KR102566876B1

KR102566876B1 - 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템 및 방법

Info

Publication number: KR102566876B1
Application number: KR1020220182898A
Authority: KR
Inventors: 염동원; 김성진; 김종철; 김건우; 김보현
Original assignee: 한화시스템 주식회사
Priority date: 2022-12-23
Filing date: 2022-12-23
Publication date: 2023-08-14
Anticipated expiration: 2042-12-23

Abstract

본 발명은 레이다 시스템용 공기건조장비의 이상을 탐지하기 위한 기술에 관한 것으로, 보다 상세하게는, 센서를 이용하여 레이다 시스템용 공기건조장비의 온도 및 습도 데이터를 획득하고, 획득한 정상상태의 온도 및 습도 데이터의 변화를 학습하여 상이한 이상상태를 판별하는 비지도 학습(unsupervised learning) 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템 및 방법에 관한 것이다.

Description

비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템 및 방법{SYSTEM AND METHOD FOR DETECTING ANOMALY IN AIR DRYING EQUIPMENT FOR RADAR SYSTEM USING UNSUPERVISED LEARNING METHOD}

현재 운용 중인 무기체계의 운용 유지 단계에서 구성품의 고장을 탐지하기 위해 주기적인 검사가 이루어지고 있으며, 이러한 검사 방법으로는 사용자의 육안을 이용하여 검사하는 육안검사와 시험장비를 활용하여 검사하는 신호검사 등이 있다. 특히 시험장비를 통한 신호검사는 제품 자체에 내장되어 있는 BIT(Built In Test) 기능을 활용한 것으로, 무기체계의 고장을 탐지하는 활동의 대부분을 차지하고 있다.

하지만 개발 또는 도입한지 오래되었거나 아날로그 장비의 경우엔 위의 BIT 기능이 설계되어 있지 않고 있다. 이로 인해 사용자의 육안검사나 정해진 절차를 수행하여 고장난 장비를 추정해보는 고장배제절차에 의존하고 있다. 육안검사 및 고장배제방법은 무기체계 개발 간 발간되는 기술교범(Manual)을 활용하고 있으며, 운용 간 운용자의 경험이나 성향 등에 영향을 받아 유지 및 관리되고 있는 상황이다.

현재 개발 중이거나 운용 중인 무기체계에서는 BIT와 같은 자체고장진단과 정비장비를 이용하여 고장 여부를 판단하는 예방정비와 고장이 식별된 다음 정비를 수행하는 사후정비를 수행한다. 이러한 방식들은 임무 수행 중 발생할 고장을 예측하는데 한계가 있다. 이로 인해 임무 수행 중 고장이 발생할 경우 군의 전력 공백이 발생하여 치명적인 결과를 초래할 수도 있다. 따라서 최대한 신속한 정비가 필요하며, 이를 위해 대체 장비, 정비 공구, 수리 부속 및 비품 등을 적정량 보관해야 한다.

그러나 신속한 정비를 위한 장비가 고가 장비의 경우에는 충분한 대체 장비 확보가 어렵고, 수리 부속 및 비품의 경우엔 예측 정확도가 낮아 고장 대응이 제한되는 경우가 많이 발생한다. 결국 고장 정보 및 수리 부속 관리에 대한 체계가 미흡하기 때문에 실제 상황에서 활용도가 떨어지거나 일관성이 없어 이해 관계자 간 논쟁의 여지가 존재한다. 따라서, 무기체계 구성품의 이상 상태를 탐지하고 잔존 수명을 예측할 수 있는 도구인 CBM+ 기술(상태기반정비) 적용이 필요하다. CBM+는 장비의 상태정보 변화를 고장과 결함의 징후로 식별하는 CBM(Condition Based Maintenance) 개념에 잔존유효수명(RUL, Remaining Useful Life) 예측기술을 더한 정비전략이다.

KR 10-2409412 B1, 2022. 06. 10. KR 10-2409411 B1, 2022. 06. 10.

본 발명의 목적은 무기체계 구성품(공기건조장비)에 대하여 고장 전(정상상태) 온도 및 습도 데이터를 이용하여 무기체계 구성품의 이상 징후를 사전에 탐지할 수 있는 레이다 시스템용 공기건조장비의 이상 탐지 시스템 및 방법을 제공하는 것이다.

본 발명의 실시 예에 따른 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템은 레이다 시스템용 공기건조장비에 설치되어 상기 공기건조장비의 온도 및 습도를 각각 측정하여 상기 공기건조장비의 온도 및 습도 데이터를 제공하는 센서; 및 상기 센서로부터 제공되는 상기 공기건조장비의 온도 및 습도 데이터를 수집하여 데이터베이스에 저장하고, 상기 공기건조장비의 온도 및 습도 데이터들 중에서 상기 공기건조장비의 정상상태에서의 온도 및 습도 데이터의 변화를 학습하여 정상상태와 다른 경우 이상상태로 탐지하는 비지도 학습(unsupervised learning) 방법론을 활용한 이상 탐지 모델을 이용하여 공기건조장비의 이상을 탐지하는 웹 서버를 포함한다.

또한, 상기 이상 탐지 모델은 상기 공기건조장비의 가동 구간의 데이터 셋을 구축하는 과정; 구축된 데이터 셋에서 이상치 데이터를 제거하여 정상 데이터를 추출하는 과정; 주요 변수를 선정하는 과정; 학습 및 테스트 데이터 셋을 확보하는 과정; 및 최종 이상 탐지 모델을 선정하는 과정을 통해 획득할 수 있다.

또한, 상기 공기건조장비의 가동 구간에서 데이터 셋을 구축하는 과정은 상기 센서를 통해 수집된 온도 및 습도 데이터 중에서 내부 습도의 기울기를 이용하여 상기 공기건조장비의 가동 및 비가동 시점을 분리하는 과정; 상기 내부 습도 기울기의 파생 변수를 생성하고 공기건조장비별 가동 시작/종료의 기울기 기준값을 지정하는 과정; 및 상기 내부 습도의 기울기를 기준으로 분리된 가동 시점의 데이터만 시간 순서대로 합쳐서 데이터 셋을 구축하는 과정을 포함할 수 있다.

또한, 상기 공기건조장비의 가동 및 비가동 시점을 분리하는 과정에서는 상기 공기건조장비의 가동 및 비가동 시점을 내부 습도의 분당 변화율을 토대로 판단하여 분리할 수 있다.

또한, 상기 내부 습도의 기울기 파생 변수를 생성하고 공기건조장비별 가동 시작/종료의 기울기 기준값을 지정하는 과정에서는 상기 공기건조장비의 내부 습도 그래프의 기울기 조건을 적용하여 공기건조장비별 가동 시작/종료의 기울기 기준값을 지정할 수 있다.

또한, 상기 내부 습도의 기울기를 기준으로 분리된 공기건조장비의 가동 시점의 데이터만 시간 순서대로 합쳐서 데이터 셋을 구축하는 과정은 상기 공기건조장비의 가동 시점의 데이터만 추출하여 시간 순서대로 합친 후 전체 기간에서 데이터 셋을 구축할 수 있다.

삭제

또한, 상기 주요 변수를 선정하는 과정에서는 최종 이상 탐지 모델 선정 실험에 포함될 주요 변수를 고장 매커니즘 관련성, 데이터 신뢰성 및 변수 간 상관관계를 기준으로 각각 검토하여 내부 온도 및 내부 습도의 2종의 변수를 선정할 수 있다.

또한, 상기 학습 및 테스트 데이터 셋을 확보하는 과정에서는 상기 이상 탐지 모델을 구축하기 위해 상기 공기건조장비의 정상 구간에서의 학습 데이터 셋과, 성능 검증을 위한 상기 공기건조장비의 정상 구간 및 이상 구간을 포함한 테스트 데이터 셋을 구축할 수 있다.

또한, 상기 최종 이상 탐지 모델을 선정하는 과정에서는 LOF(Local Outlier Factor) 기반 고장 진단 모델 성능 판단 기준에 따라 선정할 수 있다.

또한, 본 발명의 다른 실시 예에 따른 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 방법은 레이다 시스템용 공기건조장비에 설치된 센서로부터 측정된 상기 공기건조장비의 온도 및 습도 데이터를 수집하는 과정; 상기 공기건조장비의 온도 및 습도 데이터를 토대로 상기 공기건조장비의 이상 탐지에 사용할 이상 탐지 모델을 확보하는 과정; 확보된 이상 탐지 모델에서 가장 적합한 최종 이상 탐지 모델을 선정하는 과정; 및 선정된 최종 이상 탐지 모델에 적용할 이상 탐지 경보의 기준을 정의하는 과정을 포함한다.

또한, 상기 공기건조장비의 온도 및 습도 데이터를 토대로 상기 공기건조장비의 이상 탐지에 사용할 이상 탐지 모델을 확보하는 과정은 상기 공기건조장비의 가동 구간의 데이터 셋을 구축하는 과정; 구축된 데이터 셋에서 이상치 데이터를 제거하여 정상 데이터를 추출하는 과정; 주요 변수를 선정하는 과정; 학습 및 테스트 데이터 셋을 확보하는 과정; 및 최종 이상 탐지 모델을 선정하는 과정을 통해 획득할 수 있다.

삭제

또한, 상기 선정된 최종 이상 탐지 모델에 적용할 이상 탐지 경보의 기준을 정의하는 과정은 이상 탐지 경보를 위한 최적의 문턱값과 이상 탐지 경보의 연속 발생 시간 기준을 각각 설정할 수 있다.

본 발명의 실시 예에 따르면, 센서를 이용하여 공기건조장비의 내부 온도 및 습도 데이터를 획득하고, 획득한 정상상태의 온도 및 습도 데이터의 변화를 학습하여 상이한 이상상태를 판별하는 비지도 학습(unsupervised learning) 방법을 이용하여 정상과 다를 경우 이상으로 탐지함으로써 식별되지 않은 고장 유형 또는 고장 데이터 수집이 불가한 상황에서도 높은 정확도로 장비의 이상을 탐지할 수 있다.

또한, 본 발명의 실시 예에 따르면, 무기체계 구성품(레이다 시스템용 공기건조장비)에 대하여 고장 전 온도 및 습도 데이터를 이용하여 이상 징후를 사전에 탐지함으로써 이상 징후가 탐지된 무기체계 구성품을 신속하게 정비할 수 있도록 제공할 수 있다.

도 1은 본 발명의 실시 예에 따른 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템을 나타낸 도면.
도 2는 도 1에 나타낸 대상장비에 센서가 설치된 상태를 나타낸 도면.
도 3은 본 발명의 실시 예에 적용되는 이상 탐지 모델을 나타낸 도면.
도 4는 본 발명의 실시 예에 적용된 LOF 기반 고장 진단 모델을 나타낸 도면.
도 5는 본 발명의 실시 예에 적용되는 최종 이상 탐지 모델의 이상 탐지 경보 기준을 정의하는 과정을 나타낸 도면.
도 6은 본 발명의 실시 예에 따른 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 방법을 나타낸 흐름도.
도 7은 도 6에 나타낸 이상 탐지 모델을 확보하는 과정을 나타낸 흐름도.
도 8은 도 7에 나타낸 공기건조장비 가동 구간의 데이터 셋을 구축하는 과정을 나타낸 도면.
도 9는 도 7에 나타낸 데이터 셋에서 이상치 데이터를 제거하여 정상 데이터를 추출하는 과정을 나타낸 도면.
도 10은 도 7에 나타낸 주요 변수를 선정하는 과정을 나타낸 도면.
도 11은 도 7에 나타낸 학습 및 테스트 데이터 셋을 확보하는 과정을 나타낸 도면.
도 12는 도 6에 나타낸 최종 이상 탐지 모델을 선정하는 과정을 나타낸 도면.

이하, 첨부된 도면을 참조하여 본 발명의 실시 예들을 상세히 설명하기로 한다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 발명의 실시 예들은 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 도면상에서 동일 부호는 동일한 요소를 지칭한다.

무기체계 구성품에 대한 고장 유형을 판단하는 방법에서, 예를 들어 장비의 고장 전에 온도 및 습도 패턴을 학습하는 방법으로는 각 장비에 대한 고장 유형을 식별할 수 있다. 그러나 본 발명에서는 정상동작을 학습시켜 정상과 다를 경우 이상 상황을 판단하는 방법을 제공한다. 이러한 방식은 식별되지 않은 고장 유형 또는 고장 데이터 수집이 불가능한 상황에서도 높은 정확도로 장비의 이상을 탐지할 수 있다.

도 1은 본 발명의 실시 예에 따른 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템을 설명하기 위해 개략적으로 나타낸 도면이다.

도 1을 참조하면, 본 발명의 실시 예에 따른 레이다 시스템용 공기건조장비의 이상 탐지 시스템은 데이터 측정 수집을 위한 대상장비(1) 내에 설치되어 온도 및 습도 데이터를 수집하는 센서(10)와, 센서(10)를 통해 측정 수집된 대상장비(1)의 온도 및 습도 데이터를 제공받고 이상 탐지 모델을 통해 정상상태의 온도 및 습도 데이터의 변화를 학습하여 대상장비(1)의 이상상태를 판별하는 웹 서버(20)를 포함한다.

도 2는 도 1에 나타낸 대상장비에 센서가 설치된 상태를 나타낸 도면으로서, (a)는 대상장비에 센서가 설치되지 않은 상태, (b)는 센서가 설치된 상태를 나타낸다.

도 2와 같이, 대상장비(1)에는 내부에 센서(10)가 설치되어 대상장비(1)의 시간에 따른 온도 및 습도 데이터를 측정한다. 웹 서버(20)는 센서(10)로부터 제공되는 온도 및 습도 데이터를 이용하여 정상상태의 온도 및 습도 데이터의 변화를 수집한다. 이때, 대상장비(1)는 공기건조장비이며, 상기 공기건조장비는 장비 내에 건조통 2기가 2시간 단위로 교차 운용하여 상위 체계의 습도를 조절하는 역할을 수행한다.

웹 서버(20)는 데스크톱(desktop) 또는 랩톱(laptop) 등과 같은 구동 단말기(30)에 의해 구동될 수 있고, 데이터베이스(21)와 연동하여 대상장비(1)에서 측정된 온도 및 습도 데이터, 온도 및 습도 데이터의 변화 등을 등록, 갱신 및 관리한다.

센서(10)에서 측정된 온도 및 습도 데이터는 센서(10)와 웹 서버(20) 간의 통신 연결을 통해 직접 웹 서버(20)로 제공되거나, 혹은 별도의 인터페이스를 통해 웹 서버(20)로 제공될 수 있다. 이외에도 공지된 다양한 통신을 통해 제공될 수 있다.

이러한 웹 서버(20)는 대상장비(1)의 비정상 동작을 탐지하기 위해 이상 탐지 모델을 수행하는 소프트웨어가 설치될 수 있다. 이상 탐지 모델을 수행하는 소프트웨어는 웹 서버(20)와 연동하는 데이터베이스(21)에 등록 저장되어 있을 수도 있다.

대상장비(1)의 이상(비정상) 동작을 탐지하기 위한 이상 탐지(anomaly detection)는 대상장비(1)의 정상 상태를 학습하여 이상을 탐지하는 비지도 학습(unsupervised learning) 방법론을 이용하여 수행할 수 있다. 비지도 학습 방법론은 지도 학습 기법인 분류(classification)와 다르게 데이터 레이블(data label)이 불필요 하고, 또한 고장 이력 등을 확보하기 어려운 상황의 이상치 탐지에 적합하다.

도 3은 본 발명의 실시 예에 적용되는 이상 탐지 모델을 개략적으로 나타낸 도면이다.

도 3과 같이, 본 발명의 실시 예에 적용되는 이상 탐지 모델에서는 정상구간을 알고리즘에 학습시켜 학습된 정상구간의 정보와 상이할 경우 이상으로 탐지하는 모델이다. 예를 들어, 이상 탐지 모델에서는 대상장비(1)인 공기건조장비의 작동이 가동(ON) 상태일 때, 공기건조장비의 정상상태와 이상(고장)상태를 탐지할 수 있다.

도 4는 본 발명의 실시 예에 적용된 LOF 기반 고장 진단 모델을 개략적으로 나타낸 도면이다.

도 4를 참조하면, LOF(Local Outlier Factor) 기반 고장 진단 모델은 밀도 기반으로 정상 및 고장 데이터를 구분하는 이상 탐지 모델로서, 정상영역의 밀도를 고려하여 밀도가 높은 영역 부근의 관측치와 상대적으로 밀도가 낮은 영역 부근의 관측치에 대한 이상치 탐지 기준이 달라지는 것을 이용하여 정상 및 고장 데이터를 구분한다.

도 5는 본 발명의 실시 예에 적용되는 최종 이상 탐지 모델의 이상 탐지 경보 기준을 정의하는 과정을 개략적으로 나타낸 도면으로서, 이상 탐지 경보(alarm)를 위한 최적의 문턱값(threshold value)과 이상 탐지 경보의 연속 발생 시간 기준(frequency)을 설정하는 과정을 나타낸다.

도 5를 참조하면, 대상장비(1)의 정상상태와 이상상태를 적절하게 구분할 수 있는 최적의 문턱값을 설정한다. 가령, 상기 최적의 문턱값은 부트스트랩(bootstrap) 기법을 이용하여 설정할 수 있다. 부트스트랩 기법은 원본 샘플에서 복원 추출을 통해 여러 개의 표본 집단을 만든 후 구하고자 하는 통계량의 평균값을 산출하는 기법으로, 데이터 셋의 크기가 작거나 과적합(overfitting)을 방지할 수 있다.

대상장비(1)에 대한 최적의 문턱값 설정방법은, 예를 들어 도 5와 같이, 센서(10)를 통해 시간에 따라 대상장비(1)로부터 온도 및 습도 데이터를 측정하고, 측정된 데이터에서 정상상태의 이상(비정상) 지수(anomaly scores)를 산출한 후 각 배치(batch)별 상위 99% 위치의 이상 지수의 평균값을 최적의 문턱값으로 설정한다.

그리고, 이상 탐지 경보를 위한 연속 발생 시간의 기준을 설정한다. 오류 경보(false alarm)를 방지하기 위해 최적의 문턱값 이상의 값이 연속으로 몇 번 발생할 시 이를 고장으로 판단할지에 대한 연속 발생 시간 기준을 설정한다. 예를 들어, 최적의 문턱값 이상의 값이 연속적으로 N(N은 자연수 임)번 이상 탐지시 경고한다.

도 5와 같이, 이상 탐지 경보에 대한 연속 이상치 기준(연속 발생 시간 기준)이 없을 때, 정상구간에서도 오류 경보가 발생될 수 있는데 반해, 이상 탐지 경보에 대한 연속 이상치 기준을 '10'으로 설정하는 경우에는 정상구간에서 오류 경보가 발생되지 않는 것을 확인할 수 있다. 따라서 이상 탐지 경보에 대한 연속 이상치 기준을 조정하여 정상상태에서의 오류 경보율과 고장 상태 탐지율을 조정할 수 있다.

도 6은 본 발명의 실시 예에 따른 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 방법을 설명하기 위해 개략적으로 나타낸 흐름도이다.

도 6을 참조하면, 본 발명의 실시 예에 따른 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 방법은 대상장비(1)인 공기건조장비 내에 설치된 센서(10)를 통해 온도 및 습도 데이터를 수집하는 과정(S1)과, 공기건조장비의 이상 탐지에 사용할 이상 탐지 모델을 확보하는 과정(S2)과, 확보된 이상 탐지 모델에서 가장 적합한 최종 이상 탐지 모델을 선정하는 과정(S3)과, 선정된 최종 이상 탐지 모델에 적용할 이상 탐지 경보의 기준을 정의하는 과정(S4)을 포함한다.

공기건조장비의 온도 및 습도 데이터를 수집하는 과정(S1)은 도 1 및 도 2에서와 같이, 공기건조장비 내에 설치된 센서(10)를 통해 온도 및 습도 데이터를 수집한다.

이상 탐지 모델을 확보하는 과정(S2)은 도 7과 같은 과정을 통해 확보할 수 있다.

도 7은 도 6에 나타낸 이상 탐지 모델을 확보하는 과정을 개략적으로 나타낸 흐름도이다.

도 7을 참조하면, 본 발명에 따른 이상 탐지 모델을 확보하는 과정(S2)은 공기건조장비 가동 구간의 데이터 셋을 구축하는 과정(S21)과, 구축된 데이터 셋에서 이상치 데이터를 제거하여 정상 데이터를 추출하는 과정(S22)과, 주요 변수를 선정하는 과정(S23)과, 학습 및 테스트 데이터 셋을 확보하는 과정(S24)을 포함한다.

도 8은 도 7에 나타낸 공기건조장비 가동 구간의 데이터 셋을 구축하는 과정을 개략적으로 나타낸 도면으로서, 도 8에 기재된 건조기는 공기건조장비를 나타낸다.

도 8과 같이, 공기건조장비의 가동 구간에서 데이터 셋을 구축하는 과정(S21)은 데이터 수집과정(S1)을 통해 수집된 온도 및 습도 데이터 중에서 내부 습도의 기울기를 이용하여 공기건조장비의 가동 및 비가동(ON/OFF) 시점을 분리하는 과정과, 내부 습도 기울기의 파생 변수를 생성하고 공기건조장비별 가동 시작/종료의 기울기 기준값을 지정하는 과정과, 내부 습도의 기울기를 기준으로 분리된 가동 시점의 데이터만 시간 순서대로 합쳐서 데이터 셋을 구축하는 과정을 포함한다.

상기 공기건조장비의 가동 및 비가동 시점을 분리하는 과정에서 언급된 상기 내부 습도 기울기는 내부 습도의 분당 변화율에 대응된다. 따라서, 도 8과 같이, 공기건조장비의 가동 및 비가동 시점을 분리하는 과정에서 공기건조장비의 가동 및 비가동 시점은 내부 습도의 분당 변화율을 토대로 판단하여 각각 분리할 수 있다.

상기 내부 습도의 기울기 변수를 생성하고 공기건조장비별 가동 시작/종료의 기울기 기준값을 지정하는 과정에서는 공기건조장비 내부 습도 그래프의 기울기 조건을 적용하여 공기건조장비별 가동 시작/종료의 기울기 기준값을 지정할 수 있다. 이때, 상기 내부 습도 그래프의 기울기 조건은 아래 [수학식 1]로 나타낼 수 있다.

[수학식 1]

공기건조장비 가동 시작 시점 :

공기건조장비 가동 종료 시점 :

여기서, 를 나타낸다.

상기 내부 습도의 기울기를 기준으로 분리된 공기건조장비의 가동 시점의 데이터만 시간 순서대로 합쳐서 데이터 셋을 구축하는 과정은 공기건조장비의 가동 시점의 데이터만 추출하여 시간 순서대로 합친 후 전체 기간에서 데이터 셋을 구축한다.

도 9는 도 7에 나타낸 데이터 셋에서 이상치 데이터를 제거하여 정상 데이터를 추출하는 과정을 개략적으로 나타낸 도면으로서, 건조기는 공기건조장비를 나타낸다.

도 9와 같이, 도 8과 같은 방법으로 구축된 데이터 셋에서 이상치 데이터를 제거하여 정상 데이터를 추출하는 과정(22)은 정상 데이터 셋의 품질을 향상시키기 위한 과정으로, 정상 데이터 셋을 학습하는 기법인 이상 탐지 기법(anomaly detection)을 이용한다. 정상 데이터 셋의 품질은 이상 탐지 모델의 품질과 비례하므로 데이터 셋 내의 이상치 데이터를 제거하여 이상 탐지 모델의 품질을 향상시킬 수 있다.

구축된 데이터 셋에서 이상치 데이터를 제거하여 정상 데이터를 추출하는 과정(22)에서는 예를 들어 공기건조장비의 가동 시점에서 건조통 교체 및 센서(10) 이상으로 인한 이상치 데이터(hunting)를 제거한다.

도 10은 도 7에 나타낸 주요 변수를 선정하는 과정을 개략적으로 나타낸 도면으로서, 도 10에 기재된 공기건조기는 공기건조장비를 나타낸다.

도 10과 같이, 주요 변수를 선정하는 과정(S23)에서는 최종 이상 탐지 모델 선정 실험에 포함될 주요 변수를 고장 매커니즘 관련성, 데이터 신뢰성 및 변수 간 상관관계를 기준으로 각각 검토하여 내부 온도 및 내부 습도의 2종의 변수를 선정한다.

상기 고장 매커니즘 관련성과 관련하여 외부 온도 및 습도는 환경적인 요소로서 공기건조장비 내부의 고장을 대변할 수 없는 변수로 주요 변수를 선정할 때 제외한다. 상기 데이터 신뢰성과 관련하여 3~4월에 30℃ 이상의 외부 온도 데이터가 관측됨에 따라 데이터 신뢰성 저하로 인해 주요 변수를 선정할 때 제외한다. 상기 변수 간 상관관계와 관련하여 외부 습도는 타 변수와의 상관계수가 낮아 분석 성능을 낮추는 인자이므로 주요 변수를 선정할 때 제외한다. 따라서, 주요 변부를 선정하는 과정(S23)에서는 내부 온도 및 내부 습도의 2종의 변수를 주요 변수로 선정한다.

도 11은 도 7에 나타낸 학습 및 테스트 데이터 셋을 확보하는 과정을 개략적으로 나타낸 도면이다.

도 11과 같이, 학습 데이터 셋과 테스트 데이터 셋을 확보하는 과정(S24)에서는 이상 탐지 모델 구축을 위한 정상 구간에서의 학습 데이터 셋을 구축하고, 또한 성능 검증을 위한 정상 구간 및 이상 구간을 포함한 테스트 데이터 셋을 구축한다.

이상 탐지 모델은 정상 구간을 학습한 후 이상과 정상 상태 탐지를 검증한다. 이상 탐지 모델 성능을 검증하기 위해 이상 구간 데이터 이력이 필요하다. 예를 들어, 2021년 고장 데이터 3건을 활용하여 테스트 데이터 셋을 구축한다. 고장 유형으로는 건조통 불량(건조제 불량으로 흡습 불가, 캠 모터 고장(캠 모터 고장으로 건조통 교체 불가) 및 히터 OFF(건조통 내부 건조제 건조 불가)이 있을 수 있다.

도 12는 도 6에 나타낸 최종 이상 탐지 모델을 선정하는 과정을 개략적으로 나타낸 도면이다.

도 12와 같이, 최종 이상 탐지 모델을 선정하는 과정(S3)에서는 도 4에 나타낸 LOF(Local Outlier Factor) 기반 고장 진단 모델 성능 판단 기준에 따라 최종 이상 탐지 모델을 선정한다. 예를 들어, 고장 진단 모델은 정상 구간을 정상으로 탐지하는 모델과 이상 구간을 고장으로 탐지하는 모델이 있다. 정상 구간을 정상으로 탐지하는 모델에서는 낮은 이상 지수(anomaly score)를 도출하고, 이상 구간을 고장으로 탐지하는 모델에서는 정상 구간 대비 높은 이상 지수를 도출할 수 있다.

최종 이상 탐지 모델이 선정되면, 도 6과 같이, 이상 탐지 경보 기준을 정의한다(S4). 이 과정은 도 5와 같이 이상 탐지 경보(alarm)를 위한 최적의 문턱값(threshold value)과 이상 탐지 경보의 연속 발생 시간 기준(frequency)을 각각 설정한다.

상기에서, 본 발명의 바람직한 실시 예가 특정 용어들을 사용하여 설명 및 도시되었지만 그러한 용어는 오로지 본 발명을 명확하게 설명하기 위한 것일 뿐이며, 본 발명의 실시 예 및 기술된 용어는 다음의 청구범위의 기술적 사상 및 범위로부터 이탈되지 않고서 여러 가지 변경 및 변화가 가해질 수 있는 것은 자명한 일이다. 이와 같이 변형된 실시 예들은 본 발명의 사상 및 범위로부터 개별적으로 이해되어져서는 안 되며, 본 발명의 청구범위 안에 속한다고 해야 할 것이다.

1 : 대상장비(공기건조장비)
10 : 센서
20 : 웹 서버
21 : 데이터베이스
30 : 구동 단말기

Claims

레이다 시스템용 공기건조장비에 설치되어 상기 공기건조장비의 온도 및 습도를 각각 측정하여 상기 공기건조장비의 온도 및 습도 데이터를 제공하는 센서; 및
상기 센서로부터 제공되는 상기 공기건조장비의 온도 및 습도 데이터를 수집하여 데이터베이스에 저장하고, 상기 공기건조장비의 온도 및 습도 데이터들 중에서 상기 공기건조장비의 정상상태에서의 온도 및 습도 데이터의 변화를 학습하여 정상상태와 다른 경우 이상상태로 탐지하는 비지도 학습(unsupervised learning) 방법론을 활용한 이상 탐지 모델을 이용하여 공기건조장비의 이상을 탐지하는 웹 서버;를 포함하고,
상기 이상 탐지 모델은,
상기 공기건조장비의 가동 구간의 데이터 셋을 구축하는 과정;
구축된 데이터 셋에서 이상치 데이터를 제거하여 정상 데이터를 추출하는 과정;
주요 변수를 선정하는 과정;
학습 및 테스트 데이터 셋을 확보하는 과정; 및
최종 이상 탐지 모델을 선정하는 과정; 을 통해 획득하며,
상기 공기건조장비의 가동 구간에서 데이터 셋을 구축하는 과정은,
상기 센서를 통해 수집된 온도 및 습도 데이터 중에서 내부 습도의 기울기를 이용하여 상기 공기건조장비의 가동 및 비가동 시점을 분리하는 과정;
상기 내부 습도 기울기의 파생 변수를 생성하고 공기건조장비별 가동 시작/종료의 기울기 기준값을 지정하는 과정; 및
상기 내부 습도의 기울기를 기준으로 분리된 가동 시점의 데이터만 시간 순서대로 합쳐서 데이터 셋을 구축하는 과정;
을 포함하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템.
삭제
삭제
제 1 항에 있어서,
상기 공기건조장비의 가동 및 비가동 시점을 분리하는 과정에서는 상기 공기건조장비의 가동 및 비가동 시점을 내부 습도의 분당 변화율을 토대로 판단하여 분리하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템.
제 1 항에 있어서,
상기 내부 습도의 기울기 파생 변수를 생성하고 공기건조장비별 가동 시작/종료의 기울기 기준값을 지정하는 과정에서는 상기 공기건조장비의 내부 습도 그래프의 기울기 조건을 적용하여 공기건조장비별 가동 시작/종료의 기울기 기준값을 지정하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템.
제 1 항에 있어서,
상기 내부 습도의 기울기를 기준으로 분리된 공기건조장비의 가동 시점의 데이터만 시간 순서대로 합쳐서 데이터 셋을 구축하는 과정은 상기 공기건조장비의 가동 시점의 데이터만 추출하여 시간 순서대로 합친 후 전체 기간에서 데이터 셋을 구축하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템.
삭제
제 1 항에 있어서,
상기 주요 변수를 선정하는 과정에서는 최종 이상 탐지 모델 선정 실험에 포함될 주요 변수를 고장 매커니즘 관련성, 데이터 신뢰성 및 변수 간 상관관계를 기준으로 각각 검토하여 내부 온도 및 내부 습도의 2종의 변수를 선정하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템.
제 1 항에 있어서,
상기 학습 및 테스트 데이터 셋을 확보하는 과정에서는 상기 이상 탐지 모델을 구축하기 위해 상기 공기건조장비의 정상 구간에서의 학습 데이터 셋과, 성능 검증을 위한 상기 공기건조장비의 정상 구간 및 이상 구간을 포함한 테스트 데이터 셋을 구축하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템.
레이다 시스템용 공기건조장비에 설치되어 상기 공기건조장비의 온도 및 습도를 각각 측정하여 상기 공기건조장비의 온도 및 습도 데이터를 제공하는 센서; 및
상기 센서로부터 제공되는 상기 공기건조장비의 온도 및 습도 데이터를 수집하여 데이터베이스에 저장하고, 상기 공기건조장비의 온도 및 습도 데이터들 중에서 상기 공기건조장비의 정상상태에서의 온도 및 습도 데이터의 변화를 학습하여 정상상태와 다른 경우 이상상태로 탐지하는 비지도 학습(unsupervised learning) 방법론을 활용한 이상 탐지 모델을 이용하여 공기건조장비의 이상을 탐지하는 웹 서버;를 포함하고,
상기 이상 탐지 모델은,
상기 공기건조장비의 가동 구간의 데이터 셋을 구축하는 과정;
구축된 데이터 셋에서 이상치 데이터를 제거하여 정상 데이터를 추출하는 과정;
주요 변수를 선정하는 과정;
학습 및 테스트 데이터 셋을 확보하는 과정; 및
최종 이상 탐지 모델을 선정하는 과정;을 통해 획득하며,
상기 최종 이상 탐지 모델을 선정하는 과정에서는 LOF(Local Outlier Factor) 기반 고장 진단 모델 성능 판단 기준에 따라 선정하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템.
제 1 항, 제 4 항 내지 제 6 항, 제 8 항 내지 제 10 항 중 어느 한 항의 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템을 이용한, 레이다 시스템용 공기건조장비의 이상 탐지 방법으로서,
상기 센서를 통해 측정된 상기 공기건조장비의 온도 및 습도 데이터를 수집하는 과정;
상기 웹 서버를 통해, 상기 공기건조장비의 온도 및 습도 데이터를 토대로 상기 공기건조장비의 이상 탐지에 사용할 이상 탐지 모델을 확보하는 과정;
상기 웹 서버를 통해, 확보된 이상 탐지 모델에서 가장 적합한 최종 이상 탐지 모델을 선정하는 과정; 및
상기 웹 서버를 통해, 선정된 최종 이상 탐지 모델에 적용할 이상 탐지 경보의 기준을 정의하는 과정;을 포함하고,
상기 공기건조장비의 온도 및 습도 데이터를 토대로 상기 공기건조장비의 이상 탐지에 사용할 이상 탐지 모델을 확보하는 과정은,
상기 공기건조장비의 가동 구간의 데이터 셋을 구축하는 과정;
구축된 데이터 셋에서 이상치 데이터를 제거하여 정상 데이터를 추출하는 과정;
주요 변수를 선정하는 과정;
학습 및 테스트 데이터 셋을 확보하는 과정; 및
최종 이상 탐지 모델을 선정하는 과정;을 통해 획득하며,
상기 공기건조장비의 가동 구간에서 데이터 셋을 구축하는 과정은,
상기 센서를 통해 수집된 온도 및 습도 데이터 중에서 내부 습도의 기울기를 이용하여 상기 공기건조장비의 가동 및 비가동 시점을 분리하는 과정;
상기 내부 습도 기울기의 파생 변수를 생성하고 공기건조장비별 가동 시작/종료의 기울기 기준값을 지정하는 과정; 및
상기 내부 습도의 기울기를 기준으로 분리된 가동 시점의 데이터만 시간 순서대로 합쳐서 데이터 셋을 구축하는 과정;
을 포함하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 방법.
삭제
삭제
제 11 항에 있어서,
상기 공기건조장비의 가동 및 비가동 시점을 분리하는 과정에서는 상기 공기건조장비의 가동 및 비가동 시점을 내부 습도의 분당 변화율을 토대로 판단하여 분리하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 방법.
제 11 항에 있어서,
상기 내부 습도의 기울기 파생 변수를 생성하고 공기건조장비별 가동 시작/종료의 기울기 기준값을 지정하는 과정에서는 상기 공기건조장비의 내부 습도 그래프의 기울기 조건을 적용하여 공기건조장비별 가동 시작/종료의 기울기 기준값을 지정하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 방법.
제 11 항에 있어서,
상기 내부 습도의 기울기를 기준으로 분리된 공기건조장비의 가동 시점의 데이터만 시간 순서대로 합쳐서 데이터 셋을 구축하는 과정은 상기 공기건조장비의 가동 시점의 데이터만 추출하여 시간 순서대로 합친 후 전체 기간에서 데이터 셋을 구축하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 방법.
삭제
제 11 항에 있어서,
상기 주요 변수를 선정하는 과정에서는 최종 이상 탐지 모델 선정 실험에 포함될 주요 변수를 고장 매커니즘 관련성, 데이터 신뢰성 및 변수 간 상관관계를 기준으로 각각 검토하여 내부 온도 및 내부 습도의 2종의 변수를 선정하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 방법.
제 11 항에 있어서,
상기 학습 및 테스트 데이터 셋을 확보하는 과정에서는 상기 이상 탐지 모델을 구축하기 위해 상기 공기건조장비의 정상 구간에서의 학습 데이터 셋과, 성능 검증을 위한 상기 공기건조장비의 정상 구간 및 이상 구간을 포함한 테스트 데이터 셋을 구축하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 방법.
제 1 항, 제 4 항 내지 제 6 항, 제 8 항 내지 제 10 항 중 어느 한 항의 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템을 이용한, 레이다 시스템용 공기건조장비의 이상 탐지 방법으로서,
상기 센서를 통해 측정된 상기 공기건조장비의 온도 및 습도 데이터를 수집하는 과정;
상기 웹 서버를 통해, 상기 공기건조장비의 온도 및 습도 데이터를 토대로 상기 공기건조장비의 이상 탐지에 사용할 이상 탐지 모델을 확보하는 과정;
상기 웹 서버를 통해, 확보된 이상 탐지 모델에서 가장 적합한 최종 이상 탐지 모델을 선정하는 과정; 및
상기 웹 서버를 통해, 선정된 최종 이상 탐지 모델에 적용할 이상 탐지 경보의 기준을 정의하는 과정;을 포함하고,
상기 공기건조장비의 온도 및 습도 데이터를 토대로 상기 공기건조장비의 이상 탐지에 사용할 이상 탐지 모델을 확보하는 과정은,
상기 공기건조장비의 가동 구간의 데이터 셋을 구축하는 과정;
구축된 데이터 셋에서 이상치 데이터를 제거하여 정상 데이터를 추출하는 과정;
주요 변수를 선정하는 과정;
학습 및 테스트 데이터 셋을 확보하는 과정; 및
최종 이상 탐지 모델을 선정하는 과정;을 통해 획득하며,
상기 최종 이상 탐지 모델을 선정하는 과정에서는 LOF(Local Outlier Factor) 기반 고장 진단 모델 성능 판단 기준에 따라 선정하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 방법.
제 1 항, 제 4 항 내지 제 6 항, 제 8 항 내지 제 10 항 중 어느 한 항의 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템을 이용한, 레이다 시스템용 공기건조장비의 이상 탐지 방법으로서,
상기 센서를 통해 측정된 상기 공기건조장비의 온도 및 습도 데이터를 수집하는 과정;
상기 웹 서버를 통해, 상기 공기건조장비의 온도 및 습도 데이터를 토대로 상기 공기건조장비의 이상 탐지에 사용할 이상 탐지 모델을 확보하는 과정;
상기 웹 서버를 통해, 확보된 이상 탐지 모델에서 가장 적합한 최종 이상 탐지 모델을 선정하는 과정; 및
상기 웹 서버를 통해, 선정된 최종 이상 탐지 모델에 적용할 이상 탐지 경보의 기준을 정의하는 과정;을 포함하고,
상기 공기건조장비의 온도 및 습도 데이터를 토대로 상기 공기건조장비의 이상 탐지에 사용할 이상 탐지 모델을 확보하는 과정은,
상기 공기건조장비의 가동 구간의 데이터 셋을 구축하는 과정;
구축된 데이터 셋에서 이상치 데이터를 제거하여 정상 데이터를 추출하는 과정;
주요 변수를 선정하는 과정;
학습 및 테스트 데이터 셋을 확보하는 과정; 및
최종 이상 탐지 모델을 선정하는 과정;을 통해 획득하며,
상기 선정된 최종 이상 탐지 모델에 적용할 이상 탐지 경보의 기준을 정의하는 과정은 이상 탐지 경보를 위한 최적의 문턱값과 이상 탐지 경보의 연속 발생 시간 기준을 각각 설정하는 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 방법.