KR20230075150A - 시스템 건전성을 관리하기 위한 방법 및 장치 - Google Patents

시스템 건전성을 관리하기 위한 방법 및 장치 Download PDF

Info

Publication number
KR20230075150A
KR20230075150A KR1020210161460A KR20210161460A KR20230075150A KR 20230075150 A KR20230075150 A KR 20230075150A KR 1020210161460 A KR1020210161460 A KR 1020210161460A KR 20210161460 A KR20210161460 A KR 20210161460A KR 20230075150 A KR20230075150 A KR 20230075150A
Authority
KR
South Korea
Prior art keywords
value
domain data
network
remaining life
data
Prior art date
Application number
KR1020210161460A
Other languages
English (en)
Inventor
김낙우
이병탁
이준기
이현용
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020210161460A priority Critical patent/KR20230075150A/ko
Priority to US17/965,537 priority patent/US20230161653A1/en
Publication of KR20230075150A publication Critical patent/KR20230075150A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

시스템 건전성을 관리하기 위한 방법이 개시된다. 이 방법은, 상기 제2 도메인 데이터에 대한 재구성 손실값을 산출하는 단계; 상기 재구성 손실값을 기반으로 상기 시스템의 열화 정도를 판단하는 단계; 상기 열화 정도를 판단한 결과에 따라, 상기 제2 도메인 데이터를 기반으로 상기 시스템의 제2 잔여 수명 예측값(
Figure pat00053
)을 예측하는 단계; 상기 진단 모델의 사전 학습 과정에서 상기 제1 도메인 데이터를 기반으로 예측한 상기 시스템의 제1 잔여 수명 예측값(y)의 분포도를 기반으로 열화 보상 함수를 최적화하는 단계; 및 상기 최적화된 열화 보상 함수를 이용하여, 상기 제2 잔여 수명 예측값(
Figure pat00054
)을 보상하여 획득한 최종 잔여 수명 예측값(
Figure pat00055
)을 예측하는 단계를 포함한다.

Description

시스템 건전성을 관리하기 위한 방법 및 장치{Method for managing system health}
본 발명은 시스템 건전성(system health)을 관리하기 위한 기술에 관한 것으로, 더욱 상세하게는, 시스템의 잔여 수명(RUL: Remaining Useful Life))을 예측하는 기술에 관한 것이다.
잔여 수명 예측 기술은 시스템의 이상 상황을 사전에 탐지할 수 있기 때문에, 시스템 고장에 따른 사고 발생시, 사고 처리 비용 및 사고 처리 시간을 크게 줄일 수 있는 중요한 시스템 건전성 관리 기법이다.
새로운 시스템의 건전성 관리 시, 시스템 열화는 곧바로 발생하지는 않기 때문에, 시스템의 이상 진단을 지속적으로 수행하고, 과도한 이상 현상이 발생할 때 전반적인 시스템 분석을 통해 잔여 수명을 예측하는 방법이 일반적이다.
이러한 기존의 시스템 건전성 관리 기법은 다음과 같은 문제가 있다.
첫째, 기존의 시스템 건전성 관리 기법에서는, 시스템의 이상 진단을 지속적으로 수행하는 이상 진단 프로세스와 시스템의 이상을 최초 진단한 시간부터 시스템의 최종 고장 발생 시간까지의 잔여수명을 예측하는 프로세스가 독립적으로 수행되는데, 이 경우, 각 프로세스에 의해 획득한 진단 데이터들 간의 유기적인 해석이 어렵고, SW 업데이트 등 유지 보수가 번거로우며, 보다 많은 시스템 자원 할당이 요구된다.
둘째는, 시스템의 이상 상황을 진단하고, 잔여 수명을 예측하기 위한 해당 시스템의 RTF(Run-To-Failure) 데이터, 즉 시스템 운용 초기부터 최종 고장까지의 사용 데이터를 구하기가 어렵다. 이러한 RTF 데이터는 시스템의 전반적인 운용 패턴을 학습하는 데에 필수적이기 때문에, 반드시 요구된다.
일 예로, 차량 시스템의 건전성 관리와 관련해, 베어링 및 엔진과 관련된 상태 데이터 등이 차량 시스템의 잔여 수명 예측을 위한 참조 데이터로 사용될 수 있으나, 이러한 참조 데이터는 잔여 수명 예측에 필요한 실제 시스템 데이터가 아니기 때문에, 잔여수명 예측용 데이터로 직접적인 활용이 어렵다.
셋째는, 이상 진단을 통해 시스템의 잔여 수명을 예측할 경우, 두 데이터들(참조 데이터와 시스템 데이터)을 기반으로 각각 예측한 임계 시점들 및 열화 정도 등이 서로 다르기 때문에 잔여수명 예측 정확도가 떨어진다. 여기서, 임계 시점은 시스템의 이상을 최초 진단한 시점이다.
이상 설명한 바와 같이, 기존의 시스템 건전성 관리 기법은 서로 독립적인 여러 프로세스들을 처리하여 잔여 수명을 예측함으로써, 시스템 관리 효율이 떨어지고, 프로세스들(또는 데이터들) 간의 연계 및 정합성, 시스템 성능 등에 문제가 발생할 가능성이 높아진다.
상술한 문제점을 해결하기 윈한 본 발명의 목적은, 멀티 도메인 데이터를 기반으로 시스템의 이상 진단 및 잔여 수명 진단을 위한 여러 프로세스들을 일괄적으로 처리할 수 있는 잔여 수명 진단 모델을 포함하는 장치 및 이의 방법을 제공하는데 있다.
세부적으로, 본 발명의 목적은 멀티도메인 데이터 제공 환경에서, 비지도 학습 기반의 이상 진단 기법을 잔여 수명 진단 모델에 적용하여 잔여 수명 예측을 위한 임계시점 도출 등의 처리를 단일 프로세스화하고, 멀티도메인 데이터 간 동일한 속성의 특징 벡터 추출 및 후처리를 통해, 시스템의 출력 데이터의 도메인 판별 성능을 최소화하며, 잔여 수명 진단에 있어 도메인 간 열화 함수 파라미터를 최적화화여 건전성 예측 성능을 높이는데 있다.
상술한 목적을 달성하기 위한 본 발명의 일면에 따른 시스템 건전성을 관리하기 위한 방법은, 제1 및 제2 도메인 데이터를 포함하는 멀티 도메인 데이터를 기반으로 사전 학습된 진단 모델을 이용하여 시스템 건전성을 관리하기 위한 방법으로서, 상기 제2 도메인 데이터에 대한 재구성 손실값을 산출하는 단계; 상기 재구성 손실값을 기반으로 상기 시스템의 열화 정도를 판단하는 단계; 상기 열화 정도를 판단한 결과에 따라, 상기 전처리된 제2 도메인 데이터를 이용하여 상기 시스템의 제2 잔여 수명 예측값(
Figure pat00001
)을 예측하는 단계; 상기 진단 모델의 사전 학습 과정에서 사용된 상기 제1 도메인 데이터를 기반으로 예측된 상기 시스템의 제1 잔여 수명 예측값(y)의 분포도를 기반으로 열화 보상 함수를 최적화하는 단계; 및 상기 최적화된 열화 보상 함수를 이용하여, 상기 제2 잔여 수명 예측값(
Figure pat00002
)을 보상하여 획득한 최종 잔여 수명 예측값(
Figure pat00003
)을 상기 시스템의 잔여 수명으로 출력하는 단계를 포함한다.
실시 예에서, 상기 제2 도메인 데이터에 대한 재구성 손실값을 산출하는 단계 이전에, 상기 제2 도메인 데이터를 전처리하는 단계를 더 포함하고, 상기 제2 도메인 데이터를 전처리하는 단계는, 상기 제2 도메인 데이터의 크기를 배치 크기(batch size)로 분할하는 단계; 및 상기 배치 사이즈로 분할된 상기 제2 도메인 데이터를 이어붙이는 단계를 포함한다.
실시 예에서, 상기 진단 모델은 인코더 네트워크와 상기 인코더 네트워크의 출력에 연결된 디코더 네트워크를 포함하고, 상기 제2 도메인 데이터에 대한 재구성 손실값을 산출하는 단계는, 상기 인코더 네트워크가, 상기 제2 도메인 데이터로부터 데이터 차원이 축소된 제2 잠재 변수를 추출하는 단계;
상기 디코더 네트워크가, 상기 제2 도메인 데이터의 데이터 차원과 동일한 데이터 차원을 갖도록 상기 제2 잠재 변수를 재구성하는 단계; 및 상기 디코더 네트워크가, 상기 제2 도메인 데이터와 상기 제2 잠재 변수로부터 재구성된 출력 데이터 간의 차이를 나타내는 상기 재구성 손실값을 산출하는 단계를 포함한다.
실시 예에서, 상기 인코더 네트워크는 상기 제1 및 제2 도메인 데이터를 서로 다른 도메인으로 분류하지 않도록 사전 학습된 신경망이고, 상기 인코더 네트워크가 상기 제2 도메인 데이터로부터 데이터 차원이 축소된 제2 잠재 변수를 추출하는 단계는, 상기 사전 학습된 인코더 네트워크가 상기 제2 도메인 데이터로부터 상기 제1 및 제2 도메인 데이터의 공통 특성을 포함하도록 구성된 상기 제2 잠재 변수를 추출하는 단계이다.
실시 예에서, 상기 재구성 손실값을 기반으로 상기 시스템의 열화 정도를 판단하는 단계는, 상기 재구성 손실값을 기반으로 이상 인덱스를 추출하는 단계;
상기 이상 인덱스와 제1 임계치를 비교하여 상기 시스템의 이상 여부를 판단하는 단계; 및 상기 시스템의 이상이 발생한 경우, 정상 알림 샘플수에 대한 이상 알림 샘플수의 비율을 제2 임계치와 비교하여 상기 시스템의 열화 정도와 관련된 이상 여부를 판단하는 단계를 포함한다.
실시 예에서, 상기 진단 모델은 상기 제2 도메인 데이터로부터 차원 축소된 제2 잠재 변수를 추출하는 인코더 네트워크와 상기 제2 잠재 변수를 재구성하는 디코더 네트워크를 포함하고, 상기 정상 알림 샘플수는 상기 디코더 네트워크의 출력값들 중에서 정상으로 인식된 출력값들의 개수이고, 상기 이상 알림 샘플수는 상기 디코더 네트워크의 출력값들 중에서 이상으로 인식된 출력값들의 개수이다.
실시 예에서, 상기 이상 인덱스는, 상기 재구성 손실값을 정규화한 값이다.
실시 예에서, 상기 이상 인덱스는, 상기 재구성 손실값의 최대값, 최소값 또는 평균값을 나태는 대표값이다.
실시 예에서, 상기 열화 보상 함수를 최적화하는 단계는, 상기 제2 잔여 수명 예측값(
Figure pat00004
)의 분포도를 나타내는 제2 열화 모델을 상기 제1 잔여 수명 예측값(y)의 분포도를 나타내는 제1 열화 모델에 매핑 시키는 단계이다.
실시 예에서, 상기 최종 잔여 수명 예측값(
Figure pat00005
)을 상기 시스템의 잔여 수명으로 예측하는 단계는, 상기 제1 잔여 수명 예측값(y)의 분포도를 나타내는 제1 열화 모델 함수를 이용하여 제1 임계 시점을 계산하는 단계; 상기 제2 잔여 수명 예측값(
Figure pat00006
)의 분포도를 나타내는 제2 열화 모델 함수를 이용하여 제2 임계 시점을 계산하는 단계; 제1 임계 시점과 제2 임계 시점의 차분을 이용하여 상기 제2 임계 시점을 상기 제1 임계 시점에 매핑시키는 단계; 및 상기 제1 임계 시점에 매핑된 상기 제2 임계 시점을 기반으로 상기 보상된 제2 잔여 수명 예측값(
Figure pat00007
)을 출력하는 단계를 포함한다.
본 발명의 다른 일면에 따른 시스템 건전성을 관리하기 위한 장치는, 프로세서 및 상기 프로세서에 의해 실행되는 상기 진단 모델을 저장하는 저장 장치를 포함하며, 상기 진단 모델은, 상기 제2 도메인 데이터로부터 제2 특징 벡터를 추출하는 인코더 네트워크; 상기 인코더 네트워크에 연결되고, 상기 제2 특징 벡터로부터 재구성된 데이터를 이용하여 상기 시스템의 열화 정도를 예측하는 디코더 네트워크; 및 상기 인코더 네트워크에 연결되고, 상기 시스템의 열화 정도를 예측한 결과에 따라, 잔여 수명 예측 프로세스를 시작하는 회귀 네트워크를 포함하고, 상기 회귀 네트워크는, 사전 학습 과정에서 상기 제1 도메인 데이터로부터 추출된 제1 특징 벡터를 기반으로 예측한 상기 시스템의 제1 잔여 수명 예측값(y)과 상기 제2 특징 벡터를 기반으로 예측한 상기 시스템의 제2 잔여 수명 예측값(
Figure pat00008
)을 이용하여 최종 잔여 수명 예측값(
Figure pat00009
)을 예측한다.
실시 예에서, 상기 진단 모델은, 상기 인코더 네트워크에 연결되는 도메인 판별 네트워크를 더 포함하고, 상기 도메인 판별 네트워크는 상기 인코더 네트워크와 연계하여, 상기 제1 및 제2 도메인 데이터를 서로 다른 도메인으로 분류하지 않도록 사전 학습된 적대적 신경망(Adversarial Neural Network)으로 구현된다.
실시 예에서, 상기 디코더 네트워크는, 상기 제2 도메인 데이터와 상기 재구성된 데이터 간의 차이를 나타내는 재구성 손실값을 기반으로 상기 시스템의 열화 정도를 예측한다.
실시 예에서, 상기 디코더 네트워크는, 상기 재구성 손실값을 정규화 한 이상 인덱스 또는 상기 재구성 손실값의 최대값, 최소값 또는 평균값을 나타내는 이상 인덱스를 기반으로 상기 시스템의 이상 여부를 판단하고, 상기 시스템의 이상을 확인한 경우, 정상 알림 샘플수에 대한 이상 알림 샘플수의 비율을 기반으로 상기 시스템의 열화 정도를 예측한다.
실시 예에서, 상기 회귀 네트워크는, 상기 시스템의 열화 정도를 예측한 결과에 따라, 상기 정상 알림 샘플수에 대한 이상 알림 샘플수의 비율이 임계치를 초과한 경우, 최종 잔여 수명 예측값(
Figure pat00010
)을 산출하기 위한 상기 잔여 수명 예측 프로세스를 시작한다.
실시 예에서, 상기 회귀 네트워크는, 상기 제2 잔여 수명 예측값(
Figure pat00011
)의 분포도를 상기 제1 잔여 수명 예측값(y)의 분포도에 매핑시키는 열화 보상 함수를 이용하여 상기 제2 잔여 수명 예측값(
Figure pat00012
)을 보상한 후, 상기 제2 잔여 수명 예측값(
Figure pat00013
)을 보상하여 획득한 상기 최종 잔여 수명 예측값(
Figure pat00014
)을 상기 시스템의 잔여 수명으로 예측한다.
본 발명에 따르면, 첫째, 건전성 진단 시스템에 이상 진단용 네트워크 모델을 추가하여, 시스템의 이상 진단, 건전성 진단 및 잔여 수명 진단 등을 동시에 처리할 수 있다.
둘째, 건전성 진단 시스템에 적대적 인공 신경망을 추가하여, 멀티 도메인 데이터에 대한 수용성을 높일 수 있다.
셋째, 각 도메인에서의 이상 인덱스 값을 기반으로, 도메인에 따른 이상 상태가 지속되는 임계시점 간 정합, 열화 보상 적용 등을 통해 잔여수명 예측 정확성을 향상시킬 수 있다.
도 1은 본 발명의 실시 예에 따른 시스템의 건전성 관리를 위한 장치의 내부 구성을 개략적으로 나타낸 블록도이다.
도 2는 도 1에 도시된 잔여 수명 진단 모델의 구성을 개략적으로 나타낸 블록도이다.
도 3는 도 2에 도시된 도메인 판별 네트워크가 학습 전에 분류한 잠재 변수들의 분류 결과와 학습 후에 분류한 잠재 변수들을 분류 결과를 설명하기 위한 도면이다.
도 4는 도 1 및 도 2에 도시한 잔여 수명 진단 모델의 학습 방법을 나타내는 흐름도이다.
도 5는 도 4의 학습 과정에 따라 학습된 잔여 수명 진단 모델의 테스트 과정에서 수행되는 건전성 관리 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 실시 예에 따른 시스템의 이상 상태 및 잔여 수명의 임계 시점에 대한 진단 기법을 설명하기 위한 도면이다.
도 7은 본 발명의 실시 예에 따른 잔여 수명 임계 시점의 정합 및 열화 보상 기법을 설명하기 위한 도면이다.
도 8은 본 발명의 실시 예에 따른 열화 보상 함수(
Figure pat00015
)를 설명하기 위한 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
또한, 본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 발명의 실시 예에 따른 시스템의 건전성 관리를 위한 장치(시스템)의 내부 구성을 개략적으로 나타낸 블록도이다.
도 1을 참조하면, 본 발명의 실시 예에 따른 시스템의 건전성 관리를 위한 장치(500)는, 특정 시스템의 건전성 관리(health management)를 위해, 상기 시스템의 잔여 수명(Remaining Useful Life: RUL)을 예측하기 위한 신경망에 디코더 네트워크(decoder network)를 추가하여, 원본 데이터에 해당하는 멀티 도메인 데이터와 이러한 멀티 도메인 데이터로부터 재구성된 데이터 사이의 손실값을 기반으로 시스템의 이상 진단과 잔여 수명 진단을 일괄적으로 처리한다.
이를 위해, 본 발명의 실시 예에 따른 시스템의 건전성 관리를 위한 장치(500)는 프로세서(100), 메모리(200), 저장 장치(300) 및 입력 장치(400)를 포함하도록 구성된 컴퓨팅 장치일 수 있다.
프로세서(100)는 본 발명의 실시 예에 따른 시스템의 건전성 관리를 위한 장치(500)의 동작을 제어 및 관리하는 적어도 하나의 CPU 및/또는 적어도 하나의 GPU를 포함하는 장치일 수 있다.
프로세서(100)는 시스템의 건전성 관리를 위한 다수의 소프트웨어 모듈들을 실행하거나 제어할 수 있다. 여기서, 다수의 소프트웨어 모듈들은 데이터 수집부(110), 데이터 전처리부(120), 잔여 수명 진단 모델(130), 상태 출력부(140), 데이터 베이스(150) 및 모델 갱신부(160)를 포함할 수 있다.
메모리를 포함하는 저장 장치(200)는 프로세서(100)에 의해 처리된 중간 데이터 및/또는 결과 데이터를 일시적으로 또는 영구적으로 저장하거나, 상기 프로세서(100)에 의해 실행된 상기 다수의 소프트웨어 모듈들에 의해 처리된 중간 데이터 및/또는 결과 데이터를 일시적으로 또는 영구적으로 저장한다.
메모리를 포함하는 저장 장치(200)는 상기 다수의 소프트웨어 모듈들의 실행 공간을 제공하며, 상기 다수의 소프트웨어 모듈들을 실행하기 위한 알고리즘, 프로그램 코드, 명령어 등을 일시적으로 또는 영구적으로 저장한다. 저장 장치 (200)는, 예를 들면, 휘발성 메모리, 비휘발성 메모리 및 하드 디스크 등을 포함한다.
입력 장치(300)는, 사용자 입력을 프로세서(100)로 전달하는 장치로서, 키 입력 장치 또는 입력 기능을 구비한 표시 장치일 수 있다.
출력 장치(400)는, 프로세서(100) 또는 상기 다수의 소프트웨어 모듈에 의해 처리된 중간 데이터 및/또는 결과 데이터를 출력하기 위한 장치로서, 예를 들면, 표시 기능을 구비한 표시 장치일 수 있다.
이하, 프로세서(100)에 의해 실행되는 소프트웨어 모듈들에 대해 설명한다.
데이터 수집부(110)는 상기 저장 장치(200)에 저장된 데이터베이스(150)로부터 멀티 도메인 데이터를 수집하고, 그 수집된 멀티 도메인 데이터를 데이터 전처치부(120)로 제공한다.
일 실시예로, 데이터 수집부(110)는 입력 장치(300)를 통해 입력된 사용자 입력에 따라 질의(query)를 주기적으로 생성하고, 주기적으로 생성된 질의를 이용하여, 데이터베이스(150)로부터 멀티 도메인 데이터를 수집할 수 있다.
다른 실시 예로, 데이터 수집부(110)는 상기 질의를 비주기적으로 생성하고, 즉, 특정 시점(specific time)에서 상기 특정 질의를 생성하고, 상기 특정 질의를 이용하여, 데이터베이스(150)로부터 멀티 도메인 데이터를 수집할 수 있다.
또 다른 실시예로, 데이터 수집부(110)는 임의의 시점에 생성한 질의를 이용하여, 클라우드 데이터베이스(200)로부터 멀티 도메인 데이터를 수집할 수 있다.
데이터 전처리부(120)는 데이터 수집부(110)로부터 입력된 멀티 도메인 데이터를 전처리 하고, 전처리된 멀티 도메인 데이터를 잔여 수명 진단 모델(130)로 입력하고, 데이터베이스(150)에 다시 저장할 수 있다.
일 실시예로, 멀티 도메인 데이터의 전처리는 멀티 도메인 데이터를 정제하는 과정일 수 있다. 데이터 정제(data cleansing)는 멀티 도메인 데이터와 관련된 결측치(missing value) 및/또는 이상값(outlier)을 제거하거나, 채우거나, 보간 하거나, 다른 값으로 대체하는 과정일 수 있다.
다른 실시 예로, 멀티 도메인 데이터의 전처리는 멀티 도메인 데이터를 정규화 하는 과정일 수 있다.
또 다른 실시예로, 멀티 도메인 데이터의 전처리는 멀티 도메인 데이터를 구성하는 각 도메인 데이터를 미리 정해진 배치 사이즈(batch size)로 분할하는 과정 및/또는 배치 사이즈(batch size)로 분할된 도메인 데이터를 이어 붙이는 과정을 포함할 수 있다.
잔여 수명 진단 모델(130)는 프로세서(100)에 실행된 학습 알고리즘에 따라 학습된 인공 신경망으로서, 이상 진단 프로세스, 건전성 진단 프로세스, 잔여 수명 예측 프로세스 및 도메인 정합 프로세스를 일괄적으로 처리하고, 각 프로세스의 처리 결과를 상태 출력부(140)로 제공할 수 있다.
상태 출력부(140)는 잔여 수명 진단 모델(130)로부터 제공된 처리 결과를 시각적인 정보로 변환하고, 그 시각적인 정보를 출력 장치(400)를 통해 출력한다. 이때, 출력 장치(400)는 상기 시각적인 정보를 표시하는 표시 장치일 수 있다.
모델 갱신부(160)는 업데이트 시점 또는 업데이트 횟수(학습 시점 또는 학습 횟수)에 따라 서로 다른 버전을 갖는 잔여 수명 진단 모델(130)을 저장 장치(200)에 저장하고, 특정 버전, 예를 들면, 가장 최근에 업데이트 된 잔여 수명 진단 모델(130)을 불러오는 역할을 한다.
도 2는 도 1에 도시된 잔여 수명 진단 모델의 구성을 개략적으로 나타낸 블록도이다.
도 2를 참조하면, 본 발명은 잔여 수명 진단 모델(130) 내부에 디코더 네트워크(133)를 추가하여, 재구성 손실값 기반의 이상 진단과 잔여 수명 진단을 일괄적으로 처리하는 일괄 프로세스 기반의 시스템 건전성 관리를 수행하는 것이다.
또한 본 발명은 멀티 도메인 데이터를 제공하는 환경에서, 시스템의 이상 진단 및 잔여 수명을 예측하기 위해, 상기 디코더 네트워크를 통한 이상 진단 프로세스 및 도메인 판별 네트워크를 통한 멀티도메인 데이터 정합 프로세스, 회귀 네트워크를 통한 잔여 수명 예측 프로세스 등을 일괄적으로 처리하는 것이다.
이를 위해, 본 발명의 실시 예에 따른 잔여 수명 진단 모델(130)은 인코더 네트워크(131), 디코더 네트워크(133), 회귀 네트워크(135) 및 도메인 판별 네트워크(137)를 포함한다.
각 구성들(131, 133, 135, 137)에 대한 설명에 앞서, 본 발명에서 언급하는 멀티 도메인 데이터는 서로 다른 시스템의 운용 조건 및 운용 시험 환경에서 수집된 모든 종류의 데이터를 의미한다.
예를 들면, 풍력 발전소 시스템의 경우, 멀티 도메인 데이터는 풍력발전소 A에서 획득한 운용 조건 데이터와 센싱 데이터 및 풍력발전소 B에서 획득한 운용 조건 데이터와 운용 센싱 데이터를 포함할 수 있다.
태양광 발전소의 경우, 멀티 도메인 데이터는 태양광 발전소 A에서 획득한 운용 조건 데이터와 센싱 데이터 및 태양광 발전소 B에서 획득한 운용 조건 데이터와 운용 센싱 데이터 등일 수 있다.
가전 제품의 경우, 멀티 도메인 데이터는 가전제품 A에서 획득한 운용 조건 데이터와 운용 센싱 데이터 및 가전제품 B에서 획득한 운용 조건 데이터와 운용 센싱 데이터 등을 포함할 수 있다.
인코더 네트워크(131)
인코더 네트워크(131)는 데이터베이스(150) 또는 클라우드 데이터베이스(200)로부터 수집된 멀티 도메인 데이터를 인코딩하여 멀티 도메인 데이터의 차원(dimensionality)을 축소하는 인공 신경망일 수 있다.
인코더 네트워크(131)는 멀티 도메인 데이터의 차원을 축소하여 차원이 축소된 특징 벡터를 생성한다. 특징 벡터는 멀티 도메인 데이터에 포함된 각 도메인 데이터의 내재적 특성을 벡터 공간 상에서 나타낸 벡터값으로서, '잠재 변수(latent variable)'라 불릴 수 있다. 특별한 언급이 없는 한, 본 명세서에서는 '특징 벡터'와 '잠재 변수'를 동일한 용어로 간주한다.
각 도메인 데이터로부터 특징 벡터(또는 잠재 변수)를 추출하기 위해, 인코더 네트워크(131)는, 예를 들면, 심층 신경망 (Deep Neural Network, DNN), 합성곱 신경망(Convolutional neural network, CNN)), 순환 신경망(Recurrent Neural Network, RNN) 또는 이들을 조합한 신경망으로 구현될 수 있다.
디코더 네트워크(133)
디코더 네트워크(133)는 인코더 네트워크(131)의 출력 데이터(특징 벡터 또는 잠재 변수)를 디코딩하여, 입력 데이터인 멀티 도메인 데이터와 동일한 데이터 차원을 갖도록 출력 데이터(특징 벡터 또는 잠재 변수)를 재구성(reconstruction)하는 인공 신경망일 수 있다.
인코더 네트워크(131)와 디코더 네트워크(133)를 연결한 신경망을 오토인코더(autoencoder)라 부를 수 있으며, 이러한 오토인코더를 구성하기 위해, 디코더 네트워크(133)는, 예를 들면, 심층 신경망 (Deep Neural Network, DNN), 합성곱 신경망(Convolutional neural network, CNN)), 순환 신경망(Recurrent Neural Network, RNN) 또는 이들을 조합한 신경망으로 구현될 수 있다.
회귀 네트워크(135)
회귀 네트워크(135)는, 인코더 네트워크(131)의 출력 데이터(잠재 변수)를 입력으로 이용하여, 시스템의 잔여 수명(RUL: Remaining Useful Life)을 예측하는 인공 신경망일 수 있다.
시스템의 잔여 수명을 예측하기 위해, 회귀 네트워크(135)는, 예를 들면, 심층 신경망 (Deep Neural Network, DNN), 합성곱 신경망(Convolutional neural network, CNN)), 순환 신경망(Recurrent Neural Network, RNN) 또는 이들을 조합한 신경망으로 구현될 수 있다.
도메인 판별 네트워크(137)
도메인 판별 네트워크(137)는 인코더 네트워크(131)의 출력 데이터(특징 벡터 또는 잠재 변수)를 정합하는 인공 신경망일 수 있다. 이러한 출력 데이터의 정합을 통해 멀티 도메인 데이터가 정합될 수 있다.
이러한 멀티 도메인 데이터의 정합을 위해, 도메인 판별 네트워크(137)는, 예를 들면, 도메인 적대적 신경망(Domain-Adversarial Neural Network, DANN) 또는 적대적 생성 신경망(Generative Adversarial Network, GAN) 등과 같은 적대적 신경망(Adversarial Neural Network)으로 구현될 수 있다.
도 3은 도 2에 도시된 학습 이전의 도메인 판별 네트워크가 분류한 잠재 변수들의 분류 결과와 학습 이후의 도메인 판별 네트워크가 분류한 잠재 변수들의 분류 결과를 설명하기 위한 도면이다.
멀티 도메인 데이터가 제1 도메인에 속하는 제1 도메인 데이터와 상기 제1 도메인과 다른 제2 도메인 속한 제2 도메인 데이터를 포함하는 것으로 가정할 때, 학습 전의 도메인 판별 네트워크(137)는 도 3의 좌측에 도시된 바와 같이, 인코더 네트워크(131)에 의해 제1 도메인 데이터로부터 추출된 제1 잠재 변수들(또는 제1 특징 벡터들)을 제1 도메인 영역(32)에 분류하고, 인코더 네트워크(131)에 의해 제2 도메인 데이터로부터 추출된 제2 잠재 변수들(또는 제2 특징 벡터들)을 제1 도메인 영역(32)과 명확히 구분되는 제2 도메인 영역(34)에 분류한다.
이에 반해, 학습 이후의 도메인 판별 네트워크(137)는, 도 3의 우측에 도시된 바와 같이, 제1 도메인 데이터로부터 추출된 제1 잠재 변수들과 제2 도메인 데이터로부터 추출된 제2 잠재 변수들을 하나의 도메인 영역(36)에 분포하도록 분류한다.
즉, 본 발명의 실시 예에 따라 학습된 도메인 판별 네트워크(137)는 멀티 도메인을 하나의 동일한 도메인으로 간주하도록 학습되어, 제1 잠재 변수들과 제2 잠재 변수들을 명확히 구분하지 않도록 분류한다.
제1 도메인 데이터가 정답 데이터(레이블)를 포함하고, 제2 도메인 데이터가 정답 데이터를 포함하지 않는 경우, 멀티 도메인을 하나의 동일한 도메인으로 간주하도록 학습된 도메인 판별 네트워크(137)는 정답 데이터를 포함하는 제1 도메인 데이터를 기반으로 정답 데이터를 포함하지 않는 제2 도메인 데이터를 예측할 수 있다.
도 4는 도 1 및 도 2에 도시한 잔여 수명 진단 모델의 학습 방법을 나타내는 흐름도이다.
이하에서 설명하는 잔여 수명 진단 모델(130)에 대한 학습은 서로 다른 2개의 도메인들에 관련된 제1 및 제2 도메인 데이터로 이루어진 멀티 도메인 데이터를 제공하는 환경에서 수행되는 것으로 한정한다. 그러나, 이는 설명의 이해를 돕기 위한 것일 뿐, 본 발명에 따른 잔여 수명 진단 모델(130)이 2개의 도메인 데이터를 제공하는 환경에서 학습되는 상황을 한정하고자 하는 의도는 아니다. 따라서, 서로 다른 3개 이상의 도메인들에 관련된 3개의 도메인 데이터로 이루어진 멀티 도메인 데이터를 제공하는 환경에서도 본 발명에 따른 잔여 수명 진단 모델의 학습 방법이 적용될 수 있다.
도 4를 참조하면, 먼저, S410에서, 데이터 수집부(110)가 데이터베이스(150) 또는 클라우드 데이터베이스(200)로부터 수집한 멀티 도메인 데이터를 수집하여 전처리부(120)로 입력한다. 여기서, 제1 도메인 데이터는 정답 데이터(레이블)을 포함하고, 제2 도메인 데이터는 정답 데이터를 포함하지 않는다.
이어, S420에서, 전처리부(120)가 멀티 도메인 데이터를 전처리한다. 실시 예로서, 전처리는 멀티 도메인 데이터를 미리 정해진 배치 사이즈(batch size)로 분할하는 처리 과정 및/또는 배치 사이즈(batch size)로 분할된 멀티 도메인 데이터를 이어 붙이는 처리 과정을 포함할 수 있다.
이어, S430에서, 인코더 네트워크(131)와 도메인 판별 네트워크(137)가 도메인 정합 프로세스를 처리하기 위해, 프로세서(도 1의 100)가 전처리된 멀티 도메인 데이터, 즉, 전처리된 제1 및 제2 도메인 데이터의 분류 과정에서 발생하는 분류 손실(분류 손실값)을 최소화하는 방향으로, 잔여 수명 진단 모델(130)을 학습시킨다.
실시 예에서, 인코더 네트워크(131)가 상기 전처리된 제1 도메인 데이터에 대한 제1 잠재 변수와 상기 전처리된 제2 도메인 데이터에 대한 제2 잠재 변수를 추출한다. 이후, 도메인 판별 네트워크(137)가 상기 제1 잠재 변수와 상기 제2 잠재 변수를 서로 다른 도메인으로 분류하지 않도록, 프로세서(도 1의 100)가 인코더 네트워크(131)와 도메인 판별 네트워크(137)의 파라미터(또는 가중치)를 학습한다.
이러한 도메인 판별 네트워크(137)는 적대적 신경망으로 구현되기 때문에, 분류 손실을 최소화하는 방향으로 학습되더라도, 제1 및 제2 잠재 변수를 서로 다른 도메인으로 분류하지 않도록 학습된다.
이를 위해, 도메인 판별 네트워크(137)의 내부에는 분류기(calssifier) 및 도메인 판별기(domain discriminator) 외에 이들을 연결하는 gradient reversal layer 등이 더 추가되며, 출력단에서 입력단으로 진행되는 역전파(backpropagation) 방식으로 신경망 내의 가중치 학습이 진행될 수 있다.
이어, S440에서, 인코더 네트워크(131)와 회귀 네트워크(135)가 잔여 수명 예측 프로세스를 처리하기 위해, 프로세서(도 1의 100)가 상기 전처리된 제1 도메인 데이터를 기반으로 예측한 잔여 수명 예측 손실(또는 예측 손실값)을 최소화하는 방향으로, 잔여 수명 진단 모델(130)을 학습시킨다.
실시 예에서, 인코더 네트워크(131)가 정답 데이터를 포함하는 전처리된 제1 도메인 데이터에 대한 제1 잠재 변수를 추출한다. 이어, 회귀 네트워크(135)가 상기 추출한 제1 잠재 변수를 기반으로 예측한 잔여 수명 예측 데이터를 출력한다. 이어, 프로세서(도 1의 100)가 상기 잔여 수명 예측 데이터와 상기 정답 데이터 간의 차이를 나타내는 예측 손실을 최소화하는 방향으로 인코더 네트워크(131)와 도메인 판별 네트워크(137)의 파라미터(또는 가중치)를 학습한다.
이어, S450에서, 인코더 네트워크(131)와 디코더 네트워크(133)가 제1 도메인 데이터의 재구성 프로세스를 처리하기 위해, 인코더 네트워크(131)에 입력되는 전처리된 제1 도메인 데이터(또는 제2 도메인 데이터)와 디코더 네트워크(133)로부터 출력되는 재구성 데이터 간의 재구성 손실(또는 재구성 손실값)을 최소화하는 방향으로 프로세서(도 1의 100)가 디코더 네트워크(133)를 학습시킨다.
실시 예에서, 인코더 네트워크(131)가 상기 전처리된 제1 도메인 데이터로부터 차원 축소된 제1 잠재 변수를 추출한다. 이후, 디코더 네트워크(133)가 상기 제1 도메인 데이터와 동일한 차원을 갖도록 상기 제1 잠재 변수를 재구성하여 획득한 재구성된 데이터를 출력한다. 이후, 프로세서(도 1의 100)가 상기 제1 도메인 데이터와 상기 재구성된 데이터 사이의 차이를 나타내는 재구성 손실을 최소화하는 방향으로 디코더 네트워크(133)의 파라미터를 학습한다.
여기서, 재구성 프로세스를 수행하기 위한 학습 과정(S450)에서는 인코더 네트워크(131)의 파라미터는 학습되지 않고, 디코더 네트워크(133)의 파라미터만이 학습된다, 즉, 인코더 네트워크(131)의 모델 파라미터는 학습되지 않도록 고정시킨 상태에서 디코더 네트워크(133)의 모델 파라미터만이 학습된다. 이는 도메인 판별 네트워크(137)와 회귀 네트워크(135)의 학습 결과에 영향을 주지 않기 위함이다.
도 5는 도 4의 학습 과정에 따라 학습된 잔여 수명 진단 모델의 테스트 과정에서 수행되는 건전성 관리 방법을 설명하기 위한 흐름도이고, 도 6 내지 8은 도 5에 도시된 잔여 수명 예측 프로세스(S518~S520)을 설명하기 위한 도면들로서, 도 6은 본 발명의 실시 예에 따른 시스템의 이상 상태 및 잔여 수명의 임계 시점에 대한 진단 기법을 설명하기 위한 도면이고, 도 7은 본 발명의 실시 예에 따른 잔여 수명 임계 시점의 정합 및 열화 보상 기법을 설명하기 위한 도면이고, 도 8은 본 발명의 실시 예에 따른 열화 보상 함수(
Figure pat00016
)를 설명하기 위한 도면이다.
도 5를 참조하면, 본 발명의 실시 예에 따른 잔여 수명 진단 모델(130)의 테스트 과정에서 수행되는 건전성 관리 방법은 전술한 도 4의 실시 예에 따른 학습된 잔여 수명 진단 모델을 이용하는 것으로 한정한다. 따라서, 본 발명의 실시 예에 따른 잔여 수명 진단 모델(130)의 테스트 과정에서 사용되는 멀티 도메인 데이터는 정답 데이터(정답 레이블)을 포함하는 제1 도메인 데이터와 정답 데이터(정답 레이블)을 포함하지 않는 제2 도메인 데이터를 포함한다.
이하에서 설명하는 단계들의 수행 주체는 도 1에 도시된 프로세서(100)이거나, 상기 프로세서(100)에 의해 실행되는 인코더 네트워크(131)와 디코더 네트워크(133)를 연계한 신경망, 인코더 네트워크(131)와 회귀 네트워크(135)를 연계한 신경망 또는 인코더 네트워크(131)와 도메인 판별 네트워크(137)를 연계한 신경망일 수 있다.
먼저, S511에서, 멀티 도메인 데이터를 전처리 하는 과정이 수행된다. 전처리는, 예를 들면, 전처리는 멀티 도메인 데이터를 미리 정해진 배치 사이즈(batch size)로 분할하는 처리 과정 및/또는 배치 사이즈(batch size)로 분할된 멀티 도메인 데이터를 이어 붙이는 처리 과정을 포함할 수 있다.
이어, S512에서, 잔여 수명 진단 모델(130)의 테스트를 위해, 정답 데이터(정답 레이블)을 포함하지 않는 전처리된 제2 도메인 데이터가 도 4의 학습 방법에 따라 학습된 잔여 수명 진단 모델(130)로 입력한다. 이에 따라, 잔여 수명 진단 모델(130)은 정답 데이터(정답 레이블)을 포함하지 않는 전처리된 제2 도메인 데이터를 기반으로 건전성 진단 프로세스, 도메인 정합 프로세스 및 잔여 수명 예측 프로세스를 시작한다.
한편, 도메인 정합 프로세스는 제1 도메인 데이터와 제2 도메인 데이터의 구분이 어렵도록 학습된 도메인 판별 네트워크(137)에 의해 수행된다. 전술한 바와 같이, 도메인 판별 네트워크(137)는 적대적 신경망으로 구현되므로, 분류 손실을 최소화하는 방향으로 학습되더라도, 멀티도메인 입력 데이터를 서로 구분하여 분류하지 않도록 역방향 가중치 학습이 진행될 수 있다. 이러한 학습 과정을 통해, 학습 완료된 인코더 네트워크(131)는 제1 도메인 데이터와 제2 도메인 데이터의 공통 특성을 포함하도록 구성된 잠재 변수를 출력할 수 있다.
이어, S513 내지 S516에서, 건전성 진단 프로세스가 수행된다.
먼저, S513에서, 제2 도메인 데이터에 대한 재구성 손실(재구성 손실값)을 산출하는 과정이 수행된다.
재구성 손실(재구성 손실값)을 산출하기 위해, 도 4의 학습 과정을 통해 사전 학습된 인코더 네트워크(131)가 제2 도메인 데이터로부터 제2 잠재 변수를 추출하고, 도 4의 학습 과정을 통해 사전 학습된 디코더 네트워크(133)가 상기 제2 잠재 변수를 재구성하여 획득한 재구성된 데이터를 출력한다. 이후, 사전 학습된 디코더 네트워크(133) 또는 프로세서(도 100)가 상기 제2 도메인 데이터와 상기 재구성된 데이터 간의 차이를 나타내는 재구성 손실(재구성 손실값)을 산출한다.
도 4의 학습 과정을 통해 제1 도메인 데이터를 기반으로 사전 학습된 디코더 네트워크(133)는 도메인 정합 프로세스를 수행하도록 사전 학습된 인코더 네트워크(131)로 인하여, 상기 제2 도메인 데이터(또는 제2 잠재 변수)에 대한 재구성 프로세스를 수행할 수 있다.
이어, S514에서, 상기 산출된 재구성 손실(재구성 손실값)을 기반으로 상기 제2 도메인 데이터가 속한 제2 도메인에 대한 이상 인덱스를 추출하는 과정이 수행된다.
실시 예로, 이상 인덱스는 재구성 손실값들을 정규화한 값 일 수 있다.
실시 예로, 이상 인덱스는 일정 구간 내에서 선택된 재구성 손실값들을의 최대값, 최소값, 또는 평균값 등과 같은 대표값 일 수 있다.
실시 예로, 이상 인덱스는 재구성 손실값들을 군집화한 정상 군집의 중앙으로부터의 거리값 일 수 있다.
실시 예로, 이상 인덱스는 정상 군집의 최외곽으로부터의 거리값 일 수 있다.
이어, S515에서, 디코더 네트워크(133)의 출력값인 이상 인덱스(Anomaly Index)(또는 이상 인덱스의 절대값)가 '임계치_1'보다 크면, 디코더 네트워크(133) 또는 프로세서(도 100)가 해당 출력값에 대한 '이상 알림'을 발생시키고, 반대로, 이상 인덱스(또는 이상 인덱스의 절대값)가 '임계치_1'보다 작거나 같으면, 디코더 네트워크(133) 또는 프로세서(도 100)가 해당 출력값에 대한 '정상 알림'을 발생시킨다.
이어, S516에서, 일정 시간 간격 (
Figure pat00017
) 내에 발생한 정상 알림 샘플수에 대한 이상 알림 샘플수의 비율이 '임계치_2'보다 크면, 디코더 네트워크(133) 또는 프로세서(도 100)가 '시스템 열화 이상 알림'을 발생시키고, 잔여 수명 프로세스(S518 ~ S520)가 진행된다. 반대로, 정상 알림 샘플수에 대한 이상 알림 샘플수의 비율이 '임계치_2'보다 작거나 같으면, '시스템 열화 정상 알림'을 발생시킨다. 여기서, 정상 알림 샘플수에 대한 이상 알림 샘플수의 비율은 이상 알림 샘플수을 정상 알림 샘플수로 나눈값의 절대값일 수 있다. 정상 알림 샘플수는 S515의 과정을 통해 정상값으로 인식된 디코더 네트워크(133)의 출력값들의 개수이고, 이상 알림 샘플수는 S515의 과정을 통해 이상값으로 인식된 디코더 네트워크(133)의 출력값들의 개수이다.
도 6을 참조하여, S515 및 S516에 대해 보다 구체적으로 설명하기로 한다.
도 6에 도시된 바와 같이, 프로세서(도 1의 100)에 의해 실행되는 잔여 수명 진단 모델(130) 또는 디코더 네트워크(133)는 이상 인덱스의 절대값이 '임계치_1'보다 크면, '이상 알림'을 발생시킨다.
정해진 일정시간 간격(Δw) 내에, 정상값으로 인식된 출력샘플 수 대비, '임계치_1'을 초과하여 이상값으로 인식된 출력 샘플 수의 비율이 '임계치_2'를 초과할 경우 '시스템 열화 이상 알림'이 발생한다. 이 때, 시스템의 관리자는 '이상 알림' 혹은 '시스템 열화 이상 알림'의 발생 빈도를 조정할 수 있는데, '임계치_1' 혹은 '임계치_2'를 조정하거나, 기준 횟수 이상의 '이상 알림' 혹은 '시스템 열화 이상 알림'의 누적 횟수가 확인되면, 알림이 발생하도록 알림 발생을 통제할 수 있다.
본 발명에서 '임계치_2'는 Δw 내에서 정상 알림 샘플 수 대비 이상 알림 샘플 수를 나타내므로, 이상 인덱스를 나타내는 함수(이상 인덱스 함수) 상에서 기울기값으로 표현될 수 있다.
본 발명에서 시간을 나타내는 x축 에서'시스템 열화 이상 알림'이 시작되는 시점을 '임계 시점'이라고 하며, '이상 인덱스'를 나타내는 y축에서 시스템 열화 이상 알림'이 시작되는 시점을 임계점이라고 한다.
이하, 도 7 및 8을 참조하여 잔여 수명 프로세스(S518~S520)의 처리 과정에 대해 설명하기로 한다.
먼저, S518에서, 회귀 네트워크(135)가 1차적으로 제2 도메인 데이터를 기반으로 시스템의 잔여 수명 예측값(
Figure pat00018
)을 예측한다.
이어, S519에서, 제2 도메인 데이터가 속한 제2 도메인의 열화 모델을 제1 도메인 데이터가 속한 제1 도메인의 열화 모델에 매핑시키는 열화 보상 함수
Figure pat00019
를 최적화시키는 과정이 수행된다. 여기서, 열화 보상 함수
Figure pat00020
는
Figure pat00021
를 y에 근사화시키는 보상 함수이며, 여기서 y는 제1 도메인 데이터에 포함된 정답값 또는 제1 도메인 데이터를 기반으로 예측된 잔여 수명 예측값이다. 그리고, 열화 보상 함수
Figure pat00022
를 최적화시키는 과정은 파라미터
Figure pat00023
의 학습 과정일 수 있다.
이어, S520에서, 회귀 네트워크(135)가 상기 S519에 의해 최적화된(또는 학습된) 열화 보상 함수
Figure pat00024
를 기반으로, 잔여 수명 예측값(
Figure pat00025
)을 보상하고, 상기 보상된 잔여수명 예측값(
Figure pat00026
)을 출력한다. 최적화된(또는 학습된) 열화 보상 함수
Figure pat00027
는
Figure pat00028
입력에 대해 열화 보상된 예측값
Figure pat00029
를 최종적으로 출력한다.
전술한 도 4의 학습 방법에 따라, 회귀 네트워크(135)는 제1 도메인 데이터를 입력을 이용하여 예측 손실이 최소화되도록 학습되고, 그 학습된 회귀 네트워크(135)는, 도메인 정합 프로세스를 수행하도록 학습된 인코더 네트워크(131)와 연계되어, 제2 도메인 데이터 기반의 잔여 수명 예측값(
Figure pat00030
)을 출력할 수 있다.
한편, 도메인 정합 프로세스를 수행하도록 인코더 네트워크(131)가 학습되지만, 인코더 네트워크(131)가 학습 과정에서 사용되는 제1 도메인 데이터로부터 추출한 제1 잠재 변수의 분포도와 실제 테스트 과정에서 사용되는 제2 도메인 데이터로부터 추출한 제2 잠재 변수의 분포도는 완전하게 동일하지 않을 수 있다.
이처럼 제1 잠재 변수의 분포도와 제2 잠재 변수의 분포도가 완전히 동일하지 않은 경우, 도 7에서 도시한 바와 같이, 회귀 네트워크(135)가 제1 잠재 변수를 기반으로 예측한 잔여 수명 예측값의 분포도를 나타내는 열화 모델_1과 제1 잠재 변수를 기반으로 예측한 잔여 수명 예측값의 분포도를 나타내는 열화 모델_2 역시 완전하게 동일하지 않을 수도 있다. 이것은 멀티 도메인 간의 임계점과 열화 모델을 나타내는 열화 모델 함수가 상이할 수 있음을 의미하며, 잔여 수명 예측 오차를 유발할 수 있음을 의미한다.
이러한 잔여 수명 예측 오차를 줄이기 위해, 본 발명에서는, 제1 도메인 데이터를 기반으로 예측된 열화 모델_1를 나타내는 열화 모델 함수(또는 잔여 수명 예측 함수)에서 제1 임계 시점(t1)을 계산하고, 제2 도메인 데이터를 기반으로 예측된 열화 모델_2를 나타내는 열화 모델 함수(또는 잔여 수명 예측 함수)에서 제2 임계 시점(t2)을 계산한 후, 제1 임계 시점(t1)과 제2 임계 시점(t2)의 차분(Δt)을 이용하여 열화 모델_2의 제2 임계 시점(t2)을 열화 모델_1의 제1 임계 시점(t1)에 매핑시킨다. 이후, 열화 모델_1의 제1 임계 시점(t1)에 매핑된 제2 임계 시점(t2')으로부터 잔여수명예측 프로세스가 진행된다. 이렇게 함으로써, 멀티 도메인 간의 잔여 수명 예측값의 분포도 차이(또는 임계 시점의 차이)에 따른 잔여수명예측오차를 크게 줄일 수 있다.
또한, 잔여 수명 예측의 정확도를 더욱 높이기 위해, 열화 보상 함수(
Figure pat00031
)를 통해 잔여수명예측 값이 보정된다. 이 때, 열화 보상 함수 (
Figure pat00032
)는
Figure pat00033
(제2 도메인 데이터 기반의 잔여 수명 예측값)를 입력으로 하고, y(제1 도메인 데이터의 정답값)를 출력으로 하는 함수이며, 파라미터
Figure pat00034
를 최적화하여 구할 수 있다.
즉, 열화 보상 함수
Figure pat00035
를 통해 1차로 예측된 잔여 수명 예측값(
Figure pat00036
)을 열화 보상된 잔여 수명 예측값(
Figure pat00037
)로 보상할 수 있다. 이를 통해, 도메인 변화에서 기인한 잔여수명예측 오차를 크게 줄일 수 있다.
열화 보상 함수(
Figure pat00038
)는 도 8에 도시된 바와 같이, 진단 모델(130)의 학습 과정에서 제1 도메인 데이터를 기반으로 예측한 잔여 수명 예측값의 분포를 나타내는 열화모델_1과 테스트 과정에서 제2 도메인 데이터를 기반으로 예측한 잔여 수명 예측값의 분포를 나타내는 열화모델_2의 정합 및 보상을 위해 사용된다.
일 실시 예로, 열화 모델과 열화 보상 함수는 일차함수의 선형조합으로 구성할 수 있다. 다른 실시예로 열화모델과 열화 보상 함수는 이차함수, 삼차함수 등으로 구성할 수 있다. 또 다른 실시예로 열화모델과 열화 보상 함수는 지수함수, 로그함수 등으로 구성할 수 있다.
이상 설명한 바와 같이, 본 발명의 실시 예에 따른 잔여수명예측 프로세스는 상기의 멀티도메인 데이터 간 임계시점 정합 및 열화모델 기반 파라미터 값 보상 등을 통해 예측 오차를 크게 줄이고, 동시에 제2 도메인 데이터를 기반으로 하는 잔여 수명 예측 진단을 보다 정밀하게 수행할 수 있다.
본 발명의 보호범위가 이상에서 명시적으로 설명한 실시예의 기재와 표현에 제한되는 것은 아니다. 또한, 본 발명이 속하는 기술분야에서 자명한 변경이나 치환으로 말미암아 본 발명이 보호범위가 제한될 수도 없음을 다시 한번 첨언한다.

Claims (16)

  1. 제1 및 제2 도메인 데이터를 포함하는 멀티 도메인 데이터를 기반으로 사전 학습된 진단 모델을 이용하여 시스템의 건전성을 관리하기 위한 방법에 있어서,
    상기 제2 도메인 데이터에 대한 재구성 손실값을 산출하는 단계;
    상기 재구성 손실값을 기반으로 상기 시스템의 열화 정도를 판단하는 단계;
    상기 열화 정도를 판단한 결과에 따라, 상기 제2 도메인 데이터를 기반으로 상기 시스템의 제2 잔여 수명 예측값(
    Figure pat00039
    )을 예측하는 단계;
    상기 진단 모델의 사전 학습 과정에서 상기 제1 도메인 데이터를 기반으로 예측한 상기 시스템의 제1 잔여 수명 예측값(y)의 분포도를 기반으로 열화 보상 함수를 최적화하는 단계; 및
    상기 최적화된 열화 보상 함수를 이용하여, 상기 제2 잔여 수명 예측값(
    Figure pat00040
    )을 보상하여 획득한 최종 잔여 수명 예측값(
    Figure pat00041
    )을 예측하는 단계를 포함하는 시스템 건전성을 관리하기 위한 방법.
  2. 제1항에서,
    상기 제2 도메인 데이터에 대한 재구성 손실값을 산출하는 단계 이전에, 상기 제2 도메인 데이터를 전처리 하는 단계를 더 포함하고,
    상기 제2 도메인 데이터를 전처리 하는 단계는,
    상기 제2 도메인 데이터의 크기를 배치 크기(batch size)로 분할하는 단계; 및
    상기 배치 사이즈로 분할된 상기 제2 도메인 데이터를 이어붙이는 단계
    를 포함하는 시스템 건전성을 관리하기 방법.
  3. 제1항에서,
    상기 진단 모델은 인코더 네트워크와 상기 인코더 네트워크의 출력에 연결된 디코더 네트워크를 포함하고,
    상기 제2 도메인 데이터에 대한 재구성 손실값을 산출하는 단계는,
    상기 인코더 네트워크가, 상기 제2 도메인 데이터로부터 데이터 차원이 축소된 제2 잠재 변수를 추출하는 단계;
    상기 디코더 네트워크가, 상기 제2 도메인 데이터의 데이터 차원과 동일한 데이터 차원을 갖도록 상기 제2 잠재 변수를 재구성하는 단계; 및
    상기 디코더 네트워크가, 상기 제2 도메인 데이터와 상기 제2 잠재 변수로부터 재구성된 출력 데이터 간의 차이를 나타내는 상기 재구성 손실값을 산출하는 단계
    를 포함하는 시스템 건전성을 관리하기 방법.
  4. 제3항에서,
    상기 인코더 네트워크는 상기 제1 및 제2 도메인 데이터를 서로 다른 도메인으로 분류하지 않도록 사전 학습된 신경망이고,
    상기 인코더 네트워크가 상기 제2 도메인 데이터로부터 데이터 차원이 축소된 제2 잠재 변수를 추출하는 단계는,
    상기 사전 학습된 인코더 네트워크가 상기 제2 도메인 데이터로부터 상기 제1 및 제2 도메인 데이터의 공통 특성을 포함하도록 구성된 상기 제2 잠재 변수를 추출하는 단계인 것인 시스템 건전성을 관리하기 방법.
  5. 제1항에서,
    상기 재구성 손실값을 기반으로 상기 시스템의 열화 정도를 판단하는 단계는,
    상기 재구성 손실값을 기반으로 이상 인덱스를 추출하는 단계;
    상기 이상 인덱스와 제1 임계치를 비교하여 상기 시스템의 이상 여부를 판단하는 단계; 및
    상기 시스템의 이상을 확인한 경우, 정상 알림 샘플수에 대한 이상 알림 샘플수의 비율을 제2 임계치와 비교하여 상기 시스템의 열화 정도와 관련된 이상 여부를 판단하는 단계를 포함하는 시스템 건전성을 관리하기 방법.
  6. 제5항에서,
    상기 진단 모델은 상기 제2 도메인 데이터로부터 차원 축소된 제2 잠재 변수를 추출하는 인코더 네트워크와 상기 제2 잠재 변수를 재구성하는 디코더 네트워크를 포함하고,
    상기 정상 알림 샘플수는 상기 디코더 네트워크의 출력값들 중에서 정상으로 인식된 출력값들의 개수이고, 상기 이상 알림 샘플수는 상기 디코더 네트워크의 출력값들 중에서 이상으로 인식된 출력값들의 개수인 것인 시스템 건전성을 관리하기 방법.
  7. 제5항에서,
    상기 이상 인덱스는,
    상기 재구성 손실값을 정규화한 값인 것인 시스템 건전성을 관리하기 방법.
  8. 제5항에서,
    상기 이상 인덱스는,
    상기 재구성 손실값의 최대값, 최소값 또는 평균값을 나태는 대표값인 것인 시스템 건전성을 관리하기 방법.
  9. 제1항에서,
    상기 열화 보상 함수를 최적화하는 단계는,
    상기 제2 잔여 수명 예측값(
    Figure pat00042
    )의 분포도를 나타내는 제2 열화 모델을 상기 제1 잔여 수명 예측값(y)의 분포도를 나타내는 제1 열화 모델에 매핑 시키는 단계인 것인 시스템 건전성을 관리하기 방법.
  10. 제1항에서,
    상기 최종 잔여 수명 예측값(
    Figure pat00043
    )을 예측하는 단계는,
    상기 제1 잔여 수명 예측값(y)의 분포도를 나타내는 제1 열화 모델 함수를 이용하여 제1 임계 시점을 계산하는 단계;
    상기 제2 잔여 수명 예측값(
    Figure pat00044
    )의 분포도를 나타내는 제2 열화 모델 함수를 이용하여 제2 임계 시점을 계산하는 단계;
    제1 임계 시점과 제2 임계 시점의 차분을 이용하여 상기 제2 임계 시점을 상기 제1 임계 시점에 매핑시키는 단계; 및
    상기 제1 임계 시점에 매핑된 상기 제2 임계 시점을 기반으로 상기 보상된 제2 잔여 수명 예측값(
    Figure pat00045
    )을 출력하는 단계
    를 포함하는 시스템 건전성을 관리하기 방법.
  11. 프로세서 및 상기 프로세서에 의해 실행되는 상기 진단 모델을 저장하는 저장 장치를 포함하며,
    상기 진단 모델은,
    상기 제2 도메인 데이터로부터 제2 특징 벡터를 추출하는 인코더 네트워크;
    상기 인코더 네트워크에 연결되고, 상기 제2 특징 벡터로부터 재구성된 데이터를 이용하여 상기 시스템의 열화 정도를 예측하는 디코더 네트워크; 및
    상기 인코더 네트워크에 연결되고, 상기 시스템의 열화 정도를 예측한 결과에 따라, 잔여 수명 예측 프로세스를 시작하는 회귀 네트워크를 포함하고,
    상기 회귀 네트워크는,
    사전 학습 과정에서 상기 제1 도메인 데이터로부터 추출된 제1 특징 벡터를 기반으로 예측한 상기 시스템의 제1 잔여 수명 예측값(y)과 상기 제2 특징 벡터를 기반으로 예측한 상기 시스템의 제2 잔여 수명 예측값(
    Figure pat00046
    )을 이용하여 최종 잔여 수명 예측값(
    Figure pat00047
    )을 예측하는 회귀 네트워크를 포함하는 시스템 건전성을 관리하기 위한 장치.
  12. 제11항에서,
    상기 진단 모델은, 상기 인코더 네트워크에 연결되는 도메인 판별 네트워크를 더 포함하고,
    상기 도메인 판별 네트워크는 상기 인코더 네트워크와 연계하여, 상기 제1 및 제2 도메인 데이터를 서로 다른 도메인으로 분류하지 않도록 사전 학습된 적대적 신경망(Adversarial Neural Network)으로 구현된 것인 시스템 건전성을 관리하기 위한 장치.
  13. 제11항에서,
    상기 디코더 네트워크는,
    상기 제2 도메인 데이터와 상기 재구성된 데이터 간의 차이를 나타내는 재구성 손실값을 기반으로 상기 시스템의 열화 정도를 예측하는 것인 시스템 건전성을 관리하기 위한 장치.
  14. 제13항에서,
    상기 디코더 네트워크는,
    상기 재구성 손실값을 정규화 하거나 상기 재구성 손실값의 최대값, 최소값 또는 평균값을 나타내는 이상 인덱스를 기반으로 상기 시스템의 이상 여부를 판단하고, 상기 시스템의 이상을 확인한 경우, 정상 알림 샘플수에 대한 이상 알림 샘플수의 비율을 기반으로 상기 시스템의 열화 정도를 예측하고,
    상기 정상 알림 샘플수는 상기 디코더 네트워크의 출력값들 중에서 정상으로 인식된 출력값들의 개수이고, 상기 이상 알림 샘플수는 상기 디코더 네트워크의 출력값들 중에서 이상으로 인식된 출력값들의 개수인 것인 시스템 건전성을 관리하기 위한 장치.
  15. 제14항에서,
    상기 회귀 네트워크는,
    상기 시스템의 열화 정도를 예측한 결과에 따라, 상기 정상 알림 샘플수에 대한 이상 알림 샘플수의 비율이 임계치를 초과한 경우, 최종 잔여 수명 예측값(
    Figure pat00048
    )을 산출하기 위한 상기 잔여 수명 예측 프로세스를 시작하는 것인 시스템 건전성을 관리하기 위한 장치.
  16. 제11항에서,
    상기 회귀 네트워크는,
    상기 제2 잔여 수명 예측값(
    Figure pat00049
    )의 분포도를 상기 제1 잔여 수명 예측값(y)의 분포도에 매핑시키는 열화 보상 함수를 이용하여 상기 제2 잔여 수명 예측값(
    Figure pat00050
    )을 보상한 후, 상기 제2 잔여 수명 예측값(
    Figure pat00051
    )을 보상하여 획득한 상기 최종 잔여 수명 예측값(
    Figure pat00052
    )을 상기 시스템의 잔여 수명으로 예측하는 것인 시스템 건전성을 관리하기 위한 장치.
KR1020210161460A 2021-11-22 2021-11-22 시스템 건전성을 관리하기 위한 방법 및 장치 KR20230075150A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210161460A KR20230075150A (ko) 2021-11-22 2021-11-22 시스템 건전성을 관리하기 위한 방법 및 장치
US17/965,537 US20230161653A1 (en) 2021-11-22 2022-10-13 Method of managing system health

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210161460A KR20230075150A (ko) 2021-11-22 2021-11-22 시스템 건전성을 관리하기 위한 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230075150A true KR20230075150A (ko) 2023-05-31

Family

ID=86383849

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210161460A KR20230075150A (ko) 2021-11-22 2021-11-22 시스템 건전성을 관리하기 위한 방법 및 장치

Country Status (2)

Country Link
US (1) US20230161653A1 (ko)
KR (1) KR20230075150A (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116996869B (zh) * 2023-09-26 2023-12-29 济南正大科技发展有限公司 一种网络异常数据处理方法及装置

Also Published As

Publication number Publication date
US20230161653A1 (en) 2023-05-25

Similar Documents

Publication Publication Date Title
US20220283576A1 (en) Automatic diagnosis method, system and storage medium for equipment
CN112131673B (zh) 基于融合神经网络模型的发动机喘振故障预测系统及方法
Niu et al. Intelligent condition monitoring and prognostics system based on data-fusion strategy
CN113671917B (zh) 针对多模态工业过程异常状态的检测方法、系统、设备
CN110795309A (zh) 一种用于微小卫星的层次化软件健康管理方法和系统
CN112534370A (zh) 用于预测工业机器故障的系统和方法
Mathew et al. Regression kernel for prognostics with support vector machines
CN111224805A (zh) 一种网络故障根因检测方法、系统及存储介质
CN112416662A (zh) 多时间序列数据异常检测方法与装置
CN114444582A (zh) 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法
US20240085274A1 (en) Hybrid bearing fault prognosis with fault detection and multiple model fusion
CN112699597A (zh) 一种核电启动水泵滚动轴承故障检测方法及系统
CN113343581A (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
CN116384224A (zh) 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法
CN115618732A (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
Kefalas et al. Automated machine learning for remaining useful life estimation of aircraft engines
CN115392782A (zh) 一种核电厂工艺系统健康状态监测和诊断方法及系统
KR20230075150A (ko) 시스템 건전성을 관리하기 위한 방법 및 장치
CN113918433A (zh) 一种自适应的智慧网络设备性能指标异常检测装置及方法
CN117194163A (zh) 一种计算机设备、故障检测系统、方法及可读存储介质
CN117092445A (zh) 基于大数据的配电系统的故障检测方法及系统
CN112380763A (zh) 一种基于数据挖掘的堆内构件可靠性分析系统及方法
US20230022100A1 (en) Prognostic and health management system for system management and method thereof
EP4033421B1 (en) Method and system for predicting a failure of a monitored entity
CN116956089A (zh) 电器设备温度异常检测模型训练方法以及检测方法