KR102252189B1

KR102252189B1 - 머신 러닝을 이용한 고장 진단 관리 시스템 및 방법

Info

Publication number: KR102252189B1
Application number: KR1020190065718A
Authority: KR
Inventors: 정회경
Original assignee: 배재대학교 산학협력단
Priority date: 2019-06-04
Filing date: 2019-06-04
Publication date: 2021-05-13
Also published as: KR20200139346A

Abstract

본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템은 고장 진단을 위한 타겟 장비에 부착된 센서를 통해 실시간으로 데이터를 수집하는 데이터 수집부; 및 머신 러닝을 이용하여 상기 수집된 데이터를 분석하고, 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 결함 또는 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단하는 고장 진단부를 포함한다.

Description

머신 러닝을 이용한 고장 진단 관리 시스템 및 방법{FAULT DIAGNOSIS MANAGEMENT SYSTEM AND METHOD USING MACHINE LEARNING}

본 발명의 실시예들은 머신 러닝을 이용한 고장 진단 관리 시스템 및 방법에 관한 것이다.

Industry 4.0의 개념을 바탕으로 시설과 장비에 다양한 센서들을 부착하여 실시간으로 데이터를 수집하고 분석 기법을 통하여 고장을 진단하는 기술들이 연구되고 있다. 고장 진단 기술은 운영 중인 시설과 장비의 결함이나 성능 저하를 지속적으로 모니터링하고 이상 징후를 진단하여 고장이 발생하기 전에 정비를 통해 안전성과 가용성을 확보하는 기술이다.

이러한 고장 진단 기술은 제조 산업과 원자력 발전소, 화학플랜트, 항공우주, 철도, 선박, 차량 등 산업 전반에서 사용하고 있는 기술이다. 높은 신뢰도를 요구하는 시스템에서는 운용 중인 시설이나 장비에서 마모나 결함이 발생하면 치명적인 사고를 야기할 수 있어 정기적인 검사와 정비를 요구한다.

높은 신뢰도를 요구하는 시스템은 손상이나 고장으로 인한 정지 또는 성능 저하가 발생되어 수리하는 사후 보전으로는 부적합하다. 예방 보전은 정기적인 정비와 부품 교체를 통해 고장을 예방하지만 과도한 보전 활동으로 인해 시스템의 잦은 중단과 불필요한 부품 교체로 인한 비용이 증가하는 문제가 있다.

관련 선행기술로는 대한한국 등록특허공보 제10-1874286호(발명의 명칭: 전력설비 모니터링 및 진단 시스템, 등록일자: 2018.06.27)가 있다.

본 발명의 일 실시예는 머신 러닝을 사용하여 데이터를 학습하고 이를 토대로 타겟 장비나 시설의 상태나 고장을 실시간으로 진단할 수 있는 머신 러닝을 이용한 고장 진단 관리 시스템 및 방법을 제공한다.

본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기 고장 진단부는 지도 학습인 SVM(Support Vector Machine) 기반의 진단 모델 또는 자율 학습인 원 클래스(One-Class) SVM 기반의 진단 모델을 이용하여 상기 머신 러닝을 수행하고, 상기 머신 러닝의 수행을 통한 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 이상 징후를 진단할 수 있다.

상기 고장 진단부는 상기 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대해 전처리 과정을 진행하여 학습용 데이터 셋과 검증용 데이터 셋을 생성하며, 상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습을 진행하고, 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단할 수 있다.

상기 고장 진단부는 상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습 진행을 통해 가중치를 생성하고 상기 가중치를 상기 SVM 기반의 진단 모델에 적용하여 상기 학습된 진단 모델을 생성 및 저장하거나, 미리 학습된 진단 모델을 로딩하여 상기 검증용 데이터 셋에 대한 검증을 진행할 수 있다.

본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템은 ROC 커브를 사용하여 상기 학습된 진단 모델의 성능을 측정하고, 상기 측정의 결과값을 도식화하고 파일로 저장하며, 상기 학습된 진단 모델의 정확도 및 오차 행렬(Confusion Matrix) 값을 계산하여 그 결과값을 도식화하고 파일로 저장하는 모델 검증부를 더 포함할 수 있다.

상기 고장 진단부는 상기 원 클래스 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대한 전처리 과정을 통해 데이터 셋을 생성하고, 상기 생성된 데이터 셋에서 일 부분을 복사하여 이상치를 생성하여 상기 데이터 셋에 추가하며, 상기 이상치가 포함되어 있는 데이터 셋을 학습 데이터 셋과 검증 데이터 셋으로 분리하며, 상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습을 진행하고, 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단할 수 있다.

상기 고장 진단부는 C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)의 학습 데이터를 일정 범위 복사하여 이상치를 생성하기 위한 기준값으로 설정하고, 상기 기준값을 벗어난 값 중 적어도 하나를 무작위로 선택하여 상기 이상치로서 생성한 후 상기 데이터 셋에 추가하여 상기 학습 데이터와 고장 데이터가 병합된 데이터를 생성하며, 상기 C-MAPSS의 식별 정보와 센서 데이터를 이용하여 상기 병합된 데이터를 상기 학습용 데이터 셋과 상기 검증용 데이터 셋으로 분리할 수 있다.

상기 고장 진단부는 상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습 진행을 통해 가중치를 생성하고, 상기 가중치를 상기 원 클래스 SVM 기반의 진단 모델에 적용하여 상기 학습된 진단 모델을 생성 및 저장하거나, 미리 학습된 진단 모델을 로딩하여 상기 검증용 데이터 셋에 대한 검증을 진행할 수 있다.

본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템은 상기 학습된 진단 모델의 성능을 Precision-Recall 커브로 측정하고 AUC(Area Under a ROC Curve)로 검증하여 그 결과값을 도식화하고 파일로 저장하는 모델 검증부를 더 포함할 수 있다.

본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 방법은 상기 고장 진단 관리 시스템의 데이터 수집부가 고장 진단을 위한 타겟 장비에 부착된 센서를 통해 실시간으로 데이터를 수집하는 단계; 상기 고장 진단 관리 시스템의 고장 진단부가 머신 러닝을 이용하여 상기 수집된 데이터를 분석하는 단계; 및 상기 고장 진단부가 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 결함 또는 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단하는 단계를 포함한다.

상기 이상 징후를 진단하는 단계는 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대해 전처리 과정을 진행하여 학습용 데이터 셋과 검증용 데이터 셋을 생성하는 단계; 상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습을 진행하는 단계; 및 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단하는 단계를 포함할 수 있다.

상기 이상 징후를 진단하는 단계는 원 클래스 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대한 전처리 과정을 통해 데이터 셋을 생성하는 단계; 상기 생성된 데이터 셋에서 일 부분을 복사하여 이상치를 생성하여 상기 데이터 셋에 추가하는 단계; 상기 이상치가 포함되어 있는 데이터 셋을 학습 데이터 셋과 검증 데이터 셋으로 분리하는 단계; 상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습을 진행하는 단계; 및 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단하는 단계를 포함할 수 있다.

상기 이상치를 생성하여 상기 데이터 셋에 추가하는 단계는 C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)의 학습 데이터를 일정 범위 복사하여 이상치를 생성하기 위한 기준값으로 설정하는 단계; 및 상기 기준값을 벗어난 값 중 적어도 하나를 무작위로 선택하여 상기 이상치로서 생성한 후 상기 데이터 셋에 추가하여 상기 학습 데이터와 고장 데이터가 병합된 데이터를 생성하는 단계를 포함하고, 상기 학습 데이터 셋과 검증 데이터 셋으로 분리하는 단계는 상기 C-MAPSS의 식별 정보와 센서 데이터를 이용하여 상기 병합된 데이터를 상기 학습용 데이터 셋과 상기 검증용 데이터 셋으로 분리하는 단계를 포함할 수 있다.

기타 실시예들의 구체적인 사항들은 상세한 설명 및 첨부 도면들에 포함되어 있다.

본 발명의 일 실시예에 따르면, 머신 러닝을 사용하여 데이터를 학습하고 이를 토대로 타겟 장비나 시설의 상태나 고장을 실시간으로 진단할 수 있다.

도 1은 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템의 개념도이다.
도 2는 본 발명의 일 실시예에서 제안하는 진단 모델, 즉 SVM 기반 진단 모델 및 One-Class SVM 기반 진단 모델의 구조를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템의 상세 구성을 설명하기 위해 도시한 블록도이다.
도 4는 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 방법을 설명하기 위해 도시한 흐름도이다.
도 5는 본 발명의 다른 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 방법을 설명하기 위해 도시한 흐름도이다.
도 6 내지 도 10은 본 발명의 진단 모델 구현을 설명하기 위해 도시한 도면이다.
도 11 내지 도 13은 본 발명의 모델 기능 실험을 설명하기 위해 도시한 도면이다.

본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다.

또한, 이하 실시되는 본 발명의 바람직한 실시예는 본 발명을 이루는 기술적 구성요소를 효율적으로 설명하기 위해 각각의 시스템 기능구성에 기 구비되어 있거나, 또는 본 발명이 속하는 기술분야에서 통상적으로 구비되는 시스템 기능 구성은 가능한 생략하고, 본 발명을 위해 추가적으로 구비되어야 하는 기능 구성을 위주로 설명한다. 만약 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면, 하기에 도시하지 않고 생략된 기능 구성 중에서 종래에 기 사용되고 있는 구성요소의 기능을 용이하게 이해할 수 있을 것이며, 또한 상기와 같이 생략된 구성 요소와 본 발명을 위해 추가된 구성 요소 사이의 관계도 명백하게 이해할 수 있을 것이다.

또한, 이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다.

이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템의 개념도이다.

도 1을 참조하면, 본 발명의 일 실시예에서는 머신 러닝을 사용하여 장비나 시설의 상태를 실시간으로 진단할 수 있으며, 이를 위해서 SVM(Support Vector Machine)(110)과 원 클래스(One-Class) SVM(120)을 사용하여 데이터(102)를 학습하고 상태나 고장을 진단하는 모델을 제안한다.

본 발명의 일 실시예에서 제안하는 진단 모델은 C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)의 식별 정보와 센서 데이터를 사용한다. 그리고 분석해야 하는 데이터의 상태를 가정하기 위해 One-Class SVM 기반 진단 모델(120)에서는 C-MAPSS에 이상치를 추가하여 고장 데이터를 생성하는 과정을 진행한다.

SVM 기반 진단 모델(110)은 정상 데이터와 고장 데이터가 분류되어 있는 상태일 경우에 적용하여 상태를 진단하고, One-Class SVM 기반 진단 모델(120)은 정상 데이터와 고장 데이터를 분류하지 못한 상태일 경우에 적용하여 고장을 진단한다. 이를 통해 시설이나 장비의 상태를 진단하여 고장이 발생하기 전에 정비를 통해 가동 중단이나 사고 발생을 예방할 수 있다.

본 발명의 일 실시예에서 제안하는 진단 모델의 경우, 사용자(101)가 데이터(102)를 입력하면 SVM 기반 진단 모델(110)은 학습을 진행하여 상태를 진단하고 정상과 비정상을 분류하는 기능을 수행하고, One-Class SVM 기반 진단 모델(120)은 입력 데이터(102)에 이상치를 생성하고 학습을 진행하여 이상치를 탐지하고 정상(normal)과 비정상(Abnormal)을 분류하는 기능을 수행한다.

상기 진단 모델에서 사용하는 데이터(102)는 학습 데이터(Training Dataset)와 검증 데이터(Test Dataset)로 구성되어 있으며, 분석하는 데이터(102)의 상태를 가정하기 위해 데이터(102)를 전처리 하여 사용하기도 한다. 이러한 진단 모델의 구조는 도 2에 도시된 바와 같다. 참고로, 도 2는 본 발명의 일 실시예에서 제안하는 진단 모델, 즉 SVM 기반 진단 모델(110) 및 One-Class SVM 기반 진단 모델(120)의 구조를 도시한 도면이다.

도 3은 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템의 상세 구성을 설명하기 위해 도시한 블록도이다.

도 3을 참조하면, 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템(300)은 데이터 수집부(310), 고장 진단부(320), 모델 검증부(330), 및 제어부(340)를 포함하여 구성될 수 있다.

상기 데이터 수집부(310)는 고장 진단을 위한 타겟 장비에 부착된 센서를 통해 실시간으로 데이터를 수집할 수 있다.

상기 고장 진단부(320)는 머신 러닝(Machine Learning)을 이용하여 상기 수집된 데이터를 분석하고, 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 결함 또는 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단할 수 있다.

즉, 상기 고장 진단부(320)는 지도 학습인 SVM(Support Vector Machine) 기반의 진단 모델 또는 자율 학습인 원 클래스(One-Class) SVM 기반의 진단 모델을 이용하여 머신 러닝을 수행하고, 상기 머신 러닝의 수행을 통한 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 이상 징후를 진단할 수 있다.

이와 같이 상기 머신 러닝은 위와 같은 두 종류의 진단 모델을 이용하여 수행될 수 있다. 이하에서는 상기 두 종류의 진단 모델을 이용하여 상기 타겟 장비의 이상 징후를 진단하는 과정에 대해 구체적으로 설명한다.

먼저, 상기 SVM 기반의 진단 모델을 이용하는 방법에 대해 구체적으로 설명하면 다음과 같다.

상기 고장 진단부(320)는 상기 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대해 전처리 과정을 진행하여 학습용 데이터 셋과 검증용 데이터 셋을 생성할 수 있다. 즉, 상기 고장 진단부(320)는 전처리 과정을 통해 센서 데이터를 학습용 데이터 셋과 검증용 데이터 셋으로 분리할 수 있다.

상기 고장 진단부(320)는 상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습을 진행하고, 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단할 수 있다.

이때, 상기 고장 진단부(320)는 상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습 진행을 통해 가중치를 생성하고, 상기 가중치를 상기 SVM 기반의 진단 모델에 적용하여 상기 학습된 진단 모델을 생성 및 저장할 수 있다. 또한, 상기 고장 진단부(320)는 상기 검증용 데이터 셋에 대한 검증을 진행하기 위해, 미리 학습된 진단 모델을 메모리로부터 로딩(Loading)할 수 있다.

다음으로, 상기 원 클래스 SVM 기반의 진단 모델을 이용하는 방법에 대해 구체적으로 설명하면 다음과 같다.

상기 고장 진단부(320)는 상기 원 클래스 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대한 전처리 과정을 통해 데이터 셋을 생성할 수 있다. 상기 고장 진단부(320)는 상기 생성된 데이터 셋에서 일 부분을 복사하여 이상치를 생성하여 상기 데이터 셋에 추가하며, 상기 이상치가 포함되어 있는 데이터 셋을 학습 데이터 셋과 검증 데이터 셋으로 분리할 수 있다.

이때, 상기 고장 진단부(320)는 C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)의 학습 데이터를 일정 범위 복사하여 이상치를 생성하기 위한 기준값으로 설정하고, 상기 기준값을 벗어난 값 중 적어도 하나를 무작위로 선택하여 상기 이상치로서 생성한 후 상기 데이터 셋에 추가하여 상기 학습 데이터와 고장 데이터가 병합된 데이터를 생성할 수 있다. 상기 고장 진단부(320)는 상기 C-MAPSS의 식별 정보와 센서 데이터를 이용하여 상기 병합된 데이터를 상기 학습용 데이터 셋과 상기 검증용 데이터 셋으로 분리할 수 있다.

상기 고장 진단부(320)는 상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습을 진행하고, 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단할 수 있다.

이때, 상기 고장 진단부(320)는 상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습 진행을 통해 가중치를 생성하고, 상기 가중치를 상기 원 클래스 SVM 기반의 진단 모델에 적용하여 상기 학습된 진단 모델을 생성 및 저장하거나, 미리 학습된 진단 모델을 로딩하여 상기 검증용 데이터 셋에 대한 검증을 진행할 수 있다.

상기 모델 검증부(330)는 상기 SVM 기반의 진단 모델을 이용하는 경우, ROC 커브를 사용하여 상기 학습된 진단 모델(SVM 기반)의 성능을 측정하고, 상기 측정의 결과값을 도식화하고 파일로 저장할 수 있다. 상기 모델 검증부(330)는 상기 학습된 진단 모델의 정확도 및 오차 행렬(Confusion Matrix) 값을 계산하여 그 결과값을 도식화하고 파일로 저장할 수 있다.

한편, 상기 원 클래스 SVM 기반의 진단 모델을 이용하는 경우, 상기 모델 검증부(330)는 상기 학습된 진단 모델(원 클래스 SVM 기반)의 성능을 Precision-Recall 커브로 측정하고 AUC(Area Under a ROC Curve)로 검증하여 그 결과값을 도식화하고 파일로 저장할 수 있다.

상기 제어부(340)는 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 시스템(300), 즉 상기 데이터 수집부(310), 상기 고장 진단부(320), 상기 모델 검증부(330) 등의 동작을 전반적으로 제어할 수 있다.

이상에서 설명된 장치는 하드웨어 구성 요소, 소프트웨어 구성 요소, 및/또는 하드웨어 구성 요소 및 소프트웨어 구성 요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성 요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

도 4는 본 발명의 일 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 방법을 설명하기 위해 도시한 흐름도이다.

여기서 설명하는 고장 진단 관리 방법은 본 발명의 하나의 실시예에 불과하며, 그 이외에 필요에 따라 다양한 단계들이 부가될 수 있고, 하기의 단계들도 순서를 변경하여 실시될 수 있으므로, 본 발명이 하기에 설명하는 각 단계 및 그 순서에 한정되는 것은 아니다. 이는 이하의 다른 실시예에서도 동일하게 적용될 수 있다.

도 4를 참조하면, SVM 기반 진단 모델은 입력 데이터(410)를 사용하여 전처리 과정(420)을 진행하고 학습용 데이터 셋과 검증용 데이터 셋을 생성한다. 그리고 미리 정의된 값에 의해 학습을 진행하거나 학습된 가중치 모델을 불러온다.

학습용 데이터 셋을 사용하는 경우(430의 "Yes" 방향), SVM 기반 진단 모델을 생성한 후(440), 학습을 진행하여(450) 가중치를 생성하고, 학습된 가중치 모델을 저장할 수 있다(460).

반면에 학습용 데이터 셋을 사용하지 않는 경우(430의 "No" 방향), 학습을 진행하지 않고 그 대신에 학습된 가중치 모델을 불러온다(470).

이후, 상기 학습된 가중치 모델을 이용하여 검증용 데이터 셋을 측정(480)하여 정상과 비정상을 분류한다.

이후, 검증용 데이터 셋을 사용하여 모델의 성능을 측정하거나 상태를 분류하는 등의 모델 검증을 수행한다(490).

도 5는 본 발명의 다른 실시예에 따른 머신 러닝을 이용한 고장 진단 관리 방법을 설명하기 위해 도시한 흐름도이다.

도 5를 참조하면, One-Class SVM 기반 진단 모델은 입력 데이터(510)에 이상치를 생성(520)하여 데이터 셋으로 생성하는 전처리 과정을 진행할 수 있다(530).

이후, 학습용 데이터 셋을 사용하는 경우(540의 "Yes" 방향), 상기 One-Class SVM 기반 진단 모델을 생성한 후(550), 이상치 비율을 설정하고(560) 학습을 진행하여(570) 가중치를 가진 모델을 저장(580)하는 순서로 진행한다.

반면에 학습용 데이터 셋을 사용하지 않는 경우(540의 "No" 방향), 학습을 진행하지 않고 그 대신에 학습하여 저장되어 있는 가중치 모델을 불러온다(545).

이후, 검증용 데이터 셋을 측정(590)하여 정상과 비정상을 분류하고, 모델의 성능을 측정한다(595).

진단 모델 구현

본 진단 모델 구현에서는 제안한 내용을 기반으로 하여 진단 모델을 구현한다. 모델 구현에 사용한 개발 도구는 PyCharm Community이며 H/W와 S/W의 주요 환경은 도 6과 같다.

모델 구현에는 Anaconda 환경에서 제공하는 Python Package를 사용하여 구현한다. Scikit-learn은 SVM 기반 진단 모델과 One-Class SVM 기반 진단 모델을 구현하기 위해 사용한다. SVM 기반 진단 모델은 하나의 파일과 함수로 구현하였으며 메인 함수와 사용한 라이브러리, 변수를 사용하여 도 7과 같이 클래스 다이어그램으로 표현하였다.

SVM 기반 진단 모델의 메인 함수에는 모델 학습을 진행하거나 저장된 모델을 불러오기 위해 설정하는 변수와 모델 학습에 사용하는 설정 값, 모델의 측정을 위해 사용하는 Confusion Matrix의 값을 그림으로 도식화하고 파일로 저장하는 함수로 구성되어 있다. 도 8은 SVM 기반 진단 모델의 메인 함수 흐름을 시퀀스 다이어그램으로 표현한 도면이다.

도 8을 참조하면, 메인 함수는 입력 데이터를 불러와서 전처리 과정을 진행하고 학습 데이터 셋과 검증 데이터 셋을 생성하며 RBF 커널을 사용하는 SVM을 생성하고 학습 데이터 셋을 사용하여 모델 학습을 진행하고 가중치를 생성하며 학습이 종료되면 학습된 모델을 저장한다.

검증 데이터 셋을 학습된 모델로 측정을 진행하고 ROC Curve를 사용하여 모델의 성능을 측정하고 결과 값을 그림으로 도식화하여 파일로 저장하고 모델의 정확도와 Confusion Matrix 값을 계산하여 그 결과 값을 그림으로 도식화하고 파일로 저장한다.

한편, One-Class SVM 기반 진단 모델은 하나의 파일로 구현하였으며 메인 함수와 사용한 라이브러리, 변수를 사용하여 도 9와 같이 클래스 다이어그램으로 표현하였다.

One-Class SVM 기반 진단 모델의 메인 함수에는 모델 학습을 진행하거나 저장되어 있는 모델을 불러오기 위해 설정하는 변수와 모델 학습에 사용하는 설정 값으로 구성되어 있다. 도 10은 One-Class SVM 기반 진단 모델의 메인 함수 흐름을 시퀀스 다이어그램으로 표현한 도면이다.

도 10을 참조하면, 메인 함수는 첫 번째로 입력 데이터를 불러와서 전처리 과정을 진행하여 데이터 셋을 생성한다. 두 번째로는 생성한 데이터 셋에서 일부분을 복사하고 무작위로 이상치를 생성하여 복사한 데이터 셋에 추가한다. 세 번째로 이상치가 포함되어 있는 데이터 셋을 분할하여 학습 데이터 셋과 검증 데이터 셋을 생성한다. 네 번째로 RBF 커널을 사용하는 One-Class SVM을 생성하고 학습 데이터 셋을 사용하여 학습을 진행하며 가중치를 생성한다. 그리고 학습이 종료되면 모델을 저장한다. 다섯 번째로는 경계 값을 생성하여 이상치를 분류하며 결과 값을 그림으로 도식화하고 파일로 저장한다. 여섯 번째는 학습한 모델을 Precision-Recall Curve로 측정하고 AUC로 검증하여 그림으로 도식화하고 파일로 저장한다.

모델 기능 실험

SVM 기반 진단 모델의 기능 실험은 실험하는 과정에서는 기능에 문제가 없어야 한다. SVM 기반 진단 모델의 기능 실험은 모델을 학습하여 측정하는 실험과 학습된 모델을 불러와서 측정하는 실험으로 구성되어 있다. 모델 학습을 진행하거나 학습된 모델을 불러와서 검증용 데이터 셋으로 측정한 결과를 ROC Curve로 측정한 FPR(False Positive Rate)과 TPR(True Positive Rate)는 도 11과 같다.

SVM 기반 진단 모델의 ROC Curve에는 부정적인 비율보다 긍정적인 비율이 높기 때문에 모델이 데이터를 정확하게 분류하였다고 볼 수 있다. 그리고 SVM 기반 진단 모델의 정확도는 98%로 측정되었다.

한편, One-Class SVM 기반 진단 모델의 기능 실험은 이상치를 탐지해야 하고 실험하는 과정에서는 기능에 문제가 없어야 한다. One-Class SVM 기반 진단 모델의 기능 실험은 모델을 학습하여 측정하고 평가하는 실험과 학습된 모델을 불러와서 측정하고 평가하는 실험으로 구성되어 있다. One-Class SVM 기반 진단 모델은 데이터 셋에서 2개의 이상치를 위치와 함께 탐지하였으며 입력 데이터와 이상치 데이터를 분류한 결과는 도 12와 같다.

여기에서는 이상치는 결정 함수에서 벗어난 하얀색 원이며 정상 데이터는 결정 함수 안에 있는 검은색 원이다. 모델의 성능을 평가하기 위해 결과 값을 AUC로 Precision과 Recall을 측정한 결과는 도 13과 같다. 도 13에 도시된 바와 같이 One-Class SVM 기반 진단 모델의 AUC 결과는 1.0으로 측정되었다.

본 실시예에서 제안하는 진단 모델은 정상 데이터와 고장 데이터가 분류되어 있는 상황에서는 SVM 기반 진단 모델을 사용하여 상태를 진단하는 연구를 하고, 정상 데이터와 고장 데이터가 분류되어 있지 않은 상황에서는 One-Class SVM 기반 진단 모델을 적용하여 이상치를 탐지하고 고장을 진단하는 연구를 하였다. 그리고 모델의 성능을 검증하기 위해 기능 실험을 진행하였다.

SVM 기반 진단 모델에서는 모델 성능 평가로 정확도를 사용하며 모델의 정확도는 98.7%로 측정되어 상태 진단에 적합한 모델이라고 검증하였다. One-Class SVM 기반 진단 모델에서는 모델 성능 평가로 AUC를 사용하며 모델의 AUC는 1.0으로 측정되어 고장 진단에 적합한 모델이라고 검증하였다.

일반적으로 정상 데이터와 고장 데이터가 분류되어 있는 상황보다는 분류되어 있지 않을 상황이 높다. 진단 모델을 적용하는 방안은 One-Class SVM 기반 진단 모델을 사용하여 축적된 데이터에서 이상치를 분류하고 정상 데이터와 고장 데이터를 분류하여 SVM 기반 진단 모델에 적용할 수 있는 데이터 셋으로 생성한다. 그리고 생성된 데이터 셋을 SVM 기반 진단 모델로 학습하고 상태를 진단하는 방안을 제안한다. 또한, 고장 데이터는 정상 데이터보다 적은 비율로 발생하기 때문에 One-Class SVM 기반 진단 모델을 지속적으로 사용하여 이상치를 탐지하고 SVM 기반 진단 모델에 적용하는 최적화 작업을 진행하는 것이 바람직하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CDROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

310: 데이터 수집부
320: 고장 진단부
330: 모델 검증부
340: 제어부

Claims

고장 진단을 위한 타겟 장비에 부착된 센서를 통해 실시간으로 데이터를 수집하는 데이터 수집부; 및
머신 러닝을 이용하여 상기 수집된 데이터를 분석하고, 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 결함 또는 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단하는 고장 진단부를 포함하고,
상기 고장 진단부는 자율 학습인 원 클래스(One-Class) SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대한 전처리 과정을 통해 데이터 셋을 생성하고, 상기 생성된 데이터 셋에서 일 부분을 복사하여 이상치를 생성하여 상기 데이터 셋에 추가하며, 상기 이상치가 포함되어 있는 데이터 셋을 학습용 데이터 셋과 검증용 데이터 셋으로 분리하며, 상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습을 진행하고, 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단하고,
상기 고장 진단부는 C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)의 학습 데이터를 일정 범위 복사하여 이상치를 생성하기 위한 기준값으로 설정하고, 상기 기준값을 벗어난 값 중 적어도 하나를 무작위로 선택하여 상기 이상치로서 생성한 후 상기 데이터 셋에 추가하여 상기 학습 데이터와 고장 데이터가 병합된 데이터를 생성하며, 상기 C-MAPSS의 식별 정보와 센서 데이터를 이용하여 상기 병합된 데이터를 상기 학습용 데이터 셋과 상기 검증용 데이터 셋으로 분리하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
제1항에 있어서,
상기 고장 진단부는
지도 학습인 SVM(Support Vector Machine) 기반의 진단 모델을 이용하여 상기 머신 러닝을 수행하고, 상기 머신 러닝의 수행을 통한 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 이상 징후를 진단하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
제2항에 있어서,
상기 고장 진단부는
상기 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대해 전처리 과정을 진행하여 학습용 데이터 셋과 검증용 데이터 셋을 생성하며, 상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습을 진행하고, 학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
제3항에 있어서,
상기 고장 진단부는
상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습 진행을 통해 가중치를 생성하고 상기 가중치를 상기 SVM 기반의 진단 모델에 적용하여 상기 학습된 진단 모델을 생성 및 저장하거나, 미리 학습된 진단 모델을 로딩하여 상기 검증용 데이터 셋에 대한 검증을 진행하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
제3항에 있어서,
ROC 커브를 사용하여 상기 학습된 진단 모델의 성능을 측정하고, 상기 측정의 결과값을 도식화하고 파일로 저장하며, 상기 학습된 진단 모델의 정확도 및 오차 행렬(Confusion Matrix) 값을 계산하여 그 결과값을 도식화하고 파일로 저장하는 모델 검증부
를 더 포함하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
삭제
삭제
제1항에 있어서,
상기 고장 진단부는
상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습 진행을 통해 가중치를 생성하고, 상기 가중치를 상기 원 클래스 SVM 기반의 진단 모델에 적용하여 상기 학습된 진단 모델을 생성 및 저장하거나, 미리 학습된 진단 모델을 로딩하여 상기 검증용 데이터 셋에 대한 검증을 진행하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
제1항에 있어서,
상기 학습된 진단 모델의 성능을 Precision-Recall 커브로 측정하고 AUC(Area Under a ROC Curve)로 검증하여 그 결과값을 도식화하고 파일로 저장하는 모델 검증부
를 더 포함하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 시스템.
머신 러닝을 이용한 고장 진단 관리 시스템의 고장 진단 관리 방법에 있어서,
상기 고장 진단 관리 시스템의 데이터 수집부가 고장 진단을 위한 타겟 장비에 부착된 센서를 통해 실시간으로 데이터를 수집하는 단계;
상기 고장 진단 관리 시스템의 고장 진단부가 머신 러닝을 이용하여 상기 수집된 데이터를 분석하는 단계; 및
상기 고장 진단부가 상기 데이터의 분석 결과에 기초하여 상기 타겟 장비의 결함 또는 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단하는 단계를 포함하고,
상기 이상 징후를 진단하는 단계는
원 클래스 SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대한 전처리 과정을 통해 데이터 셋을 생성하는 단계;
상기 생성된 데이터 셋에서 일 부분을 복사하여 이상치를 생성하여 상기 데이터 셋에 추가하는 단계;
상기 이상치가 포함되어 있는 데이터 셋을 학습용 데이터 셋과 검증용 데이터 셋으로 분리하는 단계;
상기 학습용 데이터 셋을 이용하여 상기 원 클래스 SVM 기반의 진단 모델에 대한 학습을 진행하는 단계; 및
학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단하는 단계를 포함하고,
상기 이상치를 생성하여 상기 데이터 셋에 추가하는 단계는
C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)의 학습 데이터를 일정 범위 복사하여 이상치를 생성하기 위한 기준값으로 설정하는 단계; 및
상기 기준값을 벗어난 값 중 적어도 하나를 무작위로 선택하여 상기 이상치로서 생성한 후 상기 데이터 셋에 추가하여 상기 학습 데이터와 고장 데이터가 병합된 데이터를 생성하는 단계를 포함하고,
상기 학습용 데이터 셋과 검증용 데이터 셋으로 분리하는 단계는
상기 C-MAPSS의 식별 정보와 센서 데이터를 이용하여 상기 병합된 데이터를 상기 학습용 데이터 셋과 상기 검증용 데이터 셋으로 분리하는 단계를 포함하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 방법.
제10항에 있어서,
상기 이상 징후를 진단하는 단계는
SVM 기반의 진단 모델을 이용하여 상기 센서를 통해 수집된 데이터에 대해 전처리 과정을 진행하여 학습용 데이터 셋과 검증용 데이터 셋을 생성하는 단계;
상기 학습용 데이터 셋을 이용하여 상기 SVM 기반의 진단 모델에 대한 학습을 진행하는 단계; 및
학습된 진단 모델을 이용하여 상기 검증용 데이터 셋에 대한 검증을 진행하여 상기 타겟 장비의 이상 징후를 진단하는 단계
를 포함하는 것을 특징으로 하는 머신 러닝을 이용한 고장 진단 관리 방법.
삭제
삭제