KR20230038899A - Ai 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템 - Google Patents

Abstract

본 발명은 딥러닝 모델에서 분석된 기기의 신뢰성 환경시험에 따른 고장의 유형, 고장 진단 정보, 수명 정보 등의 결과값을 출력하고, 현재의 진단 장치가 예측할 수 없는 추 후의 고장 가능성 및 고장 부위를 정확하게 예측할 수 있는 AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템에 관한 것이다.

Description

AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템{Reliability environmental test system of the device based on AI image recognition}

본 발명은 딥러닝 모델에서 분석된 기기의 신뢰성 환경시험에 따른 고장의 유형, 고장 진단 정보, 수명 정보 등의 결과값을 출력하고, 현재의 진단 장치가 예측할 수 없는 추 후의 고장 가능성 및 고장 부위를 정확하게 예측할 수 있는 AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템에 관한 것으로 보다 상세하게는, 기기의 영상분석 고장물리(PoF : Physics of Failure)에 기반을 둔 고장 분석 기법 및 영상분석의 엔지니어링 데이터를 이용한 신뢰성 있는 시험 결과를 도출할 수 있으며, 고장 분석을 보다 신속하고 정확하게 수행하여 시험에 소요되는 시간 및 비용을 대폭 절감할 수 있으며 동시에, 시험 과정에서 투입되는 인력을 보다 효과적으로 대체할 수 있도록 해 제품 연구개발 기간의 단축, 비용을 절감하고 품질 및 안전이 확보된 제품의 시장 진입을 보다 빠르게 유도할 수 있으며 기술개발 초기 단계인 목업 단계에서 실 제품 제작 전 신뢰성 관점에서 정확성 향상과 시간 단축의 효과를 기반으로 한 설계 검증을 실현할 뿐만 아니라, 단순한 시험 인증 분야 뿐만 아니라, 기계, 화학, 자동차, 플랜트 설비관리, 공정관리 등 다양한 산업분야에 적용 가능하여 안전사고를 미연에 방지할 수 있도록 하는 안전대책으로 강구될 수 있는 AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템에 관한 것이다.

일반적으로 전자기기의 수명은 전자기기에 공급되는 전압과 전류 및 부하로 인한 열에 의해 영향을 받게 된다. 즉, 부품 정격에 적용되는 온도, 전압 및 전류 등의 스트레스가 적으면 고장률이 저감되고, 전자기기의 수명이 증가하게 된다.

이러한 전자기기의 수명은 전자기기의 본격적인 제조에 앞서, 기제조된 전자기기에 대해 신뢰성 환경시험을 수행하여 전자기기 각 부품에 대해 가속 수명 테스트를 수행하여 결정되어진다.

상기 신뢰성 환경시험이란 전자기기를 일반 사용 환경보다 악조건 하에서 실시하는 시험으로서, 짧은 시간 내에 전자 부품의 성능, 수명(신뢰도), 및 설계의 완성도를 평가하기 위한 전반적인 시험들을 일컷는다고 할 수 있다.

즉, 신뢰성 환경시험하에서는 이상의 조건을 스트레스(예를 들어, 온도, 습도, 진동, 전압, 전류 등)로 이용하여, 해당 전자기기에 스트레스를 인가하며, 이때, 상기 스트레스를 인가하는 수준은 사전에 설정되는데, 시험 대상 전자기기의 동작 한계 조건(Operational Limit Condition)을 초과하는 수준으로 설정하는 것이 일반적이다.

이러한 전자기기의 성능 시험과 관련된 종래기술들을 소개하면 다음과 같다.

