KR0145146B1 - 신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법 - Google Patents

신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법

Info

Publication number
KR0145146B1
KR0145146B1 KR1019940032475A KR19940032475A KR0145146B1 KR 0145146 B1 KR0145146 B1 KR 0145146B1 KR 1019940032475 A KR1019940032475 A KR 1019940032475A KR 19940032475 A KR19940032475 A KR 19940032475A KR 0145146 B1 KR0145146 B1 KR 0145146B1
Authority
KR
South Korea
Prior art keywords
signal
spectrum
output
shape vector
abnormality
Prior art date
Application number
KR1019940032475A
Other languages
English (en)
Other versions
KR960025091A (ko
Inventor
남광희
이유
Original Assignee
장문현
주식회사포스콘
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 장문현, 주식회사포스콘 filed Critical 장문현
Priority to KR1019940032475A priority Critical patent/KR0145146B1/ko
Priority to JP7171214A priority patent/JPH08159928A/ja
Publication of KR960025091A publication Critical patent/KR960025091A/ko
Application granted granted Critical
Publication of KR0145146B1 publication Critical patent/KR0145146B1/ko

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Automation & Control Theory (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

본 발명은 회전기기의 이상진동의 고유한 특징을 진동 파워스펙트럼에서 추출하여 형상 벡터(feature vector)를 추출하고 그 추출된 형상벡터의 고유 특징의 패턴으로 신경회로망을 훈련시킨 다음, 피측정회전기기의 미지의 신호를 신경회로망에 입력하여 그 회전기기의 이상유무를 진단하는 장치 및 방법을 제공한다. 즉, 본 발명은 회전기기의 이상에 따른 진동시 발생되는 속도신호와 가속도신호를 검출하고, 상기 검출된 아날로그 속도 및 가속도신호를 디지탈변환하고, 상기 디지탈출력으로부터 스펙트럼을 생성하고, 상기 생성된 스펙트럼으로부터 형상벡터를 추출하고, 이 추출된 형상벡터를 이용하여 가중치를 훈련시키고, 피측정 회전기기의 진동신호의 스펙트럼으로부터 추출된 형상벡터를 입력받아 피측정회전기기의 이상유무를 판별한다. 훈련과정은 정밀도에 따라서 다르지만 30분에서 20시간 정도 소요된다. 하지만 인식할 때는 실시간 처리가 가능하다. 회전기기의 이상진단에 신경회로망을 적용시킨 결과 3년 정도 훈련을 받은 전문가 수준의 우수한 진단을 얻을 수 있다.

Description

신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법
제 1도의 a, b, c 및 d는 축비정렬의 예를 도시한 도.
제 2도는 본 발명에 의한 회전기 이상유무 진단장치의 개략적인 블록도.
제 3도는 본 발명에 의한 회전기 이상유무 진단방법을 설명하기 위한 흐름도.
제 4도는 회전기가 정상일 때의 형상벡터를 나타내는 파워스펙트럼도.
제 5도는 회전기에 이상이 있을 때의 형상벡터를 나타내는 파워스펙트럼도.
제 6도는 본 발명에 적용되는 신경회로망회로의 구조를 개략적으로 도시한 도.
*도면의 주요부분에 대한 부호의 설명
10 : 전치증폭기 20 : HPF
30 : 적분기 40 : LPF
50 : BPF 60 : 이득처리부
70 : 절대치처리부 80 : 엔빌로프처리부
90 : A/D변환수단 100 : 스펙트럼생성 알고리즘처리부
110 : 형상벡터추출 알고리즘처리부 120 : 신호처리부
130 : 벡터추출부 140 : 신경회로망 알고리즘처리부
본 발명은 신경회로망을 이용하여 회전기기에 발생하는 각종 이상유무를 진단하는 장치 및 방법에 관한 것으로, 특히 회전기기의 이상에 의한 진동신호부터 추출된 형상벡터를 가지고 신경회로망을 학습한 후, 피측정회전기기로부터 추출된 형상벡터를 입력하여 회전기기의 이상유무를 진단하는 장치 및 방법에 관한 것이다.
일반적으로 축비정렬(axis misalignment), 샤프트벤딩(shaft bending), 로터편심(rotor unbalance), 볼트풀림 (bolt loosening), 기어이상 및 베어링이상과 같은 회전기기의 이상유무를 진단하기 위하여는 진동의 순시적 레벨을 경향관리 하는 간이진단방법과 진동의 원인을 진동전문가의 주파수 분석에 의해 정밀 진단하는 방법이 있다. 본 출원인이 공동발표한 논문 역전파신경회로망을 이용한 회전기기의 진단(Diagnosis of rotating machines by utilizing a back propagation neural network)(Proc. of IECON, San Diego 1992, pp. 1064-1067) 에 상기 진단기술이 제시되어 있다.
간이진단방법으로는 회전기기의 진동신호를 진동센서로 추출 수집하여 주파수대역 별로 필터링, 적분, 포락선처리 등을 하는 장치, 또는 머쉬인체커(machine checker)와 같이 이동성이 있는 진동 측정기등으로 수집하여 진동의 순시적 레벨을 시간, 일, 월별로 데이타를 가공하여 경향관리를 한다. 이 경우, 설비관리 담당자는 피측정회전기기의 미지의 진동데이타를 받아서, 가공된 경향관리 데이타와 비교판단하여 그 설비관리 담당자의 경험이나, ISO 진동 규격에 의해 주의(caution) , 위험 (damage) 레벨을 설정하는 방식으로 관리한다.
정밀진단방법으로는 간이진단을 통하거나 소리, 열, 진동 등을 사람의 감각으로 사전 감시 후 이상 진동신호를 수집하여 회전기의 이상 진동에 대해 다년간 교육을 받은 전문가가 신호검출 시 rpm, 베어링 정보 등을 참조하여 주파수 분석기로 이상원인을 찾는다. 상기와 같은 기존의 회전기기 이상유무 진단방법은 이상현상 판단시 전문가의 경험에 의존하였다. 즉, 진동센서로 받아들인 전기신호의 스펙트럼을 숙련된 전문가가 보고 이상진동의 원인, 이상의 정도, 부품의 교체시기 등을 판단하고 있다.
그러나 상기 종래의 진단방법들은 이상원인을 판별하는 능력을 갖도록 사람을 훈련시키는데는 비용 및 시간이 막대하게 들 뿐 아니라, 사람의 판단의 임의성과 사람 마다의 판단 결과가 다를 수 있어 공장의 기기 보수 및 관리에 문제가 있을 수 있다. 즉, 철강 및 화학 플랜트 등 열악한 환경에 설치되어 있는 각종 기기들의 적당한 보수 시기를 놓치거나 ,이상현상 원인을 파악하지 못하면 연속공정이 중단되는 큰 피해가 야기될 수 있다.
다음 제 1도는 기기의 각종 이상진동 원인 중에 축비정렬(axis misalignment)의 예를 열거하고 있다. 제 1도의 a는 오프셋트, b는 콤비네이션, c는 앵글 및 d는 미끄러짐(slode of couple) 을 나타내고 있다. 제 1도에 도시한 바와 같은 축비정렬에 의한 회전기기의 이상유무를 진단하는 방법은 사람의 청각과 촉각에 의존하거나 진동신호의 시간축에서의 모양 혹은 스펙트럼을 보고 이상원인 및 정도를 판단하도록 하여, 궁극적으로는 인간의 판단에 근거하였다. 따라서, 종래의 방법은 판단자의 임의성 및 측정자 각각의 판단 기준의 차이로 말미암아 기기 보수관리에 일관성 유지가 어렵고 효율성이 떨어진다. 또한 신뢰성 있는 회전기기 이상진단 전문가를 양성하기 위해서 오랜시간의 교육 및 실무 경험을 필요로 한다.
