KR20220068287A - 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치 - Google Patents

Abstract

실시예는 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치에 관한 것이다.
구체적으로, 이러한 설비이상감지 정보처리장치는 (단조)설비별로 공정 작업 시작부터 작업 종료 때까지의 작업진행에 따라 실시간으로 소요 시간 및 가스 사용량을 사전에 예측하여 제공함으로써, 작업사전 알림 및 설비 이상 현상을 탐지한다.
그리고, 이러한 경우 일실시예는 이러한 소요시간 및 에너지 사용량을 예측하기 위해 딥러닝 알고리즘 중에 시계열 데이터를 처리하는 LSTM 모델을 사용한다.
따라서, 이를 통해 첫째, 공정작업 승온 및 홀딩 가열 종료를 예측하여 사전에 담당자 알림으로써 다음 작업계획을 미리준비할 수 있다.
둘째, 그리고 이러한 설비 고장을 실시간으로 알림을 제공함으로써 불필요한 에너지 소비를 줄일 수 있다는 장점을 가진다.

Description

시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치{Apparatus for monitoring facility abnormal detection employing predicted data model of time series energy}

본 명세서에 개시된 내용은 (프레스) 공장의 설비이상을 감지하는 기술 분야에 관한 것으로, 보다 상세하게는 이러한 설비이상을 감지할 경우, 딥 러닝을 기반으로 설비이상을 감지해서 효율적으로 모니터링하는 기술에 관한 것이다.

본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.

일반적으로, 최근들어 에너지 비용이 증가함에 따라 에너지 절감 및 효과적인 에너지 사용에 대한 중요성이 더해지고 있다. 에너지 소비를 분석하기 위해 실시간으로 에너지 사용량을 검색하도록 하고 제조공정에 모니터링 시스템을 반영하여 에너지 절감으로 유도하려고 한다. 특히, 단조공장에서는 강괴를 녹여서 제품을 만드는 가열로 공정에서는 다량의 에너지가 소비된다. 따라서, 제조 공정 프로세스를 개선하기 위해서는 제조공정을 변화함으로써 에너지 사용을 적절하게 제어할 수 있는 실시간 모니터링 및 이러한 데이터를 이용하여 설비이상유무를 판단할 수 있는 설비이상감지 시스템이 필요하다.

이러한 배경의 선행기술문헌은 아래와 같은 정도이다.

(특허문헌 0001) KR102048408 Y1

(특허문헌 0002) KR102138279 Y1

덧붙여서, 이러한 특허문헌 1의 기술은 본 명세서의 개시된 내용과 관련하여, 빅데이터 패턴을 이용해서 효율적으로 모니터링을 하는 점이 유사하며, 본 내용은 여기에 특정 딥 러닝을 적용하여 설비의 이상여부를 감지하는 점 등이 차별화가 된다.

그리고, 상기 특허문헌 2의 기술은 시계열의 딥 러닝을 이용한 점이 본 내용과 유사하며, 본 내용은 여기에서 (프레스) 공정에 특화된 구체화된 형태의 학습 형태와 이에 따른 모니터링 시스템을 제공한다.

개시된 내용은, (가열로, 열처리로)설비이상을 모니터링할 경우, 상이한 설비별로 공정 작업 단위로 소요 시간 및 가스사용량을 미리 예측해서 작업사전 알림 및 설비이상 현상을 제공하는 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치를 제공하고자 한다.

실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치는,

(가열로, 열처리로)설비별로 공정 작업 시작부터 작업 종료 때까지의 작업진행에 따라 실시간으로 소요 시간 및 가스 사용량을 사전에 예측하여 제공함으로써, 작업사전 알림 및 설비 이상 현상을 탐지한다.

그리고, 이러한 경우 일실시예는 이러한 소요시간 및 에너지 사용량을 예측하기 위해 딥러닝 알고리즘 중에 시계열 데이터를 처리하는 LSTM 모델을 사용하는 것을 특징으로 한다.

구체적으로는, 이러한 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치는,

단조 공장에서의 제조공정을 모니터링할 경우, 프레스 설비의 가열로와, 열처리로 등의 IoT 디바이스로부터 설비상태데이터를 전체적으로 수집하는 IoT 플랫폼 서버;

상기 IoT 플랫폼 서버에 의해 수집된 결과로부터 실시간 분당 에너지 데이터를 수집하여 다수의 상이한 설비별로 공정 작업 단위로 운영데이터를 추출해서 상이한 설비별로 분당 에너지 데이터를 전처리하는 데이터 수집 서버;

상기 데이터 수집 서버에 의해 전처리된 결과를 저장하는 데이터베이스 서버;

상기 데이터베이스 서버의 데이터로부터 다수의 상이한 설비별로 소요시간 및 에너지사용량을 시계열에 따라 학습하고, 상기 학습결과로부터의 상이한 모델별로 단위공정별 작업 소요시간과 에너지사용량을 예측하여 시계열 에너지 예측 데이터 모델을 생성함으로써, 설비이상 여부를 감지하는 데이터 분석 및 예측 모델 서버; 및

상기 각 서버를 제어하여 프레스 공장에서의 제조공정을 전반적으로 모니터링하는 모니터링 및 관리 웹 서버; 를 포함하고 있으며,

상기 시계열 에너지 예측 데이터 모델은,

a) 다수의 상이한 프레스 설비별로 주말과 주중/공휴일 작업으로 분류하여 승온 및 홀딩 구간 각각에 대한 소요시간 및 에너지 사용량 학습 모델을 정의하고,

b) 가열구간으로 규정한 온도가 최초로 되는 지점을 기준으로 가열과 홀딩 구간으로 분리하여 에너지사용량과, 온도 데이터셋을 생성하고,

c) 분당누적에너지사용량과, 공정단위별 작업소요시간 및 에너지사용량을 속성 추가하며,

d) 해당되는 정보에 대해서 시계열을 기반으로 시리얼 데이터셋을 생성하고,

e) 다수의 상이한 모델별로 소요시간과, 에너지사용량의 속성을 결정하고,

f) 상기 결정된 결과로부터 정규화 데이터를 생성하며,

g) 각 모델별로 단위공정별 작업 소요시간과, 에너지사용량을 설정하여 독립 및 종속 변수를 설정하고,

h) 상기 설정된 결과에 대해 학습 및 훈련 데이터를 생성하고,

i) 상기 생성된 결과로부터 딥러닝 기반 학습모델을 생성함으로써, 해당 시계열 에너지 예측 데이터 모델이 이루어지는 것; 을 특징으로 한다.

실시예들에 의하면, 첫째, 공정작업 승온 및 홀딩 가열 종료를 예측하여 사전에 담당자 알림으로써 다음 작업계획을 미리준비할 수 있다.

둘째, 그리고 이러한 설비 고장을 실시간으로 알림을 제공함으로써 불필요한 에너지 소비를 줄일 수 있다는 장점을 가진다.

도 1은 일실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치의 개념을 설명하기 위한 도면
도 2는 일실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치가 적용된 시스템을 전체적으로 도시한 도면
도 3은 일실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치의 구성을 도시한 블록도
도 4는 일실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치의 동작을 순서대로 도시한 플로우 차트

도 1은 일실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치의 개념을 설명하기 위한 도면이다.

도 1에 도시된 바와 같이, 일실시예에 따른 설비이상감지 정보처리장치(100)는 (단조)공정 작업이 진행함에 따라 소요시간 및 에너지 사용량을 예측하여 시계열에 따라 그의 예측량이 특이한 변화를 발생할 경우 설비이상임을 알린다.

구체적으로는, 일실시예에 따른 설비이상감지 정보처리장치(100)는 (가열로, 열처리로)설비별로 공정 작업 시작부터 작업 종료 때까지의 작업진행에 따라 실시간으로 소요 시간 및 가스 사용량을 사전에 예측하여 제공함으로써, 작업사전 알림 및 설비 이상 현상을 탐지한다.

이러한 경우, 일실시예에 따른 설비이상감지 정보처리장치(100)는 이러한 소요시간 및 에너지 사용량을 예측하기 위해 딥러닝 알고리즘 중에 시계열 데이터를 처리하는 LSTM 모델을 사용한다.

그래서, 상기 정보처리장치(100)는 설비별로 공정작업이 시작된 경우, 실시간 에너지 모니터링 시스템에 예측된 작업 종료 시간, 가스 사용량이 표출된다.

이때, 설비이상 현상, 예를 들어 갑작스런 가스 사용량 상승이나, 빠른 작업 종료, 데이터 미수집 등이 발생된 경우에는 이상현상 알림을 제공한다.

따라서, 이를 통해 이러한 정보처리장치는 다음과 같은 장점을 가진다.

첫째, 공정작업 승온 및 홀딩 가열 종료를 예측하여 사전에 담당자 알림으로써 다음 작업계획을 미리준비할 수 있다.

둘째, 그리고 이러한 설비 고장을 실시간으로 알림을 제공함으로써 불필요한 에너지 소비를 줄일 수 있다는 장점을 가진다.

도 2는 일실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치가 적용된 시스템을 전체적으로 도시한 도면이다.

도 2에 도시된 바와 같이, 일실시예에 따른 시스템은 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치(100)와, 이에 의해 설비이상을 감지하기 위한 (단조) 공장 설비별 IoT 디바이스를 포함한다.

이러한 경우, 상기 IoT 디바이스는 다수의 상이한 공장 설비별로 예를 들어, 가열로와 프레스/링밀, 열처리 등을 포함하고, 이러한 각 설비별로 에너지 수집과 관련된 가스 계량기와 전력량계, 온도계 등을 포함한다.

추가적으로, 일실시예에 따른 시스템은 상기 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치(100)에 의해 설비이상이 감지된 경우, 미리 등록된 외부의 관리기관 또는 고장수리처 등에 연결해서 신속한 처리가 이루어질 수 있도록 한다. 이러한 경우, 상기 외부의 관리기관 또는 고장수리처는 소방서 정보처리장치나 또는, 환경기관 정보처리장치, 고장수리처 정보처리장치 등이다.

그리고, 이에 더하여 일실시예의 시스템은 상기 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치(100)가 무선으로 외부의 게이트웨이를 통해 작업자나 관리자의 모바일 단말기와 연결됨으로써, 관련된 모니터링이 손쉽고 간단하게 이루어진다.

상기 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치(100)는 (단조) 공정을 모니터링할 경우, 상이한 설비별 IoT 디바이스로부터 실시간으로 설비상태데이터를 수집하여 소요시간과 에너지사용량을 확인한다. 그리고 나서, 상기 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치(100)는 이러한 확인결과와 해당 모델의 미리 예측된 소요시간과 에너지사용량을 비교해서, 예를 들어 두 값의 차이값이 미리 설정된 값을 초과한 경우에 설비이상이 있는 것으로 감지한다. 이러한 경우, 상기 모델은 실시예에 따른 시계열 에너지 예측 데이터 모델에 의해서 나온 결과이다. 구체적으로는, 이러한 시계열 에너지 예측 데이터 모델은 각 설비별 IoT 디바이스로부터 수집한 설비상태데이터를 기반으로 다수의 상이한 설비별로 소요시간 및 에너지사용량을 시계열에 따라 학습하고, 상기 학습결과로부터의 상이한 모델별로 단위공정별 작업 소요시간과 에너지사용량을 예측함으로써 이루어진다. 보다 상세한 설명은 아래에서 계속 설명한다.

도 3은 일실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치의 구성을 도시한 블록도이다.

도 3에 도시된 바와 같이, 일실시예에 따른 정보처리장치(100)는 IoT 플랫폼 서버(101)와, 데이터 수집 서버(102), 데이터 분석 및 예측 모델 서버(103) 및 모니터링 및 관리 웹 서버(104)를 포함한다.

상기 IoT 플랫폼 서버(101)는 프레스 공장에서의 제조공정을 모니터링할 경우, 프레스 설비의 각 IoT 디바이스로부터 설비상태데이터를 전체적으로 실시간 수집해서, 수집된 결과를 데이터 수집 서버에 제공한다.

상기 데이터 수집 서버(102)는 상기 IoT 플랫폼 서버(101)에 의해 수집된 결과로부터 실시간 분당 에너지 데이터를 수집하여 다수의 상이한 설비별로 공정 작업 단위로 운영데이터를 추출해서 상이한 설비별로 분당 에너지 데이터를 전처리하는 것이다.

상기 데이터베이스 서버(103)는 상기 데이터 수집 서버(102)에 의해 전처리된 결과를 저장한다.

상기 데이터 분석 및 예측 모델 서버(104)는 수집된 데이터로부터 인공지능 기법을 사용하여 본 에너지 비용 예측 모델을 생성 및 실행한다. 구체적으로는, 상기 데이터 분석 및 예측 모델 서버(104)는 상기 데이터베이스 서버(103)의 데이터로부터 다수의 상이한 프레스 설비별로 소요시간 및 에너지사용량을 시계열에 따라 학습하고, 상기 학습결과로부터의 상이한 모델별로 단위공정별 작업 소요시간과 에너지사용량을 예측하여 시계열 에너지 예측 데이터 모델을 생성함으로써, 설비이상 여부를 감지한다. 이렇게 감지된 결과는 사용자에게 알려짐으로써, 이상감지 예측 서비스 기능이 제공된다.

상기 모니터링 및 관리 웹 서버(105)는 상기 각 서버를 제어하여 프레스 공장에서의 제조공정을 전반적으로 모니터링한다. 부가적으로, 데이터 수집 서버(103)의 인터페이스를 통해서 모니터링 서비스와 관리 및 검색 기능을 구현하기 위해 웹 서버를 구축한다. 이러한 경우, 예를 들어 상기 모니터링 및 관리 웹 서버(105)는 데이터 수집 인터페이스와 이상 사례 분류 서비스 기능으로 구성한다.

추가적으로, 이러한 정보처리장치(100)는 사용자를 위한 클라이언트에서 에너지 사용량 및 사용 요금을 실시간 모니터링 할 수 있는 모니터링 서비스와, 데이터 수집 상태 및 알림을 관리하는 설비수집상태관리서비스를 제공한다. 그리고, 이에 더하여 설비수집이상 이력을 시각화하는 서비스와, 데이터분석 및 예측 서버에 보관되어 있는 예측 모델을 이용하여 실시간으로 공정 소요시간과 에너지 사용량을 예측하여 결과가 이상할 경우를 감지하여 사용자에게 알려주는 이상감지 예측 및 알림 서비스 기능을 제공한다.

또한, 이에 더하여 상기 모니터링 및 관리 웹 서버(105)와 데이터 분석 및 예측 모델 서버(104)의 데이터 전달 방식은 예를 들어 아래와 같이 이루어진다.

구체적으로는, 상기 데이터 전달 방식은 모니터링 및 관리 웹 서버(105)에서 모델 기준이 되는 설비코드 또는 프레스 코드, 가열 또는 홀딩구간, 주말 또는 주중, 공정작업 시작일시분 데이터와 실시간으로 들어오는 분당 에너지사용량, 온도 데이터를 예측모델 서버로 전송하면 이미 생성해놓은 예측용 학습모델을 기동한다.

그리고 나서, 이러한 모델 기동하기 전에 입력되는 실제 데이터에 대해 시리얼 데이터를 생성한 후 정규화 데이터로 변환한 후 모델을 실행한다. 그리고, 이렇게 실행 후 공정구간에 따른 예측 소요시간 및 에너지 사용량을 모니터링 및 관리 웹 서버(105)로 전송하여 시각화 하도록 한다.

도 4는 일실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치의 동작을 순서대로 도시한 플로우 차트이다(도 3 참조).

도 4에 도시된 바와 같이, 일실시예의 정보처리장치는 먼저 상기 모니터링 및 관리 웹 서버의 제어에 의해서, IoT 플랫폼 서버에서 프레스 공장의 제조공정을 모니터링할 경우, 프레스 설비의 각 IoT 디바이스로부터 설비상태데이터를 전체적으로 수집한다.

다음, 상기 데이터 수집 서버는 상기 IoT 플랫폼 서버에 의해 수집된 결과로부터 실시간 분당 에너지 데이터를 수집하여 다수의 상이한 설비별로 공정 작업 단위로 운영데이터를 추출해서 상이한 설비별로 분당 에너지 데이터를 전처리한다.

그리고 나서, 상기 데이터베이스 서버에 상기 데이터 수집 서버에 의해 전처리된 결과를 저장한다.

그러면, 데이터 분석 및 예측 모델 서버는 상기 데이터베이스 서버의 데이터로부터 다수의 상이한 프레스 설비별로 소요시간 및 에너지사용량을 시계열에 따라 학습하고, 상기 학습결과로부터의 상이한 모델별로 단위공정별 작업 소요시간과 에너지사용량을 예측하여 시계열 에너지 예측 데이터 모델을 생성한다.

이러한 경우, 상기 시계열 에너지 예측 데이터 모델은 아래와 같이 이루어진다.

a) 먼저 상기 시계열 에너지 예측 데이터 모델은 다수의 상이한 프레스 설비별로 주말과 주중/공휴일 작업으로 분류하여 승온 및 홀딩 구간 각각에 대한 소요시간 및 에너지 사용량 학습 모델을 정의한다(S401).

b) 그리고, 가열구간으로 규정한 온도가 최초로 되는 지점을 기준으로 가열과 홀딩 구간으로 분리하여 에너지사용량과, 온도 데이터셋을 생성한다(S402).

c) 다음으로 분당누적에너지사용량과, 공정단위별 작업소요시간 및 에너지사용량을 속성 추가한다(S403).

d) 그리고 나서, 해당되는 정보에 대해서 시계열을 기반으로 시리얼 데이터셋을 생성한다(S404).

e) 그리고, 다수의 상이한 모델별로 소요시간과, 에너지사용량의 속성을 결정한다(S405).

f) 그래서, 상기 결정된 결과로부터 정규화 데이터를 생성한다(S406).

g) 다음, 각 모델별로 단위공정별 작업 소요시간과, 에너지사용량을 설정하여 독립 및 종속 변수를 설정한다(S407).

h) 그리고 나서, 상기 설정된 결과에 대해 학습 및 훈련 데이터를 생성한다(S408).

i) 그래서, 이렇게 생성된 결과로부터 딥러닝 기반 학습모델을 즉, 시계열 에너지 데이터 예측 모델을 생성한다(S409 ~ S413).

이러한 상태에서, 데이터 분석 및 예측 모델 서버는 상기 IoT 플랫폼 서버로부터 상이한 설비별로 설비상태데이터를 전체적으로 수집하여 소요시간과 에너지사용량을 확인한다.

다음, 이러한 소요시간과 에너지사용량을 해당 모델의 미리 예측된 소요시간과 에너지사용량과 비교한다.

상기 비교 결과, 예를 들어 두 값의 차이값이 미리 설정된 하한 임계치와 상한 임계치의 사이에 해당하는 값인 경우, 정상으로 이전값과의 차이를 표시한다.

반면, 두 값의 차이값이 미리 설정된 하한 임계치와 상한 임계치의 사이에 해당하는 값을 벗어나는 경우에는, 설비에 이상이 있는 것으로 이전값과의 차이를 표시한다.

예를 들어, 임계치를 기준(예: 30분)으로 정상(+35분)과, 이상(-42분) 등으로 표시한다.

다른 예로서, 상기 비교결과, 예를 들어 두 값의 차이값이 미리 설정된 차이값보다 이상이 된 경우에 설비이상이 있는 것으로 감지한다.

반면, 두 값의 차이값이 미리 설정된 차이값보다 미만인 경우에는 설비가 정상적으로 작동하는 것으로 감지한다.

따라서, 이를 통해 설비이상 현상, 예를 들어 갑작스런 가스 사용량 상승이나, 빠른 작업 종료, 데이터 미수집 등이 발생된 경우에는 이상현상 알림을 제공한다.

이상과 같이, 일실시예는 (가열로, 열처리로)설비별로 공정 작업 시작부터 작업 종료 때까지의 작업진행에 따라 실시간으로 소요 시간 및 가스 사용량을 사전에 예측하여 제공함으로써, 작업사전 알림 및 설비 이상 현상을 탐지한다.

그리고, 이러한 경우 일실시예는 이러한 소요시간 및 에너지 사용량을 예측하기 위해 딥러닝 알고리즘 중에 시계열 데이터를 처리하는 LSTM 모델을 사용한다.

따라서, 이를 통해 이러한 일실시예는 다음과 같은 장점을 가진다.

첫째, 공정작업 승온 및 홀딩 가열 종료를 예측하여 사전에 담당자 알림으로써 다음 작업계획을 미리준비할 수 있다.

둘째, 그리고 이러한 설비 고장을 실시간으로 알림을 제공함으로써 불필요한 에너지 소비를 줄일 수 있다는 장점을 가진다.

이에 더하여, 좀 더 상세히 전술한 시계열 에너지 데이터 예측 모델 즉, 학습 모델의 생성 방식에 대해서 설명한다.

먼저, 이러한 학습 모델의 생성 방식은 설비별 공정작업단위로 승온구간 및 홀딩구간 단위로 소요시간 및 사용량 학습 모델을 생성한다. 이러한 경우, 단조 공정에서 온도 패턴에 따라, 원재료를 가공하는 가열과 열처리 과정에서 작업공정을 시작하면서 일정 온도까지 상승하는 승온구간과 상승된 온도를 유지하는 홀딩구간으로 구분한다. 그리고, 가열 구간에 따라 소요시간 및 사용량 패턴이 달라서 가열 및 홀딩구간으로 데이터셋을 구분하여 모델을 생성한다. 또한, 주말의 경우 실제 작업을 수행하지 않고 재료를 설비안에 보관하고 있기 때문에 설비 사용 패턴이 주중과는 다르기 때문에 작업일자가 월요일 및 공휴일 경우 다른 모델을 생성한다. 따라서, 모델은 작업일자에 따라 주말과 주중으로 분류하고, 공정단위별로 승온구간 및 홀딩구간으로 구분하여 모델을 생성한다. 그리고 설비 각 호기마다 모델을 새로 생성할 수도 있고 기준을 잡아 몇 개의 설비의 묶음으로 모델을 생성할 수도 있다. 이러한 것은 데이터의 특성에 따라 적합한 방법을 결정하도록 한다.

다음, 실시간으로 수집한 분당 데이터에서 통신과, IoT 디바이스, 설비 등의 오류로 인하여 다수 데이터가 미수집 될 경우와 음수 누적지침, 4000도 이상의 온도 등의 이상치가 발생할 경우, 해당 데이터 파일을 제거하여야 한다. 기본 데이터셋 생성 후, 추가적으로 필요한 누적 소요시간 및 사용량 속성을 추가한다.

그리고, 간혹 데이터의 끊김 현상으로 일부 분당 데이터가 미수집 되었을 경우 해당 분당 데이터를 제거한다. 이러한 경우, 일실시예에 따른 시계열 기반의 딥러닝 학습 모델을 사용하려면 일정한 시리얼 입력길이와 단계를 설정하여 시리얼 데이터셋을 생성해야 한다. 예를 들어 딥러닝 기반의 LSTM(Long Short-Term Memory units) 시계열 모델을 사용할 때, 시리얼 길이, 단계 등 이외의 필요한 모델 변수를 설정한다. 입력데이터셋의 시리얼 길이는 다수의 경우를 실험하여 모델의 정확도를 높이는 시리얼 입력 길이를 정한다.

다음으로 모델별 유효한 속성을 결정하고 정규치를 생성한 후 독립 및 종속 변수를 결정한다. 예를 들어, 소요시간 모델은 누적분, 누적사용량, 온도 등이 유효한 독립변수일 수 있고 공정단위별로 소요한 작업소요시간이 종속변수로 설정될 수 있다.

그리고 나서, 학습 모델을 생성하기 위해서는 전체 데이터 중에서 학습과 훈련 데이터를 생성한다. 일반적으로 전체 데이터셋에서 70%를 학습데이터로 30%를 모델 생성후 모델을 시험하기 위해 훈련데이터로 사용한다. 다음으로 학습 모델을 생성한다. 이 단계에서 어떠한 학습모델을 사용할 것인지 결정한다. 예를 들어, 딥러닝 기반에서 필요한 레이어를 구성하여 입력과 출력층을 구성하여 최정 출력 개수를 설정하는 구성을 말한다. 생성된 모델을 평가하고 이 모델을 오차율에 만족하면 새로운 데이터로 모델을 시뮬레이션 한 후, 모델 갱신이 필요하지 않으면 학습 모델을 저장한 후 예측 모델로 사용한다.

한편, 추가적으로 이러한 정보처리장치는 에너지 데이터에 의한 설비이상 여부를 효율적으로 처리할 수 있도록 하기 위해서, 아래의 전처리 구성으로부터 상이한 설비별로 분당 에너지 데이터를 전처리한다.

구체적으로는, 이러한 전처리(즉, 데이터 수집 서버에 의한 전처리)는 아래와 같이 이루어진다.

a) 먼저 이러한 전처리는 가스와 전력, 온도를 포함하여 실시간으로 분당 에너지 데이터를 수집한다.

b) 그리고, 미리 지정된 작업시작부터 종료시점까지 공정 작업 운영 데이터를 추출한다.

c) 그리고 나서, 상이한 설비코드와 프레스코드, 작업시작 및 종료시간별로 수집된 공정작업운영데이터를 등록한다.

d) 다음, 상기 등록된 결과를 기초로 공정작업운영 일정범위별로 상이한 설비별과 에너지별로 데이터를 추출한다.

e) 그래서, 이렇게 추출된 결과를 이용해서 분당 에너지 데이터를 공정작업운영 코드별로(운영코드와, 일시, 가스, 전력, 온도 포함) 등록한다.

즉, 이상과 같이 실시예에서는 이러한 실시간 모니터링을 할 경우, 분당 에너지 데이터를 수집하여 설비별 작업시작시간부터 종료시간까지의 공정 작업 단위로 운영데이터를 추출하여 설비별로 분당 에너지 데이터를 전처리한다.

따라서, 이를 통해 실시예에서는 전술한 실시간 모니터링을 할 경우, 이렇게 상이한 설비별로 분당 에너지 데이터를 전처리해서, 에너지 데이터에 의한 설비이상 여부를 효율적으로 처리한다.

도 5는 일실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치에 적용된 (전처리 과정에서 수집되는) 에너지 데이터 구조를 나타낸 도면이다.

도 5에 도시된 바와 같이, 일실시예에 따른 에너지 데이터 구조는 먼저 여기에서와 같이, (a)는 IoT 서버로부터 실시간으로 설비별 에너지별(가스, 전력, 온도, --) 수집하는 분당 데이터 구조로, 설비코드별로 전송되는 에너지 데이터를 수집한다.

그리고, (b)는 설비별로 공정작업을 실시하는 시작 및 종료시간을 자동 또는 작업자의 입력으로 수집하여, 공정작업별로 에너지 사용량을 저장하는 운영 데이터 구조이다.

다음으로, (c)는 최종 예측모델을 생성할 때 사용할 최종 추출된 공정단위별 조합된 데이터구조이다. 이는 운영코드별 파일로 존재하고 각 파일에는 공정시작 일시분부터 종료까지 분당 에너지 데이터를 조합한 데이터를 가지고 있다.

도 6은 일실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치에 적용된 이상감지 모니터링 화면을 보여주는 도면이다.

도 6에 도시된 바와 같이, 일실시예에 따른 이상감지 모니터링 화면은 각 설비에 대해 가열 구간 동안 소요시간 및 가스사용량 예측 모델을 적용하여 예측된 소요시간 및 사용량을 시각화한 화면이다. 여기에서 두 개의 파란색 세로선은 현재 입력 데이터셋을 의미하고 적색 세로선은 작업소요 예측 시간을 표시한다. 가열완료 예측시간 알림보드는 가열, 홀딩구간을 구분하여 작업 시간의 흐름에 따라, 현재 데이터로 예측한 승온구간 또는 홀딩구간의 예측 소요시간 및 사용량을 표시한다. 예측소요시간 및 사용량 변동 알림주기는 1분부터 설정한 데이터 시리얼 입력 길이만큼 지정하여 실시간으로 시각화한다.

그리고, 이상여부 속성은 작업시간의 경과됨에 따라 예측한 소요시간 및 사용량 변동이 없거나, 줄어들거나, 적어지는 경우 이상임을 인지하여 이상, 정상으로 표시하도록 한다. 특히, 가열상태가 승온종료 및 홀딩종료일 경우 예측한 값과의 차이를 표시하도록 한다. 이러한 구간 종료시, 예측값과 실제값의 차이가 클 경우 설비의 이상으로 담당자에게 이상 알림을 전송하도록 한다. 이러한 임계값 결정은 설비의 상태 및 데이터에 따라 유동성있게 설정할 수 있도록 한다.

도 7은 일실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치에 적용된 데이터 미수집일 경우의 예측 결과 시각화 화면을 보여주는 도면이다.

도 7에 도시된 바와 같이, 일실시예에 따른 데이터 미수집일 경우의 예측 결과 시각화 화면은 가스, 전력, 온도 등 에너지 데이터 수집이 되지않을 경우 예측 결과는 nan으로 처리되어 예측 결과가 표시되지 않는다. 그리고, 설비이상과, 전원이상, IoT 디바이스 이상 등의 이상현상으로 유추할 수 있다. 여기에서는 온도데이터의 미수집 현상이 발생한 것으로 예측결과가 표시되고 있지 않고 있음을 나타낸다.

도 8은 일실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치에 적용된 에너지사용량 및 온도값 이상일 경우의 예측 소요시간 시각화 화면을 보여주는 도면이다.

도 8에 도시된 바와 같이, 일실시예에 따른 에너지사용량 및 온도값 이상일 경우의 예측 소요시간 시각화 화면은 에너지 사용량 이상일 경우에는 실시간 들어오는 누적지침 값이 갑자기 10배이상의 값으로 높아지거나 낮아지는 현상, 음수값의 누적지침 수집, 온도가 높은데 에너지사용량은 0으로 지속되는 현상 등이 발생하는 것이다. 그래서, 이렇게 되면 에너지 사용량 이상현상이 발생하여 예측 값 또한 이상치를 표시한다. 지정한 최고 온도보다 많이 높은 온도가 발생할 경우 또한 센서 이상현상으로 표시한다.

여기에서는 시간이 지남으로써 예측소요시간이 증가(a)해야 하는데, 갑자기 예측 소요시간(세로 점선)이 감소(b) 하는 현상이 발생하였다. 이런 경우 온도가 높은데 가스사용량이 0으로 되어 설비 센서 이상현상이 발생하였음을 추측할 수 있다.

도 9는 일실시예에 따른 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치에 적용된 분당 온도 변화가 심할 경우의 예측 소요시간 시각화 관련 화면을 보여주는 도면이다.

도 9에 도시된 바와 같이, 일실시예에 따른 분당 온도 변화가 심할 경우의 예측 소요시간 시각화 관련 화면은 여기에서는 분당 온도 변화가 심하면서 온도가 상승하지 않는 이상현상일 경우, 시간이 지날수록 예측 소요시간(세로점선)이 변동이 없이 나타나는 이상현상을 시각화 한 것이다.

부가적으로, 이러한 실시예에 따른 정보처리장치는 전술한 IoT 플랫폼과 관련하여 관리자가 원하는 바에 따라 다양한 요구사항을 대응할 수 있는 유연성과, 상기한 모니터링과 관련된 데이터의 정제/가공/저장/ 및 검색 등을 수행할 수 있도록 한다. 그리고, 원시(raw) 데이터 형태의 데이터가 집중되는 것을 방지하여 부하가 경감되도록 하고, 범용 PLC 구조보다 확장성이 좋아 응용프로그램 개발을 용이하게 수행할 수 있도록 한다.

이를 위해, 먼저 상기 IoT 플랫폼은 (단조) 산업 설비에서 통신 기능을 담당하는 라이브러리와, 설비 개발자를 위한 가이드를 제공함으로써, 다양한 산업 설비에 맞추어 통신 기능을 수행하고 설비 개발을 쉽게 하도록 한다.

구체적으로는, 상기 IoT 플랫폼은 아래의 동작을 수행한다.

1) (단조) 산업 설비에서 통신 기능을 담당하는 라이브러리를 제공하는 동작

a) 먼저, 상기 IoT 플랫폼은 다수의 상이한 (단조) 산업설비별로 통신 기능을 담당하기 위한 라이브러리를 오픈된 공통플랫폼 하에서, 상이한 (단조) 산업설비의 통신데이터 특성과 내용별로 통합적으로 구성하여 미리 등록한다.

b) 그리고 나서, 외부 사용자 단말기를 통해 제공된 대상 (단조)산업설비의 통신을 위한 미리 설정된 정보에 대응하여 상기 라이브러리에 의해 어플리케이션과 컴포넌트를 직접 생성한다.

c) 그래서, 이렇게 생성된 어플리케이션과 컴포넌트에 의해 대상 (단조) 산업설비에 따른 IoT 디바이스와 통신한다.

그래서, 이를 통해 (단조) 산업 설비에서 통신 기능을 담당하는 라이브러리와, 설비 개발자를 위한 가이드를 제공함으로써, 다양한 산업 설비에 맞추어 통신 기능을 수행하고 설비 개발을 쉽게 한다.

2) 설비 개발자를 위한 가이드를 제공하는 동작

a‘) 먼저 IoT 플랫폼은 보안등과 관련된 다수의 상이한 (단조) 설비별 개발가이드를 위한 어플리케이션과 서비스 개발, 설비 제어용 동작 환경과 라이브러리를 오픈된 공통플랫폼 하에서, 상이한 설비의 등데이터 특성과 내용별로 통합적으로 구성하여 미리 등록한다.

b') 그리고 나서, 외부 사용자 단말기를 통해 제공된 대상 (단조) 설비의 개발을 위한 미리 설정된 정보에 대응하여 상기 등록된 동작 환경과 라이브러리에 의해 어플리케이션과 컴포넌트를 직접 생성한다.

c') 그래서, 이렇게 생성된 어플리케이션과 컴포넌트에 의해 대상 (단조) 설비의 IoT 디바이스 동작을 제어하도록 한다.

추가적으로 이러한 경우, 상기 라이브러리는 아래와 같이 이루어진다.

상기 라이브러리는 (단조) 산업 설비와 관련된 각 디바이스의 센서와 액추에이터를 제어하는 1 이상의 컴퓨터 프로그램(자바 스크립트, 자바 등)을 이용하도록 구성된다. 그리고, 상기 라이브러리는 이러한 제어에 사용하는 메소드를 기술한 클래스를 1 이상 포함하고, 이러한 클래스를 조합하여 생성된다. 이때, 상기 메소드는 상이한 (단조) 산업설비의 통신데이터 특성과 내용별로 제어 동작을 하도록 구성된다. 그리고, 이러한 라이브러리는 표준 라이브러리와 사용자 정의 라이브러리로 이루어진다. 이러한 경우, 상기 메소드는 설비 가이드를 제공하는 경우에는, 상이한 설비의 데이터 특성과 내용별로 제어 동작을 하도록 구성된다.

이에 더하여, 사용자 정의 프로그램은 기존의 라이브러리를 이용하여 작성할 수 있다. 이때, 표준 라이브러리에 원하는 클래스 라이브러리가 없을 때는 예를 들어, 사용자가 독자적으로 Java 등으로 원하는 클래스 라이브러리(서브루틴, 매크로, 글로벌 변수 등)를 작성하고 그것을 사용자 정의 라이브러리4(옵션)에 등록한다. 혹은 표준 라이브러리에 포함되는 2 이상의 임의의 클래스 내용(메소드 또는 함수)을 조합하여 그 조합을 사용자 정의 라이브러리에 등록할 수 있다.

또한 표준 클래스 라이브러리군에 없는 기능(메소드)이 필요한 경우, 사용자는 Java 언어에 의해 사용자 원하는 클래스를 독자적으로 작성(정의)할 수 있다. 혹은 표준 클래스 라이브러리군에서 취출한 기존의 클래스를 조합하여 새로 사용자 정의 클래스를 작성할 수 있다. 사용자가 작성(정의)한 클래스는 사용자 정의 라이브러리에 저장되고, 적당 이용할 수 있게 된다.

다른 한편으로, 이러한 실시예에서는 전술한 IoT 플랫폼에서 저성능 IoT 장비를 위한 경량 프로토콜을 지원할 수 있도록 한다.

이를 위해, 상기 IoT 플랫폼은 아래의 동작을 수행한다.

a'') 먼저, IoT 디바이스의 IoT 전송사양을 미리 설정된 기준 IoT 전송사양과 비교한다.

b-1'') 상기 비교결과, IoT 디바이스의 IoT 전송사양이 상기 기준 IoT 전송사양보다 이상인 경우, 사용하는 IoT 전송사양을 유지한다.

b-2'') 반면 상기 비교결과, IoT 디바이스의 IoT 전송사양이 상기 기준 IoT 전송사양보다 미만인 경우에는, 암호화를 위한 버퍼를 할당하여 초기화한다.

c'') 그리고, 미리 설정된 마스터 키를 통해 암호화 키를 생성한다.

d'') 다음, IoT 디바이스로부터 데이터를 읽는다.

e'') 그리고 나서, 상기 데이터의 길이와, 다수의 상이한 산업설비별로 상이하게 미리 설정된 암호화 데이터 길이 중에서 해당 암호와 데이터 길이를 비교한다.

f'') 상기 비교결과, 상기 데이터의 길이가 상기 암호화 데이터 길이보다 작은 경우 암호화 하지 않고 전송하며, 큰 경우에는 프레임을 검출한다.

g'') 그리고, 확장 헤더는 확장 비트를 읽어 유무를 확인한다.

h'') 상기 확인결과, 확장 비트가 있는 경우에 페이로드 시작점 오프셋을 확장 길이만큼 이동시킨다.

i'') 그래서, 상기 프레임, 암호용 키, 페이로드 오프셋 정보를 파라미터로 전달받아 프레임의 페이로드 시작부분을 미리 설정된 암호화 포맷으로 부분 암호화해서 저성능 IoT 장비의 경량 프로토콜로서 제공한다.

그리고, 이와 관련하여 상기 IoT 플랫폼은 oneM2M 표준에 따른 프로토콜과 아키텍처도 제공할 수 있도록 한다.

이러한 동작은 아래와 같이 이루어진다.

a''') 먼저 상기 IoT 플랫폼은 IoT 디바이스에 대해 센서노드로서 관리할 oneM2M 표준에 따른 프로토콜과, 상기 프로토콜의 관리를 위한 파일로 된 프로토콜 라이브러리를 등록한다.

b''') 상기 프로토콜 라이브러리는 오픈된 공통플랫폼 하에서, 다수의 상이한 (프레스) 산업설비의 통신데이터 특성과 내용별로 통합적으로 구성된다.

c''') 그리고 나서, 외부 사용자 단말기를 통해 제공된 oneM2M 표준에 따른 대상 프로토콜의 미리 설정된 정보에 대응하여 상기 프로토콜 라이브러리에 의해 어플리케이션과 컴포넌트를 직접 생성한다.

d''') 그래서, 상기 생성된 어플리케이션과 컴포넌트에 의해 oneM2M 표준에 따른 프로토콜과 아키텍처를 제공한다.

따라서, 이를 통해 oneM2M 표준과 그에 따른 추가기능을 위해 oneM2M 표준에 따른 프로토콜 및 아키텍처를 제공한다.

또 다른 한편으로는, 실시예에서는 전술한 IoT 플랫폼에서 (프레스) 산업설비를 위한 실시간 모니터링과 제어, 다른 관리자와 공유 기능도 또한 수행할 수 있도록 한다.

구체적으로는, 상기 IoT 플랫폼은 아래의 동작도 수행한다.

a‘’‘’) 먼저, 프레스와 관련된 산업설비를 위한 실시간 모니터링과 제어를 위한 어플리케이션 제작 및 다른 관리자와 공유하기 위한 편집기와, 상기 편집기를 통해 하나 이상의 제어설비와 연결된 장치를 연결하기 위한 도구를 미리 등록한다.

b‘’‘’) 그리고, 상기 연결된 장치로부터 수집된 데이터를 관리자 앱 서비스로 표현하기 위한 컴포넌트를 불러오고, 상기 신규 컴포넌트를 관리자가 제작 및 오픈 API로 등록하여 사용하는 기능을 미리 등록한다.

c‘’‘’) 그리고 나서, 상기 기능을 가진 오픈플랫폼을 연결하여 프레스설비 서비스 앱을 구성하고, 상기 구성된 어플리케이션을 실행파일로 생성한다.

d‘’‘’) 그래서, 상기 생성된 결과를 사용하여 프레스 산업설비를 실시간 모니터링과 제어한다.

그리고, 또 다른 한편으로는 이들과 다른 실시예에서는 이러한 시스템 환경하에서 보안관리를 위해 아래의 구성을 더 구비한다.

구체적으로는, 다수의 IoT 디바이스는 먼저 해시트리를 기준으로 하위의 해시값과 메시 네트워킹으로 구성한다.

그러면, IoT 플랫폼은 상기 해시트리의 상위 해시값을 저장하여 다수의 상이한 IoT 디바이스별로 해시값을 연결해서 해당하는 해시노드를 구성함으로써, 보안관리한다.

추가적으로, 이와 관련하여 다른 실시예를 설명한다.

이러한 실시예는 먼저 IoT 플랫폼이 어플리케이션에 전술한 해시값을 각 상이한 어플리케이션별로 부여하여 구성한다.

그래서, 어플리케이션 사용이 감지된 경우, 해당 어플리케이션의 시그니처 정보를 화이트 리스트 및 블랙 리스트에 기반한 사용자 선택 모드에 따라 검색한다.

그리고, 이에 더하여 관련된 어플리케이션별로 해시값을 연결해서 해당하는 해시노드를 구성함으로써, 보안관리한다.

한편 상기 검색결과, 해당 어플리케이션 시그니처 정보가 있는 경우 상기 IoT 플랫폼의 어플리케이션 사용을 허용한다.

반면, 해당 어플리케이션 시그니처 정보가 없는 경우에는 상기 IoT 플랫폼의 어플리케이션 사용을 차단한다.

이러한 경우, 상기 화이트 리스트 및 블랙 리스트는 이중 암호화가 이루어진다.

상기 이중 암호화는 예를 들어 아래와 같이 이루어진다.

먼저 어플리케이션 시그니처 정보를 MD5 암호화한다.

그리고, 상기 MD5 암호화 중에 생성된 문자열을 짝수열과 홀수열로 나눈다.

그리고 나서, 이렇게 나눠진 짝수열, 홀수열 각각에 대해 SHA-256 암호화한다.

그리고, 짝수열 SHA-256 암호화된 결과 문자열과 홀수열 SHA-256 암호화된 결과 문자열을 결합한다.

그래서, 이러한 이중 암호화된 결과 문자열을 저장한다.

100 : 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치
101 : IoT 플랫폼 서버 102 : 데이터 수집 서버
103 : 데이터베이스 서버
104 : 데이터 분석 및 예측 모델 서버
105 : 모니터링 및 관리 웹 서버

Claims (10)

1. 단조 공장에서의 제조공정을 모니터링할 경우, 단조 설비의 각 IoT 디바이스로부터 설비상태데이터를 전체적으로 수집하는 IoT 플랫폼 서버;
   상기 IoT 플랫폼 서버에 의해 수집된 결과로부터 실시간 분당 에너지 데이터를 수집하여 다수의 상이한 설비별로 공정 작업 단위로 운영데이터를 추출해서 상이한 설비별로 분당 에너지 데이터를 전처리하는 데이터 수집 서버;
   상기 데이터 수집 서버에 의해 전처리된 결과를 저장하는 데이터베이스 서버;
   상기 데이터베이스 서버의 데이터로부터 다수의 상이한 단조 설비별로 소요시간 및 에너지사용량을 시계열에 따라 학습하고, 상기 학습결과로부터의 상이한 모델별로 단위공정별 작업 소요시간과 에너지사용량을 예측하여 시계열 에너지 예측 데이터 모델을 생성함으로써, 설비이상 여부를 감지하는 데이터 분석 및 예측 모델 서버; 및
   상기 각 서버를 제어하여 단조 공장에서의 제조공정을 전반적으로 모니터링하는 모니터링 및 관리 웹 서버; 를 포함하고 있으며,
   상기 시계열 에너지 예측 데이터 모델은,
   a) 다수의 상이한 단조 설비별로 주말과 주중/공휴일 작업으로 분류하여 승온 및 홀딩 구간 각각에 대한 소요시간 및 에너지 사용량 학습 모델을 정의하고,
   b) 가열구간으로 규정한 온도가 최초로 되는 지점을 기준으로 가열과 홀딩 구간으로 분리하여 에너지사용량과, 온도 데이터셋을 생성하고,
   c) 분당누적에너지사용량과, 공정단위별 작업소요시간 및 에너지사용량을 속성 추가하며,
   d) 해당되는 정보에 대해서 시계열을 기반으로 시리얼 데이터셋을 생성하고,
   e) 다수의 상이한 모델별로 소요시간과, 에너지사용량의 속성을 결정하고,
   f) 상기 결정된 결과로부터 정규화 데이터를 생성하며,
   g) 각 모델별로 단위공정별 작업 소요시간과, 에너지사용량을 설정하여 독립 및 종속 변수를 설정하고,
   h) 상기 설정된 결과에 대해 학습 및 훈련 데이터를 생성하고,
   i) 상기 생성된 결과로부터 딥러닝 기반 학습모델을 생성함으로써, 해당 시계열 에너지 예측 데이터 모델이 이루어지는 것; 을 특징으로 하는 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치.
2. 청구항 1에 있어서,
   상기 데이터 수집 서버의 전처리는,
   a) 가스와 전력, 온도를 포함하여 실시간으로 분당 에너지 데이터를 수집하고,
   b) 미리 지정된 작업시작부터 종료시점까지 공정 작업 운영 데이터를 추출하고,
   c) 상이한 설비코드와 프레스코드(또는, 단조코드), 작업시작 및 종료시간별로 수집된 공정작업운영데이터를 등록하며,
   d) 상기 등록된 결과를 기초로 공정작업운영 일장범위별로 상이한 설비별과 에너지별로 데이터를 추출하고,
   e) 상기 추출된 결과를 이용해서 분당 에너지 데이터를 공정작업운영 코드별로(운영코드와, 일시, 가스, 전력, 온도 포함) 등록하는 것; 을 특징으로 하는 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치.
3. 청구항 2에 있어서,
   상기 공정 작업 운영데이터는,
   운영코드와 설비코드, 작업자 아이디, 주야간 구분, 프레스 작업코드(또는, 단조코드), 작업일자, 공정시작일시분, 시작에너지 누적지침, 공정종료일시분, 종료에너지 누적지침, 에너지사용량 정보를 포함하는 것; 을 특징으로 하는 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치.
4. 청구항 1에 있어서,
   상기 IoT 플랫폼은,
   a) 다수의 상이한 단조 설비별로 통신 기능을 담당하기 위한 라이브러리를 오픈된 공통플랫폼 하에서, 상이한 단조 설비의 통신데이터 특성과 내용별로 통합적으로 구성하여 미리 등록하고,
   b) 외부 사용자 단말기를 통해 제공된 대상 산업설비의 통신을 위한 미리 설정된 정보에 대응하여 상기 라이브러리에 의해 어플리케이션과 컴포넌트를 직접 생성해서,
   c) 상기 생성된 어플리케이션과 컴포넌트에 의해 대상 단조 설비에 따른 IoT 디바이스와 통신하는 것; 을 특징으로 하는 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치.
5. 청구항 1에 있어서,
   상기 IoT 플랫폼은,
   a‘) 단조와 관련된 다수의 상이한 설비별 개발가이드를 위한 어플리케이션과 서비스 개발, 단조 설비 제어용 동작 환경과 라이브러리를 오픈된 공통플랫폼 하에서, 상이한 단조 설비의 데이터 특성과 내용별로 통합적으로 구성하여 미리 등록하고,
   b') 외부 사용자 단말기를 통해 제공된 대상 단조 설비의 개발을 위한 미리 설정된 정보에 대응하여 상기 등록된 동작 환경과 라이브러리에 의해 어플리케이션과 컴포넌트를 직접 생성해서,
   c') 상기 생성된 어플리케이션과 컴포넌트에 의해 대상 단조 설비의 IoT 디바이스 동작을 제어하도록 하는 것; 을 특징으로 하는 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치.
6. 청구항 1에 있어서,
   상기 IoT 플랫폼은,
   a'') IoT 디바이스의 IoT 전송사양을 미리 설정된 기준 IoT 전송사양과 비교해서,
   b-1'') 상기 비교결과, IoT 디바이스의 IoT 전송사양이 상기 기준 IoT 전송사양보다 이상인 경우, 사용하는 IoT 전송사양을 유지하고,
   b-2'') 상기 비교결과, IoT 디바이스의 IoT 전송사양이 상기 기준 IoT 전송사양보다 미만인 경우에는, 암호화를 위한 버퍼를 할당하여 초기화하고,
   c'') 미리 설정된 마스터 키를 통해 암호화 키를 생성하며,
   d'') IoT 디바이스로부터 데이터를 읽고,
   e'') 상기 데이터의 길이와, 다수의 상이한 단조 산업설비별로 상이하게 미리 설정된 암호화 데이터 길이 중에서 해당 암호와 데이터 길이를 비교하고,
   f'') 상기 비교결과, 상기 데이터의 길이가 상기 암호화 데이터 길이보다 작은 경우 암호화 하지 않고 전송하며, 큰 경우에는 프레임을 검출하고,
   g'') 확장 헤더는 확장 비트를 읽어 유무를 확인하고,
   h'') 상기 확인결과, 확장 비트가 있는 경우에 페이로드 시작점 오프셋을 확장 길이만큼 이동시키고, 및
   i'') 상기 프레임, 암호용 키, 페이로드 오프셋 정보를 파라미터로 전달받아 프레임의 페이로드 시작부분을 미리 설정된 암호화 포맷으로 부분 암호화해서 저성능 IoT 장비의 경량 프로토콜로서 제공하는 것; 을 특징으로 하는 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치.
7. 청구항 1에 있어서,
   상기 IoT 플랫폼은,
   a''') IoT 디바이스에 대해 센서노드로서 관리할 oneM2M 표준에 따른 프로토콜과, 상기 프로토콜의 관리를 위한 파일로 된 프로토콜 라이브러리를 등록하고,
   b''') 상기 프로토콜 라이브러리는 오픈된 공통플랫폼 하에서, 다수의 상이한 단조 산업설비의 통신데이터 특성과 내용별로 통합적으로 구성되고,
   c''') 외부 사용자 단말기를 통해 제공된 oneM2M 표준에 따른 대상 프로토콜의 미리 설정된 정보에 대응하여 상기 프로토콜 라이브러리에 의해 어플리케이션과 컴포넌트를 직접 생성해서,
   d''') 상기 생성된 어플리케이션과 컴포넌트에 의해 oneM2M 표준에 따른 프로토콜과 아키텍처를 제공하는 것; 을 특징으로 하는 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치.
8. 청구항 1에 있어서,
   상기 IoT 플랫폼은,
   a‘’‘’) 단조와 관련된 산업설비를 위한 실시간 모니터링과 제어를 위한 어플리케이션 제작 및 다른 관리자와 공유하기 위한 편집기와, 상기 편집기를 통해 하나 이상의 제어설비와 연결된 장치를 연결하기 위한 도구를 미리 등록하고,
   b‘’‘’) 상기 연결된 장치로부터 수집된 데이터를 관리자 앱 서비스로 표현하기 위한 컴포넌트를 불러오고, 상기 신규 컴포넌트를 관리자가 제작 및 오픈 API로 등록하
   여 사용하는 기능을 미리 등록하고,
   c‘’‘’) 상기 기능을 가진 오픈플랫폼을 연결하여 단조 설비 서비스 앱을 구성하고, 상기 구성된 어플리케이션을 실행파일로 생성해서,
   d‘’‘’) 상기 생성된 결과를 사용하여 단조 산업설비를 실시간 모니터링과 제어하는 것; 을 특징으로 하는 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치.
9. 청구항 1에 있어서,
   상기 IoT 디바이스는,
   해시트리를 기준으로 하위의 해시값과 메시 네트워킹으로 구성하여 데이터를 상기 IoT 플랫폼 서버에 제공하고,
   
   상기 IoT 플랫폼 서버는,
   상기 해시트리의 상위 해시값을 저장하여 다수의 상이한 IoT 디바이스별로 해시값을 연결해서 해당하는 해시노드를 구성함으로써, 보안관리하는 것; 을 특징으로 하는 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치.
10. 청구항 2 내지 7 중 어느 한 항에 있어서,
    상기 IoT 플랫폼은,
    상기 어플리케이션에 해시트리를 기준으로 하위의 해시값을 상이한 어플리케이션별로 부여하여 구성하고,
    상기 어플리케이션 사용이 감지된 경우, 화이트 리스트 및 블랙 리스트에 기반한 사용자 선택 모드에 따라 해당 어플리케이션의 시그니처 정보를 검색하고,
    관련된 어플리케이션별로 해시값을 연결해서 해당하는 해시노드를 구성함으로써, 보안관리하며,
    상기 검색결과, 해당 어플리케이션 시그니처 정보가 있는 경우 자신의 어플리케이션 사용을 허용하고, 반면 해당 어플리케이션 시그니처 정보가 없는 경우에는 자신의 어플리케이션 사용을 차단하는 것; 을 특징으로 하는 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치.

Images