1 |
1
정상 데이터 샘플과 고장 데이터 샘플의 데이터 수집이 이루어지면, 트리 구성을 위한 데이터 매트릭스 학습을 하는 데이터 매트릭스 학습부;각 터미널 노드에 속하는 샘플의 개수가 설정된 수가 되도록 노드분할을 반복적으로 적용하여 복수의 터미널 노드를 가지는 트리를 구성하는 트리 구성부;완성된 트리에 최소 복잡도 프루닝(minimal-cost complexity pruning) 방법을 루트 노드방향으로 적용하여, 터미널 노드의 개수가 감소하는 서브트리를 획득하는 프루닝 적용부;서브트리에 교차 검증(cross validation)을 적용하여 최종트리를 선택하는 최종 트리 선택부;최종 트리 선택부에서 선택된 최종 트리로부터 각 입력변수의 중요도 값을 추출하는 중요도 추출부;중요도 값에 따라 변수의 우선순위를 정하는 랭킹 결정부; 및 랭킹 결정부의 우선순위에 따라 정상샘플과 고장샘플을 구분하기 위한 변수를 식별하는 변수 식별부;를 포함하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치
|
2 |
2
제 1 항에 있어서, 데이터 매트릭스 학습부는,정상 데이터 샘플과 고장 데이터 샘플의 데이터 수집이 이루어지면, 정상샘플에는 '정상' 클래스를 할당하고, 고장샘플에는 '비정상' 클래스를 할당하여 트리 구성을 위한 데이터 매트릭스 학습을 하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치
|
3 |
3
제 2 항에 있어서, 정상 데이터 샘플은 대상 시스템이 정상적으로 동작할 때 수집된 데이터 샘플들이고, 고장 데이터 샘플은 대상 시스템에 이상이 생겼을 경우에 수집된 데이터 샘플이고, 각 데이터 샘플은 대상 시스템에서 계측되는 공정변수들로 구성되는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치
|
4 |
4
제 1 항에 있어서, 변수 식별부에서 고장변수 식별을 위하여,전체 고장구간에서 각 변수가 얼마만큼 발생된 고장에 대해 기여하는지를 확인하여 발생된 고장효과를 오프라인으로 사후분석하는데 사용할 수 있도록 하는 제 1 접근방법과,시간이 지남에 따라, 고장이 어떻게 진화하고 파급되는지를 확인하기 위해서 윈도우 슬라이딩(window sliding)을 이용하여 온라인으로 발생된 고장의 진화 및 전파 매커니즘을 분석하는데 사용될 수 있도록 하는 제 2 접근방법을 사용하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치
|
5 |
5
제 4 항에 있어서, 제 1 접근 방법은,정상데이터 행렬과 고장데이터 행렬 를 구성할, 정상샘플 과 고장샘플 을 각각 선별하고,정상데이터 행렬과 고장데이터 행렬을 결합하여, 분류트리를 구성하기 위한 학습데이터 행렬 를 준비하여 행렬 의 마지막 열 성분에는, 해당샘플이 정상인지 비정상인지에 따라, 'normal' 클래스 또는 'abnormal' 클래스를 각각 할당하고,학습데이터 행렬 를 이용하여 분류트리를 구성한 후, 각 변수의 중요도를 계산하여 고장변수 식별을 하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치
|
6 |
6
제 4 항에 있어서, 제 2 접근 방법은,크기가 인 시간 창을 부터 까지 미끄러뜨리면서, 변수 중요도 값의 계산을 반복하는 것으로,시간에서의 고장데이터 행렬은 고장샘플 ,
|
7 |
7
제 1 항에 있어서, 프루닝 적용부는 최적의 터미널 노드의 개수를 선정하기 위하여,최소 복잡도 프루닝(minimal-cost complexity pruning) 방법 적용시에 트리의 복잡도(complexity)와 오분류 오차(misclassification cost)를 동시에 고려하여, 터미널 노드의 개수가 감소하는 서브트리의 시퀀스(sequence) 를 얻고,서브트리 에서 오른쪽 방향으로 갈수록 해당트리의 터미널노드의 개수는 감소하고, 트리의 터미널 노드를 선택적으로 가지치기하기 위해서, cost-complexity measure 가 사용하고,여기서, 는 초기에 구성된 트리이고 서브트리 은 에 포함되고, 서브트리 는 에 포함되고, 는 '오분류 오차'이고, 는 트리의 '복잡도' 인 트리 T의 터미널 노드의 개수이고,얻어진 서브트리 중에서 최적의 트리를 교차검증법(cross-validation)에 의해서 최종적으로 선택되도록 하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치
|
8 |
8
데이터 수집부에서 정상 데이터 샘플과 고장 데이터 샘플을 수집하고 데이터 매트릭스 학습부에서 클래스를 할당하여 트리 구성을 위한 데이터 매트릭스 학습을 하는 단계;트리 구성부에서 각 터미널 노드에 속하는 샘플의 개수가 설정된 수가 되도록 노드분할을 반복적으로 적용하여 복수의 터미널 노드를 가지는 트리를 구성하는 단계;프루닝 적용부에서 완성된 트리에 최소 복잡도 프루닝(minimal-cost complexity pruning) 기법을 루트 노드방향으로 적용하여, 터미널 노드의 개수가 감소하는 서브트리를 획득하는 단계;최종 트리 선택부에서 서브트리에 교차 검증(cross validation)을 적용하여 최적의 터미널 노드의 개수를 갖는 최종트리를 선택하고, 선택된 최종 트리로부터 중요도 추출부에서 각 입력변수의 중요도 값을 추출하는 단계;랭킹 결정부에서 중요도 값에 따라 변수의 우선순위를 정하고, 변수 식별부에서 우선순위에 따라 정상샘플과 고장샘플을 구분하는데 가장 중요도가 높은 변수를 식별하는 단계;를 포함하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 방법
|
9 |
9
제 8 항에 있어서, 상기 변수 식별부에서 우선순위에 따라 정상샘플과 고장샘플을 구분하는데 가장 중요도가 높은 변수를 식별하기 위하여,전체 고장구간에서 각 변수가 얼마만큼 발생된 고장에 대해 기여하는지를 확인하여 발생된 고장효과를 오프라인으로 사후분석하는데 사용할 수 있도록 하는 제 1 접근방법과,시간이 지남에 따라, 고장이 어떻게 진화하고 파급되는지를 확인하기 위해서 윈도우 슬라이딩(window sliding)을 이용하여 온라인으로 발생된 고장의 진화 및 전파 매커니즘을 분석하는데 사용될 수 있도록 하는 제 2 접근방법을 사용하는 것을 특징으로 하는 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 방법
|