KR20190062739A - Method, algorithm and device for Data analytics for predictive maintenance using multiple sensors - Google Patents
Method, algorithm and device for Data analytics for predictive maintenance using multiple sensors Download PDFInfo
- Publication number
- KR20190062739A KR20190062739A KR1020170161240A KR20170161240A KR20190062739A KR 20190062739 A KR20190062739 A KR 20190062739A KR 1020170161240 A KR1020170161240 A KR 1020170161240A KR 20170161240 A KR20170161240 A KR 20170161240A KR 20190062739 A KR20190062739 A KR 20190062739A
- Authority
- KR
- South Korea
- Prior art keywords
- sensors
- sensor pattern
- abnormal state
- pattern
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012423 maintenance Methods 0.000 title description 17
- 238000012517 data analytics Methods 0.000 title 1
- 238000004519 manufacturing process Methods 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 239000002131 composite material Substances 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013070 change management Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
본 발명은 데이터 분석 방법 및 장치에 관한 것으로서, 보다 상세하게는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지할 수 있는 데이터 분석 방법, 알고리즘 및 장치에 관한 것이다.The present invention relates to a data analysis method and apparatus, and more particularly, to a data analysis method, an algorithm and an apparatus capable of predicting equipment failure in a manufacturing process by utilizing a plurality of sensors.
기존에는 제조 장비에 특정 센서(예, 진동 센서)를 부착하고, 센서의 변화 패턴을 지속적으로 학습함으로써 시스템이 정상인 상태의 정상적인 패턴을 확인한다. Conventionally, a specific sensor (for example, a vibration sensor) is attached to a manufacturing apparatus and a normal pattern of a normal state is confirmed by continuously learning a change pattern of the sensor.
정상적인 패턴이 아닌 상황(예외 상황)이 발생하면, 실제 장비의 이상 유무를 확인하고 이상이 있는 경우에는 비정상 패턴 DB에 저장하게 된다.If a non-normal pattern (exception condition) occurs, it is checked whether the actual equipment is abnormal. If there is an abnormality, it is stored in the abnormal pattern DB.
이와 같이 지속적으로 장비에 설치된 센서의 패턴 분석을 통해서, 정상 패턴과 비정상 패턴을 학습해나가며, 이상이 생긴 경우에는 예지 정비를 할 수 있도록 가이드한다.By continuously analyzing the patterns of the sensors installed in the equipment, the user can learn normal patterns and abnormal patterns. If an abnormality occurs, the user is guided to perform predictive maintenance.
도 1은 종래 기술을 설명하기 위한 도면이다.1 is a view for explaining a conventional technique.
도 1에 나타낸 바와 같이, 종래 기술은, 기계 장비 각각에 연결된 각각의 센서(센서 A,B,C)들이 패턴을 추출하면 패턴을 비교하여 정상 패턴과 비정상 패턴을 학습함으로써 이상이 생긴 경우 예지 정비를 할 수 있도록 할 수 있다.As shown in FIG. 1, in the prior art, when each of the sensors (sensors A, B, and C) connected to each of the mechanical equipment extracts a pattern, the pattern is compared to learn a normal pattern and an abnormal pattern. Can be done.
그러나, 이러한 종래의 기술은 특정 센서 하나를 활용해서 문제를 해결함으로써, 실제 적용할 수 있는 범위에 제약이 있었다. 예를 들어 전기센서를 활용하는 경우에는 AC 전류를 사용하는 모터에만 적용할 수 있다는 한계점이 있다.However, such a conventional technique has limited the range that can be actually applied by solving the problem using one specific sensor. For example, when using an electric sensor, there is a limitation that it can be applied only to a motor using AC current.
본 발명은 상기한 바와 같은 한계점을 해결하기 위한 것으로서, 다수의 서로 상이한 센서를 제조 장비에 설치하고, 개별 센서의 패턴을 복합적으로 인식하는 복합 패턴을 통해서 제조 장비의 이상 유무를 확인할 수 있으며, 센서 분석을 통한 예지 보전의 정확도를 높일 수 있는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치를 제공하는 것을 목적으로 한다.SUMMARY OF THE INVENTION The present invention has been made in view of the above problems, and it is an object of the present invention to provide a manufacturing method of a sensor, The present invention provides a data analysis method, an algorithm, and an apparatus for predicting equipment failures in a manufacturing process by utilizing a plurality of sensors capable of improving the accuracy of the predictive maintenance through analysis.
또한, 본 발명은 스마트 팩토리(smart factory) 영역에서 제조 장비의 예지 정비를 위한 데이터 분석 기술과, 제조 장비에서 고장이 발생할 수 있는 영역을 미리 확인함으로써 제조 장비 고장으로 인한 피해를 사전에 막을 수 있으며, 제조 장비의 유지 보수 비용을 절감할 수 있는 방법 및 장치를 제공하는 것을 또 다른 목적으로 한다.In addition, the present invention can prevent the damage due to the failure of the manufacturing equipment by checking the data analysis technique for the maintenance of the manufacturing equipment in the smart factory area and the area in which the failure occurs in the manufacturing equipment in advance Another object of the present invention is to provide a method and apparatus capable of reducing the maintenance cost of manufacturing equipment.
또한, 본 발명은, 제조 장비의 이상 유무를 확인하는 예지 보전의 정확도를 높일 수 있으며, 본 발명을 통해 제조 장비의 오류로부터 발생할 수 있는 손실을 최소화할 수 있으며, 제조 장비의 유지 보수 비용을 절감할 수 있는 방법 및 장치를 제공하는 것을 또 다른 목적으로 한다.Further, the present invention can increase the accuracy of prognosis maintenance for checking whether there is an abnormality in the manufacturing equipment, and can minimize the loss that can be caused from the failure of the manufacturing equipment through the present invention and reduce the maintenance cost of the manufacturing equipment The present invention also provides a method and an apparatus capable of performing the above-described operations.
상기한 바와 같은 과제를 해결하기 위하여 본 발명은, 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법으로서, 복수의 센서로부터의 패턴으로부터 복합 센서 패턴을 생성하는 제1 단계; 상기 복합 센서 패턴을 정상 상태 또는 비정상 상태 중 어느 하나로 학습하는 제2 단계; 비정상 상태로 학습된 경우 해당 복합 센서 패턴을 제조 장비의 오류 정보와 함께 비정상 상태 데이터베이스에 저장하는 제3 단계; 및 상기 비정상 상태 데이터베이스에 저장된 복합 센서 패턴에 기초하여 센서가 결합된 장비의 이상 유무의 예지 분석을 수행하는 제4 단계를 포함하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법을 제공한다.According to an aspect of the present invention, there is provided a data analysis method for predicting equipment failure in a manufacturing process using a plurality of sensors, the method comprising: a first step of generating a composite sensor pattern from a pattern from a plurality of sensors; A second step of learning the composite sensor pattern in either a steady state or an abnormal state; A third step of storing the complex sensor pattern in the abnormal state database together with the error information of the manufacturing equipment when it is learned in an abnormal state; And a fourth step of performing a predictive analysis on the presence or absence of abnormality of the sensor coupled device based on the complex sensor pattern stored in the abnormal state database. To provide a method for analyzing data.
여기에서, 상기 제4 단계는, 정상적인 상황 여부를 판별할 수 있는 이상치 판별 모형을 설정하는 단계를 포함할 수 있다.Here, the fourth step may include setting an abnormal value discrimination model capable of discriminating whether or not a normal situation exists.
또한, SOM(Self Organizing Map) 세분화 모형을 이용하여 복합 센서 패턴을 학습하는 단계를 포함할 수 있다.In addition, it may include learning a hybrid sensor pattern using a SOM (Self Organizing Map) refinement model.
또한, 복수의 센서로부터의 입력 신호들의 상관계수값 및 상관성 존재 여부에 의해 복합 센서 패턴을 생성할 수 있다.In addition, a composite sensor pattern can be generated by correlation values of input signals from a plurality of sensors and presence or absence of correlation.
또한, 상기 상관계수값 및 상관성 존재 여부에 기초하여 예지 분석을 수행하는 것이 바람직하다.Further, it is preferable to perform the prediction analysis based on the correlation coefficient value and the presence or absence of correlation.
본 발명의 다른 측면에 의하면, 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 장치로서, 복수의 센서로부터의 패턴으로부터 복합 센서 패턴을 생성하는 센서 패턴 생성부; 상기 복합 센서 패턴을 정상 상태 또는 비정상 상태 중 어느 하나로 학습하는 학습부; 비정상 상태로 학습된 경우 해당 복합 센서 패턴을 제조 장비의 오류 정보와 함께 비정상 상태 데이터베이스에 저장하는 패턴 관리부; 및 상기 비정상 상태 데이터베이스에 저장된 복합 센서 패턴에 기초하여 센서가 결합된 장비의 이상 유무의 예지 분석을 수행하는 예지 분석부를 포함하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 장치를 제공한다.According to another aspect of the present invention, there is provided a data analysis apparatus for predicting equipment failure in a manufacturing process by utilizing a plurality of sensors, comprising: a sensor pattern generation unit for generating a complex sensor pattern from a pattern from a plurality of sensors; A learning unit for learning the composite sensor pattern in either a steady state or an abnormal state; A pattern management unit for storing the complex sensor pattern in the abnormal state database together with the error information of the manufacturing equipment when it is learned in an abnormal state; And a predictive analysis unit for performing a predictive analysis of an abnormality of a sensor combined device based on the complex sensor pattern stored in the abnormal state database. A data analysis device is provided.
본 발명에 의하면, 다수의 서로 상이한 센서를 제조 장비에 설치하고, 개별 센서의 패턴을 복합적으로 인식하는 복합 패턴을 통해서 제조 장비의 이상 유무를 확인할 수 있으며, 센서 분석을 통한 예지 보전의 정확도를 높일 수 있는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치를 제공할 수 있다.According to the present invention, a plurality of different sensors can be installed in the manufacturing equipment, and it is possible to check whether there is an abnormality in the manufacturing equipment through the composite pattern which recognizes the patterns of the individual sensors in a complex manner. Algorithms, and devices that utilize a plurality of sensors that can predict the failure of equipment in the manufacturing process.
또한, 본 발명은 스마트 팩토리(smart factory) 영역에서 제조 장비의 예지 정비를 위한 데이터 분석 기술과, 제조 장비에서 고장이 발생할 수 있는 영역을 미리 확인함으로써 제조 장비 고장으로 인한 피해를 사전에 막을 수 있으며, 제조 장비의 유지 보수 비용을 절감할 수 있는 방법 및 장치를 제공할 수 있는 효과가 있다.In addition, the present invention can prevent the damage due to the failure of the manufacturing equipment by checking the data analysis technique for the maintenance of the manufacturing equipment in the smart factory area and the area in which the failure occurs in the manufacturing equipment in advance , And a method and an apparatus capable of reducing the maintenance cost of the manufacturing equipment can be provided.
또한, 본 발명에 의하면, 제조 장비의 이상 유무를 확인하는 예지 보전의 정확도를 높일 수 있으며, 본 발명을 통해 제조 장비의 오류로부터 발생할 수 있는 손실을 최소화할 수 있으며, 제조 장비의 유지 보수 비용을 절감할 수 있다.In addition, according to the present invention, it is possible to increase the accuracy of predictive maintenance for checking whether there is an abnormality in the manufacturing equipment, minimize the loss that may arise from the error of the manufacturing equipment through the present invention, Can be saved.
도 1은 종래 기술을 설명하기 위한 도면이다.
도 2는 본 발명의 전체적인 구성 및 동작을 설명하기 위한 도면이다.
도 3은 모형 워크플로우를 설명하기 위한 도면이다.
도 4는 모형 워크플로우를 설명하기 위한 도면이다.
도 5는 본 발명에 의한 장치에서 데이터를 관리하는 기능을 설명하기 위한 도면이다.
도 6은 설비 관리 기능을 나타낸 화면이다.
도 7은 빅데이터 기법을 적용하여 공정 상황 이상 탐지를 수행하는 과정을 설명하기 위한 도면이다.
도 8은 빅데이터 기법을 적용하여 고장 예지 및 원인 탐색을 수행하는 과정을 설명하기 위한 도면이다.1 is a view for explaining a conventional technique.
2 is a diagram for explaining the overall configuration and operation of the present invention.
3 is a diagram for explaining a model workflow.
4 is a diagram for explaining a model workflow.
5 is a diagram for explaining a function of managing data in a device according to the present invention.
6 is a screen showing a facility management function.
FIG. 7 is a diagram for explaining a process of detecting a process status abnormality by applying a big data technique.
8 is a diagram for explaining a process of performing a failure prediction and a cause search by applying a big data technique.
이하, 첨부 도면을 참조하여 본 발명에 의한 실시예를 상세하게 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
본 발명은 스마트팩토리 영역에서 제조 장비의 예지 정비를 위한 데이터 분석 기술이며, 제조 장비에서 고장이 발생할 수 있는 영역을 미리 확인함으로써 제조 장비 고장으로 인한 피해를 사전에 막을 수 있으며, 제조 장비의 유지 보수 비용을 절감하는 기술이다.The present invention is a data analysis technology for predictive maintenance of manufacturing equipment in a smart factory area. It can prevent the damage caused by the failure of the manufacturing equipment in advance by confirming the area in which the failure can occur in the manufacturing equipment, It is a cost-saving technology.
도 2는 본 발명의 전체적인 구성 및 동작을 설명하기 위한 도면이다.2 is a diagram for explaining the overall configuration and operation of the present invention.
도 2에 나타낸 바와 같이, 본 발명은 기존의 단일 센서를 통한 제조 장비의 예지 보전 방식을 개선하여, 다수의 센서를 통한 복합 센서 방식을 적용하였음을 알 수 있다.As shown in FIG. 2, the present invention improves the precautionary maintenance method of the manufacturing equipment through the existing single sensor, and it is understood that the multiple sensor method using a plurality of sensors is applied.
즉, 본 발명에서는 개별 센서들의 패턴을 통합하여 복합 센서 패턴으로 생성하고, 해당 복합 센서 패턴을 정상/비정상 상태로 학습하게 된다.That is, in the present invention, the patterns of the individual sensors are integrated into a composite sensor pattern, and the composite sensor pattern is learned in a normal / abnormal state.
비정상 상태는 제조 장비의 오류와 함께 비정상 상태 DB로 저장하게 되며, 이를 기반으로 제조 장비의 예지 정비가 가능하다.The abnormal state is stored in the abnormal state DB together with the error of the manufacturing equipment, and the maintenance of the manufacturing equipment is possible based on this.
이와 같은 상태에서, 본 발명에 의한 장치는, 예지 분석을 다음과 같은 방법으로 수행할 수 있다.In such a state, the apparatus according to the present invention can perform the prediction analysis by the following method.
우선, 예지 분석 모형은 다음과 같은 점을 유의해야 한다.First, the prediction analysis model should pay attention to the following points.
즉, 예지 분석은 데이터가 충분한 기간 동안 쌓여야 한다는 현실적 고려사항이 존재한다. 또한, 공정 효율과 고장에 대한 예지 분석이 주목적이나 어떤 상황이 효율이 낮고, 고장이 난 상태인지 모르는 경우가 일반적이다. 따라서, 고장 여부와 관계없이 정상적인 상황 여부를 판별할 수 있는 이상치 판별이 우선 필요하며, 여러 종류의 데이터로 상태를 구분할 수 있는 클러스터링(세분화)이 필요하다.That is, there is a realistic consideration that predictive analysis should accumulate data for a sufficient period of time. In addition, it is common to analyze the process efficiency and predictability of the failure, but in some cases it is not clear whether the efficiency is low or the failure state. Therefore, it is necessary to discriminate the outliers that can discriminate the normal situation regardless of the failure or not, and clustering (subdivision) is required to distinguish the states from various kinds of data.
다음으로, 이상치 판별 모형을 설명한다.Next, the outlier detection model will be described.
o 기본 이론 o Basic Theory
<데이터가 적은 경우> <When there is little data>
- ‘제3사분위수+1.5×(제3사분위수-제1사분위수)/2’를 상한값- 'Third Quartile + 1.5 × (Third Quartile - First Quartile) / 2' Upper Limit
- ‘제1사분위수-1.5×(제3사분위수-제1사분위수)/2’를 하한값으로 정한다.- 'First quartile -1.5 × (third quartile - first quartile) / 2' is set as the lower limit.
- 상한값을 넘는 데이터와 하한값 이하의 데이터는 이상치가 된다.- Data beyond the upper limit value and data below the lower limit value become abnormal values.
<데이터가 많고 정규분포의 형태> <Many data and normal distribution>
- ‘평균+2×표준오차’를 상한값, ‘평균-2×표준오차’를 하한값으로 정한다. - Set the 'average + 2 × standard error' as the upper limit and 'the average -2 × standard error' as the lower limit.
<변수(차원)가 여러 개인 데이터의 경우><For data with multiple variables (dimensions)>
- PCA(Principal Component Analysis)를 이용하여 차원을 축소한다 - Use PCA (Principal Component Analysis) to reduce the dimension
- 데이터의 특성은 다른 데이터들 사이에 구분되는 성질을 가져야 한다. 이는 해당 속성의 관점에서 볼 때, 데이터 사이의 분산이 크다는 뜻이다. 특성이 아닌 차원(변수, 속성)으로 보면 데이터들이 잘 구분이 되지 않으므로 거리, 즉 분산이 작다. 그러면 PCA의 차원축소는 특성의 의미가 덜한 차원을 버리는 과정이고, 그 결과는 특성의 역할을 하는 차원들만 선택해서 새로운 데이터들로 만든 것과 같다.- The characteristics of the data should be differentiated among the other data. This means that there is a large variance between the data in terms of the attributes. In terms of dimensions (variables, attributes), not characteristics, the data are not well distinguished, so the distance, or variance, is small. Then, the dimension reduction of the PCA is a process of discarding a meaningless dimension, and the result is the same as that of creating new data by selecting only the dimensions that serve as the characteristic.
- 축소된 변수들로 분포를 그려보고, 주된 분포와 떨어진 부분을 이상치로 본다.- Draw the distribution with the reduced parameters, and see the part that is distant from the main distribution as the outliers.
o 모형 Workflowo Model Workflow
도 3은 모형 워크플로우를 설명하기 위한 도면이다. 3 is a diagram for explaining a model workflow.
도 3을 참조하여 설명하면 다음과 같다. 모형 워크플로우는, 단일 변수인 경우와 여러 변수인 경우를 모두 포괄하며, 입력 데이터 유형을 판별한 후 단일 변수, 여러 변수 처리 과정을 나눈다.Referring to FIG. 3, the following will be described. The model workflow encompasses both a single variable and multiple variables. After identifying the input data type, the single work variable and multiple variable processing are divided.
여러 변수인 경우, PCA를 적용하여 정상/이상 상태를 구분하고, 로지스틱 회귀로 정상/이상 데이터 학습하고 판별한다.In the case of multiple variables, PCA is used to distinguish the normal / abnormal state, and normal / abnormal data learning is determined by logistic regression.
o 모형 단계별 역할 o Role of model stage
<상태 세분화 모형> <State subdivision model>
o 기본 이론o Basic Theory
본 발명에서, 세분화는 정해진 데이터가 아니라 계속 데이터가 쌓이면서 학습하는 특성을 반영한다. 이에 적합한 SOM(Self Organizing Map)을 세분화 모형으로 선정한다.In the present invention, subdivision reflects learning characteristics as continuous data accumulates instead of fixed data. The SOM (Self Organizing Map) is selected as a subdivision model.
SOM은 입력 벡터를 훈련집합에서 매칭(match)되도록 가중치를 조정되는 인공 신경세포 격자에 기초한 자율학습의 한 방법으로서, 헬싱키 대학의 Teuvo Kohonen에 의해 최초로 소개하였으며 Kohonen map이라고도 불리운다.SOM was first introduced by Teuvo Kohonen of the University of Helsinki and is also known as the Kohonen map as a method of autonomous learning based on weighted artificial neural cell grids that matched the input vector to the training set.
SOM은 출력 맵(map)에 자신의 물리적 위치를 가지고, 승자독식 과정에 참여하는 인공 뉴런의 집합이란 의미로 가장 쉽게 설명된다. 일종의 경쟁신경망인 winner-take-all 과정은 입력벡터에 가장 가까운 가중치 벡터를 가지는 노드를 승자로 선언하고, 그 값이 입력벡터에 더 가까워지도록 가중치가 조정된다. SOM is most easily described as a collection of artificial neurons that have their physical location in the output map and participate in the winner-take process. The winner-take-all process, a kind of competitive neural network, declares a node with the weight vector closest to the input vector as the winner, and the weight is adjusted so that the value is closer to the input vector.
각 노드는 이웃의 집합을 가진다. 이러한 노드가 경쟁에서 이길 때 이웃의 가중치도 변화된다. 그들이 똑같이 변화되지는 않는다. 이웃이 winner 에서 멀어질수록 그 가중치는 더 작게 변화된다. 이러한 과정이 각 입력벡터에 대해 반복되어 많은 cycle 을 수행한다. 입력이 달라지면 winner 도 달라진다. Each node has a set of neighbors. When these nodes win in competition, the weights of neighbors also change. They do not change equally. As the neighbors move away from the winner, their weights change smaller. This process is repeated for each input vector to perform many cycles. If the input is different, the winner is also different.
SOM 네트워크는 출력 노드를 입력 데이터 집합에서의 그룹이나 패턴들과 연관시키는 것으로 종료된다. 이러한 패턴에 이름이 주어질 수 있다면 훈련망에서 관련된 노드에 그 이름이 부착될 수 있다.The SOM network is terminated by associating output nodes with groups or patterns in the input data set. If such a pattern can be given a name, its name can be attached to the relevant node in the training network.
o 모형 Workflowo Model Workflow
도 4는 모형 워크플로우를 설명하기 위한 도면이다. 4 is a diagram for explaining a model workflow.
도 4를 참조하여 설명하면 다음과 같다. 즉, SOM 학습에 적합하도록 원데이터를 가공하고 이상치를 처리하는 단계를 추가한다. SOM은 유동적으로 변화하는 특성이 강하기 때문에 군집개수, 맵사이즈와 함께 초기값 설정에 대한 부분을 제어할 수 있도록 작업을 추가한다. 보통 SOM에서 나오는 세분화 군집 개수가 많으므로 2차 군집을 통해 줄이는 작업을 추가한다.Referring to FIG. 4, the following will be described. That is, a step of processing raw data and processing an ideal value is added so as to be suitable for SOM learning. Since SOM is dynamic and changing characteristics, we add tasks to control the number of clusters, map size, and initial value setting. Since the number of subdivisions coming out of SOM is usually large, we need to add a second subdivision to reduce the number of subdivisions.
o 모형 단계별 역할 o Role of model stage
<본 발명에 의한 기본 분석 기능> ≪ Basic analysis function according to the present invention &
o 기본 분석 기능o Basic analysis functions
본 발명에 의한 기본 분석 기능은, 제조 공정에 한정하지 않고 일반적인 센서 분석에 범용적으로 적용 가능하다. The basic analysis function according to the present invention is applicable not only to a manufacturing process but also to general sensor analysis in general.
이러한 기본 분석 기능은 예컨대 다음과 같은 것들일 수 있다.Such basic analysis functions may be, for example, as follows.
(1) 미래 N기간 추세선(1) Future N period trend line
(2) 데이터 분포와 이상치(2) Data Distribution and Outliers
(3) 2개 이상의 데이터에 대한 상관도(3) Correlation of two or more data
<미래 N기간 추세선><Future N period trend line>
o 적용 시나리오 o Application Scenario
1) 대상(센서)을 선택한다.1) Select the object (sensor).
2) 기간을 선택한다.2) Select the period.
3) 입력 정보를 예측 모듈로 전달한다.3) Pass the input information to the prediction module.
4) 예측치를 계산하고, 본 발명에 의한 장치로 전달한다.4) Calculate the predicted value and deliver it to the device according to the invention.
5) 예측 추세선을 표시한다.5) Show the forecast trend line.
이 경우, 단일 변수이므로 단순회귀모형 또는 시계열 적용할 필요가 있으며, 센서 유형별 적합한 모형과 파라미터가 다르므로, 유형별로 테스트할 필요가 있다. 또한, 주기적으로 모형(파라미터)을 갱신할 필요가 있다.In this case, since it is a single variable, it is necessary to apply a simple regression model or a time series, and it is necessary to test it by type because the appropriate model and parameters are different for each sensor type. Also, it is necessary to periodically update the model (parameter).
<데이터 분포와 이상치> <Data distribution and outliers>
o 단일 센서 비교o Single Sensor Comparison
- 센서 1종의 시간대, 요일별, 계절별 비교 - Time zone, day of the week, seasonal comparison of one sensor
o 동종 센서 간 비교o Comparison between homologous sensors
- 동일 센서간 비교(온도센서 1, 2, 3, 4)- Comparison between the same sensors (
- 장소별(기계별) 비교- Comparison by location (machine)
o 적용 시나리오 o Application Scenario
1) 대상(센서)을 선택한다.1) Select the object (sensor).
2) 단일 센서, 동종 다수 센서 여부를 구분하여 선택한다.2) Select whether to select single sensor or homogeneous sensor.
3) 조건(장소, 시간 등을 선택한다.3) Select the condition (place, time, etc.).
4) 이상범위 파라미터를 선택한다.4) Select the fault range parameter.
5) 입력 정보를 분석 모듈로 전달한다.5) Pass the input information to the analysis module.
6) 이상치를 계산해서 본 발명에 의한 장치로 전달한다.6) Calculate and transmit anomalies to the device according to the invention.
7) 본 발명에 의한 장치가 자체 차트에서 분포 표시, 분석 모듈에서 계산된 이상값 정보를 받아서 표시7) The apparatus according to the present invention receives the abnormal value information calculated in the distribution display and analysis module in its own chart,
<2개 이상의 변수에 대한 상관도><Correlation for two or more variables>
o 2개 변수간 상관도o correlation between two variables
두 개 변수를 선택하면, 두 가지 데이터간 비교(예: 온도와 습도)를 수행하는데, 상관계수값(예: 67%), 상관성 존재 여부(예: 상관관계 있음/없음)를 표시한다.When two variables are selected, a comparison between two data (eg temperature and humidity) is performed, showing the correlation coefficient value (eg 67%) and the presence of correlation (eg with / without correlation).
o 3개 이상 변수 간 비교o Comparison between three or more variables
매트릭스 또는 네트워크 차트를 사용하여, 각 데이터 쌍별 상관계수값, 상관성 존재 여부를 표시한다.Using a matrix or a network chart, the correlation coefficient values for each data pair and the presence or absence of correlation are displayed.
o 적용 시나리오 o Application Scenario
1) 대상을 선택한다.1) Select the target.
2) 입력 정보를 분석 모듈로 전달한다.2) Pass the input information to the analysis module.
3) 상관도를 계산하여 본 발명에 의한 장치로 전달한다.3) The correlation is calculated and transmitted to the device according to the present invention.
4) 본 발명에 의한 장치가 자체 차트에서 상관도를 표시하고, 분석 모듈에서 계산된 상관계수값과 상관성 존재 여부를 받아서 표시한다.4) The device according to the present invention displays the correlation on its own chart, receives and displays the correlation coefficient calculated by the analysis module and the presence or absence of correlation.
도 5는 본 발명에 의한 장치에서 데이터를 관리하는 기능을 설명하기 위한 도면이다.5 is a diagram for explaining a function of managing data in a device according to the present invention.
도 5를 참조하면, 다음과 같다. 우선, Query-set는 데이터 모델(인덱싱 모델)로부터 분석 항목과 조건을 지정하면 쿼리가 자동 생성되고, 이를 쿼리 셋(set)으로 저장한다. 분석시 데이터가 아닌 쿼리 셋을 이용하므로 항상 최신의 데이터로 분석 결과와 리포트가 업데이트된다.Referring to FIG. 5, the following will be described. First, Query-set creates a query automatically when you specify the analysis items and conditions from the data model (indexing model) and stores it as a query set. Because the analysis uses the query set rather than the data, the analysis result and the report are always updated with the latest data.
또한, 데이터 셋(data-set)은 분석 모델의 실행 결과 데이터를 정의한 것으로서, 여러개의 모델 결과를 하나의 데이터 셋으로 정의할 수 있다. 쿼리 셋과 동일한 방식으로 대시보드 시각화와 리포팅에 이용될 수 있다.In addition, the data set defines the execution result data of the analysis model, and a plurality of model results can be defined as one data set. It can be used for dashboard visualization and reporting in the same way as a query set.
또한, 마트 변경 관리는, 마트내의 연관 테이블 비교를 통해 변경 사항을 찾아내는 것으로서, 보고서의 오류는 데이터 이상에 따른 경우가 대부분이기 때문이다(원천 데이터 형식의 변경에 따른 오류가 대표적).Mart change management is to detect changes through comparison of related tables in the mart, and errors in reports often result from data abnormalities (errors due to changes in source data types are typical).
영향도 분석은 특정 데이터의 변경이나 삭제는 해당 데이터를 이용하는 분석 모델과 최종적으로는 분석 리포트에까지 영향을 미치는데 이러한 영향도를 추적하여 나타낸다.The impact analysis shows that the change or deletion of specific data tracks the impact on the analysis model using the data and ultimately on the analysis report.
본 발명에 의한 장치 및 방법은 특히 스마트 팩토리(smart factory)에 유용하다. 최근 제시되고 있는 스마트 팩토리는, 중소/중견 제조기업의 생산성 향상 및 작업 안전성 확보를 위해, 제조 공정 및 설비로서, 상태 진단, 제조 환경 실시간 모니터링/분석에 대한 요구가 증대되고 있는 바, 본 발명을 적용하면 생산/공정/환경 모니터링 및 분석에 매우 효과적이다.The apparatus and method according to the invention are particularly useful for smart factories. The Smart Factory, which is being recently proposed, has been increasingly required for the diagnosis and the real-time monitoring / analysis of the manufacturing environment as the manufacturing process and equipment in order to improve the productivity and secure the work safety of the small and medium sized manufacturing companies. Application is very effective for production / process / environmental monitoring and analysis.
즉, 관리자 관점에서는, 생산 관리로서, 공장별/라인별 실시간 생산 실적 모니터링, 월간/년간 생산 실적 및 목표 대비 생산량 관리 등을 할 수 있으며, 품질 관리 측면에서 SPC(Statistical Process Control) 기반 품질 관리, 불량 개수 및 불량률 관리 및 공정 능력 지수(Cpk)를 효과적으로 수행할 수 있다.From the manager's point of view, as production management, it is possible to monitor real-time production performance by factory and line, monthly production output, and production volume to target. In terms of quality management, SPC (Statistical Process Control) The defective number and defect rate management and the process capability index (Cpk) can be effectively performed.
또한 운영자 관점에서, 공정 관리 측면으로, 제조 라인/공정별 장비 가동률 확인/분석 및 공정별 비가동/오류 원인 분석과, 설비 관리 측면에서, 실시간 설비 상태 모니터링 및 오류 알람/대응, 설비 오류 사전 탐지로 예방 정비 및 대응(예지 보전)을 수행할 수 있다.From the operator's point of view, in terms of process management, it can be used to identify and analyze equipment utilization rate by manufacturing line / process, analyze the cause of failure / failure of each process, Preventive maintenance and response (predictive maintenance) can be performed.
또한, 환경 관리 측면에서는, 작업자, 제품 및 설비에 영향을 미치는 공장 내 온도, 습도, 먼지량 등의 환경 모니터링을 수행할 수 있다.Also, in terms of environmental management, it is possible to perform environmental monitoring such as temperature, humidity, and dust in a plant that affects operators, products, and facilities.
도 6은 설비 관리 기능을 나타낸 화면이다.6 is a screen showing a facility management function.
도 6에 나타낸 바와 같이, 실시간 설비 상태 모니터링 및 오류 알람 대응을 통해 예방 정비 및 예지 보전을 수행할 수 있다.As shown in FIG. 6, preventive maintenance and predictive maintenance can be performed through real-time facility status monitoring and error alarm response.
도 7은 빅데이터 기법을 적용하여 공정 상황 이상 탐지를 수행하는 과정을 설명하기 위한 도면이다.FIG. 7 is a diagram for explaining a process of detecting a process status abnormality by applying a big data technique.
도 7에 나타낸 바와 같이, 공정 장비 주기 신호를 학습하여, SOM(Self Organizing Map) 클러스터링 학습을 통해 이상 상황을 탐지할 수 있다.As shown in FIG. 7, abnormal process can be detected by learning the process equipment period signal and learning SOM (Self Organizing Map) clustering.
도 8은 빅데이터 기법을 적용하여 고장 예지 및 원인 탐색을 수행하는 과정을 설명하기 위한 도면이다.8 is a diagram for explaining a process of performing a failure prediction and a cause search by applying a big data technique.
도 8에 나타낸 바와 같이, 빅데이터 기법을 활용하여 고장 유형과 영향 인자를 도출하고, 이상 상황을 탐지하여 영향 인자들의 현재 상태와 영향 인자들의 최근 변화 정도에 기초하여 고장 예지 및 원인 탐색을 사전에 수행할 수 있음을 알 수 있다.As shown in FIG. 8, a big data technique is used to derive a failure type and an influence factor, and an abnormality is detected. Based on the current state of the influence factors and the recent change degree of influence factors, Can be performed.
이상에서, 본 발명에 의한 바람직한 실시예를 참조하여 본 발명을 상세하게 설명하였으나 본 발명은 상기 실시예에 한정되는 것이 아니며 다양한 수정 및 변형 실시가 가능함은 물론이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments.
Claims (6)
복수의 센서로부터의 패턴으로부터 복합 센서 패턴을 생성하는 제1 단계;
상기 복합 센서 패턴을 정상 상태 또는 비정상 상태 중 어느 하나로 학습하는 제2 단계;
비정상 상태로 학습된 경우 해당 복합 센서 패턴을 제조 장비의 오류 정보와 함께 비정상 상태 데이터베이스에 저장하는 제3 단계; 및
상기 비정상 상태 데이터베이스에 저장된 복합 센서 패턴에 기초하여 센서가 결합된 장비의 이상 유무의 예지 분석을 수행하는 제4 단계
를 포함하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법.
A data analysis method for predicting equipment failure in a manufacturing process utilizing a plurality of sensors,
A first step of generating a composite sensor pattern from a pattern from a plurality of sensors;
A second step of learning the composite sensor pattern in either a steady state or an abnormal state;
A third step of storing the complex sensor pattern in the abnormal state database together with the error information of the manufacturing equipment when it is learned in an abnormal state; And
A fourth step of performing a predictive analysis on the abnormality of the equipment coupled with the sensor based on the complex sensor pattern stored in the abnormal state database
Wherein the plurality of sensors are used to predict an equipment failure in a manufacturing process.
상기 제4 단계는, 정상적인 상황 여부를 판별할 수 있는 이상치 판별 모형을 설정하는 단계를 포함하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법.
The method according to claim 1,
Wherein the fourth step includes setting an abnormal value discrimination model capable of discriminating whether or not a normal state is present.
SOM(Self Organizing Map) 세분화 모형을 이용하여 복합 센서 패턴을 학습하는 단계를 포함하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법.
3. The method of claim 2,
And learning a complex sensor pattern using a SOM (Self Organizing Map) refinement model. 2. The method of claim 1,
복수의 센서로부터의 입력 신호들의 상관계수값 및 상관성 존재 여부에 의해 복합 센서 패턴을 생성하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법.
The method according to claim 1,
Wherein a composite sensor pattern is generated by correlation values of input signals from a plurality of sensors and presence or absence of a correlation, wherein the plurality of sensors are used to predict an equipment failure in a manufacturing process.
상기 상관계수값 및 상관성 존재 여부에 기초하여 예지 분석을 수행하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법.
5. The method of claim 4,
And performing a predictive analysis based on the correlation coefficient and the presence or absence of a correlation between the plurality of sensors.
복수의 센서로부터의 패턴으로부터 복합 센서 패턴을 생성하는 센서 패턴 생성부;
상기 복합 센서 패턴을 정상 상태 또는 비정상 상태 중 어느 하나로 학습하는 학습부;
비정상 상태로 학습된 경우 해당 복합 센서 패턴을 제조 장비의 오류 정보와 함께 비정상 상태 데이터베이스에 저장하는 패턴 관리부; 및
상기 비정상 상태 데이터베이스에 저장된 복합 센서 패턴에 기초하여 센서가 결합된 장비의 이상 유무의 예지 분석을 수행하는 예지 분석부
를 포함하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 장치.1. A data analysis apparatus utilizing a plurality of sensors for predicting equipment failure in a manufacturing process,
A sensor pattern generation unit for generating a composite sensor pattern from a pattern from a plurality of sensors;
A learning unit for learning the composite sensor pattern in either a steady state or an abnormal state;
A pattern management unit for storing the complex sensor pattern in the abnormal state database together with the error information of the manufacturing equipment when it is learned in an abnormal state; And
A predictive analysis unit for performing a predictive analysis on the presence or absence of abnormality of a sensor-coupled equipment based on the complex sensor pattern stored in the abnormal state database,
Wherein the plurality of sensors are used to predict an equipment failure in a manufacturing process.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170161240A KR20190062739A (en) | 2017-11-29 | 2017-11-29 | Method, algorithm and device for Data analytics for predictive maintenance using multiple sensors |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170161240A KR20190062739A (en) | 2017-11-29 | 2017-11-29 | Method, algorithm and device for Data analytics for predictive maintenance using multiple sensors |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190062739A true KR20190062739A (en) | 2019-06-07 |
Family
ID=66849951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170161240A KR20190062739A (en) | 2017-11-29 | 2017-11-29 | Method, algorithm and device for Data analytics for predictive maintenance using multiple sensors |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20190062739A (en) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210030754A (en) | 2019-09-10 | 2021-03-18 | 주식회사 이디코어 | Cloud Intelligent Prediction-based Production Automation System and Method for Smart Factory |
| KR102266182B1 (en) * | 2020-05-29 | 2021-06-17 | 고려대학교 산학협력단 | Method and apparatus for monitoring a plurality of streaming data |
| KR102268733B1 (en) * | 2020-06-02 | 2021-06-23 | 한국해양대학교 산학협력단 | Ship engine failure detection method and system |
| KR102372124B1 (en) | 2020-12-30 | 2022-03-08 | 금오공과대학교 산학협력단 | Method of Fault Classification of Solenoid Pumps based on Machine Learning |
| KR20220095631A (en) | 2020-12-30 | 2022-07-07 | 금오공과대학교 산학협력단 | Gear pump failure classification method using Support Vector Machines |
| KR102441760B1 (en) | 2021-10-14 | 2022-09-08 | 주식회사 카라멜소프트 | apparatus for recognizing measurement value based gauge image |
| KR102441759B1 (en) | 2021-09-30 | 2022-09-08 | 주식회사 카라멜소프트 | Apparatus for capturing gauge image of measurement instruments |
| KR102470763B1 (en) * | 2022-10-13 | 2022-11-25 | 주식회사 비플컨설팅 | Data outlier detection apparatus and method |
| CN117332121A (en) * | 2023-09-26 | 2024-01-02 | 华能澜沧江水电股份有限公司 | Hydropower plant non-electric quantity protection logic map generation system and method |
| KR102648729B1 (en) * | 2023-08-25 | 2024-03-18 | 주식회사 이에스피 | Integrated control service platform for production facilities |
-
2017
- 2017-11-29 KR KR1020170161240A patent/KR20190062739A/en unknown
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210030754A (en) | 2019-09-10 | 2021-03-18 | 주식회사 이디코어 | Cloud Intelligent Prediction-based Production Automation System and Method for Smart Factory |
| KR102266182B1 (en) * | 2020-05-29 | 2021-06-17 | 고려대학교 산학협력단 | Method and apparatus for monitoring a plurality of streaming data |
| KR102268733B1 (en) * | 2020-06-02 | 2021-06-23 | 한국해양대학교 산학협력단 | Ship engine failure detection method and system |
| KR102372124B1 (en) | 2020-12-30 | 2022-03-08 | 금오공과대학교 산학협력단 | Method of Fault Classification of Solenoid Pumps based on Machine Learning |
| KR20220095631A (en) | 2020-12-30 | 2022-07-07 | 금오공과대학교 산학협력단 | Gear pump failure classification method using Support Vector Machines |
| KR102441759B1 (en) | 2021-09-30 | 2022-09-08 | 주식회사 카라멜소프트 | Apparatus for capturing gauge image of measurement instruments |
| KR20230046964A (en) | 2021-09-30 | 2023-04-06 | 주식회사 카라멜소프트 | Apparatus for capturing gauge image of measurement instruments that can secure the measurement field of view |
| KR102441760B1 (en) | 2021-10-14 | 2022-09-08 | 주식회사 카라멜소프트 | apparatus for recognizing measurement value based gauge image |
| KR20230053505A (en) | 2021-10-14 | 2023-04-21 | 주식회사 카라멜소프트 | apparatus for recognizing measurement value and correcting distortion of instrument panel image and camera |
| KR102470763B1 (en) * | 2022-10-13 | 2022-11-25 | 주식회사 비플컨설팅 | Data outlier detection apparatus and method |
| KR102648729B1 (en) * | 2023-08-25 | 2024-03-18 | 주식회사 이에스피 | Integrated control service platform for production facilities |
| CN117332121A (en) * | 2023-09-26 | 2024-01-02 | 华能澜沧江水电股份有限公司 | Hydropower plant non-electric quantity protection logic map generation system and method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20190062739A (en) | Method, algorithm and device for Data analytics for predictive maintenance using multiple sensors | |
| Kang et al. | Machine learning applications in production lines: A systematic literature review | |
| Vachtsevanos et al. | Fault prognosis using dynamic wavelet neural networks | |
| US7805639B2 (en) | Tool to report the status and drill-down of an application in an automated manufacturing environment | |
| US11080127B1 (en) | Methods and apparatus for detection of process parameter anomalies | |
| Chen et al. | Autonomous mining for alarm correlation patterns based on time-shift similarity clustering in manufacturing system | |
| KR102343752B1 (en) | Computer-implemented method and system for automatically monitoring and determining the status of entire process segments in a process unit | |
| CN113614758A (en) | Equipment index goodness grade prediction model training method, monitoring system and method | |
| JP2009054843A (en) | Device, method and program for process abnormality detection | |
| WO2019082407A1 (en) | Abnormality detection system and abnormality detection method | |
| US20120116827A1 (en) | Plant analyzing system | |
| WO2013041440A1 (en) | System and method for plant wide asset management | |
| CN105518654A (en) | K-nearest neighbor-based method and system to provide multi-variate analysis on tool process data | |
| WO2019226846A1 (en) | Competency gap identification of an operators response to various process control and maintenance conditions | |
| CN112085200A (en) | Method and system for pre-detecting signs of abnormality in nuclear power plant equipment including process for determining equipment importance and alarm validity | |
| Arakelian et al. | Creation of predictive analytics system for power energy objects | |
| Ramesh et al. | Implementation of predictive maintenance systems in remotely located process plants under industry 4.0 scenario | |
| JP2010086219A (en) | Information processing apparatus for maintaining remote machine, program and method | |
| US20230376024A1 (en) | Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process | |
| CN116263734A (en) | Industrial robot state monitoring method, system and prompt terminal | |
| CN116349102A (en) | Method, apparatus and system for distributed monitoring-based adaptive diagnosis of power anomalies in a power network | |
| Suzuki et al. | An anomaly detection system for advanced maintenance services | |
| CN111913431A (en) | Megametric management device, control method, control system and readable storage medium | |
| CN103854075A (en) | Failure predicting method and device aiming at electronic single chip under hot standby environment | |
| CN212623707U (en) | Megametric equipment management system |