KR20210062794A - 기자재 구성요소 추출 장치 및 방법과, 그를 포함하는 고장 진단 시스템 - Google Patents

기자재 구성요소 추출 장치 및 방법과, 그를 포함하는 고장 진단 시스템 Download PDF

Info

Publication number
KR20210062794A
KR20210062794A KR1020190150810A KR20190150810A KR20210062794A KR 20210062794 A KR20210062794 A KR 20210062794A KR 1020190150810 A KR1020190150810 A KR 1020190150810A KR 20190150810 A KR20190150810 A KR 20190150810A KR 20210062794 A KR20210062794 A KR 20210062794A
Authority
KR
South Korea
Prior art keywords
components
equipment
processors
extracting
data
Prior art date
Application number
KR1020190150810A
Other languages
English (en)
Inventor
양정희
박주미
Original Assignee
대우조선해양 주식회사
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 대우조선해양 주식회사 filed Critical 대우조선해양 주식회사
Priority to KR1020190150810A priority Critical patent/KR20210062794A/ko
Publication of KR20210062794A publication Critical patent/KR20210062794A/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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • 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

Landscapes

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

Abstract

본 발명은 기자재 도면으로부터 기자재의 구성요소들을 추출하고 추출된 구성요소들을 이용하여 고장난 구성요소들의 위치와 정도를 파악하는 기자재 구성요소 추출 장치 및 방법과, 그를 포함하는 고장 진단 시스템에 관한 것이다. 본 발명의 기자재 구성요소 추출 장치는, 다수의 도면 이미지를 나타내는 제1 정보; 및 상기 다수의 도면 이미지에 포함된 다수의 구성요소를 각각 나타내는 제2 정보를 포함하는 하나 이상의 훈련 데이터를 획득하고, 상기 하나 이상의 훈련 데이터에 기초하여, 신경망 모델을 훈련한다.

Description

기자재 구성요소 추출 장치 및 방법과, 그를 포함하는 고장 진단 시스템{APPARATUS AND METHOD FOR EXTRACTING COMPOSITION OF EQUIPMENT, AND FAULT DIAGNOSIS SYSTEM INCLUDING THE SAME}
본 발명은 기자재의 고장 진단 시스템에 관한 것으로, 보다 구체적으로는 기자재 도면으로부터 기자재의 구성요소들을 추출하고 추출된 구성요소들을 이용하여 고장난 구성요소들의 위치와 정도를 파악하는 기자재 구성요소 추출 장치 및 방법과, 그를 포함하는 고장 진단 시스템에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습(딥러닝) 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 딥러닝의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
한편, 종래의 기자재 고장 진단을 위한 기자재의 구성요소 확인을 위해서는 해당 기자재의 도면과 제품 설명서 등의 정보를 사람이 확인하여 수기로 입력해야 했고, 기재자의 도면 또는 제품 설명서 등의 자료가 존재하지 않는 경우 해당 기자재를 분해하여 구성요소를 육안으로 확인하여야 했다.
사람이 수기로 입력한 정보들을 종합하여 기자재의 구성요소를 파악하거나 기자재를 분해하여 구성요소를 파악하는데 적지 않은 시간이 소요되고, 기자재를 분해하여 구성요소를 파악하고 다시 조립하는 경우 제품 사용에 대한 손실이 발생하는 문제점이 있다.
또한, 사람이 파악한 기자재의 구성요소에 대한 정보를 종래의 고장 진단 솔루션에 입력하는데 적지 않은 시간이 소요되는 문제점이 있다.
본 발명은 기자재 도면으로부터 기자재의 구성요소들을 추출하고 추출된 구성요소들을 이용하여 고장난 구성요소들의 위치와 정도를 파악하는 기자재 구성요소 추출 장치 및 방법과, 그를 포함하는 고장 진단 시스템을 제공한다.
본 발명의 실시예에 따른　기자재 구성요소 추출 장치는, 하나 이상의 프로세서; 상기 하나의 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령들이 저장된 하나 이상의 메모리를 포함하고, 상기 하나 이상의 프로세서는, 다수의 도면 이미지를 나타내는 제1 정보; 및 상기 다수의 도면 이미지에 포함된 다수의 구성요소를 각각 나타내는 제2 정보를 포함하는 하나 이상의 훈련 데이터를 획득하고, 상기 하나 이상의 훈련 데이터에 기초하여, 신경망 모델을 훈련할 수 있다.
일 실시예로서, 상기 하나 이상의 프로세서는, 상기 제1 정보를 상기 신경망 모델의 훈련을 위한 입력 데이터로서 입력 받고, 상기 다수의 구성요소의 형상을 상기 신경망 모델의 훈련에 의해서 출력 데이터로서 출력할 수 있다.
일 실시예로서, 상기 하나 이상의 프로세서는, 상기 다수의 도면 이미지에 포함된 다수의 구성요소 각각의 고유 형상 정보 및 구성요소 간 결합 패턴을 이용하여 모터, 커플링, 축, 베어링, 원심펌프 및 기어 중 적어도 하나의 구성요소를 추출하여 출력 데이터로서 출력할 수 있다.
일 실시예로서, 상기 하나 이상의 프로세서는, 상기 다수의 구성요소 중 고장 진단에 필요한 구성요소를 추출하여 출력 데이터로서 출력할 수 있다.
본 발명의 실시예에 따른 기자재 고장 진단 시스템은, 상기한 기자재 구성요소 추출 장치; 및 상기 다수의 도면 이미지에 포함된 상기 다수의 구성요소 중 고장 진단에 필요한 구성요소를 추출하여 형성된 구성요소 데이터를 이용하여 고장난 구성요소의 위치 및 고장 정도를 파악하는 고장진단부를 포함할 수 있다.
일 실시예로서, 상기 고장진단부는 상기 고장난 구성요소의 결함 패턴을 분석하여 고장 정도를 파악할 수 있다.
본 발명의 실시예에 따른 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되기 위한 명령들이 저장된 하나 이상의 메모리를 포함하는 컴퓨터에서 수행되는 기자재 구성요소 추출 방법은, 상기 하나 이상의 프로세서가, 다수의 도면 이미지를 나타내는 제1 정보를 획득하는 단계; 상기 다수의 도면 이미지에 포함된 다수의 구성요소를 각각 나타내는 제2 정보를 포함하는 하나 이상의 훈련 데이터를 획득하는 단계; 및 상기 하나 이상의 프로세서가, 상기 하나 이상의 훈련 데이터에 기초하여, 신경망 모델을 훈련하는 단계를 포함할 수 있다.
일 실시예로서, 상기 하나 이상의 프로세서는, 상기 제1 정보를 상기 신경망 모델의 훈련을 위한 입력 데이터로서 입력 받고, 상기 다수의 구성요소의 형상을 상기 신경망 모델의 훈련에 의해서 출력 데이터로서 출력할 수 있다.
일 실시예로서, 상기 하나 이상의 프로세서는, 상기 다수의 도면 이미지에 포함된 다수의 구성요소 각각의 고유 형상 정보 및 구성요소 간 결합 패턴을 이용하여 모터, 커플링, 축, 베어링, 원심펌프 및 기어 중 적어도 하나의 구성요소를 추출하여 출력 데이터로서 출력할 수 있다.
일 실시예로서, 상기 하나 이상의 프로세서는, 상기 다수의 구성요소 중 고장 진단에 필요한 구성요소를 추출하여 출력 데이터로서 출력할 수 있다.
본 발명의 실시예들에 따르면, 기자재의 고장 진단 솔루션에 필요한 기자재 구성요소들의 정보를 이미지 식별 알고리즘을 이용하여 자동으로 필요한 정보들만 추출하고, 추출된 정보들이 자동으로 입력되어 기자재 고장 진단 시 솔루션 사전 설정 작업 시간이 단축되고, 사람이 기자재 정보를 반복적으로 파악해야 하는 소모적인 과정이 필요 없게 되어 효율적이고 경제적으로 기자재의 고장 진단을 수행할 수 있다.
도　1은 본 발명의 실시예에 따른 기자재 구성요소 추출 환경의 구성을 보이는 예시도이다.
도 2는 본 발명의 실시예에 따른 기자재 구성요소 추출 장치의 구성을 보이는 예시도이다.
도 3은 본 발명의 실시예에 따른 도면 이미지를 이용한 구성요소 추출 도면의 예시도이다.
도 4는 본 발명의 실시예에 따른 기자재 구성요소 추출 방법의 절차를 보이는 흐름도이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
도　1은 본 발명의 실시예에 따른 기자재 구성요소 추출 환경의 구성을 보이는 예시도이다.
도　1에 도시한 바와 같이,　기자재 구성요소 추출 환경(100)은 다수의 기자재 제조업체 단말(110-1,…,110-n),　기자재 구성요소 추출 장치(120),　데이터베이스(130)　및 네트워크(N)를 포함할 수 있다.　　일 실시예에 따르면,　데이터베이스(130)는 기자재 구성요소 추출 장치(120)와는 별도로 클라우드(Cloud)　환경에서 구현될 수도 있지만 이에 한정되지 않고,　데이터베이스(130)가 기자재 구성요소 추출 장치(120)내에 구비될 수도 있다.
다수의 기자재 제조업체 단말(110-1,…,110-n),　기자재 구성요소 추출 장치(120)　및 데이터베이스(130)는 네트워크(N)를 통하여 서로 통신 가능하도록 연결될 수 있다. 　다수의 기자재 제조업체 단말(110-1,…,110-n)은,　다수의 기자재에 대한 도면 이미지 파일을 저장하고,　실시간 또는 비 실시간으로 저장된 도면 이미지 파일들을 네트워크(N)를 통하여 기자재 구성요소 추출 장치(120)　및/또는 데이터베이스(130)로 전송할 수 있다. 본 실시예에 있어서는 다수의 기자재 제조업체 단말(110-1,…,110-n)을 통해 다수의 기자재에 대한 도면 이미지 파일을 저장하는 것으로 기술하고 있으나, 다수의 기자재 제조업체로부터 이미 제공된 도면을 입력하기 위한 입력 단말로 대체될 수 있다.
네트워크(N)는 다수의 기자재 제조업체 단말(110-1,…,110-n),　기자재 구성요소 추출 장치(120)　및 데이터베이스(130)　등 간의 무선 또는 유선 통신을 수행할 수 있다.　　예를 들어,　네트워크(N)는　LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity),　블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System)　또는　GNSS(global navigation satellite system)　등의 방식에 따른 무선 통신을 수행할 수 있다.　　예를 들어,　네트워크(N)는　USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232)　또는　POTS(plain old telephone service)　등의 방식에 따른 유선 통신을 수행할 수도 있다.
데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 기자재 제조업체 단말(110-1,…,110-n) 또는 기자재 구성요소 추출 장치(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스(130)는, 다수의 기자재 제조업체 단말(110-1,…,110-n)로부터 수신된 도면 이미지 파일 및 도면 이미지에 포함된 다수의 구성요소에 대한 정보를 저장할 수 있다.
본 발명에서, 프로그램은 데이터베이스(130)에 저장되는 소프트웨어로서, 기자재 구성요소 추출 장치(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 기자재 구성요소 추출 장치(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.
기자재 구성요소 추출 장치(120)는, 다수의 도면 이미지를 나타내는 제1 정보를 형성할 수 있다. 일 실시예에 따르면, 기자재 구성요소 추출 장치(120)는, 다수의 기자재 제조업체 단말(110-1,…,110-n)로부터 수신되는 도면 이미지 파일들을 이용하여 제1 정보를 형성할 수 있다.
또한, 기자재 구성요소 추출 장치(120)는, 다수의 도면 이미지에 포함된 다수의 구성요소를 각각 나타내는 제2 정보를 형성할 수 있다.
또한, 기자재 구성요소 추출 장치(120)는, 인공지능(AI: Artificial Intelligence)을 이용한 심층학습(Deep Learning) 알고리즘 또는 빅데이터(Big Data)를 이용한 기계학습(Machine Learning) 알고리즘을 통하여 다수의 도면 이미지를 나타내는 제1 정보로부터 다수의 도면 이미지에 포함된 다수의 구성요소를 추출하여 각각의 제2 정보를 형성할 수 있지만, 제2 정보 형성 방법이 이에 한정되지 않는다.
또한, 기자재 구성요소 추출 장치(120)는, 추출된 구성요소 중 고장 진단에 필요한 구성요소 만을 선택할 수 있다. 일 실시예에 따르면, 기자재 구성요소 추출 장치(120)는, 다수의 기자재 제조업체 단말(110-1,…,110-n) 중 어느 하나의 기자재 제조업체 단말(예를 들어, 110-1)로부터 특정 기자재의 도면 이미지 파일을 수신하고, 수신된 도면 이미지를 인식하며, 다수의 기자재 도면 이미지를 학습하여 도면 이미지에 나타난 기자재 고유의 형상 정보 및 이들 기자재 구성요소 간 결합 패턴을 분석하여 모터, 커플링, 축, 베어링, 원심펌프, 기어 등의 구성요소를 구분할 수 있도록 한다.
예를 들어, 기자재 고유의 형상 정보를 통해 도면 이미지에 나타난 기자재의 구성요소를 구분할 수 있고, 기자재 간 통상의 연결구조 즉, 모터와 원심펌프를 이용하기 위한 커플링이 모터와 원심펌프 사이에 개재되어 있는 등의 연결구조 방식을 통해 각 구성요소를 구분할 수 있다.
또한, 기자재 구성요소 추출 장치(120)는, 새로운 도면 이미지 파일을 수신할 경우, 새로운 도면 이미지에 포함된 구성요소들을 추출하여 데이터베이스(130)에 저장하고, 데이터베이스(130)에 저장된 기존 구성요소들의 정렬 순서를 새롭게 저장된 구성요소들을 고려하여 고장 진단과의 연관도 순서에 기초하여 데이터베이스(130)를 업데이트할 수 있다.
또한, 기자재 구성요소 추출 장치(120)는, 다수의 도면 이미지를 나타내는 제1 정보 및 다수의 도면 이미지에 포함된 다수의 구성요소를 각각 나타내는 제2 정보를 각각 포함하는 하나 이상의 훈련 데이터를 획득하고, 획득된 하나 이상의 훈련 데이터를 인공지능 기술의 기계 학습 알고리즘을 이용하여 신경망 모델을 훈련시킬 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화 해나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현 예가 사용될 수 있다.
도 2는 본 발명의 실시예에 따른 기자재 구성요소 추출 장치의 구성을 보이는 예시도이다.
도 2에 도시한 바와 같이, 기자재 구성요소 추출 장치(120)는, 입력부(122), 하나 이상의 프로세서(124), 출력부(126) 및 하나 이상의 메모리를 포함할 수 있다. 일 실시예로서, 기자재 구성요소 추출 장치(120)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 기자재 구성요소 추출 장치(120)에 추가될 수 있다. 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 기자재 구성요소 추출 장치(120) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고받을 수 있다. 일 실시예로서, 기자재 구성요소 추출 장치(120)는 기계 학습 특히, 딥러닝과 같은 심층 강화 학습 알고리즘을 이용하여 다수의 도면 이미지를 나타내는 제1 정보 및 다수의 도면 이미지에 포함된 다수의 구성요소를 각각 나타내는 제2 정보를 포함하는 하나 이상의 훈련 데이터를 획득하고, 획득된 하나 이상의 훈련 데이터를 인공지능 기술의 기계 학습 알고리즘을 이용하여 신경망 모델을 훈련시킬 수 있다.
입력부(122)는 다수의 기자재에 대한 도면 이미지 파일을 입력 받을 수 있다.　　일 실시예에 따르면,　입력부(122)는　다수의 기자재 각각의 제조업체 단말(110-1,…,110-n)로부터 전달 받은 도면 이미지 파일을 입력 데이터로서 입력 받을 수 있다.
프로세서(124)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(124)에 연결된 기자재 구성요소 추출 장치(120)의 적어도 하나의 구성요소를 제어할 수 있다. 또한, 프로세서(124)는 본 발명과 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한, 프로세서(124)는 데이터 등을 데이터베이스(130)로부터 로드하거나, 데이터베이스(130)에 저장할 수 있다.
전술한 바와 같이, 프로세서(124)는 다수의 기자재에 대한 도면 이미지를 나타내는 제1 정보를 수신할 수 있다. 또한, 프로세서(124)는 다수의 도면 이미지에 포함된 다수의 구성요소를 각각 나타내는 제2 정보를 수신할 수 있다. 또한, 프로세서(124)는, 제1 정보 및 제2 정보를 각각 포함하는 하나 이상의 훈련 데이터를 획득하고, 획득된 하나 이상의 훈련 데이터를 인공지능 기술의 기계 학습 알고리즘을 이용하여 신경망 모델을 훈련시킬 수 있다. 또한, 프로세서(124)는, 도면 이미지에 포함된 다수의 구성요소 중에서 기자재의 고장 진단에 필요한 구성요소만을 추출하여 구성요소 데이터를 형성할 수 있다.
하나 이상의 메모리는 다양한 데이터를 저장할 수 있다. 하나 이상의 메모리에 저장되는 데이터는, 기자재 구성요소 추출 장치(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예: 명령, 프로그램 등)를 포함할 수 있다. 하나 이상의 메모리는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 발명에서, 명령 내지 프로그램은 하나 이상의 메모리에 저장되는 소프트웨어로서, 기자재 구성요소 추출 장치(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 기자재 구성요소 추출 장치(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.
하나 이상의 메모리는 상술한 다수의 기자재에 대한 도면 이미지를 나타내는 제1 정보, 다수의 도면 이미지에 포함된 다수의 구성요소를 각각 나타내는 제2 정보, 및 기자재의 고장 진단에 필요한 구성요소만을 추출하여 형성된 구성요소 데이터 등을 저장할 수 있다. 또한, 하나 이상의 메모리는, 프로세서(124)에 의한 실행 시, 프로세서(124)가 연산을 수행하도록 하는 명령들을 저장할 수 있다.
일 실시예로서, 기자재 구성요소 추출 장치(120)는 출력부(126)를 더 포함할 수 있다. 출력부(126)는, 프로세서(124)에서 추출된 고장진단에 필요한 구성요소에 대한 정보를 사용자가 인식할 수 있는 형태로 표시할 수 있다.
일 실시예로서, 기자재 구성요소 추출 장치(120)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 기자재 구성요소 추출 장치(120)는 휴대용 통신 장치, 컴퓨터 장치, 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 발명의 기자재 구성요소 추출 장치(120)는 전술한 장치들에 한정되지 않는다.
본 발명에 따른 기자재 구성요소 추출 장치(120)의 다양한 실시예들은 서로 조합될 수 있다. 각 실시예들은 경우의 수에 따라 조합될 수 있으며, 조합되어 만들어진 기자재 구성요소 추출 장치(120)의 실시예 역시 본 발명의 범위에 속한다. 또한 전술한 본 발명에 따른 기자재 구성요소 추출 장치(120)의 내/외부 구성 요소들은 실시예에 따라 추가, 변경, 대체 또는 삭제될 수 있다. 또한 전술한 기자재 구성요소 추출 장치(120)의 내/외부 구성 요소들은 하드웨어 컴포넌트로 구현될 수 있다.
아울러, 프로세서(124)에서 형성된 구성요소 데이터는 기자재 고장 진단 시스템에 제공되어 기자재 중 고장난 구성요소의 위치 및 정보를 파악할 수 있다. 일 실시예에 따르면, 기자재 고장 진단 시스템에서는, 프로세서(124)에서 수신된 도면 이미지에 포함된 구성요소들에 대한 정보를 이용하여, 구성요소들을 고장 진단과 연관도가 높은 순서로 정렬하며, 정렬된 구성요소들 중 소정 순위(예를 들어, 1위, 3위, 5위 등) 이내의 구성요소들만을 추출하여 고장난 구성요소의 위치 및 고장 정도에 대한 정보를 파악할 수 있는 고장진단부를 포함할 수 있다. 이러한 고장진단부는 고장난 구성요소의 결함 부분을 패턴화하여 이 패턴을 분석함으로써 고장 정도를 분석할 수 있고, 이러한 결함 패턴 분석 역시 본 발명에 기술된 신경망 모델 훈련을 통해 고장 정도의 분석 수준을 높일 수 있다.
도 3은 본 발명의 실시예에 따른 도면 이미지를 이용한 구성요소 추출 도면의 예시도이다.
도 3에 도시한 바와 같이, 기자재 구성요소 추출 장치(120)는 다수의 기자재 각각의 제조업체 단말(110-1,…,110-n)로부터 전달 받은 도면 이미지 파일을 입력 데이터로서 입력 받아서 도면 상에 나타난 형상 정보 및 구성요소 간 결합 패턴을 이용하여 모터, 커플링, 베어링, 원심펌프와 같은 주요 구성요소를 추출할 수 있다.
기자재의 도면 이미지에서 각 구성요소들은 종류별로 고유의 형상을 가지고 있으므로, 기자재 구성요소 추출 장치(120)는, 이를 분류할 수 있는 알고리즘을 딥러닝과 같은 학습과정을 통해서 개발할 수 있다. 일 실시예에 따르면, 기자재 구성요소 추출 장치(120)의 기자재 구성요소 추출 알고리즘은 다수의 기자재 도면 이미지를 학습하여 도면 이미지에 나타난 형상 정보 및 구성요소 별 결합 패턴을 분석하여 모터, 커플링, 축, 베어링, 원심펌프, 기어 등의 구성요소를 구분할 수 있도록 한다. 이와 같은 방법으로, 기자재 구성요소 추출 장치(120)의 입력부(122)에 새로운 도면 이미지를 입력 데이터로 입력하면 프로세서(124)가 알고리즘 내에 가장 유사한 구성요소를 찾아 분류하여 결과를 출력 데이터 형태로 출력부(126)를 통해서 출력할 수 있다. 또한, 프로세서(124)는, 소정 알고리즘을 이용하여 고장진단에 필요한 구성요소에 대한 정보만 추출하고, 고장진단에 불필요한 구성요소는 고려하지 않도록 할 수 있다.
상기한 바와 같은 방법으로 기자재 도면 이미지에 나타난 기자재 구성요소를 분석하면 정확하고 빠르게 구성요소 추출이 가능할 수 있다.
아울러, 프로세서(124)에서 형성된 고장진단에 필요한 구성요소에 대한 정보를 포함하는 구성요소 데이터는, 고장 진단 시스템에 제공되어 고장진단부가 구성요소 데이터를 이용하여 고장난 구성요소의 위치 및 정도를 파악하도록 할 수 있다.
도 4는 본 발명의 실시예에 따른 기자재 구성요소 추출 방법의 절차를 보이는 흐름도이다. 도 4의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
도 4에 도시한 바와 같이, 단계(S410)에서, 다수의 기자재에 대한 도면 이미지를 나타내는 제1 정보가 획득된다. 예를 들어, 도 1 내지 도 3을 참조하면, 기자재 구성요소 추출 장치(120)의 프로세서(124)는, 다수의 기자재 제조업체 단말(110-1,…,110-n)로부터 다수의 기자재 각각의 도면 이미지 파일을 수신하여 다수의 기자재에 대한 도면 이미지를 나타내는 제1 정보를 획득할 수 있다.
단계(S420)에서, 다수의 도면 이미지에 포함된 다수의 구성요소를 각각 나타내는 제2 정보가 획득된다. 예를 들어, 도 1 내지 도 3을 참조하면, 기자재 구성요소 추출 장치(120)의 프로세서(124)는, 다수의 기자재 도면 이미지를 학습하여 도면 이미지에 나타난 형상 정보 및 기자재 단위를 구성하는 구성요소 간 결합 패턴을 이용하여 모터, 커플링, 축, 베어링, 원시펌프, 기어 등의 구성요소를 구분할 수 있다. 또한, 기자재 구성요소 추출 장치(120), 단계 S410 내지 S420을 통해서 획득된 제1 정보 및 제2 정보들을 각각 포함하는 하나 이상의 훈련 데이터를 형성할 수 있다.
단계(S430)에서, 형성된 하나 이상의 훈련 데이터에 기초하여, 신경망 모델이 훈련될 수 있다. 예를 들어, 도 1 내지 도 3을 참조하면, 기자재 구성요소 추출 장치(120)는, 단계 S420에서 형성된 하나 이상의 훈련 데이터를 이용하여 신경망 모델을 훈련시킬 수 있다. 일 실시예로서, 기자재 구성요소 추출 장치(120)의 프로세서(124)는, 하나 이상의 훈련 데이터 중 소정 비율의 훈련 데이터를 이용하여 신경망 모델을 훈련시킬 수 있지만, 이에 한정되지 않는다.
본 발명의 다양한 실시예들은 기기(machine)가 읽을 수 있는 저장매체(machine-readable storage medium)에 소프트웨어로 구현될 수 있다. 소프트웨어는 본 발명의 다양한 실시예들을 구현하기 위한 소프트웨어일 수 있다. 소프트웨어는 본 발명이 속하는 기술분야의 프로그래머들에 의해 본 발명의 다양한 실시예들로부터 추론될 수 있다. 예를 들어 소프트웨어는 기기가 읽을 수 있는 명령어(예: 코드 또는 코드 세그먼트)를 포함하는 프로그램일 수 있다. 기기는 저장 매체로부터 호출된 명령어에 따라 동작이 가능한 장치로서, 예를 들어 컴퓨터일 수 있다. 일 실시예로서, 기기는 본 발명의 실시예들에 따른 기자재 구성요소 추출 장치(120)일 수 있다. 일 실시예로서, 기기의 프로세서는 호출된 명령어를 실행하여, 기기의 구성요소들이 해당 명령어에 해당하는 기능을 수행하게 할 수 있다. 일 실시예로서, 프로세서는 본 발명의 실시예들에 따른 프로세서(124)일 수 있다. 저장 매체는 기기에 의해 읽혀질 수 있는, 데이터가 저장되는 모든 종류의 기록 매체(recording medium)를 의미할 수 있다. 저장 매체는, 예를 들어 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장 장치 등을 포함할 수 있다. 일 실시예로서, 저장 매체는 데이터베이스(130)일 수 있다. 일 실시예로서, 저장 매체는 네트워크로 연결된 컴퓨터 시스템 등에 분산된 형태로서 구현될 수도 있다. 소프트웨어는 컴퓨터 시스템 등에 분산되어 저장되고, 실행될 수 있다. 저장 매체는 비일시적(non-transitory) 저장 매체일 수 있다. 비일시적 저장 매체는, 데이터가 반영구적 또는 임시적으로 저장되는 것과 무관하게 실재하는 매체(tangible medium)를 의미하며, 일시적(transitory)으로 전파되는 신호(signal)를 포함하지 않는다.
이상과 같이 본 발명의 실시 예들에 대하여 설명하였으나, 이를 기초로 해당 기술 분야에서 통상의 지식을 가진 자라면 청구범위에 기재된 본 발명의 본질적인 기술 사상으로부터 벗어나지 않는 범위 내에서, 구성 요소의 부가, 변경, 삭제 또는 추가 등에 의해 본 발명을 다양하게 수정 및 변경시킬 수 있을 것이며, 이 또한 본 발명의 권리범위 내에 포함된다.
100: 기자재 구성요소 추출 환경 110-1,…, 110-n: 기자재 제조업체 단말
120: 기자재 구성요소 추출 장치 130: 데이터베이스
122: 입력부 124: 프로세서
126: 출력부 N: 네트워크

Claims (10)

  1. 기자재 구성요소 추출 장치로서,
    하나 이상의 프로세서;
    상기 하나의 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령들이 저장된 하나 이상의 메모리를 포함하고,
    상기 하나 이상의 프로세서는,
    다수의 도면 이미지를 나타내는 제1 정보; 및
    상기 다수의 도면 이미지에 포함된 다수의 구성요소를 각각 나타내는 제2 정보를 포함하는 하나 이상의 훈련 데이터를 획득하고,
    상기 하나 이상의 훈련 데이터에 기초하여, 신경망 모델을 훈련하는, 기자재 구성요소 추출 장치.
  2. 제 1 항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 제1 정보를 상기 신경망 모델의 훈련을 위한 입력 데이터로서 입력 받고, 상기 다수의 구성요소의 형상을 상기 신경망 모델의 훈련에 의해서 출력 데이터로서 출력하는, 기자재 구성요소 추출 장치.
  3. 제 1 항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 다수의 도면 이미지에 포함된 다수의 구성요소 각각의 고유 형상 정보 및 구성요소 간 결합 패턴을 이용하여 모터, 커플링, 축, 베어링, 원심펌프 및 기어 중 어느 하나 이상의 구성요소를 추출하여 출력 데이터로서 출력하는, 기자재 구성요소 추출 장치.
  4. 제 1 항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 다수의 구성요소 중 고장 진단에 필요한 구성요소를 추출하여 출력 데이터로서 출력하는, 기자재 구성요소 추출 장치.
  5. 기자재 고장 진단 시스템으로서,
    제 1 항 내지 제 4 항 중 어느 한 항에 따른 기자재 구성요소 추출 장치; 및
    상기 다수의 도면 이미지에 포함된 상기 다수의 구성요소 중 고장 진단에 필요한 구성요소를 추출하여 형성된 구성요소 데이터를 이용하여 고장난 구성요소의 위치 및 고장 정도를 파악하는 고장진단부를 포함하는, 기자재 고장 진단 시스템.
  6. 제 5 항에 있어서,
    상기 고장진단부는, 상기 고장난 구성요소의 결함 패턴을 분석하여 고장 정도를 파악하는, 기자재 고장 진단 시스템.
  7. 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되기 위한 명령들이 저장된 하나 이상의 메모리를 포함하는 컴퓨터에서 수행되는 기자재 구성요소 추출 방법에 있어서,
    상기 하나 이상의 프로세서가,
    다수의 도면 이미지를 나타내는 제1 정보를 획득하는 단계;
    상기 다수의 도면 이미지에 포함된 다수의 구성요소를 각각 나타내는 제2 정보를 포함하는 하나 이상의 훈련 데이터를 획득하는 단계; 및
    상기 하나 이상의 프로세서가, 상기 하나 이상의 훈련 데이터에 기초하여, 신경망 모델을 훈련하는 단계를 포함하는, 기자재 구성요소 추출 방법.
  8. 제 7 항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 제1 정보를 상기 신경망 모델의 훈련을 위한 입력 데이터로서 입력 받고, 상기 다수의 구성요소의 형상을 상기 신경망 모델의 훈련에 의해서 출력 데이터로서 출력하는, 기자재 구성요소 추출 방법.
  9. 제 7 항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 다수의 도면 이미지에 포함된 다수의 구성요소 각각의 고유 형상 정보 및 구성요소 간 결합 패턴을 이용하여 모터, 커플링, 축, 베어링, 원심펌프 및 기어 중 어느 하나 이상의 구성요소를 추출하여 출력 데이터로서 출력하는, 기자재 구성요소 추출 방법.
  10. 제 7 항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 다수의 구성요소 중 고장 진단에 필요한 구성요소를 추출하여 출력 데이터로서 출력하는, 기자재 구성요소 추출 방법.
KR1020190150810A 2019-11-21 2019-11-21 기자재 구성요소 추출 장치 및 방법과, 그를 포함하는 고장 진단 시스템 KR20210062794A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190150810A KR20210062794A (ko) 2019-11-21 2019-11-21 기자재 구성요소 추출 장치 및 방법과, 그를 포함하는 고장 진단 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190150810A KR20210062794A (ko) 2019-11-21 2019-11-21 기자재 구성요소 추출 장치 및 방법과, 그를 포함하는 고장 진단 시스템

Publications (1)

Publication Number Publication Date
KR20210062794A true KR20210062794A (ko) 2021-06-01

Family

ID=76376229

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190150810A KR20210062794A (ko) 2019-11-21 2019-11-21 기자재 구성요소 추출 장치 및 방법과, 그를 포함하는 고장 진단 시스템

Country Status (1)

Country Link
KR (1) KR20210062794A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230083570A (ko) * 2021-12-03 2023-06-12 인하대학교 산학협력단 딥러닝 기반의 소음 신호를 이용한 파워 드라이빙 시스템의 건전성 감시 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230083570A (ko) * 2021-12-03 2023-06-12 인하대학교 산학협력단 딥러닝 기반의 소음 신호를 이용한 파워 드라이빙 시스템의 건전성 감시 방법

Similar Documents

Publication Publication Date Title
KR102548732B1 (ko) 신경망 학습 방법 및 이를 적용한 장치
CN112651511A (zh) 一种训练模型的方法、数据处理的方法以及装置
CN113826051A (zh) 生成实体系统零件之间的交互的数字孪生
US20220366244A1 (en) Modeling Human Behavior in Work Environment Using Neural Networks
KR102289256B1 (ko) 자가진단 기반 건강기능식품 추천 서비스 제공 방법, 장치 및 시스템
CN112256537A (zh) 模型运行状态的展示方法、装置、计算机设备和存储介质
KR20210062794A (ko) 기자재 구성요소 추출 장치 및 방법과, 그를 포함하는 고장 진단 시스템
KR102474974B1 (ko) 인공지능 기반 브랜드 분석 방법, 장치 및 시스템
KR102420626B1 (ko) 인공지능 기반 기업 매칭 서비스 제공 방법, 장치 및 시스템
KR102615445B1 (ko) 대변 이미지 분석 기반 영양 정보 제공 방법,　장치 및 시스템
KR102430959B1 (ko) 인공지능 기반 식물 정보 큐레이션 서비스 제공 방법, 장치 및 시스템
KR20210115250A (ko) 하이브리드 심층 학습 시스템 및 방법
KR102475552B1 (ko) 진동 데이터 형성 장치 및 방법과, 그를 저장하는 컴퓨터 판독 가능한 기록 매체
KR20220035570A (ko) 심용접 품질 관리 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
KR20220037608A (ko) 리스트 분류 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
KR102561832B1 (ko) 인공지능 기반 온라인 교육 콘텐츠 제공 방법, 장치 및 시스템
KR20210011811A (ko) 기계 학습을 이용한 곡가공 장치 및 방법과, 그를 저장하는 컴퓨터 판독 가능한 기록매체
KR102522634B1 (ko) 네트워크 장비의 유지 보수 운용 자동화 방법, 장치 및 시스템
KR102664280B1 (ko) 인공지능 모델을 활용한 사용자 맞춤형 실내 건축 인테리어의 설계 자동화 서비스 제공 방법, 장치 및 시스템
KR102564075B1 (ko) Rfid 기반 입출고 재고 관리 솔루션 제공 방법, 장치 및 시스템
KR102607063B1 (ko) 인공지능 모델을 활용한 영상 처리 기반 영상 편집자동화 솔루션 제공 방법, 장치 및 시스템
KR102600258B1 (ko) 사용자 참여 및 소프트웨어 업로드가 가능한 전자칠판 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102603914B1 (ko) 이미지 분석 기반 사용자 맞춤형 해부학을 활용한 요가 운동 가이드 및 커리큘럼 제공 방법, 장치 및 시스템
KR102528613B1 (ko) 인공지능 모델을 활용한 렌터카의 중고 가격 산출 방법, 장치 및 시스템
Helgo Deep Learning and Machine Learning Algorithms for Enhanced Aircraft Maintenance and Flight Data Analysis

Legal Events

Date Code Title Description
A201 Request for examination