KR20210062162A - 딥러닝 기반 결함 위치 추적 장치 - Google Patents

딥러닝 기반 결함 위치 추적 장치 Download PDF

Info

Publication number
KR20210062162A
KR20210062162A KR1020190150013A KR20190150013A KR20210062162A KR 20210062162 A KR20210062162 A KR 20210062162A KR 1020190150013 A KR1020190150013 A KR 1020190150013A KR 20190150013 A KR20190150013 A KR 20190150013A KR 20210062162 A KR20210062162 A KR 20210062162A
Authority
KR
South Korea
Prior art keywords
data
defect
deep learning
monitoring
pattern information
Prior art date
Application number
KR1020190150013A
Other languages
English (en)
Other versions
KR102414537B1 (ko
Inventor
김희찬
김태희
정래혁
최지웅
Original Assignee
한국수력원자력 주식회사
주식회사 스마트프로
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 한국수력원자력 주식회사, 주식회사 스마트프로 filed Critical 한국수력원자력 주식회사
Priority to KR1020190150013A priority Critical patent/KR102414537B1/ko
Publication of KR20210062162A publication Critical patent/KR20210062162A/ko
Application granted granted Critical
Publication of KR102414537B1 publication Critical patent/KR102414537B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning 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
    • G05B23/0221—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
    • G05B23/0243—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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 감시 대상체들의 결함 위치 추적 장치에 관한 것으로, 특히 시계열 신호의 패턴 변화 정보를 기반으로 딥러닝 트레이닝을 통해 딥러닝 모델링 데이터를 생성하고, 실시간으로 입력되는 복수의 변수에 관한 감시/운전 데이터들을 이용하여 시계열 신호의 패턴 변화 정보들을 결합한 특징 패턴 정보를 생성한 후, 딥러닝 모델링 데이터에 특징 패턴 정보를 적용하여 유사도를 판단할 수 있도록 구성함으로써, 결함 위치(결함이 있는 감시 대상체)를 자동으로 추적할 수 있고, 결함 위치의 식별 정확도를 향상시킬 수 있도록 하는 딥러닝 기반 결함 위치 추적 장치에 관한 것이다.
본 발명인 딥러닝 기반 결함 위치 추적 장치를 이루는 구성수단은, 감시 대상체들의 결함 위치 추적 장치에 있어서, 각각의 감시 대상체에 관련된 결함 이력 데이터들을 이용하여 각각의 감시 대상체 별로 복수의 결함 유형 각각에 대응하는 트레이닝 데이터를 생성하는 트레이닝 데이터 생성 모듈, 실시간으로 입력되는 복수의 변수에 관한 감시/운전 데이터들을 이용하여, 각각의 변수에 관한 감시/운전 데이터들 각각의 패턴 변화 정보를 시계열적으로 결합하여 형성되는 특징 패턴 정보를 생성하는 특징 패턴 정보 생성 모듈, 상기 트레이닝 데이터를 입력받아 딥러닝 트레이닝(training)을 통해 결함 위치 추적을 위한 모델링 데이터를 생성하고, 상기 모델링 데이터에 상기 특징 패턴 정보를 적용하여 결함 위치를 진단 추적하는 추적 모듈을 포함하여 구성되는 것을 특징으로 한다.

Description

딥러닝 기반 결함 위치 추적 장치{Device for tracking defect location based on deep learning}
본 발명은 감시 대상체들의 결함 위치 추적 장치에 관한 것으로, 특히 시계열 신호의 패턴 변화 정보를 기반으로 딥러닝 트레이닝을 통해 딥러닝 모델링 데이터를 생성하고, 실시간으로 입력되는 복수의 변수에 관한 감시/운전 데이터들을 이용하여 시계열 신호의 패턴 변화 정보들을 결합한 특징 패턴 정보를 생성한 후, 딥러닝 모델링 데이터에 특징 패턴 정보를 적용하여 유사도를 판단할 수 있도록 구성함으로써, 결함 위치(결함이 있는 감시 대상체)를 자동으로 추적할 수 있고, 결함 위치의 식별 정확도를 향상시킬 수 있도록 하는 딥러닝 기반 결함 위치 추적 장치에 관한 것이다.
기존에는 SVM, NN, AAKR 등 다양한 머신러닝 기술들이 개발되어 일부 산업계에서 계통 기기 또는 설비의 진단을 위해 적용되고 있거나 연구기관에서 다양한 시도들을 하고 있다. 이들 기술은 신호에서 추출된 특징적인 파라미터의 정량적인 값들을 기반으로 모델링 또는 학습한 후 이들 정보를 기반으로 온라인으로 신호 데이터를 입력받아 결함이나 고장상태를 실시간 진단하는 방식이다.
하지만, 이러한 방식들은 복잡한 신호처리와 특징량 추출 과정에서 발생하는 많은 연산처리 문제로 인해 서버에 과도한 부하를 유발하여 실시간성을 확보하기가 어려워 일정 주기마다 동작하는 방식으로 운영된다.
최근에는 산업계 설비 진단 분야에서 딥러닝 기술이 부각되면서 기존 인공신경망에 비해 진화된 기술들이 지속적으로 연구 개발되고 있다. 하지만, 아직까지 기계 진단 분야에서는 기술적 수준이 높지 않아 기술 개발을 위한 연구 활동이나 현장 적용을 위한 테스트 시도가 대부분이다. 특히, 회전체 진단 분야에서는 딥러닝을 기반으로 한 기술들이 많이 개발되지 않고 있고, 단순히 형상에 해당하는 패턴 정보만을 이용하여 결함을 식별하는 기술들이 연구되고 있으며, 아직은 식별 가능한 결함 유형이 적어 현장 활용이 어려운 수준이다.
기존에 온라인 감시 기술들은 대부분이 단순 감시변수들에 대해 운전제한치를 고정값으로 설정한 후 초과하였는지 여부를 검출하여 진단하는 방식이다. 실제 현장에서는 초기에 운전제한치를 낮게 설정하여 조기에 이상상태 발생을 검출하고자 하였으나 너무 빈번하게 경보가 발생하여 관리 및 운영의 어려움이 많은 것으로 나타났다.
이에 운전제한치 값들을 비보수적으로 높게 설정하여 경보 발생을 최소화시키면서 심각한 경우들만을 주로 감시하는 것으로 나타났다. 최근 산업계에서는 이러한 문제점들을 개선하기 위해서 AAKR과 AAMSET 및 AANN 등과 같은 데이터 기반 모델들을 진단에 적용하여 경보 발생을 최소화시키면서 조기에 이상상태 발생을 검출 가능하도록 하였다.
하지만, 데이터 기반 진단 기술은 단순히 이상이 발생하였는지 여부만을 감시하는 진단 방식으로 다수의 신호들에서 이상상태 알람이 동시에 발생한 경우에 어느 기기 또는 설비에서 고장 또는 결함 등의 문제가 발생한 것인지 원인 추적이 어렵다. 이로 인해 현장에서는 점검 대상 설비의 우선순위를 알 수 없어 대부분 신호분석 전문가를 통해 원인을 진단한 후 정비작업을 착수하므로 시간 소요가 상당히 크고 신속조치가 어려워 2차 피해 확산 우려가 크다는 문제점을 가지고 있다.
대한민국 등록특허공보 제10-1967301호(공고일자 : 2019년 04월 03일, 발명의 명칭 : 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템)
본 발명은 상기와 같은 종래 기술의 문제점을 해결하기 위하여 창안된 것으로, 시계열 신호의 패턴 변화 정보를 기반으로 딥러닝 트레이닝을 통해 딥러닝 모델링 데이터를 생성하고, 실시간으로 입력되는 복수의 변수에 관한 감시/운전 데이터들을 이용하여 시계열 신호의 패턴 변화 정보들을 결합한 특징 패턴 정보를 생성한 후, 딥러닝 모델링 데이터에 특징 패턴 정보를 적용하여 유사도를 판단할 수 있도록 구성함으로써, 결함 위치(결함이 있는 감시 대상체)를 자동으로 추적할 수 있고, 결함 위치의 식별 정확도를 향상시킬 수 있도록 하는 딥러닝 기반 결함 위치 추적 장치를 제공하는 것을 그 목적으로 한다.
상기와 같은 과제를 해결하기 위하여 제안된 본 발명인 딥러닝 기반 결함 위치 추적 장치를 이루는 구성수단은, 감시 대상체들의 결함 위치 추적 장치에 있어서, 각각의 감시 대상체에 관련된 결함 이력 데이터들을 이용하여 각각의 감시 대상체 별로 복수의 결함 유형 각각에 대응하는 트레이닝 데이터를 생성하는 트레이닝 데이터 생성 모듈, 실시간으로 입력되는 복수의 변수에 관한 감시/운전 데이터들을 이용하여, 각각의 변수에 관한 감시/운전 데이터들 각각의 패턴 변화 정보를 시계열적으로 결합하여 형성되는 특징 패턴 정보를 생성하는 특징 패턴 정보 생성 모듈, 상기 트레이닝 데이터를 입력받아 딥러닝 트레이닝(training)을 통해 결함 위치 추적을 위한 모델링 데이터를 생성하고, 상기 모델링 데이터에 상기 특징 패턴 정보를 적용하여 결함 위치를 진단 추적하는 추적 모듈을 포함하여 구성되는 것을 특징으로 한다.
여기서, 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들은 사전에 구축된 이력 데이터들이고, 상기 각 감시 대상체의 과거 결함 이력 데이터, 상기 각 감시 대상체와 유사한 장치의 결함 데이터, 시뮬레이션을 통한 결함 데이터, 테스트베드(Testbed)를 통한 결함 데이터 중, 적어도 하나를 포함하는 것을 특징으로 한다.
또한, 상기 추적 모듈은 상기 모델링 데이터에 대한 상기 특징 패턴 정보의 매칭 유사도가 설정 기준 유사도보다 낮은 경우에, 상기 특징 패턴 정보를 반영한 딥러닝 재트레이닝(Re-training)을 통해 결함 위치 추적을 위한 모델링 데이터를 업데이트하는 것을 특징으로 한다.
상기와 같은 과제 및 해결 수단을 가지는 본 발명인 딥러닝 기반 결함 위치 추적 장치에 의하면, 시계열 신호의 패턴 변화 정보를 기반으로 딥러닝 트레이닝을 통해 딥러닝 모델링 데이터를 생성하고, 실시간으로 입력되는 복수의 변수에 관한 감시/운전 데이터들을 이용하여 시계열 신호의 패턴 변화 정보들을 결합한 특징 패턴 정보를 생성한 후, 딥러닝 모델링 데이터에 특징 패턴 정보를 적용하여 유사도를 판단할 수 있도록 구성하기 때문에, 결함 위치(결함이 있는 감시 대상체)를 자동으로 추적할 수 있고, 결함 위치의 식별 정확도를 향상시킬 수 있도록 하는 장점이 발생된다.
도 1은 본 발명의 실시예에 따른 딥러닝 기반 결함 위치 추적 장치의 구성 블록도이다.
도 2는 본 발명의 실시예에 따른 딥러닝 기반 결함 위치 추적 장치를 구성하는 특징 패턴 정보 생성 모듈의 동작을 설명하기 위한 개략적인 예시도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 공정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.
도 1은 본 발명의 실시예에 따른 딥러닝 기반 결함 위치 추적 장치의 구성 블록도이다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 딥러닝 기반 결함 위치 추적 장치(100)는 결함 위치 추적 모델에 해당하는 딥러닝 모델을 트레이닝시키기 위한 트레이닝 데이터를 생성하는 트레이닝 데이터 생성 모듈(10), 감시 대상체들에 관련된 복수의 변수에 관한 감시/운전 데이터를 이용하여 트레이닝된 딥러닝 모델에 적용시키기 위한 특징 패턴 정보를 실시간으로 생성하는 특징 패턴 정보 생성 모듈(30) 및 트레이닝된 딥러닝 모델에 상기 실시간으로 생성된 특징 패턴 정보를 적용하여 결함 위치, 즉 결함이 발생한 감시 대상체, 좀 더 구체적으로 결함이 발생한 계통 기기 또는 설비의 위치를 진단 추적하는 추적 모듈(50)을 포함하여 구성된다.
상기 트레이닝 데이터 생성 모듈(10)은 각각의 감시 대상체에 관련된 결함 이력 데이터들을 이용하여 각각의 감시 대상체 별로 복수의 결함 유형 각각에 대응하는 트레이닝 데이터를 생성하는 동작을 수행한다.
여기서, 상기 각각의 감시 대상체는 계통의 다양한 기기들 또는 설비들을 의미한다. 상기 결함 이력 데이터들은 결함이 발생에 관련되거나 또는 결함이 발생할 때 관련된 감시/운전 변수 데이터를 의미한다. 즉, 상기 결함 이력 데이터들은 결함에 관련된 복수의 변수에 관한 감시/운전 데이터를 의미한다. 여기서, 복수의 변수란 예를 들어, 베어링 온도, 회전축 진동, 회전축 속도 등을 의미하고, 이에 관한 감시/운전 데이터는 베어링 온도 값, 회전축 진동 값, 회전축 속도 값을 의미한다.
상기 트레이닝 데이터 생성 모듈(10)은 각각의 감시 대상체에 관련된 결함 이력 데이터들을 이용하여 각각의 모든 감시 대상체 별로, 즉 감시 대상의 계통 기기들 또는 설비들 별로 복수의 결함 유형 각각에 대응하는 트레이닝 데이터를 생성한다.
여기서, 복수의 결함 유형은 각각의 감시 대상체에서 발생할 수 있는 결함 유형을 의미하고, 예를 들어, 질량 불평형(Unbalance), 오정렬(Misalignment), 축 크랙(Shaft Crack), 접촉 마모(Rubbing) 및 풀림(Looseness) 등을 의미한다. 각각의 감시 대상체, 즉 감시 대상 계통 기기들 또는 설비들은 이와 같은 다양한 결함 유형이 발생할 수 있고, 결함이 발생하면 이들 복수의 결함 유형들 중 적어도 하나 이상이 원인이 된다.
이와 같이, 상기 트레이닝 데이터 생성 모듈(10)은 각각의 감시 대상체 별로 복수의 결함 유형 각각에 대응하는 트레이닝 데이터를 생성하기 때문에, 이 트레이닝 데이터를 이용하여 딥러닝 트레이닝을 수행하는 상기 추적 모듈(50)은 각각의 감시 대상체 별로 복수의 결함 유형 각각에 대응하는 딥러닝 모델링 데이터들을 구축할 수 있는 딥러닝 모델을 생성할 수 있다. 따라서, 상기 추적 모듈(50)은 딥러닝 모델에 의해 구축된 모델링 데이터들과 상기 특징 패턴 정보 생성 모듈(30)로부터 생성되어 전달되는 특징 패턴 정보를 유사도를 위해 비교 판단하여 결함이 발생한 감시 대상체, 즉 결함이 발생한 계통의 기기 또는 설비가 무엇인지, 즉, 결함 위치를 진단 추적할 수 있다.
상기 트레이닝 데이터를 생성하여 상기 추적 모듈(50)에 전송하는 상기 트레이닝 데이터 생성 모듈(10)은 결함 이력 데이터 입력부(11)와 트레이닝 데이터 추출부(13)를 포함하여 구성된다.
상기 결함 이력 데이터 입력부(11)는 각각의 감시 대상체에 관련된 결함 이력 데이터들, 즉 결함에 관련된 복수의 변수에 관한 각각의 감시/운전 데이터들을 입력받는다. 이러한, 각각의 감시 대상체에 관련된 결함 이력 데이터들은 다양한 방법을 통해 사전에 획득되어 구축된 이력 데이터에 해당된다. 즉, 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들은 사전에 구축된 이력 데이터들이다. 물론, 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들은 지속적으로 업데이트되는 것이 바람직하다. 결과적으로, 상기 트레이닝 데이터 생성 모듈(10)은 지속적으로 트레이닝 데이터를 업데이트하여 상기 추적 모듈(50)로 전달하고, 따라서, 상기 추적 모듈(50)은 지속적으로 딥러닝 모델을 갱신, 업데이트할 수 있다.
상기 결함 이력 데이터 입력부(11)를 통해 입력되는 각각의 감시 대상체에 관련된 결함 이력 데이터들은 상기 각 감시 대상체의 과거 결함 이력 데이터, 상기 각 감시 대상체와 유사한 장치의 결함 데이터, 시뮬레이션을 통한 결함 데이터, 테스트베드(Testbed)를 통한 결함 데이터 중, 적어도 하나를 포함하는 것이 바람직하다.
상기 각 감시 대상체의 과거 결함 이력 데이터는 실제 과거에 본 발명에 적용되는 감시 대상체(기기들 또는 설비들)에 결함이 발생한 경우에, 관련된 결함 이력 데이터, 즉, 결함에 관련된 복수의 변수에 관한 감시/운전 데이터들을 의미한다. 또한, 상기 각 감시 대상체와 유사한 장치의 결함 데이터는 본 발명에 적용되는 감시 대상체(기기들 또는 설비들)와 유사한 장치들에 결함이 발생한 경우에, 관련된 결함 데이터, 즉, 결함에 관련된 복수의 변수에 관한 감시/운전 데이터들을 의미한다. 또한, 상기 시뮬레이션을 통한 결함 데이터는 다양한 시뮬레이터를 통해 각 감시 대상체들에 결함이 발생한 경우에, 관련된 결함 데이터, 즉, 결함에 관련된 복수의 변수에 관한 감시/운전 데이터들을 의미한다. 또한, 상기 테스트베드(Testbed)를 통한 결함 데이터는 테스트를 통해 각 감시 대상체들에 결함이 발생한 경우에, 관련된 결함 데이터, 즉, 결함에 관련된 복수의 변수에 관한 감시/운전 데이터들을 의미한다.
상기 결함 이력 데이터들은 상기 트레이닝 데이터 추출부(13)로 전달된다. 그러면, 상기 트레이닝 데이터 추출부(13)는 각각의 감시 대상체 별로 복수의 결함 유형 각각에 대응하는 트레이닝 데이터를 추출하는 동작을 수행한다. 여기서, 상기 트레이닝 데이터는 각각의 대상체 별로 복수의 결함 유형 각각에 대응하는 시계열 패턴 정보, 구체적으로 결함이 발생한 때 나타나는 시계열 패턴 정보에 해당한다. 상기 트레이닝 데이터, 즉 결함이 발생한 때 나타나는 시계열 패턴 정보를 추출하는 과정은 후술할 특징 패턴 정보 생성 모듈(30)이 특징 패턴 정보를 생성하는 과정과 대동소이하다. 따라서, 이에 대해서는 후술하겠다.
