□ 기존 기술의 문제점

- 설비의 고장을 진단하기 위해서는 설비의 분해가 필수였으며, 그 과정이 복잡하고 오랜 시간이 걸리며 정확한 진단이 어려운 문제가 존재하였음

□ 기술의 특징

• 기술은 학습 장치 및 학습 방법, 신호 재구성 모델을 이용하여 설비의 이상 여부를 진단하는 고장 진단 장치 및 고장 진단 방법에 관한 것으로, 비지도 학습 방식의 인공지능 모델을 학습시키고, 측정된 진동 주파수 신호 전체 영역을 대상으로 설비의 이상 여부를 진단하는 방법을 제공

•  장치: 진동 주파수 신호를 이용하여 신호 재구성 모델을 학습시킴

• 신호 획득부(210): 진동 센서를 통해 설비가 정상 운용되는 경우 발생되는 진동을 측정한 진동 주파수 신호를 획득

• 재구성 모델(220): 획득한 진동 주파수 신호를 이용하여 진동 주파수 신호에 대응되는 재구성 신호 생성
• 오차 값 결정부(230): 재구성 오차 값(진동 주파수 신호 및 재구성 신호 간의 차이)을 결정

• 값 결정부(240): 미리 정의된 복수의 주파수 대역별로 재구성 오차 값에 대한 임계 값을 결정

•  진단 장치: 학습이 완료된 신호 재구성 모델을 이용하여 입력된 진동 주파수 신호와 유사한 신호를 출력. 입력된 주파수 진동 신호와 재구성 신호 간의 차이를 미리 정의된 임계치와 비교하여 설비의 고장 여부 진단
• 진단 장치는 주파수 대역별로 이상 여부를 진단, 각 주파수 대역의 이상 판정 결과를 OR 연산하여 설비 고장 여부를 진단

• 1 주파수 대역(110)의 제1 재구성 오차 값이 제1 주파수 대역의 임계 값보다 큰 경우: 제1 주파수 대역(110)과 관련된 설비가 이상이 있다는 진단

• 2 주파수 대역(120)의 제2 재구성 오차 값이 제2 주파수 대역의 임계 값보다 큰 경우: 제2 주파수 대역과 관련된 설비가 이상이 있다는 진단

□ 기술의 효과

- 본 기술의 설비 고장 진단 기술은 설비의 진동을 이용하여 설비의 고장을 진단하기 위해 비지도 학습 방식의 인공 지능 모델을 이용함으로써 고장 진단의 정확성 및 신속성을 향상시킬 수 있음