KR20190062739A - 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 - Google Patents
복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 Download PDFInfo
- Publication number
- KR20190062739A KR20190062739A KR1020170161240A KR20170161240A KR20190062739A KR 20190062739 A KR20190062739 A KR 20190062739A KR 1020170161240 A KR1020170161240 A KR 1020170161240A KR 20170161240 A KR20170161240 A KR 20170161240A KR 20190062739 A KR20190062739 A KR 20190062739A
- Authority
- KR
- South Korea
- Prior art keywords
- sensors
- sensor pattern
- abnormal state
- pattern
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012423 maintenance Methods 0.000 title description 17
- 238000012517 data analytics Methods 0.000 title 1
- 238000004519 manufacturing process Methods 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 239000002131 composite material Substances 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013070 change management Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은, 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법으로서, 복수의 센서로부터의 패턴으로부터 복합 센서 패턴을 생성하는 제1 단계; 상기 복합 센서 패턴을 정상 상태 또는 비정상 상태 중 어느 하나로 학습하는 제2 단계; 비정상 상태로 학습된 경우 해당 복합 센서 패턴을 제조 장비의 오류 정보와 함께 비정상 상태 데이터베이스에 저장하는 제3 단계; 및 상기 비정상 상태 데이터베이스에 저장된 복합 센서 패턴에 기초하여 센서가 결합된 장비의 이상 유무의 예지 분석을 수행하는 제4 단계를 포함하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법 및 이를 위한 장치를 제공한다.
Description
본 발명은 데이터 분석 방법 및 장치에 관한 것으로서, 보다 상세하게는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지할 수 있는 데이터 분석 방법, 알고리즘 및 장치에 관한 것이다.
기존에는 제조 장비에 특정 센서(예, 진동 센서)를 부착하고, 센서의 변화 패턴을 지속적으로 학습함으로써 시스템이 정상인 상태의 정상적인 패턴을 확인한다.
정상적인 패턴이 아닌 상황(예외 상황)이 발생하면, 실제 장비의 이상 유무를 확인하고 이상이 있는 경우에는 비정상 패턴 DB에 저장하게 된다.
이와 같이 지속적으로 장비에 설치된 센서의 패턴 분석을 통해서, 정상 패턴과 비정상 패턴을 학습해나가며, 이상이 생긴 경우에는 예지 정비를 할 수 있도록 가이드한다.
도 1은 종래 기술을 설명하기 위한 도면이다.
도 1에 나타낸 바와 같이, 종래 기술은, 기계 장비 각각에 연결된 각각의 센서(센서 A,B,C)들이 패턴을 추출하면 패턴을 비교하여 정상 패턴과 비정상 패턴을 학습함으로써 이상이 생긴 경우 예지 정비를 할 수 있도록 할 수 있다.
그러나, 이러한 종래의 기술은 특정 센서 하나를 활용해서 문제를 해결함으로써, 실제 적용할 수 있는 범위에 제약이 있었다. 예를 들어 전기센서를 활용하는 경우에는 AC 전류를 사용하는 모터에만 적용할 수 있다는 한계점이 있다.
본 발명은 상기한 바와 같은 한계점을 해결하기 위한 것으로서, 다수의 서로 상이한 센서를 제조 장비에 설치하고, 개별 센서의 패턴을 복합적으로 인식하는 복합 패턴을 통해서 제조 장비의 이상 유무를 확인할 수 있으며, 센서 분석을 통한 예지 보전의 정확도를 높일 수 있는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치를 제공하는 것을 목적으로 한다.
또한, 본 발명은 스마트 팩토리(smart factory) 영역에서 제조 장비의 예지 정비를 위한 데이터 분석 기술과, 제조 장비에서 고장이 발생할 수 있는 영역을 미리 확인함으로써 제조 장비 고장으로 인한 피해를 사전에 막을 수 있으며, 제조 장비의 유지 보수 비용을 절감할 수 있는 방법 및 장치를 제공하는 것을 또 다른 목적으로 한다.
또한, 본 발명은, 제조 장비의 이상 유무를 확인하는 예지 보전의 정확도를 높일 수 있으며, 본 발명을 통해 제조 장비의 오류로부터 발생할 수 있는 손실을 최소화할 수 있으며, 제조 장비의 유지 보수 비용을 절감할 수 있는 방법 및 장치를 제공하는 것을 또 다른 목적으로 한다.
상기한 바와 같은 과제를 해결하기 위하여 본 발명은, 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법으로서, 복수의 센서로부터의 패턴으로부터 복합 센서 패턴을 생성하는 제1 단계; 상기 복합 센서 패턴을 정상 상태 또는 비정상 상태 중 어느 하나로 학습하는 제2 단계; 비정상 상태로 학습된 경우 해당 복합 센서 패턴을 제조 장비의 오류 정보와 함께 비정상 상태 데이터베이스에 저장하는 제3 단계; 및 상기 비정상 상태 데이터베이스에 저장된 복합 센서 패턴에 기초하여 센서가 결합된 장비의 이상 유무의 예지 분석을 수행하는 제4 단계를 포함하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법을 제공한다.
여기에서, 상기 제4 단계는, 정상적인 상황 여부를 판별할 수 있는 이상치 판별 모형을 설정하는 단계를 포함할 수 있다.
또한, SOM(Self Organizing Map) 세분화 모형을 이용하여 복합 센서 패턴을 학습하는 단계를 포함할 수 있다.
또한, 복수의 센서로부터의 입력 신호들의 상관계수값 및 상관성 존재 여부에 의해 복합 센서 패턴을 생성할 수 있다.
또한, 상기 상관계수값 및 상관성 존재 여부에 기초하여 예지 분석을 수행하는 것이 바람직하다.
본 발명의 다른 측면에 의하면, 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 장치로서, 복수의 센서로부터의 패턴으로부터 복합 센서 패턴을 생성하는 센서 패턴 생성부; 상기 복합 센서 패턴을 정상 상태 또는 비정상 상태 중 어느 하나로 학습하는 학습부; 비정상 상태로 학습된 경우 해당 복합 센서 패턴을 제조 장비의 오류 정보와 함께 비정상 상태 데이터베이스에 저장하는 패턴 관리부; 및 상기 비정상 상태 데이터베이스에 저장된 복합 센서 패턴에 기초하여 센서가 결합된 장비의 이상 유무의 예지 분석을 수행하는 예지 분석부를 포함하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 장치를 제공한다.
본 발명에 의하면, 다수의 서로 상이한 센서를 제조 장비에 설치하고, 개별 센서의 패턴을 복합적으로 인식하는 복합 패턴을 통해서 제조 장비의 이상 유무를 확인할 수 있으며, 센서 분석을 통한 예지 보전의 정확도를 높일 수 있는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치를 제공할 수 있다.
또한, 본 발명은 스마트 팩토리(smart factory) 영역에서 제조 장비의 예지 정비를 위한 데이터 분석 기술과, 제조 장비에서 고장이 발생할 수 있는 영역을 미리 확인함으로써 제조 장비 고장으로 인한 피해를 사전에 막을 수 있으며, 제조 장비의 유지 보수 비용을 절감할 수 있는 방법 및 장치를 제공할 수 있는 효과가 있다.
또한, 본 발명에 의하면, 제조 장비의 이상 유무를 확인하는 예지 보전의 정확도를 높일 수 있으며, 본 발명을 통해 제조 장비의 오류로부터 발생할 수 있는 손실을 최소화할 수 있으며, 제조 장비의 유지 보수 비용을 절감할 수 있다.
도 1은 종래 기술을 설명하기 위한 도면이다.
도 2는 본 발명의 전체적인 구성 및 동작을 설명하기 위한 도면이다.
도 3은 모형 워크플로우를 설명하기 위한 도면이다.
도 4는 모형 워크플로우를 설명하기 위한 도면이다.
도 5는 본 발명에 의한 장치에서 데이터를 관리하는 기능을 설명하기 위한 도면이다.
도 6은 설비 관리 기능을 나타낸 화면이다.
도 7은 빅데이터 기법을 적용하여 공정 상황 이상 탐지를 수행하는 과정을 설명하기 위한 도면이다.
도 8은 빅데이터 기법을 적용하여 고장 예지 및 원인 탐색을 수행하는 과정을 설명하기 위한 도면이다.
도 2는 본 발명의 전체적인 구성 및 동작을 설명하기 위한 도면이다.
도 3은 모형 워크플로우를 설명하기 위한 도면이다.
도 4는 모형 워크플로우를 설명하기 위한 도면이다.
도 5는 본 발명에 의한 장치에서 데이터를 관리하는 기능을 설명하기 위한 도면이다.
도 6은 설비 관리 기능을 나타낸 화면이다.
도 7은 빅데이터 기법을 적용하여 공정 상황 이상 탐지를 수행하는 과정을 설명하기 위한 도면이다.
도 8은 빅데이터 기법을 적용하여 고장 예지 및 원인 탐색을 수행하는 과정을 설명하기 위한 도면이다.
이하, 첨부 도면을 참조하여 본 발명에 의한 실시예를 상세하게 설명하기로 한다.
본 발명은 스마트팩토리 영역에서 제조 장비의 예지 정비를 위한 데이터 분석 기술이며, 제조 장비에서 고장이 발생할 수 있는 영역을 미리 확인함으로써 제조 장비 고장으로 인한 피해를 사전에 막을 수 있으며, 제조 장비의 유지 보수 비용을 절감하는 기술이다.
도 2는 본 발명의 전체적인 구성 및 동작을 설명하기 위한 도면이다.
도 2에 나타낸 바와 같이, 본 발명은 기존의 단일 센서를 통한 제조 장비의 예지 보전 방식을 개선하여, 다수의 센서를 통한 복합 센서 방식을 적용하였음을 알 수 있다.
즉, 본 발명에서는 개별 센서들의 패턴을 통합하여 복합 센서 패턴으로 생성하고, 해당 복합 센서 패턴을 정상/비정상 상태로 학습하게 된다.
비정상 상태는 제조 장비의 오류와 함께 비정상 상태 DB로 저장하게 되며, 이를 기반으로 제조 장비의 예지 정비가 가능하다.
이와 같은 상태에서, 본 발명에 의한 장치는, 예지 분석을 다음과 같은 방법으로 수행할 수 있다.
우선, 예지 분석 모형은 다음과 같은 점을 유의해야 한다.
즉, 예지 분석은 데이터가 충분한 기간 동안 쌓여야 한다는 현실적 고려사항이 존재한다. 또한, 공정 효율과 고장에 대한 예지 분석이 주목적이나 어떤 상황이 효율이 낮고, 고장이 난 상태인지 모르는 경우가 일반적이다. 따라서, 고장 여부와 관계없이 정상적인 상황 여부를 판별할 수 있는 이상치 판별이 우선 필요하며, 여러 종류의 데이터로 상태를 구분할 수 있는 클러스터링(세분화)이 필요하다.
다음으로, 이상치 판별 모형을 설명한다.
o 기본 이론
<데이터가 적은 경우>
- ‘제3사분위수+1.5×(제3사분위수-제1사분위수)/2’를 상한값
- ‘제1사분위수-1.5×(제3사분위수-제1사분위수)/2’를 하한값으로 정한다.
- 상한값을 넘는 데이터와 하한값 이하의 데이터는 이상치가 된다.
<데이터가 많고 정규분포의 형태>
- ‘평균+2×표준오차’를 상한값, ‘평균-2×표준오차’를 하한값으로 정한다.
<변수(차원)가 여러 개인 데이터의 경우>
- PCA(Principal Component Analysis)를 이용하여 차원을 축소한다
- 데이터의 특성은 다른 데이터들 사이에 구분되는 성질을 가져야 한다. 이는 해당 속성의 관점에서 볼 때, 데이터 사이의 분산이 크다는 뜻이다. 특성이 아닌 차원(변수, 속성)으로 보면 데이터들이 잘 구분이 되지 않으므로 거리, 즉 분산이 작다. 그러면 PCA의 차원축소는 특성의 의미가 덜한 차원을 버리는 과정이고, 그 결과는 특성의 역할을 하는 차원들만 선택해서 새로운 데이터들로 만든 것과 같다.
- 축소된 변수들로 분포를 그려보고, 주된 분포와 떨어진 부분을 이상치로 본다.
o 모형 Workflow
도 3은 모형 워크플로우를 설명하기 위한 도면이다.
도 3을 참조하여 설명하면 다음과 같다. 모형 워크플로우는, 단일 변수인 경우와 여러 변수인 경우를 모두 포괄하며, 입력 데이터 유형을 판별한 후 단일 변수, 여러 변수 처리 과정을 나눈다.
여러 변수인 경우, PCA를 적용하여 정상/이상 상태를 구분하고, 로지스틱 회귀로 정상/이상 데이터 학습하고 판별한다.
o 모형 단계별 역할
| 단계 | 역할 | 비고 |
| Input | 입력 데이터를 가져온다 | |
| Data Type | 데이터 구성이 단일 변수인지 여러 변수인지를 구분한다 | |
| Univariate Outliers | 단일 변수인 경우, 설정 규칙에 따라 정상/이상을 구분한다 | |
| EDA for Outlier by PCA | 여러 변수로 구성된 데이터인 경우, PCA 적용 전 데이터 분포를 가시적으로 살펴본다 | |
| Outlier by PCA | PCA를 적용한 새로운 변수로 정상/이상을 구분한다 | |
| Logistic Regression | 라벨링된 데이터로 학습하고 정상/이상을 판별 테스트한다 | |
| Save R Object | 학습된 판별 모형을 객체로 저장한다 | |
| Output DB | 정상/이상을 구분하여 데이터 저장한다 |
<상태 세분화 모형>
o 기본 이론
본 발명에서, 세분화는 정해진 데이터가 아니라 계속 데이터가 쌓이면서 학습하는 특성을 반영한다. 이에 적합한 SOM(Self Organizing Map)을 세분화 모형으로 선정한다.
SOM은 입력 벡터를 훈련집합에서 매칭(match)되도록 가중치를 조정되는 인공 신경세포 격자에 기초한 자율학습의 한 방법으로서, 헬싱키 대학의 Teuvo Kohonen에 의해 최초로 소개하였으며 Kohonen map이라고도 불리운다.
SOM은 출력 맵(map)에 자신의 물리적 위치를 가지고, 승자독식 과정에 참여하는 인공 뉴런의 집합이란 의미로 가장 쉽게 설명된다. 일종의 경쟁신경망인 winner-take-all 과정은 입력벡터에 가장 가까운 가중치 벡터를 가지는 노드를 승자로 선언하고, 그 값이 입력벡터에 더 가까워지도록 가중치가 조정된다.
각 노드는 이웃의 집합을 가진다. 이러한 노드가 경쟁에서 이길 때 이웃의 가중치도 변화된다. 그들이 똑같이 변화되지는 않는다. 이웃이 winner 에서 멀어질수록 그 가중치는 더 작게 변화된다. 이러한 과정이 각 입력벡터에 대해 반복되어 많은 cycle 을 수행한다. 입력이 달라지면 winner 도 달라진다.
SOM 네트워크는 출력 노드를 입력 데이터 집합에서의 그룹이나 패턴들과 연관시키는 것으로 종료된다. 이러한 패턴에 이름이 주어질 수 있다면 훈련망에서 관련된 노드에 그 이름이 부착될 수 있다.
o 모형 Workflow
도 4는 모형 워크플로우를 설명하기 위한 도면이다.
도 4를 참조하여 설명하면 다음과 같다. 즉, SOM 학습에 적합하도록 원데이터를 가공하고 이상치를 처리하는 단계를 추가한다. SOM은 유동적으로 변화하는 특성이 강하기 때문에 군집개수, 맵사이즈와 함께 초기값 설정에 대한 부분을 제어할 수 있도록 작업을 추가한다. 보통 SOM에서 나오는 세분화 군집 개수가 많으므로 2차 군집을 통해 줄이는 작업을 추가한다.
o 모형 단계별 역할
| 단계 | 역할 | 비고 |
| 결측치 | Missing Value 제거 | |
| 파생변수 | 원본 데이터 기반으로 계산 된 데이터 생성 | |
| Class Indicator | 범주화 데이터를 학습에 적합한 Matrix 형태로 변경 | |
| 변수제거 | 학습에 적합하지 않은 변수를 Rule을 적용하여 확인 및 제거 | |
| 결측치 | Missing Value 제거 | 파생변수에서 생성된 null값 대상 |
| 상관계수 | 상관도가 높은 변수들을 확인하고 그 중 1개를 제거 | |
| 이상값 | 학습에 나쁜 영향을 미칠 수 있는 이상값을 보정 | |
| 군집변수 | 군집 알고리즘에 최적의 변수를 선정 | |
| 스케일 | 학습 데이터를 Scale 함. | |
| 군집개수 | 최적의 군집 개수를 선정 | |
| 맵사이즈 | 최적의 맵 사이즈를 선정 | |
| 초기값 | 최적의 seed 값을 선정 | |
| SOM | 데이터 군집화 | |
| 2차군집 | 일반적인 k-means로 세분화한다 | 선택작업 |
<본 발명에 의한 기본 분석 기능>
o 기본 분석 기능
본 발명에 의한 기본 분석 기능은, 제조 공정에 한정하지 않고 일반적인 센서 분석에 범용적으로 적용 가능하다.
이러한 기본 분석 기능은 예컨대 다음과 같은 것들일 수 있다.
(1) 미래 N기간 추세선
(2) 데이터 분포와 이상치
(3) 2개 이상의 데이터에 대한 상관도
<미래 N기간 추세선>
o 적용 시나리오
1) 대상(센서)을 선택한다.
2) 기간을 선택한다.
3) 입력 정보를 예측 모듈로 전달한다.
4) 예측치를 계산하고, 본 발명에 의한 장치로 전달한다.
5) 예측 추세선을 표시한다.
이 경우, 단일 변수이므로 단순회귀모형 또는 시계열 적용할 필요가 있으며, 센서 유형별 적합한 모형과 파라미터가 다르므로, 유형별로 테스트할 필요가 있다. 또한, 주기적으로 모형(파라미터)을 갱신할 필요가 있다.
<데이터 분포와 이상치>
o 단일 센서 비교
- 센서 1종의 시간대, 요일별, 계절별 비교
o 동종 센서 간 비교
- 동일 센서간 비교(온도센서 1, 2, 3, 4)
- 장소별(기계별) 비교
o 적용 시나리오
1) 대상(센서)을 선택한다.
2) 단일 센서, 동종 다수 센서 여부를 구분하여 선택한다.
3) 조건(장소, 시간 등을 선택한다.
4) 이상범위 파라미터를 선택한다.
5) 입력 정보를 분석 모듈로 전달한다.
6) 이상치를 계산해서 본 발명에 의한 장치로 전달한다.
7) 본 발명에 의한 장치가 자체 차트에서 분포 표시, 분석 모듈에서 계산된 이상값 정보를 받아서 표시
<2개 이상의 변수에 대한 상관도>
o 2개 변수간 상관도
두 개 변수를 선택하면, 두 가지 데이터간 비교(예: 온도와 습도)를 수행하는데, 상관계수값(예: 67%), 상관성 존재 여부(예: 상관관계 있음/없음)를 표시한다.
o 3개 이상 변수 간 비교
매트릭스 또는 네트워크 차트를 사용하여, 각 데이터 쌍별 상관계수값, 상관성 존재 여부를 표시한다.
o 적용 시나리오
1) 대상을 선택한다.
2) 입력 정보를 분석 모듈로 전달한다.
3) 상관도를 계산하여 본 발명에 의한 장치로 전달한다.
4) 본 발명에 의한 장치가 자체 차트에서 상관도를 표시하고, 분석 모듈에서 계산된 상관계수값과 상관성 존재 여부를 받아서 표시한다.
도 5는 본 발명에 의한 장치에서 데이터를 관리하는 기능을 설명하기 위한 도면이다.
도 5를 참조하면, 다음과 같다. 우선, Query-set는 데이터 모델(인덱싱 모델)로부터 분석 항목과 조건을 지정하면 쿼리가 자동 생성되고, 이를 쿼리 셋(set)으로 저장한다. 분석시 데이터가 아닌 쿼리 셋을 이용하므로 항상 최신의 데이터로 분석 결과와 리포트가 업데이트된다.
또한, 데이터 셋(data-set)은 분석 모델의 실행 결과 데이터를 정의한 것으로서, 여러개의 모델 결과를 하나의 데이터 셋으로 정의할 수 있다. 쿼리 셋과 동일한 방식으로 대시보드 시각화와 리포팅에 이용될 수 있다.
또한, 마트 변경 관리는, 마트내의 연관 테이블 비교를 통해 변경 사항을 찾아내는 것으로서, 보고서의 오류는 데이터 이상에 따른 경우가 대부분이기 때문이다(원천 데이터 형식의 변경에 따른 오류가 대표적).
영향도 분석은 특정 데이터의 변경이나 삭제는 해당 데이터를 이용하는 분석 모델과 최종적으로는 분석 리포트에까지 영향을 미치는데 이러한 영향도를 추적하여 나타낸다.
본 발명에 의한 장치 및 방법은 특히 스마트 팩토리(smart factory)에 유용하다. 최근 제시되고 있는 스마트 팩토리는, 중소/중견 제조기업의 생산성 향상 및 작업 안전성 확보를 위해, 제조 공정 및 설비로서, 상태 진단, 제조 환경 실시간 모니터링/분석에 대한 요구가 증대되고 있는 바, 본 발명을 적용하면 생산/공정/환경 모니터링 및 분석에 매우 효과적이다.
즉, 관리자 관점에서는, 생산 관리로서, 공장별/라인별 실시간 생산 실적 모니터링, 월간/년간 생산 실적 및 목표 대비 생산량 관리 등을 할 수 있으며, 품질 관리 측면에서 SPC(Statistical Process Control) 기반 품질 관리, 불량 개수 및 불량률 관리 및 공정 능력 지수(Cpk)를 효과적으로 수행할 수 있다.
또한 운영자 관점에서, 공정 관리 측면으로, 제조 라인/공정별 장비 가동률 확인/분석 및 공정별 비가동/오류 원인 분석과, 설비 관리 측면에서, 실시간 설비 상태 모니터링 및 오류 알람/대응, 설비 오류 사전 탐지로 예방 정비 및 대응(예지 보전)을 수행할 수 있다.
또한, 환경 관리 측면에서는, 작업자, 제품 및 설비에 영향을 미치는 공장 내 온도, 습도, 먼지량 등의 환경 모니터링을 수행할 수 있다.
도 6은 설비 관리 기능을 나타낸 화면이다.
도 6에 나타낸 바와 같이, 실시간 설비 상태 모니터링 및 오류 알람 대응을 통해 예방 정비 및 예지 보전을 수행할 수 있다.
도 7은 빅데이터 기법을 적용하여 공정 상황 이상 탐지를 수행하는 과정을 설명하기 위한 도면이다.
도 7에 나타낸 바와 같이, 공정 장비 주기 신호를 학습하여, SOM(Self Organizing Map) 클러스터링 학습을 통해 이상 상황을 탐지할 수 있다.
도 8은 빅데이터 기법을 적용하여 고장 예지 및 원인 탐색을 수행하는 과정을 설명하기 위한 도면이다.
도 8에 나타낸 바와 같이, 빅데이터 기법을 활용하여 고장 유형과 영향 인자를 도출하고, 이상 상황을 탐지하여 영향 인자들의 현재 상태와 영향 인자들의 최근 변화 정도에 기초하여 고장 예지 및 원인 탐색을 사전에 수행할 수 있음을 알 수 있다.
이상에서, 본 발명에 의한 바람직한 실시예를 참조하여 본 발명을 상세하게 설명하였으나 본 발명은 상기 실시예에 한정되는 것이 아니며 다양한 수정 및 변형 실시가 가능함은 물론이다.
Claims (6)
- 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법으로서,
복수의 센서로부터의 패턴으로부터 복합 센서 패턴을 생성하는 제1 단계;
상기 복합 센서 패턴을 정상 상태 또는 비정상 상태 중 어느 하나로 학습하는 제2 단계;
비정상 상태로 학습된 경우 해당 복합 센서 패턴을 제조 장비의 오류 정보와 함께 비정상 상태 데이터베이스에 저장하는 제3 단계; 및
상기 비정상 상태 데이터베이스에 저장된 복합 센서 패턴에 기초하여 센서가 결합된 장비의 이상 유무의 예지 분석을 수행하는 제4 단계
를 포함하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법.
- 제1항에 있어서,
상기 제4 단계는, 정상적인 상황 여부를 판별할 수 있는 이상치 판별 모형을 설정하는 단계를 포함하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법.
- 제2항에 있어서,
SOM(Self Organizing Map) 세분화 모형을 이용하여 복합 센서 패턴을 학습하는 단계를 포함하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법.
- 제1항에 있어서,
복수의 센서로부터의 입력 신호들의 상관계수값 및 상관성 존재 여부에 의해 복합 센서 패턴을 생성하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법.
- 제4항에 있어서,
상기 상관계수값 및 상관성 존재 여부에 기초하여 예지 분석을 수행하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법.
- 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 장치로서,
복수의 센서로부터의 패턴으로부터 복합 센서 패턴을 생성하는 센서 패턴 생성부;
상기 복합 센서 패턴을 정상 상태 또는 비정상 상태 중 어느 하나로 학습하는 학습부;
비정상 상태로 학습된 경우 해당 복합 센서 패턴을 제조 장비의 오류 정보와 함께 비정상 상태 데이터베이스에 저장하는 패턴 관리부; 및
상기 비정상 상태 데이터베이스에 저장된 복합 센서 패턴에 기초하여 센서가 결합된 장비의 이상 유무의 예지 분석을 수행하는 예지 분석부
를 포함하는 것을 특징으로 하는 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170161240A KR20190062739A (ko) | 2017-11-29 | 2017-11-29 | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170161240A KR20190062739A (ko) | 2017-11-29 | 2017-11-29 | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190062739A true KR20190062739A (ko) | 2019-06-07 |
Family
ID=66849951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170161240A KR20190062739A (ko) | 2017-11-29 | 2017-11-29 | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20190062739A (ko) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210030754A (ko) | 2019-09-10 | 2021-03-18 | 주식회사 이디코어 | 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템 및 방법 |
| KR102266182B1 (ko) * | 2020-05-29 | 2021-06-17 | 고려대학교 산학협력단 | 복수의 시계열 데이터의 모니터링 방법 및 장치 |
| KR102268733B1 (ko) * | 2020-06-02 | 2021-06-23 | 한국해양대학교 산학협력단 | 선박기관의 고장검출 방법 및 시스템 |
| KR102372124B1 (ko) | 2020-12-30 | 2022-03-08 | 금오공과대학교 산학협력단 | 머신러닝 기반 솔레노이드 펌프의 고장 분류방법 |
| KR20220095631A (ko) | 2020-12-30 | 2022-07-07 | 금오공과대학교 산학협력단 | 서포트 벡터머신을 이용한 기어펌프의 고장 분류방법 |
| KR102441760B1 (ko) | 2021-10-14 | 2022-09-08 | 주식회사 카라멜소프트 | 계기판 이미지 기반 계측값 인식 장치 |
| KR102441759B1 (ko) | 2021-09-30 | 2022-09-08 | 주식회사 카라멜소프트 | 계측 장치의 계기판 촬영 장치 |
| KR102470763B1 (ko) * | 2022-10-13 | 2022-11-25 | 주식회사 비플컨설팅 | 데이터 이상치 탐색 장치 및 방법 |
| CN117332121A (zh) * | 2023-09-26 | 2024-01-02 | 华能澜沧江水电股份有限公司 | 一种水电厂非电量保护逻辑图谱生成系统及方法 |
| KR102648729B1 (ko) * | 2023-08-25 | 2024-03-18 | 주식회사 이에스피 | 생산설비 통합 관제 서비스 플랫폼 |
| KR102672799B1 (ko) * | 2023-04-25 | 2024-06-05 | 고성훈 | 반도체 장비의 실시간 공정 데이터를 매칭 및 분석하는 시스템 및 그 방법 |
| KR20240095819A (ko) | 2022-12-19 | 2024-06-26 | 한양대학교 에리카산학협력단 | 제조장비의 예측 유지보수 장치 |
-
2017
- 2017-11-29 KR KR1020170161240A patent/KR20190062739A/ko unknown
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210030754A (ko) | 2019-09-10 | 2021-03-18 | 주식회사 이디코어 | 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템 및 방법 |
| KR102266182B1 (ko) * | 2020-05-29 | 2021-06-17 | 고려대학교 산학협력단 | 복수의 시계열 데이터의 모니터링 방법 및 장치 |
| KR102268733B1 (ko) * | 2020-06-02 | 2021-06-23 | 한국해양대학교 산학협력단 | 선박기관의 고장검출 방법 및 시스템 |
| KR102372124B1 (ko) | 2020-12-30 | 2022-03-08 | 금오공과대학교 산학협력단 | 머신러닝 기반 솔레노이드 펌프의 고장 분류방법 |
| KR20220095631A (ko) | 2020-12-30 | 2022-07-07 | 금오공과대학교 산학협력단 | 서포트 벡터머신을 이용한 기어펌프의 고장 분류방법 |
| KR102441759B1 (ko) | 2021-09-30 | 2022-09-08 | 주식회사 카라멜소프트 | 계측 장치의 계기판 촬영 장치 |
| KR20230046964A (ko) | 2021-09-30 | 2023-04-06 | 주식회사 카라멜소프트 | 작업자의 계측 시야 확보가 가능한 계기판 촬영 장치 |
| KR102441760B1 (ko) | 2021-10-14 | 2022-09-08 | 주식회사 카라멜소프트 | 계기판 이미지 기반 계측값 인식 장치 |
| KR20230053505A (ko) | 2021-10-14 | 2023-04-21 | 주식회사 카라멜소프트 | 계기판 이미지 왜곡 및 촬영 장치 왜곡을 보정하는 계측값 인식 장치 |
| KR102470763B1 (ko) * | 2022-10-13 | 2022-11-25 | 주식회사 비플컨설팅 | 데이터 이상치 탐색 장치 및 방법 |
| KR20240095819A (ko) | 2022-12-19 | 2024-06-26 | 한양대학교 에리카산학협력단 | 제조장비의 예측 유지보수 장치 |
| KR102672799B1 (ko) * | 2023-04-25 | 2024-06-05 | 고성훈 | 반도체 장비의 실시간 공정 데이터를 매칭 및 분석하는 시스템 및 그 방법 |
| KR102648729B1 (ko) * | 2023-08-25 | 2024-03-18 | 주식회사 이에스피 | 생산설비 통합 관제 서비스 플랫폼 |
| CN117332121A (zh) * | 2023-09-26 | 2024-01-02 | 华能澜沧江水电股份有限公司 | 一种水电厂非电量保护逻辑图谱生成系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20190062739A (ko) | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 | |
| Kang et al. | Machine learning applications in production lines: A systematic literature review | |
| Vachtsevanos et al. | Fault prognosis using dynamic wavelet neural networks | |
| US11080127B1 (en) | Methods and apparatus for detection of process parameter anomalies | |
| US7805639B2 (en) | Tool to report the status and drill-down of an application in an automated manufacturing environment | |
| Chen et al. | Autonomous mining for alarm correlation patterns based on time-shift similarity clustering in manufacturing system | |
| KR102343752B1 (ko) | 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 | |
| JP2009054843A (ja) | プロセス異常検出装置および方法並びにプログラム | |
| CN117786373A (zh) | 一种基于大数据的瓦楞纸加工的设备运行诊断系统 | |
| WO2019082407A1 (ja) | 異常検出システムおよび異常検出方法 | |
| US20120116827A1 (en) | Plant analyzing system | |
| WO2013041440A1 (en) | System and method for plant wide asset management | |
| US20190361428A1 (en) | Competency gap identification of an operators response to various process control and maintenance conditions | |
| CN105518654A (zh) | 对工具处理数据提供多变量分析的基于k最近邻法与系统 | |
| Ramesh et al. | Implementation of predictive maintenance systems in remotely located process plants under industry 4.0 scenario | |
| CN112085200A (zh) | 包括确定设备重要度和警报有效性的处理程序的用于预检核电站设备异常迹象的方法及系统 | |
| Arakelian et al. | Creation of predictive analytics system for power energy objects | |
| JP2010086219A (ja) | 遠隔の機械を保守するための情報処理装置、プログラム、および方法 | |
| CN116349102A (zh) | 用于电力网络中的电力异常的基于分布式监测的自适应诊断的方法、设备和系统 | |
| CN118226825A (zh) | 一种基于mes系统的质量控制数据处理方法 | |
| US20230376024A1 (en) | Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process | |
| CN116263734A (zh) | 工业机器人状态监控方法、系统及提示终端 | |
| Suzuki et al. | An anomaly detection system for advanced maintenance services | |
| CN105683852A (zh) | 用于模型自适应的设备和方法 | |
| Klees et al. | Building a smart database for predictive maintenance in already implemented manufacturing systems |