WO2020050456A1 - 설비 데이터의 이상 정도 평가 방법 - Google Patents

설비 데이터의 이상 정도 평가 방법 Download PDF

Info

Publication number
WO2020050456A1
WO2020050456A1 PCT/KR2018/015131 KR2018015131W WO2020050456A1 WO 2020050456 A1 WO2020050456 A1 WO 2020050456A1 KR 2018015131 W KR2018015131 W KR 2018015131W WO 2020050456 A1 WO2020050456 A1 WO 2020050456A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
abnormality
evaluating
evaluation
dimensional
Prior art date
Application number
PCT/KR2018/015131
Other languages
English (en)
French (fr)
Inventor
김종면
김재영
Original Assignee
울산대학교 산학협력단
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 울산대학교 산학협력단 filed Critical 울산대학교 산학협력단
Publication of WO2020050456A1 publication Critical patent/WO2020050456A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0256—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • the present invention relates to a method for evaluating the abnormality of facility data, and more particularly, to a system and method for evaluating the abnormality of facility data using machine learning.
  • the failure detection process of existing facility data is typically performed based on the principle of hardware redundancy or analytical redundancy.
  • the hardware redundancy method can diagnose a failure using a sensor, while the analytical redundancy method can diagnose a failure based on a mathematical model of the system.
  • the mathematical model of the system has a reference value of a normal value and diagnoses a failure through a deviation from the reference value.
  • failure data and normal data were learned to diagnose failures based on machine learning from past data.
  • Equipment using existing artificial intelligence algorithms for example, manufacturing facilities such as semiconductors and display panels, or fault diagnosis systems for diagnosing failures in power facilities include many neural network nodes.
  • the Fault Diagnosis Process is very complicated due to the activation function, and the diagnostic processing speed is also delayed. It also causes false diagnostic errors.
  • the failure diagnosis algorithm receives and normalizes various data, and learns using a neural network having a plurality of nodes. Then, after classifying a failure pattern according to the learning result, a fault diagnosis is determined. At this time, if an error occurs in the normalized data, that is, when the non-normalized data, for example, new failure pattern data is input, the new failure pattern cannot be classified, so it is determined as a fault erroneous diagnosis.
  • 1 is a view for explaining a conventional machine learning-based failure diagnosis method.
  • the failure diagnosis apparatus acquires learning data 110, undergoes a pre-processing step 111, and then performs learning to classify the normal and the faults in the machine learning classifier 130 through the feature extraction step 112. Can be done.
  • the failure diagnosis device passes the pre-processing 121 step to the machine learning classifier 130 through the feature extraction 122 step. Upon diagnosis, the final result 140 can be confirmed.
  • This conventional machine learning-based failure diagnosis method acquires data from normal facilities and failure facilities, learns them through a machine learning algorithm (support vector machine, artificial neural network, etc.) and utilizes them for diagnosis.
  • a machine learning algorithm support vector machine, artificial neural network, etc.
  • it is difficult to obtain easily because failure data is not frequently generated data in industrial plants, and there is a problem in that accuracy of failure diagnosis is poor because there is no abundant data.
  • a specific threshold must be set by the user according to experience, and there is a problem that only a dichotomous diagnosis is possible.
  • it is intended to provide a method for evaluating an abnormality of a facility signal even when there is no existing reference data or sufficient failure data of the facility.
  • it is to provide a system for evaluating an abnormality with a diagnostic algorithm for improving the processing speed of facility abnormality diagnosis and a method thereof.
  • the method for evaluating the abnormality of facility data includes generating boundary data distinguished from normal data through a boundary data generation algorithm, and an evaluation model for learning the boundary data and evaluating the degree of deviation from normal data. Generating, generating a two-dimensional map visualizing the degree of evaluation of the evaluation model, generating a two-dimensional evaluation map through evaluation of each location of the data mapped to the two-dimensional map, and for an input signal. And determining a 2D map position and evaluating the degree of abnormality of the input signal.
  • the step of generating the boundary data may include generating a set of boundary data using an M-dimensional random vector through a boundary data generation algorithm.
  • generating the boundary data may include learning a classification function that classifies the boundary data and actual data, and learning a boundary data generation function.
  • the step of learning the classification function may include determining a weight of an artificial neural network having a minimum classification loss value through a backpropagation process.
  • the step of learning the classification function may include the step of learning the boundary data generation function such that the classification probability of boundary data is 1.
  • the generating of the 2D map comprises extracting 2D data from a set of real data and a set of boundary data through a learned dimensional reduction artificial neural network, and then calculating a maximum and minimum value of each dimension.
  • a grid-like two-dimensional map having a predetermined interval may be included.
  • evaluating the abnormality of the input signal may include calculating an abnormality evaluation value of mapping data of a 2D map generated through a learned evaluation artificial neural network.
  • the step of evaluating the degree of abnormality of the input signal converts the evaluation value of the input signal into color information, and on the two-dimensional evaluation map through the color information and two-dimensional coordinates.
  • a method for evaluating anomalies in equipment data including visualizing.
  • the apparatus for evaluating the abnormality of facility data according to an embodiment of the present invention, a data generating unit generating boundary data distinguished from normal data through a boundary data generation algorithm, and learning the boundary data to evaluate the degree of deviation from normal data
  • a learning unit generating an evaluation model
  • a visualization unit generating a 2D evaluation map through evaluation of each location of data mapped to a 2D map visualizing the evaluation degree of the evaluation model, and a 2D map position for the input signal
  • an evaluation unit to evaluate the degree of abnormality of the input signal.
  • the data generation unit may generate a set of boundary data using an M-dimensional random vector through a boundary data generation algorithm.
  • the learning unit the apparatus for evaluating the degree of abnormality of the facility data, characterized in that for learning the classification function for classifying the boundary data and the actual data, and learning the boundary data generation function.
  • the learning unit may determine a weight of an artificial neural network having a minimum classification loss value through a backpropagation process.
  • the learning unit may learn a boundary data generation function such that the classification probability of boundary data is 1.
  • the visualization unit extracts two-dimensional data from a set of real data and a set of boundary data through a learned dimensional reduction artificial neural network, and then calculates a maximum minimum value of each dimension to generate a grid having a predetermined interval. You can create a two-dimensional map of the shape.
  • the evaluation unit may calculate an abnormality evaluation value of mapping data of a 2D map generated through a learned evaluation artificial neural network.
  • the evaluation unit may convert an evaluation value of the input signal into color information, and visualize it on the two-dimensional evaluation map through the color information and two-dimensional coordinates.
  • the disclosed technology can have the following effects. However, since the specific embodiment does not mean to include all of the following effects or only the following effects, the scope of rights of the disclosed technology should not be understood as being limited thereby.
  • an abnormality evaluation system and method having a diagnostic algorithm with improved processing speed of facility abnormality diagnosis.
  • 1 is a view for explaining a conventional machine learning-based failure diagnosis method.
  • FIG. 2 is a flowchart illustrating a method for evaluating an abnormality of facility data according to an embodiment of the present invention.
  • FIG. 3 is a flowchart for specifically describing the steps of generating boundary data in a method of evaluating an abnormality of facility data according to an embodiment of the present invention.
  • FIG. 4 is a block diagram for explaining a process of learning a boundary data generation function and a classification function as a rescue chuck when generating boundary data in a method of evaluating an abnormality of facility data according to an embodiment of the present invention.
  • FIG. 5 is a block diagram for explaining a process of learning an abnormality evaluation function when a boundary data is generated in a method for evaluating the abnormality of facility data according to an embodiment of the present invention as a remedy.
  • FIG. 6 is a block diagram illustrating an artificial neural network for generating boundary data in a step of generating boundary data in a method of evaluating an abnormality of facility data according to an embodiment of the present invention.
  • FIG. 7 is a block diagram for explaining the classification and evaluation of artificial neural networks in the step of generating boundary data in a method for evaluating the abnormality of facility data according to an embodiment of the present invention.
  • FIG. 8 is a view for explaining a process of generating a two-dimensional evaluation map in a method of evaluating the abnormality of facility data according to an embodiment of the present invention.
  • FIG. 9 is a view for explaining in more detail the step of generating a two-dimensional evaluation map in a method for evaluating the abnormality of facility data according to an embodiment of the present invention.
  • FIG. 10 is a view for explaining an example of a two-dimensional evaluation map in a method for evaluating the abnormality of facility data according to an embodiment of the present invention.
  • 11 is a view for explaining in more detail the step of evaluating the abnormality of the input signal in the method for evaluating the abnormality of facility data according to an embodiment of the present invention.
  • FIG. 12 is a view for explaining an example of a two-dimensional evaluation map in which an abnormality degree is visualized in a method for evaluating an abnormality degree of facility data according to an embodiment of the present invention.
  • FIG. 13 is a block diagram illustrating an apparatus for evaluating an abnormality of facility data according to an embodiment of the present invention.
  • the first component may be referred to as a second component without departing from the scope of the present invention, and similarly, the second component may be referred to as a first component.
  • the term “and / or” includes a combination of a plurality of related described items or any one of a plurality of related described items.
  • FIG. 2 is a flowchart illustrating a method for evaluating an abnormality of facility data according to an embodiment of the present invention.
  • the apparatus for evaluating the degree of abnormality of facility data may generate boundary data that is distinguished from normal data through a boundary data generation algorithm.
  • the apparatus for evaluating the degree of abnormality of the facility data may generate a set of boundary data through a boundary data generation algorithm using an M-dimensional random vector as an input value.
  • the apparatus for evaluating the degree of abnormality of the facility data may generate an evaluation model for evaluating the degree of deviation from the normal data by learning boundary data.
  • step S230 the apparatus for evaluating the degree of abnormality of the facility data generates a two-dimensional evaluation map through evaluation of each location of the data mapped to the two-dimensional map visualizing the evaluation degree of the evaluation model can do.
  • the apparatus for evaluating the degree of abnormality of facility data extracts two-dimensional data from a set of real data and a set of boundary data through a learned dimensional reduction artificial neural network, and then calculates a maximum minimum value of each dimension to determine a predetermined interval It is possible to generate a two-dimensional map in the form of a grid having.
  • the apparatus for evaluating the degree of abnormality of the facility data may determine the location of the two-dimensional map for the input signal and evaluate the degree of abnormality of the input signal.
  • FIG. 3 is a flowchart for specifically describing the steps of generating boundary data in a method of evaluating an abnormality of facility data according to an embodiment of the present invention.
  • the apparatus for evaluating the degree of abnormality of facility data may generate a set of boundary data in step S211.
  • the apparatus for evaluating the degree of abnormality of the facility data may learn a classification function that classifies boundary data and actual data.
  • the apparatus for evaluating the degree of abnormality of the facility data may determine the weight of the artificial neural network that minimizes the classification loss value through the back propagation process.
  • the apparatus for evaluating the degree of abnormality of the facility data may learn the boundary data generation function so that the classification probability of boundary data is 1.
  • the apparatus for evaluating the degree of abnormality of the facility data may learn the boundary data generation function.
  • FIG. 4 is a block diagram for explaining a process of learning a boundary data generation function and a classification function as a rescue chuck when generating boundary data in a method of evaluating an abnormality of facility data according to an embodiment of the present invention.
  • the apparatus for evaluating the degree of abnormality of facility data may generate a set of boundary data 431 through a boundary data generation function 420 among random vectors 410.
  • the apparatus for evaluating the abnormality of facility data is an artificial neural network function that generates boundary data, as shown in Equation 1 below. Enter the dimension's random vector into the boundary data of the dimension. Can generate
  • the boundary data created is the boundary data set Can be added to
  • the apparatus for evaluating the abnormality of facility data is a classification function that classifies boundary data and actual data (normal data) as shown in Equation 2 below.
  • the classification probability can be obtained by inputting the N-dimensional data into. Where is the classification probability between 0 and 1.
  • the apparatus for evaluating the degree of abnormality of facility data may obtain boundary values 431 and normal data 432 in the classification function 440 to obtain result values 451 and 452.
  • the classification function 440 may be trained such that the boundary data 431 has a result value 451 of 0, and the normal data 432 has a result value 452 of 1.
  • Apparatus for evaluating the abnormality of facility data is as shown in Equation 3 below, actual data
  • the classification probability of is 1, the boundary data Classification function so that the classification probability of Can learn.
  • the apparatus for evaluating the degree of abnormality of facility data may learn the classification function 440 through the classification loss function 460.
  • the apparatus for evaluating the degree of abnormality of the facility data is classified loss value as shown in Equation 4 below through a backpropagation process.
  • Weight of artificial neural network Can be determined.
  • the back propagation method referred to in the present invention may include all back propagation methods used for artificial neural network learning.
  • ⁇ means the learning rate
  • the apparatus for evaluating the abnormality of facility data is a loss value through Equation 5 below. Can be calculated.
  • the loss function of the artificial neural network Is the loss value of the classified artificial neural network.
  • the loss function of the present invention may include any kind of loss function used for artificial neural network learning.
  • the apparatus for evaluating the degree of abnormality of facility data may learn the boundary data generation function 470 through the generation loss function 470.
  • the apparatus for evaluating the degree of abnormality of facility data can be learned such that the classification probability of boundary data is 1, as shown in Equation 6 below.
  • the apparatus for evaluating the degree of abnormality of facility data generates a boundary data as shown in Equation 7 through a backpropagation process. Weight of artificial neural network Can be determined.
  • ⁇ means the learning rate
  • the apparatus for evaluating the abnormality of facility data may generate boundary data through Equation 8 below. Can be calculated.
  • FIG. 5 is a block diagram for explaining a process of learning an abnormality evaluation function when a boundary data is generated in a method for evaluating the abnormality of facility data according to an embodiment of the present invention as a remedy.
  • the result values 521 and 522 obtained by inputting boundary data 511 and normal data 512 into the abnormality evaluation function 500 ), And learn the abnormality evaluation function 500 through the loss function 530.
  • the apparatus for evaluating the degree of abnormality of facility data is normal data as shown in Equation 9 below.
  • the value of is 1, the boundary data The abnormality evaluation function so that the evaluation value of Can learn.
  • the evaluation function Calculates the degree of similarity to the actual data (normal data) for the input data, and the closer the degree of similarity is to 1, it may mean data similar to the actual data.
  • the apparatus for evaluating the abnormality of facility data may learn the abnormality assessment function 500 through the loss function 530.
  • the apparatus for evaluating the degree of abnormality of facility data is a loss value as shown in Equation 10 below through a backpropagation process.
  • Weight of artificial neural network Can be determined.
  • the back propagation method referred to in the present invention may include all back propagation methods used for artificial neural network learning.
  • ⁇ means the learning rate
  • the apparatus for evaluating the abnormality of facility data is a loss value through Equation 11 below. Can be calculated.
  • the loss function of the artificial neural network Is the loss value of the classified artificial neural network.
  • the loss function of the present invention may include any kind of loss function used for artificial neural network learning.
  • FIG. 6 is a block diagram illustrating an artificial neural network for generating boundary data in a step of generating boundary data in a method of evaluating an abnormality of facility data according to an embodiment of the present invention.
  • an apparatus for evaluating the degree of abnormality of facility data may generate boundary data through an artificial neural network for machine learning. That is, if the M-dimensional random vector 610 is input and trained into an artificial neural network including an input layer 620, a hidden layer 630, and an output layer 640, boundary data that is N-dimensional data 650 can be generated. have.
  • FIG. 7 is a block diagram for explaining the classification and evaluation of artificial neural networks in the step of generating boundary data in a method for evaluating the abnormality of facility data according to an embodiment of the present invention.
  • the apparatus for evaluating the abnormality of facility data may obtain a classification function and an abnormality evaluation function through an artificial neural network. That is, the result 750 can be output through the N-dimensional data 710 generated as boundary data through the dimensional reduction artificial neural network (CNN, 720), the 2D characteristic data 730, and the evaluation artificial neural network (DNN, 740).
  • the dimension reduction artificial neural network (CNN, 720) and the evaluation artificial neural network (DNN, 740) may include an input layer, a hidden layer, and an output layer, respectively.
  • FIG. 8 is a view for explaining a process of generating a two-dimensional evaluation map in a method of evaluating the abnormality of facility data according to an embodiment of the present invention.
  • a maximum minimum value of each dimension may be calculated.
  • the calculated maximum and minimum values of each dimension may be placed on the X-axis and the Y-axis, respectively, and separated at regular intervals to generate a grid-like two-dimensional map.
  • FIG. 9 is a view for explaining in more detail the step of generating a two-dimensional evaluation map in a method for evaluating the abnormality of facility data according to an embodiment of the present invention.
  • the apparatus for evaluating the degree of abnormality of facility data substitutes into the learned artificial neural network 920 for all the mapping data 910 in the two-dimensional map and evaluates the value (930) ). Subsequently, the evaluation value 930 may be divided into colors and imaged 940. That is, the apparatus for evaluating the abnormality of facility data may calculate the abnormality assessment value through the learned artificial neural network of the generated two-dimensional mapping data. The maximum / minimum value of the calculated evaluation value is calculated to obtain a color map, and the evaluation value can be converted into a two-dimensional evaluation map using the color map.
  • FIG. 10 is a view for explaining an example of a two-dimensional evaluation map in a method for evaluating the abnormality of facility data according to an embodiment of the present invention.
  • a two-dimensional evaluation map indicating a dark portion indicating an abnormal result value and a bright portion indicating a normal result value can be confirmed.
  • 11 is a view for explaining in more detail the step of evaluating the abnormality of the input signal in the method for evaluating the abnormality of facility data according to an embodiment of the present invention.
  • the apparatus for evaluating the abnormality of facility data acquires the 2D data 1130 by putting the measurement data 1110 into the learned dimensional reduction artificial neural network 1120 and learning it
  • the evaluation value can be calculated by putting the evaluated evaluation artificial neural network 1140.
  • the derived evaluation value may be converted into color information through a color map.
  • it can be visualized on the evaluation map 1150 through color information and a two-dimensional seat. The result value visualized in the evaluation map can be confirmed through FIG. 12.
  • FIG. 12 is a view for explaining an example of a two-dimensional evaluation map in which an abnormality degree is visualized in a method for evaluating an abnormality degree of facility data according to an embodiment of the present invention.
  • a result value 1210 of measurement data illustrated in a two-dimensional evaluation map can be confirmed.
  • the apparatus for evaluating the degree of abnormality of the facility data can evaluate the degree of abnormality of the actual measurement data and provide the degree of abnormality for people to understand. At this time, the farther away from the center of the bright area, the higher the probability of anomalies.
  • FIG. 13 is a block diagram illustrating an apparatus for evaluating an abnormality of facility data according to an embodiment of the present invention.
  • an apparatus 1300 for evaluating an abnormality of facility data includes a data generation unit 1310, a learning unit 1320, an evaluation unit 1330, and a visualization unit 1340. can do.
  • the data generator 1310 may generate boundary data that is distinguished from normal data through a boundary data generation algorithm.
  • the data generation unit 1310 may generate a set of boundary data using an M-dimensional random vector through a boundary data generation algorithm.
  • the learning unit 1320 may generate an evaluation model that evaluates the degree of deviation from normal data by learning boundary data. More specifically, the learning unit 1320 may learn a classification function for classifying boundary data and actual data, and learn an boundary data generation function to generate an evaluation model.
  • the learning unit 1320 may determine a weight of an artificial neural network that minimizes a classification loss value through a back propagation process.
  • the learning unit 1320 may learn a boundary data generation function such that the classification probability of boundary data is 1.
  • the visualization unit 1340 may generate a 2D evaluation map through evaluation for each location of data mapped to a 2D map that visualizes the evaluation degree of the evaluation model.
  • the visualization unit 1340 extracts 2D data from a set of real data and a set of boundary data through a learned dimensional reduction artificial neural network, and then calculates a maximum minimum value of each dimension to generate a grid-like 2D map having a predetermined interval. can do.
  • the evaluation unit 1330 may determine a 2D map position for an input signal and evaluate the degree of abnormality of the input signal. According to an embodiment, the evaluation unit 1330 may calculate an abnormality evaluation value of mapping data of a 2D map generated through a learned evaluation artificial neural network.
  • the evaluation unit 1330 may convert an evaluation value of the input signal into color information, and visualize it on the two-dimensional evaluation map through the color information and two-dimensional coordinates.
  • the device described above may be implemented with hardware components, software components, and / or combinations of hardware components and software components.
  • the devices and components described in the embodiments include, for example, a processor, controller, arithmetic logic unit (ALU), digital signal processor (micro signal processor), microcomputer, field programmable array (FPA), It may be implemented using one or more general purpose computers or special purpose computers, such as a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions.
  • the processing device may execute an operating system (OS) and one or more software applications running on the operating system.
  • OS operating system
  • the processing device may access, store, manipulate, process, and generate data in response to the execution of the software.
  • a processing device may be described as one being used, but a person having ordinary skill in the art, the processing device may include a plurality of processing elements and / or a plurality of types of processing elements. It can be seen that may include.
  • the processing device may include a plurality of processors or a processor and a controller.
  • other processing configurations such as parallel processors, are possible.
  • the software may include a computer program, code, instruction, or a combination of one or more of these, and configure the processing device to operate as desired, or process independently or collectively You can command the device.
  • Software and / or data may be interpreted by a processing device, or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodied in the transmitted signal wave.
  • the software may be distributed on networked computer systems, and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, or the like alone or in combination.
  • the program instructions recorded on the medium may be specially designed and configured for the embodiments or may be known and usable by those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs, DVDs, and magnetic media such as floptical disks.
  • -Hardware devices specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like.
  • program instructions include high-level language code that can be executed by a computer using an interpreter, etc., as well as machine language codes produced by a compiler.
  • the hardware device described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명의 일 실시예에 따른 설비 데이터의 이상 정도 평가 방법은 경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성하는 단계, 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성하는 단계, 평가 모델의 평가 정도를 시각화하는 2차원 맵을 생성하는 단계, 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성하는 단계 및 입력 신호에 대한 2차원 맵 위치를 결정하고, 입력 신호의 이상 정도를 평가하는 단계를 포함한다.

Description

설비 데이터의 이상 정도 평가 방법
본 발명은 설비 데이터의 이상 정도를 평가하는 방법에 관한 것으로, 좀 더 구체적으로는 머신 러닝을 이용한 설비 데이터의 이상 정도를 평가하는 시스템 및 그 방법에 관한 것이다.
현존하는 설비 데이터의 고장 검출 프로세스는 통상적으로 하드웨어 리던던시 원리나 분석적 리던던시 원리에 기초하여 수행된다. 하드웨어 리던던시 방식은 센서를 이용하여 고장을 진단하는 반면, 분석적 리던던시 방식은 시스템의 수학적 모델에 기초하여 고장을 진단할 수 있다.
분석적 리던던시 방식에서 시스템의 수학적 모델은 정상 값의 기준치를 가지며, 기준치로부터의 편차를 통해 고장을 진단한다. 종래에는 고장 데이터와 정상 데이터를 학습하여 과거 데이터로부터의 기계 학습을 기반으로 고장을 진단할 수 있었다.
기존의 인공 지능 알고리즘(Artificial Intelligence Algorithm)을 이용한 설비 예를 들어, 반도체, 디스플레이 패널 등의 제조 설비 또는 전력 설비 등의 고장을 진단하는 고장 진단 시스템(Fault Diagnosis System)은 많은 신경망 노드(Neural Network Node)와, 활성화 기능(Activation Function) 때문에 고장 진단 처리(Fault Diagnosis Process)가 많이 복잡하고, 이로 인해 진단 처리 속도도 지연된다. 또한 이로 인해 심지어는 잘못된 진단 오류를 범하기도 한다.
또 신경망에서의 학습(Learning) 횟수 증가에 따른 패턴 데이터(pattern data)의 저장 공간 증대로 인해 고장 진단 시스템의 구축 비용이 증가하게 되고, 패턴에 적합하지 않는 파라메터(parameter)가 입력될 경우 잘못된 진단(erroneous diagnosis)이 발생하는 등의 문제점이 있다.
고장 진단 알고리즘은 다양한 데이터를 입력받아서 정규화(normalize)하고, 복수 개의 노드(node)들을 구비하는 신경망(neural network)을 이용하여 학습(learning)한다. 그리고 학습 결과에 따라 고장 패턴을 분류(classifier) 한 후, 고장 진단(fault diagnosis)을 판별한다. 이 때, 정규화된 데이터에 오류가 발생되면, 즉, 정규화되지 않은 데이터 예를 들어, 새로운 고장 패턴 데이터가 입력되면, 새로운 고장 패턴을 분류하지 못하므로 잘못된 고장 진단(fault erroneous diagnosis)으로 판별한다.
도 1은 종래의 기계 학습 기반의 고장 진단 방법을 설명하기 위한 도면이다.
도 1을 참조하면, 고장 진단 장치는 학습 데이터(110)를 획득하여 전처리(111) 단계를 거친 뒤 특징 추출(112) 단계를 통해서 기계 학습 분류기(130)에서 정상과 고장에 대해서 분류하는 학습을 수행할 수 있다. 학습을 마친 고장 진단 장치는 실제 데이터(120)에 대해서도 마찬가지로 전처리(121) 단계를 거친 뒤 특징 추출(122) 단계를 통해서 기계 학습 분류기(130)에 전달되며, 학습된 내용대로 고장과 정상에 대해서 진단을 받으며, 최종 결과(140)를 확인할 수 있다.
이러한 종래의 기계 학습 기반의 고장 진단 방식은 정상 설비와 고장 설비로부터 데이터를 취득하여 기계학습 알고리즘(support vector machine, artificial neural network 등)을 통해 학습시키고 진단에 활용하였다. 일반적으로 산업 플랜트에서는 고장 데이터가 자주 발생하는 데이터가 아니기 때문에 쉽게 얻기가 어려우며, 풍부한 데이터가 없기에 고장 진단의 정확도가 떨어지는 문제가 있었다. 또한, 이상 상태의 진단을 위해서는 특정 임계치를 사용자가 경험에 따라 직접 설정해야 하며, 이분법적인 진단만 가능하다는 문제가 있었다.
본 발명의 일실시예에 따르면, 설비의 기존 데이터(reference data)나 충분한 고장 데이터가 없는 경우에도 설비 신호의 이상 정도를 평가할 수 있는 방법을 제공하고자 한다.
본 발명의 다른 일실시예에 따르면, 설비 이상 진단의 처리 속도를 향상시키기 위한 진단 알고리즘을 구비하는 이상 정도 평가 시스템 및 그 방법을 제공하기 위함이다.
본 발명의 일실시예에 따른 설비 데이터의 이상 정도 평가 방법은 경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성하는 단계, 상기 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성하는 단계, 상기 평가 모델의 평가 정도를 시각화하는 2차원 맵을 생성하는 단계, 상기 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성하는 단계 및 입력 신호에 대한 2차원 맵 위치를 결정하고, 상기 입력 신호의 이상 정도를 평가하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따르면, 경계 데이터를 생성하는 단계는, M차원의 무작위 벡터를 경계 데이터 생성 알고리즘을 통해 경계 데이터의 집합을 생성하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따르면, 상기 경계 데이터를 생성하는 단계는, 상기 경계 데이터와 실제 데이터를 분류하는 분류 함수를 학습하는 단계 및 경계 데이터 생성 함수를 학습하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따르면, 상기 분류 함수를 학습하는 단계는, 역전파 과정을 통해 분류 손실 값이 최소가 되는 인공 신경망의 가중치를 결정하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따르면, 분류 함수를 학습하는 단계는, 경계 데이터의 분류 확률이 1이 되도록 경계 데이터 생성 함수를 학습하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따르면, 상기 2차원 맵을 생성하는 단계는, 학습된 차원 축소 인공신경망을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 데이터를 추출한 후, 각 차원의 최대 최소값을 계산하여 일정 간격을 갖는 격자 형태의 2차원 맵을 생성하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따르면, 상기 입력 신호의 이상 정도를 평가하는 단계는, 학습된 평가 인공신경망을 통해 생성된 2차원 맵의 매핑 데이터들의 이상정도 평가값을 계산 하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따르면, 상기 입력 신호의 이상 정도를 평가하는 단계는, 상기 입력 신호의 평가값을 색정보로 변환하고, 상기 색정보와 2차원 좌표를 통해 상기 2차원 평가 맵 상에 시각화하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
본 발명의 일실시예에 따른 설비 데이터의 이상 정도 평가 장치는, 경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성하는 데이터 생성부, 상기 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성하는 학습부, 상기 평가 모델의 평가 정도를 시각화하는 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성하는 가시화부 및 입력 신호에 대한 2차원 맵 위치를 결정하고, 상기 입력 신호의 이상 정도를 평가하는 평가부를 포함할 수 있다.
본 발명의 일실시예에 따르면, 상기 데이터 생성부는, M차원의 무작위 벡터를 경계 데이터 생성 알고리즘을 통해 경계 데이터의 집합을 생성할 수 있다.
본 발명의 일실시예에 따르면, 상기 학습부는, 상기 경계 데이터와 실제 데이터를 분류하는 분류 함수를 학습하고, 경계 데이터 생성 함수를 학습하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
본 발명의 일실시예에 따르면, 상기 학습부는, 역전파 과정을 통해 분류 손실 값이 최소가 되는 인공 신경망의 가중치를 결정할 수 있다.
본 발명의 일실시예에 따르면, 상기 학습부는, 경계 데이터의 분류 확률이 1이 되도록 경계 데이터 생성 함수를 학습할 수 있다.
본 발명의 일실시예에 따르면, 상기 가시화부는, 학습된 차원 축소 인공신경망을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 데이터를 추출한 후, 각 차원의 최대 최소값을 계산하여 일정 간격을 갖는 격자 형태의 2차원 맵을 생성할 수 있다.
본 발명의 일실시예에 따르면, 상기 평가부는, 학습된 평가 인공신경망을 통해 생성된 2차원 맵의 매핑 데이터들의 이상정도 평가값을 계산 할 수 있다.
본 발명의 일실시예에 따르면, 상기 평가부는, 상기 입력 신호의 평가값을 색정보로 변환하고, 상기 색정보와 2차원 좌표를 통해 상기 2차원 평가 맵 상에 시각화할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일실시예에 따르면, 설비의 기존 데이터(reference data)나 충분한 고장 데이터가 없는 경우에도 설비 신호의 이상 정도를 평가할 수 있다.
본 발명의 다른 일실시예에 따르면, 설비 이상 진단의 처리 속도가 향상된 진단 알고리즘을 구비하는 이상 정도 평가 시스템 및 그 방법이 제공된다.
도 1은 종래의 기계 학습 기반의 고장 진단 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성하는 단계를 구체적으로 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성할 때 경계 데이터 생성 함수와 분류 함수를 학습하는 과정을 구제척으로 설명하기 위한 블록도이다.
도 5는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성할 때 이상 정도 평가 함수를 학습하는 과정을 구제척으로 설명하기 위한 블록도이다.
도 6은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성하는 단계의 경계 데이터 생성 인공 신경망을 설명하기 위한 블록도이다.
도 7은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성하는 단계의 분류 및 평가 인공 신경망을 설명하기 위한 블록도이다.
도 8은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 2차원 평가맵을 생성하는 과정을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 2차원 평가 맵을 생성하는 단계를 보다 구체적으로 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 2차원 평가 맵의 일례를 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 입력 신호의 이상 여부를 평가하는 단계를 보다 구체적으로 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 이상 정도가 시각화된 2차원 평가 맵의 일례를 설명하기 위한 도면이다.
도 13은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치를 설명하기 위한 블록도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 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.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다. 제 1, 제 2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.
이하 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법 및 장치를 상세하게 설명하기로 한다.
도 2는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법을 설명하기 위한 흐름도이다.
도 2를 참조하면, 단계(S210)에서, 설비 데이터의 이상 정도를 평가하는 장치는 경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성할 수 있다.
일실시예에 따르면, 설비 데이터의 이상 정도를 평가하는 장치는 M차원의 무작위 벡터를 입력 값으로 하여 경계 데이터 생성 알고리즘을 통해 경계 데이터의 집합을 생성할 수 있다.
경계 데이터의 생성 방법에 대한 보다 구체적인 설명은 도 3에서 하도록 한다.
일실시예에 따르면, 단계(S220)에서, 설비 데이터의 이상 정도를 평가하는 장치는 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성할 수 있다.
일실시예에 따르면, 단계(S230)에서, 설비 데이터의 이상 정도를 평가하는 장치는 평가 모델의 평가 정도를 시각화하는 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성할 수 있다.
일실시예에 따르면, 설비 데이터의 이상 정도를 평가하는 장치는 학습된 차원 축소 인공신경망을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 데이터를 추출한 후, 각 차원의 최대 최소값을 계산하여 일정 간격을 갖는 격자 형태의 2차원 맵을 생성할 수 있다.
2차원 평가 맵에 대한 보다 구체적인 설명은 도 8 내지 도 12에서 하도록 한다
일실시예에 따르면, 단계(S240)에서, 설비 데이터의 이상 정도를 평가하는 장치는 입력 신호에 대한 2차원 맵 위치를 결정하고, 입력 신호의 이상 정도를 평가할 수 있다.
도 3은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성하는 단계를 구체적으로 설명하기 위한 흐름도이다.
도 3을 참조하면, 설비 데이터의 이상 정도를 평가하는 장치는 단계(S211)에서, 경계 데이터의 집합을 생성할 수 있다.
일실시예에 따르면, 단계(S212)에서 설비 데이터의 이상 정도를 평가하는 장치는, 경계 데이터와 실제 데이터를 분류하는 분류 함수를 학습할 수 있다.
일실시예에 따르면, 설비 데이터의 이상 정도를 평가하는 장치는 역전파 과정을 통해 분류 손실 값이 최소가 되는 인공 신경망의 가중치를 결정할 수 있다.
일실시예에 따르면, 설비 데이터의 이상 정도를 평가하는 장치는 경계 데이터의 분류 확률이 1이 되도록 경계 데이터 생성 함수를 학습할 수 있다.
일실시예에 따르면, 단계(S213)에서, 설비 데이터의 이상 정도를 평가하는 장치는 경계 데이터 생성 함수를 학습할 수 있다.
도 4는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성할 때 경계 데이터 생성 함수와 분류 함수를 학습하는 과정을 구제척으로 설명하기 위한 블록도이다.
도 4를 참조하면, 일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 무작위 벡터(410) 중에서 경계 데이터 생성 함수(420)를 통해서 경계 데이터(431)의 집합을 생성할 수 있다.
일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 1과 같이, 경계데이터를 생성하는 인공신경망 함수,
Figure PCTKR2018015131-appb-img-000001
에 차원의 무작위 벡터 를 입력하여 차원의 경계데이터
Figure PCTKR2018015131-appb-img-000002
를 생성할 수 있다.
Figure PCTKR2018015131-appb-img-000003
이때 생성된 경계데이터들은 경계데이터 집합
Figure PCTKR2018015131-appb-img-000004
에 추가될 수 있다.
일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 2와 같이, 경계 데이터와 실제 데이터(정상 데이터)를 분류하는 분류함수
Figure PCTKR2018015131-appb-img-000005
에 N차원의 데이터를 입력하여 분류확률를 얻을 수 있다. 여기서 는 0에서 1사이의 분류 확률을 의미한다.
Figure PCTKR2018015131-appb-img-000006
예를 들면, 일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 경계 데이터(431)와 정상 데이터(432)를 분류 함수(440)에 넣어 결과값(451, 452)을 획득할 수 있다. 이때, 분류 함수(440)는 경계 데이터(431)가 0의 결과값(451)을 갖도록 하고, 정상 데이터(432)는 1의 결과값(452)을 갖도록 학습할 수 있다.
일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 3과 같이, 실제 데이터
Figure PCTKR2018015131-appb-img-000007
의 분류확률은 1, 경계 데이터
Figure PCTKR2018015131-appb-img-000008
의 분류확률은 0이 되도록 분류 함수
Figure PCTKR2018015131-appb-img-000009
를 학습할 수 있다. 이때,
Figure PCTKR2018015131-appb-img-000010
는 차원의 실제 데이터(정상 데이터)를 뜻한다.
Figure PCTKR2018015131-appb-img-000011
일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 분류 손실 함수(460)를 통해서 분류 함수(440)를 학습할 수 있다.
예를 들면, 설비 데이터의 이상 정도를 평가하는 장치는 역전파(Backpropagation) 과정을 통해 하기 수학식 4와 같이 분류 손실 값
Figure PCTKR2018015131-appb-img-000012
가 최소가 되는 인공신경망의 가중치
Figure PCTKR2018015131-appb-img-000013
를 결정할 수 있다. 본 발명에서 말하는 역전파 방법은 인공신경망 학습에 사용되는 모든 역전파 방법을 포함할 수 있다.
Figure PCTKR2018015131-appb-img-000014
여기서 η는 학습율(Learning rate)을 의미한다.
일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 5를 통해서 손실값
Figure PCTKR2018015131-appb-img-000015
을 계산할 수 있다.
Figure PCTKR2018015131-appb-img-000016
여기서 은 인공신경망의 손실함수이며
Figure PCTKR2018015131-appb-img-000017
는 분류 인공신경망의 손실 값을 의미한다. 본 발명의 손실함수는 인공신경망 학습에 사용되는 모든 종류의 손실함수를 포함할 수 있다.
일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 생성 손실 함수(470)를 통해서 경계 데이터 생성 함수(470)를 학습할 수 있다.
예를 들면, 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 6과 같이 경계 데이터의 분류 확률이 1이 되도록 학습할 수 있다.
Figure PCTKR2018015131-appb-img-000018
일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 역전파(Backpropagation) 과정을 통해 하기 수학식 7과 같이 경계데이터 생성 인공신경망의 손실 값
Figure PCTKR2018015131-appb-img-000019
를 최소로 만드는 인공신경망의 가중치
Figure PCTKR2018015131-appb-img-000020
를 결정할 수 있다.
Figure PCTKR2018015131-appb-img-000021
여기서 η는 학습율(Learning rate)을 의미한다.
일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 8을 통해서 경계데이터 생성 인공신경망의 손실 값
Figure PCTKR2018015131-appb-img-000022
을 계산할 수 있다.
Figure PCTKR2018015131-appb-img-000023
여기서 은 인공신경망의 손실함수이며
Figure PCTKR2018015131-appb-img-000024
는 경계데이터 생성 인공신경망의 손실 값을 의미한다.
도 5는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성할 때 이상 정도 평가 함수를 학습하는 과정을 구제척으로 설명하기 위한 블록도이다.
도 5를 참조하면, 일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 이상 정도 평가 함수(500)에 경계 데이터(511)와 정상 데이터(512)를 입력시켜 나오는 결과값(521, 522)을 분류하고, 손실 함수(530)를 통해서 이상 정도 평가 함수(500)를 학습할 수 있다.
보다 구체적으로, 일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 9와 같이, 정상 데이터
Figure PCTKR2018015131-appb-img-000025
의 평가값은 1, 경계 데이터
Figure PCTKR2018015131-appb-img-000026
의 평가값은 0이 되도록 이상 정도 평가 함수
Figure PCTKR2018015131-appb-img-000027
를 학습할 수 있다.
Figure PCTKR2018015131-appb-img-000028
이때, 평가 함수
Figure PCTKR2018015131-appb-img-000029
는 입력데이터에 대한 실제 데이터(정상 데이터)와의 유사도를 계산하며, 유사도가 1에 가까울수록 실제데이터와 비슷한 데이터를 의미할 수 있다.
일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 손실 함수(530)를 통해서 이상 정도 평가 함수(500)를 학습할 수 있다.
예를 들면, 설비 데이터의 이상 정도를 평가하는 장치는 역전파(Backpropagation) 과정을 통해 하기 수학식 10과 같이 손실 값
Figure PCTKR2018015131-appb-img-000030
가 최소가 되는 인공신경망의 가중치
Figure PCTKR2018015131-appb-img-000031
를 결정할 수 있다. 본 발명에서 말하는 역전파 방법은 인공신경망 학습에 사용되는 모든 역전파 방법을 포함할 수 있다.
Figure PCTKR2018015131-appb-img-000032
여기서 η는 학습율(Learning rate)을 의미한다.
일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 11을 통해서 손실값
Figure PCTKR2018015131-appb-img-000033
을 계산할 수 있다.
Figure PCTKR2018015131-appb-img-000034
여기서 은 인공신경망의 손실함수이며
Figure PCTKR2018015131-appb-img-000035
는 분류 인공신경망의 손실 값을 의미한다. 본 발명의 손실함수는 인공신경망 학습에 사용되는 모든 종류의 손실함수를 포함할 수 있다.
도 6은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성하는 단계의 경계 데이터 생성 인공 신경망을 설명하기 위한 블록도이다.
도 6을 참조하면, 설비 데이터의 이상 정도를 평가하는 장치는 기계 학습을 위한 인공 신경망을 통해서 경계 데이터를 생성할 수 있다. 즉, M차원의 무작위 벡터(610)를 입력층(620), 은닉층(630), 출력층(640)을 포함하는 인공 신경망에 입력하여 학습시키면, N차원 데이터(650)인 경계 데이터를 생성할 수 있다.
도 7은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성하는 단계의 분류 및 평가 인공 신경망을 설명하기 위한 블록도이다.
도 7을 참조하면, 설비 데이터의 이상 정도를 평가하는 장치는 인공 신경망을 통해서 분류 함수와 이상 정도 평가 함수를 구할 수 있다. 즉, 경계 데이터로 생성된 N차원 데이터(710)를 차원 축소 인공 신경망(CNN, 720), 2차원 특징 데이터(730), 평가 인공 신경망(DNN, 740)을 거쳐 결과(750)를 출력할 수 있다. 이때, 차원 축소 인공 신경망(CNN, 720) 및 평가 인공 신경망(DNN, 740)은 각각 입력층, 은닉층, 출력층을 포함할 수 있다.
도 8은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 2차원 평가맵을 생성하는 과정을 설명하기 위한 도면이다.
도 8을 참조하면, 차원 축소 인공 신경망(CNN)을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 특징 데이터를 추출한 후, 각 차원의 최대 최소값을 계산할 수 있다. 이때, 계산된 각 차원의 최대값과 최소값을 각각 X축과 Y축에 넣고 일정한 간격으로 구분하여 격자 형태의 2차원 맵을 생성할 수 있다.
도 9는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 2차원 평가 맵을 생성하는 단계를 보다 구체적으로 설명하기 위한 도면이다.
도 9를 참조하면, 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 2차원의 맵에 있는 모든 매핑 데이터(910)에 대해서 학습된 평가 인공 신경망(920)에 대입시켜 평가값(930)을 획득할 수 있다. 이후, 평가값(930)은 색상으로 구분하여 이미지화(940)할 수 있다. 즉, 설비 데이터의 이상 정도를 평가하는 장치는 생성된 2차원 매핑 데이터들을 학습된 평가 인공신경망을 통해 이상 정도 평가값을 계산할 수 있다. 이렇게 계산된 평가값의 최대/최소값을 계산하여 컬러맵을 구하고, 컬러맵을 이용해 평가값을 2차원 평가맵으로 변환할 수 있다.
도 10은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 2차원 평가 맵의 일례를 설명하기 위한 도면이다.
도 10을 참조하면, 어두운 부분은 이상 결과 값을 나타내고, 밝은 부분은 정상 결과 값을 나타내는 2차원 평가 맵을 확인할 수 있다.
도 11은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 입력 신호의 이상 여부를 평가하는 단계를 보다 구체적으로 설명하기 위한 도면이다.
도 11을 참조하면, 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 측정 데이터(1110)를 학습된 차원 축소 인공 신경망(1120)에 넣어 2차원 데이터(1130)를 획득하고, 이를 학습된 평가 인공 신경망(1140)에 넣어 평가 값을 계산할 수 있다. 이렇게 도출된 평가 값은 컬러 맵을 통해서 색 정보로 변환할 수 있다. 또, 색 정보와 2차원 좌포를 통해서 평가맵(1150) 상에 시각화할 수 있다. 평가 맵에 시각화된 결과 값은 도 12를 통해서 확인할 수 있다.
도 12는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 이상 정도가 시각화된 2차원 평가 맵의 일례를 설명하기 위한 도면이다.
도 12를 참조하면, 2차원 평가맵에 도시된 측정 데이터의 결과값(1210)을 확인할 수 있다. 이를 통해서 설비 데이터의 이상 정도를 평가하는 장치는 실제 측정 데이터의 이상 정도를 평가하고 사람들이 알기 쉽게 이상 정도를 제공할 수 있다. 이때, 밝은 영역의 중심부에서 멀리 떨어질수록 이상이 발생할 확률이 높은 것을 의미한다.
도 13은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치를 설명하기 위한 블록도이다.
도 13을 참조하면, 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치(1300)는 데이터 생성부(1310), 학습부(1320), 평가부(1330) 및 가시화부(1340)를 포함할 수 있다.
일실시예에 따르면, 데이터 생성부(1310)는 경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성할 수 있다. 예를 들면, 데이터 생성부(1310)는 M차원의 무작위 벡터를 경계 데이터 생성 알고리즘을 통해 경계 데이터의 집합을 생성할 수 있다.
일실시예에 따르면, 학습부(1320)는 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성할 수 있다. 보다 구체적으로, 학습부(1320)는 경계 데이터와 실제 데이터를 분류하는 분류 함수를 학습하고, 경계 데이터 생성 함수를 학습하여 평가 모델을 생성할 수 있다.
일실시예에 따르면, 학습부(1320)는 역전파 과정을 통해 분류 손실 값이 최소가 되는 인공 신경망의 가중치를 결정할 수 있다.
일실시예에 따르면, 학습부(1320)는 경계 데이터의 분류 확률이 1이 되도록 경계 데이터 생성 함수를 학습할 수 있다.
일실시예에 따르면, 가시화부(1340)는 평가 모델의 평가 정도를 시각화하는 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성할 수 있다. 가시화부(1340)는 학습된 차원 축소 인공신경망을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 데이터를 추출한 후, 각 차원의 최대 최소값을 계산하여 일정 간격을 갖는 격자 형태의 2차원 맵을 생성할 수 있다.
일실시예에 따르면, 평가부(1330)는 입력 신호에 대한 2차원 맵 위치를 결정하고, 상기 입력 신호의 이상 정도를 평가할 수 있다. 일실시예에 따르면, 평가부(1330)는 학습된 평가 인공신경망을 통해 생성된 2차원 맵의 매핑 데이터들의 이상정도 평가값을 계산할 수 있다.
일실시예에 따르면, 평가부(1330)는 상기 입력 신호의 평가값을 색정보로 변환하고, 상기 색정보와 2차원 좌표를 통해 상기 2차원 평가 맵 상에 시각화할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (16)

  1. 경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성하는 단계;
    상기 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성하는 단계;
    상기 평가 모델의 평가 정도를 시각화하는 2차원 맵을 생성하는 단계;
    상기 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성하는 단계; 및
    입력 신호에 대한 2차원 맵 위치를 결정하고, 상기 입력 신호의 이상 정도를 평가하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
  2. 제1항에 있어서,
    상기 경계 데이터를 생성하는 단계는,
    M차원의 무작위 벡터를 경계 데이터 생성 알고리즘을 통해 경계 데이터의 집합을 생성하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
  3. 제1항에 있어서,
    상기 경계 데이터를 생성하는 단계는,
    상기 경계 데이터와 실제 데이터를 분류하는 분류 함수를 학습하는 단계; 및
    경계 데이터 생성 함수를 학습하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
  4. 제3항에 있어서,
    상기 분류 함수를 학습하는 단계는,
    역전파 과정을 통해 분류 손실 값이 최소가 되는 인공 신경망의 가중치를 결정하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
  5. 제3항에 있어서,
    상기 분류 함수를 학습하는 단계는,
    경계 데이터의 분류 확률이 1이 되도록 경계 데이터 생성 함수를 학습하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
  6. 제1항에 있어서,
    상기 2차원 맵을 생성하는 단계는,
    학습된 차원 축소 인공신경망을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 데이터를 추출한 후, 각 차원의 최대 최소값을 계산하여 일정 간격을 갖는 격자 형태의 2차원 맵을 생성하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
  7. 제1항에 있어서,
    상기 입력 신호의 이상 정도를 평가하는 단계는,
    학습된 평가 인공신경망을 통해 생성된 2차원 맵의 매핑 데이터들의 이상정도 평가값을 계산 하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
  8. 제1항에 있어서,
    상기 입력 신호의 이상 정도를 평가하는 단계는,
    상기 입력 신호의 평가값을 색정보로 변환하고, 상기 색정보와 2차원 좌표를 통해 상기 2차원 평가 맵 상에 시각화하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
  9. 경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성하는 데이터 생성부;
    상기 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성하는 학습부;
    상기 평가 모델의 평가 정도를 시각화하는 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성하는 가시화부; 및
    입력 신호에 대한 2차원 맵 위치를 결정하고, 상기 입력 신호의 이상 정도를 평가하는 평가부
    를 포함하는 설비 데이터의 이상 정도 평가 장치.
  10. 제9항에 있어서,
    상기 데이터 생성부는,
    M차원의 무작위 벡터를 경계 데이터 생성 알고리즘을 통해 경계 데이터의 집합을 생성하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
  11. 제9항에 있어서,
    상기 학습부는,
    상기 경계 데이터와 실제 데이터를 분류하는 분류 함수를 학습하고, 경계 데이터 생성 함수를 학습하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
  12. 제11항에 있어서,
    상기 학습부는,
    역전파 과정을 통해 분류 손실 값이 최소가 되는 인공 신경망의 가중치를 결정하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
  13. 제11항에 있어서,
    상기 학습부는,
    경계 데이터의 분류 확률이 1이 되도록 경계 데이터 생성 함수를 학습하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
  14. 제9항에 있어서,
    상기 가시화부는,
    학습된 차원 축소 인공신경망을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 데이터를 추출한 후, 각 차원의 최대 최소값을 계산하여 일정 간격을 갖는 격자 형태의 2차원 맵을 생성하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
  15. 제9항에 있어서,
    상기 평가부는,
    학습된 평가 인공신경망을 통해 생성된 2차원 맵의 매핑 데이터들의 이상정도 평가값을 계산하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
  16. 제9항에 있어서,
    상기 평가부는,
    상기 입력 신호의 평가값을 색정보로 변환하고, 상기 색정보와 2차원 좌표를 통해 상기 2차원 평가 맵 상에 시각화하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
PCT/KR2018/015131 2018-09-06 2018-11-30 설비 데이터의 이상 정도 평가 방법 WO2020050456A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180106722A KR102132077B1 (ko) 2018-09-06 2018-09-06 설비 데이터의 이상 정도 평가 방법
KR10-2018-0106722 2018-09-06

Publications (1)

Publication Number Publication Date
WO2020050456A1 true WO2020050456A1 (ko) 2020-03-12

Family

ID=69721851

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/015131 WO2020050456A1 (ko) 2018-09-06 2018-11-30 설비 데이터의 이상 정도 평가 방법

Country Status (2)

Country Link
KR (1) KR102132077B1 (ko)
WO (1) WO2020050456A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112859822A (zh) * 2021-04-25 2021-05-28 北京邮电大学 基于人工智能的设备健康分析及故障诊断的方法及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102497586B1 (ko) * 2020-07-24 2023-02-10 한국전자통신연구원 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법 및 시스템
KR102453426B1 (ko) * 2021-04-07 2022-10-13 주식회사 원프레딕트 기계 학습을 통해 건전성 인자를 결정하는 방법 및 이러한 방법을 수행하는 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002090267A (ja) * 2000-09-21 2002-03-27 Mitsui Eng & Shipbuild Co Ltd 異常診断方法
KR20090120842A (ko) * 2008-05-21 2009-11-25 울산대학교 산학협력단 기계 작동음 및 진동 신호의 영상 신호 변환을 통한 고장진단 장치 및 방법
JP2017033471A (ja) * 2015-08-05 2017-02-09 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
KR20170038348A (ko) * 2015-09-30 2017-04-07 한국전력공사 동적 설비의 결함 진단 시스템 및 결함 진단 방법
KR101818394B1 (ko) * 2017-05-11 2018-01-12 울산대학교 산학협력단 설비 상태 진단 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002090267A (ja) * 2000-09-21 2002-03-27 Mitsui Eng & Shipbuild Co Ltd 異常診断方法
KR20090120842A (ko) * 2008-05-21 2009-11-25 울산대학교 산학협력단 기계 작동음 및 진동 신호의 영상 신호 변환을 통한 고장진단 장치 및 방법
JP2017033471A (ja) * 2015-08-05 2017-02-09 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
KR20170038348A (ko) * 2015-09-30 2017-04-07 한국전력공사 동적 설비의 결함 진단 시스템 및 결함 진단 방법
KR101818394B1 (ko) * 2017-05-11 2018-01-12 울산대학교 산학협력단 설비 상태 진단 방법 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112859822A (zh) * 2021-04-25 2021-05-28 北京邮电大学 基于人工智能的设备健康分析及故障诊断的方法及系统

Also Published As

Publication number Publication date
KR20200028249A (ko) 2020-03-16
KR102132077B1 (ko) 2020-07-08

Similar Documents

Publication Publication Date Title
WO2018207973A1 (ko) 발전 설비의 자동 진단 시스템 및 자동 진단 방법
WO2020050456A1 (ko) 설비 데이터의 이상 정도 평가 방법
WO2019107614A1 (ko) 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템
WO2019098414A1 (ko) 약한 지도 학습에 기초한 뉴럴 네트워크의 계층적 학습 방법 및 장치
WO2020196985A1 (ko) 비디오 행동 인식 및 행동 구간 탐지 장치 및 방법
WO2017164478A1 (ko) 미세 얼굴 다이나믹의 딥 러닝 분석을 통한 미세 표정 인식 방법 및 장치
WO2019235828A1 (ko) 투 페이스 질병 진단 시스템 및 그 방법
WO2017131263A1 (ko) 교차 프로젝트 결함 예측을 위한 최단 이웃점을 이용한 하이브리드 인스턴스 선택 방법
WO2022114653A1 (ko) 데이터 경계 도출 시스템 및 방법
WO2020246655A1 (ko) 상황 인지 방법 및 이를 수행하는 장치
WO2021235682A1 (en) Method and device for performing behavior prediction by using explainable self-focused attention
WO2022203127A1 (ko) 객체 이상 탐지 및 상태 분류 모델의 지속적인 학습을 위한 방법 및 이를 위한 장치
WO2022145689A1 (ko) 전자의무기록에서의 다변량 결측값 대체 방법
WO2022086147A1 (en) Method for training and testing user learning network to be used for recognizing obfuscated data created by obfuscating original data to protect personal information and user learning device and testing device using the same
WO2020138549A1 (ko) 음향 방출 결함 신호 검출 장치 및 방법
WO2019045147A1 (ko) 딥러닝을 pc에 적용하기 위한 메모리 최적화 방법
WO2019221461A1 (ko) 네트워크 장애 원인 분석 장치 및 방법
WO2019240330A1 (ko) 영상 기반 힘 예측 시스템 및 그 방법
WO2024080791A1 (ko) 데이터셋을 생성하기 위한 방법
WO2023140519A1 (ko) 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템
WO2021015489A2 (ko) 인코더를 이용한 이미지의 특이 영역 분석 방법 및 장치
Choi et al. Data Preprocessing Method in Motor Fault Diagnosis Using Unsupervised Learning
WO2019124602A1 (ko) 객체 추적 방법 및 이를 수행하는 장치들
WO2024111766A1 (ko) 제조 공정에서 이상을 감지하는 방법 및 장치
WO2021137395A1 (ko) 심층신경망 알고리즘 기반의 문제 행동 분류 시스템 및 방법

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: 18932673

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18932673

Country of ref document: EP

Kind code of ref document: A1