KR20220135736A - 사운드 데이터를 이용하여 이상을 탐지하는 서버, 방법 및 컴퓨터 프로그램 - Google Patents

사운드 데이터를 이용하여 이상을 탐지하는 서버, 방법 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR20220135736A
KR20220135736A KR1020210041811A KR20210041811A KR20220135736A KR 20220135736 A KR20220135736 A KR 20220135736A KR 1020210041811 A KR1020210041811 A KR 1020210041811A KR 20210041811 A KR20210041811 A KR 20210041811A KR 20220135736 A KR20220135736 A KR 20220135736A
Authority
KR
South Korea
Prior art keywords
sound data
feature
equipment
abnormality
facility
Prior art date
Application number
KR1020210041811A
Other languages
English (en)
Inventor
임형우
Original Assignee
주식회사 케이티
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 주식회사 케이티 filed Critical 주식회사 케이티
Priority to KR1020210041811A priority Critical patent/KR20220135736A/ko
Publication of KR20220135736A publication Critical patent/KR20220135736A/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
    • G05B23/0224—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
    • G05B23/0243—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
    • 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
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06K9/6268—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37337—Noise, acoustic emission, sound

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 서버에 있어서, 상기 설비로부터 사운드 데이터를 수집하는 데이터 수집부; 기학습된 제1 기계학습 모델에 상기 사운드 데이터를 입력하여 상기 사운드 데이터에서 상기 설비의 특징을 나타내는 특징 구간을 포함하는 특징 밴드를 결정하는 특징 추출부; 및 상기 설비의 이상을 탐지하도록 기학습된 제2 기계학습 모델에 상기 특징 밴드가 결정된 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하는 이상 탐지부를 포함한다.

Description

사운드 데이터를 이용하여 이상을 탐지하는 서버, 방법 및 컴퓨터 프로그램{SERVER, METHOD AND COMPUTER PROGRAM FOR DETECTING ANOMALITY BASED ON SOUND DATA}
본 발명은 설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 서버, 방법 및 컴퓨터 프로그램에 관한 것이다.
설비 예지 보전 기술은 각각의 설비 상태를 정량적으로 파악하여 설비의 현재 상태나 앞으로 일어날 수 있는 이상을 미리 예상하여 유지하고 보수하는 기술이다.
도 1은 종래 기술에 따른 설비의 이상을 탐지하는 시스템의 흐름도이다. 도 1을 참조하면, 종래 예지 보전 기술은 설비의 사운드 데이터(110)를 이용하여 설비의 이상 여부를 검출하고 있다. 예를 들어, 종래 예지 보전 기술은 현장의 설비로부터 수집한 사운드 데이터(110)를 이용하여 기계학습 모델(130)의 학습(120)을 진행하고, 학습(120)된 기계학습 모델(130)을 통해 이상 여부를 검출한다.
한편, 설비로부터 수집된 사운드 데이터(110)는 특정 주파수 대역에서 기계음 특성을 나타내는 특징 구간을 가지며, 기계학습 모델(130)은 이러한 특징 구간을 이용하여 설비의 이상 여부를 검출한다.
그러나, 종래의 경우, 작업자가 사운드 데이터(110)에서 특징 구간을 임의로 선택하여 라벨링을 수행하고 있어, 최적의 특징 구간보다 넓은 범위를 선택하거나 좁은 범위를 선택하여 기계학습 모델(130)의 성능을 저하시켰다.
또한, 종래의 경우, 기계학습 모델(130)을 학습할 시 사운드 데이터(110)의 특성을 전혀 반영하고 있지 않아 학습의 정확도가 떨어졌다. 구체적으로, 종래 기술은 특징 벡터에 가중치를 할당하지 않은 상태로 기계학습 모델(130)을 학습하고 있어, 사운드 데이터(110)의 특징 구간의 중요도를 전혀 고려하고 있지 않았다.
한국공개특허공보 제2019-0106902호 (2019. 9. 18. 공개) 한국등록특허공보 제1969504호 (2019. 4. 10. 등록)
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 수집한 설비의 사운드 데이터로부터 최적의 특징 밴드를 추출하여 기계학습 모델의 정확도를 향상시킬 수 있는 학습용 데이터를 생성할 수 있는 이상 탐지 서버를 제공하고자 한다.
또한, 사운드 데이터의 특성을 반영한 기계학습 모델의 학습으로 설비의 사운드 데이터로부터 설비의 이상을 보다 정확하게 검출할 수 있는 이상 탐지 서버를 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명의 일 실시예는, 설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 서버에 있어서, 상기 설비로부터 사운드 데이터를 수집하는 데이터 수집부; 기학습된 제1 기계학습 모델에 상기 사운드 데이터를 입력하여 상기 사운드 데이터에서 상기 설비의 특징을 나타내는 특징 구간을 포함하는 특징 밴드를 결정하는 특징 추출부; 및 상기 설비의 이상을 탐지하도록 기학습된 제2 기계학습 모델에 상기 특징 밴드가 결정된 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하는 이상 탐지부를 포함하는, 이상 탐지 서버를 제공할 수 있다.
본 발명의 다른 실시예는, 설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 방법에 있어서, 상기 설비로부터 사운드 데이터를 수집하는 단계; 기학습된 제1 기계학습 모델에 상기 사운드 데이터를 입력하여 상기 사운드 데이터에서 상기 설비의 특징을 나타내는 특징 구간을 포함하는 특징 밴드를 결정하는 단계; 및 상기 설비의 이상을 탐지하도록 기학습된 제2 기계학습 모델에 상기 특징 밴드가 결정된 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하는 단계를 포함하는, 이상 탐지 방법을 제공할 수 있다.
본 발명의 또 다른 실시예는, 설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 명령어들의 시퀀스를 포함하는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램에 있어서, 상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 상기 설비로부터 사운드 데이터를 수집하고, 기학습된 제1 기계학습 모델에 상기 사운드 데이터를 입력하여 상기 사운드 데이터에서 상기 설비의 특징을 나타내는 특징 구간을 포함하는 특징 밴드를 결정하고, 상기 설비의 이상을 탐지하도록 기학습된 제2 기계학습 모델에 상기 특징 밴드가 결정된 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하도록 하는 명령어들의 시퀀스를 포함하는, 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 특징 밴드를 라벨링한 사운드 데이터를 이용하여 학습된 기계학습 모델에 실시간 사운드 데이터를 입력하여 최적의 특징 밴드를 결정할 수 있는 이상 탐지 서버를 제공할 수 있다.
또한, 사운드 데이터의 특징 밴드에 가중치를 할당하여 특징 구간의 중요도를 향상시킨 상태에서 기계학습 모델의 학습을 수행함으로써, 설비의 사운드 데이터로부터 설비의 이상을 보다 정확하게 검출할 수 있는 이상 탐지 서버를 제공하고자 한다.
도 1은 종래 기술에 따른 설비의 이상을 탐지하는 시스템의 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 이상 탐지 서버의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 사운드 데이터를 설명하기 위한 예시적인 도면이다.
도 4는 본 발명의 일 실시예에 따른 서포트 벡터 머신 모델을 설명하기 위한 예시적인 도면이다.
도 5는 본 발명의 일 실시예에 따른 특징 구간을 중심으로 참(True) 영역 및 거짓(False) 영역으로 라벨링하는 학습부를 설명하기 위한 예시적인 도면이다.
도 6은 본 발명의 일 실시예에 따른 특징 벡터에서 특징 밴드 구간에 가중치를 할당하는 방법을 설명하기 위한 예시적인 도면이다.
도 7은 본 발명의 일 실시예에 따른 랜덤 포레스트 기반 모델의 노드 업데이트 방법을 설명하기 위한 예시적인 도면이다.
도 8은 본 발명의 일 실시예에 따른 이상 탐지 방법의 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 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 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 2는 본 발명의 일 실시예에 따른 이상 탐지 서버의 구성도이다. 도 2를 참조하면, 이상 탐지 서버(200)는 데이터 수집부(210), 특징 추출부(220), 이상 탐지부(230) 및 학습부(240)를 포함할 수 있다. 다만 위 구성 요소들(210 내지 240)은 이상 탐지 서버(200)에 의하여 제어될 수 있는 구성요소들을 예시적으로 도시한 것일 뿐이다.
