KR20230081019A - 이상 탐지 서버, 방법 및 컴퓨터 프로그램 - Google Patents

Abstract

설비의 진동 데이터를 이용하여 설비의 이상을 탐지하는 서버에 있어서, 설비에 설치된 진동 센서로부터 진동 데이터를 수집하는 데이터 수집부; 기설정된 기준 센서의 특성에 기초하여 상기 수집된 진동 데이터의 특성을 조정(Tunning)하는 특성 조정부; 초해상도(Super Resolution, SR) 네트워크 모델을 이용하여 상기 특성이 조정된 진동 데이터의 해상도를 고해상도로 보간하는 해상도 보간부; 및 상기 고해상도로 보간된 진동 데이터에 기초하여 상기 설비의 이상을 탐지하는 이상 탐지부를 포함한다.

Description

이상 탐지 서버, 방법 및 컴퓨터 프로그램{SERVER, METHOD AND COMPUTER PROGRAM FOR DETECTING ABNORMALITY}

본 발명은 이상 탐지 서버, 방법 및 컴퓨터 프로그램에 관한 것이다.

설비 예지 보전 기술은 각각의 설비 상태를 정량적으로 파악하여 설비의 현재 상태나 앞으로 일어날 수 있는 이상 상황을 미리 예상하여 유지하고 보수하는 기술이다.

종래의 예지 보전 기술은 설비의 진동 센서 데이터를 이용하여 설비의 이상 상태를 검출하고 있다. 즉, 종래의 예지 보전 기술을 통해 설비의 진동 센서 데이터를 수집하여 패턴을 분석함으로써 해당 설비의 이상 여부를 판단할 수 있었다.

한편, 설비를 구성하는 각 부품들은 작동 중에 지속적으로 마찰이 발생하고, 장시간 작동한 설비의 부품들은 반복적인 마찰로 인해 마모 또는 변형이 야기된다. 마모 또는 변형이 야기된 부품에 대한 진동 센서 데이터는 정상 상태인 설비의 진동 센서 데이터와 상이한 패턴을 나타낸다. 따라서, 종래의 예지 보전 기술은 설비의 진동 센서 데이터의 패턴에 기초하여 설비의 상태를 모니터링하고 있다.

이 때, 진동 센서 데이터의 해상도가 높을수록 설비에 대한 진동 센서 데이터의 패턴 변화를 효과적으로 감지할 수 있어 종래 기술에서는 진동 센서 데이터의 해상도를 향상시키기 위해 고가의 고해상도 센서를 이용하고 있다.

한국등록특허공보 제2255981호 (2021. 5. 18. 등록)

본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 고가의 고해상도 진동 센서 대신 저가의 저해상도 진동 센서를 이용하더라도 설비의 상태를 효과적으로 모니터링할 수 있는 이상 탐지 서버, 방법 및 컴퓨터 프로그램을 제공하고자 한다.

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

상술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명의 일 실시예는, 설비의 진동 데이터를 이용하여 설비의 이상을 탐지하는 서버에 있어서, 설비에 설치된 진동 센서로부터 진동 데이터를 수집하는 데이터 수집부; 기설정된 기준 센서의 특성에 기초하여 상기 수집된 진동 데이터의 특성을 조정(Tunning)하는 특성 조정부; 초해상도(Super Resolution, SR) 네트워크 모델을 이용하여 상기 특성이 조정된 진동 데이터의 해상도를 고해상도로 보간하는 해상도 보간부; 및 상기 고해상도로 보간된 진동 데이터에 기초하여 상기 설비의 이상을 탐지하는 이상 탐지부를 포함하는, 이상 탐지 서버를 제공할 수 있다.

본 발명의 다른 실시예는, 설비의 진동 데이터를 이용하여 설비의 이상을 탐지하는 방법에 있어서, 설비에 설치된 진동 센서로부터 진동 데이터를 수집하는 단계; 기설정된 기준 센서의 특성에 기초하여 상기 수집된 진동 데이터의 특성을 조정(Tunning)하는 단계; 초해상도(Super Resolution, SR) 네트워크 모델을 이용하여 상기 특성이 조정된 진동 데이터의 해상도를 고해상도로 보간하는 단계; 및 상기 고해상도로 보간된 진동 데이터에 기초하여 상기 설비의 이상을 탐지하는 단계를 포함하는, 이상 탐지 방법을 제공할 수 있다.

본 발명의 또 다른 실시예는, 설비의 진동 데이터를 이용하여 설비의 이상을 탐지하는 명령어들의 시퀀스를 포함하는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램에 있어서, 상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 설비에 설치된 진동 센서로부터 진동 데이터를 수집하고, 기설정된 기준 센서의 특성에 기초하여 상기 수집된 진동 데이터의 특성을 조정(Tunning)하고, 초해상도(Super Resolution, SR) 네트워크 모델을 이용하여 상기 특성이 조정된 진동 데이터의 해상도를 고해상도로 보간하고, 상기 고해상도로 보간된 진동 데이터에 기초하여 상기 설비의 이상을 탐지하도록 하는 명령어들의 시퀀스를 포함하는, 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.

상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.

전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 저해상도의 진동 데이터를 고해상도의 진동 데이터로 보간할 수 있다. 보간된 고해상도의 진동 데이터에 기초하여 설비의 이상 여부를 판단할 수 있다.

따라서, 저가의 저해상도 진동 센서를 이용하여 고가의 고해상도 진동 센서를 이용한 것과 같은 효과를 가질 수 있는 이상 탐지 서버, 방법 및 컴퓨터 프로그램을 제공할 수 있다.

도 1은 본 발명의 일 실시예에 따른 이상 탐지 서버의 구성도이다.
도 2는 종래 기술에 따른 저해상도 영상을 고해상도 영상으로 보간하는 방법을 설명하기 위한 예시적인 도면이다.
도 3은 본 발명의 일 실시예에 따른 센서 특성을 설명하기 위한 예시적인 도면이다.
도 4는 본 발명의 일 실시예에 따른 센서 특성 조정 네트워크 모델을 설명하기 위한 예시적인 도면이다.
도 5는 본 발명의 일 실시예에 따른 초해상도 네트워크 모델을 설명하기 위한 예시적인 도면이다.
도 6은 본 발명의 일 실시예에 따른 진동 데이터의 분포를 설명하기 위한 예시적인 도면이다.
도 7은 본 발명의 일 실시예에 따른 설비의 이상을 탐지하는 방법의 순서도이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.

본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.

이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 이상 탐지 서버의 구성도이다. 도 1을 참조하면, 이상 탐지 서버(100)는 데이터 수집부(110), 특성 조정부(120), 해상도 보간부(130) 및 이상 탐지부(140)를 포함할 수 있다. 다만, 위 구성 요소들(110 내지 140)은 이상 탐지 서버(100)에 의하여 제어될 수 있는 구성요소들을 예시적으로 도시한 것일 뿐이다.

본 발명의 일 실시예에 따른 이상 탐지 서버(100)는 저해상도의 진동 데이터를 고해상도의 진동 데이터로 보간할 수 있다. 이상 탐지 서버(100)는 보간된 고해상도의 진동 데이터에 기초하여 설비의 이상 여부를 판단할 수 있다.

따라서, 이상 탐지 서버(100)는 저가의 저해상도 진동 센서를 이용하여 고가의 고해상도 진동 센서를 이용한 것과 같은 효과를 가질 수 있다. 예를 들어, 이상 탐지 서버(100)는 1kHz 이하의 저해상도 진동 센서로부터 10kHz 이상의 고해상도 진동 센서를 활용한 것과 같은 예지 보전 기술을 제공할 수 있다.

도 2는 종래 기술에 따른 저해상도 영상을 고해상도 영상으로 보간하는 방법을 설명하기 위한 예시적인 도면이다. 종래 기술에 따른 보간 방법은 도 2의 (a)에 도시된 1차원 Nearest-neighbour 방법 및 2차원 Nearest-neighbour 방법, (b)에 도시된 선형 보간법(Linear interpolation) 및 양선형 보간법(Bilinear interpolation), (c)에 도시된 삼차 보간법(Cubic interpolation) 및 쌍삼차 보간법(Bicubic interpolation) 등이 있다.

도 2의 (a)에 도시된 Nearest-neighbour 방법은 보간 지점에서 보간 지점과 거리적으로 가장 가까운 값에 기초하여 보간하는 방법이고, (b)에 도시된 선형 보간법은 보간 지점에서 보간 지점과 인접한 두 지점의 값 및 보간 지점과 인접한 두 지점 각각의 거리 비율에 기초하여 보간하는 방법이고, 양선형 보간법은 보간 지점에서 보간 지점과 인접한 네 개 지점의 값 및 보간 지점과 인접한 네 개 지점 각각의 거리 비율에 기초하여 보간하는 방법이다.

도 2의 (c)에 도시된 삼차 보간법은 3차 함수를 이용하여 보간 지점에서 보간 지점과 인접한 네 개의 지점 및 인접한 네 개의 지점 각각의 거리 비율에 기초하여 보간하는 방법이고, 쌍삼차 보간법은 보간 지점에서 보간 지점과 인접한 16개의 지점 및 인접한 16개의 지점 각각의 거리 비율에 기초하여 보간하는 방법이다.

도 2의 (a)에 도시된 Nearest-neighbour 방법은 (b)에 도시된 선형 보간법 및 양선형 보간법과 (c)에 도시된 삼차 보간법 및 쌍삼차 보간법에 비해 계산량은 덜 복잡하지만 해상도가 낮다. 한편, 도 2의 (c)에 도시된 삼차 보간법 및 쌍삼차 보간법은 상대적으로 해상도가 높고 대중적으로 사용되고 있으나 계산량이 복잡하다.

한편, 도 2의 (d)를 참조하여 종래 보간법에 따른 해상도와 딥러닝 기반의 보간법에 따른 해상도를 비교하면, 딥러닝 기반의 보간법에서 상대적으로 높은 해상도를 확인할 수 있다.

예를 들어, 이미지(210)에서 특정 영역에 대한 해상도를 보간한 경우, 특정 영역의 원본 이미지(211)와 종래 보간법, 일예로, 쌍삼차 보간법의 이미지(212)를 비교하면 종래 보간법의 해상도가 확연히 낮음을 확인할 수 있다.

또한, 종래 보간법의 이미지(212)와 딥러닝 기반 보간법의 이미지(213 내지 216)를 비교하면 딥러닝 기반 보간법의 해상도가 상대적으로 높다는 것을 확인할 수 있다. 예를 들어, 딥러닝 기반 보간법은 SRCNN(Super-Resolution Convolutional Neural Network), FSRCNN(Fast-SRCNN), VDSR(SR using Very Deep CNN) 및 EDSR(Enhanced Deep SR) 네트워크 모델을 이용할 수 있다.

본 발명에 따른 이상 탐지 서버(100)는 종래 보간법에 따른 문제점을 해결하기 위해, 딥러닝 네트워크 모델을 이용하여 저해상도의 시계열 센서 데이터를 고해상도의 시계열 센서 데이터로 보간할 수 있다.

이상 탐지 서버(100)는 딥러닝 모델을 이용하여 저해상도의 진동 데이터를 고해상도의 진동 데이터로 보간함으로써, 종래 보간법에 비해 보다 효과적으로 고해상도의 진동 데이터를 획득할 수 있다.

따라서, 이상 탐지 서버(100)는 종래 시계열 보간법에 따른 계산량 및 해상도의 문제점을 해결할 수 있고, 보다 효과적이고 신속하게 저해상도의 진동 데이터를 고해상도의 진동 데이터로 보간할 수 있다.

이하, 본 발명에 따른 이상 탐지 서버(100)의 각 구성을 살펴보도록 한다.

데이터 수집부(110)는 설비에 설치된 진동 센서로부터 진동 데이터를 수집할 수 있다. 예를 들어, 데이터 수집부(110)는 현장의 설비로부터 저해상도의 진동 데이터를 수집할 수 있다. 데이터 수집부(110)는 설비에 설치된 진동 센서로부터 센서의 특성 정보, 샘플링 레이트(sampling rate) 및 데이터 취득 시간 log 등을 포함한 진동 데이터를 수신하여 저장할 수 있다.

특성 조정부(120)는 기설정된 기준 센서의 특성에 기초하여 수집된 진동 데이터의 특성을 조정(Tunning)할 수 있다. 여기서, 진동 데이터의 특성은 진동 측정 가능 축, 민감도, 진동 측정 가능 주파수 응답 및 레인지(Range) 중 적어도 하나를 포함할 수 있다. 예를 들어, 특성 조정부(120)는 수집된 진동 데이터의 진동 측정 가능 축, 민감도, 진동 측정 가능 주파수 응답 및 레인지(Range) 중 적어도 하나를 기저장된 기존의 진동 데이터와 유사하게 조정할 수 있다.

특성 조정부(120)는 수집된 진동 데이터의 특성 및 기준 센서의 특성을 비교할 수 있다. 특성 조정부(120)는 수집된 진동 데이터의 특성 및 기준 센서의 특성이 상이한 경우, 수집된 진동 데이터의 특성을 조정할 수 있다. 예를 들어, 특성 조정부(120)는 딥러닝 네트워크 모델을 이용하여 수집된 진동 데이터의 특성을 기준 센서의 특성으로 조정할 수 있다.

특성 조정부(120)는 센서 특성 조정(sensor specification tuning) 네트워크 모델을 통해 수집된 진동 데이터의 특성을 조정할 수 있다. 여기서, 센서 특성 조정 네트워크 모델은 1차원 합성곱 오토 인코더(Convolutional Auto Encoder) 기반 모델일 수 있다. 예를 들어, 센서 특성 조정 네트워크 모델은 1차원 합성곱 커널 기반의 인코더(Encoder) 및 디코더(Decoder)로 구성될 수 있다.

특성 조정부(120)는 수집된 진동 데이터를 입력받아 수집된 진동 데이터의 특성을 기준 센서의 특성으로 조정하도록 센서 특성 조정 네트워크 모델을 미리 학습할 수 있다.

예를 들어, 특성 조정부(120)는 배치 정규화(Batch normalization) 및 Leaky ReLU 활성화 함수에 기초하여 센서 특성 조정 네트워크 모델을 학습할 수 있다. 특성 조정부(120)는 센서 특성 조정 네트워크 모델 학습시 하기 수학식 1을 이용하여 입력 데이터의 집합인 미니배치를 정규화할 수 있다.

<수학식 1>

수학식 1을 참조하면, 특성 조정부(120)는 미니배치의 평균 및 분산을 산출하고, 미니배치 입력 데이터를 평균이 '0', 분산이 '1'인 데이터로 변환하여 정규화할 수 있다.

예를 들어, 특성 조정부(120)는 센서 특성 조정 네트워크 모델 학습시 Leaky ReLU 활성화 함수를 이용할 수 있다. Leaky ReLU 활성화 함수는 하기 수학식 2로 표현될 수 있다.

<수학식 2>

수학식 2를 참조하면, 특성 조정부(120)는 기존 ReLU 활성화 함수와는 달리 입력 데이터가 음의 값일 때 '-0.01의 기울기'를 가질 수 있다. 기존 ReLU 활성화 함수는 입력 데이터가 '0' 이상인 경우 입력 데이터를 그대로 출력하고, 입력 데이터가 '0' 이하인 경우 '0'을 출력하는 함수이다.

예를 들어, 특성 조정부(120)는 센서 특성 조정 네트워크 모델 학습시, 하기 수학식 3을 이용할 수 있다.

<수학식 3>

수학식 3을 참조하면, 특성 조정부(120)는 데이터가 각 레이어 통과시 맥스 풀링(Max pooling)을 통해 가장 강건한 특징(feature)을 선택하도록 할 수 있다.

예를 들어, 특성 조정부(120)는 센서 특성 조정 네트워크 모델 학습시 평균 제곱 오차(Mean square error, MSE)를 손실함수로 이용할 수 있다. 특성 조정부(120)는 하기 수학식 4와 같은 손실함수를 이용할 수 있다.

<수학식 4>

수학식 4를 참조하면, 특성 조정부(120)는 평균 제곱 오차를 적용하여 센서 특성 조정 네트워크 모델의 입력값과 출력값 간의 재구성 오차(reconstruction error)를 설정할 수 있다.

예를 들어, 특성 조정부(120)는 센서 특성 조정 네트워크 모델 학습시, Adam 최적화 함수(Adaptive Moment Estimation optimizer)를 적용할 수 있다. 여기서, Adam 최적화 함수는 RMSProp optimizer 및 Momentum optimizer를 조합한 최적화 함수이다.

예를 들어, 특성 조정부(150)는 센서 특성 조정 네트워크 모델 학습시, 하기 수학식 5를 이용하여, 네트워크 파라미터를 초기화(initialization)할 수 있다.

<수학식 5>

수학식 5를 참조하면, 특성 조정부(150)는 ReLU계열 활성화 함수에 적합한 He 초기화(He initialization)를 적용하여 네트워크 파라미터를 초기화할 수 있다. 수학식 5에서, n(in)은 이전 레이어(input)의 노드(node) 수이다.

해상도 보간부(130)는 시계열 데이터에 적합한 초해상도(Super Resolution, SR) 네트워크 모델을 이용하여 특성이 조정된 진동 데이터의 해상도를 고해상도로 보간할 수 있다. 예를 들어, 해상도 보간부(130)는 저가의 진동 센서에서 수집한 저해상도 진동 데이터로부터 고가의 진동 센서와 같은 수준의 고해상도 진동 데이터를 제공할 수 있다.

여기서, 초해상도 네트워크 모델은 순환신경망(Recurrent Neural Network, RNN)계열의 장단기 기억 신경망(Long Short-Term Memory, LSTM)를 포함할 수 있다. 예를 들어, 해상도 보간부(130)는 기존 초해상도 알고리즘에서 장단기 기억 신경망을 적용한 초해상도 네트워크 모델을 이용하여 저해상도의 진동 데이터를 고해상도로 보간할 수 있다.

이상 탐지부(140)는 고해상도로 보간된 진동 데이터에 기초하여 설비의 이상을 탐지할 수 있다. 예를 들어, 이상 탐지부(140)는 고해상도로 보간된 진동 데이터의 패턴이 설비가 정상 상태일 때의 진동 데이터 패턴과 차이가 있는지 여부를 확인할 수 있다.

예를 들어, 이상 탐지부(140)는 고해상도로 보간된 진동 데이터의 패턴과 설비가 정상 상태일 때의 진동 데이터 패턴 간의 차이가 기설정된 임계치 이상인 경우, 설비에 이상이 발생한 것으로 판단할 수 있다.

이상 탐지부(140)는 특성 조정부(120) 및 해상도 보간부(130)을 활용하여 저가의 진동 센서로도 설비의 상태를 정밀하게 모니터링하도록 할 수 있으므로, 설비의 상태를 정확하게 모니터링하기 위한 비용 부담을 효과적으로 절감시킬 수 있다.

도 3은 본 발명의 일 실시예에 따른 센서의 특성을 설명하기 위한 예시적인 도면이다. 도 3의 (a)를 참조하면, 센서의 특성(310)은 제조사(311) 또는 제조사(311)의 각 상품에 따라 진동 측정 가능 축(312), 민감도(313) 및 측정 가능 주파수 응답(314) 중 적어도 하나가 상이할 수 있다.

예를 들어, A 제조사 센서(311a)의 경우, 진동 측정 가능 축(312)은 X, Y의 2축이고, 민감도(313)는 '2~10'이고, 측정 가능 주파수 응답(314)은 '~60Hz'이다. 한편, B 제조사 센서(311b)의 경우, 진동 측정 가능 축(312)은 X, Y, Z의 3축이고, 민감도(313)는 '2~16'이고, 측정 가능 주파수 응답(314)은 '0.5~625Hz'이다.

다른 예를 들어, F 제조사의 센서1(311c)의 경우, 진동 측정 가능 축(312)은 X, Y, Z의 3축이고, 민감도(313)는 '50'이고, 측정 가능 주파수 응답(314)은 '~6kHz'이다. 한편, F 제조사의 센서2(311d)의 경우, 진동 측정 가능 축(312)은 X, 1축이고, 민감도(313)는 '100'이고, 측정 가능 주파수 응답(314)은 '~10kHz'이다.

도 3의 (b)를 참조하면, 이상 탐지 서버(100)는 수집된 진동 데이터(320)의 진동 측정 가능 축, 민감도, 진동 측정 가능 주파수 응답 및 레인지(Range) 중 적어도 하나를 기저장된 기존의 진동 데이터(330)와 유사하게 조정할 수 있다.

예를 들어, 이상 탐지 서버(100)는 수집된 진동 데이터(320)의 특성과 기준 센서의 특성, 기저장된 기존의 진동 데이터(330)의 특성을 비교할 수 있다. 이상 탐지 서버(100)는 수집된 진동 데이터(320)의 특성과 기존의 진동 데이터(330)의 특성이 상이한 경우, 수집된 진동 데이터(320)의 특성을 조정할 수 있다.

예를 들어, 이상 탐지 서버(100)는 민감도가 '100'이고, 측정 가능 주파수 응답이 '~1kHz'이고, 레인지(Dynamic range)가 '±50'인 수집된 진동 데이터(320)의 특성을 민감도가 '80'이고, 측정 가능 주파수 응답이 '~1kHz'이고, 레인지(Dynamic range)가 '±80'인 기존의 진동 데이터(330)의 특성으로 조정할 수 있다.

이와 같이, 이상 탐지 서버(100)는 설비에 설치된 진동 센서를 기존 진동 센서와 상이한 특성을 가진 새로운 진동 센서로 교체한 경우, 새로운 진동 데이터 특성을 기 학습된 진동 데이터의 특성으로 변화시킬 수 있다. 따라서, 이상 탐지 서버(100)는 설비에 설치된 진동 센서의 교체에 따른 진동 데이터의 재학습 시간을 효과적으로 단축시킬 수 있다.

도 4는 본 발명의 일 실시예에 따른 센서 특성 조정 네트워크 모델을 설명하기 위한 예시적인 도면이다. 도 4를 참조하면, 센서 특성 조정 네트워크 모델(400)은 1차원 합성곱 오토 인코더 기반 모델일 수 있다.

예를 들어, 센서 특성 조정 네트워크 모델(400)은 합성곱 커널 기반의 인코더(420) 및 디코더(430)로 구성될 수 있다. 인코더(420) 및 디코더(430)는 각 8개의 레이어로 구성될 수 있다.

예를 들어, 인코더(420)에 입력되는 입력 데이터(410)의 형태는 [Batch size, Time steps, Time step 당 데이터 길이]로 설정될 수 있다. 인코더(420) 네트워크는 인코더(420)의 각 레이어 간 데이터 이동시, 1차원 합성곱 연산, 배치 정규화, Leaky ReLU 활성화 함수 및 맥스 풀링(max pooling)을 포함할 수 있다.

예를 들어, 디코더(430) 네트워크는 기준 프레임에 기초하여 디컨볼루션 커널(Deconvolution kernel)의 크기가 결정될 수 있다. 디코더(430) 네트워크는 1차원 합성곱 연산, 배치 정규화, Leaky ReLU 활성화 함수 및 맥스 풀링(max pooling)을 통해 출력 데이터(440)를 출력할 수 있다.

도 5는 본 발명의 일 실시예에 따른 초해상도 네트워크 모델을 설명하기 위한 예시적인 도면이다. 도 5의 (a)를 참조하면, 이상 탐지 서버(100)는 기존 초해상도 알고리즘에서 합성곱 커널 대신 순차적인 정보를 처리하는 장단기 기억 신경망(Long Short-Term Memory, LSTM)을 적용할 수 있다.

예를 들어, 시계열 데이터는 임의의 부분(segment) 마다 의미를 내포할 수 있으므로, 이상 탐지 서버(100)는 장단기 기억 신경망을 적용한 초해상도 네트워크 모델(500)을 통해 학습을 진행할 수 있다.

예를 들어, 이상 탐지 서버(100)는 저해상도의 진동 데이터(510)를 초해상도 네트워크 모델(500)에 입력하여 장단기 기억 신경망 기반의 레이어(520)를 거쳐 고해상도의 진동 데이터(530)를 획득할 수 있다.

도 5의 (b)를 참조하면, 초해상도 네트워크 모델(500)은 총 3개의 레이어로 구성된 장단기 기억 신경망을 포함할 수 있다. 예를 들어, 초해상도 네트워크 모델(500)에서 제 1 LSTM 레이어(521)의 단위(Cell unit)는 64로, 제 2 LSTM 레이어(522)의 단위는 128로, 제 3 LSTM 레이어(523)의 단위는 256으로 구성될 수 있다.

도 6은 본 발명의 일 실시예에 따른 진동 데이터의 분포를 설명하기 위한 예시적인 도면이다. 도 6에 도시된 바와 같이, 설비의 상태에 따라 설비에 설치된 진동 센서로부터 수집된 진동 데이터의 패턴은 상이할 수 있다.

도 6의 (a)는 설비가 정상 상태일 때 진동 데이터의 패턴일 수 있고, (b)는 설비가 부분 이상 상태일 때 진동 데이터의 패턴일 수 있고, (c)는 설비가 전반적인 이상 상태일 때 진동 데이터의 패턴일 수 있다. 이러한 진동 데이터의 패턴은 진동 데이터의 해상도가 높을수록 설비의 상태를 모니터링하는데 효과적일 수 있다.

예를 들어, 이상 탐지 서버(100)는 고해상도로 보간된 진동 데이터의 패턴을 분석하여 설비가 정상 상태인지, 부분 이상 상태인지 또는 전반적인 이상 상태인지 여부를 판단할 수 있다. 따라서, 이상 탐지 서버(100)는 저가 센서로부터 수집된 저해상도 진동 데이터를 이용하여 고가 센서를 이용한 것과 같이 설비의 상태를 정밀하게 판단할 수 있으므로, 설비의 상태를 모니터링하는데 소요되는 비용을 효과적으로 절감시킬 수 있다.

도 7은 본 발명의 일 실시예에 따른 설비의 이상을 탐지하는 방법의 순서도이다. 도 7에 도시된 이상 탐지 방법은 도 1 내지 도 6에 도시된 실시예에 따라 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 6에 도시된 실시예에 따른 이상 탐지 서버에서 설비의 이상을 탐지하는 방법에도 적용된다.

단계 S710에서 이상 탐지 서버는 설비에 설치된 진동 센서로부터 진동 데이터를 수집할 수 있다.

단계 S720에서 이상 탐지 서버는 기설정된 기준 센서의 특성에 기초하여 수집된 진동 데이터의 특성을 조정할 수 있다.

단계 S730에서 이상 탐지 서버는 초해상도 네트워크 모델을 이용하여 특성이 조정된 진동 데이터의 해상도를 고해상도로 보간할 수 있다.

단계 S740에서 이상 탐지 서버는 고해상도로 보간된 진동 데이터에 기초하여 설비의 이상을 탐지할 수 있다.

상술한 설명에서, 단계 S710 내지 S740는 본 발명의 구현 예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.

도 1 내지 도 7을 통해 설명된 이상 탐지 서버에서 설비의 이상을 탐지하는 방법은 컴퓨터에 의해 실행되는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행 가능한 명령어들을 포함하는 기록 매체의 형태로도 구현될 수 있다. 또한, 도 1 내지 도 7을 통해 설명된 이상 탐지 서버에서 설비의 이상을 탐지하는 방법은 컴퓨터에 의해 실행되는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램의 형태로도 구현될 수 있다.

컴퓨터 판독 가능 기록매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 기록매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 이상 탐지 서버
110: 데이터 수집부
120: 특성 조정부
130: 해상도 보간부
140: 이상 탐지부

Claims (13)

1. 설비의 진동 데이터를 이용하여 설비의 이상을 탐지하는 서버에 있어서,
   설비에 설치된 진동 센서로부터 진동 데이터를 수집하는 데이터 수집부;
   기설정된 기준 센서의 특성에 기초하여 상기 수집된 진동 데이터의 특성을 조정(Tunning)하는 특성 조정부;
   초해상도(Super Resolution, SR) 네트워크 모델을 이용하여 상기 특성이 조정된 진동 데이터의 해상도를 고해상도로 보간하는 해상도 보간부; 및
   상기 고해상도로 보간된 진동 데이터에 기초하여 상기 설비의 이상을 탐지하는 이상 탐지부
   를 포함하는, 이상 탐지 서버.
   
2. 제 1 항에 있어서,
   상기 특성 조정부는,
   센서 특성 조정(sensor specification tuning) 네트워크 모델을 통해 상기 수집된 진동 데이터의 특성을 조정하고,
   상기 센서 특성 조정 네트워크 모델은 ID 합성곱 오토 인코더(Convolutional Auto Encoder) 기반 모델인 것인, 이상 탐지 서버.
   
3. 제 1 항에 있어서,
   상기 초해상도 네트워크 모델은 장단기 기억 신경망(Long Short-Term Memory, LSTM)을 포함하는 딥러닝 모델인 것인, 이상 탐지 서버.
   
4. 제 2 항에 있어서,
   상기 센서 특성 조정 네트워크 모델은 상기 수집된 진동 데이터를 입력받아 상기 수집된 진동 데이터의 특성을 상기 기준 센서의 특성으로 조정하도록 학습된 것인, 이상 탐지 서버.
   
5. 제 1 항에 있어서,
   상기 특성 조정부는 상기 수집된 진동 데이터의 특성 및 상기 기준 센서의 특성을 비교하고, 상기 수집된 진동 데이터의 특성 및 상기 기준 센서의 특성이 상이한 경우, 상기 수집된 진동 데이터의 특성을 조정하는 것인, 이상 탐지 서버.
   
6. 제 1 항에 있어서,
   상기 진동 데이터의 특성은 진동 측정 가능 축, 민감도, 진동 측정 가능 주파수 응답 및 레인지(Range) 중 적어도 하나를 포함하는 것인, 이상 탐지 서버.
   
7. 설비의 진동 데이터를 이용하여 설비의 이상을 탐지하는 방법에 있어서,
   설비에 설치된 진동 센서로부터 진동 데이터를 수집하는 단계;
   기설정된 기준 센서의 특성에 기초하여 상기 수집된 진동 데이터의 특성을 조정(Tunning)하는 단계;
   초해상도(Super Resolution, SR) 네트워크 모델을 이용하여 상기 특성이 조정된 진동 데이터의 해상도를 고해상도로 보간하는 단계; 및
   상기 고해상도로 보간된 진동 데이터에 기초하여 상기 설비의 이상을 탐지하는 단계
   를 포함하는, 이상 탐지 방법.
   
8. 제 7 항에 있어서,
   상기 수집된 진동 데이터의 특성을 조정하는 단계는,
   센서 특성 조정(sensor specification tuning) 네트워크 모델을 통해 상기 수집된 진동 데이터의 특성을 조정하는 단계;
   를 포함하고,
   상기 센서 특성 조정 네트워크 모델은 ID 합성곱 오토 인코더(Convolutional Auto Encoder) 기반 모델인 것인, 이상 탐지 방법.
   
9. 제 7 항에 있어서,
   상기 초해상도 네트워크 모델은 장단기 기억 신경망(Long Short-Term Memory, LSTM)을 포함하는 딥러닝 모델인 것인, 이상 탐지 방법.
   
10. 제 8 항에 있어서,
    상기 수집된 진동 데이터의 특성을 조정하는 단계는,
    상기 수집된 진동 데이터를 입력받아 상기 수집된 진동 데이터의 특성을 상기 기준 센서의 특성으로 조정하도록 상기 센서 특성 조정 네트워크 모델을 학습하는 단계;
    를 더 포함하는 것인, 이상 탐지 방법.
    
11. 제 7 항에 있어서,
    상기 수집된 진동 데이터의 특성을 조정하는 단계는
    상기 수집된 진동 데이터의 특성 및 상기 기준 센서의 특성을 비교하는 단계; 및
    상기 수집된 진동 데이터의 특성 및 상기 기준 센서의 특성이 상이한 경우, 상기 수집된 진동 데이터의 특성을 조정하는 단계;
    를 더 포함하는 것인, 이상 탐지 방법.
    
12. 제 7 항에 있어서,
    상기 진동 데이터의 특성은 진동 측정 가능 축, 민감도, 진동 측정 가능 주파수 응답 및 레인지(Range) 중 적어도 하나를 포함하는 것인, 이상 탐지 방법.
    
13. 설비의 진동 데이터를 이용하여 설비의 이상을 탐지하는 명령어들의 시퀀스를 포함하는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우,
    설비에 설치된 진동 센서로부터 진동 데이터를 수집하고,
    기설정된 기준 센서의 특성에 기초하여 상기 수집된 진동 데이터의 특성을 조정(Tunning)하고,
    초해상도(Super Resolution, SR) 네트워크 모델을 이용하여 상기 특성이 조정된 진동 데이터의 해상도를 고해상도로 보간하고,
    상기 고해상도로 보간된 진동 데이터에 기초하여 상기 설비의 이상을 탐지하도록 하는 명령어들의 시퀀스를 포함하는, 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램.

Images