KR20200028249A - Facility data fault diagnosis system and method of the same - Google Patents

Facility data fault diagnosis system and method of the same Download PDF

Info

Publication number
KR20200028249A
KR20200028249A KR1020180106722A KR20180106722A KR20200028249A KR 20200028249 A KR20200028249 A KR 20200028249A KR 1020180106722 A KR1020180106722 A KR 1020180106722A KR 20180106722 A KR20180106722 A KR 20180106722A KR 20200028249 A KR20200028249 A KR 20200028249A
Authority
KR
South Korea
Prior art keywords
data
evaluating
abnormality
evaluation
dimensional
Prior art date
Application number
KR1020180106722A
Other languages
Korean (ko)
Other versions
KR102132077B1 (en
Inventor
김종면
김재영
Original Assignee
울산대학교 산학협력단
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 울산대학교 산학협력단 filed Critical 울산대학교 산학협력단
Priority to KR1020180106722A priority Critical patent/KR102132077B1/en
Priority to PCT/KR2018/015131 priority patent/WO2020050456A1/en
Publication of KR20200028249A publication Critical patent/KR20200028249A/en
Application granted granted Critical
Publication of KR102132077B1 publication Critical patent/KR102132077B1/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
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0256—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 injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

According to one embodiment of the present invention, provided is a method for evaluating an abnormality degree of facility data which comprises the steps of: generating boundary data separated from normal data through a boundary data generation algorithm; generating an evaluation model evaluating a degree of deviation from normal data by learning the boundary data; generating a two-dimensional map visualizing an evaluation degree of the evaluation model; generating a two-dimensional evaluation map through evaluation for each position of the data mapped to the two-dimensional map; and determining a two-dimensional map position for an input signal and evaluating the abnormality degree of the input signal.

Description

설비 데이터의 이상 정도 평가 방법{FACILITY DATA FAULT DIAGNOSIS SYSTEM AND METHOD OF THE SAME}Method of evaluating the degree of abnormality of equipment data {FACILITY DATA FAULT DIAGNOSIS SYSTEM AND METHOD OF THE SAME}

본 발명은 설비 데이터의 이상 정도를 평가하는 방법에 관한 것으로, 좀 더 구체적으로는 머신 러닝을 이용한 설비 데이터의 이상 정도를 평가하는 시스템 및 그 방법에 관한 것이다.The present invention relates to a method for evaluating the abnormality of facility data, and more particularly, to a system and method for evaluating the abnormality of facility data using machine learning.

현존하는 설비 데이터의 고장 검출 프로세스는 통상적으로 하드웨어 리던던시 원리나 분석적 리던던시 원리에 기초하여 수행된다. 하드웨어 리던던시 방식은 센서를 이용하여 고장을 진단하는 반면, 분석적 리던던시 방식은 시스템의 수학적 모델에 기초하여 고장을 진단할 수 있다.The failure detection process of existing facility data is typically performed based on the principle of hardware redundancy or analytical redundancy. The hardware redundancy method can diagnose a failure using a sensor, while the analytical redundancy method can diagnose a failure based on a mathematical model of the system.

분석적 리던던시 방식에서 시스템의 수학적 모델은 정상 값의 기준치를 가지며, 기준치로부터의 편차를 통해 고장을 진단한다. 종래에는 고장 데이터와 정상 데이터를 학습하여 과거 데이터로부터의 기계 학습을 기반으로 고장을 진단할 수 있었다.In the analytic redundancy method, the mathematical model of the system has a reference value of a normal value and diagnoses a failure through a deviation from the reference value. In the past, failure data and normal data were learned to diagnose failures based on machine learning from past data.

기존의 인공 지능 알고리즘(Artificial Intelligence Algorithm)을 이용한 설비 예를 들어, 반도체, 디스플레이 패널 등의 제조 설비 또는 전력 설비 등의 고장을 진단하는 고장 진단 시스템(Fault Diagnosis System)은 많은 신경망 노드(Neural Network Node)와, 활성화 기능(Activation Function) 때문에 고장 진단 처리(Fault Diagnosis Process)가 많이 복잡하고, 이로 인해 진단 처리 속도도 지연된다. 또한 이로 인해 심지어는 잘못된 진단 오류를 범하기도 한다.Equipment using existing artificial intelligence algorithms (Artificial Intelligence Algorithm), for example, manufacturing facilities such as semiconductors and display panels, or fault diagnosis systems for diagnosing failures in power facilities include many neural network nodes. ), And the Fault Diagnosis Process is very complicated due to the activation function, and the diagnostic processing speed is also delayed. It also causes false diagnostic errors.

또 신경망에서의 학습(Learning) 횟수 증가에 따른 패턴 데이터(pattern data)의 저장 공간 증대로 인해 고장 진단 시스템의 구축 비용이 증가하게 되고, 패턴에 적합하지 않는 파라메터(parameter)가 입력될 경우 잘못된 진단(erroneous diagnosis)이 발생하는 등의 문제점이 있다.In addition, due to an increase in the storage space of pattern data according to an increase in the number of learning in the neural network, the cost of constructing a fault diagnosis system increases, and when a parameter that does not fit the pattern is entered, incorrect diagnosis (erroneous diagnosis).

고장 진단 알고리즘은 다양한 데이터를 입력받아서 정규화(normalize)하고, 복수 개의 노드(node)들을 구비하는 신경망(neural network)을 이용하여 학습(learning)한다. 그리고 학습 결과에 따라 고장 패턴을 분류(classifier) 한 후, 고장 진단(fault diagnosis)을 판별한다. 이 때, 정규화된 데이터에 오류가 발생되면, 즉, 정규화되지 않은 데이터 예를 들어, 새로운 고장 패턴 데이터가 입력되면, 새로운 고장 패턴을 분류하지 못하므로 잘못된 고장 진단(fault erroneous diagnosis)으로 판별한다.The failure diagnosis algorithm receives and normalizes various data, and learns using a neural network having a plurality of nodes. Then, after classifying a failure pattern according to the learning result, a fault diagnosis is determined. At this time, if an error occurs in the normalized data, that is, when the non-normalized data, for example, new failure pattern data is input, the new failure pattern cannot be classified, so it is determined as a fault erroneous diagnosis.

도 1은 종래의 기계 학습 기반의 고장 진단 방법을 설명하기 위한 도면이다.1 is a view for explaining a conventional machine learning-based failure diagnosis method.

도 1을 참조하면, 고장 진단 장치는 학습 데이터(110)를 획득하여 전처리(111) 단계를 거친 뒤 특징 추출(112) 단계를 통해서 기계 학습 분류기(130)에서 정상과 고장에 대해서 분류하는 학습을 수행할 수 있다. 학습을 마친 고장 진단 장치는 실제 데이터(120)에 대해서도 마찬가지로 전처리(121) 단계를 거친 뒤 특징 추출(122) 단계를 통해서 기계 학습 분류기(130)에 전달되며, 학습된 내용대로 고장과 정상에 대해서 진단을 받으며, 최종 결과(140)를 확인할 수 있다.Referring to FIG. 1, the failure diagnosis apparatus acquires learning data 110, undergoes a pre-processing step 111, and then performs learning to classify the normal and the faults in the machine learning classifier 130 through the feature extraction step 112. Can be done. After completing the learning, the failure diagnosis device passes the pre-processing (121) step to the machine learning classifier (130) through the feature extraction (122) step for the actual data (120). Upon diagnosis, the final result 140 can be confirmed.

이러한 종래의 기계 학습 기반의 고장 진단 방식은 정상 설비와 고장 설비로부터 데이터를 취득하여 기계학습 알고리즘(support vector machine, artificial neural network 등)을 통해 학습시키고 진단에 활용하였다. 일반적으로 산업 플랜트에서는 고장 데이터가 자주 발생하는 데이터가 아니기 때문에 쉽게 얻기가 어려우며, 풍부한 데이터가 없기에 고장 진단의 정확도가 떨어지는 문제가 있었다. 또한, 이상 상태의 진단을 위해서는 특정 임계치를 사용자가 경험에 따라 직접 설정해야 하며, 이분법적인 진단만 가능하다는 문제가 있었다.This conventional machine learning-based failure diagnosis method acquires data from normal facilities and failure facilities, learns them through a machine learning algorithm (support vector machine, artificial neural network, etc.) and utilizes them for diagnosis. In general, it is difficult to obtain easily because failure data is not frequently generated data in industrial plants, and there is a problem in that accuracy of failure diagnosis is poor because there is no abundant data. In addition, in order to diagnose an abnormal condition, a specific threshold must be set by the user according to experience, and there is a problem that only a dichotomous diagnosis is possible.

본 발명의 일실시예에 따르면, 설비의 기존 데이터(reference data)나 충분한 고장 데이터가 없는 경우에도 설비 신호의 이상 정도를 평가할 수 있는 방법을 제공하고자 한다.According to an embodiment of the present invention, it is intended to provide a method for evaluating an abnormality of a facility signal even when there is no existing reference data or sufficient failure data of the facility.

본 발명의 다른 일실시예에 따르면, 설비 이상 진단의 처리 속도를 향상시키기 위한 진단 알고리즘을 구비하는 이상 정도 평가 시스템 및 그 방법을 제공하기 위함이다.According to another embodiment of the present invention, it is to provide a system for evaluating an abnormality with a diagnostic algorithm for improving the processing speed of facility abnormality diagnosis and a method thereof.

본 발명의 일실시예에 따른 설비 데이터의 이상 정도 평가 방법은 경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성하는 단계, 상기 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성하는 단계, 상기 평가 모델의 평가 정도를 시각화하는 2차원 맵을 생성하는 단계, 상기 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성하는 단계 및 입력 신호에 대한 2차원 맵 위치를 결정하고, 상기 입력 신호의 이상 정도를 평가하는 단계를 포함할 수 있다.The method for evaluating the abnormality of facility data according to an embodiment of the present invention includes generating boundary data distinguished from normal data through a boundary data generation algorithm, and an evaluation model for learning the boundary data and evaluating the degree of deviation from normal data. Generating, generating a two-dimensional map visualizing the degree of evaluation of the evaluation model, generating a two-dimensional evaluation map through evaluation of each location of the data mapped to the two-dimensional map, and for an input signal. And determining a 2D map position and evaluating the degree of abnormality of the input signal.

본 발명의 일실시예에 따르면, 경계 데이터를 생성하는 단계는, M차원의 무작위 벡터를 경계 데이터 생성 알고리즘을 통해 경계 데이터의 집합을 생성하는 단계를 포함할 수 있다.According to an embodiment of the present invention, the step of generating the boundary data may include generating a set of boundary data using an M-dimensional random vector through a boundary data generation algorithm.

본 발명의 일실시예에 따르면, 상기 경계 데이터를 생성하는 단계는, 상기 경계 데이터와 실제 데이터를 분류하는 분류 함수를 학습하는 단계 및 경계 데이터 생성 함수를 학습하는 단계를 포함할 수 있다.According to an embodiment of the present invention, generating the boundary data may include learning a classification function that classifies the boundary data and actual data, and learning a boundary data generation function.

본 발명의 일실시예에 따르면, 상기 분류 함수를 학습하는 단계는, 역전파 과정을 통해 분류 손실 값이 최소가 되는 인공 신경망의 가중치를 결정하는 단계를 포함할 수 있다.According to an embodiment of the present invention, the step of learning the classification function may include determining a weight of an artificial neural network having a minimum classification loss value through a backpropagation process.

본 발명의 일실시예에 따르면, 분류 함수를 학습하는 단계는, 경계 데이터의 분류 확률이 1이 되도록 경계 데이터 생성 함수를 학습하는 단계를 포함할 수 있다.According to an embodiment of the present invention, the step of learning the classification function may include the step of learning the boundary data generation function such that the classification probability of boundary data is 1.

본 발명의 일실시예에 따르면, 상기 2차원 맵을 생성하는 단계는, 학습된 차원 축소 인공신경망을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 데이터를 추출한 후, 각 차원의 최대 최소값을 계산하여 일정 간격을 갖는 격자 형태의 2차원 맵을 생성하는 단계를 포함할 수 있다.According to an embodiment of the present invention, the generating of the 2D map comprises extracting 2D data from a set of real data and a set of boundary data through a learned dimensional reduction artificial neural network, and then calculating a maximum and minimum value of each dimension. To generate a grid-like two-dimensional map having a predetermined interval may be included.

본 발명의 일실시예에 따르면, 상기 입력 신호의 이상 정도를 평가하는 단계는, 학습된 평가 인공신경망을 통해 생성된 2차원 맵의 매핑 데이터들의 이상정도 평가값을 계산 하는 단계를 포함할 수 있다.According to an embodiment of the present invention, evaluating the abnormality of the input signal may include calculating an abnormality evaluation value of mapping data of a 2D map generated through a learned evaluation artificial neural network. .

본 발명의 일실시예에 따르면, 상기 입력 신호의 이상 정도를 평가하는 단계는, 상기 입력 신호의 평가값을 색정보로 변환하고, 상기 색정보와 2차원 좌표를 통해 상기 2차원 평가 맵 상에 시각화하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.According to an embodiment of the present invention, the step of evaluating the degree of abnormality of the input signal converts the evaluation value of the input signal into color information, and on the two-dimensional evaluation map through the color information and two-dimensional coordinates. A method for evaluating anomalies in equipment data, including visualizing.

본 발명의 일실시예에 따른 설비 데이터의 이상 정도 평가 장치는, 경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성하는 데이터 생성부, 상기 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성하는 학습부, 상기 평가 모델의 평가 정도를 시각화하는 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성하는 가시화부 및 입력 신호에 대한 2차원 맵 위치를 결정하고, 상기 입력 신호의 이상 정도를 평가하는 평가부를 포함할 수 있다. The apparatus for evaluating the abnormality of facility data according to an embodiment of the present invention, a data generating unit generating boundary data distinguished from normal data through a boundary data generation algorithm, and learning the boundary data to evaluate the degree of deviation from normal data A learning unit generating an evaluation model, a visualization unit generating a 2D evaluation map through evaluation of each location of data mapped to a 2D map visualizing the evaluation degree of the evaluation model, and a 2D map position for the input signal And an evaluation unit to evaluate the degree of abnormality of the input signal.

본 발명의 일실시예에 따르면, 상기 데이터 생성부는, M차원의 무작위 벡터를 경계 데이터 생성 알고리즘을 통해 경계 데이터의 집합을 생성할 수 있다.According to an embodiment of the present invention, the data generation unit may generate a set of boundary data using an M-dimensional random vector through a boundary data generation algorithm.

본 발명의 일실시예에 따르면, 상기 학습부는, 상기 경계 데이터와 실제 데이터를 분류하는 분류 함수를 학습하고, 경계 데이터 생성 함수를 학습하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.According to an embodiment of the present invention, the learning unit, the apparatus for evaluating the degree of abnormality of the facility data, characterized in that for learning the classification function for classifying the boundary data and the actual data, and learning the boundary data generation function.

본 발명의 일실시예에 따르면, 상기 학습부는, 역전파 과정을 통해 분류 손실 값이 최소가 되는 인공 신경망의 가중치를 결정할 수 있다.According to an embodiment of the present invention, the learning unit may determine a weight of an artificial neural network having a minimum classification loss value through a back propagation process.

본 발명의 일실시예에 따르면, 상기 학습부는, 경계 데이터의 분류 확률이 1이 되도록 경계 데이터 생성 함수를 학습할 수 있다.According to an embodiment of the present invention, the learning unit may learn a boundary data generation function such that the classification probability of boundary data is 1.

본 발명의 일실시예에 따르면, 상기 가시화부는, 학습된 차원 축소 인공신경망을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 데이터를 추출한 후, 각 차원의 최대 최소값을 계산하여 일정 간격을 갖는 격자 형태의 2차원 맵을 생성할 수 있다.According to an embodiment of the present invention, the visualization unit extracts two-dimensional data from a set of real data and a set of boundary data through a learned dimensional reduction artificial neural network, and then calculates a maximum and minimum value of each dimension to obtain a grid having a predetermined interval. You can create a two-dimensional map of the shape.

본 발명의 일실시예에 따르면, 상기 평가부는, 학습된 평가 인공신경망을 통해 생성된 2차원 맵의 매핑 데이터들의 이상정도 평가값을 계산 할 수 있다.According to an embodiment of the present invention, the evaluation unit may calculate an abnormality evaluation value of mapping data of a 2D map generated through a learned evaluation artificial neural network.

본 발명의 일실시예에 따르면, 상기 평가부는, 상기 입력 신호의 평가값을 색정보로 변환하고, 상기 색정보와 2차원 좌표를 통해 상기 2차원 평가 맵 상에 시각화할 수 있다.According to an embodiment of the present invention, the evaluation unit may convert an evaluation value of the input signal into color information, and visualize it on the two-dimensional evaluation map through the color information and two-dimensional coordinates.

개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.The disclosed technology can have the following effects. However, since the specific embodiment does not mean to include all of the following effects or only the following effects, the scope of rights of the disclosed technology should not be understood as being limited thereby.

본 발명의 일실시예에 따르면, 설비의 기존 데이터(reference data)나 충분한 고장 데이터가 없는 경우에도 설비 신호의 이상 정도를 평가할 수 있다.According to an embodiment of the present invention, even when there is no existing reference data or sufficient failure data of the facility, it is possible to evaluate the abnormality of the facility signal.

본 발명의 다른 일실시예에 따르면, 설비 이상 진단의 처리 속도가 향상된 진단 알고리즘을 구비하는 이상 정도 평가 시스템 및 그 방법이 제공된다.According to another embodiment of the present invention, there is provided an abnormality evaluation system and method having a diagnostic algorithm with improved processing speed of facility abnormality diagnosis.

도 1은 종래의 기계 학습 기반의 고장 진단 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성하는 단계를 구체적으로 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성할 때 경계 데이터 생성 함수와 분류 함수를 학습하는 과정을 구제척으로 설명하기 위한 블록도이다.
도 5는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성할 때 이상 정도 평가 함수를 학습하는 과정을 구제척으로 설명하기 위한 블록도이다.
도 6은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성하는 단계의 경계 데이터 생성 인공 신경망을 설명하기 위한 블록도이다.
도 7은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성하는 단계의 분류 및 평가 인공 신경망을 설명하기 위한 블록도이다.
도 8은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 2차원 평가맵을 생성하는 과정을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 2차원 평가 맵을 생성하는 단계를 보다 구체적으로 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 2차원 평가 맵의 일례를 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 입력 신호의 이상 여부를 평가하는 단계를 보다 구체적으로 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 이상 정도가 시각화된 2차원 평가 맵의 일례를 설명하기 위한 도면이다.
도 13은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치를 설명하기 위한 블록도이다.1 is a view for explaining a conventional machine learning-based failure diagnosis method.
2 is a flowchart illustrating a method for evaluating an abnormality of facility data according to an embodiment of the present invention.
3 is a flowchart for specifically describing the steps of generating boundary data in a method of evaluating an abnormality of facility data according to an embodiment of the present invention.
4 is a block diagram for explaining a process of learning a boundary data generation function and a classification function as a rescue chuck when generating boundary data in a method of evaluating an abnormality of facility data according to an embodiment of the present invention.
FIG. 5 is a block diagram for explaining a process of learning an abnormality evaluation function when a boundary data is generated in a method of evaluating an abnormality level of facility data according to an embodiment of the present invention as a remedy.
6 is a block diagram illustrating an artificial neural network for generating boundary data in a step of generating boundary data in a method of evaluating an abnormality of facility data according to an embodiment of the present invention.
7 is a block diagram for explaining the classification and evaluation of artificial neural networks in the step of generating boundary data in a method for evaluating the abnormality of facility data according to an embodiment of the present invention.
8 is a view for explaining a process of generating a two-dimensional evaluation map in a method for evaluating the abnormality of facility data according to an embodiment of the present invention.
9 is a view for explaining in more detail the step of generating a two-dimensional evaluation map in a method for evaluating the abnormality of facility data according to an embodiment of the present invention.
10 is a view for explaining an example of a two-dimensional evaluation map in a method for evaluating the abnormality of facility data according to an embodiment of the present invention.
11 is a view for explaining in more detail the step of evaluating the abnormality of the input signal in the method for evaluating the abnormality of the facility data according to an embodiment of the present invention.
FIG. 12 is a view for explaining an example of a two-dimensional evaluation map in which an abnormality degree is visualized in a method for evaluating an abnormality degree of facility data according to an embodiment of the present invention.
13 is a block diagram illustrating an apparatus for evaluating an abnormality of facility data according to an embodiment of the present invention.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.The present invention can be applied to various changes and can have various embodiments, and specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to a specific embodiment, it should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention.

각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다. 제 1, 제 2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.In describing each drawing, similar reference numerals are used for similar components. Terms such as first and second may be used to describe various components, but the components should not be limited by the terms. The terms are used only for the purpose of distinguishing one component from other components.

예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다. For example, the first component may be referred to as a second component without departing from the scope of the present invention, and similarly, the second component may be referred to as a first component. The term “and / or” includes a combination of a plurality of related described items or any one of a plurality of related described items.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person skilled in the art to which the present invention pertains.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.Terms such as those defined in a commonly used dictionary should be interpreted as having meanings consistent with meanings in the context of related technologies, and should not be interpreted as ideal or excessively formal meanings unless explicitly defined in the present application. Should not.

이하 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법 및 장치를 상세하게 설명하기로 한다.Hereinafter, a method and apparatus for evaluating the abnormality of facility data according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.

도 2는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법을 설명하기 위한 흐름도이다.2 is a flowchart illustrating a method for evaluating an abnormality of facility data according to an embodiment of the present invention.

도 2를 참조하면, 단계(S210)에서, 설비 데이터의 이상 정도를 평가하는 장치는 경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성할 수 있다.Referring to FIG. 2, in step S210, the apparatus for evaluating the degree of abnormality of facility data may generate boundary data distinguished from normal data through a boundary data generation algorithm.

일실시예에 따르면, 설비 데이터의 이상 정도를 평가하는 장치는 M차원의 무작위 벡터를 입력 값으로 하여 경계 데이터 생성 알고리즘을 통해 경계 데이터의 집합을 생성할 수 있다.According to an embodiment, the apparatus for evaluating the degree of abnormality of the facility data may generate a set of boundary data through a boundary data generation algorithm using an M-dimensional random vector as an input value.

경계 데이터의 생성 방법에 대한 보다 구체적인 설명은 도 3에서 하도록 한다.3 will be described in more detail with respect to a method for generating boundary data.

일실시예에 따르면, 단계(S220)에서, 설비 데이터의 이상 정도를 평가하는 장치는 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성할 수 있다.According to one embodiment, in step S220, the apparatus for evaluating the degree of abnormality of the facility data may generate an evaluation model for evaluating the degree of deviation from the normal data by learning boundary data.

일실시예에 따르면, 단계(S230)에서, 설비 데이터의 이상 정도를 평가하는 장치는 평가 모델의 평가 정도를 시각화하는 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성할 수 있다.According to one embodiment, in step S230, the apparatus for evaluating the degree of abnormality of the facility data generates a two-dimensional evaluation map through evaluation of each location of the data mapped to the two-dimensional map visualizing the evaluation degree of the evaluation model can do.

일실시예에 따르면, 설비 데이터의 이상 정도를 평가하는 장치는 학습된 차원 축소 인공신경망을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 데이터를 추출한 후, 각 차원의 최대 최소값을 계산하여 일정 간격을 갖는 격자 형태의 2차원 맵을 생성할 수 있다.According to one embodiment, the apparatus for evaluating the degree of abnormality of facility data extracts two-dimensional data from a set of real data and a set of boundary data through a learned dimensional reduction artificial neural network, and then calculates a maximum minimum value of each dimension to determine a predetermined interval It is possible to generate a two-dimensional map in the form of a grid having.

2차원 평가 맵에 대한 보다 구체적인 설명은 도 8 내지 도 12에서 하도록 한다More detailed description of the 2D evaluation map will be given in FIGS. 8 to 12.

일실시예에 따르면, 단계(S240)에서, 설비 데이터의 이상 정도를 평가하는 장치는 입력 신호에 대한 2차원 맵 위치를 결정하고, 입력 신호의 이상 정도를 평가할 수 있다.According to one embodiment, in step S240, the apparatus for evaluating the degree of abnormality of the facility data may determine the location of the two-dimensional map for the input signal and evaluate the degree of abnormality of the input signal.

도 3은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성하는 단계를 구체적으로 설명하기 위한 흐름도이다.3 is a flowchart for specifically describing the steps of generating boundary data in a method of evaluating an abnormality of facility data according to an embodiment of the present invention.

도 3을 참조하면, 설비 데이터의 이상 정도를 평가하는 장치는 단계(S211)에서, 경계 데이터의 집합을 생성할 수 있다.Referring to FIG. 3, the apparatus for evaluating the degree of abnormality of facility data may generate a set of boundary data in step S211.

일실시예에 따르면, 단계(S212)에서 설비 데이터의 이상 정도를 평가하는 장치는, 경계 데이터와 실제 데이터를 분류하는 분류 함수를 학습할 수 있다.According to one embodiment, in step S212, the apparatus for evaluating the degree of abnormality of the facility data may learn a classification function that classifies boundary data and actual data.

일실시예에 따르면, 설비 데이터의 이상 정도를 평가하는 장치는 역전파 과정을 통해 분류 손실 값이 최소가 되는 인공 신경망의 가중치를 결정할 수 있다.According to an embodiment, the apparatus for evaluating the degree of abnormality of the facility data may determine the weight of the artificial neural network that minimizes the classification loss value through the back propagation process.

일실시예에 따르면, 설비 데이터의 이상 정도를 평가하는 장치는 경계 데이터의 분류 확률이 1이 되도록 경계 데이터 생성 함수를 학습할 수 있다.According to an embodiment, the apparatus for evaluating the degree of abnormality of the facility data may learn the boundary data generation function so that the classification probability of boundary data is 1.

일실시예에 따르면, 단계(S213)에서, 설비 데이터의 이상 정도를 평가하는 장치는 경계 데이터 생성 함수를 학습할 수 있다.According to one embodiment, in step S213, the apparatus for evaluating the degree of abnormality of the facility data may learn the boundary data generation function.

도 4는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성할 때 경계 데이터 생성 함수와 분류 함수를 학습하는 과정을 구제척으로 설명하기 위한 블록도이다.4 is a block diagram for explaining a process of learning a boundary data generation function and a classification function as a rescue chuck when generating boundary data in a method of evaluating an abnormality of facility data according to an embodiment of the present invention.

도 4를 참조하면, 일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 무작위 벡터(410) 중에서 경계 데이터 생성 함수(420)를 통해서 경계 데이터(431)의 집합을 생성할 수 있다. Referring to FIG. 4, the apparatus for evaluating the degree of abnormality of facility data according to an embodiment may generate a set of boundary data 431 through a boundary data generation function 420 among random vectors 410.

일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 1과 같이, 경계데이터를 생성하는 인공신경망 함수,

Figure pat00001
에 차원의 무작위 벡터 를 입력하여 차원의 경계데이터
Figure pat00002
를 생성할 수 있다. An apparatus for evaluating the abnormality of facility data according to an embodiment is an artificial neural network function that generates boundary data, as shown in Equation 1 below.
Figure pat00001
Enter the dimension's random vector into the boundary data of the dimension.
Figure pat00002
Can generate

Figure pat00003
Figure pat00003

이때 생성된 경계데이터들은 경계데이터 집합

Figure pat00004
에 추가될 수 있다.At this time, the boundary data created is the boundary data set
Figure pat00004
Can be added to

일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 2와 같이, 경계 데이터와 실제 데이터(정상 데이터)를 분류하는 분류함수

Figure pat00005
에 N차원의 데이터를 입력하여 분류확률를 얻을 수 있다. 여기서 는 0에서 1사이의 분류 확률을 의미한다.The apparatus for evaluating the abnormality of facility data according to an embodiment is a classification function that classifies boundary data and actual data (normal data) as shown in Equation 2 below.
Figure pat00005
The classification probability can be obtained by inputting the N-dimensional data into. Where is the classification probability between 0 and 1.

Figure pat00006
Figure pat00006

예를 들면, 일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 경계 데이터(431)와 정상 데이터(432)를 분류 함수(440)에 넣어 결과값(451, 452)을 획득할 수 있다. 이때, 분류 함수(440)는 경계 데이터(431)가 0의 결과값(451)을 갖도록 하고, 정상 데이터(432)는 1의 결과값(452)을 갖도록 학습할 수 있다.For example, the apparatus for evaluating the degree of abnormality of facility data according to an embodiment may obtain the result values 451 and 452 by putting the boundary data 431 and the normal data 432 into the classification function 440. . In this case, the classification function 440 may be trained such that the boundary data 431 has a result value 451 of 0, and the normal data 432 has a result value 452 of 1.

일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 3과 같이, 실제 데이터

Figure pat00007
의 분류확률은 1, 경계 데이터
Figure pat00008
의 분류확률은 0이 되도록 분류 함수
Figure pat00009
를 학습할 수 있다. 이때,
Figure pat00010
는 차원의 실제 데이터(정상 데이터)를 뜻한다.Apparatus for evaluating the abnormality of facility data according to an embodiment is as shown in Equation 3 below, actual data
Figure pat00007
The classification probability of is 1, the boundary data
Figure pat00008
Classification function so that the classification probability of
Figure pat00009
Can learn. At this time,
Figure pat00010
Means the actual data (normal data) of the dimension.

Figure pat00011
Figure pat00011

일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 분류 손실 함수(460)를 통해서 분류 함수(440)를 학습할 수 있다.The apparatus for evaluating the degree of abnormality of facility data according to an embodiment may learn the classification function 440 through the classification loss function 460.

예를 들면, 설비 데이터의 이상 정도를 평가하는 장치는 역전파(Backpropagation) 과정을 통해 하기 수학식 4와 같이 분류 손실 값

Figure pat00012
가 최소가 되는 인공신경망의 가중치
Figure pat00013
를 결정할 수 있다. 본 발명에서 말하는 역전파 방법은 인공신경망 학습에 사용되는 모든 역전파 방법을 포함할 수 있다. For example, the apparatus for evaluating the degree of abnormality of the facility data is classified loss value as shown in Equation 4 below through a backpropagation process.
Figure pat00012
Weight of artificial neural network
Figure pat00013
Can decide. The back propagation method referred to in the present invention may include all back propagation methods used for artificial neural network learning.

Figure pat00014
Figure pat00014

여기서 η는 학습율(Learning rate)을 의미한다.Here, η means the learning rate.

일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 5를 통해서 손실값

Figure pat00015
을 계산할 수 있다.The apparatus for evaluating the abnormality of facility data according to an embodiment is a loss value through Equation 5 below.
Figure pat00015
Can be calculated.

Figure pat00016
Figure pat00016

여기서 은 인공신경망의 손실함수이며

Figure pat00017
는 분류 인공신경망의 손실 값을 의미한다. 본 발명의 손실함수는 인공신경망 학습에 사용되는 모든 종류의 손실함수를 포함할 수 있다.Where is the loss function of the artificial neural network
Figure pat00017
Is the loss value of the classified artificial neural network. The loss function of the present invention may include any kind of loss function used for artificial neural network learning.

일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 생성 손실 함수(470)를 통해서 경계 데이터 생성 함수(470)를 학습할 수 있다.The apparatus for evaluating the degree of abnormality of facility data according to an embodiment may learn the boundary data generation function 470 through the generation loss function 470.

예를 들면, 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 6과 같이 경계 데이터의 분류 확률이 1이 되도록 학습할 수 있다.For example, the apparatus for evaluating the degree of abnormality of facility data can be learned such that the classification probability of boundary data is 1, as shown in Equation 6 below.

Figure pat00018
Figure pat00018

일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 역전파(Backpropagation) 과정을 통해 하기 수학식 7과 같이 경계데이터 생성 인공신경망의 손실 값

Figure pat00019
를 최소로 만드는 인공신경망의 가중치
Figure pat00020
를 결정할 수 있다.The apparatus for evaluating the degree of abnormality of facility data according to an embodiment is a boundary data generation loss value of an artificial neural network as shown in Equation 7 below through a backpropagation process.
Figure pat00019
Weight of artificial neural network
Figure pat00020
Can decide.

Figure pat00021
Figure pat00021

여기서 η는 학습율(Learning rate)을 의미한다.Here, η means the learning rate.

일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 8을 통해서 경계데이터 생성 인공신경망의 손실 값

Figure pat00022
을 계산할 수 있다.The apparatus for evaluating the abnormality of facility data according to an embodiment may generate boundary data through Equation 8 below.
Figure pat00022
Can be calculated.

Figure pat00023
Figure pat00023

여기서 은 인공신경망의 손실함수이며

Figure pat00024
는 경계데이터 생성 인공신경망의 손실 값을 의미한다.Where is the loss function of the artificial neural network
Figure pat00024
Denotes the loss value of the artificial neural network generating boundary data.

도 5는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성할 때 이상 정도 평가 함수를 학습하는 과정을 구제척으로 설명하기 위한 블록도이다.FIG. 5 is a block diagram for explaining a process of learning an abnormality evaluation function when a boundary data is generated in a method for evaluating the abnormality of facility data according to an embodiment of the present invention as a remedy.

도 5를 참조하면, 일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 이상 정도 평가 함수(500)에 경계 데이터(511)와 정상 데이터(512)를 입력시켜 나오는 결과값(521, 522)을 분류하고, 손실 함수(530)를 통해서 이상 정도 평가 함수(500)를 학습할 수 있다.Referring to FIG. 5, in the apparatus for evaluating the abnormality of facility data according to an embodiment, the result values 521 and 522 obtained by inputting boundary data 511 and normal data 512 into the abnormality evaluation function 500 ), And learn the abnormality evaluation function 500 through the loss function 530.

보다 구체적으로, 일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 9와 같이, 정상 데이터

Figure pat00025
의 평가값은 1, 경계 데이터
Figure pat00026
의 평가값은 0이 되도록 이상 정도 평가 함수
Figure pat00027
를 학습할 수 있다.More specifically, the apparatus for evaluating the degree of abnormality of facility data according to an embodiment is normal data as shown in Equation 9 below.
Figure pat00025
The value of is 1, the boundary data
Figure pat00026
The abnormality evaluation function so that the evaluation value of
Figure pat00027
Can learn.

Figure pat00028
Figure pat00028

이때, 평가 함수

Figure pat00029
는 입력데이터에 대한 실제 데이터(정상 데이터)와의 유사도를 계산하며, 유사도가 1에 가까울수록 실제데이터와 비슷한 데이터를 의미할 수 있다.At this time, the evaluation function
Figure pat00029
Calculates the degree of similarity to the actual data (normal data) for the input data, and as the degree of similarity approaches 1, it may mean data similar to the actual data.

일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 손실 함수(530)를 통해서 이상 정도 평가 함수(500)를 학습할 수 있다.The apparatus for evaluating the abnormality of facility data according to an embodiment may learn the abnormality assessment function 500 through the loss function 530.

예를 들면, 설비 데이터의 이상 정도를 평가하는 장치는 역전파(Backpropagation) 과정을 통해 하기 수학식 10과 같이 손실 값

Figure pat00030
가 최소가 되는 인공신경망의 가중치
Figure pat00031
를 결정할 수 있다. 본 발명에서 말하는 역전파 방법은 인공신경망 학습에 사용되는 모든 역전파 방법을 포함할 수 있다. For example, the apparatus for evaluating the degree of abnormality of facility data is a loss value as shown in Equation 10 below through a backpropagation process.
Figure pat00030
Weight of artificial neural network
Figure pat00031
Can decide. The back propagation method referred to in the present invention may include all back propagation methods used for artificial neural network learning.

Figure pat00032
Figure pat00032

여기서 η는 학습율(Learning rate)을 의미한다.Here, η means the learning rate.

일실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 하기 수학식 11을 통해서 손실값

Figure pat00033
을 계산할 수 있다.The apparatus for evaluating the abnormality of facility data according to an embodiment is a loss value through Equation 11 below.
Figure pat00033
Can be calculated.

Figure pat00034
Figure pat00034

여기서 은 인공신경망의 손실함수이며

Figure pat00035
는 분류 인공신경망의 손실 값을 의미한다. 본 발명의 손실함수는 인공신경망 학습에 사용되는 모든 종류의 손실함수를 포함할 수 있다.Where is the loss function of the artificial neural network
Figure pat00035
Is the loss value of the classified artificial neural network. The loss function of the present invention may include any kind of loss function used for artificial neural network learning.

도 6은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성하는 단계의 경계 데이터 생성 인공 신경망을 설명하기 위한 블록도이다.6 is a block diagram illustrating an artificial neural network for generating boundary data in a step of generating boundary data in a method of evaluating an abnormality of facility data according to an embodiment of the present invention.

도 6을 참조하면, 설비 데이터의 이상 정도를 평가하는 장치는 기계 학습을 위한 인공 신경망을 통해서 경계 데이터를 생성할 수 있다. 즉, M차원의 무작위 벡터(610)를 입력층(620), 은닉층(630), 출력층(640)을 포함하는 인공 신경망에 입력하여 학습시키면, N차원 데이터(650)인 경계 데이터를 생성할 수 있다.Referring to FIG. 6, an apparatus for evaluating the degree of abnormality of facility data may generate boundary data through an artificial neural network for machine learning. That is, if the M-dimensional random vector 610 is input and trained into an artificial neural network including an input layer 620, a hidden layer 630, and an output layer 640, boundary data that is N-dimensional data 650 can be generated. have.

도 7은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 경계 데이터를 생성하는 단계의 분류 및 평가 인공 신경망을 설명하기 위한 블록도이다.7 is a block diagram for explaining the classification and evaluation of artificial neural networks in the step of generating boundary data in a method for evaluating the abnormality of facility data according to an embodiment of the present invention.

도 7을 참조하면, 설비 데이터의 이상 정도를 평가하는 장치는 인공 신경망을 통해서 분류 함수와 이상 정도 평가 함수를 구할 수 있다. 즉, 경계 데이터로 생성된 N차원 데이터(710)를 차원 축소 인공 신경망(CNN, 720), 2차원 특징 데이터(730), 평가 인공 신경망(DNN, 740)을 거쳐 결과(750)를 출력할 수 있다. 이때, 차원 축소 인공 신경망(CNN, 720) 및 평가 인공 신경망(DNN, 740)은 각각 입력층, 은닉층, 출력층을 포함할 수 있다.Referring to FIG. 7, the apparatus for evaluating the abnormality of facility data may obtain a classification function and an abnormality evaluation function through an artificial neural network. That is, the result 750 can be output through the N-dimensional data 710 generated as boundary data through the dimensional reduction artificial neural network (CNN, 720), the two-dimensional feature data 730, and the evaluation artificial neural network (DNN, 740). have. In this case, the dimension reduction artificial neural network (CNN, 720) and the evaluation artificial neural network (DNN, 740) may include an input layer, a hidden layer, and an output layer, respectively.

도 8은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 2차원 평가맵을 생성하는 과정을 설명하기 위한 도면이다.8 is a view for explaining a process of generating a two-dimensional evaluation map in a method of evaluating the abnormality of facility data according to an embodiment of the present invention.

도 8을 참조하면, 차원 축소 인공 신경망(CNN)을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 특징 데이터를 추출한 후, 각 차원의 최대 최소값을 계산할 수 있다. 이때, 계산된 각 차원의 최대값과 최소값을 각각 X축과 Y축에 넣고 일정한 간격으로 구분하여 격자 형태의 2차원 맵을 생성할 수 있다.Referring to FIG. 8, after extracting 2D feature data from a set of real data and a set of boundary data through a dimensional reduction artificial neural network (CNN), a maximum minimum value of each dimension may be calculated. At this time, the calculated maximum and minimum values of each dimension may be placed on the X-axis and the Y-axis, respectively, and separated at regular intervals to generate a grid-like two-dimensional map.

도 9는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 2차원 평가 맵을 생성하는 단계를 보다 구체적으로 설명하기 위한 도면이다.9 is a view for explaining in more detail the step of generating a two-dimensional evaluation map in a method for evaluating the abnormality of facility data according to an embodiment of the present invention.

도 9를 참조하면, 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 2차원의 맵에 있는 모든 매핑 데이터(910)에 대해서 학습된 평가 인공 신경망(920)에 대입시켜 평가값(930)을 획득할 수 있다. 이후, 평가값(930)은 색상으로 구분하여 이미지화(940)할 수 있다. 즉, 설비 데이터의 이상 정도를 평가하는 장치는 생성된 2차원 매핑 데이터들을 학습된 평가 인공신경망을 통해 이상 정도 평가값을 계산할 수 있다. 이렇게 계산된 평가값의 최대/최소값을 계산하여 컬러맵을 구하고, 컬러맵을 이용해 평가값을 2차원 평가맵으로 변환할 수 있다.Referring to FIG. 9, the apparatus for evaluating the degree of abnormality of facility data according to an embodiment substitutes into the learned artificial neural network 920 for all the mapping data 910 in the two-dimensional map and evaluates the value (930) ). Subsequently, the evaluation value 930 may be divided into colors and imaged 940. That is, the apparatus for evaluating the abnormality of facility data may calculate the abnormality assessment value through the learned artificial neural network of the generated two-dimensional mapping data. The maximum / minimum value of the calculated evaluation value is calculated to obtain a color map, and the evaluation value can be converted into a two-dimensional evaluation map using the color map.

도 10은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 2차원 평가 맵의 일례를 설명하기 위한 도면이다.10 is a view for explaining an example of a two-dimensional evaluation map in a method for evaluating the abnormality of facility data according to an embodiment of the present invention.

도 10을 참조하면, 어두운 부분은 이상 결과 값을 나타내고, 밝은 부분은 정상 결과 값을 나타내는 2차원 평가 맵을 확인할 수 있다.Referring to FIG. 10, a two-dimensional evaluation map indicating a dark portion indicating an abnormal result value and a bright portion indicating a normal result value can be confirmed.

도 11은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 입력 신호의 이상 여부를 평가하는 단계를 보다 구체적으로 설명하기 위한 도면이다.11 is a view for explaining in more detail the step of evaluating the abnormality of the input signal in the method for evaluating the abnormality of facility data according to an embodiment of the present invention.

도 11을 참조하면, 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치는 측정 데이터(1110)를 학습된 차원 축소 인공 신경망(1120)에 넣어 2차원 데이터(1130)를 획득하고, 이를 학습된 평가 인공 신경망(1140)에 넣어 평가 값을 계산할 수 있다. 이렇게 도출된 평가 값은 컬러 맵을 통해서 색 정보로 변환할 수 있다. 또, 색 정보와 2차원 좌포를 통해서 평가맵(1150) 상에 시각화할 수 있다. 평가 맵에 시각화된 결과 값은 도 12를 통해서 확인할 수 있다.Referring to FIG. 11, the apparatus for evaluating the abnormality of facility data according to an embodiment acquires the 2D data 1130 by putting the measurement data 1110 into the learned dimensional reduction artificial neural network 1120 and learning it The evaluation value can be calculated by putting the evaluated evaluation artificial neural network 1140. The derived evaluation value may be converted into color information through a color map. In addition, it can be visualized on the evaluation map 1150 through color information and a two-dimensional seat. The result value visualized in the evaluation map can be confirmed through FIG. 12.

도 12는 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 방법에서 이상 정도가 시각화된 2차원 평가 맵의 일례를 설명하기 위한 도면이다.FIG. 12 is a view for explaining an example of a two-dimensional evaluation map in which an abnormality degree is visualized in a method for evaluating an abnormality degree of facility data according to an embodiment of the present invention.

도 12를 참조하면, 2차원 평가맵에 도시된 측정 데이터의 결과값(1210)을 확인할 수 있다. 이를 통해서 설비 데이터의 이상 정도를 평가하는 장치는 실제 측정 데이터의 이상 정도를 평가하고 사람들이 알기 쉽게 이상 정도를 제공할 수 있다. 이때, 밝은 영역의 중심부에서 멀리 떨어질수록 이상이 발생할 확률이 높은 것을 의미한다.Referring to FIG. 12, a result value 1210 of measurement data illustrated in a two-dimensional evaluation map can be confirmed. Through this, the apparatus for evaluating the degree of abnormality of the facility data can evaluate the degree of abnormality of the actual measurement data and provide the degree of abnormality for people to understand. At this time, the farther away from the center of the bright area, the higher the probability of anomalies.

도 13은 본 발명의 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치를 설명하기 위한 블록도이다.13 is a block diagram illustrating an apparatus for evaluating an abnormality of facility data according to an embodiment of the present invention.

도 13을 참조하면, 일 실시예에 따른 설비 데이터의 이상 정도를 평가하는 장치(1300)는 데이터 생성부(1310), 학습부(1320), 평가부(1330) 및 가시화부(1340)를 포함할 수 있다.Referring to FIG. 13, an apparatus 1300 for evaluating an abnormality of facility data according to an embodiment includes a data generation unit 1310, a learning unit 1320, an evaluation unit 1330, and a visualization unit 1340. can do.

일실시예에 따르면, 데이터 생성부(1310)는 경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성할 수 있다. 예를 들면, 데이터 생성부(1310)는 M차원의 무작위 벡터를 경계 데이터 생성 알고리즘을 통해 경계 데이터의 집합을 생성할 수 있다.According to an embodiment, the data generator 1310 may generate boundary data that is distinguished from normal data through a boundary data generation algorithm. For example, the data generation unit 1310 may generate a set of boundary data using an M-dimensional random vector through a boundary data generation algorithm.

일실시예에 따르면, 학습부(1320)는 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성할 수 있다. 보다 구체적으로, 학습부(1320)는 경계 데이터와 실제 데이터를 분류하는 분류 함수를 학습하고, 경계 데이터 생성 함수를 학습하여 평가 모델을 생성할 수 있다.According to one embodiment, the learning unit 1320 may generate an evaluation model that evaluates the degree of deviation from normal data by learning boundary data. More specifically, the learning unit 1320 may learn a classification function for classifying boundary data and actual data, and learn an boundary data generation function to generate an evaluation model.

일실시예에 따르면, 학습부(1320)는 역전파 과정을 통해 분류 손실 값이 최소가 되는 인공 신경망의 가중치를 결정할 수 있다.According to an embodiment, the learning unit 1320 may determine a weight of an artificial neural network that minimizes a classification loss value through a back propagation process.

일실시예에 따르면, 학습부(1320)는 경계 데이터의 분류 확률이 1이 되도록 경계 데이터 생성 함수를 학습할 수 있다.According to an embodiment, the learning unit 1320 may learn a boundary data generation function such that the classification probability of boundary data is 1.

일실시예에 따르면, 가시화부(1340)는 평가 모델의 평가 정도를 시각화하는 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성할 수 있다. 가시화부(1340)는 학습된 차원 축소 인공신경망을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 데이터를 추출한 후, 각 차원의 최대 최소값을 계산하여 일정 간격을 갖는 격자 형태의 2차원 맵을 생성할 수 있다.According to an embodiment, the visualization unit 1340 may generate a 2D evaluation map through evaluation for each location of data mapped to a 2D map that visualizes the evaluation degree of the evaluation model. The visualization unit 1340 extracts 2D data from a set of real data and a set of boundary data through a learned dimensional reduction artificial neural network, and then calculates a maximum and minimum value of each dimension to generate a grid-like 2D map having a predetermined interval. can do.

일실시예에 따르면, 평가부(1330)는 입력 신호에 대한 2차원 맵 위치를 결정하고, 상기 입력 신호의 이상 정도를 평가할 수 있다. 일실시예에 따르면, 평가부(1330)는 학습된 평가 인공신경망을 통해 생성된 2차원 맵의 매핑 데이터들의 이상정도 평가값을 계산할 수 있다.According to an embodiment, the evaluation unit 1330 may determine a 2D map position for an input signal and evaluate the abnormality of the input signal. According to an embodiment, the evaluation unit 1330 may calculate an abnormality evaluation value of mapping data of a 2D map generated through a learned evaluation artificial neural network.

일실시예에 따르면, 평가부(1330)는 상기 입력 신호의 평가값을 색정보로 변환하고, 상기 색정보와 2차원 좌표를 통해 상기 2차원 평가 맵 상에 시각화할 수 있다.According to an embodiment, the evaluation unit 1330 may convert an evaluation value of the input signal into color information, and visualize it on the two-dimensional evaluation map through the color information and two-dimensional coordinates.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The device described above may be implemented with hardware components, software components, and / or combinations of hardware components and software components. For example, the devices and components described in the embodiments include, for example, processors, controllers, arithmetic logic units (ALUs), digital signal processors (micro signal processors), microcomputers, field programmable arrays (FPAs), It may be implemented using one or more general purpose computers or special purpose computers, such as a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions. The processing device may run an operating system (OS) and one or more software applications running on the operating system. In addition, the processing device may access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, a processing device may be described as one being used, but a person having ordinary skill in the art, the processing device may include a plurality of processing elements and / or a plurality of types of processing elements. It can be seen that may include. For example, the processing device may include a plurality of processors or a processor and a controller. In addition, other processing configurations, such as parallel processors, are possible.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instruction, or a combination of one or more of these, and configure the processing device to operate as desired, or process independently or collectively You can command the device. Software and / or data may be interpreted by a processing device, or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodied in the transmitted signal wave. The software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. The computer-readable medium may include program instructions, data files, data structures, or the like alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiments or may be known and usable by those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs, DVDs, and magnetic media such as floptical disks. -Hardware devices specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language code that can be executed by a computer using an interpreter, etc., as well as machine language codes produced by a compiler. The hardware device described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described by a limited embodiment and drawings, those skilled in the art can make various modifications and variations from the above description. For example, the described techniques are performed in a different order than the described method, and / or the components of the described system, structure, device, circuit, etc. are combined or combined in a different form from the described method, or other components Alternatively, even if replaced or substituted by equivalents, appropriate results can be achieved.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

1300: 설비 데이터의 이상 정도 평가 장치
1310: 데이터 생성부
1320: 학습부
1330: 평가부
1340: 가시화 부1300: Equipment data abnormality evaluation device
1310: data generation unit
1320: learning department
1330: evaluation unit
1340: visualization

Claims (16)

경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성하는 단계;
상기 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성하는 단계;
상기 평가 모델의 평가 정도를 시각화하는 2차원 맵을 생성하는 단계;
상기 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성하는 단계; 및
입력 신호에 대한 2차원 맵 위치를 결정하고, 상기 입력 신호의 이상 정도를 평가하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
Generating boundary data distinguished from normal data through a boundary data generation algorithm;
Generating an evaluation model for evaluating the degree of deviation from normal data by learning the boundary data;
Generating a two-dimensional map visualizing the degree of evaluation of the evaluation model;
Generating a two-dimensional evaluation map through evaluation for each location of data mapped to the two-dimensional map; And
And determining the position of the two-dimensional map of the input signal and evaluating the abnormality of the input signal.
제1항에 있어서,
상기 경계 데이터를 생성하는 단계는,
M차원의 무작위 벡터를 경계 데이터 생성 알고리즘을 통해 경계 데이터의 집합을 생성하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
According to claim 1,
The step of generating the boundary data,
A method of evaluating the degree of abnormality of facility data, comprising generating a set of boundary data using an M-dimensional random vector through a boundary data generation algorithm.
제1항에 있어서,
상기 경계 데이터를 생성하는 단계는,
상기 경계 데이터와 실제 데이터를 분류하는 분류 함수를 학습하는 단계; 및
경계 데이터 생성 함수를 학습하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
According to claim 1,
The step of generating the boundary data,
Learning a classification function that classifies the boundary data and actual data; And
A method for evaluating anomalies in facility data, comprising learning a boundary data generation function.
제3항에 있어서,
상기 분류 함수를 학습하는 단계는,
역전파 과정을 통해 분류 손실 값이 최소가 되는 인공 신경망의 가중치를 결정하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
According to claim 3,
The step of learning the classification function,
A method of evaluating the degree of abnormality in facility data, including determining a weight of an artificial neural network having a minimum classification loss value through a back propagation process.
제3항에 있어서,
상기 분류 함수를 학습하는 단계는,
경계 데이터의 분류 확률이 1이 되도록 경계 데이터 생성 함수를 학습하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
According to claim 3,
The step of learning the classification function,
A method for evaluating the degree of abnormality of facility data, including learning a boundary data generation function such that the classification probability of boundary data is 1.
제1항에 있어서,
상기 2차원 맵을 생성하는 단계는,
학습된 차원 축소 인공신경망을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 데이터를 추출한 후, 각 차원의 최대 최소값을 계산하여 일정 간격을 갖는 격자 형태의 2차원 맵을 생성하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
According to claim 1,
Generating the two-dimensional map,
A facility comprising extracting two-dimensional data from a set of real data and a set of boundary data through a learned dimensional reduction artificial neural network, and calculating a maximum and minimum value of each dimension to generate a grid-like two-dimensional map with a predetermined interval. How to evaluate the anomaly of the data.
제1항에 있어서,
상기 입력 신호의 이상 정도를 평가하는 단계는,
학습된 평가 인공신경망을 통해 생성된 2차원 맵의 매핑 데이터들의 이상정도 평가값을 계산 하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
According to claim 1,
Evaluating the degree of abnormality of the input signal,
A method for evaluating the abnormality of facility data, comprising calculating an abnormality evaluation value of mapping data of a 2D map generated through a learned evaluation artificial neural network.
제1항에 있어서,
상기 입력 신호의 이상 정도를 평가하는 단계는,
상기 입력 신호의 평가값을 색정보로 변환하고, 상기 색정보와 2차원 좌표를 통해 상기 2차원 평가 맵 상에 시각화하는 단계를 포함하는 설비 데이터의 이상 정도 평가 방법.
According to claim 1,
Evaluating the degree of abnormality of the input signal,
And converting the evaluation value of the input signal into color information and visualizing it on the two-dimensional evaluation map through the color information and two-dimensional coordinates.
경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성하는 데이터 생성부;
상기 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성하는 학습부;
상기 평가 모델의 평가 정도를 시각화하는 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성하는 가시화부; 및
입력 신호에 대한 2차원 맵 위치를 결정하고, 상기 입력 신호의 이상 정도를 평가하는 평가부
를 포함하는 설비 데이터의 이상 정도 평가 장치.
A data generation unit generating boundary data distinguished from normal data through a boundary data generation algorithm;
A learning unit learning the boundary data and generating an evaluation model for evaluating the degree of deviation from normal data;
A visualization unit generating a two-dimensional evaluation map through evaluation for each location of data mapped to a two-dimensional map visualizing the evaluation degree of the evaluation model; And
An evaluation unit that determines a 2D map position for an input signal and evaluates the degree of abnormality of the input signal
An apparatus for evaluating the abnormality of equipment data including a.
제9항에 있어서,
상기 데이터 생성부는,
M차원의 무작위 벡터를 경계 데이터 생성 알고리즘을 통해 경계 데이터의 집합을 생성하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
The method of claim 9,
The data generation unit,
A device for evaluating the degree of abnormality in facility data, characterized in that a random vector of M-dimensional is generated by a boundary data generation algorithm.
제9항에 있어서,
상기 학습부는,
상기 경계 데이터와 실제 데이터를 분류하는 분류 함수를 학습하고, 경계 데이터 생성 함수를 학습하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
The method of claim 9,
The learning unit,
An apparatus for evaluating the degree of abnormality in equipment data, characterized by learning a classification function for classifying the boundary data and actual data and learning a boundary data generation function.
제11항에 있어서,
상기 학습부는,
역전파 과정을 통해 분류 손실 값이 최소가 되는 인공 신경망의 가중치를 결정하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
The method of claim 11,
The learning unit,
An apparatus for evaluating the degree of abnormality in facility data characterized by determining the weight of an artificial neural network that minimizes a classification loss value through a back propagation process.
제11항에 있어서,
상기 학습부는,
경계 데이터의 분류 확률이 1이 되도록 경계 데이터 생성 함수를 학습하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
The method of claim 11,
The learning unit,
An apparatus for evaluating the degree of abnormality in equipment data, characterized by learning a boundary data generation function so that the classification probability of boundary data is 1.
제9항에 있어서,
상기 가시화부는,
학습된 차원 축소 인공신경망을 통해 실제 데이터의 집합과 경계 데이터의 집합으로부터 2차원 데이터를 추출한 후, 각 차원의 최대 최소값을 계산하여 일정 간격을 갖는 격자 형태의 2차원 맵을 생성하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
The method of claim 9,
The visualization unit,
A facility characterized by generating two-dimensional maps with regular intervals by calculating the maximum and minimum values of each dimension after extracting two-dimensional data from a set of actual data and a set of boundary data through a learned dimensional reduction artificial neural network. Apparatus for evaluating the abnormality of data.
제9항에 있어서,
상기 평가부는,
학습된 평가 인공신경망을 통해 생성된 2차원 맵의 매핑 데이터들의 이상정도 평가값을 계산하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.
The method of claim 9,
The evaluation unit,
An apparatus for evaluating anomalies in facility data, characterized by calculating an anomaly evaluation value of mapping data of a 2D map generated through a learned evaluation artificial neural network.
제9항에 있어서,
상기 평가부는,
상기 입력 신호의 평가값을 색정보로 변환하고, 상기 색정보와 2차원 좌표를 통해 상기 2차원 평가 맵 상에 시각화하는 것을 특징으로 하는 설비 데이터의 이상 정도 평가 장치.The method of claim 9,
The evaluation unit,
An apparatus for evaluating the degree of abnormality in facility data, characterized in that the evaluation value of the input signal is converted into color information and visualized on the two-dimensional evaluation map through the color information and two-dimensional coordinates.
KR1020180106722A 2018-09-06 2018-09-06 Facility data fault diagnosis system and method of the same KR102132077B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180106722A KR102132077B1 (en) 2018-09-06 2018-09-06 Facility data fault diagnosis system and method of the same
PCT/KR2018/015131 WO2020050456A1 (en) 2018-09-06 2018-11-30 Method for evaluating degree of abnormality of equipment data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180106722A KR102132077B1 (en) 2018-09-06 2018-09-06 Facility data fault diagnosis system and method of the same

Publications (2)

Publication Number Publication Date
KR20200028249A true KR20200028249A (en) 2020-03-16
KR102132077B1 KR102132077B1 (en) 2020-07-08

Family

ID=69721851

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180106722A KR102132077B1 (en) 2018-09-06 2018-09-06 Facility data fault diagnosis system and method of the same

Country Status (2)

Country Link
KR (1) KR102132077B1 (en)
WO (1) WO2020050456A1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220013256A (en) * 2020-07-24 2022-02-04 한국전자통신연구원 Method and system for diagnosing abnormality of a plurality of apparatus based on sequential learning
WO2022215939A1 (en) * 2021-04-07 2022-10-13 주식회사 원프레딕트 Method for determining integrity factor through machine learning, and device for performing such method

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112859822B (en) * 2021-04-25 2021-07-09 北京邮电大学 Equipment health analysis and fault diagnosis method and system based on artificial intelligence

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002090267A (en) * 2000-09-21 2002-03-27 Mitsui Eng & Shipbuild Co Ltd Failure diagnosis method
KR101818394B1 (en) * 2017-05-11 2018-01-12 울산대학교 산학협력단 Method and apparatus for diagnosing facility condition

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100963685B1 (en) * 2008-05-21 2010-06-15 울산대학교 산학협력단 Apparatus and method of defect diagnosis through transform signals of sound and vibration of machine into image signals
JP5946573B1 (en) * 2015-08-05 2016-07-06 株式会社日立パワーソリューションズ Abnormal sign diagnosis system and abnormality sign diagnosis method
KR20170038348A (en) * 2015-09-30 2017-04-07 한국전력공사 Fault diagnosis system and fault diagnosis method in dynamic equipment

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002090267A (en) * 2000-09-21 2002-03-27 Mitsui Eng & Shipbuild Co Ltd Failure diagnosis method
KR101818394B1 (en) * 2017-05-11 2018-01-12 울산대학교 산학협력단 Method and apparatus for diagnosing facility condition

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220013256A (en) * 2020-07-24 2022-02-04 한국전자통신연구원 Method and system for diagnosing abnormality of a plurality of apparatus based on sequential learning
WO2022215939A1 (en) * 2021-04-07 2022-10-13 주식회사 원프레딕트 Method for determining integrity factor through machine learning, and device for performing such method
KR102453426B1 (en) * 2021-04-07 2022-10-13 주식회사 원프레딕트 Method for anomaly indicator based on machine learning and apparatus for performing the same

Also Published As

Publication number Publication date
WO2020050456A1 (en) 2020-03-12
KR102132077B1 (en) 2020-07-08

Similar Documents

Publication Publication Date Title
Saeed et al. Fault diagnosis based on extremely randomized trees in wireless sensor networks
US9971942B2 (en) Object detection in crowded scenes using context-driven label propagation
EP1729243B1 (en) Fault detection system and method using approximate null space based fault signature classification
Liu et al. Fault diagnosis and cause analysis using fuzzy evidential reasoning approach and dynamic adaptive fuzzy Petri nets
US20180307994A1 (en) Identifying multiple causal anomalies in power plant systems by modeling local propagations
KR102132077B1 (en) Facility data fault diagnosis system and method of the same
US11328062B2 (en) Critical infrastructure forensics
US11692910B2 (en) Abnormality diagnostic device, abnormality diagnostic method, and program
KR102490369B1 (en) On identifying the author group of malwares via graph embedding and human-in-loop approaches
CN116247824B (en) Control method and system for power equipment
Ferreira et al. Benchmarking safety monitors for image classifiers with machine learning
Abraham et al. Adaptive autonomy in human-on-the-loop vision-based robotics systems
Fathnejat et al. Structural damage detection by model updating method based on cascade feed-forward neural network as an efficient approximation mechanism
Wang et al. Incremental causal graph learning for online root cause analysis
Xiao et al. Self-checking deep neural networks for anomalies and adversaries in deployment
Ma et al. Detecting anomalies in small unmanned aerial systems via graphical normalizing flows
US10402289B2 (en) Fine-grained causal anomaly inference for complex system fault diagnosis
US20210365771A1 (en) Out-of-distribution (ood) detection by perturbation
US20230134508A1 (en) Electronic device and method with machine learning training
US11224359B2 (en) Repetitive human activities abnormal motion detection
JP7016450B2 (en) Abnormal sign detection device, abnormal sign detection method, and abnormal sign detection program
JP2002169611A (en) Fault diagnosis system and automated design system therefor
KR20230072920A (en) Iterative Learning Method and Apparatus for Unsupervised Anomaly Detection Under Data Contamination in IoT Environment
US20210073685A1 (en) Systems and methods involving detection of compromised devices through comparison of machine learning models
Choi et al. Data Preprocessing Method in Motor Fault Diagnosis Using Unsupervised Learning

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant