KR20200053254A - 센서 고장 검출 방법 및 센서 고장 검출 장치 - Google Patents

센서 고장 검출 방법 및 센서 고장 검출 장치 Download PDF

Info

Publication number
KR20200053254A
KR20200053254A KR1020180136664A KR20180136664A KR20200053254A KR 20200053254 A KR20200053254 A KR 20200053254A KR 1020180136664 A KR1020180136664 A KR 1020180136664A KR 20180136664 A KR20180136664 A KR 20180136664A KR 20200053254 A KR20200053254 A KR 20200053254A
Authority
KR
South Korea
Prior art keywords
hyperplane
sensor
svm
feature
fault
Prior art date
Application number
KR1020180136664A
Other languages
English (en)
Inventor
구인수
양재완
이영두
Original Assignee
울산대학교 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 울산대학교 산학협력단 filed Critical 울산대학교 산학협력단
Priority to KR1020180136664A priority Critical patent/KR20200053254A/ko
Publication of KR20200053254A publication Critical patent/KR20200053254A/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
    • G05B23/0218—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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

센서 고장 검출 방법 및 센서 고장 검출 장치가 개시된다. 본 발명의 일실시예에 따른 센서 고장 검출 방법은, 센서에 의해 측정된 센서 출력 신호로부터 특징을 추출하는 단계, 상기 추출된 특징을, SVM(Support Vector Machine)과 연관된 초평면 식에 입력하고, 상기 초평면 식에 대한 결과에 기초하여, 상기 특징의 분포에 의한 초평면을 결정하는 단계, 및 상기 초평면 중 고장영역으로 좌표가 결정되는 특징과 관련한 센서를 고장으로 진단하는 단계를 포함할 수 있다.

Description

센서 고장 검출 방법 및 센서 고장 검출 장치{METHOD AND DEVICE OF DETECTING SENSOR FAULT}
본 발명은 센서에서 발생하는 대표적인 고장 유형인 앨라릭 고장(erratic fault), 드리프트 고장(drift fault), 하드 오버 고장(hard-over fault), 스파이크 고장(spike fault) 그리고 스덕크 고장(stuck fault)을 기계학습 알고리즘인 SVM(Support Vector Machine)을 적용하여 검출하고 분류하는 센서 고장 검출 방법 및 센서 고장 검출 장치에 관한 것이다.
또한, 본 발명은 SVM의 학습 및 테스트를 위해 데이터 샘플들로부터 시간영역 통계 특징들을 추출하고 최적의 특징을 찾기 위해 유전 알고리즘(genetic algorithm)을 적용하는 센서 고장 검출 방법 및 센서 고장 검출 장치에 관한 것이다.
근래에는, 디지털 변환 및 기계기구 구동 기술들의 급격한 발전에 힘입어 산업 현장에서 사용되는 기계들의 자동화 및 무인화가 가속화되고 있다.
자동화된 생산 공정라인을 최대의 효율로 가동시키기 위해서는 공정에서 사용되는 장비들이 오작동 없이 지속적으로 동작해야 한다.
이러한 이유로 자동화 기계들의 관리와 유지보수에 대한 관심은 보다 커지고 있으며, 관련된 연구 또한 활발히 이루어지고 있다.
또한, 최근 4차 산업혁명의 핵심기술인 인공지능 기술과 접목되어 단순한 공정을 반복하는 작업에서 고도의 기술을 필요로 하는 작업으로 빠르게 변화하면서 자동화 기기 뿐만 아니라 기기에 부착되는 센서의 중요성은 더욱 커지고 있다.
자동화 시스템은 일반적으로 자동화 기계에 부착된 다양한 센서들로부터 수집된 데이터를 기반으로 자동화 기계의 구동상태 및 제어량을 파악하고 이를 바탕으로 작업 속도와 양을 조정할 수 있게 한다.
따라서, 센서에 이상이 생길 시 공장라인 운영에 치명적인 문제가 발생 할 수 있으며 이를 막기 위해 센서 고장을 감지하는 시스템은 필수적인 기술로서 요구되고 있다.
본 발명의 실시예는, erratic fault, drift fault, hard-over fault, spike fault, stuck fault의 5가지 아날로그 센서의 대표적인 고장유형들을 자동화 기계의 기본적인 센서로부터 산출되는 데이터를 기반으로, 센서 고장 검출을 수행하는 것을 목적으로 한다.
또한, 본 발명의 다른 실시예는, 센서 고장유형들을 SVM으로 분류한 진단 결과를 분석 및 기술하며, SVM의 입력을 시간영역 데이터로부터 추출한 특징을 사용하고, 최적의 특징을 선정하기 위해 유전 알고리즘을 사용하는 것을 다른 목적으로 한다.
본 발명의 일실시예에 따른 센서 고장 검출 방법은, 센서에 의해 측정된 센서 출력 신호로부터 특징을 추출하는 단계, 상기 추출된 특징을, SVM(Support Vector Machine)과 연관된 초평면 식에 입력하고, 상기 초평면 식에 대한 결과에 기초하여, 상기 특징의 분포에 의한 초평면을 결정하는 단계, 및 상기 초평면 중 고장영역으로 상기 좌표가 결정되는 특징과 관련한 센서를 고장으로 진단하는 단계를 포함할 수 있다.
또한, 본 발명의 실시예에 따른 센서 고장 검출 장치는, 센서에 의해 측정된 센서 출력 신호로부터 특징을 추출하는 추출부, 상기 추출된 특징을, SVM(Support Vector Machine)과 연관된 초평면 식에 입력하고, 상기 초평면 식에 대한 결과에 기초하여, 상기 특징의 분포에 의한 초평면을 결정하는 처리부, 및 상기 초평면 중 고장영역으로 상기 좌표가 결정되는 특징과 관련한 센서를 고장으로 진단하는 진단부를 포함하여 구성할 수 있다.
본 발명의 일실시예에 따르면, erratic fault, drift fault, hard-over fault, spike fault, stuck fault의 5가지 아날로그 센서의 대표적인 고장유형들을 자동화 기계의 기본적인 센서로부터 산출되는 데이터를 기반으로, 센서 고장 검출을 수행할 수 있다.
또한, 본 발명의 일실시예에 따르면, 센서 고장유형들을 SVM으로 분류한 진단 결과를 분석 및 기술하며, SVM의 입력을 시간영역 데이터로부터 추출한 특징을 사용하고, 최적의 특징을 선정하기 위해 유전 알고리즘을 사용할 수 있다.
도 1은 본 발명의 일실시예에 따른, 센서 고장 검출 장치의 내부 구성을 도시한 블록도이다.
도 2는 본 발명의 일실시예에 따라, 정상신호와 5가지 유형의 센서고장신호들을 설명하기 위한 도면이다.
도 3은, 본 발명에 따른 SVM을 선형 분류하여 고장 진단하는 것을 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 다중 계층 SVM을 설명하기 위한 도면이다.
도 5는 본 발명의 일실시예에 따른, 센서 고장 진단을 위한 SVM 구조를 설명하기 위한 도면이다.
도 6은 본 발명에 따른 센서 고장 검출 방법을 개략적으로 설명하기 위한 도면이다.
도 7은 본 발명의 일실시예에 따른, 컨볼루션 오토인코더를 사용한 특징과 SVM을 사용한 고장진단 흐름도이다.
도 8은 본 발명의 일실시예에 따른, 센서 고장 검출 방법의 순서를 도시한 흐름도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 본 발명의 일실시예에 따른, 센서 고장 검출 장치의 내부 구성을 도시한 블록도이다.
도 1를 참조하면, 본 발명의 일실시예에 따른, 센서 고장 검출 장치(100)는, 추출부(110), 처리부(120), 및 진단부(130)를 포함하여 구성할 수 있다. 또한, 실시예에 따라, 센서 고장 검출 장치(100)는 작성부(140), SVM 분류기(150), 등록부(160)를 선택적으로 추가하여 구성할 수 있다.
우선, 추출부(110)는 센서에 의해 측정된 센서 출력 신호로부터 특징을 추출한다. 즉, 추출부(110)는 센서의 감지 대상이 되는 환경에 대한 특징(feature)을, 센서가 측정한 결과값으로부터 추출해내는 기능을 수행할 수 있다.
특징은 센서에 의해 센싱되는 특이 데이터일 수 있고, 예컨대 후술하는, 시간영역 통계 특징들로서, RMS(root mean squrare), KV(kurtosis value), PPV(peak-to-peak value), IF(impulse factor), SF(shape factor), SRA(square root of the amplitude), MF(margin factor), SV(skewness value), CF(crest factor), KF(kurtosis factor), Mean, CM(central moment, n=5) 등으로 예시될 수 있다.
처리부(120)는 상기 추출된 특징을, SVM(Support Vector Machine)과 연관된 초평면 식에 입력한다. 즉, 처리부(120)는 획득한 특징을, 초평면 식의 입력으로 사용하여, SVM 알고리즘에 적응된, 센서의 고장 진단을 수행하도록 하는 환경을 마련할 수 있다.
또한, 처리부(120)는 상기 초평면 식에 대한 결과에 기초하여, 상기 특징의 분포에 의한 초평면을 결정할 수 있다. 여기서 초평면은 추출된 특징들이 분포되는 가상의 평면일 수 있다. 처리부(120)는 특징을 입력으로 하는 초평면 식에 의해 결정되는 초평면 상에서의 위치, 즉 좌표를 해당 특징에 대해 부여할 수 있다.
상기 초평면 식은 'wTx+b'로 표현할 수 있고, 상기 w는 초평면의 가중치, 상기 x는 특징, 상기 b는 절편을 의미할 수 있다. 초평면 식에 의한, 특징에 대한 좌표의 결정은 후술하는 도 3의 설명에서 보다 상세히 한다.
진단부(130)는 상기 초평면 중 고장영역으로 상기 좌표가 결정되는 특징과 관련한 센서를 고장으로 진단할 수 있다. 즉, 진단부(130)는 초평면에서의 특징이 분포되는 영역을 분석하여, 고장영역에 위치하는 특징을, 고장이 의심되는 센서에 의한 것으로 판별하는 기능을 수행할 수 있다.
여기서, 고장영역은 초평면의 일 영역으로 지정될 수 있고, 이를 위해 본 발명의 센서 고장 검출 장치(100)는 작성부(140)를 추가로 포함할 수 있다.
작성부(140)는 상기 초평면을 좌상에서 우하로 가로지는 최적라인을 도시할 수 있고, 상기 최적라인에 최소의 마진을 갖는 상한라인과 하한라인을 도시할 수 있다.
상술한 것과 같이, 초평면 식을 'wTx+b'으로 표현하면, 작성부(140)는 상기 'wTx+b'이 '0'일 때의 결과를 상기 최적라인으로서 상기 초평면에 도시할 수 있다.
또한, 작성부(140)는 상기 'wTx+b'이 '+1'일 때의 결과를 상기 상한라인으로 도시할 수 있고, 상기 'wTx+b'이 '-1'일 때의 결과를 상기 하한라인으로 도시할 수 있다.
상기 상한라인 및 상기 하한라인의 도시에 있어, 작성부(140)는 상한라인과 하한라인의 중간에 위치하는 최적라인과 기울기를 동일하게 하여 도시하며, 상한라인과 하한라인 사이의 폭을 마진으로 형성할 수 있다.
작성부(140)는 도시된 상한라인을 넘는 상기 초평면의 우상면을 상기 고장영역을 지정할 수 있다. 이후, 진단부(130)는 고장영역의 우상면으로, 좌표가 결정되는 특징과 관련한 센서를 고장으로 진단할 수 있다.
또한, 작성부(140)는 도시한 하한라인을 넘지 않는 상기 초평면의 좌하면을 정상영역을 지정할 수 있다. 이후, 진단부(130)는 정상영역의 좌하면으로, 좌표가 결정되는 특징과 관련한 센서를 정상으로 진단할 수 있다.
실시예에 따라, 처리부(120)는 상기 마진에 속하는 영역에 좌표가 결정되는 미결정 특징에 대해, 지정된 커널 함수에 의한 SVM 학습을 통해, 상기 좌표를 재결정할 수 있다. 즉, 처리부(120)는 상한라인과 하한라인 사이의 폭에 해당하는 마진으로 좌표가 결정되어, 고장 여부를 판별하지 못한 특징을, 미결정 특징으로 정의한 후, SVM과 연관된 학습의 결과를 적용 함으로써, 상기 미결정 특징에 대한 좌표를 재결정할 수 있다.
예컨대, 처리부(120)는 이전에 고장 여부가 판별된 특징 중에서, 상기 미결정 특징과 형태적으로 유사성을 갖는 특징에 대해, SVM을 적용하여 학습시키고, 상기 학습의 결과에 따른 좌표를, 상기 미결정 특징에 대한 새로운 좌표로 다시 결정할 수 있다.
본 발명의 센서 고장 검출 장치(100)는 다수의 SVM 분류기(150)를 추가로 구성하여, 고장이 진단된 센서에 대해, 고장유형을 정확하게 분류할 수 있다.
다수의 SVM 분류기(150)는 상기 고장으로 진단된 센서의 특징을, 순차적으로 입력받는 다층계층분류 방식에 따라, 상기 고장으로 진단된 센서에 대해, 고장유형을, Erratic fault, drift fault, hard-over fault, spike fault 및 stuck fault 중 어느 하나로 판별할 수 있다.
여기서, 다층계층분류 방식은, 특정 유형의 고장을 판별하는 것에 특화된 다수의 SVM 분류기(150) 각각으로 특징을 순차적으로 대입시켜, 대입된 특징에 대한 고장 유형을 확인하는 방식일 수 있다.
예컨대, 다수의 SVM 분류기(150)는 앞서의 5개의 고장 유형(Erratic fault, drift fault, hard-over fault, spike fault 및 stuck fault)을 각각 판별하도록 특화화되어 있고, 고장이 진단된 특징을 순차적으로 대입받아 해당 특징에 대한 고장 유형을, 적어도 하나로 판별해 낼 수 있다. 예를 들어, Erratic fault를 판별하도록 특화된 SVM 분류기와, drift fault를 판별하도록 특화된 SVM 분류기에 순차적으로 대입된 특징에 대해, Erratic fault를 판별하도록 특화된 SVM 분류기에서 판별 동작이 활성화하여 진행된다면, 이 특징의 고장 유형은 Erratic fault로 정의할 수 있다.
실시예에 따라, 본 발명의 센서 고장 검출 장치(100)는 등록부(160)를 추가로 구성하여, 특징에 대해, 유전 알고리즘과 관련한 커널 함수에 대한 해(solution)를 테이블에 미리 등록시킬 수 있다.
등록부(160)는 다수의 특징 각각에 대해, 식별자를 할당하고, 상기 다수의 특징 각각에 대해, 상기 SVM을 적용한 SVM 결과를 표현하되, 상기 SVM 결과가 유효한 특징에 대해 1로 표현하고, 상기 SVM 결과가 무효한 특징에 대해 0으로 표현하며, 상기 1로 표현된 특징에 할당되는 식별자를 구분하여, 커널 함수에 대한 해로서, 테이블에 등록할 수 있다.
여기서, '1'로 표현된 특징은 임의 상황 하에서, 최적한 해를 제공할 수 있는 특징일 수 있다.
즉, 처리부(120)는, 센서 출력 신호로부터 추출된 특징에 대해, 상기 테이블에 등록된 식별자와 관련하여 지정되는 커널 함수에 의한 SVM 학습을 통해, 상기 좌표를 결정할 수 있다.
예를 들어, 등록부(160)는 상술의 시간영역 통계 특징들인 12개의 특징(RMS, KV, PPV, IF, SF, SRA, MF, SV, CF, KF, Mean, CM) 각각에 대해, 식별자 1 내지 12를 순차적으로 할당하고, 상기 다수의 특징 각각에 대해, SVM을 적용한 SVM 결과를 표현할 수 있다.
만약, 임의의 특징 '0'을 SVM을 적용하여 커널 함수 'Linear'에 대입시킨다는 가정하에서, 등록부(160)는 SVM 결과가 유효한, 식별자 1, 2, 4, 6, 8, 10, 12가 부여된 RMS(1), KV(2), IF(4), SRA(8), SV(8), KF(10), CM(12))에 대해 1을 표현하여, 테이블에 등록할 수 있다.
이후, 처리부(120)는, 센서 출력 신호로부터 추출된 특징 '0'에 대해, 상기 테이블에 등록된 '1'로 표현되는 식별자와 관련하여 지정되는 커널 함수 'Linear' 에 의한 SVM 학습을 통해, 상기 좌표를 결정할 수 있다.
본 발명의 일실시예에 따르면, erratic fault, drift fault, hard-over fault, spike fault, stuck fault의 5가지 아날로그 센서의 대표적인 고장유형들을 자동화 기계의 기본적인 센서로부터 산출되는 데이터를 기반으로, 센서 고장 검출을 수행할 수 있다.
또한, 본 발명의 일실시예에 따르면, 센서 고장유형들을 SVM으로 분류한 진단 결과를 분석 및 기술하며, SVM의 입력을 시간영역 데이터로부터 추출한 특징을 사용하고, 최적의 특징을 선정하기 위해 유전 알고리즘을 사용할 수 있다.
도 2는 본 발명의 일실시예에 따라, 정상신호와 5가지 유형의 센서고장신호들을 설명하기 위한 도면이다.
최근 산업현장에서 기계의 자동화가 크게 가속화됨에 따라, 자동화 기계의 관리 및 유지보수에 대한 중요성은 갈수록 커지고 있다. 자동화 기계에 부착된 센서의 고장이 발생할 경우, 기계는 오동작하게 되어, 공정라인 운용에 막대한 피해가 발생할 수 있다. 이를 막기 위해 센서의 상태를 모니터링하고 고장의 진단 및 분류를 하는 것이 필요하다.
센서의 고장은 센서의 종류 및 모델에 따라 다르게 나타날 수 있다. 예를 들어, 가스 센서(gas sensor)를 사용하는 경우에는, bias, impact, cyclic, drift, stuck, erratic 등과 같은 고장 유형을 확인할 수 있다.
또한, 가속도계(accelerometers)를 사용하는 경우에는, bias, drifting, precision degradation, gain, complete failure, noise, constant with noise 등의 고장 유형을 검출할 수 있다.
도 2에서는, 본 발명의 센서 고장 검출 장치(100)에서 채택한 erratic, drift, hard-over, spike, stuck의 5가지 고장유형이 갖는 신호 패턴을, 정상신호의 신호 패턴과 비교하여 나타내고 있다.
종래에는 고장의 검출 및 분류를 위하여 주어진 모델을 기반으로 다양한 신호 분석 및 처리기법들을 사용하였으며, 모델의 복잡도가 높아지면서 퍼지 이론들을 이용하여 고장상태 진단을 하기도 하였다. 근래에는 SVM(support vector machine)과 NN(neural network) 같은 지능형 분류기법을, 고장진단에 사용하고 있다. SVM의 분류 성능은 고장 데이터로부터 추출한 입력 데이터 특징들의 종류에 영향을 받을 뿐만 아니라 추출된 특징의 선택에 따라서도 달라질 수 있다.
따라서, 본 발명에서는, 성능을 높이기 위해 유전 알고리즘과 같은 최적화 기법을 SVM에 사용한다.
도 2에 도시한 바와 같이, 정상신호와 구분되는, erratic, drift, hard-over, spike, stuck의 총 5가지 센서 고장유형들은, SVM으로 분류한 진단 결과를 분석하여 기술되었다. SVM의 입력은 시간영역 데이터로부터 추출한 특징을 사용하였고 최적의 특징을 선정하기 위해 유전 알고리즘이 사용되었다.
아래 표 1을 통해, 센서 데이터의 고장 유형 및 특징을 예시한다.
Figure pat00001
본 발명에서는 센서 고장 감지 및 분류를 위해 5가지의 고장 유형을 식별할 수 있는 센서 데이터를 사용한다. 예컨대, 센서 데이터는 TC1047/TC1047A Precision Temperature-to-Voltage Converter로부터 측정 되었으며, 정상신호와 5가지 고장유형들을 사용 함으로써, 표 1과 같은, 5가지의 고장유형들을 표시한다.
Figure pat00002
SVM의 분류 성능을 높이기 위해서는, 데이터 자체를 입력으로 사용하기 보다 센서 데이터로부터 특징을 추출하고 이를 입력으로 사용한다. 입력으로 사용하는 특징으로는, 시간영역 통계 특징들을 많이 사용한다. 본 발명에서는, 측정된 센서 출력 신호로부터 특징들을 추출하고 이것을 SVM의 입력으로 사용하였다.
표 2에는 시간영역 통계 특징들로서, RMS(root mean squrare), KV(kurtosis value), PPV(peak-to-peak value), IF(impulse factor), SF(shape factor), SRA(square root of the amplitude), MF(margin factor), SV(skewness value), CF(crest factor), KF(kurtosis factor), Mean, CM(central moment, n=5)을 사용한다. 또한, 본 발명에서는, RMS부터 CM까지의 12가지 특징에 차례대로 1부터 12까지 번호를 부여하여 특징을 구분한다.
이하, 도 3을 참조하여, SVM 기반 센서의 고장진단을 설명한다.
도 3은, 본 발명에 따른 SVM을 선형 분류하여 고장 진단하는 것을 설명하기 위한 도면이다.
SVM은 바피닉(Vapnik)에 의해 개발되었으며 주로 지도 학습에 의한 패턴인식분야에서 사용되었으나 최근 음성인식, 영상인식, 뇌 신호처리, 금융데이터 분석 등 다양한 분야에 적용되어 우수한 성능을 보여주고 있다.
SVM은 두 개의 클래스를 가진 학습 데이터들을 구분하기 위해 결정경계와 가장 인접한 서포트 벡터를 이용하여, 두 범주 사이의 거리를 최대화시키는 최적의 초평면을 찾는 이진 분류기법으로, 본 발명에서는 센서 고장 진단을 위해 사용되었다.
도 3에서는 두 개의 클래스를 선형으로 분류하는 것을 예시하고 있으며, 최적의 초평면은 수식 1로 표현될 수 있다.
Figure pat00003
수식 1에서, w는 초평면의 가중치를 의미하고, x 센서 데이터로부터 추출된 특징벡터를 의미하며, b는 절편(intercept)을 의미한다.
도 3에서 좌하의 Class1은 normal의 특징을 표현하고, 우상의 Class2는 5가지 고장유형으로 학습시키는 경우의 특징을 표현하고 있다. 즉, normal의 센서 데이터로부터 추출된 특징들은 초평면 H1 아래쪽에 속할 것이고 고장 유형 데이터로부터 추출된 특징들은 초평면 H2 위쪽에 포함될 것이다. 이는 수식 2와 같이 나타낼 수 있다.
Figure pat00004
SVM에서는 대부분 도 3의 경우와 달리 비선형적 특징을 가지는 데이터들을 분류하는 경우가 많기 때문에 선형적 특징을 가지는 데이터 뿐만 아니라 비선형적 특징을 가지는 데이터를 분류할 수 있도록 커널 함수(kernel function)을 사용한다.
본 발명에서는, linear, RBF, polynomial의 3종류의 커널 함수를, SVM의 학습을 위한 사용한다.
도 4는 본 발명의 일실시예에 따른 다중 계층 SVM을 설명하기 위한 도면이다.
SVM은 one-versus-rest 방법을 활용하여 특징을, 각 고장유형에 따라 분류할 수 있다. 분류의 일방식으로서, 본 발명에서는, 다중 계층 SVM(Multi-layer SVM)에 의거하여, 입력 데이터가 들어왔을 때 그 데이터의 클래스를 직접적으로 판별하기 위한, 다중 계층 SVM 분류기를 도 4와 같이 설계할 수 있다. 즉, 본 발명의 센서 고장 검출 장치는 특징을 입력받는 SVM 분류기에서 하나의 클래스에 대해 판별하고, 해당 클래스가 아니면 다른 SVM 분류기에서 분류하여, 해당 특징에 대해 정확한 하나의 고장유형을 분류할 수 있도록 할 수 있다.
이하, 유전 알고리즘 기반의 특징을 선택하는 것에 대해 설명한다.
유전 알고리즘은 생물학적 진화과정을 시뮬레이션하여 최적의 해를 얻을 수 있는 기법으로, 존 홀랜드에 의해 제안되었다. 유전 알고리즘은 초기 염색체 집단으로부터 적합도 함수의 결과에 따라, 선택(selection), 교차(crossover), 변이(mutation) 그리고 대치(replacement)를 연산 순서로하여, 최상의 해답을 얻을 때까지 진행되는 개념일 수 있다.
본 특허에서는 표 2의 특징들을 0과 1의 2진 비트코드로 표현하여 하나의 염색체로 사용한다. 해가 1로 표현이 되면 해당 특징이 사용되고, 해가 0이면 해당 특징은 사용되지 않는다.
예를 들어 [0, 1, 0, ... , 1]으로 염색체가 표현된다면 1로 표현된 두 번째 특징과 마지막의 특징이 입력으로 사용되고, 나머지 0으로 표현된 특징들은 사용되지 않는다.
유전 알고리즘을 사용하기 위해서는 먼저 초기 세대를 생성한다. 초기 세대의 생성과정에서는 바이너리 스트링을 랜덤하게 초기화하였으며, 개체는 20개를 생성하였다.
선택(selection) 과정에서는 선택된 해에 대한 적합도 함수의 평가에 따라 부모 개체를 선택하는데 적합도 함수가 높은 개체가 더 많이 선택되는 roulette-wheel 방법을 사용하였다. 적합도 함수는 선택된 해들을 사용하여 학습데이터에 대해 cross validation을 사용한 SVM의 정확도가 높고 사용된 특징들의 개수가 적을수록 높은 점수를 부여하였다.
교차(crossover) 과정에서는 선택된 부모 개체가 가지는 유전자를 조합하여 새로운 자식 염색체를 생산한다. 염색체에서 임의로 자름 점을 n개 선택한 후, 두 부모 객체를 교차하는 방식으로 2점 교차방식이 본 출원에서 사용되었다
변이(mutation) 과정에서는 교차 연산 이후, 확률적으로 자식 객체의 유전자에 비트를 반전시켜 해의 다양성을 높여줌으로써 지역 최저점에 빠지는 것을 방지한다. 변이가 일어날 확률은 0.001로 설정하였다.
마지막으로 대치(replacement) 과정에서는 전체적인 해집단의 품질을 향상시키기 위해 기존 세대에서 가장 성능이 우수한 해를 제외한 나머지 세대 전부를 대치하는 방법을 사용하였다.
표 3에서는 유전 알고리즘으로부터 선택된 특징들을 예시한다.
Figure pat00005
표 3에서 보는 바와 같이 해는 학습 데이터에 유전 알고리즘을 적용하여 얻는다. 또한, SVM을 이용한 센서 고장 진단에서는 특징을 고를 때 5개의 특징을 선택하는 것만 고려하였으므로 각 고장 유형에 따른 분류성능을 최적화하지 못하였다.
따라서, 본 출원에서는 SVM의 분류성능을 높이기 위해 커널 함수와 각 고장유형 클래스에 따라 해를 구하였다.
이하, 도 5를 참조하여, SVM 기반의 센서고장을 진단하는 것을 설명한다.
도 5는 본 발명의 일실시예에 따른, 센서 고장 진단을 위한 SVM 구조를 설명하기 위한 도면이다.
SVM은 인공 신경망을 여러 층 쌓아 올린 딥 러닝(deep learning) 기법 중 하나이다. SVM은 이미지 분류에서 뛰어난 성능을 보여주면서 우수성을 인정받아 근래에는 관심을 크게 받고 있고 데이터의 양이 증가하면서 이미지 분류 뿐만 아니라 다양한 분야에 적용되어 활발하게 연구되고 있다.
도 5에는 센서 고장을 분류하기 위해 고려한 SVM 구조를 예시하고 있다.
도 5에 예시한 바와 같이, SVM은 convolution layer, pooling layer 그리고 fully connected layer 세 가지 계층으로 구성된다.
Convolution layer는 입력 데이터로부터 특징을 추출하기 위해 사용된다. Convolution 과정에서는 입력데이터에 대해 필터를 이동시키면서 계산한 결과를 얻을 수 있다. 일반적으로 SVM은 이미지 처리를 위해 주로 사용되기 때문에 2차원 convolution 연산이 많이 사용되는데, 2차원 convolution 연산은 수식 (3)과 같이 나타낼 수 있다.
Figure pat00006
여기서, f는 2차원 입력 데이터, g는 필터를 의미한다.
Convolution 단계에서는 필터의 크기와 이동간격을 설정한다. 일반적으로 필터는 N×N 크기를 사용하고 간격은 위아래로 다르게 설정할 수 있지만 보통 같은 크기로 설정한다. 필터의 가중치 값은 초기에 무작위로 설정되는데 학습을 통해 최적의 값을 할당 받게 된다. 필터를 적용한 후의 결과를 feature map이라고 하는데 feature map의 크기는 convolution 연산에 적용되는 필터의 크기, stride 그리고 padding에 따라 결정된다. 필터를 통해 추출된 feature map은 activation function의 입력으로 사용된다.
Pooling layer에서는 sub-sampling을 이용하여 feature map에서 대표 특징 값을 추출한다. 주로 사용되는 방법은 max pooling과 average pooling이 있다.
Fully connected layer에서는 모든 노드들이 각 층의 모든 노드들과 서로 연결되어 있으며 sub-sampling 단계를 거친 특징들은 인공 신경망의 입력으로 사용되어 최종적으로 클래스를 분류한다.
도 6은 본 발명에 따른 센서 고장 검출 방법을 개략적으로 설명하기 위한 도면이다.
도 6(a)에 도시한 바와 같이, 센서 고장 검출 장치는 센서 출력 신호로부터 특징을 추출할 수 있다(610).
또한, 센서 고장 검출 장치는 상기 센서 출력 신호로부터 유전자 알고리즘에 의거하여, 특징을 선택할 수 있다(620).
또한, 센서 고장 검출 장치는 선택된 특징을 이용하여, SVM 학습을 통해, 학습된 모델로서의 초평면을 결정할 수 있다(630). 초평면은 도 6(a)의 우측에 도시된 '학습데이터'에서, 분포된 다수의 특징에 대해, 상한라인과 하한라인을 도시 함으로써 표현될 수 있다.
또한, 센서 고장 검출 장치는 초평면 중 고장영역으로 좌표가 결정되는 특징과 관련한 센서를 고장으로 판단할 수 있다(640). 즉, 센서 고장 검출 장치는 도 6(a)의 우측에 도시된 초평면에서, 도시된 상한라인을 넘는 초평면의 우상면을 고장영역으로 지정하고, 지정된 고장영역에 좌표를 갖는 특징을, 고장이 있는 센서로 확정할 수 있다.
도 6(b)는 초평면의 상한라인과 하한라인을 경계로, 상한라인을 넘는 초평면의 우상면을 고장영역의 class 2로 지정하고, 반면 하한라인을 넘는 초평면의 좌하면을 정상영역의 class 1로 지정하는 것을 예시하고 있다. 도 6(b)에서, 실제 데이터 X는 초평면의 좌하면인 class 1에 위치하여, 정상 동작하는 것으로 판별할 수 있다.
유전 알고리즘은 생물학적 진화과정을 시뮬레이션 하여 최적의 해를 얻을 수 있는 기법일 수 있다. 유전 알고리즘은 적합도 함수의 결과에 따라 선택, 교차, 변이, 그리고 대치 연산 순서로 진행될 수 있다.
유전 알고리즘 중 '초기 집단 생성'은, 비트 코드로 표현하여 하나의 염색체로 사용한다. 예를 들어 [0, 1, 0, ... , 1]으로 염색체가 표현된다면, '초기 집단 생성'에서는, 1로 표현된 두 번째 특징과 마지막의 특징이 입력으로 사용되고, 나머지 0으로 표현된 특징들이 사용되지 않는다. 상기 염색체는 유전 정보를 담고 있는 생물학적인 집합을 연속된 문자열로 추상화하여 표현한 것이고, 유전자는 염색체 요소를 표현한다.
유전 알고리즘 중 '적합도 함수'는 유전 알고리즘의 현 세대에서 염색체의 유전자가 얼마나 적합한지를 점수화 시켜 나타내는 함수일 수 있다. '적합도 함수'는 적합도 평가에 사용된다.
유전 알고리즘 중 '선택'은 비교적 높은 적합도를 가진 염색체를, Roulette-wheel 방법 등을 사용하여 확률적으로 선택할 수 있다.
유전 알고리즘 중 '교차'는 선택된 부모 개체가 가지는 유전자를 조합하여 새로운 자식 염색체를 생산할 수 있고, 예를 들어 2점 교차방식을 사용할 수 있다.
유전 알고리즘 중 '변이'는 확률적으로 자식 객체의 유전자에 비트를 반전 시킨다.
유전 알고리즘 중 '대치'는 전체적인 해집단의 품질을 향상시키기 위해 기존 세대의 염색체를 다음 세대로 대치할 수 있다. 상기 '대치'에서는 가장 성능이 우수한 해를 제외한 나머지 세대 전부를 대치하는 방법을 사용할 수 있다.
유전 알고리즘 중 '종료 조건'은, 원하는 적합도 점수 이상을 얻거나 설정한 세대(예, 알고리즘 반복 횟수)를 넘으면 종료하는 것이다.
본 발명의 센서 고장 검출 장치는 SVM 학습을 사용하여 정확도와 특징 개수를 기반으로 적합도 평가할 수 있다. 이러한 SVM 학습에서는 입력 데이터 특징 세트를 확인하고, 서포트 벡터 머신 모델을 적용하여, 그 결과를 적합도 함수로 도출할 수 있다. SVM 학습은 시간 영역 통계적 특징을 사용하여 유전 알고리즘에 적용될 수 있다.
본 발명에서는 오토인코더(Autoencoder)를 통해, 특징을 추출할 수 있다.
오토인코더는 비지도 학습 방법 중 하나로 입력 값(X)를 사용하여 학습을 진행할 수 있다. 지도 학습의 경우, 입력 X가 주어 졌을 때, 정답 Y를 찾는 방식이라면, 비지도 학습인 오토인코더는, X를 받아 그대로 X’(X와 가까운 출력)를 출력(복원)하는 방식일 수 있다.
또한, 오토인코더는 인코더(Encoder)와 디코더(Decoder)라는 뉴럴 네트워크의 대칭 구조로 이루어져 있으며, 입력과 출력의 수가 동일하다. 인코더와 디코더 사이에 위치하는 Z는 잠재변수(Latent Vector)라고 하며 데이터의 압축된 표현 혹은 특징이라고 할 수 있다.
또한, 오토인코더는 복원오차(Reconstruction error)를 줄이면서 학습될 수 있다. 다시 말하자면, 오토인코더는 입력 데이터 X와 출력 데이터 X’의 차이를 줄이면서 혹은 같게 만들도록 학습될 수 있다.
오토인코더는 단순히 입력을 복제하는 것이 아닌, 압축을 통해 복원, 비복원을 진행하게 된다. 보통 Z는 입력 개수 보다 적은 개수의 압축된 데이터를 가지게 되며, 입력 X에서 불필요한 정보를 버리고 필요한 정보만 유지하기 때문이다. 다만, 이러한 과정은 디테일한 정보의 손실을 일으킬 수 있다.
오토인코더는 주로 데이터 차원 축소, 특징 추출, 데이터 복원을 통한 이상감지 등에 사용된다.
본 발명에서는, 데이터 입력 X와 오토인코더로 복원 데이터 X’의 차이를 statistical features에 적용하여 사용한다. 입력 X가 학습된 데이터의 종류와 비슷하다면 복원된 출력 X’는 입력 X와의 차이가 없겠지만 만약 다른 비정상 데이터를 사용한다면 입력 X와 출력X’의 차이가 클 것이다.
컨볼루션 오토인코더(Convolutional Autoencoder)는, 오토인코더의 인코더와 디코더에서 컨볼루션 층(Convolution layer)를 사용하여 복원을 실행하는 구조일 수 있다. 컨볼루션 오토인코더는 컨볼루션 연산 과정을 통해 입력데이터에 대해서 필터를 이동시키면서 계산한 결과를 얻는다.
도 7은 본 발명의 일실시예에 따른, 컨볼루션 오토인코더를 사용한 특징과 SVM을 사용한 고장진단 흐름도이다.
센서 고장 검출 장치는 센서 데이터를 취득한다(710).
또한, 센서 고장 검출 장치는 컨볼루션 오토인코더를 수행한다(720).
이후, 센서 고장 검출 장치는 컨볼루션 오토인코더의 수행 결과로서, Loss 값(X-X'의 절대값)(730). 상기 Loss 값은 도 7의 우측 상단의 그래프로서 예시하고 있다.
또한, 센서 고장 검출 장치는 Statistical features 를 추출할 수 있다(740). Statistical features은 도 7의 우측 하단의 수식들로 표현될 수 있다.
다음으로, 센서 고장 검출 장치는 SVM 모델을 구축할 수 있다(750).
이후, 센서 고장 검출 장치는 구축된 SVM 모델을 통해, 센서 고장을 판별할 수 있다(760).
이하, 도 8에서는 본 발명의 실시예들에 따른 센서 고장 검출 장치(100)의 작업 흐름을 상세히 설명한다.
도 8은 본 발명의 일실시예에 따른, 센서 고장 검출 방법의 순서를 도시한 흐름도이다.
본 실시예에 따른 센서 고장 검출 방법은 상술한 센서 고장 검출 장치(100)에 의해 수행될 수 있다.
우선, 센서 고장 검출 장치(100)는 센서에 의해 측정된 센서 출력 신호로부터 특징을 추출한다(810). 단계(810)는 센서의 감지 대상이 되는 환경에 대한 특징을, 센서가 측정한 결과값으로부터 추출해내는 과정일 수 있다.
특징은 센서에 의해 센싱되는 특이 데이터일 수 있고, 예컨대 시간영역 통계 특징들로서, RMS(root mean squrare), KV(kurtosis value), PPV(peak-to-peak value), IF(impulse factor), SF(shape factor), SRA(square root of the amplitude), MF(margin factor), SV(skewness value), CF(crest factor), KF(kurtosis factor), Mean, CM(central moment, n=5) 등으로 예시될 수 있다.
또한, 센서 고장 검출 장치(100)는 상기 추출된 특징을, SVM(Support Vector Machine)과 연관된 초평면 식에 입력한다(820). 단계(820)는 획득한 특징을, 초평면 식의 입력으로 사용하여, SVM 알고리즘에 적응된, 센서의 고장 진단을 수행하도록 하는 과정일 수 있다.
상기 초평면 식은 'wTx+b'로 표현할 수 있고, 상기 w는 초평면의 가중치, 상기 x는 특징, 상기 b는 절편을 의미할 수 있다.
또한, 센서 고장 검출 장치(100)는 상기 초평면 중 고장영역으로 상기 좌표가 결정되는 특징과 관련한 센서를 고장으로 진단할 수 있다(830). 단계(830)는 초평면에서의 특징이 분포되는 영역을 분석하여, 고장영역에 위치하는 특징을, 고장이 의심되는 센서에 의한 것으로 판별하는 과정일 수 있다.
여기서, 고장영역은 초평면의 일 영역으로 지정될 수 있다.
예컨대, 센서 고장 검출 장치(100)는 상기 초평면을 좌상에서 우하로 가로지는 최적라인을 도시할 수 있고, 상기 최적라인에 최소의 마진을 갖는 상한라인과 하한라인을 도시할 수 있다.
초평면 식을 'wTx+b'으로 표현하면, 센서 고장 검출 장치(100)는 상기 'wTx+b'이 '0'일 때의 결과를 상기 최적라인으로서 상기 초평면에 도시할 수 있다.
또한, 센서 고장 검출 장치(100)는 상기 'wTx+b'이 '+1'일 때의 결과를 상기 상한라인으로 도시할 수 있고, 상기 'wTx+b'이 '-1'일 때의 결과를 상기 하한라인으로 도시할 수 있다.
상기 상한라인 및 상기 하한라인의 도시에 있어, 센서 고장 검출 장치(100)는 상한라인과 하한라인의 중간에 위치하는 최적라인과 기울기를 동일하게 하여 도시하며, 상한라인과 하한라인 사이의 폭을 마진으로 형성할 수 있다.
센서 고장 검출 장치(100)는 도시된 상한라인을 넘는 상기 초평면의 우상면을 상기 고장영역을 지정할 수 있다. 이후, 센서 고장 검출 장치(100)는 고장영역의 우상면으로, 좌표가 결정되는 특징과 관련한 센서를 고장으로 진단할 수 있다.
또한, 센서 고장 검출 장치(100)는 도시한 하한라인을 넘지 않는 상기 초평면의 좌하면을 정상영역을 지정할 수 있다. 이후, 센서 고장 검출 장치(100)는 정상영역의 좌하면으로, 좌표가 결정되는 특징과 관련한 센서를 정상으로 진단할 수 있다.
실시예에 따라, 센서 고장 검출 장치(100)는 상기 마진에 속하는 영역에 좌표가 결정되는 미결정 특징에 대해, 지정된 커널 함수에 의한 SVM 학습을 통해, 상기 좌표를 재결정할 수 있다. 즉, 센서 고장 검출 장치(100)는 상한라인과 하한라인 사이의 폭에 해당하는 마진으로 좌표가 결정되어, 고장 여부를 판별하지 못한 특징을, 미결정 특징으로 정의한 후, SVM과 연관된 학습의 결과를 적용 함으로써, 상기 미결정 특징에 대한 좌표를 재결정할 수 있다.
예컨대, 센서 고장 검출 장치(100)는 이전에 고장 여부가 판별된 특징 중에서, 상기 미결정 특징과 형태적으로 유사성을 갖는 특징에 대해, SVM을 적용하여 학습시키고, 상기 학습의 결과에 따른 좌표를, 상기 미결정 특징에 대한 새로운 좌표로 다시 결정할 수 있다.
또한, 센서 고장 검출 장치(100)는 상기 고장으로 진단된 센서의 특징을, 순차적으로 입력받는 다층계층분류 방식에 따라, 상기 고장으로 진단된 센서에 대해, 고장유형을, Erratic fault, drift fault, hard-over fault, spike fault 및 stuck fault 중 어느 하나로 판별할 수 있다.
여기서, 다층계층분류 방식은, 특정 유형의 고장을 판별하는 것에 특화된 다수의 SVM 분류기 각각으로 특징을 순차적으로 대입시켜, 대입된 특징에 대한 고장 유형을 확인하는 방식일 수 있다.
예컨대, 다수의 SVM 분류기는 앞서의 5개의 고장 유형(Erratic fault, drift fault, hard-over fault, spike fault 및 stuck fault)을 각각 판별하도록 특화화되어 있고, 고장이 진단된 특징을 순차적으로 대입받아 해당 특징에 대한 고장 유형을, 적어도 하나로 판별해 낼 수 있다. 예를 들어, Erratic fault를 판별하도록 특화된 SVM 분류기와, drift fault를 판별하도록 특화된 SVM 분류기에 순차적으로 대입된 특징에 대해, Erratic fault를 판별하도록 특화된 SVM 분류기에서 판별 동작이 활성화하여 진행된다면, 이 특징의 고장 유형은 Erratic fault로 정의할 수 있다.
실시예에 따라, 센서 고장 검출 장치(100)는 특징에 대해, 유전 알고리즘과 관련한 커널 함수에 대한 해(solution)를 테이블에 미리 등록시킬 수 있다.
센서 고장 검출 장치(100)는 다수의 특징 각각에 대해, 식별자를 할당하고, 상기 다수의 특징 각각에 대해, SVM을 적용한 SVM 결과를 표현하되, 상기 SVM 결과가 유효한 특징에 대해 1로 표현하고, 상기 SVM 결과가 무효한 특징에 대해 0으로 표현하며, 상기 1로 표현된 특징에 할당되는 식별자를 구분하여, 커널 함수에 대한 해로서, 테이블에 등록할 수 있다.
여기서, '1'로 표현된 특징은 임의 상황 하에서, 최적한 해를 제공할 수 있는 특징일 수 있다.
즉, 센서 고장 검출 장치(100)는, 센서 출력 신호로부터 추출된 특징에 대해, 상기 테이블에 등록된 식별자와 관련하여 지정되는 커널 함수에 의한 SVM 학습을 통해, 상기 좌표를 결정할 수 있다.
예를 들어, 센서 고장 검출 장치(100)는 상술의 시간영역 통계 특징들인 12개의 특징(RMS, KV, PPV, IF, SF, SRA, MF, SV, CF, KF, Mean, CM) 각각에 대해, 식별자 1 내지 12를 순차적으로 할당하고, 상기 다수의 특징 각각에 대해, SVM을 적용한 SVM 결과를 표현할 수 있다.
만약, 임의의 특징 '0'을 SVM을 적용하여 커널 함수 'Linear'에 대입시킨다는 가정하에서, 센서 고장 검출 장치(100)는 SVM 결과가 유효한, 식별자 1, 2, 4, 6, 8, 10, 12가 부여된 RMS(1), KV(2), IF(4), SRA(8), SV(8), KF(10), CM(12))에 대해 1을 표현하여, 테이블에 등록할 수 있다.
이후, 센서 고장 검출 장치(100)는, 센서 출력 신호로부터 추출된 특징 '0'에 대해, 상기 테이블에 등록된 '1'로 표현되는 식별자와 관련하여 지정되는 커널 함수 'Linear' 에 의한 SVM 학습을 통해, 상기 좌표를 결정할 수 있다.
본 발명의 일실시예에 따르면, erratic fault, drift fault, hard-over fault, spike fault, stuck fault의 5가지 아날로그 센서의 대표적인 고장유형들을 자동화 기계의 기본적인 센서로부터 산출되는 데이터를 기반으로, 센서 고장 검출을 수행할 수 있다.
또한, 본 발명의 일실시예에 따르면, 센서 고장유형들을 SVM으로 분류한 진단 결과를 분석 및 기술하며, SVM의 입력을 시간영역 데이터로부터 추출한 특징을 사용하고, 최적의 특징을 선정하기 위해 유전 알고리즘을 사용할 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
100 : 센서 고장 검출 장치
110 : 추출부 120 : 처리부
130 : 진단부 140 : 작성부
150 : SVM 분류기 160 : 등록부

Claims (14)

  1. 센서에 의해 측정된 센서 출력 신호로부터 특징을 추출하는 단계;
    상기 추출된 특징을, SVM(Support Vector Machine)과 연관된 초평면 식에 입력하고, 상기 초평면 식에 대한 결과에 기초하여, 상기 특징의 분포에 의한 초평면을 결정하는 단계; 및
    상기 초평면 중 고장영역으로 좌표가 결정되는 특징과 관련한 센서를 고장으로 진단하는 단계
    를 포함하는 센서 고장 검출 방법.
  2. 제1항에 있어서,
    상기 초평면 식을 'wTx+b'로 표현하는 경우, -상기 w는 초평면의 가중치, 상기 x는 특징, 상기 b는 절편을 의미함-
    상기 'wTx+b'을 '+1'로 하는 상한라인을, 상기 초평면 상에 도시하는 단계; 및
    상기 상한라인을 넘는 상기 초평면의 우상면을 상기 고장영역을 지정하는 단계
    를 더 포함하는 센서 고장 검출 방법.
  3. 제1항에 있어서,
    상기 초평면 식을 'wTx+b'로 표현하는 경우, -상기 w는 초평면의 가중치, 상기 x는 특징, 상기 b는 절편을 의미함-
    상기 'wTx+b'을 '0'으로 하는 최적라인을 중심으로, 상기 'wTx+b'을 '+1'로 하는 상한라인과, 상기 'wTx+b'을 '-1'로 하는 하한라인을 도시하여, 상기 초평면에서 마진을 형성하는 단계;
    상기 마진에 속하는 영역에 좌표가 결정되는 미결정 특징에 대해, 지정된 커널 함수에 의한 SVM 학습을 통해, 상기 좌표를 재결정하는 단계
    를 더 포함하는 센서 고장 검출 방법.
  4. 제1항에 있어서,
    상기 초평면 식을 'wTx+b'로 표현하는 경우, -상기 w는 초평면의 가중치, 상기 x는 특징, 상기 b는 절편을 의미함-
    상기 'wTx+b'을 '-1'로 하는 하한라인을, 상기 초평면 상에 도시하는 단계;
    상기 하한라인을 넘지 않는 상기 초평면의 좌하면을 정상영역을 지정하는 단계; 및
    상기 정상영역으로 상기 좌표가 결정되는 특징과 관련한 센서를 정상으로 진단하는 단계
    를 더 포함하는 센서 고장 검출 방법.
  5. 제1항에 있어서,
    Erratic fault, drift fault, hard-over fault, spike fault 및 stuck fault 각각의 고장유형을 판별하는 다수의 SVM 분류기를 마련하는 단계; 및
    상기 고장으로 진단된 센서의 특징을, 상기 다수의 SVM 분류기에 순차적으로 입력하는 다층계층분류 방식에 따라, 상기 고장으로 진단된 센서에 대해, 고장유형을 분류하는 단계
    를 더 포함하는 센서 고장 검출 방법.
  6. 제1항에 있어서,
    다수의 특징 각각에 대해, 식별자를 할당하는 단계;
    상기 다수의 특징 각각에 대해, 상기 SVM을 적용한 SVM 결과를 표현하는 단계로서, 상기 SVM 결과가 유효한 특징에 대해 1로 표현하고, 상기 SVM 결과가 무효한 특징에 대해 0으로 표현하는 단계;
    상기 1로 표현된 특징에 할당되는 식별자를 구분하여, 커널 함수에 대한 해로서, 테이블에 등록하는 단계
    를 더 포함하는 센서 고장 검출 방법.
  7. 제6항에 있어서,
    상기 특징에 대해, 상기 테이블에 등록된 식별자와 관련하여 지정되는 커널 함수에 의한 SVM 학습을 통해, 상기 좌표를 결정하는 단계
    를 더 포함하는 센서 고장 검출 방법.
  8. 센서에 의해 측정된 센서 출력 신호로부터 특징을 추출하는 추출부;
    상기 추출된 특징을, SVM(Support Vector Machine)과 연관된 초평면 식에 입력하고, 상기 초평면 식에 대한 결과에 기초하여, 상기 특징의 분포에 의한 초평면을 결정하는 처리부; 및
    상기 초평면 중 고장영역으로 좌표가 결정되는 특징과 관련한 센서를 고장으로 진단하는 진단부
    를 포함하는 센서 고장 검출 장치.
  9. 제8항에 있어서,
    상기 초평면 식을 'wTx+b'로 표현하는 경우, -상기 w는 초평면의 가중치, 상기 x는 특징, 상기 b는 절편을 의미함-
    상기 'wTx+b'을 '+1'로 하는 상한라인을, 상기 초평면 상에 도시하고, 상기 상한라인을 넘는 상기 초평면의 우상면을 상기 고장영역을 지정하는 제어부
    를 더 포함하는 센서 고장 검출 장치.
  10. 제8항에 있어서,
    상기 초평면 식을 'wTx+b'로 표현하는 경우, -상기 w는 초평면의 가중치, 상기 x는 특징, 상기 b는 절편을 의미함-
    상기 'wTx+b'을 '0'으로 하는 최적라인을 중심으로, 상기 'wTx+b'을 '+1'로 하는 상한라인과, 상기 'wTx+b'을 '-1'로 하는 하한라인을 도시하여, 상기 초평면에서 마진을 형성하는 제어부
    를 더 포함하고,
    상기 처리부는,
    상기 마진에 속하는 영역에 좌표가 결정되는 미결정 특징에 대해, 지정된 커널 함수에 의한 SVM 학습을 통해, 상기 좌표를 재결정하는
    센서 고장 검출 장치.
  11. 제8항에 있어서,
    상기 초평면 식을 'wTx+b'로 표현하는 경우, -상기 w는 초평면의 가중치, 상기 x는 특징, 상기 b는 절편을 의미함-
    상기 'wTx+b'을 '-1'로 하는 하한라인을, 상기 초평면 상에 도시하고, 상기 하한라인을 넘지 않는 상기 초평면의 좌하면을 정상영역을 지정하는 제어부
    를 더 포함하고,
    상기 진단부는,
    상기 정상영역으로 상기 좌표가 결정되는 특징과 관련한 센서를 정상으로 진단하는
    센서 고장 검출 장치.
  12. 제8항에 있어서,
    상기 고장으로 진단된 센서의 특징을, 순차적으로 입력받아, 다층계층분류 방식에 따라, 상기 고장으로 진단된 센서에 대해, 고장유형을, Erratic fault, drift fault, hard-over fault, spike fault 및 stuck fault 중 어느 하나로 판별하는 다수의 SVM 분류기
    를 더 포함하는 센서 고장 검출 장치.
  13. 제8항에 있어서,
    다수의 특징 각각에 대해, 식별자를 할당하고, 상기 다수의 특징 각각에 대해, 상기 SVM을 적용한 SVM 결과를 표현하되, 상기 SVM 결과가 유효한 특징에 대해 1로 표현하고, 상기 SVM 결과가 무효한 특징에 대해 0으로 표현하며, 상기 1로 표현된 특징에 할당되는 식별자를 구분하여, 커널 함수에 대한 해로서, 테이블에 등록하는 등록부
    를 더 포함하는 센서 고장 검출 장치.
  14. 제13항에 있어서,
    상기 처리부는,
    상기 특징에 대해, 상기 테이블에 등록된 식별자와 관련하여 지정되는 커널 함수에 의한 SVM 학습을 통해, 상기 좌표를 결정하는
    센서 고장 검출 장치.
KR1020180136664A 2018-11-08 2018-11-08 센서 고장 검출 방법 및 센서 고장 검출 장치 KR20200053254A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180136664A KR20200053254A (ko) 2018-11-08 2018-11-08 센서 고장 검출 방법 및 센서 고장 검출 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180136664A KR20200053254A (ko) 2018-11-08 2018-11-08 센서 고장 검출 방법 및 센서 고장 검출 장치

Publications (1)

Publication Number Publication Date
KR20200053254A true KR20200053254A (ko) 2020-05-18

Family

ID=70913029

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180136664A KR20200053254A (ko) 2018-11-08 2018-11-08 센서 고장 검출 방법 및 센서 고장 검출 장치

Country Status (1)

Country Link
KR (1) KR20200053254A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220013256A (ko) * 2020-07-24 2022-02-04 한국전자통신연구원 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법 및 시스템
KR102485474B1 (ko) * 2021-12-03 2023-01-06 한국전자기술연구원 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220013256A (ko) * 2020-07-24 2022-02-04 한국전자통신연구원 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법 및 시스템
KR102485474B1 (ko) * 2021-12-03 2023-01-06 한국전자기술연구원 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치

Similar Documents

Publication Publication Date Title
Berend et al. Cats are not fish: Deep learning testing calls for out-of-distribution awareness
CN112763214B (zh) 基于多标签零样本学习的滚动轴承故障诊断方法
AU2020102874A4 (en) A recommendation model for aero dynamic design of structures using deep recurrent neural network
CN112149705A (zh) 分类模型的训练方法、系统、计算机设备及存储介质
JP7353198B2 (ja) 計算機、識別器の学習方法、および分析システム
KR102321607B1 (ko) 기계의 결함 검출 장치 및 방법
CN112149491A (zh) 用于确定探测到的对象的信任值的方法
KR20200053254A (ko) 센서 고장 검출 방법 및 센서 고장 검출 장치
Ooi et al. Self-tune linear adaptive-genetic algorithm for feature selection
KR102132077B1 (ko) 설비 데이터의 이상 정도 평가 방법
KR102306244B1 (ko) 디바이스의 결함 검출 모델 생성 방법 및 장치
JP4997524B2 (ja) 多変数決定木構築システム、多変数決定木構築方法および多変数決定木を構築するためのプログラム
Bocaniala et al. A novel fuzzy classification solution for fault diagnosis
KR102172727B1 (ko) 설비 결함 검출 장치 및 방법
CN112150344A (zh) 用于确定一类别的对象的置信值的方法
Chopra et al. Classification of faults in damadics benchmark process control system using self organizing maps
KR102378729B1 (ko) 최적의 훈련 방식 판단 방법 및 장치
Bilski Analysis of the classifier fusion efficiency in the diagnostics of the accelerometer
CN112016597B (zh) 一种机器学习中基于贝叶斯不平衡度量的深度采样方法
Yang et al. Convolutional autoencoder-based sensor fault classification
You et al. A new generative neural network for bearing fault diagnosis with imbalanced data
KR20210158740A (ko) 기계학습 성능 기반 클러스터링 평가 장치 및 그 방법
Hernandez-Garcia et al. Learning machines for structural damage detection
US20230186051A1 (en) Method and device for determining a coverage of a data set for a machine learning system with respect to trigger events
WO2023233621A1 (ja) 学習処理装置、プログラム及び学習処理方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application