먼저, 등록특허 제10-1048074호(전자 부품 가속 수명 테스트 시스템)는 각 복수 개의 전자 부품 칩을 구비한 복수 개의 전자 부품 카드를 장착할 수 있는 하나 이상의 테스트 랙을 포함하며, 소정 환경에서 상기 전자 부품 칩을 열화 시키는 온도 챔버, 상기 전자 부품 칩의 가속 수명 측정을 위해 상기 온도 챔버에 공급할 소스 전원을 발생시키는 파워서플라이, 상기 소스 전원을 상기 복수 개의 전자 부품 카드들에 분배하여 인가하는 파워 분배기, 상기 온도 챔버 내의 상기 전자 부품 칩과 일대일 대응하여 전기적으로 연결된 복수의 채널을 포함하는 하나 이상의 채널 그룹 유닛을 구비하는 채널 그룹, 상기 채널 그룹에 의해 상기 각 전자 부품 칩과 전기적으로 연결되어, 상기 전자 부품 칩의 절연 저항 값을 측정하는 전류 측정기 및 상기 각 구성 요소를 제어하고, 외부로부터 입력되는 명령에 따라 테스트 환경을 설정하여 해당 구성 요소로 전달하는 제어 장치를 포함하는 것을 특징으로 한다.

이때, 상기 전자 부품 칩은, MLCC(Multi Layer Ceramic Capacitor) 으로 이루어지며, 상기 테스트를 수행하기 전 영점 조정을 수행하도록 상기 전류 측정기를 제어하며, 상기 온도 챔버 내의 상기 전자 부품 칩과 일대일 대응하여 전기적으로 연결된 복수의 채널을 각각 포함하는 복 수 개의 채널 카드를 구비하며, 상기 제어 장치는, 상기 테스트를 수행하기 전 상기 각 채널들의 쇼트 유무를 점검하도록 상기 채널 그룹을 제어하며, 상기 채널 카드에 포함된 각 채널은, 스위치 제어 신호에 따라 온(On)/오프(Off) 동작하며, 상기 온(On) 동작에 의해 상기 전자 부품 칩과 상기 전류 측정기를 전기적으로 연결하여 상기 전류 측정기가 상기 전자 부품 칩의 절연 저항 값을 측정하도록 하는 전류 측정 스위치 및 상기 제어 장치의 제어에 따라, 해당 채널에 상기 스위치 제어 신호를 발생시키는 채널 카드 컨트롤러를 포함하는 것을 특징으로 한다.

보다 구체적으로, 상기 채널 카드 컨트롤러는, 상기 채널 카드에 포함된 각 채널의 전류 측정 스위치가 순차적으로 하나씩 온(On) 동작하도록 스위치 제어하며, 상기 채널 카드에 포함된 각 채널은, 상기 채널 카드 컨트롤러의 스위치 제어 신호에 따라 온(On)/오프(Off) 동작하며, 상기 온(On) 동작에 의해 해 당 채널에 전압을 인가하는 전압 스위치; 및 상기 인가된 전압으로 해당 채널에 과전류가 흐르는지 여부를 감지하는 과전류 감지부를 더 포함하며, 상기 제어 장치는, 사용자의 명령에 따라 상기 과전류 감지부의 과전류 감지 기준을 변경하여 상기 채널 카드 컨트롤러로 전달하며, 상기 채널 카드 컨트롤러는, 상기 과전류 감지부로부터 과전류 신호가 발생하는 경우, 해당 채널의 전압 스위치를 오프(Off) 시키는 스위치 제어 신호를 발생시켜, 해당 채널에 인가되는 전압을 차단하며, 상기 채널 그룹 유닛은, 상기 채널 그룹 유닛의 전반적인 동작을 제어하는 채널 그룹 유닛 컨트롤 카드를 더 포함하고, 상기 채널 카드 컨트롤러는, 상기 과전류가 흐르는 채널에 대한 불량 채널 정보를 상기 채널 그룹 유닛 컨트롤 카드로 실시간 전송하며, 상기 채널 그룹 유닛 컨트롤 카드는, 상기 불량 채널 정보를 상기 제어 장치로 전송하며, 상기 제어 장치는, 상기 온도 챔버, 상기 파워서플라이, 상기 파워 분배기, 상기 채널 그룹, 및 상기 전류 측정기와 데이터 통신을 수행하는 통신부, 외부로부터 입력되는 명령에 따라 상기 테스트 환경을 설정하는 테스트 환경 설정부, 상기 전류 측정기가 측정한 각 전자 부품 칩의 절연 저항 값을 분석하여 해당 전자 부품 칩의 정상 여부를 판단 하는 전자 부품 칩 분석부, 상기 각 전자 부품 칩의 절연 저항 값 및 각 전자 부품 칩의 정상 여부를 화면에 표시하는 표시부 및 상기 각 구성 요소를 제어하며, 상기 전류 측정기로부터 각 전자 부품 칩의 절연 저항 값을 수신하도록 상기 통 신부를 제어하고, 상기 채널 그룹 유닛 컨트롤 카드로부터 상기 불량 채널 정보를 수신하도록 상기 통신부를 제 어하며, 상기 불량 채널 정보를 화면에 표시하도록 상기 표시부를 제어하는 제어부를 포함하는 것을 특징으로 한다.

