KR20230077994A - Failure prediction system for manufacturing facilities - Google Patents
Failure prediction system for manufacturing facilities Download PDFInfo
- Publication number
- KR20230077994A KR20230077994A KR1020210165292A KR20210165292A KR20230077994A KR 20230077994 A KR20230077994 A KR 20230077994A KR 1020210165292 A KR1020210165292 A KR 1020210165292A KR 20210165292 A KR20210165292 A KR 20210165292A KR 20230077994 A KR20230077994 A KR 20230077994A
- Authority
- KR
- South Korea
- Prior art keywords
- power
- manufacturing facility
- power consumption
- data
- unit
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 82
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000013480 data collection Methods 0.000 claims abstract description 20
- 230000005856 abnormality Effects 0.000 claims abstract description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 239000002994 raw material Substances 0.000 claims description 11
- 239000012080 ambient air Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 description 20
- 230000005611 electricity Effects 0.000 description 17
- 238000000034 method Methods 0.000 description 17
- 239000000428 dust Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000003570 air Substances 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000012212 insulator Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004397 blinking Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
- G01K7/01—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using semiconducting elements having PN junctions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/02—Measuring effective values, i.e. root-mean-square values
-
- 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
- G05B23/0218—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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
본 발명은 제조 설비의 고장 예측 시스템에 관한 것으로, 제조 설비들 각각에 전력을 공급하는 전력선에 설치되어 실시간 전력 소비량을 검출하는 다수의 전력검출부와, 상기 전력검출부들의 검출신호를 설정된 주기에 따라 수집하는 데이터 수집부와, 상기 데이터 수집부에서 수집된 각 제조 설비별 전력 소비량 데이터를 학습하여, 상기 제조 설비 각각의 이상 여부를 확인하고, 교체 주기를 설정할 수 있다.The present invention relates to a failure prediction system of a manufacturing facility, a plurality of power detection units installed in a power line supplying power to each manufacturing facility and detecting real-time power consumption, and collecting detection signals of the power detection units according to a set cycle. It is possible to learn a data collection unit that collects data and power consumption data for each manufacturing facility collected by the data collection unit, check whether or not each manufacturing facility has an abnormality, and set a replacement cycle.
Description
본 발명은 제조 설비의 고장 예측 시스템에 관한 것으로, 더 상세하게는 전력의 공급에 의해 동작하는 제조 설비의 교체주기 및 고장진단을 수행하는 예측 시스템에 관한 것이다.The present invention relates to a failure prediction system for manufacturing facilities, and more particularly, to a prediction system for performing replacement cycle and failure diagnosis of manufacturing facilities operated by supplying electric power.
특정 제품을 생산하는 공장은 다양한 설비들의 집합체이다. 이러한 설비 중 공정에 필수적으로 사용되며, 이상 발생시 투입된 원자재의 훼손, 설비 고장, 설비 내구도 하락등 다양한 문제가 발생되는 주요 설비들이 있다.A factory that produces a specific product is a collection of various facilities. Among these facilities, there are major facilities that are essential to the process and cause various problems such as damage to input raw materials, equipment failure, and decrease in durability of equipment when an abnormality occurs.
주요 설비는 예를 들어 모터, 펌프, 히터, 조명 등을 포함할 수 있으며, 이러한 주요 설비들에 대해서 다양한 감시 방법들이 제안되었다.Main facilities may include, for example, motors, pumps, heaters, lights, etc., and various monitoring methods have been proposed for these major facilities.
예를 들어 등록특허 10-2066744호(2020년 1월 9일 등록, 영상분석을 이용하여 모터펌프의 고장예방진단이 가능한 원격감시제어 시스템)에는 카메라를 이용하여 영상을 촬영하고, 영상에 기반한 고장 예방 진단을 수행한다. For example, in Registered Patent No. 10-2066744 (registered on January 9, 2020, a remote monitoring and control system capable of preventing and diagnosing motor pump failures using image analysis), an image is taken using a camera, and a failure based on the image perform preventive diagnostics;
그러나 고장을 예측하기 위해 영상을 기반으로 하는 방법은 처리할 데이터가 많고, 영상정보의 처리를 위해서는 고가의 시스템을 사용해야 한다는 비용적 문제점과, 영상정보의 처리과정이 상대적으로 복잡하기 때문에 처리에 소요되는 시간이 상대적으로 많이 소요된다는 시간적 문제점이 있었다.However, the image-based method for predicting failure requires a lot of data to be processed, the cost problem of using an expensive system for image information processing, and the processing process of image information is relatively complicated. There was a time problem that it took a relatively long time to do.
이러한 예 외에, 공개특허 10-2014-0072331호(이상진단 사전감시 방법, 2014년 6월 13일 공개)에는 생산설비의 이상진동을 통해 수리 또는 교체 여부를 판단하는 방법이 기재되어 있다.In addition to these examples, Patent Publication No. 10-2014-0072331 (Preliminary monitoring method for abnormal diagnosis, published on June 13, 2014) describes a method for determining repair or replacement through abnormal vibration of production equipment.
그러나 위의 공개특허는 진동이 발생하지 않는 히터나 조명등의 설비에는 적용할 수 없다는 문제점이 있었다.However, there was a problem that the above published patents could not be applied to equipment such as heaters or lighting in which vibration does not occur.
이처럼 종래에는 설비의 고장 예측에 대하여 다양한 방식이 제안되었으나, 각각의 방식들 마다 개선이 필요한 부분들이 있었다.As such, various methods have been proposed for equipment failure prediction in the prior art, but each method has areas in need of improvement.
상기와 같은 문제점을 감안한 본 발명의 목적은, 전력을 사용하는 모든 설비에 광범위하게 적용할 수 있는 예측 시스템을 제공함에 있다.In view of the above problems, an object of the present invention is to provide a prediction system that can be widely applied to all facilities using electric power.
또한, 본 발명의 다른 목적은, 제조 설비 예지를 위한 데이터를 최소화하여 시스템의 구성을 단순화할 수 있으며, 처리 시간을 단축할 수 있는 예측 시스템을 제공함에 있다.Another object of the present invention is to provide a prediction system capable of simplifying the configuration of the system by minimizing data for forecasting manufacturing facilities and reducing processing time.
아울러 본 발명의 또 다른 목적은, 설비의 확장이나 변경에도 유연하게 적용할 수 있는 예측 시스템을 제공함에 있다.In addition, another object of the present invention is to provide a prediction system that can be flexibly applied to expansion or change of facilities.
상기와 같은 기술적 과제를 해결하기 위한 본 발명 제조 설비의 고장 예측 시스템은, 제조 설비들 각각에 전력을 공급하는 전력선에 설치되어 실시간 전력 소비량을 검출하는 다수의 전력검출부와, 상기 전력검출부들의 검출신호를 설정된 주기에 따라 수집하는 데이터 수집부와, 상기 데이터 수집부에서 수집된 각 제조 설비별 전력 소비량 데이터를 학습하여, 상기 제조 설비 각각의 이상 여부를 확인하고, 교체 주기를 설정할 수 있다.The failure prediction system for manufacturing facilities of the present invention for solving the above technical problem is a plurality of power detection units installed in power lines supplying power to each of the manufacturing facilities and detecting real-time power consumption, and detection signals of the power detection units. A data collection unit that collects according to a set period, and power consumption data for each manufacturing facility collected by the data collection unit can be learned to determine whether each manufacturing facility has an abnormality, and to set a replacement cycle.
본 발명의 실시예에서, 상기 전력검출부는, 상기 제조 설비에 전력을 공급하는 전력선에 흐르는 전류를 검출하는 전류센서와, 상기 전류센서의 검출결과를 디지털 신호로 변환하는 디지털 변환부와, 상기 디지털 변환부에서 변환된 전류값을 이용하여 소비 전력량을 연산하는 제어부와, 연산된 소비 전력량을 송신하는 통신부를 포함할 수 있다.In an embodiment of the present invention, the power detection unit includes a current sensor for detecting a current flowing in a power line for supplying power to the manufacturing facility, a digital conversion unit for converting a detection result of the current sensor into a digital signal, and the digital conversion unit. It may include a control unit that calculates the amount of power consumption by using the current value converted by the conversion unit, and a communication unit that transmits the calculated amount of power consumption.
본 발명의 실시예에서, 상기 전력검출부는, 상기 제어부에서 연산된 소비 전력량을 표시하는 표시부를 더 포함하고, 상기 제어부는 연산된 전력량이 기준 범위를 벗어나는 경우 상기 표시부를 이용하여 알람을 발생시킬 수 있다.In an embodiment of the present invention, the power detection unit may further include a display unit displaying the amount of power consumption calculated by the control unit, and the control unit may generate an alarm using the display unit when the calculated amount of power is out of a reference range. there is.
본 발명의 실시예에서, 상기 제조 설비의 주변 공기 온도를 검출하는 온도 센서와, 상기 제조 설비에서 처리되는 원료의 표면 온도를 검출하는 적외선 온도 센서를 더 포함할 수 있다.In an embodiment of the present invention, a temperature sensor for detecting the ambient air temperature of the manufacturing facility and an infrared temperature sensor for detecting the surface temperature of raw materials processed in the manufacturing facility may be further included.
본 발명의 실시예에서, 상기 온도 센서 및 적외선 온도 센서의 검출 결과는 상기 인공지능 학습 서버에 제공되고, 상기 인공지능 학습 서버는, 상기 소비 전력량, 상기 온도 센서에서 검출된 온도, 상기 적외선 온도 센서에서 검출된 원료의 표면 온도 정보를 입력 데이터세트로 하는 학습을 수행할 수 있다.In an embodiment of the present invention, detection results of the temperature sensor and the infrared temperature sensor are provided to the artificial intelligence learning server, and the artificial intelligence learning server includes the power consumption, the temperature detected by the temperature sensor, and the infrared temperature sensor. It is possible to perform learning using the surface temperature information of the raw material detected in the input data set.
상기 데이터 수집부에서 수집한 각 제조 설비의 소비 전력량 데이터를 저장하고, 허가를 받은 사용자 단말에서 확인 가능하도록 공개하는 데이터 서버를 더 포함할 수 있다.The data server may further include a data server that stores power consumption data of each manufacturing facility collected by the data collection unit and discloses the data so that it can be confirmed by a user terminal that has received permission.
본 발명은, 제조 설비들의 소비전력을 각각 검출하고, 비교, 진단 및 분석을 통해 해당 제조 설비의 이상 여부를 확인하도록 구성하여, 전력을 공급받아 동작하는 모든 제조 설비의 고장 예지에 적용함으로써, 범용성을 향상시킬 수 있는 효과가 있다.The present invention is configured to detect the power consumption of manufacturing facilities, respectively, and check whether the manufacturing facility has an abnormality through comparison, diagnosis, and analysis, and is applied to failure prediction of all manufacturing facilities operated by receiving power, thereby providing versatility. has the effect of improving
또한, 본 발명은 전류 센서를 이용하여 각 제조 설비들의 전력 소비량을 검출하기 때문에 예지 판단에 사용되는 데이터를 최소화할 수 있으며, 따라서 상대적으로 간단한 시스템을 사용할 수 있으며, 예지 판단에 소요되는 시간을 최소화할 수 있는 효과가 있다.In addition, since the present invention detects the power consumption of each manufacturing facility using a current sensor, it is possible to minimize the data used for prediction judgment, and therefore, a relatively simple system can be used and the time required for prediction judgment is minimized. There are effects that can be done.
그리고 본 발명은 제조 설비별로 소비 전력을 검출하여, 제조 설비의 이상 여부를 확인함으로써, 공장 내 제조 설비의 확장이 있는 경우, 추가된 제조 설비의 소비 전력량을 검출하는 전류 센서의 추가를 통해 기존 시스템을 그대로 적용할 수 있어, 유연한 확장성을 가지는 효과가 있다.In addition, the present invention detects the power consumption for each manufacturing facility, checks whether the manufacturing facility is abnormal, and when there is an expansion of the manufacturing facility in the factory, the existing system through the addition of a current sensor that detects the amount of power consumption of the added manufacturing facility. can be applied as it is, and has the effect of having flexible scalability.
