KR20240080111A - 기계의 시계열적 동작데이터 처리장치 - Google Patents
기계의 시계열적 동작데이터 처리장치 Download PDFInfo
- Publication number
- KR20240080111A KR20240080111A KR1020230133967A KR20230133967A KR20240080111A KR 20240080111 A KR20240080111 A KR 20240080111A KR 1020230133967 A KR1020230133967 A KR 1020230133967A KR 20230133967 A KR20230133967 A KR 20230133967A KR 20240080111 A KR20240080111 A KR 20240080111A
- Authority
- KR
- South Korea
- Prior art keywords
- machine
- time
- data
- series
- machine learning
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims abstract description 57
- 230000002688 persistence Effects 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims abstract description 6
- 238000003466 welding Methods 0.000 claims description 37
- 238000012937 correction Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 230000007786 learning performance Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012805 post-processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명의 기계의 시계열적 동작데이터 처리장치는, 기계의 동작에서 발생되는 시계열적 동작데이터를 수신하는 수신부와, 수신된 동작데이터를 저장하여 수집하는 저장부와, 수집된 동작데이터를 기반으로 하여 지속성점수(cs) 기반의 특성추출 프로세스를 이용하여 특성을 추출하고 그에 따른 기계학습 데이터를 생성하는 전처리부와, 생성된 기계학습 데이터를 기반으로 기계학습을 수행하는 기계학습 수행부와, 수행된 기계학습모델을 평가하는 기계학습모델 평가부를 포함하고, 전처리부는 기계의 시계열적 동작데이터로부터 기계 동작이 지속적인지를 나타내는 함수를 이용하여 지속성점수(cs)를 제1 특성(F1)으로 추출하는 지속성점수(cs) 기반의 특성추출 프로세스를 수행한다.
Description
본 발명은 시계열적으로 발생되는 기계의 동작데이터를 처리하기 위한 장치 및 방법에 관한 것으로, 상세하게는 기계의 동작데이터를 분류 처리하여, 이 기계가 정상인지 아닌지, 또는 어떤 작업을 하고 있는지 판별하기 위한 기계학습 모델링을 위한 것이다.
일반적으로 시계열 데이터로부터 기계의 동작 분류를 판단하기 위해서는 널리 사용되고 있는 심층 신경망을 사용하는 방식이 시도될 수 있다. 심층 신경망 방식 중 1D CNN(Convolution Neural Network)이나 2D CNN 등이 분류 판단 모델링에 사용될 수 있다.
각각의 경우, 분석을 위해 24시간 데이터를 수집하고 분류를 위해 1D/2D CNN을 사용하여 분류모델링을 진행한다. 1D CNN은 시퀀스에서 로컬 1D 패치(하위 시퀀스)를 추출하는 데 사용될 수 있으며 컨볼루션 창 내에서 로컬 패턴을 식별할 수 있다. 그리고 창으로 식별된 모든 패치에 동일한 변환이 적용되기 때문에 한 위치에서 학습된 패턴이 다른 위치에서도 인식될 수 있어 1D 컨버전 네트워크 변환이 불변하게 된다. 또 다른 흥미로운 사용 사례는 1D 컨버전 네트워크와 RNN(Recurrent Neural Network)을 결합하는 것이다. 처리해야 할 긴 시퀀스가 너무 길어서 RNN에서 현실적으로 처리할 수 없다고 가정해 본다면 1D 컨버전 네트워크는 더 높은 수준의 특징을 추출하여 다운샘플링을 통해 시퀀스를 더 작게 만드는 전처리 단계로 사용될 수 있으며, 그런 다음 RNN에 입력으로 전달될 수 있다. 2D CNN은 1차원(1D) 신호를 2차원(2D) 데이터로 변환하여 학습에 사용하는 단계가 추가된다. 2D CNN은 여러 단계의 2D 연산으로 인해 계산 복잡도가 높으며 더 높은 훈련 성능을 달성하려면 더 많은 데이터가 필요하다. 1D CNN은 1D 신호를 직접 활용하도록 구현되어 계산 복잡도를 줄이고 실시간 분류가 가능하도록 구성된다.
하지만 이러한 심층 신경망 기법을 사용하는 것은 GPU를 대표하여 그 밖의 다양한 물리적 자원을 사용해야 하는 것이 강제될 수 있다. 그로 인한 전력 에너지의 소모가 크고, 트레이닝을 위한 시간이 오래 걸린다는 단점이 있다.
Serkan Kiranyaz a, Onur Avci b, Osama Abdeljaber c, Turker Ince d, Moncef Gabbouj e, Daniel J. Inman. 1D convolutional neural networks and applications: A survey. Mechanical Systems and Signal Processing, Volume 151, April 2021, 107398
Syed Maaz Shahid; Sunghoon Ko; Sungoh Kwon, Performance Comparison of 1D and 2D Convolutional Neural Networks for Real-Time Classification of Time Series Sensor Data,2022 International Conference on Information Networking (ICOIN), 12-15 January 2022, ISBN 978-1-6654-1332-9
전술한 문제점을 해결하기 위하여 본 발명은 기계의 동작 분류를 위한 시계열 데이터에서 특성을 추출하기 위하여 일반적으로 사용되는 심층 신경망의 사용 시 발생하는 다양한 물리적 자원사용 강제, 연계된 전력 에너지 소모 증가 및 소요시간 증가의 문제점을 해결하기 위하여 보다 단순한 방식으로 시계열 데이터를 분류하기 위한 시계열 데이터의 특성(feature) 추출 방식을 제공하는 것을 목적으로 한다.
본 발명의 일 측면에 따른 기계의 동작데이터 처리장치는, 기계의 동작에서 발생되는 시계열적 동작데이터를 수신하는 수신부와, 수신된 동작데이터를 저장하여 수집하는 저장부와, 수집된 동작데이터를 기반으로 하여 지속성점수(cs) 기반의 특성추출 프로세스를 이용하여 특성을 추출하고 그에 따른 기계학습 데이터를 생성하는 전처리부와, 생성된 기계학습 데이터를 기반으로 기계학습을 수행하는 기계학습 수행부와, 수행된 기계학습모델을 평가하는 기계학습모델 평가부를 포함하고, 전처리부는 지속성점수(cs) 기반의 특성추출 프로세스로서 기계의 시계열적 동작데이터로부터 기계 동작이 지속적인지를 나타내는 함수를 이용하여 지속성점수(cs)를 제1 특성(F1)으로 추출하는 지속성점수(cs) 기반의 특성추출 프로세스를 수행한다.
전처리부는 지속성점수(cs)에 대응하는 제1 특성(F1)에 부가하여, 지속성점수(cs)의 표준편차에 대응하는 제2 특성(F2), 기계 속도의 합을 지속성점수(cs)로 나눈 값에 대응하는 제3 특성(F3), 기계전압 데이터의 합을 지속성점수(cs)로 나눈 값에 대응하는 제4 특성(F4) 및 기계전류 데이터의 합을 지속성점수(cs)로 나눈 값에 대응하는 제5 특성(F5) 중 적어도 하나 이상을 특성으로 추출하고, 기계전압데이터 및 기계전류데이터는 각각 숫자로 표시될 수 있다.
전처리부는 기계의 시계열적 동작 데이터(A01)를 시간의 흐름에 따라 0과 1의 배열로 표현하여, 1이 연속되는 각각의 부분집합이 하나의 작업(on/off)이라고 하고, 작업이 지속되어 1이 연속될수록, 연속되는 1에 가중치 1을 추가적으로 더하는 방식으로, 연속되는 1의 카운트(count)로부터 지속성점수(cs)를 구할 수 있다.
동작분류기간(T)은 10분, 1시간 또는 1일일 수 있다.
기계학습 수행부는 기계가 용접기인 경우 용접기에서 발생되는 시계열적 동작데이터에 대하여 전처리부의 지속성점수기반 특성추출 프로세스를 통하여 기계학습으로 자동용접, 수동용접, 취부용접 및 수정용접 중 하나로 동작 분류를 할 수 있다.
본 발명에 따르면, 기계의 동작 분류를 위한 시계열 데이터기반 특성 추출 시 일반적으로 사용되는 심층 신경망방식에 비하여 적은 물리적 자원을 사용하고 전력 에너지 소모를 줄이며 비교적 짧은 시간을 소요하여 특성 추출을 진행할 수 있다. 그에 따라 효율적으로 특성을 추출하고 결과를 연관되는 프로세스, 어플리케이션 및 응용 프로그램에 적용할 수 있다.
도 1은 본 발명의 일 실시예에 따른 기계의 시계열적 동작데이터 처리장치의 구성을 나타내는 블록도이다.
도 2는 도 1의 시계열적 동작데이터 처리장치의 구성을 상세하게 나타내는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 기계의 시계열적 동작데이터 처리 방법을 나타내는 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 지속성점수 산출 방법을 나타내는 도면이다.
도 2는 도 1의 시계열적 동작데이터 처리장치의 구성을 상세하게 나타내는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 기계의 시계열적 동작데이터 처리 방법을 나타내는 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 지속성점수 산출 방법을 나타내는 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 기계의 시계열적 동작데이터 처리장치의 구성을 나타내는 블록도이다.
본 발명의 기계(10)의 시계열적 동작데이터 처리장치(100)는 시계열적 동작데이터 분류를 위한 특성 추출(feature extraction)에 관한 것이다. 많은 기계로부터 발생되는 데이터는 시계열 성격을 가진다. 특징으로는 하루에도 가동되는 시간과 쉬는 시간이 발생하여, 기계에 인가되는 전압, 전류등을 측정하거나 센서로부터 데이터를 입수한다. 이러한 데이터를 단순화하면 결국 하루 중에도 동작하는 때와 동작하지 않는 때가 있을 것이며, 이로부터 기계학습 기법을 사용하여 동작 분류 모델을 만들기 위한 데이터 처리방식을 제공한다. 기계(10) 및 시계열적 동작데이터 처리장치(100)는 일체화된 시스템으로 구성될 수 있고, 기계(10)와 시계열적 동작데이터 처리장치(100)는 와이파이, 블루투스 등을 포함한 다양한 유무선 통신 네트워크로 연결될 수 있다. 통신 네트워크는 인터넷, 하나 이상의 로컬 영역 네트워크, 광역 네트워크, 모바일 네트워크, 그 밖에 다양한 종류의 네트워크들, 또는 이들의 조합을 포함할 수 있다.
기계(10)의 시계열적 동작데이터 처리장치(100)는 기계(10)에서 발생하는 하나 이상의 시계열적으로 발생되는 동작데이터를 이용하여 기계의 동작상태를 판단할 수 있다. 도 1에는 기계(10) 및 기계(10)의 시계열적 동작데이터 처리장치(100)가 각각 한 개로 도시되어 있으나, 실시예에 따라 기계(10)의 시계열적 동작데이터 처리장치(100)는 서로 다른 종류의 기계가 2 이상이고, 기계(10)의 시계열적 동작데이터 처리장치(100)는 2 이상의 기계(10)에서 발생하는 다중의 시계열 데이터를 식별하고 처리하여 기계의 동작데이터를 판단할 수 있다.
예를 들어, 기계(10)가 용접기인 경우, 용접기로부터 수집되는 시계열적 동작 데이터는 시계열적 전압 데이터, 전류 데이터 및 주파수 중 하나 이상을 포함할 수 있다. 기계(10)에서 발생하는 하나 이상의 시계열적 동작데이터는 소정의 시간 단위로 분석될 수 있으며, 기계(10)의 동작을 위해 인가되는 하나 이상의 시계열 제어 데이터 및 기계(10)의 동작 결과 발생되는 하나 이상의 시계열 출력 데이터를 포함할 수 있다. 기계(10)의 동작을 위해 인가되는 하나 이상의 시계열 제어 데이터 및 기계(10)의 동작 결과 발생되는 하나 이상의 시계열 출력 데이터는 각각 기계(10)의 종류 및 동작 형태에 따라 전류데이터, 전압데이터, 주파수데이터 등 다양할 수 있다. 기계(10)의 시계열적 동작데이터 처리장치(100)는 이하에서, 동작데이터 처리장치(100) 또는 처리장치(100)로 간략하게 표현될 수 있다.
동작데이터 처리장치(100)는 다양한 기계(10)에서 발생하는 시계열 데이터로부터 기계(10)의 동작 분류를 판단함에 있어, 기계(10) 작업의 시간적 특성(짧은 작업이 반복되는가? 긴 작업이 반복되는가? 중간 길이? 또는 몇 가지 패턴이 섞여 있는가?)을 단순수치(scalar)값으로 표현하기 위해 지속성점수(continuity score, 이하에서 cs라 표시함)를 정의할 수 있다.
기계(10)의 동작을 분류할 경우, 기계가 구동되고 있는가(=on), 또는 멈추어 있는가(off)를 각각 1과 0으로 분류하고. 이를 시간의 흐름에 따라 0과 1의 배열로 표현한다. 이때 1이 연속되는 각각의 부분집합이 하나의 작업(on/off)이라고 할 수 있다. 작업이 지속될수록(1이 연속될수록) 가중치(+1)가 있다고 정의하면 연속되는 1을 카운트(count)하여 지속성점수(cs)를 구할 수 있다. 분류 대상이 되는 기간에 대한 지속성점수(cs)를 구한다. 그리고 지속성점수(cs)를 기초로 명확한 데이터의 특성(feature)을 유도할 수 있다.
먼저, 본 발명은 특히 몇 가지의 동작분류가 필요한 경우 유용한 방법으로서 대표적으로 조선업에서 용접기를 사용하는 경우나 일반 제조업에서 제품생산라인에 포함되는 기계(10)에 활용하기 위한 발명이 될 수 있다. 이하에서는 기계(10)가 용접기인 경우를 중심으로 한 실시예를 상세히 설명하도록 한다.
도 2는 도 1의 시계열적 동작데이터 처리장치의 구성을 상세하게 나타내는 블록도이다.
도 2에 도시된 바와 같이, 기계(10)가 용접기인 경우, 기계(10)는 실제로 용접사가 작업을 하는 장치이며, 본 발명의 시계열적 동작데이터 처리장치(100)가 동작분류를 수행하는 데이터가 발생하는 장치이다. 상세하게는, 기계(10)는 제어부(11), 동작부(13), 검출부(15) 및 통신부(17)를 포함할 수 있다. 제어부(11)는 용접이 수행되는 동작부(13)의 동작을 제어할 수 있다. 검출부(15)는 전류센서, 전압센서 등 기계(10)에서 발생하는 시계열적 데이터를 검출한다. 일 실시예에 따르면, 제어부(11)에서 동작부(13)를 제어하기 위한 데이터가 시계열적 성질을 갖는 경우, 제어부(11)에서 발생되는 데이터도 동작데이터 처리장치(100)가 처리하는 시계열적 데이터에 포함될 수 있다. 통신부(17)는 동작데이터 처리장치(100) 또는 네트워크를 통해 연결되는 외부의 제어장치(도시되지 않음)과 데이터 통신을 수행하는 모듈로 선택적으로 포함될 수 있다. 기계(10)는 도시되지는 않았으나, 전원공급모듈, 디스플레이, 사용자 입력을 수신하는 사용자 인터페이스부 등을 더 포함하여 구성될 수 있다.
동작데이터 처리장치(100)는 수신부(110), 저장부(120), 전처리부(130), 기계학습수행부(140), 기계학습모델평가부(150) 및 후처리부(160)를 포함할 수 있다.
수신부(110)는 기계(10)에서 발생하는 시계열적 동작데이터를 입수하는 판독 및 기록 장치로, 예를 들어, 용접작업시 발생하는 시계열적 동작데이터를 수집할 수 있다. 수신부(110)는 용접기인 기계(10)와 물리적으로 동일한 위치에 구성될 수도 있으며, 경우에 따라 기계(10)와 통신을 통해 시계열적 동작데이터를 입수하도록 구성될 수도 있다.
저장부(120)는 수신부(110)와 연결되어 있고 용접기에서 발생한 동작데이터를 저장한다. 저장부(120)는 다양한 형태로 구성될 수 있고 네트워크파일시스템(NFS)나 객체형파일시스템(Object Storage)같은 구성이 대표적인 예이다.
전처리부(130)는 수신부(110) 또는 저장부(120)에 저장된 용접기에서 발생한 시계열적 동작데이터 중 이용할 학습모델에 따라 기계학습에 이용할 기계학습 데이터를 분류하여 생성할 수 있다. 또한, 본 발명의 일 실시예에 따르면, 전처리부(130)는 수집된 동작데이터를 기반으로 하여 기계의 동작분류특성이 추출되는 기준시간이 되는 동작분류기간(T)마다 지속성점수(cs) 기반의 특성추출 프로세스를 이용하여 하나 이상의 특성을 추출하고 그에 따른 기계학습 데이터를 생성한다.
기계학습 수행부(140)는 저장부(120)에 연결하여 용접작업에서 발생한 데이터를 기반으로 기계학습에 사용될 특성 및 기반 데이터를 구성하고 기반 데이터를 사용하여 모델을 학습 수행한다. 기계학습 수행부(140)는 적합한 모델링을 수행하기 위한 데이터를 가공하는 과정을 포함할 수 있다. 기계학습 수행부(140)은 복수의 다양한 학습 알고리즘을 이용하여 기계학습을 수행할 수 있다. 학습 알고리즘은 표준화(Standardization), 정규화(Normalization), 스케일링(Scaling), 바이닝(Binning), 트랜스폼(Transform), 더미화(Dummy), MaxAbsScaler, LightGBM, RobustScaler, VotingEnsemble 알고리즘 등을 포함할 수 있다.
기계학습모델 평가부(150)는 복수의 학습 수행된 학습모델에 대하여 평가지표를 통하여 평가를 수행한다.
동작분류를 위해서는 대상 작업의 일반적인 동작분류에 대한 이해가 필요하다. 용접작업은 자동용접, 수동용접, 취부용접 및 수정용접의 작업으로 분류할 수 있다. 자동용접은 용접작업자의 임시적(부차적)인 관찰 또는 무 관찰 상황 및 장비의 수동조정을 하지 않는 기계적 용접을 말한다. 수동용접은 토오치, 건 또는 용접봉 홀더가 손으로 조종되는 용접을 의미한다. 수정용접은 한번 실시한 용접대상을 여러 가지 사유로 추가로 용접을 실시하는 경우이고 취부 용접은 본 용접 직전에 이루어지는 부재를 정 위치에 설치하는 것을 의미한다.
일반적인 용접작업상 시계열적인 데이터로서 발생할 수 있는 데이터에 대한 이해도 동작분류에 중요한 요소가 될 수 있다. 추가적인 처리가 없이 기본적으로 발생할 수 있는 데이터 특성들은 용접속도, 용접 전압, 용접 전류가 있으며 이에 대하여 각각 최대/최소값, 총합, 평균, 표준편차 및 변화량 등을 특성으로 추출할 수 있다.
본 발명의 일 실시예에 따르면, 기계(10)가 용접기인 경우, 용접기에서 발생되는 시계열적 동작데이터에 대하여 전처리부(130)의 지속성점수(cs)기반 특성추출 프로세스를 이용하여, 기계학습수행부(140)는 기계학습으로 자동용접, 수동용접, 취부용접 또는 수정용접 등으로 동작 분류를 할 수 있다.
기계학습모델평가부(150)는 기계학습수행부(140)에 수행된 기계학습모델의 결과를 평가한다.
후처리부(160)는 동작데이터 처리장치(100)에 선택적으로 추가되어 포함될 수 있다. 후처리부(160)는 평가 결과를 이용하여 기계(10)의 동작상태를 사용자에게 제공하기 위한 화면을 구성하거나, 기계학습 수행부(140)의 기계학습모델을 변경하거나, 기계학습모델 처리 결과를 이용하여 기계(10)의 제어를 효율화하는 등 기계학습 결과를 활용한 다양한 후처리를 수행할 수 있다.
도 3은 본 발명의 일 실시예에 따른 기계의 시계열적 동작데이터 처리 방법을 나타내는 흐름도이다.
도 3에서 나타낸 것처럼, 기계(10)의 작업, 예를 들어, 기계(10)가 용접기인 경우 동작분류를 수행하기 위해 용접작업에서는 일반적으로 용접사가 용접장치를 통하여 용접을 수행하게 되고 이에 따라 시계열적 동작데이터(원천데이터)가 발생하게 된다(310).
동작데이터 처리장치(110)의 수신부(120)는 기계(10)의 동작 수행중이나 수행 후 발생한 동작데이터들을 수집하고 저장부(120)로 저장한다(320).
전처리부(130)는 수집된 동작데이터들을 기반으로 하여 특성을 추출하고 그에 따른 기계학습 데이터를 생성한다(330). 동작 330에서 본 발명에 따른 지속성점수(cs) 기반 특성추출을 적용한 동작분류 작업에서 저장데이터에서 특성을 추출하고 기반 데이터를 구성할 때 추가로 도 4를 참조하여 후술할 지속성점수(cs)기반 특성추출의 프로세스가 수행된다. 이를 수행하게 되면 이전 방식에 비하여 기계학습모델의 학습 및 평가에 효과적인 특성을 추출할 수 있으며 그에 따라 효율적인 활용결과를 획득할 수 있다.
전처리부(130)는 기계의 시계열적 동작데이터로부터 기계 동작이 지속적인지를 나타내는 함수를 이용하여 지속성점수(cs)를 특성으로 추출하는 지속성점수(cs) 기반의 특성추출 프로세스를 수행할 수 있다. 상세하게는, 전처리부(130)는 지속성점수(cs) 기반의 특성추출 프로세스에서 지속성점수(cs)에 대응하는 제1 특성(F1)에 부가하여, 지속성점수(cs)의 표준편차에 대응하는 제2 특성(F2), 기계 속도의 합을 지속성점수(cs)로 나눈 값에 대응하는 제3 특성(F3), 기계 전압 데이터(숫자)의 합을 지속성점수(cs)로 나눈 값에 대응하는 제4 특성(F4) 및 기계 전류 데이터(숫자)의 합을 지속성점수(cs)로 나눈 값에 대응하는 제5 특성(F5) 중 적어도 하나 이상을 특성으로 추출할 수 있다.
기계학습수행부(140)는 생성된 기계학습 데이터를 기반으로 기계학습을 수행하게 된다(340)
기계학습모델 평가부(150)는 기계학습수행부(140)에서 수행된 기계학습모델에 적용된 알고리즘 및 연관 하이퍼 파라미터에 따른 평가지표를 선정하고 그 평가지표에 따라서 평가한다(350). 기계학습에서 분류 모델에 대한 평가지표는 여러 가지가 될 수 있으나 일반적으로 많이 사용되는 평가지표로는 정밀도(Precision), 재현율(Recall), 정확도(Accuracy)등이 있다. 정밀도(Precision)의 경우, 모델이 참으로 분류한 것 중에 실제 참인 것의 비율을 말하며 재현율(Recall)의 경우, 실재 참인 것 중에 모델이 참으로 분류한 것의 비율이다. 정확도(Accuracy)는 전체 분류 중에 참인 것을 참으로 예측한 것과 거짓인 것을 거짓으로 예측한 것의 합에 대한 비율을 의미한다. 이외에도 분류 모델의 평가지표로 사용되는 여러 가지 지표가 존재한다.
후처리부(160)는 기계학습모델이 소정의 기준을 만족하여 적절한 기계학습모델이 획득되었는지 결정하고(360), 평과결과에 따라 필요한 경우 특성추출부터 모델평가까지의 과정을 반복하여 수행하거나(330), 적절한 기준의 모델이 획득되면 해당 모델을 활용하여 추가 업무를 수행한다(370). 동작 370 과정에서, 후처리부(160)는 결과 활용의 일예로 용접장치에 모델을 활용한 어플리케이션을 적용하여 용접사가 수행한 작업을 수작업으로 입력하지 않아도 자동적으로 동작 분류를 수행하여 전체 업무 프로세스를 효율화 할 수 있다. 주목해야할 부분은 모델평가 시 중요한 비중으로 영향을 주는 부분이 특성이 되므로 효과적인 특성 추출 및 선정은 동작분류에 있어 매우 중요한 성공요소가 된다.
이하에서는 도 4는 본 발명의 일 실시예에 따른 지속성점수(cs) 산출 방법을 나타내는 도면이다. 도 4를 이용하여 동작분류 작업시 지속성점수(cs) 산출과 특성추출방식을 설명한다.
본 발명은 기계 종류에서 발생하는 시계열 데이터로부터 기계의 동작 분류를 판단함에 있어, 기계 작업의 시간적 특성(짧은 작업이 반복되는가? 긴 작업이 반복되는가? 중간 길이? 또는 몇 가지 패턴이 섞여 있는가?)을 단순수치(scalar)값으로 표현하기 위해 지속성점수(cs)를 다음과 같이 정의한다.
본 발명의 일 실시예에 따르면, 기계의 동작을 분류할 경우, 기계가 구동되고 있는가(=on), 또는 멈추어 있는가(off)를 각각 1과 0으로 분류할 수 있다. 이와 같은 기계(10)의 시계열적 동작 데이터(A01)를 시간의 흐름에 따라 0과 1의 배열로 표현하면 다음과 같다.
A01= [0,0,0,0,0,0,1,1,0,0,0,0,1,1,1,1,0,0,0 ….]
이때 1이 연속되는 각각의 부분집합이 하나의 작업(on/off)이라고 할 수 있다. 동작정보 처리장치(100)의 전처리부(130)는 작업이 지속될수록(1이 연속될수록) 가중치(+1)가 있다고 정의하여, 연속되는 1의 카운트(count)로부터 지속성점수(cs)를 구할 수 있다. 전처리부(130)는 작업이 지속되어 1이 연속될수록, 연속되는 1에 가중치 1을 추가적으로 더하는 방식으로, 1의 연속 상태에 점수를 계산할 수 있다.
도 4는 특정한 날, 특정한 기계의 동작 배열로부터 지속성점수(cs)를 계산하는 과정이다. 이 날에는 3번의 작업(on, off)이 있었던 것으로 보이며 각 작업의 지속성점수(cs)는 3, 10, 6 이다. 상세하게는, 1이 2번 연속되면 두번째 1에 가중치 1에 추가적으로 더해져서 1+2=3이되고, 1이 4번 연속되면 1+2+3+4=10이 되고, 1이 3번 연속되면 1+2+3=6이 되어, 이 날의 지속성점수(cs)의 합은 3+10+6=19이다. 짧은 작업을 반복하는 것보다 긴 작업을 수행하는 것이 훨씬 높은 지속성점수(cs)를 가질 것임을 알 수 있다. 각 작업의 시간적 특성을 지속성점수(cs)가 반영할 것이다.
기계(10)의 동작분류특성이 추출되는 기간에 대응하는 기준시간이 되는 동작분류기간(T)은 10분, 1시간, 1일 등이 될 수 있다. 동작분류기간(T)에 대한 지속성점수(cs)를 구한다. 그리고 지속성점수(cs)를 기초로 다음과 같은 데이터의 특성(feature)을 유도할 수 있다.
-
제1 특성(F1)= 지속성점수(cs)
-
제2 특성(F2)= 지속성점수(cs)의 표준편차
-
제3 특성(F3) = 기계 속도의 합 / 지속성점수(cs)
-
제4 특성(F4) = 기계 전압 데이터(숫자)의 합 / 지속성점수(cs)
-
제5 특성(F5) = 기계 전류 데이터(숫자) 의 합 / 지속성점수(cs)
다시 도 3을 참조하면, 동작 330에서 본 발명에 따른 지속성점수(cs) 기반 특성추출을 적용한 동작분류 작업에서 저장데이터에서 특성을 추출하고 기반 데이터를 구성하는 부분(S130)에 추가로 지속성점수(cs)기반 특성추출의 프로세스가 추가된다. 이를 수행하게 되면 이전 방식 대비하여 모델학습 및 평가에 효과적인 특성을 추출할 수 있으며 그에 따라 효율적인 활용결과를 획득할 수 있다.
효율적인 활용결과의 예로써 조선업체의 용접실무단위의 발생 데이터를 정제하여 학습한 데이터를 기반으로 한 제1 동작분류와 지속성 점수를 기반으로 추가 특성을 유도하여 기존 데이터와 함께 학습하여 제2 동작분류를 수행한 사항에 대하여 비교할 수 있다. 전자인 제1 동작분류의 경우, 다양한 기계학습 알고리즘 중 최고의 정확도를 보인 케이스로 VotingEnsemble 알고리즘의 정확도점수는 0.819이다. 본 발명의 일 실시예에 따라 지속성 점수를 추가하여 학습한 제2 동작분류의 경우, 가장 좋은 정확도를 보인 케이스는 MaxAbsScaler, LightGBM으로 각각 0.885의 정확도점수를 획득할 수 있었다. 이와 같이 동작분류의 목표인 정확하게 분류해 내는 데에 유의미한 결과를 얻을 수 있다.
본 발명의 일 양상은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 상기의 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크 등을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 저장되고 실행될 수 있다.
이상의 설명은 본 발명의 일 실시예에 불과할 뿐, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 본질적 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.
10: 기계
100: 기계의 시계열적 동작데이터 처리장치
110: 수신부
120: 저장부
130: 전처리부
140: 기계학습 수행부
150: 기계학습모델 평가부
160: 후처리부
100: 기계의 시계열적 동작데이터 처리장치
110: 수신부
120: 저장부
130: 전처리부
140: 기계학습 수행부
150: 기계학습모델 평가부
160: 후처리부
Claims (5)
- 기계의 동작에서 발생되는 시계열적 동작데이터를 수신하는 수신부;
수신된 동작데이터를 저장하여 수집하는 저장부;
수집된 동작데이터를 기반으로 하여 기계의 동작분류특성이 추출되는 기준시간이 되는 동작분류기간(T)마다 지속성점수(cs) 기반의 특성추출 프로세스를 이용하여 특성을 추출하고 추출된 특성에 따라 기계학습 데이터를 생성하는 전처리부;
생성된 기계학습 데이터를 기반으로 기계학습을 수행하는 기계학습 수행부; 및
수행된 기계학습모델을 평가하는 기계학습모델 평가부;를 포함하고,
전처리부는 지속성점수(cs) 기반의 특성추출 프로세스로서 기계의 시계열적 동작데이터로부터 기계 동작이 지속적인지를 나타내는 함수를 이용하여 지속성점수(cs)를 제1 특성(F1)으로 추출하는 것을 특징으로 하는 기계의 시계열적 동작데이터 처리장치. - 제1항에 있어서,
전처리부는 지속성점수(cs)에 대응하는 제1 특성(F1)에 부가하여, 지속성점수(cs)의 표준편차에 대응하는 제2 특성(F2), 기계 속도의 합을 지속성점수(cs)로 나눈 값에 대응하는 제3 특성(F3), 기계전압 데이터의 합을 지속성점수(cs)로 나눈 값에 대응하는 제4 특성(F4) 및 기계전류 데이터의 합을 지속성점수(cs)로 나눈 값에 대응하는 제5 특성(F5) 중 적어도 하나 이상을 특성으로 추출하고, 기계전압데이터 및 기계전류데이터는 각각 숫자로 표시되는 것을 특징으로 하는 기계의 시계열적 동작데이터 처리장치. - 제2항에 있어서,
전처리부는 기계의 시계열적 동작 데이터를 시간의 흐름에 따라 0과 1의 배열로 표현하여, 1이 연속되는 각각의 부분집합이 하나의 작업(on/off)이라고 하고, 작업이 지속되어 1이 연속될수록, 연속되는 1에 가중치 1을 추가적으로 더하는 방식으로, 연속되는 1의 카운트(count)로부터 지속성점수(cs)를 구하는 것을 특징으로 하는 기계의 시계열적 동작데이터 처리장치. - 제1항에 있어서,
동작분류기간(T)은 10분, 1시간 또는 1일인 것을 특징으로 하는 기계의 시계열적 동작데이터 처리장치. - 제1항에 있어서,
기계가 용접기인 경우, 용접기로부터 수집되는 시계열적 동작데이터는 시계열적 전압 데이터, 전류 데이터 및 주파수 중 하나 이상을 포함하고,
기계학습 수행부는 용접기에서 발생되는 시계열적 동작데이터에 대하여 전처리부의 지속성점수(cs) 기반의 특성추출 프로세스를 통하여 기계학습으로 자동용접, 수동용접, 취부용접 및 수정용접 중 하나로 동작 분류를 하는 것을 특징으로 하는 기계의 시계열적 동작데이터 처리장치.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20220162680 | 2022-11-29 | ||
| KR1020220162680 | 2022-11-29 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240080111A true KR20240080111A (ko) | 2024-06-05 |
Family
ID=91470334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230133967A KR20240080111A (ko) | 2022-11-29 | 2023-10-10 | 기계의 시계열적 동작데이터 처리장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240080111A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102113218B1 (ko) | 2018-03-16 | 2020-05-20 | 울산과학기술원 | 시계열 데이터의 분석 및 예측을 위한 통합적인 딥러닝 시스템 |
-
2023
- 2023-10-10 KR KR1020230133967A patent/KR20240080111A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102113218B1 (ko) | 2018-03-16 | 2020-05-20 | 울산과학기술원 | 시계열 데이터의 분석 및 예측을 위한 통합적인 딥러닝 시스템 |
Non-Patent Citations (2)
| Title |
|---|
| Serkan Kiranyaz a, Onur Avci b, Osama Abdeljaber c, Turker Ince d, Moncef Gabbouj e, Daniel J. Inman. 1D convolutional neural networks and applications: A survey. Mechanical Systems and Signal Processing, Volume 151, April 2021, 107398 |
| Syed Maaz Shahid; Sunghoon Ko; Sungoh Kwon, Performance Comparison of 1D and 2D Convolutional Neural Networks for Real-Time Classification of Time Series Sensor Data,2022 International Conference on Information Networking (ICOIN), 12-15 January 2022, ISBN 978-1-6654-1332-9 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2797034B1 (en) | Event analyzer and computer-readable storage medium | |
| CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
| US20200042825A1 (en) | Neural network orchestration | |
| JP2019012555A (ja) | 人工知能モジュール開発システム及び人工知能モジュール開発統合システム | |
| CN106462940A (zh) | 图像中通用对象检测 | |
| CN111796917B (zh) | 算子运算调度方法和装置 | |
| CN113805548B (zh) | 一种机械加工智能控制***、方法及计算机可读介质 | |
| US20200193340A1 (en) | Business default prediction system and operation method thereof | |
| US20220108184A1 (en) | Method and device for training a machine learning system | |
| CN114355793A (zh) | 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置 | |
| US20200380409A1 (en) | Apparatus and method for analyzing time-series data based on machine learning | |
| CN113506009A (zh) | 一种基于智慧云服务的设备管理方法及*** | |
| CN116304909A (zh) | 一种异常检测模型训练方法、故障场景定位方法及装置 | |
| EP3745317A1 (en) | Apparatus and method for analyzing time series data based on machine learning | |
| CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 | |
| KR102285374B1 (ko) | 인공지능 기반 작업 전력패턴 자동 인식 방법과 이를 위한 시스템 | |
| KR20240080111A (ko) | 기계의 시계열적 동작데이터 처리장치 | |
| CN110320802B (zh) | 基于数据可视化的复杂***信号时序识别方法 | |
| JP2010231524A (ja) | データ分析方法及びデータ分析プログラム | |
| KR102466433B1 (ko) | 영상 분석 기반 작업 동작 인식 장치 및 방법 | |
| CN116052417A (zh) | 一种行驶预测方法、装置、设备和可读存储介质 | |
| US20220108152A1 (en) | Method for ascertaining an output signal with the aid of a machine learning system | |
| CN111310697B (zh) | 设备运转周期检测及健康度分析方法、装置及存储介质 | |
| Hinz et al. | Framework for customized, machine learning driven condition monitoring system for manufacturing | |
| WO2022059183A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム |