KR20230081861A - Method for operating abnormal dataset construction simulation system for production utilitypredictive maintenance ai development - Google Patents

Method for operating abnormal dataset construction simulation system for production utilitypredictive maintenance ai development Download PDF

Info

Publication number
KR20230081861A
KR20230081861A KR1020210168465A KR20210168465A KR20230081861A KR 20230081861 A KR20230081861 A KR 20230081861A KR 1020210168465 A KR1020210168465 A KR 1020210168465A KR 20210168465 A KR20210168465 A KR 20210168465A KR 20230081861 A KR20230081861 A KR 20230081861A
Authority
KR
South Korea
Prior art keywords
data
pressure
sensors
difference value
current voltage
Prior art date
Application number
KR1020210168465A
Other languages
Korean (ko)
Inventor
이상덕
김기덕
박진철
여철호
김도원
이병옥
정지호
차승우
김보민
Original Assignee
(주)로드피아
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 (주)로드피아 filed Critical (주)로드피아
Priority to KR1020210168465A priority Critical patent/KR20230081861A/en
Publication of KR20230081861A publication Critical patent/KR20230081861A/en

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
    • G05B23/0218—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
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

The present invention relates to an operating method for an abnormal data set construction simulation system for production utility predictive maintenance AI development. According to the present invention, the method comprises the steps of: receiving device setting values including load pressure and no-load pressure from the a; receiving sensing data in real time; calculating a difference value of sensing data; training the learning model; and determining whether there are symptoms of compressor failure.

Description

생산 유틸리티 예지보전 AI 개발을 위한 비정상 데이터셋 구축 모사 시스템에 대한 운용 방법{METHOD FOR OPERATING ABNORMAL DATASET CONSTRUCTION SIMULATION SYSTEM FOR PRODUCTION UTILITYPREDICTIVE MAINTENANCE AI DEVELOPMENT}Method for constructing an abnormal data set for production utility predictive maintenance AI development and operation method for simulation system

본 발명은 생산 유틸리티 예지보전 AI 개발을 위한 비정상 데이터셋 구축 모사 시스템에 대한 운용 방법에 관한 것으로, 더욱 상세하게는 모사 시스템에 설치된 복수의 센서로부터 측정된 센싱 데이터를 이용하여 기 학습된 학습모델을 통해 컴프레서의 고장 증상 여부를 판단하여 알람을 제공하는 비정상 데이터셋 구축을 위한 모사스템에 대한 운용 방법에 관한 것이다. The present invention relates to a method for operating an abnormal dataset construction simulation system for production utility predictive maintenance AI development, and more specifically, a pre-learned learning model using sensing data measured from a plurality of sensors installed in the simulation system. It relates to a method for operating a mock system for constructing an abnormal data set that determines whether a compressor has a failure symptom and provides an alarm.

일반적으로, 인공지능 기술은 공공 분야, 의료분야, 금융, 통신, 상거래 산업 등의 분야에서 널리 사용되고 있으며, 산업 전반의 광범위한 변화를 초래할 것으로 전망되고 있다.In general, artificial intelligence technology is widely used in fields such as the public sector, medical sector, finance, telecommunications, and commerce industries, and is expected to bring about wide-ranging changes throughout the industry.

특히, 인공지능 기술은 고신뢰, 고정밀, 실시간성을 요구하는 제조 현장에서 많이 사용되고 있으며, 축적된 데이터 분석/예측을 통해 제조 공정의 최적 운영방안을 제시하여 생산성을 향상시키는 것뿐만 아니라 제품 기획, 설계/엔지니어링, 생산, 조달, 사후 관리 등 제조 전 영역의 다양한 분야에서 활용되고 있다.In particular, artificial intelligence technology is widely used in manufacturing sites that require high reliability, high precision, and real-time performance, and it not only improves productivity by suggesting optimal operation plans for the manufacturing process through accumulated data analysis/prediction, but also product planning and design. / It is used in various fields in all areas of manufacturing, such as engineering, production, procurement, and post-management.

한편, 설비는 생산 혹은 제조 설비, 공장 전체를 총칭하며 주로 생산용 기계나 장치 또는 그 일체를 의미 한다. 설비는 기계, 철강, 화학 등 대부분의 산업분야에서 제품의 생산 및 제조에 중추 역할을 수행하며 관련 기술의 발전과 함께 지속적인 개발이 이루어지고 있다.On the other hand, equipment is a general term for production or manufacturing facilities and the entire factory, and mainly means production machines or devices or all of them. Facilities play a pivotal role in the production and manufacturing of products in most industrial fields, such as machinery, steel, and chemistry, and are continuously developed along with the development of related technologies.

최근에는 공작기계, 로봇, 컴퓨터 등을 이용한 공장자동화를 통해 제품 생산의 제어, 관리, 운용 전반을 자동화 하는 설비가 구현되고 있다. Recently, through factory automation using machine tools, robots, and computers, facilities that automate the overall control, management, and operation of product production have been implemented.

이와 같이 산업 제조 설비들은 다양하고 복잡한 작동부품들로 구성되어 있고, 그러한 작동부품들의 이상을 검출하고 고장을 진단하는 기능은 매우 중요하다. In this way, industrial manufacturing facilities are composed of various and complex operating parts, and the function of detecting abnormalities of such operating parts and diagnosing failures is very important.

만약 제조 설비가 갑작스럽게 중단된다면, 회사에 상당히 큰 경제적 손실을 발생시킬 수 있다. 현장에서는 이러한 문제를 예방하기 위해, 설비 상태를 미리 파악하여 설비에 고장이 발생하기 이전에 예방 수리를 진행한다.If a manufacturing facility is suddenly stopped, it can cause significant economic loss to the company. In order to prevent such problems in the field, the condition of the equipment is grasped in advance and preventive repairs are carried out before the failure of the equipment occurs.

예방 수리에도 불구하고, 제조 공정 중에 문제가 발생된다면, 설비를 중단해야 하며, 이로 인해 생산성 하락, 시간적 손실, 경제적 손실을 피하기 어려운 문제가 있다.In spite of the preventive repair, if a problem occurs during the manufacturing process, the facility must be stopped, resulting in reduced productivity, time loss, and economic loss.

본 발명의 배경이 되는 기술은 대한민국등록특허공보 제10-1748282호 (2017.06.27 공고)에 개시되어 있다.The background technology of the present invention is disclosed in Korean Registered Patent Publication No. 10-1748282 (2017.06.27 announcement).

본 발명이 이루고자 하는 기술적 과제는 모사 시스템에 설치된 복수의 센서로부터 측정된 센싱 데이터를 이용하여 기 학습된 학습모델을 통해 컴프레서의 고장 증상 여부를 판단하여 알람을 제공하는 비정상 데이터셋 구축을 위한 모사스템에 대한 운용 방법을 제공하는 것이다. The technical problem to be achieved by the present invention is a replica system for constructing an abnormal dataset that provides an alarm by determining whether or not there is a failure symptom of a compressor through a pre-learned learning model using sensing data measured from a plurality of sensors installed in a replica system. It is to provide an operating method for .

이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면, 비정상 데이터셋 구축을 위한 모사 시스템에 대한 운용 방법에 있어서, 운용 시스템은 외부로부터 부하 압력 및 무부하 압력을 포함하는 장치 설정 값을 입력받는 단계, 운용 시스템은 상기 모사 시스템에 설치된 복수의 압력 센서, 복수의 온도 센서, 복수의 전류전압 센서 중에서 적어도 하나를 이용하여 측정된 센싱 데이터를 실시간으로 입력받는 단계, 상기 모사 시스템에 설치된 진동 센서로부터 측정된 에어엔드에 대한 진동 수를 실시간으로 입력받는 단계, 상기 복수의 압력 센서, 복수의 온도 센서, 복수의 전류전압 센서 중에서 적어도 한 종류의 센서로부터 측정된 센싱 데이터의 차이 값을 연산하는 단계, 상기 장치 설정 값, 센싱 데이터의 차이 값 및 진동 수를 입력데이터로 설정하고, 컴프레서의 고장 증상을 출력데이터로 설정하여 학습모델을 학습시키는 단계, 실제 제조 과정에서, 외부로부터 부하 압력 및 무부하 압력을 포함하는 장치 설정 값을 입력받고, 제조 설비에 설치된 복수의 압력 센서, 복수의 온도 센서, 복수의 전류전압 센서 중에서 적어도 하나를 이용하여 측정된 센싱 데이터를 획득하며, 진동 센서로부터 측정된 진동 수를 획득하는 단계, 서로 다른 지점에 설치된 상기 복수의 압력 센서, 복수의 온도 센서, 복수의 전류전압 센서 중에서 적어도 하나의 동일한 종류에 해당하는 복수의 센서로부터 측정된 센싱 데이터의 차이 값을 연산하는 단계, 상기 장치 설정 값, 센싱 데이터의 차이 값, 진동 수를 상기 학습모델에 적용하여 컴프레서의 고장 증상 여부를 판단하는 단계, 그리고 상기 고장 증상 여부에 대응하여 알람을 제공하는 단계를 포함한다. According to an embodiment of the present invention for achieving this technical problem, in the operating method for a simulated system for constructing an abnormal dataset, the operating system receives a device setting value including load pressure and no-load pressure from the outside; The operation system receives the sensing data measured in real time using at least one of a plurality of pressure sensors, a plurality of temperature sensors, and a plurality of current voltage sensors installed in the simulation system, the measured data from the vibration sensor installed in the simulation system Receiving the number of vibrations of the airend in real time, calculating a difference between sensing data measured from at least one type of sensor among the plurality of pressure sensors, the plurality of temperature sensors, and the plurality of current/voltage sensors, Setting the device value, the difference between the sensing data and the number of frequencies as input data, and setting the compressor failure symptom as output data to learn the learning model. A device including load pressure and no-load pressure from the outside in the actual manufacturing process. Receiving a set value, obtaining sensing data measured using at least one of a plurality of pressure sensors, a plurality of temperature sensors, and a plurality of current voltage sensors installed in a manufacturing facility, and acquiring a measured number of vibrations from a vibration sensor. Calculating a difference value of sensing data measured from a plurality of sensors corresponding to at least one of the same type among the plurality of pressure sensors, the plurality of temperature sensors, and the plurality of current voltage sensors installed at different points, the device setting The method includes determining whether a compressor has a failure symptom by applying a value, a difference value of sensed data, and a frequency to the learning model, and providing an alarm in response to the failure symptom.

상기 센싱 데이터 및 진동 수에 대하여 노이즈 및 중복된 데이터를 필터링하는 단계를 더 포함할 수 있다. The method may further include filtering noise and redundant data with respect to the sensing data and the frequency.

상기 고장 증상은, 동작 오류 문제, 부하율 감소 문제, 인입부 또는 토출부 에어 누출 문제, 에어필터 흡입 이상, 스크류 부품 파손, 온도 센서 이상, 습도 이상, 오일 에멀전화 문제 중에서 적어도 하나를 포함할 수 있다. The failure symptom may include at least one of an operation error problem, a load factor reduction problem, an air leakage problem at an inlet or discharge unit, an air filter suction problem, a screw part damage, a temperature sensor problem, a humidity problem, and an oil emulsification problem. .

상기 센싱 데이터는, 압력 데이터, 온도 데이터, 전류전압 데이터 중에서 적어도 하나를 포함할 수 있다. The sensing data may include at least one of pressure data, temperature data, and current voltage data.

상기 학습모델을 학습시키는 단계는, 상기 센싱 데이터의 차이 값이 기준 범위를 벗어나거나, 상기 진동 수가 허용 진동 수 범위를 벗어나는 경우, 상기 학습모델을 통해 컴프레서의 고장 증상을 출력할 수 있다. In the step of learning the learning model, if the difference value of the sensing data is out of a reference range or the frequency is out of an allowable frequency range, a malfunction symptom of the compressor may be output through the learning model.

상기 센싱 데이터를 실시간으로 입력받는 단계는, 쿨러로 들어가는 에어 라인 및 흡입 필터에 설치된 압력센서를 이용하여 센싱된 압력 데이터를 입력받는 단계, 에어 또는 오일 토출 라인, 쿨러로부터 나오는 오일 라인에 설치된 온도 센서를 이용하여 센싱된 온도 데이터를 입력받는 단계, 그리고 메인 모터 및 팬 모터에 설치된 전류전압 센서를 이용하여 센싱된 전류전압 데이터를 입력받는 단계를 포함할 수 있다. The step of receiving the sensing data in real time is the step of receiving the sensed pressure data using a pressure sensor installed in the air line entering the cooler and the intake filter, and the temperature sensor installed in the air or oil discharge line and the oil line coming out of the cooler. The method may include receiving temperature data sensed using , and receiving current voltage data sensed using current voltage sensors installed in the main motor and the fan motor.

상기 센싱 데이터의 차이 값을 연산하는 단계는, 상기 흡입 필터에서 측정된 압력 데이터와 상기 에어 라인에서 측정된 압력 데이터의 차이 값을 연산하는 단계, 상기 에어 또는 오일 토출 라인에서 측정된 온도 데이터와 상기 오일 라인에서 측정된 온도 데이터의 차이 값을 연산하는 단계, 그리고 상기 메인 모터에 설치된 전류전압 데이터와 팬 모터에서 측정된 전류전압 데이터의 차이 값을 연산할 수 있다. Calculating a difference between the sensing data may include calculating a difference between pressure data measured in the suction filter and pressure data measured in the air line, temperature data measured in the air or oil discharge line, and the temperature data measured in the air or oil discharge line. Calculating a difference value between temperature data measured in the oil line, and calculating a difference value between current voltage data installed in the main motor and current voltage data measured in the fan motor.

이와 같이 본 발명에 따르면, 모사 시스템을 통해 측정된 센싱 데이터를 이용하여 고장 증상 여부를 판단함으로써, 제조 과정 중에 발생되는 문제들을 미리 파악하여 즉시 해결할 수 있다. As described above, according to the present invention, by using the sensing data measured through the simulation system to determine whether or not there is a failure symptom, it is possible to identify problems occurring during the manufacturing process in advance and solve them immediately.

도 1은 본 발명의 실시예에 따른 비정상 데이터셋 구축을 위한 모사 시스템에 대한 운용 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 학습모델을 학습시키는 과정을 설명하기 위한 순서도이다.
도 3은 모사 시스템에 대하여 설명하기 위한 도면이다.
도 4는 도 2의 S210 단계를 설명하기 위한 예시도이다.
도 5는 본 발명의 실시예에 따른 비정상 데이터셋 구축을 위한 모사 시스템에 대한 운용 방법을 설명하기 위한 순서도이다. 1 is a diagram for explaining an operating system for a simulation system for constructing an abnormal dataset according to an embodiment of the present invention.
2 is a flowchart illustrating a process of learning a learning model according to an embodiment of the present invention.
3 is a diagram for explaining the simulation system.
4 is an exemplary view for explaining step S210 of FIG. 2 .
5 is a flowchart for explaining a method of operating a simulated system for constructing an abnormal dataset according to an embodiment of the present invention.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 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.Hereinafter, embodiments of the present invention will be described in detail so that those skilled in the art can easily practice with reference to the accompanying drawings. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. In addition, in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

명세서 전체에서, 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 의미한다.Throughout the specification, when a certain component is said to "include", it means that it may further include other components without excluding other components unless otherwise stated.

그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.Then, with reference to the accompanying drawings, an embodiment of the present invention will be described in detail so that those skilled in the art can easily practice it.

이하에서는 도 1을 이용하여 본 발명의 실시예에 따른 비정상 데이터셋 구축을 위한 모사 시스템에 대한 운용 시스템에 대하여 설명한다.Hereinafter, an operating system for a mock system for constructing an abnormal dataset according to an embodiment of the present invention will be described using FIG. 1 .

도 1은 본 발명의 실시예에 따른 비정상 데이터셋 구축을 위한 모사 시스템에 대한 운용 시스템을 설명하기 위한 도면이다.1 is a diagram for explaining an operating system for a simulation system for constructing an abnormal dataset according to an embodiment of the present invention.

도 1에서 도시한 바와 같이, 본 발명의 실시예에 따른 비정상 데이터셋 구축을 위한 모사 시스템에 대한 운용 시스템(100)은 모사 시스템(200)과 네트워크 연결된다.As shown in FIG. 1, the operating system 100 for the parent system for constructing an abnormal dataset according to an embodiment of the present invention is network-connected to the parent system 200.

먼저, 운용 시스템(100)은 외부로부터 장치 설정 값과 모사 시스템(200)에 설치된 복수의 센서를 통해 센싱 데이터와 진동 센서로부터 측정된 진동 수를 실시간으로 입력받고, 한 종류의 센서로부터 측정된 센싱 데이터의 차이 값을 연산하여, 장치 설정 값, 센싱 데이터의 차이 값 및 진동 수를 기 학습된 학습모델에 적용하여 컴프레서의 고장 증상을 예측한다. First, the operating system 100 receives sensing data and the number of vibrations measured from the vibration sensor in real time through a plurality of sensors installed in the device setting value and the simulation system 200 from the outside, and receives the measured sensing data from one type of sensor. The difference value of the data is calculated, and the failure symptom of the compressor is predicted by applying the device setting value, the difference value of the sensing data, and the frequency to the pre-learned learning model.

그리고, 모사 시스템(200)은 복수의 압력 센서(210), 복수의 온도 센서(220), 복수의 전류전압 센서(230) 및 진동 센서(240)를 포함한다.In addition, the simulation system 200 includes a plurality of pressure sensors 210, a plurality of temperature sensors 220, a plurality of current voltage sensors 230, and a vibration sensor 240.

이때, 복수의 압력 센서(210)는 압력 데이터를 센싱할 수 있는 기기로 구현되며, 쿨러로 들어가는 에어 라인 및 흡입 필터에 설치된다.At this time, the plurality of pressure sensors 210 are implemented as devices capable of sensing pressure data, and are installed in an air line entering the cooler and an intake filter.

그리고, 복수의 온도 센서(220)는 온도 데이터를 측정할 수 있는 기기로 구현되며, 에어 또는 오일 토출 라인, 쿨러로부터 나오는 오일 라인에 설치된다.In addition, the plurality of temperature sensors 220 are implemented as devices capable of measuring temperature data, and are installed in an air or oil discharge line or an oil line coming out of a cooler.

또한, 전류전압 센서(230)는 시간에 따른 전류 및 전압을 측정할 수 있는 기기로 구현되며, 메인 모터 및 팬 모터에 설치된다.In addition, the current voltage sensor 230 is implemented as a device capable of measuring current and voltage according to time, and is installed in the main motor and fan motor.

그리고, 진동 센서(240)는 진동 수를 센싱할 수 있는 기기로 구현되며, 모사 시스템(200) 내의 에어엔드에 설치된다.And, the vibration sensor 240 is implemented as a device capable of sensing the number of vibrations, and is installed in the airend in the simulation system 200.

즉, 모사 시스템(200)는 서로 다른 지점에 각각 설치된 복수의 압력 센서(210), 복수의 온도 센서(220), 복수의 전류전압 센서(230)를 이용하여 압력 데이터, 온도 데이터, 전류전압 데이터를 측정하고, 진동 센서(240)를 이용하여 진동 수를 측정한다. That is, the simulated system 200 uses a plurality of pressure sensors 210, a plurality of temperature sensors 220, and a plurality of current voltage sensors 230 respectively installed at different points to obtain pressure data, temperature data, and current voltage data. is measured, and the number of vibrations is measured using the vibration sensor 240.

이하에서는 도 2 내지 도 4를 이용하여 본 발명의 실시예에 따른 학습모델을 학습시키는 과정에 대하여 설명한다. Hereinafter, a process of learning a learning model according to an embodiment of the present invention will be described using FIGS. 2 to 4 .

도 2는 본 발명의 실시예에 따른 학습모델을 학습시키는 과정을 설명하기 위한 순서도이고, 도 3은 모사 시스템에 대하여 설명하기 위한 도면이다. 2 is a flowchart for explaining a process of learning a learning model according to an embodiment of the present invention, and FIG. 3 is a diagram for explaining a simulation system.

먼저, 본 발명의 실시예에 따른 운용 시스템(100)은 외부로부터 부하 압력 및 무부하 압력을 포함하는 장치 설정 값을 입력받는다(S210).First, the operation system 100 according to an embodiment of the present invention receives input of device setting values including load pressure and no-load pressure from the outside (S210).