또, 상기 테스트 환경 설정부는, 테스트 시간, 온도 챔버 내의 온도 및 습도, 소스 전원 전압, 각 전자 부품 카드 별 절연 저항 불량 기준 값, 각 전자 부품 카드 별 인가 전압, 전류 및 전압 인가 채널, 온도 모드, 온도 상승 시간, 쇼트 체크 전압, 쇼트 체크 유무, 쇼트 체크 시 인가되는 전압 값 중 하나 이상의 테스트 환경을 설정하는 것을 특징으로 한다.

이와 같은 구성상의 특징으로 인하여, 상기 종래기술은 온도 챔버 내에 각각 복수의 전자 부품 칩을 구비한 복수 개의 전자 부품 카드를 장착할 수 있는 하나 이상의 테스트 랙을 구비함으로써, 한번에 복수 개의 전자 부품 칩의 가속 수명 테스트를 수행할 수 있으며, 채널에 전압이 인가되는 경우, 해당 채널에 과전류가 흐르는지 여부를 감지하여 과전류 신호를 발생시킴으로써, 실시간으로 불량 채널 정보를 획득할 수 있게 된다.

다음으로, 등록특허 10-2081184호(전자기기 수명예측 시스템 및 그 수명예측 방법)은 피시험장치(A)에 전원을 가변하여 공급하는 전원장치(11)와, 상기 피시험장치(A)에 부하를 가변하여 공급하는 부하장치(12)가 구비된 가변시험부(10)와; 상기 전원장치(11)와 부하장치(12)에서 공급되는 전압값과 전류값 및 부하값에 따라 상기 피시험장치(A)의 전압 과 전류를 감지하는 다수개의 센서(21a)가 구비된 측정지그(21)와, 상기 피시험장치(A)의 온도를 측정하는 적외 선카메라(22)와, 상기 피시험장치(A)의 외부온도를 조절가능토록 상기 피시험장치(A)의 외부를 감싸는 챔버(2 3)가 구비된 챔버측정부(20)와; 상기 센서(21a)와 적외선카메라(22)의 감지신호를 필터링하는 필터부(31)와, 상기 필터부(31)에서 필터링된 감 지신호를 디지털신호로 변환하는 ADC(32)가 구비된 변환부(30)와; 상기 가변시험부(10)와 챔버측정부(20) 및 변환부(30)와 통신연결되어, 상기 가변시험부(10)의 전압값과 전류값 과 부하값 및 상기 챔버(23)의 내부온도를 설정하고, 상기 변환부(30)에서 전달된 상기 디지털신호를 기준으로 상기 피시험장치(A)의 예상수명을 산출하는 제어부(40)로 이루어지고; 상기 제어부에(40)는 상기 피시험장치(A)의 정격전원 대비 ±20% 가변치를 전원 스트레스(S)로 인가하여 스트 레스 고장발생시간(TFSTRESS)을 산출하는 스트레스고장산출부(41)가 구비되며, 상기 제어부(40)에는 상기 피시험장치(A)에 실장된 부품소자의 표면온도가 상온 ~ 70℃로 가변시 상기 피시험장 치(A)의 온도에 따른 온도고장발생시간(TFtemp)을 산출하는 온도고장산출부(42)가 구비되며, 상기 제어부(40)에는 상기 부품소자의 특성과, 상기 챔버측정부(20)에서 측정된 실측값을 비교하여 정격수준에 따른 고장율을 판단하는 디레이팅판단부(43)가 구비된 것을 특징으로 한다.

이에, 상기 종래기술은 실사용 환경과 유사한 환경을 제공하는 챔버의 내부에 안착된 피시험장치에 전류, 전압 및 부하 등의 스트레스를 가변하여 공 급하고, 상기 피시험장치의 온도를 측정할 수 있는 적외선 카메라와, 전류와 전압을 측정하여, 전자기기의 수명 을 예측하고 취약점을 찾아 설계시 안정성을 증대시키는 특징이 있다.

이와 같은 상기 종래기술들은 공통적으로, 각종 조건 하에서 시험 중인 기기의 실시간 불량을 확인하고, 기기의 수명, 고장율 등을 제공할 수는 있지만, 시험 과정에서 손망된 기기를 확인하여 양부를 판단하기까지 오랜 시간이 걸리게 됨은 물론이고, 전자기기의 정확히 어느 부품이 고장이 발생하게 되었는지, 또한, 고장의 형태, 고장 유형, 고장 내용을 구체적으로 파악하기 위해서는, 엔지니어에게 필수적으로 의존해야 한다는 문제점이 있었다.

본 발명은 상기 종래 기술상의 제반 문제점을 감안하여 이를 해결하고자 창출된 것으로, 딥러닝 모델에서 분석된 기기의 신뢰성 환경시험에 따른 고장의 유형, 고장 진단 정보, 수명 정보 등의 결과값을 출력하고, 현재의 진단 장치가 예측할 수 없는 추 후의 고장 가능성 및 고장 부위를 정확하게 예측하여 기기의 영상분석 고장물리(PoF : Physics of Failure)에 기반을 둔 고장 분석 기법 및 영상분석의 엔지니어링 데이터를 이용한 신뢰성 있는 시험 결과를 도출할 수 있으며, 고장 분석을 보다 신속하고 정확하게 수행하여 시험에 소요되는 시간 및 비용을 대폭 절감할 수 있으며 동시에, 시험 과정에서 투입되는 인력을 보다 효과적으로 대체할 수 있도록 해 제품 연구개발 기간의 단축, 비용을 절감하고 품질 및 안전이 확보된 제품의 시장 진입을 보다 빠르게 유도할 수 있으며 기술개발 초기 단계인 목업 단계에서 실 제품 제작 전 신뢰성 관점에서 정확성 향상과 시간 단축의 효과를 기반으로 한 설계 검증을 실현할 뿐만 아니라, 단순한 시험 인증 분야 뿐만 아니라, 기계, 화학, 자동차, 플랜트 설비관리, 공정관리 등 다양한 산업분야에 적용 가능하여 안전사고를 미연에 방지할 수 있도록 하는 안전대책으로 강구될 수 있는 AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템을 제공하는데 그 목적이 있다.

본 발명은 상기 목적을 달성하기 위한 수단으로, 기기의 신뢰성 환경시험에 따른 기기의 고장 영상 데이터를 입력받는 입력 장치, 상기 입력 장치에 의해 생성된 시계열적인 고장 영상 데이터 정보로 훈련한 딥러닝 모델을 저장하는 저장 장치 및 상기 입력받은 고장 영상 데이터를 시계열적으로 전처리하고, 전처리한 데이터를 딥러닝 모델에 입력하고, 상기 딥러닝 모델에서 분석된 기기의 신뢰성 환경시험시 고장 진단 정보 또는 수명 정보를 출력하는 연산 장치;를 포함하는 것을 특징으로 한다.

또한, 상기 고장 영상 데이터는 특정한 진단 부위 내지 부품과의 연관성에 관계 없이 신뢰성 환경시험에 따른 기기의 영상에서 발생하는 기기의 스트레스 변화의 데이터 집합인 것을 특징으로 한다.

또, 상기 딥러닝 모델은 모델을 마련하기 위한 신뢰성 환경시험 조건과 이 조건에 따른 기기의 스트레스 변화의 데이터를 입력 데이터로 삼고, 상기 입력 데이터가 생성된 시점에서 측정한 영상 정보를 결과값으로 하여 학습되는 것을 특징으로 한다.

또한, 상기 입력 데이터는 시간의 흐름에 따라 변화량을 갖는 데이터를 기준 시간 단위로 분할한 데이터인 것을 특징으로 한다.

또, 상기 입력 장치는 카메라로 구성되는 것을 특징으로 한다.

본 발명은 딥러닝 모델에서 분석된 기기의 신뢰성 환경시험에 따른 고장의 유형, 고장 진단 정보, 수명 정보 등의 결과값을 출력하고, 현재의 진단 장치가 예측할 수 없는 추 후의 고장 가능성 및 고장 부위를 정확하게 예측하여 기기의 영상분석 고장물리(PoF : Physics of Failure)에 기반을 둔 고장 분석 기법 및 영상분석의 엔지니어링 데이터를 이용한 신뢰성 있는 시험 결과를 도출할 수 있으며, 고장 분석을 보다 신속하고 정확하게 수행하여 시험에 소요되는 시간 및 비용을 대폭 절감할 수 있으며 동시에, 시험 과정에서 투입되는 인력을 보다 효과적으로 대체할 수 있도록 해 제품 연구개발 기간의 단축, 비용을 절감하고 품질 및 안전이 확보된 제품의 시장 진입을 보다 빠르게 유도할 수 있으며 기술개발 초기 단계인 목업 단계에서 실 제품 제작 전 신뢰성 관점에서 정확성 향상과 시간 단축의 효과를 기반으로 한 설계 검증을 실현할 뿐만 아니라, 단순한 시험 인증 분야 뿐만 아니라, 기계, 화학, 자동차, 플랜트 설비관리, 공정관리 등 다양한 산업분야에 적용 가능하여 안전사고를 미연에 방지할 수 있도록 하는 안전대책으로 강구될 수 있는 효과를 제공한다.

도 1은 본 발명에 따른 AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템의 처리 과정을 개념적으로 도시한 도면.
도 2는 신뢰성 환경시험 과정에서 기기의 고장 유형에 대한 인식이 이루어지는 과정을 개념적으로 도시한 도면.
도 3 내지 도 6은 기기가 스트레스가 가해져 변형된 예를 도시한 도면.
도 7은 본 발명에 따른 AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템의 사용상태를 도시한 도면.
도 8은 입력 장치에 의해 기기가 열해석이 이루어지는 과정을 도시한 도면.
도 9는 입력 장치에 의해 기기의 촬영 영역이 그리드화된 상태를 도시한 도면.
도 10은 입력 장치에 의해 촬영된 촬영 영역이 축소되는 상태를 도시한 도면.
도 11은 입력 장치의 일례를 도시한 도면.
도 12는 종래 신뢰성 환경시험의 처리 과정을 개념적으로 도시한 도면.

상술한 본 발명의 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 실시 예를 통하여 보다 분명해질 것이다. 이하의 특정한 구조 내지 기능적 설명들은 단지 본 발명의 개념에 따른 실시 예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 개념에 따른 실시 예들은 다양한 형태로 실시될 수 있으며, 본 명세서에 설명된 실시 예들에 한정되는 것으로 해석되어서는 아니 된다.

본 발명의 개념에 따른 실시 예는 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있으므로, 특정 실시 예들은 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태에 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경물, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1 및/또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 한정되지는 않는다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소들로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소는 제1 구성 요소로도 명명될 수 있다.

어떠한 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떠한 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 또는 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성 요소들 간의 관계를 설명하기 위한 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 인접하는"과 "~에 직접 인접하는" 등의 표현도 마찬가지로 해석되어야 한다.

본 명세서에서 사용하는 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서 "포함하다" 또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

본 발명에 따른 AI 영상 인식 기반 고장 진단 데이터 수집 시스템은 크게, 기기의 신뢰성 환경시험에 따른 기기의 고장 영상 데이터를 입력받는 입력 장치, 상기 입력 장치에 의해 생성된 시계열적인 고장 영상 데이터 정보로 훈련한 딥러닝 모델을 저장하는 저장 장치 및 상기 입력받은 고장 영상 데이터를 시계열적으로 전처리하고, 전처리한 데이터를 딥러닝 모델에 입력하고, 상기 딥러닝 모델에서 분석된 기기의 신뢰성 환경시험시 고장 진단 정보 또는 수명 정보를 출력하는 연산 장치를 포함하는 것으로 정의될 수 있다.

상기 고장 영상 데이터는 특정한 진단 부위 내지 부품과의 연관성에 관계 없이 신뢰성 환경시험에 따른 기기의 영상에서 발생하는 기기의 스트레스 변화의 데이터 집합으로 의미될 수 있다.

즉, 상기 고장 영상 데이터는 기기의 각종 부품의 상태 내지 각종 부품의 동작 상태를 측정한 정보를 의미한다.

여기서 부품은 기기를 구성하는 기계적인 부품, 예컨대, 하우징, 보드, 회로, 소자 등과 같은 구조물일 수 있다.

고장 영상 데이터는 별도의 장비, 예컨대, 입력 장치를 통해 추출한다.

입력 장치는 카메라로 구성되어 시험에 놓인 기기를 실시간으로 촬영하여 영상 정보를 생성한다.

입력 장치는 디지털 열화상 카메라의 기능을 포함할 수 있다. 또한, 입력 장치는 영상을 그리드로 분할 구성하여 영상 데이터를 저장할 수 있으며, 그리드로 분할 구성된 하나의 섹션에 대한 영상 정보를 주요 영상 데이터로 지정하여 관리할 수 있다.

입력 장치는 유선 또는 무선으로 상기 영상 정보를 저장 장치에 저장할 수 있다. 상기 영상 정보가 가공되어 고장 영상 데이터로 활용될 수 있다. 이렇게 저장된 고장 영상 데이터를 딥 러닝(deep learning) 기법을 사용하여 딥러닝 모델이 빌드업될 수 있다.

즉, 상기 딥러닝 모델은 모델을 마련하기 위한 신뢰성 환경시험 조건과 이 조건에 따른 기기의 스트레스 변화의 데이터를 입력 데이터로 삼고, 상기 입력 데이터가 생성된 시점에서 측정한 영상 정보를 결과값으로 하여 학습될 수 있다.

상기 스트레스는 기기가 시험 조건에 놓여 화재, 번형 임계온도 이상의 온도변화 등에 노출되었을 때의 상태를 의미한다.

상기 입력 데이터는 시간의 흐름에 따라 변화량을 갖는 데이터를 기준 시간 단위로 분할한 데이터일 수 있다.

연산 장치는 신뢰성 환경시험에서 실제 기기의 손망이 발생한 시점, 그 때의 기기 상태를 담은 영상 정보 등을 지속적으로 딥러닝 모델에 학습시키고, 이러한 학습 데이터는 실제, 기기의 신뢰성 환경시험의 시험결과 판정에 활용될 수 있다.

이하, 기기의 신뢰성 환경시험의 과정을 설명한다.

먼저, 시험챔버 내에 피시험 기기를 배치한다.

이때, 시험챔버 주변으로는 입력 장치, 예컨대, 카메라가 설치되어 기기의 영상 정보를 실시간으로 입력받는다.

다음으로, 시험챔버를 기기의 변형 임계 온도 등의 악조건으로 세팅하고, 기기에 적정 스트레스를 가하게 되면 기기의 특정 부품이 임계점을 넘어설 때 기기의 부품에서 화재, 등이 발생하는 한편, 입력 장치는 이러한 기기의 변화를 실시간으로 입력 받아 고장 영상 데이터를 생성해 송출한다.

이때, 입력 장치는 열화상 카메라 기능을 수행할 수 있도록 해 기기의 특정 부분에서 온도변화의 편차가 큰 부분을 인식하고 이를 고장 영상 데이터로 생성할 수 있다.

예컨대, 기기의 신뢰성 환경시험이 개시되면 연산 장치는 실시간으로 업로드 되는 고장 영상 데이터를 딥러닝 모델에 학습되었던 학습 데이터와 비교 판단, 즉, 딥러닝 기반 모델을 통해 분석하여 기기의 상태 진단 결과를 출력할 수 있다.

한편, 연산 장치는 해당 기기의 시험 기록을 이용해 딥러닝 모델을 더 학습할 수도 있다.

연산 장치는 딥러닝 모델에서 분석된 기기의 신뢰성 환경시험에 따른 고장의 유형, 고장 진단 정보, 수명 정보 등의 결과값을 출력할 수 있으며, 나아가, 현재의 진단 장치가 예측할 수 없는 추 후의 고장 가능성 및 고장 부위를 정확하게 예측하기 위한 정보까지 출력할 수 있다.

즉, 본 발명에 따른 AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템은 기기의 영상분석 고장물리(PoF : Physics of Failure)에 기반을 둔 고장 분석 기법을 활용하게 되므로 영상분석의 엔지니어링 데이터를 이용한 신뢰성 있는 시험 결과를 도출할 수 있으며, 고장 분석을 보다 신속하고 정확하게 수행하여 시험에 소요되는 시간 및 비용을 대폭 절감할 수 있으며 동시에, 시험 과정에서 투입되는 인력을 보다 효과적으로 대체할 수 있도록 해 제품 연구개발 기간의 단축, 비용을 절감하고 품질 및 안전이 확보된 제품의 시장 진입을 보다 빠르게 유도할 수 있으며 기술개발 초기 단계인 목업 단계에서 실 제품 제작 전 신뢰성 관점에서 정확성 향상과 시간 단축의 효과를 기반으로 한 설계 검증을 실현할 수 있다.

본 발명에 따른 AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템은 시험 인증 분야 뿐만 아니라, 기계, 화학, 자동차, 플랜트 설비관리, 공정관리 등 다양한 산업분야에 적용 가능하여 안전사고를 미연에 방지할 수 있도록 하는 안전대책으로 강구될 수 있다.

이상에서 설명된 본 발명의 실시예는 예시적인 것에 불과하며, 본 발명이 속한 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 잘 알 수 있을 것이다. 그러므로 본 발명은 상기의 상세한 설명에서 언급되는 형태로만 한정되는 것은 아님을 잘 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다. 또한, 본 발명은 첨부된 청구범위에 의해 정의되는 본 발명의 정신과 그 범위 내에 있는 모든 변형물과 균등물 및 대체물을 포함하는 것으로 이해되어야 한다.

Claims (5)

1. 기기의 신뢰성 환경시험에 따른 기기의 고장 영상 데이터를 입력받는 입력 장치;
   상기 입력 장치에 의해 생성된 시계열적인 고장 영상 데이터 정보로 훈련한 딥러닝 모델을 저장하는 저장 장치; 및
   상기 입력받은 고장 영상 데이터를 시계열적으로 전처리하고, 전처리한 데이터를 딥러닝 모델에 입력하고, 상기 딥러닝 모델에서 분석된 기기의 신뢰성 환경시험시 고장 진단 정보 또는 수명 정보를 출력하는 연산 장치;를 포함하는 것을 특징으로 하는 AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템.
2. 청구항 1에 있어서,
   상기 고장 영상 데이터는 특정한 진단 부위 내지 부품과의 연관성에 관계 없이 신뢰성 환경시험에 따른 기기의 영상에서 발생하는 기기의 스트레스 변화의 데이터 집합인 것을 특징으로 하는 AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템.
3. 청구항 2에 있어서,
   상기 딥러닝 모델은 모델을 마련하기 위한 신뢰성 환경시험 조건과 이 조건에 따른 기기의 스트레스 변화의 데이터를 입력 데이터로 삼고, 상기 입력 데이터가 생성된 시점에서 측정한 영상 정보를 결과값으로 하여 학습되는 것을 특징으로 하는 AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템.
4. 청구항 3에 있어서,
   상기 입력 데이터는 시간의 흐름에 따라 변화량을 갖는 데이터를 기준 시간 단위로 분할한 데이터인 것을 특징으로 하는 AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템.
5. 청구항 4에 있어서,
   상기 입력 장치는 카메라로 구성되는 것을 특징으로 하는 AI 영상 인식에 기반한 기기의 신뢰성 환경시험 시스템.

Images