도 2의 이상 탐지 서버(200)의 각 구성요소들은 일반적으로 네트워크(network)를 통해 연결된다. 예를 들어, 도 2에 도시된 바와 같이, 이상 탐지 서버(200)는 동시에 또는 시간 간격을 두고 연결될 수 있다.
네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
본 발명의 일 실시예에 따른 이상 탐지 서버(200)는 특징 밴드를 라벨링한 사운드 데이터를 이용하여 학습된 기계학습 모델에 실시간 사운드 데이터를 입력하여 최적의 특징 구간을 추출할 수 있다.
또한, 이상 탐지 서버(200)는 사운드 데이터의 특징 밴드에 가중치를 할당하여 특징 구간의 중요도를 향상시킨 상태에서 기계학습 모델의 학습을 수행함으로써, 설비의 사운드 데이터로부터 설비의 이상을 보다 정확하게 검출할 수 있다.
데이터 수집부(210)는 설비로부터 사운드 데이터를 수집할 수 있다. 도 3은 본 발명의 일 실시예에 따른 사운드 데이터를 설명하기 위한 예시적인 도면이다. 도 3을 참조하면, 사운드 데이터(300)는 설비의 사운드의 스펙트로그램(Spectrogram)일 수 있다. 예를 들어, 사운드 데이터(300)는 시간 축과 주파수 축으로 이루어진 스펙트로그램일 수 있다.
사운드 데이터(300)는 설비의 특징을 나타내는 특징 구간(310)을 포함한다. 일반적으로, 특징 구간(310)은 일정한 주파수 대역에서 반복적으로 발생하며 설비의 중요한 특징을 포함하고 있다. 여기서, 설비의 중요한 특징이란 해당 설비를 판별 가능하도록 하는 패턴으로서 예를 들어, 해당 설비를 구성하는 적어도 하나의 부품에 대한 정보, 해당 설비의 구동 방식에 대한 정보 등을 포함할 수 있다.
종래 기술에 따른 사운드 데이터(300)의 전처리 과정은 수집된 설비의 사운드 데이터(300)로부터 작업자가 임의로 특징 밴드(330)를 선택하여 기계학습 모델을 학습한다. 특징 밴드(330)는, 도 3에 도시된 바와 같이, 설비의 특징을 나타내는 특징 구간(310)을 포함하고 있다. 그러나, 종래의 경우, 작업자가 사운드 데이터(300)에서 특징 구간(310)을 임의로 선택하여 라벨링을 수행하고 있어, 최적의 특징 구간(310)보다 넓은 범위를 선택하거나 좁은 범위를 선택하고 있어 해당 데이터로 기계학습 모델을 학습할 경우, 노이즈로 인해 기계학습 모델을 학습함에 있어서 효율이 낮아진다.
따라서, 본 발명에 따른 이상 탐지 서버(200)는 별도의 기계학습 모델을 이용하여 수집된 설비의 사운드 데이터(300)로부터 특징 밴드(330)를 추출함으로써 특징 밴드(330) 내의 특징 구간(310)과 특징 이외 구간(320)을 구분하여 기계학습 모델의 학습을 진행하고자 한다.
예를 들어, 사운드 데이터(300)는 특징 구간(310)에 해당하는 영역을 참(True) 영역으로 특징 이외 구간(320)에 해당하는 영역을 거짓(False) 영역으로 구분할 수 있다. 수집한 설비의 사운드 데이터(300)로부터 특징 밴드(330)를 정확하게 추출하는 것은 예지 정비 기술의 성능에 큰 영향을 준다.
본 발명의 일 실시예에 따른 특징 추출부(220)는 기학습된 제1 기계학습 모델에 사운드 데이터(300)를 입력하여 사운드 데이터(300)에서 설비의 특징을 나타내는 특징 구간(310)을 포함하는 특징 밴드(330)를 결정할 수 있다. 여기서, 제1 기계학습 모델은 분류(Classification) 기반 모델일 수 있다. 예를 들어, 분류 기반 모델은 KNN(K-Nearest Neighbor), 의사결정 트리(Decision Tree), 랜덤 포레스트(Random Forest), 나이브 베이즈(Naive Bayes), 서포트 벡터 머신(SVM, Support Vector Machine) 중 적어도 하나를 포함할 수 있다.
