KR20220159291A - 데이터 분류 장치 및 방법 - Google Patents

데이터 분류 장치 및 방법 Download PDF

Info

Publication number
KR20220159291A
KR20220159291A KR1020220063906A KR20220063906A KR20220159291A KR 20220159291 A KR20220159291 A KR 20220159291A KR 1020220063906 A KR1020220063906 A KR 1020220063906A KR 20220063906 A KR20220063906 A KR 20220063906A KR 20220159291 A KR20220159291 A KR 20220159291A
Authority
KR
South Korea
Prior art keywords
data
state
machine
time
pattern
Prior art date
Application number
KR1020220063906A
Other languages
English (en)
Inventor
송찰스기석
남상준
박형준
Original Assignee
젠틀에너지 주식회사
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 젠틀에너지 주식회사 filed Critical 젠틀에너지 주식회사
Priority to PCT/KR2022/007423 priority Critical patent/WO2022250449A1/ko
Priority to JP2022577388A priority patent/JP2023531902A/ja
Priority to US18/050,246 priority patent/US20230071496A1/en
Publication of KR20220159291A publication Critical patent/KR20220159291A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • 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
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
    • G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
    • G01H11/08—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means using piezoelectric devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H13/00—Measuring resonant frequency
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • 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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G06F11/3075—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting the data filtering being achieved in order to maintain consistency among the monitored data, e.g. ensuring that the monitored data belong to the same timeframe, to the same system or component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06K9/6267—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02N—ELECTRIC MACHINES NOT OTHERWISE PROVIDED FOR
    • H02N2/00—Electric machines in general using piezoelectric effect, electrostriction or magnetostriction
    • H02N2/18—Electric machines in general using piezoelectric effect, electrostriction or magnetostriction producing electrical output from mechanical input, e.g. generators
    • H02N2/186—Vibration harvesters
    • H02N2/188—Vibration harvesters adapted for resonant operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/025—Change of phase or condition
    • G01N2291/0258—Structural degradation, e.g. fatigue of composites, ageing of oils
    • 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
    • G05B2219/33—Director till display
    • G05B2219/33296—ANN for diagnostic, monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/835—Timestamp

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Biomedical Technology (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

본 발명은 IoT 센서로부터 수집된 데이터를 분석하여 확장된 정보를 제공하는 데이터 분류 장치 및 방법에 관한 것이다. 본 발명의 일 실시 예에 따른 데이터 분류 방법은, 기계에 구비되거나 설치 가능한 IoT 센서로부터 시계열 센서 데이터를 수집하는 단계와, 시계열 센서 데이터를 부각시킨 제1 처리 데이터를 생성하는 단계와, 제1 처리 데이터를 기반으로 기계의 상태를 결정하기 위한 제2 처리 데이터를 생성하는 단계와, 제2 처리 데이터를 기반으로 하여 제1 처리 데이터로부터 기계의 상태를 분류하는 단계를 포함하고, 기계의 상태는, 기계가 활성화되고 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되지 않는 비패턴구간에 포함되는 제1 상태 및 기계가 활성화되고 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되는 패턴구간에 포함되는 제2 상태 중 하나 이상을 포함할 수 있다.

Description

데이터 분류 장치 및 방법{APPARATUS AND METHOD FOR CLASSIFYING DATA}
본 발명은 IoT 센서로부터 수집된 데이터를 분석하여 확장된 정보를 제공하는 데이터 분류 장치 및 방법에 관한 것이다.
일반적으로, CNC(computerized numerical control) 공작 기계는 고성능 연산장치를 내장한 NC(numerical control) 공작 기계로서, 가공형상, 가공조건, 가공동작 등의 데이터를 컴퓨터로 자동 프로그래밍하여 NC 데이터로 변환시키고, NC 데이터를 펄스 신호화된 상태로 변환시켜 공작 기계를 구동한다. 최근 IoT 기술의 발전과 더불어 CNC 공작 기계들도 다양한 형태의 센서와 통신모듈을 장착하고 원격 모니터링 또는 제어가 가능하도록 발전하고 있다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
국내 등록특허공보 제10-0952619호(2010.04.06)
본 발명의 일 과제는, 기계에 구비되거나 설치 가능한 IoT 센서로부터 수집된 데이터를 분석하여 기계의 상태를 분류하는 데이터 분류 장치 및 방법을 제공하는데 있다.
본 발명의 일 과제는, 기계에 구비되거나 설치 가능한 IoT 센서로부터 수집된 데이터 분석 시에 비지도 학습 범주에 속하는 분석모델을 이용하여 별도의 트레이닝 데이터와 트레이닝 기간이 필요하지 않고 이기종 데이터에도 적용이 가능한 데이터 분류 장치 및 방법을 제공하는데 있다.
본 발명의 일 과제는 IoT 센서에서 수집된 초소형 데이터 구조에도 적용가능한 범용성을 가진 데이터 분류 장치 및 방법을 제공하는데 있다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명이 해결하고자 하는 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
본 발명의 일 실시 예에 따른 데이터 분류 방법은, 데이터 분류 장치의 프로세서에 의해 수행되는 데이터 분류 방법으로서, 기계에 구비되거나 설치 가능한 IoT 센서로부터 시계열 센서 데이터를 수집하는 단계와, 시계열 센서 데이터를 부각시킨 제1 처리 데이터를 생성하는 단계와, 제1 처리 데이터를 기반으로 기계의 상태를 결정하기 위한 제2 처리 데이터를 생성하는 단계와, 제2 처리 데이터를 기반으로 하여 제1 처리 데이터로부터 기계의 상태를 분류하는 단계를 포함하고, 기계의 상태는, 기계가 활성화되고 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되지 않는 비패턴구간에 포함되는 제1 상태 및 기계가 활성화되고 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되는 패턴구간에 포함되는 제2 상태 중 하나 이상을 포함할 수 있다.
본 발명의 일 실시 예에 따른 데이터 분류 장치는, 프로세서와, 프로세서와 동작 가능하게 연결되고 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고, 메모리는 프로세서를 통해 실행될 때, 프로세서가 기계에 구비되거나 설치 가능한 IoT 센서로부터 시계열 센서 데이터를 수집하고, 시계열 센서 데이터를 부각시킨 제1 처리 데이터를 생성하고, 제1 처리 데이터를 기반으로 기계의 상태를 결정하기 위한 제2 처리 데이터를 생성하고, 제2 처리 데이터를 기반으로 하여 제1 처리 데이터로부터 기계의 상태를 분류하도록 야기하는 코드를 포함하고, 기계의 상태는, 기계가 활성화되고 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되지 않는 비패턴구간에 포함되는 제1 상태 및 기계가 활성화되고 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되는 패턴구간에 포함되는 제2 상태 중 하나 이상을 포함할 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명에 의하면, 기계에 구비되거나 설치 가능한 IoT 센서로부터 수집된 데이터를 분석하여 기계의 상태를 분류함에 있어서 분류 정확도가 높은 데이터 분류 장치 및 방법을 제공할 수 있다.
또한, 기계에 구비되거나 설치 가능한 IoT 센서로부터 수집된 데이터 분석 시에 비지도 학습 범주에 속하는 분석모델을 이용하여 별도의 트레이닝 데이터와 트레이닝 기간이 필요하지 않고 이기종 데이터에도 적용이 가능한 데이터 분류 장치 및 방법을 제공할 수 있다.
또한, IoT 센서에서 수집된 초소형 데이터 구조에도 적용가능한 범용성을 가지고 있어서, 상대적으로 성능이 낮은 연산장치를 통해서도 실질적으로 활용가능한 데이터 분류가 가능하여, 비용 절감이 가능한 데이터 분류 장치 및 방법을 제공할 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 실시 예에 따른 데이터 분류 환경의 예시도이다.
도 2는 본 실시 예에 따른 데이터 분류 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 3은 도 2의 데이터 분류 장치 중 분류 처리부의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 4 내지 도 11은 본 실시 예에 따른 데이터 분류를 설명하기 위한 그래프이다.
도 12는 다른 실시 예에 따른 데이터 분류 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 13 및 도 14은 본 실시 예에 따른 데이터 분류 방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
또한, 본 출원서에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 실시 예에 따른 데이터 분류 환경의 예시도이다. 도 1을 참조하면, 데이터 분류 환경(1)은 데이터 분류 장치(100), 기계(200), IoT 센서(300), 사용자 단말기(400) 및 네트워크(500)를 포함할 수 있다.
데이터 분류 장치(100)는 기계(200)에 구비되거나 설치 가능한 IoT 센서(300)로부터 수집된 데이터가 어떤 의미를 가지는지 더 효율적으로 분석하기 위해 데이터를 처리할 수 있다. 데이터 분류 장치(100)는 기계(200)에 구비되거나 설치 가능한 IoT 센서(300)로부터 단순히 수집된 데이터의 해석을 통해 기계(200)와 관련된 확장 정보를 분류할 수 있다. 여기서 기계(200)와 관련된 확장 정보는 예를 들어, 기계(200)의 상태 정보를 포함할 수 있다.
본 실시 예에서, 기계(200)는 전기 모터를 기반으로 금속 물체를 성형하는 금속 가공 기계를 포함할 수 있다. 그러나 이에 국한되지 않고, 내외부에 IoT 센서(300)를 구비하고 데이터 분류 장치(100)와 통신이 가능한 기계라면 본 실시 예에 적용될 수 있다.
본 실시 예에서, IoT 센서(300)는 사물인터넷 환경에 적용되는 센서로서, 기계(200)에 구비되어 기계(200)와 관련한 데이터를 센싱하여 데이터 분류 장치(100)로 전송할 수 있다. 이러한 IoT 센서(300)는 전류 센서, 진동 센서, 조도 센서, 온도 센서, 근접도 센서 등을 포함할 수 있다. 본 실시 예에서, 설명의 편의상 IoT 센서(300)가 전류 센서라고 가정하고 설명하기로 한다.
본 실시 예에서, 데이터 분류 장치(100)가 분류하는 기계(200)의 상태는 제0 상태, 제1 상태, 제2 상태 및 제2-1 상태 내지 제2-3 상태를 포함할 수 있다.
제0 상태는, 기계(200)가 비활성화 구간에 포함되는 상태를 포함할 수 있다. 여기서, 비활성화(inactive) 구간이라 함은, 기계(200)의 전원이 차단되는 구간을 포함할 수 있다. 예를 들어, 기계(200)가 믹서기라 하면, 제0 상태는 믹서기의 전원이 차단된 상태일 수 있다. 본 실시 예에서, 제0 상태와 대비하여 제1 상태, 제2 상태 및 제2-1 상태 내지 제2-3 상태는 활성화 구간에 포함되는 상태를 포함할 수 있다. 여기서, 활성화(active) 구간이라 함은, 기계(200)의 전원이 공급되는 구간을 포함할 수 있다.
제1 상태는, 기계(200)가 활성화되고 후술하는 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되지 않는 비패턴구간에 포함되는 상태를 나타낼 수 있다. 즉, 제1 상태는 기계(200)의 전원이 공급되고 기계(200)가 미작동 하는 상태를 포함할 수 있다. 예를 들어, 기계(200)가 믹서기라 하면, 제1 상태는 믹서기의 전원을 공급한 후 동작 버튼을 누르기 전 상태일 수 있다.
제2 상태는, 기계(200)가 활성화되고 후술하는 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되는 패턴구간에 포함되는 상태를 나타낼 수 있다. 즉, 제2 상태는 기계(200)의 전원이 공급되고 기계(200)가 작동하는 상태를 포함할 수 있다. 예를 들어, 기계(200)가 믹서기라 하면, 제2 상태는 믹서기의 전원을 공급한 후 동작 버튼을 입력하여 믹서기를 동작시키는 상태일 수 있다. 여기서, 믹서기의 동작 버튼을 입력하면 그에 대응하는 임의의 패턴이 생성될 수 있다.
제2-1 상태는, 제2 상태에 포함되는 임의의 패턴이 기설정된 개수 이상 반복되어 가시화되는 제1 패턴구간에 포함되는 상태를 나타낼 수 있다. 즉, 제2-1 상태는 기계(200)의 전원이 공급되고 기계(200)가 정상 작동하는 상태를 포함할 수 있다. 예를 들어, 기계(200)가 믹서기라 하면, 제2-1 상태는 동작 버튼을 기설정된 회수 이상 입력하여 믹서기를 동작시키는 상태일 수 있다. 여기서, 믹서기의 동작 버튼을 기설정된 회수 이상 입력하면 그에 대응하는 임의의 패턴이 기설정된 회수 이상 생성될 수 있다. 기설정된 회수 이상 생성된 임의의 패턴은 제1 패턴구간을 형성할 수 있다.
제2-2 상태는, 제2 상태에서 포함되는 임의의 패턴이 기설정된 개수 미만으로 반복되어 가시화되는 제2 패턴구간에 포함되는 상태를 나타낼 수 있다. 즉, 제2-2 상태는 기계(200)의 전원이 공급되고 기계(200)에 에러가 발생한 상황이 아닌, 이상(異狀) 작동하는 상태를 포함할 수 있다. 예를 들어, 기계(200)가 믹서기라 하면, 제2-2 상태는 믹서기의 전원을 공급한 후 동작 버튼을 입력하여 믹서기가 정상 동작하는지 테스트하는 상태일 수 있다. 믹서기를 테스트하기 위해 입력하는 동작 버튼과, 믹서기에 채운 내용물을 믹싱하기 위해 입력하는 동작 버튼은 시간 및 세기가 서로 다를 수 있다. 따라서 믹서기를 테스트하기 위해 입력한 동작 버튼에 따라 생성되는 패턴과, 믹서기에 채운 내용물을 믹싱하기 위해 입력한 동작 버튼에 따라 생성되는 패턴은 서로 다를 수 있다. 이와 같이 믹서기를 테스트하여 생성된 패턴들은 제2 패턴구간을 형성할 수 있다. 다른 실시 예로, 기계(200)가 금속 가공 기계인 경우, 제2-2 상태는 금속 가공 기계를 웜 업(warm up), 쿨 다운(cool down), 또는 테스트(test) 하는 상태일 수 있다.
제2-3 상태는, 제1 상태에 포함되는 제1 처리 데이터가 후술하는 동적 시간 접합(dynamic time warping; DTW) 기법을 통하여 제1 패턴구간으로 변경되는 상태를 나타낼 수 있다. 즉, 제2-3 상태는 원래 비패턴구간에 포함되어 있던 제1 처리 데이터가 신호처리를 통하여 제1 패턴구간 및 제2 패턴구간을 포함하는 패턴구간 중 제1 패턴구간으로 변경된 경우를 포함할 수 있다.
예를 들어, 기계(200)가 믹서기라 하면, 제2-3 상태를 다음과 같이 설명할 수 있다. 제1 과정에서 믹서기 내부의 내용물을 믹싱하기 위해 동작 버튼을 입력하여 믹서기를 동작시킬 수 있다. 제1 과정에서는 임의의 패턴에 의해 제1 패턴구간에 포함되는 패턴구간이 생성될 수 있다. 제2 과정에서 믹서기가 동작되는 중에, 믹서기 날에 내용물이 걸려 일정 시간 믹서기의 동작이 멈추는 경우가 발생할 수 있으며 믹서기의 동작이 시작되어 내용물이 걸리기 전 까지를 제2-0 과정, 걸린 내용물이 빠질 때 까지를 제2-1 과정, 그리고 내용물이 빠진 후 믹싱이 완료될 때 까지를 제2-3 과정으로 세분화 할 수 있다. 제2-1 과정에서는 믹서기의 동작이 멈춰 비패턴구간이 생성될 수 있으며, 제2-0 및 제2-2 과정에서는 각각 임의의 패턴구간이 생성될 수 있다. 제1 과정 및 제2 과정에서 동일한 내용물을 동일한 정도로 믹싱했다면, 제2-0 과정 및 제2-2 과정의 패턴을 접합할 경우 제1 패턴구간에 포함되는 패턴일 수 있다. 따라서 제2-0 과정 내지 제2-2 과정의 신호에 동적 시간 접합 기법을 적용하였을 때 제2-0 과정 및 제2-2 과정의 접합 패턴이 제1 패턴구간에 포함되는 경우, 제2 과정의 비패턴구간을 제1 패턴구간으로 변경할 수 있다. 이와 같이 제2 과정의 비패턴구간을 제1 패턴구간으로 변경한 상태를 제2-3 상태라 나타낼 수 있다.데이터 분류 장치(100)는 기계(200)의 상태를 분류하기 위해 기계(200)에 구비되거나 설치 가능한 IoT 센서(300)로부터 시계열 센서 데이터를 수집할 수 있다. 여기서 시계열 센서 데이터는, IoT 센서(300)가 기계(200)를 센싱한 시간 정보를 나타내는 타임스탬프 및 타임스탬프에서 IoT 센서(300)가 기계(200)를 대상으로 하여 센싱한 물리값(예를 들어, 전류값)을 포함할 수 있다. 또한, 시계열 센서 데이터는 원본 데이터라 칭할 수 있다. 본 실시 예에서, 원본 데이터는 타임스탬프(x축)에 대한 물리값(y축)으로 표현되는 수많은 점으로 표시될 수 있으며, 이러한 점들을 연결하면 그래프(도 4)로 표시될 수 있다. 그래프를 참조하면 소정의 패턴이 가시화되는 패턴구간과 패턴이 가시화되지 않는 비패턴구간으로 분할되어 있음을 볼 수 있다.
데이터 분류 장치(100)는 IoT 센서(300)로부터 수집한 원본 데이터로부터 기선(baseline)을 추정할 수 있다. 여기서 기선이라 함은, 전원 공급 및 전원 차단 구간을 포함하여 기계(200)가 작동하지 않은 경우에 IoT 센서(300)가 센싱하는 기본 물리값을 추종하는 선이라 할 수 있다. 본 실시 예에서, 기선은 비패턴구간에 속할 수 있다. 데이터 분류 장치(100)는 기선의 추정 결과로부터 기계가 비활성화 되는 구간에 포함되는 제0 상태를 분류할 수 있다.
데이터 분류 장치(100)는 원본 데이터를 부각시킨 제1 처리 데이터를 생성할 수 있다. 여기서 원본 데이터를 부각시킨다 함은, 비패턴구간 및 패턴구간을 포함하는 원본 데이터에서 패턴구간을 특징지어 명확하게 가시화한다는 의미를 포함할 수 있다. 데이터 분류 장치(100)는 제1 처리 데이터를 생성하기 위해, 원본 데이터에서 추정한 기선을 적용하여 서브 시계열 센서 데이터를 생성할 수 있다. 데이터 분류 장치(100)는 서브 시계열 센서 데이터로부터 잡음을 제거하여 원본 데이터의 패턴구간이 부각된 제1 처리 데이터를 생성할 수 있다.
데이터 분류 장치(100)는 제1 처리 데이터를 기반으로 하여 기계(200)의 상태를 결정하기 위한 제2 처리 데이터를 생성할 수 있다. 여기서, 제2 처리 데이터는 기계(200)에 대하여 제1 상태 및 제2 상태를 결정할 수 있는 동적 임계값(dynamic threshold)을 포함할 수 있다. 데이터 분류 장치(100)는 제1 처리 데이터에 대한 통계적 특성과 고차 미분(예를 들어, 4차 미분)값을 활용하여 제2 처리 데이터를 생성할 수 있다.
데이터 분류 장치(100)는 제2 처리 데이터를 기반으로 하여 제1 처리 데이터로부터 기계(200)의 상태를 분류할 수 있다. 여기서 기계(200)의 상태는 제1 상태 및 제2 상태 중 하나 이상을 포함할 수 있다. 예를 들어, 데이터 분류 장치(100)는 제2 처리 데이터를 기준으로 제1 방향의 데이터들에 대한 기계(200)의 상태를 제1 상태로 분류할 수 있다. 또한 데이터 분류 장치(100)는 제2 처리 데이터를 기준으로 제1 방향과 180도 떨어진 제2 방향의 데이터들에 대한 기계(200)의 상태를 제2 상태로 분류할 수 있다. 본 실시 예에서, 데이터 분류 장치(100)는 제1 처리 데이터 및 제2 처리 데이터를 입력으로 하여 기계의 상태를 분류하는 제1 기계 학습 분류 모델을 이용하여 제1 처리 데이터에 대응하는 기계(200)의 상태를 분류할 수 있다.
데이터 분류 장치(100)는 분류 정확도를 향상시키고, 분류를 세분화하기 위해 일련의 데이터 처리를 더 수행할 수 있다. 여기서, 일련의 데이터 처리라 함은, 제0 상태 내지 제2 상태에 포함되는 제1 처리 데이터에 유사도를 측정하는 처리를 포함할 수 있다. 데이터 분류 장치(100)는 유사도 측정 결과를 기반으로 패턴구간에 포함되는 제1 처리 데이터 및 제1 기계 학습 분류 모델을 이용하여 분류한 기계(200)의 상태로부터 기계(200)의 상태를 제2-1 상태, 제2-2 상태 및 제2-3 상태 중 하나 이상으로 추가 분류할 수 있다. 본 실시 예에서, 데이터 분류 장치(100)는 패턴구간에 포함되는 제1 처리 데이터 및 제1 기계 학습 분류 모델을 이용하여 분류한 기계(200)의 상태를 입력으로 기계의 상태를 추가 분류하는 제2 기계 학습 분류 모델을 이용하여 제0 상태 내지 제2 상태에 포함되는 제1 처리 데이터에 대응하는 기계(200)의 상태를 추가 분류할 수 있다.
본 실시 예에서, 기계(200)의 상태를 제0 상태 내지 제2 상태 중 하나 이상으로 분류하는 작업을 1차 분류라고 할 수 있다. 또한, 기계(200)의 제2 상태를 제2-1 상태 내지 제2-3 상태 중 하나 이상으로 추가 분류하는 작업을 2차 분류라고 할 수 있다.
데이터 분류 장치(100)는 1차 분류 및 2차 분류의 결과를 원본 데이터로서의 시계열 센서 데이터에 적용하여, 시계열 센서 데이터 각각이 기계(200)의 상태 중 어디에 속하는지 정확하게 분류할 수 있다.
본 실시 예에서, 데이터 분류 장치(100)는 서버 형태로 독립적으로 존재하거나, 데이터 분류 장치(100)가 수행하는 데이터 분류 기능을 어플리케이션 형태로 구현하여 사용자 단말기(400)에 탑재할 수 있다.
또한, 데이터 분류 장치(100)는 각종 인공지능 알고리즘을 적용하는데 필요한 데이터를 제공하는 데이터베이스 서버일 수 있다.
여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
사용자 단말기(400)는 데이터 분류 장치(100)가 제공하는 데이터 분류 어플리케이션 및/또는 데이터 분류 사이트에 접속하여 데이터 분류 서비스를 받을 수 있다.
이러한 사용자 단말기(400)는 컴퓨팅 장치(미도시)의 기능을 수행할 수 있는 통신 단말기를 포함할 수 있으며, 사용자가 조작하는 데스크 탑 컴퓨터(401), 스마트폰(403) 노트북(404) 이외에, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(400)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 이러한 사용자 단말기(400)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.
네트워크(500)는 데이터 분류 장치(100), IoT 센서(300) 및 사용자 단말기(400)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(500)는 예컨대 LAN(local area network), WAN(wide area network), MAN(metropolitan area network), ISDN(integrated service digital network) 등의 유선 네트워크나, WLAN(wireless LAN), CDMA(code-division multiple access), 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(500)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서, 근거리 통신은 Bluetooth, RFID(radio frequency identification), IrDA(infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi 기술을 포함할 수 있고, 원거리 통신은 CDMA(code-division multiple access), FDMA(frequency-division multiple access), TDMA(time-division multiple access), OFDMA(orthogonal frequency-division multiple access), SC-FDMA(single carrier frequency-division multiple access) 기술을 포함할 수 있다.
네트워크(500)는 허브, 브리지, 라우터, 스위치와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(500)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(500)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다.
더 나아가 네트워크(500)는 CAN(controller area network), V2I(vehicle-to-infrastructure), V2X(vehicle-to-everything), WAVE(wireless access in vehicular environment) 통신 기술과, 사물 등 분산된 구성 요소들 간에 정보를 주고받아 처리하는 IoT(Internet of Things) 망 및/또는 NB-IoT 망 및/또는 5G 통신을 지원할 수 있다. 여기서, NB(narrowband)-IoT는 LTE(Long-Term Evolution) 주파수를 이용한 저전력/광역 사물인터넷 기술 중 하나로, 저용량 데이터를 간헐적으로 전송하는 추적, 센싱, 검침 등에 활용할 수 있다.
도 2는 본 실시 예에 따른 데이터 분류 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 이하의 설명에서 도 1에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 2를 참조하면, 데이터 분류 장치(100)는 통신부(110), 저장 매체(120), 프로그램 저장부(130), 데이터베이스(140), 분류 처리부(150) 및 제어부(160)를 포함할 수 있다.
통신부(110)는 네트워크(500)와 연동하여 데이터 분류 장치(100), 기계(200), IoT 센서(300) 및 사용자 단말기(400) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 나아가, 통신부(110)는 사용자 단말기(400)로부터 소정의 정보 요청 신호를 수신하는 역할을 할 수 있고 분류 처리부(150)가 처리한 정보를 사용자 단말기(400)로 전송하는 역할을 수행할 수 있다. 여기서, 통신망이라 함은, 데이터 분류 장치(100)와, 사용자 단말기(400)를 연결하는 역할을 수행하는 매개체로써, 사용자 단말기(400)가 데이터 분류 장치(100)에 접속한 후 정보를 송수신할 수 있도록 접속 경로를 제공하는 경로를 포함할 수 있다. 또한 통신부(110)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
저장 매체(120)는 제어부(160)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 여기서, 저장 매체(120)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 저장 매체(120)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD. CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, xD 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.
프로그램 저장부(130)는 기계(200)에 구비되거나 설치 가능한 IoT 센서(300)로부터 시계열 센서 데이터를 수집하는 작업, 시계열 센서 데이터로부터 IoT 센서(300)의 기본 물리값을 추종하여 기선을 추정하는 작업, 기선의 추정 결과로부터 기계(200)에 대한 제0 상태를 분류하는 작업, 시계열 센서 데이터를 부각시킨 제1 처리 데이터를 생성하는 작업, 제1 처리 데이터를 기반으로 기계(200)의 상태를 결정하기 위한 제2 처리 데이터를 생성하는 작업, 제2 처리 데이터를 기반으로 하여 제1 처리 데이터로부터 기계(200)의 상태를 제1 상태 및 제2 상태 중 하나 이상으로 분류하는 작업, 패턴구간에 포함되는 제1 처리 데이터에 대한 유사도를 측정하는 작업, 유사도 측정 결과를 기반으로 패턴구간에 포함되는 제1 처리 데이터로부터 기계(200)의 상태를 제2-1 상태, 제2-2 상태 및 제2-3 상태 중 하나 이상으로 추가 분류하는 작업 등을 수행하는 제어 소프트웨어를 탑재하고 있다.
데이터베이스(140)는 기계(200)의 종류 및 사양 정보와, 기계(200)에 구비되거나 설치 가능한 IoT 센서(300)의 종류 및 사양 정보를 저장하는 관리 데이터베이스를 포함할 수 있다. 또한 관리 데이터베이스에는 기계(200)의 상태를 분류하기 위해 IoT 센서(300)로부터 수집한 시계열 센서 데이터와, 분류 처리부(150)가 처리한 데이터를 저장할 수 있다.
또한 데이터베이스(140)는 데이터 분류 서비스를 제공받을 사용자의 정보를 저장하는 유저 데이터베이스를 포함할 수 있다. 여기서, 사용자의 정보는 사용자의 이름, 소속, 인적 사항, 성별, 나이, 연락처, 이메일, 주소, 이미지 등 사용자에 대한 기본적인 정보와, 아이디(ID) (또는 이메일) 및 패스워드(password) 등 사용자의 인증(로그인)에 대한 정보, 접속 국가, 접속 위치, 접속에 이용한 장치에 대한 정보, 접속된 네트워크 환경 등 접속과 관련된 정보 등을 포함할 수 있다.
또한 유저 데이터베이스에는 사용자의 고유정보와, 데이터 분류 어플리케이션 또는 데이터 분류 사이트에 접속한 사용자가 제공받은 정보 및/또는 카테고리 이력, 사용자가 설정한 환경 설정 정보, 사용자가 이용한 자원 사용량 정보, 사용자의 자원 사용량에 대응한 과금 및 결제 정보가 저장될 수 있다.
분류 처리부(150)는 기계(200)에 구비되거나 설치 가능한 IoT 센서(300)로부터 시계열 센서 데이터를 수집할 수 있다. 분류 처리부(150)는 시계열 센서 데이터로부터 IoT 센서(300)의 기본 물리값을 추종하여 기선을 추정하고, 기선의 추정 결과로부터 기계(200)에 대한 제0 상태를 분류할 수 있다. 분류 처리부(150)는 시계열 센서 데이터를 부각시킨 제1 처리 데이터를 생성할 수 있다. 분류 처리부(150)는 제1 처리 데이터를 기반으로 기계(200)의 상태를 결정하기 위한 제2 처리 데이터를 생성할 수 있다. 분류 처리부(150)는 제2 처리 데이터를 기반으로 하여 제1 처리 데이터로부터 기계(200)의 상태를 제1 상태 및 제2 상태 중 하나 이상으로 분류할 수 있다. 분류 처리부(150)는 제0 상태 내지 제2 상태에 포함되는 에 대한 유사도를 측정하고, 유사도 측정 결과를 기반으로 제0 상태 내지 제2 상태에 포함되는 제1 처리 데이터로부터 기계(200)의 상태를 제2-1 상태, 제2-2 상태 및 제2-3 상태 중 하나 이상으로 추가 분류할 수 있다.
제어부(160)는 일종의 중앙처리장치로서 프로그램 저장부(130)에 탑재된 제어 소프트웨어를 구동하여 데이터 분류 장치(100) 전체의 동작을 제어할 수 있다. 제어부(160)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령어로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
본 실시 예에서 제어부(160)는 기계(200)의 상태를 분류하도록 IoT 센서(300)로부터 수집한 시계열 센서 데이터에 대하여 머신 러닝을 수행할 수 있고, 데이터베이스(140)는, 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.
한편, 제어부(160)에는 머신 러닝 알고리즘이 탑재될 수 있고, 수집한 IoT 센서(300)의 시계열 센서 데이터를 입력 데이터로 하는 머신 러닝을 기반으로 기계(200)의 상태 정보 분류를 수행할 수 있다.
도 3은 도 2의 데이터 분류 장치 중 분류 처리부의 구성을 개략적으로 설명하기 위하여 도시한 블록도이고, 도 4 내지 도 11은 본 실시 예에 따른 데이터 분류를 설명하기 위한 그래프이다. 이하의 설명에서 도 1에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 3 내지 도 11을 참조하면, 분류 처리부(150)는 수집부(151), 추정부(152), 제1 생성부(153), 제2 생성부(154), 제1 분류부(155) 및 제2 분류부(156)를 포함할 수 있다.
수집부(151)는 기계(200)에 구비되거나 설치 가능한 IoT 센서(300)로부터 시계열 센서 데이터를 수집할 수 있다. 여기서 시계열 센서 데이터는, IoT 센서(300)가 기계(200)를 센싱한 시간 정보를 나타내는 타임스탬프 및 타임스탬프에서 IoT 센서(300)가 기계(200)를 대상으로 하여 센싱한 물리값을 포함할 수 있다.
도 4는 IoT 센서(300)로부터 수집한 시계열 센서 데이터에 대한 그래프를 도시하고 있다. 도 4를 참조하면, x축은 시간을 나타내고, y축은 물리값을 나타낼 수 있다. IoT 센서(300)가 전류 센서인 경우 x축은 전류 센서가 기계(200)의 전류를 센싱한 시간으로서의 타임스탬프를 나타내고, y축은 타임스탬프에서 전류 센서가 기계(200)를 대상으로 하여 센싱한 전류값을 나타낼 수 있다. 도 4로부터 소정의 패턴이 가시화되는 패턴구간과 패턴이 가시화되지 않는 비패턴구간으로 분할되어 있음을 볼 수 있다. 또한 패턴구간은 반복되고 있음을 볼 수 있다.
추정부(152)는 IoT 센서(300)로부터 수집한 시계열 센서 데이터로부터 기선을 추정할 수 있다. 여기서 기선이라 함은, 전원 공급 및 전원 차단 구간을 포함하여 기계(200)가 작동하지 않은 경우에 IoT 센서(300)가 센싱하는 기본 물리값을 추종하는 선이라 할 수 있다. 본 실시 예에서, 기선은 비패턴구간에 속할 수 있다. 도 5는 도 4의 시계열 센서 데이터 그래프로부터 추정한 기선에 대한 그래프를 도시하고 있다.
일반적인 기계(예를 들어, 믹서기)는 전원이 공급되고 기계가 미작동 하는 상태에서 소비하고 있는 대기전력이 일정할 수 있다. 따라서, 이러한 대기전력 또는 오차범위 내의 대기전력을 이용하여 기선을 생성할 수 있다. 이로부터 기선이 고정되어 있다 볼 수 있다.
그러나 본 실시 예에 따른 기계(200)는 공장에 구비되어 있고, 공장에서 사용되는 전력은 상시 다르기 때문에, 기계(200)는 대기전력이 일정하다고 볼 수 없다. 이로부터 기선이 변동적이라고 볼 수 있다. 따라서 기계(200)에 대한 제1 상태를 정확하게 판단하기 위해서는 기선을 찾아야 할 필요가 있다. 따라서, 추정부(152)는 일차적으로 시계열 센서 데이터 중 IoT 센서(300)의 기본 물리값을 추종한 선을 기선으로 추정할 수 있다. 한편, 대기전력이 일정한 경우에는 오차범위 내의 대기전력을 활용하여 생성한 기선을 이용할 수 있다. 대기전력이 일정한 경우에는 본 실시 예에 따른 추정부(152)가 생략될 수 있다.추정부(152)는 기선 추정 결과로부터 기계(200)의 제0 상태를 분류할 수 있다. 데이터 분류 장치(100)는 기선 추정 결과로부터 물리값이 점프하는 점프 포인트(510)를 찾을 수 있다. 추정부(152)는 점프 포인트(510) 발생 시점을 기준으로 이전 구간을 제0 상태로 분류할 수 있다.
제1 생성부(153)는 시계열 센서 데이터를 부각시킨 제1 처리 데이터를 생성할 수 있다. 제1 생성부(153)는 시계열 센서 데이터에 추정한 기선을 적용하여 서브 시계열 센서 데이터를 생성할 수 있다. 여기서 서브 시계열 센서 데이터는 시계열 센서 데이터 및 추정한 기선의 감산 결과라고 볼 수 있다. 도 6은 시계열 센서 데이터 및 추정한 기선의 감산 결과로서의 서브 시계열 센서 데이터에 대한 그래프를 도시하고 있다.
제1 생성부(153)는 서브 시계열 센서 데이터로부터 잡음을 제거하여 시계열 센서 데이터의 패턴구간이 부각된 제1 처리 데이터를 생성할 수 있다. 도 7은 서브 시계열 센서 데이터로부터 잡음을 제거하여 생성한 제1 처리 데이터에 대한 그래프를 도시하고 있다.
본 실시 예에서, 제1 생성부(153)는 제1 처리 데이터를 생성하기 위해 다양한 방법을 적용할 수 있다. 일 실시 예로, 제1 생성부(153)는 서브 시계열 센서 데이터에 대하여 샘플링 주파수를 고정시키기 위한 리샘플링(resampling), 주파수가 고정된 서브 시계열 센서 데이터를 평탄화 하기 위한 다운샘플링(downsampling), 잡음 제거를 위한 필터링(filtering) 등을 적용하여 제1 처리 데이터를 생성할 수 있다. 본 실시 예에서, 제1 생성부(153)가 제1 처리 데이터를 생성하는 과정을 전처리(preprocessing) 과정이라 명명할 수 있다.
이러한 전처리 과정이 없이 단순히 시계열 센서 데이터를 이용하여 기계(200)의 상태를 분류하게 되면 다음과 같은 문제점이 발생할 수 있다. 본 실시 예에서, IoT 센서(300)의 수집 주기는 1밀리초(ms) 내지 10만초(s) 사이의 고정된 간격으로 설정될 수 있다. 그러나 데이터 수집 과정에서 발생하는 통신 지연 등의 문제로 인해 실제 시계열 센서 데이터는 일정한 주기로 수집되지 않을 수 있다. 또한 IoT 센서(300)가 센싱하는 물리값에는 미세 잡음이 존재할 수 있고, 기계(200)의 특성으로 인한 잡음이 존재할 수 있다. 예를 들어, CNC 공작 기계의 경우 데이터 분석의 관점에서 분명한 방해요소가 되는 스파이크(spike) 등의 잡음이 발생할 수 있다.
시계열 센서 데이터의 주기가 일정하지 않은 탓에 패턴구간에 속하는 데이터의 개수가 다르고, 분석을 위한 데이터 추출 시점에 따라 물리값이 달라지며, 또한 잡음으로 인해 패턴구간의 특성을 추출하기 어려울 수 있다. 이러한 문제점으로 인하여 기계(200)의 상태를 분류하는 정확도가 현저하게 낮아질 수 있다. 그러나 본 실시 예의 경우 전처리 과정을 통하여 상술한 문제점을 해결함으로써 기계(200)의 상태를 분류하는 정확도를 향상시킬 수 있다.
제2 생성부(154)는 제1 처리 데이터를 기반으로 하여 기계(200)의 상태를 결정하기 위한 제2 처리 데이터를 생성할 수 있다. 여기서, 제2 처리 데이터는 기계(200)에 대하여 제1 상태 및 제2 상태를 결정할 수 있는 동적 임계값(dynamic threshold)을 포함할 수 있다. 제2 생성부(154)는 제1 처리 데이터에 대한 통계적 특성(예를 들어, 분포 함수의 특성)과 고차 미분(예를 들어, 4차 미분)값을 활용하여 제2 처리 데이터를 생성할 수 있다. 도 8은 제1 처리 데이터를 기반으로 하여 생성한 제2 처리 데이터를 도시하고 있다.
본 실시 예에서, 기선을 정확히 찾으면 제2 처리 데이터(동적 임계값)를 찾을 필요가 없다. 그러나 기선을 정확히 모르기 때문에 추정부(152)가 기선을 추정하였다. 이렇게 추정한 기선을 이용하여 기계(200)의 상태를 분류하면, 분류 정확도가 낮아질 수 있으며, 분류 정확도를 높이기 위해서 제2 처리 데이터를 생성할 수 있다.
본 실시 예에서, 제2 처리 데이터를 생성하기 위해 정적 임계값(static threshold)을 사용하지 않고 동적 임계값을 사용하는 이유는 다음과 같다. 정적 임계값을 사용하는 모델에서 원 데이터에 두 가지 이상의 서로 다른 패턴이 존재하는 경우, 또는 기선이 IoT센서의 센싱 오차범위를 초과하는 변동성을 가진 경우, 분류 정확도가 현저히 낮아 질 수 있다. 그러나 본 실시 예의 경우, 제2 처리 데이터(동적 임계값) 생성을 통하여 상술한 문제점을 해결함으로써 기계(200)의 상태를 분류하는 정확도를 향상시킬 수 있다.
제1 분류부(155)는 제2 처리 데이터를 기반으로 하여 제1 처리 데이터로부터 기계(200)의 상태를 분류할 수 있다. 여기서 기계(200)의 상태는 제1 상태 및 제2 상태 중 하나 이상을 포함할 수 있다. 예를 들어, 데이터 분류 장치(100)는 제2 처리 데이터를 기준으로 제1 방향(도 8의 810)의 데이터들에 대한 기계(200)의 상태를 제1 상태로 분류할 수 있다. 또한 데이터 분류 장치(100)는 제2 처리 데이터를 기준으로 제1 방향과 180도 떨어진 제2 방향(도 8의 820)의 데이터들에 대한 기계(200)의 상태를 제2 상태로 분류할 수 있다.
도 9는 제2 처리 데이터를 기반으로 하여 제1 처리 데이터로부터 기계(200)의 상태를 1차 분류한 결과를 도시하고 있다. 본 실시 예에서, 1차 분류는 기계(200)의 상태를 제0 상태, 제1 상태 및 제2 상태로 분류한 결과를 포함할 수 있다.
도 9의 (a)는 제1 처리 데이터로부터 기계(200)가 제0 상태로 분류되는 구간을 도시하고 있다. 도 9의 (b)는 제1 처리 데이터로부터 기계(200)가 제1 상태로 분류되는 구간을 도시하고 있다. 도 9의 (c)는 제1 처리 데이터로부터 기계(200)가 제2 상태로 분류되는 구간을 도시하고 있다. 도 9의 (d)는 1차 분류 결과를 일괄 도시하고 있다.
본 실시 예에서, 제1 분류부(155)는 제1 처리 데이터 및 제2 처리 데이터를 입력으로 하여 기계의 상태를 분류하는 제1 기계 학습 분류 모델을 이용하여 제1 처리 데이터에 대응하는 기계의 상태를 분류할 수 있다.
제2 분류부(156)는 분류 정확도를 향상시키고, 분류를 세분화하기 위해 일련의 데이터 처리를 더 수행할 수 있다. 여기서, 일련의 데이터 처리라 함은, 제0 상태 내지 제2 상태에 포함되는 제1 처리 데이터에 동적 시간 접합 기법을 적용하여 유사도를 측정하는 처리를 포함할 수 있다. 제2 분류부(156)는 유사도 측정 결과를 기반으로 제0 상태 내지 제2 상태에 포함되는 제1 처리 데이터로부터 기계의 상태를 제2-1 상태, 제2-2 상태 및 제2-3 상태 중 하나 이상으로 추가 분류할 수 있다.
제2 분류부(156)는 하나 이상의 연속적인 패턴을 조합하여 생성한 복합 패턴과 인접 패턴과의 유사도를 측정할 수 있다. 제2 분류부(156)는 오차 범위 내의 유사도를 갖는 두 개 이상의 패턴들을 하나의 그룹으로 클러스터링 할 수 있다.
제2 분류부(156)는 클러스터링 결과 어느 한 그룹에 포함되는 패턴의 개수가 기설정된 개수 이상인 경우 해당 그룹에 포함되는 패턴을 제2-1 상태로 분류할 수 있다. 제2-1 상태로 분류된 패턴들은 제1 패턴구간에 포함될 수 있다.
제2 분류부(156)는 클러스터링 결과 다른 한 그룹에 포함되는 패턴의 개수가 기설정된 개수 미만인 그룹에 포함되는 패턴을 제2-2 상태로 분류할 수 있다. 여기서, 제2 분류부(156)는 클러스터링 결과 그룹에 포함되지 않는 패턴에 대해서도 제2-2 상태로 분류할 수 있다. 제2-2 상태로 분류된 패턴들은 제2 패턴 구간에 포함될 수 있다.
제2 분류부(156)는 원래는 제1 상태에 포함되어 있었으나 동적 시간 접합기법을 통하여 제1 패턴구간에 포함된 패턴을 별도로 분리하여 제2-3 상태로 분류할 수 있다.
도 10은 패턴구간에 포함되는 제1 처리 데이터를 신호처리 하여 기계(200)의 상태를 2차 분류한 결과를 도시하고 있다. 본 실시 예에서, 2차 분류는 제2 상태를 제2-1 상태, 제2-2 상태 및 제2-3 상태로 분류한 결과를 포함할 수 있다.
도 10의 (a) 및 (b)는 도 9의 (c)에 대하여, 동적 시간 접합 기법을 적용한 결과를 도시하고 있다. 도 9의 (c)에 도시된 2,3에 해당되는 구간과, 9,10에 해당되는 구간과, 11,12에 해당되는 구간과, 15,16에 해당되는 구간에 동적 시간 접합 기법을 적용하면, 도 10의 (a) 및 (b)에 도시된 바와 같은 1 내지 12에 해당하는 패턴이 생성될 수 있다.
도 10의 (a)에 도시된 1 내지 11에 해당하는 패턴들은 패턴이 모양이 유사하고, 기설정된 개수(예를 들어, 3개) 이상 반복되기 때문에 제2-1 상태로 분류할 수 있다.
도 10의 (b)에 도시된 12 패턴은 도 10의 (a)에 도시된 1번 내지 11번 패턴과 비교했을 때 패턴의 모양이 다르고, 기설정된 개수 이상 반복되지 않기 때문에 제2-2 상태로 분류할 수 있다.
도 10의 (c)에 도시된 8,9에 해당하는 패턴은 도 9의 (b)에서 9,11에 해당하는 패턴에 대응될 수 있으며, 제1 상태에 포함되는 패턴일 수 있다. 이 또한 동적 시간 접합 기법을 적용한 유사도 측정에 의해 도 10의 (c)에 도시된 8,9에 해당하는 패턴은 도 10의 (a)의 8,9 패턴으로 흡수되었다. 따라서, 도 10의 (c)에 도시된 8,9에 해당하는 패턴은 제1 상태에서 제1 패턴구간으로 흡수되어 제2-1 상태로 변경되었으며, 이를 제2-3 상태로 분류할 수 있다.
도 10의 (d)는 1차 분류 결과를 도시하고 있고, 도 10의 (e)는 2차 분류 결과를 일괄 도시하고 있다.
본 실시 예에서, 제2 분류부(156)는 패턴구간에 포함되는 제1 처리 데이터 및 제1 기계 학습 분류 모델을 이용하여 분류한 기계(200)의 상태를 입력으로 하여 기계의 상태를 추가 분류하는 제2 기계 학습 분류 모델을 이용하여 제0 상태 내지 제2 상태에 포함되는 제1 처리 데이터에 대응하는 기계(200)의 상태를 추가 분류할 수 있다. 여기서, 제2 기계 학습 분류 모델은 비지도학습의 범주에 속하는 분석 모델일 수 있다.
데이터 학습이 필요한 지도학습 계열의 분석 모델들은 패턴구간에 대한 선제적인 학습 데이터와 학습 기간이 필요하기 때문에 최초 학습 이후, 기존과 다른 패턴이 나타나는 경우 분류 정확도가 현저하기 낮을 수 있다. 그러나 본 실시 예의 경우, 제2 기계 학습 분류 모델이 비지도학습의 범주에 속하는 분석 모델이기 때문에 주어진 데이터 내에 존재하는 패턴구간들의 특성만을 활용하며, 별도의 학습 데이터와 학습 기간이 필요하지 않고, 이기종 데이터에도 적용이 가능하며, 패턴의 형상에 의존하지 않으므로 분류 정확도가 향상될 수 있다.
본 실시 예에서, 분류 처리부(150)는 시계열 센서 데이터 각각에 상술한 1차 분류 및 2차 분류를 적용하여 기계(200)가 어떠한 상태인지 분류할 수 있다.
도 11은 원본 데이터로서의 시계열 센서 데이터에 대한 1차 분류 및 2차 분류 결과를 도시하고 있다. 도 11을 참조하면, 도 11의 (a)는 도 4에 도시된 원본 데이터로서의 시계열 센서 데이터를 도시하고 있다. 도 11의 (b)는 원본 데이터에 대한 1차 분류 및 2차 분류 결과를 일괄 도시하고 있다.
데이터 분류 장치(100)는 1차 분류 및 2차 분류의 결과를 원본 데이터로서의 시계열 센서 데이터에 적용하여, 시계열 센서 데이터 각각이 기계(200)의 상태 중 어디에 속하는지 정확하게 분류할 수 있다.
도 12는 다른 실시 예에 따른 데이터 분류 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 이하의 설명에서 도 1 내지 도 11에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 12를 참조하면, 다른 실시 예에 따른 데이터 분류 장치(100)는 프로세서(170)와 메모리(180)를 포함할 수 있다.
본 실시 예에서, 프로세서(170)는 도 2 및 도 3에 개시된 통신부(110), 저장 매체(120), 프로그램 저장부(130), 데이터베이스(140), 분류 처리부(150) 및 제어부(160)가 수행하는 기능을 처리할 수 있다.
이러한 프로세서(170)는 데이터 분류 장치(100) 전체의 동작을 제어할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령어로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서, 중앙처리장치, 프로세서 코어, 멀티프로세서, ASIC, FPGA 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
메모리(180)는 프로세서(170)와 동작 가능하게 연결되고, 프로세서(170)에서 수행되는 동작과 연관하여 적어도 하나의 코드를 저장할 수 있다.
또한, 메모리(180)는 프로세서(170)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있으며, 데이터베이스(140)로 구축된 데이터를 포함할 수 있다. 여기서, 메모리(180)는 자기 저장 매체 또는 플래시 저장 매체를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(180)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM, PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD, CF 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, xD 카드, 또는 메모리 스틱 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다
도 13은 본 실시 예에 따른 데이터 분류 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 12에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 본 실시 예에 따른 데이터 분류 방법은 데이터 분류 장치(100)가 주변 구성 요소들의 도움을 받아 프로세서(170)에서 수행한다고 가정하고 설명하기로 한다.
도 13을 참조하면, S1310단계에서, 프로세서(170)는 기계(200)에 구비되거나 설치 가능한 IoT 센서(300)로부터 시계열 센서 데이터를 수집할 수 있다. 여기서 시계열 센서 데이터는 IoT 센서(300)가 기계(200)를 센싱한 시간 정보를 나타내는 타임스탬프 및 타임스탬프에서 IoT 센서(300)가 기계(200)를 대상으로 하여 센싱한 물리값을 포함할 수 있다.
S1320단계에서, 프로세서(170)는 시계열 센서 데이터로부터 IoT 센서(300)의 기본 물리값을 추종하여 기선을 추정하고, 기선의 추정 결과로부터 기계(200)가 비활성화 되는 구간에 포함되는 제0 상태를 분류할 수 있다. 여기서 기선이라 함은, 전원 차단 및 전원 공급 구간을 포함하여 기계(200)가 작동하지 않은 경우에 IoT 센서(300)가 센싱하는 기본 물리값을 추종하는 선이라 할 수 있다. 본 실시 예에서, 기선은 비패턴구간에 속할 수 있다. 본 실시 예에서, 대기전력이 일정하지 않은 경우는 기선의 추정을 수행하고, 대기전력이 일정한 기선의 추정을 생략하고 오차범위 내의 대기전력을 활용하여 생성한 기선을 이용할 수 있다.
S1330단계에서, 프로세서(170)는 시계열 센서 데이터를 부각시킨 제1 처리 데이터를 생성할 수 있다. 여기서 시계열 센서 데이터를 부각시킨다 함은, 비패턴구간 및 패턴구간을 포함하는 시계열 센서 데이터에서 패턴구간을 특징지어 명확하게 가시화한다는 의미를 포함할 수 있다. 프로세서(170)는 시계열 센서 데이터에 기선의 추정 결과를 적용하여 서브 시계열 센서 데이터를 생성할 수 있다. 프로세서(170)는 서브 시계열 센서 데이터로부터 잡음을 제거하여 제1 처리 데이터를 생성할 수 있다.
S1340단계에서, 프로세서(170)는 제1 처리 데이터를 기반으로 기계의 상태를 결정하기 위한 제2 처리 데이터를 생성할 수 있다. 프로세서(170)는 제1 처리 데이터에 대한 통계적 특성과 고차 미분값을 활용하여 기계에 대하여 제1 상태 및 제2 상태를 결정할 수 있는 동적 임계값으로서의 제2 처리 데이터를 생성할 수 있다.
S1350단계에서, 프로세서(170)는 제2 처리 데이터를 기반으로 하여 제1 처리 데이터로부터 기계(200)의 상태를 분류할 수 있다. 여기서, 기계(200)의 상태는 제1 상태 및 제2 상태 중 하나 이상을 포함할 수 있다. 제1 상태는, 기계(200)가 활성화되고 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되지 않는 비패턴구간에 포함되는 상태를 나타낼 수 있다. 제2 상태는, 기계(200)가 활성화되고 후술하는 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되는 패턴구간에 포함되는 상태를 나타낼 수 있다. 본 실시 예에서, 프로세서(170)는 제1 처리 데이터 및 제2 처리 데이터를 입력으로 하여 기계의 상태를 분류하는 제1 기계 학습 분류 모델을 이용하여 제1 처리 데이터에 대응하는 기계(200)의 상태를 분류할 수 있다.
도 14는 다른 실시 예에 따른 데이터 분류 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 13에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 본 실시 예에 따른 데이터 분류 방법은 데이터 분류 장치(100)가 주변 구성 요소들의 도움을 받아 프로세서(170)에서 수행한다고 가정하고 설명하기로 한다.
도 14를 참조하면, S1410단계에서, 프로세서(170)는 기계(200)에 구비되거나 설치 가능한 IoT 센서(300)로부터 시계열 센서 데이터를 수집할 수 있다.
S1420단계에서, 프로세서(170)는 시계열 센서 데이터로부터 IoT 센서(300)의 기본 물리값을 추종하여 기선을 추정하고, 기선의 추정 결과로부터 기계(200)가 비활성화 되는 구간에 포함되는 제0 상태를 분류할 수 있다.
S1430단계에서, 프로세서(170)는 시계열 센서 데이터를 부각시킨 제1 처리 데이터를 생성할 수 있다.
S1440단계에서, 프로세서(170)는 제1 처리 데이터를 기반으로 기계의 상태를 결정하기 위한 제2 처리 데이터를 생성할 수 있다.
S1450단계에서, 프로세서(170)는 제2 처리 데이터를 기반으로 하여 제1 처리 데이터로부터 기계(200)에 대하여 제1 상태 및 제2 상태 중 하나 이상을 분류할 수 있다.
S1460단계에서, 프로세서(170)는 제0 상태 내지 제2 상태에 포함되는 제1 처리 데이터에 동적 시간 접합 기법을 적용하여 유사도를 측정할 수 있다.
S1470단계에서, 프로세서(170)는 유사도 측정 결과를 기반으로 제0 상태 내지 제2 상태에 포함되는 제1 처리 데이터로부터 기계(200)의 상태를 제2-1 상태, 제2-2 상태 및 제2-3 상태 중 하나 이상으로 추가 분류할 수 있다. 여기서 제2-1 상태는, 제2 상태에 포함되는 임의의 패턴이 기설정된 개수 이상 반복되어 가시화되는 제1 패턴구간에 포함되는 상태를 나타낼 수 있다. 제2-2 상태는, 제2 상태에서 포함되는 임의의 패턴이 기설정된 개수 미만으로 반복되어 가시화되는 제2 패턴구간에 포함되는 상태를 나타낼 수 있다. 제2-3 상태는, 제1 상태에 포함되는 제1 처리 데이터가 동적 시간 접합 기법을 통하여 제1 패턴구간으로 변경되는 상태를 포함할 수 있다.
본 실시 예에 따르면, IoT 센서(300)로부터 수집된 초소형 데이터 구조에도 적용 가능한 범용성을 가지고 있어서, 상대적으로 낮은 연산장치를 통해서도 실질적으로 데이터 분류가 가능하고, 따라서 비용을 절감할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 데이터 분류 장치 200: 기계
300: IoT 센서 400: 사용자 단말기
500: 네트워크

Claims (15)

  1. 데이터 분류 장치의 프로세서에 의해 수행되는 데이터 분류 방법으로서,
    기계에 구비되거나 설치 가능한 IoT 센서로부터 시계열 센서 데이터를 수집하는 단계;
    상기 시계열 센서 데이터를 부각시킨 제1 처리 데이터를 생성하는 단계;
    상기 제1 처리 데이터를 기반으로 상기 기계의 상태를 결정하기 위한 제2 처리 데이터를 생성하는 단계; 및
    상기 제2 처리 데이터를 기반으로 하여 상기 제1 처리 데이터로부터 상기 기계의 상태를 분류하는 단계를 포함하고,
    상기 기계의 상태는,
    상기 기계가 활성화되고 상기 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되지 않는 비패턴구간에 포함되는 제1 상태 및 상기 기계가 활성화되고 상기 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되는 패턴구간에 포함되는 제2 상태 중 하나 이상을 포함하는,
    데이터 분류 방법.
  2. 제 1 항에 있어서,
    상기 시계열 센서 데이터를 수집하는 단계는,
    상기 IoT 센서가 상기 기계를 센싱한 시간 정보를 나타내는 타임스탬프 및 상기 타임스탬프에서 상기 IoT 센서가 상기 기계를 대상으로 하여 센싱한 물리값을 포함하는 시계열 센서 데이터를 수집하는 단계를 포함하는,
    데이터 처리 방법.
  3. 제 2 항에 있어서,
    상기 제1 처리 데이터를 생성하는 단계 이전에,
    상기 시계열 센서 데이터로부터 상기 IoT 센서의 기본 물리값을 추종하여 기선(baseline)을 추정하는 단계; 및
    상기 기선의 추정 결과로부터 상기 기계가 비활성화 되는 구간에 포함되는 제0 상태를 분류하는 단계를 더 포함하는,
    데이터 분류 방법.
  4. 제 3 항에 있어서,
    상기 제1 처리 데이터를 생성하는 단계는,
    상기 시계열 센서 데이터에 상기 기선의 추정 결과를 적용하여 서브 시계열 센서 데이터를 생성하는 단계; 및
    상기 서브 시계열 센서 데이터로부터 잡음을 제거하여 상기 제1 처리 데이터를 생성하는 단계를 포함하는,
    데이터 분류 방법.
  5. 제 1 항에 있어서,
    상기 제2 처리 데이터를 생성하는 단계는,
    상기 제1 처리 데이터에 대한 통계적 특성과 고차 미분값을 활용하여 상기 기계에 대하여 상기 제1 상태 및 상기 제2 상태를 결정할 수 있는 동적 임계값으로서의 제2 처리 데이터를 생성하는 단계를 포함하는,
    데이터 분류 방법.
  6. 제 3 항에 있어서,
    상기 기계의 상태를 분류하는 단계는,
    제1 처리 데이터 및 제2 처리 데이터를 입력으로 하여 기계의 상태를 분류하는 제1 기계 학습 분류 모델을 이용하여 상기 제1 처리 데이터에 대응하는 상기 기계의 상태를 분류하는 단계를 포함하는,
    데이터 분류 방법.
  7. 제 6 항에 있어서,
    상기 기계의 상태를 분류하는 단계 이후에,
    상기 패턴구간에 포함되는 상기 제1 처리 데이터에 동적 시간 접합(dynamic time warping; DTW) 기법을 적용하여 유사도를 측정하는 단계; 및
    상기 유사도 측정 결과를 기반으로 상기 패턴구간에 포함되는 상기 제1 처리 데이터로부터 상기 기계의 상태를 제2-1 상태, 제2-2 상태 및 제2-3 상태 중 하나 이상으로 추가 분류하는 단계를 포함하고,
    상기 제2-1 상태는, 상기 제2 상태에 포함되는 임의의 패턴이 기설정된 개수 이상 반복되어 가시화되는 제1 패턴구간에 포함되는 상태를 나타내고,
    상기 제2-2 상태는, 상기 제2 상태에서 포함되는 임의의 패턴이 기설정된 개수 미만으로 반복되어 가시화되는 제2 패턴구간에 포함되는 상태를 나타내고,
    상기 제2-3 상태는, 상기 제1 상태에 포함되는 상기 제1 처리 데이터가 상기 동적 시간 접합 기법을 통하여 상기 제1 패턴구간으로 변경되는 상태를 나타내는,
    데이터 분류 방법.
  8. 제 7 항에 있어서,
    상기 추가 분류하는 단계는,
    패턴구간에 포함되는 제1 처리 데이터 및 제1 기계 학습 분류 모델을 이용하여 분류한 기계의 상태를 입력으로 기계의 상태를 추가 분류하는 제2 기계 학습 분류 모델을 이용하여 상기 제0 상태 내지 상기 제2 상태에 포함되는 제1 처리 데이터에 대응하는 상기 기계의 상태를 추가 분류하는 단계를 포함하는,
    데이터 분류 방법.
  9. 컴퓨터를 이용하여 제 1 항 내지 제 8 항의 방법 중 어느 한 항의 방법을 실행시키기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체.
  10. 데이터 분류 장치로서,
    프로세서; 및
    상기 프로세서와 동작 가능하게 연결되고 상기 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고,
    상기 메모리는 상기 프로세서를 통해 실행될 때, 상기 프로세서가 기계에 구비되거나 설치 가능한 IoT 센서로부터 시계열 센서 데이터를 수집하고,
    상기 시계열 센서 데이터를 부각시킨 제1 처리 데이터를 생성하고,
    상기 제1 처리 데이터를 기반으로 상기 기계의 상태를 결정하기 위한 제2 처리 데이터를 생성하고,
    상기 제2 처리 데이터를 기반으로 하여 상기 제1 처리 데이터로부터 상기 기계의 상태를 분류하도록 야기하는 코드를 포함하고,
    상기 기계의 상태는,
    상기 기계가 활성화되고 상기 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되지 않는 비패턴구간에 포함되는 제1 상태 및 상기 기계가 활성화되고 상기 제1 처리 데이터가 일정 구간에 걸쳐 임의의 패턴으로 가시화되는 패턴구간에 포함되는 제2 상태 중 하나 이상을 포함하는,
    데이터 분류 장치.
  11. 제 10 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 시계열 센서 데이터를 수집 시에, 상기 IoT 센서가 상기 기계를 센싱한 시간 정보를 나타내는 타임스탬프 및 상기 타임스탬프에서 상기 IoT 센서가 상기 기계를 대상으로 하여 센싱한 물리값을 포함하는 시계열 센서 데이터를 수집하도록 야기하는 코드를 저장하는,
    데이터 분류 장치.
  12. 제 11 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 제1 처리 데이터를 생성하기 이전에, 상기 시계열 센서 데이터로부터 상기 IoT 센서의 기본 물리값을 추종하여 기선(baseline)을 추정하고,
    상기 기선(baseline)의 추정 결과로부터 상기 기계가 비활성화 되는 구간에 포함되는 제0 상태를 분류되도록 야기하는 코드를 더 저장하는,
    데이터 분류 장치.
  13. 제 12 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 제1 처리 데이터를 생성 시에, 상기 시계열 센서 데이터에 상기 기선의 추정 결과를 적용하여 서브 시계열 센서 데이터를 생성하고,
    상기 서브 시계열 센서 데이터로부터 잡음을 제거하여 상기 제1 처리 데이터를 생성하도록 야기하는 코드를 저장하는,
    데이터 분류 장치.
  14. 제 10 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 제2 처리 데이터를 생성 시에, 상기 제1 처리 데이터에 대한 통계적 특성과 고차 미분값을 활용하여 상기 기계에 대하여 상기 제1 상태 및 상기 제2 상태를 결정할 수 있는 동적 임계값으로서의 제2 처리 데이터를 생성하도록 야기하는 코드를 저장하는,
    데이터 분류 장치.
  15. 제 12 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 기계의 상태를 분류한 이후에, 상기 패턴구간에 포함되는 상기 제1 처리 데이터에 동적 시간 접합 기법을 적용하여 유사도를 측정하고,
    상기 유사도 측정 결과를 기반으로 상기 패턴구간에 포함되는 상기 제1 처리 데이터로부터 상기 기계의 상태를 제2-1 상태, 제2-2 상태 및 제2-3 상태 중 하나 이상으로 추가 분류하도록 야기하는 코드를 더 자장하고,
    상기 제2-1 상태는, 상기 제2 상태에 포함되는 임의의 패턴이 기설정된 개수 이상 반복되어 가시화되는 제1 패턴구간에 포함되는 상태를 나타내고,
    상기 제2-2 상태는, 상기 제2 상태에서 포함되는 임의의 패턴이 기설정된 개수 미만으로 반복되어 가시화되는 제2 패턴구간에 포함되는 상태를 나타내고,
    상기 제2-3 상태는, 상기 제1 상태에 포함되는 상기 제1 처리 데이터가 상기 동적 시간 접합 기법을 통하여 상기 제1 패턴구간으로 변경되는 상태를 나타내는,
    데이터 분류 장치.
KR1020220063906A 2021-05-25 2022-05-25 데이터 분류 장치 및 방법 KR20220159291A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/KR2022/007423 WO2022250449A1 (ko) 2021-05-25 2022-05-25 데이터 분류 장치 및 방법
JP2022577388A JP2023531902A (ja) 2021-05-25 2022-05-25 データ分類装置および方法
US18/050,246 US20230071496A1 (en) 2021-05-25 2022-10-27 Data classification apparatus and method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210067260 2021-05-25
KR20210067260 2021-05-25

Publications (1)

Publication Number Publication Date
KR20220159291A true KR20220159291A (ko) 2022-12-02

Family

ID=84413122

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020220063905A KR20220159290A (ko) 2021-05-25 2022-05-25 증폭기 설계 장치 및 방법
KR1020220063906A KR20220159291A (ko) 2021-05-25 2022-05-25 데이터 분류 장치 및 방법

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020220063905A KR20220159290A (ko) 2021-05-25 2022-05-25 증폭기 설계 장치 및 방법

Country Status (6)

Country Link
US (1) US20230071496A1 (ko)
EP (1) EP4130691A4 (ko)
JP (1) JP2023531902A (ko)
KR (2) KR20220159290A (ko)
CN (1) CN115867774A (ko)
WO (1) WO2022250449A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100952619B1 (ko) 2007-11-30 2010-04-15 (주)한국툴모니터링 공작기계 취급시의 불량 검출방법

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100661321B1 (ko) 2005-12-20 2006-12-27 김종수 도로용 발전기
US20160313216A1 (en) * 2015-04-25 2016-10-27 Prophecy Sensors, Llc Fuel gauge visualization of iot based predictive maintenance system using multi-classification based machine learning
US10599982B2 (en) * 2015-02-23 2020-03-24 Machinesense, Llc Internet of things based determination of machine reliability and automated maintainenace, repair and operation (MRO) logs
EP3336634B1 (en) * 2016-12-14 2020-02-26 ABB Schweiz AG Computer system and method for monitoring the status of a technical system
EP3370125A1 (en) * 2017-03-01 2018-09-05 PLETHORA IIoT, S.L. Device and system including multiple devices for supervision and control of machines in industrial installation
JP2018195153A (ja) * 2017-05-19 2018-12-06 有限会社アクシズエンジニアリング 工作機械用稼働状況遠隔監視装置
JP7445928B2 (ja) * 2018-05-07 2024-03-08 ストロング フォース アイオーティ ポートフォリオ ２０１６，エルエルシー 産業用のモノのインターネットを利用した解析及びメンテナンスのための機械信号のデータ収集、学習、ストリーミングのための方法並びにシステム
JP6660976B2 (ja) * 2018-05-21 2020-03-11 Dmg森精機株式会社 工作機械監視装置
KR101973328B1 (ko) * 2018-07-25 2019-04-26 남창현 하둡 기반 공작기계 환경 데이터의 상관관계 분석 및 시각화 방법
US11639670B2 (en) * 2019-11-14 2023-05-02 General Electric Company Core rub diagnostics in engine fleet

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100952619B1 (ko) 2007-11-30 2010-04-15 (주)한국툴모니터링 공작기계 취급시의 불량 검출방법

Also Published As

Publication number Publication date
JP2023531902A (ja) 2023-07-26
WO2022250449A1 (ko) 2022-12-01
KR20220159290A (ko) 2022-12-02
US20230071496A1 (en) 2023-03-09
CN115867774A (zh) 2023-03-28
EP4130691A4 (en) 2023-10-11
EP4130691A1 (en) 2023-02-08

Similar Documents

Publication Publication Date Title
JP7032408B2 (ja) 現場検知
Yang et al. People-centric cognitive internet of things for the quantitative analysis of environmental exposure
Bhoi et al. IoT-EMS: An internet of things based environment monitoring system in volunteer computing environment
Sayed et al. Endorsing energy efficiency through accurate appliance-level power monitoring, automation and data visualization
Das et al. Heterosense: An occupancy sensing framework for multi-class classification for activity recognition and trajectory detection
Almishari et al. An energy efficient real-time vehicle tracking system
CN116257663A (zh) 面向无人地面车辆的异常检测与关联分析方法及相关设备
He et al. Mobile device batteries as thermometers
Alzyout et al. Performance of design options of automated ARIMA model construction for dynamic vehicle GPS location prediction
KR102073696B1 (ko) 사용자 단말 및 사용자 활동 예측 방법
Breda et al. Hot or not: Leveraging mobile devices for ubiquitous temperature sensing
Li et al. Systematic analysis of fine-grained mobility prediction with on-device contextual data
KR20220159291A (ko) 데이터 분류 장치 및 방법
Mahmud et al. Gathering contextual data with power information using smartphones in Internet of Everything
Cherifi et al. Automatic inference of energy models for peripheral components in embedded systems
Khokhlov et al. Data security and quality evaluation framework: Implementation empirical study on android devices
Baek et al. An energy efficiency grading system for mobile applications based on usage patterns
Han et al. An energy efficient user context collection method for smartphones
Shah et al. Processing mobility traces for activity recognition in smart cities
Jiang et al. Personalized energy consumption modeling on smartphones
Turner et al. Verification and validation of smartphone sensor networks
Khan et al. Personal productivity monitoring through smartphones
Lin et al. Transportation type identification by using machine learning algorithms with cellular information
Zeng et al. Addressing robust travel mode identification with individual trip‐chain trajectory noise reduction
Cherifi et al. Toward energy profiling of connected embedded systems