• 본 특허는 결함회로의 S-파라미터 패턴의 기계학습을 이용한 회로 결함 분석 방법에 관한 기술임

• 본 특허는 기계학습을 이용한 회로 결함 분석 방법에 관한 기술로 각종 기계설비, 부품, 시설물의 결함과 고장을 예측진단 하는 분야에 적용이 가능함

∨통신케이블, 해저케이블 결함진단 및 분석∨산업설비 고장진단

• 회로 결함 진단을 통해 결함의 결함의 심각성과 발생원인을 파악하기 위해서는 패턴의 기계학습을 이용한 회로 결함 분석 기술의 개발이 필요함

• 결함회로의 S-파라미터 패턴을 수집하고 수집된 S-파라미터 패턴을 기계학습을 통해 학습모델을 생성한 후 학습모델을 기반으로 회로의 결함 종류와 심각도 분석 가능

• 회로 결함분석 장치는 인터페이스부와 제어부를 포함하고 있으며, 인터페이스부는 네트워크 분석기로부터 결함 회로의 S파라미터 패턴을 수집하거나 또는 제작된 정상회로의 S파라미터 특성을 수집함

• 제어부는 수집된 S파라미터의 패턴을 기반으로 기계 학습을 통해 학습 모델을 생성하며, 생성된 학습 모델을 이용하여 특정 회로의 결함의 종류(type) 및 심각도 (severeness)를 분석 할 수 있음

• 이때, 기계학습 및 학습모델 생성단계는 결함의 종류와 심각도를 판단하기 위한 랭킹 네트워크를 구축하며, 랭킹 네트워크는 결함의 종류를 판단하는 뉴럴 네트워크 모듈로 이루어짐

• 특히, 뉴럴 네트워크는 특정 회로에 대한 결함의 원인을 분류하기 위한 기계적 (mechanical) 자극 랭킹 네트워크 모듈, 화학적(chemical) 자극 랭킹 네트워크 모듈, 광열화 (photo degradation) 자극 랭킹 네트크 모듈 등 다양한 모듈을 포함함으로써 특정 회로에 대한 결함 원인을 정확하게 분석할 수 있음

• 또한, 결함 종류/심각도 분석 시에는, 각 결함 시편에 대해 주파수 별 파라미터 패턴을 입력받아 각 자극 별로 심각도를 분석하여 결함 원인 및 심각도도 분석 가능

• 산업설비의 상태를 모니터링하여 고장을 진단하고 잔여유효수명을 예측하는 시스템 고장진단 예지기술(PHM, Prognostic and Health Management)이 주목을 받고 있음

• 하지만 특정 시스템에 PHM기술을 적용하기 위해서는 시스템에 대한 물리적 지식, 다차원 특징인자 분석, 수많은 고장 데이터가 요구됨

• 최근에는 인공지능 기술을 이용하여 이러한 문제점을 극복하려는 연구가 활발히 진행되고 있다. 또한 딥러닝 기술을 활용하여 시스템에 대한 적은 물리적 이해를 바탕으로도 건전성 특징인자를 추출하는 연구도 진행되고 있음

• 전 세계적으로 PHM 연구가 활발히 이루어지고 있으며 대표적인 기관으로 미국 NASA Ames 의 PCoE, Maryland 대 학 의 CALCE, Cincinnati 대 학 의 IMS, 영 국 Cranfield 대학의 IVHM 센터가 있음

• 국내에서는 항공산업, 원자력발전, 해상풍력발전, 자동차 전장, 2차 전지, EMA 모듈 등 갑작스런 고장 발생시 치명적 손상이 예상되는 분야에서 연구가 수행되고 있음

• 생산설비 유지관리 서비스는 공장 등에 설치된 생산설비에 대해 설비의 내구수명 전주기에 걸쳐 고장을 예지하여 수리/관리하고 업그레이드 및 새로운 설비교체, 유통 등 설비기능을 유지 보전하는데 필요한 체계화된 토탈시스템으로서 자산관리 서비스로서의 EAM(Enterprise Assets Management) 산업에 포함되는 서비스이므로 EAM 시장을 통해 시장수요를 추정함

• 2015년 전 세계 EAM 시 장 규모 는 14.9 억 달 러 , 2016 년에는 15.3억 달러로 성장하였고 2020년에는 17억 달러에 이를 것으로 예상됨 

• 국내 EAM 시장 규모는 2015년 약 102.4억원으로 추산되며 매년 9.7% 성장하여 2020년 약 162.5억원 규모가 될 것으로 추정되고 있음

• PHM기술은 센서, 빅데이터, 제어시스템, IoT 산업 등 적용분야가 넓으며 PHM기술 적용을 통한 기존 제조업과 정보통신기술의 융합은 4차 산업혁명과 더불어 제조업의

고부가가치 창출에도 기여할 것으로 전망됨