이때, 외부는 운용 시스템(100)과 연결된 컨트롤 박스를 의미할 수 있다.At this time, the outside may mean a control box connected to the operating system 100 .

도 4는 도 2의 S210 단계를 설명하기 위한 예시도이다.4 is an exemplary view for explaining step S210 of FIG. 2 .

도 2에서 도시한 바와 같이, 운용 시스템(100)은 외부로부터 부하 압력을 60Bar, 무부하 압력을 7.0Bar, 자동 정지시간을 10Min으로 입력받을 수 있다. As shown in FIG. 2 , the operating system 100 may receive a load pressure of 60 Bar, a no-load pressure of 7.0 Bar, and an automatic stop time of 10 Min from the outside.

그리고, 본 발명의 실시예에 따른 운용 시스템(100)은 모사 시스템(200)에 설치된 복수의 압력 센서(210), 복수의 온도 센서(220), 복수의 전류전압 센서(230) 중에서 적어도 하나를 이용하여 측정된 센싱 데이터를 실시간으로 입력받는다(S220).In addition, the operating system 100 according to an embodiment of the present invention uses at least one of a plurality of pressure sensors 210, a plurality of temperature sensors 220, and a plurality of current voltage sensors 230 installed in the simulation system 200. Sensing data measured by using the sensor is received in real time (S220).

이때, 센싱 데이터는 압력 데이터, 온도 데이터, 전류전압 데이터 중에서 적어도 하나를 포함한다.At this time, the sensing data includes at least one of pressure data, temperature data, and current voltage data.

더욱 자세하게는, 도 3에서 도시한 바와 같이, 운용 시스템(100)은 쿨러로 들어가는 에어 라인(도 3의 'A') 및 흡입 필터(도 3의 'B')에 설치된 압력센서(210)를 이용하여 센싱된 압력 데이터를 입력받는다.More specifically, as shown in FIG. 3, the operating system 100 uses the pressure sensor 210 installed in the air line ('A' in FIG. 3) and the intake filter ('B' in FIG. 3) entering the cooler. receive the sensed pressure data using

그리고, 운용 시스템(100)은 에어 또는 오일 토출 라인(도 3의 'C'), 쿨러로부터 나오는 오일 라인(도 3의 'D')에 설치된 온도 센서를 이용하여 센싱된 온도 데이터(220)를 입력받는다. In addition, the operating system 100 transmits the temperature data 220 sensed using a temperature sensor installed in an air or oil discharge line ('C' in FIG. 3) and an oil line coming out of the cooler ('D' in FIG. 3). receive input

또한, 운용 시스템(100)은 메인 모터(도 3의 'E') 및 팬 모터(도 3의 'F')에 설치된 전류전압 센서(230)를 이용하여 센싱된 전류전압 데이터를 입력받는다.In addition, the operating system 100 receives current voltage data sensed using the current voltage sensors 230 installed in the main motor ('E' in FIG. 3) and the fan motor ('F' in FIG. 3).

그 다음, 본 발명의 실시예에 따른 운용 시스템(100)은 모사 시스템(200)에 설치된 진동 센서(240)로부터 측정된 진동 수를 실시간으로 입력받는다.Then, the operation system 100 according to an embodiment of the present invention receives the measured number of vibrations from the vibration sensor 240 installed in the simulation system 200 in real time.

도 3에서 도시한 바와 같이, 운용 시스템(100)은 모사 시스템(200) 내의 에어엔드(도 3의 'G')에 설치된 진동 센서(240)를 통해 에어엔드에 대한 진동 수를 실시간으로 입력받는다.As shown in FIG. 3 , the operating system 100 receives the number of vibrations of the airend in real time through the vibration sensor 240 installed in the airend ('G' in FIG. 3 ) in the simulation system 200 .

다음으로, 본 발명의 실시예에 따른 운용 시스템(100)은 센싱 데이터 및 진동 수에 대하여 노이즈 및 중복된 데이터를 필터링한다(S230).Next, the operating system 100 according to an embodiment of the present invention filters noise and redundant data with respect to the sensing data and frequency (S230).

이때, 운용 시스템(100)은 실시간으로 수신된 현재 시점에서의 센싱 데이터 및 진동 수가 이전 시점에서의 센싱 데이터 및 진동 수와 동일한 경우에 현재 시점의 센싱 데이터 및 진동 수를 다음 단계로 전송하지 않는다.At this time, the operating system 100 does not transmit the sensing data and the number of vibrations at the current time to the next step when the sensing data and the number of vibrations received in real time are the same as the sensing data and the number of vibrations at the previous time.

그리고, 운용 시스템(100)은 실시간으로 수신된 현재 시점에서의 센싱 데이터 및 진동 수가 이전 시점에서의 센싱 데이터 및 진동 수와 상이한 경우에만 현재 시점에서의 센싱 데이터 및 진동 수를 다음 단계로 전송한다. Then, the operating system 100 transmits the sensing data and the number of vibrations at the current time to the next step only when the sensing data and the number of vibrations at the current time received in real time are different from the sensing data and the number of vibrations at the previous time.

다음으로, 본 발명의 실시예에 따른 운용 시스템(100)은 복수의 압력 센서(210), 복수의 온도 센서(220), 복수의 전류전압 센서(230) 중에서 적어도 한 종류의 센서로부터 측정된 센싱 데이터의 차이 값을 연산한다(S240). Next, the operating system 100 according to an embodiment of the present invention is a plurality of pressure sensors 210, a plurality of temperature sensors 220, a plurality of current voltage sensors 230, the sensing measured by at least one type of sensor A difference value of data is calculated (S240).

더욱 자세하게는, 도 3에서 도시한 바와 같이, 운용 시스템(100)은 흡입 필터에서 측정된 압력 데이터(P1)와 쿨러로 들어가는 에어 라인에서 측정된 압력 데이터(P2)의 차이 값을 연산한다.More specifically, as shown in FIG. 3 , the operating system 100 calculates a difference between pressure data P1 measured in the intake filter and pressure data P2 measured in the air line entering the cooler.

그리고, 운용 시스템(100)은 에어 또는 오일 토출 라인에서 측정된 온도 데이터(T1)와 오일 라인에서 측정된 온도 데이터(T2)의 차이 값을 연산한다.Then, the operating system 100 calculates a difference between the temperature data T1 measured in the air or oil discharge line and the temperature data T2 measured in the oil line.

또한, 운용 시스템(100)은 메인 모터에 설치된 전류전압 데이터(IV1)과 팬 모터에서 측정된 전류전압 데이터(IV2)의 차이 값을 연산한다.In addition, the operating system 100 calculates a difference between current voltage data IV1 installed in the main motor and current voltage data IV2 measured in the fan motor.

그 다음으로, 본 발명의 실시예에 따른 운용 시스템(100)은 장치 설정 값, 센싱 데이터의 차이 값 및 진동 수를 입력데이터로 설정하고, 컴프레서의 고장 증상을 출력데이터로 설정하여 학습모델을 학습시킨다(S250).Next, the operating system 100 according to an embodiment of the present invention sets the device setting value, the difference value and frequency of the sensing data as input data, and sets the compressor failure symptom as output data to learn the learning model. It does (S250).

이때, 컴프레서의 고장 증상은 동작 오류 문제, 부하율 감소 문제, 인입부 또는 토출부 에어 누출 문제, 에어필터 흡입 이상, 스크류 부품 파손, 온도 센서 이상, 습도 이상, 오일 에멀전화 중에서 적어도 하나를 포함한다.At this time, the malfunction symptom of the compressor includes at least one of an operation error problem, a load factor reduction problem, an air leakage problem at an inlet or outlet part, an air filter suction problem, a screw part breakage, a temperature sensor problem, a humidity problem, and oil emulsification.

그리고, 운용 시스템(100)은 센싱 데이터의 차이 값이 기준 범위를 벗어나거나 진동 수가 허용 진동 수 범위를 벗어나는 경우에 학습모델을 통해 컴프레서의 고장 증상을 출력한다. In addition, the operating system 100 outputs a failure symptom of the compressor through a learning model when the difference value of the sensing data is out of the reference range or the frequency is out of the allowable frequency range.

더욱 자세하게는, 운용 시스템(100)은 장치 설정 값을 입력데이터로 설정하고, 컴프레서의 고장 증상 중 동작 오류 문제를 출력데이터로 설정하여 학습모델을 학습시킬 수 있다.In more detail, the operating system 100 may set a device setting value as input data and set an operation error problem among malfunction symptoms of the compressor as output data to learn the learning model.

이때, 장치 설정 값은 부하 압력, 무부하 압력을 포함하며, 자동정지 시간을 더 포함할 수 있다. At this time, the device setting value includes load pressure and no-load pressure, and may further include an automatic stop time.

예를 들어, 운용 시스템(100)에 입력된 부하 압력이 60Bar, 무부하 압력이 7.0Bar이라고 가정하면, 운용 시스템(100)은 부하 압력 또는 무부하 압력이 입력된 값에 대응하여 동작하지 않는 경우에 컴프레서의 고장 증상을 동작 오류 문제로 출력할 수 있다. For example, assuming that the load pressure input to the operating system 100 is 60 Bar and the no-load pressure is 7.0 Bar, the operating system 100 operates as a compressor when the load pressure or the no-load pressure does not operate in response to the input value. The failure symptom of can be output as an operation error problem.

그리고, 운용 시스템(100)은 온도 데이터의 차이 값, 압력 데이터의 차이 값, 시간에 따른 전류전압 데이터의 차이 값을 입력데이터로 설정하고, 컴프레서의 고장 증상 중 부하율 감소 문제를 출력데이터로 설정하여 학습모델을 학습시킨다. In addition, the operating system 100 sets the difference value of the temperature data, the difference value of the pressure data, and the difference value of the current voltage data according to time as input data, and sets the problem of reducing the load factor among the failure symptoms of the compressor as output data Train the learning model.

이때, 온도 데이터의 차이 값, 압력 데이터의 차이 값 또는 시간에 따른 전류전압 데이터의 차이 값이 기준 범위를 벗어나는 경우, 운용 시스템(100)은 학습모델을 통해 컴플레서의 고장 증상을 부하율 문제로 출력할 수 있다. At this time, if the difference value of the temperature data, the difference value of the pressure data, or the difference value of the current voltage data over time is out of the reference range, the operating system 100 outputs the failure symptom of the compressor as a load factor problem through the learning model. can do.

그리고, 운용 시스템(100)은 압력 데이터의 차이 값, 시간에 따른 전류전압 데이터의 차이 값을 입력데이터로 설정하고, 컴프레서의 고장 증상 중 인입부 또는 토출부 에어 누출 문제를 출력데이터로 설정하여 학습모델을 학습시킨다. In addition, the operating system 100 sets the difference value of the pressure data and the difference value of the current voltage data according to time as input data, and sets the air leakage problem of the inlet or discharge part among the failure symptoms of the compressor as output data for learning. train the model

이때, 압력 데이터의 차이 값 또는 시간에 따른 전류전압 데이터의 차이 값이 기준 범위를 벗어나는 경우, 운용 시스템(100)은 학습모델을 통해 컴플레서의 고장 증상을 인입부 또는 토출부 에어 누출 문제로 출력할 수 있다.At this time, if the difference value of the pressure data or the difference value of the current voltage data over time is out of the reference range, the operating system 100 outputs the compressor failure symptom as an air leakage problem in the inlet or outlet part through the learning model. can do.

그 다음, 운용 시스템(100)은 압력 데이터의 차이 값, 시간에 따른 전류전압 데이터의 차이 값, 온도 데이터의 차이 값을 입력데이터로 설정하고, 컴프레서의 고장 증상 중 에어필터 흡입 이상을 출력데이터로 설정하여 학습모델을 학습시킨다. Then, the operating system 100 sets the difference value of the pressure data, the difference value of the current voltage data according to time, and the difference value of the temperature data as input data, and sets the air filter suction abnormality among the failure symptoms of the compressor as output data. Set up and train the learning model.

이때, 압력 데이터의 차이 값, 시간에 따른 전류전압 데이터의 차이 값 또는 온도 데이터의 차이 값이 기준 범위를 벗어나는 경우, 운용 시스템(100)은 학습모델을 통해 컴플레서의 고장 증상을 에어필터 흡입 이상으로 출력할 수 있다.At this time, if the difference value of the pressure data, the difference value of the current voltage data over time, or the difference value of the temperature data is out of the reference range, the operating system 100 identifies the failure symptom of the compressor through the learning model as an air filter suction abnormality. can be output as

그 다음, 운용 시스템(100)은 진동 수, 압력 데이터의 차이 값, 시간에 따른 전류전압 데이터의 차이 값, 온도 데이터의 차이 값을 입력데이터로 설정하고, 컴프레서의 고장 증상 중 스크류 부품 파손을 출력데이터로 설정하여 학습모델을 학습시킨다. Then, the operating system 100 sets the difference value of the number of vibrations, the difference value of the pressure data, the difference value of the current voltage data according to time, and the difference value of the temperature data as input data, and outputs the screw part damage among the failure symptoms of the compressor. Set as data to train the learning model.

이때, 압력 데이터의 차이 값, 시간에 따른 전류전압 데이터의 차이 값 또는 온도 데이터의 차이 값이 기준 범위를 벗어나거나 진동 수가 허용 진동 수 범위를 벗어나는 경우, 운용 시스템(100)은 학습모델을 통해 컴플레서의 고장 증상을 스크류 부품 파손으로 출력할 수 있다.At this time, if the difference value of the pressure data, the difference value of the current voltage data according to time, or the difference value of the temperature data is out of the reference range or the number of vibrations is out of the allowable frequency range, the operating system 100 complies through the learning model. The failure symptom of the lesser can be output as screw part damage.

그 다음, 운용 시스템(100)은 압력 데이터의 차이 값, 시간에 따른 전류전압 데이터의 차이 값, 온도 데이터의 차이 값을 입력데이터로 설정하고, 컴프레서의 고장 증상 중 온도 센서 이상을 출력데이터로 설정하여 학습모델을 학습시킨다. Then, the operating system 100 sets the difference value of the pressure data, the difference value of the current voltage data according to time, and the difference value of the temperature data as input data, and sets the temperature sensor abnormality among the failure symptoms of the compressor as output data. to train the learning model.

이때, 압력 데이터의 차이 값, 시간에 따른 전류전압 데이터의 차이 값 또는 온도 데이터의 차이 값이 기준 범위를 벗어나는 경우, 운용 시스템(100)은 학습모델을 통해 컴플레서의 고장 증상을 온도 센서 이상으로 출력할 수 있다.At this time, if the difference value of the pressure data, the difference value of the current voltage data over time, or the difference value of the temperature data is out of the reference range, the operating system 100 identifies the failure symptom of the compressor as the temperature sensor or more through the learning model. can be printed out.

그 다음, 운용 시스템(100)은 압력 데이터의 차이 값, 시간에 따른 전류전압 데이터의 차이 값, 온도 데이터의 차이 값, 부하 압력에 따른 부하 동작시간을 입력데이터로 설정하고, 컴프레서의 고장 증상 중 습도 이상을 출력데이터로 설정하여 학습모델을 학습시킨다. Next, the operating system 100 sets a difference value of pressure data, a difference value of current voltage data according to time, a difference value of temperature data, and a load operating time according to load pressure as input data, and among the symptoms of a compressor failure Set the humidity abnormality as output data to train the learning model.

이때, 압력 데이터의 차이 값, 시간에 따른 전류전압 데이터의 차이 값 또는 온도 데이터의 차이 값이 기준 범위를 벗어나거나 부하 동작시간이 일정 범위내에 벗어나는 경우, 운용 시스템(100)은 학습모델을 통해 컴플레서의 고장 증상을 습도 이상으로 출력할 수 있다.At this time, if the difference value of the pressure data, the difference value of the current voltage data according to time, or the difference value of the temperature data is out of the reference range or the load operation time is out of a certain range, the operating system 100 complies through the learning model. Lesser failure symptom can be output as humidity abnormality.

그 다음, 운용 시스템(100)은 진동 수, 압력 데이터의 차이 값, 시간에 따른 전류전압 데이터의 차이 값, 온도 데이터의 차이 값을 입력데이터로 설정하고, 컴프레서의 고장 증상 중 오일 에멀전화 문제를 출력데이터로 설정하여 학습모델을 학습시킨다. Then, the operating system 100 sets the number of vibrations, the difference value of the pressure data, the difference value of the current voltage data over time, and the difference value of the temperature data as input data, and solves the oil emulsification problem among the failure symptoms of the compressor Set as output data to train the learning model.

이때, 압력 데이터의 차이 값, 시간에 따른 전류전압 데이터의 차이 값 또는 온도 데이터의 차이 값이 기준 범위를 벗어나거나 진동 수가 허용 진동 수 범위를 벗어나는 경우, 운용 시스템(100)은 학습모델을 통해 컴플레서의 고장 증상을 오일 에멀전화 문제로 출력할 수 있다.At this time, if the difference value of the pressure data, the difference value of the current voltage data according to time, or the difference value of the temperature data is out of the reference range or the number of vibrations is out of the allowable frequency range, the operating system 100 complies through the learning model. Lesser failure symptoms can be output as oil emulsification problems.

즉, 본 발명의 실시예에 따른 운용 시스템(100)은 각각의 센싱 데이터의 차이 값 또는 진동 수를 입력데이터로 설정하고, 고장증상을 출력데이터로 설정하여 학습모델을 학습시킨다.That is, the operating system 100 according to an embodiment of the present invention sets the difference value or frequency of each sensing data as input data and sets the failure symptoms as output data to learn the learning model.

이때, 고장증상에 따른 각각의 센싱 데이터의 차이 값의 기준 범위는 서로 다른 것으로 설정하며, 관리자에 의해 변경될 수 있다. At this time, the reference range of the difference value of each sensing data according to the failure symptom is set to be different and can be changed by the manager.

이하에서는 도 5를 이용하여 본 발명의 실시예에 따른 실제 제조 과정에서 비정상 데이터셋 구축을 위한 모사 시스템에 대한 운용 방법에 대하여 설명한다.Hereinafter, a method for operating a simulated system for constructing an abnormal dataset in an actual manufacturing process according to an embodiment of the present invention will be described using FIG. 5 .

도 5는 본 발명의 실시예에 따른 비정상 데이터셋 구축을 위한 모사 시스템에 대한 운용 방법을 설명하기 위한 순서도이다. 5 is a flowchart for explaining a method of operating a simulated system for constructing an abnormal dataset according to an embodiment of the present invention.

먼저, 본 발명의 실시예에 따른 운용 시스템(100)은 외부로부터 장치 설정 값을 입력받고, 제조 설비에 설치된 복수의 센서로부터 측정된 센싱 데이터를 획득하고, 진동 센서(240)로부터 측정된 진동 수를 획득한다(S510). First, the operating system 100 according to an embodiment of the present invention receives a device setting value from the outside, acquires sensing data measured from a plurality of sensors installed in a manufacturing facility, and measures the number of vibrations from the vibration sensor 240. Obtain (S510).

이때, 장치 설정 값은 부하 압력 및 무부하 압력을 포함하고, 복수의 센서는 복수의 압력 센서(210), 복수의 온도 센서(220), 복수의 전류전압 센서(230) 중에서 적어도 하나를 포함하며, 센싱 데이터는 압력 데이터, 온도 데이터, 시간에 따른 전류전압 데이터 중에서 적어도 하나를 포함한다. At this time, the device setting value includes a load pressure and an unload pressure, and the plurality of sensors includes at least one of a plurality of pressure sensors 210, a plurality of temperature sensors 220, and a plurality of current voltage sensors 230, The sensing data includes at least one of pressure data, temperature data, and current voltage data according to time.

다음으로, 본 발명의 실시예에 따른 운용 시스템(100)은 서로 다른 지점에 설치된 동일한 종류의 복수의 센서로부터 측정된 센싱 데이터의 차이 값을 연산한다(S520).Next, the operating system 100 according to an embodiment of the present invention calculates a difference value of sensing data measured from a plurality of sensors of the same type installed at different points (S520).

즉, 운용 시스템(100)은 서로 다른 지점에 설치된 복수의 압력 센서(210), 복수의 온도 센서(220), 복수의 전류전압 센서(230) 중에서 적어도 하나의 동일한 종류에 해당하는 복수의 센서로부터 측정된 센싱 데이터의 차이 값을 연산한다.That is, the operating system 100 is provided from a plurality of sensors corresponding to at least one of the same type among a plurality of pressure sensors 210, a plurality of temperature sensors 220, and a plurality of current voltage sensors 230 installed at different points. Calculate the difference value of the measured sensing data.

더욱 자세하게는, 운용 시스템(100)은 실제 컴프레서 내에 위치하는 흡입 필터에서 측정된 압력 데이터와 쿨러로 들어가는 에어 라인에서 측정된 압력 데이터의 차이 값, 에어 또는 오일 토출 라인에서 측정된 온도 데이터와 오일 라인에서 측정된 온도 데이터의 차이 값, 메인 모터에 설치된 전류전압 데이터와 팬 모터에서 측정된 전류전압 데이터의 차이 값을 연산한다.More specifically, the operating system 100 is a difference between pressure data measured at the intake filter located in the actual compressor and pressure data measured at the air line entering the cooler, temperature data measured at the air or oil discharge line, and oil line Calculate the difference between the temperature data measured in , and the difference between the current voltage data installed in the main motor and the current voltage data measured in the fan motor.

다음으로, 본 발명의 실시예에 따른 운용 시스템(100)은 장치 설정 값, 센싱 데이터의 차이 값, 진동 수를 기 학습된 학습모델에 적용하여 컴프레서의 고장 증상 여부를 판단한다(S530).Next, the operating system 100 according to an embodiment of the present invention applies the device setting value, the difference value of the sensing data, and the number of vibrations to the pre-learned learning model to determine whether the compressor has a failure symptom (S530).

이때, 운용 시스템(100)은 도 2의 S250 단계에서 지도학습된 학습모델을 통해 장치 설정 값, 센싱 데이터의 차이 값, 진동 수로부터 컴프레서의 고장 증상을 판단할 수 있다,At this time, the operating system 100 may determine the failure symptom of the compressor from the device setting value, the difference value of the sensing data, and the number of vibrations through the learning model supervised in step S250 of FIG.

다음으로, 본 발명의 실시예에 따른 운용 시스템(100)은 고장 증상 여부에 대응하여 알람을 제공한다(S540). Next, the operating system 100 according to an embodiment of the present invention provides an alarm in response to whether there is a failure symptom (S540).

이때, 운용 시스템(100)은 관리자가 소지한 관리자 단말기에 알람을 제공하거나 설비에 설치된 스피커를 통해 알람을 제공할 수 있다. At this time, the operating system 100 may provide an alarm to the manager terminal possessed by the manager or through a speaker installed in the facility.

이와 같이 본 발명의 실시예에 따르면, 모사 시스템을 통해 측정된 센싱 데이터를 이용하여 고장 증상 여부를 판단함으로써, 제조 과정 중에 발생되는 문제들을 미리 파악하여 즉시 해결할 수 있다. As described above, according to an embodiment of the present invention, by using the sensing data measured through the simulation system to determine whether or not there is a failure symptom, it is possible to identify problems occurring during the manufacturing process in advance and solve them immediately.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.Although the present invention has been described with reference to the embodiments shown in the drawings, this is only exemplary, and those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Therefore, the true technical scope of protection of the present invention should be determined by the technical spirit of the appended claims.

100: 운용 시스템, 200: 모사 시스템,
210: 복수의 압력 센서, 220: 복수의 온도 센서.
230: 복수의 전류전압 센서, 240: 진동 센서100: operating system, 200: copy system,
210: a plurality of pressure sensors, 220: a plurality of temperature sensors.
230: a plurality of current voltage sensors, 240: vibration sensor

Claims (7)

비정상 데이터셋 구축을 위한 모사 시스템에 대한 운용 방법에 있어서,
운용 시스템은 외부로부터 부하 압력 및 무부하 압력을 포함하는 장치 설정 값을 입력받는 단계,
상기 운용 시스템은 상기 모사 시스템에 설치된 복수의 압력 센서, 복수의 온도 센서, 복수의 전류전압 센서 중에서 적어도 하나를 이용하여 측정된 센싱 데이터를 실시간으로 입력받는 단계,
상기 모사 시스템에 설치된 진동 센서로부터 측정된 에어엔드에 대한 진동 수를 실시간으로 입력받는 단계,
상기 복수의 압력 센서, 복수의 온도 센서, 복수의 전류전압 센서 중에서 적어도 한 종류의 센서로부터 측정된 센싱 데이터의 차이 값을 연산하는 단계,
상기 장치 설정 값, 센싱 데이터의 차이 값 및 진동수를 입력데이터로 설정하고, 컴프레서의 고장 증상을 출력데이터로 설정하여 학습모델을 학습시키는 단계,
실제 제조 과정에서, 외부로부터 부하 압력 및 무부하 압력을 포함하는 장치 설정 값을 입력받고, 제조 설비에 설치된 복수의 압력 센서, 복수의 온도 센서, 복수의 전류전압 센서 중에서 적어도 하나를 이용하여 측정된 센싱 데이터를 획득하며, 진동 센서로부터 측정된 진동수를 획득하는 단계,
서로 다른 지점에 설치된 상기 복수의 압력 센서, 복수의 온도 센서, 복수의 전류전압 센서 중에서 적어도 하나의 동일한 종류에 해당하는 복수의 센서로부터 측정된 센싱 데이터의 차이 값을 연산하는 단계,
상기 장치 설정 값, 센싱 데이터의 차이 값, 진동수를 상기 학습모델에 적용하여 컴프레서의 고장 증상 여부를 판단하는 단계, 그리고
상기 고장 증상 여부에 대응하여 알람을 제공하는 단계를 포함하는 운용 방법.In the operation method for the simulation system for constructing an abnormal dataset,
The operation system receives an input of device setting values including load pressure and no-load pressure from the outside;
The operation system receives sensing data measured using at least one of a plurality of pressure sensors, a plurality of temperature sensors, and a plurality of current voltage sensors installed in the simulation system in real time;
Receiving in real time the number of vibrations of the airend measured from a vibration sensor installed in the simulation system;
Calculating a difference value of sensing data measured from at least one type of sensor among the plurality of pressure sensors, the plurality of temperature sensors, and the plurality of current voltage sensors;
Learning a learning model by setting the device setting value, the difference value and frequency of the sensing data as input data, and setting the failure symptom of the compressor as output data;
In the actual manufacturing process, device setting values including load pressure and no-load pressure are received from the outside, and sensing is measured using at least one of a plurality of pressure sensors, a plurality of temperature sensors, and a plurality of current voltage sensors installed in the manufacturing facility. Acquiring data and obtaining a frequency measured from a vibration sensor;
Calculating a difference value of sensing data measured from a plurality of sensors corresponding to at least one same type among the plurality of pressure sensors, the plurality of temperature sensors, and the plurality of current voltage sensors installed at different points;
Applying the device setting value, the difference value of the sensing data, and the frequency to the learning model to determine whether or not the compressor has a failure symptom, and
An operating method comprising providing an alarm in response to the failure symptom. 제1항에 있어서,
상기 센싱 데이터 및 진동수에 대하여 노이즈 및 중복된 데이터를 필터링하는 단계를 더 포함하는 운용 방법.According to claim 1,
The operation method further comprising filtering noise and redundant data with respect to the sensing data and frequency. 제1항에 있어서,
상기 고장 증상은,
동작 오류 문제, 부하율 감소 문제, 인입부 또는 토출부 에어 누출 문제, 에어필터 흡입 이상, 스크류 부품 파손, 온도 센서 이상, 습도 이상, 오일 에멀전화 문제 중에서 적어도 하나를 포함하는 운용 방법.According to claim 1,
The symptoms of the failure are
Operating method including at least one of operation error problem, load factor reduction problem, inlet or outlet air leak problem, air filter suction problem, screw part damage, temperature sensor problem, humidity problem, oil emulsification problem. 제1항에 있어서,
상기 센싱 데이터는,
압력 데이터, 온도 데이터, 전류전압 데이터 중에서 적어도 하나를 포함하는 운용 방법.According to claim 1,
The sensing data,
An operating method including at least one of pressure data, temperature data, and current voltage data. 제1항에 있어서,
상기 학습모델을 학습시키는 단계는,
상기 센싱 데이터의 차이 값이 기준 범위를 벗어나거나, 상기 진동수가 허용 진동수 범위를 벗어나는 경우, 상기 학습모델을 통해 컴프레서의 고장 증상을 출력하는 운용 방법.According to claim 1,
The step of learning the learning model,
An operation method of outputting a failure symptom of the compressor through the learning model when the difference value of the sensing data is out of a reference range or the frequency is out of an allowable frequency range. 제5항에 있어서,
상기 센싱 데이터를 실시간으로 입력받는 단계는,
쿨러로 들어가는 에어 라인 및 흡입 필터에 설치된 압력센서를 이용하여 센싱된 압력 데이터를 입력받는 단계,
에어 또는 오일 토출 라인, 쿨러로부터 나오는 오일 라인에 설치된 온도 센서를 이용하여 센싱된 온도 데이터를 입력받는 단계, 그리고
메인 모터 및 팬 모터에 설치된 전류전압 센서를 이용하여 센싱된 전류전압 데이터를 입력받는 단계를 포함하는 운용 방법.According to claim 5,
The step of receiving the sensing data in real time,
Receiving sensed pressure data using a pressure sensor installed in an air line entering the cooler and an intake filter;
Receiving sensed temperature data using a temperature sensor installed in an air or oil discharge line or an oil line from a cooler; and
An operating method comprising receiving current voltage data sensed using current voltage sensors installed in a main motor and a fan motor. 제6항에 있어서,
상기 센싱 데이터의 차이 값을 연산하는 단계는,
상기 흡입 필터에서 측정된 압력 데이터와 상기 에어 라인에서 측정된 압력 데이터의 차이 값을 연산하는 단계,
상기 에어 또는 오일 토출 라인에서 측정된 온도 데이터와 상기 오일 라인에서 측정된 온도 데이터의 차이 값을 연산하는 단계, 그리고
상기 메인 모터에 설치된 전류전압 데이터와 팬 모터에서 측정된 전류전압 데이터의 차이 값을 연산하는 단계를 포함하는 운용 방법.
According to claim 6,
Calculating the difference value of the sensing data,
Calculating a difference between pressure data measured at the intake filter and pressure data measured at the air line;
calculating a difference between temperature data measured in the air or oil discharge line and temperature data measured in the oil line; and
and calculating a difference value between current voltage data installed in the main motor and current voltage data measured in the fan motor.
KR1020210168465A 2021-11-30 2021-11-30 Method for operating abnormal dataset construction simulation system for production utilitypredictive maintenance ai development KR20230081861A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210168465A KR20230081861A (en) 2021-11-30 2021-11-30 Method for operating abnormal dataset construction simulation system for production utilitypredictive maintenance ai development

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210168465A KR20230081861A (en) 2021-11-30 2021-11-30 Method for operating abnormal dataset construction simulation system for production utilitypredictive maintenance ai development

Publications (1)

Publication Number Publication Date
KR20230081861A true KR20230081861A (en) 2023-06-08

Family

ID=86765674

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210168465A KR20230081861A (en) 2021-11-30 2021-11-30 Method for operating abnormal dataset construction simulation system for production utilitypredictive maintenance ai development

Country Status (1)

Country Link
KR (1) KR20230081861A (en)

Similar Documents

Publication Publication Date Title
US8649888B2 (en) System and method for improved coordination between control and safety systems
Vachtsevanos et al. Fault prognosis using dynamic wavelet neural networks
US7031880B1 (en) Method and apparatus for assessing performance of an environmental control system
US8032340B2 (en) Method and system for modeling a process variable in a process plant
KR101065767B1 (en) Online early fault detection and diagnostic method for plant operation
KR20190062739A (en) Method, algorithm and device for Data analytics for predictive maintenance using multiple sensors
US8145358B2 (en) Method and system for detecting abnormal operation of a level regulatory control loop
JP2004537773A (en) Cavitation monitoring system and detection method in process plant, and field device
JP2018190245A (en) Facility equipment abnormality diagnosis system
EP3944043A1 (en) Maintenance work assistance device, maintenance work assistance method, and maintenance work assistance program
JP4635194B2 (en) Anomaly detection device
US20240185115A1 (en) Method and apparatus for early warning of dry pump shutdown, electronic device, storage medium and program
CN101283243A (en) System and method for detecting sensor fault in refrigeration system
KR102561675B1 (en) Failure diagnosis and prediction system using condition monitoring of production site operation facilities
GB2515115A (en) Early Warning and Prevention System
CN117851956B (en) Electromechanical equipment fault diagnosis method, system and terminal based on data analysis
KR101748282B1 (en) Plant diagnosis system and diagnosis method using the same
CN114918739A (en) Machine tool spindle fault detection method and device, terminal and storage medium
CN117689269B (en) Fault tracing method for intelligent watch processing stage
WO2020027207A1 (en) Abnormality detecting method, information processing device, and abnormality detecting system
EP3627261B1 (en) Diagnosis system and method using parallel analysis paths
JP2011107760A (en) Device of detecting plant abnormality
EP3762877A1 (en) Method for identifying and evaluating common cause failures of system components
Lee et al. Intelligent factory agents with predictive analytics for asset management
KR20230081861A (en) Method for operating abnormal dataset construction simulation system for production utilitypredictive maintenance ai development

Legal Events

Date Code Title Description
E902 Notification of reason for refusal