System and Method for Fault Isolation in Industrial Processes using based variable ranking

The present invention relates to a system and a method for identifying a fault variable in industrial processes using a classification and regression tree (CART)-based input variable ranking, which is configured to identify a variable, the most closely associated to a fault, by calculating an importance value of each input variable from a tree completed by a CART algorithm. The apparatus comprises: a data matrix learning unit performing data matrix learning for tree construction when data collection of a normal data sample and a fault data sample is performed; a tree construction unit constructing a tree having a plurality of terminal nodes by repeatedly applying node division so that the number of samples belonging to each terminal node becomes a set number; a pruning application unit applying a minimal-cost complexity pruning method to the completed tree in a root node direction to obtain a subtree in which the number of terminal nodes is reduced; a final tree selecting unit selecting a final tree by applying cross validation to the subtree; an importance extraction unit extracting an importance value of each input variable from the selected optimal tree; a ranking determining unit prioritizing variables according to the importance values; and a variable identifying unit identifying a variable for distinguishing a normal sample from a fault sample according to the priority of the ranking determining unit. 본 발명은 CART(Classification And Regression Tree) 알고리즘에 의해서 완성된 트리로부터 각 입력변수의 중요도 값을 계산하여 발생된 고장과 가장 밀접하게 관련된 변수를 식별할 수 있도록 한 CART 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법에 관한 것으로, 정상 데이터 샘플과 고장 데이터 샘플의 데이터 수집이 이루어지면, 트리 구성을 위한 데이터 매트릭스 학습을 하는 데이터 매트릭스 학습부;각 터미널 노드에 속하는 샘플의 개수가 설정된 수가 되도록 노드분할을 반복적으로 적용하여 복수의 터미널 노드를 가지는 트리를 구성하는 트리 구성부;완성된 트리에 최소 복잡도 프루닝(minimal-cost complexity pruning) 방법을 루트 노드방향으로 적용하여, 터미널 노드의 개수가 감소하는 서브트리를 획득하는 프루닝 적용부;서브트리에 교차 검증(cross validation)을 적용하여 최종트리를 선택하는 최종 트리 선택부;선택된 최적의 트리로부터 각 입력변수의 중요도 값을 추출하는 중요도 추출부;중요도 값에 따라 변수의 우선순위를 정하는 랭킹 결정부; 및 랭킹 결정부의 우선순위에 따라 정상샘플과 고장샘플을 구분하기 위한 변수를 식별하는 변수 식별부;를 포함하는 것이다.