KR20220064098A

KR20220064098A - 기계학습 기반 고장 진단 장치 및 방법

Info

Publication number: KR20220064098A
Application number: KR1020200150246A
Authority: KR
Inventors: 윤종필; 신우상; 이종현; 조한철; 이태경; 김도연
Original assignee: 한국생산기술연구원
Priority date: 2020-11-11
Filing date: 2020-11-11
Publication date: 2022-05-18
Also published as: KR102416474B1

Abstract

본 발명은 고장 진단 기술에 관한 것으로서, 상세하게는 정상 상태 데이터만을 이용해 학습하더라도 시간에 따라 특성이 변하는 설비에 대한 고장 진단을 효과적으로 수행할 수 있는 기계학습 기반 고장 진단 장치 및 방법에 관한 것이다.
이를 위해, 본 발명에 따른 기계학습 기반 고장 진단 장치는 설비에 대한 센싱 신호를 입력 받아 센싱 신호의 일정 시간 구간 내 각 타임 스텝에 대한 정상 또는 비정상을 출력하는 제1 분석부와, 상기 센싱 신호를 각 타임 스텝에 대해 주파수 변환하여 각 타임 스텝의 주파수를 출력하는 신호 변환부와, 상기 신호 변환부로부터 각 타임 스텝의 주파수를 입력 받아 각 타임 스텝의 주파수에 대한 정상 또는 비정상을 출력하는 제2 분석부와, 상기 제1 분석부의 출력값 및 상기 제2 분석부의 출력값에 근거해 설비의 고장 여부를 출력하는 분류부를 포함한다.

Description

기계학습 기반 고장 진단 장치 및 방법{Fault diagnosis apparatus and method based on machine-learning}

본 발명은 고장 진단 기술에 관한 것으로서, 상세하게는 정상 상태 데이터만을 이용해 학습하더라도 시간에 따라 특성이 변하는 설비에 대한 고장 진단을 효과적으로 수행할 수 있는 기계학습 기반 고장 진단 장치 및 방법에 관한 것이다.

딥러닝은 기존에 알려진 인공 신경망(Artificial Neural Network)의 여러 문제점(즉, vanishing problem, overfitting 등)을 활성함수(ReLU)의 개발과 드롭아웃(Drop-out)과 같은 알고리즘 개선으로 그 성능을 향상시켰고, 또한 GPU(Graphic Processing Units)와 같은 하드웨어의 발전과 복잡한 구조를 학습시킬 수 있는 빅데이터의 힘 덕분에 최근 여러 분야에 뛰어난 성능을 발휘하고 있다.

이러한 딥러닝 기술은 해외 많은 기업(구글, 페이스북, 애플, 마이크로소프트, 알리바바, 바이두)에 의해 빠르게 발전되고 있으며 얼굴인식, 음성인식, 자연어처리, 검색 서비스, 의료 등의 분야에 적용되고 있다. 이렇게 빠르게 발전하는 딥러닝의 최신 기술을 확보하고 더 나아가 응용 분야를 선점하고 빠르게 상용화 하는 것이 시급하다.

종래의 결함 검사 장비에서 사용되는 결함 분류 방법은 도 1과 같다.

알고리즘 개발자가 영상에서 분류가 잘 될 것 같은 특징을 영상처리 알고리즘으로 추출한 후 이러한 특징들을 분류기(SVM, Decision tree)로 학습한다.

조명과 카메라를 이용하여 광학 장치를 구성하고, 결함 부분에서 빛의 경로가 변함에 따라 카메라에 들어오는 빛의 양의 변화를 영상화하여 결함 부위의 S/N ratio를 높인다. 이러한 영상에서 결함 검출 알고리즘이 결함 후보를 검출하고, 결함 후보 영상에 대해 특징 추출 알고리즘과 분류 알고리즘을 이용해 결함을 검출 및 분류하게 된다.

이러한 방법은 사람이 얼마나 특징 추출 알고리즘을 잘 디자인하여 특징을 추출하는지가 성능의 한계이다. 또한 선택된 특징에 따라 분류 성능이 제한적이고, 영상의 회전, 밝기 변화, 크기 변화 등에 따라 분류 성능이 달라지는 문제점이 있다. 제품별로 영상의 특징이 달라서 이를 분석하여 개발하는데, 시간이 많이 소요되는 단점도 존재한다.

최신 기술인 딥러닝 중 CNN 방법을 응용한 분류 알고리즘은 영상에서 인공지능이 스스로 특징을 추출하고 학습하는 방법이다. 딥러닝 기술을 응용하여 결함 분류 알고리즘을 구성하면 위의 문제를 해결할 수 있다. 다양한 딥러닝 구조 중 영상 분야에서의 딥러닝은 CNN(Convolutional Neural Network)이라는 구조가 사용된다.

CNN을 이용한 영상 분류는 CNN 스스로가 분류 성능을 높일 수 있는 특징을 추출하고 학습한다는 특징이 있다. 이러한 특징을 이용하여 영상을 기반으로 하는 결함 검출 분야에 적용한다면 획기적인 성능 향상을 기대할 수 있다.

일반적인 딥러닝을 이용한 분류기의 구성은 도 2와 같다.

입력 영상에 대해 컨벌루션 층(Convolution layer)과 활성함수(Activation function)를 적용시킨 후 나온 특징 맵(feature map)을 풀링 층(Pooling layer)을 통해 크기를 줄인 후 다음 컨벌루션 층(convolution layer)으로 전달한다. 이러한 기본 구조를 반복적으로 깊게 쌓아서 영상에서 결함 분류 또는 고장 진단을 위한 특징을 효과적으로 추출하게 한다.

한편, 스마트 팩토리는 공장 자동화가 진화한 형태 즉, IoT를 활용한 설비 관리, 설비의 현재 상태 실시간 진단 및 고장을 예측하여 사전 조치가 가능한 기술을 포함한다.

특히 설비의 상태 및 고장 진단은 대량 불량 방지, 안전, 안정적인 조업 조건, 제품 품질 확보를 위한 필수 기술이다. 이러한 기술은 고장 예지 및 건전성 관리 기술(PHM: Prognostics and Health management)의 큰 영역 중 하나이다.

일반적으로 설비의 고장진단을 위한 자동화 시스템의 구성은 다음과 같다.

진동, 변위, 온도, 초음파 등의 다양한 센서로부터 설비의 상태를 나타낼 수 있는 신호를 수집한다. 이러한 신호는 신호분석 PC로 실시간 전송된다. 신호분석 PC에서는 신호처리, 딥러닝 기술을 이용하여 설비의 다양한 상태를 추출하고 고장 여부를 진단한다. 검출된 고장 및 상태 정보는 데이터 서버로 보내지고, 이러한 정보들은 설비에 의해 생산된 제품정보와 함께 데이터 서버에 기록된다.

종래의 고장 진단 방법은 설비의 물리적 모델을 기반으로 하여 정상인지 이상인지 여부를 판단하였다. 하지만 설비의 복잡도가 증가하고 설비 운전 상태가 여러 환경 조건에 따라 변하여 그에 따른 물리 모델이 찾기가 어려워지는 단점이 있었다. 최근에는 물리 모델이 아니라 수집된 데이터를 기반으로 머신러닝 등의 데이터 분석 방법에 따른 접근법이 많이 연구되고 있다.

구체적으로, 대상물에서 발생되는 진동, 변위, 온도, 초음파 등의 신호를 센싱하고 이러한 센싱값을 기반으로 선형 예측 계수를 통한 시계열 분석, 고속 퓨리에 변환을 통한 주파수 분석, 이산 분석을 통해 주파수 대역별 실효값과 분산을 분석한 후 이들의 데이터에 대한 테스팅 및 타당성을 검증한 결과를 멀티레이어 퍼셉트론 네트워크를 통해 분류함으로써 고장 특징이 추출되는 방식이 채택되었다.

일반적으로 딥러닝을 이용한 설비진단을 위해서는 정상상태와 이상상태의 데이터가 모두 확보되어야 한다. 그런데 정상 상태 데이터는 확보가 용이한 반면, 비정상 상태 데이터를 확보하는 것은 어려운 일이다.

정상상태 데이터 만을 이용하여 고장진단을 하는 방법은 정상상태 데이터를 입력 받아 다음 타임 스텝을 예측하는 모델을 이용하는 것이다. 즉, 예측한 다음 데이터와 실제 입력된 데이터의 차이를 구해서 특정 차이 이상이 나면 이상 데이터라고 판단하는 방법이다. 이러한 방법은 특정 차이 이상이 난다는 판단 기준이 되는 임계치(threshold)를 최적화해야 하는 어려움이 있고, 이로 인해서 우수한 진단 성능을 확보하기 어렵다. 또한 임계치를 정하기 위해서는 비정상 데이터가 있어야 하므로, 실제 정상 데이터만으로 학습하기에는 어려움이 있다.

미국공개특허 제2020-0064822호

본 발명은 상기와 같은 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 목적은 정상상태 데이터만을 사용해서 학습하더라도 시간에 따라 특성이 다양하게 변하는 복잡한 설비에 대한 상태 진단을 효과적으로 하기 위한 것이다.

이를 위해, 본 발명에 따른 기계학습 기반 고장 진단 장치는 설비에 대한 센싱 신호를 입력 받아 센싱 신호의 일정 시간 구간 내 각 타임 스텝에 대한 정상 또는 비정상을 출력하는 제1 분석부와, 상기 센싱 신호를 각 타임 스텝에 대해 주파수 변환하여 각 타임 스텝의 주파수를 출력하는 신호 변환부와, 상기 신호 변환부로부터 각 타임 스텝의 주파수를 입력 받아 각 타임 스텝의 주파수에 대한 정상 또는 비정상을 출력하는 제2 분석부와, 상기 제1 분석부의 출력값 및 상기 제2 분석부의 출력값에 근거해 설비의 고장 여부를 출력하는 분류부를 포함한다.

또한, 본 발명에 따른 계학습 기반 고장 진단 방법은 컴퓨터로 구현된 기계학습 기반 고장 진단 장치에서 각 단계가 수행되는 기계학습 기반 고장 진단 방법으로서, 설비 센싱 신호의 일정 시간 구간 내 각 타임 스텝에 대한 정상 또는 비정상 값을 출력하는 제1 분석 단계와, 상기 설비 센싱 신호의 일정 시간 구간 내 각 타임 스텝의 주파수 변환된 주파수를 입력 받아 각 타임 스텝의 주파수에 대한 정상 또는 비정상 값을 출력하는 제2 분석 단계와, 상기 제1 분석 단계 및 제2 분석 단계에서 출력한 정상 또는 비정상 값들에 근거해 설비의 고장 여부를 출력하는 분류 단계를 포함한다.

또한, 본 발명에 따른 계학습 기반 고장 진단 방법은 컴퓨터로 구현된 기계학습 기반 고장 진단 장치에서 각 단계가 수행되는 기계학습 기반 고장 진단 방법으로서, 센싱 신호를 입력 받아 센싱 신호의 일정 시간 구간 내 각 타임 스텝 값이 정상 상태인지 비정상 상태인지 RNN(Recurrent Neural Networks) 또는 LSTM(Long Short-Term Memory) 기반의 모델을 통해 판단하는 단계와, 상기 센싱 신호의 일정 시간 구간 내 각 타임 스텝 값의 주파수 변환된 주파수를 입력 받아 각 타임 스텝의 주파수가 정상 상태인지 비정상 상태인지 CNN(Convolutional Neural Network) 기반 모델을 통해 판단하는 단계와, 상기 두 모델을 통해 판단된 정상 또는 비정상 상태에 근거해 설비의 고장 여부를 판단하는 단계를 포함한다.

또한, 본 발명에 따른 컴퓨터 판독 기록매체는 시계열 데이터의 일정 시간 구간 내 각 타임 스텝 값을 입력 받아 각 타임 스텝에 대한 0 또는 1을 출력하는 제1 분석 단계와, 상기 시계열 데이터의 일정 시간 구간 내 각 타임 스텝 값의 주파수 변환된 주파수를 입력 받아 각 타임 스텝의 주파수에 대한 0 또는 1을 출력하는 제2 분석 단계와, 상기 제1 분석 단계 및 제2 분석 단계에서 출력한 값들의 평균을 산출하는 단계를 수행하는 프로그램을 저장한다.

상술한 바와 같이, 본 발명에 따른 기계학습 기반 고장 진단 기술은 정상상태 데이터만으로 학습 가능한 이중 구조의 딥러닝 기반 모델을 사용하기 때문에 비정상 상태 데이터를 확보하거나 임계치를 최적화해야 하는 어려움을 해결할 수 있는 효과가 있다.

또한 본 발명은 센싱 신호를 시간 영역뿐만 아니라 주파수 영역에서도 분석하기 때문에 설비의 고장 진단 성능을 더욱 높일 수 있는 효과가 있다.

본 발명에 따른 딥러닝을 활용한 고장 진단 기술은 다양한 산업 설비의 고장 및 상태 진단의 핵심 기술로 사용될 뿐만 아니라 비파괴 검사와 같은 진단 분야에도 사용 될 수 있다.

또한 스마트 공장(Smart Factory) 구현의 필수기술로 생산 조업 조건에 따른 설비의 상태를 판정하고 설비 상태에 따른 제품의 품질을 예측하여 생산 조건을 최적화하는 기술에도 응용 가능할 것이다.

또한 본 발명에 따른 고장 진단 장치는 설비의 고장 진단뿐만 아니라 제품의 결함 분류 분야에도 사용될 수 있다. 즉, 스마트 팩토리(smart factory) 구현의 필수 기술로서 생산 조업 조건에 따른 제품의 품질을 판정하는데도 사용될 수 있다.

도 1은 종래 결함 분류 방법을 설명하기 위한 도면.
도 2는 일반적인 딥러닝 기반 분류 방법을 설명하기 위한 도면.
도 3은 본 발명에 따른 기계학습 기반 고장 진단 장치의 개략적 구성을 나타낸 도면.
도 4는 본 발명에 따른 제1 분석부를 학습시키기 위한 구성을 나타낸 도면.
도 5는 본 발명에 따른 제2 분석부를 학습시키기 위한 구성을 나타낸 도면.
도 6은 본 발명에 따른 기계학습 기반 고장 진단 방법의 처리 과정을 나타낸 순서도.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.

그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.

그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.

또한, 명세서에 기재된 "……부", "…… 모듈" 의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

이하, 도면을 참조로 하여 본 발명의 실시예에 따른 기계학습 기반 고장 진단 장치 및 방법에 대하여 상세히 설명한다.

도 3은 본 발명에 따른 기계학습 기반 고장 진단 장치의 구성을 나타낸 것이다.

도 3을 참조하면, 기계학습 기반 고장 진단 장치는 제1 분석부(10), 신호 변환부(20), 제2 분석부(30), 분류부(40) 등을 포함한다.

제1 분석부(10)는 설비에 대한 센싱 신호를 입력 받아 센싱 신호의 일정 시간 구간 내 각 타임 스텝(time step)에 대한 정상 또는 비정상을 출력한다. 제1 분석부(10)는 타임 스텝의 값이 정상인 경우 0을 출력하고, 비정상인 경우 1을 출력하게 된다.

본 발명의 실시예에 따른 제1 분석부(10)에는 RNN(Recurrent Neural Networks) 또는 LSTM(Long Short-Term Memory) 기반의 모델이 적용된다.

도 3에는 도시되어 있지 않으나, 센싱 신호는 전처리부에 의해 일정한 간격마다 소정의 윈도우로 크로핑(cropping)된 후 샘플링 주기(즉, 타임 스텝)마다 신호 크기가 추출되어 1차원 신호 벡터로 변환되어 제1 분석부(10)로 입력된다.

여기서 센싱 신호는 다양한 센서가 설비(공장 설비, 장비)나 대상물(복합재 구조체, 제품)에 설치되어 설비나 대상물의 상태를 나타내는 신호를 말한다. 설비에 부착되는 센서로는 진동, 변위, 온도, 초음파 센서 등이 있다.

신호 변환부(20)는 센싱 신호를 주파수 변환하여 주파수를 생성한다. 신호 변환부(20)는 퓨리에 변환(FFT)을 이용해 시간에 따라 변하는 센싱 신호를 각 타임 스텝에 대해 주파수 변환하여 각 타임 스텝의 주파수를 출력한다.

제2 분석부(30)는 각 타임 스텝의 주파수를 입력 받아 각 타임 스텝의 주파수에 대한 정상 또는 비정상을 출력한다. 제2 분석부(10)는 타임 스텝의 주파수가 정상인 경우 0을 출력하고, 비정상인 경우 1을 출력하게 된다.

본 발명의 실시예에 따른 제2 분석부(10)에는 CNN(Convolutional Neural Network) 기반의 모델이 적용된다.

도 3에는 도시되어 있지 않으나, 각 타임 스텝의 주파수 신호는 전처리부에 의해 1차원 주파수 신호 벡터로 변환되어 제2 분석부(30)로 입력된다.

분류부(40)는 제1 분석부(10)의 출력값과 제2 분석부(20)의 출력값에 근거해 설비의 고장 여부를 출력한다. 제1 분석부(10) 및 제2 분석부(20)의 출력값은 0, 1이므로, 분류부(40)는 출력값들의 평균을 산출하여 그 평균값이 0에 가까우면 정상으로 분류하고, 그 평균값이 1에 가까우면 비정상으로 분류하게 된다.

도 4는 본 발명의 제1 분석부(10)에 적용되는 모델을 학습시키는 과정을 나타낸 것이다.

도 4를 참조하면, 제1 모델(12)은 입력된 시계열 데이터(실제 데이터)에 대해 다음 타임 스텝의 데이터를 예측하는 모듈이다. 제1 모델(12)은 시계열 데이터의 t=n-1일 때의 데이터인 X(n-1)를 입력받아 다음 타임 스텝인 t=n일 때의 예측 데이터인 X'(n)을 출력한다. 제1 모델(10)로 입력되는 시계열 데이터는 정상상태 데이터이다. 제1 모델(12)은 제2 모델(20)에서 출력되는 값이 0(정상 값)이 되도록 학습된다.

제2 모델(14)은 실제 데이터와 예측 데이터를 구분하는 모듈이다. 제2 모델(20)은 t=n일 때의 실제 데이터인 X(n)과 예측 데이터인 X'(n)을 입력 받아 실제 데이터와 예측 데이터를 구분한다.

제2 모델(14)은 실제 데이터와 제1 모델(12)로부터 출력된 예측 데이터를 입력 받아 실제 데이터에 대해서 0(정상 값)을 출력하고, 예측 데이터에 대해서는 1(비정상 값)을 출력하도록 학습된다. 만약 예측 데이터가 실제 데이터와 동일하게 되면 제2 모델(20)은 입력되는 모든 데이터에 대해 0을 출력할 것이다.

이와 같이 제1 모델(12)은 제2 모델(14)이 입력되는 모든 데이터에 대해 0을 출력하도록 즉, 예측 데이터가 실제 데이터가 되도록 학습되고, 제2 모델(14)은 실제 데이터에 대해서 0을 출력하고 예측 데이터에 대해서 1을 출력하도록 즉, 실제 데이터와 예측 데이터를 정확히 분류하도록 학습된다.

제1 모델(12) 및 제2 모델(14)의 학습이 완료되면, 제1 모델(12)은 제2 분석부(30)에 적용할 모델을 학습하는데 사용하게 되고, 제2 모델(14)은 제1 분석부(30)에 적용할 모델로 사용된다.

제1 모델(12) 및 제2 모델(14)은 RNN(Recurrent Neural Networks) 또는 LSTM(Long Short-Term Memory) 등의 모델을 이용하여 학습될 수 있다.

도 5는 본 발명의 제2 분석부(10)에 적용되는 모델을 학습시키는 과정을 나타낸 것이다.

도 5를 참조하면, 제3 모델(30)은 실제 데이터의 주파수 변환 데이터(이하, 실제 주파수)와 예측 데이터의 주파수 변환 데이터(이하, 예측 주파수)를 구분하는 모듈이다.

제1 모델(12)은 시계열 데이터의 t=n-1일 때의 데이터인 X(n-1)를 입력받아 다음 타임 스텝인 t=n일 때의 예측 데이터인 X'(n)을 출력한다.

신호 변환부(20)는 제1 모델(12)로부터 X'(n)을 입력 받고 시계열 데이터의 t=n일 때의 데이터인 X(n)를 입력 받아, X'(n) 및 X(n)를 주파수 변환한다.

제3 모델(32)은 신호 변환부(20)로부터 주파수 변환된 값을 입력 받아 X'(n)의 주파수 변환된 값(예측 주파수)과 X(n)의 주파수 변환된 값(실제 주파수)을 구분한다. 제3 모델(30)은 실제 주파수에 대해서 0(정상 값)을 출력하고, 예측 주파수에 대해서는 1(비정상 값)을 출력하도록 학습된다.

제1 모델(12) 및 제3 모델(32)의 학습이 완료되면, 제3 모델(32)은 제3 분석부(30)에 적용할 모델로 사용된다. 제3 모델(32)은 CNN(Convolutional Neural Network) 등의 모델을 이용해 학습될 수 있다.

CNN 모델을 이용해 제3 모델(32)을 구성하는 경우, 제3 모델(32)은 컨벌루션(convolution), 배치 정규화(batch normalization), 활성함수(ReLU), 최대화 풀링(maxpooling)을 수행하는 다수의 층으로 구성되어 각 타임 스텝의 주파수 입력 벡터로부터 신호 특징 벡터를 추출하게 된다. 이렇게 추출된 신호 특징 벡터의 원소 값은 완전 연결층의 신경망을 거쳐 실제 주파수 또는 예측 주파수로 분류된다.

도 6은 본 발명에 따른 기계학습 기반 고장 진단 방법의 처리 과정을 나타낸 것이다.

도 6을 참조하면, 먼저 도 4 및 도 5에서 상술한 바와 같이, 제1 모델(12), 제2 모델(14), 제3 모델(32)에 대한 학습 단계(S10)이 수행된다.

학습 단계(S10)에서 제1 모델(12)은 제2 모델(14)이 입력되는 모든 데이터에 대해 0을 출력할 수 있게 시계열 데이터의 다음 타임 스텝의 데이터가 예측되도록 학습되고, 제2 모델(14)은 실제 데이터에 대해서 0을 출력하고 예측 데이터에 대해서 1을 출력할 수 있게 실제 데이터와 예측 데이터가 정확하게 분류되도록 학습되고, 제3 모델(32)은 실제 주파수에 대해서 0을 출력하고 예측 데이터에 대해서 1을 출력할 수 있게 실제 주파수와 예측 주파수가 정확하게 분류되도록 학습된다.

이렇게 학습 과정이 완료되면, 제2 모델(14)은 제1 분석부(10)에 적용되고, 제3 모델(32)은 제2 분석부(30)에 적용되어, 제1 분석부(10) 및 제2 분석부(30)가 각각 시계열 데이터(센싱 신호)에 대한 분석을 수행한다(S20, S30).

즉, 제1 분석부(10)가 센싱 신호의 일정 시간 구간 내 각 타임 스텝에 대한 정상 값(0) 또는 비정상 값(1)을 출력하는 제1 분석 단계(S20)를 수행한다.

이와 함께 제2 분석부(20)가 센싱 신호의 일정 시간 구간 내 각 타임 스텝의 주파수 변환된 주파수를 입력 받아 각 타임 스텝의 주파수에 대한 정상 값(0) 또는 비정상 값(1)을 출력하는 제2 분석 단계(S30)를 수행한다.

다음, 제1 분석 단계(S20) 및 제2 분석 단계(S30)에서 출력한 정상 또는 비정상 값들의 평균을 산출하고(S40), 출력값의 평균에 근거해 설비의 고장 진단 결과를 출력한다(S50).

이상의 설명은 본 발명을 예시적으로 설명한 것에 불과하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술적 사상에서 벗어나지 않는 범위에서 다양한 변형이 가능할 것이다.

따라서 본 발명의 명세서에 개시된 실시예들은 본 발명을 한정하는 것이 아니다. 본 발명의 범위는 아래의 특허청구범위에 의해 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술도 본 발명의 범위에 포함되는 것으로 해석해야 할 것이다.

10: 제1 분석부 12: 제1 모델
14: 제2 모델 20: 제1 분석부
20: 신호 변환부 30: 제2 분석부
32: 제3 모델 40: 분류부

Claims

설비에 대한 센싱 신호를 입력 받아 센싱 신호의 일정 시간 구간 내 각 타임 스텝에 대한 정상 또는 비정상을 출력하는 제1 분석부와,
상기 센싱 신호를 각 타임 스텝에 대해 주파수 변환하여 각 타임 스텝의 주파수를 출력하는 신호 변환부와,
상기 신호 변환부로부터 각 타임 스텝의 주파수를 입력 받아 각 타임 스텝의 주파수에 대한 정상 또는 비정상을 출력하는 제2 분석부와,
상기 제1 분석부의 출력값 및 상기 제2 분석부의 출력값에 근거해 설비의 고장 여부를 출력하는 분류부를 포함하는 기계학습 기반 고장 진단 장치.
제1항에 있어서,
상기 제1 분석부는 시계열 데이터의 다음 타임 스텝의 데이터를 예측하도록 학습된 모델에서 출력한 예측 데이터 및 실제 데이터를 입력 받아 실제 데이터에 대해서 0을 출력하고 예측 데이터에 대해서 1을 출력하도록 학습된 모델인 것을 특징으로 하는 기계학습 기반 고장 진단 장치.
제2항에 있어서,
상기 제1 분석부에 적용된 학습 모델은 RNN(Recurrent Neural Networks) 또는 LSTM(Long Short-Term Memory)인 것을 특징으로 하는 기계학습 기반 고장 진단 장치.
제1항에 있어서,
상기 제2 분석부는 시계열 데이터의 다음 타임 스텝의 데이터를 예측하도록 학습된 모델에서 출력한 예측 데이터의 주파수 변환된 예측 주파수 및 실제 데이터의 주파수 변환된 실제 주파수를 입력 받아 실제 주파수에 대해서 0을 출력하고 예측 주파수에 대해서 1을 출력하도록 학습된 모델인 것을 특징으로 하는 기계학습 기반 고장 진단 장치.
제4항에 있어서,
상기 제2 분석부에 적용된 학습 모델은 CNN(Convolutional Neural Network)인 것을 특징으로 하는 기계학습 기반 고장 진단 장치.
컴퓨터로 구현된 기계학습 기반 고장 진단 장치에서 각 단계가 수행되는 기계학습 기반 고장 진단 방법에 있어서,
설비 센싱 신호의 일정 시간 구간 내 각 타임 스텝에 대한 정상 또는 비정상 값을 출력하는 제1 분석 단계와,
상기 설비 센싱 신호의 일정 시간 구간 내 각 타임 스텝의 주파수 변환된 주파수를 입력 받아 각 타임 스텝의 주파수에 대한 정상 또는 비정상 값을 출력하는 제2 분석 단계와,
상기 제1 분석 단계 및 제2 분석 단계에서 출력한 정상 또는 비정상 값들에 근거해 설비의 고장 여부를 출력하는 분류 단계를 포함하는 기계학습 기반 고장 진단 방법.
제6항에 있어서,
상기 주파수 변환된 주파수는 푸리에 변환(FFT)에 의한 주파수인 것을 특징으로 하는 기계학습 기반 고장 진단 방법.
제6항에 있어서,
상기 제1 분석 단계 및 제2 분석 단계 전에 정상 상태의 설비 센싱 신호인 시계열 데이터의 다음 타임 스텝의 데이터를 예측하는 모델을 학습시키는 단계를 더 포함하는 것을 특징으로 하는 기계학습 기반 고장 진단 방법.
제8항에 있어서,
상기 시계열 데이터의 다음 타임 스텝의 데이터를 예측하는 모델에서 예측한 데이터에 대해서는 1을 출력하고 실제 데이터에 대해서는 0을 출력하도록 학습시키는 단계를 더 포함하는 것을 특징으로 하는 기계학습 기반 고장 진단 방법.
제8항에 있어서,
상기 시계열 데이터의 다음 타임 스텝의 데이터를 예측하는 모델에서 예측한 데이터를 주파수 변환한 예측 주파수에 대해서는 1을 출력하고 실제 데이터를 주파수 변환한 실제 주파수에 대해서는 0을 출력하도록 학습시키는 단계를 더 포함하는 것을 특징으로 하는 기계학습 기반 고장 진단 방법.
제6항에 있어서,
상기 분류 단계는 상기 출력한 정상 또는 비정상 값들의 평균값을 산출하여 평균값에 근거해 설비의 정상 또는 비정상 상태를 출력하는 것을 특징으로 하는 기계학습 기반 고장 진단 방법.
컴퓨터로 구현된 기계학습 기반 고장 진단 장치에서 각 단계가 수행되는 기계학습 기반 고장 진단 방법에 있어서,
센싱 신호를 입력 받아 센싱 신호의 일정 시간 구간 내 각 타임 스텝 값이 정상 상태인지 비정상 상태인지 RNN(Recurrent Neural Networks) 또는 LSTM(Long Short-Term Memory) 기반의 모델을 통해 판단하는 단계와,
상기 센싱 신호의 일정 시간 구간 내 각 타임 스텝 값의 주파수 변환된 주파수를 입력 받아 각 타임 스텝의 주파수가 정상 상태인지 비정상 상태인지 CNN(Convolutional Neural Network) 기반 모델을 통해 판단하는 단계와,
상기 두 모델을 통해 판단된 정상 또는 비정상 상태에 근거해 설비의 고장 여부를 판단하는 단계를 포함하는 기계학습 기반 고장 진단 방법.
시계열 데이터의 일정 시간 구간 내 각 타임 스텝 값을 입력 받아 각 타임 스텝에 대한 0 또는 1을 출력하는 제1 분석 단계와,
상기 시계열 데이터의 일정 시간 구간 내 각 타임 스텝 값의 주파수 변환된 주파수를 입력 받아 각 타임 스텝의 주파수에 대한 0 또는 1을 출력하는 제2 분석 단계와,
상기 제1 분석 단계 및 제2 분석 단계에서 출력한 값들의 평균을 산출하는 단계를 실행하는 프로그램을 저장하는 컴퓨터 판독 기록매체.