KR20220139044A - Method and apparatus for diagnosing error using unsupervised learning and supervised learning - Google Patents
Method and apparatus for diagnosing error using unsupervised learning and supervised learning Download PDFInfo
- Publication number
- KR20220139044A KR20220139044A KR1020210045176A KR20210045176A KR20220139044A KR 20220139044 A KR20220139044 A KR 20220139044A KR 1020210045176 A KR1020210045176 A KR 1020210045176A KR 20210045176 A KR20210045176 A KR 20210045176A KR 20220139044 A KR20220139044 A KR 20220139044A
- Authority
- KR
- South Korea
- Prior art keywords
- determination result
- model
- failure determination
- sensor data
- learning model
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Image Analysis (AREA)
Abstract
Description
본 발명이 속하는 기술 분야는 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치에 관한 것이다. The technical field to which the present invention belongs relates to a failure diagnosis method and apparatus using unsupervised learning and supervised learning.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The content described in this section merely provides background information for the present embodiment and does not constitute the prior art.
기계적 전자적 장치는 구동에 따른 노후화 또는 주변 환경에 의한 외부적인 요인 등에 의해 고장이 발생할 수 있다. 고장 상황을 극복하고 정상 동작을 수행하기 위해서는 장치에서 발생한 고장의 종류 및 발생 위치를 정확하게 진단해야 한다.Mechanical and electronic devices may fail due to deterioration due to driving or external factors caused by the surrounding environment. In order to overcome the fault situation and perform normal operation, it is necessary to accurately diagnose the type and location of the fault that occurred in the device.
기존의 방식으로 엔지니어가 직접 정해준 기준에 따라 설계된 모델을 적용하는 방식이 있다. 엔지니어가 모델링을 수행하여 설계한 모델을 통해 장치의 파라미터, 상태 또는 상태 변화를 예측하여 오차를 비교하여 고장 여부를 진단하는 방식을 적용한다. 기존의 모델링 방식은 정상 상태 또는 고장 상태에 대한 모델이 필요하고, 고장 상황이 더 발생할수록 더 많은 고장 상태에 대한 모델을 추가로 설계해야 한다.In the existing method, there is a method of applying a model designed according to the criteria set by the engineer directly. The method of diagnosing failure by comparing errors by predicting device parameters, states, or state changes through the model designed by the engineer by performing modeling is applied. The existing modeling method requires a model for a steady state or a failure state, and the more failure conditions occur, the more models for the failure state must be additionally designed.
다른 방식으로 기계 학습을 적용하는 방식이 있다. 사전 학습을 통해 장치의 다양한 고장 상황을 진단할 수 있다. 기존의 기계 학습 방식 역시 사전 데이터가 부족하면 훈련 과정에서 적절한 특징을 선택하지 못하거나 편향된 추론을 수행하여 고장 판단 결과의 정확도가 요구사항에 만족스럽지 못하게 된다.There are other ways to apply machine learning. Through pre-learning, various failure situations of the device can be diagnosed. Existing machine learning methods also fail to select an appropriate feature during the training process or perform biased inference if prior data is insufficient, so that the accuracy of the failure determination result is not satisfactory to the requirements.
모든 시스템에서는 고장을 정확하게 진단하는 것이 중요하며, 미리 고장을 진단할 수 있다면 시스템을 출시하고 나서 고장이 났을 때의 사후 처리 비용을 최소화할 수 있다.In any system, it is important to accurately diagnose a failure, and if the failure can be diagnosed in advance, the cost of post-processing in the event of a failure after the system is released can be minimized.
본 발명의 실시예들은 비지도 학습 모델과 지도 학습 모델을 모두 적용하되, 복수 유형의 센서 데이터를 획득하고 통합하여 통합된 센서 데이터에 대해서 비지도 학습 모델을 기반으로 추론한 제1 고장 판단 결과와 통합된 센서 데이터를 데이터 변환한 변환 이미지에 대해서 지도 학습 모델을 기반으로 추론한 제2 고장 판단 결과를 비교한 결과를 이용하여 지도 학습 모델을 학습하는 방식을 통해 학습에 필요한 학습 데이터를 충분히 확보하면서 고장 판단의 신뢰도를 높이고 다양한 고장 상황을 적응적으로 판단하는데 주된 목적이 있다.Embodiments of the present invention apply both the unsupervised learning model and the supervised learning model, but obtain and integrate multiple types of sensor data, and the first failure determination result inferred based on the unsupervised learning model for the integrated sensor data and By using the method of learning the supervised learning model using the result of comparing the second failure determination result inferred based on the supervised learning model with respect to the transformed image converted from the integrated sensor data, the learning data necessary for learning is sufficiently secured. The main purpose is to increase the reliability of failure judgment and to adaptively judge various failure situations.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.Other objects not specified in the present invention may be additionally considered within the scope that can be easily inferred from the following detailed description and effects thereof.
본 실시예의 일 측면에 의하면 고장 진단 장치에 의한 고장 진단 방법에 있어서, 복수 유형의 센서 데이터를 획득하는 단계; 데이터 통합 모델을 기반으로 상기 복수 유형의 센서 데이터를 통합하여 통합된 센서 데이터를 출력하는 단계; 비지도 학습 모델을 기반으로 상기 통합된 센서 데이터에 대한 제1 고장 판단 결과를 출력하는 단계; 변환 모델을 기반으로 상기 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력하는 단계; 및 지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계를 포함하며, 상기 지도 학습 모델은 상기 제1 고장 판단 결과 및 상기 제2 고장 판단 결과를 비교한 결과에 따라 오차를 정정하도록 학습되는 것을 특징으로 하는 고장 진단 방법을 제공한다.According to an aspect of the present embodiment, there is provided a fault diagnosis method by a fault diagnosis apparatus, the method comprising: acquiring a plurality of types of sensor data; outputting integrated sensor data by integrating the plurality of types of sensor data based on a data integration model; outputting a first failure determination result for the integrated sensor data based on an unsupervised learning model; outputting a converted image by converting the integrated sensor data based on the conversion model; and outputting a second failure determination result for the transformed image based on a supervised learning model, wherein the supervised learning model compares the first failure determination result with the second failure determination result. It provides a fault diagnosis method, characterized in that it is learned to correct.
상기 변환 모델을 기반으로 상기 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력하는 단계는, 제1 변환 모델을 기반으로 상기 통합된 센서 데이터를 주파수 변환을 수행하여 제1 변환 이미지를 출력하는 단계; 및 제2 변환 모델을 기반으로 상기 통합된 센서 데이터를 통계적 처리를 수행하여 제2 변환 이미지를 출력하는 단계를 포함할 수 있다.The step of converting the data of the integrated sensor data based on the transformation model and outputting a transformed image may include: performing frequency transformation on the integrated sensor data based on a first transformation model to output a first transformed image; and performing statistical processing on the integrated sensor data based on the second transformation model to output a second transformed image.
상기 지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계는, 제1 지도 학습 모델을 기반으로 상기 제1 변환 이미지에 대한 제2-1 고장 판단 결과를 출력하는 단계; 및 제2 지도 학습 모델을 기반으로 상기 제2 변환 이미지에 대한 제2-2 고장 판단 결과를 출력하는 단계를 포함할 수 있다.Outputting the second failure determination result for the transformed image based on the supervised learning model may include: outputting a 2-1 failure determination result for the first transformed image based on the first supervised learning model; and outputting a 2-2 failure determination result for the second transformed image based on the second supervised learning model.
상기 지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계는, 상기 제2-1 고장 판단 결과 및 상기 제2-2 고장 판단 결과를 종합하여 최종 고장 판단 결과를 출력할 수 있다.The step of outputting the second failure determination result for the converted image based on the supervised learning model may include outputting a final failure determination result by synthesizing the 2-1 failure determination result and the 2-2 failure determination result. can
상기 제1 지도 학습 모델 및 상기 제2 지도 학습 모델은 상기 제1 지도 학습 모델의 네트워크에 포함된 제1 가중치와 상기 제2 지도 학습 모델의 네트워크에 포함된 제2 가중치를 일부 공유할 수 있다.The first supervised learning model and the second supervised learning model may partially share a first weight included in the network of the first supervised learning model and a second weight included in the network of the second supervised learning model.
상기 데이터 통합 모델은 상기 복수 유형의 센서 데이터를 정규화할 수 있다.The data integration model may normalize the plurality of types of sensor data.
상기 데이터 통합 모델은, 상기 정규화한 복수 유형의 센서 데이터를 믹스하여 복수의 그룹으로 그룹핑하고, 상기 복수의 그룹에서 기준 그룹을 선정하고, 각 그룹을 대표하는 기준 데이터를 선정하고, 상기 복수의 그룹의 기준 데이터와 상기 기준 그룹의 기준 데이터 간에 제1 차이값을 산출하고, 상기 복수의 그룹의 기준 데이터와 기준 데이터가 아닌 나머지 센서 데이터 간에 제2 차이값을 산출하여, 상기 제1 차이값과 상기 제2 차이값을 조정한 새로운 그룹과 새로운 데이터를 생성하여, 센서 데이터를 증가시킬 수 있다.The data integration model mixes the normalized plurality of types of sensor data and groups them into a plurality of groups, selects a reference group from the plurality of groups, selects reference data representing each group, and selects the plurality of groups A first difference value is calculated between the reference data of , and the reference data of the reference group, and a second difference value is calculated between the reference data of the plurality of groups and the remaining sensor data other than the reference data, so that the first difference value and the The sensor data may be increased by generating a new group and new data to which the second difference value is adjusted.
상기 비지도 학습 모델은 생성 모델 및 판별 모델을 포함하며, 상기 생성 모델 및 상기 판별 모델이 상호 작용하는 적대적 생성 신경망에서 정의된 손실 함수를 학습한 결과를 이용하여 상기 제1 고장 판단 결과를 교정할 수 있다.The unsupervised learning model includes a generative model and a discriminant model, and the first failure determination result is corrected using the result of learning a loss function defined in an adversarial generative neural network in which the generative model and the discriminant model interact. can
본 실시예의 다른 측면에 의하면 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하는 고장 진단 장치에 있어서, 상기 프로세서는, 복수 유형의 센서 데이터를 획득하고, 데이터 통합 모델을 기반으로 상기 복수 유형의 센서 데이터를 통합하여 통합된 센서 데이터를 출력하고, 비지도 학습 모델을 기반으로 상기 통합된 센서 데이터에 대한 제1 고장 판단 결과를 출력하고, 변환 모델을 기반으로 상기 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력하는 단계; 및 지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계를 포함하며, 상기 지도 학습 모델은 상기 제1 고장 판단 결과 및 상기 제2 고장 판단 결과를 비교한 결과에 따라 오차를 정정하도록 학습되는 것을 특징으로 하는 고장 진단 장치를 제공한다.According to another aspect of this embodiment, in the fault diagnosis apparatus including one or more processors and a memory for storing one or more programs executed by the one or more processors, the processor acquires a plurality of types of sensor data, and integrates the data Outputs integrated sensor data by integrating the plurality of types of sensor data based on a model, outputs a first failure determination result for the integrated sensor data based on an unsupervised learning model, and outputs the first failure determination result for the integrated sensor data based on the transformation model outputting a converted image by data conversion of the integrated sensor data; and outputting a second failure determination result for the transformed image based on a supervised learning model, wherein the supervised learning model compares the first failure determination result with the second failure determination result. It provides a fault diagnosis apparatus, characterized in that it is learned to correct the.
이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 비지도 학습 모델과 지도 학습 모델을 모두 적용하되, 복수 유형의 센서 데이터를 획득하고 통합하여 통합된 센서 데이터에 대해서 비지도 학습 모델을 기반으로 추론한 제1 고장 판단 결과와 통합된 센서 데이터를 데이터 변환한 변환 이미지에 대해서 지도 학습 모델을 기반으로 추론한 제2 고장 판단 결과를 비교한 결과를 이용하여 지도 학습 모델을 학습하는 방식을 통해 학습에 필요한 학습 데이터를 충분히 확보하면서 고장 판단의 신뢰도를 높이고 다양한 고장 상황을 적응적으로 판단할 수 있는 효과가 있다.As described above, according to the embodiments of the present invention, both the unsupervised learning model and the supervised learning model are applied, but based on the unsupervised learning model for the integrated sensor data by acquiring and integrating multiple types of sensor data. Learning through the method of learning the supervised learning model using the result of comparing the inferred first failure determination result and the second failure determination result inferred based on the supervised learning model for the converted image obtained by converting the integrated sensor data into data It has the effect of increasing the reliability of failure judgment and adaptively judging various failure situations while securing sufficient learning data for the operation.
여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.Even if effects not explicitly mentioned herein, the effects described in the following specification expected by the technical features of the present invention and their potential effects are treated as described in the specification of the present invention.
도 1은 본 발명의 일 실시예에 따른 고장 진단 장치를 예시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 고장 진단 장치에 적용된 학습 모델을 예시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 고장 진단 장치의 비지도 학습 모델을 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 고장 진단 장치의 변환 모델을 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 고장 진단 장치의 지도 학습 모델을 예시한 도면이다.
도 6은 본 발명의 다른 실시예에 따른 고장 진단 방법을 예시한 흐름도이다.1 is a block diagram illustrating a failure diagnosis apparatus according to an embodiment of the present invention.
2 is a diagram illustrating a learning model applied to a failure diagnosis apparatus according to an embodiment of the present invention.
3 is a diagram illustrating an unsupervised learning model of a failure diagnosis apparatus according to an embodiment of the present invention.
4 is a diagram illustrating a conversion model of a failure diagnosis apparatus according to an embodiment of the present invention.
5 is a diagram illustrating a supervised learning model of a failure diagnosis apparatus according to an embodiment of the present invention.
6 is a flowchart illustrating a failure diagnosis method according to another embodiment of the present invention.
이하, 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하고, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. Hereinafter, in the description of the present invention, when it is determined that the subject matter of the present invention may be unnecessarily obscured as it is obvious to those skilled in the art with respect to related known functions, the detailed description thereof will be omitted, and some embodiments of the present invention will be described. It will be described in detail with reference to exemplary drawings.
도 1은 본 발명의 일 실시예에 따른 고장 진단 장치를 예시한 블록도이다.1 is a block diagram illustrating a failure diagnosis apparatus according to an embodiment of the present invention.
고장 진단 장치(110)는 적어도 하나의 프로세서(120), 컴퓨터 판독 가능한 저장매체(130) 및 통신 버스(170)를 포함한다. The fault diagnosis apparatus 110 includes at least one processor 120 , a computer-readable storage medium 130 , and a
프로세서(120)는 고장 진단 장치(110)로 동작하도록 제어할 수 있다. 예컨대, 프로세서(120)는 컴퓨터 판독 가능한 저장 매체(130)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 컴퓨터 실행 가능 명령어는 프로세서(120)에 의해 실행되는 경우 고장 진단 장치(110)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.The processor 120 may control to operate as the failure diagnosis apparatus 110 . For example, the processor 120 may execute one or more programs stored in the computer-readable storage medium 130 . The one or more programs may include one or more computer-executable instructions, which, when executed by the processor 120 , may be configured to cause the fault diagnosis apparatus 110 to perform operations according to the exemplary embodiment. can
컴퓨터 판독 가능한 저장 매체(130)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능한 저장 매체(130)에 저장된 프로그램(140)은 프로세서(120)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독한 가능 저장 매체(130)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 고장 진단 장치(110)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.Computer-readable storage medium 130 is configured to store computer-executable instructions or program code, program data, and/or other suitable form of information. The
통신 버스(170)는 프로세서(120), 컴퓨터 판독 가능한 저장 매체(130)를 포함하여 고장 진단 장치(110)의 다른 다양한 컴포넌트들을 상호 연결한다.The
고장 진단 장치(110)는 또한 하나 이상의 입출력 장치를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(150) 및 하나 이상의 통신 인터페이스(160)를 포함할 수 있다. 입출력 인터페이스(150) 및 통신 인터페이스(160)는 통신 버스(170)에 연결된다. 입출력 장치(미도시)는 입출력 인터페이스(150)를 통해 고장 진단 장치(110)의 다른 컴포넌트들에 연결될 수 있다.The failure diagnosis device 110 may also include one or more input/output interfaces 150 and one or
고장 진단 장치(110)는 인공지능을 고장 진단에 도입하여 고장률을 낮춘다. 영상 인식 등의 컴퓨터 분야에서 인공지능이 사람의 판단보다 뛰어난 결과를 도출하는 사례가 증가하고 있고, 컴퓨터 기술의 발달로 빅데이터의 수집이 가능한 상황에서 인공지능은 빠른 연산이 가능해 활용 가능성이 높다. 고장 진단 장치(110)는 인공지능을 활용하여 비지도 학습의 결과를 지도 학습에 넣는다. 그 결과 지도 학습에서 모든 데이터가 고려되지 않아 정확도가 줄어드는 부분을 보완할 수 있다. The failure diagnosis apparatus 110 reduces the failure rate by introducing artificial intelligence into the failure diagnosis. In the computer field, such as image recognition, there are increasing cases in which artificial intelligence produces superior results than human judgment. The failure diagnosis apparatus 110 uses artificial intelligence to put the results of unsupervised learning into supervised learning. As a result, in supervised learning, not all data is considered, which can compensate for the decrease in accuracy.
고장 진단 장치(110)는 비지도 학습의 결과를 지도 학습에 입력으로 사용하는 점에서 차별화된다. 고장 진단을 위한 센서 데이터를 수집하고, 비지도 학습을 통해 고장 판단 결과를 만들고, 비지도 학습을 통해 나온 고장 진단 결과를 지도 학습 과정에서 입력으로 넣어 고장 진단을 수행한다.The failure diagnosis apparatus 110 is differentiated in that the result of unsupervised learning is used as an input for supervised learning. Failure diagnosis is performed by collecting sensor data for fault diagnosis, making fault determination results through unsupervised learning, and inputting fault diagnosis results from unsupervised learning as input in the supervised learning process.
고장 진단 장치(110)는 비지도 학습 모델과 지도 학습 모델을 모두 적용하되, 복수 유형의 센서 데이터를 획득하고 통합하여 통합된 센서 데이터에 대해서 비지도 학습 모델을 기반으로 추론한 제1 고장 판단 결과와 통합된 센서 데이터를 데이터 변환한 변환 이미지에 대해서 지도 학습 모델을 기반으로 추론한 제2 고장 판단 결과를 비교한 결과를 이용하여 지도 학습 모델을 학습하는 방식을 통해 학습에 필요한 학습 데이터를 충분히 확보하면서 고장 판단의 신뢰도를 높이고 다양한 고장 상황을 적응적으로 판단한다.The failure diagnosis apparatus 110 applies both the unsupervised learning model and the supervised learning model, but the first failure determination result inferred based on the unsupervised learning model for the integrated sensor data by acquiring and integrating multiple types of sensor data Securing sufficient learning data for learning through the method of learning the supervised learning model using the result of comparing the second failure determination result inferred based on the supervised learning model with respect to the transformed image converted from the sensor data integrated with the while increasing the reliability of failure judgment and adaptively determining various failure situations.
복수 유형의 센서 데이터는 상이한 카테고리에 해당하는 센서로부터 획득한 데이터이다. 복수 유형의 센서 데이터는 단일 카테고리 데이터와 달리 다른 클래스로 분류가 가능하다. 예컨대, 제1 센서는 진동 센서, 제2 센서는 공기 유량 센서, 제3 센서는 압력 센서, 제4 센서는 속도 센서 등이 적용될 수 있다. 센서의 유형은 예시일 뿐이며 다른 유형의 데이터를 측정할 수도 있다.The plurality of types of sensor data is data obtained from sensors corresponding to different categories. Multiple types of sensor data can be classified into different classes, unlike single category data. For example, the first sensor may be a vibration sensor, the second sensor may be an air flow sensor, the third sensor may be a pressure sensor, and the fourth sensor may be a speed sensor. The types of sensors are examples only and may measure other types of data.
도 2는 본 발명의 일 실시예에 따른 고장 진단 장치에 적용된 학습 모델을 예시한 도면이다.2 is a diagram illustrating a learning model applied to a failure diagnosis apparatus according to an embodiment of the present invention.
고장 진단 장치는 특정 장치의 센서 정보를 수집한다. 예를 들어 엔진의 고장을 체크하는 경우에는 진동 센서, 흡기 센서, 압력 센서, 속도 센서 등이 다양한 유형의 센서 정보를 입력으로 받는다. The fault diagnosis device collects sensor information of a specific device. For example, in the case of checking engine failure, various types of sensor information, such as a vibration sensor, an intake sensor, a pressure sensor, and a speed sensor, are received as inputs.
고장 진단 장치는 데이터 통합 모델(210)을 통해 입력된 센서 정보를 통합하여 저장한다. 복수의 유형의 센서 데이터를 미리 설정된 시간 정보 또는 특정 기준에 따라 매칭시킨다. 일종의 동기화 작업을 수행한다. 각 데이터별로 평균데이터를 빼고 표준편차를 나누는 방식으로 정규화 과정을 진행할 수 있다.The failure diagnosis apparatus integrates and stores sensor information input through the
데이터 통합 모델은 복수 유형의 센서 데이터를 정규화할 수 있다. 예컨대, 4개의 센서를 진동 센서, 흡기 센서, 압력 센서, 속도 센서라고 할 때 각 네모의 가로축은 시간축이고, 세로축은 센서에서 측정 가능한 최고 범위이다. 진동 센서가 측정 가능한 범위가 0에서 50일 때 세로축은 0-50으로 표현되며, 속도 센서가 측정 가능한 범위가 -100에서 100일 때 세로축은 0-50으로 표현될 수 있다. The data integration model can normalize multiple types of sensor data. For example, when the four sensors are a vibration sensor, an intake sensor, a pressure sensor, and a speed sensor, the horizontal axis of each square is the time axis, and the vertical axis is the highest range that can be measured by the sensor. When the measurable range of the vibration sensor is 0 to 50, the vertical axis may be expressed as 0-50, and when the measurable range of the speed sensor is -100 to 100, the vertical axis may be expressed as 0-50.
데이터 통합 모델(210)은, 경우에 따라서 정규화한 복수 유형의 센서 데이터를 믹스하여 복수의 그룹으로 그룹핑할 수 있다. 복수의 그룹에서 기준 그룹을 선정하고, 각 그룹을 대표하는 기준 데이터를 선정한다. 복수의 그룹의 기준 데이터와 기준 그룹의 기준 데이터 간에 제1 차이값을 산출하고, 복수의 그룹의 기준 데이터와 기준 데이터가 아닌 나머지 센서 데이터 간에 제2 차이값을 산출하여, 제1 차이값과 제2 차이값을 조정한 새로운 그룹과 새로운 데이터를 생성하여, 센서 데이터를 증가시킬 수 있다. 확장된 센서 데이터는 학습에 사용 가능한 데이터이며 비지도 학습 모델과 지도 학습 모델을 학습하는 과정에서 부족한 데이터를 보충할 수 있다.The
고장 진단 장치는 변환 모델(220)을 통해 센서 정보를 영상화시킨다. 센서 정보는 수치 정보로 되어있다는 가정하에 센서 정보를 영상으로 변환한다. 시계열적 수치 데이터를 2차원 또는 3차원 배열에 배치하여 평면 또는 공간 이미지로 변환한다. 센서 정보를 통해 수집된 입력으로 받아 비지도 학습 모델(230)을 통해 고장 판단 데이터를 수집한다.The failure diagnosis apparatus images sensor information through the
고장 진단 장치는 영상화된 센서 정보를 지도 학습 모델(240)을 이용하여 고장 판단 결과를 출력하고, 비지도 학습 모델(230)을 통해 나온 고장 판단 결과와 지도 학습 모델(240)을 통해 나온 고장 판단 결과를 비교한다. 비지도 학습을 통한 고장 판단 결과와 지도 학습을 통한 고장 판단 결과를 역 전파 오차법을 이용해 지도 학습 모델(240)을 학습시킬 수 있다.The failure diagnosis apparatus outputs a failure determination result using the imaged sensor information using the supervised learning model 240 , and the failure determination result through the unsupervised learning model 230 and the failure determination through the supervised learning model 240 . Compare the results. The supervised learning model 240 may be trained on the failure determination result through unsupervised learning and the failure determination result through supervised learning by using the reverse propagation error method.
고장 진단 장치는 변환 모델을 기반으로 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력한다. 변환 모델(220)은 제1 변환 모델(221)과 제2 변환 모델(222)을 포함한다. 제1 변환 모델(221)을 기반으로 통합된 센서 데이터를 주파수 변환을 수행하여 제1 변환 이미지를 출력한다. 제2 변환 모델(222)을 기반으로 통합된 센서 데이터를 통계적 처리를 수행하여 제2 변환 이미지를 출력한다.The failure diagnosis device converts the integrated sensor data based on the conversion model and outputs a converted image. The
고장 진단 장치는 지도 학습 모델을 기반으로 변환 이미지에 대한 제2 고장 판단 결과를 출력한다. 지도 학습 모델(240)은 제1 지도 학습 모델(241)과 제2 지도 학습 모델(242)을 포함한다. 제1 지도 학습 모델(241)을 기반으로 제1 변환 이미지에 대한 제2-1 고장 판단 결과를 출력한다. 제2 지도 학습 모델(242)을 기반으로 제2 변환 이미지에 대한 제2-2 고장 판단 결과를 출력한다.The failure diagnosis apparatus outputs a second failure determination result for the converted image based on the supervised learning model. The supervised learning model 240 includes a first supervised learning model 241 and a second supervised learning model 242 . Based on the first supervised learning model 241, a 2-1 failure determination result for the first transformed image is output. Based on the second supervised learning model 242, a 2-2 failure determination result for the second transformed image is output.
고장 진단 장치는 지도 학습 모델을 기반으로 변환 이미지에 대한 제2 고장 판단 결과를 출력하며, 제2-1 고장 판단 결과 및 제2-2 고장 판단 결과를 종합하여 최종 고장 판단 결과를 출력할 수 있다. 예컨대, 제2-1 고장 판단 결과 및 제2-2 고장 판단 결과를 결합시킨 데이터를 기준으로 정상 또는 고장을 판단할 수 있다. The failure diagnosis apparatus may output a second failure determination result for the converted image based on the supervised learning model, and output a final failure determination result by synthesizing the 2-1 failure determination result and the 2-2 failure determination result. . For example, normality or failure may be determined based on data obtained by combining the 2-1 failure determination result and the 2-2 failure determination result.
제1 지도 학습 모델(241) 및 제2 지도 학습 모델(242)은 제1 지도 학습 모델의 네트워크에 포함된 제1 가중치와 제2 지도 학습 모델의 네트워크에 포함된 제2 가중치를 일부 공유할 수 있다. 제1 지도 학습 모델(241) 및 제2 지도 학습 모델(242)에 입력되는 이미지 데이터가 상이하나 이미지 데이터가 이미지 변환 전의 통합 센서 데이터의 특징으로부터 도출되는 점에서 제1 지도 학습 모델(241) 및 제2 지도 학습 모델(242)는 상호 학습에 영향을 주도록 설계할 수 있다. The first supervised learning model 241 and the second supervised learning model 242 may partially share the first weight included in the network of the first supervised learning model and the second weight included in the network of the second supervised learning model. have. Although the image data input to the first supervised learning model 241 and the second supervised learning model 242 is different, the image data is derived from the characteristics of the integrated sensor data before image conversion, the first supervised learning model 241 and The second supervised learning model 242 may be designed to influence mutual learning.
비지도 학습 모델과 지도 학습 모델은 입력된 데이터의 특징 정보를 벡터 레벨에서 변환하고, 임베딩 공간을 구성할 수 있다.The unsupervised learning model and the supervised learning model can transform feature information of input data at a vector level and configure an embedding space.
도 3은 본 발명의 일 실시예에 따른 고장 진단 장치의 비지도 학습 모델을 예시한 도면이다.3 is a diagram illustrating an unsupervised learning model of a failure diagnosis apparatus according to an embodiment of the present invention.
비지도 학습 모델은 입력 데이터와 관련된 레이블 또는 목표가 없이 학습을 수행한다. 비지도 학습 모델은 오토인코더(AutoEncoder), GAN(Generative Adversarial Network) 등으로 구현될 수 있다.Unsupervised learning models learn without labels or goals associated with the input data. The unsupervised learning model may be implemented as an autoencoder, a generative adversarial network (GAN), or the like.
비지도 학습 모델은 노이즈 분포와 특징 정보를 입력받고 새로운 특징 정보를 출력하며, 생성 모델과 판별 모델이 상호 작용하는 적대적 생성 신경망(GAN)으로 구현될 수 있다. The unsupervised learning model can be implemented as an adversarial generative neural network (GAN) that receives noise distribution and feature information, outputs new feature information, and interacts with a generative model and a discriminant model.
비지도 학습 모델은 생성 모델(310) 및 판별 모델(320)을 포함할 수 있으며, 생성 모델 및 판별 모델이 상호 작용하는 적대적 생성 신경망에서 정의된 손실 함수를 학습한 결과를 이용하여 제1 고장 판단 결과를 교정할 수 있다. 손실 함수를 최소화하는 방향으로 생성 모델 및 판별 모델의 파라미터를 교정할 수 있다.The unsupervised learning model may include a generative model 310 and a discriminant model 320, and the first failure determination is made using the result of learning the loss function defined in the adversarial generative neural network in which the generative model and the discriminant model interact. The results can be corrected. The parameters of the generative model and the discriminant model can be corrected in the direction of minimizing the loss function.
도 4는 본 발명의 일 실시예에 따른 고장 진단 장치의 변환 모델을 예시한 도면이다.4 is a diagram illustrating a conversion model of a failure diagnosis apparatus according to an embodiment of the present invention.
변환 모델은 센서 정보를 지도 학습 모델에 입력하기 위해서 센서 정보를 이미지로 변환한다. 영상화시키는 두 가지 방식은 주파수 변환과 통계적 처리 방식이 적용된다.The transformation model converts the sensor information into an image in order to input the sensor information into the supervised learning model. The two methods of imaging are frequency conversion and statistical processing.
예컨대, 4개의 센서를 진동 센서, 흡기 센서, 압력 센서, 속도 센서라고 할 때, 4개 유형의 센서 데이터를 통합하고 통합된 센서 데이터를 제1 이미지 데이터와 제2 이미지 데이터로 변환한다.For example, when the four sensors are referred to as a vibration sensor, an intake sensor, a pressure sensor, and a speed sensor, the four types of sensor data are integrated and the integrated sensor data is converted into first image data and second image data.
제1 변환 모델(210)은 통합된 센서 데이터를 FFT(Fast Fourier Transform)를 이용해서 주파수 영역의 영상으로 변환한다. 이후 데이터를 제1 변환 모델(210)의 입력으로 사용한다. The
제2 변환 모델(220)은 지수이동평균을 통해 오래된 데이터가 미치는 역할을 지수적으로 감쇠하게 만든 그래프를 제2 변환 모델(220)의 입력으로 사용한다. 고장 데이터는 최근의 데이터들에 의해 영향을 많이 받기 때문이다. 제2 변환 모델(220)의 처리 방식을 수학식 2로 표현할 수 있다.The
V는 현재의 값, B는 0~1의 값으로 여기서는 0.5을 사용할 수 있으나, 요구되는 설계사항에 따라 적절한 값을 사용할 수 있다. θ는 새로 들어온 데이터이다. V is the current value and B is a value of 0~1. Here, 0.5 can be used, but an appropriate value can be used depending on the required design. θ is the new data.
최종적으로 두 지도 학습 모델로 이미지 데이터를 입력하고 고장 정상의 여부를 판단한다.Finally, the image data is input into the two supervised learning models, and it is determined whether the failure is normal or not.
도 5는 본 발명의 일 실시예에 따른 고장 진단 장치의 지도 학습 모델을 예시한 도면이다.5 is a diagram illustrating a supervised learning model of a failure diagnosis apparatus according to an embodiment of the present invention.
지도 학습은 정답이 주어진 상태에서 학습을 수행한다.In supervised learning, learning is performed in a state where the correct answer is given.
지도 학습 모델은 특징 추출 모델을 포함할 수 있으며, 지도 학습 모델은 CNN(Convolutional Neural Network)으로 구현될 수 있다. 지도 학습 모델은 다수의 레이어가 네트워크로 연결되며 히든 레이어를 포함한다. 레이어는 파라미터를 포함할 수 있고, 레이어의 파라미터는 학습가능한 필터 집합을 포함한다. 필터는 컨볼루션 필터를 적용할 수 있다. 파라미터는 노드 간의 가중치 및/또는 바이어스를 포함한다.The supervised learning model may include a feature extraction model, and the supervised learning model may be implemented as a Convolutional Neural Network (CNN). A supervised learning model has multiple layers connected by a network and includes hidden layers. A layer may include parameters, and the parameters of the layer include a set of learnable filters. A convolution filter can be applied as a filter. The parameters include weights and/or biases between nodes.
도 5에 도시된 모델 구조 뿐만 아니라 적용 가능한 CNN 네트워크는 다양한 연결 구조로 설계될 수 있다. The CNN network applicable as well as the model structure shown in FIG. 5 may be designed with various connection structures.
도 6은 본 발명의 다른 실시예에 따른 고장 진단 방법을 예시한 흐름도이다. 고장 진단 방법은 고장 진단 장치에 의해 수행될 수 있다.6 is a flowchart illustrating a failure diagnosis method according to another embodiment of the present invention. The fault diagnosis method may be performed by a fault diagnosis device.
단계 S10에서는 복수 유형의 센서 데이터를 획득한다.In step S10, a plurality of types of sensor data is acquired.
단계 S20에서는 데이터 통합 모델을 기반으로 복수 유형의 센서 데이터를 통합하여 통합된 센서 데이터를 출력한다.In step S20, the integrated sensor data is output by integrating multiple types of sensor data based on the data integration model.
단계 S30에서는 비지도 학습 모델을 기반으로 통합된 센서 데이터에 대한 제1 고장 판단 결과를 출력한다.In step S30, the first failure determination result for the integrated sensor data based on the unsupervised learning model is output.
단계 S40에서는 변환 모델을 기반으로 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력한다.In step S40, a converted image is output by data conversion of the integrated sensor data based on the conversion model.
단계 S50에서는 지도 학습 모델을 기반으로 변환 이미지에 대한 제2 고장 판단 결과를 출력한다.In step S50, a second failure determination result for the transformed image is output based on the supervised learning model.
지도 학습 모델은 제1 고장 판단 결과 및 제2 고장 판단 결과를 비교한 결과에 따라 오차를 정정하도록 학습을 수행한다.The supervised learning model learns to correct an error according to a result of comparing the first failure determination result and the second failure determination result.
고장 진단 장치는 하드웨어, 펌웨어, 소프트웨어 또는 이들의 조합에 의해 로직회로 내에서 구현될 수 있고, 범용 또는 특정 목적 컴퓨터를 이용하여 구현될 수도 있다. 장치는 고정배선형(Hardwired) 기기, 필드 프로그램 가능한 게이트 어레이(Field Programmable Gate Array, FPGA), 주문형 반도체(Application Specific Integrated Circuit, ASIC) 등을 이용하여 구현될 수 있다. 또한, 장치는 하나 이상의 프로세서 및 컨트롤러를 포함한 시스템온칩(System on Chip, SoC)으로 구현될 수 있다.The failure diagnosis apparatus may be implemented in a logic circuit by hardware, firmware, software, or a combination thereof, or may be implemented using a general-purpose or special-purpose computer. The device may be implemented using a hardwired device, a field programmable gate array (FPGA), an application specific integrated circuit (ASIC), or the like. In addition, the device may be implemented as a system on chip (SoC) including one or more processors and controllers.
고장 진단 장치는 하드웨어적 요소가 마련된 컴퓨팅 디바이스 또는 서버에 소프트웨어, 하드웨어, 또는 이들의 조합하는 형태로 탑재될 수 있다. 컴퓨팅 디바이스 또는 서버는 각종 기기 또는 유무선 통신망과 통신을 수행하기 위한 통신 모뎀 등의 통신장치, 프로그램을 실행하기 위한 데이터를 저장하는 메모리, 프로그램을 실행하여 연산 및 명령하기 위한 마이크로프로세서 등을 전부 또는 일부 포함한 다양한 장치를 의미할 수 있다.The failure diagnosis apparatus may be mounted in the form of software, hardware, or a combination thereof on a computing device or server provided with hardware elements. A computing device or server is all or part of a communication device such as a communication modem for performing communication with various devices or a wired/wireless communication network, a memory for storing data for executing a program, and a microprocessor for executing operations and commands by executing the program It can mean a variety of devices, including
도 6에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 6에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.Although it is described that each process is sequentially executed in FIG. 6, this is only illustratively described, and those skilled in the art change the order described in FIG. Alternatively, various modifications and variations may be applied by executing one or more processes in parallel or adding other processes.
본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있다. 컴퓨터 판독 가능한 매체는 실행을 위해 프로세서에 명령어를 제공하는 데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예를 들면, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.The operations according to the present embodiments may be implemented in the form of program instructions that can be performed through various computer means and recorded in a computer-readable medium. Computer-readable medium represents any medium that participates in providing instructions to a processor for execution. Computer-readable media may include program instructions, data files, data structures, or a combination thereof. For example, there may be a magnetic medium, an optical recording medium, a memory, and the like. A computer program may be distributed over a networked computer system so that computer readable code is stored and executed in a distributed manner. Functional programs, codes, and code segments for implementing the present embodiment may be easily inferred by programmers in the technical field to which the present embodiment pertains.
본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The present embodiments are for explaining the technical idea of the present embodiment, and the scope of the technical idea of the present embodiment is not limited by these embodiments. The protection scope of this embodiment should be interpreted by the claims below, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present embodiment.
Claims (12)
복수 유형의 센서 데이터를 획득하는 단계;
데이터 통합 모델을 기반으로 상기 복수 유형의 센서 데이터를 통합하여 통합된 센서 데이터를 출력하는 단계;
비지도 학습 모델을 기반으로 상기 통합된 센서 데이터에 대한 제1 고장 판단 결과를 출력하는 단계;
변환 모델을 기반으로 상기 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력하는 단계; 및
지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계를 포함하며,
상기 지도 학습 모델은 상기 제1 고장 판단 결과 및 상기 제2 고장 판단 결과를 비교한 결과에 따라 오차를 정정하도록 학습되는 것을 특징으로 하는 고장 진단 방법.A method for diagnosing a failure by a failure diagnosis device, the method comprising:
acquiring a plurality of types of sensor data;
outputting integrated sensor data by integrating the plurality of types of sensor data based on a data integration model;
outputting a first failure determination result for the integrated sensor data based on an unsupervised learning model;
outputting a converted image by converting the integrated sensor data based on the conversion model; and
Comprising the step of outputting a second failure determination result for the transformed image based on the supervised learning model,
The supervised learning model is trained to correct an error according to a result of comparing the first failure determination result and the second failure determination result.
상기 변환 모델을 기반으로 상기 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력하는 단계는,
제1 변환 모델을 기반으로 상기 통합된 센서 데이터를 주파수 변환을 수행하여 제1 변환 이미지를 출력하는 단계; 및
제2 변환 모델을 기반으로 상기 통합된 센서 데이터를 통계적 처리를 수행하여 제2 변환 이미지를 출력하는 단계를 포함하는 것을 특징으로 하는 고장 진단 방법.According to claim 1,
Outputting a converted image by data conversion of the integrated sensor data based on the conversion model,
outputting a first converted image by performing frequency conversion on the integrated sensor data based on a first conversion model; and
and outputting a second transformed image by performing statistical processing on the integrated sensor data based on a second transformation model.
상기 지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계는,
제1 지도 학습 모델을 기반으로 상기 제1 변환 이미지에 대한 제2-1 고장 판단 결과를 출력하는 단계; 및
제2 지도 학습 모델을 기반으로 상기 제2 변환 이미지에 대한 제2-2 고장 판단 결과를 출력하는 단계를 포함하는 것을 특징으로 하는 고장 진단 방법.In claim 2,
The step of outputting a second failure determination result for the transformed image based on the supervised learning model comprises:
outputting a 2-1 failure determination result for the first transformed image based on a first supervised learning model; and
and outputting a 2-2 failure determination result for the second transformed image based on a second supervised learning model.
상기 지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계는,
상기 제2-1 고장 판단 결과 및 상기 제2-2 고장 판단 결과를 종합하여 최종 고장 판단 결과를 출력하는 단계를 포함하는 것을 특징으로 하는 고장 진단 방법.According to the third
The step of outputting a second failure determination result for the transformed image based on the supervised learning model comprises:
and outputting a final failure determination result by synthesizing the 2-1 failure determination result and the 2-2 failure determination result.
상기 제1 지도 학습 모델 및 상기 제2 지도 학습 모델은 상기 제1 지도 학습 모델의 네트워크에 포함된 제1 가중치와 상기 제2 지도 학습 모델의 네트워크에 포함된 제2 가중치를 일부 공유하는 것을 특징으로 하는 고장 진단 방법.In claim 2,
The first supervised learning model and the second supervised learning model share a portion of a first weight included in the network of the first supervised learning model and a second weight included in the network of the second supervised learning model fault diagnosis method.
상기 데이터 통합 모델은 상기 복수 유형의 센서 데이터를 정규화하는 것을 특징으로 하는 고장 진단 방법.The method of claim 1,
The data integration model normalizes the plurality of types of sensor data.
상기 데이터 통합 모델은,
상기 정규화한 복수 유형의 센서 데이터를 믹스하여 복수의 그룹으로 그룹핑하고,
상기 복수의 그룹에서 기준 그룹을 선정하고, 각 그룹을 대표하는 기준 데이터를 선정하고,
상기 복수의 그룹의 기준 데이터와 상기 기준 그룹의 기준 데이터 간에 제1 차이값을 산출하고, 상기 복수의 그룹의 기준 데이터와 기준 데이터가 아닌 나머지 센서 데이터 간에 제2 차이값을 산출하여, 상기 제1 차이값과 상기 제2 차이값을 조정한 새로운 그룹과 새로운 데이터를 생성하여, 센서 데이터를 증가시키는 것을 특징으로 하는 고장 진단 방법.According to claim 6,
The data integration model is
grouping into a plurality of groups by mixing the normalized plurality of types of sensor data,
selecting a reference group from the plurality of groups, and selecting reference data representing each group,
A first difference value is calculated between the reference data of the plurality of groups and the reference data of the reference group, and a second difference value is calculated between the reference data of the plurality of groups and the remaining sensor data other than the reference data, so that the first A method for diagnosing a failure, characterized in that the sensor data is increased by generating a new group and new data obtained by adjusting the difference value and the second difference value.
상기 비지도 학습 모델은 생성 모델 및 판별 모델을 포함하며,
상기 생성 모델 및 상기 판별 모델이 상호 작용하는 적대적 생성 신경망에서 정의된 손실 함수를 학습한 결과를 이용하여 상기 제1 고장 판단 결과를 교정하는 것을 특징으로 하는 고장 진단 방법.The method of claim 1,
The unsupervised learning model includes a generative model and a discriminant model,
and correcting the first failure determination result by using a result of learning a loss function defined in an adversarial generative neural network in which the generative model and the discriminant model interact.
상기 프로세서는,
복수 유형의 센서 데이터를 획득하고,
데이터 통합 모델을 기반으로 상기 복수 유형의 센서 데이터를 통합하여 통합된 센서 데이터를 출력하고,
비지도 학습 모델을 기반으로 상기 통합된 센서 데이터에 대한 제1 고장 판단 결과를 출력하고,
변환 모델을 기반으로 상기 통합된 센서 데이터를 데이터 변환하여 변환 이미지를 출력하는 단계; 및
지도 학습 모델을 기반으로 상기 변환 이미지에 대한 제2 고장 판단 결과를 출력하는 단계를 포함하며,
상기 지도 학습 모델은 상기 제1 고장 판단 결과 및 상기 제2 고장 판단 결과를 비교한 결과에 따라 오차를 정정하도록 학습되는 것을 특징으로 하는 고장 진단 장치.A fault diagnosis apparatus comprising one or more processors and a memory for storing one or more programs executed by the one or more processors,
The processor is
Acquire multiple types of sensor data,
Output the integrated sensor data by integrating the plurality of types of sensor data based on the data integration model,
Outputs the first failure determination result for the integrated sensor data based on the unsupervised learning model,
outputting a converted image by converting the integrated sensor data based on the conversion model; and
Comprising the step of outputting a second failure determination result for the transformed image based on the supervised learning model,
The supervised learning model is trained to correct an error according to a result of comparing the first failure determination result and the second failure determination result.
상기 프로세서는,
제1 변환 모델을 기반으로 상기 통합된 센서 데이터를 주파수 변환을 수행하여 제1 변환 이미지를 출력하고,
제2 변환 모델을 기반으로 상기 통합된 센서 데이터를 통계적 처리를 수행하여 제2 변환 이미지를 출력하는 것을 특징으로 하는 고장 진단 장치.10. The method of claim 9,
The processor is
Outputs a first converted image by performing frequency conversion on the integrated sensor data based on the first conversion model,
The apparatus for diagnosing a failure, characterized in that a second conversion image is output by performing statistical processing on the integrated sensor data based on a second conversion model.
상기 프로세서는,
제1 지도 학습 모델을 기반으로 상기 제1 변환 이미지에 대한 제2-1 고장 판단 결과를 출력하고,
제2 지도 학습 모델을 기반으로 상기 제2 변환 이미지에 대한 제2-2 고장 판단 결과를 출력하는 것을 특징으로 하는 고장 진단 장치.11. The method of claim 10,
The processor is
Outputs the 2-1 failure determination result for the first transformed image based on the first supervised learning model,
The failure diagnosis apparatus according to claim 1, wherein a 2-2 failure determination result for the second transformed image is output based on a second supervised learning model.
상기 프로세서는,
상기 제2-1 고장 판단 결과 및 상기 제2-2 고장 판단 결과를 종합하여 최종 고장 판단 결과를 출력하는 것을 특징으로 하는 고장 진단 장치.12. The method of claim 11,
The processor is
and outputting a final failure determination result by synthesizing the 2-1 failure determination result and the 2-2 failure determination result.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210045176A KR102570576B1 (en) | 2021-04-07 | 2021-04-07 | Method and apparatus for diagnosing error using unsupervised learning and supervised learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210045176A KR102570576B1 (en) | 2021-04-07 | 2021-04-07 | Method and apparatus for diagnosing error using unsupervised learning and supervised learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220139044A true KR20220139044A (en) | 2022-10-14 |
| KR102570576B1 KR102570576B1 (en) | 2023-08-25 |
Family
ID=83599983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210045176A KR102570576B1 (en) | 2021-04-07 | 2021-04-07 | Method and apparatus for diagnosing error using unsupervised learning and supervised learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102570576B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102647161B1 (en) * | 2023-10-19 | 2024-03-15 | 한국과학기술원 | Deep-learning based tank powertrain fault diagnosis system using multi-channel acoustic and vibration signals |
| KR102668931B1 (en) * | 2023-05-08 | 2024-05-29 | (주)로보케어 | Apparatus and method for providing customized service |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180110566A (en) * | 2017-03-29 | 2018-10-10 | 아이덴티파이 주식회사 | Method for detecting abnormal signal of vehicle by using artificial intelligence system |
| KR102091076B1 (en) | 2019-04-16 | 2020-03-20 | 주식회사 이글루시큐리티 | Intelligent security control system and method using mixed map alert analysis and non-supervised learning based abnormal behavior detection method |
| KR20200034545A (en) * | 2018-09-21 | 2020-03-31 | 키스트-유로페 포르슝스게젤샤프트 엠비에치 | Method and apparatus for converting data by using nested scatter plot |
| JP2020071845A (en) * | 2018-11-02 | 2020-05-07 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | Abnormality detection device, abnormality detection method, and abnormality detection program |
| KR102170632B1 (en) * | 2019-12-03 | 2020-10-27 | 한국항공우주연구원 | Method and apparatus for detecting anomalous behavior in real-time in cluestered system |
| KR20220040659A (en) * | 2020-09-24 | 2022-03-31 | 주식회사 비카누스 | Anomaly detection system of time-series data |
-
2021
- 2021-04-07 KR KR1020210045176A patent/KR102570576B1/en active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180110566A (en) * | 2017-03-29 | 2018-10-10 | 아이덴티파이 주식회사 | Method for detecting abnormal signal of vehicle by using artificial intelligence system |
| KR20200034545A (en) * | 2018-09-21 | 2020-03-31 | 키스트-유로페 포르슝스게젤샤프트 엠비에치 | Method and apparatus for converting data by using nested scatter plot |
| JP2020071845A (en) * | 2018-11-02 | 2020-05-07 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | Abnormality detection device, abnormality detection method, and abnormality detection program |
| KR102091076B1 (en) | 2019-04-16 | 2020-03-20 | 주식회사 이글루시큐리티 | Intelligent security control system and method using mixed map alert analysis and non-supervised learning based abnormal behavior detection method |
| KR102170632B1 (en) * | 2019-12-03 | 2020-10-27 | 한국항공우주연구원 | Method and apparatus for detecting anomalous behavior in real-time in cluestered system |
| KR20220040659A (en) * | 2020-09-24 | 2022-03-31 | 주식회사 비카누스 | Anomaly detection system of time-series data |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102668931B1 (en) * | 2023-05-08 | 2024-05-29 | (주)로보케어 | Apparatus and method for providing customized service |
| KR102647161B1 (en) * | 2023-10-19 | 2024-03-15 | 한국과학기술원 | Deep-learning based tank powertrain fault diagnosis system using multi-channel acoustic and vibration signals |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102570576B1 (en) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109805932B (en) | Automatic fault detection in MR apparatus | |
| US11756349B2 (en) | Electronic control unit testing optimization | |
| KR102570576B1 (en) | Method and apparatus for diagnosing error using unsupervised learning and supervised learning | |
| US7930122B2 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
| JP4876136B2 (en) | Abnormality diagnosis apparatus and abnormality diagnosis method | |
| US20070028219A1 (en) | Method and system for anomaly detection | |
| JP2010530179A (en) | Virtual sensor system and method | |
| EP1729243A1 (en) | Fault detection system and method using approximate null space based fault signature classification | |
| WO2007149307A2 (en) | Fault detection and root cause identification in complex systems | |
| KR20170031985A (en) | Fault detection and diagnostics method of air-conditioning system | |
| CN113360337A (en) | Method for verifying and selecting a model for condition monitoring of a machine | |
| CN111445546B (en) | Image reconstruction method, device, electronic equipment and storage medium | |
| WO2019228625A1 (en) | Method and apparatus for detecting vibrational and/or acoustic transfers in a mechanical system | |
| CN110991471A (en) | Fault diagnosis method for high-speed train traction system | |
| US20200409816A1 (en) | Method and apparatus for testing a system, for selecting real tests, and for testing systems with machine learning components | |
| KR20200028249A (en) | Facility data fault diagnosis system and method of the same | |
| CN110705689B (en) | Continuous learning method and device capable of distinguishing features | |
| US20230077549A1 (en) | Verification of updated analytical procedures in monitoring systems | |
| CN110060374B (en) | Method and device for detecting abnormality of aircraft fuel system | |
| CN113704085A (en) | Method and device for checking a technical system | |
| EP4110431A1 (en) | Automatic sensor trace validation using machine learning | |
| CN117723782B (en) | Sensor fault identification positioning method and system for bridge structure health monitoring | |
| Singh et al. | Hybrid physics-infused 1D-CNN based deep learning framework for diesel engine fault diagnostics | |
| CN117828481B (en) | Fuel system fault diagnosis method and medium for common rail ship based on dynamic integrated frame | |
| KR102261840B1 (en) | Method and apparatus for detecting of fault, computer-readable storage medium and computer program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |