KR20210147571A - 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치 - Google Patents

설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치 Download PDF

Info

Publication number
KR20210147571A
KR20210147571A KR1020200065001A KR20200065001A KR20210147571A KR 20210147571 A KR20210147571 A KR 20210147571A KR 1020200065001 A KR1020200065001 A KR 1020200065001A KR 20200065001 A KR20200065001 A KR 20200065001A KR 20210147571 A KR20210147571 A KR 20210147571A
Authority
KR
South Korea
Prior art keywords
facility
error
information
list
unit
Prior art date
Application number
KR1020200065001A
Other languages
English (en)
Other versions
KR102394658B1 (ko
Inventor
최예림
최은영
김성훈
Original Assignee
경기대학교 산학협력단
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 경기대학교 산학협력단 filed Critical 경기대학교 산학협력단
Priority to KR1020200065001A priority Critical patent/KR102394658B1/ko
Publication of KR20210147571A publication Critical patent/KR20210147571A/ko
Application granted granted Critical
Publication of KR102394658B1 publication Critical patent/KR102394658B1/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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치에 관한 것으로, 작업자가 설비 오류에 대해 조치를 취할 수 있도록 오류 유형을 포함하는 오류 리스트를 도출하여 교대시 마다 작업자에게 미리 제공함으로써 작업자가 자신이 작업하는 동안 발생할 가능성이 있는 설비 오류를 작업전에 미리 인지할 수 있도록 한 것이다.

Description

설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치{Apparatus for deriving list of possible errors using facility failure histories}
본 발명은 설비 오류 발생 예측 기술에 관련한 것으로, 특히 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치에 관한 것이다.
다수의 공정을 운영하고 있는 제조 기업은 다양한 설비를 사용하여 제품을 생산하고 있다. 설비가 다양할수록 설비가 오작동 하거나 불량품이 발생할 확률이 높아진다. 제조 기업은 최대한의 이윤을 얻기 위해 공정 전체가 피해를 입는 설비 오작동이나 불량품이 발생하는 상황을 방지하기 위해 노력하고 있다.
하지만, 대다수의 제조 기업에서는 기업내 전문가가 설비 오류 발생 여부에 대해서 수동적으로 예측하고 있으므로, 시간 및 노동력 측면에서 매우 비효율적이다. 이러한 수동 예측 문제를 해결하기 위해 자동으로 설비 오류 발생을 예측 기술들이 등장하였다.
대한민국 공개특허 제10-2015-0022145호(2015.03.04)에서 비정상 데이터의 출현간격을 기초로 예상되는 오류시점을 계산하는 비정상 데이터 예측 방법에 대해 제안하고 있다.
이 기술은 수신되는 태그인덱스를 기준시간을 기초로 정상신호, 주의신호, 오작동신호 등으로 구분하여 플랜트의 현재 상태를 보다 세부적으로 인지할 수 있으며, 비정상 신호의 출현빈도를 기초로 예상 오류 시점을 계산하여 예상되는 오작동 및 사고를 미연에 방지한다.
그러나, 이러한 종래기술들은 단지 설비 오류 발생을 예측할 뿐, 작업자가 설비 오류에 대해 조치를 취할 수 있는 형태로 작업전에 미리 제공되지 못하는 문제점이 있었다.
설비 오류 유형에는 설비 노후, 파손 등과 같은 작업자가 작업 도중 즉시 조치가 불가능한 오류가 존재하며, 이러한 즉시 조치 불가능한 설비 오류를 작업 도중 알릴 경우 업무에 방해가 될 수 있다.
따라서, 본 발명자는 작업자가 설비 오류에 대해 조치를 취할 수 있도록 오류 유형을 포함하는 오류 리스트를 도출하여 교대시 마다 작업자에게 미리 제공함으로써 작업자가 작업전에 설비 오류를 미리 인지할 수 있는 오류 리스트 도출 기술에 대한 연구를 하였다.
대한민국 공개특허 제10-2015-0022145호(2015.03.04)
본 발명은 작업자가 설비 오류에 대해 조치를 취할 수 있도록 오류 유형을 포함하는 오류 리스트를 도출하여 교대시 마다 작업자에게 미리 제공할 수 있는 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치를 제공함을 그 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 일 양상에 따르면, 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치가 설비 오류 발생 예측 모델을 저장하는 예측 모델 DB와; 오류 유형별 설비 오류들 각각에 대한 오류 패턴을 저장하는 오류 패턴 DB와; 설비 환경정보를 포함하는 실시간 정보를 입력받는 정보 입력부와; 정보 입력부에 의해 입력된 설비 환경정보를 포함하는 실시간 정보에 대응하는 발생 가능한 설비 오류 항목들을 예측 모델 DB에 저장된 설비 오류 발생 예측 모델을 이용해 예측하는 설비 오류 발생 예측부와; 설비 오류 발생 예측부에 의해 예측된 설비 오류 항목들에 대한 오류 패턴을 도출하고, 오류 패턴 DB를 참조하여 오류 유형을 파악하고, 설비 오류 항목들과 해당 설비 오류 항목들 각각의 설비 오류 유형을 포함하는 설비 오류 리스트를 도출하는 예측 리스트 도출부를 포함한다.
본 발명의 부가적인 양상에 따르면, 설비 오류 리스트가 설비 오류 항목들 각각에 대응하는 설비 오류 발생 시점과, 신뢰도(Confidence)와, 설비 오류가 발생될 확률과, 설비 오류가 발생된 빈도수를 더 포함한다.
본 발명의 부가적인 양상에 따르면, 설비 환경정보가 설비 정보와, 작업자 정보와, 현재 공정 정보를 포함한다.
본 발명의 부가적인 양상에 따르면, 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치가 설비 정지 이력 정보와, 설비 환경정보와, 설비 가동 이력 정보를 매핑하는 정보 매핑부와; 정보 매핑부에 의해 매핑된 설비 정지 이력 정보와, 설비 환경정보와, 설비 가동 이력 정보로부터 설비 오류 발생 예측 데이터를 추출하는 데이터 추출부와; 데이터 추출부에 의해 추출된 설비 오류 발생 예측 데이터에 대한 예측 알고리즘 성능 평가를 통해 설비 오류 발생 예측 모델을 결정하고, 결정된 설비 오류 발생 예측 모델을 예측 모델 DB에 저장하는 예측 모델 성능 평가부를 포함하는 예측 모델 생성부를 더 포함한다.
본 발명의 부가적인 양상에 따르면, 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치가 비정형 텍스트로 이루어진 설비 정지 이력 정보들을 분석해 설비 오류들을 설비 오류 유형별로 군집화하는 오류 유형 군집화부와; 오류 유형 군집화부에 의해 군집화된 오류 유형별 설비 오류들 각각에 대한 오류 패턴을 설비 환경정보와 연관시켜 분석하고, 분석된 오류 유형별 설비 오류들 각각에 대한 오류 패턴을 오류 패턴 DB에 저장하는 오류 패턴 분석부를 포함하는 오류 패턴 생성부를 더 포함한다.
본 발명의 부가적인 양상에 따르면, 오류 패턴 생성부가 비정형 텍스트로 이루어진 설비 정지 이력 정보들에 대한 오탈자 수정, 유사 텍스트 단일화, 분석에 불필요한 텍스트 제거를 포함하는 전처리를 수행하는 전처리부를 더 포함한다.
본 발명의 부가적인 양상에 따르면, 오류 패턴 생성부가 전처리부에 의해 전처리된 설비 정지 이력 정보들로부터 설비 오류 구절을 추출하는 설비 오류 구절 추출부를 더 포함한다.
본 발명의 부가적인 양상에 따르면, 오류 패턴 생성부가 설비 오류 구절 추출부에 의해 추출된 설비 오류 구절을 오류 유형 군집화부에 의해 분석 가능한 벡터 데이터로 변환하는 데이터 변환부를 더 포함한다.
본 발명은 작업자가 설비 오류에 대해 조치를 취할 수 있도록 오류 유형을 포함하는 오류 리스트를 도출하여 교대시 마다 작업자에게 미리 제공함으로써 작업자가 자신이 작업하는 동안 발생할 가능성이 있는 설비 오류를 작업전에 미리 인지할 수 있으므로, 효율적인 작업이 가능한 효과가 있다.
도 1 은 본 발명에 따른 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치의 일 실시예의 구성을 도시한 블럭도이다.
도 2 는 본 발명에 따른 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치에 의해 제공되는 설비 오류 리스트 표시 화면을 예시한 도면이다.
도 3 은 사전 기반 구절 추출 기법에 의해 구절이 추출되는 것을 예시한 도면이다.
도 4 는 본 발명에 따른 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치의 오류 리스트 도출 동작을 예시한 도면이다.
이하, 첨부된 도면을 참조하여 기술되는 바람직한 실시예를 통하여 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 상세히 기술하기로 한다. 특정 실시예들이 도면에 예시되고 관련된 상세한 설명이 기재되어 있으나, 이는 본 발명의 다양한 실시예들을 특정한 형태로 한정하려는 것은 아니다.
본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
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 이해될 수 있어야 할 것이다.
도 1 은 본 발명에 따른 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치의 일 실시예의 구성을 도시한 블럭도이다. 도 1 에 도시한 바와 같이, 이 실시예에 따른 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치(100)는 예측 모델 DB(110)와, 오류 패턴 DB(120)와, 정보 입력부(130)와, 설비 오류 발생 예측부(140)와, 예측 리스트 도출부(150)를 포함한다.
예측 모델 DB(110)는 설비 오류 발생 예측 모델을 저장한다. 예컨대, 예측 모델 DB(110)에 저장되는 설비 오류 발생 예측 모델이 DT(Decision Tree), ERT(Extremely Randomized Trees), MLP(Multi-Layer Perceptron), SVM(Support Vector Machine), GBA(Gradient Boosting Algorithm), RF(Random Forest), LSTM(Long Short-Term Memory), LSTM_attention 등과 같은 예측 알고리즘들의 성능 평가를 통해 결정될 수 있다.
DT(Decision Tree)는 의사 결정 규칙과, 의사 결정 결과들을 트리 구조로 도식화한 의사 결정 지원 도구의 일종으로, 주로 목표에 가장 가까운 결과를 낼 수 있는 전략을 찾기 위해 사용되며, 요인 값들 중 영향력이 적을 것 같은 요인들에 대해 가중치를 줄여 영향력을 줄이고, 그러한 요인 값에 따른 데이터 학습을 통해 새로운 요인에 대한 예측을 한다.
ERT(Extremely Randomized Trees)는 RF(Random Forest)에서 트리를 생성할 때보다 더욱 랜덤하게 생성되는 기법으로, RF 처럼 각 노드의 특성마다 최적 값을 찾는 것이 아니기 때문에 학습 속도가 훨씬 빠르다. 노드를 분할할 때 후보 특성을 이용해 랜덤하게 분할 후 그 중에서 최상의 분할을 선택한다.
MLP(Multi-Layer Perceptron)는 선형함수만 학습할 수 있는 단층 퍼셉트론(single layer perceptron)과 달리 비선형적으로 분류되는 데이터 또한 학습 가능한 알고리즘으로, 각 층에서의 가중치를 설정하여 각 데이터에 대해 함수 값을 계산한 후, 최종적으로 활성화 함수를 통해 출력 값을 계산한다.
SVM(Support Vector Machine)은 기계 학습 분야 중 하나로 패턴 인식, 자료 분석을 위한 모델이며, 주로 분류와 회귀 분석을 위해 사용된다. 범용성(Generality)이 높고, 데이터 불균형 문제에 취약하다는 단점을 지니며, 분류를 위해 두 클래스를 나누는 초평면을 기준으로 하고, 각 서포트 벡터를 지나는 초평면 사이의 거리를 마진이라 칭하며, 이 마진을 최대화한다.
GBA(Gradient Boosting Algorithm)는 여러 트리로 구성된 앙상블 기법으로 결과를 예측하려고 할 때, 경사 하강법(gradient descent)을 이용해서 순차적으로 트리를 만들어가며 이전 트리의 오차를 보완하는 방식으로 부스팅(boosting : 맞추기 어려운 부분에 대해 초점을 맞추어 가중치를 부여하는 방식)을 하는 기법이다. DT(Decision Tree) 모델에서 부스팅(boosting)을 통해 잘못 맞춘 데이터를 간단하게 구성된 추가 모델을 이용해서 보완함으로써 성능을 향상시킬 수 있다.
RF(Random Forest)는 여러 개의 의사결정 트리의 학습을 통해 분류 및 회귀 문제의 예측모델을 구하는 앙상블 기법으로, 의사결정 트리를 형성할 때 랜덤하게 이루어지며, 이에 따라 포레스트(forest)가 노이즈에 대해 강건(robust)해 진다. 주어진 요소 중 일부만 무작위로 선택하여 가장 잘 예측하는 요소한 가지를 고르는 과정을 반복한 후 원하는 개수만큼 트리를 만들어 예측한다.
LSTM(Long Short-Term Memory)은 시계열 데이터와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 인공신경망의 한 종류인 RNN(Recurrent Neural Network)의 데이터간 거리가 멀어졌을 때 생기는 학습능력 저하에 대한 문제점을 해결하여 RNN을 발전시킨 모델로, RNN은 정보와 정보 사이 거리가 멀 경우 역전파시 경사(gradient)가 점차 줄어 학습능력이 크게 저하되어 기울기 소실 문제(vanishing gradient problem)가 생기는데, 이 문제를 RNN의 히든 스테이트(hidden state)에 셀 스테이트(cell state)를 추가하여 문제를 해결한다.
LSTM_attention은 LSTM(Long Short-Term Memory)에 attention 벡터를 적용한 모델이다. 여기서, Attention Mechanism은 시계열 데이터를 예측하는 과정에서 이전 시점을 고려하는 기존의 모델과 달리 특정 시점을 집중적으로 고려하는 모델로, 2014년에 처음 공개되었으나, 최근까지도 attention 기법을 통해 다양한 모델들이 지속적으로 개발되고 있어 많은 주목을 받고 있고 있는 모델이다.
오류 패턴 DB(120)는 오류 유형별 설비 오류들 각각에 대한 오류 패턴을 저장한다. 오류 패턴 DB(120)에 저장되는 오류 유형별 설비 오류들 각각에 대한 오류 패턴은 비정형 텍스트로 이루어진 설비 정지 이력 정보들을 설비 환경정보와 연관시켜 도출될 수 있다.
여기서, 설비 정지는 설비가 정지된 상태를 의미하며, 설비 상태 점검이나 작업자의 교대 등과 같은 상황에서의 작업자에 의한 정지나, 설비 오류로 인한 정지 등의 상황을 모두 포함하는 광의의 개념이고, 설비 오류는 설비 자체에 문제(이상)가 존재하여 설비가 정지된 상태를 의미하는 협의의 개념이다.
정보 입력부(130)는 설비 환경정보를 포함하는 실시간 정보를 입력받는다. 이 때, 정보 입력부(130)가 작업자로부터 설비 환경정보를 수동으로 입력받도록 구현될 수도 있고, 설비 환경정보를 검출하는 센서(도면 도시 생략)들로부터 자동으로 입력받도록 구현될 수도 있다.
한편, 실시간 정보가 설비 환경정보 외에도 설비 정지 이력 정보와, 설비 가동 이력 정보를 더 포함할 수 있다. 설비 환경정보는 설비 정보와, 작업자 정보와, 현재 공정 정보를 포함할 수 있으며, 이외에도 작업 시간 정보, 계절 정보, 기온 정보, 날씨 정보 등을 더 포함할 수도 있으나, 이에 한정되지는 않는다.
설비 오류 발생 예측부(140)는 정보 입력부(130)에 의해 입력된 설비 환경정보를 포함하는 실시간 정보에 대응하는 발생 가능한 설비 오류 항목들을 예측 모델 DB(110)에 저장된 설비 오류 발생 예측 모델을 이용해 예측한다.
예컨대, 설비 오류 발생 예측부(140)가 DT(Decision Tree), ERT(Extremely Randomized Trees), MLP(Multi-Layer Perceptron), SVM(Support Vector Machine), GBA(Gradient Boosting Algorithm), RF(Random Forest), LSTM(Long Short-Term Memory), LSTM_attention 등과 같은 예측 알고리즘들의 성능 평가를 통해 결정되어 예측 모델 DB(110)에 저장된 설비 오류 발생 예측 모델을 이용해 발생 가능한 설비 오류 항목들을 예측할 수 있다.
설비 오류 항목들의 오류 발생 확률은 0~100% 사이의 값으로 주어지며, 값이 클수록 오류 발생 확률이 높다. 오류 발생 여부는 True 혹은 False로 주어진다. 표 1은 설비 오류 발생 예측부(140)에 의해 예측된 발생 가능한 설비 오류 항목들을 예시한 것이다.
설비 오류 항목 오류 발생 확률(%) 오류 발생여부
001 88.41 True
002 72.56 True
003 79.12 True
004 99.45 True
005 89.88 True
예측 리스트 도출부(150)는 설비 오류 발생 예측부(140)에 의해 예측된 설비 오류 항목들에 대한 오류 패턴을 도출하고, 오류 패턴 DB(120)를 참조하여 오류 유형을 파악하고, 설비 오류 항목들과 해당 설비 오류 항목들 각각의 설비 오류 유형을 포함하는 설비 오류 리스트를 도출한다.
이 때, 설비 오류 리스트가 설비 오류 유형 이외에도 설비 오류 항목들 각각에 대응하는 설비 오류 발생 시점과, 신뢰도(Confidence)와, 설비 오류가 발생될 확률과, 설비 오류가 발생한 빈도수인 지지도(Support)를 더 포함할 수 있으나, 이에 한정되지는 않는다.
예컨대, 예측 리스트 도출부(150)가 선행규칙, 결과규칙으로 구성된 해당 시점에서 발생한 설비 오류 패턴을 도출하고, 연관성 분석의 지지도(Support)와 신뢰도(Confidence)를 파악한다.
여기서, 선행 규칙(원인)은 상황을 나타내는 요인들의 조합으로, 설비 정보와, 작업자 정보와, 현재 공정 정보, 작업 시간 정보, 계절 정보, 기온 정보, 날씨 정보 등과 같은 설비 환경정보를 사용한다. 한편, 결과 규칙(결과)은 상황에서 발생한 결과로, 오류 유형 구조화를 통해 도출한 오류유형을 사용할 수 있다.
연관성 분석의 지지도(Support)는 전체 패턴 중 선행 규칙과 결과 규칙을 동시에 포함하는 패턴의 정도로, 다음의 수학식 1과 같다.
Figure pat00001
여기서, n은 패턴의 전체 발생 횟수, (XUY).count는 사건 X와 Y가 동시에 발생한 횟수이다.
연관성 분석의 신뢰도(Confidence)는 선행 규칙을 포함하는 패턴 중 해당 결과 규칙이 포함될 확률로 0~100% 사이의 값으로 주어지며, 다음의 수학식 2와 같다.
Figure pat00002
여기서, X.count는 사건 X가 발생한 횟수, (XUY).count는 사건 X와 Y가 동시에 발생한 횟수이다.
만약, 설비 오류 패턴을 존재하지 않으면, 예측 리스트 도출부(150)가 낮은 중요도의 요인들을 순차적으로 제거하면서 유사 패턴을 도출하여 오류 유형을 파악하고, 설비 오류 항목들과 해당 설비 오류 항목들 각각의 설비 오류 유형을 포함하는 설비 오류 리스트를 도출한다. 이 때, 요인별 중요도는 오류 발생 예측 모델을 수립할 때 도출될 수 있다.
예측 리스트 도출부(150)에 의해 설비 오류 리스트가 도출되면, 도 2 에 도시한 바와 같은 설비 오류 리스트 표시 화면 GUI를 통해 설비 오류 리스트를 표시한다. 도 2 는 본 발명에 따른 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치에 의해 제공되는 설비 오류 리스트 표시 화면을 예시한 도면이다.
도 2 에서 1 내지 4 영역은 환경 정보 영역으로, 1영역은 작업자 정보 영역, 2영역은 설비 정보 영역, 3영역은 시간 정보 영역, 4영역은 추가 정보 영역이다. 한편, 5영역은 환경 정보 조작 영역, 6영역은 설비 오류 발생 예측 실행 조작 영역, 7영역은 설비 오류 리스트 표시 영역이다.
이와 같이 구현함에 의해 본 발명은 작업자가 설비 오류에 대해 조치를 취할 수 있도록 오류 유형을 포함하는 오류 리스트를 도출하여 교대시 마다 작업자에게 미리 제공할 수 있고, 이에 따라 작업자가 자신이 작업하는 동안 발생할 가능성이 있는 설비 오류를 작업전에 미리 인지할 수 있으므로, 효율적인 작업이 가능해진다.
한편, 발명의 부가적인 양상에 따르면, 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치(100)가 예측 모델 생성부(160)를 더 포함한다. 이 때, 예측 모델 생성부(160)가 정보 매핑부(161)와, 데이터 추출부(162)와, 예측 모델 성능 평가부(163)를 포함할 수 있다.
정보 매핑부(161)는 설비 정지 이력 정보와, 전체적인 환경정보와, 설비 가동 이력 정보를 매핑한다. 여기서, 매핑이라 함은 설비 정지 이력 정보와, 전체적인 환경정보와, 설비 가동 이력 정보를 서로 연관시키는 것을 말한다. 한편, 전체적인 환경정보는 설비 정보, 작업자 정보, 설비 환경정보 등을 포함하는 포괄적인 정보를 말한다.
데이터 추출부(162)는 정보 매핑부(161)에 의해 매핑된 설비 정지 이력 정보와, 전체적인 환경정보와, 설비 가동 이력 정보로부터 설비 오류 발생 예측 데이터를 추출한다. 설비 오류 발생 예측 데이터는 정보 맵핑을 통해 구축 가능하고, 사전(Dictionary) 기반 구절(Phrase) 추출 기법을 사용해 설비 오류 구절을 추출할 수 있다.
도 3 은 사전 기반 구절 추출 기법에 의해 구절이 추출되는 것을 예시한 도면이다. 도 3 을 참조해 보면 '검사 치구 전극의 마모가 심해 1차 불량이 과다 발생함 치구의 전극 전체 교체함'이라는 비정형 텍스트로부터 구절들인 '검사 치구 전극 마모', '1차 불량 과다 발생', '치구 전극 교체'가 추출되는 것을 예시하고 있다. 이 때, 사전(Dictionary)의 확장 및 범용성(generality) 향상을 위해 기계 관련 용어를 크롤링(crawling)할 수도 있다.
예측 모델 성능 평가부(163)는 데이터 추출부(162)에 의해 추출된 설비 오류 발생 예측 데이터에 대한 예측 알고리즘 성능 평가를 통해 설비 오류 발생 예측 모델을 결정하고, 결정된 설비 오류 발생 예측 모델을 예측 모델 DB(110)에 저장한다.
예컨대, 예측 모델 성능 평가부(163)가 설비 오류 발생 예측 데이터 내 비중이 더 낮은 정지 데이터에 대한 예측 성능 평가를 위해 수학식 3과 같은 F-measure를 사용하여 예측 알고리즘 성능 평가를 수행하도록 구현될 수 있다.
Figure pat00003
여기서, 0 < β < 1이면 정밀도(Precision)에 가중치가 부여된 경우이고, 1 < β이면 재현율(Recall)에 가중치가 부여된 경우이다. F-measure 값이 클수록 예측 성능이 우수하므로, F-measure 값이 가장 큰 예측 알고리즘을 설비 오류 발생 예측 모델로 결정할 수 있다.
한편, F-measure의 오차 행렬(Confusion matrix)의 TP는 실제값이 오류일 때 예측값이 오류로 올바르게 예측된 경우, FP는 실제값이 정상일 때 예측값이 오류로 올바르지 않게 예측된 경우, FN은 실제값이 오류일 때 예측값이 정상으로 올바르지 않게 예측된 경우, TN은 실제값이 정상일 때 예측값이 정상으로 올바르게 예측된 경우를 나타낸다.
이와 같이 구현함에 의해 본 발명은 예측 모델 생성부(160)를 통해 예측 모델 DB(110)에 저장되는 설비 오류 발생 예측 모델을 생성할 수 있다. 예측 모델 DB(110)에 저장되는 설비 오류 발생 예측 모델은 교대시 마다 작업자에게 미리 제공되는 설비 오류 리스트 도출을 위한 설비 오류 발생 예측시 이용된다.
한편, 발명의 부가적인 양상에 따르면, 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치(100)가 오류 패턴 생성부(170)를 더 포함한다. 이 때, 오류 패턴 생성부(170)가 오류 유형 군집화부(171)와, 오류 패턴 분석부(172)를 포함할 수 있다.
오류 유형 군집화부(171)는 비정형 텍스트로 이루어진 설비 정지 이력 정보들을 분석해 설비 오류들을 설비 오류 유형별로 군집화한다. 예컨대, 설비 정지 이력 정보가 정지가 발생한 설비의 이름인 설비명, 정지원인, 정지가 발생한 부품이 속한 그룹, 정지가 발생한 부품의 위치, 조치 내역 등을 포함할 수 있다.
오류 유형 군집화부(171)는 설비 정지 이력 정보로부터 추출되는 설비 오류 구절 및 상응하는 환경 데이터를 각 요인의 가중치를 상이하게 선정하여 머신 러닝 기반으로 오류 유형별로 군집화한다. 이때, 군집화를 수행하는 이유는 더욱 정확한 오류 패턴 마이닝을 수행하기 위해서이다.
오류 패턴 마이닝을 통해 오류가 어떤 상황에서 발생하는지 파악하기 위해서는 상황을 묘사하는 부분과 오류 유형의 쌍으로 구성된 데이터를 사용하며, 여기서 오류 유형별 상황에 대한 데이터가 충분해야지만 유의미한 결과를 얻을 수 있다. 따라서, 다양한 표현으로 기재된 오류 구절을 군집화를 수행하여 소수 개의 오류 유형으로 변환한다.
예컨대, 오류 유형 군집화부(171)가 멀티뷰 군집(Multi view clustering) 알고리즘을 사용하여 설비 오류들을 설비 오류 유형별로 군집화하도록 구현될 수 있다. 멀티뷰 군집 알고리즘은 다양한 종류의 데이터들을 동시에 활용하여 군집화를 실시하는 방식으로, 다양한 종류의 데이터를 내포하고 있는 군집 대상을 각각 구성된 데이터의 특성을 고려하여 효과적으로 군집하기 위해 사용하는 방법론이다.
일 예로 멀티 커널 기반 멀티뷰 군집(Multi kernel based multi view clustering) 모델을 적용하여 범주형 데이터로 이루어진 설비 정지 상황과 텍스트 데이터로 이루어진 추출된 구절(phrase)의 각 데이터 특성을 고려하여 설비 오류들을 설비 오류 유형별로 군집화하도록 구현될 수 있다.
이 때, 군집화 과정에서 어떠한 kernel function을 사용하는지 따라서 데이터 간 관계 정의가 달라지기 때문에 적용 가능한 kernel들을 조사 후, 각 데이터 유형에 알맞은 kernel function을 찾기 위해 다양한 비교 실험 진행하여 성능이 가장 좋은 kernel을 선택하여 적용하는 것이 바람직하다.
한편, 오류 유형 군집화부(171)는 설비 오류 유형별로 군집화하는 과정에서 숫자로 라벨(Label)된 군집명을 해당 군집을 식별할 수 있는 군집명으로 명명한다. 예컨대, 오류 유형 군집화부(171)가 군집별로 추출된 구절(phrase)들에 N-gram을 적용한 TF-IDF를 계산하여 최적 군집명을 할당하도록 구현될 수 있다.
여기서, N-gram은 입력된 문자열을 n 개의 음절 어절 단위로 단어를 추출하는 방법이고, TF-IDF는 문서(document) 내에서 특정 단어(Term)의 중요도를 빈도 (frequency) 기반으로 계산하는 방법이다.
오류 패턴 분석부(172)는 오류 유형 군집화부(171)에 의해 군집화된 오류 유형별 설비 오류들 각각에 대한 오류 패턴을 설비 환경정보와 연관시켜 분석하고, 분석된 오류 유형별 설비 오류들 각각에 대한 오류 패턴을 오류 패턴 DB(120)에 저장한다.
오류 패턴 분석부(172)는 군집화된 오류 유형과 매칭되는 설비 환경정보를 고려하여 설비 오류 패턴을 파악한다. 예컨대, 오류 패턴 분석부(172)가 연관성 분석의 대표적인 방법론인 FP-Growth를 활용하여 설비 오류 패턴을 파악하도록 구현될 수 있다.
FP-Growth는 자주 일어나는 반복적인 패턴을 찾아내는 알고리즘으로, 선행 규칙(원인)과 결과 규칙(결과)으로 구성된 데이터를 분석하여 이들의 조합이 나타나는 횟수와 확률을 알 수 있다. 구체적으로, 선행 규칙과 결과 규칙의 조합에 대해 특정 조합의 발생 빈도를 의미하는 지지도(Support) 값과 특정조합의 선행 규칙이 만족하였을 때 결과 규칙이 발생할 가능성인 신뢰도(Confidence) 값을 제공한다.
설비 오류 패턴 도출을 위해 사용될 수 있는 선행 규칙으로는 설비 오류가 발생한 시점에 대한 정보(월, 요일, 시간 등), 오류가 발생한 위치 대한 정보(설비명, 고장개소그룹 등), 설비 오류 발생 시점에서의 주위 환경 정보(작업자, 날씨 등) 등이 있다.
결과 규칙으로는 오류 유형 군집화부(171)에서 생성된 오류 유형이 사용될 수 있다. 이와 같은 선행 규칙과 결과 규칙으로 구성된 데이터를 구축하기 위하여 정제된 설비 정지 이력 정보, 오류 유형 군집화 결과, 설비 환경정보를 매칭한다.
이와 같이 구현함에 의해 본 발명은 오류 유형 군집화부(171)를 통해 설비 정지 이력 정보를 분석해 설비 오류들을 군집화하여 유형화할 수 있고, 교대시 마다 작업자에게 미리 제공되는 설비 오류 리스트 도출에 사용되는 설비 오류 패턴을 오류 패턴 분석부(172)를 통해 도출하여 DB화할 수 있다.
한편, 발명의 부가적인 양상에 따르면, 오류 패턴 생성부(170)가 전처리부(173)를 더 포함할 수 있다. 전처리부(173)는 비정형 텍스트로 이루어진 설비 정지 이력 정보들에 대한 오탈자 수정, 유사 텍스트 단일화, 분석에 불필요한 텍스트 제거를 포함하는 전처리를 수행한다.
설비 정지 이력 정보는 설비 오류를 검출하는 장치(도면 도시 생략)에 의해 자동으로 생성될 수도 있고, 작업자에 의해 수동으로 생성될 수도 있는 비정형 텍스트로 이루어진 정보이다.
따라서, 전처리부(173)를 통해 오탈자를 수정하고, 의미는 동일하지만 다른 표현으로 기술된 유사 텍스트들을 표준 텍스트로 단일화하고, 분석에 불필요한 텍스트를 제거해야만 설비 정지 이력 정보에 대한 정확하고 빠른 분석이 가능해 질 수 있다.
한편, 발명의 부가적인 양상에 따르면, 오류 패턴 생성부(170)가 설비 오류 구절 추출부(174)를 더 포함할 수 있다. 설비 오류 구절 추출부(174)는 전처리부(173)에 의해 전처리된 설비 정지 이력 정보들로부터 설비 오류 구절을 추출한다.
예컨대, 설비 오류 구절 추출부(174)가 도 3 을 통해 설명한 사전(Dictionary) 기반 구절(Phrase) 추출 기법을 사용해 설비 정지 이력 정보들로부터 설비 오류 구절을 추출하도록 구현될 수 있다.
설비 오류 구절 추출부(174)는 하나의 단어를 분석 단위로 사용하는 대신 단어의 나열인 구절을 기준으로 비정형 텍스트 데이터인 설비 정지 이력 정보 분석을 수행하여 하나의 구절이 의미를 전달하는 전문 용어의 특징을 반영한다. 여기서, 구절이란 연결된 단어들의 리스트로 설비 정지에 대한 단일의 의미를 가진 최소한의 단위를 의미한다.
한편, 발명의 부가적인 양상에 따르면, 오류 패턴 생성부(170)가 데이터 변환부(175)를 더 포함할 수 있다. 데이터 변환부(175)는 설비 오류 구절 추출부(174)에 의해 추출된 설비 오류 구절을 오류 유형 군집화부(171)에 의해 분석 가능한 벡터 데이터로 변환한다.
예컨대, 데이터 변환부(175)가 오류 원인 유형화를 위한 벡터화 알고리즘을 적용하여 설비 정지 상황(설비명 , 고장현상 , 고장원인 , 고장개소 , 고장개소그룹 등)을 nominal 데이터로 치환하고, 구절(phrase)을 word2vec 기술을 활용하여 단어 단위로 벡터화하여 오류 유형 군집화부(171)에 의해 분석 가능한 데이터로 변환하도록 구현될 수 있다.
이상에서 설명한 바와 같은 본 발명에 따른 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치의 오류 리스트 도출 과정을 도 4 를 통해 알아본다. 도 4 는 본 발명에 따른 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치의 오류 리스트 도출 동작을 예시한 도면이다.
먼저, 단계 410에서 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치가 설비 환경정보를 포함하는 실시간 정보를 입력받는다. 이 때, 작업자로부터 설비 환경정보를 수동으로 입력받도록 구현될 수도 있고, 설비 환경정보를 검출하는 센서들로부터 자동으로 입력받도록 구현될 수도 있다.
한편, 실시간 정보가 설비 환경정보 외에도 설비 정지 이력 정보와, 설비 가동 이력 정보를 더 포함할 수 있다. 설비 환경정보는 설비 정보와, 작업자 정보와, 현재 공정 정보를 포함할 수 있으며, 이외에도 작업 시간 정보, 계절 정보, 기온 정보, 날씨 정보 등을 더 포함할 수도 있으나, 이에 한정되지는 않는다.
그 다음, 단계 420에서 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치가 단계 410에 의해 입력된 설비 환경정보를 포함하는 실시간 정보에 대응하는 발생 가능한 설비 오류 항목들을 예측 모델 DB에 저장된 설비 오류 발생 예측 모델을 이용해 예측한다. 설비 오류 발생 예측 모델 생성 및 이를 이용한 설비 오류 예측과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.
그 다음, 단계 430에서 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치가 단계 420에 의해 예측된 설비 오류 항목들에 대한 오류 패턴을 도출하고, 오류 패턴 DB를 참조하여 오류 유형을 파악하고, 설비 오류 항목들과 해당 설비 오류 항목들 각각의 설비 오류 유형을 포함하는 설비 오류 리스트를 도출한다. 오류 패턴 생성, 이를 이용한 오류 유형 파악 및 설비 오류 리스트 도출과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.
이와 같이 구현함에 의해 본 발명은 작업자가 설비 오류에 대해 조치를 취할 수 있도록 오류 유형을 포함하는 오류 리스트를 도출하여 교대시 마다 작업자에게 미리 제공할 수 있고, 이에 따라 작업자가 자신이 작업하는 동안 발생할 가능성이 있는 설비 오류를 작업전에 미리 인지할 수 있어, 효율적인 작업이 가능해지므로, 상기에서 제시한 본 발명의 목적을 달성할 수 있다.
본 명세서 및 도면에 개시된 다양한 실시예들은 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 다양한 실시예들의 범위를 한정하고자 하는 것은 아니다.
따라서, 본 발명의 다양한 실시예들의 범위는 여기에서 설명된 실시예들 이외에도 본 발명의 다양한 실시예들의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 다양한 실시예들의 범위에 포함되는 것으로 해석되어야 한다.
본 발명은 설비 오류 발생 예측 관련 기술분야 및 이의 응용 기술분야에서 산업상으로 이용 가능하다.
100 : 오류 리스트 도출 장치
110 : 예측 모델 DB
120 : 오류 패턴 DB
130 : 정보 입력부
140 : 설비 오류 발생 예측부
150 : 예측 리스트 도출부
160 : 예측 모델 생성부
161 : 정보 매핑부
162 : 데이터 추출부
163 : 예측 모델 성능 평가부
170 : 오류 패턴 생성부
171 : 오류 유형 군집화부
172 : 오류 패턴 분석부
173 : 전처리부
174 : 설비 오류 구절 추출부
175 : 데이터 변환부

Claims (8)

  1. 설비 오류 발생 예측 모델을 저장하는 예측 모델 DB와;
    오류 유형별 설비 오류들 각각에 대한 오류 패턴을 저장하는 오류 패턴 DB와;
    설비 환경정보를 포함하는 실시간 정보를 입력받는 정보 입력부와;
    정보 입력부에 의해 입력된 설비 환경정보를 포함하는 실시간 정보에 대응하는 발생 가능한 설비 오류 항목들을 예측 모델 DB에 저장된 설비 오류 발생 예측 모델을 이용해 예측하는 설비 오류 발생 예측부와;
    설비 오류 발생 예측부에 의해 예측된 설비 오류 항목들에 대한 오류 패턴을 도출하고, 오류 패턴 DB를 참조하여 오류 유형을 파악하고, 설비 오류 항목들과 해당 설비 오류 항목들 각각의 설비 오류 유형을 포함하는 설비 오류 리스트를 도출하는 예측 리스트 도출부를;
    포함하는 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치.
  2. 제 1 항에 있어서,
    설비 오류 리스트가:
    설비 오류 항목들 각각에 대응하는 설비 오류 발생 시점과, 신뢰도(Confidence)와, 설비 오류가 발생될 확률과, 설비 오류가 발생된 빈도수를 더 포함하는 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치.
  3. 제 1 항에 있어서,
    설비 환경정보가:
    설비 정보와, 작업자 정보와, 현재 공정 정보를 포함하는 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치.
  4. 제 1 항 내지 제 3 항 중의 어느 한 항에 있어서,
    설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치가:
    설비 정지 이력 정보와, 설비 환경정보와, 설비 가동 이력 정보를 매핑하는 정보 매핑부와;
    정보 매핑부에 의해 매핑된 설비 정지 이력 정보와, 설비 환경정보와, 설비 가동 이력 정보로부터 설비 오류 발생 예측 데이터를 추출하는 데이터 추출부와;
    데이터 추출부에 의해 추출된 설비 오류 발생 예측 데이터에 대한 예측 알고리즘 성능 평가를 통해 설비 오류 발생 예측 모델을 결정하고, 결정된 설비 오류 발생 예측 모델을 예측 모델 DB에 저장하는 예측 모델 성능 평가부를;
    포함하는 예측 모델 생성부를 더 포함하는 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치.
  5. 제 4 항에 있어서,
    설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치가:
    비정형 텍스트로 이루어진 설비 정지 이력 정보들을 분석해 설비 오류들을 설비 오류 유형별로 군집화하는 오류 유형 군집화부와;
    오류 유형 군집화부에 의해 군집화된 오류 유형별 설비 오류들 각각에 대한 오류 패턴을 설비 환경정보와 연관시켜 분석하고, 분석된 오류 유형별 설비 오류들 각각에 대한 오류 패턴을 오류 패턴 DB에 저장하는 오류 패턴 분석부를;
    포함하는 오류 패턴 생성부를 더 포함하는 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치.
  6. 제 5 항에 있어서,
    오류 패턴 생성부가:
    비정형 텍스트로 이루어진 설비 정지 이력 정보들에 대한 오탈자 수정, 유사 텍스트 단일화, 분석에 불필요한 텍스트 제거를 포함하는 전처리를 수행하는 전처리부를;
    더 포함하는 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치.
  7. 제 6 항에 있어서,
    오류 패턴 생성부가:
    전처리부에 의해 전처리된 설비 정지 이력 정보들로부터 설비 오류 구절을 추출하는 설비 오류 구절 추출부를;
    더 포함하는 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치.
  8. 제 7 항에 있어서,
    오류 패턴 생성부가:
    설비 오류 구절 추출부에 의해 추출된 설비 오류 구절을 오류 유형 군집화부에 의해 분석 가능한 벡터 데이터로 변환하는 데이터 변환부를;
    더 포함하는 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치.
KR1020200065001A 2020-05-29 2020-05-29 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치 KR102394658B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200065001A KR102394658B1 (ko) 2020-05-29 2020-05-29 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200065001A KR102394658B1 (ko) 2020-05-29 2020-05-29 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치

Publications (2)

Publication Number Publication Date
KR20210147571A true KR20210147571A (ko) 2021-12-07
KR102394658B1 KR102394658B1 (ko) 2022-05-04

Family

ID=78868458

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200065001A KR102394658B1 (ko) 2020-05-29 2020-05-29 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치

Country Status (1)

Country Link
KR (1) KR102394658B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150022145A (ko) 2013-08-22 2015-03-04 비앤에프테크놀로지 주식회사 비정상 데이터 예측 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
KR101987365B1 (ko) * 2018-11-26 2019-06-10 (주)위세아이텍 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법
KR20190135923A (ko) * 2018-05-29 2019-12-09 경희대학교 산학협력단 설비 관리 방법 및 이를 실행하는 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150022145A (ko) 2013-08-22 2015-03-04 비앤에프테크놀로지 주식회사 비정상 데이터 예측 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
KR20190135923A (ko) * 2018-05-29 2019-12-09 경희대학교 산학협력단 설비 관리 방법 및 이를 실행하는 장치
KR101987365B1 (ko) * 2018-11-26 2019-06-10 (주)위세아이텍 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법

Also Published As

Publication number Publication date
KR102394658B1 (ko) 2022-05-04

Similar Documents

Publication Publication Date Title
US11562304B2 (en) Preventative diagnosis prediction and solution determination of future event using internet of things and artificial intelligence
CN111309912B (zh) 文本分类方法、装置、计算机设备及存储介质
US20200258057A1 (en) Repair management and execution
US11954202B2 (en) Deep learning based detection of malicious shell scripts
CN111104242A (zh) 基于深度学习的操作系统的异常日志的处理方法及装置
Jindal et al. Software defect prediction using neural networks
CN115510500B (zh) 一种文本内容的敏感分析方法及系统
WO2023030322A1 (en) Methods, systems, and media for robust classification using active learning and domain knowledge
CN110716957B (zh) 类案可疑对象智能挖掘分析方法
Lee et al. Early failure detection of paper manufacturing machinery using nearest neighbor‐based feature extraction
Panda et al. Multi-label software bug categorisation based on fuzzy similarity
Nanyonga et al. Sequential classification of aviation safety occurrences with natural language processing
CN113947076A (zh) 保单数据的检测方法、装置、计算机设备及存储介质
Nazah et al. Word sense disambiguation of Bangla sentences using statistical approach
KR102394658B1 (ko) 설비 정지 이력을 이용한 발생 가능한 오류 리스트 도출 장치
Khatian et al. Comparative analysis for predicting non-functional requirements using supervised machine learning
Sivapurnima et al. Adaptive Deep Learning Model for Software Bug Detection and Classification.
Saha Comparing Classification Models on Kepler Data
EP3686812A1 (en) System and method for context-based training of a machine learning model
US11620577B2 (en) Multi-modal data explainer pipeline
CN114254105A (zh) 对抗文本的修复方法及装置
Turkoglu et al. Application of data mining in failure estimation of cold forging machines: An industrial research
KR20200088012A (ko) 반도체 제조 공정에서 특징 선택 기법에 따른 멀티 분류기를 활용한 불량 패턴 예측 장치 및 방법
Kega et al. MODEL INTERPRETABILITY VIA INTERACTION FEATURE DETECTION USING ROUGHSET IN A GENERALIZED LINEAR MODEL FOR WEATHER PREDICTION IN KENYA.
Patel Forecasting health of complex IT systems using system log data

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant