| 1 |
1
제조 설비 이상 감지를 위한 학습 모델 생성 방법에 있어서,멀티 센서를 통해 수집되는 제조 설비의 정상 상태에 대한 측정 값을 시간 별로 수신하는 단계; 임의의 가중치 집합을 포함하는 학습 모델을 생성하고 상기 측정 값으로 상기 학습 모델을 트레이닝(training)하는 단계; 및 상기 학습 모델을 이용하여 상기 제조 설비의 정상 상태와 비정상 상태의 경계에 대응하는 임계 값 및 일정한 시간 간격을 나타내는 로컬 윈도우(local window)에서 비정상 상태에 대한 판단 기준을 결정하는 단계를 포함하는 학습 모델 생성 방법
|
| 2 |
2
제1항에 있어서,상기 수신한 측정 값을 상기 학습 모델의 트레이닝에 이용하기 위해 상기 측정 값이 가지는 방향 성분을 제거하는 단계를 더 포함하는 학습 모델 생성 방법
|
| 3 |
3
제1항에 있어서,상기 학습 모델을 트레이닝하는 단계는,특정 시간 t의 측정 값을 상기 학습 모델의 가중치 집합과 연산하고, 연산한 결과의 일부를 t+1에서 측정 값과 상기 가중치 집합의 연산에 이용함으로써 학습 모델을 학습시키는, 학습 모델 생성 방법
|
| 4 |
4
제1항에 있어서,상기 학습 모델을 트레이닝하는 단계는,상기 학습 모델을 통한 출력 값이 상기 측정 값과 동일하도록 상기 가중치 집합을 업데이트하는, 학습 모델 생성 방법
|
| 5 |
5
제조 설비의 이상 감지 방법에 있어서,멀티 센서를 통해 측정되는 제조 설비의 현재 상태에 대한 측정 값을 시간 별로 수신하는 단계; 상기 측정 값을 제조 설비 이상 감지를 위한 학습 모델에 입력하여 시간 별 출력 값을 획득하는 단계;상기 학습 모델의 로컬 윈도우(local window) 동안 상기 출력 값들을 상기 학습 모델의 임계 값과 비교하여 임계 값을 초과하는 출력 값의 비율이 상기 학습 모델의 판단 기준을 만족하는지 판단하는 단계; 및 상기 판단 기준을 만족하지 않는 경우, 제조 설비가 이상이 있는 것으로 결정하는 단계를 포함하는 제조 설비의 이상 감지 방법
|
| 6 |
6
제5항에 있어서,상기 판단 기준을 만족하는지 판단하는 단계는, 상기 학습 모델의 로컬 윈도우 동안 임계 값을 초과하는 출력 값들의 관계에 기초하여 상기 학습 모델의 판단 기준을 만족하는지 결정하는, 제조 설비의 이상 감지 방법
|
| 7 |
7
제5항에 있어서,상기 제조 설비가 이상이 있는 것으로 결정된 경우, 미리 결정된 제어모드 설정 정보에 따라 상기 제조 설비의 제어모드를 서버에 의해 제어되는 서버 제어모드 또는 제조 설비의 이상 감지 방법을 수행하는 IoT 단말에 의해 제어되는 IoT 단말 제어모드로 전환하는 단계를 더 포함하는 제조 설비의 이상 감지 방법
|
| 8 |
8
제5항에 있어서,상기 제조 설비가 이상이 있는 것으로 결정된 경우, 상기 측정 값 및 상기 임계 값을 비교함으로써 상기 제조 설비의 이상 발생의 원인을 판단하고, 상기 원인에 대한 정보를 기록하는 단계를 더 포함하는 제조 설비의 이상 감지 방법
|
| 9 |
9
제5항에 있어서,상기 제조 설비가 이상이 있는 것으로 결정된 경우, 제조 설비의 운용자에게 제조 설비의 현재 상태를 보고하는 단계를 더 포함하는 제조 설비의 이상 감지 방법
|
| 10 |
10
제5항에 있어서,상기 제조 설비가 이상이 있는 것으로 결정된 경우, 학습 모델의 정확도를 평가하고, 상기 학습 모델의 가중치 집합을 업데이트하는 단계를 더 포함하는, 제조 설비의 이상 감지 방법
|
| 11 |
11
제조 설비 이상 감지를 위한 학습 모델 생성 장치에 있어서,학습 모델 생성 장치는 프로세서를 포함하고,상기 프로세서는,멀티 센서를 통해 수집되는 제조 설비의 정상 상태에 대한 측정 값을 시간 별로 수신하고, 임의의 가중치 집합을 포함하는 학습 모델을 생성하고 상기 측정 값으로 상기 학습 모델을 트레이닝(training)하고, 상기 학습 모델을 이용하여 상기 제조 설비의 정상 상태와 비정상 상태의 경계에 대응하는 임계 값 및 일정한 시간 간격을 나타내는 로컬 윈도우(local window)에서 비정상 상태에 대한 판단 기준을 결정하는,학습 모델 생성 장치
|
| 12 |
12
제11항에 있어서,상기 프로세서는,상기 수신한 측정 값을 상기 학습 모델의 트레이닝에 이용하기 위해 상기 측정 값이 가지는 방향 성분을 제거하는, 학습 모델 생성 장치
|
| 13 |
13
제11항에 있어서,상기 프로세서는,특정 시간 t의 측정 값을 상기 학습 모델의 가중치 집합과 연산하고, 연산한 결과의 일부를 t+1에서 측정 값과 상기 가중치 집합의 연산에 이용함으로써 학습 모델을 학습시키는, 학습 모델 생성 장치
|
| 14 |
14
제11항에 있어서,상기 프로세서는,상기 학습 모델을 통한 출력 값이 상기 측정 값과 동일하도록 상기 가중치 집합을 업데이트하는, 학습 모델 생성 장치
|
| 15 |
15
제조 설비의 이상 감지 장치는 프로세서를 포함하고,상기 프로세서는, 멀티 센서를 통해 측정되는 제조 설비의 현재 상태에 대한 측정 값을 시간 별로 수신하고, 상기 측정 값을 제조 설비 이상 감지를 위한 학습 모델에 입력하여 시간 별로 출력 값을 획득하고, 상기 학습 모델의 로컬 윈도우(local window) 동안 상기 출력 값들을 상기 학습 모델의 임계 값과 비교하여 임계 값을 초과하는 출력 값의 비율이 상기 학습 모델의 판단 기준을 만족하는지 판단하고, 상기 판단 기준을 만족하지 않는 경우, 제조 설비가 이상이 있는 것으로 결정하는,제조 설비의 이상 감지 장치
|
| 16 |
16
제15항에 있어서,상기 프로세서는,상기 학습 모델의 로컬 윈도우 동안 임계 값을 초과하는 출력 값들의 관계에 기초하여 상기 학습 모델의 판단 기준을 만족하는지 결정하는, 제조 설비의 이상 감지 장치
|
| 17 |
17
제15항에 있어서,상기 프로세서는,상기 제조 설비가 이상이 있는 것으로 결정된 경우, 미리 결정된 제어모드 설정 정보에 따라 상기 제조 설비의 제어모드를 서버에 의해 제어되는 서버 제어모드 또는 제조 설비의 이상 감지 방법을 수행하는 IoT 단말에 의해 제어되는 IoT 단말 제어모드로 전환하는, 제조 설비의 이상 감지 장치
|
| 18 |
18
제15항에 있어서,상기 프로세서는, 상기 제조 설비가 이상이 있는 것으로 결정된 경우, 상기 측정 값 및 상기 임계 값을 비교함으로써 상기 제조 설비의 이상 발생의 원인을 판단하고, 상기 원인에 대한 정보를 기록하는, 제조 설비의 이상 감지 장치
|
| 19 |
19
제15항에 있어서,상기 프로세서는,상기 제조 설비가 이상이 있는 것으로 결정된 경우, 제조 설비의 운용자에게 제조 설비의 현재 상태를 보고하는, 제조 설비의 이상 감지 장치
|
| 20 |
20
제15항에 있어서,상기 프로세서는,상기 제조 설비가 이상이 있는 것으로 결정된 경우, 학습 모델의 정확도를 평가하고, 상기 학습 모델의 가중치 집합을 업데이트하는, 제조 설비의 이상 감지 장치
|