도 4는 본 발명의 일 실시예에 따른 서포트 벡터 머신 모델을 설명하기 위한 예시적인 도면이다. 서포트 벡터 머신은 주어진 샘플 그룹에 대해 그룹 분류 규칙을 찾아내는 기법 중 하나이다.
예를 들어, 도 4를 참조하면, 서포트 벡터 머신은 주어진 샘플 그룹을 그룹1(Calss1)과 그룹 2(Calss2)로 분류하는 최적의 마진(margin)을 산출할 수 있다. 서포트 벡터 머신은 산출된 마진에 기초하여 샘플 그룹을 그룹 1과 그룹 2로 명확하게 분류할 수 있다. 도 4를 참조하면, 명확하게 분류된 그룹 1과 그룹 2 간의 차이(Gap)를 확인할 수 있다.
도 5는 본 발명의 일 실시예에 따른 특징 구간을 중심으로 참(True) 영역 및 거짓(False) 영역으로 라벨링하는 학습부를 설명하기 위한 예시적인 도면이다.
본 발명의 일 실시예에 따른 이상 탐지 서버(200)는 학습부(240)를 더 포함할 수 있다. 도 5를 참조하면, 학습부(240)는 특징 구간(510)에 해당하는 영역을 참(True) 영역으로, 특징 이외 구간(520)에 해당하는 영역을 거짓(False) 영역으로 라벨링된 설비의 학습용 사운드 데이터(500)를 이용하여 제1 기계학습 모델을 학습시킬 수 있다.
예를 들어, 학습용 사운드 데이터(500)는 도 5에 도시된 바와 같이, 정규 분포의 형태로 표현되고, 정규 분포의 진폭(Amplitude)이 가장 높은 20% 구간인 특징 구간(510)이 참(True) 영역으로 라벨링되고, 정규 분포의 가장자리 5% 구간(520)이 거짓(False) 영역으로 라벨링될 수 있다. 또한, 학습용 사운드 데이터(500)는 특징 밴드(530)가 추가로 라벨링될 수도 있다.
학습부(240)는 참(True) 영역 및 거짓(False) 영역으로 라벨링된 설비의 학습용 사운드 데이터(500)를 입력하여 분류 기반 모델을 학습시킬 수 있다.
학습된 분류 기반 모델은 설비의 실시간 사운드 데이터로부터 참(True) 영역과 거짓(False) 영역을 구분하여, 설비의 특징 구간이 포함되어 있는 특징 밴드(530)를 추출할 수 있다. 추출된 특징 밴드(530)는 사운드 데이터에서 설비의 중요한 특징을 포함하고 있다.
따라서, 본 발명에 따른 이상 탐지 서버(200)는, 작업자에 의해 임의로 특징 밴드가 추출되는 종래 기술과는 달리, 별도의 기계학습 모델을 이용하여 기계음 특성을 부각시킬 수 있는 범위의 특징 밴드를 추출하고, 이를 이용하여 이상 탐지를 수행함으로써 기계학습 모델의 이상 탐지 성능을 향상시킬 수 있다.
이상 탐지부(230)는 설비의 이상을 탐지하도록 기학습된 제2 기계학습 모델에 특징 밴드가 결정된 사운드 데이터를 입력하여 설비의 이상을 탐지할 수 있다. 여기서, 제2 기계학습 모델은 온라인 랜덤 포레스트(Online Random Forest) 기반 모델일 수 있다. 랜덤 포레스트 기반 모델은 학습 데이터를 무작위로 샘플링하여 다수의 결정 트리(Decision Tree)를 생성하고, 생성된 결정 트리의 결과들을 모아 다수결로 최종 결과를 도출하는 알고리즘이다.
종래의 랜덤 포레스트 기반 모델에 따르면, 학습 데이터가 특징 벡터의 형태로 그대로 입력되었으나, 본 발명에 따른 랜덤 포레스트 기반 모델은 학습 데이터(사운드 데이터)에서 특징을 내포하는 구간과 이외 구간을 구분하여 가중치를 상이하게 부여한다.
이상 탐지부(230)는 스펙트로그램으로부터 특정 시간에 대한 주파수를 나타내는 특징 벡터를 추출할 수 있다. 예를 들어, 이상 탐지부(230)는 전처리된 설비의 사운드 데이터로부터 특정 시간에 대한 각 주파수 대역마다 특징 벡터를 추출할 수 있다.
이상 탐지부(230)는 특징 벡터를 랜덤 포레스트 기반 모델에 입력하여 설비의 이상을 탐지할 수 있다. 예를 들어, 이상 탐지부(230)는 추출된 특징 벡터를 무작위로 샘플링하여 다수의 의사결정 트리를 생성할 수 있다. 이상 탐지부(230)는 생성된 의사결정 트리의 결과들을 모아 다수결로 설비의 이상 여부를 검출할 수 있다. 이하, 도 6 및 도 7을 참조하여 설비의 이상을 탐지하는 방법에 대해 구체적으로 살펴보도록 한다.
도 6은 본 발명의 일 실시예에 따른 특징 벡터에서 특징 밴드 구간에 가중치를 할당하는 방법을 설명하기 위한 예시적인 도면이다.
본 발명의 일 실시예에 따른 이상 탐지부(230)는 특징 벡터(600)에서 특징 밴드에 해당하는 구간(610)에 소정의 가중치를 할당할 수 있다. 예를 들어, 이상 탐지부(230)는 특징 벡터(600)에서 특징 밴드에 해당하는 구간(610)에 가중치를 할당하여, 랜덤 포레스트 기반 모델의 학습에서 설비의 특징이 포함되어 있는 구간을 강조시킬 수 있다.
도 7은 본 발명의 일 실시예에 따른 랜덤 포레스트 기반 모델의 노드 업데이트 방법을 설명하기 위한 예시적인 도면이다. 도 7을 참조하면, 이상 탐지부(230)는 특징 벡터(700)를 복수의 구간으로 분할하고, 각 구간을 랜덤 포레스트 기반 모델의 노드(f1, f2, f3,,,)에 매핑할 수 있다.
예를 들어, 이상 탐지부(230)는 특징 벡터(700)를 시계열적으로 분할하여, 단위 시간으로 분할된 각 구간을 노드(f1, f2, f3,,,)에 매핑하여 복수의 의사결정 트리를 생성할 수 있다.
랜덤 포레스트 기반 모델은 업데이트하는 과정에서 각 의사결정 트리를 새로운 데이터로 갱신할 수 있다. 이 때, 랜덤 포레스트 기반 모델은 푸아송 분포(Poisson Distribution)에 기초하여 각 노드의 업데이트 여부를 결정할 수 있다. 푸아송 분포는 단위 시간 내에 특정 이벤트가 일어나는 횟수를 나타내는 이산확률변수이다.
예를 들어, 랜덤 포레스트 기반 모델은 각 노드의 수축 매개변수(shrinkage parameter) 값에 의해 업데이트 여부를 결정할 수 있다. 도 7을 참조하면, 본 발명에 따른 이상 탐지부(230)는 특징 벡터(700)에서 설비의 특징이 포함된 특징 밴드(710)에 가중치를 부여함으로써, 특징 밴드(710)의 업데이트 민감도를 향상시킬 수 있다. 반면, 가중치가 부여되지 않은 특징 이외 구간은 상대적으로 업데이트 민감도가 낮아질 수 있다.
예를 들어, 이상 탐지부(230)는 랜덤 포레스트 기반 모델의 노드 업데이트 시 소정의 가중치가 할당된 구간(710)에 매핑된 노드(f1)의 수축 매개변수를 다른 노드의 수축 매개변수보다 낮게 설정할 수 있다. 예를 들어, 이상 탐지부(230)는 랜덤 포레스트 기반 모델의 노드 업데이트 시 가중치가 할당된 구간(710)인, 설비의 특징이 포함된 특징 밴드(710)에 매핑된 노드의 수축 매개변수를 1로 설정할 수 있고, 이외 구간에 매핑된 노드의 수축 매개변수를 4로 설정할 수 있다.
따라서, 랜덤 포레스트 기반 모델의 업데이트 시, 노드의 수축 매개변수가 1로 설정된 특징 구간에서는 더욱 민감하게 반응할 수 있고, 노드의 수축 매개변수가 4로 설정된 특징 이외 구간에서는 덜 민감하게 반응하여 특징 밴드(710)에 대한 노드의 업데이트 빈도가 높아질 수 있다.
이에 따라, 이상 탐지부(230)는 설비의 실시간 데이터로부터 특징 밴드(710)의 변화에 보다 민감하게 반응하여 설비의 이상 유무를 정확하게 검출할 수 있다.
반면, 특징 이외 구간에 대한 노드의 업데이트 빈도는 낮아져 해당 구간이 랜덤 포레스트 기반 모델의 업데이트에 미치는 영향이 미미하다. 따라서, 이상 탐지부(230)는 설비의 실시간 데이터로부터 단발적이거나 기타 설비로 인한 노이즈의 영향을 받지 않고 설비의 이상 유무를 안정적으로 검출할 수 있다.
도 8은 본 발명의 일 실시예에 따른 이상 탐지 방법의 순서도이다. 도 8에 도시된 이상 탐지 서버는 도 1 내지 도 7에 도시된 실시예에 따라 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 7에 도시된 실시예에 따른 이상 탐지 서버에서 설비의 이상을 탐지하는 방법에도 적용된다.
단계 S810에서 이상 탐지 서버는 설비로부터 사운드 데이터를 수집할 수 있다.
단계 S820에서 이상 탐지 서버는 기학습된 제1 기계 학습 모델에 사운드 데이터를 입력하여 사운드 데이터에서 설비의 특징을 나타내는 특징 구간을 포함하는 특징 밴드를 결정할 수 있다.
단계 S830에서 이상 탐지 서버는 설비의 이상을 탐지하도록 기학습된 제2 기계학습 모델에 특징 밴드가 결정된 사운드 데이터를 입력하여 설비의 이상을 탐지할 수 있다.
상술한 설명에서, 단계 S810 내지 S830는 본 발명의 구현 예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.
도 1 내지 도 8을 통해 설명된 이상 탐지 서버에서 설비의 이상을 탐지하는 방법은 컴퓨터에 의해 실행되는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행 가능한 명령어들을 포함하는 기록 매체의 형태로도 구현될 수 있다. 또한, 도 1 내지 도 8을 통해 설명된 이상 탐지 서버에서 설비의 이상을 탐지하는 방법은 컴퓨터에 의해 실행되는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램의 형태로도 구현될 수 있다.
컴퓨터 판독 가능 기록매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 기록매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
200: 이상 탐지 서버
210: 데이터 수집부
220: 특징 추출부
230: 이상 탐지부
240: 학습부

Claims (17)

  1. 설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 서버에 있어서,
    상기 설비로부터 사운드 데이터를 수집하는 데이터 수집부;
    기학습된 제1 기계학습 모델에 상기 사운드 데이터를 입력하여 상기 사운드 데이터에서 상기 설비의 특징을 나타내는 특징 구간을 포함하는 특징 밴드를 결정하는 특징 추출부; 및
    상기 설비의 이상을 탐지하도록 기학습된 제2 기계학습 모델에 상기 특징 밴드가 결정된 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하는 이상 탐지부
    를 포함하는, 이상 탐지 서버.
  2. 제 1 항에 있어서,
    상기 제1 기계학습 모델은 분류(Classification) 기반 모델인 것인, 이상 탐지 서버.
  3. 제 1 항에 있어서,
    상기 제2 기계학습 모델은 랜덤 포레스트(Random Forest) 기반 모델인 것인, 이상 탐지 서버.
  4. 제 1 항에 있어서,
    상기 특징 구간을 중심으로 참(True) 영역 및 거짓(False) 영역으로 라벨링된 설비의 학습용 사운드 데이터를 이용하여 상기 제1 기계학습 모델을 학습시키는 학습부
    를 더 포함하는 것인, 이상 탐지 서버.
  5. 제 3 항에 있어서,
    상기 사운드 데이터는 상기 설비의 사운드의 스펙트로그램(Spectrogram)이고,
    상기 이상 탐지부는 상기 스펙트로그램으로부터 특정 시간에 대한 주파수를 나타내는 특징 벡터를 추출하고, 상기 특징 벡터를 상기 랜덤 포레스트 기반 모델에 입력하여 상기 설비의 이상을 탐지하는 것인, 이상 탐지 서버.
  6. 제 5 항에 있어서,
    상기 이상 탐지부는 상기 특징 벡터에서 상기 특징 밴드에 해당하는 구간에 소정의 가중치를 할당하는 것인, 이상 탐지 서버.
  7. 제 6 항에 있어서,
    상기 이상 탐지부는 상기 특징 벡터를 복수의 구간으로 분할하고, 각 구간을 상기 랜덤 포레스트 기반 모델의 노드에 매핑하는 것인, 이상 탐지 서버.
  8. 제 7 항에 있어서,
    상기 이상 탐지부는 상기 랜덤 포레스트 기반 모델의 노드 업데이트 시 상기 소정의 가중치가 할당된 구간에 매핑된 노드의 수축 매개변수(shrinkage parameter)를 다른 노드의 수축 매개변수보다 낮게 설정하는 것인, 이상 탐지 서버.
  9. 설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 방법에 있어서,
    상기 설비로부터 사운드 데이터를 수집하는 단계;
    기학습된 제1 기계학습 모델에 상기 사운드 데이터를 입력하여 상기 사운드 데이터에서 상기 설비의 특징을 나타내는 특징 구간을 포함하는 특징 밴드를 결정하는 단계; 및
    상기 설비의 이상을 탐지하도록 기학습된 제2 기계학습 모델에 상기 특징 밴드가 결정된 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하는 단계
    를 포함하는, 이상 탐지 방법.
  10. 제 9 항에 있어서,
    상기 제1 기계학습 모델은 분류(Classification) 기반 모델인 것인, 이상 탐지 방법.
  11. 제 9 항에 있어서,
    상기 제2 기계학습 모델은 랜덤 포레스트 기반 모델인 것인, 이상 탐지 방법.
  12. 제 9 항에 있어서,
    상기 특징 구간을 중심으로 참(True) 영역 및 거짓(False) 영역으로 라벨링된 설비의 학습용 사운드 데이터를 이용하여 상기 제1 기계학습 모델을 학습시키는 단계
    를 더 포함하는 것인, 이상 탐지 방법.
  13. 제 11 항에 있어서,
    상기 사운드 데이터는 상기 설비의 사운드의 스펙트로그램이고,
    상기 설비의 이상을 탐지하는 단계는,
    상기 스펙트로그램으로부터 특정 시간에 대한 주파수를 나타내는 특징 벡터를 추출하는 단계 및
    상기 특징 벡터를 상기 랜덤 포레스트 기반 모델에 입력하여 상기 설비의 이상을 탐지하는 단계
    를 포함하는 것인, 이상 탐지 방법
  14. 제 13 항에 있어서,
    상기 설비의 이상을 탐지하는 단계는,
    상기 특징 벡터에서 상기 특징 밴드에 해당하는 구간에 소정의 가중치를 할당하는 단계
    를 더 포함하는 것인, 이상 탐지 방법.
  15. 제 14 항에 있어서,
    상기 설비의 이상을 탐지하는 단계는,
    상기 특징 벡터를 복수의 구간으로 분할하고, 각 구간을 상기 랜덤 포레스트 기반 모델의 노드에 매핑하는 단계
    를 더 포함하는 것인, 이상 탐지 방법.
  16. 제 15 항에 있어서,
    상기 설비의 이상을 탐지하는 단계는,
    상기 랜덤 포레스트 기반 모델의 노드 업데이트 시 상기 소정의 가중치가 할당된 구간에 매핑된 노드의 수축 매개변수를 다른 노드의 수축 매개변수보다 낮게 설정하는 단계
    를 더 포함하는 것인, 이상 탐지 방법.
  17. 설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 명령어들의 시퀀스를 포함하는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우,
    상기 설비로부터 사운드 데이터를 수집하고,
    기학습된 제1 기계학습 모델에 상기 사운드 데이터를 입력하여 상기 사운드 데이터에서 상기 설비의 특징을 나타내는 특징 구간을 포함하는 특징 밴드를 결정하고,
    상기 설비의 이상을 탐지하도록 기학습된 제2 기계학습 모델에 상기 특징 밴드가 결정된 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하도록 하는 명령어들의 시퀀스를 포함하는, 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램.
KR1020210041811A 2021-03-31 2021-03-31 사운드 데이터를 이용하여 이상을 탐지하는 서버, 방법 및 컴퓨터 프로그램 KR20220135736A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210041811A KR20220135736A (ko) 2021-03-31 2021-03-31 사운드 데이터를 이용하여 이상을 탐지하는 서버, 방법 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210041811A KR20220135736A (ko) 2021-03-31 2021-03-31 사운드 데이터를 이용하여 이상을 탐지하는 서버, 방법 및 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
KR20220135736A true KR20220135736A (ko) 2022-10-07

Family

ID=83595638

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210041811A KR20220135736A (ko) 2021-03-31 2021-03-31 사운드 데이터를 이용하여 이상을 탐지하는 서버, 방법 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR20220135736A (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101969504B1 (ko) 2017-05-02 2019-04-16 서강대학교산학협력단 심층 신경망을 기반으로 한 사운드 이벤트 검출 방법 및 사운드 이벤트 검출 장치
KR20190106902A (ko) 2019-08-29 2019-09-18 엘지전자 주식회사 사운드 분석 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101969504B1 (ko) 2017-05-02 2019-04-16 서강대학교산학협력단 심층 신경망을 기반으로 한 사운드 이벤트 검출 방법 및 사운드 이벤트 검출 장치
KR20190106902A (ko) 2019-08-29 2019-09-18 엘지전자 주식회사 사운드 분석 방법 및 장치

Similar Documents

Publication Publication Date Title
CN109768985B (zh) 一种基于流量可视化与机器学习算法的入侵检测方法
US8724904B2 (en) Anomaly detection in images and videos
CN111565205A (zh) 网络攻击识别方法、装置、计算机设备和存储介质
CN111783442A (zh) 入侵检测方法、设备和服务器、存储介质
US20150135318A1 (en) Method of detecting intrusion based on improved support vector machine
JP6828807B2 (ja) データ解析装置、データ解析方法およびデータ解析プログラム
Idrissi et al. An unsupervised generative adversarial network based-host intrusion detection system for internet of things devices
Alabadi et al. Anomaly detection for cyber-security based on convolution neural network: A survey
CN117113262B (zh) 网络流量识别方法及其系统
CN115277102B (zh) 网络攻击检测方法、装置、电子设备及存储介质
Zou et al. A novel network security algorithm based on improved support vector machine from smart city perspective
Odiathevar et al. A hybrid online offline system for network anomaly detection
CN110716957B (zh) 类案可疑对象智能挖掘分析方法
CN117220920A (zh) 基于人工智能的防火墙策略管理方法
CN114785548A (zh) 基于加权自适应集成学习的虚拟流量异常检测方法、系统及流量智能监测平台
Elmasry et al. Detection of faults in electrical power grids using an enhanced anomaly-based method
KR20220150614A (ko) 화재 감지 서버, 방법 및 컴퓨터 프로그램
KR20220135736A (ko) 사운드 데이터를 이용하여 이상을 탐지하는 서버, 방법 및 컴퓨터 프로그램
Manimegalai et al. A Novel approach for Data mining Classification using J48DT Classifier for Intrusion Detection System
Liu et al. Automatic feature extraction and selection for machine learning based intrusion detection
JP2008040684A (ja) 信号識別装置の学習方法
KR20200053254A (ko) 센서 고장 검출 방법 및 센서 고장 검출 장치
CN114169623A (zh) 一种电力设备故障分析方法、装置、电子设备及存储介质
CN114548569A (zh) 异质社交网络中缺失链路预测方法、系统和存储介质
CN112149623A (zh) 一种自适应多传感器信息融合系统、方法及存储介质