KR20230060918A - 엘리베이터 이상 검출 시스템 및 방법 - Google Patents

엘리베이터 이상 검출 시스템 및 방법 Download PDF

Info

Publication number
KR20230060918A
KR20230060918A KR1020210145644A KR20210145644A KR20230060918A KR 20230060918 A KR20230060918 A KR 20230060918A KR 1020210145644 A KR1020210145644 A KR 1020210145644A KR 20210145644 A KR20210145644 A KR 20210145644A KR 20230060918 A KR20230060918 A KR 20230060918A
Authority
KR
South Korea
Prior art keywords
abnormal
elevator
score
calculating
interval
Prior art date
Application number
KR1020210145644A
Other languages
English (en)
Other versions
KR102651107B1 (ko
Inventor
장성재
이재호
이석규
Original Assignee
현대엘리베이터주식회사
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 현대엘리베이터주식회사 filed Critical 현대엘리베이터주식회사
Priority to KR1020210145644A priority Critical patent/KR102651107B1/ko
Priority to CN202210148640.1A priority patent/CN116040427A/zh
Publication of KR20230060918A publication Critical patent/KR20230060918A/ko
Application granted granted Critical
Publication of KR102651107B1 publication Critical patent/KR102651107B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0087—Devices facilitating maintenance, repair or inspection tasks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0018—Devices monitoring the operating condition of the elevator system
    • B66B5/0025—Devices monitoring the operating condition of the elevator system for maintenance or repair
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0037—Performance analysers
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Maintenance And Inspection Apparatuses For Elevators (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)

Abstract

엘리베이터 이상 검출 시스템 및 방법이 개시된다. 본 발명에 따른 엘리베이터 이상 검출 시스템은 엘리베이터의 이상 증상 및 고장 발생의 전조 증상을 정밀하게 검출하여 사전예지보수 서비스를 제공하기 위한 것으로서, 고장과 관련되는 엘리베이터의 물리적 파라미터를 측정하는 센서부; 센서부에 의해 측정된 센싱 데이터를 수집하는 데이터 수집부; 센싱 데이터에 대하여 기설정된 임계치를 초과하는지를 판정함으로서 정상 패턴으로부터 벗어나는 이상 패턴들을 검출하는 이상패턴 검출부; 이상 패턴들에 대하여 인접하여 발생하는 이상 패턴 간의 발생 시간 차이를 인터벌 시간값으로 산출하는 인터벌 산출부; 및 일정 구간 내에서 검출된 이상 패턴들 간의 인터벌 시간값에 기초하여 이상 패턴들의 발생 밀집도를 결정하고 발생 밀집도에 기반하여 이상 스코어를 산출하는 이상스코어 산출부를 포함하여 구성된다.

Description

엘리베이터 이상 검출 시스템 및 방법 {Elevator abnormality detection system and method}
본 발명은 엘리베이터 이상 검출 시스템 및 방법에 관한 것으로서, 보다 상세하게는 엘리베이터의 동작 중 정상 패턴에서 벗어나는 이상 패턴의 발생 밀집도를 이용하여 엘리베이터의 이상 증상 및 고장 발생의 전조 증상을 정밀하게 검출해 냄으로써 사전예지보수 서비스의 제공을 가능케 하는 엘리베이터 이상 검출 시스템 및 방법에 관한 것이다.
일반적으로 주거용이나 업무용 또는 상업용 등으로 건축되는 다양한 종류의 고층 건물에는 해당 건물을 출입하는 승객들의 원활한 층간 이동을 위하여 엘리베이터가 구비된다.
엘리베이터는 내부에 승객이 탑승한 상태에서 건물 내부에 수직방향으로 형성된 승강로를 따라 상하 이동하는 엘리베이터 카와, 엘리베이터 카를 승강시키기 위한 동력을 발생시키는 모터부와 권상기 등으로 구성되는 기계부, 엘리베이터의 운행과 관련된 제어를 행하는 제어부 등을 포함하여 구성된다.
한편, 통상적으로 엘리베이터의 유지보수는 일정한 주기로 계획된 정기점검에 의해 이루어지거나, 에러코드(error code)가 발생하는 경우 유지보수 기사가 출동하여 해당 에러코드에 따른 매뉴얼을 확인하고 조치하는 경우가 대부분이다.
그런데 정기점검 일정 이전에 엘리베이터의 고장이 발생하는 등, 예기치 못한 엘리베이터의 고장이 발생하는 경우에는 유지보수 기사가 현장에 출동하여 엘리베이터의 유지보수가 완료될 때까지 승객이 엘리베이터를 이용할 수 없게 되는 큰 불편이 발생하게 된다.
따라서 최근에는 엘리베이터의 고장 가능성을 미리 예측함으로써 실제로 고장이 발생하기 이전에 유지보수를 실시하는 사전예지보수(Predictive maintenance)의 중요성이 대두되고 있는데, 이와 관련된 종래기술로는 엘리베이터에 센서를 설치하여 임계치를 초과하는 이벤트의 횟수를 검출(카운팅)함으로써 엘리베이터의 고장을 예측하고 유지보수를 실시하도록 하는 기술이 알려진 바 있다.
알려진 종래기술은 엘리베이터에 설치된 센서에 의해 검출되는 신호 중에서 정상 패턴을 벗어나는 이상 패턴의 발생 횟수에 따라 엘리베이터의 동작에 이상이 있음을 추론하고 있는데, 이러한 종래기술에 따르면 엘리베이터의 고장 예측에 대한 오판단이 발생할 우려가 있다.
구체적으로는 정상 동작 중인 엘리베이터라 하더라도 탑승한 승객의 거동이나 주변 환경에 의하여 비정상적인 신호가 발생할 수 있는데, 종래기술에서는 정상 상태에 있는 엘리베이터에서도 발생할 수 있는 비정상 신호까지 모두 수집하여 엘리베이터의 상태 진단을 실시하고 있기에, 엘리베이터의 고장 가능성을 잘못 예측하고 유지보수 기사를 오출동시키는 일이 종종 발생하였던 것이다.
엘리베이터의 사전예지보수를 실시함에 있어서 고장 예측에 대한 오판단을 줄이고 유지보수 기사의 오출동을 최소화하기 위해서는, 엘리베이터의 상태를 정확하게 진단하고 고장 가능성을 정밀하게 예측할 수 있는 보다 개선된 기술이 요구된다.
본 발명이 이루고자 하는 목적은, 머신러닝 또는 딥러닝 기술을 활용하여 엘리베이터의 수 많은 이상 증상 및 고장 발생의 전조 증상을 검출하고, 이를 기반으로 하여 엘리베이터의 사전예지보수 서비스를 제공하고자 함에 있다.
보다 구체적으로, 본 발명은 엘리베이터의 상태를 정확하게 진단하고 고장 가능성을 보다 정밀하게 예측함으로써, 엘리베이터의 사전예지보수를 실시함에 있어서 고장 예측에 대한 오판단을 줄이고 유지보수 기사의 오출동을 최소화할 수 있는 엘리베이터 이상 검출 시스템 및 방법을 제공하고자 한다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기의 목적을 달성하기 위한 본 발명의 일 측면에 따르면, 고장과 관련되는 엘리베이터의 물리적 파라미터를 측정하는 센서부; 상기 센서부에 의해 측정된 센싱 데이터를 수집하는 데이터 수집부; 상기 센싱 데이터에 대하여 기설정된 임계치를 초과하는지를 판정함으로서 정상 패턴으로부터 벗어나는 이상 패턴들을 검출하는 이상패턴 검출부; 상기 이상 패턴들에 대하여 인접하여 발생하는 이상 패턴 간의 발생 시간 차이를 인터벌 시간값으로 산출하는 인터벌 산출부; 및 일정 구간 내에서 검출된 상기 이상 패턴들 간의 인터벌 시간값에 기초하여 상기 이상 패턴들의 발생 밀집도를 결정하고 상기 발생 밀집도에 기반하여 이상 스코어를 산출하는 이상스코어 산출부를 포함하는, 엘리베이터 이상 검출 시스템이 제공될 수 있다.
상기 이상패턴 검출부는 상기 임계치를 벗어나는 정도에 따라 상기 이상 패턴들을 하나 이상의 레벨로 분류하여 레벨 수준에 따라 이상 검출 분류값을 부여하고, 상기 이상스코어 산출부는 상기 이상 검출 분류값이 높을수록 상기 이상 스코어 산출시 가중치로 보정할 수 있다.
상기 인터벌 산출부는 상기 이상 검출 분류값으로 분류된 각 카테고리별로 상기 이상 패턴들 간의 인터벌 시간값을 산출할 수 있다.
본 발명의 일 측면에 따른 엘리베이터 이상 검출 시스템은, 상기 이상 검출 분류값을 Y축으로 상기 인터벌 시간값을 X축으로 2D 플로팅하여 그래프로 나타내고, 상기 그래프에 대하여 밀도 기반 클러스터링(DBSCAN)을 수행함으로써 상기 이상 검출 분류값 별로 산출된 상기 인터벌 시간값을 밀접한 정도에 따라 그룹핑하는 클러스터링부를 더 포함할 수 있고, 상기 이상스코어 산출부는 그룹핑된 이상 패턴들에 대한 인터벌 시간값의 군집이 정상 상태의 군집 중심으로부터 떨어진 거리를 이상 스코어 산출의 가중치 계수로 활용할 수 있다.
상기 이상패턴 검출부는 상기 일정 구간 내에서 검출되는 상기 이상 패턴들의 발생 횟수에 관한 정보를 더 생성하고, 상기 이상스코어 산출부는 상기 발생 횟수가 많을수록 상기 이상 스코어 산출시 가중치로 보정할 수 있다.
본 발명의 일 측면에 따른 엘리베이터 이상 검출 시스템은, 상기 이상 검출 분류값, 상기 인터벌 시간값, 상기 인터벌 시간값에 대한 밀도 기반의 클러스터링을 수행하여 추정되는 이상 패턴의 발생 밀집도 및 상기 발생 횟수에 관한 정보를 피드 데이터로 활용하여 머신러닝 또는 딥러닝을 수행함으로써, 실시간으로 수집되는 상기 엘리베이터의 운행 데이터로부터 이상 스코어를 자동으로 산출하고 상기 엘리베이터의 고장 확률을 예측하는 모델을 수립하는 학습부를 더 포함할 수 있다.
한편, 상기의 목적을 달성하기 위한 본 발명의 다른 측면에 따르면, 고장과 관련하여 수집된 엘리베이터의 운행 데이터에서 기설정된 임계치를 초과하는 이상 패턴을 검출하고, 일정 구간 내에서 검출되는 이상 패턴들에 대하여 인접하여 발생하는 이상 패턴 간의 발생 시간 간격에 기반하여 이상 스코어를 산출함으로써 상기 엘리베이터의 고장 확률을 추정하는, 엘리베이터 이상 검출 시스템이 제공될 수 있다.
한편, 상기의 목적을 달성하기 위한 본 발명의 또 다른 측면에 따르면, 고장과 관련되는 엘리베이터의 운행 데이터를 수집하는 운행데이터 수집단계; 상기 운행데이터 수집단계에서 수집된 상기 엘리베이터의 운행 데이터에 대하여 기설정된 임계치를 초과하는지를 판정함으로서 정상 패턴으로부터 벗어나는 이상 패턴을 검출하는 이상패턴 검출단계; 상기 이상패턴 검출단계에서 검출된 이상 패턴들에 대하여 인접하여 발생하는 이상 패턴 간의 발생 시간 차이를 인터벌 시간값으로 산출하는 인터벌 산출단계; 밀도 기반의 클러스터링(DBSCAN)을 수행하여 상기 인터벌 산출단계에서 산출된 상기 인터벌 시간값을 밀접한 정도에 따라 그룹핑하는 클러스터링 단계; 및 상기 인터벌 시간값에 대한 밀도 기반의 클러스터링을 수행하여 추정되는 이상 패턴의 발생 밀집도에 기반하여 상기 엘리베이터의 이상 스코어 산출하는 이상스코어 산출단계를 포함하는, 엘리베이터 이상 검출 방법이 제공될 수 있다.
상기 이상패턴 검출단계에서는 상기 임계치를 벗어나는 정도에 따라 상기 이상 패턴들을 하나 이상의 레벨로 분류하여 레벨 수준에 따라 이상 검출 분류값을 부여하고, 상기 이상스코어 산출단계에서는 상기 이상 검출 분류값이 높을수록 상기 이상 스코어 산출시 가중치로 보정할 수 있다.
상기 인터벌 산출단계에서는 상기 이상 검출 분류값으로 분류된 각 카테고리별로 상기 이상 패턴들 간의 인터벌 시간값을 산출할 수 있다.
상기 이상패턴 검출단계에서 상기 일정 구간 내에서 검출되는 상기 이상 패턴들의 발생 횟수에 관한 정보를 더 생성하고, 상기 이상스코어 산출단계에서는 상기 발생 횟수가 많을수록 상기 이상 스코어 산출시 가중치로 보정할 수 있다.
본 발명의 또 다른 측면에 따른 엘리베이터 이상 검출 방법은, 상기 이상 검출 분류값, 상기 인터벌 시간값, 상기 인터벌 시간값에 대한 밀도 기반의 클러스터링을 수행하여 추정되는 이상 패턴의 발생 밀집도 및 상기 발생 횟수에 관한 정보를 피드 데이터로 활용하여 머신러닝 또는 딥러닝을 수행함으로써, 실시간으로 수집되는 상기 엘리베이터의 운행 데이터로부터 이상 스코어를 자동으로 산출하고 상기 엘리베이터의 고장 확률을 예측하는 모델을 수립하는 학습단계를 더 포함할 수 있다.
상기 이상스코어 산출단계에서는 상기 이상 검출 분류값, 상기 인터벌 시간값에 대한 밀도 기반의 클러스터링을 수행하여 추정되는 이상 패턴의 발생 밀집도 및 상기 발생 횟수에 관한 정보를 입력받아 상기 모델의 추론 결과에 따라 상기 이상 스코어를 산출할 수 있다.
본 발명에 의하면, 머신러닝 또는 딥러닝 기술을 활용하여 엘리베이터의 수 많은 이상 증상 및 고장 발생의 전조 증상을 검출하고, 이를 기반으로 하여 실제로 엘리베이터의 고장이 발생하기 이전에 미리 예방적인 조치를 취하는 사전예지보수 서비스를 제공할 수 있다.
또한, 본 발명은 엘리베이터의 운행 중 발생하는 이상 패턴들 간의 발생 시간 간격, 즉 이상 패턴의 발생 밀집도에 기반하여 엘리베이터의 현재 상태를 진단함으로써 이상 패턴의 발생 횟수에만 의존하는 종래의 기술과 대비하여 엘리베이터의 고장 가능성을 보다 정밀하게 예측해 낼 수 있으며, 따라서 고장 예측에 대한 오판단을 줄이고 유지보수 기사의 오출동을 최소화할 수 있음은 물론, 기존의 에러코드에 의해 설명될 수 없는 원인 불명한 고장이나 엘리베이터의 부품 간 연관된 고장에 대해서도 고장 발생에 대한 예측 범위가 확대되는 효과를 가진다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명에 따른 엘리베이터 이상 검출 시스템의 기능 블록도이다.
도 2는 본 발명에 따른 엘리베이터의 이상 스코어 산출 과정에 포함되는 일 프로세스를 설명하기 위한 도면이다.
도 3은 본 발명에 따른 엘리베이터 이상 검출 방법을 나타낸 흐름도이다.
본 발명의 목적과 기술적 구성 및 그에 따른 작용 및 효과에 관한 자세한 사항은 본 발명의 명세서에 첨부된 도면에 의거한 상세한 설명에 의해 보다 명확하게 이해될 것이다.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 발명을 한정하려는 의도가 아니다. 예컨대, 본 명세서에서 사용되는 "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성요소들 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성요소들 또는 일부 단계들을 포함하지 않거나 또는 추가적인 구성요소들 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로써 본 발명을 상세히 설명한다. 이하에서 설명되는 실시예들은 본 발명의 기술사상을 당업자가 용이하게 이해할 수 있도록 제공되는 것으로서, 이에 의하여 본 발명이 한정되는 것으로 해석되어서는 안되며, 본 발명의 실시예들은 이 분야의 통상의 기술자에게 다양한 응용을 가질 수 있음은 당연하다.
도 1은 본 발명에 따른 엘리베이터 이상 검출 시스템의 기능 블록도이고, 도 2는 본 발명에 따른 엘리베이터의 이상 스코어 산출 과정에 포함되는 일 프로세스를 설명하기 위한 도면이며, 도 3은 본 발명에 따른 엘리베이터 이상 검출 방법을 나타낸 흐름도이다.
본 발명에 따른 엘리베이터 이상 검출 시스템 및 방법은, 엘리베이터의 내/외부에 설치되는 센서를 통해 취득된 데이터를 이용하여 엘리베이터의 이상 증상 및 고장 발생의 전조 증상을 검출하고, 실시간으로 수집된 엘리베이터의 각종 운행 정보에 머신러닝 또는 딥러닝 기술을 적용하여 차후 발생할 수 있는 엘리베이터의 고장 가능성을 미리 예측하고 대응할 수 있도록 구현된다.
이를 위해 본 발명에 따른 엘리베이터 이상 검출 시스템은, 도 1에 도시된 바와 같이, 센서부(10), 데이터 수집부(20), 이상패턴 검출부(30), 인터벌 산출부(40), 클러스터링부(50), 학습부(60) 및 이상스코어 산출부(70)를 포함하여 구성된다.
센서부(10)는 엘리베이터의 고장과 관련되는 각종 운행 정보를 취득하기 위한 것으로서, 고장 가능성의 예측에 이용되는 엘리베이터의 다양한 물리적 파라미터를 측정할 수 있다.
센서부(10)는, 엘리베이터 카의 차체나 차체 주변에 설치되는 진동 센서, 소음 센서, 엘리베이터 카의 가속도를 측정하기 위한 가속도 센서, 엘리베이터 카의 위치를 검출하기 위한 위치 센서, 엘리베이터 도어의 개폐와 관련된 파라미터를 측정하는 모션 센서 등을 포함하여, 엘리베이터 장치나 부품의 동작 상태를 감시하고 엘리베이터의 동작과 관련된 물리적 파라미터를 측정하는 하나 이상의 센서로 구성될 수 있다.
센서부(10)는 엘리베이터의 운행 정보를 얻고자 하는 다양한 위치에 설치될 수 있으며, 엘리베이터 카 뿐만 아니라 승강로, 승강장, 기계실의 권상기, 조속기 등 엘리베이터의 운행과 관련하여 고장 가능성을 예측하고자 하는 곳이라면 엘리베이터의 모든 구성요소에 적용이 가능하다.
데이터 수집부(20)는 센서부(10)에서 취득된 엘리베이터의 고장과 연관되는 데이터들을 수집한다. 데이터 수집부(20)는 무선 네트워크를 통해 센서부(10)로부터 데이터를 수신받을 수 있다.
이상패턴 검출부(30)는 데이터 수집부(20)에서 수집된 데이터들이 기설정된 임계치를 초과하는지를 판정함으로써 정상 패턴으로부터 벗어나는 이상 패턴을 검출한다.
이때, 이상패턴 검출부(30)는 임계치를 벗어나는 정도에 따라 적어도 하나 이상의 레벨로 구분하는 기준 레벨을 정하고, 검출된 이상 패턴들을 레벨 수준에 따라 분류함으로써 '이상 검출 분류값'을 생성할 수 있다.
즉, 이상패턴 검출부(30)는 정상 패턴과 이상 패턴을 구분할 뿐만 아니라 임계치를 벗어나는 정도에 따라 이상 패턴들을 다시 하나 이상의 레벨로 분류하고 그 수준을 나타내는 지표값(이상 검출 분류값)을 부여할 수 있는데, 이는 이상 패턴이 임계치를 벗어나는 정도에 따라 심각도 수준을 결정하고, 이상 패턴의 심각도 수준에 따라 이후 수행되는 이상 스코어(Anormaly score)의 산출시 가중치를 달리 부여함으로써 보다 정밀한 엘리베이터의 고장 예측을 구현하기 위함이다.
이상패턴 검출부(30)는 분류된 데이터들을 기준 레벨에 따라 이상 검출 분류값으로 레이블링(labeling)하고 이에 따른 시계열 패턴을 생성할 수 있다.
일 실시예로, 도 2의 상단에 도시된 그래프를 참조하면, 엘리베이터의 동작과 관련된 센싱 데이터가 시간의 흐름에 따라 그려지고 있다. 해당 데이터는 센서부(10)에 의해 측정되고 데이터 수집부(20)에 의해 수집되는 것이다.
이상패턴 검출부(30)는 데이터 수집부(20)에 의해 수집되는 데이터들을 기준 레벨에 따라 복수의 카테고리로 분류할 수 있다. 해당 실시예에서는 기준 레벨을 0 내지 3으로 정하고 있는데, 여기서 기준 레벨 1은 임계치를 나타내고, 기준 레벨 2 및 3은 이상 패턴을 다시 하나 이상의 레벨로 분류하는 기준이 된다.
해당 실시예에서 기준 레벨 0과 1 사이에 들어오는 센싱 데이터, 즉 임계치 이하의 센싱 데이터들은 정상 패턴으로 간주될 수 있다. 반면, 기준 레벨 1을 초과하는 센싱 데이터들은 이상 패턴으로서 간주될 수 있으며, 이때 더 높게 설정되는 기준 레벨에 의하여 이상 패턴들이 다시 하나 이상의 레벨로 분류될 수 있다.
이상패턴 검출부(30)는 정상 패턴들에 대하여 이상 검출 분류값으로서 '0'을 부여하고, 기준 레벨 1과 2 사이에서 검출되는 이상 패턴들에 대해서는 이상 검출 분류값으로서 '1'을 부여하며, 기준 레벨 2와 3 사이에서 검출되는 이상 패턴들에 대해서는 이상 검출 분류값으로서 '2'를 부여할 수 있다. 도면에는 도시되지 않았으나 기준 레벨 3을 넘어서는 이상 패턴들에 대해서는 이상 검출 분류값으로서 더 높은 '3'을 부여할 수 있을 것이다.
이상 검출 분류값이 커질수록 이상 패턴이 임계치에서 벗어나는 정도가 큰 것을 의미하며, 이후 이상스코어 산출부(70)에 의한 이상 스코어 산출시 가중 요소로 작용될 수 있다. 즉, 이상 패턴이 임계치를 벗어나는 정도가 심할수록 이상 스코어 산출에 더 많은 가중치를 부여할 수 있다.
한편, 도 2에 도시된 실시예는 본 발명의 이해를 돕기 위해 예시된 것에 불과하고, 본 발명이 반드시 이에 제한되거나 한정되는 것은 아니다. 필요에 따라 기준 레벨을 더 세분화하거나 또는 반대로 복수의 레벨을 통합하여 기준을 간소화할 수 있음은 물론이다.
인터벌 산출부(40)는 이상패턴 검출부(30)에서 검출된 이상 패턴들에 대한 정보를 전달 받아 이상 패턴과 인접하여 발생하는 다른 이상 패턴 간의 발생 시간 차이를 '인터벌 시간값'으로 산출한다.
또한, 인터벌 산출부(40)는 정상 패턴들 간의 인터벌 시간값도 함께 산출할 수 있는데, 이는 엘리베이터가 정상 동작 상태에 있는지를 명확하게 파악하고자 하는 것이고, 본 발명의 목적이 이상 패턴의 발생 밀집도에 기반하여 엘리베이터의 고장 가능성을 예측하는 것이라는 점을 고려하여 보면 정상 패턴들 간의 인터벌 시간값을 산출하는 기능이 필수적으로 요구되는 것은 아니다.
본 발명에서 인터벌 산출부(40)는 이상 검출 분류값 별로 인터벌 시간값의 산출을 수행할 수 있다. 즉, 이상패턴 검출부(30)에서 검출되는 이상 패턴들은 이상 검출 분류값이라는 카테고리로 분류되어 있는 상태인데, 인터벌 산출부(40)는 각 카테고리 별로 이상 패턴들에 대한 인터벌 시간값을 산출할 수 있다.
도 2에 도시된 실시예를 참조하여 설명하면, 인터벌 산출부(40)는 이상 검출 분류값으로서 0이 부여된 정상 패턴들과 이상 검출 분류값으로서 1이 부여된 이상 패턴들, 그리고 이상 검출 분류값으로서 2가 부여된 이상 패턴들에 대하여 각각 카테고리 별로 인터벌 시간값을 산출할 수 있다.
클러스터링부(50)는 이상패턴 검출부(30)에서 생성된 '이상 검출 분류값'을 Y축으로 그리고 인터벌 산출부(40)에서 산출된 '인터벌 시간값'을 X축으로 2D 플로팅(plotting)하여 그래프로 나타내고, 이상 검출 분류값(Y)-인터벌 시간값(X) 그래프에 대하여 밀도 기반 클러스터링(DBSCAN: Density-Based Spatial Clustering of Applications with Noise)을 수행함으로써 이상 검출 분류값 별로 산출된 인터벌 시간값을 밀접한 정도에 따라 그룹핑(grouping)한다. 이에 따라 이상 검출 분류값에 따른 인터벌 시간값 데이터들을 유사한 군집으로 분류할 수 있으며, 정상 상태의 군집 중심으로부터의 거리를 이후 수행되는 이상 스코어 산출시 가중치 계수로 활용될 수 있다.
도 2의 하단에는 '이상 검출 분류값'을 Y축으로 하고 '인터벌 시간값'을 X축으로 하여 2D 플로팅한 그래프가 도시되어 있는데, 전술하였듯이 이상 패턴들 간의 인터벌 시간값은 이상 검출 분류값에 따른 카테고리 별로 계산이 수행되므로 도 2와 같은 형태의 그래프가 도출되는 것이다.
학습부(60)는 일정 구간 내의 이상 검출 분류값에 대한 시계열 패턴 데이터, 인터벌 시간값, 이상 패턴들에 대한 인터벌 시간값의 군집이 정상 상태의 군집 중심으로부터 떨어진 거리(밀도 기반의 클러스터링에서는 이를 '입실론(epsilon) 반경'이라고 함) 등을 피드 데이터로 활용하여 머신러닝 또는 딥러닝을 수행함으로써, 실시간으로 수집 및 생성되는 데이터들로부터 이상 스코어를 자동으로 산출하고 엘리베이터의 고장 확률을 예측하는 모델을 수립할 수 있다.
이상스코어 산출부(70)는 전술한 데이터 수집부(20), 이상패턴 검출부(30), 인터벌 산출부(40) 및 클러스터링부(50)에 의해 실시간으로 수집 및 생성되는 데이터들을 입력변수로 하는 시계열 패턴에 따른 학습 모델의 추론 결과에 따라 엘리베이터의 이상 스코어를 산출하고, 산출된 이상 스코어로부터 엘리베이터의 고장 확률을 예측할 수 있다.
보다 구체적으로, 이상스코어 산출부(70)는 이상패턴 검출부(30)에서 생성된 이상 검출 분류값이 높을수록, 인터벌 산출부(40)에 의해 산출된 인터벌 시간값이 작을수록, 즉 이상 패턴의 발생이 잦을수록 이상 스코어 산출에 가중치를 부여할 수 있다. 이때 인터벌 시간값은 클러스터링부(50)에 의해 수행되는 밀도 기반의 클러스터링을 통해 다수의 데이터가 군집화될 수 있으며, 이상 패턴들에 대한 인터벌 시간값의 군집이 정상 상태의 군집 중심으로부터 떨어진 거리가 이상 스코어 산출의 가중치 계수로 활용될 수 있다.
도 2의 하단에 도시된 그래프를 기준으로 보면, Y축의 이상 검출 분류값이 높을수록(심각도 수준이 높을수록), 그리고 X축의 이상 패턴간 발생 시간 인터벌이 작을수록(발생 밀집도가 높을수록) 고장 발생 확률이 큰 것으로서 이상 스코어가 증가될 것이다.
이상과 같이 본 발명에 따른 엘리베이터 이상 검출 시스템은, 엘리베이터의 운행 중 수집되는 센싱 데이터들을 임계치를 벗어나는 정도에 따라 카테고리를 분류함으로써 이상 패턴의 심각도 수준을 이상 스코어 산출에 반영하고, 분류된 카테고리 별로 인터벌 시간값 및 이에 대한 밀도 기반의 클러스터링을 수행하여 추정되는 이상 패턴의 발생 밀집도를 이상 스코어 산출에 반영함으로써, 엘리베이터의 이상을 정밀하게 검출하도록 구현되는 것이다.
또한, 이상스코어 산출부(70)는 상기한 데이터 외에도 기존과 같이 이상 패턴의 '발생 횟수'도 이상 스코어 산출의 추가적인 입력변수로서 종합적으로 고려할 수 있다. 이상 패턴의 발생 횟수에 관한 정보는 이상패턴 검출부(30)에 의해 생성될 수 있으며, 일정 구간 내 이상 패턴의 발생 횟수가 높을수록 이상 스코어 산출의 가중치가 부여될 수 있다.
상기와 같이 이상 스코어 산출시 고려되는 데이터들 및 이상스코어 산출부(70)에 의해 추론된 결과(이상 스코어)는 누적하여 저장될 수 있으며, 누적된 정보는 전술한 학습부(60)의 피드 데이터로 활용되어 반복 학습될 수 있다.
종래기술이 이상 패턴의 발생 횟수만으로 엘리베이터의 고장을 진단 혹은 예측하던 것과는 달리, 본 발명은 이상 패턴의 발생 횟수 뿐만 아니라 이상 패턴들의 심각도 수준이나 발생 밀집도 등을 복합적으로 고려함으로써 보다 정밀한 엘리베이터의 고장 예측을 기대할 수 있다.
즉, 종래에는 하나의 데이터만을 가지고 엘리베이터의 고장을 진단 혹은 예측하였으나, 본 발명은 다양한 데이터를 종합적으로 고려하여 이상 스코어를 산출함으로써 기존 대비 엘리베이터 고장 예측의 정밀도가 현저히 향상되는 효과를 가질 수 있으며, 학습이 누적 반복될수록 학습 모델의 정밀도가 향상되어 엘리베이터의 상태 진단을 보다 정확하고 정밀하게 수행할 수 있게 된다.
본 발명에 따른 엘리베이터 이상 검출 시스템은, 이상스코어 산출부(70)에서 산출된 이상 스코어 및 이상 스코어에 따른 고장 위험도(고장 발생 확률)를 유지보수 담당자에게 클라우드 플랫폼의 대시보드 또는 모바일로 전송하여 알람을 제공할 수 있으며, 유지보수 담당자는 해당 정보에 기반하여 사전예지보수 서비스를 계획하고 제공할 수 있다.
이하에서는 도 1 내지 도 3을 계속 참조하여 본 발명에 따른 엘리베이터 이상 검출 방법에 대하여 설명한다.
본 발명에 따른 엘리베이터 이상 검출 방법은 전술한 본 발명에 따른 엘리베이터 이상 검출 시스템을 이용하여 수행되는 것으로서, 고장과 관련되는 엘리베이터의 운행 데이터를 수집하는 단계(S10); 수집된 엘리베이터의 운행 데이터에서 정상 패턴을 벗어나는 이상 패턴을 검출하는 단계(S20); 인접하여 발생하는 이상 패턴들 간의 발생 시간 차이인 인터벌을 산출하는 단계(S30); 밀도 기반의 클러스터링을 수행하여 산출된 인터벌을 밀접한 정도에 따라 그룹핑하는 단계(S40); 및 일정 구간 내에서 검출된 이상 패턴들의 발생 밀집도에 기반하여 이상 스코어를 산출하는 단계(S50)를 포함할 수 있다.
S10 단계에서 고장과 관련되는 엘리베이터의 운행 데이터는 엘리베이터의 고장을 예측하고자 하는 부위에 설치되는 센서부(10)에 의해 취득되고 데이터 수집부(20)에 의해 수집될 수 있다.
S20 단계는 이상패턴 검출부(30)에 의해 수행될 수 있다. 이때 이상패턴 검출부(30)는 정상 패턴과 이상 패턴을 구분하는 것에서 나아가 임계치를 벗어나는 정도에 따라 이상 패턴들을 다시 하나 이상의 레벨로 분류하고 그 수준을 지표값으로 나타내는 '이상 검출 분류값'을 생성할 수 있다. 여기서 이상 검출 분류값은 이상 패턴의 심각도 수준을 나타내는 것으로 볼 수 있으며, 이상 검출 분류값이 높을수록 이후 수행되는 이상 스코어 산출시 더 많은 가중치를 부여할 수 있다.
또한, S20 단계에서 이상패턴 검출부(30)는 기준 레벨에 따라 분류된 데이터들을 이상 검출 분류값으로 레이블링하고 이에 따른 시계열 패턴을 생성할 수 있다.
S30 단계는 인터벌 산출부(40)에 의해 수행될 수 있다. 이때 인터벌 산출부(40)는 S20 단계에서 분류된 이상 검출 분류값 별로 이상 패턴들의 '인터벌(시간값)'을 산출할 수 있다.
S40 단계는 클러스터링부(50)에 의해 수행될 수 있다. 클러스터링부(50)는 S20 단계에서 분류된 이상 검출 분류값을 Y축으로 그리고 S30 단계에서 산출된 인터벌을 X축으로 2D 플로팅하여 그래프로 나타내고(도 2 참조), 이상 검출 분류값(Y) - 인터벌(X) 그래프에 대한 밀도 기반 클러스터링(DBSCAN)을 수행함으로써 이상 검출 분류값 별로 산출된 인터벌을 밀접한 정도에 따라 그룹핑하여, 이상 패턴들에 대한 인터벌 시간값의 군집이 정상 상태의 군집 중심으로부터 떨어진 거리를 이상 스코어 산출시 가중치 계수로서 활용할 수 있도록 한다.
S50 단계는 이상스코어 산출부(70)에 의해 수행될 수 있다. 이상스코어 산출부(70)는 S30 단계에서 산출된 인터벌이 작을수록 이상 스코어의 산출에 가중치를 부여할 수 있다. 이때 인터벌 데이터는 밀도 기반의 클러스터링을 통해 다수의 데이터가 군집화될 수 있으며, 이상 패턴들에 대한 인터벌의 군집이 정상 상태의 군집 중심으로부터 떨어진 거리가 이상 스코어 산출의 가중치 계수로 활용될 수 있다.
또한, 이상스코어 산출부(70)는 S20 단계에서 이상 패턴들이 복수의 카테고리로 분류되는 경우에는 이상 검출 분류값이 높을수록 이상 스코어의 산출에 가중치를 부여할 수 있다.
한편, S10 단계에서 수집되는 엘리베이터의 운행 정보, S20 단계에서 생성되는 이상 검출 분류값, S30 단계에서 산출되는 인터벌(시간값), S40 단계에서 인터벌 데이터에 대한 밀도 기반의 클러스터링을 수행하여 추정되는 이상 패턴의 발생 밀집도에 관한 정보, 및 S50 단계에서 산출되는 이상 스코어 등에 관한 정보는 누적하여 저장되며, 실시간으로 수집 및 생성되는 데이터들로부터 이상 스코어를 자동으로 산출하고 엘리베이터의 고장 확률을 예측하는 모델을 수립하는 학습 데이터로서 활용될 수 있다.
S50 단계에서 이상스코어 산출부(70)는 실시간으로 수집 및 생성되는 데이터들을 입력변수로 하는 시계열 패턴에 따른 학습 모델의 추론 결과에 따라 엘리베이터의 이상 스코어를 산출하고, 산출된 이상 스코어로부터 엘리베이터의 고장 확률을 예측할 수 있다.
이상의 실시예에서는 본 발명에 따른 엘리베이터 이상 검출 방법을 복수개의 단계로 나누어 설명하였으나, 어떤 하나의 단계가 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 이상에서 설명되지 않은 하나 이상의 단계가 부가되어 수행될 수 있음은 물론이다.
이상에서 설명된 바와 같이, 본 발명은 엘리베이터의 운행 중 측정되는 파라미터 중에서 임계치를 초과하는 이상 패턴 발생 구간이 얼마나 밀접하게 붙어 있는지 그 간격(인터벌)으로서 엘리베이터의 고장 또는 고장의 전조를 검출하는 것으로서, 소정의 시간 내에 유사한 초과값 신호가 나타날 경우에만 고장 예측의 유의미한 신호로 판단하는 것을 기본적인 기술사상으로 한다.
이와 같은 본 발명에 의하면, 머신러닝 또는 딥러닝 기술을 활용하여 엘리베이터의 수 많은 이상 증상 및 고장 발생의 전조 증상을 검출하고, 이를 기반으로 하여 실제로 엘리베이터의 고장이 발생하기 이전에 미리 예방적인 조치를 취하는 사전예지보수 서비스를 제공할 수 있다.
또한, 본 발명은 엘리베이터의 운행 중 발생하는 이상 패턴들 간의 발생 시간 간격, 즉 이상 패턴의 발생 밀집도에 기반하여 엘리베이터의 현재 상태를 진단함으로써 이상 패턴의 발생 횟수에만 의존하는 종래의 기술과 대비하여 엘리베이터의 고장 가능성을 보다 정밀하게 예측해 낼 수 있으며, 따라서 고장 예측에 대한 오판단을 줄이고 유지보수 기사의 오출동을 최소화할 수 있음은 물론, 기존의 에러코드에 의해 설명될 수 없는 원인 불명한 고장이나 엘리베이터의 부품 간 연관된 고장에 대해서도 고장 발생에 대한 예측 범위가 확대되는 효과를 가진다.
본 발명에 따른 엘리베이터 이상 검출 방법은 하나 이상의 프로세서 및 하나 이상의 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 구비한 컴퓨터 장치에 의해 수행될 수 있다. 이를 위하여 본 발명에 따른 엘리베이터 이상 검출 시스템은 하나 이상의 컴퓨터 실행 가능 명령어를 포함하는 프로그램 내지 소프트웨어의 형태로 구현되어 메모리 상에 저장될 수 있다.
전술한 데이터 수집부(20), 이상패턴 검출부(30), 인터벌 산출부(40), 클러스터링부(50), 학습부(60) 및 이상스코어 산출부(70)는 프로그램의 실행을 위한 어셈블러, 컴파일러, 해석 프로그램 등 컴퓨터로 읽을 수 있는 코드 또는 프로그램 형태로 구현될 수 있으며, 유선 또는 무선 네트워크를 통해 서로 통신이 가능하도록 시스템이 구성될 수 있다.
본 발명은 기재된 실시예에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형할 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정예 또는 변형예들은 본 발명의 특허청구범위에 속한다 하여야 할 것이다.
10: 센서부
20: 데이터 수집부
30: 이상패턴 검출부
40: 인터벌 산출부
50: 클러스터링부
60: 학습부
70: 이상스코어 산출부

Claims (13)

  1. 고장과 관련되는 엘리베이터의 물리적 파라미터를 측정하는 센서부;
    상기 센서부에 의해 측정된 센싱 데이터를 수집하는 데이터 수집부;
    상기 센싱 데이터에 대하여 기설정된 임계치를 초과하는지를 판정함으로서 정상 패턴으로부터 벗어나는 이상 패턴들을 검출하는 이상패턴 검출부;
    상기 이상 패턴들에 대하여 인접하여 발생하는 이상 패턴 간의 발생 시간 차이를 인터벌 시간값으로 산출하는 인터벌 산출부; 및
    일정 구간 내에서 검출된 상기 이상 패턴들 간의 인터벌 시간값에 기초하여 상기 이상 패턴들의 발생 밀집도를 결정하고 상기 발생 밀집도에 기반하여 이상 스코어를 산출하는 이상스코어 산출부를 포함하는,
    엘리베이터 이상 검출 시스템.
  2. 청구항 1에 있어서,
    상기 이상패턴 검출부는 상기 임계치를 벗어나는 정도에 따라 상기 이상 패턴들을 하나 이상의 레벨로 분류하여 레벨 수준에 따라 이상 검출 분류값을 부여하고,
    상기 이상스코어 산출부는 상기 이상 검출 분류값이 높을수록 상기 이상 스코어 산출시 가중치로 보정하는 것을 특징으로 하는,
    엘리베이터 이상 검출 시스템.
  3. 청구항 2에 있어서,
    상기 인터벌 산출부는 상기 이상 검출 분류값으로 분류된 각 카테고리별로 상기 이상 패턴들 간의 인터벌 시간값을 산출하는 것을 특징으로 하는,
    엘리베이터 이상 검출 시스템.
  4. 청구항 3에 있어서,
    상기 이상 검출 분류값을 Y축으로 상기 인터벌 시간값을 X축으로 2D 플로팅하여 그래프로 나타내고, 상기 그래프에 대하여 밀도 기반 클러스터링(DBSCAN)을 수행함으로써 상기 이상 검출 분류값 별로 산출된 상기 인터벌 시간값을 밀접한 정도에 따라 그룹핑하는 클러스터링부를 더 포함하고,
    상기 이상스코어 산출부는 그룹핑된 이상 패턴들에 대한 인터벌 시간값의 군집이 정상 상태의 군집 중심으로부터 떨어진 거리를 이상 스코어 산출의 가중치 계수로 활용하는 것을 특징으로 하는,
    엘리베이터 이상 검출 시스템.
  5. 청구항 4에 있어서,
    상기 이상패턴 검출부는 상기 일정 구간 내에서 검출되는 상기 이상 패턴들의 발생 횟수에 관한 정보를 더 생성하고,
    상기 이상스코어 산출부는 상기 발생 횟수가 많을수록 상기 이상 스코어 산출시 가중치로 보정하는 것을 특징으로 하는,
    엘리베이터 이상 검출 시스템.
  6. 청구항 5에 있어서,
    상기 이상 검출 분류값, 상기 인터벌 시간값, 상기 인터벌 시간값에 대한 밀도 기반의 클러스터링을 수행하여 추정되는 이상 패턴의 발생 밀집도 및 상기 발생 횟수에 관한 정보를 피드 데이터로 활용하여 머신러닝 또는 딥러닝을 수행함으로써, 실시간으로 수집되는 상기 엘리베이터의 운행 데이터로부터 이상 스코어를 자동으로 산출하고 상기 엘리베이터의 고장 확률을 예측하는 모델을 수립하는 학습부를 더 포함하는,
    엘리베이터 이상 검출 시스템.
  7. 고장과 관련하여 수집된 엘리베이터의 운행 데이터에서 기설정된 임계치를 초과하는 이상 패턴을 검출하고, 일정 구간 내에서 검출되는 이상 패턴들에 대하여 인접하여 발생하는 이상 패턴 간의 발생 시간 간격에 기반하여 이상 스코어를 산출함으로써 상기 엘리베이터의 고장 확률을 추정하는,
    엘리베이터 이상 검출 시스템.
  8. 고장과 관련되는 엘리베이터의 운행 데이터를 수집하는 운행데이터 수집단계;
    상기 운행데이터 수집단계에서 수집된 상기 엘리베이터의 운행 데이터에 대하여 기설정된 임계치를 초과하는지를 판정함으로서 정상 패턴으로부터 벗어나는 이상 패턴을 검출하는 이상패턴 검출단계;
    상기 이상패턴 검출단계에서 검출된 이상 패턴들에 대하여 인접하여 발생하는 이상 패턴 간의 발생 시간 차이를 인터벌 시간값으로 산출하는 인터벌 산출단계;
    밀도 기반의 클러스터링(DBSCAN)을 수행하여 상기 인터벌 산출단계에서 산출된 상기 인터벌 시간값을 밀접한 정도에 따라 그룹핑하는 클러스터링 단계; 및
    상기 인터벌 시간값에 대한 밀도 기반의 클러스터링을 수행하여 추정되는 이상 패턴의 발생 밀집도에 기반하여 상기 엘리베이터의 이상 스코어 산출하는 이상스코어 산출단계를 포함하는,
    엘리베이터 이상 검출 방법.
  9. 청구항 8에 있어서,
    상기 이상패턴 검출단계에서는 상기 임계치를 벗어나는 정도에 따라 상기 이상 패턴들을 하나 이상의 레벨로 분류하여 레벨 수준에 따라 이상 검출 분류값을 부여하고,
    상기 이상스코어 산출단계에서는 상기 이상 검출 분류값이 높을수록 상기 이상 스코어 산출시 가중치로 보정하는 것을 특징으로 하는,
    엘리베이터 이상 검출 방법.
  10. 청구항 9에 있어서,
    상기 인터벌 산출단계에서는 상기 이상 검출 분류값으로 분류된 각 카테고리별로 상기 이상 패턴들 간의 인터벌 시간값을 산출하는 것을 특징으로 하는,
    엘리베이터 이상 검출 방법.
  11. 청구항 10에 있어서,
    상기 이상패턴 검출단계에서 상기 일정 구간 내에서 검출되는 상기 이상 패턴들의 발생 횟수에 관한 정보를 더 생성하고,
    상기 이상스코어 산출단계에서는 상기 발생 횟수가 많을수록 상기 이상 스코어 산출시 가중치로 보정하는 것을 특징으로 하는,
    엘리베이터 이상 검출 방법.
  12. 청구항 11에 있어서,
    상기 이상 검출 분류값, 상기 인터벌 시간값, 상기 인터벌 시간값에 대한 밀도 기반의 클러스터링을 수행하여 추정되는 이상 패턴의 발생 밀집도 및 상기 발생 횟수에 관한 정보를 피드 데이터로 활용하여 머신러닝 또는 딥러닝을 수행함으로써, 실시간으로 수집되는 상기 엘리베이터의 운행 데이터로부터 이상 스코어를 자동으로 산출하고 상기 엘리베이터의 고장 확률을 예측하는 모델을 수립하는 학습단계를 더 포함하는,
    엘리베이터 이상 검출 방법.
  13. 청구항 12에 있어서,
    상기 이상스코어 산출단계에서는 상기 이상 검출 분류값, 상기 인터벌 시간값에 대한 밀도 기반의 클러스터링을 수행하여 추정되는 이상 패턴의 발생 밀집도 및 상기 발생 횟수에 관한 정보를 입력받아 상기 모델의 추론 결과에 따라 상기 이상 스코어를 산출하는 것을 특징으로 하는,
    엘리베이터 이상 검출 방법.
KR1020210145644A 2021-10-28 2021-10-28 엘리베이터 이상 검출 시스템 및 방법 KR102651107B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210145644A KR102651107B1 (ko) 2021-10-28 2021-10-28 엘리베이터 이상 검출 시스템 및 방법
CN202210148640.1A CN116040427A (zh) 2021-10-28 2022-02-17 电梯异常检测系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210145644A KR102651107B1 (ko) 2021-10-28 2021-10-28 엘리베이터 이상 검출 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20230060918A true KR20230060918A (ko) 2023-05-08
KR102651107B1 KR102651107B1 (ko) 2024-03-26

Family

ID=86126098

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210145644A KR102651107B1 (ko) 2021-10-28 2021-10-28 엘리베이터 이상 검출 시스템 및 방법

Country Status (2)

Country Link
KR (1) KR102651107B1 (ko)
CN (1) CN116040427A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160203036A1 (en) * 2015-01-09 2016-07-14 Ecorithm, Inc. Machine learning-based fault detection system

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160203036A1 (en) * 2015-01-09 2016-07-14 Ecorithm, Inc. Machine learning-based fault detection system

Also Published As

Publication number Publication date
CN116040427A (zh) 2023-05-02
KR102651107B1 (ko) 2024-03-26

Similar Documents

Publication Publication Date Title
KR101880353B1 (ko) 엘리베이터의 고장 예측 시스템
CN110498310A (zh) 轿厢位置确定装置以及轿厢位置确定方法
KR20180130614A (ko) 엘리베이터의 부품 수명 예측 시스템
KR920011084B1 (ko) 엘리베이터 시험장치
KR20170075267A (ko) 빅데이터 및 인공지능 학습 기반의 엘리베이터 고장 예측 시스템
EP3617117B1 (en) Model development framework for remote monitoring condition-based maintenance
KR102278744B1 (ko) 로봇의 이상 상태에 대한 알람을 출력하는 방법 및 장치
EP3587326A1 (en) Maintenance scheduling based on remote monitoring data and service data analytics
US6439350B1 (en) Differentiating elevator car door and landing door operating problems
KR102509840B1 (ko) 엘리베이터의 브레이크 장치 이상 진단 시스템
KR102651107B1 (ko) 엘리베이터 이상 검출 시스템 및 방법
KR102618023B1 (ko) 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법
EP3748450A1 (en) Data driven machine learning for modeling aircraft sensors
CN112119027B (zh) 用于检测电梯中的故障的方法和电梯控制器
KR102546093B1 (ko) 엘리베이터의 브레이크 장치 열화 예측 시스템
JP7226671B2 (ja) エレベーターの故障診断装置
EP3808693A1 (en) Elevator condition based maintenance using an in-car camera
CN111382946B (zh) 设备健康状态的自主评估方法、系统及工业互联网设备
JP2017190193A (ja) システム機器の異常診断装置、エレベーターの異常診断装置及びエレベーターの異常診断方法
CN112093612A (zh) 一种直梯故障预测方法及系统
KR102124994B1 (ko) 복구 지원 시스템
KR102573254B1 (ko) 연합 학습을 이용한 기계설비 고장 예지 분석 시스템
CN114580061B (zh) 基于计算机辅助设计电梯安装指导设计优化方法
CN115947196A (zh) 一种动态预测电梯按需维保的方法、装置、设备及介质
KR20220032822A (ko) 엘리베이터 상태의 진단 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant