KR20220026872A - 엔진 조립의 불량 감지 시스템 및 불량 감지 방법 - Google Patents

Abstract

본 발명은 가공 장비의 엔진 조립 불량 감지 시스템 및 엔진 조립 불량 감지 방법에 관한 것이다. 상기 감지 시스템은 상기 엔진의 조립 불량 검출을 위한 복수의 데이터를 측정하는 데이터 측정부와; 상기 데이터에 대한 군집 모델링을 위한 데이터 전처리를 수행하는 데이터 전처리부와; 전처리된 상기 데이터에 대한 군집 모델을 형성하고, 정상 데이터에 대한 군집 모델 및 불량 데이터에 대한 군집 모델을 통해 상기 엔진의 조립 불량 여부를 판정하는 군집 판정부와; 상기 불량 여부에 따라 상기 엔진을 후공정 또는 리페어 공정으로 이동시키는 결과 전송부를 포함할 수 있다.

Description

엔진 조립의 불량 감지 시스템 및 불량 감지 방법{ENGINE ASSEMBLY FAULTY DETECTING SYSTEM AND DETECTING SYSTEM USIGN THE SAME}

본 발명은 엔진 조립의 불량 감지 시스템 및 불량 감지 방법에 관한 것으로, 보다 상세하게는 제어 데이터를 기반으로 엔진 조립의 불량 감지 시스템 및 불량 감지 방법에 관한 것이다.

IPT#2는 숏블록 상태의 엔진의 조립성을 점검하는 테스트 설비이다. 숏블록은 실린더 블록, 크랭크, 피스톤, 콘로드가 결합된 엔진을 의미할 수 있고, IPT#2는 이러한 엔진의 조립 상태의 정상 여부를 확인하는 설비에 해당한다.

이러한 IPT#2는 토크와 리크값을 측정해 습동부의 청정도와 베어링 오장착을 점검한다.

한편, IPT#2는 토크, 리크값의 최대/최소값, 국소 기울기 값으로 정상 여부(OK/NG)를 판정하였으나, 이러한 오류 검출 방법은 설비 업체의 노하우에 따라 검출력이 상이한 문제점이 있다.

또한, 온습도에 따른 리크값의 변동으로 설비 신뢰성이 떨어지는 문제점 역시 존재한다.

따라서, 설비 업체의 노하우에 상관 없이 객관적인 엔진의 조립 오류 또는 불량을 감지할 수 있는 방법이 필요하고, 온습도를 보정할 수 있는 불량 감지 방법이 필요하다.

본 발명의 일 실시예는 노하우에 상관 없이 객관적인 엔진의 조립 오류 또는 불량을 감지할 수 있는 엔진 조립의 불량 감지 시스템 및 불량 감지 방법을 제공하고자 한다.

또한, 본 발명의 일 실시예는 온습도를 보정하면서 불량을 감지할 수 있는 엔진 조립의 불량 감지 시스템 및 불량 감지 방법을 제공하고자 한다.

본 발명의 일 실시예는 군집 분석과 전문가의 라벨링을 통해 새로운 오장착을 판단할 수 있는 엔진 조립의 불량 감지 시스템 및 불량 감지 방법을 제공하고자 한다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명의 실시예에 따른 엔진 조립 불량 감지 시스템은 엔진의 조립 불량 검출을 위한 복수의 데이터를 측정하는 데이터 측정부와; 상기 데이터에 대한 군집 모델링을 위한 데이터 전처리를 수행하는 데이터 전처리부와; 전처리된 상기 데이터에 대한 군집 모델을 형성하고, 정상 데이터에 대한 군집 모델 및 불량 데이터에 대한 군집 모델을 통해 상기 엔진의 조립 불량 여부를 판정하는 군집 판정부와; 상기 불량 여부에 따라 상기 엔진을 후공정 또는 리페어 공정으로 이동시키는 결과 전송부를 포함할 수 있다.

상기 데이터 측정부는 기동 토크, 회전 토크 및 에어 리크에 대한 시계열 데이터를 측정할 수 있다.

상기 데이터 전처리부는, 측정된 상기 데이터의 결측치를 보간하고, 데이터의 노이즈를 제거하고, 데이터를 스케일링 할 수 있다.

상기 데이터 전처리부는, 상기 데이터의 노이즈를 제거하기 위하여 상기 데이터에 FFT(Fast Fourier Transform) 적용하여 주파수 대역 별로 파워를 연산하고, 평균 에러값에 기초하여 고주파를 필터링할 수 있다.

상기 군집 판정부는, 상기 시계열 데이터 간의 거리, 군집 내의 거리 및 군집 간의 거리에 기초하여 군집 모델을 형성하고, 상기 군집들 간의 유사도 및 대표성을 고려하여 복수의 군집 모델을 분류 및 라벨링할 수 있다.

상기 군집 판정부는, 상기 시계열 데이터의 군집 모델이 정상 상태에 대한 군집 모델 또는 불량 상태에 대한 군집 모델 중 어느 모델로 분류되는지 여부를 판정할 수 있다.

상기 군집 판정부는, 응집형 모델을 이용하여 계층적 군집을 형성하고, 평균값을 이용한 중심 연결을 이용하여 군집들을 병합할 수 있다.

상기 군집 판정부는, SBD 방식으로 군집 간의 거리를 측정하고 Shape Extraction 방식에 따라 군집 중심 좌표를 설정함으로써, 상기 군집 모델의 유사도 및 대표성을 판단할 수 있다.

본 발명의 다른 실시예에 따른 엔진 조립 불량 감지 방법은 엔진의 조립 불량 검출을 위한 복수의 데이터를 측정하는 단계와; 상기 데이터에 대한 군집 모델링을 위한 데이터 전처리를 수행하는 데이터 전처리 단계와; 전처리된 상기 데이터에 대한 군집 모델을 형성하고, 정상 데이터에 대한 군집 모델 및 불량 데이터에 대한 군집 모델을 통해 상기 엔진의 조립 불량 여부를 판정하는 군집 판정 단계와; 상기 불량 여부에 따라 상기 엔진을 후공정 또는 리페어 공정으로 이동시키는 결과 전송 단계를 포함할 수 있다.

본 발명의 일 실시예는 노하우에 상관 없이 객관적인 엔진의 조립 오류 또는 불량을 감지할 수 있는 엔진 조립의 불량 감지 시스템 및 불량 감지 방법을 제공한다.

또한, 본 발명의 일 실시예는 온습도를 보정하면서 불량을 감지할 수 있는 엔진 조립의 불량 감지 시스템 및 불량 감지 방법을 제공한다.

본 발명의 일 실시예는 군집 분석과 전문가의 라벨링을 통해 새로운 오장착을 판단할 수 있는 엔진 조립의 불량 감지 시스템 및 불량 감지 방법을 제공한다.

이를 통해, 계절에 따른 설비 오검출이 감소되어 설비의 판정 신뢰성을 향상시킬 수 있고, 군집 별 불량 현상 라벨링으로 작업자 리페어가 효율적으로 이루어질 수 있으며, 오검출에 따라 비직행율이 해소되어 생산량이 증가될 수있다. 또한, 이를 통해 오검출에 따른 리페어 공수 낭비 역시 해소될 수 있다.

이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.

도 1은 본 발명의 일 실시예에 따른 차량 엔진 조립 불량 감지 시스템의 제어 블록도이다.
도 2는 본 발명의 일 실시예예 따라 측정되는 데이터를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 데이터 전처리 과정에 대한 도면이다.
도 4는 본 발명의 일 실시예에 따른 군집 모델 형성에 사용되는 파라미터를 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 군집 간 거리 산출을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 군집 모델의 유사도 측정을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 군집 모델의 대표성을 측정을 설명하기 위한 도면이다.
도 8은 본 발명의 일 예예 따른 군집 형성, 분류 및 라벨링을 설명하기 위한 도면이다.
도 9는 본 발명의 일 예예 따른 엔진 조립 불량 감지 방법에 대한 제어 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 컴퓨팅 시스템을 도시한다.

이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.

본 발명의 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 도 1 내지 도 9를 참조하여, 본 발명의 실시예들을 구체적으로 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 차량 엔진 조립 불량 감지 시스템의 제어 블록도이다.

도시된 바와 같이, 본 실시예에 따른 엔진 조립 불량 감지 시스템은 엔진(10)으로부터 시계열 데이터를 측정 및 수집하는 데이터 측정부(100)와, 데이터에 대한 군집 모델링을 위한 데이터 전처리를 수행하는 데이터 전처리부(200)와, 전처리된 데이터에 대한 군집 모델을 형성하고, 정상 데이터에 대한 군집 모델 및 불량 데이터에 대한 군집 모델을 통해 엔진(10)의 조립 불량 여부를 판정하는 군집 판정부(300) 및 엔진(10)의 불량 여부에 따라 엔진(10)을 후공정 또는 리페어 공정으로 이동시키는 결과 전송부(400)를 포함할 수 있다.

