KR20210100867A - 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템 - Google Patents

인공지능을 이용한 스마트 팩토리의 고장 진단 시스템 Download PDF

Info

Publication number
KR20210100867A
KR20210100867A KR1020200014761A KR20200014761A KR20210100867A KR 20210100867 A KR20210100867 A KR 20210100867A KR 1020200014761 A KR1020200014761 A KR 1020200014761A KR 20200014761 A KR20200014761 A KR 20200014761A KR 20210100867 A KR20210100867 A KR 20210100867A
Authority
KR
South Korea
Prior art keywords
noise
diagnosis
server
noise data
smart factory
Prior art date
Application number
KR1020200014761A
Other languages
English (en)
Other versions
KR102357754B1 (ko
Inventor
배재환
Original Assignee
동명대학교산학협력단
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 동명대학교산학협력단 filed Critical 동명대학교산학협력단
Priority to KR1020200014761A priority Critical patent/KR102357754B1/ko
Publication of KR20210100867A publication Critical patent/KR20210100867A/ko
Application granted granted Critical
Publication of KR102357754B1 publication Critical patent/KR102357754B1/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
    • G05B23/0243—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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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)
  • 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 인공지능을 이용한 스마트 팩토리 고장 진단 시스템에 관한 것으로, 스마트 팩토리의 장비들에서 발생하는 소음을 검출하는 소음수집부와, 상기 소음수집부를 통해 검출된 소음 데이터를 전처리하여 학습 부하를 줄이며, 진단 결과를 스마트 팩토리에 전송하는 진단 서버와, 정상 동작시의 소음 데이터 및 고장시 소음 데이터를 저장하고, 학습 결과 모델들을 저장하는 진단 데이터베이스와, 상기 진단 서버에서 전처리된 소음 데이터를 상기 진단 데이터베이스에 저장된 데이터를 이용하여 학습하여, 고장 예후 여부를 나타내는 진단결과를 상기 진단 서버로 제공하는 학습 서버를 포함한다.

Description

인공지능을 이용한 스마트 팩토리의 고장 진단 시스템{A fault diagnosis system for smart factory using artifical intelligence}
본 발명은 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템에 관한 것으로, 더 상세하게는 설비에서 발생하는 음향을 이용하여 고장 진단을 수행하는 인공지능을 이용한 스마트 팩토리 고장 진단 시스템에 관한 것이다.
특정 제품을 생산하는 공장은 최근 자동화 시스템에 의해 운영되고 있다. 이러한 공장의 자동화 시스템은 이전까지는 외부 네트워크와 연결되지 않고, 공장별 자동화 시스템 단위로 독립적인 네트워크를 구성하여 운영되는 폐쇄적인 형태였으나, 최근에는 이러한 공장 자동화 시스템을 외부 네트워크와 연결하여 제어하고, 생산 장치로부터 생산되는 데이터를 생산 및 관리에 재이용하려는 시도가 활발하게 이루어지고 있다.
이러한 공장 자동화 시스템의 각 장치들을 네트워크로 연결하려는 시도는 최근 사물인터넷(INTERNET OF THINGS)에 대한 관심의 증대와, 기술의 보편화에 따라 산업용 IoT(INDUSTRIAL IoT) 형태로 이용하려는 노력이 이루어지고 있다. 이러한 산업용 IoT는 단순히 공장의 생산 설비만을 네트워크화 하여 자동화 하는데 그치지 않고 공장 시스템의 세부적인 부분들까지 IoT에 참여시킴으로써, 자동제어, 각종관리가 이루어지도록 함과 아울러, 내외부의 다양한 데이터를 공장 운영에 이용하여 운영 효율을 크게 향상시키는 것이 가능하다.
특히, IoT를 적용하게 됨으로써 다양한 프로토콜의 다양한 장치를 시스템에 참여시킬 수 있게 되어 과거에 이용한 자동화 시스템에 비해 진보된 시스템의 구성이 가능하다.
대규모의 스마트 팩토리를 구성하는 개별 설비들은 상호 유기적인 연계 작용을 한다. 예를 들어 전처리 설비에서 전처리된 제품은 제조 공정상 다음 처리 설비로 이송 로봇을 이용하여 이송된다. 이와 같은 설비들의 연계 구조에서 하나의 설비에 고장이 발생하는 경우, 그 고장난 설비를 포함하는 제조라인을 모두 정지시켜야 하기 때문에 설비에 대한 고장 예측은 스마트 팩토리의 운영에서 매우 중요하다.
통상 제조 설비는 자체 진단 기능을 가지고 있을 수 있으나, 앞서 설명한 바와 같이 스마트 팩토리 내외부의 다양한 대량의 데이터들이 공유되기 때문에 개별 설비의 이상신호를 정확하게 검출하기 어려운 문제점이 있었다.
스마트 팩토리의 관제를 위한 선행기술로서 공개특허 10-2019-0062739호(복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치, 2019년 6월 7일 공개)에는 하나의 생산 장비에 다수의 센서를 부착하고, 각 센서의 복합 패턴을 비정상 복합 패턴과 비교하여, 생산 장비의 고장을 예지할 수 있는 기술이 기재되어 있다.
그러나 종래기술은 다수의 센서를 생산 장비에 장착하고 그 신호를 주기적으로 수신해야 하는 만큼 스마트 팩토리 내의 데이터량을 더욱 증가시킬 수 있으며, 비용이 많이 소요되는 문제점이 예측된다.
본 발명이 해결하고자 하는 기술적 과제는, 별도의 센서들을 사용하지 않고도 스마트 팩토리를 구성하는 장비들의 고장 예후를 검출할 수 있는 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템을 제공함에 있다.
본 발명 인공지능을 이용한 스마트 팩토리 고장 진단 시스템은, 스마트 팩토리의 장비들에서 발생하는 소음을 검출하는 소음수집부와, 상기 소음수집부를 통해 검출된 소음 데이터를 전처리하여 학습 부하를 줄이며, 진단 결과를 스마트 팩토리에 전송하는 진단 서버와, 정상 동작시의 소음 데이터 및 고장시 소음 데이터를 저장하고, 학습 결과 모델들을 저장하는 진단 데이터베이스와, 상기 진단 서버에서 전처리된 소음 데이터를 상기 진단 데이터베이스에 저장된 데이터를 이용하여 학습하여, 고장 예후 여부를 나타내는 진단결과를 상기 진단 서버로 제공하는 학습 서버를 포함한다.
본 발명의 실시예에서, 상기 스마트 팩토리를 구성하는 장비들의 정상 상태 소음, 고장 상태 소음을 수집하여 상기 진단 서버로 제공하되, 장비들의 연식 정보를 함께 제공하는 관리자 단말을 더 포함할 수 있다.
본 발명의 실시예에서, 상기 진단 서버는, 검출된 소음 데이터와 정상 소음 데이터의 차를 구하여, 학습할 소음 데이터를 전처리할 수 있다.
본 발명의 실시예에서, 상기 진단 서버는, 스마트 팩토리들의 섹터를 이루는 장비들의 배열에 따라 군을 분류할 수 있다.
본 발명의 실시예에서, 상기 학습 서버는, 전처리된 소음 데이터를 정상 또는 고장 상태의 소음 데이터와 직접 비교하여 학습하거나, 기존 학습 결과 모델과 비교하여 학습할 수 있다.
본 발명은 스마트 팩토리 내부의 소음을 검출하고, 소음 패턴을 학습 및 분석하여 고장 예후를 검출함으로써, 스마트 팩토리를 구성하는 장비간의 데이터량 증가 없이 정확하게 고장 예후를 검출할 수 있는 효과가 있다.
또한, 본 발명은 별도의 센서를 사용하지 않음으로써 비용의 증가를 방지하고, 기존의 스마트 팩토리에 용이하게 적용할 수 있어 범용성을 향상시킬 수 있는 효과가 있다.
도 1은 본 발명의 바람직한 실시예에 따른 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템의 구성도이다.
도 2는 소음 데이터의 분류 예시도이다.
도 3은 소음 데이터의 전처리 과정의 예시도이다.
도 4는 소음 데이터를 전처리한 후 학습 데이터의 예시도이다.
도 5는 본 발명의 다른 실시예에 따른 인공지능을 이용한 스마트 팩토리 고장 진단 시스템의 구성도이다.
이하, 본 발명 인공지능을 이용한 스마트 팩토리 고장 진단 시스템에 대하여 첨부한 도면을 참조하여 상세히 설명한다.
본 발명의 실시 예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해 제공되는 것이며, 아래에 설명되는 실시 예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 아래의 실시 예들로 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 발명을 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 명세서에서 사용된 용어는 특정 실시 예를 설명하기 위하여 사용되며, 본 발명을 제한하기 위한 것이 아니다. 본 명세서에서 사용된 바와 같이 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있다. 또한, 본 명세서에서 사용되는 경우 "포함한다(comprise)" 및/또는"포함하는(comprising)"은 언급한 형상들, 숫자, 단계, 동작, 부재, 요소 및/또는 이들 그룹의 존재를 특정하는 것이며, 하나 이상의 다른 형상, 숫자, 동작, 부재, 요소 및/또는 그룹들의 존재 또는 부가를 배제하는 것이 아니다. 본 명세서에서 사용된 바와 같이, 용어 "및/또는"은 해당 열거된 항목 중 어느 하나 및 하나 이상의 모든 조합을 포함한다.　
본 명세서에서 제1, 제2 등의 용어가 다양한 부재, 영역 및/또는 부위들을 설명하기 위하여 사용되지만, 이들 부재, 부품, 영역, 층들 및/또는 부위들은 이들 용어에 의해 한정되지 않음은 자명하다. 이들 용어는 특정 순서나 상하, 또는 우열을 의미하지 않으며, 하나의 부재, 영역 또는 부위를 다른 부재, 영역 또는 부위와 구별하기 위하여만 사용된다. 따라서, 이하 상술할 제1 부재, 영역 또는 부위는 본 발명의 가르침으로부터 벗어나지 않고서도 제2 부재, 영역 또는 부위를 지칭할 수 있다.
이하, 본 발명의 실시 예들은 본 발명의 실시 예들을 개략적으로 도시하는 도면들을 참조하여 설명한다. 도면들에 있어서, 예를 들면, 제조 기술 및/또는 공차에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 발명의 실시 예는 본 명세서에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면 제조상 초래되는 형상의 변화를 포함하여야 한다.
도 1은 본 발명의 바람직한 실시예에 따른 인공지능을 이용한 스마트 팩토리 고장 진단 시스템의 구성도이다.
도 1을 참조하면 본 발명의 바람직한 실시예에 따른 인공지능을 이용한 스마트 팩토리 고장 진단 시스템은, 스마트 팩토리(40)의 섹터별로 설치되어 소음을 검출하는 소음수집부(42)와, 상기 소음수집부(42)를 통해 수집된 소음을 송신하는 통신부(41)와, 통신부(41)에서 송신된 소음을 수신하고, 진단 결과를 상기 통신부(41)로 전송하는 진단 서버(10)와, 상기 소음 데이터 및 학습 결과 데이터를 저장하는 진단 데이터베이스(30)와, 상기 진단 데이터베이스(30)의 소음 데이터와 학습 결과 데이터를 이용하여 상기 진단 서버(10)에 수신된 소음 데이터를 분석하여 특정 설비의 고장 예후를 진단하는 학습 서버(20)를 포함하여 구성된다.
이하, 상기와 같이 구성되는 본 발명 인공지능을 이용한 스마트 팩토리 고장 진단 시스템의 구성과 작용에 대하여 보다 상세히 설명한다.
먼저, 스마트 팩토리(40)는 자동화된 설비들을 구비하고, 각 설비들의 연계 구성에 의해 제품을 생산한다.
이때 규모에 따라 차이는 있으나 스마트 팩토리 내부는 제조공정별 또는 생산라인별 구획인 섹터가 지정될 수 있다. 이 섹터는 적어도 벽을 이용하여 물리적으로 다른 섹터와 분리된 것일 수 있다.
이러한 섹터에 소음수집부(42)를 배치하여 해당 섹터 내에서 발생하는 소음을 수집한다. 하나의 섹터에는 적어도 하나 이상의 소음수집부(42)가 설치될 수 있다.
상기 소음수집부(42)는 적어도 마이크로폰을 포함하고, 수집된 소음 데이터를 디지털신호로 변환하는 아날로그/디지털 변환부를 포함할 수 있다.
통신부(41)는 소음수집부(42)들에서 각각 수집된 스마트 팩토리(40) 내의 소음 데이터를 진단 서버(10)로 송신하는 역할을 한다.
이때 소음 데이터는 스마트 팩토리의 설비들의 데이터와는 별개의 경로로 전송되는 것으로, 실질적으로 스마트 팩토리의 데이터를 증가시키지 않는다.
상기 통신부(41)는 컴퓨터, 노트북, 스마트폰, 스마트 패드일 수 있으며, 단순히 데이터를 외부 네트워크의 진단 서버(10)로 전송하기 위한 전용의 장치일 수 있다.
상기 통신부(41)에 아날로그/디지털 변환부가 구성되어 있는 경우, 상기 소음수집부(42)에는 아날로그/디지털 변환부를 구비할 필요가 없다.
미설명 부호 43은 진단결과를 표시하는 표시부이며, 상기 통신부(41)가 디스플레이를 포함하는 컴퓨터, 노트북, 스마트폰 또는 스마트 패드일 때는 표시부(43)를 생략할 수 있다.
상기 진단 서버(10)는 다수의 스마트 팩토리(40)로부터 소음 데이터를 수신한다.
상기 진단 서버(10)에는 각 스마트 팩토리(40)에서 생산되는 제품의 품목과, 설비에 대한 정보가 각각 저장되어 있으며, 유사 또는 동일한 설비가 배치된 스마트 팩토리(40)의 섹터에서 수집된 소음 데이터를 하나의 군으로 묶어 학습 서버(20)로 제공할 수 있다.
도 2는 진단 서버(10)에서 학습 서버(20)로 전달하는 소음 데이터의 분류 예시도이다.
도 2를 참조하면 제1스마트 팩토리의 제1섹터와 제2스마트 팩토리의 제3섹터에는 동일하게 장비A-장비B-장비C가 연속되게 설치되어 있으며, 제1스마트 팩토리의 제1섹터와 제2스마트 팩토리의 제3섹터에서 검출된 소음 데이터를 제1군으로 분류하여 학습 서버(20)로 제공할 수 있다.
이와 유사하게, 장비A-장비C-장비D가 연속 설치된 제1스마트 팩토리의 제2섹터와 제2스마트 팩토리의 제2섹터는 제n군으로 분류되어 학습 서버(20)로 제공한다.
상기 학습 서버(20)는 장비의 배치관계에 따라 분류되는 각 군에 대한 소음 데이터를 학습하여, 소음 데이터가 정상인지 아니면 각 군을 이루는 장비들 중 하나 또는 둘 이상에 고장 예후가 있는지 판단하게 된다.
상기 학습 서버(20)는 진단 데이터베이스(30)의 데이터를 참고하여 딥러닝을 수행하거나, 기존의 학습된 모델들과 비교를 통해 고장 예후를 진단하게 된다.
도 3은 학습 서버(20)의 학습 과정을 설명하기 위한 일예시도이다.
상기 진단 데이터베이스(30)에는 각 군의 장비 배치에 대한 초기 동작시의 소음 데이터인 초기 소음 데이터를 저장하고 있으며, 학습 결과를 더 빠르게 얻기 위하여 학습 서버(20)는 먼저 수신된 소음 데이터와 초기 소음 데이터의 차를 구한다.
도 3에서 소음 데이터와 초기 소음 데이터는 각각 A와 B로 표시된 영역에 차이가 있으며, 나머지 영역은 서로 동일하다.
소음 데이터의 A영역과 초기 소음 데이터의 B영역의 차를 구한 소음 데이터의 주파수를 도 4에 도시하였다.
즉, 학습 서버(20)는 스마트 팩토리의 특정 군에 속하는 섹터에서 검출한 소음 데이터를 해당 군의 고장이 없는 초기 소음 데이터와의 차를 구하여 서로 다른 주파수 영역을 검출한다.
이는 학습 데이터를 현저하게 줄일 수 있다.
상기 소음 데이터와 초기 소음 데이터의 차를 구할 때, 각 주파수의 피크 크기는 고려하지 않을 수 있다.
이는 소음 데이터의 음량을 고려하지 않는 것으로, 예를 들어 소음 데이터의 검출 환경 또는 검출 장비인 소음수집부(42)의 성능에 따라 소음 데이터의 음량에 차이가 있을 수 있기 때문이다.
이처럼 소음 데이터와 초기 소음 데이터의 차를 구하여, 현재 발생된 소음과 정상 소음의 차이를 구하고, 그 차이를 학습하여 차이가 있는 소음의 종류를 결정한다.
이때의 소음은 다양한 것일 수 있으며, 특정 설비에 고장이 발생했을 때 발생하는 소음 데이터와 비교하거나 기존의 학습 결과 모델을 비교하여 특정 설비의 특정 고장 예후가 있음을 알 수 있다.
이와 같은 학습 결과는 진단 결과로서 상기 진단 서버(10)로 제공되며, 진단 서버(10)는 진단 결과를 해당 스마트 팩토리(40)의 통신부(41)로 전송한다.
이때 학습 결과는 다시 진단 데이터베이스(30)에 저장되어, 이후의 학습에 사용한다.
상기 스마트 팩토리(40)에서는 수신된 진단 결과를 표시부(42)에 표시하여 사용자가 고장 예후 여부를 확인하고, 대응할 수 있도록 한다.
도 5는 본 발명의 다른 실시예에 따른 인공지능을 이용한 스마트 팩토리 고장 진단 시스템의 구성도이다.
도 5를 참조하면 본 발명은 스마트 팩토리 내에서 발생하는 소음을 녹음하고, 진단 서버(10)로 녹음된 소음 데이터를 송신하는 관리자 단말(50)을 더 포함할 수 있다.
앞서 설명한 초기 소음 데이터는 스마트 팩토리(40)의 장비들을 최초 설치하고 일정 기간 이내에 정상 동작상태의 소음이며, 장비들의 노후화에 따라 정상 동작을 하는 경우에도 처음과는 다른 소음이 발생할 수 있으며, 이러한 장비 노후화에 따른 발생 소음을 상기 진단 서버(10)로 제공하고, 진단 데이터베이스(30)에 저장할 수 있다.
이처럼 각 스마트 팩토리(40)의 장비들의 연식에 따른 정상 동작시 소음 데이터를 축적하여 보다 더 정확한 고장 예후 진단이 가능하게 된다.
또한, 상기 관리자 단말(50)은 특정 장비에 특정 고장이 발생하였을 때의 소음 데이터를 획득하여, 진단 서버(10)로 제공할 수 있다.
이처럼 알려진 특정 장비의 특정 고장시 소음 데이터는 진단 데이터베이스(30)에 저장되어 학습 서버(20)에서 고장 진단 학습을 수행할 때 더 빠르고 정확한 진단 결과를 얻을 수 있다.
본 발명은 상기 실시예에 한정되지 않고 본 발명의 기술적 요지를 벗어나지 아니하는 범위 내에서 다양하게 수정, 변형되어 실시될 수 있음은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 있어서 자명한 것이다.
10:진단 서버 20:학습 서버
30:진단 데이터베이스 40:스마트 팩토리
50:관리자 단말

Claims (5)

  1. 스마트 팩토리의 장비들에서 발생하는 소음을 검출하는 소음수집부;
    상기 소음수집부를 통해 검출된 소음 데이터를 전처리하여 학습 부하를 줄이며, 진단 결과를 스마트 팩토리에 전송하는 진단 서버;
    정상 동작시의 소음 데이터 및 고장시 소음 데이터를 저장하고, 학습 결과 모델들을 저장하는 진단 데이터베이스; 및
    상기 진단 서버에서 전처리된 소음 데이터를 상기 진단 데이터베이스에 저장된 데이터를 이용하여 학습하여, 고장 예후 여부를 나타내는 진단결과를 상기 진단 서버로 제공하는 학습 서버를 포함하는 인공지능을 이용한 스마트 팩토리 고장 진단 시스템.
  2. 제1항에 있어서,
    상기 스마트 팩토리를 구성하는 장비들의 정상 상태 소음, 고장 상태 소음을 수집하여 상기 진단 서버로 제공하되,
    장비들의 연식 정보를 함께 제공하는 관리자 단말을 더 포함하는 인공지능을 이용한 스마트 팩토리 고장 진단 시스템.
  3. 제1항 또는 제2항에 있어서,
    상기 진단 서버는,
    검출된 소음 데이터와 정상 소음 데이터의 차를 구하여, 학습할 소음 데이터를 전처리하는 것을 특징으로 하는 인공지능을 이용한 스마트 팩토리 고장 진단 시스템.
  4. 제3항에 있어서,
    상기 진단 서버는,
    스마트 팩토리들의 섹터를 이루는 장비들의 배열에 따라 군을 분류하는 인공지능을 이용한 스마트 팩토리 고장 진단 시스템.
  5. 제3항에 있어서,
    상기 학습 서버는,
    전처리된 소음 데이터를 정상 또는 고장 상태의 소음 데이터와 직접 비교하여 학습하거나,
    기존 학습 결과 모델과 비교하여 학습하는 것을 특징으로 하는 인공지능을 이용한 스마트 팩토리 고장 진단 시스템.
KR1020200014761A 2020-02-07 2020-02-07 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템 KR102357754B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200014761A KR102357754B1 (ko) 2020-02-07 2020-02-07 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200014761A KR102357754B1 (ko) 2020-02-07 2020-02-07 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템

Publications (2)

Publication Number Publication Date
KR20210100867A true KR20210100867A (ko) 2021-08-18
KR102357754B1 KR102357754B1 (ko) 2022-01-28

Family

ID=77464502

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200014761A KR102357754B1 (ko) 2020-02-07 2020-02-07 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템

Country Status (1)

Country Link
KR (1) KR102357754B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230076336A (ko) 2021-11-24 2023-05-31 주식회사 디로그 스마트 팩토리의 공정 효율성 증진을 위한 인공 지능 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101889049B1 (ko) * 2017-08-11 2018-08-21 (주)다이매틱스 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치
KR20180098921A (ko) * 2017-02-27 2018-09-05 전자부품연구원 제품고장 진단장치 및 그 제품고장 진단방법
KR101936895B1 (ko) * 2017-09-18 2019-04-03 동명대학교산학협력단 소음을 이용한 딥러닝 기반 자동차 고장진단 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180098921A (ko) * 2017-02-27 2018-09-05 전자부품연구원 제품고장 진단장치 및 그 제품고장 진단방법
KR101889049B1 (ko) * 2017-08-11 2018-08-21 (주)다이매틱스 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치
KR101936895B1 (ko) * 2017-09-18 2019-04-03 동명대학교산학협력단 소음을 이용한 딥러닝 기반 자동차 고장진단 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230076336A (ko) 2021-11-24 2023-05-31 주식회사 디로그 스마트 팩토리의 공정 효율성 증진을 위한 인공 지능 시스템

Also Published As

Publication number Publication date
KR102357754B1 (ko) 2022-01-28

Similar Documents

Publication Publication Date Title
CN100465842C (zh) 数据分析系统和方法
Jung et al. Vibration analysis for IoT enabled predictive maintenance
CN105325023B (zh) 用于小区异常检测的方法和网络设备
US8275735B2 (en) Diagnostic system
US20100235142A1 (en) Automatic remote monitoring and diagnostics system
US20170046309A1 (en) Method for providing reliable sensor data
US20230013544A1 (en) Method, Apparatus and System for Detecting Abnormal Operating States of a Device
CN102637019A (zh) 一种工业生产过程智能集成故障诊断方法及装置
CN101859128A (zh) 一种基于知识的车铣复合机床故障预测专家系统
JPWO2008114863A1 (ja) 診断装置
CN106951197A (zh) 一种基于信号测试的印刷设备远程故障诊断方法及系统
KR20190062739A (ko) 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치
JP4635194B2 (ja) 異常検知装置
EP3388910A1 (en) Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid
KR102357754B1 (ko) 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템
CN116880402A (zh) 智慧工厂协同管控系统及其方法
CN113395182B (zh) 具有故障预测的智能网络设备管理系统及方法
KR102561675B1 (ko) 생산현장 가동 설비 상태 모니터링을 통한 고장진단 및 예측 시스템
Gatica et al. An industrial analytics approach to predictive maintenance for machinery applications
EP3748450B1 (en) Data driven machine learning for modeling aircraft sensors
WO2020230422A1 (ja) 異常診断装置及び方法
US20100214075A1 (en) Apparatus and method for failure management of rfid middleware management system
KR102389317B1 (ko) 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법
CN114299338A (zh) 用于系统管理的故障预测与健康管理系统与相关方法
KR102648729B1 (ko) 생산설비 통합 관제 서비스 플랫폼

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant