KR20240063629A - 모터샤프트 고장 형태 분석을 위한 ai 기반 fmea 활용방법 - Google Patents
모터샤프트 고장 형태 분석을 위한 ai 기반 fmea 활용방법 Download PDFInfo
- Publication number
- KR20240063629A KR20240063629A KR1020220145455A KR20220145455A KR20240063629A KR 20240063629 A KR20240063629 A KR 20240063629A KR 1020220145455 A KR1020220145455 A KR 1020220145455A KR 20220145455 A KR20220145455 A KR 20220145455A KR 20240063629 A KR20240063629 A KR 20240063629A
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- data
- analysis
- fmea
- learning
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000011058 failure modes and effects analysis Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 abstract description 21
- 230000007547 defect Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000012942 design verification Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000019645 odor Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명에서는 부품의 고장 이력 정보를 가공하여 고장 관련 클레임 데이터를 생성하는 단계, 생성된 클레임 데이터를 이용한 딥러닝 기반의 학습 및 분석을 통하여 고장 원인 트리(Tree)를 생성하는 단계, 상기 부품의 생산 공정에 대한 사용자 입력 데이터 및 고장 발생 시 고장 현상 데이터를 저장하여 학습 데이터 셋으로 구축하는 단계, 생성된 고장 원인 트리와 구축된 학습 데이터 셋에 기반한 딥러닝 추론을 통하여 고장 원인 분석 결과를 도출하는 단계, 도출된 고장 원인 분석 결과를 출력하는 단계를 포함하여 이루어지는 모터샤프트 고장 형태 분석을 위한 AI 기반 FMEA 활용방법을 개시한다.
Description
본 발명은 AI를 이용한 지능형 FMEA 분석방법에 관한 것으로서, 더욱 상세하게는 인공 지능 기반의 지능형 FMEA를 이용하여 고장 원인 분석 결과를 신속하고 정확하게 수행하는 모터샤프트 고장 형태 분석을 위한 AI 기반 FMEA 활용방법에 관한 것이다.
자동차 부품의 내구성을 파악하고 적절한 수준의 품질 보증 기간을 설정하여 품질을 관리하는 것은 자동차 회사의 경쟁력에 큰 영향을 미친다. 자동차 회사는 품질 상태를 보장하고 고객에 대한 신뢰성을 확보하기 위해 부품 단위의 고장 발생을 예측할 필요가 있다.
특히 전기차 및 자율주행차는 운전자의 안전과 에너지 효율을 최우선 과제로 하여 부품이 개발되고, 부품과 부품이 결합하여 전기적 신호를 통해 상호 통신하며 제어가 이루어지므로 연구 개발 단계에서 데이터 분석 및 위험 요소를 사전에 파악하고 위험(risk)를 제거하는 것이 중요하다.
최근 자동차 산업에서 전장 부품의 비중이 높아지면서 BMW, Mercedes-Benz, Toyota, 현대, 기아 등의 주요 완성차업체는 협력업체(vender)인 전장 부품사에 발주하는 부품, 모듈, 시스템 등에 대한 ISO 26262 준수를 의무화하고, ISO 26262에서 요구하는 부품 소프트웨어의 안정성을 위해 FMEA 등과 같은 소트프웨어 안전확보 메커니즘을 구축 및 위험도 평가, 검증, 관리 기반의 통합 안전시스템과 설계 검증 및 안전조건과 같은 요소 분석 명세서를 요구하고 있다.
현재 자동차 관련 업계는 ISO 26262 안전표준 준수를 위한 평가 솔루션으로 독일 APIS社의 IQ-FMEA를 통해 AIAG(Automotive Industry Action Group)-VDA(Verband der Automobilindustrie)의 위험원에 대한 자가 진단 분석 및 결함 완화, 위험 관리 프로세스, 프로젝트별 위험원 식별 및 평가 관리를 수행하고 있다.
그러나 IQ-FMEA 솔루션은 고장 및 위험 분석의 특성상 전문적 판단을 요구하지만, 데이터베이스를 입력하고 조회하는 수준으로만 구현되어 있고, 수작업으로 인한 효율 저하와 사용자의 입력 오류 등 휴먼 에러에 대한 대비책이 없는 실정이다.
한편, FMEA(Failure Modes and Effects Analysis)는 제품의 개발 및 공정 단계에서 발생할 수 있는 모든 고장 유형, 고장 영향, 고장 원인을 정의하고, 부품(시스템 요소)의 고장이 기계(시스템) 전체에 미치는 영향을 예측(결과 예지)하여 관련된 대책을 수립하는 샹향식 기법이다.
즉, 고장 유형 및 영향 분석(FMEA)은 시스템 및 소프트웨어(SW) 요소별로 고장 형태(Failure mode)를 확인하고, 확인된 고장 형태에 따른 고장 영향(Failure effect)을 평가하고, 고장의 검출 방법을 미리 검토하기 위한 시스템적이며 구조적인 기법이다.
여기서 고장 형태(Failure mode)는 잠재 결함이 진전되어 발생 결함이 되어 고장이 발생하는 방식을 의미하며, 잠재적 고장 형태를 포함한다. 예를 들면, 개방회로, 갈라짐, 깨짐, 부식, 누출, 부정확한 치수 등을 들 수 있다.
그리고 고장 영향(Failure effect)은 고장 형태의 발생 시 시스템의 작동, 기능, 상태에 미치는 결과를 의미하며, 고객이 이해 또는 경험할 수 있는 용어로 기술한다. 예를 들면, 모터가 가동하지 않음, 불쾌한 냄새, 사고, 인명 손상 등을 들 수 있다.
또한, 고장 원인(Failure cause)은 각 고장 영향에 대해 고장의 근본 원인이나 고장 메커니즘으로 표시하며, 고장 원인에 대해 조치가 가능하도록 기술된다. 예를 들면, 설계 FMEA의 부품 결함, 적정 유격 부족, 열화, 베어링의 마모 등을 들 수 있다.
그런데 종래의 고장 유형 및 영향 분석(FMEA)은 구조분석, 기능분석, 고장분석, 위험분석 등을 단계적으로 수행하는 과정에서 경험적 관점 및 정성적 판단을 사용하여 분석의 정확성 및 신뢰성이 떨어지고 리스크가 제대로 관리되지 못하여 품질 비용을 증가시키는 한계가 있기 때문에 지능형 소프트웨어 안전분석 시스템의 도입에 대한 니즈(needs)가 급증하고 있다.
여기서 상술한 배경기술 또는 종래기술은 본 발명자가 보유하거나 본 발명을 도출 및 완성하는 과정에서 습득한 정보로서 본 발명의 기술적 의의를 이해하는 데 도움이 되고 선행기술조사 및 심사에 유용하게 사용하기 위한 것일 뿐, 본 발명의 출원 전에 당해 발명이 속하는 기술 분야에서 일반적으로 알려지고 널리 사용되는 기술을 의미하는 것은 아님을 밝힌다.
이에 본 발명자는 상술한 제반 사항을 종합적으로 고려함과 동시에 기존의 고장 형태 분석 기술이 지닌 기술적 한계 및 문제점들을 해결하려는 발상에서, 인공 지능 기반의 지능형 FMEA를 이용하여 고장 원인 분석 결과를 신속하고 정확하게 얻을 수 있고, 아울러 자동차용 모터샤프트의 고장 발생 시 고장 원인을 추적하고, 위험도가 높은 잠재적 고장 원인을 도출하여 심각도, 발생도, 검출도를 자동산출하는 효과를 도모할 수 있는 새로운 모터샤프트 고장 형태 분석을 위한 AI 기반 FMEA 활용방법을 개발하고자 각고의 노력을 기울여 부단히 연구하던 중 그 결과로써 본 발명을 창안하게 되었다.
따라서 본 발명이 해결하고자 하는 기술적 과제 및 목적은 인공 지능 기반의 지능형 FMEA를 이용하여 고장 원인 분석 결과를 신속하고 정확하게 얻을 수 있도록 하는 모터샤프트 고장 형태 분석을 위한 AI 기반 FMEA 활용방법을 제공하는 데 있는 것이다.
여기서 본 발명이 해결하고자 하는 기술적 과제 및 목적은 이상에서 언급한 기술적 과제 및 목적으로 국한하지 않으며, 언급하지 않은 또 다른 기술적 과제 및 목적들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 명확하게 이해할 수 있을 것이다.
상술한 바와 같은 본 발명의 기술적 과제를 해결하기 위한 새로운 착상을 구체화하면서 특정의 기술적 목적을 효과적으로 달성하기 위한 본 발명의 실시 태양(aspect)에 따른 구체적인 수단은, 부품의 고장 이력 정보를 가공하여 고장 관련 클레임 데이터를 생성하는 단계, 생성된 클레임 데이터를 이용한 딥러닝 기반의 학습 및 분석을 통하여 고장 원인 트리(Tree)를 생성하는 단계, 상기 부품의 생산 공정에 대한 사용자 입력 데이터 및 고장 발생 시 고장 현상 데이터를 저장하여 학습 데이터 셋으로 구축하는 단계, 생성된 고장 원인 트리와 구축된 학습 데이터 셋에 기반한 딥러닝 추론을 통하여 고장 원인 분석 결과를 도출하는 단계, 도출된 고장 원인 분석 결과를 출력하는 단계를 포함하여 이루어지는 것을 특징으로 하는 모터샤프트 고장 형태 분석을 위한 AI 기반 FMEA 활용방법을 제시한다.
이로써 본 발명은 딥러닝 기반의 학습 및 분석을 통하여 고장 원인 분석 트리(Tree)를 생성하고, 아울러 생산 공정에서 발생하는 새로운 고장 현상 데이터와 사용자의 입력 데이터를 딥러닝 학습용 데이터 셋으로 구축한 후, 이에 기반한 딥러닝 추론을 통하여 고장 원인 분석 결과를 신속하고 정확하게 얻을 수 있다.
또한, 본 발명의 바람직한 실시 태양(aspect)으로, 상기 클레임 데이터를 생성하는 단계는, 상기 고장 이력 정보로부터 고장 원인 정보, 고장 형태 정보 및 고장 영향 정보가 매칭된 그룹을 적어도 하나 추출하는 단계 및 상기 추출된 적어도 하나의 그룹을 가공하여 상기 클레임 데이터를 생성하는 단계를 포함하여 이루어짐으로써 정확도를 높일 수 있다.
또한, 본 발명의 바람직한 실시 태양(aspect)으로, 상기 고장 원인 분석 결과는 심각도, 발생도, 및 검출도 분석 결과를 포함할 수 있다.
상기와 같은 기술적 과제를 해결하고자 특유한 해결 수단이 기초하고 있는 본 발명의 기술사상 및 실시 예(embodiment)에 따르면, 딥러닝 기반의 학습 및 분석을 통하여 고장 원인 분석 트리(Tree)를 생성하고, 아울러 생산 공정에서 발생하는 새로운 고장 현상 데이터와 사용자의 입력 데이터를 학습 데이터 셋으로 구축한 후, 이를 바탕으로 하는 인공 지능 딥러닝 알고리즘 기술 기반의 추론을 통하여 고장 원인 분석 결과를 신속하고 정확하게 얻을 수 있다.
즉, 자동차용 모터샤프트의 고장 이력(정비 정보)과 생산과정에서 발생하는 설비이상, 부적합 정보를 저장한 데이터베이스를 반복적인 데이터 학습과 예측을 통해 잠재적 고장 유형에 대한 고장 영향(심각도), 고장 원인(발생도, 검출도)을 분석하여 고장 원인 분석 트리를 생성하고, 신규 고장 현상 데이터와 잠재적 고장 유형의 연관성, 상관성, 예상 발생지표를 자동 산출하여 고장 원인을 예측하고, 이를 기술개발 과정에서 반영 및 고려함으로써 제품의 성능 및 품질 신뢰성 향상은 물론 품질 비용을 절감할 수 있다.
또한, 모터샤프트의 고장 발생 시 불량이나 장애 등 고장 형태에 따른 고장 원인을 추적 및 분석하여 위험(risk) 우선순위(Action Priority)를 찾아내고, 사전에 정의된 FMEA를 기반으로 위험도(심각도, 발생도, 검출도)가 높은 잠재적 고장 원인을 예측함으로써 휴먼 에러를 최소화하고 분석의 정확성 및 신뢰성을 향상시킬 수 있다.
여기서 본 발명의 효과들은 이상에서 언급한 효과들로 국한하지 않으며, 언급하지 않은 또 다른 효과들은 청구범위의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 명확하게 이해할 수 있을 것이다.
도 1은 본 발명의 실시 예에 따른 모터샤프트 고장 형태 분석을 위한 시스템 구성도이다.
도 2는 본 발명의 실시 예에 따른 모터샤프트 고장 형태 분석을 위한 시스템 배포 구성도이다.
도 3은 본 발명의 실시 예에 따른 모터샤프트 고장 형태 분석을 위한 시스템을 구성하는 AI를 이용한 기계 학습의 인공신경망에 대한 이해릅 돕기 위한 모식도이다.
도 4는 본 발명의 실시 예에 따른 모터샤프트 고장 형태 분석을 위한 시스템 흐름도이다.
도 2는 본 발명의 실시 예에 따른 모터샤프트 고장 형태 분석을 위한 시스템 배포 구성도이다.
도 3은 본 발명의 실시 예에 따른 모터샤프트 고장 형태 분석을 위한 시스템을 구성하는 AI를 이용한 기계 학습의 인공신경망에 대한 이해릅 돕기 위한 모식도이다.
도 4는 본 발명의 실시 예에 따른 모터샤프트 고장 형태 분석을 위한 시스템 흐름도이다.
이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 보다 구체적으로 설명한다.
이에 앞서, 후술하는 용어들은 본 발명에서의 기능을 고려하여 정의된 것으로서, 이는 본 발명의 기술적 사상에 부합되는 개념과 당해 기술분야에서 통용 또는 통상적으로 인식되는 의미로 해석하여야 함을 명시한다.
또한, 본 발명과 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
아울러 본 명세서에서 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함하는 의미이며, 또 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
즉, 본 명세서에서 설시(說示)하는 '포함하다' 또는 '가지다' 등의 용어는 특징, 개수, 단계, 공정, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계, 공정, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해해야 한다.
아울러 각 공정 및 단계들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 공정 및 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
한편, 본 발명에서 사용하는 "부" 및 "유닛"의 의미는 시스템에서 목적하는 적어도 하나의 기능이나 어느 일정한 동작을 처리하는 단위 또는 역할을 하는 모듈 형태를 의미하며, 이는 하드웨어나 소프트웨어 혹은 하드웨어 및 소프트웨어의 결합 등을 통한 수단이나 독립적인 동작을 수행할 수 있는 디바이스 또는 어셈블리 등으로 구현할 수 있다.
그리고 본 발명에서 사용하는 "모듈"의 의미는 하드웨어, 소프트웨어 또는 펌웨어(firmware) 중 하나 또는 둘 이상의 조합을 포함하는 단위(unit)를 의미할 수 있고, 유닛(unit), 로직(logic), 논리 블록(logical block), 부품(component), 회로(circuit) 등의 용어와 바꾸어 사용(interchangeably use)할 수 있고, 일체로 구성된 부품의 최소 단위 또는 그 일부일 수 있고, 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부일 수도 있으며, 기계적으로 또는 전자적으로 구현할 수 있다.
[실시 예]
도 1은 본 발명의 실시 예에 따른 모터샤프트 고장 형태 분석을 위한 시스템 구성도이다.
이를 참조하면, 본 발명의 실시 예에 따른 모터샤프트 고장 형태 분석을 위한 시스템을 구성하는 주요 요소는 서버(Server), 데이터베이스(DB), Smart FMEA, 고장 원인 Tree 작성 AI Module, 고장 원인 분석 및 예측 AI Module을 포함하고 있다.
서버(Server)는 데이터베이스(DB) 및 Smart FMEA의 데이터를 실시간으로 송수신한다.
그리고 딥러닝 기반의 고장 원인 Tree 작성 알고리즘과 고장 원인 분석 및 예측 알고리즘의 학습 및 분석/추론하는 워크스테이션(WorkStation)의 역할을 한다.
데이터베이스(DB)는 모터샤프트 등 제품의 생산 시 발생하는 실시간 데이터와 고장 발생 시 고장 현상 데이터 및 사용자 입력 데이터 및 학습 데이터를 저장한다.
Smart FMEA는 제품 생산 공정의 고장 원인 분석 기능을 수행하는 프레임워크 역할을 한다.
그리고 Smart FMEA는 고장 원인 분석을 위한 공정별 세부 내용과 인공 지능 알고리즘을 통해 획득한 결과에 대한 최적의 사용자 인터페이스를 제공한다.
고장 원인 Tree 작성 AI Module은 기계 학습을 위한 수집된 데이터의 전처리를 수행하고, 딥러닝 기반의 공장 내 각 요소 간의 관계를 분석하며, 빅데이터와 연동한 고장 원인 Tree 작성 결과를 생성한다.
고장 원인 분석 및 예측 AI Module은 고장 원인 Tree 작성 AI Module에 의해 생성된 결과를 기반으로 관계를 나타내는 그래프로 변형하여 학습 데이터 구축 및 전처리를 수행하고, 딥러닝 알고리즘을 통해 고정에 대한 원인 분석 결과를 도출하고, 고장에 대한 심각도(SEV, severity), 검출도(DET, detection), 발생도(OCC, occurrence)를 추론한 결과를 도출한다.
여기서 심각도, 검출도, 발생도는 각각 1 내지 10의 등급으로 표시될 수 있다. 일반적으로 고장 영향을 파악한 후에 심각도의 등급을, 고장 원인과 현 설계 관리의 예방 관리를 토대로 발생도의 등급을, 현 설계관리의 검출 관리에 의해 검출도 등급을 결정한다.
또한, 심각도, 발생도, 검출도의 각 등급을 곱한 것을 위험 우선순위 점수(RPN : Risk Priority Number)라 하고, 높은 위험 우선 점수의 고장 형태에 대해서 적절한 개선 대책을 수립하고 실시함으로써 고장의 위험을 사전에 예방할 수 있다.
도 2는 본 발명의 실시 예에 따른 모터샤프트 고장 형태 분석을 위한 시스템 배포 구성도이다.
이를 참조하면, Application(PC)은 최적의 인터페이스를 제공하여 사용자의 고장 원인 분석 관련 데이터를 입력 및 Smart FMEA를 통한 고장 원인에 대한 분석/추론 결과를 실시간으로 모니터링한다.
서버(Server)는 Smart FMEA와 워크스테이션(WorkStation) 간의 서비스 모듈을 구동하고, 제품 생산 공정에서 발생하는 데이터를 수신하며, AI 분석 요청 및 결과를 수신한다.
워크스테이션(WorkStation)은 제품 생산 공정에서 발생하는 데이터와 사용자 입력 데이터를 학습용 데이터 셋으로 구축하고, 구축된 데이터 셋을 기반으로 인공 지능 알고리즘 학습을 수행한다.
그리고 워크스테이션(WorkStation)은 학습된 결과를 바탕으로 하여 고장 원인 분석 결과를 추론 및 도출한다.
또한, 워크스테이션(WorkStation)은 데이터베이스(DB)와 AI 엔진, Smart FMEA 간의 상호작용을 통해 사용자의 요구를 처리한다.
도 3은 본 발명의 실시 예에 따른 모터샤프트 고장 형태 분석을 위한 시스템을 구성하는 AI를 이용한 기계 학습의 인공신경망에 대한 이해릅 돕기 위한 모식도이다.
이를 참조하면, 인공신경망(ANN, artificial neural network)은 고장 원인 트리 정보에 기반하여 손실함수를 생성하고, 학습을 통해 기계 학습 모델의 파라미터를 최적화하도록 기계 학습을 구성할 수 있다.
이때, 손실함수는 평균 제곱 오차, 크로스엔트로피 등 다양한 형태가 선택될 수 있다.
또한, 기계 학습 모델 파라미터 최적화 기법은 오차의 역전파, 경사하강법 등 다양한 형태의 기법이 선택될 수 있다.
그리고 인공신경망(ANN)은 순환신경망(RNN : Recurrent Neural Network) 중 하나인 LSTM(long short-term memory models)과 심층신경망(DNN : Deep Neural Network)의 앙상블을 이용할 수 있다.
도 4는 본 발명의 실시 예에 따른 모터샤프트 고장 형태 분석을 위한 시스템 흐름도이다.
이를 참조하면, 사용자는 자동차용 모터샤프트 등 부품의 고장 이력 정보를 가공하고 고장 관련 클레임 데이터를 생성하여 데이터베이스(DB)에 저장한다.
이때, 원시 데이터인 고장 이력 정보를 인공 지능을 통한 기계학습의 학습 데이터인 클레임 데이터로 가공하는 데이터 전처리 과정을 수행할 수 있다.
데이터 전처리 과정은 고장 이력 정보의 텍스트를 기반으로 각 시스템 또는 시스템 요소에 대응되는 고장 정보의 주요 특징을 규격화하는 것일 수 있다.
이와 같은 규격화는 벡터화, 정규화, 표준화와 같은 방식이 적용될 수 있다.
그리고 고장 이력 정보로부터 고장 원인 정보, 고장 형태 정보 및 고장 영향 정보가 매칭된 그룹을 적어도 하나 추출하는 단계 및 추출된 적어도 하나의 그룹을 가공하여 클레임 데이터를 생성할 수 있다.
이때, 그룹을 추출하는 단계는 대상 제품의 계층 수준 정보를 반영하여 적어도 하나의 그룹을 추출할 수 있다.
여기서 계층 수준 정보는 대상 제품이 완성품인지, 아니면 완성품의 하위 조립품(또는 유닛)인지 등 제품의 계층적 속성을 의미하는 정보를 의미할 수 있다.
예를 들면, 대상 제품이 전기차(전기 자동차)인 경우 계층 수준 정보는 완성품일 수 있다. 대상 제품이 차량용 모터샤프트인 경우 계층 수준 정보는 완성품의 하위 조립품일 수 있다.
아울러 계층 수준 정보에 따라 그룹이 달리 생성될 수 있고, 이에 따라 고장 원인 정보, 고장 형태 정보 및 고장 영향 정보가 달리 생성될 수 있다.
이때, 특정 고장은 고장 영향(Failure effect)일 수 있다. 또 그 하위 시스템 요소의 기능의 고장 중 고장 영향과 연관된 것은 고장 형태(Failure mode)일 수 있다. 또 그 하위의 시스템 요소의 기능의 고장 중 고장 형태와 연관된 것은 고장 원인(Failure cause)일 수 있다.
즉, 하위 시스템 요소의 고장은 상위의 시스템 요소에서 나타나는 고장 형태를 야기하는 고장 원인이 될 수 있고, 고장 형태는 또한 그 상위의 시스템 또는 시스템 요소에서 나타나는 고장 영향으로 이어질 수 있다.
그리고 고장 이력 정보는 부품 또는 시스템 요소(System element)별 고장 정보를 기록한 것일 수 있다.
예를 들면, 모터샤프트의 설계 과정에서의 허용오차, 재료 선정에서의 불량, 외관 가공과정에서의 불량, 조립과정에서의 불량을 포함하여 차량의 '윈도우 작동 불량', '조수석 작동 불량' 등의 고장 정보를 더 포함할 수 있다.
또한, 고장 이력 정보는 대상 제품과 동일 또는 유사한 제품의 과거의 고장 사례를 기반으로 생성되는 것일 수 있다. 대상 제품이 자동차인 경우, 정비소 등에서 수집되는 클레임 데이터나, 제조 공장에서 수집되는 불량 정보 등을 기반으로 생성될 수 있다.
한편, 클레임 데이터는 엑셀(Excel), CSV(comma separated value), HTML(HypertextMarkup Language), PDF(Portable Document Format), XML(Extensible markup language) 등의 데이터 형태일 수 있다.
다음으로, 생성된 클레임 데이터를 이용한 딥러닝 기반의 학습 및 분석을 통하여 고장 원인 트리(Tree)를 생성한다.
예를 들면, RN-LSTM(Relation Networks - Long Short-Term Memory) 알고리즘을 이용하여 이미 수집된 테이터 간의 고장 영향, 고장 현상, 고장 원인 상관관계 분석 결과와 신규 공정 정보를 바탕으로 발생 가능한 고장에 대한 원인 분석 트리(Tree)를 생성할 수 있다.
이때, 대상 제품의 전체 시스템 및 그 하위 시스템 요소, 그 구조적 상관관계가 포함되고, 그 각각의 시스템 또는 시스템 요소에 대응되는 기능 정보 및 고장 정보가 포함되어 있다.
다음으로, 제품의 생산 공정에 대한 사용자 입력 데이터 및 고장 발생 시 고장 현상 데이터를 저장하여 학습 데이터 셋으로 구축한다.
즉, 학습 데이터 셋은 클레임 데이터에 더하여 과거의 고장 유형 분석 과정에서 생성된 고장 원인 트리 정보를 포함할 수 있다.
다음으로, 생성된 고장 원인 트리와 구축된 학습 데이터 셋에 기반한 딥러닝 추론을 통하여 고장 원인 분석 결과를 도출한다.
이때, 고장 원인 분석 결과는 심각도, 발생도, 및 검출도 분석 결과를 포함한다.
즉, 고장 원인 분석 결과는, 고장 형태 정보, 고장 원인 정보, 고장 영향 정보 및 그 상관관계를 기초로 평가된 심각도, 발생도, 검출도의 정보를 포함할 수 있다.
나아가 심각도, 발생도, 검출도를 기반으로 산출되는 위험 수준의 평가 정보를 포함할 수 있다.
또한, 위험 수준의 평가 정보는 위험 우선 점수(RPN : Risk Priority Number) 또는 조치 우선 순위(AP : Action Priority)를 포함할 수 있다.
다음으로, 사용자가 모니터링하도록 도출된 고장 원인 분석 결과를 Smart FMEA의 사용자 인터페이스를 통해 출력한다.
한편, 본 발명은 상술한 실시 예(embodiment) 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 안에서 예시되지 않은 여러 가지로 다양하게 변형하고 응용할 수 있음은 물론이고 각 구성요소의 치환 및 균등한 타 실시 예로 변경하여 폭넓게 적용할 수도 있음은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명백하다.
그러므로 본 발명의 기술적 특징을 변형하고 응용하는 것에 관계된 내용은 본 발명의 기술사상 및 범위 내에 포함되는 것으로 해석하여야 할 것이다.
Claims (3)
- 부품의 고장 이력 정보를 가공하여 고장 관련 클레임 데이터를 생성하는 단계;
생성된 클레임 데이터를 이용한 딥러닝 기반의 학습 및 분석을 통하여 고장 원인 트리(Tree)를 생성하는 단계;
상기 부품의 생산 공정에 대한 사용자 입력 데이터 및 고장 발생 시 고장 현상 데이터를 저장하여 학습 데이터 셋으로 구축하는 단계;
생성된 고장 원인 트리와 구축된 학습 데이터 셋에 기반한 딥러닝 추론을 통하여 고장 원인 분석 결과를 도출하는 단계;
도출된 고장 원인 분석 결과를 출력하는 단계;
를 포함하여 이루어지는 모터샤프트 고장 형태 분석을 위한 AI 기반 FMEA 활용방법.
- 제1항에 있어서,
상기 클레임 데이터를 생성하는 단계는,
상기 고장 이력 정보로부터 고장 원인 정보, 고장 형태 정보 및 고장 영향 정보가 매칭된 그룹을 적어도 하나 추출하는 단계; 및
상기 추출된 적어도 하나의 그룹을 가공하여 상기 클레임 데이터를 생성하는 단계;
를 포함하여 이루어지는 모터샤프트 고장 형태 분석을 위한 AI 기반 FMEA 활용방법.
- 제1항에 있어서,
상기 고장 원인 분석 결과는 심각도, 발생도, 및 검출도 분석 결과를 포함하는 모터샤프트 고장 형태 분석을 위한 AI 기반 FMEA 활용방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220145455A KR20240063629A (ko) | 2022-11-03 | 2022-11-03 | 모터샤프트 고장 형태 분석을 위한 ai 기반 fmea 활용방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220145455A KR20240063629A (ko) | 2022-11-03 | 2022-11-03 | 모터샤프트 고장 형태 분석을 위한 ai 기반 fmea 활용방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240063629A true KR20240063629A (ko) | 2024-05-10 |
Family
ID=91072531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220145455A KR20240063629A (ko) | 2022-11-03 | 2022-11-03 | 모터샤프트 고장 형태 분석을 위한 ai 기반 fmea 활용방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20240063629A (ko) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102396496B1 (ko) | 2021-05-21 | 2022-05-10 | 주식회사 이엠포커스 | 고장 유형 분석 정보 제공 방법 |
KR102399597B1 (ko) | 2020-11-26 | 2022-05-19 | 주식회사 브이웨이 | 인공지능을 활용한 고장형태 영향분석 자동화 시스템 |
KR102418796B1 (ko) | 2020-11-26 | 2022-07-11 | 주식회사 브이웨이 | 고장형태 영향분석 기반 고장 분석의 고장 모드 추천 시스템 |
-
2022
- 2022-11-03 KR KR1020220145455A patent/KR20240063629A/ko unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102399597B1 (ko) | 2020-11-26 | 2022-05-19 | 주식회사 브이웨이 | 인공지능을 활용한 고장형태 영향분석 자동화 시스템 |
KR102418796B1 (ko) | 2020-11-26 | 2022-07-11 | 주식회사 브이웨이 | 고장형태 영향분석 기반 고장 분석의 고장 모드 추천 시스템 |
KR102396496B1 (ko) | 2021-05-21 | 2022-05-10 | 주식회사 이엠포커스 | 고장 유형 분석 정보 제공 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7499777B2 (en) | Diagnostic and prognostic method and system | |
US8463485B2 (en) | Process for service diagnostic and service procedures enhancement | |
e Oliveira et al. | Automatic root cause analysis in manufacturing: an overview & conceptualization | |
US20110145026A1 (en) | Software-centric methodology for verification and validation of fault models | |
Brundage et al. | Smart manufacturing through a framework for a knowledge-based diagnosis system | |
CN115244482A (zh) | 用于维护优化的混合风险模型和用于执行此类方法的系统 | |
DE102012223393A1 (de) | Verfahren und System für die Grundursachenanalyse und Qualitätsüberwachung von Fehlern auf Systemebene | |
Dorj et al. | A bayesian hidden markov model-based approach for anomaly detection in electronic systems | |
US10775270B2 (en) | System and method for monitoring a turbomachine, with indicator merging for the synthesis of an alarm confirmation | |
US20170176985A1 (en) | Method for predicting end of line quality of assembled product | |
US20230083255A1 (en) | System and method for identifying advanced driver assist systems for vehicles | |
EP3447595B1 (en) | Method for monitoring an industrial plant and industrial control system | |
WO2023041458A2 (de) | Computerimplementierte verfahren, module und system zur anomalieerkennung in industriellen fertigungsprozessen | |
CN117494292A (zh) | 一种基于bim和ai大模型的工程进度管理方法及系统 | |
Gopalakrishnan et al. | IIoT Framework Based ML Model to Improve Automobile Industry Product. | |
KR102130272B1 (ko) | 경험모델 기반 예측 알고리즘의 최적화 방법 | |
EP3451101B1 (de) | Verfahren zum bestimmen einer fehlerursache eines fehlers in einer fahrzeugkomponente | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
Lee et al. | Intelligent factory agents with predictive analytics for asset management | |
KR20240063629A (ko) | 모터샤프트 고장 형태 분석을 위한 ai 기반 fmea 활용방법 | |
Davari et al. | A fault detection framework based on lstm autoencoder: A case study for volvo bus data set | |
KR102470520B1 (ko) | 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법 | |
Kopp et al. | Early reliability estimation in automotive industry | |
Cutajar et al. | Streamlining Classical RCM using a Digitized Model-based approach | |
Kordes et al. | Automatic Fault Detection using Cause and Effect Rules for In-vehicle Networks. |