KR20200057271A - 해석을 진단하기 위한 장치 및 이를 위한 방법 - Google Patents
해석을 진단하기 위한 장치 및 이를 위한 방법 Download PDFInfo
- Publication number
- KR20200057271A KR20200057271A KR1020180141395A KR20180141395A KR20200057271A KR 20200057271 A KR20200057271 A KR 20200057271A KR 1020180141395 A KR1020180141395 A KR 1020180141395A KR 20180141395 A KR20180141395 A KR 20180141395A KR 20200057271 A KR20200057271 A KR 20200057271A
- Authority
- KR
- South Korea
- Prior art keywords
- analysis
- data
- unit
- model
- cells
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
해석을 진단하기 위한 장치는 설계 대상 부품 주변을 복수의 셀로 구분하고, 구분된 복수의 셀에 대해 전산유체역학에 따른 복수의 반복되는 수치 해석을 수행하여 해석 데이터를 도출하는 해석계층부와, 상기 복수의 반복되는 수치 해석을 모사하는 해석 모델을 도출하는 모델계층부와, 상기 해석 모델을 이용하여 상기 복수의 반복된 수치 해석의 결과를 예측하여 예측 데이터를 도출하는 예측계층부와, 상기 복수의 반복되는 수치 해석 중에 상기 해석 데이터와, 상기 예측 데이터를 비교하여 상기 수치 해석의 이상 여부를 진단하는 진단계층부를 포함한다.
Description
본 발명은 해석 기술에 관한 것으로, 보다 상세하게는, 학습된 모델을 이용한 해석에 대한 결과에 이상이 있는지 여부를 진단하기 위한 장치 및 이를 위한 방법에 관한 것이다.
고성능/고신뢰성의 핵심 부품을 제조하기 위해서는 설계 과정에서 전산유체해석/구조해석/전자기해석과 같은 해석이 반드시 필요하다. 예컨대, 터빈 블레이드의 경우, 전산유체해석, 구조해석 등이 요구되며, 모터의 경우 전자기해석이 요구된다. 그리고, 이러한 해석은 일반적으로 수십 번을 반복해야만 제대로 된 설계를 할 수 있다. 또한, 한 번 해석을 하는데 있어 많은 시간이 소요된다. 예컨대, 전산유체해석의 경우, 통상 4시간 이상이 소요된다. 그런데, 해석을 위하여 격자 설계, 운전 조건 설정, 중요 파라미터의 수치 설정을 잘못함으로써 이상한 해석 결과가 나오거나 해석이 중간에 중단되거나 하는 문제가 발생할 수 있다. 이럴 경우는 재해석을 해야 하기 때문에 그만큼 시간을 낭비하게 된다. 따라서, 해석 중간에 해석에 대한 이상 징후를 예측하여 시간 낭비를 방지할 수 있는 기술이 요구된다.
본 발명의 목적은 해석 중간에 해석에 대한 이상 징후를 예측하여 불필요한 해석을 계속 진행하는 것을 방지할 수 있는 해석을 진단하기 위한 장치 및 이를 위한 방법을 제공함에 있다.
본 발명의 실시예에 따른 해석을 진단하기 위한 장치는 설계 대상 부품 주변을 복수의 셀로 구분하고, 구분된 복수의 셀에 대해 전산유체역학에 따른 복수의 반복되는 수치 해석을 수행하여 해석 데이터를 도출하는 해석계층부와, 상기 복수의 반복되는 수치 해석을 모사하는 해석 모델을 도출하는 모델계층부와, 상기 해석 모델을 이용하여 상기 복수의 반복된 수치 해석의 결과를 예측하여 예측 데이터를 도출하는 예측계층부와, 상기 복수의 반복되는 수치 해석 중에 상기 해석 데이터와, 상기 예측 데이터를 비교하여 상기 수치 해석의 이상 여부를 진단하는 진단계층부를 포함한다.
상기 진단계층부는 상기 복수의 셀 중 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성하는 조기경보부와, 상기 조기 경보 정보를 기초로 상기 수치 해석의 결과의 이상 여부를 판별하는 이상진단부를 포함한다.
상기 조기경보부는 상기 해석 데이터 및 상기 예측 데이터의 차이인 잔차를 구하여 잔차 데이터를 도출하는 잔차생성부와, 상기 복수의 셀 중 상기 해석 데이터, 상기 예측 데이터 및 상기 잔차 데이터 중 적어도 하나가 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성하는 경보정보부를 포함한다.
상기 이상진단부는 상기 조기 경보 정보를 기초로 복수의 셀, 복수의 셀 그룹 및 전체 셀 중 적어도 하나가 기 설정된 이상 조건을 만족하는지 여부를 판별하여 상기 이상 조건을 만족하는 경우, 상기 해석계층부가 상기 수치 해석을 중단하도록 상기 해석계층부에 해석 중단 명령을 전송한다.
상기 모델계층부는 상기 수치 해석에 사용된 복수의 입력 신호와 상기 복수의 입력 신호 각각에 대응하는 복수의 출력 신호를 포함하는 해석 데이터를 저장하는 해석데이터저장부와, 상기 해석 데이터를 통해 복수회 반복되는 수치 해석을 모사하는 해석 모델을 생성하는 해석모델도출부를 포함한다.
상기 해석모델도출부는 파라미터가 결정되지 않은 해석 모델의 관계식을 구성하고, 상기 해석 데이터를 이용한 학습을 통해 상기 파라미터를 도출하여 상기 해석 모델을 생성한다.
상기 모델계층부는 상기 해석 데이터를 소정 조건에 따라 수정 혹은 제거하는 전처리를 수행하는 전철이부를 더 포함한다.
상기 모델계층부는 상기 전 처리된 해석 데이터를 분석하여 셀 간의 관계 및 셀 내부의 데이터들간의 관계를 도출하는 데이터분석 부를 더 포함한다.
상기 예측계층부는 상기 설계 대상 부품의 주변 공간을 구분하는 복수의 셀에 대한 수치 해석을 수행하여 기반 데이터를 도출하는 수치해석부와, 상기 기반 데이터를 상기 모델계층부가 도출한 상기 해석 모델에 적용하여 상기 복수회 반복된 수치 해석의 결과를 예측하여 예측 데이터를 도출하는 예측부를 포함한다.
상기 예측계층부는 상기 예측부가 도출한 예측 데이터를 최적화하는 예측최적화부를 더 포함한다.
본 발명의 실시예에 따른 해석을 진단하기 위한 장치는 설계 대상 부품 주변을 복수의 셀로 구분하고, 구분된 복수의 셀에 대해 전산유체역학에 따른 복수의 반복되는 수치 해석을 수행하여 해석 데이터를 도출하는 해석계층부와, 상기 복수의 반복되는 수치 해석의 결과를 예측하는 해석 모델을 이용하여 상기 복수의 반복된 수치 해석의 결과를 예측하여 예측 데이터를 도출하는 예측계층부와, 상기 복수의 반복되는 수치 해석 중에 상기 해석 데이터와, 상기 예측 데이터를 비교하여 상기 수치 해석의 이상 여부를 진단하는 진단계층부를 포함한다.
상기 해석 모델은 전달함수(Transfer Function) 모델과 상태공간(State Space) 모델을 포함하는 매개변수(Parametric) 모델 및 비매개변수(Nonparametric) 모델 중 적어도 하나를 포함한다.
상기 해석 모델은 상기 설계 대상 부품의 주변이 복수의 셀로 구분될 때, 복수의 셀 별로 수치해석을 모사하는 모델이거나, 서로 인접한 소정수의 셀을 포함하는 셀 그룹에 대한 수치 해석을 모사하는 모델이거나, 서로 특성이 비슷한 셀을 포함하는 셀 그룹에 대한 수치 해석을 모사하는 모델이거나, 상기 복수의 셀 전체에 대한 수치 해석을 모사하는 모델일 수 있다.
상기 진단계층부는 상기 복수의 셀 중 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성하는 조기경부와, 상기 조기 경보 정보를 기초로 상기 수치 해석의 결과의 이상 여부를 판별하는 이상진단부를 포함한다.
상기 조기경보부는 상기 해석 데이터 및 상기 예측 데이터의 차이인 잔차를 구하여 잔차 데이터를 도출하는 잔차생성부와, 상기 복수의 셀 중 상기 해석 데이터, 상기 예측 데이터 및 상기 잔차 데이터 중 적어도 하나가 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성하는 경보정보부를 포함한다.
상기 이상진단부는 상기 조기 경보 정보를 기초로 복수의 셀, 복수의 셀 그룹 및 전체 셀 중 적어도 하나가 기 설정된 이상 조건을 만족하는지 여부를 판별하여 상기 이상 조건을 만족하는 경우, 상기 해석계층부가 상기 수치 해석을 중단하도록 상기 해석계층부에 해석 중단 명령을 전송한다.
본 발명의 실시예에 따른 해석을 진단하기 위한 방법은 모델계층부가 설계 대상 부품 주변을 복수의 셀로 구분하고, 구분된 복수의 셀에 대해 전산유체역학에 따른 복수의 반복되는 수치 해석을 모사하는 해석 모델을 도출하는 단계와, 해석계층부가 상기 복수의 셀에 대해 전산유체역학에 따른 복수의 반복되는 수치 해석을 수행하여 해석 데이터를 도출하는 단계와, 예측계층부가 상기 해석 모델을 이용하여 상기 복수의 반복된 수치 해석의 결과를 예측하여 예측 데이터를 도출하는 단계와, 진단계층부가 상기 복수의 반복되는 수치 해석 중에 상기 해석 데이터와, 상기 예측 데이터를 비교하여 상기 수치 해석의 이상 여부를 진단하는 단계를 포함한다.
상기 수치 해석의 이상 여부를 진단하는 단계는 상기 진단계층부의 조기경보부가 상기 복수의 셀 중 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성하는 단계와, 상기 진단계층부의 이상진단부가 상기 조기 경보 정보를 기초로 상기 수치 해석의 결과의 이상 여부를 판별하는 단계를 포함한다.
상기 조기 경보 정보를 생성하는 단계는 상기 조기경보부의 잔차생성부가 상기 해석 데이터 및 상기 예측 데이터의 차이인 잔차를 구하여 잔차 데이터를 도출하는 단계와, 상기 조기경보부의 경보정보부가 상기 복수의 셀 중 상기 해석 데이터, 상기 예측 데이터 및 상기 잔차 데이터 중 적어도 하나가 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성하는 단계를 포함한다.
상기 이상 여부를 판별하는 단계는 상기 이상진단부가 상기 조기 경보 정보를 기초로 복수의 셀, 복수의 셀 그룹 및 전체 셀 중 적어도 하나가 기 설정된 이상 조건을 만족하는지 여부를 판별하여 상기 이상 조건을 만족하는 경우, 상기 해석계층부가 상기 수치 해석을 중단하도록 상기 해석계층부에 해석 중단 명령을 전송하는 단계를 포함한다.
상기 해석 모델을 도출하는 단계는 상기 모델계층부가 상기 수치 해석에 사용된 복수의 입력 신호와 상기 복수의 입력 신호 각각에 대응하는 복수의 출력 신호를 포함하는 해석 데이터를 통해 복수회 반복되는 수치 해석을 모사하는 해석 모델을 생성하는 단계를 포함한다.
상기 예측 데이터를 도출하는 단계는 상기 예측계층부의 수치해석부가 상기 설계 대상 부품의 주변 공간을 구분하는 복수의 셀에 대한 수치 해석을 수행하여 기반 데이터를 도출하는 단계와, 상기 예측계층부의 예측부가 상기 기반 데이터를 상기 모델계층부가 도출한 상기 해석 모델에 적용하여 상기 복수회 반복된 수치 해석의 결과를 예측하여 예측 데이터를 도출하는 단계를 포함한다.
본 발명에 따르면, 해석 중간에 해석에 대한 이상 징후를 예측하여 이상이 감지된 경우, 해석을 중단함으로써, 불필요한 해석을 계속 진행하는 것을 방지할 수 있다. 이에 따라, 개발에 소요되는 시간을 단축시킬 수 있다.
도 1은 본 발명의 실시예에 따른 설계 대상 부품과 그 주변을 복수의 셀로 구분한 예시도이다.
도 2는 본 발명의 실시예에 따른 해석 모델을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 이상 징후 판단을 위해 사용되는 데이터를 설명하기 위한 그래프이다.
도 4는 본 발명의 일 실시예에 따른 해석을 진단하기 위한 장치를 설명하기 위한 블록도이다.
도 5는 본 발명의 다른 실시예에 따른 해석을 진단하기 위한 장치를 설명하기 위한 블록도이다.
도 6은 본 발명의 실시예에 따른 해석예측부의 세부 구성을 설명하기 위한 블록도이다.
도 7은 본 발명의 실시예에 따른 해석예측부의 세부 구성을 설명하기 위한 블록도이다.
도 8은 본 발명의 실시예에 따른 잔차 데이터를 설명하기 위한 그래프이다.
도 9는 본 발명의 실시예에 따른 해석 방법을 설명하기 위한 흐름도이다.
도 10은 본 발명의 실시예에 따른 해석 모델을 생성하는 방법을 설명하기 위한 흐름도이다.
도 11은 본 발명의 실시예에 따른 해석 결과를 예측하는 방법을 설명하기 위한 흐름도이다.
도 12는 본 발명의 실시예에 따른 해석의 이상 여부를 진단하는 방법을 설명하기 위한 흐름도이다.
도 13은 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.
도 2는 본 발명의 실시예에 따른 해석 모델을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 이상 징후 판단을 위해 사용되는 데이터를 설명하기 위한 그래프이다.
도 4는 본 발명의 일 실시예에 따른 해석을 진단하기 위한 장치를 설명하기 위한 블록도이다.
도 5는 본 발명의 다른 실시예에 따른 해석을 진단하기 위한 장치를 설명하기 위한 블록도이다.
도 6은 본 발명의 실시예에 따른 해석예측부의 세부 구성을 설명하기 위한 블록도이다.
도 7은 본 발명의 실시예에 따른 해석예측부의 세부 구성을 설명하기 위한 블록도이다.
도 8은 본 발명의 실시예에 따른 잔차 데이터를 설명하기 위한 그래프이다.
도 9는 본 발명의 실시예에 따른 해석 방법을 설명하기 위한 흐름도이다.
도 10은 본 발명의 실시예에 따른 해석 모델을 생성하는 방법을 설명하기 위한 흐름도이다.
도 11은 본 발명의 실시예에 따른 해석 결과를 예측하는 방법을 설명하기 위한 흐름도이다.
도 12는 본 발명의 실시예에 따른 해석의 이상 여부를 진단하는 방법을 설명하기 위한 흐름도이다.
도 13은 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예를 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 발명에서, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명에서 해석은 전산유체역학 해석, 구조 해석, 전자기 해석 등의 해석을 의미하며, 본 발명은 전산유체역학 해석, 구조 해석, 전자기 해석 등에 적용될 수 있다.
먼저, 본 발명의 실시예에 따른 해석 모델에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 설계 대상 부품과 그 주변을 복수의 셀로 구분한 예시도이다. 도 2는 본 발명의 실시예에 따른 해석 모델을 설명하기 위한 도면이다. 도 3은 본 발명의 실시예에 따른 이상 징후 판단을 위해 사용되는 데이터를 설명하기 위한 그래프이다.
도 1을 참조하면, 부품(CP), 예컨대, 터빈의 블레이드와 같은 부품을 설계 하기 위해 해석을 수행할 수 있다. 이러한 해석은 부품(CP) 주변 영역을 복수의 셀(CE)로 구분하고, 구분된 복수의 셀(CE)의 경계 조건에 따른 복수의 셀(CE) 각각의 물리적 특성을 도출하기 위한 것이다. 이러한 해석은 전산유체해석, 구조해석, 전자기해석 등을 예시할 수 있다. 이러한 해석은 컴퓨팅 연산을 통한 수치 해석을 통해 이루어질 수 있다. 예컨대, 도 2를 참조하면, 전산유체역학(CFD: Computational Fluid Dynamics)에 의한 수치 해석이 수행될 수 있다. 전산유체역학에 따른 수치 해석을 위하여, 부품(CP) 주변을 복수의 셀(CE)로 구분한다. 그리고 복수의 셀(CE)에 대한 비선형의 편미분방정식을 수립한다. 이어서, 예컨대, 가우스 소거법(Gaussian elimination method)을 통해 그 편미분방정식에 대한 근사해를 구할 수 있다.
