WO2016085172A1 - 설비의 예측 정비 시스템 및 방법 - Google Patents

설비의 예측 정비 시스템 및 방법 Download PDF

Info

Publication number
WO2016085172A1
WO2016085172A1 PCT/KR2015/012224 KR2015012224W WO2016085172A1 WO 2016085172 A1 WO2016085172 A1 WO 2016085172A1 KR 2015012224 W KR2015012224 W KR 2015012224W WO 2016085172 A1 WO2016085172 A1 WO 2016085172A1
Authority
WO
WIPO (PCT)
Prior art keywords
facility
failure
alarm
indicator
good
Prior art date
Application number
PCT/KR2015/012224
Other languages
English (en)
French (fr)
Inventor
김도현
Original Assignee
주식회사 베가스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 베가스 filed Critical 주식회사 베가스
Priority to US15/531,578 priority Critical patent/US20180336534A1/en
Priority to CN201580065968.5A priority patent/CN107004164A/zh
Publication of WO2016085172A1 publication Critical patent/WO2016085172A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • Embodiments of the present invention relate to a predictive maintenance system and method for a plant, and more particularly, to a predictive maintenance system and method for a plant to prevent a failure of the plant in advance.
  • the equipment (or equipment) used to produce the product degrades over time as the performance deteriorates. Accordingly, a failure of the equipment occurs, which causes the production of defective products or the interruption of production of the product.
  • Conventional facilities maintenance methods include RM (Reactive Maintenance), PM (Preventive Maintenance), CBM (Condition-Based Maintenance), etc., but there is a limit as a fundamental countermeasure for preventing a failure of a facility.
  • the RM is a post-response method, which means repairing a failed facility after a failure of the facility, and generates an unexpected down time and a loss due to production disruption.
  • PM has a problem in that excessive manpower is put into a healthy facility as a way to maintain the facility every certain period of time, causing the actual skills and losses due to the failure before the maintenance of the facility.
  • CBM is an experience-based univariate-based monitoring method for maintaining a facility according to a condition of a specific variable, which causes a large number of false alarms in that an empirical management standard is simply applied.
  • Patent Document 1 Republic of Korea Patent Publication No. 10-2014-0038265 (2014.03.28)
  • Embodiments of the present invention utilize the multivariate analysis technique to predict the failure time of a facility, efficiently identify the causes of failures that have not been identified previously, and calculate the optimal maintenance time of the facility to maximize sales and profits. To provide a predictive maintenance system and method for failures.
  • a good indicator generation unit for generating a health indicator (Health Indicator) used to determine the normal state or failure state of the facility;
  • a failure facility determination unit that determines whether the facility is a failure facility and a failure type of the facility through the good indicator;
  • a failure facility prediction unit for predicting a residual life or failure probability of the facility;
  • a first alarm unit that generates a first alarm when the predicted residual life becomes less than or equal to a preset value or the predicted failure probability becomes greater than or equal to a preset value.
  • the good indicator may include a univariate indicator composed of one variable for determining a normal state or a failure state of a facility, and a multivariate indicator composed of a combination of a plurality of the variables.
  • the good index generator may select, as the univariate index, a variable in which a change of a predetermined value or more occurs before and after a fault of the facility occurs among a plurality of variables.
  • the good indicator generation unit may select, as the multivariate indicator, a combination in which a change of a predetermined value or more occurs before or after a failure of a facility and a change occurs by a predetermined value or more before and after a fault of a facility.
  • the variable may be any one of temperature, pressure, voltage, current, speed and tension indicating the condition or process conditions of a particular plant.
  • Each of the good indicators may be matched with one or more equipment.
  • the failure facility determining unit determines the failure type of the facility by determining the facility as a failure facility when the good indicator is out of a predetermined management line, and checking the types of the univariate indicator and the multivariate indicator included in the good indicator. can do.
  • the failure facility prediction unit may include: Multiple Linear Regression (MLR), Partial Least Sqaures (PLS), RIDGE, Least Absolute Shrinkage and Selection Operator (LASSO), Smoothly Clipped Absolute Deviation (SCAD), Minimax Concave Penalty (MCP), SVM (Support) Vector Machine), Bagging, Boosting, and Random Forest, wherein the remaining life of the facility is derived by deriving a model with the remaining life of the facility as a dependent variable and one or more of the plurality of good indicators as independent variables. You can predict it.
  • MLR Multiple Linear Regression
  • PLS Partial Least Sqaures
  • RIDGE Least Absolute Shrinkage and Selection Operator
  • SCAD Smoothly Clipped Absolute Deviation
  • MCP Minimax Concave Penalty
  • SVM Small-V Machine
  • Bagging Boosting
  • Boosting Random Forest
  • the failure facility prediction unit Generalized Linear Model (GLM), Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), Support Vector Machine (SVM), Bagging, Boosting and Random Forest Support Vector Machine (SVM), Bagging,
  • GLM Generalized Linear Model
  • LDM Linear Discriminant Analysis
  • QDA Quadratic Discriminant Analysis
  • SVM Support Vector Machine
  • Bagging Boosting and Random Forest Support Vector Machine
  • Boosting and Random Forest Boosting and Random Forest
  • the predictive maintenance system of the facility may further include a second alarm unit generating a second alarm by using a failure rate of the facility for a preset time.
  • the second alarm unit has a ratio when the second alarm is generated but does not cause an actual failure (hereinafter, referred to as “error alarm rate”) and a ratio when an actual failure occurs when the second alarm is not generated (hereinafter, One or more evaluation criteria may be generated, and an alarm rule for optimizing the evaluation criteria may be generated, and the second alarm may be generated when the alarm rule is satisfied.
  • w 1 is the weighting factor for the importance of the false alarm rate and w 2 is the weighting factor for the importance of the leak rate.
  • the alarm rule means that more than k good indicators deviating from a predetermined management line among the K good indicators for a preset time period, and the second alarm unit calculates K and k values that minimize the value of the evaluation criteria. Can be.
  • It may further include a maintenance time calculation unit for calculating an optimal maintenance time point in consideration of the repair cost of the failure facility, and the opportunity cost due to the replacement of the failure facility.
  • the maintenance point calculator may calculate the repair cost through Equation 4 or 5 below, and calculate the opportunity cost through Equation 6 below.
  • ET is the estimated time for repair of a specific facility
  • TI is the increase in repair time per unit time
  • M is the number of productions per unit time
  • B is the profit per production
  • t 0, ..., T, T 1 remaining life in case of alarm
  • V is the price of a particular installation
  • L is the average life
  • t 0, ..., T
  • T is the remaining life at the first alarm
  • the maintenance point calculator may determine a time point at which the sum of the repair cost and the opportunity cost becomes the minimum maintenance point.
  • a method including generating a health indicator used to determine a normal state or a failure state of a facility; Determining whether the facility is a failure facility and a failure type of the facility through the good indicator; Predicting a residual life or probability of failure of the facility; And generating a first alarm when the predicted residual life becomes less than or equal to a preset value or the predicted failure probability becomes greater than or equal to a preset value.
  • the good indicator may include a univariate indicator composed of one variable for determining a normal state or a failure state of a facility, and a multivariate indicator composed of a combination of a plurality of the variables.
  • the generating of the good index may include selecting, as the univariate index, a variable in which a change of a predetermined value or more occurs before and after a fault of a facility occurs among a plurality of variables.
  • the generating of the good index may include selecting, as the multivariate index, a combination in which a change of a predetermined value or more occurs before and after the fault of the facility occurs among a combination of a plurality of variables. .
  • the variable may be any one of temperature, pressure, voltage, current, speed and tension indicating the condition or process conditions of a particular plant.
  • Each of the good indicators may be matched with one or more equipment.
  • the determining of whether the facility is a failure facility and the type of failure of the facility may include determining that the facility is a failure facility when the good indicator deviates from a preset management line, and includes the univariate indicator included in the good indicator.
  • the type of failure of the facility can be determined by identifying the type of multivariate indicator.
  • MLR Partial Linear Regression
  • PLS Partial Least Sqaures
  • RIDGE Partial Least Sqaures
  • LASSO Least Absolute Shrinkage and Selection Operator
  • SCAD Smoothly Clipped Absolute Deviation
  • MCP A model using at least one of Minimax Concave Penalty (SVM), Support Vector Machine (SVM), Bagging, Boosting, and Random Forest, with the remaining life of the facility as a dependent variable and one or more of the plurality of good indicators as independent variables. By deriving it is possible to predict the remaining life of the plant.
  • SVM Predicting the remaining life or failure probability of the facility, SVM of Generalized Linear Model (GLM), Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), Support Vector Machine (SVM), Bagging, Boosting and Random Forest (Support Vector Machine), Bagging, Boosting, and Random Forest using at least one, the failure of the equipment by deriving a model having as a dependent variable whether the failure of the equipment as a dependent variable and one or more of the plurality of good indicators as an independent variable Probability can be predicted.
  • GLM Generalized Linear Model
  • LDA Linear Discriminant Analysis
  • QDA Quadratic Discriminant Analysis
  • SVM Support Vector Machine
  • Bagging Boosting and Random Forest
  • Boosting Random Forest
  • the predictive maintenance method of the facility may further include generating a second alarm by using a failure rate of the facility for a preset time.
  • the generating of the second alarm may include a ratio of when the second alarm is generated but no actual failure occurs (hereinafter, referred to as “error alarm rate”) and a case where the second alarm is not generated but the actual failure occurs.
  • error alarm rate a ratio of when the second alarm is generated but no actual failure occurs
  • One or more evaluation criteria may be generated in consideration of a ratio (hereinafter, referred to as a “leak rate”), an alarm rule optimizing the evaluation criteria may be generated, and the second alarm may be generated when the alarm rule is satisfied. .
  • the evaluation criteria may satisfy any one of Equations 1 to 3 below.
  • w 1 is the weighting factor for the importance of the false alarm rate and w 2 is the weighting factor for the importance of the leak rate.
  • the alarm rule means that more than k good indicators deviated from the predetermined management line among the K good indicators for a predetermined time, and the K and k values may be values that minimize the value of the evaluation criteria.
  • the method may further include calculating an optimal maintenance time point in consideration of the repair cost of the fault facility and the opportunity cost due to the replacement of the fault facility.
  • the repair cost may be calculated through Equation 4 or 5 below, and the opportunity cost may be calculated through Equation 6 below.
  • ET is the estimated time for repair of a specific facility
  • TI is the increase in repair time per unit time
  • M is the number of productions per unit time
  • B is the profit per production
  • t 0, ..., T, T 1 remaining life in case of alarm
  • V is the price of a particular installation
  • L is the average life
  • t 0, ..., T
  • T is the remaining life at the first alarm
  • the calculating of the optimal maintenance time may determine the time when the sum of the repair cost and the opportunity cost becomes the minimum maintenance time.
  • the embodiments of the present invention it is possible to predict the failure of the facility in advance by establishing a predictive model based on the failure pattern of the past facility and real-time monitoring of the facility using the established model. Furthermore, multivariate analysis techniques can be used to efficiently identify the causes of failures that have not been identified previously.
  • the user by alerting the user in an objective and statistical manner before the occurrence of the accident of the facility, the user can make a maintenance plan and at the same time prevent the occurrence of the accident. .
  • FIG. 1 is a block diagram illustrating a predictive maintenance system of a facility according to an embodiment of the present invention.
  • FIG. 2 is a graph showing a result of predicting the remaining life of the facility by the remaining life prediction unit according to an embodiment of the present invention
  • FIG. 3 is a graph showing a result of predicting a failure probability of a facility by a failure probability prediction unit according to an embodiment of the present invention.
  • FIG. 5 is a view for explaining a process of calculating the optimum maintenance time by the maintenance time calculation unit according to an embodiment of the present invention
  • FIG. 6 is a flowchart illustrating a predictive maintenance method of a facility according to an embodiment of the present invention.
  • FIG. 7 is a flowchart illustrating a method of selecting a univariate index according to an embodiment of the present invention in step S602 of FIG. 6.
  • FIG. 8 is a flowchart for explaining a method of selecting a multivariate index according to an embodiment of the present invention in step S602 of FIG.
  • FIG. 9 is a flowchart for describing a method of generating, by the second alarm unit, a second alarm in operation S608 of FIG. 6.
  • FIG. 10 is a flowchart for describing operation S910 of FIG. 9.
  • the predictive maintenance system 100 of a facility may include a good indicator generation unit 102, a failure facility determination unit 104, a failure facility prediction unit 106, and an alarm unit. 108 and a maintenance time point calculation unit 110.
  • the facility is used in a broad sense including the facilities, equipment, devices, etc. used in the manufacture of a specific product (eg, home appliance, mobile device, notebook, PC, etc.) For example, it may be a chemical vapor deposition (CVD) device, a motor, or the like.
  • CVD chemical vapor deposition
  • the good indicator generator 102 generates a health indicator.
  • the good indicator is an indicator indicating the health state of each facility and is used to determine the normal state or failure state of each facility.
  • the good indicators include a univariate indicator composed of one variable for determining the steady state or failure state of a facility, and a multivariate indicator composed of a combination of a plurality of variables (for example, a linear combination). It may include.
  • the variables constituting the univariate indicator and the multivariate indicator may be any one of temperature, pressure, voltage, current, speed, and tension indicating a state or process condition of a specific facility.
  • the univariate indicator may be, for example, the temperature of the first facility (not shown), the pressure of the first facility, the voltage input to the second facility (not shown), and the multivariate indicator is a linear combination of these variables.
  • it can be a * temperature + b * pressure + c * voltage, where a, b, c are constants.
  • the above-described variables are only embodiments, and the types of variables constituting the univariate indicator and the multivariate indicator are not limited thereto.
  • the good indicator generation unit 102 is a change of more than the predetermined value of the failure of the equipment of the plurality of variables occurs and set before and after the failure of the equipment
  • a variable that causes a change in value or more can be selected as a univariate index.
  • the indicator generator 102 may select the temperature of the first facility as a univariate indicator for the first facility.
  • the temperature of the first facility may be a good indicator used to determine the steady state or failure state of the first facility.
  • the good index generator 102 may further determine the frequency of the first facility and the first facility. Can be selected as a variable indicator. Variables constituting the univariate indicator may be determined by referring to a simulation or the history of the facility. In addition, the good indicator generation unit 102 may generate one or more univariate indicators for a single facility and match the facility with the univariate indicators.
  • the good indicator generation unit 102 may select, as a multivariate indicator, a combination in which a change of more than a predetermined value occurs before and after a failure of a facility among a combination of a plurality of variables.
  • a combination of a plurality of variables relating to a second installation a * temperature + b * pressure + c * voltage (where a, b, c are constants) is a value that is preset before failure of the second installation, for example
  • the good indicator generation unit 102 may select the combination as a multivariate index for the second facility.
  • the types and constant values of the variables constituting the multivariate index may be determined by referring to the simulation or the history of the corresponding facility.
  • the good indicator generation unit 102 utilizes a multivariate generation method (eg, Partial Least Analysis, etc.) using variables and failure information regarding the condition of the facility.
  • a multivariate generation method eg, Partial Least Analysis, etc.
  • the good indicator generation unit 102 may generate a multivariate indicator by using a multivariate generation method (Principal Component Analysis, etc.) using only variables related to the facility state. .
  • the good indicator generation unit 102 may generate one or more multivariate indicators for a single facility and match the facility with the multivariate indicators.
  • the preceding “presets” used to determine univariate and multivariate indicators can utilize empirical distributions, or use variables or their distributions that are known to best reflect disturbances in the facility, or booststraps. Can be determined by using sampling. In addition, whether or not a change occurs above a preset value of the fault can be confirmed using, for example, a tree classification algorithm or a CUSUM algorithm, and whether or not a change occurs above a preset value before and after a fault occurs, for example, T-test, F-test, Wilcox test, etc. can be confirmed.
  • the failure facility determination unit 104 determines a facility in which a failure occurs and a failure type of the facility through the good indicator generated by the good indicator generation unit 102.
  • the good indicators include one or more univariate indicators and multivariate indicators, each of which is pre-matched with one or more facilities.
  • the first facility may be previously matched with the first univariate indicator, the third univariate indicator, and the first multivariate indicator and the fourth multivariate indicator. Accordingly, the failure facility determination unit 104 may determine the facility as a failure facility while monitoring the good indicators when the specific good indicators (or the univariate indicators and multivariate indicators included in the good indicators) deviate from the preset management line. Can be.
  • the management line is a reference value used to determine whether the facility is a failure facility, for example, may differ by a predetermined value from the average of good indicators when the facility is normal (for example, 3 ⁇ and 6 ⁇ ). Etc).
  • the failure facility determining unit 104 may determine the facility as a failure facility when the good indicator becomes 3 ⁇ (where ⁇ is a standard deviation) greater than an average of the good indicator when the facility is normal. In this case, the failure facility determining unit 104 may determine the type of failure of the facility by checking the types of the univariate indicators and the multivariate indicators included in the good indicators.
  • the failure facility determining unit 104 may determine that the temperature included in the good indicator is one of the causes of failure of the facility. Meanwhile, the failure facility determining unit 104 may determine whether there is a failure of the facility and the failure type of the facility in consideration of both the univariate index and the multivariate index. As described above, since each of the good indicators includes univariate indicators and multivariate indicators of one failure, the failure facility determination unit 104 simultaneously monitors the univariate indicators and the multivariate indicators, and indicates whether there is a failure of the facility and the failure type of the facility. Can be judged more efficiently.
  • the failure facility prediction unit 106 predicts the remaining life or failure probability of the facility.
  • the failure facility prediction unit 106 may include a residual life prediction unit 106-1 and a failure probability prediction unit 106-2.
  • the remaining life prediction unit 106-1 predicts the remaining life of the facility, and the failure probability prediction unit 106-2 may predict the failure probability of the facility.
  • FIG. 2 is a graph showing a result of predicting the remaining life of the facility by the residual life prediction unit 106-1 according to an embodiment of the present invention. Where the horizontal axis represents time and the vertical axis represents remaining life.
  • Residual life prediction unit 106-1 includes multiple linear regression (MLR), partial Least Sqaures (PLS), RIDGE, Least Absolute Shrinkage and Selection Operator (LASSO), Smoothly Clipped Absolute Deviation (SCAD), Minimax Concave Penalty (MCP) , At least one of SVM (Support Vector Machine), Bagging, Boosting, and Random Forest, with the remaining life of the facility as a dependent variable, and deriving a model with one or more of the good indicators as independent variables. Can be predicted.
  • the remaining life prediction unit 106-1 may select a model having a minimum prediction error among these models, and may predict the remaining life of the facility by using the selected model.
  • the residual life prediction unit 106-1 uses the regression analysis method such as MLR, PLS, RIDGE, LASSO, SCAD, Bagging, Boosting, and Random Forest because the dependent variables are continuous. You can predict it.
  • the residual life prediction unit 106-1 may predict the remaining life of the facility by using a time-series analysis method such as ARIMA when the independent variable is time, and the dependent variable is an event occurrence time. -to-Event), the residuals of the facility using Survival Analysis methods such as Exponential distribution, Weibull distribution, Log-logistic distribution, Gamma distribution, Exponential-logarithmic distribution, Kaplan-Meier method, Cox Proportional hazard model, etc. Life expectancy can be predicted.
  • the remaining life prediction unit 106-1 uses various methods as described above, and further calculates the remaining life of the facility by deriving a model using the remaining life of the facility as a dependent variable and one or more of a plurality of good indicators as independent variables. You can predict efficiently and accurately.
  • the alarm unit 108 may generate an alarm when the remaining life time predicted by the remaining life prediction unit 106-1 is less than or equal to a preset value, thereby allowing the user to prepare for maintenance of the facility in advance. Make sure
  • FIG. 3 is a graph illustrating a result of predicting a failure probability of a facility by the failure probability predicting unit 106-2 according to an embodiment of the present invention. Where the horizontal axis represents time and the vertical axis represents the probability of failure.
  • the failure probability prediction unit 106-2 may use at least one of a generalized linear model (GLM), a linear discriminant analysis (LDA), a quadratic discriminant analysis (QDA), a support vector machine (SVM), bagging, boosting, and a random forest.
  • GLM generalized linear model
  • LDA linear discriminant analysis
  • QDA quadratic discriminant analysis
  • SVM support vector machine
  • the probability of failure of a facility can be predicted by deriving a model using the failure of a facility as a dependent variable and using one or more of the good indicators as an independent variable.
  • the failure probability prediction unit 106-2 may select a model having a minimum prediction error among these models, and predict the failure probability of the facility by using the selected model.
  • the failure probability predicting unit 106-2 may predict the failure probability of the facility by using a time-series analysis method such as ARIMA, and the dependent variable is an event occurrence time. -Event), using the Survival Analysis method such as Exponential distribution, Weibull distribution, Log-logistic distribution, Gamma distribution, Exponential-logarithmic distribution, Kaplan-Meier method, Cox Proportional hazard model, etc. You can predict it.
  • the failure probability predicting unit 106-2 uses various methods as described above, and further calculates a failure probability of the facility by deriving a model using the failure probability of the facility as a dependent variable and one or more of a plurality of good indicators as independent variables. You can predict efficiently and accurately.
  • the alarm unit 108 may generate an alarm when the failure probability predicted by the failure probability prediction unit 106-2 becomes equal to or greater than a preset value, thereby allowing the user to prepare the maintenance of the facility in advance. Make sure
  • the alarm unit 108 generates an alarm to the user in consideration of one or more of the remaining life of the facility, the probability of failure of the facility, and the failure rate of the facility.
  • the alarm unit 108 may include a first alarm unit 108-1 and a second alarm unit 108-2.
  • the first alarm unit 108-1 generates the first alarm in consideration of the remaining lifetime or failure probability of the facility predicted by the failure facility prediction unit 106.
  • the first alarm unit 108-1 may determine that the first life expectancy of the facility predicted by the failure facility predictor 106 is less than or equal to a preset value, or when the predicted failure probability of the facility becomes greater than or equal to a preset value. It can trigger an alarm.
  • the first alarm unit 108-1 may generate the first alarm when the remaining life of the facility is 48 hours or less, or when the failure probability of the facility is 0.7 or more. have.
  • the user can plan the maintenance of the equipment before the end of the life of the equipment or before the failure occurs, and can prevent the occurrence of failure.
  • the alarm is used in a broad sense including not only generating an alarm alarm to the user through a speaker, but also generating an alarm indication to the user through a display device.
  • the second alarm unit 108-2 predicts the occurrence of an accident through a failure rate of the facility for a preset time and generates a second alarm.
  • the failure refers to a state in which the facility does not operate or operates abnormally to produce a desired product.
  • alarm rules for failures are selected in a subjective, conventional, and empirical manner, but these alarm rules are ambiguous in evaluation criteria and difficult to operate in the future, including changing alarm rules. Accordingly, embodiments of the present invention can effectively predict the occurrence of failure of the facility through the generation of evaluation criteria of the objective and statistical alarm rule.
  • the second alarm unit 108-2 generates a second alarm, but does not cause an actual failure (hereinafter, referred to as a "error alarm rate") and a second alarm does not occur, but an actual failure occurs.
  • error alarm rate an actual failure
  • a criterion for evaluating a disorder is created by taking into account the rate of occurrence (hereinafter referred to as "leak rate").
  • w 1 is the weighting factor for the importance of the false alarm rate and w 2 is the weighting factor for the importance of the leak rate.
  • the second alarm unit 108-2 generates an alarm rule for optimizing the above evaluation criteria.
  • the alarm rule may mean, for example, “k or more good indicators deviating from the preset management line among K good indicators (for a preset time)”.
  • the second alarm unit 108-2 may generate various alarm rules.
  • the second alarm unit 108-2 is an alarm rule that "it is more than one increase or decrease among the last L good indicators," and m "one value shifted to one side from the target value among the last M good indicators.”
  • Various alarm rules can be generated, such as an alarm rule of "an abnormality” and an alarm rule of "n or more of the N good indices recently changed from the direction and deviated from the management line".
  • an alarm rule of "k or more good indicators deviating from the preset management line among K good indicators (for a predetermined time)" will be described as an example.
  • the second alarm unit 108-2 may calculate K and k values (or L and l values, M and m values, N and n values, etc.) that minimize the value of the evaluation criteria.
  • the optimal alarm rule may be calculated as follows.
  • the second alarm unit 108-2 may select the K and k values having the smallest K + k as the final K and k values of the alarm rule. If there are multiple combinations of k, choose the one with the smallest K.
  • the second alarm unit 108-2 has four or more good indicators that deviated from the management line among the five good indicators for a preset time. If so, a second alarm can be generated. That is, the second alarm unit 108-2 may generate one or more evaluation criteria, generate an alarm rule that optimizes the evaluation criteria, and generate a second alarm when a failure rate of the facility satisfies the alarm rule. . Accordingly, the occurrence of optimized alarms can be generated by predicting the occurrence of failures according to the characteristics of the product or the facility.
  • the second alarm unit 108-2 may detect the four or more good indicators deviating from the management line in the A section satisfying the alarm rule.
  • a second alert may be generated.
  • the second alarm unit 108-2 may generate the second alarm when the ratio of the good indicator deviating from the management line for a preset time is 80% or more.
  • the maintenance time point calculation unit 110 calculates an optimal maintenance time point in consideration of the repair cost of the failure facility and the opportunity cost due to the replacement of the failure facility.
  • the repair cost refers to the damage incurred as the repair period and the defect of the equipment increases over time
  • the opportunity cost refers to the gains obtained by using the equipment until its existing life is reached.
  • the maintenance point calculation unit 110 may calculate a repair cost of a failure facility through Equation 4 or 5 below.
  • ET is the estimated time for repair of a specific facility
  • TI is the increase in repair time per unit time
  • M is the number of productions per unit time
  • B is the profit per production
  • t 0, ..., T, T 1 remaining life in case of alarm
  • the maintenance point calculation unit 110 may calculate the opportunity cost of the failure facility through the following equation (6).
  • V is the price of a particular installation
  • L is the average life
  • t 0, ..., T
  • T is the remaining life at the first alarm
  • the maintenance point calculator 110 may determine a point in time at which the sum of the repair cost and the opportunity cost of the failure facility becomes the minimum maintenance point.
  • FIG. 5 is a view for explaining a process of calculating the optimum maintenance time by the maintenance time calculation unit 110 according to an embodiment of the present invention.
  • the maintenance point calculation unit 110 calculates the repair cost and the opportunity cost of the failure facility through the above Equations 4 to 6, and the point at which the sum of the repair cost and the opportunity cost is the minimum (B ) Can be calculated. Accordingly, B of FIG. 5 may be an optimal maintenance point.
  • FIG. 6 is a flowchart illustrating a method for predictive maintenance of a facility according to an embodiment of the present invention.
  • the good indicator generation unit 102 generates a good indicator used to determine the normal state or failure state of the facility (S602).
  • the good indicator includes a univariate indicator composed of one variable for determining the steady state or failure state of the facility, and a multivariate indicator composed of a combination of a plurality of variables.
  • the variable may be any one of temperature, pressure, voltage, current, speed, and tension corresponding to a specific facility.
  • the failure facility determination unit 104 determines whether the facility is a failure facility and the type of failure of the facility through the good indicator (S604). Since each of the good indicators generated by the good indicator generator 102 is pre-matched with one or more facilities, the failure facility determination unit 104 may easily determine a facility having a failure while monitoring the good indicators. In addition, the failure facility determination unit 104 may easily determine the failure type of the failure facility by checking the variables in the univariate indicator and the multivariate indicator included in the good indicator determined as the failure facility. That is, according to embodiments of the present invention, it is possible to efficiently identify the cause of the failure that has not been previously identified by using the multivariate analysis technique.
  • the failure facility prediction unit 106 predicts the remaining life or failure probability of the failure facility (S606).
  • the failure facility prediction unit 106 may include a residual life prediction unit 106-1 and a failure probability prediction unit 106-2.
  • Residual life prediction unit 106-1 includes multiple linear regression (MLR), partial Least Sqaures (PLS), RIDGE, Least Absolute Shrinkage and Selection Operator (LASSO), Smoothly Clipped Absolute Deviation (SCAD), Minimax Concave Penalty (MCP) , At least one of SVM (Support Vector Machine), Bagging, Boosting, and Random Forest, with the remaining life of the facility as a dependent variable, and deriving a model with one or more of the good indicators as independent variables. Can be predicted.
  • the remaining life prediction unit 106-1 may select a model having a minimum prediction error among these models, and may predict the remaining life of the obstacle facility by using the selected model.
  • the failure probability prediction unit 106-2 supports SVM (Generalized Linear Model), Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), Support Vector Machine (SVM), Bagging, Boosting, and Random Forest.
  • SVM Generalized Linear Model
  • LDA Linear Discriminant Analysis
  • QDA Quadratic Discriminant Analysis
  • SVM Support Vector Machine
  • Bagging, Boosting, and Random Forest can be used to predict the failure probability of a facility by deriving a model with the failure of the facility as a dependent variable and one or more of the good indicators as an independent variable.
  • the failure probability prediction unit 106-2 may select a model having a minimum prediction error among these models, and predict a failure probability of a failure facility by using the selected model.
  • the alarm unit 108 generates an alarm to the user in consideration of at least one of the remaining life of the facility, the probability of failure and the occurrence rate (S608).
  • the alarm unit 108 may include a first alarm unit 108-1 and a second alarm unit 108-2.
  • the first alarm unit 108-1 generates the first alarm in consideration of the remaining lifetime or failure probability of the facility predicted by the failure facility prediction unit 106.
  • the first alarm unit 108-1 may determine that the first life expectancy of the facility predicted by the failure facility predictor 106 is less than or equal to a preset value, or when the predicted failure probability of the facility becomes greater than or equal to a preset value. It can trigger an alarm.
  • the user can plan the maintenance of the equipment before the end of the life of the equipment or before the failure occurs, and can prevent accidents.
  • the second alarm unit 108-2 predicts the occurrence of an accident through a failure rate of the facility for a preset time and generates a second alarm. A method of generating the second alarm by the second alarm unit 108-2 will be described in detail with reference to FIGS. 9 and 10.
  • the maintenance point calculation unit 110 calculates an optimal maintenance point in consideration of the repair cost of the failure facility and the opportunity cost due to the replacement of the failure facility (S610).
  • the maintenance point calculator 110 may calculate the repair cost of the fault facility through Equation 4 or Equation 5 described above, and calculate the opportunity cost of the fault facility through Equation 6. Subsequently, the maintenance point calculator 110 may determine a time point at which the sum of the repair cost and the opportunity cost of the failure facility becomes the minimum maintenance point.
  • step S610 has been described as being performed after step S608, steps S608 and S610 may be performed simultaneously as independent steps, or step S608 may be performed after step S610.
  • FIG. 7 is a flowchart illustrating a method of selecting a univariate index according to an embodiment of the present invention in step S602 of FIG. 6.
  • the good indicator generation unit 102 is one of a plurality of input data (X i ) of the input data (X i ) from a plurality of sensors (eg, temperature sensor, pressure sensor, etc.) disposed in or near the facility 1 ) may be input (S702 and S704).
  • the input data X i may be a variable for any one of temperature, pressure, voltage, current, speed, and tension corresponding to a specific facility.
  • the good indicator generation unit 102 monitors the input data (X 1 ) and checks whether a change of a predetermined value or more occurs before failure of the facility (S706). For example, if the input data (X 1 ) is a variable relating to the temperature of the first facility, the good indicator generator 102 is the input data (X 1 ) is more than a predetermined value before the failure of the facility, for example 1 You can monitor for any changes.
  • the good indicator generator 102 monitors the input data X 1 and checks whether the input data X 1 changes by more than the preset value before and after the failure of the facility (S708). .
  • the good indicator generation unit 102 may monitor whether the input data X 1 changes by more than a predetermined value, for example, 3 degrees or more before and after a failure of the facility.
  • the good indicator generation unit 102 selects the corresponding input data X 1 as the univariate indicator UI (S710).
  • the good indicator generation unit 102 repeats the process from the previous step S704 while increasing i by 1 (where i ⁇ P) (S712 and S716). In addition, even when no change of more than a predetermined value occurs in at least one of steps S706 and S708, the process from step S704 is repeated while increasing i by 1 (where i ⁇ P).
  • the univariate index selected to date is selected as the final univariate index (S714).
  • the predetermined value in step S706 and S708 may be determined by using the empirical distribution, the distribution of variables known to best reflect the disturbance in the installation, or by using the boost sampling.
  • FIG. 8 is a flowchart illustrating a method of selecting a multivariate index according to an embodiment of the present invention in step S602 of FIG. 6.
  • a good indicator generator 102 may be utilized to PCA, PLS, etc. to enter one of the input data (S 1) of the plurality of input data (S i) comprising a combination of a plurality of parameters (S802, S804 ).
  • the variable can be either a temperature, pressure, voltage, current, speed, and tension corresponding to a specific facility
  • the input data (S i) are, for example, a * temperature + b * pressure + c * Voltage (
  • a, b, and c may be a constant).
  • the good indicator generation unit 102 monitors the input data S 1 and checks whether a change of a predetermined value or more occurs before failure of the facility (S806).
  • the good indicator generator 102 monitors the input data S 1 and checks whether a change of more than the preset value occurs before and after the failure of the facility (S808). ).
  • the good indicator generation unit 102 selects the corresponding input data S 1 as the multivariate indicator MI (S810).
  • the good indicator generation unit 102 repeats the process from the previous step S804 while increasing i by 1 (where i ⁇ Q) (S812 and S816). Further, even when no change of more than a predetermined value occurs in at least one of steps S806 and S808, the process from step S804 is repeated while increasing i by 1 (where i ⁇ Q).
  • the multivariate index selected so far is selected as the final multivariate index (S814).
  • the predetermined value in the step S806 and S808 may be determined by using the empirical distribution, the distribution of variables known to best reflect the obstacles in the facility, or by using the boost sampling.
  • FIG. 9 is a flowchart for describing a method of generating, by the second alarm unit 108-2, a second alarm in step S608 of FIG. 6.
  • the second alarm unit 108-2 selects an alarm target indicator and a candidate alarm rule (S902).
  • the alarm target indicator is a good indicator used to generate a second alarm among the plurality of good indicators, and may be, for example, a good indicator matched with a failure facility.
  • the candidate alarm rule may be, for example, an alarm rule of "k good indicators which deviated from a predetermined management line among K good indicators during a preset time", or “increase of L good indicators during a preset time, or Alarm rule with declining good indicators of l or more, "Alarm rule with m or more of positive indicators biased to one side of the target value for a preset time period", “Of N good indicators for a preset time period.” And may change the direction to include an alarm rule having n or more good indicators deviated from the management line.
  • the second alarm unit 108-2 determines whether there is a failure history regarding the corresponding facility (S904), and selects an evaluation criterion when there is a failure history (S906).
  • the evaluation criteria may satisfy any one of Equations 1 to 3 described above. For convenience of explanation, it is assumed that the second alarm unit 108-2 selects an evaluation criterion that satisfies Equation 2.
  • the second alarm unit 108-2 sets a management line (S908).
  • the management line is a reference line used to distinguish between the normal facility and the failure facility, and may vary according to the type of the good indicator.
  • the second alarm unit 108-2 may use an empirical distribution, or set a management line using boost strap sampling. Referring to FIG. 4B, an example of the management line is illustrated. If, in step S904, there is no failure history, the second alarm unit 108-2 may omit step S906 and immediately set a management line. In this case, since there is no evaluation standard, only a condition in which the K + k value is minimum in step S912 to be described later may be utilized. If there are multiple combinations of K + k, only the condition where the K value is minimum is used.
  • the second alarm unit 108-2 minimizes the value of the evaluation criterion and finds K and k values (hereinafter, referred to as K * and k * ) where the K + k value is minimum, and K * , k *
  • K * and k * K and k values
  • the second alarm unit 108-2 generates a second alarm when the optimal alarm rule selected in step S914 is satisfied (S916).
  • FIG. 10 is a flowchart for describing operation S910 of FIG. 9.
  • the second alarm unit 108-2 determines whether k ⁇ K is satisfied under the condition K ⁇ 100 (S1002, S1004, S1006, and S1008).
  • the second alarm unit 108-2 repeats the foregoing process from step S1004 while increasing K by one (S1010).
  • the second alarm unit 108-2 calculates a false alarm rate and a leak rate with respect to the current K and k values (S1012).
  • the second alarm unit 108-2 uses a specific number of facilities (for example, 100) as a sample to identify the case where the second alarm occurs and the actual accident occurs, and thus the false alarm rate for the previously selected management line. And the leak rate can be calculated. It is also possible to calculate false alarm rates and leak rates using simulators.
  • the second alarm unit 108-2 repeats the foregoing process from step S1008 while increasing k by one (S1014).
  • the second alarm unit 108-2 completes application of the candidate alarm rule (S1016).

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

설비의 예측 정비 시스템 및 방법이 제공된다. 본 발명의 일 실시예에 따른 설비의 예측 정비 시스템은, 설비의 정상 상태 또는 장애 상태를 판단하는 데 사용되는 양호 지표(Health Indicator)를 생성하는 양호 지표 생성부; 상기 양호 지표를 통해 상기 설비가 장애 설비인지의 여부 및 상기 설비의 장애 유형을 판단하는 장애 설비 판단부; 상기 설비의 잔여 수명 또는 장애 확률을 예측하는 장애 설비 예측부; 및 예측된 상기 잔여 수명이 기 설정된 값 이하가 되거나 또는 예측된 상기 장애 확률이 기 설정된 값 이상이 되는 경우 제 1 경보를 발생시키는 제 1 경보부를 포함한다.

Description

설비의 예측 정비 시스템 및 방법
본 발명의 실시예들은 설비의 예측 정비 시스템 및 방법에 관한 것으로서, 보다 상세하게는 설비의 장애 발생을 사전에 예방하기 위한 설비의 예측 정비 시스템 및 방법에 관한 것이다.
일반적으로, 제품을 생산하는 데 사용되는 설비(또는 장비)는 시간이 지남에 따라 열화가 일어나면서 성능 저하가 이루어지게 된다. 이에 따라, 설비의 장애가 발생하게 되며, 이는 불량품 생산의 원인이 되거나 또는 제품 생산 중단을 초래하게 된다. 종래의 설비 유지 방식으로서 RM(Reactive Maintenance), PM(Preventive Maintenance), CBM(Condition-Based Maintenance) 등이 있었으나, 설비의 장애 발생 방지의 근본적인 대응책으로서는 한계가 있었다.
구체적으로, RM은 사후적 대응 방식으로서 설비의 장애 발생 이후 장애가 발생한 설비를 수리하는 것을 의미하며, 예기치 않은 다운타임(Down time)을 발생시키고 생산 차질로 인한 손실을 발생시킨다. 또한, PM은 일정 기간마다 설비를 정비하는 방식으로서 건강한 설비에 과다한 인력을 투입하게 되는 문제점이 있으며, 설비의 정비 전 장애 발생으로 인한 실기 및 이로 인한 손실을 발생시킨다. 아울러, CBM은 특정 변수의 상태에 따라 설비를 정비하는 경험 기반 단변량 위주의 모니터링 방법으로서 단순히 경험적 관리 기준을 적용한다는 점에서 오경보(False alarm)가 다수 발생하게 되는 문제점이 있다.
[선행기술문헌]
[특허문헌]
(특허문헌 1) 대한민국 공개특허공보 제10-2014-0038265호 (2014.03.28)
본 발명의 실시예들은 다변량 분석 기법을 활용하여 설비의 장애 발생 시점을 예측하고, 기존에 파악하지 못했던 장애 원인을 효율적으로 파악하고 최적의 정비 시점을 산출함으로써 매출 및 수익을 극대화할 수 있는 설비의 장애 사전 예측 정비 시스템 및 방법을 제공하기 위한 것이다.
본 발명의 예시적인 실시예에 따르면, 설비의 정상 상태 또는 장애 상태를 판단하는 데 사용되는 양호 지표(Health Indicator)를 생성하는 양호 지표 생성부; 상기 양호 지표를 통해 상기 설비가 장애 설비인지의 여부 및 상기 설비의 장애 유형을 판단하는 장애 설비 판단부; 상기 설비의 잔여 수명 또는 장애 확률을 예측하는 장애 설비 예측부; 및 예측된 상기 잔여 수명이 기 설정된 값 이하가 되거나 또는 예측된 상기 장애 확률이 기 설정된 값 이상이 되는 경우 제 1 경보를 발생시키는 제 1 경보부를 포함하는, 설비의 예측 정비 시스템이 제공된다.
상기 양호 지표는, 설비의 정상 상태 또는 장애 상태 판단을 위한 하나의 변수로 이루어지는 단변량 지표(Univariate Indicator), 및 복수 개의 상기 변수의 조합으로 이루어지는 다변량 지표(Multivariate Indicator)를 포함할 수 있다.
상기 양호 지표 생성부는, 복수 개의 상기 변수 중 설비의 장애 전 기 설정된 값 이상의 변화가 발생하고 설비의 장애 전후 기 설정된 값 이상의 변화가 발생하는 변수를 상기 단변량 지표로 선정할 수 있다.
상기 양호 지표 생성부는, 복수 개의 상기 변수의 조합 중 설비의 장애 전 기 설정된 값 이상의 변화가 발생하고 설비의 장애 전후 기 설정된 값 이상의 변화가 발생하는 조합을 상기 다변량 지표로 선정할 수 있다.
상기 변수는, 특정 설비의 상태 또는 공정 조건을 나타내는 온도, 압력, 전압, 전류, 속도 및 장력 중 어느 하나일 수 있다.
상기 양호 지표 각각은, 하나 이상의 설비와 기 매칭되어 있을 수 있다.
상기 장애 설비 판단부는, 상기 양호 지표가 기 설정된 관리선을 벗어나는 경우 상기 설비를 장애 설비로 판단하고, 상기 양호 지표에 포함된 단변량 지표 및 다변량 지표의 종류를 확인함으로써 상기 설비의 장애 유형을 판단할 수 있다.
상기 장애 설비 예측부는, MLR(Multiple Linear Regression), PLS(Partial Least Sqaures), RIDGE, LASSO(Least Absolute Shrinkage and Selection Operator), SCAD(Smoothly Clipped Absolute Deviation), MCP(Minimax Concave Penalty), SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 적어도 하나를 이용하되, 상기 설비의 잔여 수명을 종속 변수로 하고 복수 개의 상기 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 상기 설비의 잔여 수명을 예측할 수 있다.
상기 장애 설비 예측부는, GLM(Generalized Linear Model), LDA(Linear Discriminant Analysis), QDA(Quadratic Discriminant Analysis), SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 적어도 하나를 이용하되, 상기 설비의 장애 여부를 종속 변수로 하고 복수 개의 상기 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 상기 설비의 장애 확률을 예측할 수 있다.
상기 설비의 예측 정비 시스템은, 기 설정된 시간 동안의 상기 설비의 장애 발생 비율을 이용하여 제 2 경보를 발생시키는 제 2 경보부를 더 포함할 수 있다.
상기 제 2 경보부는, 상기 제 2 경보가 발생하였는데 실제 장애가 발생하지 않는 경우의 비율(이하, "오경보율"이라 함)과 상기 제 2 경보가 발생하지 않았는데 실제 장애가 발생하는 경우의 비율(이하, "누출율"이라 함)을 고려하여 하나 이상의 평가 기준을 생성하며, 상기 평가 기준을 최적화하는 경보 규칙을 생성하고, 상기 경보 규칙을 만족하였을 때 상기 제 2 경보를 발생시킬 수 있다.
[수학식 1]
w1 * 오경보율 + w2 * 누출율
(여기서 w1은 오경보율의 중요도에 대한 가중치 계수이며, w2는 누출율의 중요도에 대한 가중치 계수임)
[수학식 2]
누출율 s.t. 오경보율≤α
(오경보율이 기 설정된 수준(α) 이하를 만족하는 조건하의 누출율)
[수학식 3]
오경보율 s.t. 누출율≤β
(누출율이 기 설정된 수준(β) 이하를 만족하는 조건하의 오경보율)
상기 경보 규칙은 기 설정된 시간 동안 K개의 상기 양호 지표 중 기 설정된 관리선을 이탈한 양호 지표가 k개 이상인 것을 의미하여, 상기 제 2 경보부는 상기 평가 기준의 값을 최소화시키는 K 및 k 값을 계산할 수 있다.
상기 장애 설비의 수리 비용, 및 상기 장애 설비의 교체로 인한 기회 비용을 고려하여 최적의 정비 시점을 산출하는 정비 시점 산출부를 더 포함할 수 있다.
상기 정비 시점 산출부는, 다음의 수학식 4 또는 5를 통해 상기 수리 비용을 산출하고, 다음의 수학식 6를 통해 상기 기회 비용을 산출할 수 있다.
[수학식 4]
수리 비용 = (ET + TI * t) * M * B
(여기서, ET는 특정 설비의 수리 예상 시간, TI는 단위 시간 당 수리 시간 증가분, M은 단위 시간 당 생산 개수, B는 생산 1개 당 이익, t=0,..., T, T는 제 1 경보 발생시 잔여 수명)
[수학식 5]
수리 비용 = (EC + CI * t)
(여기서, EC는 특정 설비의 수리 예상 비용, CI는 단위 시간 당 수리 비용 증가분, t=0,..., T, T는 제 1 경보 발생시 잔여 수명)
[수학식 6]
기회 비용 = (T - t) * V/L
(여기서, V는 특정 설비의 가격, L은 평균 수명, t=0,..., T, T는 제 1 경보 발생시 잔여 수명)
상기 정비 시점 산출부는, 상기 수리 비용 및 상기 기회 비용의 합이 최소가 되는 시점을 상기 최적의 정비 시점으로 결정할 수 있다.
본 발명의 다른 예시적인 실시예에 따르면, 설비의 정상 상태 또는 장애 상태를 판단하는 데 사용되는 양호 지표(Health Indicator)를 생성하는 단계; 상기 양호 지표를 통해 상기 설비가 장애 설비인지의 여부 및 상기 설비의 장애 유형을 판단하는 단계; 상기 설비의 잔여 수명 또는 장애 확률을 예측하는 단계; 및 예측된 상기 잔여 수명이 기 설정된 값 이하가 되거나 또는 예측된 상기 장애 확률이 기 설정된 값 이상이 되는 경우 제 1 경보를 발생시키는 단계를 포함하는, 설비의 예측 정비 방법이 제공된다.
상기 양호 지표는, 설비의 정상 상태 또는 장애 상태 판단을 위한 하나의 변수로 이루어지는 단변량 지표(Univariate Indicator), 및 복수 개의 상기 변수의 조합으로 이루어지는 다변량 지표(Multivariate Indicator)를 포함할 수 있다.
상기 양호 지표를 생성하는 단계는, 복수 개의 상기 변수 중 설비의 장애 전 기 설정된 값 이상의 변화가 발생하고 설비의 장애 전후 기 설정된 값 이상의 변화가 발생하는 변수를 상기 단변량 지표로 선정할 수 있다.
상기 양호 지표를 생성하는 단계는, 복수 개의 상기 변수의 조합 중 설비의 장애 전 기 설정된 값 이상의 변화가 발생하고 설비의 장애 전후 기 설정된 값 이상의 변화가 발생하는 조합을 상기 다변량 지표로 선정할 수 있다.
상기 변수는, 특정 설비의 상태 또는 공정 조건을 나타내는 온도, 압력, 전압, 전류, 속도 및 장력 중 어느 하나일 수 있다.
상기 양호 지표 각각은, 하나 이상의 설비와 기 매칭되어 있을 수 있다.
상기 설비가 장애 설비인지의 여부 및 상기 설비의 장애 유형을 판단하는 단계는, 상기 양호 지표가 기 설정된 관리선을 벗어나는 경우 상기 설비를 장애 설비로 판단하고, 상기 양호 지표에 포함된 단변량 지표 및 다변량 지표의 종류를 확인함으로써 상기 설비의 장애 유형을 판단할 수 있다.
상기 설비의 잔여 수명 또는 장애 확률을 예측하는 단계는, MLR(Multiple Linear Regression), PLS(Partial Least Sqaures), RIDGE, LASSO(Least Absolute Shrinkage and Selection Operator), SCAD(Smoothly Clipped Absolute Deviation), MCP(Minimax Concave Penalty), SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 적어도 하나를 이용하되, 상기 설비의 잔여 수명을 종속 변수로 하고 복수 개의 상기 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 상기 설비의 잔여 수명을 예측할 수 있다.
상기 설비의 잔여 수명 또는 장애 확률을 예측하는 단계는, GLM(Generalized Linear Model), LDA(Linear Discriminant Analysis), QDA(Quadratic Discriminant Analysis), SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 적어도 하나를 이용하되, 상기 설비의 장애 여부를 종속 변수로 하고 복수 개의 상기 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 상기 설비의 장애 확률을 예측할 수 있다.
상기 설비의 예측 정비 방법은, 기 설정된 시간 동안의 상기 설비의 장애 발생 비율을 이용하여 제 2 경보를 발생시키는 단계를 더 포함할 수 있다.
상기 제 2 경보를 발생시키는 단계는, 상기 제 2 경보가 발생하였는데 실제 장애가 발생하지 않는 경우의 비율(이하, "오경보율"이라 함)과 상기 제 2 경보가 발생하지 않았는데 실제 장애가 발생하는 경우의 비율(이하, "누출율"이라 함)을 고려하여 하나 이상의 평가 기준을 생성하며, 상기 평가 기준을 최적화하는 경보 규칙을 생성하고, 상기 경보 규칙을 만족하였을 때 상기 제 2 경보를 발생시킬 수 있다.
상기 평가 기준은, 다음의 수학식 1 내지 3 중 어느 하나를 만족할 수 있다.
[수학식 1]
w1 * 오경보율 + w2 * 누출율
(여기서 w1은 오경보율의 중요도에 대한 가중치 계수이며, w2는 누출율의 중요도에 대한 가중치 계수임)
[수학식 2]
누출율 s.t. 오경보율≤α
(오경보율이 기 설정된 수준(α) 이하를 만족하는 조건하의 누출율)
[수학식 3]
오경보율 s.t. 누출율≤β
(누출율이 기 설정된 수준(β) 이하를 만족하는 조건하의 오경보율)
상기 경보 규칙은 기 설정된 시간 동안 K개의 상기 양호 지표 중 기 설정된 관리선을 이탈한 양호 지표가 k개 이상인 것을 의미하여, 상기 K 및 k 값은 상기 평가 기준의 값을 최소화시키는 값일 수 있다.
상기 장애 설비의 수리 비용, 및 상기 장애 설비의 교체로 인한 기회 비용을 고려하여 최적의 정비 시점을 산출하는 단계를 더 포함할 수 있다.
상기 최적의 정비 시점을 산출하는 단계는, 다음의 수학식 4 또는 5를 통해 상기 수리 비용을 산출하고, 다음의 수학식 6를 통해 상기 기회 비용을 산출할 수 있다.
[수학식 4]
수리 비용 = (ET + TI * t) * M * B
(여기서, ET는 특정 설비의 수리 예상 시간, TI는 단위 시간 당 수리 시간 증가분, M은 단위 시간 당 생산 개수, B는 생산 1개 당 이익, t=0,..., T, T는 제 1 경보 발생시 잔여 수명)
[수학식 5]
수리 비용 = (EC + CI * t)
(여기서, EC는 특정 설비의 수리 예상 비용, CI는 단위 시간 당 수리 비용 증가분, t=0,..., T, T는 제 1 경보 발생시 잔여 수명)
[수학식 6]
기회 비용 = (T - t) * V/L
(여기서, V는 특정 설비의 가격, L은 평균 수명, t=0,..., T, T는 제 1 경보 발생시 잔여 수명)
상기 최적의 정비 시점을 산출하는 단계는, 상기 수리 비용 및 상기 기회 비용의 합이 최소가 되는 시점을 상기 최적의 정비 시점으로 결정할 수 있다
본 발명의 실시예들에 따르면, 과거 설비의 장애 패턴을 기반으로 예측 모형을 수립하고, 수립된 모형을 활용하여 설비를 실시간 모니터링함으로써 설비의 장애를 사전에 예측할 수 있다. 나아가, 다변량 분석 기법을 활용하여 기존에 파악하지 못했던 장애 원인을 효율적으로 파악할 수 있다.
또한, 본 발명의 실시예들에 따르면, 설비의 사고 발생 전 객관적이고 통계적인 방법으로 사용자에게 경보를 발생시킴으로써, 사용자로 하여금 정비 계획을 세울 수 있도록 함과 동시에 사고 발생을 미연에 방지할 수 있다.
도 1은 본 발명의 일 실시예에 따른 설비의 예측 정비 시스템을 설명하기 위한 블록도
도 2는 본 발명의 일 실시예에 따른 잔여 수명 예측부에 의해 설비의 잔여 수명을 예측한 결과를 나타낸 그래프
도 3은 본 발명의 일 실시예에 따른 장애 확률 예측부에 의해 설비의 장애 확률을 예측한 결과를 나타낸 그래프
도 4는 제 2 경보부에 의해 제 2 경보를 발생시키는 경우의 예시도
도 5는 본 발명의 일 실시예에 따른 정비 시점 산출부에 의해 최적의 정비 시점을 산출하는 과정을 설명하기 위한 도면
도 6은 본 발명의 일 실시예에 따른 설비의 예측 정비 방법을 설명하기 위한 흐름도
도 7은 도 6의 S602 단계에 있어서, 본 발명의 일 실시예에 따른 단변량 지표를 선정하는 방법을 설명하기 위한 흐름도
도 8은 도 6의 S602 단계에 있어서, 본 발명의 일 실시예에 따른 다변량 지표를 선정하는 방법을 설명하기 위한 흐름도
도 9는 도 6의 S608 단계에 있어서, 본 발명의 일 실시예에 따른 제 2 경보부가 제 2 경보를 발생시키는 방법을 설명하기 위한 흐름도
도 10은 도 9의 S910 단계를 설명하기 위한 흐름도
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명의 기술적 사상은 청구범위에 의해 결정되며, 이하 실시예는 진보적인 본 발명의 기술적 사상을 본 발명이 속하는 기술분야에서 통상의 지식을 가진자에게 효율적으로 설명하기 위한 일 수단일 뿐이다.
이하, 도면을 참조하여 본 발명의 구체적인 실시예를 설명하기로 한다. 그러나 이는 예시적 실시예에 불과하며 본 발명은 이에 한정되지 않는다.
도 1은 본 발명의 일 실시예에 따른 설비의 예측 정비 시스템(100)을 설명하기 위한 블록도이다. 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 설비의 예측 정비 시스템(100)은 양호 지표 생성부(102), 장애 설비 판단부(104), 장애 설비 예측부(106), 경보부(108) 및 정비 시점 산출부(110)를 포함한다. 본 발명의 일 실시예에 있어서, 설비란 특정 제품(예를 들어, 가전 기기, 모바일 기기, 노트북, PC 등)의 제조에 사용되는 시설, 장비, 장치 등을 포함하는 넓은 의미로 사용되며, 예를 들어 CVD(Chemical Vapor Deposition) 장비, 모터 등이 될 수 있다.
양호 지표 생성부(102)는 양호 지표(Health Indicator)를 생성한다. 양호 지표란 설비 각각의 건강 상태를 나타내는 지표로서, 각 설비의 정상 상태 또는 장애 상태를 판단하는 데 사용된다. 양호 지표는 설비의 정상 상태 또는 장애 상태 판단을 위한 하나의 변수로 이루어지는 단변량 지표(Univariate Indicator), 및, 복수 개의 변수의 조합(예를 들어, 선형 결합)으로 이루어지는 다변량 지표(Multivariate Indicator)를 포함할 수 있다. 여기서, 단변량 지표 및 다변량 지표를 구성하는 변수는 특정 설비의 상태 또는 공정 조건을 나타내는 온도, 압력, 전압, 전류, 속도 및 장력 중 어느 하나일 수 있다. 단변량 지표는 예를 들어, 제 1 설비(미도시)의 온도, 제 1 설비의 압력, 제 2 설비(미도시)에 입력되는 전압 등이 될 수 있으며, 다변량 지표는 이들 변수의 선형 결합으로서 예를 들어, a * 온도 + b * 압력 + c * 전압(여기서, a, b, c는 상수)일 수 있다. 한편, 위에서 기술한 변수들은 실시예들에 불과하며, 단변량 지표 및 다변량 지표를 구성하는 변수들의 종류가 이에 한정되는 것은 아니다.
양호 지표 생성부(102)가 양호 지표를 생성하는 과정을 구체적으로 살펴보면, 먼저 양호 지표 생성부(102)는 복수 개의 변수 중 설비의 장애 전 기 설정된 값 이상의 변화가 발생하고 설비의 장애 전후 기 설정된 값 이상의 변화가 발생하는 변수를 단변량 지표로 선정할 수 있다. 예를 들어, 제 1 설비의 온도가 제 1 설비의 장애 전에 기 설정된 값, 예를 들어, 1도 이상 변하고 제 1 설비의 장애 전후에 기 설정된 값, 예를 들어, 3도 이상 변하는 경우, 양호 지표 생성부(102)는 제 1 설비의 온도를 제 1 설비에 관한 단변량 지표로 선정할 수 있다. 즉, 제 1 설비의 온도가 제 1 설비의 정상 상태 또는 장애 상태를 판단하는 데 사용되는 양호 지표가 될 수 있다. 또한, 제 1 설비의 진동수가 제 1 설비의 장애 전 및 제 1 설비의 장애 전후에 각각 기 설정된 값 이상 변하는 경우, 양호 지표 생성부(102)는 제 1 설비의 진동수 또한 제 1 설비에 관한 단변량 지표로 선정할 수 있다. 단변량 지표를 구성하는 변수는 시뮬레이션 또는 해당 설비의 이력 등을 참조하여 결정될 수 있다. 또한, 양호 지표 생성부(102)는 하나의 설비에 대해 하나 이상의 단변량 지표를 생성한 후 해당 설비와 해당 단변량 지표들을 상호 매칭시킬 수 있다.
다음으로, 양호 지표 생성부(102)는 복수 개의 변수의 조합 중 설비의 장애 전 기 설정된 값 이상의 변화가 발생하고 설비의 장애 전후 기 설정된 값 이상의 변화가 발생하는 조합을 다변량 지표로 선정할 수 있다. 예를 들어, 제 2 설비에 관한 복수 개의 변수의 조합 a * 온도 + b * 압력 + c * 전압(여기서, a, b, c는 상수)이 제 2 설비의 장애 전에 기 설정된 값, 예를 들어, 3 이상 변하고 제 2 설비의 장애 전후에 기 설정된 값, 예를 들어, 5 이상 변하는 경우, 양호 지표 생성부(102)는 해당 조합을 제 2 설비에 관한 다변량 지표로 선정할 수 있다. 다변량 지표를 구성하는 변수들의 종류 및 상수 값들은 시뮬레이션 또는 해당 설비의 이력 등을 참조하여 결정될 수 있다. 특히, 설비에 대한 장애 정보가 있는 경우, 양호 지표 생성부(102)는 설비 상태에 관한 변수와 장애 정보를 활용한 다변량 생성 방법(예를 들어, 부분 회귀 분석(Partial Least Analysis) 등)을 활용하여 다변량 지표를 생성할 수 있다. 만약, 설비에 대한 장애 정보가 없는 경우, 양호 지표 생성부(102)는 설비 상태에 관한 변수만을 활용한 다변량 생성 방법(주성분 분석(Principal Component Analysis) 등)을 활용하여 다변량 지표를 생성할 수 있다. 또한, 양호 지표 생성부(102)는 하나의 설비에 대해 하나 이상의 다변량 지표를 생성한 후 해당 설비와 해당 다변량 지표들을 상호 매칭시킬 수 있다.
한편, 단변량 지표 및 다변량 지표를 결정하는 데 사용되는 앞선 "기 설정값"은 경험적 분포를 활용하거나, 해당 설비에 있어서 장애를 가장 잘 반영하는 것으로 알려진 변수 또는 이의 분포를 활용하거나, 또는 부스트랩 샘플링을 이용함으로써 결정될 수 있다. 또한, 장애 전 기 설정된 값 이상의 변화가 일어나는지 여부는 예를 들어, Tree 분류 알고리즘, CUSUM 알고리즘 등을 이용하여 확인할 수 있으며, 장애 전후 기 설정된 값 이상의 변화가 일어나는지 여부는 예를 들어, T-test, F-test, Wilcox test 등을 이용하여 확인할 수 있다.
장애 설비 판단부(104)는 양호 지표 생성부(102)에서 생성한 양호 지표를 통해 장애가 발생한 설비 및 설비의 장애 유형을 판단한다. 상술한 바와 같이, 양호 지표는 하나 이상의 단변량 지표 및 다변량 지표를 포함하며, 양호 지표 각각은 하나 이상의 설비와 기 매칭되어 있다. 예를 들어, 제 1 설비는 제 1 단변량 지표 내지 제 3 단변량 지표, 및 제 1 다변량 지표 내지 제 4 다변량 지표와 기 매칭되어 있을 수 있다. 이에 따라, 장애 설비 판단부(104)는 양호 지표들을 모니터링하면서 특정 양호 지표(또는 양호 지표에 포함된 단변량 지표 및 다변량 지표)가 기 설정된 관리선을 이탈하는 경우 해당 설비를 장애 설비로 판단할 수 있다. 여기서, 관리선은 설비가 장애 설비인지의 여부를 판단하는 데 사용되는 기준값으로서, 예를 들어 설비가 정상일 때의 양호 지표의 평균보다 기 설정된 값만큼 차이날 수 있다(예를 들어, 3σ, 6σ 등). 일 예시로서, 장애 설비 판단부(104)는 양호 지표가, 설비가 정상일 때의 해당 양호 지표의 평균보다 3σ(여기서, σ 는 표준 편차) 이상 되는 경우 해당 설비를 장애 설비로 판단할 수 있다. 이 경우, 장애 설비 판단부(104)는 해당 양호 지표에 포함된 단변량 지표 및 다변량 지표의 종류를 확인함으로써 해당 설비의 장애 유형을 판단할 수 있다. 만약, 온도에 관한 단변량 지표가 해당 양호 지표에 포함되어 있는 경우, 장애 설비 판단부(104)는 양호 지표에 포함된 온도가 해당 설비의 장애 원인 중 하나인 것으로 판단할 수 있다. 한편, 장애 설비 판단부(104)는 단변량 지표 및 다변량 지표를 모두 고려하여 설비의 장애 유무 및 설비의 장애 유형을 판단할 수 있다. 상술한 바와 같이, 양호 지표 각각에는 하나 장애의 단변량 지표 및 다변량 지표가 포함되어 있으므로, 장애 설비 판단부(104)는 단변량 지표 및 다변량 지표를 동시에 모니터링하면서 설비의 장애 유무 및 설비의 장애 유형을 보다 효율적으로 판단할 수 있다.
장애 설비 예측부(106)는 설비의 잔여 수명 또는 장애 확률을 예측한다. 장애 설비 예측부(106)는 잔여 수명 예측부(106-1) 및 장애 확률 예측부(106-2)를 포함할 수 있다. 잔여 수명 예측부(106-1)는 설비의 잔여 수명을 예측하며, 장애 확률 예측부(106-2)는 설비의 장애 확률을 예측할 수 있다.
도 2는 본 발명의 일 실시예에 따른 잔여 수명 예측부(106-1)에 의해 설비의 잔여 수명을 예측한 결과를 나타낸 그래프이다. 여기서 가로축은 시간을 나타내며 세로축은 잔여 수명을 나타낸다.
잔여 수명 예측부(106-1)는 MLR(Multiple Linear Regression), PLS(Partial Least Sqaures), RIDGE, LASSO(Least Absolute Shrinkage and Selection Operator), SCAD(Smoothly Clipped Absolute Deviation), MCP(Minimax Concave Penalty), SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 적어도 하나를 이용하되, 설비의 잔여 수명을 종속 변수로 하고 복수 개의 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 설비의 잔여 수명을 예측할 수 있다. 잔여 수명 예측부(106-1)는 이들 모형들 중 최소 예측 오차를 갖는 모형을 선택할 수 있으며, 선택한 모형을 활용하여 설비의 잔여 수명을 예측할 수 있다.
특히, 잔여 수명 예측부(106-1)는 종속 변수가 연속이므로 MLR, PLS, RIDGE, LASSO, SCAD, Bagging, Boosting 및 Random Forest 등과 같은 회귀 분석(Regression Analysis) 방법을 이용하여 설비의 잔여 수명을 예측할 수 있다. 또한, 잔여 수명 예측부(106-1)는 독립 변수가 시간인 경우 ARIMA 등과 같은 시계열 분석(Time-series Analysis) 방법을 이용하여 설비의 잔여 수명을 예측할 수 있으며, 종속 변수가 사건 발생시간(Time-to-Event)인 경우 Exponential distribution, Weibull distribution, Log-logistic distribution, Gamma distribution, Exponential-logarithmic distribution, Kaplan-Meier method, Cox Proportional hazard model 등과 같은 생존 분석(Survival Analysis) 방법을 이용하여 설비의 잔여 수명을 예측할 수 있다. 잔여 수명 예측부(106-1)는 이와 같은 다양한 방법을 이용하되, 설비의 잔여 수명을 종속 변수로 하고 복수 개의 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 설비의 잔여 수명을 좀 더 효율적이고 정확하게 예측할 수 있다. 또한, 후술할 바와 같이, 경보부(108)는 잔여 수명 예측부(106-1)에서 예측된 잔여 수명이 기 설정된 값 이하가 되는 경우 경보를 발생시켜 사용자로 하여금 설비의 정비를 사전에 준비할 수 있도록 한다.
도 3은 본 발명의 일 실시예에 따른 장애 확률 예측부(106-2)에 의해 설비의 장애 확률을 예측한 결과를 나타낸 그래프이다. 여기서 가로축은 시간을 나타내며 세로축은 장애 확률을 나타낸다.
장애 확률 예측부(106-2)는 GLM(Generalized Linear Model), LDA(Linear Discriminant Analysis), QDA(Quadratic Discriminant Analysis), SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 적어도 하나를 이용하되, 설비의 장애 여부를 종속 변수로 하고 복수 개의 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 설비의 장애 확률을 예측할 수 있다. 장애 확률 예측부(106-2)는 이들 모형들 중 최소 예측 오차를 갖는 모형을 선택할 수 있으며, 선택한 모형을 활용하여 설비의 장애 확률을 예측할 수 있다.
장애 확률 예측부(106-2)는 독립 변수가 시간인 경우 ARIMA 등과 같은 시계열 분석(Time-series Analysis) 방법을 이용하여 설비의 장애 확률을 예측할 수 있으며, 종속 변수가 사건 발생시간(Time-to-Event)인 경우 Exponential distribution, Weibull distribution, Log-logistic distribution, Gamma distribution, Exponential-logarithmic distribution, Kaplan-Meier method, Cox Proportional hazard model 등과 같은 생존 분석(Survival Analysis) 방법을 이용하여 설비의 장애 확률을 예측할 수 있다. 장애 확률 예측부(106-2)는 이와 같은 다양한 방법을 이용하되, 설비의 장애 확률을 종속 변수로 하고 복수 개의 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 설비의 장애 확률을 좀 더 효율적이고 정확하게 예측할 수 있다. 또한, 후술할 바와 같이, 경보부(108)는 장애 확률 예측부(106-2)에서 예측된 장애 확률이 기 설정된 값 이상이 되는 경우 경보를 발생시켜 사용자로 하여금 설비의 정비를 사전에 준비할 수 있도록 한다.
다시 도 1로 돌아오면, 경보부(108)는 설비의 잔여 수명, 설비의 장애 확률 및 설비의 장애 발생 비율 중 하나 이상을 고려하여 사용자에게 경보를 발생시킨다. 도 1에 도시된 바와 같이, 경보부(108)는 제 1 경보부(108-1) 및 제 2 경보부(108-2)를 포함할 수 있다.
제 1 경보부(108-1)는 장애 설비 예측부(106)에서 예측된 설비의 잔여 수명 또는 장애 확률을 고려하여 제 1 경보를 발생시킨다. 구체적으로, 제 1 경보부(108-1)는 장애 설비 예측부(106)에서 예측된 설비의 잔여 수명이 기 설정된 값 이하가 되거나 또는 예측된 설비의 장애 확률이 기 설정된 값 이상이 되는 경우 제 1 경보를 발생시킬 수 있다. 예를 들어, 도 2 및 도 3을 참조하면, 제 1 경보부(108-1)는 설비의 잔여 수명이 48시간 이하가 되거나 또는 설비의 장애 확률이 0.7 이상이 되는 경우 제 1 경보를 발생시킬 수 있다. 이에 따라, 사용자는 설비의 수명이 다하기 전 또는 장애가 발생하기 전에 설비의 정비 계획을 세울 수 있으며 장애 발생을 미연에 방지할 수 있다. 한편, 본 발명의 일 실시예에 있어서 경보란 스피커 등을 통해 사용자에게 경보 알람을 발생시키는 것뿐 아니라 디스플레이 장치를 통해 사용자에게 경보 표시를 발생시키는 것을 포함하는 넓은 의미로 사용된다.
또한, 제 2 경보부(108-2)는 기 설정된 시간 동안의 설비의 장애 발생 비율을 통해 사고 발생을 예측하여 제 2 경보를 발생시킨다. 여기서, 장애란 설비가 동작하지 않거나 또는 비정상적으로 동작함으로써 원하는 제품을 생산할 수 없는 상태를 의미한다. 일반적으로, 장애 발생에 관한 경보 규칙은 주관적, 통상적, 경험적인 방법으로 선정되나 이러한 경보 규칙은 평가 기준이 애매하며, 경보 규칙 변경을 포함한 향후 운영이 어렵다. 이에 따라, 본 발명의 실시예들은 객관적이고 통계적인 경보 규칙의 평가 기준의 생성을 통해 설비의 장애 발생을 효율적으로 예측할 수 있다.
먼저, 제 2 경보부(108-2)는 아래 표 1과 같이 제 2 경보가 발생하였는데 실제 장애가 발생하지 않는 경우의 비율(이하, "오경보율"이라 함)과 제 2 경보가 발생하지 않았는데 실제 장애가 발생하는 경우의 비율(이하, "누출율"이라 함)을 고려하여 하나 장애의 평가 기준을 생성한다.
Figure PCTKR2015012224-appb-T000001
위 평가 기준은 아래의 수학식 1 내지 3 중 어느 하나를 만족한다.
[수학식 1]
w1 * 오경보율 + w2 * 누출율
(여기서 w1은 오경보율의 중요도에 대한 가중치 계수이며, w2는 누출율의 중요도에 대한 가중치 계수임)
[수학식 2]
누출율 s.t. 오경보율≤α
(오경보율이 기 설정된 수준(α) 이하를 만족하는 조건하의 누출율)
[수학식 3]
오경보율 s.t. 누출율≤β
(누출율이 기 설정된 수준(β) 이하를 만족하는 조건하의 오경보율)
다음으로, 제 2 경보부(108-2)는 위 평가 기준을 최적화하는 경보 규칙을 생성한다. 여기서, 경보 규칙은 예를 들어, "최근(기 설정된 시간 동안) K개의 양호 지표 중 기 설정된 관리선을 이탈한 양호 지표가 k개 이상"인 것을 의미할 수 있다. 다만, 이는 하나의 실시예에 불과하며, 제 2 경보부(108-2)는 다양한 경보 규칙을 생성할 수 있다. 예를 들어, 제 2 경보부(108-2)는 "최근 L개의 양호 지표 중 증가 또는 감소하는 것이 l개 이상"인 경보 규칙, "최근 M개의 양호 지표 중 목표값에서 한쪽으로 치우친 값이 m개 이상"인 경보 규칙, "최근 N개의 양호 지표 중 방향을 바꾸어 관리선으로부터 이탈된 것이 n개 이상"인 경보 규칙 등 다양한 경보 규칙을 생성할 수 있다. 여기서는, 설명의 편의상 "최근(기 설정된 시간 동안) K개의 양호 지표 중 기 설정된 관리선을 이탈한 양호 지표가 k개 이상"인 경보 규칙을 예를 들어 설명하기로 한다.
이때, 제 2 경보부(108-2)는 평가 기준의 값을 최소화시키는 K 및 k 값(또는 L 및 l값, M 및 m값, N 및 n값 등)을 계산할 수 있다.
예를 들어, 평가 기준이 "오경보율 s.t. 누출율≤β" 인 경우, 최적의 경보 규칙은 다음과 같이 계산될 수 있다.
arg min(오경보율 s.t. 누출율≤β)
여기서, 오경보율이 같은 K와 k가 여러 개인 경우, 제 2 경보부(108-2)는 K+k 가 가장 작은 K, k 값을 경보 규칙의 최종 K, k 값으로 선정할 수 있으며, K+k의 조합이 여러 개인 경우 K가 가장 작은 것을 선정한다.
예를 들어, 위와 같은 과정을 통해 K=5, k=4 로 계산되었을 때, 제 2 경보부(108-2)는 기 설정된 시간 동안 5개의 양호 지표 중 관리선을 이탈한 양호 지표가 4개 이상인 경우 제 2 경보를 발생시킬 수 있다. 즉, 제 2 경보부(108-2)는 하나 이상의 평가 기준을 생성하며, 평가 기준을 최적화하는 경보 규칙을 생성하고, 설비의 장애 발생 비율이 경보 규칙을 만족한 경우 제 2 경보를 발생시킬 수 있다. 이에 따라, 제품 또는 설비의 특성에 맞게 장애 발생을 예측하여 최적화된 경보를 발생시킬 수 있다.
도 4는 제 2 경보부(108-2)에 의해 제 2 경보를 발생시키는 경우의 예시도이다. 도 4의 (a)에 도시된 바와 같이, 제 2 경보부(108-2)는 오경보율 및 누출율을 고려하여 하나 이상의 평가 기준을 생성하고, 평가 기준을 최적화하는 경보 규칙을 생성한다. 앞선 과정을 통해, 제 2 경보부(108-2)는 경보 규칙의 K 및 k 값을 계산할 수 있으며, 여기서는 K=5, k=4 인 것으로 가정한다.
이후, 제 2 경보부(108-2)는 도 4의 (b)에 도시된 바와 같이, 경보 규칙을 만족하는 A 구간(5개의 양호 지표 중 관리선을 이탈한 양호 지표가 4개 이상 발견)에서 제 2 경보를 발생시킬 수 있다. 여기서, 즉, 제 2 경보부(108-2)는 기 설정된 시간 동안 관리선을 이탈한 양호 지표의 비율이 80% 이상인 경우 제 2 경보를 발생시킬 수 있다.
다시 도 1로 돌아오면, 정비 시점 산출부(110)는 장애 설비의 수리 비용, 및 장애 설비의 교체로 인한 기회 비용을 고려하여 최적의 정비 시점을 산출한다. 여기서, 수리 비용은 시간이 지나면서 설비의 수리 기간 및 결함이 심해짐에 따라 발생하는 손해를 의미하며, 기회 비용은 설비의 기존 수명이 다다를 때까지 사용함으로써 얻게 되는 이득을 의미한다.
먼저, 정비 시점 산출부(110)는 다음의 수학식 4 또는 5를 통해 장애 설비의 수리 비용을 산출할 수 있다.
[수학식 4]
수리 비용 = (ET + TI * t) * M * B
(여기서, ET는 특정 설비의 수리 예상 시간, TI는 단위 시간 당 수리 시간 증가분, M은 단위 시간 당 생산 개수, B는 생산 1개 당 이익, t=0,..., T, T는 제 1 경보 발생시 잔여 수명)
[수학식 5]
수리 비용 = (EC + CI * t)
(여기서, EC는 특정 설비의 수리 예상 비용, CI는 단위 시간 당 수리 비용 증가분, t=0,..., T, T는 제 1 경보 발생시 잔여 수명)
또한, 정비 시점 산출부(110)는 다음의 수학식 6를 통해 장애 설비의 기회 비용을 산출할 수 있다.
[수학식 6]
기회 비용 = (T - t) * V/L
(여기서, V는 특정 설비의 가격, L은 평균 수명, t=0,..., T, T는 제 1 경보 발생시 잔여 수명)
정비 시점 산출부(110)는 장애 설비의 수리 비용 및 기회 비용의 합이 최소가 되는 시점을 최적의 정비 시점으로 결정할 수 있다.
도 5는 본 발명의 일 실시예에 따른 정비 시점 산출부(110)에 의해 최적의 정비 시점을 산출하는 과정을 설명하기 위한 도면이다. 도 5에 도시된 바와 같이, 정비 시점 산출부(110)는 앞선 수학식 4 내지 6을 통해 장애 설비의 수리 비용 및 기회 비용을 산출하고, 수리 비용 및 기회 비용이 합이 최소가 되는 시점(B)을 계산할 수 있다. 이에 따라, 도 5의 B가 최적의 정비 시점이 될 수 있다.
도 6은 본 발명의 일 실시예에 따른 설비의 예측 정비 방법을 설명하기 위한 흐름도이다.
먼저, 양호 지표 생성부(102)는 설비의 정상 상태 또는 장애 상태를 판단하는 데 사용되는 양호 지표를 생성한다(S602). 상술한 바와 같이, 양호 지표는 설비의 정상 상태 또는 장애 상태 판단을 위한 하나의 변수로 이루어지는 단변량 지표, 및 복수 개의 변수의 조합으로 이루어지는 다변량 지표를 포함한다. 여기서, 변수는 특정 설비에 대응되는 온도, 압력, 전압, 전류, 속도 및 장력 중 어느 하나일 수 있다. 양호 지표 생성부(102)가 단변량 지표 및 다변량 지표를 생성하는 방법은 도 7 및 도 8을 참조하여 구체적으로 설명하기로 한다.
다음으로, 장애 설비 판단부(104)는 양호 지표를 통해 해당 설비가 장애 설비인지의 여부 및 해당 설비의 장애 유형을 판단한다(S604). 양호 지표 생성부(102)에서 생성된 양호 지표 각각은 하나 이상의 설비와 기 매칭되어 있으므로, 장애 설비 판단부(104)는 양호 지표를 모니터링하면서 장애가 발생한 설비를 손쉽게 판단할 수 있다. 또한, 장애 설비 판단부(104)는 장애 설비로 판단하게 된 양호 지표에 포함된 단변량 지표 및 다변량 지표 내의 변수를 확인함으로써, 장애 설비의 장애 유형 또한 손쉽게 판단할 수 있다. 즉, 본 발명의 실시예들에 따르면, 다변량 분석 기법을 활용하여 기존에 파악하지 못했던 장애 원인을 효율적으로 파악할 수 있다.
다음으로, 장애 설비 예측부(106)는 장애 설비의 잔여 수명 또는 장애 확률을 예측한다(S606). 상술한 바와 같이, 장애 설비 예측부(106)는 잔여 수명 예측부(106-1) 및 장애 확률 예측부(106-2)를 포함할 수 있다.
잔여 수명 예측부(106-1)는 MLR(Multiple Linear Regression), PLS(Partial Least Sqaures), RIDGE, LASSO(Least Absolute Shrinkage and Selection Operator), SCAD(Smoothly Clipped Absolute Deviation), MCP(Minimax Concave Penalty), SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 적어도 하나를 이용하되, 설비의 잔여 수명을 종속 변수로 하고 복수 개의 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 설비의 잔여 수명을 예측할 수 있다. 잔여 수명 예측부(106-1)는 이들 모형들 중 최소 예측 오차를 갖는 모형을 선택할 수 있으며, 선택한 모형을 활용하여 장애 설비의 잔여 수명을 예측할 수 있다. 또한, 장애 확률 예측부(106-2)는 GLM(Generalized Linear Model), LDA(Linear Discriminant Analysis), QDA(Quadratic Discriminant Analysis), SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 적어도 하나를 이용하되, 설비의 장애 여부를 종속 변수로 하고 복수 개의 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 설비의 장애 확률을 예측할 수 있다. 장애 확률 예측부(106-2)는 이들 모형들 중 최소 예측 오차를 갖는 모형을 선택할 수 있으며, 선택한 모형을 활용하여 장애 설비의 장애 확률을 예측할 수 있다.
다음으로, 경보부(108)는 설비의 잔여 수명, 장애 확률 및 발생 비율 중 하나 이상을 고려하여 사용자에게 경보를 발생시킨다(S608). 상술한 바와 같이, 경보부(108)는 제 1 경보부(108-1) 및 제 2 경보부(108-2)를 포함할 수 있다.
제 1 경보부(108-1)는 장애 설비 예측부(106)에서 예측된 설비의 잔여 수명 또는 장애 확률을 고려하여 제 1 경보를 발생시킨다. 구체적으로, 제 1 경보부(108-1)는 장애 설비 예측부(106)에서 예측된 설비의 잔여 수명이 기 설정된 값 이하가 되거나 또는 예측된 설비의 장애 확률이 기 설정된 값 이상이 되는 경우 제 1 경보를 발생시킬 수 있다. 이에 따라, 사용자는 설비의 수명이 다하기 전 또는 장애가 발생하기 전에 설비의 정비 계획을 세울 수 있으며 사고 발생을 미연에 방지할 수 있다.
또한, 제 2 경보부(108-2)는 기 설정된 시간 동안의 설비의 장애 발생 비율을 통해 사고 발생을 예측하여 제 2 경보를 발생시킨다. 제 2 경보부(108-2)가 제 2 경보를 발생시키는 방법은 도 9 및 도 10을 참조하여 구체적으로 설명하기로 한다.
마지막으로, 정비 시점 산출부(110)는 장애 설비의 수리 비용, 및 장애 설비의 교체로 인한 기회 비용을 고려하여 최적의 정비 시점을 산출한다(S610). 정비 시점 산출부(110)는 앞서 설명한 수학식 4 또는 수학식 5를 통해 장애 설비의 수리 비용을 산출하고, 수학식 6을 통해 장애 설비의 기회 비용을 산출할 수 있다. 이후, 정비 시점 산출부(110)는 장애 설비의 수리 비용 및 기회 비용의 합이 최소가 되는 시점을 최적의 정비 시점으로 결정할 수 있다. 한편, 여기서는 S610 단계가 S608 단계 이후에 수행되는 것으로 설명하였으나, S608 단계 및 S610 단계는 각각 독립적인 단계로서 동시에 수행되거나 또는 S610 단계 이후 S608 단계가 수행되어도 무방하다.
도 7은 도 6의 S602 단계에 있어서, 본 발명의 일 실시예에 따른 단변량 지표를 선정하는 방법을 설명하기 위한 흐름도이다.
먼저, 양호 지표 생성부(102)는 설비의 내부 또는 근방에 배치된 다수의 센서들(예를 들어, 온도 센서, 압력 센서 등)로부터 다수의 입력 데이터(Xi) 중 하나의 입력 데이터(X1)를 입력받을 수 있다(S702, S704). 여기서, 입력 데이터(Xi)는 특정 설비에 대응되는 온도, 압력, 전압, 전류, 속도 및 장력 중 어느 하나에 대한 변수일 수 있다.
다음으로, 양호 지표 생성부(102)는 입력 데이터(X1)를 모니터링하면서 설비의 장애 전에 기 설정된 값 이상의 변화가 생기는지 확인한다(S706). 예를 들어, 입력 데이터(X1)가 제 1 설비의 온도에 관한 변수인 경우, 양호 지표 생성부(102)는 설비의 장애 전에 입력 데이터(X1)가 기 설정된 값 이상, 예를 들어 1도 이상 변화하는지 모니터링 할 수 있다.
만약, 입력 데이터(X1)가 기 설정된 값 이상 변화하는 경우, 양호 지표 생성부(102)는 입력 데이터(X1)를 모니터링하면서 설비의 장애 전후에 기 설정된 값 이상 변화하는지 확인한다(S708). 예를 들어, 양호 지표 생성부(102)는 설비의 장애 전후에 입력 데이터(X1)가 기 설정된 값 이상, 예를 들어 3도 이상 변화하는지 모니터링 할 수 있다.
상술한 S706 및 S708 단계에서 모두 기 설정된 값 이상의 변화가 발생하는 경우, 양호 지표 생성부(102)는 해당 입력 데이터(X1)를 단변량 지표(UI)로 선정한다(S710).
이후, 양호 지표 생성부(102)는 i를 1씩 증가시키면서(단, i≤P) 앞선 S704 단계부터의 과정을 반복한다(S712, S716). 또한, S706 및 S708 단계 중 적어도 하나에서 기 설정된 값 이상의 변화가 발생하지 않은 경우에도 i를 1씩 증가시키면서(단, i≤P) 앞선 S704 단계부터의 과정을 반복한다.
S716 단계에서 i≤P 를 만족하지 않는 경우, 현재까지 선정된 단변량 지표를 최종 단변량 지표로 선정한다(S714). 한편, S706 및 S708 단계에서 기 설정된 값은 경험적 분포를 활용하거나, 해당 설비에 있어서 장애를 가장 잘 반영하는 것으로 알려진 변수의 분포를 활용하거나, 또는 부스트랩 샘플링을 이용함으로써 결정될 수 있다.
도 8은 도 6의 S602 단계에 있어서, 본 발명의 일 실시예에 따른 다변량 지표를 선정하는 방법을 설명하기 위한 흐름도이다.
먼저, 양호 지표 생성부(102)는 PCA, PLS 등을 활용하여 복수 개의 변수의 조합으로 이루어지는 다수의 입력 데이터(Si) 중 하나의 입력 데이터(S1)를 입력받을 수 있다(S802, S804). 여기서, 변수는 특정 설비에 대응되는 온도, 압력, 전압, 전류, 속도 및 장력 중 어느 하나일 수 있으며, 입력 데이터(Si)는 예를 들어, a * 온도 + b * 압력 + c * 전압(여기서, a, b, c는 상수)일 수 있다.
다음으로, 양호 지표 생성부(102)는 입력 데이터(S1)를 모니터링하면서 설비의 장애 전에 기 설정된 값 이상의 변화가 생기는지 확인한다(S806).
만약, 입력 데이터(S1)가 기 설정된 값 이상 변화하는 경우, 양호 지표 생성부(102)는 입력 데이터(S1)를 모니터링하면서 설비의 장애 전후에 기 설정된 값 이상의 변화가 생기는지 확인한다(S808).
상술한 S806 및 S808 단계에서 모두 기 설정된 값 이상의 변화가 발생하는 경우, 양호 지표 생성부(102)는 해당 입력 데이터(S1)를 다변량 지표(MI)로 선정한다(S810).
이후, 양호 지표 생성부(102)는 i를 1씩 증가시키면서(단, i≤Q) 앞선 S804 단계부터의 과정을 반복한다(S812, S816). 또한, S806 및 S808 단계 중 적어도 하나에서 기 설정된 값 이상의 변화가 발생하지 않은 경우에도 i를 1씩 증가시키면서(단, i≤Q) 앞선 S804 단계부터의 과정을 반복한다.
S816 단계에서 i≤Q 를 만족하지 않는 경우, 현재까지 선정된 다변량 지표를 최종 다변량 지표로 선정한다(S814). 한편, S806 및 S808 단계에서 기 설정된 값은 경험적 분포를 활용하거나, 해당 설비에 있어서 장애를 가장 잘 반영하는 것으로 알려진 변수의 분포를 활용하거나, 또는 부스트랩 샘플링을 이용함으로써 결정될 수 있다.
도 9는 도 6의 S608 단계에 있어서, 본 발명의 일 실시예에 따른 제 2 경보부(108-2)가 제 2 경보를 발생시키는 방법을 설명하기 위한 흐름도이다.
먼저, 제 2 경보부(108-2)는 경보 대상 지표 및 후보 경보 규칙을 선정한다(S902). 여기서, 경보 대상 지표는 복수 개의 양호 지표 중 제 2 경보를 발생시키는 데 사용되는 양호 지표로서, 예를 들어 장애 설비와 매칭되는 양호 지표가 될 수 있다. 또한, 후보 경보 규칙은 예를 들어, "기 설정된 시간 동안 K개의 양호 지표 중 기 설정된 관리선을 이탈한 양호 지표가 k개 이상"인 경보 규칙, "기 설정된 시간 동안 L개의 양호 지표 중 증가 또는 감소하는 양호 지표가 l개 이상"인 경보 규칙, "기 설정된 시간 동안 M개의 양호 지표 중 목표값에서 한쪽으로 치우친 양포 지표가 m개 이상"인 경보 규칙, "기 설정된 시간 동안 N개의 양호 지표 중 방향을 바꾸어 관리선으로부터 이탈된 양호 지표가 n개 이상"인 경보 규칙 등을 포함할 수 있다.
제 2 경보부(108-2)는 해당 설비에 관한 장애 이력이 있는지 여부를 판단하고(S904), 장애 이력이 있는 경우 평가 기준을 선정한다(S906). 평가 기준은 앞서 설명한 수학식 1 내지 3 중 어느 하나를 만족할 수 있다. 여기서는, 설명의 편의상 제 2 경보부(108-2)가 수학식 2를 만족하는 평가 기준을 선정한 것으로 가정한다.
다음으로, 제 2 경보부(108-2)는 관리선을 설정한다(S908). 여기서, 관리선은 정상 설비와 장애 설비를 구분하는 데 사용되는 기준선으로서, 해당 양호 지표의 종류에 따라 달라질 수 있다. 제 2 경보부(108-2)는 예를 들어, 경험적 분포를 활용하거나, 또는 부스트랩 샘플링을 이용하여 관리선을 설정할 수 있다. 앞선 도 4의 (b)를 참조하면 관리선의 예시가 도시되어 있다. 만약, S904 단계에서, 장애 이력이 없는 경우 제 2 경보부(108-2)는 S906 단계를 생략하고 바로 관리선을 설정할 수 있다. 이 경우에는 평가 기준이 없으므로 후술할 S912 단계에서 K+k 값이 최소가 되는 조건만을 활용할 수 있다. 만약, K+k의 조합이 여러 개인 경우 K값이 최소인 조건만을 활용한다.
다음으로, 제 2 경보부(108-2)는 고려 가능한 후보 경보 규칙을 적용한다(S910). 예를 들어, 경보 규칙이 "기 설정된 시간 동안 K개의 양호 지표 중 기 설정된 관리선을 이탈한 양호 지표가 k개 이상"인 경우, 제 2 경보부(108-2)는 위 평가 기준에 대해 (K, k) (1, 1), (1, 2), (1, 3),... (K, k) = (100, 100)까지의 값을 순차적으로 적용할 수 있다. 이에 대해서는 도 10을 참조하여 구체적으로 설명하기로 한다.
다음으로, 제 2 경보부(108-2)는 평가 기준의 값을 최소화하며 K+k 값이 최소가 되는 K, k 값(이하, K*, k*이라 함)을 찾고, K*, k* 을 갖는 경보 규칙을 최적 경보 규칙으로 선정한다(S912, S914).
마지막으로, 제 2 경보부(108-2)는 S914 단계에서 선정한 최적 경보 규칙을 만족하는 경우 제 2 경보를 발생시킨다(S916).
도 10은 도 9의 S910 단계를 설명하기 위한 흐름도이다.
먼저, 제 2 경보부(108-2)는 K=1, k=1을 가정한 후, K≤100 조건하에서 k≤K 를 만족하는지 여부를 판단한다(S1002, S1004, S1006, S1008).
만약, k≤K 를 만족하지 않는 경우, 제 2 경보부(108-2)는 K를 1씩 증가시키면서 S1004 단계부터 앞선 과정을 반복한다(S1010).
만약, k≤K 를 만족하는 경우, 제 2 경보부(108-2)는 현재 K, k 값에 대해 오경보율 및 누출율을 계산한다(S1012). 제 2 경보부(108-2)는 특정 개수의 설비(예를 들어, 100개)를 샘플로 하여 제 2 경보가 발생하는 경우와 실제 사고가 발생하는 경우를 파악하여 앞서 선정한 관리선에 대한 오경보율 및 누출율을 계산할 수 있다. 또한, 시뮬레이터를 이용하여 오경보율 및 누출율을 계산할 수도 있다.
다음으로, 제 2 경보부(108-2)는 k를 1씩 증가시키면서 S1008 단계부터 앞선 과정을 반복한다(S1014).
만약, S1006 단계에서 K≤100을 더 이상 만족하지 않는 경우, 제 2 경보부(108-2)는 후보 경보 규칙의 적용을 완료한다(S1016). 이와 같은 과정을 통해 k 1 ~ k =100 및 K = 1 ~ K = 100 에 대한 후보 경보 규칙을 모두 적용할 수 있다. 한편, 여기서는 설명의 편의상 (k, K) = (100, 100)을 k, K 의 최대값으로 가정하였으나 이는 하나의 예시에 불과할 뿐 k, K 의 최대값이 이에 한정되는 것은 아니다.
이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
[부호의 설명]
100 : 설비의 예측 정비 시스템
102 : 양호 지표 생성부
104 : 장애 설비 판단부
106 : 장애 설비 예측부
106-1 : 잔여 수명 예측부
106-2 : 장애 확률 예측부
108 : 경보부
108-1 : 제 1 경보부
108-2 : 제 2 경보부
110 : 정비 시점 산출부

Claims (26)

  1. 설비의 정상 상태 또는 장애 상태를 판단하는 데 사용되는 양호 지표(Health Indicator)를 생성하는 양호 지표 생성부;
    상기 양호 지표를 통해 상기 설비가 장애 설비인지의 여부 및 상기 설비의 장애 유형을 판단하는 장애 설비 판단부;
    상기 설비의 잔여 수명 또는 장애 확률을 예측하는 장애 설비 예측부;
    예측된 상기 잔여 수명이 기 설정된 값 이하가 되거나 또는 예측된 상기 장애 확률이 기 설정된 값 이상이 되는 경우 제 1 경보를 발생시키는 제 1 경보부; 및
    기 설정된 시간 동안의 상기 설비의 장애 발생 비율을 이용하여 제 2 경보를 발생시키는 제 2 경보부를 포함하며,
    상기 제 2 경보부는, 상기 제 2 경보가 발생하였는데 실제 장애가 발생하지 않는 경우의 비율(이하, "오경보율"이라 함)과 상기 제 2 경보가 발생하지 않았는데 실제 장애가 발생하는 경우의 비율(이하, "누출율"이라 함)을 고려하여 하나 이상의 평가 기준을 생성하며, 상기 평가 기준을 이용하여 경보 규칙을 생성하고, 상기 경보 규칙을 만족하였을 때 상기 제 2 경보를 발생시키며,
    상기 평가 기준은, 다음의 수학식 1 내지 3 중 어느 하나를 만족하는, 설비의 예측 정비 시스템.
    [수학식 1]
    w1 * 오경보율 + w2 * 누출율
    (여기서 w1은 오경보율의 중요도에 대한 가중치 계수이며, w2는 누출율의 중요도에 대한 가중치 계수임)
    [수학식 2]
    누출율 s.t. 오경보율≤α
    (오경보율이 기 설정된 수준(α) 이하를 만족하는 조건하의 누출율)
    [수학식 3]
    오경보율 s.t. 누출율≤β
    (누출율이 기 설정된 수준(β) 이하를 만족하는 조건하의 오경보율)
  2. 청구항 1에 있어서,
    상기 양호 지표는, 설비의 정상 상태 또는 장애 상태 판단을 위한 하나의 변수로 이루어지는 단변량 지표(Univariate Indicator), 및 복수 개의 상기 변수의 조합으로 이루어지는 다변량 지표(Multivariate Indicator)를 포함하는, 설비의 예측 정비 시스템.
  3. 청구항 2에 있어서,
    상기 양호 지표 생성부는, 복수 개의 상기 변수 중 설비의 장애 전 기 설정된 값 이상의 변화가 발생하고 설비의 장애 전후 기 설정된 값 이상의 변화가 발생하는 변수를 상기 단변량 지표로 선정하는, 설비의 예측 정비 시스템.
  4. 청구항 2에 있어서,
    상기 양호 지표 생성부는, 복수 개의 상기 변수의 조합 중 설비의 장애 전 기 설정된 값 이상의 변화가 발생하고 설비의 장애 전후 기 설정된 값 이상의 변화가 발생하는 조합을 상기 다변량 지표로 선정하는, 설비의 예측 정비 시스템.
  5. 청구항 2에 있어서,
    상기 변수는, 특정 설비의 상태 또는 공정 조건을 나타내는 온도, 압력, 전압, 전류, 속도 및 장력 중 어느 하나인, 설비의 예측 정비 시스템.
  6. 청구항 1에 있어서,
    상기 양호 지표 각각은, 하나 이상의 설비와 기 매칭되어 있는, 설비의 예측 정비 시스템.
  7. 청구항 2에 있어서,
    상기 장애 설비 판단부는, 상기 양호 지표가 기 설정된 관리선을 벗어나는 경우 상기 설비를 장애 설비로 판단하고, 상기 양호 지표에 포함된 단변량 지표 및 다변량 지표의 종류를 확인함으로써 상기 설비의 장애 유형을 판단하는, 설비의 예측 정비 시스템.
  8. 청구항 1에 있어서,
    상기 장애 설비 예측부는, MLR(Multiple Linear Regression), PLS(Partial Least Sqaures), RIDGE, LASSO(Least Absolute Shrinkage and Selection Operator), SCAD(Smoothly Clipped Absolute Deviation), MCP(Minimax Concave Penalty), SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 적어도 하나를 이용하되, 상기 설비의 잔여 수명을 종속 변수로 하고 복수 개의 상기 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 상기 설비의 잔여 수명을 예측하는, 설비의 예측 정비 시스템.
  9. 청구항 1에 있어서,
    상기 장애 설비 예측부는, GLM(Generalized Linear Model), LDA(Linear Discriminant Analysis), QDA(Quadratic Discriminant Analysis), SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 적어도 하나를 이용하되, 상기 설비의 장애 여부를 종속 변수로 하고 복수 개의 상기 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 상기 설비의 장애 확률을 예측하는, 설비의 예측 정비 시스템.
  10. 청구항 1에 있어서,
    상기 경보 규칙은 기 설정된 시간 동안 K개의 상기 양호 지표 중 기 설정된 관리선을 이탈한 양호 지표가 k개 이상인 것을 의미하여, 상기 제 2 경보부는 상기 평가 기준의 값을 최소화시키는 K 및 k 값을 계산하는, 설비의 예측 정비 시스템.
  11. 청구항 1에 있어서,
    상기 장애 설비의 수리 비용, 및 상기 장애 설비의 교체로 인한 기회 비용을 고려하여 최적의 정비 시점을 산출하는 정비 시점 산출부를 더 포함하는, 설비의 예측 정비 시스템.
  12. 청구항 11에 있어서,
    상기 정비 시점 산출부는, 다음의 수학식 4 또는 5를 통해 상기 수리 비용을 산출하고, 다음의 수학식 6를 통해 상기 기회 비용을 산출하는, 설비의 예측 정비 시스템.
    [수학식 4]
    수리 비용 = (ET + TI * t) * M * B
    (여기서, ET는 특정 설비의 수리 예상 시간, TI는 단위 시간 당 수리 시간 증가분, M은 단위 시간 당 생산 개수, B는 생산 1개 당 이익, t=0, ...T, T는 제 1 경보 발생시 잔여 수명)
    [수학식 5]
    수리 비용 = (EC + CI * t)
    (여기서, EC는 특정 설비의 수리 예상 비용, CI는 단위 시간 당 수리 비용 증가분, t=0,...T, T는 제 1 경보 발생시 잔여 수명)
    [수학식 6]
    기회 비용 = (T - t) * V/L
    (여기서, V는 특정 설비의 가격, L은 평균 수명, t=0,...T, T는 제 1 경보 발생시 잔여 수명)
  13. 청구항 11에 있어서,
    상기 정비 시점 산출부는, 상기 수리 비용 및 상기 기회 비용의 합이 최소가 되는 시점을 상기 최적의 정비 시점으로 결정하는, 설비의 예측 정비 시스템.
  14. 양호 지표 생성부에서, 설비의 정상 상태 또는 장애 상태를 판단하는 데 사용되는 양호 지표(Health Indicator)를 생성하는 단계;
    장애 설비 판단부에서, 상기 양호 지표를 통해 상기 설비가 장애 설비인지의 여부 및 상기 설비의 장애 유형을 판단하는 단계;
    장애 설비 예측부에서, 상기 설비의 잔여 수명 또는 장애 확률을 예측하는 단계;
    제 1 경보부에서, 예측된 상기 잔여 수명이 기 설정된 값 이하가 되거나 또는 예측된 상기 장애 확률이 기 설정된 값 이상이 되는 경우 제 1 경보를 발생시키는 단계; 및
    제 2 경보부에서, 기 설정된 시간 동안의 상기 설비의 장애 발생 비율을 이용하여 제 2 경보를 발생시키는 단계를 포함하며,
    상기 제 2 경보를 발생시키는 단계는, 상기 제 2 경보가 발생하였는데 실제 장애가 발생하지 않는 경우의 비율(이하, "오경보율"이라 함)과 상기 제 2 경보가 발생하지 않았는데 실제 장애가 발생하는 경우의 비율(이하, "누출율"이라 함)을 고려하여 하나 이상의 평가 기준을 생성하며, 상기 평가 기준을 이용하여 경보 규칙을 생성하고, 상기 경보 규칙을 만족하였을 때 상기 제 2 경보를 발생시키며,
    상기 평가 기준은, 다음의 수학식 1 내지 3 중 어느 하나를 만족하는, 설비의 예측 정비 방법.
    [수학식 1]
    w1 * 오경보율 + w2 * 누출율
    (여기서 w1은 오경보율의 중요도에 대한 가중치 계수이며, w2는 누출율의 중요도에 대한 가중치 계수임)
    [수학식 2]
    누출율 s.t. 오경보율≤α
    (오경보율이 기 설정된 수준(α) 이하를 만족하는 조건하의 누출율)
    [수학식 3]
    오경보율 s.t. 누출율≤β
    (누출율이 기 설정된 수준(β) 이하를 만족하는 조건하의 오경보율)
  15. 청구항 14에 있어서,
    상기 양호 지표는, 설비의 정상 상태 또는 장애 상태 판단을 위한 하나의 변수로 이루어지는 단변량 지표(Univariate Indicator), 및 복수 개의 상기 변수의 조합으로 이루어지는 다변량 지표(Multivariate Indicator)를 포함하는, 설비의 예측 정비 방법.
  16. 청구항 15에 있어서,
    상기 양호 지표를 생성하는 단계는, 복수 개의 상기 변수 중 설비의 장애 전 기 설정된 값 이상의 변화가 발생하고 설비의 장애 전후 기 설정된 값 이상의 변화가 발생하는 변수를 상기 단변량 지표로 선정하는, 설비의 예측 정비 방법.
  17. 청구항 15에 있어서,
    상기 양호 지표를 생성하는 단계는, 복수 개의 상기 변수의 조합 중 설비의 장애 전 기 설정된 값 이상의 변화가 발생하고 설비의 장애 전후 기 설정된 값 이상의 변화가 발생하는 조합을 상기 다변량 지표로 선정하는, 설비의 예측 정비 방법.
  18. 청구항 15에 있어서,
    상기 변수는, 특정 설비의 상태 또는 공정 조건을 나타내는 온도, 압력, 전압, 전류, 속도 및 장력 중 어느 하나인, 설비의 예측 정비 방법.
  19. 청구항 14에 있어서,
    상기 양호 지표 각각은, 하나 이상의 설비와 기 매칭되어 있는, 설비의 예측 정비 방법.
  20. 청구항 15에 있어서,
    상기 설비가 장애 설비인지의 여부 및 상기 설비의 장애 유형을 판단하는 단계는, 상기 양호 지표가 기 설정된 관리선을 벗어나는 경우 상기 설비를 장애 설비로 판단하고, 상기 양호 지표에 포함된 단변량 지표 및 다변량 지표의 종류를 확인함으로써 상기 설비의 장애 유형을 판단하는, 설비의 예측 정비 방법.
  21. 청구항 14에 있어서,
    상기 설비의 잔여 수명 또는 장애 확률을 예측하는 단계는, MLR(Multiple Linear Regression), PLS(Partial Least Sqaures), RIDGE, LASSO(Least Absolute Shrinkage and Selection Operator), SCAD(Smoothly Clipped Absolute Deviation), MCP(Minimax Concave Penalty), SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 적어도 하나를 이용하되, 상기 설비의 잔여 수명을 종속 변수로 하고 복수 개의 상기 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 상기 설비의 잔여 수명을 예측하는, 설비의 예측 정비 방법.
  22. 청구항 14에 있어서,
    상기 설비의 잔여 수명 또는 장애 확률을 예측하는 단계는, GLM(Generalized Linear Model), LDA(Linear Discriminant Analysis), QDA(Quadratic Discriminant Analysis), SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 SVM(Support Vector Machine), Bagging, Boosting 및 Random Forest 중 적어도 하나를 이용하되, 상기 설비의 장애 여부를 종속 변수로 하고 복수 개의 상기 양호 지표 중 하나 이상을 독립 변수로 하는 모형을 도출함으로써 상기 설비의 장애 확률을 예측하는, 설비의 예측 정비 방법.
  23. 청구항 14에 있어서,
    상기 경보 규칙은 기 설정된 시간 동안 K개의 상기 양호 지표 중 기 설정된 관리선을 이탈한 양호 지표가 k개 이상인 것을 의미하여, 상기 K 및 k 값은 상기 평가 기준의 값을 최소화시키는 값인, 설비의 예측 정비 방법.
  24. 청구항 14에 있어서,
    정비 시점 산출부에서, 상기 장애 설비의 수리 비용, 및 상기 장애 설비의 교체로 인한 기회 비용을 고려하여 최적의 정비 시점을 산출하는 단계를 더 포함하는, 설비의 예측 정비 방법.
  25. 청구항 24에 있어서,
    상기 최적의 정비 시점을 산출하는 단계는, 다음의 수학식 4 또는 5를 통해 상기 수리 비용을 산출하고, 다음의 수학식 6를 통해 상기 기회 비용을 산출하는, 설비의 예측 정비 방법.
    [수학식 4]
    수리 비용 = (ET + TI * t) * M * B
    (여기서, ET는 특정 설비의 수리 예상 시간, TI는 단위 시간 당 수리 시간 증가분, M은 단위 시간 당 생산 개수, B는 생산 1개 당 이익, t=0,...T, T는 제 1 경보 발생시 잔여 수명)
    [수학식 5]
    수리 비용 = (EC + CI * t)
    (여기서, EC는 특정 설비의 수리 예상 비용, CI는 단위 시간 당 수리 비용 증가분, t=0,...T, T는 제 1 경보 발생시 잔여 수명)
    [수학식 6]
    기회 비용 = (T - t) * V/L
    (여기서, V는 특정 설비의 가격, L은 평균 수명, t=0,...T, T는 제 1 경보 발생시 잔여 수명)
  26. 청구항 24에 있어서,
    상기 최적의 정비 시점을 산출하는 단계는, 상기 수리 비용 및 상기 기회 비용의 합이 최소가 되는 시점을 상기 최적의 정비 시점으로 결정하는, 설비의 예측 정비 방법.
PCT/KR2015/012224 2014-11-27 2015-11-13 설비의 예측 정비 시스템 및 방법 WO2016085172A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US15/531,578 US20180336534A1 (en) 2014-11-27 2015-11-13 System and method for predictive maintenance of facility
CN201580065968.5A CN107004164A (zh) 2014-11-27 2015-11-13 设备的预测维修系统及方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020140167244A KR101561026B1 (ko) 2014-11-27 2014-11-27 설비의 예측 정비 시스템 및 방법
KR10-2014-0167244 2014-11-27

Publications (1)

Publication Number Publication Date
WO2016085172A1 true WO2016085172A1 (ko) 2016-06-02

Family

ID=54365814

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2015/012224 WO2016085172A1 (ko) 2014-11-27 2015-11-13 설비의 예측 정비 시스템 및 방법

Country Status (4)

Country Link
US (1) US20180336534A1 (ko)
KR (1) KR101561026B1 (ko)
CN (1) CN107004164A (ko)
WO (1) WO2016085172A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931872A (zh) * 2020-09-27 2020-11-13 北京工业大数据创新中心有限公司 一种趋势性征兆的异常确定方法及装置

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10139788B2 (en) * 2016-03-15 2018-11-27 Honeywell International Inc. Remote data analytics to predict system components or device failure
CN107622791A (zh) * 2017-09-14 2018-01-23 佛山市第人民医院 透析设备部件的预防性更换方法
KR102021944B1 (ko) * 2017-09-20 2019-09-17 주식회사 에이치엔에스휴먼시스템 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템
WO2019225258A1 (ja) * 2018-05-23 2019-11-28 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 異常検出装置、異常検出システム及び制御方法
JP7213637B2 (ja) * 2018-08-07 2023-01-27 日鉄テックスエンジ株式会社 整備管理装置、整備管理方法及びプログラム
US11983000B2 (en) 2018-08-20 2024-05-14 Skf Lubrication Systems Germany Gmbh Device for outputting a future state of a central lubrication system
CN109101753B (zh) * 2018-08-31 2023-06-27 周建全 一种改善机械设备检修系统复杂性的方法
KR20200050186A (ko) 2018-11-01 2020-05-11 (주)라임 생산설비의 정상작동수명 디지털제어방법
CN109886328B (zh) * 2019-02-14 2021-07-23 国网浙江省电力有限公司电力科学研究院 一种电动汽车充电设施故障预测方法与系统
WO2020180424A1 (en) 2019-03-04 2020-09-10 Iocurrents, Inc. Data compression and communication using machine learning
CN110687451B (zh) * 2019-08-28 2022-10-25 武汉科技大学 基于误差补偿的支持向量机锂电池剩余寿命预测方法
CN113127984A (zh) * 2019-12-31 2021-07-16 中移(上海)信息通信科技有限公司 设备维护的方法、装置、设备及存储介质
KR102252740B1 (ko) * 2020-03-06 2021-05-17 세메스 주식회사 프로브 스테이션의 예측 정비 방법 및 시스템
KR102185017B1 (ko) * 2020-07-14 2020-12-01 (주)부품디비 가스공급시설 정보관리 및 예지보전 통합 시스템
CN112060319B (zh) * 2020-09-09 2021-09-14 中联重科股份有限公司 用于预测搅拌主机的易损件寿命情况的方法和装置
CN112284727B (zh) * 2020-09-30 2021-11-19 华南理工大学 一种基于卷积极大极小凹罚算法的旋转机械故障诊断方法
CN115034248A (zh) * 2021-03-03 2022-09-09 斯凯孚公司 用于设备的自动诊断方法、系统和存储介质
KR102596748B1 (ko) * 2021-11-03 2023-11-01 아주대학교산학협력단 트랜지스터 수명 예측 방법
CN114488996A (zh) * 2021-12-27 2022-05-13 山东浪潮工业互联网产业股份有限公司 一种设备健康监控与预警方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050010842A (ko) * 2002-05-29 2005-01-28 도쿄 일렉트론 가부시키가이샤 툴 성능을 모니터링하는 장치 및 방법
KR20060033264A (ko) * 2004-10-14 2006-04-19 볼보 컨스트럭션 이키프먼트 홀딩 스웨덴 에이비 건설기계의 자기수명 진단장치 및 그 방법
JP2009217770A (ja) * 2008-03-13 2009-09-24 Nec Corp 故障予測通知システム、故障予測通知方法、故障予測通知プログラムおよびプログラム記録媒体
KR20130109506A (ko) * 2012-03-27 2013-10-08 한국남동발전 주식회사 발전설비의 위험도 기반 정비 시스템
KR20140038265A (ko) * 2012-09-20 2014-03-28 한국전력공사 고장관리장치 및 이의 고장관리방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4624577B2 (ja) * 2001-02-23 2011-02-02 富士通株式会社 複数のセンサによるヒューマンインタフェースシステム
SG128434A1 (en) * 2002-11-01 2007-01-30 Nanyang Polytechnic Embedded sensor system for tracking moving objects
US20090018875A1 (en) * 2007-05-01 2009-01-15 Sabatini Monatesti 1st responder guidance and decision-support system enabling victim tracking and extraction
WO2010146481A1 (en) * 2009-06-18 2010-12-23 Koninklijke Philips Electronics, N.V. Ecg monitoring with reduced false asystole alarms
CN103400040A (zh) * 2013-07-31 2013-11-20 中国人民解放军国防科学技术大学 采用多步时域差值学习的故障诊断与预测方法
CN103616878B (zh) * 2013-12-03 2015-12-02 山东中烟工业有限责任公司 烟草加工过程加料回路在线状态检测系统及检测方法
CN103824137B (zh) * 2014-03-20 2016-08-17 北京信息科技大学 一种复杂机械设备多工况故障预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050010842A (ko) * 2002-05-29 2005-01-28 도쿄 일렉트론 가부시키가이샤 툴 성능을 모니터링하는 장치 및 방법
KR20060033264A (ko) * 2004-10-14 2006-04-19 볼보 컨스트럭션 이키프먼트 홀딩 스웨덴 에이비 건설기계의 자기수명 진단장치 및 그 방법
JP2009217770A (ja) * 2008-03-13 2009-09-24 Nec Corp 故障予測通知システム、故障予測通知方法、故障予測通知プログラムおよびプログラム記録媒体
KR20130109506A (ko) * 2012-03-27 2013-10-08 한국남동발전 주식회사 발전설비의 위험도 기반 정비 시스템
KR20140038265A (ko) * 2012-09-20 2014-03-28 한국전력공사 고장관리장치 및 이의 고장관리방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931872A (zh) * 2020-09-27 2020-11-13 北京工业大数据创新中心有限公司 一种趋势性征兆的异常确定方法及装置
CN111931872B (zh) * 2020-09-27 2021-11-16 北京工业大数据创新中心有限公司 一种趋势性征兆的异常确定方法及装置

Also Published As

Publication number Publication date
CN107004164A (zh) 2017-08-01
US20180336534A1 (en) 2018-11-22
KR101561026B1 (ko) 2015-10-16

Similar Documents

Publication Publication Date Title
WO2016085172A1 (ko) 설비의 예측 정비 시스템 및 방법
WO2018199658A1 (ko) 전력설비의 자산관리 방법
US11200529B2 (en) Information processing apparatus, information processing system, information processing method and non-transitory computer readable recording medium
WO2016006977A1 (en) Apparatus, server, system and method for energy measuring
US11152126B2 (en) Abnormality diagnosis system and abnormality diagnosis method
US20170184675A1 (en) Prognostic and health monitoring systems for circuit breakers
US20070088448A1 (en) Predictive correlation model system
WO2018044040A1 (ko) 기기 중요도와 경보 유효성 판단 프로세서를 포함한 원자력발전소 기기 이상징후 사전감지 방법 및 그 시스템
KR101615085B1 (ko) 설비의 이상 경보 시스템 및 방법
WO2018199656A1 (ko) 변전소의 자산 관리 방법
WO2020013619A1 (ko) 전력계통 신뢰도 지수를 토대로 한 변전소 자산 관리 방법 및 장치
KR20180121753A (ko) 변전소 자산 관리 방법
CN110214332A (zh) 对用于能量供应的电气系统进行使用规划的方法
US10514420B2 (en) Systems and methods for testing ground fault circuit interrupter breakers within enclosures
KR102296568B1 (ko) 머신러닝 기반 배전반 관제시스템
US11315083B2 (en) Asset management method for substation
WO2019139189A1 (ko) 스트리밍 데이터 처리시스템의 이상동작 분석 장치 및 그 방법
JP2013024813A (ja) 熱電対の異常検知システムおよびその方法
CN115267609A (zh) 故障检测系统
DeGrate et al. Thermal imaging: Just a note, not the whole tune: Preventing electrical devices from thermal damage by using highly certified thermal monitoring devices
WO2023140580A1 (ko) 인공지능 기반의 차량 as 공정 관리 서비스 제공 방법, 장치 및 프로그램
WO2022124532A1 (ko) 지능형 센서와 이것을 이용한 지능형 센싱방법
WO2023224180A1 (ko) 센싱세트를 이용한 성형 제품 생산 공정을 분석 모니터링할 수 있는 사출성형제품품질관리 서비스 방법 및 시스템
KR102519069B1 (ko) 전력기기의 모니터링 방법
WO2022080615A1 (ko) 패턴을 제공하는 방법 및 이를 지원하는 전자 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15862342

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 15531578

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 15862342

Country of ref document: EP

Kind code of ref document: A1