상기 트레이닝 데이터가 상기 추적 모듈(50)로 전달되면, 딥러닝 트레이닝을 통해 결함 위치 추적을 위한 딥러닝 모델을 생성할 수 있다. 따라서, 이후 실시간으로 입력되는 감시/운전 데이터를 분석 처리하여 생성된 딥러닝 모델에 적용하면 결함 발생 및 결함이 발생한 위치. 즉, 결함이 발생한 기기 또는 설비가 무엇인지 진단 추적할 수 있다.
상기 실시간으로 입력되는 감시/운전 데이터를 딥러닝 모델에 적용하여 결함 위치를 진단 추적하기 위해서는 상기 감시/운전 데이터에 대한 가공 처리가 선행되어야 한다. 이와 같은 가공 처리는 상기 특징 패턴 정보 생성 모듈(30)이 수행한다. 즉, 상기 특징 패턴 정보 생성 모듈(30)은 상기 실시간으로 입력되는 감시/운전 데이터들을 가공 처리하여 상기 딥러닝 모델에 적용할 수 있는 정보, 즉, 특징 패턴 정보를 생성하고, 이 생성된 특징 패턴 정보를 상기 추적 모듈(50)에 전달한다. 그러면, 상기 추적 모듈(50)은 상기 특징 패턴 정보를 상기 딥러닝 모델에 적용하여 결함 발생 여부 및 결함 위치를 진단 추적할 수 있다.
상기 특징 패턴 정보 생성 모듈(30)은 실시간으로 입력되는 복수의 변수에 관한 감시/운전 데이터들을 이용하여, 각각의 변수에 관한 감시/운전 데이터들 각각의 패턴 변화 정보를 시계열적으로 결합하여 형성되는 특징 패턴 정보를 생성하는 동작을 수행한다. 즉, 상기 특징 패턴 정보 생성 모듈(30)은 단지 1차원의 패턴 변화 정보에 해당하는 특징 패턴 정보를 생성하는 것이 아니라, 복수 개의 1차원의 패턴 변화 정보들이 시간차를 두고 다단 조합 형태로 결합한 단일의 패턴 변화 정보(도 2의 (c) 참조), 즉 시계열적으로 결합한 패턴 변화 정보에 해당하는 특징 패턴 정보를 생성한다.
이와 같은 시계열적으로 결합하여 형성되는 특징 패턴 정보를 생성하기 위하여, 상기 특징 패턴 정보 생성 모듈(30)은 복수의 변수에 관한 각각의 감시/운전 데이터들을 입력받는 감시/운전 데이터 입력부(31), 상기 복수의 변수에 관한 각각의 감시/운전 데이터들을 상호 시간차를 가지는 복수의 시점으로 분할하여 복수의 데이터 블록을 생성하는 데이터 블록 생성부(33), 생성된 각각의 데이터 블록에 포함된 복수의 변수에 관한 각각의 감시/운전 데이터들에 대해 패턴 변화 정보를 추출하는 패턴 변화 정보 추출부(35) 및 추출된 패턴 변화 정보를 각 시점에 대응하여 다단 조합 형태로 결합하여 단일의 패턴인 특징 패턴 정보에 해당하는 단일의 시계열 패턴 정보를 생성하는 시계열 패턴 정보 생성부(37)를 포함하여 구성된다.
상기 특징 패턴 정보 생성 모듈(30)을 구성하는 구성요소들의 구체적인 동작을 첨부된 도 2를 참조하여 설명하면 다음과 같다.
먼저, 상기 감시/운전 데이터 입력부(31)는 실시간으로 복수의 변수에 관한 감시/운전 데이터들을 입력받는다. 상기 복수의 변수에 관한 감시/운전 데이터들은 주기적으로 입력되는 것이 바람직하다. 상기 복수의 변수는 베어링 온도, 회전체 진동, 회전체 속도 등에 해당하고, 이에 관한 감시/운전 데이터는 베어링 온도 값, 회전체 진동 값, 회전체 속도 값 등에 해당한다.
상기 복수의 변수에 관한 감시/운전 데이터들은 상기 데이터 블록 생성부(33)에 전달된다. 그러면, 상기 데이터 블록 생성부(33)는 도 2의 (a)에 도시된 바와 같이, 실시간으로 입력되는 복수의 변수에 관한 감시/운전 데이터들(d1 ~ dn)을 상호 시간차를 가지는 복수의 시점(t1, t2, t3)으로 분할하여 각 시점에 대응하는 복수의 데이터 블록(1)들을 생성한다.
도 2에서, 상기 복수의 시점(t1, t2, t3)은 상호 시간차를 가지는 세 개인 것으로 예시하고, 이에 따라 세 개의 데이터 블록(1)이 생성되는 것을 예시하고 있다. 여기서, 복수의 시점(t1, t2, t3) 중, 시점1(t1)은 특정되지 않은 임의의 시점을 의미하고, 상기 복수의 시점(t1, t2, t3) 중, 시점 2(t2)는 상기 시점1(t1)과 제1 시간차를 가지는 시점을 의미하며, 상기 복수의 시점(t1, t2, t3) 중, 시점3(t3)은 상기 시점2(t2)와 제2 시간차를 가지는 시점을 의미한다.
여기서, 상기 제1 시간차와 상기 제2 시간차는 상이할 수도 있고 동일할 수도 있는데, 상기 제1 시간차와 상기 제2 시간차는 동일한 특정 주기(T)인 것이 바람직하다. 즉, 상기 복수의 변수에 관한 감시/운전 데이터들은 상기 감시/운전 데이터 입력부(31)를 통해 주기적으로 입력되는 것이 바람직하기 때문에, 이에 연계하여 데이터 블록의 생성을 용이하게 하기 위하여, 상기 제1 시간차와 상기 제2 시간차는 동일한 특정 주기(T)인 것이 바람직하다. 결과적으로, 상기 시점1이 t1일 대, 상기 시점2(t2)는 t1+T이고, 상기 시점3(t3)은 t1+2T 또는 t2+T가 되는 것이 바람직하다.
상기 데이터 블록 생성부(33)에 의하여 생성된 각각의 데이터 블록(1)에는 복수의 변수에 관한 각각의 감시/운전 데이터들이 포함되어 있다. 예를 들어, 각각의 데이터 블록(1)에는 베어링 온도 값(d1), 회전체 진동 값(d2), 회전체 속도 값(d3)... 등이 순서대로 포함되어 있다. 각각의 데이터 블록(1)의 동일한 위치에는 동일한 변수에 관한 감시/운전 데이터 정보가 포함되어 있다.
상기 데이터 블록 생성부(33)에서 생성된 상호 시간차를 가지는 복수의 시점(t1, t2, t3)으로 분할하여 각 시점에 대응하는 복수의 데이터 블록(1)들을 패턴 변화 정보 추출부(35)로 전달된다. 그러면, 상기 패턴 정보 추출부(35)는 도 2의 (b)에 도시된 바와 같이, 상호 시간차를 가지는 복수의 시점에서 각 변수에 관한 감시/운전 데이터의 패턴 변화 정보를 추출한다. 즉, 상기 패턴 정보 추출부(35)는 각 시점에 대응하는 복수의 데이터 블록(1)들에 포함되는 복수의 변수에 관한 각각의 감시/운전 데이터들에 대해 1차원 직선 형태의 패턴 변화 정보를 추출한다. 상기 패턴 정보 추출부(35)는 각 시점에 대응하는 데이터 블록에 대해 반복적으로 패턴 변화 정보 추출 동작을 수행하고, 결과적으로 시간에 따른 시계열적인 패턴 변화 정보들이 순차적으로 추출된다.
예시적으로 살펴보면, 도 2의 (b)에 도시된 바와 같이, 복수의 변수에 관한 감시/운전 데이터들 중, 첫 번째 변수, 상술한 예시에 의하면, 베어링 온도에 관한 데이터(d1), 즉 베어링 온도 값에 대한 패턴 변화 정보는 각 시점에서 변화가 없이 동일한 상태를 유지한다. 즉, 도 2의 (b)는 특정 감시 대상체에 특정 결함이 발생한 경우에, 첫 번째 변수, 예를 들어 베어링 온도 값에 대한 패턴 변화 정보는 각 시점에서 변화가 없이 동일한 상태를 유지한다는 것을 보여주고 있다.
상기 패턴 정보 추출부(35)에 의하여 추출된 각 시점에 대응하는 복수의 패턴 변화 정보들은 상기 시계열 패턴 정보 생성부(37)에 전달된다. 그러면, 상기 시계열 패턴 정보 생성부(27)는 도 2의 (c)에 도시된 바와 같이, 상기 각 시점에 대응하는 복수의 패턴 변화 정보들을 각 시점 순서대로 다단 조합 형태로 결합하여 단일의 패턴에 해당하는 단일의 시계열 패턴 정보(5), 즉 단일의 특징 패턴 정보를 생성한다.
상기 시계열 패턴 정보 생성부(37)에 의하여 생성된 단일의 시계열 패턴 정보는 1차원 직선 형태로만 이루어진 단일의 패턴 변화 정보도 아니고, 복수의 시점에 대응한 복수의 패턴 변화 정보들이 시간 순서대로 다단 조합 형태로 결합하여 형성된 단일의 시계열적인 패턴 정보(5)에 해당된다.
이와 같이, 생성된 시계열 패턴 정보(5), 즉 특징 패턴 정보는 상기 추적 모듈(50)에 전달된다. 그러면, 상기 추적 모듈(50)은 생성된 딥러닝 모델에 상기 특징 패턴 정보를 적용하여 결함 발생 여부 및 결함이 발생하였다면, 결함 위치, 즉 결함이 발생한 감시 대상체, 구체적으로 결함이 발생한 계통 기기 또는 설비가 무엇인지를 알 수 있는 위치를 진단 추적할 수 있다.
상기 추적 모듈(50)은 상술한 바와 같이, 상기 트레이닝 데이터 생성 모듈(10)에 의하여 전달되는 트레이닝 데이터를 입력받아 딥러닝 트레이닝(training)을 통해 결함 위치 추적을 위한 딥러닝 모델을 생성하여 모델링 데이터들을 구축할 수 있고, 상기 딥러닝 모델에 의해 구축되는 모델링 데이터들에 상기 특징 패턴 정보를 적용하여 결함 위치를 진단 추적하는 동작을 수행한다.
상기 추적 모듈(50)은 딥러닝 학습부(51)와 진단부(53)를 포함하여 구성된다.
상기 딥러닝 학습부(51)는 상기 트레이닝 데이터 추출부(13)에서 추출되어 전달되는 트레이닝 데이터들을 이용하여 딥러닝 트레이닝(training)을 수행하고, 트레이닝을 통하여 결함 위치를 진단 추적할 수 있는 딥러닝 모델을 생성한다. 결과적으로, 상기 딥러닝 학습부(51)는 상기 생성된 딥러닝 모델을 통해 딥러닝 모델링 데이터들을 생성하여 저장 관리할 수 있다. 상기 딥러닝 학습부(51)는 신규 트레이닝 데이터가 입력될 때마다 해당 신규 트레이닝 데이터만을 딥러닝 트레이닝하여 딥러닝 모델 또는 모델링 데이터들을 업데이트할 수 있다.
상기 진단부(53)는 실제 감시 대상체의 결함을 실시간으로 예측 진단하고 결함 위치를 추적하는 과정에서 입력되는 복수의 변수에 관한 감시/운전 데이터들을 가공 처리하여 생성된 특징 패턴 정보를 상기 딥러닝 학습부(51)에 의하여 구축된 모델링 데이터들에 반영하여 감시 대상체의 결함 발생 여부 및 결함 발생 위치를 예측 및 진단 추적을 통해 식별하는 동작을 수행한다. 즉, 상기 진단부(53)는 상기 생성된 딥러닝 모델에 의하여 생성된 모델링 데이터들과 상기 특징 패턴 정보의 유사도를 평가 및 분석하여 상기 특징 패턴 정보와 유사도가 가장 높은 딥러닝 모델링 데이터를 추출하고, 이 추출된 딥러닝 모델링 데이터에 매칭하여 저장 관리되는 결함 위치 및 결함 유형을 확인하여 결함이 발생한 감시 대상체를 식별할 수 있다.
딥러닝 알고리즘은 Deep Belief Network (DBN), Recurrent Neural Network (RNN) 등 다양하게 존재한다. 본 발명에서는 결함 식별을 위한 딥러닝 알고리즘으로서 합성곱 신경망인 Convolutional Neural Network(CNN)를 적용한다. 합성곱 신경망은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 특히 합성곱 신경망은 영상 및 음성 분야에서 좋은 성능을 보이고 있으며, 피드포워드 (Feedforward) 인공신경망 기법들보다 쉽게 훈련되는 편이고, 매개변수의 수가 타 인공신경망에 비해 적은 편이며, 결함 특징을 추출하는 부분 또한 학습된다는 점에서 본 발명에 적합하여 채택 적용한다.
한편, 상기 추적 모듈(50)은 상기 모델링 데이터에 대한 상기 특징 패턴 정보의 매칭 유사도가 설정 기준 유사도보다 낮은 경우에, 상기 특징 패턴 정보를 반영한 딥러닝 재트레이닝(Re-training)을 통해 결함 위치 추적을 위한 모델링 데이터를 업데이트하는 것이 바람직하다.
구체적으로, 상기 진단부(53)는 상기 모델링 데이터들과 상기 특징 패턴 정보를 비교 분석하여 매칭 유사도 평가를 수행한 결과, 가장 높은 매칭 유사도가 사전에 설정된 설정 기준 유사도보다 낮은 경우에는 결함 위치 추적에 대한 정확도 역시 낮고 신뢰할 수 없다. 따라서, 상기 진단부(53)는 상기 매칭 유사도가 낮은 특징 패턴 정보를 상기 딥러닝 학습부(51)로 전달하여 재트레이닝 진행될 수 있도록 제어한다. 그러면, 상기 딥러닝 학습부(51)는 상기 전달받은 특징 패턴 정보를 반영하여 딥러닝 재트레이닝을 수행하여 결함 위치 추적을 위한 딥러닝 모델을 갱신 또는 업데이트하여 딥러닝 모델링 데이터가 업데이트될 수 있도록 한다.
한편, 상기 추적 모듈(50)은 상기 트레이닝 데이터 생성 모듈(10)을 구성하는 상기 트레이닝 데이터 추출부(13)로부터 트레이닝 데이터들을 전달받아 딥러닝 트레이닝을 통해 딥러닝 모델을 생성한다.
이를 위하여, 상기 트레이닝 데이터 추출부(13)는 상술한 특징 패턴 정보 생성 모듈(30)과 대동소이한 동작을 통해 트레이닝 데이터를 추출한다. 상기 트레이닝 데이터 추출부(13)는 상기 딥러닝 트레이닝을 위한 트레이닝 데이터를 추출 생성하고, 상기 특징 패턴 정보 생성 모듈은 실시간으로 특징 패턴 정보를 생성한다는 점에서 차이가 있고, 더 나아가 상기 트레이닝 데이터 추출부(13)는 각각의 감시 대상체에 관련된 결함 이력 데이터들, 즉, 사전에 구축되되, 결함이 발생한 때의 각 변수에 관한 각각의 감시/운전 데이터들을 입력받아서 상기 트레이닝 데이터를 생성하고, 상기 특징 패턴 정보 생성 모듈(30)은 실시간으로 복수의 변수에 관한 감시/운전 데이터들을 입력받아서 상기 특징 패턴 정보를 생성한다는 점에서 더 차이가 있다.
이와 같은 차이점을 고려하여 상기 트레이닝 데이터 추출부(13)의 동작을 간략하면 설명하면 다음과 같다.
상기 트레이닝 데이터 추출부(13)는 시계열적으로 결합하여 형성되는 트레이닝 데이터를 생성한다. 이를 위하여, 상기 트레이닝 데이터 추출부(13)는 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들에 해당하는 복수의 변수에 관한 각각의 감시/운전 데이터들을 상기 결함 이력 데이터 입력부(11)로부터 입력받는다. 그러면, 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들에 해당하는 복수의 변수에 관한 각각의 감시/운전 데이터들을 상호 시간차를 가지는 복수의 시점으로 분할하여 복수의 데이터 블록을 생성한다. 그런 후, 상기 생성된 각각의 데이터 블록에 포함된 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들에 해당하는 복수의 변수에 관한 각각의 감시/운전 데이터들에 대해 패턴 변화 정보를 추출한다. 이후, 상기 추출된 패턴 변화 정보를 각 시점에 대응하여 다단 조합 형태로 결합하여 단일의 패턴인 트레이닝 데이터에 해당하는 단일의 시계열 패턴 정보를 생성한다. 이러한 트레이닝 데이터들은 각각의 감시 대상체 별로 각 결함 유형에 대해 각각 생성되는 것이 바람직하다.
도 2를 참조하여 좀 더 구체적으로 설명하면, 먼저, 상기 트레이닝 데이터 추출부(13)는 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들에 해당하는 복수의 변수에 관한 감시/운전 데이터들을 입력받는다. 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들에 해당하는 복수의 변수에 관한 감시/운전 데이터들은 주기적으로 입력되는 것이 바람직하다. 상기 복수의 변수는 베어링 온도, 회전체 진동, 회전체 속도 등에 해당하고, 이에 관한 감시/운전 데이터는 베어링 온도 값, 회전체 진동 값, 회전체 속도 값 등에 해당한다.
다음, 상기 트레이닝 데이터 추출부(13)는 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들에 해당하는 복수의 변수에 관한 감시/운전 데이터들(d1 ~ dn)을 상호 시간차를 가지는 복수의 시점(t1, t2, t3)으로 분할하여 각 시점에 대응하는 복수의 데이터 블록(1)들을 생성한다.
도 2에서, 상기 복수의 시점(t1, t2, t3)은 상호 시간차를 가지는 세 개인 것으로 예시하고, 이에 따라 세 개의 데이터 블록(1)이 생성되는 것을 예시하고 있다. 여기서, 복수의 시점(t1, t2, t3) 중, 시점1(t1)은 특정되지 않은 임의의 시점을 의미하고, 상기 복수의 시점(t1, t2, t3) 중, 시점 2(t2)는 상기 시점1(t1)과 제1 시간차를 가지는 시점을 의미하며, 상기 복수의 시점(t1, t2, t3) 중, 시점3(t3)은 상기 시점2(t2)와 제2 시간차를 가지는 시점을 의미한다.
여기서, 상기 제1 시간차와 상기 제2 시간차는 상이할 수도 있고 동일할 수도 있는데, 상기 제1 시간차와 상기 제2 시간차는 동일한 특정 주기(T)인 것이 바람직하다. 즉, 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들에 해당하는 상기 복수의 변수에 관한 감시/운전 데이터들은 상기 결함 이력 데이터 입력부(11)를 통해 주기적으로 입력되는 것이 바람직하기 때문에, 이에 연계하여 데이터 블록의 생성을 용이하게 하기 위하여, 상기 제1 시간차와 상기 제2 시간차는 동일한 특정 주기(T)인 것이 바람직하다. 결과적으로, 상기 시점1이 t1일 대, 상기 시점2(t2)는 t1+T이고, 상기 시점3(t3)은 t1+2T 또는 t2+T가 되는 것이 바람직하다.
상기 생성된 각각의 데이터 블록(1)에는 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들에 해당하는 복수의 변수에 관한 각각의 감시/운전 데이터들이 포함되어 있다. 예를 들어, 각각의 데이터 블록(1)에는 베어링 온도 값(d1), 회전체 진동 값(d2), 회전체 속도 값(d3)... 등이 순서대로 포함되어 있다. 각각의 데이터 블록(1)의 동일한 위치에는 동일한 변수에 관한 감시/운전 데이터 정보가 포함되어 있다.
다음, 상기 트레이닝 데이터 추출부(13)는 도 2의 (b)에 도시된 바와 같이, 상호 시간차를 가지는 복수의 시점에서 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들에 해당하는 각 변수에 관한 감시/운전 데이터의 패턴 변화 정보를 추출한다. 즉, 각 시점에 대응하는 복수의 데이터 블록(1)들에 포함되는 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들에 해당하는 복수의 변수에 관한 각각의 감시/운전 데이터들에 대해 1차원 직선 형태의 패턴 변화 정보를 추출한다. 상기 트레이닝 데이터 추출부(13)는 각 시점에 대응하는 데이터 블록에 대해 반복적으로 패턴 변화 정보 추출 동작을 수행하고, 결과적으로 시간에 따른 시계열적인 패턴 변화 정보들이 순차적으로 추출된다.
예시적으로 살펴보면, 도 2의 (b)에 도시된 바와 같이, 상기 각각의 감시 대상체에 관련된 결함 이력 데이터들에 해당하는 복수의 변수에 관한 감시/운전 데이터들 중, 첫 번째 변수, 상술한 예시에 의하면, 베어링 온도에 관한 데이터(d1), 즉 베어링 온도 값에 대한 패턴 변화 정보는 각 시점에서 변화가 없이 동일한 상태를 유지한다. 즉, 도 2의 (b)는 특정 감시 대상체에 특정 결함이 발생한 경우에, 첫 번째 변수, 예를 들어 베어링 온도 값에 대한 패턴 변화 정보는 각 시점에서 변화가 없이 동일한 상태를 유지한다는 것을 보여주고 있다.
다음, 상기 트레이닝 데이터 추출부(13)는 도 2의 (c)에 도시된 바와 같이, 상기 각 시점에 대응하는 복수의 패턴 변화 정보들을 각 시점 순서대로 다단 조합 형태로 결합하여 단일의 패턴에 해당하는 단일의 시계열 패턴 정보(5), 즉 단일 패턴의 트레이닝 데이터를 생성한다.
상기 트레이닝 데이터 추출부(13)에 의하여 생성된 단일의 시계열 패턴 정보는 1차원 직선 형태로만 이루어진 단일의 패턴 변화 정보도 아니고, 복수의 시점에 대응한 복수의 패턴 변화 정보들이 시간 순서대로 다단 조합 형태로 결합하여 형성된 단일의 시계열적인 패턴 정보(5)에 해당된다.
이와 같이, 생성된 단일의 시계열 패턴 정보(5), 즉 단일 패턴의 트레이닝 데이터는 상기 추적 모듈(50)에 전달된다. 그러면, 상기 딥러닝 학습부(51)는 상기 트레이닝 데이터를 입력받아 딥러닝 트레이닝(training)을 통해 결함 위치 추적을 위한 딥러닝 모델을 생성하고, 모델링 데이터들을 저장 관리한다. 그러면, 상기 진단부(53)는 상기 모델링 데이터에 상기 특징 패턴 정보를 적용하여 결함 위치를 진단 추적할 수 있다.
이상에서 본 발명에 따른 실시예들이 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 범위의 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 다음의 특허청구범위에 의해서 정해져야 할 것이다.
1 : 데이터 블록 3 : 패턴 변화 정보
5 : 시계열 패턴 정보 10 : 트레이닝 데이터 생성 모듈
11 : 결함 이력 데이터 입력부 13 : 트레이닝 데이터 추출부
30 : 특징 패턴 정보 생성 모듈 31 : 감시/운전 데이터 입력부
33 : 데이터 블록 생성부 35 : 패턴 변화 정보 추출부
37 : 시계열 패턴 정보 생성부 50 : 추적 모듈
51 : 딥러닝 학습부 53 : 진단부
100 : 딥러닝 기반 결함 위치 추적 장치

Claims (3)

  1. 감시 대상체들의 결함 위치 추적 장치에 있어서,
    각각의 감시 대상체에 관련된 결함 이력 데이터들을 이용하여 각각의 감시 대상체 별로 복수의 결함 유형 각각에 대응하는 트레이닝 데이터를 생성하는 트레이닝 데이터 생성 모듈;
    실시간으로 입력되는 복수의 변수에 관한 감시/운전 데이터들을 이용하여, 각각의 변수에 관한 감시/운전 데이터들 각각의 패턴 변화 정보를 시계열적으로 결합하여 형성되는 특징 패턴 정보를 생성하는 특징 패턴 정보 생성 모듈;
    상기 트레이닝 데이터를 입력받아 딥러닝 트레이닝(training)을 통해 결함 위치 추적을 위한 모델링 데이터를 생성하고, 상기 모델링 데이터에 상기 특징 패턴 정보를 적용하여 결함 위치를 진단 추적하는 추적 모듈을 포함하여 구성되는 것을 특징으로 하는 딥러닝 기반 결함 위치 추적 장치.
  2. 청구항 1에 있어서,
    상기 각각의 감시 대상체에 관련된 결함 이력 데이터들은 사전에 구축된 이력 데이터들이고,
    상기 각 감시 대상체의 과거 결함 이력 데이터, 상기 각 감시 대상체와 유사한 장치의 결함 데이터, 시뮬레이션을 통한 결함 데이터, 테스트베드(Testbed)를 통한 결함 데이터 중, 적어도 하나를 포함하는 것을 특징으로 하는 딥러닝 기반 결함 위치 추적 장치.
  3. 청구항 1에 있어서,
    상기 추적 모듈은 상기 모델링 데이터에 대한 상기 특징 패턴 정보의 매칭 유사도가 설정 기준 유사도보다 낮은 경우에, 상기 특징 패턴 정보를 반영한 딥러닝 재트레이닝(Re-training)을 통해 결함 위치 추적을 위한 모델링 데이터를 업데이트하는 것을 특징으로 하는 딥러닝 기반 결함 위치 추적 장치.
KR1020190150013A 2019-11-21 2019-11-21 딥러닝 기반 결함 위치 추적 장치 KR102414537B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190150013A KR102414537B1 (ko) 2019-11-21 2019-11-21 딥러닝 기반 결함 위치 추적 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190150013A KR102414537B1 (ko) 2019-11-21 2019-11-21 딥러닝 기반 결함 위치 추적 장치

Publications (2)

Publication Number Publication Date
KR20210062162A true KR20210062162A (ko) 2021-05-31
KR102414537B1 KR102414537B1 (ko) 2022-06-30

Family

ID=76150478

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190150013A KR102414537B1 (ko) 2019-11-21 2019-11-21 딥러닝 기반 결함 위치 추적 장치

Country Status (1)

Country Link
KR (1) KR102414537B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180048218A (ko) * 2016-10-31 2018-05-10 현대위아 주식회사 기계학습 기반 공작기계 고장 진단 시스템 및 방법
KR101967301B1 (ko) 2017-12-07 2019-04-09 한국생산기술연구원 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템
KR20190085291A (ko) * 2018-01-10 2019-07-18 주식회사 서연이화 자동화설비의 고장분석장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180048218A (ko) * 2016-10-31 2018-05-10 현대위아 주식회사 기계학습 기반 공작기계 고장 진단 시스템 및 방법
KR101967301B1 (ko) 2017-12-07 2019-04-09 한국생산기술연구원 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템
KR20190085291A (ko) * 2018-01-10 2019-07-18 주식회사 서연이화 자동화설비의 고장분석장치 및 방법

Also Published As

Publication number Publication date
KR102414537B1 (ko) 2022-06-30

Similar Documents

Publication Publication Date Title
JP7012871B2 (ja) システムを制御する装置及び方法
EP3098681B1 (en) Artificial intelligence based health management of host system
Langarica et al. An industrial internet application for real-time fault diagnosis in industrial motors
Bengtsson et al. Design of condition based maintenance system—A case study using sound analysis and case-based reasoning
JP5016519B2 (ja) 予測的状態監視のための診断システムおよび方法
EP3866177A1 (en) Abnormal driving state determination device and method using neural network model
KR20210068687A (ko) 복합설비 고장진단 및 지식기반탐색 방법
CN116842423A (zh) 基于多模态深度学习的航空发动机故障诊断方法及系统
CN112905371B (zh) 基于异构多源数据异常检测的软件变更检查方法和装置
Saeki et al. Visual explanation of neural network based rotation machinery anomaly detection system
WO2019038283A1 (en) METHOD FOR MONITORING AN INDUSTRIAL INSTALLATION AND INDUSTRIAL CONTROL SYSTEM
Wu et al. Condition-based monitoring and novel fault detection based on incremental learning applied to rotary systems
KR102414537B1 (ko) 딥러닝 기반 결함 위치 추적 장치
US20230022100A1 (en) Prognostic and health management system for system management and method thereof
CN116151312A (zh) 基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法及系统
CN114973539A (zh) Atm维修人员的监控方法及装置
Smeraldo et al. A data-driven approach to fault diagnostics for industrial process plants based on feature extraction and inferential statistics
El Mahdi et al. Real Time Assessment of Novel Predictive Maintenance System Based on Artificial Intelligence for Rotating Machines.
CN116235121A (zh) 识别用于执行生产过程的工业设施中的异常的装置和方法
Kasap et al. Unsupervised dissimilarity-based fault detection method for autonomous mobile robots
Saddem et al. Machine learning-based approach for online fault Diagnosis of Discrete Event System
Singh et al. Outlier modeling in gear bearing using autoencoder for remaining useful life prediction
US20230394301A1 (en) Device and method for tracking basis of abnormal state determination by using neural network model
Sviridov et al. Analysis of the Application of Machine Learning in Automatic Control Systems
Reynoso Maintenance 4.0 Applied To The Condition Analysis Of Rotating Electrical Engines: A Work in Progress

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X601 Decision of rejection after re-examination
J201 Request for trial against refusal decision
J301 Trial decision

Free format text: TRIAL NUMBER: 2022101000586; TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20220317

Effective date: 20220517

GRNO Decision to grant (after opposition)