KR20230077057A - 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템 - Google Patents

Abstract

본 발명은 IoT 가전 기기의 고장 및 잔여수명 예측 시스템에 관한 것으로서, 보다 구체적으로는 IoT 가전기기의 고장을 예측하여 이상 발생 전후로 사용자에게 대응 방안을 안내하고, 이와 함께 빅데이터 분석을 활용한 고장 원인 및 잔여 수명 예측을 통해 제조사의 부품 재고 관리 및 사용자와의 A/S 업무가 효율적으로 이루어지도록 하는 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템에 관한 것이다.
상기 목적을 달성하기 위하여, 본 발명은, 가전 메타 데이터, 기기 사용 로그, 사용자 정보 및 외부 환경 정보 중 적어도 어느 하나 이상의 기기 데이터를 외부로 전송하기 위한 IoT 가전기기; 상기 IoT 가전기기로부터 전송되는 기기 데이터를 수집하여 빅데이터로 관리하기 위한 기기 데이터 수집 서버; 상기 기기 데이터 수집 서버에서 전송되는 기기 데이터를 데이터 정제 작업, 데이터 엔지니어링 및 데이터 변환 중 적어도 어느 하나 이상으로 전처리하기 위한 데이터 전처리 서버; 상기 데이터 전처리 서버에서 전처리된 데이터를 통해 IoT 가전기기의 고장예측 모델을 구성하기 위한 고장예측 모델링 서버; 및 상기 고장예측 모델링 서버에서 구성된 고장예측 모델을 이용하여 IoT 가전 기기의 고장 및 잔여수명을 예측하기 위한 고장예측 분석 서버;를 포함하는 것을 특징으로 한다.

Description

빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템{FAULT AND PARTS REMAINING LIFE PREDICTION SYSTEM FOR IOT HOME APPLIANCES WITH BIG DATA}

본 발명은 IoT 가전 기기의 고장 및 잔여수명 예측 시스템에 관한 것으로서, 보다 구체적으로는 IoT 가전기기의 고장을 예측하여 이상 발생 전후로 사용자에게 대응 방안을 안내하고, 이와 함께 빅데이터 분석을 활용한 고장 원인 및 잔여 수명 예측을 통해 제조사의 부품 재고 관리 및 사용자와의 A/S 업무가 효율적으로 이루어지도록 하는 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템에 관한 것이다.

일반적으로 사물 인터넷(IoT: Internet Of Things)이라 함은 인간의 일상생활 주변에서 흔히 볼 수 있는 사물들이 인터넷을 통해 제어 가능한 환경을 의미하는 것으로, 최근에는 개인 영역으로 위치 추적, 자율주행 자동차, 의료 서비스, 자산관리, 생활가전제품 등에서 IoT가 접목된 서비스를 누릴 수 있고, 기업 영역으로 가스나 전기 등의 사용량 원격 검침, 물류나 유통에서 사물 인터넷 적용 서비스가 가능하며, 공공 영역으로는 교통, 운송, 신호등 제어, 보안, 환경오염 감시 등에서 사회간접자본(SOC)와 연계한 IoT 활용이 검토되고 있다.

또한, 이러한 다양한 IoT의 활용 분야 중에서도 특히 개인과 관련된 스마트 홈 시스템은 냉장고, 에어컨, 공기청정기, TV 등 각종 가전제품에 IoT를 적용하여 각 가전제품 작동 상태를 모니터링하거나 원격으로 제어하는 등의 다양한 서비스를 구현하고 있다.

그러나, 기존의 가전기기 및 해당 기기의 부품에 대한 고장 예측은 사용자의 해당 기기의 사용 시간에 따른 고장 예측 정도만 하고 있으며, 현실적으로 사용자의 특성 및 주변 환경 등에 따라 가전기기의 고장 발생 빈도가 천편일률적임에 따라 고장을 예측하여도 그 예측 결과는 매우 부정확한 실정이다.

또한, 기존 고장 예측으로는 가전기기에 대해 직접 A/S 기사가 방문하기 전까지는 해당 기기의 문제점을 사용자의 설명에 의존하여 고장을 판단해야 했으며, 사용자의 설명이 실제 가전기기 오류에 근본이 되는 문제와 다른 경우가 많아 CS(Customer Service) 업무에서 사용자에게 잘못된 고장 해결 방안을 제시하는 경우가 빈번하다.

이에 따라, IoT 환경에서 여러 IoT 가전기기들이 동시다발적으로 다양한 IoT 플랫폼에 연결되고 해제될 수 있는 점, 가전제품들의 상태를 지속적으로 모니터링 및 분석하여 문제가 발생되는 상황을 온라인 네트워크상에서 통합적으로 확인할 수 있다는 점 등을 감안할 때, 종래 가전제품의 오프라인을 통한 A/S 방식 및 사용 시간에 따른 고장 예측만 가능한 환경을 벗어나, IoT 가전기기에 의해 수집 가능한 데이터를 저장/관리/분석할 수 있는 서버 구축을 통해 IoT 가전기기의 고장을 예측하여 이상 발생 전후로 사용자에게 대응 방안을 안내하고, 이와 함께 빅데이터 분석을 활용한 고장 원인 및 잔여 수명 예측을 통해 제조사의 부품 재고 관리 및 사용자와의 A/S 업무가 효율적으로 이루어지도록 하는 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템이 절실히 요구되고 있는 실정이다.

대한민국 공개특허공보 제10-2019-0041440호 대한민국 공개특허공보 제10-2019-0062795호

본 발명은 상기한 종래 기술의 문제점을 해결하기 위해 안출된 것으로서, 종래 가전제품의 오프라인을 통한 A/S 방식 및 사용 시간에 따른 고장 예측만 가능한 환경을 벗어나, IoT 가전기기의 상태의 실시간 진단을 통해 고장을 예측하여 이상 발생 전후로 사용자에게 대응 방안을 안내하고, 이와 함께 빅데이터 분석을 활용한 고장 원인 및 잔여 수명 예측을 통해 제조사의 부품 재고 관리, 사용자와의 A/S 업무 및 CS(Customer Service) 업무가 효율적으로 이루어지도록 하는 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템을 제공하는데 그 목적이 있다.

