KR20220042735A - 응답특성 기반 무기 체계의 고장 예측 장치 및 방법 - Google Patents

응답특성 기반 무기 체계의 고장 예측 장치 및 방법 Download PDF

Info

Publication number
KR20220042735A
KR20220042735A KR1020200125930A KR20200125930A KR20220042735A KR 20220042735 A KR20220042735 A KR 20220042735A KR 1020200125930 A KR1020200125930 A KR 1020200125930A KR 20200125930 A KR20200125930 A KR 20200125930A KR 20220042735 A KR20220042735 A KR 20220042735A
Authority
KR
South Korea
Prior art keywords
data
power
state
weapon system
subordinate
Prior art date
Application number
KR1020200125930A
Other languages
English (en)
Other versions
KR102432291B1 (ko
Inventor
전창규
Original Assignee
엘아이지넥스원 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 엘아이지넥스원 주식회사 filed Critical 엘아이지넥스원 주식회사
Priority to KR1020200125930A priority Critical patent/KR102432291B1/ko
Publication of KR20220042735A publication Critical patent/KR20220042735A/ko
Application granted granted Critical
Publication of KR102432291B1 publication Critical patent/KR102432291B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/56—Testing of electric apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G01R23/165—Spectrum analysis; Fourier analysis using filters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G01R23/20—Measurement of non-linear distortion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Nonlinear Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

본 발명의 일실예에 따른 응답특성 기반 무기 체계의 고장 예측 장치는 하위 장치들 각각에서 발생한 이벤트에 따른 주전원의 전압 및 전류의 변화량을 계측하고, 상기 계측된 전압 및 전류 변화량 및 상기 발생한 이벤트 정보가 포함된 계측-상태 연동 데이터를 생성 및 출력하는 전원감시기; 상기 주전원을 입력받아 순차적으로 상기 하위 장치들에게 요청 전원을 출력하고, 상기 하위 장치들의 전원 동작 상태를 측정하여 상기 전원감시기로 출력하는 전원제어기; 및 상기 계측-상태 연동 데이터를 입력받아 상기 하위 장치들의 전원 동작 상태를 누적 기록하고, 이를 기초로 상기 하위 장치들의 전원 동작 상태를 분석하여 고장 여부를 예측하는 데이터분석기를 포함으로써, 무기 체계를 운용하는 과정에서 발생할 수 있는 무기 체계의 고장 발생을 예측하여 고장 발생 전 무기 체계를 정비하여 고장 발생을 방지하고, 갑작스런 외부의 충격이나 방해 등에 의해 무기 체계의 특성이 순간적으로 변화할 경우 전원감시기를 통해 사전에 전원을 차단하도록 하여 무기 체계를 보호하는 것이 하다.

Description

응답특성 기반 무기 체계의 고장 예측 장치 및 방법{Apparatus for Fault Prediction of Weapon System based on Response Characteristics of Weapon System, and Method thereof}
본 발명의 일실시예는 응답특성 기반 무기 체계의 고장 예측 장치 및 방법에 관한 것으로서, 더욱 상세하게는 연결된 전자 장치들의 전압 및 전류에 대한 응답특성 기반 무기 체계의 고장 예측 장치 및 방법에 관한 것이다.
일반적으로 전자 장치의 정상 동작을 위해 1차적으로 관리하는 부분은 전원의 입력과 전압의 출력 관리를 하는 것에 있다. 개별 전원 장치의 세부 설계 단계를 보면 각 부품 소자의 전원 입력 순서 및 전원 출력 관리를 통해 하나의 장치가 정상적으로 동작을 하게 된다.
예를 들어 프로세서의 경우 +1.0, +1.2, +1.8, +3.3 VDC와 같이 여러 개의 소전원을 입력 받아 구동되고, 각 전원의 순서 및 전압 값이 올바르게 인가 되어야 정상 동작한다고 데이터 시트 등의 자료를 통해 안내하고 있다.
또한 각 소전원의 동작을 통하여 순간적으로 전류 소모량이 증가하게 될 때 주 전원(외부로 부터 입력받는 최초의 전원)의 전원 특성은 변화하게 된다. 대부분의 경우 소모되는 전류량이 증가하게 되면 증가하는 속도에 비례하여 전압이 일시적으로 강하하게 되고, 그 이후 안정화 시간을 거쳐 원래의 전압 상태로 돌아오게 된다.
이와 같은 종래 기술에서는 계획되어 있는 시나리오 정보와 운용상태 정보를 기반으로 무기 체계의 전원을 제어하는 구조가 일반적이다. 즉, 종래기술은 예측하여 운용할 수 없는 환경에서 해당 시스템을 운용할 수 없으며, 운용 계획이 사전에 정리되어 시나리오가 고정되는 시스템에서만 운용 가능한 방법이다. 뿐만 아니라 전원을 기반으로 고장 진단 또는 예측 정비에 활용이 아닌 전원의 효율적 이용에만 가능하다.
본 발명은 연결된 전자 장치들의 전압,전류 응답특성의 학습을 통하여 허용범위 내에서도 전자 장치들의 고장 예측 및 진단이 가능한 응답특성 기반 무기 체계의 고장 예측 장치 및 방법을 제공하는 데 그 목적이 있다.
본 발명의 일실예에 따른 응답특성 기반 무기 체계의 고장 예측 장치는 하위 장치들 각각에서 발생한 이벤트에 따른 주전원의 전압 및 전류의 변화량을 계측하고, 상기 계측된 전압 및 전류 변화량 및 상기 발생한 이벤트 정보가 포함된 계측-상태 연동 데이터를 생성 및 출력하는 전원감시기; 상기 주전원을 입력받아 순차적으로 상기 하위 장치들에게 요청 전원을 출력하고, 상기 하위 장치들의 전원 동작 상태를 측정하여 상기 전원감시기로 출력하는 전원제어기; 및 상기 계측-상태 연동 데이터를 입력받아 상기 하위 장치들의 전원 동작 상태를 누적 기록하고, 이를 기초로 상기 하위 장치들의 전원 동작 상태를 분석하여 고장 여부를 예측하는 데이터분석기를 포함한다.
실시예로서, 상기 전원제어기는 상기 하부 장치들의 전원 동작 상태를 입력 받는 경우 기설정된 시간까지 상기 전원 동작 상태에 대한 입력이 없는 하부 장치에 대한 비정상 상태임을 기록하여 이벤트 시간 표식에 저장하여 출력하는 상태변화 측정기를 더 포함하는 것이 가능하다.
실시예로서, 상기 데이터분석기는, 상기 계측-상태 연동 데이터를 외부의 영향에 의한 노이즈가 포함되어 가공이 필요한 계측 데이터와 가공이 불필요한 하부 장치들의 상태 데이터로 분류하는 분류기; 상기 분류된 상태 데이터 중 시간 정보와 해당 시간에 운용된 장치의 번호, 장치의 동작 상태에 연결 지어 선형화된 전압, 전류 데이터의 상관 관계를 통하여 반복 수행하는 학습기; 및 상기 학습기의 반복 수행을 통해 누적 데이터를 기반으로 상기 하위 장치들의 운용 상태가 추후에 고장 날 가능성이 있는지 판단을 하는 상태 예측진단기를 포함하는 것이 가능하다.
실시예로서, 상기 데이터 분석기는 상기 가공 필요한 계측 데이터를 저주파 신호 통과 필터와 신호 선형화 작업을 수행하는 선형화기 및 학습 연산량 저감 및 특성 계수 반영을 위하여 선형화를 거친 데이터의 값들의 평균 값을 빼서 중앙으로 오프셋을 이동시키는 보정기를 더 포함하는 것이 가능하다.
실시예로서, 상기 학습기는 상기 하위 장치의 전원 동작 상태가 정상일 경우 상기 누적 데이터를 근거로 해당 하위 장치에 정상 기준을 결정하는 것이 가능하다.
실시예로서, 상기 학습기는 상기 하위 장치의 전원 동작 상태가 비정상일 경우 상기 누적 데이터를 정상 데이터와 대비하여 비정상 증상별로 구분하여 비정상 상태 판단을 위하여 학습하는 것이 가능하다.
실시예로서, 상기 상태 예측진단기는 기준 규격 내의 운용 상태에서도 상기 누적 데이터를 기반으로 상기 하위 장치들의 고장 가능성을 판단을 하는 것이 가능하다.
실시예로서, 상기 상태 예측진단기는 상기 고장 가능성의 판단 결과가 기설정된 기준값을 초과하는 경우 사용자 또는 관리자에게 사전 경고를 출력하는 것이 가능하다.
본 발명의 다른 실시예에 따른 응답특성 기반 무기 체계의 고장 예측 방법은 전원공급장치가 하위 장치들에서 발생한 이벤트에 따라 주전원을 공급하는 단계; 전원감시기가 상기 주전원의 전압 및 전류를 계측하고, 전원제어기가 상기 이벤트에 연동하여 각각의 하위 장치들로 전원을 출력하고 그 전원 동작 상태를 측정 및 기록하는 단계; 전원감시기가 상기 계측된 전압 및 전류 값과 상기 전원 동작 상태 정보를 연동하여 계측-상태 연동 데이터를 생성 출력하는 단계; 및 데이터분석기가 상기 계측-상태 연동 데이터를 기반으로 반복 학습을 통한 누적 데이터 기반으로 하위 장치의 고장을 예측 진단하는 단계를 포함한다.
실시예로서, 상기 고장 예측 진단 단계는, 상기 계측-상태 연동 데이터를 노이즈가 포함되어 가공이 필요한 계측 데이터와 가공이 불필요한 하부 장치들의 상태 데이터로 분류하는 단계; 상기 분류된 상태 데이터 중 시간 정보와 해당 시간에 운용된 장치의 번호, 장치의 동작 상태에 연결 지어 선형화된 전압, 전류 데이터의 상관 관계를 통하여 반복 학습하는 단계; 및 상기 학습기의 반복 수행을 통해 누적 데이터를 기반으로 상기 하위 장치들의 운용 상태가 추후에 고장 날 가능성이 있는지 판단을 하는 상태 예측진단 단계를 포함하는 것이 가능하다.
실시예로서, 상기 반복 학습 단계는, 상기 하위 장치의 전원 동작 상태가 정상일 경우 상기 누적 데이터를 근거로 해당 하위 장치에 정상 기준을 결정하는 것이 가능하다.
실시예로서, 상기 반복 학습 단계는, 상기 하위 장치의 전원 동작 상태가 비정상일 경우 상기 누적 데이터를 정상 데이터와 대비하여 비정상 증상별로 구분하여 비정상 상태 판단을 위하여 학습하는 것이 가능하다.
실시예로서, 상기 상태 예측진단 단계는, 기준 규격 내의 운용 상태에서도 상기 누적 데이터를 기반으로 상기 하위 장치들의 고장 가능성을 판단을 하는 것이 가능하다.
본 발명의 일실시예에 따른 응답특성 기반 무기 체계의 고장 예측 장치 및 방법은 무기 체계를 운용하는 과정에서 발생할 수 있는 무기 체계의 고장 발생을 예측하고, 이를 통하여 고장 발생 전에 무기 체계를 정비하여 고장 발생을 방지할 수 있다.
또한, 본 발명의 일실시예에 따른 응답특성 기반 무기 체계의 고장 예측 장치 및 방법은 갑작스런 외부의 충격이나 방해 등에 의해 무기 체계의 특성이 순간적으로 변화할 경우 전원감시기를 통해 사전에 전원을 차단하도록 하여 무기 체계를 보호할 수 있다.
도 1은 본 발명의 일실시예에 따른 응답특성 기반 무기 체계의 고장 예측 장치의 개략도이다.
도 2는 도 1의 고장 예측 장치의 전원 감시기의 상세도이다.
도 3은 도 1의 고장 예측 장치의 전원 제어기의 상세도이다.
도 4는 도 1의 고장 예측 장치의 데이터 분석기의 상세도이다.
도 5는 도 4의 데이터 학습기의 데이터 학습과정의 흐름도이다.
도 6은 본 발명의 일실시예에 따른 응답특성 기반 무기 체계의 고장 예측 방법의 흐름도이다.
도 7은 도 2의 전원 감시기의 전원감시 과정의 흐름도이다.
도 8은 도 3의 전원 제어기의 전원제어 과정의 흐름도이다.
도 9는 도 4의 데이터 분석기의 데이터 분석 과정의 흐름도이다.
도 10(A)는 주전원 입력 대비 하위 장치1에 대한 순차 전원 인가 파형이고, 10(B)는 주전원 입력 대비 하위 장치2에 대한 순차 전원 인가 파형이다.
도 11은 각각 정상 동작 상태에서 (A) 스케일을 조절한 변경 파형이고, (B)는 데이터 선형화 작업 수행 후 고주파의 잡음성 신호 및 파형 단순화 과정의 파형이고, (C)는 신호 특성을 구분하기 위한 데이터 보정 과정의 파형이고, 11(D)는 정상 데이터들의 누적 학습을 통한 정형화 파형이다.
도 12(A)는 정상 데이터들의 누적 학습을 통한 정형화된 정상 상태의 파형이고, 도 12(B)는 세번째 전압 출력이 비정상인 상태의 파형이다.
도 13(A) 및 (B)는 정상 조건에서의 판단 기준 데이터 파형이고, 13(C)는 두번째 구간에서 관리 상한치를 초과하는 경우의 판단 기준 데이터 파형이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 명세서에서 "제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 명세서에서 각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 명세서에서, “가진다”, “가질 수 있다”, “포함한다” 또는 “포함할 수 있다”등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
또한, 본 명세서에 기재된 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어,마이크로코드, 회로, 데이터 구조들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다.
본 발명자는, 통합된 하나의 체계를 구성하고 있기 위하여 연결된 하위 장치들의 전원 입력을 순차적으로 제어하고 전원의 출력 감시 및 전체 시스템의 전원 특성(전압, 전류) 분석을 통하여 고장 가능성 있는 부품을 사전에 예측하고 정비에 적용할 수 있도록 모니터링(감시)에 대한 필요성으로부터 제안 발명을 하였다.
이하에서는 본 발명의 일실시예에 따른 일실시예에 따른 응답특성 기반 무기 체계의 고장 예측 장치의 구성을 관련된 도면을 참조하여 상세히 설명한다.
도 1은 본 발명의 일실시예에 따른 응답특성 기반 무기 체계의 고장 예측 장치의 개략도이고, 도 2는 도 1의 고장 예측 장치의 전원 감시기의 상세도이고, 도 3은 도 1의 고장 예측 장치의 전원 제어기의 상세도이고, 도 4는 도 1의 고장 예측 장치의 데이터 분석기의 상세도이다.
도 5는 도 4의 데이터 학습기의 데이터 학습과정의 흐름도이고, 도 6은 본 발명의 일실시예에 따른 응답특성 기반 무기 체계의 고장 예측 방법의 흐름도이고, 도 7은 도 2의 전원 감시기의 전원감시 과정의 흐름도이고, 도 8은 도 3의 전원 제어기의 전원제어 과정의 흐름도이고, 도 9는 도 4의 데이터 분석기의 데이터 분석 과정의 흐름도이다.
도 1 내지 4를 참조하여, 본 발명의 일실예에 따른 응답특성 기반 무기 체계의 고장 예측 장치(100)는 하위 장치단(20)에서 발생한 이벤트에 따른 주전원의 전압 및 전류의 변화량을 계측하고, 상기 계측된 전압 및 전류 변화량 및 상기 발생한 이벤트 정보가 포함된 계측-상태 연동 데이터를 생성 및 출력하는 전원감시기(110), 상기 주전원을 입력받아 순차적으로 하위 장치들(21,22,23)에게 요청 전원을 출력하고, 하위 장치들(21,22,23)의 전원 동작 상태를 측정하여 상기 전원감시기로 출력하는 전원제어기(120) 및 상기 계측-상태 연동 데이터를 입력받아 상기 하위 장치들의 전원 동작 상태를 누적 기록하고, 이를 기초로 상기 하위 장치들의 전원 동작 상태를 분석하여 고장 여부를 예측하는 데이터분석기(130)를 포함한다.
전원제어기(120)는 상기 하부 장치들의 전원 동작 상태를 입력 받는 경우 기설정된 시간까지 상기 전원 동작 상태에 대한 입력이 없는 하부 장치에 대한 비정상 상태임을 기록하여 이벤트 시간 표식에 저장하여 출력하는 상태변화 측정기(122)를 더 포함하는 것이 가능하다.
데이터분석기(130)는, 상기 계측-상태 연동 데이터에서 분리된 상태 데이터 중 시간 정보와 해당 시간에 운용된 장치의 번호, 장치의 동작 상태에 연결 지어 선형화된 전압, 전류 데이터의 상관 관계를 통하여 반복 수행하는 학습기(134) 및 학습기(132)의 반복 수행을 통해 누적 데이터를 기반으로 하위 장치들(21,22,23)의 운용 상태가 추후에 고장 날 가능성이 있는지 판단을 하는 상태 예측진단기(135)를 포함하는 것이 가능하다.
데이터 분석기(130)는 상기 가공 필요한 계측 데이터를 저주파 신호 통과 필터와 신호 선형화 작업을 수행하는 선형화기 및 학습 연산량 저감 및 특성 계수 반영을 위하여 선형화를 거친 데이터의 값들의 평균 값을 빼서 중앙으로 오프셋을 이동시키는 보정기를 더 포함하는 것이 가능하다.
전원감시기(110)는 전압 센서와 전류 센서를 통해 주전원의 전압값 및 전류값을 계측하고, 전원제어기(120)로부터 받는 이벤트 정보를 처리장치(115)에서 종합하여 이벤트 시간 표식에 데이터를 기록하여 상태 데이터를 생성 출력한다. 여기서, 처리장치(115)에서는 주전원의 상태를 계측한 전압, 전류의 값을 연속적으로 감시하고 있으며, 전원제어기(102)로부터 하부 장치에 대한 동작 상태를 이벤트 단위로 정보를 수집하게 된다. 이벤트가 발생한 시간 정보와 해당 시간에서의 이벤트 내용(장치들의 상태)을 처리장치(115)에서는 해당 시간 대의 주전원의 상태와 병합하여 기록한다. 이를 통해 처리장치(115)는 이벤트별 주전원 상태 사이의 연관성을 종합하게 된다.
전원감시기(110)를 통해 계측되는 전압과 전류의 값은 고장 진단을 예측하는데 사용되는 필수 데이터로, 고속 샘플링을 통한 자료 획득 및 고해상도 데이터 계측을 수행한다.
전원제어기(120)는 내부적으로 타이머 기반에 순차적으로 전원 출력을 제어할 수 있는 순차 전원제어기(121)와, 하부 장치들(21,22,23)의 전원 동작 상태를 입력 받아서 시간과 상태를 기록할 수 있는 상태변화 측정기(122)로 구성된다.
데이터분석기(130)는 전원감시기(110)를 통해 입력받는 데이터 기록에서 계측을 통해 획득한 전압, 전류 데이터의 정보화를 위한 가공과 누적 학습 과정를 통해 하위 장치들의 상태를 예측하는 기능을 담당한다.
계측한 데이터를 바로 학습에 이용하기에는 잡음이나 특징을 강조할 수 없기 때문에, 선형화기(132)를 통하여 데이터의 선형화 작업을 하는 데 이 과정에서 보정기(133)를 통하여 보정을 거쳐 학습 과정에 이용한다.
수집한 누적 데이터와 해당 시점의 하위 장치들의 상태(성능)에 대한 정보를 결합하여 하위 장치들의 성능이 정상적으로 유지되었을 때 전체 시스템의 전원 특성을 매칭한다. 여기서, 전체 시스템이란 주전원 장치, 고장 예측 장치, 하위 장치들을 모두 포함하는 개념이다.
전체 시스템의 운용 과정 중 발생하는 정상적인 동작 범위였으나 전체 시스템에서 규정한 규격 내에서의 상태 변화를 활용하여 장비의 상태를 예측하고, 불량이 발생하였을 때를 전후로 특성의 변화 및 해당 불량 결과 데이터 또한 누적하여 유사한 경향성을 보였을 때 해당 장비의 실 고장 발생 전 정비를 수행할 수 있도록 정보를 제공하게 된다.
전원제어기(120)는 하위 장치의 순차적인 전원 제어와 동작 상태를 수신하여 전원감시기(110)로 송신하는 역할을 수행합니다.
데이터분석기(130)는 전원감시기(120)로부터 수신 받는 상태 데이터를 통해 연결되어 있는 전체 하위 장치들의 동작 상태 분석을 수행한다.
모든 데이터는 데이터분석기(130)를 통해 판단하게 되며 하위 장치들의 정상적인 동작 여부 또는 하위 장치들의 성능 정보와 하위 장치들의 전원 동작 특성을 연결 지어 반복적인 데이터 습득을 통해 기준 값을 학습한다. 상기 학습된 기준 값을 기반으로 규격 값과는 다른 관리 기준치를 별도로 설정하게 되며, 특성의 변화 양상을 통하여 예방 정비를 수행하는데 데이터를 활용하게 됩니다.
도 5내지 9를 참조하여, 본 발명의 일실예에 따른 응답특성 기반 무기 체계의 고장 예측 장치(100)를 더욱 상세하게 설명한다.
전원독립장치(10)는 하위 장치들(21,22,23)에서 발생한 이벤트에 따라 주전원을 공급고(S100), 전원감시기(110)가 상기 주전원의 전압 및 전류를 계측하여 상기 발생한 이벤트에 연동한 계측-상태 연동 데이터를 생성 출력한다.(S110) 전원제어기(120)는 상기 이벤트에 연동하여 각각의 하위 장치들(21,22,23)로 전원을 출력하고 그 전원 동작 상태를 측정 및 기록한다.(S120) 데이터분석기(130)가 상기 계측-상태 연동 데이터를 기반으로 반복 학습을 통한 누적 데이터 기반으로 하위 장치의 고장을 예측 진단하며(S130), 예측 진단 결과를 토대로 하위 장치에 사전 경고 또는 조치 정보 제공하는 것도 가능하다.(S140)
전원감시기(110)의 상세 구조는 도 2와 같고, 전원제어기(120)를 통하여 이벤트 시간 표식 정보를 전달받아 하위 장치들의 이벤트에 연동하여 전압과 전류의 상태를 기록한다는 점에 있다.
즉, 일반적인 전원감시기는 상한 또는 하한의 기준을 두고 실시간으로 값을 측정하여 관리하는 반면, 전원감시기(110)에서는 하위 장치들의 동작 상태와 연동하여서 상태에 따른 특성을 구분지어 하위 장치들의 상태 판단에 이용한다는 점에 차별성이 있다.
전원감시기(110)의 동작 순서도는 도 7과 같습니다. 전원이 인가되면 전압 센서(111)를 통해 병렬 구조로 인가되는 전압의 값을 측정하고(S112), 측정 값은 ADC1(113)을 통해 디지털화된다.(S113) 전류의 경우 도선에 흐르는 전체 전류량을 전류 센서(112)를 통해 계측하며(S114), 이 값도 마찬가지로 ADC2(124)를 통해 디지털화된다.(S115)
이벤트 시간 표식을 위하여 데이터 프레임을 [표 1]과 같이 정의한다. 데이터 순번(No. of SEQ.)부터 이벤트 ID에 해당하는 부분은 전원제어기(120)를 통해 생성되어 수신 받는 값이 되고, 전원감시기(110)는 데이터가 들어온 시점에 전압과 전류의 계측 값을 기록한다.(S116~S118)
Figure pat00001
전원제어기(120)는 도 3에 도시된 바와 같이 크게 2가지 영역으로 구성된다. 타이머 기반의 전원 출력을 제어할 수 있는 순차 전원제어기(121)이고, 전원 인가 시점부터 타이머를 동작시켜 하위 장치들의 상태를 기록하는 상태 변화 시간 측정기(122)입니다.
순차 전원제어기(121)는 내부에 독립적인 타이머를 포함하고 있으며, 이 설정된 값에 의해 장치(1)부터 장치(N)까지의 전원을 출력 상태로 변화시킨다.
전원을 인가 받는 각 하위 장치들은 상태변화 측정기(122)에 입력 받은 전원을 통해 현재 장치가 동작하는 상태를 수집하여 이벤트 시간 표식 데이터 프레임으로 전달합니다.
전원제어기(120)의 동작 순서도는 도 8과 같다.
순차 전원제어기(121)는 전원 입력 이후 설정된 타이머가 동작하게 되고(S122), 타이머 조건에 만족을 할 경우 해당 하위 장치들(21,22,23)로의 전원을 출력 상태로 전환합니다.(S123,S124) 타이머 조건을 만족하지 않을 경우 계속해서 타이머의 조건을 만족할 때 까지 대기합니다.
상태변화 측정기(122)는 각 하위 장치로부터 응답을 받게 될 경우 해당 내용을 기록하고(S127), 데이터가 들어오지 않을 경우 별도의 타임아웃(시간초과) 조건까지 대기 후 무응답 시 해당 하위 장치가 불량 상태임을 기록하고(S126), 이벤트 시간 표식에 저장 후 송신합니다.(S128)
도 4에 도시된 바와 같이 데이터분석기(130)는 총 5개 부분으로 구성되고, 동작 순서도는 도 9에 도시되어 있다.
입력 데이터는 표1의 프레임 구조를 기반으로 입력되는데, 분류기(131)는 입력되는 상태 데이터를 가공이 필요한 데이터(전압, 전류 계측 데이터)와 시간에 대한 정보를 포함하고 있는 No. of SEQ.와 시간을 분류한다.(S131,S132,S133) 전압, 전류 데이터의 경우 센서에 의해 계측되는 부분이기 때문에 외부의 영향에 의한 신호 잡음을 포함하고 있다.
따라서 선형화기(132)에 의해 저주파 신호 통과 필터와 신호 선형화 작업을 수행하게 된다.(S134) 또한 누적되는 데이터를 기반으로 기계 학습을 수행해야 하기 때문에, 보정기(133)가 데이터를 보정하여 학습에 용이하도록 단순화 작업을 수행한다.(S135)
학습기(134)는 분류된 시간에 대한 정보와 해당 시간에 운용된 장치의 번호, 장치의 동작 상태에 연결 지어 선형화된 전압, 전류 데이터의 상관 관계를 통하여 반복 수행하면서 결과 생성하여 보관 및 출력한다.(S136) 즉, 선형화 및 보정 작업을 거친 데이터와 분류기(131)가 구분한 시간, 상태(성능) 데이터를 연결한 뒤 학습기(134)를 거쳐 반복적인 누적 데이터의 변화 추이를 추정하는 작업을 수행합니다.
상태 예측진단기(135)는 축적된 데이터를 기반으로 현재의 장비 운용 상태가 추후에 고장 날 가능성이 있는지 판단을 하는 과정을 거치게 되고(S137), 즉 이 과정을 통하여 정상 판단을 하는 기준과 특이점을 확인할 수 있는 기준을 세우게 된다. 새로 수립되는 점검의 기준에 따라 상태 예측진단기(135)를 거쳐 진단한 데이터의 경중에 따라서 사용자 또는 시스템에 경고를 주거나 사전에 조치를 준비할 수 있도록 정보를 제공한다.(S138)
데이터의 선형화(132)는 [수학식 1]을 활용하여 데이터를 가공하도록 정의하였습니다.
본 발명에 따른 고장 예측 장치(100)에서는 하부 장치들의 동작에 따른 해당 구간에서의 특성을 파악하는 것을 목적으로 하기 때문에, 하부 장치들의 전원이 인가되는 시점(T0)와 동작이 완료되어 상태를 출력하는 시점(TF)으로 지정합니다.
도10을 참조하면, T0 시점에 계측된 전압의 값(SV(T0)), 전류의 값 (SC(T0)), T1 시점에 계측된 전압의 값 (SV(T1)), 전류의 값 (SC(T1))와 같이 정의하였다. 해당 구간의 데이터 샘플 수(N)는 시스템의 특성에 따라 가변 가능합니다.
L_SV와 L_SC은 각각 선형화를 거친 전압과 전류의 값을 의미한다. 순간적인 데이터의 잡음은 제외시키고, 변화량을 반영할 수 있도록 하였습니다. 만약 샘플 수(N)의 값을 매우 큰 값을 가져가게 될 경우 그 값은 데이터를 선형화 하기 전의 값과 동일하게 됩니다.
Figure pat00002
보정기(133)는 데이터의 학습 연산량을 줄이고, 특성에 따른 계수를 반영하기 위한 목적의 수단이다. [수학식 2]를 참고하면, 보정기(133)는 선형화를 거친 데이터의 값들의 평균 값을 빼서 중앙으로 오프셋을 이동시키도록 한다.
Figure pat00003
학습기(134)는 하위 장치의 동작 상태와 그 당시의 계측 데이터 사이의 관계를 연결 지어 학습을 반복하게 되며, 누적되는 데이터의 양이 많아질 수록 더 정확한 판단을 수행할 수 있게 된다.
하위 장치들(21,22,23)의 전원 동작 상태가 정상일 경우 누적된 정상 데이터에 보정 과정을 거쳐 정상 기준을 결정하고, 불량일 경우 정상인 데이터에 대비하여 특징과, 불량 증상 별로 구분하여 데이터를 학습시킨다. 데이터에 대한 학습은 학습기(134)를 통해 이루어지며, 여기에서 말하는 학습이란 정상적인 동작 상태의 결과들을 누적 학습을 통해 정상 범위의 기준을 재정의 하는 것을 의미한다. 즉, 반복된 데이터의 누적을 통해 절대적인 정상 범위를 결정하는 것이 아닌 학습을 통해 정상으로 판단할 수 있는 범위를 조절해나가는 것을 의미한다. 마찬가지로 정상 범위를 벗어나는 데이터들에 대해서는 발생한 불량 증상과 정상 데이터와의 차이, 경향성을 서로 연관짓게 된다. 따라서, 장비의 동작은 정상적이었더라도 동작 경향성의 변화 방향을 통해 앞으로 발생하게 될 고장 가능성에 대해 예측까지 수행할 수 있게 된다.
상태 예측진단기(135)는 정상 데이터를 기준으로 관리 기준과 규격 기준을 설정하고, 불량 증상 별 패턴화 작업을 통해 장비의 고장이 발생하기 이전에 예측 가능하도록 사용자에게 정보를 제공한다.
학습을 통해 누적된 정상 기준 데이터의 값을 위에서 정의한 M_CLSV(N)이라고 할 때 상,하한 관리 기준은 ± 1%를 기준으로 하여 UCL(N), LCL(N)으로 정의하고, 규격 상하한의 경우 ± 10%를 기준으로 하여 USL(N), LSL(N)으로 각각 정의한다.
여기서, UCL은 Upper Control Limit이고, LCL은 Lower Control Limit이고, USL은 Upper Specification Limit이고, LSL은 Lower Specification Limit이다.
계측 값이 특정 기준치에 가까워 질 경우 또는 특정 불량 증상과 유사한 결과가 입력될 경우 사용자에게 알림 또는 경고를 송신하여 사전 정비 수행 또는 추후 발생할 수 있는 정비를 대비하도록 한다.
도 10에 도시된 파형은 본 발명의 실시예에 따른 고장 예측 장치(100)가 하위 장치들이 2개인 하부 장치들의 내부에서 부품들의 전원이 인가되는 동안의 파형을 예시로 하여, 동작 절차 및 과정을 상세로 설명을 하고 있다.
하부 장치들(21,22,23)에 전원이 인가되는 과정에서 주전원의 입력 파형은 하부 장치들이 소모하는 전류량에 의해 변동이 생기게 되는 것을 알 수 있다. 측정되는 전압 값을 기준으로 파형의 스케일을 조절하게 되면 그 변화를 더 뚜렷하게 관찰할 수 있고, 스케일을 조정한 전원의 파형은 도 11에 도시된 파형과 같다
도 12(A) 및 (B)를 참고하여 정상 동작 예시에서 보여지는 파형의 모습과 비정상 동작 예시 모습을 보면, 도 12(B)의 원안에 도시된 바와 같이 중간에 하나의 전원 신호가 올바르게 발생하지 않아 출력이 보이지 않는 것을 볼 수 있다. 위와 같이 파형의 차이를 진단하여 부분적인 고장을 확인하거나, 정비 필요 여부를 판단할 수 있다.
도 13을 참고하면, 상태 예측진단기(135)가 구간 별 파형에 대한 관리는 위의 형태와 같이 판단하게 된다. 각 변화가 있는 구간 별 상·하한 관리 값과 규격 값을 별도로 지정하고, 그 값에 가까워지거나 초과하였을 때 그 상태를 알리게 된다. 도 13(C)를 보면, 규격 상한을 초과하는 불량은 아니지만 관리 상한을 초과하여 예방 정비가 필요한 경우가 발생함을 알 수 있다.
본 발명의 일측면에 따르면, 장비의 고장이 발생한 이후에 정비를 수행하기 위해서는 고장 발생의 원인 분석 및 고장 난 장치의 파악과 수리 부속의 확보 등 장비 중단 시간을 지연시키는 문제를 해결 할 수 있다.
본 발명의 다른 측면에 따르면, 전원 신호에 국한되지 않고 신호의 상태가 연속적으로 변화하는 아날로그 신호에 대해서도 적용 가능하다. 예를 들어 장비의 동작에 따라 RF 신호 또는 외부 방출 신호의 특성이 연속적으로 변화하게 됩니다. 기대하고 있는 신호의 특성(규격) 정보를 설정하고, 반복 운용을 통해 계측 데이터를 축적하여 신호의 변화 특성을 기반으로 이상 증상을 사전에 파악할 수 있다.
본 발명의 또다른 측면에 따르면, 장비의 노후 또는 단일 부품의 이상 등으로 인해 장치의 불량이 아닌 갑작스런 외부의 충격이나 방해 등에 의해 시스템의 전원이 순각적으로 이상 범위까지 도달하는 경우에도 전원감시기를 통해 사전에 전원을 차단하도록 하여 장치를 보호하는 것이 가능하다.
본 발명의 또다른 측면에 따르면, 기존 시스템의 전원 입력단과 출력단 사이에 본 발명에서 제안하는 시스템을 연동하고, 기존 구성품에서 전원 상태를 정상/비정상 형태로 정보를 제공할 경우 이를 취합하여 고장을 예측, 진단하는데 사용 가능하다.
본 발명의 또다른 측면에 따르면, 복합 시스템에 전원 감시기 모듈을 결합하여 에너지 효율성 관리 측면에서 운용 환경에 따른 전원 사용량을 감시하고 보다 효율적인 운용을 위한 장비 운용 계획 수립 등에 이용 가능하다.
본 발명의 또다른 측면에 따르면, 다층 구조로 결합되는 시스템의 정비가 필요할 경우 전원 제어기의 설정을 활용하여 하부 장치의 전원을 순차적으로 제어하여 정비를 요하는 장치만 선택적으로 전원 공급을 제어하는 것이 가능하다.
본 발명의 또다른 측면에 따르면, 장비의 운용 중 전원 상태를 실시간 감시 및 진단을 필요로 하는 발전 관련 시설이나 전력 소비량 계측 및 에너지 절감 장치등에서도 이용 할 수 있다.
110 : 전원감시기
111 : 전압센서
113,134 : ADC1,2
115 : 처리장치
120 : 전원제어기
121 : 순차 전원제어기
122 : 상태변화 측정기
130 : 데이터 분석기
131 : 분류기
132 : 선형화기
133 : 보정기
134 : 학습기
135 : 예측진단기
21,22,23 : 하위장치1,2,3

Claims (13)

  1. 하위 장치들 각각에서 발생한 이벤트에 따른 주전원의 전압 및 전류의 변화량을 계측하고, 상기 계측된 전압 및 전류 변화량 및 상기 발생한 이벤트 정보가 포함된 계측-상태 연동 데이터를 생성 및 출력하는 전원감시기;
    상기 주전원을 입력받아 순차적으로 상기 하위 장치들에게 요청 전원을 출력하고, 상기 하위 장치들의 전원 동작 상태를 측정하여 상기 전원감시기로 출력하는 전원제어기; 및
    상기 계측-상태 연동 데이터를 입력받아 상기 하위 장치들의 전원 동작 상태를 누적 기록하고, 이를 기초로 상기 하위 장치들의 전원 동작 상태를 분석하여 고장 여부를 예측하는 데이터분석기를 포함하는 응답특성 기반 무기 체계의 고장 예측 장치.
  2. 제1항에 있어서, 상기 전원제어기는,
    상기 하부 장치들의 전원 동작 상태를 입력 받는 경우 기설정된 시간까지 상기 전원 동작 상태에 대한 입력이 없는 하부 장치에 대한 비정상 상태임을 기록하여 이벤트 시간 표식에 저장하여 출력하는 상태변화 측정기를 더 포함하는 것을 특징으로 하는 응답특성 기반 무기 체계의 고장 예측 장치.
  3. 제1항에 있어서, 상기 데이터분석기는,
    상기 계측-상태 연동 데이터를 외부의 영향에 의한 노이즈가 포함되어 가공이 필요한 계측 데이터와 가공이 불필요한 하부 장치들의 상태 데이터로 분류하는 분류기;
    상기 분류된 상태 데이터 중 시간 정보와 해당 시간에 운용된 장치의 번호, 장치의 동작 상태에 연결 지어 선형화된 전압, 전류 데이터의 상관 관계를 통하여 반복 수행하는 학습기; 및
    상기 학습기의 반복 수행을 통해 누적 데이터를 기반으로 상기 하위 장치들의 운용 상태가 추후에 고장 날 가능성이 있는지 판단을 하는 상태 예측진단기를 포함하는 응답특성 기반 무기 체계의 고장 예측 장치.
  4. 제3항에 있어서, 상기 데이터 분석기는
    상기 가공 필요한 계측 데이터를 저주파 신호 통과 필터와 신호 선형화 작업을 수행하는 선형화기 및
    학습 연산량 저감 및 특성 계수 반영을 위하여 선형화를 거친 데이터의 값들의 평균 값을 빼서 중앙으로 오프셋을 이동시키는 보정기를 더 포함하는 응답특성 기반 무기 체계의 고장 예측 장치.
  5. 제3항에 있어서,
    상기 학습기는 상기 하위 장치의 전원 동작 상태가 정상일 경우 상기 누적 데이터를 근거로 해당 하위 장치에 정상 기준을 결정하는 것을 특징으로 하는 응답특성 기반 무기 체계의 고장 예측 장치.
  6. 제5항에 있어서,
    상기 학습기는 상기 하위 장치의 전원 동작 상태가 비정상일 경우 상기 누적 데이터를 정상 데이터와 대비하여 비정상 증상별로 구분하여 비정상 상태 판단을 위하여 학습하는 것을 특징으로 하는 응답특성 기반 무기 체계의 고장 예측 장치.
  7. 제6항에 있어서,
    상기 상태 예측진단기는 기준 규격 내의 운용 상태에서도 상기 누적 데이터를 기반으로 상기 하위 장치들의 고장 가능성을 판단을 하는 것을 특징으로 하는 응답특성 기반 무기 체계의 고장 예측 장치.
  8. 제6항 또는 제7항에 있어서,
    상기 상태 예측진단기는 상기 고장 가능성의 판단 결과가 기설정된 기준값을 초과하는 경우 사용자 또는 관리자에게 사전 경고를 출력하는 것을 특징으로 하는 응답특성 기반 무기 체계의 고장 예측 장치.
  9. 전원공급장치가 하위 장치들에서 발생한 이벤트에 따라 주전원을 공급하는 단계;
    전원감시기가 상기 주전원의 전압 및 전류를 계측하고, 전원제어기가 상기 이벤트에 연동하여 각각의 하위 장치들로 전원을 출력하고 그 전원 동작 상태를 측정 및 기록하는 단계;
    전원감시기가 상기 계측된 전압 및 전류 값과 상기 전원 동작 상태 정보를 연동하여 계측-상태 연동 데이터를 생성 출력하는 단계; 및
    데이터분석기가 상기 계측-상태 연동 데이터를 기반으로 반복 학습을 통한 누적 데이터 기반으로 하위 장치의 고장을 예측 진단하는 단계를 포함하는 응답특성 기반 무기 체계의 고장 예측 방법.
  10. 제9항에 있어서, 상기 고장 예측 진단 단계는,
    상기 계측-상태 연동 데이터를 노이즈가 포함되어 가공이 필요한 계측 데이터와 가공이 불필요한 하부 장치들의 상태 데이터로 분류하는 단계;
    상기 분류된 상태 데이터 중 시간 정보와 해당 시간에 운용된 장치의 번호, 장치의 동작 상태에 연결 지어 선형화된 전압, 전류 데이터의 상관 관계를 통하여 반복 학습하는 단계; 및
    상기 학습기의 반복 수행을 통해 누적 데이터를 기반으로 상기 하위 장치들의 운용 상태가 추후에 고장 날 가능성이 있는지 판단을 하는 상태 예측진단 단계를 포함하는 응답특성 기반 무기 체계의 고장 예측 방법.
  11. 제10항에 있어서,
    상기 반복 학습 단계는, 상기 하위 장치의 전원 동작 상태가 정상일 경우 상기 누적 데이터를 근거로 해당 하위 장치에 정상 기준을 결정하는 것을 특징으로 하는 응답특성 기반 무기 체계의 고장 예측 방법.
  12. 제11항에 있어서,
    상기 반복 학습 단계는, 상기 하위 장치의 전원 동작 상태가 비정상일 경우 상기 누적 데이터를 정상 데이터와 대비하여 비정상 증상별로 구분하여 비정상 상태 판단을 위하여 학습하는 것을 특징으로 하는 응답특성 기반 무기 체계의 고장 예측 방법.
  13. 제12항에 있어서,
    상기 상태 예측진단 단계는, 기준 규격 내의 운용 상태에서도 상기 누적 데이터를 기반으로 상기 하위 장치들의 고장 가능성을 판단을 하는 것을 특징으로 하는 응답특성 기반 무기 체계의 고장 예측 방법.
KR1020200125930A 2020-09-28 2020-09-28 응답특성 기반 무기 체계의 고장 예측 장치 및 방법 KR102432291B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200125930A KR102432291B1 (ko) 2020-09-28 2020-09-28 응답특성 기반 무기 체계의 고장 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200125930A KR102432291B1 (ko) 2020-09-28 2020-09-28 응답특성 기반 무기 체계의 고장 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220042735A true KR20220042735A (ko) 2022-04-05
KR102432291B1 KR102432291B1 (ko) 2022-08-12

Family

ID=81181940

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200125930A KR102432291B1 (ko) 2020-09-28 2020-09-28 응답특성 기반 무기 체계의 고장 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102432291B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102587613B1 (ko) 2023-02-20 2023-10-11 Koc 전기 주식회사 자동 모선 전환 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101126595B1 (ko) * 2011-10-26 2012-03-27 (주)티에프에스글로발 전력선을 이용한 모터구동 설비의 모니터링 시스템 및 그 방법
KR101713985B1 (ko) * 2016-09-02 2017-03-09 에이블맥스(주) 예지 정비 방법 및 장치
KR20190022112A (ko) * 2017-08-25 2019-03-06 주식회사 펠코리아 자동화 설비의 고장 예측 장치, 이를 이용한 고장 예측 시스템 및 고장 예측 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101126595B1 (ko) * 2011-10-26 2012-03-27 (주)티에프에스글로발 전력선을 이용한 모터구동 설비의 모니터링 시스템 및 그 방법
KR101713985B1 (ko) * 2016-09-02 2017-03-09 에이블맥스(주) 예지 정비 방법 및 장치
KR20190022112A (ko) * 2017-08-25 2019-03-06 주식회사 펠코리아 자동화 설비의 고장 예측 장치, 이를 이용한 고장 예측 시스템 및 고장 예측 방법

Also Published As

Publication number Publication date
KR102432291B1 (ko) 2022-08-12

Similar Documents

Publication Publication Date Title
CN109239265B (zh) 监测设备故障检测方法及装置
EP1085416B1 (en) Hybrid diagnostic system
RU2628146C2 (ru) Способ предупредительного обнаружения отказа в устройстве, компьютерная программа, система и модуль для предупредительного обнаружения отказа в устройстве
CN105247379B (zh) 用于不间断电源电池监测和数据分析的系统和方法
US6732063B2 (en) Method of identifying abnormal behavior in a fleet of vehicles
US6970804B2 (en) Automated self-learning diagnostic system
US20100102976A1 (en) System and method for monitoring vibration of power transformer
WO2009144820A1 (ja) 遠隔監視装置
US6487472B1 (en) Semiconductor device manufacturing facility with a diagnosis system
KR102432291B1 (ko) 응답특성 기반 무기 체계의 고장 예측 장치 및 방법
CN110186384B (zh) 船体结构应力监测系统传感器偏差故障诊断方法
JP2020511217A (ja) 磁気共鳴イメージング機器構成要素診断及び予測的保守のためのデバイス及び文脈特有の信号パターンの分析
KR20210109136A (ko) 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 장치 및 그 시스템
CN109240253A (zh) 一种在线设备诊断及预防性维护方法及系统
KR101883885B1 (ko) 로봇진단시스템 및 로봇진단방법
KR101490471B1 (ko) 신호 계측 및 진단 시스템과 그 방법
KR20220167008A (ko) 선박용 고장 예측진단 시스템 및 그 예측진단 방법
CN109270568A (zh) 一种核电厂核仪表探测器和电缆性能检测方法及系统
CN110737256B (zh) 一种用于控制变频传动系统的方法及装置
CN116106656A (zh) 一种基于移动应用终端的电力设备缺陷辅助识别方法
EP2444870B1 (en) Control effector health capabilities determination reasoning system and method
CN116245506A (zh) 一种设备运维管理系统及故障自检测方法及其使用方法
WO2019159233A1 (ja) 電磁継電器診断装置
JPH08286703A (ja) デジタル制御装置
Bierwirth et al. Approach for predictive diagnosis of highly available automotive energy systems

Legal Events

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