도 1은 본 발명의 바람직한 실시예에 따른 제조 설비의 고장 예측 시스템의 구성도이다.
도 2는 본 발명에 적용되는 전력검출부의 예시도이다.
도 3은 전력검출부의 블록 구성도이다.
도 4는 인공지능 학습 서버에서 수행되는 학습 알고리즘의 설명도이다.
도 5 내지 도 7은 각각 본 발명의 분석 방법을 설명하기 위한 그래프이다.
도 8은 본 발명의 다른 실시예에 따른 제조 설비의 고장 예측 시스템 구성도이다.1 is a block diagram of a failure prediction system of a manufacturing facility according to a preferred embodiment of the present invention.
2 is an exemplary view of a power detection unit applied to the present invention.
3 is a block configuration diagram of a power detection unit.
4 is an explanatory diagram of a learning algorithm performed in an artificial intelligence learning server.
5 to 7 are graphs for explaining the analysis method of the present invention, respectively.
8 is a configuration diagram of a failure prediction system of a manufacturing facility according to another embodiment of the present invention.
본 발명의 구성 및 효과를 충분히 이해하기 위하여, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예들을 설명한다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라, 여러가지 형태로 구현될 수 있고 다양한 변경을 가할 수 있다. 단지, 본 실시예에 대한 설명은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위하여 제공되는 것이다. 첨부된 도면에서 구성요소는 설명의 편의를 위하여 그 크기를 실제보다 확대하여 도시한 것이며, 각 구성요소의 비율은 과장되거나 축소될 수 있다.In order to fully understand the configuration and effects of the present invention, preferred embodiments of the present invention will be described with reference to the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, and may be implemented in various forms and various changes may be made. However, the description of the present embodiment is provided to complete the disclosure of the present invention and to completely inform those skilled in the art of the scope of the invention to which the present invention belongs. In the accompanying drawings, the size of the components is enlarged from the actual size for convenience of description, and the ratio of each component may be exaggerated or reduced.
'제1', '제2' 등의 용어는 다양한 구성요소를 설명하는데 사용될 수 있지만, 상기 구성요소는 위 용어에 의해 한정되어서는 안 된다. 위 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 수 있다. 예를 들어, 본 발명의 권리범위를 벗어나지 않으면서 '제1구성요소'는 '제2구성요소'로 명명될 수 있고, 유사하게 '제2구성요소'도 '제1구성요소'로 명명될 수 있다. 또한, 단수의 표현은 문맥상 명백하게 다르게 표현하지 않는 한, 복수의 표현을 포함한다. 본 발명의 실시예에서 사용되는 용어는 다르게 정의되지 않는 한, 해당 기술분야에서 통상의 지식을 가진 자에게 통상적으로 알려진 의미로 해석될 수 있다.Terms such as 'first' and 'second' may be used to describe various elements, but the elements should not be limited by the above terms. The above terms may only be used for the purpose of distinguishing one component from another. For example, without departing from the scope of the present invention, a 'first element' may be named a 'second element', and similarly, a 'second element' may also be named a 'first element'. can Also, singular expressions include plural expressions unless the context clearly indicates otherwise. Terms used in the embodiments of the present invention may be interpreted as meanings commonly known to those skilled in the art unless otherwise defined.
도 1은 본 발명의 바람직한 실시예에 따른 제조 설비의 고장 예측 시스템의 구성도이다.1 is a block diagram of a failure prediction system of a manufacturing facility according to a preferred embodiment of the present invention.
도 1을 참조하며 본 발명은 공장 내의 전원공급장치(2)로부터 제조 설비(1)들 각각에 전력을 공급하는 전력선에 설치되어 실시간 전력 소비량을 검출하는 다수의 전력검출부(10)와, 상기 전력검출부(10)들의 검출신호를 설정된 주기에 따라 수집하는 데이터 수집부(20)와, 상기 데이터 수집부(20)의 데이터를 저장하고, 사용자 단말(도면 미도시)의 요청시 저장된 데이터를 제공하는 데이터 서버(30)와, 상기 데이터 서버(30)에 저장된 데이터를 이용한 학습을 수행하고, 상기 데이터 수집부(20)에서 수집된 데이터를 학습 결과에 따라 확인하여 제조 설비(1)의 이상 여부를 확인하고, 교체 주기를 설정하는 인공지능 학습 서버(40)와, 상기 제조 설비(1)의 주변 공기 온도를 검출하는 온도 센서(50)와, 공정중 원료에서 발산되는 적외선 광량을 검출하여 적외선 온도를 검출하는 적외선 온도 센서(60)를 포함한다.Referring to FIG. 1, the present invention includes a plurality of
이하, 상기와 같이 구성되는 본 발명의 바람직한 실시예에 따른 제조 설비의 고장 예측 시스템의 구성과 작용에 대하여 보다 상세히 설명한다.Hereinafter, the configuration and operation of the failure prediction system of a manufacturing facility according to a preferred embodiment of the present invention configured as described above will be described in more detail.
먼저, 전력검출부(10)는 각 제조 설비(1)들의 전원 입력단 측 전력선에 설치되는 것으로 한다.First, it is assumed that the
도 2는 상기 전력검출부(10)의 예시도이고, 도 3은 전력검출부(10)의 블록 구성도이다.2 is an exemplary diagram of the
도 2와 도 3을 각각 참조하면, 본 발명에 적용되는 전력검출부(10)는 제조 설비(1)에 전력을 공급하는 전력선에 흐르는 전류를 검출하는 전류센서(11)와, 상기 전류센서(11)의 검출결과를 디지털 신호로 변환하는 디지털 변환부(12)와, 상기 디지털 변환부(12)에서 변환된 전류값을 이용하여 소비전력을 연산하는 제어부(13)와, 상기 제어부(13)의 제어에 따라 소비전력량을 표시하는 표시부(14)와, 상기 소비전력량을 송신하는 통신부(15)를 포함할 수 있다.Referring to FIGS. 2 and 3 , the
상기 전력검출부(10)는 사용자 설정을 입력 받기 위한 입력버튼들과, 필요에 따라 타 장치들과 데이터 통신을 통해 제어부(13)의 펌웨어 업그레이드를 위한 USB 포트 등을 더 포함할 수 있다.The
상기 전류센서(11)는 코어를 가지는 CT 센서를 사용할 수 있으며, 이때 제조 설비(1)에 전력을 공급하는 전력선을 단선하지 않고 적용할 수 있는 클램프 방식의 전류센서(11)를 사용하는 것이 바람직하다.The
전류센서(11)는 코어의 자속 변화에 따른 2차 전류를 생성하고, 션트 저항을 출력단으로하여 전압을 출력하는 구성일 수 있다. 이때 전류센서(11)의 검출신호는 아날로그값이며, 아날로그 신호를 디지털 신호로 변환하는 디지털 변환부(12)를 통해 디지털 신호로 변환한다.The
그 다음, 디지털 변환부(12)에서 변환된 전류센서(11)의 검출결과는 제어부(13)에 제공되고, 제어부(13)에서 설정된 기준값과 비교하여 이상 여부를 직접판단할 수 있다.Then, the detection result of the
제어부(13)는 MCU를 사용할 수 있으며, 전류센서(11)의 검출결과를 표시부(14)에 표시할 수 있다.The
제어부(13)는 설정된 소비전력 기준값(범위)에 대한 정보를 가지고 있으며, 디지털 변환부(12)에서 디지털 신호로 변환된 전류센서(11)의 검출신호가 소비전력 기준범위를 벗어나는 경우, 알람을 표시부(14)에 표시할 수 있다. 즉, 오류 발생을 표시하고, 표시부(14)를 점멸 제어하여 시각적 알람을 표시할 수 있다.The
다른 예로서 전력검출부(10)는 청각적 알람을 출력할 수도 있다.As another example, the
제어부(13)는 검출된 전류량을 이용하여 소비 전력량을 산출한다. 즉, 본 발명은 각 제조 설비(1)에 공급되는 전류량을 사용하지 않고, 각 전력검출부(10)에서 해당 제조 설비(1)마다 소비 전력량을 산출한 후, 이를 통신부(15)를 통해 송신하는 방식을 사용한다.The
이와 같은 소비 전력량 산출 결과를 송신하는 방식은 분산 연산을 통해 연산량이 하나의 장치(예를 들어 데이터 서버)에 집중되는 것을 방지하기 위한 것이다.The method of transmitting the result of calculating the amount of power consumption is to prevent the calculation amount from being concentrated in one device (for example, a data server) through distributed calculation.
본 발명은 분산 연산을 통해 데이터 처리에 대한 부하가 하나의 장치에 집중되는 것을 방지하여, 연산처리 속도를 향상시키고, 시스템을 단순화하고, 저가격화 할 수 있다.The present invention prevents the load for data processing from being concentrated on one device through distributed operation, thereby improving the operation processing speed, simplifying the system, and reducing the price.
또한, 제조 설비(1)마다 역률 등에 차이가 있을 7수 있다. 제조 설비(1)들은 전원공급장치(2)에 대하여 병렬로 연결되어 유효전력에 차이가 있을 수 있으며, 따라서 개별 전력검출부(10)의 제어부(13)에 감시하는 제조 설비(1)의 부하 종류에 부합하는 소비 전력량 산식을 제공하여 더 정확한 소비 전력량을 산출할 수 있다.In addition, there may be a difference in power factor or the like for each manufacturing facility 1 . The manufacturing facilities 1 may be connected in parallel to the
이처럼 산출된 소비 전력량은 통신부(15)를 통해 데이터 수집부(20)로 송신된다.The calculated amount of power consumption is transmitted to the
이때 통신부(15)는 RS-485 등의 직렬 데이터 통신을 사용할 수 있으나, 본 발명은 이에 제한되지 않고 무선 통신을 포함하는 알려진 다양한 통신 방식을 사용할 수 있다.At this time, the
통신부(15)를 통해 송신되는 데이터에는 제조 설비(1)를 나타내는 ID를 포함하는 것으로 한다. 이러한 식별정보는 제어부(13)에서 생성하여 통신 데이터와 결합할 수 있다.It is assumed that the data transmitted through the
통신부(15)를 통해 송신되는 데이터는 데이터 수집부(20)를 통해 수집될 수 있다. 데이터 수집부(20)는 다수의 전력검출부(10)에서 검출된 소비 전력량 데이터를 수신하며, 수신시 부하량을 줄이기 위하여 소비 전력량의 검출 주기를 제한할 수 있다.Data transmitted through the
그러나 실시간 검출과 판단을 위하여 1ms 내지 20ms의 간격으로는 각 제조 설비(1)의 소비 전력량을 검출한 전력검출부(10)의 데이터를 수집하는 것이 바람직하다.However, for real-time detection and determination, it is preferable to collect data of the
데이터 수집부(20)는 퍼스널 컴퓨터를 사용할 수 있으며, 하나 또는 둘 이상이 사용될 수 있다.The
상기 데이터 수집부(20)는 수집된 데이터의 노이즈를 제거하는 소프트웨어 필터를 포함할 수 있다. The
상기 데이터 수집부(20)를 통해 수집된 제조 설비(1) 각각의 소비 전력량 정보는 데이터 서버(30)로 송신되어 저장된다. 또한, 데이터 서버(30)에는 상기 온도 센서(50)에서 검출된 온도 정보와, 상기 적외선 온도 센서(60)에서 검출된 원료의 적외선 온도 정보가 저장될 수 있다.The power consumption information of each manufacturing facility 1 collected through the
이처럼 데이터 서버(30)에 저장된 데이터들은 접근 권한이 허용된 별도의 사용자 단말(도면 미도시)을 이용하여 확인할 수 있다.As such, the data stored in the
본 발명은 제조 설비의 고장 예측을 각 제조 설비의 소비 전력량 데이터를 기초로 하기 때문에, 제조 설비들의 실제 소비 전력량 누적 데이터를 얻을 수 있으며, 따라서 공장의 전력 사용관리 목표를 설정하고, 전력 에너지 사용의 효율화를 계획 및 달성할 수 있는 기초를 제공할 수 있다.Since the present invention predicts the failure of manufacturing facilities based on the power consumption data of each manufacturing facility, it is possible to obtain cumulative data on the actual power consumption of manufacturing facilities. It can provide a basis for planning and achieving efficiency.
상기 데이터 수집부(20)를 통해 수집되고, 데이터 서버(30)에 저장된 데이터들은 인공지능 학습 서버(40)의 학습에 사용될 수 있다. 인공지능 학습 서버(40)는 데이터 수집부(20)에서 수집된 데이터를 직접 입력받아 학습할 수 있다.The data collected through the
초기 학습은 학습할 데이터가 충분히 누적된 후 수행된다. 예를 들어 2~3개월분의 데이터가 누적된 후, 누적된 데이터를 이용하여 학습한다.Initial learning is performed after sufficient data to be learned is accumulated. For example, after data for 2 to 3 months is accumulated, learning is performed using the accumulated data.
본 발명에서 인공지능 학습 서버(40)의 학습 알고리즘은 알려진 다양한 인공지능 학습 방법을 사용할 수 있으나, 특히 랜덤 포레스트 알고리즘이 적합하다.In the present invention, the learning algorithm of the artificial
랜덤 포레스트는 알려진 바와 같이 앙상블 머신 러닝 모델이며, 다수의 결정 트리를 형성하고, 새로운 데이터 포인트를 각 트리에 통과시켜, 트리가 분류한 결과 중 공통된 다수의 결과를 최종 분류 결과로 선정하는 방식이다.Random forest, as is known, is an ensemble machine learning model, and is a method of forming a plurality of decision trees, passing new data points through each tree, and selecting a plurality of common results among classification results of the trees as the final classification result.
랜덤 포레스트 알고리즘은 각 데이터가 다시 트리로 구조화되는 점에서 다른 모델에 비하여 학습이 빠르며 데이터 중심의 감독 학습에 적합하다.The random forest algorithm is faster to learn than other models in that each data is structured into a tree again, and is suitable for data-centered supervised learning.
본 발명의 인공지능 학습 서버(40)는 이미 알려진 랜덤 포레스트 모델을 이용하지만, 학습 데이터세트에서 특징을 가진다.The artificial
학습 데이터세트는 전력검출부(10)에서 검출된 각 제조 설비(1)들의 소비 전력량뿐만 아니라 온도 센서(50)와 적외선 온도 센서(60)에서 검출된 공기 온도 및 원료의 적외선 온도 데이터를 포함한다.The learning dataset includes not only the power consumption of each manufacturing facility 1 detected by the
도 4는 인공지능 학습 서버(40)에서 수행되는 학습 알고리즘의 설명도이다.4 is an explanatory diagram of a learning algorithm performed in the artificial
도 4를 참조하면, 본 발명은 학습 데이터세트로 소비 전력량, 공기 온도, 원재료의 표면 온도인 적외선 온도를 사용한다.Referring to FIG. 4 , the present invention uses power consumption, air temperature, and infrared temperature, which is the surface temperature of raw materials, as learning datasets.
이때 적외선 온도는 라벨(LABELS), 전력량과 공기 온도는 특징(FEATURES)이 된다. 랜덤 포레스트 알고리즘은 입력 데이터와 출력 데이터 간의 관계를 발견해야 하며, 알고리즘의 학습에서 정립한 관계는 다시 공정의 현황과 설비의 수명을 예측하는 새로운 입력 데이터에 적용된다.At this time, infrared temperature becomes LABELS, and power amount and air temperature become FEATURES. The random forest algorithm needs to discover the relationship between input data and output data, and the relationship established in the learning of the algorithm is applied to new input data that predicts the current state of the process and the life of the equipment.
특징(FEATURE)은 단순 선형 회귀의 입력값으로 사용되는 변수이며, 라벨은 단순 선형 회귀의 출력 변수로서 사용된다.A feature (FEATURE) is a variable used as an input value of simple linear regression, and a label is used as an output variable of simple linear regression.
즉, 본 발명의 인공지능 학습 서버(40)는 제조 설비(1)의 소비 전력량과 주변 온도 정보를 입력으로 하고, 적외선 온도인 광량을 출력으로 한다.That is, the artificial
실제 공정에서 원재료 용액의 상태 자체가 경화 과정 중 필요한 제조 설비(1)인 히터의 가열에 영향을 미치고, 이는 적외선 온도 센서의 검출값에 영향을 주며, 소비 전력량은 히터의 수명을 측정할 수 있는 지표로 사용되기 때문에 이를 모델링하여 학습한다.In the actual process, the state of the raw material solution itself affects the heating of the heater, which is a necessary manufacturing facility (1) during the curing process, which affects the detection value of the infrared temperature sensor, and the amount of power consumption is a factor that can measure the life of the heater. Since it is used as an indicator, it is modeled and learned.
라벨링된 적외선 온도는 학습모델로 예측된 매개변수를 통해 모니터링 중인 제조 설비(1)의 수명에 대한 정보를 제공해야 하며, 따라서 적외선 온도의 변위 폭은 미리 지정하여 학습에 적용한다.The labeled infrared temperature should provide information about the lifetime of the manufacturing facility 1 being monitored through parameters predicted by the learning model, and therefore, the displacement range of the infrared temperature is specified in advance and applied to learning.
이와 같은 학습을 통해 제조 설비의 수명 기준을 적용하고, 설비 수명을 예측 가능하게 된다.Through this learning, the life standard of the manufacturing facility is applied and the life of the facility can be predicted.
제조 설비(1) 주변의 온도는 현재 환경을 정의하는 기준이 되며, 공기 온도가 다른 환경에서는 새로운 전력량 및 새로운 적외선 온도를 이용하여 다시 학습할 필요가 있다.The temperature around the manufacturing facility 1 becomes a criterion for defining the current environment, and in environments with different air temperatures, it is necessary to learn again using a new amount of power and a new infrared temperature.
도 5는 상기 인공지능 학습 서버(40)의 데이터 분석 예시도이다.5 is an example of data analysis of the artificial
각 제조 설비(1) 마다 정상 작동 범위를 정하고, 정상 작동 범위를 벗어나는 경우 점검이 필요한 것으로 판단할 수 있으며, 정상 범위로부터 설정 범위 이상의 값을 가질 때는 제조 설비(1)인 램프의 교체 시기가 도래한 것으로 판단할 수 있다.A normal operating range is set for each manufacturing facility (1), and if it is out of the normal operating range, it can be determined that an inspection is necessary. can be judged to have been
도 6은 고장 진단 검출의 예를 설명하기 위한 그래프로서, 샘플링 데이터에서 소비 전력량의 최고값을 구하고, 제1설정값 이하에서는 주의 알람을 발생시키고, 샘플링 평균과 제2설정값의 합보다 샘플 값이 더 작은 경우에는 경고 알람을 발생시킬 수 있다.6 is a graph for explaining an example of failure diagnosis detection, obtaining the highest value of power consumption from sampling data, generating a warning alarm below a first set value, and generating a sample value greater than the sum of the sampling average and the second set value. If this is smaller, a warning alarm may be generated.
도 7은 제조 설비(1)인 램프의 수명 점검 분석을 위한 그래프로서, 샘플링한 소비 전력량의 그래프의 정상적인 기울기에 비하여 더 급격한 변화를 가지는 시점에서 램프의 수명 점검을 위한 알람을 발생시킬 수 있다.7 is a graph for analyzing the life check of the lamp, which is the manufacturing facility 1, and an alarm for checking the life of the lamp can be generated at a point in time when the sampled power consumption graph has a more rapid change than the normal slope.
도 8은 본 발명의 다른 실시예에 따른 제조 설비의 고장 예측 시스템의 구성도이다.8 is a configuration diagram of a failure prediction system of a manufacturing facility according to another embodiment of the present invention.
도 8을 참조하면 본 발명은 도 1에 도시하고 설명한 구성의 예에 환경정보 검출부(70)를 더 포함하고, 환경정보 검출부(70)의 검출결과를 상기 인공지능 학습 서버(40)에 제공하여 검출된 환경정보를 반영하여 제조 설비의 고장 예측 결과를 보정할 수 있다.Referring to FIG. 8, the present invention further includes an environmental
상기 환경정보 검출부(70)는 습도 정보 및 먼지의 양 검출 정보일 수 있다.The environmental
습도와 먼지의 양은 정전기 발생과 영향이 있으며, 정전기의 발생은 미세하게 제조 설비의 이상이나 제조물(특히 미세 전자회로)의 수율을 저하시키는 원인이 될 수 있다.The amount of humidity and dust has an effect on the generation of static electricity, and the generation of static electricity can cause abnormalities in manufacturing facilities or decrease the yield of products (especially microelectronic circuits).
정전기는 습도가 낮은 환경 및 먼지의 양이 많은 환경에서 발생하며, 공장내 공조장치 가동 등의 조건에서 쉽게 발생하게 된다.Static electricity is generated in an environment with low humidity and an environment with a large amount of dust, and is easily generated under conditions such as operation of an air conditioner in a factory.
따라서, 본 발명은 습도와 먼지의 양을 검출하고, 그 정보를 인공지능 학습 서버(40)로 제공하고, 인공지능 학습 서버(40)는 습도 및 먼지의 양에 따른 정전기의 발생 확률을 학습하도록 할 수 있다.Therefore, the present invention detects the amount of humidity and dust, provides the information to the artificial
정전기 발생 확률이 높을 수록 공정의 이상이나 설비 이상으로 판단될 가능성이 높기 때문에 이를 고려하여, 제조 설비의 고장 예측 결과를 보정할 수 있다.The higher the probability of occurrence of static electricity, the higher the possibility that it is determined to be a process or facility failure. Therefore, the failure prediction result of the manufacturing facility may be corrected in consideration of this.
구체적으로 환경정보 검출부(70)는 습도를 검출한다. 상대습도가 65% 이상의 환경에서는 대부분의 물질은 정전기의 축적을 방지할 수 있는 충분한 표면 도전율을 가진다.Specifically, the
그러나 상대습도가 30% 이하로 떨어지면 양질의 절연체가 되어 전하의 축적이 증가하게 된다. However, when the relative humidity falls below 30%, it becomes a good insulator and the accumulation of charge increases.
인공지능 학습 서버(40)는 공장내 설비들의 소재에 대한 정보를 포함하는 것으로 한다. 일부 절연체는 공기로부터 수분(습분)을 흡수하지 않으며, 상대습도 65% 이상에서도 표면저항률이 낮아지지 않기 때문에 습도와 무관하게 전하가 축적될 수 있다.The artificial
이러한 절연체의 예로 플라스틱 파이프, 용기 및 필름, 오염되지 않은 폴리머를 예로 들 수 있다.Examples of such insulators include plastic pipes, containers and films, and uncontaminated polymers.
따라서, 인공지능 학습 서버(40)는 제조설비의 구성 중 습도와 무관하게 정전하를 축적하는 소재의 비율, 습도와 무관하게 정전하를 축적하지 않는 소재의 비율, 및 습도에 따라 정전하를 축적하는 소재의 비율의 정보를 포함하고, 각 소재 비율의 제조설비가 특정한 습도에서 전체적으로 정전기력을 발생시키는지를 학습한다.Therefore, the artificial
또한, 인공지능 학습 서버(40)는 제조설비를 구성하는 소재의 비율과 검출된 상대습도에 따라 구한 정전기 발생 예측 결과에 더하여 환경정보 검출부(70)에서 검출된 먼지의 양에 따라 정전기 발생 예측 결과를 가감한다.In addition, the artificial
인공지능 학습 서버(40)는 먼지의 양 판단을 위하여 먼지의 양을 설정된 범위로 분할하고, 각 분할된 범위마다 가감값을 저장한다. The artificial
예를 들어, 일반적인 환경에서의 먼지의 양 기준범위를 기준으로 소정 단위로 먼지의 양이 증가하는 증가범위들을 나누고, 반대로 기준범위를 기준으로 소정 단위로 먼지의 양이 감소하는 감소범위들을 나누어 설정한다.For example, it is set by dividing increasing ranges in which the amount of dust increases in predetermined units based on the standard range of dust amount in a general environment, and dividing decreasing ranges in which the amount of dust decreases in predetermined units based on the standard range. do.
상기 정전기 발생 예측 결과는 확률(%)이며, 환경정보 검출부(70)에서 검출한 먼지의 양이 증가범위 중 하나에 속하면, 해당 증가범위의 가산치(양의 정수)를 정전기 발생 예측 결과에 가산하여 정전기 발생 확률이 보다 높게 예측되도록 조정하는 것으로 한다.The static electricity generation prediction result is a probability (%), and if the amount of dust detected by the environmental
반대로 검출된 먼지의 양이 감소범위 중 하나에 속하면, 해당 감소범위의 감산치(음의 정수)를 정전기 발생 예측 결과에 더하여 정전기 발생 확률이 보다 낮게 예측되도록 조정하는 것으로 한다.Conversely, if the amount of dust detected falls within one of the reduction ranges, the subtraction value (negative integer) of the corresponding reduction range is added to the prediction result of static electricity generation so that the probability of occurrence of static electricity is predicted to be lower.
인공지능 학습 서버(40)는 최종 정전기 발생 확률의 값을 이용하여 앞서 설명한 바와 같이 제조 설비의 고장 예측 결과를 보정할 수 있다.The artificial
정전기 발생 확률을 10% 단위로 분할하고, 각 분할된 정전기 발생 확률 분할값마다 가중치를 설정하여, 정전기 발생 확률이 높을수록 제조 설비의 고장 예측 확률을 더 가중시키는 것으로 할 수 있다.The probability of occurrence of static electricity may be divided in units of 10%, and a weight may be set for each divided value of the probability of occurrence of static electricity, so that the higher the probability of occurrence of static electricity, the higher the probability of predicting a failure of the manufacturing facility.
이처럼 본 발명은 제조 설비의 특징과 무관하게 공통적으로 적용되는 소비 전력량 정보를 이용하여 제조 설비의 고장 예측을 수행할 수 있어, 범용성을 높일 수 있으며, 소비 전력량과 제조 설비에서 사용되는 원료의 표면 온도 정보의 관계를 이용하여 제조 설비의 교체 시기 등을 추정할 수 있다.As such, the present invention can predict failures of manufacturing facilities using commonly applied power consumption information regardless of the characteristics of manufacturing facilities, thereby increasing versatility, and increasing power consumption and surface temperature of raw materials used in manufacturing facilities. Using the relationship of information, it is possible to estimate the replacement time of manufacturing facilities.
또한, 본 발명은 제조 설비의 고장 예측을 각 제조 설비의 소비 전력량 데이터를 기초로 하기 때문에, 제조 설비들의 실제 소비 전력량 누적 데이터를 얻을 수 있으며, 따라서 공장의 전력 사용관리 목표를 설정하고, 전력 에너지 사용의 효율화를 계획 및 달성할 수 있는 기초를 제공할 수 있다.In addition, since the present invention predicts the failure of manufacturing facilities based on the power consumption data of each manufacturing facility, it is possible to obtain the accumulated data of actual power consumption of the manufacturing facilities, and thus set the power consumption management goal of the factory, It can provide a basis for planning and achieving efficiency of use.
이상에서 본 발명에 따른 실시예들이 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 범위의 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 다음의 청구범위에 의해서 정해져야 할 것이다.Embodiments according to the present invention have been described above, but these are merely examples, and those skilled in the art will understand that various modifications and embodiments of equivalent range are possible therefrom. Therefore, the true technical protection scope of the present invention should be defined by the following claims.
10:전력검출부 11:전류센서
12:디지털 변환부 13:제어부
14:표시부 15:통신부
20:데이터 수집부 30:데이터 서버
40:인공지능 학습서버 50:온도 센서
60:적외선 온도 센서 70:환경정보 검출부10: power detection unit 11: current sensor
12: digital conversion unit 13: control unit
14: display unit 15: communication unit
20: data collection unit 30: data server
40: artificial intelligence learning server 50: temperature sensor
60: infrared temperature sensor 70: environmental information detector
Claims (6)
상기 전력검출부들의 검출신호를 설정된 주기에 따라 수집하는 데이터 수집부; 및
상기 데이터 수집부에서 수집된 각 제조 설비별 전력 소비량 데이터를 학습하여, 상기 제조 설비 각각의 이상 여부를 확인하고, 교체 주기를 설정하는 인공지능 학습 서버를 포함하는 제조 설비의 고장 예측 시스템.A plurality of power detection units installed in power lines supplying power to each of the manufacturing facilities to detect power consumption in real time;
a data collection unit that collects detection signals of the power detection units according to a set cycle; and
A failure prediction system for manufacturing facilities including an artificial intelligence learning server that learns the power consumption data for each manufacturing facility collected by the data collection unit, checks whether each manufacturing facility has an abnormality, and sets a replacement cycle.
상기 전력검출부는,
상기 제조 설비에 전력을 공급하는 전력선에 흐르는 전류를 검출하는 전류센서;
상기 전류센서의 검출결과를 디지털 신호로 변환하는 디지털 변환부;
상기 디지털 변환부에서 변환된 전류값을 이용하여 소비 전력량을 연산하는 제어부; 및
연산된 소비 전력량을 송신하는 통신부를 포함하는 제조 설비의 고장 예측 시스템.According to claim 1,
The power detection unit,
a current sensor for detecting a current flowing in a power line supplying power to the manufacturing facility;
a digital conversion unit converting the detection result of the current sensor into a digital signal;
a control unit calculating an amount of power consumption using the current value converted by the digital conversion unit; and
A failure prediction system of a manufacturing facility including a communication unit for transmitting the calculated amount of power consumption.
상기 전력검출부는,
상기 제어부에서 연산된 소비 전력량을 표시하는 표시부를 더 포함하고,
상기 제어부는 연산된 전력량이 기준 범위를 벗어나는 경우 상기 표시부를 이용하여 알람을 발생시키는 제조 설비의 고장 예측 시스템.According to claim 2,
The power detection unit,
Further comprising a display unit for displaying the amount of power consumption calculated by the control unit,
The control unit generates an alarm using the display unit when the calculated power amount is out of a reference range.
상기 제조 설비의 주변 공기 온도를 검출하는 온도 센서; 및
상기 제조 설비에서 처리되는 원료의 표면 온도를 검출하는 적외선 온도 센서를 더 포함하는 제조 설비의 고장 예측 시스템.According to claim 1,
a temperature sensor for detecting the ambient air temperature of the manufacturing facility; and
Failure prediction system of the manufacturing facility further comprising an infrared temperature sensor for detecting the surface temperature of the raw material processed in the manufacturing facility.
상기 온도 센서 및 적외선 온도 센서의 검출 결과는 상기 인공지능 학습 서버에 제공되고,
상기 인공지능 학습 서버는,
상기 소비 전력량, 상기 온도 센서에서 검출된 온도, 상기 적외선 온도 센서에서 검출된 원료의 표면 온도 정보를 입력 데이터세트로 하는 학습을 수행하는 것을 특징으로 하는 제조 설비의 고장 예측 시스템.According to claim 4,
Detection results of the temperature sensor and the infrared temperature sensor are provided to the artificial intelligence learning server,
The artificial intelligence learning server,
The failure prediction system of manufacturing equipment, characterized in that performing learning using the amount of power consumption, the temperature detected by the temperature sensor, and the surface temperature information of the raw material detected by the infrared temperature sensor as an input dataset.
상기 데이터 수집부에서 수집한 각 제조 설비의 소비 전력량 데이터를 저장하고, 허가를 받은 사용자 단말에서 확인 가능하도록 공개하는 데이터 서버를 더 포함하는 제조 설비의 고장 예측 시스템.
According to claim 1,
The failure prediction system of manufacturing facilities further comprising a data server that stores power consumption data of each manufacturing facility collected by the data collection unit and discloses the data so that it can be confirmed by an authorized user terminal.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210165292A KR20230077994A (en) | 2021-11-26 | 2021-11-26 | Failure prediction system for manufacturing facilities |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210165292A KR20230077994A (en) | 2021-11-26 | 2021-11-26 | Failure prediction system for manufacturing facilities |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230077994A true KR20230077994A (en) | 2023-06-02 |
Family
ID=86756083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210165292A KR20230077994A (en) | 2021-11-26 | 2021-11-26 | Failure prediction system for manufacturing facilities |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230077994A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102572628B1 (en) * | 2023-04-03 | 2023-08-31 | 주식회사 이에스피 | Integrated management system for production facilities |
-
2021
- 2021-11-26 KR KR1020210165292A patent/KR20230077994A/en not_active Application Discontinuation
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102572628B1 (en) * | 2023-04-03 | 2023-08-31 | 주식회사 이에스피 | Integrated management system for production facilities |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210241544A1 (en) | Platform for analyzing health of heavy electric machine and analysis method using the same | |
| US8566070B2 (en) | Apparatus abnormality monitoring method and system | |
| JP6301791B2 (en) | Distribution network failure sign diagnosis system and method | |
| JP5520807B2 (en) | Residential electrical equipment maintenance management device and residential electrical equipment maintenance system | |
| CN1862278A (en) | Method and system for predicting remaining life for motors featuring on-line insulation condition monitor | |
| CN109724646A (en) | A kind of power distribution network switchgear cable connector monitoring method, server and system | |
| CN110119128B (en) | Monitoring management system for laboratory electrical equipment | |
| CN110674001B (en) | Server, and temperature alarm method and system based on server | |
| KR101989962B1 (en) | Integrated management server and building management system using the same | |
| WO2019130718A1 (en) | Determination device, photovoltaic power generation system, determination method, and determination program | |
| CN117078017A (en) | Intelligent decision analysis system for monitoring power grid equipment | |
| Quek et al. | IoT load classification and anomaly warning in ELV DC picogrids using hierarchical extended ${k} $-nearest neighbors | |
| CN107121943B (en) | Method and device for obtaining health prediction information of intelligent instrument | |
| KR20230077994A (en) | Failure prediction system for manufacturing facilities | |
| KR102561675B1 (en) | Failure diagnosis and prediction system using condition monitoring of production site operation facilities | |
| US20050254548A1 (en) | Method and apparatus for monitoring a technical installation, especially for carrying out diagnosis | |
| CN116714469A (en) | Charging pile health monitoring method, device, terminal and storage medium | |
| Wagner et al. | An overview of useful data and analyzing techniques for improved multivariate diagnostics and prognostics in condition-based maintenance | |
| CN109342942A (en) | A kind of generator health control method and equipment | |
| US20180087489A1 (en) | Method for windmill farm monitoring | |
| KR102420120B1 (en) | Electronic meter measuring device of abnormal condition monitoring system | |
| CN117288267B (en) | Connection fixing monitoring method and device for realizing cable fixture based on Internet of things | |
| KR102572628B1 (en) | Integrated management system for production facilities | |
| CN117493129B (en) | Operating power monitoring system of computer control equipment | |
| KR20190060332A (en) | Energy management system associated with solar generation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |