KR20210051178A - 엘리베이터 도어의 고장 예측 시스템 - Google Patents
엘리베이터 도어의 고장 예측 시스템 Download PDFInfo
- Publication number
- KR20210051178A KR20210051178A KR1020190136116A KR20190136116A KR20210051178A KR 20210051178 A KR20210051178 A KR 20210051178A KR 1020190136116 A KR1020190136116 A KR 1020190136116A KR 20190136116 A KR20190136116 A KR 20190136116A KR 20210051178 A KR20210051178 A KR 20210051178A
- Authority
- KR
- South Korea
- Prior art keywords
- learning
- door
- failure
- data
- failure prediction
- Prior art date
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0018—Devices monitoring the operating condition of the elevator system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0037—Performance analysers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
본 발명은 엘리베이터 도어의 고장 예측 시스템에 관한 것으로, 엘리베이터 도어에 설치되는 복수의 센서들 및 엘리베이터 제어반과 게이트웨이를 매개로 연결되는 도어 고장 예측 서버를 포함하고, 상기 도어 고장 예측 서버는 상기 복수의 센서들 및 상기 엘리베이터 제어반으로부터 상기 엘리베이터 도어의 고장에 연관되는 데이터들을 실시간으로 수집하는 데이터 수집부, 상기 수집 데이터를 전처리하고 특징을 추출하여 학습 데이터 셋을 구성하는 전처리부, 상기 학습 데이터 셋을 가지고 지도 학습 및 비지도 학습을 수행하여 고장 예측 모델을 생성하는 학습 및 모델 생성부, 및 상기 고장 예측 모델을 통해 도어의 고장 가능성을 판단하는 고장 예측부를 포함하여 구성되는 것을 특징으로 한다.
Description
본 발명은 엘리베이터 도어의 고장 예측 기술에 관한 것으로, 보다 상세하게는 도어의 고장과 연관된 데이터를 수집하여 예측 모델을 생성하고 고장 예측 모델을 통해 엘리베이터 도어의 고장을 사전에 예측하여 대처할 수 있도록 한 엘리베이터 도어의 고장 예측 시스템에 관한 것이다.
일반적으로, 주거용이나 업무용, 상업용 등으로 건축되는 다양한 종류의 고층 건물에는 해당 건물을 출입하는 승객들의 원활한 층간 이동을 위해 엘리베이터 장치가 구비된다.
엘리베이터 장치는 그 내부에 승객이 탑승한 상태에서 건물 내부에 수직방향으로 형성된 승강로를 따라 상·하방향으로 이동하면서 탑승객을 이동시키는 엘리베이터 카와, 소정 동력을 발생시키는 모터부와 권상기 등이 구비되어 엘리베이터 카를 승객의 버튼 조작에 따른 해당 층으로 이동시키는 기계부 및, 승객의 버튼 조작에 따라 기계부를 제어하면서 엘리베이터 카가 원활하고 안정적으로 운행될 수 있도록 제어를 행하는 엘리베이터 제어부 등을 포함하여 구성된다.
한편, 엘리베이터 장치에서 고장이 발생하는 경우, 원격으로 고장을 진단한다고 하더라도 고장이 발생한 이후에야 엘리베이터 유지보수요원이 현장에 출동하여 고장을 수리할 수 있기 때문에 수리하는 시간동안 승객이 엘리베이터를 이용할 수 없게 되는 문제점이 있었다.
특히 요즘같이 고층 건물이 많은 상황에서 짧은 시간의 다운 타임조차도 사용자들에게는 큰 불편을 주게 되어 엘리베이터의 고장을 예측하는 것이 상당히 중요하다. 엘리베이터의 고장의 50% 이상이 도어에서 발생하기 때문에 어떤 부분보다 도어 고장을 예측하는 것이 가장 중요하다.
최근에 머신 러닝 및 딥러닝 기술의 발달로 인해 과거에는 어려웠던 예지 보전 기술이 여러 분야에 도입되고 있으나 엘리베이터 적용은 아직 미진하다. 특히 머신 러닝, 딥러닝 적용에는 많은 양의 센서 측정 데이터, 특히 고장 발생시 데이터가 많이 필요한데 엘리베이터 환경상 데이터 수집이 어렵기 때문에 적용이 더더욱 쉽지 않다. 따라서 이러한 문제 해결을 위해 새로운 기술이 필요하다.
한국등록특허공보 제10-0179886호 (1998.11.28)는 승강기 고장 검출장치에 관한 것으로, 승강기 상태변수의 순시적인 값과 이들의 이력을 통계적으로 분석함으로써 자동으로 검출할 수 있는 고장의 종류를 확대하고, 이상현상에 대한 이력을 분석함으로써 승강기 고장을 미리 예측하여 고장을 사전에 예방하도록 함으로써 승객들이 안전하고 쾌적하게 승강기를 이용할 수 있도록 한다.
한국공개특허공보 제10-2017-0078943호 (2017.07.10)는 엘리베이터의 고장예측시스템에 관한 것으로, 엘리베이터의 일정 개소에 설치되어 진동을 측정하도록 된 진동계와, 상기 진동계에 연결되어 진동수를 검출하거나 전송하도록 된 프로그램이나 회로기판 또는 통신모듈이 내장된 컨트롤러와, 상기 컨트롤러에 의해 연결되어 상기 진동계에 의해 측정된 진동수를 데이터화하여 시각적으로 나타내거나 경보음을 울리도록 된 표시장치를 포함하여 이루어져 간단한 구성과 데이터 분석에 의해 엘리베이터의 작동상태를 파악하여 장치의 주요 구성에 대한 점검이나 부품의 교체 등을 신속하게 처리할 수 있다.
본 발명의 일 실시예는 도어의 고장과 연관된 데이터를 수집하여 예측 모델을 생성하고 고장 예측 모델을 통해 엘리베이터 도어의 고장을 사전에 예측하여 대처할 수 있도록 한 엘리베이터 도어의 고장 예측 시스템을 제공하고자 한다.
본 발명의 일 실시예는 센서 및 제어반을 통해 수집된 여러가지 다양한 데이터를 매개로 학습하여 고장 예측 모델을 생성하고 생성된 고장 예측 모델을 통해 도어의 고장 가능성을 판단하도록 함으로써 다양한 상황에 대해서 유연한 고장 예측을 수행하여 예측 성능을 높일 수 있도록 한 엘리베이터 도어의 고장 예측 시스템을 제공하고자 한다.
본 발명의 일 실시예는 실제 고장 데이터에 레이블을 포함하여 지도 학습 데이터 셋을 구성하고 DNN(Deep Neural Network) 알고리즘을 이용하여 예측 모델을 생성하는 엘리베이터 도어의 고장 예측 시스템을 제공하고자 한다.
본 발명의 일 실시예는 레이블이 포함되지 않은 학습 데이터 셋을 구성하고 LSTM(Long-Short Term Memory) 오토인코더 이상탐지(autoencoder anomaly detection) 알고리즘을 이용하여 예측 모델을 생성하는 엘리베이터 도어의 고장 예측 시스템을 제공하고자 한다.
실시예들 중에서, 엘리베이터 도어의 고장 예측 시스템은 엘리베이터 도어에 설치되는 복수의 센서들 및 엘리베이터 제어반과 게이트웨이를 매개로 연결되는 도어 고장 예측 서버를 포함하고, 상기 도어 고장 예측 서버는 상기 복수의 센서들 및 상기 엘리베이터 제어반으로부터 상기 엘리베이터 도어의 고장에 연관되는 데이터들을 실시간으로 수집하는 데이터 수집부, 상기 수집 데이터를 전처리하고 특징을 추출하여 학습 데이터 셋을 구성하는 전처리부, 상기 학습 데이터 셋을 가지고 지도 학습 및 비지도 학습을 수행하여 고장 예측 모델을 생성하는 학습 및 모델 생성부, 및 상기 고장 예측 모델을 통해 도어의 고장 가능성을 판단하는 고장 예측부를 포함하여 구성될 수 있다
상기 데이터 수집부는 상기 복수의 센서들을 통해 상기 엘리베이터 도어의 속도를 포함하는 센싱 데이터와 상기 엘리베이터 제어반을 통해 상기 엘리베이터 도어의 개폐 관련 동작 데이터 및 사용자 조작 데이터를 수집할 수 있다.
상기 전처리부는 상기 수집 데이터를 전처리를 통해 사용자의 동작에 의해 발생하는 데이터는 제거한 후 도어의 동작 시작부터 동작 완료를 하나의 사이클로 하여 도어의 속도, 가속도, 토크 패턴을 포함하는 학습 데이터 셋을 구성할 수 있다.
상기 전처리부는 상기 수집 데이터를 전처리를 통해 사용자의 동작에 의해 발생하는 데이터는 제거한 후 사용자의 버튼 동작과 세이프티 에지, 멀티 빔의 상태를 감안한 도어의 동작 시퀀스를 분석하여 학습 데이터 셋을 구성할 수 있다.
상기 학습 및 모델 생성부는 상기 학습 데이터 셋에 고장상태와 정상상태 레이블을 결합하여 지도 학습 데이터 셋을 구성하고 상기 지도 학습 데이터 셋을 DNN 알고리즘을 이용하여 지도 학습하여 예측 모델을 생성할 수 있다.
상기 학습 및 모델 생성부는 도어 인버터 오류로 인한 자동으로 수집되는 고장과 이물질 끼임이나 접속불량에 의해 발생하는 실제 고장 부위와의 맵핑을 통해 상기 학습 데이터 셋을 레이블링하여 상기 지도 학습 데이터 셋을 구성할 수 있다.
상기 학습 및 모델 생성부는 상기 학습 데이터 셋을 LSTM 오토인코더 이상 탐지(autoencoder anomaly detection) 알고리즘을 이용하여 비지도 학습하여 예측 모델을 생성할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다 거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 엘리베이터 도어의 고장 예측 시스템은 도어의 고장과 연관된 데이터를 수집하여 예측 모델을 생성하고 고장 예측 모델을 통해 엘리베이터 도어의 고장을 사전에 예측하고 이에 대한 대비가 가능하도록 함으로써, 엘리베이터 도어의 고장에 따른 다운타임을 최소화 시켜 사용자들의 불편함을 크게 저감시킬 수 있고 엘리베이터 도어의 고장 발생도 감소시킬 수가 있다.
본 발명의 일 실시예에 따른 엘리베이터 도어의 고장 예측 시스템은 센서 및 제어반을 통해 수집된 여러가지 다양한 데이터를 이용하여 학습하고 고장 예측 모델을 생성함으로써, 엘리베이터 도어의 고장이 발생할 수 있는 다양한 상황에 대해서 유연한 고장 예측을 수행하여 예측 성능을 높일 수 있다.
본 발명의 일 실시예에 따른 엘리베이터 도어의 고장 예측 시스템은 실제 고장 데이터에 레이블을 포함하여 지도 학습 데이터 셋을 구성하고 DNN(Deep Neural Network) 알고리즘을 이용하여 예측 모델을 생성함으로써, 관측이 어려운 개별 부품의 고장에 대해 관측이 용이하고 자동으로 진단되는 고장과 맵핑시켜 지도학습에서의 데이터 레이블링을 용이하게 할 수 있다.
본 발명의 일 실시예에 따른 엘리베이터 도어의 고장 예측 시스템은 레이블이 포함되지 않은 학습 데이터 셋을 구성하고 LSTM(Long-Short Term Memory) 오토인코더 이상탐지(autoencoder anomaly detection) 알고리즘을 이용하여 예측 모델을 생성함으로써, 다수의 정상 데이터와 소수의 고장 데이터만으로도 고장 예측 모델을 생성할 수 있다.
도 1은 본 발명의 일 실시예에 따른 엘리베이터 도어의 고장 예측 시스템을 나타내는 도면이다.
도 2는 도 1에 있는 학습 및 모델 생성부에서 학습 데이터 셋의 레이블 맵핑 프로세스를 설명하기 위한 도면이다.
도 3은 도 1에 있는 학습 및 모델 생성부에서 지도 학습에 사용되는 DNN 알고리즘을 설명하기 위한 도면이다.
도 4는 도 1에 학습 및 모델 생성부에서 비지도 학습에 사용되는 이상 탐지 알고리즘을 설명하기 위한 도면이다.
도 5는 도 4에 있는 학습 및 모델 생성부에서 비지도 학습에 사용되는 LSTM 오토인코더 이상 탐지 알고리즘을 설명하기 위한 도면이다.
도 6은 도 1에 있는 엘리베이터 도어의 고장 예측 시스템에서 고장 예측 과정을 설명하기 위한 순서도이다.
도 2는 도 1에 있는 학습 및 모델 생성부에서 학습 데이터 셋의 레이블 맵핑 프로세스를 설명하기 위한 도면이다.
도 3은 도 1에 있는 학습 및 모델 생성부에서 지도 학습에 사용되는 DNN 알고리즘을 설명하기 위한 도면이다.
도 4는 도 1에 학습 및 모델 생성부에서 비지도 학습에 사용되는 이상 탐지 알고리즘을 설명하기 위한 도면이다.
도 5는 도 4에 있는 학습 및 모델 생성부에서 비지도 학습에 사용되는 LSTM 오토인코더 이상 탐지 알고리즘을 설명하기 위한 도면이다.
도 6은 도 1에 있는 엘리베이터 도어의 고장 예측 시스템에서 고장 예측 과정을 설명하기 위한 순서도이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다 거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명의 일 실시예에 따른 엘리베이터 도어의 고장 예측 시스템을 나타내는 도면이다.
도 1을 참조하면, 엘리베이터 도어의 고장 예측 시스템(100)은 엘리베이터 카 도어와 승강장 도어 등을 비롯한 다양한 지점에 설치된 다수개의 센서(110) 및 엘리베이터 제어반(120)를 통해 수집된 데이터를 도어 고장 예측 서버(130)에서 관리 및 학습하면서 엘리베이터 도어의 이상 동작이나 부품의 고장 등을 사전에 예측한 후 그에 맞춰 적절히 대응할 수 있도록 구현된다.
이를 위해, 일 실시예에 따른 엘리베이터 도어의 고장 예측 시스템(100)은, 엘리베이터 카 도어 및 승강장 도어 등의 현장에 설치된 센서(110)들과 엘리베이터 제어반(120)이 데이터의 수집 및 관리, 학습을 통해 고장을 예측하고 보고하는 기능을 수행하는 도어 고장 예측 서버(130)와 연계되어 구성된다.
여기에서, 도어 고장 예측 서버(130)는 데이터 수집부(131), 데이터 저장부(132), 전처리부(133), 학습 및 모델 생성부(134) 및 고장 예측부(135) 등을 포함하여 구성된다.
데이터 수집부(131)는 게이트웨이(Gateway)를 매개로 엘리베이터 도어에 설치되어 있는 다수개의 센서(110)로부터 각종 측정데이터를 전송받아 수신하고 엘리베이터 제어반(120)으로부터 엘리베이터 도어의 동작 관련 데이터를 전송받아 수신하는 기능을 수행하게 된다.
일 실시예에서, 데이터 수집부(131)는 센서(110)에서 측정되는 실시간 변화 데이터 및 제어반(120)에서 전송되는 도어 개폐 관련 동작 데이터와 사용자 조작 데이터 중 적어도 하나 이상을 도어 고장 연관 데이터로 수집할 수 있다. 여기에서, 도어 고장 연관 데이터는 고장 예측모델 생성에 이용될 수 있다. 고장 예측모델 생성에 있어서 어떤 데이터를 적절하게 수집하는가 하는 부분이 가장 중요하다. 종래에는 하나의 데이터만 가지고 도어의 고장을 진단 혹은 예측하였으나 여기서는 다수의 데이터를 복합적으로 활용하여 고장을 예측할 수 있다.
데이터 저장부(132)는 데이터 수집부(131)를 통해 수집된 각 센서(110)로부터의 측정 데이터 및 제어반(120)으로부터의 엘리베이터 도어의 동작 및 사용자 조작 데이터를 저장 및 제공하는 기능을 수행하게 된다.
전처리부(133)는 데이터 저장부(132)에 저장된 데이터를 전처리를 수행하여 학습 데이터 셋을 구성하는 기능을 수행하게 된다.
일 실시예에서, 전처리부(133)는 데이터 저장부(132)에 저장된 데이터에 대해 전처리를 수행할 수 있고 특징을 추출할 수 있다. 여기서 수행되는 전처리는 오류 필터링, 데이터 인터폴레이션, 오버/언더 샘플링, 차원 축소 등의 일반적인 방식이 적용될 수 있다. 전처리부(133)는 전처리를 통해 특징을 추출하여 학습 데이터 셋을 구성할 수 있다. 일 실시예에서, 전처리부(133)는 센서(110)를 통해 실제 센싱되는 데이터를 가지고 학습 데이터 셋을 구성할 수 있고 제어반(120)의 도어 동작 시퀀스를 가지고 학습 데이터 셋을 구성할 수 있다. 여기에서, 전처리부(133)는 엘리베이터 도어의 동작 시작부터 동작 완료를 하나의 사이클로 하여 그때의 센싱 데이터를 전처리하여 정상상태와 이상상태에 대한 학습 데이터 셋을 구성할 수 있다. 예컨대, 사용자의 승강장 홀 버튼 또는 엘리베이터 카 내 버튼 조작이나 인터럽트에 의해 도어가 불완전하게 열고 닫히는 경우가 존재하기 때문에 그러한 데이터를 적절하게 필터링하는 것이 중요하다. 전처리부(133)는 센싱 데이터를 적절하게 필터링하여 정상상태와 이상상태에 대한 학습 데이터 셋을 구성할 수 있다.
또한, 전처리부(133)는 사용자의 버튼 조작과 도어의 동작 시퀀스를 분석하여 학습 데이터 셋을 구성할 수 있다. 여기에서, 전처리부(133)는 사용자의 버튼 조작이나 엘리베이터 세이프티 에지 멀티빔의 상태에 의한 도어의 시퀀스는 고장에 영향을 주는 요소가 아니므로 이를 제거하고 정상 시퀀스와 실제 이물질 끼임이나 부품의 고장에 의해 발생하는 도어의 이상 시퀀스만을 추출하여 학습 데이터 셋을 구성할 수 있다.
학습 및 모델 생성부(134)는 엘리베이터 도어의 고장 예측을 위한 특정 알고리즘의 구동을 통해 예측 모델을 생성하는 기능을 수행하게 된다. 일 실시예에서, 학습 및 모델 생성부(134)는 전처리부(133)를 통해 센싱 데이터로부터 구성되는 학습 데이터 셋과 도어의 동작 시퀀스를 분석하여 구성되는 학습 데이터 셋에 대해 학습을 수행할 수 있다. 여기에서, 학습 및 모델 생성부(134)는 지도 학습과 비지도 학습을 수행할 수 있다.
일반적으로 지도 학습(Supervised Learning)은 데이터에 대한 레이블(Lable), 즉 명시적인 정답이 주어진 상태에서 학습시키는 방법으로, (데이터(data),레이블(lable)) 형태로 학습을 진행하는 것이다. 비지도 학습(Unsupervised Learning)은 데이터에 대한 레이블(Lable), 즉 명시적인 정답이 주어지지 않은 상태에서 학습시키는 방법으로, (데이터(date)) 형태로 학습을 진행하는 것이다. 비지도 학습은 데이터의 숨겨진 특징이나 구조를 발견하는데 사용된다.
일 실시예에서, 학습 및 모델 생성부(134)는 전처리부(133)에서 전처리를 통해 구성된 학습 데이터 셋에 엘리베이터 도어의 고장 여부를 레이블로 설정하여 지도 학습을 수행하고, 학습 데이터 셋만을 사용하여 비지도 학습을 수행한다. 이때, 지도 학습은 DNN(Deep Neural Network) 알고리즘을 사용하고, 비지도 학습은 이상탐지(Anomaly Detection) 알고리즘을 사용한다.
학습 및 모델 생성부(134)는 지도 학습을 위해 데이터 레이블링을 수행할 수 있다. 엘리베이터 도어의 고장은 크게 홀도어(Hall Door) 고장과 카도어(Car Door) 고장으로 분류할 수 있으며 고장의 주요원인은 이물질 끼임 또는 접촉 불량이 다수를 차지한다. 지도 학습을 위한 학습 데이터 셋을 구성하기 위해서는 데이터의 상태(정상/고장)가 레이블링 되어야 하고 어느 정도의 고장 시 데이터가 존재해야 하는데 실제로 현장에서 정상 데이터에 비해 고장 데이터를 다수 확보하기는 힘들다. 그리고 학습 데이터 셋을 자동으로 구성하기 위해서는 이러한 고장 데이터도 자동으로 수집되어야 하는데 실제로 고장 예측 타겟으로 설정하고자 하는 항목들은 개별 부품에 대한 고장이므로 개별 부품에 대한 고장은 관측이 쉽지 않다. 따라서 실제 고장 예측 타겟으로 설정되는 관측하기 어려운 출력 변수와 관측에 용이하고 자동으로 수집될 수 있는 고장 코드 간의 맵핑을 통해 다수의 고장 데이터를 자동으로 수집할 수 있게 된다. 즉, 실제로 도어에서 해당 항목에 대한 고장을 임의로 발생시킨 후 그때 발생하는 도어 인버터나 통신, 스위치, 명령 에러 등을 해당 고장과 맵핑함으로써 개별 부품에 대한 고장의 관측없이 자동으로 쉽게 관측할 수 있는 데이터를 가지고 레이블링을 하여 지도학습이 수행 가능하게 한다. 이때 학습하고자 하는 모델은 고장 진단 모델이 아니라 고장 예측 모델이기 때문에 해당 레이블은 실제 그 고장이 발생했을 때가 아니라 그 고장 발생의 일정시간 이전의 데이터에 추가된다. 즉, 자동으로 수집 가능한 고장은 같은 개별 부품의 고장과 맵핑되어 데이터에 레이블링된다.
학습 및 모델 생성부(134)는 고장/정상 상태 레이블이 결합된 학습 데이터 셋을 구성하고 이 학습 데이터 셋을 가지고 지도 학습을 수행할 수 있다. 학습 및 모델 생성부(134)는 레이블이 포함되지 않은 학습 데이터 셋을 가지고 비지도 학습을 수행할 수 있다. 여기에서, 학습 및 모델 생성부(134)의 지도 학습 및 비지도 학습과 관련해서는 후술하기로 한다.
학습 및 모델 생성부(134)는 지도 학습 및 비지도 학습을 통해 도어 고장 예측모델을 생성할 수 있다.
고장 예측부(135)는 학습 및 모델 생성부(134)에서 생성한 예측 모델을 기초로 실제 고장 예측을 행하는 기능을 수행하게 된다. 일 실시예에서, 고장 예측부(135)는 학습 및 모델 생성부(134)에서 예측 모델이 생성된 후 실시간 센싱 데이터를 가지고 엘리베이터 도어의 고장 확률을 예측하게 된다. 고장 예측부(135)는 정해진 확률 이상의 고장 확률이 예측되면 사용자에게 알려주어 사용자로 하여금 고장에 대비할 수 있게 한다.
도 2는 도 1에 있는 학습 및 모델 생성부에서 학습 데이터 셋의 레이블 맵핑 프로세스를 설명하기 위한 도면이다.
도 2를 참조하면, 학습 및 모델 생성부(134)는 수집된 데이터에 엘리베이터 도어의 고장 여부를 레이블로 설정하여 지도 학습을 수행할 수 있다. 이를 위해, 엘리베이터 도어의 특정 부품에 대한 고장을 임의로 발생시켜서 측정 가능한 시스템 고장을 발생시킨다(단계 S210, S220). 실제로 현장에서 고장 데이터를 확보하기 어렵기 때문에, 실제로 엘리베이터 도어에서 고장 예측 타겟이 되는 개별 부품들에 대한 고장을 임의로 발생시킨다.
엘리베이터 도어의 해당 항목에 대한 고장을 임의로 발생시킨 후 고장상태에서 해당 코드를 수집하여 수집된 특정 부품 고장에 대한 고장 코드를 맵핑한다(단계 S230, S240). 고장 상태에서 자동으로 쉽게 관측되는 도어 인버터나 통신, 스위치, 명령 에러 등을 해당 고장과 맵핑함으로써 도어의 고장 상태에서 수집된 데이터에 대해 레이블링할 수 있다.
도 3은 도 1에 있는 학습 및 모델 생성부에서 지도 학습에 사용되는 DNN 알고리즘을 설명하기 위한 도면이다.
도 3을 참조하면, 학습 및 모델 생성부(134)는 레이블을 포함하는 학습 데이터 셋을 DNN 알고리즘을 사용하여 지도 학습을 수행하여 예측 모델을 생성할 수 있다.
DNN(Deep Neural Network)은 딥러닝에서 사용되는 알고리즘으로, 입력층(input layer)과 출력층(output layer) 사이에 은닉층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network: ANN)이다. DNN 알고리즘은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다. DNN은 표준 오류역전파 알고리즘으로 학습될 수 있다. 이때, 가중치(weight)들은 다음 수학식 1을 이용하여 갱신될 수 있다.
[수학식 1]
여기서, η는 학습률을 의미하며, C는 비용함수를 의미한다. 비용함수의 선택은 학습의 형태와 활성화함수 같은 요인들에 의해서 결정된다. 예를 들면, 다중 클래스 분류 문제에 지도학습을 수행할 때 일반적으로 활성화함수와 비용함수는 각각 softmax 함수와 교차 엔트로피 함수로 결정된다. Softmax 함수 및 교차 엔트로피는 다음의 수학식 2 및 3으로 정의된다.
[수학식 2]
여기에서, Pj는 클래스 확률을 나타내며, Xj와 Xk는 각각 유닛 j로의 전체 입력과 유닛 k로의 전체 입력을 나타낸다.
[수학식 3]
여기에서, dj는 출력 유닛 j에 대한 목표 확률을 나타내며, Pj는 해당 활성화함수를 적용한 이후의 j에 대한 확률 출력이다.
일 실시예에서, 학습 및 모델 생성부(134)는 전처리된 데이터에 고장 상태 및 정상 상태 레이블이 결합되어 학습 데이터 셋이 구성되면, 이 학습 데이터 셋을 가지고 DNN 알고리즘을 사용한 지도학습을 통해 가중치(weight)와 오프셋을 구한다. 여기에서, 입력층은 여러 개의 입력 노드들(x1,…,xn)로 이루어지며 입력 노드에 학습 데이터 셋을 구성하는 전처리된 데이터와 레이블이 입력되고 학습을 통해 출력층을 이루는 출력노드들(y1,…,ym)에는 도어 고장에 대한 확률이 출력된다.
도 4는 도 1에 학습 및 모델 생성부에서 비지도 학습에 사용되는 이상 탐지 알고리즘을 설명하기 위한 도면이다.
도 4를 참조하면, 학습 및 모델 생성부(134)는 전처리부(133)를 통해 전처리되어 특징 추출된 데이터만으로 구성된 학습 데이터 셋을 이상 탐지 알고리즘을 사용하여 비지도 학습을 수행하여 예측 모델을 생성할 수 있다.
이상 탐지(Anomaly Detection) 알고리즘은 시계열 분석 및 이상 탐지를 통해 시간에 따라 입력되는 데이터를 활용하여 이상 상태를 감지할 수 있는 모델을 학습한다. 이러한 모델을 생성하기 위해 사용하는 알고리즘은 LSTM 오토인코더(autoencoder) 이상 탐지 알고리즘이다.
일 실시예에서, 학습 및 모델 생성부(134)는 오토인코더를 활용한 이상 탐지 알고리즘을 수행하여 엘리베이터 도어의 이상 상태를 감지할 수 있는 모델을 학습한다.
먼저, 기존 입력을 정상 데이터라고 가정하고 모델을 생성한다. 즉, 도어의 입력 특징의 집합으로 이루어진 학습 데이터로 인코더/디코더 모델을 생성한다. 그렇게 생성된 모델을 가지고 이후 실시간 센싱 데이터를 인코딩 후 디코딩해서 원본 데이터와 일정 미만의 손실값을 가지면 정상으로 판단하고 원본과 일정 이상의 손실값이 발생하면 고장으로 판단한다.
여기에서, 시계열 분석을 위해 LSTM을 적용한다. 즉, 오토인코더 이상 탐지와 유사하게 노멀 데이터로 오토인코더를 생성한다. 이후 실시간 센싱 데이터에 대해 복원 손실값을 비교하여 일정 이상이면 이상 데이터로 판별하게 된다.
도 5는 도 4에 있는 학습 및 모델 생성부에서 비지도 학습에 사용되는 LSTM 오토인코더 이상 탐지 알고리즘을 설명하기 위한 도면이다.
도 5를 참조하면, 학습 및 모델 생성부(134)는 비지도 학습을 위해 오토인코더 이상 탐지 알고리즘을 수행하는 과정에서 시계열 분석을 위해 LSTM을 적용할 수 있다.
LSTM(Long Shot-Term Memory)은 RNN의 일종으로써, 시계열적인 데이터를 적용할 때 주로 사용하는 알고리즘이다.
LSTM 오토인코더 이상 탐지 알고리즘은 도 4에 나타낸 오토인코더 이상 탐지 알고리즘과 마찬가지로 기존 입력을 정상 데이터로 가정하고 인코딩 및 디코딩하여 오토인코더를 생성한다. 그런 다음, 실시간 센싱 데이터에 대해 복원 손실값을 비교하여 손실값이 일정 이상이면 이상 데이터로 판별하게 된다.
도 6은 도 1에 있는 엘리베이터 도어의 고장 예측 시스템에서 고장 예측 과정을 설명하기 위한 순서도이다.
도 6에서, 일 실시예에 따른 엘리베이터 도어의 고장 예측 시스템(100)은 엘리베이터 도어의 고장에 연관되는 데이터들을 수집한다(단계 S610).
보다 구체적으로, 도어 고장 예측 서버(130)의 데이터 수집부(131)에서는 게이트웨이를 매개로 엘리베이터 도어가 설치된 현장에 부착된 다수개의 센서(110) 및 엘리베이터 제어반(120)으로부터 엘리베이터 도어 고장과 연관되는 데이터들을 수집할 수 있다. 일 실시예에서, 수집 데이터 종류는 도어의 속도 같은 센싱 데이터와 도어의 개폐 관련 동작 데이터와 사용자 조작 데이터로 구성될 수 있다. 데이터 수집부(131)에서 수집한 데이터는 저장소(RAW)인 데이터 저장부(132)에 저장될 수 있고 고장 예측 모델 생성을 위해 제공될 수 있다.
엘리베이터 도어의 고장 예측 시스템(100)은 수집 데이터를 전처리하고 특징을 추출하여 학습 데이터 셋을 구성한다(단계 S620).
일 실시예에서, 도어 고장 예측 서버(130)의 전처리부(133)는 수집 데이터를 전처리를 통해 사용자의 동작에 의해 발생하는 데이터는 제거한 후 도어의 동작 시작부터 동작 완료까지를 하나의 사이클로 하여 그때의 속도, 가속도, 토크 패턴으로 구성되는 학습 데이터 셋을 구성할 수 있다. 전처리부(133)는 또한 수집 데이터에서 사용자의 버튼 동작과 엘리베이터 세이프티 에지, 멀티 빔의 상태를 감안한 도어의 동작 시퀀스를 분석하여 학습 데이터 셋을 구성할 수 있다.
엘리베이터 도어의 고장 예측 시스템(100)은 학습 데이터 셋을 가지고 지도 학습 및 비지도 학습을 수행하여 고장 예측 모델을 생성한다(단계 S630).
일 실시예에서, 도어 고장 예측 서버(130)의 학습 및 모델 생성부(134)는 전처리된 데이터를 기반으로 고장 예측 알고리즘을 통해 예측 모델을 생성할 수 있다. 학습 및 모델 생성부(134)는 전처리를 통해 구성되는 학습 데이터 셋에 레이블을 포함하여 지도 학습 데이터 셋을 구성할 수 있다. 여기에서, 레이블은 도어 인버터 오류로 인한 자동으로 수집되는 고장과 이물질 끼임이나 접속불량에 의해 발생하는 실제 고장 부위와의 맵핑을 통해 구성될 수 있다. 학습 및 모델 생성부(134)는 지도 학습 데이터 셋을 가지고 DNN 알고리즘을 이용하여 예측 모델을 생성할 수 있다. 학습 및 모델 생성부(134)는 레이블이 포함되지 않은 학습 데이터 셋을 가지고 LSTM 오토인코더 이상 탐지(autoencoder anomaly detection) 알고리즘을 이용하여 예측 모델을 생성할 수 있다.
엘리베이터 도어의 고장 예측 시스템(100)은 고장 예측 모델을 통해 도어의 고장 가능성을 판단한다(단계 S640).
일 실시예에서, 도어 고장 예측 서버(130)의 고장 예측부(135)는 학습 및 모델 생성부(134)에서 생성된 고장 예측 모델을 가지고 실시간으로 엘리베이터 도어의 고장을 예측할 수 있다. 여기에서, 고장 예측부(135)는 예측 모델이 생성된 후 측정된 실시간 데이터를 가지고 도어의 개별 부품의 고장 확률을 예측할 수 있고 정해진 확률 이상의 고장 확률이 예측되면 사용자에게 알려주게 되며 이에 따라 사용자는 고장에 대비할 수가 있게 된다. 이에 따라, 엘리베이터 도어의 이상 동작이나 부품의 고장 등의 사전인지 및 대응이 가능해지게 된다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 엘리베이터 도어의 고장 예측 시스템
110: 센서 120: 제어반
130: 도어 고장 예측 서버
131: 데이터 수집부 132: 데이터 저장부
133: 전처리부 134: 학습 및 모델 생성부
135: 고장 예측부
110: 센서 120: 제어반
130: 도어 고장 예측 서버
131: 데이터 수집부 132: 데이터 저장부
133: 전처리부 134: 학습 및 모델 생성부
135: 고장 예측부
Claims (7)
- 엘리베이터 도어에 설치되는 복수의 센서들 및 엘리베이터 제어반과 게이트웨이를 매개로 연결되는 도어 고장 예측 서버를 포함하고,
상기 도어 고장 예측 서버는
상기 복수의 센서들 및 상기 엘리베이터 제어반으로부터 상기 엘리베이터 도어의 고장에 연관되는 데이터들을 실시간으로 수집하는 데이터 수집부;
상기 수집 데이터를 전처리하고 특징을 추출하여 학습 데이터 셋을 구성하는 전처리부;
상기 학습 데이터 셋을 가지고 지도 학습 및 비지도 학습을 수행하여 고장 예측 모델을 생성하는 학습 및 모델 생성부; 및
상기 고장 예측 모델을 통해 도어의 고장 가능성을 판단하는 고장 예측부를 포함하여 구성되는 것을 특징으로 하는 엘리베이터 도어의 고장 예측 시스템.
- 제1항에 있어서, 상기 데이터 수집부는
상기 복수의 센서들을 통해 상기 엘리베이터 도어의 속도를 포함하는 센싱 데이터와 상기 엘리베이터 제어반을 통해 상기 엘리베이터 도어의 개폐 관련 동작 데이터 및 사용자 조작 데이터를 수집하는 것을 특징으로 하는 엘리베이터 도어의 고장 예측 시스템.
- 제1항에 있어서, 상기 전처리부는
상기 수집 데이터를 전처리를 통해 사용자의 동작에 의해 발생하는 데이터는 제거한 후 도어의 동작 시작부터 동작 완료를 하나의 사이클로 하여 도어의 속도, 가속도, 토크 패턴을 포함하는 학습 데이터 셋을 구성하는 것을 특징으로 하는 엘리베이터 도어의 고장 예측 시스템.
- 제1항에 있어서, 상기 전처리부는
상기 수집 데이터를 전처리를 통해 사용자의 동작에 의해 발생하는 데이터는 제거한 후 사용자의 버튼 동작과 세이프티 에지, 멀티 빔의 상태를 감안한 도어의 동작 시퀀스를 분석하여 학습 데이터 셋을 구성하는 것을 특징으로 하는 엘리베이터 도어의 고장 예측 시스템.
- 제1항에 있어서, 상기 학습 및 모델 생성부는
상기 학습 데이터 셋에 고장상태와 정상상태 레이블을 결합하여 지도 학습 데이터 셋을 구성하고 상기 지도 학습 데이터 셋을 DNN 알고리즘을 이용하여 지도 학습하여 예측 모델을 생성하는 것을 특징으로 하는 엘리베이터 도어의 고장 예측 시스템.
- 제5항에 있어서, 상기 학습 및 모델 생성부는
도어 인버터 오류로 인한 자동으로 수집되는 고장과 이물질 끼임이나 접속불량에 의해 발생하는 실제 고장 부위와의 맵핑을 통해 상기 학습 데이터 셋을 레이블링하여 상기 지도 학습 데이터 셋을 구성하는 것을 특징으로 하는 엘리베이터 도어의 고장 예측 시스템.
- 제1항에 있어서, 상기 학습 및 모델 생성부는
상기 학습 데이터 셋을 LSTM 오토인코더 이상 탐지(autoencoder anomaly detection) 알고리즘을 이용하여 비지도 학습하여 예측 모델을 생성하는 것을 특징으로 하는 엘리베이터 도어의 고장 예측 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190136116A KR102301011B1 (ko) | 2019-10-30 | 2019-10-30 | 엘리베이터 도어의 고장 예측 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190136116A KR102301011B1 (ko) | 2019-10-30 | 2019-10-30 | 엘리베이터 도어의 고장 예측 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210051178A true KR20210051178A (ko) | 2021-05-10 |
KR102301011B1 KR102301011B1 (ko) | 2021-09-10 |
Family
ID=75917436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190136116A KR102301011B1 (ko) | 2019-10-30 | 2019-10-30 | 엘리베이터 도어의 고장 예측 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102301011B1 (ko) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR0179886B1 (ko) | 1996-08-27 | 1999-04-15 | 이종수 | 승강기 고장 검출장치 |
JP2007518651A (ja) * | 2004-01-23 | 2007-07-12 | コネ コーポレイション | エレベータ装置 |
KR20170078943A (ko) | 2015-12-29 | 2017-07-10 | 한국승강기안전공단 | 엘리베이터의 고장예측시스템 |
KR20180010634A (ko) * | 2016-07-22 | 2018-01-31 | 현대엘리베이터주식회사 | 엘리베이터의 고장 예측 시스템 |
-
2019
- 2019-10-30 KR KR1020190136116A patent/KR102301011B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR0179886B1 (ko) | 1996-08-27 | 1999-04-15 | 이종수 | 승강기 고장 검출장치 |
JP2007518651A (ja) * | 2004-01-23 | 2007-07-12 | コネ コーポレイション | エレベータ装置 |
KR20170078943A (ko) | 2015-12-29 | 2017-07-10 | 한국승강기안전공단 | 엘리베이터의 고장예측시스템 |
KR20180010634A (ko) * | 2016-07-22 | 2018-01-31 | 현대엘리베이터주식회사 | 엘리베이터의 고장 예측 시스템 |
Also Published As
Publication number | Publication date |
---|---|
KR102301011B1 (ko) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194053B (zh) | 一种智能化电梯控制***运行故障预测方法 | |
JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
CN100465842C (zh) | 数据分析***和方法 | |
CN114787061A (zh) | 用于升降机自适应智能状态监控的非侵入式数据分析*** | |
JP2009053938A (ja) | 複数モデルに基づく設備診断システム及びその設備診断方法 | |
CN102637019A (zh) | 一种工业生产过程智能集成故障诊断方法及装置 | |
KR20100028360A (ko) | 홈네트워크 오류 예측 시스템 및 그 방법 | |
KR20180010634A (ko) | 엘리베이터의 고장 예측 시스템 | |
Wong et al. | Classification of abnormal plant operation using multiple process variable trends | |
Gouriveau et al. | Strategies to face imbalanced and unlabelled data in PHM applications. | |
CN114330138A (zh) | 故障诊断方法、其装置及电子设备 | |
Koppen-Seliger et al. | Fuzzy logic and neural networks in fault detection | |
CN108109704A (zh) | 行为侦测***及行为侦测方法 | |
Mishra et al. | Fault detection of elevator systems using multilayer perceptron neural network | |
Zurita et al. | Distributed neuro-fuzzy feature forecasting approach for condition monitoring | |
Xingxin et al. | Research on online fault detection tool of substation equipment based on artificial intelligence | |
KR102358486B1 (ko) | 승강장 안전문 고장 진단 및 예측 장치 | |
KR102301011B1 (ko) | 엘리베이터 도어의 고장 예측 시스템 | |
CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
EP3748450A1 (en) | Data driven machine learning for modeling aircraft sensors | |
Lehrasab et al. | Industrial fault diagnosis: Pneumatic train door case study | |
Escobet et al. | Fault diagnosis system based on fuzzy logic: Application to a valve actuator benchmark | |
CN111797944A (zh) | 一种车门异常诊断方法及装置 | |
Marhic et al. | An evidential approach for detection of abnormal behaviour in the presence of unreliable sensors | |
Aftabi et al. | A Variational Autoencoder Framework for Robust, Physics-Informed Cyberattack Recognition in Industrial Cyber-Physical Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |