적어도 하나의 프로세서에 의해 수행되는 소음이 발생하는 소음점의 열화 수준 예측 방법에 있어서, 소정 기간 동안 상기 소음점의 복수의 진동을 나타내는 복수의 주파수 데이터 및 상기 소정 기간 동안의 상기 소음점의 열화 정도를 나타내는 복수의 열화 데이터로 딥러닝을 수행하여 상태 추정 모델을 결정하는 단계; 상기 소음점에서의 복수의 제1 진동 신호를 모니터링 기간 동안 측정하는 단계;상기 상태 추정 모델에 상기 복수의 제1 진동 신호를 주파수 영역으로 변환한 복수의 제1 주파수 데이터를 입력하여 상기 모니터링 기간 동안의 상기 소음점에서의 열화 정도를 나타내는 시계열 열화 데이터를 추정하는 단계;상기 시계열 열화 데이터로 딥러닝을 수행하여 열화 예측 모델을 결정하는 단계;열화 예측 모델로부터 상기 모니터링 기간 이후의 예측 기간에 속하는 적어도 하나의 대상 시점 각각에서의 상기 소음점의 열화 정도를 나타내는 열화 데이터를 예측하는 단계; 및상기 시계열 열화 데이터 및 상기 대상 시점에서의 열화 데이터에 기초하여 상기 소음점의 잔여 유효 수명을 산출하는 단계를 포함하는, 방법.

제1항에 있어서, 상기 상태 추정 모델을 결정하는 단계는,제1 시점에 상기 소음점으로부터 측정된 진동을 나타내는 주파수 데이터를 입력으로 상기 상태 추정 모델에 제공하는 단계;상기 제1 시점의 주파수 데이터에 따른 상기 소음점의 열화 정도를 나타내는 제1 열화 데이터를 예측하는 단계; 및상기 제1 시점의 상기 소음점의 열화 정도를 나타내는 데이터와 상기 제1 열화 데이터 간의 오차에 따라 상기 상태 추정 모델을 수정하는 단계를 더 포함하는, 방법.

제1항에 있어서, 상기 열화 예측 모델을 결정하는 단계는,상기 시계열 열화 데이터를 입력으로 상기 열화 예측 모델에 제공하는 단계;장단기 메모리(Long Short Term Memory, LSTM) 방식으로 상기 시계열 열화 데이터 중 연속하는 복수의 제1 시점에 대응하는 제1 기간에 대응하는 데이터에 따라 상기 제1 기간 이후의 제2 시점에의 소음점의 열화 정도를 나타내는 제1 열화 데이터를 예측하는 단계; 및 상기 시계열 열화 데이터 중 상기 제2 시점에 대응하는 데이터와 상기 제1 열화 데이터 간의 오차에 따라 상기 열화 예측 모델을 수정하는 단계를 더 포함하는, 방법.

제1항에 있어서, 상기 소음점의 열화 정도를 나타내는 열화 데이터를 예측하는 단계는, 상기 시계열 열화 데이터 및 상기 예측 기간에 대응하는 상기 소음점의 열화 정도를 나타내는 데이터를 평활화 하여 시계열 예측 데이터를 생성하는 단계를 포함하는, 방법.

제4항에 있어서, 상기 소음점의 잔여 유효 수명을 산출하는 단계는, 상기 시계열 예측 데이터를 커브 피팅하여 상기 시계열 예측 데이터에 대응하는 트랜드 그래프를 생성하는 단계;상기 트랜드 그래프로부터 상기 대상 시점 중 하나의 기준 시점에 대응하는 상기 소음점의 제1 열화 수준을 도출하는 단계; 및 현재 시점의 상기 소음점의 열화 수준 및 상기 소음점의 제1 열화 수준에 기초하여 현재 시점에서의 상기 소음점의 잔여 유효 수명을 산출하는 단계를 포함하는, 방법.

소음이 발생하는 소음점으로부터 진동 신호를 획득하는 입력부;소정 기간 동안 상기 소음점의 복수의 진동을 나타내는 복수의 주파수 데이터 및 상기 소정 기간 동안의 상기 소음점의 열화 정도를 나타내는 복수의 열화 데이터로 딥러닝을 수행하여 상태 추정 모델을 결정하는 추정 모델 학습부; 및 상기 소음점에서의 복수의 제1 진동 신호를 모니터링 기간 동안 측정하고, 상기 상태 추정 모델에 상기 복수의 제1 진동 신호를 주파수 영역으로 변환한 복수의 제1 주파수 데이터를 입력하여 상기 모니터링 기간 동안의 상기 소음점에서의 열화 정도를 나타내는 시계열 열화 데이터를 추정하며, 상기 시계열 열화 데이터로 딥러닝을 수행하는 열화 예측 모델로부터 상기 모니터링 기간 이후의 예측 기간에 속하는 적어도 하나의 대상 시점 각각에서의 상기 소음점의 열화 정도를 나타내는 열화 데이터를 예측하고, 상기 시계열 열화 데이터 및 상기 대상 시점에서의 열화 데이터에 기초하여 상기 소음점의 잔여 유효 수명을 산출하는 제어부를 포함하는 열화 수준 예측 시스템.

제6항에 있어서, 상기 추정 모델 학습부는, 제1 시점에 상기 소음점으로부터 측정된 진동을 나타내는 주파수 데이터를 입력으로 상기 상태 추정 모델에 제공하고, 상기 제1 시점의 주파수 데이터에 따른 상기 소음점의 열화 정도를 나타내는 제1 열화 데이터를 예측하며, 상기 제1 시점의 상기 소음점의 열화 정도를 나타내는 데이터와 상기 제1 열화 데이터 간의 오차에 따라 상기 상태 추정 모델을 수정하는, 열화 수준 예측 시스템.

제6항에 있어서, 장단기 메모리(Long Short Term Memory, LSTM) 방식의 상기 열화 예측 모델에 상기 시계열 열화 데이터를 입력으로 제공하고, 상기 시계열 열화 데이터 중 연속하는 복수의 제1 시점에 대응하는 제1 기간에 대응하는 데이터에 따라 상기 제1 기간 이후의 제2 시점에의 소음점의 열화 정도를 나타내는 제1 열화 데이터를 예측하며, 상기 시계열 열화 데이터 중 상기 제2 시점에 대응하는 데이터와 상기 제1 열화 데이터 간의 오차에 따라 상기 열화 예측 모델을 수정하는 예측 모델 학습부를 더 포함하는, 열화 수준 예측 시스템.

제6항에 있어서, 상기 열화 예측 모델은,상기 시계열 열화 데이터 및 상기 예측 기간에 대응하는 상기 소음점의 열화 정도를 나타내는 데이터를 평활화 하여 시계열 예측 데이터를 생성하는, 열화 수준 예측 시스템.

제9항에 있어서, 상기 제어부는, 상기 시계열 예측 데이터를 커브 피팅하여 상기 시계열 예측 데이터에 대응하는 트랜드 그래프를 생성하고, 상기 트랜드 그래프로부터 상기 대상 시점 중 하나의 기준 시점에 대응하는 상기 소음점의 제1 열화 수준을 도출하며, 현재 시점의 상기 소음점의 열화 수준 및 상기 소음점의 제1 열화 수준에 기초하여 현재 시점에서의 상기 소음점의 잔여 유효 수명을 산출하는, 열화 수준 예측 시스템.