特許 7521832 データ分類装置および方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-07-16

(45)【発行日】2024-07-24

(54)【発明の名称】データ分類装置および方法

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240717BHJP

   G06F 18/20 20230101ALI20240717BHJP

【ＦＩ】

G06N20/00 160

G06F18/20

【請求項の数】 11

(21)【出願番号】P 2022577388

(86)(22)【出願日】2022-05-25

(65)【公表番号】

(43)【公表日】2023-07-26

(86)【国際出願番号】 KR2022007423

(87)【国際公開番号】W WO2022250449

(87)【国際公開日】2022-12-01

【審査請求日】2022-12-14

(31)【優先権主張番号】10-2021-0067260

(32)【優先日】2021-05-25

(33)【優先権主張国・地域又は機関】KR

(31)【優先権主張番号】10-2022-0063906

(32)【優先日】2022-05-25

(33)【優先権主張国・地域又は機関】KR

(73)【特許権者】

【識別番号】522486450

【氏名又は名称】ジェントル・エナジー・コーポレーション

(74)【代理人】

【識別番号】100108453

【弁理士】

【氏名又は名称】村山 靖彦

(74)【代理人】

【識別番号】100110364

【弁理士】

【氏名又は名称】実広 信哉

(74)【代理人】

【識別番号】100133400

【弁理士】

【氏名又は名称】阿部 達彦

(72)【発明者】

【氏名】ヒュン・ジュン・パク

(72)【発明者】

【氏名】サン・ジュン・ナム

(72)【発明者】

【氏名】チャールズ・キソク・ソン

【審査官】北川 純次

(56)【参考文献】

【文献】特開２０２０－１８１３８０（ＪＰ，Ａ）

【文献】特開２０２０－０１１３３０（ＪＰ，Ａ）

【文献】特開２００７－１１４８９６（ＪＰ，Ａ）

【文献】国際公開第２０１６／１３７８４８（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ２０／００

Ｇ０６Ｎ ３／０２－ ３／１０

Ｇ０６Ｆ １８／００－１８／２０

(57)【特許請求の範囲】

【請求項1】

データ分類装置のプロセッサによって実行されるデータ分類方法であって、
機械に装備または設置可能なＩｏＴセンサから時系列センサデータを収集するステップと、
前記時系列センサデータを強調した第１処理データを生成するステップと、
前記第１処理データに基づいて前記機械の状態を決定するための第２処理データを生成するステップ、および
前記第２処理データに基づいて前記第１処理データから前記機械の状態を分類するステップを含み、
前記機械の状態は、
前記機械が活性化されて前記第１処理データが一定区間にわたって任意のパターンに可視化されない非パターン区間に含まれる第１状態、または、前記機械が活性化され、前記第１処理データが一定区間にわたって任意のパターンで可視化されるパターン区間に含まれる第２状態を含み、
前記第１状態は、前記機械に電源が供給され、前記機械が未作動である状態を含み、前記第２状態は、前記機械に電源が供給され、前記機械が作動している状態を含み、
前記時系列センサデータを収集するステップは、
前記ＩｏＴセンサが前記機械をセンシングした時間情報を示すタイムスタンプ、および前記タイムスタンプにおいて前記ＩｏＴセンサが前記機械を対象にしてセンシングした物理値を含む時系列センサデータを収集するステップを含み、
前記第１処理データを生成するステップの前に、
前記時系列センサデータから前記ＩｏＴセンサの基本物理値に基づいて基線（ｂａｓｅｌｉｎｅ）を推定するステップ、および
前記基線の推定結果から前記機械が非活性化される区間に含まれる第０状態を分類するステップをさらに含む、
データ分類方法。

【請求項2】

前記第１処理データを生成するステップは、
前記時系列センサデータに前記基線の推定結果を適用して下位時系列センサデータを生成するステップ、および
前記下位時系列センサデータからノイズを除去して、前記第１処理データを生成するステップを含む、請求項１に記載のデータ分類方法。

【請求項3】

前記第２処理データを生成するステップは、
前記第１処理データの統計的特性および高次微分値を利用して、前記機械に対して前記第１状態および前記第２状態を決定することができる動的しきい値としての第２処理データを生成するステップを含む、請求項１に記載のデータ分類方法。

【請求項4】

前記機械の状態を分類するステップは、
第１処理データおよび第２処理データを入力することによって機械の状態を分類する第１機械学習分類モデルを用いて、前記第１処理データに対応する機械の状態を分類するステップを含む、請求項１に記載のデータ分類方法。

【請求項5】

前記機械の状態を分類するステップの後、
前記パターン区間に含まれる前記第１処理データに動的時間伸縮法（ｄｙｎａｍｉｃ ｔｉｍｅ ｗａｒｐｉｎｇ；ＤＴＷ）を適用して類似度を測定するステップ、および
前記類似度の測定結果に基づいて、前記パターン区間に含まれる前記第１処理データから前記機械の状態を第２－１状態、第２－２状態、第２－３状態のうちの１つ以上にさらに分類するステップを含み、
前記第２－１状態は、前記第２状態に含まれる任意のパターンが予め設定された数以上繰り返して可視化される第１パターン区間に含まれる状態を示し、
前記第２－２状態は、前記第２状態に含まれる任意のパターンが予め設定された数未満で繰り返し可視化される第２パターン区間に含まれる状態を示し、
前記第２－３状態は、前記第１状態に含まれる第１処理データが前記動的時間伸縮法を介して前記第１パターン区間に変更された状態を示す、請求項４に記載のデータ分類方法。

【請求項6】

前記追加分類するステップは、
パターン区間に含まれる第１処理データおよび第１機械学習分類モデルを用いて分類した機械の状態を入力することによって機械の状態をさらに分類する第２機械学習分類モデルを用いて、前記第０状態ないし前記第２状態に含まれる第１処理データに対応する前記機械の状態をさらに分類するステップを含む、請求項５に記載のデータ分類方法。

【請求項7】

コンピュータを用いて請求項１～請求項６のいずれか一項に記載の方法を実行するためのコンピュータプログラムが記憶されたコンピュータ読み取り可能な記録媒体。

【請求項8】

データ分類装置として、
プロセッサ、および
前記プロセッサと動作可能に接続され、前記プロセッサで実行される少なくとも１つのコードを記憶するメモリを含み、
前記メモリは、前記プロセッサを介して実行される時、プロセッサが機械に装備または 設置可能なＩｏＴセンサから時系列センサデータを収集し、
前記時系列センサデータを強調した第１処理データを生成し、
前記第１処理データに基づいて前記機械の状態を決定するための第２処理データを生成し、
前記第２処理データに基づいて前記第１処理データから前記機械の状態を分類するよう促すコードを含み、
前記機械の状態は、
前記機械が活性化され、前記第１処理データが一定区間にわたって任意のパターンに可視化されない非パターン区間に含まれる第１状態、または、前記機械が活性化され、前記第１処理データが一定区間にわたって任意のパターンに可視化されるパターン区間に含まれる第２状態を含み、
前記第１状態は、前記機械に電源が供給され、前記機械が未作動である状態を含み、前記第２状態は、前記機械に電源が供給され、前記機械が作動している状態を含み、
前記メモリは前記プロセッサにとって、
前記時系列センサデータを収集する際に、前記ＩｏＴセンサが前記機械をセンシングした時間情報を示すタイムスタンプ、および前記タイムスタンプで前記ＩｏＴセンサが前記機械を対象にしてセンシングした物理値を含む時系列センサデータを収集するように促すコードを記憶し、
前記メモリは前記プロセッサにとって、
前記第１処理データを生成する前に、前記時系列センサデータから前記ＩｏＴセンサの 基本物理値に基づいて基線（ｂａｓｅｌｉｎｅ）を推定し、
前記基線（ｂａｓｅｌｉｎｅ）の推定結果から、前記機械が非活性化される区間に含まれる第０状態を分類するように促すコードをさらに記憶する、
データ分類装置。

【請求項9】

前記メモリは前記プロセッサにとって、
前記第１処理データを生成する際に、前記時系列センサデータに前記基線の推定結果を適用して下位時系列センサデータを生成し、
前記下位時系列センサデータからノイズを除去して前記第１処理データを生成するように促すコードを記憶する、請求項８に記載のデータ分類装置。

【請求項10】

前記メモリは前記プロセッサにとって、
前記第２処理データを生成する際に、前記第１処理データに対する統計的特性と高次微分値を活用して前記機械に対して前記第１状態および前記第２状態を決定できる動的しきい値としての第２処理データを生成するように促すコードを記憶する、請求項８に記載のデータ分類装置。

【請求項11】

前記メモリは前記プロセッサにとって、
前記機械の状態を分類した後、前記パターン区間に含まれる前記第１処理データに動的時間伸縮法を適用して類似度を測定し、
前記類似度の測定結果に基づいて、前記パターン区間に含まれる前記第１処理データから、前記機械の状態を第２－１状態、第２－２状態および第２－３状態のうちの１つ以上にさらに分類するように促すコードをさらに記憶し、
前記第２－１状態は、前記第２状態に含まれる任意のパターンが予め設定された数以上繰り返して可視化される第１パターン区間に含まれる状態を示し、
前記第２－２状態は、前記第２状態に含まれる任意のパターンが予め設定された数未満で繰り返し可視化される第２パターン区間に含まれる状態を示し、
前記第２－３状態は、前記第１状態に含まれる前記第１処理データが前記動的時間伸縮法を介して前記第１パターン区間に変更される状態を示す、請求項８に記載のデータ分類装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ＩｏＴセンサから収集されたデータを分析して拡張情報を提供するデータ分類装置および方法に関する。

【背景技術】

【0002】

一般に、ＣＮＣ（ｃｏｍｐｕｔｅｒｉｚｅｄ ｎｕｍｅｒｉｃａｌ ｃｏｎｔｒｏｌ）工作機械は高性能の演算装置を内蔵したＮＣ（ｎｕｍｅｒｉｃａｌ ｃｏｎｔｒｏｌ）工作機械であり、加工形状、加工条件、加工動作などのデータをコンピュータで自動プログラミングしてＮＣデータに変換し、ＮＣデータをパルス信号化された状態に変換して工作機械を駆動する。近年、ＩｏＴ技術の発展に伴って、ＣＮＣ工作機械も様々な形態のセンサと通信モジュールを装着し、遠隔モニタリングまたは制御が可能になるように発展している。

【0003】

前述した背景技術は、発明者が本発明の導出のために保有していたか、本発明の導出過程で習得した技術情報であり、必ずしも本発明の出願前に一般公衆に公開された公知技術とは言えない。

【先行技術文献】

【特許文献】

【0004】

【文献】韓国登録特許公報第１０－０９５２６１９号（２０１０．０４．０６）

【発明の概要】

【発明が解決しようとする課題】

【0005】

本発明の一課題は、機械に装備または設置可能なＩｏＴセンサから収集されたデータを分析して機械の状態を分類するデータ分類装置および方法を提供することにある。
本発明の一課題は、機械に装備または設置可能なＩｏＴセンサから収集されたデータ分析時に、教師なし学習のカテゴリーに属する分析モデルを用いて別途のトレーニングデータとトレーニング期間を必要とせず、異機種データにも適用可能なデータ分類装置および方法を提供することにある。

【0006】

本発明の一課題は、ＩｏＴセンサで収集された超小型データ構造にも適用可能な汎用性を有するデータ分類装置および方法を提供することにある。

【0007】

本発明が解決しようとする課題は、以上で言及した課題に限定されず、言及されていない本発明の他の課題および利点は、以下の説明によって理解することができ、本発明の実施例によって、より明らかに理解されるであろう。さらに、本発明が解決しようとする課題および利点は、特許請求の範囲に示される手段およびその組み合わせによって実現され得ることが理解されるであろう。

【課題を解決するための手段】

【0008】

本発明の一実施例に係るデータ分類方法は、データ分類装置のプロセッサによって実行されるデータ分類方法であって、機械に装備または設置可能なＩｏＴセンサから時系列センサデータを収集するステップと、時系列センサデータを強調した第１処理データを生成するステップと、第１処理データに基づいて機械の状態を決定するための第２処理データを生成するステップと、第２処理データに基づいて第１処理データから機械の状態を分類するステップを含み、機械の状態は、機械が活性化されて第１処理データが一定区間にわたって任意のパターンに可視化されない非パターン区間に含まれる第１の状態、および機械が活性化され第１処理データが一定区間にわたって任意のパターンに可視化されるパターン区間に含まれる第２の状態のうちの１つ以上を含むことができる。

【0009】

本発明の一実施例に係るデータ分類装置は、プロセッサと、プロセッサと動作可能に接続されプロセッサで実行される少なくとも１つのコードを記憶するメモリとを含み、メモリは、プロセッサを介して実行されるとき、プロセッサが機械に装備または設置可能なIoTセンサから時系列センサデータを収集し、時系列センサデータを強調した第1処理データを生成し、第1処理データに基づいて機械の状態を決定するための第2処理データを生成し、第２処理データに基づいて第１処理データから機械の状態を分類するよう促すコードを含み、機械の状態は、機械が活性化されて第１処理データが一定区間にわたって任意のパターンで可視化されない非パターン区間に含まれる第１の状態、および機械が活性化され第１処理データが一定区間にわたって任意のパターンで可視化されるパターン区間に含まれる第２の状態のうちの１つ以上を含むことができる。

【0010】

これに加えて、本発明を実施するための他の方法、他のシステム、および前記方法を実行するためのコンピュータプログラムを記憶したコンピュータ読み取り可能な記録媒体をさらに提供することができる。

【0011】

前述以外の他の側面、特徴、利点が、以下の図面、特許請求の範囲、および発明の詳細な説明から明らかになるであろう。

【発明の効果】

【0012】

本発明によれば、機械に装備または設置可能なＩｏＴセンサから収集されたデータを分析して機械の状態を分類する際に、分類精度が高いデータ分類装置および方法を提供することができる。

【0013】

また、機械に装備または設置可能なＩｏＴセンサから収集されたデータの分析時に教師なし学習のカテゴリーに属する分析モデルを用いて、別途のトレーニングデータとトレーニング期間を必要とせず異機種データにも適用可能なデータ分類装置および方法を提供できる。

【0014】

また、ＩｏＴセンサで収集された超小型データ構造にも適用可能な汎用性を有しており、比較的性能の低い演算装置を通じても実質的に活用可能なデータ分類が可能であり、コスト削減が可能なデータ分類装置および方法を提供することができる。

【0015】

本発明の効果は以上で言及されたものに限定されず、言及されていない他の効果は以下の説明から当業者には明確に理解されるであろう。

【図面の簡単な説明】

【0016】

【図1】本実施例に係るデータ分類環境の例示図である。

【図2】本実施例に係るデータ分類装置の構成を概略的に説明するために示すブロック図である。

【図3】図２のデータ分類装置のうち分類処理部の構成を概略的に説明するために示すブロック図である。

【図4】本実施例に係るデータ分類を説明するためのグラフである。

【図5】本実施例に係るデータ分類を説明するためのグラフである。

【図6】本実施例に係るデータ分類を説明するためのグラフである。

【図7】本実施例に係るデータ分類を説明するためのグラフである。

【図8】本実施例に係るデータ分類を説明するためのグラフである。

【図9】本実施例に係るデータ分類を説明するためのグラフである。

【図10】本実施例に係るデータ分類を説明するためのグラフである。

【図11】本実施例に係るデータ分類を説明するためのグラフである。

【図12】他の実施例に係るデータ分類装置の構成を概略的に説明するために示すブロック図である。

【図13】本実施例に係るデータ分類方法を説明するためのフローチャートである。

【図14】本実施例に係るデータ分類方法を説明するためのフローチャートである。

【発明を実施するための形態】

【0017】

本発明の利点および特徴、並びにそれらを達成する方法は、添付の図面と共に詳細に説明される実施例を参照すれば明らかになるであろう。しかしながら、本発明は、以下に提示される実施例に限定されるものではなく、それぞれの様々な形態で実施することができ、本発明の精神および技術範囲に含まれるすべての変換、均等物ないし代替物を含むことと理解すべきである。以下に提示される実施例は、本発明の開示を完全なものにし、本発明が属する技術分野において通常の知識を有する者に発明の範囲を完全に知らせるために提供されるものである。本発明の説明において、関連する公知技術の具体的な説明が本発明の要旨を不明瞭にすると判断される場合、その詳細な説明は省略する。

【0018】

本出願で使用される用語は、単に特定の実施例を説明するために使用されたものであり、本発明を限定することを意図していない。単数の表現は、文脈上明らかに他に意味がない限り、複数の表現を含む。本出願において、「含む」または「有する」などの用語は、本明細書に記載の特徴、数字、ステップ、動作、構成要素、部品、またはそれらを組み合わせたものが存在することを指定しようとするものであり、1つまたは複数の他の特徴、数字、ステップ、動作、構成要素、部品、またはそれらを組み合わせたものの存在または追加の可能性を予め排除しないことと理解されるベきである。第１、第２などの用語は様々な構成要素を説明するために使用することができるが、構成要素は前記用語によって限定されるべきではない。前記用語は、ある構成要素を他の構成要素から区別する目的でのみ使用される。

【0019】

さらに、本出願において、「部」は、プロセッサまたは回路などのハードウェア構成（ｈａｒｄｗａｒｅ ｃｏｍｐｏｎｅｎｔ）、および／またはプロセッサなどのハードウェア構成によって実行されるソフトウェア構成（ｓｏｆｔｗａｒｅ ｃｏｍｐｏｎｅｎｔ）であり得る。

【0020】

以下、本発明に係る実施例を添付された図面を参照して詳細に説明するが、添付図面を参照して説明するにあたり、同一または対応する構成要素には同一の図面番号を付与し、重複する説明は省略することにする。

【0021】

図１は、本実施例に係るデータ分類環境の例示図である。図１を参照すると、データ分類環境１は、データ分類装置１００、機械２００、ＩｏＴセンサ３００、ユーザ端末４００、およびネットワーク５００を含むことができる。

【0022】

データ分類装置１００は、機械２００に装備または設置可能なＩｏＴセンサ３００から収集されたデータがどのような意味を有するかをより効率的に分析するためにデータを処理することができる。データ分類装置１００は、機械２００に装備または設置可能なＩｏＴセンサ３００から単に収集されたデータの解釈を通じて機械２００に関する拡張情報を分類することができる。ここで、機械２００に関連する拡張情報は、例えば、機械２００の状態情報を含むことができる。

【0023】

本実施例では、機械２００は、電気モータによって金属物体を成形する金属加工機械を含むことができる。しかしながら、これに限定されず、内外にＩｏＴセンサ３００を装備し、データ分類装置１００と通信可能な機械であれば、本実施例に適用することができる。

【0024】

本実施例では、ＩｏＴセンサ３００は、モノのインターネット環境に適用されるセンサであり、機械２００に装備され、機械２００に関するデータをセンシングしてデータ分類装置１００に送信することができる。そのようなＩｏＴセンサ３００は、電流センサ、振動センサ、照度センサ、温度センサ、近接度センサなどを含むことができる。本実施例では、説明の便宜上、ＩｏＴセンサ３００が電流センサであると仮定して説明する。

【0025】

本実施例では、データ分類装置１００が分類する機械２００の状態は、第０状態、第１状態、第２状態および第２－１状態～第２－３状態を含むことができる。

【0026】

第０状態は、機械２００が非活性化区間に含まれる状態を含み得る。ここで、非活性化（ｉｎａｃｔｉｖｅ）区間とは、機械２００の電源が遮断される区間を含むことができる。例えば、機械２００がミキサーである場合、第０状態はミキサーの電源が遮断された状態であり得る。本実施例では、第０状態とは対照的に、第１状態、第２状態および第２－１状態～第２－３状態は、活性化区間に含まれる状態を含むことができる。ここで、活性化（ａｃｔｉｖｅ）区間とは、機械２００の電源が供給される区間を含むことができる。

【0027】

第１状態は、機械２００が活性化され、後述する第１処理データが一定区間にわたって任意のパターンに可視化されない非パターン区間に含まれる状態を表すことができる。すなわち、第１状態は、機械２００の電源が供給され、機械２００が未作動である状態を含むことができる。例えば、機械２００がミキサーである場合、第１状態はミキサーの電源を供給した後に操作ボタンを押す前の状態であり得る。

【0028】

第２状態は、機械２００が活性化され、後述する第１処理データが一定区間にわたって任意のパターンに可視化されるパターン区間に含まれる状態を表すことができる。すなわち、第２状態は、機械２００の電源が供給されて機械２００が作動する状態を含むことができる。例えば、機械２００がミキサーである場合、第２状態はミキサーの電源を供給した後に操作ボタンを入力してミキサーを作動させる状態であり得る。ここで、ミキサーの操作ボタンを入力すると、それに対応する任意のパターンを生成することができる。

【0029】

第２－１状態は、第２状態に含まれる任意のパターンが予め設定された数以上繰り返して可視化される第１パターン区間に含まれる状態を示すことができる。すなわち、第２－１状態は、機械２００の電源が供給され、機械２００が正常に動作する状態を含むことができる。例えば、機械２００がミキサーである場合、第２－１状態は、操作ボタンを所定の回数以上入力してミキサーを作動させる状態であり得る。ここで、ミキサーの操作ボタンが所定の回数以上入力されると、それに対応する任意のパターンが予め設定された回数以上生成されることができる。所定の回数以上生成された任意のパターンは、第１のパターン区間を形成することができる。

【0030】

第２－２状態は、第２状態に含まれる任意のパターンが予め設定された数未満で繰り返して可視化される第２パターン区間に含まれる状態を表すことができる。すなわち、第２－２状態は、機械２００の電源が供給されて機械２００にエラーが発生した状況ではなく、異常動作する状態を含むことができる。例えば、機械２００がミキサーである場合、第２－２状態はミキサーの電源を供給した後に操作ボタンを入力してミキサーが正常に動作しているかどうかをテストする状態であり得る。ミキサーをテストするために入力する操作ボタンと、ミキサーに充填した内容物を混合するために入力する操作ボタンとは、時間と強度が異なる場合がある。したがって、ミキサーをテストするために入力された操作ボタンに従って生成されるパターンと、ミキサーに充填された内容物を混合するために入力された操作ボタンに従って生成されるパターンとは異なる場合がある。このようにミキサーをテストして生成されたパターンは第２パターン区間を形成することができる。別の実施例では、機械２００が金属加工機械である場合、第２－２状態は金属加工機械をウォームアップ（ｗａｒｍ ｕｐ）、クールダウン（ｃｏｏｌ ｄｏｗｎ）、またはテスト（ｔｅｓｔ）する状態であり得る。

【0031】

第２－３状態は、第１状態に含まれる第１処理データが後述する動的時間伸縮法（ｄｙｎａｍｉｃ ｔｉｍｅ ｗａｒｐｉｎｇ；ＤＴＷ）を介して第１パターン区間に変更される状態を表すことができる。すなわち、第２－３状態は、もともと非パターン区間に含まれていた第１処理データが信号処理を通じて第１パターン区間、および第２パターン区間を含むパターン区間のうち第１パターン区間に変更された場合を含むことができる。

【0032】

例えば、機械２００がミキサーである場合、第２－３状態を以下のように説明することができる。第１過程でミキサー内部の内容物を混合するために操作ボタンを入力してミキサーを作動させることができる。第１過程では、任意のパターンによって第１パターン区間に含まれるパターン区間を生成することができる。第２過程でミキサーが動作している間、ミキサーの刃に内容物がかかって一定時間ミキサーの動作が止まる場合が発生することがあり、ミキサーの動作が始まり、内容物がかかる前までを第２－０過程、かかった内容物が抜けるまでを第２－１過程、そして内容物が抜けた後から混合が完了するまでを第２－３過程に細分化することができる。第２－１過程ではミキサーの動作が停止して非パターン区間を生成することができ、第２－０および第２－２過程ではそれぞれ任意のパターン区間を生成することができる。第１過程と第２過程で同じ内容物を同じ程度に混合した場合、第２－０過程および第２－２過程のパターンを接合する場合、第１パターン区間に含まれるパターンであってもよい。したがって、第２－０過程～第２－２過程の信号に動的時間伸縮法を適用した時、第２－０過程および第２－２過程の接合パターンが第１パターン区間に含まれる場合、第２過程の非パターン区間を第１パターン区間に変更することができる。このように、第２過程の非パターン区間を第１パターン区間に変更した状態を第２－３状態と表すことができる。データ分類装置１００は、機械２００の状態を分類するために機械２００に装備または設置可能なＩｏＴセンサ３００から時系列センサデータを収集することができる。ここで時系列センサデータは、ＩｏＴセンサ３００が機械２００をセンシングした時間情報を示すタイムスタンプおよびタイムスタンプでＩｏＴセンサ３００が機械２００を対象としてセンシングした物理値（例えば、電流値）を含むことができる。また、時系列センサデータを元データと呼ぶことができる。本実施例で、元データは、タイムスタンプ（ｘ軸）に対する物理値（ｙ軸）で表される多数の点で表示することができ、これらの点を連結するとグラフ（図４）で表示することができる。グラフを参照すると、所定のパターンが可視化されるパターン区間とパターンが可視化されない非パターン区間とに分割されていることが分かる。

【0033】

データ分類装置１００は、ＩｏＴセンサ３００から収集した元データから基線（ｂａｓｅｌｉｎｅ）を推定することができる。ここで、基線とは、電源供給および電源遮断区間を含めて機械２００が作動していない場合にＩｏＴセンサ３００がセンシングする基本物理値に基づく線と言える。本実施例で、基線は非パターン区間に属することができる。データ分類装置１００は、基線の推定結果から機械が非活性化される区間に含まれる第０状態を分類することができる。

【0034】

データ分類装置１００は、元データを強調した第１処理データを生成することができる。ここで、元データを強調するということは、非パターン区間およびパターン区間を含む元データにおいて、パターン区間を特徴づけて明確に可視化するという意味を含むことができる。データ分類装置１００は、第１処理データを生成するために、元データから推定した基線を適用して下位時系列センサデータを生成することができる。データ分類装置１００は、下位時系列センサデータからノイズを除去して、元データのパターン区間が強調された第１処理データを生成することができる。

【0035】

データ分類装置１００は、第１処理データに基づいて機械２００の状態を決定するための第２処理データを生成することができる。ここで、第２処理データは、機械２００に対して第１状態および第２状態を決定することができる動的しきい値（ｄｙｎａｍｉｃ ｔｈｒｅｓｈｏｌｄ）を含み得る。データ分類装置１００は、第１処理データの統計的特性と高次微分（例えば、４次微分）値を利用して第２処理データを生成することができる。

【0036】

データ分類装置１００は、第２処理データに基づいて第１処理データから機械２００の状態を分類することができる。ここで、機械２００の状態は、第１状態および第２状態のうちの１つ以上を含み得る。例えば、データ分類装置１００は、第２処理データを基準として第１方向のデータに対する機械２００の状態を第１状態に分類することができる。また、データ分類装置１００は、第２処理データを基準として第１方向から１８０度離れた第２方向のデータに対する機械２００の状態を第２状態に分類することができる。本実施例では、データ分類装置１００は、第１処理データおよび第２処理データを入力することによって機械の状態を分類する第１機械学習分類モデルを用いて第１処理データに対応する機械２００の状態を分類することができる。

【0037】

データ分類装置１００は、分類精度を向上させ、分類を細分化するために一連のデータ処理をさらに実行することができる。ここで、一連のデータ処理とは、第０状態ないし第２状態に含まれる第１処理データに類似度を測定する処理を含むことができる。データ分類装置１００は、類似度測定結果に基づいてパターン区間に含まれる第１処理データおよび第１機械学習分類モデルを用いて分類した機械２００の状態から機械２００の状態を第２－１状態、第２－２状態および第２－３状態のうちの１つ以上にさらに分類することができる。本実施例で、データ分類装置１００は、パターン区間に含まれる第１処理データおよび第１機械学習分類モデルを用いて分類した機械２００の状態を入力することによって機械の状態をさらに分類する第２機械学習分類モデルを用いて、第０状態ないし第２状態に含まれる第１処理データに対応する機械２００の状態をさらに分類することができる。

【0038】

本実施例で、機械２００の状態を第０状態ないし第２状態のうちの１つ以上に分類する作業を一次分類と呼ぶことができる。また、機械２００の第２状態を第２－１状態ないし第２－３状態のうちの１つ以上にさらに分類する作業を２次分類と呼ぶことができる。
データ分類装置１００は、一次分類および二次分類の結果を元データとしての時系列センサデータに適用して、時系列センサデータのそれぞれが機械２００の状態のどこに属するかを正確に分類することができる。

【0039】

本実施例では、データ分類装置１００は、サーバ形態で独立して存在してもよく、データ分類装置１００が行うデータ分類機能をアプリケーション形態で具現してユーザ端末４００に搭載してもよい。

【0040】

さらに、データ分類装置１００は、各種の人工知能アルゴリズムを適用するために必要なデータを提供するデータベースサーバであり得る。

【0041】

ここで人工知能（ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ， ＡＩ）は、人間の知能でできる思考、学習、自己啓発などがコンピュータにもできるようにする方法を研究するコンピュータ工学および情報技術の一分野で、コンピュータが人間のインテリジェントな行動を模倣できるようにすることを意味し得る。
また、人工知能はそれ自体で存在するのではなく、コンピュータサイエンスの他の分野と直接的または間接的に多くの関連がある。特に現代には情報技術の様々な分野で人工知能的要素を導入し、その分野の問題解決に活用しようとする試みが非常に活発に行われている。

【0042】

機械学習（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）は人工知能の一分野であり、コンピュータに明示的なプログラムなしで学ぶ能力を与える研究分野を含むことができる。具体的に機械学習は、経験的データに基づいて学習を行い、予測を行い、自らの性能を向上させるシステムと、そのためのアルゴリズムを研究して構築する技術といえる。機械学習のアルゴリズムは、厳格に定められた静的プログラム命令を実行するのではなく、入力データに基づいて予測または決定を導くために特定のモデルを構築する方法をとることができる。

【0043】

ユーザ端末４００は、データ分類装置１００が提供するデータ分類アプリケーションおよび／またはデータ分類サイトに接続してデータ分類サービスを受けることができる。
このようなユーザ端末４００は、コンピューティングデバイス（図示せず）の機能を実行することができる通信端末を含むことができ、ユーザが操作するデスクトップコンピュータ４０１、スマートフォン４０３、ノートパソコン４０４に加えて、タブレットＰＣ、スマートＴＶ、携帯電話、ＰＤＡ（ｐｅｒｓｏｎａｌ ｄｉｇｉｔａｌ ａｓｓｉｓｔａｎｔ）、メディアプレーヤー、マイクロサーバー、ＧＰＳ（ｇｌｏｂａｌ ｐｏｓｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍ）機器、電子書籍リーダー、デジタル放送用端末、カーナビ、キオスク、ＭＰ３プレーヤー、デジタルカメラ、家電機器、他のモバイルまたは非モバイルのコンピューティングデバイスであってもよいが、これらに限定されない。また、ユーザ端末４００は、通信機能およびデータ処理機能を備えた時計、メガネ、ヘアバンド、指輪などのウェアラブル端末であってもよい。このようなユーザ端末４００は上述した内容に限定されず、ウェブ閲覧可能な端末は制限なく採用することができる。

【0044】

ネットワーク５００は、データ分類装置１００、ＩｏＴセンサ３００、およびユーザ端末４００をつなげる役割を果たすことができる。このようなネットワーク５００は、例えば、ＬＡＮ（ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ＷＡＮ（ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ）、ＭＡＮ（ｍｅｔｒｏｐｏｌｉｔａｎ ａｒｅａ ｎｅｔｗｏｒｋ）、ＩＳＤＮ（ｉｎｔｅｇｒａｔｅｄ ｓｅｒｖｉｃｅ ｄｉｇｉｔａｌ ｎｅｔｗｏｒｋ）などの有線ネットワークや、ＷＬＡＮ（ｗｉｒｅｌｅｓｓ ＬＡＮ）、ＣＤＭＡ（ｃｏｄｅ－ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、衛星通信などの無線ネットワークを網羅することができるが、本発明の範囲がこれに限定されるものではない。さらに、ネットワーク５００は、近距離通信および／または遠距離通信を利用して情報を送受信することができる。ここで、近距離通信はＢｌｕｅｔｏｏｔｈ、ＲＦＩＤ（ｒａｄｉｏ ｆｒｅｑｕｅｎｃｙ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）、ＩｒＤＡ（ｉｎｆｒａｒｅｄ ｄａｔａ ａｓｓｏｃｉａｔｉｏｎ）、ＵＷＢ（ｕｌｔｒａ－ｗｉｄｅｂａｎｄ）、ＺｉｇＢｅｅ、Ｗｉ－Ｆｉ技術を含むことができ、遠距離通信はＣＤＭＡ（ｃｏｄｅ－ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、ＦＤＭＡ（ｆｒｅｑｕｅｎｃｙ－ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、ＴＤＭＡ（ｔｉｍｅ－ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、ＯＦＤＭＡ（ｏｒｔｈｏｇｏｎａｌ ｆｒｅｑｕｅｎｃｙ－ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、ＳＣ－ＦＤＭＡ（ｓｉｎｇｌｅ ｃａｒｒｉｅｒ ｆｒｅｑｕｅｎｃｙ－ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）技術を含むことができる。

【0045】

ネットワーク５００は、ハブ、ブリッジ、ルータ、スイッチなどのネットワーク要素の接続を含み得る。ネットワーク５００は、インターネットなどのパブリックネットワーク、および安全な企業内のプライベートネットワークなどのプライベートネットワークを含む複数の接続ネットワーク、例えばマルチネットワーク環境を含むことができる。ネットワーク５００へのアクセスは、１つ以上の有線または無線アクセスネットワークを介して提供されてもよい。

【0046】

さらにネットワーク５００は、ＣＡＮ（ｃｏｎｔｒｏｌｌｅｒ ａｒｅａ ｎｅｔｗｏｒｋ）、Ｖ２Ｉ（ｖｅｈｉｃｌｅ－ｔｏ－ｉｎｆｒａｓｔｒｕｃｔｕｒｅ）、Ｖ２Ｘ（ｖｅｈｉｃｌｅ－ｔｏ－ｅｖｅｒｙｔｈｉｎｇ）、ＷＡＶＥ（ｗｉｒｅｌｅｓｓ ａｃｃｅｓｓ ｉｎ ｖｅｈｉｃｕｌａｒ ｅｎｖｉｒｏｎｍｅｎｔ）通信技術と、モノなど分散した構成要素の間で情報をやり取りして処理するＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）ネットワークおよび/またはＮＢ－ＩｏＴネットワークおよび/または５Ｇ通信をサポートできる。ここで、ＮＢ（ｎａｒｒｏｗｂａｎｄ）－ＩｏＴは、ＬＴＥ（Ｌｏｎｇ－Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）周波数を利用した低消費費電力／広域のモノのインターネット技術の一つであり、低容量データを間欠的に伝送する追跡、センシング、検針などに活用することができる。

【0047】

図２は、本実施例に係るデータ分類装置の構成を概略的に説明するために示すブロック図である。以下の説明において図１の説明と重複する部分はその説明を省略する。図２を参照すると、データ分類装置１００は、通信部１１０、記憶媒体１２０、プログラム記憶部１３０、データベース１４０、分類処理部１５０および制御部１６０を含むことができる。

【0048】

通信部１１０は、ネットワーク５００と連動してデータ分類装置１００、機械２００、ＩｏＴセンサ３００およびユーザ端末４００間の送受信信号をパケットデータの形態で提供するために必要な通信インタフェースを提供することができる。さらに、通信部１１０は、ユーザ端末４００から所定の情報要求信号を受信する役割を果たすことができ、分類処理部１５０が処理した情報をユーザ端末４００に送信する役割を果たすことができる。ここで、通信網とは、データ分類装置１００とユーザ端末４００とをつなげる役割を果たす媒体であり、ユーザ端末４００がデータ分類装置１００に接続した後に情報を送受信することができるように接続経路を提供する経路を含むことができる。また、通信部１１０は、他のネットワーク装置と有無線接続を介して制御信号またはデータ信号などの信号を送受信するために必要なハードウェアおよびソフトウェアを含む装置であってもよい。
記憶媒体１２０は、制御部１６０が処理するデータを一時的または永久的に記憶する機能を実行する。ここで、記憶媒体１２０は磁気記憶媒体（ｍａｇｎｅｔｉｃ ｓｔｏｒａｇｅ ｍｅｄｉａ）またはフラッシュ記憶媒体（ｆｌａｓｈ ｓｔｏｒａｇｅ ｍｅｄｉａ）を含むことができるが、本発明の範囲がこれに限定されるものではない。そのような記憶媒体１２０は、内蔵メモリおよび／または外部メモリを含むことができ、ＤＲＡＭ、ＳＲＡＭ、またはＳＤＲＡＭなどの揮発性メモリ、ＯＴＰＲＯＭ（ｏｎｅ ｔｉｍｅ ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＰＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、マスクＲＯＭ、フラッシュＲＯＭ、ＮＡＮＤ型フラッシュメモリ、またはＮＯＲ型フラッシュメモリなどの不揮発性メモリ、ＳＳＤ、 ＣＦ（ｃｏｍｐａｃｔ ｆｌａｓｈ）カード、ＳＤカード、Ｍｉｃｒｏ－ＳＤカード、Ｍｉｎｉ－ＳＤカード、ｘＤカード、またはメモリースティック（ｍｅｍｏｒｙ ｓｔｉｃｋ）などのフラッシュドライブ、またはＨＤＤなどの記憶装置を含むことができる。

【0049】

プログラム記憶部１３０は、機械２００に装備または設置可能なＩｏＴセンサ３００から時系列センサデータを収集する作業、時系列センサデータからＩｏＴセンサ３００の基本物理値に基づいて基線を推定する作業、基線の推定結果から機械２００に対する第０状態を分類する作業、時系列センサデータを強調した第１処理データを生成する作業、第１処理データに基づいて機械２００の状態を決定するための第２処理データを生成する作業、第２処理データに基づいて第１処理データから機械２００の状態を第１状態および第２状態のうちの１つ以上に分類する作業、パターン区間に含まれる第１処理データに対する類似度を測定する作業、類似度の測定結果に基づいてパターン区間に含まれる第１処理データから機械２００の状態を第２－１状態、第２－２状態および第２－３状態の1つ以上に追加分類する作業などを行う制御ソフトウェアを搭載している。

【0050】

データベース１４０は、機械２００の種類および仕様情報と、機械２００に装備または設置可能なＩｏＴセンサ３００の種類および仕様情報を記憶する管理データベースを含むことができる。また、管理データベースには、機械２００の状態を分類するためにＩｏＴセンサ３００から収集した時系列センサデータと、分類処理部１５０が処理したデータとを記憶することができる。

【0051】

また、データベース１４０は、データ分類サービスの提供を受けるユーザの情報を記憶するユーザデータベースを含むことができる。ここで、ユーザの情報は、ユーザの名前、所属、人的事項、性別、年齢、連絡先、電子メールアドレス、住所、画像などのユーザに関する基本的な情報と、ＩＤ（または電子メールアドレス）およびパスワード（ＰＡＳＳＷＯＲＤ）などユーザの認証（ログイン）に関する情報、接続した国・地域、接続位置、接続に使用した装置に関する情報、接続されたネットワーク環境などの接続に関する情報などを含むことができる。

【0052】

また、ユーザデータベースには、ユーザの固有情報と、データ分類アプリケーションまたはデータ分類サイトに接続したユーザが提供を受けた情報および/またはカテゴリー履歴、ユーザが設定した環境設定情報、ユーザが利用したリソース使用量情報、ユーザのリソース使用量に対応した課金および決済情報を記憶することができる。

【0053】

分類処理部１５０は、機械２００に装備または設置可能なＩｏＴセンサ３００から時系列センサデータを収集することができる。分類処理部１５０は、時系列センサデータからＩｏＴセンサ３００の基本物理値に基づいて基線を推定し、基線の推定結果から機械２００に対する第０状態を分類することができる。分類処理部１５０は、時系列センサデータを強調した第１処理データを生成することができる。分類処理部１５０は、第１処理データに基づいて機械２００の状態を決定するための第２処理データを生成することができる。分類処理部１５０は、第２処理データに基づいて第１処理データから機械２００の状態を第１状態および第２状態のうちの１つ以上に分類することができる。分類処理部１５０は、第０状態ないし第２状態に含まれる第１処理データに対する類似度を測定し、類似度の測定結果に基づいて第０状態ないし第２状態に含まれる第１処理データから機械２００の状態を、第２－１状態、第２－２状態、および第２－３状態のうちの１つ以上にさらに分類することができる。

【0054】

制御部１６０は、一種の中央処理装置としてプログラム記憶部１３０に搭載された制御ソフトウェアを駆動してデータ分類装置１００全体の動作を制御することができる。制御部１６０は、プロセッサ（ｐｒｏｃｅｓｓｏｒ）などのデータを処理することができるあらゆる種類の装置を含むことができる。ここで、「プロセッサ（ｐｒｏｃｅｓｓｏｒ）」とは、例えば、プログラムに含まれるコードまたは命令で表される機能を実行するために物理的に構造化された回路を有するハードウェアに組み込まれたデータ処理装置を意味することができる。このようにハードウェアに組み込まれたデータ処理装置の一例として、マイクロプロセッサ（ｍｉｃｒｏｐｒｏｃｅｓｓｏｒ）、中央処理装置（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ：ＣＰＵ）、プロセッサコア（ｐｒｏｃｅｓｓｏｒ ｃｏｒｅ）、マルチプロセッサ（ｍｕｌｔｉｐｒｏｃｅｓｓｏｒ）、ＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ－ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）などの処理装置を網羅することができるが、本発明の範囲がこれに限定されるものではない。

【0055】

本実施例で制御部１６０は、機械２００の状態を分類するためにＩｏＴセンサ３００から収集した時系列センサデータに対して機械学習を行うことができ、データベース１４０は機械学習に使用されるデータ、結果データなどを記憶することができる。

【0056】

一方、制御部１６０には機械学習アルゴリズムを搭載することができ、収集したＩｏＴセンサ３００の時系列センサデータを入力データとする機械学習に基づいて機械２００の状態情報分類を行うことができる。

【0057】

図３は、図２のデータ分類装置のうち分類処理部の構成を概略的に説明するために示すブロック図であり、図４～図１１は、本実施例に係るデータ分類を説明するためのグラフである。以下の説明において図１の説明と重複する部分はその説明を省略する。図３ないし図１１を参照すると、分類処理部１５０は、収集部１５１、推定部１５２、第１生成部１５３、第２生成部１５４、第１分類部１５５および第２分類部１５６を含むことができる。

【0058】

収集部１５１は、機械２００に装備又は設置可能なＩｏＴセンサ３００から時系列センサデータを収集することができる。ここで、時系列センサデータは、ＩｏＴセンサ３００が機械２００をセンシングした時間情報を示すタイムスタンプおよびタイムスタンプでＩｏＴセンサ３００が機械２００を対象としてセンシングした物理値を含むことができる。

【0059】

図４は、ＩｏＴセンサ３００から収集した時系列センサデータのグラフを示す。図４を参照すると、ｘ軸は時間を表し、ｙ軸は物理値を表すことができる。ＩｏＴセンサ３００が電流センサである場合、ｘ軸は電流センサが機械２００の電流をセンシングした時間としてのタイムスタンプを表し、ｙ軸はタイムスタンプで電流センサが機械２００を対象としてセンシングした電流値を表すことができます。図４から、所定のパターンが可視化されるパターン区間とパターンが可視化されない非パターン区間とに分割されていることが分かる。また、パターン区間が繰り返されていることがわかる。

【0060】

推定部１５２は、ＩｏＴセンサ３００から収集した時系列センサデータから基線を推定することができる。ここで、基線とは、電源供給および電源遮断区間を含めて機械２００が作動していない場合にＩｏＴセンサ３００がセンシングする基本物理値に基づく線と言える。本実施例で、基線は非パターン区間に属することができる。図５は、図４の時系列センサデータグラフから推定した基線のグラフを示す。

【0061】

一般的な機械（例えば、ミキサー）は、電源が供給され、機械が作動していない状態で消費している待機電力が一定であり得る。したがって、このような待機電力または誤差範囲内の待機電力を使用して基線を生成することができる。これから基線が固定されていることがわかる。

【0062】

しかしながら、本実施例に係る機械２００は工場に整備されており、工場で使用される電力は常時異なるため、機械２００は待機電力が一定であるとは見られない。これから基線が変動的であると見ることができる。したがって、機械２００に対する第１状態を正確に判断するためには、基線を把握する必要がある。したがって、推定部１５２は、一次的に時系列センサデータのうち、ＩｏＴセンサ３００の基本物理値に追従した線を基線と推定することができる。一方、待機電力が一定である場合には、誤差範囲内の待機電力を活用して生成した基線を利用することができる。待機電力が一定である場合には、本実施例に係る推定部１５２を省略することができる。

【0063】

推定部１５２は、基線の推定結果から機械２００の第０状態を分類することができる。データ分類装置１００は、基線の推定結果から物理値がジャンプするジャンプポイント５１０を見つけることができる。推定部１５２は、ジャンプポイント５１０の発生時点を基準にして以前の区間を第０状態に分類することができる。

【0064】

第１生成部１５３は、時系列センサデータを強調した第１処理データを生成することができる。第１生成部１５３は、時系列センサデータに推定した基線を適用して下位時系列センサデータを生成することができる。ここで、下位時系列センサデータ、時系列センサデータと推定した基線の減算結果と見なすことができる。図６は、時系列センサデータおよび推定した基線の減算結果としての下位時系列センサデータのグラフを示している。

【0065】

第１生成部１５３は、下位時系列センサデータからノイズを除去して時系列センサデータのパターン区間が強調された第１処理データを生成することができる。図７は、下位時系列センサデータからノイズを除去して生成した第１処理データのグラフを示している。

【0066】

本実施例で第１生成部１５３は、第１処理データを生成するために様々な方法を適用することができる。一実施例として、第１生成部１５３は、下位時系列センサデータに対してサンプリング周波数を固定するためのリサンプリング（ｒｅｓａｍｐｌｉｎｇ）、周波数が固定された下位時系列センサデータを平坦化するためのダウンサンプリング（ｄｏｗｎｓａｍｐｌｉｎｇ）、ノイズを除去するためのフィルタリング（ｆｉｌｔｅｒｉｎｇ）などを適用して第１処理データを生成することができる。本実施例で、第１生成部１５３が第１処理データを生成する過程を前処理（ｐｒｅｐｒｏｃｅｓｓｉｎｇ）過程と呼ぶことができる。

【0067】

このような前処理過程を行わずに、単に時系列センサデータを用いて機械２００の状態を分類すると、次のような問題が発生する可能性がある。本実施例で、ＩｏＴセンサ３００の収集周期は、１ミリ秒（ｍｓ）～１０万秒（ｓ）の間の固定間隔に設定することができる。しかしながら、データの収集過程で発生する通信遅延などの問題により、実際の時系列センサデータは一定した周期で収集されない可能性がある。また、ＩｏＴセンサ３００がセンシングする物理値には微小ノイズが存在し得、機械２００の特性によるノイズが存在し得る。例えば、ＣＮＣ工作機械の場合、データ分析の観点から明らかな妨害要素となるスパイクノイズ（ｓｐｉｋｅ）などのノイズが発生する可能性がある。

【0068】

時系列センサデータの周期が一定しないため、パターン区間に属するデータの数が異なり、分析のためのデータを抽出する時点によって物理値が変わり、またノイズによりパターン区間の特性を抽出することが難しい可能性がある。この問題により、機械２００の状態を分類する精度が著しく低下する可能性がある。しかしながら、本実施例の場合、前処理過程を通じて上述した問題を解決することにより、機械２００の状態を分類する精度を向上させることができる。

【0069】

第２生成部１５４は、第１処理データに基づいて機械２００の状態を決定するための第２処理データを生成することができる。ここで、第２処理データは、機械２００に対して第１状態および第２状態を決定することができる動的しきい値（ｄｙｎａｍｉｃ ｔｈｒｅｓｈｏｌｄ）を含み得る。第２生成部１５４は、第１処理データの統計的特性（例えば、分布関数の特性）と高次微分（例えば、４次微分）値を利用して第２処理データを生成することができる。図８は、第１処理データに基づいて生成された第２処理データを示している。

【0070】

本実施例では、基線を正確に見つけると、第２処理データ（動的しきい値）を見つける必要がない。しかし、基線が正確にわからないので、推定部１５２が基線を推定した。このように推定した基線を用いて機械２００の状態を分類すると、分類精度が低くなる可能性があり、分類精度を高めるために第２処理データを生成することができる。

【0071】

本実施例で、第２処理データを生成するために静的しきい値（ｓｔａｔｉｃ ｔｈｒｅｓｈｏｌｄ）を使用せずに動的しきい値を使用する理由は以下の通りである。静的しきい値を使用するモデルでは、元データに２つ以上の異なるパターンが存在する場合、または基線がＩｏＴセンサの検出誤差範囲を超える変動性を持つ場合、分類精度が著しく低下する可能性がある。しかしながら、本実施例の場合、第２処理データ（動的しきい値）の生成を通じて上述した問題を解決することにより、機械２００の状態を分類する精度を向上させることができる。

【0072】

第１分類部１５５は、第２処理データに基づいて第１処理データから機械２００の状態を分類することができる。ここで、機械２００の状態は、第１状態および第２状態のうちの１つ以上を含み得る。例えば、データ分類装置１００は、第２処理データを基準として第１方向（図８の８１０）のデータに対する機械２００の状態を第１状態に分類することができる。また、データ分類装置１００は、第２処理データを基準として第１方向から１８０度離れた第２方向（図８の８２０）のデータに対する機械２００の状態を第２状態に分類することができる。

【0073】

図９は、第２処理データに基づいて第１処理データから機械２００の状態を一次分類した結果を示している。本実施例で一次分類は、機械２００の状態を第０状態、第１状態および第２状態に分類した結果を含むことができる。

【0074】

図９の（ａ）は、第１処理データから機械２００が第０状態に分類される区間を示している。図９の（ｂ）は、第１処理データから機械２００が第１状態に分類される区間を示している。図９の（ｃ）は、第１処理データから機械２００が第２状態に分類される区間を示している。図９の（ｄ）は一次分類結果をまとめて示している。

【0075】

本実施例で第１分類部１５５は、第１処理データおよび第２処理データを入力することによって機械の状態を分類する第１機械学習分類モデルを用いて、第１処理データに対応する機械の状態を分類できる。

【0076】

第２分類部１５６は、分類精度を向上させ、分類を細分化するために一連のデータ処理をさらに行うことができる。ここで、一連のデータ処理とは、第０状態ないし第２状態に含まれる第１処理データに動的時間伸縮法を適用して類似度を測定する処理を含むことができる。第２分類部１５６は、類似度の測定結果に基づいて、第０状態ないし第２状態に含まれる第１処理データからの機械の状態を第２－１状態、第２－２状態および第２－３状態のうちの1つ以上にさらに分類することができる。

【0077】

第２分類部１５６は、１つ以上の連続的なパターンを組み合わせて生成した複合パターンと隣接パターンとの類似度を測定することができる。第２分類部１５６は、誤差範囲内の類似度を有する２つ以上のパターンを１つのグループにクラスタリングすることができる。

【0078】

第２分類部１５６は、クラスタリングの結果、いずれかのグループに含まれるパターンの数が予め設定された数以上である場合、当該グループに含まれるパターンを第２－１状態に分類することができる。第２－１状態に分類されたパターンは、第１パターン区間に含まれてもよい。

【0079】

第２分類部１５６は、クラスタリングの結果、他のグループに含まれるパターンの数が予め設定された数未満であるグループに含まれるパターンを第２－２状態に分類することができる。ここで、第２分類部１５６は、クラスタリングの結果、グループに含まれないパターンも第２－２状態に分類することができる。第２－２状態に分類されたパターンは、第２パターン区間に含まれてもよい。

【0080】

第２分類部１５６は、元々は第１状態に含まれていたが、動的時間伸縮法を通じて第１パターン区間に含まれたパターンを別途に分離して第２－３状態に分類することができる。

【0081】

図１０は、パターン区間に含まれる第１処理データを信号処理して機械２００の状態を２次分類した結果を示している。本実施例で２次分類は、第２状態を第２－１状態、第２－２状態および第２－３状態に分類した結果を含むことができる。

【0082】

図１０の（ａ）および（ｂ）は、図９の（ｃ）に対して、動的時間伸縮法を適用した結果を示している。図９の（ｃ）に示す２，３に該当する区間と、９，１０に該当する区間と、１１，１２に該当する区間と、１５，１６に該当する区間とに動的時間伸縮法を適用すると、図１０の（ａ）および（ｂ）に示すような１～１２に該当するパターンを生成することができる。

【0083】

図１０の（ａ）に示す１～１１に該当するパターンは、パターンの形状が類似しており、予め設定された数（例えば、３つ）以上繰り返されるため、第２－１状態に分類することができる。

【0084】

図１０の（ｂ）に示す１２のパターンは、図１０の（ａ）に示した１番ないし１１番のパターンと比較した時、パターンの形状が異なり、予め設定された数以上繰り返されないため、第２－２状態に分類できる。

【0085】

図１０の（ｃ）に示す８，９に該当するパターンは、図９の（ｂ）において９，１１に該当するパターンに対応してもよく、第１状態に含まれるパターンであってもよい。これも、動的時間伸縮法を適用した類似度の測定により、図１０の（ｃ）に示す８，９に該当するパターンは、図１０の（ａ）の８，９パターンに吸収された。したがって、図１０の（ｃ）に示す８，９に該当するパターンは、第１状態から第１パターン区間に吸収されて第２－１状態に変更され、これを第２－３状態に分類することができる。

【0086】

図１０の（ｄ）は一次分類結果を示しており、図１０の（ｅ）は二次分類結果をまとめて示している。

【0087】

本実施例において、第２分類部１５６は、パターン区間に含まれる第１処理データおよび第１機械学習分類モデルを用いて分類した機械２００の状態を入力することによって機械の状態を追加分類する第２機械学習分類モデルを用いて、第０状態ないし第２状態に含まれる第１処理データに対応する機械２００の状態をさらに分類することができる。ここで、第２機械学習分類モデルは、教師なし学習のカテゴリーに属する分析モデルであり得る。

【0088】

データ学習が必要な教師あり教師あり学習系の分析モデルは、パターン区間に対する先制的な学習データと学習期間が必要であるため、最初の学習以降、従来と異なるパターンが現れる場合、分類精度が著しく低くなることがある。しかし、本実施例の場合、第２機械学習分類モデルが教師なし学習のカテゴリーに属する分析モデルであるため、与えられたデータ内に存在するパターン区間の特性のみを活用し、別途の学習データと学習期間が必要なく、異機種データにも適用可能であり、パターンの形状に依存しないため、分類精度を向上させることができる。

【0089】

本実施例で分類処理部１５０は、時系列センサデータのそれぞれに上述した一次分類および二次分類を適用して機械２００がどのような状態であるかを分類することができる。

【0090】

図１１は、元データとしての時系列センサデータに対する一次分類および二次分類結果を示している。図１１を参照すると、図１１の（ａ）は、図４に示す元データとしての時系列センサデータを示している。図１１の（ｂ）は、元データに対する１次分類および２次分類結果をまとめて示している。

【0091】

データ分類装置１００は、一次分類および二次分類の結果を元データとしての時系列センサデータに適用して、時系列センサデータのそれぞれが機械２００の状態のどこに属するかを正確に分類することができる。

【0092】

図１２は、他の実施例に係るデータ分類装置の構成を概略的に説明するために示すブロック図である。以下の説明で図１ないし図１１の説明と重複する部分はその説明を省略する。図１２を参照すると、別の実施例に係るデータ分類装置１００は、プロセッサ１７０とメモリ１８０とを含むことができる。

【0093】

本実施例において、プロセッサ１７０は、図２および図３に開示された通信部１１０、記憶媒体１２０、プログラム記憶部１３０、データベース１４０、分類処理部１５０および制御部１６０が行う機能を処理することができる。

【0094】

そのようなプロセッサ１７０は、データ分類装置１００全体の動作を制御することができる。ここで、「プロセッサ（ｐｒｏｃｅｓｓｏｒ）」とは、例えば、プログラムに含まれるコードまたは命令で表される機能を実行するために物理的に構造化された回路を有するハードウェアに組み込まれたデータ処理装置を意味することができる。このようにハードウェアに組み込まれたデータ処理装置の一例として、マイクロプロセッサ、中央処理装置、プロセッサコア、マルチプロセッサ、ＡＳＩＣ、ＦＰＧＡなどの処理装置を網羅することができるが、本発明の範囲がこれに限定されるものではない。

【0095】

メモリ１８０はプロセッサ１７０と動作可能に連結され、プロセッサ１７０で実行される動作に関連して少なくとも１つのコードを記憶することができる。

【0096】

さらに、メモリ１８０は、プロセッサ１７０が処理するデータを一時的または恒久的に記憶する機能を実行することができ、データベース１４０に構築されたデータを含むことができる。ここで、メモリ１８０は磁気記憶媒体またはフラッシュ記憶媒体を含むことができるが、本発明の範囲はこれに限定されるものではない。そのようなメモリ１８０は、内蔵メモリおよび／または外部メモリを含むことができ、ＤＲＡＭ、ＳＲＡＭ、またはＳＤＲＡＭなどの揮発性メモリ、ＯＴＰＲＯＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、マスクＲＯＭ、フラッシュＲＯＭ、ＮＡＮＤ型フラッシュメモリ、またはＮＯＲ型フラッシュメモリなどの不揮発性メモリ、ＳＳＤ、ＣＦカード、ＳＤカード、Ｍｉｃｒｏ－ＳＤカード、Ｍｉｎｉ－ＳＤカード、ｘＤカード、またはメモリースティックなどのフラッシュドライブ、またはＨＤＤなどの記憶装置を含むことができる。

【0097】

図１３は、本実施例に係るデータ分類方法を説明するためのフローチャートである。以下の説明で図１ないし図１２の説明と重複する部分はその説明を省略する。本実施例に係るデータ分類方法は、データ分類装置１００が周辺構成要素の助けを借りてプロセッサ１７０で実行すると仮定して説明することにする。

【0098】

図１３を参照すると、ステップＳ１３１０において、プロセッサ１７０は、機械２００に装備又は設置可能なＩｏＴセンサ３００から時系列センサデータを収集することができる。ここで、時系列センサデータは、ＩｏＴセンサ３００が機械２００をセンシングした時間情報を示すタイムスタンプおよびタイムスタンプでＩｏＴセンサ３００が機械２００を対象としてセンシングした物理値を含むことができる。

【0099】

ステップＳ１３２０において、プロセッサ１７０は時系列センサデータからＩｏＴセンサ３００の基本物理値に基づいて基線を推定し、基線の推定結果から機械２００が非活性化される区間に含まれる第０状態を分類できる。ここで、基線とは、電源遮断および電源区間を含めて機械２００が作動していない場合にＩｏＴセンサ３００がセンシングする基本物理値に基づく線と言える。本実施例で基線は、非パターン区間に属することができる。本実施例で、待機電力が一定しない場合は、基線の推定を行い、待機電力が一定した基線の推定を省略し、誤差範囲内の待機電力を活用して生成した基線を用いることができる。

【0100】

ステップＳ１３３０において、プロセッサ１７０は、時系列センサデータを強調した第１処理データを生成することができる。ここで時系列センサデータを強調するということは、非パターン区間およびパターン区間を含む時系列センサデータにおいてパターン区間を特徴づけて明確に可視化するという意味を含むことができる。プロセッサ１７０は、時系列センサデータに基線の推定結果を適用して下位時系列センサデータを生成することができる。プロセッサ１７０は、下位時系列センサデータからノイズを除去して第１処理データを生成することができる。

【0101】

ステップＳ１３４０において、プロセッサ１７０は、第１処理データに基づいて機械の状態を決定するための第２処理データを生成することができる。プロセッサ１７０は、第１処理データに対する統計的特徴と高次微分値を活用して、機械に対し第１状態および第２状態を決定することができる動的しきい値として第２処理データを生成することができる。

【0102】

ステップＳ１３５０において、プロセッサ１７０は、第２処理データに基づいて第１処理データから機械２００の状態を分類することができる。ここで、機械２００の状態は、第１状態および第２状態のうちの１つ以上を含むことができる。第１状態は、機械２００が活性化され、第１処理データが一定区間にわたって任意のパターンに可視化されない非パターン区間に含まれる状態を表すことができる。第２状態は、機械２００が活性化され、後述する第１処理データが一定区間にわたって任意のパターンに可視化されるパターン区間に含まれる状態を表すことができる。本実施例では、プロセッサ１７０は、第１処理データおよび第２処理データを入力することによって機械の状態を分類する第１機械学習分類モデルを用いて第１処理データに対応する機械２００の状態を分類できる。

【0103】

図１４は、他の実施例に係るデータ分類方法を説明するためのフローチャートである。以下の説明で図１ないし図１３の説明と重複する部分はその説明を省略する。本実施例に係るデータ分類方法は、データ分類装置１００が周辺構成要素の助けを借りてプロセッサ１７０で実行すると仮定して説明する。

【0104】

図１４を参照すると、ステップＳ１４１０において、プロセッサ１７０は、機械２００に装備又は設置可能なＩｏＴセンサ３００から時系列センサデータを収集することができる。

【0105】

ステップＳ１４２０において、プロセッサ１７０は時系列センサデータからＩｏＴセンサ３００の基本物理値に基づいて基線を推定し、基線の推定結果から機械２００が非活性化される区間に含まれる第０状態を分類できる。

【0106】

ステップＳ１４３０段階において、プロセッサ１７０は、時系列センサデータを強調した第１処理データを生成することができる。

【0107】

ステップＳ１４４０において、プロセッサ１７０は、第１処理データに基づいて機械の状態を決定するための第２処理データを生成することができる。

【0108】

ステップＳ１４５０において、プロセッサ１７０は、第２処理データに基づいて第１処理データから機械２００に対して第１状態および第２状態のうちの１つ以上を分類することができる。

【0109】

ステップＳ１４６０において、プロセッサ１７０は、第０状態ないし第２状態に含まれる第１処理データに動的時間伸縮法を適用して類似度を測定4することができる。
ステップＳ１４７０において、プロセッサ１７０は、類似度の測定結果に基づいて第０状態ないし第２状態に含まれる第１処理データから機械２００の状態を第２－１状態、第２－２状態および第２－３状態のうちの1つ以上にさらに分類することができる。ここで、第２－１状態は、第２状態に含まれる任意のパターンが予め設定された数以上繰り返して可視化される第１パターン区間に含まれる状態を表すことができる。第２－２状態は、第２状態に含まれる任意のパターンが予め設定された数未満で繰り返して可視化される第２パターン区間に含まれる状態を表すことができる。第２－３状態は、第１状態に含まれる第１処理データが動的時間伸縮法を介して第１パターン区間に変更される状態を含むことができる。

【0110】

本実施例によれば、ＩｏＴセンサ３００から収集された超小型データ構造にも適用可能な汎用性を有しており、比較的低い演算装置を通じても実質的にデータ分類が可能であり、従ってコストを削減することができる。

【0111】

上述した本発明に係る実施例は、コンピュータ上で様々な構成要素を介して実行することができるコンピュータプログラムの形態で具現することができ、このようなコンピュータプログラムはコンピュータ読み取り可能な記録媒体に記録され得る。この時の媒体は、ハードディスク、フロッピーディスク、磁気テープなどの磁気媒体、ＣＤ－ＲＯＭおよびＤＶＤなどの光記録媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）などの光磁気記録媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌ ｍｅｄｉｕｍ）およびＲＯＭ、ＲＡＭ、フラッシュメモリなどのプログラム命令を記憶して実行するように特別に構成されたハードウェア装置を含むことができる。

【0112】

一方、前記コンピュータプログラムは、本発明のために特別に設計され構成されたものであってもよく、コンピュータソフトウェア分野の当業者に公知され利用可能なものであってもよい。コンピュータプログラムの例には、コンパイラによって作成されるような機械語コードだけでなく、インタプリタなどを使用してコンピュータによって実行できる高水準言語も含まれ得る。

【0113】

本発明の明細書（特に、特許請求の範囲において）における「前記」の用語および同様の指示用語の使用は、単数および複数の両方に該当するものであり得る。また、本発明において範囲（ｒａｎｇｅ）を記載した場合、前記範囲に属する個別の値を適用した発明を含むものとして（これに反する記載がない場合）、発明の詳細な説明に前記範囲を構成する各個別の値を記載したものと同じである。

【0114】

本発明に係る方法を構成するステップについて明らかに順序を記載または反する記載がない場合、前記ステップは適切な順序で行われてもよい。必ずしも前記ステップの記載順序によって本発明が限定されるものではない。本発明において、すべての例または例示的な用語（例えば、等々）の使用は、単に本発明を詳細に説明するためのものであり、特許請求の範囲によって限定されない限り、前記例または例示的な用語のため本発明の範囲が限定されるものではない。また、当業者は様々な修正、組み合わせ、および変更が追加された特許請求の範囲またはその均等物の範囲内で設計条件および要因に従って構成され得ることを理解するであろう。

【0115】

したがって、本発明の精神は、上述した実施例に限定されてはならず、後述する特許請求の範囲だけでなく、この特許請求の範囲と均等またはそれから等価的に変更された全ての範囲は、本発明の精神の範囲に属する。

【符号の説明】

【0116】

１００：データ分類装置
２００：機会
３００：ＩｏＴセンサ
４００：ユーザ端末
５００：ネットワーク

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】