KR20240021159A - 산업용 기계를 위한 예측 보수 - Google Patents

Abstract

컴퓨터-구현 고장 예측은 출력 모듈(363)에 하위인 제1 및 제2 하위 모듈(313,323)을 갖는 모듈 배열(373)을 갖는다. 제1 및 제2 하위 모듈들은 산업용 기계로부터의 데이터를 처리하여 제1 및 제2 중간상태 인디케이터를 결정한다. 제3하위 모듈(333)은 작동 모드 인디케이터를 결정하고, 및 출력 모듈(363)은 상태 인디케이터 및 작동 모드 인디케이터를 처리하여 산업용 기계의 고장을 예측한다. 모듈 배열은 계단식 학습에 의하여 학습되고, 이는 하위 모듈(312,322,332)을 학습시키는 단계, 이어서 학습된 하위 모듈을 작동시키는 단계, 및 이어서 출력 모듈을 학습시키는 단계를 포함한다.

Description

산업용 기계를 위한 예측 보수

일반적으로 본문은 산업용 기계에 관한 것이고, 및 보다 구체적으로는 산업용 기계의 고장을 예측하는 컴퓨터 시스템, 방법 및 컴퓨터-프로그램 제품에 관한 것이다.

어떠한 중단도 없이 연속적으로 작동하는 산업용 기계는 영구 운동 기계만큼이나 드물다.

간단히 말해, 중단과 관련한 적어도 2개의 주요 이유가 있다. 기계 작동자는 일반적으로 주기적인 간격에 따라 기계 보수를 위하여 기계를 중단시킨다. 또는 기계는 고장 때문에 중단될 수 있다.

지난 수십년동안, 컴퓨터 모델들이 고장을 예측함에 있어 큰 진전이 있었다. 소위 말하는 예측 보수 모델은 작동자로 하여금 고장이 예상될 때 보수를 위하여 기계를 중단시키는 것을 가능하게 한다. 이와 같은 접근은 기계가 작동하는 전반적인 시간을 증가시킬 수 있고, 및 작동하지 않는 시간을 감소시킬 수 있다.

컴퓨터 모델들은 기계들로부터 센서 데이터(및 다른 데이터)를 수신하고, 및 고장 시점, 고장의 타입 및 다른 것과 같은 고장을 세밀하게 예측한다. 컴퓨터 모델들은 원인과 결과의 관계를 아는 것이 필요할 것이다. 많은 경우 그러한 것처럼, 이와 같은 관계는 미지이고, 컴퓨터는 학습 데이터(일반적으로 과거의 센서 데이터 및 과거의 고장 데이터)에 의하여 학습된다. 학습은 관계들을 예측하게 된다.

예측의 정확도가 중요하다. 예를 들어, 컴퓨터는 일주일 내에 고장이 발생할 것을 예측할 수 있고, 및 작동자는 즉각적인 보수를 위하여 기계를 중단시킬 수 있다. 정확하지 않은 예측은 치명적이다. 정확하지 않은 예측의 시나리오에서, 즉각적인 보수도 실제로는 요구되지 않고, 기계는 중단 없이 정상적으로 작동할 수 있었을 것이다.

정확도를 증가시키기 위하여, 당업자는 많은 도전과 제약들에 직면하게 되고, 이들 중, 데이터의 잠재적 부족(센서 또는 고장 데이터 등), 전문가 교정의 잠재적 부족(과거의 고장을 식별했었던), 서로 다른 전문가들 사이의 교정 내용 상의 잠재적 차이, 데이터의 관계 평가에 대한 잠재적 부정확성, 등이 있다. 추가적인 도전사항들은 이하에서 설명될 것이나, 일반적으로 임의의 예측의 정확성을 증가시키는 것에 대한 요구가 있다.

Stich et al.은 복잡한 산업 시스템인 웨이퍼 펩(wafer fab)의 하위 구성들을 분류하는 다중 컴퓨터 모델의 사용을 기술하고 있다(STICH PETER ET AL: "Yield prediction in semiconductor manufacturing using an AI-based cascading classification system", 2020 IEEE INTERNATIONAL CONFERENCE ON ELECTRO INFORMATION TECHNOLOGY (EIT), IEEE, 31 July 2020 (2020-07-31), pages 609-614)).

US 2013/0132001 A1은 산업 장비에 관한 것으로, 모델들을 이용한 오감지(fault detection)와 오예측을 설명하고 있다. 상기 문헌은 구체적인 예를 설명하고 있고, 또한 모델의 학습에 대하여도 언급하고 있다.

간단히 말하면, 예측은 머신 데이터를 수신하고, 예측 데이터를 제공하는 단일 기능성 모듈로부터 얻어지는 것이 아니고, 예측은 출력 모듈과 하위 모듈들을 갖는 모듈 배열로부터 얻어진다. 이와 같은 관점에서, 모듈 배열은 출력 모듈이 하위 모듈들(또는 기초 모델들)로부터 중간단계 인디케이터를 처리함에 의하여 고장을 예측한다는 점에서 메타-모델을 구현하고 있다.

다중 모듈들을 계층적으로 배치하는 것은 학습에 대해서도 영향이 있다: 하위 모듈들은 이들의 상위 모듈로 미리 학습되고 있다.

보다 구체적으로는 모듈 배열은 출력 모듈의 하위인 제1 및 제2 중간 모듈을 갖는다. 적어도 제1 및 제2 하위 모듈은 머신 데이터를 처리하여 각각 제1 및 제2 중간상태 인디케이터를 결정한다. 이와 같은 상태 인디케이터는 산업용 기계의 작동 구성들과 연관될 수 있다.

동시에, 추가적인 하위 모듈 -작동 모드 분류기-는 센서 데이터도 수신하고, 및 산업용 기계의 작동 모드를 결정한다(작동 모드 인디케이터) 출력 모듈은 작동 모드 인디케이터 뿐만 아니라 중간상태 인디케이터도 처리하고, 및 산업용 기계의 고장을 예측한다. 언급된 단일 기능성 모듈과 비교하여, 고장들이 서로 다른 작동 모드에 연관되기 때문에 예측 정확도가 증가될 수 있다.

도면들은 또한 컴퓨터 프로그램 또는 컴퓨터 프로그램 제품을 도시한다. 컴퓨터의 메모리로 로드되고, 및 컴퓨터의 적어도 하나의 프로세서에 의하여 실행될 때, 컴퓨터 프로그램 제품은 컴퓨터로 하여금 컴퓨터-구현 방법의 단계들을 수행하도록 한다. 다시 말해, 프로그램은 모듈들을 위한 지시사항들을 제공한다. 마찬가지로, 컴퓨터 시스템에 의하여 실행될 때, 복수의 처리 모듈을 포함하는 컴퓨터 시스템은 컴퓨터-구현 방법의 단계들을 수행한다.

도 1a 및 1b는 산업용 기계 및 모듈 배열을 도시하고;
도 2는 계층상 출력 모듈 밑의 하위 모듈들을 갖는 모듈 배열을 도시하고;
도 3은 고장 예측에서 고장 간격들과 조합된 산업용 기계의 작동을 위한 시간-다이어그램을 도시하고;
도 4는 모드별 모듈들에 의한 예측 내에서 모드별 고장간격과 조합된 산업용 기계의 작동을 위한 시간-다이어그램을 도시하고;
도 5는 산업용 기계의 블록 다이어그램을 도시하고;
도 6은 과거의 데이터를 갖는 다변량 시계열을 도시하고;
도 7은 계단식 학습을 위한 단순화된 시간 다이어그램을 도시하고;
도 8은 변형된 계단식 학습을 위한 단순화된 시간 다이어그램을 도시하고;
도 9는 산업용 기계의 고장을 예측하기 위한 컴퓨터-구현 방법의 플로우차트를 도시하고;
도 10은 예시적으로, 선택적으로 모드의 변화율을 결절하기 위한 모드 인디케이터를 갖는 시간 순서를 도시하고;
도 11은 모드 전이를 갖는 상태 전이 다이어그램을 도시하고;
도 12는 머신 데이터를 갖는 과거의 시계열 및 고장 데이터를 갖는 과거의 시계열 뿐만 아니라 복수의 산업용 기계들을 도시하고;
도 13은 머신 데이터(및 잠재적으로는 고장 데이터 Q)를 조화시키는 접근방식의 서로 다른 산업용 기계들을 도시하고;
도 14는 센서에 의하여 제공되는 데이터 및 데이터 프로세서에 의하여 제공되는 데이터를 갖는 시계열 상의 머신 데이터를 도시하고; 및
도 15는 일반 컴퓨터를 도시한다.

본 발명은 청구항 제1항에서 청구하고 있는 바와 같이 산업용 기계의 고장을 예측하기 위한 컴퓨터-구현 방법에 관한 것이다. 산업용 기계의 고장을 예측하기 위한 컴퓨터-구현 방법은 컴퓨터가 처리모듈의 배열(단순화를 위하여, “처리” 속성이 본문으로부터 때때로 생략될 수 있다.)을 사용하는 방법이다. 컴퓨터는 제1, 제2 및 제3 하위 처리모듈에 의하여 산업용 기계로부터 머신 데이터를 수신한다. 이들 모듈들이 배열되어 중간 데이터를 출력 처리모듈에 제공한다. 배열은 계산식 학습에 의하여 미리 학습된다. 제1 하위 모듈에 의하여, 컴퓨터는 머신 데이터를 처리하여 제1 중간상태 인디케이터를 결정한다. 제2 하위 모듈에 의하여, 컴퓨터는 머신 데이터를 처리하여 제2 중간상태 인디케이터를 결정한다. 제3하위 모듈-작동 모드 분류기 모듈-에 의하여, 컴퓨터는 머신 데이터를 처리하여 산업용 기계의 작동 모드 인디케이터를 결정한다. 컴퓨터는 제1 및 제2 중간상태 인디케이터 및 출력 모듈에 의하여 작동 모드 인디케이터를 처리한다. 이에 의하여, 출력 모듈은 예측 데이터를 제공함에 의하여 산업용 기계의 고장을 예측한다.

선택적으로, 컴퓨터는 다음의 학습 순서를 따라 학습된 배열을 사용한: 제3 하위 모듈을 과거의 머신 데이터로 학습시키고; 학습된 제3 하위모듈을 실행하여 과거의 머신 데이터를 처리하여 과거 모드 인디케이터를 얻고; 제1 및 제2 하위 모듈을 과거의 머신 데이터 및 과거 모드 인디케이터로 학습시키고; 학습된 제1 및 제2하위 모듈을 실행하여 과거의 머신 데이터를 처리하여 제1 및 제2 중간상태 인디케이터를 얻고; 및 과거 모드 인디케이터, 과거의 머신 데이터, 및 과거의 고장 데이터에 의하여 출력 모듈을 학습시킨다.

선택적으로, 작동 모드 인디케이터를 결정할 때, 컴퓨터는 인간 전문가에 의하여 교정된 과거의 머신 데이터에 기반하여 학습된 작동 모드 분류기를 사용한다.

선택적으로, 전문가에 의하여 교정된 과거의 머신 데이터는 센서 데이터이다.

선택적으로, 작동 모드 분류기는 과거의 머신 데이터에 기반하여 학습된다. 학습하는 동안, 작동 모드 분류기는 기계의 작동시간을 시계열 세그먼트의 클러스터로 클러스터링한다.

선택적으로, 시계열 세그먼트의 클러스터는 자동 할당 또는 인간 전문가와의 상호작용에 의한 할당으로부터 선택되어 작동 모드 인디케이터로 할당된다.

선택적으로 작동모드 인디케이터는 시간에 따른 모드의 변화의 수에 의하여 제공된다.

선택적으로, 상태 인디케이터는 최신 상태를 표시하는 최신 인디케이터, 및 미래의 상태를 표시하는 예측 인디케이터로부터 선택된다.

선택적으로, 출력 모듈은 고장 시점, 고장 타입, 잔여 유효 수명, 고장 간격으로부터 선택되는 산업용 기계의 고장을 예측한다.

선택적으로, 작동 모드 인디케이터는 나아가 제1 및 제2 하위 처리모듈 모두에 의하여 처리되는 바이어스로 기능을 한다.

선택적으로, 컴퓨터는 센서 데이터를 갖는 하위 세트를 수신함에 의하여 머신 데이터를 수신하고, 및 컴퓨터는 센서 데이터를 갖는 하위 세트를 처리하는 제1 및 제2 하위 모듈에 의하여 제1 및 제2 중간상태 인디케이터를 결정한다.

선택적으로, 컴퓨터는 머신 데이터를 수신한다. 이와 같은 작동은 머신 데이터의 고장 예측에 대한 기여도에 따라 가상의 센서에 의한 머신 데이터를 제공하거나 또는 도입되는 머신 데이터를 필터링하는 데이터 하모나이저를 통하여 데이터를 수신하는 것을 포함한다.

선택적으로, 컴퓨터는 데이터 하모나이저를 통하여 머신 데이터를 수신한다. 이와 같은 작동은 전이학습에 의하여 미리 학습된 모듈을 갖는 하모나이저로부터 머신 데이터를 수신하는 것을 포함한다.

선택적으로, 컴퓨터는 시뮬레이션으로부터 얻어지는 데이터에 의하여 적어도 부분적으로는 개선된 머신 데이터를 수신한다.

더 넓은 관점에서, 산업용 기계의 고장을 예측하는 본 발명은 예측 데이터를 기계 제어기로 전달하는 것을 포함하는 경우의 사용에도 적용될 수 있다. 제어기는 산업용기계로 하여금 가장 늦은 고장 시점이 발생할 것으로 예측되는 모드를 가정하게 할 수 있고, 및 제어기는 산업용 기계로 하여금 가장 늦게 기계의 보수를 수행하는 것이 발생하는 모드를 가정하게 할 수 있다.

나아가, 산업용 기계는 머신 데이터를 컴퓨터에 제공하도록 구성될 수 있다(즉 방법을 수행하도록 구성됨). 산업용 기계는 나아가 컴퓨터로부터 예측 데이터를 수신하도록 구성될 수 있다. 이와 같은 시나리오에서, 산업용 기계는 기-정의된 최적화 목표에 따라, 산업용 기계의 작동 모드를 변경시키는 기계 제어기와 연관된다.

선택적으로, 기-정의된 최적화 목표는 다음으로부터 선택된다: 가능한 늦게까지 보수를 회피함, 가장 늦게 고장이 발생할 것으로 예측되는 모드에서 작동함.

산업용 기계는 화학 반응기, 야금로, 용기, 펌프, 모터, 및 엔진으로부터 선택될 수 있다.

나아가, 모듈 배열이 산업용 기계를 위한 고장 예측을 갖는 고장 인디케이터를 제공할 수 있도록 출력 모듈에 연결된 제1, 제2 및 제3 하위 모듈들을 갖는 모듈 배열을 학습시키는 컴퓨터-구현 방법이 있다. 상기 방법은 하위 모듈들을 학습시키고, 이어서 학습된 하위 모듈들을 작동시키고, 및 이어서 출력 모듈을 학습시키는 계단식 학습의 적용을 포함한다.

선택적으로 계단식 학습은 다음을 포함한다: 과거의 머신 데이터를 이용하여 제3 하위 모듈을 학습시키고; 학습된 제3 하위 모듈을 실행하여 과거의 머신 데이터를 처리하여 과거 모드 인디케이터를 얻고; 과거의 머신 데이터 및 과거 모드 인디케이터를 사용하여 제1 및 제2 하위 모듈들을 학습시키고; 학습된 제1 및 제2 하위 모듈들을 실행하여 과거의 머신 데이터를 처리하여 제1 및 제2 중간상태 인디케이터를 얻고; 및 과거 모드 인디케이터, 과거의 미선 데이터, 및 과거의 고장 데이터에 의하여 출력 모듈을 학습시킨다.

더 넓은 관점에서, 컴퓨터-구현 고장 예측은 출력 모듈의 하위인 제1 및 제2 하위 모듈들을 갖는 모듈 배열을 갖는다. 제1 및 제2 하위 모듈들은 산업용 기계로부터의 데이터를 처리하여 제1 및 제2 중간상태 인디케이터를 결정한다. 제3 하위 모듈은 작동 모드 인디케이터를 결정하고, 및 출력 모듈은 상태 인디케이터 및 작동 모드 인디케이터를 처리하여 산업용 기계의 고장을 예측한다. 모듈 배열은 계단식 학습에 의하여 학습되고, 이는 하위 모듈들을 학습하고, 이어서 학습된 하위 모듈들을 작동시키고, 및 이어서 출력 모듈을 학습시키는 것을 포함한다.

본 발명의 구체예들은 이제 첨부된 도면들을 참조하여 설명될 것이다.

개요 및 작성 규칙

본문은 도 1a, 1b 및 2에서 산업용 기계 및 모듈 배열을 도시하고, 도 3-4에서 단순화된 시간-다이어그램에 의하여 작동 모드와 연관하여 정확도를 논의하고, 및 도 5에서 산업용 기계의 세부사항을 보여줌에 의하여 하향식 접근방법을 사용한다. 도 6에서는 작동 모드에 따라 분리되는 머신 데이터를 갖는 시계열을 논의한다. 본문은 그 후에, 도 7-8과 연관하여 학습하는 것에 대하여 논의하고, 및 도 9의 플로우차트에 의하여 예측에 대하여 논의하다. 나아가, 구체적인 면들이 도 10-15에서 제공될 것이다.

본문은 컴퓨터의 작동을 기술하기 위하여 “모듈의 실행” 또는 “컴퓨터의 실행”과 같은 표현을 사용하고, 및 기계의 활동을 기술하기 위하여 “작동”이라는 표현을 사용한다.

산업용 기계 및 모듈 배열

도 1a, 및 1b는 공간(도 1a) 및 시간(도 1b)의 관점에서의 접근에 대한 개요를 제공한다.

도 1a는 모듈 배열 373을 갖는 컴퓨터와 산업용 기계 113를 도시한다. 기계 113는 (최신) 머신 데이터 153 {{X1...XM}}N (또는 줄여서 {{X...}}N)를 모듈 배열 373의 입력으로 제공한다. 모듈 배열 373은 이의 출력에서 (최신) 예측 데이터 {Z...}를 제공한다.

“컴퓨터”(참조 없이는 단수임)라는 표현은 컴퓨팅 기능 또는 컴퓨터-구현 모듈의 가능을 의미한다. 기능은 서로 다른 물리적인 컴퓨터들로 분산될 수 있다.

본문에서 사용될 때, “모듈”은 학습에 의하여 얻어지는 하나 이상의 내부 변수들을 사용하는 기능상의 유닛(또는 연산 유닛)이다.

당업자는 다양한 이와 같은 모듈들을 잘 알고, 및 때때로 이들을 “기계 학습 툴” 또는 “ML 툴”이라고도 한다. 본문은 “ML”등을 사용하지 않고, 이는 단순히 “M”이 계산을 수행하는 컴퓨터를 의미하기 때문이다. 본문에서 사용될 때, (산업용) 기계는 머신 데이터 X와 연관되지만, 기계 그 자체는 연산을 수행하지 않는다.

다른 관점에서, 도면들은 복수의 처리모듈들을 포함하는 컴퓨터 시스템의 모듈들을 도시하고 있고, 이들은 컴퓨터 시스템에 의하여 실행될 때, 컴퓨터-구현 방법들의 단계들을 수행한다. 산업용 기계는 컴퓨터 모듈로 고려되지 않는다.

모듈들은 알고리즘을 수행하고, 이는 회귀, 분류, 클러스터링 등과 같은 작업을 해결한다.

이들의 내부 구조의 관점에서, 이들은:

- 신경망(가중치를 갖는 변수들과 레이어별로 배열된 노드를 갖는 도 1a에서의 기호들을 포함함)

- 단일 트리, 또는 다중 트리(예를 들어 랜덤 포레스트), 또는 다른 모듈들을 갖는 의사결정 트리 구조

일 수 있다.

당업자는 e.. Tensorflow와 같은 프레임워크, Keras와 같은 라이브러리, 예를 들어, 파이썬, R 또는 Julia와 같은 프로그래밍 언어를 사용하여 내부 구조를 구현할 수 있다.

도면은 또한 오퍼레이터 193에 의한 예측 데이터의 잠재적인 수신자를 기호화한다. 오퍼레이터(또는 산업용 기계를 담당하는 임의의 다른 사람)는 적시에 기계를 보수하는 것, 고장이 예상될 때까지 기계가 작동되도록 하는 것, 고장 발생이 지연될 수 있는 작동 모드에 도달하도록 작동 세부사항들을 변경하는 것 등과 같이 적절한 조치를 적용할 수 있다.

하지만, 예측 데이터 {Z...}가 다른 컴퓨터로 전송될 수 있고, 이에 따라 측정은 (반) 자동으로 유발될 수 있다.

예측 데이터 {Z...}는 예를 들어 다음과 같은 다양한 면들을 갖는다:

- t_fail_a (가장 빠르게 고장이 발생할 것으로 예측되는 미래 시점),

- t_fail_b (가장 늦게 고장이 발생할 것으로 예측되는 미래 시점),

- fail_type (예를 들어, 고장이 발생할 기계 부품을 인식함에 의하여 고장 타입을 표시함), 또는

- 적어도 미래의 특정 시간 간격 동안 고장이 발생하지 않는 기계 작동의 예측.

도 1b는 기계, 컴퓨터 및 사용자를 행으로 표시하고, 및 시간의 경과를 열로 표시하는(좌로부터 우로) 행렬을 보여준다. 도 1b는 도 1a를 90 도 회전시킨 것을 고려될 수 있다.

더 단순화하여, 기계는 머신 데이터를 제공하고, 컴퓨터는 방법 702, 802, 및 203을 수행하고, 사용자는 예측 데이터 {Z...}를 수신한다.

단계

편의를 위하여, 도면들 및 설명은 이에 따라 적어도 다음의 단계들로 구분된다:

- 기계가 작동하는 동안 시계열에 따라 데이터를 수집함에 의하여 약 t1에서 시작하는 준비 단계 **1;

- 모듈 배열을 학습하는 것과 함께 t2에서 수행되는 학습 단계**2, 참고: 도 7-8의 방법 702 또는 802는 기계가 **2를 작동하는지 여부와 관계 없음, 및

- 방법 203에서 예측을 수행하는 시간이 되는 t3와 함께, 기계의 작동 및 고장을 예측하기 위하여 사용될 데이터의 수집을 나타내는 작동 단계**3(참고: 하위 모듈들 및 출력 모듈, 도 2)

시계열

데이터(예를 들어 머신 데이터)는 시계열의 형태로 제공될 수 있고, 즉, 이어지는 시점들에 대하여 시간 순서로 표시되는 일련의 데이터 값들로 제공될 수 있다. 도 1a는 짧은 표기(“둥근 모서리” 직사각형 153)에 의하여 및 직사각형 밑의 행렬에 의하여 시계열을 제시하고, 및 도 1b는 시간의 관점에서 직사각형 표기를 반복한다.

{X1 ... XM} 표기법은 데이터 요소 Xm(또는 줄여서 “요소”)를 갖는 단일(즉, 단변량) 시계열을 나타낸다. 요소 Xm은 시점 1로부터 시점 M: X1, X2, ..., Xm, ...XM (즉, "측정 시계열")까지 가능하다. 인덱스 m은 시점 인덱스이다. 시점m 다음으로 일반적으로 등거리 간격 Δt 내에 시점 (m+1)이 온다. 표기 {X...}는 짧은 형식이다.

일 예는 M시점에서 기계 구동의 회전 속력이다{1400...1500}. 당업자는 예를 들어 데이터 값들을 사전 처리하여 정규화된 값[0,1], 또는 {0.2...1}을 얻을 수 있다. 데이터 형태는 스칼라 또는 벡터로 한정되는 것은 아니고, {X1...XM}이 또한 연속된 M 이미지, 또는 시점 1로부터 시점 M까지 취하여진 소리 샘플을 나타낼 수 있다.

{{X1 ... XM}}N (또는 줄여서 {{X...}}N)의 표기법은 시점 1로부터 시점 M까지의 데이터 요소 벡터{X_m}N을 갖는 다변량 시계열을 의미한다. 벡터는 관계차수N(변량의 수, 즉, 데이터가 있는 파라미터들)을 갖고, 이는 1 내지 M의 임의의 시점에, N 데이터 요소들이 있다는 것을 의미한다. 행렬은 변량 인덱스 n을 행 인덱스(x_1로부터 x_N)로 표시한다.

예를 들어, 회전을 위한 단일 시계열은 온도를 위한 단일 시계열, 나아가 물질의 화학적 조성 등과 같은 데이터의 단일 시계열과 연관되어질 수 있다.

당업자는 설명이 단순화된다는 것을 이해한다. 실제의 변량 수 N은 수천에 도달하거나 이를 초과할 수 있다. 시계열은 이상적이지 않다. 때때로 요소들이 누락되지만, 당업자는 이와 같은 상황을 수용할 수 있다.

시간 간격 Δt와 시점 M의 수를 선택하는 것은 기계에 의하여 수행되는 공정 또는 활동에 의하여 달라진다. 시계열의 전체적인 기간 Δt*M(즉, 윈도우 크기)는 가장 긴 시간을 차지나는 기계 파라미터 이동에 대응된다.

시점 tm 모듈 배열(또는 이의 성분들)에 의하여 처리하는 시간을 구체화하면, 일부 데이터는 사전에 처리될 수 있다. 예를 들어, 온도 센서는 데이터를 매 분마다 제공할 수 있지만, Δt = 15 분(예를 들어)일 때, 일부 데이터는 제외될 수 있고, Δt에 대하여 평균화되고 또는 다른 방법으로 사전 처리될 수 있다.

시계열 표기 {...}는 다음과 같이 적용될 수 있다:

- 설명된 바와 같은 머신 데이터 {X...},

- 모듈들, 특히 하위 모듈들에서 컴퓨터에 의하여 처리되는 동안 발생하는 중간 데이터 {Y...},

- 모듈 배열의 출력에서의 고장 예측 데이터,

- 실제로 발생하거나 또는 발생된 고장을 나타내는 고장 데이터 {Q...}( {Q...}는 예측이 아님).

X,Y,Z, 및 Q 데이터는 또한 다변량 시계열로 제공될 수 있다.

하지만, 단변량 및 다변량 시계열은 데이터 형태의 예시일 뿐이고, 당업자는 다른 형태로도 데이터를 처리할 수 있다.

머신 데이터 X

라벨에서 알 수 있는 바와 같이 머신 데이터x는 산업용 기계와 관련되어 있다. 예측된 고장이 기계의 작동과 연관되기 때문에 데이터x가 처리된다. 머신 데이터의 모든 변량들이 예측에 기여하는 것은 아니기 때문에, 데이터 소스의 기계에 대한 관계와 관련한 대략적인 차이가 있다.

머신 데이터는 다음과 같이 구분될 수 있다:

- 기계와 연관된 센서로부터 얻어지는 데이터(“센서 데이터”), 및

- 다른 소스로부터 얻어지는 데이터(“추가적인 데이터” 또는 “기능 데이터”).

추가적인 데이터는 기계에 의하여 처리되는 오브젝트(오브젝트 타입, 오브젝트 물질, 로드 조건 등과 같은 특성을 갖는), 또는 기계에 속하는 도구들(특히 이들이 시간에 따라 달라질 때)을 나타낼 수 있다. 추가적인 데이터는 작동 중의 환경적인 데이터(예를 들어 온도)일 수 있다. 추가적인 예는 보수 데이터를 포함한다.

잠재적으로, 센서 데이터는 오퍼레이터 / 사용자가 특정 센서 데이터를 특정 의미로 연관시키지 않는다는 점에서, 기계 오퍼레이터 또는 다른 사용자로부터 숨겨질 수 있다. 전문가인 사용자가 이와 같은 데이터를 라벨링하지 못하게 되는 결과가 있다. 추가적인 데이터는 잠재적르로 더욱 개방적이다. 예를 들어, 특정 구성의 진동을 나타내는 센서 값은 전문가에게는 무의미할 수 있지만, 전문가는 기계에 대한 주변 온도의 영향을 매우 잘 이해할 수 있다.

캘린더 상 시간

언급된 바와 같이, 인덱스 m은 시점 인덱스이고, 시계열상 표기가 편리하고, 및 당업자는 쉽게 시간적 표기를 실제 캘린더상 시점으로 변환시킬 수 있다. 시계열은 순차적으로 제공될 수 있고(순차적인 Ω 시계열을 갖는 도 1b), 캘린더 상 간격들은 Δt*M 보다 훨씬 더 길 수 있다.

현재 데이터로부터 과거 데이터의 학습 및 차별화

모듈들이 데이터를 이용한 학습 702 / 802을 통하여 내부 변수들을 얻기 때문에(예를 들어, 중량 또는 다른 기계-학습 관련 변수들), 본문은 “최신 데이터”로부터 “과거의 데이터”를 구분한다. 과거의 데이터는 모듈을 학습시키는데 사용될 수 있는 데이터이다(도 7-8의 방법 702 및 802를 갖는 도 1b). 따라서, 과거의 데이터는 학습 이전에 제공 가능하여야 한다. 다시 말해, 방법 702 /802의 좌측으로 도시된 데이터는 과거의 데이터(과거의 머신 데이터, 과거의 고장 데이터)일 수 있다.

도 1b는 단일 박스 702/802에 의하여 학습을 도시하고, 및 그 박스의 폭에 의하여 t2에서 t2' 사이의 런-타임을 기호화하고 있다. 새로이 들어오는 데이터로 학습을 반복하는 것이 가능하다(즉, t2에서의 박스와 함께 도시된 바와 같이, 박스를 우측으로 “추가함”에 의하여). 시간 경과에 따라, 과거의 데이터의 양이 증가하고, 모듈들은 재학습되어(방법 702/802를 반복하여) 보다 정확한 예측 성능을 달성하게 된다.

도 1b는 (1), (2) ... (Ω)의 지수를 갖는 연속적인 시계열을 도시한다. 단일 전체적인 기간 Δt*M을 위한 과거의 데이터가 한번에 처리되는 것이 편리하지만(즉, 학습 중인 배열의 N*M 입력갑에 대한 N*M 데이터 값 더하기 Q를 위한 M 데이터 값), 당업자는 다른 방법으로도 데이터를 모듈에 적용할 수 있다. (시계열의) Ω 수는 시간에 따라 증가한다.

대조적으로, 최신 데이터는 학습된 모듈이 미래에 발생할 수 있는 고장을 예측하기 위하여 처리할 수 있는 데이터이다(도 9에서 방법 203). 도 1b는 예측 방법 203의 실행 동한 처리되는 {{X...}를 갖는 시계열 153으로 이것을 도시하고 있다. 이론상, 과거의 데이터와 실질적으로 중첩되는 최신 데이터를 처리하는 것이 가능할 수 있다(t2”에서 제2 박스 끝을 참조).

원본 데이터

도시된 바와 같이, 모듈 배열은 원본 데이터를 수신하고, 이는 모듈에 의하여 아직 처리되지 않은 데이터이다(데이터 포멧을 조화시키기 위한 사전 처리는 제외함). 방법 702/802에서 학습되는 동안, 모듈 배열은 원본의 과거의 데이터를 수신하고, 및 변수들을 얻는다(또는 "가중치"). 일단 학습된 후, 예측 방법 203에서 모듈 배열은 원본 최신 데이터를 수신하고, 및 예측 데이터{Z...}를 제공한다. 원본 데이터는 여기서 이미 언급되고, 이는 학습702/802 하는 동안, 및 예측 203하는 동안, 배열의 모듈들은 중간 데이터를 제공 및 처리하기 때문이다. 일반적으로 과거의 데이터는 과거의 데이터로, 및 최신 데이터는 최신 데이터로 남아있게 된다.

과거와 미래를 예측하고 구별하기

예측방법203을 수행하는 컴퓨터의 런 타임은 무시할 수 있고 짧다(시계열 상 M간격과 비교시). 따라서, 본문은 t3을 오퍼레이터가 고장 예측{Z...}에 관하여 정보를 받을 수 있는 가장 빠른 시점으로 고려한다. 따라서, 도 1b는 예측을 또한 시계열로서 도시한다. 이하에서 보다 구체적으로 설명되는 바와 같이, 고장 예측 데이터{Z...}의 하나의 요소는 고장 시점(t-fail)의 식별이다.

t3으로부터(그 이전은 아님), 오퍼레이터는 예측을 보고 / 이를 알 수 있다.

미래의 시점은 또한 컴퓨터의 런-타임에 대하여 상대적으로 주어질 수 있다(도 3의 t3 참조). “time-to-fail”는 t3으로부터 가장 빠른 고장 시점까지의 간격 또는 기간을 표시한다.

출력의 예측 정확도는 시간의 정확도, 종류의 정확도 등으로 고려될 수 있다. 이와 같은 면들은 서로와 연관된다. 설명의 단순화를 위하여, 본문은 시간 정확도를 증가시키는데 집중한다.

학습을 위한 데이터 수집

도 1a는 또한 과거의 작동 중 산업용 기계를 위한 참조 111, 단계**1에서 과거의 머신 데이터(및 과거의 고장 데이터)를 위한 참조 151를 보여준다. 이는 또한 학습된 배열을 위한 참조372를 보여준다.

모듈 배열

도 2는 출력 모듈 363(상대적으로 높은)에 (계측상) 하위인 하위 모듈, 313,323,333을 갖는 모듈 배열을 도시한다. 하위 모듈333은 작동 모드 분류기의 특별 기능을 갖는다.

본문은 단순히 설명을 위한 “분류기”라는 라벨을 사용하지만, 라벨은 또한 “클러스터링”의 의미를 포함한다. 하위 모듈 333은 분류기로 작동하지만(기계의 작동시간들을 MODE_1 또는 MODE_2와 같이 클래스들에 할당함), 모듈 333은 또한 클러스터링 도구로 작동할 수 있다(이는 서로 다른 작동시간 동안 관찰되는 데이터에 따라 기계의 작동시간들을 분리함).

특정 클러스터를 특정 모드에 할당하는 것은 선택적이다.

예를 들어, 모듈 333은 데이터를 처리할 수 있고, 및 작동시간(즉, 시점들 m)을 제1 및 제2 클러스터로 클러스터링할 수 있다. 이후 컴퓨터는 자동으로 이들 클러스터를 제1 및 제2 작동 모드(클래스로 기능함)로 할당할 수 있다. 다시 말해, “클러스터”와 “모드” 사이에는 유의미한 차이가 있다. 모듈은 기계의 작동을 관찰하고, 및 작동시간을 (비중첩인) 클러스터로 구분한다. 할당(제1 클러스터를 제1 모드로, 제2 클러스터를 제2 모드로, 등)이 존재하고, 모드는 분류 타겟으로 설정될 수 있다. 이후, 모듈은 학습되어 타겟에 따라 작동시간을 구분할 수 있다(더 이상 클러스터링이 아니라, 분류임(classifying)). 서로 다른 데이터를 사용하는 추가적인 반복에서, 모듈 333은 기계가 제1 또는 제2 모드에서 작동하는지를 결정할 수 있다.

선택적으로 인간 전문가가 클러스터를 클래스로 할당하는데 관여할 수 있다(예를 들어, 고장 등과의 관련성을 인식한 전문가는 클러스터에 모드 네임을 부여함). 할당은 보다 더 복잡해질 수 있다(2개의 클러스터가 동일 모드에 속할 수 있음). 하지만, 일반적으로, 인간 전문가가 관여하는 것이 요구되지는 않는다. 사용자가 관여하지 않는 것이 유리할 수 있다. 작동 모드 사이의 차이들이 전문가에서 "보이지 않을" 수 있다(또는 적어도 감지가 어려울 수 있다. 예를 들어 도 5 참조). 다시 말해, 클러스터 및/또는 모드는 전문가로부터 감추어질 수 있다. 하지만, 차이들은 예측에 영향을 줄 수 있고( 및 기계의 작동에도 영향을 줄 수 있음, 도 4 참조), 및 컴퓨터는 이와 같은 차이들의 존재를 인지할 수 있다. 다시, 차이는 사용자로부터 감추어질 수 있으나, 컴퓨터로부터는 감추어질 수 없다.

클러스터링은 필수가 아니고, 전문가는 센서 데이터에 표기를 제공하는 것과 같이 작동 모드를 과거의 머신 데이터에 표기하는 것도 가능하다.

서로 다른 모듈들

서로 다른 모듈들은 서로 다른 작업들을 수행하게 된다(예를 들어 회귀 및 분류/클러스터링). 배열에서 하위 모듈들(특정 작업들에 특화됨)의 사용은 단일 모듈들(즉, 하위 모듈들이 없는 모듈들)과 비교하여 예측 정확도를 증가시킬 수 있다. 예측 정확도는 도 3-4과 연관하여 시간의 정확도를 위한 예시로 설명될 것이다.

모듈 배열 373은 입력으로 특정 데이터를 요구할 수 있는 수개의 성분들을 갖고, 이하여 설명들은 선택적인 접근방식들을 설명할 것이고, 이들은 다음과 같다:

- 가상의 센서들로부터의 데이터를 사용하여 데이터의 부족을 보상함(일 접근법과 관련하여 도 13 참조),

- 선택적으로는 클러스터링에 의하여 시작되는, 자동 분류 모드에 의하여(이와 같이 자동으로 얻어지는 데이터를 사용하는 것과 관련하여 도 7-8 참조), 작동 모드를 구분함에 있어서 전문가의 지식의 부족을 보상함

- 모듈 배열이 특정 학습 순서에 따라 계단식으로 학습하도록 함(모드 분류기로 시작, 도 7-8 참조),

- 산업용 기계의 동작의 적어도 일부를 적어도 부분적으로는 시뮬레이팅함으로써, 또는 다른 방법으로 기계의 동작으로 예측함으로써 데이터의 부족을 보상함,

- 인간-교정 라벨에 의하여 학습 데이터를 개선함(추가로 도시되지 않음),

- 데이터가 다른 물리적인 기계들(과거의 데이터를 위하여 설명된 도 13 참조)로부터 처리되어야 할 때, 데이터 변형의 가용성을 조화시키는 것과 같은 방식에 의하여 데이터를 전송함에 의하여 데이터(또는 과잉 데이터)의 부족을 보상함, 또는

- 출력 모듈을 학습시키기 위하여 입력의 신뢰도를 나타내는 바이어스(이진법적 분류 대신)를 사용함에 의하여 서로 다른 모듈들이 정확도를 위하여 경쟁하게 함(예를 들어, 이하에서 설명되는 바와 같이, 분리 모드 인디케이터 또는 확률값을 갖는 인디케이터).

전반적인 관점에서, 모듈 배열 373은 신업용 기계113(도 1a참조)로부터 머신 데이터 153를 수신하고, 및 산업용 기계의 고장(data {Z...})을 예측한다.

이의 위상을 살펴보면, 모듈 배열373은 출력 모듈에 대하여 하위인 2 또는 그 이상의 모듈들을 포함한다. 하위 모듈들은 다음에서와 같이 상이하다(피어(peers)간에 있어서):

- 머신 데이터의 출처는 모듈마다 다를 수 있다. 예를 들어, 하위 모듈 313 및 323은 서로 다른 기계 구성으로부터 머신 데이터를 처리할 수 있고, 예를 들어 모듈 313은 하위 세트 ∈ to {{X...}}N인 {{X...}}N1을 수신하고, 모듈 323은 {{X...}}N2를 수신한다(참조 도 2).

- 하위 모듈들이 처리중에 적용하는 가중치 세트(또는 다른 기계-학습된 변수들)는 서로 상이할 수 있다.

- 중간 데이터(예를 들어 {Y...}와 같은)도 모듈별로 상이할 수 있다. 도면은 제1 중간상태 인디케이터로서 모듈313의 출력에 1{Y...}를 도시하고, 제2 중간상태 인디케이터로서 모듈 323의 출력에 2{Y...}를 도시하고, 작동 모드 인디케이터로서 작동 모드 분류기 333의 출력에 3{Y...}을 도시한다.

위상은 데이터의 가용성에 영향을 준다. 출력 모듈은 이들이 가용하게 될 때 중간 데이터를 처리할 수 있다(도면에서 좌로부터 우 방향으로 파이프라인 구조).

위상은 또한 학습에도 영향을 준다. 도 7-8과 연관되어 이하에서 더 설명될 것이지만, 하위 모듈은 출력 모듈이 학습될 수 있기 이전에 학습된다. 동일한 원리가 서브-서브 모듈, 서브 모듈, 및 수프라(supra)-하위 모듈에서의 학습을 위한 추가적인 랭크를 갖는 계층을 위해서도 적용된다.

위상은 서로 다른 작업들을 수행하는 개별 모듈들을 위하여 구성된다. 예를 들어, 모듈 333은 클러스터링(또는 MODE로의 분류)를 제공하고, 및 이에 의하여 출력 모듈에 바이어스를 제공한다.

혼합된 면들

도 1과 연관하여, 본문은 이미 회귀, 분류, 클러스터링과 같은 작업을 수행하는 모듈들을 소개한다. 작업을 구분하는 것은 편리하지만, 반드시 필수적인 것은 아니다. 예측 고장 데이터 {Z...}는 회귀의 면(미래의 연속적인 시간으로부터 얻어지는 고장 시점)이 있고, 및 분류의 면(고장의 형태 등)이 있다. 마찬가지로, 모듈 333은 분리(예를 들어, 분류의 결과로서 MODE_1, 또는 MODE_2)일 수 있는 모드 인디케이터를 제공할 수 있고, 또는 확률 분류기(이하에서 세부적으로 설명함)일 수 있는 모드 인디케이터를 제공할 수 있다.

단계들

달리 표시되지 않는 한, 산업용 기계 및 모듈 배열은 작동 단계 **3 동안 도시된다. 학습**2은 도 7-8과 연관되어 설명될 것이다. 편의상, 도 2는 또한 학습하는 동안 적용될 수 있는 참조들을 도시한다: 학습된 모듈 배열 372, 출력 모듈 362 뿐만 아니라 하위 모듈 312,322 및 322를 가짐, 모두는 학습됨(세부적으로는 도 7-8참조).

도 2는 또한 도9-10과 연관되어 설명될 선택적인 인디케이터 도출(derivation) 모듈 374를 도시한다.

고장 시간 예측에 있어 시간적 정확도

도 3은 모듈에 의한 고장 예측에서 고장 간격들과 조합된 산업용 기계 113(도 1a 및 1b)의 작동을 위한 시간-다이어그램을 도시한다. 모듈은 전통적인 모듈(하위 모듈이 없는), 또는 모듈 배열 373일 수 있다.

수평 라인은 단순화된 작동 시나리오상의 산업용 기계의 작동을 표시한다.

- 시나리오 1: 기계는 t_fail_1 < t_fail_a에서 고장날 때까지 작동한다. 모듈은 수용가능한 표시를 제공하지 않았다.

- 시나리오 2: 기계는 예측된 고장 간격[t_fail_a, t_fail_b] 동안에 고장날 때가지 작동한다. 모듈은 수용가능한 표시를 제공했지만, 오퍼레이터가 기계의 보수를 수행하지 않기로 결정했다.

- 시나리오 3: 기계는 예측된 고장 간격 [t_fail_a, t_fail_b] 이후에 고장날 때까지 작동한다.

- 시나리오 4: 기계는 보수 브레이크가 “중단”될 때까지 작동한다. 보수는 예측된 t_fail_a 바로 직전에 시작된다. 기계는 작동을 재개하고, 및 결국 t_fail_4 시점에 고장난다. 이것이 거의 가장 이상적인 상황이다.

예측을 보다 정확하게 하고자 하는 바램이 있다. 도면들은 이의 원래값보다 짧을 수 있는 수정된 예측된 고장 간격[t_fail_a', t_fail_b']에 의하여 이를 도시하고 있다. 오퍼레이터는 t_fail_a' 바로 직전까지 보수를 지연시킬 수 있다. 이와 같은 개선은 모듈 배열(계단식 모듈들, 도 2 참조)에서 실현 가능하다.

모듈 배열은 t3 런-타임에서 작동하고(도 2 참조) 및 계산의 시간은 무시될 수 있다(컴퓨터가 계산하는 시간{Z...}). 간격[t_fail_a, t_fail_b]은 예측된 고장 간격이다.

도시된 사항은 단순화되고, 당업자는 다른 측정 항목들을 도출할 수 있으며, 이들 중 다음의 것들이 있다:

- 잔여 유효 수명(RUL). 고장은 각각 상이할 수 있고, 및 모든 고장의 타입이 기계를 작동 불가로 만드는 것은 아니다. 예를 들어, 베어링을 위한 “no oil”이라는 표시는 오퍼레이터로 하여금 해당 베어링의 보수를 수행할 기회를 주고, 및 기계는 계속해서 작동할 수 있다. 오퍼레이터는 단순한 오일 부족 외에(예를 들어 모터 고장) 이루어지고 있는 고장을 표시하는 추가적인 데이터를 수집함에 의하여 RUL을 얻을 것이다.

- 고장 시점(TTF)은 (t3으로부터) t_fail_a까지(짧은 TTF) 또는 t_fail_b까지(긴 TTF)의 간격일 수 있다.

- 심각도의 표지로서 고장 위험도는 t_type(선택적으로는 시간을 추가로 고려 대상으로 함)으로부터 유도될 수 있다.

설명될 것인 바와 같이, 실질적으로 모든 가용한 머신 데이터{{X...}}N로부터 데이터를 수신하는 단일 모듈은 오퍼레이터가 적절한 결정을 수행하기에 적절하지 않은 예측 데이터{Z...}를 제공할 수 있다.

도 4는 모드별 모듈들에 의한 예측에서 모드별 고장 간격들과 조합되어 산업용 기계(도 1a)의 작동을 위한 시간-다이어그램을 도시한다.

모듈 배열은 모드별로 예측된 고장 간격들을 구분할 수 있고, 도면은 MODE_1 및 MODE_2를 위한 분리하여 (t_fail_1, t_fail_2)를 도시한다.

기계 오퍼레이터는 작동 모드를 이해하여 ON(기계가 작동중임), STAND-BY(기계가 낮은 에너지에서 작동중이지만 제품 등을 제공하지는 않음), FULLY-LOADED 등과 같이 쉽게 감지될 수 있는 상태들을 반영할 수 있다. 하지만, 모드들은 예측된 고장들에 연관되고, 및 오퍼레이터는 기계가 모드를 변경하는 것은 인지해야 하는 것은 아니다. 심지어는 기계가 모드 변경을 구현하는 것이 반드시 요구되지도 않는다. 모드들은 기계의 작동을 나타내는 속성들이다.

단순화된 예에서, MODE_1에서 기계는 MODE_2에서의 기계보다 더 일찍 고장날 수 있다. 이와 같은 정보는 오퍼레이터에 중요할 수 있다. 이하에서 도시되는 바와 같이, t3에서(모듈 배열의 작동시간), 오퍼레이터는 양 모드들이 분리되어, 또는 선택적으로는 양 모드들이 조합되어(("MODE_1 OR _2") 예측된 고장 간격들에 대하여 정보를 받을 수 있다.

한편, t3까지는 오퍼레이터는 MODE_1 또는 MODE_2에서 작동하도록 기계를 제어할 수 있고, 또는 기계는 특정 모드를 취하도록 명시적으로 제어됨이 없이 임의의 모드를 가정하였다.

가능하게는, 오퍼레이터는 MODE_2로 t4(MODE_1을 위한 t_fail_1 직전)까지 계속할 수 있다. 보수는 지연될 수 있고, 또는 약 t4로부터, 오퍼레이터는 기계가 MODE_2로만 작동하도록 할 수 있다.

도면은 보다 더 단순화되어, t3이후의 기계의 작동 과정동안(t3 내지 t4에서 취하여진 최신 데이터에 의하여 나타내어 짐), 컴퓨터는 예측을 업데이트할 수 있다. 기계를 MODE_1(t3 이후_에서 계속해서 작동하는 것은 (MODE_1을 위한) t_fail을 좌측으로 이동시킬 수 있다. 따라서, 오퍼레이터는 단지 t3 바로 직후(t4가 아님)에 이미 MODE_2로 변경하는 것을 결정할 수 있다.

오퍼레이터는 모드를 미리 알아야 할 필요가 없고, 그는 기계를 서로 상이하게 작동시킬 수 있고, 및 모드 인디케이터는 오퍼레이터에게 모드를 알려줄 수 있다는 것이 주목된다.

작동 모드를 구분하는 모듈 배열은 (전반적인) 고장 간격을 식별하는데 보다 더 정확할 수 있다. 본문은 도 5와 연관하여 예측 정확도를 향상시키는 것과 관련하여 보다 구체적으로 설명하지만, 고장 예측 데이터{Z...}와 모드 인식 데이터가 조합되어 기계를 제어하기 위하여 사용될 수 있는 적용 시나리오도 간단히 설명한다.

(반)자동 모드 적응

도 4 및 이의 설명은 제어 규칙을 수립하기 위한 예로 간주될 수 있다. 기계 제어기는 고장 예측 데이터{Z...}(t3에서 가용)를 실제 제어 명령으로 처리하여 기계의 작동을 제어할 수 있다. 이와 같은 규칙은 더 높은 최적화 목표에 의하여 개선될 수 있다. 예를 들어, “가능한 오랫동안 보수를 회피함”이라는 최적화 목표를 위하여, 제어기는 기계가 임의의 모드에서 t4까지 작동하도록 할 수 있으나, t4로부터 MODE_1에서 작동하도록 하지는 않을 것이다.

인간 전문가의 개입은 최소화될 것이다(예를 들어, 일부 기-정의된 윈도우와 함께 t_fail 이전에 t4를 정의하기 위하여).

제어 명령을 기계로 전송하는 제어기는 모드를 변경할 수 있다. 하지만, 충분히 임의의 시간에, (학습된) 모듈 배열(또는 적어도 이의 모드 분류기)는 모드(또는 적어도 클러스터)를 설정하여, 필요한 경우 명령이 번복될 수 있다. 또는, 제어기는 모드에 대한 잠재적인 영향을 위한 이의 명령을 확인한다.

다시 말해, 배열(방법 203, 도 1b참조)에 의하여 수행되는 예측은 {Z...}를 기계 제어기로 전달함에 의하여 사용되고, 기계 제어기는 기계로 하여금 고장 시점이 가장 늦게 발생할 것으로 예측되는 모드를 가정하거나, 가장 늦은 시점에 보수하는 시점이 발생하는 모드를 가정하건, 또는 다른 기준에 따라 기계가 모드를 가정하게 한다.

서로 다른 관점으로부터, 산업용 기계는 기-정의된 최적화 목표에 따라 작동 모드를 변경시키는 기계 제어기와 연관될 수 있다. 언급된 기준은 또한 예를 들어, 보수를 회피하는 것(가능한 늦게까지), 고장이 가장 늦은 시점에 발생할 것으로 예측되는 모드(다른 모드들과 비교하여)에서 기계를 작동시키는 것과 같은 목표로서 공식화될 수 있다.

기계의 예

도 5는 산업용 기계110의 블록 다이어그램을 도시한다. 기계는 실제 기계들의 실제 구성요소들을 나타내는 기호들의 요소들을 갖는다는 점에서 허구이다. 비-허구적인 기계들의 예는 화학 반응기, 야금로, 용기, 펌프, 모터 및 엔진을 포함한다.

기계110는 구동부 120를 갖는다. 진동 센서130은 구동부에 부착되고, 시계열 {X...}의 형태로 신호를 제공한다. 이와 같은 단순화된 예에서, 머신 데이터는 센서 데이터만을 포함해야 한다. 기계는 대체 가능한 도구(또는 액츄에이터) 140-1/140-2를 사용한다. 도면은 도구 1 또는 도구 2(“화살표 도구” 또는 “삼각형 도구”)를 교번적으로 갖고 작동하는 기계를 보여줌에 의하여 도구를 기호화한다. 기계는 오브젝트 150과 상호작용한다(이 예에서는 도구를 통하여). 상호작용 동안, 오브젝트는 이의 형태(기계는 예를 들어 금속 가공 선반임), 이의 위치(운송 기계), 색깔(도장 로봇) 등을 변화시켜야 한다.

도 5의 단순화된 도시에서, 도구의 선택은 기계의 구성(예를 들어 제1 및 제2 구성)을 변경시킨다. 가장 현실적인 시나리오에서, 기계는 복수의 구성들을 초래하는 훨씬 많은 구성 요소들을 가질 수 있다. 구성의 복잡성은 상기한 원인-결과의 관계의 복잡성을 증가시키고, 및 따라서, 고장 예측의 복잡성을 증가시킨다. 단순화를 위하여, 본문은 진동은 잠재적인 고장을 위한 유일한 가정되는 원인으로 하여, 이에 집중한다. 작동 중 기계적인 진동의 발생(신호 {X...}로 나타냄)은 일반적이다. 보다 더 단순화하여, 산업용 기계들은 소리를 방출하게 된다. 도구/오브젝트의 조합 또는 구성들에 따라, 기계에 의하여 방출되는 소리는 서로 상이하다(서로 다른 주파수 다이어그램 참조).

도면은 또한 훨씬 단순화된 주파수 다이어그램을 도시한다(예를 들어 공지되어 있는 센서 신호의 고속 푸리에 변환(Fast Fourier Transformation)에 의하여 얻어짐). 물론, 주파수 분포는 시간에 따라 다양한 이유로(예를 들어, 오브젝트가 이의 형태를 변화시킴) 변화할 것이지만, 다이어그램은 일반적인 주파수들에 대한 대략적인 보기를 제공한다.

일반적으로, 진동이 항상 고장을 초래하는 것은 아니다. 하지만, 주목할만한 예외가 있다. 고유 주파수(또는 공진 주파수, 여기서는 fR)에서, 진동은 상대적으로 높은 진폭을 갖고, 따라서, 증가하는 고장 위험을 초래한다. 다시, 본문은 다음과 같이 단순화한다: 실제적인 시나리오는 서로 다른 공진 주파수들을 안다.

도시된 바와 같이, 도구 1(“화살표”)를 사용함에 의하여, 기계는 공진 주파수 가까이에서 진동할 수 있고, 및 도구 2(“삼각형”)를 사용함에 의하여, 다른 주파수에서의 진동이 존재한다. 이 단순화된 도면은 기계가 궁극적으로 fR에서 진동할 위험을 배제하는 것은 아니지만, 도구 1의 경우 위험은 더 크다. 미미한 진동(도구의 탄성 계수 등과 같은 일부 특성들에서)이 발생할 수 있고, 및 진동은 fR로 이동할 수 있다.

도메인 전문가는 잠재적으로 진동들에 대하여 조사할 수 있고, 및 서로 다른 도구들을 사용하는 것과 서로 다른 주파수들 사이의 연관성을 발견할 수 있다. 하지만, 언급된 실제적인 시나리오에서, 보다 복잡한 산업용 기계(많은 다른 도구들, 많은 다른 오브젝트들)에 있어서, 전문가의 지식이 일반적으로 가용적이지 않다.

설명될 것인 바와 같이, 컴퓨터는 각 작동 모드들을 구분할 수 있고(적어도 작동시간을 클러스터할 수 있고), 심지어는 전문가가 구분할 수 없는 모드들도 구분할 수 있다. 본문은 제1 및 제2 작동 모드로 단순화되고, 및 도구의 의미는 컴퓨터에서 중요하지 않다.

단순화된 예에서, 2개의 작동 모드 서로 다른 주파수 비율로 구분된다. 보다 더 단순하게는, 주파수들은 제1 모드를 위하여 낮은 밴드(fR 미만)에서 더 우세하고, 및 주파수는 제2 모드를 위하여 더 높은 밴드(fR 초과)에서 더 우세하다.

공진 주파수는 서로 다른 확률을 갖지만, 양쪽 모두 모두에 도달할 수 있다.

도 2로 돌아가, 작동 모드 분류기 333는 작동 모드 인디케이터 3{Y...}를 제공한다. 본문은 “인디케이터”를 단수의 표현으로 사용하지만, 이는 시간에 따라 변경될 수 있음이 주목된다. 따라서, 이는 시계열로 주어진다. 시간에 따라 변화하는 3{Y...}의 예는 도 10-11에 주어진다.

원칙적으로 복수의 선택사항들이 있다.

- 작동 모드 분류기 333는 작동 모드(예를 들어, 모드 1 XOR 모드 2)에 대응되는 변수를 출력하는 배타적 분류기로 작동할 수 있다. 또는 다중 작동 모드의 경우에, 작동 모드 분류기 333는 일련의 값들(MODE_1, MODE_2, MODE_3 등)로부터 기-정의된 값이다. 대안으로, 모드들의 수는 기-정의되지 않고, 클러스터의 수로 결정된다.

- 작동 모드 분류기 333는 작동모드의 확률을 갖는 변수를 출력하는 확률 분류기로 작동할 수 있다(예를 들어 80%는 모드 1, 20%는 모드 2).

- 작동 모드 분류기 333는 이들의 조합일 수 있다: 기-정의된 값과 확률 범위의 조합일 수 있다. 예를 들어, 3{Y...}는 2개의 변수, 즉 이-변량 시계열 3{{Y...}2를 갖는 벡터로 구현될 수 있고: 제1변수는 모드를, 제2변수는 확률을 나타낸다. 예를 들어, 스 시간에서 주어진 지점을 위하여, 모드는 80 % 확률로 MODE_1일 수 있다.

과거의 머신 데이터에 대한 선택적인 분할

작동 모드 분류기 332/333(도2 참조)가 적어도 예비적인 학습으로 이미 학습되었다고 가정하면, 이는 과거의 머신 데이터{{X...}} N (다변량 시계열, 또는 {{X...}}N3)를 2개의 하위 시리즈의 과거의 머신 데이터로 처리할 수 있다. 이에 대한 세부 사항은 도 6과 8과 연관하여 세부적으로 설명될 것이다.

도 6은 도 1b에서와 같이 과거의 다변량 시계열 {{X...}}N를 도시한다. 작동 모드 분류기는 작동 모드 인디케이터 3{Y...}에서 모드들(여기서는 MODE_1 및 MODE_2)을 구분할 수 있다.

결과로서, x-데이터는 2개의(또는 그 이상의) 다변량 시계열로 분산될 수 있다. 예시로, MODE_1은 m = 1, 2, 3, ...에서 감지되었고, 및 MODE_2는 m = 4, 5, 8, 9에서 감지되었다.

변화도 적용 가능하다. 예를 들어, 모드의 구분은 상대적으로 낮은 확률(상기 내용 참조)로만 확립될 수 있고, 특정 데이터는 양쪽 모드에 할당될 수 있다.

모드별 시계열에 있어서, 잔여 시간 슬롯들은 무시될 수 있고, 시간이 연속적인 시간-슬롯들에서 진행되는 것처럼 보일 수 있다. 당업자는 새로운 시간 카운터 등을 도입할 수 있다.

이와 같은 관점에서, 과거의 데이터{{X...}}N는 모드 교정된 과거의 데이터 {{X... @1}}N 및 {{X... @2}}N가 된다. 하지만 인간 전문가의 감도는 필요하지 않다.

여기서 도시되지는 않았지만, 분할도 고장 데이터에 적용될 수 있다. 모드 1에서 작동하는 동안, 또는 모드 2 동안 발생하는 과거의 고장들이 있을 수 있다.

과거의 머신 데이터(또는 고장 데이터)를 분할하는 것은 도 8의 단계 852에서 사용될 수 있다.

과거의 데이터(기계 또는 고장 데이터)를 분할하는 것은 클러스터링으로 고려될 수 있다. 클러스터링에 따라 구분될 수 있는(예를 들어, 3{Y...}에 의하여) 시계열 세그먼트가 도출된다. 특정 클러스터를 특정 모드에 자동으로 할당하는 것이 편리하다. 예는 2개의 모드에 할당된 2개의 클러스터를 사용한다.

도면은 예시적인 목적으로만 segm_1 (MODE_1), segm_2 (MODE_2), segm_3 (다시 MODE_1), segm_4 (다시 MODE_2) 등을 도시한다. 시계열 세그먼트는 서로 다른 기간을 가질 수 있다(예를 들어 3*Δt를 갖는 segm_1, 2*Δt를 갖는 segm_2 등). 세그먼트는 (segm_1, segm_3, ...)를 갖는 제1 클러스터와 (segm_2, segm_4, ...)를 갖는 제2 클러스터로 구분될 수 있다.

(산업용 기계의) 작동시간을 분리하는 관점에서 서로 다른 클러스터로의 클러스터링은 작동 모드가 시간의 함수이기 때문에 편리하다(3{...}은 시계열임).

원본 데이터 재검토

상기 언급한 바와 같이(도 1b), 모들은 학습되고, 이어서 데이터를 처리하기 위하여 사용될 수 있다. 모듈 배열(2개의 레이어 계층을 갖는 도 2 참조)을 학습시키는 동안, 하위 모듈들은 원본 데이터(머신 데이터 {X...} 고장 데이터 {Q...} 등)를 모두 과거 데이터인 중간 데이터 {Y...}로 전환시킨다. 출력 모듈은 중간 단계 및 원본 데이터를 처리하고, 이들 또한 과거의 데이터이다.

일단 모듈 배열이 학습된 이후, 이는 원본 데이터({{X...}}N와 같은)를 수신하고, 및 최신 데이터인 예측{Z...}을 제공한다. 하지만, 적어도 출력 모듈은 모두 최신 데이터인 원본 데이터와 중간 데이터를 수신할 수 있다.

다음과 같은 사항이 유리할 수 있다:

- 더 높은 랭킹의 모듈(출력 모듈과 같은)이 중간 데이터와 조합으로 원본 데이터(즉, 아직 처리되지 않은 데이터)를 수신할 수 있고,

- 중간 데이터는 특정 기능을 갖고, 및

- 이와 같은 중간 데이터의 가용성이 (학습하는 동안 및 예측하는 동안) 계단식으로 이루어진다.

적어도 하나의 예시적 시나리오가 주어진다. 인간 전문가에 의하여 원본 데이터에 주석을 다는 것이 어렵기 때문에, 모드 인디케이터와 같은 중간 데이터는 사실상의 주석으로 작용할 수 있다. 순서는 그대로 유지된다: 출력 모듈은 사실상의 주석들을 더 이른 시점이 아니라, 가용할 때에 사용할 것이다.

접근방법은 2개의 레이어 계층(도 2 참조)에 대하여 설명될 것이나, 추가적인 레이어들도 도입될 수 있다.

계단식 학습

도 7은 계단식 학습 702를 위한 단순화된 시간 다이어그램을 도시한다. 굵은 수평 선은 학습 중 데이터의 가용성을 나타낸다. 수직 화살표는 학습 중 데이터의 사용을 나타낸다. 복수의 수직 선들이 하나 및 동일한 수평 선으로부터 시작될 수 있지만, 이것이 이와 같은 사용이 동일 데이터를 요구하는 것을 의미하는 것은 아니다. 때때로, 반복적인 데이터의 사용은 서로 다른 변량들로부터의 사용을 의미할 수 있다(참고: 잠재적으로 모든 N 변량들로부터가 아니라, 서로 상이한 변량 서브 세트로부터의 {{X...}}N). 일단 데이터가 사용되면, 이는 가용성으로 남아있는다: 수평 선이 직선에서 점선으로 변화한다. 데이터의 재사용은 일부 학습 단계들이 반복되는 경우에 편리하다.

시간은 좌측으로부터 우측으로 진행되고, 시점 t2는 단계**2의 시작을 나타내고, 및 시점 t3은 작동 단계**3를 나타낸다(참고, 도 3에서 t3은 예측을 수행하기 위한 컴퓨터의 런-타임을 표시함).

박스들은 방법 단계들 ,712, 722,732를 기호화하지만, 박스들의 폭은 시간에 따라 조정된 것은 아니다. 우측에서, 박스들은 굵은 수직 선들 742, 762를 갖고, 이는 학습된 (하위) 모듈이 실행되어 출력을 제공한다는 것을 기호화하고 있다.

본문은 때때로 도 1a(과거의 머신 데이터 151을 제공하는 기계를 위한 참조 111), 도 2(위상, **2 참조 적용), 및 도 5(2개 모드를 갖는 기계의 예)를 다시 참조한다.

본문에서 사용되는 “예비”라는 표현은 방법 단계들의 선택적인 반복을 나타낸다. 다시 말해, 개별적인 학습 단계들은 반복될 수 있다. 편의를 위하여, 본문은 데이터 의미(예를 들어, 주파수, 또는 fR에서의 고장)를 언급하지만, 컴퓨터는 이와 같은 의미를 고려해야 하는 것은 아니다.

과거의 데이터는 처음부터(즉, t2 이전부터) 가용하다. 예를 들어, 과거의 데이터는 시계열의 형태를 가질 수 있다. 도면은 과거의 데이터를 과거의 고장 데이터{Q...} 및 과거의 머신 데이터{{X...}}N (산업용 기계 111로부터 수신함, 또는 서로 다른 기계로부터 수신함)로 구분한다.

고장 데이터가 단일-변량 시계열{Q...}로 주어지지만, 서로 다른 고장 타입들(즉, 고장 변량들)은 다변량 시계열(예를 들어 {{Q...}})에 의하여 표현될 수 있다.

단계 712/742

단계 712에서, 컴퓨터는 과거의 머신 데이터(및 선택적으로는 고장 데이터(미도시))를 사용하여 (예비적으로) 모드-분류기를 학습시킨다(즉, 도 2에서 하위 모듈 333). 일단 학습된 후, 작동 모드 분류기 333는 과거의 머신 데이터를 사용하여 과거 모드 인디케이터3{Y...}를 계산한다. 이 단계에서, 감도(즉, 전문가가 주석을 다는 처리)가 요구되지 않는다.

단계 742에서, 컴퓨터는 과거 모드 인디케이터 3{Y...}를 계산한다. 과거의 머신 데이터{{X...}}N가 과거 모드 인디케이터 3{Y...}와 동기화되어 가용하기 때문에, 시점 tm은 변화하지 않고, 양쪽 데이터는 데이터 쌍을 형성한다(여기서는 모드 인디케이터와 함께 자동으로 생성되는 주석의 관점에서).

예를 들어, 3{Y...}는 교번적인 제1의 24 시간 간격 동안의 작동 모드 1 및 제2의 24 시간 간격동안의 모드 2를 표시하는 시계열일 수 있다.

그 이유(도구 1 또는 2의 사용 또는 다른 의미와 같은)의 식별이 요구되지 않는다는 것은 유리할 수 있다. 컴퓨터는 가용한 데이터를 사용하지만, 감독 또는 다른 형태의 전문가의 관여가 포함되는 학습은 요구되지 않는다.

단계 722/762

단계 722에서, 컴퓨터는 과거의 머신 데이터{{X...}}N 및 (선택적으로) 과거 모드 인디케이터 3{Y...}를 사용하여 하위 모듈들 313,323을 학습시킨다. 일단 학습되면, 하위 모듈들 313,323은 중간상태 인디케이터 1{Y...} 및 2{Y...}를 제공할 수 있다. 예를 들어, 중간상태 인디케이터 1{Y...} 및 2{Y...}는 시간에 따라 증가 또는 감소하는 것과 같은 주파수의 변화를 표시하는 값들일 수 있다.

도면은 이 단계를 단일 박스로 표시하고 있지만, 단계는 양 하위 모듈들에 대하여 분리하여(직렬로 또는 병렬로) 수행될 수 있다.

단계 762에서, 컴퓨터는 과거의 머신 데이터{{X...}}N를 다시 사용하여 물론 과거의 인디케이터인 중간상태 인디케이터1{Y...} 및 2{Y...}를 계산한다. 예를 들어, 양 중간상태 인디케이터들은 주파수에 있어서 과거의 증가를 표시한다(그 의미는 중요하지 않지만).

단계 732

과거의 고장 데이터 Q(실제 고장 데이터)는 더 일찍도 가용하지만, 이는 중간상태 인디케이터와 비교되기 위하여 잠정적으로 사용될 수 있다. 이와 같은 고장 데이터는 자동으로 얻어질 수 있다. 간단한 구현에서, 고장은 다시 고장(실제 발생한) 시간을 나타내는 시계열로서, 센서 신호{Q...}로 표시될 수 있다.

단계 732에서, 컴퓨터는 과거의 고장 데이터 {Q...}, 중간상태 인디케이터 1{Y...} 및 2{Y...} 및 모드 인디케이터 3{Y...}를 사용하여 출력 모듈 362를 학습시킨다.

학습에 의하여, 출력 모듈362는 출력 모듈 363(도2)으로 바뀌고, 및 하위 모듈들은 또한 참조**3을 갖는 모듈들로 바뀐다. 예시적 의미를 유지하기 위하여, 모듈 배열 373은 모드의 변화로부터 10 내지 14 시간 사이에 발생하는 t_fail_a 및 t_fail_b 을 갖는 주파수의 증가를 위한 MODE_1에서의 고장을 감지할 수 있을 것이다(주파수가 막 fR에 도달함). MODE_2의 경우, 주파수는 마찬가지로 증가하고(하지만 fR로부터 멀어지도록), 및 t_fail은 상이할 것이다.

다시 말해, 작동 모들 구분함에 의하여, 모듈 배열 373은 증가된 시간 정확도를 갖고 예측을 제공할 수 있다.

분할된 과거의 데이터를 사용한 계단식 학습

도 8은 도 7에서 설명된 학습의 변형에서 계단식 학습 802을 위한 단순화된 시간 다이어그램을 보여준다.

단계들은 도 7에서 설명된 단계들에 대응되지만, 컴퓨터는 추가적인 단계 852를 수행하고(과거의 머신 데이터를 분할하기 위하여, 도 6 참조), 단계 722(도 7에서)은 하위 모듈 312/313을 위한 단계 822@1로서, 및 하위 모듈 322/323을 위한 단계 822@2로서 수행된다.

일단 (단계 812에서) 모드 분류기 모듈이 학습된 이후, 컴퓨터는 단계 842에서 과거 모드 인디케이터 3{Y...}를 계산한다. 그 후, 3{Y...}은 과거의 머신 데이터를 도 6에서 설명된 바와 같은 모드-교정된 과거의 데이터 {{X... @1}}N 및 {{X... @2}}N로 분할하는데 사용된다(단계 842와 852가 조합되어 구현될 수 있음).

이어서 하위 네트워크는 개별적으로 학습되어(단계 822@1, 822@2), 중간상태 인디케이터 1{Y...} 및 2{Y...}를 제공한다.

과거의 고장 데이터{Q...}을 분할하지 않는 것이 편리하다. (MODE_1에서의 환경에 의하여 초래되는 고장은 기계가 MODE_2에서 작동될 때 발생할 수 있고, 그 반대도 마찬가지이다.)

방법 개요

도 9는 산업용 기계의 고장을 예측하기 위한 컴퓨터-구현 방법 203의 플로우차트를 도시한다. 방법 203을 수행함에 있어, 컴퓨터는 도 2의 모듈 배열 373과 같은 처리모듈의 배열, 또는 추가적인 계층 레이어들을 갖는 배열을 사용한다. 편의상, 도면은 x, y, 및 z 데이터를 갖는 도 2의 기호적 카피와 함께 플로우차트를 도시하고 있다.

단계 213을 수신함에 있어, 컴퓨터는 출력 처리모듈 363에 중간단계 데이터 1{Y...}, 2{Y...}, 3{Y...}를 제공하기 위하여 배열되는 제1, 제2 및 제3 하위 처리모듈 313, 323, 333에 의하여 산업용 기계 113로부터 머신 데이터 ({{X...}}N)를 수신한다. 배열 373은 계단식 학습에 의하여 미리 학습된다(도 7-8의 702/802 참조).

컴퓨터는 제1하위 모듈 313을 사용하여 223A 머신 데이터를 처리하고, 제1 중간상태 인디케이터 1{Y...}를 결정하고; 제2 하위 모듈 323을 사용하여 223B 머신 데이터를 처리하여 제2 중간상태 인디케이터 2{Y...}를 결정하고; 및 작동 모드 분류기 모듈인 제3하위 모듈333을 사용하여 223C 머신 테이터를 처리하여 산업용 기계 113의 작동 모드 인디케이터 3{Y...}를 결정한다(모든 트리 인디케이터에 대하여).

처리 단계 243에서, 컴퓨터는 출력 모듈 363에 의하여 제1 및 제2 중간상태 인디케이터 1{Y...}, 2{Y...} 및 작동 모드 인디케이터 3{Y...}를 처리한다. 이에 의하여 출력 모듈 363은 예측 데이터 {Z...}를 제공함에 의하여 산업용 기계 113의 고장을 예측한다.

작동 예

이제 최신 머신 데이터 153(도 1-2 참조)를 수신한 모듈 배열 373은 시간 t3의 실제 시점에서(도 3 참조), 모드 (모듈 333) 및 상태 인디케이터 (모듈 313, 323)을 식별한다.

머신 데이터의 선택

언급된 바와 같이, 머신 데이터{{X...}}는 센서 데이터 및 미래 데이터일 수 있다.

인간 전문가가 (고장 예측을 위한) 관련성이 있는 머신 데이터의 하위 세트를 선택할 수 없다고 가정한다. 따라서, 선택은 모듈들(이들이 훈련되는 동안)에 의하여 이루어진다. 일부 머신 데이터는 더 큰 가중치로 처리될 수 있고, 일부 다른 센서 데이터는 낮은 가중치로 처리될 수 있다.

비-센서 데이터의 경우, 인간 전문가는 선택을 하기 위한 보다 많은 통찰력을 가질 수 있다(이 경우, 전문가는 일부 데이터를 관련성이 없는 것으로 라벨링할 수 있다.).

구현예에서, 서브 세트 {{X...}}N1 및 {{X...}}N2는 변량에 따라 시계열을 그룹화함으로써 더 분할될 수 있다(도 2의 표기 요소∈ 참조).

모듈-유도 인디케이터(모드 인디케이터와 같은)의 사용

현대의 산업 환경에서, 산업용 기계들이 이들의 작동 모드를 자주 변경하게 되는 것을 예상할 수 있다. 하나의 이유는 생산 시리즈가 소규모화되는 경향일 수 있다. 모드의 변화율(시간당 모드의 변화 수)은 모든 기계에 해당되는 것은 아니나, 일부 기계에서는 고장과 연관될 수 있다.

유도 모드 인디케이터로서 모드의 변화

도 10은 2개의 모드(MODE_1 "블랙" 및 MODE_2 "화이트")를 위한 모드 인디케이터 3{Y...}를 갖는 시간 시퀀스를 보여준다. 시간-윈도우(윈도우 당 기-정의된 수의 시간 간격 △t를 갖는 동일 기간)는 모드의 변화의 수와 연관된다(MODE_1으로부터 MODE_2로, 또는 그 반대로). 접근방식은 모드 함수의 시간에 따른 유도로서 고려될 수 있다.

컴퓨터는 작동 모드 분류기(도 2 참조)의 출력을 처리함에 의하여 모드이 변화율을 결정할 수 있고, 및 그 비율은 출력 모듈 363에 대한 추가적인 입력 값이 될 수 있다. 모드의 변화율은 최신 데이터 및 과거의 데이터를 위하여 계산될 수 있다. 이와 같은 선택적인 작동을 기호화하기 위하여, 도 2는 분류기 333 및 출력 모듈 363 사이에 모드 인디케이터 도출 모듈 374를 보여준다.

도 10이 2개의 모드만을 보여줌에 의하여 단순화되지만, 모드의 변화는 다른 시나리오들을 위해서도 정량화될 수 있다.

대안으로, 시간 간격의 수는 기 정의될 필요 없다. 클러스터링은 또한 서로 상이한 윈도우 기간에 따른 클러스터를 식별하기 위하여 및/또는 모드의 변화 발생을 구분하기 위하여 가능하다.

도 11은 상태 전이 다이어그램(5 모드 또는 상태, 및 모드 전이를 갖는)을 보여준다. 하나의 다이어그램은 하나의 시간-윈도우(도 10의 )에 적용될 수 있고, 및 모드 전이의 발생을 나타낸다(예를 들어 A에서 B, B에서 C, C에서 D 및 그 반대 등). 도면은 라인의 두께로 전이 발생의 수를 기호화하고, D에서 A로의 전이가 가장 두드러진 전이다. 물론, 다른 시간-윈도우동안, 그 수는 변할 수 있다. 다시, 특정 전이 당 전이 발생의 수는 출력 모듈 362/363의 입력값이 될 수 있다.

계산은 예를 들어 인디케이터 도출 모듈 374(도 2 참조)에 의하여 수행될 수 있다.

대안으로, 전이를 클러스터링하고, 예를 들어, 높은 또는 낮은 서브-모드 전이를 갖는 모드들을 구분하기 위하여 클러스터링이 여기서 또한 가능하다.

과거의 데이터를 제공하는 복수의 기계들

도 12는 머신 데이터 {{X...}}N을 갖는 과거의 시계열 및 고장 데이터 {Q...}를 갖는 과거의 시계열뿐만 아니라, 복수의 산업용 기계 111α, 111β 및 111γ를 도시한다. 단순화를 위하여, 도면은 모든 가용한 지수들을 사용하지는 않는다.

상기한 바와 같이, 데이터는 충분한 양으로 가용하지 않을 수 있다. 따라서 도면은 과거의 머신 데이터 X와 과거의 고장 데이터 Q를 제공하는 복수의 산업용 기계들을 도시한다. 도면은 이상적인 조건 하에서, 데이터를 갖는 시계열은 기계의 수로 곱하여진 시계 당 시계열의 수인 값으로 가용할 것이다(3개의 기계들 α, β, γ는 단순화됨).

방법 702/802에서의 학습을 위하여, 컴퓨터(학습 중인 배열 372)는 한번에 N+1 입력 변량에서 시계열 {{X...]}}N 및 a 시계열 {Q...}을 처리한다. 컴퓨터는 그 후, 다음의 시계열로 넘어갈 것이다.

잠재적으로, 컴퓨터는 도 1b에서 언급된 “1회 입력”으로 {Q...} 뿐만 아니라 {{X...}}와 같은 연속적인 시계열 (1), (2) 내지 (Ω)를 처리한다. 당업자는 α, β, γ를 위한 반복을 배열할 수 있고, 또는 컴퓨터로 하여금 α {{X...}}N , β{{X...}}N, γ{{X...}}N, α{Q...}, β{Q...}, γ{Q...}를 한번에 처리하게 할 수 있다. 다른 처리 선택사항들도 가능하다.

가상의 센서 및 전이 학습을 사용한 개선에 의한 누락 변량의 보상

도 12에서 설명된 시나리오와 같이 복수의 계들을 포함하는 시나리오는 이상적으로는 실질적으로 동일한 소스로부터의 머신 데이터(및 고장 데이터)로 작동할 것이다.

예를 들어, 단일-변량 시계열 α{X...}n은 다-변량 시계열 β{X...}n과 유사할 것이고, 이는 변량 n을 위한 센서들이 기계 α 및 β에서 동일 타입의 센서일 것이기 때문이다. 하지만, 모든 기계들에 동일한 센서들이 장착되는 것은 아니다. 이제 본문은 이와 같은 제약들을 해결하는 접근방법을 설명한다.

도 13은 머신 데이터(및 잠재적으로 고장 데이터 Q)를 조화시키는 접근에 있어서 서로 상이한 산업용 기계들을 도시한다. 조화는 과거의 데이터(단계**1) 및 최신 데이터(단계 **3)를 위하여 적용될 수 있다.

도면은 산업용 기계 111α, 111β 및 111γ(도 12로부터)를 반복하지만, 서로 다른 머신 데이터의 가용성을 표시한다. 기계 α는 일반적인 수의 N 변량을 가져야 하고, 기계 β는 하나의 변량이 부족하고(N-1 변량), 기계 γ는 더 많은 수의 변량을 가져야 한다(N+1 변량).

도면은 데이터 하모나이저 382β 및 382γ를 도시한다. 데이터 하모나이저 382β는 가상의 센서(여기서는 Xn)에 의하여 누락된 데이터를 제공하고, 및 데이터 하모나이저 382γ는 도입되는 데이터를 필터링한다(즉 과도한 데이터를 제거함).

도면은 단순화되어 있고, 데이터의 부족 및 과도함은 특정 변량의 예측에 대한 기여도에 의존한다. 일부 미선 데이터(즉, 그 데이터 내의 일부 변량들)는 단순히 고장을 예측하는데 관련되지 않는다.

양 하모나이저들은 전이학습에 의하여 미리 학습된다(**1인 단계의 측면에서). 예를 들어, 기계α와 기계γ는 센서 Xn을 어떻게 가상화하는지를 하모나이저 382β가 학습하도록 하는 마스터일 수 있다. 또는, 기계α 및 β는 특정 데이터 세트가 무시될 수 있는 것을 학습하기 위한 마스터일 수 있다.

도시된 바와 같이, 하모나이저는 고장 데이터 {Q...}를 변화시키지 않을 것이다.

전이학습에 의하여 학습된 도메인 적응 기계 학습 모델은 과거의 머신 데이터(특정 타입이지만, 복수의 도메인의 복수의 산업용 기계로부터 다변량 시계열로서 얻어진)를 처리한다. 과거의 머신 데이터는 복수의 도메인의 각각의 기계들의 상태를 반영한다. 특히, 기계당 수백 또는 수천개의 센서들은 예를 들어, 온도, 압력, 화학적 성분 등(참고: 상대적으로 높은 변량 수 N)과 같은 작동 파라미터들을 측정한다. 특정 시점에서의 이와 같이 측정된 파라미터들은 그 시점에서 기계의 각각의 상태를 정의한다. 각 기계들의 복수의 특징들(예를 들어, 작동 모드, 크기, 물질 조성과 같은 물질 등)때문에, 다변량 시계열 데이터의 전용 변환을 적용하지 않고는 2개의 기계들(소스 및 타겟 기계들)의 직접 비교는 불가능하다.

전이학습에 대한 서로 상이한 접근이 사용될 수 있다. 예를 들어, 도메인 적응 기계 학습 모델은 컨볼루션을 갖는 및/또는 제1 도메인 분변 데이터 세트로서 과거의 머신 데이터로부터 도메인 불변 특징을 추출하도록 학습된 반복되는 레이어들을 갖는 딥러닝 신경망 네트워크에 의하여 구현될 수 있다. 전이학습은 과거의 머신 데이터로부터 도메인 불변 특성을 추출하기 위하여 구현될 수 있다. 딥러닝에서 특징은 이와 같은 특정 기계의 작동에 의하여 생성되는 다변량 시계열 데이터로부터 추출되는 특정 기계의 특징들의 요약된 표현들이다. 전이학습을 적용함에 의하여, 특정 타입에 독립적인(즉, 다양한 도메인들에 대하여 독립적인) 복수의 실제의 기계들로 부터의 도메인 불변 특징들을 추출하는 것이 가능하다.

대안적인 접근에서, 도메인 적응 기계 학습 모델은 복수의 기계들로부터의 대응되는 로 데이터를 참조 기계로 복수로 맵핑하는 것을 배우도록 학습된다. 참조 기계는 일종의 평균 기계를 대표하는 가상의 기계 또는 실제의 기계일 수 있다. 각 맵핑은 각각의 특정 기계를 참조 기계로 변환하는 것의 표현이다. 이와 같은 접근에서, 복수의 맵핑들은 제1 도메인 불변 데이터 세트에 대응된다. 예를 들어, 이와 같은 도메인 적응 기계 학습 모델은 CycleGAN 아키텍쳐에 기반하는 생성형 딥러닝 아키텍쳐에 의하여 구현될 수 있다. 이와 같은 아키텍쳐는 서로 상이한 적용 분야에서 인공(또는 '페이크') 이미지를 생성하기 위하여 인기를 얻고 있다. CycleGAN은 2개의 생성기 모델과 2개의 판별기 모델을 동시에 학습하는 것을 포함하는 GAN 아키텍쳐의 확장이다. 하나의 생성기는 제1 도메인으로부터 입력으로서 데이터를 취하여, 제2 도메인을 위하여 데이터를 출력하고, 및 다른 생성기는 제2도메인으로부터 입력으로 데이터를 취하고, 및 제1 도메인을 위하여 데이터를 생성한다. 판별기 모델은 그 후, 생성된 데이터가 얼마나 타당한지 결정하고, 생성기 모델을 이에 따라 업데이트하기 위하여 사용된다. CycleGAN은 주기 일관성(cycle consistency)이라고 하는 아키텍쳐에 대한 추가적인 확장을 사용한다. 기본 아이디어는 제1 생성기에 의한 데이터 출력이 제2 생성기로의 입력으로 사용될 수 있고, 및 제2 생성기의 출력이 원본 데이터와 매칭되어야 한다는 것이다. 그 반대도 또한 사실이다: 즉, 제2 생성기로부터의 출력이 제1 생성기로 입력으로 도입될 수 있고, 및 결과는 제2 생성기로의 입력과 매칭되어야 한다.

주기 일관성은 영어에서 프랑스어로의 번역 단계가 프랑스어로부터 영어로 다시 번역되어야 하고, 및 이는 원래의 단계와 동일해야 한다는 기계 번역에서의 개념이다. 반대 과정도 또한 사실이어야 한다. CycleGAN은 제2 생성기의 생성된 출력과 원래의 이미지 사이, 및 그 반대의 경의 차이를 측정하기 위하여 추가적인 로스(loss)를 추가함에 의하여 주기 일관성을 향상시킨다. 이는 생성기 모델의 정규화 역할을 하여, 새로운 도메인에서 이미지 생성 과정을 이미지 변환으로 유도한다. C. Schockaert, H. Hoyez, (2020) "MTS-CycleGAN: An Adversarial-based Deep Mapping Learning Network for Multivariate Time Series Domain Adaptation Applied to the Ironmaking Industry", In arXiv: 2007.07518에서 구체적으로 설명된 바와 같이, 이미지 처리로부터의 원래의 CycleGAN 아키텍쳐를 제1 도메인 불변 데이터 세트를 얻기 위한 다변량 시계열 데이터의 처리에 적용하기 위하여, 다음과 같은 수정이 다변량 시계열 데이터의 시간 의존성을 학습하기 위한 컨볼루션 레이어들과 조합된 반복되는 레이어들(예를 들어 LSTM)을 사용함에 의하여 구현될 수 있다.

전이학습에 대한 개관은 다음에서 확인할 수 있다: Fuzhen Zhuang, Zhiyuan Qi, Keyu Duan, Dongbo Xi, Yongchun Zhu, Hengshu Zhu, Hui Xiong, Qing He: "A Comprehensive Survey on Transfer Learning " arXiv:1911.02685

시뮬레이션에 의한 보상

도 14는 센서 135에 의하여 제공되는( 일반적인 상황에서와 같이, 도 5의 센서 130 참조)제1 시계열에서, 및 데이터 프로세서 165에 의하여 제공되는 제2 시계열에서 N=2를 위한 이변량 시계열{{X...}N의 머신 데이터를 도시한다.

예를 들어, 도구(도 5에서 140)는 시간 경과에 따라 날카로움을 상실하게 된다. 더 이상 측정 가능한 센서가 없을 수 있고, 및 가상의 센서를 설정하는 것 또한 어려울 수 있다(날카로움을 측정하는 것이 어렵기 때문에 마스터가 누락될 수 있음).

데이터 프로세서 165는 전문가가 만든 공식들을 사용하는 컴퓨터에 의하여 구현될 수 있다. 예를 들어, 인간 전문가는 존재하는 데이터를 연관시켜서 시간 경과에 따른 선명도의 감소를 계산할 수 있다(그리고, 이에 따라 언제 도구가 교체되어야 하는지 또는 날카롭게 해야 하는지). 예시로서, 이와 같은 데이터는 도구가 기계 내로 삽입되는 시간, 작동의 수, 또는 오브젝트의 수 등을 포함할 수 있다.

대안으로, 데이터 프로세서 165는 시뮬레이션을 수행하는 컴퓨터로서 구현될 수 있다. 이 관점에서, 컴퓨터는 기계의 고장을 전체적으로 예측하는 것이 아니라, 도구의 고장(고장의 상황으로 “더 이상 날카롭지 않음”)을 예측하기 위하여 상기와 같이 작동할 수 있다. 시뮬레이터를 설정하는 것은 잠재적으로 인간 전문과와 최소한의 상호작용만을 요구한다.

고장을 감지하는 상기 원리는 기계 부품들에 대해서도 적용될 수 있다. 도구는 궁극적으로는 고장날 것이다. 다음과 같이 두가지 결과가 있다:

- 첫째, 도구의 고장은 (그와 같이 예측될 수 있는) 특정 고장 타입이다.

- 둘째, 도구 고장은 모사될 수 있고, 입력으로 사용될 수 있다.

모드별 학습

도 8과 조합하여 도 7은 하위 모듈들이 서로 다른 모드들을 위하여 개별적으로 학습될 수 있음을 도시하고 있다.

2개의 하위 모듈들(도 2에 도시된 바와 같이)을 갖는다고 가정하고, 모드-분류기는 모드들에 따라 과거의 데이터를 구분할 수 있고, 이에 따라 제1 모듈은 MODE_1 데이터로 학습되고, 및 제2 모듈은 MODE_2 데이터로 학습된다.

최신 데이터를 위하여, 양 모듈 모두는 중간상태 인디케이터 (예를 들어 1{Y...} 및 2{Y...})를 제공할 것이고, 및 이들은 모드 인디케이션을 수신하지 않을 것이다(도 2 참조). 따라서, 제1 모듈은 기계가 MODE_2에서 작동하는 매 순간 “가비지(garbage)”를 생산할 것이다(그리고, 제2 모듈을 위하여 그 반대도 동일함). 하지만, 작동 모드 분류기 333가 모드 인디케이터(최신 데이터) 3{Y...}를 제공하기 때문에, 출력 네트워크는 (학습된 경우) 일부 중간 데이터를 무시할 것이다.

보다 일반적으로, 모드 분류기 모듈이 클러스터링을 수행함에 따라, 클러스터의 수는 2를 초과할 수 있다. 모드 클러스터의 수에 따라 하위 모듈들(모드 분류기가 아님)을 동적으로 추가 또는 제거하는 것이 가능할 수 있다.

모드별 바이어스

도 2의 위상에 따라, 작동 모드 인디케이터 3{Y...}는 출력 모듈363로 가게 된다. 구현예에서, 인디케이터는 또한 하위모듈들 313 및 323에 대하여 바이어스로 기능할 수 있다.

일반 컴퓨터

도 15는 본문에서 설명되는 기술들과 함께 사용될 수 있는 일반적인 컴퓨터 장치의 예를 도시하고 있다. 도면은 일반적인 컴퓨터 장치 900 및 일반적인 모바일 컴퓨터 장치 950의 예를 보여주고, 이들은 본문에서 사용되는 기술과 함께 사용될 수 있다. 컴퓨팅 장치 900는 랩탑, 데스크탑, 워크스테이션, 퍼스널 디지털 어시스턴트, 서버, 블레이드 서버, 메일 프레임 및 다른 적절한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 나타내는 것으로 의도된다. 컴퓨팅 장치 950은 퍼스널 디지털 어시스턴트, 휴대폰, 스마트폰, 드라이빙 어시스턴트 시스템 또는 자동차의 보드 컴퓨터 또는 다른 유사한 컴퓨팅 장치와 같은 다양한 형태의 모바일 장치를 나타내는 것을 의도할 수 있다. 예를 들어, 컴퓨팅 장치 950는 컴퓨팅 장치 900와의 상호작용을 위하여 사용자(예를 들어 산업용 기계의 오퍼레이터)에 의하여 프론트엔드(frontend)로 사용될 수 있다. 여기서 보여지는 구성들, 이들의 연결, 및 관계 및 이들의 기능들은 예시적인 것으로만 의도되고, 및 기술되는 발명 및/또는 본문에서 청구되고 있는 발명의 구현을 제한하는 것을 의도하는 것은 아니다.

컴퓨팅 장치 900는 프로세서 902, 메모리 904, 저장장치 906, 메모리 904에 연결된 고속 인터페이스 908, 및 고속 확장 포트 910, 및 저속 버스 914에 연결된 저속 인터페이스 912, 및 저장장치 906를 포함한다. 구성들 902, 904, 906, 908, 910, 및 912 각각은 다양한 버스들을 사용하여 상호 연결되고, 및 일반적인 마더보드에 장착되거나 또는 적절한 다른 방식으로 장착될 수 있다. 프로세서 902는 컴퓨팅 장치 900 내에서 실행을 위한 지시를 처리할 수 있고, 이는 고속 인터페이스 908에 연결된 디스플레이 916와 같은 외부 입력/출력 장치 상의 GUI를 위한 그래픽 정보를 표현하기 위하여 메모리 904 또는 저장장치 906에 저장된 지시들을 포함한다. 다른 구현예에서, 복수의 메모리 및 메모리 종류들과 함께 적절하게 복수의 프로세서들 및/또는 복수의 버스들이 사용될 수 있다. 또한, 복수의 컴퓨팅 장치 900가 필요한 작동의 부분들을 제공하는 각 장치들과 함께 연결될 수 있다(예를 들어, 서버 뱅크, 일군의 블레이드 서버, 또는 복수-프로세서 시스템과 같이).

메모리 904는 컴퓨팅 장치 900 내에 정보를 저장한다. 일 구현예에서, 메모리 904는 휘발성 메모리 유닛 또는 유닛들이다. 다른 구현예에서, 메모리 904는 비휘발성 메모리 유닛 또는 유닛들이다. 메모리 904는 또한 자기 또는 광학 디스크와 같이 다른 형태의 컴퓨터-판독 가능한 매체일 수 있다.

저장장치 906는 컴퓨팅 장치 900에 대용량 저장을 제공할 수 있다. 일 구현예에서, 저장장치 906는 플로피 디스크 장치, 하드 디스크 장치, 광학 디스크 장치, 또는 테이프 장치, 플래쉬 메모리 또는 다른 유사한 고상 메모리 장치와 같은 컴퓨터 판독가능한 매체, 또는 저장 영역 네트워크 내의 장치 또는 다른 구성들을 포함하는 장치의 배열일 수 있고 또는 이를 포함할 수 있다. 컴퓨터 프로그램 제품은 정보 캐리어 내에서 유형적으로 구현될 수 있다. 또한 컴퓨터 프로그램 제품은 실행될 때, 상기에서 설명된 바와 같은 하나 이상의 방법들을 수행하는 지시들을 포함할 수 있다. 정보 캐리어는 메모리 904, 저장장치 906, 또는 프로세서 902 상의 메모리와 같은 컴퓨터-또는 기계-판독 가능한 매체이다.

고속 제어기 908는 컴퓨팅 장치 900를 위한 대역폭-집약적인 작동을 관리하고, 저속 제어기 912는 더 낮은 대역폭-집약적인 작동을 관리한다. 이와 같은 기능의 할당은 예시적인 것일 뿐이다. 다른 구현예에서, 고속 제어기 908는 메모리 904, 디스플레이 916(예를 들어 그래픽 프로세서 또는 가속기를 통하여), 및 고속 확장 포트 910에 연결되고, 다양한 확장 카드(미도시)를 수용할 수 있다. 구현예에서, 저속 제어기 912는 저장장치 906 및 저속 확장 포트 914에 연결된다. 저속 확장 포트는 다양한 통신 포트(예를 들어, USB, 블루투스, 이더넷, 무선 이더넷)를 포함할 수 있고, 키보드, 포인팅 장치, 스캐너와 같은 하나 이상의 입력/출력 장치, 또는 예를 들어 네트워크 어댑터를 통하여 스위치 또는 라우터와 같은 네트워킹 장치에 연결될 수 있다.

컴퓨팅 장치 900는 도면에 도시된 바와 같이 수많은 다른 형태로 구현될 수 있다. 예를 들어, 이는 표준 서버 920, 또는 이들 서버들이 그룹으로 복수개로 구현될 수 있다. 이는 또한 랙 서버 시스템 924의 일부로 구현될 수 있다. 추가로, 랩탑 컴퓨터 922와 같은 퍼스널 컴퓨터에서 구현될 수 있다. 대안으로, 컴퓨팅 장치 900으로부터의 구성들이 예를 들어 장치 950과 같은 모바일 장치(미도시) 내의 다른 구성들과 조합될 수 있다. 이와 같은 장치들 각각은 하나 이상의 컴퓨팅 장치 900, 950을 포함할 수 있고, 및 전체 시스템은 서로 통신하는 복수의 컴퓨팅 장치 900, 950으로 구성될 수 있다.

컴퓨팅 장치 950는 프로세서 952, 메모리 964, 디스플레이 954와 같은 입력/출력 장치, 통신 인터페이스 966, 및 트랜시버 968, 다른 구성요소들을 포함한다. 장치 950는 또한 마이크로드라이브 또는 다른 장치와 같은 저장장치가 제공되어, 추가적인 저장을 제공한다. 950, 952, 964, 954, 966, 및 968 구성들 각각은 다양한 버스들을 사용하여 상호 연결되고, 및 성분들 중 일부는 일반적인 마더보드에 장착되거나 또는 다른 방식으로 적절하게 장착된다.

프로세서 952는 컴퓨팅 장치 950 내에서 지시를 실행할 수 있고, 지시는 메모리 964에 저장된 지시를 포함한다. 프로세서는 분리된 복수의 아날로그 및 디지털 프로세서를 포함하는 칩들의 칩셋으로 구현될 수 있다. 예를 들어, 프로세서는 사용자 인터페이스, 장치 950에 의하여 실행되는 어플리케이션, 및 장치 950에 의한 무선 통신을 제어하는 것과 같이, 장치 950의 다른 구성들의 조정을 위하여 제공될 수 있다.

프로세서 952는 제어 인터페이스 958 및 디스플레이 954에 연결된 디스플레이 인터페이스 956을 통하여 사용자와 통신할 수 있다. 예를 들어, 디스플레이 954는 TFT LCD(박막 트랜지스터 액정 디스플레이) 또는 OLED(유기 발광 다이오드) 디스플레이, 또는 다른 적절한 디스플레이 기술일 수 있다. 디스플레이 인터페이스 956는 사용자에게 그래픽 및 다른 정보를 제공하기 위하여 디스플레이 954를 구동하기 위한 적절한 회로를 포함할 수 있다. 제어 인터페이스 958는 사용자로부터 지시를 수신하고, 이들을 프로세서 952로 제공하기 위하여 변환한다. 추가로, 외부 인터페이스 962는 프로세서 952와의 통신과 함께 제공될 수 있고, 이를 통하여 다른 장치와 장치 950의 근거리 통신이 가능하게 된다. 예를 들어, 외부 인터페이스 962는 일부 구현예에서는 유선 통신을 제공할 수 있고, 또는 다른 구현예에서는 무선 통신을 제공할 수 있고, 및 복수의 인터페이스들이 또한 사용될 수 있다.

메모리 964는 컴퓨팅 장치 950 내에 정보를 저장한다. 메모리 964는 하나 이상의 컴퓨터-판독 가능한 매체, 또는 미디어, 휘발성 메모리 유닛, 또는 유닛들, 또는 비휘발성 메모리 유닛 또는 유닛들로서 구현된다. 확장 메모리 984는 또한 제공될 수 있고, 및 확장 인터페이스 982를 통하여 장치 950에 연결되고, 확장 인터페이스는 예를 들어 SIMM(Single In Line Memory Module) 카트 인터페이스를 포함한다. 이와 같은 확장 메모리 984는 장치 950를 위하여 추가적인 저장 공간을 제공할 수 있고, 또한 장치 950를 위한 애플리케이션 또는 다른 정보를 저장할 수 있다. 구체적으로 확장 메모리 984는 상기한 과정을 수행하거나 또는 보완하기 위한 지시사항을 포함할 수 있고, 및 보안 정보 또한 포함할 수 있다. 따라서, 예를 들어, 확장 메모리 984는 장치 950을 위한 보안 모듈로 작동할 수 있고, 및 장치 950의 안전 사용을 허용하는 지시들로 프로그램될 수 있다. 추가로, 보안 애플리케이션은 SIMM 카드를 통하여, 해킹되지 않는 방식으로 SIMM 카드 상에 식별 정보를 위치시키는 것과 같은 추가적인 정보와 함께 제공될 수 있다.

예를 들어 메모리는 이하에서 설명되는 바와 같이 플래시 메모리 및/또는 NVRAM 메모리를 포함할 수 있다. 다른 구현예에서, 컴퓨터 프로그램 제품은 정보 캐리어에서 유형적으로 구현된다. 컴퓨터 프로그램 제품은 실행될 때, 상기 언급된 것들과 같은 하나 이상의 방법들을 수행하는 지시들을 포함한다. 정보 캐리어는 메모리 964, 확장 메모리 984, 또는 예를 들어 트랜시버 968 또는 외부 인터페이스 962로 수신될 수 있는 프로세서 952 상 메모리와 같은 컴퓨터- 또는 기계- 판독가능한 매체이다.

장치는 필요한 경우 디지털 신호 처리 회로를 포함할 수 있는 통신 인터페이스 966를 통하여 무선으로 통신할 수 있다. 통신 인터페이스 966는 GSM 보이스콜, SMS, EMS, 또는 MMS 메시지, CDMA, TDMA, PDC, WCDMA, CDMA2000, 또는 GPRS, 또는 다른 방식들과 같은 다양한 모드 또는 프로토콜 사에서 통신을 위하여 제공될 수 있다. 이와 같은 통신은 예를 들어, 라디오-주파수 트랜시버 968를 통하여 발생할 수 있다. 추가로, 단거리 통신은 블루투스, WiFi 또는 다른 이와 같은 트랜시버(미도시)를 사용하는 것과 같이 발생할 수 있다. 추가로, GPS(Global Positioning System) 수신 모듈 980은 장치 950 상에 실행되는 애플리케이션에 의하여 적절한 경우 사용될 수 있는 추가적인 네비게이션- 및 위치 관련 무선 데이터를 장치 950에 제공할 수 있다.

장치 950는 또한 오디오 코덱 960을 사용하여 청각적으로 통신할 수 있고, 오디오 코덱은 사용자로부터 음성 정보를 수신하여 이를 사용가능한 디지털 정보로 변환할 수 있다. 오디오 코덱 960은 마찬가지로 사용자를 위한 청각적 소리를 생성할 수 있고, 예를 들어 장치 950의 핸드셋 내의 스피커 등을 통하여 수행될 수 있다. 이와 같은 소리는 음성 전화 콜로부터의 소리를 포함할 수 있고, 녹음된 소리(예를 들어, 보이스 메시지, 음악 파일 등)를 포함할 수 있고, 및 또한 장치 950 상에서 작동하는 애플리케이션에 의하여 생성되는 소리를 포함할 수 있다.

컴퓨팅 장치 950는 도면에서 도시되는 바와 같이 수많은 다른 형태로 구현될 수 있다. 예를 들어, 휴대폰 980으로 구현될 수 있다. 또한 스마트폰 982의 일부로 구현될 수 있고, 퍼스널 디지털 어시스턴트, 또는 다른 유사한 모바일 장치의 일부로 구현될 수 있다.

여기서 언급되는 다양한 시스템 및 기술들의 구현은 디지털 전자 회로, 집적 회로, 특별히 설계된 ASICs(애플리케이션 특정 집적 회로), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합에서 실현될 수 있다. 이와 같은 다양한 구현들은 하나 이상의 컴퓨터 프로그램들 내에서 구현되는 것을 포함할 수 있고, 컴퓨터 프로그램은 적어도 하나의 프로그램 가능한 프로세서를 포함하는 프로그램 가능한 시스템 상에서 실행 및/또는 해석가능하고, 프로그램 가능한 프로세서는 특별한 목적 또는 일반적인 목적으로 저장 시스템, 적어도 하나의 입력 장치, 및 적어도 하나의 출력 장치로부터 데이터 및 지시를 수신하고, 및 그곳으로 데이터 및 지시를 전송하기 위하여 연결될 수 있다.

이들 컴퓨터 프로그램들(또한 프로그램, 소프트웨어, 소프트웨어 애플리케이션, 또는 코드로 알려짐)은 프로그램 가능한 프로세서를 위한 기계어 명령어를 포함하고, 및 고수준의 절차적 및/또는 객체 지향 프로그래밍 언어 및/또는 어셈블리/기계어에서 구현될 수 있다. 여기서 사용될 때, “기계-판독 가능한 매체” 및 “컴퓨터-판독 가능한 매체”라는 표현은 기계어 명령 및/또는 데이터를 기계-판독가능한 신호로서 기계어 명령어를 수신하는 기계-판독 가능한 매체를 포함하는 프로그램 가능한 프로세서에 제공하기 위하여 사용되는 임의의 컴퓨터 프로그램 제품, 구성 및/또는 장치(예를 들어 자기 디스크, 광학 디스크, 메모리, 프로그램 가능한 연산 장치(PLDs))를 의미한다. “기계-판독 가능한 신호”라는 표현은 프로그램 가능한 프로세서에 기계어 명령어 및/또는 데이터를 제공하기 위하여 사용되는 임의의 신호를 의미한다.

사용자와의 상호작용을 제공하기 위하여, 여기서 기술되는 시스템과 기술들은 사용자에게 정보를 보여주기 위한 디스플레이 장치(예를 들어, CRT(cathode ray tube), 또는 LCD(액정 디스플레이) 모니터), 및 사용자가 입력값을 컴퓨터에 제공할 수 있는 키보드 및 포인팅 장치(예를 들어, 마우스 또는 트랙볼)을 갖는 컴퓨터에서 구현될 수 있다. 다른 종류의 장치들도 사용자와의 상호작용을 제공하기 위하여 사용될 수 있다; 예를 들어, 사용자에게 제공되는 피드백은 임의 형태의 감각적인 피드백(예를 들어, 시각적, 청각적, 또는 촉각적 피드백)일 수 있고; 및 사용자로부터의 입력은 음향, 음성 또는 촉각 입력을 포함하는 임의의 형태로 수신될 수 있다.

여기서 기술되는 시스템 및 기술들은 백엔드 컴포넌트(예를 들어 데이터 서버)를 포함하는, 또는 미들웨어 컴포넌트(예를 들어 애플리케이션 서버)를 포함하는, 또는 프론트엔드 컴포넌트(예를 들어, 그래픽 사용자 인터페이스를 갖는 클라이언트 컴퓨터, 또는 사용자가 시스템의 애플리케이션 및 여기서 언급된 기술들과 상호작용할 수 있는 웹브라우저)를 포함하는, 또는 이와 같은 백엔드, 미들웨어, 또는 프론트엔드 콤포넌트들의 임의의 조합들을 포함하는 컴퓨팅 장치 내에서 구현될 수 있다. 시스템의 구성들은 임의의 형태로 또는 디지털 데이터 통신(예를 들에 통신 네트워크)에 의하여 상호 연결될 수 있다. 통신 네트워크의 예는 근거리 통신망(“LAN”광역 통신망(“WAN”및 인터넷을 포함한다.

컴퓨팅 장치는 클라이언트 및 서버를 포함할 수 있다. 클라이언트와 서버는 일반적으로 서로에 대하여 떨어져 있고, 및 주로 통신 네트워크를 통하여 상호작용한다. 클라이언트와 서버의 관계는 각 컴퓨터들에서 실행되고, 서로에 대하여 클라이언트-서버 관계를 갖는 컴퓨터 프로그램들에 의하여 발생한다.

수많은 구체예들이 설명되었다. 그럼에도 불구하고, 다양한 수정들이 본 발명의 범위를 벗어남 없이 만들어질 수 있다는 것이 이해될 것이다.

추가로, 도면에 반영된 논리의 흐름은 바람직한 결과를 달성하기 위하여 도시된 특정 순서 또는 순차적 순서를 따를 필요는 없다. 추가로, 다른 단계들이 제공될 수 있고, 또는 단계들이 설명된 흐름으로부터 제거될 수 있고, 및 다른 구성들이 설명된 시스템들로 추가되거나 또는 이들로부터 제거될 수 있다. 따라서, 다른 구체예들이 다음의 청구항들의 범위 내에 속한다.

Claims (24)

1. 처리모듈 (313, 323, 333, 363)의 배열(373)을 사용하여 산업용 기계(113)의 고장을 예측하기 위한 컴퓨터-구현 방법(203)이되,
   상기 방법(203)은
   산업용 기계(113)로부터 중간 데이터 (1{Y...}, 2{Y...}, 3{Y...})를 출력 처리모듈 (363)에 제공하기 위하여 배열되는 제1, 제2 및 제3 하위 처리모듈 (313, 323, 333)에 의하여 머신 데이터 ({{X...}}N)를 수신하는 단계이되, 배열(373)은 다음의 계단식 학습(702/802)에 의하여 미리 학습되는 단계:
   제1 하위 처리모듈(313)에 의하여, 제1 중간상태 인디케이터(1{Y...})를 결정하기 위하여 머신 데이터를 처리하고(223A);
   제2 하위 처리모듈(323)에 의하여, 제2 중간상태 인디케이터(2{Y...})를 결정하기 위하여 머신 데이터를 처리하고(223B);
   작동 모드 분류기 모듈인 제3 하위 처리모듈(333)에 의하여, 산업용 기계(113)의 작동 모드 인디케이터(3{Y...})를 결정하기 위하여 머신 데이터를 처리함(223C); 및
   출력 처리모듈(363)에 의하여 제1 및 제2 중간상태 인디케이터(1{Y...}, 2{Y...}) 및 작동 모드 인디케이터(3{Y...})를 처리하든 단계(243)이되, 출력 처리모듈(363)은 예측 데이터({Z...})를 제공함에 의하여 산업용 기계 (113)의 고장을 예측하는 단계
   를 포함하는 컴퓨터-구현 방법(203).
   
2. 제1항에 있어서, 컴퓨터가 다음의 학습 순서에 따라 학습된 배열(373)을 사용하는 방법:
   과거의 머신 데이터({{X...}}N)로 제3 하위 처리모듈(333)을 학습시키는 단계;
   학습된 제3하위 처리모듈(333)을 실행시켜(742) 과거의 머신 데이터({{X...}}N)을 처리함에 의하여 과거 모드 인디케이터(3{Y...})를 얻는 단계;
   과거의 머신 데이터({{X...}}N) 및 과거 모드 인디케이터(3{Y...})를 사용하여 제1 및 제2 하위 처리 모듈(312,322)을 학습시키는 단계(722,822);
   학습된 제1 및 제2 하위 처리모듈(312, 322)를 실행시켜 과거의 머신 데이터({{X...}}N)를 처리함에 의하여 제1 및 제2 중간상태 인디케이터(1{Y...}, 2{Y...})를 얻는 단계; 및
   과거 모드 인디케이터, 과거의 머신 데이터 및 과거의 고장 데이터({Q...})에 의하여 출력 처리모듈(362)을 학습시키는 단계(732,832).
   
3. 제1항 또는 제2항에 있어서, 작동 모드 인디케이터(3{Y...})를 결정하는 것은 인간 전문가에 의하여 교정된 과거의 머신 데이터에 기반하여 학습된 작동 모드 분류기(333)에 의하여 수행되는 방법.
   
4. 제3항에 있어서, 전문가에 의하여 교정된 과거의 머신 데이터는 센서 데이터인 방법.
   
5. 제1항 또는 제2항에 있어서, 작동 모드 분류기(333)는 과거의 머신 데이터에 기반하여 학습되어, 학습하는 동안, 작동 모드 분류기(333)는 기계의 작동시간(tm)을 시계열 세그먼트(segm_1/3, segm_2/4)의 클러스터로 클러스터링하는 방법.
   
6. 제5항에 있어서, 시계열 세그먼트(segm_1/3, segm_2/4)의 클러스터는 자동 할당 또는 인간 전문가와의 상호작용에 의한 할당으로부터 선택되어 작동 모드 인디케이터(MODE_1, MODE_2)에 할당되는 방법.
   
7. 제1항 내지 제6항 중 어느 한 항에 있어서, 작동 모드 인디케이터는 시간에 따른 모드의 변화의 수로 제공되는 방법.
   
8. 제1항 내지 제7항 중 어느 한 항에 있어서, 상태 인디케이터(1{Y...}, 2{Y...})는 최신 상태를 표시하는 최신 인디케이터 및 미래의 상태를 표시하는 예측 인디케이터로부터 선택되는 방법.
   
9. 제1항 내지 제8항 중 어느 한 항에 있어서, 출력 처리모듈(363)은 고장 시점, 고장 타입, 잔여 유효 수명, 고장 간격으로부터 선택되는 산업용 기계의 고장을 예측하는 방법.
   
10. 제1항 내지 제9항 중 어느 한 항에 있어서, 작동 모드 인디케이터(3{Y...})는 추가로 제1 및 제2 하위 처리모듈(313,323) 모두에 의하여 처리되는 바이어스로서 기능하는 방법.
    
11. 제1항 내지 제10항 중 어느 한 항에 있어서, 머신 데이터를 수신하는 단계는 센서 데이터를 갖는 하위 세트를 수신함에 의하여 수행되고, 및 제1 및 제2중간상태 인디케이터를 결정하는 단계는 센서 데이터를 갖는 하위 세트를 처리하는 제1 및 제2 하위 처리모듈에 의하여 수행되는 방법.
    
12. 제1항 내지 제11항 중 어느 한 항에 있어서, 머신 데이터(213)를 수신하는 단계는 고장 예측에 대한 머신 데이터의 기여도에 따라, 가상의 센서에 의하여 가상의 머신 데이터를 제공하거나 또는 도입되는 머신 데이터를 필터링하는 데이터 하모나이저(382β, 382γ)를 통하여 머신 데이터를 수신하는 단계를 포함하는 방법.
    
13. 제12항에 있어서, 데이터 하모나이저 (382β, 382γ)를 통하여 머신 데이터(213)를 수신하는 단계는 전이학습(transfer learning)에 의하여 미리 학습된 처리모듈을 갖는 하모나이저로부터 머신 데이터를 수신하는 단계를 포함하는 방법.
    
14. 제1항 내지 제13항 중 어느 한 항에 있어서, 머신 데이터(213)를 수신하는 단계는 시뮬레이션으로부터 도출되는 데이터에 의하여 적어도 부분적으로는 강화된 머신 데이터를 수신하는 단계를 포함하는 방법.
    
15. 예측 데이터({Z...})를 기계를 제어하는 기계 제어기로 전달함에 의하여 제1항 내지 제14항 중 어느 한 항에 따른 산업용 기계(113)의 고장을 예측하는 방법의 사용.
    
16. 제15항에 따른 산업용 기계(113)의 고장을 예측하는 방법의 사용이되, 기계 제어기가 산업용 기계로 하여금 가장 늦은 고장 시점이 발생하는 것이 예측되는 모드를 가정하도록 하는 사용.
    
17. 제15항에 따른 산업용 기계(113)의 고장을 예측하는 방법의 사용이되, 기계 제어기가 산업용 기계로 하여금 가장 늦게 기계 보수 시점이 발생하는 것이 예측되는 모드를 가정하도록 하는 사용.
    
18. 제1항 내지 제14항 중 어느 한 항에 따른 방법을 수행하도록 구성되는 컴퓨터에 머신 데이터({{X...}}N)를 제공하고, 및 컴퓨터로부터 예측 데이터({Z...})를 수신하도록 구성되는 산업용 기계(113)이되, 기-정의된 최적화 목표에 따라 산업용 기계의 작동 모드를 변경하는 기계 제어기와 연관되는 산업용 기계(113).
    
19. 제18항에 있어서, 기-정의된 최적화 목표는 다음으로부터 선택되는 산업용 기계(113): 가능한 늦게까지 보수의 회피, 가장 늦게 고장이 발생할 것으로 예측되는 모드에서의 작동.
    
20. 제18항 또는 제19항에 있어서, 화학 반응기, 야금로, 용기, 펌프, 모터, 및 엔진으로부터 선택되는 산업용 기계(131)
    
21. 출력 처리모듈(362)에 연결된 제1, 제2 및 제3 하위 처리모듈 (312, 322, 332)을 갖는 모듈 배열(372)을 학습시켜, 모듈 배열(372)이 산업용 기계를 위하여 고장 예측을 갖는 고장 인디케이터({Z...})를 제공하도록 하는 컴퓨터-구현 방법(702/802)이되,
    상기 방법은 하위 처리모듈 (312, 322, 332)을 학습시키는 단계, 이어서 학습된 하위 처리 모듈을 처리하는 단계, 및 이어서 출력 처리모듈을 학습시키는 단계를 갖는 계단식 학습의 적용을 포함하고,
    계단식 학습은 다음을 포함하는 컴퓨터-구현 방법(702/802):
    과거의 머신 데이터({{X...}}N)로 제3하위 처리모듈(333)을 학습시키는 단계(712,812);
    학습된 제3하위 처리모듈(333)을 실행하여(742), 과거의 머신 데이터({{X...}}N)를 처리함에 의하여 과거 모드 인디케이터(3{Y...})를 얻는 단계;
    과거의 머신 데이터({{X...}}N) 및 과거 모드 인디케이터(3{Y...})를 사용하여 제1 및 제2 하위 처리 모듈(312,322)를 학습시키는 단계(722,822);
    학습된 제1 및 제2하위 처리모듈(312,322)를 실행시켜(762,862) 과거의 머신 데이터{{X...}}N를 처리함에 의하여 제1 및 제2 중간상태 인디케이터(1{Y...}, 2{Y...})를 얻는 단계; 및
    과거 모드 인디케이터, 과거의 머신 데이터 및 과거의 고장 데이터({Q...})에 의하여 출력 처리모듈(362)을 학습시키는 단계(732,832).
    
22. 컴퓨터 시스템의 메모리에 로드되고, 및 컴퓨터 시스템의 적어도 하나의 프로세서에 의하여 실행될 때, 컴퓨터 시스템이 제1항 내지 제14항, 또는 제21항 중 어느 한 항에 따른 컴퓨터-구현 방법의 단계들을 수행하게 되는 컴퓨터 프로그램 제품.
    
23. 컴퓨터 시스템에 의하여 실행될 때, 제1항 내지 제14항 또는 제21항 중 어느 한 항에 따른 컴퓨터-구현 방법의 단계들을 수행하는 복수의 처리모듈을 포함하는 컴퓨터 시스템.
    
24. 제1항 내지 제14항 중 어느 한 항에 따른 방법을 수행함에 의하여 머신 데이터({{X...}}N)를 처리하도록 구성되고, 및 나아가 예측 데이터({Z...})를 제공하도록 구성되는 컴퓨터를 포함하되, 상기 컴퓨터는 예측 데이터에 대한 반응으로, 및 가능한 늦게까지 보수를 회피함, 가장 늦게 고장이 발생할 것으로 예측되는 모드에서 작동함으로부터 선택되는 기-정의된 최적화 모드에 따라 산업용 기계의 작동 모드를 변경하는 컴퓨터를 포함하는 산업용 기계(113).