1 |
1
회전체 고장 진단 장치에 있어서,입력 특징 데이터에 대하여, 서로 다른 확장 길이를 가지는 확장 합성곱 연산에 대응하는 경로들을 병렬로 배치하여 각 경로에 대한 특징 데이터를 출력하도록 구성되는 다중 스케일 확장 합성곱 층;상기 각 경로에 대한 각 특징 데이터의 평균 및 최대 특징을 기반으로 상기 각 경로에 대한 중요도 값을 산출하고, 상기 각 특징 데이터에 상기 각 중요도 값을 반영하여 중요도 반영된 특징 데이터를 출력하도록 구성되는 경로 집중 모듈; 및상기 중요도 반영된 특징 데이터로부터 고장 분류를 수행하도록 구성되는 고장 분류 모듈을 포함하는 것을 특징으로 하는 회전체 고장 진단 장치
|
2 |
2
제1항에 있어서,상기 입력 특징 데이터는, 회전체로부터 취득된 시계열 데이터로부터 이동 윈도우 분리 방식을 통해 분절화된 데이터에 기초한 것을 특징으로 하는 회전체 고장 진단 장치
|
3 |
3
제1항에 있어서,상기 확장 합성곱 연산은, 상기 각 경로에 대한 각 특징 데이터의 크기가 동일해지도록 해당 확장 길이에 따라 상기 입력 특징 데이터에 패딩이 설정되는 것을 특징으로 하는 회전체 고장 진단 장치
|
4 |
4
제1항에 있어서,상기 경로 집중 모듈은, 상기 각 경로에 대한 특징 데이터에 연접(concatenation)을 수행하고, 상기 연접 결과에 채널에 대한 평균 연산을 수행하고, 상기 채널에 대한 평균 연산 결과에 데이터의 길이에 대한 평균 연산 및 최대 연산을 각각 수행하고, 상기 데이터의 길이에 대한 평균 연산 및 최대 연산 결과는 각각 DNN(deep neural network)을 통과하고, 상기 각 DNN의 출력에 기초하여 상기 중요도 값이 산출되도록 구성되는 것을 특징으로 하는 회전체 고장 진단 장치
|
5 |
5
제4항에 있어서,상기 경로 집중 모듈은, 상기 각 DNN의 출력을 합산하고, 상기 합산 결과가 시그모이드 층을 통과하여 상기 중요도 값이 산출되도록 구성되는 것을 특징으로 하는 회전체 고장 진단 장치
|
6 |
6
제5항에 있어서,상기 각 경로에 대하여 산출된 상기 중요도 값이 해당 경로의 특징 데이터에 곱해져서 상기 중요도 반영된 특징 데이터가 되는 것을 특징으로 하는 회전체 고장 진단 장치
|
7 |
7
제1항에 있어서,상기 경로 집중 모듈의 출력 측에 연결되는 1차원 합성곱 층을 더 포함하는 것을 특징으로 하는 회전체 고장 진단 장치
|
8 |
8
제7항에 있어서,상기 입력 특징 데이터에 1x1 합성곱 연산을 수행하여 상기 1차원 합성곱 층으로부터 출력되는 특징 데이터와 합산하도록 구성되는 잔차 연결을 더 포함하는 것을 특징으로 하는 회전체 고장 진단 장치
|
9 |
9
제7항에 있어서,상기 다중 스케일 확장 합성곱 층, 상기 경로 집중 모듈, 및 상기 1차원 합성곱 층은 다중 스케일 집중 블록을 구성하고,2 이상의 상기 다중 스케일 집중 블록이 차례로 연결되는 것을 특징으로 하는 회전체 고장 진단 장치
|
10 |
10
제1항에 있어서,상기 고장 분류 모듈은, GAP(Global Average Pooling) 층, FC(Fully Connected) 층, 및 소프트맥스 층이 차례로 연결된 구조로 이루어지는 것을 특징으로 하는 회전체 고장 진단 장치
|
11 |
11
회전체 고장 진단 방법에 있어서,회전체로부터 취득된 시계열 데이터를 분절화하여 입력 데이터를 획득하는 단계; 및상기 입력 데이터를 이용하여 다중 스케일 집중 합성곱 신경망 모델을 학습시키는 단계를 포함하고,상기 다중 스케일 집중 합성곱 신경망 모델은,입력 특징 데이터에 대하여, 서로 다른 확장 길이를 가지는 확장 합성곱 연산에 대응하는 경로들을 병렬로 배치하여 각 경로에 대한 특징 데이터를 출력하도록 구성되는 다중 스케일 확장 합성곱 층;상기 각 경로에 대한 각 특징 데이터의 평균 및 최대 특징을 기반으로 상기 각 경로에 대한 중요도 값을 산출하고, 상기 각 특징 데이터에 상기 각 중요도 값을 반영하여 중요도 반영된 특징 데이터를 출력하도록 구성되는 경로 집중 모듈; 및상기 중요도 반영된 특징 데이터로부터 고장 분류를 수행하도록 구성되는 고장 분류 모듈을 포함하는 것을 특징으로 하는 회전체 고장 진단 방법
|
12 |
12
제11항에 있어서,상기 입력 데이터를 획득하는 단계는, 상기 시계열 데이터를 이동 윈도우 분리 방식을 통해 분절화하는 것을 특징으로 하는 회전체 고장 진단 방법
|
13 |
13
제11항에 있어서,상기 확장 합성곱 연산은, 상기 각 경로에 대한 각 특징 데이터의 크기가 동일해지도록 해당 확장 길이에 따라 상기 입력 특징 데이터에 패딩이 설정되는 것을 특징으로 하는 회전체 고장 진단 방법
|
14 |
14
제11항에 있어서,상기 경로 집중 모듈은, 상기 각 경로에 대한 특징 데이터에 연접(concatenation)을 수행하고, 상기 연접 결과에 채널에 대한 평균 연산을 수행하고, 상기 채널에 대한 평균 연산 결과에 데이터의 길이에 대한 평균 연산 및 최대 연산을 각각 수행하고, 상기 데이터의 길이에 대한 평균 연산 및 최대 연산 결과는 각각 DNN(deep neural network)을 통과하고, 상기 각 DNN의 출력에 기초하여 상기 중요도 값이 산출되도록 구성되는 것을 특징으로 하는 회전체 고장 진단 방법
|
15 |
15
제14항에 있어서,상기 경로 집중 모듈은, 상기 각 DNN의 출력을 합산하고, 상기 합산 결과가 시그모이드 층을 통과하여 상기 중요도 값이 산출되도록 구성되는 것을 특징으로 하는 회전체 고장 진단 방법
|
16 |
16
제15항에 있어서,상기 각 경로에 대하여 산출된 상기 중요도 값이 해당 경로의 특징 데이터에 곱해져서 상기 중요도 반영된 특징 데이터가 되는 것을 특징으로 하는 회전체 고장 진단 방법
|
17 |
17
제11항에 있어서,상기 다중 스케일 집중 합성곱 신경망 모델은, 상기 경로 집중 모듈의 출력 측에 연결되는 1차원 합성곱 층을 더 포함하는 것을 특징으로 하는 회전체 고장 진단 방법
|
18 |
18
제17항에 있어서,상기 다중 스케일 집중 합성곱 신경망 모델은, 상기 입력 특징 데이터에 1x1 합성곱 연산을 수행하여 상기 1차원 합성곱 층으로부터 출력되는 특징 데이터와 합산하도록 구성되는 잔차 연결을 더 포함하는 것을 특징으로 하는 회전체 고장 진단 방법
|
19 |
19
제17항에 있어서,상기 다중 스케일 확장 합성곱 층, 상기 경로 집중 모듈, 및 상기 1차원 합성곱 층은 다중 스케일 집중 블록을 구성하고,2 이상의 상기 다중 스케일 집중 블록이 차례로 연결되어 상기 다중 스케일 집중 합성곱 신경망 모델을 구성하는 것을 특징으로 하는 회전체 고장 진단 방법
|
20 |
20
제11항에 있어서,상기 고장 분류 모듈은, GAP(Global Average Pooling) 층, FC(Fully Connected) 층, 및 소프트맥스 층이 차례로 연결된 구조로 이루어지는 것을 특징으로 하는 회전체 고장 진단 방법
|