KR20230135200A - 건설중장비의 이상징후 감지 장치 및 방법 - Google Patents

Abstract

건설중장비의 PLC(Programmable Logic Controller) 장치 모니터링을 통한 제어부 이상징후 감지를 위한 장치 및 방법에 관한 것으로, 건설중장비의 PLC(Programmable Logic Controller)로부터 제어 데이터를 수집하는 단계, 상기 수집한 제어 데이터를 특성별로 분류하는 단계, 상기 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 정상 행위를 학습하는 단계, 상기 학습한 정상 행위의 제어 데이터와 상기 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 이상 행위를 학습하는 단계, 상기 분류한 제어 데이터를 상기 학습된 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 이상징후를 판별하는 단계, 상기 이상징후를 갖는 제어 데이터의 이상징후 레벨을 산출하는 단계, 상기 산출된 이상징후 레벨을 기반으로 이상징후 의심 데이터를 수집하는 단계, 및 상기 수집한 이상징후 의심 데이터에 상응하는 제어장치의 이상징후를 알리는 단계를 포함할 수 있다.

Description

건설중장비의 이상징후 감지 장치 및 방법{APPARATUS AND METHOD FOR DETECTING ANORMALY OF CONSTRUCTION HEAVY EQUIPMENT}

본 발명은 건설중장비의 이상징후 감지 장치에 관한 것으로, 보다 상세하게는 건설중장비의 PLC(Programmable Logic Controller) 장치 모니터링을 통한 제어부 이상징후 감지를 위한 건설중장비의 이상징후 감지 장치 및 방법에 관한 것이다.

일반적으로, 건설중장비는, 장비 운영의 특성상 매우 위험하거나 사람의 힘으로 처리하기 힘든 무거운 중량의 운동량을 필요로 하는 작업에 투입되므로, 다양한 특수 기능의 장치들이 포함되어 있다.

이러한 다양한 기능의 장치들은, 각 장치마다 배치되는 제어 레버 또는 제어 버튼 등의 제어장치를 통해 제어될 수 있다.

하지만, 기존의 건설중장비는, 특수 기능을 수행하는 장치들이 추가될 때마다 그에 상응하는 제어장치들도 추가되는 물리적 확장 구조를 가지게 되므로, 많은 수의 제어장치들을 각각 관리하는데 많은 시간과 비용이 드는 문제가 있었다.

또한, 건설중장비의 특성상, 제어장치가 정확히 작동하지 않거나 또는 이상 작동할 경우, 작업자는 물론 산업용장비 또는 건설중장비와 관련된 작업자의 안전이 매우 위협받게 되는 상황이 발생할 수 밖에 없다.

따라서, 향후, 건설중장비에 배치되는 다수의 제어장치들을 효율적으로 관리함과 동시에 제어장치의 이상행위를 사전에 감지하고 모니터링할 수 있는 이상징후 감지 장치의 개발이 요구되고 있다.

대한민국 등록특허 제10-1678027호(2016년 11월 15일)

본 발명의 일실시예가 이루고자 하는 기술적 과제는, 건설중장비의 PLC(Programmable Logic Controller)로부터 제어 데이터를 수집하고, 제어 데이터의 정상 행위와 이상 행위를 학습한 뉴럴 네트워크 모델을 이용하여 제어장치의 이상행위를 사전에 감지하고 모니터링할 수 있는 건설중장비의 이상징후 감지 장치 및 방법을 제공하고자 한다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기와 같은 기술적 과제를 해결하기 위하여, 본 발명의 일실시예에 의한 건설중장비의 이상징후 감지 방법은, 건설중장비의 PLC(Programmable Logic Controller)로부터 제어 데이터를 수집하는 단계, 상기 수집한 제어 데이터를 특성별로 분류하는 단계, 상기 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 정상 행위를 학습하는 단계, 상기 학습한 정상 행위의 제어 데이터와 상기 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 이상 행위를 학습하는 단계, 상기 분류한 제어 데이터를 상기 학습된 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 이상징후를 판별하는 단계, 상기 이상징후를 갖는 제어 데이터의 이상징후 레벨을 산출하는 단계, 상기 산출된 이상징후 레벨을 기반으로 이상징후 의심 데이터를 수집하는 단계, 및 상기 수집한 이상징후 의심 데이터에 상응하는 제어장치의 이상징후를 알리는 단계를 포함할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 제어 데이터를 수집하는 단계는, 상기 건설중장비의 PLC와 통신 연결을 수행하고, 상기 건설중장비의 PLC와 통신 연결되면 상기 건설중장비의 PLC에 상기 건설중장비의 제어장치에 상응하는 제어 데이터를 요청하며, 상기 건설중장비의 PLC로부터 상기 제어장치에 상응하는 제어 데이터를 수신하면 상기 수신한 제어 데이터를 수집할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 제어 데이터를 수집하는 단계는, 상기 PLC의 이더넷 또는 시리얼 통신 포트를 통해 유선으로 통신 연결되거나 또는 네트워크 통신 포트를 통해 무선으로 통신 연결될 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 수집한 제어 데이터를 특성별로 분류하는 단계는, 상기 수집한 제어 데이터를 헤더별로 파싱하여 상기 제어 데이터를 식별하고, 상기 식별한 제어 데이터를 상기 건설중장비의 제어장치별로 분류할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 수집한 제어 데이터를 특성별로 분류하는 단계는, 상기 분류한 제어 데이터의 중요도를 산출하고, 상기 산출한 중요도에 기반하여 상기 뉴럴 네트워크 모델의 입력 데이터를 선정할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 수집한 제어 데이터를 특성별로 분류하는 단계는, 상기 수집한 제어 데이터를 K-평균(K-means) 알고리즘을 사용하여 상기 건설중장비의 제어장치별로 분류할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 제어 데이터의 정상 행위를 학습하는 단계는, 상기 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 정상 행위를 학습하고, 상기 학습한 정상 행위의 제어 데이터를 클러스터링하며, 상기 클러스터링한 정상 행위의 제어 데이터를 상기 뉴럴 네트워크 모델의 입력 데이터로 제공할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델은, 상기 분류한 제어 데이터를 입력받아 상기 제어 데이터의 정상 행위를 1차 학습하고, 상기 클러스터링한 정상 행위의 제어 데이터와 상기 분류한 제어 데이터를 입력받아 상기 제어 데이터의 이상 행위를 2차 학습할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 제어 데이터의 정상 행위를 학습하는 단계는, 상기 분류한 제어 데이터를 제1 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 정상 행위를 학습하고, 상기 학습한 정상 행위의 제어 데이터를 클러스터링하며, 상기 클러스터링한 정상 행위의 제어 데이터를 상기 제2 뉴럴 네트워크 모델의 입력 데이터로 제공할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 제1 뉴럴 네트워크 모델은, 상기 분류한 제어 데이터를 입력받아 상기 제어 데이터의 정상 행위를 학습하고, 상기 제2 뉴럴 네트워크 모델은, 상기 제1 뉴럴 네트워크 모델로부터 출력된 정상 행위의 제어 데이터와 상기 분류한 제어 데이터를 입력받아 상기 제어 데이터의 이상 행위를 학습할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 제어 데이터의 이상 행위를 학습하는 단계는, 상기 정상 행위의 제어 데이터를 1차 학습한 뉴럴 네트워크 모델이 상기 학습한 정상 행위의 제어 데이터와 상기 분류한 제어 데이터를 입력받아 상기 제어 데이터의 이상 행위를 2차 학습할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 제어 데이터의 이상 행위를 학습하는 단계는, 상기 정상 행위의 제어 데이터를 학습한 제1 뉴럴 네트워크 모델로부터 출력된 상기 정상 행위의 제어 데이터와 상기 분류한 제어 데이터를 제2 뉴럴 네트워크 모델이 입력받아 상기 제어 데이터의 이상 행위를 학습할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 제어 데이터의 이상징후를 판별하는 단계는, 상기 제어 데이터의 정상 행위 및 이상 행위가 사전 학습된 뉴럴 네트워크 모델에 상기 분류한 제어 데이터를 입력하여 상기 제어 데이터의 이상징후를 판별할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 제어 데이터의 이상징후를 판별하는 단계는, 상기 제어 데이터의 이상 행위가 사전 학습된 뉴럴 네트워크 모델에 상기 분류한 제어 데이터를 입력하여 상기 제어 데이터의 이상징후를 판별할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 제어 데이터의 이상징후 레벨을 산출하는 단계는, 상기 이상징후를 갖는 제어 데이터가 판별되면 회귀 분석(regression analysis)을 통해 상기 제어 데이터의 이상징후 레벨을 산출할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 제어 데이터의 이상징후 레벨은, 이상징후 확률이 0 ~ 4% 범위를 갖는 정상 레벨, 5% ~ 29% 범위를 갖는 주의 레벨, 이상징후 확률이 30% ~ 69% 범위를 갖는 경고 레벨, 그리고 이상징후 확률이 70% ~ 100% 범위를 갖는 위험 레벨을 포함할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 이상징후 의심 데이터를 수집하는 단계는, 상기 제어 데이터의 이상징후 레벨이 산출되면 상기 산출된 이상징후 레벨을 기반으로 상기 제어 데이터가 정상 레벨인지를 확인하고, 상기 정상 레벨이 아니면 상기 제어 데이터를 상기 이상징후 의심 데이터로 수집할 수 있다.

