earticle

영어

This study proposes a method for anomaly detection by constructing a monitoring system utilizing low-cost IoT devices, such as Raspberry Pi and ESP32, while maximizing the use of existing equipment in factories that operate various machinery. The system collects and analyzes sound data to detect anomalies. To detect abnormal sounds deviating from the normal range, we compare the performance of three models: one that adjusts hyperparameters and neural networks based on the MIMII dataset, another that employs a denoising autoencoder to address noise issues, and a third that combines data with different SNR levels to mitigate data sparsity problems. Based on the experimental results, the optimal model for each type of equipment is selected and deployed on a Raspberry Pi for anomaly detection. The ESP32 records the calculated error rate in the PLC, and the communication between the HMI and PLC is intercepted and interpreted according to the protocol. The extracted data is then transmitted to a cloud platform for visualization. This approach enables users to monitor factory equipment in real time and detect anomalies, allowing operators to transition to a cost-effective smart factory system.

한국어

본 연구는 다양한 장비를 사용하는 공장 데이터를 기존 설비를 최대한 사용하면서 저비용 IoT 장치인 라즈베리 파 이와 ESP32로 모니터링 시스템을 구축하고 취득된 소리 데이터를 분석하여 이상 탐지를 수행하는 방법을 제안한 다. MIMII 데이터셋을 기반으로 정상 범위에서 벗어나는 소리를 탐지하기 위해 하이퍼파라미터와 신경망을 조정 한 모델, 노이즈 문제 해결을 위한 디노이징 오토인코더를 사용한 모델, 데이터 희소성 해결을 위해 서로 다른 SNR 데이터를 혼합한 모델의 성능을 비교한다. 결과를 바탕으로 각 설비에서 최적의 모델을 선정한 뒤 라즈베리 파이에 배포하고 이상 탐지를 수행하며 ESP32로 에러율을 PLC에 기록하고 HMI와 PLC 사이의 통신을 감청한 후 프로토콜에 따라 해석하여 필요한 데이터를 클라우드 플랫폼으로 전송 및 시각화하는 아키텍처를 제안한다. 이 를 통해 사용자는 설비의 실시간 모니터링과 이상 탐지를 수행할 수 있으며 운영자는 경제적인 스마트 팩토리 전 환이 가능하다.