KR101505975B1 - 엔진 고장 진단 방법 및 고장 진단 시스템 - Google Patents

엔진 고장 진단 방법 및 고장 진단 시스템 Download PDF

Info

Publication number
KR101505975B1
KR101505975B1 KR1020140066441A KR20140066441A KR101505975B1 KR 101505975 B1 KR101505975 B1 KR 101505975B1 KR 1020140066441 A KR1020140066441 A KR 1020140066441A KR 20140066441 A KR20140066441 A KR 20140066441A KR 101505975 B1 KR101505975 B1 KR 101505975B1
Authority
KR
South Korea
Prior art keywords
coefficient
engine
residual
sensor data
data
Prior art date
Application number
KR1020140066441A
Other languages
English (en)
Inventor
박상호
장주수
Original Assignee
충남대학교산학협력단
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 충남대학교산학협력단 filed Critical 충남대학교산학협력단
Priority to KR1020140066441A priority Critical patent/KR101505975B1/ko
Application granted granted Critical
Publication of KR101505975B1 publication Critical patent/KR101505975B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D45/00—Electrical control not provided for in groups F02D41/00 - F02D43/00
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명에 따른 엔진 고장 진단 방법은 엔진에 설치된 센서 모듈로부터 수집된 센서 데이터에 기초하여 상기 엔진의 고장을 진단하는 엔진 고장 진단 방법에 관한 것으로서, 수신된 센서 데이터에 기초하여 시스템 모델의 계수 및 잔차(Residual)를 생성하는 단계, 선택된 하나 이상의 센서로부터 새로운 센서 데이터를 수집하는 단계, 생성된 계수에 기초하여 계수 패턴 비교를 수행하는 단계, 생성된 잔차에 기초하여 잔차 파형 비교를 수행하는 단계 및 계수 패턴 비교 및 상기 잔차 파형 비교에 따른 수행 결과 모두 고장으로 판단된 경우 고장으로 판단하는 단계를 포함한다.

Description

엔진 고장 진단 방법 및 고장 진단 시스템{METHOD AND SYSTEM FOR FAULT DIGNOSIS OF ENGINE}
본 발명은 고장 진단에 관한 기술로서, 보다 상세하게는 디젤엔진의 고장 패턴 분류에 따른 엔진 고장 진단 방법에 관한 기술이다.
시스템에 대한 고장진단 및 식별에 대한 기술은 센서기술의 발전과 함께 빠른 속도로 발전하고 있다. 방산분야의 경우 다중 센서 데이터 융합(multi-sensor data fusion)의 개념과 함께 자료의 수집과 분석 그리고 의사결정과 제어능력을 총괄하는 거대한 정보시스템의 개념까지 확장되어 있으며, 부분적으로는 자료의 수집과 분석능력 등이 세분화된 형태로 발전하고 있다. 민간분야의 산업 또한 이러한 개념을 구체화하려고 하는 시도가 점차 많아지고 있으며 목적과 대상 시스템의 성격에 따라 다양한 방법들이 연구 또는 개발되고 있다.
대한민국 공개특허 특2001-0068554호는 차량 엔진의 고장상태를 진단하는 장치에 대해 개시하고 있다. 대한민국 공개특허 특2001-0068554호는 차량의 엔진, 흡기다기관, 로커암 커버, 크랭크케이스, 배기다기관 내에서 발생되는 압력을 압력센서를 이용하여 감지하여 계측기에 압력파형을 표시함으로써 신속하고 정확하게 차량의 고장상태를 진단하는 장치가 개시되어 있다. 하지만, 상술한 선행기술은 단순히 수신된 압력파형을 이용하여 엔진의 고장상태를 진단하는 내용만을 개시하고 있을 뿐, 수신된 신호를 처리하는 구체적인 과정에 대해 개시되어 있지 않다.
대한민국 공개특허 특2001-0068554호
본 발명이 해결하고자 하는 과제는 기술적 변화와 경향을 이해하고 활용하기 위한 목적으로 디젤엔진 시스템의 센서 신호를 고장의 진단 및 식별과정에 적용 하여 고장을 진단할 수 있는 엔진 고장 진단 장치 및 진단 방법을 제공하는 것이다.
본 발명에 따른 엔진 고장 진단 방법은 엔진에 설치된 센서 모듈로부터 수집된 센서 데이터에 기초하여 상기 엔진의 고장을 진단하는 엔진 고장 진단 방법에 관한 것으로서, 수집된 센서 데이터를 전처리하는 단계, 수집된 센서 데이터의 상관관계 계산을 통해 상기 센서 모듈에 포함된 다수의 센서 중에서 기 설정된 소정의 개수의 센서를 선택하는 단계, 선택된 센서로부터 수신된 센서 데이터에 변형된 칼만 필터(Modified Kalman Filter)를 적용하여 시스템 모델의 계수 및 잔차(Residual)를 생성하는 단계, 선택된 하나 이상의 센서로부터 새로운 센서 데이터를 수집하는 단계, 생성된 계수에 기초하여 계수 패턴 비교를 수행하는 단계, 생성된 잔차에 기초하여 잔차 파형 비교를 수행하는 단계 및 계수 패턴 비교 및 상기 잔차 파형 비교에 따른 수행 결과 모두 고장으로 판단된 경우 고장으로 판단하는 단계를 포함한다.
본 발명에 따른 엔진 고장 진단 방법에서, 계수 패턴 비교를 수행하는 단계는 생성된 계수에 기초하여 기준 계수 패턴 정보를 생성하는 단계, 새로운 센서 데이터의 계수 및 기준 계수 패턴 정보를 비교하는 단계 및 계수 비교 결과에 기초하여 상기 엔진의 고장을 진단하는 단계로 구성될 수 있다. 그리고, 생성된 계수에 기초하여 기준 계수 패턴 정보를 생성하는 단계는 생성된 계수를 정상 상태 계수 및 비정상 상태 계수로 분류하는 단계 및 분류된 정상 상태 계수 및 비정상 상태 계수를 행렬로 저장하는 단계로 구성될 수 있다.
잔차 파형 비교를 수행하는 단계는 생성된 잔차에서 정상 잔차 파형 및 비정상 잔차 파형을 선택하는 단계, 선택된 정상 잔차 파형 및 비정상 잔차 파형을 정규화하여 전이행렬을 생성하는 단계, 은닉 마르코프 모델(Hidden Markov Model)을 이용하여 상기 새로운 센서 데이터의 잔차 파형과 상기 전이행렬의 일치 확률을 산출하는 단계 및 산출된 일치 확률이 가장 높은 패턴을 찾아 고장을 진단하는 단계로 구성될 수 있다. 그리고, 기 설정된 소정의 개수의 센서를 선택하는 단계는 엔진 출력 데이터의 포지션과 센서 데이터 사이의 상관관계를 산출하는 단계 및 산출된 상관관계가 가장 높은 순서대로 소정의 개수만큼 센서를 선택하는 단계로 구성될 수 있다.
본 발명에 따른 고장 진단 시스템 및 엔진 고장 진단 방법은 수신된 센서 데이터에 기초하여 생성된 계수 비교 및 은닉 마르코프 모델을 이용한 일차 확률에 기초하여 보다 정확한 고장 진단을 수행할 수 있으며, 두 진단 결과를 비교하여 잘못된 진단 가능성을 줄일 수 있다. 이를 통해, 선박이나 풍력 발전에 적용되는 대형 디젤엔진 및 트럭과 같은 자동차에 탑재되는 디젤엔진의 고장진단을 효과적으로 수행할 수 있으며, 모바일 단말을 이용하여 원격 상에서 자동적인 고장 진단을 가능하게 한다.
도 1은 본 발명에 따른 엔진 고장 진단 방법의 일 실시예를 나타내는 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 엔진 고장 진단 방법의 수집된 센서데이터 전처리의 원자료 정제 과정을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 엔진 고장 진단 방법의 계수 패턴을 이용한 고장 진단 과정을 나타내는 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 엔진 고장 진단 방법의 은닉 마르코프 모델을 사용한 잔차 파형 비교를 통한 고장 진단 과정을 나타내는 흐름도이다.
도 5a 및 도 5b는 본 발명의 일 실시예에 따른 디젤엔진의 엔진 고장 진단 장치의 정상 상태 잔차 파형 및 비정상 상태 잔차 파형을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 엔진 고장 진단 방법을 이용한 고장 진단 시스템을 나타내는 구성도이다.
이하, 본 발명의 실시예를 첨부된 도면들을 참조하여 상세하게 설명한다. 본 명세서에서 사용되는 용어 및 단어들은 실시예에서의 기능을 고려하여 선택된 용어들로서, 그 용어의 의미는 발명의 의도 또는 관례 등에 따라 달라질 수 있다. 따라서 후술하는 실시예에서 사용된 용어는, 본 명세서에 구체적으로 정의된 경우에는 그 정의에 따르며, 구체적인 정의가 없는 경우는 당업자들이 일반적으로 인식하는 의미로 해석되어야 할 것이다.
본 발명에 따른 엔진 고장 진단 방법 및 장치는 파라미터 식별에 근거한 기법을 사용하여 센서 신호를 이용한 모델기반 고장 진단 알고리즘을 제안한다. 파라미터를 직접 비교하는 방법 이외에도 계산된 시스템 모델과 실제 시스템 모델과의 차이인 잔차(Residual)를 비교하여 고장 진단의 신회성을 높인다.
도 1은 본 발명에 따른 엔진 고장 진단 방법의 일 실시예를 나타내는 흐름도이다.
도 1을 참조하면, 본 발명에 따른 엔진 고장 진단 방법은 먼저, 디젤엔진에 구비된 다수의 센서로부터 수집된 센서데이터를 전처리한다(101). 다중 센서 데이터 융합의 개념과 함께 자료의 수집과 분석 및 의사결정/제어능력을 총괄하는 거대한 정보시스템의 개념까지 확장되면서 선박이나 발전소에 설치된 디젤엔진 시스템은 보다 다양한 정보를 수집하기 위해 다양한 종류의 센서를 구비하게 되었다.
센서의 원자료(Raw Data)의 일례
Data Name The Number of Sensors Total Number of Data Time Length Sampling Frequency of Data Statistical Properties
Sample1 72 172,568 24H 2/sec See Appendix
Sample2 60 130,310 18H
Sample3 60 138,256 19H
Sample4 60 124,119 17H
Sample5 60 24,652 3.5H
Sample6 60 31,121 4.3H
표 1은 센서로부터 수집된 원자료(Raw Data)에 대한 정보의 일례이다. 원자료란 디젤엔진으로부터 직접 받은 가공되지 않은 센서 데이터를 나타낸다. 원자료는 시스템의 운용조건 및 데이터 수집을 위한 센서의 성능 및 상태에 따라 출력의 성질이 결정된다. 따라서, 원자료를 그대로 사용하지 않고 전처리 과정을 통해 원자료를 가공한다. 표 1의 원자료는 총 6일 분량의 데이터를 포함하며, 각 데이터의 획득 간격은 0.5초에 한 개씩 획득되었고, 샘플 1(Sample 1) 데이터는 24시간 동안 작동된 엔진의 센서 데이터이다. 고장 진단은 센서 데이터가 10분 간격으로 수집된다고 가정하였기 때문에 1분 동안의 센서 데이터, 즉 1200개씩 절단하여 계산하였다. 표 1 및 센서 데이터 절단 기준은 실험의 용이성을 위해 임의로 설정한 것으로 상술한 기준으로 한정되는 것은 아니다.
일반적으로 원자료에는 잡음이 많이 포함될 수 있으며, 데이터가 손실된 부분이 있을 수 있다. 따라서, 본 발명에서는 정상 상태를 분류하기 위해 원자료를 정제하여 사용할 수 있다. 수집된 원자료는 디젤엔진으로부터 신호를 측정하는 다수의 센서 중에서 엔진(Active Power) 출력 데이터를 정상 상태를 추출하여 정상 상태의 포지션(Position)을 분류한다. 그리고, 엔진 출력의 포지션을 모든 센서 원자료에 적용하여 정상 상태 계산에 사용한다. 표 1의 일례에 따라 정제된 데이터의 개수는 77918개이다. 수집된 센서데이터의 전처리 단계(101)에서 원자료를 정제하는 과정은 후술하는 도 2에서 추가적으로 설명하도록 한다.
다음으로, 엔진 출력과 다른 센서의 데이터 사이의 상관관계(Correlation)를 계산하여 상관관계가 가장 높은 순서로 소정의 개수의 센서를 선정한다(102). 디젤엔진으로부터 신호를 측정하는 센서는 매우 다양한 종류의 센서를 포함할 수 있다. 하지만, 센서의 개수가 다수이기 때문에 실제 고장 진단 과정에서 모든 센서의 데이터를 사용하기에는 그 수가 너무 많을 수 있다. 따라서, 원자료의 상관관계 계산을 통해 다수의 센서 중에서 소정의 센서를 선택한다. 상관관계란 두 변량 중에서 어느 한쪽이 증가함에 따라, 다른 한쪽이 증가 또는 감소할 때 두 변량의 관계를 나타낸다. 도 1의 실시예에서는 수학식 1을 통해 산출된 상관관계가 가장 높은 8개의 센서를 설정하였다.
Figure 112014051732973-pat00001
수학식 1은 두 변량 x, y의 상관관계를 산출하는 식으로,
Figure 112014051732973-pat00002
는 비교 대상인 선택된 8개의 센서 데이터를 나타내고,
Figure 112014051732973-pat00003
는 엔진 출력을 나타내며,
Figure 112014051732973-pat00004
및
Figure 112014051732973-pat00005
은 평균(또는 표본평균)을 나타낸다. 선정된 8개의 센서는 과급기 주입구 배기가스 온도 센서, 실린더A1 배기가스 온도, 과급기 배출구 배기가스 온도, 실린더B1 배기가스 온도, 에어 쿨러 배출 압력 센서, 엔진 RPM 픽업 센서, 과급기 A RPM 센서 및 과급기 B RPM 센서를 포함한다.
다음으로, 선택된 센서데이터에 변형된 칼만 필터(Modified Kalman Filter)를 적용하여 시스템 모델의 계수 및 잔차를 생성한다(103). 시스템 모델은 수학식 2와 같이 정의된다.
Figure 112014051732973-pat00006
Y는 엔진의 출력(엔진 출력 센서의 데이터)을 나타내며,
Figure 112014051732973-pat00007
는 엔진의 출력과 8개 센서와의 관계를 나타내는 상수계수 행렬로서,
Figure 112014051732973-pat00008
는 선택된 8개의 센서의 센서값이고, x는 시스템 계수이고,
Figure 112014051732973-pat00009
은 엔진 출력의 오차를 나타내며, 시점은 i = 1,2,3,...m으로 정의된다. 여기서 Y는 Y는 m*1 행렬을, H는 m*k행렬(k는 8개의 선택된 센서를 나타냄), R은 m*1행렬을 나타낸다.
Figure 112014051732973-pat00010
Figure 112014051732973-pat00011
수학식 2는
Figure 112014051732973-pat00012
및
Figure 112014051732973-pat00013
라는 가정과 함께, 최소 자증 추정법(Least Square Estimation)을 통해 수학식 3을 만족하는
Figure 112014051732973-pat00014
을 산출한다. 이것을 시점
Figure 112014051732973-pat00015
까지 확장하여 순환적(Recursive)으로 계산하여 정리하면, 변형된 칼만 필터 또는 순환 최소 자승 추정법(Recursive Least Square Estimation) 관계식을 산출할 수 있다. 수학식 3을 통해 시점 m까지의 추정치는 수학식 4와 같이 산출된다. 수학식 3에서
Figure 112014051732973-pat00016
는 센서로부터 측정된 실제 출력을 나타내며, J는 이론과 실제와의 차이를 나타낸다.
하지만, 시점이
Figure 112014051732973-pat00017
로 이동한다면, 수학식 3의
Figure 112014051732973-pat00018
은 더 이상 수학식 1을 설명하는 추정치가 아니다. 따라서 이것을 해결하기 위해서는 수학식 3을 시점의 이동에 맞게 변형해야 한다. 시점 m+1을 이용하여 수학식1을 다시 정리하면, 수학식 5 및 수학식 6을 산출할 수 있다.
Figure 112014051732973-pat00019
Figure 112014051732973-pat00020
Figure 112014051732973-pat00021
Figure 112014051732973-pat00022
수학식 5 및 수학식 6을 연립하여, 수학식 7을 산출한다. 수학식 6에서 hk는
Figure 112014051732973-pat00023
에 포함된 개별 변수를 나타내고, r은
Figure 112014051732973-pat00024
에 포함된 개별 변수를 나타낸다.
Figure 112014051732973-pat00025
수학식 7은 최소자승법에 의해 수학식 8이 된다.
Figure 112014051732973-pat00026
수학식 9는 칼만 계수 k를 산출하는 수학식이다.
Figure 112014051732973-pat00027
Figure 112014051732973-pat00028
수학식 9을 정리하여 수학식 10과 같이 나타낼 수 있다. 그리고, 예측의 오차를 의미하는 공분산 행렬을 수학식 11과 같이 정의하면,
수학식 11으로 정의하면, 수학식 9 및 수학식 10로부터 순환적 관계식인 수학식 11을 산출할 수 있다.
Figure 112014051732973-pat00029
수학식 8을 순환적(Recursive)으로 정리하면, 수학식 12가 된다.
Figure 112014051732973-pat00030
Figure 112014051732973-pat00031
그리고, 수학식 12에 수학식 10 및 수학식 11을 반영하여 시스템 모델의 계수(Parameter) x를 산출한다. 수학식 13은 수학식 12에 의해 산출된 공분산으로 계산된 계수를 검증하기 위해 사용한다. 공분산이 0에 수렴하게 되면 계수 x가 정상적으로 계산되었다고 판단할 수 있다. 그리고, 수학식 12에 의해 산출된 시스템 계수 k를 수학식 14에 적용하여 산출할 수 있다. 수학식 14는 수학식 2를 정리한 것으로, 잔차(Residual)은 실제 출력값(센서값)과 산출된 값과의 차이를 나타내는 것이기 때문에, 수학식 14에 시스템 계수를 적용하여 잔차 R을 산출할 수 있다.
Figure 112014051732973-pat00032
그리고, 수학식 13을 이용하여 시스템 모델의 계수(Parameter) k 및 잔차(Residual) R을 산출한다. 즉, 수학식 1 내지 수학식 14를 통해 시스템 모델의 계수(k) 및 잔차(R)을 산출할 수 있다. 표 1의 샘플 1 기준 172,568개의 데이터를 10분 간격(1200개)씩 끊어서 각각의 경우에 대하여 변형된 칼만 필터를 계산 하였기 때문에, 총 143번을 계산하게 된다. 샘플 1 외에 다른 일자의 센서 데이터 역시 동일한 방법으로 계산한다. 그리고, 추정된 계수의 상태를 판별하기 위하여 계수의 부호에 따라 +1 또는 -1로 양분화 하였다. 또한, 추정된 계수들을 사용하여 모델링 된 시스템과 실제 시스템 사이의 잔차를 생성한다. 도 1의 실시예에서는 총 143번을 계산하여 143개의 잔차를 생성한다.
그리고, 생성된 계수 패턴 비교를 통한 고장 진단 과정을 수행한다(104). 103 단계에서 생성된 시스템 모델의 계수를 통해 정상상태와 비정상상태로 구분하여, 기준 계수 패턴 정보를 생성한다. 그리고, 선택된 센서가 나타낼 수 있는 모든 패턴을 행렬로 저장한다. 예를 들어, 도 1의 실시예에서와 같이 8개의 센서를 선택한 경우 2의 8승 즉 256개의 패턴을 256*8의 행렬로 저장한다. 그리고, 저장된 행렬을 정상패턴과 비정상 패턴으로 분류하여 기준 계수 패턴 정보를 생성한다. 고장 진단을 위한 새로운 센서 데이터가 수집되면, 고장 진단을 위한 센서 데이터의 계수를 산출하고, 기준 계수 패턴 정보와 비교하여 고장 진단을 위한 센서 데이터가 정상 패턴인지 비정상 패턴인지 여부를 판단한다. 104 단계는 후술하는 도 3에서 추가적으로 설명하도록 한다.
다음으로, 은닉 마르코프 모델(Hidden Markov Model)을 사용하여 잔차 파형 비교를 통한 고장 진단 과정을 수행한다(105). 먼저, 103 단계에서 생성된 정상 및 비정상 잔차 파형을 선택하고, 정상 상태 및 고장 상태를 구분하기 위한 잔차 파형을 정규화하여 전이행렬(Transition Matrix)을 생성한다. 본 발명에서는 기준 계수 패턴 정보의 잔차 파형을 0~20의 구간으로 정규화하여 21*21의 전이행렬을 생성한다. 정규화는 두 번의 과정을 거쳐서 진행하는데 첫 번째 과정은 데이터를 0~1의 구간으로 정규화하고, 두 번째 과정은 0~1의 구간을 0~20까지의 정수로 매칭시킨다. 이렇게 정규화를 두 번에 걸쳐서 수생하는 이유는 은닉 마르코프 모델을 수행하기 위해서는 각각의 값을 가질 확률을 계산하여야 하는데 선형의 데이터를 가지고는 불가능하기 때문이다. 이와 같은 과정을 거쳐서 정상 상태의 전차 파형 4개와 비정상 상태의 전차 파형 4개를 포함하는 총 8개의 비교 전이행렬을 생성한다.
다음으로, 고장 진단을 위해 새로운 센서 데이터가 수집되면, 새로운 센서 데이터의 잔차 파형을 은닉 마르코프 모델을 이용하여 비교 전이행렬과의 일치 확률을 계산한다. 그리고, 비교 결과 가장 높은 확률로 일치하는 패턴을 찾아 고장 진단을 수행한다. 비교 전이행렬은 정상 상태의 잔차 파형 및 비정상 상태의 잔차 파형을 포함하며, 디젤엔진의 작동 상태가 정상인지 비정상인지 여부를 판단하기 위한 비교 대조군 역할을 한다. 따라서, 수신된 센서 데이터의 잔차 파형 및 비교 전이행렬에 은닉 마르코프 모델을 적용하여 일치 확률을 계산함으로써, 센서 데이터와 비교 전이행렬에 포함된 각각의 패턴 사이의 일치 확률을 확인한다. 105 단계는 후술하는 도 4에서 추가적으로 설명하도록 한다.
다음으로, 계수 패턴 비교를 통한 고장 진단 결과 및 잔차 파형 비교를 통한 고장 진단 결과에 기초하여 고장 알람을 수행한다(106). 계수 패턴 비교를 통한 고장 진단은 샘플로 사용된 기준 계수 패턴과 비교하는 과정에서 오류가 발생하여 고장 진단 결과가 틀릴 수 있다. 또한, 잔차 파형 비교는 은닉 마르코프 모델을 통해 확률을 계산하는 알고리즘이기 때문에 잘못된 진단을 내릴 가능성이 존재한다. 따라서, 본 발명에 따른 엔진 고장 진단 방법에서는 계수 패턴 비교를 통한 고장 진단 결과와 잔차 파형 비교를 통한 고장 진단 결과 양쪽 모두의 결과가 고장 진단으로 판단될 경우에만 디젤엔진(10)이 고장난 것으로 판단하여 고장 알람을 수행한다.
도 2는 본 발명의 일 실시예에 따른 엔진 고장 진단 방법의 수집된 센서데이터 전처리의 원자료 정제 과정을 설명하기 위한 도면이다.
도 1 및 도 2를 참조하면, 디젤엔진에 구비된 다수의 센서로부터 수집된 센서데이터를 전처리하는 단계에서, 일반적으로 원자료에는 노이즈가 많이 포함되고 데이터가 손실된 부분이 있을 수 있다. 따라서, 본 발명에서는 정상 상태를 분류하기 위해 원자료를 정제하여 사용한다.
다수의 센서로부터 수집된 센서 데이터 중에서 엔진 출력 데이터의 파형(210)에서 볼 수 있듯이 원자료에 잡음이 많고 데이터가 손실된 부분이 있는 것을 볼 수 있다. 따라서, 본 발명에서는 이와 같은 시스템의 정상 상태를 분류하기 위해 원자료를 정재(Refine)하여 사용한다. 이를 위해, 엔진 출력 데이터의 파형(210)에서 정상 상태만을 추출할 수 있는 필터를 사용하여 정상 상태의 포지션(211)을 분류하였다. 이를 통해, 표 1의 일례에 따라 6580~6592 구간으로 정제된 엔진 출력 데이터(220)를 분류할 수 있다. 그리고, 엔진 출력의 정상 상태 포지션(211)을 정제하는 과정을 모든 센서 데이터에 적용하여 정상상태를 산출한다. 표 1의 일례에 따라 정제된 데이터의 개수는 77918개이다. 도 2와 같이 정제된 데이터를 기준으로 정상데이터를 분류한다.
도 3은 본 발명의 일 실시예에 따른 엔진 고장 진단 방법의 계수 패턴을 이용한 고장 진단 과정을 나타내는 흐름도이다.
도 1 및 도 3을 참조하면, 본 발명의 일 실시예에 따른 엔진 고장 진단 방법의 계수 패턴을 이용한 고장 진단 과정(도 1의 104 단계)은 먼저, 도 1의 103 단계에서 생성된 시스템 모델의 계수를 통해 정상상태와 비정상상태로 구분하여, 기준 계수 패턴 정보를 생성한다(301). 일반적으로 정상상태의 잔차 파형은 대부분 -20~20의 범위를 넘지 않고 정규 분포하는 파형을 가진다. 또한, 정상상태 일 때의 잔차의 평균과 분산은 0에 가까운 값을 가진다. 반면에, 비정상 상태 일 때의 잔차들은 정상상태 일 때와 비교하여 눈에 띠는 파형의 차이가 나타난다. 또한 정상상태의 경우 잔치의 평균이 0에 가까운 값을 가지는 특징이 나타나는 것에 비해 비정상 상태의 경우 대부분 큰 평균을 가지면서도 예외적으로 매우 작은 값을 나타낼 때도 있다. 선택된 센서가 나타낼 수 있는 모든 패턴을 행렬로 저장한다. 예를 들어, 도 1의 실시예에서와 같이 8개의 센서를 선택한 경우 2의 8승 즉 256개의 패턴을 256*8의 행렬로 저장한다. 그리고, 저장된 행렬을 정상패턴과 비정상 패턴으로 분류하여 기준 계수 패턴 정보를 생성한다.
다음으로, 도 1의 102 단계에서 선택된 센서로부터 고장 진단을 위한 새로운 센서 데이터가 수집되면, 고장 진단을 위한 센서 데이터의 계수를 산출한다(302). 디젤엔진의 고장 진단을 위해 새로운 센서 데이터가 수신되면, 도 1의 103 단계와 동일한 과정을 거쳐 변형된 칼만 필터를 이용하여 센서 데이터의 계수를 산출한다. 그리고, 301 단계에서 생성된 기준 계수 패턴 정보와 고장 진단을 위한 센서 데이터의 계수 패턴을 비교(303)하여 고장 진단을 위한 센서 데이터가 정상 패턴인지 비정상 패턴인지 여부를 판단한다(304). 계수 패턴을 이용한 엔진 고장 진단 방법은 수학식 12와 같다.
Figure 112014051732973-pat00033
수학식 12에서 A는 301 단계에서 산출된 기준 계수 패턴 정보로 실시예에서는 256*8 형태의 행렬로 나타난다. 그리고, B는 새롭게 수집된 고장 진단을 위한 센서 데이터로 8개의 센서로부터 수집된 8*1 행렬이다. Y는 고장 진단 결과로서 A 및 B 행렬의 곱으로 나오는 256*1의 행렬로 이 행렬에서 하나의 행이 8의 값을 가지게 되고 8의 값을 가지는 행의 번호가 A 행렬의 256가지 배열 중에서 B 행렬 값과 일치하는 행이다. 따라서, 기존 데이터를 분석하여 A 행렬의 각 행(기준 계수 패턴 정보의 패턴)에 시스템의 상태를 저장해 놓는 방법으로 시스템의 현재 상태를 판별할 수 있다.
도 4는 본 발명의 일 실시예에 따른 엔진 고장 진단 방법의 은닉 마르코프 모델을 사용한 잔차 파형 비교를 통한 고장 진단 과정을 나타내는 흐름도이다.
도 1 및 도 4를 참조하면, 먼저, 은닉 마르코프 모델의 사용을 하기 전에 은닉 마르코프 모델의 요소를 표 2와 같이 정의한다.
은닉 마르코프 모델의 요소
요소 정의
t 관측된 시간
n 상태의 수
m 관찰 가능한 사상의 수
Q 상태 집합: {q1, q2, q3,…, qN}
V 관찰 가능한 사상의 집합: {v1, v2, v3,…, vM}
a 상태 전이 확률
Aij = P(qt+1 =Sj |qt = si), 1 ≤ i,j ≤ N
b 상태 j에서의 관찰 사상 확률분포
Bj(k)=P(vt=Ok |qt=Sj), 1 ≤ j ≤ k, 1 ≤ k ≤M
π 초기상태 확률분포
Πi=P(q1=Si), i=1, 2, …, N
표 2의 요소를 종합하여 은닉 마르코프 모델을 λ={A, B, π}로 표기할 수 있다. 은닉 마르코프 모델은 일반적으로 다음 세 가지 경우의 문제를 푸는데 실제 적용 될 수 있다. 첫 번째로 관찰 사상의 수열 관찰 사상의 수열 O=O1, O2, O3, ..., OT와 보형 λ={a, b, π}가 주어졌을 때, P(O｜λ)을 계산하는 문제인 평가문제(Evaluation Problem), 두 번째로 관찰 사상의 수열 O=O1, O2, O3, ..., OT와 보형 λ={a, b, π}가 주어졌을 때, 최대우도의 상태 수열 Q = q1, q2, ..., qT을 찾는 문제인 해독문제(Decoding Problem), 그리고 세 번째로 P(O｜λ)가 최대값을 갖도록 λ = {a, b, π}의 모수들을 추정하는 문제인 학습문제(Learning Problem)이다.
본 발명에 따른 엔진 고장 진단 방법은 평가문제를 푸는 방법으로 은닉 마르코프 모델을 구현하였다. 평가문제를 푸는 은닉 마르코프 모델은 수학식 13과 같다.
Figure 112014051732973-pat00034
수학식 16에서, O는 8개 센서의 데이터를 나타내고, b는 8개 센서의 데이터의 개별적인 관측 값을 나타내며,
Figure 112014051732973-pat00035
는 엔진의 상태 전이확률을 나타내고,
Figure 112014051732973-pat00036
및
Figure 112014051732973-pat00037
은
Figure 112014051732973-pat00038
의 초기값과 중간 계산 과정이다. 은닉 마르코프 모델(Hidden Markov Model)을 사용하여 잔차 파형을 분류하는 과정(도 1의 105 단계)은 먼저, 도 1의 103 단계에서 생성된 정상 및 비정상 잔차 파형을 선택한다(401). 그리고, 정상 상태 및 고장 상태를 구분하기 위한 잔차 파형을 정규화하여 전이행렬(Transition Matrix)을 생성한다(402). 본 발명에서는 기준 계수 패턴 정보의 잔차 파형을 0~20의 구간으로 정규화하여 21*21의 전이행렬을 생성한다. 정규화는 두 번의 과정을 거쳐서 진행하는데 첫 번째 과정은 데이터를 0~1의 구간으로 정규화하고, 두 번째 과정은 0~1의 구간을 0~20까지의 정수로 매칭시킨다. 이렇게 정규화를 두 번에 걸쳐서 수생하는 이유는 은닉 마르코프 모델을 수행하기 위해서는 각각의 값을 가질 확률을 계산하여야 하는데 선형의 데이터를 가지고는 불가능하기 때문이다. 이와 같은 과정을 거쳐서 정상 상태의 전차 파형 4개와 비정상 상태의 전차 파형 4개를 포함하는 총 8개의 비교 전이행렬을 생성한다.
다음으로, 고장 진단을 위해 새로운 센서 데이터가 수집되면, 새로운 센서 데이터의 잔차 파형을 은닉 마르코프 모델을 이용하여 비교 전이행렬과의 일치 확률을 계산한다(403). 그리고, 비교 결과 가장 높은 확률로 일치하는 패턴을 찾아 고장 진단을 수행한다(404). 비교 전이행렬은 정상 상태의 잔차 파형 및 비정상 상태의 잔차 파형을 포함하며, 디젤엔진의 작동 상태가 정상인지 비정상인지 여부를 판단하기 위한 비교 대조군 역할을 한다. 따라서, 수신된 센서 데이터의 잔차 파형 및 비교 전이행렬에 은닉 마르코프 모델을 적용하여 일치 확률을 계산함으로써, 센서 데이터와 비교 전이행렬에 포함된 각각의 패턴 사이의 일치 확률을 확인한다. 그리고, 확인된 일치 확률 중에서 가장 높은 일치 확률을 가지는 패턴을 현재 디젤엔진의 상태로 추정할 수 있다.
도 5a 및 도 5b는 본 발명의 일 실시예에 따른 디젤엔진의 엔진 고장 진단 장치의 정상 상태 잔차 파형 및 비정상 상태 잔차 파형을 나타내는 도면이다.
도 5a 및 도 5b를 참조하면, 본 발명의 일 실시예에 따른 엔진 고장 진단 방법의 계수 패턴을 이용한 고장 진단 과정(도 1의 104 단계)에서, 정상 상태의 잔차 파형(501)은 대부분 -20~20의 범위를 넘지 않고 정규 분포하는 파형을 가진다. 또한, 정상상태 일 때의 잔차의 평균과 분산은 0에 가까운 값을 가진다. 정상 상태의 잔차 파형(501)에서 잔차 x의 평균E(x)는 0.00485897이고 분산은 (x-E(x))2=5.14523으로 산출된다. 그리고, 비정상 상태의 잔차 파형(502)에서 잔치 x의 평균E(x)는 10.3259이고 분산은 (x-E(x))2=380.363으로 산출된다.
상술한 내용에서 볼 수 있듯이 비정상 상태일 때의 잔차 파형(502)은 정상상태일 때(501)와 비교하여 눈에 띄는 파형의 차이가 나타난다. 또한 정상상태의 경우 잔차의 평균이 0에 가까운(0.01 이하) 값을 가지는 특징이 나타나는데 반하여 비정상 상태의 경우 큰 평균을 나타낸다.
도 6은 본 발명의 일 실시예에 따른 엔진 고장 진단 방법을 이용한 고장 진단 시스템을 나타내는 구성도이다.
도 6을 참조하면, 본 발명의 일 실시예에 따른 엔진 고장 진단 방법을 이용하여 고장 진단 시스템을 구성할 수 있다. 고장 진단 시스템은 모바일 단말(610), 고장 진단 서버(620) 및 센서 모듈(630)을 포함할 수 있다.
센서 모듈(630)은 다수의 센서를 포함하고 있으며, 디젤엔진(10)으로부터 센서 데이터를 수집한다. 다중 센서 데이터 융합의 개념과 함께 자료의 수집과 분석 및 의사결정/제어능력을 총괄하는 거대한 정보시스템의 개념까지 확장되면서 선박이나 발전소에 설치된 디젤엔진 시스템은 보다 다양한 정보를 수집하기 위해 다양한 종류의 센서를 구비하게 되었다. 이와 같은 센서 모듈(630)은 원자료(Raw Data) 형태로 센서 데이터를 수집한다. 그리고, 센서 모듈(630)은 수집된 원자료 형태의 센서 데이터를 고장 진단 서버(620)로 전달한다.
고장 진단 서버(620)는 센서 모듈(630)로부터 수신된 센서 데이터를 가공하는 전처리 과정을 수행한다. 원자료는 시스템의 운용조건 및 데이터 수집을 위한 센서의 성능 및 상태에 따라 출력의 성질이 결정된다. 따라서, 원자료를 그대로 사용하지 않고 전처리 과정을 통해 원자료를 가공한다. 일반적으로 원자료에는 노이즈가 많이 포함되고 데이터가 손실된 부분이 있을 수 있다. 따라서, 본 발명에서는 정상 상태를 분류하기 위해 원자료를 정제하여 사용할 수 있다. 수집된 원자료는 디젤엔진으로부터 신호를 측정하는 다수의 센서 중에서 엔진 출력 데이터를 정상 상태로 분류하여 추출하여 정상 상태의 포지션(Position)을 분류한다. 그리고, 엔진 출력의 포지션을 모든 센서 원자료에 적용하여 정상 상태 계산에 사용한다.
고장 진단 서버(620)는 엔진 출력과 다른 센서의 데이터 사이의 상관관계를 계산하여 상관관계가 가장 높은 순서로 센서 모듈(630)에 포함된 다수의 센서 중에서 소정의 개수의 센서를 선택한다. 디젤엔진으로부터 신호를 측정하는 센서는 매우 다양한 종류의 센서를 포함할 수 있다. 하지만, 센서의 개수가 다수이기 때문에 실제 고장 진단 과정에서 모든 센서의 데이터를 사용하기에는 그 수가 너무 많을 수 있다. 따라서, 원자료의 상관관계 계산을 통해 다수의 센서 중에서 소정의 센서를 선택한다. 선서를 선택하는 과정은 도 1의 101 및 102 단계와 동일하다.
그리고, 고장 진단 서버(620)는 센서 데이터에 기초하여 시스템 모델의 계수(Parameter) 및 잔차(Residual)를 산출한다. 계수 및 잔차가 생성되면, 고장 진단 서버(620)는 두 가지 방법을 사용하여 디젤엔진(10)의 고장을 진단한다. 첫 번째 방법은 생성된 계수 패턴 비교를 통한 고장 진단 과정을 수행한다(도 3의 과정). 두 번째 방법은 은닉 마르코프 모델을 사용한 잔차 파형 비교를 통한 고장 진단 과정을 수행한다(도 4의 과정). 그리고, 고장 진단 서버(620)는 첫 번째 방법 및 두 번째 방법에 따른 고장 진단 결과와 그 과정에서 생성된 계수 및 잔차의 상태를 포함하는 고장 진단 데이터를 모바일 단말(610)로 전달한다.
모바일 단말(610)은 고장 진단 인터페이스를 통해 고장 진단 서버(620)로부터 사용자에게 수신된 고장 진단 데이터에 기초한 고장 진단 화면을 제공할 수 있다. 모바일 단말(610)은 3G 또는 LTE와 같은 이동 통신 인터페이스를 이용하거나, WiFi와 같은 근거리 무선랜 통신 인터페이스를 이용하여 고장 진단 서버(620)로부터 고장 진단 데이터를 수신하여 원격에서 디젤엔진(10의 자동적인 고장 진단 기능을 가능하게 한다.
사용자는 모바일 단말(610)의 고장 진단 인터페이스를 통해 디젤엔진(10)의 고장 상태를 판단하고, 계수 및 잔차와 그에 따른 파형 데이터를 확인하여 디젤엔진(10)의 상태를 점검할 수 있다. 또한, 모바일 단말(610)은 수신된 첫 번째 진단 방법 및 두 번째 진단 방법 모두에서 디젤엔진(10)을 고장으로 판단한 경우, 디젤엔진(10)이 고장난 것으로 판단하여 고장 알람을 음성 또는 화면을 이용하여 제공할 수 있다. 또한, 모바일 단말(610)의 고장 진단 인터페이스는 응용프로그램(Application) 형태로 제공될 수 있다. 모바일 단말(610)의 고장 진단 인터페이스의 일례는 후술하는 도 7에서 설명하도록 한다.
고장 진단 인터페이스는 응용프로그램 형태로 모바일 단말(610)을 통해 제공될 수 있다. 하지만, 실제 변형된 칼만 필터 및 은닉 마르코프 모델 계산은 계산 행렬이 크고 루프 계산이 많기 때문에, 모바일 단말(610)의 하드웨어 자원만으로는 연산에 어려움이 있다. 따라서, 고장 진단 서버(620)에서 연산을 수행하고, 고장 진단 서버(620)와 모바일 단말(610)이 상호 통신하여 고장 진단 데이터를 송수신하는 방법을 사용하였다. 고장 진단 서버(620)의 연산 프로그램은 C++코드를 이용하여 개발할 수 있으며, 통신 소켓 프로그램 및 모바일 단말(610)의 응용프로그램은 자바(JAVA)를 사용하여 개발할 수 있다. 그리고, 고장 진단 서버(620)와 모바일 단말(610) 사이의 통신은 TCP/IP 통신을 이용할 수 있다.
도 7은 본 발명의 일 실시예에 따른 엔진 고장 진단 방법을 이용한 고장 진단 시스템의 모바일 단말(610)의 고장 진단 인터페이스를 나타내는 도면이다.
도 6 및 도 7일 참조하면, 모바일 단말(610)은 고장 진단 서버(620)로부터 고장 진단 인터페이스를 통해 사용자에게 수신된 고장 진단 데이터에 기초한 고장 진단 화면을 제공할 수 있다. 사용자는 모바일 단말(610)의 고장 진단 인터페이스를 통해 디젤엔진(10)의 고장 상태를 판단하고, 계수 및 잔차와 그에 따른 파형 데이터를 확인하여 디젤엔진(10)의 상태를 점검할 수 있다.
고장 진단 시스템의 모바일 단말(610)이 제공하는 고장 진단 인터페이스는 날짜/시간 선택 영역(710)을 통해 사용자로 하여금 필요로 하는 고장 진단 데이터의 날짜 및 시간을 선택하도록 한다. 그리고, 고장 진단 인터페이스는 계수 상태 선택 영역(720) 및 잔차 상태 선택 영역(730)을 제공한다. 사용자로부터 계수 상태 선택 영역(720)에 대한 액션을 수신하면, 모바일 단말(610)의 고장 진단 인터페이스는 계수 상태 정보 인터페이스(721)를 화면에 표시하여 사용자에게 계수 상태를 전달한다. 그리고, 사용자로부터 잔차 상태 선택 영역(730)에 대한 액션을 수신하면, 고장 진단 인터페이스는 잔차 상태 정보 인터페이스(731)를 화면에 표시하여 사용자에게 잔차 상태를 전달한다.
상술한 내용을 포함하는 본 발명은 컴퓨터 프로그램으로 작성이 가능하다. 그리고 상기 프로그램을 구성하는 코드 및 코드 세그먼트는 당분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 또한, 상기 작성된 프로그램은 컴퓨터가 읽을 수 있는 기록매체 또는 정보저장매체에 저장되고, 컴퓨터에 의하여 판독되고 실행함으로써 본 발명의 방법을 구현할 수 있다. 그리고 상기 기록매체는 컴퓨터가 판독할 수 있는 모든 형태의 기록매체를 포함한다.
이상 바람직한 실시예를 들어 본 발명을 상세하게 설명하였으나, 본 발명은 전술한 실시예에 한정되지 않고, 본 발명의 기술적 사상의 범위 내에서 당분야에서 통상의 지식을 가진자에 의하여 여러 가지 변형이 가능하다.
210: 엔진 출력 데이터의 파형
211: 정상 상태의 포지션
220: 정제된 엔진 출력 데이터
10: 디젤 엔진
610: 모바일 단말
620: 고장 진단 서버
630: 센서 모듈

Claims (14)

  1. 엔진에 설치된 센서 모듈로부터 수집된 센서 데이터에 기초하여 상기 엔진의 고장을 진단하는 엔진 고장 진단 방법에 있어서,
    상기 수집된 센서 데이터에 기초하여 시스템 모델의 계수 및 잔차(Residual)를 생성하는 단계;
    새롭게 수집된 센서 데이터 및 상기 생성된 계수에 기초하여 계수 패턴 비교를 수행하는 단계;
    상기 새롭게 수집된 센서 데이터 및 상기 생성된 잔차에 기초하여 잔차 파형 비교를 수행하는 단계; 및
    상기 계수 패턴 비교 및 상기 잔차 파형 비교에 따른 수행 결과 모두 고장으로 판단된 경우 고장으로 판단하는 단계;
    를 포함하는 것을 특징으로 하는 엔진 고장 진단 방법.
  2. 제1항에 있어서,
    상기 수집된 센서 데이터에 기초하여 시스템 모델의 계수 및 잔차(Residual)를 생성하는 단계는,
    상기 센서 모듈로부터 상기 계수 및 상기 잔차 생성을 위한 센서 데이터를 수신하는 단계;
    상기 수집된 센서 데이터를 전처리하는 단계;
    상기 전처리된 센서 데이터의 상관관계 계산을 통해 상기 센서 모듈에 포함된 다수의 센서 중에서 기 설정된 소정의 개수의 센서를 선택하는 단계; 및
    상기 선택된 센서로부터 수신된 센서 데이터에 변형된 칼만 필터(Modified Kalman Filter)를 적용하여 시스템 모델의 계수 및 잔차(Residual)를 생성하는 단계;
    를 포함하는 것을 특징으로 하는 엔진 엔진 고장 진단 방법.
  3. 제1항에 있어서,
    상기 계수 패턴 비교를 수행하는 단계는,
    상기 생성된 계수에 기초하여 기준 계수 패턴 정보를 생성하는 단계;
    상기 새롭게 수집된 센서 데이터의 계수 및 상기 기준 계수 패턴 정보를 비교하는 단계; 및
    상기 계수 비교 결과에 기초하여 상기 엔진의 고장을 진단하는 단계;
    를 포함하는 것을 특징으로 하는 엔진 고장 진단 방법.
  4. 제3항에 있어서,
    상기 생성된 계수에 기초하여 기준 계수 패턴 정보를 생성하는 단계는,
    상기 생성된 계수를 정상 상태 계수 및 비정상 상태 계수로 분류하는 단계; 및
    상기 분류된 정상 상태 계수 및 비정상 상태 계수를 행렬로 저장하는 단계;
    를 포함하는 것을 특징으로 하는 엔진 고장 진단 방법.
  5. 제1항에 있어서,
    상기 잔차 파형 비교를 수행하는 단계는,
    상기 생성된 잔차에서 정상 잔차 파형 및 비정상 잔차 파형을 선택하는 단계;
    상기 선택된 정상 잔차 파형 및 비정상 잔차 파형을 정규화하여 전이행렬을 생성하는 단계;
    은닉 마르코프 모델(Hidden Markov Model)을 이용하여 상기 새롭게 수집된 센서 데이터의 잔차 파형과 상기 전이행렬의 일치 확률을 산출하는 단계; 및
    상기 산출된 일치 확률이 가장 높은 패턴을 찾아 고장을 진단하는 단계;
    를 포함하는 것을 특징으로 하는 엔진 고장 진단 방법.
  6. 제5항에 있어서,
    상기 은닉 마르코프 모델은
    Figure 112014051732973-pat00039
    에 의해 산출되며,
    상기
    Figure 112014051732973-pat00040
    는 엔진의 상태 전이확률을 나타내고,
    Figure 112014051732973-pat00041
    및
    Figure 112014051732973-pat00042
    는 초기값과 중간 계산 과정을 나타내며, π는 초기상태 확률분포, T는 관측된 시간, n은 상태의 수, b는 상태 j에서의 관찰 사상 확률 분포를 나타내는 것을 특징으로 하는 엔진 고장 진단 방법.
  7. 제2항에 있어서,
    상기 수집된 센서 데이터를 전처리하는 단계는,
    상기 수집된 센서 데이터의 원자료(Raw Data) 중에서 엔진 출력 데이터를 정상 상태를 추출하여 정상 상태의 포지션(Position)을 분류하는 것을 특징으로 하는 엔진 고장 진단 방법.
  8. 제7항에 있어서,
    기 설정된 소정의 개수의 센서를 선택하는 단계는,
    상기 엔진 출력 데이터의 포지션과 상기 센서 데이터 사이의 상관관계(Correlation)를 산출하는 단계; 및
    상기 산출된 상관관계가 가장 높은 순서대로 소정의 개수만큼 센서를 선택하는 단계;
    를 포함하는 것을 특징으로 하는 엔진 고장 진단 방법.
  9. 제8항에 있어서,
    상기 상관관계는
    Figure 112014051732973-pat00043
    에 의해 산출되며,
    상기
    Figure 112014051732973-pat00044
    는 비교 대상인 상기 선택된 하나 이상의 센서의 데이터를 나타내고,
    Figure 112014051732973-pat00045
    는 엔진 출력을 나타내며,
    Figure 112014051732973-pat00046
    및
    Figure 112014051732973-pat00047
    은 평균을 나타내는 것을 특징으로 하는 엔진 고장 진단 방법.
  10. 제2항에 있어서,
    상기 시스템 모델은
    Figure 112014051732973-pat00048
    에 의해 산출되며,
    상기 Y는 센서로 측정된 엔진의 출력을 나타내며,
    Figure 112014051732973-pat00049
    는 상기 선택된 센서의 센서 데이터이고, x는 시스템 계수이고,
    Figure 112014051732973-pat00050
    은 엔진 출력의 오차를 나타내며, 시점은 i = 1,2,3,...m인 것을 특징으로 하는 엔진 고장 진단 방법.
  11. 제10항에 있어서,
    상기 변형된 칼만 필터의 칼만 계수는
    Figure 112014051732973-pat00051
    에 의해 산출되며,
    상기 k는 칼만 계수를 나타내고, 상기 hi는 상기 H에 포함된 개별 변수를 나타내며, 오차를 나타내는 공분산 행렬인 상기 P는
    Figure 112014051732973-pat00052
    에 의해 산출되는 것을 특징으로 하는 엔진 고장 진단 방법.
  12. 제11항에 있어서,
    상기 시스템 모델의 계수는 상기 변형된 칼만 필터를 연립하여 생성된
    Figure 112014051732973-pat00053
    에 의해 산출되며,
    상기 잔차(Residual)는,
    Figure 112014051732973-pat00054
    에 의해 산출되며,
    상기
    Figure 112014051732973-pat00055
    는
    Figure 112014051732973-pat00056
    에 의해 산출되고,
    상기 k는 시스템 모델의 계수를 나타내고, 상기
    Figure 112014051732973-pat00057
    는 상기 Y의 행렬을 나타내고, 상기
    Figure 112014051732973-pat00058
    는 상기
    Figure 112014051732973-pat00059
    에 포함된 개별 변수를 나타내고, 상기 R은 잔차를 나타내는 것을 특징으로 하는 엔진 고장 진단 방법.
  13. 다수의 센서를 포함하고 있으며, 디젤엔진으로부터 센서 데이터를 수집하는 센서 모듈;
    상기 수집된 센서 데이터에 기초하여 시스템 모델의 계수 및 잔차를 생성하고, 상기 센서 데이터 및 상기 생성된 계수에 기초하여 계수 패턴 비교를 수행하며, 상기 센서 데이터 및 상기 생성된 잔차에 기초하여 잔차 파형 비교를 수행하는 고장 진단 서버; 및
    무선 통신을 이용하여 상기 고장 진단 서버로부터 상기 계수 패턴 비교 결과 및 상기 잔차 파형 비교 결과를 수신하며, 상기 수신된 계수 패턴 비교 결과 및 상기 수신된 잔차 파형 비교 결과를 이용하여 고장을 진단하는 모바일 단말;
    을 포함하는 것을 특징으로 하는 엔진 고장 진단 시스템.
  14. 제13항에 있어서,
    상기 모바일 단말은 상기 계수 패턴 비교 결과, 상기 잔차 파형 비교 결과 및 고장 진단 결과를 인터페이스 화면에 표시하며, 상기 인터페이스 화면은 필요로 하는 고장 진단 데이터의 날짜 및 시간을 선택할 수 있는 날짜/시간 선택 영역, 상기 계수 패턴 비교 결과를 표시하는 계수 상태 정보 인터페이스 및 상기 잔차 파형 비교 결과를 표시하는 잔차 상태 정보 인터페이스를 포함하는 것을 특징으로 하는 엔진 고장 진단 시스템.
KR1020140066441A 2014-05-30 2014-05-30 엔진 고장 진단 방법 및 고장 진단 시스템 KR101505975B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140066441A KR101505975B1 (ko) 2014-05-30 2014-05-30 엔진 고장 진단 방법 및 고장 진단 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140066441A KR101505975B1 (ko) 2014-05-30 2014-05-30 엔진 고장 진단 방법 및 고장 진단 시스템

Publications (1)

Publication Number Publication Date
KR101505975B1 true KR101505975B1 (ko) 2015-03-26

Family

ID=53028585

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140066441A KR101505975B1 (ko) 2014-05-30 2014-05-30 엔진 고장 진단 방법 및 고장 진단 시스템

Country Status (1)

Country Link
KR (1) KR101505975B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102097595B1 (ko) * 2019-05-29 2020-05-26 한국기계연구원 풍력발전기 진단방법
KR20210031179A (ko) 2019-09-11 2021-03-19 주식회사 케이엘넷 빅 데이터를 활용한 기관 장비 고장 예측 시스템
CN112613186A (zh) * 2020-12-30 2021-04-06 中国航空发动机研究院 一种基于统计分布特征的航空发动机气路故障融合诊断方法
CN116700203A (zh) * 2023-05-04 2023-09-05 中国人民解放军国防科技大学 一种运载火箭姿态控制系统的故障检测与隔离方法
CN117928626A (zh) * 2024-03-21 2024-04-26 山东宜人物联网有限公司 一种基于电数据分析的传感器故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR970039162A (ko) * 1995-12-30 1997-07-24 배순훈 차량용 고장 진단장치 및 방법
KR20080038755A (ko) * 2006-10-31 2008-05-07 현대자동차주식회사 차량용 고장 정보 처리 시스템 및 방법
JP2012207538A (ja) * 2011-03-29 2012-10-25 Honda Motor Co Ltd エンジンの故障診断方法、故障診断システム及び故障診断機

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR970039162A (ko) * 1995-12-30 1997-07-24 배순훈 차량용 고장 진단장치 및 방법
KR20080038755A (ko) * 2006-10-31 2008-05-07 현대자동차주식회사 차량용 고장 정보 처리 시스템 및 방법
JP2012207538A (ja) * 2011-03-29 2012-10-25 Honda Motor Co Ltd エンジンの故障診断方法、故障診断システム及び故障診断機

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102097595B1 (ko) * 2019-05-29 2020-05-26 한국기계연구원 풍력발전기 진단방법
KR20210031179A (ko) 2019-09-11 2021-03-19 주식회사 케이엘넷 빅 데이터를 활용한 기관 장비 고장 예측 시스템
CN112613186A (zh) * 2020-12-30 2021-04-06 中国航空发动机研究院 一种基于统计分布特征的航空发动机气路故障融合诊断方法
CN116700203A (zh) * 2023-05-04 2023-09-05 中国人民解放军国防科技大学 一种运载火箭姿态控制系统的故障检测与隔离方法
CN116700203B (zh) * 2023-05-04 2024-05-17 中国人民解放军国防科技大学 一种运载火箭姿态控制系统的故障检测与隔离方法
CN117928626A (zh) * 2024-03-21 2024-04-26 山东宜人物联网有限公司 一种基于电数据分析的传感器故障诊断方法
CN117928626B (zh) * 2024-03-21 2024-05-31 山东宜人物联网有限公司 一种基于电数据分析的传感器故障诊断方法

Similar Documents

Publication Publication Date Title
CN111753867B (zh) 使用机器学习分类器来监视和诊断车辆系统问题
KR101505975B1 (ko) 엔진 고장 진단 방법 및 고장 진단 시스템
CN109163913B (zh) 一种汽车故障诊断方法及相关设备
JP5306902B2 (ja) 資産システムの高性能条件監視のためのシステムおよび方法
US9122273B2 (en) Failure cause diagnosis system and method
CN109581871B (zh) 免疫对抗样本的工业控制系统入侵检测方法
US6748341B2 (en) Method and device for machinery diagnostics and prognostics
US20120316835A1 (en) Anomaly detection method and anomaly detection system
RU2635435C2 (ru) Система для контроля узла компонентов оборудования
US20080097662A1 (en) Hybrid model based fault detection and isolation system
CN114297909A (zh) 基于神经网络的水泵故障诊断方法及系统
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
CN107561472B (zh) 用于变压器的传感器和监测装置的状态诊断方法
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN117269644A (zh) 电流互感器的线路故障监测系统及其方法
Kotenko et al. An approach for intelligent evaluation of the state of complex autonomous objects based on the wavelet analysis
CN115186762A (zh) 一种基于dtw-knn算法的发动机异常检测方法及系统
US20140032079A1 (en) Diagnostic and control system and method
RU121944U1 (ru) Автоматизированная система выявления неисправных датчиков среди датчиков, предназначенных для контроля технологических процессов
CN112183257A (zh) 基于频域辨识的Volterra级数模型的桥梁监测方法
CN113448301A (zh) 基于obd系统的故障诊断方法及系统
CN115729200B (zh) 一种无人机舵机故障检测模型的构建方法和装置、一种无人机舵机故障检测方法和装置
CN110986267A (zh) 用于空调器异响的检测方法及装置、空调器
CN117723782B (zh) 用于桥梁结构健康监测的传感器故障识别定位方法及系统
Chen et al. A multimode anomaly detection method based on oc-elm for aircraft engine system

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
FPAY Annual fee payment

Payment date: 20180219

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20190226

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20200224

Year of fee payment: 6