KR102497586B1 - Method and system for diagnosing abnormality of a plurality of apparatus based on sequential learning - Google Patents
Method and system for diagnosing abnormality of a plurality of apparatus based on sequential learning Download PDFInfo
- Publication number
- KR102497586B1 KR102497586B1 KR1020200092613A KR20200092613A KR102497586B1 KR 102497586 B1 KR102497586 B1 KR 102497586B1 KR 1020200092613 A KR1020200092613 A KR 1020200092613A KR 20200092613 A KR20200092613 A KR 20200092613A KR 102497586 B1 KR102497586 B1 KR 102497586B1
- Authority
- KR
- South Korea
- Prior art keywords
- diagnosis
- diagnosed
- devices
- model
- abnormal
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2294—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing by remote test
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/28—Error detection; Error correction; Monitoring by checking the correct order of processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법이 제공된다. 상기 방법은 상기 복수의 진단대상 장치에 대한 센싱 데이터를 획득하는 단계; 상기 센싱 데이터에 기반하여 상기 복수의 진단대상 장치의 이상 여부를 예측 진단하는 이상진단 예측모델로부터 상기 복수의 진단대상 장치 중 적어도 하나에 대한 이상진단 발생 여부를 예측하는 단계; 상기 이상진단 발생이 예측된 진단대상 장치에 대하여 각각의 식별정보로 구별하여 상기 이상진단 발생 횟수를 누적 카운팅하는 단계; 상기 누적 카운팅된 결과값을 가중치로 적용하여 상기 복수의 진단대상 장치에 대한 점검 순서를 정렬하는 단계; 및 상기 정렬된 점검 순서에 기반하여 정밀 진단 모델을 통해 상기 복수의 진단대상 장치의 이상 여부를 정밀 진단하는 단계를 포함한다.A method of diagnosing whether or not a plurality of devices to be diagnosed is abnormal based on a sequential learning technique is provided. The method may include acquiring sensing data for the plurality of devices to be diagnosed; predicting whether or not an abnormality diagnosis will occur in at least one of the plurality of devices to be diagnosed from an anomaly diagnosis prediction model that predicts and diagnoses whether or not there is an abnormality in the plurality of devices to be diagnosed based on the sensing data; accumulatively counting the number of occurrences of the abnormality diagnosis by distinguishing the device to be diagnosed for which the occurrence of the abnormality diagnosis is predicted with respective identification information; arranging an inspection sequence for the plurality of devices to be diagnosed by applying the result of the cumulative counting as a weight; and accurately diagnosing whether or not the plurality of devices to be diagnosed are abnormal through a precise diagnosis model based on the arranged inspection sequence.
Description
본 발명은 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법 및 시스템에 관한 것이다.The present invention relates to a method and system for diagnosing abnormalities in a plurality of devices to be diagnosed based on a sequential learning technique.
제조업, 생산업 등의 산업 현장이나 발전 설비 등이 구비된 현장에서 기계장치나 설비의 이상이 발생할 경우 그 경제적 손실이 막대하므로, 이를 방지하기 위하여 다양한 방법으로 이상진단을 수행하고 있다.In the case of an error in a machine or facility in an industrial site such as manufacturing or production, or a site equipped with power generation facilities, the economic loss is enormous, so in order to prevent this, abnormality diagnosis is performed in various ways.
이상진단을 수행하는데 있어, 종래에는 개별 장치 또는 개별 설비 각각에 대한 이상진단을 수행하였다. 즉, 여러 장치 및 설비 진단을 순차적으로 수행할 때, 관리자에 의해 미리 정해진 순서대로 이상진단을 수행하거나, 이 중 고장이 발생한 장치를 선별하여 우선 이상진단을 수행하는 등의 방법을 이용하였다. In performing abnormality diagnosis, in the related art, abnormality diagnosis was performed for each individual device or individual facility. That is, when diagnosing various devices and facilities in sequence, a method such as performing abnormal diagnosis in a predetermined order by a manager or selecting a device with a failure among them and performing abnormal diagnosis first is used.
이는 장치나 설비의 이상 징후가 더 크거나 시급한 정도를 고려하지 않은 채 이상진단을 수행하거나 정밀 진단을 수행하는 것이므로 이상진단의 효율성이 낮다는 문제가 있었다.This has a problem in that the efficiency of abnormality diagnosis is low because an abnormality diagnosis or precise diagnosis is performed without considering the greater or urgent degree of anomaly of a device or facility.
최근 들어, 인공지능을 활용한 기계장치 및 설비에 대한 이상진단 기술이 폭넓게 이용되고 있다. 일 예로, 해상풍력 장치에 대한 이상진단은, 터빈이 구동하지 않는 날을 선택하여 블레이드에 대한 대량의 영상을 촬영한 후, 촬영된 가시광 영상에 대한 인공지능 기반의 이상진단 모델을 수행하는 방식으로 진행된다.Recently, an abnormal diagnosis technology for machinery and equipment using artificial intelligence has been widely used. For example, anomaly diagnosis for an offshore wind power device is performed by selecting a blade where the turbine is not driven, capturing a large amount of images of the blade, and then performing an artificial intelligence-based abnormality diagnosis model for the captured visible light image. It goes on.
이러한 풍력발전의 경우에 터빈이 구동되는 날은 전력발전이 우선시되므로, 이상진단 시험은 터빈이 구동되지 않는 날, 즉 풍속이 적은 날로 미뤄지게 된다. In the case of such wind power generation, power generation takes precedence on the day when the turbine is driven, so the abnormal diagnosis test is delayed to the day when the turbine is not driven, that is, the day when the wind speed is low.
이와 같은 현재 방식은 가시광 영상 기반 이상진단을 통해 진단분석의 정확도는 높일 수 있으나, 점검 주기가 불분명하고, 장치 이상이 예견되는 기계장치를 선검출하여 진단하거나, 진단 우선순위를 일반 장치에 비해 높이는 등의 방법은 제시되고 있지 않다는 문제가 있다.Although this current method can increase the accuracy of diagnostic analysis through visible light image-based abnormality diagnosis, it is possible to pre-detect and diagnose mechanical devices for which the inspection cycle is unclear and predict device failure, or to increase the priority of diagnosis compared to general devices. There is a problem that such a method is not presented.
