KR20230082887A - 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 - Google Patents
유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR20230082887A KR20230082887A KR1020210170800A KR20210170800A KR20230082887A KR 20230082887 A KR20230082887 A KR 20230082887A KR 1020210170800 A KR1020210170800 A KR 1020210170800A KR 20210170800 A KR20210170800 A KR 20210170800A KR 20230082887 A KR20230082887 A KR 20230082887A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- equipment
- learning
- characteristic information
- maintenance history
- Prior art date
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 15
- 238000013480 data collection Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- 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
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 장비의 이상을 판단할 수 있는 장비의 특성정보데이터를 수집하는 데이터수집부; 상기 특성정보데이터로부터 상기 장비가 정상적으로 동작하는 것을 나타내는 정상데이터 및 상기 장비가 비정상적으로 동작하는 것을 나타내는 비정상데이터를 생성하는 학습데이터생성부; 적어도 하나의 비정상데이터를 포함하는 상기 특성정보데이터를 이용하여 인공지능모델을 학습시키는 학습부; 상기 인공지능모델을 포함하고, 상기 학습된 인공지능모델을 통해 상기 장비의 고장을 예측하는 예측부를 포함하는 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치에 관한 것이다.
Description
본 실시예는 기계장비 또는 부품의 고장을 진단 및 예측하는 기술에 관한 것이다.
기계장비 및 부품의 동작 상태를 정확하게 진단하고, 비정상 동작을 검출하거나 예측하는 기술을 인공신경망으로 구현하기 위해서는 많은 양의 정상 및 비정상(이상) 상태에 대한 데이터가 필요하다. 그러나 일반적으로 정상 상태 데이터와 비정상 상태 데이터는 불균형적으로 발생하며, 비정상 상태 데이터를 균형 잡힌 정도로 확보하는 것은 매우 어려운 일이다. 그래서 머신러닝 모델의 학습을 위하여 실제의 기계장비를 모방한 유사한 장치인 테스트베드(testbed)를 설정하거나 제조하여 고장을 인위적으로 인가하거나 모사하여 고장 상태 데이터를 획득하는 방법을 사용할 수 있다.
그러나 이와 같은 방법은 다음과 같은 한계가 있을 수 있다. 실제의 장비가 아닌 모방이므로, 실제 동작환경과 다른 점에서 오는 한계이다. 실제 환경에서 발생한 고장에 대한 데이터가 아니기 때문이다. 또한 실제로 장비를 제조하여 고장을 인위적으로 인가하는 것은 비용과 시간의 측면에서 매우 비효율적일 수 있다. 만약 기계장비가 대규모 시설이라면 실제로 제조하는 것은 비현실적이다. 따라서 비용 및 시간을 줄이면서도 실제와 같은 효과를 제공하는 학습데이터를 수집하는 것이 기계학습의 성능을 높이는데 선결요건이다.
이에, 본 발명의 발명자는 기계장비 또는 부품의 고장을 진단 및 예측하는 기술을 오랫동안 연구하고 시행착오를 거친 끝에 본 발명을 완성하기에 이르렀다.
이러한 배경에서, 본 실시예의 일 목적은, 대상장비의 유지보수이력을 반영한 진동, 온도, 부분방전, 전류, 전압 등의 데이터를 예측모델에 학습시키고 학습된 예측모델을 통해 대상장비의 고장을 예측하는 기술을 제공하는 것이다.
전술한 목적을 달성하기 위하여, 일 실시예는, 장비의 이상을 판단할 수 있는 장비의 특성정보데이터를 수집하는 데이터수집부;
상기 특성정보데이터로부터 상기 장비가 정상적으로 동작하는 것을 나타내는 정상데이터 및 상기 장비가 비정상적으로 동작하는 것을 나타내는 비정상데이터를 생성하는 학습데이터생성부;
적어도 하나의 비정상데이터를 포함하는 상기 특성정보데이터를 이용하여 인공지능모델을 학습시키는 학습부;
상기 인공지능모델을 포함하고, 상기 학습된 인공지능모델을 통해 상기 장비의 고장을 예측하는 예측부를 포함하는
유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치를 제공한다.
