구간에 대해서 고장효과에 가장 책임이 큰 변수를 식별하고, 시간창(time window)을 미끄러뜨리면서 고장이 어떻게 파급되고 진화되는지를 모니터링할 수 있도록 한 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 원 변수공간에서 결정 경계를 결정하는 CART에 기반하고 있어 고장변수 식별과정에서 되묻음 효과가 발생하지 않도록 하여 효율성을 높인 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 비모수(nonparametric) 기법인 CART 기반의 입력변수랭킹을 이용하는 것에 의해 비선형공정에서의 고장변수를 식별하는 작업이 가능하여 정상샘플과 고장샘플을 선형적으로 분리하는 것이 불가능할 경우에도, 적절히 고장변수를 식별할 수 있도록 한 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
이와 같은 목적을 달성하기 위한 본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치는 정상 데이터 샘플과 고장 데이터 샘플의 데이터 수집이 이루어지면, 트리 구성을 위한 데이터 매트릭스 학습을 하는 데이터 매트릭스 학습부;각 터미널 노드에 속하는 샘플의 개수가 설정된 수가 되도록 노드분할을 반복적으로 적용하여 복수의 터미널 노드를 가지는 트리를 구성하는 트리 구성부;완성된 트리에 최소 복잡도 프루닝(minimal-cost complexity pruning) 방법을 루트 노드방향으로 적용하여, 터미널 노드의 개수가 감소하는 서브트리를 획득하는 프루닝 적용부;서브트리에 교차 검증(cross validation)을 적용하여 최종트리를 선택하는 최종 트리 선택부;선택된 최적의 트리로부터 각 입력변수의 중요도 값을 추출하는 중요도 추출부;중요도 값에 따라 변수의 우선순위를 정하는 랭킹 결정부; 및 랭킹 결정부의 우선순위에 따라 정상샘플과 고장샘플을 구분하기 위한 변수를 식별하는 변수 식별부;를 포함하는 것을 특징으로 한다.
다른 목적을 달성하기 위한 본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 방법은 정상 데이터 샘플과 고장 데이터 샘플을 수집하여 클래스를 할당하여 트리 구성을 위한 데이터 매트릭스 학습을 하는 단계;각 터미널 노드에 속하는 샘플의 개수가 매우 작아질 때까지 노드분할을 반복적으로 적용하여 매우 많은 수의 터미널 노드를 가지는 트리를 구성하는 단계;완성된 트리에 최소 복잡도 프루닝(minimal-cost complexity pruning) 기법을 루트 노드방향으로 적용하여, 터미널 노드의 개수가 감소하는 서브트리를 획득하는 단계;서브트리에 교차 검증(cross validation)을 적용하여 최적의 터미널 노드의 개수를 갖는 최종트리를 선택하고, 선택된 최적의 트리로부터 각 입력변수의 중요도 값을 추출하는 단계;중요도 값에 따라 변수의 우선순위를 정하고, 우선순위에 따라 정상샘플과 고장샘플을 구분하는데 가장 중요도가 높은 변수를 식별하는 단계;를 포함하는 것을 특징으로 한다.
이와 같은 본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법은 다음과 같은 효과를 갖는다.
첫째, CART(Classification And Regression Tree) 알고리즘에 의해서 완성된 트리로부터 각 입력변수의 중요도 값을 계산하여 발생된 고장과 가장 밀접하게 관련된 변수를 식별할 수 있도록 한다.
둘째, CART(Classification And Regression Tree) 알고리즘 기반의 입력변수의 랭킹(ranking)을 이용한 고장변수 식별에 의해 복잡하고 비선형적인 산업공정의 고장을 적시에 정확하게 탐지하고 식별할 수 있다.
셋째, 분류기 설계를 위한 학습데이터에 CART 알고리즘을 적용하여, 이진분류트리를 구성하고 완성된 트리로부터 입력변수의 중요도를 계산하여 고장변수 식별을 수행하여 안전하고 효율적이며, 경제적인 공정 운영이 가능하도록 한다.
넷째, 전체고장구간에 대해서 고장효과에 가장 책임이 큰 변수를 식별하고, 시간창(time window)을 미끄러뜨리면서 고장이 어떻게 파급되고 진화되는지를 모니터링할 수 있다.
다섯째, 원 변수공간에서 결정 경계를 결정하는 CART에 기반하고 있어 고장변수 식별과정에서 되묻음 효과가 발생하지 않도록 하여 산업공정의 고장변수 식별의 효율성을 높인다.
여섯째, 비모수(nonparametric) 기법인 CART 기반의 입력변수랭킹을 이용하는 것에 의해 비선형공정에서의 고장변수를 식별하는 작업이 가능하여 정상샘플과 고장샘플을 선형적으로 분리하는 것이 불가능할 경우에도, 적절히 고장변수를 식별할 수 있다.
일곱째, 비모수(nonparametric) 기법인 CART 기반의 입력변수랭킹을 이용하는 것에 의해 과거의 고장데이터 및 고장에 대한 사전지식 역시 필요로 하지 않는다.
도 1은 산업 공정 모니터링 과정을 나타낸 구성도
도 2는 CART 알고리즘에 의해서 완성된 이진트리(왼쪽그림)와 완성된 이진트리에 의한 입력공간의 분할(오른쪽그림)에 대한 일 예를 나타낸 구성도
도 3a는 본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치의 구성도
도 3b는 본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 방법을 나타낸 플로우 차트
도 4는 CART 기반의 입력변수 랭킹을 이용한 고장변수 식별 방법을 나타낸 구성도
이하, 본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법의 바람직한 실시 예에 관하여 상세히 설명하면 다음과 같다.
본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법의 특징 및 이점들은 이하에서의 각 실시 예에 대한 상세한 설명을 통해 명백해질 것이다.
도 1은 산업 공정 모니터링 과정을 나타낸 구성도이다.
본 발명은 CART(classification and regression tree) 기반의 입력변수의 랭킹(ranking)을 이용한 고장변수식별 방법에 관한 것으로, 정상 데이터 샘플과 고장 데이터 샘플로 구성된, 분류기 설계를 위한 학습데이터에 CART 알고리즘을 적용하여, 이진분류트리를 구성한 후, 완성된 트리로부터 입력변수의 중요도를 계산하여 고장변수 식별을 수행하는 것이다.
이를 위하여, 각 터미널 노드에 속하는 샘플의 개수가 매우 작아질 때까지 노드분할을 반복적으로 적용하고, 완성된 트리에 최소 복잡도 프루닝(minimal-cost complexity pruning) 기법을 루트 노드방향으로 적용하여, 터미널 노드의 개수가 감소하는 서브트리를 획득하는 구성을 포함할 수 있다.
본 발명은 각 입력변수의 중요도 값을 추출한 후, 변수의 우선순위를 정해서 정상샘플과 고장샘플을 구분하는 변수를 식별하는 구성을 포함할 수 있다.
이와 같은 본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법을 적용하기 위한 산업공정에서의 모니터링 과정은 도 1에서와 같다.
공정 모니터링은 다음의 4 단계를 거쳐서 수행된다.
고장탐지(fault detection)(10)는 대상공정에서 발생 가능한 고장이 생겼는지 여부를 판단하는 단계이다. 공정고장을 조기에 탐지하는 것은, 발달하고 있는 비정상적인 이벤트가 더 심각한 공정고장으로 이어지지 않도록, 운전원이 사전조치를 취할 수 있게 한다.
고장변수식별(fault isolation)(20)은 탐지된 고장과 밀접하게 관련된, 고장변수를 식별한다. 고장변수의 식별결과는 공정 운영자와 공학자가 고장을 정확하게 진단할 수 있도록 한다.
고장진단(fault diagnosis)(30)은 어떤 유형의 고장이 일어났는지를 확인하는 단계로, 탐지된 고장의 근본 원인/근원을 규명한다.
공정복구(process recovery)(40)는 공정 모니터링 절차의 마지막 단계로, 발생된 비정상 이벤트의 효과를 제거하여 시스템을 복원한다.
본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법을 구체적으로 설명하면 다음과 같다.
도 2는 CART 알고리즘에 의해서 완성된 이진트리(왼쪽그림)와 완성된 이진트리에 의한 입력공간의 분할(오른쪽그림)에 대한 일 예를 나타낸 구성도이다.
그리고 도 3은 본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 방법을 나타낸 플로우 차트이고, 도 4는 CART 기반의 입력변수 랭킹을 이용한 고장변수 식별 방법을 나타낸 구성도이다.
도 2와 같이, CART는 주어진 학습데이터 샘플들을, 반복적으로 여러 개의 부분집합들로 나누어, 이진트리를 구성하는 방법이다.
CART에 의해서, 전체 입력공간은 서로 배타적인, 직사각형의 영역들로 분할된다.
완성된 이진트리에서, 자식노드를 가지지 않는 노드를 터미널노드 또는 외부노드로 명명한다. 터미널 노드를 제외한 나머지 노드를 내부노드라고 정의하며, 그들은 2개의 자식노드를 가진다.
내부노드 중에서 최상위에 위치하고 있는 노드를 특별히 루트노드라고 명명한다.
분류트리(classification tree)의 경우, 각 터미널 노드에는 여러 개의 클래스 중에서, 하나의 클래스가 할당된다.
만약, 최종트리의 모든 내부노드에서, 특정 변수에 대한 분할이 전혀 수행되지 않았다면, 그 변수를 분류작업을 위해서 쓸모없는 변수라고 판단할 수도 있다.
하지만, 그 변수가 분류작업에 미치는 영향이 다른 변수에 의해서 방해되고 있다면, 이것은 완성된 트리에 대한 잘못된 해석이다.
비록 어떤 변수에 대한 분할이 최종트리에서는 나타나지 않을지라도, 그 변수의 중요성은 높을 수도 있으며, 이는 앞서 설명한 방해(masking)가 생겼다는 증거이다.
CART 유저들에게, 어떤 변수들이 분류를 위해서 가장 중요하며, 입력변수들의 중요도에 대한 순위를 결정하는 것은 매우 빈번한 의문이다.
도 3a는 본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치의 구성도이다.
본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치는 도 3a에서와 같이, 정상 데이터 샘플과 고장 데이터 샘플을 수집하는 데이터 수집부(31)와, 데이터 수집이 이루어지면 정상샘플에는 '정상' 클래스를 할당하고, 고장샘플에는 '비정상' 클래스를 할당하여 트리 구성을 위한 데이터 매트릭스 학습을 하는 데이터 매트릭스 학습부(32)와, 각 터미널 노드에 속하는 샘플의 개수가 매우 작아질 때까지 노드분할을 반복적으로 적용하여 매우 많은 수의 터미널 노드를 가지는 트리를 구성하는 트리 구성부(33)와, 완성된 트리에 최소 복잡도 프루닝(minimal-cost complexity pruning) 기법을 루트 노드방향으로 적용하여, 터미널 노드의 개수가 감소하는 서브트리를 획득하는 프루닝 적용부(34)와, 서브트리에 교차 검증(cross validation)을 적용하여 최적의 터미널 노드의 개수를 갖는 최종트리를 선택하는 최종 트리 선택부(35)와, 선택된 최적의 트리로부터 각 입력변수의 중요도 값을 추출하는 중요도 추출부(36)와, 중요도 값에 따라 변수의 우선순위를 정하는 랭킹 결정부(37)와, 랭킹 결정부(37)의 우선순위에 따라 정상샘플과 고장샘플을 구분하는데 가장 중요한 변수를 식별하는 변수 식별부(38)를 포함한다.
도 3b는 본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 방법을 나타낸 플로우 차트이다.
본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 방법은 도 3b에서와 같이, 먼저 정상 데이터 샘플과 고장 데이터 샘플을 수집한다.(S301)
정상 데이터 샘플은 대상 시스템이 정상적으로 동작할 때 수집된 데이터 샘플들을 의미한다. 고장 데이터 샘플은 대상 시스템에 이상이 생겼을 경우에 수집된 데이터 샘플을 의미한다.
각 데이터 샘플은 대상 시스템에서 계측되는 공정변수들로 구성된다.
데이터 수집이 이루어지면 정상샘플에는 '정상' 클래스를 할당하고, 고장샘플에는 '비정상' 클래스를 할당하여 트리 구성을 위한 데이터 매트릭스 학습을 하고(S302), 각 터미널 노드에 속하는 샘플의 개수가 매우 작아질 때까지 노드분할을 반복적으로 적용하여 매우 많은 수의 터미널 노드를 가지는 트리를 구성한다.(S303)
이어, 완성된 트리에 최소 복잡도 프루닝(minimal-cost complexity pruning) 기법을 루트 노드방향으로 적용하여, 터미널 노드의 개수가 감소하는 서브트리를 획득한다.(S304)
그리고 서브트리에 교차 검증(cross validation)을 적용하여 최적의 터미널 노드의 개수를 갖는 최종트리를 선택하고(S305), 선택된 최적의 트리로부터 각 입력변수의 중요도 값을 추출한다.(S306)
이어, 중요도 값에 따라 변수의 우선순위를 정하고(S307), 우선순위에 따라 정상샘플과 고장샘플을 구분하는데 가장 중요한 변수를 식별한다.(S308)
이와 같이 고장변수를 식별하는 이유는, 확인된 고장구간에서 어떤 변수가 발생된 고장에 가장 큰 책임이 있는지를 확인하고, 플랜트 운영자나 엔지니어가 고장유형을 적절하게 판단할 수 있도록 하기 위한 것이다.
본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법에서는 고장변수 식별을 위해서 다음과 같은 접근방법을 사용한다.
첫 번째 접근방법에서는, 전체 고장구간에서, 각 변수가 얼마만큼 발생된 고장에 대해 기여하는지를 확인한다.
두 번째 접근방법에서는, 시간이 지남에 따라, 고장이 어떻게 진화하고 파급되는지를 확인하기 위해서 윈도우 슬라이딩(window sliding)을 이용한다.
첫 번째 접근방법은, 발생된 고장효과를 오프라인으로 사후분석하는데 사용하고, 두 번째 접근방법은 온라인으로 발생된 고장의 진화 및 전파 매커니즘을 분석하는데 사용될 수 있다.
도 4의 (a)는 첫 번째 접근방법을 나타낸 것으로, 먼저 정상데이터 행렬
Figure pat00001
과 고장데이터 행렬
Figure pat00002
를 구성할, 정상샘플
Figure pat00003
과 고장샘플
Figure pat00004
을 각각 선별한다.
여기서, 정상샘플은 대상공정이 정상일 때 수집된 샘플들에 해당하며, 고장샘플은 고장구간에서의 데이터 샘플들에 해당한다.
그런 다음, 정상데이터행렬과 고장데이터행렬을 결합하여, 분류트리를 구성하기 위한 학습데이터 행렬
Figure pat00005
를 준비한다.
행렬
Figure pat00006
의 마지막 열 성분에는, 해당샘플이 정상인지 비정상인지에 따라, 'normal' 클래스 또는 'abnormal' 클래스가 각각 할당된다.
마지막으로, 학습데이터 행렬
Figure pat00007
를 이용하여 분류트리를 구성한 후, 각 변수의 중요도를 계산한다.
계산된 중요도 값이 높은 변수들은 입력공간에서, 정상샘플과 고장샘플을 분류하기 위해서 중요한 변수들이다. 즉, 클래스를 구분하기 위한 설명력이 높은 변수들이다.
정상변수들의 경우, 학습영역과 고장영역에서의 행동이 서로 비슷하여, 변수 중요도 값이 낮을 것이다.
반면, 고장변수의 경우, 두 영역에서의 행동 특성이 서로 상이하기 때문에, 변수 중요도 값이 클 것이다. 이 접근방법에서는, 높은 중요도 값을 가지는 모니터링 변수를 고장변수로 식별한다.
그리고 고장이 발생된 시점부터 고장의 효과가 끝나는 시점까지, 고장이 어떻게 진화하고 파급되는지를 알기 위하여 다음과 같은 두 번째 접근방법을 적용할 수 있다.
도 4의 (b)는 두 번째 접근 방법을 나타낸 것으로, 크기가
Figure pat00008
인 시간 창을
Figure pat00009
부터
Figure pat00010
까지 미끄러뜨리면서, 변수 중요도 값의 계산을 반복한다.
두 번째 접근방법의 첫 번째 접근방법과의 차이점은, 고장데이터 행렬을 구성할
Figure pat00011
개의 고장샘플이 시간창이 미끄러져감에 따라 시시각각 변한다는 점이다.
변수 중요도를 계산하기 위한 나머지 과정들은, 첫 번째 접근방법과 모두 동일하다.
예를 들어, 시간
Figure pat00012
에서의 고장데이터 행렬은 고장샘플
Figure pat00013
,...,
Figure pat00014
로 구성되며, 시간
Figure pat00015
에서의 고장데이터 행렬은 고장샘플
Figure pat00016
로 구성된다.
윈도우 슬라이딩을
Figure pat00017
부터
Figure pat00018
까지 수행하여 계산된 변수 중요도 값들은, 발생된 고장의 진화 또는 파급효과를 적절히 모니터링 할 수 있도록 해준다.
그리고 터미널 노드의 개수가 너무 많은 트리는 주어진 학습데이터에 대해서만 매우 높은 정확도를 보이고, 학습데이터로 사용되지 않은 데이터에 대해서는 낮은 정확도를 보일 수 있다.
이와 달리, 터미널 노드의 개수가 너무 적으면, 해당 트리는 주어진 학습데이터의 성질을 정확히 포착하지 못할 수도 있다.
트리 알고리즘에서, 최적의 터미널 노드의 개수를 선정하는 작업은 매우 중요하다.
본 발명에서 최소 복잡도 프루닝(minimal-cost complexity pruning) 방법 적용시에는 트리의 복잡도(complexity)와 오분류 오차(misclassification cost)를 동시에 고려하여, 터미널 노드의 개수가 감소하는 서브트리의 시퀀스(sequence)
Figure pat00019
를 얻는다.
여기서,
Figure pat00020
는 초기에 구성된, 매우 많은 수의 터미널노드로 구성된 트리이다. 서브트리
Figure pat00021
은
Figure pat00022
에 포함되고, 서브트리
Figure pat00023
는
Figure pat00024
에 포함된다.
서브트리
Figure pat00025
에서 오른쪽 방향으로 갈수록 해당트리의 터미널노드의 개수는 감소한다. 트리의 불필요한 터미널 노드를 선택적으로 가지치기하기 위해서, cost-complexity measure
Figure pat00026
가 사용한다.
여기서,
Figure pat00027
는 '오분류 오차'이고,
Figure pat00028
는 트리의 '복잡도' 인 트리 T의 터미널 노드의 개수이다. 위에서 얻어진 서브트리
Figure pat00029
중에서 최적의 트리는 교차검증법(cross-validation)에 의해서 최종적으로 선택된다.
이상에서 설명한 본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법은 고장변수식별의 최대 걸림돌인 되묻음 효과로부터 제한을 받지 않는다.
본 발명은 고장의 크기가 커질수록, 되묻음현상 없이, 명확하게 고장변수를 식별할 수 있고, 정상샘플과 고장샘플을 구분하기 위해 설명력이 높은 입력변수들을 고장변수로 식별한다. 원 입력공간에서의 결정경계를 설정하는 분류트리에 기반하여, 고장변수의 식별이 이루어지므로, 되묻음 효과가 발생하지 않는다.
또한, 본 발명은 비선형공정의 고장변수도 적절히 식별할 수 있다.
보통 대상공정의 선형성을 가정한 방법은, 비선형공정의 고장을 탐지하거나 식별하기에 부적합하다. 비모수기법인 CART에 기반한 본 발명은 명확하게 비선형 공정의 고장변수를 식별할 수 있고, 정상샘플과 고장샘플이 선형적으로 분류가 불가능한 경우에도 고장변수를 성공적으로 식별할 수 있다.
이상에서 설명한 본 발명에 따른 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법은 CART(Classification And Regression Tree) 알고리즘에 의해서 완성된 트리로부터 각 입력변수의 중요도 값을 계산하여 발생된 고장과 가장 밀접하게 관련된 변수를 식별할 수 있도록 한 것이다.
CART 알고리즘은 분할정복 매커니즘에 기반하여, 반복적으로 전체 입력공간을 분할하여, 이진트리를 구성한다. 다변량 데이터를 효율적으로 다룰 수 있고, 완성된 트리구조가 매우 직관적이라는 장점 때문에, CART 알고리즘은 데이터마이닝이 필요한 다양한 분야에서 매우 성공적으로 적용되어왔다.
본 발명은 고장샘플과 정상샘플로 구성된, 분류기 설계를 위한 학습데이터에 CART 알고리즘을 적용하여 이진분류트리를 구성한 후, 최종트리로부터 각 입력변수의 중요도 값을 계산하여 입력변수랭킹을 수행한다.
이와 같은 비모수(nonparametric) 기법인 CART 기반의 입력변수랭킹은, 대상공정의 선형적인 특성을 가정하고 있는 고장변수식별기법을 적용하기에는 부적절한, 비선형공정에서의 고장변수를 식별하는 작업에 적합하다.
특히, 정상샘플과 고장샘플을 선형적으로 분리하는 것이 불가능할 경우에도, 적절히 고장변수를 식별할 수 있다. 무엇보다, 제안된 고장변수식별 방법은 원 변수공간에서 결정 경계를 결정하는 CART에 기반하고 있기 때문에, 되묻음 효과가 발생하지 않는다는 커다란 이점이 있다.
이상에서의 설명에서와 같이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명이 구현되어 있음을 이해할 수 있을 것이다.
그러므로 명시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 본 발명의 범위는 전술한 설명이 아니라 특허청구 범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
31. 데이터 수집부 32. 데이터 매트릭스 학습부
33. 트리 구성부 34. 프루닝 적용부
35. 최종 트리 선택부 36. 중요도 추출부
37. 랭킹 결정부 38. 변수 식별부

Claims (9)

  1. 정상 데이터 샘플과 고장 데이터 샘플의 데이터 수집이 이루어지면, 트리 구성을 위한 데이터 매트릭스 학습을 하는 데이터 매트릭스 학습부;
    각 터미널 노드에 속하는 샘플의 개수가 설정된 수가 되도록 노드분할을 반복적으로 적용하여 복수의 터미널 노드를 가지는 트리를 구성하는 트리 구성부;
    완성된 트리에 최소 복잡도 프루닝(minimal-cost complexity pruning) 방법을 루트 노드방향으로 적용하여, 터미널 노드의 개수가 감소하는 서브트리를 획득하는 프루닝 적용부;
    서브트리에 교차 검증(cross validation)을 적용하여 최종트리를 선택하는 최종 트리 선택부;
    선택된 최적의 트리로부터 각 입력변수의 중요도 값을 추출하는 중요도 추출부;
    중요도 값에 따라 변수의 우선순위를 정하는 랭킹 결정부; 및 랭킹 결정부의 우선순위에 따라 정상샘플과 고장샘플을 구분하기 위한 변수를 식별하는 변수 식별부;를 포함하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치.
  2. 제 1 항에 있어서, 데이터 매트릭스 학습부는,
    정상 데이터 샘플과 고장 데이터 샘플의 데이터 수집이 이루어지면, 정상샘플에는 '정상' 클래스를 할당하고, 고장샘플에는 '비정상' 클래스를 할당하여 트리 구성을 위한 데이터 매트릭스 학습을 하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치.
  3. 제 2 항에 있어서, 정상 데이터 샘플은 대상 시스템이 정상적으로 동작할 때 수집된 데이터 샘플들이고, 고장 데이터 샘플은 대상 시스템에 이상이 생겼을 경우에 수집된 데이터 샘플이고, 각 데이터 샘플은 대상 시스템에서 계측되는 공정변수들로 구성되는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치.
  4. 제 1 항에 있어서, 변수 식별부에서 고장변수 식별을 위하여,
    전체 고장구간에서 각 변수가 얼마만큼 발생된 고장에 대해 기여하는지를 확인하여 발생된 고장효과를 오프라인으로 사후분석하는데 사용할 수 있도록 하는 제 1 접근방법과,
    시간이 지남에 따라, 고장이 어떻게 진화하고 파급되는지를 확인하기 위해서 윈도우 슬라이딩(window sliding)을 이용하여 온라인으로 발생된 고장의 진화 및 전파 매커니즘을 분석하는데 사용될 수 있도록 하는 제 2 접근방법을 사용하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치.
  5. 제 4 항에 있어서, 제 1 접근 방법은,
    정상데이터 행렬
    Figure pat00030
    과 고장데이터 행렬
    Figure pat00031
    를 구성할, 정상샘플
    Figure pat00032
    과 고장샘플
    Figure pat00033
    을 각각 선별하고,
    정상데이터 행렬과 고장데이터 행렬을 결합하여, 분류트리를 구성하기 위한 학습데이터 행렬
    Figure pat00034
    를 준비하여 행렬
    Figure pat00035
    의 마지막 열 성분에는, 해당샘플이 정상인지 비정상인지에 따라, 'normal' 클래스 또는 'abnormal' 클래스를 각각 할당하고,
    학습데이터 행렬
    Figure pat00036
    를 이용하여 분류트리를 구성한 후, 각 변수의 중요도를 계산하여 고장변수 식별을 하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치.
  6. 제 4 항에 있어서, 제 2 접근 방법은,
    크기가
    Figure pat00037
    인 시간 창을
    Figure pat00038
    부터
    Figure pat00039
    까지 미끄러뜨리면서, 변수 중요도 값의 계산을 반복하는 것으로,
    시간
    Figure pat00040
    에서의 고장데이터 행렬은 고장샘플
    Figure pat00041
    ,...,
    Figure pat00042
    로 구성되며, 시간
    Figure pat00043
    에서의 고장데이터 행렬은 고장샘플
    Figure pat00044
    로 구성되고,
    윈도우 슬라이딩을
    Figure pat00045
    부터
    Figure pat00046
    까지 수행하여 계산된 변수 중요도 값들이 고장데이터 행렬을 구성할
    Figure pat00047
    개의 고장샘플이 시간창이 미끄러져감에 따라 시시각각 변하는 것을 이용하여 발생된 고장의 진화 또는 파급효과를 모니터링 할 수 있도록 하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치.
  7. 제 1 항에 있어서, 프루닝 적용부는 최적의 터미널 노드의 개수를 선정하기 위하여,
    최소 복잡도 프루닝(minimal-cost complexity pruning) 방법 적용시에 트리의 복잡도(complexity)와 오분류 오차(misclassification cost)를 동시에 고려하여, 터미널 노드의 개수가 감소하는 서브트리의 시퀀스(sequence)
    Figure pat00048
    를 얻고,
    서브트리
    Figure pat00049
    에서 오른쪽 방향으로 갈수록 해당트리의 터미널노드의 개수는 감소하고, 트리의 터미널 노드를 선택적으로 가지치기하기 위해서, cost-complexity measure
    Figure pat00050
    가 사용하고,
    여기서,
    Figure pat00051
    는 초기에 구성된 트리이고 서브트리
    Figure pat00052
    은
    Figure pat00053
    에 포함되고, 서브트리
    Figure pat00054
    는
    Figure pat00055
    에 포함되고,
    Figure pat00056
    는 '오분류 오차'이고,
    Figure pat00057
    는 트리의 '복잡도' 인 트리 T의 터미널 노드의 개수이고,
    얻어진 서브트리
    Figure pat00058
    중에서 최적의 트리를 교차검증법(cross-validation)에 의해서 최종적으로 선택되도록 하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치.
  8. 정상 데이터 샘플과 고장 데이터 샘플을 수집하여 클래스를 할당하여 트리 구성을 위한 데이터 매트릭스 학습을 하는 단계;
    각 터미널 노드에 속하는 샘플의 개수가 매우 작아질 때까지 노드분할을 반복적으로 적용하여 매우 많은 수의 터미널 노드를 가지는 트리를 구성하는 단계;
    완성된 트리에 최소 복잡도 프루닝(minimal-cost complexity pruning) 기법을 루트 노드방향으로 적용하여, 터미널 노드의 개수가 감소하는 서브트리를 획득하는 단계;
    서브트리에 교차 검증(cross validation)을 적용하여 최적의 터미널 노드의 개수를 갖는 최종트리를 선택하고, 선택된 최적의 트리로부터 각 입력변수의 중요도 값을 추출하는 단계;
    중요도 값에 따라 변수의 우선순위를 정하고, 우선순위에 따라 정상샘플과 고장샘플을 구분하는데 가장 중요도가 높은 변수를 식별하는 단계;를 포함하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 방법.
  9. 제 8 항에 있어서, 우선순위에 따라 정상샘플과 고장샘플을 구분하는데 가장 중요도가 높은 변수를 식별하기 위하여,
    전체 고장구간에서 각 변수가 얼마만큼 발생된 고장에 대해 기여하는지를 확인하여 발생된 고장효과를 오프라인으로 사후분석하는데 사용할 수 있도록 하는 제 1 접근방법과,
    시간이 지남에 따라, 고장이 어떻게 진화하고 파급되는지를 확인하기 위해서 윈도우 슬라이딩(window sliding)을 이용하여 온라인으로 발생된 고장의 진화 및 전파 매커니즘을 분석하는데 사용될 수 있도록 하는 제 2 접근방법을 사용하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 방법.
KR1020180018501A 2018-02-14 2018-02-14 Ｃａｒｔ 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법 KR102024829B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180018501A KR102024829B1 (ko) 2018-02-14 2018-02-14 Ｃａｒｔ 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180018501A KR102024829B1 (ko) 2018-02-14 2018-02-14 Ｃａｒｔ 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190098484A true KR20190098484A (ko) 2019-08-22
KR102024829B1 KR102024829B1 (ko) 2019-09-24

Family

ID=67767088

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180018501A KR102024829B1 (ko) 2018-02-14 2018-02-14 Ｃａｒｔ 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102024829B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686389A (zh) * 2020-12-25 2021-04-20 中能融安(北京)科技有限公司 一种设备参数最优值的预估方法及预估装置
WO2022231283A1 (ko) 2021-04-28 2022-11-03 에스케이가스 주식회사 상업 화학 공정에서 핵심인자를 반영한 공정 변화 예측을 위한 시스템 및 방법
WO2022231282A1 (ko) 2021-04-28 2022-11-03 에스케이가스 주식회사 상업 화학 공정에서의 공정 핵심 인자 선별을 위한 시스템 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120113394A (ko) 2011-04-05 2012-10-15 한국수력원자력 주식회사 고장 진단 시스템 및 방법
KR20140141051A (ko) * 2013-05-31 2014-12-10 삼성에스디에스 주식회사 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법
KR101541150B1 (ko) 2014-03-21 2015-07-30 한국수력원자력 주식회사 원자력 발전소 기기의 공통원인고장 매개변수 평가 시스템 및 그 방법
KR101731626B1 (ko) 2016-08-31 2017-04-28 고려대학교 산학협력단 트리 기반 앙상블 분류기를 이용한 정보 예측 방법 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120113394A (ko) 2011-04-05 2012-10-15 한국수력원자력 주식회사 고장 진단 시스템 및 방법
KR20140141051A (ko) * 2013-05-31 2014-12-10 삼성에스디에스 주식회사 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법
KR101538843B1 (ko) * 2013-05-31 2015-07-22 삼성에스디에스 주식회사 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법
KR101541150B1 (ko) 2014-03-21 2015-07-30 한국수력원자력 주식회사 원자력 발전소 기기의 공통원인고장 매개변수 평가 시스템 및 그 방법
KR101731626B1 (ko) 2016-08-31 2017-04-28 고려대학교 산학협력단 트리 기반 앙상블 분류기를 이용한 정보 예측 방법 및 시스템

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686389A (zh) * 2020-12-25 2021-04-20 中能融安(北京)科技有限公司 一种设备参数最优值的预估方法及预估装置
WO2022231283A1 (ko) 2021-04-28 2022-11-03 에스케이가스 주식회사 상업 화학 공정에서 핵심인자를 반영한 공정 변화 예측을 위한 시스템 및 방법
WO2022231282A1 (ko) 2021-04-28 2022-11-03 에스케이가스 주식회사 상업 화학 공정에서의 공정 핵심 인자 선별을 위한 시스템 및 방법
KR20220147932A (ko) 2021-04-28 2022-11-04 에스케이가스 주식회사 상업 화학 공정에서의 공정 핵심 인자 선별을 위한 시스템 및 방법
KR20220147936A (ko) 2021-04-28 2022-11-04 에스케이가스 주식회사 상업 화학 공정에서 핵심인자를 반영한 공정 변화 예측을 위한 시스템 및 방법

Also Published As

Publication number Publication date
KR102024829B1 (ko) 2019-09-24

Similar Documents

Publication Publication Date Title
CN114065613B (zh) 基于深度迁移学习的多工况流程工业故障检测诊断方法
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
EP3410245A1 (en) Process analysis apparatus, process analysis method, and process analysis program
KR102024829B1 (ko) Ｃａｒｔ 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법
CN106708738B (zh) 一种软件测试缺陷预测方法及系统
CN109871002B (zh) 基于张量标签学习的并发异常状态识别与定位系统
CN116610092A (zh) 用于车辆分析的方法和系统
CN116450399A (zh) 微服务系统故障诊断及根因定位方法
WO2018073955A1 (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
Atzmueller et al. Anomaly detection and structural analysis in industrial production environments
CN114461534A (zh) 软件性能测试方法、系统、电子设备及可读存储介质
CN114912678A (zh) 电网调控异常操作在线自动检测预警方法及系统
TWI621951B (zh) Machine sorting device
Gosnell et al. Exploring the Mahalanobis-Taguchi approach to extract vehicle prognostics and diagnostics
EP3706047A1 (en) Cluster based classification for time series data
CN110226160B (zh) 状态分析装置、状态分析方法、以及存储介质
US20220050763A1 (en) Detecting regime change in time series data to manage a technology platform
JP6451483B2 (ja) 予兆検知プログラム、装置、及び方法
CN105814546B (zh) 用于辅助对算法链的检验和验证的方法和系统
EP3706048A1 (en) Anomaly prediction in an industrial system
JP6798968B2 (ja) ノイズ発生原因推定装置
TWI824681B (zh) 裝置管理系統、裝置的障礙原因推測方法以及非暫時性地記憶程式的記憶媒體
CN117648237B (zh) 性能测试过程自动监控方法
KR102612280B1 (ko) 인공지능을 이용한 가상 센싱장치 및 방법
CN117527859B (zh) 基于工业互联网的设备监控方法及系统

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