KR20220076277A - 설비 모니터링 시스템의 모델 업데이트 방법 - Google Patents

설비 모니터링 시스템의 모델 업데이트 방법 Download PDF

Info

Publication number
KR20220076277A
KR20220076277A KR1020210081008A KR20210081008A KR20220076277A KR 20220076277 A KR20220076277 A KR 20220076277A KR 1020210081008 A KR1020210081008 A KR 1020210081008A KR 20210081008 A KR20210081008 A KR 20210081008A KR 20220076277 A KR20220076277 A KR 20220076277A
Authority
KR
South Korea
Prior art keywords
neural network
threshold value
network model
model
value
Prior art date
Application number
KR1020210081008A
Other languages
English (en)
Other versions
KR102455144B1 (ko
Inventor
김동환
김대영
나혁준
전경식
최운규
Original Assignee
(주)비스텔리젼스
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 (주)비스텔리젼스 filed Critical (주)비스텔리젼스
Priority to KR1020210081008A priority Critical patent/KR102455144B1/ko
Publication of KR20220076277A publication Critical patent/KR20220076277A/ko
Application granted granted Critical
Publication of KR102455144B1 publication Critical patent/KR102455144B1/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
    • G05B23/0218—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G06Q50/163—Real estate management
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

설비 모니터링 시스템의 모델 업데이트 방법으로서, 이벤트 발생을 확인하는 단계, 상기 이벤트가 발생하면 고장 진단을 수행하는 뉴럴 네트워크 모델을 재학습시키는 단계, 상기 뉴럴 네트워크 모델의 이전 임계값을 추출하는 단계, 상기 추출한 이전 임계값과 상기 뉴럴 네트워크 모델의 재학습으로 산출된 상태 변수들의 중간값을 토대로 새로운 임계값을 산출하는 단계, 그리고 상기 새로운 임계값을 토대로 상기 뉴럴 네트워크 모델의 임계값을 업데이트하는 단계를 포함할 수 있다.

Description

설비 모니터링 시스템의 모델 업데이트 방법{METHOD FOR UPDATING MODEL OF FACILITY MONITORING SYSTEM}
본 발명은 공장 자동화에 관한 발명으로서, 보다 구체적으로 설비 모니터링 시스템의 모델 업데이트 방법에 관한 것이다.
일반적으로, 제조업의 제조 설비는, 고장 위험에 노출되어 있으며, 사용 시간이 길수록 고장 위험성이 증가할 수 있다. 따라서, 제조 설비의 고장으로 인한 갑작스러운 제조 중단 상태는, 상당히 큰 경제적 손실을 발생시킬 수 있다. 그러므로, 현장에서는 이러한 문제를 예방하기 위해서, 설비 상태를 미리 파악하여 설비에 고장이 발생하기 이전에 예방 수리를 진행할 필요가 있었다.
하지만, 설비 고장의 원인을 확인하기 어렵고 전문가에 의존하여 설비 부품의 측정 데이터를 분석하는 과정을 거치므로 사후 조치에 많은 비용 및 시간이 소비되는 어려움이 있었다.
따라서, 향후 뉴럴 네트워크(neural network) 모델을 이용하여 제조 설비의 고장 진단 및 잔여유효수명을 예측할 수 있는 기술 개발이 요구되고 있다.
대한민국 공개특허공보 제10-2012-0074630호에는, 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템을 개시하고 있다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 비지도 학습 기반의 모델을 업데이트하기 위한 설비 모니터링 시스템의 모델 업데이트 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 모델 업데이트 방법은, 설비 모니터링 시스템의 모델 업데이트 방법으로서, 이벤트 발생을 확인하는 단계, 상기 이벤트가 발생하면 고장 진단을 수행하는 뉴럴 네트워크 모델을 재학습시키는 단계, 상기 뉴럴 네트워크 모델의 이전 임계값을 추출하는 단계, 상기 추출한 이전 임계값과 상기 뉴럴 네트워크 모델의 재학습으로 산출된 상태 변수들의 중간값을 토대로 새로운 임계값을 산출하는 단계, 그리고 상기 새로운 임계값을 토대로 상기 뉴럴 네트워크 모델의 임계값을 업데이트하는 단계를 포함할 수 있다.
모델 업데이트 방법의 대안적인 실시예에서, 상기 이벤트 발생을 확인하는 단계는, 장비 고장, 장비 수리, 장비 교체, 장비 추가, 장비 제거, 사용자 요청 중 적어도 어느 하나를 포함하는 이벤트 발생을 확인할 수 있다.
모델 업데이트 방법의 대안적인 실시예에서, 상기 이벤트 발생을 확인하는 단계는, 현재 고장 클래스와 과거 고장 클래스가 동일한 이벤트 발생을 확인할 수 있다.
모델 업데이트 방법의 대안적인 실시예에서, 상기 이벤트 발생을 확인하는 단계는, 상기 상태 변수가 기준값보다 큰 상위 파라미터들을 토대로 현재 고장을 진단하고, 상기 현재 고장 클래스와 과거 고장 클래스가 동일한 것으로 판단되면 이벤트 발생으로 확인할 수 있다.
모델 업데이트 방법의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델을 재학습시키는 단계는, 오토인코더 기반의 뉴럴 네트워크 모델을 재학습시킬 수 있다.
모델 업데이트 방법의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델을 재학습시키는 단계는, 각 센서로부터 출력되는 센서 데이터들을 획득하고, 상기 각 센서의 센서 데이터들을 포함하는 입력 데이터를 상기 뉴럴 네트워크 모델에 입력하여 재학습시킬 수 있다.
모델 업데이트 방법의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델을 재학습시키는 단계는, 각 센서로부터 출력되는 센서 데이터들을 획득하고, 상기 각 센서의 센서 데이터들을 포함하는 입력 데이터를 상기 뉴럴 네트워크 모델에 입력하여 출력 데이터를 획득하며, 상기 입력 데이터와 출력 데이터를 비교하여 HI(Health Index)를 포함하는 상태 변수들을 산출할 수 있다.
모델 업데이트 방법의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델의 이전 임계값을 추출하는 단계는, 상기 뉴럴 네트워크 모델의 임계값 업데이트 이력이 없으면 상기 뉴럴 네트워크 모델의 이전 임계값만을 추출할 수 있다.
모델 업데이트 방법의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델의 이전 임계값을 추출하는 단계는, 상기 뉴럴 네트워크 모델의 임계값 업데이트 이력이 있으면 상기 뉴럴 네트워크 모델의 최초 임계값과 업데이트된 모든 임계값들을 추출할 수 있다.
모델 업데이트 방법의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델의 이전 임계값을 추출하는 단계는, 상기 고장 진단 결과, 현재 고장 클래스가 과거 고장 클래스와 동일하면 상기 과거 고장 클래스에 상응하는 뉴럴 네트워크 모델의 과거 임계값을 추출할 수 있다.
모델 업데이트 방법의 대안적인 실시예에서, 상기 새로운 임계값을 산출하는 단계는, 상기 뉴럴 네트워크 모델의 임계값 업데이트 이력이 없는 경우, 상기 뉴럴 네트워크 모델의 이전 임계값, 상기 뉴럴 네트워크 모델의 재학습 중 첫 번째 학습 구간에 상응하는 상태 변수들의 제1 중간값과 두 번째 학습 구간에 상응하는 상태 변수들의 제2 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 상기 새로운 임계값을 산출할 수 있다.
모델 업데이트 방법의 대안적인 실시예에서, 상기 새로운 임계값을 산출하는 단계는, 상기 뉴럴 네트워크 모델의 임계값 업데이트 이력이 있는 경우, 상기 뉴럴 네트워크 모델의 최초 임계값과 업데이트된 모든 임계값들, 상기 뉴럴 네트워크 모델의 재학습 중 첫 번째 학습 구간에 상응하는 상태 변수들의 제1 중간값과 두 번째 학습 구간에 상응하는 상태 변수들의 제2 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 상기 새로운 임계값을 산출할 수 있다.
모델 업데이트 방법의 대안적인 실시예에서, 상기 새로운 임계값을 산출하는 단계는, 현재 고장 클래스와 과거 고장 클래스가 동일한 경우, 상기 과거 고장 클래스에 상응하는 뉴럴 네트워크 모델의 과거 임계값과 정상 구간에 상응하는 상태 변수들의 과거 중간값, 상기 현재 고장 클래스에 상응하는 뉴럴 네트워크 모델의 현재 임계값과 정상 구간에 상응하는 상태 변수들의 현재 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 상기 새로운 임계값을 산출할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램은, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 모델 업데이트를 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은, 이벤트 발생을 확인하는 동작, 상기 이벤트가 발생하면 고장 진단을 수행하는 뉴럴 네트워크 모델을 재학습시키는 동작, 상기 뉴럴 네트워크 모델의 이전 임계값을 추출하는 동작, 상기 추출한 이전 임계값과 상기 뉴럴 네트워크 모델의 재학습으로 산출된 상태 변수들의 중간값을 토대로 새로운 임계값을 산출하는 동작, 그리고 상기 새로운 임계값을 토대로 상기 뉴럴 네트워크 모델의 임계값을 업데이트하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 모델 업데이트 방법을 제공하기 위한 컴퓨팅 장치는, 하나 이상의 코어를 포함하는 프로세서, 및 메모리를 포함하고, 상기 프로세서는, 이벤트 발생을 확인하고, 상기 이벤트가 발생하면 고장 진단을 수행하는 뉴럴 네트워크 모델을 재학습시키며, 상기 뉴럴 네트워크 모델의 이전 임계값을 추출하고, 상기 추출한 이전 임계값과 상기 뉴럴 네트워크 모델의 재학습으로 산출된 상태 변수들의 중간값을 토대로 새로운 임계값을 산출하며, 그리고 상기 새로운 임계값을 토대로 상기 뉴럴 네트워크 모델의 임계값을 업데이트할 수 있다.
본 발명은 비지도 학습 기반의 모델을 업데이트하기 위한 설비 모니터링 시스템의 모델 업데이트 방법을 제공할 수 있다.
상기 언급된 본 개시내용의 피처들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나, 첨부된 도면들은 단지 본 개시 내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 발명의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1은, 본 개시의 일 실시예에 따라, 모델을 업데이트하는 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2 및 도 3은, 본 개시의 일 실시예에 따라, 모델의 임계값을 업데이트하는 방법을 설명하기 위한 도면이다.
도 4는, 본 개시의 일 실시예에 따라, 모델을 업데이트하는 과정을 설명하기 위한 순서도이다.
도 5는, 본 개시의 일 실시예에 따라, 모델을 업데이트하는 방법에서 학습의 대상이 되는 신경망을 예시적으로 도시한 도면이다.
도 6은, 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 서버에서 실행되는 애플리케이션 및 서버 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은, “뉴런(neuron)”들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 1은, 본 개시의 일 실시예에 따라, 모델을 업데이트하는 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
본 개시에서, 프로세서(110)는, 이벤트 발생 시에 비지도 학습 기반의 모델을 업데이트하기 위한 것으로, 이벤트 발생에 따른 설비 모니터링 시스템의 모델의 임계값을 업데이트할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는, 이벤트 발생을 확인하고, 이벤트가 발생하면 고장 진단을 수행하는 뉴럴 네트워크 모델을 재학습시키며, 뉴럴 네트워크 모델의 이전 임계값을 추출하고, 추출한 이전 임계값과 뉴럴 네트워크 모델의 재학습으로 산출된 상태 변수들의 중간값을 토대로 새로운 임계값을 산출하며, 새로운 임계값을 토대로 뉴럴 네트워크 모델의 임계값을 업데이트할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는, 이벤트 발생을 확인할 때, 장비 고장, 장비 수리, 장비 교체, 장비 추가, 장비 제거, 사용자 요청 중 적어도 어느 하나를 포함하는 이벤트 발생을 확인할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(110)는, 이벤트 발생을 확인할 때, 현재 고장 클래스와 과거 고장 클래스가 동일한 이벤트 발생을 확인할 수 있다. 여기서, 프로세서(110)는, 상태 변수가 기준값보다 큰 상위 파라미터들을 토대로 현재 고장을 진단하고, 현재 고장 클래스와 과거 고장 클래스가 동일한 것으로 판단되면 이벤트 발생으로 확인할 수 있다. 여기서, 상태 변수는, 디바이스 상태 지수를 알려주는 HI(Health Index)일 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는, 뉴럴 네트워크 모델을 재학습시킬 때, 오토인코더 기반의 뉴럴 네트워크 모델을 재학습시킬 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서, 뉴럴 네트워크 모델은, 오토 인코더를 포함할 수도 있다. 오토 인코더는, 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는, 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는, 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는, 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는, 뉴럴 네트워크 모델을 재학습시킬 때, 각 센서로부터 출력되는 센서 데이터들을 획득하고, 각 센서의 센서 데이터들을 포함하는 입력 데이터를 뉴럴 네트워크 모델에 입력하여 재학습시킬 수 있다. 여기서, 센서 데이터는, 센서별로 다양한 값을 갖는 변수를 포함할 수 있지만 이에 한정되지는 않는다. 예를 들어, 센서는 공장 자동화 등을 수행하기 위하여 장비 또는 디바이스의 품질, 성능 또는 고장 여부를 측정하기 위한 것으로, 근접 센서, 정전용량 센서, 경사각 센서, 가속도 센서, 초음파 센서, 포토 센서, 비전 센서, 또는 안정 센서 등과 같은 임의의 센서를 포함할 수 있다. 일례로, 센서 데이터는 전술한 센서들로부터 획득된 데이터 또는 값을 포함할 수 있으며, 센서의 종류 또는 센서가 측정하는 장비 또는 설비의 종류에 따라 다양한 형태의 변수들을 포함하는 센서 데이터를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다. 프로세서(110)는, 각 센서로부터 출력되는 센서 데이터들을 획득할 때, 장비 작동을 센싱하는 각 센서로부터 출력되는 적어도 하나의 변수를 갖는 센서 데이터들을 디바이스별로 획득할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는, 뉴럴 네트워크 모델을 재학습시킬 때, 각 센서의 센서 데이터들에 대한 특징값을 추출하고, 추출한 특징값을 포함하는 입력 데이터를 뉴럴 네트워크 모델에 입력하여 재학습시킬 수 있다. 여기서, 프로세서(110)는, 각 센서의 센서 데이터들에 대한 특징값을 추출할 때, 각 센서의 센서 데이터들에 대한 디바이스 상태 정보들을 탐색하고, 센서 데이터들의 디바이스 상태 정보 단위로 각 센서의 특징값을 추출할 수 있다. 또한, 프로세서(110)는, 각 센서의 센서 데이터들에 대한 특징값을 추출할 때, 센서 데이터들에 포함되는 변수 단위로 디바이스 상태에 대한 특징값을 가지는 경우의 수들에 대한 모델 입력값들을 생성할 수 있다. 본 개시의 일 실시예에 따르면, 프로세서(110)는, 각 센서의 센서 데이터들에 대한 특징값을 추출할 때, N개의 디바이스 상태 유형이 설정되면, 변수 단위로 N개의 디바이스 상태 유형에 상응하는 특징값을 가지는 경우의 수들에 대한 모델 입력값을 생성할 수 있다. 일 예로, 프로세서(110)는, N개의 디바이스 상태 유형이 설정할 때, 초기값을 3개로 설정할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다. 경우에 따라, 프로세서(110)는, N개의 디바이스 상태 유형이 설정할 때, 사용자 설정값으로 설정할 수도 있고, 또는 일정 시간 동안 타임 시리즈 데이터를 토대로 머신 러닝으로 자동 설정될 수도 있다. 본 개시의 일 실시예에 따르면, 프로세서(110)는, 각 센서의 센서 데이터들에 대한 특징값을 추출할 때, 각 센서로부터 일정 시간 동안 출력되는 센서 데이터들에 대한 디바이스 상태 정보들 중에서, 각 센서의 특징값을 추출할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따르면, 프로세서(110)는, 각 센서의 센서 데이터들에 대한 특징값을 추출할 때, 각 센서로부터 출력되는 센서 데이터들 중 정상 범위에 포함되는 센서 데이터의 디바이스 상태 정보들 중에서, 각 센서의 특징값을 추출할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따르면, 프로세서(110)는, 각 센서의 센서 데이터들에 대한 특징값을 추출할 때, 각 센서로부터 출력되는 센서 데이터들 중 디바이스 상태 특성에 대한 관리 한계(Control Limit) 범위의 UCL(Upper Control Limit)에 상응하는 상한값과 LCL(Lower Control Limit)에 상응하는 하한값을 포함하는 특징값을 추출할 수 있다. 본 개시의 일 실시예에 따르면, 프로세서(110)는, 각 센서의 센서 데이터들에 대한 특징값을 추출할 때, 각 센서로부터 출력되는 센서 데이터들에 대한 상한값, 하한값, 평균값, 표준 편차, 및 공분산 중 적어도 하나의 특징값을 추출할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(110)는, 뉴럴 네트워크 모델을 재학습시킬 때, 각 센서로부터 출력되는 센서 데이터들을 획득하고, 각 센서의 센서 데이터들을 포함하는 입력 데이터를 뉴럴 네트워크 모델에 입력하여 출력 데이터를 획득하며, 입력 데이터와 출력 데이터를 비교하여 비교 결과값을 산출할 수 있다. 본 개시의 일 실시예에 따르면, 입력 데이터와 출력 데이터를 비교하여 산출된 비교 결과값은, 입력 데이터와 출력 데이터의 재구성 에러(reconstruction error)를 토대로 산출될 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따르면, 입력 데이터와 출력 데이터를 비교하여 산출된 비교 결과값은, 디바이스 상태 지수를 알려주는 HI(Health Index)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(110)는, 뉴럴 네트워크 모델의 이전 임계값을 추출할 때, 뉴럴 네트워크 모델의 임계값 업데이트 이력이 없으면 뉴럴 네트워크 모델의 이전 임계값만을 추출할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는, 뉴럴 네트워크 모델의 이전 임계값을 추출할 때, 뉴럴 네트워크 모델의 임계값 업데이트 이력이 있으면 뉴럴 네트워크 모델의 최초 임계값과 업데이트된 모든 임계값들을 추출할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는, 뉴럴 네트워크 모델의 이전 임계값을 추출할 때, 고장 진단 결과, 현재 고장 클래스가 과거 고장 클래스와 동일하면 과거 고장 클래스에 상응하는 뉴럴 네트워크 모델의 과거 임계값을 추출할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는, 새로운 임계값을 산출할 때, 뉴럴 네트워크 모델의 임계값 업데이트 이력이 없는 경우, 뉴럴 네트워크 모델의 이전 임계값, 뉴럴 네트워크 모델의 재학습 중 첫 번째 학습 구간에 상응하는 상태 지수들의 제1 중간값과 두 번째 학습 구간에 상응하는 상태 지수들의 제2 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 새로운 임계값을 산출할 수 있다. 일 예로, 프로세서(110)는, 새로운 임계값을 산출할 때, 새로운 임계값 = 이전 임계값 * (제2 중간값/제1 중간값) * 보정값을 포함하는 수식으로 새로운 임계값을 산출할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는, 새로운 임계값을 산출할 때, 뉴럴 네트워크 모델의 임계값 업데이트 이력이 있는 경우, 뉴럴 네트워크 모델의 최초 임계값과 업데이트된 모든 임계값들, 뉴럴 네트워크 모델의 재학습 중 첫 번째 학습 구간에 상응하는 상태 지수들의 제1 중간값과 두 번째 학습 구간에 상응하는 상태 지수들의 제2 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 새로운 임계값을 산출할 수 있다. 일 예로, 프로세서(110)는, 새로운 임계값을 산출할 때, 새로운 임계값 = 최초 임계값과 모든 임계값들의 평균값 * (제2 중간값/제1 중간값) * 보정값을 포함하는 수식으로 새로운 임계값을 산출할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는, 새로운 임계값을 산출할 때, 현재 고장 클래스와 과거 고장 클래스가 동일한 경우, 과거 고장 클래스에 상응하는 뉴럴 네트워크 모델의 과거 임계값과 정상 구간에 상응하는 상태 지수들의 과거 중간값, 현재 고장 클래스에 상응하는 뉴럴 네트워크 모델의 현재 임계값과 정상 구간에 상응하는 상태 지수들의 현재 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 새로운 임계값을 산출할 수 있다. 일 예로, 프로세서(110)는, 새로운 임계값을 산출할 때, 과거 중간값이 하나인 경우, 새로운 임계값 = (1/과거 중간값과 현재 중간값의 차값에 대한 역수) * (과거 중간값과 현재 중간값의 차값에 대한 역수 * 상기 과거 중간값에 상응하는 과거 임계값) * 보정값을 포함하는 수식으로 새로운 임계값을 산출할 수 있다. 다른 일 예로, 새로운 임계값을 산출할 때, 과거 중간값이 다수인 경우, 새로운 임계값 = (1/첫 번째 과거 중간값과 현재 중간값의 차값에 대한 역수 + N 번째 과거 중간값과 현재 중간값의 차값에 대한 역수) * {(첫 번째 과거 중간값과 현재 중간값의 차값에 대한 역수 * 상기 첫 번째 과거 중간값에 상응하는 첫 번째 과거 임계값) + (N 번째 과거 중간값과 현재 중간값의 차값에 대한 역수 * 상기 N 번째 과거 중간값에 상응하는 N 번째 과거 임계값)} * 보정값을 포함하는 수식으로 새로운 임계값을 산출할 수 있다.
따라서, 본 개시는, 과거 고장 데이터가 없는 경우에도, 모델 임계값의 업데이트가 가능하여 장비 교체, 장비 수리 등과 같이 다양한 이벤트가 발생하여도 효과적인 설비 모니터링이 가능하다.
이와 같이, 프로세서(110)는, 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치(100)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 비정형 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는, 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 설비 모니터링 시스템의 어노말리 검출을 위한 임계값 업데이트를 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(110)는, 임계값 업데이트를 위한 연산을 수행할 수 있다. 프로세서(110)는, 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)는, CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 임계값 업데이트를 처리할 수 있다. 또한, 본 개시의 일 실시예에서는, 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 임계값 업데이트 수행을 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은, CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 네트워크부(150)는, 설비 모니터링 시스템의 모델 업데이트를 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크부(150)는, 설비 모니터링 시스템의 모델 업데이트를 수행하기 위하여 추론된 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 네트워크 함수의 학습이 분산 수행되도록 할 수 있다. 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 네트워크 함수를 사용한 분석 자료 생성을 분산 처리할 수 있도록 할 수 있다.
본 개시의 일 실시예에 따르면, 네트워크부(150)는, 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 네트워크부(150)는, 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
이와 같이, 본 개시는, 이벤트가 발생하면 뉴럴 네트워크 모델을 재학습시켜 이전 임계값과 재학습으로 산출된 상태 지수들의 중간값을 토대로 새로운 임계값을 산출하여 이벤트 발생에 상응하는 뉴럴 네트워크 모델의 임계값을 업데이트할 수 있다.
본 개시는, 이벤트가 발생하면 뉴럴 네트워크 모델을 재학습시키는 과정, 뉴럴 네트워크 모델의 이전 임계값을 추출하는 과정, 추출한 이전 임계값과 뉴럴 네트워크 모델의 재학습으로 산출된 상태 지수들의 중간값을 토대로 새로운 임계값을 산출하는 과정, 그리고 새로운 임계값을 토대로 뉴럴 네트워크 모델의 임계값을 업데이트하는 과정을 수행함으로써, 이벤트 발생에 상응하여 뉴럴 네트워크 모델의 임계값을 업데이트할 수 있다.
따라서, 본 개시는, 과거 고장 데이터가 없는 경우에도, 어노말리 검출을 위한 모델의 초기 임계값을 설정할 수 있으며, 임계값의 업데이트도 가능하여 장비 교체, 장비 수리 등과 같이 다양한 이벤트가 발생하여도 효과적인 설비 모니터링이 가능하다.
도 2 및 도 3은, 본 개시의 일 실시예에 따라, 모델의 임계값을 업데이트하기 위한 방법을 설명하기 위한 도면이다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는, 도 2와 같이, 장비 고장 또는 장비 교체 등과 같이 소정 이벤트가 발생했을 때, 뉴럴 네트워크 모델의 임계값 업데이트 이력이 없는 경우, 뉴럴 네트워크 모델의 이전 임계값, 뉴럴 네트워크 모델의 재학습 중 첫 번째 학습 구간에 상응하는 HI(Health Index)들의 제1 중간값과 두 번째 학습 구간에 상응하는 HI들의 제2 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 새로운 임계값을 산출할 수 있다.
컴퓨팅 장치(100)는, 새로운 임계값을 산출할 때, 새로운 임계값 = 이전 임계값 * (제2 중간값/제1 중간값) * 보정값을 포함하는 수식으로 새로운 임계값을 산출할 수 있다.
일 예로, 컴퓨팅 장치(100)는, 장비 고장 또는 장비 교체 등과 같이 소정 이벤트가 발생했을 때, 뉴럴 네트워크 모델의 임계값 업데이트 이력이 없는 경우, 뉴럴 네트워크 모델의 이전 임계값 10이고, 뉴럴 네트워크 모델의 재학습 중 첫 번째 학습 구간에 상응하는 HI들의 제1 중간값 0.8과 두 번째 학습 구간에 상응하는 HI들의 제2 중간값 0.7, 그리고 고장 코스트(cost)에 대한 보정값 0.9이면, 새로운 임계값은, 이전 임계값 10 * (제2 중간값 0.7/제1 중간값 0.8) * 보정값 0.9에 의해 산출될 수 있다. 그리고, 컴퓨팅 장치(100)는, 이벤트 발생에 상응하여 뉴럴 네트워크 모델의 임계값을 산출된 새로운 임계값으로 업데이트할 수 있다.
또한, 본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는, 장비 고장 또는 장비 교체 등과 같이 소정 이벤트가 발생했을 때, 뉴럴 네트워크 모델의 임계값 업데이트 이력이 있는 경우, 뉴럴 네트워크 모델의 최초 임계값과 업데이트된 모든 임계값들, 뉴럴 네트워크 모델의 재학습 중 첫 번째 학습 구간에 상응하는 HI들의 제1 중간값과 두 번째 학습 구간에 상응하는 HI들의 제2 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 새로운 임계값을 산출할 수도 있다.
컴퓨팅 장치(100)는, 새로운 임계값을 산출할 때, 새로운 임계값 = 최초 임계값과 모든 임계값들의 평균값 * (제2 중간값/제1 중간값) * 보정값을 포함하는 수식으로 새로운 임계값을 산출할 수 있다.
또한, 본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는, 도 3과 같이, 설비 모니터링 도중에 진단된 현재 장비 고장 유형이 과거 장비 고장 유형과 동일한 이벤트가 발생했을 때, 현재 고장 클래스와 과거 고장 클래스가 동일한 경우, 과거 고장 클래스에 상응하는 뉴럴 네트워크 모델의 과거 임계값과 정상 구간에 상응하는 HI들의 과거 중간값, 현재 고장 클래스에 상응하는 뉴럴 네트워크 모델의 현재 임계값과 정상 구간에 상응하는 HI들의 현재 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 새로운 임계값을 산출할 수 있다.
컴퓨팅 장치(100)는, 새로운 임계값을 산출할 때, 과거 중간값이 하나인 경우, 새로운 임계값 = (1/과거 중간값과 현재 중간값의 차값에 대한 역수) * (과거 중간값과 현재 중간값의 차값에 대한 역수 * 상기 과거 중간값에 상응하는 과거 임계값) * 보정값을 포함하는 수식으로 새로운 임계값을 산출할 수 있다.
또한, 컴퓨팅 장치(100)는, 새로운 임계값을 산출할 때, 과거 중간값이 다수인 경우, 새로운 임계값 = (1/첫 번째 과거 중간값과 현재 중간값의 차값에 대한 역수 + N 번째 과거 중간값과 현재 중간값의 차값에 대한 역수) * {(첫 번째 과거 중간값과 현재 중간값의 차값에 대한 역수 * 상기 첫 번째 과거 중간값에 상응하는 첫 번째 과거 임계값) + (N 번째 과거 중간값과 현재 중간값의 차값에 대한 역수 * 상기 N 번째 과거 중간값에 상응하는 N 번째 과거 임계값)} * 보정값을 포함하는 수식으로 새로운 임계값을 산출할 수 있다.
일 예로, 컴퓨팅 장치(100)는, 과거 중간값이 2개인 경우, 뉴럴 네트워크 모델의 첫 번째 과거 임계값 10, 그에 상응하는 HI들의 첫 번째 과거 중간값 0.5이고, 뉴럴 네트워크 모델의 두 번째 과거 임계값 8, 그에 상응하는 HI들의 두 번째 과거 중간값 0.7이며, 뉴럴 네트워크 모델의 정상 구간에 상응하는 HI들의 현재 중간값 0.4이고, 고장 코스트(cost)에 대한 보정값 0.9이면, 새로운 임계값은, (1/첫 번째 과거 중간값과 현재 중간값의 차값 0.1에 대한 역수 1/0.1 + 두 번째 과거 중간값과 현재 중간값의 차값 0.3에 대한 역수 1/0.3) * {(첫 번째 과거 중간값과 현재 중간값의 차값 0.1에 대한 역수 1/0.1 * 상기 첫 번째 과거 중간값에 상응하는 첫 번째 과거 임계값 10) + (두 번째 과거 중간값과 현재 중간값의 차값 0.3에 대한 역수 1/0.3 * 상기 두 번째 과거 중간값에 상응하는 두 번째 과거 임계값 8)} * 보정값 0.9에 의해 산출될 수 있다. 그리고, 컴퓨팅 장치(100)는, 이벤트 발생에 상응하여 뉴럴 네트워크 모델의 임계값을 산출된 새로운 임계값으로 업데이트할 수 있다.
도 4는, 본 개시의 일 실시예에 따라, 모델을 업데이트하는 과정을 설명하기 위한 순서도이다.
도 4에 도시된 바와 같이, 본 개시의 컴퓨팅 장치는, 이벤트 발생을 확인할 수 있다(S10). 본 개시의 컴퓨팅 장치는, 장비 고장, 장비 수리, 장비 교체, 장비 추가, 장비 제거, 사용자 요청 중 적어도 어느 하나를 포함하는 이벤트 발생을 확인할 수 있다. 또한, 본 개시의 컴퓨팅 장치는, 현재 고장 클래스와 과거 고장 클래스가 동일한 이벤트 발생을 확인할 수도 있다. 여기서, 본 개시의 컴퓨팅 장치는, 상태 지수가 기준값보다 큰 상위 파라미터들을 토대로 현재 고장을 진단하고, 현재 고장 클래스와 과거 고장 클래스가 동일한 것으로 판단되면 이벤트 발생으로 확인할 수 있다.
본 개시의 컴퓨팅 장치는, 이벤트가 발생하면 고장 진단을 수행하는 뉴럴 네트워크 모델을 재학습시킬 수 있다(S20). 본 개시의 컴퓨팅 장치는, 오토인코더 기반의 뉴럴 네트워크 모델을 재학습시킬 수 있다. 본 개시의 컴퓨팅 장치는, 각 센서로부터 출력되는 센서 데이터들을 획득하고, 각 센서의 센서 데이터들을 포함하는 입력 데이터를 뉴럴 네트워크 모델에 입력하여 재학습시킬 수 있다. 본 개시의 컴퓨팅 장치는, 각 센서로부터 출력되는 센서 데이터들을 획득하고, 각 센서의 센서 데이터들을 포함하는 입력 데이터를 뉴럴 네트워크 모델에 입력하여 출력 데이터를 획득하며, 입력 데이터와 출력 데이터를 비교하여 HI(Health Index)를 포함하는 상태 지수들을 산출할 수 있다.
본 개시의 컴퓨팅 장치는, 뉴럴 네트워크 모델의 이전 임계값을 추출할 수 있다(S30). 본 개시의 컴퓨팅 장치는, 뉴럴 네트워크 모델의 임계값 업데이트 이력이 없으면 뉴럴 네트워크 모델의 이전 임계값만을 추출할 수 있다. 또한, 본 개시의 컴퓨팅 장치는, 뉴럴 네트워크 모델의 임계값 업데이트 이력이 있으면 뉴럴 네트워크 모델의 최초 임계값과 업데이트된 모든 임계값들을 추출할 수 있다. 또한, 본 개시의 컴퓨팅 장치는, 고장 진단 결과, 현재 고장 클래스가 과거 고장 클래스와 동일하면 과거 고장 클래스에 상응하는 뉴럴 네트워크 모델의 과거 임계값을 추출할 수 있다.
본 개시의 컴퓨팅 장치는, 추출한 이전 임계값과 뉴럴 네트워크 모델의 재학습으로 산출된 상태 지수들의 중간값을 토대로 새로운 임계값을 산출할 수 있다(S40). 본 개시의 컴퓨팅 장치는, 뉴럴 네트워크 모델의 임계값 업데이트 이력이 없는 경우, 뉴럴 네트워크 모델의 이전 임계값, 뉴럴 네트워크 모델의 재학습 중 첫 번째 학습 구간에 상응하는 상태 지수들의 제1 중간값과 두 번째 학습 구간에 상응하는 상태 지수들의 제2 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 새로운 임계값을 산출할 수 있다. 또한, 본 개시의 컴퓨팅 장치는, 뉴럴 네트워크 모델의 임계값 업데이트 이력이 있는 경우, 뉴럴 네트워크 모델의 최초 임계값과 업데이트된 모든 임계값들, 뉴럴 네트워크 모델의 재학습 중 첫 번째 학습 구간에 상응하는 상태 지수들의 제1 중간값과 두 번째 학습 구간에 상응하는 상태 지수들의 제2 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 새로운 임계값을 산출할 수 있다. 또한, 본 개시의 컴퓨팅 장치는, 현재 고장 클래스와 과거 고장 클래스가 동일한 경우, 과거 고장 클래스에 상응하는 뉴럴 네트워크 모델의 과거 임계값과 정상 구간에 상응하는 상태 지수들의 과거 중간값, 현재 고장 클래스에 상응하는 뉴럴 네트워크 모델의 현재 임계값과 정상 구간에 상응하는 상태 지수들의 현재 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 새로운 임계값을 산출할 수 있다.
본 개시의 컴퓨팅 장치는, 새로운 임계값을 토대로 뉴럴 네트워크 모델의 임계값을 업데이트할 수 있다(S50).
따라서, 본 개시는, 과거 고장 데이터가 없는 경우에도, 어노말리 검출을 위한 모델의 초기 임계값을 설정할 수 있으며, 임계값의 업데이트도 가능하여 장비 교체, 장비 수리 등과 같이 다양한 이벤트가 발생하여도 효과적인 설비 모니터링이 가능하다.
도 5는, 본 개시의 일 실시예에 따라, 모델을 업데이트하는 방법에서 학습의 대상이 되는 신경망을 예시적으로 도시한 도면이다.
신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 파라미터를 가질 수 있다. 파라미터는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 파라미터의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 파라미터 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 파라미터를 업데이트 하는 과정이다. 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 파라미터가 업데이트 될 수 있다. 업데이트 되는 각 노드의 파라미터는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (16)

  1. 설비 모니터링 시스템의 모델 업데이트 방법으로서,
    이벤트 발생을 확인하는 단계;
    상기 이벤트가 발생하면 고장 진단을 수행하는 뉴럴 네트워크 모델을 재학습시키는 단계;
    상기 뉴럴 네트워크 모델의 이전 임계값을 추출하는 단계;
    상기 추출한 이전 임계값과 상기 뉴럴 네트워크 모델의 재학습으로 산출된 상태 변수들을 토대로 새로운 임계값을 산출하는 단계; 및
    상기 새로운 임계값을 토대로 상기 뉴럴 네트워크 모델의 임계값을 업데이트하는 단계를 포함하는,
    모델 업데이트 방법.
  2. 제1 항에 있어서,
    상기 이벤트 발생을 확인하는 단계는,
    장비 고장, 장비 수리, 장비 교체, 장비 추가, 장비 제거, 사용자 요청 중 적어도 어느 하나를 포함하는 이벤트 발생을 확인하는,
    모델 업데이트 방법.
  3. 제1 항에 있어서,
    상기 이벤트 발생을 확인하는 단계는,
    현재 고장 클래스와 과거 고장 클래스가 동일한 이벤트 발생을 확인하는,
    모델 업데이트 방법.
  4. 제3 항에 있어서,
    상기 이벤트 발생을 확인하는 단계는,
    상기 상태 변수가 기준값보다 큰 상위 파라미터들을 토대로 현재 고장을 진단하고, 상기 현재 고장 클래스와 과거 고장 클래스가 동일한 것으로 판단되면 이벤트 발생으로 확인하는,
    모델 업데이트 방법.
  5. 제1 항에 있어서,
    상기 뉴럴 네트워크 모델을 재학습시키는 단계는,
    오토인코더 기반의 뉴럴 네트워크 모델을 재학습시키는,
    모델 업데이트 방법.
  6. 제1 항에 있어서,
    상기 뉴럴 네트워크 모델을 재학습시키는 단계는,
    각 센서로부터 출력되는 센서 데이터들을 획득하고, 상기 각 센서의 센서 데이터들을 포함하는 입력 데이터를 상기 뉴럴 네트워크 모델에 입력하여 재학습시키는,
    모델 업데이트 방법.
  7. 제1 항에 있어서,
    상기 뉴럴 네트워크 모델을 재학습시키는 단계는,
    각 센서로부터 출력되는 센서 데이터들을 획득하고, 상기 각 센서의 센서 데이터들을 포함하는 입력 데이터를 상기 뉴럴 네트워크 모델에 입력하여 출력 데이터를 획득하며, 상기 입력 데이터와 출력 데이터를 비교하여 HI(Health Index)를 포함하는 상태 변수들을 산출하는,
    모델 업데이트 방법.
  8. 제1 항에 있어서,
    상기 뉴럴 네트워크 모델의 이전 임계값을 추출하는 단계는,
    상기 뉴럴 네트워크 모델의 임계값 업데이트 이력이 없으면 상기 뉴럴 네트워크 모델의 이전 임계값만을 추출하는,
    모델 업데이트 방법.
  9. 제1 항에 있어서,
    상기 뉴럴 네트워크 모델의 이전 임계값을 추출하는 단계는,
    상기 뉴럴 네트워크 모델의 임계값 업데이트 이력이 있으면 상기 뉴럴 네트워크 모델의 최초 임계값과 업데이트된 모든 임계값들을 추출하는,
    모델 업데이트 방법.
  10. 제1 항에 있어서,
    상기 뉴럴 네트워크 모델의 이전 임계값을 추출하는 단계는,
    상기 고장 진단 결과, 현재 고장 클래스가 과거 고장 클래스와 동일하면 상기 과거 고장 클래스에 상응하는 뉴럴 네트워크 모델의 과거 임계값을 추출하는,
    모델 업데이트 방법.
  11. 제1 항에 있어서,
    상기 새로운 임계값을 산출하는 단계는,
    상기 추출한 이전 임계값과 상기 뉴럴 네트워크 모델의 재학습으로 산출된 상태 변수들의 중간값을 토대로 새로운 임계값을 산출하는,
    모델 업데이트 방법.
  12. 제1 항에 있어서,
    상기 새로운 임계값을 산출하는 단계는,
    상기 뉴럴 네트워크 모델의 임계값 업데이트 이력이 없는 경우, 상기 뉴럴 네트워크 모델의 이전 임계값, 상기 뉴럴 네트워크 모델의 재학습 중 첫 번째 학습 구간에 상응하는 상태 변수들의 제1 중간값과 두 번째 학습 구간에 상응하는 상태 변수들의 제2 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 상기 새로운 임계값을 산출하는,
    모델 업데이트 방법.
  13. 제1 항에 있어서,
    상기 새로운 임계값을 산출하는 단계는,
    상기 뉴럴 네트워크 모델의 임계값 업데이트 이력이 있는 경우, 상기 뉴럴 네트워크 모델의 최초 임계값과 업데이트된 모든 임계값들, 상기 뉴럴 네트워크 모델의 재학습 중 첫 번째 학습 구간에 상응하는 상태 변수들의 제1 중간값과 두 번째 학습 구간에 상응하는 상태 변수들의 제2 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 상기 새로운 임계값을 산출하는,
    모델 업데이트 방법.
  14. 제1 항에 있어서,
    상기 새로운 임계값을 산출하는 단계는,
    현재 고장 클래스와 과거 고장 클래스가 동일한 경우, 상기 과거 고장 클래스에 상응하는 뉴럴 네트워크 모델의 과거 임계값과 정상 구간에 상응하는 상태 변수들의 과거 중간값, 상기 현재 고장 클래스에 상응하는 뉴럴 네트워크 모델의 현재 임계값과 정상 구간에 상응하는 상태 변수들의 현재 중간값, 그리고 고장 코스트(cost)에 대한 보정값을 토대로 상기 새로운 임계값을 산출하는,
    모델 업데이트 방법.
  15. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 모델 업데이트를 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    이벤트 발생을 확인하는 동작;
    상기 이벤트가 발생하면 고장 진단을 수행하는 뉴럴 네트워크 모델을 재학습시키는 동작;
    상기 뉴럴 네트워크 모델의 이전 임계값을 추출하는 동작;
    상기 추출한 이전 임계값과 상기 뉴럴 네트워크 모델의 재학습으로 산출된 상태 변수들을 토대로 새로운 임계값을 산출하는 동작; 그리고,
    상기 새로운 임계값을 토대로 상기 뉴럴 네트워크 모델의 임계값을 업데이트하는 동작을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  16. 모델 업데이트 방법을 제공하기 위한 컴퓨팅 장치로서,
    하나 이상의 코어를 포함하는 프로세서; 및
    메모리;
    를 포함하고,
    상기 프로세서는,
    이벤트 발생을 확인하고,
    상기 이벤트가 발생하면 고장 진단을 수행하는 뉴럴 네트워크 모델을 재학습시키며,
    상기 뉴럴 네트워크 모델의 이전 임계값을 추출하고,
    상기 추출한 이전 임계값과 상기 뉴럴 네트워크 모델의 재학습으로 산출된 상태 변수들을 토대로 새로운 임계값을 산출하며, 그리고,
    상기 새로운 임계값을 토대로 상기 뉴럴 네트워크 모델의 임계값을 업데이트하는,
    컴퓨팅 장치.
KR1020210081008A 2020-11-30 2021-06-22 설비 모니터링 시스템의 모델 업데이트 방법 KR102455144B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210081008A KR102455144B1 (ko) 2020-11-30 2021-06-22 설비 모니터링 시스템의 모델 업데이트 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200164008A KR102270202B1 (ko) 2020-11-30 2020-11-30 설비 모니터링 시스템의 모델 업데이트 방법
KR1020210081008A KR102455144B1 (ko) 2020-11-30 2021-06-22 설비 모니터링 시스템의 모델 업데이트 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020200164008A Division KR102270202B1 (ko) 2020-11-30 2020-11-30 설비 모니터링 시스템의 모델 업데이트 방법

Publications (2)

Publication Number Publication Date
KR20220076277A true KR20220076277A (ko) 2022-06-08
KR102455144B1 KR102455144B1 (ko) 2022-10-17

Family

ID=76607660

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200164008A KR102270202B1 (ko) 2020-11-30 2020-11-30 설비 모니터링 시스템의 모델 업데이트 방법
KR1020210081008A KR102455144B1 (ko) 2020-11-30 2021-06-22 설비 모니터링 시스템의 모델 업데이트 방법

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020200164008A KR102270202B1 (ko) 2020-11-30 2020-11-30 설비 모니터링 시스템의 모델 업데이트 방법

Country Status (2)

Country Link
US (1) US20220172069A1 (ko)
KR (2) KR102270202B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102547605B1 (ko) * 2022-10-21 2023-06-26 가온플랫폼 주식회사 데이터 구간별 동적 임계값 연산 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7318612B2 (ja) * 2020-08-27 2023-08-01 横河電機株式会社 監視装置、監視方法、および監視プログラム
US20220188410A1 (en) * 2020-12-15 2022-06-16 Oracle International Corporation Coping with feature error suppression: a mechanism to handle the concept drift
KR102427205B1 (ko) * 2021-11-22 2022-08-01 한국건설기술연구원 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020067776A (ja) * 2018-10-23 2020-04-30 オークマ株式会社 工作機械の異常診断システム、異常診断方法、異常診断プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140032087A (ko) * 2012-09-05 2014-03-14 삼성전자주식회사 반도체 제조라인 관리 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020067776A (ja) * 2018-10-23 2020-04-30 オークマ株式会社 工作機械の異常診断システム、異常診断方法、異常診断プログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102547605B1 (ko) * 2022-10-21 2023-06-26 가온플랫폼 주식회사 데이터 구간별 동적 임계값 연산 방법

Also Published As

Publication number Publication date
KR102270202B1 (ko) 2021-06-28
KR102455144B1 (ko) 2022-10-17
US20220172069A1 (en) 2022-06-02

Similar Documents

Publication Publication Date Title
KR102320706B1 (ko) 설비 모니터링 시스템의 모델 임계값 설정 방법
KR102455144B1 (ko) 설비 모니터링 시스템의 모델 업데이트 방법
KR102101974B1 (ko) 어노말리 디텍션
KR101940029B1 (ko) 어노말리 디텍션
US11720821B2 (en) Automated and customized post-production release review of a model
US10223403B2 (en) Anomaly detection system and method
KR102531645B1 (ko) 모델의 성능 테스트를 위한 컴퓨터 프로그램
KR102295805B1 (ko) 학습 데이터 관리 방법
US20230152777A1 (en) Method for detecting abnormality
KR102320707B1 (ko) 설비 모니터링 시스템의 설비 고장 분류 방법
KR20210056296A (ko) 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법
CN115373374A (zh) 基于图神经和门控循环网络的工控异常检测方法及系统
US20220011760A1 (en) Model fidelity monitoring and regeneration for manufacturing process decision support
KR20220167782A (ko) 비정상 데이터 검출 방법 및 장치
KR20210050414A (ko) 신경망을 학습시키는 방법
KR20210098420A (ko) 비정상 데이터 생성 방법
KR20210074269A (ko) 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법
KR20200010984A (ko) 어노말리 디텍션
KR102616968B1 (ko) 이상 탐지 모델의 추가 학습 여부 및 학습 데이터 적절성 판단 방법
KR102440629B1 (ko) 반도체 설계를 위한 신경망 모델 학습 방법
KR102558663B1 (ko) 다양한 이상행동 검출을 수행하는 다중 태스크 네트워크 모델
KR20240084617A (ko) 비정상 공정을 감지하는 인공지능 모델을 학습시키기 위한 학습 데이터 전처리 방법, 서버 및 컴퓨터 프로그램
Sobhana et al. Genetic Algorithm for feature selection in enhancing the hard disk failure prediction using artificial neural network
KR20230029469A (ko) 이상행동 검출을 수행하기 위한 딥러닝 모델을 이용하여 태스크를 수행하는 방법 및 장치
CN118623908A (zh) 一种机载惯导系统的故障诊断方法及系统

Legal Events

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