이러한 엔진 조립 불량 감지 시스템은 일 예에 따라 엔진의 숏 블록, 즉, 실린더 블록, 크랭크, 피스톤, 콘로드가 결합된 조립 상태를 확인하는 설비인 IPT#2로 구현될 수 있다.

이러한 엔진 조립 불량 감지 시스템에서 감지된 여러 가지 엔진 조립 불량에 대한 정보는 PLC(Power Line Communication) 또는 스마트 팩토리 시스템(20)과 같이 엔진 조립 불량을 파악 및 피드백하여 개선할 수 있는 시스템에 출력될 수 있다. 스마트 팩토리 시스템(20)은 군집 판정부(300) 또는 결과 전송부(400)의 데이터 처리 결과를 수신하여 조립 불량 감지에 대한 추가 제어를 수행할 수 있는 시스템이다.

일 예에 따른 엔진 조립 불량 감지 시스템은 방대한 양의 시계열 데이터를 저장하기 위한 데이터 서버(미도시)를 더 포함할 수 있다. 상술된 바와 같이 엔진(10)으로부터 수집되는 데이터는 시계열 데이터이므로 그 양이 방대하다. 따라서, 데이터 서버는 방대한 양의 시계열 데이터를 저장하기 위해 충분한 연산 속도와 방대한 양의 저장 공간이 확보된 고성능 연산 장치로 구현될 수 있다.

데이터 측정부(100)는 엔진(10)으로부터 시계열 데이터를 기설정된 샘플링 주기로 측정 및 수집할 수 있다. 이러한 데이터 신호는 상술된 데이터 서버로 전송될 수 있다.

데이터 측정부(100)는 모터로 엔진(10)의 크랭크를 잡고 돌리면서 토크와 에어 리크값을 측정할 수 있다. 도 2는 본 발명의 일 실시예예 따라 측정되는 데이터를 도시한 도면이다.

도시된 바와 같이, 데이터 측정부(100)는 기동 토크, 회전 토크(러닝 토크) 및 에어 리크(air-leak)에 대한 시계열 데이터를 측정할 수 있으며, 토크는 베어링에 이물이 존재하는지 여부 또는 피스톤의 조립 상태를 확인할 수 있는 데이터이며, 에어 리크는 베어링 오장착 여부를 확인할 수 있는 데이터이다.

기동 토크 및 회전 토크는 설비 토크 메터에서 실시간으로 측정될 수 있으며, 기동 토크는 1024 포인트 시계열 데이터(1초 측정)이고, 회전 토크는 1024 포인트 시계열 데이터로써, 크랭크 1회전 측정을 통해 획득될 수 있다. 에어 리크 역시 1024 포인트 시계열 데이터이고, 크랭크 1회전 측정을 통해 수집될 수 있다.

본 실시예에 따른 데이터 측정부(100)는 데이터를 주요 구간의 특성치, 예를 들어, 최대값 또는 평균 등으로 선정하지 않는다. 이는 주요 구간 이외에서 발생한 토크, 리크 변동을 감지할 수 없는 기존 판정 로직을 보완하기 위함이다.

이러한 데이터 측정부(100)는 엔진(10)을 제어하는 제어부와 통신하여 사용자가 필요로 하는 데이터를 데이터 서버 전송할 수 있는 모든 유/무선의 장치로 구현될 수 있다.

데이터 전처리부(200)는 군집 모델링을 위한 데이터 전처리를 수행하고, 구체적으로, 측정된 데이터의 결측치를 보간하고, 데이터의 노이즈를 제거하고, 데이터를 스케일링할 수 있다.

도 3은 본 발명의 일 실시예에 따른 데이터 전처리 과정에 대한 도면이다. IPT#2의 경우 데이터의 결측이 발생되면, 1024개 데이터가 공란으로 표시될 수 있다. 도시된 바와 같이, 데이터 전처리부(200)는 전/후 데이터를 연결함으로써 평균을 취하는 선형 보간을 통해 결측치를 보정할 수 있다.

또한, 데이터 전처리부(200)는 데이터 길이를 균일하게 하기 위하여, 수집된 데이터를 기설정된 단위 시간으로 생성할 수 있고, 선형 보간된 데이터를 동기화할 수 있다.

이렇게 보간된 데이터는 노이즈가 제거되고, 온습도를 반영하여 스케일링 될 수 있다.

데이터 전처리부(200)는 파형의 클러스터링 정확도를 향상시키기 위해 노이즈를 제거하고, 이를 위하여 데이터에 FFT(Fast Fourier Transform) 적용하여 주파수 대역 별로 파워를 연산하고, 평균 에러값에 기초하여 고주파를 필터링할 수 있다. 즉, 데이터 전처리부(200)는 FFT 활용해 주파수 성분 별 파워(POWER)를 계산하고, MSE(Mean Squared error) 값이 급격히 작아지는 고조파까지만 활용하고 나머지 데이터는 필터링할 수 있다.

또한, 상술된 바와 같이 기존 에어 리크는 온습도에 대한 영향도가 높기 때문에 초기 에어 압력이 높으면, 전체 파형이 높아지는 경향이 있다. 따라서, 이를 보정하기 위하여 데이터 전처리부(200)는 파형 별 정규화한 값에 기초하여 전체 파형에서 해당 파형의 위치를 조정할 수 있다.

일 예에 따르면, 데이터 전처리부(200)는 시계열 데이터 중 데이터 정합성에 적합한 데이터를 선택하고, 데이터 길이를 균일하게 하고, 데이터를 주파수 대역에 따라 분리하기 위하여 변환할하는 전처리를 수행할 수 있다.

데이터의 전처리 과정이 완료되면, 군집 판정부(300)는 빅데이터를 기반으로 데이터에 대한 군집 모델을 형성하고, 이들을 분류하여 엔진의 조립 불량을 판정할 수 있는 판정 기준을 수립할 수 있다. 본 실시예에 따른 군집 판정부(300)는 입력 데이터로 시계열 데이터의 특성치가 아닌 시간에 따른 변동성을 반영한 데이터에 대해서도 OK 또는 NG 판정 기준에 반영하기 위해 시계열 군집 모델 활용한다.

군집 판정부(300)는 도시하지 않은 데이터 분석 및 처리를 수행하는 빅데이터 학습부와 빅데이터 분류부를 포함할 수 있다.

군집 판정부(300)의 빅데이터 학습부는 조립 불량에 대한 시계열 데이터와 정상 조립에 대한 시계열 데이터의 신호 특성을 빅데이터 분석 기법을 통하여 분석 및 학습하여 조립 불량 여부를 판단하는 판단 기준을 생성하고, 군집 판정부(300)의 빅데이터 분류부는 판단 기준에 따라 엔진의 시계열 데이터의 불량 여부를 실시간으로 판단할 수 있다.

즉, 빅데이터 분류부는 새로운 시계열 데이터과 학습된 군집 모델과의 유사성을 비교하여 시계열 데이터를 가장 유사도가 높은 군집으로 분류할 수 있다. 빅데이터 분류부에 의해 분별된 데이터는 다시 빅데이터 학습부를 통해 학습 되고 데이터의 누적으로 인하여 엔진 불량 여부 판정 정합성을 강화시킬 수 있다.

군집 형성에 대하여 간략하게 정리하면, 우선, 파형간의 거리를 측정하고, 군집 내부 거리, 군집간 거리 고려해 군집 형성할 수 있다. 그리고, 파라메타 별 내/외부 거리를 비교해 최적 파라메타를 도출하여 군집을 정리할 수 있다.

도 4는 본 발명의 일 실시예에 따른 군집 모델 형성에 사용되는 파라미터를 도시한 도면이다.

일 예에 따라, 군집 판정부(300)는 시계열 데이터에 응집형 모델을 이용하여 계층적 군집을 형성하고, 중심 연결 방법을 이용하여 군집들을 병합하고, 군집들 간의 유사도 및 대표성을 측정함으로써 복수의 군집 모델을 생성 및 저장할 수 있다.

군집 모델, 즉 클러스터링 모델은 크게 계층적 군집과 분할적 군집 방식이 있으며, 두 방식은 군집을 뭉치거나 분할하는 과정 중에 군집수를 정의하는지, 아니면 사전에 군집 수를 정의하고 진행하는지에 대한 차이점이 존재한다. 본 발명은 완전히 생소한 데이터의 다양한 군집을 탐색하면서 불량 군집을 정의하기 위하여 도 4와 같이 계층적 군집 방식이 적용하였다.

한편, 계층적 군집 방식에서도 여러 개의 군집 중 유사한 군집끼리 뭉쳐가는 방식인 응집형과 전체 개체를 한 군집으로 보고 이질성에 따라 군집을 분리해가는 분리형이 있다. 일 예에 따라, 불량 군집을 정확히 찾아내기 위하여 최대한 많은 군집을 가정할 수 있는 응집형 모델이 사용될 수 있다.

한편, 가까운 군집을 점점 응집 시켜 나가면서 더 큰 군집을 만들고 군집들을 병합하기 위하여 여러 가지지 병합 방법이 적용될 수 있다.

예를 들어, 군집 간에 가장 가까운 요소 끼리만 비교하여 더 가까운 요소가 포함된 군집을 합치는 최단 연결법, 군집 간에 가장 먼 요소 끼리만 비교하여 더 가까운 요소가 포함된 군집을 합치는 최장 연결법(Complete Linkage Method), 군집 내 요소들의 Centroid를 계산해서 Centroid가 가까운 군집을 합치는 중심 연결법(Centroid Linkage Method) 및 군집의 평균을 연결하는 평균 연결법(Average) 및 군집 별로 구성 요소 간의 편차제곱의 합을 비교하여 가까운 군집을 합치는 Ward 연결법이 적용될 수 있다.

도 5는 본 발명의 일 실시예에 따른 군집 간 거리 산출을 설명하기 위한 도면이다.

일 예에 따른 군집 판정부(300)는 도 5와 같이, 군집 간 거리 산출을 위하여 “Average” 방식(Average Linkage Method)을 사용할 수 있다.

도시된 바와 같이, 기동 토크, 회전 토크 및 에어 리크 각 군집 간 거리 계산 방식에 있어 “Average” 방식을 적용하였을 때, 군집 내 거리가 가장 작은 것을 확인할 수 있다.

일 예로 에어 리크 항목에 대한 군집 거리 계산 결과를 표로 나타내면 다음과 같다.

이 후, 군집 판정부(300)는 시계열 데이터 특성을 고려하면서 군집간의 유사성 비교 척도를 정의하기 위하여 유클리디언 방식, DTW(Dynamic Time Warping) 방식 및 SBD(Shape Based Distance) 방식 중 어느 하나를 적용할 수 있다.

유클리디언 방식은 매칭되는 데이터 간에만 거리를 산출하는 방식이고 DTW 방식은 매칭되는 데이터와 그 다음 데이터들과 비교해서 가장 가까운 것과의 거리를 산출하는 방식이며, SBD는 두 개의 시계열을 시간축을 기준으로 움직이면서 둘 간의 내적이 최대가 되는 값을 두 관측치의 유사도로 측정하는 방식 이다.

도 6은 본 발명의 일 실시예에 따른 군집 모델의 유사도 측정을 설명하기 위한 도면이다.

일 예에 따라, 군집 판정부(300)는 상기 세 가지 방식 중 군집의 응집, 분리 성능이 안정적으로 확보되는 SBD 방식으로 군집 간의 거리를 계산 및 평가할 수 있다.

도 6은 거리 중심점 조합 테스트, 즉 평가 척도로 실루엣 지수(실루엣 지수/k = 30)를 활용한 것이다. 실루엣 지수란 클러스터링의 성능을 평가할 때 자주 쓰이는 지수로, 클러스터 내의 평균 거리(응집도)와, 클러스터 간의 평균 거리(분리도)의 차이를 빼 큰 값으로 나눈 것을 나타낸다. 클러스터가 잘 나뉠 경우, 응집도의 수치는 낮아지고, 분리도의 수치는 높아지므로, 실루엣 지수는 1에 가까운 값이 되지만 반면, 클러스터로 잘 나뉘지 않는다면, 분리도와 응집도가 의미가 없고, 실루엣 지수는 0이 될 수 있다.

도시된 바와 같이, 제1 엔진의 에어 리크를 제외하고, 다른 모든 항목에서 SBD 방식으로 거리를 계산한 것의 성능이 우수하게 나타났다.

한편, 군집 판정부(300)는 군집의 대표성을 평가하기 위하여, 즉, 각 군집 내 다른 객체들과 거리가 최소가 되는 객체인 대표 객체(medoid)를 고려하기 위하여, 모든 객체에 대하여 대표 객체가 변했을 때 발생하는 거리 총합의 변화를 계산하는 방식인 PAM(Point-Around-Medoids), 군집 내 객체들간의 DTW 합이 최소화 되는 군집의 중심인 평균시계열을 산출하는 방식인 DBA, SBD를 통해 유사도를 산출하고 군집 내에서 Sum of Squared correlation 을 최대화하여 군집의 중심을 산출하는 방식인 Shape Extraction을 적용할 수 있다.

도 7은 본 발명의 일 실시예에 따른 군집 모델의 대표성을 측정을 설명하기 위한 도면이다.

도 7은 특정 엔진(mip_cd : C10J, 도 6의 제1엔진)에 대한 에어 리크에 대한 중심점 비교를 도시한 것이다.

도시된 바와 같이, 군집 내 개체 중심 방식 (PAM) 보다 군집 별 대표 파형을 추출 (S.E) 하는 방식이 군집 별 대표 파형을 추출 시 패턴 차이가 다소 명확하다. 이는 실루엣 지수로 평가하여 최적 파라메터를 찾는 방법에 의하여 도출된 결과이고, 데이터에 따라 선정된 파라메터는 변경될 수 있다.

따라서, 일 예에 따라 군집 판정부(300)는 Shape Extraction을 적용하여 군집 모델의 대표성을 판단하고, 군집을 분류에 활용할 수 있다.

상기 설명된 다양한 군집 형성 방법 또는 이들의 적용은 데이터의 특성 및 불량 유형에 따라 상이하게 설정될 수 있고, 빅데이터 모델링을 위하여 개시되지 않은 현존하는 다양한 알고리즘이 적용될 수 있다.

도 8은 본 발명의 일 예예 따른 군집 형성, 분류 및 라벨링을 설명하기 위한 도면이다.

도시된 바와 같이, 군집 판정부(300)는 상술된 과정을 통하여 각 항목, 즉 3개의 파형에 대하여 각각 30개의 대표 군집을 생성할 수 있다. 도 8의 (a)는 이 중 에어 리크에 대한 군집 모델을 나타내고 있다.

이 후, 전문가에 의하여 (b)와 같이 군집 라벨링이 수행될 수 있고, 이러한 실시간 파형 클러스터링 모듈이 엔진 조립 불량 판정에 실시간으로 활용될 수 있다. 기동 토크에 대하여 OK 파형 패턴과 불량에 대한 4개의 파형이 도출될 수 있고, 러닝 토크에 대하여 OK 파형 패턴과 불량에 대한 6개의 파형이 도출될 수 있다.

군집 판정부(300)는 분류된 클러스터, 즉 분류된 모델과 전처리된 데이터의 유사도를 비교하여 해당 데이터를 가장 유사도가 높은 클러스터로 분류하고 엔진 조립 불량 여부를 판정할 수 있다. 이때, 군집 판정부(300)는 군집간의 유사도를 비교하기 위하여 상술되었던 유클리디언 방식, DTW(Dynamic Time Warping) 방식 및 SBD 방식 등을 활용할 수 있다.

또는 군집 판정부(300)는 일 예에 따라 어떤 특정 단계에서 병합 또는 분할되는 군집들 간의 관계를 파악하고 전체 군집들 간의 구조적 관계를 살피는데 사용되는 덴드로그램을 이용하여 군집 내의 항목 간의 유사도 정도를 파악할 수 있다.

또한, 본 발명의 다른 실시예에 따르면, 엔진(10)으로부터 출력된 시계열 데이터를 데이터 전처리 과정에서 FFT 없이 바로 시계열 클러스팅 모델링 방법으로 분류할 수 있다.

도 9는 본 발명의 일 실시예에 따라 엔진 조립 불량 감지 방법을 설명하기 위한 제어 흐름도이다. 도 9를 참조하여 본 실시예에 따른 엔진 조립 불량 감지 방법을 정리하면 다음과 같다.

우선, 엔진(10)의 조립이 시작되면, 데이터 측정부(100)에 의하여 엔진의 조립 불량 검출을 위한 복수의 데이터가 측정될 수 있다(S910).

측정되는 데이터는 기동 토크, 회전 토크 및 에어 리크에 대한 시계열 데이터일 수 있고, 이러한 시계열 데이터는 소정 주기로 샘플링되어 수집될 수 있다. 이렇게 측정 및 수집된 데이터를 대용량 데이터 서버에 저장될 수 있다.

그런 후, 데이터 전처리부(200)는 수집된 데이터에 대한 군집 모델링을 위한 데이터 전처리를 수행할 수 있다(S920).

데이터 전처리 단계는 측정된 데이터의 결측치를 보간하고, 데이터의 노이즈를 제거하고, 데이터를 스케일링 하는 과정을 통해 수행될 수 있다.

군집 판정부(300)는 데이터에 대한 군집 모델을 형성하고, 군집들 간의 유사도 및 대표성을 고려하여 복수의 군집 모델을 분류하고 라벨링할 수 있다(S930).

군집 판정부(300)는 응집형 모델을 이용하여 계층적 군집을 형성하고, 평균값을 이용한 중심 연결을 이용하여 군집들을 병합함으로써 군집 모델을 형성할 수 있다. 또한, 군집 판정부(300)는 시계열 데이터 간의 거리, 군집 내의 거리 및 군집 간의 거리에 기초하여 군집 모델을 형성할 수 있다.

또한, 이렇게 생성된 군집 모델들은 SBD 방식으로 군집 간의 거리를 측정되고 Shape Extraction 방식에 따라 군집 중심 좌표가 설정됨으로써 군집 모델의 유사도 및 대표성이 판단될 수 있다.

이렇게 유사도 및 대표성에 따라 도 8과 같이 군집 모델이 분류되고 라벨링 되면 엔진 조립에 대한 불량 여부를 판단할 수 있다.

새롭게 엔진(10)에 대한 시계열 데이터가 입력되면, 정상 데이터에 대한 군집 모델 및 불량 데이터에 대한 군집 모델을 통해 엔진(10)의 조립 불량 여부가 판정될 수 있다. 즉, 군집 판정부(300)는 시계열 데이터의 군집 모델이 정상 상태에 대한 군집 모델 또는 불량 상태에 대한 군집 모델 중 어느 모델로 분류되는지 여부를 판정함으로써 엔진의 불량 여부를 판정할 수 있다(S940).

입력된 데이터가 정상 데이터로 판정되면 OK 파형에 대한 라벨링이 수행되고, 입력된 데이터가 불량 데이터로 판정되면 NG 파형에 대한 라벨링이 수행될 수 있다.

만약, 엔진 조립이 정상이면, 엔진은 후공정으로 반출되고(S950), 엔진 조립이 정상이 아닌 불량 군집 모델링으로 분류된다면, 엔진은 리페어 공정으로 반출된다(S960).

반출된 엔진은 재작업 라인으로 투입되어 조립이 다시 리페어 될 수 있고, 이러한 판정 결과, 블량 내용에 대한 군집 라벨링 정보 등은 저장될 수 있다(S970).

예를 들어, 클러스터링 결과값은 PLC에 전송될 수 있고, NG 제품 작업자 화면에 불량 내용이 송출될 수 있다. 예를 들어, 현재 엔진이 베어리 미장창에 대한 1번 불량 패턴을 나타낸다는 정보가 PLC 및 작업자에게 전송될 수 있다.

판정된 새로운 데이터에 대한 정보는 빅데이터 학습 로직에 적용되어 분류 모델을 강화시킬 수 있다.

상기와 같이, 본 발명은 계절에 따른 설비 오검출을 감소시켜 설비의 판정 신뢰성을 향상시킬 수 있고, 군집 별 불량 현상 라벨링으로 작업자 리페어가 효율적으로 이루어질 수 있으며, 오검출에 따라 비직행율이 해소되어 생산량이 증가될 수있다. 또한, 이를 통해 오검출에 따른 리페어 공수 낭비 역시 해소될 수 있다.

도 10은 본 발명의 일 실시예에 따른 컴퓨팅 시스템을 도시한다.

도 10을 참조하면, 컴퓨팅 시스템(1000)은 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다.

프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory) 및 RAM(Random Access Memory)을 포함할 수 있다.

따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다.

예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.

따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (15)

1. 엔진 조립 불량 감지 시스템에 있어서,
   엔진의 조립 불량 검출을 위한 복수의 데이터를 측정하는 데이터 측정부와;
   상기 데이터에 대한 군집 모델링을 위한 데이터 전처리를 수행하는 데이터 전처리부와;
   전처리된 상기 데이터에 대한 군집 모델을 형성하고, 정상 데이터에 대한 군집 모델 및 불량 데이터에 대한 군집 모델을 통해 상기 엔진의 조립 불량 여부를 판정하는 군집 판정부와;
   상기 불량 여부에 따라 상기 엔진을 후공정 또는 리페어 공정으로 이동시키는 결과 전송부를 포함하는 것을 특징으로 하는 엔진 조립 불량 감지 시스템.
   
2. 제1항에 있어서,
   상기 데이터 측정부는 기동 토크, 회전 토크 및 에어 리크에 대한 시계열 데이터를 측정하는 것을 특징으로 하는 엔진 조립 불량 감지 시스템.
   
3. 제1항에 있어서,
   상기 데이터 전처리부는,
   측정된 상기 데이터의 결측치를 보간하고, 데이터의 노이즈를 제거하고, 데이터를 스케일링 하는 것을 특징으로 하는 엔진 조립 불량 감지 시스템.
   
4. 제3항에 있어서,
   상기 데이터 전처리부는,
   상기 데이터의 노이즈를 제거하기 위하여 상기 데이터에 FFT(Fast Fourier Transform) 적용하여 주파수 대역 별로 파워를 연산하고, 평균 에러값에 기초하여 고주파를 필터링하는 것을 특징으로 하는 엔진 조립 불량 감지 시스템.
   
5. 제2항에 있어서,
   상기 군집 판정부는,
   상기 시계열 데이터 간의 거리, 군집 내의 거리 및 군집 간의 거리에 기초하여 군집 모델을 형성하고,
   상기 군집 간의 유사도 및 대표성을 고려하여 복수의 군집 모델을 분류 및 라벨링 하는 것을 특징으로 하는 엔진 조립 불량 감지 시스템.
   
6. 제5항에 있어서,
   상기 군집 판정부는,
   상기 시계열 데이터의 군집 모델이 정상 상태에 대한 군집 모델 또는 불량 상태에 대한 군집 모델 중 어느 모델로 분류되는지 여부를 판정하는 것을 특징으로 하는 엔진 조립 불량 감지 시스템.
   
7. 제5항에 있어서,
   상기 군집 판정부는,
   응집형 모델을 이용하여 계층적 군집을 형성하고, 평균값을 이용한 중심 연결을 이용하여 군집들을 병합하는 것을 특징으로 하는 엔진 조립 불량 감지 시스템.
   
8. 제7항에 있어서,
   상기 군집 판정부는,
   SBD 방식으로 군집 간의 거리를 측정하고 Shape Extraction 방식에 따라 군집 중심 좌표를 설정함으로써, 상기 군집 모델의 유사도 및 대표성을 판단하는 것을 특징으로 하는 엔진 조립 불량 감지 시스템.
   
9. 엔진 조립 불량 감지 방법에 있어서,
   엔진의 조립 불량 검출을 위한 복수의 데이터를 측정하는 단계와;
   상기 데이터에 대한 군집 모델링을 위한 데이터 전처리를 수행하는 데이터 전처리 단계와;
   전처리된 상기 데이터에 대한 군집 모델을 형성하고, 정상 데이터에 대한 군집 모델 및 불량 데이터에 대한 군집 모델을 통해 상기 엔진의 조립 불량 여부를 판정하는 군집 판정 단계와;
   상기 불량 여부에 따라 상기 엔진을 후공정 또는 리페어 공정으로 이동시키는 결과 전송 단계를 포함하는 것을 특징으로 하는 엔진 조립 불량 감지 방법.
   
10. 제9항에 있어서,
    상기 데이터 전처리 단계는,
    측정된 상기 데이터의 결측치를 보간하고, 데이터의 노이즈를 제거하고, 데이터를 스케일링 하는 것을 특징으로 하는 엔진 조립 불량 감지 방법.
    
11. 제10항에 있어서,
    상기 데이터 전처리 단계는,
    상기 데이터의 노이즈를 제거하기 위하여 상기 데이터에 FFT(Fast Fourier Transform) 적용하여 주파수 대역 별로 파워를 연산하고, 평균 에러값에 기초하여 고주파를 필터링하는 것을 특징으로 하는 엔진 조립 불량 감지 방법.
    
12. 제11항에 있어서,
    상기 군집 판정 단계는,
    상기 데이터 간의 거리, 군집 내의 거리 및 군집 간의 거리에 기초하여 군집 모델을 형성하는 단계와;
    상기 군집 간의 유사도 및 대표성을 고려하여 복수의 군집 모델을 분류 및 라벨링 하는 단계를 포함하는 특징으로 하는 엔진 조립 불량 감지 방법.
    
13. 제12항에 있어서,
    상기 군집 판정 단계는,
    상기 데이터의 군집 모델이 정상 상태에 대한 군집 모델 또는 불량 상태에 대한 군집 모델 중 어느 모델로 분류되는지 여부를 판정하는 것을 특징으로 하는 엔진 조립 불량 감지 방법.
    
14. 제12항에 있어서,
    상기 군집 판정 단계는,
    응집형 모델을 이용하여 계층적 군집을 형성하고, 평균값을 이용한 중심 연결을 이용하여 을 병합하는 것을 특징으로 하는 엔진 조립 불량 감지 방법.
    
15. 제14항에 있어서,
    상기 군집 판정 단계는,
    SBD 방식으로 군집 간의 거리를 측정하고 Shape Extraction 방식에 따라 군집 중심 좌표를 설정함으로써, 상기 군집 모델의 유사도 및 대표성을 판단하는 것을 특징으로 하는 엔진 조립 불량 감지 방법.

Images