본 발명의 실시예는 진단대상 장치에 대한 정밀 진단을 수행하기 전에, 이상진단 예측모델을 통해 이상진단 발생여부에 대한 예측을 수행하고, 예측 결과를 통해 진단대상 장치의 정밀점검 가중치를 조정함으로써, 단순한 순차적 이상진단이 아닌, 이상진단 예측모델과 정밀 진단 모델을 차례로 적용하여 우선순위에 따라 진단대상 장치를 정밀 진단할 수 있는, 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법 및 시스템을 제공한다. An embodiment of the present invention predicts whether or not an abnormality diagnosis will occur through an abnormality diagnosis prediction model before performing precise diagnosis on the device to be diagnosed, and adjusts the precision check weight of the device to be diagnosed through the prediction result. Diagnosing whether a plurality of devices to be diagnosed is abnormal based on a sequential learning technique that can precisely diagnose a device to be diagnosed according to priority by applying an anomaly diagnosis prediction model and a precise diagnosis model sequentially, rather than simple sequential abnormality diagnosis. Methods and systems are provided.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.However, the technical problem to be achieved by the present embodiment is not limited to the technical problem as described above, and other technical problems may exist.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 제 1 측면에 따른 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법은 상기 복수의 진단대상 장치에 대한 센싱 데이터를 획득하는 단계; 상기 센싱 데이터에 기반하여 상기 복수의 진단대상 장치의 이상 여부를 예측 진단하는 이상진단 예측모델로부터 상기 복수의 진단대상 장치 중 적어도 하나에 대한 이상진단 발생 여부를 예측하는 단계; 상기 이상진단 발생이 예측된 진단대상 장치에 대하여 각각의 식별정보로 구별하여 상기 이상진단 발생 횟수를 누적 카운팅하는 단계; 상기 누적 카운팅된 결과값을 가중치로 적용하여 상기 복수의 진단대상 장치에 대한 점검 순서를 정렬하는 단계; 및 상기 정렬된 점검 순서에 기반하여 정밀 진단 모델을 통해 상기 복수의 진단대상 장치의 이상 여부를 정밀 진단하는 단계를 포함한다.As a technical means for achieving the above technical problem, a method for diagnosing whether or not a plurality of devices to be diagnosed is abnormal based on the sequential learning technique according to the first aspect of the present invention includes sensing data for the plurality of devices to be diagnosed. obtaining; predicting whether or not an abnormality diagnosis will occur in at least one of the plurality of devices to be diagnosed from an anomaly diagnosis prediction model that predicts and diagnoses whether or not there is an abnormality in the plurality of devices to be diagnosed based on the sensing data; accumulatively counting the number of occurrences of the abnormality diagnosis by distinguishing the device to be diagnosed for which the occurrence of the abnormality diagnosis is predicted with respective identification information; arranging an inspection sequence for the plurality of devices to be diagnosed by applying the result of the cumulative counting as a weight; and accurately diagnosing whether or not the plurality of devices to be diagnosed are abnormal through a precise diagnosis model based on the arranged inspection sequence.
본 발명의 일부 실시예에서, 상기 이상진단 예측모델은 소음 진단모델, 진동 진단모델 및 장치센싱 데이터 진단모델 중 적어도 하나를 포함할 수 있다.In some embodiments of the present invention, the abnormal diagnosis prediction model may include at least one of a noise diagnosis model, a vibration diagnosis model, and a device sensing data diagnosis model.
본 발명의 일부 실시예에서, 상기 이상진단 발생이 예측된 진단대상 장치에 대하여 각각의 식별정보로 구별하여 상기 이상진단 발생 횟수를 누적 카운팅하는 단계는, 상기 이상진단 발생이 예측된 진단대상 장치에 대하여 각각의 식별정보로 구별하여 상기 소음 진단모델, 진동 진단모델 및 장치센싱 데이터 진단모델 중 적어도 하나로부터의 이상진단 발생 횟수를 누적 카운팅할 수 있다.In some embodiments of the present invention, the step of accumulatively counting the number of occurrences of the abnormal diagnosis by distinguishing the device to be diagnosed for which the occurrence of the abnormal diagnosis is predicted by each identification information may include The number of occurrences of abnormal diagnosis from at least one of the noise diagnosis model, the vibration diagnosis model, and the device sensing data diagnosis model may be cumulatively counted.
본 발명의 일부 실시예는, 상기 센싱 데이터 중 정상 상태에서의 센싱 데이터에 기반하여 상기 복수의 진단대상 장치의 이상 여부를 예측 진단하는 이상진단 예측모델을 학습하는 단계를 더 포함할 수 있다.Some embodiments of the present invention may further include learning an anomaly diagnosis prediction model that predicts and diagnoses whether or not the plurality of devices to be diagnosed are abnormal based on sensing data in a normal state among the sensing data.
본 발명의 일부 실시예는, 상기 정밀 진단 모델을 통한 정밀 진단 결과를 정답 레이블로 설정하는 단계; 및 상기 정답 레이블로 설정된 정밀 진단 결과를 이용한 준지도학습 기법(semi-supervised algorithm)에 기초하여 상기 학습된 이상진단 예측모델을 갱신하는 단계를 더 포함할 수 있다.In some embodiments of the present invention, setting a precision diagnosis result through the precision diagnosis model as a correct answer label; and updating the learned anomaly diagnosis prediction model based on a semi-supervised algorithm using a precision diagnosis result set as the correct answer label.
본 발명의 일부 실시예에서, 상기 이상진단 예측모델을 갱신하는 단계는, 상기 정답 레이블로 설정된 정밀 진단 결과를 이용하여 초평면을 통한 상기 이상진단 예측모델의 정상 특징벡터 영역과 비정상 특징벡터 영역 사이의 구분 성능이 개선되도록 갱신할 수 있다.In some embodiments of the present invention, the step of updating the anomaly diagnosis predictive model may include determining between a normal feature vector area and an abnormal feature vector area of the anomaly diagnosis prediction model through a hyperplane using the precision diagnosis result set as the correct answer label. It can be updated to improve segmentation performance.
본 발명의 일부 실시예에서, 상기 정밀 진단 모델은 IR을 기반으로 하는 열 진단모델, 가시광센서 기반의 색 진단모델 및 라이다센싱을 위한 광반사 진단모델 중 적어도 하나를 포함할 수 있다.In some embodiments of the present invention, the precision diagnosis model may include at least one of an IR-based thermal diagnosis model, a visible light sensor-based color diagnosis model, and a light reflection diagnosis model for lidar sensing.
본 발명의 일부 실시예는, 상기 센싱 데이터 중 정상 상태에서의 센싱 데이터에 기반하여 상기 복수의 진단대상 장치의 이상 여부를 정밀 진단하는 정밀 진단 모델을 학습하는 단계를 더 포함할 수 있다.Some embodiments of the present invention may further include learning a precise diagnosis model for accurately diagnosing whether or not the plurality of devices to be diagnosed are abnormal based on sensing data in a normal state among the sensing data.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.In addition to this, another method for implementing the present invention, another system, and a computer readable recording medium recording a computer program for executing the method may be further provided.
상기와 같은 본 발명에 따르면, 다수의 기계장치 및 설비에 대한 정밀진단을 수행하기에 이전에, 이상진단에 대한 예측 과정을 미리 수행하고, 예측 과정에서의 결과를 활용하여 가장 정밀 진단이 시급한 진단대상 장치를 우선 정밀 진단할 수 있도록 점검 스케줄을 자동으로 재구성할 수 있다.According to the present invention as described above, prior to performing precise diagnosis on a number of machines and facilities, a prediction process for abnormal diagnosis is performed in advance, and the most accurate diagnosis is diagnosed by using the result of the prediction process. The inspection schedule can be automatically reconfigured so that the target device can be precisely diagnosed first.
또한, 정밀 진단을 수행함과 동시에, 정밀 진단 결과를 정답 레이블로 활용함으로써 이상진단 예측모델의 성능을 지속적으로 개선되도록 할 수 있다.In addition, the performance of the abnormal diagnosis prediction model can be continuously improved by performing precise diagnosis and using the precise diagnosis result as a correct answer label.
이를 통해, 정상적으로 동작하는 장치와 비정상적으로 동작 발현 가능성이 있는 장치가 서로 혼재하는 경우, 최적의 점검 순서를 자동으로 구축할 수 있으며, 결함 발생 가능성을 보다 빠르게 예측할 수 있는바, 장치의 효율적인 동작 유지 및 수명 연장을 기대할 수 있다.Through this, when a device operating normally and a device with the possibility of abnormal operation are mixed, an optimal inspection sequence can be automatically established, and the possibility of a defect can be predicted more quickly, thereby maintaining efficient operation of the device. and life extension can be expected.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.
도 1은 본 발명의 일 실시예에 따른 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법의 순서도이다.
도 2는 복수의 진단대상 장치에 대한 점검 순서를 정렬하는 내용을 설명하기 위한 도면이다.
도 3은 이상진단 예측모델을 갱신하는 내용을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 이상 여부 진단 시스템의 블록도이다.
도 5는 본 발명의 일 실시예에 따른 이상 여부 진단 시스템의 기능을 설명하기 위한 도면이다.1 is a flowchart of a method for diagnosing whether or not a plurality of devices to be diagnosed are abnormal based on a sequential learning technique according to an embodiment of the present invention.
2 is a diagram for explaining content of arranging an inspection sequence for a plurality of devices to be diagnosed.
3 is a diagram for explaining contents of updating an anomaly diagnosis predictive model.
4 is a block diagram of an abnormal diagnosis system according to an embodiment of the present invention.
5 is a diagram for explaining the function of an abnormal diagnosis system according to an embodiment of the present invention.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.Advantages and features of the present invention, and methods of achieving them, will become clear with reference to the detailed description of the following embodiments taken in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, only these embodiments are intended to complete the disclosure of the present invention, and are common in the art to which the present invention belongs. It is provided to fully inform the person skilled in the art of the scope of the invention, and the invention is only defined by the scope of the claims.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.Terminology used herein is for describing the embodiments and is not intended to limit the present invention. In this specification, singular forms also include plural forms unless specifically stated otherwise in a phrase. As used herein, "comprises" and/or "comprising" does not exclude the presence or addition of one or more other elements other than the recited elements. Like reference numerals throughout the specification refer to like elements, and “and/or” includes each and every combination of one or more of the recited elements. Although "first", "second", etc. are used to describe various components, these components are not limited by these terms, of course. These terms are only used to distinguish one component from another. Accordingly, it goes without saying that the first element mentioned below may also be the second element within the technical spirit of the present invention.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.Unless otherwise defined, all terms (including technical and scientific terms) used in this specification may be used with meanings commonly understood by those skilled in the art to which the present invention belongs. In addition, terms defined in commonly used dictionaries are not interpreted ideally or excessively unless explicitly specifically defined.
이하에서는 도 1 내지 도 3을 참조하여 이상 여부 진단 시스템(100)에 의해 수행되는, 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법에 대하여 설명하도록 한다.Hereinafter, a method of diagnosing whether or not a plurality of devices to be diagnosed is abnormal based on a sequential learning technique performed by the
도 1은 본 발명의 일 실시예에 따른 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법의 순서도이다.1 is a flowchart of a method for diagnosing whether or not a plurality of devices to be diagnosed are abnormal based on a sequential learning technique according to an embodiment of the present invention.
본 발명의 일 실시예에 따른 방법은, 먼저 복수의 진단대상 장치에 대한 센싱 데이터를 획득한다(S110). In the method according to an embodiment of the present invention, first, sensing data for a plurality of devices to be diagnosed is acquired (S110).
이때, 센싱 데이터는 진단대상 장치의 소음, 진동, 열영상, 색영상, 광반사영상, 기타 환경데이터 등을 센싱한 데이터를 의미한다. 이러한 센싱 데이터는 별도의 데이터베이스 상에 저장되어 관리될 수 있다.In this case, the sensing data refers to data obtained by sensing noise, vibration, thermal image, color image, light reflection image, and other environmental data of the device to be diagnosed. Such sensing data may be stored and managed in a separate database.
다음으로, 이상진단 예측모델로부터 복수의 진단대상 장치 중 적어도 하나에 대한 이상진단 발생 여부를 예측한다(S120). Next, it is predicted from the abnormality diagnosis prediction model whether or not abnormality diagnosis has occurred for at least one of a plurality of devices to be diagnosed (S120).
본 발명의 일 실시예는 이상진단 예측모델이 센싱 데이터에 기반하여 복수의 진단대상 장치의 이상 여부를 1차적으로 예측 진단한다. In one embodiment of the present invention, the abnormality diagnosis predictive model primarily predicts and diagnoses whether a plurality of devices to be diagnosed are abnormal based on sensing data.
이때, 이상진단 예측모델은 소음 진단모델, 진동 진단모델 및 장치센싱 데이터 진단모델 중 적어도 하나를 포함할 수 있다. 이를 통해 본 발명의 일 실시예는 진단대상 장치에서 이상 현상이 발생할 경우 각 센서에서 입력된 값을 기반으로 소음 진단모델, 진동 진단모델 및 장치센싱 데이터 진단모델 중 일부 또는 전부에서 비정상 진단결과를 출력함으로써 이상현상 발생을 1차적으로 예측할 수 있다.In this case, the abnormal diagnosis prediction model may include at least one of a noise diagnosis model, a vibration diagnosis model, and a device sensing data diagnosis model. Through this, an embodiment of the present invention outputs an abnormal diagnosis result from some or all of the noise diagnosis model, the vibration diagnosis model, and the device sensing data diagnosis model based on the value input from each sensor when an abnormal phenomenon occurs in the device to be diagnosed. By doing so, the occurrence of an anomaly can be predicted first.
한편, 본 발명의 일 실시예는 획득한 센싱 데이터 중 정상 상태에서의 센싱 데이터에 기반하여 복수의 진단대상 장치의 이상 여부를 예측 진단하는 이상진단 예측모델을 미리 학습할 수 있다.Meanwhile, according to an embodiment of the present invention, an anomaly diagnosis prediction model for predicting and diagnosing abnormalities of a plurality of devices to be diagnosed based on sensing data in a normal state among acquired sensing data may be learned in advance.
즉, 데이터베이스에 저장된 각 센싱 데이터 중 정상 상태에서의 센싱 데이터를 통해 이상진단 예측 모델의 소음 진단모델, 진동 진단모델 및 장치센싱 데이터 진단모델 중 적어도 하나를 학습시킬 수 있다. 여기에서 장치센싱 데이터 진단모델은 진단대상 장치의 온도, 주변 온습도 측정값 등 진단대상 장치에 따른 다양한 센싱 데이터를 입력값으로 설정하여 학습될 수 있다.That is, at least one of a noise diagnosis model, a vibration diagnosis model, and a device sensing data diagnosis model of an abnormality diagnosis prediction model may be trained through sensing data in a normal state among sensing data stored in the database. Here, the device sensing data diagnostic model may be learned by setting various sensing data according to the device to be diagnosed, such as the temperature of the device to be diagnosed and the measured values of ambient temperature and humidity, as input values.
일 예로, 이상진단 예측모델에서의 이상진단 발생 여부, 즉 비정상 진단 결과에 대한 예측은, 정상 상태에서의 센싱 데이터만을 학습한 이상진단 예측모델에 대하여 비정상 상태에서의 센싱 데이터가 입력될 경우, 이상진단 예측모델 내의 특징벡터 또는 모델 출력의 손실값 등이 정상 상태의 경우와 비정상 상태에서의 경우에 대해 큰 차이를 갖도록 구성함으로써 가능하게끔 할 수 있다.For example, the occurrence of abnormal diagnosis in the abnormal diagnosis prediction model, that is, the prediction of the abnormal diagnosis result, when sensing data in the abnormal state is input to the abnormal diagnosis prediction model that has learned only the sensing data in the normal state, This can be made possible by configuring the feature vector in the diagnosis predictive model or the loss value of the model output to have a large difference between the normal state and the abnormal state.
다음으로, 이상진단 발생이 예측된 진단대상 장치에 대하여 각각의 식별번호로 구별하여 이상진단 발생 횟수를 누적 카운팅하고(S130), 누적 카운팅된 결과값을 점검 순서에서 우선 배정되도록 하기 위한 가중치로 적용하여 복수의 진단대상 장치에 대한 점검 순서를 정렬한다(S140). 이때, 본 발명의 일 실시예는 기 설정된 주기 또는 실시간으로 복수의 진단대상 장치에 대한 점검 순서를 정렬할 수 있다.Next, the device to be diagnosed for which abnormal diagnosis is predicted to occur is distinguished by each identification number, and the number of occurrences of abnormal diagnosis is cumulatively counted (S130). to arrange the inspection sequence for a plurality of devices to be diagnosed (S140). In this case, according to an embodiment of the present invention, an inspection sequence for a plurality of devices to be diagnosed may be arranged at a preset period or in real time.
정밀 진단 모델은 복수의 진단대상 장치의 이상 여부를 정밀 진단하기 위한 모델로서, IR을 기반으로 하는 열 진단모델, 가시광센서 기반의 색 진단모델 및 라이다센싱을 위한 광반사 진단모델 중 적어도 하나를 포함할 수 있다.The precise diagnosis model is a model for precisely diagnosing abnormalities in a plurality of devices to be diagnosed, and includes at least one of an IR-based thermal diagnosis model, a visible light sensor-based color diagnosis model, and a light reflection diagnosis model for lidar sensing. can include
이러한 정밀 진단 모델은 센싱 데이터 중 정상 상태에서의 센싱 데이터에 기반하여 미리 학습될 수 있다.Such a precise diagnosis model may be pre-learned based on sensing data in a normal state among sensing data.
일 실시예로, 본 발명은 이상진단 발생이 예측된 진단대상 장치에 대하여 각각의 식별정보로 구별하여 소음 진단모델, 진동 진단모델 및 장치센싱 데이터 진단모델 중 적어도 하나로부터의 이상진단 발생 횟수를 누적 카운팅할 수 있다.In one embodiment, the present invention distinguishes diagnosis target devices predicted to have occurrence of abnormality diagnosis with respective identification information, and accumulates the number of occurrences of abnormality diagnosis from at least one of a noise diagnosis model, a vibration diagnosis model, and a device sensing data diagnosis model. can be counted
도 2는 복수의 진단대상 장치에 대한 점검 순서를 정렬하는 내용을 설명하기 위한 도면이다.2 is a diagram for explaining content of arranging an inspection sequence for a plurality of devices to be diagnosed.
일 예로, 점검순서가 세번째인 진단대상 장치 ID "#4-태양광-인버터"는 이상진단 예측모델을 통해 현재까지의 소음 이상이 예측된 카운팅의 총 횟수가 3회이며, 진동 이상이 예측된 카운팅 횟수가 1회로, 총 이상진단 발생 횟수가 4회이다.For example, for the diagnosis target device ID "#4-solar-inverter", which is the third in the inspection order, the total number of counting times in which the noise abnormality has been predicted through the anomaly diagnosis prediction model so far is 3, and the vibration anomaly predicted The number of counting is 1, and the total number of occurrences of error diagnosis is 4.
이 경우, 본 발명의 일 실시예는 총 이상진단 발생 횟수를 기준으로 진단대상 장치를 정렬하며, 그 결과 점검순서가 후순위였던 진단대상 장치 ID '#4-태양광-인버터'는 세번째로 순서가 점검순서가 조정될 수 있다.In this case, an embodiment of the present invention sorts the devices to be diagnosed based on the total number of occurrences of diagnosis of abnormalities, and as a result, the ID of the device to be diagnosed, '#4-solar-inverter', which was the lowest in the order of inspection, is ranked third. Check order can be adjusted.
한편, 도 2에서의 비고 항목은 진단대상 장치의 현재 상태를 나타낸다. Meanwhile, the remark item in FIG. 2 indicates the current state of the device to be diagnosed.
일 예로, '동작 중'은 현재 정밀진단이 진행 중인 진단대상 장치를 의미하고, '일시 멈춤'은 정밀진단이 일시적으로 수행되지 않도록 지정된 진단대상 장치를 의미한다. 또한, '대기 중'은 향후 정밀진단을 위해 조정된 순서에 따라 대기 중인 진단대상 장치를 의미하며, '삭제'는 관리자에 의해 정밀진단이 수행되지 않도록 지정된 진단대상 장치를 의미한다.For example, 'in operation' refers to a device to be diagnosed that is currently undergoing detailed diagnosis, and 'temporarily stopped' refers to a device to be diagnosed designated so that detailed diagnosis is not temporarily performed. In addition, 'on standby' refers to a device to be diagnosed that is on standby according to an adjusted order for future detailed diagnosis, and 'delete' refers to a device to be diagnosed that is designated by the administrator not to perform detailed diagnosis.
이러한 정밀 진단의 경우에는 본 발명의 배경에서 설명한 풍력 발전의 점검 사례와 같이 오랜 시간에 걸쳐 천천히 진행되는 경우기 대다수인바, 본 발명의 일 실시예는 진단대상 장치에 대한 이상진단 발생 여부를 우선 예측하고, 그 결과를 누적하여 정밀진단 점검 순서를 조정하는 과정을 통해, 정밀 진단이 필요한 최우선 순위를 자동으로 지정할 수 있다.In the case of such precision diagnosis, most cases progress slowly over a long period of time, such as the wind power generation inspection case described in the background of the present invention, and therefore, an embodiment of the present invention first predicts whether or not an abnormal diagnosis has occurred for the device to be diagnosed. And through the process of accumulating the results and adjusting the order of precision diagnosis, it is possible to automatically designate the highest priority that requires precision diagnosis.
그 다음 정렬된 점검 순서에 기반하여 정밀 진단 모델을 통해 복수의 진단대상 장치의 이상 여부를 정밀 진단한다(S150). Then, based on the sorted inspection sequence, whether a plurality of devices to be diagnosed is accurately diagnosed through a precise diagnosis model (S150).
진단대상 장치의 이상 여부를 정밀 진단하는 단계에서는 이상진단 발생 여부를 예측하는 단계와 유사하게, 열 진단모델, 색 진단모델, 광반사 진단모델 중 일부 또는 전부에서 비정상 진단결과를 출력함으로써 진단대상 장치에 대한 이상현상 발생을 최종적으로 진단한다.In the step of precisely diagnosing whether or not there is an abnormality in the device to be diagnosed, similar to the step of predicting whether or not an abnormal diagnosis will occur, the device to be diagnosed outputs an abnormal diagnosis result from some or all of the thermal diagnosis model, color diagnosis model, and light reflection diagnosis model. The occurrence of an anomaly is finally diagnosed.
이와 같은 과정에 따른, 이상진단 예측모델과 정밀 진단 모델에서의 예측 및 진단 결과는 각각 데이터베이스에 저장되며, 정밀 진단 모델에서의 진단 결과는 중앙 관리 서버로 전달될 수 있다.According to this process, the prediction and diagnosis results of the abnormal diagnosis prediction model and the precision diagnosis model are stored in the database, respectively, and the diagnosis results of the precision diagnosis model can be transmitted to the central management server.
한편, 본 발명의 일 실시예는 학습된 이상진단 예측모델을 갱신하는 과정을 추가적으로 수행할 수 있다.Meanwhile, an embodiment of the present invention may additionally perform a process of updating the learned anomaly diagnosis prediction model.
즉, 본 발명의 일 실시예는 정밀 진단 모델을 통한 정밀 진단 결과를 정답 레이블로 설정하고, 정답 레이블로 설정된 정밀 진단 결과를 이용한 준지도학습 기법(semi-supervised algorithm)에 기초하여 학습된 이상진단 예측모델을 갱신할 수 있다.That is, in an embodiment of the present invention, the precision diagnosis result through the precision diagnosis model is set as the correct answer label, and the anomaly diagnosis learned based on the semi-supervised algorithm using the precision diagnosis result set as the correct answer label. The predictive model can be updated.
도 3은 이상진단 예측모델을 갱신하는 내용을 설명하기 위한 도면이다.3 is a diagram for explaining contents of updating an anomaly diagnosis predictive model.
본 발명의 일 실시예는 이상진단 예측모델의 예측 결과 정확도를 높이기 위하여 정밀 진단 모델을 통한 진단 결과를 정답 레이블로 활용할 수 있다. In an embodiment of the present invention, a diagnosis result through a precise diagnosis model may be used as a correct answer label in order to increase the accuracy of the prediction result of the abnormal diagnosis prediction model.
그리고 다수의 레이블이 지정되지 않은 데이터와 일부 정답 레이블이 존재할 때, 예측 확률을 크게 높일 수 있도록 준지도학습 기법을 적용하여 이상진단 예측모델의 1차 이상진단 예측 성능을 향상시킬 수 있다.In addition, when a large number of unlabeled data and some correct labels exist, semi-supervised learning techniques can be applied to greatly increase the prediction probability, thereby improving the primary abnormality diagnosis prediction performance of the abnormality diagnosis prediction model.
도 3을 참조하면, 정답 레이블이 존재하지 않을 경우, 정상상태에서의 센싱 데이터만으로 학습된 이상진단 예측모델에서의 정상 특징벡터 영역과 비정상 특징벡터 영역은 이를 구분하는 초평면의 오류로 인하여 각 영역의 구분이 느슨하다는 문제가 있다.Referring to FIG. 3, when there is no correct answer label, the normal feature vector area and the abnormal feature vector area in the anomaly diagnosis prediction model learned only with sensing data in a normal state are different from each other due to an error in the hyperplane that distinguishes them. The problem is that the distinction is loose.
이와 달리, 본 발명의 일 실시예는 정답 레이블로 설정된 정밀 진단 결과를 이용하여, 초평면을 통한 이상진단 예측모델의 정상 특징벡터 영역과 비정상 특징벡터 영역 사이의 구분 성능이 개선되게끔 할 수 있다.Unlike this, an embodiment of the present invention can improve the discrimination performance between the normal feature vector region and the abnormal feature vector region of the abnormal diagnosis prediction model through the hyperplane, using the detailed diagnosis result set as the correct answer label.
즉, 정밀 진단 모델을 통한 정밀 진단 결과를 정답 레이블로 지속적으로 제공하여 이상진단 예측모델을 갱신함으로써, 초평면의 오류가 Δp만큼 점차 개선되며, 이에 따라 정상 특징벡터 영역과 비정상 특징벡터 영역도 보다 명확히 구분될 수 있는바, 이상진단 예측모델의 예측 오류 가능성을 현저히 줄일 수 있다. In other words, by updating the anomaly diagnosis prediction model by continuously providing precise diagnosis results through the precise diagnosis model as correct answer labels, the error of the hyperplane is gradually improved by Δp, and accordingly, the normal feature vector area and the abnormal feature vector area are more clearly defined. Since it can be distinguished, it is possible to significantly reduce the possibility of prediction error of the abnormal diagnosis prediction model.
또한, 정밀 진단 결과를 이상진단 예측모델에 지속적으로 적용함으로써, 시간이 경과함에 따라 이상진단 예측모델의 학습 성능을 자동으로 향상시킬 수 있다는 장점이 있다.In addition, there is an advantage in that the learning performance of the abnormality diagnosis prediction model can be automatically improved over time by continuously applying the precision diagnosis result to the abnormality diagnosis prediction model.
상술한 설명에서, 단계 S110 내지 S150은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다. 아울러, 기타 생략된 내용이라 하더라도 도 1 내지 도 3에 기술된 내용은 도 4 내지 도 5의에도 적용된다.In the foregoing description, steps S110 to S150 may be further divided into additional steps or combined into fewer steps, depending on an embodiment of the present invention. Also, some steps may be omitted if necessary, and the order of steps may be changed. In addition, even if other omitted content, the content described in FIGS. 1 to 3 is also applied to FIGS. 4 to 5.
이하에서는 도 4 내지 도 5를 참조하여, 본 발명의 일 실시예에 따른 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 장치(100, 이하 이상 여부 진단 시스템)에 대하여 설명하도록 한다.Hereinafter, referring to FIGS. 4 and 5 , an apparatus 100 (hereinafter referred to as an abnormality diagnosis system) for diagnosing abnormalities in a plurality of devices to be diagnosed based on a sequential learning technique according to an embodiment of the present invention will be described. do.
도 4는 본 발명의 일 실시예에 따른 이상 여부 진단 시스템(100)의 블록도이다. 도 5는 본 발명의 일 실시예에 따른 이상 여부 진단 시스템(100)의 기능을 설명하기 위한 도면이다.4 is a block diagram of an
본 발명의 일 실시예에 따른 이상 여부 진단 시스템(100)은 통신모듈(110), 메모리(120) 및 프로세서(130)를 포함한다.An
통신모듈(110)은 복수의 진단대상 장치와 데이터를 송수신한다. 또한, 통신모듈(110)은 복수의 진단대상 장치를 센싱하는 센서모듈로부터 복수의 진단대상 장치에 대한 센싱 데이터를 획득한다. 이때, 센싱 데이터는 센싱 데이터는 진단대상 장치의 소음, 진동, 열영상, 색영상, 광반사영상, 기타 환경데이터 등을 포함한다.The
한편, 통신 모듈(110)은 유선 통신 모듈 및 무선 통신 모듈을 모두 포함할 수 있다. 유선 통신 모듈은 전력선 통신 장치, 전화선 통신 장치, 케이블 홈(MoCA), 이더넷(Ethernet), IEEE1294, 통합 유선 홈 네트워크 및 RS-485 제어 장치로 구현될 수 있다. 또한, 무선 통신 모듈은 WLAN(wireless LAN), Bluetooth, HDR WPAN, UWB, ZigBee, Impulse Radio, 60GHz WPAN, Binary-CDMA, 무선 USB 기술 및 무선 HDMI 기술 등으로 구현될 수 있다.Meanwhile, the
메모리(120)는 센싱 데이터에 기반하여 이상진단 발생 여부를 예측하며, 정밀 진단 점검 순서에 따라 복수의 진단대상 장치의 이상 여부를 정밀 진단한다. 이때, 메모리(120)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 및 휘발성 저장장치를 통칭하는 것이다. The
프로세서(130)는 메모리(120)에 저장된 프로그램을 실행시킴에 따라, 도 5에 도시된 기능요소에 의한 기능을 수행한다.As the
도 5를 참조하면, 본 발명의 일 실시예에 따른 이상 여부 진단 시스템(100)은 이상진단 예측모델(210), 정밀 진단 스케줄링부(220), 정밀 진단 모델(230)을 포함한다.Referring to FIG. 5 , an
이상진단 예측모델(210)은 소음 진단모델(211), 진동 진단모델(212) 및 장치센싱 데이터 진단모델(213) 중 적어도 하나를 포함하며, 센싱 데이터에 기반하여 복수의 진단대상 장치의 이상 여부를 예측 진단하는 한다.The anomaly
정밀 진단 스케줄링부(220)는 이상진단 발생이 예측된 진단대상 장치에 대하여 각각의 식별정보로 구별하여 이상진단 발생 횟수를 누적 카운팅하며, 누적 카운팅된 결과값을 가중치로 적용하여 복수의 진단대상 장치에 대한 점검 순서를 정렬한다.The precision
정밀 진단 모델(230)은 IR을 기반으로 하는 열 진단모델(231), 가시광센서 기반의 색 진단모델(232) 및 라이다센싱을 위한 광반사 진단모델(233) 중 적어도 하나를 포함하며, 정밀 진단 스케줄링부(220)를 통해 정렬된 점검 순서에 기반하여 복수의 진단대상 장치의 이상 여부를 정밀 진단한다.The
이와 같은 정밀 진단 결과는 중앙 관리 서버로 제공되며, 센싱 데이터와 이상진단 예측모델(210), 정밀 진단 스케줄링부(220), 그리고 정밀 진단 모델(230)에서의 각 데이터는 데이터베이스(240)에 저장 및 관리된다.Such precision diagnosis results are provided to the central management server, and each data from the sensing data, the abnormal
이상에서 전술한 본 발명의 일 실시예에 따른 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.The method for diagnosing whether or not a plurality of devices to be diagnosed is abnormal based on the sequential learning technique according to an embodiment of the present invention described above is implemented as a program (or application) to be executed by being combined with a server, which is hardware. can be stored in
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.The aforementioned program is C, C++, JAVA, machine language, etc. It may include a code coded in a computer language of. These codes may include functional codes related to functions defining necessary functions for executing the methods, and include control codes related to execution procedures necessary for the processor of the computer to execute the functions according to a predetermined procedure. can do. In addition, these codes may further include memory reference related codes for which location (address address) of the computer's internal or external memory should be referenced for additional information or media required for the computer's processor to execute the functions. there is. In addition, when the processor of the computer needs to communicate with any other remote computer or server in order to execute the functions, the code uses the computer's communication module to determine how to communicate with any other remote computer or server. It may further include communication-related codes for whether to communicate, what kind of information or media to transmit/receive during communication, and the like.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.The storage medium is not a medium that stores data for a short moment, such as a register, cache, or memory, but a medium that stores data semi-permanently and is readable by a device. Specifically, examples of the storage medium include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc., but are not limited thereto. That is, the program may be stored in various recording media on various servers accessible by the computer or various recording media on the user's computer. In addition, the medium may be distributed to computer systems connected through a network, and computer readable codes may be stored in a distributed manner.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.Steps of a method or algorithm described in connection with an embodiment of the present invention may be implemented directly in hardware, implemented in a software module executed by hardware, or implemented by a combination thereof. A software module may include random access memory (RAM), read only memory (ROM), erasable programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), flash memory, hard disk, removable disk, CD-ROM, or It may reside in any form of computer readable recording medium well known in the art to which the present invention pertains.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.Although the embodiments of the present invention have been described with reference to the accompanying drawings, those skilled in the art to which the present invention pertains can be implemented in other specific forms without changing the technical spirit or essential features of the present invention. you will be able to understand Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive.
100: 이상 여부 진단 장치
110: 센서 모듈
120: 통신모듈
130: 메모리
140: 프로세서
210: 이상진단 예측모델
220: 정밀 진단 스케줄링부
230: 정밀 진단 모델
240: 데이터베이스100: abnormality diagnosis device
110: sensor module
120: communication module
130: memory
140: processor
210: anomaly diagnosis prediction model
220: precision diagnosis scheduling unit
230: precise diagnosis model
240: database
Claims (8)
복수의 진단대상 장치에 대한 센싱 데이터를 획득하는 단계;
상기 센싱 데이터에 기반하여 상기 복수의 진단대상 장치의 이상 여부를 예측 진단하는 이상진단 예측모델로부터 상기 복수의 진단대상 장치 중 적어도 하나에 대한 이상진단 발생 여부를 예측하는 단계;
상기 이상진단 발생이 예측된 진단대상 장치에 대하여 각각의 식별정보로 구별하여 상기 이상진단 발생 횟수를 누적 카운팅하는 단계;
상기 누적 카운팅된 결과값을 가중치로 적용하여 상기 복수의 진단대상 장치에 대한 점검 순서를 정렬하는 단계; 및
상기 정렬된 점검 순서에 기반하여 정밀 진단 모델을 통해 상기 복수의 진단대상 장치의 이상 여부를 정밀 진단하는 단계를 포함하는,
순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법.In a method performed by a computer,
acquiring sensing data for a plurality of devices to be diagnosed;
predicting whether or not an abnormality diagnosis will occur in at least one of the plurality of devices to be diagnosed from an anomaly diagnosis prediction model that predicts and diagnoses whether or not there is an abnormality in the plurality of devices to be diagnosed based on the sensing data;
accumulatively counting the number of occurrences of the abnormality diagnosis by distinguishing the device to be diagnosed for which the occurrence of the abnormality diagnosis is predicted with respective identification information;
arranging an inspection sequence for the plurality of devices to be diagnosed by applying the result of the cumulative counting as a weight; and
Accurately diagnosing whether or not the plurality of devices to be diagnosed are abnormal through a precise diagnosis model based on the sorted inspection sequence.
A method for diagnosing abnormalities in a plurality of devices to be diagnosed based on sequential learning techniques.
상기 이상진단 예측모델은 소음진단모델, 진동진단모델 및 장치센싱 데이터 진단모델 중 적어도 하나를 포함하는 것인,
순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법.According to claim 1,
The abnormal diagnosis prediction model includes at least one of a noise diagnosis model, a vibration diagnosis model, and a device sensing data diagnosis model.
A method for diagnosing abnormalities in a plurality of devices to be diagnosed based on sequential learning techniques.
상기 이상진단 발생이 예측된 진단대상 장치에 대하여 각각의 식별정보로 구별하여 상기 이상진단 발생 횟수를 누적 카운팅하는 단계는,
상기 이상진단 발생이 예측된 진단대상 장치에 대하여 각각의 식별정보로 구별하여 상기 소음진단모델, 진동진단모델 및 장치센싱 데이터 진단모델 중 적어도 하나로부터의 이상진단 발생 횟수를 누적 카운팅하는 것인,
순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법.According to claim 2,
The step of accumulatively counting the number of occurrences of the abnormality diagnosis by distinguishing the device to be diagnosed for which the occurrence of the abnormality diagnosis is predicted with respective identification information,
Accumulating the number of occurrences of abnormal diagnosis from at least one of the noise diagnosis model, the vibration diagnosis model, and the device sensing data diagnosis model by distinguishing the diagnosis target device for which the occurrence of the abnormal diagnosis is predicted by respective identification information,
A method for diagnosing abnormalities in a plurality of devices to be diagnosed based on sequential learning techniques.
상기 센싱 데이터 중 정상상태에서의 센싱 데이터에 기반하여 상기 복수의 진단대상 장치의 이상 여부를 예측 진단하는 이상진단 예측모델을 학습하는 단계를 더 포함하는,
순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법.According to claim 2,
Further comprising the step of learning an anomaly diagnosis prediction model that predicts and diagnoses whether the plurality of devices to be diagnosed are abnormal based on the sensing data in a normal state among the sensing data.
A method for diagnosing abnormalities in a plurality of devices to be diagnosed based on sequential learning techniques.
상기 정밀 진단 모델을 통한 정밀 진단 결과를 정답 레이블로 설정하는 단계; 및
상기 정답 레이블로 설정된 정밀 진단 결과를 이용한 준지도학습 기법(semi-supervised algorithm)에 기초하여 상기 학습된 이상진단 예측모델을 갱신하는 단계를 더 포함하는,
순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법.According to claim 4,
setting a precision diagnosis result through the precision diagnosis model as a correct answer label; and
Further comprising updating the learned anomaly diagnosis prediction model based on a semi-supervised algorithm using a precision diagnosis result set as the correct answer label,
A method for diagnosing abnormalities in a plurality of devices to be diagnosed based on sequential learning techniques.
상기 이상진단 예측모델을 갱신하는 단계는,
상기 정답 레이블로 설정된 정밀 진단 결과를 이용하여 초평면을 통한 상기 이상진단 예측모델의 정상 특징벡터 영역과 비정상 특징벡터 영역 사이의 구분 성능이 개선되도록 갱신하는 것인,
순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법.According to claim 5,
In the step of updating the abnormal diagnosis prediction model,
Updating to improve discrimination performance between a normal feature vector region and an abnormal feature vector region of the anomaly diagnosis prediction model through a hyperplane using the precision diagnosis result set as the correct answer label,
A method for diagnosing abnormalities in a plurality of devices to be diagnosed based on sequential learning techniques.
상기 정밀 진단 모델은 IR을 기반으로 하는 열진단모델, 가시광센서 기반의 색진단모델 및 라이다센싱을 위한 광반사진단모델 중 적어도 하나를 포함하는 것인,
순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법.According to claim 1,
The precision diagnosis model includes at least one of an IR-based thermal diagnosis model, a visible light sensor-based color diagnosis model, and a light reflection diagnosis model for lidar sensing.
A method for diagnosing abnormalities in a plurality of devices to be diagnosed based on sequential learning techniques.
상기 센싱 데이터 중 정상상태에서의 센싱 데이터에 기반하여 상기 복수의 진단대상 장치의 이상 여부를 정밀 진단하는 정밀 진단 모델을 학습하는 단계를 더 포함하는,
순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법.According to claim 7,
Further comprising the step of learning a precise diagnosis model for precisely diagnosing whether or not the plurality of devices to be diagnosed are abnormal based on the sensing data in a normal state among the sensing data.
A method for diagnosing abnormalities in a plurality of devices to be diagnosed based on sequential learning techniques.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200092613A KR102497586B1 (en) | 2020-07-24 | 2020-07-24 | Method and system for diagnosing abnormality of a plurality of apparatus based on sequential learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200092613A KR102497586B1 (en) | 2020-07-24 | 2020-07-24 | Method and system for diagnosing abnormality of a plurality of apparatus based on sequential learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220013256A KR20220013256A (en) | 2022-02-04 |
| KR102497586B1 true KR102497586B1 (en) | 2023-02-10 |
Family
ID=80267905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200092613A KR102497586B1 (en) | 2020-07-24 | 2020-07-24 | Method and system for diagnosing abnormality of a plurality of apparatus based on sequential learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102497586B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101970619B1 (en) | 2017-06-28 | 2019-04-22 | 한국과학기술연구원 | Method for detecting abnormal situation and system for performing the same |
| JP2019070930A (en) | 2017-10-06 | 2019-05-09 | 株式会社日立パワーソリューションズ | Abnormality detection device and abnormality detection method |
| KR102054743B1 (en) | 2018-03-27 | 2020-01-22 | 테크와이드 주식회사 | Methods, systems and programs of remote diagnosis of equipment |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101995026B1 (en) * | 2017-05-17 | 2019-09-30 | 아주대학교산학협력단 | System and Method for State Diagnosis and Cause Analysis |
| KR102132077B1 (en) * | 2018-09-06 | 2020-07-08 | 울산대학교 산학협력단 | Facility data fault diagnosis system and method of the same |
| KR20200053254A (en) * | 2018-11-08 | 2020-05-18 | 울산대학교 산학협력단 | Method and device of detecting sensor fault |
-
2020
- 2020-07-24 KR KR1020200092613A patent/KR102497586B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101970619B1 (en) | 2017-06-28 | 2019-04-22 | 한국과학기술연구원 | Method for detecting abnormal situation and system for performing the same |
| JP2019070930A (en) | 2017-10-06 | 2019-05-09 | 株式会社日立パワーソリューションズ | Abnormality detection device and abnormality detection method |
| KR102054743B1 (en) | 2018-03-27 | 2020-01-22 | 테크와이드 주식회사 | Methods, systems and programs of remote diagnosis of equipment |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220013256A (en) | 2022-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10317864B2 (en) | Systems and methods for adaptively updating equipment models | |
| US11308250B2 (en) | Learning expected operational behavior of machines from generic definitions and past behavior | |
| US10901832B2 (en) | System for maintenance recommendation based on failure prediction | |
| US20160299938A1 (en) | Anomaly detection system and method | |
| CN110757510A (en) | Method and system for predicting remaining life of robot | |
| Frank et al. | Metrics and methods to assess building fault detection and diagnosis tools | |
| CA2933904C (en) | Managing the effectiveness of repairs in refrigeration assets | |
| KR20230125116A (en) | The method for fault detection without training data or diagnosis with prediction of remaining time until breakdown using clustering algorithm and statistical methods | |
| KR102497586B1 (en) | Method and system for diagnosing abnormality of a plurality of apparatus based on sequential learning | |
| Gęca | Performance comparison of machine learning algotihms for predictive maintenance | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| US11334053B2 (en) | Failure prediction model generating apparatus and method thereof | |
| US20210372647A1 (en) | Method and system for automatic detection of malfunctions/inefficient household electronic heating device | |
| KR102389317B1 (en) | Method of Determining Whether A Smart Farm Sensor has failed using a Recurrent Neural Network(RNN) | |
| Zhao et al. | Wind turbine fault prediction using soft label SVM | |
| CN114168409A (en) | Service system running state monitoring and early warning method and system | |
| CN116956174B (en) | Classification model for cold head state classification detection and life prediction and generation method of prediction model | |
| Rocha et al. | Evaluating Machine Learning Classifiers for Prediction in an IoT-based Smart Building System | |
| Allen et al. | Anomaly detection for large fleets of industrial equipment: Utilizing machine learning with applications to power plant monitoring | |
| Xin et al. | Run-time probabilistic model checking for failure prediction: A smart lift case study | |
| FI129751B (en) | Monitoring of target system, such as communication network or industrial process | |
| CN117556331B (en) | AI-enhancement-based air compressor maintenance decision method and system | |
| KR102350635B1 (en) | Apparatus and method of plant failure prediction | |
| CN117454299B (en) | Abnormal node monitoring method and system | |
| CN118094347A (en) | Self-adaptive adjustment optimization method and device for liquid cooling energy storage module and storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |