KR20210070867A - 인공지능을 통한 기기의 이상 부위 학습 검출방법 - Google Patents
인공지능을 통한 기기의 이상 부위 학습 검출방법 Download PDFInfo
- Publication number
- KR20210070867A KR20210070867A KR1020190161117A KR20190161117A KR20210070867A KR 20210070867 A KR20210070867 A KR 20210070867A KR 1020190161117 A KR1020190161117 A KR 1020190161117A KR 20190161117 A KR20190161117 A KR 20190161117A KR 20210070867 A KR20210070867 A KR 20210070867A
- Authority
- KR
- South Korea
- Prior art keywords
- abnormal
- current waveform
- information
- detection
- learning
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- 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
-
- 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
- G05B2223/00—Indexing scheme associated with group G05B23/00
- G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 인공지능을 통한 기기의 이상 부위 학습 검출방법에 관한 것으로, 그 구성은 적어도 하나 이상의 기기의 구동 상태에서 시간에 흐름에 따라 변화되는 전류 값에 대한 전류 파형을 수집하되, 기기의 고장이 발행하기 전의 전류 파형 정보와 함께 기기의 고장 부위에 대한 정보를 수집하는 정보 수집단계(S10);와, 상기 정보 수집단계(S10)에서 수집된 정보를 제어부에서 학습하여 기기의 각 고장 부위에 대한 전류 파형의 기준모델을 설정하는 모델 설정단계(S20);와, 실시간 구동 상태에서 기기의 이상징후가 검출되면, 상기 제어부는 기기의 실시간 전류 파형과 기준모델을 대비하여 기기의 이상징후에 대한 이상 부위를 검출 제공하는 검출단계(S30);로 이루어진 것을 특징으로 하는 것으로서,
다수의 기기에서 고장이 발생하기 전의 전류 파형 정보와 함께 고장 부위 정보를 매칭한 정보를 대량으로 수집하고, 제어부는 수집된 정보를 딥 러닝에 기반하여 학습하면서 각 고장 부위에 대한 기준모델을 구축 형성함으로, 실시간 구동상태에서 기기의 이상징후가 검출되면 기기의 전류 파형과 기준모델을 대비하여 기기의 이상징후가 발생한 이상 부위를 검출 제공하여 관리자는 기기의 이상 부위를 신속하고 명확하게 파악할 수 있어 기기의 이상징후에 효과적으로 대처하여 기기의 효율적인 관리를 유도할 수 있는 효과가 있다.
또한, 초보자도 기기의 이상징후에 대한 이상 부위를 용이하게 인지할 수 있어 초보자라 해도 기기의 이상징후에 유연하게 대처하도록 유도하여 기기의 안정적인 운영 관리를 유도할 수 있는 효과가 있다.
또한, 종래의 구동부의 정밀 예지 보전방법의 기술과 접목하여 기기의 이상징후가 감지되면 곧바로 기기의 이상징후에 대한 이상 부위를 검출 제공할 수 있어 구동부의 정밀 예지 보전방법의 부족한 기술 부분을 보완하여 예지 보전방법의 적용 범용성을 강화할 수 있는 할 수 있는 효과가 있다.
다수의 기기에서 고장이 발생하기 전의 전류 파형 정보와 함께 고장 부위 정보를 매칭한 정보를 대량으로 수집하고, 제어부는 수집된 정보를 딥 러닝에 기반하여 학습하면서 각 고장 부위에 대한 기준모델을 구축 형성함으로, 실시간 구동상태에서 기기의 이상징후가 검출되면 기기의 전류 파형과 기준모델을 대비하여 기기의 이상징후가 발생한 이상 부위를 검출 제공하여 관리자는 기기의 이상 부위를 신속하고 명확하게 파악할 수 있어 기기의 이상징후에 효과적으로 대처하여 기기의 효율적인 관리를 유도할 수 있는 효과가 있다.
또한, 초보자도 기기의 이상징후에 대한 이상 부위를 용이하게 인지할 수 있어 초보자라 해도 기기의 이상징후에 유연하게 대처하도록 유도하여 기기의 안정적인 운영 관리를 유도할 수 있는 효과가 있다.
또한, 종래의 구동부의 정밀 예지 보전방법의 기술과 접목하여 기기의 이상징후가 감지되면 곧바로 기기의 이상징후에 대한 이상 부위를 검출 제공할 수 있어 구동부의 정밀 예지 보전방법의 부족한 기술 부분을 보완하여 예지 보전방법의 적용 범용성을 강화할 수 있는 할 수 있는 효과가 있다.
Description
본 발명은 인공지능을 통한 기기의 이상 부위 학습 검출방법에 관한 것으로, 더욱 상세하게는 다수의 기기에서 고장이 발생하기 전의 전류 파형 정보와 함께 고장 부위 정보를 매칭한 정보를 대량으로 수집하고, 제어부는 수집된 정보를 딥 러닝에 기반하여 학습하면서 각 고장 부위에 대한 기준모델을 구축 형성함으로, 실시간 구동상태에서 기기의 이상징후가 검출되면 기기의 전류 파형과 기준모델을 대비하여 기기의 이상징후가 발생한 이상 부위를 검출 제공하여 관리자는 기기의 이상 부위를 신속하고 명확하게 파악할 수 있어 기기의 이상징후에 효과적으로 대처하여 기기의 효율적인 관리를 유도할 수 있는 인공지능을 통한 기기의 이상 부위 학습 검출방법에 관한 것이다.
일반적으로 설비의 자동화 공정을 위해 사용되는 각종 기기들은 안정적인 작동이 매우 중요하다.
일 예로, 대규모 생산 공장의 설비에는 수십, 수백 개의 기기가 설치되어 서로 연동 동작하면서 제품을 연속 생산하게 되는데, 만약 다수의 기기 중에서 어느 하나의 기기가 고장이 발생하면 설비의 동작이 전체적으로 중단되는 엄청난 상황이 발생할 수 있다.
이때는 기기의 고장으로 인한 다운 타임의 발생으로 기기의 수리비용뿐만 아니라, 설비가 중단되는 동안 낭비되는 운영비와 비즈니스 효과에 의해 엄청난 손실이 발생될 수밖에 없다.
최근 고용노동부와 산업안전 관리공단의 자료에 따르면 연간 산업 안전사고로 인한 사상자는 총 10만 명 수준으로 집게 되고 있으며, 이를 비용으로 환산시 연간 18조원의 손실이 발생하고 있다고 집계되고 있다.
이러한 예기치 않은 다운 타임 비용을 피하기 위한 방법으로 사전 예지 보전시스템의 도입이 시급한 실정이다.
이에 본 출원인은 고장이 발생하기 전에 미리 구동부의 이상징후를 검출하여 구동부의 예지보전을 유도하는 "구동부의 정밀 예지 보전방법"에 관한 기술을 개발하여 아래와 같이 등록 받았습니다.
하지만, 본 출원이 개발한 "구동부의 정밀 예지 보전방법"은 구동부의 이상징후는 검출하나, 그 이상징후가 발생된 부위를 정밀하게 확정할 수 없어 현장에서 적용 사용이 다소 불편할 뿐만 아니라, 이러한 불편함으로 인해 기술의 적용 범용성이 다소 낮아지는 문제점이 있었다.
따라서 현장에 기기의 이상징후를 기반으로 기기의 이상 부위를 진단하고 대처할 수 있는 전문가의 상주가 요구될 뿐만 아니라, 전문가에 의해 이상 부위를 진단하는데 많은 시간이 소요되며, 그 진단 결과에 대한 신뢰도가 다소 낮아 기기의 원활한 진단 수리가 곤란하다는 문제점이 있었다.
본 발명은 상기한 바와 같은 제반 문제점을 해결하기 위하여 제안된 것으로, 그 목적은 다수의 기기에서 고장이 발생하기 전의 전류 파형 정보와 함께 고장 부위 정보를 매칭한 정보를 대량으로 수집하고, 제어부는 수집된 정보를 딥 러닝에 기반하여 학습하면서 각 고장 부위에 대한 기준모델을 구축 형성함으로, 실시간 구동상태에서 기기의 이상징후가 검출되면 기기의 전류 파형과 기준모델을 대비하여 기기의 이상징후가 발생한 이상 부위를 검출 제공하여 관리자는 기기의 이상 부위를 신속하고 명확하게 파악할 수 있어 기기의 이상징후에 효과적으로 대처하여 기기의 효율적인 관리를 유도할 수 있는 인공지능을 통한 기기의 이상 부위 학습 검출방법을 제공함에 있다.
또한, 초보자도 기기의 이상징후에 대한 이상 부위를 용이하게 인지할 수 있어 초보자라 해도 기기의 이상징후에 유연하게 대처하도록 유도하여 기기의 안정적인 운영 관리를 유도할 수 있는 인공지능을 통한 기기의 이상 부위 학습 검출방법을 제공함에 있다.
또한, 종래의 구동부의 정밀 예지 보전방법의 기술과 접목하여 기기의 이상징후가 감지되면 곧바로 기기의 이상징후에 대한 이상 부위를 검출 제공할 수 있어 구동부의 정밀 예지 보전방법의 부족한 기술 부분을 보완하여 예지 보전방법의 적용 범용성을 강화할 수 있는 할 수 있는 인공지능을 통한 기기의 이상 부위 학습 검출방법을 제공함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법은 적어도 하나 이상의 기기의 구동 상태에서 시간에 흐름에 따라 변화되는 전류 값에 대한 전류 파형을 수집하되, 기기의 고장이 발행하기 전의 전류 파형 정보와 함께 기기의 고장 부위에 대한 정보를 수집하는 정보 수집단계(S10);와, 상기 정보 수집단계(S10)에서 수집된 정보를 제어부에서 학습하여 기기의 각 고장 부위에 대한 전류 파형의 기준모델을 설정하는 모델 설정단계(S20);와, 실시간 구동 상태에서 기기의 이상징후가 검출되면, 상기 제어부는 기기의 실시간 전류 파형과 기준모델을 대비하여 기기의 이상징후에 대한 이상 부위를 검출 제공하는 검출단계(S30);를 포함하여 구성되는 것을 특징으로 한다.
또한, 상기 제어부는 딥 러닝에 기반하여 시간의 흐름에 따른 전류 파형의 이미지를 학습하여 기기의 각 고장 부위에 대한 전류 파형의 기준모델을 각각 설정하며, 상기 검출단계(S30)에서는 검출된 이상 부위에 대한 확률 값을 함께 제공하여 관리자가 기기의 이상 부위에 대해 용이하게 판단할 수 있도록 유도하는 것을 특징으로 한다.
또한, 상기 정보 수집단계(S10)에서 수집되는 전류 파형 정보는 기기가 구동되는 구동구간에 대한 전류 파형, 상기 전류 파형의 시간 길이, 상기 전류 파형의 평균 전류, 상기 전류 파형의 피크 전류, 상기 전류 파형의 적분 면적에 관한 정보 중에서 적어도 하나 이상이 수집되도록 하는 것을 특징으로 한다.
또한, 상기 제어부는 상기 검출단계(S30)에서 제시한 기기의 이상징후에 대한 이상 부위에 대한 검출 결과를 피드백 받아 재학습하여 상기 검출단계(S30)에서 제시하는 검출 정보에 대한 확률 값을 향상시켜 검출 정보에 대한 신뢰도를 강화하도록 하는 재학습 단계(S40);를 더 포함하여 이루어지는 것을 특징으로 한다.
이상에서와 같이 본 발명에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법에 의하면, 다수의 기기에서 고장이 발생하기 전의 전류 파형 정보와 함께 고장 부위 정보를 매칭한 정보를 대량으로 수집하고, 제어부는 수집된 정보를 딥 러닝에 기반하여 학습하면서 각 고장 부위에 대한 기준모델을 구축 형성함으로, 실시간 구동상태에서 기기의 이상징후가 검출되면 기기의 전류 파형과 기준모델을 대비하여 기기의 이상징후가 발생한 이상 부위를 검출 제공하여 관리자는 기기의 이상 부위를 신속하고 명확하게 파악할 수 있어 기기의 이상징후에 효과적으로 대처하여 기기의 효율적인 관리를 유도할 수 있는 효과가 있다.
또한, 초보자도 기기의 이상징후에 대한 이상 부위를 용이하게 인지할 수 있어 초보자라 해도 기기의 이상징후에 유연하게 대처하도록 유도하여 기기의 안정적인 운영 관리를 유도할 수 있는 효과가 있다.
또한, 종래의 구동부의 정밀 예지 보전방법의 기술과 접목하여 기기의 이상징후가 감지되면 곧바로 기기의 이상징후에 대한 이상 부위를 검출 제공할 수 있어 구동부의 정밀 예지 보전방법의 부족한 기술 부분을 보완하여 예지 보전방법의 적용 범용성을 강화할 수 있는 할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법의 블럭도
도 2 내지 도 4는 본 발명의 인공지능을 통한 기기의 이상 부위 학습 검출방법을 설명하기 위한 도면
도 2 내지 도 4는 본 발명의 인공지능을 통한 기기의 이상 부위 학습 검출방법을 설명하기 위한 도면
본 발명의 바람직한 실시예에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법을 첨부된 도면에 의거하여 상세히 설명한다. 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 공지 기능 및 구성에 대한 상세한 기술은 생략한다.
도 1 내지 도 4는 본 발명의 실시예에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법을 도시한 것으로, 도 1은 본 발명의 실시예에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법의 블럭도를, 도 2 내지 도 4는 본 발명의 인공지능을 통한 기기의 이상 부위 학습 검출방법을 설명하기 위한 도면을 각각 나타낸 것이다.
상기 도면에 도시한 바와 같이, 본 발명의 실시예에 따른 인공지능을 통한 기기의 이상 부위 학습 검출방법(100)은 정보 수집단계(S10)와, 모델 설정단계(S20)와, 검출단계(S30)를 포함하고 있다.
도 1에 도시된 바와 같이, 상기 정보 수집단계(S10)는 적어도 하나 이상의 기기의 구동 상태에서 시간에 흐름에 따라 변화되는 전류 값에 대한 전류 파형을 수집하되, 기기의 고장이 발행하기 전의 전류 파형 정보와 함께 기기의 고장 부위에 대한 정보를 수집하는 단계이다.
여기서, 상기 기기의 구동에 소요되는 전류에 대한 정보는 전류 값을 측정하는 각종 센서를 통해 수집될 수 있고, 고장 부위에 대한 정보는 기기가 설치되는 현장의 작업자(관리자)에 의해 수집될 수 있으며, 이렇게 수집된 정보는 유·무선 통신망을 통해 후설될 제어부(10)로 전송될 수 있다.
또한, 도 2에 도시된 바와 같이 상기 정보 수집단계(S10)에서 수집되는 전류 파형 정보로는 기기가 구동되는 구동구간에 대한 전류 파형, 상기 구동구간의 전류 파형에 대한 시간 길이, 상기 전류 파형의 평균 전류, 상기 전류 파형의 피크 전류, 상기 전류 파형의 적분 면적에 관한 정보 중에서 적어도 하나 이상이 수집될 수 있다.
여기서, 상기 전류 파형의 피크 전류는 상기 전류 파형에서 전류 값이 가장 큰 값을 의미한다.
상기와 같이 정보 수집단계(S10)에서 수집되는 각종 정보들은 후설될 상기 모델 설정단계(S20)에서 제어부(10)가 학습하여 고장 부위에 대한 기준모델을 설정하는데 중요한 기반이 된다.
도 1에 도시된 바와 같이, 상기 모델 설정단계(S20)는 상기 정보 수집단계(S10)에서 수집된 정보를 제어부(10)에서 학습하여 기기의 각 고장 부위에 대한 전류 파형의 기준모델을 설정하는 단계이다.
즉, 도 3에 도시된 바와 같이 상기 제어부(10)는 상기 정보 수집단계(S10)에서 수집되는 다양한 정보를 기반으로 학습하여 각각의 고장 부위에 대한 전류 파형의 기준모델을 각각 설정 구축하는데, 딥 러닝의 특성상 하나의 고장 부위에 대한 전류 파형의 정보는 적게는 수백 많게는 수천, 수만 개의 정보가 필요할 수 있으며, 이러한 정보가 풍부할수록 후설될 상기 검출단계(S30)에서 설정 구축된 기준모델을 통한 기기의 이상 부위 검출에 대한 정확성이 높아질 수 있다.
여기서, 상기 제어부(10)는 공지의 다양한 딥 러닝 방법으로 학습할 수 있는데, 일 예로 VGG16, VGG19, RestNet50, Inceoption V3 등의 방법을 선택적으로 적용하여 학습할 수 있는 것이다.
도 1에 도시된 바와 같이, 상기 검출단계(S30)는 실시간 구동 상태에서 기기의 이상징후가 검출되면, 상기 제어부(10)는 기기의 실시간 전류 파형과 기준모델을 대비하여 기기의 이상징후에 대한 이상 부위를 검출 제공하는 단계이다.
즉, 도 4에 도시된 바와 같이 상기 제어부(10)는 이상징후가 감지된 기기에서 수집되는 전류 파형을 상기 모델 설정단계(S20)에서 학습 설정된 기준모델과 매칭하여 검출결과를 제공하는데, 이때 상기 제어부(10)는 기기의 전류 파형과 가장 유사한 기준모델에 해당하는 기기의 이상 부위를 검출결과로 제공하게 된다.
여기서, 상기 제어부(10)는 기기의 전류 파형과 유사한 순서대로 다수의 이상 부위를 검출결과로 제공할 수 있음은 물론이다.
또한, 상기 제어부(10)는 이상 부위 검출결과에 대한 확률 값을 함께 제공하여 관리자가 기기의 이상 부위에 대해 용이하게 판단할 수 있도록 유도할 수 있다.
일 예로, 상기 검출단계(S30)에서 제어부(10)가 기기의 이상징후에 대한 검출결과로 A 부위와 B 부위 및 C 부위를 이상부위로 의심이 되는 것으로 판단한 경우에, 관리자에게 A 부위-95%, B 부위-78%, 및 C 부위-63%로 확률 값을 함께 제공하여 관리자가 이상부위에 대한 판단을 용이하게 할 수 있도록 하는 것이다.
이러한 확률 값은 상기 정보 수집단계(S10)에서 많은 정보가 수집되고, 그 수집되는 정보를 상기 제어부(10)에서 학습하는 기간이 늘어날수록 점차 향상될 수 있다.
또한, 도 1에 도시된 바와 같이 상기 제어부(10)는 상기 검출단계(S30)에서 제시한 기기의 이상징후에 대한 이상 부위에 대한 검출결과를 피드백 받아 재학습하여 상기 검출단계(S30)에서 제시하는 검출 정보에 대한 확률 값을 향상시켜 검출 정보에 대한 신뢰도를 강화하도록 하는 재학습 단계(S40);를 더 포함한다.
즉, 도 4에 도시된 바와 같이 상기 제어부(10)는 이상징후에 대한 기기의 이상 부위 검출결과(검출 값)에 대한 성공 여부를 피드백 받아 재학습하는 과정을 통해 기준모델에 대한 신뢰도를 점차 향상시켜 상기 제어부(10)를 통해 제공되는 검출결과에 대한 우수한 신뢰도를 확보하도록 한다.
여기서, 상기 제어부(10)는 각 기기에 설치될 수도 있고, 각 기기들을 통괄적으로 관리하는 관리서버에 설치되어 상기와 같은 학습 및 검출결과를 제공할 수 있다.
한편, 상기 제어부(10)가 기기의 이상징후에 대한 이상 부위를 검출결과로 제공하기 앞서서, 기기의 이상징후를 검출하는 방법은 본 출원인이 선 개발한 특허등록번호 제10-1643599호, 특허등록번호 제10-2039742호, 특허등록번호 제10-2039743호, 특허등록번호 제10-1857393호, 특허등록번호 제10-1893745호, 특허등록번호 제10-1893746호, 특허등록번호 제10-1893744호에 제시된 구동부의 정밀 예지 보전방법으로 검출할 수 있음은 물론이다.
따라서 본 출원인이 선 개발한 구동부의 정밀 예지 보전방법으로 기기의 이상징후를 검출하면, 본 발명의 인공지능을 통한 기기의 이상 부위 학습 검출방법(100)을 통해 실시간으로 기기의 이상 부위를 검출 진단하여 제공함으로, 기기의 관리하는 관리자는 매우 간편하고 효과적으로 기기의 수리 및 관리를 수행할 수 있다.
상기와 같은 방법으로 이루어지는 본 발명의 인공지능을 통한 기기의 이상 부위 학습 검출방법(100)은 다수의 기기에서 고장이 발생하기 전의 전류 파형 정보와 함께 고장 부위 정보를 매칭한 정보를 대량으로 수집하고, 제어부(10)는 수집된 정보를 딥 러닝에 기반하여 학습하면서 각 고장 부위에 대한 기준모델을 구축 형성함으로, 실시간 구동상태에서 기기의 이상징후가 검출되면 기기의 전류 파형과 기준모델을 대비하여 기기의 이상징후가 발생한 이상 부위를 검출 제공하여 관리자는 기기의 이상 부위를 신속하고 명확하게 파악할 수 있어 기기의 이상징후에 효과적으로 대처하여 기기의 효율적인 관리를 유도할 수 있는 효과가 있다.
또한, 초보자도 기기의 이상징후에 대한 이상 부위를 용이하게 인지할 수 있어 초보자라 해도 기기의 이상징후에 유연하게 대처하도록 유도하여 기기의 안정적인 운영 관리를 유도할 수 있는 효과가 있다.
또한, 종래의 구동부의 정밀 예지 보전방법의 기술과 접목하여 기기의 이상징후가 감지되면 곧바로 기기의 이상징후에 대한 이상 부위를 검출 제공할 수 있어 구동부의 정밀 예지 보전방법의 부족한 기술 부분을 보완하여 예지 보전방법의 적용 범용성을 강화할 수 있는 할 수 있는 효과가 있다.
본 발명은 첨부된 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것으로 상술한 실시예에 한정되지 않으며, 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 실시예가 가능하다는 점을 이해할 수 있을 것이다. 또한, 본 발명의 사상을 해치지 않는 범위 내에서 당업자에 의한 변형이 가능함은 물론이다. 따라서, 본 발명에서 권리를 청구하는 범위는 상세한 설명의 범위 내로 정해지는 것이 아니라 후술되는 청구범위와 이의 기술적 사상에 의해 한정될 것이다.
10. 제어부
S10. 정보 수집단계
S20. 모델 설정단계
S30. 검출단계
S40. 재학습 단계
100. 인공지능을 통한 기기의 이상 부위 학습 검출방법
S10. 정보 수집단계
S20. 모델 설정단계
S30. 검출단계
S40. 재학습 단계
100. 인공지능을 통한 기기의 이상 부위 학습 검출방법
Claims (4)
- 적어도 하나 이상의 기기의 구동 상태에서 시간에 흐름에 따라 변화되는 전류 값에 대한 전류 파형을 수집하되, 기기의 고장이 발행하기 전의 전류 파형 정보와 함께 기기의 고장 부위에 대한 정보를 수집하는 정보 수집단계(S10);
상기 정보 수집단계(S10)에서 수집된 정보를 제어부(10)에서 학습하여 기기의 각 고장 부위에 대한 전류 파형의 기준모델을 설정하는 모델 설정단계(S20); 및
실시간 구동 상태에서 기기의 이상징후가 검출되면, 상기 제어부(10)는 기기의 실시간 전류 파형과 기준모델을 대비하여 기기의 이상징후에 대한 이상 부위를 검출 제공하는 검출단계(S30);를 포함하여 구성되는 것을 특징으로 하는 인공지능을 통한 기기의 이상 부위 학습 검출방법.
- 제 1 항에 있어서,
상기 제어부(10)는 딥 러닝에 기반하여 시간의 흐름에 따른 전류 파형의 이미지를 학습하여 기기의 각 고장 부위에 대한 전류 파형의 기준모델을 각각 설정하며,
상기 검출단계(S30)에서는 검출된 이상 부위에 대한 확률 값을 함께 제공하여 관리자가 기기의 이상 부위에 대해 용이하게 판단할 수 있도록 유도하는 것을 특징으로 하는 인공지능을 통한 기기의 이상 부위 학습 검출방법.
- 제 1 항 또는 제 2 항에 있어서,
상기 정보 수집단계(S10)에서 수집되는 전류 파형 정보는 기기가 구동되는 구동구간에 대한 전류 파형, 상기 전류 파형의 시간 길이, 상기 전류 파형의 평균 전류, 상기 전류 파형의 피크 전류, 상기 전류 파형의 적분 면적에 관한 정보 중에서 적어도 하나 이상이 수집되도록 하는 것을 특징으로 하는 인공지능을 통한 기기의 이상 부위 학습 검출방법.
- 제 2 항에 있어서,
상기 제어부(10)는 상기 검출단계(S30)에서 제시한 기기의 이상징후에 대한 이상 부위에 대한 검출 결과를 피드백 받아 재학습하여 상기 검출단계(S30)에서 제시하는 검출 정보에 대한 확률 값을 향상시켜 검출 정보에 대한 신뢰도를 강화하도록 하는 재학습 단계(S40);를 더 포함하여 이루어지는 것을 특징으로 하는 인공지능을 통한 기기의 이상 부위 학습 검출방법.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190161117A KR102344464B1 (ko) | 2019-12-05 | 2019-12-05 | 인공지능을 통한 기기의 이상 부위 학습 검출방법 |
PCT/KR2020/017523 WO2021112577A1 (ko) | 2019-12-05 | 2020-12-03 | 인공지능을 통한 기기의 이상 부위 학습 검출방법 |
US17/831,846 US11714403B2 (en) | 2019-12-05 | 2022-06-03 | Method for learning and detecting abnormal part of device through artificial intelligence |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190161117A KR102344464B1 (ko) | 2019-12-05 | 2019-12-05 | 인공지능을 통한 기기의 이상 부위 학습 검출방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210070867A true KR20210070867A (ko) | 2021-06-15 |
KR102344464B1 KR102344464B1 (ko) | 2021-12-29 |
Family
ID=76220961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190161117A KR102344464B1 (ko) | 2019-12-05 | 2019-12-05 | 인공지능을 통한 기기의 이상 부위 학습 검출방법 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11714403B2 (ko) |
KR (1) | KR102344464B1 (ko) |
WO (1) | WO2021112577A1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023033569A1 (ko) * | 2021-09-03 | 2023-03-09 | 주식회사 아이티공간 | 피크에 대한 각도를 통한 제품의 품질 검사방법 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230176556A1 (en) * | 2021-12-08 | 2023-06-08 | Ford Global Technologies, Llc | Systems and methods for detecting manufacturing anomalies |
CN117151570B (zh) * | 2023-10-31 | 2023-12-29 | 南通百源制冷设备有限公司 | 冷链运输用箱体的冷源管路监测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100608235B1 (ko) * | 2005-12-16 | 2006-08-02 | 주식회사 케이디파워 | 유도전동기의 실시간 수명 예측, 결함 감지 방법 및 장치 |
KR101643599B1 (ko) | 2015-07-15 | 2016-07-28 | (주)아이티공간 | 차체 조립 라인의 구동부 모니터링 방법 및 그 장치 |
KR101857393B1 (ko) | 2017-08-11 | 2018-06-20 | (주)아이티공간 | 구동부의 정밀 예지 보전방법 |
KR101862218B1 (ko) * | 2017-02-15 | 2018-07-05 | (주)이젝스 | 전자기기 식별에 의한 상황 인지 시스템 및 그 방법 |
KR101893746B1 (ko) | 2017-08-11 | 2018-08-31 | (주)아이티공간 | 구동부의 정밀 예지 보전방법 |
KR101893744B1 (ko) | 2017-08-11 | 2018-09-04 | (주)아이티공간 | 구동부의 정밀 예지 보전방법 |
KR101893745B1 (ko) | 2017-08-11 | 2018-10-04 | (주)아이티공간 | 구동부의 정밀 예지 보전방법 |
KR102039742B1 (ko) | 2017-08-11 | 2019-11-01 | (주)아이티공간 | 구동부의 정밀 예지 보전방법 |
KR102039743B1 (ko) | 2017-08-11 | 2019-11-01 | (주)아이티공간 | 구동부의 정밀 예지 보전방법 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0293517B1 (de) * | 1987-06-02 | 1992-11-25 | Deutsche ITT Industries GmbH | Steuerprozessor |
US10539602B2 (en) * | 2016-04-05 | 2020-01-21 | Siemens Energy, Inc. | Active shaft grounding system with diagnostic waveform analysis |
GB201621434D0 (en) * | 2016-12-16 | 2017-02-01 | Palantir Technologies Inc | Processing sensor logs |
JP2018156151A (ja) * | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 異常検知装置及び機械学習装置 |
KR101865086B1 (ko) * | 2017-11-15 | 2018-06-07 | (주) 동보파워텍 | 사고데이터 분석과 내부 이상상태 감시 및 진단 기능을 구비한 고장감시진단장치 내장형 수배전반 |
US20190196461A1 (en) * | 2017-12-22 | 2019-06-27 | Applied Materials, Inc. | Internet-based semiconductor manufacturing equipment health and diagnostics monitoring |
KR101955678B1 (ko) * | 2018-03-21 | 2019-03-07 | 천병민 | 전광판 영상의 패턴인식에 의한 자가진단 및 복구형 인공지능 제어시스템 |
JP7107830B2 (ja) * | 2018-12-21 | 2022-07-27 | ファナック株式会社 | 学習用データ確認支援装置、機械学習装置、故障予知装置 |
-
2019
- 2019-12-05 KR KR1020190161117A patent/KR102344464B1/ko active IP Right Grant
-
2020
- 2020-12-03 WO PCT/KR2020/017523 patent/WO2021112577A1/ko active Application Filing
-
2022
- 2022-06-03 US US17/831,846 patent/US11714403B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100608235B1 (ko) * | 2005-12-16 | 2006-08-02 | 주식회사 케이디파워 | 유도전동기의 실시간 수명 예측, 결함 감지 방법 및 장치 |
KR101643599B1 (ko) | 2015-07-15 | 2016-07-28 | (주)아이티공간 | 차체 조립 라인의 구동부 모니터링 방법 및 그 장치 |
KR101862218B1 (ko) * | 2017-02-15 | 2018-07-05 | (주)이젝스 | 전자기기 식별에 의한 상황 인지 시스템 및 그 방법 |
KR101857393B1 (ko) | 2017-08-11 | 2018-06-20 | (주)아이티공간 | 구동부의 정밀 예지 보전방법 |
KR101893746B1 (ko) | 2017-08-11 | 2018-08-31 | (주)아이티공간 | 구동부의 정밀 예지 보전방법 |
KR101893744B1 (ko) | 2017-08-11 | 2018-09-04 | (주)아이티공간 | 구동부의 정밀 예지 보전방법 |
KR101893745B1 (ko) | 2017-08-11 | 2018-10-04 | (주)아이티공간 | 구동부의 정밀 예지 보전방법 |
KR102039742B1 (ko) | 2017-08-11 | 2019-11-01 | (주)아이티공간 | 구동부의 정밀 예지 보전방법 |
KR102039743B1 (ko) | 2017-08-11 | 2019-11-01 | (주)아이티공간 | 구동부의 정밀 예지 보전방법 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023033569A1 (ko) * | 2021-09-03 | 2023-03-09 | 주식회사 아이티공간 | 피크에 대한 각도를 통한 제품의 품질 검사방법 |
KR20230034600A (ko) * | 2021-09-03 | 2023-03-10 | (주)아이티공간 | 피크에 대한 각도를 통한 제품의 품질 검사방법 |
Also Published As
Publication number | Publication date |
---|---|
US11714403B2 (en) | 2023-08-01 |
WO2021112577A1 (ko) | 2021-06-10 |
KR102344464B1 (ko) | 2021-12-29 |
US20220299987A1 (en) | 2022-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102344464B1 (ko) | 인공지능을 통한 기기의 이상 부위 학습 검출방법 | |
EP3557819A8 (en) | Server failure detection method and system | |
CN103901845A (zh) | 一种油田生产现场物联设备远程智能管理方法及*** | |
CN112905371B (zh) | 基于异构多源数据异常检测的软件变更检查方法和装置 | |
KR20200081164A (ko) | 구동부의 건전성 지수 검출방법 | |
KR102316472B1 (ko) | 제어 출력신호를 통한 기기의 건전성 지수 검출방법 | |
KR20140036375A (ko) | 철도시스템의 지능형 고장자산관리시스템 | |
KR101621434B1 (ko) | 원자력 발전소 교육 훈련용 모의제어반 발전운전원 운전오류 경보시스템 및 원자력 발전소 모의제어반 교육 훈련 방법 | |
KR102316469B1 (ko) | 다중 제어 출력신호를 통한 기기의 건전성 지수 검출방법 | |
KR102316520B1 (ko) | 분포도를 통한 기기의 건전성 지수 검출방법 | |
CN109145773A (zh) | 一种多源趋势信息融合的故障预测方法 | |
KR102316463B1 (ko) | 제어 출력신호를 통한 기기의 건전성 지수 검출방법 | |
KR20210000546A (ko) | 제어 출력신호를 통한 기기의 예지 보전방법 | |
CN112278014A (zh) | 列车故障的处理方法及装置 | |
US20220035362A1 (en) | Learned model generation method | |
KR102510101B1 (ko) | 딥러닝을 이용한 기기의 예지 보전방법 | |
CN107578185B (zh) | 一种工业建构筑物的健康检测方法及装置 | |
KR20230005590A (ko) | 딥러닝을 이용한 기기의 예지 보전방법 | |
KR20210014452A (ko) | 제조 공정 비정상 데이터 탐지 시스템 | |
CN116846892B (zh) | 一种应用边缘计算的能耗智能化监管***及方法 | |
KR102385004B1 (ko) | 누적 파형을 통한 기기의 예지 보전방법 | |
CN104793574A (zh) | 健身器材的远程故障检测***及方法 | |
CN114169169B (zh) | 一种桥式起重机设备可靠性分析*** | |
KR102316483B1 (ko) | 다중 제어 출력신호를 통한 기기의 예지 보전방법 | |
KR102316467B1 (ko) | 제어 출력신호를 통한 기기의 건전성 지수 검출방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right |