건설중장비의 이상징후 감지 방법의 대안적인 실시예에서, 상기 제어장치의 이상징후를 알리는 단계는, 상기 수집한 이상징후 의심 데이터에 상응하는 제어장치 정보와 이상징후 레벨 정보를 포함하는 알림 정보를 생성 및 제공하여 상기 제어장치의 이상징후를 알릴 수 있다.

한편, 본 발명의 일실시예에 의한 건설중장비의 이상징후 감지 장치는, 건설중장비의 이상징후 감지 방법을 제공하기 위한 건설중장비의 이상징후 감지 장치로서, 하나 이상의 코어를 포함하는 프로세서, 및 메모리를 포함하고, 상기 프로세서는, 상기 건설중장비의 PLC(Programmable Logic Controller)로부터 제어 데이터를 수집하고, 상기 수집한 제어 데이터를 특성별로 분류하며, 상기 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 정상 행위를 학습하고, 상기 학습한 정상 행위의 제어 데이터와 상기 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 이상 행위를 학습하며, 상기 분류한 제어 데이터를 상기 학습된 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 이상징후를 판별하고, 상기 이상징후를 갖는 제어 데이터의 이상징후 레벨을 산출하며, 상기 산출된 이상징후 레벨을 기반으로 이상징후 의심 데이터를 수집하고, 상기 수집한 이상징후 의심 데이터에 상응하는 제어장치의 이상징후를 알릴 수 있다.

본 발명에 따른 건설중장비의 이상징후 감지 장치 및 방법의 효과에 대해 설명하면 다음과 같다.

본 발명은, 건설중장비의 PLC로부터 제어 데이터를 수집하고, 제어 데이터의 정상 행위와 이상 행위를 학습한 뉴럴 네트워크 모델을 이용하여 제어장치의 이상행위를 사전에 감지하고 모니터링할 수 있다.

또한, 본 발명은, PLC를 기반으로 하는 제어장치의 이상행위를 사전에 감지하고 모니터링할 수 있으므로, 산업현장 및 건설현장에서의 안전도를 제고할 수 있고, 이상징후를 미리 감지할 수 있어 장비를 보다 안전하고 원활하게 작동할 수 있도록 하여 생산성도 높일 수 있다.

본 발명의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 본 발명의 사상 및 범위 내에서 다양한 변경 및 수정은 당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 본 발명의 바람직한 실시 예와 같은 특정 실시 예는 단지 예시로 주어진 것으로 이해되어야 한다.

도 1은, 본 발명에 따른 건설중장비의 이상징후 감지 장치를 설명하기 위한 도면이다.
도 2는, 본 발명 제1 실시예에 따른 뉴럴 네트워크 모델의 학습 과정을 설명하기 위한 도면이다.
도 3은, 본 발명 제2 실시예에 따른 뉴럴 네트워크 모델의 학습 과정을 설명하기 위한 도면이다.
도 4는, 본 발명에 따른 사전 학습된 뉴럴 네트워크 모델의 이상징후 판별 과정을 설명하기 위한 도면이다.
도 5는, 본 발명의 일 실시예에 따라, 뉴럴 네트워크 모델의 네트워크 함수를 나타낸 개략도이다.
도 6은, 본 발명에 따른 건설중장비의 이상징후 감지 방법을 설명하기 위한 흐름도이다.

이하에서는 도면을 참조하여 본 발명을 더욱 상세하게 설명한다.

이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 단순히 본 명세서 작성의 용이함을 고려하여 부여되는 것으로서, 상기 "모듈" 및 "부"는 서로 혼용되어 사용될 수도 있다.

나아가, 이하 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 발명의 실시예를 상세하게 설명하지만, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다.

본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 관례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 그 의미를 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는, 단순한 용어의 명칭이 아닌 그 용어가 가지는 실질적인 의미와 본 명세서의 전반에 걸친 내용을 토대로 해석되어야 함을 밝혀두고자 한다.

또한, 본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은, “뉴런(neuron)”들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.

도 1은, 본 발명에 따른 건설중장비의 이상징후 감지 장치를 설명하기 위한 도면이다.

도 1에 도시된 바와 같이, 본 발명의 이상징후 감지 장치(100)는, 건설중장비(200)와 통신 연결될 수 있다.

여기서, 건설중장비(200)는, 동력부(210)로부터 수신한 데이터를 기반으로 장치의 작동을 제어하는 제어장치(220)와, 제어장치(220)를 제어하는 PLC(Programmable Logic Controller)(230)를 포함할 수 있다.

그리고, 건설중장비(200)의 PLC(230)는, 본 발명의 이상징후 감지 장치(100)와 통신 연결되어 제어장치(220)의 제어 데이터를 전송할 수 있다.

본 발명의 이상징후 감지 장치(100)는, 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 이상징후 감지 장치(100)를 구성할 수도 있다.

이상징후 감지 장치(100)는, 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

본 발명에서, 프로세서(110)는, 건설중장비(200)의 PLC(230)로부터 제어 데이터를 수집하고, 수집한 제어 데이터를 특성별로 분류하며, 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 제어 데이터의 정상 행위를 학습하고, 학습한 정상 행위의 제어 데이터와 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 제어 데이터의 이상 행위를 학습하며, 분류한 제어 데이터를 학습된 뉴럴 네트워크 모델에 입력하여 제어 데이터의 이상징후를 판별하고, 이상징후를 갖는 제어 데이터의 이상징후 레벨을 산출하며, 산출된 이상징후 레벨을 기반으로 이상징후 의심 데이터를 수집하고, 수집한 이상징후 의심 데이터에 상응하는 제어장치의 이상징후를 알릴 수 있다.

그리고, 프로세서(110)는, 제어 데이터를 수집할 때, 건설중장비(200)의 PLC(230)와 통신 연결을 수행하고, 건설중장비(200)의 PLC(230)와 통신 연결되면 건설중장비(200)의 PLC(230)에 건설중장비(200)의 제어장치(220)에 상응하는 제어 데이터를 요청하며, 건설중장비(200)의 PLC(230)로부터 제어장치(220)에 상응하는 제어 데이터를 수신하면 수신한 제어 데이터를 수집할 수 있다.

일 예로, 프로세서(110)는, 제어 데이터를 수집할 때, PLC(230)의 이더넷 또는 시리얼 통신 포트를 통해 유선으로 통신 연결되거나 또는 네트워크 통신 포트를 통해 무선으로 통신 연결될 수 있는데, 이는 일 실시예일 뿐, 이에 한정되는 것은 아니다.

또한, 프로세서(110)는, 제어 데이터를 수집할 때, 건설중장비(200)의 PLC(230)가 하나이면 단일 PLC(230)에 통신 연결되어 제어 데이터를 수집할 수 있다.

경우에 따라, 프로세서(110)는, 제어 데이터를 수집할 때, 건설중장비(200)의 PLC(230)가 복수이면 복수의 PLC(230)에 통신 연결되어 각각의 PLC별로 제어 데이터를 수집할 수도 있다.

여기서, 프로세서(110)는, 제어 데이터를 수집할 때, 건설중장비(200)의 PLC(230)가 복수이면 복수의 PLC(230)들을 미리 설정된 우선 순위에 상응하여 순차적으로 통신 연결되어 제어 데이터를 수집할 수 있다.

일 예로, 프로세서(110)는, 우선 순위를 설정할 때, 건설중장비(200)의 포함되는 제어장치(220)들의 작동 시간, 작동 위험도, 작동 오류 비율, 각 PLC(230)에 연결되는 제어장치 개수 중 적어도 어느 한 조건에 기반하여 우선 순위를 설정할 수 있다.

예를 들면, 프로세서(110)는, 우선 순위를 설정할 때, 작동 시간이 많은 제어장치(220)의 PLC(230)에 통신 연결되는 순서가 작동 시간이 적은 제어장치(220)의 PLC(230)에 통신 연결되는 순서보다 더 빠를 수 있다.

경우에 따라, 프로세서(110)는, 우선 순위를 설정할 때, 작동 위험도가 높은 제어장치(220)의 PLC(230)에 통신 연결되는 순서가 작동 위험도가 낮은 제어장치(220)의 PLC(230)에 통신 연결되는 순서보다 더 빠를 수 있다.

다른 경우로서, 프로세서(110)는, 우선 순위를 설정할 때, 작동 오류 비율이 높은 제어장치(220)의 PLC(230)에 통신 연결되는 순서가 작동 오류 비율이 낮은 제어장치(220)의 PLC(230)에 통신 연결되는 순서보다 더 빠를 수 있다.

또 다른 경우로서, 프로세서(110)는, 우선 순위를 설정할 때, 많은 수의 제어장치(200)에 연결되는 PLC(230)에 통신 연결되는 순서가 적은 수의 제어장치(200)에 연결되는 PLC(230)에 통신 연결되는 순서보다 더 빠를 수 있다.

다음, 프로세서(110)는, 수집한 제어 데이터를 특성별로 분류할 때, 수집한 제어 데이터를 헤더별로 파싱하여 제어 데이터를 식별하고, 식별한 제어 데이터를 건설중장비(200)의 제어장치별로 분류할 수 있다.

여기서, 프로세서(110)는, 수집한 제어 데이터를 특성별로 분류할 때, 분류한 제어 데이터의 중요도를 산출하고, 산출한 중요도에 기반하여 뉴럴 네트워크 모델의 입력 데이터를 선정할 수 있다.

일 예로, 프로세서(110)는, 중요도를 산출할 때, 제어장치(220)의 작동 시간, 작동 위험도, 작동 오류 비율 중 적어도 어느 한 조건에 기반하여 중요도를 산출할 수 있다.

예를 들면, 프로세서(110)는, 중요도를 산출할 때, 작동 시간이 많은 제어장치(220)가 작동 시간이 적은 제어장치(220)보다 중요도가 더 높을 수 있다.

경우에 따라, 프로세서(110)는, 중요도를 산출할 때, 작동 위험도가 높은 제어장치(220)가 작동 위험도가 낮은 제어장치(220)보다 중요도가 더 높을 수 있다.

다른 경우로서, 프로세서(110)는, 중요도를 산출할 때, 작동 오류 비율이 높은 제어장치(220)가 작동 오류 비율이 낮은 제어장치(220)보다 중요도가 더 높을 수 있다.

또한, 프로세서(110)는, 뉴럴 네트워크 모델의 입력 데이터를 선정할 때, 산출한 중요도가 미리 설정된 기준값 이상이면 뉴럴 네트워크 모델의 입력 데이터로 선정하고, 산출한 중요도가 미리 설정된 기준값 미만이면 뉴럴 네트워크 모델의 입력 데이터로 선정하지 않을 수 있다.

이어, 프로세서(110)는, 수집한 제어 데이터를 특성별로 분류할 때, 수집한 제어 데이터를 K-평균(K-means) 알고리즘을 사용하여 건설중장비(200)의 제어장치별로 분류할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지는 않는다.

다음, 프로세서(110)는, 제어 데이터의 정상 행위를 학습할 때, 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 제어 데이터의 정상 행위를 학습하고, 학습한 정상 행위의 제어 데이터를 클러스터링하며, 클러스터링한 정상 행위의 제어 데이터를 뉴럴 네트워크 모델의 입력 데이터로 제공할 수 있다.

여기서, 정상 행위를 학습하는 뉴럴 네트워크 모델은, 클러스터링한 정상 행위의 제어 데이터가 입력되는 뉴럴 네트워크 모델과 동일한 모델일 수 있다.

즉, 뉴럴 네트워크 모델은, 분류한 제어 데이터를 입력받아 제어 데이터의 정상 행위를 1차 학습하고, 클러스터링한 정상 행위의 제어 데이터와 분류한 제어 데이터를 입력받아 제어 데이터의 이상 행위를 2차 학습할 수 있다.

경우에 따라, 프로세서(110)는, 제어 데이터의 정상 행위를 학습할 때, 분류한 제어 데이터를 제1 뉴럴 네트워크 모델에 입력하여 제어 데이터의 정상 행위를 학습하고, 학습한 정상 행위의 제어 데이터를 클러스터링하며, 클러스터링한 정상 행위의 제어 데이터를 제2 뉴럴 네트워크 모델의 입력 데이터로 제공할 수 있다.

여기서, 정상 행위를 학습하는 제1 뉴럴 네트워크 모델은, 클러스터링한 정상 행위의 제어 데이터가 입력되는 제2 뉴럴 네트워크 모델과 다른 모델일 수 있다.

즉, 제1 뉴럴 네트워크 모델은, 분류한 제어 데이터를 입력받아 제어 데이터의 정상 행위를 학습하고, 제2 뉴럴 네트워크 모델은, 제1 뉴럴 네트워크 모델로부터 출력된 정상 행위의 제어 데이터와 분류한 제어 데이터를 입력받아 제어 데이터의 이상 행위를 학습할 수 있다.

그리고, 프로세서(110)는, 제어 데이터의 이상 행위를 학습할 때, 정상 행위의 제어 데이터를 1차 학습한 뉴럴 네트워크 모델이 학습한 정상 행위의 제어 데이터와 분류한 제어 데이터를 입력받아 제어 데이터의 이상 행위를 2차 학습할 수 있다.

여기서, 이상 행위를 2차 학습하는 뉴럴 네트워크 모델은, 정상 행위의 제어 데이터를 1차 학습한 뉴럴 네트워크 모델과 동일한 모델일 수 있다.

경우에 따라, 프로세서(110)는, 제어 데이터의 이상 행위를 학습할 때, 정상 행위의 제어 데이터를 학습한 제1 뉴럴 네트워크 모델로부터 출력된 정상 행위의 제어 데이터와 분류한 제어 데이터를 제2 뉴럴 네트워크 모델이 입력받아 제어 데이터의 이상 행위를 학습할 수 있다.

여기서, 이상 행위를 학습하는 제2 뉴럴 네트워크 모델은, 정상 행위를 학습한 제1 뉴럴 네트워크 모델과 다른 모델일 수 있다.

즉, 제1 뉴럴 네트워크 모델은, 분류한 제어 데이터를 입력받아 제어 데이터의 정상 행위를 학습하고, 제2 뉴럴 네트워크 모델은, 제1 뉴럴 네트워크 모델로부터 출력된 정상 행위의 제어 데이터와 분류한 제어 데이터를 입력받아 제어 데이터의 이상 행위를 학습할 수 있다.

다음, 프로세서(110)는, 제어 데이터의 이상징후를 판별할 때, 제어 데이터의 정상 행위 및 이상 행위가 사전 학습된 뉴럴 네트워크 모델에 분류한 제어 데이터를 입력하여 제어 데이터의 이상징후를 판별할 수 있다.

여기서, 사전 학습된 뉴럴 네트워크 모델은, 제어 데이터의 정상 행위가 1차 사전 학습되고, 제어 데이터의 이상 행위가 2차 사전 학습된 뉴럴 네트워크 모델일 수 있다.

경우에 따라, 프로세서(110)는, 제어 데이터의 이상징후를 판별할 때, 제어 데이터의 이상 행위가 사전 학습된 뉴럴 네트워크 모델에 분류한 제어 데이터를 입력하여 제어 데이터의 이상징후를 판별할 수 있다.

여기서, 사전 학습된 뉴럴 네트워크 모델은, 정상 행위의 제어 데이터와 분류한 제어 데이터를 입력 데이터로 하여 제어 데이터의 이상 행위를 사전 학습한 뉴럴 네트워크 모델일 수 있다.

이어, 프로세서(110)는, 제어 데이터의 이상징후 레벨을 산출할 때, 이상징후를 갖는 제어 데이터가 판별되면 회귀 분석(regression analysis)을 통해 제어 데이터의 이상징후 레벨을 산출할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.

일 예로, 제어 데이터의 이상징후 레벨은, 이상징후 확률이 0 ~ 4% 범위를 갖는 정상 레벨, 5% ~ 29% 범위를 갖는 주의 레벨, 이상징후 확률이 30% ~ 69% 범위를 갖는 경고 레벨, 그리고 이상징후 확률이 70% ~ 100% 범위를 갖는 위험 레벨을 포함할 수 있다.

그리고, 프로세서(110)는, 이상징후 의심 데이터를 수집할 때, 제어 데이터의 이상징후 레벨이 산출되면 산출된 이상징후 레벨을 기반으로 제어 데이터가 정상 레벨인지를 확인하고, 정상 레벨이 아니면 제어 데이터를 이상징후 의심 데이터로 수집할 수 있다.

다음, 프로세서(110)는, 제어장치(220)의 이상징후를 알릴 때, 수집한 이상징후 의심 데이터에 상응하는 제어장치 정보와 이상징후 레벨 정보를 포함하는 알림 정보를 생성 및 제공하여 제어장치(220)의 이상징후를 알릴 수 있다.

