KR101925357B1

KR101925357B1 - 장비 건강상태 및 예측정비 요구들을 시각화하는 시스템 및 방법

Info

Publication number: KR101925357B1
Application number: KR1020170169863A
Authority: KR
Inventors: 김상수; 김원철
Original assignee: (주)위세아이텍
Priority date: 2017-12-12
Filing date: 2017-12-12
Publication date: 2019-02-26

Abstract

장비의 상태 및 상기 장비의 정비 필요성에 대한 정보를 그래픽적으로 출력하는 장치는, 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집하는 데이터 수집부, 상기 정비 데이터를 기반으로 상기 장비의 상태 모니터링 정보를 그래픽적으로 출력하는 그래픽 출력부, 상기 정비 데이터를 분석하여 예측에 필요한 변수를 도출하는 데이터 전처리부, 상기 정비 데이터 및 상기 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 상기 장비의 정비 예측 모델을 업데이트 하는 머신러닝부 및 상기 정비 예측 모델을 기반으로 상기 장비 또는 상기 장비의 상기 부품들의 정비 필요성을 수치화하는 정비 필요성 수치화부 상기 그래픽 출력부는 상기 장비에 관한 사용자 입력에 기초하여 상기 수치화된 결과를 그래픽적으로 출력할 수 있다.

Description

장비 건강상태 및 예측정비 요구들을 시각화하는 시스템 및 방법 {SYSTEM AND METHOD FOR VISUALIZING EQUIPMENT HEALTH STATUS AND FORECAST MAINTENANCE REQUIREMENTS}

본원은 장비 건강상태 및 예측정비 요구들을 시각화하는 시스템 및 방법에 관한 것이다.

항공기, 우주탐사선 및 원자력/풍력발전기 같은 시스템들은 극한 하중 하에서 높은 신뢰도가 요구되는 것들이다. 이들은 그러나 운용 중 마모, 균열 결함(fault)이나 성능저하(degradation)로 인한 손상(damage)이 어쩔 수 없이 발생하는데, 이들을 제대로 관리하지 않으면 한계수준을 넘어 치명적 사고나 사용중단상태를 야기한다.

이를 막으려면 설계단계에서 수명기간 중 고장이 발생하지 않도록 원천예방설계를 하거나, 운용 중 검사와 정비를 자주 해야 한다. 이러한 문제를 해결하기 위해 수명기간(lifecycle) 동안 고장을 예방하는 신뢰성설계(Design for reliability)에 연구가 집중되었으며, 특히 신뢰성 기반 최적 설계 (RBDO: Reliability Based Design Optimization) 기술이 활발히 개발되었다.

그러나 설계에서 운용 중 발생하는 모든 상황(갑작스런 이물 충돌 등)을 고려하는 것은 불가능하기 때문에 신뢰성 기반 설계는 현장 적용에 한계가 있었다.

과거의 정비기술은 손상이 진행되어 고장이 발생하면 수리하는 사후정비(Corrective Maintenance)에 의존하였으나, 이는 고가/고안전성 시스템에는 적용할 수 없는 방법이다. 현재의 정비 기술은 예방정비 (Preventive Maintenance), 즉 정기 유지보수에 의존하고 있다. 그러나 이는 실제 결함수준과 관계없이 무조건 정비를 실시하므로 잦은 중단(Down Time)과 부품 교체로 높은 비용이 발생하고 있다.

최근 이러한 문제를 해결하기 위해 고장예지 및 건전성관리(PHM: Prognostics and Health Management)기술이 연구되고 있다. PHM 기술이 개발되면 필요한 시점에 필요한 정비만 하는 예측정비, 즉 상태기반 정비(CBM: Condition-Based Predictive Maintenance)를 할 수 있으며, 이를 통해 고장을 최소화하므로 유지비용을 크게 절감할 수 있다. PHM은 운용 중인 시스템이나 장치에 대해 ① 건전성(결함이나 성능저하)을 지속관찰(Health Monitoring)하고 ② 이상 징후를 진단(Diagnosis)하며 ③ 언제 고장수준 또는 사용불능에 도달할지 미리 예지(Prognosis)하여 ④ 필요한 경우에만 정비조치를 하는 건전성관리 (Health Management) 기술이다.

PHM 단계 중 ①, ② 단계인 건전성 모니터링과 진단 기술은 지금까지 많은 연구가 진행되어 성숙한 반면 ③ 단계인 고장예지기술(Prognostics)은 최근 연구가 시작되고 있다. 예지기술은 PHM에서 현재까지의 건전성 평가를 토대로 미래 고장을 예측하므로 가장 중요한 요소이다.

본원의 배경이 되는 기술은 한국공개특허공보 제2014-0006624(공개일: 2014.01.16)호에 개시되어 있다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 장비의 정비 이력 및 고장 이력 등의 데이터를 이용하여 해당 장비의 고장 예측에 필요한 변수를 도출하고, 머신러닝을 통해 장비의 고장을 예측하고, 신규 수리부속을 예측할 수 있는 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 장치를 제공하고자 한다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 정비 조치를 취해야 하는 의사결정을 위해 장비의 건강상태 및 예측정비 필요성을 시각화하여 실시간 센서 수집, 전조 경고, 정비 이력, 예측 정비 시점에 해당하는 결과들을 대화형 그래픽으로 표현할 수 있는 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 장치를 제공하고자 한다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 기존의 통계적 기법을 적용하여 발생한 낮은 예측률의 한계를 머신러닝을 이용한 예측 모델을 적용함으로써, 장비의 고장 예측률을 향상할 수 있는 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 장치를 제공하고자 한다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 장비의 정비 이력 및 고장 이력 등의 정보를 기반으로, 머신러닝의 예측 모델을 통해 정비에 대한 패턴 및 주기와 고장 예상 품목 예측 결과를 제공할 수 있는 장비의 고장 예측 및 신규 수리부속 고장을 예측하는 장치를 제공하고자 한다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 빅데이터 환경하에서 발생하는 다양한 정형데이터 및 비정형 데이터(예를 들어, 텍스트 데이터 및 이미지)등의 데이터를 학습하고, 머신러닝 기반으로 정비의 고장을 예측할 수 있는 장비의 고장 예측 및 신규 수리부속 고장을 예측하는 장치를 제공하고자 한다.

다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들도 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따르면, 장비의 상태 및 상기 장비의 정비 필요성에 대한 정보를 그래픽적으로 출력하는 장치는, 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집하는 데이터 수집부, 상기 정비 데이터를 기반으로 상기 장비의 상태 모니터링 정보를 그래픽적으로 출력하는 그래픽 출력부, 상기 정비 데이터를 분석하여 예측에 필요한 변수를 도출하는 데이터 전처리부, 상기 정비 데이터 및 상기 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 상기 장비의 정비 예측 모델을 업데이트 하는 머신러닝부 및 상기 정비 예측 모델을 기반으로 상기 장비 또는 상기 장비의 부품들의 정비 필요성을 수치화하는 정비 필요성 수치화부, 상기 그래픽 출력부는 상기 장비에 관한 사용자 입력에 기초하여 상기 수치화된 결과를 그래픽적으로 출력할 수 있다.

본원의 일 실시예에 따르면, 상기 정비 필요성 수치화부는 예측정비 의사결정과 연관된 사용자 입력에 기초하여 상기 장비 또는 상기 장비의 부품들의 상기 예측정비 의사결정과 연관된 데이터를 수치화하되, 상기 그래픽 출력부는, 상기 예측정비 의사결정 데이터의 수치화된 결과를 그래픽적으로 출력할 수 있다.

본원의 일 실시예에 따르면, 상기 정비 필요성 수치화부는, 전조경고와 연관된 사용자 입력에 기초하여 상기 장비 또는 상기 장비의 부품들의 상기 전조경고 데이터를 수치화하되, 상기 그래픽 출력부는 상기 장비에 관한 상기 전조경고의 수치화된 결과를 그래픽적으로 출력할 수 있다.

본원의 일 실시예에 따르면, 상기 정비 필요성 수치화부는, 상기 장비 또는 상기 장비의 결함 및 이력 정보와 연관된 사용자 입력에 기초하여 상기 장비 또는 상기 장비의 결함 및 이력 정보를 수치화하되, 상기 그래픽 출력부는 상기 장비의 결함 및 이력 정보를 그래픽적으로 출력할 수 있다.

본원의 일 실시예에 따르면, 상기 머신러닝부는, 학습 결과에 기초하여 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 정비 예측 모델을 상기 장비의 정비 예측 모델로서 선정할 수 있다.

본원의 일 실시예에 따르면, 상기 정비 데이터는, 상기 장비의 실시간 센서 결과 데이터, 고장 및 정비 이력 데이터 및 장비 체계 데이터 중 적어도 하나를 포함할 수 있다.

본원의 일 실시예에 따르면, 장비의 상태 및 상기 장비의 정비 필요성에 대한 정보를 그래픽적으로 출력하는 방법은, 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집하는 단계, 상기 정비 데이터를 분석하여 예측에 필요한 변수를 도출하는 단계, 상기 정비 데이터 및 상기 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 상기 장비의 정비 예측 모델을 업데이트 하는 단계, 상기 정비 예측 모델을 기반으로 상기 장비 또는 상기 장비의 부품들의 정비 필요성을 수치화하는 단계, 상기 정비 데이터를 기반으로 상기 장비의 상태 모니터링 정보를 그래픽적으로 출력하는 단계를 포함하되, 상기 그래픽적으로 출력하는 단계는 상기 장비에 관한 사용자 입력에 기초하여 상기 수치화된 결과를 그래픽적으로 출력할 수 있다.

본원의 일 실시예에 따르면, 상기 그래픽적으로 출력하는 단계는, 예측정비 의사결정과 연관된 사용자 입력 정보를 수신하는 단계, 상기 장비 또는 상기 장비의 부품들의 상기 예측정비 의사결정과 연관된 데이터를 수치화하는 단계 및 상기 예측정비 의사결정과 연관된 데이터를 그래픽적으로 출력하는 단계를 포함할 수 있다.

본원의 일 실시예에 따르면, 상기 그래픽적으로 출력하는 단계는, 전조경고와 연관된 사용자 입력 정보를 수신하는 단계, 상기 장비 또는 상기 장비의 부품들의 상기 전조경고와 연관된 데이터를 수치화하는 단계 및 상기 전조경고와 연관된 데이터를 그래픽적으로 출력하는 단계를 포함할 수 있다.

본원의 일 실시예에 따르면, 상기 그래픽적으로 출력하는 단계는, 장비의 결함 및 이력 정보와 연관된 사용자 입력 정보를 수신하는 단계, 상기 장비 또는 상기 장비의 결함 및 이력 정보와 연관된 데이터를 수치화하는 단계 및 상기 장비의 결함 및 이력 정보를 그래픽적으로 출력하는 단계를 포함할 수 있다.

본원의 일 실시예에 따르면, 상기 장비의 정비 예측 모델을 업데이트 하는 단계는, 학습 결과에 기초하여 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 정비 예측 모델을 상기 장비의 정비 예측 모델로서 선정하는 단계를 포함할 수 있다.

상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 장비의 정비 이력 및 고장 이력 등의 데이터를 이용하여 해당 장비의 고장 예측에 필요한 변수를 도출하고, 머신러닝을 통해 장비의 고장을 예측하고, 신규 수리부속을 예측할 수 있는 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 장치를 제공할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 정비 조치를 취해야 하는 의사결정을 위해 장비의 건강상태 및 예측정비 필요성을 시각화하여 실시간 센서 수집, 전조 경고, 정비 이력, 예측 정비 시점에 해당하는 결과들을 대화형 그래픽으로 표현할 수 있는 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 장치를 제공하고자 한다.

전술한 본원의 과제 해결 수단에 의하면, 기존의 통계적 기법을 적용하여 발생한 낮은 예측율의 한계를 머신러닝을 이용한 예측 모델을 적용함으로써, 장비의 고장 예측률을 향상할 수 있는 장비의 고장 예측 및 신규 수리부속의 고장을 예측하는 장치를 제공할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 장비의 정비 이력 및 고장 이력 등의 정보를 기반으로, 머신러닝의 예측 모델을 통해 정비에 대한 패턴 및 주기와 고장 예상 품목 예측 결과를 제공할 수 있는 장비의 고장 예측 및 신규 수리부속 고장을 예측하는 장치를 제공할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 빅데이터 환경하에서 발생하는 다양한 정형데이터 및 비정형 데이터(예를 들어, 텍스트 데이터 및 이미지)등의 데이터를 학습하고, 머신러닝 기반으로 정비의 고장을 예측할 수 있는 장비의 고장 예측 및 신규 수리부속 고장을 예측하는 장치를 제공할 수 있다.

도 1은 본원의 일 실시예에 따른 장비의 상태 및 상기 장비의 정비 필요성에 대한 정보를 그래픽적으로 출력하는 장치의 개략적인 구성을 나타낸 도면이다.
도 2는 본원의 일 실시예에 따른 장비의 건강상태 모니터링 정보를 그래픽적으로 출력한 결과를 예시적으로 나타낸 도면이다.
도 3은 본원의 일 실시예에 따른 예측정비 의사결정에 기반을 두어 수치화된 결과를 그래픽적으로 출력환 결과를 예시적으로 나타낸 도면이다.
도 4는 본원의 일 실시예에 따른 전조 경고에 기반을 두어 수치화된 결과를 그래픽적으로 출력한 결과를 예시적으로 나타낸 도면이다.
도 5는 본원의 일 실시예에 따른 결함 및 정비 이력에 기반을 두어 수치화된 결과를 그래픽적으로 출력한 결과를 예시적으로 나타낸 도면이다.
도 6은 본원의 일 실시예에 따른 장비의 상태 및 장비의 정비 필요성에 대한 정보를 그래픽적으로 출력하는 방법을 개략적으로 나타낸 흐름도이다.

아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.

도 1은 본원의 일 실시예에 따른 장비의 상태 및 장비의 정비 필요성 정보 그래픽 출력 장치의 구성을 개략적으로 도시한 도면이다.

도 1을 참조하면, 그래픽 출력 장치(100)는 데이터 수집부(110), 그래픽 출력부(120), 데이터 전처리부(130), 머신러닝부(140) 및 정비 필요성 수치화부(150)를 포함할 수 있다. 이하에서 설명되는 장비는 항공기, 우주 탐사선 및 원자력/풍력발전기 같은 시스템들은 극한 하중하에서 높은 신뢰도가 요구되는 장비일 수 있으나, 이에 한정되는 것은 아니다.

본원의 일 실시예에 다르면, 그래픽 출력 장치(100)는 수치화된 결과를 그래픽적으로 사용자 단말로 제공하고, 사용자 단말은 그래픽적 정보를 출력할 수 있다. 예시적으로 사용자 단말은 사용자 단말은 항공기, 우주 탐사선 및 원자력/풍력발전기 같은 시스템들을 운용하거나 정비하는 사용자의 단말일 수 있다. 일 실시예로, 사용자 단말은 네트워크를 통해 장비 고장 예측 장치(100)와 연동되는 디바이스로서, 예를 들면, 스마트폰(Smartphone), 스마트패드(Smart Pad), 태블릿 PC, 웨어러블 디바이스 등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치 및 데스크탑 컴퓨터, 스마트 TV와 같은 고정용 단말기일 수도 있다.

본원의 일 실시예에 따르면, 데이터 수집부(110)는 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집할 수 있다. 데이터 수집부(110)는 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집할 수 있다. 정비 데이터는 장비의 실시간 센서 결과 데이터, 장비의 고장 및 정비 이력 데이터 및 장비 체계 데이터 중 적어도 하나를 포함할 수 있다. 장비의 실시간 센서 결과 데이터는 장비 내 외부에 구비된 센싱 결과 데이터일 수 있다.

예시적으로, 데이터 수집부(110)는 엔진에 포함된 구성요소(부품) 각각의 교체 품목, 교체 일시, 교체 주기, 이미지, 텍스트, 환경에 기반한 부품들의 노후 속도 등을 포함하는 정비 데이터를 수집할 수 있다. 예를 들어, 정비 데이터는 해당 장비에 포함된 복수의 부속품 각각에 대한 정비데이터 일 수 있다. 복수의 부속품은 크랭크샤프트, 베어링 캡, 오일팬, 커넥팅 노드, 피스톤, 타이밍 벨트, 타이빙 벨트 스프로킷 등 엔진에 포함된 부품일 수 있다.

일 예로, 장비의 고장 및 정비 이력 데이터는 과거의 장비의 고장 및 정비 이력에 관련된 데이터 일 수 있다. 데이터 수집부(110)는 장비의 복수의 부품을 각각에 대한 정비 데이터를 데이터베이스를 통해 연결하여 정비 데이터 셋을 구성하여 정비 데이터를 수집할 수 있다. 예시적으로, 데이터 셋은 복수의 레코드를 포함할 수 있다. 여기서, 레코드는, 장비의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경(예를 들어, 온도에 따른 장비의 노후 속도) 등을 기준으로 연결함으로써 생성될 수 있다. 예시적으로, 본원에서는 장비의 고장을 예측하기 위해 장비의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경을 기준으로 연결되어 데이터 셋에 저장될 수 있다. 이때, 장비의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경을 기준으로 연결되어 데이터 셋에 저장되는 하나의 데이터를 하나의 레코드라 할 수 있다. 장비의 정비 품목, 정비 주기, 정비 일시, 정비 이미지, 정비 텍스트, 환경은 복수의 변수라고 할 수 있다.

본원의 일 실시예에 따르면, 데이터 수집부(110)는 네트워크를 통해 외부 서버에서 정비 데이터를 수집할 수 있다. 데이터 수집부(110) 및 외부 서버(미도시)간의 정보 공유를 위한 네트워크의 일 예로는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 유무선 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, Wifi 네트워크, NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함될 수 있으며, 이에 한정된 것은 아니다.

그래픽 출력부 (120)는 정비 데이터를 기반으로 장비의 상태 모니터링 정보를 그래픽적으로 출력할 수 있다. 그래픽 출력부(120)는 장비에 관한 사용자 입력에 기초하여 수치화된 결과를 그래픽적으로 출력할 수 있다. 예시적으로 그래픽 출력부(120)는 사용자 단말에 수치화된 결과를 그래픽적으로 출력하기 위한 복수의 항목들을 제공할 수 있다. 사용자 단말은 사용자로부터 복수의 항목 중 장비 예측 결과를 그래픽적으로 제공받기 위한 항목들을 선택하는 입력을 수신할 수 있다. 예시적으로 복수의 항목들은 장비 건강상태 모니터링, 예측정비 의사결정, 전조경고, 결함 및 정비 이력 등을 포함하는 항목일 수 있다. 그래픽 출력부(120)는 장비의 건강 상태 모니터링 정보와 연계된 사용자의 입력에 기초하여 수치화된 결과를 그래픽적으로 출력할 수 있다. 또한, 그래픽 출력부(120)는 장비의 예측정비 의사결정 정보와 연계된 사용자의 입력에 기초하여 수치화된 결과를 그래픽적으로 출력할 수 있다.

데이터 전처리부 (130)는 정비 데이터를 분석하여 예측에 필요한 변수를 도출할 수 있다. 데이터 전처리부(120)는 정비 데이터를 분석하여 예측에 필요한 변수를 도출할 수 있다. 데이터 전처리부(120)는 데이터 수집부(110)에 포함된 정비 데이터를 탐색하여 분석할 데이터를 획득하고, 획득된 데이터로부터 분석을 수행할 분석 변수를 선택하며, 선택된 변수에 대응하는 데이터의 전처리를 수행할 수 있다. 예를 들어, 정비 데이터 분석데이터 전처리부(120)는 비정형화된 특정 변수에 기반하여 정비 데이터를 정형화할 수 있다. 예측에 필요한 변수는 예를 들어, 장비의 구성요소(예를 들어, 엔진)의 교체 품목, 교체 시기, 교체 주기, 교체 일시, 교체 부품 교체 이미지, 교체 부품 설명에 해당하는 데이터 일 수 있다.

데이터 전처리부(120)는 데이터 셋에 저장된 데이터를 정규화하는 전처리를 수행할 수 있다. 즉, 데이터 전처리부(120)는 데이터 셋에 저장된 데이터의 변수 값들을 일정 기준으로 맞춰주는 데이터 정규화를 수행할 수 있다. 구체적으로, 데이터 전처리부(120)는 정비예측 모델의 안정성과 정확성을 향상시키고 데이터 셋에 저장된 데이터가 갖는 오차를 효과적으로 줄이기 위해, 데이터 셋 내의 데이터에서 일정하지 않은 부분, 즉 일정하지 않은 변수 값을 갖는 데이터를 MIN/MAX 방법으로 정규화할 수 있다. 데이터 전처리부(120)는 MIN/MAX 방법을 통한 정규화로 하여금, 데이터 셋에 저장된 데이터의 변수 값을 최솟값 0 내지 최댓값 1 사이의 범위 내에서 어느 하나의 값을 갖도록 변환시킬 수 있다.

또한, 전처리부(120)는 정규화된 데이터(즉, 데이터 셋에 저장된 정규화된 데이터)를 기반으로 하여 데이터 셋 내의 레코드별로 정비 패턴 및 정비 주기를 산정할 수 있다.

또한, 전처리부(120)는 정규화된 데이터(즉, 데이터 셋에 저장된 정규화된 데이터)를 기반으로 하여 정비 예측 모델의 생성을 위한 적어도 하나의 변수를 선정할 수 있다. 달리 표현하여, 전처리부(120)는 정규화된 데이터를 기반으로 하여 정비 예측에 필요한 변수(중요 변수)를 선정할 수 있다. 이러한 변수의 선정은 정비 예측 모델(모형)의 생성시 정비 예측 모델에 영향력 있는 변수만을 사용하기 위해 이루어질 수 있다.

머신러닝부 (140)는 정비 데이터 및 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 장비의 정비 예측 모델을 업데이트할 수 있다. 머신러닝부(130)는 정비 데이터 및 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 장비의 정비 예측 모델을 업데이트 할 수 있다. 머신러닝부(130)는 복수의 머신러닝 알고리즘을 적용하여, 생성된 정비 예측 모델에 대한 학습을 수행할 수 있다. 즉, 머신러닝부(130)에 의하여 생성된 정비 예측 모델은 복수의 머신러닝 알고리즘을 적용함으로써 학습될 수 있다.

본원의 일 실시예에 따르면, 머신러닝부(130)에 의하여 생성된 정비 예측 모델이 복수의 머신러닝 알고리즘 각각에 적용됨으로써, 복수의 머신러닝 알고리즘 각각에 대응하여 장비의 정비 예측도가 산출될 수 있다. 달리 말해, 생성된 정비 예측 모델이 복수의 머신러닝 알고리즘 각각에 적용됨으로써, 복수의 머신러닝 알고리즘 각각에 대응하여 머신러닝 알고리즘의 적용 결과로서 장비의 고장을 예측할 수 있다.

이때, 복수의 머신러닝 알고리즘은 랜덤포레스트(random forest) 알고리즘, XG Boost알고리즘 및 Tensorflow알고리즘 중 적어도 하나를 포함할 수 있다. 다만, 이에만 한정되는 것은 아니고 다양한 머신러닝 알고리즘이 적용될 수 있다.

본원의 일 실시예에 따르면, 머신러닝부(130)는 학습 결과에 기초하여, 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 위험예측 모델(모형)을 장비의 정비 예측 모델로서 선정할 수 있다. 달리 말해, 머신러닝부(130)는 생성된 위험예측 모델에 복수의 머신러닝 알고리즘 각각을 적용한 학습 결과에 기초하여, 복수의 머신러닝 알고리즘 중 정확도가 가장 높은 머신러닝 알고리즘이 적용된 정비 예측 모델을 신규 데이터에 대한 장비의 고장 예측을 위해 선정할 수 있다.

본원의 일 실시예에 따르면, 머신러닝부(130)는 장비의 정비 예측 품목 및 예측 주기를 Random Forest알고리즘에 기반하여, 장비의 정비 예측 모델을 업데이트 할 수 있다. 또한, 머신러닝부(130)는 장비의 정비 예측 일시를 XGBoost알고리즘에 기반하여, 장비의 정비 예측 모델을 업데이트 할 수 있다. 또한, 머신러닝부(130)는 정비 예측 이미지 및 텍스트를 Tensorflow 알고리즘에 기반하여, 정비 예측 학습 이미지 및 정비 예측 학습 텍스트 예측 모델을 업데이트 할 수 있다.

정비 필요성 수치화부 (150)는 정비 예측 모델을 기반으로 장비 또는 장비의 부품들의 정비 필요성을 수치화할 수 있다. 정비 필요성 수치화부(150)는 사용자의 입력에 기반하여 정비 예측 모델을 기반으로 장비 또는 장비의 부품들의 정비 필요성을 수치화할 수 있다. 예시적으로, 정비 필요성 수치화부(150)는 장비 건강상태 모니터링과 연계된 사용자 입력 정보를 수신하는 경우, 정비 예측 모델을 기반으로 장비 또는 장비의 부품들의 수치화된 결과 값을, 장비 건강상태 모니터링과 연계된 정보들을 조합하여 제공할 수 있다.

도 2는 본원의 일 실시예에 따른 장비의 건강상태 모니터링 정보를 그래픽적으로 출력한 결과를 예시적으로 나타낸 도면이다.

예시적으로 도 2를 참조하면, 그래픽 출력 장치(100)는 장비의 건강상태 모니터링 정보를 사용자 단말에 그래픽적으로 제공할 수 있다. 예를 들어, 장비는 T-50 교통 훈련기 일 수 있다. 그래픽 출력 장치(100)는 결함 일자 별로 구분하여 해당 정보를 그래프화하여 사용자 단말에 그래픽적으로 제공할 수 있다. 또한, 그래픽 출력 장치(100)는 기체(Air frame), 비행 제어 계통(Flight Control System), 연료 계통(Fuel System), 조종실 계통(Crew Station System), 터보팬 엔진(Turbo Engine, Power plant System) 작년 대비 결함건수의 장비의 건강상태 정보를 수치화하고, 그에 따른 정보를 사용자가 보기 쉽게 그래픽적으로 제공할 수 있다. 또한, 그래픽 출력 장치(100)는 기체(Air frame), 비행 제어 계통(Flight Control System), 연료 계통(Fuel System), 조종실 계통(Crew Station System), 터보팬 엔진(Turbo Engine, Power plant System)의 계통별 계획 및 비계획 비중을 수치화하고, 수치화된 결과를 그래픽적으로 출력할 수 있다.

도 3은 본원의 일 실시예에 따른 예측정비 의사결정에 기반하여 수치화된 결과를 그래픽적으로 출력한 결과를 예시적으로 나타낸 도면이다.

예시적으로 도 3을 참조하면, 그래픽 출력 장치(100)는 예측정비 의사결정 정보를 사용자 단말에 그래픽적으로 제공할 수 있다. 예를 들어, 장비의 예측정비 의사결정은 부품상태 예측 현황, [주의]부품 정비현황, [경고] 부품 정비현황으로 구분할 수 있다. 일 예로, 제 1 장비에 포함된 제 1부품이 제 2 장비에 포함된 제 1부품일 경우, 그래픽 출력 장치(100)는 제 1 부품을 기준으로 복수의 장비의 정비현황 정보를 수집하고, 장비별 결함 건수를 수치화하여 그래픽적으로 제공할 수 있다. 그래픽 출력 장치(100)는 장비의 결함을 단순결함, 보통결함, 중대결함으로 구분하고, 수치화된 결과를 그래픽적으로 출력할 수 있다.

도 4는 본원의 일 실시예에 따른 전조경고에 기반하여 수치화된 결과를 그래픽 적으로 출력한 결과를 예시적으로 나타낸 도면이다.

예시적으로 도 4를 참조하면, 그래픽 출력 장치(100)는 장비의 이미지를 제공할 수 있다. 상기 장비는 배터리일 수 있다. 그래픽 출력 장치(100)는 장비의 전조경고 정보를 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집한 정보를 제공할 수 있다. 그래픽 출력 장치(100)는 정비 예측 모델을 기반으로 장비 또는 장비의 부품들의 정비 필요성을 수치화할 수 있다. 그래픽 출력 장치(100)는 복수의 알고리즘을 기반으로 예측된 정비 예측 모델을 수치화하고, 복수의 알고리즘의 수치화 값을 그래프화하여 제공할 수 있다.

도 5는 본원의 일 실시예에 따른 결함 및 정비 이력에 기반하여 수치화된 결과를 그래픽 적으로 출력한 결과를 예시적으로 나타낸 도면이다.

예시적으로 도 5를 참조하면, 그래픽 출력 장치(100)는 장비 각각의 호기별 전년대비 결함건수를 수치화하여 제공할 수 있다. 또한, 그래픽 출력 장치(100)는 장비의 결함을 일자 별로 구분하여 결함 정도를 그래프화하여 제공할 수 있다. 또한, 그래픽 출력 장치(100)는 장비의 결함건수 대비 작업인 시수의 정보를 도포형식으로 그래픽화하여 제공할 수 있다. 또한, 그래픽 출력 장치(100)는 결함분류별 비중을 기체, 조종실 계통, 연료 계통, 터보팬 엔진, 비행제어 계통으로 분류하여 결함 및 정비 이력에 기반하여 수치화된 결과를 그래픽적으로 제공할 수 있다.

본원의 일 실시예에 따르면, 그래픽 출력 장치(100)는 결함 및 정비 이력으로 분류된 항목에 해당하는 정보들을 사용자 입력에 기반하여 선택된 항목으로 생성하여 제공할 수 있다. 예를 들어, 사용자가 결함 및 정비 이력에 해당하는 항목들을 결함 품목, 결함 주기, 결함 예측 일시, 결함 예측 학습 이미지로 선택한 경우, 그래픽 출력 장치(100)는 사용자 입력에 기반하여, 결함 및 정비 이력에 해당하는 항목들을 수치화하고 해당 수치화된 결과를 그래픽적으로 출력할 수 있다.

또한, 본원의 일 실시예에 따르면, 그래픽 출력 장치(100)는 사용자의 입력에 기반하여 수치화된 정보를 다양한 형태의 그래픽으로 제공할 수 있다. 예를 들어, 그래픽 출력 장치(100)는 결함 주기에 해당하는 항목을 세로 막대형 차트와 연계된 사용자의 입력을 수신할 경우, 그래픽 출력 장치(100)는 결함 주기에 해당하는 정보를 세로 막대형 차트 형태로 출력할 수 있다. 또한, 그래픽 출력 장치(100)는 정비 예측 일시에 해당하는 정보를 분산형으로 차트화하여 출력하고자 하는 사용자의 입력을 수신할 경우, 그래픽 출력 장치(100)는 정비 예측 일시에 해당하는 정보를 분산형으로 차트화 형태로 그래픽화하여 출력할 수 있다.

상술한 설명에서, 단계 S601 내지 S605는 본원의 구현 예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.

도 6은 본원의 일 실시예에 따른 장비의 상태 및 장비의 정비 필요성에 대한 정보를 그래픽적으로 출력하는 방법을 개략적으로 나타낸 흐름도이다.

도 6에 도시된 장비의 상태 및 장비의 정비 필요성에 대한 정보를 그래픽적으로 출력하는 방법은 앞서 설명된 그래픽 출력 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 그래픽 출력 장치(100)에 대하여 설명된 내용은 장비의 상태 및 장비의 정비 필요성에 대한 정보를 그래픽적으로 출력하는 방법에 대한 설명에도 동일하게 적용될 수 있다.

도 6을 참조하면, 단계 S601에서 그래픽 출력 장치(100)는 장비의 복수의 부품들 각각에 대한 정비 데이터를 수집할 수 있다. 정비 데이터는 장비의 실시간 센서 결과 데이터, 장비의 고장 및 정비 이력 데이터 및 장비 체계 데이터 중 적어도 하나를 포함할 수 있다. 장비의 실시간 센서 결과 데이터는 장비 내 외부에 구비된 센싱 결과 데이터일 수 있다.

단계 S602에서 그래픽 출력 장치(100)는 정비 데이터를 분석하여 예측에 필요한 변수를 도출할 수 있다. 그래픽 출력 장치(100)는 빅데이터 환경하에서 발생하는 다양한 정형데이터 및 비정형 데이터(예를 들어, 텍스트 데이터 및 이미지) 등의 데이터를 수집하고, 상기 데이터를 필요한 변수만을 도출하여, 머신러닝 기반으로 장비의 고장을 예측할 수 있다.

단계 S603에서 그래픽 출력 장치(100)는 정비 데이터 및 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 상기 장비의 정비 예측 모델을 업데이트 할 수 있다. 그래픽 출력 장치(100)는 머신러닝 학습 결과에 기초하여 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 정비 예측 모델을 장비의 정비 예측 모델로서 선정할 수 있다.

단계 S604에서 그래픽 출력 장치(100)는 정비 예측 모델을 기반으로 장비 또는 장비의 부품들의 정비 필요성을 수치화할 수 있다. 정비 필요성을 수치화하는 것은, 장비의 정비 상태를 시각적으로 보기 쉽게 변환하는 것일 수 있다.

단계 S605에서 그래픽 출력 장치(100)는 정비 데이터를 기반으로 장비의 상태 모니터링 정보를 그래픽적으로 출력할 수 있다. 또한, 그래픽 출력 장치(100)는 장비에 관한 사용자 입력에 기초하여 수치화된 결과를 그래픽적으로 출력할 수 있다.

전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결함 된 형태로 실시될 수 있다.

본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.

100: 그래픽 출력 장치
110: 데이터 수집부
120: 그래픽 출력부
130: 데이터 전처리부
140: 머신러닝부
150: 정비 필요성 수치화부

Claims

장비의 상태 및 상기 장비의 정비 필요성에 대한 정보를 그래픽적으로 출력하는 장치에 있어서,
항공기, 우주 탐사선, 원자력 및 풍력발전기를 포함하는 극한 하중하에서 높은 신뢰도가 요구하는 장비를 포함하는 장비의 복수의 부품들 각각에 대한 실시간 센서 결과 데이터, 고장 및 정비 이력 데이터, 장비 체계 데이터를 포함하는 정비 데이터를 수집하는 데이터 수집부;
상기 정비 데이터를 기반으로 상기 장비의 상태 모니터링 정보를 그래픽적으로 출력하는 그래픽 출력부;
상기 정비 데이터를 정규화하고, 정규화된 정비 데이터를 분석하여 예측에 필요한 변수를 도출하는 데이터 전처리부;
학습 결과에 기초하여 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 정비 예측 모델을 상기 장비의 정비 예측 모델로서 선정하고, 상기 정비 데이터 및 상기 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 상기 장비의 정비 예측 모델을 업데이트 하는 머신러닝부; 및
상기 정비 예측 모델을 기반으로 상기 장비 또는 상기 장비의 부품들의 정비 필요성을 수치화하는 정비 필요성 수치화부;
를 포함하되,
상기 머신러닝부는,
상기 장비의 정비 예측 품목 및 예측 주기를 Random Forest 알고리즘에 기반하여 상기 장비의 정비 예측모델을 업데이트하고, 상기 장비의 정비 예측 일시를 XGBoost 알고리즘에 기반하여 상기 장비의 정비 예측모델을 업데이트하고, 정비 예측 이미지 및 텍스트를 Tensorflow 알고리즘에 기반하여 상기 장비의 정비 예측모델을 업데이트하고,
상기 그래픽 출력부는 상기 장비에 관한 장비 건강상태 모니터링, 예측정비 의사결정, 전조경고, 결함 및 정비이력 중 사용자 입력에 기초하여 상기 수치화된 결과를 그래픽적으로 출력하고,
상기 장비의 건강상태 모니터링의 수치화된 결과를 그래픽적으로 출력할 경우, 상기 장비의 결함을 일자별로 구분된 정보를 영역형의 차트로 그래프화하여 제공하고, 작년 대비 결함건수의 장비의 건강상태 정보를 상기 장비와 연관된 이미지를 이용하여 수치화된 결과를 그래픽적으로 제공하고, 계통별 계획 및 비계획 비중에 대응하는 수치화한 결과를 원형 차트를 이용하여 그래픽적으로 제공하며,
상기 예측정비 의사결정의 수치화된 결과를 그래픽적으로 출력할 경우, 부품상태 예측 현황, 주의 부품 정비 현황, 경고 부품 정비 현황으로 구분되어 상기 수치화된 결과를 원형차트로 제공하고, 수집된 제1 장비 및 제2 장비에 포함된 제1 부품과 관련된 복수의 장비의 정비 현황 정보를 수치화하여 제공하고, 상기 장비의 결함을 단순결함, 보통결함, 중대결함으로 구분하여 막대형 차트를 이용하여 그래픽적으로 제공하고,
상기 전조경고에 기반하여 수치화된 결과를 그래픽적으로 출력할 경우, 상기 장비의 이미지를 제공하고, 수집된 상기 장비의 복수의 부품들의 정비 데이터 정보를 상기 장비의 특성에 대응하여 수치화된 결과를 그래픽적으로 제공하고,
상기 결함 및 정비이력의 수치화된 결과를 그래픽적으로 출력할 경우, 상기 장비의 결함을 일자별로 구분된 정보를 영역형의 차트로 그래프화하여 제공하고, 상기 장비의 결함건수 대비 작업인 시수의 정보를 도포형식으로 그래픽화하여 제공하고, 결함분류별 비중을 복수의 항목으로 분류하여 수치화된 결과를 제공하는 것인, 그래픽 출력 장치.
제 1 항에 있어서,
상기 정비 필요성 수치화부는
예측정비 의사결정과 연관된 사용자 입력에 기초하여 상기 장비 또는 상기 장비의 부품들의 상기 예측정비 의사결정과 연관된 데이터를 수치화하되,
상기 그래픽 출력부는, 상기 예측정비 의사결정 데이터의 수치화된 결과를 그래픽적으로 출력하는 것인, 그래픽 출력 장치.
제 1 항에 있어서,
상기 정비 필요성 수치화부는,
전조경고와 연관된 사용자 입력에 기초하여 상기 장비 또는 상기 장비의 부품들의 상기 전조경고와 연관된 데이터를 수치화하되,
상기 그래픽 출력부는 상기 장비에 관한 상기 전조경고의 수치화된 결과를 그래픽적으로 출력하는 것인, 그래픽 출력 장치.
제 1 항에 있어서,
상기 정비 필요성 수치화부는,
상기 장비 또는 상기 장비의 결함 및 이력 정보와 연관된 사용자 입력에 기초하여 상기 장비 또는 상기 장비의 결함 및 이력 정보를 수치화하되,
상기 그래픽 출력부는 상기 장비의 결함 및 이력 정보를 그래픽적으로 출력하는 것인, 그래픽 출력 장치.
삭제
삭제
그래픽 출력 장치가 장비의 상태 및 상기 장비의 정비 필요성에 대한 정보를 그래픽적으로 출력하는 방법에 있어서,
항공기, 우주 탐사선, 원자력 및 풍력발전기를 포함하는 극한 하중하에서 높은 신뢰도가 요구하는 장비를 포함하는 장비의 복수의 부품들 각각에 대한 실시간 센서 결과 데이터, 고장 및 정비 이력 데이터, 장비 체계 데이터를 포함하는 정비 데이터를 수집하는 단계;
상기 정비 데이터를 정규화하는 단계;
상기 정비 데이터를 분석하여 예측에 필요한 변수를 도출하는 단계;
학습 결과에 기초하여 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 정비 예측 모델을 상기 장비의 예측 모델로서 선정하는 단계;
상기 정비 데이터 및 상기 변수 중 적어도 하나 이상을 이용하여 머신러닝을 통해 상기 장비의 정비 예측 모델을 업데이트하는 단계;
상기 정비 예측 모델을 기반으로 상기 장비 또는 상기 장비의 부품들의 정비 필요성을 수치화하는 단계; 및
상기 정비 데이터를 기반으로 상기 장비의 상태 모니터링 정보를 그래픽적으로 출력하는 단계;
를 포함하되,
상기 장비의 정비 예측 모델을 업데이트하는 단계는,
상기 장비의 정비 예측 품목 및 예측 주기를 Random Forest 알고리즘에 기반하여 상기 장비의 정비 예측모델을 업데이트하고, 상기 장비의 정비 예측 일시를 XGBoost 알고리즘에 기반하여 상기 장비의 정비 예측모델을 업데이트하고, 정비 예측 이미지 및 텍스트를 Tensorflow 알고리즘에 기반하여 상기 장비의 정비 예측모델을 업데이트하고,
상기 그래픽적으로 출력하는 단계는,
상기 장비에 관한 장비 건강상태 모니터링, 예측정비 의사결정, 전조경고, 결함 및 정비이력 중 사용자 입력에 기초하여 상기 수치화된 결과를 그래픽적으로 출력하고,
상기 장비의 건강상태 모니터링의 수치화된 결과를 그래픽적으로 출력할 경우, 상기 장비의 결함을 일자별로 구분된 정보를 영역형의 차트로 그래프화하여 제공하고, 작년 대비 결함건수의 장비의 건강상태 정보를 상기 장비와 연관된 이미지를 이용하여 수치화된 결과를 그래픽적으로 제공하고, 계통별 계획 및 비계획 비중에 대응하는 수치화한 결과를 원형 차트를 이용하여 그래픽적으로 제공하며,
상기 예측정비 의사결정의 수치화된 결과를 그래픽적으로 출력할 경우, 부품상태 예측 현황, 주의 부품 정비 현황, 경고 부품 정비 현황으로 구분되어 상기 수치화된 결과를 원형차트로 제공하고, 수집된 제1 장비 및 제2 장비에 포함된 제1 부품과 관련된 복수의 장비의 정비 현황 정보를 수치화하여 제공하고, 상기 장비의 결함을 단순결함, 보통결함, 중대결함으로 구분하여 막대형 차트를 이용하여 그래픽적으로 제공하고,
상기 전조경고에 기반하여 수치화된 결과를 그래픽 적으로 출력할 경우, 상기 장비의 이미지를 제공하고, 수집된 상기 장비의 복수의 부품들의 정비 데이터 정보를 수치화하여 제공하고,
상기 결함 및 정비이력의 수치화된 결과를 그래픽적으로 출력할 경우, 상기 장비의 결함을 일자별로 구분된 정보를 영역형의 차트로 그래프화하여 제공하고, 상기 장비의 결함건수 대비 작업인 시수의 정보를 도포형식으로 그래픽화하여 제공하고, 결함분류별 비중을 복수의 항목으로 분류하여 수치화된 결과를 제공하는 것인, 그래픽 출력 방법.
제 7 항에 있어서,
상기 그래픽적으로 출력하는 단계는,
예측정비 의사결정과 연관된 사용자 입력 정보를 수신하는 단계;
상기 장비 또는 상기 장비의 부품들의 상기 예측정비 의사결정과 연관된 데이터를 수치화하는 단계; 및
상기 예측정비 의사결정과 연관된 데이터를 그래픽적으로 출력하는 단계를
포함하는 것인, 그래픽 출력 방법.
제 7 항에 있어서,
상기 그래픽적으로 출력하는 단계는,
전조경고와 연관된 사용자 입력 정보를 수신하는 단계;
상기 장비 또는 상기 장비의 부품들의 상기 전조경고와 연관된 데이터를 수치화하는 단계; 및
상기 전조경고와 연관된 데이터를 그래픽적으로 출력하는 단계;
를 포함하는 것인, 그래픽 출력 방법.
제 7 항에 있어서,
상기 그래픽적으로 출력하는 단계는,
장비의 결함 및 이력 정보와 연관된 사용자 입력 정보를 수신하는 단계;
상기 장비 또는 상기 장비의 결함 및 이력 정보와 연관된 데이터를 수치화하는 단계; 및
상기 장비의 결함 및 이력 정보를 그래픽적으로 출력하는 단계;
를 포함하는 것인, 그래픽 출력 방법.
삭제