| 1 |
1
소정 시점을 기준으로 상기 소정 시점 이전의 장비의 동작을 기록한 원 데이터 및 상기 소정 시점의 상기 장비의 동작을 기록한 현재 데이터를 수집하는 데이터 수집 모듈;상기 원 데이터의 분포에 기반하여 상기 원 데이터의 결측치를 추정하고, 생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 추정된 결측치를 보정하고, 상기 원 데이터와 보정된 결측치를 포함하는 가공 데이터를 인공지능 학습하여 RUL(Remaining Useful Life) 예측 학습 모델을 생성하는 데이터 전처리 및 학습 모듈; 및상기 현재 데이터를 상기 RUL 예측 학습 모델에 적용하여 RUL 예측 데이터를 생성하는 RUL 예측 모듈;을 포함하는 고장 예측 장치
|
| 2 |
2
청구항 1에 있어서, 상기 데이터 전처리 및 학습 모듈은 상기 원 데이터에 MCMC(Markov Chain Monte Carlo) 기법을 적용하여 상기 결측치를 추정하는, 고장 예측 장치
|
| 3 |
3
청구항 1에 있어서, 상기 생성적 적대 신경망은 상기 추정된 결측치를 보정하는 생성자(Generator, G) 및 상기 가공 데이터를 인공지능 학습하여 상기 RUL 예측 학습 모델을 생성하는 분류자(Discriminator, D)를 포함하는, 고장 예측 장치
|
| 4 |
4
청구항 3에 있어서, 상기 생성자 및 상기 분류자는 각각 심층 신경망(Deep Neural Network, DNN)으로 이루어진, 고장 예측 장치
|
| 5 |
5
청구항 1에 있어서, 상기 RUL 예측 데이터는 상기 장비의 이전 고장 발생 시간과 다음 고장 발생 시간 사이의 시간 차를 나타내는 고장 발생 빈도수에 기초하여 생성되는, 고장 예측 장치
|
| 6 |
6
청구항 1에 있어서, 상기 원 데이터로부터 원 고장 유형 및 원인 데이터를 추출하고, 상기 원 고장 유형 및 원인 데이터를 인공지능 학습 방법으로 처리하여 고장 예측 학습 모델을 생성하고, 상기 현재 데이터를 상기 고장 예측 학습 모델에 적용하여 고장 유형 및 원인 예측 데이터를 생성하는 고장 유형 및 원인 예측 모델;을 더 포함하는, 고장 예측 장치
|
| 7 |
7
청구항 6에 있어서, 상기 원 고장 유형 및 원인 데이터의 인공지능 학습 방법은 딥 빌리프 네트워크(Deep Belief Network, DBN)에 기반하는 베이지언(Bayesian) 학습 방법인, 고장 예측 장치
|
| 8 |
8
청구항 1에 있어서, 사용자 입력에 따라 또는 주기적으로 상기 RUL 예측 데이터를 표시하는 디스플레이 모듈;를 더 포함하는, 고장 예측 장치
|
| 9 |
9
소정 시점을 기준으로 상기 소정 시점 이전의 장비의 동작을 기록한 원 데이터를 수집하는 단계;상기 원 데이터의 분포에 기반하여 상기 원 데이터의 결측치를 추정하는 단계;생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 추정된 결측치를 보정하고, 상기 원 데이터와 보정된 결측치를 포함하는 가공 데이터를 딥러닝 학습하여 RUL(Remaining Useful Life) 예측 학습 모델을 생성하는 단계;상기 소정 시점의 상기 장비의 동작을 기록한 현재 데이터를 수집하는 단계; 및상기 현재 데이터를 상기 RUL 예측 학습 모델에 적용하여 RUL 예측 데이터를 생성하는 단계;를 포함하는, 고장 예측 방법
|