일 예로, 프로세서(110)는, 제어장치(220)의 이상징후를 알릴 때, 스피커로 특정 소리를 출력하는 제1 알림 방식, 진동기를 진동시키는 제2 알림 방식, 경고등을 온/오프시키는 제3 알림 방식, 디스플레이 화면에 문자, 영상, 그림, 도안, 메시지를 적어도 하나 포함하는 경고 표시를 출력하는 제4 알림 방식 중 적어도 어느 한 알림 방식으로 제어장치(200)의 이상징후를 알릴 수 있다.

또한, 전술한 본 발명의 뉴럴 네트워크 모델은, 딥 뉴럴 네트워크일 수 있다. 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는, 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.

컨벌루셔널 뉴럴 네트워크는, 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는, 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은, 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은, 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은, 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는, 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는, 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서, 이미지 데이터는, 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.

컨벌루셔널 뉴럴 네트워크에서, 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는, n*n 형태의 행렬로 구성될 수 있다. 컨벌루셔널 필터는, 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이 미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파에 의하여 업데이트 될 수 있다.

컨벌루셔널 레이어의 출력에는, 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 발명에 포함될 수 있다.

컨벌루셔널 뉴럴 네트워크는, 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.

컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.

본 발명의 일 실시예에 따르면, 프로세서(110)는, 하나 이상의 코어로 구성될 수 있으며, 이상징후 감지 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는, 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 발명의 일실시예에 따라 프로세서(110)는, 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는, 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에서 복수의 이상징후 감지 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에 따른 이상징후 감지 장치에서 수행되는 컴퓨터 프로그램은, CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 발명의 일 실시예에 따르면, 메모리(130)는, 제어장치의 이상징후 판단 결과를 제공하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다. 메모리(130)는, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 발명의 일 실시예에 따르면, 메모리(130)는, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

이상징후 감지 장치(100)는, 인터넷(internet) 상에서 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 이에 제한되지 않는다.

본 발명의 일 실시예에 따른 네트워크부(150)는, 고속통신 모뎀을 통한 무선통신과 통신부를 통한 유선 통신으로 건설중장비(200)와 통신 연결될 수 있다.

그리고, 네트워크부(150)는, 제어장치의 이상징후 판단 결과 정보 등을 다른 이상징후 판단 장치 및 서버 등과 송수신할 수 있다. 또한, 네트워크부(150)는, 복수의 이상징후 감지 장치들 사이의 통신을 가능하게 하여 복수의 이상징후 감지 장치들 각각에서 제어장치의 이상징후 판단 또는 모델의 학습을 위한 동작들이 분산 수행되도록 할 수 있다. 네트워크부(150)는, 복수의 이상징후 감지 장치들 사이의 통신을 가능하게 하여 제어장치의 이상징후 판단 또는 네트워크 함수를 사용한 모델 학습을 위한 연산을 분산 처리하도록 할 수 있다.

본 발명의 일 실시예에 따른 네트워크부(150)는, 근거리(단거리), 원거리, 유선 및 무선 등과 같은 현재 사용 및 구현되는 임의의 형태의 유무선 통신 기술에 기반하여 동작할 수 있으며, 다른 네트워크들에서도 사용될 수 있다.

본 발명의 이상징후 감지 장치(100)는, 출력부 및 입력부를 더 포함할 수도 있다.

본 발명의 일 실시예에 따른 출력부는, 제어장치의 이상징후 판단 결과를 제공하기 위한 사용자 인터페이스(UI, user interface)를 표시할 수 있다. 출력부는, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 출력할 수 있다.

본 발명의 일 실시예에서, 출력부는, 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이 모듈은, 그를 통해 외부를 볼 수 있도록 투명형 또는 광 투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있는데, 상기 투명 디스플레이 모듈의 대표적인 예로는 TOLED(Transparent OLED) 등이 있다.

본 발명의 일 실시예에 따른 입력부는, 사용자 입력을 수신할 수 있다. 입력부는, 사용자 입력을 수신받기 위한 사용자 인터페이스 상의 키 및/또는 버튼들, 또는 물리적인 키 및/또는 버튼들을 구비할 수 있다. 입력부를 통한 사용자 입력에 따라 본 발명의 실시예들에 따른 디스플레이를 제어하기 위한 컴퓨터 프로그램이 실행될 수 있다.

본 발명의 실시예들에 따른 입력부는, 사용자의 버튼 조작 또는 터치 입력을 감지하여 신호를 수신하거나, 카메라 또는 마이크로폰을 통하여 사용자 등의 음성 또는 동작을 수신하여 이를 입력 신호로 변환할 수도 있다. 이를 위해 음성 인식(Speech Recognition) 기술 또는 동작 인식(Motion Recognition) 기술들이 사용될 수 있다.

본 발명의 실시예들에 따른 입력부는, 이상징후 감지 장치(100)와 연결된 외부 입력 장비로서 구현될 수도 있다. 예를 들어, 입력 장비는 사용자 입력을 수신하기 위한 터치 패드, 터치 펜, 키보드 또는 마우스 중 적어도 하나일 수 있으나, 이는 예시일 뿐이며 이에 제한되는 것은 아니다.

본 발명의 일 실시예에 따른 입력부는, 사용자 터치 입력을 인식할 수 있다. 본 발명의 일 실시예에 따른 입력부는, 출력부와 동일한 구성일 수도 있다. 입력부는, 사용자의 선택 입력을 수신하도록 구현되는 터치 스크린으로 구성될 수 있다. 터치 스크린은, 접촉식 정전용량 방식, 적외선 광 감지 방식, 표면 초음파(SAW) 방식, 압전 방식, 저항막 방식 중 어느 하나의 방식이 사용될 수 있다. 전술한 터치 스크린에 대한 자세한 기재는, 본 발명의 일 실시예에 따른 예시일 뿐이며, 다양한 터치 스크린 패널이 이상징후 감지 장치(100)에 채용될 수 있다. 터치 스크린으로 구성된 입력부는, 터치 센서를 포함할 수 있다. 터치 센서는, 입력부의 특정 부위에 가해진 압력 또는 입력부의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는, 터치 되는 위치 및 면적뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다. 터치 센서에 대한 터치입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는, 그 신호(들)를 처리한 다음 대응하는 데이터를 프로세서(110)로 전송할 수 있다. 이로써, 프로세서(110)는 입력부의 어느 영역이 터치 되었는지 여부 등을 인식할 수 있게 된다.

본 발명의 일 실시예에서, 서버는, 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는, 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다.

본 발명의 일 실시예에 따른 제어장치의 이상징후 판단 결과를 표시하는 사용자 인터페이스를 사용자 단말로 제공하기 위한 동작을 수행하는 서버(미도시)는, 네트워크부, 프로세서 및 메모리를 포함할 수 있다.

서버는, 본 발명의 실시예들에 따른 사용자 인터페이스를 생성할 수 있다. 서버는, 클라이언트(예를 들어, 사용자 단말)에게 네트워크를 통해 정보를 제공하는 컴퓨팅 시스템일 수 있다. 서버는, 생성한 사용자 인터페이스를 사용자 단말로 전송할 수 있다. 이러한 경우, 사용자 단말은, 서버에 액세스할 수 있는 임의의 형태의 이상징후 감지 장치(100)일 수 있다. 서버의 프로세서는, 네트워크부를 통해 사용자 단말로 사용자 인터페이스를 전송할 수 있다. 본 발명의 실시예들에 따른 서버는 예를 들어, 클라우드 서버일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 이에 제한되지 않는다.

따라서, 본 발명은, 건설중장비의 PLC로부터 제어 데이터를 수집하고, 제어 데이터의 정상 행위와 이상 행위를 학습한 뉴럴 네트워크 모델을 이용하여 제어장치의 이상행위를 사전에 감지하고 모니터링할 수 있다.

또한, 본 발명은, PLC를 기반으로 하는 제어장치의 이상행위를 사전에 감지하고 모니터링할 수 있으므로, 산업현장 및 건설현장에서의 안전도를 제고할 수 있고, 이상징후를 미리 감지할 수 있어 장비를 보다 안전하고 원활하게 작동할 수 있도록 하여 생산성도 높일 수 있다.

도 2는, 본 발명 제1 실시예에 따른 뉴럴 네트워크 모델의 학습 과정을 설명하기 위한 도면이다.

도 2에 도시된 바와 같이, 본 발명은, 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 제어 데이터의 정상 행위를 학습하고, 학습한 정상 행위의 제어 데이터와 분류한 제어 데이터를 뉴럴 네트워크 모델에 재입력하여 제어 데이터의 이상 행위를 학습할 수 있다.

여기서, 본 발명은, 제어 데이터의 정상 행위를 학습할 때, 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 제어 데이터의 정상 행위를 학습하고, 학습한 정상 행위의 제어 데이터를 클러스터링하며, 클러스터링한 정상 행위의 제어 데이터를 뉴럴 네트워크 모델의 입력 데이터로 제공할 수 있다.

여기서, 정상 행위를 학습하는 뉴럴 네트워크 모델은, 클러스터링한 정상 행위의 제어 데이터가 입력되는 뉴럴 네트워크 모델과 동일한 모델일 수 있다.

즉, 뉴럴 네트워크 모델은, 분류한 제어 데이터를 입력받아 제어 데이터의 정상 행위를 1차 학습하고, 클러스터링한 정상 행위의 제어 데이터와 분류한 제어 데이터를 입력받아 제어 데이터의 이상 행위를 2차 학습할 수 있다.

그리고, 본 발명은, 제어 데이터의 이상 행위를 학습할 때, 정상 행위의 제어 데이터를 1차 학습한 뉴럴 네트워크 모델이 학습한 정상 행위의 제어 데이터와 분류한 제어 데이터를 입력받아 제어 데이터의 이상 행위를 2차 학습할 수 있다.

여기서, 이상 행위를 2차 학습하는 뉴럴 네트워크 모델은, 정상 행위의 제어 데이터를 1차 학습한 뉴럴 네트워크 모델과 동일한 모델일 수 있다.

도 3은, 본 발명 제2 실시예에 따른 뉴럴 네트워크 모델의 학습 과정을 설명하기 위한 도면이다.

도 3에 도시된 바와 같이, 본 발명은, 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 제어 데이터의 정상 행위를 학습하고, 학습한 정상 행위의 제어 데이터와 분류한 제어 데이터를 뉴럴 네트워크 모델에 재입력하여 제어 데이터의 이상 행위를 학습할 수 있다.

본 발명은, 제어 데이터의 정상 행위를 학습할 때, 분류한 제어 데이터를 제1 뉴럴 네트워크 모델에 입력하여 제어 데이터의 정상 행위를 학습하고, 학습한 정상 행위의 제어 데이터를 클러스터링하며, 클러스터링한 정상 행위의 제어 데이터를 제2 뉴럴 네트워크 모델의 입력 데이터로 제공할 수 있다.

여기서, 정상 행위를 학습하는 제1 뉴럴 네트워크 모델은, 클러스터링한 정상 행위의 제어 데이터가 입력되는 제2 뉴럴 네트워크 모델과 다른 모델일 수 있다.

즉, 제1 뉴럴 네트워크 모델은, 분류한 제어 데이터를 입력받아 제어 데이터의 정상 행위를 학습하고, 제2 뉴럴 네트워크 모델은, 제1 뉴럴 네트워크 모델로부터 출력된 정상 행위의 제어 데이터와 분류한 제어 데이터를 입력받아 제어 데이터의 이상 행위를 학습할 수 있다.

그리고, 본 발명은, 제어 데이터의 이상 행위를 학습할 때, 정상 행위의 제어 데이터를 학습한 제1 뉴럴 네트워크 모델로부터 출력된 정상 행위의 제어 데이터와 분류한 제어 데이터를 제2 뉴럴 네트워크 모델이 입력받아 제어 데이터의 이상 행위를 학습할 수 있다.

여기서, 이상 행위를 학습하는 제2 뉴럴 네트워크 모델은, 정상 행위를 학습한 제1 뉴럴 네트워크 모델과 다른 모델일 수 있다.

즉, 제1 뉴럴 네트워크 모델은, 분류한 제어 데이터를 입력받아 제어 데이터의 정상 행위를 학습하고, 제2 뉴럴 네트워크 모델은, 제1 뉴럴 네트워크 모델로부터 출력된 정상 행위의 제어 데이터와 분류한 제어 데이터를 입력받아 제어 데이터의 이상 행위를 학습할 수 있다.

도 4는, 본 발명에 따른 사전 학습된 뉴럴 네트워크 모델의 이상징후 판별 과정을 설명하기 위한 도면이다.

도 4에 도시된 바와 같이, 본 발명은, 제어 데이터의 이상징후를 판별할 때, 제어 데이터의 정상 행위 및 이상 행위가 사전 학습된 뉴럴 네트워크 모델에 분류한 제어 데이터를 입력하여 제어 데이터의 이상징후를 판별할 수 있다.

여기서, 사전 학습된 뉴럴 네트워크 모델은, 제어 데이터의 정상 행위가 1차 사전 학습되고, 제어 데이터의 이상 행위가 2차 사전 학습된 뉴럴 네트워크 모델일 수 있다.

경우에 따라, 본 발명은, 제어 데이터의 이상징후를 판별할 때, 제어 데이터의 이상 행위가 사전 학습된 뉴럴 네트워크 모델에 분류한 제어 데이터를 입력하여 제어 데이터의 이상징후를 판별할 수 있다.

여기서, 사전 학습된 뉴럴 네트워크 모델은, 정상 행위의 제어 데이터와 분류한 제어 데이터를 입력 데이터로 하여 제어 데이터의 이상 행위를 사전 학습한 뉴럴 네트워크 모델일 수 있다.

그리고, 본 발명은, 이상징후를 갖는 제어 데이터가 판별되면 제어 데이터의 이상징후 레벨을 산출할 수 있다.

일 예로, 제어 데이터의 이상징후 레벨은, 이상징후 확률이 0 ~ 4% 범위를 갖는 정상 레벨, 5% ~ 29% 범위를 갖는 주의 레벨, 이상징후 확률이 30% ~ 69% 범위를 갖는 경고 레벨, 그리고 이상징후 확률이 70% ~ 100% 범위를 갖는 위험 레벨을 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.

도 5는, 본 발명의 일 실시예에 따라, 뉴럴 네트워크 모델의 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 발명의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 발명의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 발명의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 발명의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 이에 제한되지 않는다.

본 발명의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

도 6은, 본 발명에 따른 건설중장비의 이상징후 감지 방법을 설명하기 위한 흐름도이다.

도 6에 도시된 바와 같이, 본 발명은, 건설중장비의 PLC로부터 제어 데이터를 수집할 수 있다(S10).

여기서, 본 발명은, PLC의 이더넷 또는 시리얼 통신 포트를 통해 유선으로 통신 연결되거나 또는 네트워크 통신 포트를 통해 무선으로 통신 연결될 수 있다.

경우에 따라, 본 발명은, 건설중장비의 PLC가 복수이면 복수의 PLC들을 미리 설정된 우선 순위에 상응하여 순차적으로 통신 연결되어 제어 데이터를 수집할 수도 있다.

그리고, 본 발명은, 수집한 제어 데이터를 특성별로 분류할 수 있다(S20).

여기서, 본 발명은, 수집한 제어 데이터를 헤더별로 파싱하여 제어 데이터를 식별하고, 식별한 제어 데이터를 건설중장비의 제어장치별로 분류할 수 있다.

경우에 따라, 본 발명은, 분류한 제어 데이터의 중요도를 산출하고, 산출한 중요도에 기반하여 뉴럴 네트워크 모델의 입력 데이터를 선정할 수도 있다.

이어, 본 발명은, 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 제어 데이터의 정상 행위를 학습할 수 있다(S30).

여기서, 본 발명은, 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 제어 데이터의 정상 행위를 학습하고, 학습한 정상 행위의 제어 데이터를 클러스터링하며, 클러스터링한 정상 행위의 제어 데이터를 뉴럴 네트워크 모델의 입력 데이터로 제공할 수 있다.

경우에 따라, 본 발명은, 분류한 제어 데이터를 제1 뉴럴 네트워크 모델에 입력하여 제어 데이터의 정상 행위를 학습하고, 학습한 정상 행위의 제어 데이터를 클러스터링하며, 클러스터링한 정상 행위의 제어 데이터를 제2 뉴럴 네트워크 모델의 입력 데이터로 제공할 수도 있다.

다음, 본 발명은, 학습한 정상 행위의 제어 데이터와 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 제어 데이터의 이상 행위를 학습할 수 있다(S40).

여기서, 본 발명은, 정상 행위의 제어 데이터를 1차 학습한 뉴럴 네트워크 모델이 학습한 정상 행위의 제어 데이터와 분류한 제어 데이터를 입력받아 제어 데이터의 이상 행위를 2차 학습할 수 있다.

경우에 따라, 본 발명은, 정상 행위의 제어 데이터를 학습한 제1 뉴럴 네트워크 모델로부터 출력된 정상 행위의 제어 데이터와 분류한 제어 데이터를 제2 뉴럴 네트워크 모델이 입력받아 제어 데이터의 이상 행위를 학습할 수도 있다.

그리고, 본 발명은, 분류한 제어 데이터를 학습된 뉴럴 네트워크 모델에 입력하여 제어 데이터의 이상징후를 판별할 수 있다(S50).

이어, 본 발명은, 이상징후를 갖는 제어 데이터의 이상징후 레벨을 산출할 수 있다(S60).

여기서, 본 발명은, 이상징후를 갖는 제어 데이터가 판별되면 회귀 분석(regression analysis)을 통해 제어 데이터의 이상징후 레벨을 산출할 수 있다.

일 예로, 제어 데이터의 이상징후 레벨은, 이상징후 확률이 0 ~ 4% 범위를 갖는 정상 레벨, 5% ~ 29% 범위를 갖는 주의 레벨, 이상징후 확률이 30% ~ 69% 범위를 갖는 경고 레벨, 그리고 이상징후 확률이 70% ~ 100% 범위를 갖는 위험 레벨을 포함할 수 있다.

다음, 본 발명은, 산출된 이상징후 레벨을 기반으로 이상징후 의심 데이터를 수집할 수 있다(S70).

여기서, 본 발명은, 제어 데이터의 이상징후 레벨이 산출되면 산출된 이상징후 레벨을 기반으로 제어 데이터가 정상 레벨인지를 확인하고, 정상 레벨이 아니면 제어 데이터를 이상징후 의심 데이터로 수집할 수 있다.

그리고, 본 발명은, 수집한 이상징후 의심 데이터에 상응하는 제어장치의 이상징후를 알릴 수 있다(S80).

여기서, 본 발명은, 수집한 이상징후 의심 데이터에 상응하는 제어장치 정보와 이상징후 레벨 정보를 포함하는 알림 정보를 생성 및 제공하여 제어장치의 이상징후를 알릴 수 있다.

일 예로, 본 발명은, 스피커로 특정 소리를 출력하는 제1 알림 방식, 진동기를 진동시키는 제2 알림 방식, 경고등을 온/오프시키는 제3 알림 방식, 디스플레이 화면에 문자, 영상, 그림, 도안, 메시지를 적어도 하나 포함하는 경고 표시를 출력하는 제4 알림 방식 중 적어도 어느 한 알림 방식으로 제어장치(200)의 이상징후를 알릴 수 있다.

이와 같이, 본 발명은, 건설중장비의 PLC로부터 제어 데이터를 수집하고, 제어 데이터의 정상 행위와 이상 행위를 학습한 뉴럴 네트워크 모델을 이용하여 제어장치의 이상행위를 사전에 감지하고 모니터링할 수 있다.

또한, 본 발명은, PLC를 기반으로 하는 제어장치의 이상행위를 사전에 감지하고 모니터링할 수 있으므로, 산업현장 및 건설현장에서의 안전도를 제고할 수 있고, 이상징후를 미리 감지할 수 있어 장비를 보다 안전하고 원활하게 작동할 수 있도록 하여 생산성도 높일 수 있다.

이상에서 본 발명들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시예에 포함되며, 반드시 하나의 실시예에만 한정되는 것은 아니다. 나아가, 각 실시예에서 예시된 특징, 구조, 효과 등은 실시예들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

또한, 이상에서 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

100: 이상징후 감지 장치
110: 프로세서
130: 메모리
150: 네트워크부
200: 건설중장비
210: 동력부
220: 제어장치
230: PLC

Claims (10)

1. 건설중장비의 PLC(Programmable Logic Controller)로부터 제어 데이터를 수집하는 단계;
   상기 수집한 제어 데이터를 특성별로 분류하는 단계;
   상기 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 정상 행위를 학습하는 단계;
   상기 학습한 정상 행위의 제어 데이터와 상기 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 이상 행위를 학습하는 단계;
   상기 분류한 제어 데이터를 상기 학습된 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 이상징후를 판별하는 단계;
   상기 이상징후를 갖는 제어 데이터의 이상징후 레벨을 산출하는 단계;
   상기 산출된 이상징후 레벨을 기반으로 이상징후 의심 데이터를 수집하는 단계; 및
   상기 수집한 이상징후 의심 데이터에 상응하는 제어장치의 이상징후를 알리는 단계를 포함하는 것을 특징으로 하는 건설중장비의 이상징후 감지 방법.
2. 제1 항에 있어서,
   상기 제어 데이터를 수집하는 단계는,
   상기 건설중장비의 PLC와 통신 연결을 수행하고, 상기 건설중장비의 PLC와 통신 연결되면 상기 건설중장비의 PLC에 상기 건설중장비의 제어장치에 상응하는 제어 데이터를 요청하며, 상기 건설중장비의 PLC로부터 상기 제어장치에 상응하는 제어 데이터를 수신하면 상기 수신한 제어 데이터를 수집하는 것을 특징으로 하는 건설중장비의 이상징후 감지 방법.
3. 제2 항에 있어서,
   상기 제어 데이터를 수집하는 단계는,
   상기 PLC의 이더넷 또는 시리얼 통신 포트를 통해 유선으로 통신 연결되거나 또는 네트워크 통신 포트를 통해 무선으로 통신 연결되는 것을 특징으로 하는 건설중장비의 이상징후 감지 방법.
4. 제1 항에 있어서,
   상기 수집한 제어 데이터를 특성별로 분류하는 단계는,
   상기 수집한 제어 데이터를 헤더별로 파싱하여 상기 제어 데이터를 식별하고, 상기 식별한 제어 데이터를 상기 건설중장비의 제어장치별로 분류하는 것을 특징으로 하는 건설중장비의 이상징후 감지 방법.
5. 제4 항에 있어서,
   상기 수집한 제어 데이터를 특성별로 분류하는 단계는,
   상기 분류한 제어 데이터의 중요도를 산출하고, 상기 산출한 중요도에 기반하여 상기 뉴럴 네트워크 모델의 입력 데이터를 선정하는 것을 특징으로 하는 건설중장비의 이상징후 감지 방법.
6. 제1 항에 있어서,
   상기 제어 데이터의 정상 행위를 학습하는 단계는,
   상기 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 정상 행위를 학습하고, 상기 학습한 정상 행위의 제어 데이터를 클러스터링하며, 상기 클러스터링한 정상 행위의 제어 데이터를 상기 뉴럴 네트워크 모델의 입력 데이터로 제공하는 것을 특징으로 하는 건설중장비의 이상징후 감지 방법.
7. 제6 항에 있어서,
   상기 뉴럴 네트워크 모델은,
   상기 분류한 제어 데이터를 입력받아 상기 제어 데이터의 정상 행위를 1차 학습하고, 상기 클러스터링한 정상 행위의 제어 데이터와 상기 분류한 제어 데이터를 입력받아 상기 제어 데이터의 이상 행위를 2차 학습하는 것을 특징으로 하는 건설중장비의 이상징후 감지 방법.
8. 제1 항에 있어서,
   상기 제어 데이터의 정상 행위를 학습하는 단계는,
   상기 분류한 제어 데이터를 제1 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 정상 행위를 학습하고, 상기 학습한 정상 행위의 제어 데이터를 클러스터링하며, 상기 클러스터링한 정상 행위의 제어 데이터를 상기 제2 뉴럴 네트워크 모델의 입력 데이터로 제공하는 것을 특징으로 하는 건설중장비의 이상징후 감지 방법.
9. 제8 항에 있어서,
   상기 제1 뉴럴 네트워크 모델은,
   상기 분류한 제어 데이터를 입력받아 상기 제어 데이터의 정상 행위를 학습하고,
   상기 제2 뉴럴 네트워크 모델은,
   상기 제1 뉴럴 네트워크 모델로부터 출력된 정상 행위의 제어 데이터와 상기 분류한 제어 데이터를 입력받아 상기 제어 데이터의 이상 행위를 학습하는 것을 특징으로 하는 건설중장비의 이상징후 감지 방법.
10. 건설중장비의 이상징후 감지 방법을 제공하기 위한 건설중장비의 이상징후 감지 장치로서,
    하나 이상의 코어를 포함하는 프로세서; 및
    메모리를 포함하고,
    상기 프로세서는,
    상기 건설중장비의 PLC(Programmable Logic Controller)로부터 제어 데이터를 수집하고,
    상기 수집한 제어 데이터를 특성별로 분류하며,
    상기 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 정상 행위를 학습하고,
    상기 학습한 정상 행위의 제어 데이터와 상기 분류한 제어 데이터를 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 이상 행위를 학습하며,
    상기 분류한 제어 데이터를 상기 학습된 뉴럴 네트워크 모델에 입력하여 상기 제어 데이터의 이상징후를 판별하고,
    상기 이상징후를 갖는 제어 데이터의 이상징후 레벨을 산출하며,
    상기 산출된 이상징후 레벨을 기반으로 이상징후 의심 데이터를 수집하고,
    상기 수집한 이상징후 의심 데이터에 상응하는 제어장치의 이상징후를 알리는 것을 특징으로 하는 건설중장비의 이상징후 감지 장치.

Images