전산유체역학(CFD)에 의한 수치 해석은 유체의 특성상 복수회 반복(iteration) 수행된다. 개념적으로, 유체의 특성 상, 초기의 소정 횟수의 수치 해석의 결과치는 안정적이지 않으며, 복수회 반복(iteration)한 후에야 안정적인 상태(steady state)가 된다. 즉, 전산유체역학에 의한 수치 해석은 부품 주변의 유체가 포화(saturation) 상태가 될 때까지 복수회 반복 수행된다. 즉, 해석 데이터는 복수회 반복 수행되는 수치 해석의 결과값이다. 이러한 편미분방정식에 대한 근사해를 구하는 수치 해석은 컴퓨팅 연산을 통해 병렬 처리를 수행할 수 없기 때문에 많은 시간이 소요된다. 이와 같이, 많은 시간이 소요됨에도 불구하고, 해석을 위하여 격자 설계, 운전 조건 설정, 중요 파라메터의 수치 설정을 잘못함으로써 이상한 해석 결과가 나오거나 해석이 중간에 중단되거나 하는 문제가 발생할 수 있다. 이럴 경우는 재해석을 해야 하기 때문에 그만큼 시간을 낭비한 결과가 되어 버린다. 따라서, 해석 중간에 해석에 대한 이상 징후를 예측하여 시간 낭비를 막아 줄 수 있는 기술 개발이 필요하다. 이를 위하여, 본 발명은 해석 중간 시점(T+k)에 해석 결과를 예측하는 해석 모델을 통해 해석 결과를 예측하고, 예측된 해석 결과와, 실제 해석 결과를 비교하여 이상 징후를 판단하고, 판단된 바에 따라 실제 해석을 지속할지 여부를 결정한다.
구체적인 예로, 도 3의 그래프를 참조하면, 해석 데이터는 전산유체역학(CFD: Computational Fluid Dynamics)에 의한 수치 해석을 통해 얻어지는 데이터를 의미한다. 여기서, 해석 데이터는 수치 해석을 위해 입력되는 입력값 V(k) 및 수치 해석의 결과인 출력 데이터 Y(k)를 포함한다. 본 발명의 예측 모델은 제1 횟수(k) 반복된 해석 결과인 기반 데이터로부터 제1 횟수(k) 보다 많은 제2 횟수(k+T) 반복된 해석 결과를 예측한 예측 데이터를 도출한다. 여기서, 예측 데이터는 제2 횟수(k+T) 반복시 수치 해석을 위해 입력되는 입력값의 예측치 와, 제2 횟수(k+T) 반복시 수치 해석의 결과로 출력되는 출력값의 예측치 를 포함한다. 여기서, T는 0, 1, 2, ... 등의 어떤 특정한 숫자일 수 있다. 만약 T=0 이라면, 현재 시점의 해석 데이터를 이용해 현재 시점의 예측 데이터를 생성하고, 이를 이용해 해석에 대한 이상 징후를 예측 및 진단할 수 있다.
이와 같이, 본 발명은 수치 해석이 완료되기 전 중간에, 즉, 수치 해석이 제2 횟수(k+T) 반복된 시점에서 제2 횟수(k+T) 반복된 실제 수치 해석의 결과인 해석 데이터와, 해석 모델을 통해 제2 횟수(k+T) 반복된 수치 해석의 결과를 예측한 예측 데이터를 비교하여 이상 징후를 판단하고, 판단된 바에 따라 실제 해석을 지속할지 여부를 결정한다. 이에 따라, 해석의 중간에 이상이 발견된 경우, 해석을 중단하여 시간 및 비용을 절약할 수 있다.
한편, 본 발명의 실시예에 따른 해석 모델은 전달함수(Transfer Function) 모델과 상태공간(State Space) 모델을 포함하는 매개변수 모델 모델(Parametric Model) 및 비매개변수 모델(Nonparametric model) 중 적어도 하나를 포함한다. 다음의 표 1은 매개변수 모델 모델 및 비매개변수 모델의 예를 나타낸다.
Parametric Model |
Transfer Function |
Equation Error |
Auto-Regressive eXogeneous (ARX) |
Nonlinear Auto-Regressive eXogeneous (NARX) | |||
Finite Impulse Response (FIR) | |||
Auto-Regressive Moving Average eXogenious (ARMAX) : Pseudolinear Regression Model | |||
Auto-Regressive (AR) | |||
Auto-Regressive Moving Average (ARMA) | |||
Auto-Regressive Auto-Regressive eXogeneous (ARARX) : Generalized Least-Squares Model | |||
Auto-Regressive Auto-Regressive Moving Average eXogeneous (ARARMAX) : Extended Matrix Model | |||
Output Error |
Output Error (OE) | ||
Box and Jenkins (BJ) | |||
State Space |
Linear Time Invariant (LTI), Linear Time Variant (LTV) | ||
Linear Model, Nonlinear Model | |||
Continuous Time, Discrete Time, Delay Time | |||
Single Input Single Output (SISO), Multi Input Multi Output (MIMO) |
|||
Stochastic Model, Deterministic Model | |||
Robust, Open Loop, Closed Loop | |||
Non Parametric Model |
Non Parametric (Data Set Type) | ||
Impulse Response | |||
Step Response | |||
Frequency Transfer Function | |||
Tree | |||
Neural Network (NN) : FF, FB, Radial Basis Function, Convolutional, Spiking, Deep NN (Deep Belief Network), Recurrent NN |
또한, 해석 모델은 다음의 표 2에 게시된 최적화 알고리즘 중 적어도 하나를 이용하여 도출될 수 있다.
Parametric Model |
Prediction Error Method (PEM) Maximum Likelihood Method (MLM) Least-Squares Method (LSM) -Batch Least-Squares Method -Off-line Least-Squares Method Extended Least-Squares Method (ELSM) Generalized Least-Squares Method (GLSM) Recursive Least-Squares Method (RLS) Instrumental Variable Method (IVM) Principle Component Analysis (PCA) Dynamic Principle Component Analysis (DPCA) Partial Least Squares (PLS) SubSpace-based State Space Model Identification (4SID) Method (+ Singular Value Decomposition (SVD)) (+ QR Decomposition) -N4SID Method -Multivariable Output Error State sPace (MOESP) Method Canonical VariateAnalysis (CVA) Singular Value Decomposition Minimal Realization Method (MRM) |
Non Parametric Model |
Transient Response Method Correlation Analysis Frequency Response Method Spectral Analysis Method Empirical Transfer Function Estimate (ETFE) Method Single/Multi-Layer Perceptron Learning, Back-Propagation, Gradient Descent LayerwisePretraining: Auto-Encoder, BolzmannMachine |
특히, 다시 도 1을 참조하면, 본 발명의 실시예에 따른 해석 모델은 설계 대상 부품(CP) 주변이 복수의 셀(CE)로 구분될 때, 복수의 셀(CE) 별로 수치 해석을 모사하는 모델이거나, 서로 인접한 소정수의 셀(CE)을 포함하는 셀 그룹에 대한 수치 해석을 모사하는 모델이거나, 서로 특성이 비슷한 셀을 포함하는 셀 그룹에 대한 수치 해석을 모사하는 모델이거나, 복수의 셀(CE) 전체에 대한 수치 해석을 모사하는 모델이 될 수 있다.
그러면, 본 발명의 실시예에 따른 해석을 진단하기 위한 장치에 대해서 설명하기로 한다. 도 4는 본 발명의 일 실시예에 따른 해석을 진단하기 위한 장치를 설명하기 위한 블록도이다. 도 5는 본 발명의 다른 실시예에 따른 해석을 진단하기 위한 장치를 설명하기 위한 블록도이다. 도 6은 본 발명의 실시예에 따른 해석예측부의 세부 구성을 설명하기 위한 블록도이다. 도 7은 본 발명의 실시예에 따른 해석예측부의 세부 구성을 설명하기 위한 블록도이다. 도 8은 본 발명의 실시예에 따른 잔차 데이터를 설명하기 위한 그래프이다.
먼저, 도 4 및 도 5를 참조하면, 본 발명의 실시예에 따른 해석 장치(10)는 모델계층부(100), 예측계층부(200), 진단계층부(300) 및 해석계층부(400)를 포함한다.
해석계층부(400)는 전산유체역학(CFD: Computational Fluid Dynamics)에 의한 수치 해석을 수행한다. 이러한 해석계층부(400)는 부품(CP) 주변을 복수의 셀(CE)로 구분하고, 전산유체역학(CFD)에 의한 수치 해석을 복수회 반복(iteration)하면서 해석 데이터를 출력한다.
모델계층부(100)는 부품의 수치 해석에 사용된 복수의 입력 신호와 복수의 입력 신호에 대응하는 복수의 출력 신호인 해석 데이터를 이용하여 부품에 대한 복수의 반복되는 수치 해석의 결과를 예측하는 해석 모델을 생성한다. 이러한 해석 모델은 복수회 반복되는 수치 해석을 모사한다. 특히, 전술한 바와 같이, 해석 모델은 복수의 모델로 이루어질 수 있으며, 매개변수 모델 및 비매개변수 모델 중 적어도 하나를 포함한다.
도 4와 같은 일 실시예에 따르면, 모델계층부(100)는 해석데이터저장부(110) 및 해석모델도출부(140)를 포함한다. 도 5와 같은 다른 실시예에 따르면, 모델계층부(100)는 해석데이터저장부(110), 전처리부(120), 데이터분석부(130) 및 해석모델도출부(140)를 포함한다.
해석데이터저장부(110)는 본 발명의 실시예에 따른 해석 데이터를 저장한다. 해석 데이터는 부품(CP) 주변 영역을 복수의 셀(CE)로 구분하고, 그 복수의 셀(CE)의 수치 해석에 사용된 데이터이다. 이러한 해석 데이터는 복수의 입력 신호와 그 복수의 입력 신호에 대응하는 복수의 출력 신호를 포함한다. 예컨대, 입력 신호는 각 셀(CE)의 유체의 층류 점도, 난류 전도, 반복 실시(iteration)되는 수치 해석간 시간차 등이 될 수 있다. 출력 신호는 유체 특성을 의미한다. 예컨대, 출력 신호는 각 셀(CE)의 밀도, x, y 방향의 모멘텀(Momentum), 내부 에너지 등이 될 수 있다.
전처리부(120)는 해석데이터저장부(110)에 저장된 해석 데이터를 소정 조건에 따라 수정 혹은 제거하는 전처리를 수행한다. 해석 데이터에 대한 전처리는 해석 데이터 중 중간에 비어있는 데이터, 잘못된 데이터 등을 제거하거나 올바른 수치로 변환하고, 소정 요건에 맞는 해석 데이터만을 선택하는 것을 의미한다. 이와 같이, 전처리부(120)는 해석 데이터를 소정 조건에 따라 수정 혹은 제거한 후, 출력한다.
데이터분석부(130)는 전처리부(120)가 출력한 해석 데이터를 분석하여 셀 간의 관계 및 셀 내부의 데이터들간의 관계를 도출한다. 즉, 데이터분석부(130)는 설계 사양 및 조건, 셀(CE) 간의 관계 및 셀(CE) 별 데이터를 분석하여 셀(CE) 간의 관계 및 셀(CE) 내부의 데이터들간의 관계를 도출한다.
해석모델도출부(140)는 수치 해석에 사용된 복수의 입력 신호와 복수의 입력 신호에 대응하는 복수의 출력 신호인 해석 데이터를 이용하여 복수회 반복(iteration)된 수치 해석의 출력 신호를 예측하는 해석 모델을 도출한다. 이러한 해석 모델은 복수회 반복(iteration)된 수치 해석을 모사한다.
해석모델도출부(140)는 파라미터가 결정되지 않은 해석 모델의 관계식을 구성한 후, 해석 데이터를 관계식에 대입하여 최적화 알고리즘을 통해 파라미터를 도출한다. 이에 따라, 해석모델도출부(140)는 도출된 파라미터를 해석 모델의 관계식에 적용하여 해석 모델을 생성할 수 있다. 일례로, 해석모델도출부(140)는 복수의 반복된 수치 해석의 입력 신호와 출력 신호의 관계를 결정하는 파라미터가 미지수인 해석 모델의 관계식을 구성한 후, 구성된 관계식에 복수의 해석 데이터를 학습시켜 파라미터를 도출할 수 있다. 이로써, 해석모델도출부(140)는 해석 모델을 도출할 수 있다.
예측계층부(200)는 모델계층부(100)가 도출한 해석 모델을 이용하여 설계 대상 부품(CP)의 주변 공간을 구분하는 복수의 셀(CE)에 대한 수치 해석의 결과를 예측하기 위한 것이다. 일 실시예에 따르면, 예측계층부(200)는 도 4와 같이, 해석예측부(210)를 포함한다. 또한, 다른 실시예에 따르면, 도 5과 같이, 예측계층부(200)는 해석예측부(210) 및 예측최적화부(220)를 포함한다.
해석예측부(210)는 해석모델도출부(140)가 생성한 해석 모델을 통해 복수회(k+T) 반복한 수치 해석의 결과를 예측한다. 다른 말로, 해석예측부(210)는 해석 데이터를 기초로 해석모델도출부(140)가 생성한 해석 모델에 입력하여 복수회(k+T) 반복한 수치 해석의 출력 신호를 예측한다. 이러한 해석예측부(210)는 도 6에 도시된 바와 같이, 수치해석부(211) 및 예측부(213)를 포함한다.
수치해석부(211)는 설계 대상 부품의 주변 공간을 구분하는 복수의 셀에 대한 수치 해석을 수행하여 기반 데이터를 출력한다. 이에 따라, 수치 해석을 위한 입력 신호와 이에 대응하는 출력 신호가 도출된다. 도 3을 참조하면, 수치해석부(211)는 소정 횟수(k)의 수치 해석만을 반복하여 기반 데이터를 생성한다. 이때, 수치해석부(211)는 수치 해석에 의한 입력 신호 및 출력 신호를 포함하는 기반 데이터를 도출한다. 예컨대, 도 3과 같이, 수치해석부(211)는 기반 데이터(①, ②, ③, ④, ⑤)를 도출할 수 있다.
예측부(213)는 수치해석부(211)가 도출한 해석 데이터를 해석모델도출부(340)가 생성한 해석 모델에 입력하여 복수회(k+T) 반복한 수치 해석의 결과를 예측하여 예측 데이터를 출력한다. 도 3을 참조하면, 예측부(213)는 해석 모델에 수치해석부(211)의 기반 데이터(①, ②, ③, ④, ⑤)를 기초로 복수회(k+T) 반복한 수치 해석의 결과를 예측하여 예측 데이터를 도출한다. 예컨대, 예측부(213)는 기반 데이터(①, ②, ③, ④, ⑤)로부터 복수회(k+T) 반복한 수치 해석의 결과를 예측한 예측 데이터(ⓐ, ⓑ, ⓒ, ⓓ, ⓔ)를 도출한다. 도 3에 도시된 바와 같이, 수치 해석을 복수회(k+T) 반복(iteration)한 후에야 원하는 출력 신호 를 얻을 수 있다. 하지만, 예측부(213)는 수치해석부(211)의 k 번째 수치 해석으로부터 도출된 기반 데이터를 기초로 해석 모델에 입력하여 복수회(k+T) 반복된 수치 해석의 결과인 출력 신호 를 얻을 수 있다. 따라서 본 발명에 따르면, T번의 수치 해석의 반복(iteration)할 필요가 없어 T번의 수치 해석의 반복되는 시간만큼 해석에 소요되는 시간을 단축시킬 수 있다.
예측최적화부(220)는 해석예측부(210)가 예측한 해석 결과를 최적화하기 위한 것이다. 해석 결과는 수치 해석을 반복(iteration)할수록 특정치로 수렴한다. 따라서, 본 발명은 최적화부(300)를 통해 예측계층부(200)가 예측한 결과(복수의 출력 신호)를 최적화한다. 예컨대, 도 3을 참조하면, 예측최적화부(220)는 최적화를 수행하여 예컨대, 예측 데이터(ⓐ, ⓑ, ⓒ, ⓓ, ⓔ)의 평균값을 출력할 수 있다.
진단계층부(300)는 해석계층부(400)의 해석이 수행되는 중간에 해석계층부(400)에서 출력되는 실제의 해석 데이터와, 예측계층부(200)에서 생성된 해석의 예측 결과인 예측 데이터를 비교하여 해석 데이터의 이상 여부를 검증한다. 이러한 진단계층부(300)는 조기경보부(310) 및 이상진단부(320)를 포함한다.
조기경보부(310)는 설계 대상 부품 주변의 복수의 셀(CE) 중 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성하기 위한 것이다. 이를 위하여, 조기경보부(310)는 도 7에 도시된 바와 같이, 잔차생성부(311) 및 경보정보부(313)를 포함한다.
잔차생성부(311)는 도 8의 그래프와 같이, 해석계층부(400)의 수치 해석에 따른 해석 데이터와, 예측계층부(200)가 예측한 예측 데이터를 입력 받아 잔차 데이터를 도출한다. 즉, 잔차 데이터는 해석 데이터와 예측 데이터의 차이를 나타낸다. 여기서, 해석 데이터 및 예측 데이터는 복수의 셀, 복수의 셀 그룹 및 전체 셀에 대해 도출된 것이다. 이에 따라, 잔차 데이터 또한 복수의 셀, 복수의 셀 그룹 및 전체 셀에 대해 도출된다.
경보정보부(313)는 해석계층부(400)의 수치 해석의 결과에 따른 실제의 해석 데이터와, 예측계층부(200)가 수치 해석의 결과를 예측한 예측 데이터와, 잔차생성부(311)가 도출한 잔차 데이터를 비교하여, 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성한다. 예컨대, 조기 경보 조건은 해석 데이터, 예측 데이터 및 잔차 데이터 각각의 정상 범위를 설정한 것이다. 이에 따라, 경보정보부(313)는 해석 데이터, 예측 데이터 및 잔차 데이터 중 적어도 하나가 정상 범위를 벗어나는 셀에 대해 조기 경보 정보를 생성한다. 조기 경보 정보는 정상 범위를 벗어나는 셀에 대한 식별자와, 해당 셀의 해석 데이터, 예측 데이터 및 잔차 데이터를 포함한다.
이상진단부(320)는 경보정보부(313)가 제공하는 조기 경보 정보를 기초로 기 설정된 이상 조건을 만족하는지 여부에 따라 해석의 이상 여부를 판단한다. 예컨대, 이상진단부(320)는 소정 반복 횟수 이상 지속하여 개별 셀, 셀 그룹 혹은 전체 셀이 이상 조건을 만족하는지 여부를 판단한다. 일 실시예에 따르면, 이상진단부(320)는 순차적으로, 개별 셀의 이상 여부를 판단하고, 그룹 셀 별로 이상 여부를 판단하고, 전체 셀에 대한 이상 여부를 판단한 후, 판단 결과를 종합하여 최종적으로 이상 여부를 결정할 수 있다. 다른 실시예에 따르면, 이상진단부(320)는 개별 셀에 대한 이상 여부 판단은 하지 않고, 그룹 셀 별로 이상 여부를 판단하고, 전체 셀에 대한 이상 여부를 판단한 후, 판단 결과를 종합하여 최종적으로 이상 여부를 결정할 수 있다. 또 다른 실시예에 따르면, 이상진단부(320)는 개별 셀의 이상 여부를 판단하고, 그룹 셀 별로 이상 여부 판단은 생략하고, 전체 셀에 대한 이상 여부를 판단한 후, 판단 결과를 종합하여 최종적으로 이상 여부를 결정할 수 있다.
이상진단부(320)는 이상이라고 진단한 경우, 해석계층부(400)에 해석을 중단하도록 하는 중단 명령을 전송하여 해석계층부(400)가 해석을 중단하도록 한다. 반면, 이상진단부(320)는 이상이 아니라고 진단한 경우, 해석계층부(400)에 해석을 지속하도록 하는 지속 명령을 전송하여 해석계층부(400)가 해석을 지속하도록 한다. 한편, 대안적인 실시예에 따르면, 이상진단부(320)는 이상이 아니라고 진단한 경우, 해석계층부(400)에 어떠한 명령 혹은 지령을 전송하지 않음으로써, 해석계층부(400)가 해석을 지속하도록 할 수 있다.
다음으로, 본 발명의 실시예에 따른 해석 장치(10)의 해석을 진단하기 위한 방법에 대해서 설명하기로 한다. 도 9는 본 발명의 실시예에 따른 해석 방법을 설명하기 위한 흐름도이다.
도 9를 참조하면, 모델계층부(100)는 S110 단계에서 해석 데이터를 이용하여 대상 부품(CP)의 주변 공간을 구분하는 복수의 셀(CE)에 대해 수치 해석을 수행하는 해석 모델을 도출한다. 여기서, 해석 데이터는 기존의 복수회 반복(iteration)되는 수치 해석에 사용된 복수의 입력 신호와 그 복수의 입력 신호에 대응하는 복수의 출력 신호를 포함한다. 즉, 해석 모델은 복수회 반복(iteration)되는 수치 해석을 모사하여 그 결과를 예측하기 위한 것이다.
해석계층부(400)는 S120 단계에서 해석을 수행한다. 해석계층부(400)는 부품(CP) 주변 영역을 복수의 셀로 구분하고, 복수의 셀을 소정 규칙에 따라 복수의 셀 그룹으로 그룹화한 후, 복수의 셀 각각에 대해 그리고 복수의 셀 그룹 각각에 대해 그리고 전체 셀에 대해 전산유체역학(CFD: Computational Fluid Dynamics)에 의한 수치 해석을 수행한다. 특히, 해석계층부(400)는 수치 해석을 복수회 반복(iteration)하여 해석 데이터를 출력한다.
한편, 예측계층부(200)는 S130 단계에서 앞서 모델계층부(100)가 도출한 해석 모델을 통해 대상 부품(CP)의 주변 공간의 복수의 셀(CE)에 대해 복수의 반복된 수치 해석의 결과를 예측한다.
그러면, 진단계층부(300)는 S140 단계에서 해석계층부(400)의 해석이 수행되는 중간에 해석계층부(400)에서 출력되는 실제의 해석 데이터와, 예측계층부(200)에서 생성된 해석의 예측 결과인 예측 데이터를 비교하여 해석 데이터의 이상 여부를 검증한다.
그러면, 전술한 S110, S130 및 S140 단계 각각에 대해 보다 상세하게 설명하기로 한다.
먼저, 전술한 S110 단계의 해석 모델을 생성하는 방법을 보다 상세하게 설명하기로 한다. 도 10은 본 발명의 실시예에 따른 해석 모델을 생성하는 방법을 설명하기 위한 흐름도이다.
도 10을 참조하면, 해석데이터저장부(110)는 S210 단계에서 수치 해석에 사용된 복수의 입력 신호와 복수의 입력 신호 각각에 대응하는 복수의 출력 신호를 포함하는 해석 데이터를 저장한 상태라고 가정한다. 해석데이터저장부(110)는 이러한 해석 데이터를 출력한다.
전처리부(120)는 S220 단계에서 해석 데이터에 대한 전처리를 수행한다. 전처리부(120)는 해석 데이터 중 중간에 비어있는 데이터, 잘못된 데이터 등을 제거하거나 올바른 수치로 변환하여 소정 요건에 맞는 해석 데이터만을 선택하여 출력한다. 이어서, 데이터분석부(130)는 S230 단계에서 해석 데이터를 분석하여 셀(CE) 간의 관계 및 셀(CE) 내부의 데이터들간의 관계를 도출할 수 있다. 즉, 데이터분석부(130)는 설계 사양 및 조건, 셀(CE) 간의 관계 및 셀(CE) 별 데이터를 분석하여 셀(CE) 간의 관계 및 셀(CE) 내부의 데이터들간의 관계를 도출한다. 전술한 S220 단계 및 S230 단계는 선택적으로 생략될 수 있다.
해석모델도출부(140)는 S240 단계에서 입력 신호와 출력 신호와의 관계를 결정하는 파라미터가 결정되지 않은 해석모델의 관계식을 구성한다. 즉, 해석모델도출부(140)는 수치 해석의 입력 신호와 출력 신호의 관계를 결정하는 파라미터가 미지수인 관계식을 구성한다. 이어서, 해석모델도출부(140)는 S250 단계에서 해석 데이터를 관계식에 대입하여 최적화 알고리즘을 통해 파라미터를 도출한다. 즉, 해석모델도출부(140)는 최적화 알고리즘을 통해 해석 데이터에 대한 학습을 수행한다. 이러한 학습은 예컨대, 지도 학습, 비지도 학습 등을 예시할 수 있다. 그런 다음, 해석모델도출부(140)는 S260 단계에서 앞서 도출된 파라미터를 관계식에 적용하여 해석 모델을 도출한다. 이러한 해석 모델은 복수회 반복된 수치 해석의 결과를 예측할 수 있다.
다음으로, 전술한 해석 모델을 이용하여 해석 결과를 예측하는 방법에 대해서 설명하기로 한다. 도 11은 본 발명의 실시예에 따른 해석 결과를 예측하는 방법을 설명하기 위한 흐름도이다.
도 11을 참조하면, 예측계층부(200)의 수치해석부(211)는 S310 단계에서 수치 해석을 수행하여 수치 해석에 의한 입력 신호 및 출력 신호를 포함하는 기반 데이터를 도출한다. 예컨대, 도 3과 같이, 수치해석부(211)는 기반 데이터(①, ②, ③, ④, ⑤)를 도출할 수 있다.
이어서, 예측계층부(200)의 예측부(213)는 S320 단계에서 해석 모델에 수치해석부(211)의 기반 데이터(①, ②, ③, ④, ⑤)를 기초로 복수회(k+T) 반복한 수치 해석의 결과를 예측하여 예측 데이터를 도출한다. 예컨대, 예측부(213)는 기반 데이터(①, ②, ③, ④, ⑤)로부터 복수회(k+T) 반복한 수치 해석의 결과를 예측한 예측 데이터(ⓐ, ⓑ, ⓒ, ⓓ, ⓔ)를 도출한다.
예측최적화부(220)는 S330 단계에서 예측 결과인 복수의 출력 신호에 대한 최적화를 수행한다. 예측최적화부(220)는 최적화를 수행하여 예컨대, 예측 데이터(ⓐ, ⓑ, ⓒ, ⓓ, ⓔ)의 평균값을 출력할 수 있다.
다음으로, 본 발명의 실시예에 따른 해석의 이상 여부를 진단하는 방법에 대해서 설명하기로 한다. 도 12는 본 발명의 실시예에 따른 해석의 이상 여부를 진단하는 방법을 설명하기 위한 흐름도이다.
도 12를 참조하면, 조기경보부(310)의 잔차생성부(311)는 S410 단계에서 해석계층부(400)의 수치 해석에 따른 해석 데이터와, 예측계층부(200)가 예측한 예측 데이터를 입력 받아 잔차 데이터를 도출한다. 여기서, 해석 데이터 및 예측 데이터는 복수의 셀, 복수의 셀 그룹 및 전체 셀에 대해 도출된 것이다. 이에 따라, 잔차 데이터 또한 복수의 셀, 복수의 셀 그룹 및 전체 셀에 대해 도출된다.
다음으로, 조기경보부(310)의 경보정보부(313)는 S420 단계에서 해석계층부(400)의 수치 해석의 결과에 따른 실제의 해석 데이터와, 예측계층부(200)가 수치 해석의 결과를 예측한 예측 데이터와, 잔차생성부(311)가 도출한 잔차 데이터를 비교한다.
이어서, 경보정보부(313)는 S430 단계에서 상기 비교 결과, 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성한다. 일례로, 조기 경보 조건은 해석 데이터, 예측 데이터 및 잔차 데이터 각각의 정상 범위를 설정한 것이 될 수 있다. 이에 따라, 경보정보부(313)는 해석 데이터, 예측 데이터 및 잔차 데이터 중 적어도 하나가 정상 범위를 벗어나는 셀에 대해 조기 경보 정보를 생성할 수 있다. 조기 경보 정보는 조기 경보 조건에 따른 정상 범위를 벗어나는 셀에 대한 식별자와, 해당 셀의 해석 데이터, 예측 데이터 및 잔차 데이터를 포함한다.
다음으로, 이상진단부(320)는 S440 단계에서 조기 경보 정보를 기초로 기 설정된 이상 조건을 만족하는지 여부에 따라 해석의 이상 여부를 판단한다. 예컨대, 이상진단부(320)는 소정 반복 횟수 이상 지속하여 개별 셀, 셀 그룹 혹은 전체 셀이 이상 조건을 만족하는지 여부를 판단한다. 일 실시예에 따르면, 이상진단부(320)는 순차적으로, 개별 셀의 이상 여부를 판단하고, 그룹 셀 별로 이상 여부를 판단하고, 전체 셀에 대한 이상 여부를 판단한 후, 판단 결과를 종합하여 이상 여부를 결정할 수 있다.
다른 실시예에 따르면, 이상진단부(320)는 개별 셀에 대한 이상 여부 판단은 하지 않고, 그룹 셀 별로 이상 여부를 판단하고, 전체 셀에 대한 이상 여부를 판단한 후, 판단 결과를 종합하여 이상 여부를 결정할 수 있다.
또 다른 실시예에 따르면, 이상진단부(320)는 개별 셀의 이상 여부를 판단하고, 그룹 셀 별로 이상 여부 판단은 생략하고, 전체 셀에 대한 이상 여부를 판단한 후, 판단 결과를 종합하여 이상 여부를 결정할 수 있다.
이상진단부(320)는 S450 단계에서 이상이라고 판단된 경우, S460 단계로 진행하고, 이상이 아닌 경우, S470 단계로 진행한다. 이에 따라, 이상이라고 진단한 경우, 이상진단부(320)는 S460 단계에서 해석계층부(400)에 해석을 중단하도록 하는 중단 명령을 전송하여 해석계층부(400)가 해석을 중단하도록 한다. 반면, 이상이 아니라고 진단한 경우, 이상진단부(320)는 S470 단계에서 해석계층부(400)에 해석을 지속하도록 하는 지속 명령을 전송하여 해석계층부(400)가 해석을 지속하도록 한다. 한편, 대안적인 실시예에 따르면, S470 단계에서 이상진단부(320)는 해석계층부(400)에 어떠한 명령 혹은 지령을 전송하지 않음으로써, 해석계층부(400)가 해석을 지속하도록 할 수 있다.
도 13은 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다. 도 13의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예, 해석 장치 등) 일 수 있다.
도 13의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.
메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.
한편, 전술한 본 발명의 실시예에 따른 다양한 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 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 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 와이어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 와이어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상, 본 발명의 일 실시예에 대하여 설명하였으나, 해당 기술 분야에서 통상의 지식을 가진 자라면 특허청구범위에 기재된 본 발명의 사상으로부터 벗어나지 않는 범위 내에서, 구성 요소의 부가, 변경, 삭제 또는 추가 등에 의해 본 발명을 다양하게 수정 및 변경시킬 수 있을 것이며, 이 또한 본 발명의 권리범위 내에 포함된다고 할 것이다.
10: 해석 장치
100: 모델계층부
110: 해석데이터저장부
120: 전처리부
130: 데이터분석부
140: 해석모델도출부
200: 예측계층부
210: 해석예측부
211: 수치해석부
213: 예측부
220: 예측최적화부
300: 진단계층부
310: 조기경보부
311: 잔차생성부
313: 경보정보부
320: 이상진단부
400: 해석계층부
100: 모델계층부
110: 해석데이터저장부
120: 전처리부
130: 데이터분석부
140: 해석모델도출부
200: 예측계층부
210: 해석예측부
211: 수치해석부
213: 예측부
220: 예측최적화부
300: 진단계층부
310: 조기경보부
311: 잔차생성부
313: 경보정보부
320: 이상진단부
400: 해석계층부
Claims (22)
- 설계 대상 부품 주변을 복수의 셀로 구분하고, 구분된 복수의 셀에 대해 전산유체역학에 따른 복수의 반복되는 수치 해석을 수행하여 해석 데이터를 도출하는 해석계층부;
상기 복수의 반복되는 수치 해석을 모사하는 해석 모델을 도출하는 모델계층부;
상기 해석 모델을 이용하여 상기 복수의 반복된 수치 해석의 결과를 예측하여 예측 데이터를 도출하는 예측계층부; 및
상기 복수의 반복되는 수치 해석 중에 상기 해석 데이터와, 상기 예측 데이터를 비교하여 상기 수치 해석의 이상 여부를 진단하는 진단계층부
를 포함하는 해석을 진단하기 위한 장치. - 제1항에 있어서,
상기 진단계층부는
상기 복수의 셀 중 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성하는 조기경보부; 및
상기 조기 경보 정보를 기초로 상기 수치 해석의 결과의 이상 여부를 판별하는 이상진단부를 포함하는
해석을 진단하기 위한 장치. - 제2항에 있어서,
상기 조기경보부는
상기 해석 데이터 및 상기 예측 데이터의 차이인 잔차를 구하여 잔차 데이터를 도출하는 잔차생성부; 및
상기 복수의 셀 중 상기 해석 데이터, 상기 예측 데이터 및 상기 잔차 데이터 중 적어도 하나가 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성하는 경보정보부를 포함하는
해석을 진단하기 위한 장치. - 제3항에 있어서,
상기 이상진단부는
상기 조기 경보 정보를 기초로 복수의 셀, 복수의 셀 그룹 및 전체 셀 중 적어도 하나가 기 설정된 이상 조건을 만족하는지 여부를 판별하여 상기 이상 조건을 만족하는 경우, 상기 해석계층부가 상기 수치 해석을 중단하도록 상기 해석계층부에 해석 중단 명령을 전송하는
해석을 진단하기 위한 장치. - 제1항에 있어서,
상기 모델계층부는
상기 수치 해석에 사용된 복수의 입력 신호와 상기 복수의 입력 신호 각각에 대응하는 복수의 출력 신호를 포함하는 해석 데이터를 저장하는 해석데이터저장부; 및
상기 해석 데이터를 통해 복수회 반복되는 수치 해석을 모사하는 해석 모델을 생성하는 해석모델도출부를 포함하는
해석을 진단하기 위한 장치. - 제5항에 있어서,
상기 해석모델도출부는
파라미터가 결정되지 않은 해석 모델의 관계식을 구성하고, 상기 해석 데이터를 이용한 학습을 통해 상기 파라미터를 도출하여 상기 해석 모델을 생성하는
해석을 진단하기 위한 장치. - 제6항에 있어서,
상기 모델계층부는
상기 해석 데이터를 소정 조건에 따라 수정 혹은 제거하는 전처리를 수행하는 전철이부를 더 포함하는
해석을 진단하기 위한 장치. - 제7항에 있어서,
상기 모델계층부는
상기 전 처리된 해석 데이터를 분석하여 셀 간의 관계 및 셀 내부의 데이터들간의 관계를 도출하는 데이터분석부를 더 포함하는
해석을 진단하기 위한 장치. - 제1항에 있어서,
상기 예측계층부는
상기 설계 대상 부품의 주변 공간을 구분하는 복수의 셀에 대한 수치 해석을 수행하여 기반 데이터를 도출하는 수치해석부; 및
상기 기반 데이터를 상기 모델계층부가 도출한 상기 해석 모델에 적용하여 상기 복수회 반복된 수치 해석의 결과를 예측하여 예측 데이터를 도출하는 예측부를 포함하는
해석을 진단하기 위한 장치. - 제9항에 있어서,
상기 예측계층부는
상기 예측부가 도출한 예측 데이터를 최적화하는 예측최적화부를 더 포함하는
해석을 진단하기 위한 장치. - 설계 대상 부품 주변을 복수의 셀로 구분하고, 구분된 복수의 셀에 대해 전산유체역학에 따른 복수의 반복되는 수치 해석을 수행하여 해석 데이터를 도출하는 해석계층부;
상기 복수의 반복되는 수치 해석의 결과를 예측하는 해석 모델을 이용하여 상기 복수의 반복된 수치 해석의 결과를 예측하여 예측 데이터를 도출하는 예측계층부; 및
상기 복수의 반복되는 수치 해석 중에 상기 해석 데이터와, 상기 예측 데이터를 비교하여 상기 수치 해석의 이상 여부를 진단하는 진단계층부
를 포함하는 해석을 진단하기 위한 장치. - 제11항에 있어서,
상기 해석 모델은
전달함수(Transfer Function) 모델과 상태공간(State Space) 모델을 포함하는 매개변수(Parametric) 모델 및 비매개변수(Nonparametric) 모델 중 적어도 하나를 포함하는
해석을 진단하기 위한 장치. - 제11항에 있어서,
상기 해석 모델은
상기 설계 대상 부품의 주변이 복수의 셀로 구분될 때,
복수의 셀 별로 수치해석을 모사하는 모델이거나, 서로 인접한 소정수의 셀을 포함하는 셀 그룹에 대한 수치 해석을 모사하는 모델이거나, 서로 특성이 비슷한 셀을 포함하는 셀 그룹에 대한 수치 해석을 모사하는 모델이거나, 상기 복수의 셀 전체에 대한 수치 해석을 모사하는 모델인
해석을 진단하기 위한 장치. - 제11항에 있어서,
상기 진단계층부는
상기 복수의 셀 중 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성하는 조기경부; 및
상기 조기 경보 정보를 기초로 상기 수치 해석의 결과의 이상 여부를 판별하는 이상진단부를 포함하는
해석을 진단하기 위한 장치. - 제14항에 있어서,
상기 조기경보부는
상기 해석 데이터 및 상기 예측 데이터의 차이인 잔차를 구하여 잔차 데이터를 도출하는 잔차생성부; 및
상기 복수의 셀 중 상기 해석 데이터, 상기 예측 데이터 및 상기 잔차 데이터 중 적어도 하나가 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성하는 경보정보부를 포함하는
해석을 진단하기 위한 장치. - 제15항에 있어서,
상기 이상진단부는
상기 조기 경보 정보를 기초로 복수의 셀, 복수의 셀 그룹 및 전체 셀 중 적어도 하나가 기 설정된 이상 조건을 만족하는지 여부를 판별하여 상기 이상 조건을 만족하는 경우, 상기 해석계층부가 상기 수치 해석을 중단하도록 상기 해석계층부에 해석 중단 명령을 전송하는
해석을 진단하기 위한 장치. - 모델계층부가 설계 대상 부품 주변을 복수의 셀로 구분하고, 구분된 복수의 셀에 대해 전산유체역학에 따른 복수의 반복되는 수치 해석을 모사하는 해석 모델을 도출하는 단계;
해석계층부가 상기 복수의 셀에 대해 전산유체역학에 따른 복수의 반복되는 수치 해석을 수행하여 해석 데이터를 도출하는 단계;
예측계층부가 상기 해석 모델을 이용하여 상기 복수의 반복된 수치 해석의 결과를 예측하여 예측 데이터를 도출하는 단계; 및
진단계층부가 상기 복수의 반복되는 수치 해석 중에 상기 해석 데이터와, 상기 예측 데이터를 비교하여 상기 수치 해석의 이상 여부를 진단하는 단계
를 포함하는 해석을 진단하기 위한 방법. - 제17항에 있어서,
상기 수치 해석의 이상 여부를 진단하는 단계는
상기 진단계층부의 조기경보부가 상기 복수의 셀 중 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성하는 단계; 및
상기 진단계층부의 이상진단부가 상기 조기 경보 정보를 기초로 상기 수치 해석의 결과의 이상 여부를 판별하는 단계를 포함하는
해석을 진단하기 위한 방법. - 제18항에 있어서,
상기 조기 경보 정보를 생성하는 단계는
상기 조기경보부의 잔차생성부가 상기 해석 데이터 및 상기 예측 데이터의 차이인 잔차를 구하여 잔차 데이터를 도출하는 단계; 및
상기 조기경보부의 경보정보부가 상기 복수의 셀 중 상기 해석 데이터, 상기 예측 데이터 및 상기 잔차 데이터 중 적어도 하나가 기 설정된 조기 경보 조건을 만족하는 셀을 선별하여 조기 경보 정보를 생성하는 단계를 포함하는
해석을 진단하기 위한 방법. - 제19항에 있어서,
상기 이상 여부를 판별하는 단계는
상기 이상진단부가 상기 조기 경보 정보를 기초로 복수의 셀, 복수의 셀 그룹 및 전체 셀 중 적어도 하나가 기 설정된 이상 조건을 만족하는지 여부를 판별하여 상기 이상 조건을 만족하는 경우, 상기 해석계층부가 상기 수치 해석을 중단하도록 상기 해석계층부에 해석 중단 명령을 전송하는 단계를 포함하는
해석을 진단하기 위한 방법. - 제17항에 있어서,
상기 해석 모델을 도출하는 단계는
상기 모델계층부가 상기 수치 해석에 사용된 복수의 입력 신호와 상기 복수의 입력 신호 각각에 대응하는 복수의 출력 신호를 포함하는 해석 데이터를 통해 복수회 반복되는 수치 해석을 모사하는 해석 모델을 생성하는 단계를 포함하는
해석을 진단하기 위한 방법. - 제17항에 있어서,
상기 예측 데이터를 도출하는 단계는
상기 예측계층부의 수치해석부가 상기 설계 대상 부품의 주변 공간을 구분하는 복수의 셀에 대한 수치 해석을 수행하여 기반 데이터를 도출하는 단계; 및
상기 예측계층부의 예측부가 상기 기반 데이터를 상기 모델계층부가 도출한 상기 해석 모델에 적용하여 상기 복수회 반복된 수치 해석의 결과를 예측하여 예측 데이터를 도출하는 단계를 포함하는
해석을 진단하기 위한 방법.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180141395A KR102130096B1 (ko) | 2018-11-16 | 2018-11-16 | 해석을 진단하기 위한 장치 및 이를 위한 방법 |
US16/574,054 US11182515B2 (en) | 2018-11-16 | 2019-09-17 | Apparatus for diagnosing analysis and method therefor |
DE102019127145.2A DE102019127145A1 (de) | 2018-11-16 | 2019-10-09 | Vorrichtung zum Diagnostizieren einer Analyse und Verfahren dafür |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180141395A KR102130096B1 (ko) | 2018-11-16 | 2018-11-16 | 해석을 진단하기 위한 장치 및 이를 위한 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200057271A true KR20200057271A (ko) | 2020-05-26 |
KR102130096B1 KR102130096B1 (ko) | 2020-07-03 |
Family
ID=70470667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180141395A KR102130096B1 (ko) | 2018-11-16 | 2018-11-16 | 해석을 진단하기 위한 장치 및 이를 위한 방법 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11182515B2 (ko) |
KR (1) | KR102130096B1 (ko) |
DE (1) | DE102019127145A1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0554058A (ja) * | 1991-08-27 | 1993-03-05 | Hitachi Ltd | 数値解析用要素生成システム |
JPH0784991A (ja) * | 1993-09-10 | 1995-03-31 | Matsushita Electric Ind Co Ltd | 流体解析装置 |
JP2001117908A (ja) * | 1999-10-18 | 2001-04-27 | Toray Ind Inc | 数値解析モデル品質表示方法および装置 |
KR101827108B1 (ko) * | 2016-05-04 | 2018-02-07 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
KR20180057780A (ko) | 2016-11-22 | 2018-05-31 | 한국에너지기술연구원 | 기계학습을 활용한 에너지관리시스템 및 에너지관리방법 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1379980A4 (en) * | 2001-03-08 | 2006-10-18 | California Inst Of Techn | EXCEPTIONAL ANALYSIS FOR MULTIMISSIONS |
WO2003060754A1 (en) * | 2001-12-31 | 2003-07-24 | The Board Of Regents Of The University And Community College System, On Behalf Of The University Of Nevada, Reno | Multiphase physical transport modeling method and modeling system |
US8725470B1 (en) | 2010-05-17 | 2014-05-13 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Co-optimization of blunt body shapes for moving vehicles |
US20150006133A1 (en) * | 2012-02-29 | 2015-01-01 | Agilent Technologies, Inc. | State Space System Simulator Utilizing Bi-quadratic Blocks to Simulate Lightly Damped Resonances |
JP5530020B1 (ja) * | 2013-11-01 | 2014-06-25 | 株式会社日立パワーソリューションズ | 異常診断システム及び異常診断方法 |
US20160179992A1 (en) * | 2014-12-18 | 2016-06-23 | Dassault Systèmes Simulia Corp. | Interactive 3D Experiences on the Basis of Data |
KR101852527B1 (ko) | 2016-11-16 | 2018-06-07 | 한국과학기술원 | 기계학습 기반의 동적 시뮬레이션 파라미터 교정 방법 |
-
2018
- 2018-11-16 KR KR1020180141395A patent/KR102130096B1/ko active IP Right Grant
-
2019
- 2019-09-17 US US16/574,054 patent/US11182515B2/en active Active
- 2019-10-09 DE DE102019127145.2A patent/DE102019127145A1/de active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0554058A (ja) * | 1991-08-27 | 1993-03-05 | Hitachi Ltd | 数値解析用要素生成システム |
JPH0784991A (ja) * | 1993-09-10 | 1995-03-31 | Matsushita Electric Ind Co Ltd | 流体解析装置 |
JP2001117908A (ja) * | 1999-10-18 | 2001-04-27 | Toray Ind Inc | 数値解析モデル品質表示方法および装置 |
KR101827108B1 (ko) * | 2016-05-04 | 2018-02-07 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
KR20180057780A (ko) | 2016-11-22 | 2018-05-31 | 한국에너지기술연구원 | 기계학습을 활용한 에너지관리시스템 및 에너지관리방법 |
Also Published As
Publication number | Publication date |
---|---|
US11182515B2 (en) | 2021-11-23 |
KR102130096B1 (ko) | 2020-07-03 |
US20200159885A1 (en) | 2020-05-21 |
DE102019127145A1 (de) | 2020-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102189311B1 (ko) | 학습된 모델을 이용한 해석 장치 및 이를 위한 방법 | |
CN110163261B (zh) | 不平衡数据分类模型训练方法、装置、设备及存储介质 | |
KR102274389B1 (ko) | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 | |
US7567878B2 (en) | Evaluating anomaly for one class classifiers in machine condition monitoring | |
CN111144548B (zh) | 抽油机井工况的识别方法及装置 | |
US20210133378A1 (en) | Methods and systems for the estimation of the computational cost of simulation | |
US11269760B2 (en) | Systems and methods for automated testing using artificial intelligence techniques | |
CN110334208B (zh) | 基于贝叶斯信念网络的lkj故障预测诊断方法和*** | |
US11443168B2 (en) | Log analysis system employing long short-term memory recurrent neural net works | |
CN115427968A (zh) | 边缘计算设备中的鲁棒人工智能推理 | |
KR20200060238A (ko) | 인공 지능 기반 제조 부품 설계 | |
KR102138227B1 (ko) | 유동 해석을 최적화하기 위한 장치 및 이를 위한 방법 | |
WO2020185207A1 (en) | Computerized system and method for generative circuit design with machine-learned networks | |
KR102130096B1 (ko) | 해석을 진단하기 위한 장치 및 이를 위한 방법 | |
KR102107586B1 (ko) | 연소 최적화를 관리하기 위한 장치 및 이를 위한 방법 | |
US20230076967A1 (en) | Automatic optimization method and automatic optimization system of diagnosis model | |
KR102101792B1 (ko) | 유동 해석 장치 및 이를 위한 방법 | |
Hinz et al. | Detection of distinctions in car fleets based on measured and simulated data | |
CN115964927A (zh) | 用于确定制造操作的预测操作时间的方法和*** | |
El Bechari et al. | Enhanced meta-model-based optimization under constraints using parallel computations | |
WO2024142015A1 (en) | Automatic optimization framework for safety-critical systems of interconnected subsystems | |
KR20210055439A (ko) | 해양 설비의 가용도 분석 방법 | |
CN117592513A (zh) | 一种基于变分自编码器和模型迁移的电力***运行方式样本的生成方法及其*** | |
CN117368705A (zh) | 基于图卷积神经网络的数字集成电路时序监测方法 | |
White | A neural network architecture for reduced order modeling of PDEs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |