KR20230096364A - Gan 알고리즘을 이용한 기기의 예지 보전방법 - Google Patents

Gan 알고리즘을 이용한 기기의 예지 보전방법 Download PDF

Info

Publication number
KR20230096364A
KR20230096364A KR1020210185786A KR20210185786A KR20230096364A KR 20230096364 A KR20230096364 A KR 20230096364A KR 1020210185786 A KR1020210185786 A KR 1020210185786A KR 20210185786 A KR20210185786 A KR 20210185786A KR 20230096364 A KR20230096364 A KR 20230096364A
Authority
KR
South Korea
Prior art keywords
normal
image
collected
defective
real
Prior art date
Application number
KR1020210185786A
Other languages
English (en)
Inventor
이영규
Original Assignee
(주)아이티공간
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 (주)아이티공간 filed Critical (주)아이티공간
Priority to KR1020210185786A priority Critical patent/KR20230096364A/ko
Priority to PCT/KR2022/014427 priority patent/WO2023120888A1/ko
Publication of KR20230096364A publication Critical patent/KR20230096364A/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
    • 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
    • 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
    • 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
    • G05B23/0243—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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 GAN 알고리즘을 이용한 기기의 예지 보전방법에 관한 것으로, 그 구성은 정상적인 구동 상태의 한 공정을 수행하는데 기기에서 측정한 시간의 흐름에 따른 에너지 크기의 변화정보를 나타낸 정상 파형을 적어도 하나 이상 수집하여 이미지 파일로 변환 수집하되, 정상 파형이 둘 이상 수집되면 각각의 정상 파형들을 서로 중첩시킨 후에 이미지 파일로 변환하여 정상 이미지로 수집하는 정상 정보 수집단계(S10);와, 고장이 발생하기 전, 기기의 구동 상태에서 한 공정을 수행하는데 기기에서 측정한 시간의 흐름에 따른 에너지 크기의 변화정보를 나타낸 불량 파형을 적어도 하나 이상 수집하여 이미지 파일로 변환 수집하되, 불량 파형이 둘 이상 수집되면 각각의 불량 파형들을 서로 중첩시킨 후에 이미지 파일로 변환하여 불량 이미지로 수집하는 불량 정보 수집단계(S20);와, 상기 불량 정보 수집단계(S20)에서 수집된 불량 이미지 정보를 학습하고, 그 학습된 불량 이미지 정보를 기반으로 생성모듈에서 불량 이미지와 유사한 유사 불량 이미지를 대량으로 생산하는 가작 생성단계(S30);와, 상기 정상 정보 수집단계(S10)에서 수집되는 정상 이미지 정보와 상기 가작 생성단계(S30)에서 생산되는 유사 불량 이미지 정보를 판별모듈에서 학습하는 학습단계(S40);와, 실시간 구동 상태에서 한 공정을 수행하는데 기기에서 측정한 시간의 흐름에 따른 에너지 크기의 변화정보를 나타낸 실시간 파형을 적어도 하나 이상 수집하여 이미지 파일로 변환 수집하되, 실시간 파형이 둘 이상 수집되면 각각의 실시간 파형들을 서로 중첩시킨 후에 이미지 파일로 변환하여 실시간 이미지로 수집하고, 그 실시간 이미지를 상기 학습단계(S40)를 거친 상기 판별모듈에서 정상 또는 불량으로 판별하는 판별단계(S50);와, 상기 판별단계(S50)에서 실시간 기기에서 수집되는 실시간 이미지가 상기 판별모듈을 통해 불량으로 판별되면 상기 기기를 이상상태로 검출하는 검출단계(S60);로 구성된 것을 특징으로 하는 것으로서,
판별모듈은 기기가 정상적인 상태에서 수집되는 대량의 정상 이미지 정보와 생성모듈에서 고장이 발생하기 전의 기기에서 수집되는 불량 이미지 정보를 기반으로 생성되는 대량의 유사 불량 이미지 정보를 학습하여 실시간 구동되는 기기로부터 수집되는 실시간 이미지 정보를 정상 또는 불량 이미지로 판별하되, 실시간 이미지 정보가 불량 이미지로 판별되면 기기를 이상상태로 검출하여 적합한 시기에 기기의 정비 및 교체를 수행할 수 있도록 유도함으로 기기의 고장으로 인한 막대한 손실을 미연에 예방할 수 있는 효과가 있다.
또한, 판별모듈은 학습단계 및 재학습 단계에서 판별 결과에 대한 성공 여부를 피드백 받아 재학습하는 방식으로 판별모듈의 학습 효과를 증대시킴으로, 판별모듈에서 판별하는 판별 결과에 대한 우수한 신뢰도를 확보할 수 있는 효과가 있다.

Description

GAN 알고리즘을 이용한 기기의 예지 보전방법{Predictive maintenance method of device using Generative Adversarial Network algorithm}
본 발명은 GAN 알고리즘을 이용한 기기의 예지 보전방법에 관한 것으로, 더욱 상세하게는 판별모듈은 기기가 정상적인 상태에서 수집되는 대량의 정상 이미지 정보와 생성모듈에서 고장이 발생하기 전의 기기에서 수집되는 불량 이미지 정보를 기반으로 생성되는 대량의 유사 불량 이미지 정보를 학습하여 실시간 구동되는 기기로부터 수집되는 실시간 이미지 정보를 정상 또는 불량 이미지로 판별하되, 실시간 이미지 정보가 불량 이미지로 판별되면 기기를 이상상태로 검출하여 적합한 시기에 기기의 정비 및 교체를 수행할 수 있도록 유도함으로 기기의 고장으로 인한 막대한 손실을 미연에 예방할 수 있는 GAN 알고리즘을 이용한 기기의 예지 보전방법에 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.
본 발명은 상기한 바와 같은 제반 문제점을 해결하기 위하여 제안된 것으로, 그 목적은 판별모듈은 기기가 정상적인 상태에서 수집되는 대량의 정상 이미지 정보와 생성모듈에서 고장이 발생하기 전의 기기에서 수집되는 불량 이미지 정보를 기반으로 생성되는 대량의 유사 불량 이미지 정보를 학습하여 실시간 구동되는 기기로부터 수집되는 실시간 이미지 정보를 정상 또는 불량 이미지로 판별하되, 실시간 이미지 정보가 불량 이미지로 판별되면 기기를 이상상태로 검출하여 적합한 시기에 기기의 정비 및 교체를 수행할 수 있도록 유도함으로 기기의 고장으로 인한 막대한 손실을 미연에 예방할 수 있는 GAN 알고리즘을 이용한 기기의 예지 보전방법을 제공함에 있다.
또한, 판별모듈은 학습단계 및 재학습 단계에서 판별 결과에 대한 성공 여부를 피드백 받아 재학습하는 방식으로 판별모듈의 학습 효과를 증대시킴으로, 판별모듈에서 판별하는 판별 결과에 대한 우수한 신뢰도를 확보할 수 있는 GAN 알고리즘을 이용한 기기의 예지 보전방법을 제공함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 GAN 알고리즘을 이용한 기기의 예지 보전방법은 정상적인 구동 상태의 한 공정을 수행하는데 기기에서 측정한 시간의 흐름에 따른 에너지 크기의 변화정보를 나타낸 정상 파형을 적어도 하나 이상 수집하여 이미지 파일로 변환 수집하되, 정상 파형이 둘 이상 수집되면 각각의 정상 파형들을 서로 중첩시킨 후에 이미지 파일로 변환하여 정상 이미지로 수집하는 정상 정보 수집단계(S10);와, 고장이 발생하기 전, 기기의 구동 상태에서 한 공정을 수행하는데 기기에서 측정한 시간의 흐름에 따른 에너지 크기의 변화정보를 나타낸 불량 파형을 적어도 하나 이상 수집하여 이미지 파일로 변환 수집하되, 불량 파형이 둘 이상 수집되면 각각의 불량 파형들을 서로 중첩시킨 후에 이미지 파일로 변환하여 불량 이미지로 수집하는 불량 정보 수집단계(S20);와, 상기 불량 정보 수집단계(S20)에서 수집된 불량 이미지 정보를 학습하고, 그 학습된 불량 이미지 정보를 기반으로 생성모듈에서 불량 이미지와 유사한 유사 불량 이미지를 대량으로 생산하는 가작 생성단계(S30);와, 상기 정상 정보 수집단계(S10)에서 수집되는 정상 이미지 정보와 상기 가작 생성단계(S30)에서 생산되는 유사 불량 이미지 정보를 판별모듈에서 학습하는 학습단계(S40);와, 실시간 구동 상태에서 한 공정을 수행하는데 기기에서 측정한 시간의 흐름에 따른 에너지 크기의 변화정보를 나타낸 실시간 파형을 적어도 하나 이상 수집하여 이미지 파일로 변환 수집하되, 실시간 파형이 둘 이상 수집되면 각각의 실시간 파형들을 서로 중첩시킨 후에 이미지 파일로 변환하여 실시간 이미지로 수집하고, 그 실시간 이미지를 상기 학습단계(S40)를 거친 상기 판별모듈에서 정상 또는 불량으로 판별하는 판별단계(S50);와, 상기 판별단계(S50)에서 실시간 기기에서 수집되는 실시간 이미지가 상기 판별모듈을 통해 불량으로 판별되면 상기 기기를 이상상태로 검출하는 검출단계(S60);를 포함하여 구성되는 것을 특징으로 한다.
또한, 상기 학습단계(S40)는 상기 판별모듈은 상기 정상 정보 수집단계(S10)에서 수집되는 대량의 정상 이미지 정보를 기반으로 정상 이미지에 대해 학습하는 제1공정(S41)과, 상기 제1공정(S41)을 통해 정상 이미지에 대해 학습한 상기 판별모듈로 정상 이미지와 함께 상기 생성모듈에서 생성된 대량의 유사 불량 이미지를 제공하여 상기 판별모듈을 통해 정상 이미지로 판별되는 이미지는 정상으로, 그 외의 이미지는 불량으로 판별하는 제2공정(S42)과, 상기 제2공정(S42)에서 상기 판별모듈에서 판별한 결과에 대한 성공 여부를 상기 판별모듈로 피드백하여 상기 판별모듈의 학습 능률을 극대화하는 동시에, 유사 불량 이미지에 대한 상기 판별모듈의 판별 결과에 대한 성공 여부를 상기 생성모듈이 피드백 받아 학습하는 제3공정(S43)을 포함하여 이루어지는 것을 특징으로 한다.
또한, 상기 판별모듈은 상기 판별단계(S50)에서 판별한 실시간 이미지의 판별 결과에 대한 성공 여부를 피드백 받아 재학습하여 상기 판별단계(S50)에서 판별하는 판별 결과에 대한 신뢰성이 향상되도록 유도하는 재학습 단계(S70);를 더 포함하여 이루어지는 것을 특징으로 한다.
또한, 기기에서 측정되는 시간에 따른 에너지는 기기의 구동에 소모되는 전류, 기기의 구동시 발생되는 진동이나 소음, 기기로 공급되는 전원의 주파수 및 구동시 기기의 온도, 습도, 압력 중에서 선택되는 어느 하나 또는 둘 이상을 조합하여 사용하는 것을 특징으로 한다.
이상에서와 같이 본 발명에 따른 GAN 알고리즘을 이용한 기기의 예지 보전방법에 의하면, 판별모듈은 기기가 정상적인 상태에서 수집되는 대량의 정상 이미지 정보와 생성모듈에서 고장이 발생하기 전의 기기에서 수집되는 불량 이미지 정보를 기반으로 생성되는 대량의 유사 불량 이미지 정보를 학습하여 실시간 구동되는 기기로부터 수집되는 실시간 이미지 정보를 정상 또는 불량 이미지로 판별하되, 실시간 이미지 정보가 불량 이미지로 판별되면 기기를 이상상태로 검출하여 적합한 시기에 기기의 정비 및 교체를 수행할 수 있도록 유도함으로 기기의 고장으로 인한 막대한 손실을 미연에 예방할 수 있는 효과가 있다.
또한, 판별모듈은 학습단계 및 재학습 단계에서 판별 결과에 대한 성공 여부를 피드백 받아 재학습하는 방식으로 판별모듈의 학습 효과를 증대시킴으로, 판별모듈에서 판별하는 판별 결과에 대한 우수한 신뢰도를 확보할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 GAN 알고리즘을 이용한 기기의 예지 보전방법의 블록도
도 2 내지 는 도 6은 도 1에 도시된 GAN 알고리즘을 이용한 기기의 예지 보전방법을 설명하기 위한 도면
본 발명의 바람직한 실시예에 따른 GAN 알고리즘을 이용한 기기의 예지 보전방법을 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 6은 본 발명의 실시예에 따른 GAN 알고리즘을 이용한 기기의 예지 보전방법을 도시한 것으로, 도 1은 본 발명의 실시예에 따른 GAN 알고리즘을 이용한 기기의 예지 보전방법의 블록도를, 도 2 내지 는 도 6은 도 1에 도시된 GAN 알고리즘을 이용한 기기의 예지 보전방법을 설명하기 위한 도면을 각각 나타낸 것이다.
상기 도면에 도시한 바와 같이, 본 발명의 실시예에 따른 GAN 알고리즘을 이용한 기기의 예지 보전방법(100)은 정상 정보 수집단계(S10)와, 불량 정보 수집단계(S20)와, 가작 생성단계(S30)와, 학습단계(S40)와, 판별단계(S50)와, 검출단계(S60)를 포함하고 있다.
도 1에 도시된 바와 같이, 상기 정상 정보 수집단계(S10)는 정상적인 구동 상태의 한 공정을 수행하는데 기기에서 측정한 시간의 흐름에 따른 에너지 크기의 변화정보를 나타낸 정상 파형을 적어도 하나 이상 수집하여 이미지 파일로 변환 수집하되, 정상 파형이 둘 이상 수집되면 각각의 정상 파형들을 서로 중첩시킨 후에 이미지 파일로 변환하여 정상 이미지로 수집하는 단계이다.
도 2에 도시된 바와 같이, 본 발명에서는 설명의 편의를 위해 공정을 수행하는 기기에서 측정되는 에너지로 기기의 구동에 소모되는 전류와, 구동시 기기에서 발생되는 진동 및 구동시 기기의 온도를 각각 측정하여 기기로부터 총 3종류의 파형을 추출하도록 하나, 이러한 종류 및 개수로 한정하여 에너지 파형을 추출하는 것은 아니며, 기기에서 측정되는 시간에 따른 에너지로 기기의 구동에 소모되는 전류, 기기의 구동시 발생되는 진동이나 소음, 기기로 공급되는 전원의 주파수 및 구동시 기기의 온도, 습도, 압력 중에서 선택되는 어느 하나 또는 둘 이상을 조합하여 사용할 수 있음은 물론이다.
즉, 도 3에 도시된 바와 같이 상기 정상 정보 수집단계(S10)에서는 정상적인 기기로부터 구동에 소모되는 전류의 정상 파형과, 진동 및 온도의 정상 파형을 각각 측정 수집하는데, 그 수집된 각 정상 파형은 서로 중첩시킨 상태에서 사진과 같이 찍는 방식으로 3종류의 파형이 혼합된 모습의 이미지로 변환하여 정상 이미지로 추출 수집하게 된다.
만약, 기기로부터 한 종류의 에너지 파형을 측정 수집하는 경우에는 수집된 에너지 파형만을 이미지로 변환하여 정상 이미지로 추출 수집함은 물론이다.
상기와 같이 정상 정보 수집단계(S10)에서 수집되는 정상 이미지 정보들은 후설될 상기 학습단계(S40)에서 판별모듈이 학습하여 후설될 상기 판별단계(S50)에서 기기의 상태를 판별하는 중요한 기반이 된다.
도 1에 도시된 바와 같이, 상기 불량 정보 수집단계(S20)는 고장이 발생하기 전, 기기의 구동 상태에서 한 공정을 수행하는데 기기에서 측정한 시간의 흐름에 따른 에너지 크기의 변화정보를 나타낸 불량 파형을 적어도 하나 이상 수집하여 이미지 파일로 변환 수집하되, 불량 파형이 둘 이상 수집되면 각각의 불량 파형들을 서로 중첩시킨 후에 이미지 파일로 변환하여 불량 이미지로 수집하는 단계이다.
여기서, 도 4에 도시된 바와 같이 상기 불량 정보 수집단계(S20)에서는 상기 정상 정보 수집단계(S10)와 동일하게 고장 전에 기기로부터 구동에 소모되는 전류의 불량 파형과, 진동 및 온도의 불량 파형을 각각 측정 수집하고, 그 수집된 각 불량 파형은 서로 중첩시킨 상태에서 사진과 같이 찍는 방식으로 3종류의 파형이 혼합된 모습의 이미지로 변환하여 불량 이미지로 추출 수집함은 물론이다.
이러한 상기 불량 이미지는 고장 전에 기기로부터 추출되므로 비정상적으로 변화되는 에너지 값이 포함될 수 있어 정상적인 기기로부터 추출 수집되는 정상 이미지와는 다소 다른 이미지를 가질 수 있음은 물론이다.
상기와 같이 불량 정보 수집단계(S20)에서 수집되는 정상 이미지 정보들은 상기 학습단계(S40)에서 판별모듈이 학습하여 상기 판별단계(S50)에서 기기의 상태를 판별하는 중요한 기반이 된다.
도 1에 도시된 바와 같이, 상기 가작 생성단계(S30)는 상기 불량 정보 수집단계(S20)에서 수집된 불량 이미지 정보를 학습하고, 그 학습된 불량 이미지 정보를 기반으로 생성모듈(20)에서 불량 이미지와 유사한 유사 불량 이미지를 대량으로 생산하는 단계이다.
통상적으로 고장이 발생하기 전의 기기로부터 측정 수집될 수 있는 불량 이미지의 정보량은 정상적인 기기로부터 측정 수집되는 정상 이미지 정보량에 대비하여 현실적으로 매우 부족함으로, 도 5에 도시된 바와 같이 상기 생성모듈(20)을 통해 유사 불량 이미지 정보를 대량으로 생산하여 후설될 상기 학습단계(S40)에서 상기 판단모듈(10)의 효율적인 학습이 이루어지도록 유도한다.
여기서, 상기 생성모듈(20)은 통상적인 인공지능(Artificial Intelligence) 프로그램를 통해 구현할 수 있는데 상기 판단 및 생성모듈(10,20)은 GAN(Generative Adversarial Network) 알고리즘으로 구현하였으나, 이러한 알고리즘으로 한정하여 구현하는 것은 물론 아니다.
도 1과 도 5에 도시된 바와 같이, 상기 학습단계(S40)는 상기 정상 정보 수집단계(S10)에서 수집되는 정상 이미지 정보와 상기 가작 생성단계(S30)에서 생산되는 유사 불량 이미지 정보를 판별모듈(10)에서 학습하는 단계로, 그 과정을 살펴보면 아래와 같다.
먼저, 상기 판별모듈(10)은 상기 정상 정보 수집단계(S10)에서 수집되는 대량의 정상 이미지 정보를 기반으로 정상 이미지에 대해 학습하는데, 이러한 학습을 통해 상기 판별단계에서 상기 판별모듈의 판별 결과에 대한 신뢰도가 확보되도록 한다.
이때, 상기 정상 정보 수집단계(S10)에서 수집되는 정상 이미지의 정보가 풍부할수록 상기 판별모듈(10)의 판별 결과에 대한 정확도를 향상시킬 수 있으므로 대량의 정상 이미지 정보를 수집 제공함은 물론이다. (S41)
그런 후, 상기 제1공정(S41)을 통해 정상 이미지에 대해 학습한 상기 판별모듈(10)로 정상 이미지와 함께 상기 생성모듈(20)에서 생성된 대량의 유사 불량 이미지를 제공하여 상기 판별모듈(10)을 통해 정상 이미지로 판별되는 이미지는 정상으로, 그 외의 이미지는 불량으로 판별하도록 한다.
이러한 과정을 통해 상기 판별모듈(10)은 정상 이미지와 불량 이미지를 명확하게 구분 학습하도록 한다. (S42)
그런 후, 상기 제2공정(S42)에서 상기 판별모듈(10)에서 판별한 결과에 대한 성공 여부를 상기 판별모듈(10)로 피드백하게 되므로 상기 판별모듈(10)은 판별에 대한 성공과 실패를 명확하게 인지하여 보완 학습하면서 상기 판별모듈(10)의 학습 능률이 극대화되도록 한다.
동시에, 유사 불량 이미지에 대한 상기 판별모듈(10)의 판별 결과에 대한 성공 여부를 상기 생성모듈(20)이 피드백 받아 명확하게 인지 학습하면서 상기 생성모듈(10)을 속일 수 있도록 더욱 정교하게 유사 불량 이미지를 생성하도록 하며, 이러한 과정은 결국 상기 생성모듈(10)의 효율적인 학습을 도울 수 있어 상기 생성모듈(10)의 판별 결과에 대한 우수한 신뢰도를 확보하는 기반이 된다. (S43)
도 1에 도시된 바와 같이, 상기 판별단계(S50)는 실시간 구동 상태에서 한 공정을 수행하는데 기기에서 측정한 시간의 흐름에 따른 에너지 크기의 변화정보를 나타낸 실시간 파형을 적어도 하나 이상 수집하여 이미지 파일로 변환 수집하되, 실시간 파형이 둘 이상 수집되면 각각의 실시간 파형들을 서로 중첩시킨 후에 이미지 파일로 변환하여 실시간 이미지로 수집하고, 그 실시간 이미지를 상기 학습단계(S40)를 거친 상기 판별모듈(10)에서 정상 또는 불량으로 판별하는 단계이다.
즉, 도 6에 도시된 바와 같이 상기 판별모듈(10)은 실시간 구동 상태의 기기로부터 반복적으로 추출 수집되는 실시간 이미지를 정상 또는 불량으로 판별하고, 그 판별 결과를 연속적으로 출력하게 되는데, 이러한 상기 판별모듈(10)은 상기 학습단계(S40)를 거친 상태이므로 판별 결과에 대한 우수한 신뢰도를 기대할 수 있다.
도 1에 도시된 바와 같이, 상기 검출단계(S60)는 상기 판별단계(S50)에서 실시간 기기에서 수집되는 실시간 이미지가 상기 판별모듈(10)을 통해 불량으로 판별되면 상기 기기를 이상상태로 검출하는 단계이다.
즉, 도 6에 도시된 바와 같이 상기 판별모듈(10)이 실시간 이미지를 정상으로 판별하면 실시간 구동되는 기기의 상태를 안정적인 상태로 검출하고, 실시간 이미지를 불량으로 판별하면 실시간 구동되는 기기를 이상상태로 검출하게 된다.
따라서 관리자는 상기 판별모듈(10)을 통해 실시간 기기의 이상상태가 검출되면 곧바로 기기의 안정적인 점검 및 관리를 유도할 수 있어 갑작스러운 기기의 고장으로 인해 설비의 전체적인 가동이 중단되어 발생할 수 있는 막대한 경제적인 손실을 방지할 수 있다.
한편, 도 1에 도시된 바와 같이 상기 판별모듈(10)은 상기 판별단계(S50)에서 판별한 실시간 이미지의 판별 결과에 대한 성공 여부를 피드백 받아 재학습하여 상기 판별단계(S50)에서 판별하는 판별 결과에 대한 신뢰성이 향상되도록 유도하는 재학습 단계(S70);를 더 포함하여 이루어진다.
즉, 도 6에 도시된 바와 같이 상기 판별모듈(10)은 실시간 구동되는 기기로부터 추출되는 실시간 이미지의 정상 또는 불량을 판별하고, 그 판별 결과의 성공 여부를 피드백 받아 재학습하는 과정을 통해 상기 판별모듈(10)의 판별에 대한 신뢰성이 더욱 향상될 수 있도록 유도한다.
상기와 같은 과정으로 이루어지는 본 발명의 GAN 알고리즘을 이용한 기기의 예지 보전방법(100)은 판별모듈(10)은 기기가 정상적인 상태에서 수집되는 대량의 정상 이미지 정보와 생성모듈(20)에서 고장이 발생하기 전의 기기에서 수집되는 불량 이미지 정보를 기반으로 생성되는 대량의 유사 불량 이미지 정보를 학습하여 실시간 구동되는 기기로부터 수집되는 실시간 이미지 정보를 정상 또는 불량 이미지로 판별하되, 실시간 이미지 정보가 불량 이미지로 판별되면 기기를 이상상태로 검출하여 적합한 시기에 기기의 정비 및 교체를 수행할 수 있도록 유도함으로 기기의 고장으로 인한 막대한 손실을 미연에 예방할 수 있는 효과가 있다.
또한, 상기 판별모듈(10)은 학습단계(S40) 및 재학습 단계(S70)에서 판별 결과에 대한 성공 여부를 피드백 받아 재학습하는 방식으로 상기 판별모듈(10)의 학습 효과를 증대시킴으로, 상기 판별모듈(10)에서 판별하는 판별 결과에 대한 우수한 신뢰도를 확보할 수 있는 효과가 있다.
본 발명의 GAN 알고리즘을 이용한 기기의 예지 보전방법(100)은 기기의 에너지 파형을 측정, 수집, 판별, 검출할 수 있는 각종 전자기기와 프로그램 등의 조합을 통해 구현될 수 있음은 물론이다.
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. 판별모듈 20. 생성모듈
S10. 정상 정보 수집단계 S20. 불량 정보 수집단계
S30. 가작 생성단계 S40. 학습단계
S41. 제1공정 S42. 제2공정
S43. 제3공정 S50. 판별단계
S60. 검출단계 S70. 재학습 단계
100. GAN 알고리즘을 이용한 기기의 예지 보전방법

Claims (4)

  1. 반복적인 공정을 수행하는 기기의 예지 보정방법에 있어서,
    정상적인 구동 상태의 한 공정을 수행하는데 기기에서 측정한 시간의 흐름에 따른 에너지 크기의 변화정보를 나타낸 정상 파형을 적어도 하나 이상 수집하여 이미지 파일로 변환 수집하되, 정상 파형이 둘 이상 수집되면 각각의 정상 파형들을 서로 중첩시킨 후에 이미지 파일로 변환하여 정상 이미지로 수집하는 정상 정보 수집단계(S10);
    고장이 발생하기 전, 기기의 구동 상태에서 한 공정을 수행하는데 기기에서 측정한 시간의 흐름에 따른 에너지 크기의 변화정보를 나타낸 불량 파형을 적어도 하나 이상 수집하여 이미지 파일로 변환 수집하되, 불량 파형이 둘 이상 수집되면 각각의 불량 파형들을 서로 중첩시킨 후에 이미지 파일로 변환하여 불량 이미지로 수집하는 불량 정보 수집단계(S20);
    상기 불량 정보 수집단계(S20)에서 수집된 불량 이미지 정보를 학습하고, 그 학습된 불량 이미지 정보를 기반으로 생성모듈(20)에서 불량 이미지와 유사한 유사 불량 이미지를 대량으로 생산하는 가작 생성단계(S30);
    상기 정상 정보 수집단계(S10)에서 수집되는 정상 이미지 정보와 상기 가작 생성단계(S30)에서 생산되는 유사 불량 이미지 정보를 판별모듈(10)에서 학습하는 학습단계(S40);
    실시간 구동 상태에서 한 공정을 수행하는데 기기에서 측정한 시간의 흐름에 따른 에너지 크기의 변화정보를 나타낸 실시간 파형을 적어도 하나 이상 수집하여 이미지 파일로 변환 수집하되, 실시간 파형이 둘 이상 수집되면 각각의 실시간 파형들을 서로 중첩시킨 후에 이미지 파일로 변환하여 실시간 이미지로 수집하고, 그 실시간 이미지를 상기 학습단계(S40)를 거친 상기 판별모듈(10)에서 정상 또는 불량으로 판별하는 판별단계(S50); 및
    상기 판별단계(S50)에서 실시간 기기에서 수집되는 실시간 이미지가 상기 판별모듈(10)을 통해 불량으로 판별되면 상기 기기를 이상상태로 검출하는 검출단계(S60);를 포함하여 구성되는 것을 특징으로 하는 GAN 알고리즘을 이용한 기기의 예지 보전방법.
  2. 제 1 항에 있어서,
    상기 학습단계(S40)는,
    상기 판별모듈(10)은 상기 정상 정보 수집단계(S10)에서 수집되는 대량의 정상 이미지 정보를 기반으로 정상 이미지에 대해 학습하는 제1공정(S41)과,
    상기 제1공정(S41)을 통해 정상 이미지에 대해 학습한 상기 판별모듈(10)로 정상 이미지와 함께 상기 생성모듈(20)에서 생성된 대량의 유사 불량 이미지를 제공하여 상기 판별모듈(10)을 통해 정상 이미지로 판별되는 이미지는 정상으로, 그 외의 이미지는 불량으로 판별하는 제2공정(S42)과,
    상기 제2공정(S42)에서 상기 판별모듈(10)에서 판별한 결과에 대한 성공 여부를 상기 판별모듈(10)로 피드백하여 상기 판별모듈(10)의 학습 능률을 극대화하는 동시에, 유사 불량 이미지에 대한 상기 판별모듈(10)의 판별 결과에 대한 성공 여부를 상기 생성모듈(20)이 피드백 받아 학습하는 제3공정(S43)을 포함하여 이루어지는 것을 특징으로 하는 GAN 알고리즘을 이용한 기기의 예지 보전방법.
  3. 제 1 항 또는 제 2 항에 있어서,
    상기 판별모듈(10)은 상기 판별단계(S50)에서 판별한 실시간 이미지의 판별 결과에 대한 성공 여부를 피드백 받아 재학습하여 상기 판별단계(S50)에서 판별하는 판별 결과에 대한 신뢰성이 향상되도록 유도하는 재학습 단계(S70);를 더 포함하여 이루어지는 것을 특징으로 하는 GAN 알고리즘을 이용한 기기의 예지 보전방법.
  4. 제 1 항에 있어서,
    기기에서 측정되는 시간에 따른 에너지는 기기의 구동에 소모되는 전류, 기기의 구동시 발생되는 진동이나 소음, 기기로 공급되는 전원의 주파수 및 구동시 기기의 온도, 습도, 압력 중에서 선택되는 어느 하나 또는 둘 이상을 조합하여 사용하는 것을 특징으로 하는 GAN 알고리즘을 이용한 기기의 예지 보전방법.
KR1020210185786A 2021-12-23 2021-12-23 Gan 알고리즘을 이용한 기기의 예지 보전방법 KR20230096364A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210185786A KR20230096364A (ko) 2021-12-23 2021-12-23 Gan 알고리즘을 이용한 기기의 예지 보전방법
PCT/KR2022/014427 WO2023120888A1 (ko) 2021-12-23 2022-09-27 Gan 알고리즘을 이용한 기기의 예지 보전방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210185786A KR20230096364A (ko) 2021-12-23 2021-12-23 Gan 알고리즘을 이용한 기기의 예지 보전방법

Publications (1)

Publication Number Publication Date
KR20230096364A true KR20230096364A (ko) 2023-06-30

Family

ID=86902758

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210185786A KR20230096364A (ko) 2021-12-23 2021-12-23 Gan 알고리즘을 이용한 기기의 예지 보전방법

Country Status (2)

Country Link
KR (1) KR20230096364A (ko)
WO (1) WO2023120888A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6772963B2 (ja) * 2017-06-05 2020-10-21 トヨタ自動車株式会社 異常診断装置及び異常診断方法
KR102095389B1 (ko) * 2018-12-24 2020-03-31 강릉원주대학교산학협력단 에너지 사용 시설물의 고장 진단 시스템
KR102265298B1 (ko) * 2019-11-19 2021-06-17 한국생산기술연구원 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치
JP7482662B2 (ja) * 2020-03-25 2024-05-14 東京エレクトロン株式会社 異常検出装置及び異常検出方法
KR102373655B1 (ko) * 2020-05-15 2022-03-15 인제대학교 산학협력단 공작기계의 고장 진단 장치 및 진단 방법

Also Published As

Publication number Publication date
WO2023120888A1 (ko) 2023-06-29

Similar Documents

Publication Publication Date Title
CN111582235B (zh) 用于实时监控站内异常事件的警报方法、***及设备
CN109343395B (zh) 一种核电厂dcs操作日志的异常检测***和方法
WO2021232567A1 (zh) 一种基于ai技术的智慧运维知识分析方法
CN104899936B (zh) 一种基于图像识别的光伏组件故障提示方法及***
CN103901835A (zh) 监测和控制稳定厂环境中循环过程单元的设备和方法
CN112787401B (zh) 一种基于电力大数据的环保监测***及监测方法
CN110175085B (zh) 一种利用图分析的Hadoop***异常原因诊断方法及装置
CN112487119B (zh) 一种停电预警信号校验方法及***
KR20210044655A (ko) 분포도를 통한 기기의 예지 보전방법
Livera et al. On-line failure diagnosis of grid-connected photovoltaic systems based on fuzzy logic
KR102402653B1 (ko) 인공지능 기반 스카다 시스템 및 그 운용방법
CN117612345A (zh) 一种电力设备状态监测报警***及方法
CN107657682A (zh) 一种基于增强现实技术的变电巡检方法
KR20230096364A (ko) Gan 알고리즘을 이용한 기기의 예지 보전방법
JP2020173575A (ja) 設備診断システム
Peng et al. Gearbox fault diagnosis using vibration and current information fusion
KR102316472B1 (ko) 제어 출력신호를 통한 기기의 건전성 지수 검출방법
CN112488420A (zh) 一种基于条件概率的设备故障预测方法
KR20210000546A (ko) 제어 출력신호를 통한 기기의 예지 보전방법
KR20210000532A (ko) 제어 출력신호를 통한 기기의 건전성 지수 검출방법
Shadmehr et al. A Machine Learning Based Tool for Voltage Dip Classification
CN111583594B (zh) 一种配电箱预警***及预警方法
CN109633512B (zh) 一种全光纤电流互感器故障诊断方法及装置
KR20210014452A (ko) 제조 공정 비정상 데이터 탐지 시스템
KR102485515B1 (ko) 삼상 종행 피크를 이용한 기기의 건전성 지수 검출방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal