WO2021112577A1 - 인공지능을 통한 기기의 이상 부위 학습 검출방법 - Google Patents

인공지능을 통한 기기의 이상 부위 학습 검출방법 Download PDF

Info

Publication number
WO2021112577A1
WO2021112577A1 PCT/KR2020/017523 KR2020017523W WO2021112577A1 WO 2021112577 A1 WO2021112577 A1 WO 2021112577A1 KR 2020017523 W KR2020017523 W KR 2020017523W WO 2021112577 A1 WO2021112577 A1 WO 2021112577A1
Authority
WO
WIPO (PCT)
Prior art keywords
current waveform
abnormal
information
learning
detection
Prior art date
Application number
PCT/KR2020/017523
Other languages
English (en)
French (fr)
Inventor
이영규
Original Assignee
주식회사 아이티공간
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 아이티공간 filed Critical 주식회사 아이티공간
Publication of WO2021112577A1 publication Critical patent/WO2021112577A1/ko
Priority to US17/831,846 priority Critical patent/US11714403B2/en

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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • 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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G05B2223/00—Indexing scheme associated with group G05B23/00
    • G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system

Definitions

  • the present invention relates to a method for detecting abnormal part learning of a device through artificial intelligence, and more particularly, by collecting a large amount of information that matches the fault part information with the current waveform information before a fault occurs in a plurality of devices, and a control unit By learning the collected information based on deep learning and forming a reference model for each failure part, when abnormal signs of the device are detected in real-time operation, the abnormal signs of the device are compared with the current waveform of the device and the reference model.
  • the administrator can quickly and clearly identify the abnormal part of the device, effectively coping with abnormal signs of the device, and learning the abnormal part of the device through artificial intelligence that can induce efficient management of the device. it's about
  • the present applicant has developed and registered the technology for the "precision predictive maintenance method of the driving part" that detects abnormal signs of the driving part in advance and induces the predictive maintenance of the driving part before a failure occurs.
  • the "predictive predictive maintenance method of the driving part" developed by the present application detects the abnormal symptoms of the driving part, but it is not possible to accurately determine the area where the abnormal symptoms occur, so it is somewhat inconvenient to apply and use in the field, and this inconvenience As a result, there was a problem in that the application versatility of the technology was somewhat lowered.
  • an expert who can diagnose and deal with the abnormal part of the device is required on the spot based on the abnormal symptoms of the device, and it takes a lot of time to diagnose the abnormal part by the expert, and the reliability of the diagnosis result is lowered. There was a problem in that it was rather low, so that it was difficult to diagnose and repair the device smoothly.
  • Patent Document 1 [Document 0001] Republic of Korea Patent Registration No. 10-1643599 (2016.07.22)
  • Patent Document 2 Korean Patent Registration No. 10-2039742 (2019.10.28)
  • Patent Document 3 [Document 0003] Republic of Korea Patent Registration No. 10-2039743 (2019.10.28)
  • Patent Document 4 Korean Patent Registration No. 10-1857393 (2018.05.04)
  • Patent Document 5 Korean Patent Registration No. 10-1893745 (2018.08.26)
  • Patent Document 6 Korean Patent Registration No. 10-1893746 (2018.08.26)
  • Patent Document 7 [Document 0007] Republic of Korea Patent Registration No. 10-1893744 (2018.08.26)
  • the present invention has been proposed to solve the various problems as described above, and the purpose is to collect a large amount of information that matches the fault site information with the current waveform information before the failure occurs in a plurality of devices, and the control unit collects By building and forming a reference model for each faulty part while learning the information based on deep learning, when an abnormal symptom of the device is detected in real-time operation, the abnormal symptom of the device is compared with the current waveform of the device and the reference model.
  • the manager can quickly and clearly identify the abnormal part of the device, effectively coping with the abnormal symptoms of the device and inducing the efficient management of the device by providing a learning detection method of the abnormal part of the device through artificial intelligence. have.
  • the method for detecting abnormal parts of a device through artificial intelligence collects a current waveform for a current value that changes over time in the driving state of at least one device, An information collection step (S10) of collecting information on the faulty part of the device together with the current waveform information before the failure of the device occurs; and the information collected in the information collection step (S10) is learned by the control unit to learn each fault of the device Model setting step (S20) of setting a reference model of the current waveform for the region; and, when an abnormal symptom of the device is detected in the real-time driving state, the controller compares the real-time current waveform of the device with the reference model for the abnormal symptom of the device and a detection step (S30) of detecting and providing an abnormal site for the .
  • control unit learns the image of the current waveform over time based on deep learning to set a reference model of the current waveform for each faulty part of the device, respectively, and in the detection step (S30), the detected abnormal part It is characterized in that the probability value is provided together to induce the administrator to easily determine the abnormal part of the device.
  • the current waveform information collected in the information collecting step (S10) includes a current waveform for a driving period in which the device is driven, a time length of the current waveform, an average current of the current waveform, a peak current of the current waveform, and the current It is characterized in that at least one piece of information about the integral area of the waveform is collected.
  • control unit receives feedback on the detection result of the abnormal part for the abnormal symptom of the device presented in the detection step (S30) and relearns it to improve the probability value for the detection information presented in the detection step (S30) and a re-learning step (S40) for enhancing the reliability of the detection information.
  • the control unit collects the collected information
  • the abnormal parts of the device are compared with the current waveform of the device and the reference model.
  • FIG. 1 is a block diagram of a method for detecting abnormal parts of a device through artificial intelligence according to an embodiment of the present invention
  • FIGS. 2 to 4 are diagrams for explaining a method of detecting an abnormal part learning of a device through artificial intelligence of the present invention.
  • the present invention relates to a method for detecting abnormal parts of a device through artificial intelligence, wherein current waveforms for current values that change over time in the driving state of at least one device are collected, but before a device failure occurs
  • a method for detecting an abnormal part of a device through artificial intelligence will be described in detail based on the accompanying drawings. Detailed descriptions of well-known functions and configurations that are determined to unnecessarily obscure the gist of the present invention will be omitted.
  • FIG. 1 to 4 are diagrams showing a method for detecting abnormal part learning of a device through artificial intelligence according to an embodiment of the present invention
  • FIG. 1 is a method for detecting abnormal part learning of a device through artificial intelligence according to an embodiment of the present invention
  • 2 to 4 are diagrams each for explaining a method for detecting an abnormal part of a device through artificial intelligence of the present invention.
  • the method 100 for detecting abnormal part learning of a device through artificial intelligence includes an information collection step (S10), a model setting step (S20), and a detection step (S30). ) is included.
  • the information collecting step S10 collects a current waveform for a current value that changes over time in the driving state of at least one device, but a current waveform before a device failure occurs This is the step of collecting information about the faulty part of the device along with the information.
  • the information on the current required to drive the device may be collected through various sensors that measure the current value, and the information on the faulty part may be collected by a worker (manager) at the site where the device is installed, , the collected information may be transmitted to the control unit 10 to be installed later through a wired/wireless communication network.
  • the current waveform information collected in the information collection step S10 includes a current waveform for a driving period in which the device is driven, a time length for a current waveform in the driving period, and the current waveform. At least one of information about an average current, a peak current of the current waveform, and an integral area of the current waveform may be collected.
  • the peak current of the current waveform means a value having the largest current value in the current waveform.
  • the various information collected in the information collection step (S10) as described above is an important basis for the control unit 10 to learn in the model setting step (S20), which will be described later, to set a reference model for the faulty part.
  • control unit 10 learns the information collected in the information collection step (S10) to set a reference model of the current waveform for each faulty part of the device. is a step
  • the control unit 10 learns based on the various information collected in the information collection step ( S10 ) and sets and builds a reference model of the current waveform for each faulty part, respectively. Due to the nature of the running, the information of the current waveform for one faulty part may require as little as hundreds of up to several thousand, tens of thousands of pieces of information, and the richer this information, the more the device through the established reference model in the detection step (S30) to be described later. can increase the accuracy of detecting anomalies of
  • control unit 10 can learn by various well-known deep learning methods. For example, it is possible to learn by selectively applying methods such as VGG16, VGG19, RestNet50, and Inceoption V3.
  • the control unit 10 compares the real-time current waveform of the device with the reference model for the abnormal symptom of the device. It is a step of providing detection of an abnormal site.
  • the control unit 10 matches the current waveform collected from the device in which the abnormal symptom is detected with the reference model learned in the model setting step (S20) and provides a detection result, in which case the The control unit 10 provides an abnormal portion of the device corresponding to the reference model most similar to the current waveform of the device as a detection result.
  • control unit 10 may provide a plurality of abnormal regions as a detection result in an order similar to the current waveform of the device.
  • control unit 10 may provide a probability value for the detection result of the abnormal part to induce the administrator to easily determine the abnormal part of the device.
  • the control unit 10 determines that the A, B, and C sites are suspected to be abnormal as a result of the detection of abnormal signs of the device, the manager is informed of the A site-95 %, B site-78%, and C site-63% are provided together with probability values so that the administrator can easily determine the abnormal site.
  • Such a probability value may be gradually improved as a lot of information is collected in the information collection step ( S10 ) and the period during which the controller 10 learns the collected information increases.
  • control unit 10 receives feedback on the detection result of the abnormal part for the abnormal symptom of the device presented in the detection step (S30), re-learns it, and presents it in the detection step (S30) It further includes; a re-learning step (S40) of improving the probability value of the detection information to strengthen the reliability of the detection information.
  • control unit 10 gradually improves the reliability of the reference model through the process of re-learning by receiving feedback on the success or failure of the abnormal part detection result (detection value) of the device for the abnormal symptom. to ensure excellent reliability of the detection result provided through the control unit 10 .
  • control unit 10 may be installed in each device, or may be installed in a management server that collectively manages each device to provide the learning and detection results as described above.
  • the method of detecting the abnormal sign of the device is patent registration No. 10-1643599, which was previously developed by the present applicant. No. 10-2039742, Patent Registration No. 10-2039743, Patent Registration No. 10-1857393, Patent Registration No. 10-1893745, Patent Registration No. 10-1893746, Patent Registration No. 10-1893744 It goes without saying that it can be detected by the precision predictive maintenance method of the driving part presented in the preceding paragraph.
  • the abnormal part of the device is detected and diagnosed in real time through the learning detection method 100 of the abnormal part of the device through the artificial intelligence of the present invention.
  • the abnormal part learning detection method 100 of the device through the artificial intelligence of the present invention made in the above manner collects a large amount of information matching the fault part information with the current waveform information before a fault occurs in a plurality of devices, and , the control unit 10 builds and forms a reference model for each faulty part while learning the collected information based on deep learning, so that when abnormal signs of the device are detected in real-time driving state, the current waveform of the device and the reference model are compared
  • the manager can quickly and clearly identify the abnormal part of the device, which has the effect of effectively coping with the abnormal symptom of the device and inducing the efficient management of the device.

Landscapes

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

Abstract

본 발명은 인공지능을 통한 기기의 이상 부위 학습 검출방법에 관한 것으로, 그 구성은 적어도 하나 이상의 기기의 구동 상태에서 시간에 흐름에 따라 변화되는 전류 값에 대한 전류 파형을 수집하되, 기기의 고장이 발행하기 전의 전류 파형 정보와 함께 기기의 고장 부위에 대한 정보를 수집하는 정보 수집단계(S10);와, 상기 정보 수집단계(S10)에서 수집된 정보를 제어부에서 학습하여 기기의 각 고장 부위에 대한 전류 파형의 기준모델을 설정하는 모델 설정단계(S20);와, 실시간 구동 상태에서 기기의 이상징후가 검출되면, 상기 제어부는 기기의 실시간 전류 파형과 기준모델을 대비하여 기기의 이상징후에 대한 이상 부위를 검출 제공하는 검출단계(S30);로 이루어진 것을 특징으로 하는 것이다.

Description

인공지능을 통한 기기의 이상 부위 학습 검출방법
본 발명은 인공지능을 통한 기기의 이상 부위 학습 검출방법에 관한 것으로, 더욱 상세하게는 다수의 기기에서 고장이 발생하기 전의 전류 파형 정보와 함께 고장 부위 정보를 매칭한 정보를 대량으로 수집하고, 제어부는 수집된 정보를 딥 러닝에 기반하여 학습하면서 각 고장 부위에 대한 기준모델을 구축 형성함으로, 실시간 구동상태에서 기기의 이상징후가 검출되면 기기의 전류 파형과 기준모델을 대비하여 기기의 이상징후가 발생한 이상 부위를 검출 제공하여 관리자는 기기의 이상 부위를 신속하고 명확하게 파악할 수 있어 기기의 이상징후에 효과적으로 대처하여 기기의 효율적인 관리를 유도할 수 있는 인공지능을 통한 기기의 이상 부위 학습 검출방법에 관한 것이다.
일반적으로 설비의 자동화 공정을 위해 사용되는 각종 기기들은 안정적인 작동이 매우 중요하다.
일 예로, 대규모 생산 공장의 설비에는 수십, 수백 개의 기기가 설치되어 서로 연동 동작하면서 제품을 연속 생산하게 되는데, 만약 다수의 기기 중에서 어느 하나의 기기가 고장이 발생하면 설비의 동작이 전체적으로 중단되는 엄청난 상황이 발생할 수 있다.
이때는 기기의 고장으로 인한 다운 타임의 발생으로 기기의 수리비용뿐만 아니라, 설비가 중단되는 동안 낭비되는 운영비와 비즈니스 효과에 의해 엄청난 손실이 발생될 수밖에 없다.
최근 고용노동부와 산업안전 관리공단의 자료에 따르면 연간 산업 안전사고로 인한 사상자는 총 10만 명 수준으로 집게 되고 있으며, 이를 비용으로 환산시 연간 18조원의 손실이 발생하고 있다고 집계되고 있다.
이러한 예기치 않은 다운 타임 비용을 피하기 위한 방법으로 사전 예지 보전시스템의 도입이 시급한 실정이다.
이에 본 출원인은 고장이 발생하기 전에 미리 구동부의 이상징후를 검출하여 구동부의 예지보전을 유도하는 "구동부의 정밀 예지 보전방법"에 관한 기술을 개발하여 아래와 같이 등록 받았습니다.
하지만, 본 출원이 개발한 "구동부의 정밀 예지 보전방법"은 구동부의 이상징후는 검출하나, 그 이상징후가 발생된 부위를 정밀하게 확정할 수 없어 현장에서 적용 사용이 다소 불편할 뿐만 아니라, 이러한 불편함으로 인해 기술의 적용 범용성이 다소 낮아지는 문제점이 있었다.
따라서 현장에 기기의 이상징후를 기반으로 기기의 이상 부위를 진단하고 대처할 수 있는 전문가의 상주가 요구될 뿐만 아니라, 전문가에 의해 이상 부위를 진단하는데 많은 시간이 소요되며, 그 진단 결과에 대한 신뢰도가 다소 낮아 기기의 원활한 진단 수리가 곤란하다는 문제점이 있었다.
[선행기술문헌]
[특허문헌]
(특허문헌 1) [문헌 0001] 대한민국 특허등록번호 제10-1643599호 (2016.07.22)
(특허문헌 2) [문헌 0002] 대한민국 특허등록번호 제10-2039742호 (2019.10.28)
(특허문헌 3) [문헌 0003] 대한민국 특허등록번호 제10-2039743호 (2019.10.28)
(특허문헌 4) [문헌 0004] 대한민국 특허등록번호 제10-1857393호 (2018.05.04)
(특허문헌 5) [문헌 0005] 대한민국 특허등록번호 제10-1893745호 (2018.08.26)
(특허문헌 6) [문헌 0006] 대한민국 특허등록번호 제10-1893746호 (2018.08.26)
(특허문헌 7) [문헌 0007] 대한민국 특허등록번호 제10-1893744호 (2018.08.26)
본 발명은 상기한 바와 같은 제반 문제점을 해결하기 위하여 제안된 것으로, 그 목적은 다수의 기기에서 고장이 발생하기 전의 전류 파형 정보와 함께 고장 부위 정보를 매칭한 정보를 대량으로 수집하고, 제어부는 수집된 정보를 딥 러닝에 기반하여 학습하면서 각 고장 부위에 대한 기준모델을 구축 형성함으로, 실시간 구동상태에서 기기의 이상징후가 검출되면 기기의 전류 파형과 기준모델을 대비하여 기기의 이상징후가 발생한 이상 부위를 검출 제공하여 관리자는 기기의 이상 부위를 신속하고 명확하게 파악할 수 있어 기기의 이상징후에 효과적으로 대처하여 기기의 효율적인 관리를 유도할 수 있는 인공지능을 통한 기기의 이상 부위 학습 검출방법을 제공함에 있다.
또한, 초보자도 기기의 이상징후에 대한 이상 부위를 용이하게 인지할 수 있어 초보자라 해도 기기의 이상징후에 유연하게 대처하도록 유도하여 기기의 안정적인 운영 관리를 유도할 수 있는 인공지능을 통한 기기의 이상 부위 학습 검출방법을 제공함에 있다.
또한, 종래의 구동부의 정밀 예지 보전방법의 기술과 접목하여 기기의 이상징후가 감지되면 곧바로 기기의 이상징후에 대한 이상 부위를 검출 제공할 수 있어 구동부의 정밀 예지 보전방법의 부족한 기술 부분을 보완하여 예지 보전방법의 적용 범용성을 강화할 수 있는 할 수 있는 인공지능을 통한 기기의 이상 부위 학습 검출방법을 제공함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법은 적어도 하나 이상의 기기의 구동 상태에서 시간에 흐름에 따라 변화되는 전류 값에 대한 전류 파형을 수집하되, 기기의 고장이 발행하기 전의 전류 파형 정보와 함께 기기의 고장 부위에 대한 정보를 수집하는 정보 수집단계(S10);와, 상기 정보 수집단계(S10)에서 수집된 정보를 제어부에서 학습하여 기기의 각 고장 부위에 대한 전류 파형의 기준모델을 설정하는 모델 설정단계(S20);와, 실시간 구동 상태에서 기기의 이상징후가 검출되면, 상기 제어부는 기기의 실시간 전류 파형과 기준모델을 대비하여 기기의 이상징후에 대한 이상 부위를 검출 제공하는 검출단계(S30);를 포함하여 구성되는 것을 특징으로 한다.
또한, 상기 제어부는 딥 러닝에 기반하여 시간의 흐름에 따른 전류 파형의 이미지를 학습하여 기기의 각 고장 부위에 대한 전류 파형의 기준모델을 각각 설정하며, 상기 검출단계(S30)에서는 검출된 이상 부위에 대한 확률 값을 함께 제공하여 관리자가 기기의 이상 부위에 대해 용이하게 판단할 수 있도록 유도하는 것을 특징으로 한다.
또한, 상기 정보 수집단계(S10)에서 수집되는 전류 파형 정보는 기기가 구동되는 구동구간에 대한 전류 파형, 상기 전류 파형의 시간 길이, 상기 전류 파형의 평균 전류, 상기 전류 파형의 피크 전류, 상기 전류 파형의 적분 면적에 관한 정보 중에서 적어도 하나 이상이 수집되도록 하는 것을 특징으로 한다.
또한, 상기 제어부는 상기 검출단계(S30)에서 제시한 기기의 이상징후에 대한 이상 부위에 대한 검출 결과를 피드백 받아 재학습하여 상기 검출단계(S30)에서 제시하는 검출 정보에 대한 확률 값을 향상시켜 검출 정보에 대한 신뢰도를 강화하도록 하는 재학습 단계(S40);를 더 포함하여 이루어지는 것을 특징으로 한다.
본 발명에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법에 의하면, 다수의 기기에서 고장이 발생하기 전의 전류 파형 정보와 함께 고장 부위 정보를 매칭한 정보를 대량으로 수집하고, 제어부는 수집된 정보를 딥 러닝에 기반하여 학습하면서 각 고장 부위에 대한 기준모델을 구축 형성함으로, 실시간 구동상태에서 기기의 이상징후가 검출되면 기기의 전류 파형과 기준모델을 대비하여 기기의 이상징후가 발생한 이상 부위를 검출 제공하여 관리자는 기기의 이상 부위를 신속하고 명확하게 파악할 수 있어 기기의 이상징후에 효과적으로 대처하여 기기의 효율적인 관리를 유도할 수 있는 효과가 있다.
또한, 초보자도 기기의 이상징후에 대한 이상 부위를 용이하게 인지할 수 있어 초보자라 해도 기기의 이상징후에 유연하게 대처하도록 유도하여 기기의 안정적인 운영 관리를 유도할 수 있는 효과가 있다.
또한, 종래의 구동부의 정밀 예지 보전방법의 기술과 접목하여 기기의 이상징후가 감지되면 곧바로 기기의 이상징후에 대한 이상 부위를 검출 제공할 수 있어 구동부의 정밀 예지 보전방법의 부족한 기술 부분을 보완하여 예지 보전방법의 적용 범용성을 강화할 수 있는 할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법의 블럭도.
도 2 내지 도 4는 본 발명의 인공지능을 통한 기기의 이상 부위 학습 검출방법을 설명하기 위한 도면.
〈도면의 주요부분에 대한 부호의 설명〉
10. 제어부
S10. 정보 수집단계
S20. 모델 설정단계
S30. 검출단계
S40. 재학습 단계
100. 인공지능을 통한 기기의 이상 부위 학습 검출방법
본 발명은 인공지능을 통한 기기의 이상 부위 학습 검출방법에 관한 것으로,적어도 하나 이상의 기기의 구동 상태에서 시간에 흐름에 따라 변화되는 전류 값에 대한 전류 파형을 수집하되, 기기의 고장이 발행하기 전의 전류 파형 정보와 함께 기기의 고장 부위에 대한 정보를 수집하는 정보 수집단계, 상기 정보 수집단계에서 수집된 정보를 제어부에서 학습하여 기기의 각 고장 부위에 대한 전류 파형의 기준모델을 설정하는 모델 설정단계 및 실시간 구동 상태에서 기기의 이상징후가 검출되면, 상기 제어부는 기기의 실시간 전류 파형과 기준모델을 대비하여 기기의 이상징후에 대한 이상 부위를 검출 제공하는 검출단계를 포함하여 구성되는 것을 특징으로 하는 인공지능을 통한 기기의 이상 부위 학습 검출방법에 관한 것이다.
본 발명의 바람직한 실시예에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법을 첨부된 도면에 의거하여 상세히 설명한다. 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 공지 기능 및 구성에 대한 상세한 기술은 생략한다.
도 1 내지 도 4는 본 발명의 실시예에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법을 도시한 것으로, 도 1은 본 발명의 실시예에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법의 블럭도를, 도 2 내지 도 4는 본 발명의 인공지능을 통한 기기의 이상 부위 학습 검출방법을 설명하기 위한 도면을 각각 나타낸 것이다.
상기 도면에 도시한 바와 같이, 본 발명의 실시예에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법(100)은 정보 수집단계(S10)와, 모델 설정단계(S20)와, 검출단계(S30)를 포함하고 있다.
도 1에 도시된 바와 같이, 상기 정보 수집단계(S10)는 적어도 하나 이상의 기기의 구동 상태에서 시간에 흐름에 따라 변화되는 전류 값에 대한 전류 파형을 수집하되, 기기의 고장이 발행하기 전의 전류 파형 정보와 함께 기기의 고장 부위에 대한 정보를 수집하는 단계이다.
여기서, 상기 기기의 구동에 소요되는 전류에 대한 정보는 전류 값을 측정하는 각종 센서를 통해 수집될 수 있고, 고장 부위에 대한 정보는 기기가 설치되는 현장의 작업자(관리자)에 의해 수집될 수 있으며, 이렇게 수집된 정보는 유·무선 통신망을 통해 후설될 제어부(10)로 전송될 수 있다.
또한, 도 2에 도시된 바와 같이 상기 정보 수집단계(S10)에서 수집되는 전류 파형 정보로는 기기가 구동되는 구동구간에 대한 전류 파형, 상기 구동구간의 전류 파형에 대한 시간 길이, 상기 전류 파형의 평균 전류, 상기 전류 파형의 피크 전류, 상기 전류 파형의 적분 면적에 관한 정보 중에서 적어도 하나 이상이 수집될 수 있다.
여기서, 상기 전류 파형의 피크 전류는 상기 전류 파형에서 전류 값이 가장 큰 값을 의미한다.
상기와 같이 정보 수집단계(S10)에서 수집되는 각종 정보들은 후설될 상기 모델 설정단계(S20)에서 제어부(10)가 학습하여 고장 부위에 대한 기준모델을 설정하는데 중요한 기반이 된다.
도 1에 도시된 바와 같이, 상기 모델 설정단계(S20)는 상기 정보 수집단계(S10)에서 수집된 정보를 제어부(10)에서 학습하여 기기의 각 고장 부위에 대한 전류 파형의 기준모델을 설정하는 단계이다.
즉, 도 3에 도시된 바와 같이 상기 제어부(10)는 상기 정보 수집단계(S10)에서 수집되는 다양한 정보를 기반으로 학습하여 각각의 고장 부위에 대한 전류 파형의 기준모델을 각각 설정 구축하는데, 딥 러닝의 특성상 하나의 고장 부위에 대한 전류 파형의 정보는 적게는 수백 많게는 수천, 수만 개의 정보가 필요할 수 있으며, 이러한 정보가 풍부할수록 후설될 상기 검출단계(S30)에서 설정 구축된 기준모델을 통한 기기의 이상 부위 검출에 대한 정확성이 높아질 수 있다.
여기서, 상기 제어부(10)는 공지의 다양한 딥 러닝 방법으로 학습할 수 있는데, 일 예로 VGG16, VGG19, RestNet50, Inceoption V3 등의 방법을 선택적으로 적용하여 학습할 수 있는 것이다.
도 1에 도시된 바와 같이, 상기 검출단계(S30)는 실시간 구동 상태에서 기기의 이상징후가 검출되면, 상기 제어부(10)는 기기의 실시간 전류 파형과 기준모델을 대비하여 기기의 이상징후에 대한 이상 부위를 검출 제공하는 단계이다.
즉, 도 4에 도시된 바와 같이 상기 제어부(10)는 이상징후가 감지된 기기에서 수집되는 전류 파형을 상기 모델 설정단계(S20)에서 학습 설정된 기준모델과 매칭하여 검출결과를 제공하는데, 이때 상기 제어부(10)는 기기의 전류 파형과 가장 유사한 기준모델에 해당하는 기기의 이상 부위를 검출결과로 제공하게 된다.
여기서, 상기 제어부(10)는 기기의 전류 파형과 유사한 순서대로 다수의 이상 부위를 검출결과로 제공할 수 있음은 물론이다.
또한, 상기 제어부(10)는 이상 부위 검출결과에 대한 확률 값을 함께 제공하여 관리자가 기기의 이상 부위에 대해 용이하게 판단할 수 있도록 유도할 수 있다.
일 예로, 상기 검출단계(S30)에서 제어부(10)가 기기의 이상징후에 대한 검출결과로 A 부위와 B 부위 및 C 부위를 이상부위로 의심이 되는 것으로 판단한 경우에, 관리자에게 A 부위-95%, B 부위-78%, 및 C 부위-63%로 확률 값을 함께 제공하여 관리자가 이상부위에 대한 판단을 용이하게 할 수 있도록 하는 것이다.
이러한 확률 값은 상기 정보 수집단계(S10)에서 많은 정보가 수집되고, 그 수집되는 정보를 상기 제어부(10)에서 학습하는 기간이 늘어날수록 점차 향상될 수 있다.
또한, 도 1에 도시된 바와 같이 상기 제어부(10)는 상기 검출단계(S30)에서 제시한 기기의 이상징후에 대한 이상 부위에 대한 검출결과를 피드백 받아 재학습하여 상기 검출단계(S30)에서 제시하는 검출 정보에 대한 확률 값을 향상시켜 검출 정보에 대한 신뢰도를 강화하도록 하는 재학습 단계(S40);를 더 포함한다.
즉, 도 4에 도시된 바와 같이 상기 제어부(10)는 이상징후에 대한 기기의 이상 부위 검출결과(검출 값)에 대한 성공 여부를 피드백 받아 재학습하는 과정을 통해 기준모델에 대한 신뢰도를 점차 향상시켜 상기 제어부(10)를 통해 제공되는 검출결과에 대한 우수한 신뢰도를 확보하도록 한다.
여기서, 상기 제어부(10)는 각 기기에 설치될 수도 있고, 각 기기들을 통괄적으로 관리하는 관리서버에 설치되어 상기와 같은 학습 및 검출결과를 제공할 수 있다.
한편, 상기 제어부(10)가 기기의 이상징후에 대한 이상 부위를 검출결과로 제공하기 앞서서, 기기의 이상징후를 검출하는 방법은 본 출원인이 선 개발한 특허등록번호 제10-1643599호, 특허등록번호 제10-2039742호, 특허등록번호 제10-2039743호, 특허등록번호 제10-1857393호, 특허등록번호 제10-1893745호, 특허등록번호 제10-1893746호, 특허등록번호 제10-1893744호에 제시된 구동부의 정밀 예지 보전방법으로 검출할 수 있음은 물론이다.
따라서 본 출원인이 선 개발한 구동부의 정밀 예지 보전방법으로 기기의 이상징후를 검출하면, 본 발명의 인공지능을 통한 기기의 이상 부위 학습 검출방법(100)을 통해 실시간으로 기기의 이상 부위를 검출 진단하여 제공함으로, 기기의 관리하는 관리자는 매우 간편하고 효과적으로 기기의 수리 및 관리를 수행할 수 있다.
상기와 같은 방법으로 이루어지는 본 발명의 인공지능을 통한 기기의 이상 부위 학습 검출방법(100)은 다수의 기기에서 고장이 발생하기 전의 전류 파형 정보와 함께 고장 부위 정보를 매칭한 정보를 대량으로 수집하고, 제어부(10)는 수집된 정보를 딥 러닝에 기반하여 학습하면서 각 고장 부위에 대한 기준모델을 구축 형성함으로, 실시간 구동상태에서 기기의 이상징후가 검출되면 기기의 전류 파형과 기준모델을 대비하여 기기의 이상징후가 발생한 이상 부위를 검출 제공하여 관리자는 기기의 이상 부위를 신속하고 명확하게 파악할 수 있어 기기의 이상징후에 효과적으로 대처하여 기기의 효율적인 관리를 유도할 수 있는 효과가 있다.
또한, 초보자도 기기의 이상징후에 대한 이상 부위를 용이하게 인지할 수 있어 초보자라 해도 기기의 이상징후에 유연하게 대처하도록 유도하여 기기의 안정적인 운영 관리를 유도할 수 있는 효과가 있다.
또한, 종래의 구동부의 정밀 예지 보전방법의 기술과 접목하여 기기의 이상징후가 감지되면 곧바로 기기의 이상징후에 대한 이상 부위를 검출 제공할 수 있어 구동부의 정밀 예지 보전방법의 부족한 기술 부분을 보완하여 예지 보전방법의 적용 범용성을 강화할 수 있는 할 수 있는 효과가 있다.
본 발명은 첨부된 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것으로 상술한 실시예에 한정되지 않으며, 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 실시예가 가능하다는 점을 이해할 수 있을 것이다. 또한, 본 발명의 사상을 해치지 않는 범위 내에서 당업자에 의한 변형이 가능함은 물론이다. 따라서, 본 발명에서 권리를 청구하는 범위는 상세한 설명의 범위 내로 정해지는 것이 아니라 후술되는 청구범위와 이의 기술적 사상에 의해 한정될 것이다.

Claims (4)

  1. 적어도 하나 이상의 기기의 구동 상태에서 시간에 흐름에 따라 변화되는 전류 값에 대한 전류 파형을 수집하되, 기기의 고장이 발행하기 전의 전류 파형 정보와 함께 기기의 고장 부위에 대한 정보를 수집하는 정보 수집단계(S10);
    상기 정보 수집단계(S10)에서 수집된 정보를 제어부(10)에서 학습하여 기기의 각 고장 부위에 대한 전류 파형의 기준모델을 설정하는 모델 설정단계(S20); 및
    실시간 구동 상태에서 기기의 이상징후가 검출되면, 상기 제어부(10)는 기기의 실시간 전류 파형과 기준모델을 대비하여 기기의 이상징후에 대한 이상 부위를 검출 제공하는 검출단계(S30);를 포함하여 구성되는 것을 특징으로 하는 인공지능을 통한 기기의 이상 부위 학습 검출방법.
  2. 제 1 항에 있어서,
    상기 제어부(10)는 딥 러닝에 기반하여 시간의 흐름에 따른 전류 파형의 이미지를 학습하여 기기의 각 고장 부위에 대한 전류 파형의 기준모델을 각각 설정하며,
    상기 검출단계(S30)에서는 검출된 이상 부위에 대한 확률 값을 함께 제공하여 관리자가 기기의 이상 부위에 대해 용이하게 판단할 수 있도록 유도하는 것을 특징으로 하는 인공지능을 통한 기기의 이상 부위 학습 검출방법.
  3. 제 1 항 또는 제 2 항에 있어서,
    상기 정보 수집단계(S10)에서 수집되는 전류 파형 정보는 기기가 구동되는 구동구간에 대한 전류 파형, 상기 전류 파형의 시간 길이, 상기 전류 파형의 평균 전류, 상기 전류 파형의 피크 전류, 상기 전류 파형의 적분 면적에 관한 정보 중에서 적어도 하나 이상이 수집되도록 하는 것을 특징으로 하는 인공지능을 통한 기기의 이상 부위 학습 검출방법.
  4. 제 2 항에 있어서,
    상기 제어부(10)는 상기 검출단계(S30)에서 제시한 기기의 이상징후에 대한 이상 부위에 대한 검출 결과를 피드백 받아 재학습하여 상기 검출단계(S30)에서 제시하는 검출 정보에 대한 확률 값을 향상시켜 검출 정보에 대한 신뢰도를 강화하도록 하는 재학습 단계(S40);를 더 포함하여 이루어지는 것을 특징으로 하는 인공지능을 통한 기기의 이상 부위 학습 검출방법.
PCT/KR2020/017523 2019-12-05 2020-12-03 인공지능을 통한 기기의 이상 부위 학습 검출방법 WO2021112577A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/831,846 US11714403B2 (en) 2019-12-05 2022-06-03 Method for learning and detecting abnormal part of device through artificial intelligence

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190161117A KR102344464B1 (ko) 2019-12-05 2019-12-05 인공지능을 통한 기기의 이상 부위 학습 검출방법
KR10-2019-0161117 2019-12-05

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/831,846 Continuation US11714403B2 (en) 2019-12-05 2022-06-03 Method for learning and detecting abnormal part of device through artificial intelligence

Publications (1)

Publication Number Publication Date
WO2021112577A1 true WO2021112577A1 (ko) 2021-06-10

Family

ID=76220961

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/017523 WO2021112577A1 (ko) 2019-12-05 2020-12-03 인공지능을 통한 기기의 이상 부위 학습 검출방법

Country Status (3)

Country Link
US (1) US11714403B2 (ko)
KR (1) KR102344464B1 (ko)
WO (1) WO2021112577A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102510104B1 (ko) * 2021-09-03 2023-03-14 (주)아이티공간 피크에 대한 각도를 통한 제품의 품질 검사방법
US20230176556A1 (en) * 2021-12-08 2023-06-08 Ford Global Technologies, Llc Systems and methods for detecting manufacturing anomalies
CN117151570B (zh) * 2023-10-31 2023-12-29 南通百源制冷设备有限公司 冷链运输用箱体的冷源管路监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100608235B1 (ko) * 2005-12-16 2006-08-02 주식회사 케이디파워 유도전동기의 실시간 수명 예측, 결함 감지 방법 및 장치
US20170285086A1 (en) * 2016-04-05 2017-10-05 Siemens Energy, Inc. Active shaft grounding system with diagnostic waveform analysis
KR101865086B1 (ko) * 2017-11-15 2018-06-07 (주) 동보파워텍 사고데이터 분석과 내부 이상상태 감시 및 진단 기능을 구비한 고장감시진단장치 내장형 수배전반
KR101862218B1 (ko) * 2017-02-15 2018-07-05 (주)이젝스 전자기기 식별에 의한 상황 인지 시스템 및 그 방법
KR101955678B1 (ko) * 2018-03-21 2019-03-07 천병민 전광판 영상의 패턴인식에 의한 자가진단 및 복구형 인공지능 제어시스템

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0293517B1 (de) * 1987-06-02 1992-11-25 Deutsche ITT Industries GmbH Steuerprozessor
KR101643599B1 (ko) 2015-07-15 2016-07-28 (주)아이티공간 차체 조립 라인의 구동부 모니터링 방법 및 그 장치
GB201621434D0 (en) * 2016-12-16 2017-02-01 Palantir Technologies Inc Processing sensor logs
JP2018156151A (ja) * 2017-03-15 2018-10-04 ファナック株式会社 異常検知装置及び機械学習装置
KR101893746B1 (ko) 2017-08-11 2018-08-31 (주)아이티공간 구동부의 정밀 예지 보전방법
KR101893745B1 (ko) 2017-08-11 2018-10-04 (주)아이티공간 구동부의 정밀 예지 보전방법
KR101857393B1 (ko) 2017-08-11 2018-06-20 (주)아이티공간 구동부의 정밀 예지 보전방법
KR101893744B1 (ko) 2017-08-11 2018-09-04 (주)아이티공간 구동부의 정밀 예지 보전방법
CN109906414B (zh) 2017-08-11 2021-12-21 李荣圭 一种对驱动部的精准预知性维护方法
JP6779376B2 (ja) 2017-08-11 2020-11-04 アイティーエス カンパニー リミテッドIts Co., Ltd. 駆動部の精密予知保全方法
US20190196461A1 (en) * 2017-12-22 2019-06-27 Applied Materials, Inc. Internet-based semiconductor manufacturing equipment health and diagnostics monitoring
JP7107830B2 (ja) * 2018-12-21 2022-07-27 ファナック株式会社 学習用データ確認支援装置、機械学習装置、故障予知装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100608235B1 (ko) * 2005-12-16 2006-08-02 주식회사 케이디파워 유도전동기의 실시간 수명 예측, 결함 감지 방법 및 장치
US20170285086A1 (en) * 2016-04-05 2017-10-05 Siemens Energy, Inc. Active shaft grounding system with diagnostic waveform analysis
KR101862218B1 (ko) * 2017-02-15 2018-07-05 (주)이젝스 전자기기 식별에 의한 상황 인지 시스템 및 그 방법
KR101865086B1 (ko) * 2017-11-15 2018-06-07 (주) 동보파워텍 사고데이터 분석과 내부 이상상태 감시 및 진단 기능을 구비한 고장감시진단장치 내장형 수배전반
KR101955678B1 (ko) * 2018-03-21 2019-03-07 천병민 전광판 영상의 패턴인식에 의한 자가진단 및 복구형 인공지능 제어시스템

Also Published As

Publication number Publication date
US11714403B2 (en) 2023-08-01
US20220299987A1 (en) 2022-09-22
KR102344464B1 (ko) 2021-12-29
KR20210070867A (ko) 2021-06-15

Similar Documents

Publication Publication Date Title
WO2021112577A1 (ko) 인공지능을 통한 기기의 이상 부위 학습 검출방법
WO2021075842A1 (ko) 분포도를 통한 기기의 예지 보전방법
WO2020138695A1 (ko) 구동부의 건전성 지수 검출방법
WO2021075855A1 (ko) 분포도를 통한 기기의 예지 보전방법
CN103901845A (zh) 一种油田生产现场物联设备远程智能管理方法及系统
CN106649915A (zh) 一种输配电网设备缺陷预警系统
WO2019177237A1 (ko) 구동부의 정밀 예지 보전방법
WO2022114654A1 (ko) 공정 모니터링 시스템 및 방법
WO2019177238A1 (ko) 구동부의 정밀 예지 보전방법
WO2021075857A1 (ko) 분포도를 통한 기기의 건전성 지수 검출방법
WO2021075845A1 (ko) 분포도를 통한 기기의 예지 보전방법
WO2020262841A2 (ko) 제어 출력신호를 통한 기기의 건전성 지수 검출방법
WO2020262781A1 (ko) 제어 출력신호를 통한 기기의 건전성 지수 검출방법
WO2021118218A1 (ko) 기기의 동작 추적을 통한 기기의 가상 모니터링 관리방법
WO2023033567A1 (ko) 피크에 대한 각도를 통한 기기의 예지 보전방법
CN111025128A (zh) 基于ai的医疗设备故障检测系统及方法
WO2023277545A1 (ko) 딥러닝을 이용한 기기의 예지 보전방법
WO2023277546A1 (ko) 딥러닝을 이용한 기기의 예지 보전방법
CN104009543B (zh) 变电站二级设备运行状态的监视方法
CN106885960A (zh) 一种在线监测数据的变压器故障诊断方法及系统
WO2021075859A1 (ko) 분포도를 통한 기기의 건전성 지수 검출방법
WO2023120888A1 (ko) Gan 알고리즘을 이용한 기기의 예지 보전방법
WO2020262782A1 (ko) 제어 출력신호를 통한 기기의 건전성 지수 검출방법
CN106685711A (zh) 一种检测动车组设备插件级故障的系统及检测方法
CN111240872A (zh) 一种基于云计算的自助设备诊断方法

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: 20896412

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

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 1205A DATED 23.09.2022)

122 Ep: pct application non-entry in european phase

Ref document number: 20896412

Country of ref document: EP

Kind code of ref document: A1