KR102252189B1 - Fault diagnosis management system and method using machine learning - Google Patents
Fault diagnosis management system and method using machine learning Download PDFInfo
- Publication number
- KR102252189B1 KR102252189B1 KR1020190065718A KR20190065718A KR102252189B1 KR 102252189 B1 KR102252189 B1 KR 102252189B1 KR 1020190065718 A KR1020190065718 A KR 1020190065718A KR 20190065718 A KR20190065718 A KR 20190065718A KR 102252189 B1 KR102252189 B1 KR 102252189B1
- Authority
- KR
- South Korea
- Prior art keywords
- data set
- data
- verification
- model
- diagnostic model
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 99
- 238000010801 machine learning Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 208000024891 symptom Diseases 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000015556 catabolic process Effects 0.000 claims abstract description 9
- 238000013480 data collection Methods 0.000 claims abstract description 9
- 230000007547 defect Effects 0.000 claims abstract description 8
- 238000006731 degradation reaction Methods 0.000 claims abstract description 6
- 238000012706 support-vector machine Methods 0.000 claims description 88
- 238000012795 verification Methods 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 51
- 238000007726 management method Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000006866 deterioration Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 17
- 238000002474 experimental method Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 241000512668 Eunectes Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템은 고장 진단을 위한 타겟 장비에 부착된 센서를 통해 실시간으로 데이터를 수집하는 데이터 수집부; 및 머신 러닝을 이용하여 상기 수집된 데이터를 분석하고, 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 결함 또는 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단하는 고장 진단부를 포함한다.A fault diagnosis management system using machine learning according to an embodiment of the present invention includes: a data collection unit for collecting data in real time through a sensor attached to a target device for fault diagnosis; And a failure diagnosis unit that analyzes the collected data using machine learning and continuously monitors defects or performance degradation of the target equipment based on the analysis result of the data to diagnose abnormal symptoms.
Description
본 발명의 실시예들은 머신 러닝을 이용한 고장 진단 관리 시스템 및 방법에 관한 것이다.Embodiments of the present invention relate to a fault diagnosis management system and method using machine learning.
Industry 4.0의 개념을 바탕으로 시설과 장비에 다양한 센서들을 부착하여 실시간으로 데이터를 수집하고 분석 기법을 통하여 고장을 진단하는 기술들이 연구되고 있다. 고장 진단 기술은 운영 중인 시설과 장비의 결함이나 성능 저하를 지속적으로 모니터링하고 이상 징후를 진단하여 고장이 발생하기 전에 정비를 통해 안전성과 가용성을 확보하는 기술이다.Based on the concept of Industry 4.0, technologies to collect data in real time by attaching various sensors to facilities and equipment, and to diagnose faults through analysis techniques are being studied. Failure diagnosis technology is a technology that continuously monitors defects or performance degradation of operating facilities and equipment, diagnoses abnormal signs, and secures safety and availability through maintenance before a failure occurs.
이러한 고장 진단 기술은 제조 산업과 원자력 발전소, 화학플랜트, 항공우주, 철도, 선박, 차량 등 산업 전반에서 사용하고 있는 기술이다. 높은 신뢰도를 요구하는 시스템에서는 운용 중인 시설이나 장비에서 마모나 결함이 발생하면 치명적인 사고를 야기할 수 있어 정기적인 검사와 정비를 요구한다.These fault diagnosis technologies are used in the manufacturing industry, nuclear power plants, chemical plants, aerospace, railways, ships, and vehicles. In systems that require high reliability, if wear or defects occur in operating facilities or equipment, it may cause fatal accidents, requiring regular inspection and maintenance.
높은 신뢰도를 요구하는 시스템은 손상이나 고장으로 인한 정지 또는 성능 저하가 발생되어 수리하는 사후 보전으로는 부적합하다. 예방 보전은 정기적인 정비와 부품 교체를 통해 고장을 예방하지만 과도한 보전 활동으로 인해 시스템의 잦은 중단과 불필요한 부품 교체로 인한 비용이 증가하는 문제가 있다.Systems that require high reliability are unsuitable for post-maintenance repairs due to damage or breakdown resulting in stoppages or performance degradation. Preventive maintenance prevents breakdowns through regular maintenance and replacement of parts, but there is a problem in that the cost increases due to frequent system interruption and unnecessary replacement of parts due to excessive maintenance activities.
관련 선행기술로는 대한한국 등록특허공보 제10-1874286호(발명의 명칭: 전력설비 모니터링 및 진단 시스템, 등록일자: 2018.06.27)가 있다.As a related prior art, there is Korean Patent Publication No. 10-1874286 (name of invention: power facility monitoring and diagnosis system, registration date: 2018.06.27).
본 발명의 일 실시예는 머신 러닝을 사용하여 데이터를 학습하고 이를 토대로 타겟 장비나 시설의 상태나 고장을 실시간으로 진단할 수 있는 머신 러닝을 이용한 고장 진단 관리 시스템 및 방법을 제공한다.An embodiment of the present invention provides a fault diagnosis management system and method using machine learning capable of learning data using machine learning and diagnosing a condition or failure of a target equipment or facility in real time based on this.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problem to be solved by the present invention is not limited to the problem(s) mentioned above, and another problem(s) not mentioned will be clearly understood by those skilled in the art from the following description.
본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템은 고장 진단을 위한 타겟 장비에 부착된 센서를 통해 실시간으로 데이터를 수집하는 데이터 수집부; 및 머신 러닝을 이용하여 상기 수집된 데이터를 분석하고, 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 결함 또는 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단하는 고장 진단부를 포함한다.A fault diagnosis management system using machine learning according to an embodiment of the present invention includes: a data collection unit for collecting data in real time through a sensor attached to a target device for fault diagnosis; And a failure diagnosis unit that analyzes the collected data using machine learning and continuously monitors defects or performance degradation of the target equipment based on the analysis result of the data to diagnose abnormal symptoms.
상기 고장 진단부는 지도 학습인 SVM(Support Vector Machine) 기반의 진단 모델 또는 자율 학습인 원 클래스(One-Class) SVM 기반의 진단 모델을 이용하여 상기 머신 러닝을 수행하고, 상기 머신 러닝의 수행을 통한 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 이상 징후를 진단할 수 있다.The fault diagnosis unit performs the machine learning using a diagnosis model based on a support vector machine (SVM), which is supervised learning, or a diagnosis model based on a one-class SVM, which is self-learning, and performs the machine learning. An abnormal symptom of the target device may be diagnosed based on the analysis result of the data.
상기 고장 진단부는 상기 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대해 전처리 과정을 진행하여 학습용 데이터 셋과 검증용 데이터 셋을 생성하며, 상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습을 진행하고, 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단할 수 있다.The fault diagnosis unit generates a training data set and a verification data set by performing a pre-processing process on the data collected through the sensor using the SVM-based diagnosis model, and the SVM-based data set using the learning data set. It is possible to diagnose an abnormal symptom of the target device by performing learning on a diagnostic model and verifying the verification data set using the learned diagnostic model.
상기 고장 진단부는 상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습 진행을 통해 가중치를 생성하고 상기 가중치를 상기 SVM 기반의 진단 모델에 적용하여 상기 학습된 진단 모델을 생성 및 저장하거나, 미리 학습된 진단 모델을 로딩하여 상기 검증용 데이터 셋에 대한 검증을 진행할 수 있다.The fault diagnosis unit generates and stores the learned diagnostic model by performing learning on the SVM-based diagnostic model using the training data set and applying the weight to the SVM-based diagnostic model, By loading the pre-learned diagnostic model, the verification of the verification data set may be performed.
본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템은 ROC 커브를 사용하여 상기 학습된 진단 모델의 성능을 측정하고, 상기 측정의 결과값을 도식화하고 파일로 저장하며, 상기 학습된 진단 모델의 정확도 및 오차 행렬(Confusion Matrix) 값을 계산하여 그 결과값을 도식화하고 파일로 저장하는 모델 검증부를 더 포함할 수 있다.The fault diagnosis management system using machine learning according to an embodiment of the present invention measures the performance of the learned diagnostic model using an ROC curve, plots the result value of the measurement, and saves it as a file, and the learned diagnosis It may further include a model verification unit that calculates the accuracy of the model and a confusion matrix value, plots the result value, and stores the result as a file.
상기 고장 진단부는 상기 원 클래스 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대한 전처리 과정을 통해 데이터 셋을 생성하고, 상기 생성된 데이터 셋에서 일 부분을 복사하여 이상치를 생성하여 상기 데이터 셋에 추가하며, 상기 이상치가 포함되어 있는 데이터 셋을 학습 데이터 셋과 검증 데이터 셋으로 분리하며, 상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습을 진행하고, 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단할 수 있다.The fault diagnosis unit generates a data set through a pre-processing process on the data collected through the sensor using the original-class SVM-based diagnostic model, copies a portion of the generated data set to generate an outlier, and the It is added to a data set, and the data set including the outliers is separated into a training data set and a verification data set, and the original-class SVM-based diagnostic model is trained using the training data set, and the learned An abnormal symptom of the target device may be diagnosed by performing verification on the verification data set using a diagnostic model.
상기 고장 진단부는 C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)의 학습 데이터를 일정 범위 복사하여 이상치를 생성하기 위한 기준값으로 설정하고, 상기 기준값을 벗어난 값 중 적어도 하나를 무작위로 선택하여 상기 이상치로서 생성한 후 상기 데이터 셋에 추가하여 상기 학습 데이터와 고장 데이터가 병합된 데이터를 생성하며, 상기 C-MAPSS의 식별 정보와 센서 데이터를 이용하여 상기 병합된 데이터를 상기 학습용 데이터 셋과 상기 검증용 데이터 셋으로 분리할 수 있다.The fault diagnosis unit copies the learning data of C-MAPSS (Commercial Modular Aero-Propulsion System Simulation) to a certain range and sets it as a reference value for generating an outlier, and randomly selects at least one of the values out of the reference value as the outlier. After creation, it is added to the data set to generate data in which the learning data and the failure data are merged, and the merged data is used as the learning data set and the verification data using the identification information of the C-MAPSS and the sensor data. Can be divided into three.
상기 고장 진단부는 상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습 진행을 통해 가중치를 생성하고, 상기 가중치를 상기 원 클래스 SVM 기반의 진단 모델에 적용하여 상기 학습된 진단 모델을 생성 및 저장하거나, 미리 학습된 진단 모델을 로딩하여 상기 검증용 데이터 셋에 대한 검증을 진행할 수 있다.The fault diagnosis unit generates a weight by performing learning on the original-class SVM-based diagnostic model using the training data set, and applies the weight to the original-class SVM-based diagnostic model to apply the learned diagnostic model. The verification of the verification data set may be performed by generating and storing or loading a pre-learned diagnostic model.
본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템은 상기 학습된 진단 모델의 성능을 Precision-Recall 커브로 측정하고 AUC(Area Under a ROC Curve)로 검증하여 그 결과값을 도식화하고 파일로 저장하는 모델 검증부를 더 포함할 수 있다.The fault diagnosis management system using machine learning according to an embodiment of the present invention measures the performance of the learned diagnostic model with a Precision-Recall curve, verifies the area under a ROC curve (AUC), and plots the result value and displays a file. It may further include a model verification unit to store as.
본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 방법은 상기 고장 진단 관리 시스템의 데이터 수집부가 고장 진단을 위한 타겟 장비에 부착된 센서를 통해 실시간으로 데이터를 수집하는 단계; 상기 고장 진단 관리 시스템의 고장 진단부가 머신 러닝을 이용하여 상기 수집된 데이터를 분석하는 단계; 및 상기 고장 진단부가 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 결함 또는 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단하는 단계를 포함한다.A fault diagnosis management method using machine learning according to an embodiment of the present invention includes the steps of: collecting data in real time through a sensor attached to a target device for fault diagnosis by a data collection unit of the fault diagnosis management system; Analyzing the collected data using machine learning by a failure diagnosis unit of the failure diagnosis management system; And diagnosing an abnormal symptom by continuously monitoring the defect or deterioration of the target equipment based on the analysis result of the data by the failure diagnosis unit.
상기 이상 징후를 진단하는 단계는 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대해 전처리 과정을 진행하여 학습용 데이터 셋과 검증용 데이터 셋을 생성하는 단계; 상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습을 진행하는 단계; 및 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단하는 단계를 포함할 수 있다.Diagnosing the abnormal symptom may include generating a training data set and a verification data set by performing a pre-processing process on the data collected through the sensor using an SVM-based diagnosis model; Performing learning on the SVM-based diagnostic model using the training data set; And diagnosing an abnormal symptom of the target device by performing verification on the verification data set using the learned diagnostic model.
상기 이상 징후를 진단하는 단계는 원 클래스 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대한 전처리 과정을 통해 데이터 셋을 생성하는 단계; 상기 생성된 데이터 셋에서 일 부분을 복사하여 이상치를 생성하여 상기 데이터 셋에 추가하는 단계; 상기 이상치가 포함되어 있는 데이터 셋을 학습 데이터 셋과 검증 데이터 셋으로 분리하는 단계; 상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습을 진행하는 단계; 및 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단하는 단계를 포함할 수 있다.Diagnosing the abnormal symptom may include generating a data set through a preprocessing process for data collected through the sensor using a diagnosis model based on a one-class SVM; Copying a portion of the generated data set, generating an outlier, and adding it to the data set; Separating the data set including the outliers into a training data set and a verification data set; Performing learning on the original-class SVM-based diagnostic model using the training data set; And diagnosing an abnormal symptom of the target device by performing verification on the verification data set using the learned diagnostic model.
상기 이상치를 생성하여 상기 데이터 셋에 추가하는 단계는 C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)의 학습 데이터를 일정 범위 복사하여 이상치를 생성하기 위한 기준값으로 설정하는 단계; 및 상기 기준값을 벗어난 값 중 적어도 하나를 무작위로 선택하여 상기 이상치로서 생성한 후 상기 데이터 셋에 추가하여 상기 학습 데이터와 고장 데이터가 병합된 데이터를 생성하는 단계를 포함하고, 상기 학습 데이터 셋과 검증 데이터 셋으로 분리하는 단계는 상기 C-MAPSS의 식별 정보와 센서 데이터를 이용하여 상기 병합된 데이터를 상기 학습용 데이터 셋과 상기 검증용 데이터 셋으로 분리하는 단계를 포함할 수 있다.The step of creating the outlier and adding it to the data set may include copying the training data of C-MAPSS (Commercial Modular Aero-Propulsion System Simulation) to a certain range and setting it as a reference value for generating the outlier; And generating data in which the training data and the failure data are merged by randomly selecting at least one of the values out of the reference value and generating them as the outliers and adding them to the data set, wherein the training data set and verification Separating the data set may include dividing the merged data into the training data set and the verification data set using the identification information of the C-MAPSS and sensor data.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 첨부 도면들에 포함되어 있다.Details of other embodiments are included in the detailed description and the accompanying drawings.
본 발명의 일 실시예에 따르면, 머신 러닝을 사용하여 데이터를 학습하고 이를 토대로 타겟 장비나 시설의 상태나 고장을 실시간으로 진단할 수 있다.According to an embodiment of the present invention, data may be learned using machine learning, and based on this, a condition or failure of a target equipment or facility may be diagnosed in real time.
도 1은 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템의 개념도이다.
도 2는 본 발명의 일 실시예에서 제안하는 진단 모델, 즉 SVM 기반 진단 모델 및 One-Class SVM 기반 진단 모델의 구조를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템의 상세 구성을 설명하기 위해 도시한 블록도이다.
도 4는 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 방법을 설명하기 위해 도시한 흐름도이다.
도 5는 본 발명의 다른 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 방법을 설명하기 위해 도시한 흐름도이다.
도 6 내지 도 10은 본 발명의 진단 모델 구현을 설명하기 위해 도시한 도면이다.
도 11 내지 도 13은 본 발명의 모델 기능 실험을 설명하기 위해 도시한 도면이다.1 is a conceptual diagram of a fault diagnosis management system using machine learning according to an embodiment of the present invention.
FIG. 2 is a diagram illustrating a structure of a diagnostic model proposed in an embodiment of the present invention, that is, an SVM-based diagnostic model and a One-Class SVM-based diagnostic model.
3 is a block diagram illustrating a detailed configuration of a fault diagnosis management system using machine learning according to an embodiment of the present invention.
4 is a flowchart illustrating a fault diagnosis management method using machine learning according to an embodiment of the present invention.
5 is a flowchart illustrating a fault diagnosis management method using machine learning according to another embodiment of the present invention.
6 to 10 are diagrams illustrating an implementation of a diagnostic model according to the present invention.
11 to 13 are diagrams illustrating a model function experiment according to the present invention.
본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다.Advantages and/or features of the present invention, and a method of achieving them will become apparent with reference to the embodiments described below in detail together with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in a variety of different forms, only the present embodiments are intended to complete the disclosure of the present invention, and common knowledge in the technical field to which the present invention pertains. It is provided to completely inform the scope of the invention to those who have, and the invention is only defined by the scope of the claims. The same reference numerals refer to the same elements throughout the specification.
또한, 이하 실시되는 본 발명의 바람직한 실시예는 본 발명을 이루는 기술적 구성요소를 효율적으로 설명하기 위해 각각의 시스템 기능구성에 기 구비되어 있거나, 또는 본 발명이 속하는 기술분야에서 통상적으로 구비되는 시스템 기능 구성은 가능한 생략하고, 본 발명을 위해 추가적으로 구비되어야 하는 기능 구성을 위주로 설명한다. 만약 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면, 하기에 도시하지 않고 생략된 기능 구성 중에서 종래에 기 사용되고 있는 구성요소의 기능을 용이하게 이해할 수 있을 것이며, 또한 상기와 같이 생략된 구성 요소와 본 발명을 위해 추가된 구성 요소 사이의 관계도 명백하게 이해할 수 있을 것이다.In addition, a preferred embodiment of the present invention to be implemented below is already provided in each system function configuration in order to efficiently describe the technical components constituting the present invention, or system functions commonly provided in the technical field to which the present invention belongs. The configuration will be omitted as much as possible, and a functional configuration that should be additionally provided for the present invention will be mainly described. If a person of ordinary skill in the art to which the present invention pertains will be able to easily understand the functions of the components previously used among the functional configurations that are not shown below and are omitted, the configurations omitted as described above. The relationship between the elements and the constituent elements added for the present invention will also be clearly understood.
또한, 이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다.In addition, in the following description, "transmission", "communication", "transmission", "receive" of signals or information and other terms with similar meanings refer to direct transmission of signals or information from one component to another. Not only that, but it includes things that are transmitted through other components. In particular, "transmitting" or "transmitting" a signal or information to a component indicates the final destination of the signal or information and does not mean a direct destination. The same is true for "reception" of signals or information.
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템의 개념도이다.1 is a conceptual diagram of a fault diagnosis management system using machine learning according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 일 실시예에서는 머신 러닝을 사용하여 장비나 시설의 상태를 실시간으로 진단할 수 있으며, 이를 위해서 SVM(Support Vector Machine)(110)과 원 클래스(One-Class) SVM(120)을 사용하여 데이터(102)를 학습하고 상태나 고장을 진단하는 모델을 제안한다.Referring to FIG. 1, in an embodiment of the present invention, the state of equipment or facilities can be diagnosed in real time using machine learning. For this purpose, SVM (Support Vector Machine) 110 and One-Class Using the
본 발명의 일 실시예에서 제안하는 진단 모델은 C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)의 식별 정보와 센서 데이터를 사용한다. 그리고 분석해야 하는 데이터의 상태를 가정하기 위해 One-Class SVM 기반 진단 모델(120)에서는 C-MAPSS에 이상치를 추가하여 고장 데이터를 생성하는 과정을 진행한다.The diagnostic model proposed in an embodiment of the present invention uses identification information and sensor data of C-MAPSS (Commercial Modular Aero-Propulsion System Simulation). In addition, in order to assume the state of the data to be analyzed, the one-class SVM-based
SVM 기반 진단 모델(110)은 정상 데이터와 고장 데이터가 분류되어 있는 상태일 경우에 적용하여 상태를 진단하고, One-Class SVM 기반 진단 모델(120)은 정상 데이터와 고장 데이터를 분류하지 못한 상태일 경우에 적용하여 고장을 진단한다. 이를 통해 시설이나 장비의 상태를 진단하여 고장이 발생하기 전에 정비를 통해 가동 중단이나 사고 발생을 예방할 수 있다.The SVM-based
본 발명의 일 실시예에서 제안하는 진단 모델의 경우, 사용자(101)가 데이터(102)를 입력하면 SVM 기반 진단 모델(110)은 학습을 진행하여 상태를 진단하고 정상과 비정상을 분류하는 기능을 수행하고, One-Class SVM 기반 진단 모델(120)은 입력 데이터(102)에 이상치를 생성하고 학습을 진행하여 이상치를 탐지하고 정상(normal)과 비정상(Abnormal)을 분류하는 기능을 수행한다.In the case of the diagnostic model proposed in an embodiment of the present invention, when the
상기 진단 모델에서 사용하는 데이터(102)는 학습 데이터(Training Dataset)와 검증 데이터(Test Dataset)로 구성되어 있으며, 분석하는 데이터(102)의 상태를 가정하기 위해 데이터(102)를 전처리 하여 사용하기도 한다. 이러한 진단 모델의 구조는 도 2에 도시된 바와 같다. 참고로, 도 2는 본 발명의 일 실시예에서 제안하는 진단 모델, 즉 SVM 기반 진단 모델(110) 및 One-Class SVM 기반 진단 모델(120)의 구조를 도시한 도면이다.The
도 3은 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템의 상세 구성을 설명하기 위해 도시한 블록도이다.3 is a block diagram illustrating a detailed configuration of a fault diagnosis management system using machine learning according to an embodiment of the present invention.
도 3을 참조하면, 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템(300)은 데이터 수집부(310), 고장 진단부(320), 모델 검증부(330), 및 제어부(340)를 포함하여 구성될 수 있다.3, a fault
상기 데이터 수집부(310)는 고장 진단을 위한 타겟 장비에 부착된 센서를 통해 실시간으로 데이터를 수집할 수 있다.The
상기 고장 진단부(320)는 머신 러닝(Machine Learning)을 이용하여 상기 수집된 데이터를 분석하고, 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 결함 또는 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단할 수 있다.The
즉, 상기 고장 진단부(320)는 지도 학습인 SVM(Support Vector Machine) 기반의 진단 모델 또는 자율 학습인 원 클래스(One-Class) SVM 기반의 진단 모델을 이용하여 머신 러닝을 수행하고, 상기 머신 러닝의 수행을 통한 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 이상 징후를 진단할 수 있다.That is, the
이와 같이 상기 머신 러닝은 위와 같은 두 종류의 진단 모델을 이용하여 수행될 수 있다. 이하에서는 상기 두 종류의 진단 모델을 이용하여 상기 타겟 장비의 이상 징후를 진단하는 과정에 대해 구체적으로 설명한다.In this way, the machine learning can be performed using the above two types of diagnostic models. Hereinafter, a process of diagnosing abnormal signs of the target device using the two types of diagnosis models will be described in detail.
먼저, 상기 SVM 기반의 진단 모델을 이용하는 방법에 대해 구체적으로 설명하면 다음과 같다.First, a method of using the SVM-based diagnostic model will be described in detail as follows.
상기 고장 진단부(320)는 상기 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대해 전처리 과정을 진행하여 학습용 데이터 셋과 검증용 데이터 셋을 생성할 수 있다. 즉, 상기 고장 진단부(320)는 전처리 과정을 통해 센서 데이터를 학습용 데이터 셋과 검증용 데이터 셋으로 분리할 수 있다.The
상기 고장 진단부(320)는 상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습을 진행하고, 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단할 수 있다.The
이때, 상기 고장 진단부(320)는 상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습 진행을 통해 가중치를 생성하고, 상기 가중치를 상기 SVM 기반의 진단 모델에 적용하여 상기 학습된 진단 모델을 생성 및 저장할 수 있다. 또한, 상기 고장 진단부(320)는 상기 검증용 데이터 셋에 대한 검증을 진행하기 위해, 미리 학습된 진단 모델을 메모리로부터 로딩(Loading)할 수 있다.At this time, the
다음으로, 상기 원 클래스 SVM 기반의 진단 모델을 이용하는 방법에 대해 구체적으로 설명하면 다음과 같다.Next, a method of using the one-class SVM-based diagnostic model will be described in detail as follows.
상기 고장 진단부(320)는 상기 원 클래스 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대한 전처리 과정을 통해 데이터 셋을 생성할 수 있다. 상기 고장 진단부(320)는 상기 생성된 데이터 셋에서 일 부분을 복사하여 이상치를 생성하여 상기 데이터 셋에 추가하며, 상기 이상치가 포함되어 있는 데이터 셋을 학습 데이터 셋과 검증 데이터 셋으로 분리할 수 있다.The
이때, 상기 고장 진단부(320)는 C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)의 학습 데이터를 일정 범위 복사하여 이상치를 생성하기 위한 기준값으로 설정하고, 상기 기준값을 벗어난 값 중 적어도 하나를 무작위로 선택하여 상기 이상치로서 생성한 후 상기 데이터 셋에 추가하여 상기 학습 데이터와 고장 데이터가 병합된 데이터를 생성할 수 있다. 상기 고장 진단부(320)는 상기 C-MAPSS의 식별 정보와 센서 데이터를 이용하여 상기 병합된 데이터를 상기 학습용 데이터 셋과 상기 검증용 데이터 셋으로 분리할 수 있다.At this time, the
상기 고장 진단부(320)는 상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습을 진행하고, 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단할 수 있다.The
이때, 상기 고장 진단부(320)는 상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습 진행을 통해 가중치를 생성하고, 상기 가중치를 상기 원 클래스 SVM 기반의 진단 모델에 적용하여 상기 학습된 진단 모델을 생성 및 저장하거나, 미리 학습된 진단 모델을 로딩하여 상기 검증용 데이터 셋에 대한 검증을 진행할 수 있다.At this time, the
상기 모델 검증부(330)는 상기 SVM 기반의 진단 모델을 이용하는 경우, ROC 커브를 사용하여 상기 학습된 진단 모델(SVM 기반)의 성능을 측정하고, 상기 측정의 결과값을 도식화하고 파일로 저장할 수 있다. 상기 모델 검증부(330)는 상기 학습된 진단 모델의 정확도 및 오차 행렬(Confusion Matrix) 값을 계산하여 그 결과값을 도식화하고 파일로 저장할 수 있다.When using the SVM-based diagnostic model, the
한편, 상기 원 클래스 SVM 기반의 진단 모델을 이용하는 경우, 상기 모델 검증부(330)는 상기 학습된 진단 모델(원 클래스 SVM 기반)의 성능을 Precision-Recall 커브로 측정하고 AUC(Area Under a ROC Curve)로 검증하여 그 결과값을 도식화하고 파일로 저장할 수 있다.Meanwhile, when the one-class SVM-based diagnostic model is used, the
상기 제어부(340)는 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템(300), 즉 상기 데이터 수집부(310), 상기 고장 진단부(320), 상기 모델 검증부(330) 등의 동작을 전반적으로 제어할 수 있다.The
이상에서 설명된 장치는 하드웨어 구성 요소, 소프트웨어 구성 요소, 및/또는 하드웨어 구성 요소 및 소프트웨어 구성 요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성 요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The apparatus described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the devices and components described in the embodiments include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It may be implemented using one or more general purpose or special purpose computers, such as a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications executed on the operating system. Further, the processing device may access, store, manipulate, process, and generate data in response to the execution of software. For the convenience of understanding, although it is sometimes described that one processing device is used, one of ordinary skill in the art, the processing device is a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it may include. For example, the processing device may include a plurality of processors or one processor and one controller. In addition, other processing configurations are possible, such as a parallel processor.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to operate as desired or processed independently or collectively. You can command the device. Software and/or data may be interpreted by a processing device or, to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodyed in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
도 4는 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 방법을 설명하기 위해 도시한 흐름도이다.4 is a flowchart illustrating a fault diagnosis management method using machine learning according to an embodiment of the present invention.
여기서 설명하는 고장 진단 관리 방법은 본 발명의 하나의 실시예에 불과하며, 그 이외에 필요에 따라 다양한 단계들이 부가될 수 있고, 하기의 단계들도 순서를 변경하여 실시될 수 있으므로, 본 발명이 하기에 설명하는 각 단계 및 그 순서에 한정되는 것은 아니다. 이는 이하의 다른 실시예에서도 동일하게 적용될 수 있다.The fault diagnosis management method described herein is only one embodiment of the present invention, and various steps may be added as necessary, and the following steps may also be performed by changing the order. It is not limited to each step and the order described in the. This can be applied equally to the following other embodiments.
도 4를 참조하면, SVM 기반 진단 모델은 입력 데이터(410)를 사용하여 전처리 과정(420)을 진행하고 학습용 데이터 셋과 검증용 데이터 셋을 생성한다. 그리고 미리 정의된 값에 의해 학습을 진행하거나 학습된 가중치 모델을 불러온다.Referring to FIG. 4, the SVM-based diagnostic model performs a
학습용 데이터 셋을 사용하는 경우(430의 "Yes" 방향), SVM 기반 진단 모델을 생성한 후(440), 학습을 진행하여(450) 가중치를 생성하고, 학습된 가중치 모델을 저장할 수 있다(460).In the case of using the training data set (“Yes” direction of 430), after the SVM-based diagnostic model is generated (440), training is performed (450), a weight is generated, and the learned weight model may be stored (460). ).
반면에 학습용 데이터 셋을 사용하지 않는 경우(430의 "No" 방향), 학습을 진행하지 않고 그 대신에 학습된 가중치 모델을 불러온다(470).On the other hand, when the training data set is not used (in the "No" direction of 430), the training is not performed and the learned weight model is loaded instead (470).
이후, 상기 학습된 가중치 모델을 이용하여 검증용 데이터 셋을 측정(480)하여 정상과 비정상을 분류한다.Thereafter, normal and abnormal are classified by measuring 480 a data set for verification using the learned weight model.
이후, 검증용 데이터 셋을 사용하여 모델의 성능을 측정하거나 상태를 분류하는 등의 모델 검증을 수행한다(490).Thereafter, model verification, such as measuring the performance of the model or classifying the state, is performed using the verification data set (490).
도 5는 본 발명의 다른 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 방법을 설명하기 위해 도시한 흐름도이다.5 is a flowchart illustrating a fault diagnosis management method using machine learning according to another embodiment of the present invention.
도 5를 참조하면, One-Class SVM 기반 진단 모델은 입력 데이터(510)에 이상치를 생성(520)하여 데이터 셋으로 생성하는 전처리 과정을 진행할 수 있다(530).Referring to FIG. 5, the one-class SVM-based diagnostic model may perform a preprocessing process of generating an outlier in the input data 510 (520) and generating it as a data set (530).
이후, 학습용 데이터 셋을 사용하는 경우(540의 "Yes" 방향), 상기 One-Class SVM 기반 진단 모델을 생성한 후(550), 이상치 비율을 설정하고(560) 학습을 진행하여(570) 가중치를 가진 모델을 저장(580)하는 순서로 진행한다.Thereafter, in the case of using the training data set (“Yes” direction of 540), after generating the One-Class SVM-based diagnostic model (550), the outlier ratio is set (560) and training is performed (570). It proceeds in the order of storing (580) the model with.
반면에 학습용 데이터 셋을 사용하지 않는 경우(540의 "No" 방향), 학습을 진행하지 않고 그 대신에 학습하여 저장되어 있는 가중치 모델을 불러온다(545).On the other hand, when the training data set is not used (in the "No" direction of 540), the training is not performed, and instead, the weight model stored by training is loaded (545).
이후, 검증용 데이터 셋을 측정(590)하여 정상과 비정상을 분류하고, 모델의 성능을 측정한다(595).Thereafter, the verification data set is measured (590) to classify normal and abnormal, and the performance of the model is measured (595).
진단 모델 구현Diagnostic model implementation
본 진단 모델 구현에서는 제안한 내용을 기반으로 하여 진단 모델을 구현한다. 모델 구현에 사용한 개발 도구는 PyCharm Community이며 H/W와 S/W의 주요 환경은 도 6과 같다.In this diagnosis model implementation, the diagnosis model is implemented based on the proposed content. The development tool used to implement the model is PyCharm Community, and the main environment of H/W and S/W is shown in FIG. 6.
모델 구현에는 Anaconda 환경에서 제공하는 Python Package를 사용하여 구현한다. Scikit-learn은 SVM 기반 진단 모델과 One-Class SVM 기반 진단 모델을 구현하기 위해 사용한다. SVM 기반 진단 모델은 하나의 파일과 함수로 구현하였으며 메인 함수와 사용한 라이브러리, 변수를 사용하여 도 7과 같이 클래스 다이어그램으로 표현하였다.Implement the model using the Python Package provided in the Anaconda environment. Scikit-learn is used to implement SVM-based diagnostic model and One-Class SVM-based diagnostic model. The SVM-based diagnostic model was implemented as a single file and function, and expressed as a class diagram as shown in FIG. 7 using the main function, the used library, and the variable.
SVM 기반 진단 모델의 메인 함수에는 모델 학습을 진행하거나 저장된 모델을 불러오기 위해 설정하는 변수와 모델 학습에 사용하는 설정 값, 모델의 측정을 위해 사용하는 Confusion Matrix의 값을 그림으로 도식화하고 파일로 저장하는 함수로 구성되어 있다. 도 8은 SVM 기반 진단 모델의 메인 함수 흐름을 시퀀스 다이어그램으로 표현한 도면이다.In the main function of the SVM-based diagnostic model, the variables set to proceed with model training or load the saved model, the set values used for model training, and the values of the Confusion Matrix used for model measurement are plotted and saved as a file. It consists of a function to do. 8 is a diagram illustrating a main function flow of an SVM-based diagnostic model as a sequence diagram.
도 8을 참조하면, 메인 함수는 입력 데이터를 불러와서 전처리 과정을 진행하고 학습 데이터 셋과 검증 데이터 셋을 생성하며 RBF 커널을 사용하는 SVM을 생성하고 학습 데이터 셋을 사용하여 모델 학습을 진행하고 가중치를 생성하며 학습이 종료되면 학습된 모델을 저장한다.Referring to FIG. 8, the main function loads input data, performs a pre-processing process, generates a training data set and a verification data set, generates an SVM using an RBF kernel, performs model training using the training data set, and weights And saves the trained model when the training is complete.
검증 데이터 셋을 학습된 모델로 측정을 진행하고 ROC Curve를 사용하여 모델의 성능을 측정하고 결과 값을 그림으로 도식화하여 파일로 저장하고 모델의 정확도와 Confusion Matrix 값을 계산하여 그 결과 값을 그림으로 도식화하고 파일로 저장한다.The verification data set is measured with the trained model, the performance of the model is measured using ROC Curve, the result is plotted as a picture, saved as a file, and the accuracy of the model and the Confusion Matrix value are calculated, and the result is converted into a picture. Schematic and save as a file.
한편, One-Class SVM 기반 진단 모델은 하나의 파일로 구현하였으며 메인 함수와 사용한 라이브러리, 변수를 사용하여 도 9와 같이 클래스 다이어그램으로 표현하였다.Meanwhile, the One-Class SVM-based diagnostic model was implemented as a single file, and expressed as a class diagram as shown in FIG. 9 using the main function, the used library, and the variable.
One-Class SVM 기반 진단 모델의 메인 함수에는 모델 학습을 진행하거나 저장되어 있는 모델을 불러오기 위해 설정하는 변수와 모델 학습에 사용하는 설정 값으로 구성되어 있다. 도 10은 One-Class SVM 기반 진단 모델의 메인 함수 흐름을 시퀀스 다이어그램으로 표현한 도면이다.The main function of the One-Class SVM-based diagnostic model consists of variables set to perform model training or load a stored model, and set values used for model training. 10 is a diagram illustrating a main function flow of a One-Class SVM-based diagnostic model as a sequence diagram.
도 10을 참조하면, 메인 함수는 첫 번째로 입력 데이터를 불러와서 전처리 과정을 진행하여 데이터 셋을 생성한다. 두 번째로는 생성한 데이터 셋에서 일부분을 복사하고 무작위로 이상치를 생성하여 복사한 데이터 셋에 추가한다. 세 번째로 이상치가 포함되어 있는 데이터 셋을 분할하여 학습 데이터 셋과 검증 데이터 셋을 생성한다. 네 번째로 RBF 커널을 사용하는 One-Class SVM을 생성하고 학습 데이터 셋을 사용하여 학습을 진행하며 가중치를 생성한다. 그리고 학습이 종료되면 모델을 저장한다. 다섯 번째로는 경계 값을 생성하여 이상치를 분류하며 결과 값을 그림으로 도식화하고 파일로 저장한다. 여섯 번째는 학습한 모델을 Precision-Recall Curve로 측정하고 AUC로 검증하여 그림으로 도식화하고 파일로 저장한다.Referring to FIG. 10, the main function first fetches input data and performs a preprocessing process to generate a data set. Second, a part of the created data set is copied, and outliers are randomly generated and added to the copied data set. Third, a training data set and a verification data set are generated by dividing the data set containing outliers. Fourth, a One-Class SVM using the RBF kernel is created, training is performed using the training data set, and weights are generated. And when the training is finished, the model is saved. Fifth, the outliers are classified by generating boundary values, and the resulting values are plotted as a picture and saved as a file. Sixth, the trained model is measured with Precision-Recall Curve, verified with AUC, plotted as a picture, and saved as a file.
모델 기능 실험Model function experiment
SVM 기반 진단 모델의 기능 실험은 실험하는 과정에서는 기능에 문제가 없어야 한다. SVM 기반 진단 모델의 기능 실험은 모델을 학습하여 측정하는 실험과 학습된 모델을 불러와서 측정하는 실험으로 구성되어 있다. 모델 학습을 진행하거나 학습된 모델을 불러와서 검증용 데이터 셋으로 측정한 결과를 ROC Curve로 측정한 FPR(False Positive Rate)과 TPR(True Positive Rate)는 도 11과 같다.In the functional experiment of the SVM-based diagnostic model, there should be no functional problem during the experiment. The functional experiment of the SVM-based diagnostic model consists of an experiment that learns and measures the model and an experiment that loads and measures the learned model. The FPR (False Positive Rate) and TPR (True Positive Rate) measured by the ROC Curve of the result of performing model training or loading the learned model and measured with the verification data set are shown in FIG. 11.
SVM 기반 진단 모델의 ROC Curve에는 부정적인 비율보다 긍정적인 비율이 높기 때문에 모델이 데이터를 정확하게 분류하였다고 볼 수 있다. 그리고 SVM 기반 진단 모델의 정확도는 98%로 측정되었다.Since the positive ratio is higher than the negative ratio in the ROC curve of the SVM-based diagnostic model, it can be said that the model correctly classified the data. And the accuracy of the SVM-based diagnostic model was measured to be 98%.
한편, One-Class SVM 기반 진단 모델의 기능 실험은 이상치를 탐지해야 하고 실험하는 과정에서는 기능에 문제가 없어야 한다. One-Class SVM 기반 진단 모델의 기능 실험은 모델을 학습하여 측정하고 평가하는 실험과 학습된 모델을 불러와서 측정하고 평가하는 실험으로 구성되어 있다. One-Class SVM 기반 진단 모델은 데이터 셋에서 2개의 이상치를 위치와 함께 탐지하였으며 입력 데이터와 이상치 데이터를 분류한 결과는 도 12와 같다.On the other hand, the functional experiment of the One-Class SVM-based diagnostic model should detect outliers, and there should be no functional problems during the experiment. The functional experiment of the one-class SVM-based diagnostic model consists of an experiment that learns, measures, and evaluates the model, and an experiment that loads the learned model, measures and evaluates it. The One-Class SVM-based diagnostic model detects two outliers in a data set together with their locations, and the result of classifying input data and outlier data is shown in FIG. 12.
여기에서는 이상치는 결정 함수에서 벗어난 하얀색 원이며 정상 데이터는 결정 함수 안에 있는 검은색 원이다. 모델의 성능을 평가하기 위해 결과 값을 AUC로 Precision과 Recall을 측정한 결과는 도 13과 같다. 도 13에 도시된 바와 같이 One-Class SVM 기반 진단 모델의 AUC 결과는 1.0으로 측정되었다.Here the outlier is a white circle that deviates from the decision function, and the normal data is a black circle inside the decision function. In order to evaluate the performance of the model, the results of measuring Precision and Recall using AUC are shown in FIG. 13. As shown in FIG. 13, the AUC result of the One-Class SVM-based diagnostic model was measured to be 1.0.
본 실시예에서 제안하는 진단 모델은 정상 데이터와 고장 데이터가 분류되어 있는 상황에서는 SVM 기반 진단 모델을 사용하여 상태를 진단하는 연구를 하고, 정상 데이터와 고장 데이터가 분류되어 있지 않은 상황에서는 One-Class SVM 기반 진단 모델을 적용하여 이상치를 탐지하고 고장을 진단하는 연구를 하였다. 그리고 모델의 성능을 검증하기 위해 기능 실험을 진행하였다.The diagnostic model proposed in this embodiment is a study to diagnose the condition using an SVM-based diagnostic model in a situation where normal data and fault data are classified, and one-class in a situation where normal data and fault data are not classified. An SVM-based diagnostic model was applied to detect outliers and diagnose faults. And to verify the model's performance, a functional experiment was conducted.
SVM 기반 진단 모델에서는 모델 성능 평가로 정확도를 사용하며 모델의 정확도는 98.7%로 측정되어 상태 진단에 적합한 모델이라고 검증하였다. One-Class SVM 기반 진단 모델에서는 모델 성능 평가로 AUC를 사용하며 모델의 AUC는 1.0으로 측정되어 고장 진단에 적합한 모델이라고 검증하였다.In the SVM-based diagnostic model, accuracy is used for model performance evaluation, and the accuracy of the model is measured as 98.7%, which is verified as a model suitable for condition diagnosis. In the one-class SVM-based diagnostic model, AUC is used for model performance evaluation, and the AUC of the model is measured as 1.0, so it is verified that it is a suitable model for fault diagnosis.
일반적으로 정상 데이터와 고장 데이터가 분류되어 있는 상황보다는 분류되어 있지 않을 상황이 높다. 진단 모델을 적용하는 방안은 One-Class SVM 기반 진단 모델을 사용하여 축적된 데이터에서 이상치를 분류하고 정상 데이터와 고장 데이터를 분류하여 SVM 기반 진단 모델에 적용할 수 있는 데이터 셋으로 생성한다. 그리고 생성된 데이터 셋을 SVM 기반 진단 모델로 학습하고 상태를 진단하는 방안을 제안한다. 또한, 고장 데이터는 정상 데이터보다 적은 비율로 발생하기 때문에 One-Class SVM 기반 진단 모델을 지속적으로 사용하여 이상치를 탐지하고 SVM 기반 진단 모델에 적용하는 최적화 작업을 진행하는 것이 바람직하다.In general, the situation where normal data and fault data are not classified is higher than the situation where normal data and fault data are classified. The method of applying the diagnostic model is to classify outliers from accumulated data using a one-class SVM-based diagnostic model, classify normal data and fault data, and create a data set that can be applied to the SVM-based diagnostic model. In addition, we propose a method for learning the generated data set with an SVM-based diagnostic model and diagnosing the state. In addition, since fault data is generated at a smaller rate than normal data, it is desirable to continuously use the One-Class SVM-based diagnostic model to detect anomalies and to perform optimization work that applies it to the SVM-based diagnostic model.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CDROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CDROMs and DVDs, and magnetic-optical media such as floptical disks. And hardware devices specially configured to store and execute program instructions such as magneto-optical media and ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device described above may be configured to operate as one or more software modules to perform the operation of the embodiment, and vice versa.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described by the limited embodiments and drawings, various modifications and variations are possible from the above description to those of ordinary skill in the art. For example, the described techniques are performed in a different order from the described method, and/or components such as systems, structures, devices, circuits, etc. described are combined or combined in a form different from the described method, or other components Alternatively, even if substituted or substituted by an equivalent, an appropriate result can be achieved.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims also fall within the scope of the following claims.
310: 데이터 수집부
320: 고장 진단부
330: 모델 검증부
340: 제어부310: data collection unit
320: fault diagnosis unit
330: model verification unit
340: control unit
Claims (13)
머신 러닝을 이용하여 상기 수집된 데이터를 분석하고, 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 결함 또는 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단하는 고장 진단부를 포함하고,
상기 고장 진단부는 자율 학습인 원 클래스(One-Class) SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대한 전처리 과정을 통해 데이터 셋을 생성하고, 상기 생성된 데이터 셋에서 일 부분을 복사하여 이상치를 생성하여 상기 데이터 셋에 추가하며, 상기 이상치가 포함되어 있는 데이터 셋을 학습용 데이터 셋과 검증용 데이터 셋으로 분리하며, 상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습을 진행하고, 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단하고,
상기 고장 진단부는 C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)의 학습 데이터를 일정 범위 복사하여 이상치를 생성하기 위한 기준값으로 설정하고, 상기 기준값을 벗어난 값 중 적어도 하나를 무작위로 선택하여 상기 이상치로서 생성한 후 상기 데이터 셋에 추가하여 상기 학습 데이터와 고장 데이터가 병합된 데이터를 생성하며, 상기 C-MAPSS의 식별 정보와 센서 데이터를 이용하여 상기 병합된 데이터를 상기 학습용 데이터 셋과 상기 검증용 데이터 셋으로 분리하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
A data collection unit that collects data in real time through a sensor attached to the target device for fault diagnosis; And
A fault diagnosis unit that analyzes the collected data using machine learning and diagnoses abnormal symptoms by continuously monitoring defects or performance degradation of the target equipment based on the analysis result of the data,
The fault diagnosis unit generates a data set through a preprocessing process for the data collected through the sensor using a self-learning one-class SVM-based diagnosis model, and a part of the generated data set is By copying and creating outliers and adding them to the data set, the data set containing the outliers is separated into a training data set and a verification data set, and the original class SVM-based diagnostic model using the training data set. And, using the learned diagnosis model, verify the data set for verification to diagnose abnormal symptoms of the target device,
The fault diagnosis unit copies the learning data of C-MAPSS (Commercial Modular Aero-Propulsion System Simulation) to a certain range and sets it as a reference value for generating an outlier, and randomly selects at least one of the values out of the reference value as the outlier. After creation, it is added to the data set to generate data in which the learning data and the failure data are merged, and the merged data is used as the learning data set and the verification data using the identification information and sensor data of the C-MAPSS. A fault diagnosis management system using machine learning, characterized in that it is divided into three.
상기 고장 진단부는
지도 학습인 SVM(Support Vector Machine) 기반의 진단 모델을 이용하여 상기 머신 러닝을 수행하고, 상기 머신 러닝의 수행을 통한 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 이상 징후를 진단하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
The method of claim 1,
The fault diagnosis unit
The machine learning is performed using a diagnosis model based on a support vector machine (SVM), which is supervised learning, and an abnormal symptom of the target device is diagnosed based on the analysis result of the data through the execution of the machine learning. Fault diagnosis management system using machine learning.
상기 고장 진단부는
상기 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대해 전처리 과정을 진행하여 학습용 데이터 셋과 검증용 데이터 셋을 생성하며, 상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습을 진행하고, 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
The method of claim 2,
The fault diagnosis unit
Using the SVM-based diagnostic model, a pre-processing process is performed on the data collected through the sensor to generate a training data set and a verification data set. A failure diagnosis management system using machine learning, characterized in that the learning is performed and the verification of the verification data set is performed using the learned diagnosis model to diagnose abnormal symptoms of the target equipment.
상기 고장 진단부는
상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습 진행을 통해 가중치를 생성하고 상기 가중치를 상기 SVM 기반의 진단 모델에 적용하여 상기 학습된 진단 모델을 생성 및 저장하거나, 미리 학습된 진단 모델을 로딩하여 상기 검증용 데이터 셋에 대한 검증을 진행하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
The method of claim 3,
The fault diagnosis unit
Using the training data set, a weight is generated through the learning process for the SVM-based diagnostic model, and the learned diagnostic model is generated and stored by applying the weight to the SVM-based diagnostic model, or a pre-learned diagnosis A failure diagnosis management system using machine learning, characterized in that the verification of the verification data set is performed by loading a model.
ROC 커브를 사용하여 상기 학습된 진단 모델의 성능을 측정하고, 상기 측정의 결과값을 도식화하고 파일로 저장하며, 상기 학습된 진단 모델의 정확도 및 오차 행렬(Confusion Matrix) 값을 계산하여 그 결과값을 도식화하고 파일로 저장하는 모델 검증부
를 더 포함하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
The method of claim 3,
The performance of the learned diagnostic model is measured using an ROC curve, the result of the measurement is plotted and saved as a file, and the accuracy and confusion matrix of the learned diagnostic model are calculated and the result value Model verification unit that diagrams the data and saves it as a file
Failure diagnosis management system using machine learning, characterized in that it further comprises.
상기 고장 진단부는
상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습 진행을 통해 가중치를 생성하고, 상기 가중치를 상기 원 클래스 SVM 기반의 진단 모델에 적용하여 상기 학습된 진단 모델을 생성 및 저장하거나, 미리 학습된 진단 모델을 로딩하여 상기 검증용 데이터 셋에 대한 검증을 진행하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
The method of claim 1,
The fault diagnosis unit
Using the training data set, a weight is generated by learning the original-class SVM-based diagnostic model, and the learned diagnostic model is generated and stored by applying the weight to the original-class SVM-based diagnostic model, or , A failure diagnosis management system using machine learning, characterized in that the verification of the verification data set is performed by loading a pre-learned diagnostic model.
상기 학습된 진단 모델의 성능을 Precision-Recall 커브로 측정하고 AUC(Area Under a ROC Curve)로 검증하여 그 결과값을 도식화하고 파일로 저장하는 모델 검증부
를 더 포함하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
The method of claim 1,
A model verification unit that measures the performance of the learned diagnostic model with a Precision-Recall curve and verifies it with AUC (Area Under a ROC Curve), and plots the result value and saves it as a file.
Failure diagnosis management system using machine learning, characterized in that it further comprises.
상기 고장 진단 관리 시스템의 데이터 수집부가 고장 진단을 위한 타겟 장비에 부착된 센서를 통해 실시간으로 데이터를 수집하는 단계;
상기 고장 진단 관리 시스템의 고장 진단부가 머신 러닝을 이용하여 상기 수집된 데이터를 분석하는 단계; 및
상기 고장 진단부가 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 결함 또는 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단하는 단계를 포함하고,
상기 이상 징후를 진단하는 단계는
원 클래스 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대한 전처리 과정을 통해 데이터 셋을 생성하는 단계;
상기 생성된 데이터 셋에서 일 부분을 복사하여 이상치를 생성하여 상기 데이터 셋에 추가하는 단계;
상기 이상치가 포함되어 있는 데이터 셋을 학습용 데이터 셋과 검증용 데이터 셋으로 분리하는 단계;
상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습을 진행하는 단계; 및
학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단하는 단계를 포함하고,
상기 이상치를 생성하여 상기 데이터 셋에 추가하는 단계는
C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)의 학습 데이터를 일정 범위 복사하여 이상치를 생성하기 위한 기준값으로 설정하는 단계; 및
상기 기준값을 벗어난 값 중 적어도 하나를 무작위로 선택하여 상기 이상치로서 생성한 후 상기 데이터 셋에 추가하여 상기 학습 데이터와 고장 데이터가 병합된 데이터를 생성하는 단계를 포함하고,
상기 학습용 데이터 셋과 검증용 데이터 셋으로 분리하는 단계는
상기 C-MAPSS의 식별 정보와 센서 데이터를 이용하여 상기 병합된 데이터를 상기 학습용 데이터 셋과 상기 검증용 데이터 셋으로 분리하는 단계를 포함하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 방법.
In the fault diagnosis management method of a fault diagnosis management system using machine learning,
Collecting data in real time through a sensor attached to a target device for failure diagnosis by a data collection unit of the failure diagnosis management system;
Analyzing the collected data using machine learning by a failure diagnosis unit of the failure diagnosis management system; And
And diagnosing an abnormal symptom by continuously monitoring the defect or deterioration of the target equipment based on the analysis result of the data by the fault diagnosis unit,
Diagnosing the abnormal symptom
Generating a data set through a preprocessing process for data collected through the sensor using a one-class SVM-based diagnostic model;
Copying a portion of the generated data set, generating an outlier, and adding it to the data set;
Separating the data set including the outliers into a data set for learning and a data set for verification;
Performing learning on the original-class SVM-based diagnostic model using the training data set; And
Diagnosing an abnormal symptom of the target device by performing verification on the verification data set using the learned diagnostic model,
The step of creating the outlier and adding it to the data set
Copying the learning data of C-MAPSS (Commercial Modular Aero-Propulsion System Simulation) over a certain range and setting it as a reference value for generating an outlier; And
Generating data in which the training data and the failure data are merged by randomly selecting at least one of the values out of the reference value, generating the outlier value, and adding it to the data set,
The step of separating the training data set and the verification data set
And separating the merged data into the training data set and the verification data set using the identification information and sensor data of the C-MAPSS.
상기 이상 징후를 진단하는 단계는
SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대해 전처리 과정을 진행하여 학습용 데이터 셋과 검증용 데이터 셋을 생성하는 단계;
상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습을 진행하는 단계; 및
학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단하는 단계
를 포함하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 방법.
The method of claim 10,
Diagnosing the abnormal symptom
Generating a training data set and a verification data set by performing a pre-processing process on the data collected through the sensor using an SVM-based diagnostic model;
Performing learning on the SVM-based diagnostic model using the training data set; And
Diagnosing an abnormal symptom of the target device by performing verification on the verification data set using the learned diagnostic model
Failure diagnosis management method using machine learning, characterized in that it comprises a.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190065718A KR102252189B1 (en) | 2019-06-04 | 2019-06-04 | Fault diagnosis management system and method using machine learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190065718A KR102252189B1 (en) | 2019-06-04 | 2019-06-04 | Fault diagnosis management system and method using machine learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200139346A KR20200139346A (en) | 2020-12-14 |
| KR102252189B1 true KR102252189B1 (en) | 2021-05-13 |
Family
ID=73779913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190065718A KR102252189B1 (en) | 2019-06-04 | 2019-06-04 | Fault diagnosis management system and method using machine learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102252189B1 (en) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102507489B1 (en) * | 2020-12-24 | 2023-03-08 | 가톨릭대학교 산학협력단 | Apparatus and method for diagnosis classification |
| CN114492869A (en) * | 2022-01-25 | 2022-05-13 | 王启明 | Power distribution system health diagnosis method based on Internet of things technology |
| KR20230125116A (en) | 2022-02-20 | 2023-08-29 | 임창현 | The method for fault detection without training data or diagnosis with prediction of remaining time until breakdown using clustering algorithm and statistical methods |
| KR102538802B1 (en) * | 2022-10-20 | 2023-06-01 | 한국해양과학기술원 | System and method for estimating the amount of marine waste generated by ships |
| CN116484268B (en) * | 2023-06-21 | 2023-09-05 | 西安黑石智能科技有限公司 | Intelligent industrial equipment fault diagnosis system based on machine learning |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101185525B1 (en) * | 2005-07-29 | 2012-09-24 | 텔레콤 이탈리아 소시에떼 퍼 아찌오니 | Automatic biometric identification based on face recognition and support vector machines |
| JP2017102540A (en) * | 2015-11-30 | 2017-06-08 | 日本電信電話株式会社 | Classification device, method, and program |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101249576B1 (en) * | 2010-09-13 | 2013-04-01 | 한국수력원자력 주식회사 | Rotating Machinery Fault Diagnostic Method and System Using Support Vector Machines |
| JP6136537B2 (en) * | 2013-04-26 | 2017-05-31 | オムロン株式会社 | Image processing apparatus, image processing method, image processing control program, and recording medium |
-
2019
- 2019-06-04 KR KR1020190065718A patent/KR102252189B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101185525B1 (en) * | 2005-07-29 | 2012-09-24 | 텔레콤 이탈리아 소시에떼 퍼 아찌오니 | Automatic biometric identification based on face recognition and support vector machines |
| JP2017102540A (en) * | 2015-11-30 | 2017-06-08 | 日本電信電話株式会社 | Classification device, method, and program |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200139346A (en) | 2020-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102252189B1 (en) | Fault diagnosis management system and method using machine learning | |
| US11630040B2 (en) | Real-time structural damage detection by convolutional neural networks | |
| US11132245B2 (en) | System and method for handling errors in a vehicle neural network processor | |
| US10472096B2 (en) | Advanced analytic methods and systems utilizing trust-weighted machine learning models | |
| EP1729243B1 (en) | Fault detection system and method using approximate null space based fault signature classification | |
| KR101746328B1 (en) | Hybrid instance selection method using nearest-neighbor for cross-project defect prediction | |
| EP3156862B1 (en) | Methods and apparatus for the creation and use of reusable fault model components in fault modeling and complex system prognostics | |
| US9915925B2 (en) | Initiated test health management system and method | |
| US8560279B2 (en) | Method of determining the influence of a variable in a phenomenon | |
| CN110515781B (en) | Complex system state monitoring and fault diagnosis method | |
| KR102321607B1 (en) | Rotating machine fault detecting apparatus and method | |
| KR102416474B1 (en) | Fault diagnosis apparatus and method based on machine-learning | |
| Zhang et al. | Few-shot bearing anomaly detection via model-agnostic meta-learning | |
| US20220101666A1 (en) | Method and Apparatus for Determining a Residual Service Life based on a Predictive Diagnosis of Components of an Electric Drive System Using Artificial Intelligence Techniques | |
| CN111079865A (en) | Detection method and apparatus, electronic device, and medium | |
| KR102154413B1 (en) | Defect signal diagnostics apparatus and method using acoustic emission | |
| CN112199295B (en) | Spectrum-based deep neural network defect positioning method and system | |
| KR20200028249A (en) | Facility data fault diagnosis system and method of the same | |
| KR20220068799A (en) | System for detecting error of automation equipment and method thereof | |
| JP2021005370A (en) | Data driven machine learning for modeling aircraft sensors | |
| CN115270902A (en) | Method for testing a product | |
| CN105814546B (en) | Method and system for assisting the inspection to algorithm chain and verification | |
| Tastimur et al. | Defect diagnosis of rolling element bearing using deep learning | |
| KR102419740B1 (en) | Apparatus and method for diagnosis of system condition | |
| JP7449193B2 (en) | Computing device and vehicle control device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |