맞춤기술찾기

홈으로 가기
맞춤기술찾기
이전대상기술
프린트하기

이전대상기술

기계 학습 기반의 설비 이상 분류 시스템 및 방법

  • 기술번호 : KST2020000613
  • 담당센터 : 서울동부기술혁신센터
  • 전화번호 : 02-2155-3662
상담신청 PDF 받기
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 본 발명에 따른 기계 학습 기반의 설비 이상 분류 방법은, K-means 클러스터링 방법을 통해 데이터 특성별로 라벨링을 진행하는 이상 분류 라벨링 과정; 라벨링된 이상 분류 모델에 대해 class 별로 k-NNDD를 적용하여 novelty score 값이 가장 작은 순서로 해당 class에 속할 우선순위를 부여하는, k-NNDD를 이용한 이상 분류 과정; 및 RNN-LSTM(Recurrent Neural Network-Long Short Term Memory) 모델에 Softmax 함수를 조합하여 이상을 분류하는, RNN-LSTM을 이용한 이상 분류 과정을 포함한다.
Int. CL G05B 23/02 (2006.01.01) G06N 20/00 (2019.01.01)
CPC G05B 23/0243(2013.01) G05B 23/0243(2013.01)
출원번호/일자 1020180078635 (2018.07.06)
출원인 에임시스템 주식회사, 고려대학교 산학협력단
등록번호/일자
공개번호/일자 10-2020-0005206 (2020.01.15) 문서열기
공고번호/일자
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 공개
심사진행상태 수리
심판사항
구분 신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 N
심사청구항수 5

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 에임시스템 주식회사 대한민국 경기도 군포시 엘에스로 ***, *층 (
2 고려대학교 산학협력단 대한민국 서울특별시 성북구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 안민정 서울특별시 관악구
2 이홍철 서울특별시 서초구
3 최영진 경상북도 구미시
4 홍진석 서울특별시 동대문구
5 권상현 서울특별시 서초구
6 김명소 서울특별시 동대문구
7 곽유영 경기도 고양시 덕양구
8 변성준 경기도 성남시 분당구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 윤재승 대한민국 서울특별시 강남구 테헤란로**길 *, 덕천빌딩 *층 (역삼동)(예준국제특허법률사무소)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
최종권리자 정보가 없습니다
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application		 2018.07.06 수리 (Accepted) 1-1-2018-0666497-23
2 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2019.10.10 수리 (Accepted) 4-1-2019-5210941-09
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
기계 학습 기반의 설비 이상 분류 방법으로서,K-means 클러스터링 방법을 통해 데이터 특성별로 라벨링을 진행하는 이상 분류 라벨링 과정;라벨링된 이상 분류 모델에 대해 class 별로 k-NNDD를 적용하여 novelty score 값이 가장 작은 순서로 해당 class에 속할 우선순위를 부여하는, k-NNDD를 이용한 이상 분류 과정; 및RNN-LSTM(Recurrent Neural Network-Long Short Term Memory) 모델에 Softmax 함수를 조합하여 이상을 분류하는, RNN-LSTM을 이용한 이상 분류 과정을 포함하는, 기계 학습 기반의 설비 이상 분류 방법
2 2
제1항에 있어서,Regression weight를 입력으로 하는 다층신경망(Multilayer Perceptron) 모델을 학습시켜 이상을 분류하는, MLP를 이용한 이상 분류 과정을 더 포함하는, 기계 학습 기반의 설비 이상 분류 방법
3 3
제2항에 있어서,k-NNDD, RNN, MLP 모델로 분류한 결과에 사용자 정의 가중치를 반영하여 최종적인 이상 분류 class를 확정하는, 이상 분류 종합 과정을 더 포함하는, 기계 학습 기반의 설비 이상 분류 방법
4 4
제1항에 있어서,상기 k-NNDD를 이용한 이상 분류 과정은, DTW distance matrix를 계산하는 데이터 전처리 과정;k 값을 결정하는 k-NNDD 학습 과정; 및학습 단계에서 설정된 k 개의 이웃 데이터로 Novelty score를 계산하여 가장 작은 값을 가지는 순서로 class의 우선순위를 부여하는 k-NNDD 예측 과정을 포함하는, 기계 학습 기반의 설비 이상 분류 방법
5 5
제1항에 있어서,상기 RNN-LSTM을 이용한 이상 분류 과정은, RNN-LSTM 구조를 형성하고, Training 방안을 구성하는 Hyper parameter 설정 과정;Training data로 학습을 수행하고, Validation Data로 과적합을 체크하고, 최적의 RNN-LSTM 구조를 확정하는 RNN-LSTM 학습 과정; 및Test data로 모델을 검증하고, 실시간 이상 분류를 수행하는 RNN-LSTM 예측 과정을 포함하는, 기계 학습 기반의 설비 이상 분류 방법
지정국 정보가 없습니다
패밀리정보가 없습니다
국가 R&D 정보가 없습니다.