| 1 |
1
기계 학습 기반의 설비 이상 탐지 방법으로서,설비에서 수집되는 대량의 계측 데이터를 수집하고, 차원 축소를 통해 유의미한 변수를 추출하고, 해당 변수의 데이터 내에서 안정화 구간을 사전 정의된 규칙에 의해 자동으로 설정하는 데이터 전처리 과정; 다양한 분석 모델을 적용하기 위해 한 사이클의 계측 데이터를 대표할 수 있는 특질을 추출하는 특징 추출 과정; 및이상 분류와 진단을 위해 대량의 데이터로부터 이상 탐지 모델을 생성하여 이상 데이터를 추출하는 이상 탐지 과정을 포함하는, 기계 학습 기반의 설비 이상 탐지 방법
|
| 2 |
2
제1항에 있어서,상기 데이터 전처리 과정에서의 차원 축소는,VIF(Variance Inflation Factor)를 이용한 1차 차원 축소 과정; 및SVD(Singular Value Decomposition)를 이용한 2차 차원 축소 과정을 포함하는, 기계 학습 기반의 설비 이상 탐지 방법
|
| 3 |
3
제1항에 있어서,상기 데이터 전처리 과정에서의 안정화 구간 설정은, 데이터를 X-bar Chart에 입력하여 UCL, LCL값을 추출하고, 관리도 내에 소정 회수로 데이터가 들어오는 지점을 안정화 구간의 시작으로 설정하는, 기계 학습 기반의 설비 이상 탐지 방법
|
| 4 |
4
제1항에 있어서,상기 이상 탐지 과정은 SVR(Support Vector Regression) 모델 및 k-NNDD 모델을 이용하는, 기계 학습 기반의 설비 이상 탐지 방법
|
| 5 |
5
제4항에 있어서,SVR(Support Vector Regression) 모델을 이용한 상기 이상 탐지 과정은,데이터 표준화를 수행하는 데이터 전처리 과정;SVR 커널을 선택하고, 커널 별 파라미터를 설정하고, Golden Line을 설정하고, Margin을 설정하는 SVR 학습 과정; 및이상 데이터 수를 추출하고 Threshold 기준 이상을 탐지하는 SVR 예측 과정을 포함하는, 기계 학습 기반의 설비 이상 탐지 방법
|
| 6 |
6
제5항에 있어서,상기 SVR 학습 과정에서, Golden Line 설정 시, N개 cycle의 SVR-line (Laplacian Kernel)의 Median 값을 Golden Line으로 정의하고, Margin 설정 시, N초 별 SVR 값에 Whiskers 방법을 적용하여 Margin으로 설정하는, 기계 학습 기반의 설비 이상 탐지 방법
|
| 7 |
7
제4항에 있어서,k-NNDD 모델을 이용한 상기 이상 탐지 과정은,DTW distance를 계산하는 데이터 전처리 과정;계측정 군집화를 수행하고, 정상 모델을 설정하고, k와 Threshold를 결정하는 k-NNDD 학습 과정; 및상기 학습 과정에서 설정된 k개의 이웃 데이터로 Novelty score를 계산하여 Threshold를 초과할 경우 이상으로 탐지하는 k-NNDD 예측 과정을 포함하는, 기계 학습 기반의 설비 이상 탐지 방법
|
