WO2020111317A1 - 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법 - Google Patents

기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법 Download PDF

Info

Publication number
WO2020111317A1
WO2020111317A1 PCT/KR2018/014895 KR2018014895W WO2020111317A1 WO 2020111317 A1 WO2020111317 A1 WO 2020111317A1 KR 2018014895 W KR2018014895 W KR 2018014895W WO 2020111317 A1 WO2020111317 A1 WO 2020111317A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
machine
error
time
machine learning
Prior art date
Application number
PCT/KR2018/014895
Other languages
English (en)
French (fr)
Inventor
강학주
Original Assignee
울랄라랩 주식회사
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 울랄라랩 주식회사 filed Critical 울랄라랩 주식회사
Priority to PCT/KR2018/014895 priority Critical patent/WO2020111317A1/ko
Priority to JP2021529123A priority patent/JP7169706B2/ja
Publication of WO2020111317A1 publication Critical patent/WO2020111317A1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • 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

  • the present invention relates to an algorithm and method for detecting error data of a machine based on a machine learning technique.
  • Smart factory refers to the overall technologies that make it easy to connect and easily manage machines and facilities in factories.
  • One of the many technologies that make up this smart factory is managing machines. In other words, it is to monitor whether the machine is operating normally and to predict and manage the occurrence of errors in advance.
  • a threshold value defined in the form of an absolute value independent of time is set, and when operation data out of the threshold is generated by collecting operation data of the machine from time to time, a specific error occurs I think it was done.
  • the conventional threshold value is related to a set allowable value of a machine for production. In other words, it is a combination of an upper limit and a lower limit of the operation to prevent defects in the product being produced.
  • the conventional threshold is a fixed value (absolute value fixed regardless of time within each section set by the operator) directly set by the operator of the factory.
  • a threshold is set for a time period during which a product is manufactured during a period corresponding to one cycle in which the machine operates, and a separate threshold is not set for a time period not related to product manufacturing. Therefore, it is difficult to accurately determine whether or not the machine is in error, although it is possible to judge whether a product is defective.
  • the present invention is to solve the above-mentioned problems of the prior art, by automatically extracting time-series threshold data from the motion data of the machine collected in real time based on the machine learning technique, grasping as the operator sets the threshold by hand
  • the aim is to enable accurate prediction and detection of machine error data.
  • an object of the present invention is to provide error data deviating from time-series threshold data so that it can be easily confirmed by an operator terminal.
  • a method for detecting error data of a machine based on a machine learning technique includes: (a) collecting time-series operation data of at least one machine; (b) dividing the motion data at predetermined time intervals, and mapping the divided motion data to overlap on the same time domain; (c) generating time-series threshold data by deriving time-series standard data for the set of mapped motion data based on machine learning; And (d) when the motion data collected in real time deviates from the threshold data, determining as an error event and providing information on the error event to the operator terminal.
  • a server for detecting error data of a machine based on a machine learning technique includes: a memory for storing a program for detecting error data of a machine based on a machine learning technique; And a processor for executing the program, wherein the processor, according to the execution of the program, collects time-series motion data of at least one machine, divides the motion data at predetermined time intervals, and The segmented motion data is mapped to overlap on the same time domain, and time-series threshold data is generated by deriving time-series standard data for the set of mapped motion data based on machine learning, and motion data collected in real time When is out of the threshold data, it is determined as an error event and information on the error event is provided to the worker terminal.
  • the present invention automatically detects time-series threshold data from a server, and compares operation data in all time domains based on this, thereby accurately detecting defects or product defects of machines that could not be found when setting a conventional threshold (absolute value). Can be detected.
  • the present invention can check the presence or absence of an abnormality in product and quality more precisely than in the conventional case, thereby enabling precise predictive maintenance.
  • the threshold value is precisely generated in time series for all time domains, the accuracy of detecting a defect or malfunction of a machine or product is very high, and accordingly, the process capability index (Cp) of the machine can be greatly improved. Capability index detection is possible.
  • FIG. 1 is a structural diagram of a system according to an embodiment of the present invention.
  • FIG. 2 is a block diagram of the structure of a sensor assembly according to an embodiment of the present invention.
  • 3 is a graph of three representative types of motion data measured from a machine.
  • FIG. 4 is a block diagram of the structure of a server according to an embodiment of the present invention.
  • FIG. 5 is a graph of pre-processed operation data according to an embodiment of the present invention.
  • FIG. 6 is a graph in which motion data is divided in 60 second units according to an embodiment of the present invention and then mapped so that each divided region overlaps within a 60 second unit.
  • FIG. 7 is a graph of standard data detected based on machine learning from motion data collected according to an embodiment of the present invention.
  • FIG. 8 is a graph of time series threshold data according to an embodiment of the present invention.
  • FIG. 9 is a graph of a case in which arbitrary operation data is input for threshold data verification according to an embodiment of the present invention.
  • 10 is a graph when error data is generated according to an embodiment of the present invention.
  • FIG 11 is an example of a user interface according to an embodiment of the present invention.
  • 12 is a graph for comparing threshold data according to an embodiment of the present invention and the prior art.
  • FIG. 13 is a flowchart illustrating a method for detecting error data of a machine based on machine learning according to an embodiment of the present invention.
  • unit includes a unit realized by hardware, a unit realized by software, and a unit realized by using both. Further, one unit may be realized by using two or more hardware, and two or more units may be realized by one hardware.
  • ' ⁇ unit' is not limited to software or hardware, and' ⁇ unit' may be configured to be in an addressable storage medium or may be configured to play one or more processors.
  • ' ⁇ unit' refers to components such as software components, object-oriented software components, class components and task components, processes, functions, attributes, and procedures. , Subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, database, data structures, tables, arrays and variables.
  • components and' ⁇ units' may be combined into a smaller number of components and' ⁇ units', or further separated into additional components and' ⁇ units'.
  • the components and' ⁇ unit' may be implemented to play one or more CPUs in the device or secure multimedia card.
  • the "terminal” mentioned below may be implemented as a computer or a portable terminal capable of accessing a server or another terminal through a network.
  • the computer for example, a laptop equipped with a web browser (WEB Browser), desktop (desktop), laptop (laptop), VR HMD (eg, HTC VIVE, Oculus Rift, GearVR, DayDream, PSVR, etc.) It may include.
  • VR HMD is for PC (e.g. HTC VIVE, Oculus Rift, FOVE, Deepon, etc.) and mobile (e.g. GearVR, DayDream, Storm Racing, Google Cardboard, etc.) and console (PSVR). Includes all Stand Alone models (eg Deepon, PICO, etc.) that are implemented independently.
  • the portable terminal is, for example, a wireless communication device that guarantees portability and mobility, as well as a smart phone, tablet PC, and wearable device, as well as Bluetooth (BLE, Bluetooth Low Energy), NFC, RFID, and ultrasound (Ultrasonic) , Infrared, Wi-Fi (WiFi), LiFi (LiFi), and may include various devices equipped with a communication module.
  • “network” refers to a connection structure capable of exchanging information between each node such as terminals and servers, a local area network (LAN), a wide area network (WAN), and the Internet. (WWW: World Wide Web), wired and wireless data communication networks, telephone networks, and wired and wireless television communication networks.
  • wireless data communication networks examples include 3G, 4G, 5G, 3rd Generation Partnership Project (3GPP), Long Term Evolution (LTE), World Interoperability for Microwave Access (WIMAX), Wi-Fi, Bluetooth communication, infrared communication, ultrasound Communication, Visible Light Communication (VLC), LiFi, and the like are included, but are not limited thereto.
  • 3GPP 3rd Generation Partnership Project
  • LTE Long Term Evolution
  • WIMAX World Interoperability for Microwave Access
  • Wi-Fi Bluetooth communication
  • infrared communication ultrasound Communication
  • VLC Visible Light Communication
  • LiFi and the like are included, but are not limited thereto.
  • operation data' refers to data that can directly or indirectly indicate the operation of the machine, and may mean information such as temperature, humidity, pressure, and power of the machine.
  • the term'object' means a part produced in a factory or a sub-component of the part, and means an object produced/produced by a single machine.
  • 'error data means data related to at least one of a machine error and a defect of an object produced by the machine.
  • the system of an embodiment of the present invention includes a sensor assembly 100 installed near a machine 10 in a factory, a worker terminal 150, a server 200, and a manager terminal 300.
  • the worker terminal 150 means a terminal assigned to a worker in charge of any one of the line equipment in the factory
  • the manager terminal 300 may mean a terminal assigned to a line manager or a factory manager.
  • the worker terminal 150 and the manager terminal 300 may be collectively called a worker terminal.
  • a system is a system capable of providing a smart factory service.
  • This smart factory service provides the efficiency and convenience of management of the machine 10 of the manager by monitoring the operation status of the machine facility 10 in the factory in real time and notifying the manager immediately when there is a high possibility of malfunction or a malfunction. can do.
  • IOT Internet of Things
  • the factory manager can individually search for the machine 10 and remove the inconvenience of scrutinizing whether there is a problem, and the sensor assembly ( By performing machine learning on the value measured in 100), the threshold data can be automatically set on the server to determine whether there is a precise machine abnormality or a product abnormality.
  • the sensor assembly 100 is an IOT integrated module terminal composed of at least one sensor.
  • the sensor assembly 100 is installed in the vicinity of the machine 10 in the factory, and may be configured to be attached to any one surface of the machine 10.
  • the sensor assembly 100 includes a sensor for measuring motion data of the machine 10 and a sensor for transmitting it to the server 200.
  • the sensor assembly 100 includes a sensor controller 110, a communication module 120, a measurement sensor 130, and a connector 140.
  • each of the sensor controllers and the measurement sensors 110-130 may be implemented in a physically independent form. That is, as shown in FIG. 1, each sensor may be formed to have similar or identical physical specifications in a hexahedral form, and it is very easy to be replaced for each required module. For example, if a failure occurs in any one of the sensor controller 110, the communication module 120, and the measurement sensor 130 or a change in use is required, the problem may be easily solved by replacing the corresponding sensor.
  • the sensor assembly 100 may further include a cradle. The cradle functions to support the sensor controller 110 and the communication module 120 together.
  • the cradle is formed with an area capable of covering the areas of the sensor controller 110 and the communication module 120, and the partition wall is formed in the border area to fix the sensor controller 110 and the communication module 120 so as not to escape outside. You can also perform functions.
  • the sensor controller 110 and the communication module 120 may be arranged in a form of being stacked with each other on the cradle.
  • the sensor controller 110 receives the electrical signal value (current or voltage value) measured by the measurement sensor 130 from the measurement sensor 130, and transmits the electrical signal value to the server 200 and collects the communication module 120 ). At this time, the sensor controller 110 is connected to at least one measurement sensor 130. If the existing measurement sensor 130 is replaced by another type of measurement sensor 130 through the replacement or addition of the measurement sensor 130, the sensor controller 110 is electrically connected to the currently connected measurement sensor 130. The signal value can be received and recognized.
  • various sensors such as a temperature sensor, a pressure sensor, a humidity sensor, a current/voltage sensor, and a power sensor
  • the sensor controller 110 may be connected.
  • the sensor controller 110 simply stores the electrical signal value of the measurement sensor 130 (that is, A/D signal value: a signal converted from analog to digital) to the server ( 200), and when the firmware for all sensors is downloaded and installed in the sensor controller 110, even if each sensor is an object that is not compatible with different devices, the sensor controller 110 is applicable The signal from the sensor can be recognized.
  • the sensor controller 110 converts the operation data received from the measurement sensor 130 into a standardized digital signal and transmits it to the communication module 120.
  • signals transmitted from the temperature sensor and the pressure sensor to the sensor controller 110 may be electrical signals of different formats. If it is transmitted to the server 200 as it is, it may not accurately recognize what information the server 200 contains. To this end, the sensor controller 110 may also convert an analog signal or a digital signal into a standardized digital signal and convert it into a form recognizable by the server 200.
  • the communication module 120 transfers information between the sensor controller 110 and the server 200 or the user terminal 300.
  • the electrical signal value transmitted to the server 200 by the communication module 120 may be recognized as operation data by firmware stored in the server 200. That is, it is transmitted to the server 200 as a simple current value or voltage value, but since there is firmware in the server 200, it can be recognized as a value related to operation data such as temperature, pressure, and humidity.
  • the measurement sensor 130 is a sensor that measures motion data of the machine 10.
  • the measurement sensor 130 may be a sensor that measures any one of temperature, pressure, humidity, voltage, power, and vibration. This is only an example, and may include sensors for measuring various other motion data.
  • the sensor controller 110, the communication module 120, and the measurement sensor 130 may be connected and fixed to each other through the connector 140.
  • the connector 140 may be implemented in the form of wires or wires.
  • the connector 140 may be implemented in the form of a plurality of pins formed in one region of each sensor.
  • the sensors 140 formed in each sensor are disposed and connected to mesh with each other so that the sensors can be connected to each other.
  • the server 200 may receive electrical signal values related to the operation data of the machine 10 from the sensor assembly 100 installed for each machine 10, and recognize which operation data is based on firmware. In addition, by automatically generating time-series threshold data of the machine based on the motion data collected through the analysis method based on big data analysis and machine learning, so that the operator does not have to manually input the threshold data corresponding to the absolute value. In addition, since it is threshold data based on machine learning, it is possible to accurately set the threshold, so it is possible to accurately determine whether the machine is in error or the product is defective.
  • Information on the operation data of the server 200 and 100 may be provided to the worker terminal 150 and 150 and the manager terminal 300 and 300.
  • the worker terminal 150, 150 is a terminal that is installed on the machine 10 or is disposed in the vicinity of the machine 10, and a worker in charge of a process directly monitors the status of the machine 10 in charge. Real-time operation data for the machine 10 can be displayed so that it can be checked.
  • the manager terminals 300 and 300 may be installed with an application capable of providing a smart factory service.
  • the application may receive information from the server 200 and 200 and process it in an easy-to-understand form to provide the user with information about the operation status of the machine 10 and the equipment 10, and the entire machine in the factory ( It can be displayed to inquire at a glance the operation data for 10).
  • the representative type of the operation data of the machine 10 can be summarized to three degrees as shown in FIG. That is, as shown in 1, it has different amplitudes over time, but has certain periods, and is read-out operation data. As shown in 2, it has the same amplitude and period over time, but operation data whose frequency is different. After a period of time, it can be summarized as saturation motion data.
  • a conventional machine 10 error or product error detection method is a method in which an operator inputs a threshold manually, and recognizes an error event when motion data exceeding the threshold is found.
  • the threshold value is an absolute value defined regardless of time. Therefore, when determining the normal operation by setting the threshold for the saturation value as 3, the conventional method may be appropriate, but when the amplitude or frequency is different depending on the time, such as 1 and 2, use the existing method. The exact error event cannot be recognized. Accordingly, when applying the conventional method to 1, the absolute value threshold is applied only to a certain time period area directly connected to product production among all time domains. Therefore, it is impossible to detect an error event in another time period region to which the absolute value threshold is not applied.
  • One embodiment of the present invention described later regardless of what type of motion data of the machine 10, generates time-series threshold data that matches the pattern of the motion data based on the machine learning technique, so all types of motion It can be referred to as a machine 10 error detection technique that can be applied to the machine 10 for data.
  • a machine 10 error detection technique that can be applied to the machine 10 for data.
  • the operation data of the machine 10 is of the type (1).
  • the server 200 includes a memory in which a program (or application) performing a method for detecting error data of the machine 10 based on a machine learning technique and a processor executing the above program Can be.
  • the processor may perform various functions according to the execution of a program stored in the memory, and the detailed components included in the processor according to each function may be a data preprocessing unit 210, a data analysis unit 220, and a threshold data detection unit 230 ), an error detection and determination unit 240 and an operation data providing unit 250.
  • the data pre-processing unit 210 collects operation data of the machine 10 from the past to the present and performs pre-processing.
  • the operation data of the machine 10 is of the type 1 in FIG. 3 described above, the operation data is formed in one pattern each time the machine 10 produces one object. That is, when the machine 10 manufactures one object for 60 seconds, the operation data has the same or similar amplitude (value for temperature, pressure, voltage, etc.) in units of 60 seconds. At this time, since the motion data collected while the machine 10 is operating to produce an object are meaningful data, the data during the time when the machine 10 is not operating is excluded and the data during the operation time are collected. , Compression can be performed on the collected data. Accordingly, the pre-processed operation data may be displayed in a graph as shown in FIG. 5.
  • event data 410 having a pattern that deviates from the collected pattern of motion data may be detected.
  • the event data 410 having a pattern deviating from the average pattern (for example, a graph shape) formed by the collected motion data may be detected.
  • the amplitude value is different from the motion data in a specific time period. Compared to this, event data 410 that is much higher is shown.
  • the event data 410 is data related to an error of the machine 10 or an object.
  • the work data at the moment the event data 410 is detected (that is, information about whether the machine 10 is in error or an object is defective) is retrieved, and the work is performed.
  • Information and event data 410 may be matched and stored in the server 200.
  • the information stored matching with respect to the event data 410 includes information indicating a machine 10 error and object failure, information representing a machine 10 error and object failure, information representing a machine 10 normal and object failure, and a machine (10) It may be any one of information indicating normal and object normal.
  • the data analysis unit 220 may perform a machine learning technique on the pre-processed motion data to derive standard data for the motion data.
  • the data analysis unit 220 may divide the operation data at predetermined time intervals and map the divided operation data on a time domain having a length corresponding to the predetermined time interval.
  • the predetermined time interval may be one cycle of operation data (eg, 60 seconds).
  • One cycle may be the time it takes for the machine 10 to manufacture one object.
  • the data analysis unit 220 divides one period into units for all collected time-series operation data, and maps values constituting the divided operation data on a graph having a length of one cycle, as shown in FIG. 6. Graphs can be derived. That is, all points constituting the divided motion data are mapped on the graph. According to the graph of FIG. 6, it can be seen that the operation data has a specific pattern and is repeated.
  • the data analysis unit 220 extracts at least one time-series standard data based on an average value or a median value from the set of mapped motion data based on a machine learning technique and detects standard data having the highest K index. can do.
  • the data analysis unit 220 extracts standard data based on the median value, it is possible to detect, as standard data, the most frequently divided motion data among all the divided motion data superimposed on the graph of FIG. 6.
  • the K index may be a statistical index or mean an average value or a median value. It shows that the closer the K index of a specific graph is to 1, the closer the standard value of the motion data.
  • the data analysis unit 220 repeatedly detects the standard data for the collected motion data, measures the K index, performs machine 10 learning, and detects the standard data having the highest K index. For example, a graph for standard data as shown in FIG. 7 can be derived.
  • the threshold data detector 230 detects time-series threshold data based on standard data. Specifically, among motion data mapped on the graph of FIG. 6, upper limit threshold data is performed by performing a machine learning process performed by the data analysis unit 220 on motion data having a higher Y-axis value (amplitude value) than standard data (422) is detected. In addition, the threshold data detector 230 performs the same machine learning process on the motion data having a lower Y-axis value (amplitude value) than the standard data among motion data mapped on the graph of FIG. 6, thereby lower limit threshold data 423 Detects. At this time, the combination of the upper limit threshold data 422 and the lower limit threshold data 423 becomes threshold data.
  • standard data 421 is mapped between the upper limit threshold data 422 and the lower limit threshold data 423.
  • the threshold data is configured to have different values over time. That is, since the type of motion data was the type 1 in FIG. 3, the threshold data derived based on machine learning is also the type 1.
  • the upper limit threshold data 422 and the lower limit threshold data 423 in FIG. 8 are described as having a difference of +10 or -10 from the standard data, this is only an example and may be configured to have different difference values.
  • the error detection and determination unit 240 detects an error by comparing motion data collected in real time with threshold data and determines what type of error it is.
  • the error detection and determination unit 240 may consider that the machine 10 and the object are in a normal state.
  • the error detection and determination unit 240 may detect the error data 425.
  • the error data 425 of FIG. 10 has a normal data pattern form until about 25 seconds, but has an abnormal pattern that deviates from the threshold data in a time period d between about 25 seconds and about 50 seconds.
  • the error detection and determination unit 240 compares the pattern of the error data 425 with the pattern of the event data 410.
  • the error detection and determination unit 240 provides information on whether the machine 10 of the event data 410 having a pattern corresponding to the error data 425 has an error and whether or not the object is defective according to the comparison result. 425). That is, the event data 410 includes the four types described above (machine 10 normal and object normal type, machine 10 normal and object bad type, machine 10 error and object normal type, machine 10 error and Object error type), and it is possible to determine which type of error data 425 corresponds to these four types.
  • the operation data providing unit 250 may provide information on an error event to the operator terminal.
  • the user interface provided to the worker terminal may have the form shown in FIG. 11.
  • the user interface is identification information (for example, WF-11, WF-12, WF-21, WF-22, WF-31, WF of FIG. 11) included in the work site. -32) and the machine 10 displayed by matching the identification information for each machine 10 and the state information of the object produced by the machine 10. That is, status information may be provided by being divided into blocks for each machine 10.
  • the current state information of the machine 10 can be expressed by differently displaying color or contrast for each state value (machine 10 malfunction, machine 10 normal, product defect, product normal).
  • the user interface presents a picture of a structure in which a plurality of machines 10 are arranged, and presents identification information and status information for each machine 10 on the picture, in a map form. It is also possible to provide the operator with the status information for each machine 10 so that they can be easily checked at a glance.
  • real-time collection information for a plurality of time-series operation data for the machine 10 is generated.
  • a real-time graph of temperature, humidity, pressure, etc. of the machine 10 can be provided.
  • the user interface may provide a worker with a real-time operation data graph and a graph for threshold data superimposedly displayed when the real-time graph is enlarged.
  • the threshold data is generated once through the above-described machine learning and big data analysis process, since the motion data is continuously collected and accumulated, the same machine learning and big data analysis process including the subsequent motion data It can be updated by doing again.
  • threshold data set by a worker according to the prior art is defined as absolute values such as USL (Upper Spec Limit) and LSL (Lower Spec Limit).
  • USL Upper Spec Limit
  • LSL Lower Spec Limit
  • the threshold data is composed of the upper limit threshold data 422 and the lower limit threshold data 423 that change in time series. Accordingly, it is possible to detect error data in the E1 region that cannot be detected in the prior art.
  • the server 200 first collects time-series operation data of the machine 10 and performs pre-processing (S110).
  • the server 200 extracts a plurality of error patterns from pre-processed operation data (S120). When a pattern deviating from the average pattern indicated by the motion data is found, it is detected as an error pattern, and each error pattern is matched with the information in the work log to determine whether the error pattern indicates an abnormality of the machine 10 or the object. do.
  • the server 200 detects time-series threshold data from all motion data collected based on machine learning (S130). Standard data having the highest K index is detected, and threshold data is detected based on the standard data.
  • the server 200 detects error data outside the threshold data (S140).
  • the server 200 detects an error state by comparing error data and a plurality of error patterns (S150). That is, the error state is detected by comparing the error data with the previously detected event data 410.
  • the server 200 provides error state information according to a user interface preset as an operator terminal (S160).
  • One embodiment of the invention may also be implemented in the form of a recording medium comprising instructions executable by a computer, such as program modules, being executed by a computer.
  • Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media.
  • the computer-readable medium may include any computer storage medium.
  • Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 시계열적인 임계치 데이터를 서버에서 머신러닝 기법 기반으로 자동으로 검출해내고, 이를 기반으로 모든 시간 영역에서 동작데이터를 비교할 수 있다. 그에 따라, 작업자가 수기로 임계치 데이터를 입력할 필요가 없다. 또한, 본 발명은 종래의 임계치(절대값) 설정시 발견할 수 없었던 기계의 결함이나 제품 불량을 정밀하게 검출할 수 있다.

Description

기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법
본 발명은 머신러닝 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법에 관한 것이다.
인터넷의 빠른 보급과 인터넷을 기반으로 한 모든 사물들 간의 연결기술 발달 등이 이루어짐에 따라 4차 산업혁명이 대두되고 있다. 이러한 4차 산업혁명을 이끌어가는 여러 기술분야들 중의 하나는 스마트 팩토리에 관한 기술이다.
스마트 팩토리란 공장의 기계 및 시설들을 연결하고 쉽게 관리할 수 있게 하는 총체적인 기술들을 일컫는다. 이러한 스마트 팩토리를 이루는 여러 기술들 중 하나는 기계들을 관리하는 기술이다. 즉, 기계가 정상적으로 동작하고 있는지 모니터링하고 오류 발생을 미리 예측하며 관리할 수 있도록 하는 것이다.
종래의 경우, 기계의 오작동을 예측하기 위해, 시간과 무관한 절대값의 형태로 정의되는 임계치를 설정하고, 기계의 동작데이터를 수시로 수집하여 임계치를 벗어나는 동작데이터가 발생되는 경우, 특정한 오류가 발생된 것으로 판단하고 있다. 종래의 임계치는 생산을 위한 기계의 설정 허용값에 관한 것으로서, 다르게 표현하면 생산되는 제품의 불량이 발생되지 않도록 하는 동작의 상한값과 하한값의 조합이다. 그리고, 종래의 임계치는 공장의 작업자가 직접 설정하는 고정값(작업자가 설정한 각 구간 내에서 시간과 무관하게 고정되어 있는 절대값)이다. 그러므로, 작업자가 임의로 제품의 퀄리티를 낮추어 불량률을 낮추고자 한다면 임계치의 상한과 하한을 넓게 설정하기만 하면 되고, 그 반대의 경우에는 임계치의 상한과 하한을 좁게 설정하면 된다. 또한, 기계가 동작하는 하나의 사이클에 대응하는 주기 동안 제품을 제조하는 시구간에 대해서 임계치가 설정되며, 제품 제조와 무관한 시구간에 대해서는 별도의 임계치가 설정되지 않는다. 그러므로, 제품의 불량 발생여부에 대해서는 판단할 수 있을 지언정 기계의 오류 여부에 대해서는 정확하게 판단하기 어렵다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 머신러닝기법을 기반으로 실시간으로 수집된 기계의 동작데이터로부터 시계열적인 임계치 데이터를 자동으로 추출함으로써, 작업자가 수기로 임계치를 설정함에 따라 파악할 수 없었던 기계의 오류 데이터를 정밀하게 예측 및 검출할 수 있도록 하는 데에 목적이 있다.
또한, 본 발명은 시계열적인 임계치 데이터에 벗어난 오류 데이터를 작업자 단말에서 쉽게 확인할 수 있도록 제공하는 데에 목적이 있다.
본 발명의 일 실시예에 따르는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법은, (a) 적어도 하나의 기계의 시계열적인 동작데이터를 수집하는 단계; (b) 상기 동작데이터를 소정의 시간 간격으로 분할하고, 상기 분할된 동작데이터를 동일한 시간영역 상에 중첩되도록 매핑하는 단계; (c) 상기 매핑된 동작데이터의 집합에 대한 시계열적인 표준데이터를 머신러닝에 기반하여 도출함으로써 시계열적인 임계치 데이터를 생성하는 단계; 및 (d) 실시간으로 수집되는 동작데이터가 상기 임계치 데이터를 벗어나는 경우, 오류 이벤트로 판단하여 상기 오류 이벤트에 대한 정보를 작업자 단말로 제공하는 단계를 포함한다.
본 발명의 다른 실시예에 따르는, 머신러닝 기법에 기반한 기계의 오류 데이터를 검출하는 서버는, 머신러닝 기법에 기반한 기계의 오류 데이터를 검출하기 위한 프로그램을 저장하는 메모리; 및 상기 프로그램을 실행하기 위한 프로세서;를 포함하며, 상기 프로세서는, 상기 프로그램의 실행에 따라, 적어도 하나의 기계의 시계열적인 동작데이터를 수집하고, 상기 동작데이터를 소정의 시간 간격으로 분할하고, 상기 분할된 동작데이터를 동일한 시간영역 상에 중첩되도록 매핑하며, 상기 매핑된 동작데이터의 집합에 대한 시계열적인 표준데이터를 머신러닝에 기반하여 도출함으로써 시계열적인 임계치 데이터를 생성하고, 실시간으로 수집되는 동작데이터가 상기 임계치 데이터를 벗어나는 경우, 오류 이벤트로 판단하여 상기 오류 이벤트에 대한 정보를 작업자 단말로 제공한다.
본 발명은 시계열적인 임계치 데이터를 서버에서 자동으로 검출해내고, 이를 기반으로 모든 시간 영역에서 동작데이터를 비교하므로, 종래의 임계치(절대값) 설정시 발견할 수 없었던 기계의 결함이나 제품 불량을 정밀하게 검출할 수 있다.
그에 따라, 본 발명은 종래의 경우보다 더 정교하게 제품과 품질의 이상유무를 체크할 수 있어 정밀한 예지보전이 가능하다.
또한, 임계치를 모든 시간영역에 대해 시계열적으로 정밀하게 생성하기 때문에, 기계나 제품의 불량/오동작 검출 정확도가 매우 높아지며, 그에 따라 기계의 공정능력지수(Cp)를 매우 향상시킬 수 있으며, 정확한 공정능력지수 검출이 가능하다.
또한, 작업자 단말의 사용자 인터페이스를 작업자가 매우 쉽게 각 기계의 상태를 확인할 수 있도록 제공함으로써, 작업자의 편의성을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따르는 시스템의 구조도이다.
도 2는 본 발명의 일 실시예에 따르는 센서 어셈블리의 구조에 대한 블록도이다.
도 3은 기계로부터 측정되는 동작데이터의 대표적인 세가지 유형에 관한 그래프이다.
도 4는 본 발명의 일 실시예에 따르는 서버의 구조에 관한 블록도이다.
도 5는 본 발명의 일 실시예에 관한 전처리된 동작데이터에 관한 그래프이다.
도 6은 본 발명의 일 실시예에 관한 60초 단위로 동작데이터를 분할 한 뒤, 각 분할 영역들이 60초 단위 내에서 중첩되도록 매핑한 그래프이다.
도7은 본 발명의 일 실시예에 따라 수집된 동작데이터로부터 머신러닝에 기반하여 검출된 표준 데이터에 대한 그래프이다.
도 8은 본 발명의 일 실시예에 따르는 시계열적인 임계치 데이터에 대한 그래프이다.
도9는 본 발명의 일 실시예에 따라, 임계치 데이터 검증을 위해 임의의 동작데이터가 입력된 경우의 그래프이다.
도 10은 본 발명의 일 실시예에 따라 오류데이터가 발생된 경우의 그래프이다.
도 11은 본 발명의 일 실시예에 따르는 사용자 인터페이스의 일 예이다.
도 12는 본 발명의 일 실시예와 종래 기술에 의한 임계치 데이터를 비교하기 위한 그래프이다.
도 13은 본 발명의 일 실시예에 따라 머신러닝에 기반하여 기계의 오류 데이터를 검출하기 위한 방법을 설명하기 위한 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
이하에서 언급되는 " 단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), VR HMD(예를 들어, HTC VIVE, Oculus Rift, GearVR, DayDream, PSVR 등)등을 포함할 수 있다. 여기서, VR HMD 는 PC용 (예를 들어, HTC VIVE, Oculus Rift, FOVE, Deepon 등)과 모바일용(예를 들어, GearVR, DayDream, 폭풍마경, 구글 카드보드 등) 그리고 콘솔용(PSVR)과 독립적으로 구현되는 Stand Alone 모델(예를 들어, Deepon, PICO 등) 등을 모두 포함한다. 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 스마트폰(smart phone), 태블릿 PC, 웨어러블 디바이스뿐만 아니라, 블루투스(BLE, Bluetooth Low Energy), NFC, RFID, 초음파(Ultrasonic), 적외선, 와이파이(WiFi), 라이파이(LiFi) 등의 통신 모듈을 탑재한 각종 디바이스를 포함할 수 있다. 또한, "네트워크"는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
이하에서, '동작데이터'란 기계의 동작을 직접적 혹은 간접적으로 나타낼 수 있는 데이터를 의미하는 것으로서, 예를 들어, 기계의 온도, 습도, 압력, 전력 등과 같은 정보를 의미할 수 있다.
또한, '객체'란 공장에서 생산되는 부품 혹은 그 부품의 하위 구성요소를 의미하는 것으로서, 하나의 기계가 제작/생산하는 대상을 의미한다.
또한, '오류데이터'란 기계의 오류 및 기계가 제작하는 객체의 불량 중 적어도 하나에 관한 데이터를 의미한다.
도 1을 참조하면, 본 발명의 일 실시예의 시스템은 공장 내의 기계(10)에 부근에 설치된 센서 어셈블리(100), 근로자 단말(150), 서버(200) 및 관리자 단말(300)을 포함한다. 여기서, 근로자 단말(150)은 공장 내의 라인 설비 중 어느 한 공정을 담당하는 근로자에게 할당되는 단말을 의미하며, 관리자 단말(300)은 라인 책임자 혹은 공장 책임자에게 할당되는 단말을 의미할 수 있다. 근로자 단말(150)과 관리자 단말(300)을 통칭하여 작업자 단말이라고 호칭될 수도 있다.
본 발명의 일 실시예에 따르는 시스템은 스마트공장 서비스를 제공할 수 있는 시스템이다. 이러한 스마트공장 서비스는 공장 내 기계설비(10)의 동작 현황을 실시간으로 모니터링하고 오동작 발생 가능성이 높거나 오동작이 발생한 경우 즉시 관리자에게 이를 알려줌으로써, 관리자의 기계(10) 관리의 효율성 및 편의성을 제공할 수 있다. 특히, 센서 어셈블리(100)를 통해 IOT(Internet Of Things) 기술 기반의 서비스를 제공함으로써, 공장관리자가 일일이 기계(10)를 찾아보고 문제가 있는지 꼼꼼히 살피는 불편함을 제거할 수 있고, 센서 어셈블리(100)에서 측정한 값에 대한 머신러닝을 수행하여 임계치 데이터를 자동으로 서버에서 설정함으로써 정밀한 기계 이상 유무 또는 제품 이상 유무를 판단할 수도 있다.
센서 어셈블리(100)는 적어도 하나의 센서로 구성된 IOT통합모듈단말기이다. 센서 어셈블리(100)는 공장 내 기계(10)의 부근에 설치되는 것으로서, 기계(10)의 어느 일 면에 부착되는 형태로 구성될 수도 있다. 센서 어셈블리(100)는 기계(10)의 동작데이터를 측정하기 위한 센서와 이를 서버(200)로 전송하기 위한 센서를 포함한다.
구체적으로, 도 2를 참고하면, 센서 어셈블리(100)는 센서 컨트롤러(110), 통신 모듈(120), 측정센서(130), 커넥터(140)를 포함한다.
센서 컨트롤러 내지 측정센서(110 - 130)는 각각 물리적으로 독립된 형태로 구현될 수 있다. 즉, 도 1과 같이, 각각의 센서들이 육면체 형태로 유사하거나 동일한 물리적 규격을 갖도록 형성될 수 있고, 필요한 모듈별로 교체되기가 매우 용이하다. 예를 들어, 센서 컨트롤러(110), 통신 모듈(120), 측정센서(130) 중 어느 하나에 고장이 발생하거나 용도 변경이 필요할 경우, 해당하는 센서를 교체함으로써 문제를 쉽게 해결할 수도 있다. 또한, 센서 어셈블리(100)는 거치대를 더 포함할 수도 있다. 거치대는 센서 컨트롤러(110)와 통신 모듈(120)을 함께 지지하는 기능을 수행한다. 거치대는 센서 컨트롤러(110)와 통신 모듈(120)의 면적을 커버할 수 있는 면적으로 형성되되, 테두리 영역에 격벽이 형성됨으로써 센서 컨트롤러(110)와 통신 모듈(120)이 외부로 벗어나지 않게 고정하는 기능을 수행할 수도 있다. 이때, 센서 컨트롤러(110)와 통신 모듈(120)은 거치대 상에서 서로 적층되는 형태로 배치될 수 있다.
센서 컨트롤러(110)는 측정센서(130)로부터 측정센서(130)가 측정한 전기신호값(전류 혹은 전압값)을 수신하고, 전기신호값이 서버(200)로 전송되어 수집되도록 통신 모듈(120)로 전달한다. 이때, 센서 컨트롤러(110)는 적어도 하나의 측정센서(130)와 연결된다. 만약 측정센서(130)의 교체 또는 부가를 통해 기존에 연결되어 있던 측정센서(130)가 다른 종류의 측정센서(130)로 대체되더라도, 센서 컨트롤러(110)는 현재 연결된 측정센서(130) 의 전기신호값을 수신하고 인식할 수 있다.
예를 들어, 온도 센서, 압력 센서, 습도 센서, 전류/전압 센서, 전력 센서 등 다양한 센서들과 센서 컨트롤러(110)가 연결될 수 있다. 또한, 펌웨어가 서버(200)에 탑재되어 있는 경우, 센서 컨트롤러(110)는 단순히 측정센서(130)의 전기신호값(즉, A/D 신호값 : 아날로그에서 디지털로 변환된 신호)을 서버(200)로 전달하는 역할을 하며, 센서 컨트롤러(110)에 모든 센서에 대한 펌웨어가 다운로드되어 설치되어 있는 경우, 각 센서들이 서로 다른 기기와 호환이 되지 않는 물건이라고 하더라도, 센서 컨트롤러(110)는 해당 센서의 신호를 인지할 수 있다.
센서 컨트롤러(110)는 측정센서(130)로부터 수신한 동작데이터를 규격화된 디지털 신호로 변환하여, 통신 모듈(120)로 전달한다. 예를 들어, 온도센서와 압력센서로부터 센서 컨트롤러(110)로 전달된 신호는 서로 다른 포맷의 전기신호일 수 있다. 이를 그대로 서버(200)로 전달할 경우, 서버(200)가 어떠한 정보를 담고 있는지 정확하게 인지하지 못할 수 있다. 이를 위해 센서 컨트롤러(110)는 아날로그신호 또는 디지털신호를 규격화된 디지털신호로 변환하여 서버(200)에서 인지할 수 있는 형태로 변환하는 역할도 수행할 수 있다.
통신 모듈(120)은 센서 컨트롤러(110)와 서버(200) 또는 사용자 단말(300) 사이에서 정보 전달을 수행한다. 통신 모듈(120)에 의해 서버(200)로 전송된 전기신호값은 서버(200)에 저장된 펌웨어에 의하여 동작데이터로 인식될 수 있다. 즉, 단순한 전류값 혹은 전압값으로 서버(200)에 전송되지만, 서버(200) 내에 펌웨어가 있기 때문에, 그것이 온도, 압력, 습도와 같은 동작데이터에 관한 값으로 인식될 수 있다.
측정센서(130)는 기계(10)의 동작데이터를 측정하는 센서이다. 예를 들어, 측정센서(130)는 온도, 압력, 습도, 전압, 전력 및 진동 중 어느 하나를 측정하는 센서일 수 있다. 이는 일 예일 뿐이며, 다른 다양한 동작데이터를 측정하는 센서를 포함할 수도 있다.
센서 컨트롤러(110), 통신 모듈(120), 측정센서(130)는 커넥터(140)를 통하여 서로 연결 및 고정될 수 있다. 커넥터(140)는 전선이나 배선의 형태로 구현될 수도 있다. 또는, 커넥터(140)는 각 센서의 일 영역에 형성된 복수의 핀(pin)의 형태로 구현될 수도 있다. 핀 형태로 구현되는 경우, 각각의 센서에 형성된 커넥터(140)가 서로 맞물리도록 배치되고 연결됨으로써 센서들이 서로 연결될 수 있다. 또한, 커넥터(140) 간에 서로 고정결합될 수 있는 형태로 구비될 경우, 커넥터(140) 간의 연결뿐만 아니라 센서들 간의 위치 고정의 효과까지 제공해줄 수 있다.
서버(200)는 각 기계(10)마다 설치된 센서 어셈블리(100)로부터 기계(10)의 동작데이터에 관한 전기신호값을 수신하고, 어떠한 동작데이터에 관한 것인지 펌웨어 기반으로 인지할 수 있다. 또한, 빅데이터 분석 및 머신러닝에 기반한 분석기법을 통해 수집한 동작데이터를 기반으로 기계의 시계열적인 임계치 데이터를 자동으로 생성함에 따라, 작업자가 수기로 절대값에 해당하는 임계치 데이터를 입력하지 않아도 되도록 하며, 머신러닝에 기반한 임계치 데이터이기 때문에 정확한 임계치 설정이 가능하여 기계의 오류나 제품의 불량 여부를 정확하게 판단할 수 있다.
서버(200)(100)의 동작데이터에 대한 정보는 근로자 단말(150)(150)과 관리자 단말(300)(300)로 제공될 수 있다.
근로자 단말(150)(150)은 기계(10)에 설치되거나 기계(10)의 부근에 배치되는 단말로서, 한 공정을 담당하는 근로자가 자신이 담당한 기계(10)의 현황을 직접적으로 모니터링 하고 체크할 수 있도록 그 기계(10)에 대한 실시간 동작데이터를 표시할 수 있다.
관리자 단말(300)(300)은 스마트공장 서비스를 제공할 수 있는 애플리케이션이 설치되어 있을 수 있다. 애플리케이션은 서버(200)(200)로부터 정보를 수신하여 사용자가 이해하기 쉬운 형태로 가공하여 사용자에게 기계(10)설비(10)의 운영현황에 대한 정보를 제공해줄 수 있으며, 공장 내 전체 기계(10)에 대한 동작데이터를 한 눈에 조회할 수 있도록 표시될 수 있다.
이하, 본 발명의 서버(200)의 머신러닝에 기반한 기계(10) 오류 검출 기법에 대하여 구체적으로 설명하도록 한다.
기계(10)의 동작데이터의 대표적인 유형은 도3과 같이 세가지 정도로 요약될 수 있다. 즉, ①과 같이 시간에 따라 다른 진폭을 갖되 특정한 주기를 가지며 반독되는 동작데이터, ②와 같이 시간에 따라 동일한 진폭과 주기를 갖되 주파수가 달라지는 동작데이터, ③과 같이 기계(10)가 동작하고 일정시간이 지난 후에는 saturation되는 동작데이터로 요약될 수 있다.
종래의 기계(10) 오류 혹은 제품 오류 검출 방식은 임계치를 작업자가 수기로 입력하고, 그 임계치를 넘게 되는 동작데이터가 발견되면 오류 이벤트로 인지하는 방식이다. 이때, 임계치는 시간과 무관하게 정의되는 절대값이다. 그러므로, ③과 같이 saturation되는 값에 대한 임계치를 설정하여 정상 동작여부를 판가름할 때에는 종래의 방식이 적절할 수는 있으나, ①, ②와 같이 시간에 따라 진폭이 다르거나 주파수가 달라지는 경우에는 기존 방식으로 정확한 오류 이벤트를 인지할 수 없다. 그에 따라, 종래 방식을 ①에 적용할 경우에는 모든 시간 영역 중 제품 생산에 직결되는 일정 시구간 영역에 대해서만 절대값 임계치를 적용하고 있다. 그러므로, 절대값 임계치가 적용되지 않는 다른 시구간 영역에서의 오류 이벤트를 감지할 수 없다.
후술하는 본 발명의 일 실시예는 기계(10)의 동작데이터가 어느 유형인지를 불문하고, 머신러닝 기법에 기반하여 그 동작데이터의 패턴에 맞는 시계열적인 임계치 데이터를 생성하기 때문에, 모든 유형의 동작데이터에 관한 기계(10)에 대해 적용할 수 있는 기계(10) 오류 검출 기법이라 할 수 있다. 이하에서는, 기계(10)의 동작데이터가 ①의 유형인 경우를 가정하고 서술하도록 한다.
도 4를 참고하면, 서버(200)는 머신러닝 기법에 기반한 기계(10)의 오류 데이터를 검출하기 위한 방법을 수행하는 프로그램(또는 애플리케이션)이 저장된 메모리와 위 프로그램을 실행하는 프로세서를 포함하여 구성될 수 있다. 여기서 프로세서는 메모리에 저장된 프로그램의 실행에 따라 다양한 기능을 수행할 수 있는데, 각 기능에 따라 프로세서에 포함되는 세부 구성요소들을 데이터 전처리부(210), 데이터 분석부(220), 임계치 데이터 검출부(230), 오류 검출 및 판단부(240) 및 동작데이터 제공부(250)로 나타낼 수 있다.
데이터 전처리부(210)는 과거부터 현재까지의 기계(10)의 동작데이터를 수집하여 전처리를 수행한다.
기계(10)의 동작데이터가 상술한 도 3의 ①의 유형이라 가정할 때, 동작데이터는 기계(10)가 하나의 객체를 제작할 때마다 하나의 패턴으로 형성된다. 즉, 기계(10)가 60초 동안 하나의 객체를 제작하는 경우, 동작데이터는 60초 단위로 동일하거나 유사한 진폭(온도, 압력, 전압 등에 대한 값)을 가진다. 이때, 기계(10)가 객체를 제작하기 위해 동작하고 있는 동안 수집된 동작데이터들이 유의미한 데이터들이므로, 기계(10)가 동작하지 않는 시간 동안의 데이터들은 배제하고 동작하는 시간 동안의 데이터들을 수집하고, 수집된 데이터들에 대한 압축을 수행할 수 있다. 그에 따라, 전처리된 동작데이터는 도 5와 같은 형태의 그래프로 나타날 수 있다.
이때, 수집된 동작데이터의 패턴으로부터 어긋나는 패턴을 갖는 이벤트 데이터(410)가 검출될 수 있다. 구체적으로, 수집된 동작데이터가 이루는 평균적인 패턴(예를 들어, 그래프 모양)으로부터 어긋나는 패턴을 갖는 이벤트 데이터(410)가 검출될 수 있는데, 도 5에서는 특정 시구간에서 진폭값이 다른 동작데이터에 비하여 훨씬 높게 나타나는 이벤트 데이터(410)가 나타나고 있다.
이러한 이벤트 데이터(410)는 기계(10)의 오류 혹은 객체의 오류에 관한 데이터이다. 이때, 실제 작업 현장에서 기록된 작업데이터를 기반으로, 그 이벤트 데이터(410)가 검출된 순간의 작업 정보(즉, 기계(10) 오류 여부 혹은 객체 불량 여부에 관한 정보)를 검색하고, 그 작업 정보와 이벤트 데이터(410)가 매칭되어 서버(200)에 저장될 수 있다. 이벤트 데이터(410)에 대하여 매칭 저장되는 정보는 기계(10) 오류 및 객체 불량을 나타내는 정보, 기계(10) 오류 및 객체 정상을 나타내는 정보, 기계(10) 정상 및 객체 불량을 나타내는 정보, 및 기계(10) 정상 및 객체 정상을 나타내는 정보 중 어느 하나일 수 있다.
데이터 분석부(220)는 전처리된 동작데이터들에 대하여 머신러닝 기법을 수행하여 동작데이터에 대한 표준데이터를 도출할 수 있다.
구체적으로, 데이터 분석부(220)는 동작데이터를 소정 시간 간격으로 분할하고, 그 소정 시간 간격에 대응하는 길이의 시간영역 상에 분할된 동작데이터를 매핑할 수 있다. 예를 들어, 소정 시간 간격은 동작데이터의 한 주기(예를 들어, 60초)가 될 수 있다. 한 주기는 기계(10)가 하나의 객체를 제조하는 데에 소요되는 시간일 수 있다. 데이터 분석부(220)는 수집된 모든 시계열적인 동작데이터에 대하여 한 주기를 단위로 분할 하고, 분할된 동작데이터를 구성하는 값들을 한 주기의 길이를 갖는 그래프 상에 매핑할 경우, 도 6과 같은 그래프가 도출될 수 있다. 즉, 분할된 동작데이터를 구성하는 모든 점들을 그래프 상에 매핑한 것이다. 도 6의 그래프에 따르면 동작데이터는 특정한 패턴을 가지며 반복된다는 것을 알 수 있다.
데이터 분석부(220)는 머신러닝 기법에 기반하여, 상기 매핑된 동작데이터의 집합으로부터 평균값 혹은 메디안(median) 값에 기반한 적어도 하나의 시계열적인 표준 데이터를 추출하고 K 지수가 가장 높은 표준 데이터를 검출할 수 있다. 데이터 분석부(220)가 메디안 값에 기반하여 표준데이터를 추출할 경우, 도 6의 그래프 상에 중첩된 모든 분할된 동작데이터 중 가장 빈번히 나타나는 분할된 동작데이터를 표준데이터로 검출할 수 있다. 여기서 K지수는 통계적 지수이거나, 평균값 혹은 메디안 값을 의미할 수 있다. 특정 그래프의 K 지수가 1에 가까울수록 동작데이터의 표준값에 매우 가까운 그래프임을 나타낸다. 즉, 데이터 분석부(220)는 수집된 동작데이터에 대하여 반복적으로 표준데이터를 검출하고, K지수를 측정하면서, 기계(10)학습을 수행하고, 가장 높은 K지수를 갖는 표준데이터를 검출한다. 예를 들어, 도 7과 같은 표준데이터에 대한 그래프가 도출될 수 있다.
임계치 데이터 검출부(230)는 표준데이터에 기반하여 시계열적인 임계치 데이터를 검출한다. 구체적으로, 도 6의 그래프 상에 매핑된 동작데이터 중 표준 데이터보다 높은 Y축 값(진폭값)을 갖는 동작데이터에 대하여, 데이터 분석부(220)가 수행한 머신러닝 과정을 수행하여 상한 임계치 데이터(422)를 검출한다. 그리고, 임계치 데이터 검출부(230)는 도 6의 그래프 상에 매핑된 동작데이터 중 표준 데이터보다 낮은 Y축값(진폭값)을 갖는 동작데이터에 대하여 동일한 머신러닝 과정을 수행하여, 하한 임계치 데이터(423)를 검출한다. 이때, 상한 임계치 데이터(422)와 하한 임계치 데이터(423)의 조합이 임계치 데이터가 된다.
도 8을 참조하면, 상한 임계치 데이터(422)와 하한 임계치 데이터(423)의 사이에 표준데이터(421)가 매핑되어 있는 것을 확인할 수 있다. 임계치 데이터는 시간에 따라 상이한 값을 갖도록 구성된다는 것을 확인할 수 있다. 즉, 동작데이터의 유형이 도 3의 ① 유형이었기 때문에, 머신러닝에 기반하여 도출한 임계치 데이터 역시 ① 유형이 되는 것이다. 도 8에서 상한 임계치 데이터(422)와 하한 임계치 데이터(423)가 표준 데이터에 대하 +10 혹은 -10의 차이를 갖는다고 표기되어 있기는 하나 이는 예시일 뿐 다른 차이값을 갖도록 구성될 수도 있다.
오류 검출 및 판단부(240)는 실시간으로 수집되는 동작데이터와 임계치 데이터를 비교하여 오류를 검출 하고 어떤 유형의 오류인지 판단한다.
만약 실시간 동작데이터가 도 9와 같이 임계치 데이터의 상한과 하한 사이에 분포되도록 구성된다면 오류 검출 및 판단부(240)는 기계(10) 및 객체가 정상상태인 것으로 간주할 수 있다.
그러나, 실시간 동작데이터(425)가 도 10과 같이 어느 한 시구간에서 상한 또는 하한 중 어느 하나를 벗어나도록 구성된다면 오류 검출 및 판단부(240)는 오류데이터(425)로서 검출할 수 있다. 도 10의 오류데이터(425)는 약 25초까지는 정상적인 데이터 패턴 형태를 가졌으나, 약 25초부터 약 50초 사이의 시구간(d)에서 임계치 데이터를 벗어나는 비정상적인 패턴을 갖고 있다.
이어서, 오류 검출 및 판단부(240)는 오류데이터(425)의 패턴을 이벤트 데이터(410)의 패턴과 비교한다. 오류 검출 및 판단부(240)는 비교 결과에 따라, 오류데이터(425)와 대응하는 패턴을 갖는 이벤트 데이터(410)의 기계(10) 오류 여부 및 객체의 불량 여부에 대한 정보를 상기 오류데이터(425)에 대한 정보로서 판단한다. 즉, 이벤트 데이터(410)는 상술한 4가지 유형(기계(10) 정상 및 객체 정상 유형, 기계(10) 정상 및 객체 불량 유형, 기계(10) 오류 및 객체 정상 유형, 기계(10) 오류 및 객체 오류 유형)으로 구성될 수 있으며, 오류데이터(425)가 이들 4가지 유형 중 어느 유형에 해당하는지 판단할 수 있다.
동작데이터 제공부(250)는, 오류 이벤트에 대한 정보를 작업자 단말로 제공할 수 있다.
이때, 작업자 단말로 제공되는 사용자 인터페이스는 도 11 과 같은 형태일 수 있다. 구체적으로, 사용자 인터페이스는 작업 현장에 포함된 복수의 기계(10)에 관한 식별정보(예를 들어, 도 11의 WF-11, WF-12, WF-21, WF-22, WF-31, WF-32) 및 각 기계(10)에 관한 식별정보 별로 매칭되어 표시되는 기계(10) 및 상기 기계(10)가 제작하는 객체의 상태 정보를 포함한다. 즉, 각 기계(10) 별로 블록으로 구분되어 상태정보가 제공될 수 있다. 도 11과 같이 기계(10)의 현재 상태 정보는 각 상태값(기계(10) 오작동, 기계(10) 정상, 제품 불량, 제품 정상) 에 대한 색상이나 명암 표시를 달리함으로써 표현될 수 있다. 또한, 추가 실시예로, 사용자 인터페이스는 복수의 기계(10)가 배치된 구조에 대한 그림을 제시하고, 각 기계(10)에 대한 식별정보와 상태정보를 그 그림 상에 제시함으로써, 지도 형태로 작업자에게 각 기계(10)별 상태정보를 한눈에 쉽게 확인할 수 있도록 제공할 수도 있다.
또한, 사용자 인터페이스에서 어느 하나의 기계(10)에 대한 식별정보에 대한 작업자의 입력(터치 혹은 클릭 등)이 발생될 경우, 기계(10)에 대한 복수의 시계열적인 동작데이터에 대한 실시간 수집 정보가 제공될 수 있다. 예를 들어, 기계(10)의 온도, 습도, 압력 등에 대한 실시간 그래프가 제공될 수 있다.
또한, 사용자 인터페이스는, 실시간 그래프가 확대될 경우 실시간 동작데이터 그래프와 임계치 데이터에 대한 그래프를 중첩하여 표시하도록 작업자에게 제공할 수도 있다.
한편, 임계치 데이터는 상술한 머신러닝 및 빅데이터 분석과정을 통해 한 번 생성된 이후라도, 지속적으로 동작데이터가 수집 및 누적되기 때문에, 그 이후의 동작데이터들을 포함하여 동일한 머신러닝 및 빅데이터 분석과정을 다시 수행함으로써 업데이트될 수 있다.
도 12에 따르면, 종래기술에 의한 작업자가 설정한 임계치 데이터는 USL(Upper Spec Limit)' 와 LSL(Lower Spec Limit)'와 같은 절대값으로 규정된다. 이 경우, 약 10초부터 약 30초까지의 범위 내의 동작데이터에 대해서만 오류 판단이 가능하다. 즉, 도 12의 E2 영역에서만 기계(10) 오류 혹은 제품 불량 여부를 판단할 수 있다. 그러나, 본 발명의 일 실시예에 따르면, 임계치 데이터는 시계열적으로 변화하는 상한 임계치 데이터(422)와 하한 임계치 데이터(423)로 구성된다. 그에 따라, 종래기술에서는 검출할 수 없었던 E1 영역의 오류 데이터를 검출할 수 있다.
이하, 도 13을 참조하여, 본 발명의 일 실시예에 따르는 머신러닝에 기반한 기계(10) 오류 검출방법에 대하여 구체적으로 설명한다. 이하의 방법은 상술한 서버(200)에 의해 수행되는 것이므로, 생략된 부분이 있다고 하더라도 상술한 내용에 의해 갈음되는 것으로 간주한다.
서버(200)는 먼저, 기계(10)의 시계열적 동작데이터를 수집하고 전처리를 수행한다(S110).
서버(200)는 전처리를 수행한 동작데이터로부터 복수의 오류 패턴을 추출한다(S120). 동작데이터가 나타내는 평균적인 패턴으로부터 벗어나는 패턴이 발견되는 경우 오류 패턴으로서 검출하며, 각 오류 패턴과 작업 일지 상의 정보를 매칭하여, 그 오류 패턴이 기계(10) 혹은 객체의 어떤 이상여부를 나타내는 것인지 파악한다.
이어서, 서버(200)는 머신러닝 기반으로 수집된 모든 동작데이터로부터 시계열적인 임계치 데이터를 검출한다(S130). K지수가 가장 높은 표준 데이터를 검출하고, 표준 데이터에 기반하여 임계치 데이터를 검출한다.
서버(200)는 임계치 데이터를 벗어나는 오류 데이터를 검출한다(S140).
이때, 서버(200)는 오류 데이터와 복수의 오류 패턴을 비교하여 오류 상태를 검출한다(S150). 즉, 오류 데이터와 기 검출한 이벤트 데이터(410)를 비교하여 오류 상태를 검출한다.
서버(200)는 작업자 단말로 기 설정된 사용자 인터페이스에 따라 오류 상태 정보를 제공한다(S160).
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
[부호의 설명]
10: 기계 100: 센서 어셈블리
150: 근로자 단말 200: 서버
300: 관리자 단말

Claims (17)

  1. 서버에 의해 수행되는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법에 있어서,
    (a) 적어도 하나의 기계의 시계열적인 동작데이터를 수집하는 단계;
    (b) 상기 동작데이터를 소정의 시간 간격으로 분할하고, 상기 분할된 동작데이터를 동일한 시간영역 상에 중첩되도록 매핑하는 단계;
    (c) 상기 매핑된 동작데이터의 집합에 대한 시계열적인 표준데이터를 머신러닝에 기반하여 도출함으로써 시계열적인 임계치 데이터를 생성하는 단계; 및
    (d) 실시간으로 수집되는 동작데이터가 상기 임계치 데이터를 벗어나는 경우, 오류 이벤트로 판단하여 상기 오류 이벤트에 대한 정보를 작업자 단말로 제공하는 단계를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  2. 제 1 항에 있어서,
    상기 (a) 단계는,
    상기 기계가 동작하여 지정된 객체를 제작하는 과정을 수행할 때의 동작데이터를 수집하는 단계를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  3. 제 1항에 있어서,
    상기 (a) 단계는,
    상기 수집된 동작데이터의 패턴으로부터 어긋나는 패턴을 갖는 이벤트 데이터를 검출하는 단계; 및
    상기 이벤트 데이터에 대하여 기계 오류 여부 및 상기 기계에 의해 제작되는 객체의 불량 여부에 대한 정보를 매칭하여 저장하는 단계;를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  4. 제 3 항에 있어서,
    상기 이벤트 데이터에 대하여 매칭 저장되는 정보는 기계 오류 및 객체 불량을 나타내는 정보, 기계 오류 및 객체 정상을 나타내는 정보 및 기계 정상 및 객체 불량을 나타내는 정보 중 어느 하나인 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  5. 제 1 항에 있어서,
    상기 (b) 단계는,
    상기 동작데이터의 한 주기를 상기 소정의 시간 간격으로 지정하여, 상기 수집된 동작데이터를 분할하고, 상기 한 주기에 대응하는 길이의 상기 시간영역 상에 상기 분할된 동작데이터를 매핑하는 단계를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  6. 제 5 항에 있어서,
    상기 동작데이터의 한 주기는, 상기 기계가 하나의 객체를 제조하는 데에 소요되는 시간인 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  7. 제 1 항에 있어서,
    상기 (c) 단계는,
    (c-1) 머신러닝 기법에 기반하여, 상기 매핑된 동작데이터의 집합으로부터 메디안(median) 값에 기반한 적어도 하나의 시계열적인 표준 데이터를 추출하고 통계 지수인 K 지수가 가장 높은 표준 데이터를 검출하는 단계를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  8. 제 7 항에 있어서,
    상기 (c) 단계는,
    (c-2) 상기 (c-1) 단계 이후, 상기 매핑된 동작데이터 중 상기 표준 데이터보다 높은 값을 갖는 동작데이터에 대하여 상기 (c-1) 단계를 수행하여, 상한 임계치 데이터를 검출하는 단계; 및
    (c-3) 상기 매핑된 동작데이터 중 상기 표준 데이터보다 낮은 값을 갖는 동작데이터에 대하여 상기 (c-1) 단계를 수행하여, 하한 임계치 데이터를 검출하는 단계;
    를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  9. 제 8 항에 있어서,
    상기 표준 데이터는 상기 상한 임계치 데이터와 상기 하한 임계치 데이터의 사이 값으로 구성되며,
    상기 시계열적인 임계치 데이터는 상기 상한 임계치 데이터와 상기 하한 임계치 데이터의 조합으로 구성되며, 시간에 따라 상이한 값을 갖도록 구성되는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  10. 제 4 항에 있어서,
    상기 (d) 단계는,
    실시간으로 수집되는 동작데이터 중 어느 한 시점에서 상기 임계치 데이터를 벗어나는 오류데이터가 검출되는 경우, 상기 오류데이터의 패턴을 상기 이벤트 데이터의 패턴과 비교하는 단계; 및
    비교 결과에 따라, 상기 오류데이터와 대응하는 패턴을 갖는 이벤트 데이터의 기계 오류 여부 및 객체의 불량 여부에 대한 정보를 상기 오류데이터에 대한 정보로서 상기 작업자 단말로 제공하는 단계;를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  11. 제 1 항에 있어서,
    상기 작업자 단말로 제공되는 사용자 인터페이스는,
    작업 현장에 포함된 복수의 기계에 관한 식별정보 및
    각 기계에 관한 식별정보 별로 매칭되어 표시되는 기계 및 상기 기계가 제작하는 객체의 상태 정보를 포함하며,
    기계 및 객체의 오류데이터에 대한 정보는 상기 오류 이벤트가 발생되는 경우, 상기 상태 정보로서 제공되는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  12. 제 11 항에 있어서,
    상기 상태 정보는,
    기계 정상 및 객체 정상에 관한 상태, 기계 정상 및 객체 불량에 관한 상태, 기계 오류 및 객체 정상에 관한 상태 및 기계 오류 및 객체 오류에 관한 상태를 포함하는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  13. 제 12 항에 있어서,
    상기 사용자 인터페이스에서 어느 하나의 기계에 대한 식별정보에 대한 작업자의 입력이 발생될 경우, 상기 기계에 대한 복수의 시계열적인 동작데이터에 대한 실시간 수집 정보가 제공되는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  14. 제 1 항에 있어서,
    상기 시계열적인 임계치 데이터는,
    상기 동작데이터가 실시간으로 수집되고 누적됨에 따라 업데이트되는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  15. 제 1 항에 있어서,
    상기 작업자 단말로 제공되는 사용자 인터페이스는,
    실시간으로 수집되는 시계열적인 동작데이터에 대한 그래프 및 상기 그래프 위에 중첩되어 표시된 상기 임계치 데이터를 포함하는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법.
  16. 머신러닝 기법에 기반한 기계의 오류 데이터를 검출하는 서버에 있어서,
    머신러닝 기법에 기반한 기계의 오류 데이터를 검출하기 위한 프로그램을 저장하는 메모리; 및
    상기 프로그램을 실행하기 위한 프로세서;를 포함하며,
    상기 프로세서는, 상기 프로그램의 실행에 따라,
    적어도 하나의 기계의 시계열적인 동작데이터를 수집하고,
    상기 동작데이터를 소정의 시간 간격으로 분할하고, 상기 분할된 동작데이터를 동일한 시간영역 상에 중첩되도록 매핑하며,
    상기 매핑된 동작데이터의 집합에 대한 시계열적인 표준데이터를 머신러닝에 기반하여 도출함으로써 시계열적인 임계치 데이터를 생성하고,
    실시간으로 수집되는 동작데이터가 상기 임계치 데이터를 벗어나는 경우, 오류 이벤트로 판단하여 상기 오류 이벤트에 대한 정보를 작업자 단말로 제공하는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터를 검출하는 서버.
  17. 제 1항에 따르는 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법을 수행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터 판독가능 기록매체.
PCT/KR2018/014895 2018-11-29 2018-11-29 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법 WO2020111317A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/KR2018/014895 WO2020111317A1 (ko) 2018-11-29 2018-11-29 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법
JP2021529123A JP7169706B2 (ja) 2018-11-29 2018-11-29 機械学習手法に基づく機械のエラーデータを検出するためのアルゴリズム及び方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2018/014895 WO2020111317A1 (ko) 2018-11-29 2018-11-29 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법

Publications (1)

Publication Number Publication Date
WO2020111317A1 true WO2020111317A1 (ko) 2020-06-04

Family

ID=70853283

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/014895 WO2020111317A1 (ko) 2018-11-29 2018-11-29 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법

Country Status (2)

Country Link
JP (1) JP7169706B2 (ko)
WO (1) WO2020111317A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023287698A1 (en) * 2021-07-14 2023-01-19 Baker Hughes Holdings Llc Configuration of asset monitoring systems

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130061029A (ko) * 2011-11-30 2013-06-10 (주)한콘트롤스 열처리 설비장치의 지능형 관리 시스템
KR20160067510A (ko) * 2014-12-04 2016-06-14 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
US20160202693A1 (en) * 2015-01-09 2016-07-14 Hitachi Power Solutions Co., Ltd. Anomaly Diagnosis System and Anomaly Diagnosis Method
KR101651104B1 (ko) * 2015-12-09 2016-08-25 이정훈 진동 및 소음의 격차 패턴을 이용한 머신 정보 수집시스템
US20170139398A1 (en) * 2015-11-16 2017-05-18 Jtekt Corporation Abnormality analysis system and analysis apparatus
KR20190017121A (ko) * 2017-08-10 2019-02-20 울랄라랩 주식회사 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5480440B1 (ja) 2013-12-03 2014-04-23 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP5827425B1 (ja) 2015-01-09 2015-12-02 株式会社日立パワーソリューションズ 予兆診断システム及び予兆診断方法
JP6828300B2 (ja) 2015-11-16 2021-02-10 株式会社ジェイテクト 異常解析システム及び解析装置
JP2020027342A (ja) 2018-08-09 2020-02-20 富士電機株式会社 情報処理装置、監視装置、及び情報処理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130061029A (ko) * 2011-11-30 2013-06-10 (주)한콘트롤스 열처리 설비장치의 지능형 관리 시스템
KR20160067510A (ko) * 2014-12-04 2016-06-14 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
US20160202693A1 (en) * 2015-01-09 2016-07-14 Hitachi Power Solutions Co., Ltd. Anomaly Diagnosis System and Anomaly Diagnosis Method
US20170139398A1 (en) * 2015-11-16 2017-05-18 Jtekt Corporation Abnormality analysis system and analysis apparatus
KR101651104B1 (ko) * 2015-12-09 2016-08-25 이정훈 진동 및 소음의 격차 패턴을 이용한 머신 정보 수집시스템
KR20190017121A (ko) * 2017-08-10 2019-02-20 울랄라랩 주식회사 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023287698A1 (en) * 2021-07-14 2023-01-19 Baker Hughes Holdings Llc Configuration of asset monitoring systems

Also Published As

Publication number Publication date
JP7169706B2 (ja) 2022-11-11
JP2022510858A (ja) 2022-01-28

Similar Documents

Publication Publication Date Title
KR102017561B1 (ko) 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법
WO2019132112A1 (ko) 관리 대상 설비 이상 상태 모니터링 시스템
US11641536B2 (en) Capture and association of measurement data
WO2022071760A1 (ko) 화재 방호 방법 및 화재 방호 시스템
KR102319083B1 (ko) 인공지능 기반의 화재예방 제공 장치 및 방법
US20220308572A1 (en) System and method for determining a health condition and an anomaly of an equipment using one or more sensors
WO2020111317A1 (ko) 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법
CN113153262A (zh) 一种基于电缆热特性的海上油田可接入容量评估方法
WO2020130169A1 (ko) 이종 품질 데이터의 효율적 관리를 위한 opc ua 기반의 플랫폼 구성 방법
CN110708286A (zh) 一种测试互联网的监管系统
WO2023106504A1 (ko) 서버 시스템 로그를 이용한 머신러닝 기반의 관측레벨 측정 및 이에 따른 위험도 산출 방법, 장치 및 컴퓨터-판독 가능 기록 매체
WO2021261614A1 (ko) 설비의 진단 방법, 프로그램 및 시스템
CN114400769A (zh) 智能换电站的3d可视化监控方法与装置
CN110764025A (zh) 变电设备外绝缘的故障检测装置和方法
CN112153330A (zh) 一种工业互联网实时监控系统
CN110164118A (zh) 计量装置的监控方法、终端、系统及服务器
CN117806912B (zh) 一种服务器异常监测方法及系统
CN108880916A (zh) 一种基于iic总线的故障定位方法及系统
CN214954653U (zh) 一种电信机房综合环境状态实时监测及报警系统
CN102035253A (zh) 电网视频及环境监控系统中可记忆学习的测试方法及装置
CN116132845A (zh) 一种用于电力计量数字实验室数据采集的方法及装置
CN118137682A (zh) 配电自动化主站硬件故障主动检测系统及方法
WO2018230853A1 (ko) 장비신뢰지수에 기초한 Lot 리스크 스코어 기반의 동적 Lot 계측 제어방법 및 시스템
CN115371727A (zh) 六氟化硫在线监控装置全镜像式快速远程运维方法
CN117555321A (zh) 设备故障诊断方法、装置、电子设备及可读存储介质

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: 18941831

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021529123

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18941831

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 18941831

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 22.04.2022)

122 Ep: pct application non-entry in european phase

Ref document number: 18941831

Country of ref document: EP

Kind code of ref document: A1