KR101249576B1

KR101249576B1 - 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치

Info

Publication number: KR101249576B1
Application number: KR1020100089492A
Authority: KR
Inventors: 김양석; 이도환; 김대웅; 강신철
Original assignee: 한국수력원자력 주식회사
Priority date: 2010-09-13
Filing date: 2010-09-13
Publication date: 2013-04-01
Also published as: KR20120027733A

Abstract

본 발명은 진단대상 회전기계의 구성요소들에 설치된 다수의 가속도센서 및 변위센서에 의하여 검출된 신호들이 입력되고, 상기 입력 신호들을 주파수 변환 또는 웨이블렛 변환 등을 통하여 전처리하며, 상기 입력 신호 및 전처리 신호들의 특징 값들로 특징벡터를 구성하고, 상기 특징벡터와 서포트 벡터 머신 알고리즘을 이용하여 미리 학습된 SVM 분류모델로부터 회전기계의 정상 또는 다수의 비정상 결함으로 분류할 수 있는 회전기계의 결함 진단방법 및 장치에 관한 것이다.

Description

서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치{Rotating Machinery Fault Diagnostic Method and System Using Support Vector Machines}

본 발명은 진단대상 회전기계의 구성요소들에 설치된 다수의 가속도센서 및 변위센서에 의하여 검출된 신호들이 입력되고, 상기 입력 신호들을 주파수 변환 또는 웨이블렛 변환 등을 통하여 전처리되며, 상기 전처리된 신호들의 특징 값들로 특징벡터를 구성하고, 상기 특징벡터와 서포트 벡터 머신 알고리즘을 이용하여 미리 학습된 SVM 분류모델로부터 회전기계의 정상 또는 다수의 비정상 결함으로 분류할 수 있는 회전기계의 결함진단 방법 및 장치에 관한 것이다.

모터, 펌프, 송풍기, 터빈 등과 같은 회전기계는 설계 특성, 설치 상태, 운전 조건뿐만 아니라 운전연수에 따라 다양한 이상상태를 경험하게 되는데, 특히 질량 불평형에 의한 편심, 정렬불량, 베어링 성능 저하 등에 의해 이상진동이 유발되며 이는 곧 회전기계의 성능 저하 및 수명단축을 가져와 심한 경우에 회전기계가 설치된 발전소 시스템의 정지까지 유발할 수 있다.

따라서, 주요 회전기계에 대해서는 최적의 성능을 유지시키기 위해 시험, 검사 및 정비를 일정한 주기로 수행하고 있지만 이외에도 예측정비 및 상태진단이 반드시 필요하다.

일반적으로 회전기계의 진단은 진동, 음향방출 등의 신호 처리 및 분석을 통하여 기기의 상태를 진단한다. 그러나 결함 진단을 위해서는 일정 수준의 전문성과 진단 경험이 요구되며 비전문가가 쉽게 진단할 수 있는 영역은 아니다. 더구나 측정신호만으로 정상 및 결함상태를 구분하기 어려운 경우도 있으므로 일반적으로 주파수 변환 또는 웨이블렛 변환 등을 통한 신호분석이 추가로 필요하게 된다.

또한, 회전기계 진단을 위해 신호의 평균값 등의 특징데이터를 이용하여 패턴 인식 등의 방법으로 이상을 진단하는 기술도 많이 이용되고 있으나, 정상상태 이외에 한 가지 결함만을 진단하거나 또는 다수의 결함을 진단하는 경우에도 동일한 특징데이터를 이용하는 방법이 사용되고 있다.

종래의 방법에 사용된 패턴 인식 기법은 퍼지, 신경회로망, 또는 K-means 클러스터링 알고리즘을 이용하고 있으나, 이 경우 SVM(Support Vector Machine) 방법이 이진분류 및 일반화 측면에서 훨씬 나은 것으로 알려져 있다.

또한, 패턴 인식 기법에 의한 진단결과는 패턴인식 기법 자체의 성능뿐 만 아니라 입력 특징데이터에 의해서도 영향을 받기 때문에 어떠한 특징데이터를 이용하는가도 매우 중요하다.

본 발명이 해결하려는 과제는 진단대상 회전기계의 구성요소들에 설치된 센서에 의하여 검출된 신호와 이진분류 및 일반화 측면에서 뛰어난 성능을 보이는 SVM 알고리즘을 이용하여, 미리 학습된 하나 또는 다수의 SVM 분류모델과 SVM 분류모델의 최적 특징데이터를 이용하여 회전기계의 정상 또는 다수의 비정상 결함중의 하나로 분류하여 정상 및 비정상 결함을 쉽게 판단할 수 있도록 하는데 있다.

본 발명이 해결하려는 또 다른 과제는 측정된 신호로부터 구한 특징 값들로 이루어진 특징벡터 및 SVM 알고리즘을 이용하여 각 결함유형 군에 속하는 결함유형중의 하나로 분류하는 다수의 SVM 분류기로 구성되어 회전기계의 진단을 전문가가 아니더라도 용이하게 진단할 수 있으므로 유지비용을 절감하는데 있다.

본 발명의 과제 해결 수단은 회전기계의 결함 진단방법에 있어서, 진단대상 회전기계의 구성요소들에 설치된 다수의 가속도센서 및 변위센서에 의하여 신호를 측정하는 단계; 상기 측정된 신호들을 특징 값을 구하기 위하여 전처리하는 단계;상기 전처리된 신호들의 특징 값들로 특징벡터를 생성하는 단계; 및 상기 특징벡터와 SVM 알고리즘을 이용하여 미리 학습된 SVM 분류모델로부터 회전기계의 정상 상태 또는 다수의 비정상 결함으로 진단하는 단계로 이루어지며, 상기 SVM 분류모델에 이용되는 최적 특징벡터는, 회전기계의 분류대상 결함유형 또는 결함유형군별로 특징 값의 차이가 최대이고, 동일 결함유형 또는 결함유형군 내 특징 값의 차이는 최소가 되는 방법으로 결정됨을 특징으로 하는 회전기계의 결함 진단방법을 구현하는 데 있다.

본 발명의 또 다른 과제 해결 수단은 진단대상 회전기계의 구성요소들로부터 신호를 획득하기 위한 다수의 가속도센서 및 변위센서와, 다수의 가속도센서 및 변위센서로 측정된 신호들을 주파수 변환 또는 웨이블렛 변환 등을 통하여 전처리하는 수단과, 상기 전처리된 신호들의 특징 값들로 구성된 특징벡터를 획득하는 수단과, 상기 획득한 특징벡터와 SVM 알고리즘을 이용하여 미리 학습된 SVM 분류모델로부터 회전기계의 정상 또는 다수의 비정상 결함으로 진단하는 수단으로 이루어지며, 상기 SVM 분류모델에 이용되는 최적 특징벡터는 회전기계의 분류대상 결함유형 또는 결함유형군별로 특징 값의 차이가 최대이고, 동일 결함유형 또는 결함유형군 내 특징 값의 차이는 최소가 되는 방법으로 결정됨을 특징으로 하는 회전기계의 결함 진단장치를 구현하는 데 있다.
본 발명의 또 다른 과제 해결 수단은 미리 학습된 다수의 SVM 분류모델을 통해서 정상 또는 비정상 결함유형중의 하나로 분류하는 하나의 SVM 분류기로 구성되거나, 상기 비정상 상태로 분류된 경우, 2 또는 3개의 결함유형으로 이루어진 다수의 결함유형군의 하나로 분류하는 SVM 분류기와, 상기 각 결함유형 군으로 분류된 경우에 각 결함유형군에 속하는 결함유형중의 하나로 분류하는 다수의 SVM 분류기로 구성된 회전기계의 결함진단 방법 및 장치를 제공하는데 있다.

삭제

본 발명은 진단대상 회전기계의 구성요소들에 설치된 센서에 의하여 검출된 신호와 이진분류 및 일반화 측면에서 뛰어난 성능을 보이는 SVM 알고리즘을 이용하여, 미리 학습된 하나 또는 다수의 SVM 분류모델과 SVM 분류모델의 최적 특징데이터를 이용하여 회전기계의 정상 또는 다수의 비정상 결함중의 하나로 분류하여 정상 및 비정상 결함을 쉽게 판단할 수 있는 유리한 효과가 있다.

본 발명의 또 다른 효과는 측정된 신호로부터 구한 특징 값들로 이루어진 특징벡터 및 SVM 알고리즘을 이용하여 각 결함유형 군에 속하는 결함유형중의 하나로 분류하는 다수의 SVM 분류기로 구성되어 회전기계의 진단을 전문가가 아니더라도 용이하게 진단할 수 있으므로 유지비용을 절감하는데 있다.

도 1은 서포트 벡터 머신(Support Vector Machine, SVM) 알고리즘을 설명한 도면이다.
도 2는 발명의 진단방법이 적용되는 회전기계의 결함진단 방법의 예를 나타낸 예시도이다.
도 3은 하나의 SVM 분류기를 이용한 SVM 분류모델의 예시도이다.
도 4는 다수의 SVM 분류기를 이용한 SVM 분류모델의 예시도이다.
도 5는 정상 및 비정상 결함이 있는 회전기계 일측에 설치된 센서로부터 검출한 측정데이터를 나타낸 그래프이다.
도 6은 정상상태 및 10개 결함유형을 모사한 회전기계 일측에 설치된 센서로부터 검출한 측정데이터의 특징 값들의 예시도이다.
도 7은 발명에 따른 결함진단 장치 화면의 예를 나타낸 도면이다.
* 주요 도면 부호의 설명 *
10, 11 : 클래스 정보를 가진 데이터
12 : 서포트 벡터
13, 14 :두 개의 클래스를 분류하는 초평면의 예
15 : 입력데이터
20 : 입력신호(측정값)
30 : 특징 추출 및 특징벡터 구성 단계
40 : 최적특징 결정 단계 50 : SVM 학습 단계
60 : 진단대상 입력신호(측정값) 70 : 최적특징 추출 단계
80 : 결함 진단 단계 100 : SVM 분류모델
111, 121~126 : SVM 분류기

본 발명의 실시를 위한 구체적인 내용에 대하여 살펴본다. 본 발명에 따른 회전기계의 결함진단 방법은 진단대상 회전기계의 구성요소들에 설치된 다수의 가속도센서 및 변위센서로부터 각각의 신호를 측정하는 단계와, 측정된 신호들을 주파수 변환 또는 웨이블렛 변환 등을 통하여 전처리하는 단계를 포함한다.

또한, 상기 전처리된 신호들의 특징 값들로 특징벡터를 생성하는 단계와, 상기 특징벡터와 SVM 알고리즘을 이용하여 미리 학습된 SVM 분류모델로부터 회전기계의 정상 또는 다수의 비정상 결함으로 진단하는 단계를 포함한다.

본 발명에 따른 회전기계의 결함진단 장치는 진단대상 회전기계의 구성요소들로부터 신호를 획득하기 위한 다수의 가속도센서 및 변위센서와, 다수의 가속도센서 및 변위센서로 측정된 신호들을 주파수 변환 또는 웨이블렛 변환 등을 통하여 전처리하는 수단을 포함한다.

또한, 상기 전처리된 신호들의 특징 값들로 구성된 특징벡터를 획득하는 수단과, 상기 획득한 특징벡터와 SVM 알고리즘을 이용하여 미리 학습된 SVM 분류모델로부터 회전기계의 정상 또는 다수의 비정상 결함으로 진단하는 수단으로 구성되어 있다. 본 발명의 구체적인 실시 예에 대하여 살펴본다.

<실시 예>

<실시 예 1>

본 발명에 따른 실시 예1을 도면에 기초하여 살펴본다. 실시 예1은 본 발명에 따른 회전기계의 결함 진단방법에 관한 것이다. 도 1은 서포트 벡터 머신(Support Vector Machine, SVM) 알고리즘을 도시한 도면이다. 도 2는 본 발명의 진단방법이 적용되는 회전기계의 결함진단 방법의 하나의 예를 도시한 것이다.

본 발명에 따른 회전기계의 결함진단 방법은 진단대상 회전기계의 구성요소들에 설치된 다수의 가속도센서 및 변위센서로부터 각각의 신호를 측정하는 단계와, 측정된 신호들을 주파수 변환 또는 웨이블렛 변환 등을 통하여 전처리하는 단계를 포함한다.

상기 본 발명에 따른 각각의 기술적 구성에 대하여 구체적으로 살펴본다.

도1은 SVM을 이용하여 두 개의 클래스로 분류하는 개념을 나타낸 것으로, 두 개의 클래스(10, 11)를 구분할 수 있는 초평면은 도 1에 도시된 초평면(13,14)외에도 많으나 최대 마진을 갖는 초평면(14)은 유일하다.

기본적으로, SVM은 이진분류 문제를 다루며 서포트 벡터(Support Vector) (12)로 정의되는 초평면(14)으로 두 개의 클래스(10, 11)로 구분한다. 여기서 각 클래스에 속한 데이터 중 경계와 가장 인접한 데이터가 서포트 벡터(12)가 된다.

클래스 정보를 가진 두개의 클래스(10,11)를 학습데이터로 이용하여 서포트 벡터(12)가 결정되면 서포트 벡터(12)를 제외한 나머지 데이터들은 더 이상 이용되지 않고 클래스를 모르는 데이터(15)는 서포트 벡터(12) 정보로 구성된 초평면(14)을 이용하여 분류하게 된다.

입력공간이 선형적으로 쉽게 분리될 수 없는 비선형 입력공간의 데이터는 커널(kernel) 함수를 이용하여 고차원의 특징공간으로 변환함으로써 선형화하는 방법을 이용한다. 일반적으로 사용되는 커널 함수로는 RBF 커널, polynomial 커널, linear 커널, sigmoid 함수 중에서 하나를 선택하여 이용할 수 있다.

도 2는 SVM을 이용하여 결함을 진단하는 과정을 하나의 실시 예로 도시한 것이다.

도 2에서, 결함정보를 가진 입력신호(20)로부터 결함정보의 특징을 연산하여 추출한 뒤, 해당 결함정보의 클래스와 추출한 결함정보의 특징으로 구성된 특징벡터를 생성하는 단계(30)를 포함한다.

정상상태를 포함한 11가지 결함유형의 클래스 중의 하나로 분류하는 SVM 분류모델(100)과 상기 구성된 특징벡터를 입력으로 하여 SVM 분류모델(100)에 대하여 최적특징을 결정하는 단계(40)를 거친다.

최적특징과 결함유형 정보로 구성된 최적 특징벡터와 SVM 알고리즘을 이용하여 학습하는 단계(50)를 거치게 되면, 도 1에 나타낸 최적 초평면(14)에 해당하는 정보를 이용한 SVM 분류기를 구현할 수 있다.

본 발명에 따라 구현된 SVM 분류기는 SVM 분류기의 데이터베이스 또는 메모리에 저장된 정상상태 및 다양한 결합종류의 결함상태에 대한 최적 특징정보(40)를 이용하여 회전기계의 구성요소에 설치된 센서에서 검출된 신호(60)로부터 최적특징 정보를 추출하여 최적특징벡터를 구하면(70) 최적특징벡터를 입력자료로 하여 SVM 분류기로부터 회전기계의 정상 여부 및 결함을 진단(80)할 수 있다.

도 3과 도 4를 참조하여 SVM 분류모델(100)에 대해 더욱 상세히 설명하면 다음과 같다. 도 3은 하나의 SVM 분류기(111)로부터 정상상태(C1)와 비정상상태의 10개 결함유형(C2내지 C11), 즉 11개 클래스 중의 하나로 분류하는 SVM 분류모델의 예를 나타낸 것이다.

도 3에서, 비정상상태의 10개 결함유형은 회전자 질량 불평형(C2), 베어링 내륜결함(C3), 베어링 외륜결함(C4), 베어링 볼결함(C5), 회전자 접촉마모유형1(C6), 회전자 접촉마모유형2(C7), 회전차축 굽힘(C8), 회전자축 균열(C9), 베어링하우징 풀림(C10) 및 커플링 결함(C11)으로 구성된다.

최적특징은 11개 클래스의 특징 값의 차이가 최대이고, 동일 클래스 내 특징 값의 차이는 최소가 되는 방법으로 결정된다.

도 4는 정상상태를 포함한 11개 클래스(C1내지 C11)에 대하여 총 6개의 SVM 분류기로부터 11개 클래스(C1내지 C11) 중의 하나로 분류하는 SVM 분류모델의 또 다른 실시 예를 나타낸 것이다.

SVM1 분류기(121)는 정상상태(C1)와 비정상상태(C2내지 C11)를 분류하고, 비정상상태로 분류된 SVM2 분류기(122)에 의하여 4개의 결함유형 군의 하나로 분류된다. 즉, {C2, C10, C11}, {C3, C4, C5}, {C6, C7}, {C8, C9} 중의 하나의 결함유형으로 분류하고, 분류결과에 따라 SVM3 분류기(123), SVM4 분류기(124), SVM5 분류기(125), SVM6 분류기(126) 중의 하나로 판단 선택하여 최종적으로 해당 결함유형 군에 속한 결함유형 중의 하나로 진단하도록 구성되어 있다.

여기서, 4개의 결함유형군은 하나의 예로 제시한 것이며, 앞서 제시한 방법을 응용하여 다양한 방법으로 구분하여 SVM 분류 모델(100)을 구성할 수 있다.

상기 SVM 분류모델(100) 구성 시에 최적특징은 앞서 기술한 바와 동일하게 각각의 SVM 분류기의 분류대상 결함유형 클래스의 특징 값의 차이가 최대이고, 동일 클래스 내 특징 값의 차이는 최소가 되는 방법으로 각각 결정된다.

도 5는 정상상태(C1) 및 4가지 결함유형(C2, C3, C4, C8)이 있는 회전기계의 결함을 모사한 실험 장치로부터 취득한 진동신호의 예이다.

각 결함유형별로 총 5회(D1, D2, D3, D4, D5로 표기)를 측정하였고 정상상태 외에 실험 장치를 통해 모사한 결함유형은 앞서 기술한 질량 불평형(C2), 베어링 내륜결함(C3), 베어링 외륜결함(C4), 베어링 볼결함(C5), 회전자 접촉마모유형1(C6), 회전자 접촉마모유형2(C7), 회전차축 굽힘(C8), 회전자축 균열(C9), 베어링하우징 풀림(C10) 및 커플링 결함(C11)까지 모두 10가지이다.

도 6은 취득한 진동신호를 입력으로 하여 11개 클래스에 대한 특징데이터의 하나의 예를 그래프로 나타낸 것이다. 본 발명에 따른 실시 예1에서는 측정신호의 평균값, RMS, 왜도, 첨도, 최대 첨두치, 5차에서 9차까지의 중심 모멘트(central moment), 절대평균, 크레스트 요소(crest factor), 형상계수, 임펄스 요소(impulse factor), 클리어런스 요소(clearance factor), 엔트로피(entropy), 변형된 엔트로피(modified entropy), 평균값을 표준편차로 나눈 값 등 18가지로 특징을 가진 신호를 추출하였다.

도 6에서, 총 측정회수 5번의 측정 자료(D1~ D5로 표기)는 각각 9,500개의 샘플데이터로 구성된 20개의 신호로 등분하고 등분된 신호로부터 각각 18개의 특징을 가진 신호(도 6의 특징번호 1내지 18)를 추출하였다.

도 6에서, 가로축의 숫자는 각각의 결함유형을 의미하며, 1 이 정상상태(C1)이다. 도 6을 살펴보면, 1, 2, 11, 17, 18번 특징들이 비교적 각 결함유형을 잘 구분하고 있으며, 도6의 3내지 9번 특징은 3번 결함(C3)을 다른 결함으로부터 비교적 잘 구분하나 3번 결함(C3)을 제외한 다른 결함들에 대해서는 특징의 차이가 없음을 알 수 있다. 따라서 11개 결함유형을 분류하기 위하여 3내지 9 특징만을 이용할 경우에 좋은 SVM 분류기의 성능을 기대하기 어렵다.

표 1은 도 3의 SVM 분류기와 도 4의 6개 SVM 분류기에 대하여 5개 최적특징번호를 예시로 나타낸 것이다. 여기서 D1내지 D5는 특징데이터 집합이다.

표 1을 살펴보면, 각각의 SVM 분류기에 대한 5개 최적특징번호가 각각 다름을 확인할 수 있으며, 도 3의 SVM 분류기의 5개 최적특징번호와도 차이가 있음을 알 수 있다.

분류기	D1	D2	D3	D4	D5
SVM1 (도 4)	18,1,13,12,14	18,1,13,12,14	18,1,12,14,15	18,1,13,12,14	18,1,13,12,14
SVM2 (도 4)	17,18,10,16,2	17,16,11,2,10	17,10,2,11,16	17,18,10,16,2	17,16,11,2,10
SVM3 (도 4)	1,18,16,2,11	1,18,16,11,2	1,18,11,16,2	1,18,16,2,11	1,18,16,11,2
SVM4 (도 4)	11,17,2,13,1	11,2,17,13,1	17,11,2,13,1	11,17,2,13,1	11,2,17,13,1
SVM5 (도 4)	1,13,17,4,15	1,18,13,17,16	1,18,17,16,13	1,13,17,4,15	1,18,13,17,16
SVM6 (도 4)	17,11,16,2,1	11,17,2,16,1	17,11,2,16,1	17,11,16,2,1	11,17,2,16,1
SVM (도 3)	1,17,18,11,2	1,11,18,17,2	1,17,18,11,2	1,18,11,2,17	1,18,17,11,2

각 결함유형별로 측정한 5회의 데이터(D1내지 D5)를 이용하여 도 3, 4에 나타낸 SVM 분류모델에 따른 결함진단을 수행하였다. 5개 신호에 대하여 220 × 18 특징데이터 집합을 각각 이용하여(D1내지 D5) SVM 분류기들을 학습하였고, D1내지 D5에 대하여 학습에 이용되지 않은 4 개의 신호를 이용하여 220 × 18 특징데이터 집합을 검증하였다.

예를 들어, 표1에서 D3 가 학습용 입력 데이터로 이용되었을 경우에 검증용 데이터는 D1, D2, D4, D5가 된다. 도 3의 SVM 분류기에 따라 11개 클래스에 대한 분류 결과를 표 2 에 나타내었고, 도 4의 SVM 분류기들을 이용한 결과는 표 3에 나타내었다.
이때 표 2 및 표 3의 행에 기재된 특징의 수는 회전기계의 구성요소들로부터 검출된 신호들의 최적특징정보를 나타내는 번호이다.

표1, 표 2 및 표 3을 참조하면, 표 2는 도 3의 SVM분류기를 이용한 값이다.
도 3의 SVM분류기를 이용하는 경우 표 2의 특징의 수가 1인 행의 값들은 학습용 특징데이터 집합이 D1인 경우에 표 1에 나타난 바와 같이 SVM행의 D1값 중 첫번째 값인 1번특징을 이용한 값들이다.
표 3은 도 4의 6개 SVM 분류기들을 이용한 값이다.
도 4의 6개의 SVM분류기를 이용하는 경우 표 3의 특징의 수가 1인 행의 값들은 D1을 학습용 특징데이터 집합으로 사용하면, 표 1의 SVM1-SVM6 행의 내용중 D1의 내용에서 첫번째 번호들(18, 17, 1, 11, 1, 17)에 해당하는 특징이 이용된 것이다.

특징의 수	D1	D2	D3	D4	D5
1	39.3	59.2	64.6	61.9	60.7
3	73.8	91.3	88.8	83.6	83.5
5	78	91	88.4	85.8	83.3
10	84.7	93.5	91.1	87	87.2

특징의 수	D1	D2	D3	D4	D5
1	66.6	63.8	69.2	72.3	77.6
3	78.6	83.6	77.7	77.4	78.6
5	86.6	84.6	78.9	77.9	79.1
10	84.3	94	91.7	87.6	88

표 2와 표 3을 보면, 결함유형별 최적 특징 데이터의 수를 1개만 이용하는 경우, 도 3의 SVM 분류기는 D1을 예외로 하여도 59.2%의 최저 분류결과를 보여주고 있으나, 도 4의 SVM 분류기를 이용할 경우 63.8% 이상의 분류결과를 보여주고 있다.

입력 특징데이터의 수가 3 또는 5인 경우에 D1을 학습데이터로 이용할 경우를 제외하고는 도 3의 SVM 분류기를 이용한 경우가 더 나은 분류결과를 보여주고 있으나, 입력 특징데이터의 수가 10 개인 경우에는 도 4의 SVM 분류기를 이용한 경우가 더 좋은 결과를 보여주고 있다.

표 4에 나타낸 도 3의 SVM 분류모델로 측정한 학습시간에 대한 도 4의 SVM 분류모델로 측정한 학습시간을 서로 대비해 보면, 두 경우 모두 특징데이터 수에 따른 학습시간의 차이는 거의 없었다.

도 4의 SVM 분류모델로 측정한 학습시간이 도 3의 SVM 분류모델로 측정한 학습시간의 비율이 60내지 70% 정도로 짧은 것으로 나타나므로 도 4의 SVM 분류모델로 측정할 경우에 짧은 학습시간으로 유사한 분류결과를 얻을 수 있음을 알 수 있다.

특징의 수	D1	D2	D3	D4	D5
1	0.58	0.59	0.66	0.63	0.65
3	0.66	0.61	0.65	0.6	0.71
5	0.69	0.63	0.64	0.62	0.64
10	0.68	0.64	0.62	0.69	0.65

도 7은 본 발명에 따른 결함 진단시스템 화면의 하나의 실시 예를 나타낸 것으로, 도 7의 ①과 같이 SVM 분류기에 대한 간략 정보를 표시하도록 구성하며, 도 7의 ②와 같이 센서의 종류와 센서 신호로부터 추출한 특징 및 특징의 수 등을 표시하도록 하고, 도 7의 ③과 같이 결함진단 결과를 결함유형별로 시각적으로 나타낼 수 있다.

또한, 도 7의 ④와 같이 진단을 위한 입력신호를 읽고 진단을 수행하며, 진단결과를 저장하는 등의 제어를 할 수 있도록 구성할 수 있다.

<실시 예 2>

본 발명에 따른 실시 예2에 대하여 살펴본다. 실시 예2는 본 발명에 따른 회전기계의 결함진단 장치에 관한 것이다.

본 발명에 따른 회전기계의 결함진단 장치는 상기 실시 예1의 회전기계의 결함진단 방법을 수행할 수 있도록 구현된 것으로, 회전기계의 결함진단 방법을 수행하기 위한 프로그램이 탑재되어 있다.

보다 구체적으로, 본 발명에 따른 회전기계의 결함진단 장치는 진단대상 회전기계의 구성요소들로부터 신호를 획득하기 위하여 회전기계의 일측에 설치된 다수의 가속도센서 및 변위센서와, 다수의 가속도센서 및 변위센서로 측정된 신호들을 주파수 변환 또는 웨이블렛 변환 등을 통하여 전처리하는 수단을 구비하고 있다.

또한, 실시 예2는 상기 전처리된 신호들의 특징 값들로 구성된 특징벡터를 획득하는 수단과, 상기 획득한 특징벡터와 SVM 알고리즘을 이용하여 미리 학습된 SVM 분류모델로부터 회전기계의 정상 또는 다수의 비정상 결함으로 진단하는 수단으로 구성되어 있다.

실시 예 1로부터 기술된 기술적 구성에 대하여서는 반복 설명을 피하기 위하여 실시 예2에서 이에 대한 기재를 생략한다.

이상 설명한 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것으로 본 발명의 보호범위가 상기 실시 예에 의하여 제한되는 것은 아니며, 본 발명의 기술적 사상에 바탕을 둔 다른 다양한 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게는 자명한 것이다.

본 발명은 진단대상 회전기계의 구성요소들에 설치된 다수의 가속도센서 및 변위센서에 의하여 검출된 신호들이 입력되고, 상기 입력 신호들을 주파수 변환 또는 웨이블렛 변환 등을 통하여 전처리되며, 상기 전처리된 신호들의 특징 값들로 특징벡터를 구성하고, 상기 특징벡터와 서포트 벡터 머신 알고리즘을 이용하여 미리 학습된 SVM 분류모델로부터 회전기계의 정상 또는 다수의 비정상 결함으로 분류할 수 있는 회전기계의 결함진단 방법 및 장치를 제공하여 회전기계의 진단 전문가가 아니더라도 회전기계의 정상상태 및 비정상 결함의 유형 정보를 쉽게 판단할 수 있으므로 산업상 이용가능성이 매우 높다.

Claims

회전기계의 결함 진단방법에 있어서,
진단대상 회전기계의 구성요소들에 설치된 다수의 가속도센서 및 변위센서에 의하여 신호를 측정하는 단계;
상기 측정된 신호들을 특징 값을 구하기 위하여 전처리하는 단계;
상기 전처리된 신호들의 특징 값들로 특징벡터를 생성하는 단계; 및
상기 특징벡터와 SVM 알고리즘을 이용하여 미리 학습된 SVM 분류모델로부터 회전기계의 정상 상태 또는 다수의 비정상 결함으로 진단하는 단계로 이루어지며,
상기 SVM 분류모델에 이용되는 최적 특징벡터는, 회전기계의 분류대상 결함유형 또는 결함유형군별로 특징 값의 차이가 최대이고, 동일 결함유형 또는 결함유형군 내 특징 값의 차이는 최소가 되는 방법으로 결정됨을 특징으로 하는 회전기계의 결함 진단방법.
청구항 1에 있어서,
상기 미리 학습된 SVM 분류모델은 정상 상태 또는 비정상 결함유형 중의 하나로 판단 분류하는 하나의 SVM 분류기로 구성된 것을 특징으로 하는 회전기계의 결함 진단방법
청구항 1에 있어서,
상기 다수의 비정상 결함에는 회전자 질량 불평형(C2), 베어링 내륜결함(C3), 베어링 외륜결함(C4), 베어링 볼결함(C5), 회전자 접촉마모유형1(C6), 회전자 접촉마모유형2(C7), 회전차축 굽힘(C8), 회전자축 균열(C9), 베어링하우징 풀림(C10) 및 커플링 결함(C11)으로 구성됨을 특징으로 하는 회전기계의 결함 진단방법.
청구항 3에 있어서,
상기 C2내지 C11을 결함 유형별로 {C2, C10, C11}, {C3, C4, C5}, {C6, C7}, {C8, C9}로 4가지 결함유형 군으로 분류하고, 분류된 결함유형 중의 하나로 진단함을 특징으로 하는 회전기계의 결함 진단방법.
청구항 1 내지 청구항 3 중 어느 한 항에 있어서,
상기 신호의 특징 값 추출은 측정신호의 평균값, RMS, 왜도, 첨도, 최대 첨두치, 5차에서 9차까지의 중심 모멘트, 절대평균, 크레스트 요소, 형상계수, 임펄스 요소, 클리어런스 요소, 엔트로피, 변형된 엔트로피, 평균값을 표준편차로 나눈 값 중 하나를 선택하여 추출함을 특징으로 하는 회전기계의 결함 진단방법.
청구항 1 내지 청구항 3 중 어느 한 항에 있어서,
상기 전 처리 단계는 주파수 변환 또는 웨이블렛 변환을 통하여 이루어짐을 특징으로 하는 회전기계의 결함 진단방법.
삭제
회전기계의 결함진단 장치에 있어서,
진단대상 회전기계의 구성요소들로부터 신호를 획득하기 위한 다수의 가속도센서 및 변위센서;
상기 다수의 가속도센서 및 변위센서로 측정된 신호들을 전처리하는 수단;
상기 전처리된 신호들의 특징 값들로 구성된 특징벡터를 획득하는 수단; 및
상기 획득한 특징벡터와 SVM 알고리즘을 이용하여 미리 학습된 SVM 분류모델로부터 회전기계의 정상 또는 다수의 비정상 결함으로 진단하는 수단으로 이루어지며,
상기 SVM 분류모델에 이용되는 최적 특징벡터는 회전기계의 분류대상 결함유형 또는 결함유형군별로 특징 값의 차이가 최대이고, 동일 결함유형 또는 결함유형군 내 특징 값의 차이는 최소가 되는 방법으로 결정됨을 특징으로 하는 회전기계의 결함 진단장치.
청구항 8에 있어서,
상기 미리 학습된 SVM 분류모델은 정상 상태 또는 비정상 결함유형중의 하나의 유형으로 판단 분류하는 하나의 SVM 분류기로 구성된 것을 특징으로 하는 회전기계의 결함진단 장치.
청구항 8에 있어서,
상기 다수의 비정상 결함에는 회전자 질량 불평형(C2), 베어링 내륜결함(C3), 베어링 외륜결함(C4), 베어링 볼결함(C5), 회전자 접촉마모유형1(C6), 회전자 접촉마모유형2(C7), 회전차축 굽힘(C8), 회전자축 균열(C9), 베어링하우징 풀림(C10) 및 커플링 결함(C11)으로 구성됨을 특징으로 하는 회전기계의 결함진단 장치.
청구항 10에 있어서,
상기 C2내지 C11을 결함 유형별로 {C2, C10, C11}, {C3, C4, C5}, {C6, C7}, {C8, C9}로 4가지 결함유형 군으로 분류하고, 분류된 결함유형 중의 하나로 진단하도록 구성됨을 특징으로 하는 회전기계의 결함진단 장치.
청구항 8 내지 청구항 11 중 어느 한 항에 있어서,
상기 신호의 특징 값 추출은 측정신호의 평균값, RMS, 왜도, 첨도, 최대 첨두치, 5차에서 9차까지의 중심 모멘트, 절대평균, 크레스트 요소, 형상계수, 임펄스 요소, 클리어런스 요소, 엔트로피, 변형된 엔트로피, 평균값을 표준편차로 나눈 값 중 하나를 선택하여 추출됨을 특징으로 하는 회전기계의 결함 진단장치.
청구항 8 내지 청구항 11 중 어느 한 항에 있어서,
상기 전 처리 단계는 주파수 변환 또는 웨이블렛 변환을 통하여 이루어짐을 특징으로 하는 회전기계의 결함 진단장치.
삭제