| 1 |
1
복수의 학습용 설비 상태 데이터 간 유사도에 근거하여, 상기 복수의 학습용 설비 상태 데이터에 부여된 각각의 정답값(GT)을, 복수의 클래스로 분류하는 단계;상기 각각의 정답값이 분류된 클래스를 대표하는 대표 정답값을, 상기 학습용 설비 상태 데이터와 함께 학습 처리하여, 분류 모델을 생성하는 단계;상기 각각의 정답값에 선정된 정규화 기법을 적용하여, 정규화값을 산출하는 단계;상기 산출한 정규화값을, 상기 학습용 설비 상태 데이터와 함께 학습 처리하여, 회귀 모델을 생성하는 단계; 및입력되는 진단 대상의 설비 상태 데이터에 대해,상기 분류 모델로부터 확인되는 제1 예측값과, 상기 회귀 모델로부터 확인되는 제2 예측값을 이용하여, 상기 진단 대상의 설비 상태 진단을 위한 최종 예측값을 출력하는 단계를 포함하는 설비 상태 진단 방법
|
| 2 |
2
제1항에 있어서,상기 복수의 클래스로 분류하는 단계는,상기 복수의 학습용 설비 상태 데이터 각각에 대해, 데이터 간 유사도 분석을 수행하는 단계;상기 유사도 분석 결과에 근거하여, 상기 복수의 클래스 별로 정답값 범위를 설정하는 단계; 및상기 정답값 범위를 고려하여, 각각의 학습용 설비 상태 데이터에 부여된 정답값을, 상기 복수의 클래스 중 어느 하나의 클래스에 속하도록 분류하는 단계를 포함하는 설비 상태 진단 방법
|
| 3 |
3
제1항에 있어서,상기 분류 모델로부터, 상기 복수의 클래스 중, 상기 진단 대상의 설비 상태 데이터가 분류될 클래스를 대표하는 대표 정답값을, 상기 제1 예측값으로서 확인하는 단계; 및상기 회귀 모델로부터, 상기 진단 대상의 설비 상태 데이터에 부여될 정답값에 대한 정규화값을, 상기 제2 예측값으로서 확인하는 단계를 더 포함하고,상기 최종 예측값을 출력하는 단계는,상기 진단 대상의 설비 상태 데이터가 분류될 클래스에 설정되어 있는 정답값 범위를, 상기 제1 예측값을 이용해 식별하는 단계; 및상기 제2 예측값에 상기 선정된 정규화 기법을 역으로 적용하여 얻어지는 값이, 상기 정답값 범위에 포함되면, 상기 얻어지는 값을, 상기 최종 예측값으로서 출력하는 단계를 포함하는 설비 상태 진단 방법
|
| 4 |
4
제1항에 있어서,상기 분류 모델로부터, 상기 복수의 클래스 중, 상기 진단 대상의 설비 상태 데이터가 분류될 클래스를 대표하는 대표 정답값을, 상기 제1 예측값으로서 확인하는 단계; 및상기 회귀 모델로부터, 상기 진단 대상의 설비 상태 데이터에 부여될 정답값에 대한 정규화값을, 상기 제2 예측값으로서 확인하는 단계를 더 포함하고,상기 최종 예측값을 출력하는 단계는,상기 제1 예측값을, 상기 최종 예측값의 정수 부분으로서 결정하는 단계;상기 제2 예측값을, 상기 최종 예측값의 소수 부분으로서 결정하는 단계; 및상기 정수 부분 및 상기 소수 부분을 포함하여, 상기 최종 예측값을 출력하는 단계를 포함하는 설비 상태 진단 방법
|
| 5 |
5
제1항에 있어서,상기 분류 모델 및 상기 회귀 모델에 대해, 교차 엔트로피(Cross Entropy , CE), 평균 제곱 오차(Mean Squared Error, MSE), 및 평균 절대 오차(Mean Absolute Error, MAE) 중 어느 하나로 선택되는 손실 함수(loss function)를 이용하여, 각각의 손실값을 구하는 단계; 및구해지는 각각의 손실값을 합산한 손실 총합(Total loss)을 기반으로 역전파(Backpropagation)를 수행하여, 차기의 학습용 설비 상태 데이터의 각 파라미터에 적용할 가중치를 업데이트하는 단계를 더 포함하는 설비 상태 진단 방법
|
| 6 |
6
복수의 학습용 설비 상태 데이터 간 유사도에 근거하여, 상기 복수의 학습용 설비 상태 데이터에 부여된 각각의 정답값(GT)을, 복수의 클래스로 분류하는 전처리부;상기 각각의 정답값이 분류된 클래스를 대표하는 대표 정답값을, 상기 학습용 설비 상태 데이터와 함께 학습 처리하여, 분류 모델을 생성하는 분류 모델 생성부;상기 각각의 정답값에 선정된 정규화 기법을 적용하여, 정규화값을 산출하는 정규화 처리부;상기 산출한 정규화값을, 상기 학습용 설비 상태 데이터와 함께 학습 처리하여, 회귀 모델을 생성하는 회귀 모델 생성부; 및입력되는 진단 대상의 설비 상태 데이터에 대해,상기 분류 모델로부터 확인되는 제1 예측값과, 상기 회귀 모델로부터 확인되는 제2 예측값을 이용하여, 상기 진단 대상의 설비 상태 진단을 위한 최종 예측값을 출력하는 진단 처리부를 포함하는 설비 상태 진단 시스템
|
| 7 |
7
제6항에 있어서,상기 전처리부는,상기 복수의 학습용 설비 상태 데이터 각각에 대해, 데이터 간 유사도 분석을 수행하고, 상기 유사도 분석 결과에 근거하여, 상기 복수의 클래스 별로 정답값 범위를 설정하고, 상기 정답값 범위를 고려하여, 각각의 학습용 설비 상태 데이터에 부여된 정답값을, 상기 복수의 클래스 중 어느 하나의 클래스에 속하도록 분류하는설비 상태 진단 시스템
|
| 8 |
8
제6항에 있어서,상기 진단 처리부는,상기 분류 모델로부터, 상기 복수의 클래스 중, 상기 진단 대상의 설비 상태 데이터가 분류될 클래스를 대표하는 대표 정답값을, 상기 제1 예측값으로서 확인하고,상기 회귀 모델로부터, 상기 진단 대상의 설비 상태 데이터에 부여될 정답값에 대한 정규화값을, 상기 제2 예측값으로서 확인하고,상기 진단 대상의 설비 상태 데이터가 분류될 클래스에 설정되어 있는 정답값 범위를, 상기 제1 예측값을 이용해 식별하고,상기 제2 예측값에 상기 선정된 정규화 기법을 역으로 적용하여 얻어지는 값이, 상기 정답값 범위에 포함되면, 상기 얻어지는 값을, 상기 최종 예측값으로서 출력하는설비 상태 진단 시스템
|
| 9 |
9
제6항에 있어서,상기 진단 처리부는,상기 분류 모델로부터, 상기 복수의 클래스 중, 상기 진단 대상의 설비 상태 데이터가 분류될 클래스를 대표하는 대표 정답값을, 상기 제1 예측값으로서 확인하고,상기 회귀 모델로부터, 상기 진단 대상의 설비 상태 데이터에 부여될 정답값에 대한 정규화값을, 상기 제2 예측값으로서 확인하고,상기 제1 예측값을, 상기 최종 예측값의 정수 부분으로서 결정하고, 상기 제2 예측값을, 상기 최종 예측값의 소수 부분으로서 결정하고, 상기 정수 부분 및 상기 소수 부분을 포함하여, 상기 최종 예측값을 출력하는설비 상태 진단 시스템
|
| 10 |
10
제6항에 있어서,상기 분류 모델 및 상기 회귀 모델에 대해, 교차 엔트로피(Cross Entropy, CE), 평균 제곱 오차(Mean Squared Error, MSE), 및 평균 절대 오차(Mean Absolute Error, MAE) 중 어느 하나로 선택되는 손실 함수(loss function)를 이용하여, 각각의 손실값을 구하는 손실값 연산부; 및구해지는 각각의 손실값을 합산한 손실 총합(Total loss)을 기반으로 역전파(Backpropagation)를 수행하여, 차기의 학습용 설비 상태 데이터의 각 파라미터에 적용할 가중치를 업데이트하는 업데이트 처리부를 더 포함하는 설비 상태 진단 시스템
|
