KR102483210B1 - Facility health index derivation system and facility health index derivation method by predicting the probability of manufacturing facility abnormality using xai - Google Patents
Facility health index derivation system and facility health index derivation method by predicting the probability of manufacturing facility abnormality using xai Download PDFInfo
- Publication number
- KR102483210B1 KR102483210B1 KR1020210105154A KR20210105154A KR102483210B1 KR 102483210 B1 KR102483210 B1 KR 102483210B1 KR 1020210105154 A KR1020210105154 A KR 1020210105154A KR 20210105154 A KR20210105154 A KR 20210105154A KR 102483210 B1 KR102483210 B1 KR 102483210B1
- Authority
- KR
- South Korea
- Prior art keywords
- facility
- health index
- probability
- xai
- abnormality
- Prior art date
Links
- 230000036541 health Effects 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000005856 abnormality Effects 0.000 title claims abstract description 73
- 238000009795 derivation Methods 0.000 title claims abstract description 50
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 66
- 238000003745 diagnosis Methods 0.000 claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 238000012800 visualization Methods 0.000 claims abstract description 41
- 230000005540 biological transmission Effects 0.000 claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 74
- 230000008569 process Effects 0.000 claims description 37
- 238000006243 chemical reaction Methods 0.000 claims description 36
- 238000000926 separation method Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000007637 random forest analysis Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001788 irregular Effects 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
- 238000004579 scanning voltage microscopy Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
-
- 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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
본 발명은 ‘설명 가능한 AI(eXplainable Artificial Intelligence, 이하 XAI)’를 사용하여 설비에 대해 이상발생확률을 예측 함으로써, 설비관리를 위한 설비 건강지수 도출 시스템 및 설비 건강지수 도출 방법에 관한 것이다.The present invention relates to a facility health index derivation system and a facility health index derivation method for facility management by predicting the probability of abnormal occurrence for facilities using 'Explainable Artificial Intelligence (XAI)'.
본 발명의 배경이 되는 기술은 다음의 문헌에 개시되어 있다.
1) 공개특허공보 제10-2019-0041836호(2019.04.23.) "설비 상태 평가 장치 및 방법"
2) 일본 공개특허공보 특개2020-205046호(2020.12.24.) "산업 기기 모터 거동을 예측하기 위한 시스템 및 방법"
최근에는, 많은 제조기업에서 복잡하고 다양한 자동화 설비를 도입하고 있으며, 이러한 설비들을 관리하기 위한 관리 방법과 기술을 필요로 한다.The background technology of the present invention is disclosed in the following documents.
1) Unexamined Patent Publication No. 10-2019-0041836 (2019.04.23.) “Equipment condition evaluation device and method”
2) Japanese Unexamined Patent Publication No. 2020-205046 (2020.12.24.) "System and method for predicting industrial equipment motor behavior"
Recently, many manufacturing companies are introducing complex and diverse automation facilities, and management methods and techniques for managing these facilities are required.
기존의 관리 방법 및 기술로는, 스마트 팩토리 도입을 위해 설비에 센서를 부착하여 관리하는 등의 것을 예시할 수 있으나, 실제 대부분의 제조기업에서는 많은 경험을 쌓은 관리자의 직관에 의존하고 있는 실정이다.Existing management methods and technologies include attaching sensors to facilities and managing them for the introduction of smart factories, but in reality, most manufacturing companies rely on the intuition of experienced managers.
또한, 기존의 관리 방법 및 기술에서는, 수집되는 센서 데이터의 활용도가 떨어지고, 불규칙한 대응으로 인해 설비의 고장을 사전에 예측할 수 없다는 문제점을 가지고 있다.In addition, existing management methods and technologies have problems in that utilization of collected sensor data is low and failure of facilities cannot be predicted in advance due to irregular responses.
이들 문제점에 대응하여, 근래에는, 작업자의 경험에 의존하지 않으면서 센서 데이터를 활용할 수 있는 설비관리 방법의 일환으로서, 인공지능을 활용한 방법이 제시되고 있다.In response to these problems, in recent years, as part of a facility management method that can utilize sensor data without relying on operator experience, a method using artificial intelligence has been proposed.
하지만, 인공지능을 활용한 방법은, 인공지능이 의사결정을 수행하는 과정에서 최종 결과의 근거와 도출 과정의 타당성을 제공하지 못하는 한계가 있다.However, the method using artificial intelligence has limitations in that it cannot provide the basis for the final result and the validity of the derivation process in the process of making decisions by artificial intelligence.
또한, 인공지능을 활용한 방법은, 오류 원인을 즉각적으로 알 수 없다는 단점이 있다. 이에 따라, 어떤 과정으로 최종 또한 결론에 도달하게 되었는지 파악할 수 없게 되는 블랙 구간에 대해서는, 인공지능을 활용하더라도, 설비관리 과정을 설명력 있게 복원하는 데에 필요성이 증가하게 되었다.In addition, the method using artificial intelligence has a disadvantage that the cause of the error cannot be immediately identified. Accordingly, for the black section in which it is impossible to determine which process led to the final conclusion, the need to restore the facility management process explanatoryly has increased, even if artificial intelligence is used.
따라서, 인공지능을 활용하여 설비관리를 하는 데 있어 보다 개선된 설비 관리 모델의 등장이 절실히 요구되고 있다.Therefore, there is an urgent need for a more improved facility management model for facility management using artificial intelligence.
본 발명의 실시예는, XAI를 사용하여 설비에 대해 이상발생확률을 예측 함으로써, 자동화 설비에 대한 설비관리를 보다 효과적으로 하는, XAI를 활용한 제조설비 이상발생확률 예측에 의한, 설비 건강지수 도출 시스템 및 설비 건강지수 도출 방법을 제공하는 것을 목적으로 한다.An embodiment of the present invention is a facility health index derivation system by predicting the probability of abnormal occurrence of manufacturing facilities using XAI, which makes facility management for automated facilities more effective by predicting the probability of abnormal occurrence of the facility using XAI. And it aims to provide a facility health index derivation method.
또한, 본 발명의 실시예는, 복수의 센서 데이터를 통해 자동화 설비의 이상감지 결과를 종합적으로 파악하는 것을 목적으로 한다.In addition, an embodiment of the present invention aims to comprehensively grasp the abnormality detection result of an automated facility through a plurality of sensor data.
또한, 본 발명의 실시예는, 자동화 설비에 이상상태가 발생하기 전에, 건강지수 점수 환산 공식에 의해 산출되는 설비건강지수를 통해, 설비의 현재 상태를 진단하는 것을 목적으로 한다.In addition, an object of an embodiment of the present invention is to diagnose the current state of an automated facility through a facility health index calculated by a health index point conversion formula before an abnormal state occurs in an automated facility.
또한, 본 발명의 실시예는, 설비 이상발생시, 설비 내 어느 시스템에 이상의 원인이 있는지를 통보하여, 작업자로 하여금 빠른 대처가 가능하도록 하는 것을 목적으로 한다.In addition, an object of the embodiment of the present invention is to notify which system in the facility has the cause of the error when a facility failure occurs, so that a worker can quickly respond.
또한, 본 발명의 실시예는, 정상 상태를 세밀하게 살펴볼 수 있도록 경계를 설정하고, 위험 또는 주의가 필요한 상태를 미리 알 수 있어 설비에 이상이 발생하기 전 선제 대응을 할 수 있게 하는 것을 목적으로 한다.In addition, the embodiment of the present invention is aimed at enabling a preemptive response before an abnormality occurs in a facility by setting a boundary so that a normal state can be examined in detail, and a state requiring danger or attention can be known in advance. do.
또한, 본 발명의 실시예는, 복잡한 자동화 설비의 운영 상황을 한 눈에 직관적으로 살펴봄으로써 작업관리의 효율을 증가시키는 것을 목적으로 한다.In addition, an embodiment of the present invention aims to increase the efficiency of work management by intuitively looking at the operating conditions of complex automation facilities at a glance.
또한, 본 발명의 실시예는, 복수의 센서 데이터에 대한 XAI 분석을 통해 머신러닝 및 딥러닝을 활용한 데이터 분석에서부터 시스템의 정비 알림 자동 제안에 이르기까지 이상징후를 포착하여, 높은 정확도와 빠른 속도로 이상상태 및 원인 진단을 가능하게 하는 것을 목적으로 한다.In addition, the embodiment of the present invention captures anomalies ranging from data analysis using machine learning and deep learning through XAI analysis of a plurality of sensor data to automatic suggestion of maintenance notification of the system, resulting in high accuracy and high speed. Its purpose is to enable the diagnosis of abnormal conditions and causes.
또한, 본 발명의 실시예는, 설비 이상 조기 예측을 통한 설비 다운타임 감소, 품질향상 및 원가절감, 제조공정 운영 최적화를 통한 품질 관리 비용을 절감하고, 생산 효율을 증가시키는 것을 목적으로 한다.In addition, an embodiment of the present invention aims to reduce equipment downtime through early prediction of equipment failure, improve quality and reduce costs, reduce quality control costs through optimization of manufacturing process operation, and increase production efficiency.
본 발명의 일실시예에 따른, XAI를 활용한 제조설비 이상발생확률 예측에 의한 설비 건강지수 도출 시스템은, 설비를 구성하는 복수의 자동화 시스템에 부착된 센서로부터 수집되는 센서 데이터와 연관되어 설비건강지수를 산출하는 이상감지분석부; 및 설명 가능한 AI(eXplainable Artificial Intelligence, XAI)를 사용하여, 상기 설비건강지수의 산출시 요구되는, 상기 복수의 자동화 시스템 각각이 '정상상태로 분류될 확률'을 연산하는 설비이상 진단 및 시각화 송출부를 포함 할 수 있다.According to an embodiment of the present invention, the equipment health index derivation system by predicting the probability of occurrence of an abnormality in manufacturing equipment using XAI is associated with sensor data collected from sensors attached to a plurality of automation systems constituting the equipment, and the equipment health An anomaly detection and analysis unit that calculates an index; and a facility abnormality diagnosis and visualization transmission unit that calculates a 'probability that each of the plurality of automation systems will be classified as normal', which is required when calculating the facility health index, using explainable AI (eXplainable Artificial Intelligence, XAI). can include
또한, 본 발명의 실시예에 따른, XAI를 활용한 제조설비 이상발생확률 예측에 의한 설비 건강지수 도출 방법은, 이상감지분석부에서, 설비를 구성하는 복수의 자동화 시스템에 부착된 센서로부터 수집되는 센서 데이터와 연관되어 설비건강지수를 산출하는 단계; 및 설비이상 진단 및 시각화 송출부에서, 설명 가능한 AI(XAI)를 사용하여, 상기 설비건강지수의 산출시 요구되는, 상기 복수의 자동화 시스템 각각이 '정상상태로 분류될 확률'을 연산하는 단계를 포함하여 구성할 수 있다.In addition, according to an embodiment of the present invention, the equipment health index derivation method by predicting the probability of occurrence of an abnormality in manufacturing equipment using XAI is collected from sensors attached to a plurality of automation systems constituting the equipment in the abnormality detection and analysis unit Calculating a facility health index in association with sensor data; and calculating, in a facility abnormality diagnosis and visualization transmission unit, a 'probability that each of the plurality of automated systems will be classified into a normal state', which is required when calculating the facility health index, using explainable AI (XAI). can be configured including
본 발명의 일실시예에 따르면, XAI를 사용하여 설비에 대해 이상발생확률을 예측 함으로써, 자동화 설비에 대한 설비관리를 보다 효과적으로 하는, XAI를 활용한 제조설비 이상발생확률 예측에 의한, 설비 건강지수 도출 시스템 및 설비 건강지수 도출 방법을 제공 할 수 있다.According to one embodiment of the present invention, by predicting the probability of abnormal occurrence of the equipment using XAI, the equipment health index by predicting the probability of abnormal occurrence of manufacturing equipment using XAI, which makes the facility management of the automated equipment more effective Derivation system and equipment health index derivation method can be provided.
또한, 본 발명의 일실시예에 따르면, 복수의 센서 데이터를 통해 자동화 설비의 이상감지 결과를 종합적으로 파악 할 수 있다.In addition, according to an embodiment of the present invention, it is possible to comprehensively grasp the abnormality detection result of the automation equipment through a plurality of sensor data.
또한, 본 발명의 일실시예에 따르면, 자동화 설비에 이상상태가 발생하기 전에, 건강지수 점수 환산 공식에 의해 산출되는 설비건강지수를 통해, 설비의 현재 상태를 진단 할 수 있다.In addition, according to one embodiment of the present invention, before an abnormal state occurs in an automated facility, the current state of the facility can be diagnosed through a facility health index calculated by a health index point conversion formula.
또한, 본 발명의 일실시예에 따르면, 설비 이상발생시, 설비 내 어느 시스템에 이상의 원인이 있는지를 통보하여, 작업자로 하여금 빠른 대처가 가능하도록 할 수 있다.In addition, according to one embodiment of the present invention, when an error occurs in a facility, it is notified which system in the facility has the cause of the error, so that a worker can respond quickly.
또한, 본 발명의 일실시예에 따르면, 정상 상태를 세밀하게 살펴볼 수 있도록 경계를 설정하고, 위험 또는 주의가 필요한 상태를 미리 알 수 있어 설비에 이상이 발생하기 전 선제 대응을 할 수 있다.In addition, according to an embodiment of the present invention, a boundary can be set so that a normal state can be examined in detail, and a dangerous or a state requiring attention can be known in advance, so that a preemptive response can be taken before an abnormality occurs in the facility.
또한, 본 발명의 일실시예에 따르면, 복잡한 자동화 설비의 운영 상황을 한 눈에 직관적으로 살펴봄으로써 작업관리의 효율을 증가시킬 수 있다.In addition, according to one embodiment of the present invention, it is possible to increase the efficiency of work management by intuitively looking at the operating conditions of complex automation facilities at a glance.
또한, 본 발명의 일실시예에 따르면, 복수의 센서 데이터에 대한 XAI 분석을 통해 머신러닝 및 딥러닝을 활용한 데이터 분석에서부터 시스템의 정비 알림 자동 제안에 이르기까지 이상징후를 포착하여, 높은 정확도와 빠른 속도로 이상상태 및 원인 진단을 가능하게 할 수 있다.In addition, according to one embodiment of the present invention, anomalies are captured from data analysis using machine learning and deep learning through XAI analysis of a plurality of sensor data to automatic suggestion of maintenance notification of the system, resulting in high accuracy and It is possible to diagnose abnormal conditions and causes at a high speed.
또한, 본 발명의 일실시예에 따르면, 설비 이상 조기 예측을 통한 설비 다운타임 감소, 품질향상 및 원가절감, 제조공정 운영 최적화를 통한 품질 관리 비용을 절감하고, 생산 효율을 증가시킬 수 있다.In addition, according to an embodiment of the present invention, it is possible to reduce equipment downtime through early prediction of equipment failure, improve quality and reduce costs, reduce quality control costs through optimization of manufacturing process operation, and increase production efficiency.
도 1은 본 발명의 일실시예에 따른 설비 건강지수 도출 시스템의 구성을 도시한 블록도이다.
도 2는 본 발명의 일실시예에 따른, 설비 건강지수 도출 시스템의 전체 구조를 설명하기 위한 도이다.
도 3은 AI분석 및 모델선정에 대한 프로세스 절차를 설명하는 도이다.
도 4는 건강지수 점수 환산 공식 및 설비건강지수의 산출을 예시하는 도이다.
도 5는 건강지수 점수 환산 공식으로 도출한 설비건강지수에 의한 설비의 상태를 예측하는 것을 보여주는 도이다.
도 6은 건강지수 점수 환산 공식으로 도출한 설비건강지수를 이용하여 시스템 별로 진단하는 과정을 예시한 도이다.
도 7은 확률플롯 및 변수설명력을 시각화하는 예시도이다.
도 8은 시각화 및 어플리케이션 송출을 보여주는 예시도이다.
도 9는 본 발명의 일실시예에 따른, 설비 건강지수 도출 방법을 도시한 흐름도이다.1 is a block diagram showing the configuration of a facility health index derivation system according to an embodiment of the present invention.
2 is a diagram for explaining the overall structure of a facility health index derivation system according to an embodiment of the present invention.
3 is a diagram illustrating process procedures for AI analysis and model selection.
4 is a diagram illustrating a health index point conversion formula and calculation of a facility health index.
5 is a diagram showing the prediction of the state of a facility by a facility health index derived from a health index point conversion formula.
6 is a diagram illustrating a process of diagnosing for each system using a facility health index derived from a health index score conversion formula.
7 is an exemplary diagram for visualizing a probability plot and variable explanatory power.
8 is an exemplary view showing visualization and application transmission.
9 is a flowchart illustrating a method for deriving a facility health index according to an embodiment of the present invention.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. However, since various changes can be made to the embodiments, the scope of the patent application is not limited or limited by these embodiments. It should be understood that all changes, equivalents or substitutes to the embodiments are included within the scope of rights.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Terms used in the examples are used only for descriptive purposes and should not be construed as limiting. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, terms such as "include" or "have" are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that the presence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person of ordinary skill in the art to which the embodiment belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in the present application, they should not be interpreted in an ideal or excessively formal meaning. don't
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.In addition, in the description with reference to the accompanying drawings, the same reference numerals are given to the same components regardless of reference numerals, and overlapping descriptions thereof will be omitted. In describing the embodiment, if it is determined that a detailed description of a related known technology may unnecessarily obscure the gist of the embodiment, the detailed description will be omitted.
도 1은 본 발명의 일실시예에 따른 설비 건강지수 도출 시스템의 구성을 도시한 블록도이다.1 is a block diagram showing the configuration of a facility health index derivation system according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 일실시예에 따른, XAI를 활용한 제조설비 이상발생확률 예측에 의한 설비 건강지수 도출 시스템(이하, '설비 건강지수 도출 시스템'이라 약칭함, 100)은, 이상감지분석부(110) 및 설비이상 진단 및 시각화 송출부(120)를 포함하여 구성 할 수 있다.Referring to FIG. 1, according to an embodiment of the present invention, a facility health index derivation system (hereinafter, abbreviated as 'facility health index derivation system', 100) by predicting the probability of occurrence of an abnormality in manufacturing facilities using XAI, It can be configured to include an anomaly detection and
이상감지분석부(110)는 설비를 구성하는 복수의 자동화 시스템에 부착된 센서로부터 수집되는 센서 데이터와 연관되어 설비건강지수를 산출한다. 즉, 이상감지분석부(110)는 센서 데이터를 이용하여, 설비 내 자동화 시스템의 상태를 설비건강지수라는 점수로 수치화하는 역할을 할 수 있다.The anomaly detection and
여기서, 센서는 자동화 시스템 각각에 설치되어, 해당 자동화 시스템에 대한 직간접 정보(자동화 시스템의 동작 속도, 자동화 시스템 내부의 온습도, 자동화 시스템에서 발생하는 알람, 자동화 시스템에서 발생하는 먼지/가스량 등)를 감지하여 상기 센서 데이터를 생산하는 기기일 수 있다.Here, the sensor is installed in each automation system to detect direct and indirect information about the automation system (operation speed of the automation system, temperature and humidity inside the automation system, alarms generated from the automation system, dust/gas amount generated from the automation system, etc.) It may be a device that generates the sensor data by doing so.
상기 설비건강지수는 본 발명에 의해 고안되는 건강지수 점수 환산 공식에 결과로서 산출되는 점수일 수 있다. 상기 건강지수 점수 환산 공식에 대해서는 후술하여 설명 한다.The facility health index may be a score calculated as a result of a health index score conversion formula devised according to the present invention. The health index score conversion formula will be described later.
설비이상 진단 및 시각화 송출부(120)는 설명 가능한 AI(eXplainable Artificial Intelligence, XAI)를 사용하여, 상기 설비건강지수의 산출시 요구되는, 상기 복수의 자동화 시스템 각각이 '정상상태로 분류될 확률'을 연산한다. 즉, 설비이상 진단 및 시각화 송출부(120)는 XAI에 의해, 복수의 자동화 시스템 각각이 정상상태에서 동작하는 확률을 연산하는 역할을 할 수 있다.The facility abnormality diagnosis and
여기서, XAI는 AI 스스로 사람이 이해할 수 있게 끔 설명하는 인공기능으로서, 예컨대 어떤 과정을 통해서 결과를 도출했는지 설명하여 사람들로 하여금 해당 결과를 훨씬 더 잘 이해하고 신뢰할 수 있게 하는 인공기능을 지칭할 수 있다.Here, XAI is an artificial function that AI itself explains in a way that humans can understand. there is.
이상감지분석부(110)는, 데이터 분리(111) - AI분석 및 모델선정(112) - 설비건강지수도출(113)의 3단계를 실행 할 수 있다.The anomaly detection and
또한, 설비이상 진단 및 시각화 송출부(120)는, XAI 적용 예측(121) - 설비이상상태 진단(122) - 시각화 및 어플리케이션 송출(123)의 3단계를 실행 할 수 있다.In addition, the equipment abnormality diagnosis and
이상감지분석부(110)의 데이터 분리(111)는, 상기 센서 데이터를, 상기 XAI에서 분석 가능한 형태로 전처리하는 실행 단계일 수 있다.The
즉, 데이터 분리(111)는 센서에서 감지되어 생성된 센서 데이터에서, 유의미한 영역을 분리해내고, 이를 XAI가 이해할 수 있는 형태로 전처리하는 과정일 수 있다.That is, the
이상감지분석부(110)의 AI분석 및 모델선정(112)은, 다수의 후보 이상감지 예측모델 각각으로, 상기 전처리된 데이터를 입력하고, 상기 다수의 후보 이상감지 예측모델 중에서, 가장 높은 이상발생 예측력을 출력하는 하나를, 최종 이상감지 예측모델로 선정하는 실행 단계일 수 있다.The AI analysis and
즉, AI분석 및 모델선정(112)은 다수의 후보 이상감지 예측모델을 대상으로 테스트를 통해 최적한 이상감지 예측모델을 정하는 과정일 수 있다.That is, the AI analysis and
여기서, 다수의 후보 이상감지 예측모델은, 머신러닝 기법 계열의 XGBoost, NGBoost, SVM, 랜덤포레스트 등, 및 딥러닝 기법 계열의 RNN, CNN 등일 수 있다.Here, the plurality of candidate anomaly detection prediction models may be XGBoost, NGBoost, SVM, random forest, etc. of machine learning techniques, and RNN, CNN, etc. of deep learning techniques.
XGboost(Extreme Gradient Boost)는 의사결정나무 기반의 앙상블 머신 러닝 알고리즘일 수 있다. XGboost는 Gradient Boosting 의 단점을 보완한 알고리즘으로 정형 데이터를 사용하여 예측할 때 매우 우수한 성능을 보이며 회귀, 분류, 예측에 사용될 수 있다.XGboost (Extreme Gradient Boost) may be an ensemble machine learning algorithm based on decision trees. XGboost is an algorithm that compensates for the disadvantages of Gradient Boosting. It shows very good performance when predicting using structured data and can be used for regression, classification, and prediction.
최종 이상감지 예측모델의 선정에 있어, AI분석 및 모델선정(112)에서는, 다수의 후보 이상감지 예측모델 'XGBoost, NGBoost, SVM, 랜덤포레스트, RNN, CNN' 각각으로 테스트 용의 임의의 센서 데이터를 입력한 후, 각 모델로부터 출력되는 결과로서의 이상발생 예측력이 가장 정확한 하나의 이상감지 예측모델을, 최종 이상감지 예측모델로 선정할 수 있다.In the selection of the final anomaly detection prediction model, in the AI analysis and model selection (112), random sensor data for testing with a plurality of candidate anomaly detection prediction models 'XGBoost, NGBoost, SVM, random forest, RNN, CNN', respectively After inputting , one anomaly detection prediction model having the most accurate anomaly occurrence predictive power as a result output from each model may be selected as the final anomaly detection prediction model.
설비이상 진단 및 시각화 송출부(120)의 XAI 적용 예측(121)은, 상기 전처리된 데이터와, 상기 선정된 최종 이상감지 예측모델을 LIME(Local Interpretable Model-Agnostic Explanation)에 입력하고, 상기 LIME에서 출력되는 결과로서의, 상기 '정상상태로 분류될 확률'을 연산하는 실행 단계일 수 있다.The
즉, XAI 적용 예측(121)은 센서 데이터를 이상감지 예측모델에 입력하여, 센서 데이터와 연관되는 특정의 자동화 시스템이 정상상태로 작동하는지에 관한 '정상상태로 분류될 확률'을 산출해내는 과정일 수 있다.That is, the
여기서, LIME은 XAI의 방법론 중 하나로, AI가 그렇게 판단할 수 밖에 없었던 이유를 프레임워크를 통해 설명하는 로직 일 수 있다.Here, LIME is one of the methodologies of XAI, and may be a logic that explains why the AI had to make such a decision through a framework.
이상감지분석부(110)의 설비건강지수도출(113)은 상기 복수의 자동화 시스템 각각에 대해 연산된 상기 '정상상태로 분류될 확률'을, 건강지수 점수 환산 공식에 대입하여 설비건강지수를 산출하는 실행 단계일 수 있다.The facility
즉, 설비건강지수도출(113)은 자동화 시스템이 현재 어느 상태이고, 오류발생 가능성을 예측할 수 있게 하는 설비건강지수를 도출해내는 과정일 수 있다.That is, the facility
상기 건강지수 점수 환산 공식은, 상기 '정상상태로 분류될 확률'의 합산값 * 0.25 * 100을 만족하는 수식일 수 있다.The health index score conversion formula may be a formula that satisfies the sum of the 'probability of being classified as normal' * 0.25 * 100.
설비건강지수를 산출하는 일례로서, 예컨대 4개의 자동화 시스템 A, B, C, D의 '정상상태로 분류될 확률'이 각각 0.4, 0.31, 0.87, 0.66일 경우, 설비건강지수도출(113)에서는 건강지수 점수 환산 공식에 따라 56(=(0.4 + 0.31 + 0.87 + 0.66) * 0.25 * 100)을 설비건강지수로서 산출할 수 있다.As an example of calculating the facility health index, for example, when the 'probability of being classified as normal' of the four automation systems A, B, C, and D is 0.4, 0.31, 0.87, and 0.66, respectively, in the facility health index deduction (113) According to the health index score conversion formula, 56 (= (0.4 + 0.31 + 0.87 + 0.66) * 0.25 * 100) can be calculated as the equipment health index.
설비이상 진단 및 시각화 송출부(120)의 설비이상상태 진단(122)은 상기 산출된 설비건강지수에 의해 상기 설비의 상태를 진단 함으로써 상기 설비에 대한 이상발생 가능성을 모니터링하는 실행 단계일 수 있다.Facility abnormality diagnosis and visualization The facility
즉, 설비이상상태 진단(122)은 설비건강지수가 속하는 점수 범위에 따라, 자동화 시스템 각각에 대한 상태를 진단하고, 이를 종합하여 상기 설비에 대한 이상발생 가능성을 진단하는 과정일 수 있다.That is, the facility
설비이상상태 진단(122)은, 상기 설비건강지수가 속한 점수 범위에 설정되는 상기 설비에 대한 '정상 여부'와 '예측 상태'를 확인하여, 상기 설비의 상태를 진단 할 수 있다.The facility
상술한 예시에 대해, 설비이상상태 진단(122)에서는, 산출된 설비건강지수 56이 속하는 점수 범위 '50이상 ~ 60미만'에 설정되어 있는, '정상 여부' "정상"과, '예측 상태' "위험"을, 4개의 자동화 시스템 A, B, C, D을 구성으로 갖는 설비에 대한 상태로서 진단 할 수 있다.Regarding the above example, in the facility
또한, 설비이상상태 진단(122)에서는, 상기 확인된 '예측 상태'가 위험으로 확인되면, 상기 '정상상태로 분류될 확률'이 규정된 수치 미만인 특정의 자동화 시스템에 대해, 이상발생을 알릴 수 있다. 즉, 설비이상상태 진단(122)에서는 설비에 대한 진단이, 정상이나 위험에 직면한 것으로 나오면, '정상상태로 분류될 확률'이 상대적으로 낮은 자동화 시스템을 정한 후 이에 대한 알람을 경고 할 수 있다.In addition, in the facility
상술한 예시에 대해, 설비이상상태 진단(122)에서는, '예측 상태' "위험"으로 진단된 설비 내 4개의 자동화 시스템 A, B, C, D 중 '정상상태로 분류될 확률'이 규정된 수치 '0.5' 미만인 자동화 시스템 A, B에 대해, 이상발생을 경고 할 수 있다.Regarding the above example, in the facility
상기 이상발생의 경고는, 설비 관리자/운영자의 소유 단말로의 알람 메시지 전송, 설비 관리자/운영자 호출 등을 예시할 수 있다.The warning of the occurrence of the abnormality may be exemplified by sending an alarm message to a device owned by the facility manager/operator or calling the facility manager/operator.
설비이상 진단 및 시각화 송출부(120)의 시각화 및 어플리케이션 송출(123)은 상기 센서 데이터, 상기 설비건강지수, 및 진단된 상기 설비의 상태 중 적어도 하나를, 상기 설비와 관계되는 단말에서 구동되는 어플리케이션을 통해 시각화하는 실행 단계일 수 있다.Facility abnormality diagnosis and visualization The visualization and
즉, 시각화 및 어플리케이션 송출(123)은 실시간으로 수집된 센서 데이터의 현황과, 자동화 시스템 각각에 대해 산출된 설비건강지수, 설비건강지수에 따른 설비의 현 상태 등을, 설비 관리자/운영자의 소유 단말로 전달하여, 해당 단말에서 구동되는 전용 어플리케이션을 통해 표출되도록 하는 과정일 수 있다.That is, the visualization and
본 발명의 일실시예에 따르면, XAI를 사용하여 설비에 대해 이상발생확률을 예측 함으로써, 자동화 설비에 대한 설비관리를 보다 효과적으로 하는, XAI를 활용한 제조설비 이상발생확률 예측에 의한, 설비 건강지수 도출 시스템 및 설비 건강지수 도출 방법을 제공 할 수 있다.According to one embodiment of the present invention, by predicting the probability of abnormal occurrence of the equipment using XAI, the equipment health index by predicting the probability of abnormal occurrence of manufacturing equipment using XAI, which makes the facility management of the automated equipment more effective Derivation system and equipment health index derivation method can be provided.
또한, 본 발명의 일실시예에 따르면, 복수의 센서 데이터를 통해 자동화 설비의 이상감지 결과를 종합적으로 파악 할 수 있다.In addition, according to an embodiment of the present invention, it is possible to comprehensively grasp the abnormality detection result of the automation equipment through a plurality of sensor data.
또한, 본 발명의 일실시예에 따르면, 자동화 설비에 이상상태가 발생하기 전에, 건강지수 점수 환산 공식에 의해 산출되는 설비건강지수를 통해, 설비의 현재 상태를 진단 할 수 있다.In addition, according to one embodiment of the present invention, before an abnormal state occurs in an automated facility, the current state of the facility can be diagnosed through a facility health index calculated by a health index point conversion formula.
또한, 본 발명의 일실시예에 따르면, 설비 이상발생시, 설비 내 어느 시스템에 이상의 원인이 있는지를 통보하여, 작업자로 하여금 빠른 대처가 가능하도록 할 수 있다.In addition, according to one embodiment of the present invention, when an error occurs in a facility, it is notified which system in the facility has the cause of the error, so that a worker can respond quickly.
또한, 본 발명의 일실시예에 따르면, 정상 상태를 세밀하게 살펴볼 수 있도록 경계를 설정하고, 위험 또는 주의가 필요한 상태를 미리 알 수 있어 설비에 이상이 발생하기 전 선제 대응을 할 수 있다.In addition, according to an embodiment of the present invention, a boundary can be set so that a normal state can be examined in detail, and a dangerous or a state requiring attention can be known in advance, so that a preemptive response can be taken before an abnormality occurs in the facility.
또한, 본 발명의 일실시예에 따르면, 복잡한 자동화 설비의 운영 상황을 한 눈에 직관적으로 살펴봄으로써 작업관리의 효율을 증가시킬 수 있다.In addition, according to one embodiment of the present invention, it is possible to increase the efficiency of work management by intuitively looking at the operating conditions of complex automation facilities at a glance.
또한, 본 발명의 일실시예에 따르면, 복수의 센서 데이터에 대한 XAI 분석을 통해 머신러닝 및 딥러닝을 활용한 데이터 분석에서부터 시스템의 정비 알림 자동 제안에 이르기까지 이상징후를 포착하여, 높은 정확도와 빠른 속도로 이상상태 및 원인 진단을 가능하게 할 수 있다.In addition, according to one embodiment of the present invention, anomalies are captured from data analysis using machine learning and deep learning through XAI analysis of a plurality of sensor data to automatic suggestion of maintenance notification of the system, resulting in high accuracy and It is possible to diagnose abnormal conditions and causes at a high speed.
또한, 본 발명의 일실시예에 따르면, 설비 이상 조기 예측을 통한 설비 다운타임 감소, 품질향상 및 원가절감, 제조공정 운영 최적화를 통한 품질 관리 비용을 절감하고, 생산 효율을 증가시킬 수 있다.In addition, according to an embodiment of the present invention, it is possible to reduce equipment downtime through early prediction of equipment failure, improve quality and reduce costs, reduce quality control costs through optimization of manufacturing process operation, and increase production efficiency.
본 발명의 XAI를 활용한 제조설비 이상발생확률 예측에 의한, 설비 건강지수 도출 시스템 및 설비 건강지수 도출 방법은 아래 세 가지 사항을 고려한다.The facility health index derivation system and facility health index derivation method by predicting the probability of manufacturing facility abnormality using XAI of the present invention consider the following three items.
첫번째로는, 센서 데이터 이상감지 분석을 기반으로 작업자 투입에 대한 의사결정을 하기 위해, 센서 데이터 이상감지 결과를 종합적으로 파악할 필요가 있다. 이는, 수리 및 점검 등으로 작업자가 투입되기 위해, 어떤 부분에서 문제가 발생하였는지 알 수 있어야 하기 때문이다.First, it is necessary to comprehensively grasp sensor data anomaly detection results in order to make a decision on worker input based on sensor data anomaly detection analysis. This is because it is necessary to know in which part a problem has occurred in order for workers to be put in for repair and inspection.
두번째로는, 이상상태가 발생하기 전과 이상상태라고 예측되기 전에, 이상상태로의 전환 가능성을 미리 파악하여 선제대응을 할 수 있어야 한다. 이를 위해서는, 머신러닝 기법을 통해 센서 데이터의 패턴을 파악하는 것 뿐만 아니라 이상발생을 예측하는 건강지수 점수 환산 공식을 통해 비정상 상태에 도달하기 전 작업관리자에게 설비 상태와 문제 발생 가능성이 있는 운영구조를 추적할 수 있게 해야 한다.Second, before an abnormal state occurs and before it is predicted to be an abnormal state, it is necessary to be able to preemptively respond by grasping the possibility of switching to an abnormal state in advance. To this end, it not only identifies patterns of sensor data through machine learning techniques, but also informs task managers of facility conditions and operational structures that may cause problems before reaching an abnormal state through a health index score conversion formula that predicts abnormal occurrences. should be able to track it.
세번째로는, 실시간으로 수집되는 센서 데이터의 분석을 통해 설비의 상태를 작업관리자에게 직관적으로 전달할 수 있는 매개체가 필요하다. 자동화 설비가 도입된 제조 현장에서는, 한 명의 작업자가 여러 개의 설비를 동시에 관리해야 한다. 자동화 설비에, 분석결과 및 이상상태를 확인할 수 있는 시각도구를 접목한다면, 작업자는, 작업관리 및 모니터링 효율성을 높일 수 있다.Thirdly, a medium that can intuitively convey the state of the facility to the work manager through the analysis of sensor data collected in real time is needed. In a manufacturing site where automated facilities are introduced, one worker must manage multiple facilities at the same time. If the automation equipment is combined with a visual tool that can check the analysis results and abnormal conditions, the operator can increase work management and monitoring efficiency.
이러한 고려 사항에 따라, 본 명세서에서는, XAI를 사용하여 자동화 설비에 부착된 센서로부터 수집되는 센서 데이터를 통해, 이상발생 가능성을 모니터링하고 시각화하는 설비 건강지수 도출 시스템 및 설비 건강지수 도출 방법을 제안한다.In accordance with these considerations, in this specification, we propose a facility health index derivation system and facility health index derivation method that monitors and visualizes the possibility of abnormal occurrence through sensor data collected from sensors attached to automation equipment using XAI. .
본 발명에 의해서는, 설비의 상태를 종합적으로 파악할 수 있으며, 이상상태 발생 전, 건강지수 점수 환산 공식을 통해 설비의 현재상태 및 수리가 필요한 운영구조를 사전에 예측할 수 있다. 또한, 본 발명에 의해서는, 작업관리 및 모니터링 효율성을 높일 수 있다.According to the present invention, the state of the facility can be comprehensively grasped, and the current state of the facility and the operating structure requiring repair can be predicted in advance through the health index score conversion formula before the occurrence of an abnormal condition. In addition, according to the present invention, work management and monitoring efficiency can be increased.
도 2는 본 발명의 일실시예에 따른, 설비 건강지수 도출 시스템의 전체 구조를 설명하기 위한 도이다.2 is a diagram for explaining the overall structure of a facility health index derivation system according to an embodiment of the present invention.
본 발명은 자동화 설비에 부착된 센서로부터 수집되는 센서 데이터를 통해 이상발생 가능성을 모니터링하고 시각화하는 설비 건강지수 도출 시스템 및 설비 건강지수 도출 방법에 대한 것이다.The present invention relates to a facility health index derivation system and a facility health index derivation method for monitoring and visualizing the possibility of abnormal occurrence through sensor data collected from sensors attached to automation equipment.
도 2에 도시한 바와 같이, 설비 건강지수 도출 시스템은 이상감지분석부(210)와, 설비이상 진단 및 시각화 송출부(220)로 구성 될 수 있다.As shown in FIG. 2 , the facility health index derivation system may include an abnormality detection and analysis unit 210 and a facility abnormality diagnosis and visualization transmission unit 220 .
이상감지분석부(210)에서는 "데이터 분리(211) - AI분석 및 모델선정(212) - 설비건강지수도출(213)"이라는 3단계의 프로세스를 거친다.In the anomaly detection and analysis unit 210, a three-step process of "data separation (211) - AI analysis and model selection (212) - equipment health index extraction (213)" is performed.
데이터 분리(211)는, 하나의 센서로부터 여러 파라미터를 가진 센서 데이터가 출력되는데, 출력된 센서 데이터로부터, 분석에 필요한 파라미터 만을 분리, 추출하여 인공지능이 분석 가능한 형태로 전처리하는 프로세스 일 수 있다.Data separation 211 is a process in which sensor data having several parameters is output from one sensor, and only parameters necessary for analysis are separated and extracted from the output sensor data, and preprocessed in a form that can be analyzed by artificial intelligence.
AI분석 및 모델선정(212)은 XGBoost, NGBoost, SVM, 랜덤포레스트 등의 머신러닝 기법과, RNN, CNN 등의 딥러닝 기법을 사용하여, 정상과 비정상을 분류하는 모델을 선정하는 프로세스 일 수 있다. AI분석 및 모델선정(212)에서는, 여러 가지 모델을 구축한 뒤 예측력을 비교하여 가장 뛰어난 모델을 최종 이상감지 예측모델로 선정 할 수 있다.AI analysis and model selection 212 may be a process of selecting a model for classifying normal and abnormal using machine learning techniques such as XGBoost, NNGBoost, SVM, and random forest, and deep learning techniques such as RNN and CNN. . In the AI analysis and model selection 212, after building various models, predictive power can be compared to select the most excellent model as the final anomaly detection prediction model.
도 3은 AI분석 및 모델선정에 대한 프로세스 절차를 설명하는 도이다.3 is a diagram illustrating process procedures for AI analysis and model selection.
AI분석 및 모델선정에 대한 프로세스 내, 단계 310은 분석 데이터를 준비하는 과정이다. 단계 310에서는 데이터 분리(211)에서 전처리된 센서 데이터를 입력받을 수 있다.Within the process for AI analysis and model selection,
단계 320은 훈련-검증-평가 데이터 분리하는 과정이다. 단계 320에서는, 분석 데이터를 다양한 카테고리 별로 분리할 수 있다.Step 320 is a process of separating training-verification-evaluation data. In
단계 330은 데이터 학습 및 AI 분석모델을 구축하는 과정이다. 단계 330에서는 카테고리 별로 분리된 분석 데이터에 적용할, 머신러닝 기법(331)과 딥러닝 기법(332)을 구축할 수 있다. 머신러닝 기법(331)은 XGBoost, NGBoost, SVM, 랜덤포레스트 등을 예시할 수 있고, 딥러닝 기법(332)는 RNN, CNN 등을 예시할 수 있다.Step 330 is a process of building a data learning and AI analysis model. In
단계 340은 모델 평가 후 최종모델을 선정하는 과정이다. 단계 340에서는 구축된 모델들 중에서, 분석 데이터를 적용하여 도출되는 결과로서의 예측력이 가장 높은 특정의 모델을, 최종 이상감지 예측모델로 선정할 수 있다.Step 340 is a process of selecting a final model after model evaluation. In
설비건강지수도출(213)은 최종 선정된 모델에 테스트 데이터를 최소 20개 입력하고, 테스트 데이터가 정상상태로 분류되는 확률을 시스템 별로 구분하여 구한다.In the facility health index derivation (213), at least 20 test data are input to the finally selected model, and the probability that the test data is classified as normal is obtained for each system.
설비건강지수도출(213)에서는, 테스트 데이터가 정상상태로 분류되는 확률을 합하여 테스트 데이터가 정상상태로 분류되는 평균 확률을 구한 뒤, 이를 100점 만점으로 환산하는 건강지수 점수 환산 공식을 만들 수 있다.In the equipment
이 때, 설비건강지수도출(213)에서는, 가중치를 동일하게 두어 평균 확률을 구하거나, 설비의 운영 상황에 따라 서로 다른 가중치를 두어 가중합을 구할 수 있다.At this time, in the equipment
도 4는 건강지수 점수 환산 공식 및 설비건강지수의 산출을 예시하는 도이다.4 is a diagram illustrating a health index point conversion formula and calculation of a facility health index.
도 4에서는 4개의 시스템(자동화 시스템)로 구성되는 설비에 대한 이상감지 분류확률을, 종합적으로 파악할 수 있게 하는 건강지수 점수 환산 공식을 예시한다.4 exemplifies a health index score conversion formula that enables comprehensively grasping the abnormality detection classification probability for facilities composed of four systems (automated systems).
도 4에 도시한 바와 같이, 4개의 시스템 별로 산출되는 확률은 각각 '(A) 시스템에서 정상 클래스에 분류될 확률', '(B) 시스템에서 정상 클래스에 분류될 확률', '(C) 시스템에서 정상 클래스에 분류될 확률', '(D) 시스템에서 정상 클래스에 분류될 확률'일 수 있다.As shown in FIG. 4, the probabilities calculated for each of the four systems are '(A) Probability of being classified in the normal class in the system', '(B) Probability of being classified in the normal class in the system', '(C) System 'probability of being classified in the normal class', 'probability of being classified in the normal class in (D) system'.
이들 확률들로부터 도출되는 건강지수 점수 환산 공식은, "(A+B+C+D) * 0.25 * 100" 일 수 있다.A health index score conversion formula derived from these probabilities may be "(A+B+C+D) * 0.25 * 100".
여기서 (A+B+C+D)는, 4개의 시스템에 대해 연산된 '정상상태로 분류될 확률'의 합산값 일 수 있다.Here, (A+B+C+D) may be the sum of the 'probabilities of being classified as steady state' calculated for the four systems.
설비건강지수도출(213)에서는, 도 4의 건강지수 점수 환산 공식을 통해, 설비의 현 상태 및 미래의 이상발생 가능성을 판단할 수 있는 설비건강지수를 얻을 수 있다.In the facility
설비건강지수는, 속하는 점수 범위에 따라, 설비에 대한 '정상 여부' 및 '예측 상태'를 결정하는 데에 활용될 수 있다.The equipment health index can be used to determine 'normality' and 'predicted state' for equipment according to the score range to which it belongs.
도 5는 건강지수 점수 환산 공식으로 도출한 설비건강지수에 의한 설비의 상태를 예측하는 것을 보여주는 도이다.5 is a diagram showing the prediction of the state of a facility by a facility health index derived from a health index point conversion formula.
도 5에서의 설비의 상태 예측은, 설비이상 진단 및 시각화 송출부(220)의 설비이상상태 진단(222)에 의해 구현될 수 있다.The equipment condition prediction in FIG. 5 may be implemented by the equipment abnormal state diagnosis 222 of the equipment abnormal diagnosis and visualization transmission unit 220 .
도 5에는 건강지수 점수 환산 공식으로 도출한 설비건강지수를 이용하여, 설비이상상태 진단(222)에서, 설비의 정상 여부와 예측 상태를 진단한 것을 정리한다.5 summarizes the diagnosis of whether the facility is normal or not and the predicted state in the facility abnormal state diagnosis 222 using the facility health index derived from the health index point conversion formula.
설비이상상태 진단(222)에서는, 건강지수 점수 환산 공식으로 도출한 점수(설비건강지수)가 속하는 점수 범위를 확인하여 설비에 대한, 정상 여부와 예측 상태를 결정할 수 있다.In the facility abnormal state diagnosis 222, it is possible to determine whether the facility is normal and predicted state by checking the score range to which the score (facility health index) derived by the health index score conversion formula belongs.
예컨대, 설비이상상태 진단(222)에서는, 관측값 no 1에 대해, 건강지수 점수 환산 공식으로부터 도출한 점수(설비건강지수) '28.25'가 속한 점수 범위 '50 미만'을 통해, 설비에 대한 정상 여부 '비정상'과 예측 상태 '비정상'을 결정할 수 있다.For example, in the facility abnormal state diagnosis 222, for the observation value no 1, the normal condition for the facility is obtained through the score range 'less than 50' to which the score (facility health index) '28.25' derived from the health index score conversion formula belongs. Whether or not 'abnormal' and the predicted state 'abnormal' can be determined.
정상 여부 '정상'에 속하는 점수 범위 50 이상에 대해서는, 구간을 5개로 세분(위험, 주의, 보통, 안정, 매우 안정)하여 보다 세밀한 모니터링을 가능하게 할 수 있다.For a score range of 50 or higher belonging to 'normal', it is possible to enable more detailed monitoring by subdividing the interval into 5 sections (danger, caution, normal, stable, very stable).
도 6은 건강지수 점수 환산 공식으로 도출한 설비건강지수를 이용하여 시스템 별로 진단하는 과정을 예시한 도이다.6 is a diagram illustrating a process of diagnosing for each system using a facility health index derived from a health index score conversion formula.
도 6에서 도시한 바와 같이, 설비이상상태 진단(222)에서는 ①건강지수 비교결과를 확인하고, ② 진단이 필요한 시스템을 확인 할 수 있다.As shown in FIG. 6, in the facility abnormal state diagnosis 222, ① a health index comparison result can be checked, and ② a system requiring diagnosis can be checked.
도 6에서는, 건강지수 점수 환산 공식으로 도출한 점수(설비건강지수) '56'이 속한 점수 범위 '50이상~60미만'을 통해 설비에 대한 정상 여부 '정상'과 예측 상태 '위험'이 결정되는, 관측값 no 3을 주목한다.In FIG. 6, whether the facility is normal or not 'normal' and the predicted state 'risk' are determined through the score range '50 or more to less than 60' to which the score (facility health index) '56' derived by the health index score conversion formula belongs. Note the observation no 3, which becomes
관측값 no 3이 정상 여부는 '정상' 이지만, 예측 상태가 '위험' 이므로(①건강지수 비교결과 확인), 설비이상상태 진단(222)에서는, 개별 시스템 중, 정상 상태에 속할 확률이 0.5 미만인 시스템 A와 시스템 B를 확인(② 진단이 필요한 시스템 확인)하고, 이들 시스템 A와 시스템 B에 대해, 점검을 경고 하여, 고장 및 이상에 대해 대비할 수 있게 한다.Whether the observed value no 3 is normal is 'normal', but the predicted state is 'dangerous' (① check the health index comparison result), in the facility abnormal state diagnosis (222), among individual systems, the probability of belonging to the normal state is less than 0.5 System A and System B are checked (② System confirmation requiring diagnosis), and inspection warnings are issued for these System A and System B, so that failures and abnormalities can be prepared.
다시 도 2를 설명하면, 설비이상 진단 및 시각화 송출부(220)는 이상감지분석부(210)의 결과를 받아, "XAI 적용 예측(221) - 설비이상상태 진단(222) - 시각화 및 어플리케이션 송출(223)"이라는 3단계의 프로세스를 거친다.Referring to FIG. 2 again, the facility abnormality diagnosis and visualization transmission unit 220 receives the result of the abnormality detection and analysis unit 210, and "XAI application prediction 221 - facility abnormal state diagnosis 222 - visualization and application transmission" (223)" is a three-step process.
XAI 적용 예측(221)은 자동화 시스템에 부착된 센서로부터 실시간 수집되는 센서 데이터를 운영구조별로 분리한 뒤 이를 AI분석 및 모델선정(212)에 의해 선정된 최종 이상감지 예측모델과 함께 LIME(Local Interpretable Model-Agnostic Explanation)에 입력하는 프로세스 일 수 있다.The XAI application prediction (221) separates the sensor data collected in real time from the sensors attached to the automation system by operating structure, and then LIME (Local Interpretable It can be a process of inputting into Model-Agnostic Explanation).
XAI 적용 예측(221)에서는 입력의 결과로서, 실시간으로 수집된 센서 데이터와 관련된 자동화 시스템이 정상상태로 분류될 확률('정상상태로 분류될 확률')을, 운영구조별로 분리되어 반환 될 수 있다.In the
XAI 적용 예측(221)에서 수행하는 확률도출 과정에서는 ‘변수설명력’을 통해 각각의 센서들이 정상/비정상 상태를 결정하는데 어떤 영향을 주었는지 시각적으로 확인할 수 있다. 또한 XAI 적용 예측(221)에서는 분류확률을 플롯형태로 반환하여 시각적인 이해를 도울 수 있다.In the process of deriving the probability performed in the XAI applied
도 7은 확률플롯 및 변수설명력을 시각화하는 예시도이다.7 is an exemplary diagram for visualizing a probability plot and variable explanatory power.
도 7에 도시한 바와 같이, XAI 적용 예측(221)에서는, 정상/비정상에 관해 산출된 분류확률을 플롯형태로 보여주고, 각 센서들이 정상/비정상 상태를 결정하는데 어떤 영향을 주었는지 시각적으로 보여줄 수 있다.As shown in FIG. 7, in the
설비이상상태 진단(222)은 XAI 적용 예측(221)에서 얻은 확률('정상상태로 분류될 확률')을 건강지수 점수 환산 공식에 입력하여 얻은, 설비건강지수를 이용하여 설비의 이상상태를 진단할 수 있다.Facility abnormal state diagnosis 222 diagnoses the abnormal state of the facility using the facility health index obtained by inputting the probability ('probability of being classified as normal state') obtained from the XAI applied
설비이상상태 진단(222)에서는, 설비에 대한 정상 여부와 예측 상태를 진단할 수 있다.In the facility abnormal state diagnosis 222, it is possible to diagnose whether or not the facility is normal and predicted state.
설비이상상태 진단(222)에서는, 정상이라도, 예측 상태가 위험으로 진단된다면, 해당 설비에 주의를 경고하여, 설비 관리자/운영자로 하여금 사전에 설비의 이상상황을 예방할 수 있게 한다.In the equipment abnormal state diagnosis 222, even if it is normal, if the predicted state is diagnosed as dangerous, a warning is given to the corresponding equipment, so that the equipment manager/operator can prevent abnormal situations of the equipment in advance.
또한, 설비이상상태 진단(222)에서는, 운영구조별로 구분하여 관리가 가능하므로 수리 및 점검이 필요한 운영구조만을 선택하여 관리할 수 있게 지원 할 수 있다.In addition, in the equipment abnormal state diagnosis 222, since management is possible by classifying by operating structure, it is possible to select and manage only the operating structure requiring repair and inspection.
시각화 및 어플리케이션 송출(223)은 작업관리자가 설비의 상태를 직관적으로 확인할 수 있도록, 그라파나 등 오픈 소스를 활용한 대시보드에 설비상태를 전달하는 프로세스이다.The visualization and application transmission 223 is a process of transmitting the facility status to a dashboard using an open source such as Grafana so that the task manager can intuitively check the facility status.
시각화 및 어플리케이션 송출(223)은 실시간으로 수집되는 센서 데이터의 수치값 뿐만 아니라 건강지수 점수 환산 공식으로 도출한 설비건강지수를 기반으로 한 설비건강지수, 정상/비정상 상태를 결정하는데 어떤 센서파라메터가 많은 영향을 주었는지 시각적으로 확인할 수 있다.The visualization and application transmission 223 determines the facility health index and normal/abnormal state based on the equipment health index derived from the health index score conversion formula as well as the numerical values of sensor data collected in real time. You can visually check whether it has had an impact.
도 8은 시각화 및 어플리케이션 송출을 보여주는 예시도이다.8 is an exemplary view showing visualization and application transmission.
도 8에 도시한 바와 같이, 설비 건강지수 도출 시스템은 실시간으로 수집되는 센서 데이터의 수치값, 건강지수 점수 환산 공식으로 도출한 설비건강지수를 기반으로 한 설비건강지수, 정상/비정상 상태를 결정하는데 어떤 센서파라메터가 많은 영향을 주었는지를 시각화하여 보여준다.As shown in FIG. 8, the facility health index derivation system determines the facility health index and normal/abnormal state based on the numerical value of sensor data collected in real time and the facility health index derived from the health index point conversion formula. Visualizes and shows which sensor parameters had the most influence.
이하, 도 9에서는 본 발명의 실시예들에 따른 설비 건강지수 도출 시스템(100)의 동작 흐름을 상세히 설명한다.Hereinafter, an operation flow of the facility health
도 9는 본 발명의 일실시예에 따른, 설비 건강지수 도출 방법을 도시한 흐름도이다.9 is a flowchart illustrating a method for deriving a facility health index according to an embodiment of the present invention.
설비 건강지수 도출 방법은, 설비 건강지수 도출 시스템(100)의 구현될 수 있다.The facility health index derivation method may be implemented in the facility health
설비 건강지수 도출 시스템(100)의 이상감지분석부에서, 설비를 구성하는 복수의 자동화 시스템에 부착된 센서로부터 수집되는 센서 데이터와 연관되어 설비건강지수를 산출한다(910). 단계(910)은 이상감지분석부에 의해 센서 데이터를 이용하여, 설비 내 자동화 시스템의 상태를 설비건강지수라는 점수로 수치화하는 과정일 수 있다.In the facility health
여기서, 센서는 자동화 시스템 각각에 설치되어, 해당 자동화 시스템에 대한 직간접 정보(자동화 시스템의 동작 속도, 자동화 시스템 내부의 온습도, 자동화 시스템에서 발생하는 알람, 자동화 시스템에서 발생하는 먼지/가스량 등)를 감지하여 상기 센서 데이터를 생산하는 기기일 수 있다.Here, the sensor is installed in each automation system to detect direct and indirect information about the automation system (operation speed of the automation system, temperature and humidity inside the automation system, alarms generated from the automation system, dust/gas amount generated from the automation system, etc.) It may be a device that generates the sensor data by doing so.
상기 설비건강지수는 본 발명에 의해 고안되는 건강지수 점수 환산 공식에 결과로서 산출되는 점수일 수 있다.The facility health index may be a score calculated as a result of a health index score conversion formula devised according to the present invention.
또한, 설비 건강지수 도출 시스템(100)의 설비이상 진단 및 시각화 송출부에서, 설명 가능한 AI(eXplainable Artificial Intelligence, XAI)를 사용하여, 상기 설비건강지수의 산출시 요구되는, 상기 복수의 자동화 시스템 각각이 '정상상태로 분류될 확률'을 연산한다(920). 단계(920)은, 설비이상 진단 및 시각화 송출부에서, XAI에 의해, 복수의 자동화 시스템 각각이 정상상태에서 동작하는 확률을 연산하는 과정일 수 있다.In addition, in the facility abnormality diagnosis and visualization transmission unit of the facility health
여기서, XAI는 AI 스스로 사람이 이해할 수 있게 끔 설명하는 인공기능으로서, 예컨대 어떤 과정을 통해서 결과를 도출했는지 설명하여 사람들로 하여금 해당 결과를 훨씬 더 잘 이해하고 신뢰할 수 있게 하는 인공기능을 지칭할 수 있다.Here, XAI is an artificial function that AI itself explains in a way that humans can understand. there is.
이상감지분석부는, 데이터 분리 - AI분석 및 모델선정 - 설비건강지수도출의 3단계를 실행 할 수 있다.The anomaly detection and analysis unit can execute three steps: data separation - AI analysis and model selection - facility health index extraction.
또한, 설비이상 진단 및 시각화 송출부는, XAI 적용 예측 - 설비이상상태 진단 - 시각화 및 어플리케이션 송출의 3단계를 실행 할 수 있다.In addition, the facility abnormality diagnosis and visualization transmission unit can execute three steps: XAI application prediction - facility abnormal state diagnosis - visualization and application transmission.
이상감지분석부의 데이터 분리는, 상기 센서 데이터를, 상기 XAI에서 분석 가능한 형태로 전처리하는 실행 단계일 수 있다.Data separation of the anomaly detection analysis unit may be an execution step of pre-processing the sensor data into a form that can be analyzed by the XAI.
즉, 데이터 분리는 센서에서 감지되어 생성된 센서 데이터에서, 유의미한 영역을 분리해내고, 이를 XAI가 이해할 수 있는 형태로 전처리하는 과정일 수 있다.That is, data separation may be a process of separating a meaningful region from sensor data generated by being sensed by a sensor, and pre-processing it into a form that XAI can understand.
이상감지분석부의 AI분석 및 모델선정은, 다수의 후보 이상감지 예측모델 각각으로, 상기 전처리된 데이터를 입력하고, 상기 다수의 후보 이상감지 예측모델 중에서, 가장 높은 이상발생 예측력을 출력하는 하나를, 최종 이상감지 예측모델로 선정하는 실행 단계일 수 있다.The AI analysis and model selection of the anomaly detection analysis unit inputs the preprocessed data as each of a plurality of candidate anomaly detection prediction models, and selects one that outputs the highest anomaly occurrence predictive power among the plurality of candidate anomaly detection prediction models, It may be an execution step of selecting a final anomaly detection prediction model.
즉, AI분석 및 모델선정은 다수의 후보 이상감지 예측모델을 대상으로 테스트를 통해 최적한 이상감지 예측모델을 정하는 과정일 수 있다.That is, the AI analysis and model selection may be a process of determining an optimal anomaly detection prediction model through testing of a plurality of candidate anomaly detection prediction models.
여기서, 다수의 후보 이상감지 예측모델은, 머신러닝 기법 계열의 XGBoost, NGBoost, SVM, 랜덤포레스트 등, 및 딥러닝 기법 계열의 RNN, CNN 등일 수 있다.Here, the plurality of candidate anomaly detection prediction models may be XGBoost, NGBoost, SVM, random forest, etc. of machine learning techniques, and RNN, CNN, etc. of deep learning techniques.
XGboost(Extreme Gradient Boost)는 의사결정나무 기반의 앙상블 머신 러닝 알고리즘일 수 있다. XGboost는 Gradient Boosting 의 단점을 보완한 알고리즘으로 정형 데이터를 사용하여 예측할 때 매우 우수한 성능을 보이며 회귀, 분류, 예측에 사용될 수 있다.XGboost (Extreme Gradient Boost) may be an ensemble machine learning algorithm based on decision trees. XGboost is an algorithm that compensates for the disadvantages of Gradient Boosting. It shows very good performance when predicting using structured data and can be used for regression, classification, and prediction.
최종 이상감지 예측모델의 선정에 있어, AI분석 및 모델선정에서는, 다수의 후보 이상감지 예측모델 'XGBoost, NGBoost, SVM, 랜덤포레스트, RNN, CNN' 각각으로 테스트 용의 임의의 센서 데이터를 입력한 후, 각 모델로부터 출력되는 결과로서의 이상발생 예측력이 가장 정확한 하나의 이상감지 예측모델을, 최종 이상감지 예측모델로 선정할 수 있다.In the selection of the final anomaly detection prediction model, in the AI analysis and model selection, random sensor data for testing was input into a number of candidate anomaly detection prediction models 'XGBoost, NGBoost, SVM, random forest, RNN, CNN', respectively. Then, one anomaly detection prediction model having the most accurate anomaly occurrence predictive power as a result output from each model may be selected as a final anomaly detection prediction model.
설비이상 진단 및 시각화 송출부의 XAI 적용 예측은, 상기 전처리된 데이터와, 상기 선정된 최종 이상감지 예측모델을 LIME(Local Interpretable Model-Agnostic Explanation)에 입력하고, 상기 LIME에서 출력되는 결과로서의, 상기 '정상상태로 분류될 확률'을 연산하는 실행 단계일 수 있다.Facility abnormality diagnosis and XAI application prediction of the visualization transmission unit inputs the preprocessed data and the selected final abnormality detection prediction model to LIME (Local Interpretable Model-Agnostic Explanation), and as a result output from the LIME, the ' It may be an execution step of calculating a 'probability of being classified as a steady state'.
즉, XAI 적용 예측은 센서 데이터를 이상감지 예측모델에 입력하여, 센서 데이터와 연관되는 특정의 자동화 시스템이 정상상태로 작동하는지에 관한 '정상상태로 분류될 확률'을 산출해내는 과정일 수 있다.That is, XAI application prediction may be a process of inputting sensor data into an anomaly detection prediction model and calculating a 'probability of being classified as normal' regarding whether a specific automated system associated with the sensor data operates in a normal state. .
여기서, LIME은 XAI의 방법론 중 하나로, AI가 그렇게 판단할 수 밖에 없었던 이유를 프레임워크를 통해 설명하는 로직 일 수 있다.Here, LIME is one of the methodologies of XAI, and may be a logic that explains why the AI had to make such a decision through a framework.
이상감지분석부의 설비건강지수도출은 상기 복수의 자동화 시스템 각각에 대해 연산된 상기 '정상상태로 분류될 확률'을, 건강지수 점수 환산 공식에 대입하여 설비건강지수를 산출하는 실행 단계일 수 있다.The equipment health index derivation of the abnormality detection and analysis unit may be an execution step of calculating the equipment health index by substituting the 'probability of being classified as normal' calculated for each of the plurality of automated systems into a health index score conversion formula.
즉, 설비건강지수도출은 자동화 시스템이 현재 어느 상태이고, 오류발생 가능성을 예측할 수 있게 하는 설비건강지수를 도출해내는 과정일 수 있다.That is, the derivation of facility health index may be a process of deriving a facility health index that enables predicting the current state of the automation system and the possibility of occurrence of an error.
상기 건강지수 점수 환산 공식은, 상기 '정상상태로 분류될 확률'의 합산값 * 0.25 * 100을 만족하는 수식일 수 있다.The health index score conversion formula may be a formula that satisfies the sum of the 'probability of being classified as normal' * 0.25 * 100.
설비건강지수를 산출하는 일례로서, 예컨대 4개의 자동화 시스템 A, B, C, D의 '정상상태로 분류될 확률'이 각각 0.4, 0.31, 0.87, 0.66일 경우, 설비건강지수도출(113)에서는 건강지수 점수 환산 공식에 따라 56(=(0.4 + 0.31 + 0.87 + 0.66) * 0.25 * 100)을 설비건강지수로서 산출할 수 있다.As an example of calculating the facility health index, for example, when the 'probability of being classified as normal' of the four automation systems A, B, C, and D is 0.4, 0.31, 0.87, and 0.66, respectively, in the facility health index deduction (113) According to the health index score conversion formula, 56 (= (0.4 + 0.31 + 0.87 + 0.66) * 0.25 * 100) can be calculated as the equipment health index.
설비이상 진단 및 시각화 송출부의 설비이상상태 진단은 상기 산출된 설비건강지수에 의해 상기 설비의 상태를 진단 함으로써 상기 설비에 대한 이상발생 가능성을 모니터링하는 실행 단계일 수 있다.Facility abnormality diagnosis and visualization The facility abnormal state diagnosis of the transmission unit may be an execution step of monitoring the possibility of occurrence of an abnormality in the facility by diagnosing the state of the facility based on the calculated facility health index.
즉, 설비이상상태 진단은 설비건강지수가 속하는 점수 범위에 따라, 자동화 시스템 각각에 대한 상태를 진단하고, 이를 종합하여 상기 설비에 대한 이상발생 가능성을 진단하는 과정일 수 있다.That is, the facility abnormal state diagnosis may be a process of diagnosing the state of each automation system according to the score range to which the facility health index belongs, and diagnosing the possibility of abnormal occurrence of the facility by integrating the conditions.
설비이상상태 진단은, 상기 설비건강지수가 속한 점수 범위에 설정되는 상기 설비에 대한 '정상 여부'와 '예측 상태'를 확인하여, 상기 설비의 상태를 진단 할 수 있다.In the facility abnormal state diagnosis, the state of the facility can be diagnosed by checking 'whether normal' and 'predicted state' for the facility set in the score range to which the facility health index belongs.
상술한 예시에 대해, 설비이상상태 진단에서는, 산출된 설비건강지수 56이 속하는 점수 범위 '50이상 ~ 60미만'에 설정되어 있는, '정상 여부' "정상"과, '예측 상태' "위험"을, 4개의 자동화 시스템 A, B, C, D을 구성으로 갖는 설비에 대한 상태로서 진단 할 수 있다.Regarding the above example, in the facility abnormal condition diagnosis, 'normal status' "normal" and 'predicted state' "danger", which are set in the score range '50 or more to less than 60' to which the calculated
또한, 설비이상상태 진단에서는, 상기 확인된 '예측 상태'가 위험으로 확인되면, 상기 '정상상태로 분류될 확률'이 규정된 수치 미만인 특정의 자동화 시스템에 대해, 이상발생을 알릴 수 있다. 즉, 설비이상상태 진단에서는 설비에 대한 진단이, 정상이나 위험에 직면한 것으로 나오면, '정상상태로 분류될 확률'이 상대적으로 낮은 자동화 시스템을 정한 후 이에 대한 알람을 경고 할 수 있다.In addition, in the equipment abnormality diagnosis, when the confirmed 'predicted state' is identified as a risk, the occurrence of an abnormality may be notified for a specific automation system in which the 'probability of being classified as a normal state' is less than a prescribed value. That is, in the facility abnormal state diagnosis, if the facility is found to be normal or in danger, an automated system with a relatively low probability of being classified as normal can be determined and an alarm can be issued.
상술한 예시에 대해, 설비이상상태 진단(122)에서는, '예측 상태' "위험"으로 진단된 설비 내 4개의 자동화 시스템 A, B, C, D 중 '정상상태로 분류될 확률'이 규정된 수치 '0.5' 미만인 자동화 시스템 A, B에 대해, 이상발생을 경고 할 수 있다.Regarding the above example, in the facility
상기 이상발생의 경고는, 설비 관리자/운영자의 소유 단말로의 알람 메시지 전송, 설비 관리자/운영자 호출 등을 예시할 수 있다.The warning of the occurrence of the abnormality may be exemplified by sending an alarm message to a device owned by the facility manager/operator or calling the facility manager/operator.
설비이상 진단 및 시각화 송출부의 시각화 및 어플리케이션 송출은 상기 센서 데이터, 상기 설비건강지수, 및 진단된 상기 설비의 상태 중 적어도 하나를, 상기 설비와 관계되는 단말에서 구동되는 어플리케이션을 통해 시각화하는 실행 단계일 수 있다.The visualization and application transmission of the facility abnormality diagnosis and visualization transmitter may be an execution step of visualizing at least one of the sensor data, the facility health index, and the diagnosed state of the facility through an application running in a terminal related to the facility. can
즉, 시각화 및 어플리케이션 송출은 실시간으로 수집된 센서 데이터의 현황과, 자동화 시스템 각각에 대해 산출된 설비건강지수, 설비건강지수에 따른 설비의 현 상태 등을, 설비 관리자/운영자의 소유 단말로 전달하여, 해당 단말에서 구동되는 전용 어플리케이션을 통해 표출되도록 하는 과정일 수 있다.In other words, visualization and application transmission transmits the status of sensor data collected in real time, the facility health index calculated for each automation system, and the current state of facilities according to the facility health index to the terminal owned by the facility manager/operator. , it may be a process of making it expressed through a dedicated application running in the corresponding terminal.
본 발명의 일실시예에 따르면, XAI를 사용하여 설비에 대해 이상발생확률을 예측 함으로써, 자동화 설비에 대한 설비관리를 보다 효과적으로 하는, XAI를 활용한 제조설비 이상발생확률 예측에 의한, 설비 건강지수 도출 시스템 및 설비 건강지수 도출 방법을 제공 할 수 있다.According to one embodiment of the present invention, by predicting the probability of abnormal occurrence of the equipment using XAI, the equipment health index by predicting the probability of abnormal occurrence of manufacturing equipment using XAI, which makes the facility management of the automated equipment more effective Derivation system and equipment health index derivation method can be provided.
또한, 본 발명의 일실시예에 따르면, 복수의 센서 데이터를 통해 자동화 설비의 이상감지 결과를 종합적으로 파악 할 수 있다.In addition, according to an embodiment of the present invention, it is possible to comprehensively grasp the abnormality detection result of the automation equipment through a plurality of sensor data.
또한, 본 발명의 일실시예에 따르면, 자동화 설비에 이상상태가 발생하기 전에, 건강지수 점수 환산 공식에 의해 산출되는 설비건강지수를 통해, 설비의 현재 상태를 진단 할 수 있다.In addition, according to one embodiment of the present invention, before an abnormal state occurs in an automated facility, the current state of the facility can be diagnosed through a facility health index calculated by a health index point conversion formula.
또한, 본 발명의 일실시예에 따르면, 설비 이상발생시, 설비 내 어느 시스템에 이상의 원인이 있는지를 통보하여, 작업자로 하여금 빠른 대처가 가능하도록 할 수 있다.In addition, according to one embodiment of the present invention, when an error occurs in a facility, it is notified which system in the facility has the cause of the error, so that a worker can respond quickly.
또한, 본 발명의 일실시예에 따르면, 정상 상태를 세밀하게 살펴볼 수 있도록 경계를 설정하고, 위험 또는 주의가 필요한 상태를 미리 알 수 있어 설비에 이상이 발생하기 전 선제 대응을 할 수 있다.In addition, according to an embodiment of the present invention, a boundary can be set so that a normal state can be examined in detail, and a dangerous or a state requiring attention can be known in advance, so that a preemptive response can be taken before an abnormality occurs in the facility.
또한, 본 발명의 일실시예에 따르면, 복잡한 자동화 설비의 운영 상황을 한 눈에 직관적으로 살펴봄으로써 작업관리의 효율을 증가시킬 수 있다.In addition, according to one embodiment of the present invention, it is possible to increase the efficiency of work management by intuitively looking at the operating conditions of complex automation facilities at a glance.
또한, 본 발명의 일실시예에 따르면, 복수의 센서 데이터에 대한 XAI 분석을 통해 머신러닝 및 딥러닝을 활용한 데이터 분석에서부터 시스템의 정비 알림 자동 제안에 이르기까지 이상징후를 포착하여, 높은 정확도와 빠른 속도로 이상상태 및 원인 진단을 가능하게 할 수 있다.In addition, according to one embodiment of the present invention, anomalies are captured from data analysis using machine learning and deep learning through XAI analysis of a plurality of sensor data to automatic suggestion of maintenance notification of the system, resulting in high accuracy and It is possible to diagnose abnormal conditions and causes at a high speed.
또한, 본 발명의 일실시예에 따르면, 설비 이상 조기 예측을 통한 설비 다운타임 감소, 품질향상 및 원가절감, 제조공정 운영 최적화를 통한 품질 관리 비용을 절감하고, 생산 효율을 증가시킬 수 있다.In addition, according to an embodiment of the present invention, it is possible to reduce equipment downtime through early prediction of equipment failure, improve quality and reduce costs, reduce quality control costs through optimization of manufacturing process operation, and increase production efficiency.
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), 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 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 on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program commands 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 CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes 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 high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
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.Software may include a computer program, code, instructions, or a combination of one or more of the foregoing, which configures a processing device to operate as desired or processes independently or collectively. The device can be commanded. Software and/or data may be any tangible machine, component, physical device, virtual equipment, computer storage medium or device, intended to be interpreted by or provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. The software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer readable media.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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 with limited drawings, those skilled in the art can apply various technical modifications and variations based on the above. For example, the described techniques may be performed in an order different from the method described, and/or components of the described system, structure, device, circuit, etc. may be combined or combined in a different form than the method described, or other components may be used. Or even if it is replaced or substituted by equivalents, appropriate results can be achieved.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims are within the scope of the following claims.
100 : 설비 건강지수 도출 시스템
110 : 이상감지분석부
111 : 데이터 분리 112 : AI분석 및 모델선정
113 : 설비건강지수도출
120 : 설비이상 진단 및 시각화 송출부
121 : XAI 적용 예측 122 : 설비이상상태 진단
123 : 시각화 및 어플리케이션 송출100: Facility Health Index Derivation System
110: anomaly detection and analysis unit
111: Data separation 112: AI analysis and model selection
113: Facility health index derivation
120: Facility abnormal diagnosis and visualization transmission unit
121: XAI Application Prediction 122: Facility Abnormal Status Diagnosis
123: Visualization and application transmission
Claims (15)
상기 설명 가능한 AI(XAI)를 사용하여, 상기 설비건강지수의 산출시 요구되는, 상기 복수의 자동화 시스템 각각이 '정상상태로 분류될 확률'을 연산하는 설비이상 진단 및 시각화 송출부
를 포함하고,
상기 설비이상 진단 및 시각화 송출부는,
상기 전처리된 데이터와, 상기 선정된 최종 이상감지 예측모델을 LIME(Local Interpretable Model-Agnostic Explanation)에 입력하고,
상기 LIME로부터, 상기 센서 데이터와 연관되는 특정의 자동화 시스템이 정상상태로 작동하는지에 관한 상기 '정상상태로 분류될 확률'을 결과로서 출력하는 XAI 적용 예측(121)을 실행하는,
XAI를 활용한 제조설비 이상발생확률 예측에 의한 설비 건강지수 도출 시스템.Data separation 111 that pre-processes sensor data collected from sensors attached to a plurality of automation systems constituting the facility into a form that can be analyzed in explainable AI (eXplainable Artificial Intelligence, XAI), and a plurality of candidate anomaly detection prediction models Each of the preprocessed data is input, and AI analysis and model selection (112) is performed to select one of the plurality of candidate anomaly detection prediction models that outputs the highest anomaly occurrence predictive power as the final anomaly detection prediction model. an anomaly detection and analysis unit that calculates a facility health index by doing so; and
A facility abnormality diagnosis and visualization transmission unit that calculates the 'probability that each of the plurality of automated systems will be classified as normal', which is required when calculating the facility health index, using the explainable AI (XAI)
including,
The facility abnormality diagnosis and visualization sending unit,
Inputting the preprocessed data and the selected final anomaly detection prediction model into LIME (Local Interpretable Model-Agnostic Explanation),
From the LIME, an XAI application prediction 121 outputting as a result the 'probability of being classified as a steady state' regarding whether a specific automated system associated with the sensor data is operating in a steady state Executing,
A facility health index deduction system by predicting the probability of manufacturing facility abnormality using XAI.
상기 이상감지분석부는,
상기 복수의 자동화 시스템 각각에 대해 연산된 상기 '정상상태로 분류될 확률'을, 건강지수 점수 환산 공식에 대입하여 설비건강지수를 산출하는 설비건강지수도출(113)
을 실행하고,
상기 건강지수 점수 환산 공식은,
상기 '정상상태로 분류될 확률'의 합산값 * 0.25 * 100
을 만족하는,
XAI를 활용한 제조설비 이상발생확률 예측에 의한 설비 건강지수 도출 시스템.According to claim 1,
The anomaly detection and analysis unit,
Facility health index derivation (113) for calculating a facility health index by substituting the 'probability of being classified as a normal state' calculated for each of the plurality of automated systems into a health index score conversion formula
run,
The health index score conversion formula is,
The sum of the above 'probability of being classified as normal' * 0.25 * 100
that satisfies
A facility health index deduction system by predicting the probability of manufacturing facility abnormality using XAI.
상기 설비이상 진단 및 시각화 송출부는,
상기 산출된 설비건강지수에 의해 상기 설비의 상태를 진단 함으로써 상기 설비에 대한 이상발생 가능성을 모니터링하는 설비이상상태 진단(122)
을 실행하는,
XAI를 활용한 제조설비 이상발생확률 예측에 의한 설비 건강지수 도출 시스템.According to claim 4,
The facility abnormality diagnosis and visualization sending unit,
Facility abnormal state diagnosis (122) for monitoring the possibility of an abnormality in the facility by diagnosing the state of the facility by the calculated facility health index
to run,
A facility health index deduction system by predicting the probability of manufacturing facility abnormality using XAI.
상기 설비이상상태 진단(122)은,
상기 설비건강지수가 속한 점수 범위에 설정되는 상기 설비에 대한 '정상 여부'와 '예측 상태'를 확인하여, 상기 설비의 상태를 진단하고,
상기 확인된 '예측 상태'가 위험으로 확인되면, 상기 '정상상태로 분류될 확률'이 규정된 수치 미만인 특정의 자동화 시스템에 대해, 이상발생을 알리는 과정인,
XAI를 활용한 제조설비 이상발생확률 예측에 의한 설비 건강지수 도출 시스템.According to claim 5,
The facility abnormal state diagnosis 122,
Diagnosing the condition of the facility by checking 'whether normal' and 'predicted state' for the facility set in the score range to which the facility health index belongs;
When the confirmed 'predicted state' is identified as a risk, the process of notifying the occurrence of an abnormality for a specific automation system in which the 'probability of being classified as a normal state' is less than a prescribed value,
A facility health index deduction system by predicting the probability of manufacturing facility abnormality using XAI.
상기 설비이상 진단 및 시각화 송출부는,
상기 센서 데이터, 상기 설비건강지수, 및 진단된 상기 설비의 상태 중 적어도 하나를, 상기 설비와 관계되는 단말에서 구동되는 어플리케이션을 통해 시각화하는 시각화 및 어플리케이션 송출(123)
을 실행하는,
XAI를 활용한 제조설비 이상발생확률 예측에 의한 설비 건강지수 도출 시스템.According to claim 5,
The facility abnormality diagnosis and visualization sending unit,
Visualization and application transmission 123 for visualizing at least one of the sensor data, the facility health index, and the diagnosed state of the facility through an application running in a terminal related to the facility
to run,
A facility health index deduction system by predicting the probability of manufacturing facility abnormality using XAI.
상기 이상감지분석부에서, 다수의 후보 이상감지 예측모델 각각으로, 상기 전처리된 데이터를 입력하고, 상기 다수의 후보 이상감지 예측모델 중에서, 가장 높은 이상발생 예측력을 출력하는 하나를, 최종 이상감지 예측모델로 선정하는 AI분석 및 모델선정(112) 단계; 및
설비이상 진단 및 시각화 송출부에서, 상기 설명 가능한 AI(XAI)를 사용하여, 설비건강지수의 산출시 요구되는, 상기 복수의 자동화 시스템 각각이 '정상상태로 분류될 확률'을 연산하는 단계로서, 상기 전처리된 데이터와, 상기 선정된 최종 이상감지 예측모델을 LIME에 입력하고, 상기 LIME에서 출력되는 결과로서의, 상기 '정상상태로 분류될 확률'을 연산하는 XAI 적용 예측(121) 단계
를 포함하는, XAI를 활용한 제조설비 이상발생확률 예측에 의한 설비 건강지수 도출 방법.Data separation (111) step of pre-processing sensor data collected from sensors attached to a plurality of automation systems constituting a facility in an anomaly detection analysis unit into a form that can be analyzed in an explainable AI (XAI);
In the anomaly detection analysis unit, each of the plurality of candidate anomaly detection prediction models receives the preprocessed data, and among the plurality of candidate anomaly detection prediction models, one outputting the highest anomaly occurrence predictive power is selected for final anomaly detection prediction. AI analysis and model selection (112) step to select as a model; and
In the equipment abnormality diagnosis and visualization transmission unit, using the explainable AI (XAI), calculating the 'probability of each of the plurality of automated systems being classified as normal,' required when calculating the equipment health index, XAI applied prediction (121) step of inputting the preprocessed data and the selected final anomaly detection prediction model to LIME, and calculating the 'probability of being classified as a normal state' as a result output from the LIME
A method of deriving a facility health index by predicting the probability of manufacturing facility abnormalities using XAI, including.
상기 이상감지분석부에서, 상기 복수의 자동화 시스템 각각에 대해 연산된 상기 '정상상태로 분류될 확률'을, 건강지수 점수 환산 공식에 대입하여 설비건강지수를 산출하는 설비건강지수도출(113) 단계
를 더 포함하고,
상기 건강지수 점수 환산 공식은,
상기 '정상상태로 분류될 확률'의 합산값 * 0.25 * 100
을 만족하는,
XAI를 활용한 제조설비 이상발생확률 예측에 의한 설비 건강지수 도출 방법.According to claim 8,
In the abnormality detection and analysis unit, a facility health index derivation step (113) of calculating a facility health index by substituting the 'probability of being classified as a normal state' calculated for each of the plurality of automated systems into a health index score conversion formula.
Including more,
The health index score conversion formula is,
The sum of the above 'probability of being classified as normal' * 0.25 * 100
that satisfies
Method for Deriving Facility Health Index by Predicting Probability of Abnormality in Manufacturing Facilities Using XAI.
상기 설비이상 진단 및 시각화 송출부에서, 상기 산출된 설비건강지수에 의해 상기 설비의 상태를 진단 함으로써 상기 설비에 대한 이상발생 가능성을 모니터링하는 설비이상상태 진단(122) 단계
를 더 포함하는, XAI를 활용한 제조설비 이상발생확률 예측에 의한 설비 건강지수 도출 방법.According to claim 11,
Facility abnormal state diagnosis (122) step of monitoring the possibility of abnormal occurrence of the equipment by diagnosing the state of the equipment according to the calculated equipment health index in the equipment abnormality diagnosis and visualization transmission unit
A method of deriving a facility health index by predicting the probability of manufacturing facility abnormalities using XAI, further comprising.
상기 설비이상상태 진단(122) 단계는,
상기 설비건강지수가 속한 점수 범위에 설정되는 상기 설비에 대한 '정상 여부'와 '예측 상태'를 확인하여, 상기 설비의 상태를 진단하는 단계; 및
상기 확인된 '예측 상태'가 위험으로 확인되면, 상기 '정상상태로 분류될 확률'이 규정된 수치 미만인 특정의 자동화 시스템에 대해, 이상발생을 알리는 단계
를 포함하는, XAI를 활용한 제조설비 이상발생확률 예측에 의한 설비 건강지수 도출 방법.According to claim 12,
In the equipment abnormal state diagnosis 122 step,
diagnosing a state of the facility by checking 'whether normal' and 'predicted state' of the facility set in the score range to which the facility health index belongs; and
If the confirmed 'predicted state' is confirmed as a risk, notifying the occurrence of an abnormality for a specific automation system in which the 'probability of being classified as normal state' is less than a prescribed value
A method of deriving a facility health index by predicting the probability of manufacturing facility abnormalities using XAI, including.
상기 설비이상 진단 및 시각화 송출부에서, 상기 센서 데이터, 상기 설비건강지수, 및 진단된 상기 설비의 상태 중 적어도 하나를, 상기 설비와 관계되는 단말에서 구동되는 어플리케이션을 통해 시각화하는 시각화 및 어플리케이션 송출(123) 단계
를 더 포함하는, XAI를 활용한 제조설비 이상발생확률 예측에 의한 설비 건강지수 도출 방법.According to claim 12,
In the equipment abnormality diagnosis and visualization transmission unit, visualization and application transmission for visualizing at least one of the sensor data, the equipment health index, and the diagnosed state of the equipment through an application running in a terminal related to the equipment ( 123) Step
A method of deriving a facility health index by predicting the probability of manufacturing facility abnormalities using XAI, further comprising.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210105154A KR102483210B1 (en) | 2021-08-10 | 2021-08-10 | Facility health index derivation system and facility health index derivation method by predicting the probability of manufacturing facility abnormality using xai |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210105154A KR102483210B1 (en) | 2021-08-10 | 2021-08-10 | Facility health index derivation system and facility health index derivation method by predicting the probability of manufacturing facility abnormality using xai |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102483210B1 true KR102483210B1 (en) | 2022-12-30 |
Family
ID=84538903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210105154A KR102483210B1 (en) | 2021-08-10 | 2021-08-10 | Facility health index derivation system and facility health index derivation method by predicting the probability of manufacturing facility abnormality using xai |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102483210B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596323A (en) * | 2023-07-18 | 2023-08-15 | 深圳市富思源科技有限公司 | Magnetic material production safety monitoring system and method based on big data |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190041836A (en) * | 2017-10-13 | 2019-04-23 | 주식회사 포스코 | Apparatus and method for evaluating conditions of equipment |
| JP2020205046A (en) * | 2019-06-14 | 2020-12-24 | ワン テック, インク.One Tech, Inc. | System and method for predicting industrial device motor behavior |
-
2021
- 2021-08-10 KR KR1020210105154A patent/KR102483210B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190041836A (en) * | 2017-10-13 | 2019-04-23 | 주식회사 포스코 | Apparatus and method for evaluating conditions of equipment |
| JP2020205046A (en) * | 2019-06-14 | 2020-12-24 | ワン テック, インク.One Tech, Inc. | System and method for predicting industrial device motor behavior |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596323A (en) * | 2023-07-18 | 2023-08-15 | 深圳市富思源科技有限公司 | Magnetic material production safety monitoring system and method based on big data |
| CN116596323B (en) * | 2023-07-18 | 2024-04-09 | 深圳市富思源科技有限公司 | Magnetic material production safety monitoring system and method based on big data |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108604360B (en) | Facility abnormity monitoring method and system | |
| Alaswad et al. | A review on condition-based maintenance optimization models for stochastically deteriorating system | |
| JP5454671B2 (en) | Failure cause diagnosis system and method | |
| JP5530020B1 (en) | Abnormality diagnosis system and abnormality diagnosis method | |
| FI128899B (en) | Predictive maintenance method and system | |
| JP5530045B1 (en) | Health management system and health management method | |
| EP3299918B1 (en) | Abnormality diagnosis system and abnormality diagnosis method | |
| CN112727965B (en) | Fault monitoring method and device for brake of coal mining machine | |
| JP3651693B2 (en) | Plant monitoring diagnosis apparatus and method | |
| CN108803569A (en) | Station boiler diagnostic expert system and its method for diagnosing faults | |
| CN105758661B (en) | Boiler heating surface service life evaluation system and method | |
| JP2009053938A (en) | Equipment diagnosing system and equipment-diagnosing method on the basis of multiple model | |
| JP5991329B2 (en) | Control device, management device, plant control system, and data processing method | |
| KR102464762B1 (en) | Predictive maintenance method for equipment failure using artificial intelligence based on experiential shared knowledge | |
| US20160239755A1 (en) | Correlation and annotation of time series data sequences to extracted or existing discrete data | |
| KR102102346B1 (en) | System and method for condition based maintenance support of naval ship equipment | |
| KR102470112B1 (en) | Intelligent condition monitoring method and system for nuclear power plants | |
| WO2017051562A1 (en) | Abnormality diagnosis system | |
| WO2019087508A1 (en) | Monitoring target selecting device, monitoring target selecting method and program | |
| KR102483210B1 (en) | Facility health index derivation system and facility health index derivation method by predicting the probability of manufacturing facility abnormality using xai | |
| WO2021127646A1 (en) | Device and method for monitoring a system | |
| Tsai et al. | A study of function-based diagnosis strategy and testability analysis for a system | |
| JP2021521548A (en) | Systems and methods for monitoring the condition of electromechanical machines and predicting failures | |
| KR102108975B1 (en) | Apparatus and method for condition based maintenance support of naval ship equipment | |
| EP4273520A1 (en) | Method and system for comprehensively diagnosing defect in rotating machine |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |