1 |
1
설비에 대한 센싱 신호를 입력 받아 센싱 신호의 일정 시간 구간 내 각 타임 스텝에 대한 정상 또는 비정상을 출력하는 제1 분석부와,상기 센싱 신호를 각 타임 스텝에 대해 주파수 변환하여 각 타임 스텝의 주파수를 출력하는 신호 변환부와,상기 신호 변환부로부터 각 타임 스텝의 주파수를 입력 받아 각 타임 스텝의 주파수에 대한 정상 또는 비정상을 출력하는 제2 분석부와, 상기 제1 분석부의 출력값 및 상기 제2 분석부의 출력값에 근거해 설비의 고장 여부를 출력하는 분류부를 포함하는 기계학습 기반 고장 진단 장치
|
2 |
2
제1항에 있어서,상기 제1 분석부는 시계열 데이터의 다음 타임 스텝의 데이터를 예측하도록 학습된 모델에서 출력한 예측 데이터 및 실제 데이터를 입력 받아 실제 데이터에 대해서 0을 출력하고 예측 데이터에 대해서 1을 출력하도록 학습된 모델인 것을 특징으로 하는 기계학습 기반 고장 진단 장치
|
3 |
3
제2항에 있어서,상기 제1 분석부에 적용된 학습 모델은 RNN(Recurrent Neural Networks) 또는 LSTM(Long Short-Term Memory)인 것을 특징으로 하는 기계학습 기반 고장 진단 장치
|
4 |
4
제1항에 있어서,상기 제2 분석부는 시계열 데이터의 다음 타임 스텝의 데이터를 예측하도록 학습된 모델에서 출력한 예측 데이터의 주파수 변환된 예측 주파수 및 실제 데이터의 주파수 변환된 실제 주파수를 입력 받아 실제 주파수에 대해서 0을 출력하고 예측 주파수에 대해서 1을 출력하도록 학습된 모델인 것을 특징으로 하는 기계학습 기반 고장 진단 장치
|
5 |
5
제4항에 있어서,상기 제2 분석부에 적용된 학습 모델은 CNN(Convolutional Neural Network)인 것을 특징으로 하는 기계학습 기반 고장 진단 장치
|
6 |
6
컴퓨터로 구현된 기계학습 기반 고장 진단 장치에서 각 단계가 수행되는 기계학습 기반 고장 진단 방법에 있어서, 설비 센싱 신호의 일정 시간 구간 내 각 타임 스텝에 대한 정상 또는 비정상 값을 출력하는 제1 분석 단계와, 상기 설비 센싱 신호의 일정 시간 구간 내 각 타임 스텝의 주파수 변환된 주파수를 입력 받아 각 타임 스텝의 주파수에 대한 정상 또는 비정상 값을 출력하는 제2 분석 단계와, 상기 제1 분석 단계 및 제2 분석 단계에서 출력한 정상 또는 비정상 값들에 근거해 설비의 고장 여부를 출력하는 분류 단계를 포함하는 기계학습 기반 고장 진단 방법
|
7 |
7
제6항에 있어서,상기 주파수 변환된 주파수는 푸리에 변환(FFT)에 의한 주파수인 것을 특징으로 하는 기계학습 기반 고장 진단 방법
|
8 |
8
제6항에 있어서,상기 제1 분석 단계 및 제2 분석 단계 전에 정상 상태의 설비 센싱 신호인 시계열 데이터의 다음 타임 스텝의 데이터를 예측하는 모델을 학습시키는 단계를 더 포함하는 것을 특징으로 하는 기계학습 기반 고장 진단 방법
|
9 |
9
제8항에 있어서,상기 시계열 데이터의 다음 타임 스텝의 데이터를 예측하는 모델에서 예측한 데이터에 대해서는 1을 출력하고 실제 데이터에 대해서는 0을 출력하도록 학습시키는 단계를 더 포함하는 것을 특징으로 하는 기계학습 기반 고장 진단 방법
|
10 |
10
제8항에 있어서,상기 시계열 데이터의 다음 타임 스텝의 데이터를 예측하는 모델에서 예측한 데이터를 주파수 변환한 예측 주파수에 대해서는 1을 출력하고 실제 데이터를 주파수 변환한 실제 주파수에 대해서는 0을 출력하도록 학습시키는 단계를 더 포함하는 것을 특징으로 하는 기계학습 기반 고장 진단 방법
|
11 |
11
제6항에 있어서,상기 분류 단계는 상기 출력한 정상 또는 비정상 값들의 평균값을 산출하여 평균값에 근거해 설비의 정상 또는 비정상 상태를 출력하는 것을 특징으로 하는 기계학습 기반 고장 진단 방법
|
12 |
12
컴퓨터로 구현된 기계학습 기반 고장 진단 장치에서 각 단계가 수행되는 기계학습 기반 고장 진단 방법에 있어서, 센싱 신호를 입력 받아 센싱 신호의 일정 시간 구간 내 각 타임 스텝 값이 정상 상태인지 비정상 상태인지 RNN(Recurrent Neural Networks) 또는 LSTM(Long Short-Term Memory) 기반의 모델을 통해 판단하는 단계와, 상기 센싱 신호의 일정 시간 구간 내 각 타임 스텝 값의 주파수 변환된 주파수를 입력 받아 각 타임 스텝의 주파수가 정상 상태인지 비정상 상태인지 CNN(Convolutional Neural Network) 기반 모델을 통해 판단하는 단계와, 상기 두 모델을 통해 판단된 정상 또는 비정상 상태에 근거해 설비의 고장 여부를 판단하는 단계를 포함하는 기계학습 기반 고장 진단 방법
|
13 |
13
시계열 데이터의 일정 시간 구간 내 각 타임 스텝 값을 입력 받아 각 타임 스텝에 대한 0 또는 1을 출력하는 제1 분석 단계와, 상기 시계열 데이터의 일정 시간 구간 내 각 타임 스텝 값의 주파수 변환된 주파수를 입력 받아 각 타임 스텝의 주파수에 대한 0 또는 1을 출력하는 제2 분석 단계와, 상기 제1 분석 단계 및 제2 분석 단계에서 출력한 값들의 평균을 산출하는 단계를 실행하는 프로그램을 저장하는 컴퓨터 판독 기록매체
|