WO2024085396A1 - 모니터링 시스템 및 그것의 동작 방법 - Google Patents

모니터링 시스템 및 그것의 동작 방법 Download PDF

Info

Publication number
WO2024085396A1
WO2024085396A1 PCT/KR2023/011927 KR2023011927W WO2024085396A1 WO 2024085396 A1 WO2024085396 A1 WO 2024085396A1 KR 2023011927 W KR2023011927 W KR 2023011927W WO 2024085396 A1 WO2024085396 A1 WO 2024085396A1
Authority
WO
WIPO (PCT)
Prior art keywords
driving data
reference information
motor
monitoring system
count value
Prior art date
Application number
PCT/KR2023/011927
Other languages
English (en)
French (fr)
Inventor
이종현
Original Assignee
주식회사 엘지에너지솔루션
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 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Publication of WO2024085396A1 publication Critical patent/WO2024085396A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • Embodiments disclosed in this document relate to a monitoring system and method of operating the same.
  • Electric vehicles receive electricity from outside, charge battery cells, and then obtain power by driving a motor with the voltage charged in the battery cells.
  • Battery cells for electric vehicles are manufactured by housing an electrode assembly in a battery case and injecting an electrolyte solution into the battery case.
  • the battery processing system monitors the load rate of the servo motor included in the battery manufacturing device in order to quickly diagnose and analyze the malfunction when a malfunction occurs in the battery manufacturing process.
  • the battery process system monitors the load rate of the servo motor based on a fixed management line, so when the battery process conditions change, the fixed management line cannot be updated, resulting in overchecking or the manager's workload due to updating the management line. This was a high problem.
  • the method of monitoring the load rate of a servo motor based on a moving average management line automatically updates the management line according to changes in battery process conditions, lowering the manager's workload, but gradually increasing the servo motor's load rate. There is a problem that an increase in load factor cannot be detected, resulting in unchecked performance.
  • One purpose of the embodiments disclosed in this document is to provide a method of operating a monitoring system that can analyze and control the load rate of a servo motor in real time using a moving average management line of a battery processing system.
  • a monitoring system acquires time-dependent driving data of a motor related to a battery manufacturing device, and applies the driving data to an artificial intelligence model to extract parameters representing the characteristics of the driving data. It may include a management unit and a controller that generates reference information for managing the state of the motor based on the parameters.
  • the controller may preprocess the driving data based on the parameter and generate the reference information based on the preprocessed driving data.
  • the data management unit applies the driving data to an optimized artificial intelligence model to distinguish first driving data obtained during a predetermined time before the reference point among the driving data and used to generate the reference information.
  • a second section may be extracted to distinguish between the section and the second driving data excluded from generating the reference information.
  • the controller may generate third driving data by excluding the second driving data acquired during the second interval from the first driving data acquired during the first interval among the driving data.
  • the controller may determine whether the period corresponding to the third driving data is longer than or equal to a threshold period, and if the driving data is longer than the critical period, generate the reference information based on the third driving data. there is.
  • the controller may calculate the average value and standard deviation of the third driving data and generate the reference information based on the average value and the standard deviation.
  • the controller generates a count value based on whether the third drive data exceeds the reference information, and determines whether the motor is broken based on whether the count value exceeds a threshold count value. You can.
  • the controller may determine a failure of the motor and generate an abnormality signal of the motor.
  • the controller may determine the motor to be normal when the count value is less than or equal to the threshold count value.
  • a method of operating a monitoring system includes obtaining time-dependent driving data of a motor related to a battery manufacturing device, applying the driving data to an artificial intelligence model, and applying parameters representing the characteristics of the driving data. It may include extracting and generating reference information for managing the state of the motor based on the parameters.
  • the step of generating reference information for managing the state of the motor based on the parameter includes preprocessing the drive data based on the parameter and generating the reference information based on the preprocessed drive data. can do.
  • the step of extracting parameters representing characteristics of the driving data by applying the driving data to an artificial intelligence model includes applying the driving data to an optimized artificial intelligence model for a predetermined time before a reference point among the driving data.
  • a first section for distinguishing the first driving data obtained and used to generate the reference information and a second section for distinguishing the second driving data excluded from generating the reference information may be extracted.
  • the step of generating reference information for managing the state of the motor based on the parameter includes the first drive data obtained during the first section among the drive data and the second section obtained from the drive data.
  • Third driving data can be generated by excluding the second driving data.
  • the step of generating reference information for managing the state of the motor based on the parameter determines whether a period corresponding to the third drive data is greater than or equal to a threshold period, and whether the drive data is within the threshold period.
  • the reference information can be generated based on the third driving data.
  • the step of generating reference information for managing the state of the motor based on the parameter includes calculating an average value and a standard deviation of the third drive data, and calculating the average value and the standard deviation based on the average value and the standard deviation. Information can be generated.
  • the step of generating reference information for managing the state of the motor based on the parameter includes generating a count value based on whether the third drive data exceeds the reference information, and the count value. It can be determined whether the motor is broken based on whether the threshold count value of is exceeded.
  • the step of generating reference information for managing the state of the motor based on the parameter includes determining a failure of the motor when the count value exceeds the threshold count value and generating an abnormal signal of the motor. can be created.
  • the step of generating reference information for managing the state of the motor based on the parameter may determine the motor to be normal when the count value is less than or equal to the threshold count value.
  • the load rate of the servo motor can be analyzed and controlled in real time using a moving average management line.
  • FIG. 1 is a diagram for generally explaining a battery processing system according to an embodiment disclosed in this document.
  • FIG. 2 is a block diagram showing the configuration of a monitoring system according to an embodiment disclosed in this document.
  • Figure 3 is a diagram showing an operation of extracting parameters of a data management unit according to an embodiment disclosed in this document.
  • FIG. 4 is a diagram showing an operation of extracting third driving data of a controller according to an embodiment disclosed in this document.
  • Figure 5 is a diagram showing an operation of generating reference information of a controller according to an embodiment disclosed in this document.
  • Figure 6 is a flowchart showing a method of operating a monitoring system according to an embodiment disclosed in this document.
  • FIG. 7 is a block diagram showing the hardware configuration of a computing system implementing a monitoring system according to an embodiment disclosed in this document.
  • FIG. 1 is a diagram for generally explaining a battery processing system according to an embodiment disclosed in this document.
  • a battery may include a battery cell, which is a basic unit of a battery that can be used by charging and discharging electrical energy.
  • the battery cell may be a lithium ion (Li-iOn) battery, a lithium ion polymer (Li-iOn polymer) battery, a nickel cadmium (Ni-Cd) battery, a nickel hydride (Ni-MH) battery, etc., but is not limited thereto.
  • the battery cell may supply power to a target device (not shown). To this end, the battery cell can be electrically connected to the target device.
  • the target device may include an electrical, electronic, or mechanical device that operates by receiving power from a battery pack (not shown) including a plurality of battery cells.
  • target devices include small products such as digital cameras, P-DVDs, MP3Ps, mobile phones, PDAs, Portable Game Devices, Power Tools, and E-bikes, as well as large products requiring high output such as electric vehicles and hybrid vehicles. It may be a power storage device that stores excess generated power or renewable energy or a backup power storage device, but is not limited thereto.
  • a battery cell may be composed of an electrode assembly, a battery case in which the electrode assembly is accommodated, and an electrolyte solution that is injected into the battery case to activate the electrode assembly.
  • An electrode assembly is formed by interposing a separator between a positive electrode plate formed by coating a positive electrode current collector with a positive electrode active material and a negative electrode plate formed by coating a negative electrode current collector with a negative electrode active material.
  • the electrode assembly is in the form of a jelly roll. It can be manufactured in a jelly roll type, stack type, etc. and accommodated inside the battery case.
  • the battery case serves as an exterior material that maintains the shape of the battery and protects it from external shocks. Battery cells can be classified into cylindrical, square, and pouch types depending on the type of battery case.
  • a battery cell may be manufactured through a series of manufacturing processes including an electrode manufacturing process, an assembly process, and a chemical process.
  • the assembly process may include a process of assembling the positive and negative electrode plates made through the electrode manufacturing process and injecting electrolyte, and may include a notching process, winding process, assembly process, and packaging process.
  • the packaging process can be defined as the process of injecting and sealing the electrode assembly and electrolyte into the battery case.
  • the electrode assembly is mounted on a cylindrical metal can, and the negative electrode tab extending from the negative electrode of the electrode assembly is welded to the bottom of the can, and with the electrode assembly and electrolyte embedded, it extends from the positive electrode of the electrode assembly. It is manufactured by welding the anode tab to the top cap of the cap assembly.
  • the battery processing system may be used in the packaging process of the assembly processing system, but is not limited thereto.
  • the battery processing system may include a monitoring system 100 and at least one battery manufacturing device 200.
  • the monitoring system 100 can collect and analyze data from battery manufacturing devices 200 operating in the battery processing system in real time.
  • the monitoring system 100 may collect and analyze operation data of at least one battery manufacturing device 200.
  • the monitoring system 100 may collect operation data of a process processing unit (PLC) (not shown) that controls the battery manufacturing device 200.
  • PLC process processing unit
  • the operation data of the battery manufacturing device 200 may include the driving record of the battery manufacturing device 200.
  • the monitoring system 100 may collect and analyze data or graph data generated in the battery manufacturing process system, such as process progress, presence of alarms, temperature, pressure, quantity, etc., from the battery manufacturing device 200. .
  • the monitoring system 100 may detect abnormal data among the operation data of the battery manufacturing device 200.
  • the monitoring system 100 may analyze the battery manufacturing device 200 corresponding to abnormal data.
  • the battery manufacturing apparatus 200 may include a first battery manufacturing apparatus, a second battery manufacturing apparatus 220, and a third battery manufacturing apparatus 230.
  • a first battery manufacturing apparatus there are three battery manufacturing devices 200, but the battery manufacturing device 200 is not limited to this and may include n devices (n is a natural number of 1 or more).
  • the battery manufacturing apparatus 200 may weld the anode tab of the electrode assembly of the battery cell and the top cap of the cap assembly during the battery cell packaging process.
  • the monitoring system 100 may acquire driving data of motors associated with each of the plurality of battery manufacturing devices 200.
  • the motor may include, for example, a servo motor.
  • a servo motor is a motor designed to quickly and accurately follow the user's position or speed control commands, including a control drive board.
  • the monitoring system 100 may manage the load factor of the servo motor.
  • the monitoring system 100 may monitor a gradual increase in the load rate of the motors associated with the plurality of battery manufacturing devices 200 using a moving average calculation method.
  • the monitoring system 100 can automatically calculate the load ratio of the battery manufacturing devices 200 using a moving average calculation method.
  • FIG. 2 is a block diagram showing the configuration of the monitoring system 100 according to an embodiment disclosed in this document.
  • the monitoring system 100 may include a data management unit 110 and a controller 120.
  • the data management unit 110 may obtain time-dependent driving data of a motor related to the battery manufacturing device 200. For example, the data management unit 110 may automatically log driving data of a motor related to the battery manufacturing device 200. For example, the data management unit 110 may collect driving data of the motor by setting the sampling period of automatic data logging to 0.1 sec.
  • the data management unit 110 may apply the driving data to an artificial intelligence model to extract parameters representing the characteristics of the driving data.
  • the parameter may include, for example, a first section and a second section.
  • the first section is a value that can distinguish data to be used to manage the load ratio of the motor among the drive data. That is, the first section is a reference section in which some of the drive data can be extracted and data to be used to manage the load ratio of the motor can be determined. For example, if the first section is one week, the monitoring system 100 may manage the load rate of the motor using drive data acquired during the most recent week among the drive data.
  • the second section is a value that can distinguish data to be excluded from the driving data to manage the load ratio of the motor.
  • the second section is a reference section in which some of the drive data can be extracted and data to be excluded from the motor load rate management can be determined. For example, if the second section is 12 hours, the monitoring system 100 may exclude the load ratio of the motor from management by using the drive data acquired for the most recent 12 hours among the drive data.
  • the data management unit 110 may apply the driving data to an optimizer artificial intelligence model to extract parameters representing the characteristics of the driving data.
  • the optimization artificial intelligence model can extract parameters representing the characteristics of the driving data using the gradient descent method.
  • the data management unit 110 may apply the driving data to an optimization artificial intelligence model to extract the first and second sections optimized for load rate management of the motor.
  • the controller 120 may preprocess the driving data based on the extracted parameters. Specifically, the controller 120 may extract first driving data, which is driving data acquired during the first section before the current time, from all the acquired driving data. Additionally, the controller 120 may extract second driving data, which is driving data acquired during the second section before the current time, from all driving data. The controller 120 may generate third driving data by excluding the second driving data from the extracted first driving data.
  • the controller 120 may generate reference information based on the preprocessed third driving data.
  • the reference information may include a baseline from which the load rate of the motor can be determined.
  • the controller 120 may determine whether the period corresponding to the third driving data is longer than or equal to the threshold period.
  • the controller 120 may generate reference information based on the third driving data when the third driving data is longer than the threshold period. For example, if the third driving data generated by preprocessing the driving data is greater than the data acquired over 3.5 days, the controller 120 may generate reference information based on the third driving data.
  • the controller 120 may calculate the average value (mean, ⁇ ) and standard deviation ( ⁇ ) of the third driving data.
  • the controller 120 may generate a plurality of reference information based on the average value ( ⁇ ) and standard deviation ( ⁇ ) of the third driving data. For example, the controller 120 may generate a value of ' ⁇ + 5* ⁇ ' as first reference information, which is obtained by multiplying the average value ( ⁇ ) of the third driving data by 5 times the standard deviation ( ⁇ ). In addition, for example, the controller 120 may generate the value ' ⁇ + 9* ⁇ ', which is the average value ( ⁇ ) of the third driving data multiplied by 9 times the standard deviation ( ⁇ ), as second reference information. there is.
  • the controller 120 may generate a count value based on whether the third driving data exceeds the reference information. Specifically, the controller 120 may determine whether the motor is broken based on whether the count value generated by determining whether the third drive data per unit time exceeds the reference information exceeds the threshold count value. If the generated count value exceeds the threshold count value, the controller 120 may determine a motor failure and generate a motor abnormality signal. Additionally, the controller 120 may determine that the motor is normal when the count value is less than or equal to the threshold count value.
  • Figure 3 is a diagram showing an operation of extracting parameters of a data management unit according to an embodiment disclosed in this document.
  • step S101 the data management unit 110 may obtain driving data of the motor.
  • step S102 the data management unit 110 may divide the motor driving data into test data and train data.
  • the data management unit 110 may input train data among the driving data of the motor into an optimization function.
  • the data management unit 110 may set the initial value (Initiator), threshold (Threshold), and learning rate of the optimization function.
  • the data management unit 110 may input arbitrary parameter values extracted based on the driving data into the optimization function.
  • arbitrary parameter values may include multiples of the standard deviation ( ⁇ ) to be used in the first section, the second section, or the reference information.
  • arbitrary parameter values may include 7 days, 14 days, and 21 days as a first interval, 6 hours, 12 hours, and 1 day as a second interval, and a standard deviation to be used for reference information ( Multiple values of ⁇ ) may include 3 times, 4 times, 5 times, etc.
  • the data management unit 110 may calculate the accuracy of the optimization function.
  • the data management unit 110 can determine whether the 'Accuracy(i)-Accuracy(i-1)' value is less than or equal to the first threshold (Threshold 1) using the accuracy of the optimization function. there is.
  • i means the learning number of the optimization function.
  • step S105 the data management unit 110 may determine whether the 'Accuracy(i)' value is greater than or equal to the second threshold value (Threshold 2) using the accuracy (Accuracy) of the optimization function.
  • 'i' refers to the learning number of the optimization function.
  • the data management unit 110 may terminate the operation of the optimization function when the 'Accuracy(i)' value is greater than or equal to the second threshold (Threshold 2).
  • step S106 the data management unit 110 determines whether the 'Accuracy(i)-Accuracy(i-1)' value exceeds the first threshold (Threshold 1) or the 'Accuracy(i)' value exceeds the second threshold (Threshold If it is less than 2), it can be determined whether the learning rate (i) is 1000 or more. In step S106, the data management unit 110 may terminate the operation of the optimization function when the learning rate (i) is 1000 or more.
  • step S107 the data management unit 110 can calculate the final accuracy of the optimization function using test data.
  • FIG. 4 is a diagram showing an operation of extracting third driving data of a controller according to an embodiment disclosed in this document.
  • the controller 120 may extract first driving data, which is driving data acquired during the first section before the reference information generation time, from all driving data. For example, if the first section extracted by the data management unit 110 is 7 days, 14 days, or 21 days, the controller 120 acquires the entire driving data during the 7 days, 14 days, or 21 days before the reference information generation time.
  • the first driving data which is the generated driving data, can be extracted.
  • the controller 120 may extract second driving data, which is driving data acquired during the second section before the time of generating the reference information, from among all driving data. For example, if the second section extracted by the data management unit 110 is 12 hours, 1 day, 2 days, or 3 days, the controller 120 selects 12 hours, 1 day, or 2 days before the reference information generation time among all driving data. Second driving data, which is driving data acquired over one or three days, can be extracted.
  • the controller 120 may generate third driving data by excluding the second driving data from the extracted first driving data.
  • the first driving data is driving data obtained for 7, 14, or 21 days before the reference information generation time
  • the second driving data is 12 hours, 1 day, 2 days, or 3 days before the reference information generating time.
  • the controller 120 generates the reference information corresponding to the second driving data from the driving data acquired during the 7, 14, or 21 days before the generation of the reference information corresponding to the first driving data.
  • Third driving data can be generated by excluding driving data acquired for 12 hours, 1 day, 2 days, or 3 days prior to the generation time.
  • the controller 120 may generate reference information based on the preprocessed third driving data.
  • Figure 5 is a diagram showing an operation of generating reference information of a controller according to an embodiment disclosed in this document.
  • step S201 the controller 120 may preprocess the driving data based on the extracted parameters.
  • step S201 the controller 120 may generate third drive data by excluding the second drive data from the extracted first drive data.
  • step S202 the controller 120 may determine whether the period corresponding to the third driving data is longer than or equal to the threshold period.
  • step S203 the controller 120 may determine whether the third driving data is longer than the threshold period.
  • step S202 for example, the controller 120 may determine whether the third driving data is an abnormality of data acquired for 3.5 days.
  • the controller 120 may generate reference information based on the third driving data.
  • the controller 120 may calculate the average value (mean, ⁇ ) and standard deviation ( ⁇ ) of the third driving data.
  • the controller 120 may generate a value of ' ⁇ + 5* ⁇ ' as first reference information, which is obtained by multiplying the average value ( ⁇ ) of the third driving data by 5 times the standard deviation ( ⁇ ). .
  • the controller 120 generates the value ' ⁇ + 9* ⁇ ', which is the average value ( ⁇ ) of the third driving data multiplied by 9 times the standard deviation ( ⁇ ), as second reference information. can do.
  • step S204 the controller 120 does not generate reference information when the third driving data is less than the threshold period.
  • step S205 the controller 120 may determine whether to obtain driving data greater than or equal to the reference information after generating the reference information. In step S205, for example, the controller 120 may determine whether driving data greater than the reference information has been acquired among the driving data acquired in the last 10 minutes.
  • step S206 the controller 120 may generate a count value based on whether the third driving data exceeds the reference information. For example, in step S206, the controller 120 may determine whether the count value of the driving data that is greater than or equal to the first reference information among the third driving data is greater than or equal to 10.
  • step S207 the controller 120 may determine that the motor is normal if no driving data exceeding the reference information is obtained after generating the reference information.
  • step S208 the controller 120 may determine whether the count value of the driving data that is greater than or equal to the second reference information among the third driving data is greater than or equal to 5.
  • step S209 the controller 120 controls the motor when the count value of the drive data that is more than the first reference information among the third drive data is 10 or more, or the count value of the drive data that is more than the second reference information among the third drive data is 5 or more. Failure can be determined.
  • the load rate of the servo motor can be analyzed and controlled in real time using a moving average management line.
  • the monitoring system 100 generates a management line by excluding the drive data acquired during a certain period of time before the reference point among the extracted motor drive data, thereby allowing comparison between the past motor drive data and the current motor drive data. there is.
  • Figure 6 is a flowchart showing a method of operating a monitoring system according to an embodiment disclosed in this document.
  • FIGS. 1 to 5 a method of operating the monitoring system 100 will be described with reference to FIGS. 1 to 5.
  • monitoring system 100 may be substantially the same as the monitoring system 100 described with reference to FIGS. 1 to 5, it will be briefly described below to avoid duplication of description.
  • a step of acquiring time-dependent driving data of a motor related to the operating battery manufacturing device of the monitoring system 100 (S301), applying the driving data to an artificial intelligence model to obtain parameters representing the characteristics of the driving data. It may include extracting (S302) and generating reference information for managing the state of the motor based on the parameters (S303).
  • the data management unit 110 may obtain time-dependent driving data of a motor related to the battery manufacturing device 200. In step S301, for example, the data management unit 110 may automatically log driving data of a motor related to the battery manufacturing device 200.
  • the data management unit 110 may apply the driving data to an artificial intelligence model to extract parameters representing the characteristics of the driving data.
  • the parameter may include, for example, a first section and a second section.
  • the first section is a value that can distinguish data to be used to manage the load ratio of the motor among the drive data. That is, the first section is a reference section in which some of the drive data can be extracted and data to be used to manage the load ratio of the motor can be determined.
  • the second section is a value that can distinguish data to be excluded from the driving data to manage the load ratio of the motor. That is, the second section is a reference section in which some of the drive data can be extracted and data to be excluded from the motor load rate management can be determined.
  • the data management unit 110 may apply the driving data to an optimized artificial intelligence model to extract parameters representing the characteristics of the driving data.
  • the data management unit 110 may apply the driving data to an optimization artificial intelligence model to extract a first section and a second section optimized for load rate management of the motor.
  • step S303 the controller 120 may preprocess the driving data based on the extracted parameters.
  • step S303 specifically, the controller 120 may extract first driving data, which is driving data acquired during the first section before the current time, from among all acquired driving data.
  • step S303 the controller 120 may also extract second driving data, which is driving data acquired during the second section before the current time, from among all driving data.
  • step S303 the controller 120 may generate third drive data by excluding the second drive data from the extracted first drive data.
  • the controller 120 may generate reference information based on the preprocessed third driving data.
  • the reference information may include a baseline from which the load rate of the motor can be determined.
  • step S303 the controller 120 may determine whether the period corresponding to the third driving data is longer than or equal to the threshold period. In step S303, the controller 120 may generate reference information based on the third driving data when the third driving data is longer than the threshold period.
  • step S303 the controller 120 may calculate the average value (mean, ⁇ ) and standard deviation ( ⁇ ) of the third driving data. In step S303, the controller 120 may generate a plurality of reference information based on the average value ( ⁇ ) and standard deviation ( ⁇ ) of the third driving data.
  • step S303 for example, the controller 120 generates the value ' ⁇ + 5* ⁇ ' as first reference information, which is the average value ( ⁇ ) of the third driving data multiplied by 5 times the standard deviation ( ⁇ ). can do.
  • step S303 for example, the controller 120 adds the average value ( ⁇ ) of the third driving data multiplied by 9 times the standard deviation ( ⁇ ) and adds the value ' ⁇ + 9* ⁇ ' as the second reference information. It can be created with
  • step S303 the controller 120 may generate a count value based on whether the third driving data exceeds the reference information.
  • step S303 specifically, the controller 120 may determine whether the motor is broken based on whether the count value generated by determining whether the third drive data per unit time exceeds the reference information exceeds the threshold count value.
  • step S303 if the generated count value exceeds the threshold count value, the controller 120 may determine a motor failure and generate a motor abnormality signal.
  • step S303 the controller 120 may determine that the motor is normal when the count value is less than or equal to the threshold count value.
  • FIG. 7 is a block diagram showing the hardware configuration of a computing system implementing a monitoring system according to an embodiment disclosed in this document.
  • the computing system 300 may include an MCU 310, a memory 320, an input/output I/F 330, and a communication I/F 340. there is.
  • the MCU 310 executes various programs stored in the memory 320 (for example, a program that determines the failure of at least one motor), processes various data through these programs, and performs the operations shown in FIG. 1 above. It may be a processor that performs the functions of the monitoring system 100.
  • the memory 320 can store various programs related to the operation of the monitoring system 100. Additionally, memory 320 may store operational data of monitoring system 100.
  • Memory 320 may be volatile memory or non-volatile memory.
  • the memory 320 as volatile memory may be RAM, DRAM, SRAM, etc.
  • the memory 320 as a non-volatile memory may be ROM, PROM, EAROM, EPROM, EEPROM, flash memory, etc.
  • the examples of memories 320 listed above are merely examples and are not limited to these examples.
  • the input/output I/F 330 is an interface that connects input devices such as a keyboard, mouse, and touch panel (not shown) and output devices such as a display (not shown) and the MCU 310 to transmit and receive data. can be provided.
  • the communication I/F 340 is a component that can transmit and receive various data with a server, and may be various devices that can support wired or wireless communication. For example, programs or various data for resistance measurement and abnormality diagnosis can be transmitted and received from a separately provided external server through the communication I/F 340.
  • the computer program according to an embodiment disclosed in this document is recorded in the memory 320 and processed by the MCU 310, for example, of the monitoring system 100 described with reference to FIGS. 1 and 2. It may also be implemented as a module that performs each function.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

본 문서에 개시된 일 실시예에 따른 모니터링 시스템은 배터리 제조 장치와 관련된 모터의 시간에 따른 구동 데이터를 획득하고, 상기 구동 데이터를 인공 지능 모델에 적용하여 상기 구동 데이터의 특성을 나타내는 파라미터를 추출하는 데이터 관리부 및 상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 컨트롤러를 포함할 수 있다.

Description

모니터링 시스템 및 그것의 동작 방법
관련출원과의 상호인용
본 문서에 개시된 실시예들은 2022.10.19.에 출원된 한국 특허 출원 제10-2022-0134711호에 기초한 우선권의 이익을 주장하며, 해당 한국 특허 출원의 문헌에 개시된 모든 내용을 본 명세서의 일부로서 포함한다.
기술분야
본 문서에 개시된 실시예들은 모니터링 시스템 및 그것의 동작 방법에 관한 것이다.
전기차는 외부로부터 전기를 공급받아 배터리 셀을 충전한 후, 배터리 셀에 충전된 전압으로 모터를 구동시켜 동력을 얻는다. 전기차의 배터리 셀은 전극 조립체를 전지 케이스에 수용하고, 전지 케이스 내부에 전해액을 주액함으로써 제조된다.
배터리 셀은 외부에서 가해지는 충격 또는 용접 불량으로 인해 용접 부위의 일부 또는 전체가 탈락되는 경우 배터리 셀의 열화 또는 폭발 현상이 일어날 수 있다. 따라서 배터리 공정 시스템은 배터리 제조 공정에 고장이 발생한 경우, 고장을 신속히 진단하고 분석하기 위하여 배터리 제조 장치에 포함된 서보 모터의 부하율을 모니터링한다.
일반적으로 배터리 공정 시스템은 고정된 관리선을 기반으로 서보 모터의 부하율을 모니터링하므로, 배터리 공정 조건이 변경되었을 경우 고정된 관리선을 업데이트하지 못하여 과검이 발생하거나, 관리선 업데이트에 따른 관리자의 업무 부담이 높은 문제가 있었다. 한편, 이동 평균(Moving Average) 방식의 관리선을 기반으로 서보 모터의 부하율을 모니터링하는 방법은 배터리 공정 조건의 변경에 따라 관리선이 자동으로 갱신되어 관리자의 업무 부담이 낮지만, 점진적인 서보 모터의 부하율 상승을 검출할 수 없어 미검이 발생하는 문제가 있다.
본 문서에 개시되는 실시예들의 일 목적은 배터리 공정 시스템의 이동 평균 관리선을 이용하여 서보 모터의 부하율을 실시간으로 분석하고 제어할 수 있는 모니터링 시스템 그것의 동작 방법을 제공하는 데 있다.
본 문서에 개시된 실시예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시된 일 실시예에 따른 모니터링 시스템은 배터리 제조 장치와 관련된 모터의 시간에 따른 구동 데이터를 획득하고, 상기 구동 데이터를 인공 지능 모델에 적용하여 상기 구동 데이터의 특성을 나타내는 파라미터를 추출하는 데이터 관리부 및 상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 컨트롤러를 포함할 수 있다.
실시예에 따르면, 상기 컨트롤러는 상기 파라미터에 기초하여 상기 구동 데이터를 전처리하고, 전처리된 상기 구동 데이터에 기초하여 상기 기준 정보를 생성할 수 있다.
실시예에 따르면, 상기 데이터 관리부는 상기 구동 데이터를 최적화 인공 지능 모델에 적용하여 상기 구동 데이터 중 기준 시점 이전의 소정 시간 동안에 획득되어 상기 기준 정보 생성에 사용되는 제1 구동 데이터를 구분하기 위한 제1 구간 및 상기 기준 정보 생성에 제외되는 제2 구동 데이터를 구분하기 위한 제2 구간을 추출할 수 있다.
실시예에 따르면, 상기 컨트롤러는 상기 구동 데이터 중 상기 제1 구간 동안에 획득된 상기 제1 구동 데이터에서 상기 제2 구간 동안에 획득된 상기 제2 구동 데이터를 제외하여 제3 구동 데이터를 생성할 수 있다.
실시예에 따르면, 상기 컨트롤러는 상기 제3 구동 데이터에 대응되는 기간이 임계 기간 이상인지 여부를 판단하고, 상기 구동 데이터가 임계 기간 이상인 경우 상기 제3 구동 데이터에 기초하여 상기 기준 정보를 생성할 수 있다.
실시예에 따르면, 상기 컨트롤러는 상기 제3 구동 데이터의 평균값 및 표준 편차를 산출하고, 상기 평균값 및 상기 표준 편차에 기초하여 상기 기준 정보를 생성할 수 있다.
실시예에 따르면, 상기 컨트롤러는 상기 제3 구동 데이터가 상기 기준 정보를 초과하는지 여부에 기초하여 카운트 값을 생성하고, 상기 카운트 값의 임계 카운트 값 초과 여부에 기초하여 상기 모터의 고장 여부를 판단할 수 있다.
실시예에 따르면, 상기 컨트롤러는 상기 카운트 값이 상기 임계 카운트 값을 초과하는 경우 상기 모터의 고장을 판단하고 상기 모터의 이상 신호를 생성할 수 있다.
실시예에 따르면, 상기 컨트롤러는 상기 카운트 값이 상기 임계 카운트 값 이하인 경우 상기 모터를 정상으로 판단할 수 있다.
본 문서에 개시된 일 실시예에 따른 모니터링 시스템의 동작 방법은 배터리 제조 장치와 관련된 모터의 시간에 따른 구동 데이터를 획득하는 단계, 상기 구동 데이터를 인공 지능 모델에 적용하여 상기 구동 데이터의 특성을 나타내는 파라미터를 추출하는 단계 및 상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계를 포함할 수 있다.
실시예에 따르면, 상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는 상기 파라미터에 기초하여 상기 구동 데이터를 전처리하고, 전처리된 상기 구동 데이터에 기초하여 상기 기준 정보를 생성할 수 있다.
실시예에 따르면, 상기 구동 데이터를 인공 지능 모델에 적용하여 상기 구동 데이터의 특성을 나타내는 파라미터를 추출하는 단계는 상기 구동 데이터를 최적화 인공 지능 모델에 적용하여 상기 구동 데이터 중 기준 시점 이전의 소정 시간 동안에 획득되어 상기 기준 정보 생성에 사용되는 제1 구동 데이터를 구분하기 위한 제1 구간 및 상기 기준 정보 생성에 제외되는 제2 구동 데이터를 구분하기 위한 제2 구간을 추출할 수 있다.
실시예에 따르면, 상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는 상기 구동 데이터 중 상기 제1 구간 동안에 획득된 상기 제1 구동 데이터에서 상기 제2 구간 동안에 획득된 상기 제2 구동 데이터를 제외하여 제3 구동 데이터를 생성할 수 있다.
실시예에 따르면, 상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는 상기 제3 구동 데이터에 대응되는 기간이 임계 기간 이상인지 여부를 판단하고, 상기 구동 데이터가 임계 기간 이상인 경우 상기 제3 구동 데이터에 기초하여 상기 기준 정보를 생성할 수 있다.
실시예에 따르면, 상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는 상기 제3 구동 데이터의 평균값 및 표준 편차를 산출하고, 상기 평균값 및 상기 표준 편차에 기초하여 상기 기준 정보를 생성할 수 있다.
실시예에 따르면, 상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는 상기 제3 구동 데이터가 상기 기준 정보를 초과하는지 여부에 기초하여 카운트 값을 생성하고, 상기 카운트 값의 임계 카운트 값 초과 여부에 기초하여 상기 모터의 고장 여부를 판단할 수 있다.
실시예에 따르면, 상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는 상기 카운트 값이 상기 임계 카운트 값을 초과하는 경우 상기 모터의 고장을 판단하고 상기 모터의 이상 신호를 생성할 수 있다.
실시예에 따르면, 상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는 상기 카운트 값이 상기 임계 카운트 값 이하인 경우 상기 모터를 정상으로 판단할 수 있다.
본 문서에 개시되는 일 실시예에 따른 모니터링 시스템 및 그것의 동작 방법에 따르면 이동 평균 관리선을 이용하여 서보 모터의 부하율을 실시간으로 분석하고 제어할 수 있다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 공정 시스템을 전반적으로 설명하기 위한 도면이다.
도 2는 본 문서에 개시된 일 실시예에 따른 모니터링 시스템의 구성을 보여주는 블록도이다.
도 3은 본 문서에 개시된 일 실시예에 따른 데이터 관리부의 파라미터를 추출하는 동작을 보여주는 도면이다.
도 4는 본 문서에 개시된 일 실시예에 따른 컨트롤러의 제3 구동 데이터를 추출하는 동작을 보여주는 도면이다.
도 5는 본 문서에 개시된 일 실시예에 따른 컨트롤러의 기준 정보를 생성하는 동작을 보여주는 도면이다.
도 6은 본 문서에 개시된 일 실시예에 따른 모니터링 시스템의 동작 방법을 보여주는 흐름도이다.
도 7은 본 문서에 개시된 일 실시예에 따른 모니터링 시스템을 구현하는 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
이하, 본 문서에 개시된 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 문서에 개시된 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 문서에 개시된 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 문서에 개시된 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 문서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 공정 시스템을 전반적으로 설명하기 위한 도면이다.
다양한 실시예들에 따르면, 배터리는 전기 에너지를 충방전하여 사용할 수 있는 배터리의 기본 단위인 배터리 셀을 포함할 수 있다. 배터리 셀은 리튬이온(Li-iOn) 전지, 리튬이온 폴리머(Li-iOn polymer) 전지, 니켈 카드뮴(Ni-Cd) 전지, 니켈 수소(Ni-MH) 전지 등일 수 있으며, 이에 한정되지 않는다. 배터리 셀은 대상 장치(미도시)에 전원을 공급할 수 있다. 이를 위해, 배터리 셀은 대상 장치와 전기적으로 연결될 수 있다. 여기서, 대상 장치는 복수의 배터리 셀들을 포함하는 배터리 팩(미도시)으로부터 전원을 공급받아 동작하는 전기적, 전자적, 또는 기계적인 장치를 포함할 수 있다. 예를 들어, 대상 장치는 디지털 카메라, P-DVD, MP3P, 휴대폰, PDA, Portable Game Device, Power Tool 및 E-bike 등의 소형 제품뿐만 아니라, 전기 자동차나 하이브리드 자동차와 같은 고출력이 요구되는 대형 제품과 잉여 발전 전력이나 신재생 에너지를 저장하는 전력 저장 장치나 백업용 전력 저장 장치일 수 있으나 이에 한정되는 것은 아니다.
배터리 셀은 전극 조립체, 전극 조립체가 내부에 수용되는 전지 케이스, 전지 케이스 내부에 주액되어 전극 조립체를 활성화시키는 전해액으로 구성될 수 있다. 전극 조립체란 양극 집전체에 양극 활물질이 코팅되어 형성된 양극판과, 음극 집전체에 음극 활물질이 코팅되어 형성된 음극판의 사이에 분리막이 개재되어 형성된 것으로, 전극 조립체는 전지 케이스의 종류에 따라, 젤리롤 형(jelly roll type), 스택 형(stack type) 등으로 제작되어 전지 케이스의 내부에 수용될 수 있다. 전지 케이스는 전지의 형태를 유지하고 외부의 충격으로부터 보호하는 외장재의 역할을 하는 것으로, 배터리 셀은 전지 케이스의 종류에 따라 원통형, 각형, 파우치형으로 분류될 수 있다.
실시예에 따르면, 배터리 셀은 전극 제조 공정, 조립 공정 및 화성 공정 등을 포함하는 일련의 제조 공정을 통하여 제조될 수 있다. 여기서 조립 공정(Assembly Process)은 전극 제조 공정을 통해 만들어진 양극판과 음극판을 조립해서 전해액을 주입하는 과정을 포함할 수 있으며, 노칭 과정, 와인딩 과정, 조립 과정, 패키징 과정을 포함할 수 있다.
패키징(Packiging) 과정은 전지 케이스에 전극 조립체 및 전해액을　주입하고　밀봉하는 과정으로 정의할 수 있다. 원통형 배터리셀의 경우 원통형 금속 캔(Can)에 전극 조립체를 장착하고, 전극 조립체의 음극에서 연장된 음극　탭을 캔의 하단에　용접하고, 전극 조립체와 전해질이 내장된 상태에서 전극 조립체의　양극에서 연장된　양극　탭을 캡　어셈블리의 탑 캡(Top Cap)에　용접하여 제조한다.
이하에서는 배터리 공정 시스템이 조립 공정에 적용되는 경우를 예로 들어 설명한다. 예를 들어, 배터리 공정 시스템은 조립 공정 시스템 중 패키징 과정에 이용될 수 있으나, 이에 한정되는 것은 아니다.
도 1을 참조하면, 배터리 공정 시스템은 모니터링 시스템(100) 및 적어도 하나의 배터리 제조 장치(200)를 포함할 수 있다.
모니터링 시스템(100)은 배터리 공정 시스템에서 운영되고 있는 배터리 제조 장치(200)들의 데이터를 실시간으로 수집하여 분석할 수 있다. 모니터링 시스템(100)은 적어도 하나의 배터리 제조 장치(200)의 작동 데이터를 수집하여 분석할 수 있다. 또한, 모니터링 시스템(100)은 배터리 제조 장치(200)를 제어하는 공정 처리 장치(PLC)(미도시)의 작동 데이터를 수집할 수 있다. 여기서 배터리 제조 장치(200)의 작동 데이터는 배터리 제조 장치(200)의 운전 기록을 포함할 수 있다.
예를 들어, 모니터링 시스템(100)는 배터리 제조 장치(200)로부터 공정 진행 상황, 알람 발생 유무, 온도, 압력, 수량 등과 같은 배터리 제조 공정 시스템에서 발생하는 데이터 또는 그래프 데이터를 수집하여 분석할 수 있다.
모니터링 시스템(100)은 배터리 제조 장치(200)의 작동 데이터 중 이상 데이터를 감지할 수 있다. 모니터링 시스템(100)는 이상 데이터에 대응되는 배터리 제조 장치(200)를 분석할 수 있다.
배터리 제조 장치(200)는 제1 배터리 제조 장치, 제2 배터리 제조 장치 (220) 및 제3 배터리 제조 장치(230)를 포함할 수 있다. 도 1에서 배터리 제조 장치(200)는 3개인 것으로 도시되었지만, 이에 한정되는 것은 아니며, 배터리 제조 장치(200)는 n(n은 1이상의 자연수)개의 장치를 포함할 수 있다.
실시예에 따르면, 배터리 제조 장치(200)는 배터리 셀의 패키징 공정 중 배터리 셀의 전극 조립체의 양극　탭과 캡　어셈블리의 탑 캡(Top Cap)을　용접할 수 있다.
실시예에 따르면, 모니터링 시스템(100)는 복수의 배터리 제조 장치(200)와 각각 관련된 모터의 구동 데이터를 획득할 수 있다. 여기서 모터는 예를 들어, 서보(Servo) 모터를 포함할 수 있다. 서보 모터는 제어 구동 보드를 포함하여 사용자의 위치나 속도 제어 명령에 신속하고 정확하게 추종할 수 있도록 설계된 모터이다.
모니터링 시스템(100)은 예를 들어, 서보 모터의 부하율(Load Factor)을 관리할 수 있다. 모니터링 시스템(100)은 복수의 배터리 제조 장치(200)와 각각 관련된 모터의 부하율을 이동 평균(Moving Average) 산출 방법을 이용하여 점진적인 부하율의 상승을 모니터링할 수 있다. 모니터링 시스템(100)은 복수의 배터리 제조 장치(200)의 구둥 조건이 변경되었을 경우, 이동 평균 산출 방법을 이용하여 자동으로 배터리 제조 장치(200)의 부하율을 산출할 수 있다.
도 2는 본 문서에 개시된 일 실시예에 따른 모니터링 시스템(100)의 구성을 보여주는 블록도이다.
도 2를 참조하면, 모니터링 시스템(100)은 데이터 관리부(110) 및 컨트롤러(120)를 포함할 수 있다.
데이터 관리부(110)는 배터리 제조 장치(200)와 관련된 모터의 시간에 따른 구동 데이터를 획득할 수 있다. 예를 들어, 데이터 관리부(110)는 배터리 제조 장치(200)와 관련된 모터의 구동 데이터를 자동적으로 로깅할 수 있다. 예를 들어, 데이터 관리부(110)는 데이터 자동 로깅의 샘플링 주기를 0.1sec로 설정하여 모터의 구동 데이터를 수집할 수 있다.
데이터 관리부(110)는 구동 데이터를 인공 지능 모델에 적용하여 구동 데이터의 특성을 나타내는 파라미터를 추출할 수 있다. 여기서 파라미터는 예를 들어, 제1 구간 및 제2 구간을 포함할 수 있다. 먼저 제1 구간은 구동 데이터 중 모터의 부하율을 관리하기 위해 사용될 데이터를 구분할 수 있는 값이다. 즉, 제1 구간은 구동 데이터 중 일부를 추출하여 모터의 부하율을 관리하기 위해 사용될 데이터를 판단할 수 있는 기준 구간이다. 예를 들어, 제1 구간이 1주일인 경우 모니터링 시스템(100)은 구동 데이터 중 최근 1주일 동안 획득한 구동 데이터를 이용하여 모터의 부하율을 관리할 수 있다.
제2 구간은 구동 데이터 중 모터의 부하율을 관리하기 위해 제외될 데이터를 구분할 수 있는 값이다. 즉, 제2 구간은 구동 데이터 중 일부를 추출하여 모터의 부하율 관리에서 제외될 데이터를 판단할 수 있는 기준 구간이다. 예를 들어, 제2 구간이 12시간인 경우 모니터링 시스템(100)은 구동 데이터 중 최근 12시간 동안 획득한 구동 데이터를 이용하여 모터의 부하율을 관리에서 제외할 수 있다.
데이터 관리부(110)는 구동 데이터를 최적화(Optimizer) 인공 지능 모델에 적용하여 구동 데이터의 특성을 나타내는 파라미터를 추출할 수 있다. 여기서 최적화 인공 지능 모델은 경사하강법 (Gradient Descent Method)을 이용하여 구동 데이터의 특성을 나타내는 파라미터를 추출할 수 있다.
예를 들어, 데이터 관리부(110)는 구동 데이터를 최적화 인공 지능 모델에 적용하여 모터의 부하율 관리에 최적화된 제1 구간 및 제2 구간을 추출할 수 있다.
컨트롤러(120)는 추출한 파라미터에 기초하여 구동 데이터를 전처리할 수 있다. 구체적으로 컨트롤러(120)는 획득한 전체 구동 데이터 중 현재 시점 이전의 제1 구간 동안에 획득된 구동 데이터인 제1 구동 데이터를 추출할 수 있다. 또한, 컨트롤러(120)는 전체 구동 데이터 중 현재 시점 이전의 제2 구간 동안에 획득된 구동 데이터인 제2 구동 데이터를 추출할 수 있다. 컨트롤러(120)는 추출한 제1 구동 데이터에서 제2 구동 데이터를 제외하여 제3 구동 데이터를 생성할 수 있다.
컨트롤러(120)는 전처리된 제3 구동 데이터에 기초하여 기준 정보를 생성할 수 있다. 여기서 기준 정보는 모터의 부하율을 판단할 수 있는 기준선을 포함할 수 있다.
컨트롤러(120)는 제3 구동 데이터에 대응되는 기간이 임계 기간 이상인지 여부를 판단할 수 있다. 컨트롤러(120)는 제3 구동 데이터가 임계 기간 이상인 경우 제3 구동 데이터에 기초하여 기준 정보를 생성할 수 있다. 예를 들어, 컨트롤러(120)는 구동 데이터를 전처리하여 생성한 제3 구동 데이터가 3.5일 동안 획득된 데이터의 이상인 경우 제3 구동 데이터에 기초하여 기준 정보를 생성할 수 있다.
컨트롤러(120)는 제3 구동 데이터의 평균값(mean, μ) 및 표준 편차(σ)를 산출할 수 있다. 컨트롤러(120)는 제3 구동 데이터의 평균값(μ) 및 표준 편차(σ)에 기초하여 복수의 기준 정보를 생성할 수 있다. 예를 들어 컨트롤러(120)는 제3 구동 데이터의 평균값(μ)에 표준 편차(σ)의 5배를 곱한 값을 더한 'μ + 5*σ'값을 제1 기준 정보로 생성할 수 있다. 또한, 예를 들어 컨트롤러(120)는 제3 구동 데이터의 평균값(μ)에 표준 편차(σ)의 9배를 곱한 값을 더한 'μ + 9*σ'값을 제2 기준 정보로 생성할 수 있다.
컨트롤러(120)는 제3 구동 데이터가 기준 정보를 초과하는지 여부에 기초하여 카운트 값을 생성할 수 있다. 구체적으로 컨트롤러(120)는 단위 시간당 제3 구동 데이터가 기준 정보를 초과하는지를 판단하여 생성한 카운트 값이 임계 카운트 값을 초과하는지 여부에 기초하여 모터의 고장 여부를 판단할 수 있다. 컨트롤러(120)는 생성한 카운트 값이 임계 카운트 값을 초과하는 경우 모터의 고장을 판단하고 모터의 이상 신호를 생성할 수 있다. 또한, 컨트롤러(120)는 카운트 값이 임계 카운트 값 이하인 경우 모터를 정상으로 판단할 수 있다.
도 3은 본 문서에 개시된 일 실시예에 따른 데이터 관리부의 파라미터를 추출하는 동작을 보여주는 도면이다.
도 3을 참조하면, S101 단계에서, 데이터 관리부(110)는 모터의 구동 데이터를 획득할 수 있다.
S102 단계에서, 데이터 관리부(110)는 모터의 구동 데이터를 테스트 데이터와 트레인 데이터로 구분할 수 있다.
S103 단계에서, 데이터 관리부(110)는 모터의 구동 데이터 중 트레인 데이터를 최적화 함수에 입력할 수 있다. S103 단계에서, 데이터 관리부(110)는 최적화 함수의 초기값(Initiator), 임계값(Threshold) 및 학습률을 설정할 수 있다. S103 단계에서, 예를 들어 데이터 관리부(110)는 구동 데이터에 기초하여 추출한 임의의 파라미터 값들을 최적화 함수에 입력할 수 있다. 여기서 임의의 파라미터 값들은 제1 구간, 제2 구간 또는 기준 정보에 사용될 표준 편차(σ)의 배수 값을 포함할 수 있다. 예를 들어 임의 파라미터 값들은 제1 구간으로 7일, 14일 및 21일을 포함할 수 있고, 제2 구간으로 6시간, 12시간 및 1일을 포함할 수 있고, 기준 정보에 사용될 표준 편차(σ)의 배수 값으로 3배, 4배, 5배 등을 포함할 수 있다.
S104 단계에서, 데이터 관리부(110)는 최적화 함수의 정확도(Accuracy)를 산출할 수 있다. S104 단계에서, 데이터 관리부(110)는 최적화 함수의 정확도(Accuracy)를 이용하여 'Accuracy(i)- Accuracy(i-1)'값이 제1 임계값(Threshold 1) 이하인지 여부를 판단할 수 있다. 여기서 i는 최적화 함수의 학습 횟수를 의미한다.
S105 단계에서, 데이터 관리부(110)는 최적화 함수의 정확도(Accuracy)를 이용하여 'Accuracy(i)'값이 제2 임계값(Threshold 2) 이상인지 여부를 판단할 수 있다. 여기서 'i'는 최적화 함수의 학습 횟수를 의미한다. S105 단계에서, 데이터 관리부(110)는'Accuracy(i)'값이 제2 임계값(Threshold 2) 이상인 경우 최적화 함수의 동작을 종료할 수 있다.
S106 단계에서, 데이터 관리부(110)는 'Accuracy(i)- Accuracy(i-1)'값이 제1 임계값(Threshold 1) 초과이거나, 'Accuracy(i)'값이 제2 임계값(Threshold 2) 미만인 경우 학습률(i)이 1000이상인지 여부를 판단할 수 있다. S106 단계에서, 데이터 관리부(110)는 학습률(i)이 1000이상인 경우 최적화 함수의 동작을 종료할 수 있다.
S107 단계에서, 데이터 관리부(110)는 테스트 데이터를 이용하여 최적화 함수의 최종 Accuracy를 산출할 수 있다.
도 4는 본 문서에 개시된 일 실시예에 따른 컨트롤러의 제3 구동 데이터를 추출하는 동작을 보여주는 도면이다.
도 4를 참조하면, 컨트롤러(120)는 전체 구동 데이터 중 기준 정보 생성 시점 이전의 제1 구간 동안에 획득된 구동 데이터인 제1 구동 데이터를 추출할 수 있다. 예를 들어, 데이터 관리부(110)가 추출한 제1 구간이 7일, 14일 또는 21일인 경우, 컨트롤러(120)는 전체 구동 데이터 중 기준 정보 생성 시점 이전의 7일, 14일 또는 21일 동안에 획득된 구동 데이터인 제1 구동 데이터를 추출할 수 있다.
또한, 컨트롤러(120)는 전체 구동 데이터 중 기준 정보 생성 시점 이전의 제2 구간 동안에 획득된 구동 데이터인 제2 구동 데이터를 추출할 수 있다. 예를 들어, 데이터 관리부(110)가 추출한 제2 구간이 12시간, 1일, 2일 또는 3일인 경우, 컨트롤러(120)는 전체 구동 데이터 중 기준 정보 생성 시점 이전의 12시간, 1일, 2일 또는 3일 동안에 획득된 구동 데이터인 제2 구동 데이터를 추출할 수 있다.
컨트롤러(120)는 추출한 제1 구동 데이터에서 제2 구동 데이터를 제외하여 제3 구동 데이터를 생성할 수 있다. 예를 들어 제1 구동 데이터가 기준 정보 생성 시점 이전의 7일, 14일 또는 21일 동안에 획득된 구동 데이터이고, 제2 구동 데이터가 기준 정보 생성 시점 이전의 12시간, 1일, 2일 또는 3일 동안에 획득된 구동 데이터인 경우, 컨트롤러(120)는 제1 구동 데이터에 대응되는 기준 정보 생성 시점 이전의 7일, 14일 또는 21일 동안에 획득된 구동 데이터에서 제2 구동 데이터에 대응되는 기준 정보 생성 시점 이전의 12시간, 1일, 2일 또는 3일 동안에 획득된 구동 데이터를 제외하여 제3 구동데이터를 생성할 수 있다.
컨트롤러(120)는 전처리된 제3 구동 데이터에 기초하여 기준 정보를 생성할 수 있다.
도 5는 본 문서에 개시된 일 실시예에 따른 컨트롤러의 기준 정보를 생성하는 동작을 보여주는 도면이다.
도 5를 참조하면, 컨트롤러는 S201 단계에서, 컨트롤러(120)는 추출한 파라미터에 기초하여 구동 데이터를 전처리할 수 있다. S201 단계에서, 컨트롤러(120)는 추출한 제1 구동 데이터에서 제2 구동 데이터를 제외하여 제3 구동 데이터를 생성할 수 있다.
S202 단계에서, 컨트롤러(120)는 제3 구동 데이터에 대응되는 기간이 임계 기간 이상인지 여부를 판단할 수 있다.
S203 단계에서, 컨트롤러(120)는 제3 구동 데이터가 임계 기간 이상인지 여부를 판단할 수 있다. S202 단계에서, 예를 들어, 컨트롤러(120)는 제3 구동 데이터가 3.5일 동안 획득된 데이터의 이상인지 여부를 판단할 수 있다.
S203 단계에서, 컨트롤러(120)는 제3 구동 데이터에 기초하여 기준 정보를 생성할 수 있다. S203 단계에서, 컨트롤러(120)는 제3 구동 데이터의 평균값(mean, μ) 및 표준 편차(σ)를 산출할 수 있다. S203 단계에서, 컨트롤러(120)는 제3 구동 데이터의 평균값(μ)에 표준 편차(σ)의 5배를 곱한 값을 더한 'μ + 5*σ'값을 제1 기준 정보로 생성할 수 있다. S203 단계에서, 예를 들어 컨트롤러(120)는 제3 구동 데이터의 평균값(μ)에 표준 편차(σ)의 9배를 곱한 값을 더한 'μ + 9*σ'값을 제2 기준 정보로 생성할 수 있다.
S204 단계에서, 컨트롤러(120)는 제3 구동 데이터가 임계 기간 미만인 경우 기준 정보를 생성하지 않는다.
S205 단계에서, 컨트롤러(120)는 기준 정보 생성 이후, 기준 정보 이상의 구동 데이터의 획득 여부를 판단할 수 있다. S205 단계에서, 예를 들어 컨트롤러(120)는 최근 10분 동안 획득된 구동 데이터 중 기준 정보 이상의 구동 데이터의 획득 여부를 판단할 수 있다.
S206 단계에서, 컨트롤러(120)는 제3 구동 데이터가 기준 정보를 초과하는지 여부에 기초하여 카운트 값을 생성할 수 있다. 예를 들어, S206 단계에서, 컨트롤러(120)는 제3 구동 데이터 중 제1 기준 정보 이상인 구동 데이터의 카운트 값이 10의 이상 여부를 판단할 수 있다.
S207 단계에서, 컨트롤러(120)는 기준 정보 생성 이후, 기준 정보 이상의 구동 데이터가 획득되지 않은 경우 모터를 정상으로 판단할 수 있다.
S208 단계에서, 컨트롤러(120)는 제3 구동 데이터 중 제2 기준 정보 이상인 구동 데이터의 카운트 값이 5의 이상 여부를 판단할 수 있다.
S209 단계에서, 컨트롤러(120)는 제3 구동 데이터 중 제1 기준 정보 이상인 구동 데이터의 카운트 값이 10 이상이거나, 제3 구동 데이터 중 제2 기준 정보 이상인 구동 데이터의 카운트 값이 5 이상인 경우 모터의 고장을 판단할 수 있다.
상술한 바와 같이, 본 문서에 개시되는 일 실시예에 따른 모니터링 시스템(100) 및 그것의 동작 방법에 따르면 이동 평균 관리선을 이용하여 서보 모터의 부하율을 실시간으로 분석하고 제어할 수 있다.
또한, 모니터링 시스템(100)은 추출한 모터의 구동 데이터 중 기준 시점 이전의 일정 시간 동안에 획득한 구동 데이터를 제외하고 관리선을 생성함으로써, 과거의 모터의 구동 데이터와 현재의 모터의 구동 데이터를 비교할 수 있다.
도 6은 본 문서에 개시된 일 실시예에 따른 모니터링 시스템의 동작 방법을 보여주는 흐름도이다.
이하에서는 도 1 내지 도 5를 참조하여 모니터링 시스템(100)의 동작 방법에 대해 설명한다.
모니터링 시스템(100)은 도 1 내지 도 5를 참조하여 설명한 모니터링 시스템(100)과 실질적으로 동일할 수 있으므로, 이하에서는 설명의 중복을 피하기 위하여 간략히 설명한다.
도 3을 참조하면, 모니터링 시스템(100)의 동작 배터리 제조 장치와 관련된 모터의 시간에 따른 구동 데이터를 획득하는 단계(S301), 구동 데이터를 인공 지능 모델에 적용하여 구동 데이터의 특성을 나타내는 파라미터를 추출하는 단계(S302) 및 파라미터에 기초하여 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계(S303)를 포함할 수 있다.
S301 단계에서, 데이터 관리부(110)는 배터리 제조 장치(200)와 관련된 모터의 시간에 따른 구동 데이터를 획득할 수 있다. S301 단계에서, 예를 들어, 데이터 관리부(110)는 배터리 제조 장치(200)와 관련된 모터의 구동 데이터를 자동적으로 로깅할 수 있다.
S302 단계에서, 데이터 관리부(110)는 구동 데이터를 인공 지능 모델에 적용하여 구동 데이터의 특성을 나타내는 파라미터를 추출할 수 있다. 여기서 파라미터는 예를 들어, 제1 구간 및 제2 구간을 포함할 수 있다. 먼저 제1 구간은 구동 데이터 중 모터의 부하율을 관리하기 위해 사용될 데이터를 구분할 수 있는 값이다. 즉, 제1 구간은 구동 데이터 중 일부를 추출하여 모터의 부하율을 관리하기 위해 사용될 데이터를 판단할 수 있는 기준 구간이다. 제2 구간은 구동 데이터 중 모터의 부하율을 관리하기 위해 제외될 데이터를 구분할 수 있는 값이다. 즉, 제2 구간은 구동 데이터 중 일부를 추출하여 모터의 부하율 관리에서 제외될 데이터를 판단할 수 있는 기준 구간이다.
S302 단계에서, 데이터 관리부(110)는 구동 데이터를 최적화 인공 지능 모델에 적용하여 구동 데이터의 특성을 나타내는 파라미터를 추출할 수 있다. S302 단계에서, 예를 들어, 데이터 관리부(110)는 구동 데이터를 최적화 인공 지능 모델에 적용하여 모터의 부하율 관리에 최적화된 제1 구간 및 제2 구간을 추출할 수 있다.
S303 단계에서, 컨트롤러(120)는 추출한 파라미터에 기초하여 구동 데이터를 전처리할 수 있다. S303 단계에서, 구체적으로 컨트롤러(120)는 획득한 전체 구동 데이터 중 현재 시점 이전의 제1 구간 동안에 획득된 구동 데이터인 제1 구동 데이터를 추출할 수 있다.
S303 단계에서, 또한, 컨트롤러(120)는 전체 구동 데이터 중 현재 시점 이전의 제2 구간 동안에 획득된 구동 데이터인 제2 구동 데이터를 추출할 수 있다.
S303 단계에서, 컨트롤러(120)는 추출한 제1 구동 데이터에서 제2 구동 데이터를 제외하여 제3 구동 데이터를 생성할 수 있다.
S303 단계에서, 컨트롤러(120)는 전처리된 제3 구동 데이터에 기초하여 기준 정보를 생성할 수 있다. 여기서 기준 정보는 모터의 부하율을 판단할 수 있는 기준선을 포함할 수 있다.
S303 단계에서, 컨트롤러(120)는 제3 구동 데이터에 대응되는 기간이 임계 기간 이상인지 여부를 판단할 수 있다. S303 단계에서, 컨트롤러(120)는 제3 구동 데이터가 임계 기간 이상인 경우 제3 구동 데이터에 기초하여 기준 정보를 생성할 수 있다.
S303 단계에서, 컨트롤러(120)는 제3 구동 데이터의 평균값(mean, μ) 및 표준 편차(σ)를 산출할 수 있다. S303 단계에서, 컨트롤러(120)는 제3 구동 데이터의 평균값(μ) 및 표준 편차(σ)에 기초하여 복수의 기준 정보를 생성할 수 있다.
S303 단계에서, 예를 들어 컨트롤러(120)는 제3 구동 데이터의 평균값(μ)에 표준 편차(σ)의 5배를 곱한 값을 더한 'μ + 5*σ'값을 제1 기준 정보로 생성할 수 있다. S303 단계에서, 또한, 예를 들어 컨트롤러(120)는 제3 구동 데이터의 평균값(μ)에 표준 편차(σ)의 9배를 곱한 값을 더한 'μ + 9*σ'값을 제2 기준 정보로 생성할 수 있다.
S303 단계에서, 컨트롤러(120)는 제3 구동 데이터가 기준 정보를 초과하는지 여부에 기초하여 카운트 값을 생성할 수 있다. S303 단계에서, 구체적으로 컨트롤러(120)는 단위 시간당 제3 구동 데이터가 기준 정보를 초과하는지를 판단하여 생성한 카운트 값이 임계 카운트 값을 초과하는지 여부에 기초하여 모터의 고장 여부를 판단할 수 있다.
S303 단계에서, 컨트롤러(120)는 생성한 카운트 값이 임계 카운트 값을 초과하는 경우 모터의 고장을 판단하고 모터의 이상 신호를 생성할 수 있다.
S303 단계에서, 컨트롤러(120)는 카운트 값이 임계 카운트 값 이하인 경우 모터를 정상으로 판단할 수 있다.
도 7은 본 문서에 개시된 일 실시예에 따른 모니터링 시스템을 구현하는 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
도 7을 참조하면, 본 문서에 개시된 일 실시예에 따른 컴퓨팅 시스템(300)은 MCU(310), 메모리(320), 입출력 I/F(330) 및 통신 I/F(340)를 포함할 수 있다.
MCU(310)는 메모리(320)에 저장되어 있는 각종 프로그램(예를 들면, 적어도 하나의 모터의 고장을 판단하는 프로그램)을 실행시키고, 이러한 프로그램들을 각종 데이터를 처리하며, 전술한 도 1에 나타낸 모니터링 시스템(100)의 기능들을 수행하도록 하는 프로세서일 수 있다.
메모리(320)는 모니터링 시스템(100)의 작동에 관한 각종 프로그램을 저장할 수 있다. 또한, 메모리(320)는 모니터링 시스템(100)의 작동 데이터를 저장할 수 있다.
이러한 메모리(320)는 필요에 따라서 복수 개 마련될 수도 있을 것이다. 메모리(320)는 휘발성 메모리일 수도 있으며 비휘발성 메모리일 수 있다. 휘발성 메모리로서의 메모리(320)는 RAM, DRAM, SRAM 등이 사용될 수 있다. 비휘발성 메모리로서의 메모리(320)는 ROM, PROM, EAROM, EPROM, EEPROM, 플래시 메모리 등이 사용될 수 있다. 상기 열거한 메모리(320)들의 예를 단지 예시일 뿐이며 이들 예로 한정되는 것은 아니다.
입출력 I/F(330)는, 키보드, 마우스, 터치 패널 등의 입력 장치(미도시)와 디스플레이(미도시) 등의 출력 장치와 MCU(310) 사이를 연결하여 데이터를 송수신할 수 있도록 하는 인터페이스를 제공할 수 있다.
통신 I/F(340)는 서버와 각종 데이터를 송수신할 수 있는 구성으로서, 유선 또는 무선 통신을 지원할 수 있는 각종 장치일 수 있다. 예를 들면, 통신 I/F(340)를 통해 별도로 마련된 외부 서버로부터 저항 측정 및 이상 진단을 위한 프로그램이나 각종 데이터 등을 송수신할 수 있다.
이와 같이, 본 문서에 개시된 일 실시예에 따른 컴퓨터 프로그램은 메모리(320)에 기록되고, MCU(310)에 의해 처리됨으로써, 예를 들면 도 1 및 도 2를 참조하여 설명한 모니터링 시스템(100)의 각 기능들을 수행하는 모듈로서 구현될 수도 있다.
이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 개시에 개시된 실시예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (18)

  1. 배터리 제조 장치와 관련된 모터의 시간에 따른 구동 데이터를 획득하고, 상기 구동 데이터를 인공 지능 모델에 적용하여 상기 구동 데이터의 특성을 나타내는 파라미터를 추출하는 데이터 관리부 및
    상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 컨트롤러를 포함하는 모니터링 시스템.
  2. 제1 항에 있어서,
    상기 컨트롤러는 상기 파라미터에 기초하여 상기 구동 데이터를 전처리하고, 전처리된 상기 구동 데이터에 기초하여 상기 기준 정보를 생성하는 것을 특징으로 하는 모니터링 시스템.
  3. 제2 항에 있어서,
    상기 데이터 관리부는 상기 구동 데이터를 최적화(Optimizer) 인공 지능 모델에 적용하여 상기 구동 데이터 중 기준 시점 이전의 소정 시간 동안에 획득되어 상기 기준 정보 생성에 사용되는 제1 구동 데이터를 구분하기 위한 제1 구간 및 상기 기준 정보 생성에 제외되는 제2 구동 데이터를 구분하기 위한 제2 구간을 추출하는 것을 특징으로 하는 모니터링 시스템.
  4. 제3 항에 있어서,
    상기 컨트롤러는 상기 구동 데이터 중 상기 제1 구간 동안에 획득된 상기 제1 구동 데이터에서 상기 제2 구간 동안에 획득된 상기 제2 구동 데이터를 제외하여 제3 구동 데이터를 생성하는 것을 특징으로 하는 모니터링 시스템.
  5. 제4 항에 있어서,
    상기 컨트롤러는 상기 제3 구동 데이터에 대응되는 기간이 임계 기간 이상인지 여부를 판단하고, 상기 구동 데이터가 임계 기간 이상인 경우 상기 제3 구동 데이터에 기초하여 상기 기준 정보를 생성하는 것을 특징으로 하는 모니터링 시스템.
  6. 제5 항에 있어서,
    상기 컨트롤러는 상기 제3 구동 데이터의 평균값 및 표준 편차를 산출하고, 상기 평균값 및 상기 표준 편차에 기초하여 상기 기준 정보를 생성하는 것을 특징으로 하는 모니터링 시스템.
  7. 제6 항에 있어서,
    상기 컨트롤러는 상기 제3 구동 데이터가 상기 기준 정보를 초과하는지 여부에 기초하여 카운트 값을 생성하고,
    상기 카운트 값의 임계 카운트 값 초과 여부에 기초하여 상기 모터의 고장 여부를 판단하는 것을 특징으로 하는 모니터링 시스템.
  8. 제7 항에 있어서,
    상기 컨트롤러는 상기 카운트 값이 상기 임계 카운트 값을 초과하는 경우 상기 모터의 고장을 판단하고 상기 모터의 이상 신호를 생성하는 것을 특징으로 하는 모니터링 시스템.
  9. 제7 항에 있어서,
    상기 컨트롤러는 상기 카운트 값이 상기 임계 카운트 값 이하인 경우 상기 모터를 정상으로 판단하는 것을 특징으로 하는 모니터링 시스템.
  10. 배터리 제조 장치와 관련된 모터의 시간에 따른 구동 데이터를 획득하는 단계;
    상기 구동 데이터를 인공 지능 모델에 적용하여 상기 구동 데이터의 특성을 나타내는 파라미터를 추출하는 단계 및
    상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계를 포함하는 모니터링 시스템의 동작 방법.
  11. 제10 항에 있어서,
    상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는
    상기 파라미터에 기초하여 상기 구동 데이터를 전처리하고, 전처리된 상기 구동 데이터에 기초하여 상기 기준 정보를 생성하는 것을 특징으로 하는 모니터링 시스템의 동작 방법.
  12. 제11 항에 있어서,
    상기 구동 데이터를 인공 지능 모델에 적용하여 상기 구동 데이터의 특성을 나타내는 파라미터를 추출하는 단계는
    상기 구동 데이터를 최적화 인공 지능 모델에 적용하여 상기 구동 데이터 중 기준 시점 이전의 소정 시간 동안에 획득되어 상기 기준 정보 생성에 사용되는 제1 구동 데이터를 구분하기 위한 제1 구간 및 상기 기준 정보 생성에 제외되는 제2 구동 데이터를 구분하기 위한 제2 구간을 추출하는 것을 특징으로 하는 모니터링 시스템의 동작 방법.
  13. 제12 항에 있어서,
    상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는
    상기 구동 데이터 중 상기 제1 구간 동안에 획득된 상기 제1 구동 데이터에서 상기 제2 구간 동안에 획득된 상기 제2 구동 데이터를 제외하여 제3 구동 데이터를 생성하는 것을 특징으로 하는 모니터링 시스템의 동작 방법.
  14. 제13 항에 있어서,
    상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는
    상기 제3 구동 데이터에 대응되는 기간이 임계 기간 이상인지 여부를 판단하고, 상기 구동 데이터가 임계 기간 이상인 경우 상기 제3 구동 데이터에 기초하여 상기 기준 정보를 생성하는 것을 특징으로 하는 모니터링 시스템의 동작 방법.
  15. 제14 항에 있어서,
    상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는
    상기 제3 구동 데이터의 평균값 및 표준 편차를 산출하고, 상기 평균값 및 상기 표준 편차에 기초하여 상기 기준 정보를 생성하는 것을 특징으로 하는 모니터링 시스템의 동작 방법.
  16. 제15 항에 있어서,
    상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는
    상기 제3 구동 데이터가 상기 기준 정보를 초과하는지 여부에 기초하여 카운트 값을 생성하고,
    상기 카운트 값의 임계 카운트 값 초과 여부에 기초하여 상기 모터의 고장 여부를 판단하는 것을 특징으로 하는 모니터링 시스템의 동작 방법.
  17. 제16 항에 있어서,
    상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는
    상기 카운트 값이 상기 임계 카운트 값을 초과하는 경우 상기 모터의 고장을 판단하고 상기 모터의 이상 신호를 생성하는 것을 특징으로 하는 모니터링 시스템의 동작 방법.
  18. 제16 항에 있어서,
    상기 파라미터에 기초하여 상기 모터의 상태를 관리하기 위한 기준 정보를 생성하는 단계는
    상기 카운트 값이 상기 임계 카운트 값 이하인 경우 상기 모터를 정상으로 판단하는 것을 특징으로 하는 모니터링 시스템의 동작 방법.
PCT/KR2023/011927 2022-10-19 2023-08-11 모니터링 시스템 및 그것의 동작 방법 WO2024085396A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220134711A KR20240054569A (ko) 2022-10-19 2022-10-19 모니터링 시스템 및 그것의 동작 방법
KR10-2022-0134711 2022-10-19

Publications (1)

Publication Number Publication Date
WO2024085396A1 true WO2024085396A1 (ko) 2024-04-25

Family

ID=90737681

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/011927 WO2024085396A1 (ko) 2022-10-19 2023-08-11 모니터링 시스템 및 그것의 동작 방법

Country Status (2)

Country Link
KR (1) KR20240054569A (ko)
WO (1) WO2024085396A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120064940A (ko) * 2010-12-10 2012-06-20 두산인프라코어 주식회사 부하 무게에 따른 실시간 서보 모터 제어기
KR20150089722A (ko) * 2014-01-28 2015-08-05 두산인프라코어 주식회사 소비전력을 이용한 공작기계의 고장 진단 장치 및 그 방법
US20170154283A1 (en) * 2015-11-30 2017-06-01 Fanuc Corporation Machine learning apparatus and method for optimizing smoothness of feed of feed axis of machine and motor control apparatus including machine learning apparatus
KR20200081554A (ko) * 2018-12-27 2020-07-08 동서대학교 산학협력단 서보모터의 전력 소모량을 이용한 이상행위 탐지장치 및 방법
KR20220044549A (ko) * 2019-09-19 2022-04-08 미쓰비시덴키 가부시키가이샤 모터 제어 장치 및 모터 제어 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120064940A (ko) * 2010-12-10 2012-06-20 두산인프라코어 주식회사 부하 무게에 따른 실시간 서보 모터 제어기
KR20150089722A (ko) * 2014-01-28 2015-08-05 두산인프라코어 주식회사 소비전력을 이용한 공작기계의 고장 진단 장치 및 그 방법
US20170154283A1 (en) * 2015-11-30 2017-06-01 Fanuc Corporation Machine learning apparatus and method for optimizing smoothness of feed of feed axis of machine and motor control apparatus including machine learning apparatus
KR20200081554A (ko) * 2018-12-27 2020-07-08 동서대학교 산학협력단 서보모터의 전력 소모량을 이용한 이상행위 탐지장치 및 방법
KR20220044549A (ko) * 2019-09-19 2022-04-08 미쓰비시덴키 가부시키가이샤 모터 제어 장치 및 모터 제어 방법

Also Published As

Publication number Publication date
KR20240054569A (ko) 2024-04-26

Similar Documents

Publication Publication Date Title
WO2021049753A1 (ko) 배터리 진단 장치 및 방법
WO2022015025A1 (ko) 배터리 밸브 및 이를 포함하는 배터리
WO2022055080A1 (ko) 배터리의 충전상태를 추정하는 방법
WO2022035149A1 (ko) 배터리 이상 진단 장치 및 방법
WO2022075618A1 (ko) 배터리 장치 및 배터리 출력 예측 방법
WO2022149917A1 (ko) 배터리 관리 장치 및 방법
WO2021025295A1 (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
WO2024085396A1 (ko) 모니터링 시스템 및 그것의 동작 방법
WO2023063625A1 (ko) 배터리 진단 장치, 배터리 팩, 전기 차량, 및 배터리 진단 방법
WO2022149822A1 (ko) 배터리 관리 장치 및 방법
WO2022019703A1 (ko) 배터리를 진단하기 위한 장치 및 그 방법
WO2024085433A1 (ko) 모니터링 시스템 및 그것의 동작 방법
WO2023158195A1 (ko) 배터리 관리 장치 및 서버
WO2023132521A1 (ko) 배터리 데이터 관리 장치 및 그것의 동작 방법
WO2024136225A1 (ko) 배터리 데이터 관리 장치 및 그것의 동작 방법
WO2024080484A1 (ko) 누설 전류 감지를 위한 배터리 진단 장치 및 방법
WO2024029746A1 (ko) 배터리 관리 장치 및 그것의 동작 방법
WO2024058433A1 (ko) 배터리 관리 장치 및 그것의 동작 방법
WO2023136512A1 (ko) 배터리 충전 심도 산출 장치 및 그것의 동작 방법
WO2024058523A1 (ko) 배터리 관리 장치 및 그것의 동작 방법
WO2024101908A1 (ko) 배터리 팩 관리 장치 및 그것의 동작 방법
WO2022092617A1 (ko) 배터리 관리 장치 및 방법, 배터리 관리 시스템
WO2024049172A1 (ko) 배터리 상태 예측 장치 및 그것의 동작 방법
WO2023106583A1 (ko) 충전 프로토콜 검사 장치 및 그것의 동작 방법
WO2021125674A1 (ko) 배터리 진단 장치 및 방법

Legal Events

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

Ref document number: 23879979

Country of ref document: EP

Kind code of ref document: A1