KR102510101B1 - 딥러닝을 이용한 기기의 예지 보전방법 - Google Patents
딥러닝을 이용한 기기의 예지 보전방법 Download PDFInfo
- Publication number
- KR102510101B1 KR102510101B1 KR1020210086491A KR20210086491A KR102510101B1 KR 102510101 B1 KR102510101 B1 KR 102510101B1 KR 1020210086491 A KR1020210086491 A KR 1020210086491A KR 20210086491 A KR20210086491 A KR 20210086491A KR 102510101 B1 KR102510101 B1 KR 102510101B1
- Authority
- KR
- South Korea
- Prior art keywords
- real
- time
- unit
- driving unit
- learning
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- 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]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 딥러닝을 이용한 기기의 예지 보전방법에 관한 것으로, 그 구성은 정상적인 구동 상태의 구동부에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 각각 시간의 흐름에 따라 나타낸 파형 그래프를 반복적으로 수집하는 베이스 정보 수집단계(S10);와, 상기 베이스 정보 수집단계(S10)에서 수집된 각 에너지 값에 대한 파형 그래프를 사진과 같이 찍어 각각 이미지 데이터로 변환하는 변환단계(S20);와, 상기 변환단계(S20)에서 변환된 구동부의 한 동작에 대한 각 에너지 값의 이미지 데이터를 제어부에서 딥러닝(deep learning) 학습 방식을 기반으로 학습하고, 구동부의 한 동작에 대한 학습 결과치를 좌표에 하나의 점(point)으로 나타내는 학습단계(S30);와, 상기 학습단계(S30)에서 제어부의 반복적인 학습 과정을 통해 구동부의 동작에 대한 학습 결과치가 좌표에 대량의 점으로 표시되는데, 상기 제어부는 좌표에 표시되는 대량의 점을 기반으로 구동부의 상태를 판단할 수 있는 기준이 되는 모델 그룹핑을 구축하는 구축단계(S40);와, 실시간 구동되는 구동부에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 측정부에서 각각 실시간 파형 그래프로 측정 수집하고, 그 수집된 각각의 실시간 파형 그래프를 실시간 이미지 데이터로 변환하여 상기 제어부로 전송하되, 상기 측정부에서는 상기 베이스 정보 수집단계(S10)에서 선택 수집되는 에너지 값과 동일한 에너지가 선택되도록 하는 실시간 측정단계(S50);와, 상기 제어부는 상기 측정부에서 전송되는 실시간 이미지 데이터를 학습하고, 그 결과치를 좌표에 실시간 점으로 나타내며, 검출부는 좌표에 나타나는 실시간 점과 모델 그룹핑을 기반으로 실시간 구동부의 상태를 검출하는 검출단계(S60);를 포함하여 이루어지는 것을 특징으로 하는 것으로서,
정상적인 상태의 구동부를 통해 수집되는 다양한 에너지 값에 대한 그래프 파형을 이미지 데이터로 변환하고, 그 변환된 대량의 이미지 데이터의 특징을 딥 러닝 방식을 통해 학습하고, 그 학습한 결과치를 기반으로 좌표에 모델 그룹핑을 구축하여 실시간 구동부에서 수집되는 에너지 값의 그래프 파형에 대한 결과치를 모델 그룹팅에 반영하여 실시간으로 구동부의 상태를 검출하는 방식으로 구동부의 이상징후가 의심되면 경보하여 적합한 시기에 구동부의 정비 및 교체를 수행할 수 있도록 유도하여 구동부의 고장으로 인한 막대한 경제적인 손실을 방지할 수 있는 효과가 있다.
또한, 다양한 검출조건을 통해 구동부의 상태를 단계별로 검출하여 관리자는 구동부의 상태를 정밀하게 인지할 수 있어 구동부의 점검 시기 및 계획을 바람직하게 설정하여 구동부의 효율적인 관리를 유도할 수 있는 효과가 있다.
정상적인 상태의 구동부를 통해 수집되는 다양한 에너지 값에 대한 그래프 파형을 이미지 데이터로 변환하고, 그 변환된 대량의 이미지 데이터의 특징을 딥 러닝 방식을 통해 학습하고, 그 학습한 결과치를 기반으로 좌표에 모델 그룹핑을 구축하여 실시간 구동부에서 수집되는 에너지 값의 그래프 파형에 대한 결과치를 모델 그룹팅에 반영하여 실시간으로 구동부의 상태를 검출하는 방식으로 구동부의 이상징후가 의심되면 경보하여 적합한 시기에 구동부의 정비 및 교체를 수행할 수 있도록 유도하여 구동부의 고장으로 인한 막대한 경제적인 손실을 방지할 수 있는 효과가 있다.
또한, 다양한 검출조건을 통해 구동부의 상태를 단계별로 검출하여 관리자는 구동부의 상태를 정밀하게 인지할 수 있어 구동부의 점검 시기 및 계획을 바람직하게 설정하여 구동부의 효율적인 관리를 유도할 수 있는 효과가 있다.
Description
본 발명은 딥러닝을 이용한 기기의 예지 보전방법에 관한 것으로, 더욱 상세하게는 정상적인 상태의 구동부를 통해 수집되는 다양한 에너지 값에 대한 그래프 파형을 이미지 데이터로 변환하고, 그 변환된 대량의 이미지 데이터의 특징을 딥 러닝 방식을 통해 학습하고, 그 학습한 결과치를 기반으로 좌표에 모델 그룹핑을 구축하여 실시간 구동부에서 수집되는 에너지 값의 그래프 파형에 대한 결과치를 모델 그룹팅에 반영하여 실시간으로 구동부의 상태를 검출하는 방식으로 구동부의 이상징후가 의심되면 경보하여 적합한 시기에 구동부의 정비 및 교체를 수행할 수 있도록 유도하여 구동부의 고장으로 인한 막대한 경제적인 손실을 방지할 수 있는 딥러닝을 이용한 기기의 예지 보전방법에 관한 것이다.
일반적으로 설비의 자동화 공정을 위해 사용되는 구동부(모터, 펌프, 컨베이어, 콤프레샤 등)는 안정적인 구동이 매우 중요하다.
일 예로, 대규모의 이송 공장의 설비에는 수백 개의 구동부가 설치되어 서로 연동 동작하면서 이송하고자 하는 자재를 연속 이송하게 되는데, 만약 다수의 구동부 중에서 어느 하나의 구동부가 고장이 발생하면 설비의 동작이 전체적으로 중단되는 엄청난 상황이 발생할 수 있다.
이때는 구동부의 고장으로 인한 다운 타임의 발생으로 구동부의 수리비용뿐만 아니라, 설비가 중단되는 동안 낭비되는 운영비와 비즈니스 효과에 의해 엄청난 손실이 발생될 수밖에 없다.
최근 고용노동부와 산업안전 관리공단의 자료에 따르면 연간 산업 안전사고로 인한 사상자는 총 10만 명 수준으로 집게 되고 있으며, 이를 비용으로 환산시 연간 18조원의 손실이 발생하고 있다고 집계되고 있다.
이러한 예기치 않은 다운 타임 비용을 피하기 위한 방법으로 사전 예지 보전시스템의 도입이 시급한 실정이다.
이미 예지 보전이라는 명목하에 문제점을 개선하고자 노력하고 있으나 보다 효율적인 예지 보전을 위해 더 차원높은 예지 보전방법의 개발이 필요한 실정이다.
본 발명은 상기한 바와 같은 제반 문제점을 해결하기 위하여 제안된 것으로, 그 목적은 정상적인 상태의 구동부를 통해 수집되는 다양한 에너지 값에 대한 그래프 파형을 이미지 데이터로 변환하고, 그 변환된 대량의 이미지 데이터의 특징을 딥 러닝 방식을 통해 학습하고, 그 학습한 결과치를 기반으로 좌표에 모델 그룹핑을 구축하여 실시간 구동부에서 수집되는 에너지 값의 그래프 파형에 대한 결과치를 모델 그룹팅에 반영하여 실시간으로 구동부의 상태를 검출하는 방식으로 구동부의 이상징후가 의심되면 경보하여 적합한 시기에 구동부의 정비 및 교체를 수행할 수 있도록 유도하여 구동부의 고장으로 인한 막대한 경제적인 손실을 방지할 수 있는 딥러닝을 이용한 기기의 예지 보전방법을 제공함에 있다.
또한, 다양한 검출조건을 통해 구동부의 상태를 단계별로 검출하여 관리자는 구동부의 상태를 정밀하게 인지할 수 있어 구동부의 점검 시기 및 계획을 바람직하게 설정하여 구동부의 효율적인 관리를 유도할 수 있는 딥러닝을 이용한 기기의 예지 보전방법을 제공함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 딥러닝을 이용한 기기의 예지 보전방법은 정상적인 구동 상태의 구동부에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 각각 시간의 흐름에 따라 나타낸 파형 그래프를 반복적으로 수집하는 베이스 정보 수집단계(S10);와, 상기 베이스 정보 수집단계(S10)에서 수집된 각 에너지 값에 대한 파형 그래프를 사진과 같이 찍어 각각 이미지 데이터로 변환하는 변환단계(S20);와, 상기 변환단계(S20)에서 변환된 구동부의 한 동작에 대한 각 에너지 값의 이미지 데이터를 제어부에서 딥러닝(deep learning) 학습 방식을 기반으로 학습하고, 구동부의 한 동작에 대한 학습 결과치를 좌표에 하나의 점(point)으로 나타내는 학습단계(S30);와, 상기 학습단계(S30)에서 제어부의 반복적인 학습 과정을 통해 구동부의 동작에 대한 학습 결과치가 좌표에 대량의 점으로 표시되는데, 상기 제어부는 좌표에 표시되는 대량의 점을 기반으로 구동부의 상태를 판단할 수 있는 기준이 되는 모델 그룹핑을 구축하는 구축단계(S40);와, 실시간 구동되는 구동부에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 측정부에서 각각 실시간 파형 그래프로 측정 수집하고, 그 수집된 각각의 실시간 파형 그래프를 실시간 이미지 데이터로 변환하여 상기 제어부로 전송하되, 상기 측정부에서는 상기 베이스 정보 수집단계(S10)에서 선택 수집되는 에너지 값과 동일한 에너지가 선택되도록 하는 실시간 측정단계(S50);와, 상기 제어부는 상기 측정부에서 전송되는 실시간 이미지 데이터를 학습하고, 그 결과치를 좌표에 실시간 점으로 나타내며, 검출부는 좌표에 나타나는 실시간 점과 모델 그룹핑을 기반으로 실시간 구동부의 상태를 검출하는 검출단계(S60);를 포함하여 이루어지되,
상기 구축단계(S40)에서 구축되는 모델 그룹핑은 좌표에 표시되는 대량의 점의 분포도를 기반으로 점의 밀집도가 가장 높은 위치를 중심점으로 구축하며,
상기 검출단계(S60)는 중심점으로 구축된 모델 그룹핑과 이격되는 거리에 대한 제1임계 거리값을 설정하여 좌표에 나타나는 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값 이하면 구동부를 정상상태로 검출하고, 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값을 초과하면 구동부를 경보상태로 검출하는 것을 특징으로 한다.
상기 구축단계(S40)에서 구축되는 모델 그룹핑은 좌표에 표시되는 대량의 점의 분포도를 기반으로 점의 밀집도가 가장 높은 위치를 중심점으로 구축하며,
상기 검출단계(S60)는 중심점으로 구축된 모델 그룹핑과 이격되는 거리에 대한 제1임계 거리값을 설정하여 좌표에 나타나는 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값 이하면 구동부를 정상상태로 검출하고, 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값을 초과하면 구동부를 경보상태로 검출하는 것을 특징으로 한다.
삭제
삭제
삭제
삭제
삭제
삭제
삭제
이상에서와 같이 본 발명에 따른 딥러닝을 이용한 기기의 예지 보전방법에 의하면, 정상적인 상태의 구동부를 통해 수집되는 다양한 에너지 값에 대한 그래프 파형을 이미지 데이터로 변환하고, 그 변환된 대량의 이미지 데이터의 특징을 딥 러닝 방식을 통해 학습하고, 그 학습한 결과치를 기반으로 좌표에 모델 그룹핑을 구축하여 실시간 구동부에서 수집되는 에너지 값의 그래프 파형에 대한 결과치를 모델 그룹팅에 반영하여 실시간으로 구동부의 상태를 검출하는 방식으로 구동부의 이상징후가 의심되면 경보하여 적합한 시기에 구동부의 정비 및 교체를 수행할 수 있도록 유도하여 구동부의 고장으로 인한 막대한 경제적인 손실을 방지할 수 있는 효과가 있다.
또한, 다양한 검출조건을 통해 구동부의 상태를 단계별로 검출하여 관리자는 구동부의 상태를 정밀하게 인지할 수 있어 구동부의 점검 시기 및 계획을 바람직하게 설정하여 구동부의 효율적인 관리를 유도할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 딥러닝을 이용한 기기의 예지 보전방법의 블럭도
도 2는 도 1에 도시된 딥러닝을 이용한 기기의 예지 보전방법의 개념도
도 3 내지 도 10은 도 1에 도시된 딥러닝을 이용한 기기의 예지 보전방법을 설명하기 위한 도면
도 2는 도 1에 도시된 딥러닝을 이용한 기기의 예지 보전방법의 개념도
도 3 내지 도 10은 도 1에 도시된 딥러닝을 이용한 기기의 예지 보전방법을 설명하기 위한 도면
본 발명의 바람직한 실시예에 따른 딥러닝을 이용한 기기의 예지 보전방법을 첨부된 도면에 의거하여 상세히 설명한다. 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 공지 기능 및 구성에 대한 상세한 기술은 생략한다.
도 1 내지 도 10은 본 발명의 실시예에 따른 딥러닝을 이용한 기기의 예지 보전방법을 도시한 것으로, 도 1은 본 발명의 실시예에 따른 딥러닝을 이용한 기기의 예지 보전방법의 블럭도를, 도 2는 도 1에 도시된 딥러닝을 이용한 기기의 예지 보전방법의 개념도를, 도 3 내지 도 10은 도 1에 도시된 딥러닝을 이용한 기기의 예지 보전방법을 설명하기 위한 도면을 각각 나타낸 것이다.
상기 도면에 도시한 바와 같이, 본 발명의 실시예에 따른 딥러닝을 이용한 기기의 예지 보전방법(100)은 베이스 정보 수집단계(S10)와, 변환단계(S20)와, 학습단계(S30)와, 구축단계(S40)와, 실시간 측정단계(S50)와, 검출단계(S60)를 포함하고 있다.
도 1에 도시된 바와 같이, 상기 베이스 정보 수집단계(S10)는 정상적인 구동 상태의 구동부(1)에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부(1)에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 각각 시간의 흐름에 따라 나타낸 파형 그래프를 반복적으로 수집하는 단계이다.
여기서, 상기와 같이 수집되는 파형 그래프들은 후설될 상기 학습단계(S30)에서 제어부(10)가 딥 러닝 방식으로 학습하기 위한 자료(정보)로 수집되는 것이며, 이렇게 학습된 결과치는 후설될 상기 구축단계(S40)에서 실시간 구동부(1)의 상태를 검출하기 위한 기준이 되는 모델 그룹핑을 구축하기 위한 기반이 되는 특성상, 상기와 같이 정상적인 구동부(1)에서 바람직한(정상적인) 파형 그래프들을 수집하도록 한다.
본 발명의 딥러닝을 이용한 기기의 예지 보전방법(100)에서는 설명의 편의를 위해, 도 3에 도시된 바와 같이 구동부(1)에서 소모되는 전류와 전압 및 진동 값에 대한 각각의 파형 그래프를 반복적으로 수집하도록 하나, 이러한 3가지 에너지로 한정하여 파형 그래프를 수집하는 것은 아니다.
물론, 구동부(1)가 동작을 수행하는데 발생하는 많은 종류의 에너지에 대한 파형 그래프를 수집할수록 상기 제어부(10)에서 그래프 파형에 대한 특징을 더욱 용이하게 학습할 수 있을 것이다.
도 1에 도시된 바와 같이, 상기 변환단계(S20)는 상기 베이스 정보 수집단계(S10)에서 수집된 각 에너지 값에 대한 파형 그래프를 사진과 같이 찍어 각각 이미지 데이터로 변환하는 단계이다.
즉, 도 4에 도시된 바와 같이 상기 구동부(1)의 한 동작에 대해 전류와 전압 및 진동에 대한 총 3가지의 파형 그래프를 사진과 같은 이미지 파일로 변환하여, 상기 학습단계(S30)에서 상기 제어부(10)는 사진과 같은 이미지를 학습하여 정상적인 구동부의 파형 그래프에 대한 특징을 학습할 수 있도록 한다.
도 1과 도 2에 도시된 바와 같이, 상기 학습단계(S30)는 상기 변환단계(S20)에서 변환된 구동부의 한 동작에 대한 각 에너지 값의 이미지 데이터를 제어부(10)에서 딥러닝(deep learning) 학습 방식을 기반으로 학습하고, 구동부(1)의 한 동작에 대한 학습 결과치를 좌표에 하나의 점(point)으로 나타내는 단계이다.
즉, 도 5에 도시된 바와 같이 상기 변환단계(S20)에서 변환된 이미지 데이터가 입력되면 상기 제어부(10)는 이미지의 특징을 추출하면서 학습을 수행하게 되는데, 본 발명에서 제어부(10)는 딥 러닝의 CNN(convolutional neural networks) 모델을 통하여 학습을 수행하도록 하나, 이러한 모델로 한정하는 것은 물론 아니며, 딥 러닝의 RNN(Recurrent Neural Network), ANN(Artificail Neural Network) 등의 모델을 통하여 학습을 수행할 수 있다.
여기서, 상기 제어부(10)는 구동부의 수천, 수만 번의 동작에 대한 파형 그래프들을 학습하게 되는데, 이러한 파형 그래프들의 정보가 풍부할수록 상기 제어부(10)에서 구동부(1)의 동작에 대한 파형 그래프의 특징을 효과적으로 파악하고 학습할 수 있으므로 상기 베이스 정보 수집단계(S10)에서 많은 파형 그래프 정보를 수집함이 바람직할 것이다.
도 6에 도시된 바와 같이, 상기 제어부(10)에서 학습한 구동부(1)의 동작에 대한 파형 그래프의 결과치는 좌표에 표시하였는데, 살펴보면 상기 제어부(10)가 학습한 파형 그래프는 정상적인 상태의 구동부(1)로부터 획득한 정보이므로 좌표의 특정 영역에 소정의 그룹을 형성함을 알 수 있다.
여기서, 상기 좌표는 설명의 편의를 위해 2차원(X,Y)으로 구현하였으나, 3차원(X,Y,Z)과 같은 입체로 구현될 수 있음은 물론이다.
도 6에 도시된 바와 같이, 상기 구축단계(S40)는 상기 학습단계(S30)에서 제어부(10)의 반복적인 학습 과정을 통해 구동부(1)의 동작에 대한 학습 결과치가 좌표에 대량의 점으로 표시되는데, 상기 제어부(10)는 좌표에 표시되는 대량의 점을 기반으로 구동부(1)의 상태를 판단할 수 있는 기준이 되는 모델 그룹핑을 구축하는 단계이다.
즉, 상기 제어부(10)의 학습을 결과치로 상기 좌표에 형성된 그룹은 정상적인 구동부(1)의 파형 그래프로부터 추출된 것으로 매우 바람직한(안정적인) 결과를 의미하는 그룹이므로, 그 그룹을 기반으로 실시간 구동부(1)의 상태를 판단할 수 있는 모델 그룹핑을 구축하도록 한다.
도 6에 도시된 바와 같이, 본 발명의 딥러닝을 이용한 기기의 예지 보전방법(100)에서 구축되는 모델 그룹핑은 좌표에 표시되는 대량의 점의 분포도를 기반으로 점의 밀집도가 가장 높은 위치를 중심점으로 구축하는데, 그 이유는 좌표에 표시되는 점들은 정상적인 상태의 구동부(1)로부터 추출되는 것이므로 점들이 밀집되는 부분일수록 구동부(1)가 매우 안정적인 상태이기 때문이다.
따라서 상기 모델 그룹핑을 좌표에 표시된 점의 밀집도가 가장 높은 지점에 중심점으로 구축하여 상기 모델 그룹핑을 통해 검출되는 실시간 구동부(1)의 상태 결과에 대한 우수한 신뢰도가 확보될 수 있도록 한다.
도 1과 도 2에 도시된 바와 같이, 상기 실시간 측정단계(S50)는 실시간 구동되는 구동부(1)에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 측정부(20)에서 각각 실시간 파형 그래프로 측정 수집하고, 그 수집된 각각의 실시간 파형 그래프를 실시간 이미지 데이터로 변환하여 상기 제어부(10)로 전송하되, 상기 측정부(20)에서는 상기 베이스 정보 수집단계(S10)에서 선택 수집되는 에너지 값과 동일한 에너지가 선택되도록 한다.
여기서, 상기 측정부(20)에서 구동부(1)로부터 수집되는 에너지는 상기 베이스 정보 수집단계(S10)에서 일 예로 선택된 전류와 전압 및 진동 값으로 선택 측정됨은 물론이다.
즉, 상기 측정부(20)에서 측정 수집된 에너지 값에 대한 이미지 데이터는 후설될 상기 검출단계(S60)에서 구동부(1)의 상태를 검출하는 정보로 사용되는데, 이에 대해서는 아래의 검출단계(S60)에서 상세히 설명하도록 한다.
도 1과 도 2에 도시된 바와 같이, 상기 검출단계(S60)는 상기 제어부(10)는 상기 측정부(20)에서 전송되는 실시간 이미지 데이터를 학습하고, 그 결과치를 좌표에 실시간 점으로 나타내며, 검출부(30)는 좌표에 나타나는 실시간 점과 모델 그룹핑을 기반으로 실시간 구동부(1)의 상태를 검출하는 단계이다.
여기서, 도 7에 도시된 바와 같이 상기 검출부(30)에는 상기 구축단계(S40)에서 중심점으로 구축된 모델 그룹핑과 이격되는 거리에 대한 제1임계 거리값이 설정되도록 한다.
즉, 상기 검출부(30)는 실시간 구동부(1) 동작의 파형 그래프에 대한 상기 제어부(10)의 학습 결과치로 좌표에 나타나는 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값 이하이면 구동부(1)를 정상상태로 검출하고, 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값을 초과하면 구동부(1)를 경보상태로 검출하도록 한다.
여기서, 상기 경보상태라 함은 구동부(1)의 관심과 주의가 요구되는 정도로 생각하면 된다.
따라서 관리자는 상기 검출단계(S60)에서 검출되는 구동부(1)의 실시간 상태를 기반으로 구동부(1)의 안정적인 점검 및 관리를 유도할 수 있어 갑작스럽게 구동부(1)의 고장으로 인해 설비의 전체적인 가동이 중단되어 발생할 수 있는 막대한 경제적인 손실을 방지할 수 있다.
한편, 도 8에 도시된 바와 같이 상기 구축단계(S40)에서 중심점으로 구축되는 모델 그룹핑을 대신하여 좌표에 표시되는 대량의 점 분포도를 기반으로 점의 밀집도가 높은 부위가 포함되는 소정의 영역으로 표시되도록 하여 모델 그룹핑을 구축하고,
상기 검출단계(S60)는 모델 그룹핑 영역의 둘레와 이격되는 거리에 대한 제2임계 거리값을 설정하도록 한다.
여기서, 상기 구동부(1)가 사용되는 기기의 종류, 좌표에 분포되는 점의 전체적인 밀집도 등을 고려하여 영역의 넓이를 선택적으로 구축할 수 있음은 물론이다.
즉, 도 9에 도시된 바와 같이 상기 검출부(30)는 실시간 구동부(1) 동작의 파형 그래프에 대한 상기 제어부(10)의 학습 결과치로 좌표에 나타나는 실시간 점이 모델 그룹핑의 영역 내에 위치되면 구동부(1)를 정상상태로 검출하고, 실시간 점이 모델 그룹핑의 영역에서 벗어나되 모델 그룹핑과의 이격거리가 상기 제2임계 거리값 이하면 구동부(1)를 경보상태로 검출하며, 실시간 점이 모델 그룹핑의 영역에서 벗어나면서 모델 그룹핑과의 이격거리가 상기 제2임계 거리값을 초과하면 구동부(1)를 위험상태로 검출하도록 한다.
여기서, 상기 경보상태라 함은 구동부(1)의 관심과 주의가 요구되는 정도이고, 상기 위험상태라 함은 구동부의 수리, 점검이나 교체가 즉시 요구되는 상태로 볼 수 있다.
한편, 도 10에 도시된 바와 같이 상기 구축단계(S40)에서 구축되는 모델 그룹핑을 중심점과 함께 소정의 영역으로 표시하여 구축하며,
상기 검출단계(S60)에는 중심점으로 구축되는 모델 그룹핑에 대한 제1임계 거리값과 소정의 영역으로 구축되는 모델 그룹핑에 대한 제2임계 거리값이 함께 설정되도록 한다.
즉, 상기 검출부(30)는 좌표에 나타나는 실시간 점이 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값 이하이면서 동시에 영역으로 구축되는 모델 그룹핑 내에 위치되면 구동부(1)를 안정상태로 검출하고,
실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값을 초과하되 영역으로 구축되는 모델 그룹핑 내에 위치되거나, 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값 이하이되 모델 그룹핑의 영역에서 벗어나면 구동부(1)를 정상상태로 검출하며,
실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값을 초과하며 동시에 실시간 점이 영역으로 구축되는 모델 그룹핑을 벗어나면서 모델 그룹핑과 실시간 점의 이격 거리가 상기 제2임계 거리값 이하이면 구동부(1)를 경보상태로 검출하며,
실시간 점이 영역으로 구축되는 모델 그룹핑을 벗어나면서 모델 그룹핑과 실시간 점의 이격 거리가 상기 제2임계 거리값을 초과하면 구동부(1)를 위험상태로 검출하도록 한다.
여기서, 상기 안정상태는 정상상태보다 상기 구동부(1)가 더욱 안정된 상태를 의미한다.
따라서 상기 검출부(30)는 실시간 구동부(1)의 상태를 단계별로 매우 정밀하게 검출하여 관리자에게 제공할 수 있어 구동부(1)의 효율적인 점검 및 관리를 유도할 수 있다.
상기와 같은 과정으로 이루어지는 본 발명의 딥러닝을 이용한 기기의 예지 보전방법(100)은 정상적인 상태의 구동부(1)를 통해 수집되는 다양한 에너지 값에 대한 그래프 파형을 이미지 데이터로 변환하고, 그 변환된 대량의 이미지 데이터의 특징을 딥 러닝 방식을 통해 학습하고, 그 학습한 결과치를 기반으로 좌표에 모델 그룹핑을 구축하여 실시간 구동부에서 수집되는 에너지 값의 그래프 파형에 대한 결과치를 모델 그룹팅에 반영하여 실시간으로 구동부(1)의 상태를 검출하는 방식으로 구동부(1)의 이상징후가 의심되면 경보하여 적합한 시기에 구동부(1)의 정비 및 교체를 수행할 수 있도록 유도하여 구동부(1)의 고장으로 인한 막대한 경제적인 손실을 방지할 수 있는 효과가 있다.
또한, 다양한 검출조건을 통해 구동부(1)의 상태를 단계별로 검출하여 관리자는 구동부(1)의 상태를 정밀하게 인지할 수 있어 구동부(1)의 점검 시기 및 계획을 바람직하게 설정하여 구동부의 효율적인 관리를 유도할 수 있는 효과가 있다.
본 발명은 첨부된 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것으로 상술한 실시예에 한정되지 않으며, 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 실시예가 가능하다는 점을 이해할 수 있을 것이다. 또한, 본 발명의 사상을 해치지 않는 범위 내에서 당업자에 의한 변형이 가능함은 물론이다. 따라서, 본 발명에서 권리를 청구하는 범위는 상세한 설명의 범위 내로 정해지는 것이 아니라 후술되는 청구범위와 이의 기술적 사상에 의해 한정될 것이다.
1. 구동부
10. 측정부 20. 제어부
30. 검출부
S10. 베이스 정보 수집단계 S20. 변환단계
S30. 학습단계 S40. 구축단계
S50. 실시간 측정단계 S60. 검출단계
100. 딥러닝을 이용한 기기의 예지 보전방법
10. 측정부 20. 제어부
30. 검출부
S10. 베이스 정보 수집단계 S20. 변환단계
S30. 학습단계 S40. 구축단계
S50. 실시간 측정단계 S60. 검출단계
100. 딥러닝을 이용한 기기의 예지 보전방법
Claims (4)
- 구동부의 예지 보전방법에 있어서,
정상적인 구동 상태의 구동부(1)에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부(1)에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 각각 시간의 흐름에 따라 나타낸 파형 그래프를 반복적으로 수집하는 베이스 정보 수집단계(S10);
상기 베이스 정보 수집단계(S10)에서 수집된 각 에너지 값에 대한 파형 그래프를 사진과 같이 찍어 각각 이미지 데이터로 변환하는 변환단계(S20);
상기 변환단계(S20)에서 변환된 구동부의 한 동작에 대한 각 에너지 값의 이미지 데이터를 제어부(10)에서 딥러닝(deep learning) 학습 방식을 기반으로 학습하고, 구동부(1)의 한 동작에 대한 학습 결과치를 좌표에 하나의 점(point)으로 나타내는 학습단계(S30);
상기 학습단계(S30)에서 제어부(10)의 반복적인 학습 과정을 통해 구동부(1)의 동작에 대한 학습 결과치가 좌표에 대량의 점으로 표시되는데, 상기 제어부(10)는 좌표에 표시되는 대량의 점을 기반으로 구동부(1)의 상태를 판단할 수 있는 기준이 되는 모델 그룹핑을 구축하는 구축단계(S40);
실시간 구동되는 구동부(1)에서 한 동작을 수행하는데 소모되는 전류, 전압 값, 구동부에 발생되는 진동, 소음, 온도, 압력, 습도 중에서 선택되는 적어도 둘 이상의 에너지 값을 측정부(20)에서 각각 실시간 파형 그래프로 측정 수집하고, 그 수집된 각각의 실시간 파형 그래프를 실시간 이미지 데이터로 변환하여 상기 제어부(10)로 전송하되, 상기 측정부(20)에서는 상기 베이스 정보 수집단계(S10)에서 선택 수집되는 에너지 값과 동일한 에너지가 선택되도록 하는 실시간 측정단계(S50); 및
상기 제어부(10)는 상기 측정부(20)에서 전송되는 실시간 이미지 데이터를 학습하고, 그 결과치를 좌표에 실시간 점으로 나타내며, 검출부(30)는 좌표에 나타나는 실시간 점과 모델 그룹핑을 기반으로 실시간 구동부(1)의 상태를 검출하는 검출단계(S60);를 포함하여 이루어지되,
상기 구축단계(S40)에서 구축되는 모델 그룹핑은 좌표에 표시되는 대량의 점의 분포도를 기반으로 점의 밀집도가 가장 높은 위치를 중심점으로 구축하며,
상기 검출단계(S60)는 중심점으로 구축된 모델 그룹핑과 이격되는 거리에 대한 제1임계 거리값을 설정하여 좌표에 나타나는 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값 이하면 구동부(1)를 정상상태로 검출하고, 실시간 점과 중심점의 이격 거리가 상기 제1임계 거리값을 초과하면 구동부(1)를 경보상태로 검출하는 것을 특징으로 하는 딥러닝을 이용한 기기의 예지 보전방법. - 삭제
- 삭제
- 삭제
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210086491A KR102510101B1 (ko) | 2021-07-01 | 2021-07-01 | 딥러닝을 이용한 기기의 예지 보전방법 |
PCT/KR2022/009256 WO2023277546A1 (ko) | 2021-07-01 | 2022-06-28 | 딥러닝을 이용한 기기의 예지 보전방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210086491A KR102510101B1 (ko) | 2021-07-01 | 2021-07-01 | 딥러닝을 이용한 기기의 예지 보전방법 |
Publications (3)
Publication Number | Publication Date |
---|---|
KR20230005591A KR20230005591A (ko) | 2023-01-10 |
KR102510101B1 true KR102510101B1 (ko) | 2023-03-14 |
KR102510101B9 KR102510101B9 (ko) | 2023-08-04 |
Family
ID=84690436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210086491A KR102510101B1 (ko) | 2021-07-01 | 2021-07-01 | 딥러닝을 이용한 기기의 예지 보전방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102510101B1 (ko) |
WO (1) | WO2023277546A1 (ko) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5698576B2 (ja) * | 2010-03-23 | 2015-04-08 | メタウォーター株式会社 | グラフ編集型シミュレーション装置、グラフ編集型シミュレーションプログラム、及びプラント維持管理システム |
US10539932B2 (en) * | 2017-09-30 | 2020-01-21 | Intel Corporation | Machine diagnostics based on overall system energy state |
KR102095959B1 (ko) * | 2018-07-11 | 2020-04-01 | 주식회사 아이센스 | 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 |
JP7204106B2 (ja) * | 2019-03-03 | 2023-01-16 | 株式会社レキオパワー | 超音波プローブ用ナビゲートシステム、および、そのナビゲート表示装置 |
KR102282847B1 (ko) | 2019-05-31 | 2021-07-27 | 주식회사 포스코아이씨티 | 제어데이터 이상 검출을 위한 시스템 |
-
2021
- 2021-07-01 KR KR1020210086491A patent/KR102510101B1/ko active IP Right Grant
-
2022
- 2022-06-28 WO PCT/KR2022/009256 patent/WO2023277546A1/ko unknown
Also Published As
Publication number | Publication date |
---|---|
KR102510101B9 (ko) | 2023-08-04 |
KR20230005591A (ko) | 2023-01-10 |
WO2023277546A1 (ko) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102316496B1 (ko) | 분포도를 통한 기기의 예지 보전방법 | |
KR102316510B1 (ko) | 분포도를 통한 기기의 예지 보전방법 | |
US11714403B2 (en) | Method for learning and detecting abnormal part of device through artificial intelligence | |
KR102103150B1 (ko) | 구동부의 정밀 예지 보전방법 | |
US11720093B2 (en) | Method for predictive maintenance of equipment via distribution chart | |
KR20190108270A (ko) | 구동부의 정밀 예지 보전방법 | |
CN113255188A (zh) | 一种基于事故树的桥梁安全预警方法及*** | |
KR102316472B1 (ko) | 제어 출력신호를 통한 기기의 건전성 지수 검출방법 | |
KR20190108271A (ko) | 구동부의 정밀 예지 보전방법 | |
KR102510101B1 (ko) | 딥러닝을 이용한 기기의 예지 보전방법 | |
KR102510099B1 (ko) | 딥러닝을 이용한 기기의 예지 보전방법 | |
JP2017021282A (ja) | 故障予兆シミュレーション装置、故障予兆シミュレーション方法、故障予兆シミュレーションシステム、及びプログラム | |
KR102316493B1 (ko) | 제어 출력신호를 통한 기기의 예지 보전방법 | |
KR20220032340A (ko) | 누적 파형을 통한 기기의 예지 보전방법 | |
CN116859842A (zh) | 一种化工生产线安全评估*** | |
Giusti et al. | Data analytics and production efficiency evaluation on a flexible manufacturing cell | |
KR102384999B1 (ko) | 누적 파형을 통한 기기의 예지 보전방법 | |
KR102316526B1 (ko) | 분포도를 통한 기기의 건전성 지수 검출방법 | |
CN113447764A (zh) | 应用于电网的智慧监测及故障管控方法 | |
CN109828146A (zh) | 一种通过设备电参数ad采样判断设备工况的方法 | |
KR20210073207A (ko) | 기기의 동작 추적을 통한 기기의 가상 모니터링 관리방법 | |
KR102316483B1 (ko) | 다중 제어 출력신호를 통한 기기의 예지 보전방법 | |
KR102385004B1 (ko) | 누적 파형을 통한 기기의 예지 보전방법 | |
CN117273575A (zh) | 一种基于物联网操作***平台的安全监测方法及*** | |
CN118013341A (zh) | 一种基于smote的电力通信设备数据平衡的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
G170 | Re-publication after modification of scope of protection [patent] |