KR102174722B1 - 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템 - Google Patents
현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템 Download PDFInfo
- Publication number
- KR102174722B1 KR102174722B1 KR1020200069392A KR20200069392A KR102174722B1 KR 102174722 B1 KR102174722 B1 KR 102174722B1 KR 1020200069392 A KR1020200069392 A KR 1020200069392A KR 20200069392 A KR20200069392 A KR 20200069392A KR 102174722 B1 KR102174722 B1 KR 102174722B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- similar
- learning
- operation period
- field
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 정수장이나 하수처리장과 같은 현장에 모터나 펌프와 같은 기계장치를 신규로 설치할 때 현장의 모터나 펌프에서 수집되는 소음 데이터는 절대적으로 부족할 수 밖에 없기 때문에 모터나 펌프를 설치 후 시범 운영기간(t0)과 시범 운영기간 종료 후 정상 운영기간(t1) 동안 수집되는 소음 데이터에 대한 처리 및 학습 방법을 달리 적용하여 빅데이터를 확보하고, 이를 이용하여 모터 및 펌프와 같은 현장 기계장치의 고장 예측 성능을 향상시킬 수 있는 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템에 관한 것이다.
Description
본 발명은 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템에 관한 것으로, 보다 상세하게는 중앙관리서버 내부에 현장 제어반 컴퓨터를 가상으로 생성하고 원격지의 시설물에서 수신되는 소음의 패턴을 학습하여 고장을 예측하는 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템에 관한 것이다.
종래 원격지 시설물의 관리자는 중앙관리서버를 통해 정수장, 댐, 하수처리장 등과 같이 현장 또는 원격지에 산재해있는 현장의 시설물과 원격으로 통신하여 시설물의 유량, 유압, 수질, 전압, 전류, 경보(Alarm) 등 다양한 상태정보를 수집 및 감시하고, 현장의 시설물을 제어하고 있다.
도 1은 종래 발명에 따라 중앙관리서버와 현장 제어반의 컴퓨터를 이용한 원격 감시 제어 시스템의 구성도이다. 도 1을 참조하면, 정수장을 감시하고 제어하기 위한 원격 감시 제어 시스템의 구성을 볼 수 있다.
정수장에는 도수관로, 착수정 및 혼화지, 응집 및 침전지, 여과지, 정수장, 송수장 및 배수지 등과 같은 처리시설들이 있다. 각 처리시설들은 현장 제어반과 연결되어 있다.
현장 제어반(5, 6, 7)의 내부에는 PLC제어반(4) 및 중앙관리서버(10)와 통신을 수행하는 컴퓨터(1, 2, 3)가 각각 설치되어 있다. 컴퓨터(1)가 PLC제어반(4)을 통해 수신한 유량, 유압 및 수질 등의 다양한 상태정보는 컴퓨터(1) 내부에 저장 및 통신망을 통해 중앙 관리실에 있는 중앙관리서버(10)로 전송되어 중앙 관리자는 현장의 착수정 및 혼화지를 포함한 정수장 시설물에 대한 감시 및 제어가 가능하게 된다.
도 1의 종래 원격 감시 제어 시스템에 의하면, 현장 제어반(5, 6, 7)에서 현장 시설물의 제어를 위한 관리 포인트가 많거나, 로컬(Local) 감시가 필요한 경우는 현장 제어반(5, 6, 7) 내에 컴퓨터(1, 2, 3)가 설치된다. 이 경우 컴퓨터(1, 2, 3)에 문제가 발생하면 현장 제어반(5, 6, 7)의 컴퓨터(1, 2, 3)와 중앙관리서버(10)가 통신을 수행해야 하는 경우, 통신문제가 발생하여 원격지 시설물에 대한 감시 및 제어에 심각한 문제가 발생할 수 있다.
또한, 로컬 관리자는 착수정 및 혼화지의 로컬 상태를 확인하기 위해 직접 현장으로 가서 현장 제어반(5)에 설치된 컴퓨터(1)를 이용하여 착수정 및 혼화지의 유량, 유압, 수질 등에 대한 상태정보를 감시해야 하기 때문에 상당히 번거로운 문제가 있다.
또한, 감시 및 제어가 필요한 원격지의 시설물이 추가될 때마다 현장 제어반에 컴퓨터를 별도로 설치해야 하며, 중앙관리서버(10)에서는 중앙관리자가 툴(tool)를 이용하여 감시 및 제어하고자 하는 원격지의 시설물을 위한 별도의 감시화면을 제작하여야 하므로 시간이 많이 소요되는 문제가 있다.
이와 같은 종래 기술의 문제를 해결하기 위해 등록특허 제10-1443557호는 현장 제어반 구성에 해당하는 로컬 컴퓨터를 없애고, 중앙관리서버 내부에 현장 제어반 컴퓨터에 해당하는 가상의 에이전트를 생성함으로써, 감시 및 제어하고자 하는 지역 별로 가상의 에이전트를 이용하여 다중 지역을 감시 및 제어하도록 구성하였다.
도 2를 참고하면, 등록특허 제10-1443557호는 생성되는 가상의 에이전트 개수에 따라 원격지 시설물의 제어포인트(Tag) 관리 개수를 얼마든지 확장이 가능하여, 종래의 현장 제어반(5)에 로컬 컴퓨터를 구성하는 방식에 비하여 훨씬 많은 제어포인트를 감시 및 제어할 수가 있으며, 로컬 관리자는 스마트폰(9)이나 태블릿 PC(8)로 중앙관리서버(100) 내부에 포함된 웹서버 모듈이 제공하는 웹 페이지에 접속함으로써 가상의 에이전트에 의해 제공되는 감시화면을 통해 원격지 시설물을 감시 및 제어할 수 있다.
그러나 등록특허 제10-1443557호는 중앙관리서버(100)가 현장 시설물로부터 유량, 유압, 수질, 전압, 전류, 경보(Alarm) 등 다양한 상태정보를 수집하면, 관리자가 수집된 정보를 토대로 현장 시설물의 문제점을 확인하고, 조치를 취할 수 밖에 없기 때문에 현장 시설물의 상태를 진단하여 문제가 발생하기 전에 이를 미리 예측하고 조치를 취하기에는 구조적으로 어려운 문제를 가지고 있다.
본 발명은 상기의 종래 기술의 문제를 해결하기 위한 것으로, 중앙관리서버 내부에 현장 제어반 컴퓨터에 해당하는 가상의 에이전트를 생성하고, 각 가상의 에이전트가 관리하는 현장의 기계장치로부터 수신되는 소음 정보를 기계학습(Machine learning)하여 기계장치의 고장을 예측할 수 있는 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템을 제공하고자 함에 발명의 목적이 있다.
본 발명은 정수장이나 하수처리장과 같은 현장에 모터나 펌프와 같은 기계장치를 신규로 설치할 때 현장의 모터나 펌프에서 수집되는 소음 데이터는 절대적으로 부족할 수 밖에 없기 때문에 모터나 펌프를 설치 후 시범 운영기간(t0)과 시범 운영기간 종료 후 정상 운영기간(t1) 동안 수집되는 소음 데이터에 대한 처리 및 학습 방법을 달리 적용하여 빅데이터를 확보하고, 이를 이용하여 모터 및 펌프와 같은 현장 기계장치의 고장 예측 성능을 향상시킬 수 있는 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템을 제공하고자 함에 발명의 목적이 있다.
상기 목적을 달성하기 위한 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템은, 현장의 기계장치로부터 수집되는 소음 데이터가 부족한 문제를 해결하기 위해 시범 운영기간(t0)과 시범 운영기간 종료 후 정상 운영기간(t1) 동안 수집되는 소음 데이터에 대한 처리 및 학습 방법을 달리 적용하여 빅데이터를 확보하고, 이를 이용하여 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템으로서, 현장의 기계장치로부터 수신한 소음을 기계학습(Machine learning)하여 고장을 예측하는 가상의 에이전트를 하나 이상 생성하는 에이전트 생성부; 상기 가상의 에이전트가 시범 운영기간(t0)과 시범 운영기간 종료 후 정상 운영기간(t1) 동안 현장의 기계장치로부터 입력되는 소음 데이터를 수집하는 데이터 수집부; 시범 운영기간(t0) 동안 입력되는 소음 데이터를 증폭시키는 데이터 증폭부; 상기 데이터 증폭부를 통해 증폭된 데이터에 대해 비지도학습(Unsupervised Learning) 기반의 알고리즘을 적용하여 이상 징후를 탐지하고, 이를 통해 해당 데이터가 정상 데이터인지, 비정상 데이터인지를 판별하는 시범 운영기간 이상징후 감지부; 및 상기 시범 운영기간 이상징후 감지부에서 정상 또는 비정상으로 판별된 데이터를 전달 받아 지도학습(Supervised Learning) 기반의 알고리즘에 적용하여 학습시키고, 상기 데이터 수집부에서 정상 운영기간(t1) 동안 수집된 데이터를 상기 학습된 지도학습 기반의 알고리즘에 적용하여 정상 데이터인지, 비정상 데이터인지를 판별하는 정상 운영기간 고장 예측부를 포함한다.
또한, 외부 기관으로부터 수집하여 저장하거나, 인터넷 상에 공개된 유사한 장치들로부터 수집된 데이터를 유사 데이터 DB에 저장하는 유사 데이터 저장부; 및 상기 유사 데이터 DB에 저장된 데이터를 활용하여 유사 학습모델을 생성하고 전이(Transfer Learning)하여 상기 지도학습(Supervised Learning)모델로 사용되도록 하는 학습모델 전이부를 더 포함하는 것을 특징으로 한다.
상기 학습모델 전이부는 상기 유사학습모델의 하위층(Lower Layer) 일부분을 전이(Transfer Learning)하여 재사용하도록 하고, 최종 분류기 층(Classifier Layer)은 학습시킴으로써 지도학습(Supervised Learning) 모델을 생성하는 것을 특징으로 한다.
상기 유사 데이터 저장부는 수집된 데이터를 장치의 종류 및 무게별로 구분하여 유사 데이터 DB에 저장하고, 상기 학습모델 전이부는 상기 현장의 기계장치와 종류 및 무게가 유사한 장치를 상기 유사 데이터 DB에서 검색하고, 검색된 장치의 데이터를 활용하여 유사학습모델을 생성하고 전이하여 지도학습모델로 사용되도록 하는 것을 특징으로 한다.
상기 유사 데이터 DB에서 기 설정된 기준에 따라 비교하여 상기 현장의 기계장치와 종류 및 무게가 정량적으로 유사한 장치의 데이터를 검색하는 유사 장치 검색부를 더 포함하고, 상기 학습모델 전이부는 상기 유사 장치 검색부에서 검색한 장치의 데이터를 활용하여 유사학습모델을 생성하고 전이하여 지도학습모델로 사용되도록 하는 것을 특징으로 한다.
상기 데이터 수집부에서 정상 운영기간(t1) 동안 수집된 데이터를 상기 지도학습 기반의 알고리즘에 적용하여 정상 데이터인지, 비정상 데이터인지를 판별한 후 이를 다시 지도학습 기반의 알고리즘에 훈련 데이터로 사용하도록 제공하는 판별 데이터 증분 학습부를 더 포함하는 것을 특징으로 한다.
본 발명에 따른 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템에 의하면, 시범운영 기간 중에 수집하는 데이터와 실제 정상 가동 기간 중에 수집한 데이터를 구별하여 활용하고, 각 기간 중 수집되는 데이터에 대해 데이터 증폭, 비지도학습(Unsupervised Learning)을 통한 이상 감지, 지도학습(Supervised Learning)을 통한 고장 예측, 전이학습, 증분학습 알고리즘을 기능적으로 통합하여 사용함으로써, 기계 제조 분야에서 분석을 위한 데이터 부족의 문제를 해결함은 물론 단기간에 빅데이터의 확보와 이를 통한 고장 예측 성능을 개선할 수 있고, 설비 운영비용을 절감할 수 있다.
결국, 기계학습에 소요되는 시간을 대폭 줄일 수가 있어 작업효율을 개선할 수가 있을 뿐만 아니라, 정수장이나 하수처리장과 같은 현장의 모터 및 펌프의 고장 패턴을 정확하게 예측할 수가 있다.
도 1은 종래 발명에 따라 중앙관리서버와 현장 제어반의 컴퓨터를 이용한 원격 감시 제어 시스템의 구성도
도 2는 종래 발명에 따라 가상의 에이전트를 통한 원격 계장 계측 감시 제어 시스템이 적용된 구성도
도 3은 본 발명에 따른 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템이 동작하는 순서를 나타낸 순서도
도 4는 본 발명에 따른 시스템에서 감지되는 아웃라이어 데이터의 예시도
도 5는 본 발명에 따른 시스템에서 이상징후 데이터를 구별하는 예시도
도 6은 본 발명에 따른 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템의 블록도
도 7은 본 발명에 따라 계장제어시스템에 생성되어 현장 기계장치의 고장을 예측하는 가상의 에이전트의 블록도
도 8은 본 발명에 따라 유사한 장치들로부터 수집된 데이터를 활용하여 유사학습모델을 생성한 후 전이하여 지도학습모델에서 사용하는 모습을 나타낸 개념도
도 2는 종래 발명에 따라 가상의 에이전트를 통한 원격 계장 계측 감시 제어 시스템이 적용된 구성도
도 3은 본 발명에 따른 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템이 동작하는 순서를 나타낸 순서도
도 4는 본 발명에 따른 시스템에서 감지되는 아웃라이어 데이터의 예시도
도 5는 본 발명에 따른 시스템에서 이상징후 데이터를 구별하는 예시도
도 6은 본 발명에 따른 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템의 블록도
도 7은 본 발명에 따라 계장제어시스템에 생성되어 현장 기계장치의 고장을 예측하는 가상의 에이전트의 블록도
도 8은 본 발명에 따라 유사한 장치들로부터 수집된 데이터를 활용하여 유사학습모델을 생성한 후 전이하여 지도학습모델에서 사용하는 모습을 나타낸 개념도
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시 예를 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 개시되는 실시 예로 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다.
본 명세서에서 본 실시 예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다.
그리고 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
따라서, 몇몇 실시 예에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.
또한, 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭하고, 본 명세서에서 사용된(언급된) 용어들은 실시 예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함하며, '포함(또는, 구비)한다'로 언급된 구성 요소 및 동작은 하나 이상의 다른 구성요소 및 동작의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다.
또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참고로 본 발명의 바람직한 실시 예에 대하여 설명한다.
도 3 내지 도 8을 참조하면, 현장의 기계장치(M)로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템(200)은 각 가상의 에이전트(210a, 210b, 210c)가 관리 및 감시하는 원격지 현장의 모터 및 펌프와 같은 기계장치(M)의 소음 정보를 수신하여 이를 기반으로 고장을 예측하는 것으로서, 각 가상의 에이전트(210a, 210b, 210c)는 프로세스(process) 형태로 생성되어 각자 독자적으로 기능을 수행한다.
도 6에서는 제1 가상의 에이전트(210a), 제2 가상의 에이전트(210b), 제3 가상의 에이전트(210c) 세 개만 도시하였으나, 모니터링 해야 할 원격지 시설물(기계장치)의 개수에 따라 추가 생성이 가능하며, 중앙관리서버에 해당하는 계장제어시스템(200)의 CPU 및 메모리의 성능에 따라 충분한 생성이 가능하다.
본 발명은 현장의 기계장치(M)로부터 수집되는 소음 데이터가 부족한 문제를 해결하기 위해 시범 운영기간(t0)과 시범 운영기간 종료 후 정상 운영기간(t1) 동안 수집되는 소음 데이터에 대한 처리 및 학습 방법을 달리 적용하여 빅데이터를 확보하고, 이를 이용하여 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측한다.
제1 가상의 에이전트(210a)는 계장제어시스템(200)에 의해 생성되고, LAN 및 기타 통신망을 통해 원격지의 현장 제어반(5)에 구성된 PLC제어반(4)과 통신을 수행하여, 모터 및 펌프 등과 같은 기계장치(M)를 감시하고, 고장을 예측한다. 본 발명의 가상의 에이전트(210)가 소음을 기계학습하여 고장을 예측하는 기계장치(M)는 어느 하나의 현장에 있는 모터 및 펌프 모두가 해당할 수도 있고, 모터 또는 펌프 각각이 해당할 수도 있다.
현장의 기계장치로부터 수신한 소음을 기계학습(Machine Learning)하여 고장을 예측하는 계장제어시스템(200)은 에이전트 생성부(201), 에이전트 관리부(202) 및 저장부(203)를 포함한다.
가상의 에이전트(210)는 데이터 수집부(211), 데이터 증폭부(212), 시범 운영기간 이상징후 감지부(213) 및 정상 운영기간 고장 예측부(214)를 포함하며, 유사 데이터 저장부(215), 학습모델 전이부(216), 유사 장치 검색부(217) 및 판별 데이터 증분 학습부(218)를 더 포함할 수 있다.
에이전트 생성부(201)는 원격지 현장의 기계장치로부터 수신한 소음을 기계학습(Machine learning)하여 고장을 예측하는 가상의 에이전트(210)를 하나 이상 생성한다. 또한, 에이전트 생성부(201)는 원격지의 기계장치에 연결되는 현장 제어반(5)의 PLC제어반(4)과의 통신환경정보를 포함시켜 가상의 에이전트(210)를 생성한다.
통신환경정보는 가상의 에이전트(210)가 외부와 통신하는 환경을 말하는 것으로, Ethernet, RS232/485, OPC, BACnet 등의 통신프로토콜 정보를 포함한다. 가상의 에이전트(210)는 이러한 통신 프로토콜을 지원하는 통신 드라이버를 통해 현장 제어반(5)의 PLC제어반(4)과 통신을 수행하여 주소 값을 읽어온다. PLC제어반(4)을 구성하는 제품 별 통신 드라이버를 포함하여 구성된다.
도 3 및 도 7을 참고하면, 가상의 에이전트(210)를 구성하는 데이터 수집부(211), 데이터 증폭부(212), 시범 운영기간 이상징후 감지부(213) 및 정상 운영기간 고장 예측부(214), 유사 데이터 저장부(215), 학습모델 전이부(216), 유사 장치 검색부(217) 및 판별 데이터 증분 학습부(218)를 구체적으로 살펴보면 다음과 같다.
데이터 수집부(211)는 시범 운영기간(t0)과 시범 운영기간 종료 후 정상 운영기간(t1) 동안 현장의 모터 및 펌프(M)로부터 입력되는 소음 데이터를 수집한다. 시범 운영기간(t0)은 2~3주 정도가 될 수 있으나 반드시 이에 한정되지 않으며, 정상 운영기간(t1)은 시범 운영기간(t0) 종료 후 실제 현장의 기계장치의 가동을 통해 계속적으로 모터 및 펌프(M)의 소음 데이터가 측정되어 수집되는 기간을 말한다.
시범 운영기간(t0)에 데이터 수집부(211)를 통해 현장의 모터(M)로부터 소음 데이터가 입력되면(S110), 데이터 증폭부(212)는 시범 운영기간(t0) 동안 입력되는 소음 데이터를 증폭시킨다(S120).
데이터 증폭부(212)는 시범 운영기간(t0)이 대체로 단기간이므로 이 시기에 수집되는 데이터 양이 소규모이기 때문에 빅데이터 기법 기반의 이상징후 감지를 위해 수집된 데이터를 증폭시킨다.
본 발명에서 대상으로 하는 소음 데이터의 경우 주로 정상 데이터만으로 구성되는 단일 클래스인 상황을 고려할 때, VAE(Variational Auto Encoder) 알고리즘을 이용하여 수집된 소음 데이터를 증폭한다.
VAE(Variational Auto Encoder)는 입력을 출력으로 복사하는 오토인코더(Auto encoder)의 한 종류로서 평균과 표준편차를 활용하여 잠재공간(latent space)에서 랜덤하게 입력 코드값을 샘플링하고 다시 디코딩(decoding)함으로써, 데이터 유사 복제를 통한 증폭 기능을 수행한다.
시범 운영기간 이상징후 감지부(213)는 데이터 증폭부(212)를 통해 증폭된 데이터에 대해 비지도학습(Unsupervised Learning) 기반의 알고리즘을 적용하여 이상 징후를 탐지하고(S130), 이를 통해 해당 데이터가 정상 데이터인지, 비정상 데이터인지를 판별한다(S160).
도 4를 참고하면, 비정상 데이터는 아웃라이어(outlier)와 같은 데이터를 의미한다. 좌측은 전역적으로 아웃라이어인 경우를 보여주고 있으며, 우측은 지역적으로 아웃라이어인 경우를 보여주고 있다. 오류 데이터(noisy data)는 전처리 과정에서 제거되어야 할 데이터이므로 아웃라이어와 같은 이상치와는 다른 데이터이다.
도 5를 참고하면, 이상징후 데이터의 예를 나타내며, 좌측에서부터 막대상자 그래프(box plot), 히스토그램(histogram), 산포 그래프(scatter plot)에서 보여지는 바와 같이 정상군에 속한 데이터와 많이 떨어져 있음을 알 수 있다.
정상 운영기간 고장 예측부(214)는 시범 운영기간 이상징후 감지부(213)에서 정상 또는 비정상으로 판별된 데이터를 전달 받아 지도학습(Supervised Learning) 기반의 알고리즘에 적용하여 학습시키고(S150), 데이터 수집부(211)에서 정상 운영기간(t1) 동안 수집된 데이터를 상기 학습된 지도학습 기반의 알고리즘에 적용하여(S140) 정상 데이터인지, 비정상 데이터인지를 판별한다(S160).
만약, 정상 운영기간(t1) 동안 여러가지 이유로 모터 및 펌프(M)가 운휴, 정지, 중지 상황에 해당하여 계속적으로 입력되어야 할 소음 데이터가 존재하지 않는 경우(S140) 모터 및 펌프(M)의 소음 이상감지 프로세스를 종료한다.
정상 운영기간 고장 예측부(214)는 데이터 수집부(211)에서 정상 운영기간(t1) 동안 수집된 데이터를 상기 학습된 지도학습 기반의 알고리즘에 적용하여(S140) 정상 데이터인지, 비정상 데이터인지를 판별하고, 이를 토대로 가상의 에이전트(210)가 관리하는 현장의 모터 및 펌프(또는 모터나 펌프)에 대한 고장 예측에 관련된 정보를 수치정보 또는 그래프 형태의 시각정보로 표시하고, 소음 정보의 패턴을 토대로 고장을 예측한다.
유사 데이터 저장부(215)는 외부 기관으로부터 수집하여 저장하거나, 인터넷 상에 공개된 유사한 장치들로부터 수집된 데이터를 유사 데이터 DB에 저장한다.
도 3을 참고하면, 유사 데이터 저장부(215)는 유사 도메인(외부 공공 기관 또는 인터넷)으로부터 유사 데이터를 수집하여 유사 데이터 DB에 저장한다.
시범 운영기간(t0) 중에 수집된 데이터가 소규모인 상황과 정상 운영기간(t1) 중에도 초반에 학습 데이터의 부족으로 인해 계속 수집되는 데이터의 이상징후 감지 여부 판별이 어려운 상황을 고려하여 인터넷 상에 공개된 유사한 장치들로부터 수집된 데이터를 활용하거나, 외부 공공 기관에서 가지고 있는 유사한 장치들에 관한 데이터를 활용하여 학습 모델을 생성하고 전이하여(transfer learning) 지도학습(Supervised Learning) 분류를 위한 모델로 활용한다(S170).
상기의 유사한 장치는 정수장용 모터 및 펌프, 송수장용 모터 및 펌프, 댐용 모터 및 펌프, 하수처리장용 모터 및 펌프, 배수지용 모터 및 펌프 등 다양한 장치들이 포함된다.
학습모델 전이부(216)는 상기의 과정을 통해 유사 데이터 DB에 저장된 데이터를 활용하여 유사 학습모델을 생성하고 전이(Transfer Learning)하여 상기 지도학습(Supervised Learning)모델로 사용되도록 한다(S170). 전이학습(Transfer Learning)을 이용하면 유사 도메인으로부터 학습하고 훈련된 모델을 현재의 지도학습에 적용하여 사용할 수가 있다.
전이학습의 개념을 간단하게 살펴보면, 규모가 매우 큰 딥러닝 모델을 학습시킬 때 처음부터 새로 학습시키는 경우에 학습 속도가 느린 문제가 발생한다. 이러한 경우 기존에 학습된 비슷한 모델이 있을 때 이 모델의 하위층(lower layer)을 가져와 재사용하는 것이 학습 속도를 빠르게 할 수 있을 뿐만 아니라 학습에 필요한 훈련 셋(Training set)도 훨씬 적다.
학습모델 전이부(216)는 상기 유사 학습모델의 하위층(Lower Layer) 일부분을 전이(Transfer Learning)하여 재사용하도록 하고, 최종 분류기 층(Classifier Layer)은 학습시킴으로써 지도학습(Supervised Learning) 모델을 생성한다.
도 8을 참고하면, 현장의 모터 및 펌프(M)가 정수장을 구동하는데 사용된다고 가정할 때, 유사 데이터 DB에 저장된 데이터 중 정수장용 모터 및 펌프(M)에 대한 소음 데이터를 활용하여 유사학습모델을 생성하고, Hidden Layer1과 Hidden Layer2를 전이하여 지도학습모델에서 재사용하도록 하고, 최종 분류기 층인 Hidden Layer3 만을 추가로 학습시킴으로써 지도학습모델을 생성하는 것을 나타내고 있다. Hidden Layer1과 Hidden Layer2는 전이하여 사용하기 때문에 가중치를 고정한다. 만약 유사 데이터 DB에 저장된 데이터 중 정수장용 모터 및 펌프에 대한 소음 데이터가 없는 경우는 가장 유사한 송수장용 모터 및 펌프나 하수처리장용 모터 및 펌프에 대한 소음 데이터를 활용할 수 있다.
이와 같이, 전이학습(Transfer Learning)을 함으로써, 처음부터 새롭게 학습하는 경우에 비해 학습의 속도가 빨라지거나 최종 모델의 성능이 높아지는 효과를 가져올 수 있다.
이때, 유사 데이터 저장부(215)는 수집된 데이터를 장치의 종류 및 무게별로 구분하여 유사 데이터 DB에 저장한다. 상기에서 살펴본 바와 같이 장치의 종류(정수장용 모터 및 펌프, 송수장용 모터 및 펌프, 댐용 모터 및 펌프, 하수처리장용 모터 및 펌프, 배수지용 모터 및 펌프 등)와 무게(800kg, 1ton, 1.5ton 등)별로 구분하여 유사 데이터 DB에 저장한다.
학습모델 전이부(216)는 시범 운영기간(t0) 중에 수집된 데이터가 소규모인 상황과 시범 운영기간 종료 후 정상 운영기간(t1) 중에도 초반에 학습 데이터의 부족으로 인해 계속 수집되는 데이터의 이상징후 감지여부 판별이 어려운 상황을 고려하여 상기 현장의 모터(M)와 종류 및 무게가 유사한 장치를 유사 데이터 DB에서 검색하고, 검색된 장치의 데이터를 활용하여 유사학습모델을 생성하고 전이하여 지도학습모델로 사용되도록 한다.
현장의 모터(M)가 정수장에서 사용되는 모터라고 가정하면, 유사 데이터 DB에서 정수장용 모터에 대한 소음 데이터를 검색한 다음, 무게가 가장 근사한 데이터를 찾아서 유사학습모델을 생성하고 전이하여 사용할 것이다. 그러나, 정수장용 모터에 대한 데이터가 없는 경우는 송수장용 모터를 검색하고, 그래도 없는 경우는 하수처리장용 모터에 대한 데이터를 검색할 것이다.
유사 장치 검색부(217)는 상기 유사 데이터 DB에서 기 설정된 기준에 따라 비교하여 상기 현장의 모터와 종류 및 무게가 정량적으로 유사한 장치의 데이터를 검색한다. 기 설정된 기준은 다음과 같다. 정수장에서 사용되는 모터인 경우 비교 우선순위는 작업장의 종류이다. 예를 들어, 정수장인지, 송수장인지, 하수처리장인지, 배수지인지, 댐인지 등이 우선이다.
다시 말해서, 유사 데이터 DB에서 정수장 모터에 대한 소음 데이터를 먼저 검색하고, 그 다음 무게를 검색한다. 정수장 모터에 대한 소음 데이터가 있고, 무게가 현장의 모터(M)와 15% 이하로 차이가 나는 경우는 해당 데이터를 선택하여 사용한다. 그러나 정수장 모터에 대한 소음 데이터가 있다고 하더라도 무게가 현장의 모터(M)와 15% 이상 차이가 나는 경우는 정수장 모터에 대한 소음 데이터를 사용하지 않고, 송수장 모터에 대한 소음 데이터나 하수처리장 모터의 소음 데이터 중에서 무게가 15% 이하로 차이가 나는 장치에 대한 데이터를 선택하여 사용하는 방식이다.
즉, 모터(M)가 사용되는 작업장의 종류가 유사한 것이 제일 중요하지만, 모터의 무게가 너무 차이가 나면 유사한 장치의 데이터로 선택하여 사용하기에는 정확도가 떨어지기 때문에 작업장의 종류가 약간 다르더라도 무게를 중요하게 고려하는 것이다.
학습모델 전이부(216)는 유사 장치 검색부(217)에서 검색한 장치의 데이터를 활용하여 유사학습모델을 생성하고 전이하여 지도학습모델로 사용되도록 한다. 이때 유사 장치 검색부(217)는 현장의 모터(M)와 유사 데이터 DB에 저장된 장치의 종류 및 무게에 대한 유사의 정도를 점수화하고, 유사성 점수에 따라 유사학습모델에서 지도학습모델로 전이시키는 Layer의 개수를 다르게 설정할 수 있다. 여기사 유사성 점수는 현장의 모터(M)와 종류 및 무게가 가장 유사한 장치의 점수를 기준으로 할 때를 말한다.
예를 들면, 도 8을 참고할 때 유사성 점수가 70점 이상에 해당하는 정도로 유사도가 높은 경우는 Hidden Layer1과 Hidden Layer2를 전이하여 사용하고, 최종 분류기 층인 Hidden Layer3 만을 추가로 학습시킴으로써 지도학습모델을 생성할 수 있으나, 유사성 점수가 60점 정도에 해당하는 경우는 Hidden Layer1만 전이하여 사용하고, Hidden Layer2 및 Hidden Layer3을 추가로 학습시킴으로써 지도학습모델을 생성할 수 있다. 도 8에서 지도학습모델의 Layer가 3개 인 것은 예로 든 것이며 이보다 훨씬 많은 수의 Layer를 가질 수 있고, 유사성 점수에 따라 전이하여 사용하는 Layer의 개수도 달라질 수 있다.
판별 데이터 증분 학습부(218)는 데이터 수집부(211)에서 정상 운영기간(t1) 동안 수집된 데이터를 지도학습 기반의 알고리즘에 적용하여(S150) 정상 데이터인지, 비정상 데이터인지를 판별한 후(S160) 이를 다시 지도학습 기반의 알고리즘에 훈련 데이터로 사용하도록 제공한다(S180). 입력된 데이터가 정상인지, 비정상인지 예측하고 분류가 완료된 정상 데이터, 비정상 데이터를 다시 지도학습모델의 훈련 데이터로 사용하도록 제공함으로써, 학습 데이터의 양적, 질적 강화를 통해 계속 데이터 수집 상황에서 신규 데이터의 판별(또는 예측) 성능을 높일 수가 있다.
도 6을 참고하면, 에이전트 관리부(202)는 각 가상의 에이전트(210)가 관리하는 현장의 기계장치의 가동 주기, 가동 시간 등에 관한 기동정보, 기계장치가 설치된 위치를 나타내는 위치정보, 기계장치의 크기정보, 기계장치의 제작년도, 기계장치가 주위의 기타 다른 시설물들과 연결된 상태 및 통신프로토콜 등 통신종류를 나타내는 연결정보, 기계장치가 설치된 주위 시설물 등의 여건 및 상태를 나타내는 환경정보에 대한 정보를 관리한다.
에이전트 관리부(202)는 각 가상의 에이전트(210)가 관리하는 현장의 기계장치에 대한 정보를 토대로 가상의 에이전트가 관리하는 기계장치에 대한 정량 점수를 측정하여 관리한다.
예를 들어, 각 가상의 에이전트 별로 현장의 기계장치에 대한 기계장치의 가동 주기, 가동 시간을 나타내는 기동정보를 가동 주기 및 가동 시간의 많고 적음에 따라 10 등급으로 나누어 해당하는 등급에 대한 점수를 부여하고, 기계장치의 크기에 따라 10 등급으로 나누어 해당하는 등급에 대한 점수를 부여하고, 기계장치의 제작년도가 얼마나 됐는지에 따라 10등급으로 나누어 해당하는 등급에 대한 점수를 부여하고, 기계장치가 주위의 기타 다른 시설물들과 연결된 상태의 복잡도 정도에 따라 10등급으로 나누어 해당하는 등급에 대한 점수를 부여할 수 있다. 각 부여된 점수를 합산하여 평균을 구하면 각 가상의 에이전트가 관리하는 기계장치에 대한 정보를 정량화 할 수가 있다. 여기서 10등급은 예로 든 것일뿐 반드시 이에 한정되는 것은 아니다.
기계장치가 설치된 위치를 나타내는 위치정보는 관리하나, 정량 점수 산정에서 제외할 수 있다. 또한, 기계장치가 설치된 주위 시설물 등의 여건 및 상태를 나타내는 환경정보도 관리는 하나 정량 점수 산정에서 제외할 수 있다.
상기와 같은 본 발명의 구성에 의하면, 단기간, 소량의 데이터를 활용하여 현장의 모터 및 펌프와 같은 기계장치의 고장을 예측할 수가 있으며, 데이터의 수집 및 증폭시 기존 시스템 대비 데이터 생성 시간을 단축시킬 수 있으며, 데이터의 이상 징후를 감지하는 비지도학습엔진 및 데이터를 기반으로 고장을 예측하는 지도학습엔진의 성능을 극대화 할 수가 있고, 유사학습모델의 일부를 재사용하여 학습하는 전이학습모델의 성능도 개선할 수가 있어 단기간 내에 기계장치의 고장을 효율적으로 예측하고 진단할 수가 있다.
지금까지 본 발명을 바람직한 실시 예를 참조하여 상세히 설명하였지만, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시할 수 있으므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다.
그리고, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 특정되는 것이며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
200...계장제어시스템
201...에이전트 생성부
202...에이전트 관리부
203...저장부
210...가상의 에이전트
210a...제1 가상의 에이전트
210b...제2 가상의 에이전트
210c...제3 가상의 에이전트
211...데이터 수집부
212...데이터 증폭부
213...시범 운영기간 이상징후 감지부
214...정상 운영기간 고장 예측부
215...유사 데이터 저장부
216...학습모델 전이부
217...유사장치 검색부
218...판별 데이터 증분 학습부
201...에이전트 생성부
202...에이전트 관리부
203...저장부
210...가상의 에이전트
210a...제1 가상의 에이전트
210b...제2 가상의 에이전트
210c...제3 가상의 에이전트
211...데이터 수집부
212...데이터 증폭부
213...시범 운영기간 이상징후 감지부
214...정상 운영기간 고장 예측부
215...유사 데이터 저장부
216...학습모델 전이부
217...유사장치 검색부
218...판별 데이터 증분 학습부
Claims (6)
- 현장의 기계장치로부터 수집되는 소음 데이터가 부족한 문제를 해결하기 위해 시범 운영기간(t0)과 시범 운영기간 종료 후 정상 운영기간(t1) 동안 수집되는 소음 데이터에 대한 처리 및 학습 방법을 달리 적용하여 빅데이터를 확보하고, 이를 이용하여 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템으로서,
현장의 기계장치로부터 수신한 소음을 기계학습(Machine learning)하여 고장을 예측하는 가상의 에이전트를 하나 이상 생성하는 에이전트 생성부;
상기 가상의 에이전트가 시범 운영기간(t0)과 시범 운영기간 종료 후 정상 운영기간(t1) 동안 현장의 기계장치로부터 입력되는 소음 데이터를 수집하는 데이터 수집부;
시범 운영기간(t0) 동안 입력되는 소음 데이터를 증폭시키는 데이터 증폭부;
상기 데이터 증폭부를 통해 증폭된 데이터에 대해 비지도학습(Unsupervised Learning) 기반의 알고리즘을 적용하여 이상 징후를 탐지하고, 이를 통해 해당 데이터가 정상 데이터인지, 비정상 데이터인지를 판별하는 시범 운영기간 이상징후 감지부;
상기 시범 운영기간 이상징후 감지부에서 정상 또는 비정상으로 판별된 데이터를 전달 받아 지도학습(Supervised Learning) 기반의 알고리즘에 적용하여 학습시키고, 상기 데이터 수집부에서 정상 운영기간(t1) 동안 수집된 데이터를 상기 학습된 지도학습 기반의 알고리즘에 적용하여 정상 데이터인지, 비정상 데이터인지를 판별하는 정상 운영기간 고장 예측부;
외부 기관으로부터 수집하여 저장하거나, 인터넷 상에 공개된 유사한 장치들로부터 수집된 데이터를 유사 데이터 DB에 저장하는 유사 데이터 저장부; 및
상기 유사 데이터 DB에 저장된 데이터를 활용하여 유사 학습모델을 생성하고 전이(Transfer Learning)하여 상기 지도학습(Supervised Learning)모델로 사용되도록 하는 학습모델 전이부를 포함하는 것을 특징으로 하는 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템.
- 삭제
- 제1항에 있어서,
상기 학습모델 전이부는 상기 유사학습모델의 하위층(Lower Layer) 일부분을 전이(Transfer Learning)하여 재사용하도록 하고, 최종 분류기 층(Classifier Layer)은 학습시킴으로써 지도학습(Supervised Learning) 모델을 생성하는 것을 특징으로 하는 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템.
- 제1항에 있어서,
상기 유사 데이터 저장부는 수집된 데이터를 장치의 종류 및 무게별로 구분하여 유사 데이터 DB에 저장하고,
상기 학습모델 전이부는 상기 현장의 기계장치와 종류 및 무게가 유사한 장치를 상기 유사 데이터 DB에서 검색하고, 검색된 장치의 데이터를 활용하여 유사학습모델을 생성하고 전이하여 지도학습모델로 사용되도록 하는 것을 특징으로 하는 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템.
- 제4항에 있어서,
상기 유사 데이터 DB에서 기 설정된 기준에 따라 비교하여 상기 현장의 기계장치와 종류 및 무게가 정량적으로 유사한 장치의 데이터를 검색하는 유사 장치 검색부를 더 포함하고,
상기 학습모델 전이부는 상기 유사 장치 검색부에서 검색한 장치의 데이터를 활용하여 유사학습모델을 생성하고 전이하여 지도학습모델로 사용되도록 하는 것을 특징으로 하는 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템.
- 제1항에 있어서,
상기 데이터 수집부에서 정상 운영기간(t1) 동안 수집된 데이터를 상기 지도학습 기반의 알고리즘에 적용하여 정상 데이터인지, 비정상 데이터인지를 판별한 후 이를 다시 지도학습 기반의 알고리즘에 훈련 데이터로 사용하도록 제공하는 판별 데이터 증분 학습부를 더 포함하는 것을 특징으로 하는 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200069392A KR102174722B1 (ko) | 2020-06-09 | 2020-06-09 | 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200069392A KR102174722B1 (ko) | 2020-06-09 | 2020-06-09 | 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102174722B1 true KR102174722B1 (ko) | 2020-11-05 |
Family
ID=73249492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200069392A KR102174722B1 (ko) | 2020-06-09 | 2020-06-09 | 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102174722B1 (ko) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102325991B1 (ko) | 2021-08-04 | 2021-11-15 | 산일전기 주식회사 | 하수 및 폐수처리시설 설비 지능형 자산관리 시스템 및 이를 이용한 운영방법 |
KR20220126011A (ko) * | 2021-03-08 | 2022-09-15 | (주) 아트온 | 도로망 기반의 스마트 폴 통합 제어 시스템 |
KR102471427B1 (ko) | 2021-07-14 | 2022-11-28 | (주)주인정보시스템 | 모터 소음과 열분포 분석을 통한 기계 및 전기적 고장 예측진단 시스템 |
KR102519474B1 (ko) * | 2021-10-29 | 2023-04-10 | (주) 탐진씨앤에스 | 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101443557B1 (ko) * | 2014-02-21 | 2014-09-25 | (주)주인정보시스템 | 가상의 에이전트를 통한 원격 계장 계측 감시 제어 시스템 |
KR20170067519A (ko) * | 2015-12-08 | 2017-06-16 | 두산중공업 주식회사 | 규칙 및 사례 기반 통합 진단 시스템 및 데이터베이스 |
KR20180010634A (ko) * | 2016-07-22 | 2018-01-31 | 현대엘리베이터주식회사 | 엘리베이터의 고장 예측 시스템 |
-
2020
- 2020-06-09 KR KR1020200069392A patent/KR102174722B1/ko active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101443557B1 (ko) * | 2014-02-21 | 2014-09-25 | (주)주인정보시스템 | 가상의 에이전트를 통한 원격 계장 계측 감시 제어 시스템 |
KR20170067519A (ko) * | 2015-12-08 | 2017-06-16 | 두산중공업 주식회사 | 규칙 및 사례 기반 통합 진단 시스템 및 데이터베이스 |
KR20180010634A (ko) * | 2016-07-22 | 2018-01-31 | 현대엘리베이터주식회사 | 엘리베이터의 고장 예측 시스템 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220126011A (ko) * | 2021-03-08 | 2022-09-15 | (주) 아트온 | 도로망 기반의 스마트 폴 통합 제어 시스템 |
KR102534068B1 (ko) * | 2021-03-08 | 2023-05-26 | (주) 아트온 | 도로망 기반의 스마트 폴 통합 제어 시스템 |
KR102471427B1 (ko) | 2021-07-14 | 2022-11-28 | (주)주인정보시스템 | 모터 소음과 열분포 분석을 통한 기계 및 전기적 고장 예측진단 시스템 |
KR102325991B1 (ko) | 2021-08-04 | 2021-11-15 | 산일전기 주식회사 | 하수 및 폐수처리시설 설비 지능형 자산관리 시스템 및 이를 이용한 운영방법 |
KR102519474B1 (ko) * | 2021-10-29 | 2023-04-10 | (주) 탐진씨앤에스 | 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102174722B1 (ko) | 현장의 기계장치로부터 수신한 소음을 기계학습하여 고장을 예측하는 계장제어시스템 | |
JP5290026B2 (ja) | 作業機械の学習診断システム、状態診断装置及び状態学習装置 | |
Huang et al. | A fault analysis method for three‐phase induction motors based on spiking neural P systems | |
CN104392752A (zh) | 一种实时在线的核反应堆故障诊断与监测*** | |
CN116862442A (zh) | 基于大数据分析的智能设备管理方法、*** | |
CN104412190A (zh) | 用于人机接口(hmi)设备的健康评估的***和方法 | |
CN103678881B (zh) | 一种基于人工免疫与证据理论相结合的复合故障诊断方法 | |
CN106575282A (zh) | 用于先进过程控制的云计算***和方法 | |
Ritou et al. | Knowledge-based multi-level aggregation for decision aid in the machining industry | |
Li et al. | Detection of downhole incidents for complex geological drilling processes using amplitude change detection and dynamic time warping | |
CN106662869A (zh) | 用于高级过程控制的***和方法 | |
CN114819225A (zh) | 一种海上能源机组智能化运维方法及*** | |
Harichandran et al. | Equipment activity recognition and early fault detection in automated construction through a hybrid machine learning framework | |
Zhang et al. | A new deep convolutional domain adaptation network for bearing fault diagnosis under different working conditions | |
Li et al. | Identification of downhole conditions in geological drilling processes based on quantitative trends and expert rules | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
Zhang et al. | Research on condition monitoring and fault diagnosis of intelligent copper ball production lines based on big data | |
WO2022175767A1 (en) | Equipment fault detection system using artificial intelligence(icms) | |
CN115469643A (zh) | 一种核电站旋转机械健康管理方法、***及介质 | |
Fan et al. | A decentralized operating performance assessment for geological drilling process via multi-block total projection to latent structures and Bayesian inference | |
Lu et al. | Integration of wavelet decomposition and artificial neural network for failure prognosis of reciprocating compressors | |
Gaurkar et al. | Predictive maintenance of industrial machines using machine learning | |
El Kihel et al. | Maintenance 4.0 Model Development for Production Lines in Industry 4.0 Using a Deep Learning Approach and IoT Data in Real-Time: an Experimental Case Study | |
BR102016023297A2 (pt) | Método para monitoramento e diagnóstico de modos de falha de equipamentos em usinas hidrelétricas baseado em sistema especialista | |
Kovalenko et al. | Using explicit and machine-understandable engineering knowledge for defect detection in automation systems engineering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |