KR20230125116A - The method for fault detection without training data or diagnosis with prediction of remaining time until breakdown using clustering algorithm and statistical methods - Google Patents
The method for fault detection without training data or diagnosis with prediction of remaining time until breakdown using clustering algorithm and statistical methods Download PDFInfo
- Publication number
- KR20230125116A KR20230125116A KR1020220021827A KR20220021827A KR20230125116A KR 20230125116 A KR20230125116 A KR 20230125116A KR 1020220021827 A KR1020220021827 A KR 1020220021827A KR 20220021827 A KR20220021827 A KR 20220021827A KR 20230125116 A KR20230125116 A KR 20230125116A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- fault
- state
- failure
- time
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims description 52
- 238000003745 diagnosis Methods 0.000 title claims description 45
- 230000015556 catabolic process Effects 0.000 title description 6
- 238000007619 statistical method Methods 0.000 title description 2
- 230000007547 defect Effects 0.000 claims abstract description 58
- 238000010801 machine learning Methods 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims 2
- 238000000611 regression analysis Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000001801 Z-test Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G05B23/0243—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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
머신러닝의 클러스터링 알고리즘과 통계적 기법을 이용해 기계 설비의 결함을 탐지하고 고장 진단 및 남은 시간을 예측하는 시스템 및 방법을 제공하는 것을 목적으로 한다. 특히 작동 초기의 시스템과 같은 고장 상태의 시스템으로부터 획득된 데이터가 부재한 상황에 대해 결함을 정량적으로 탐지하거나 상기 고장 상태의 시스템 데이터가 있을 경우 결함으로부터 고장을 진단하여 고장까지의 시간을 예측 제공하는 것을 목적으로 한다.Its purpose is to provide a system and method for detecting defects in mechanical equipment, diagnosing failures, and predicting remaining time using clustering algorithms and statistical techniques of machine learning. In particular, quantitatively detect defects in the absence of data obtained from a system in a faulty state, such as a system at the beginning of operation, or diagnose a fault from a fault if there is system data in the faulty state to predict the time until failure aims to
Description
본 발명은 머신러닝(machine learning)과 통계적 기법을 바탕으로 기계 설비 및 장치를 포함한 시스템의 결함 탐지, 고장 진단 및 예측 방법에 관한 것으로, 보다 상세하게는 시스템의 실시간 데이터 수집을 통해 고장 데이터가 부재한 시스템의 결함 탐지와 시스템의 결함으로부터 발생할 고장을 진단, 고장까지의 시간을 예측하는 시스템 및 방법에 관한 것이다. The present invention relates to a method for detecting faults, diagnosing and predicting faults in a system including mechanical facilities and devices based on machine learning and statistical techniques, and more particularly, in the absence of fault data through real-time data collection of the system. It relates to a system and method for detecting a fault in a system, diagnosing a fault to occur from a fault in the system, and predicting a time to fault.
현재 대부분의 기계 설비 및 시스템의 관리에 있어서, 시스템의 전문가가 결함 및 고장을 진단하고 수리 또는 유지 보수를 진행해왔다. 하지만 설비 전문가 또한 보이지 않는 결함과 고장에 대응이 어렵고 일정한 시간 간격으로 실시하는 정기적 예방 정비에 의존하고 있으며 정기적 정비는 실제 결함과 관계없이 불필요한 부품 교체가 이뤄져 비용 손실 또한 발생한다. Currently, in the management of most mechanical facilities and systems, system experts have diagnosed defects and failures and performed repairs or maintenance. However, it is difficult for facility experts to respond to invisible defects and failures, and they rely on regular preventive maintenance performed at regular intervals. Regular maintenance also results in cost loss as unnecessary parts are replaced regardless of actual defects.
이러한 문제점을 해결하기 위해 대한민국 공개특허공보 10-2019-0065718와 대한민국 공개 특허 공보 10-2019-0059561에는, 시스템의 고장 데이터를 인공지능 모델에 학습하여 고장 진단 및 예지하는 방법이 개시되어있다. 간략하게 설명하자면, 시스템의 고장 데이터를 인공지능 모델에 미리 학습해두고 상기 인공지능 모델을 이용해 실시간 센싱 데이터로부터 시스템의 고장을 진단하는 것이다. 이 경우 학습된 인공지능 모델이 실시간 센싱 데이터를 입력 받아 고장의 종류를 판단한다.In order to solve this problem, Korean Patent Publication No. 10-2019-0065718 and Korean Patent Publication No. 10-2019-0059561 disclose a method for diagnosing and predicting a failure by learning system failure data with an artificial intelligence model. Briefly, the failure data of the system is pre-learned in an artificial intelligence model, and the failure of the system is diagnosed from real-time sensing data using the artificial intelligence model. In this case, the learned artificial intelligence model receives real-time sensing data and determines the type of failure.
그러나, 상기 선행기술은 인공지능 모델을 학습하기 위해 임의로 생성한 이상(abnomal) 데이터를 시스템의 고장 데이터처럼 사용하여 실제 시스템에서 추출될 수 있는 데이터와 다를 가능성이 있고, 시각적인 모양으로 시스템의 고장을 진단하여 정량적인 판단이 어렵다. 또한 시스템의 이상징후를 판단할 뿐 이상 징후로부터 진단된 고장까지 남은시간을 예측하지 않는다. However, the prior art uses arbitrarily generated abnormal data to learn an artificial intelligence model as failure data of the system, which may differ from data that can be extracted from the actual system, and the failure of the system in visual form. It is difficult to make a quantitative judgment by diagnosing It also determines system anomalies, but does not predict the remaining time from an anomaly to a diagnosed failure.
본 발명이 이루고자 하는 과제는 머신러닝의 클러스터링 알고리즘과 통계적 기법을 이용해 기계 설비의 결함을 탐지하고 고장 진단 및 남은 시간을 예측하는 시스템 및 방법을 제공하는것을 목적으로 한다. 특히 작동 초기의 시스템과 같은 고장 상태의 시스템으로부터 획득된 데이터가 부재한 상황에 대해 결함을 정량적으로 탐지하거나 상기 고장 상태의 시스템 데이터가 있을 경우 결함으로부터 고장을 진단하여 고장까지의 시간을 예측 제공하는 것을 목적으로 한다.An object of the present invention is to provide a system and method for detecting defects in mechanical equipment, diagnosing failures, and predicting remaining time using a clustering algorithm and statistical techniques of machine learning. In particular, quantitatively detect defects in the absence of data obtained from a system in a faulty state, such as a system at the beginning of operation, or diagnose a fault from a fault if there is system data in the faulty state to predict the time until failure aims to
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제들로 제한되지 않으며, 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다. The problem to be solved by the present invention is not limited to the problems mentioned above, and will be clearly understood by those skilled in the art from the following description.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법은, 기계 설비와 같은 시스템에 부착된 주요 센서로부터 수집한 온도, 습도, 진동과 같은 데이터와 시스템 내부에서 직접 추출할 수 있는 고장과 관련된 모든 데이터를 수신하여 저장하는 데이터 수신 및 저장부; 상기 데이터 수신 및 저장부로부터 입력받은 정상 또는 고장 상태의 데이터셋 또는 실시간 데이터로부터, 특징을 추출하는 단계; 머신러닝의 비지도학습 방법으로 클러스터링 알고리즘을 이용해 추출된 특징들을 군집화하는 단계; 상기 특정된 군집들의 분류 지표를 상태 지표로서 정의하는 단계; 정상 또는 고장 상태에 대한 전체 데이터셋의 경우 시스템의 상태에 따라 확률 분포의 파라미터를 정의하는 단계;를 포함하는 모델 학습부, 상기 정의된 정상 상태에 해당하는 상태 지표의 확률 분포로부터 신뢰구간을 산출하여 실시간 데이터의 상태 지표와 함께 결함을 탐지하는 결함 탐지부; 상기 정의된 고장 상태에 해당하는 상태 지표의 확률 분포로부터 신뢰구간을 산출하여 실시간 데이터의 상태 지표와 함께 고장을 진단하고 결함이 발생한 시점으로부터 고장까지의 남은 시간을 예측하는 고장 진단 및 예측부를 포함한다.In order to solve the above technical problem, a fault detection and fault diagnosis prediction method for a system without fault data using a machine learning clustering algorithm and statistical techniques according to the present invention is a temperature collected from a main sensor attached to a system such as a mechanical facility. a data receiving and storing unit for receiving and storing data such as , humidity, and vibration and all data related to failures that can be directly extracted from the inside of the system; extracting a feature from a dataset or real-time data in a normal or failed state input from the data reception and storage unit; Clustering the extracted features using a clustering algorithm as an unsupervised learning method of machine learning; defining a classification index of the specified clusters as a state index; In the case of the entire dataset in a normal or faulty state, defining a parameter of a probability distribution according to the state of the system; calculating a confidence interval from the probability distribution of the state indicator corresponding to the defined normal state. a defect detection unit for detecting a defect together with a status indicator of real-time data; It includes a failure diagnosis and prediction unit that calculates a confidence interval from the probability distribution of the condition indicators corresponding to the defined failure conditions, diagnoses failures together with the condition indicators of real-time data, and predicts the remaining time from the time the failure occurs to the failure. .
본 명세서의 일 실시예에 따르면, 데이터 수신 및 저장부에는 시스템의 정상 상태에서 추출된 데이터셋를 포함하고 시스템의 여러가지 고장 상태에서 추출한 데이터셋을 포함할 수 있다.According to one embodiment of the present specification, the data reception and storage unit may include a dataset extracted in a normal state of the system and a dataset extracted in various failure states of the system.
본 명세서의 일 실시예에 따르면, 데이터 수신 및 저장부에서는 시스템의 정상 상태에서 실시간으로 수신된 데이터를 수집해 정상 상태의 데이터셋을 만들어 정상 상태의 데이터셋으로 사용할 수 있다.According to one embodiment of the present specification, the data reception and storage unit collects the data received in real time in the normal state of the system to create a dataset in the normal state and use it as the dataset in the normal state.
본 명세서의 일 실시예에 따르면, 정상 상태의 시스템에서 획득한 데이터로부터 상태 지표 신뢰 구간을 계산한 후, 시스템으로부터 실시간 데이터를 입력받아 상태 지표를 산출하여 결함을 탐지할 수 있다. According to an embodiment of the present specification, after calculating a condition indicator confidence interval from data obtained from a system in a normal state, real-time data may be received from the system and a condition indicator may be calculated to detect a defect.
본 명세서의 일 실시예에 따르면, 정상 상태와 고장 상태의 시스템 데이터가 존재할 경우, 정상과 고장 상태의 시스템에서 획득한 데이터로부터 상태 지표 신뢰구간을 계산한 후, 시스템으로부터 실시간 데이터를 입력받아 상태 지표를 산출하여 고장 진단 및 예측할 수 있다.According to an embodiment of the present specification, when there is system data in a normal state and a failure state, a condition indicator confidence interval is calculated from data obtained from the system in a normal state and a failure state, and then real-time data is received from the system and the condition index It is possible to diagnose and predict failures by calculating .
본 명세서의 일 측면에 따르면, 기존의 데이터의 학습을 위해 정상 상태 또는 고장 상태의 데이터의 필요에서 벗어나 정상 상태의 데이터만으로 시스템의 결함을 정량적으로 판단할 수 있다. 특히 종래 임의로 데이터의 이상치를 만들어 인공지능 모델을 학습하던 한계에서 벗어나 직접 획득한 데이터만으로 보다 정확히 시스템의 결함을 탐지할 수 있다.According to one aspect of the present specification, it is possible to quantitatively determine a system defect only with data in a normal state, away from the need for data in a normal state or a failure state for learning existing data. In particular, it is possible to more accurately detect system defects only with directly acquired data, breaking away from the limitations of learning artificial intelligence models by randomly creating outliers in the conventional data.
본 명세서의 다른 측면에 따르면, 고장 상태의 시스템으로부터 획득한 데이터가 있을 경우, 고장 진단뿐만 아니라 상태 지표의 변화를 이용해 고장까지 걸리는 시간 예측이 가능하다. 특히 종래 인공지능 모델의 고장의 종류만 판단할 수 있는 제한에서 벗어나 결함이 탐지된 시간으로부터 진단한 고장이 발생할 시점을 예측할 수 있다. According to another aspect of the present specification, if there is data acquired from a system in a faulty state, it is possible to predict the time required to fail using a change in a condition indicator as well as fault diagnosis. In particular, it is possible to predict the time when the diagnosed failure will occur from the time when the defect is detected, out of the limitation of determining only the type of failure of the conventional artificial intelligence model.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을것이다.The effects of the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.
도 1은 본 발명의 실시예에 따른 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법의 구성을 나타내는 구성도이다.
도 2는 본 명세서의 일 실시예에 따른 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법의 흐름도이다.
도 3은 본 발명의 실시예에 따른 모델 학습부(120)에서 데이터를 입력받아 상태 지표를 구성하는 흐름도이다.
도 4는 모델 학습부(120)의 입력받은 데이터를 적절히 분할하여 상태 지표값을 도출하는 예시 도면이다.
도 5는 본 명세서의 일 실시예에 따른 결함 탐지 방법의 흐름도이다.
도 6은 정상 상태의 상태 지표의 분포를 나타내는 그래프 예시이다.
도 7은 정상 상태의 상태 지표의 95% 신뢰구간과 데이터 수신 및 저장부(110)로부터 실시간으로 수신된 데이터를 상기 모델 학습부(120)에 입력받아 산출된 상태 지표 값들의 예시 그래프이다.
도 8는 본 명세서의 일 실시예에 따른 고장 진단 및 예측 방법의 흐름도이다.
도 9는 각각 상기 여러 고장 상태 중 특정 고장 A(Breakdown A)와 고장 B(Breakdown B) 상태 지표 신뢰 구간를 나타내는 그래프 예시이다.
도 10 데이터 수신 및 저장부(110)으로부터 실시간 센서 데이터를 모델 학습부(120)에 입력받아 상태 지표값을 산출한 뒤 고장 진단 및 예측부(140)에서 1차 식으로 모델링한 그래프 예시이다.
도 11 실시간 상태 지표의 변화 추이가 상기 고장 A를 향하는 것과 반대로 고장 B로 향하는 실시간 상태 지표 값의 변화 추이에 대한 그래프 예시이다.
도 12 실시간 상태 지표 값에 대해 2차식 곡선으로 모델링한 그래프 예시이다.1 is a block diagram showing the configuration of a fault detection and fault diagnosis prediction method for a system without fault data using a clustering algorithm and a statistical technique according to an embodiment of the present invention.
2 is a flowchart of a fault detection and fault diagnosis prediction method for a system without fault data using a clustering algorithm and a statistical technique according to an embodiment of the present specification.
3 is a flowchart of constructing a state indicator by receiving data from the model learning unit 120 according to an embodiment of the present invention.
FIG. 4 is an exemplary view of deriving a state indicator value by appropriately dividing data received by the model learning unit 120. Referring to FIG.
5 is a flowchart of a defect detection method according to an embodiment of the present specification.
6 is an exemplary graph showing the distribution of state indicators in a steady state.
7 is an exemplary graph of state indicator values calculated by receiving data received in real time from the data reception and storage unit 110 and a 95% confidence interval of a state indicator in a steady state into the model learning unit 120 .
8 is a flowchart of a failure diagnosis and prediction method according to an embodiment of the present specification.
9 is a graph illustrating specific breakdown A (Breakdown A) and breakdown B (Breakdown B) state indicator confidence intervals among the various failure states, respectively.
10 is an example of a graph modeled by a primary equation in the failure diagnosis and prediction unit 140 after receiving real-time sensor data from the data reception and storage unit 110 into the model learning unit 120 and calculating a state index value.
11 is a graph example of a change trend of a real-time condition indicator value toward a fault B as opposed to a change trend of the real-time condition indicator toward the fault A.
12 is an example of a graph modeled with a quadratic curve for real-time state index values.
본 명세서에 개시된 발명의 특징 및 이점, 그리고 그것들을 달성하는 방법은 첨부된 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 명세서가 이하에서 개시되는 실시예들에 한정되는 것은 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 명세서가 속하는 기술 분야의 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 명세서의 권리 범위는 청구항의 범주에 의해 정의될 뿐이다.The features and advantages of the invention disclosed herein, and how to achieve them, will become clear with reference to the detailed description of the following embodiments taken in conjunction with the accompanying drawings. However, the present specification is not limited to the embodiments disclosed below and may be implemented in a variety of different forms, only the present embodiments are intended to complete the disclosure of the present invention, and are common in the art to which this specification belongs. It is provided to fully inform those skilled in the art of the scope of the invention, and the scope of rights in this specification is only defined by the scope of the claims.
또한, 이하 실시되는 본 발명의 바람직한 실시예는 본 발명을 이루는 기술적 구성요소를 효율적으로 설명하기 위해 각각의 시스템 기능 구성에 기 구비되어 있거나 본 발명이 속하는 기술분야에서 통상적으로 구비되는 시스템 기능 구성은 가능한 생략하고, 본 발명을 위해 추가적으로 구비되어야 하는 기능 구성을 위주로 설명한다. 만약 본 발명이 속하는 기술분야의 통상의 기술자라면, 생략된 기능 구성 중 종래에 기 사용되고 있는 구성요소의 기능을 용이하게 이해할 수 있을 것이며, 또한 상기와 같이 생략된 구성 요소와 본 발명을 위해 추가된 구성 요소 사이의 관계도 명백하게 이해할 수 있을 것이다.In addition, in order to efficiently explain the technical components constituting the present invention, a preferred embodiment of the present invention to be carried out below is provided in each system function configuration or a system function configuration commonly provided in the technical field to which the present invention belongs It is omitted as much as possible, and the functional configuration that should be additionally provided for the present invention will be mainly described. If a person of ordinary skill in the art to which the present invention pertains, he/she will be able to easily understand the functions of conventionally used components among the omitted functional configurations, and also include the omitted components and the added components for the present invention as described above. The relationships between the components will also be clearly understood.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 명세서의 권리 범위를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 본 명세서에서, 사용되는 “포함한다" 및/또는 “포함하는"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.Terms used in this specification are for describing the embodiments and are not intended to limit the scope of the present specification. In this specification, singular forms also include plural forms unless specifically stated otherwise in a phrase. In this specification, “comprising” and/or “comprising” as used herein does not exclude the presence or addition of one or more other elements other than the recited elements.
명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며 “및/또는”은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. Like reference numerals throughout the specification refer to like elements and “and/or” includes each and every combination of one or more of the recited elements.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 명세서가 속하는 기술 분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.Unless otherwise defined, all terms (including technical and scientific terms) used in this specification may be used with meanings commonly understood by those skilled in the art to which this specification belongs. In addition, terms defined in commonly used dictionaries are not interpreted ideally or excessively unless explicitly specifically defined.
<용어 정의><Term definition>
본 명세서에 따른 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법의 설명에 앞서 몇 가지 용어를 먼저 정의하겠다. 본 명세서에 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법은 센서를 부착해 데이터를 얻을 수 있거나 시스템으로부터 데이터를 전송받을 수 있는 기계 설비와 같은 시스템에 적용될 수 있는 방법으로서, 비행기와 같은 시스템을 가정하겠다.Prior to the description of the fault detection and fault diagnosis prediction method for a system without fault data using the machine learning clustering algorithm and statistical techniques according to the present specification, some terms will be defined first. In this specification, the fault detection and fault diagnosis prediction method of a system without fault data using a machine learning clustering algorithm and statistical techniques is applied to a system such as a machine that can obtain data by attaching a sensor or receive data from the system. As a method that can be applied, a system such as an airplane will be assumed.
시스템의 진동, 온도, 습도 등과 같은 센서를 부착하여 전송 받을 수 있는 데이터를 ‘센서 데이터(sensor data)'라고 명명하고 상기 센서 데이터와 시스템에 내장된 컴퓨터와 같은 장치로부터 시스템의 상태와 관련된 모든 데이터를 합쳐서 ‘시스템 데이터(system data)'라고 명명한다. Data that can be transmitted by attaching a sensor such as system vibration, temperature, humidity, etc. is called 'sensor data', and all data related to the state of the system from a device such as a computer built into the system and the sensor data. are collectively referred to as 'system data'.
시스템이 작동하는 중에 여러가지 고장 메커니즘 중 어떠한 하나의 고장을 특정짓는 것을 진단(diagnosis)이라고 명명한다. 또한, 시스템이 작동하는 중에 시스템이 멈추는 상황을 ‘고장(breakdown)이라고 명명하고, 시스템이 작동하지만 이상 징후를 알 수 있을때를 ‘결함(fault)라고 명명한다. Characterizing the failure of any one of several failure mechanisms during system operation is called diagnosis. In addition, a situation in which the system stops while the system is operating is called a 'breakdown', and a situation in which the system operates but abnormal symptoms are known is called a 'fault'.
시스템의 상태를 나타내는 수치적인 지표를 ‘상태 지표(condition indicator)‘라고 명명한다. 본 명세서에서는 정상 상태와 여러가지의 고장 상태를, 상태 지표 분포로 나타내어 결함을 탐지하고 고장을 진단 및 예측한다. 더 자세히 설명하자면, 시스템이 정상 상태에서 나타낼 수 있는 상태 지표 값의 범위를 설정하여 실시간 데이터 로부터 결함을 탐지하고, 시스템의 여러가지 고장 상태에서 획득한 데이터가 있을 경우, 고장 상태의 상태 지표 값의 범위를 설정하여 실시간 데이터로부터 고장을 진단 및 고장까지 남은 시간을 예측한다.Numerical indicators that indicate the state of the system are called 'condition indicators'. In this specification, a normal state and various failure states are represented as a condition indicator distribution to detect defects and diagnose and predict failures. To explain in more detail, the system detects defects from real-time data by setting the range of condition indicator values that can be displayed in a normal state, and if there is data obtained in various failure states of the system, the range of condition indicator values in a fault state to diagnose failures from real-time data and predict the remaining time until failure.
본 명세서에서는 시스템의 정상 상태와 고장 상태를 판단하기 위해 상기 상태 지표를 이용한다. 본 명세서에 따르면, 데이터로부터 상기 상태 지표를 정의하기 위해 본 명세서에서 사용한 머신러닝(machine learning) 알고리즘은 비지도 학습의 군집화(clustering) 알고리즘으로, 이 알고리즘을 통해 데이터의 군집화가 얼마나 잘 이루어 졌는지를 평가하는 수치적 지표를 ‘군집화 평가 지표'라고 명명한다. 본 명세서에 따르면, 상기 군집화 평가 지표를 상태 지표로써 사용한다.In this specification, the condition indicator is used to determine a normal state and a failure state of the system. According to the present specification, the machine learning algorithm used herein to define the condition indicator from data is a clustering algorithm of unsupervised learning, and how well the clustering of data has been achieved through this algorithm. The numerical index to be evaluated is named 'clustering evaluation index'. According to the present specification, the clustering evaluation index is used as a condition index.
머신러닝 알고리즘에 학습하기 위한 시스템의 데이터의 특성을 ‘특징(feature)’라고 명명한다. 본 명세서에서는 데이터가 통계적으로 갖는 의미로 통계적 특징(statistical feature), 첨도(kurtosis)와 왜도(skewness)를 예시로 제시하여 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법에 대해서 설명하겠다. The characteristics of the data of the system to be learned by the machine learning algorithm are called 'features'. In this specification, statistical features, kurtosis, and skewness in the statistical sense of data are presented as examples to detect defects in systems without failure data using machine learning clustering algorithms and statistical techniques. And a failure diagnosis prediction method will be described.
첨도는 데이터가 중심으로 어느정도 몰려있는지에 대한 지표이다. 또한 왜도는 데이터의 분포가 정규분포에 비해 비대칭의 정도를 나타내는 지표이다. 본 명세서의 일 실시예에 따르면, 상기 왜도 및 첨도와 같은 통계적 특징을 사용한 이유는 시간에 따라 변해가는 시스템의 상태를 나타내기 적합하다. 일 예시로, 시스템이 같은 상태에 있을때 데이터를 측정하는 과정의 오차를 포함하면서 같은 값 주위에 존재하여야 한다. 따라서 다음과 같이 머신러닝 알고리즘 모델을 학습시키기 위해 데이터를 가장 잘 설명할 수 있는 특징(feature)을 새롭게 만들어내거나 조절하는 것을 특징 추출(feature extraction)과 특징 공학(feature engineering)라고 명명한다.Kurtosis is an indicator of how close the data is to the center. Also, skewness is an index that indicates the degree of asymmetry of the data distribution compared to the normal distribution. According to one embodiment of the present specification, the reason for using the statistical characteristics such as skewness and kurtosis is suitable for representing the state of a system that changes over time. As an example, when the system is in the same state, it should exist around the same value while including the error of the process of measuring the data. Therefore, in order to train a machine learning algorithm model, newly creating or adjusting a feature that can best explain data is called feature extraction and feature engineering.
본 명세서의 일 실시예에 따르면, 상기 시스템 데이터로부터 데이터를 분할하는 과정을 거친다. 이때 실시간으로 일정한 크기의 데이터를 축적하거나 시스템으로부터 일정한 크기의 데이터를 받을 수 있을때 이것을 ‘데이터 셋(dataset)’라고 명명한다. 그리고 클러스터링 알고리즘에 통계적 특징를 적용하기 위해 전체 데이터 셋을 일정 시간 간격으로 분할하여 사용한다. 이, 분할된 데이터를 서브 데이터 셋(sub dataset)라고 명명한다. 본 명세서에 따르면,특징(feature) 추출하는 과정은 상기 서브 데이터 셋에 적용하고 하나의 특징이 추출된다. 이 과정에서 서브 데이터 셋의 갯수와 같은 특징이 추출된다. 이때, 추출된 특징들을 특징 데이터 셋(feature dataset)이라고 명명한다. 다음 특징 데이터 셋에 클러스터링 알고리즘을 적용한 후 하나의 상태 지표가 추출된다. 이때 정상 또는 고장 상태에 대해 여러개의 상태 지표의 집합을 지표 데이터 셋이라고 명명한다. 시스템의 상태 지표의 범위를 산출하기 위해 여러개의 상태 지표 값이 필요하다. 따라서 하나의 상태 지표 값을 추출할 수 있는 데이터 셋을 여러개 구성할 수 있는 전체 데이터를 ‘전체 데이터 셋(full dataset)’라고 명명한다. 본 명세서에 따르면, 상태 지표의 분포가 잘 형성되지 않을 때 데이터셋의 간격을 조절할 수 있다. According to one embodiment of the present specification, a process of dividing data from the system data is performed. At this time, when data of a certain size can be accumulated in real time or data of a certain size can be received from the system, this is called a 'dataset'. In addition, to apply statistical characteristics to the clustering algorithm, the entire data set is divided at regular time intervals and used. In this case, the divided data is called a sub dataset. According to the present specification, a feature extraction process is applied to the sub data set and one feature is extracted. In this process, features such as the number of sub-data sets are extracted. In this case, the extracted features are called a feature dataset. After applying the clustering algorithm to the following feature data set, one condition indicator is extracted. At this time, a set of several condition indicators for normal or faulty conditions is called an indicator data set. Several condition indicator values are needed to calculate the range of condition indicators for a system. Therefore, the entire data that can compose multiple data sets from which one condition indicator value can be extracted is called 'full dataset'. According to the present specification, when the distribution of condition indicators is not well formed, it is possible to adjust the interval of the data set.
본 명세서에 따른 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법은 데이터에 대한 여러가지 통계적 특징을 추출하여 군집화 알고리즘에 적용할 수 있다. 따라서 본 명세서의 예시에 사용된 몇가지 주요한 통계적 특징에 대해서 간략하게 설명하겠다. The method for detecting defects in a system without failure data and predicting failure diagnosis using a machine learning clustering algorithm and statistical techniques according to the present specification can extract various statistical characteristics of data and apply them to a clustering algorithm. Therefore, we will briefly describe some of the key statistical features used in the examples herein.
<통계적 특징(Statistical feature) 추출><Extracting statistical features>
왜도(Skewness)는 데이터가 갖는 분포의 비대칭성을 나타내는 지표이다. 통계 분석에 있어서 아주 많은 경우 데이터의 정규분포를 가정하기 때문에 이러한 정규 분포에서 어느 정도 벗어나 있는 지를 살펴보기 위한 지표로서 왜도를 사용한다. Skewness is an indicator of the asymmetry of the distribution of data. In statistical analysis, since normal distribution of data is assumed in many cases, skewness is used as an indicator to see how far away from this normal distribution is.
상기 수학식 1에서, ‘’는 왜도 값을 나타내고 ‘’는 데이터의 집합, ’는 데이터의 평균, ‘’는 데이터의 표준편차, 는 평균을 의미한다. In Equation 1 above, ' ' represents the skewness value and ' ' is the set of data, ' is the mean of the data, ' ' is the standard deviation of the data, means average.
왜도 값이 양의 값을 가지면 데이터의 중심이 정규 분포 보다 왼쪽으로 치우쳐져 있고, 음의 값을 가지면 데이터의 중심이 정규 분포 보다 오른쪽으로 치우쳐져있다는 것을 뜻한다.If the skewness value has a positive value, the center of the data is skewed to the left of the normal distribution, and if it has a negative value, it means that the center of the data is skewed to the right of the normal distribution.
첨도(Kurtosis)는 데이터가 평균을 중심으로 가까이 몰려 있는지에 대한 지표이다. Kurtosis is an indicator of how close the data are to the mean.
상기 수학식 2에서,‘'는 첨도 값을 의미하며 값이 3일 경우 정규분포에 가깝고 3보다 작을 경우 데이터가 넓게 분포되어있고, 3보다 클 경우 데이터가 중심에 밀집되어있다고 판단할 수 있다. In Equation 2 above,' ' means the kurtosis value, and if the value is 3, it is close to a normal distribution, if it is less than 3, the data is widely distributed, and if it is greater than 3, it can be judged that the data is concentrated in the center.
<군집화 알고리즘><Clustering Algorithm>
본 명세서에 따른 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법은 비지도 학습 머신러닝 방법중 군집화(Clustering) 알고리즘을 사용할 수 있다. 따라서, 본 명세서의 실시예에 사용된 K-means 군집화 알고리즘에 대해서 간략하게 설명하겠다. The method for detecting faults and diagnosing faults in a system without fault data using a machine learning clustering algorithm and statistical techniques according to the present specification may use a clustering algorithm among unsupervised learning machine learning methods. Therefore, the K-means clustering algorithm used in the examples of this specification will be briefly described.
상기 수학식 3의 의미는 데이터를 포함한 군집이 공통된 데이터를 갖지 않고 각 군집의 중심 ''으로부터 데이터의 거리의 합을 최소화하는 방법으로 군집을 형성한다. The meaning of Equation 3 above is that the clusters including the data do not have common data and the center of each cluster ' Form clusters by minimizing the sum of the distances of data from '.
상기 모델 학습부(120)는 각 서브데이터셋의 분류된 군집간의 분류 정도를 나타내는 척도로서 하나의 값를 추출한다. 군집화 평가 지표를 사용하는 이유는 데이터를 정상과 이상 상태 두개의 군집으로 분류했을 때 분류가 잘 이뤄진다면 고장상태가 발생한 것으로 간주할 수 있고, 분류가 잘 이뤄지지 않을 수록 정상상태에 대해 고장상태가 구분되지 않는 것으로 정상상태에 가깝다고 판단할 수 있기 때문이다. 따라서, 본 명세서의 실시예에 사용된 군집화 평가 지표로서 DBI(Davies-Bouldin Index)에 대해 간략하게 설명하겠다. The model learning unit 120 extracts one value as a scale representing the degree of classification between the classified clusters of each sub-data set. The reason for using the clustering evaluation index is that when data is classified into two clusters, normal and abnormal, if the classification is well done, it can be regarded as a failure state. This is because it can be judged that it is close to the normal state because it is not. Therefore, the Davies-Bouldin Index (DBI) will be briefly described as a clustering evaluation index used in the examples of this specification.
<군집화 평가 지표><Clustering evaluation index>
수학식 4Equation 4
상기 수학식 4에서, ''는 군집간의 거리를 나타내고, ''는 군집 내의 데이터간의 거리를 나타낸다. In Equation 4 above, ' ' represents the distance between clusters, and ' ' represents the distance between data within a cluster.
본 명세서에 따른머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법은 데이터셋의 군집화 이후 군집화 평가 지표로서 DBI를 이용해 정상 또는 고장 상태의 데이터를 학습하고 결함을 탐지할 수 있다. The method for detecting faults and diagnosing faults in a system without fault data using a machine learning clustering algorithm and statistical techniques according to the present specification learns normal or faulty data using DBI as a clustering evaluation index after clustering a dataset and learns fault data. can detect
상기 모델 학습부(120)는 상기 추출된 각 서브 데이터셋(i = 1~n)의 DBI 값( i = 1~n)들에 알맞는 표본분포를 모델링하여 95% 신뢰구간을 계산한다. The model learning unit 120 calculates a 95% confidence interval by modeling a sampling distribution suitable for the DBI values (i = 1 to n) of each extracted sub-dataset (i = 1 to n).
<정규분포 모델링에 따른 95% 신뢰구간><95% confidence interval according to normal distribution modeling>
본 명세서에 따른 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법은 통계적 가설 검정에 기반한 95% 신뢰구간을 사용할 수 있다. 시스템 데이터의 평균, 분산과 같은 모수는 센서로부터 측정된 데이터로부터 추정이 가능하다. 하지만 시스템의 상태가 바뀌었을 때 추정된 모수는 이전 상태의 모수와 다르다는 점을 이용하여 시스템의 결함 탐지 밑 고장 진단 예측을 할 수 있다. 따라서 표본분포의 95% 신뢰구간에 대해서 간략하게 설명하겠다. The fault detection and fault diagnosis prediction method of a system without fault data using the machine learning clustering algorithm and statistical techniques according to the present specification may use a 95% confidence interval based on statistical hypothesis testing. Parameters such as average and variance of system data can be estimated from data measured by sensors. However, system fault detection and fault diagnosis prediction can be made using the fact that the parameters estimated when the system state is changed are different from the parameters of the previous state. Therefore, we briefly describe the 95% confidence interval of the sampling distribution.
일반적으로 통계적 가설 검정은 하나의 집단(모수가 정해진 하나의 시스템)에서 데이터를 추출하거나 두개 이상의 집단에서 데이터를 추출하여 추정된 모수의 비교로부터 여러 집단을 비교할 수 있다. 본 명세서의 일 실시예에 따라 표본 평균의 차이를 비교하는 방법으로 Z-검정 방법에 해당하는 95% 신뢰구간을 사용할 수 있다.In general, statistical hypothesis testing can extract data from one group (one system with fixed parameters) or extract data from two or more groups and compare multiple groups from the comparison of estimated parameters. According to an embodiment of the present specification, a 95% confidence interval corresponding to a Z-test method can be used as a method for comparing differences in sample means.
본 명세서의 일 실시예에서 제안하는 통계적 모델의 경우 시스템에서 추출될 수 있는 데이터가 정규분포를 따른다는 가정으로 Z-검정의 통계량을 사용하였지만 시스템의 데이터에 대한 가정에 따라 T-검정 등을 사용할 수 있다. In the case of the statistical model proposed in an embodiment of this specification, the Z-test statistic was used on the assumption that the data that can be extracted from the system follows a normal distribution, but a T-test or the like can be used depending on the assumption of the system data. can
실시예Example
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 한다. 한편, 이해의 편의를 위해, 본 명세서에 따른 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법은 컴퓨터 프로그램으로 구현되어 컴퓨터 프로세서에 의해서 실행되는 것을 가정하고 설명한다. 따라서 본 명세서에 따른 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 의 각 단계는 프로세서가 실행하는 것으로 이해할 수 있다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. On the other hand, for convenience of understanding, it is assumed that the fault detection and fault diagnosis prediction method for a system without fault data using the machine learning clustering algorithm and statistical technique according to the present specification is implemented as a computer program and executed by a computer processor. Explain. Therefore, it can be understood that each step of the fault detection and fault diagnosis prediction method for a system without fault data using the machine learning clustering algorithm and statistical techniques according to the present specification is executed by a processor.
도 1은 본 발명의 일 실시예에 따른 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 시스템의 구성을 나타낸 구성도이고, 도 2는 본 발명의 실시예에 따른 흐름도이다. 도 1에서 나타낸 것처럼, 제목 은 데이터 수신부(110), 모델 학습부(120), 결함 탐지부(130), 고장 진단 및 예측부(140) 그리고 디스플레이부(150)를 포함한다.1 is a block diagram showing the configuration of a fault detection and fault diagnosis prediction method system for a system without fault data using a machine learning clustering algorithm and a statistical technique according to an embodiment of the present invention, and FIG. 2 is an embodiment of the present invention. It is a flow chart according to an example. As shown in FIG. 1, the subject includes a data receiving unit 110, a model learning unit 120, a defect detection unit 130, a failure diagnosis and prediction unit 140, and a display unit 150.
도 2을 참조하면, 먼저 단계 S10은 상기 도면 1의 데이터 수신 및 저장부(110)에서 기계 또는 설비에 부착된 센서 또는 기계 또는 설비 내부로부터 실시간으로 전송되는 데이터를 수신하여 저장한다.Referring to FIG. 2 , first, in step S10, the data receiving and storing unit 110 of FIG. 1 receives and stores data transmitted in real time from a sensor attached to a machine or facility or from inside the machine or facility.
여기서 기계 또는 설비는 통상적으로 공장의 설비, 비행기 또는 자동차 등에 포함 되는 모든 기계적 장치를 포함한다. 컴퓨터와 같이 내부적으로 데이터를 전송할 수 있는 장치 뿐만 아니라 센서를 부착할 수 있는 모든 장비를 포함한다. Here, the machine or facility includes all mechanical devices normally included in factory facilities, airplanes, or automobiles. It includes not only devices that can transmit data internally, such as computers, but also all equipment to which sensors can be attached.
그리고, 기계 또는 설비에 부착될 수 있는 센서는 진동센서, 습도센서, 온도센서 그리고 가속도 센서 등을 포함한 기계 설비에 영향을 줄 수 있는 모든 종류의 센서를 포함하며 데이터 수신 및 저장부는 유, 무선 네트워크를 이용하여 센싱 데이터와 내부 데이터를 실시간으로 획득 및 저장한다. 여기서, 유, 무선 네트워크는 3G, 4G, 5G, LTE, WiFi, Bluetooth 및 Zigbee 중에서 어느 하나를 포함한다. In addition, sensors that can be attached to machines or facilities include all types of sensors that can affect mechanical facilities, including vibration sensors, humidity sensors, temperature sensors, and acceleration sensors, and data reception and storage units are wired and wireless networks. Acquires and stores sensing data and internal data in real time using Here, the wired and wireless networks include any one of 3G, 4G, 5G, LTE, WiFi, Bluetooth, and Zigbee.
다음 단계 S20에서, 도면 1의 모델 학습부(120)에서 데이터 수신 및 저장부(110)에 저장된 데이터를 입력받아 정상 상태 또는 고장 상태를 분간하는 지표를 모델링한다. In the next step S20, the model learning unit 120 of FIG. 1 receives the data stored in the data reception and storage unit 110 and models an index for distinguishing a normal state or a failure state.
여기서, 상기 단계 S20에서 상태 모델링은 고장 데이터가 부재한 상황에서 정상 상태의 데이터 모델링과 고장 데이터가 있을 경우 정상 상태와 고장 상태를 데이터 모델링하는 것 또한 포함한다. Here, the state modeling in step S20 also includes data modeling of the normal state in the absence of failure data and data modeling of the normal state and the failure state in the case of failure data.
도 3은 본 발명의 일 실시예에 따른 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법의 단계 S20의 상세한 방법을 설명하기 위해 도시한 흐름도이고 도 4는 전체 데이터셋에 대해 일정 간격으로 분할된 서브 데이터셋(sub dataset)을 이용하여 하나의 결함 탐지 및 고장 진단과 예측을 위해 생성한 하나 지표에 대한 예시이다.3 is a flowchart illustrating a detailed method of step S20 of a method for detecting a fault in a system without fault data and predicting a fault diagnosis using a machine learning clustering algorithm and a statistical technique according to an embodiment of the present invention; is an example of one indicator created for one defect detection and failure diagnosis and prediction using sub datasets divided at regular intervals from the entire dataset.
이하에서는 도 3과 도 4를 참고하여, 단계 S20의 정상 상태와 고장 상태의 통계적 모델을 학습하는 과정에 대해 구체적으로 설명한다.Hereinafter, with reference to FIGS. 3 and 4, the process of learning the statistical model of the normal state and the failure state of step S20 will be described in detail.
도 3을 참고하면, 상기 모델 학습부(120)는 정상 상태 또는 고장 상태의 전체 데이터셋(Dataset)을 입력 받는다. 여기서 전체 데이터셋이라 함은 실시간으로 입력받은 데이터가 아닌 학습에 충분한 크기를 갖는 정상 또는 고장 상태의 시스템에서 추출한 센서 및 내부 데이터를 의미한다. Referring to FIG. 3 , the model learning unit 120 receives an entire dataset in a normal state or a failure state. Here, the entire dataset means sensor and internal data extracted from a system in a normal or broken state having a size sufficient for learning, not data input in real time.
도 4를 참고하면 상기 전체 데이터셋은 일정한 간격으로 분할되어 N개의 서브데이터셋(Subdataset_{i =1~n})을 만들고 분할된 서브데이터셋 각각에 대해 통계적 특징을 추출한다. 계산의 편의를 위해 왜도(Skewness), 첨도(Kurtosis)의 두가지 통계적 특징을 사용한것을 가정한다. Referring to FIG. 4, the entire dataset is divided at regular intervals to create N subdatasets (Subdataset_{i = 1 to n}), and statistical features are extracted for each of the divided subdatasets. For convenience of calculation, it is assumed that two statistical characteristics, skewness and kurtosis, are used.
본 명세서의 예시에서 사용된 왜도(Skewness), 첨도(Kurtosis)를 포함해 여러가지 통계적 특징이 사용될 수 있으며 설명한 통계적 특징에 제한되는 것이 아니라 알려진 여러가지 통계적 특징이 사용될 수 있다.Various statistical characteristics including skewness and kurtosis used in the examples herein may be used, and various known statistical characteristics may be used without being limited to the statistical characteristics described.
다시 도 3과 도 4을 참조하면, 상기 모델 학습부(120)은 상기 통계적 특징들을 데이터로서 각 서브 데이터셋에 대해 머신러닝(Machine Learning)의 군집화(Clustering)알고리즘을 적용하여 두개의 군집으로 분류한다. Referring back to FIGS. 3 and 4 , the model learning unit 120 classifies the statistical features into two clusters by applying a machine learning clustering algorithm to each sub-data set as data. do.
본 명세서의 일 실시예에 따르면, 상기 분류된 두개의 군집은 머신러닝에 머신러닝의 비지도 학습에 해당하는 군집화 모델 중 K-means 군집화(K-means clustering)을 사용하였다. 상기 군집화 모델에서 두개의 군집으로 분류하는 이유는 시스템의 데이터가 정상 상태의 데이터와 고장 상태의 데이터를 함께 나타낼 수 있기 때문에, 군집화가 잘 이루어진다는 것은 고장상태가 명확히 관측된다는 의미이다.According to an embodiment of the present specification, the classified two clusters use K-means clustering among clustering models corresponding to unsupervised learning of machine learning in machine learning. The reason for classifying into two clusters in the clustering model is that the system data can represent both normal state data and failure state data, so good clustering means that the failure state is clearly observed.
다시 도 3과 도 4을 참조하면, 상기 모델 학습부(120)는 각 서브데이터셋의 분류된 군집간의 분류 정도를 나타내는 지표로서 하나의 값를 추출한다. 상기 군집화 분류 정도 지표를 사용하는 이유는 데이터를 정상과 이상 상태 두개의 군집으로 분류했을 때 분류가 잘 이뤄진다면 고장상태가 발생한 것으로 간주할 수 있고, 분류가 잘 이루어 질 수록 정상상태에 대해 고장상태가 구분되는 것으로 정상상태에 가깝다고 판단할 수 있기 때문이다. Referring back to FIGS. 3 and 4 , the model learning unit 120 extracts one value as an index representing the degree of classification between classified clusters of each sub-data set. The reason for using the clustering classification degree index is that when data is classified into two clusters, normal and abnormal, if the classification is done well, it can be regarded as a failure state. This is because it can be judged that it is close to the normal state.
본 명세서의 일 실시예에 따르면, 상기 군집화 평가 지표로 DBI(Davies Bouldin Index)를 사용할 수 있다.According to an embodiment of the present specification, the Davies Bouldin Index (DBI) may be used as the clustering evaluation index.
이하에서는 도 5와 도 6을 참고하여, 모델 학습부(120)에서 획득한 정상 상태의 95% 신뢰구간을 이용하여 결함 탐지부(130)의 결함 탐지하는 과정에 대해 구체적으로 설명한다.Hereinafter, with reference to FIGS. 5 and 6 , a defect detection process of the defect detection unit 130 using the 95% confidence interval of the steady state acquired by the model learning unit 120 will be described in detail.
도 5은 본 발명의 일 실시예에 따른 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법의 단계 S30의 상세한 방법을 설명하기 위해 도시한 흐름도이다.5 is a flowchart illustrating a detailed method of step S30 of a method for detecting a fault in a system without fault data and predicting a fault diagnosis using a machine learning clustering algorithm and a statistical technique according to an embodiment of the present invention.
상기 결함 탐지부(130)는 기존에 수집된 정상 상태의 데이터셋을 상기 모델 학습부(120)을 통해 계산된 상태 지표를 입력받을 수 있다. The defect detection unit 130 may receive a condition indicator calculated through the model learning unit 120 from a previously collected dataset in a normal state.
상기 결함 탐지부(130)는 상기 모델 학습부(120)으로 부터 전달 받은 상기 정상 상태의 상태 지표를 적당한 통계 분포를 가정해 파라미터를 추정하고 95% 신뢰구간을 산출할 수 있다. The defect detection unit 130 may estimate a parameter of the state indicator of the steady state received from the model learning unit 120 assuming an appropriate statistical distribution and calculate a 95% confidence interval.
도 6은 상기 상태 지표의 분포를 나타내는 예시이다.6 is an example showing the distribution of the condition indicators.
도 6을 참조하면, 상기 정상 상태의 상태 지표는 정규 분포의 형태를 보이고 하나의 값에 밀집해 있는것을 볼 수 있다.Referring to FIG. 6 , it can be seen that the state index in the steady state shows a normal distribution and is concentrated at one value.
본 명세서의 일 실시예에 따르면, 상기 통계 분포는 정규 분포로 가정하였고, 상기 정상 상태의 상태 지표에 해당하는 정규 분포의 파라미터는 아래 수학식을 통해 산출 될 수 있다.According to an embodiment of the present specification, the statistical distribution is assumed to be a normal distribution, and parameters of the normal distribution corresponding to the state index of the steady state may be calculated through the following equation.
상기 수학식 5에서 ''는 상기 모델 학습부(120)로부터 전달 받은 ''개의 군집화 평가 지표 값 ''을 나타낸다. ''는 군집화 평가 지표의 평균, ''는 표준편차를 나타낸다. In Equation 5 above, ' ' is transmitted from the model learning unit 120 ' 'Dog clustering evaluation index value' '. ' ' is the average of clustering evaluation indicators, ' ' represents the standard deviation.
상기 군집화 평가 지표는 시스템의 상태 지표로 사용할 수 있고, 본 명세서의 일 실시예에 따르면, 정상 상태의 상태 지표의 범위는 상기 추정된 파라미터를 이용해 아래 수식을 이용해 산출될 수 있다.The clustering evaluation index may be used as a state index of the system, and according to an embodiment of the present specification, the range of the state index in a steady state may be calculated using the following formula using the estimated parameter.
''는 Z-검정의 95%의 유의수준에 해당하는 통계량, ''는 상기 데이터 수신 및 저장부(110)로부터 실시간으로 수신된 데이터를 상기 모델 학습부(120)에 입력받아 산출된 상태 지표이다.' ' is the statistic corresponding to the 95% significance level of the Z-test, ' ' is a state indicator calculated by receiving the data received in real time from the data reception and storage unit 110 into the model learning unit 120.
시스템의 상태가 일정하다면, 실시간 시스템의 데이터로부터 산출된 상태 지표 값 ''은 상기 수학식 6에서 산출된 정상 상태의 신뢰 구간의 범위 안에 들어가야 한다. 따라서 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법의 결함 탐지 방법은 정상 상태의 상태 지표의 95% 신뢰구간을 계산하고, 데이터 수신 및 저장부(110)로부터 실시간으로 수신된 데이터를 상기 모델 학습부(120)에 입력받아 산출된 상태 지표가 상기 정상 상태의 상태 지표 신뢰 구간의 범위에서 벗어난 경우 통계적 검정 방법에 의해 결함으로 탐지한다. If the state of the system is constant, the state indicator value calculated from real-time system data ' ' must fall within the range of the steady-state confidence interval calculated in Equation 6 above. Therefore, the fault detection method of fault detection and fault diagnosis prediction method of a system without fault data using machine learning clustering algorithm and statistical technique calculates the 95% confidence interval of the condition indicator in the normal state, and the data reception and storage unit (110 ) is input to the model learning unit 120 in real time, and when the calculated state indicator is out of the range of the steady state state indicator confidence interval, it is detected as a defect by a statistical test method.
도 7은 정상 상태의 상태 지표의 95% 신뢰구간과 데이터 수신 및 저장부(110)로부터 실시간으로 수신된 데이터를 상기 모델 학습부(120)에 입력받아 산출된 상태 지표 값들의 예시 그래프이다.7 is an exemplary graph of state indicator values calculated by receiving data received in real time from the data reception and storage unit 110 and a 95% confidence interval of a state indicator in a steady state into the model learning unit 120 .
도 7을 참조하면, 수학식 6으로부터 산출된 정상 상태의 상태 지표의 95% 신뢰구간(점선)은 (0.91193, 0.92389)으로 확인할 수 있다. 그리고 데이터 수신 및 저장부(110)로부터 실시간으로 수신된 상기 서브 데이터셋과 같은 크기의 데이터셋을 상기 모델 학습부(120)에 입력받아 산출된 상태 지표 값 [시간1: 0.92133, 시간 2: 0.9157, 시간 3: 0.920455, 시간 4: 0.90521]을 볼 수 있다. 시간 순서대로 0.92133, 0.9157, 0.920455는 정상 상태의 상태 지표 95% 신뢰구간에 포함 되어 시스템은 정상 상태로 판단될 수 있다. 하지만 시간 4에 해당하는 상태 지표값인 0.90521은 정상 상태의 상태 지표 95% 신뢰구간을 벗어난다. 즉 실시간으로 데이터 수신 및 저장부(110)으로 부터 모델 학습부(120)에 입력되어 산출된 상태 지표값을 산출된 정상 상태의 상태 지표 신뢰 구간과 비교해 시간 4에 결함이 탐지되었다는 뜻이다. Referring to FIG. 7 , the 95% confidence interval (dotted line) of the state indicator in the steady state calculated from Equation 6 can be confirmed as (0.91193, 0.92389). And the state indicator value calculated by receiving the dataset having the same size as the sub-dataset received in real time from the data receiving and storing unit 110 into the model learning unit 120 [Time 1: 0.92133, Time 2: 0.9157] , time 3: 0.920455, time 4: 0.90521]. In chronological order, 0.92133, 0.9157, and 0.920455 are included in the 95% confidence interval of the state indicator of the steady state, so the system can be judged to be in a steady state. However, the condition index value corresponding to time 4, 0.90521, is outside the 95% confidence interval of the condition index in the steady state. That is, it means that a defect was detected at time 4 by comparing the calculated state indicator value inputted from the data reception and storage unit 110 to the model learning unit 120 in real time with the calculated steady state state indicator confidence interval.
이하에서는 도 7을 참고하여, 모델 학습부(120)에서 획득한 정상 상태의 95% 신뢰구간을 이용하여 결함 탐지부(130)의 결함 탐지하는 과정에 대해 구체적으로 설명한다.Hereinafter, with reference to FIG. 7 , a defect detection process of the defect detection unit 130 using the 95% confidence interval of the normal state acquired by the model learning unit 120 will be described in detail.
도 7은 본 발명의 일 실시예에 따른 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법의 단계 S40의 고장 진단 및 예측의 상세한 방법을 설명하기 위해 도시한 흐름도이다.7 is a diagram to explain a detailed method of fault diagnosis and prediction in step S40 of a fault detection and fault diagnosis prediction method for a system without fault data using a machine learning clustering algorithm and a statistical technique according to an embodiment of the present invention. It is a flow chart.
도 7을 참조하면, 본 발명의 일 실시예에 따른 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법의 고장 진단 및 예측부(140)장 진단 및 예측 방법은 정상 상태의 데이터만으로 결함을 탐지하는 결함 탐지부(130)와 달리 정상 데이터 뿐만 아니라 고장 상태의 데이터를 함께 이용하여 고장 상태를 진단하고 결함으로부터 고장까지의 시간을 예측할 수 있다.Referring to FIG. 7 , failure diagnosis and prediction section 140 diagnosis and prediction of a failure detection and failure diagnosis and prediction method for a system without failure data using a machine learning clustering algorithm and a statistical technique according to an embodiment of the present invention. Unlike the defect detection unit 130 that detects a defect only with data in a normal state, the method can diagnose a failure state by using both normal data and data in a failure state and estimate the time from failure to failure.
다시 도 7을 자세히 설명하면, 상기 결함 탐지부(130)에서, 실시간으로 들어온 상태 지표 값이 정상 상태의 상태 지표 신뢰구간을 벗어남으로서 고장 예측 및 탐지부(140)에 결함 탐지 정보를 전달한다. 그런 다음, 결함 탐지부(130)로부터 결함 탐지 정보를 입력받는 시점(상기 상태 지표 값 집합의 가장 첫번째 값이 발생한 시각)부터 실시간으로상기 데이터 수신 및 저장부(110)에서 수신된 센서 데이터를 상기 모델 학습부(120)에 입력받아 산출된 상태 지표 값들의 변화 추이를 가장 잘 설명할 수 있는 곡선을 추정한다. 그리고 상기 실시간 상태 지표 값들이 시간에 따라 변하는 방향에 따라 고장 A 또는 고장 B에 대한 결함을 진단할 수 있다. 또한 상기 추정 곡선을 이용해 고장이 발생할 시점을 계산할 수 있다. Referring again to FIG. 7 in detail, the defect detection unit 130 transfers defect detection information to the failure prediction and detection unit 140 as the condition indicator value received in real time deviate from the normal state condition indicator confidence interval. Then, the sensor data received from the data reception and storage unit 110 is stored in real time from the time of receiving the defect detection information from the defect detection unit 130 (the time when the first value of the condition indicator value set is generated). A curve that can best explain the trend of change in state indicator values calculated by receiving input from the model learning unit 120 is estimated. In addition, a fault for failure A or failure B may be diagnosed according to the direction in which the real-time state indicator values change over time. In addition, it is possible to calculate the point in time when a failure occurs using the estimation curve.
상기 고장 진단 및 예측부(140)는 결함 탐지부(130)와 같이 정상 상태의 데이터를 모델 학습부(120)에 입력해 상태 지표를 산출하고, 여러 고장 상태의 데이터셋 또한 상기 모델 학습부(120)에 입력해 상태 지표를 산출할 수 있다. Like the defect detection unit 130, the failure diagnosis and prediction unit 140 inputs data in a normal state to the model learning unit 120 to calculate a condition indicator, and various failure state datasets are also included in the model learning unit ( 120) to calculate the condition indicator.
상기 산출된 정상 상태의 상태 지표 분포와 여러 고장 상태의 상태 지표 분포에 대해 신뢰 구간을 얻을 수 있다. Confidence intervals may be obtained for the calculated distribution of condition indicators in the normal state and the distribution of condition indicators in various failure states.
본 명세서의 일 실시예에 따르면, 상기 통계 분포는 정규 분포로 가정하였고, 상기 정상 상태의 상태 지표 분포와 여러 고장 상태의 상태 지표에 해당하는 정규 분포의 파라미터는 수학식 5를 통해 산출 될 수 있다. According to an embodiment of the present specification, the statistical distribution is assumed to be a normal distribution, and parameters of the normal distribution corresponding to the condition indicator distribution in the normal state and the condition indicators in various failure states can be calculated through Equation 5 .
도 9은 각각 상기 여러 고장 상태 중 특정 고장A와 고장B 상태 지표 신뢰 구간를 나타내는 그래프 예시이다.9 is a graph illustrating specific failure A and failure B state indicator confidence intervals among the various failure states, respectively.
도 9를 참조하면, 고장 A와 고장 B에 대해 각각에 대한 분포와 95% 신뢰구간이다. 도 9, 10에서 확인할 수 있듯이, 고장 A의 상태 지표 평균과 분산은 0.651571, 0.002246으로 수학식 5과 수학식 6을 통해 95% 신뢰구간은 (0.647169, 0.655972)이고, 고장 B의 상태 지표 평균과 분산은 0.863973, 0.003274으로 수학식 5와 수학식 6을 통해 95% 신뢰구간은 (0.857555, 0.870389)으로 산출된다.Referring to FIG. 9, the distribution and 95% confidence interval for failure A and failure B, respectively. As can be seen in FIGS. 9 and 10, the average and variance of the state indicator of failure A are 0.651571 and 0.002246, and the 95% confidence interval through Equations 5 and 6 is (0.647169, 0.655972), and the average and variance of the state indicator of failure B The variance is 0.863973, 0.003274, and the 95% confidence interval is calculated as (0.857555, 0.870389) through Equations 5 and 6.
도 9에 도시된 예시를 다시 간단히 설명하면, 시스템의 고장 A와 고장 B일 경우의 상태 지표는 각각 (0.647169, 0.655972)와 (0.857555, 0.870389)에 해당된다는 뜻이다.Briefly explaining the example shown in FIG. 9 again, it means that the state indicators in the case of failure A and failure B of the system correspond to (0.647169, 0.655972) and (0.857555, 0.870389), respectively.
다시 도 8을 참조하면, 상기 고장 진단 및 예측부(140)는 결함 탐지부(130)으로부터 관측된 결함 정보와 상기 데이터 수신 및 저장부(110)에서 모델 학습부(120)으로부터 실시간 산출된 결함에 해당하는 상태 지표를 입력받아 상기 계산된 정상 상태와 여러 고장 상태의 상태 지표 95% 신뢰구간을 참조하여 고장 진단 및 예측을 수행할 수 있다. Referring back to FIG. 8 , the failure diagnosis and prediction unit 140 uses defect information observed from the defect detection unit 130 and defects calculated in real time from the model learning unit 120 in the data reception and storage unit 110. It is possible to perform fault diagnosis and prediction by receiving condition indicators corresponding to the calculated normal state and 95% confidence intervals of condition indicators of various fault states.
도 10은 상기 데이터 수신 및 저장부(110)으로부터 실시간 센서 데이터를 상기 모델 학습부(120)에 입력받아 상태 지표값을 산출한 뒤 고장 진단 및 예측부(140)에서 1차 식으로 모델링한 그래프 예시이다. 10 is a graph modeled by a primary equation in the failure diagnosis and prediction unit 140 after receiving real-time sensor data from the data reception and storage unit 110 into the model learning unit 120 and calculating a state index value This is an example.
도 10을 참조하면, 상기 데이터 수신 및 저장부(110)에서 수신된 센서 데이터를 상기 모델 학습부(120)에 입력받아 산출된 상태지표 값의 집합은 시간 순서대로 [0.8082714845505117, 0.7999622114525744, 0.791487347682909, 0.7995838582122862, 0.7930719778953367, 0.779856315609422, 0.7862067325206629, 0.7820035300430664, 0.7797739874694731, 0.7780853152890347, 0.7947724620408656, 0.7896694849329334, 0.771571928580048, 0.7806675209093021, 0.7716661049792911, 0.7883671432199814, 0.7660400044051897, 0.7767948531953544, 0.7637158382433687, 0.7827380307156276]이다. 상기 실시간 상태 지표값의 집합을 일차식의 직선으로 아래 수학식 7을 통해 모델링된것을 확인할 수 있다. 아래 수학식 7은 일반적인 선형 회귀 방정식을 나타내고 있다.Referring to FIG. 10, the set of state indicator values calculated by receiving the sensor data received from the data reception and storage unit 110 as input to the model learning unit 120 is [0.8082714845505117, 0.7999622114525744, 0.791487347682909, 0.79958385821] 22862 , . 0.7947724620408656, 0.7896694849329334, 0.771571928580048, 0.7806675209093021, 0.7716661049792911, 0.7883671432199814, 0.76 60400044051897, 0.7767948531953544, 0.7637158382433687, 0.7827380307156276]. It can be confirmed that the set of real-time state indicator values is modeled as a linear straight line through Equation 7 below. Equation 7 below represents a general linear regression equation.
상기 수학식 7에서 ''는 추정하는 직선''의 파라미터이고, ''는 상기 데이터 수신 및 저장부(110)에서 수신된 센서 데이터를 상기 모델 학습부(120)에 입력받아 산출된 상태 지표 값의 집합이다.In Equation 7 above, ' 'is a straight line to estimate' ' is a parameter of ' ' is a set of state indicator values calculated by receiving the sensor data received from the data receiving and storing unit 110 into the model learning unit 120.
다시 도 10을 참조하면, 상기 실시간 상태 지표값의 시간에 대한 변화 추이를 일차식으로 나타내어 앞서 도 9에 도시된 고장 A의 신뢰 구간이 포함되기 시작한 시간을 추정할 수 있다.Referring back to FIG. 10 , it is possible to estimate the time at which the confidence interval of failure A shown in FIG.
다시 도 10에 도시된 예시를 다시 간단히 설명하면, 상기 실시간 상태 지표값들의 시간에 따른 변화 추이 곡선을 보면 결함이 시작되는 시점(도 10의 Time 0)에서 부터 마지막 실시간 상태 지표값이 측정된 시점(도 10의 Time 20)까지 값이 줄어든 것으로 보아 도 9의 고장 A에 다가간다고 예측할 수 있다. 따라서 고장 A에 대한 결함으로 진단할 수 있다. 또한 상기 실시간 상태 지표의 변화 추이 곡선으로 부터 고장 A의 신뢰구간 범위에 도달할 수 있는 시간은 Time 20 부터 Time 100까지로 Time 80이 지난 후 고장 A가 발생할 것으로 진단 가능하다. Briefly explaining the example shown in FIG. 10 again, looking at the change trend curve of the real-time state indicator values over time, from the time when the defect starts (Time 0 in FIG. 10) to the time when the last real-time state indicator value is measured From the fact that the value decreases until (Time 20 in FIG. 10), it can be predicted that the failure A in FIG. 9 is approaching. Therefore, it can be diagnosed as a fault for failure A. In addition, the time to reach the confidence interval range of failure A from the change trend curve of the real-time condition indicator is from Time 20 to Time 100, and it is possible to diagnose that failure A will occur after Time 80 has elapsed.
도 11은 실시간 상태 지표의 변화 추이가 상기 고장 A를 향하는 것과 반대로 고장 B로 향하는 실시간 상태 지표 값의 변화 추이에 대한 그래프 예시이다. 11 is a graph example of a change trend of a real-time condition indicator value toward a fault B as opposed to a change trend of the real-time condition indicator toward the fault A.
도 11을 참조하면, 실시간 상태 지표값은 [0.7989974483369516, 0.7993925831353061, 0.804725218215658, 0.7985067208999138, 0.8011089040421506, 0.8087378394784509, 0.8064105990638816, 0.7975970657822791, 0.8113934234882457, 0.8020159774871587, 0.8053211349719757, 0.8001695435618309, 0.8096599029574428, 0.8029610741313947, 0.8128719008249679, 0.810044525959354, 0.8067756246385512, 0.8195764883344755, 0.8142903098568228, 0.8173273019200041]으로 결함 발생 시점부터 시간에 따라 증가하는 추이를 보여준다. 따라서 실시간 상태 지표값의 변화 추이에 따라 고장 B의 결함으로 진단할 수 있고 고장 발생 예측 시간은 Time 80으로 확인할 수 있다. Referring to FIG. 11, the real-time state indicator values are [0.7989974483369516, 0.7993925831353061, 0.804725218215658, 0.7985067208999138, 0.8011089040421506, 0.8087378 394784509, 0.8064105990638816, 0.7975970657822791, 0.8113934234882457, 0.8020159774871587, 0.8053211349719757, 0.8001695435 618309, 0.8096599029574428, 0.8029610741313947, 0.8128719008249679, 0.810044525959354, 0.8067756246385512, 0.81957648833447 55, 0.8142903098568228, 0.8173273019200041], showing an increasing trend with time from the time of occurrence of the defect. Therefore, it can be diagnosed as a defect of failure B according to the change trend of the real-time status indicator value, and the prediction time of failure occurrence can be confirmed as Time 80.
실시간 상태 지표 값의 변화 추이에 따라 고차 다항식을 통해 변화 추이 곡선을 계산할 수 있다.According to the change trend of the real-time condition indicator value, a change trend curve can be calculated through a high-order polynomial.
도 12는 실시간 상태 지표 값에 대해 2차식 곡선으로 모델링한 그래프 예시이다.12 is an example of a graph modeled with a quadratic curve for real-time state index values.
도 12를 참조하면, 실시간 상태 지표값은 [0.8087958629496578, 0.8109826706967816, 0.8096827053085732, 0.8046418091755376, 0.8025164797091783, 0.7999716881636824, 0.8010433309877496, 0.8063684514881266, 0.8021963200171204, 0.8054660190735634, 0.7913854003535287, 0.8120977678861199, 0.7878414166072655, 0.8027761347502894, 0.8081885342052546, 0.8056805947834116, 0.7942452363793407, 0.8035121919215729, 0.7924143768825517, 0.7928789733165137, 0.8077184167172129, 0.7855867570569314, 0.7942349852586097, 0.7887051157056041, 0.7860966541210463, 0.7919814630631739, 0.7848281150810076, 0.7772668288531478, 0.8013310718822926, 0.7768341080553052, 0.7860801616257375, 0.7899289003490034, 0.7850593489334408, 0.773605861462604, 0.7775930218258464, 0.7722090027980141, 0.7923964147859431, 0.7697388305284556, 0.7887033362458561, 0.7851203997532492]으로 결함 발생 시점부터 시간에 따라 급격히 감소하는 추이를 보여준다. 상기 실시간 상태 지표값은 2차식의 곡선으로 아래 수학식 8을 통해 모델링된것을 확인할 수 있다.Referring to FIG. 12, the real-time state indicator values are [0.8087958629496578, 0.8109826706967816, 0.8096827053085732, 0.8046418091755376, 0.8025164797091783, 0.799971 6881636824, 0.8010433309877496, 0.8063684514881266, 0.8021963200171204, 0.8054660190735634, 0.7913854003535287, 0.812097767 8861199, 0.7878414166072655, 0.8027761347502894, 0.8081885342052546, 0.8056805947834116, 0.7942452363793407, 0.803512191921 5729, 0.7924143768825517, 0.7928789733165137, 0.8077184167172129, 0.7855867570569314, 0.7942349852586097, 0.7887051157056041, 0.7860966541210463, 0 .7919814630631739, 0.7848281150810076, 0.7772668288531478, 0.8013310718822926, 0.7768341080553052, 0.7860801616257375, 0.78 99289003490034, 0.7850593489334408, 0.773605861462604, 0.7775930218258464, 0.7722090027980141, 0.7923964147859431, 0.769738 8305284556, 0.7887033362458561, 0.7851203997532492], depending on the time since the fault occurred. shows a rapidly declining trend. It can be seen that the real-time state index value is modeled through Equation 8 below as a quadratic curve.
수학식 8에서 ''는 추정하는 곡선 ''의 파라미터이다. In Equation 8, ' 'is the curve to estimate' It is a parameter of '.
도 12에서 확인할 수 있듯이, 상기 실시간 상태 지표값이 시간에 따라 감소함에 따라 고장의 신뢰구간 범위에 가까워지고 있는 것으로 고장 A의 결함으로 진단할 수 있다. 마지막 실시간 상태 지표값의 관측되는 시점은 Time 40으로 Time 100에서 고장 A에 도달 할 것으로 예측하여 고장 A까지 남은 시간은 Time 60으로 예상 가능하다. As can be seen in FIG. 12 , as the real-time state indicator value decreases with time, it is closer to the range of the confidence interval of the failure, which can be diagnosed as a defect of failure A. The point at which the last real-time status index value is observed is Time 40, and it is predicted that failure A will be reached at Time 100, and the remaining time until failure A can be estimated at Time 60.
위에서 설명된 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법과 고장 진단 및 예측 방법은 컴퓨터에서 각 단계들을 수행하도록 작성되어 컴퓨터로 출력 가능한 기록 매체에 기록된 컴퓨터프로그램의 형태로 구현될 수 있다. Using the machine learning clustering algorithm and statistical techniques described above, the method for detecting and diagnosing and predicting failures in a system without failure data is written to perform each step in a computer and recorded on a computer-printable recording medium. It can be implemented in the form of a computer program.
컴퓨터프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C/C++, Python 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 코드(Functional Code)를 포함할 수 있다. 또한 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 제어 코드를 포함할 수 있다. 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치에서 참조되어야 하는지 메모리 참조 코드를 포함 할 수 있다. 또한 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위해 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다. A computer program is a computer language such as C/C++ or Python that can be read by a processor (CPU) of the computer through a device interface of the computer so that the computer reads the program and executes the methods implemented in the program. Coded code may be included. Such codes may include functional codes related to functions defining necessary functions for executing the above methods. In addition, it may include an execution procedure control code necessary for the processor of the computer to execute the functions according to a predetermined procedure. This code may include a memory reference code indicating where additional information necessary for the processor of the computer to execute the functions should be referenced in internal or external memory of the computer. In addition, if the processor of the computer needs to communicate with any other remote computer or server in order to execute the functions, the code is how to communicate with any other remote computer or server using the communication module of the computer. It may further include communication-related codes for whether or not to do so.
여기서 설명하는 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법은 본 발명의 하나의 실시예에 불과하며, 그 이외에 필요에 따라 다양한 단계들이 부가될 수 있고, 하기의 단계들도 순서를 변경하여 실시될 수 있으므로, 본 발명이 하기에 설명하는 각 단계 및 그 순서에 한정되는 것은 아니다. 이는 이하의 다른 실시예에서도 동일하게 적용될 수 있다. The method for detecting faults and diagnosing and predicting faults in a system without fault data using the machine learning clustering algorithm and statistical techniques described herein is only one embodiment of the present invention, and various steps may be added as needed. , Since the following steps may also be performed by changing the order, the present invention is not limited to each step and its order described below. This can be equally applied to other embodiments below.
이상, 첨부된 도면을 참조하여 본 명세서의 실시 예를 설명하였지만, 본 명세서가 속하는 기술분야의 통상의 기술자는 본 발명이 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시 적인 것이며, 제한적이 아닌 것으로 이해해야만 한다. Although the embodiments of this specification have been described with reference to the accompanying drawings, those skilled in the art to which this specification belongs will understand that the present invention can be implemented in other specific forms without changing the technical spirit or essential features. You will be able to. Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive.
Claims (16)
상기 실시간 수신 및 저장된 데이터의 특징(feature)을 추출하고, 상기 추출된 특징을 머신러닝의 클러스터링 알고리즘에 적용하여 데이터의 상태 지표를 산출하는 모델 학습부,
상기 저장된 정상 상태의 데이터에 대해 산출된 상태 지표 분포의 신뢰 구간을 설정하고, 상기 실시간 수신된 데이터에 대해 산출된 상태 지표를 이용해 시스템의 결함을 탐지하는 결함 탐지부,
상기 저장된 정상 상태의 데이터와 고장 상태의 데이터에 대해 산출된 상태 지표 분포의 신뢰 구간을 설정하고, 상기 실시간 수신된 데이터에 대해 산출된 상태 지표를 이용해 시스템의 고장을 진단하고 결함부터 고장까지의 시간을 예측하는 고장 진단 및 예측부,
그리고 상기 기계 및 장치를 포함한 시스템의 결함 탐지 및 고장 예측 정보를 사용자에게 제공하는 디스플레이부를 포함한 결함 탐지 및 고장 예측 장치.
A method for detecting faults and diagnosing and predicting faults in systems without fault data using machine learning clustering algorithms and statistical techniques, a data receiving and storing unit that receives machine and facility data in real time and stores the received data;
A model learning unit that extracts features of the data received and stored in real time and applies the extracted features to a clustering algorithm of machine learning to calculate state indicators of the data;
a defect detection unit configured to set a confidence interval of the condition indicator distribution calculated for the stored steady-state data and to detect a defect in the system using the condition indicator calculated for the data received in real time;
A confidence interval of the condition indicator distribution calculated for the stored normal state data and failure state data is set, system failure is diagnosed using the condition index calculated for the real-time received data, and time from failure to failure is determined. A failure diagnosis and prediction unit that predicts
and a defect detection and failure prediction device including a display unit providing a user with defect detection and failure prediction information of the system including the machine and device.
상기 데이터 수신 및 저장부는,
기계 및 장치를 포함한 설비 및 센서 부착을 통해 데이터를 획득할 수 있는 모든 시스템에 대해, 시스템 내부로 부터 획득될 수 있는 데이터(시스템 내부 데이터)와 센서로부터 획득된 데이터(온도, 습도, 진동 등 모든 센싱 데이터)를 포함한 수신 장치.
According to claim 1,
The data receiving and storing unit,
For all systems that can acquire data through facilities and sensors including machines and devices, data that can be acquired from inside the system (system internal data) and data acquired from sensors (temperature, humidity, vibration, etc.) receiving device including sensing data).
상기 데이터 수신 및 저장부는,
시스템으로부터 실시간 데이터를 수신하고 정상 상태 또는 고장 상태의 데이터를 저장하는 것을 포함하는 데이터 수신 및 저장 장치.
According to claim 2,
The data receiving and storing unit,
A data reception and storage device comprising receiving real-time data from a system and storing data in normal or fault conditions.
머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법을 이용한 결함 탐지 방법에 있어서,
상기 데이터 수신 및 저장부로부터 데이터를 입력 받아 특징(feature)을 추출하는 단계,
상기 특징을 머신러닝의 클러스터링(clustering) 알고리즘에 적용하여 정상과 비정상 군집을 생성하는 단계,
상기 분류된 군집의 군집 분류 평가 지표를 산출하는 단계,
상기 산출된 군집 분류 평가 지표를 상태 지표로 정의하는 단계를 포함하는 것을 특징으로 하는 결함 탐지와 고장 진단 및 예측 방법.
According to claim 1,
In the fault detection method using a machine learning clustering algorithm and a statistical technique to detect faults in a system without fault data and a fault diagnosis prediction method,
Extracting a feature by receiving data from the data receiving and storing unit;
Generating normal and abnormal clusters by applying the features to a clustering algorithm of machine learning;
Calculating a cluster classification evaluation index of the classified cluster;
A fault detection and failure diagnosis and prediction method comprising the step of defining the calculated cluster classification evaluation index as a condition index.
상기 데이터 수신 및 저장부로부터 데이터를 입력 받아 특징(feature)을 추출하는 단계는,
상기 데이터 수신 및 저장부의 데이터로부터 통계적 특징 또는 고장과 관련된 특징을 추출하여 머신러닝의 클러스터링 알고리즘에 적용하하는 것을 특징으로하는 결함 탐지, 고장 진단 및 예측 방법.
According to claim 4,
The step of receiving data from the data receiving and storing unit and extracting features,
A method for detecting, diagnosing and predicting failures, characterized in that for extracting statistical characteristics or features related to failures from the data of the data receiving and storing unit and applying them to a clustering algorithm of machine learning.
상기 모델 학습부는,
상기 특징을 머신러닝의 클러스터링(clustering) 알고리즘에 적용하여 정상과 비정상 군집을 생성하는 단계는 머신러닝의 비지도 학습 방법중 하나인 클러스터링 알고리즘을 적용하여 정상과 비정상 군집을 형성하는 것을 특징으로하는 결함 탐지, 고장 진단 및 예측 방법.
According to claim 4,
The model learning unit,
The step of generating normal and abnormal clusters by applying the feature to a clustering algorithm of machine learning is a defect characterized in that normal and abnormal clusters are formed by applying a clustering algorithm, which is one of the unsupervised learning methods of machine learning. Detection, fault diagnosis and prediction methods.
상기 분류된 군집의 군집 분류 평가 지표를 산출하는 단계는,
상기 정상과 비정상 군집의 분류 정도를 평가하는 군집 분류 평가 지표를 산출하는 것을 특징으로하는 결함 탐지와 고장 진단 및 예측 방법.
According to claim 4,
In the step of calculating the cluster classification evaluation index of the classified cluster,
A defect detection and failure diagnosis and prediction method characterized by calculating a cluster classification evaluation index for evaluating the classification degree of the normal and abnormal clusters.
상기 산출된 군집 분류 평가 지표를 상태 지표로 정의하는 단계는,
상기 산출된 군집 분류 평가 지표를 시스템의 상태를 나타내는 상태 지표로서 정의하는 것을 특징으로하는 결함 탐지와 고장 진단 및 예측 방법.
According to claim 4,
In the step of defining the calculated cluster classification evaluation index as a condition index,
The fault detection and failure diagnosis and prediction method characterized in that the calculated cluster classification evaluation index is defined as a state index representing the state of the system.
상기 결함 탐지부는,
머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법을 이용한 결함 탐지 방법에 있어서,
상기 모델 학습부에서 산출된 정상 상태에 대한 상태 지표 값들의 확률 분포의 파라미터를 계산하는 단계,
상기 확률 분포의 신뢰구간을 이용해 실시간으로 수집된 데이터의 상태 지표와 비교해 결함을 탐지하는 단계, 그리고
상기 기계 설비의 결함 유무 정보를 사용자에게 제공하는 단계를 포함한 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법.
According to claim 2,
The defect detection unit,
In the fault detection method using a machine learning clustering algorithm and a statistical technique to detect faults in a system without fault data and a fault diagnosis prediction method,
Calculating a parameter of a probability distribution of state indicator values for the steady state calculated by the model learning unit;
Detecting a defect by comparing it with a condition indicator of data collected in real time using a confidence interval of the probability distribution, and
A method for detecting and diagnosing faults in a system without fault data using a machine learning clustering algorithm and a statistical technique, including providing information on whether or not there is a fault in the machine facility to a user.
상기 모델 학습부에서 산출된 정상 상태에 대한 상태 지표 값들의 확률 분포의 파라미터를 계산하는 단계는,
상기 상태 지표의 분포에 적합한 확률 분포를 찾아 최대우도법 등으로 파라미터를 추정하는 것을 특징으로 하는 결함 탐지 및 고장 예측 방법.
According to claim 9,
Calculating the parameters of the probability distribution of the state indicator values for the steady state calculated by the model learning unit,
A defect detection and failure prediction method, characterized in that for estimating parameters by a maximum likelihood method or the like by finding a probability distribution suitable for the distribution of the condition indicators.
상기 확률 분포의 신뢰 구간을 이용해 실시간으로 수집된 데이터의 결함을 판단하는 단계는,
상기 모델 학습부로부터 실시간으로 획득된 데이터의 산출된 상태 지표가 상기 확률 분포의 신뢰구간으로부터 벗어날 때 시스템의 결함이 존재하는 것을 판단하는 결함 탐지 및 고장 예측 방법
According to claim 9,
Determining the defect of the data collected in real time using the confidence interval of the probability distribution,
A defect detection and failure prediction method for determining that a system defect exists when the calculated state index of the data obtained in real time from the model learning unit deviates from the confidence interval of the probability distribution.
상기 고장 진단 및 예측부는,
머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법에 있어서,
상기 결함 탐지부에서 시스템의 결함 정보와 결함 당시의 상태 지표를 수신하는 단계,
상기 모델 학습부에서 산출된 정상 상태와 여러가지의 고장 상태의 상태에 대한 상태 지표 값들의 적당한 확률 분포의 파라미터를 계산하는 단계,
상기 데이터 수신 및 저장부에 수신된 실시간 데이터를 상기 모델 학습부에서 상태 지표로 산출한 뒤 상기 실시간 상태 지표 변화의 추세를 정의하는 단계,
상기 실시간 데이터의 상태 지표 변화 추세에 따라 상기 각 고장 상태의 신뢰구간과 비교해 고장 상태를 진단하여 예측하는 단계, 그리고
상기 시스템의 발생할 고장 종류와 예측 시간 정보를 사용자에게 제공하는 단계를 포함하는 결함 탐지 및 고장 예측 방법.
According to claim 2,
The failure diagnosis and prediction unit,
In the fault detection and fault diagnosis prediction method of a system without fault data using a machine learning clustering algorithm and statistical techniques,
Receiving defect information of the system and a status indicator at the time of the defect in the defect detection unit;
Calculating parameters of an appropriate probability distribution of state index values for the normal state and various failure states calculated by the model learning unit;
Calculating the real-time data received in the data reception and storage unit as a status indicator in the model learning unit and then defining a trend of change in the real-time status indicator;
diagnosing and predicting a failure state by comparing it with a confidence interval of each failure state according to the trend of the state indicator change of the real-time data; and
A fault detection and fault prediction method comprising providing a user with information about a type of fault to occur in the system and a predicted time.
상기 모델 학습부에서 산출 및 저장된 정상 상태와 여러가지의 고장 상태의 상태에 대한 상태 지표 값들의 적당한 확률 분포의 파라미터를 계산하는 단계는 상기 고장 상태 각각에 대해 군집 분류 변수의 분포에 적합한 확률 분포를 찾아 최대우도법 등으로 파라미터를 추정하는 것을 특징으로 하는 결함 탐지와 고장 진단 및 예측 방법
According to claim 12,
Calculating a parameter of an appropriate probability distribution of state index values for the normal state and various failure states calculated and stored in the model learning unit finds a probability distribution suitable for the distribution of cluster classification variables for each failure state. Fault detection and failure diagnosis and prediction method characterized by estimating parameters by maximum likelihood method, etc.
상기 실시간 상태 지표 변화의 추세를 계산하는 단계는,
시간에 따라 산출된 상태 지표의 시간에 대한 변화 추세를 고차의 다항식 또는 여러 함수를 이용해 추정하는 것을 특징으로 하는 결함 탐지와 고장 진단 및 예측 방법
According to claim 12,
Calculating the trend of the real-time condition indicator change,
Fault detection and failure diagnosis and prediction method characterized by estimating the trend of change over time of the condition indicator calculated over time using a high-order polynomial or several functions
상기 실시간 상태 지표의 시간에 대한 변화 추세는 회귀 분석 등의 방법으로 추정할 수 있는 것을 특징으로하는 결함 탐지와 고장 진단 및 예측 방법.
15. The method of claim 14,
The defect detection and failure diagnosis and prediction method, characterized in that the trend of change over time of the real-time condition indicator can be estimated by a method such as regression analysis.
상기 실시간 데이터의 상태 지표 변화 추세에 따라 상기 각 고장 상태의 신뢰구간과 비교해 고장 상태를 진단하여 예측하는 단계는,
상기 상태 지표의 변화 추세가 어떤 고장 상태의 신뢰 구간에 가까워지고 있는지를 판단해 결함으로부터 고장을 진단 및 예측하는 것을 특징으로 하는 결함 탐지와 고장 진단 및 예측 방법.
According to claim 12,
The step of diagnosing and predicting a failure state by comparing with the confidence interval of each failure state according to the change trend of the state indicator of the real-time data,
A fault detection and fault diagnosis and prediction method, characterized in that for diagnosing and predicting a fault from a fault by determining whether a change trend of the condition indicator is approaching a confidence interval of a certain fault state.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220021827A KR20230125116A (en) | 2022-02-20 | 2022-02-20 | The method for fault detection without training data or diagnosis with prediction of remaining time until breakdown using clustering algorithm and statistical methods |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220021827A KR20230125116A (en) | 2022-02-20 | 2022-02-20 | The method for fault detection without training data or diagnosis with prediction of remaining time until breakdown using clustering algorithm and statistical methods |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230125116A true KR20230125116A (en) | 2023-08-29 |
Family
ID=87802572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220021827A KR20230125116A (en) | 2022-02-20 | 2022-02-20 | The method for fault detection without training data or diagnosis with prediction of remaining time until breakdown using clustering algorithm and statistical methods |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20230125116A (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171596A (en) * | 2023-11-02 | 2023-12-05 | 宝鸡市兴宇腾测控设备有限公司 | Online monitoring method and system for pressure transmitter |
CN117786445A (en) * | 2024-02-26 | 2024-03-29 | 山东盈动智能科技有限公司 | Intelligent processing method for operation data of automatic yarn reeling machine |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200118743A (en) | 2019-04-08 | 2020-10-16 | 재단법인 경북아이티융합 산업기술원 | System for smart plant broken diagnosis using artificial intelligence and vroken diagnosis using the method |
KR20200139346A (en) | 2019-06-04 | 2020-12-14 | 배재대학교 산학협력단 | Fault diagnosis management system and method using machine learning |
-
2022
- 2022-02-20 KR KR1020220021827A patent/KR20230125116A/en not_active Application Discontinuation
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200118743A (en) | 2019-04-08 | 2020-10-16 | 재단법인 경북아이티융합 산업기술원 | System for smart plant broken diagnosis using artificial intelligence and vroken diagnosis using the method |
KR20200139346A (en) | 2019-06-04 | 2020-12-14 | 배재대학교 산학협력단 | Fault diagnosis management system and method using machine learning |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171596A (en) * | 2023-11-02 | 2023-12-05 | 宝鸡市兴宇腾测控设备有限公司 | Online monitoring method and system for pressure transmitter |
CN117171596B (en) * | 2023-11-02 | 2024-01-23 | 宝鸡市兴宇腾测控设备有限公司 | Online monitoring method and system for pressure transmitter |
CN117786445A (en) * | 2024-02-26 | 2024-03-29 | 山东盈动智能科技有限公司 | Intelligent processing method for operation data of automatic yarn reeling machine |
CN117786445B (en) * | 2024-02-26 | 2024-05-10 | 山东盈动智能科技有限公司 | Intelligent processing method for operation data of automatic yarn reeling machine |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023071217A1 (en) | Multi-working-condition process industrial fault detection and diagnosis method based on deep transfer learning | |
KR101713985B1 (en) | Method and apparatus for prediction maintenance | |
CN109186813B (en) | Temperature sensor self-checking device and method | |
TWI632443B (en) | Apparatus for determining importance of abnormal data and method for determining importance of abnormal data | |
JP5306902B2 (en) | System and method for high performance condition monitoring of asset systems | |
EP2732371B1 (en) | Valve actuator fault analysis system | |
US7444251B2 (en) | Detecting and diagnosing faults in HVAC equipment | |
AU768225B2 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
KR20230125116A (en) | The method for fault detection without training data or diagnosis with prediction of remaining time until breakdown using clustering algorithm and statistical methods | |
US20130060524A1 (en) | Machine Anomaly Detection and Diagnosis Incorporating Operational Data | |
US20120290879A1 (en) | Method and device for monitoring the state of a facility | |
CN113467420B (en) | Method and device for detecting zone controller fault | |
KR101948604B1 (en) | Method and device for equipment health monitoring based on sensor clustering | |
US20070239629A1 (en) | Cluster Trending Method for Abnormal Events Detection | |
JP2009053938A (en) | Equipment diagnosing system and equipment-diagnosing method on the basis of multiple model | |
WO2017090515A1 (en) | Apparatus diagnostic device, system, and method | |
TWI646414B (en) | Bad cause estimating device and bad cause estimating method | |
CN117114454B (en) | DC sleeve state evaluation method and system based on Apriori algorithm | |
CN102375452A (en) | Event-driven data mining method for improving fault code settings and isolating faults | |
KR102618023B1 (en) | Failure prediction diagnosis system and method through pattern analysis according to failure type | |
KR102073810B1 (en) | Method and system for predicting the failure of naval ship propulsion system using machine learning | |
KR102408426B1 (en) | Method for detecting anomaly using equipment age index and apparatus thereof | |
Satta et al. | A dissimilarity-based approach to predictive maintenance with application to HVAC systems | |
CN114323671A (en) | Method and device for determining the remaining service life by means of an artificial intelligence method on the basis of a predictive diagnosis of a component of an electric drive system | |
Baptista et al. | Classification prognostics approaches in aviation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application |