| 1 |
1
진단 대상이 되는 대상 설비의 진단 정보와 이미지 정보를 계측하는 계측부;상기 계측부에 의해 계측된 상기 대상 설비의 진단 정보 및 이미지 정보를 토대로 상기 대상 설비를 진단하여 제1 진단 결과 정보를 생성하고, 상기 대상 설비의 이미지 정보에 미리 정의된 제1 예측 모델을 적용하는 방식으로 상기 대상 설비의 클래스 및 위치를 예측하여 제2 진단 결과 정보를 생성하는 개별 진단부;상기 계측부로부터 입력되는 이미지 정보를 클래스별로 구분하여 저장하고, 상기 클래스별로 구분되어 저장된 이미지 정보를 이용하여 이미지 정보에 반영된 설비의 클래스 및 위치를 예측하기 위한 제2 예측 모델을 학습하는 학습부로서, 상기 개별 진단부에 정의된 상기 제1 예측 모델은 상기 학습부에 의해 학습된 제2 예측 모델에 의해 갱신되는, 학습부; 및상기 개별 진단부에 의해 생성된 제1 진단 결과 정보와 제2 진단 결과 정보를 통합하여 최종 진단 결과 정보를 생성하고, 상기 생성된 최종 진단 결과 정보가 현재 설정된 판정 기준을 충족하는지 여부를 판단하는 방식으로 상기 대상 설비의 이상 여부를 최종적으로 진단하는 종합 진단부;를 포함하는 것을 특징으로 하는 설비 진단 장치
|
| 2 |
2
제1항에 있어서,상기 제1 진단 결과 정보는 상기 대상 설비에 이상이 발생한 지점의 위치와 그 이상의 정도를 지표하는 크기를 포함하고, 상기 제2 진단 결과 정보는 상기 대상 설비의 종류에 따른 클래스와 이미지 정보상에서 상기 대상 설비가 위치할 것으로 추정되는 추정위치를 포함하되, 상기 제1 및 제2 진단 결과 정보는 공통 좌표계를 공유하거나 좌표의 스케일 정보를 공유하는 것을 특징으로 하는 설비 진단 장치
|
| 3 |
3
제1항에 있어서,상기 학습부는, 사용자로부터 부여된 클래스를 기반으로 상기 계측부로부터의 이미지 정보를 클래스별로 구분하여 저장하거나, 상기 계측부로부터의 이미지 정보에 미리 정의된 클래스 분류 모델을 적용하여 그 클래스를 분류하는 방식으로 상기 계측부로부터의 이미지 정보를 클래스별로 구분하여 저장하는 것을 특징으로 하는 설비 진단 장치
|
| 4 |
4
제1항에 있어서,상기 학습부는, 상기 클래스별로 구분되어 저장된 이미지 정보에 대하여 상기 제2 예측 모델의 학습을 위해 정의된 전처리를 수행하여 이미지 데이터셋을 생성하고, 상기 생성된 이미지 데이터셋을 기반으로 합성곱 신경망(CNN: Convolutional Neural Net) 구조로 구성된 상기 제2 예측 모델에 대한 학습을 수행하는 것을 특징으로 하는 설비 진단 장치
|
| 5 |
5
제1항에 있어서,상기 종합 진단부는, 상기 대상 설비의 클래스 및 위치와, 상기 대상 설비의 이상 여부를 최종적으로 진단한 결과를 사용자 인터페이스를 통해 시각화하여 출력하되, 상기 대상 설비에 발생한 이상의 정도에 따라 시각화 방식을 가변적으로 적용하여 출력하는 것을 특징으로 하는 설비 진단 장치
|
| 6 |
6
제5항에 있어서,상기 종합 진단부는, 사용자 인터페이스를 통해 입력된 사용자의 조작에 따라, 상기 계측부로부터 입력되는 이미지 정보의 저장 여부 결정, 상기 학습부에 의한 상기 제2 예측 모델의 학습 여부 결정, 상기 제2 예측 모델에 의한 상기 제1 예측 모델의 갱신 여부 결정, 제1 및 제2 진단 결과 정보의 통합을 위한 연산 방식 결정, 상기 최종 진단 결과 정보의 분석을 위한 상기 판정 기준의 설정, 및 상기 대상 설비의 시각화에 대한 기능 설정을 수행하는 것을 특징으로 하는 설비 진단 장치
|
| 7 |
7
계측부가, 진단 대상이 되는 대상 설비의 진단 정보와 이미지 정보를 계측하는 단계;개별 진단부가, 상기 계측부에 의해 계측된 상기 대상 설비의 진단 정보 및 이미지 정보를 토대로 상기 대상 설비를 진단하여 제1 진단 결과 정보를 생성하고, 상기 대상 설비의 이미지 정보에 미리 정의된 제1 예측 모델을 적용하는 방식으로 상기 대상 설비의 클래스 및 위치를 예측하여 제2 진단 결과 정보를 생성하는 단계;종합 진단부가, 상기 개별 진단부에 의해 생성된 제1 진단 결과 정보와 제2 진단 결과 정보를 통합하여 최종 진단 결과 정보를 생성하고, 상기 생성된 최종 진단 결과 정보가 현재 설정된 판정 기준을 충족하는지 여부를 판단하는 방식으로 상기 대상 설비의 이상 여부를 최종적으로 진단하는 단계; 및학습부가, 상기 계측부로부터 입력되는 이미지 정보를 클래스별로 구분하여 저장하고, 상기 클래스별로 구분되어 저장된 이미지 정보를 이용하여 이미지 정보에 반영된 설비의 클래스 및 위치를 예측하기 위한 제2 예측 모델을 학습하는 단계;를 포함하되,상기 개별 진단부에 정의된 상기 제1 예측 모델은 상기 학습부에 의해 학습된 제2 예측 모델에 의해 갱신되는 것을 특징으로 하는, 설비 진단 방법
|
| 8 |
8
제7항에 있어서,상기 제1 진단 결과 정보는 상기 대상 설비에 이상이 발생한 지점의 위치와 그 이상의 정도를 지표하는 크기를 포함하고, 상기 제2 진단 결과 정보는 상기 대상 설비의 종류에 따른 클래스와 이미지 정보상에서 상기 대상 설비가 위치할 것으로 추정되는 추정위치를 포함하되, 상기 제1 및 제2 진단 결과 정보는 공통 좌표계를 공유하거나 좌표의 스케일 정보를 공유하는 것을 특징으로 하는 설비 진단 방법
|
| 9 |
9
제7항에 있어서,상기 학습하는 단계에서, 상기 학습부는,사용자로부터 부여된 클래스를 기반으로 상기 계측부로부터의 이미지 정보를 클래스별로 구분하여 저장하거나, 상기 계측부로부터의 이미지 정보에 미리 정의된 클래스 분류 모델을 적용하여 그 클래스를 분류하는 방식으로 상기 계측부로부터의 이미지 정보를 클래스별로 구분하여 저장하는 것을 특징으로 하는 설비 진단 방법
|
| 10 |
10
제7항에 있어서,상기 학습하는 단계에서, 상기 학습부는,상기 클래스별로 구분되어 저장된 이미지 정보에 대하여 상기 제2 예측 모델의 학습을 위해 정의된 전처리를 수행하여 이미지 데이터셋을 생성하고, 상기 생성된 이미지 데이터셋을 기반으로 합성곱 신경망(CNN: Convolutional Neural Net) 구조로 구성된 상기 제2 예측 모델에 대한 학습을 수행하는 것을 특징으로 하는 설비 진단 방법
|
| 11 |
11
제7항에 있어서,상기 종합 진단부가, 상기 대상 설비의 클래스 및 위치와, 상기 대상 설비의 이상 여부를 최종적으로 진단한 결과를 사용자 인터페이스를 통해 시각화하여 출력하되, 상기 대상 설비에 발생한 이상의 정도에 따라 시각화 방식을 가변적으로 적용하여 출력하는 단계;를 더 포함하는 것을 특징으로 하는 설비 진단 방법
|
| 12 |
12
제11항에 있어서,상기 종합 진단부는, 사용자 인터페이스를 통해 입력된 사용자의 조작에 따라, 상기 계측부로부터 입력되는 이미지 정보의 저장 여부 결정, 상기 학습부에 의한 상기 제2 예측 모델의 학습 여부 결정, 상기 제2 예측 모델에 의한 상기 제1 예측 모델의 갱신 여부 결정, 제1 및 제2 진단 결과 정보의 통합을 위한 연산 방식 결정, 상기 최종 진단 결과 정보의 분석을 위한 상기 판정 기준의 설정, 및 상기 대상 설비의 시각화에 대한 기능 설정을 수행하는 것을 특징으로, 설비 진단 방법
|
