KR102365150B1 - 생성적 적대 신경망을 이용한 상태 감시 데이터 생성 방법 및 장치 - Google Patents

Abstract

머신 러닝 기반의 인공지능을 이용하는 상태 감시 데이터 생성 장치가 개시된다. 상기 상태 감시 데이터 생성 장치는 컴퓨팅 시스템을 포함하며 상기 컴퓨팅 시스템은 생성적 적대 신경망 및 프로세서를 포함하고, 상기 프로세서는 초기화된 제1 입력을 수신하는 생성기 신경망을 이용하여 판별기 신경망을 위한 제1 훈련 입력 데이터를 생성한다. 프로세서는 상기 기계 장비에서 실제로 발생하는 데이터를 상기 판별기 신경망을 위한 제2 훈련 입력 데이터로서 상기 판별기 신경망에 전달하고, 상기 기계 장비 및 상기 상태 감시 데이터의 물리적 특징에 부합하는지 여부를 검증하는 국부적 특징 함수가 정의되면, 상기 제1 훈련 입력 데이터를 상기 제2 훈련 입력 데이터로부터 판별하기 위한 제1 손실 함수에 상기 국부적 특징 함수가 합성되는 제2 손실 함수를 이용하여 상기 판별기 신경망 및 상기 생성기 신경망을 훈련한다.

Description

생성적 적대 신경망을 이용한 상태 감시 데이터 생성 방법 및 장치 {CONDITION MONITORING DATA GENERATING APPARATUS AND METHOD USING GENERATIVE ADVERSARIAL NETWORK}

본 발명은 머신 러닝 기반의 인공지능을 이용하여 기계 장비의 상태를 감시하는 분야에 관한 것이다. 구체적으로는 생성적 적대 신경망을 포함하는 머신 러닝 기반의 인공신경망을 이용하여, 기계 장비의 상태를 보다 효과적으로 감시하기 위한 방법 및 그 데이터셋을 취급하는 방법에 관한 것이다.

산업계에서 머신러닝 응용 사례 중 분류 작업(classification task)은 의료 및 공학 분야에서 주로 진단(diagnosis)에 활용된다. 딥러닝(Deep learning)을 비롯한 머신 러닝 기술은 이러한 분류 문제를 학습하기 위하여 충분한 수의 균형 잡힌(balanced) 표지(labeled) 데이터를 필요로 한다.

기계장치 및 부품의 동작 상태를 정확하게 진단하고, 비정상 동작을 검출하거나 예측하는 기술을 인공신경망으로 구현하기 위해서는 많은 양의 정상 및 비정상/이상 상태에 대한 데이터가 필요하다. 그러나 일반적으로 정상 상태 데이터와 비정상 상태 데이터는 불균형적으로 발생하며, 비정상 상태 데이터를 균형 잡힌 정도로 확보하는 것은 매우 어려운 일이다.

최근 인공신경망 분야에서 획기적인 연구 성과 중 하나로서 생성적 적대 신경망(GAN, Generative Adversarial Network)가 제안되었다. GAN은 존재하지 않는 데이터를 가공하여 실제의 데이터와 매우 유사한 데이터를 생성하는 점에서 주목받고 있다.

다만 GAN은 각 산업 분야에 적용되기 위해서는 그 산업 분야의 목적에 맞게 최적화될 필요가 있다.

GAN을 이용하는 종래기술로서 기계 장비 및 부품의 이상 상태를 진단하는 용도로 활용되는 종래 기술은 아직 구체화되지 않았으며, 산업 분야에서 아직 GAN을 적용한 사례는 발견되지 않았다.

GAN을 이용하지 않는 종래기술로서, 기계 장비 및 부품의 상태를 진단하는 다른 시도로는 가속수명시험(ALT, Accelerated Life Test) 데이터를 이용하는 방법이 있다. 이 방법은 필드 운용 조건(실제 운용 조건)보다 가혹한 운용 조건 하에 동작시켜 시스템의 평균 수명 또는 부품의 잔존 수명을 예측하기 위한 것이다.

가속수명시험 데이터를 이용하여 시스템의 잔존 수명을 예측하기 위한 목적으로, 인공신경망을 이용하여 데이터를 생성하는 기술로는 한국등록특허 제10-1925480호 "가속수명시험 데이터 기반 고장예지용 운용하중 데이터 생성 방법 및 장치" 등이 있다. 상기 선행기술은 복수의 회귀모델을 이용하여 기존 데이터로부터 데이터 셋을 생성한다. 상기 선행기술은 가속수명시험 데이터에 회귀 모델을 적용하여, 실제 필드 운용 조건으로 동작할 경우의 잔존 수명을 예측하는 방법인데, 가속수명시험 데이터에 나타난 부품의 열화 패턴이 그대로 필드 운용 조건 시에도 적용될 것인지 여부를 검증할 방법이 없어 데이터의 신뢰도가 문제되고, 생성된 데이터는 가속수명시험 데이터의 연장선 상에만 놓이므로 확장성이 떨어져 데이터의 불균형 문제는 여전히 남는다.

가동 중인 기계 장치에서 획득할 수 있는 상태 데이터의 종류는 정상 상태와 여러 가지 고장이 발생한 비정상/이상 상태를 포함한다. 하지만 실제로 고장이 발생한 경우에 데이터를 획득하는 경우가 드물기 때문에 머신러닝 모델의 학습을 위하여 실제의 기계 장비를 모방한 유사한 장치인 테스트베드(testbed)를 설정하거나 제조하여 고장을 인위적으로 인가하거나 모사하여 고장 상태 데이터를 획득하는 방법을 사용할 수 있다.

본 발명에서는 실제의 기계 장비의 정상 동작 데이터, 테스트베드의 정상 동작 데이터, 및 테스트베드의 비정상 동작 데이터로부터 실제의 기계 장비의 비정상 동작 데이터가 존재할 가능성이 있는 잠재 공간(latent space)을 설정하고, 산술 연산(arithmetic rule)에 기반하여 잠재 공간에 속하는 데이터를 모사할 수 있다.

본 발명에서는 잠재 공간에서 모사된 데이터를 물리적 특성에 대한 검증과 함께 GAN에 적용함으로써 신뢰성 높은 고장 상태 데이터를 생성하는 것을 목적으로 한다.

본 발명에서는 종래의 생성적 적대 신경망(GAN) 기술을 기계 장비의 상태 감시 데이터를 생성하는 용도로 활용하기 위한 변형된 GAN 네트워크를 제안한다. 변형된 GAN 네트워크는 물리적 특성에 대한 검증 과정을 포함할 수 있고, 실제 데이터의 패턴과 유사한 데이터를 생성하도록 학습될 수 있다.

본 발명은 상기의 종래기술의 문제점을 해결하기 위한 수단으로 도출된 것으로서, 본 발명의 일 실시예에 따른 상태 감시 데이터 생성 장치는, 컴퓨팅 시스템의 형태로 구현될 수 있다. 상태 감시 데이터 생성 장치는 머신 러닝 기반의 인공지능을 이용하여 기계 장비의 상태 감시 데이터를 생성하고, 컴퓨팅 시스템은 생성적 적대 신경망 및 프로세서를 포함한다. 생성적 적대 신경망은 생성기 신경망 및 판별기 신경망을 포함한다. 프로세서는 초기화된 제1 입력을 수신하는 상기 생성기 신경망을 이용하여 상기 판별기 신경망을 위한 제1 훈련 입력 데이터를 생성한다. 초기화된 제1 입력의 예로는 랜덤 노이즈를 들 수 있다.

프로세서는 상기 기계 장비에서 실제로 발생하는 데이터를 상기 판별기 신경망을 위한 제2 훈련 입력 데이터로서 상기 판별기 신경망에 전달하고, 상기 기계 장비 및 상기 상태 감시 데이터의 물리적 특징에 부합하는지 여부를 검증하는 국부적 특징 함수가 정의되면, 상기 제1 훈련 입력 데이터를 상기 제2 훈련 입력 데이터로부터 판별하기 위한 제1 손실 함수에 상기 국부적 특징 함수가 합성되는 제2 손실 함수를 이용하여 상기 판별기 신경망 및 상기 생성기 신경망을 훈련한다.

이때 상기 기계 장비는 실제의 기계 장비 및 상기 실제의 기계 장비를 모방한 테스트베드를 포함할 수 있다.

이때 상기 프로세서는 상기 테스트베드의 정상 동작에 의하여 얻어지는 제1 정상 상태 데이터에 대응하는 제1 데이터 도메인, 상기 테스트베드의 비정상 동작에 의하여 얻어지는 제1 비정상 상태 데이터에 대응하는 제2 데이터 도메인, 및 상기 실제의 기계 장비의 정상 동작에 의하여 얻어지는 제2 정상 상태 데이터에 대응하는 제3 데이터 도메인 간의 연관성에 기반한 산술 연산에 의하여 상기 실제의 기계 장비의 비정상 동작에 의하여 얻어지는 제2 비정상 상태 데이터에 대응하는 잠재적 데이터 공간인 제4 데이터 도메인에 속하는 제2 입력 데이터를 생성할 수 있다.

이때 상기 프로세서는 상기 제2 입력 데이터를 상기 생성적 적대 신경망의 상기 생성기 신경망의 입력으로서 상기 훈련을 거친 상기 생성기 신경망에 전달하며, 상기 훈련을 거친 상기 생성기 신경망 및 상기 훈련을 거친 상기 판별기 신경망의 추론(inference)을 거쳐 판별된 출력 데이터를 상기 제4 데이터 도메인에 속하는 상기 실제의 기계 장비의 상태 감시 데이터로서 생성할 수 있다.

이때 상기 프로세서는 상기 훈련을 거친 상기 생성기 신경망 및 상기 훈련을 거친 상기 판별기 신경망의 추론(inference)을 거쳐 판별된 출력 데이터를 상기 기계 장비의 상기 상태 감시 데이터로서 생성할 수 있다. 이때 상기 출력 데이터는 상기 기계 장비의 상태를 감시하기 위한 또 다른 인공신경망의 머신 러닝을 위한 입력 데이터로서 이용될 수 있다.

이때 상기 국부적 특징 함수는 상기 기계 장비의 상기 상태 감시 데이터로서 생성될 목표 데이터 도메인의 물리적 특징에 기반한 국부적 특징 데이터와의 연관성을 정량화하는 함수일 수 있다. 예를 들어, 상기 국부적 특징 데이터는 상기 기계 장비에 포함되는 기어(gear)에서 발생하는 진동 데이터의 기어맞물림 주파수(GMF, Gear mesh frequency)에 기반한 데이터일 수 있다. 또한 상기 제2 손실 함수는 상기 제1 손실 함수, 및 상기 국부적 특징 함수의 음수를 취한 값 간의 가중치 합산으로 정의될 수 있다.

이때 상기 프로세서는 상기 초기화된 제1 입력을 랜덤 노이즈에 기반하여 생성하고 상기 생성기 신경망의 훈련을 위한 입력으로서 상기 생성기 신경망에 전달할 수 있다. 또한 상기 프로세서는 상기 제2 입력 데이터를 상기 제4 데이터 도메인에 속하는 랜덤 넘버로 생성하고, 상기 제2 입력 데이터를 상기 훈련된 상기 생성기 신경망의 입력으로서 상기 훈련된 상기 생성기 신경망의 입력으로 전달할 수 있다.

본 발명의 일 실시예에 해당하는 상태 감시 데이터 생성 방법은 컴퓨팅 시스템에 의하여 실행되는, 머신 러닝 기반의 인공지능을 이용하여 기계 장비의 상태 감시 데이터를 생성한다. 본 발명의 상태 감시 방법은 상기 프로세서는 초기화된 제1 입력을 수신하는 상기 생성기 신경망을 이용하여 상기 판별기 신경망을 위한 제1 훈련 입력 데이터를 생성하는 단계; 상기 프로세서는 상기 기계 장비에서 실제로 발생하는 데이터를 상기 판별기 신경망을 위한 제2 훈련 입력 데이터로서 상기 판별기 신경망에 전달하는 단계, 및 상기 프로세서는, 상기 기계 장비 및 상기 상태 감시 데이터의 물리적 특징에 부합하는지 여부를 검증하는 국부적 특징 함수가 정의되면, 상기 제1 훈련 입력 데이터를 상기 제2 훈련 입력 데이터로부터 판별하기 위한 제1 손실 함수에 상기 국부적 특징 함수가 합성되는 제2 손실 함수를 이용하여 상기 판별기 신경망 및 상기 생성기 신경망을 훈련하는 단계를 포함한다.

본 발명에 따르면 가동 중인 기계 장치에서 획득할 수 있는 상태 데이터의 종류는 정상 상태와 여러 가지 고장이 발생한 비정상/이상 상태 간의 비대칭 및 불균형을 해결하고, 실제 기계 장치에서 발생할 비정상/이상 상태의 데이터를 모사함으로써 균형 잡힌 표지(labeled) 데이터를 생성할 수 있다.

본 발명에 따르면 머신러닝을 이용하여 기계 장치에 대한 고장 진단을 위한 학습에 필요한 균형 잡힌 데이터를 생성할 수 있고, 이로 인하여 기계 장치에 대한 고장 진단에 머신 러닝의 응용 범위를 확대할 수 있다.

본 발명에 따르면 실제의 기계 장비의 정상 동작 데이터, 테스트베드의 정상 동작 데이터, 및 테스트베드의 비정상 동작 데이터로부터 실제의 기계 장비의 비정상 동작 데이터가 존재할 가능성이 있는 잠재 공간(latent space)을 설정하고, 산술 연산(arithmetic rule)에 기반하여 잠재 공간에 속하는 데이터를 모사할 수 있다.

본 발명에 따르면 잠재 공간에서 모사된 데이터를 물리적 특성에 대한 검증과 함께 GAN에 적용함으로써 신뢰성 높은 고장 상태 데이터를 생성할 수 있다.

본 발명에 따르면 종래의 생성적 적대 신경망(GAN) 기술을 기계 장비의 상태 감시 데이터를 생성하는 용도로 활용하기 위한 변형된 GAN 네트워크를 구현할 수 있다. 본 발명의 변형된 GAN 네트워크는 물리적 특성에 대한 검증 과정을 포함할 수 있고, 실제 데이터의 패턴과 유사한 데이터를 생성하도록 학습될 수 있다.

본 발명에 따르면 이상상태 산업데이터 생성 기법을 이용하여 현장에서는 매우 희소한 실제 시스템 수준의 이상상태 산업데이터를 취득할 수 있다. 이렇게 얻어진 이상상태 산업데이터는 정확한 산업정보 예측 및 관리 알고리즘을 개발하는데 쓰이게 되며, 이를 통해 1) 제조 설비 건전성 예측진단을 통한 생산성 극대화(near-zero downtime), 2) 출고 제품 품질 검사 수행을 통한 제품 신뢰도 향상(near-zero defect), 3) 설비 에너지 효율 극대화(near-zero waste)를 이룰 수 있다.

본 발명에 따르면 생성적 적대 신경망(GAN)을 이용하여 관측된 적 없는(unobserved) 데이터를 생성하고, 새로이 생성된 데이터를 이용하여 실제 기계 장비의 이상 상태를 미리 학습하고, 고장 발생을 예측할 수 있다.

본 발명에 따르면 생성적 적대 신경망(GAN)을 이용하여 적합한 산업데이터 생성을 위하여 데이터의 잠재공간을 사용자 의도에 맞게 재구축할 수 있다.

도 1은 본 발명의 일 실시예에 따른 머신 러닝 기반의 인공지능을 이용하는 생성적 적대 신경망(GAN)을 포함하는 컴퓨팅 시스템을 도시하는 도면이다.
도 2는 본 발명의 일 실시예에 따른 머신 러닝 기반의 인공지능을 이용하는 생성적 적대 신경망(GAN)을 도시하는 도면이다.
도 3은 도 2의 GAN을 이용하여 본 발명의 일 실시예에서 생성되는 데이터를 데이터 공간 상에서 설명적으로 도시하는 도면이다.

상기 목적 외에 본 발명의 다른 목적 및 특징들은 첨부 도면을 참조한 실시예에 대한 설명을 통하여 명백히 드러나게 될 것이다.

본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

본 발명은 기계류 부품 (베어링, 기어, 모터 등)의 상태 감시(condition monitoring)에 쓰이는 데이터를 생성하는 기술이다. 생성되는 상태 감시 데이터는 예를 들면, 적외선 영상, 시계열 가속도, 가스 농도, 습도, 유량, 압력, 농도비, 토크, 위치 신호 등의 데이터를 포함할 수 있다. 즉, 기계 장비 또는 부품의 오퍼레이션 시 발생하는 정보는 모두 상태 감시 데이터로 이용할 수 있으며, 기계 장비 또는 부품의 진동, 소음, 외형 상의 변화 등은 모두 상태를 나타내는 정보이다.

산업계에서의 기계학습 응용 사례 중 분류 작업(classification task)은 의료 및 공학 분야에서 주로 진단(diagnosis)에 활용된다. 심층학습(Deep learning)을 비롯한 기계학습 기술은 이러한 분류 문제를 학습하기 위하여 충분한 수의 균형 잡힌(balanced) 표지(labeled) 데이터를 필요로 한다. 따라서 기계류 부품의 상태를 정확하게 진단하고 예측하고 기술을 만들기 위해서는 많은 양의 정상 및 이상에 대한 상태 데이터가 필요하다. 하지만 정상상태 데이터 대비 이상상태 데이터는 상대적으로 부족하여 진단 모델의 학습이 어렵다. 따라서 본 발명은 부족한 데이터, 특히 이상상태 데이터를 생성하기 위하여 생성적 적대 신경망(Generative adversarial networks, GANs)를 이용하는 방법을 제안한다.

가동 중인 기계 장치에서 획득할 수 있는 상태데이터의 종류는 정상적인 동작 외에도 여러 가지 고장 상태를 포함한다. 하지만 실제 고장이 발생할 때 데이터를 획득하는 것은 매우 드문 일이기 때문에 향후 기계 장치의 진단 또는 고장을 예측하기 위해 고장 데이터를 생성하는 것은 본 발명의 기술 분야에서 대단히 중요한 테마 중 하나이다.

고장 데이터를 생성하기 위해서는 유사한 장치(테스트베드: testbed)를 만들어 고장을 인위적으로 인가하거나 모사하여 고장 상태 데이터를 획득하는 방법이 주로 쓰인다. 하지만 앞에서 인용한 선행문헌 KR 10-1925480 에서와 같이, 테스트베드는 테스트베드일 뿐이고 진단/예측의 대상인 기계 장치 그 자체가 아니므로, 테스트베드에서 얻어지는 데이터에 기반하여 기계 장치의 가상 데이터를 얻는 방법은 여러 가지가 있을 수 있으나, 그렇게 얻어진 가상 데이터를 적용하기 위해서는 가상 데이터의 타당성에 대한 검증이 필요하다.

본 발명에서는 기 발생된 데이터를 확장하여 얻어진 기계 장치의 고장 데이터를 물리적인 법칙, 및 패턴 분석에 의한 검증 과정을 생성적 적대 신경망의 적용을 통하여 해결한다.

본 발명에서 고장 상태 데이터를 생성하는 방법은 GANs의 잠재공간(latent space)에서의 산술연산(arithmetic rule)에 기반한다. 정상과 고장(혹은 이상) 데이터를 얻기 쉬운 시스템, 즉 테스트베드를 A라고 하고, 고장 데이터를 얻기 어려운 시스템, 즉 실제 장비를 B라고 하면 A의 1)정상과 2)고장, B의 3)정상, 3가지 상태의 데이터를 이용하여 B의 고장 데이터를 생성할 수 있다.

본 발명은 구체적으로 첫번째로 생성기(Generator) 학습, 두번째로 데이터 생성을 포함하는 두 단계로 이루어지는데, 생성기 신경망의 학습 과정에서 물리적 법칙에 위배되거나 부적절한 데이터를 걸러내는 기준을 생성기 신경망이 학습한다.

도 1은 본 발명의 일 실시예에 따른 머신 러닝 기반의 인공지능을 이용하는 생성적 적대 신경망(GAN)(120)을 포함하는 컴퓨팅 시스템(100)을 도시하는 도면이다.

도 1을 참조하면, 컴퓨팅 시스템(100)은 프로세서(110) 및 생성적 적대 신경망(120)을 포함한다. 생성적 적대 신경망(120)은 메모리 또는 스토리지에 저장되며 프로세서(110)와의 상호 작용을 통하여 내부의 각 노드(node) 간의 엣지(edge)의 가중치(weight)를 학습하고, 학습된 가중치에 기반하여 새로운 입력 데이터에 대한 추론(inference)을 실행한다.

도 2는 본 발명의 일 실시예에 따른 머신 러닝 기반의 인공지능을 이용하는 생성적 적대 신경망(GAN)(120)을 도시하는 도면이다.

도 2를 참조하면, 도 1의 생성적 적대 신경망(120)은 생성자/생성기 신경망(Generator Network)(210), 판별자/판별기 신경망(Discriminator Network)(220), 판별기 신경망(220)의 제1 손실함수(240), 국부적 특징 데이터(232)로부터 생성된 데이터가 적용된 Local Correlation(230), Local Correlation(230)의 결과인 국부적 특징 손실함수(250), 및 제1 손실함수(240)과 국부적 특징 손실함수(250)가 합성된 제2 손실함수(260)를 포함한다.

프로세서(110)는 생성적 적대 신경망(120)의 생성기 신경망(210) 및 판별기 신경망(220)을 제어하여, 생성적 적대 신경망(120)이 상태 감시 데이터를 생성할 수 있도록 생성적 적대 신경망(120)을 제어한다.

생성기 신경망(210)은 랜덤 노이즈(214)를 초기화된 제1 입력으로 수신하고, 제1 훈련 입력 데이터(216)를 생성한다. 제1 훈련 입력 데이터(216)는 판별기 신경망(220)을 위한 입력 중 하나이고, 향후 생성될 데이터의 후보이다.

기계 장비에서 실제로 발생하는 데이터에 기반하여 생성되는 훈련 데이터(Training Set)(212)는 판별기 신경망(220)을 위한 제2 훈련 입력 데이터로서 판별기 신경망(220)에 전달된다.

일반적으로 종래의 GANs는 데이터를 정교하게 생성해낼 수 있지만 이 과정은 구조 수정, 학습 파라미터 조정 등의 시행착오를 요구한다. 본 발명에서와 같이, 학습되지 않은 도메인의 데이터를 생성하는 경우 실제 물리현상에 맞지 않는 데이터가 생성될 수 있다. 따라서 물리적 사실에 근거하여 본 발명의 생성적 적대 신경망(120)은 데이터를 학습할 수 있도록 하는 "국부적 특징 데이터(Local Feature Data)"(232)를 정의하여 생성기 신경망(210)과 판별기 신경망(220)의 학습 시 손실함수에 반영한다. 이 국부적 특징 데이터(232)는 생성하고자 하는 도메인의 물리적 특징을 잘 반영하는 대표적인 데이터로 구성한다. 국부적 특징 데이터(232)로부터, 생성하고자 하는 데이터 도메인의 물리적 특징을 잘 반영하는 국부적 메트릭(Local Metric)이 추가로 도출될 수 있다. 본 발명의 실시예에서는 기어박스의 기어에서 발생하는 진동 데이터를 예시로 든다. 기어에서 발생하는 진동은 기어맞물림 주파수(Gear mesh frequency, GMF)라는 고유의 주파수가 발생하며, 이 주파수의 스펙트럼은 전체 스펙트럼 중 가장 큰 비중을 차지한다. 국부적 특징 데이터(232)는 이러한 도메인 고유의 물리적 특징을 담고 있는 국부적인 특징들의 데이터이다. 학습을 위한 생성적 적대 신경망(120)의 제2 손실함수(260)는 종래의 GANs(예를 들어, 생성기 신경망(210)과 판별기 신경망(220)만의 결합인 경우를 의미함)의 손실함수인 제1 손실함수(240)에 국부적 특징 데이터(232)에 대한 생성데이터의 Local Correlation(230)의 음수값의 합으로 이루어진다. 두 손실함수(240, 250)를 더하여 하나의 함수인 제2 손실함수(260)로서 생성하기 위하여 가중합 파라미터가 필요하다. 제1 손실함수(240)와 국부적 특징 손실함수(250) 각각에 적용되는 가중치는 개별적으로 최적화될 수 있다. 가중치는 국부적 특징 손실함수(250)가 포함하는 물리적 특성을 고려하여 결정될 수 있다.

생성적 적대 신경망에 포함되는 판별기(Discriminator) 신경망(220)이 제1 손실 함수(240)를 이용하여 산술 연산에 의한 확장 시 확장된 데이터의 패턴이 학습 대상인 훈련 데이터(training set)(212), 즉, 제2 훈련 입력 데이터와 유사하도록 생성적 적대 신경망을 제어한다. 또한 생성된 데이터(216)가 국부적 특징, 물리적 법칙에 부합하는지를 국부적 특징 손실함수(150) 및 제2 손실 함수(260)가 피드백하여 생성적 적대 신경망(120)이 생성된 데이터를 스스로 검증할 수 있는 수단으로서 기능한다.

도 3은 도 1과 도 2의 GAN(120)을 이용하여 본 발명의 일 실시예에서 생성되는 데이터를 데이터 공간 상에서 설명적으로 도시하는 도면이다.

도 3을 참조하면, 생성적 적대 신경망(120)을 이용하여 데이터 공간(310, 320) 상에서 데이터를 확장하고, 확장된 데이터를 조정하고, 조정된 데이터를 검증(물리적인 특징에 기반하여 검증)하는 과정이 도시된다.

본 발명의 생성적 적대 신경망(120)은 관측공간(Observation Space)(310)에서 실제로 관측된 데이터에 기반하여, 잠재공간(320)에서 무작위 수(random number)를 새로운 데이터의 후보로서 생성할 수 있다. 이때 학습된 생성적 적대 신경망(120)은 생성된 무작위 수를 입력받아 판별기 신경망(220)과 제2 손실함수(260)의 동작에 의하여 새로운 데이터를 생성할 수 있다. 이때, 잠재공간(Latent Space)(320)에서는 도메인 별로 생성되는 데이터의 특징이 고유하다.

관측 대상이 되는 기계 장비는 실제의 기계 장비 및 실제의 기계 장비를 모방한 테스트베드(testbed)를 포함한다.

관측공간(310)에서 얻어지는 데이터는 상기 테스트베드의 정상 동작에 의하여 얻어지는 제1 정상 상태 데이터에 대응하는 제1 데이터 도메인(testbed normal), 상기 테스트베드의 비정상 동작에 의하여 얻어지는 제1 비정상 상태 데이터에 대응하는 제2 데이터 도메인(testbed fault), 및 상기 실제의 기계 장비의 정상 동작에 의하여 얻어지는 제2 정상 상태 데이터에 대응하는 제3 데이터 도메인(Field normal)으로 구분될 수 있다.

실제의 기계 장비가 고의로 비정상 동작을 하게 될 경우는 빈번하게 발생하지 않으며, 실제의 기계 장비의 비정상 동작 시, 그 상태 정보를 정확하게 얻어내는 것은 매우 어려운 일이다. 따라서 실제의 기계 장비의 비정상 동작에 의하여 얻어지는 제2 비정상 상태 데이터에 대응하는 제4 데이터 도메인(Field fault)의 데이터는 거의 얻기 어려우며, 이 점에서 제4 데이터 도메인의 데이터는 관측공간(310)에서는 존재하지 않고 잠재공간(320)에서 취급된다.

도 3에 도시된 것처럼, 관측공간(310)의 제1 데이터 도메인, 제2 데이터 도메인, 및 제3 데이터 도메인이 가용한 데이터(Available Data)로서 생성적 적대 신경망(120)에 입력되고, 생성적 적대 신경망(120)이 훈련/학습된다.

생성적 적대 신경망(120)의 학습에 의하여, 관측공간(310)의 제1 데이터 도메인, 제2 데이터 도메인, 및 제3 데이터 도메인에 속하는 제2 훈련 입력 데이터(212)는 잠재공간(320)에서 확장된 도메인을 가지도록 조정된다. 도 3에서는 설명의 편의상 제1 데이터 도메인의 잠재공간(320)에서의 제1 잠재적 데이터 도메인(322)을 이용하여 이 과정을 설명한다. 생성적 적대 신경망(120)의 생성기 신경망(210)은 랜덤 넘버를 이용하여 제1 잠재적 데이터 도메인(322)으로부터 제1 확장 데이터 도메인(324)으로 생성 가능한 데이터의 범위를 넓힐 수 있다. 생성기 신경망(210)은 기초 데이터로부터 생성 데이터의 범위를 확장하는 기술이므로, 잠재공간(320) 상에서는 데이터가 가질 수 있는 수치 범위가 확장되는 것으로 표현된다. 다만 이때 물리적 특성을 고려한 국부적 특징 손실함수(250)에 의하여 생성 가능한 데이터는 물리적 특성/국부적 특징에 부합하는 데이터만 선별적으로 생성될 수 있고, 생성 가능한 데이터의 실제 데이터에 대한 유사도는 더욱 높아질 수 있다. 또한, 판별기 신경망(220)의 제1 손실함수(240)에 의하여, 데이터가 가지는 고유한 패턴이 식별되고, 생성 가능한 데이터는 제1 데이터 도메인에서 나타나는 고유한 패턴을 가지는 데이터가 선별적으로 생성될 수 있다.

마찬가지로, 제2 데이터 도메인의 데이터에 대해서도 생성적 적대 신경망(120)의 학습에 의하여, 생성적 적대 신경망(120)이 생성할 수 있는 데이터의 잠재적 도메인은 잠재공간(320) 상에서 확장될 것이다. 이 경우에도 제2 데이터 도메인에서 나타나는 고유한 패턴과 물리적 특징/국부적 특징이 반영된 데이터가 선별적으로 생성될 것이며, 제3 데이터 도메인에 대해서도 동일한 기술적 특징이 마찬가지로 적용된다.

프로세서(110)는 제1 데이터 도메인, 제2 데이터 도메인, 및 제3 데이터 도메인 간의 연관성에 기반한 산술 연산(arithmetic operation)에 의하여, 제4 데이터 도메인에 속하는 새로운 제2 입력 데이터를 생성할 수 있다. 제1 데이터 도메인, 제2 데이터 도메인, 및 제3 데이터 도메인 간의 연관성에 기반하여 제4 데이터 도메인에 속하는 제2 입력 데이터를 생성하는 과정은 다양한 산술 연산에 의하여 구현될 수 있다. 제4 데이터 도메인의 데이터를 얻는 방법은, 종래의 머신 러닝/기계 학습(machine learning)을 이용하여 얻어질 수도 있다. 예를 들면, 실제 시스템 모사 테스트베드 데이터(제1, 제2 데이터 도메인) 취득을 통하여 지도 학습(supervised learning)을 이용하여 제4 데이터 도메인의 데이터를 얻을 수도 있으며, 실제 시스템 취득 정상 데이터(제3 데이터 도메인)를 이용한 비지도 학습(unsupervised learning)을 이용하여 제4 데이터 도메인에 속하는 데이터를 얻을 수도 있다. 다만 종래의 지도 학습 기반 방법은 제조사, 운행 환경, 용량 등의 테스트베드 특성에 따라 알고리듬이 편향되게 학습되는 한계가 있다. 또한 종래의 비지도 학습 방법은 이종 정상(학습된 정상과 다른 종류의 정상)을 고장으로 오진단할 우려가 있다.

본 발명의 생성적 적대 신경망(120)은 데이터가 가지고 있는 여러 특성을 데이터 차원보다 낮은 잠재공간(320)에서 학습하고, 확장할 수 있다. 생성적 적대 신경망(120)은 잠재공간(320) 내에서 종래의 머신 러닝보다 smooth하게 데이터를 학습하므로, 데이터의 특성에 따른 산술 연산(arithmetic operation)이 가능하도록 지원한다.

또한 기존의 비지도학습에서는 실제 데이터(Real Data)의 특징을 추출하고, 추출된 특징을 다시 데이터로 재구축하는 과정에서 잠재공간의 형태가 무작위적이고 재구축된 데이터가 현실과 동떨어진 경우가 빈번하였는데, 본 발명의 생성적 적대 신경망(120)은 생성기 신경망(210)이 생성한 가짜 데이터(Fake Data)와 실제 데이터(Real Data)를 판별기 신경망(220)이 구분하지 못할 정도로 학습하는 것이 목표로 설계되기 때문에, 현실과 구분하기 어려울 정도로 유사한 데이터를 모사해 낼 수 있다. 생성적 적대 신경망(120)은 종래의 제한적 볼츠만 머신(Restricted Boltzmann Machine, RBM)이나 디노이징 오토인코더(denosing Autoencoder, dAE)에 비해 매우 현실적인 데이터를 생성할 수 있다. 또한 데이터가 속하는 도메인의 물리적 특성을 고려한 국부적 특징 손실함수(150)를 생성적 적대 신경망(120) 내에 포함함으로써, 생성된 데이터가 물리적 법칙에 부합하고, 고장진단에 가치가 높게 사용될 수 있는 실제 산업 시스템의 고장데이터를 생성해낼 수 있다.

잘 형성된 잠재공간은 데이터가 포함하고 있는 특징을 잘 정렬하는 경향이 있으며, 이를 이용하여 잠재공간 좌표의 산술연산(arithmetic operation)을 이용하여 새로운 데이터를 생성해 낼 수 있다. 이 발명을 통하여 가정할 수 있는 좋은 예시 중 하나는 테스트베드에서 인위적으로 생성된 정상 데이터와 고장데이터, 그리고 실제 산업시스템에서 획득된 상 데이터를 가지고 있을 때 특징 1(정상 ,고장), 특징 2(테스트베드, 산업시스템)의 특징을 각각 획득하여 산술연산을 통해 잠재공간에서 산업시스템의 고장데이터 좌표를 획득하여 생성해내는 것이다. 이를 통하여 획득이 어려운 산업시스템의 고장데이터를 생성하여 진단모델의 학습에 활용할 수 있다.

도메인 별로 생성하는 데이터의 특징이 고유하며, 이 성질을 이용하여 학습된 데이터가 잠재공간(320)의 어느 도메인에서 발생하는지 알고 있을 때, 잠재공간(320)에서의 산술연산을 통해서 새로운 데이터를 생성해낼 수 있다. 산술연산을 통하여 프로세서(110)는 잠재공간(320) 내에서 제4 데이터 도메인(326, 328)의 데이터를 생성할 수 있다. 이러한 산술연산 과정은 생성적 적대 신경망(120) 내부에서 실행될 수도 있고, 컴퓨팅 시스템(100) 내부의 다른 generator 신경망 또는 generator 로직에 의하여 실행될 수도 있다.

이러한 산술 연산의 일 예시로, 종래기술인 한국등록특허 KR 10-1925480호 "가속수명시험 데이터 기반 고장예지용 운용하중 데이터 생성 방법 및 장치" 등의 발명이 본 발명의 목적에 변형되어 이용될 수도 있다. 상기 선행문헌은 본 발명의 구성의 일부로서 변형되어 적용될 수 있다. 다만 상기 선행문헌은 앞서 설명한 바와 같이, 산술적 관련성, 통계적 관련성에만 초점을 맞추고 있어 데이터의 확장이 불가능하고, 생성된 가짜 데이터가 실제 데이터와 유사한 지, 실제 데이터가 물리적 법칙을 따르고 있는지에 대한 정보를 포함하지 않고, 이에 따른 검증도 불가능하다. 이에 비하여 본 발명의 생성적 적대 신경망(120)은 데이터의 잠재공간(320) 내에서 확장이 가능하고, 두 가지 종류의 손실함수(140, 150)가 합성된 제2 손실함수(160)를 이용함으로써, 생성되는 데이터가 실제 데이터와 구별이 어려울 정도로 유사하고, 물리 법칙을 따르도록 학습될 수 있다.

산술 연산에 의하여 제4 잠재적 데이터 도메인(326)의 데이터가 생성되고, 제4 잠재적 데이터 도메인(326)의 데이터를 제2 입력 데이터로서 생성적 적대 신경망(120)에 입력한 후, 생성적 적대 신경망(120)에 의하여 생성되는 데이터는 제4 확장 도메인(328)에 대응한다. 생성적 적대 신경망(120)에 의하여 생성되는 데이터가 제4 데이터 도메인에 속하면서 실제의 기계 장비의 상태 감시 데이터로서 생성된다. 생성적 적대 신경망(120)을 구현하는 실시예에 따라서는 제2 입력 데이터에 의한 생성기 신경망(210)의 출력 데이터가 상태 감시 데이터로서 생성될 수도 있고, 또 다른 실시예에 따라서는 생성기 신경망(210)의 출력 데이터가 판별기 신경망(220)의 추론(inference)에 의하여 선별된 출력 데이터가 상태 감시 데이터로서 생성될 수도 있다.

프로세서(110)는 훈련을 거친 생성적 적대 신경망(120)의 추론(inference)을 거쳐 생성된 출력 데이터를 기계 장비의 상태 감시 데이터로서 생성하고, 이때의 출력 데이터는 기계 장비의 상태를 감시하기 위한 또 다른 인공신경망(도시되지 않음)의 머신 러닝을 위한 입력 데이터로서 이용될 수 있다.

제1 데이터 도메인, 제2 데이터 도메인, 및 제3 데이터 도메인을 입력 데이터로 하여 훈련된 생성적 적대 신경망(120)은 잠재공간(320) 내에서 확장된 데이터 도메인에 속하는 데이터를 생성할 수 있다. 이때, 판별기 신경망(220)은 각 데이터 도메인 별로 최적화된 판별 기준을 학습할 수 있다. 따라서 잠재공간(320)에서 잠재적 데이터 도메인이 확장되어도 제1 데이터 도메인의 확장된 데이터 도메인(324)이 다른 제2 데이터 도메인 또는 제3 데이터 도메인을 침범하지 않도록 제어될 수 있다. 판별기 신경망(220)의 학습에 의한 판별 기준은, 제4 데이터 도메인에 대해서도 적용되므로, 제4 잠재적 데이터 도메인(326)의 데이터로부터 확장/생성된 제4 확장 데이터 도메인(328)이 다른 제1 데이터 도메인, 제2 데이터 도메인, 또는 제3 데이터 도메인을 침범하지 않도록 제어될 수 있다.

국부적 특징 손실함수(250)는 기계 장비의 상태 감시 데이터로서 생성될 목표 데이터 도메인의 물리적 특징에 기반한 국부적 특징 데이터와의 연관성을 정량화하는 함수로 선택될 수 있다. 또한 국부적 특징 손실함수(250)는 제1 데이터 도메인, 제2 데이터 도메인, 제3 데이터 도메인, 및 제4 데이터 도메인 각각에서 나타나는 물리적 특징이 개별적으로 최적화되는 국부적 메트릭(Local Metric)의 형태로 정의될 수도 있다.

본 발명의 변형된 일 실시예로서, 프로세서(110)는 초기화된 제1 입력을 랜덤 노이즈에 기반하여 생성하고 생성기 신경망(210)의 훈련을 위한 입력으로서 생성기 신경망(210)에 전달할 수 있다. 이때, 프로세서(110)는 제2 입력 데이터를 제4 데이터 도메인에 속하는 랜덤 넘버에 기반하여 생성하고, 제2 입력 데이터를 훈련된 생성기 신경망(210)의 입력으로서 전달할 수도 있다.

본 발명의 머신 러닝 기반의 인공지능을 이용하는 상태 감시 데이터 생성 장치 및 방법은 상태 감시 데이터 생성에 적합하도록 조정된 생성적 적대 신경망(120)을 제안한다. 또한 본 발명의 생성적 적대 신경망(120)은 잠재공간(320)에서 데이터를 확장할 수 있고, 관측되지 않은(unobserved) 데이터 또는 매우 부족한 데이터로부터 실제 기계 장비의 고장 데이터를 얻을 수 있어, 데이터의 불균형과 비대칭을 해소할 수 있다. 또한 본 발명의 생성적 적대 신경망(120)은 단순히 데이터를 산술적으로 조합하여 확장하는 것이 아니라, 각 데이터 도메인의 데이터 패턴을 학습하여 실제 데이터와 구별하기 어려운 데이터를 선별적으로 생성할 수 있고, 또한 이 과정에서 각 데이터 도메인에서 나타나는 물리적 특성이 반영된 손실함수를 추가로 적용하여 생성된 데이터가 물리적 법칙을 따르는, 현실과 매우 유사한 데이터를 생성할 수 있다.

본 발명의 일 실시예에 따른 머신 러닝 기반의 인공지능을 이용하는 상태 감시 데이터 생성 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 본 발명을 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), CD-ROM, 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 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다. 본 발명의 실시예와 도면에 소개된 길이, 높이, 크기, 폭 등은 이해를 돕기 위해 과장된 것일 수 있다.

이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.

따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

100: 컴퓨팅 시스템
110: 프로세서
120: 생성적 적대 신경망
210: 생성기 신경망 220: 판별기 신경망
240: 제1 손실함수 260: 제2 손실함수

Claims (12)

1. 머신 러닝 기반의 인공지능을 이용하여 기계 장비의 상태 감시 데이터를 생성하는 상태 감시 데이터 생성 장치로서, 상기 상태 감시 데이터 생성 장치는 컴퓨팅 시스템을 포함하며 상기 컴퓨팅 시스템은 생성적 적대 신경망(GAN, Generative Adversarial Network) 및 프로세서를 포함하고,
   상기 생성적 적대 신경망은 생성기 신경망(Generator Network)과 판별기 신경망(Discriminator Network)을 포함하고,
   상기 프로세서는
   초기화된 제1 입력을 수신하는 상기 생성기 신경망을 이용하여 상기 판별기 신경망을 위한 제1 훈련 입력 데이터를 생성하고,
   상기 기계 장비에서 실제로 발생하는 데이터를 상기 판별기 신경망을 위한 제2 훈련 입력 데이터로서 상기 판별기 신경망에 전달하고,
   상기 기계 장비 및 상기 상태 감시 데이터의 물리적 특징에 부합하는지 여부를 검증하는 국부적 특징 함수가 정의되면, 상기 제1 훈련 입력 데이터를 상기 제2 훈련 입력 데이터로부터 판별하기 위한 제1 손실 함수에 상기 국부적 특징 함수가 합성되는 제2 손실 함수를 이용하여 상기 판별기 신경망 및 상기 생성기 신경망을 훈련하는 상태 감시 데이터 생성 장치.
2. 제1항에 있어서,
   상기 기계 장비는 실제의 기계 장비 및 상기 실제의 기계 장비를 모방한 테스트베드를 포함하고,
   상기 프로세서는
   상기 테스트베드의 정상 동작에 의하여 얻어지는 제1 정상 상태 데이터에 대응하는 제1 데이터 도메인, 상기 테스트베드의 비정상 동작에 의하여 얻어지는 제1 비정상 상태 데이터에 대응하는 제2 데이터 도메인, 및 상기 실제의 기계 장비의 정상 동작에 의하여 얻어지는 제2 정상 상태 데이터에 대응하는 제3 데이터 도메인 간의 연관성에 기반한 산술 연산에 의하여 상기 실제의 기계 장비의 비정상 동작에 의하여 얻어지는 제2 비정상 상태 데이터에 대응하는 잠재적 데이터 공간인 제4 데이터 도메인에 속하는 제2 입력 데이터를 생성하고,
   상기 제2 입력 데이터를 상기 생성적 적대 신경망의 상기 생성기 신경망의 입력으로서 상기 훈련을 거친 상기 생성기 신경망에 전달하며,
   상기 훈련을 거친 상기 생성기 신경망 및 상기 훈련을 거친 상기 판별기 신경망의 추론(inference)을 거쳐 판별된 출력 데이터를 상기 제4 데이터 도메인에 속하는 상기 실제의 기계 장비의 상태 감시 데이터로서 생성하는 상태 감시 데이터 생성 장치.
3. 제1항에 있어서,
   상기 프로세서는 상기 훈련을 거친 상기 생성기 신경망 및 상기 훈련을 거친 상기 판별기 신경망의 추론(inference)을 거쳐 판별된 출력 데이터를 상기 기계 장비의 상기 상태 감시 데이터로서 생성하고,
   상기 출력 데이터는 상기 기계 장비의 상태를 감시하기 위한 또 다른 인공신경망의 머신 러닝을 위한 입력 데이터로서 이용되는 상태 감시 데이터 생성 장치.
4. 제1항에 있어서,
   상기 국부적 특징 함수는
   상기 기계 장비의 상기 상태 감시 데이터로서 생성될 목표 데이터 도메인의 물리적 특징에 기반한 국부적 특징 데이터와의 연관성을 정량화하는 함수인 상태 감시 데이터 생성 장치.
5. 제4항에 있어서,
   상기 국부적 특징 데이터는 상기 기계 장비에 포함되는 기어(gear)에서 발생하는 진동 데이터의 기어맞물림 주파수(GMF, Gear mesh frequency)에 기반한 데이터인 상태 감시 데이터 생성 장치.
6. 제1항에 있어서,
   상기 제2 손실 함수는 상기 제1 손실 함수, 및 상기 국부적 특징 함수의 음수를 취한 값 간의 가중치 합산으로 정의되는 상태 감시 데이터 생성 장치.
7. 제2항에 있어서,
   상기 프로세서는 상기 초기화된 제1 입력을 랜덤 노이즈에 기반하여 생성하고 상기 생성기 신경망의 훈련을 위한 입력으로서 상기 생성기 신경망에 전달하며,
   상기 제2 입력 데이터를 상기 제4 데이터 도메인에 속하는 랜덤 넘버로 생성하고, 상기 제2 입력 데이터를 상기 훈련된 상기 생성기 신경망의 입력으로서 상기 훈련된 상기 생성기 신경망의 입력으로 전달하는 상태 감시 데이터 생성 장치.
8. 컴퓨팅 시스템에 의하여 실행되는, 머신 러닝 기반의 인공지능을 이용하여 기계 장비의 상태 감시 데이터를 생성하는 상태 감시 데이터 생성 방법으로서,
   상기 컴퓨팅 시스템은 생성적 적대 신경망(GAN, Generative Adversarial Network) 및 프로세서를 포함하고, 상기 생성적 적대 신경망은 생성기 신경망(Generator Network)와 판별기 신경망(Discriminator Network)를 포함하고,
   상기 프로세서는 초기화된 제1 입력을 수신하는 상기 생성기 신경망을 이용하여 상기 판별기 신경망을 위한 제1 훈련 입력 데이터를 생성하는 단계;
   상기 프로세서는 상기 기계 장비에서 실제로 발생하는 데이터를 상기 판별기 신경망을 위한 제2 훈련 입력 데이터로서 상기 판별기 신경망에 전달하는 단계, 및
   상기 프로세서는, 상기 기계 장비 및 상기 상태 감시 데이터의 물리적 특징에 부합하는지 여부를 검증하는 국부적 특징 함수가 정의되면, 상기 제1 훈련 입력 데이터를 상기 제2 훈련 입력 데이터로부터 판별하기 위한 제1 손실 함수에 상기 국부적 특징 함수가 합성되는 제2 손실 함수를 이용하여 상기 판별기 신경망 및 상기 생성기 신경망을 훈련하는 단계;
   를 포함하는 상태 감시 데이터 생성 방법.
9. 제8항에 있어서,
   상기 기계 장비는 실제의 기계 장비 및 상기 실제의 기계 장비를 모방한 테스트베드를 포함하고,
   상기 프로세서는 상기 테스트베드의 정상 동작에 의하여 얻어지는 제1 정상 상태 데이터에 대응하는 제1 데이터 도메인, 상기 테스트베드의 비정상 동작에 의하여 얻어지는 제1 비정상 상태 데이터에 대응하는 제2 데이터 도메인, 및 상기 실제의 기계 장비의 정상 동작에 의하여 얻어지는 제2 정상 상태 데이터에 대응하는 제3 데이터 도메인 간의 연관성에 기반한 산술 연산에 의하여 상기 실제의 기계 장비의 비정상 동작에 의하여 얻어지는 제2 비정상 상태 데이터에 대응하는 잠재적 데이터 공간인 제4 데이터 도메인에 속하는 제2 입력 데이터를 생성하는 단계;
   상기 프로세서는 제2 입력 데이터를 상기 생성적 적대 신경망의 상기 생성기 신경망의 입력으로서 상기 훈련을 거친 상기 생성기 신경망에 전달하는 단계; 및
   상기 프로세서는 상기 훈련을 거친 상기 생성기 신경망 및 상기 훈련을 거친 상기 판별기 신경망의 추론(inference)을 거쳐 판별된 출력 데이터를 상기 제4 데이터 도메인에 속하는 상기 실제의 기계 장비의 상태 감시 데이터로서 생성하는 단계;
   를 더 포함하는 상태 감시 데이터 생성 방법.
10. 제8항에 있어서,
    상기 프로세서는 상기 훈련을 거친 상기 생성기 신경망 및 상기 훈련을 거친 상기 판별기 신경망의 추론(inference)을 거쳐 판별된 출력 데이터를 상기 기계 장비의 상기 상태 감시 데이터로서 생성하는 단계;
    를 더 포함하고,
    상기 출력 데이터는 상기 기계 장비의 상태를 감시하기 위한 또 다른 인공신경망의 머신 러닝을 위한 입력 데이터로서 이용되는 상태 감시 데이터 생성 방법.
11. 제8항에 있어서,
    상기 국부적 특징 함수는
    상기 기계 장비의 상기 상태 감시 데이터로서 생성될 목표 데이터 도메인의 물리적 특징에 기반한 국부적 특징 데이터와의 연관성을 정량화하는 함수이고,
    상기 국부적 특징 데이터는 상기 기계 장비에 포함되는 기어(gear)에서 발생하는 진동 데이터의 기어맞물림 주파수(GMF, Gear mesh frequency)에 기반한 데이터인 상태 감시 데이터 생성 방법.
12. 제9항에 있어서,
    상기 제1 훈련 입력 데이터를 생성하는 단계는
    상기 초기화된 제1 입력을 랜덤 노이즈에 기반하여 생성하고 상기 생성기 신경망의 훈련을 위한 상기 제1 훈련 입력 데이터로서 상기 생성기 신경망에 전달하며,
    제2 입력 데이터를 상기 생성적 적대 신경망의 상기 생성기 신경망의 입력으로서 상기 훈련을 거친 상기 생성기 신경망에 전달하는 단계는
    상기 제2 입력 데이터를 상기 제4 데이터 도메인에 속하는 랜덤 넘버로 생성하고, 상기 제2 입력 데이터를 상기 훈련된 상기 생성기 신경망의 입력으로서 상기 훈련된 상기 생성기 신경망의 입력으로 전달하는 상태 감시 데이터 생성 방법.

Images