KR20190091700A - Predictive maintenance method and system of facilities by studying type of electricity consumption data using facilities control characteristic - Google Patents

Predictive maintenance method and system of facilities by studying type of electricity consumption data using facilities control characteristic Download PDF

Info

Publication number
KR20190091700A
KR20190091700A KR1020180010564A KR20180010564A KR20190091700A KR 20190091700 A KR20190091700 A KR 20190091700A KR 1020180010564 A KR1020180010564 A KR 1020180010564A KR 20180010564 A KR20180010564 A KR 20180010564A KR 20190091700 A KR20190091700 A KR 20190091700A
Authority
KR
South Korea
Prior art keywords
power consumption
consumption data
facility
control
predictive maintenance
Prior art date
Application number
KR1020180010564A
Other languages
Korean (ko)
Inventor
왕지남
김철환
Original Assignee
아주대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Priority to KR1020180010564A priority Critical patent/KR20190091700A/en
Publication of KR20190091700A publication Critical patent/KR20190091700A/en

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

According to the present invention, a predictive maintenance method of facilities of a power consumption data learning type using facility control characteristics comprises the following steps: repeatedly executing an operation over a plurality of times for the same control facility by using a control signal; detecting each of power consumption data in accordance with execution of the plurality of times; generating a reference power consumption data model for the control facility by using the detected power consumption data; detecting a degree of an error of individual power consumption data in accordance with control of the control facility by using the generated reference power consumption data model; and determining whether abnormality of the individual power consumption data exists in accordance with the degree of the error.

Description

설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전방법 및 시스템{Predictive maintenance method and system of facilities by studying type of electricity consumption data using facilities control characteristic}Predictive maintenance method and system of facilities by studying type of electricity consumption data using facilities control characteristic}

본 발명은 자동화 생산 시스템에 관한 것으로서, 보다 상세하게는 자동화 생산 시스템에 대한 설비 예지 보전 기술에 관한 것이다.The present invention relates to an automated production system, and more particularly, to a facility predictive maintenance technology for an automated production system.

4차 산업혁명으로 제조업의 스마트화가 점점 중요해지고 있다. 공장내 각 설비의 전력 진동 등의 정보를 수집하여, 미리 예지 보전할 수 있다. 즉, 사전 예지 보전을 통해 경제적 비용을 절감 할 수 있다. With the fourth industrial revolution, smartization of manufacturing industry is becoming more important. Information such as power vibration of each facility in the factory can be collected and predicted and maintained in advance. In other words, the economic cost can be reduced through precautionary maintenance.

설비 관리는 생산성을 높이고 기회 손실을 감소시켜, 수익성 향상을 위하여 기업 방침에 따라 장치에 대한 설비 계획, 유지, 개선을 실시함으로써 설비의 기능을 최대한으로 활용하려는 제반의 활동이다. 즉, 최초에 설비 또는 플랜트(plant)가 탄생하여 없어질 때까지 전 과정을 항상 완전한 상태로 유지하며 생산 능률과 품질을 향상시키고 정비 비용을 경감하는 활동이 설비 관리로 지칭될 수 있다.Facility management is the overall activity to maximize the function of the facility by increasing the productivity, reducing the opportunity loss, and planning, maintaining, and improving the device according to the company's policy to improve profitability. In other words, facility management can be referred to as keeping the entire process intact and improving production efficiency and quality, and reducing maintenance costs, all the way from the beginning until the plant or plant is lost.

현대의 설비(장치 또는 시스템)에 기계화, 자동화가 적용되고, 기업의 경영에 있어서도 설비의 비중이 점점 더 커져가고 있어 제품의 품질, 비용(cost), 생산량 등이 설비의 신예도, 신뢰도에 좌우되는 경우가 더욱 빈번해지고 있다.Mechanization and automation are applied to modern facilities (equipment or systems), and the proportion of equipment is increasing in the management of companies. Product quality, cost, and output depend on the newness and reliability of equipment. It is becoming more frequent.

또한, 기업 주변의 환경은 긴급성과 다양성을 동시에 요구하는 소비자의 니즈에 부응하여야 생존 가능한 형태로 변화되고 있다. 즉, 설비면에서 얼마나 유연성을 갖고, 신뢰성을 가질 수 있는 지가 기업의 경쟁력의 원천으로 나타나고 있는 실정이고, 설비의 보전과 개선은 제조 생산 공정에 있어서 중요한 위치를 차지하고 있다.In addition, the environment around the company is changing into a viable form only when it meets the needs of consumers who demand urgency and diversity at the same time. In other words, how flexible and reliable it is in terms of equipment has emerged as a source of competitiveness of the company, and the maintenance and improvement of the equipment occupy an important position in the manufacturing production process.

그러나, 현재 설비에 대한 데이터 수집 방식은 계측 설비를 통한 일정한 시간 간격으로 계측 장비가 데이터를 받게 되는데, 이 단계에서 계측 장비의 성능 및 통신 환경에 따라 Scan Rate의 차이가 많이 발생하는 문제점이 있다.However, in the current data collection method, the measurement equipment receives data at regular time intervals through the measurement equipment. In this step, there is a problem in that a difference in scan rate occurs depending on the performance and communication environment of the measurement equipment.

본 발명이 해결하고자 하는 과제는 설비별로 새롭게 계측되는 전력 소비 데이터를 기준 동작 별 전력 소비 데이터 모델과 비교하여, 설비 상태의 이상을 통계적 기법을 통해 전력 소비 데이터 모델과 비교하여 판단할 수 있도록 하는 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전방법 및 시스템에 관한 것이다.The problem to be solved by the present invention is to compare the power consumption data newly measured for each facility with the power consumption data model for each reference operation, the facility to determine the abnormality of the equipment state by comparing with the power consumption data model through statistical techniques The present invention relates to a power consumption data learning type predictive maintenance method and system using control characteristics.

상기의 과제를 해결하기 위한, 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전방법은 제어신호를 이용하여 동일한 제어 설비에 대해 복수 회차에 걸쳐서 반복적으로 동작을 실행시키는 단계; 상기 복수 회차의 실행에 따른 각각의 전력 소비 데이터들을 검출하는 단계; 상기 검출된 전력 소비 데이터들을 이용하여 상기 제어 설비에 대한 기준 전력 소비 데이터 모델을 생성하는 단계; 상기 생성된 기준 전력 소비 데이터 모델을 이용하여, 상기 제어 설비의 제어에 따른 개별 전력 소비 데이터의 오차 정도를 검출하는 단계; 및 상기 검출된 오차 정도에 따라 상기 개별 전력 소비 데이터의 이상 유무를 결정하는 단계를 포함하는 것을 특징으로 한다.In order to solve the above problems, the power consumption data learning type predictive maintenance method using the facility control characteristics comprises the steps of repeatedly performing the operation for the same control facility for the same control facility using a control signal; Detecting respective power consumption data according to the execution of the plurality of times; Generating a reference power consumption data model for the control facility using the detected power consumption data; Detecting an error degree of individual power consumption data according to the control of the control facility by using the generated reference power consumption data model; And determining whether the individual power consumption data is abnormal according to the detected degree of error.

상기 제어신호는 PLC 동작신호의 시작점과 끝점을 기준으로 상기 각각의 전력 소비 데이터들을 검출하는 것을 특징으로 한다.The control signal may detect the respective power consumption data based on the start point and the end point of the PLC operation signal.

상기 검출된 전력 소비 데이터들의 누적 결과를 통계적 기법을 이용하여 상기 기준 전력 소비 데이터 모델을 생성하는 것을 특징으로 한다.The reference power consumption data model may be generated by using a statistical technique on a cumulative result of the detected power consumption data.

상기의 과제를 해결하기 위한, 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전시스템은 동일한 제어신호를 이용하여 동일한 제어 설비에 대해 복수 회차에 걸쳐서 반복적으로 동작을 실행시키는 동작 제어모듈; 상기 제어 설비로 상기 제어신호를 전송하고, 상기 제어 설비로부터 제공되는 상기 제어신호에 따른 파라미터값을 수신하는 통신 모듈; 상기 수신된 파라미터값을 이용해, 상기 복수 회차의 실행에 따른 각각의 전력 소비 데이터들을 검출하는 데이터 검출모듈; 상기 검출된 전력 소비 데이터들을 이용하여 상기 제어 설비에 대한 기준 전력 소비 데이터 모델을 생성하는 모델 생성모듈; 및 상기 생성된 기준 전력 소비 데이터 모델을 이용하여, 상기 제어 설비의 제어에 따른 개별 전력 소비 데이터의 오차 정도를 검출하고, 상기 검출된 오차 정도에 따라 상기 개별 전력 소비 데이터의 이상 여부를 결정하는 이상 판단모듈을 포함하는 것을 특징으로 한다.In order to solve the above problems, the power consumption data learning type predictive maintenance system using facility control characteristics includes an operation control module which repeatedly executes an operation over a plurality of times for the same control facility using the same control signal; A communication module for transmitting the control signal to the control facility and receiving a parameter value according to the control signal provided from the control facility; A data detection module that detects respective power consumption data according to the execution of the plurality of times by using the received parameter value; A model generation module for generating a reference power consumption data model for the control facility using the detected power consumption data; And detecting an error degree of the individual power consumption data according to the control of the control facility by using the generated reference power consumption data model, and determining whether the individual power consumption data is abnormal according to the detected error degree. Characterized in that it comprises a determination module.

상기 데이터 검출모듈은, 상기 제어신호에 해당하는 PLC 동작신호의 시작점과 끝점을 기준으로 상기 각각의 전력 소비 데이터들을 검출하는 것을 특징으로 한다.The data detection module may detect the respective power consumption data based on a start point and an end point of a PLC operation signal corresponding to the control signal.

상기 모델 생성모듈은, 상기 검출된 전력 소비 데이터들의 누적 결과를 통계적 기법을 이용하여 상기 기준 전력 소비 데이터 모델을 생성하는 것을 특징으로 한다.The model generation module may generate the reference power consumption data model by using a statistical technique on a cumulative result of the detected power consumption data.

본 발명에 따르면, PLC 등 제어기 동작 신호 기준을 이용하여 전력 소비 계측 데이터 정형화된 모델을 정립할 수 있고, 기존의 단순 Scan data는 동작 중에 계측 시간 차이가 나타나는데, 누적된 과거 데이터를 이용해서 Noise Data를 제거 한 설비의 전력 소비 Data Curve를 정밀하게 구할 수 있다. 또한, 설비 별 Data Curve를 통해 복잡한 공정의 설비들에 대한 예지보전을 위한 지원이 가능하다.According to the present invention, a power consumption measurement data standardized model can be established using a controller operation signal reference such as a PLC, and the conventional simple scan data shows measurement time difference during operation. It is possible to accurately calculate the power consumption data curve of the equipment from which In addition, support for predictive maintenance of facilities in complex processes is possible through facility-specific data curves.

도 1은 제어 데이터와 전력 소비 데이터에 대한 Scan Time을 설명하기 위한 일 실시예의 그래프이다.
도 2는 본 발명에 따른 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전시스템에 적용되는 통합 데이터 수집 아키텍쳐 중 OPC UA(Unified Architecture)를 예시하는 구성 블록도이다.
도 3은 본 발명에 따른 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전시스템을 설명하기 위한 일 실시예의 블록도이다.
도 4는 PLC 동작신호의 시작점과 끝점을 기준으로 상기 각각의 전력 소비 데이터들을 검출하는 과정을 설명하기 위한 일 실시예의 그래프이다.
도 5는 본 발명에 따른 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전방법을 설명하기 위한 일 실시예의 플로차트이다. 1 is a graph of an embodiment for describing a scan time for control data and power consumption data.
FIG. 2 is a block diagram illustrating an OPC UA (Unified Architecture) among the integrated data collection architectures applied to a power consumption data learning type predictive maintenance system using facility control characteristics according to the present invention.
3 is a block diagram of an embodiment for describing a power consumption data learning type predictive maintenance system using facility control characteristics according to the present invention.
FIG. 4 is a graph for explaining a process of detecting the respective power consumption data based on a start point and an end point of a PLC operation signal.
FIG. 5 is a flowchart illustrating an embodiment of a method for predicting power consumption data learning type facility predictive maintenance using facility control characteristics according to the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.　 Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.

본 발명의 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이며, 아래의 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 아래의 실시예들로 한정되는 것은 아니다. 오히려, 이들 실시예는 본 개시를 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다.　 Embodiments of the present invention are provided to more fully explain the present invention to those skilled in the art, and the following embodiments may be modified in many different forms, the scope of the present invention It is not limited to the following embodiments. Rather, these embodiments are provided so that this disclosure will be thorough and complete, and will fully convey the scope of the invention to those skilled in the art.

본 명세서에서 사용된 용어는 특정 실시예를 설명하기 위하여 사용되며, 본 발명을 제한하기 위한 것이 아니다. 본 명세서에서 사용된 바와 같이 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있다. 또한, 본 명세서에서 사용되는 경우 "포함한다(comprise)" 및/또는 "포함하는(comprising)"은 언급한 형상들, 숫자, 단계, 동작, 부재, 요소 및/또는 이들 그룹의 존재를 특정하는 것이며, 하나 이상의 다른 형상, 숫자, 동작, 부재, 요소 및/또는 그룹들의 존재 또는 부가를 배제하는 것이 아니다. 본 명세서에서 사용된 바와 같이, 용어 "및/또는"은 해당 열거된 항목 중 어느 하나 및 하나 이상의 모든 조합을 포함한다.The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the invention. As used herein, the singular forms "a", "an" and "the" may include the plural forms as well, unless the context clearly indicates otherwise. Also, as used herein, "comprise" and / or "comprising" specifies the presence of the mentioned shapes, numbers, steps, actions, members, elements and / or groups of these. It is not intended to exclude the presence or the addition of one or more other shapes, numbers, acts, members, elements and / or groups. As used herein, the term "and / or" includes any and all combinations of one or more of the listed items.

이하, 본 발명의 실시예들은 본 발명의 실시예들을 개략적으로 도시하는 도면들을 참조하여 설명한다. 도면들에 있어서, 예를 들면, 제조 기술 및/또는 공차에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 발명의 실시예는 본 명세서에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면 제조상 초래되는 형상의 변화를 포함하여야 한다.Hereinafter, embodiments of the present invention will be described with reference to the drawings schematically showing embodiments of the present invention. In the drawings, for example, variations in the shape shown may be expected, depending on manufacturing techniques and / or tolerances. Accordingly, embodiments of the present invention should not be construed as limited to the specific shapes of the regions shown herein, but should include, for example, changes in shape resulting from manufacturing.

도 1은 제어 데이터와 전력 소비 데이터에 대한 Scan Time을 설명하기 위한 일 실시예의 그래프이다. 1 is a graph of an embodiment for describing a scan time for control data and power consumption data.

자동화 생산 시스템에서 제어 데이터와 전력 소비 데이터가 수집된다. 이론적으로, 제어 데이터와 전력 소비 데이터의 Scan Rate(200ms)는 동일해야 한다. 그러나, 현장 계측기의 성능 및 통신 설비의 영향에 의해 전력 소비 데이터의 Scan Rate이 500ms 정도로 길어져 제어 데이터와 전력 소비 데이터를 매칭시 데이터 차이가 존재하게 된다. Scan Rate이 길어져 차이가 생기게 되면, 변화한 설비 현황을 빠르게 반영하기 어려워서 예지 보전에 여러움이 있을 수 있다. In automated production systems, control data and power consumption data are collected. In theory, the scan rate (200ms) of the control data and the power consumption data should be the same. However, the scan rate of the power consumption data is increased by about 500 ms due to the performance of the field measuring instrument and the communication equipment, and there is a data difference when matching the control data and the power consumption data. If the scan rate is prolonged and there is a difference, it may be difficult to reflect the changed equipment status quickly, and thus there may be a variety of predictive maintenance.

본 발명은 제어 데이터와 전력 소비 데이터의 시간 차이로 인해 누락되는 데이터를 보완 할 수 있도록 한다. 이와 같이, 전력 소비 계측기의 Scan Rate이 길어져 누락되는 전력 소비 데이터를 보완하여 변화하는 설비의 상태를 빠르게 반영할 수 있는 예지보전이 가능하도록 하는 기술을 제공한다. The present invention can compensate for the missing data due to the time difference between the control data and the power consumption data. As such, the scan rate of the power consumption measuring instrument is increased to provide a technique for supplementing missing power consumption data to enable predictive maintenance that can quickly reflect the status of changing equipment.

본 발명에 따른 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전시스템은 데이터 수집 환경으로서, OPC UA(Unified Architecture), Support embedded system, Support variety of sensors via specific driver, Support high security remote communication, Support current and historical data interface 등을 갖는 통합 데이터 수집 아키텍쳐를 포함할 수 있다. The power consumption data learning type predictive maintenance system using the facility control characteristic according to the present invention is an OPC UA (Unified Architecture), Support embedded system, Support variety of sensors via specific driver, Support high security remote communication, Support integrated data collection architectures with current and historical data interfaces, and the like.

도 2는 본 발명에 따른 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전시스템에 적용되는 통합 데이터 수집 아키텍쳐 중 OPC UA(Unified Architecture)를 예시하는 구성 블록도이다.FIG. 2 is a block diagram illustrating an OPC UA (Unified Architecture) among the integrated data collection architectures applied to a power consumption data learning type predictive maintenance system using facility control characteristics according to the present invention.

OPC UA는 산업 자동화 애플리케이션용으로 개발된 벤더 독립적 통신 프로토콜이다. 클라이언트-서버 원리를 기반으로, ERP 시스템에서 개별 센서 및 액츄에이터에 이르기까지 빈틈 없이 원활한 통신을 가능하게 한다. OPC UA는 유연하고, 플랫폼 독립적일 뿐만 아니라 안전 메커니즘을 통합 내장하고 있어 인더스트리 4.0 (Industry 4.0) 환경 구현에 이상적인 통신 프로토콜이라고 할 수 있다.OPC UA is a vendor-independent communication protocol developed for industrial automation applications. Based on the client-server principle, seamless communication from the ERP system to individual sensors and actuators is possible. OPC UA is a flexible, platform-independent, and integrated safety mechanism that makes it an ideal communications protocol for implementing an Industry 4.0 environment.

OPC UA의 기본 구성요소는 전송 메커니즘과 데이터 모델링으로 구성된다. OPC UA의 데이터 전송은 서로 다른 유즈케이스를 최적화하기 위한 다양한 메커니즘을 정의하고 있다. IT의 IP 기반 세계와 생산 현장 사이의 연결을 통해 기계 내부에서, 기계들 사이에서, 혹은 기계와 클라우드 데이터베이스 사이에서 모든 생산 프로세스 데이터는 싱글 프로토콜을 통해 전송된다. OPC UA는 고성능의 인트라넷 통신 뿐만 아니라 보안에 유리한 인터넷 통신 표준(웹 서비스, XML, HTTP)을 적용하기 위한 맵핑을 정의하였으며, 이에 대하여 최적화되어 있다.The basic components of OPC UA consist of transport mechanisms and data modeling. OPC UA's data transfer defines a variety of mechanisms for optimizing different use cases. Through the connection between the IP-based world of IT and the shop floor, all production process data is transferred within a machine, between machines, or between a machine and a cloud database via a single protocol. OPC UA has defined and optimized the mapping to apply high-performance intranet communication as well as security-friendly Internet communication standards (Web services, XML, HTTP).

데이터 모델은 OPC UA의 정보 모델을 표현하는데 필요한 규칙을 정의하고 있으며, 어드레스 엔트리 포인트와 계층 타입을 만들기 위해 사용되는 기본적인 사항을 정의하고 있다.　The data model defines the rules necessary to express the information model of OPC UA and defines the basics used to create address entry points and hierarchy types.

Companion Information Model은 OPC, IEC, EDDL, FDT, PLCopen 등 및 공급 업체가 정의하고 있는 각기 다른 정보 모델 계층으로 구성된다.The Companion Information Model consists of different information model layers defined by OPC, IEC, EDDL, FDT, PLCopen, etc., and suppliers.

Built-in Information Models는 기존 OPC UA Meta Model 위에 다양한 프로세스 정보 도메인을 위한 정보 모델을 정의하고 있다.Built-in Information Models define information models for various process information domains on top of the existing OPC UA Meta Model.

공정 데이터 (DA): 센서, 제어장치 및 위치 기록장치 등이 공정 데이터를 생성한다. 데이터 액세스 (DA) 정보 모델은 이러한 데이터를 네트워크 상의 모든 클라이언트들에 제공하여 해당 클라이언트가 직접 후처리할 수 있도록 한다. 이는 제어장치, SCADA 혹은 ERP 시스템 등 클라이언트 종류를 불문하고 가능하다.Process Data (DA): Sensors, controls and location recorders generate process data. The data access (DA) information model provides this data to all clients on the network so that they can post-process directly. This can be done for any type of client such as a control unit, SCADA or ERP system.

알람 데이터 (AC): 알람 및 컨디션 (AC) 정보 모델은 경보 및 상태조건 취급 방식을 정의 한다. 경보 및 상태조건의 변화는 이른바 “이벤트”를 촉발한다. 클라이언트들은 이러한 이벤트에 가입하여 가용한 동반 수치들 중에서 알림 메시지의 일부로 해당 클라이언트가 수신을 원하는 값을 선택할 수 있다 (예: 메시지 텍스트 또는 확인 동작 등).Alarm Data (AC): The Alarm and Condition (AC) information model defines how alarms and condition conditions are handled. Changes in alarm and condition conditions trigger so-called “events”. Clients can subscribe to these events and select from the available companion figures the value that they want to receive as part of the notification message (eg message text or confirmation action).

이력 데이터 (HA): 히스토리컬 액세스 (HA) 정보 모델은 이력 변수 값과 이벤트에 대한 클라이언트 접근 기능을 제공한다. 이로써 데이터에 대한 읽기, 쓰기 및 편집이 가능하다. 해당 데이터는 데이터베이스, 아카이브 또는 각종 메모리 장치에 저장될 수 있다.Historical data (HA): The historical access (HA) information model provides client access to historical variable values and events. This allows you to read, write and edit the data. The data may be stored in a database, an archive, or various memory devices.

프로그램 및 기능 (Prog): 프로그램 (Prog) 정보 모델은 프로그램 및 기능(함수)들을 호출한다. 이는 예를 들어, 일괄처리(배치) 프로세스 구현에 사용 가능하다. 이는 OPC UA를 통해 해당 라인에 레시피를 전송한 후, 해당 애플리케이션에 제어 값을 다시 반환한다.Program and Function (Prog): The Program (Prog) information model calls programs and functions (functions). This can be used, for example, to implement batch (batch) processes. It sends recipes to the line via OPC UA and returns control values back to the application.

자동화 생산 시스템의 설비는 항상 제어기의 출력 신호에 동작을 진행한다. 이에 따라 같은 동작을 했을 때는 같은 전력 소비가 일어나야 한다. 이런 특징을 이용하여 같은 설비에 대해 여러 회 전력 소비 데이터를 수집하고, 기준 동작 별 전력 소비 데이터 모델을 만든다. 이 모델은 빠르게 변화한 제어기 데이터에서 새롭게 계측 전력 소비 데이터가 모델에서 벗어나는 정도를 판단하여 설비 상태의 이상을 판단할 수 있다. 이를 위해, 먼저, 제어 신호인 PLC 동작 신호의 시작과 끝을 기준점으로 삼는다. 그 후, 해당 제어 신호 동안의 누적된 소비된 전력 데이터를 축적한다. 그 후, 누적된 데이터의 수학적 모델을 도출한다. 그 후, 도출된 수학적 모델을 이용하여 제어신호에 따른 전력 소비 데이터의 이상 유무를 판단할 수 있다.The equipment of the automated production system always operates on the output signal of the controller. Accordingly, the same power consumption should occur when the same operation is performed. This feature is used to collect multiple power consumption data for the same facility and to create a power consumption data model for each reference operation. The model can determine the abnormality of the equipment condition by determining the degree to which the newly measured power consumption data deviates from the model in the rapidly changing controller data. To this end, first, the start and end of the control signal PLC operation signal as a reference point. Thereafter, accumulated accumulated power data during the control signal is accumulated. Then, a mathematical model of the accumulated data is derived. Thereafter, the derived mathematical model may be used to determine whether power consumption data is abnormal according to the control signal.

도 3은 본 발명에 따른 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전시스템을 설명하기 위한 일 실시예의 블록도이다. 3 is a block diagram of an embodiment for describing a power consumption data learning type predictive maintenance system using facility control characteristics according to the present invention.

도 3을 참조하면, 설비 예지 보전시스템은 동작 제어모듈(100), 통신 모듈(110), 데이터 검출모듈(120), 모델 생성모듈(130), 및 이상 판단모듈(140)을 포함한다.Referring to FIG. 3, the facility predictive maintenance system includes an operation control module 100, a communication module 110, a data detection module 120, a model generation module 130, and an abnormality determination module 140.

동작 제어모듈(100)은 동일한 제어신호를 이용하여 동일한 제어 설비에 대해 복수 회차에 걸쳐서 반복적으로 동작을 실행시킨다. 이때, 동작 제어모듈(100)에 의해 제어되는 제어 설비는 자동화 생산 설비를 포함할 수 있다. 여기서, 자동화 생산 설비는 제어 신호에 따른 동작 환경을 감지하고, 감지된 동작 환경의 파라미터 값을 획득할 수 있다. 자동화 생산 설비는 진동 센서, 온도 센서 및 압력 센서 등을 포함하는 다양한 센서들을 이용하여 감지된 동작 환경의 파라미터 값을 획득할 수 있다. 자동화 생산 설비는 기설정된 주기 마다 동작 환경의 파라미터 값을 획득하여 설비 예지 보전시스템으로 제공할 수 있다.The operation control module 100 repeatedly executes an operation over a plurality of times for the same control facility by using the same control signal. In this case, the control facility controlled by the operation control module 100 may include an automated production facility. Here, the automated production facility may detect an operating environment according to the control signal and obtain a parameter value of the detected operating environment. The automated production facility may use a variety of sensors, including vibration sensors, temperature sensors, pressure sensors, and the like, to obtain parameter values of the sensed operating environment. The automated production facility may obtain parameter values of the operating environment at predetermined intervals and provide them to the facility predictive maintenance system.

통신 모듈(110)는 제어 설비와 시스템과의 사이에서 데이터의 송수신을 위한 통신을 수행한다. 특히, 통신 모듈(110)는 동작 제어모듈(100)의 제어신호를 제어 설비로 전송하고, 제어 설비로부터 계측된 파라미터 값들을 수신할 수 있다. 이때, 통신 모듈(110)은 와이파이 칩, 블루투스 칩, NFC칩, 무선 통신 칩 등과 같은 다양한 통신 칩을 포함할 수 있다. 이때, 와이파이 칩, 블루투스 칩, NFC 칩은 각각 WiFi 방식, 블루투스 방식, NFC 방식으로 통신을 수행한다. 무선 통신 칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evoloution) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 것일 수 있다. The communication module 110 performs communication for transmitting and receiving data between the control facility and the system. In particular, the communication module 110 may transmit a control signal of the operation control module 100 to the control facility and receive parameter values measured from the control facility. In this case, the communication module 110 may include various communication chips such as a Wi-Fi chip, a Bluetooth chip, an NFC chip, and a wireless communication chip. At this time, the WiFi chip, the Bluetooth chip, and the NFC chip communicate with each other via WiFi, Bluetooth, and NFC. The wireless communication chip may perform communication according to various communication standards such as IEEE, Zigbee, 3rd Generation (3G), 3rd Generation Partnership Project (3GPP), Long Term Evoloution (LTE), and the like.

데이터 검출모듈(120)은 통신 모듈(110)을 통해 수신된 각각의 파라미터 값들로부터 복수 회차의 실행에 따른 각각의 전력 소비 데이터들을 검출한다. 데이터 검출모듈(110)은 제어신호에 해당하는 PLC 동작신호의 시작점과 끝점을 기준으로 상기 각각의 전력 소비 데이터들을 검출한다.The data detection module 120 detects respective power consumption data according to execution of a plurality of rounds from respective parameter values received through the communication module 110. The data detection module 110 detects the respective power consumption data based on the start point and the end point of the PLC operation signal corresponding to the control signal.

도 4는 PLC 동작신호의 시작점과 끝점을 기준으로 상기 각각의 전력 소비 데이터들을 검출하는 과정을 설명하기 위한 일 실시예의 그래프이다. 도 4를 참조하면, PLC 동작신호의 시작점과 끝점 사이에서 동일한 제어신호에 따른 각각의 전력 소비 데이터가 다양하게 검출됨을 확인할 수 있다. 이러한 전력 소비 데이터의 검출은 제어 설비에 구비된 다양한 센서들에 의해 계측되어 제공되는 파라미터 값으로부터 검출될 수 있다.FIG. 4 is a graph for explaining a process of detecting the respective power consumption data based on a start point and an end point of a PLC operation signal. Referring to FIG. 4, it can be seen that various power consumption data are detected according to the same control signal between the start point and the end point of the PLC operation signal. The detection of such power consumption data can be detected from parameter values measured and provided by various sensors provided in the control facility.

모델 생성모듈(130)은 상기 검출된 전력 소비 데이터들을 이용하여 상기 제어 설비에 대한 기준 전력 소비 데이터 모델을 생성한다. 모델 생성모듈(130)은 검출된 전력 소비 데이터들의 누적 결과를 통계적 기법을 이용하여 상기 기준 전력 소비 데이터 모델을 생성한다. 즉, 모델 생성모듈(130)은 검출된 전력 소비 데이터들 대한 상태 분석, 확률 평가 및 신뢰도 분석, 수학적 알고리즘을 기반으로 한 통계 기법을 이용하여 기준 전력 소비 데이터 모델을 생성할 수 있다. The model generation module 130 generates a reference power consumption data model for the control facility using the detected power consumption data. The model generation module 130 generates the reference power consumption data model by using a statistical technique on the accumulated result of the detected power consumption data. That is, the model generation module 130 may generate a reference power consumption data model using statistical techniques based on state analysis, probability evaluation and reliability analysis, and mathematical algorithms on the detected power consumption data.

이상 판단모듈(140)은 생성된 기준 전력 소비 데이터 모델을 이용하여, 제어 설비의 제어에 따른 개별 전력 소비 데이터의 오차 정도를 검출하고, 상기 검출된 오차 정도에 따라 상기 개별 전력 소비 데이터의 이상 여부를 결정한다.The abnormality determination module 140 detects an error degree of individual power consumption data according to the control of a control facility by using the generated reference power consumption data model, and determines whether the individual power consumption data is abnormal according to the detected error degree. Determine.

이상 판단모듈(140)은 제어 신호에 따른 개별 전력 소비 데이터가 기준 전력 소비 데이터와 비교하여, 어느 정도 차이가 있는지에 대한 오차 범위를 검출한다. 그 후, 이상 판단모듈(140)은 검출된 오차 범위가 일정 임계치를 초과하는가를 판단한다. 만일 오차 범위가 일정 임계치를 초과한다면, 이상 판단모듈(140)은 해당 개별 전력 소비 데이터는 이상이 있는 것으로 결정하고, 오차 범위가 일정 임계치를 초과하지 않는다면, 이상 판단모듈(140)은 해당 개별 전력 소비 데이터는 이상이 없는 것으로 결정한다. The abnormality determination module 140 detects an error range of how much difference the individual power consumption data according to the control signal is compared with the reference power consumption data. Thereafter, the abnormality determination module 140 determines whether the detected error range exceeds a predetermined threshold. If the error range exceeds the predetermined threshold, the abnormality determination module 140 determines that the individual power consumption data is abnormal, and if the error range does not exceed the predetermined threshold, the abnormality determination module 140 determines the corresponding individual power. The consumption data is determined to be intact.

이상 판단모듈(140)은 결정된 개별 전력 소비 데이터에 대한 이상 여부의 메시지를 생성하여 입출력 인터페이스모듈(미도시)을 통해 출력할 수 있다. 특히, 개별 전력 소비 데이터가 이상이 있음을 나타내는 에러 메시지를 출력하도록 제어할 수 있다. The abnormality determination module 140 may generate a message indicating whether or not the determined individual power consumption data is abnormal and output the same through an input / output interface module (not shown). In particular, it is possible to control to output an error message indicating that the individual power consumption data is abnormal.

도 5는 본 발명에 따른 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전방법을 설명하기 위한 일 실시예의 플로차트이다. FIG. 5 is a flowchart illustrating an embodiment of a method for predicting power consumption data learning type facility predictive maintenance using facility control characteristics according to the present invention.

설비 예지 보전시스템은 동일한 제어신호를 이용하여 동일한 제어 설비에 대해 복수 회차에 걸쳐서 반복적으로 실행시킨다(S200 단계).The facility predictive maintenance system repeatedly executes a plurality of times for the same control facility using the same control signal (step S200).

설비 예지 보전시스템은 동일한 제어신호를 제어 설비로 전송할 수 있다. 이에 따라, 제어 설비는 제어 신호에 따른 설비 동작 환경을 감지하고, 감지된 동작 환경의 파라미터 값을 획득할 수 있다. 제어 설비는 복수 회차에 걸친 동작 환경의 파라미터 값들을 각각 설비 예지 보전시스템으로 제공할 수 있다.The facility predictive maintenance system may transmit the same control signal to the control facility. Accordingly, the control facility may detect the facility operating environment according to the control signal and obtain a parameter value of the detected operating environment. The control facility may provide the facility prediction maintenance system with parameter values of the operating environment over multiple rounds, respectively.

S200 단계 후에, 설비 예지 보전시스템은 상기 복수 회차의 실행에 따른 각각의 전력 소비 데이터들을 검출한다(S202 단계). 설비 예지 보전시스템은 제어신호로서 PLC 동작신호의 시작점과 끝점을 기준으로 상기 각각의 전력 소비 데이터들을 검출할 수 있다.After step S200, the facility predictive maintenance system detects respective power consumption data according to the execution of the plurality of times (step S202). The facility predictive maintenance system may detect the respective power consumption data based on the start point and the end point of the PLC operation signal as a control signal.

S202 단계 후에, 설비 예지 보전시스템은 상기 검출된 전력 소비 데이터들을 이용하여 상기 제어 설비에 대한 기준 전력 소비 데이터 모듈을 생성한다(S204 단계). 설비 예지 보전시스템은 검출된 전력 소비 데이터들의 누적 결과를 통계적 기법을 이용하여 기준 전력 소비 데이터 모델을 생성한다. 즉, 설비 예지 보전시스템은 검출된 전력 소비 데이터들 대한 상태 분석, 확률 평가 및 신뢰도 분석, 수학적 알고리즘을 기반으로 한 통계 기법을 이용하여 기준 전력 소비 데이터 모델을 생성할 수 있다. After step S202, the facility predictive maintenance system generates a reference power consumption data module for the control facility by using the detected power consumption data (step S204). The facility predictive maintenance system generates a reference power consumption data model by using a statistical technique on the cumulative result of the detected power consumption data. That is, the facility predictive maintenance system may generate a reference power consumption data model by using statistical techniques based on state analysis, probability evaluation and reliability analysis, and mathematical algorithms on the detected power consumption data.

S204 단계 후에, 설비 예지 보전시스템은 상기 생성된 기준 전력 소비 데이터 모델을 이용하여, 상기 제어 설비의 제어에 따른 개별 전력 소비 데이터의 오차 정도를 검출한다(S206 단계). 설비 예지 보전시스템은 제어 신호에 따른 개별 전력 소비 데이터가 기준 전력 소비 데이터와 비교하여, 어느 정도 차이가 있는지에 대한 오차 범위를 검출한다. After the step S204, the facility maintenance maintenance system detects the error degree of the individual power consumption data according to the control of the control facility, using the generated reference power consumption data model (step S206). The facility predictive maintenance system detects an error range on how much difference the individual power consumption data according to the control signal is compared with the reference power consumption data.

S206 단계 후에, 설비 예지 보전시스템은 상기 검출된 오차 정도에 따라 상기 개별 전력 소비 데이터의 이상 유무를 결정한다(S208 단계). 설비 예지 보전시스템은 검출된 오차 범위가 일정 임계치를 초과하는가를 판단한다. 만일 오차 범위가 일정 임계치를 초과한다면, 설비 예지 보전시스템은 해당 개별 전력 소비 데이터는 이상이 있는 것으로 결정하고, 오차 범위가 일정 임계치를 초과하지 않는다면, 설비 예지 보전시스템은 해당 개별 전력 소비 데이터는 이상이 없는 것으로 결정한다. After step S206, the facility predictive maintenance system determines whether there is an abnormality of the individual power consumption data according to the detected error level (step S208). The facility predictive maintenance system determines whether the detected error range exceeds a certain threshold. If the margin of error exceeds a certain threshold, the facility maintenance maintenance system determines that the individual power consumption data is abnormal, and if the margin of error does not exceed a certain threshold, the facility prediction maintenance system fails. Determine that there is no.

본 발명은 소프트웨어적인 프로그램으로 구현하여 컴퓨터로 읽을 수 있는 소정 기록매체에 기록해 둠으로써 다양한 재생장치에 적용할 수 있다. 다양한 재생장치는 PC, 노트북, 휴대용 단말 등일 수 있다. 예컨대, 기록매체는 각 재생장치의 내장형으로 하드디스크, 플래시 메모리, RAM, ROM 등이거나, 외장형으로 CD-R, CD-RW와 같은 광디스크, 콤팩트 플래시 카드, 스마트 미디어, 메모리 스틱, 멀티미디어 카드일 수 있다.The present invention can be applied to a variety of playback devices by implementing a software program and recording it on a computer-readable predetermined recording medium. Various playback devices may be PCs, laptops, portable terminals, and the like. For example, the recording medium may be a hard disk, a flash memory, a RAM, a ROM, or the like as an internal type of each playback device, or an optical disc such as a CD-R or a CD-RW, a compact flash card, a smart media, a memory stick, or a multimedia card. have.

이상과 같이 본 발명의 실시예를 설명하였으나, 본 발명의 명세서에 개시된 실시예들은 본 발명을 한정하는 것이 아니다. 본 발명의 범위는 아래의 특허청구범위에 의해 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술도 본 발명의 범위에 포함되는 것으로 해석해야 할 것이다.While the embodiments of the present invention have been described as described above, the embodiments disclosed in the specification of the present invention do not limit the present invention. The scope of the present invention should be construed by the claims below, and all techniques within the scope equivalent thereto will be construed as being included in the scope of the present invention.

100: 동작 제어모듈
110: 통신 모듈
120: 데이터 검출모듈
130: 모델 생성모듈
140: 이상 판단모듈100: motion control module
110: communication module
120: data detection module
130: model generation module
140: abnormality determination module

Claims (6)

제어신호를 이용하여 동일한 제어 설비에 대해 복수 회차에 걸쳐서 반복적으로 동작을 실행시키는 단계;
상기 복수 회차의 실행에 따른 각각의 전력 소비 데이터들을 검출하는 단계;
상기 검출된 전력 소비 데이터들을 이용하여 상기 제어 설비에 대한 기준 전력 소비 데이터 모델을 생성하는 단계;
상기 생성된 기준 전력 소비 데이터 모델을 이용하여, 상기 제어 설비의 제어에 따른 개별 전력 소비 데이터의 오차 정도를 검출하는 단계; 및
상기 검출된 오차 정도에 따라 상기 개별 전력 소비 데이터의 이상 유무를 결정하는 단계를 포함하는 것을 특징으로 하는 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전방법.Repeatedly executing an operation over a plurality of times for the same control facility using the control signal;
Detecting respective power consumption data according to the execution of the plurality of times;
Generating a reference power consumption data model for the control facility using the detected power consumption data;
Detecting an error degree of individual power consumption data according to the control of the control facility by using the generated reference power consumption data model; And
And determining whether there is an abnormality of the individual power consumption data according to the detected degree of error. 청구항 1에 있어서,
상기 제어신호는 PLC 동작신호의 시작점과 끝점을 기준으로 상기 각각의 전력 소비 데이터들을 검출하는 것을 특징으로 하는 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전방법.The method according to claim 1,
And the control signal detects each of the power consumption data based on a start point and an end point of a PLC operation signal. 청구항 1에 있어서,
상기 검출된 전력 소비 데이터들의 누적 결과를 통계적 기법을 이용하여 상기 기준 전력 소비 데이터 모델을 생성하는 것을 특징으로 하는 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전방법.The method according to claim 1,
The power consumption data learning type predictive maintenance method using facility control characteristics, wherein the reference power consumption data model is generated using a statistical technique based on the accumulated result of the detected power consumption data. 동일한 제어신호를 이용하여 동일한 제어 설비에 대해 복수 회차에 걸쳐서 반복적으로 동작을 실행시키는 동작 제어모듈;
상기 제어 설비로 상기 제어신호를 전송하고, 상기 제어 설비로부터 제공되는 상기 제어신호에 따른 파라미터값을 수신하는 통신 모듈;
상기 수신된 파라미터값을 이용해, 상기 복수 회차의 실행에 따른 각각의 전력 소비 데이터들을 검출하는 데이터 검출모듈;
상기 검출된 전력 소비 데이터들을 이용하여 상기 제어 설비에 대한 기준 전력 소비 데이터 모델을 생성하는 모델 생성모듈; 및
상기 생성된 기준 전력 소비 데이터 모델을 이용하여, 상기 제어 설비의 제어에 따른 개별 전력 소비 데이터의 오차 정도를 검출하고, 상기 검출된 오차 정도에 따라 상기 개별 전력 소비 데이터의 이상 여부를 결정하는 이상 판단모듈을 포함하는 것을 특징으로 하는 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전시스템.An operation control module for repeatedly executing an operation over a plurality of times for the same control facility using the same control signal;
A communication module for transmitting the control signal to the control facility and receiving a parameter value according to the control signal provided from the control facility;
A data detection module that detects respective power consumption data according to the execution of the plurality of times by using the received parameter value;
A model generation module for generating a reference power consumption data model for the control facility using the detected power consumption data; And
Detecting an error degree of the individual power consumption data according to the control of the control facility using the generated reference power consumption data model, and determining abnormality of the individual power consumption data according to the detected error degree Electric power consumption data learning type predictive maintenance system using the facility control characteristics, characterized in that it comprises a module. 청구항 4에 있어서,
상기 데이터 검출모듈은,
상기 제어신호에 해당하는 PLC 동작신호의 시작점과 끝점을 기준으로 상기 각각의 전력 소비 데이터들을 검출하는 것을 특징으로 하는 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전시스템.The method according to claim 4,
The data detection module,
The power consumption data learning type predictive maintenance system using facility control characteristics, characterized in that for detecting the respective power consumption data on the basis of the start point and the end point of the PLC operation signal corresponding to the control signal. 청구항 4에 있어서,
상기 모델 생성모듈은,
상기 검출된 전력 소비 데이터들의 누적 결과를 통계적 기법을 이용하여 상기 기준 전력 소비 데이터 모델을 생성하는 것을 특징으로 하는 설비 제어 특성을 이용한 전력 소비 데이터 학습형 설비 예지 보전시스템.
The method according to claim 4,
The model generation module,
The power consumption data learning type predictive maintenance system using facility control characteristics, wherein the reference power consumption data model is generated using a statistical technique based on the accumulated result of the detected power consumption data.
KR1020180010564A 2018-01-29 2018-01-29 Predictive maintenance method and system of facilities by studying type of electricity consumption data using facilities control characteristic KR20190091700A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180010564A KR20190091700A (en) 2018-01-29 2018-01-29 Predictive maintenance method and system of facilities by studying type of electricity consumption data using facilities control characteristic

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180010564A KR20190091700A (en) 2018-01-29 2018-01-29 Predictive maintenance method and system of facilities by studying type of electricity consumption data using facilities control characteristic

Publications (1)

Publication Number Publication Date
KR20190091700A true KR20190091700A (en) 2019-08-07

Family

ID=67621751

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180010564A KR20190091700A (en) 2018-01-29 2018-01-29 Predictive maintenance method and system of facilities by studying type of electricity consumption data using facilities control characteristic

Country Status (1)

Country Link
KR (1) KR20190091700A (en)

Similar Documents

Publication Publication Date Title
US11500363B2 (en) Discrete manufacturing hybrid cloud solution architecture
US11783725B2 (en) Snapshot management architecture for process control operator training system lifecycle
US10764255B2 (en) Secure command execution from a cloud monitoring system to a remote cloud agent
US9971317B2 (en) Cloud-level industrial controller loop gain tuning based on industrial application type
US10208947B2 (en) Cloud-level analytics for boiler networks
EP3037901B1 (en) Cloud-based emulation and modeling for automation systems
US9800667B2 (en) Remote industrial monitoring using a cloud infrastructure
KR102073085B1 (en) Dynamic monitoring system based on FBD machine learning and method thereof
US9253054B2 (en) Remote industrial monitoring and analytics using a cloud infrastructure
US10528021B2 (en) Automated creation of industrial dashboards and widgets
US10890900B2 (en) Client device for data acquisition and pre-processing of process-related mass data from at least one CNC machine or industrial robot
US11513477B2 (en) Cloud-based industrial controller
US20170351226A1 (en) Industrial machine diagnosis and maintenance using a cloud platform
CN108491626B (en) System, method and storage medium for performing simulations of industrial automation systems
EP3285127A1 (en) Remote industrial automation site operation in a cloud platform
US20210149384A1 (en) Monitoring components of manufacturing application systems with respect to application-specific metrics
Lee et al. Industrial AI and predictive analytics for smart manufacturing systems
Al Sunny et al. Remote monitoring and online testing of machine tools for fault diagnosis and maintenance using MTComm in a cyber-physical manufacturing cloud
KR20190091700A (en) Predictive maintenance method and system of facilities by studying type of electricity consumption data using facilities control characteristic
CN110705133B (en) Predictive maintenance method and predictive maintenance equipment
EP3705964B1 (en) A method for the scalable real-time state recognition of processes and/or sub-processes during production with electrically driven production plants
US20240147290A1 (en) Smart internet of things gateway system of programmable logic controller devices
Gundale et al. Framework for Early Failure Detection of Sensor.