다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상기 목적을 달성하기 위하여, 본 발명은, 가전 메타 데이터, 기기 사용 로그, 사용자 정보 및 외부 환경 정보 중 적어도 어느 하나 이상의 기기 데이터를 외부로 전송하기 위한 IoT 가전기기; 상기 IoT 가전기기로부터 전송되는 기기 데이터를 수집하여 빅데이터로 관리하기 위한 기기 데이터 수집 서버; 상기 기기 데이터 수집 서버에서 전송되는 기기 데이터를 데이터 정제 작업, 데이터 엔지니어링 및 데이터 변환 중 적어도 어느 하나 이상으로 전처리하기 위한 데이터 전처리 서버; 상기 데이터 전처리 서버에서 전처리된 데이터를 통해 IoT 가전기기의 고장예측 모델을 구성하기 위한 고장예측 모델링 서버; 및 상기 고장예측 모델링 서버에서 구성된 고장예측 모델을 이용하여 IoT 가전 기기의 고장 및 잔여수명을 예측하기 위한 고장예측 분석 서버;를 포함하는 것을 특징으로 한다.

또한, 상기 고장예측 모델링 서버는, 전처리된 데이터를 통해 단일 예측 알고리즘인 의사 결정 트리(Decision Tree)를 기반으로 고장예측 모델을 구성한 다음, 상이한 단일 예측 알고리즘을 병렬로 배치하여, 복수의 단일 예측 알고리즘의 조합 형태인 부스팅 기법을 활용하여, 부스티드 트리(Boosted Tree) 형태로 고장예측 모델을 업데이트하는 것을 특징으로 한다.

또한, 상기 고장예측 모델링 서버는, 단일 예측 알고리즘 중 불량 단일 예측 알고리즘이 반복되어 발생되는 패턴을 분석하여, 복수의 단일 예측 알고리즘 형태로 고장예측 모델 업데이트 시 불량 단일 예측 알고리즘을 제외하는 것을 특징으로 한다.

또한, 상기 고장예측 분석 서버는, 구성된 고장예측 모델에 경사 하강법(Gradient Descent) 방식을 이용하여 IoT 가전 기기의 고장 확률을 예측하는 것을 특징으로 한다.

또한, 상기 고장예측 분석 서버는, 예측된 IoT 가전기기의 고장 확률을 통해 IoT 가전기기의 잔여 수명을 예측하는 것을 특징으로 한다.

또한, 상기 고장예측 분석 서버는, 사용자의 연령, 성별, IoT 가전기기 사용 시간대 및 거주형태별 IoT 가전기기 가동시간 중 적어도 어느 하나 이상의 기기 사용 데이터를 통한 IoT 가전기기의 사용 패턴을 구성된 고장예측 모델에 반영하여 IoT 가전 기기의 고장을 예측하는 것을 특징으로 한다.

또한, 상기 고장예측 분석 서버는, IoT 가전기기의 발열 및 내부 습도 중 적어도 어느 하나 이상의 기기 환경 데이터를 통한 IoT 가전기기 환경 패턴을 구성된 고장예측 모델에 반영하여 IoT 가전 기기의 고장을 예측하는 것을 특징으로 한다.

또한, 상기 IoT 가전 기기의 고장 및 잔여수명 예측 시스템은, 구성된 IoT 가전기기의 고장예측 모델에 대한 데이터를 별도의 저장 장치에 저장하여 관리하기 위한 고장예측 모델 저장 장치를 포함하는 것을 특징으로 한다.

또한, 상기 IoT 가전 기기의 고장 및 잔여수명 예측 시스템은, 상기 고장예측 분석 서버로부터 IoT 가전기기의 고장 및 잔여수명 예측 정보를 수신하기 위한 사용자 단말기; 및 상기 사용자 단말기로부터 해당 IoT 가전기기의 고장 및 잔여수명 예측 정보에 대한 대처 방안 및 매뉴얼을 요청받는 A/S 상담 서버를 포함하는 것을 특징으로 한다.

또한, 상기 A/S 상담 서버는, 고장예측 분석 서버의 IoT 가전기기의 고장 및 잔여수명 예측 정보를 기반으로 기기 데이터 수집 서버의 기기 데이터를 통해 IoT 가전기기의 상태를 파악하여, IoT 가전기기의 대처 방안 및 매뉴얼을 사용자 단말기로 전송하는 것을 특징으로 한다.

본 발명에 따른 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템은, IoT 가전기기의 상태의 실시간 진단을 통해 고장을 예측하여 이상 발생 전후로 사용자에게 대응 방안을 안내하고, 이와 함께 빅데이터 분석을 활용한 고장 원인 및 잔여 수명 예측을 통해 제조사의 부품 재고 관리, 사용자와의 A/S 업무 및 CS(Customer Service) 업무가 효율적으로 이루어지도록 하는 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템을 제공할 수 있다.

또한, 상기 효과를 토대로, 가전제품에 대한 고장 예측을 통해 기기/부품에 대한 재고 관리를 효율적으로 할 수 있어 비용 절감에 도움을 줄 수 있다.

또한, 상기 효과를 토대로, 고객 혹은 사용자의 말을 통해 전달되는 현상에만 의지하여 문제점을 파악해야만 하는 점을 벗어나, 보다 정확한 데이터를 기반으로 고장 예측 및 내용 전달을 통해 근본 문제를 보다 정확히 판단하여 고객 혹은 사용자에게 보다 큰 신뢰성을 줄 수 있다.

또한, 상기 효과를 토대로, A/S 상담원과 기사의 업무 비용을 줄일 수 있다.