일 실시예에 따르면, 상기 비정상데이터는, 상기 특성정보데이터 중 유지보수 시점의 이전의 일 구간을 포함할 수 있다.
일 실시예에 따르면, 상기 학습데이터생성부는, 유지보수이력데이터를 제공받고, 상기 특성정보데이터 및 상기 유지보수이력데이터를 병합하여 상기 특성정보데이터에 상기 유지보수 시점을 포함할 수 있다.
일 실시예에 따르면, 상기 정상데이터는, 상기 특성정보데이터 중 상기 비정상데이터를 제외한 구간을 포함할 수 있다.
일 실시예에 따르면, 상기 특성정보데이터는 부분방전데이터, 진동데이터, 온도데이터, 전류데이터, 또는 전압데이터 중 적어도 하나를 포함할 수 있다.
다른 실시예에 따르면 장비의 이상을 판단할 수 있는 장비의 특성정보데이터를 수집하는 단계;
상기 특성정보데이터로부터 상기 장비가 정상적으로 동작하는 것을 나타내는 정상데이터 및 상기 장비가 비정상적으로 동작하는 것을 나타내는 비정상데이터를 생성하는 단계;
적어도 하나의 비정상데이터를 포함하는 상기 특성정보데이터를 이용하여 인공지능모델을 학습시키는 단계; 및
상기 인공지능모델을 포함하고, 상기 학습된 인공지능모델을 통해 상기 장비의 고장을 예측하는 단계를 포함하는
유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 방법이 제공된다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 유지보수 이력을 반영한 진동 등에 관한 충분한 학습데이터를 확보하는 동시에 학습된 모델을 통한 예측의 정확성을 높일 수 있다.
도 1은 일 실시예에 따른 장비의 고장 예측 장치의 구성도이다.
도 2는 일 실시예에 따른 학습데이터의 예시도이다.
도 3은 일 실시예에 따른 장비의 고장 예측 방법을 설명하는 흐름도이다.
첨부된 도면은 본 발명의 기술사상에 대한 이해를 위하여 참조로서 예시된 것임을 밝히며, 그것에 의해 본 발명의 권리범위가 제한되지는 아니한다.
도 2는 일 실시예에 따른 학습데이터의 예시도이다.
도 3은 일 실시예에 따른 장비의 고장 예측 방법을 설명하는 흐름도이다.
첨부된 도면은 본 발명의 기술사상에 대한 이해를 위하여 참조로서 예시된 것임을 밝히며, 그것에 의해 본 발명의 권리범위가 제한되지는 아니한다.
본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 본 발명에 따른 실시예를 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
본 발명에서 기술된 장비의 특성정보데이터는 장비의 이상여부를 판단할 수 있는 부분방전, 진동, 온도, 전류, 또는 전압 등에 관한 데이터를 의미한다. 즉, 장비의 특성정보가 장비의 이상여부를 판단할 수 있는 지표로 사용될 수 있는 것이다. 예를 들어, 장비에 대하여 측정된 진동이 장비가 정상적으로 동작할 때의 진동과 비정상적으로 동작할 때의 진동이 서로 다르다. 서로 다른 진동을 통하여 장비의 이상여부를 판단할 수 있고, 나아가 이러한 데이터를 바탕으로 향후 장비의 고장을 예측할 수 있는 것이다.
이때, 정상데이터와 비정상데이터를 어떻게 구분할지가 문제되는데, 본 발명은 장비의 유지보수이력을 바탕으로 장비의 정상데이터와 비정상데이터를 나누는데 그 특징이 있다. 즉, 유지보수시점을 기준으로 일정기간 이전의 데이터를 비정상데이터로 간주하는 것이다. 유지보수는 장비에 고장이 발생한 경우 취해지는 조치이기 때문에 유지보수시점 이전의 일정기간에 대한 데이터를 비정상데이터로 간주할 수 있는 것이다.
