1 |
1
설비에 대하여 시계열 데이터(time series data)를 수집하도록 구성된 데이터 수집 장치;푸리에 변환(Fourier transform)을 통해 상기 시계열 데이터를 주파수 데이터로 변환하되 시계열 성분이 포함되도록 전처리하도록 구성된 전처리부(preprocessing unit);상기 주파수 데이터를 이용하여 CNN(Convolution Neural Network)을 통해 심층학습(deep learning)을 수행하도록 구성된 심층학습부(deep learning unit); 및상기 심층학습을 기반으로 하여 상기 설비에 대한 고장 여부를 판단하도록 구성된 진단부(diagnosis unit);를 포함하는, 설비 진단 시스템
|
2 |
2
제1 항에 있어서,상기 푸리에 변환은, FFT(Fast Fourier Transform), STFT(Short Time Fourier Transform), 및 워터폴(waterfall) FFT 중 어느 하나인 것을 특징으로 하는 설비 진단 시스템
|
3 |
3
제1 항에 있어서,상기 푸리에 변환은 상기 STFT 또는 워터폴 FFT이고,상기 CNN은 각각의 시간 구간에 대하여 다른 가중치(weight)를 부여하는 1차원(1D) CNN을 포함하는 것을 특징으로 하는 설비 진단 시스템
|
4 |
4
제1 항에 있어서,상기 푸리에 변환은 상기 STFT이며,상기 전처리부에서, 상기 설비의 가동 시간에 기초하여 상기 STFT의 주기를 선정하는 것을 특징으로 하는 설비 진단 시스템
|
5 |
5
제1 항에 있어서,상기 데이터 수집 장치는 적어도 2종류의 상기 시계열 데이터를 수집하고,상기 전처리부는 적어도 하나의 종류의 상기 시계열 데이터를 상기 주파수 데이터로 변환하며,상기 심층학습부는 적어도 2종류의 데이터에 대하여 각각 또는 통합하여 심층학습을 수행하는 것을 특징으로 하는 설비 진단 시스템
|
6 |
6
제1 항에 있어서,상기 데이터 수집 장치는 적어도 2종류의 상기 설비로부터 상기 시계열 데이터를 수집하도록 구성되고,상기 전처리부는 상기 적어도 2종류의 상기 설비로부터의 상기 시계열 데이터를 주파수 데이터로 변환하도록 구성되며,상기 심층학습부는 상기 적어도 2종류의 상기 설비로부터의 상기 주파수 데이터를 이용하여 심층학습을 하도록 구성되며,상기 진단부는 상기 적어도 2종류의 상기 설비, 및 상기 적어도 2종류의 상기 설비와 다른 설비에 대하여 고장 여부를 판단하도록 구성된 것을 특징으로 하는 설비 진단 시스템
|
7 |
7
제1 항에 있어서,상기 진단부에서의 진단의 결과를 사용자에게 온-라인(on-line) 및 오프-라인(off-line) 중 적어도 하나를 통해 알리도록 구성된 피드백부(feedback unit)를 더 포함하는 것을 특징으로 하는 설비 진단 시스템
|
8 |
8
제1 항에 있어서,상기 진단부가 상기 설비에 대하여 고장 여부를 판단하기 전에, 상기 심층학층부는 상기 설비의 정상 상태와 고장 상태가 확인된 라벨된 데이터(labeled data)를 이용하여 상기 심층학습을 하도록 구성되고,상기 진단부가 상기 설비에 대한 고장 여부를 판단할 때, 상기 심층학층부는 상기 설비의 상태가 확인되지 않은 언라벨된 데이터(unlabeled data)를 이용하여 심층학습을 하고, 상기 진단부가 상기 심층학습의 결과에 기초하여 상기 언라벨된 데이터에 상기 설비의 고장 여부에 대한 라벨링을 하도록 구성된 것을 특징으로 하는 설비 진단 시스템
|
9 |
9
데이터 수집 장치에서, 설비에 대하여 시계열 데이터를 수집하는, 데이터 수집 단계;컴퓨터의 전처리부에서, 푸리에 변환을 통해 상기 시계열 데이터를 주파수 데이터로 변환하되 시계열 성분이 포함되도록 전처리하는, 전처리 단계;상기 컴퓨터의 심층학습부에서, 상기 주파수 데이터를 이용하여 CNN을 통해 심층학습을 수행하는, 심층학습 단계; 및진단부에서, 상기 심층학습을 기반으로 하여 상기 설비에 대한 고장 여부를 판단하는, 설비진단 단계;를 포함하는, 설비 진단 방법
|
10 |
10
제9 항에 있어서,상기 설비진단 단계에서 상기 설비에 대한 고장 여부를 판단하기 전에는, 상기 심층학습 단계에서, 상기 설비의 정상 상태와 고장 상태가 확인된 라벨된 데이터를 이용하여 심층학습을 하며,상기 설비진단 단계에서 상기 설비에 대한 고장 여부 판단할 때, 상기 심층학습 단계에서, 상기 설비의 상태가 확인되지 않은 언라벨된 데이터를 이용하여 심층학습을 하며,상기 설비진단 단계에서, 상기 심층학습의 결과에 기초하여 상기 언라벨된 데이터에 상기 설비의 고장 여부에 대한 라벨링을 하는 것을 특징으로 하는 설비 진단 방법
|
11 |
11
제9 항에 있어서,상기 푸리에 변환은 상기 STFT 또는 워터폴 FFT이며,상기 CNN은 각각의 시간 구간에 대하여 각각에 대하여 가중치를 부여하는 1D CNN을 포함하며,상기 1D CNN은 복수의 1차원 필터를 이용하는 것을 특징으로 하는 설비 진단 방법
|
12 |
12
제9 항에 있어서,상기 설비진단 단계 이후에,진단의 결과를 사용자에게 온-라인 및 오프-라인 중 적어도 하나를 통해 알리는
|
13 |
13
제9 항에 있어서,상기 CNN에서, 상기 주파수 데이터를 채널별로 추출하고, 상기 채널별 상기 주파수 데이터 각각과, 상기 채널별 상기 주파수 데이터를 혼합한 혼합 데이터에 대하여 컨볼루션과 풀링을 수행하는 것을 특징으로 하는 설비 진단 방법
|
14 |
14
데이터 수집 장치에서, 설비에 대하여 복수의 종류의 데이터를 수집하는, 데이터 수집 단계;컴퓨터의 심층학습부에서, 상기 복수의 종류의 데이터를 이용하여 CNN을 통해 멀티-모달(multi-modal) 심층학습을 수행하는, 심층학습 단계; 및진단부에서, 상기 심층학습을 기반으로 하여 상기 설비에 대한 고장 여부를 판단하는, 설비진단 단계;를 포함하는, 설비 진단 방법
|
15 |
15
제14 항에 있어서,상기 복수의 종류의 데이터는, 적어도 2종류의 시계열 데이터를 포함하고,상기 심층학습 단계 전에,상기 컴퓨터의 전처리부에서, 푸리에 변환을 통해 상기 적어도 2종류의 시계열 데이터를 적어도 2종류의 주파수 데이터로 변환하여 전처리하는, 전처리 단계; 및상기 적어도 2종류의 주파수 데이터를 통합하는, 주파수 데이터 통합 단계;를 더 포함하고,상기 심층학습 단계에서, 상기 통합된 주파수 데이터를 이용하여 상기 CNN를 통해 심층학습을 수행하는 것을 특징으로 하는 설비 진단 방법
|
16 |
16
제14 항에 있어서,상기 복수의 종류의 데이터는, 적어도 1종류의 제1 시계열 데이터와 적어도 1종류의 제2 시계열 데이터를 포함하고,상기 심층학습 단계 전에,상기 컴퓨터의 전처리부에서, 푸리에 변환을 통해 상기 제1 시계열 데이터를 주파수 데이터로 변환하여 전처리하는, 전처리 단계를 더 포함하고,상기 심층학습 단계는,상기 주파수 데이터를 이용하여 제1 CNN을 통해, 그리고 제2 시계열 데이터를 이용하여 제2 CNN를 통해 심층학습을 수행하는, 개별 심층학습 단계;상기 제1 CNN에 의한 심층학습 데이터와 제2 CNN에 의한 심층학습 데이터를 통합하는, 개별 심층학습 통합 단계; 및상기 통합된 심층학습 데이터를 이용하여 통합 CNN를 통해 심층학습을 수행하는, 통합 심층학습 단계;를 포함하는 것을 특징으로 하는 설비 진단 방법
|
17 |
17
제16 항에 있어서,상기 제1 CNN, 제2 CNN, 및 통합 CNN은 1D CNN을 포함하는 것을 특징으로 하는 설비 진단 방법
|
18 |
18
제14 항에 있어서,상기 복수의 종류의 데이터는, 적어도 1종류의 시계열 데이터와 적어도 1종류의 텍스트 데이터를 포함하고,상기 심층학습 단계 전에,상기 컴퓨터의 전처리부에서, 푸리에 변환을 통해 상기 시계열 데이터를 주파수 데이터로 변환하여 전처리하는, 전처리 단계를 더 포함하고,상기 심층학습 단계는,상기 주파수 데이터를 이용하여 제1 CNN을 통해 심층학습을 하고, 상기 텍스트 데이터를 이용하여 상기 CNN과는 다른 학습 방법을 통해 심층학습을 수행하는, 개별 심층학습 단계;상기 제1 CNN에 의한 심층학습 데이터와 상기 다른 학습 방법에 의한 심층학습 데이터를 통합하는, 개별 심층학습 통합 단계; 및상기 통합된 심층학습 데이터를 이용하여 통합 CNN를 통해 심층학습을 수행하는, 통합 심층학습 단계;를 포함하는 것을 특징으로 하는 설비 진단 방법
|
19 |
19
제14 항에 있어서,상기 데이터 수집 단계에서, 적어도 2종류의 상기 설비로부터 상기 복수의 종류의 데이터를 수집하고,상기 설비진단 단계에서, 상기 적어도 2종류의 상기 설비, 및 상기 적어도 2종류의 상기 설비와 다른 설비에 대하여 고장 여부를 판단하는 것을 특징으로 하는 설비 진단 방법
|
20 |
20
제14 항에 있어서,상기 설비진단 단계에서 상기 설비에 대한 고장 여부를 판단하기 전에는, 상기 심층학습 단계에서, 상기 설비의 정상 상태와 고장 상태가 확인된 라벨된 데이터를 이용하여 심층학습을 하며,상기 설비진단 단계에서 상기 설비에 대한 고장 여부 판단할 때, 상기 심층학습 단계에서, 상기 설비의 상태가 확인되지 않은 언라벨된 데이터를 이용하여 심층학습을 하며,상기 설비진단 단계에서, 상기 심층학습의 결과에 기초하여 상기 언라벨된 데이터에 상기 설비의 고장 여부에 대한 라벨링을 하는 것을 특징으로 하는 설비 진단 방법
|