맞춤기술찾기

홈으로 가기
맞춤기술찾기
이전대상기술
프린트하기

이전대상기술

기계 학습 기반의 설비 이상 진단 시스템 및 방법

  • 기술번호 : KST2020001135
  • 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 진단 방법은, Regression weight를 입력으로 하는 다층신경망(Multilayer Perceptron) 모델을 학습시켜 추출된 weight로 이상 진단 지표 PiL을 계산하여 이상의 원인이 되는 변수의 우선순위를 산출하는, MLP 모델을 이용한 상기 이상 진단 과정을 포함한다.
Int. CL G05B 23/02 (2006.01.01) G06N 3/08 (2006.01.01)
CPC G05B 23/0243(2013.01) G05B 23/0243(2013.01)
출원번호/일자 1020180078640 (2018.07.06)
출원인 에임시스템 주식회사, 고려대학교 산학협력단
등록번호/일자
공개번호/일자 10-2020-0010671 (2020.01.31) 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) 1-1-2018-0666531-99
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 진단 방법으로서,Regression weight를 입력으로 하는 다층신경망(Multilayer Perceptron) 모델을 학습시켜 추출된 weight로 이상 진단 지표 PiL을 계산하여 이상의 원인이 되는 변수의 우선순위를 산출하는, MLP 모델을 이용한 상기 이상 진단 과정을 포함하는, 기계 학습 기반의 설비 이상 진단 방법
2 2
제1항에 있어서,MLP 모델을 이용한 상기 이상 진단 과정은, 독립변수와 종속변수를 정의하고, 데이터 표준화를 수행하고, 선형 회귀분석의 계수 β를 추출하고, β를 input으로 정의하는 데이터 입력 정의 과정;Training Data로 학습하고, Validation data로 모델을 검증하고, 최적의 MLP 구조를 결정하고, Test Data로 모델을 검증하는 MLP 학습 과정; 및변수 별 weight로 PiL을 계산하고, 데이터에 따라 PiL을 해석하고, 영향력이 큰 독립변수를 선택하는 MLP 진단 과정을 포함하는, 기계 학습 기반의 설비 이상 진단 방법
3 3
제2항에 있어서,상기 데이터 입력 정의 과정은, 독립변수와 종속변수를 정의하고 선형 회귀분석을 수행하여 추출된 계수 β를 MLP 모델의 input으로 사용하는, 기계 학습 기반의 설비 이상 진단 방법
4 4
제2항에 있어서,상기 MLP 학습 과정은, hidden layer, node의 수를 조정하여 최적의 MLP 구조를 결정하고 Test data로 검증하는, 기계 학습 기반의 설비 이상 진단 방법
5 5
제2항에 있어서,상기 MLP 진단 과정은, 이상 진단의 지표로 PiL 값을 계산하여 데이터 타입에 따른 해석 방법을 결정하는, 기계 학습 기반의 설비 이상 진단 방법
지정국 정보가 없습니다
패밀리정보가 없습니다
국가 R&D 정보가 없습니다.