KR20200119359A - 혼합 현실을 이용한 설비 모니터링 장치 - Google Patents
혼합 현실을 이용한 설비 모니터링 장치 Download PDFInfo
- Publication number
- KR20200119359A KR20200119359A KR1020190031003A KR20190031003A KR20200119359A KR 20200119359 A KR20200119359 A KR 20200119359A KR 1020190031003 A KR1020190031003 A KR 1020190031003A KR 20190031003 A KR20190031003 A KR 20190031003A KR 20200119359 A KR20200119359 A KR 20200119359A
- Authority
- KR
- South Korea
- Prior art keywords
- facility
- data
- manufacturing
- prediction model
- monitoring device
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 46
- 230000005856 abnormality Effects 0.000 claims abstract description 33
- 238000012806 monitoring device Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000012423 maintenance Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 20
- 238000013480 data collection Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000003190 augmentative effect Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
혼합 현실을 이용한 설비 모니터링 장치를 개시한다.
본 실시예에 의하면, 가상현실 기술과 증강현실 기술을 결합한 혼합현실 기술을 이용하여 플랜트 내 설비의 이상 여부를 모니터링하기 위한 기술로서, 3차원 홀로그래픽 이미지(Holographic Image)를 기반으로 제조 현장의 작업자들에게 설비의 이상 유무를 제공하여 작업자들로 하여금 제조 현장에서의 유지보수 능력을 향상시키는 설비 모니터링 장치를 제공한다.
본 실시예에 의하면, 가상현실 기술과 증강현실 기술을 결합한 혼합현실 기술을 이용하여 플랜트 내 설비의 이상 여부를 모니터링하기 위한 기술로서, 3차원 홀로그래픽 이미지(Holographic Image)를 기반으로 제조 현장의 작업자들에게 설비의 이상 유무를 제공하여 작업자들로 하여금 제조 현장에서의 유지보수 능력을 향상시키는 설비 모니터링 장치를 제공한다.
Description
본 실시예는 혼합 현실을 이용한 설비 모니터링 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
가상현실(Virtual Reality, VR) 기술은 컴퓨터를 기반으로 특정 환경 또는 상황을 입체감 있는 컨텐츠(Contents)로 제작하여, 사용자로 하여금 만들어진 주변 상황 또는 주변 환경과 마치 실제 상호작용을 하고 있는 것과 같이 느낄 수 있게 만들어 주는 기술로, 인간과 컴퓨터 사이의 인터페이스 등을 총칭하는 개념이다. 가상현실을 이용한 3D 컨텐츠들은 영화, 게임 등에 이용되며, 소비자들로부터 호평을 받아왔다.
최근에는, 가상현실 기술과 증강현실(Augmented Reality, AR) 기술이 결합된 혼합현실(Mixed Reality, MR) 기술이 주목받고 있다. 혼합현실 기술은 현실과 상호작용을 할 수 있다는 증강현실의 장점과 가상의 물체에 실제와 같은 몰입감을 전할 수 있다는 가상현실의 장점을 동시에 제공하는 기술이다. 혼합현실 기술은 제조, 건설 산업, 재난 예방, 예술 산업 등 폭넓은 산업 분야에 활용될 것으로 예상되고 있어, 그 중요성이 대두되고 있다. 혼합현실 기술은 설비 도면과 CAD 모델의 3차원 시각화를 통해 제조 산업 분야에서 특히 제조 현장의 작업자들에게 설비의 유지보수에 대한 도움을 줄 수 있다. 여기에, 혼합현실 기기에서 설비에 부착된 각종 센서 측정값과 설비의 운영 이벤트 값을 실시간으로 확인하고, 예측모델을 활용해 그에 대한 분석 결과를 확인할 수 있다면, 설비 유지보수에 있어서 혼합현실 기기의 활용도가 더욱 증대될 것이다. 따라서, 이러한 혼합현실 기기를 활용한 실시간 설비 모니터링 기술 개발이 산업 현장에서 다각적으로 요구되고 있다.
본 실시예는, 가상현실 기술과 증강현실 기술을 결합한 혼합현실 기술을 이용하여 제조 설비의 이상 여부를 모니터링하기 위한 기술로서, 3차원 홀로그래픽 이미지(Holographic Image)를 기반으로 제조 현장의 작업자들에게 설비의 이상 유무와 관련 정보(센서 및 설비 운영 데이터, 설계 문서 및 CAD 모델)를 제공하여 작업자들로 하여금 제조 현장에서의 유지보수 능력을 향상시키는 설비 모니터링 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 제조 현장 내 복수의 설비와 주변 환경 정보를 수집하기 위한 기타 위치에 구비된 센서로부터 센서 데이터 및 설비 데이터를 수집하는 데이터 수집부; 상기 센서 데이터 및 상기 설비 데이터를 학습 데이터로 불러오고, 상기 학습 데이터를 이용하여 이상감지 예측모델을 학습하는 예측모델 학습부; 상기 센서 데이터 및 상기 설비 데이터를 상기 이상감지 예측모델에 대입하여 상기 설비의 이상 여부를 판단하는 설비상태 판단부; 상기 설비의 이상 여부를 기반으로 설비상태 예측정보를 생성하여 출력장치로 전송하는 상태정보 전송부; 및 상기 센서 데이터, 상기 설비 데이터 및 상기 이상감지 예측모델을 저장하는 데이터베이스를 포함하는 것을 특징으로 하는 설비 모니터링 장치를 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 가상현실 기술과 증강현실 기술을 결합한 혼합현실 기술을 이용하여 제조 현장 설비의 이상 여부를 모니터링하기 위한 기술로서, 3차원 홀로그래픽 이미지(Holographic Image)를 기반으로 제조 현장의 작업자들에게 설비의 이상 유무와 관련 정보(센서 및 설비 운영 데이터, 설계 문서 및 CAD 모델)를 제공하여 작업자들로 하여금 제조 현장에서의 유지보수 능력을 향상시키는 설비 모니터링 장치를 제공하는 효과가 있다.
또한 본 실시예에 의하면, 설비에 구비된 각종 센서 측정값과 설비 데이터를 기반으로 훈련시킨 예측모델을 이용하여 실시간으로 설비의 상태를 모니터링할 수 있는 효과가 있다.
도 1은 본 실시예에 따른 설비 모니터링 시스템의 전체 구조를 개략적으로 나타낸 도면이다.
도 2는 본 실시예에 따른 설비 모니터링 장치의 구조를 개략적으로 나타낸 블록 구성도이다.
도 3은 본 실시예에 따른 설비 모니터링 장치가 이용하는 데이터 구조를 나타낸 도면이다.
도 4는 본 실시예에 따라 혼합현실 기술을 이용한 설비 모니터링 방법을 설명하기 위한 순서도이다.
도 2는 본 실시예에 따른 설비 모니터링 장치의 구조를 개략적으로 나타낸 블록 구성도이다.
도 3은 본 실시예에 따른 설비 모니터링 장치가 이용하는 데이터 구조를 나타낸 도면이다.
도 4는 본 실시예에 따라 혼합현실 기술을 이용한 설비 모니터링 방법을 설명하기 위한 순서도이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 실시예들을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 실시예에서 '포함'이라는 용어는 명세서 상에 기재된 구성요소, 특징, 단계 또는 이들을 조합한 것이 존재한다는 것이지, 하나 또는 복수 개의 구성요소나 다른 특징, 단계 또는 이들을 조합한 것의 존재 가능성을 미리 배제하지 않는 것으로 이해되어야 할 것이다. 또한, 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
도 1은 본 실시예에 따른 설비 모니터링 시스템의 전체 구조를 개략적으로 나타낸 도면이다.
도 1을 참조하면, 설비 모니터링 시스템은 제조 설비(110), 설비 모니터링 장치(120) 및 출력장치(130)를 포함한다. 설비 모니터링 시스템에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
제조 설비(110)는 제조 현장 내에 적어도 하나 이상 존재한다. 각각의 제조 설비(110)는 설비의 이상 상태를 감지하기 위한 적어도 하나 이상의 센서를 구비한다. 필요에 따라, 주변 환경 정보를 수집하기 위해, 기타 위치에 센서를 구비할 수도 있다. 여기서 센서는 온도 센서, 진동 센서, 소리 센서, 압력 센서 등 제조 설비(110)의 특성에 따라 다양하게 존재할 수 있다.
구비된 센서는 센서와 관련된 데이터를 측정하고, 자체적으로 혹은 제조 설비(110)를 통해 센서 데이터를 데이터베이스(250)로 전송한다. 또한, 제조 설비(110)는 현재 작업 중인 내용과 관련된 데이터인 설비 데이터를 기록하여 데이터베이스(250)로 전송한다.
제조 설비(110)는 사물인터넷(IoT: Internet of Things) 기술을 적용한 것일 수 있다. 즉, 제조 설비(110)는 사물인터넷 기술을 기반으로 스마트 팩토리(Smart Factory)를 구성할 수 있으며, 센서 데이터를 실시간으로 측정하여 설비 모니터링 장치(120)로 전송할 수도 있다.
설비 모니터링 장치(120)는 제조 설비(110)에 구비된 센서 또는 데이터베이스(250)로부터 실시간으로 센서 데이터를 수집한다. 또한, 설비 모니터링 장치(120)는 제조 설비(110) 또는 데이터베이스(250)로부터 설비 데이터를 수집한다. 즉, 설비 모니터링 장치(120)는 실시간으로 센서로부터 센서 데이터를 수집하여 제조 설비(110)를 모니터링하거나, 데이터베이스(250)에 저장된 센서 데이터를 이용하여 제조 설비(110) 상태 점검 확인 및 유지보수 시 이상 확인에 활용할 수 있다.
설비 모니터링 장치(120)는 센서 데이터 및 설비 데이터를 기반으로 이상감지 예측모델을 학습한다. 설비 모니터링 장치(120)는 이상감지 예측모델을 학습하기 위해 데이터베이스(250)에 저장된 센서 데이터를 학습용으로 불러오고, 학습 데이터를 이용하여 이상감지 예측모델을 학습한다. 이상감지 예측모델로 머신 러닝(Machine Learning) 모델 중 하나인 딥 러닝(Deep-Learning)을 이용하여 학습할 수 있으나, 반드시 이에 한정되는 것은 아니다.
설비 모니터링 장치(120)는 학습된 이상감지 예측모델을 이용하여 제조 설비(110)의 이상 여부를 모니터링한다. 보다 상세하게는, 설비 모니터링 장치(120)는 수집한 센서 데이터와 설비 데이터를 기 학습된 이상감지 예측모델에 대입하여 설비의 이상 여부를 판단하고, 설비상태 예측정보를 생성한다. 설비의 이상이 발생된 경우, 설비 모니터링 장치(120)는 알람신호, 설비상태 예측정보와 함께 관련 데이터를 출력장치(130)로 전송한다. 설비에 이상이 발생된 경우에 설비 모니터링 장치(120)가 출력장치(130)로 관련 정보를 전송할 수 있지만, 반드시 이에 한정된 것은 아니며, 작업자가 출력장치(130)를 통해 언제든지 실시간으로 설비 상태 정보를 요청하고 전송 받을 수 있다.
출력장치(130)는 작업자가 작업현장에서 사용하는 장치로서, 혼합현실 기기를 포함한다. 출력장치(130)는 CAD 모델 3차원 시각화를 가능하게 하는 홀로그래픽 기술에 기반한 홀로렌즈(HoloLens)를 이용하여 제조 설비(110)의 이상 상태 여부를 시각화한다. 출력장치(130)는 홀로렌즈를 이용한 혼합현실 기기로 구현되는 것이 바람직하나, 반드시 이에 한정되지는 않고, 다른 혼합현실 기술을 지원하는 기기일 수 있다.
도 2는 본 실시예에 따른 설비 모니터링 장치의 구조를 개략적으로 나타낸 블록 구성도이다.
도 2를 참조하면, 본 실시예에 따른 설비 모니터링 장치(120)는 데이터 수집부(210), 예측모델 학습부(220), 설비상태 판단부(230) 및 상태정보 전송부(240)를 포함한다. 설비 모니터링 장치(120)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
데이터 수집부(210)는 제조 현장의 각각의 설비들과 구비된 센서로부터 센서 데이터 및 설비 데이터를 수집한다. 예컨대, 데이터 수집부(210)는 제조 설비(110)에 구비된 온도 센서에 의해 측정된 제조 설비(110)의 온도 데이터를 실시간으로 수집하고, 제조 설비(110)로부터 현재 제조 설비(110)의 현재 작업 운행과 관련된 설비 데이터를 수집한다. 데이터 수집부(210)는 수집한 센서 데이터 및 설비 데이터를 데이터베이스(250)로 전송한다.
데이터 수집부(210)는 와이파이(Wi-Fi), 지그비(Zigbee), 블루투스(Bluetooth) 등의 무선통신을 통해, 센서와 연결되어 센서 데이터 및 설비 데이터를 송수신하기 위한 통신 모듈을 포함할 수 있다.
예측모델 학습부(220)는 데이터베이스(250)에 저장된 센서 데이터를 학습용으로 불러온다. 보다 상세하게는, 예측모델 학습부(220)는 온도 센서로부터 수집된 온도 데이터 중에서 모델 학습에 적절한 학습 데이터를 추출한다. 여기서 학습 데이터는 사용자에 의해 기 설정된 특정 조건에 의해 선별될 수 있으며, 특정 조건은 사용자의 조작 또는 명령에 의해 다양하게 설정될 수 있다. 예컨대, 사용자는 전체 온도 데이터의 평균값에서 가장 벗어난 10개의 온도 데이터를 제외한 나머지 온도 데이터를 학습 데이터로 불러올 수 있다.
예측모델 학습부(220)는 추출된 학습 데이터를 기반으로 이상감지 예측모델을 학습한다. 이상감지 예측모델은 센서 데이터 및 설비 데이터를 입력값으로 하고, 제조 설비(110)의 이상 여부 또는 각종 이후 상태값(진동수, 온도 등)을 출력값으로 하며, 사용자가 학습 데이터를 가공하여 준비한 예상 출력값을 산출할 수 있도록 학습된다. 출력값은 제조 설비(110)가 정상이면 0, 이상이면 1의 값을 가지는 이진 데이터로 나타낼 수 있으나 반드시 이에 한정되는 것은 아니다. 예컨대, 설비의 이후 예상 온도를 출력한 뒤, 사용자에 의해 기 정의된 임계 범위에 따라 이상 여부를 판단할 수도 있다. 여기서 이상감지 예측모델은 인공지능(AI: Artificial Intelligence) 모델로, 딥 러닝 등의 기계 학습을 이용할 수 있다.
설비상태 판단부(230)는 센서 데이터 및 설비 데이터를 이상감지 예측모델에 대입하여 설비의 이상 여부를 판단한다. 설비상태 판단부(230)는 먼저 설비 데이터를 기반으로 현재 제조 설비(110)의 작업 정보를 확인한다. 설비상태 판단부(230)는 해당 작업 정보에 따라 발생할 수 있는 이상 상태 또는 상태 임계범위를 확인한다. 한편, 작업 정보에 따라 발생 가능한 이상 상태 또는 상태 임계범위는 사용자에 의해 정의될 수 있다. 예컨대, 설비상태 판단부(230)는 설비 데이터를 기반으로 현재 제조 설비(110)가 동작 중인 것을 확인하고, 동작 중인 제조 설비(110)의 이상 상태 또는 이상 상태에 대응하는 온도의 임계범위를 벗어났는지 확인한다.
보다 상세하게, 설비상태 판단부(230)는 센서 데이터와 설비 데이터를 대입하여 얻은 이상감지 예측모델의 출력값과, 설비 데이터에 따라 확인된 제조 설비(110)의 이상 상태 또는 상태 임계범위를 이용하여 제조 설비(110)의 이상 여부를 판단한다.
상태정보 전송부(240)는 설비의 이상 여부를 기반으로 설비상태 예측정보를 생성하여 관련 데이터들과 함께 출력장치(130)로 전송한다. 보다 상세하게는, 상태정보 전송부(240)는 출력장치(130)에서 제조 설비(110)의 3차원 캐드(CAD) 모델을 포함한 관련 유지보수 정보와 함께 설비상태 예측정보와 관련 데이터를 3차원 시각화 할 수 있도록 출력장치(130)로 전송한다.
데이터베이스(250)는 데이터 수집부(210)에서 수집한 센서 데이터 및 설비 데이터와 예측모델 학습부(220)에서 학습된 예측모델을 저장한다. 또한, 후에 분석과 학습을 위해, 설비상태 판단부(230)에서 판단한 결과들도 저장한다. 데이터베이스(250)는 네트워크를 이용하여 데이터를 저장하는 클라우드 서버일 수 있다.
도 3은 본 실시예에 따른 설비 모니터링 장치가 이용하는 데이터 구조를 나타낸 도면이다.
도 3에 도시된 바와 같이, 본 실시예에 따른 설비 모니터링 장치(120)는 센서 데이터, 설비 데이터를 포함하는 다양한 데이터를 이용한다. 도 3을 참조하면, 설비 모니터링 장치(120)는 공장에 구비된 각각의 설비를 모니터링할 수 있다. 설비 모니터링 장치(120)는 각각의 공정 설비 내에 설치된 센서를 이용하여 센서 데이터를 수집하고, 공정 설비로부터 설비 데이터를 수집한다. 설비 모니터링 장치(120)는 센서 데이터와 설비 데이터를 실시간으로 수집하여 이상감지를 할 수 있으며, 저장된 데이터들을 통해서는 이상감지 예측모델을 학습할 수 있다.
각각의 공정 설비는 문서 자료, 유지 보수 이력, CAD 모델 및 유지 보수 가이드를 가지며, 유지 보수 이력은 해당 공정 설비의 이상 여부를 판단함에 있어 참고자료로 활용될 수 있다. 예컨대, 설비 모니터링 장치(120)는 유지 보수 이력이 존재하는 날짜에 데이터베이스(250)에 저장된 센서 데이터 및 설비 데이터를 이용하여 해당 설비의 이상 상태 및 상태 임계범위를 수정하고, 해당 데이터를 예측모델 학습에 활용할 수 있다.
도 4는 본 실시예에 따라 혼합현실 기술을 이용한 설비 모니터링 방법을 설명하기 위한 순서도이다.
도 4를 참조하면, 설비 모니터링 장치(120)는 현장의 설비 및 설비에 구비된 센서로부터 모니터링에 필요한 각종 데이터를 수집한다(S402). 단계 S402에서 각종 데이터는 센서 데이터 및 설비 데이터를 포함한다.
설비 모니터링 장치(120)는 센서로부터 수집한 센서 데이터 및 설비 데이터를 데이터베이스(250)로 전송하여 저장한다(S404).
설비 모니터링 장치(120)는 학습된 이상감지 예측모델에 실시간 센서 데이터 및 설비 데이터를 대입하여 설비의 이상 여부를 확인한다(S406).
설비 모니터링 장치(120)는 설비의 이상 상태를 확인한 경우(S408), 설비상태 예측정보를 생성하여 출력장치(130)로 전송한다(S410). 설비 모니터링 장치(120)는 설비의 이상 상태를 확인하지 못한 경우, 단계 S402부터 전체 동작을 반복하여 수행한다.
도 4에서는 단계 S402 내지 단계 S410를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 4에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 4는 시계열적인 순서로 한정되는 것은 아니다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
110: 제조 설비
120: 설비 모니터링 장치
130: 출력장치 210: 데이터 수집부
220: 예측모델 학습부 230: 설비상태 판단부
240: 상태정보 전송부 250: 데이터베이스
130: 출력장치 210: 데이터 수집부
220: 예측모델 학습부 230: 설비상태 판단부
240: 상태정보 전송부 250: 데이터베이스
Claims (3)
- 제조 현장 내 복수의 설비와 주변 환경 정보를 수집하기 위한 기타 위치에 구비된 센서로부터 센서 데이터 및 설비 데이터를 수집하는 데이터 수집부;
상기 센서 데이터 및 상기 설비 데이터를 학습 데이터로 불러오고, 상기 학습 데이터를 이용하여 이상감지 예측모델을 학습하는 예측모델 학습부;
상기 센서 데이터 및 상기 설비 데이터를 상기 이상감지 예측모델에 대입하여 상기 설비의 이상 여부를 판단하는 설비상태 판단부;
상기 설비의 이상 여부를 기반으로 설비상태 예측정보를 생성하여 출력장치로 전송하는 상태정보 전송부; 및
상기 센서 데이터, 상기 설비 데이터 및 상기 이상감지 예측모델을 저장하는 데이터베이스
를 포함하는 것을 특징으로 하는 설비 모니터링 장치. - 제 1 항에 있어서,
상기 설비상태 판단부는,
상기 센서 데이터와 상기 설비 데이터를 대입하여 획득한 상기 이상감지 예측모델의 출력값, 상기 설비 데이터에 따라 확인된 제조 설비의 상태 또는 상태 임계범위에 따라 상기 제조 설비의 이상 여부를 판단하는 것을 특징으로 하는 설비 모니터링 장치. - 제 1 항에 있어서,
상기 상태정보 전송부는,
제조 설비의 3차원 캐드(CAD) 모델을 포함한 관련 유지보수 정보와 함께 상기 설비상태 예측정보를 3차원 시각화 할 수 있도록 상기 출력장치로 전송하는 것을 특징으로 하는 혼합 현실 모니터링 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190031003A KR20200119359A (ko) | 2019-03-19 | 2019-03-19 | 혼합 현실을 이용한 설비 모니터링 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190031003A KR20200119359A (ko) | 2019-03-19 | 2019-03-19 | 혼합 현실을 이용한 설비 모니터링 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200119359A true KR20200119359A (ko) | 2020-10-20 |
Family
ID=73025310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190031003A KR20200119359A (ko) | 2019-03-19 | 2019-03-19 | 혼합 현실을 이용한 설비 모니터링 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20200119359A (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102278761B1 (ko) * | 2021-03-12 | 2021-07-16 | 정봉구 | 수율 향상을 위한 실시간 스마트 빅데이터 수집 및 분석장치 |
| KR102495862B1 (ko) * | 2022-05-23 | 2023-02-06 | 주식회사 스탠스 | 디지털 트윈 모델의 데이터에 대해 정상 여부를 판단하는 장치, 방법 및 컴퓨터 프로그램 |
| WO2024135915A1 (ko) * | 2022-12-20 | 2024-06-27 | 순천대학교 산학협력단 | 가상 센서를 이용한 스마트팜 관리 방법 및 장치 |
-
2019
- 2019-03-19 KR KR1020190031003A patent/KR20200119359A/ko unknown
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102278761B1 (ko) * | 2021-03-12 | 2021-07-16 | 정봉구 | 수율 향상을 위한 실시간 스마트 빅데이터 수집 및 분석장치 |
| KR102495862B1 (ko) * | 2022-05-23 | 2023-02-06 | 주식회사 스탠스 | 디지털 트윈 모델의 데이터에 대해 정상 여부를 판단하는 장치, 방법 및 컴퓨터 프로그램 |
| WO2023229192A1 (ko) * | 2022-05-23 | 2023-11-30 | 주식회사 스탠스 | 디지털 트윈 모델의 데이터에 대해 정상 여부를 판단하는 장치, 방법 및 컴퓨터 프로그램 |
| WO2024135915A1 (ko) * | 2022-12-20 | 2024-06-27 | 순천대학교 산학협력단 | 가상 센서를 이용한 스마트팜 관리 방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3300005B1 (en) | Augmented reality presentation of an industrial environment | |
| CN108073277B (zh) | 用于工业自动化的虚拟现实和增强现实的系统和方法 | |
| CN108089696B (zh) | 用于工业自动化的虚拟现实和增强现实 | |
| Liu et al. | MTConnect-based cyber-physical machine tool: a case study | |
| CN116841262A (zh) | 基于机器视觉的智慧工厂生产在线监测分析系统 | |
| US10419526B2 (en) | Plant control system, controller, manager, and plant information processing method | |
| KR20200119359A (ko) | 혼합 현실을 이용한 설비 모니터링 장치 | |
| KR102196287B1 (ko) | 인공지능을 이용한 스마트공장 고장예지진단 장치 및 그것을 이용한 고장예지진단 방법 | |
| Kaur et al. | Towards an open-standards based framework for achieving condition-based predictive maintenance | |
| CN111541640A (zh) | 在具有确定特性的网络物理系统中检测异常的系统和方法 | |
| CN102830694A (zh) | 自动化故障巡检系统及客户监控端 | |
| CN112866262B (zh) | 一种基于神经网络的电厂安全i区态势感知平台 | |
| KR20190123370A (ko) | 스마트 팩토리를 위한 cps 시스템 | |
| US10990090B2 (en) | Apparatus and method for automatic detection and classification of industrial alarms | |
| CN115145788A (zh) | 一种针对智能运维系统的检测数据生成方法和装置 | |
| US11755007B2 (en) | System and method for determining a health condition and an anomaly of an equipment using one or more sensors | |
| WO2021064144A1 (en) | Method and system for continuous estimation and representation of risk | |
| KR20210072473A (ko) | 인공지능 모듈을 구비하는 데이터 수집 게이트웨이 | |
| KR20180058467A (ko) | 스마트 팩토리를 위한 통합 보안 관리 시스템 | |
| Al Sunny et al. | Remote monitoring and online testing of machine tools for fault diagnosis and maintenance using MTComm in a cyber-physical manufacturing cloud | |
| US20190310928A1 (en) | Integration of diagnostic instrumentation with machine protection system | |
| KR20200044507A (ko) | Ict 기반의 통합 모니터링 시스템을 활용한 특수 차량 고장 진단 및 운영법 | |
| WO2022216599A1 (en) | System for generating natural language comment texts for multi-variate time series | |
| CN114165430A (zh) | 基于边缘计算的机泵健康监测方法、系统、设备及介质 | |
| Padarthi et al. | Iot-based embedded sensor system for real-time health monitoring of composite structures for large-scale industrial operations |