또한, 상기 효과를 토대로, IoT 가전 기기의 고장 및 잔여수명 예측 시스템을 통한 해당 기기의 단점과 보완 사항들을 찾을 수 있음에 따라, 향후 새로운 가전 기기 개발 시에 도움을 줄 수 있다.

다만, 본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템 개념도
도 2는 본 발명의 일 실시예에 따른 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템 동작 흐름도
도 3은 본 발명의 일 실시예에 따른 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 방법을 도시한 순서도
도 4는 본 발명의 일 실시예에 따른 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 알고리즘을 활용한 의사결정 트리 구조의 예시도

본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.

따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.

그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 설정된 용어들로서 이는 생산자의 의도 또는 관례에 따라 달라질 수 있으므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이고, 본 명세서에서 본 발명에 관련된 공지의 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에 이에 관한 자세한 설명은 생략하기로 한다.

이하, 도면을 참조로 하여 본 발명에 따른 블록체인이 적용된 가상현실 기반 메타버스 산업관광 플랫폼 시스템을 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템 개념도이다.

본 발명에 따른 빅데이터 기반 IoT 가전기기의 고장 예측 시스템은 기본적으로 IoT 가전기기, 기기 데이터 수집 서버, 데이터 전처리 서버, 고장예측 모델링 서버 및 고장예측 분석 서버를 포함하여 구성된다.

도 2는 본 발명의 일 실시예에 따른 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템 동작 흐름도이다.

도 2를 참조로 하면, 기본적으로 본 발명은, 가전 메타 데이터, 기기 사용 로그, 사용자 정보 및 외부 환경 정보 중 적어도 어느 하나 이상의 기기 데이터를 외부로 전송하기 위한 IoT 가전기기, 상기 IoT 가전기기로부터 전송되는 기기 데이터를 수집하여 빅데이터로 관리하기 위한 기기 데이터 수집 서버, 상기 기기 데이터 수집 서버에서 전송되는 기기 데이터를 데이터 정제 작업, 데이터 엔지니어링 및 데이터 변환 중 적어도 어느 하나 이상으로 전처리하기 위한 데이터 전처리 서버, 상기 데이터 전처리 서버에서 전처리된 데이터를 통해 IoT 가전기기의 고장예측 모델을 구성하기 위한 고장예측 모델링 서버 및 상기 고장예측 모델링 서버에서 구성된 고장예측 모델을 이용하여 IoT 가전 기기의 고장 및 잔여수명을 예측하기 위한 고장예측 분석 서버를 포함하여 이루어진다.

보다 구체적으로, 본 발명은 전처리된 기기 데이터를 고장예측 모델링 서버로 전송하여 고장예측 모델을 구성할지 아니면 바로 고장예측 분석 서버로 전송하여 고장예측을 할지에 대한 명령을 데이터 전처리 서버로 전송하는 고장예측 서비스 서버, 상기 기기 데이터 수집 서버에서 수집된 기기 데이터를 저장하는 수집 데이터 저장 장치, 상기 구성된 IoT 가전기기의 고장예측 모델에 대한 데이터를 별도의 저장 장치에 저장하여 관리하기 위한 고장예측 모델 저장 장치를 더 포함하여 이루어질 수도 있다.

또한, 상기 고장예측 분석 서버로부터 IoT 가전기기의 고장 및 잔여수명 예측 정보를 수신하기 위한 사용자 단말기 및 상기 사용자 단말기로부터 해당 IoT 가전기기의 고장 및 잔여수명 예측 정보에 대한 대처 방안 및 매뉴얼을 요청받아 고장예측 분석 서버의 IoT 가전기기의 고장 및 잔여수명 예측 정보를 기반으로 기기 데이터 수집 서버의 기기 데이터를 통해 IoT 가전기기의 상태를 파악하여, IoT 가전기기의 대처 방안 및 매뉴얼을 사용자 단말기로 전송하는 A/S 상담 서버를 더 포함하여 이루어질 수도 있다.

또한, 상기 기기 데이터 수집 서버, 데이터 전처리 서버, 고장예측 모델링 서버, 고장예측 분석 서버, 고장예측 서비스 서버, A/S 상담 서버는 일종의 서버로서, 웹서버, 데이터베이스 서버, 모바일 서버 등의 역할을 하도록 구축될 수 있는데, 예를 들어 처리된 결과를 온라인 네트워크를 통해 웹페이지 상에서 보여주거나 필요한 입력 데이터를 웹페이지를 통해 전송받을 수 있고, 여기서 웹페이지는 단순한 텍스트, 이미지, 사운드, 동영상 등 이외에도 웹 애플리케이션과 같은 특정 작업을 수행하기 위한 소프트웨어를 포함하는 것으로 해석되어야 하며, 또한 데스크탑, 노트북, 스마트폰, 태블릿 PC 등에 설치되는 애플리케이션과 인터페이스를 제공하도록 구축될 수도 있다.

또한, 상기 사용자 단말기는, 온라인 네트워크를 통해 IoT 가전 기기의 고장 및 잔여수명 예측 시스템에 접속하여 IoT 가전 기기 상태 확인, A/S 요청 등과 같은 활동을 수행하도록 통신되고, 이러한 사용자 단말기는 데스크탑, 태블릿, 넷북, PDA(personal digital assistant), PMP(portable multimedia player), 스마트폰, 웨어러블 스마트 기기 등의 다양한 통신 수단을 포함하는 것으로 해석되어야 하며, 웹 기반 또는 별도의 소프트웨어/애플리케이션 등을 통해 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템에서 제공하는 각종 기능을 실행할 수 있다.

또한, 본 발명에서 언급하는 온라인 네트워크라 함은 유선 공중망, 무선 이동 통신망, 또는 휴대 인터넷 등과 통합된 코어 망일 수도 있고, TCP/IP 프로토콜 및 그 상위 계층에 존재하는 여러 서비스, 즉 HTTP(Hyper Text Transfer Protocol), HTTPS(Hyper Text Transfer Protocol Secure), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol) 등을 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미할 수 있으며, 이러한 예에 한정하지 않고 다양한 형태로 데이터를 송수신할 수 있는 데이터 통신망을 포괄적으로 의미하는 것이다.

또한, 상기 IoT 전자기기 일례로, 냉장고, 에어컨, 공기청정기, TV 등과 같이 일상생활에서 전기적으로 구동되면서 작동과 관련된 신호를 유선/무선으로 송수신할 수 있는 모든 것을 포괄적으로 의미하며, 이러한 IoT 전자기기의 가전 메타 데이터(예: 기기 ID, 모델 넘버, 기기 사용 위치 등), 기기 사용 로그(예: 누적 사용시간, 모터 회전수 등), 사용자 정보(예: 사용자 성별, 연령, 거주지 등) 및 외부 환경 정보(예: 기온, 습도, 미세먼지 농도 등) 등 부품의 성능을 감지하기 위한 각종 센서, 측정기가 구비될 수 있으며, 이에 따라 기기 데이터를 통신망을 통해 기기 데이터 수집 서버와 같은 외부에 전송할 수 있게 된다.

또한, 일례로, 상기 기기 데이터 수집 서버는 해당 IoT 전자기기의 수집 가능한 모든 기기 데이터를 수집하고 고장예측 모델링 서버에서 고장예측 모델을 모델링 중 추가적인 외부 기기 데이터가 수집되면 고장예측 모델링에 반영할 수 있도록 확장성 있게 설계가 된다.

또한, 일례로, 상기 데이터 전처리 서버에서 데이터 전처리란 수집된 기기 데이터를 분석 및 처리에 적합한 형식의 데이터로 조작하는 것을 말한다.

또한, 일례로, 데이터 전처리 서버에서 데이터 정제 작업은 원천 기기 데이터의 특성 및 수집 과정에서 생긴 오류 등을 보완하여 빅데이터 분석을 통한 고장 및 잔여수명 예측이 올바르게 이루지게 하여, 기기 데이터 자체에 대한 신뢰도를 높이는 작업에 해당한다.

또한, 일례로, 더욱 상세하게는 원천 기기 데이터의 불일치나 오류의 수정, 서식처럼 기계가 읽을 수 없는 요소의 제거, 행과 열의 제목을 위한 표준 라벨의 사용, 숫자나 날짜 그 외 수량이 적절하게 표현되도록 보장, 존재하지 않는 값의 일종으로 변수(variable)로서 값은 존재하나 그 시점에서 아직 정해져 있지 않은 값을 표시하는 결측값(Missing Value)을 처리, 적합한 파일 포맷으로의 변환, 중복 데이터 처리 및 동일한 의미를 갖는 필드를 처리하는 과정 등을 포함하고 있다.

또한, 일례로, 데이터 전처리 서버에서 데이터 엔지니어링은 원천 기기 데이터를 가공하여 분석 및 예측에 더 도움이 되는 정보를 이끌어 내고, 더욱 상세하게는 기기 데이터의 경향성 및 변화 추이 반영, 주기함수의 결합 변환을 통한 연속적 데이터의 패턴을 분석, 시계열 데이터를 문자열 형태로 변환하여 패턴을 분석하는 과정 등을 포함하고 있다.

또한, 일례로, 데이터 전처리 서버에서 데이터 변환은 기기 데이터를 알고리즘에 활용할 수 있는 형태로 데이터를 변환하고, 더욱 상세하게는 기기 데이터의 노이즈를 제거하는 평활화(Smoothing), 기기 데이터를 더 작은 범위에 들어가게 하기 위해 다듬는 정규화(Normalization), 카테고리 값이나 텍스트 정보를 처리가 쉬운 정수로 변환하는 인코딩인 Label Encoding, 더 나아가 Label Encoding을 통해 정수로 변환된 값을 단 하나의 값만 True이고 나머지는 모두 False 구성하는 인코딩인 One-hot Encoding, 속성의 데이터 값을 다른 범위나 상위 레벨의 개념으로 대체하는 이산화(Discretization) 등을 포함하고 있다.

또한, 일례로, 상기 고장예측 모델링 서버는 데이터 정제 작업을 통한 전처리 데이터를 통해 단일 예측 알고리즘인 의사 결정 트리(Decision Tree)를 기반으로 고장예측 모델을 구성한 다음, 상이한 단일 예측 알고리즘을 병렬로 배치하여, 복수의 단일 예측 알고리즘의 조합 형태인 부스팅 기법을 활용하여, 부스티드 트리(Boosted Tree) 형태로 고장예측 모델을 업데이트한다.

또한, 일례로, 단일 예측 알고리즘 중 불량 단일 예측 알고리즘이 반복되어 발생되는 패턴을 분석하여, 복수의 단일 예측 알고리즘 형태로 고장예측 모델 업데이트 시 불량 단일 예측 알고리즘을 제외할 수도 있다.

또한, 구체적으로, 고장예측 모델의 형태에서 부스팅(Boosting)이란 단순하고 약한 학습기(Weak Learner)를 결합해서 보다 정확하고 강력한 학습기(Strong Learner)를 만드는 방식을 의미하고, 정확도가 낮더라도 일단 모델을 만들고, 드러난 약점(예측 오류)은 두 번째 모델이 보완하고, 이 둘을 합치면 처음보다는 정확한 모델이 만들어지고, 그럼에도 여전히 남아 있는 문제는 다음 모델과의 업데이트를 통한 보완을 계속 더하는 과정을 반복하는 원리다.

또한, 부스팅에서 어떤 학습기 M에 대하여 Y를 예측할 확률이 Y=M(x)+error 라고 하면 여기서 'error'에 대하여 조금 더 상세히 분류할 수 있는 모델 G가 있다면 error=G(x)+error2 로 표현할 수 있고, 여기에 'error2'를 더 세밀하게 분리할 수 있는 모델 H가 있다면(단,error2 > error 3) error2=H(x)+error3 로 표현 할 수 있다. 여기서 Y의 확률을 예측하는 식에 모델 G, H를 적용하면 Y=M(x)+G(x)+H(x)+error3으로 표현이 가능하며, 이는 학습기 M을 단독으로 사용했을 때보다 정확도가 높지만 Y=M(x)+G(x)+H(x)+error3은 M, G, H 각각 성능이 다른데 모두 같은 비중(Weight) 파라미터를 두고 있기 때문에 임의의 x에 대하여 서로 간섭하여 오류를 높이는 결과를 낼 수가 있다.

또한, 일례로, 이를 보완하고자 부스티드 트리(Boosted Tree)는 기본적으로 부스팅이라 불리는 기술을 기반으로 탐욕 알고리즘(Greedy algorithm)을 사용하여 상기 M, G, H를 발견하고 분산처리를 사용하여 빠른 속도로 적합한 비중 파라미터를 찾는 알고리즘이며, 더욱이, 학습기는 회귀분석을 사용하여 정확도 스코어(Accuracy Score)를 측정한 다음 각 순서에 따라 강력한 학습기부터 단순하고 약한 학습기까지 랜덤하게 생성한다.

또한, 일례로, 이렇게 만들어진 학습기를 트리(Tree)라고 하고, 부스티드 트리 (Boosted Tree)를 만들 때 CART(Classification And Regression Trees)라 불리는 모델을 사용하고, 이후 트리 부스팅을 사용하여 각 분류 기간 비중을 최적화한다.

또한, 여기서 CART 모델은 일반적인 의사결정 트리(Decision Tree)와는 조금 다르며, 노드 하나에 대해서만 의사결정 값을 갖는 의사결정 트리와는 달리 CART 모델은 모든 노드들이 최종 결과에 연관되어 있어서 일반적인 의사결정 트리가 분류를 제대로 했는지에 대해서만 초점을 맞추는 반면에 CART 모델은 같은 분류 결과를 갖는 모델 간에도 모델의 우위를 비교할 수 있다.

또한, 부스티드 트리(Boosted Tree)는 여러 개의 서로 다른 특성을 가진 단일 의사결정 트리를 병렬 처리를 이용하여 학습하여, 각각의 단일 의사결정 트리의 결과를 종합하여 예측하고 다양한 파라미터를 활용하여 학습에 활용이 가능하게 한다.

또한, 일례로, 상기 고장예측 분석 서버는 고장예측 모델에 경사 하강법(Gradient Descent) 방식을 이용하여 IoT 가전 기기의 고장 확률을 예측하고, 더 나아가 상기 고장예측 분석 서버에서 예측된 IoT 가전기기의 고장 확률을 통해 IoT 가전기기의 잔여 수명을 예측한다.

또한, 일례로, 예측된 IoT 가전기기의 고장 확률을 통해 IoT 가전기기의 잔여 수명을 예측함에 있어서, 상기 모델링 된 예측 알고리즘을 통해 IoT 가전 기기의 중요 변수(예: 부품 등)을 선정하고, 권장 수명과 사용 기간을 바탕으로 해당 부품 잔여 수명을 예측할 수도 있다.

또한, 일례로, 일반적인 공기 청정기의 잔여 수명을 예측함에 있어서, 공기 청정기의 모터 잔여 수명은, 모터 권장 수명(예: 10년 혹은 3650일) - (사용기간 X 모터 가중치)를 기반으로 도출되고, 공기 청정기의 센서 잔여 수명은, 센서 권장 수명(예: 4년 혹은 1460일) - (사용기간 X 센서 가중치)를 기반으로 도출되고, 공기 청정기의 필터 잔여 수명은, 필터 권장 수명(예: 6개월 혹은 182.5일) - (사용기간 X 필터 가중치)를 기반으로 도출되며, 상기 사용기간은 일 단위가 적용될 수도 있다.

또한, 일례로, 여기서, 가중치는

를 통해 산출될 수도 있으며, 부품사용량이란, 주요 부품(모터, 센서, 배터리)의 각각의 사용량(시간) 단위로서 실시간으로 수집된 로그에 대한 값을 나타내고, 평균부품사용량이란, 적어도 하나 이상의 IoT 가전기기 중 n대에 대한 각각의 부품사용량의 평균사용 시간으로 산출된 값을 나타낼 수도 있다.

또한, 일례로, 부품F-score비중은, 고장예측 분석결과의 Feature Importance(변수 중요도) 값을 바탕으로 고장(수명)에 영향력이 큰 부품에 대해 일정한 가중치를 부여한 값을 나타내는 것이고, Feature Importance 값이 모터(100), 센서(90), 배터리(80) 이면 부품F-score 값에 1, 0.9, 0.8을 대입하여 부품F-score비중에 대한 값이 도출될 수도 있다.

또한, 상기와 같이 도출된 잔여 수명은 적어도 하나 이상의 IoT 전자기기를 특정하는 ID와 대응된 사용시간 및 전자기기를 구성하는 각 부품에 대한 잔여 수명 정보가 도출될 수도 있다.

또한, 구체적으로, 경사 하강법에 대해 살펴보면 경사 하강법은 우선적으로 머신러닝 회귀 분석으로부터 설명되는 방식으로 머신러닝 회귀 분석은 주어진 데이터가 어떤 함수로부터 생성되었는가를 알아보는 '함수 관계'를 추측하는 것으로, 다시 말해서 데이터 세트(x, y)로부터 학습 알고리즘을 이용하여 가설을 생성하고 생성된 가설에 데이터를 입력하여 예측 값 데이터를 얻고, 이러한 가설에 해당하는 식이 어떤 방정식인지, 계수는 어떤 것을 의미하는지 알아가는 과정이라고 할 수 있다.

또한, 머신러닝 회귀 분석에서 방정식의 계수가 선형인 경우 선형 회귀 분석(Linear Regression Analysis)이라 하고, 방정식의 계수가 여러 개이면 다중 선형 회귀 분석(Multiple Linear Regression Analysis)이라 하며, 테스트 데이터는 y=x 그래프에 약간의 오차를 섞어 만든 데이터로 학습을 통해 데이터에 맞는 가중치 값(w)과 편향 값(b)을 찾아 수행한 결과를 나타내어 y = wx + b 과 같은 정의에 따라 결과값과의 오차를 경사 하강법(Gradient Descent)을 통해 알맞은 함수를 찾을 수 있다.

또한, 데이터에 대한 가설을 학습할 때 그려진 선과 각 데이터의 분포의 차이를 계산하여 차이가 가장 적은 것이 이 모델에 적합한 선이라는 것을 알 수 있고, 이를 비용함수(Cost Function)라 하며, 비용함수를 이용하여 실제 세운 가설과 나타내는 값이 얼마나 다른지를 유추해 볼 수 있다.

또한, 구체적으로, 비용함수(오차함수)는 두 개의 매개변수(w, b) 로 구성되어 있으므로 이를 2차원 공간에 표현할 수 있음에 따라, 각 점에서 오차함수의 높이는 직선에 대한 오차이고, 어떤 직선들은 다른 직선들보다 더 작은 오차를 가지게 되며, 가령 텐서 플로우에서 경사 하강법 알고리즘을 수행할 때 이 평면의 한 지점에서 시작하여 더 작은 오차를 갖는 직선을 찾아 이동해 나간다.

또한, 오차함수의 기울기를 계산하기 위하여 오차함수를 미분하는 과정을 거치게 되고, 직선을 찾아가는 과정의 반복이 있을 때마다 움직일 방향을 알아가기 위해 w와 b에 대한 편미분 방정식 계산이 필요하다.

또한, 다중 회귀 분석은 단일 회귀 분석에서 쓰였던 입력 데이터 x가 2개 이상이 되고, 일례로 두 개의 변수(x1, x2)를 갖는 다중 회귀 분석의 경우 y = w1*x1 + x2*x2 + b 와 같이 정의하고 학습을 통해 데이터에 맞는 평면을 찾을 수 있다.

또한, 위와 같은 단일, 다중 선형 회귀 분석을 통하여 어떠한 데이터가 존재하면 그 데이터를 표현하는 함수를 학습할 수 있다는 것을 알 수 있다.

또한, 추가적으로, 경사 하강법은 cost 비용을 최소화하기 위한 최적화 알고리즘으로, 최적화란 여러 가지 허용되는 값들 중에서 주어진 기준을 가장 잘 만족하는 것을 선택하는 것이고, 해당 함수의 최소값 위치를 찾기 위해 비용함수의 기울기 반대 방향으로 정의한 스텝 사이즈(Step Size)를 가지고 조금씩 움직이면서 최적의 파라미터를 찾는 과정이라고 할 수 있으며, 간략하게는 기울기로 함수의 최소값을 찾는 방법이다.

또한, 일례로, 상기 고장예측 분석 서버는 사용자의 연령, 성별, IoT 가전기기 사용 시간대, 거주형태별 IoT 가전기기 가동시간, IoT 가전기기 주요 부품(예: 모터) 회전수 및 온도 추이 중 적어도 어느 하나 이상의 기기 사용 데이터를 통한 IoT 가전기기의 사용 패턴을 구성된 고장예측 모델에 반영하여 IoT 가전 기기의 고장을 예측한다.

또한, 추가적으로, 상기 고장예측 분석 서버는 IoT 가전기기의 발열 및 내부 습도 중 적어도 어느 하나 이상의 기기 환경 데이터를 통한 IoT 가전기기 환경 패턴을 구성된 고장예측 모델에 반영하여 IoT 가전 기기의 고장을 예측한다.

또한, 본 발명은 고장예측 분석 서버로부터 IoT 가전기기의 고장 및 잔여수명 예측 정보를 수신하기 위한 사용자 단말기와 사용자 단말기로부터 해당 IoT 가전기기의 고장 및 잔여수명 예측 정보에 대한 대처 방안 및 매뉴얼을 요청받는 A/S 상담 서버를 포함하는데, 구체적으로, 고장예측 분석 서버의 IoT 가전기기의 고장 및 잔여수명 예측 정보를 기반으로 기기 데이터 수집 서버의 기기 데이터를 통해 IoT 가전기기의 상태를 파악하여, IoT 가전기기의 대처 방안 및 매뉴얼을 사용자 단말기로 전송한다.

또한, 일례로, IoT 가전기기에 대한 이상 상황 정보가 사용자에게 전송되면, 사용자는 IoT 가전기기가 고장이 발생한 상황이나 고장 날 것을 인지하고 있는 상황에서 IoT 가전기기에 대한 소모품을 주문하거나 상기 예측된 고장 및 잔여수명 정보를 기초로 해당 소모품이 자동으로 주문되도록 지원될 수도 있다.

또한, 일례로, IoT 가전기기에 대한 이상 상황 정보가 사용자에게 전송되면, 사용자는 IoT 가전기기가 고장이 발생한 상황이나 고장 날 것을 인지하고 있는 상황에서 별도의 A/S 방문을 취하지 않고도 편리하게 A/S 상담 서버로부터 정확한 IoT 가전기기의 대처 방안 및 매뉴얼을 받을 수 있게 됨에 따라 신속하고 정확하게 IoT 가전기기의 고장에 대응할 수 있게 된다.

또한, 일례로, 기존에는 사용자의 말을 통해 전달되는 현상에만 의지하여 기기에 대한 문제점을 파악했으나, 본 발명인 IoT 가전 기기의 고장 및 잔여수명 예측 시스템에 따른 데이터를 가지고 고장을 예측하여 근본적인 문제에 대한 보다 정확히 판단을 통해 사용자에게 보다 큰 신뢰성을 줄 수 있고, A/S 상담원과 기사의 불필요한 업무량을 줄이고 해당 기기의 보완 사항을 쉽게 찾을 수 있다.

또한, 일례로, 더욱 상세하게, 고장 및 잔여수명 예측 시스템에 따른 A/S 업무의 하나의 예로서 고장이 발생하면 사용자는 사용자 단말기를 통해 고장 상황 설명 및 대처 방안을 문의하고 문의 받은 A/S 상담 서버는 고장/정상 분포도에 따른 최근 센서 상태를 나타내는 센서 데이터, 해당 IoT 전자기기의 고장 원인이 되었던 각 부품별 분석 리포트, 과거 사용자의 상담 내역 및 고장의 원인이 되었던 부품에 관한 A/S 내역 등의 사용자 A/S 히스토리 같은 데이터를 종합적으로 판단하여 사용자에게 정확한 대처 방안 및 매뉴얼을 제공할 수도 있다.

도 3은 본 발명의 일 실시예에 따른 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 방법을 도시한 순서도이다.

도 3을 참조로 하면, 기본적으로 본 발명은 IoT 가전제품이 가전 메타 데이터, 기기 사용 로그 및 사용자 정보, 외부 환경 정보 중 적어도 어느 하나 이상의 기기 데이터를 외부로 전송하는 기기 데이터 전송단계를 시작으로, 기기 데이터 수집 서버가 상기 IoT 가전기기로부터 전송되는 기기 데이터를 수집하는 기기 데이터 수집하고, 데이터 전처리 서버가 상기 기기 데이터 수집 서버에서 전송되는 기기 데이터를 데이터 정제 작업, 데이터 엔지니어링 및 데이터 변환 중 적어도 어느 하나 이상으로 전처리한다.

또한, 이에 따라, 바로 예측할지 아님 학습을 통해 예측을 진행할지 선택되고, 이에 따라 학습을 할 경우, 고장예측 모델링 서버가 상기 데이터 전처리 서버에서 전처리된 데이터를 통해 IoT 가전기기의 고장예측 모델을 구성하고, 고장예측 분석 서버가 상기 고장예측 모델링 서버에서 구성된 고장예측 모델을 이용하여 IoT 가전기기의 고장 및 잔여수명을 예측하며, 일례로, 학습 없이 바로 예측을 할 경우, 고장예측 모델링 서버에 저장된 예측 모델을 기초로 IoT 전자기기를 구성하고 있는 각각의 변수(예: 부품 등)의 가중치를 산정하여 잔여수명에 대한 데이터를 도출할 수도 있다.

도 4는 본 발명의 일 실시예에 따른 빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 알고리즘을 활용한 의사결정 트리 구조의 예시도이다.

도 4를 참조로 하면, 보다 구체적으로 본 발명은 IoT 가전기기 사용 데이터, 사용자 정보, 외부환경 등 다양한 데이터의 특성을 각 트리별로 다르게 학습하여, 여러 트리에 의해 나온 결과를 종합하여 잔여 수명 또는 고장 확률을 예측할 수 있다.

또한, 더욱 상세하게, 예측 알고리즘을 활용한 의사결정 트리 구조의 예시를 살펴보면, 분류에서 중요한 특성에 따라 데이터를 나눈 단일 의사결정 트리를 기반으로 여러 개의 서로 다른 특성을 가진 단일 트리를 학습하고, 각각의 단일 트리의 결과를 종합하여 병렬 처리를 이용한 학습을 통해 다양한 파라미터를 활용 가능하게 하는 복수의 의사결정 트리를 구성하여 경사 하강법을 통해 의사결정을 위한 예측을 할 수 있게 한다.

또한, 복수의 의사결정 트리의 활용의 하나의 예로서 IoT 가전기기 잔여 수명 및 고장 확률을 예측할 때 사용자 정보를 기반의 트리에서 '총 사용시간 100시간 이하'에 해당이 되는 경우 '최근 30일 기온 30℃ 이하'로 하강하고, 해당이 안 되는 경우 '사용 위치 주로 거실'로 하강한다.

또한, 여기서, '사용 위치 주로 거실'에도 해당이 안 되고 '최근 30일 누적 모터 회전수 23만 회 이하'에도 해당이 되지 않으면 IoT 가전기기 잔여 수명은 3년 4개월 남았고, 고장 확률은 49%라는 것을 예측할 수 있다.

또한, 상기 '최근 30일 기온 30℃ 이하'에 해당이 되면 '미세먼지 농도 1000ppm 이상'으로 하강하고, 해당이 안 되면 '사용자 연령 55세 이상'으로 하강한다. 여기서, '사용자 연령 55세 이상'에도 해당이 안 된다면 IoT 가전기기 잔여 수명은 1년 8개월 남았고, 고장 확률은 83%라는 것을 예측할 수 있다. 그리고 상기 '미세먼지 농도 1000ppm 이상'에 해당이 되면 IoT 가전기기 잔여 수명은 2년 3개월 남았고, 고장 확률은 76%라는 것을 예측할 수 있다.

또한, 일례로, 상기와 같이 고장 확률뿐만 아니라, 고장예측 모델링 서버에 저장된 예측 모델을 기초로 IoT 전자기기를 구성하고 있는 각각의 변수(예: 부품 등)의 가중치를 산정하여 잔여수명에 대한 데이터를 도출할 수도 있다.

또한, 상술한 본 발명에 따른 시스템은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있고, 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며, 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 기술분야에서 통상의 지식을 가진 사람에게 공지되어 사용 가능한 것일 수도 있다.

또한, 여기서 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.

또한, 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

또한, 본 발명은 하드웨어, 소프트웨어 또는 하드웨어 및 소프트웨어의 조합의 형태로 실현 가능하다는 것을 알 수 있으며, 이러한 임의의 소프트웨어는 삭제 가능 또는 재기록 가능 여부와 상관없이 휘발성 또는 비휘발성 저장 장치나, RAM, 메모리 칩, 집적 회로와 같은 메모리나, CD, DVD, 자기 디스크, 자기테이프 등과 같은 광학적/자기적으로 기록 가능함과 동시에 기계(예를 들어, 컴퓨터)로 읽을 수 있는 저장 매체에 저장될 수 있다.

따라서, 본 발명은 상술된 방법을 구현하기 위한 코드를 포함하는 프로그램 및 이러한 프로그램을 저장하는 기계로 읽을 수 있는 저장 매체를 포함하며, 이러한 프로그램은 유선 또는 무선 연결을 통해 전달되는 통신 신호와 같은 임의의 매체를 통해 전자적으로 이송될 수 있고, 본 발명은 이와 균등한 것을 적절하게 포함한다.

이상에서 첨부된 도면을 참조하여 본 발명을 설명함에 있어 특정형상 및 방향을 위주로 설명하였으나, 본 발명은 그 발명에 속하는 기술분야에서 통상의 지식을 가진 사람에 의하여 다양한 변형 및 변경이 가능하고, 이러한 변형 및 변경은 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다.

Claims (10)

1. 가전 메타 데이터, 기기 사용 로그, 사용자 정보 및 외부 환경 정보 중 적어도 어느 하나 이상의 기기 데이터를 외부로 전송하기 위한 IoT 가전기기;
   상기 IoT 가전기기로부터 전송되는 기기 데이터를 수집하여 빅데이터로 관리하기 위한 기기 데이터 수집 서버;
   상기 기기 데이터 수집 서버에서 전송되는 기기 데이터를 데이터 정제 작업, 데이터 엔지니어링 및 데이터 변환 중 적어도 어느 하나 이상으로 전처리하기 위한 데이터 전처리 서버;
   상기 데이터 전처리 서버에서 전처리된 데이터를 통해 IoT 가전기기의 고장예측 모델을 구성하기 위한 고장예측 모델링 서버; 및
   상기 고장예측 모델링 서버에서 구성된 고장예측 모델을 이용하여 IoT 가전 기기의 고장 및 잔여수명을 예측하기 위한 고장예측 분석 서버;를 포함하는 것을 특징으로 하는,
   빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템.
   
2. 청구항 1에 있어서,
   상기 고장예측 모델링 서버는,
   전처리된 데이터를 통해 단일 예측 알고리즘인 의사 결정 트리(Decision Tree)를 기반으로 고장예측 모델을 구성한 다음, 상이한 단일 예측 알고리즘을 병렬로 배치하여, 복수의 단일 예측 알고리즘의 조합 형태인 부스팅 기법을 활용하여, 부스티드 트리(Boosted Tree) 형태로 고장예측 모델을 업데이트하는 것을 특징으로 하는,
   빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템.
   
3. 청구항 2에 있어서,
   상기 고장예측 모델링 서버는,
   단일 예측 알고리즘 중 불량 단일 예측 알고리즘이 반복되어 발생되는 패턴을 분석하여, 복수의 단일 예측 알고리즘 형태로 고장예측 모델 업데이트 시 불량 단일 예측 알고리즘을 제외하는 것을 특징으로 하는,
   빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템.
   
4. 청구항 1에 있어서,
   상기 고장예측 분석 서버는,
   구성된 고장예측 모델에 경사 하강법(Gradient Descent) 방식을 이용하여 IoT 가전 기기의 고장 확률을 예측하는 것을 특징으로 하는,
   빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템.
   
5. 청구항 4에 있어서,
   상기 고장예측 분석 서버는,
   예측된 IoT 가전기기의 고장 확률을 통해 IoT 가전기기의 잔여 수명을 예측하는 것을 특징으로 하는,
   빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템.
   
6. 청구항 1에 있어서,
   상기 고장예측 분석 서버는,
   사용자의 연령, 성별, IoT 가전기기 사용 시간대 및 거주형태별 IoT 가전기기 가동시간 중 적어도 어느 하나 이상의 기기 사용 데이터를 통한 IoT 가전기기의 사용 패턴을 구성된 고장예측 모델에 반영하여 IoT 가전 기기의 고장을 예측하는 것을 특징으로 하는,
   빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템.
   
7. 청구항 1에 있어서,
   상기 고장예측 분석 서버는,
   IoT 가전기기의 발열 및 내부 습도 중 적어도 어느 하나 이상의 기기 환경 데이터를 통한 IoT 가전기기 환경 패턴을 구성된 고장예측 모델에 반영하여 IoT 가전 기기의 고장을 예측하는 것을 특징으로 하는,
   빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템.
   
8. 청구항 1에 있어서,
   상기 IoT 가전 기기의 고장 및 잔여수명 예측 시스템은,
   구성된 IoT 가전기기의 고장예측 모델에 대한 데이터를 별도의 저장 장치에 저장하여 관리하기 위한 고장예측 모델 저장 장치를 포함하는 것을 특징으로 하는,
   빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템.
   
9. 청구항 1에 있어서,
   상기 IoT 가전 기기의 고장 및 잔여수명 예측 시스템은,
   상기 고장예측 분석 서버로부터 IoT 가전기기의 고장 및 잔여수명 예측 정보를 수신하기 위한 사용자 단말기; 및
   상기 사용자 단말기로부터 해당 IoT 가전기기의 고장 및 잔여수명 예측 정보에 대한 대처 방안 및 매뉴얼을 요청받는 A/S 상담 서버를 포함하는 것을 특징으로 하는,
   빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템.
   
10. 청구항 9에 있어서,
    상기 A/S 상담 서버는,
    고장예측 분석 서버의 IoT 가전기기의 고장 및 잔여수명 예측 정보를 기반으로 기기 데이터 수집 서버의 기기 데이터를 통해 IoT 가전기기의 상태를 파악하여, IoT 가전기기의 대처 방안 및 매뉴얼을 사용자 단말기로 전송하는 것을 특징으로 하는,
    빅데이터를 활용한 IoT 가전 기기의 고장 및 잔여수명 예측 시스템.
    

Images