KR20210099346A - 제조 설비의 이상 감지 방법 및 장치 - Google Patents

제조 설비의 이상 감지 방법 및 장치 Download PDF

Info

Publication number
KR20210099346A
KR20210099346A KR1020200013089A KR20200013089A KR20210099346A KR 20210099346 A KR20210099346 A KR 20210099346A KR 1020200013089 A KR1020200013089 A KR 1020200013089A KR 20200013089 A KR20200013089 A KR 20200013089A KR 20210099346 A KR20210099346 A KR 20210099346A
Authority
KR
South Korea
Prior art keywords
learning model
manufacturing facility
abnormality
value
manufacturing
Prior art date
Application number
KR1020200013089A
Other languages
English (en)
Inventor
강현철
박호진
손지연
이은서
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020200013089A priority Critical patent/KR20210099346A/ko
Priority to US17/136,654 priority patent/US11709474B2/en
Publication of KR20210099346A publication Critical patent/KR20210099346A/ko

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4063—Monitoring general control system
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

제조 설비의 이상 감지 방법 및 장치가 개시된다. 본 발명의 일실시예에 따른 제조 설비 이상 감지를 위한 학습 모델 생성 방법은 멀티 센서를 통해 수집되는 제조 설비의 정상 상태에 대한 측정 값을 시간 별로 수신하는 단계; 임의의 가중치 집합을 포함하는 학습 모델을 생성하고 상기 측정 값으로 상기 학습 모델을 트레이닝(training)하는 단계; 및 상기 학습 모델을 이용하여 상기 제조 설비의 정상 상태와 비정상 상태의 경계에 대응하는 임계 값 및 일정한 시간 간격을 나타내는 로컬 윈도우(local window)에서 비정상 상태에 대한 판단 기준을 결정하는 단계를 포함할 수 있다.

Description

제조 설비의 이상 감지 방법 및 장치{METHOD AND DEVICE FOR detecting abnormality of manufacturing facility}
본 발명은 제조 설비의 이상 감지 방법 및 장치에 대한 것으로, 보다 구체적으로는 LSTM 오토 인코더를 적용한 학습 모델을 생성하고, 이를 이용하여 제조 설비의 이상을 감지하는 방법 및 장치에 관한 것이다.
최근, 산업 발전에 따른 다품종 소량 생산 추세가 확산되고 있다. 이에 따라 제품 생산을 위한 제조 설비가 다양해지고 있다. 제조 설비가 다양할수록 각 제조 설비들에 포함된 각각의 기능이 비정상적으로 작동하는지 파악하기 위해서는 많은 시간과 노력이 소모된다.
종래 기술은 공장 관리자가 실시간으로 이상 감지를 모니터링하고 기능 이상 유무를 직접 판단했기 때문에 인력 및 비용 문제 뿐만 아니라, 이상 유무를 판단의 객관성 및 정확성 문제를 갖는다. 따라서, 공장의 전체 제조 설비의 이상 여부를 감지하고 판단하는 기술이 요구된다.
본 발명은 제조 설비의 교체 없이 제조 설비에 부착되는 멀티 센서로부터 제조 설비의 이상 상태를 수신함으로써 제조 설비 이상을 감지하기 위해 공장에서 제조 설비를 교체하는 비용을 줄이는 방법 및 장치를 제공한다.
또한, 본 발명은 LSTM 및 오토 인코더(Auto Encoder)를 적용한 학습 모델을 이용함으로써 제조 설비의 이상 감지의 정확도를 높이고, 이상 감지에 따른 즉각 대응할 수 있도록 하는 방법 및 장치를 제공한다.
본 발명의 일실시예에 따른 제조 설비 이상 감지를 위한 학습 모델 생성 방법은 멀티 센서를 통해 수집되는 제조 설비의 정상 상태에 대한 측정 값을 시간 별로 수신하는 단계; 임의의 가중치 집합을 포함하는 학습 모델을 생성하고 상기 측정 값으로 상기 학습 모델을 트레이닝(training)하는 단계; 및 상기 학습 모델을 이용하여 상기 제조 설비의 정상 상태와 비정상 상태의 경계에 대응하는 임계 값 및 일정한 시간 간격을 나타내는 로컬 윈도우(local window)에서 비정상 상태에 대한 판단 기준을 결정하는 단계를 포함할 수 있다.
학습 모델 생성 방법은 상기 수신한 측정 값을 상기 학습 모델의 트레이닝에 이용하기 위해 상기 측정 값이 가지는 방향 성분을 제거하는 단계를 더 포함할 수 있다.
상기 학습 모델을 트레이닝하는 단계는 특정 시간 t의 측정 값을 상기 학습 모델의 가중치 집합과 연산하고, 연산한 결과의 일부를 t+1에서 측정 값과 상기 가중치 집합의 연산에 이용함으로써 학습 모델을 학습시킬 수 있다.
상기 학습 모델을 트레이닝하는 단계는 상기 학습 모델을 통한 출력 값이 상기 측정 값과 동일하도록 상기 가중치 집합을 업데이트할 수 있다.
본 발명의 일실시예에 따른 제조 설비의 이상 감지 방법은 멀티 센서를 통해 측정되는 제조 설비의 현재 상태에 대한 측정 값을 시간 별로 수신하는 단계; 상기 측정 값을 제조 설비 이상 감지를 위한 학습 모델에 입력하여 시간 별 출력 값을 획득하는 단계; 상기 학습 모델의 로컬 윈도우(local window) 동안 상기 출력 값들을 상기 학습 모델의 임계 값과 비교하여 임계 값을 초과하는 출력 값의 비율이 상기 학습 모델의 판단 기준을 만족하는지 판단하는 단계; 및 상기 판단 기준을 만족하지 않는 경우, 제조 설비가 이상이 있는 것으로 결정하는 단계를 포함할 수 있다.
상기 판단 기준을 만족하는지 판단하는 단계는, 상기 학습 모델의 로컬 윈도우 동안 임계 값을 초과하는 출력 값들의 관계에 기초하여 상기 학습 모델의 판단 기준을 만족하는지 결정할 수 있다.
제조 설비의 이상 감지 방법은 상기 제조 설비가 이상이 있는 것으로 결정된 경우, 미리 결정된 제어모드 설정 정보에 따라 상기 제조 설비의 제어모드를 서버에 의해 제어되는 서버 제어모드 또는 제조 설비의 이상 감지 방법을 수행하는 IoT 단말에 의해 제어되는 IoT 단말 제어모드로 전환하는 단계를 더 포함할 수 있다.
제조 설비의 이상 감지 방법은 상기 제조 설비가 이상이 있는 것으로 결정된 경우, 상기 측정 값 및 상기 임계 값을 비교함으로써 상기 제조 설비의 이상 발생의 원인을 판단하고, 상기 원인에 대한 정보를 기록하는 단계를 더 포함할 수 있다.
제조 설비의 이상 감지 방법은 상기 제조 설비가 이상이 있는 것으로 결정된 경우, 제조 설비의 운용자에게 제조 설비의 현재 상태를 보고하는 단계를 더 포함할 수 있다.
제조 설비의 이상 감지 방법은 상기 제조 설비가 이상이 있는 것으로 결정된 경우, 학습 모델의 정확도를 평가하고, 상기 학습 모델의 가중치 집합을 업데이트하는 단계를 더 포함할 수 있다.
제조 설비 이상 감지를 위한 학습 모델 생성 장치는 프로세서를 포함하고, 상기 프로세서는, 멀티 센서를 통해 수집되는 제조 설비의 정상 상태에 대한 측정 값을 시간 별로 수신하고, 임의의 가중치 집합을 포함하는 학습 모델을 생성하고 상기 측정 값으로 상기 학습 모델을 트레이닝(training)하고, 상기 학습 모델을 이용하여 상기 제조 설비의 정상 상태와 비정상 상태의 경계에 대응하는 임계 값 및 일정한 시간 간격을 나타내는 로컬 윈도우(local window)에서 비정상 상태에 대한 판단 기준을 결정할 수 있다.
상기 프로세서는, 상기 수신한 측정 값을 상기 학습 모델의 트레이닝에 이용하기 위해 상기 측정 값이 가지는 방향 성분을 제거할 수 있다.
상기 프로세서는, 특정 시간 t의 측정 값을 상기 학습 모델의 가중치 집합과 연산하고, 연산한 결과의 일부를 t+1에서 측정 값과 상기 가중치 집합의 연산에 이용함으로써 학습 모델을 학습시킬 수 있다.
상기 프로세서는, 상기 학습 모델을 통한 출력 값이 상기 측정 값과 동일하도록 상기 가중치 집합을 업데이트할 수 있다.
제조 설비의 이상 감지 장치는 프로세서를 포함하고, 상기 프로세서는, 멀티 센서를 통해 측정되는 제조 설비의 현재 상태에 대한 측정 값을 시간 별로 수신하고, 상기 측정 값을 제조 설비 이상 감지를 위한 학습 모델에 입력하여 시간 별로 출력 값을 획득하고, 상기 학습 모델의 로컬 윈도우(local window) 동안 상기 출력 값들을 상기 학습 모델의 임계 값과 비교하여 임계 값을 초과하는 출력 값의 비율이 상기 학습 모델의 판단 기준을 만족하는지 판단하고, 상기 판단 기준을 만족하지 않는 경우, 제조 설비가 이상이 있는 것으로 결정할 수 있다.
상기 프로세서는, 상기 학습 모델의 로컬 윈도우 동안 임계 값을 초과하는 출력 값들의 관계에 기초하여 상기 학습 모델의 판단 기준을 만족하는지 결정할 수 있다.
상기 프로세서는, 상기 제조 설비가 이상이 있는 것으로 결정된 경우, 미리 결정된 제어모드 설정 정보에 따라 상기 제조 설비의 제어모드를 서버에 의해 제어되는 서버 제어모드 또는 제조 설비의 이상 감지 방법을 수행하는 IoT 단말에 의해 제어되는 IoT 단말 제어모드로 전환할 수 있다.
상기 프로세서는, 상기 제조 설비가 이상이 있는 것으로 결정된 경우, 상기 측정 값 및 상기 임계 값을 비교함으로써 상기 제조 설비의 이상 발생의 원인을 판단하고, 상기 원인에 대한 정보를 기록할 수 있다.
상기 프로세서는, 상기 제조 설비가 이상이 있는 것으로 결정된 경우, 제조 설비의 운용자에게 제조 설비의 현재 상태를 보고할 수 있다.
상기 프로세서는, 상기 제조 설비가 이상이 있는 것으로 결정된 경우, 학습 모델의 정확도를 평가하고, 상기 학습 모델의 가중치 집합을 업데이트할 수 있다.
본 발명의 일실시예에 따르면 제조 설비의 교체 없이 제조 설비에 부착되는 멀티 센서로부터 제조 설비의 이상 상태를 수신함으로써 제조 설비 이상을 감지하기 위해 공장 설비를 교체하는 비용을 줄일 수 있다.
또한, 본 발명의 일실시예에 따르면 LSTM 및 오토 인코더(Auto Encoder)를 적용한 학습 모델을 이용함으로써 제조 설비의 이상 감지의 정확도를 높이고, 이상 감지에 따른 즉각 대응할 수 있도록 할 수 있다.
도 1은 본 발명의 일실시예에 따른 제조 설비, 센서 및 IoT 단말의 관계를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 제조 설비의 정보를 조회하거나 편집하는 방법의 플로우 차트를 도시한 도면이다.
도 3은 본 발명의 일실시예에 따른 멀티 센서를 통해 제조 설비의 기능이 동작될 때 정보를 수집하는 방법의 플로우 차트를 도시한 도면이다.
도 4은 본 발명의 일실시예에 따른 학습 모델 생성 방법의 플로우 차트를 도시한 도면이다.
도 5는 본 발명의 일실시예에 따른 제조 설비의 이상 감지 방법의 플로우 차트를 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 LSTM 및 오토 인코더를 통한 데이터 처리 과정을 도시한 도면이다.
도 7는 본 발명의 일실시예에 따른 로컬 윈도우 동안 임계 값을 초과하는 출력 값들의 관계에 따라 학습 모델의 판단 기준을 만족하는지 결정하는 과정을 도시한 도면이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 본 발명의 일실시예에 따른 제조 설비, 센서 및 IoT 단말의 관계를 도시한 도면이다.
도 1을 참조하면, 제조 설비(103)의 이상 감지 장치는 스마트 팩토리에 사용되는 제조 설비(103)와 제조 설비(103)에 부착되거나 분리되어 설치되는 멀티 센서(102), IoT 단말(101)을 포함한다. IoT 단말(101)은 본 발명의 학습 모델 생성 방법 및 제조 설비(103)의 이상 감지 방법을 수행하는 프로세서를 포함할 수 있다.
도 1의 (a)를 참조하면, 본 발명의 일실시예로 제조 설비(103)에 멀티 센서(102)와 IoT 단말(101)이 부착된다. 제조 설비(103)는 스마트 팩토리의 공정에 따라 로봇 팔, 3D 프린터, 드릴, 절삭기, 용접기, 운반체, 가열기, 흡진기, CNC(Computer Numerical Control) 등 다양한 종류의 설비 중 하나일 수 있다.
멀티 센서(102)는 제조 설비(103)의 특정 기능에 대한 동작(예를 들면, 진동, 회전, 들기, 내리기, 신장, 축소 등) 및 제조 설비(103)의 특정 기능에 대한 동작에 영향을 미칠 수 있는 주변 환경(습도, 온도 등)에 관한 값을 측정하는 장치이다. 멀티 센서(102)는 IoT 단말(101) 또는 제조 설비(103)에 내장(embedded)되거나 부착될 수 있고, 경우에 따라 제조 설비(103)와 분리되어 설치될 수 있다. 도 1의 (b)를 참조하면, 멀티 센서(102)는 제조 설비(103)의 동작에 대한 값(이하, 측정 값이라 함)을 수집하여 시간 별로 IoT 단말(101)로 송신한다.
IoT 단말(101)은 제조 설비(103)의 기능 별로 LSTM 오토 인코더(Auto Encoder)를 적용한 학습 모델을 생성한다. IoT 단말(101)은 멀티 센서(102)로부터 수신한 측정 값을 이용하여 학습 모델을 트레이닝(training)한다. IoT 단말(101)은 측정 값과 트레이닝된 학습 모델을 통해 제조 설비(103)의 이상 여부를 실시간으로 결정할 수 있다. IoT 단말(101)이 제조 설비(103)에 이상이 있다고 판단한 경우, 제조 설비(103)의 운용자에게 보고하고, 제조 설비(103)로 제어 신호를 전송하여 제조 설비(103)를 직접 제어하거나, 공장의 서버가 제조 설비(103)를 제어하도록 할 수 있다.
이 때, IoT 단말(101)은 핸드폰, 노트북, 데스크탑, 태블릿 PC, PDA, 스마트 밴드, 스마트 고글 등 제조 설비(103) 또는 공장의 서버와 무선 통신이 가능한 다양한 기기 중 하나를 지칭할 수 있다.
도 2는 본 발명의 일실시예에 따른 제조 설비의 정보를 조회하거나 편집하는 방법의 플로우 차트를 도시한 도면이다.
도 2를 참조하면, IoT 단말은 사용자로부터 제조 설비의 프로필 정보를 조회 또는 편집하기 위한 입력을 수신할 수 있다. 제조 설비의 프로필 정보는 XML(Extensible Markup Language) 방식으로 저장되거나 데이터베이스화되어 저장될 수 있다. 제조 설비의 프로필 정보는 제조 설비의 ID, 타입, 제조 설비의 기능 별 코드, 일정한 시간 간격을 나타내는 로컬 윈도우의 크기 중 적어도 하나를 포함할 수 있다.
단계(201)에서, IoT 단말은 사용자로부터 수신된 입력이 무엇인지 판단할 수 있다. 단계(202)에서, 수신된 사용자 명령이 조회 명령인 경우, IoT 단말은 제조 설비의 ID, 타입, 제조 설비의 기능 별 코드, 일정한 시간 간격을 나타내는 로컬 윈도우의 크기, 임계 값 중 적어도 하나를 포함하는 프로필 정보를 표시할 수 있다. 단계(203)에서, 수신된 사용자 명령이 편집 명령인 경우, IoT 단말은 사용자로부터 추가로 수신되는 입력에 따라 프로필 정보를 추가, 수정 또는 삭제할 수 있다.
이 때, 제조 설비의 이상 발생 유무를 판단하기 위해 이용되는 임계 값은 프로필 정보의 편집 명령을 통해 설정되거나 수정될 수 있다. 임계 값은 제조 설비의 정상 상태와 비정상 상태의 경계에 대응하는 값이다.
도 3은 본 발명의 일실시예에 따른 멀티 센서를 통해 제조 설비의 기능이 동작될 때 측정 값을 수집하는 방법의 플로우 차트를 도시한 도면이다.
단계(301)에서, 제조 설비에 부착된 IoT 단말은 제조 설비가 가진 기능의 수를 조회한다. 그리고나서, 멀티 센서는 제조 설비의 모든 기능에 대한 동작으로부터 측정 값을 수집한다. 이 때, IoT 단말은 멀티 센서로부터 시간 별로 수집되는 측정 값을 수신한다.
도 3을 참조하면, 단계(302)에서, IoT 단말은 0으로 설정된 변수(count)를 이용한다. 단계 (302)에서 IoT 단말은 조회된 기능의 수와 변수를 비교한다. 기능의 수이 변수보다 크지 않을 때까지 단계(303-306)들을 반복한다. 즉, 기능의 수만큼 단계들(303-306)이 반복된다.
단계(303)에서, IoT 단말은 제조 설비의 상태를 확인한다. 이 때, IoT 단말은 제조 설비가 동작하고 있는 기능의 코드를 식별할 수 있다. 단계(304)에서, 제조 설비의 특정 기능이 동작하고, 단계(305)에서 멀티 센서가 특정 기능의 동작에 대한 측정 값을 수집하여 IoT 단말에 송신한다.
단계(306)에서, IoT 단말은 멀티 센서가 특정 기능의 동작이 종료될 때까지 수집한 측정 값을 수신하고, 변수를 늘려 다시 단계(302)를 수행하고, 제조 설비의 다음 기능에 대한 측정 값을 수신할 수 있도록 한다.
도 4은 본 발명의 일실시예에 따른 학습 모델 생성 방법의 플로우 차트를 도시한 도면이다.
단계(401)에서, IoT 단말은 멀티 센서를 통해 수집되는 제조 설비의 정상 상태에 대한 측정 값을 시간 별로 수신한다. 멀티 센서는 제조 설비의 기능들 각각이 정상적으로 동작할 때 측정되는 측정 값을 수집한다.
이 때, 도 3에서와 같이 멀티 센서는 제조 설비의 모든 기능들의 정상 상태에 대한 측정 값이 수집될 때까지 수집을 계속한다. IoT 단말은 수집된 측정 값을 실시간으로 수신한다. 제조 설비의 정상 상태란 제조 설비의 기능들이 이상없이 동작하는 상태를 의미할 수 있다.
단계(402)에서, IoT 단말은 수신한 측정 값을 학습 모델의 트레이닝에 이용하기 위해 측정 값의 전처리 과정을 수행한다. 여기서, 측정 값은 제조 설비의 움직임에 대한 방향 성분을 포함할 수 있다. IoT 단말은 측정 값이 가지는 방향 성분을 제거하고 절대 값으로 변환한다. 예를 들어, IoT 단말은 SVM(Single Vetor Manitude)을 이용하여 측정 값이 가지는 방향 성분을 없애기 위해 아래 수학식 1을 이용할 수 있다.
Figure pat00001
수학식 1에서 x, y, z는 측정 값이 제조 설비의 X축, Y축 Z축에 대해 가지는 방향 성분이다. 수학식 1을 통해 얻어진 SVM(a)은 특정 시간 t에 대한 제조 설비의 정상 상태에 대응하는 측정 값을 의미할 수 있다. 측정 값은 시간 별로 수집되어 송신되기 때문에, IoT 단말은 연속된 측정 값의 평균을 계속적으로 계산하여 학습 모델의 학습에 활용할 수 있다.
단계(403)에서, IoT 단말은 임의의 가중치 집합을 포함하는 학습 모델을 생성하고 측정 값으로 학습 모델을 트레이닝한다. IoT 단말은 제조 설비의 기능 별로 LSTM(Long Short-Term Memory) 및 오토 인코더(Auto Encoder)를 함께 적용한 학습 모델을 생성한다.
구체적으로, IoT 단말은 LSTM에 따라 순차적으로 학습 모델에 측정 값을 입력한다. 입력된 측정 값은 학습 모델에 포함된 가중치 집합과 연산된다. 이 때, IoT 단말은 특정 시간 t의 측정 값을 학습 모델의 가중치 집합과 연산하고, 연산한 결과의 일부를 t+1에서 측정 값과 가중치 집합의 연산에 이용한다.
그리고, 학습 모델 생성 장치(101)는 오토 인코더 방식에 따라 입력되는 측정 값과 학습 모델(104)의 출력이 동일하도록 가중치 집합을 업데이트함으로써 학습 모델을 트레이닝한다. 일례로, IoT 단말은 학습 모델의 출력 값과 측정 값의 차이를 나타내는 Reconstruction Error가 최소화되도록 가중치 집합을 업데이트한다.
구체적으로, Reconstruction Error를 구하기 위해 RMSE(Root Mean Square Error)가 이용될 수 있다. RMSE는 본 발명에서 학습 모델의 출력 값과 측정 값 간의 오차(Error)를 제곱(Square)해서 평균(Mean)한 값의 제곱근(Root)으로 결정될 수 있다. 따라서,
단계(404)에서, IoT 단말은 학습 모델(104)에 제조 설비의 정상 상태를 학습시킨 뒤에, 제조 설비의 정상 상태와 비정상 상태의 경계에 대응하는 임계 값을 결정할 수 있다. 즉, 학습 모델을 통해 출력된 출력 값이 임계 값을 초과하는지 여부가 제조 설비의 이상 여부 판단에 이용될 수 있다.
그리고, 단계(404)에서, IoT 단말은 일정한 시간 간격을 나타내는 로컬 윈도우(local window)에서 비정상 상태에 대한 판단 기준을 결정한다. 판단 기준은 로컬 윈도우 동안 학습 모델의 출력 값들 중 임계 값을 초과하는 출력 값의 비율을 나타낼 수 있다.
예를 들어, 비정상 상태에 대한 판단 기준이 20%로 설정된 경우, IoT 단말은 로컬 윈도우 동안 학습 모델의 출력 값들이 10개 있을 때 중 임계 값을 초과하는 출력 값이 3개인 경우 제조 설비에 이상이 있는 것으로 결정할 수 있다. 판단 기준은 제조 설비의 프로필 정보에 대한 편집을 통해 결정되거나, IoT 단말이 학습 모델을 통해 결정할 수 있다.
학습 모델 생성 장치는 LSTM 및 오토 인코더 뿐만 아니라, KNN (k-nearest neighbors), Naive Bayesian Classification, SVM(support vector machine) 등의 학습 방법을 이용하여 학습 모델을 트레이닝할 수 있다. 이 때, IoT 단말은 제조 설비의 특성에 따라 최적의 학습 방법을 선택할 수 있도록 다양한 학습 방법에 따른 학습 모델을 이용할 수 있다.
도 5는 본 발명의 일실시예에 따른 제조 설비의 이상 감지 방법의 플로우 차트를 도시한 도면이다.
단계(501)에서, IoT 단말은 멀티 센서를 통해 측정되는 제조 설비의 현재 상태에 대한 측정 값을 시간 별로 수신한다. 즉, IoT 단말은 제조 설비의 이상을 실시간으로 감지하기 위해 멀티 센서를 통해 측정 값을 연속적으로 수신한다.
단계(502)에서, IoT 단말은 측정 값을 제조 설비 이상 감지를 위한 학습 모델에 입력하여 시간 별 출력 값을 획득한다. 여기서 학습 모델은 이전에 정상 상태에 대한 측정 값으로 트레이닝된 학습 모델을 의미한다.
따라서, 학습 모델의 가중치 집합은 미리 결정되어 있으므로, IoT 단말은 측정 값과 학습 모델의 가중치 집합을 연산함으로써 출력 값을 획득할 수 있다. 측정 값과 가중치 집합의 연산은 학습 모델 생성 방법과 동일한 방법으로 수행될 수 있다.
단계(503)에서, IoT 단말은 학습 모델의 로컬 윈도우 동안 출력 값들을 학습 모델의 임계 값과 비교한다. 출력 값이 임계 값을 초과할 경우, 제조 설비의 특정 기능이 비정상 상태에 있다는 것을 의미한다. 따라서, 임계 값을 초과하는 출력 값이 없을 경우 제조 설비가 정상적으로 동작하는 것이므로 이후 단계를 수행하지 않는다. 그러나, 출력 값이 임계 값을 초과할 경우, 단계들(504-508)이 수행될 수 있다.
단계(504)에서, IoT 단말은 일정한 시간 간격을 나타내는 로컬 윈도우에 포함된 시간 동안 임계 값을 초과하는 출력 값들을 확인한다. IoT 단말은 로컬 윈도우 동안 임계 값을 초과하는 출력 값들의 관계에 기초하여 학습 모델의 판단 기준을 만족하는지 결정할 수 있다.
구체적으로, IoT 단말은 특정 시간 t의 출력 값이 임계 값을 초과하지 않더라도 이전 시간 t-1, t-2 나 다음 시간 t+1의 출력 값이 임계 값보다 큰 경우, 특정 시간 t의 출력 값이 임계 값을 초과하도록 설정할 수 있다. 이처럼 출력 값과 임계 값의 비교 결과를 변경하는 것을 상태 전이로 정의한다. 상태 전이는 도 7에서 구체적으로 후술한다.
단계(505)에서, IoT 단말은 임계 값을 초과하는 출력 값의 비율이 학습 모델의 판단 기준을 만족하는지 판단한다. 구체적으로, IoT 단말은 일정한 시간 간격을 나타내는 로컬 윈도우에 포함된 시간 동안 출력된 출력 값들 중 임계 값을 초과하는 출력 값들이 판단 기준 보다 많은 경우 제조 설비에 이상이 있는 것으로 판단할 수 있다.
일례로, 판단 기준이 10% 이하로 결정되었을 때, 시간에 따라 연속되는 10개의 출력 값 중에서 2개의 출력 값이 임계 값을 초과하는 경우 판단 기준이 만족되지 않으므로, IoT 단말은 제조 설비에 이상이 있는 것으로 판단할 수 있다. 제조 설비에 이상이 있는 것으로 결정된 경우, 단계(506-508)이 수행된다.
단계(506)에서, IoT 단말은 미리 결정된 제어모드 설정 정보에 따라 제조 설비의 제어모드를 서버에 의해 제어되는 서버 제어모드 또는 제조 설비의 이상 감지 방법을 수행하는 IoT 단말에 의해 제어되는 IoT 단말 제어모드로 전환한다.
서버 제어모드일 경우, 제조 설비의 운용자는 서버를 통해 각각의 제조 설비에 부착된 IoT 단말에 제어 명령을 송신할 수 있다. 이 때, IoT 단말은 수신한 제어 명령을 제조 설비에 전달하여 제조 설비의 이상을 처리할 수 있다. IoT 단말 제어모드인 경우, IoT 단말이 제조 설비의 상태에 따른 제어 명령을 제조 설비에 전달하여 제조 설비의 이상을 처리할 수 있다.
단계(507)에서, IoT 단말은 측정 값 및 임계 값을 비교함으로써 제조 설비의 이상 발생의 원인을 판단하고, 원인에 대한 정보를 기록하고, 제조 설비의 운용자에게 제조 설비의 현재 상태를 보고한다. 단계(508)에서, IoT 단말은 학습 모델의 정확도를 평가하고, 학습 모델의 가중치 집합을 업데이트한다.
도 6은 본 발명의 일실시예에 따른 LSTM 및 오토 인코더를 통한 데이터 처리 과정을 도시한 도면이다.
도 6은 LSTM 및 오토 인코더가 적용된 학습 모델을 통해 측정 값이 처리되는 과정의 일례를 도시한 도면이다. x1, x2, x3은 학습 모델의 트레이닝에 이용되는 연속된 시간 별 측정 값들이고, x'1, x'2, x'3은 학습 모델의 출력 값을 의미한다. h1, h2, h3, h'1, h'2, h'3은 학습 모델의 가중치 집합이다.
h1, h2, h3은
LSTM에 따라 인코더(601)에서 h2는 x1와 h1의 연산 결과의 일부를 포함할 수 있다. 또한, 인코더(601)에서 h3는 x2와 h2의 연산 결과의 일부를 포함할 수 있다. 따라서, x1와 같이 초기의 입력도 h3과 x3 연산에 영향을 줄 수 있어 x1-x3의 관계가 반영될 수 있다.
디코더(302)에서 h'1, h'2, h'3과 가중치 중 하나인 W를 통해 x'1, x'2, x'3가 출력된다. 일례로, x'3을 추출하기 위해서 IoT 단말은 도 6에서처럼 x3와 h3로 결정되는 h'3과 가중치 W를 이용하여 x'3을 추출한다. 도 6에서 b는 편향(bias)를 의미한다. 이 때, IoT 단말은 오토 인코더에 따라 x1, x2, x3과 x'1, x'2, x'3 동일하도록 가중치(W)를 업데이트할 수 있다.
도 7는 본 발명의 일실시예에 따른 로컬 윈도우 동안 임계 값을 초과하는 출력 값들의 관계에 따라 학습 모델의 판단 기준을 만족하는지 결정하는 과정을 도시한 도면이다.
제조 설비의 이상 감지 장치는 정확한 이상 감지를 위하여 위해 로컬 윈도우 동안 IoT 단말에 의해 상태 전이가 발생할 수 있다. 여기서 상태 전이는 앞서 정의한 바와 같이, 특정 시점의 출력 값이 임계 값을 초과하지 않았음에도 불구하고, 주변 시점의 출력 값이 임계 값을 초과했을 때, 그 특정 시점의 출력 값도 임계 값을 초과하도록 설정하는 것을 의미한다.
또한, 그 시점의 출력 값이 임계 값을 초과하는 경우(anomaly) 각 시점에 대응하는 개별 윈도우를 1로 표시하고, 그렇지 않은 경우(normal) 0으로 표시한다. 3개의 연속된 개별 윈도우가 있을 때, 도 7와 같이 8가지의 경우의 수가 있을 수 있다. 도 7에서 t는 특정 시점을 의미한다.
도 7에서 각각의 사각형은 로컬 윈도우에 포함되고 특정 시점의 출력 값이 임계 값을 초과하는지 여부를 표시하는 개별 윈도우를 나타낸 것이다. 도 7에서 701의 경우, t, t-2에서 출력 값이 임계 값을 넘지 않아 t-1에서 출력 값이 임계 값을 초과함에도 불구하고 상태 전이가 발생하지 않았다. 또한, 702-703, 705-707의 경우에도 상태 전이가 발생하지 않았다.
그러나, 도 7에서 704의 경우, t, t-2에서 출력 값이 임계 값을 초과하여 t-1에서 출력 값이 임계 값을 넘지 않았음에도 불구하고 t-1에서 제조 설비의 상태가 비정상일 확률이 높기 때문에 상태 이전이 발생하였다. 즉, 도 7과 같이 t-1에 대응하는 개별 윈도우가 출력 값이 임계 값을 초과하는 경우로 변경되었다. 또한, 도 7에서 708의 경우, t-2, t-1에서 출력 값이 임계 값을 초과함에 따라 t에서 출력 값이 임계 값을 넘지 않았음에도 불구하고 상태 이전이 발생하였다.
한편, 본 발명에 따른 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성되어 마그네틱 저장매체, 광학적 판독매체, 디지털 저장매체 등 다양한 기록 매체로도 구현될 수 있다.
본 명세서에 설명된 각종 기술들의 구현들은 디지털 전자 회로조직으로, 또는 컴퓨터 하드웨어, 펌웨어, 소프트웨어로, 또는 그들의 조합들로 구현될 수 있다. 구현들은 데이터 처리 장치, 예를 들어 프로그램가능 프로세서, 컴퓨터, 또는 다수의 컴퓨터들의 동작에 의한 처리를 위해, 또는 이 동작을 제어하기 위해, 컴퓨터 프로그램 제품, 즉 정보 캐리어, 예를 들어 기계 판독가능 저장 장치(컴퓨터 판독가능 매체) 또는 전파 신호에서 유형적으로 구체화된 컴퓨터 프로그램으로서 구현될 수 있다. 상술한 컴퓨터 프로그램(들)과 같은 컴퓨터 프로그램은 컴파일된 또는 인터프리트된 언어들을 포함하는 임의의 형태의 프로그래밍 언어로 기록될 수 있고, 독립형 프로그램으로서 또는 모듈, 구성요소, 서브루틴, 또는 컴퓨팅 환경에서의 사용에 적절한 다른 유닛으로서 포함하는 임의의 형태로 전개될 수 있다. 컴퓨터 프로그램은 하나의 사이트에서 하나의 컴퓨터 또는 다수의 컴퓨터들 상에서 처리되도록 또는 다수의 사이트들에 걸쳐 분배되고 통신 네트워크에 의해 상호 연결되도록 전개될 수 있다.
컴퓨터 프로그램의 처리에 적절한 프로세서들은 예로서, 범용 및 특수 목적 마이크로프로세서들 둘 다, 및 임의의 종류의 디지털 컴퓨터의 임의의 하나 이상의 프로세서들을 포함한다. 일반적으로, 프로세서는 판독 전용 메모리 또는 랜덤 액세스 메모리 또는 둘 다로부터 명령어들 및 데이터를 수신할 것이다. 컴퓨터의 요소들은 명령어들을 실행하는 적어도 하나의 프로세서 및 명령어들 및 데이터를 저장하는 하나 이상의 메모리 장치들을 포함할 수 있다. 일반적으로, 컴퓨터는 데이터를 저장하는 하나 이상의 대량 저장 장치들, 예를 들어 자기, 자기-광 디스크들, 또는 광 디스크들을 포함할 수 있거나, 이것들로부터 데이터를 수신하거나 이것들에 데이터를 송신하거나 또는 양쪽으로 되도록 결합될 수도 있다. 컴퓨터 프로그램 명령어들 및 데이터를 구체화하는데 적절한 정보 캐리어들은 예로서 반도체 메모리 장치들, 예를 들어, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 롬(ROM, Read Only Memory), 램(RAM, Random Access Memory), 플래시 메모리, EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM) 등을 포함한다. 프로세서 및 메모리는 특수 목적 논리 회로조직에 의해 보충되거나, 이에 포함될 수 있다.
또한, 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용매체일 수 있고, 컴퓨터 저장매체 및 전송매체를 모두 포함할 수 있다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
마찬가지로, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 장치 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 장치들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징 될 수 있다는 점을 이해하여야 한다.
한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 자명한 것이다.
101: IoT 단말
102: 멀티 센서
103: 제조 설비

Claims (20)

  1. 제조 설비 이상 감지를 위한 학습 모델 생성 방법에 있어서,
    멀티 센서를 통해 수집되는 제조 설비의 정상 상태에 대한 측정 값을 시간 별로 수신하는 단계;
    임의의 가중치 집합을 포함하는 학습 모델을 생성하고 상기 측정 값으로 상기 학습 모델을 트레이닝(training)하는 단계; 및
    상기 학습 모델을 이용하여 상기 제조 설비의 정상 상태와 비정상 상태의 경계에 대응하는 임계 값 및 일정한 시간 간격을 나타내는 로컬 윈도우(local window)에서 비정상 상태에 대한 판단 기준을 결정하는 단계
    를 포함하는 학습 모델 생성 방법.
  2. 제1항에 있어서,
    상기 수신한 측정 값을 상기 학습 모델의 트레이닝에 이용하기 위해 상기 측정 값이 가지는 방향 성분을 제거하는 단계를 더 포함하는 학습 모델 생성 방법.
  3. 제1항에 있어서,
    상기 학습 모델을 트레이닝하는 단계는,
    특정 시간 t의 측정 값을 상기 학습 모델의 가중치 집합과 연산하고, 연산한 결과의 일부를 t+1에서 측정 값과 상기 가중치 집합의 연산에 이용함으로써 학습 모델을 학습시키는, 학습 모델 생성 방법.
  4. 제1항에 있어서,
    상기 학습 모델을 트레이닝하는 단계는,
    상기 학습 모델을 통한 출력 값이 상기 측정 값과 동일하도록 상기 가중치 집합을 업데이트하는, 학습 모델 생성 방법.
  5. 제조 설비의 이상 감지 방법에 있어서,
    멀티 센서를 통해 측정되는 제조 설비의 현재 상태에 대한 측정 값을 시간 별로 수신하는 단계;
    상기 측정 값을 제조 설비 이상 감지를 위한 학습 모델에 입력하여 시간 별 출력 값을 획득하는 단계;
    상기 학습 모델의 로컬 윈도우(local window) 동안 상기 출력 값들을 상기 학습 모델의 임계 값과 비교하여 임계 값을 초과하는 출력 값의 비율이 상기 학습 모델의 판단 기준을 만족하는지 판단하는 단계; 및
    상기 판단 기준을 만족하지 않는 경우, 제조 설비가 이상이 있는 것으로 결정하는 단계
    를 포함하는 제조 설비의 이상 감지 방법.
  6. 제5항에 있어서,
    상기 판단 기준을 만족하는지 판단하는 단계는,
    상기 학습 모델의 로컬 윈도우 동안 임계 값을 초과하는 출력 값들의 관계에 기초하여 상기 학습 모델의 판단 기준을 만족하는지 결정하는, 제조 설비의 이상 감지 방법.
  7. 제5항에 있어서,
    상기 제조 설비가 이상이 있는 것으로 결정된 경우, 미리 결정된 제어모드 설정 정보에 따라 상기 제조 설비의 제어모드를 서버에 의해 제어되는 서버 제어모드 또는 제조 설비의 이상 감지 방법을 수행하는 IoT 단말에 의해 제어되는 IoT 단말 제어모드로 전환하는 단계를 더 포함하는 제조 설비의 이상 감지 방법.
  8. 제5항에 있어서,
    상기 제조 설비가 이상이 있는 것으로 결정된 경우, 상기 측정 값 및 상기 임계 값을 비교함으로써 상기 제조 설비의 이상 발생의 원인을 판단하고, 상기 원인에 대한 정보를 기록하는 단계를 더 포함하는 제조 설비의 이상 감지 방법.
  9. 제5항에 있어서,
    상기 제조 설비가 이상이 있는 것으로 결정된 경우, 제조 설비의 운용자에게 제조 설비의 현재 상태를 보고하는 단계를 더 포함하는 제조 설비의 이상 감지 방법.
  10. 제5항에 있어서,
    상기 제조 설비가 이상이 있는 것으로 결정된 경우, 학습 모델의 정확도를 평가하고, 상기 학습 모델의 가중치 집합을 업데이트하는 단계를 더 포함하는, 제조 설비의 이상 감지 방법.
  11. 제조 설비 이상 감지를 위한 학습 모델 생성 장치에 있어서,
    학습 모델 생성 장치는 프로세서를 포함하고,
    상기 프로세서는,
    멀티 센서를 통해 수집되는 제조 설비의 정상 상태에 대한 측정 값을 시간 별로 수신하고, 임의의 가중치 집합을 포함하는 학습 모델을 생성하고 상기 측정 값으로 상기 학습 모델을 트레이닝(training)하고, 상기 학습 모델을 이용하여 상기 제조 설비의 정상 상태와 비정상 상태의 경계에 대응하는 임계 값 및 일정한 시간 간격을 나타내는 로컬 윈도우(local window)에서 비정상 상태에 대한 판단 기준을 결정하는,
    학습 모델 생성 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 수신한 측정 값을 상기 학습 모델의 트레이닝에 이용하기 위해 상기 측정 값이 가지는 방향 성분을 제거하는, 학습 모델 생성 장치.
  13. 제11항에 있어서,
    상기 프로세서는,
    특정 시간 t의 측정 값을 상기 학습 모델의 가중치 집합과 연산하고, 연산한 결과의 일부를 t+1에서 측정 값과 상기 가중치 집합의 연산에 이용함으로써 학습 모델을 학습시키는, 학습 모델 생성 장치.
  14. 제11항에 있어서,
    상기 프로세서는,
    상기 학습 모델을 통한 출력 값이 상기 측정 값과 동일하도록 상기 가중치 집합을 업데이트하는, 학습 모델 생성 장치.
  15. 제조 설비의 이상 감지 장치는 프로세서를 포함하고,
    상기 프로세서는,
    멀티 센서를 통해 측정되는 제조 설비의 현재 상태에 대한 측정 값을 시간 별로 수신하고, 상기 측정 값을 제조 설비 이상 감지를 위한 학습 모델에 입력하여 시간 별로 출력 값을 획득하고, 상기 학습 모델의 로컬 윈도우(local window) 동안 상기 출력 값들을 상기 학습 모델의 임계 값과 비교하여 임계 값을 초과하는 출력 값의 비율이 상기 학습 모델의 판단 기준을 만족하는지 판단하고, 상기 판단 기준을 만족하지 않는 경우, 제조 설비가 이상이 있는 것으로 결정하는,
    제조 설비의 이상 감지 장치.
  16. 제15항에 있어서,
    상기 프로세서는,
    상기 학습 모델의 로컬 윈도우 동안 임계 값을 초과하는 출력 값들의 관계에 기초하여 상기 학습 모델의 판단 기준을 만족하는지 결정하는, 제조 설비의 이상 감지 장치.
  17. 제15항에 있어서,
    상기 프로세서는,
    상기 제조 설비가 이상이 있는 것으로 결정된 경우, 미리 결정된 제어모드 설정 정보에 따라 상기 제조 설비의 제어모드를 서버에 의해 제어되는 서버 제어모드 또는 제조 설비의 이상 감지 방법을 수행하는 IoT 단말에 의해 제어되는 IoT 단말 제어모드로 전환하는, 제조 설비의 이상 감지 장치.
  18. 제15항에 있어서,
    상기 프로세서는,
    상기 제조 설비가 이상이 있는 것으로 결정된 경우, 상기 측정 값 및 상기 임계 값을 비교함으로써 상기 제조 설비의 이상 발생의 원인을 판단하고, 상기 원인에 대한 정보를 기록하는, 제조 설비의 이상 감지 장치.
  19. 제15항에 있어서,
    상기 프로세서는,
    상기 제조 설비가 이상이 있는 것으로 결정된 경우, 제조 설비의 운용자에게 제조 설비의 현재 상태를 보고하는, 제조 설비의 이상 감지 장치.
  20. 제15항에 있어서,
    상기 프로세서는,
    상기 제조 설비가 이상이 있는 것으로 결정된 경우, 학습 모델의 정확도를 평가하고, 상기 학습 모델의 가중치 집합을 업데이트하는, 제조 설비의 이상 감지 장치.

KR1020200013089A 2020-02-04 2020-02-04 제조 설비의 이상 감지 방법 및 장치 KR20210099346A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200013089A KR20210099346A (ko) 2020-02-04 2020-02-04 제조 설비의 이상 감지 방법 및 장치
US17/136,654 US11709474B2 (en) 2020-02-04 2020-12-29 Method and apparatus for detecting abnormality of manufacturing facility

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200013089A KR20210099346A (ko) 2020-02-04 2020-02-04 제조 설비의 이상 감지 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20210099346A true KR20210099346A (ko) 2021-08-12

Family

ID=77062502

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200013089A KR20210099346A (ko) 2020-02-04 2020-02-04 제조 설비의 이상 감지 방법 및 장치

Country Status (2)

Country Link
US (1) US11709474B2 (ko)
KR (1) KR20210099346A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102469664B1 (ko) * 2021-11-02 2022-11-23 주식회사 케이사인 이상 행위 탐지 방법 및 시스템
KR20230089176A (ko) 2021-12-13 2023-06-20 주식회사 케이티 이상 데이터를 감지하는 장치, 방법 및 컴퓨터 프로그램
KR102624117B1 (ko) * 2022-07-07 2024-01-11 오토캠 테크놀로지 컴퍼니 리미티드 Ai지능형 의사 결정 자동 공구 교환 장치

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR200306169Y1 (ko) 2002-12-13 2003-03-03 이정자 시스템 이상상태 자동통보 장치
EP2998894B1 (en) 2005-07-11 2021-09-08 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system
KR100932920B1 (ko) 2007-12-17 2009-12-21 한국전자통신연구원 센서노드의 웨이크업 장치 및 방법
KR101560968B1 (ko) 2014-02-26 2015-10-15 (주)우광에스디에스 설비 직결형 실시간 모니터링 고장 진단 및 고장 시기 예측 진단장치와 그에 따른 고장 진단 및 예측 진단방법
KR102162321B1 (ko) 2016-03-14 2020-10-06 한국전자통신연구원 프로세서 시스템 및 그것의 고장 검출 방법
KR102418969B1 (ko) 2017-04-27 2022-07-11 주식회사 케이티 딥러닝 기반 통신망 장비의 장애 예측 시스템 및 방법
JP6810097B2 (ja) * 2018-05-21 2021-01-06 ファナック株式会社 異常検出器

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102469664B1 (ko) * 2021-11-02 2022-11-23 주식회사 케이사인 이상 행위 탐지 방법 및 시스템
KR20230089176A (ko) 2021-12-13 2023-06-20 주식회사 케이티 이상 데이터를 감지하는 장치, 방법 및 컴퓨터 프로그램
KR102624117B1 (ko) * 2022-07-07 2024-01-11 오토캠 테크놀로지 컴퍼니 리미티드 Ai지능형 의사 결정 자동 공구 교환 장치

Also Published As

Publication number Publication date
US20210240167A1 (en) 2021-08-05
US11709474B2 (en) 2023-07-25

Similar Documents

Publication Publication Date Title
KR20210099346A (ko) 제조 설비의 이상 감지 방법 및 장치
US20200366340A1 (en) Beam management method, apparatus, electronic device and computer readable storage medium
US10502253B2 (en) Machine learning device for learning assembly operation and component assembly system
US11144842B2 (en) Model adaptation and online learning for unstable environments
US8295952B2 (en) Apparatus and method for automated closed-loop identification of an industrial process in a process control system
US8473079B2 (en) Fast algorithm for model predictive control
EP1960853B1 (en) Evaluating anomaly for one-class classifiers in machine condition monitoring
US8275735B2 (en) Diagnostic system
US9285057B2 (en) Methods and apparatus for process device calibration
US20200057956A1 (en) Learning sparsity-constrained gaussian graphical models in anomaly detection
KR102124553B1 (ko) 심층 강화 학습을 이용한 자율 이동체의 충돌 회피 및 자율 탐사 기법 및 장치
CN110109441B (zh) 一种激光惯组故障预测方法和***
US20210333789A1 (en) Method and apparatus for real time model predictive control operator support in industrial process control and automation systems
KR102414080B1 (ko) 추세 분석을 통한 케이블 고장 예측 시스템 및 방법
CN115668084A (zh) 诊断装置、服务器以及诊断方法
KR101808461B1 (ko) 기계의 잔여수명 예측 방법 및 장치
KR20190114161A (ko) 설비의 고장 발생 검출 방법 및 장치
JP6587950B2 (ja) スカラ特徴量によって時系列変化点を検出可能なプログラム、装置及び方法
CN111108738A (zh) 数据处理设备、数据分析设备、数据处理***和用于处理数据的方法
NO20210589A1 (en) Device performance monitoring system
US20240231289A1 (en) Systems and methods for monitoring and training a manufacturing system
US11636586B2 (en) Process control system and process control method
US20230063452A1 (en) Systems and methods for evaluating configuration changes on a machine in a manufacturing line
EP3705964A1 (en) A method for the scalable real-time state recognition of processes and/or sub-processes during production with electrically driven production plants
CN117367335B (zh) 尾闸故障判定方法、装置、计算机设备、存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal