1 |
1
시스템에서 발생하는 음향 신호를 수집하는 음향 신호 수집기;상기 수집된 음향 신호를 처리하여 스펙트로그램 이미지를 생성하는 스펙트로그램 이미지 생성부;사전에 정의된 상기 시스템의 증상별 분류 값들을 저장하는 스토리지; 및머신러닝 기반의 진단 모델을 이용하여 상기 스펙트로그램 이미지에 대응하는 분류 값을 획득하고, 상기 획득된 분류 값과 상기 저장된 증상별 분류 값들 간의 비교 결과에 기초하여 상기 시스템의 현재 상태를 판단하는 진단부를 포함하고,상기 진단 모델은, 전이 학습을 이용하여 상기 스펙트로그램 이미지에 대응하는 분류 값을 획득하도록 학습된 분류 레이어를 포함하고,상기 진단부는,상기 획득된 분류 값과 상기 저장된 증상별 분류 값 간의 유사도를 계산하고, 상기 계산된 유사도를 기초로 미리 정의된 상태들 중 상기 시스템의 현재 상태를 결정하고,상기 시스템의 가동 시작 시점의 데이터와 가동 시간에 따른 유사도 변화 추이에 기초하여 상기 시스템의 노후도를 판단하는, 시스템 상태 진단 장치
|
2 |
2
제1 항에 있어서,상기 스펙트로그램 이미지 생성부는,상기 스펙트로그램 이미지에 MFCC(mel frequency cepstral coefficient) 변환을 적용하여 MFCC 변환 이미지를 획득하고,상기 진단 모델에는 상기 MFCC 변환 이미지가 입력되는, 시스템 상태 진단 장치
|
3 |
3
제1항에 있어서,상기 진단부는,상기 계산된 유사도를 기초로 미리 정의된 상태들 중 상기 시스템의 현재 상태를 결정하는, 시스템 상태 진단 장치
|
4 |
4
제1항에 있어서,상기 진단 모델은,상기 시스템이 정상 상태일 때 획득한 음향 신호 및 상기 시스템이 고장 상태일 때 획득한 음향 신호들에 기초하여 기계 학습된 모델인, 시스템 상태 진단 장치
|
5 |
5
제1항에 있어서,상기 스펙트로그램 이미지 생성부는,상기 스펙트로그램 이미지를 로그 스케일(log scale) 또는 멜 스케일(mel scale)로 재구성하는, 시스템 상태 진단 장치
|
6 |
6
제1항에 있어서,상기 음향 신호 수집, 상기 이미지 생성, 상기 저장 및 상기 판단은, 비 주기적으로 수행되고, 상기 머신러닝 기반의 진단 모델은, 머신러닝 모델로서 이미지 인식 모델을 이용하여 생성되는, 시스템 상태 진단 장치
|
7 |
7
삭제
|
8 |
8
시스템 상태 진단 방법에 있어서,시스템에서 발생하는 음향 신호를 수집하는 단계;상기 수집된 음향 신호를 처리하여 스펙트로그램 이미지를 생성하는 단계;사전에 정의된 상기 시스템의 증상별 분류 값들을 저장하는 단계; 및머신러닝 기반의 진단 모델을 이용하여 상기 스펙트로그램 이미지에 대응하는 분류 값을 획득하고, 상기 획득된 분류 값과 상기 저장된 증상별 분류 값들 간의 비교 결과에 기초하여 상기 시스템의 현재 상태를 판단하는 단계를 포함하고,상기 진단 모델은, 전이 학습을 이용하여 상기 스펙트로그램 이미지에 대응하는 분류 값을 획득하도록 학습된 분류 레이어를 포함하고,상기 시스템의 현재 상태를 판단하는 단계는상기 획득된 분류 값과 상기 저장된 증상별 분류 값 간의 유사도를 계산하는 단계; 및상기 계산된 유사도를 기초로 미리 정의된 상태들 중 상기 시스템의 현재 상태를 결정하는 단계를 포함하고,상기 시스템 상태 진단 방법은,상기 시스템의 가동 시작 시점의 데이터와 가동 시간에 따른 유사도 변화 추이에 기초하여 상기 시스템의 노후도를 판단하는 단계를 더 포함하는, 시스템 상태 진단 방법
|
9 |
9
제8항에 있어서,상기 스펙트로그램 이미지를 생성하는 단계는,상기 스펙트로그램 이미지에 MFCC(mel frequency cepstral coefficient) 변환을 적용하여 MFCC 변환 이미지를 획득하고,상기 진단 모델에는 상기 MFCC 변환 이미지가 입력되는, 시스템 상태 진단 방법
|
10 |
10
삭제
|
11 |
11
삭제
|
12 |
12
하드웨어와 결합되어 제8항 및 제9항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램
|