KR102427630B1 - 열상감시장비 고장시점 예측장치 및 방법 - Google Patents
열상감시장비 고장시점 예측장치 및 방법 Download PDFInfo
- Publication number
- KR102427630B1 KR102427630B1 KR1020210176804A KR20210176804A KR102427630B1 KR 102427630 B1 KR102427630 B1 KR 102427630B1 KR 1020210176804 A KR1020210176804 A KR 1020210176804A KR 20210176804 A KR20210176804 A KR 20210176804A KR 102427630 B1 KR102427630 B1 KR 102427630B1
- Authority
- KR
- South Korea
- Prior art keywords
- thermal imaging
- temperature
- imaging device
- state
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 68
- 238000001931 thermography Methods 0.000 claims abstract description 207
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 39
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000012806 monitoring device Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 15
- 238000001816 cooling Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/02—Constructional details
- G01J5/027—Constructional details making use of sensor-related data, e.g. for identification of sensor parts or optical elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/52—Radiation pyrometry, e.g. infrared or optical thermometry using comparison with reference sources, e.g. disappearing-filament pyrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/80—Calibration
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- 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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Radiation Pyrometers (AREA)
Abstract
본 발명은 열상감시장비의 상태를 확인하기 위한 상태 확인장치로서, 상기 열상감시장비에 탑재되어 있는 검출기의 온도 데이터를 획득하기 위한 데이터 획득부; 다른 열상감시장비들로부터 수집된 온도 데이터를 기반으로 딥 러닝하여 상기 데이터 획득부가 획득한 온도 데이터와 비교하기 위한 기준 데이터를 생성하는 기준 데이터 생성부; 상기 데이터 획득부가 획득한 온도 데이터와, 상기 기준 데이터 생성부가 생성한 기준 데이터를 비교하고, 상기 열상감시장비의 상태를 판단하기 위한 판단부; 및 상기 판단부의 판단결과에 따라 상기 열상감시장비의 예상 고장시점을 예측하기 위한 고장 예측부;를 포함하며, 열상감시장비의 상태를 확인하고, 열상감시장비의 예상 고장시점을 예측할 수 있다.
Description
본 발명을 열상감시장비 고장시점 예측장치 및 방법에 관한 것으로, 더욱 상세하게는 열상감시장비의 상태를 확인하고, 열상감시장비의 예상 고장시점을 예측할 수 있는 열상감시장비 고장시점 예측장치 및 방법에 관한 것이다.
일반적으로 특정 공간을 감시하기 위해 감시장비가 사용된다. 감시장비는 CCD(Chang Coupled Device) 카메라를 이용하는 카메라감시장비와, 열상 카메라를 이용하는 열상감시장비로 구분될 수 있다.
CCD 카메라는 빛이 있는 곳만 감시할 수 있어, 빛이 없는 곳이나 야간 감시용으로 사용하기에 적합하지 않다. 열상 카메라는 물체로부터 발산되는 열을 감지하여 야간 감시용으로 사용할 수 있다. 따라서, 군에서는 전방, 해안, 강안 등으로 적의 접근을 주간뿐만 아니라 야간에도 감시해야 하기 때문에, 열상 카메라를 이용하는 열상감시장비를 많이 사용한다.
이때, 열상감시장비가 임무 수행 중 고장이 발생하면 전력에 공백이 생기게 된다. 따라서, 작업자가 주기적으로 열상감시장비를 육안으로 확인하고, 시험장비를 이용하여 열상감시장비의 신호 검사 등을 수행한다. 그러나 이러한 방식의 검사는 작업자의 경험이나 성향에 영향을 받기 때문에, 열상감시장비의 정확한 상태를 확인하기 어려운 문제가 있다.
본 발명은 열상감시장비의 상태를 확인하고, 열상감시장비의 예상 고장시점을 예측할 수 있는 열상감시장비 고장시점 예측장치 및 방법을 제공한다.
본 발명은 열상감시장비를 안정적으로 운용할 수 있는 열상감시장비 고장시점 예측장치 및 방법을 제공한다.
본 발명은 열상감시장비의 상태를 확인하기 위한 상태 확인장치로서, 상기 열상감시장비에 탑재되어 있는 검출기의 온도 데이터를 획득하기 위한 데이터 획득부; 다른 열상감시장비들로부터 수집된 온도 데이터를 딥 러닝하여 상기 데이터 획득부가 획득한 온도 데이터와 비교하기 위한 기준 데이터를 생성하는 기준 데이터 생성부; 상기 데이터 획득부가 획득한 온도 데이터와, 상기 기준 데이터 생성부가 생성한 기준 데이터를 비교하고, 상기 열상감시장비의 상태를 판단하기 위한 판단부; 및 상기 판단부의 판단결과에 따라 상기 열상감시장비의 예상 고장시점을 예측하기 위한 고장 예측부;를 포함한다.
상기 데이터 획득부는, 상기 열상감시장비의 작동을 감지하기 위한 작동감지기; 및 상기 열상감시장비가 작동한 시점부터 미리 설정된 설정 시간 동안 상기 검출기의 온도를 측정한 온도 데이터를 수집하기 위한 데이터 수집기;를 포함한다.
상기 데이터 획득부는, 상기 데이터 수집기가 수집한 온도 데이터에서 노이즈를 제거하기 위한 데이터 처리기를 더 포함한다.
상기 데이터 처리기는, 상기 온도 데이터에 포함되는 온도값들을 미리 설정된 온도설정값과 비교하여, 상기 온도값들 중 노이즈를 식별하기 위한 노이즈 식별기; 및 상기 노이즈 식별기에서 식별된 노이즈를 다른 온도값으로 대체하기 위한 노이즈 제거기;를 포함한다.
상기 기준 데이터 생성부는, 다른 열상감시장비들로부터 수집된 온도 데이터를, 합성곱 신경망 모델로 기계학습하여 상기 기준 데이터를 생성한다.
판단부는, 상기 온도 데이터와 상기 기준 데이터를 비교하여 일치율을 산출하기 위한 비교기; 및 상기 비교기에서 산출된 일치율에 따라 상기 열상감시장비의 상태를 작동 가능한 상태인 정상, 정상 상태보다 작동 성능이 저하된 상태인 이상, 및 작동 불가능한 상태인 고장 중 어느 하나로 판단하기 위한 상태 판단기;를 포함한다.
상기 고장 예측부는, 다른 열상감시장비들로부터 수집된 온도 데이터가 저장되는 정보 저장기; 및 상기 상태 판단기가 열상감시장비의 상태를 이상이라고 판단하면, 상기 정보 저장기에 저장된 온도 데이터를 이용하여 열상감시장비의 상태가 고장으로 판단될 시점을 예측하기 위한 고장 예측기;를 포함한다.
상기 고장 예측기는, 상기 정보 저장기에 저장된 온도 데이터를 이용하여 상기 데이터 획득부로부터 획득한 온도 데이터가 시간에 따라 변화될 정도를 예상하기 위한 변화량 예상기; 및 상기 데이터 획득부로부터 획득한 온도 데이터가 변화되어 열상감시장비의 상태가 이상에서 고장으로 변경될 시점을 열상감시장비의 예상 고장시점으로 선택하기 위한 예상 고장시점 선택기;를 포함한다.
본 발명은 열상감시장비의 상태를 확인하기 위한 상태 확인방법으로서, 상기 열상감시장비에 탑재되어 있는 검출기의 온도 데이터를 획득하는 과정; 다른 열상감시장비들로부터 수집된 온도 데이터를 딥 러닝하여 획득한 온도 데이터와 비교하기 위한 기준 데이터를 생성하는 과정; 획득한 온도 데이터와, 상기 기준 데이터를 비교하고, 상기 열상감시장비의 상태를 판단하는 과정; 및 상기 열상감시장비의 상태에 따라 상기 열상감시장비의 예상 고장시점을 예측하는 과정;을 포함한다.
상기 열상감시장비에 상기 검출기의 온도를 측정하도록 온도센서가 탑재되어 있고, 상기 검출기의 온도 데이터를 획득하는 과정은, 상기 온도센서가 측정한 온도 데이터를 전달받는 과정을 포함한다.
상기 온도센서가 측정한 온도 데이터를 전달받는 과정은, 상기 열상감시장비의 작동을 확인하는 과정; 및 상기 열상감시장비가 작동하기 시작하면, 상기 열상감시장비의 작동 시점부터 미리 설정된 설정 시간 동안 상기 온도센서가 측정한 온도 데이터를 수집하는 과정;을 포함한다.
상기 온도센서가 측정한 온도 데이터를 전달받는 과정은, 상기 온도 데이터에서 노이즈를 제거하는 과정을 더 포함한다.
상기 온도 데이터에서 노이즈를 제거하는 과정은, 상기 온도 데이터에 포함되는 온도값들을 미리 설정된 온도설정값과 비교하는 과정; 상기 온도값들 중 상기 온도설정값 이상인 온도값을 노이즈로 판단하는 과정; 및 노이즈로 판단된 온도값을 다른 온도값으로 대체하는 과정;을 포함한다.
상기 열상감시장비의 상태를 판단하는 과정은, 상기 온도 데이터와 상기 기준 데이터의 그래프 형태를 비교하여 일치율을 산출하는 과정; 및 상기 일치율에 따라 상기 열상감시장비의 상태를 작동 가능한 상태인 정상, 정상 상태보다 작동 성능이 저하된 상태인 이상, 및 작동 불가능한 상태인 고장 중 어느 하나로 판단하는 과정;을 포함한다.
상기 열상감시장비의 상태를 정상, 이상, 및 고장 중 어느 하나로 판단하는 과정은, 상기 일치율이 75% 이상이면 정상이라고 판단하고, 상기 일치율이 50% 이상 내지 75% 미만이면 이상이라고 판단하고, 상기 일치율이 50% 미만이면 고장이라고 판단하는 과정을 포함한다.
상기 열상감시장비의 예상 고장시점을 예측하는 과정은, 다른 열상감시장비들로부터 수집된 온도 데이터를 획득하는 과정; 열상감시장비의 상태를 이상이라고 판단하면, 다른 열상감시장비들의 온도 데이터를 이용하여, 이상으로 판단된 열상감시장비의 온도 데이터가 시간에 따라 변화될 정도를 예상하는 과정; 및 이상으로 판단된 열상감시장비의 온도 데이터가 변화되어 상기 기준 데이터와의 일치율이 50% 미만으로 변화될 시점을 열상감시장비의 예상 고장시점으로 예측하는 과정;을 포함한다.
본 발명의 실시 예들에 따르면, 열상감시장비의 상태를 정확하게 자동으로 확인할 수 있다. 이에, 열상감시장비의 상태가 정상, 이상, 또는 고장인지 용이하게 판단할 수 있다. 또한, 열상감시장비의 상태가 이상인 경우 열상감시장비의 예상 고장시점을 예측할 수 있다. 따라서, 열상감시장비의 상태를 모니터링하면서 유지보수하기 때문에, 열상감시장비를 안정적으로 운용할 수 있다.
도 1은 본 발명의 실시 예에 따른 열상감시장비 고장시점 예측장치의 구조를 나타내는 도면이다.
도 2는 본 발명의 실시 예에 따른 상태 판단기와 고장 예측부의 작동 과정을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 열상감시장비 고장시점 예측방법을 나타내는 플로우 차트이다.
도 4는 본 발명의 실시 예에 따른 온도 데이터에서 노이즈를 제거하는 과정을 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 기준 데이터와 온도 데이터를 비교하는 그래프이다.
도 2는 본 발명의 실시 예에 따른 상태 판단기와 고장 예측부의 작동 과정을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 열상감시장비 고장시점 예측방법을 나타내는 플로우 차트이다.
도 4는 본 발명의 실시 예에 따른 온도 데이터에서 노이즈를 제거하는 과정을 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 기준 데이터와 온도 데이터를 비교하는 그래프이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 더욱 상세히 설명하기로 한다. 그러나 본 발명은 이하에서 개시되는 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 발명을 상세하게 설명하기 위해 도면은 과장될 수 있고, 도면상에서 동일 부호는 동일한 요소를 지칭한다.
도 1은 본 발명의 실시 예에 따른 열상감시장비 고장시점 예측장치의 구조를 나타내는 도면이고, 도 2는 본 발명의 실시 예에 따른 상태 판단기와 고장 예측부의 작동 과정을 나타내는 도면이다. 하기에서는 본 발명의 실시 예에 따른 열상감시장비 고장시점 예측장치에 대해 설명하기로 한다.
본 발명의 실시 예에 따른 열상감시장비 고장시점 예측장치는, 열상감시장비의 상태를 확인하기 위한 상태 확인장치이다. 도 1을 참조하면, 열상감시장비 고장시점 예측장치(100)는 데이터 획득부(110), 기준 데이터 생성부(120), 판단부(130), 및 고장 예측부(140)를 포함한다.
이때, 본 발명을 이해하기 위해 열상감시장비(50)에 대해 먼저 설명하기로 한다. 열상감시장비(50)는 특정 공간을 감시하도록 배치된다. 유지보수를 위해 열상감시장비(50)를 운용하면서 일정시간마다 휴식시킬 수 있다. 이에, 열상감시장비(50)의 작동 시작과 작동 종료가 주기적으로 수행될 수 있다. 열상감시장비(50)는 검출기(51), 및 온도센서(52)를 포함한다.
검출기(51)는 열상감시장비(50)에 탑재되어 있는 기기이다. 검출기(51)는 물체로부터 발산되는 열을 감지할 수 있다. 검출기(51)는 검출부재(51a), 및 냉각부재(51b)를 포함한다.
검출부재(51a)는 적외선을 검출하여 이를 전기적인 신호로 출력한다. 이에, 전기적인 신호를 이용하여 물체의 온도 분포를 나타내는 영상을 생성할 수 있다.
냉각부재(51b)는 검출부재(51a)를 냉각하도록 설치된다. 즉, 검출부재(51a)가 주변 온도에 민감하게 동작하기 때문에, 주변의 온도가 상승할수록 검출부재(51a)가 출력하는 값도 상승하는 문제가 있다. 이에, 냉각부재(51b)로 검출부재(51a)를 설정된 온도로 냉각시켜 주변 온도에 상관없이 검출부재(51a)가 일정한 값을 출력하도록 조절할 수 있다.
온도센서(52)는 열상감시장비(50)에 탑재되어 있는 기기이다. 온도센서(52)는 검출기(51)의 온도를 측정하도록 설치된다. 상세하게는 온도센서(52)가 검출부재(51a)의 온도를 측정할 수 있다. 예를 들어, 온도센서(52)는 절대온도를 측정할 수 있다. 이에, 냉각부재(51b)에 의해 검출부재(51a)가 설정된 온도로 냉각되었는지 확인할 수 있다. 따라서, 검출부재(51a)가 설정된 온도가 되면 작동시켜 적외선을 검출시킬 수 있다. 그러나 온도센서(52)가 측정하는 온도의 단위는 이에 한정되지 않고 다양할 수 있다.
이때, 열상감시장비(50)가 임무를 수행할 때 검출부재(51a)나 냉각부재(51b)에 고장이 발생하면 전력에 공백이 생기게 된다. 따라서, 열상감시장비 고장시점 예측장치(100)를 이용하여 열상감시장비(50)의 상태를 모니터링할 수 있다. 열상감시장비 고장시점 예측장치(100)는 열상감시장비(50)의 상태를 확인하기 위해 별도의 센서를 추가하지 않고, 열상감시장비(50)에 탑재된 온도센서(52)를 이용한다. 따라서, 열상감시장비(50)에 센서를 추가하지 못하는 제약사항이 있더라도 열상감시장비(50)의 상태를 용이하게 모니터링할 수 있다.
데이터 획득부(110)는 열상감시장비(50)와 무선 또는 유선으로 연결될 수 있다. 이에, 데이터 획득부(110)는 온도센서(52)가 측정하는 검출기(51)의 온도 데이터를 획득할 수 있다. 데이터 획득부(110)는 작동감지기(111), 및 데이터 수집기(112)를 포함한다.
작동감지기(111)는 열상감시장비(50)의 작동을 감지할 수 있다. 예를 들어, 작동감지기(111)는 검출기(51)에 전원이 공급되는 것을 감지하여, 열상감시장비(50)가 작동하는 시점을 확인할 수 있다.
데이터 수집기(112)는 온도센서(52)와 신호를 주고받을 수 있게 연결될 수 있다. 이에, 작동감지기(111)가 열상감시장비(50)의 작동을 감지하면, 데이터 수집기(112)는 온도센서(52)가 측정하는 온도값을 전달받기 시작할 수 있다. 따라서, 데이터 수집기(112)는 열상감시장비(50)가 작동한 시점부터 미리 설정된 설정 시간 동안 검출기(51)의 온도를 측정한 온도 데이터를 수집할 수 있다. 또한, 데이터 수집기(112)는 온도센서(52)가 온도를 측정하는 주기를 설정할 수도 있다. 예를 들어, 설정 시간은 10분이고 온도센서(52)가 1초 단위로 온도를 측정하도록 설정하여, 열상감시장비(50)가 작동한 시점부터 10분 동안 1초 단위로 검출기(51)의 온도를 측정한 온도 데이터를 데이터 수집기(112)로 수집할 수 있다. 그러나 설정 시간 및 온도센서(52)가 온도를 측정하도록 설정하는 주기는 이에 한정되지 않고 다양할 수 있다.
한편, 데이터 획득부(110)는 데이터 처리기(113)를 더 포함할 수도 있다. 데이터 처리기(113)는 데이터 수집기(112)와 신호를 주고받을 수 있게 연결될 수 있다. 이에, 데이터 처리기(113)는 데이터 수집기(112)가 수집한 온도 데이터 전달받아, 데이터 수집기(112)가 수집한 온도 데이터에서 노이즈를 제거할 수 있다. 따라서, 노이즈가 제거된 온도 데이터를 이용하여 열상감시장비(50)의 상태를 더 정확하게 점검할 수 있다. 데이터 처리기(113)는 노이즈 식별기(113a), 및 노이즈 제거기(113b)를 포함한다.
노이즈 식별기(113a)는 온도 데이터에 포함되는 온도값들을 미리 설정된 온도설정값과 비교할 수 있다. 이에, 온도 데이터의 온도값들 중 온도설정값 이상의 온도값은 노이즈로 판단할 수 있다. 따라서, 온도값들 중 노이즈를 식별할 수 있다.
노이즈 제거기(113b)는 노이즈 식별기(113a)에서 식별된 노이즈를 다른 온도값으로 대체하여 노이즈를 제거할 수 있다. 예를 들어, 노이즈 제거기(113b)는, 온도 데이터에 포함되는 온도값들 중 노이즈의 다음 온도값 또는 이전 온도값을 노이즈와 대체하거나, 온도 데이터에 포함되는 온도값들에서 선택한 두 온도값의 평균값을 노이즈와 대체할 수 있다.
기준 데이터 생성부(120)는 다른 열상감시장비들로부터 수집된 온도 데이터를 딥 러닝하여 데이터 획득부(110)가 획득한 온도 데이터와 비교하기 위한 기준 데이터를 생성할 수 있다. 상세하게는 기준 데이터 생성부(120)가 합성곱 신경망(CNN: Convolutional Neural Network) 모델로 기계학습하여, 다른 열상감시장비들로부터 온도 데이터를 수집하여 기준 데이터를 생성할 수 있다.
판단부(130)는 데이터 획득부(110) 및 기준 데이터 생성부(120)와 신호를 주고받을 수 있게 연결될 수 있다. 이에, 판단부(130)는 데이터 획득부(110)가 획득한 온도 데이터와, 기준 데이터 생성부(120)가 생성한 기준 데이터를 비교하고, 열상감시장비(50)의 상태를 판단할 수 있다. 판단부(130)는 비교기(131), 및 상태 판단기(132)를 포함한다.
비교기(131)는 온도 데이터와 기준 데이터를 비교하여 둘 사이의 일치율을 산출할 수 있다. 예를 들어, 온도 데이터와 기준 데이터는 시간의 따른 온도의 변화량을 나타내는 그래프를 포함할 수 있다. 따라서, 비교기(131)는 온도 데이터와 기준 데이터의 그래프 형태를 비교할 수 있다. 이에, 두 그래프를 중첩시켜 둘 사이의 일치율을 용이하게 계산할 수 있다.
상태 판단기(132)는 비교기(131)와 신호를 주고받을 수 있게 연결될 수 있다. 이에, 상태 판단기(132)는 비교기(131)에서 산출된 일치율에 따라 열상감시장비(50)의 상태를 작동 가능한 상태인 정상, 정상 상태보다 작동 성능이 저하된 상태인 이상, 및 작동 불가능한 상태인 고장 중 어느 하나로 판단할 수 있다. 예를 들어, 도 2와 같이 일치율이 75% 이상이면 정상이라고 판단하고, 일치율이 50% 이상 내지 75% 미만이면 이상이라고 판단하고, 일치율이 50% 미만이면 고장이라고 판단할 수 있다. 정상은 열상감시장비(50)가 정상적으로 작동할 수 있는 상태를 의미하고, 고장은 열상감시장비(50)에 고장이 발생하여 수리가 필요한 상태를 의미하고, 이상은 정상과 고장의 중간 상태로 열상감시장비(50)가 작동할 수 있지만 성능 저하가 발생하면서 고장이 발생할 확률이 높은 상태를 의미한다. 따라서, 상태 판단기(132)가 정상이라고 판단하면 열상감시장비(50)를 계속 운용하고, 고장이라고 판단하면 열상감시장비(50)의 운용을 중단하고 수리할 수 있다. 상태 판단기(132)가 이상이라고 판단하면 열상감시장비(50)의 상태를 지속적으로 모니터링하면서 실제 고장이 발생하기 전에 수리 작업을 수행할 수 있다.
이처럼 열상감시장비(50)의 상태를 정확하게 자동으로 확인할 수 있다. 따라서, 열상감시장비(50)의 상태가 정상, 이상, 또는 고장인지 용이하게 판단하고, 열상감시장비(50)의 상태에 따라 대응을 선택하여 열상감시장비를 안정적으로 운용할 수 있다.
고장 예측부(140)는 판단부(130)와 신호를 주고받을 수 있게 연결될 수 있다. 이에, 고장 예측부(140)는 판단부(130)의 판단결과에 따라 열상감시장비(50)의 고장이 발생할 예상 고장시점을 예측할 수 있다. 즉, 도 2와 같이 상태 판단기(132)가 열상감시장비(50)의 상태를 이상이라고 판단하면, 고장 예측부(140)가 열상감시장비(50)의 예상 고장시점을 예측하는 과정을 수행할 수 있다. 고장 예측부(140)는 정보 저장기(141), 및 고장 예측기(142)를 포함한다.
정보 저장기(141)에는 다른 열상감시장비들로부터 수집된 온도 데이터가 저장될 수 있다. 상세하게는 다른 열상감시장비들의 시간에 따른 온도 데이터가 저장할 수 있다. 이에, 시간의 경과에 따라 다른 열상감시장비들의 온도 데이터가 어떻게 변화되는지 확인할 수 있다.
고장 예측기(142)는 상태 판단기(132) 및 정보 저장기(141)와 신호를 주고받을 수 있게 연결될 수 있다. 이에, 고장 예측기(142)는 상태 판단기(132)가 열상감시장비(50)의 상태를 이상이라고 판단하면, 정보 저장기(141)에 저장된 온도 데이터를 이용하여 열상감시장비의 상태가 고장으로 판단될 시점을 예측할 수 있다. 고장 예측기(142)는 변화량 예상기(142a), 및 예상 고장시점 선택기(142b)를 포함한다.
변화량 예상기(142a)는 정보 저장기(141)에 저장된 온도 데이터를 이용하여 데이터 획득부(110)로부터 획득한 온도 데이터가 시간에 따라 변화될 정도를 예상할 수 있다. 예를 들어, 정보 저장기(141)에 저장된 온도 데이터 중 데이터 획득부(110)로부터 획득한 온도 데이터와 일치율이 95% 이상인 온도 데이터를 찾고, 해당 온도 데이터의 변화량을 이상으로 판단된 열상감시장비(50)의 온도 데이터의 미래 변화량이라고 판단할 수 있다. 이때, 정보 저장기(141)에 저장된 온도 데이터 중 데이터 획득부(110)로부터 획득한 온도 데이터와 일치율이 95% 이상인 온도 데이터가 복수개인 경우, 일치율이 가장 높은 온도 데이터를 선택할 수 있다.
예상 고장시점 선택기(142b)는 변화량 예상기(142a)와 신호를 주고받을 수 있게 연결될 수 있다. 이에, 예상 고장시점 선택기(142b)는 데이터 획득부(110)로부터 획득한 온도 데이터가 변화되어 열상감시장비(50)의 상태가 이상에서 고장으로 변경될 시점을 열상감시장비(50)의 예상 고장시점으로 선택할 수 있다. 상세하게는 변화량 예상기(142a)가 예상하는 변화량에 따라 온도 데이터를 변화시키면서 기준 데이터와의 일치율을 산출하여, 시간이 경과하면서 상태가 고장으로 판단되는 시점을 찾을 수 있다. 따라서, 고장으로 판단되는 시점이 될 때까지 소요되는 시간 후에 열상감시장비(50)의 고장이 발생할 수 있다고 예측할 수 있다.
이처럼, 열상감시장비(50)의 상태가 이상인 경우 열상감시장비의 예상 고장시점을 예측할 수 있다. 따라서, 열상감시장비(50)의 상태를 모니터링하면서 열상감시장비(50)의 고장이 실제로 발생하기 전에 선제적으로 수리할 수 있다. 이에, 열상감시장비(50)의 유지보수가 용이해지고, 열상감시장비(50)의 고장이 돌발적으로 발생하여 전력 공백이 발생하는 것을 방지할 수 있다.
한편, 열상감시장비 고장시점 예측장치(100)는 표시부(미도시)를 더 포함할 수도 있다. 표시부는 디스플레이 장비일 수 있고, 판단부(130) 및 고장 예측부(140) 중 적어도 어느 하나와 신호를 주고받을 수 있게 연결될 수 있다. 이에, 표시부는 판단부(130)가 판단한 열상감시장비(50)의 상태, 및 고장 예측부(140)가 예측한 예상 고장시점에 대한 정보 중 적어도 어느 하나를 전달받아 시각적으로 표시할 수 있다. 따라서, 작업자가 열상감시장비(50)의 상태를 용이하게 확인하여 적절한 유지보수 작업을 수행할 수 있다.
도 3은 본 발명의 실시 예에 따른 열상감시장비 고장시점 예측방법을 나타내는 플로우 차트이고, 도 4는 본 발명의 실시 예에 따른 온도 데이터에서 노이즈를 제거하는 과정을 나타내는 도면이고, 도 5는 본 발명의 실시 예에 따른 기준 데이터와 온도 데이터를 비교하는 그래프이다. 하기에서는 본 발명의 실시 예에 따른 열상감시장비 고장시점 예측방법에 대해 설명하기로 한다.
본 발명의 실시 예에 따른 열상감시장비 고장시점 예측방법은, 열상감시장비의 상태를 확인하기 위한 상태 확인방법이다. 도 3을 참조하면 열상감시장비 고장시점 예측방법은, 열상감시장비에 탑재되어 있는 검출기의 온도 데이터를 획득하는 과정(S110), 다른 열상감시장비들로부터 수집된 온도 데이터를 딥 러닝하고, 획득한 온도 데이터와 비교하기 위한 기준 데이터를 생성하는 과정(S120), 획득한 온도 데이터와, 기준 데이터를 비교하고, 열상감시장비의 상태를 판단하는 과정(S130), 및 열상감시장비의 상태에 따라 열상감시장비의 예상 고장시점을 예측하는 과정(S140)을 포함한다.
이때, 열상감시장비 고장시점 예측방법은, 도 1과 같은 구조를 가지는 본 발명의 실시 예에 따른 열상감시장비 고장시점 예측장치에 의해 수행될 수 있다. 또한, 열상감시장비(50)가 작동되기 시작할 때 검출기(51)에 구비되는 냉각부재(51b)가 작동하여 검출부재(51a)를 설정 온도까지 냉각시켜준다. 열상감시장비(50)에 문제가 있는 경우, 열상감시장비(50)를 작동시킬 때 냉각부재(51b)에 의해 검출부재(51a)가 제대로 냉각되지 않을 수 있다. 유지보수를 위해 열상감시장비(50)를 운용하면서 일정시간마다 휴식시키기 때문에, 열상감시장비(50)를 작동시킬 때마다 열상감시장비 고장시점 예측방법으로 검출기(51)의 온도 상태를 확인하여 냉각부재(51b)에 의해 검출부재(51a)가 정상적으로 냉각되는지 점검할 수 있다. 그러나 이에 한정되지 않고 다양한 열상감시장비 고장시점 예측장치에 의해 열상감시장비 고장시점 예측방법이 수행될 수 있다.
우선, 열상감시장비에 탑재되어 있는 검출기의 온도 데이터를 획득한다(S110). 상세하게는, 열상감시장비(50)에 탑재되어 있는 온도센서(52)가 측정하는 검출기(51)의 온도 데이터를 획득할 수 있다. 이때, 열상감시장비(50)의 작동을 확인할 수 있다. 따라서, 열상감시장비(50)가 작동하기 시작하면, 열상감시장비(50)의 작동 시점부터 미리 설정된 설정 시간 동안 온도센서(52)가 측정한 온도 데이터를 수집할 수 있다. 즉, 열상감시장비(50)의 작동으로 검출기(51)가 설정 온도까지 냉각되는데 소요되는 시간을 확인할 수 있는 온도 데이터를 수집하기 때문에, 검출기(51)가 설정 온도까지 냉각된 후에는 온도 데이터를 수집할 필요가 없다. 이에, 열상감시장비(50)가 작동을 시작한 후 설정 시간 동안만 온도 데이터를 수집할 수 있다.
한편, 온도 데이터를 수집한 후 온도 데이터에서 노이즈를 제거하는 과정이 더 수행될 수도 있다. 즉, 온도센서(52) 등의 문제로 도 4의 (a)와 같이 온도 데이터에 포함되는 온도값들 중 일부가 비정상적으로 측정될 수 있다. 이에, 비정상적으로 측정되는 온도값을 노이즈로 식별하여 제거할 수 있다.
이를 위해, 온도 데이터에 포함되는 온도값들을 미리 설정된 온도설정값과 비교할 수 있다. 온도값들 중 온도설정값 이상인 온도값을 노이즈로 판단하여, 노이즈를 식별할 수 있다. 예를 들어, 온도설정값은 300K일 수 있다. 따라서, 300K 이상의 온도값은 노이즈로 식별할 수 있다. 그러나 온도설정값은 이에 한정되지 않고 다양할 수 있다.
또한, 노이즈로 판단된 온도값을 다른 온도값으로 대체하여 제거할 수 있다. 예를 들어, 노이즈의 다음으로 측정된 온도값이 온도설정값 미만이면, 도 4의 (b)와 같이 노이즈를 다음에 측정된 온도값으로 대체할 수 있다. 또는, 노이즈의 다음으로 측정된 온도값이 온도설정값 이상이고, 노이즈의 이전에 측정된 온도값이 온도설정값 미만이면, 도 4의 (b)와 같이 노이즈를 이전에 측정된 온도값으로 대체할 수 있다.
한편, 노이즈의 다음으로 측정된 온도값과 이전에 측정된 온도값이 모두 온도설정값 이상이면, 도 4의 (c)와 같이 온도 데이터에 포함되는 온도값들에서 선택한 두 온도값의 평균값을 노이즈와 대체할 수 있다. 예를 들어, 노이즈를 사이에 두고 동일한 시간 간격 전후로 측정된 두 개의 온도값을 선택하고, 두 온도값의 평균값을 구하여 노이즈와 대체할 수 있다.
그 다음, 다른 열상감시장비들로부터 수집된 온도 데이터를 딥 러닝하고, 획득한 온도 데이터와 비교하기 위한 기준 데이터를 생성한다(S120). 상세하게는 합성곱 신경망 모델로 기계학습하여, 다른 열상감시장비들로부터 수집된 온도 데이터를 기반으로 기준 데이터를 생성할 수 있다. 따라서, 기준 데이터를 기준으로 온도 데이터를 분석하여 열상감시장비(50)의 상태를 판단할 수 있다. 이때, 기준 데이터를 생성하는 과정은, 온도 데이터를 획득하는 과정 후에 수행될 수도 있고, 온도 데이터를 획득하는 과정보다 먼저 수행될 수도 있고, 두 과정이 함께 수행될 수도 있다.
그 다음, 온도 데이터와, 기준 데이터를 비교하고, 열상감시장비의 상태를 판단한다(S130). 예를 들어, 온도 데이터와 기준 데이터는 시간의 따른 온도의 변화량을 나타내는 그래프를 포함할 수 있다. 따라서, 도 5와 같이 온도 데이터와 기준 데이터의 그래프 형태를 비교하여 일치율을 산출할 수 있다. 즉, 두 그래프를 중첩시킨 상태에서 온도 데이터의 그래프 형태가 기준 데이터의 그래프 형태와 얼마나 차이가 있는지 산출할 수 있다.
또한, 일치율에 따라 열상감시장비(50)의 상태를 작동 가능한 상태인 정상, 정상 상태보다 작동 성능이 저하된 상태인 이상, 및 작동 불가능한 상태인 고장 중 어느 하나로 판단할 수 있다. 예를 들어, 일치율이 75% 이상이면 정상이라고 판단하고, 일치율이 50% 이상 내지 75% 미만이면 이상이라고 판단하고, 일치율이 50% 미만이면 고장이라고 판단할 수 있다. 즉, 일치율이 높을수록 검출기(51)가 설정 온도로 신속하게 냉각되고, 일치율이 낮을수록 검출기(51)가 설정 온도로 냉각되는데 많은 시간이 소요되는 것은 의미한다. 이에, 일치율이 낮으면 냉각부재(51b)나 검출부재(51a)에 문제가 발생하여 냉각 속도가 느려진 것이라고 판단할 수 있다. 따라서, 열상감시장비(50)의 상태가 정상이라고 판단되면 열상감시장비(50)를 계속 운용하고, 고장이라고 판단되면 열상감시장비(50)의 운용을 중단하고 수리할 수 있다. 열상감시장비(50)의 상태가 이상이라고 판단되면 열상감시장비(50)의 상태를 지속적으로 모니터링하면서 실제 고장이 발생하기 전에 수리 작업을 수행할 수 있다. 그러나 정상, 이상, 및 고장을 판단하는 기준은 이에 한정되지 않고 다양할 수 있다.
이처럼 열상감시장비(50)의 상태를 정확하게 자동으로 확인할 수 있다. 따라서, 열상감시장비(50)의 상태가 정상, 이상, 또는 고장인지 용이하게 판단하고, 열상감시장비(50)의 상태에 따라 대응을 선택하여 열상감시장비를 안정적으로 운용할 수 있다.
그 다음, 열상감시장비의 상태에 따라 열상감시장비의 예상 고장시점을 예측한다(S140). 열상감시장비(50)의 예상 고장시점을 예측하기 위해, 다른 열상감시장비들로부터 수집된 온도 데이터를 획득할 수 있다. 상세하게는, 다른 열상감시장비들을 운용하면서 시간 경과에 따라 변화되는 온도 데이터를 획득할 수 있다. 열상감시장비(50)의 상태를 이상이라고 판단하면, 다른 열상감시장비들의 온도 데이터를 이용하여, 이상으로 판단된 열상감시장비의 온도 데이터가 시간에 따라 변화될 정도를 예상할 수 있다. 예를 들어, 다른 열상감시장비들의 온도 데이터 중 이상으로 판단된 열상감시장비(50)의 온도 데이터와 일치율이 95% 이상인 온도 데이터를 찾고, 해당 온도 데이터의 변화량을 이상으로 판단된 열상감시장비(50)의 온도 데이터의 미래 변화량이라고 판단할 수 있다.
또한, 이상으로 판단된 열상감시장비(50)의 온도 데이터의 미래 변화량이 판단되면, 이상으로 판단된 열상감시장비(50)의 온도 데이터가 변화되어 기준 데이터와의 일치율이 50% 미만으로 변화될 시점을 해당 열상감시장비(50)의 예상 고장시점으로 예측할 수 있다. 상세하게는 예상하는 변화량에 따라 이상으로 판단된 열상감시장비(50)의 온도 데이터를 변화시키면서 기준 데이터와의 일치율을 산출하여, 시간이 경과하면서 상태가 고장으로 판단되는 시점을 찾을 수 있다. 따라서, 고장으로 판단되는 시점이 될 때까지 소요되는 시간 후에 열상감시장비(50)의 고장이 발생할 수 있다고 예측할 수 있다.
이처럼, 열상감시장비(50)의 상태가 이상인 경우 열상감시장비의 예상 고장시점을 예측할 수 있다. 따라서, 열상감시장비(50)의 상태를 모니터링하면서 열상감시장비(50)의 고장이 실제로 발생하기 전에 선제적으로 수리할 수 있다. 이에, 열상감시장비(50)의 유지보수가 용이해지고, 열상감시장비(50)의 고장이 돌발적으로 발생하여 전력 공백이 발생하는 것을 방지할 수 있다.
한편, 열상감시장비(50)의 상태를 판단하고, 해당 열상감시장비(50)의 예상 고장시점을 예측한 후에, 판단한 열상감시장비(50)의 상태, 및 예측한 예상 고장시점에 대한 정보 중 적어도 어느 하나를 시각적으로 표시할 수 있다. 따라서, 작업자가 열상감시장비(50)의 상태를 용이하게 확인하여 적절한 유지보수 작업을 수행할 수 있다.
이와 같이, 본 발명의 상세한 설명에서는 구체적인 실시 예에 관해 설명하였으나, 본 발명의 범주에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능하며, 실시 예들 간에 다양한 조합도 가능하다. 그러므로, 본 발명의 범위는 설명된 실시 예에 국한되어 정해져서는 안되며, 아래에 기재될 특허청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
50: 열상감시장비 51: 검출기
52: 온도센서 100: 열상감시장비 고장시점 예측장치
110: 데이터 획득부 120: 기준 데이터 생성부
130: 판단부 140: 고장 예측부
52: 온도센서 100: 열상감시장비 고장시점 예측장치
110: 데이터 획득부 120: 기준 데이터 생성부
130: 판단부 140: 고장 예측부
Claims (16)
- 열상감시장비의 상태를 확인하여 고장시점을 예측하기 위한 예측장치로서,
상기 열상감시장비에 탑재되어 있는 검출기의 온도 데이터를 획득하기 위한 데이터 획득부;
다른 열상감시장비들로부터 수집된 온도 데이터를 딥 러닝하고, 상기 데이터 획득부가 획득한 온도 데이터와 비교하기 위한 기준 데이터를 생성하는 기준 데이터 생성부;
상기 데이터 획득부가 획득한 온도 데이터와, 상기 기준 데이터 생성부가 생성한 기준 데이터를 비교하고, 상기 열상감시장비의 상태를 판단하기 위한 판단부; 및
상기 판단부의 판단결과에 따라 상기 열상감시장비의 예상 고장시점을 예측하기 위한 고장 예측부;를 포함하고,
상기 온도 데이터는, 미리 설정된 시간동안 미리 설정된 시간단위로 측정된 온도값들을 포함하고,
상기 데이터 획득부는,
획득한 온도 데이터에서 노이즈를 제거하기 위한 데이터 처리기를 포함하고,
상기 데이터 처리기는,
상기 온도값들을 미리 설정된 온도설정값과 비교하여, 상기 온도값들 중 상기 온도설정값 이상인 온도값을 노이즈로 식별하기 위한 노이즈 식별기, 및
노이즈로 식별된 온도값을, 노이즈 바로 다음으로 측정된 온도값, 및 노이즈 바로 이전에 측정된 온도값 중 어느 하나로 대체하기 위한 노이즈 제거기를 포함하는 열상감시장비 고장시점 예측장치. - 청구항 1에 있어서,
상기 데이터 획득부는,
상기 열상감시장비의 작동을 감지하기 위한 작동감지기; 및
상기 열상감시장비가 작동한 시점부터 미리 설정된 설정 시간 동안 상기 검출기의 온도를 측정한 온도 데이터를 수집하기 위한 데이터 수집기;를 포함하는 열상감시장비 고장시점 예측장치. - 삭제
- 삭제
- 청구항 1에 있어서,
상기 기준 데이터 생성부는,
다른 열상감시장비들로부터 온도 데이터를, 합성곱 신경망 모델로 기계학습하여 상기 기준 데이터를 생성하는 열상감시장비 고장시점 예측장치. - 청구항 1에 있어서,
판단부는,
상기 온도 데이터와 상기 기준 데이터를 비교하여 일치율을 산출하기 위한 비교기; 및
상기 비교기에서 산출된 일치율에 따라 상기 열상감시장비의 상태를 작동 가능한 상태인 정상, 정상 상태보다 작동 성능이 저하된 상태인 이상, 및 작동 불가능한 상태인 고장 중 어느 하나로 판단하기 위한 상태 판단기;를 포함하는 열상감시장비 고장시점 예측장치. - 청구항 6에 있어서,
상기 고장 예측부는,
다른 열상감시장비들로부터 수집된 온도 데이터가 저장되는 정보 저장기; 및
상기 상태 판단기가 열상감시장비의 상태를 이상이라고 판단하면, 상기 정보 저장기에 저장된 온도 데이터를 이용하여 열상감시장비의 상태가 고장으로 판단될 시점을 예측하기 위한 고장 예측기;를 포함하는 열상감시장비 고장시점 예측장치. - 청구항 7에 있어서,
상기 고장 예측기는,
상기 정보 저장기에 저장된 온도 데이터를 이용하여 상기 데이터 획득부로부터 획득한 온도 데이터가 시간에 따라 변화될 정도를 예상하기 위한 변화량 예상기; 및
상기 데이터 획득부로부터 획득한 온도 데이터가 변화되어 열상감시장비의 상태가 이상에서 고장으로 변경될 시점을 열상감시장비의 예상 고장시점으로 선택하기 위한 예상 고장시점 선택기;를 포함하는 열상감시장비 고장시점 예측장치. - 열상감시장비의 상태를 확인하여 고장시점을 예측하기 위한 예측방법으로서,
상기 열상감시장비에 탑재되어 있는 검출기의 온도 데이터를 획득하는 과정;
다른 열상감시장비들로부터 수집된 온도 데이터를 딥 러닝하고, 획득한 온도 데이터와 비교하기 위한 기준 데이터를 생성하는 과정;
획득한 온도 데이터와, 상기 기준 데이터를 비교하고, 상기 열상감시장비의 상태를 판단하는 과정; 및
상기 열상감시장비의 상태에 따라 상기 열상감시장비의 예상 고장시점을 예측하는 과정;을 포함하고,
상기 온도 데이터는, 미리 설정된 시간동안 미리 설정된 시간단위로 측정된 온도값들을 포함하고,
상기 검출기의 온도 데이터를 획득하는 과정은,
상기 온도 데이터에서 노이즈를 제거하는 과정하는 과정을 포함하고,
상기 온도 데이터에서 노이즈를 제거하는 과정은,
상기 온도값들을 미리 설정된 온도설정값과 비교하는 과정;
상기 온도값들 중 상기 온도설정값 이상인 온도값을 노이즈로 판단하는 과정; 및
노이즈로 판단된 온도값을, 노이즈 바로 다음으로 측정된 온도값, 및 노이즈 바로 이전에 측정된 온도값 중 어느 하나로 대체하는 과정;을 포함하는 열상감시장비 고장시점 예측방법. - 청구항 9에 있어서,
상기 열상감시장비에 상기 검출기의 온도를 측정하도록 온도센서가 탑재되어 있고,
상기 검출기의 온도 데이터를 획득하는 과정은,
상기 온도센서가 측정한 온도 데이터를 전달받는 과정을 포함하는 열상감시장비 고장시점 예측방법. - 청구항 10에 있어서,
상기 온도센서가 측정한 온도 데이터를 전달받는 과정은,
상기 열상감시장비의 작동을 확인하는 과정; 및
상기 열상감시장비가 작동하기 시작하면, 상기 열상감시장비의 작동 시점부터 미리 설정된 설정 시간 동안 상기 온도센서가 측정한 온도 데이터를 수집하는 과정;을 포함하는 열상감시장비 고장시점 예측방법. - 삭제
- 삭제
- 청구항 9에 있어서,
상기 열상감시장비의 상태를 판단하는 과정은,
상기 온도 데이터와 상기 기준 데이터의 그래프 형태를 비교하여 일치율을 산출하는 과정; 및
상기 일치율에 따라 상기 열상감시장비의 상태를 작동 가능한 상태인 정상, 정상 상태보다 작동 성능이 저하된 상태인 이상, 및 작동 불가능한 상태인 고장 중 어느 하나로 판단하는 과정;을 포함하는 열상감시장비 고장시점 예측방법. - 청구항 14에 있어서,
상기 열상감시장비의 상태를 정상, 이상, 및 고장 중 어느 하나로 판단하는 과정은,
상기 일치율이 75% 이상이면 정상이라고 판단하고, 상기 일치율이 50% 이상 내지 75% 미만이면 이상이라고 판단하고, 상기 일치율이 50% 미만이면 고장이라고 판단하는 과정을 포함하는 열상감시장비 고장시점 예측방법. - 청구항 15에 있어서,
상기 열상감시장비의 예상 고장시점을 예측하는 과정은,
다른 열상감시장비들로부터 수집된 온도 데이터를 획득하는 과정;
열상감시장비의 상태를 이상이라고 판단하면, 다른 열상감시장비들의 온도 데이터를 이용하여, 이상으로 판단된 열상감시장비의 온도 데이터가 시간에 따라 변화될 정도를 예상하는 과정; 및
이상으로 판단된 열상감시장비의 온도 데이터가 변화되어 상기 기준 데이터와의 일치율이 50% 미만으로 변화될 시점을 열상감시장비의 예상 고장시점으로 예측하는 과정;을 포함하는 열상감시장비 고장시점 예측방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210176804A KR102427630B1 (ko) | 2021-12-10 | 2021-12-10 | 열상감시장비 고장시점 예측장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210176804A KR102427630B1 (ko) | 2021-12-10 | 2021-12-10 | 열상감시장비 고장시점 예측장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102427630B1 true KR102427630B1 (ko) | 2022-08-01 |
Family
ID=82844266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210176804A KR102427630B1 (ko) | 2021-12-10 | 2021-12-10 | 열상감시장비 고장시점 예측장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102427630B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2851011B2 (ja) * | 1990-07-24 | 1999-01-27 | 富士通株式会社 | 赤外線撮像装置の故障検出装置 |
| KR100919834B1 (ko) | 2009-03-26 | 2009-10-01 | 삼성탈레스 주식회사 | 열상 장비 검출기 보호 방법 및 장치 |
| JP2016151505A (ja) * | 2015-02-18 | 2016-08-22 | 富士通株式会社 | 温度測定システム、温度測定方法及びプログラム |
| KR20200027088A (ko) * | 2018-08-30 | 2020-03-12 | 엠텍비젼 주식회사 | 인공신경망을 이용한 멀티모달 센서 이상 감지 장치 및 방법 |
| KR20200084397A (ko) * | 2018-12-20 | 2020-07-13 | 한전케이디엔주식회사 | 딥 러닝을 이용하여 센싱 기기의 장애를 예측하기 위한 시스템 및 그 방법 |
-
2021
- 2021-12-10 KR KR1020210176804A patent/KR102427630B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2851011B2 (ja) * | 1990-07-24 | 1999-01-27 | 富士通株式会社 | 赤外線撮像装置の故障検出装置 |
| KR100919834B1 (ko) | 2009-03-26 | 2009-10-01 | 삼성탈레스 주식회사 | 열상 장비 검출기 보호 방법 및 장치 |
| JP2016151505A (ja) * | 2015-02-18 | 2016-08-22 | 富士通株式会社 | 温度測定システム、温度測定方法及びプログラム |
| KR20200027088A (ko) * | 2018-08-30 | 2020-03-12 | 엠텍비젼 주식회사 | 인공신경망을 이용한 멀티모달 센서 이상 감지 장치 및 방법 |
| KR20200084397A (ko) * | 2018-12-20 | 2020-07-13 | 한전케이디엔주식회사 | 딥 러닝을 이용하여 센싱 기기의 장애를 예측하기 위한 시스템 및 그 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220259947A1 (en) | Monitoring system and method for wellsite equipment | |
| KR101554216B1 (ko) | 시계열 형태의 센싱 데이터 배드 패턴 검증 방법 및 그 장치 | |
| US20180158314A1 (en) | Method of trend analysis and automatic tuning of alarm parameters | |
| KR101988164B1 (ko) | 설비 모니터링 시스템 및 그 방법 | |
| US20160293462A1 (en) | Abnormality portent detection system and method of manufacturing semiconductor device | |
| KR102577568B1 (ko) | 열상감시장비 고장 진단장치 및 진단방법 | |
| CN116707144B (zh) | 一种低压配电箱故障预警方法 | |
| US20090040303A1 (en) | Automatic video quality monitoring for surveillance cameras | |
| JP2012018623A (ja) | 異常データ分析システム | |
| KR102427630B1 (ko) | 열상감시장비 고장시점 예측장치 및 방법 | |
| KR102427631B1 (ko) | 열상감시장비 상태 확인장치 및 방법 | |
| CN116224121A (zh) | 锂离子电池老化热失控风险预测的方法和系统 | |
| KR102056101B1 (ko) | 발전 계통과 송전 계통 통합 감시/분석 시스템 | |
| CN113219330B (zh) | 一种隔离开关状态检测方法及系统 | |
| KR101074064B1 (ko) | 네트워크 트래픽 모니터링 방법 및 장치 | |
| KR20190030020A (ko) | 온도와 전류의 분석을 통한 전기설비 이상진단 시스템 | |
| JP7170564B2 (ja) | モータ劣化傾向監視システム | |
| KR102577569B1 (ko) | 열상감시장비 잔여수명 예측장치 및 예측방법 | |
| US11971694B2 (en) | Abnormal-sound detection device and abnormal-sound detection method | |
| KR102555156B1 (ko) | 고정 열화상 카메라와 이동 열화상 카메라에 기반한 수배전반용 열화상 감시 진단 시스템 | |
| CN118113574A (zh) | 一种服务器健康度评估方法、装置、设备及存储介质 | |
| KR102518105B1 (ko) | 의료장비용 ai 통합 모니터링 시스템 및 방법 | |
| KR20210060192A (ko) | 산업설비의 이상유무 진단장치 및 방법 | |
| JP2007288072A (ja) | 負荷時タップ切換装置 | |
| CN115306718A (zh) | 螺杆压缩机故障检测方法、装置、设备、介质和程序产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |