KR20190017121A - 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법 - Google Patents
기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법 Download PDFInfo
- Publication number
- KR20190017121A KR20190017121A KR1020170101433A KR20170101433A KR20190017121A KR 20190017121 A KR20190017121 A KR 20190017121A KR 1020170101433 A KR1020170101433 A KR 1020170101433A KR 20170101433 A KR20170101433 A KR 20170101433A KR 20190017121 A KR20190017121 A KR 20190017121A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- machine
- error
- time
- operation data
- 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
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B23/0224—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
본 발명은 시계열적인 임계치 데이터를 서버에서 머신러닝 기법 기반으로 자동으로 검출해내고, 이를 기반으로 모든 시간 영역에서 동작데이터를 비교할 수 있다. 그에 따라, 작업자가 수기로 임계치 데이터를 입력할 필요가 없다. 또한, 본 발명은 종래의 임계치(절대값) 설정시 발견할 수 없었던 기계의 결함이나 제품 불량을 정밀하게 검출할 수 있다.
Description
본 발명은 머신러닝 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법에 관한 것이다.
인터넷의 빠른 보급과 인터넷을 기반으로 한 모든 사물들 간의 연결기술 발달 등이 이루어짐에 따라 4차 산업혁명이 대두되고 있다. 이러한 4차 산업혁명을 이끌어가는 여러 기술분야들 중의 하나는 스마트 팩토리에 관한 기술이다.
스마트 팩토리란 공장의 기계 및 시설들을 연결하고 쉽게 관리할 수 있게 하는 총체적인 기술들을 일컫는다. 이러한 스마트 팩토리를 이루는 여러 기술들 중 하나는 기계들을 관리하는 기술이다. 즉, 기계가 정상적으로 동작하고 있는지 모니터링하고 오류 발생을 미리 예측하며 관리할 수 있도록 하는 것이다.
종래의 경우, 기계의 오작동을 예측하기 위해, 시간과 무관한 절대값의 형태로 정의되는 임계치를 설정하고, 기계의 동작데이터를 수시로 수집하여 임계치를 벗어나는 동작데이터가 발생되는 경우, 특정한 오류가 발생된 것으로 판단하고 있다. 종래의 임계치는 생산을 위한 기계의 설정 허용값에 관한 것으로서, 다르게 표현하면 생산되는 제품의 불량이 발생되지 않도록 하는 동작의 상한값과 하한값의 조합이다. 그리고, 종래의 임계치는 공장의 작업자가 직접 설정하는 고정값(작업자가 설정한 각 구간 내에서 시간과 무관하게 고정되어 있는 절대값)이다. 그러므로, 작업자가 임의로 제품의 퀄리티를 낮추어 불량률을 낮추고자 한다면 임계치의 상한과 하한을 넓게 설정하기만 하면 되고, 그 반대의 경우에는 임계치의 상한과 하한을 좁게 설정하면 된다. 또한, 기계가 동작하는 하나의 사이클에 대응하는 주기 동안 제품을 제조하는 시구간에 대해서 임계치가 설정되며, 제품 제조와 무관한 시구간에 대해서는 별도의 임계치가 설정되지 않는다. 그러므로, 제품의 불량 발생여부에 대해서는 판단할 수 있을 지언정 기계의 오류 여부에 대해서는 정확하게 판단하기 어렵다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 머신러닝기법을 기반으로 실시간으로 수집된 기계의 동작데이터로부터 시계열적인 임계치 데이터를 자동으로 추출함으로써, 작업자가 수기로 임계치를 설정함에 따라 파악할 수 없었던 기계의 오류 데이터를 정밀하게 예측 및 검출할 수 있도록 하는 데에 목적이 있다.
또한, 본 발명은 시계열적인 임계치 데이터에 벗어난 오류 데이터를 작업자 단말에서 쉽게 확인할 수 있도록 제공하는 데에 목적이 있다.
본 발명의 일 실시예에 따르는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법은, (a) 적어도 하나의 기계의 시계열적인 동작데이터를 수집하는 단계; (b) 상기 동작데이터를 소정의 시간 간격으로 분할하고, 상기 분할된 동작데이터를 동일한 시간영역 상에 중첩되도록 매핑하는 단계; (c) 상기 매핑된 동작데이터의 집합에 대한 시계열적인 표준데이터를 머신러닝에 기반하여 도출함으로써 시계열적인 임계치 데이터를 생성하는 단계; 및 (d) 실시간으로 수집되는 동작데이터가 상기 임계치 데이터를 벗어나는 경우, 오류 이벤트로 판단하여 상기 오류 이벤트에 대한 정보를 작업자 단말로 제공하는 단계를 포함한다.
본 발명의 다른 실시예에 따르는, 머신러닝 기법에 기반한 기계의 오류 데이터를 검출하는 서버는, 머신러닝 기법에 기반한 기계의 오류 데이터를 검출하기 위한 프로그램을 저장하는 메모리; 및 상기 프로그램을 실행하기 위한 프로세서;를 포함하며, 상기 프로세서는, 상기 프로그램의 실행에 따라, 적어도 하나의 기계의 시계열적인 동작데이터를 수집하고, 상기 동작데이터를 소정의 시간 간격으로 분할하고, 상기 분할된 동작데이터를 동일한 시간영역 상에 중첩되도록 매핑하며, 상기 매핑된 동작데이터의 집합에 대한 시계열적인 표준데이터를 머신러닝에 기반하여 도출함으로써 시계열적인 임계치 데이터를 생성하고, 실시간으로 수집되는 동작데이터가 상기 임계치 데이터를 벗어나는 경우, 오류 이벤트로 판단하여 상기 오류 이벤트에 대한 정보를 작업자 단말로 제공한다.
본 발명은 시계열적인 임계치 데이터를 서버에서 자동으로 검출해내고, 이를 기반으로 모든 시간 영역에서 동작데이터를 비교하므로, 종래의 임계치(절대값) 설정시 발견할 수 없었던 기계의 결함이나 제품 불량을 정밀하게 검출할 수 있다.
그에 따라, 본 발명은 종래의 경우보다 더 정교하게 제품과 품질의 이상유무를 체크할 수 있어 정밀한 예지보전이 가능하다.
또한, 임계치를 모든 시간영역에 대해 시계열적으로 정밀하게 생성하기 때문에, 기계나 제품의 불량/오동작 검출 정확도가 매우 높아지며, 그에 따라 기계의 공정능력지수(Cp)를 매우 향상시킬 수 있으며, 정확한 공정능력지수 검출이 가능하다.
또한, 작업자 단말의 사용자 인터페이스를 작업자가 매우 쉽게 각 기계의 상태를 확인할 수 있도록 제공함으로써, 작업자의 편의성을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따르는 시스템의 구조도이다.
도 2는 본 발명의 일 실시예에 따르는 센서 어셈블리의 구조에 대한 블록도이다.
도 3은 기계로부터 측정되는 동작데이터의 대표적인 세가지 유형에 관한 그래프이다.
도 4는 본 발명의 일 실시예에 따르는 서버의 구조에 관한 블록도이다.
도 5는 본 발명의 일 실시예에 관한 전처리된 동작데이터에 관한 그래프이다.
도 6은 본 발명의 일 실시예에 관한 60초 단위로 동작데이터를 분할 한 뒤, 각 분할 영역들이 60초 단위 내에서 중첩되도록 매핑한 그래프이다.
도7은 본 발명의 일 실시예에 따라 수집된 동작데이터로부터 머신러닝에 기반하여 검출된 표준 데이터에 대한 그래프이다.
도 8은 본 발명의 일 실시예에 따르는 시계열적인 임계치 데이터에 대한 그래프이다.
도9는 본 발명의 일 실시예에 따라, 임계치 데이터 검증을 위해 임의의 동작데이터가 입력된 경우의 그래프이다.
도 10은 본 발명의 일 실시예에 따라 오류데이터가 발생된 경우의 그래프이다.
도 11은 본 발명의 일 실시예에 따르는 사용자 인터페이스의 일 예이다.
도 12는 본 발명의 일 실시예와 종래 기술에 의한 임계치 데이터를 비교하기 위한 그래프이다.
도 13은 본 발명의 일 실시예에 따라 머신러닝에 기반하여 기계의 오류 데이터를 검출하기 위한 방법을 설명하기 위한 순서도이다.
도 2는 본 발명의 일 실시예에 따르는 센서 어셈블리의 구조에 대한 블록도이다.
도 3은 기계로부터 측정되는 동작데이터의 대표적인 세가지 유형에 관한 그래프이다.
도 4는 본 발명의 일 실시예에 따르는 서버의 구조에 관한 블록도이다.
도 5는 본 발명의 일 실시예에 관한 전처리된 동작데이터에 관한 그래프이다.
도 6은 본 발명의 일 실시예에 관한 60초 단위로 동작데이터를 분할 한 뒤, 각 분할 영역들이 60초 단위 내에서 중첩되도록 매핑한 그래프이다.
도7은 본 발명의 일 실시예에 따라 수집된 동작데이터로부터 머신러닝에 기반하여 검출된 표준 데이터에 대한 그래프이다.
도 8은 본 발명의 일 실시예에 따르는 시계열적인 임계치 데이터에 대한 그래프이다.
도9는 본 발명의 일 실시예에 따라, 임계치 데이터 검증을 위해 임의의 동작데이터가 입력된 경우의 그래프이다.
도 10은 본 발명의 일 실시예에 따라 오류데이터가 발생된 경우의 그래프이다.
도 11은 본 발명의 일 실시예에 따르는 사용자 인터페이스의 일 예이다.
도 12는 본 발명의 일 실시예와 종래 기술에 의한 임계치 데이터를 비교하기 위한 그래프이다.
도 13은 본 발명의 일 실시예에 따라 머신러닝에 기반하여 기계의 오류 데이터를 검출하기 위한 방법을 설명하기 위한 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
이하에서 언급되는 " 단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), VR HMD(예를 들어, HTC VIVE, Oculus Rift, GearVR, DayDream, PSVR 등)등을 포함할 수 있다. 여기서, VR HMD 는 PC용 (예를 들어, HTC VIVE, Oculus Rift, FOVE, Deepon 등)과 모바일용(예를 들어, GearVR, DayDream, 폭풍마경, 구글 카드보드 등) 그리고 콘솔용(PSVR)과 독립적으로 구현되는 Stand Alone 모델(예를 들어, Deepon, PICO 등) 등을 모두 포함한다. 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 스마트폰(smart phone), 태블릿 PC, 웨어러블 디바이스뿐만 아니라, 블루투스(BLE, Bluetooth Low Energy), NFC, RFID, 초음파(Ultrasonic), 적외선, 와이파이(WiFi), 라이파이(LiFi) 등의 통신 모듈을 탑재한 각종 디바이스를 포함할 수 있다. 또한, "네트워크"는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
이하에서, '동작데이터'란 기계의 동작을 직접적 혹은 간접적으로 나타낼 수 있는 데이터를 의미하는 것으로서, 예를 들어, 기계의 온도, 습도, 압력, 전력 등과 같은 정보를 의미할 수 있다.
또한, '객체'란 공장에서 생산되는 부품 혹은 그 부품의 하위 구성요소를 의미하는 것으로서, 하나의 기계가 제작/생산하는 대상을 의미한다.
또한, '오류데이터'란 기계의 오류 및 기계가 제작하는 객체의 불량 중 적어도 하나에 관한 데이터를 의미한다.
도 1을 참조하면, 본 발명의 일 실시예의 시스템은 공장 내의 기계(10)에 부근에 설치된 센서 어셈블리(100), 근로자 단말(150), 서버(200) 및 관리자 단말(300)을 포함한다. 여기서, 근로자 단말(150)은 공장 내의 라인 설비 중 어느 한 공정을 담당하는 근로자에게 할당되는 단말을 의미하며, 관리자 단말(300)은 라인 책임자 혹은 공장 책임자에게 할당되는 단말을 의미할 수 있다. 근로자 단말(150)과 관리자 단말(300)을 통칭하여 작업자 단말이라고 호칭될 수도 있다.
본 발명의 일 실시예에 따르는 시스템은 스마트공장 서비스를 제공할 수 있는 시스템이다. 이러한 스마트공장 서비스는 공장 내 기계설비(10)의 동작 현황을 실시간으로 모니터링하고 오동작 발생 가능성이 높거나 오동작이 발생한 경우 즉시 관리자에게 이를 알려줌으로써, 관리자의 기계(10) 관리의 효율성 및 편의성을 제공할 수 있다. 특히, 센서 어셈블리(100)를 통해 IOT(Internet Of Things) 기술 기반의 서비스를 제공함으로써, 공장관리자가 일일이 기계(10)를 찾아보고 문제가 있는지 꼼꼼히 살피는 불편함을 제거할 수 있고, 센서 어셈블리(100)에서 측정한 값에 대한 머신러닝을 수행하여 임계치 데이터를 자동으로 서버에서 설정함으로써 정밀한 기계 이상 유무 또는 제품 이상 유무를 판단할 수도 있다.
센서 어셈블리(100)는 적어도 하나의 센서로 구성된 IOT통합모듈단말기이다. 센서 어셈블리(100)는 공장 내 기계(10)의 부근에 설치되는 것으로서, 기계(10)의 어느 일 면에 부착되는 형태로 구성될 수도 있다. 센서 어셈블리(100)는 기계(10)의 동작데이터를 측정하기 위한 센서와 이를 서버(200)로 전송하기 위한 센서를 포함한다.
구체적으로, 도 2를 참고하면, 센서 어셈블리(100)는 센서 컨트롤러(110), 통신 모듈(120), 측정센서(130), 커넥터(140)를 포함한다.
센서 컨트롤러 내지 측정센서(110 - 130)는 각각 물리적으로 독립된 형태로 구현될 수 있다. 즉, 도 1과 같이, 각각의 센서들이 육면체 형태로 유사하거나 동일한 물리적 규격을 갖도록 형성될 수 있고, 필요한 모듈별로 교체되기가 매우 용이하다. 예를 들어, 센서 컨트롤러(110), 통신 모듈(120), 측정센서(130) 중 어느 하나에 고장이 발생하거나 용도 변경이 필요할 경우, 해당하는 센서를 교체함으로써 문제를 쉽게 해결할 수도 있다. 또한, 센서 어셈블리(100)는 거치대를 더 포함할 수도 있다. 거치대는 센서 컨트롤러(110)와 통신 모듈(120)을 함께 지지하는 기능을 수행한다. 거치대는 센서 컨트롤러(110)와 통신 모듈(120)의 면적을 커버할 수 있는 면적으로 형성되되, 테두리 영역에 격벽이 형성됨으로써 센서 컨트롤러(110)와 통신 모듈(120)이 외부로 벗어나지 않게 고정하는 기능을 수행할 수도 있다. 이때, 센서 컨트롤러(110)와 통신 모듈(120)은 거치대 상에서 서로 적층되는 형태로 배치될 수 있다.
센서 컨트롤러(110)는 측정센서(130)로부터 측정센서(130)가 측정한 전기신호값(전류 혹은 전압값)을 수신하고, 전기신호값이 서버(200)로 전송되어 수집되도록 통신 모듈(120)로 전달한다. 이때, 센서 컨트롤러(110)는 적어도 하나의 측정센서(130)와 연결된다. 만약 측정센서(130)의 교체 또는 부가를 통해 기존에 연결되어 있던 측정센서(130)가 다른 종류의 측정센서(130)로 대체되더라도, 센서 컨트롤러(110)는 현재 연결된 측정센서(130) 의 전기신호값을 수신하고 인식할 수 있다.
예를 들어, 온도 센서, 압력 센서, 습도 센서, 전류/전압 센서, 전력 센서 등 다양한 센서들과 센서 컨트롤러(110)가 연결될 수 있다. 또한, 펌웨어가 서버(200)에 탑재되어 있는 경우, 센서 컨트롤러(110)는 단순히 측정센서(130)의 전기신호값(즉, A/D 신호값 : 아날로그에서 디지털로 변환된 신호)을 서버(200)로 전달하는 역할을 하며, 센서 컨트롤러(110)에 모든 센서에 대한 펌웨어가 다운로드되어 설치되어 있는 경우, 각 센서들이 서로 다른 기기와 호환이 되지 않는 물건이라고 하더라도, 센서 컨트롤러(110)는 해당 센서의 신호를 인지할 수 있다.
센서 컨트롤러(110)는 측정센서(130)로부터 수신한 동작데이터를 규격화된 디지털 신호로 변환하여, 통신 모듈(120)로 전달한다. 예를 들어, 온도센서와 압력센서로부터 센서 컨트롤러(110)로 전달된 신호는 서로 다른 포맷의 전기신호일 수 있다. 이를 그대로 서버(200)로 전달할 경우, 서버(200)가 어떠한 정보를 담고 있는지 정확하게 인지하지 못할 수 있다. 이를 위해 센서 컨트롤러(110)는 아날로그신호 또는 디지털신호를 규격화된 디지털신호로 변환하여 서버(200)에서 인지할 수 있는 형태로 변환하는 역할도 수행할 수 있다.
통신 모듈(120)은 센서 컨트롤러(110)와 서버(200) 또는 사용자 단말(300) 사이에서 정보 전달을 수행한다. 통신 모듈(120)에 의해 서버(200)로 전송된 전기신호값은 서버(200)에 저장된 펌웨어에 의하여 동작데이터로 인식될 수 있다. 즉, 단순한 전류값 혹은 전압값으로 서버(200)에 전송되지만, 서버(200) 내에 펌웨어가 있기 때문에, 그것이 온도, 압력, 습도와 같은 동작데이터에 관한 값으로 인식될 수 있다.
측정센서(130)는 기계(10)의 동작데이터를 측정하는 센서이다. 예를 들어, 측정센서(130)는 온도, 압력, 습도, 전압, 전력 및 진동 중 어느 하나를 측정하는 센서일 수 있다. 이는 일 예일 뿐이며, 다른 다양한 동작데이터를 측정하는 센서를 포함할 수도 있다.
센서 컨트롤러(110), 통신 모듈(120), 측정센서(130)는 커넥터(140)를 통하여 서로 연결 및 고정될 수 있다. 커넥터(140)는 전선이나 배선의 형태로 구현될 수도 있다. 또는, 커넥터(140)는 각 센서의 일 영역에 형성된 복수의 핀(pin)의 형태로 구현될 수도 있다. 핀 형태로 구현되는 경우, 각각의 센서에 형성된 커넥터(140)가 서로 맞물리도록 배치되고 연결됨으로써 센서들이 서로 연결될 수 있다. 또한, 커넥터(140) 간에 서로 고정결합될 수 있는 형태로 구비될 경우, 커넥터(140) 간의 연결뿐만 아니라 센서들 간의 위치 고정의 효과까지 제공해줄 수 있다.
서버(200)는 각 기계(10)마다 설치된 센서 어셈블리(100)로부터 기계(10)의 동작데이터에 관한 전기신호값을 수신하고, 어떠한 동작데이터에 관한 것인지 펌웨어 기반으로 인지할 수 있다. 또한, 빅데이터 분석 및 머신러닝에 기반한 분석기법을 통해 수집한 동작데이터를 기반으로 기계의 시계열적인 임계치 데이터를 자동으로 생성함에 따라, 작업자가 수기로 절대값에 해당하는 임계치 데이터를 입력하지 않아도 되도록 하며, 머신러닝에 기반한 임계치 데이터이기 때문에 정확한 임계치 설정이 가능하여 기계의 오류나 제품의 불량 여부를 정확하게 판단할 수 있다.
서버(200)(100)의 동작데이터에 대한 정보는 근로자 단말(150)(150)과 관리자 단말(300)(300)로 제공될 수 있다.
근로자 단말(150)(150)은 기계(10)에 설치되거나 기계(10)의 부근에 배치되는 단말로서, 한 공정을 담당하는 근로자가 자신이 담당한 기계(10)의 현황을 직접적으로 모니터링 하고 체크할 수 있도록 그 기계(10)에 대한 실시간 동작데이터를 표시할 수 있다.
관리자 단말(300)(300)은 스마트공장 서비스를 제공할 수 있는 애플리케이션이 설치되어 있을 수 있다. 애플리케이션은 서버(200)(200)로부터 정보를 수신하여 사용자가 이해하기 쉬운 형태로 가공하여 사용자에게 기계(10)설비(10)의 운영현황에 대한 정보를 제공해줄 수 있으며, 공장 내 전체 기계(10)에 대한 동작데이터를 한 눈에 조회할 수 있도록 표시될 수 있다.
이하, 본 발명의 서버(200)의 머신러닝에 기반한 기계(10) 오류 검출 기법에 대하여 구체적으로 설명하도록 한다.
기계(10)의 동작데이터의 대표적인 유형은 도3과 같이 세가지 정도로 요약될 수 있다. 즉, ①과 같이 시간에 따라 다른 진폭을 갖되 특정한 주기를 가지며 반독되는 동작데이터, ②와 같이 시간에 따라 동일한 진폭과 주기를 갖되 주파수가 달라지는 동작데이터, ③과 같이 기계(10)가 동작하고 일정시간이 지난 후에는 saturation되는 동작데이터로 요약될 수 있다.
종래의 기계(10) 오류 혹은 제품 오류 검출 방식은 임계치를 작업자가 수기로 입력하고, 그 임계치를 넘게 되는 동작데이터가 발견되면 오류 이벤트로 인지하는 방식이다. 이때, 임계치는 시간과 무관하게 정의되는 절대값이다. 그러므로, ③과 같이 saturation되는 값에 대한 임계치를 설정하여 정상 동작여부를 판가름할 때에는 종래의 방식이 적절할 수는 있으나, ①, ②와 같이 시간에 따라 진폭이 다르거나 주파수가 달라지는 경우에는 기존 방식으로 정확한 오류 이벤트를 인지할 수 없다. 그에 따라, 종래 방식을 ①에 적용할 경우에는 모든 시간 영역 중 제품 생산에 직결되는 일정 시구간 영역에 대해서만 절대값 임계치를 적용하고 있다. 그러므로, 절대값 임계치가 적용되지 않는 다른 시구간 영역에서의 오류 이벤트를 감지할 수 없다.
후술하는 본 발명의 일 실시예는 기계(10)의 동작데이터가 어느 유형인지를 불문하고, 머신러닝 기법에 기반하여 그 동작데이터의 패턴에 맞는 시계열적인 임계치 데이터를 생성하기 때문에, 모든 유형의 동작데이터에 관한 기계(10)에 대해 적용할 수 있는 기계(10) 오류 검출 기법이라 할 수 있다. 이하에서는, 기계(10)의 동작데이터가 ①의 유형인 경우를 가정하고 서술하도록 한다.
도 4를 참고하면, 서버(200)는 머신러닝 기법에 기반한 기계(10)의 오류 데이터를 검출하기 위한 방법을 수행하는 프로그램(또는 애플리케이션)이 저장된 메모리와 위 프로그램을 실행하는 프로세서를 포함하여 구성될 수 있다. 여기서 프로세서는 메모리에 저장된 프로그램의 실행에 따라 다양한 기능을 수행할 수 있는데, 각 기능에 따라 프로세서에 포함되는 세부 구성요소들을 데이터 전처리부(210), 데이터 분석부(220), 임계치 데이터 검출부(230), 오류 검출 및 판단부(240) 및 동작데이터 제공부(250)로 나타낼 수 있다.
데이터 전처리부(210)는 과거부터 현재까지의 기계(10)의 동작데이터를 수집하여 전처리를 수행한다.
기계(10)의 동작데이터가 상술한 도 3의 ①의 유형이라 가정할 때, 동작데이터는 기계(10)가 하나의 객체를 제작할 때마다 하나의 패턴으로 형성된다. 즉, 기계(10)가 60초 동안 하나의 객체를 제작하는 경우, 동작데이터는 60초 단위로 동일하거나 유사한 진폭(온도, 압력, 전압 등에 대한 값)을 가진다. 이때, 기계(10)가 객체를 제작하기 위해 동작하고 있는 동안 수집된 동작데이터들이 유의미한 데이터들이므로, 기계(10)가 동작하지 않는 시간 동안의 데이터들은 배제하고 동작하는 시간 동안의 데이터들을 수집하고, 수집된 데이터들에 대한 압축을 수행할 수 있다. 그에 따라, 전처리된 동작데이터는 도 5와 같은 형태의 그래프로 나타날 수 있다.
이때, 수집된 동작데이터의 패턴으로부터 어긋나는 패턴을 갖는 이벤트 데이터(410)가 검출될 수 있다. 구체적으로, 수집된 동작데이터가 이루는 평균적인 패턴(예를 들어, 그래프 모양)으로부터 어긋나는 패턴을 갖는 이벤트 데이터(410)가 검출될 수 있는데, 도 5에서는 특정 시구간에서 진폭값이 다른 동작데이터에 비하여 훨씬 높게 나타나는 이벤트 데이터(410)가 나타나고 있다.
이러한 이벤트 데이터(410)는 기계(10)의 오류 혹은 객체의 오류에 관한 데이터이다. 이때, 실제 작업 현장에서 기록된 작업데이터를 기반으로, 그 이벤트 데이터(410)가 검출된 순간의 작업 정보(즉, 기계(10) 오류 여부 혹은 객체 불량 여부에 관한 정보)를 검색하고, 그 작업 정보와 이벤트 데이터(410)가 매칭되어 서버(200)에 저장될 수 있다. 이벤트 데이터(410)에 대하여 매칭 저장되는 정보는 기계(10) 오류 및 객체 불량을 나타내는 정보, 기계(10) 오류 및 객체 정상을 나타내는 정보, 기계(10) 정상 및 객체 불량을 나타내는 정보, 및 기계(10) 정상 및 객체 정상을 나타내는 정보 중 어느 하나일 수 있다.
데이터 분석부(220)는 전처리된 동작데이터들에 대하여 머신러닝 기법을 수행하여 동작데이터에 대한 표준데이터를 도출할 수 있다.
구체적으로, 데이터 분석부(220)는 동작데이터를 소정 시간 간격으로 분할하고, 그 소정 시간 간격에 대응하는 길이의 시간영역 상에 분할된 동작데이터를 매핑할 수 있다. 예를 들어, 소정 시간 간격은 동작데이터의 한 주기(예를 들어, 60초)가 될 수 있다. 한 주기는 기계(10)가 하나의 객체를 제조하는 데에 소요되는 시간일 수 있다. 데이터 분석부(220)는 수집된 모든 시계열적인 동작데이터에 대하여 한 주기를 단위로 분할 하고, 분할된 동작데이터를 구성하는 값들을 한 주기의 길이를 갖는 그래프 상에 매핑할 경우, 도 6과 같은 그래프가 도출될 수 있다. 즉, 분할된 동작데이터를 구성하는 모든 점들을 그래프 상에 매핑한 것이다. 도 6의 그래프에 따르면 동작데이터는 특정한 패턴을 가지며 반복된다는 것을 알 수 있다.
데이터 분석부(220)는 머신러닝 기법에 기반하여, 상기 매핑된 동작데이터의 집합으로부터 평균값 혹은 메디안(median) 값에 기반한 적어도 하나의 시계열적인 표준 데이터를 추출하고 K 지수가 가장 높은 표준 데이터를 검출할 수 있다. 데이터 분석부(220)가 메디안 값에 기반하여 표준데이터를 추출할 경우, 도 6의 그래프 상에 중첩된 모든 분할된 동작데이터 중 가장 빈번히 나타나는 분할된 동작데이터를 표준데이터로 검출할 수 있다. 여기서 K지수는 통계적 지수를 의미한다. 특정 그래프의 K 지수가 1에 가까울수록 동작데이터의 표준값에 매우 가까운 그래프임을 나타낸다. 즉, 데이터 분석부(220)는 수집된 동작데이터에 대하여 반복적으로 표준데이터를 검출하고, K지수를 측정하면서, 기계(10)학습을 수행하고, 가장 높은 K지수를 갖는 표준데이터를 검출한다. 예를 들어, 도 7과 같은 표준데이터에 대한 그래프가 도출될 수 있다.
임계치 데이터 검출부(230)는 표준데이터에 기반하여 시계열적인 임계치 데이터를 검출한다. 구체적으로, 도 6의 그래프 상에 매핑된 동작데이터 중 표준 데이터보다 높은 Y축 값(진폭값)을 갖는 동작데이터에 대하여, 데이터 분석부(220)가 수행한 머신러닝 과정을 수행하여 상한 임계치 데이터(422)를 검출한다. 그리고, 임계치 데이터 검출부(230)는 도 6의 그래프 상에 매핑된 동작데이터 중 표준 데이터보다 낮은 Y축값(진폭값)을 갖는 동작데이터에 대하여 동일한 머신러닝 과정을 수행하여, 하한 임계치 데이터(423)를 검출한다. 이때, 상한 임계치 데이터(422)와 하한 임계치 데이터(423)의 조합이 임계치 데이터가 된다.
도 8을 참조하면, 상한 임계치 데이터(422)와 하한 임계치 데이터(423)의 사이에 표준데이터(421)가 매핑되어 있는 것을 확인할 수 있다. 임계치 데이터는 시간에 따라 상이한 값을 갖도록 구성된다는 것을 확인할 수 있다. 즉, 동작데이터의 유형이 도 3의 ① 유형이었기 때문에, 머신러닝에 기반하여 도출한 임계치 데이터 역시 ① 유형이 되는 것이다. 도 8에서 상한 임계치 데이터(422)와 하한 임계치 데이터(423)가 표준 데이터에 대하 +10 혹은 -10의 차이를 갖는다고 표기되어 있기는 하나 이는 예시일 뿐 다른 차이값을 갖도록 구성될 수도 있다.
오류 검출 및 판단부(240)는 실시간으로 수집되는 동작데이터와 임계치 데이터를 비교하여 오류를 검출 하고 어떤 유형의 오류인지 판단한다.
만약 실시간 동작데이터가 도 9와 같이 임계치 데이터의 상한과 하한 사이에 분포되도록 구성된다면 오류 검출 및 판단부(240)는 기계(10) 및 객체가 정상상태인 것으로 간주할 수 있다.
그러나, 실시간 동작데이터(425)가 도 10과 같이 어느 한 시구간에서 상한 또는 하한 중 어느 하나를 벗어나도록 구성된다면 오류 검출 및 판단부(240)는 오류데이터(425)로서 검출할 수 있다. 도 10의 오류데이터(425)는 약 25초까지는 정상적인 데이터 패턴 형태를 가졌으나, 약 25초부터 약 50초 사이의 시구간(d)에서 임계치 데이터를 벗어나는 비정상적인 패턴을 갖고 있다.
이어서, 오류 검출 및 판단부(240)는 오류데이터(425)의 패턴을 이벤트 데이터(410)의 패턴과 비교한다. 오류 검출 및 판단부(240)는 비교 결과에 따라, 오류데이터(425)와 대응하는 패턴을 갖는 이벤트 데이터(410)의 기계(10) 오류 여부 및 객체의 불량 여부에 대한 정보를 상기 오류데이터(425)에 대한 정보로서 판단한다. 즉, 이벤트 데이터(410)는 상술한 4가지 유형(기계(10) 정상 및 객체 정상 유형, 기계(10) 정상 및 객체 불량 유형, 기계(10) 오류 및 객체 정상 유형, 기계(10) 오류 및 객체 오류 유형)으로 구성될 수 있으며, 오류데이터(425)가 이들 4가지 유형 중 어느 유형에 해당하는지 판단할 수 있다.
동작데이터 제공부(250)는, 오류 이벤트에 대한 정보를 작업자 단말로 제공할 수 있다.
이때, 작업자 단말로 제공되는 사용자 인터페이스는 도 11 과 같은 형태일 수 있다. 구체적으로, 사용자 인터페이스는 작업 현장에 포함된 복수의 기계(10)에 관한 식별정보(예를 들어, 도 11의 WF-11, WF-12, WF-21, WF-22, WF-31, WF-32) 및 각 기계(10)에 관한 식별정보 별로 매칭되어 표시되는 기계(10) 및 상기 기계(10)가 제작하는 객체의 상태 정보를 포함한다. 즉, 각 기계(10) 별로 블록으로 구분되어 상태정보가 제공될 수 있다. 도 11과 같이 기계(10)의 현재 상태 정보는 각 상태값(기계(10) 오작동, 기계(10) 정상, 제품 불량, 제품 정상) 에 대한 색상이나 명암 표시를 달리함으로써 표현될 수 있다. 또한, 추가 실시예로, 사용자 인터페이스는 복수의 기계(10)가 배치된 구조에 대한 그림을 제시하고, 각 기계(10)에 대한 식별정보와 상태정보를 그 그림 상에 제시함으로써, 지도 형태로 작업자에게 각 기계(10)별 상태정보를 한눈에 쉽게 확인할 수 있도록 제공할 수도 있다.
또한, 사용자 인터페이스에서 어느 하나의 기계(10)에 대한 식별정보에 대한 작업자의 입력(터치 혹은 클릭 등)이 발생될 경우, 기계(10)에 대한 복수의 시계열적인 동작데이터에 대한 실시간 수집 정보가 제공될 수 있다. 예를 들어, 기계(10)의 온도, 습도, 압력 등에 대한 실시간 그래프가 제공될 수 있다.
또한, 사용자 인터페이스는, 실시간 그래프가 확대될 경우 실시간 동작데이터 그래프와 임계치 데이터에 대한 그래프를 중첩하여 표시하도록 작업자에게 제공할 수도 있다.
한편, 임계치 데이터는 상술한 머신러닝 및 빅데이터 분석과정을 통해 한 번 생성된 이후라도, 지속적으로 동작데이터가 수집 및 누적되기 때문에, 그 이후의 동작데이터들을 포함하여 동일한 머신러닝 및 빅데이터 분석과정을 다시 수행함으로써 업데이트될 수 있다.
도 12에 따르면, 종래기술에 의한 작업자가 설정한 임계치 데이터는 USL(Upper Spec Limit)' 와 LSL(Lower Spec Limit)'와 같은 절대값으로 규정된다. 이 경우, 약 10초부터 약 30초까지의 범위 내의 동작데이터에 대해서만 오류 판단이 가능하다. 즉, 도 12의 E2 영역에서만 기계(10) 오류 혹은 제품 불량 여부를 판단할 수 있다. 그러나, 본 발명의 일 실시예에 따르면, 임계치 데이터는 시계열적으로 변화하는 상한 임계치 데이터(422)와 하한 임계치 데이터(423)로 구성된다. 그에 따라, 종래기술에서는 검출할 수 없었던 E1 영역의 오류 데이터를 검출할 수 있다.
이하, 도 13을 참조하여, 본 발명의 일 실시예에 따르는 머신러닝에 기반한 기계(10) 오류 검출방법에 대하여 구체적으로 설명한다. 이하의 방법은 상술한 서버(200)에 의해 수행되는 것이므로, 생략된 부분이 있다고 하더라도 상술한 내용에 의해 갈음되는 것으로 간주한다.
서버(200)는 먼저, 기계(10)의 시계열적 동작데이터를 수집하고 전처리를 수행한다(S110).
서버(200)는 전처리를 수행한 동작데이터로부터 복수의 오류 패턴을 추출한다(S120). 동작데이터가 나타내는 평균적인 패턴으로부터 벗어나는 패턴이 발견되는 경우 오류 패턴으로서 검출하며, 각 오류 패턴과 작업 일지 상의 정보를 매칭하여, 그 오류 패턴이 기계(10) 혹은 객체의 어떤 이상여부를 나타내는 것인지 파악한다.
이어서, 서버(200)는 머신러닝 기반으로 수집된 모든 동작데이터로부터 시계열적인 임계치 데이터를 검출한다(S130). K지수가 가장 높은 표준 데이터를 검출하고, 표준 데이터에 기반하여 임계치 데이터를 검출한다.
서버(200)는 임계치 데이터를 벗어나는 오류 데이터를 검출한다(S140).
이때, 서버(200)는 오류 데이터와 복수의 오류 패턴을 비교하여 오류 상태를 검출한다(S150). 즉, 오류 데이터와 기 검출한 이벤트 데이터(410)를 비교하여 오류 상태를 검출한다.
서버(200)는 작업자 단말로 기 설정된 사용자 인터페이스에 따라 오류 상태 정보를 제공한다(S160).
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 기계
100: 센서 어셈블리
150: 근로자 단말 200: 서버
300: 관리자 단말
150: 근로자 단말 200: 서버
300: 관리자 단말
Claims (17)
- 서버에 의해 수행되는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법에 있어서,
(a) 적어도 하나의 기계의 시계열적인 동작데이터를 수집하는 단계;
(b) 상기 동작데이터를 소정의 시간 간격으로 분할하고, 상기 분할된 동작데이터를 동일한 시간영역 상에 중첩되도록 매핑하는 단계;
(c) 상기 매핑된 동작데이터의 집합에 대한 시계열적인 표준데이터를 머신러닝에 기반하여 도출함으로써 시계열적인 임계치 데이터를 생성하는 단계; 및
(d) 실시간으로 수집되는 동작데이터가 상기 임계치 데이터를 벗어나는 경우, 오류 이벤트로 판단하여 상기 오류 이벤트에 대한 정보를 작업자 단말로 제공하는 단계를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 1 항에 있어서,
상기 (a) 단계는,
상기 기계가 동작하여 지정된 객체를 제작하는 과정을 수행할 때의 동작데이터를 수집하는 단계를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 1항에 있어서,
상기 (a) 단계는,
상기 수집된 동작데이터의 패턴으로부터 어긋나는 패턴을 갖는 이벤트 데이터를 검출하는 단계; 및
상기 이벤트 데이터에 대하여 기계 오류 여부 및 상기 기계에 의해 제작되는 객체의 불량 여부에 대한 정보를 매칭하여 저장하는 단계;를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 3 항에 있어서,
상기 이벤트 데이터에 대하여 매칭 저장되는 정보는 기계 오류 및 객체 불량을 나타내는 정보, 기계 오류 및 객체 정상을 나타내는 정보 및 기계 정상 및 객체 불량을 나타내는 정보 중 어느 하나인 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 1 항에 있어서,
상기 (b) 단계는,
상기 동작데이터의 한 주기를 상기 소정의 시간 간격으로 지정하여, 상기 수집된 동작데이터를 분할하고, 상기 한 주기에 대응하는 길이의 상기 시간영역 상에 상기 분할된 동작데이터를 매핑하는 단계를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 5 항에 있어서,
상기 동작데이터의 한 주기는, 상기 기계가 하나의 객체를 제조하는 데에 소요되는 시간인 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 1 항에 있어서,
상기 (c) 단계는,
(c-1) 머신러닝 기법에 기반하여, 상기 매핑된 동작데이터의 집합으로부터 메디안(median) 값에 기반한 적어도 하나의 시계열적인 표준 데이터를 추출하고 통계 지수인 K 지수가 가장 높은 표준 데이터를 검출하는 단계를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 7 항에 있어서,
상기 (c) 단계는,
(c-2) 상기 (c-1) 단계 이후, 상기 매핑된 동작데이터 중 상기 표준 데이터보다 높은 값을 갖는 동작데이터에 대하여 상기 (c-1) 단계를 수행하여, 상한 임계치 데이터를 검출하는 단계; 및
(c-3) 상기 매핑된 동작데이터 중 상기 표준 데이터보다 낮은 값을 갖는 동작데이터에 대하여 상기 (c-1) 단계를 수행하여, 하한 임계치 데이터를 검출하는 단계;
를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 8 항에 있어서,
상기 표준 데이터는 상기 상한 임계치 데이터와 상기 하한 임계치 데이터의 사이 값으로 구성되며,
상기 시계열적인 임계치 데이터는 상기 상한 임계치 데이터와 상기 하한 임계치 데이터의 조합으로 구성되며, 시간에 따라 상이한 값을 갖도록 구성되는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 4 항에 있어서,
상기 (d) 단계는,
실시간으로 수집되는 동작데이터 중 어느 한 시점에서 상기 임계치 데이터를 벗어나는 오류데이터가 검출되는 경우, 상기 오류데이터의 패턴을 상기 이벤트 데이터의 패턴과 비교하는 단계; 및
비교 결과에 따라, 상기 오류데이터와 대응하는 패턴을 갖는 이벤트 데이터의 기계 오류 여부 및 객체의 불량 여부에 대한 정보를 상기 오류데이터에 대한 정보로서 상기 작업자 단말로 제공하는 단계;를 포함하는, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 1 항에 있어서,
상기 작업자 단말로 제공되는 사용자 인터페이스는,
작업 현장에 포함된 복수의 기계에 관한 식별정보 및
각 기계에 관한 식별정보 별로 매칭되어 표시되는 기계 및 상기 기계가 제작하는 객체의 상태 정보를 포함하며,
기계 및 객체의 오류데이터에 대한 정보는 상기 오류 이벤트가 발생되는 경우, 상기 상태 정보로서 제공되는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 11 항에 있어서,
상기 상태 정보는,
기계 정상 및 객체 정상에 관한 상태, 기계 정상 및 객체 불량에 관한 상태, 기계 오류 및 객체 정상에 관한 상태 및 기계 오류 및 객체 오류에 관한 상태를 포함하는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 12 항에 있어서,
상기 사용자 인터페이스에서 어느 하나의 기계에 대한 식별정보에 대한 작업자의 입력이 발생될 경우, 상기 기계에 대한 복수의 시계열적인 동작데이터에 대한 실시간 수집 정보가 제공되는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 1 항에 있어서,
상기 시계열적인 임계치 데이터는,
상기 동작데이터가 실시간으로 수집되고 누적됨에 따라 업데이트되는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 제 1 항에 있어서,
상기 작업자 단말로 제공되는 사용자 인터페이스는,
실시간으로 수집되는 시계열적인 동작데이터에 대한 그래프 및 상기 그래프 위에 중첩되어 표시된 상기 임계치 데이터를 포함하는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법. - 머신러닝 기법에 기반한 기계의 오류 데이터를 검출하는 서버에 있어서,
머신러닝 기법에 기반한 기계의 오류 데이터를 검출하기 위한 프로그램을 저장하는 메모리; 및
상기 프로그램을 실행하기 위한 프로세서;를 포함하며,
상기 프로세서는, 상기 프로그램의 실행에 따라,
적어도 하나의 기계의 시계열적인 동작데이터를 수집하고,
상기 동작데이터를 소정의 시간 간격으로 분할하고, 상기 분할된 동작데이터를 동일한 시간영역 상에 중첩되도록 매핑하며,
상기 매핑된 동작데이터의 집합에 대한 시계열적인 표준데이터를 머신러닝에 기반하여 도출함으로써 시계열적인 임계치 데이터를 생성하고,
실시간으로 수집되는 동작데이터가 상기 임계치 데이터를 벗어나는 경우, 오류 이벤트로 판단하여 상기 오류 이벤트에 대한 정보를 작업자 단말로 제공하는 것인, 머신러닝 기법에 기반한 기계의 오류 데이터를 검출하는 서버. - 제 1항에 따르는 머신러닝 기법에 기반한 기계의 오류 데이터 검출 방법을 수행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터 판독가능 기록매체.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170101433A KR102017561B1 (ko) | 2017-08-10 | 2017-08-10 | 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법 |
EP17190197.8A EP3441836B1 (en) | 2017-08-10 | 2017-09-08 | Algorithm and method for detecting faults of a machine based on machine-learning technique |
US15/703,644 US10366348B2 (en) | 2017-08-10 | 2017-09-13 | Algorithm and method for detecting error data of machine based on machine-learning technique |
CN201710825751.0A CN109389224A (zh) | 2017-08-10 | 2017-09-14 | 基于机器学习技术来检测机器的错误数据的算法和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170101433A KR102017561B1 (ko) | 2017-08-10 | 2017-08-10 | 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190017121A true KR20190017121A (ko) | 2019-02-20 |
KR102017561B1 KR102017561B1 (ko) | 2019-09-05 |
Family
ID=59955343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170101433A KR102017561B1 (ko) | 2017-08-10 | 2017-08-10 | 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10366348B2 (ko) |
EP (1) | EP3441836B1 (ko) |
KR (1) | KR102017561B1 (ko) |
CN (1) | CN109389224A (ko) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020111317A1 (ko) * | 2018-11-29 | 2020-06-04 | 울랄라랩 주식회사 | 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법 |
KR20210038139A (ko) | 2019-09-30 | 2021-04-07 | 한국남동발전 주식회사 | 발전소 설비 센서 데이터의 처리 시스템 및 그 방법 |
CN114442477A (zh) * | 2022-04-11 | 2022-05-06 | 北京信云筑科技有限责任公司 | 基于物联网的设备健康管理*** |
WO2022255518A1 (ko) * | 2021-06-03 | 2022-12-08 | 주식회사 솔루션에이 | 딥러닝 신경망 모델을 이용한 검사대상 패널의 결함 판정장치 |
WO2023008660A1 (ko) * | 2021-07-28 | 2023-02-02 | 주식회사 에이셉 | 인공지능 기반 인지-제어기능이 적용된 디젤형 발전기 자동운용 제어반 |
US11861454B2 (en) | 2021-12-08 | 2024-01-02 | University-Industry Cooperation Group Of Kyung Hee University | Method for detecting anomaly in time series data and computing device for executing the method |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102587127B1 (ko) * | 2017-12-26 | 2023-10-11 | 삼성전자주식회사 | 고장 예측을 위해 가전기기의 운영데이터를 관리하는 방법 및 장치 |
US10573147B1 (en) * | 2018-09-04 | 2020-02-25 | Abb Schweiz Ag | Technologies for managing safety at industrial sites |
DE102019135683A1 (de) * | 2019-12-23 | 2021-06-24 | Werma Holding Gmbh + Co. Kg | Betriebszustandsanzeigevorrichtung |
EP3995920A1 (en) * | 2020-11-10 | 2022-05-11 | ABB Schweiz AG | Event analytics in modular industrial plants |
KR102597228B1 (ko) * | 2021-01-20 | 2023-11-01 | 한전케이디엔주식회사 | 인공지능 기반 모바일 전력설비 정보안내 및 점검 시스템 |
JP7280301B2 (ja) * | 2021-02-22 | 2023-05-23 | 横河電機株式会社 | 情報収集装置、情報収集プログラム及び情報収集方法 |
US20230092405A1 (en) * | 2021-09-22 | 2023-03-23 | Rockwell Automation Technologies, Inc. | Systems and methods for providing context-based data for an industrial automation system |
CN115729736A (zh) * | 2022-03-08 | 2023-03-03 | 谢发泽 | 基于ai的app数据分析方法及服务器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006053016A (ja) * | 2004-08-11 | 2006-02-23 | Hitachi Ltd | 車両故障診断装置および車載端末 |
KR20130061029A (ko) * | 2011-11-30 | 2013-06-10 | (주)한콘트롤스 | 열처리 설비장치의 지능형 관리 시스템 |
KR20160067510A (ko) * | 2014-12-04 | 2016-06-14 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
US20160202693A1 (en) * | 2015-01-09 | 2016-07-14 | Hitachi Power Solutions Co., Ltd. | Anomaly Diagnosis System and Anomaly Diagnosis Method |
US20170139398A1 (en) * | 2015-11-16 | 2017-05-18 | Jtekt Corporation | Abnormality analysis system and analysis apparatus |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7299367B2 (en) * | 2003-11-07 | 2007-11-20 | International Business Machines Corporation | Methods, systems and computer program products for developing resource monitoring systems from observational data |
CN104081301B (zh) * | 2012-02-01 | 2017-02-22 | Abb研究有限公司 | 电力***中的一次装置的监测 |
US9279406B2 (en) * | 2012-06-22 | 2016-03-08 | Illinois Tool Works, Inc. | System and method for analyzing carbon build up in an engine |
JP6030996B2 (ja) * | 2013-05-24 | 2016-11-24 | 株式会社日立製作所 | 情報管理装置及び情報管理方法 |
US9146800B2 (en) * | 2013-07-01 | 2015-09-29 | Mitsubishi Electric Research Laboratories, Inc. | Method for detecting anomalies in a time series data with trajectory and stochastic components |
US9984334B2 (en) * | 2014-06-16 | 2018-05-29 | Mitsubishi Electric Research Laboratories, Inc. | Method for anomaly detection in time series data based on spectral partitioning |
KR101651104B1 (ko) * | 2015-12-09 | 2016-08-25 | 이정훈 | 진동 및 소음의 격차 패턴을 이용한 머신 정보 수집시스템 |
CN105718754B (zh) * | 2016-03-09 | 2018-03-13 | 中国石油大学(北京) | 一种炼化过程参数动态报警阈值的生成方法及装置 |
-
2017
- 2017-08-10 KR KR1020170101433A patent/KR102017561B1/ko active IP Right Grant
- 2017-09-08 EP EP17190197.8A patent/EP3441836B1/en active Active
- 2017-09-13 US US15/703,644 patent/US10366348B2/en active Active
- 2017-09-14 CN CN201710825751.0A patent/CN109389224A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006053016A (ja) * | 2004-08-11 | 2006-02-23 | Hitachi Ltd | 車両故障診断装置および車載端末 |
KR20130061029A (ko) * | 2011-11-30 | 2013-06-10 | (주)한콘트롤스 | 열처리 설비장치의 지능형 관리 시스템 |
KR20160067510A (ko) * | 2014-12-04 | 2016-06-14 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
US20160202693A1 (en) * | 2015-01-09 | 2016-07-14 | Hitachi Power Solutions Co., Ltd. | Anomaly Diagnosis System and Anomaly Diagnosis Method |
US20170139398A1 (en) * | 2015-11-16 | 2017-05-18 | Jtekt Corporation | Abnormality analysis system and analysis apparatus |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020111317A1 (ko) * | 2018-11-29 | 2020-06-04 | 울랄라랩 주식회사 | 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법 |
KR20210038139A (ko) | 2019-09-30 | 2021-04-07 | 한국남동발전 주식회사 | 발전소 설비 센서 데이터의 처리 시스템 및 그 방법 |
WO2022255518A1 (ko) * | 2021-06-03 | 2022-12-08 | 주식회사 솔루션에이 | 딥러닝 신경망 모델을 이용한 검사대상 패널의 결함 판정장치 |
WO2023008660A1 (ko) * | 2021-07-28 | 2023-02-02 | 주식회사 에이셉 | 인공지능 기반 인지-제어기능이 적용된 디젤형 발전기 자동운용 제어반 |
KR20230017438A (ko) * | 2021-07-28 | 2023-02-06 | 주식회사 에이셉 | 인공지능 기반 인지-제어기능이 적용된 디젤형 발전기 자동운용 제어반 |
US11861454B2 (en) | 2021-12-08 | 2024-01-02 | University-Industry Cooperation Group Of Kyung Hee University | Method for detecting anomaly in time series data and computing device for executing the method |
CN114442477A (zh) * | 2022-04-11 | 2022-05-06 | 北京信云筑科技有限责任公司 | 基于物联网的设备健康管理*** |
CN114442477B (zh) * | 2022-04-11 | 2022-06-07 | 北京信云筑科技有限责任公司 | 基于物联网的设备健康管理*** |
Also Published As
Publication number | Publication date |
---|---|
US10366348B2 (en) | 2019-07-30 |
KR102017561B1 (ko) | 2019-09-05 |
EP3441836A1 (en) | 2019-02-13 |
EP3441836B1 (en) | 2023-10-25 |
US20190050752A1 (en) | 2019-02-14 |
CN109389224A (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20190017121A (ko) | 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법 | |
US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
CN110138637B (zh) | 测试数据处理方法、装置、计算机设备和存储介质 | |
KR101864828B1 (ko) | 전자 기기 관리 방법 및 장치 | |
CN105279919A (zh) | 一种用电信息采集*** | |
CN116955434A (zh) | 一种工业装备全生命周期管理及多维度能效分析*** | |
CN114662619B (zh) | 基于多源数据融合的桥梁监测*** | |
CN115994320A (zh) | 一种智能摩擦摆隔震支座及状态监测与故障诊断*** | |
TWI743508B (zh) | 測試資料彙總系統與其方法 | |
CN117434372B (zh) | 电子产品的电磁兼容抗扰度测试方法及*** | |
CN108712504A (zh) | 基于物联网的机床设备智能监控*** | |
KR102516227B1 (ko) | 선박용 고장 예측진단 시스템 및 그 예측진단 방법 | |
JP7169706B2 (ja) | 機械学習手法に基づく機械のエラーデータを検出するためのアルゴリズム及び方法 | |
JP7481976B2 (ja) | 異常スコア算出装置、異常スコア算出方法およびプログラム | |
WO2014164610A1 (en) | Analyzing measurement sensors based on self-generated calibration reports | |
CN110708286A (zh) | 一种测试互联网的监管*** | |
US20160086455A1 (en) | Systems and methods for providing qualitative indication of vibration severity while recording | |
KR20190041651A (ko) | 기계에 설치된 센서와 근로자 장치 간의 인식을 통한 근로자 작업현황 관리 시스템 및 방법 | |
CN112187946B (zh) | 一种物联网传感设备评估***及方法 | |
CN109862511A (zh) | 电子围栏区域监控方法、装置和计算机可读存储介质 | |
CN106443238A (zh) | 高压设备状态评估方法、在线监测装置评估方法及装置 | |
CN104991222A (zh) | 计量自动化终端质量评价*** | |
KR102578489B1 (ko) | 빅데이터, 머신러닝 기반의 디지털 트랜스포메이션 예측 시스템 | |
CN117172139B (zh) | 通信用铜包铝合金电缆的性能测试方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
A302 | Request for accelerated examination | ||
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) |