이하에서는 장비의 고장 예측 장치을 위하여 유지보수 이력에 기반한 진동에 관한 학습데이터를 이용하는 것에 관하여 설명하지만, 진동데이터 이외에도 부분방전데이터, 온도데이터, 전류데이터, 또는 전압데이터에 관해서도 본 발명은 동일하게 적용될 수 있다.
도 1은 일 실시예에 따른 장비의 고장 예측 장치의 구성도이고, 도 2는 일 실시예에 따른 학습데이터의 예시도이다.
도 1을 참조하면, 일 실시예에 따른 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치(100, 이하 '장치'라 함)는 데이터수집부(110), 데이터전처리부(120), 학습부(130), 예측부(140), 유지보수이력제공부(150) 및 학습데이터생성부(160)을 포함할 수 있다.
장치(100)는 기계장비 또는 이를 구성하는 부품-예를 들어 베어링, 기어, 모터 등-의 상태를 감시하고 기계장비의 고장을 예측할 수 있다. 장치(100)는 기계장비의 상태를 나타내는 인자를 측정하거나 외부로부터 측정된 결과를 수신할 수 있다. 예를 들어 상기 측정된 결과는 적외선 영상, 시계열 가속도, 가스 농도, 습도, 유량, 압력, 농도비, 토크, 위치 신호 등의 데이터를 포함할 수 있다. 즉, 기계장비 또는 부품의 동작(operation) 중에 발생하는 정보이며, 기계장비 또는 부품의 진동, 소음, 외형상의 변화 등도 모두 상태를 나타내는 정보이다. 이하에서 일 실시예에 따른 장치(100)는 기계장비 또는 부품의 진동에 대한 데이터를 가지고 기계장비 또는 부품의 고장을 예측할 수 있다.
데이터수집부(110)는 예측부(140)의 학습을 위한 진동데이터를 수집할 수 있다. 데이터수집부(110)는 기계장비 또는 부품의 진동을 측정하는 센서로부터 진동데이터를 수신할 수 있다. 데이터수집부(110)는 진동데이터를 학습데이터생성부(160)로 송신할 수 있다.
동시에 유지보수이력제공부(150)는 유지보수이력데이터를 학습데이터생성부(160)로 송신할 수 있다. 유지보수이력제공부(150)는 유지보수이력데이터를 외부로부터 원격으로 수신할 수 있다. 유지보수이력데이터는 관리자에 의하여 입력될 수 있다.
학습데이터생성부(160)는 진동데이터로부터 정상진동데이터 및 비정상진동데이터를 생성할 수 있다. 정상진동데이터는 고장 예측의 대상이 되는 장비가 정상적으로 동작하는 것을 나타내고, 비정상진동데이터는 그 장비가 비정상적으로 동작하는 것을 나타낼 수 있다.
장비의 비정상 동작이란 기계적 결함, 오류 등으로 인하여 장비가 요구되는 기능을 제대로 수행하지 못하는 것일 수 있다. 장비가 비정상으로 동작하면, 기계장비를 나타내는 인자의 측정결과가 달라질 수 있다. 예를 들어 결함 또는 오류로 인해 장비가 고장나면, 장비의 진동이나 소음이 그렇지 않을 때에 비하여 달라질 수 있다. 즉 진동신호의 파형이 장비가 고장날 때와 그렇지 않을 때 달라질 수 있다는 것이다. 비정상진동데이터는 장비가 결함 또는 오류로 인하여 비정상으로 동작할 때 장비의 진동을 측정한 데이터로 이해될 수 있다. 반면에 정상진동데이터는 장비가 요구되는 기능을 제대로 수행할 대 장비의 진동을 측정한 데이터로 이해될 수 있다. 정상진동데이터는 비정상진동데이터가 아닌 진동데이터를 의미할 수 있다.
도 2를 참조하면, 학습데이터의 예시가 도시될 수 있다. 일 실시예에 따르면 진동데이터가 학습데이터로서 이용될 수 있고, 학습데이터생성부는 본 도면에서와 같은 아날로그데이터로부터 디지털데이터로 변환하여 학습데이터를 만들 수 있다.
학습데이터생성부는 데이터수집부로부터 진동데이터를 수신할 수 있다. 진동데이터는 DATA_A로 표시될 수 있다. 진동데이터는 불규칙한 진폭 및/또는 주파수를 가지는 파동으로 나타내어질 수 있다.
그리고 학습데이터생성부는 유지보수이력제공부로부터 유지보수이력데이터를 수신할 수 있다. 유지보수이력데이터는 DATA_B로 표시될 수 있다. 유지보수이력데이터는 특정한 유지보수 시점에서 특정값을 가질 수 있다. 유지보수이력데이터는 제1 시점(P1)에서 제1 값을 가지고, 제2 시점(P2)에서 제2 값을 가질 수 있다.
학습데이터생성부는 진동데이터 및 유지보수이력데이터를 병합하여 진동데이터에 유지보수 시점을 포함시킬 수 있다. 진동데이터의 파동의 일측에서 유지보수 시점이 P1, P2로 나타내어질 수 있다.
그리고 학습데이터생성부는 상기 병합된 진동데이터 중에서 유지보수 시점 이전의 일 구간을 비정상진동데이터로 간주할 수 있다. 학습데이터생성부는 진동데이터 중 비정상진동데이터를 제외한 구간을 정상진동데이터로 간주할 수 있다. 예를 들어 본 도면에서 학습데이터생성부는 제1 시점 이전의 제1 진동데이터(Ⅰ와 제2 시점 이전의 제3 진동데이터(Ⅲ를 비정상진동데이터로 결정할 수 있다(abnormal 참조). 또한 본 도면에서 학습데이터생성부는 비정상진동데이터를 제외한 나머지 진동데이터 즉, 제1 시점 이후의 제2 진동데이터(Ⅱ와 제2 시점 이후의 제4 진동데이터(Ⅳ를 정상진동데이터로 결정할 수 있다(normal 참조). 제1 내지 4 진동데이터(ⅠⅣ는 장비의 고장을 예측하기 위한 학습데이터로서 이용될 수 있다. 제2 진동데이터(Ⅱ와 제4 진동데이터(Ⅳ는 장비의 '정상동작'이라는 정답과 함께 기계학습에 제공되고, 제1 진동데이터(Ⅰ와 제3 진동데이터(Ⅲ는 장비의 '비정상(이상)동작'이라는 정답과 함께 기계학습에 제공될 수 있다(지도학습).
이와 같이 일 실시예에 따른 장치는 학습데이터생성부가 진동데이터 및 유지보수이력데이터를 함께 학습에 이용할 수 있다. 장비의 고장을 예측하는 학습을 하기 위해서는 장비가 고장난 경우에 해당하는 학습데이터가 충분해야 하지만, 실제 장비의 동작 또는 운영과정에서 장비의 고장 발생 경우가 많지 않다. 더욱이 실제로 장비에 고장이 발생하면 큰 사고로 이어지기 때문에 고장이 발생하여도 안 된다. 그러므로 장비의 고장 예측을 학습하기 위한 학습데이터가 부족하다.
하지만 일 실시예에 따르면 유지보수이력데이터를 진동데이터에 반영하여 유지보수가 일어난 지점을 잠재적인 고장이 발생한 시점으로 간주하여 장비가 고장난 경우에 해당하는 학습데이터를 생성할 수 있다. 진동데이터 중 유지보수가 일어난 시점 이전의 특정 구간에 장비는 고장이 났다는 것이다. 이렇게 되면 불충분한 학습데이터를 확보하는 효과가 발생하는 동시에 학습된 모델을 통한 예측의 정확성도 높아질 수 있다.
다시 도 1로 돌아가면, 학습데이터생성부(160)는 정상진동데이터 및 비정상진동데이터를 포함하는 학습데이터를 생성하여 데이터전처리부(120)로 송신할 수 있다. 정상진동데이터 및 비정상진동데이터를 포함하는 학습데이터는 예측부(140)의 학습을 위해 이용될 수 있다.
상기 생성된 학습데이터는 예측부(140)의 학습을 위해 사용될 수 있다. 상기 생성된 학습데이터는 예측부(140)를 트레이닝(training)시키는 훈련데이터와 학습과정에서 학습의 중단 시점을 결정하기 위하여 사용하는 검증데이터로 구분될 수 있다. 예측부(140)는 훈련데이터(training data)를 학습하고 일정 시점-예를 들어 과적합이 발생되기 이전-에서 검증데이터(validation data)를 통해 학습을 완료할 수 있다. 그리고 예측부(140)의 성능이 훈련데이터 및 검증데이터와 상이한 테스트데이터(test data)를 통해 최종적으로 평가될 수 있다.
데이터전처리부(120)는 예측부(140)의 학습 및/또는 예측에 입력받을 수 있도록 데이터수집부(110) 및 학습데이터생성부(160)가 수집한 데이터를 전처리할 수 있다. 전처리에는 특정 요소의 추출 과정이나, 벡터화나 정규화와 같은 변환 과정이 해당할 수 있다.
학습부(130)는 데이터전처리부(120)로부터 수신한 학습데이터를 이용하여 예측부(140)의 인공신경망모델을 학습시킬 수 있다. 학습부(130)는 인공신경망모델에 대한 학습이 완료되면 학습을 중지하고, 그렇지 않으면 학습을 지속할 수 있다. 학습된 인공신경망모델은 장비의 고장을 예측하는데 이용될 수 있다.
예측부(140)는 학습된 인공신경망모델을 이용하여 장비의 고장을 예측할 수 있다. 예측부(140)는 학습된 인공신경망모델에 새로운 파라미터의 값을 입력하면 장비의 고장을 나타내는 파라미터의 값을 출력할 수 있다.
도 3은 일 실시예에 따른 장비의 고장 예측 방법을 설명하는 흐름도이다.
도 3을 참조하면 일 실시예에 따른 장치가 고장을 예측하는 방법이 도시될 수 있다.
장치는 데이터수집부를 통해 진동데이터를 수집할 수 있다(S310 단계). 진동데이터는 기계장비 또는 부품의 진동을 센싱한 결과를 포함할 수 있다.
장치는 학습데이터생성부를 통해 진동데이터로부터 정상진동데이터 및 비정상진동데이터를 생성할 수 있다(S320 단계). 정상진동데이터는 장비가 정상적으로 동작하는 것을 나타내고, 비정상진동데이터는 장비가 비정상적으로 동작하는 것을 나타낼 수 있다.
장치는 학습부를 통해 인공신경망모델을 학습시킬 수 있다(S330 단계). 학습부는 정상진동데이터 및 비정상진동데이터를 통한 지도학습을 인공신경망모델에 수행할 수 있다.
장치는 학습이 완료되지 않으면, 학습을 지속할 수 있다(S340 단계의 NO 및 S330단계). 장치는 학습이 완료되면, 학습을 완료하고 인공신경망모델을 통해 장비의 고장을 예측할 수 있다(S340 단계의 YES 및 S350단계).
본 발명의 보호범위가 이상에서 명시적으로 설명한 실시예의 기재와 표현에 제한되는 것은 아니다. 또한, 본 발명이 속하는 기술분야에서 자명한 변경이나 치환으로 말미암아 본 발명의 보호범위가 제한될 수도 없음을 다시 한 번 첨언한다.
Claims (6)
- 장비의 이상을 판단할 수 있는 장비의 특성정보데이터를 수집하는 데이터수집부;
상기 특성정보데이터로부터 상기 장비가 정상적으로 동작하는 것을 나타내는 정상데이터 및 상기 장비가 비정상적으로 동작하는 것을 나타내는 비정상데이터를 생성하는 학습데이터생성부;
적어도 하나의 비정상데이터를 포함하는 상기 특성정보데이터를 이용하여 인공지능모델을 학습시키는 학습부;
상기 인공지능모델을 포함하고, 상기 학습된 인공지능모델을 통해 상기 장비의 고장을 예측하는 예측부를 포함하는
유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치. - 제1항에 있어서,
상기 비정상데이터는, 상기 특성정보데이터 중 유지보수 시점의 이전의 일 구간을 포함하는
유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치. - 제2항에 있어서,
상기 학습데이터생성부는, 유지보수이력데이터를 제공받고, 상기 특성정보데이터 및 상기 유지보수이력데이터를 병합하여 상기 특성정보데이터에 상기 유지보수 시점을 포함시키는
유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치. - 제1항에 있어서,
상기 정상데이터는, 상기 특성정보데이터 중 상기 비정상데이터를 제외한 구간을 포함하는
유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치. - 제1항에 있어서,
상기 특성정보데이터는 부분방전데이터, 진동데이터, 온도데이터, 전류데이터, 또는 전압데이터 중 적어도 하나를 포함하는 것을 특징으로 하는,
유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치. - 장비의 이상을 판단할 수 있는 장비의 특성정보데이터를 수집하는 단계;
상기 특성정보데이터로부터 상기 장비가 정상적으로 동작하는 것을 나타내는 정상데이터 및 상기 장비가 비정상적으로 동작하는 것을 나타내는 비정상데이터를 생성하는 단계;
적어도 하나의 비정상데이터를 포함하는 상기 특성정보데이터를 이용하여 인공지능모델을 학습시키는 단계; 및
상기 인공지능모델을 포함하고, 상기 학습된 인공지능모델을 통해 상기 장비의 고장을 예측하는 단계를 포함하는
유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210170800A KR102601338B1 (ko) | 2021-12-02 | 2021-12-02 | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210170800A KR102601338B1 (ko) | 2021-12-02 | 2021-12-02 | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230082887A true KR20230082887A (ko) | 2023-06-09 |
| KR102601338B1 KR102601338B1 (ko) | 2023-11-13 |
Family
ID=86765143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210170800A KR102601338B1 (ko) | 2021-12-02 | 2021-12-02 | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102601338B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102588234B1 (ko) * | 2023-06-23 | 2023-10-12 | 세인기계설비관리 주식회사 | 기계 설비 성능 점검 시스템 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180135089A (ko) * | 2016-05-09 | 2018-12-19 | 스트롱 포스 아이오티 포트폴리오 2016, 엘엘씨 | 산업용 사물 인터넷을 위한 방법들 및 시스템들 |
| KR20190069696A (ko) * | 2017-12-12 | 2019-06-20 | (주)위세아이텍 | 장비 고장 예측 장치 및 방법 |
| KR20190104267A (ko) * | 2019-07-23 | 2019-09-09 | 엘지전자 주식회사 | 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법 |
| JP2019153045A (ja) * | 2018-03-02 | 2019-09-12 | 株式会社日立製作所 | データ処理装置及びデータ処理方法 |
| JP2019159730A (ja) * | 2018-03-12 | 2019-09-19 | 株式会社リコー | 保守システム、保守サーバ、保守方法 |
| JP2020170333A (ja) * | 2019-04-03 | 2020-10-15 | パナソニックＩｐマネジメント株式会社 | 情報処理装置、情報処理方法、および、学習装置 |
| KR20210068687A (ko) * | 2019-12-02 | 2021-06-10 | 대우조선해양 주식회사 | 복합설비 고장진단 및 지식기반탐색 방법 |
-
2021
- 2021-12-02 KR KR1020210170800A patent/KR102601338B1/ko active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180135089A (ko) * | 2016-05-09 | 2018-12-19 | 스트롱 포스 아이오티 포트폴리오 2016, 엘엘씨 | 산업용 사물 인터넷을 위한 방법들 및 시스템들 |
| KR20190069696A (ko) * | 2017-12-12 | 2019-06-20 | (주)위세아이텍 | 장비 고장 예측 장치 및 방법 |
| JP2019153045A (ja) * | 2018-03-02 | 2019-09-12 | 株式会社日立製作所 | データ処理装置及びデータ処理方法 |
| JP2019159730A (ja) * | 2018-03-12 | 2019-09-19 | 株式会社リコー | 保守システム、保守サーバ、保守方法 |
| JP2020170333A (ja) * | 2019-04-03 | 2020-10-15 | パナソニックＩｐマネジメント株式会社 | 情報処理装置、情報処理方法、および、学習装置 |
| KR20190104267A (ko) * | 2019-07-23 | 2019-09-09 | 엘지전자 주식회사 | 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법 |
| KR20210068687A (ko) * | 2019-12-02 | 2021-06-10 | 대우조선해양 주식회사 | 복합설비 고장진단 및 지식기반탐색 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102588234B1 (ko) * | 2023-06-23 | 2023-10-12 | 세인기계설비관리 주식회사 | 기계 설비 성능 점검 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102601338B1 (ko) | 2023-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100887433B1 (ko) | 시스템-감시 모델들을 갱신하기 위한 시스템, 장치, 및방법들 | |
| US20110106510A1 (en) | Methods, apparatus and computer readable storage mediums for model-based diagnosis | |
| EP2051366A1 (en) | Method and system for determining the reliability of a DC motor system | |
| CN101322086A (zh) | 用于过程设备的自诊断过程控制环路 | |
| Smarsly et al. | A decentralized approach towards autonomous fault detection in wireless structural health monitoring systems | |
| JP2023179851A (ja) | 装置状態評価システムおよび装置状態評価方法 | |
| KR20230082887A (ko) | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 | |
| JP4412306B2 (ja) | 異常判定方法および異常判定装置 | |
| KR100758152B1 (ko) | 진동신호 양자화에 의한 거동반응을 이용한 고장진단방법 | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
| CN117192369A (zh) | 基于数字孪生技术的曳引电机监测与诊断方法 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN113557420A (zh) | 基于专家知识的用于旋转机器的自动健康状态分类器 | |
| CN114638060B (zh) | 故障预测方法、系统、电子设备 | |
| US20230394301A1 (en) | Device and method for tracking basis of abnormal state determination by using neural network model | |
| Bucci et al. | An IoT condition monitoring system for resilience based on spectral analysis of vibration | |
| KR20240003469A (ko) | 원전설비의 예측진단방법 및 시스템 | |
| JP2023021514A (ja) | 装置診断システムおよび装置診断方法 | |
| CN110470383A (zh) | 一种基于声波监测和机器学习的机械构件运行状态的检测方法 | |
| CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 | |
| Wen et al. | Improving Structural Change Detection using a Differential Equation-based Prediction Model for Condition Monitoring of Rotating Machines | |
| CN118137926B (zh) | 基于机电信号分析的三相异步电机调频控制方法 | |
| Palmé et al. | Similarity based modeling for turbine exit temperature spread monitoring on gas turbines | |
| CN118517367A (zh) | 基于深度学习和图神经网络的水轮机导叶故障自诊断方法 | |
| Ramuhalli et al. | A Methodology for Online Sensor Recalibration |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| AMND | Amendment | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |