WO2024090975A1 - 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템 - Google Patents

딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템 Download PDF

Info

Publication number
WO2024090975A1
WO2024090975A1 PCT/KR2023/016611 KR2023016611W WO2024090975A1 WO 2024090975 A1 WO2024090975 A1 WO 2024090975A1 KR 2023016611 W KR2023016611 W KR 2023016611W WO 2024090975 A1 WO2024090975 A1 WO 2024090975A1
Authority
WO
WIPO (PCT)
Prior art keywords
industrial equipment
detection unit
input
abnormality detection
abnormality
Prior art date
Application number
PCT/KR2023/016611
Other languages
English (en)
French (fr)
Inventor
곽지훈
최호진
배정윤
강은영
이승민
전명호
구본경
박정호
Original Assignee
주식회사 에이아이네이션
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 에이아이네이션 filed Critical 주식회사 에이아이네이션
Publication of WO2024090975A1 publication Critical patent/WO2024090975A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/048—Monitoring; Safety
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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

  • This embodiment relates to devices and systems that can detect abnormalities in industrial equipment in all directions using deep learning models, machine learning models, and statistical models.
  • Data acquisition in an industrial control system begins with a remote terminal or program logic controller, and includes tasks such as reading instrument values required by the industrial control system or reporting the status of each equipment.
  • the data obtained in this way is converted into a form that humans can understand at the control center so that the operator can make appropriate decisions for system management, and the manager can check the status of the system from the converted data and take control orders.
  • the purpose of one embodiment of the present invention is to provide an industrial equipment abnormality detection device and system that can detect abnormalities occurring in industrial equipment as much as possible using deep learning, machine learning, and statistical models.
  • an abnormality detection device for detecting an abnormality occurring in industrial equipment, there is provided a communication unit that receives an input value input from the industrial equipment to the industrial equipment or an output value output from the industrial equipment.
  • An abnormality detection device is provided that includes an abnormality detection unit that detects a plurality of types of abnormalities occurring in the industrial equipment from received input or output values, and a control unit that controls the operation of the communication unit and the abnormality detection unit.
  • the abnormality detection unit includes an overshooting detection unit that detects an overshooting abnormality that occurs in an input value or output value, an abnormal vibration detection unit that detects an abnormal vibration (Oscillation) abnormality that occurs in an input value or an output value, and It is characterized by including an average value change detection unit that detects more than the average value change that occurs in the input value or output value.
  • an overshooting detection unit that detects an overshooting abnormality that occurs in an input value or output value
  • an abnormal vibration detection unit that detects an abnormal vibration (Oscillation) abnormality that occurs in an input value or an output value
  • It is characterized by including an average value change detection unit that detects more than the average value change that occurs in the input value or output value.
  • the overshooting detection unit and the abnormal vibration detection unit extract one or more feature points on a latent space from the input value or output value received from the industrial equipment, and then restore the restored value and It is characterized by detecting overshooting or abnormal vibration using the difference between the original input or output values received from the industrial equipment.
  • the overshooting detection unit extracts one or more feature points on a latent space from the input or output values received from the industrial equipment using a CNN model and then restores them. .
  • the abnormal vibration detection unit extracts one or more feature points on a latent space from the input or output values received from the industrial equipment using an LSTM model and then restores them. .
  • the average value change detector sets a normal range corresponding to data without abnormalities based on the input value or output value received from the industrial equipment during a preset period, and sets the normal range corresponding to the data without abnormality, and sets the average value change detection unit for the input value received from the industrial equipment.
  • it is characterized by detecting an average value change or more depending on whether the output value is outside the normal range.
  • the average value change detector predicts the tendency of data change based on the input value or output value received from the industrial equipment during a preset period, and calculates the predicted data change with the input value or output value received from the industrial equipment. It is characterized by detecting changes in the average value or more depending on whether a difference in trend occurs.
  • the average value change detector predicts the tendency of data change based on input or output values received from the industrial equipment during a preset period using an LSTM model.
  • the anomaly detection unit calculates statistical values of the input or output values received during a preset period and a short-term anomaly detection unit that detects abnormalities in data in the input or output values received from the industrial equipment, It further includes a long-term abnormality detection unit that detects abnormalities in input or output values received from the industrial equipment using calculated statistical values.
  • the short-term abnormality detection unit is characterized by using a machine learning model.
  • the organ abnormality detection unit is characterized by using a statistical model.
  • an industrial facility and an input value input from the industrial facility or an output value output from the industrial facility are received, and a plurality of types generated in the industrial facility are generated from the received input value or output value.
  • It includes an abnormality detection device that detects an abnormality and transmits the detection result to the outside, and an administrator terminal that receives whether an abnormality has occurred in the industrial equipment from the abnormality detection device and allows the manager to manage the industrial equipment in which an abnormality has occurred. It provides an industrial equipment abnormality detection system that features features features.
  • Figure 1 is a diagram showing the configuration of an industrial equipment abnormality detection system according to an embodiment of the present invention.
  • Figure 2 is a diagram showing the configuration of an abnormality detection device according to an embodiment of the present invention.
  • Figure 3 is a graph showing abnormalities occurring in industrial facilities.
  • Figure 4 is a diagram illustrating the detection mechanisms of the overshooting detection unit and the abnormal vibration detection unit according to an embodiment of the present invention.
  • Figure 5 is a graph showing an example of abnormal characteristics detected by an overshooting detector according to an embodiment of the present invention.
  • Figure 6 is a graph showing the ROC curve of the overshooting detector according to an embodiment of the present invention.
  • Figure 7 is a graph showing an example of abnormal characteristics detected by an abnormal vibration detection unit according to an embodiment of the present invention.
  • Figure 8 is a graph showing an example of abnormal characteristics detected by the average value change detection unit according to an embodiment of the present invention.
  • Figure 9 is a schematic diagram showing a method for a short-term data detection unit to detect abnormal characteristics according to an embodiment of the present invention.
  • Figure 10 is a graph showing an example of abnormal characteristics detected by a long-term data detection unit according to an embodiment of the present invention.
  • an abnormality detection device for detecting an abnormality occurring in industrial equipment, there is provided a communication unit that receives an input value input from the industrial equipment to the industrial equipment or an output value output from the industrial equipment.
  • An abnormality detection device is provided that includes an abnormality detection unit that detects a plurality of types of abnormalities occurring in the industrial equipment from received input or output values, and a control unit that controls the operation of the communication unit and the abnormality detection unit.
  • first, second, A, and B may be used to describe various components, but the components should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another.
  • a first component may be named a second component without departing from the scope of the present invention, and similarly, the second component may also be named a first component.
  • the term and/or includes any of a plurality of related stated items or a combination of a plurality of related stated items.
  • each configuration, process, process, or method included in each embodiment of the present invention may be shared within the scope of not being technically contradictory to each other.
  • Figure 1 is a diagram showing the configuration of an industrial equipment abnormality detection system according to an embodiment of the present invention.
  • the industrial equipment abnormality detection system 100 includes industrial equipment 110, an abnormality detection device 120, and an administrator terminal 130.
  • Industrial equipment 110 refers to equipment or facilities that are deployed and operated to realize various purposes in various industrial sites such as manufacturing or construction. Industrial equipment 110 performs various operations, such as processing or assembling specific materials, including numerous parts or modules, into a predetermined state to suit the purpose of each device. Industrial equipment 110 receives power for operation and outputs various types of output values, such as sensing values for sensors and torque for motors.
  • the abnormality detection device 120 detects whether abnormalities occur in various parts or modules (hereinafter abbreviated as 'industrial equipment') within the industrial equipment 110.
  • the abnormality detection device 120 receives input values such as power supplied from the industrial facility 110 or output values output from the industrial facility 110 and detects whether an abnormality has occurred in the industrial facility. do. If an abnormality occurs in an industrial facility, it is inevitable that an abnormality will occur in the input value (power) applied to the industrial facility or an abnormality in the output value will occur. Considering this, the abnormality detection device 120 receives input or output values from the industrial equipment 110 and detects the abnormality. At this time, the aspects of abnormalities occurring in industrial facilities are diverse, but when clustered, they can be divided into three groups as shown in FIG. 3.
  • Figure 3 is a graph showing abnormalities occurring in industrial facilities.
  • FIG. 3A is a graph showing the current value per hour applied when the industrial equipment 110 without a problem initially operates.
  • a relatively larger amount (I 2 ) is applied than the average amount of current (I 1 ) applied from the time of current application to a certain time (t 1 ), which gradually stabilizes and continues after a certain time (t 1 ).
  • the average value (I 1 ) is applied to .
  • one type of abnormality that occurs in industrial equipment 110 is overshooting. It is a form in which either too much power is applied or too little power is applied at any point compared to the power input to normal (non-faulty) industrial equipment.
  • This example is shown in Figure 3(b). It can be seen that the amount of current applied from the time the current is applied to the relevant industrial facility to a certain period of time (t 1 ) is significantly greater than the amount of current applied to the normal industrial facility (I 2 ). However, it is not necessarily limited to this, and the size of the power applied at any point, such as after the applied power is stabilized, becomes significantly larger or smaller than the size of the power applied to normal industrial facilities.
  • vibration occurs at a level (amplitude) higher than what would normally occur at a time when vibration does not occur in the power input to normal industrial equipment.
  • the occurrence of vibration also occurs at a random point in time.
  • the remaining abnormal form is one in which the average value increases or decreases. As shown in FIG. 3(d), no overshooting or abnormal vibration occurs, but the amount of power applied at any point is applied more or less than the preset error range compared to that applied in a normal state. It is a form.
  • the increase or decrease in the average value mainly occurs after the applied power is stabilized.
  • the abnormality is explained as occurring in the power supplied to the industrial equipment.
  • the abnormality can be detected by the input power, and the abnormality can be detected by the output value output from the industrial equipment. It can also be detected by
  • the abnormality detection device 120 uses a plurality of detection methods to detect various types of abnormalities that may occur in industrial equipment. It can be detected.
  • the abnormality detection device 120 not only detects all of the above-mentioned types of abnormalities, but in some cases, there may be cases where abnormalities must be detected immediately rather than relatively accurately, and abnormalities may occur in industrial equipment over a long period of time. There may also be cases where it is necessary to detect whether something is being done.
  • the abnormality detection device 120 divides most abnormalities that may occur in industrial facilities into several cases and detects them in an appropriate manner according to each case. A detailed description of this will be described later with reference to FIGS. 2 to 10.
  • the abnormality detection device 120 communicates with the manager terminal 130 and notifies abnormalities detected in industrial equipment.
  • the manager terminal 130 receives whether an abnormality has occurred in the industrial equipment from the abnormality detection device 120 and allows the manager to manage the industrial equipment in which the abnormality has occurred.
  • the manager can use the manager terminal 130 to identify industrial equipment in which abnormalities have occurred, and can distinguish and recognize various types of abnormalities that may occur in industrial equipment, making it easier to manage industrial equipment in terms of management. You can.
  • Figure 2 is a diagram showing the configuration of an abnormality detection device according to an embodiment of the present invention.
  • the abnormality detection device 120 includes a communication unit 210, an abnormality detection unit 220, a control unit 230, and a user input unit 240.
  • the communication unit 210 receives input values input from the industrial equipment 110 or output values output from the industrial equipment 110 .
  • the communication unit 210 performs wired or wireless communication with the industrial equipment 110 and receives input or output values (hereinafter referred to as 'data source').
  • the communication unit 210 allows the abnormality detection unit 220 to detect an abnormality in the industrial equipment 110 from a change in the input value input to the industrial equipment 110 or a change in the output value output from the industrial equipment 110. Receive original data from facility 110.
  • the communication unit 210 transmits the detection result of the abnormality detection unit 220 to the manager terminal 130.
  • the communication unit 210 performs wireless or wired communication and transmits the detection result of the abnormality detection unit 220 to the manager terminal 130.
  • the abnormality detection unit 220 detects a plurality of types of abnormalities from the received original data. As mentioned above, abnormalities have a variety of presentations, but they can be clustered into three groups. The abnormality detection unit 220 detects all types of clustered abnormalities, thereby increasing the detection rate and accuracy of abnormalities occurring in the industrial equipment 110.
  • the abnormality detection unit 220 includes an overshooting detection unit 221, an abnormal vibration detection unit 223, an average value change detection unit 225, a short-term abnormality detection unit 227, and a long-term abnormality detection unit 229.
  • the overshooting detection unit 221 detects whether an overshooting error has occurred in the industrial equipment 110 by using the difference between the received data source and the original feature points in the latent space and the restored value. do.
  • the process by which the overshooting detector calculates the restoration value is shown in FIG. 4.
  • Figure 4 is a diagram illustrating the detection mechanisms of the overshooting detection unit and the abnormal vibration detection unit according to an embodiment of the present invention.
  • the overshooting detection unit 221 receives the original data.
  • the overshooting detection unit 221 receives an (original) signal using an encoder and a decoder and restores the signal.
  • the overshooting detector 221 converts the input signal into a feature vector in a relatively low-dimensional latent space at the encoder, and restores it to an output signal of the input signal dimension at the decoder.
  • the overshooting detector 221 learns this to minimize the difference between the input signal and the output signal using learning data consisting of only normal signals, so that the feature vector in the latent space becomes a common feature of the normal signals.
  • the encoder and decoder can operate as learned and output a signal similar to the input signal.
  • an abnormal signal is input to an encoder, even if the features are extracted in a relatively low-dimensional latent space through the encoder, only the common features of the normal signal in which no abnormality has occurred are extracted, and the features of the abnormal signal are completely extracted. It won't be possible. Accordingly, the signal restored by the decoder may be different from the original.
  • the overshooting detection unit 221 implements an encoder and decoder using CNN (Convolutional Neural Networks), a deep learning model, and obtains a restored value from the data source.
  • Reconstruction by CNN has excellent reproducibility in understanding the shape of the overall data source. Accordingly, it has relatively higher accuracy for overshooting where a shape abnormality occurs within the data source, and has relatively low accuracy for vibration that occurs while maintaining the shape of the data.
  • the overshooting detection unit 221 mainly detects overshooting abnormalities occurring in the data source using the difference between the input value and the obtained restored value. An example of what is detected by the overshooting detector 221 is shown in FIG. 5.
  • Figure 5 is a graph showing an example of abnormal characteristics detected by an overshooting detector according to an embodiment of the present invention.
  • the original data is shown in FIG. 5(a) and the restored value is shown in FIG. 5(b).
  • the overshooting detection unit 221 detects that an error (regarding overshooting) has occurred in the data source at points 510, 520, and 530 based on the difference between the data source and the restored value.
  • the overshooting detection unit 221 can also detect abnormal vibration abnormalities 540 and 550 from the difference between the original data and the restored value.
  • the overshooting detector 221 which detects anomalies in the original data through this process, has a Receiver Operating Characteristic (ROC) curve as shown in FIG. 6.
  • ROC Receiver Operating Characteristic
  • Figure 6 is a graph showing the ROC curve of the overshooting detector according to an embodiment of the present invention.
  • the x-axis indicates the False Positive Rate, which indicates the rate of incorrect answers
  • the y-axis indicates the rate of correct answers, which indicates the True Positive Rate.
  • a higher correct answer rate means higher detection accuracy, and the more the curve in the graph forms a right angle (toward the upper left), the better the detection accuracy.
  • Figure 6(b) shows the ROC curve for the overshooting anomaly
  • Figure 6(c) shows the ROC curve for the abnormal vibration anomaly
  • Figure 6(a) shows the ROC curve for all anomaly types.
  • the overshooting detector 221 obtains a restored value from the original data using CNN, which is excellent at detecting overall shape changes, and detects the difference between the original data and the restored value, so it has a relatively excellent detection rate above overshooting.
  • the overshooting detector 221 may have a high detection rate of 91% or more for overshooting abnormalities, and may have a detection rate of 80% or more for abnormal vibration abnormalities.
  • the abnormal vibration detection unit 223 mainly detects whether an abnormal vibration-related abnormality has occurred in the industrial equipment 110 by using the difference between the received original data and the restored value. Like the overshooting detection unit 221, the abnormal vibration detection unit 223 also calculates a restored value from the original data according to the process shown in FIG. 4.
  • the abnormal vibration detection unit 223 implements an encoder and decoder using LSTM (Long Short-Term Memory), a deep learning model, and calculates the restoration value.
  • LSTM Long Short-Term Memory
  • the abnormal vibration detection unit 223 has a restoration value as shown in FIG. 7.
  • Figure 7 is a graph showing an example of abnormal characteristics detected by an abnormal vibration detection unit according to an embodiment of the present invention.
  • the abnormal vibration detection unit 223 relatively accurately detects detailed changes in shape in a certain section rather than differences in the shape and size of data. Accordingly, a relatively different vibration occurs in the restored value in the area where vibration occurred in the original, and abnormal vibration abnormalities 710 to 730 can be detected.
  • the average value change detection unit 225 detects changes in data over time in the received original data and detects an average value change abnormality.
  • the average value change detection unit 225 detects an average value change abnormality using LSTM, a deep learning model.
  • the detection method of the average value change detection unit 225 is shown in FIG. 8.
  • Figure 8 is a graph showing an example of abnormal characteristics detected by the average value change detection unit according to an embodiment of the present invention.
  • the average value change detection unit 225 detects changes in time series data using LSTM.
  • the average value change detection unit 225 uses LSTM to set a reference value 810 that falls within the normal range of data based on the original data input during a preset period (e.g., from a specific point in the past to the present time, etc.) .
  • the average value change detection unit 225 detects points exceeding the reference value 810 in the input data source as points 820 and 830 where the average value exceeds the average value.
  • the average value change detection unit 225 predicts the tendency of data change from the input data source for a preset period, and if there is a difference between the input data source and the predicted trend at the current time, or the difference value is If it exceeds a preset standard, it can be detected that an average value or overshooting error has occurred.
  • the anomaly detection device 120 can detect overshooting anomalies, abnormal vibration anomalies, and average value change anomalies with high accuracy by applying different deep learning models according to different methods. . Accordingly, it is possible to detect most abnormalities that may occur in industrial equipment rather than just detecting average changes as in the past.
  • the short-term anomaly detection unit 227 detects anomalies in data within the data source using Isolation Forest, a machine learning model.
  • the short-term abnormality detection unit 227 distinguishes between normal data in which an abnormality does not exist and abnormal data in which an abnormality exists, as shown in FIG. 9 .
  • Figure 9 is a schematic diagram showing a method for a short-term data detection unit to detect abnormal characteristics according to an embodiment of the present invention.
  • the short-term abnormality detection unit 227 isolates and divides data without abnormalities and data with abnormalities, respectively. At this time, as shown in FIG. 9(a), it can be confirmed that the data 910 without an error requires a relatively large number of divisions (3 times in FIG. 9) to isolate it. On the other hand, as shown in FIG. 9(b), it can be seen that a relatively small number of divisions (1 time in FIG. 9) are required to isolate abnormal data. Using these characteristics, the short-term abnormality detection unit 227 separates the data from data with other characteristics and distinguishes the data based on whether the number of divisions to isolate the data exceeds a preset standard value.
  • the short-term abnormality detection unit 227 does not require a process of extracting and restoring characteristic points of data or predicting trends in data changes, and can detect whether an abnormality has occurred without a separate data processing process.
  • the short-term abnormality detection unit 227 does not require separate learning or only needs to perform simple learning such as how to divide data, so it can detect abnormalities occurring in industrial equipment without difficulty even in situations where there is not a large amount of data to learn. .
  • the organ abnormality detection unit 229 detects abnormality in data in the data source using the ARIMA model, which is a statistical model.
  • the organ abnormality detection unit 229 uses a statistical model rather than a deep learning model or machine learning model. Accordingly, no separate learning is required at all, and abnormalities are determined from changes in statistical values over time of the original data received during a preset period.
  • the detection process of the organ abnormality detection unit 229 is shown in FIG. 10.
  • Figure 10 is a graph showing an example of abnormal characteristics detected by a long-term data detection unit according to an embodiment of the present invention.
  • the long-term abnormality detection unit 229 calculates statistical values of data values accumulated over a certain period of time. For example, the long-term abnormality detection unit 229 calculates statistical values such as the average or standard deviation of data values accumulated over several months or years, and selects a normal range for the average value of the data source from the calculated values.
  • the organ abnormality detection unit 229 calculates statistical values according to time changes for the input original data.
  • the long-term abnormality detection unit 229 analyzes changes in statistical values over time, rather than statistical values (single numerical values) over a certain period of time.
  • the long-term abnormality detection unit 229 analyzes changes in statistical values over time and, if the statistical values are outside the selected normal range, detects that an abnormality has occurred at the relevant time point (1010a to 1010g). Since the long-term abnormality detection unit 229 uses statistical values of data accumulated over a long period of time, it can relatively accurately detect abnormal increases or decreases in the average data value.
  • the overshooting detection unit 221, the abnormal vibration detection unit 223, the average value change detection unit 225, the short-term abnormality detection unit 227, and the long-term abnormality detection unit 229 each use one model for convenience. Although it is described as detection, it is not necessarily limited to this. It is obvious that the model used in one detection unit can be used to detect other abnormalities. For example, the detection results of the CNN model used in the overshooting detection unit 221 to detect overshooting abnormalities can also be used to detect abnormal vibration abnormalities or average value changes.
  • the control unit 230 receives original data from industrial equipment and controls some or all of the detection units 221 to 229 to detect abnormalities.
  • the control unit 230 can control the overshooting detection unit 221 or the average value change detection unit 225 to detect abnormalities from the data source.
  • the control unit 230 may control the average value change detection unit 225 or the long-term abnormality detection unit 229 to detect abnormalities from the data source.
  • the control unit 230 can control all detection units to detect abnormalities.
  • the control unit 230 can receive a reference value for abnormality detection from the user input unit 240 and adjust the degree of abnormality detected by each detection unit 221. For example, as described with reference to FIG. 5, the overshooting detection unit 221 detects whether there is an overshooting error in the original data from the difference between the original data and the restored value. At this time, the user input unit 240 may receive input from the administrator regarding a reference value for determining whether the difference between the original data and the restored value is abnormal. When the standard is raised, the standards for judging the difference between the two as abnormal become more stringent, and the number of detected abnormalities decreases, but the accuracy increases. When the standard is lowered, the standards for judging the difference as an abnormality become more relaxed. The number of detections above increases, but the accuracy relatively decreases. The control unit 230 can receive a reference value for abnormality detection from a user input unit and adjust the degree of abnormality detected by the detection unit 221.
  • the user input unit 240 receives a reference value for abnormality detection from an external source (mainly an administrator). Furthermore, the user input unit 240 can also receive input about the type of abnormality to be detected from the outside.
  • an external source mainly an administrator.
  • the abnormality detection device 120 uses all deep learning models, machine learning models, and statistical models, so it can detect abnormalities with relatively high accuracy for various types of abnormalities occurring in industrial facilities.
  • anomalies can be detected with high accuracy even when learning is based on normal data, without separately learning abnormal data.

Landscapes

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

Abstract

딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템을 개시한다. 본 실시예의 일 측면에 의하면, 산업설비에서 발생한 이상을 감지하는 이상 감지장치에 있어서, 상기 산업설비로부터 상기 산업설비로 입력되는 입력값 또는 상기 산업설비에서 출력되는 출력값을 수신하는 통신부와 상기 통신부로부터 수신한 입력값 또는 출력값으로부터 상기 산업설비에 발생한 복수의 종류의 이상을 검출하는 이상 검출부 및 상기 통신부 및 상기 이상 검출부의 동작을 제어하는 제어부를 포함하는 것을 특징으로 하는 이상 감지장치를 제공한다.

Description

딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템
본 실시예는 딥러닝 모델, 머신러닝 모델 및 통계모델을 이용하여 산업설비의 이상을 전방위적으로 감지할 수 있는 장치 및 시스템에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
산업 공정의 발달에 따라, 산업 제어 시스템은 전산 시스템을 이용하여 하드웨어적인 산업 설비들을 원격으로 제어할 수 있도록 발달되어 왔다.
통상의 산업 제어 시스템에서, 대부분의 제어 동작은 원격 단말과 프로그램 로직 제어기(PLC, Programmable Logic Controller)에 의해 자동으로 이루어지며, 운영자가 내릴 수 있는 제어 명령은 보통 기본적인 작업 변경이나 관리 수준의 작업 조정에 한한다.
산업 제어 시스템의 데이터 취득은 원격 단말이나 프로그램 로직 제어기에서 시작되며, 산업 제어 시스템이 필요로 하는 계측기 수치를 읽거나 각 장비의 상태를 보고 하는 작업 등이 여기에 해당한다. 이렇게 획득된 자료들은 관제센터에서 운영자가 시스템 관리를 위해 적절한 판단을 내릴 수 있도록 사람이 이해할 수 있는 형태로 변환되며, 관리자는 변환된 데이터로부터 시스템의 상태를 확인하여 제어 명령 등을 취할 수 있다.
설비 제어를 위한 종래의 제어 시스템은, 설비의 출력에 대한 단순한 수치를 모니터링하고, 이에 대한 임계치 등을 비교하여 오류 여부만을 판단하거나, 특정 설비나 부품에 대해 설비 제조업체가 일률적으로 사전 정의한 수치 범위에 대한 이상 여부만을 판단하여 관리자에게 알리는 정도였다. 즉, 설비의 출력값 또는 그것의 일정 기간 동안 평균치가 설정된 임계치를 초과하거나 한참 밑도는 경우, 이상으로 판단하여 관리자에게 알리는 정도에 그쳤다.
설비에 발생하는 이상에는 갑자기 출력값에 오버슈팅(Overshooting)이 발생하거나 비정상 진동이 발생하는 등 다양한 양상이 나타난다. 종래의 제어 시스템은 수치가 변화하는 것에는 용이하게 감지 가능했으나, 이처럼 다양한 양상의 이상을 모두 감지하기는 곤란한 면이 있었다.
본 발명의 일 실시예는, 딥러닝, 머신러닝 및 통계 모델을 이용하여 산업설비에서 발생하는한 이상을 최대한 감지할 수 있는 산업설비 이상 감지 장치 및 시스템을 제공하는 데 일 목적이 있다.
본 실시예의 일 측면에 의하면, 산업설비에서 발생한 이상을 감지하는 이상 감지장치에 있어서, 상기 산업설비로부터 상기 산업설비로 입력되는 입력값 또는 상기 산업설비에서 출력되는 출력값을 수신하는 통신부와 상기 통신부로부터 수신한 입력값 또는 출력값으로부터 상기 산업설비에 발생한 복수의 종류의 이상을 검출하는 이상 검출부 및 상기 통신부 및 상기 이상 검출부의 동작을 제어하는 제어부를 포함하는 것을 특징으로 하는 이상 감지장치를 제공한다.
본 실시예의 일 측면에 의하면, 상기 이상 검출부는 입력값 또는 출력값에 발생한 오버슈팅(Overshooting) 이상을 검출하는 오버슈팅 검출부와 입력값 또는 출력값에 발생한 비정상 진동(Oscillation) 이상을 검출하는 비정상 진동 검출부 및 입력값 또는 출력값에 발생한 평균치 변화 이상을 검출하는 평균치 변화 검출부를 포함하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 오버슈팅 검출부 및 상기 비정상 진동 검출부는 상기 산업설비로부터 수신한 입력값 또는 출력값으로부터 잠재공간(Latent Space) 상으로 하나 이상의 특징점을 추출한 후, 다시 복원한 복원값 및 상기 산업설비로부터 수신한 입력값 또는 출력값의 원본 간 차이를 이용하여 오버슈팅 이상 또는 비정상 진동 이상을 검출하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 오버슈팅 검출부는 CNN 모델을 이용하여 상기 산업설비로부터 수신한 입력값 또는 출력값으로부터 잠재공간(Latent Space) 상으로 하나 이상의 특징점을 추출한 후 다시 복원하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 비정상 진동 검출부는 LSTM 모델을 이용하여 상기 산업설비로부터 수신한 입력값 또는 출력값으로부터 잠재공간(Latent Space) 상으로 하나 이상의 특징점을 추출한 후 다시 복원하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 평균치 변화 검출부는 기 설정된 기간 동안 상기 산업설비로부터 수신된 입력값 또는 출력값을 토대로 이상이 없는 데이터에 해당하는 정상 범위를 설정하고, 상기 산업설비로부터 수신한 입력값 또는 출력값이 상기 정상 범위를 벗어나는지 여부에 따라 평균치 변화 이상을 검출하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 평균치 변화 검출부는 기 설정된 기간동안 상기 산업설비로부터 수신된 입력값 또는 출력값을 토대로 데이터 변화의 경향성을 예측하고, 상기 산업설비로부터 수신한 입력값 또는 출력값과 예측한 경향성이 차이가 발생하는지 여부에 따라 평균치 변화 이상을 검출하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 평균치 변화 검출부는 LSTM 모델을 이용하여, 기 설정된 기간동안 상기 산업설비로부터 수신된 입력값 또는 출력값을 토대로 데이터 변화의 경향성을 예측하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 이상 검출부는 상기 산업설비로부터 수신한 입력값 또는 출력값 내 데이터들의 이상여부를 검출하는 단기 이상 검출부 및 기 설정된 기간 동안 수신된 입력값 또는 출력값의 통계치를 연산하고, 연산된 통계치를 이용하여 상기 산업설비로부터 수신한 입력값 또는 출력값의 이상여부를 검출하는 장기 이상 검출부를 더 포함하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 단기 이상 검출부는 머신러닝 모델을 이용하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 상기 장기 이상 검출부는 통계학적 모델을 이용하는 것을 특징으로 한다.
본 실시예의 일 측면에 의하면, 산업설비와 상기 산업설비로부터 상기 산업설비로 입력되는 입력값 또는 상기 산업설비에서 출력되는 출력값을 수신하여, 수신한 입력값 또는 출력값으로부터 상기 산업설비에 발생한 복수의 종류의 이상을 검출하고, 검출 결과를 외부로 전송하는 이상 감지장치 및 상기 이상 감지장치로부터 상기 산업설비에 이상 발생여부를 수신하여, 관리자가 이상이 발생한 산업설비를 관리하도록 하는 관리자 단말을 포함하는 것을 특징으로 하는 산업설비 이상 감지 시스템을 제공한다.
이상에서 설명한 바와 같이 본 실시예의 일 측면에 따르면, 딥러닝, 머신러닝 및 통계 모델을 이용하여 산업설비에서 발생하는한 이상을 최대한 감지할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 산업설비 이상 감지 시스템의 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 이상 감지장치의 구성을 도시한 도면이다.
도 3은 산업설비에서 발생하는 이상의 형태를 도시한 그래프이다.
도 4는 본 발명의 일 실시예에 따른 오버슈팅 검출부 및 비정상 진동 검출부의 검출 메커니즘을 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 오버슈팅 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
도 6은 본 발명의 일 실시예에 따른 오버슈팅 검출부의 ROC 커브를 도시한 그래프이다.
도 7은 본 발명의 일 실시예에 따른 비정상 진동 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
도 8은 본 발명의 일 실시예에 따른 평균치 변화 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
도 9는 본 발명의 일 실시예에 따른 단기 데이터 검출부가 이상특성을 검출하는 방법을 도시한 모식도이다.
도 10은 본 발명의 일 실시예에 따른 장기 데이터 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
본 실시예의 일 측면에 의하면, 산업설비에서 발생한 이상을 감지하는 이상 감지장치에 있어서, 상기 산업설비로부터 상기 산업설비로 입력되는 입력값 또는 상기 산업설비에서 출력되는 출력값을 수신하는 통신부와 상기 통신부로부터 수신한 입력값 또는 출력값으로부터 상기 산업설비에 발생한 복수의 종류의 이상을 검출하는 이상 검출부 및 상기 통신부 및 상기 이상 검출부의 동작을 제어하는 제어부를 포함하는 것을 특징으로 하는 이상 감지장치를 제공한다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에서, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서 "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해서 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호간 모순되지 않는 범위 내에서 공유될 수 있다.
도 1은 본 발명의 일 실시예에 따른 산업설비 이상 감지 시스템의 구성을 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 산업설비 이상 감지 시스템(100)은 산업설비(110), 이상 감지장치(120) 및 관리자 단말(130)을 포함한다.
산업설비(110)는 제조업 또는 건설업 등 다양한 산업현장에서 다양한 목적을 실현하기 위해 배치되어 작동하는 기기나 시설을 의미한다. 산업설비(110)는 각각의 기기의 목적에 맞도록, 수많은 부품이나 모듈을 포함하여 특정한 재료를 정해진 상태로 가공하거나 조립하는 등의 다양한 동작을 수행한다. 산업설비(110)는 동작을 위해 전원을 인가받으며, 전원을 인가받아 센서의 경우 센싱값을, 모터의 경우 토크 등 다양한 형태의 출력값을 출력한다.
이상 감지장치(120)는 산업설비(110) 내 다양한 부품이나 모듈(이하에서, '산업설비'로 약칭함)의 이상 발생여부를 감지한다. 이상 감지장치(120)는 산업설비(110)로부터 산업설비(110)로 인가되는 전원 등의 입력값 또는 산업설비(110)에서 출력되는 출력값을 인가받아, 산업설비에 이상이 발생하였는지 여부를 감지한다. 산업설비에 이상이 발생한 경우라면, 산업설비로 인가되는 입력값(전원)에 이상이 발생하거나 출력값에 이상이 발생할 수밖에 없다. 이상 감지장치(120)는 이러한 점을 고려하여, 산업설비(110)로부터 입력값 또는 출력값을 인가받아 이상을 감지한다. 이때, 산업설비에 발생하는 이상의 양상은 다양하지만, 이들을 군집화할 경우 도 3에 도시된 바와 같이 3개의 군으로 구분될 수 있다.
도 3은 산업설비에서 발생하는 이상의 형태를 도시한 그래프이다.
도 3a는 이상없는 산업설비(110)가 최초에 동작함에 있어 인가되는 시간 당 전류값을 도시한 그래프이다. 산업설비의 최초 동작시에는 전류 인가시점부터 일정 시간(t1)까지는 평균적으로 인가되는 전류량(I1)보다 상대적으로 많은 양(I2)이 인가되고, 점차 안정화되며 일정 시간(t1) 이후에 평균치(I1)가 인가되는 양상을 갖는다.
이때, 산업설비(110)에 발생하는 이상 중 하나의 형태는 오버슈팅(Overshooting)이다. 임의의 지점에서 정상적인(이상이 없는) 산업설비로 입력되는 전원보다 지나치게 많은 양의 전원이 인가되거나 지나치게 적은 양의 전원이 인가되는 형태이다. 이러한 예는 도 3(b)에 도시되어 있다. 해당 산업설비로 전류가 인가된 시점부터 일정 시간(t1)까지 인가된 전류량이 정상적인 산업설비에 인가된 전류량(I2)보다 현저히 큰 것을 확인할 수 있다. 다만, 반드시 이에 한정되는 것은 아니고, 인가되는 전원이 안정화된 이후 등 아무 시점에서 인가되는 전원의 크기가 정상적인 산업설비로 인가되는 전원의 크기에 비해 현저히 커지거나 작아지는 형태이다.
다른 하나의 이상 형태는 비정상 진동(Oscillation)이다. 도 3(c)에 도시된 바와 같이, 정상적인 산업설비로 입력되는 전원에 진동이 발생하지 않는 시점에서 통상적으로 발생할 수 있는 수준(진폭) 이상의 진동이 발생하는 형태이다. 진동의 발생 역시, 임의의 시점에서 발생한다.
나머지 하나의 이상 형태는 평균치가 증가하거나 감소하는 형태이다. 도 3(d)에 도시된 바와 같이, 오버슈팅이나 비정상 진동이 발생하지는 않으나, 임의의 시점에서 인가되는 전원의 크기가 정상적인 상태에서 인가되는 그것에 비해 기 설정된 오차범위 이상만큼 더 인가되거나 덜 인가되는 형태이다. 평균치의 증감은 주로 인가되는 전원이 안정화된 후에 발생한다.
도 3에 있어서, 이상의 형태는 산업설비로 인가되는 전원에서 발생하는 것으로 설명하고 있으나, 이는 설명의 편의상 예를 든 것으로서, 이상은 입력되는 전원에 의해 감지될 수 있고, 산업설비로부터 출력되는 출력값에 의해 감지될 수도 있다.
다시 도 1을 참조하면, 하나의 감지 방법으로는 전술한 다양한 이상 형태의 감지는 곤란하기 때문에, 이상 감지장치(120)는 복수의 감지 방법을 이용하여 산업설비에서 발생할 수 있는 다양한 종류의 이상을 감지할 수 있다. 이상 감지장치(120)는 전술한 유형의 모든 이상을 감지할 뿐만 아니라, 경우에 따라 상대적으로 정확도보다는 신속하게 즉각적으로 이상을 감지해야 하는 케이스도 존재할 수 있으며, 장시간에 걸쳐 산업설비에 이상이 발생하는지를 감지해야 하는 케이스도 존재할 수 있다. 이상 감지장치(120)는 이처럼 산업설비에서 발생할 수 있는 대부분의 이상을 여러 케이스로 구분하여, 각 케이스에 따라 적절한 방법으로 감지한다. 이에 대한 구체적인 설명은 도 2 내지 10을 참조하여 후술한다.
이상 감지장치(120)는 관리자 단말(130)과 통신하며, 산업설비에서 감지한 이상을 통지한다.
관리자 단말(130)은 이상 감지장치(120)로부터 산업설비에 이상 발생여부를 수신하여, 관리자가 이상이 발생한 산업설비를 관리하도록 한다. 관리자는 관리자 단말(130)를 이용하여 이상이 발생한 산업설비를 파악할 수 있으며, 산업설비에서 발생할 수 있는 다양한 형태의 이상을 구분하여 인지할 수 있기 때문에, 관리 측면에 있어 수월하게 산업설비를 관리할 수 있다.
도 2는 본 발명의 일 실시예에 따른 이상 감지장치의 구성을 도시한 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 이상 감지장치(120)는 통신부(210), 이상 검출부(220), 제어부(230) 및 사용자 입력부(240)를 포함한다.
통신부(210)는 산업설비(110)로부터 산업설비(110)로 입력되는 입력값 또는 산업설비(110)에서 출력되는 출력값을 수신한다. 통신부(210)는 산업설비(110)와 유선 또는 무선통신을 수행하여 입력값 또는 출력값(이하에서, '데이터 원본'이라 칭함)을 수신한다. 통신부(210)는 이상 검출부(220)가 산업설비(110)로 입력되는 입력값의 변화 또는 산업설비(110)에서 출력되는 출력값의 변화로부터 산업설비(110)의 이상을 감지할 수 있도록, 산업설비(110)로부터 데이터 원본을 수신한다.
통신부(210)는 이상 검출부(220)의 검출결과를 관리자 단말(130)로 전송한다. 통신부(210)는 무선 또는 유선 통신을 수행하여, 이상 검출부(220)의 검출결과를 관리자 단말(130)로 전송한다.
이상 검출부(220)는 수신한 데이터 원본으로부터 복수의 종류의 이상을 검출한다. 전술한 대로, 이상은 다양한 양상을 갖지만, 이들은 3개의 군으로 군집화될 수 있다. 이상 검출부(220)는 군집화된 모든 종류의 이상을 검출함으로서, 산업설비(110)에 발생한 이상 검출율과 정확도를 높인다. 이상 검출부(220)는 오버슈팅 검출부(221), 비정상 진동 검출부(223), 평균치 변화 검출부(225), 단기 이상 검출부(227) 및 장기 이상 검출부(229)를 포함한다.
오버슈팅 검출부(221)는 수신한 데이터 원본 및 원본의 특징점을 잠재 공간(Latent Space) 상에서 추출한 후 다시 복원한 복원값의 차이를 이용하여 산업설비(110)에 오버슈팅에 관한 이상이 발생하였는지를 검출한다. 오버슈팅 검출부가 복원값을 연산하는 과정은 도 4에 도시되어 있다.
도 4는 본 발명의 일 실시예에 따른 오버슈팅 검출부 및 비정상 진동 검출부의 검출 메커니즘을 예시한 도면이다.
도 4를 참조하면, 오버슈팅 검출부(221) (또는 비정상 진동 검출부)는 데이터 원본을 인가받는다. 오버슈팅 검출부(221)는 엔코더(Encoder) 및 디코더(Decoder)를 이용하여 (원본)신호를 입력받고 다시 해당 신호를 복원한다. 오버슈팅 검출부(221)는 입력 신호를 엔코더에서 상대적으로 낮은 차원의 잠재공간 상에 특징 벡터로 변환하고, 이를 다시 디코더에서 입력 신호 차원의 출력 신호로 복원한다. 오버슈팅 검출부(221)는 이를 정상신호만으로 구성된 학습데이터로 입력 ㅍ신호와 출력 신호의 차이가 최소화되도록 학습하여, 잠재공간 상의 특징 벡터가 정상 신호들의 공통 특징이 되도록 한다.
학습이 완료된 후에는, 오버슈팅 검출부(221)에 정상 신호의 특징만을 가진 신호가 입력될 경우, 학습한 대로 엔코더와 디코더가 작동해 입력된 신호와 유사한 신호를 출력할 수 있다. 반면에 이상 신호가 엔코더에 입력될 경우, 엔코더를 거치며 상대적으로 낮은 차원의 잠재공간상으로 특징이 추출되더라도 이상이 발생하지 않은 정상신호 공통의 특징들만이 추출될 뿐, 이상 신호의 특징은 온전히 추출되지 못하게 된다. 이에 따라, 디코더로 복원된 신호는 원본과 상이할 수 있다.
오버슈팅 검출부(221)는 딥러닝 모델인 CNN(Convolutional Neural Networks)을 이용하여 엔코더 및 디코더를 구현함으로서, 데이터 원본으로부터 복원값을 얻는다. CNN에 의한 복원은 전체적인 데이터 원본의 형태 파악에 우수한 재현성을 갖는다. 이에 따라, 데이터 원본 내에서 형태에 이상이 발생한 오버슈팅에 대해서는 상대적으로 보다 높은 정확도를 가지며, 데이터의 형태는 유지하되 진동이 발생하는 것에 대해서는 상대적으로 낮은 정확도를 갖는다. 오버슈팅 검출부(221)는 입력값과 획득한 복원값의 차이를 이용하여 데이터 원본에 발생한 오버슈팅 이상을 주로 검출한다. 오버슈팅 검출부(221)에 의해 검출되는 예는 도 5에 도시되어 있다.
도 5는 본 발명의 일 실시예에 따른 오버슈팅 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
도 5를 참조하면, 도 5(a)에는 데이터 원본이, 도 5(b)에는 복원값이 도시되어 있다. 원본에서 발생한 오버슈팅 이상(510, 520. 530)에 대해서는 복원값에 나타나지 않는 것을 확인할 수 있다. 오버슈팅 검출부(221)는 이와 같은 데이터 원본과 복원값의 차이로부터 510, 520, 530 지점에서 데이터 원본에 (오버슈팅에 대한) 이상이 발생하였음을 감지한다. 나아가, 오버슈팅 검출부(221)는 비정상 진동 이상(540, 550)도 데이터 원본과 복원값의 차이로부터 검출할 수 있다.
이와 같은 과정으로 원본 데이터 내 이상을 검출하는 오버슈팅 검출부(221)는 도 6에 도시된 바와 같은 ROC(Receiver Operating Characteristic) 커브를 갖는다.
도 6은 본 발명의 일 실시예에 따른 오버슈팅 검출부의 ROC 커브를 도시한 그래프이다.
도 6에 도시된 그래프에서 x축은 False Positive Rate로서 오정답율을, y축은 True Positive Rate로서 정답율을 각각 가리킨다. 이때, 정답율이 높을수록 검출의 정확도가 높아짐을 의미하며, 그래프 내 커브가 (좌상단 방향으로) 직각 형태를 이룰수록 검출의 정확도가 우수해짐을 의미한다. 도 6(b)는 오버슈팅 이상에 대한 ROC 커브를, 도 6(c)는 비정상 진동 이상에 대한 ROC 커브를, 도 6(a)는 이상 유형 전체에 대한 ROC 커브를 도시한 도면이다. 오버슈팅 검출부(221)는 전체적인 형태 변화 감지에 우수한 CNN을 이용하여 데이터 원본으로부터 복원값을 획득하며, 데이터 원본과 복원값의 차이를 검출하기 때문에, 상대적으로 우수한 오버슈팅 이상의 검출율을 갖는다. 오버슈팅 검출부(221)는 오버슈팅 이상에 대해서는 91% 이상의 높은 검출율을 가지며, 비정상 진동 이상에 대해서는 80%이상의 검출율을 가질 수 있다.
다시 도 2를 참조하면, 비정상 진동 검출부(223)는 수신한 데이터 원본 및 복원값의 차이를 이용하여, 주로 산업설비(110)에 비정상 진동 관한 이상이 발생하였는지를 검출한다. 비정상 진동 검출부(223) 역시, 오버슈팅 검출부(221)와 마찬가지로, 도 4에 도시된 과정에 따라 데이터 원본으로부터 복원값을 연산한다.
다만, 이때, 비정상 진동 검출부(223)는 딥러닝 모델인 LSTM(Long Short-Term Memory)을 이용하여 엔코더 및 디코더를 구현하여 복원값을 연산한다. CNN과 달리 LSTM은 전체적인 데이터의 형태변화 감지 보다는 데이터의 세세한 변화에 상대적으로 우수한 감지율을 보인다. 이에 따라, 비정상 진동 검출부(223)는 도 7에 도시된 바와 같은 복원값을 갖는다.
도 7은 본 발명의 일 실시예에 따른 비정상 진동 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
비정상 진동 검출부(223)는 데이터의 형태, 데이터의 크기 차이보다는 일정 구간에서의 세세한 형태 변화를 상대적으로 정확히 감지한다. 이에 따라, 원본에서 진동이 발생한 부위에 대해 복원값에 상대적으로 상이한 진동이 발생하게 되어, 비정상 진동 이상(710 내지 730)을 검출할 수 있다.
다시 도 2를 참조하면, 평균치 변화 검출부(225)는 수신한 데이터 원본의 시간에 따른 데이터의 변화를 감지하여 평균치 변화 이상을 검출한다. 평균치 변화 검출부(225)는 딥러닝 모델인 LSTM을 이용하여 평균치 변화 이상을 검출한다. 평균치 변화 검출부(225)의 검출 방법은 도 8에 도시되어 있다.
도 8은 본 발명의 일 실시예에 따른 평균치 변화 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
도 8을 참조하면, 평균치 변화 검출부(225)는 LSTM을 이용하여 시계열 데이터의 변화를 감지한다. 평균치 변화 검출부(225)는 LSTM을 이용하여 기 설정된 기간(예를 들어, 과거의 특정 시점으로부터 현시점까지 등)동안 입력된 데이터 원본을 토대로, 데이터의 정상 범위 내에 해당하는 기준치(810)를 설정한다. 평균치 변화 검출부(225)는 입력되는 데이터 원본 내 기준치(810)를 초과하는 지점을 평균치 이상이 발생한 지점(820, 830)으로 검출한다.
또는, 평균치 변화 검출부(225)는 전술한 대로, 기 설정된 기간동안 입력된 데이터 원본으로부터 데이터 변화의 경향성을 예측하고, 현 시점에서 입력된 데이터 원본과 예측한 경향성이 차이가 발생하거나, 차이값이 기 설정된 기준치를 초과하는 경우 평균치 이상 또는 오버슈팅 이상이 발생한 것으로 검출할 수 있다.
다시 도 2를 참조하면, 이상 감지장치(120)는 이와 같이 서로 다른 딥러닝 모델을 서로 다른 방법에 따라 적용함으로서, 오버슈팅 이상, 비정상 진동 이상 및 평균치 변화 이상을 모두 높은 정확도로 검출할 수 있다. 이에 따라, 종래와 같이 평균치 변화만을 감지하는 것에 그치지 않고, 산업설비에 발생할 수 있는 이상 대부분을 감지할 수 있다.
또한, 단기 이상 검출부(227)는 머신러닝 모델인 Isolation Forest를 이용하여 데이터 원본 내 데이터들의 이상여부를 검출한다. 단기 이상 검출부(227)는 이상이 존재하지 않는 정상 데이터와 이상이 존재하는 이상 데이터를 도 9에 도시된 방법과 같이 구분한다.
도 9는 본 발명의 일 실시예에 따른 단기 데이터 검출부가 이상특성을 검출하는 방법을 도시한 모식도이다.
단기 이상 검출부(227)는 이상이 없는 데이터와 이상이 있는 데이터 각각을 고립시키며 분할한다. 이때, 도 9(a)에 도시된 바와 같이, 이상이 없는 데이터(910)는 그것을 고립시키기 위해서는 상대적으로 많은 분할 횟수(도 9에선 3회)가 필요한 것을 확인할 수 있다. 반면, 도 9(b)에 도시된 바와 같이, 이상이 발생한 데이터는 그것을 고립시키는데 상대적으로 적은 분할 횟수(도 9에선 1회)가 필요한 것을 확인할 수 있다. 이러한 특징을 이용하여 단기 이상 검출부(227)는 데이터를 다른 특성을 갖는 데이터와 분리하여 고립시키기 위해 분할하는 횟수가 기 설정된 기준치를 초과하는지 여부로 양 데이터를 구분한다. 이처럼, 단기 이상 검출부(227)는 데이터의 특징점을 추출하여 복원하는 과정이나, 데이터 변화의 경향성 예측 등의 수행을 필요로 하지 않아, 별도의 데이터 처리과정 없이도 이상 발생여부를 감지할 수 있다. 또한, 단기 이상 검출부(227)는 별도로 학습을 필요로 하지 않거나 데이터의 분할 방법 등 간단한 학습만이 수행되면 되기에, 학습할 데이터량이 많지 않은 상황에서도 어려움없이 산업설비에 발생한 이상을 감지할 수 있다.
다시 도 2를 참조하면, 장기 이상 검출부(229)는 통계학적 모델인 ARIMA 모델을 이용하여 데이터 원본 내 데이터들의 이상여부를 검출한다. 장기 이상 검출부(229)는 딥러닝 모델 또는 머신러닝 모델이 아닌 통계학적 모델을 이용한다. 이에 따라, 별도의 학습은 전혀 필요치 않으며, 기 설정된 기간동안 수신된 데이터 원본의 시간에 따른 통계치의 변화로부터 이상여부를 판단한다. 장기 이상 검출부(229)의 검출과정은 도 10에 도시되어 있다.
도 10은 본 발명의 일 실시예에 따른 장기 데이터 검출부가 검출하는 이상 특성의 예시를 도시한 그래프이다.
도 10을 참조하면, 장기 이상 검출부(229)는 일정 기간 동안 누적된 데이터 값의 통계치를 연산한다. 예를 들어, 장기 이상 검출부(229)는 수개월 또는 수년 동안 축적된 데이터 값의 평균 또는 표준편차 등의 통계치를 연산하고, 연산된 수치로부터 데이터 원본의 평균값에 대한 정상범위를 선정한다.
이후, 장기 이상 검출부(229)는 입력되는 데이터 원본에 대해 시간변화에 따른 통계치를 연산한다. 장기 이상 검출부(229)는 일정 기간 동안의 통계치(하나의 수치)가 아닌, 시간에 따른 통계치의 변화를 분석한다. 장기 이상 검출부(229)는 시간에 따른 통계치의 변화를 분석하여, 통계치가 선정된 정상범위를 벗어나는 경우, 해당 시점(1010a 내지 1010g)에서 이상이 발생하였음을 감지한다. 장기 이상 검출부(229)는 장기간 누적된 데이터의 통계치를 이용하기 때문에, 데이터 평균값의 비정상 증감을 상대적으로 정확히 검출할 수 있다.
도 2 내지 10을 참조하여 오버슈팅 검출부(221), 비정상 진동 검출부(223), 평균치 변화 검출부(225), 단기 이상 검출부(227) 및 장기 이상 검출부(229)는 편의상 각각 어느 하나의 모델을 이용하여 검출하는 것으로 설명하고 있으나, 반드시 이에 한정되는 것은 아니다. 어느 하나의 검출부에서 사용된 모델이 다른 상태 이상을 검출하는데 사용될 수 있음은 자명하다. 예를 들어, 오버슈팅 이상의 검출을 위해 오버슈팅 검출부(221)에서 사용된 CNN 모델의 검출결과는 비정상 진동 이상의 검출이나 평균치 변화 검출을 위해서도 사용될 수 있다.
다시 도 2를 참조하면, 제어부(230)는 산업설비로부터 데이터 원본을 수신하여, 일부 또는 전부의 검출부(221 내지 229)가 이상을 검출하도록 제어한다. 사용자 입력부(240)가 관리자로부터 오버슈팅에 대한 이상만을 주로 검출하도록 입력받은 경우, 제어부(230)는 오버슈팅 검출부(221) 또는 평균치 변화 검출부(225)가 데이터 원본으로부터 이상을 검출하도록 제어할 수 있다. 또는, 사용자 입력부가 평균치의 비정상 증감만을 주로 검출하도록 입력받은 경우, 제어부(230)는 평균치 변화 검출부(225) 또는 장기 이상 검출부(229)가 데이터 원본으로부터 이상을 검출하도록 제어할 수 있다. 다만, 반드시 이에 한정되는 것은 아니고, 해당 경우라도 제어부(230)는 모든 검출부가 이상을 검출하도록 제어할 수 있다.
제어부(230)는 사용자 입력부(240)로부터 이상 검출의 기준치를 입력받아, 각 검출부(221)가 검출하는 이상의 정도를 조정할 수 있다. 예를 들어, 도 5를 참조하여 설명한 바와 같이, 오버슈팅 검출부(221)는 데이터 원본과 복원값의 차이로부터 데이터 원본에 오버슈팅 이상이 있는 존재하는지를 검출한다. 이때, 사용자 입력부(240)는 관리자로부터 데이터 원본과 복원값의 차이를 이상으로 판단할 것인지에 대한 기준치에 대한 입력받을 수 있다. 기준치가 높아질 경우, 보다 양자의 차이를 이상으로 판단하는 기준이 엄격해지며 이상의 감지 숫자는 감소하는 대신 정확도는 증가하게 되고, 기준치가 낮아질 경우, 보다 양자의 차이를 이상으로 판단하는 기준이 느슨해지며 이상의 감지 숫자는 증가하는 대신 정확도는 상대적으로 감소하게 된다. 제어부(230)는 사용자 입력부로부터 이상 검출의 기준치를 입력받아 검출부(221)가 검출하는 이상의 정도를 조정할 수 있다.
사용자 입력부(240)는 외부(주로, 관리자)로부터 이상 검출의 기준치를 입력받는다. 나아가, 사용자 입력부(240)는 외부로부터 검출하고자 하는 이상의 형태에 대해서도 입력받을 수 있다.
이처럼, 이상 감지장치(120)는 딥러닝 모델, 머신러닝 모델 및 통계학적 모델을 모두 이용함에 따라, 산업설비로부터 발생하는 다양한 이상의 형태에 대해서도 상대적으로 높은 정확도를 가지며 이상을 검출할 수 있다. 또한, 별도로 이상이 발생한 데이터들의 학습 없이, 정상적인 데이터를 기반으로 학습하더라도 높은 정확도로 이상을 검출할 수 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (12)

  1. 산업설비에서 발생한 이상을 감지하는 이상 감지장치에 있어서,
    상기 산업설비로부터 상기 산업설비로 입력되는 입력값 또는 상기 산업설비에서 출력되는 출력값을 수신하는 통신부;
    상기 통신부로부터 수신한 입력값 또는 출력값으로부터 상기 산업설비에 발생한 복수의 종류의 이상을 검출하는 이상 검출부; 및
    상기 통신부 및 상기 이상 검출부의 동작을 제어하는 제어부
    를 포함하는 것을 특징으로 하는 이상 감지장치.
  2. 제1항에 있어서,
    상기 이상 검출부는,
    입력값 또는 출력값에 발생한 오버슈팅(Overshooting) 이상을 검출하는 오버슈팅 검출부;
    입력값 또는 출력값에 발생한 비정상 진동(Oscillation) 이상을 검출하는 비정상 진동 검출부; 및
    입력값 또는 출력값에 발생한 평균치 변화 이상을 검출하는 평균치 변화 검출부를 포함하는 것을 특징으로 하는 이상 감지장치.
  3. 제2항에 있어서,
    상기 오버슈팅 검출부 및 상기 비정상 진동 검출부는,
    상기 산업설비로부터 수신한 입력값 또는 출력값으로부터 잠재공간(Latent Space) 상으로 하나 이상의 특징점을 추출한 후, 다시 복원한 복원값 및 상기 산업설비로부터 수신한 입력값 또는 출력값의 원본 간 차이를 이용하여 오버슈팅 이상 또는 비정상 진동 이상을 검출하는 것을 특징으로 하는 이상 감지장치.
  4. 제3항에 있어서,
    상기 오버슈팅 검출부는,
    CNN 모델을 이용하여 상기 산업설비로부터 수신한 입력값 또는 출력값으로부터 잠재공간(Latent Space) 상으로 하나 이상의 특징점을 추출한 후 다시 복원하는 것을 특징으로 하는 이상 감지장치.
  5. 제3항에 있어서,
    상기 비정상 진동 검출부는,
    LSTM 모델을 이용하여 상기 산업설비로부터 수신한 입력값 또는 출력값으로부터 잠재공간(Latent Space) 상으로 하나 이상의 특징점을 추출한 후 다시 복원하는 것을 특징으로 하는 이상 감지장치.
  6. 제2항에 있어서,
    상기 평균치 변화 검출부는,
    기 설정된 기간 동안 상기 산업설비로부터 수신된 입력값 또는 출력값을 토대로 이상이 없는 데이터에 해당하는 정상 범위를 설정하고, 상기 산업설비로부터 수신한 입력값 또는 출력값이 상기 정상 범위를 벗어나는지 여부에 따라 평균치 변화 이상을 검출하는 것을 특징으로 하는 이상 감지장치.
  7. 제2항에 있어서,
    상기 평균치 변화 검출부는,
    기 설정된 기간동안 상기 산업설비로부터 수신된 입력값 또는 출력값을 토대로 데이터 변화의 경향성을 예측하고, 상기 산업설비로부터 수신한 입력값 또는 출력값과 예측한 경향성이 차이가 발생하는지 여부에 따라 평균치 변화 이상을 검출하는 것을 특징으로 하는 이상 감지장치.
  8. 제7항에 있어서,
    상기 평균치 변화 검출부는,
    LSTM 모델을 이용하여, 기 설정된 기간동안 상기 산업설비로부터 수신된 입력값 또는 출력값을 토대로 데이터 변화의 경향성을 예측하는 것을 특징으로 하는 이상 감지장치.
  9. 제2항에 있어서,
    상기 이상 검출부는,
    상기 산업설비로부터 수신한 입력값 또는 출력값 내 데이터들의 이상여부를 검출하는 단기 이상 검출부; 및
    기 설정된 기간 동안 수신된 입력값 또는 출력값의 통계치를 연산하고, 연산된 통계치를 이용하여 상기 산업설비로부터 수신한 입력값 또는 출력값의 이상여부를 검출하는 장기 이상 검출부를 더 포함하는 것을 특징으로 하는 이상 감지장치.
  10. 제9항에 있어서,
    상기 단기 이상 검출부는,
    머신러닝 모델을 이용하는 것을 특징으로 하는 이상 감지장치.
  11. 제9항에 있어서,
    상기 장기 이상 검출부는,
    통계학적 모델을 이용하는 것을 특징으로 하는 이상 감지장치.
  12. 산업설비;
    상기 산업설비로부터 상기 산업설비로 입력되는 입력값 또는 상기 산업설비에서 출력되는 출력값을 수신하여, 수신한 입력값 또는 출력값으로부터 상기 산업설비에 발생한 복수의 종류의 이상을 검출하고, 검출 결과를 외부로 전송하는 이상 감지장치; 및
    상기 이상 감지장치로부터 상기 산업설비에 이상 발생여부를 수신하여, 관리자가 이상이 발생한 산업설비를 관리하도록 하는 관리자 단말
    을 포함하는 것을 특징으로 하는 산업설비 이상 감지 시스템.
PCT/KR2023/016611 2022-10-26 2023-10-25 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템 WO2024090975A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0139086 2022-10-26
KR1020220139086A KR102654240B1 (ko) 2022-10-26 2022-10-26 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템

Publications (1)

Publication Number Publication Date
WO2024090975A1 true WO2024090975A1 (ko) 2024-05-02

Family

ID=90637668

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/016611 WO2024090975A1 (ko) 2022-10-26 2023-10-25 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템

Country Status (2)

Country Link
KR (1) KR102654240B1 (ko)
WO (1) WO2024090975A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012155361A (ja) * 2011-01-21 2012-08-16 Toshiba Corp プロセス監視装置
KR20210076438A (ko) * 2019-12-16 2021-06-24 한국과학기술원 딥러닝 기반 이상징후 감지 기법을 이용한 노이즈 분석 기반 초고감도 표적신호 검출 방법 및 시스템
KR20220023726A (ko) * 2020-08-21 2022-03-02 주식회사 리얼타임테크 딥 러닝 기반 실시간 공정 감시 시스템 및 그 방법
KR20220068287A (ko) * 2020-11-18 2022-05-26 앤시정보기술주식회사 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치
JP2022114330A (ja) * 2021-01-26 2022-08-05 日東電工株式会社 異常検知システム、異常検知方法及び異常検知プログラム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6172678B2 (ja) * 2014-04-30 2017-08-02 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 検出装置、検出方法、およびプログラム
US10783219B2 (en) * 2015-07-01 2020-09-22 Mitsubishi Electric Corporation Distributed equipment abnormality detection system for monitoring physical amounts of equipments and detecting abnormality of each equipment
JP6930503B2 (ja) * 2018-07-20 2021-09-01 日本電信電話株式会社 異常検知装置、異常検知方法、およびプログラム
CA3158765A1 (en) * 2019-11-25 2021-06-03 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012155361A (ja) * 2011-01-21 2012-08-16 Toshiba Corp プロセス監視装置
KR20210076438A (ko) * 2019-12-16 2021-06-24 한국과학기술원 딥러닝 기반 이상징후 감지 기법을 이용한 노이즈 분석 기반 초고감도 표적신호 검출 방법 및 시스템
KR20220023726A (ko) * 2020-08-21 2022-03-02 주식회사 리얼타임테크 딥 러닝 기반 실시간 공정 감시 시스템 및 그 방법
KR20220068287A (ko) * 2020-11-18 2022-05-26 앤시정보기술주식회사 시계열 에너지 예측 데이터 모델을 이용한 설비이상감지 정보처리장치
JP2022114330A (ja) * 2021-01-26 2022-08-05 日東電工株式会社 異常検知システム、異常検知方法及び異常検知プログラム

Also Published As

Publication number Publication date
KR102654240B1 (ko) 2024-04-04

Similar Documents

Publication Publication Date Title
RU2743506C2 (ru) Способ и устройство для соединения с возможностью передачи данных полевых устройств с удаленным терминальным блоком
WO2019146849A1 (ko) 설비 진단 시스템을 이용한 설비 진단 방법
WO2012057378A1 (ko) 범용 센서 자가 진단 장치 및 그 진단 방법
WO2020076081A1 (ko) 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법
WO2010047542A2 (ko) Ｆｐｇａ를 이용한 발전소 보호 시스템 및 보호 방법
SE456198B (sv) Brandalarmsystem
EP2085838B1 (en) Input channel diagnostics
WO2020076083A1 (ko) 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법
US8338986B2 (en) System and method for employing an on-machine power supply with monitoring and control capability
WO2020004996A1 (ko) 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법
WO2021086002A1 (ko) 재난 안전형 스마트 수배전반 관리시스템
WO2024090975A1 (ko) 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템
US11169491B2 (en) Safety switch
KR100824560B1 (ko) 측정, 제어 및 조절 장치의 모니터링을 위한 시스템 및 방법
CN104950832B (zh) 钢铁厂控制系统
WO2023128320A1 (ko) 인공지능 검증 시스템 및 방법
WO2018044042A1 (ko) 다수호기 통합 감시를 위한 대형통합감시화면의 구현 방법과 그 시스템
JP2016103110A (ja) 多重化制御装置
WO2019225771A1 (ko) 태양전지의 전압측정 시스템 및 이를 이용한 태양전지의 개별 고장진단 방법
Syrotkina et al. Mathematical Methods for Detecting and Localizing Failures in Complex Hardware/Software Systems
WO2021261614A1 (ko) 설비의 진단 방법, 프로그램 및 시스템
KR100768126B1 (ko) 산업 플랜트현장의 이벤트 순차적 검출시스템
WO2024117273A1 (ko) 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템
WO2023200131A1 (ko) 텐서 기반의 상태 스코어 도출 시스템 및 방법
WO2020111317A1 (ko) 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법