상술한 종래의 문제점 및 단점들을 해결하기 위하여, 본 발명은 회전기기의 진동에 고유한 특징이 있으며, 그 진동주파수에 따라 기기의 결함을 판단할 수 있음에 근거하여, 형상 벡터 (feature vector)를 추출하고 그 추출된 형상벡터의 고유 특징의 패턴으로 신경회로망을 훈련시켜, 피측정회전기기의 이상유무를 판단케 함으로써 별도의 훈련된 전문가의 도움이 없이도 회전기기의 이상유무를 진단하는 장치 및 방법을 제공하는 데 그 목적이 있다.
본 발명의 다른 목적은 소프트웨어에 의해 회전기기의 이상에 의한 형상벡터를 추출하여 이상유무를 비교판단함으로써, 진단 정밀도를 높일 수 있는 회전기기의 이상유무를 진단하는 장치 및 방법을 제공하는 데 있다.
상기 목적을 달성하기 위하여, 본 발명은 회전기기의 진동시 발생되는 속도신호와 가속도신호를 검출하는 신호검출장치; 상기 신호검출장치로부터 검출된 아날로그 속도 및 가속도신호를 디지탈 속도 및 가속도신호로 변환하는 아날로그/디지탈 변환수단; 상기 아날로그/디지탈 변환수단의 디지탈출력으로부터 스펙트럼을 생성하는 스펙트럼생성 알고리즘처리부; 상기 생성된 스펙트럼으로부터 형상벡터를 추출하는 형상벡터추출 알고리즘처리부; 이 추출된 형상벡터를 이용하여 가중치를 훈련시키고, 피측정 회전기기의 진동신호의 스펙트럼으로부터 추출된 형상벡터를 입력받아 피측정회전기기의 이상유무를 판별하는 신경회로망 알고리즘처리부를 포함하는 회전기기의 이상유무 진단장치를 제공한다.
또한, 본 발명은 회전기기의 진동시 발생되는 진동신호의 저주파대역 및 고주파대역에 따른 속도신호와 가속도신호를 처리하는 단계, 상기 속도 및 가속도 신호의 스펙트럼을 생성하는 단계; 이 생성된 스펙트럼을 분석하여 형상벡터를 추출하는 단계; 이 추출된 형상벡터를 이용하여 신경회로망의 가중치를 훈련시키는 단계; 피측정 회전기기의 진동신호의 스펙트럼으로부터 추출된 형상벡터를 상기 신경회로망에 입력하여 피측정회전기기의 이상유무를 판별하는 단계를 포함하는 회전기기의 이상유무 진단방법을 제공한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 대해서 보다 상세히 설명하기로 한다.
편심, 축비정렬(misalignment), 베어링, 기어마모 및 파손에 따른 진동들은 눈으로 쉽게 파악되지 않으나 각기 고유한 특징이 있다. 이것은 마치 사람의 지문이나 목소리로 사람을 식별하는 것과 비슷하다고 볼 수 있다.
회전기기의 진동학적인 측면에서 보면, 회전기기의 진동 주파수대역에 따라 기계의 결함의 종류를 판단할 수 있다. 본 발명은 회전기기의 회전주파수를 fr이라 할 때, 저주파대역(0-5fr)에서는 로터편심, 축비정렬, 축휨, 볼트풀림등이 이상진동의 원인이고, 중주파대역(5fr-1KHz)에서는 기어의 변형이 이상진동의 원인이고, 고주파대역(1KHz이상) 에서는 베어링 이상이 이상진동의 주원인이다. 즉, 회전기내에 편심(unbalance)이 있으면 속도신호 스펙트럼에 있어 fr성분이 매우 커지고 축비정렬(misalignment)이 있으면 2fr성분이 급격히 커지며 기초 bolt 풀림이 있으면 비선형 역학에 의해,성분이 나타난다는 기본적인 진동 이론에 근거하고 있다. 또한 베어링을 진단함에 있어서는 가속도신호를 그대로 이용하는데 베어링에 이상이 있으면 베어링의 구조에 따른 링잉(ringing) 주파수 (수㎑)가 이상에 의한 통과(pass) 주파수로 변조(modulation)된 형태로 나타난다. 따라서 이상 베어링 분석시 통과주파수를 통과시키는 대역통과필터(band pass filter)(대역폭 1㎑ ~10㎑)를 통과시킨 후 스펙트럼 상의 통과주파수 부근의 측파대(sideband) 주파수의 주파수 성분을 분석하여 내륜, 외륜, 혹은 보올 (ball)의 홈을 알아낸다. 마지막으로 기어의 톱니 이상은 N x fr(N: 기어의 톱니수)부근의 측파대 이상으로 알아본다.
제 2도는 본 발명의 회전기기 이상유무 진단장치의 개략적인 블록도이다. 본 발명은 진동 신호처리부(120)와 진동신호로부터 스펙트럼생성후 형상벡터를 추출하는 벡터추출부(130)와 신경회로망에 의한 이상원인 판별부(140)로 대별된다.
제 2도에서, 진동 압전 센서에서 나오는 미약한 신호를 신호대 잡음비(SNR)가 감쇄하지 않도록 케이블링 및 증폭기 회로구성, 필터회로에 각별히 주의를 기울어야 한다. 전압형 진동 센서인 경우에는 전류원을 인가하여 센서 양단에서 가속도에 해당하는 전압신호를 받아 증폭하고, 다음의 저주파 신호처리회로 또는 고주파 신호처리회로로 입력시킨다. 진동 신호처리부(120)는 압전형 (Piezoelectric) 가속도센서(미도시)로부터 회전기기의 진동신호를 수신한다. 여기서 압전형 가속도센서는 스트레스변형에 대해서 전하 (charge)의 분포가 변화되는 특성을 이용하여 회전기기의 이상진동을 전기적 신호로 변환한다. 신호처리부(120)는 전치증폭기(10)를 통하여 가속도 센서(미도시)로부터 전기적인 신호를 받아 증폭한다.
신호처리과정은 진동주파수대역에 따라 다르다. 로터영역과 기어의 진단에는 가속도 신호를 적분한 속도신호를 사용한다. 상기 신호처리과정은 속도신호를 이용하는 저주파신호처리과정과 가속도를 이용하는 고주파신호처리과정으로 나누어진다. 저주파신호처리과정에서, 상기 전치증폭기(10)의 증폭신호는 고역통과필터(20) 에서 필터링되어 직류성분이 차단되고, 고역통과필터(20)의 출력은 적분기(30)에서 적분되어 속도신호로 변환된다. 이 적분기(30)의 출력을 저역통과필터(40)에서 저역필터링하여 고주파에 의한 앨리어싱효과를 제거한다. 고주파신호처리과정에서 전치증폭기(10)의 출력을 대역통과필터(50)에서 대역통과필터링하고, 이득부(60)에서 대역통과필터링된 출력을 소정의 이득값으로 곱하고, 이득부(60)의 출력을 절대치처리부(70)에서 절대치처리하고, 상기 절대치처리부(70)의 출력은 엔빌로프처리부(80)에서 포락선처리된다. 이렇게 신호처리가 된 아날로그 속도신호 및 가속도신호는 A/D변환기(90)에서 디지탈 신호로 변환시켠 다음 스펙트럼생성 알고리즘처리부(100)로 공급된다. 이 스펙트럼생성 알고리즘처리부(100)에서는 고속프뤼에변환(Fast Fourier Transform ; FFT)을 수행하여 디지탈변환된 속도신호 및 가속도 신호의 파워 스펙트럼을 구한다.
본 실시예에서 포터 및 기어의 진단에 사용되는 샘플링주파수는 1-2KHz이고 베어링의 진단에 사용되는 샘플링주파수는 3KHz이다. 샘플데이타수는 6144개이고, 샘플데이타는 2개의 세그먼트로 나뉜다. 각 세그먼트는 4096개의 데이타가 되고 각 4096개의 데이타의 세그먼트를 웰치윈도우(Welch window)로 곱하기 위하여 아래와 같이 FFT를 이용하여 주파수 영역으로 변환시킨다.
여기서, N은 4096이고, c(j) (여기서, 1≤ j≤ N)는 세그먼트의 시간영역 데이타를 나타낸다. 또, 파워스펙트럼은 다음과 같이 계산할 수 있다.
`
여기서,는 윈도우 제곱합 (window squared and summed)값을 의미한다. 파워스펙트럼의 2셋트를 구하고 평균을 구한다. 평균파워스펙트럼은로 나타낸다.
다음, 제 2도에서 파워 스펙트럼으로부터의 형상벡터추출은 형상벡터추출 알고리즘처리부(110)에서 수행된다. 이 형상벡터추출 알고리즘처리부(110)에서 파워 스펙트럼으로부터 형상 벡터를 추출하는 방법은 본 발명의 핵심 내용 중의 하나이다. 현장에 사용되고 있는 다양한 규모의 회전기기의 이상을 정밀하게 진단해내기 위해서 본 발명에서는 형상 벡터를 추출하는데 다음과 같은 사항을 고려하였다.
첫째, 일반적으로 진동신호의 크기는 회전기기의 크기나 회전기기의 회전 주파수에 따라서 달라진다. 이것은 파워 스펙트럼의 크기가 회전기기 마다 다를 수 있다는 것을 말해준다. 예를 들면 편심이상이 있는 작은 회전기기의 회전주파수 에너지보다도 정상 동작을 하고 있는 큰 회전기기의 회전주파수 에너지가 더 클 수도 있을 것이다. 즉 형상벡터를 추출할 때는 진동신호로부터 계산된 파워 스펙트럼의 절대적인 양을 이용해서는 안되고 파워 스펙트럼 파형의 상대적인 모양에 주목해야 한다.
둘째, 이상을 나타내는 특징 주파수의 에너지만을 보고 이상을 진단하면 이상이 있는 경우와 정상인 경우를 구별하지 못한다. 왜냐하면 정상인 회전기기의 특징 주파수의 에너지 분포가 이상이 있는 경우와 레벨은 다르지만 같은 형태를 나타낼 수도 있기 때문이다. 이러한 문제점들은 다음과 같이 해결하였다.
첫번째 문제는 추출된 형상 벡터를 정규화(normalization)시킴으로써 해결할 수 있다. 형상 벡터(feature vector)는 기본 주파수의 배수 주파수 ( fr,2fr,3fr)에서 구해지며, 각각의 성분은 각각의 배수 주파수에서사이에 해닝윈도우(Hanning window)를 씌워서 더함으로써 구해진다. 그러나 이것은 파워 스텍트럼의 레벨에 영향을 받기 때문에 정규화되어야 한다. 즉, 각각의 성분을 1로 정규화함으로써 최종적으로 형상 벡터를 계산해낼 수 있다. 이것은 다음과 같이 식으로 나타난다.
여기서 input[i]는 입력 벡터의 i번째 성분이고frc는 회전주파수fr을 파워 스펙트럼의 인덱스로 변환한 것이다. 즉,이다.
두번째 문제를 해결하기 위해서 파워스펙트럼에 수정을 가한다. 정상동작의 파워 스펙트럼은 매우 넓은 에너지 분포를 보이고, 이상이 있을 때의 파워 스펙트럼은 어떤 특정한 주파수의 에너지가 다른 에너지에 비해 상당히 커진다. 이것은 파워 스펙트럼의 평균과 표준편차의 비를 비교함으로써 구별이 가능해진다. 즉 이상이 있을 때의 표준편차 대 평균의 비는 정상일 때의 값보다 커진다. 파워 스펙트럼에 수정을 가하기 위해서는 먼저 임계값(threshold value)을 다음과 같이 구한다.
여기서, k는 실험적으로 구해지는 양으로서 2.5에서 4가 적당하며, 본 실시예에서는 3.5가 가장 적당하였다. 만약 다른 회전기기에 적용한다면 다른 적당한 값으로 바꾸어야 할 것이다. 이렇게 구한 임계값을 이용하여 파워 스펙트럼에 다음과 같이 수정을 가한다.
이렇게 하면 회전기기가 정상적으로 동작할 경우엔 스펙트럼의 표준편차와 평균의 비가 3.5보다 작아져서 임계값은 거의 최대값과 같게 되고 위의 연산을 거치고 나면 파워 스펙트럼이 평탄해진다. 이 파워 스펙트럼에서 추출한 형상 벡터도 역시 평탄해질 것이다. 이상이 있을 때에는 표준편차 대 평균의 비가 3.5보다 커져서 임계값은 거의 0이 되어서 식(4)를 거쳐도 파워 스펙트럼은 별 영향을 받지 않는다.
회전기기가 정상적으로 동작할 경우 식 (3), (4)를 거치면서 파워 스펙트럼이 평탄해지고 거기서 추출한 특징 벡터인 형상벡터 또한 평탄해진다. 이는 제 4도에 나와 있다. 이상이 있을 때에는 식 (3), (4)를 거쳐도 파워 스펙트럼이 거의 영향을 받지 않으며 거기서 추출한 형상벡터는 이상의 종류에 따라서 다양한 모양을 나타낸다. 제5도에 그 일예의 형상벡터가 도시되어 있다.
상기 스펙트럼 생성 알고리즘처리부(100)와 형상벡터추출 알고리즘처리부(110)는 소정의 프로그램을 사용하여 진단장치에 내장된 마이크로프로세서에 의해 동작되도록 할 수 있다.
회전기기의 이상진동을 진단할 때 이상의 원인에 따라 신호처리 및 신경회로망 구성을 달리할 필요가 있다. 편심, 축비정렬, 볼트풀림과 같은 저주파 진단의 경우는 속도 신호처리를 이용하는 것이 바람직하다. 기어인 경우는 같은 신호처리 방법을 사용하지만 톱니 이상에 따른 진동파형은 N xfr(N:톱니수,fr: 회전주파수) 부근의 사이드밴드(sideband)로 나타나기 때문에 신경회로망 구성을 달리하는 것이 진단의 효율을 높일 수 있는 방법이다. 베어링의 경우는 링잉주파수를 반송파(carrier)로 하는 통과주파수를 끌어내야 하기 때문에 가속도 신호를 그대로 이용하고 절대치 포락선 처리의 신호처리 과정을 거치게 한다. 외륜, 내륜, 볼홈에 따른 진동주파수의 차이를 가리기 위해서 신경회로망 구성도 저주파진단의 경우와 달리하는 것이 바람직하다. 전체 진단 흐름도는 제3도에 도시되어 있다.
제3도를 참조하면, 단계 S2에서 본 발명의 회전기 이상유무 진단장치에 피측정회전기기의 진동신호가 입력되면, 단계 S4에서 베어링 진단을 할 것인지를 체크한다. 단계S4에서 사용자가 베어링 진단을 원하는 것으로 판정하면, 단계S6으로 진행하여 제2도를 참조하여 상술한 바와 같이 가속도신호처리, 즉 고주파대역에서 진동신호를 처리한다. 그 다음, 단계 S8에서 진동신호를 소정의 샘플링주파수로 샘플링하여 단계S10에서 파워스펙트럼을 계산한다. 단계S12에서는 상기 계산된 파워스펙트럼을 가지고 베어링진단 형상벡터를 계산한다. 그 다음, 상기 계산된 형상벡터는 제1신경회로망에 입력된다. (단계,S14) 상기 제1신경회로망에 형상벡터가 입력되면, 단계S16에서 모드를 체크하여 학습모드인 경우 단계 S18에서 학습을 수행하고 본 프로그램을 리턴하며, 학습모드가 아닌 경우, 단계 S20에서 입력되는 피측정회전기기의 형상벡터를 신경회로망 알고리즘처리하여 단계S22에서 베어링의 정상, 내륜이상, 외륜이상, 볼이상 등과 같은 판정신호를 출력하고 프로그램을 리턴하다.
단계S24에서 사용자가 베어링진단을 원하지 않는 경우, 단계 S24로 진행하여 제2도를 참조하여 상술한 바와 같은 저주파대역의 속도신호처리를 행한다. 그 다음, 단계S26에서 진동신호를 소정의 샘플링주파수로 샘플링하여 단계S28에서 파워스펙트럼을 계산한다. 단계S30에서는 단계S28에서 계산된 파워스펙트럼이 기어진단용인지 아닌지를 체크하여, 기어진단인 경우, 단계 S34로 진행하여 기어진단 형상벡터를 계산한다. 상기 계산된 기어진단 형상벡터는 제3신경회로망으로 입력된다. (단계S38) 상기 제3신경회로망에 형상벡터가 입력되면, 단계S42에서 모드를 체크하여 학습모드인 경우 단계S48에서 학습을 수행하고 본 프로그램을 리턴하며, 학습모드가 아닌 경우, 단계S50에서 입력되는 피측정회전기기의 형상벡터를 신경회로망 알고리즘처리하여 단계S54에서 정상, 기어톱니결함 등과 같은 판정신호를 출력하고 프로그램을 리턴한다.
단계S30에서는 단계S28에서 계산된 파워스펙트럼이 기어진단용이 아닌 경우, 단계S32로 진행하여 로터진단 형상벡터를 계산한다. 상기 계산된 로터진단 형상벡터는 제2신경회로망으로 입력된다(단계S36). 상기 제2신경회로망에 형상벡터가 입력되면, 단계S40에서 모드를 체크하여 학습모드인 경우 단계S44에서 학습을 수행하고 본 프로그램을 리턴하며,학습모드가 아닌 경우, 단계S26에서 입력되는 피측정회전기기의 형상벡터를 신경회로망 알고리즘처리하여 단계 S52에서 정상, 편심, 축비정렬, 볼트풀림 등과 같은 판정신호를 출력하고 프로그램을 리턴한다. 상술한 본 발명의 회전기기 이상유무 진단방법은 장치내에 내장된 소프트웨어에 의해 동작되는 것으로 그 상세한 소프트웨어 프로그램에 대해서는 사용자의 진단수순에 따라 적절히 변경가능하므로, 상세한 설명은 생략한다.
신경회로망은 문자인식 혹은 형상인식에 있어 매우 성공적인 기법으로 사용되고 있다. 진동신호의 스펙트럼을 구해보면 각 이상원인에 따라 특징있는 스펙트럼이 주어지므로 진동신호의 스펙트럼을 보고 이상의 정도 및 원인을 식별할 수 있다. 본 발명은 신경회로망의 데이타분류기능(data classification)을 사용하기 때문에 이 분야에 전문가가 아닌 사람도 진단결과를 즉시 알아볼 수 있을 뿐더러 종래의 전문가 판단에 의존하는 방법에 있어서의 임의성 및 불균일성 등의 문제점을 극복한다.
본 발명에서는 회전기기의 진동신호로부터 구한 형상 벡터는 역전파 신경회로망의 가중치(weight)를 훈련시키기 위해 신경회로망회로(140)의 입력으로 사용된다. 학습은 전형적인 이상신호의 형상 벡터와 기대치의 벡터쌍을 신경회로망의 입력과 출력으로 놓고, 학습률과 관성률을 설정하여 신경회로망을 지도학습시킴으로써 이루어진다. 학습된 신경회로망을 이용해서 진단할 때도 앞에서 계산한 형상 벡터를 신경회로망의 입력으로 놓는다. 이렇게 하면 신경회로망은 뛰어난 비선형매핑(mapping) 능력 때문에 입력된 형상 벡터가 어느 부분의 이상에 속하는지 알아낼 수 있다.
본 발명에서 사용된 신경회로망은 역전파 신경회로망 (Back Propagation Artificial Neural Network) 또는 완전접속 피드훠어드신경회로망 (fully connected feedforward neural network)으로서 제6도와 같은 구성을 갖는다. 제6도에는 본 발명에 적용되는 신경회로망의 일예만 도시하고 있으나, 본 발명에는 로터진단영역, 기어진단영역 및 베어링진단영역을 위해 훈련되는 3가지 신경회로망이 필요하다. 그러나, 각 신경회로망은 제6도에 도시한 것과 매우 유사하므로 다른 예는 도시하지 않았다. 본 발명에 적용되는 신경회로망은 2개의 은닉층을 가지며 이상 진단의 종류에 따라 다른 노드 갯수를 가진다. 저주파 진단의 경우 입력 노드의 수는 4개이고, 두개의 은닉층은 각각 6개의 노드를 갖고 있다. 그리고 출력층의 노드는 4개로서 각각 정상, 편심, 축비정렬, 볼트풀림을 나타내도록 구성되었다. 필요에 따라 은닉층의 노드 갯수는 변경시킬 수 있으며 은닉층의 수 또한 바꿀 수 있다. 베어링영역에 사용되는 신경회로망은 5개의 입력노드, 6개의 제1은닉층 및 5개의 제2은닉층, 2개의 출력노드를 갖는다. 본 발명에서 실험해 본 바에 의하면 은닉층이 하나이더라도 성능에서는 뒤떨어지지 않는다는 것을 볼 수 있다.
상술한 과정을 거쳐 훈련된 신경회로망의 입력에 피측정 회전기기의 진동신호로부터 추출한 형상벡터를 인가함으로써 회전기기의 이상진단을 할 수 있다. 훈련과정은 정밀도에 따라서 다르지만 30분에서 20시간 정도 소요된다. 하지만 인식할 때는 실시간 처리가 가능하다. 회전기기의 이상진단에 신경회로망을 적용시킨 결과 3년 정도 훈련을 받은 전문가 수준의 우수한 진단을 얻을 수 있다. 본 발명에서는 각 이상원인으로부터 나오는 신호의 스펙트럼 상에 특징을 극대화시키는 방법으로 형상 벡터(feature vector)를 추출하고 이것을 이용해 신경회로망의 가중치를 훈련시킨다. 또한 진단하고자 하는 회전기기의 미지의 진동신호로부터 같은 방법으로 형상 벡터(feature vector)를 만들고 그것을 훈련된 신경회로망에 입력하면 신경회로망의 형상(데이타) 분류능력에 의해 고장 및 이상진동의 원인이 판별된다. 따라서 전문가가 내리는 판단이 신경회로망으로 대치되기 때문에 전문가가 아닌 사람도 손쉽게 이상의 유무 및 고장의 원인을 알아 낼 수 있고, 또한 전문가도 신경회로망의 결과를 판단근거로 삼을 수 있는 장점이 있다. 더우기 본 발명은 기기의 보수 관리에 정확성과 일관성을 갖도록 한다.

Claims (17)

  1. 회전기기의 진동시 발생되는 진동신호로부터 속도신호와 가속도신호를 검출하는 신호검출장치; 상기 신호검출장치로부터 검출된 아날로그 속도 및 가속도신호를 디지탈 속도 및 가속도신호로 변환하는 아날록/디지탈 변환수단 ; 상기 아날로그/디지탈변환수단의 디지탈출력으로부터 스펙트럼을 생성하는 스펙트럼생성 알고리즘처리부 ; 상기 생성된 스펙트럼으로부터 형상벡터를 추출하는 형상벡터추출 알고리즘처리부; 및 상기 추출된 형상벡터를 이용하여 가중치를 훈련시키고, 피측정회전기기의 진동신호의 스펙트럼으로부터 추출된 형상벡터를 입력받아 피측정회전기기의 이상유무를 판별하는 신경회로망 알고리즘처리부를 포함하는 회전기기의 이상유무 진단장치.
  2. 제 1항에 있어서, 상기 신호검출장치는 상기 진동신호를 증폭하는 전치증폭기를 가지며, 상기 전치증폭기의 후단에 상기 진동신호의 저주파영역에 해당하는 속도신호를 처리하는 저주파신호처리부: 및 상기 전치증폭기의 후단에 상기 저주파신호처리부와 병렬로 접속되어 상기 진동신호의 고주파영역에 해당하는 가속도신호를 처리하는 고주파신호처리부를 포함하는 회전기기의 이상유무 진단장치.
  3. 제2항에 있어서, 상기 저주파신호처리부는 상기 전치증폭기의 출력을 받아 직류성분을 차단하는 고역통과필터; 상기 고역통과필터의 출력을 적분하여 속도신호를 얻는 적분기; 및 상기 속도신호를 받아 고주파에 의한 앨리어싱효과를 제거하는 저역통과필터를 포함하는 회전기기의 이상유무 진단장치.
  4. 제 2항에 있어서, 상기 고주파신호처리부는 상기 전치증폭기의 출력을 받아 대역통과필터링하는 대역통과필터 ; 상기 대여통과필터의 출력에 소정의 이득값을 곱하는 이득부; 상기 이득부의 출력을 절대치처리하는 절대치처리부 ; 및 상기 절대치처리부의 출력을 포락선처리하는 엔빌로프처리부를 포함하는 회전기기의 이상유무 진단장치.
  5. 제1항에 있어서, 상기 스펙트럼 생성알고리즘처리부와 상기 형상벡터 추출알고리즘처리부는 소정의 소프트웨어에 의해 동작되는 하나의 마이크로프로세서에 의해 동작되는 것을 특징으로 하는 회전기기의 이상유무 진단장치.
  6. 제1항에 있어서, 상기 스펙트럼생성 알고리즘처리부는 샘플데이타의 세그먼트를 웰치윈도우( Welch window)로 곱하기 위하여 아래와 같이 FFT로 주파수영역으로 변환시킨 후,
    (여기서, N은 4096이고, c(i), 1≤ i≤ N는 세그먼트의 시간영역 데이타를 나타낸다.) 다음 식에 따라
    `
    (여기서,는 윈도우 제곱합 (window squared and summed)값을 의미한다.) 파워스펙트럼의 2셋트를 구하고, 그 평균파워스펙트럼를 구하는 것을 특징으로 하는 회전기기의 이상유무 진단장치.
  7. 제1항에 있어서, 상기 형상벡터추출알고리즘처리부는 파워스펙트럼에 수정을 가하고 추출된 형상벡터를 정규화하는 것을 특징으로 하는 회전기기의 이상유무 진단장치.
  8. 제7항에 있어서, 신경회로망알고리즘처리부는 저주파진단의 경우, 4개의 입력노드, 각각 6개의 노드를 갖는 2개의 은닉층 및 4개의 출력노드를 포함하는 것을 특징으로 하는 회전기기의 이상유무 진단장치.
  9. 제7항에 있어서, 상기 신경회로망알고리즘처리부는 고주파진단의 경우, 5개의 입력노드, 각각 6개와 5개의 노드를 갖는 2개의 은닉층 및 2개의 출력노드를 포함하는 것을 특징으로 하는 회전기기의 이상유무 진단장치.
  10. 회전기기의 진동시 발생되는 진동신호의 저주파대역 및 고주파대역에 따른 속도신호와 가속도신호를 처리하는 단계, 상기 속도 및 가속도 신호의 스펙트럼 생성하는 단계; 상기 생성된 스펙트럼을 분석하여 형상벡터를 추출하는 단계; 상기 추출된 형상벡터를 이용하여 신경회로망의 가중치를 훈련시키는 단계 ; 피측정 회전기기의 진동신호의 스펙트럼으로부터 추출된 형상벡테를 상기 신경회로망에 입력하여 피측정회전기기의 이상유무를 판별하는 단계를 포함하는 회전기기의 이상유무 진단방법.
  11. 제10항에 있어서, 상기 신호처리단계는 상기 진동신호를 전치 증폭하는 단계를 가지며, 상기 전치증폭단계의 후단에 상기 진동신호의 저주파영역에 해당하는 속도신호를 처리하는 저주파신호처리단계 ; 및 상기 전치증폭단게의 후단에 상기 저주파신호처리단계와 병렬로 접속되어 상기 진동신호의 고주파영역에 해당하는 가속도신호를 처리하는 고주파신호처리단계를 포함하는 회전기기의 이상유무 진단방법.
  12. 제11항에 있어서, 상기 저주파신호처리단계는 상기 전치증폭단계의 출력을 받아 직류성분을 차단하는 고역통과 필터링단계; 상기 고역통과필터링단계의 출력을 적분하여 속도신호를 얻는 적분단계 ; 및 상기 적분단계에서 출력된 속도신호를 받아 고주파에 의한 앨리어싱효과를 제거하는 저역통과필터링단계를 포함하는 회전기기의 이상유무 진단방법.
  13. 제11항에 있어서, 상기 고주파신호처리단계는 상기 전치증폭단계의 출력을 받아 대역통과필터링하는 대역통과필터링단계 ; 상기 대여통과필터링단계의 출력에 소정의 이득값을 곱하는 이득처리단계 ; 상기 이득처리단계의 출력을 절대치처리하는 절대치처리단계 ; 및 상기 절대치처리단계의 출력을 포락선처리하는 엔빌로프처리단계를 포함하는 회전기기의 이상유무 진단방법.
  14. 제10항에 있어서. 상기 스펙트럼생성단계와 상기 형상벡터추출단계는 하나의 마이크로프로세서가 사용되어 소정의 소프트웨어에 의해 동작되는 단계를 포함하는 것을 특징으로 하는 회전기기의 이상유무 진단방법.
  15. 제10항에 있어서, 상기 스펙트럼생성단계는 샘플데이타의 세그먼트를 웰치윈도우(Welch window)로 곱하기 위하여 아래와 같이 FFT를 이용하여 주파수 영역으로 변환시킨 후,
    여기서, N은 4096이고, c(i) (여기서, 1≤ i ≤ N)는 세그먼트의 시간영역 데이타를 나타낸다. ) 다음 식에 따라
    `
    (여기서,는 윈도우 제곱합 (window squared and summed)값을 의미한다.) 파워스펙트럼의 2셋트를 구하고, 그 평균파워스펙트럼를 구하는 단계를 포함하는 것을 특징으로 하는 회전기기의 이상유무 진단방법.
  16. 제10항에 있어서, 상기 형상벡터추출단계는 파워스펙트럼에 수정을 가하고 추출된 형상벡터를 정규화 하는 단계를 포함하는 것을 특징으로 하는 회전기기의 이상유무 진단방법.
  17. 제10항에 있어서, 상기 이상유무 판별단계는 저주파진단의경우, 4개의 입력노드, 각각 6개의 노드를 갖는 2개의 은닉층 및 4개의 출력노드를 포함하는 신경회로망을 사용하여 출력노드의 벡터를 가지고 이상유무를 판단하는 단계를 포함하며, 고주파진단의 경우, 5개의 입력노드, 각각 6개와 5개의 노드를 갖는 2개의 은닉층 및 2개의 출력노드를 포함하는 신경회로망을 이용하여 출력노드의 벡터를 가지고 이상유무를 판단하는 단계를 포함하는 것을 특징으로 하는 회전기기의 이상유무 진단방법.
KR1019940032475A 1994-12-01 1994-12-01 신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법 KR0145146B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1019940032475A KR0145146B1 (ko) 1994-12-01 1994-12-01 신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법
JP7171214A JPH08159928A (ja) 1994-12-01 1995-07-06 神経回路網を利用した回転機器の異常有無診断装置およびその診断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1019940032475A KR0145146B1 (ko) 1994-12-01 1994-12-01 신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법

Publications (2)

Publication Number Publication Date
KR960025091A KR960025091A (ko) 1996-07-20
KR0145146B1 true KR0145146B1 (ko) 1998-08-17

Family

ID=19400097

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1019940032475A KR0145146B1 (ko) 1994-12-01 1994-12-01 신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법

Country Status (2)

Country Link
JP (1) JPH08159928A (ko)
KR (1) KR0145146B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102051226B1 (ko) * 2018-09-07 2019-12-02 한국수력원자력 주식회사 원전 설비의 예측 진단 방법 및 시스템
KR102051227B1 (ko) * 2018-09-07 2019-12-02 한국수력원자력 주식회사 원전 설비의 예측 진단 방법 및 시스템
KR20200103167A (ko) * 2019-02-12 2020-09-02 한국수력원자력 주식회사 원전설비의 예측 진단 방법 및 시스템
KR102321602B1 (ko) * 2020-09-18 2021-11-04 국민대학교산학협력단 기계의 결함 검출 장치 및 방법

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100337762B1 (ko) * 1999-10-12 2002-05-24 남부희 이산 웨이브렛 변환 및 상관 관계를 이용한 지문의 분류 및 인식 방법
FR2824394B1 (fr) * 2001-05-04 2003-08-29 Eurocopter France Procede et dispositif pour le reglage d'un rotor d'un aeronef a voilure tournante
US7085655B2 (en) 2002-03-18 2006-08-01 Eurocopter Method and device for detecting defects of at least one rotary wing aircraft rotor
NL1024372C2 (nl) * 2003-09-24 2005-03-29 Skf Ab Werkwijze en sensoropstelling voor belastingmeting op een lager met rollend element gebaseerd op modale vervorming.
JP2009115537A (ja) * 2007-11-05 2009-05-28 Fuji Electric Systems Co Ltd 振動測定方法
US7945397B2 (en) * 2009-04-02 2011-05-17 Honeywell International Inc. System and method for gearbox health monitoring
JP5595997B2 (ja) * 2011-10-03 2014-09-24 中国電力株式会社 回転機械の部品摩耗検出方法、及び回転機械の部品摩耗検出装置
US9146800B2 (en) * 2013-07-01 2015-09-29 Mitsubishi Electric Research Laboratories, Inc. Method for detecting anomalies in a time series data with trajectory and stochastic components
JP6502779B2 (ja) * 2015-07-29 2019-04-17 東京エレクトロン株式会社 ガス供給系のバルブのリークを検査する方法
US9984551B2 (en) * 2016-03-15 2018-05-29 Ashworth Bros., Inc. System and method for anticipating low-speed bearing failure
KR101967065B1 (ko) * 2017-10-18 2019-04-08 울산대학교 산학협력단 환경 변화에 강인한 고장 진단 장치 및 방법
JP6856585B2 (ja) * 2018-08-03 2021-04-07 ファナック株式会社 異常監視装置、異常監視方法及び制御装置
CN109782603A (zh) * 2019-02-03 2019-05-21 中国石油大学(华东) 旋转机械耦合故障的检测方法及监测系统
CN110987434A (zh) * 2019-12-18 2020-04-10 中国民航大学 一种基于去噪技术的滚动轴承早期故障诊断方法
CN112284512A (zh) * 2020-10-16 2021-01-29 陕西宝鸡第二发电有限责任公司 一种电容式振动传感器及电厂风机诊断系统和方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0692914B2 (ja) * 1989-04-14 1994-11-16 株式会社日立製作所 機器／設備の状態診断システム
JPH04106429A (ja) * 1990-08-28 1992-04-08 Kobe Steel Ltd 回転機械の異常診断装置
JPH0572026A (ja) * 1991-09-18 1993-03-23 Hitachi Ltd 回転系設備故障診断装置及び方法
JP3170076B2 (ja) * 1992-12-18 2001-05-28 株式会社小野測器 転がり軸受故障診断装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102051226B1 (ko) * 2018-09-07 2019-12-02 한국수력원자력 주식회사 원전 설비의 예측 진단 방법 및 시스템
KR102051227B1 (ko) * 2018-09-07 2019-12-02 한국수력원자력 주식회사 원전 설비의 예측 진단 방법 및 시스템
KR20200103167A (ko) * 2019-02-12 2020-09-02 한국수력원자력 주식회사 원전설비의 예측 진단 방법 및 시스템
KR102321602B1 (ko) * 2020-09-18 2021-11-04 국민대학교산학협력단 기계의 결함 검출 장치 및 방법

Also Published As

Publication number Publication date
JPH08159928A (ja) 1996-06-21
KR960025091A (ko) 1996-07-20

Similar Documents

Publication Publication Date Title
KR0145146B1 (ko) 신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법
US7133801B2 (en) System and methodology for vibration analysis and condition monitoring
EP0693176B1 (en) Method and apparatus for analyzing and detecting faults in bearings and other rotating components that slip
US4931949A (en) Method and apparatus for detecting gear defects
US20070032966A1 (en) System and methodology for vibration analysis and conditon monitoring
Yakhni et al. Variable speed induction motors’ fault detection based on transient motor current signatures analysis: A review
CN109855874B (zh) 一种声音辅助振动微弱信号增强检测的随机共振滤波器
JPH09113416A (ja) ころがり軸受の損傷診断方法
CA1179064A (en) Vibration diagnosis method for rotary machine
US7079959B2 (en) High-resolution intelligent rotor machine diagnostic system and method
US20230027207A1 (en) Determination of RPM Based on Vibration Spectral Plots and Speed Range
CN109934136B (zh) 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法
JP3020349B2 (ja) 異常検出方法及び装置
JPH0615987B2 (ja) 振動検出機構の診断方法
JPH1123411A (ja) 異音判定装置及び異音判定方法
WO2023060542A1 (zh) 轴承故障检测方法及存储介质
JP3286073B2 (ja) 原子炉内蔵型再循環ポンプの軸振動監視装置
Thanagasundram et al. Autoregressive based diagnostics scheme for detection of bearing faults
JPH1078350A (ja) トンネル内送風機の設備診断用監視方法及びシステム
CN113567123B (zh) 旋转机械冲击类故障自动诊断方法
Dubaish et al. State-of-the-art review into signal processing and artificial intelligence-based approaches applied in gearbox defect diagnosis
JP4471543B2 (ja) 周期的運動体の異常診断方法および装置
JPS644611B2 (ko)
Yang The application of artificial neural networks to the diagnosis of induction motor bearing condition using Hilbert-based bispectral analysis
Motakabber et al. MATLAB-Based Vibration Signal Processing for Fault Diagnosis

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20120410

Year of fee payment: 15

LAPS Lapse due to unpaid annual fee