KR20200056049A

KR20200056049A - Method and apparatus for predicting status of parts for fault diagnosis

Info

Publication number: KR20200056049A
Application number: KR1020180139895A
Authority: KR
Inventors: 박문성; 김동호; 정훈
Original assignee: 한국전자통신연구원
Priority date: 2018-11-14
Filing date: 2018-11-14
Publication date: 2020-05-22
Also published as: KR102591145B1

Abstract

Disclosed is a method for predicting a condition of a component for fault diagnosis, which comprises the following steps of: generating a first machine learning model by using a previous status prediction information of a component; selecting an optimal machine learning model for the component from the first machine learning model and at least one second machine learning model previously generated based on test data of the component; obtaining a feature vector for information on the component to be diagnosed from the outside; and extracting the status prediction information of the component to be diagnosed based on the optimal machine learning model and the feature vector.

Description

METHOD AND APPARATUS FOR PREDICTING STATUS OF PARTS FOR FAULT DIAGNOSIS}

본 발명은 고장 진단을 위한 부품의 상태 예측 방법 및 장치에 관한 것으로, 더욱 상세하게는 철도 차량 및 시설에 대한 유지 보수를 위해 철도 차량의 부품 별 상태를 예측하는 방범 및 장치에 관한 것이다.The present invention relates to a method and apparatus for predicting the condition of a component for diagnosing a fault, and more particularly, to a crime prevention device and apparatus for predicting a condition for each component of a railway vehicle for maintenance of a railway vehicle and a facility.

종래의 철도 고속 차량과 화물 차량에 대한 정비 작업은 철도 정비 작업장으로 입고되는 시점에서 부품별로 설정된 정량화된 상태값 등을 참고하여 현장의 유지보수 작업자의 육안 판정 등을 토대로 예방 차원의 조치가 진행되며, 유지보수 이력 관리도 데이터로서 독립적으로 활용되어, 관리 비용의 증가 및 일률적인 관리가 어려운 문제점이 존재하였다.The maintenance work for the conventional high-speed rail and freight vehicles is preventive measures based on the visual judgment of maintenance workers on site by referring to the quantified status values set for each part at the time of arrival at the railroad maintenance workshop. In addition, maintenance history management is also used independently as data, and there is a problem in that it is difficult to increase management costs and uniform management.

이에 따라, 철도 부품 관리에 대한 효율성 및 효과성을 향상시키고자 하는 연구가 지속되고 있는 실정이다.Accordingly, research is ongoing to improve the efficiency and effectiveness of rail parts management.

상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 고장 진단을 위한 부품의 상태 예측 방법을 제공하는 데 있다.An object of the present invention to solve the above problems is to provide a method for predicting the state of parts for diagnosing a fault.

상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은 고장 진단을 위한 부품의 상태 예측 장치를 제공하는 데 있다.Another object of the present invention to solve the above problems is to provide a device for predicting the condition of parts for diagnosing a fault.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 부품 상태 예측 방법은, 부품의 이전 상태 예측 정보를 이용하여 제1 기계 학습 모델을 생성하는 단계, 부품의 시험 데이터를 기초로 제1 기계 학습 모델과 이전에 생성된 적어도 하나의 제2 기계 학습 모델 중 부품에 대한 최적의 기계 학습 모델을 선정하는 단계, 외부로부터 진단 대상 부품의 정보에 대한 특징 벡터를 획득하는 단계 및 최적의 기계 학습 모델 및 특징 벡터를 기초로 진단 대상 부품의 상태 예측 정보를 추출하는 단계를 포함할 수 있다.Part condition prediction method according to an embodiment of the present invention for achieving the above object, generating a first machine learning model using the previous state prediction information of the part, the first machine learning based on the test data of the part Selecting an optimal machine learning model for a part of the model and at least one second machine learning model previously generated, obtaining a feature vector for information on a component to be diagnosed from the outside, and an optimal machine learning model and And extracting state prediction information of a component to be diagnosed based on the feature vector.

상기 다른 목적을 달성하기 위한 본 발명의 일 실시예에 따른 부품 상태 예측 장치는, 프로세서(processor) 및 프로세서를 통해 실행되는 적어도 하나의 명령이 저장된 메모리(memory)를 포함하고, 적어도 하나의 명령은, 부품의 이전 상태 예측 정보를 이용하여 제1 기계 학습 모델을 생성하도록 실행되고, 부품의 시험 데이터를 기초로 제1 기계 학습 모델과 이전에 생성된 적어도 하나의 제2 기계 학습 모델 중 부품에 대한 최적의 기계 학습 모델을 선정하도록 실행되고, 외부로부터 진단 대상 부품의 정보에 대한 특징 벡터를 획득하도록 실행되고, 최적의 기계 학습 모델 및 특징 벡터를 기초로 진단 대상 부품의 상태 예측 정보를 추출하도록 실행될 수 있다.An apparatus for predicting a component state according to an embodiment of the present invention for achieving the other object includes a processor and a memory in which at least one instruction executed through the processor is stored, and the at least one instruction is , It is executed to generate a first machine learning model using the previous state prediction information of the part, and based on the test data of the part, the first machine learning model and at least one second machine learning model previously generated for the part It is executed to select the optimal machine learning model, is executed to obtain a feature vector for information of the component to be diagnosed from the outside, and is executed to extract the state prediction information of the component to be diagnosed based on the optimal machine learning model and the feature vector. Can be.

본 발명에 따르면, 기계 학습을 이용하여 부품에 대한 정량화된 상태값을 예측하여 작업의 정확도가 향상될 수 있다.According to the present invention, the accuracy of work can be improved by predicting a quantified state value for a part using machine learning.

본 발명에 따르면, 부품의 상태 데이터를 이용하므로 정비 작업의 신뢰성을 향상시킬 수 있다.According to the present invention, reliability of maintenance work can be improved by using state data of parts.

본 발명에 따르면, 작업의 정확도 및 정비 작업의 신뢰성이 향상되어 철도 안전 사고의 가능성을 감소시킬 수 있다.According to the present invention, the accuracy of work and the reliability of maintenance work are improved, thereby reducing the possibility of a railway safety accident.

도 1은 본 발명의 일 실시예에 따른 부품 상태 예측 방법의 개념도이다.
도 2는 본 발명의 일 실시예에 따른 부품 상태 예측을 위한 기계 학습 모델 제공 방법의 개념도이다.
도 3은 본 발명의 일 실시예에 따른 부품 상태 예측 장치의 블록 구성도이다.
도 4는 본 발명의 일 실시예에 따른 부품 상태 예측 방법의 순서도이다.1 is a conceptual diagram of a method for predicting a part condition according to an embodiment of the present invention.
2 is a conceptual diagram of a method for providing a machine learning model for predicting part state according to an embodiment of the present invention.
3 is a block diagram of a component state prediction apparatus according to an embodiment of the present invention.
4 is a flowchart of a method for predicting a part condition according to an embodiment of the present invention.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. The present invention can be applied to various changes and can have various embodiments, and specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. In describing each drawing, similar reference numerals are used for similar components.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다. The terms first, second, A, B, etc. can be used to describe various components, but the components should not be limited by the terms. The terms are used only for the purpose of distinguishing one component from other components. For example, the first component may be referred to as a second component without departing from the scope of the present invention, and similarly, the second component may be referred to as a first component. The term "and / or" includes a combination of a plurality of related described items or any one of a plurality of related described items.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. When an element is said to be "connected" or "connected" to another component, it is understood that other components may be directly connected to or connected to the other component, but there may be other components in between. It should be. On the other hand, when a component is said to be "directly connected" or "directly connected" to another component, it should be understood that no other component exists in the middle.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 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.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In this application, terms such as “include” or “have” are intended to indicate that a feature, number, step, operation, component, part, or combination thereof described in the specification exists, one or more other features. It should be understood that the existence or addition possibilities of fields or numbers, steps, operations, components, parts or combinations thereof are not excluded in advance.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 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 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person skilled in the art to which the present invention pertains. Terms such as those defined in a commonly used dictionary should be interpreted as having meanings consistent with meanings in the context of related technologies, and should not be interpreted as ideal or excessively formal meanings unless explicitly defined in the present application. Does not.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다. 이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. In order to facilitate the overall understanding in describing the present invention, the same reference numerals are used for the same components in the drawings, and duplicate descriptions for the same components are omitted. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.

본 발명은 철도 차량 및 시설에 대한 유지 보수 분야에서 이용될 수 있는 고장 예측 방법의 상태 예측 신뢰도를 향상시킬 수 있으며, 철도 고속 차량 및 화물 차량의 부품 등에 적용될 수 있으나, 다른 분야의 부품에도 동일하게 적용 가능하므로, 본 발명이 철도 차량의 부품에 한정되는 것은 아니다.The present invention can improve the reliability of the condition prediction of a failure prediction method that can be used in the maintenance field for railway vehicles and facilities, and can be applied to parts of railway high-speed vehicles and freight vehicles, but it can be applied to parts in other fields as well. Since it is applicable, the present invention is not limited to parts of a railway vehicle.

본 발명의 일 실시예에 따른 부품 상태 예측 방법은 부품별로 동작할 수 있으므로, 부품 상태 예측 장치는 복수의 부품 각각에 대하여 부품 상태 예측 방법을 별도로 수행할 수 있다. 본 발명의 설명에서 부품은 베어링 등을 의미할 수 있고, 부품에 대한 정보는 진동, 온도, 초음파 및 로드셀 등과 같은 다양한 센서에 의해 획득된 상태 데이터 및 제조사 또는 전문가의 지식과 경험치에 기초한 부품별 보증 기간 및 운용 거리 데이터 등의 부품 정량화 데이터 등을 포함할 수 있으며, 테이블의 형태로 구성 및 저장될 수 있다.Since the component state prediction method according to an embodiment of the present invention may operate for each component, the component state prediction apparatus may separately perform a component state prediction method for each of a plurality of parts. In the description of the present invention, a part may mean a bearing, etc., and information about the part is a guarantee for each part based on state data obtained by various sensors such as vibration, temperature, ultrasonic waves, load cells, etc. and knowledge and experience of the manufacturer or expert. It may include component quantification data such as period and operating distance data, and may be configured and stored in the form of a table.

도 1은 본 발명의 일 실시예에 따른 부품 상태 예측 방법의 개념도이다.1 is a conceptual diagram of a method for predicting a part condition according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 부품 상태 예측 방법은 부품의 정보에 대한 특징 벡터와 부품의 기계 학습(ML, Machine learning) 모델을 기초로 부품의 상태 예측 정보를 추출하고, 추출한 부품 상태 예측 정보를 검증하여 달성될 수 있다.Referring to FIG. 1, a method for predicting a part state according to an embodiment of the present invention extracts state prediction information of a part based on a feature vector of the part information and a machine learning model (ML) of the part, This can be achieved by verifying the extracted part condition prediction information.

여기서, 부품의 정보에 대한 특징 벡터는 외부 장치 또는 사용자에 의해 입력될 수 있고, 본 발명의 일 실시예에 따른 부품 상태 예측 장치 내에 부품의 정보로부터 특징 벡터를 추출하는 장치가 탑재될 수도 있으나, 이에 한정되는 것은 아니다.Here, the feature vector for the information of the component may be input by an external device or a user, and an apparatus for extracting the feature vector from the information of the component may be mounted in the apparatus for predicting the condition of the component according to an embodiment of the present invention. It is not limited to this.

부품의 기계 학습 모델은 부품의 이전 상태 예측 정보를 포함하여 상태 예측 정보를 관리하고, 이에 따른 적어도 하나의 기계 학습 모델의 관리를 통해 제공받을 수 있다. 다시 말해, 본 발명의 일 실시예는 추출한 상태 예측 정보와 이전에 추출한 상태 예측 정보를 함께 관리할 수 있으며, 이를 기초로 새로운 기계 학습 모델을 생성할 수 있다. 또한, 본 발명의 일 실시예는 생성한 기계 학습 모델과 이전에 생성한 기계 학습 모델을 함께 관리할 수 있으며, 생성한 기계 학습 모델 및 적어도 하나의 이전에 생성한 기계 학습 모델 중 시험 데이터를 이용하여 부품에 대한 최적의 기계 학습 모델을 선정하고, 이를 제공함으로써, 지속적으로 데이터의 정확성 및 신뢰성을 향상시킬 수 있다. 이와 관련된 상세한 설명은 도 2와 함께 후술하겠다.The machine learning model of a part may manage state prediction information including previous state prediction information of a part, and may be provided through management of at least one machine learning model accordingly. In other words, according to an embodiment of the present invention, the extracted state prediction information and the previously extracted state prediction information may be managed together, and based on this, a new machine learning model may be generated. In addition, an embodiment of the present invention may manage the generated machine learning model and the previously generated machine learning model together, and use test data among the generated machine learning model and at least one previously generated machine learning model. By selecting the optimal machine learning model for the parts and providing them, it is possible to continuously improve the accuracy and reliability of the data. A detailed description related to this will be described later with reference to FIG. 2.

본 발명의 일 실시예에 따른 부품 상태 예측 방법은 획득한 부품의 정보에 대한 특징 벡터와 제공받은 부품의 기계 학습 모델을 기초로 상태 예측 정보를 추출할 수 있으며, 추출한 부품의 상태 예측 정보를 추가적으로 검증할 수 있다.In the method for predicting a part state according to an embodiment of the present invention, state prediction information may be extracted based on a feature vector of the obtained part information and a machine learning model of the received part, and the state prediction information of the extracted part may be additionally Can be verified.

여기서, 상태 예측 정보의 검증은 추출된 상태 예측 정보의 정확성 및 신뢰성을 향상시키기 위해 사용자에 의한 직접적인 데이터 검증을 통해 수행될 수 있으며, 다른 기준 데이터 및 오차 범위 데이터 등을 기초로 자동적으로 검증이 수행될 수 있으나, 이에 한정되는 것은 아니며, 검증 과정은 생략될 수도 있다.Here, the verification of the state prediction information can be performed through direct data verification by the user to improve the accuracy and reliability of the extracted state prediction information, and verification is automatically performed based on other reference data and error range data. It may be, but is not limited to, the verification process may be omitted.

이하에서는 상태 예측 정보의 관리 및 기계 학습 모델의 관리에 대하여 상세히 설명하겠다.Hereinafter, the management of the state prediction information and the management of the machine learning model will be described in detail.

도 2는 본 발명의 일 실시예에 따른 부품 상태 예측을 위한 기계 학습 모델 제공 방법의 개념도이다.2 is a conceptual diagram of a method for providing a machine learning model for predicting a part condition according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 일 실시예에 따른 부품 상태 예측 방법은 부품의 상태 예측을 위해 추출한 상태 예측 정보 및 이전에 생성한 상태 예측 정보를 함께 관리할 수 있으며, 이를 기초로 기계 학습 모델을 생성할 수 있고, 생성한 기계 학습 모델 및 이전에 생성한 적어도 하나의 기계 학습 모델을 함께 관리할 수 있다. Referring to FIG. 2, in the method for predicting a part state according to an embodiment of the present invention, the extracted state prediction information and the previously generated state prediction information for predicting the state of the part may be managed together, and based on this, the machine learning model Can generate, and manage the generated machine learning model and the previously generated at least one machine learning model together.

보다 상세히 설명하면, 본 발명의 일 실시예에 따른 부품 상태 예측 장치는 우선, 도 1에서 추출한 부품의 상태 예측 정보를 이전에 획득한 상태 예측 정보와 함께 제1 데이터베이스에 저장하여 관리할 수 있다. 여기서, 제1 데이터베이스에 저장된 상태 예측 정보는 부품 별로 상태 데이터 및 정량화 데이터 등을 테이블의 형태로 저장되어 있을 수 있다.In more detail, the apparatus for predicting a part status according to an embodiment of the present invention may first store and manage the state prediction information of the parts extracted in FIG. 1 in the first database together with the state prediction information obtained previously. Here, the state prediction information stored in the first database may store state data and quantification data for each part in the form of a table.

본 발명의 일 실시예에 따른 부품 상태 예측 장치는 제1 데이터베이스에 저장된 추출한 부품의 상태 예측 정보 및 이전에 추출한 부품의 상태 예측 정보를 기초로 기계 학습 훈련 데이터를 생성할 수 있다. 여기서, 기계 학습 훈련 데이터는 이전에 추출한 부품의 상태 예측 정보에 따라 이전에 생성한 기계 학습 훈련 데이터를 제1 데이터베이스에 저장하고 있는 경우, 이전에 생성한 기계 학습 훈련 데이터에 현재 추출한 부품의 상태 예측 정보에 따라 생성한 기계 학습 훈련 데이터를 추가한 데이터를 의미할 수 있으나, 이전에 추출한 부품의 상태 예측 정보와 현재 추출한 부품의 상태 예측 정보를 기초로 새로운 기계 학습 훈련 데이터를 생성할 수도 있다.The apparatus for predicting part status according to an embodiment of the present invention may generate machine learning training data based on the state prediction information of the extracted part stored in the first database and the state prediction information of the previously extracted part. Here, when the machine learning training data stores previously generated machine learning training data in the first database according to the state prediction information of the previously extracted parts, the state prediction of the parts currently extracted in the previously generated machine learning training data It may mean data to which the machine learning training data generated according to the information is added, but new machine learning training data may be generated based on the state prediction information of the previously extracted parts and the state prediction information of the currently extracted parts.

본 발명의 일 실시예에 따른 부품 상태 예측 장치는 생성한 기계 학습 훈련 데이터를 기초로 기계 학습 모델을 생성할 수 있으며, 생성한 기계 학습 모델은 현재 추출한 부품의 상태 예측 정보가 더 추가되었으므로, 적어도 하나의 이전에 생성한 기계 학습 모델과 차이가 존재할 수 있다.The apparatus for predicting a part state according to an embodiment of the present invention may generate a machine learning model based on the generated machine learning training data, and the generated machine learning model has at least added state prediction information of a currently extracted part, Differences may exist from one previously created machine learning model.

본 발명의 일 실시예에 따른 부품 상태 예측 장치는 생성한 기계 학습 모델을 이전에 생성한 기계 학습 모델과 함께 제2 데이터베이스에 저장하여 관리할 수 있다. 여기서, 제2 데이터베이스에 저장된 기계 학습 모델은 부품별로 구분되어 부품별 적어도 하나의 기계 학습 모델에 대한 데이터가 저장되어 있을 수 있다.The apparatus for predicting a part state according to an embodiment of the present invention may store and manage the generated machine learning model in a second database together with the previously generated machine learning model. Here, the machine learning model stored in the second database may be divided into parts, and data on at least one machine learning model for each part may be stored.

본 발며의 일 실시예에 따른 부품 상태 예측 장치는 미리 설정된 시험 데이터를 기초로 제2 데이터베이스에 저장된 현재 생성한 기계 학습 모델과 이전에 생성한 적어도 하나의 기계 학습 모델 중 어느 하나를 최적의 기계 학습 모델로 선정할 수 있다. The apparatus for predicting the condition of a part according to an embodiment of the present invention optimizes any one of a currently generated machine learning model and at least one previously generated machine learning model stored in a second database based on preset test data. Can be selected as a model.

여기서, 미리 설정된 시험 데이터는 외부 장치 또는 사용자에 의해 입력되는 데이터를 의미할 수 있으며, 이전에 입력되어 지속적으로 사용될 수도 있다. 또한, 시험 데이터는 부품에 대한 시험 특징 벡터와 이에 따른 시험 상태 예측 정보를 포함할 수 있고, 검증 과정은 시험 특징 벡터를 제2 데이터베이스에 저장된 적어도 하나의 기계 학습 모델에 입력한 후, 그 결과와 시험 상태 예측 정보 간의 차이가 가장 적은 기계 학습 모델을 최적의 기계 학습 모델로 판단 및 선정할 수 있다.Here, the preset test data may mean data input by an external device or a user, and may be continuously input and used previously. In addition, the test data may include a test feature vector for the part and thus test state prediction information, and the verification process inputs the test feature vector into at least one machine learning model stored in the second database, and the result and The machine learning model with the smallest difference between test status prediction information can be judged and selected as the optimal machine learning model.

본 발명의 일 실시예에 따른 부품 상태 예측 장치는 선정한 기계 학습 모델을 이용하여 도 1과 같이 부품의 상태 예측 정보를 추출할 수 있다.The component state prediction apparatus according to an embodiment of the present invention may extract the state prediction information of the component as shown in FIG. 1 using the selected machine learning model.

다시 말해, 본 발명의 일 실시예에 따른 부품 상태 예측 장치는 이전 부품의 상태 예측 정보를 기초로 현재 부품의 상태 예측 정보를 추출하기 위한 최적의 기계 학습 모델을 지속적으로 갱신할 수 있으며, 이에 따라 상태 예측의 정확성 및 신뢰성이 지속적으로 향상될 수 있다.In other words, the apparatus for predicting part status according to an embodiment of the present invention can continuously update the optimal machine learning model for extracting the state prediction information of the current part based on the state prediction information of the previous part, and accordingly The accuracy and reliability of state prediction can be continuously improved.

도 3은 본 발명의 일 실시예에 따른 부품 상태 예측 장치의 블록 구성도이다.3 is a block diagram of a component state prediction apparatus according to an embodiment of the present invention.

도 3을 참조하면, 본 발명의 일 실시예에 따른 부품 상태 예측 장치(300)는 적어도 하나의 프로세서(310), 메모리(320) 및 저장 장치(330)를 포함할 수 있다.Referring to FIG. 3, the component state prediction apparatus 300 according to an embodiment of the present invention may include at least one processor 310, a memory 320, and a storage device 330.

본 발명의 일 실시예에 따른 부품 상태 예측 장치(300)는 지단 대상 부품에 대한 특징 벡터를 획득할 수 있는 외부 장치와 연결될 수 있고, 부품 상태 예측 장치에 탑재될 수도 있으며, 사용자에 의해 진단 대상 부품에 대한 특징 벡터가 입력될 수도 있으나, 이에 한정되는 것은 아니다.The component state prediction apparatus 300 according to an embodiment of the present invention may be connected to an external device capable of obtaining a feature vector for a component to be delayed, or may be mounted on the component status prediction apparatus, and is subject to diagnosis by a user The feature vector for the component may be input, but is not limited thereto.

프로세서(310)는 메모리(320) 및/또는 저장 장치(330)에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(310)는 중앙 처리 장치(CPU, Central Processing Unit), 그래픽 처리 장치(GPU, Graphics Processing Unit) 또는 본 발명에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(320)와 저장 장치(330)는 휘발성 저장 매체 및/또는 비휘발성 저장 매체로 구성될 수 있다. 예를 들어, 메모리(320)는 읽기 전용 메모리(ROM, Read Only Memory) 및/또는 랜덤 액세스 메모리(RAM, Random Access Memory)로 구성될 수 있다.The processor 310 may execute program commands stored in the memory 320 and / or the storage device 330. The processor 310 may refer to a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor on which methods according to the present invention are performed. The memory 320 and the storage device 330 may be composed of volatile storage media and / or non-volatile storage media. For example, the memory 320 may be composed of read only memory (ROM) and / or random access memory (RAM).

메모리(320)는 프로세서(310)를 통해 실행되는 적어도 하나의 명령을 저장하고 있을 수 있다. 적어도 하나의 명령은 부품의 이전 상태 예측 정보를 이용하여 제1 기계 학습 모델을 생성하는 명령, 부품의 시험 데이터를 기초로 제1 기계 학습 모델과 이전에 생성된 적어도 하나의 제2 기계 학습 모델 중 부품에 대한 최적의 기계 학습 모델을 선정하는 명령, 외부로부터 진단 대상 부품의 정보에 대한 특징 벡터를 획득하는 명령 및 최적의 기계 학습 모델 및 특징 벡터를 기초로 진단 대상 부품의 상태 예측 정보를 추출하는 명령을 포함할 수 있다.The memory 320 may store at least one instruction executed through the processor 310. At least one instruction is a command for generating a first machine learning model using the previous state prediction information of the part, a first machine learning model based on the test data of the part and at least one second machine learning model previously generated An instruction to select the optimal machine learning model for the part, an instruction to obtain a feature vector for the information of the component to be diagnosed from the outside, and to extract the state prediction information of the component to be diagnosed based on the optimal machine learning model and the feature vector It may contain an order.

도 4는 본 발명의 일 실시예에 따른 부품 상태 예측 방법의 순서도이다.4 is a flowchart of a method for predicting a part condition according to an embodiment of the present invention.

도 4를 참조하면, 본 발명의 일 실시예에 따른 부품 상태 예측 장치는 우선, 상태 예측 대상인 부품의 정보에 대한 특징 벡터를 획득할 수 있다(S410). 여기서, 특징 벡터는 외부 장치 또는 사용자에 의해 입력받을 수 있으나, 이에 한정되는 것은 아니다. 또한, 부품의 정보는 부품의 상태 정보 및 정량화 데이터를 포함할 수 있다.Referring to FIG. 4, the device for predicting a part state according to an embodiment of the present invention may first obtain a feature vector for information on a part that is a state prediction target (S410). Here, the feature vector may be input by an external device or a user, but is not limited thereto. In addition, the information of the parts may include status information and quantification data of the parts.

부품 상태 예측 장치는 부품의 상태 예측 정보를 추출하기 위한 최적의 기계 학습 모델을 획득할 수 있다(S420). 여기서, 부품 상태 예측 장치는 최적의 기계 학습 모델을 획득하기 위해 이전에 추출한 부품의 상태 예측 정보를 기초로 기계 학습 모델을 생성할 수 있고, 생성한 학습 모델과 이전에 생성한 학습 모델 중 시험 데이터를 기초로 최적의 기계 학습 모델을 선정할 수 있다.The apparatus for predicting the condition of a component may acquire an optimal machine learning model for extracting the condition prediction information of a component (S420). Here, the part state prediction apparatus may generate a machine learning model based on the state prediction information of a previously extracted part in order to obtain an optimal machine learning model, and test data among the generated learning model and the previously generated learning model. On the basis of, it is possible to select the optimal machine learning model.

이후, 부품 상태 예측 장치는 특징 벡터 및 기계 학습 모델을 기초로 부품의 상태 예측 정보를 추출할 수 있으며(S430), 추출한 상태 예측 정보를 검증하여(S440), 사용자에게 제공할 수 있다.Subsequently, the part state prediction apparatus may extract the state prediction information of the part based on the feature vector and the machine learning model (S430), and verify the extracted state prediction information (S440), and provide it to the user.

여기서, 상태 예측 정보의 추출은 특징 벡터를 기계 학습 모델에 입력하여 추출된 출력 데이터를 의미할 수 있으며, 상태 예측 정보의 검증은 외부 장치 또는 사용자에 의해 수행될 수 있으나, 검증 과정은 생략될 수도 있다.Here, the extraction of the state prediction information may mean output data extracted by inputting a feature vector into the machine learning model, and verification of the state prediction information may be performed by an external device or a user, but the verification process may be omitted. have.

본 발명의 실시예에 따른 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다. The operation according to the embodiment of the present invention can be implemented as a computer-readable program or code on a computer-readable recording medium. The computer-readable recording medium includes all kinds of recording devices in which data readable by a computer system is stored. In addition, the computer-readable recording medium may be distributed over network-connected computer systems to store and execute computer-readable programs or codes in a distributed manner.

또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.In addition, the computer-readable recording medium may include a hardware device specially configured to store and execute program instructions, such as a ROM, a RAM, and a flash memory. Program instructions may include high-level language code that can be executed by a computer using an interpreter, etc., as well as machine code such as that produced by a compiler.

본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시예에서, 가장 중요한 방법 단계들의 하나 이상은 이와 같은 장치에 의해 수행될 수 있다. While some aspects of the invention have been described in the context of an apparatus, it may also represent a description according to a corresponding method, where a block or apparatus corresponds to a method step or a feature of a method step. Similarly, aspects described in the context of a method may also be represented by features of corresponding blocks or items or corresponding devices. Some or all of the method steps may be performed by (or using) a hardware device, such as, for example, a microprocessor, programmable computer, or electronic circuit. In some embodiments, one or more of the most important method steps may be performed by such an apparatus.

실시예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그래머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시예들에서, 필드 프로그래머블 게이트 어레이는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.In embodiments, a programmable logic device (eg, field programmable gate array) can be used to perform some or all of the functionality of the methods described herein. In embodiments, the field programmable gate array may work with a microprocessor to perform one of the methods described herein. In general, the methods are preferably performed by some hardware device.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although described above with reference to preferred embodiments of the present invention, those skilled in the art variously modify and change the present invention without departing from the spirit and scope of the present invention as set forth in the claims below. You can understand that you can.

300: 부품 상태 예측 장치 310: 프로세서
320: 메모리 330: 저장 장치300: part status prediction device 310: processor
320: memory 330: storage device

Claims

Generating a first machine learning model using the previous state prediction information of the part;
Selecting an optimal machine learning model for the component from the first machine learning model and at least one second machine learning model previously generated based on the test data of the component;
Obtaining a feature vector for information on a component to be diagnosed from the outside; And
And extracting state prediction information of the diagnosis target part based on the optimal machine learning model and the feature vector.