KR20210061517A - Apparatus and method for fault diagnosis using fake data generated by machine learning - Google Patents

Apparatus and method for fault diagnosis using fake data generated by machine learning Download PDF

Info

Publication number
KR20210061517A
KR20210061517A KR1020190148993A KR20190148993A KR20210061517A KR 20210061517 A KR20210061517 A KR 20210061517A KR 1020190148993 A KR1020190148993 A KR 1020190148993A KR 20190148993 A KR20190148993 A KR 20190148993A KR 20210061517 A KR20210061517 A KR 20210061517A
Authority
KR
South Korea
Prior art keywords
data
machine learning
failure
unit
control module
Prior art date
Application number
KR1020190148993A
Other languages
Korean (ko)
Other versions
KR102265298B1 (en
Inventor
박준규
이수웅
윤종필
Original Assignee
한국생산기술연구원
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 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020190148993A priority Critical patent/KR102265298B1/en
Publication of KR20210061517A publication Critical patent/KR20210061517A/en
Application granted granted Critical
Publication of KR102265298B1 publication Critical patent/KR102265298B1/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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C29/00—Bearings for parts moving only linearly
    • F16C29/04—Ball or roller bearings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

The present invention relates to an apparatus and a method for fault diagnosis using virtual data generated by machine learning. According to an embodiment of the present invention, provided is a technology to automatically perform the fault diagnosis of a production facility and use machine learning for the fault diagnosis. According to an embodiment of the present invention, the method for the fault diagnosis using virtual data generated by the machine learning comprises: a first step in which a control module receives sensor data from a vibration sensor installed on a facility unit performing processing or transport; a second step in which the control module pre-processes the sensor data and generates pre-processing data; a third step in which the control module collects normal data and fault data on the operation of the facility unit from the pre-processing data; a fourth step in which the control module enters the normal data and the fault data into a machine learning model to be processed, and generates fake data which is virtual fault data by the machine learning on the fault data; and a fifth step in which the control module performs the fault diagnosis on the facility unit by using the normal data, fault data, and fake data.

Description

머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치 {APPARATUS AND METHOD FOR FAULT DIAGNOSIS USING FAKE DATA GENERATED BY MACHINE LEARNING}Fault diagnosis method and device using virtual data generated by machine learning {APPARATUS AND METHOD FOR FAULT DIAGNOSIS USING FAKE DATA GENERATED BY MACHINE LEARNING}

본 발명은 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치에 관한 것으로, 더욱 상세하게는, 생산 설비의 고장 진단이 자동으로 수행되고, 고장 진단에 머신러닝을 이용하는 기술에 관한 것이다.The present invention relates to a fault diagnosis method and apparatus using virtual data generated by machine learning, and more particularly, to a technology for automatically performing fault diagnosis of a production facility and using machine learning for fault diagnosis.

생산 기술 분야에 있어서, 생산 설비의 고장을 예측하거나 진단하는 기술에 대한 수요가 지속적으로 증가하고 있으며, 이를 위해, 생산 설비의 상태를 실시간으로 측정한 실시간의 센싱 데이터를 이용한 실시간 고장 진단 기술에 대한 연구 개발이 활발히 수행되고 있다.In the field of production technology, the demand for technology for predicting or diagnosing failures of production facilities is constantly increasing, and for this purpose, real-time failure diagnosis technology using real-time sensing data that measures the status of production facilities in real time. Research and development are actively being carried out.

그리고, 생산 기술 분야 뿐만 아니라, 대부분의 기술 분야에서는 머신러닝을 이용하는 사례가 증가하고 있으며, 최근에는 생산 기술 분야 중 고장 진단 분야에서도, 머신러닝을 이용하여 고장 신호 데이터를 학습시킴으로써 고장 진단의 효율을 증대시키는 방안에 대한 연구 개발이 증가하고 있다.In addition, not only in the production technology field, but also in most technical fields, cases of using machine learning are increasing, and in the fault diagnosis field among the production technology fields, the efficiency of fault diagnosis is improved by learning fault signal data using machine learning. Research and development on ways to increase are increasing.

다만, 생산 설비의 고장을 예측하기 위하여 머신러닝 시스템을 이용하는 경우, 고장 진단 시스템의 성능을 보장하기 위해 충분한 수준의 정상 신호 데이터와 고장 신호 데이터가 필요하나, 현재, 충분한 만큼의 다수의 고장 신호 데이터를 획득하는데는 한계가 있다.However, when a machine learning system is used to predict the failure of a production facility, sufficient level of normal signal data and failure signal data are required to ensure the performance of the failure diagnosis system, but currently, a large number of failure signal data is sufficient. There is a limit to obtaining.

대한민국 등록특허 제10-1967065호(발명의 명칭: 환경 변화에 강인한 고장 진단 장치 및 방법)에서는, 입력된 학습 신호 또는 진단 대상으로부터 취득된 취득 신호의 포락 분석을 통해 학습 신호 또는 취득 신호의 포락 신호를 추출하는 포락 분석부; 상기 추출된 포락 신호의 주파수 변환을 통해 학습 신호 또는 취득 신호의 스펙트럼을 추출하는 스펙트럼 추출부; 상기 추출된 스펙트럼을 이용해 각 고장에 대한 결함주파수 대역을 계산하여 학습 신호 또는 취득 신호의 결함주파수 성분을 추출하는 결함주파수 성분 추출부; 상기 추출된 결함주파수 성분 값을 복수 개의 특징벡터로 확장하여 학습 신호 또는 취득 신호의 확장 특징벡터를 생성하는 특징벡터 생성부; 및 상기 학습 신호로부터 생성된 학습 신호의 확장 특징벡터를 기설정된 기계학습 분류기에 학습시키고, 상기 학습시킨 기계학습 분류기를 통해 상기 취득 신호로부터 생성된 취득 신호의 확장 특징벡터를 분류하여 상기 진단대상의 고장을 진단하는 기계학습 분류부;를 포함하는 고장 진단 장치가 개시되어 있다.In Korean Patent Registration No. 10-1967065 (name of the invention: an apparatus and method for diagnosing faults robust against environmental changes), the learning signal or the envelope signal of the acquired signal through the envelope analysis of the input learning signal or the acquired signal acquired from the diagnosis Envelope analysis unit to extract the; A spectrum extraction unit for extracting a spectrum of a learning signal or an acquired signal through frequency conversion of the extracted envelope signal; A defect frequency component extraction unit for extracting a defect frequency component of a learning signal or an acquisition signal by calculating a defect frequency band for each failure using the extracted spectrum; A feature vector generator configured to generate an extended feature vector of a learning signal or an acquired signal by extending the extracted defect frequency component values into a plurality of feature vectors; And learning the extended feature vector of the learning signal generated from the learning signal with a preset machine learning classifier, and classifying the extended feature vector of the acquired signal generated from the acquired signal through the learned machine learning classifier, A failure diagnosis apparatus including a machine learning classification unit for diagnosing a failure is disclosed.

대한민국 등록특허 제10-1967065호Korean Patent Registration No. 10-1967065

상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 생산 설비의 고장 진단이 자동으로 수행되고, 고장 진단에 머신러닝을 이용하는 것이다.An object of the present invention for solving the above problems is to automatically perform fault diagnosis of a production facility, and to use machine learning for fault diagnosis.

그리고, 본 발명의 목적은, 머신러닝에 이용되는 데이터 수를 임의로 증가시켜 머신러닝의 효율을 증대시키는 것이다.In addition, an object of the present invention is to increase the efficiency of machine learning by arbitrarily increasing the number of data used for machine learning.

본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다. The technical problem to be achieved by the present invention is not limited to the technical problems mentioned above, and other technical problems that are not mentioned can be clearly understood by those of ordinary skill in the technical field to which the present invention belongs from the following description. There will be.

상기와 같은 목적을 달성하기 위한 본 발명의 구성은, 가공 또는 이송을 수행하는 설비부에 설치된 진동센서로부터 제어모듈로 센서 데이터가 수신되는 제1단계; 상기 제어모듈에서 상기 센서 데이터를 전처리하여 전처리 데이터가 생성되는 제2단계; 상기 제어모듈이 상기 전처리 데이터로부터 상기 설비부의 작동에 대한 정상 데이터 및 고장 데이터를 수집하는 제3단계; 상기 제어모듈에서, 상기 정상 데이터와 상기 고장 데이터가 머신러닝 모델에 입력되어 처리되고, 상기 고장 데이터의 머신러닝에 의해 가상의 고장 데이터인 페이크 데이터가 생성되는 제4단계; 및 상기 정상 데이터와 상기 고장 데이터 및 상기 페이크 데이터를 이용하여 상기 제어모듈이 상기 설비부에 대한 고장 진단을 수행하는 제5단계;를 포함한다.The configuration of the present invention for achieving the above object comprises: a first step of receiving sensor data from a vibration sensor installed in a facility unit performing processing or transfer to a control module; A second step of generating pre-processed data by pre-processing the sensor data in the control module; A third step in which the control module collects normal data and failure data for the operation of the facility unit from the preprocessing data; In the control module, the normal data and the failure data are input to a machine learning model and processed, and fake data, which is virtual failure data, is generated by machine learning of the failure data; And a fifth step of performing, by the control module, a failure diagnosis for the facility unit using the normal data, the failure data, and the fake data.

본 발명의 실시 예에 있어서, 상기 설비부에 대한 고장 진단 정보가 상기 제어모듈로부터 출력부로 전달되어, 상기 설비부의 정상 여부에 대한 정보가 출력되는 제6단계;를 더 포함할 수 있다.In an embodiment of the present invention, a sixth step of outputting information on whether or not the facility is normal by transmitting fault diagnosis information for the facility unit from the control module to the output unit may further include.

본 발명의 실시 예에 있어서, 상기 제4단계에서, 상기 페이크 데이터 생성 후, 유클리드 거리 계산을 이용하여 상기 페이크 데이터에 대한 후처리를 수행할 수 있다.In an embodiment of the present invention, in the fourth step, after generating the fake data, post-processing on the fake data may be performed using the Euclidean distance calculation.

본 발명의 실시 예에 있어서, 상기 머신러닝 모델은, GAN(Generative Adversarial Network)일 수 있다.In an embodiment of the present invention, the machine learning model may be a Generative Adversarial Network (GAN).

본 발명의 실시 예에 있어서, 상기 설비부는, LM가이드(Linear Motor guide)일 수 있다.In an embodiment of the present invention, the facility unit may be a linear motor guide (LM guide).

본 발명의 실시 예에 있어서, 상기 진동센서는 상기 설비부에 복수 개 설치될 수 있다.In an embodiment of the present invention, a plurality of vibration sensors may be installed in the facility.

본 발명의 실시 예에 있어서, 상기 제2단계에서, 상기 제어모듈은, 복수 개의 상기 진동센서 각각으로부터 전달된 복수 개의 센서 데이터 각각에 대해 일정한 시간 단위로 분할할 수 있다.In an embodiment of the present invention, in the second step, the control module may divide each of a plurality of sensor data transmitted from each of the plurality of vibration sensors into a predetermined time unit.

상기와 같은 목적을 달성하기 위한 본 발명의 구성은, 가공 또는 이송을 수행하는 설비부에 설치되어 진동을 측정하여 센서 데이터를 생성하는 진동센서; 상기 센서 데이터를 전달 받아 전처리하는 전처리 데이터를 생성하는 전처리부, 상기 전처리 데이터로부터 상기 설비부의 작동에 대한 정상 데이터 및 고장 데이터를 생성하고 머신러닝 모델에 상기 고장 데이터를 입력시켜 가상의 고장 데이터인 페이크 데이터를 생성하는 데이터생성부 및, 상기 정상 데이터와 상기 고장 데이터 및 상기 페이크 데이터가 포함된 판별용 데이터를 상기 데이터생성부로부터 전달 받고 상기 전처리부로부터 실시간의 전처리 데이터를 전달 받아 상기 판별용 데이터와 상기 실시간의 전처리 데이터를 비교 분석하여 상기 설비부의 고장 여부를 판별하는 데이터판별부,를 구비하는 제어모듈; 및 상기 제어모듈로부터 상기 설비부에 대한 고장 진단 정보를 전달 받아 상기 설비부의 정상 여부에 대한 정보가 출력되는 출력부;를 포함한다.The configuration of the present invention for achieving the above object includes: a vibration sensor installed in a facility for processing or transferring to measure vibration to generate sensor data; A pre-processing unit that receives the sensor data and generates pre-processed data, generates normal data and failure data for the operation of the facility unit from the pre-processed data, and inputs the failure data to a machine learning model to fake virtual failure data. A data generation unit for generating data, and determination data including the normal data, the failure data, and the fake data are transmitted from the data generation unit, and real-time preprocessed data is received from the preprocessing unit, and the determination data and A control module including a data discrimination unit that compares and analyzes the real-time pre-processed data to determine whether or not the equipment has a failure; And an output unit that receives fault diagnosis information for the facility unit from the control module and outputs information on whether the facility unit is normal.

상기와 같은 구성에 따른 본 발명의 효과는, 생산 설비의 고장 진단에 머신러닝을 이용하고, 고장 진단이 자동으로 수행되도록 함으로써, 고장 진단에 대한 효율을 증가시킬 수 있다는 것이다.An effect of the present invention according to the above configuration is that machine learning is used to diagnose a failure of a production facility, and the failure diagnosis is automatically performed, thereby increasing the efficiency of failure diagnosis.

그리고, 본 발명의 효과는, 고장 진단에 이용되는 데이터 수를 머신러닝을 이용하여 임의로 증가시킴으로써, 머신러닝에 이용되는 데이터의 불충분을 해결하고, 오버 피팅 문제를 미연에 방지할 수 있다는 것이다.In addition, an effect of the present invention is that by arbitrarily increasing the number of data used for fault diagnosis using machine learning, insufficient data used for machine learning can be solved and an over-fitting problem can be prevented in advance.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.The effects of the present invention are not limited to the above effects, and should be understood to include all effects that can be inferred from the configuration of the invention described in the detailed description or claims of the present invention.

도 1은 본 발명의 일 실시 예에 따른 진동센서가 설치된 설비부에 대한 단면 모식도이다.
도 2는 본 발명의 일 실시 예에 따른 센서 데이터 전처리에 대한 그래프이다.
도 3은 본 발명의 일 실시 예에 따른 고장 데이터와 정상 데이터에 대한 그래프이다.
도 4는 본 발명의 일 실시 예에 따른 페이크 데이터에 대한 그래프이다.
도 5는 본 발명의 일 실시 예에 따른 고장 진단 장치의 구성에 대한 개략도이다.1 is a schematic cross-sectional view of an equipment part in which a vibration sensor is installed according to an embodiment of the present invention.
2 is a graph for preprocessing sensor data according to an embodiment of the present invention.
3 is a graph of failure data and normal data according to an embodiment of the present invention.
4 is a graph of fake data according to an embodiment of the present invention.
5 is a schematic diagram of a configuration of a fault diagnosis apparatus according to an embodiment of the present invention.

이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시 예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, the present invention will be described with reference to the accompanying drawings. However, the present invention may be implemented in various different forms, and therefore is not limited to the exemplary embodiments described herein. In the drawings, parts irrelevant to the description are omitted in order to clearly describe the present invention, and similar reference numerals are attached to similar parts throughout the specification.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.Throughout the specification, when a part is said to be "connected (connected, contacted, bonded)" with another part, it is not only "directly connected", but also "indirectly connected" with another member in the middle. "Including the case. In addition, when a part "includes" a certain component, this means that other components may be further provided, not excluding other components, unless specifically stated to the contrary.

본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "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.The terms used in the present specification are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In the present specification, terms such as "comprise" or "have" are intended to designate the presence of features, numbers, steps, actions, components, parts, or combinations thereof described in the specification, but one or more other features. It is to be understood that the presence or addition of elements or numbers, steps, actions, components, parts, or combinations thereof does not preclude in advance.

이하, 첨부된 도면을 참고하여 본 발명에 대하여 상세히 설명하기로 한다.Hereinafter, the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시 예에 따른 진동센서(200)가 설치된 설비부(10)에 대한 단면 모식도이다. 그리고, 도 2는 본 발명의 일 실시 예에 따른 센서 데이터 전처리에 대한 그래프이며, 도 3은 본 발명의 일 실시 예에 따른 고장 데이터와 정상 데이터에 대한 그래프이고, 도 4는 본 발명의 일 실시 예에 따른 페이크 데이터에 대한 그래프이다. 도 2의 (a) 내지 (f)의 그래프는 3차원 각각의 축에서 센서부가 정상인 경우의 센서 데이터와 센서부가 고장인 경우의 센서 데이터를 나타내고 있다. 구체적으로, 도 2의 (a)에서, 정상-x축은 설비부(10)의 x축 방향에 대해 진동이 정상인 경우 센서 데이터의 그래프를 나타내고, 도 2의 (b) 내지 (f)에서는 동일한 방식으로 센서 데이터의 그래프를 나타내고 있다.1 is a schematic cross-sectional view of a facility unit 10 in which a vibration sensor 200 is installed according to an embodiment of the present invention. And, Figure 2 is a graph of the sensor data pre-processing according to an embodiment of the present invention, Figure 3 is a graph of failure data and normal data according to an embodiment of the present invention, Figure 4 is an embodiment of the present invention This is a graph of fake data according to an example. The graphs of FIGS. 2A to 2F show sensor data when the sensor unit is normal and sensor data when the sensor unit is defective in each of the three-dimensional axes. Specifically, in (a) of FIG. 2, the normal-x-axis represents a graph of sensor data when the vibration is normal in the x-axis direction of the installation unit 10, and in (b) to (f) of FIG. 2, in the same manner. A graph of sensor data is shown.

그리고, 도 3의 (a)은 고장 데이터의 실시 예를 나타내고, 도 3의 (b)는 정상 데이터의 실시 예를 나타낼 수 있다. 또한, 도 4의 (a)는 페이크 데이터의 하나의 실시 예를 나타내고, 도 4의 (b)는 페이크 데이터의 다른 실시 예를 나타낼 수 있다. 도 3과 도 4의 각각의 그래프는 센서 데이터의 전처리 후 시간 단위로 분할되어 생성된 전처리 데이터일 수 있다. 도 3과 도 4에서, 세로축은 신호 강도에 대한 축이고, 가로축은 시간(초, s)에 대한 축일 수 있다.In addition, FIG. 3(a) shows an embodiment of failure data, and FIG. 3(b) shows an embodiment of normal data. In addition, FIG. 4A shows one embodiment of fake data, and FIG. 4B shows another embodiment of fake data. Each of the graphs of FIGS. 3 and 4 may be pre-processed data generated by dividing into time units after pre-processing of sensor data. In FIGS. 3 and 4, a vertical axis may be an axis for signal strength, and a horizontal axis may be an axis for time (second, s).

본 발명의 고장 진단 방법을 수행하기 위하여, 먼저, 제1단계에서, 가공 또는 이송을 수행하는 설비부(10)에 설치된 진동센서(200)로부터 제어모듈(100)로 센서 데이터가 수신될 수 있다. 여기서, 설비부(10)는, LM가이드(Linear Motor guide)일 수 있다. LM가이드를 따라 가공기기 등과 같은 소정의 장비가 이동할 수 있으며, 이와 같은 이동 수행 시 LM가이드에는 진동이 발생할 수 있다. 그리고, LM가이드에서 생성된 진동은 진동센서(200)에 의해 실시간으로 측정될 수 있다.In order to perform the fault diagnosis method of the present invention, first, in the first step, sensor data may be received from the vibration sensor 200 installed in the facility unit 10 to perform processing or transfer to the control module 100. Here, the installation unit 10 may be a linear motor guide (LM guide). Certain equipment such as processing equipment may move along the LM guide, and vibration may occur in the LM guide when performing such movement. In addition, the vibration generated by the LM guide may be measured in real time by the vibration sensor 200.

LM가이드의 일 부위에 손상이 발생하거나 LM가이드의 작동에 이상이 발생되는 경우, LM가이드에서는 이상 진동이 생성되고, 본 발명의 고장 진단 방법에서는 이와 같은 이상 진동에 의한 센서 데이터를 분석함으로써, 설비부(10)의 고장 여부를 판별할 수 있도록 할 수 있다. When a part of the LM guide is damaged or an abnormality occurs in the operation of the LM guide, abnormal vibration is generated in the LM guide, and in the fault diagnosis method of the present invention, by analyzing sensor data due to such abnormal vibration, the facility unit It can be made to be able to determine whether there is a failure in (10).

진동센서(200)는 설비부(10)에 복수 개 설치될 수 있다. 도 1과 도 2에서 보는 바와 같이, 각각의 진동센서(200)는 설비부(10)에 대한 3차원 방향(x축, y축 및 z축의 방향)의 진동을 측정하기 위해 복수 개로 설치될 수 있으며, 각각의 축 방향에 대해 설치된 각각의 진동센서(200)에 의해 x축, y축 및 z축의 방향 각각에 대한 진동이 측정될 수 있다.A plurality of vibration sensors 200 may be installed in the facility 10. As shown in FIGS. 1 and 2, each vibration sensor 200 may be installed in plural to measure vibration in three-dimensional directions (x-axis, y-axis, and z-axis directions) with respect to the facility unit 10. , Vibration in each of the x-axis, y-axis and z-axis directions may be measured by each vibration sensor 200 installed for each axis direction.

제2단계에서, 제어모듈(100)에서 센서 데이터를 전처리하여 전처리 데이터가 생성될 수 있다. 도 2에서 보는 바와 같이, 제어모듈(100)은, 복수 개의 진동센서(200) 각각으로부터 전달된 복수 개의 센서 데이터 각각에 대해 일정한 시간 단위로 분할할 수 있다. 복수 개의 진동센서(200)에 의해 수집된 복수 개의 센서 데이터 각각은, 각각의 3차원 방향에 따라 분류되고, 이와 같이 분류된 하나의 센서 데이터는 시간에 따라 그 값에 차이가 발생할 수 있다. 그러므로, 센서 데이터를 일정한 시간 단위로 분할하여 입력을 위한 데이터로 이용할 수 있으며, 이에 따라, 센서 데이터의 분류가 용이하게 되어 본 발명의 고장 진단 방법의 처리 속도가 향상될 수 있다.In the second step, the control module 100 may pre-process the sensor data to generate pre-processed data. As shown in FIG. 2, the control module 100 may divide each of the plurality of sensor data transmitted from each of the plurality of vibration sensors 200 into a predetermined time unit. Each of the plurality of sensor data collected by the plurality of vibration sensors 200 is classified according to a respective three-dimensional direction, and a value of one sensor data classified as described above may have a difference over time. Therefore, the sensor data can be divided into a certain time unit and used as data for input. Accordingly, the classification of the sensor data can be facilitated, and the processing speed of the fault diagnosis method of the present invention can be improved.

제3단계에서, 제어모듈(100)이 전처리 데이터로부터 설비부(10)의 작동에 대한 정상 데이터 및 고장 데이터를 수집할 수 있다. 여기서, 사용자는 설비부(10)를 임의로 작동시켜 설비부(10)가 정상적으로 작동 시 생성되는 진동에 대한 데이터인 정상 데이터를 수집할 수 있다. 마찬가지로, 사용자는 설비부(10)에 임의의 손상 부위 또는 작동 고장 부위를 형성시키고, 설비부(10)를 작동시켜 설비부(10)가 이상 작동 시 생성되는 진동에 대한 데이터인 고장 데이터를 수집할 수 있다. 즉, 정상 데이터와 고장 데이터는 머신러닝 모델의 학습을 위한 초기 입력 데이터로 이용될 수 있고, 또한, 이와 같이 수집된 정상 데이터와 고장 데이터가 설비부(10)의 고장 여부 판별에 이용될 수 있다.In the third step, the control module 100 may collect normal data and failure data for the operation of the facility unit 10 from the preprocessing data. Here, the user may arbitrarily operate the facility unit 10 to collect normal data, which is data about vibration generated when the facility unit 10 operates normally. Likewise, the user may collect failure data, which is data on vibrations generated when the facility 10 is abnormally operated by forming an arbitrary damaged part or a malfunctioning part in the facility 10 and operating the facility 10 . That is, the normal data and the failure data may be used as initial input data for learning a machine learning model, and the collected normal data and failure data may be used to determine whether the facility unit 10 has a failure.

제4단계에서, 제어모듈(100)에서, 정상 데이터와 고장 데이터가 머신러닝 모델에 입력되어 처리되고, 고장 데이터의 머신러닝에 의해 가상의 고장 데이터인 페이크 데이터(fake data)가 생성될 수 있다. 즉, 페이크 데이터는 머신러닝에 의한 결과 출력 데이터일 수 있다. 여기서, 머신러닝 모델은, GAN(Generative Adversarial Network)일 수 있다.In the fourth step, in the control module 100, normal data and failure data are input to a machine learning model and processed, and fake data, which is virtual failure data, may be generated by machine learning of the failure data. . That is, the fake data may be output data as a result of machine learning. Here, the machine learning model may be a Generative Adversarial Network (GAN).

GAN은 머신러닝(machine learning)의 알고리즘 중 하나로서, 비지도학습 (unsupervised learning)의 일종으로써, 원 데이터가 가지고 있는 확률분포를 추정하도록 하고, 인공신경망이 그 분포를 만들어내도록 하는 방식이다. GAN은 분류를 담당하는 모델(판별자D)과 회귀생성을 담당하는 모델(생성자G)의 두 개 모델로 구성될 수 있다. 생성자G와 판별자D가 서로 성능을 개선해 적대적으로 경쟁해 나가면서, 수학적으로 생성자 G는 원 데이터의 확률 분포를 알아내려고 노력하며, 학습이 종료된 후에는 원 데이터의 확률분포를 따르는 새로운 데이터를 만들어 내게 될 수 있다.GAN is one of the algorithms of machine learning, a kind of unsupervised learning, in which the probability distribution of the original data is estimated, and the artificial neural network creates the distribution. The GAN can be composed of two models: a model in charge of classification (Determiner D) and a model in charge of regression generation (Generator G). As the generator G and the discriminator D compete against each other by improving their performance, mathematically, the generator G tries to find out the probability distribution of the original data, and after the learning is complete, new data that follows the probability distribution of the original data are obtained. Can be made.

본 발명의 실시 예에서는, 머신러닝 모델로 GAN을 이용한다고 설명하고 있으나, 반드시 이에 한정되는 것은 아니고, 머신러닝 모델로써 VAE(Variational Auto Encoder) 등을 이용할 수도 있다.In an embodiment of the present invention, it is described that GAN is used as a machine learning model, but the present invention is not limited thereto, and a VAE (Variational Auto Encoder) or the like may be used as a machine learning model.

상기와 같이, 본 발명의 고장 진단 방법에서는, 상기와 같은 머신러닝 모델에 고장 데이터를 입력하고 머신러닝을 수행하여 페이크 데이터를 생성할 수 있다. 이에 따라, 고장 진단을 수행하기 위한 데이트를 현저히 증가시킬 수 있음으로써, 설비부(10)의 고장 진단 효율을 증대시킬 수 있다. 또한, 이와 같이 고장 진단을 위한 데이터를 증가시킴으로써 충분한 수준의 데이터가 획득됨으로써 데이터 불균형에 의한 머신러닝의 오버피팅 현상을 방지할 수 있다. 이에 대해서는 하기의 성능 실험에서 상세히 설명하기로 한다.As described above, in the fault diagnosis method of the present invention, fake data may be generated by inputting fault data to the above machine learning model and performing machine learning. Accordingly, it is possible to significantly increase the data for performing the failure diagnosis, thereby increasing the failure diagnosis efficiency of the facility unit 10. In addition, by increasing the data for fault diagnosis as described above, a sufficient level of data is obtained, so that machine learning overfitting due to data imbalance can be prevented. This will be described in detail in the following performance experiment.

그리고, 제4단계에서는, 상기와 같은 페이크 데이터의 생성 후, 유클리드 거리(Euclidean distance) 계산을 이용하여 상기 페이크 데이터에 대한 후처리를 수행할 수 있다. 이에 따라, 복수 개의 페이크 데이터 중 고장 데이터와 거리가 가장 가까운 순서로 소정의 수만큼 페이크 데이터를 선별할 수 있고, 이와 같이 선별된 페이크 데이터를 이용하여 설비부(10)에 대한 고장 진단을 수행할 수 있다. 이와 같이 일부의 페이크 데이터를 선별하여 고장 진단에 이용함으로써, 신뢰성이 있는 데이터만을 고장 진단에 이용할 수 있어 고장 진단의 시간을 단축시키고 고장 진단의 에러율을 현저히 감소시킬 수 있다.In the fourth step, after the fake data is generated, post-processing on the fake data may be performed using a Euclidean distance calculation. Accordingly, among a plurality of fake data, it is possible to select a predetermined number of fake data in the order of the closest distance to the fault data, and to perform a fault diagnosis for the facility unit 10 using the selected fake data. have. By selecting some of the fake data as described above and using it for failure diagnosis, only reliable data can be used for failure diagnosis, thereby shortening the time for failure diagnosis and significantly reducing the error rate of failure diagnosis.

제5단계에서, 정상 데이터와 고장 데이터 및 페이크 데이터를 이용하여 제어모듈(100)이 설비부(10)에 대한 고장 진단을 수행할 수 있다. 여기서, 페이크 데이터는 상기와 같은 후처리에 의해 선별된 페이크 데이터일 수 있다. 그리고, 정상 데이터와 고장 데이터 및 페이크 데이터가 집합되어 판별용 데이터를 형성할 수 있다.In the fifth step, the control module 100 may perform a failure diagnosis on the facility unit 10 by using the normal data, the failure data, and the fake data. Here, the fake data may be fake data selected by the above-described post-processing. In addition, normal data, failure data, and fake data may be aggregated to form discrimination data.

제어모듈(100)은 진동센서(200)로부터 전달된 센서 데이터를 처리한 실시간의 전처리 데이터를 생성하고, 이와 같은 실시간의 전처리 데이터와 상기와 같은 판별용 데이터를 비교 분석하여 고장 여부를 판단할 수 있다. 구체적으로, 실시간의 전처리 데이터가 오차 범위 내에서 고장 데이터 또는 페이크 데이터와 동일 유사한 경우, 제어모듈(100)에서는 이를 고장으로 판단할 수 있다.The control module 100 generates real-time pre-processed data by processing the sensor data transmitted from the vibration sensor 200, and compares and analyzes the real-time pre-processed data and the above-described data for determination to determine whether there is a failure. have. Specifically, when the real-time preprocessed data is the same as the fault data or fake data within an error range, the control module 100 may determine this as a fault.

제6단계에서, 설비부(10)에 대한 고장 진단 정보가 제어모듈(100)로부터 출력부(300)로 전달되어, 설비부(10)의 정상 여부에 대한 정보가 출력될 수 있다. 출력부(300)는 디스플레이 기기를 구비할 수 있다. 그리고, 출력부(300)는 설비부(10)의 정상 여부에 대해 화면으로 사용자에게 정보를 제공할 수 있다. 추가적으로, 상기에서 보는 바와 같이, 복수 개의 진동센서(200)는 각각 설비부(10)에서 지정된 위치에 설치되어 있고, 제어모듈(100)에서는 각각의 진동센서(200)에 생성되어 전처리된 실시간 전처리 데이터를 이용하여 고장 데이터와 관련된 진동센서(200)를 추적함으로써, 설비부(10)의 고장 부위를 판단할 수 있다.In the sixth step, failure diagnosis information for the facility unit 10 is transmitted from the control module 100 to the output unit 300, so that information on whether the facility unit 10 is normal or not may be output. The output unit 300 may include a display device. In addition, the output unit 300 may provide information to a user on a screen as to whether or not the facility unit 10 is normal. Additionally, as shown above, the plurality of vibration sensors 200 are installed at locations designated by the facility 10, respectively, and the control module 100 generates and preprocessed real-time pre-processed data in each vibration sensor 200. By tracking the vibration sensor 200 related to the failure data by using, it is possible to determine the failure part of the facility unit 10.

이하, 본 발명의 고장 진단 방법의 성능 실험에 대해 설명하기로 한다.Hereinafter, a performance experiment of the fault diagnosis method of the present invention will be described.

Classification error (%)Classification error (%) 데이터 사용비율(%)Data usage rate (%) Train(70%)Train(70%) Validation(15%)Validation(15%) Test(15%)Test(15%) 데이터 세트 1Data set 1 2.36%2.36% 6.57%6.57% 6.99%6.99% 데이터 세트 2Data set 2 0.21%0.21% 9.40%9.40% 10.23%10.23% 데이터 세트 3Data set 3 4.12%4.12% 7.39%7.39% 8.24%8.24%

[표 1]에서 Classification error(%)는, 본 발명의 고장 진단 방법을 수행하면서 NN(Neural Network) for classification model을 이용한 고장 진단 실험 중 에러율(%)에 대한 값일 수 있다.In [Table 1], the classification error (%) may be a value for an error rate (%) during a failure diagnosis experiment using an NN (Neural Network) for classification model while performing the failure diagnosis method of the present invention.

[표 1]에서 데이터 세트 1은, 종래기술의 고장 진단 방법의 구현을 위해 실측된 데이터로만 구성되는 데이터 세트로써, 실측되어 초기 입력 데이터로 이용되는 고장 데이터 3,500개와 정상 데이터 3,500개로 이루어질 수 있다. 그리고, 데이터 세트 1에서 무작위로 추출된 데이터 중 70%는 Train에 이용되고, 15%는 Validation에 이용되며, 15%는 Test에 이용될 수 있다.In [Table 1], data set 1 is a data set consisting only of measured data for the implementation of a fault diagnosis method of the prior art, and may include 3,500 fault data and 3,500 normal data that are measured and used as initial input data. And, of the data randomly extracted from data set 1, 70% is used for Train, 15% is used for Validation, and 15% can be used for Test.

데이터 세트 2는, 고장 데이터가 부족한 환경을 임의 구성하기 위한 데이터 세트로써, 실측된 고장 데이터 2,000개와 실측된 정상 데이터 3,500개로 이루어질 수 있다. 그리고, 데이터 세트 2에서 무작위로 추출된 데이터 중 70%는 Train에 이용되고, 15%는 Validation에 이용되며, 15%는 Test에 이용될 수 있다.Data set 2 is a data set for arbitrarily configuring an environment in which failure data is insufficient, and may consist of 2,000 measured failure data and 3,500 measured normal data. And, of the data randomly extracted from data set 2, 70% is used for Train, 15% is used for Validation, and 15% can be used for Test.

데이터 세트 3은, 본 발명의 고장 진단 방법을 이용하는 사항에 대한 데이터 세트로써, 실측된 정상 데이터 3,500개 및, 실측된 고장 데이터 2,000개와 상기와 같이 후처리 되어 선별된 페이크 데이터 1,500개로 이루어질 수 있다. 그리고, 데이터 세트 3에서 무작위로 추출된 데이터 중 70%는 Train에 이용되고, 15%는 Validation에 이용되며, 15%는 Test에 이용될 수 있다.Data set 3 is a data set for using the fault diagnosis method of the present invention, and may be composed of 3,500 measured normal data, 2,000 measured fault data, and 1,500 selected fake data after post-processing as described above. And, of the data randomly extracted from data set 3, 70% is used for Train, 15% is used for Validation, and 15% can be used for Test.

그리고, LM가이드의 z축 방향에 대해 진동센서(200)를 설치하고, z축 방향의 센서 데이터를 수집하여 고장 진단을 수행하는 실험을 수행하였다.In addition, an experiment was performed in which a vibration sensor 200 was installed in the z-axis direction of the LM guide, and sensor data in the z-axis direction was collected to perform fault diagnosis.

[표 1]에서 보는 바와 같이, 데이터 세트 2를 이용하여 고장 진단을 수행하는 경우, 가장 낮은 Train 단계에서의 에러율과 비교하여 Test 단계에서의 에러율이 상대적으로 현저히 높게 형성되어 오버 피팅 문제가 발생함을 확인할 수 있다. 그리고, 데이터 세트 1과의 비교 시, Train 단계에서는 에러율이 2.15% 감소한 반면에, Validation 단계에서는 에러율은 2.83% 증가하고 Test 단계에서의 에러율은 3.24% 증가함을 확인할 수 있다.As shown in [Table 1], when fault diagnosis is performed using data set 2, the error rate at the test stage is relatively high compared to the error rate at the lowest train stage, resulting in an overfitting problem. can confirm. In comparison with data set 1, it can be seen that the error rate decreased by 2.15% in the Train stage, while the error rate increased by 2.83% in the Validation stage and the error rate in the Test stage increased by 3.24%.

데이터 세트 3을 이용하여 고장 진단을 수행하는 경우, 가장 낮은 Train 단계에서의 에러율과 가장 높은 Test 단계에서의 에러율 간 차이가 감소함을 확인할 수 있다. 그리고, 그리고, 데이터 세트 1과의 비교 시, Train 단계에서는 에러율이 1.76% 감소한 반면에, Validation 단계에서는 에러율은 0.82% 증가하고 Test 단계에서의 에러율은 1.25% 증가함을 확인할 수 있다.When performing fault diagnosis using data set 3, it can be seen that the difference between the error rate at the lowest train stage and the error rate at the highest test stage decreases. And, when comparing with data set 1, it can be seen that the error rate decreased by 1.76% in the Train stage, whereas the error rate increased by 0.82% in the validation stage and the error rate in the Test stage increased by 1.25%.

이에 따라, 본 발명의 고장 진단 방법을 이용하는 경우, 오버 피팅 문제가 발생하지 않음을 확인할 수 있다. 동시에, 전체적인 에러율도 감소함을 확인할 수 있고, 에러율의 변동폭이 현저히 감소하여 데이터의 불균형도 해소됨을 확인할 수 있다.Accordingly, in the case of using the fault diagnosis method of the present invention, it can be confirmed that an over-fitting problem does not occur. At the same time, it can be confirmed that the overall error rate is also reduced, and the fluctuation range of the error rate is remarkably reduced, so that the data imbalance is also resolved.

도 5는 본 발명의 일 실시 예에 따른 고장 진단 장치의 구성에 대한 개략도이다. 도 5에서 보는 바와 같이, 본 발명의 고장 진단 장치는, 가공 또는 이송을 수행하는 설비부(10)에 설치되어 진동을 측정하여 센서 데이터를 생성하는 진동센서(200); 센서 데이터를 전달 받아 전처리하는 전처리 데이터를 생성하는 전처리부(130), 전처리 데이터로부터 설비부(10)의 작동에 대한 정상 데이터 및 고장 데이터를 생성하고 머신러닝 모델에 고장 데이터를 입력시켜 가상의 고장 데이터인 페이크 데이터를 생성하는 데이터생성부(110) 및, 정상 데이터와 고장 데이터 및 페이크 데이터가 포함된 판별용 데이터를 데이터생성부(110)로부터 전달 받고 전처리부(130)로부터 실시간의 전처리 데이터를 전달 받아 판별용 데이터와 실시간의 전처리 데이터를 비교 분석하여 설비부(10)의 고장 여부를 판별하는 데이터판별부(120),를 구비하는 제어모듈(100); 및 제어모듈(100)로부터 설비부(10)에 대한 고장 진단 정보를 전달 받아 설비부(10)의 정상 여부에 대한 정보가 출력되는 출력부(300);를 포함한다.5 is a schematic diagram of a configuration of a fault diagnosis apparatus according to an embodiment of the present invention. As shown in FIG. 5, the apparatus for diagnosing failure of the present invention includes: a vibration sensor 200 installed in the facility unit 10 for processing or transferring to measure vibration to generate sensor data; Pre-processing unit 130 that generates pre-processed data that receives sensor data and pre-processes it, generates normal data and failure data for the operation of the facility unit 10 from the pre-processed data, and inputs failure data to a machine learning model to provide virtual failure data The data generation unit 110 for generating in-fake data, and the determination data including normal data, failure data, and fake data are transmitted from the data generation unit 110, and real-time preprocessed data is transmitted from the preprocessor 130. A control module 100 including a data discrimination unit 120, which compares and analyzes the received discrimination data and real-time pre-processed data to determine whether or not the facility unit 10 has failed; And an output unit 300 that receives fault diagnosis information for the facility unit 10 from the control module 100 and outputs information on whether the facility unit 10 is normal or not.

여기서, 실시간의 전처리 데이터가 오차 범위 내에서 고장 데이터 또는 페이크 데이터와 동일 유사한 경우, 제어모듈(100)의 데이터판별부(120)에서는 이를 고장으로 판단할 수 있다.Here, when the real-time preprocessed data is the same as the fault data or the fake data within an error range, the data determination unit 120 of the control module 100 may determine this as a fault.

복수 개의 진동센서(200)는 각각 설비부(10)에서 지정된 위치에 설치되어 있고, 제어모듈(100)의 데이터판별부(120)에서는 각각의 진동센서(200)에 생성되어 전처리된 실시간 전처리 데이터를 이용하여 고장 데이터와 관련된 진동센서(200)를 추적함으로써, 설비부(10)의 고장 부위를 판단할 수 있다.The plurality of vibration sensors 200 are installed at locations designated by the facility unit 10, respectively, and the data discrimination unit 120 of the control module 100 stores real-time preprocessed data generated by each vibration sensor 200 and preprocessed. By tracking the vibration sensor 200 related to the failure data, it is possible to determine a failure part of the facility unit 10.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다. The above description of the present invention is for illustrative purposes only, and those of ordinary skill in the art to which the present invention pertains will be able to understand that other specific forms can be easily modified without changing the technical spirit or essential features of the present invention. will be. Therefore, it should be understood that the embodiments described above are illustrative and non-limiting in all respects. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as being distributed may also be implemented in a combined form.

본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다. The scope of the present invention is indicated by the claims to be described later, and all changes or modified forms derived from the meaning and scope of the claims and their equivalent concepts should be construed as being included in the scope of the present invention.

10 : 설비부
100 : 제어모듈
110 : 데이터생성부
120 : 데이터판별부
130 : 전처리부
200 : 진동센서
300 : 출력부 10: equipment
100: control module
110: data generation unit
120: Data discrimination unit
130: pretreatment unit
200: vibration sensor
300: output

Claims (8)

가공 또는 이송을 수행하는 설비부에 설치된 진동센서로부터 제어모듈로 센서 데이터가 수신되는 제1단계;
상기 제어모듈에서 상기 센서 데이터를 전처리하여 전처리 데이터가 생성되는 제2단계;
상기 제어모듈이 상기 전처리 데이터로부터 상기 설비부의 작동에 대한 정상 데이터 및 고장 데이터를 수집하는 제3단계;
상기 제어모듈에서, 상기 정상 데이터와 상기 고장 데이터가 머신러닝 모델에 입력되어 처리되고, 상기 고장 데이터의 머신러닝에 의해 가상의 고장 데이터인 페이크 데이터가 생성되는 제4단계; 및
상기 정상 데이터와 상기 고장 데이터 및 상기 페이크 데이터를 이용하여 상기 제어모듈이 상기 설비부에 대한 고장 진단을 수행하는 제5단계;를 포함하는 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법.
A first step of receiving sensor data from a vibration sensor installed in a facility unit performing processing or transfer to a control module;
A second step of generating pre-processed data by pre-processing the sensor data in the control module;
A third step in which the control module collects normal data and failure data for the operation of the facility unit from the preprocessing data;
In the control module, the normal data and the failure data are input to a machine learning model and processed, and fake data, which is virtual failure data, is generated by machine learning of the failure data; And
A fifth step of performing, by the control module, a fault diagnosis for the facility unit using the normal data, the fault data, and the fake data; fault diagnosis using virtual data generated by machine learning, characterized in that it comprises Way.
 청구항 1에 있어서,
상기 설비부에 대한 고장 진단 정보가 상기 제어모듈로부터 출력부로 전달되어, 상기 설비부의 정상 여부에 대한 정보가 출력되는 제6단계;를 더 포함하는 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법.
The method according to claim 1,
A sixth step in which fault diagnosis information for the facility unit is transmitted from the control module to an output unit, and information on whether the facility unit is normal or not is outputted; using virtual data generated by machine learning, characterized in that it further comprises How to diagnose faults.
 청구항 1에 있어서,
상기 제4단계에서, 상기 페이크 데이터 생성 후, 유클리드 거리 계산을 이용하여 상기 페이크 데이터에 대한 후처리를 수행하는 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법.
The method according to claim 1,
In the fourth step, after generating the fake data, a post-processing on the fake data is performed using a Euclidean distance calculation.
 청구항 1에 있어서,
상기 머신러닝 모델은, GAN(Generative Adversarial Network)인 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법.
The method according to claim 1,
The machine learning model is a fault diagnosis method using virtual data generated by machine learning, characterized in that the GAN (Generative Adversarial Network).
 청구항 1에 있어서,
상기 설비부는, LM가이드(Linear Motor guide)인 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법.
The method according to claim 1,
The facility unit is a fault diagnosis method using virtual data generated by machine learning, characterized in that the LM guide (Linear Motor guide).
 청구항 1에 있어서,
상기 진동센서는 상기 설비부에 복수 개 설치되는 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법.
The method according to claim 1,
A failure diagnosis method using virtual data generated by machine learning, characterized in that a plurality of vibration sensors are installed in the facility unit.
 청구항 6에 있어서,
상기 제2단계에서, 상기 제어모듈은, 복수 개의 상기 진동센서 각각으로부터 전달된 복수 개의 센서 데이터 각각에 대해 일정한 시간 단위로 분할하는 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법.
The method of claim 6,
In the second step, the control module divides each of the plurality of sensor data transmitted from each of the plurality of vibration sensors into a predetermined time unit. .
 가공 또는 이송을 수행하는 설비부에 설치되어 진동을 측정하여 센서 데이터를 생성하는 진동센서;
상기 센서 데이터를 전달 받아 전처리하는 전처리 데이터를 생성하는 전처리부, 상기 전처리 데이터로부터 상기 설비부의 작동에 대한 정상 데이터 및 고장 데이터를 생성하고 머신러닝 모델에 상기 고장 데이터를 입력시켜 가상의 고장 데이터인 페이크 데이터를 생성하는 데이터생성부 및, 상기 정상 데이터와 상기 고장 데이터 및 상기 페이크 데이터가 포함된 판별용 데이터를 상기 데이터생성부로부터 전달 받고 상기 전처리부로부터 실시간의 전처리 데이터를 전달 받아 상기 판별용 데이터와 상기 실시간의 전처리 데이터를 비교 분석하여 상기 설비부의 고장 여부를 판별하는 데이터판별부,를 구비하는 제어모듈; 및
상기 제어모듈로부터 상기 설비부에 대한 고장 진단 정보를 전달 받아 상기 설비부의 정상 여부에 대한 정보가 출력되는 출력부;를 포함하는 것을 특징으로 하는 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 장치.A vibration sensor installed in a facility for processing or transferring to measure vibration to generate sensor data;
A pre-processing unit that receives the sensor data and generates pre-processed data, generates normal data and failure data for the operation of the facility unit from the pre-processed data, and inputs the failure data to a machine learning model to fake virtual failure data. A data generation unit for generating data, and determination data including the normal data, the failure data, and the fake data are transmitted from the data generation unit, and real-time preprocessed data is received from the preprocessing unit, and the determination data and A control module including a data discrimination unit that compares and analyzes the real-time pre-processed data to determine whether or not the equipment has a failure; And
And an output unit for receiving failure diagnosis information for the facility unit from the control module and outputting information on whether the facility unit is normal.
KR1020190148993A 2019-11-19 2019-11-19 Apparatus and method for fault diagnosis using fake data generated by machine learning KR102265298B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190148993A KR102265298B1 (en) 2019-11-19 2019-11-19 Apparatus and method for fault diagnosis using fake data generated by machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190148993A KR102265298B1 (en) 2019-11-19 2019-11-19 Apparatus and method for fault diagnosis using fake data generated by machine learning

Publications (2)

Publication Number Publication Date
KR20210061517A true KR20210061517A (en) 2021-05-28
KR102265298B1 KR102265298B1 (en) 2021-06-17

Family

ID=76140278

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190148993A KR102265298B1 (en) 2019-11-19 2019-11-19 Apparatus and method for fault diagnosis using fake data generated by machine learning

Country Status (1)

Country Link
KR (1) KR102265298B1 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114035537A (en) * 2021-10-22 2022-02-11 上海发电设备成套设计研究院有限责任公司 Comprehensive diagnosis platform and method for gas turbine control system
KR102445248B1 (en) * 2021-11-05 2022-09-22 주식회사 룰루랩 Method and device for hair loss prediction and personalized scalp care
WO2023007825A1 (en) * 2021-07-30 2023-02-02 オムロン株式会社 Anomaly detection device, anomaly detection method, and anomaly detection program
WO2023120888A1 (en) * 2021-12-23 2023-06-29 주식회사 아이티공간 Predictive maintenance method, for device, using gan algorithm

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160109721A (en) * 2015-03-12 2016-09-21 박호석 Manipulator diacrisis method by Vibrating monitoring
KR20170031985A (en) * 2015-09-14 2017-03-22 현대건설주식회사 Fault detection and diagnostics method of air-conditioning system
JP2018190245A (en) * 2017-05-09 2018-11-29 株式会社日立製作所 Facility equipment abnormality diagnosis system
KR101967065B1 (en) 2017-10-18 2019-04-08 울산대학교 산학협력단 Fault diagnosis apparatus and method for robust to environmental change
KR20190111631A (en) * 2018-03-23 2019-10-02 단국대학교 산학협력단 System and Method for Processing Multi type Sensor Signal Based on Multi modal Deep Learning

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160109721A (en) * 2015-03-12 2016-09-21 박호석 Manipulator diacrisis method by Vibrating monitoring
KR20170031985A (en) * 2015-09-14 2017-03-22 현대건설주식회사 Fault detection and diagnostics method of air-conditioning system
JP2018190245A (en) * 2017-05-09 2018-11-29 株式会社日立製作所 Facility equipment abnormality diagnosis system
KR101967065B1 (en) 2017-10-18 2019-04-08 울산대학교 산학협력단 Fault diagnosis apparatus and method for robust to environmental change
KR20190111631A (en) * 2018-03-23 2019-10-02 단국대학교 산학협력단 System and Method for Processing Multi type Sensor Signal Based on Multi modal Deep Learning

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023007825A1 (en) * 2021-07-30 2023-02-02 オムロン株式会社 Anomaly detection device, anomaly detection method, and anomaly detection program
CN114035537A (en) * 2021-10-22 2022-02-11 上海发电设备成套设计研究院有限责任公司 Comprehensive diagnosis platform and method for gas turbine control system
CN114035537B (en) * 2021-10-22 2024-03-01 上海发电设备成套设计研究院有限责任公司 Comprehensive diagnosis platform and method for gas turbine control system
KR102445248B1 (en) * 2021-11-05 2022-09-22 주식회사 룰루랩 Method and device for hair loss prediction and personalized scalp care
WO2023120888A1 (en) * 2021-12-23 2023-06-29 주식회사 아이티공간 Predictive maintenance method, for device, using gan algorithm

Also Published As

Publication number Publication date
KR102265298B1 (en) 2021-06-17

Similar Documents

Publication Publication Date Title
KR102265298B1 (en) Apparatus and method for fault diagnosis using fake data generated by machine learning
Souza et al. Deep learning for diagnosis and classification of faults in industrial rotating machinery
Principi et al. Unsupervised electric motor fault detection by using deep autoencoders
Zhao et al. Intelligent fault diagnosis of multichannel motor–rotor system based on multimanifold deep extreme learning machine
CN108444708B (en) Method for establishing rolling bearing intelligent diagnosis model based on convolutional neural network
KR101249576B1 (en) Rotating Machinery Fault Diagnostic Method and System Using Support Vector Machines
Goyal et al. Non-contact fault diagnosis of bearings in machine learning environment
US7233932B2 (en) Fault detection system and method using approximate null space base fault signature classification
CN108332970A (en) A kind of Method for Bearing Fault Diagnosis based on LS-SVM and D-S evidence theory
CN110287552A (en) Based on the motor bearings fault diagnosis method and system for improving random forests algorithm
KR101797400B1 (en) Method and apparatus for diagnosing fault based on probabilistic density
KR101992970B1 (en) Apparatus And Method for Detecting A Surface Defect Using A Deep Neural Network And Noise Reduction
US11137322B2 (en) Diagnosing method of engine condition and diagnostic modeling method thereof
Pu et al. A one-class generative adversarial detection framework for multifunctional fault diagnoses
Zhou et al. A multistage deep transfer learning method for machinery fault diagnostics across diverse working conditions and devices
Pirasteh et al. Interactive feature extraction for diagnostic trouble codes in predictive maintenance: A case study from automotive domain
CN107783495B (en) Unit control system
Neupane et al. Deep learning-based bearing fault detection using 2-D illustration of time sequence
KR102174424B1 (en) Method for Inspecting Component basesd Server and system and apparatus therefor
Huo et al. Bearing fault diagnosis using multi-sensor fusion based on weighted DS evidence theory
CN112213103A (en) Fault diagnosis method, device, system and medium for rail transit rolling stock bearing
Razavi-Far et al. Imputation of missing data for diagnosing sensor faults in a wind turbine
KR102485082B1 (en) Method for diagnosing the fault of a rotary machine and Device thereof
CN113820123A (en) Gearbox fault diagnosis method based on improved CNN and selective integration
Tastimur et al. Defect diagnosis of rolling element bearing using deep learning

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant