KR101797402B1 - 기계 결함 진단 방법 및 장치 - Google Patents

기계 결함 진단 방법 및 장치 Download PDF

Info

Publication number
KR101797402B1
KR101797402B1 KR1020160166188A KR20160166188A KR101797402B1 KR 101797402 B1 KR101797402 B1 KR 101797402B1 KR 1020160166188 A KR1020160166188 A KR 1020160166188A KR 20160166188 A KR20160166188 A KR 20160166188A KR 101797402 B1 KR101797402 B1 KR 101797402B1
Authority
KR
South Korea
Prior art keywords
class
value
neural network
learning
machine
Prior art date
Application number
KR1020160166188A
Other languages
English (en)
Inventor
김종면
김재영
Original Assignee
울산대학교 산학협력단
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 울산대학교 산학협력단 filed Critical 울산대학교 산학협력단
Priority to KR1020160166188A priority Critical patent/KR101797402B1/ko
Application granted granted Critical
Publication of KR101797402B1 publication Critical patent/KR101797402B1/ko

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N99/005—

Landscapes

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

Abstract

본 발명은 기계 결함 진단 방법 및 장치에 관한 것으로, 회전기계의 결함정보에 대응하는 누적신호의 주파수 부대역으로부터 특징을 추출하여 클래스별로 분류하는 전처리단계, 클래스별로 학습된 분류모델을 적용하여 클래스 각각의 결정 값을 산출하고 상기 산출된 결정 값을 인공신경망에 학습하는 기학습단계, 상기 회전기계의 결함정보에 대응하는 현재신호를 입력받는 입력단계, 상기 현재신호의 주파수 부대역 특징을 추출하여 결정 값을 산출하는 학습단계 및 상기 학습된 인공신경망을 기반으로 상기 학습단계에서 산출된 결정 값으로부터 클래스를 결정하여 결함정보를 판단하는 판단단계를 포함한다.

Description

기계 결함 진단 방법 및 장치{Method and apparatus for diagnosing machine defects}
본 발명은 기계 결함 진단 방법 및 장치에 관한 것이다.
기계 설비의 급작스런 고장 또는 이상 발생은 설비의 운영 효율 및 제품의 수율을 크게 떨어뜨릴 수 있다. 따라서, 이러한 설비의 고장 발생 전에, 기계의 결함 여부를 미리 진단할 필요가 있다.
일반적으로 기계의 결함을 진단하기 위해서는 [도 2]에 도시된 바와 같이 이력데이터로부터 결함정보에 대응되는 특징을 추출하여 기계학습 알고리즘을 통해 학습시킨다. 그리고 결함진단이 필요한 기계로부터 진동 및 음향 신호를 입력 받아 특징을 추출하고, 상기 학습된 기계학습 알고리즘에 입력하여 결함을 분류하게 된다. 다만, 기계의 원신호에는 결함 성분뿐만 아니라, 외부 잡음 및 다른 성분들이 포함되어 있어 결함 진단 오류가 발생할 가능성이 있다. 또한, 결함 주파수에 대한 일반적인 견해가 없으므로, 수동적으로 주파수 부대역을 찾아야 하는 어려움이 있다.
대한민국 등록특허공보 10-1654630호(2016.08.31)
상기와 같은 문제점을 해결하기 위해 본 발명은 주파수 부대역으로부터 추출된 특징을 상기 주파수 부대역에 대응되는 서로 다른 기학습된 분류모델에 입력하여 학습 및 분류함으로써, 기계의 결함을 진단하는 방법 및 장치를 제공함에 목적이 있다.
상기와 같은 목적을 달성하기 위하여 본 발명에서 제안하는 기계 결함 진단 방법은, 회전기계의 결함정보에 대응하는 누적신호의 주파수 부대역으로부터 특징을 추출하여 클래스별로 분류하는 전처리단계; 클래스별로 학습된 분류모델을 적용하여 클래스 각각의 결정 값을 산출하고 상기 산출된 결정 값을 인공신경망에 학습하는 기학습단계; 상기 회전기계의 결함정보에 대응하는 현재신호를 입력 받는 입력단계; 상기 현재신호의 주파수 부대역 특징을 추출하여 결정 값을 산출하는 학습단계; 및 상기 학습된 인공신경망을 기반으로 상기 학습단계에서 산출된 결정 값으로부터 클래스를 결정하여 결함정보를 판단하는 판단단계;를 포함할 수 있다.
상기 결함정보는, 실효값(RMS)정보, 크레스트 펙터(crest factor)정보, 비대칭도(skewness)정보 피크 투 피크(peak-to-peak)값, 임펄스 값(impulse value) 및 평균값(mean)중 어느 하나를 포함할 수 있다.
상기 전처리 단계는, 상기 주파수 부대역으로부터 추출된 특징을 상기 주파수 부대역에 대응되는 서로 다른 분류모델에 입력하여 클래스별로 분류할 수 있다.
상기 서로 다른 분류모델은, SVM(support vector machine)분류모델 또는 인공신경망(artificial neural network)분류모델일 수 있다.
상기 기학습단계는, 상기 결정 값을 클래스별 확률 및 클래스별 요구 값의 차이 값을 기반으로 인공신경망에 학습시킬 수 있다.
상기 입력단계는, 진동센서, 가속도 센서 및 변위센서 중에서 적어도 하나 이상의 센서가 감지한 신호를 입력 받을 수 있다.
상기 학습단계는, 상기 현재신호의 주파수 부대역 특징을 상기 학습된 분류모델에 적용하여 클래스 각각의 결정 값을 산출할 수 있다.
상기 판단단계는, 상기 학습단계에서 산출된 결정 값으로부터 확률 값이 가장 큰 클래스를 결정하고, 상기 클래스에 따른 결함정보를 판단하여 결함상태를 결정할 수 있다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 기계 결함 진단 장치는, 회전기계의 결함정보에 대응하는 누적신호의 주파수 부대역으로부터 특징을 추출하여 클래스별로 분류하는 전처리부; 클래스별로 학습된 분류모델을 적용하여 클래스 각각의 결정 값을 산출하고, 상기 산출된 결정 값을 인공신경망에 학습하는 기학습부; 상기 회전기계의 결함정보에 대응하는 현재신호를 입력 받는 입력부; 상기 현재신호의 주파수 부대역 특징을 추출하여 결정 값을 산출하는 학습부; 및 상기 학습된 인공신경망을 기반으로 상기 학습부에서 산출된 결정 값으로부터 클래스를 결정하여 결함정보를 판단하는 판단부;를 포함할 수 있다.
상기 결함정보는, 실효값(RMS)정보, 크레스트 펙터(crest factor)정보, 비대칭도(skewness)정보 피크 투 피크(peak-to-peak)값, 임펄스 값(impulse value) 및 평균값(mean)중 어느 하나를 포함할 수 있다.
상기 전처리부는, 상기 주파수 부대역으로부터 추출된 특징을 상기 주파수 부대역에 대응되는 서로 다른 분류모델에 입력하여 클래스별로 분류할 수 있다.
상기 서로 다른 분류 모델은, SVM(support vector machine)분류모델 또는 인공신경망(artificial neural network)분류모델일 수 있다.
상기 기학습부는, 상기 결정 값을 클래스별 확률 및 클래스별 요구 값의 차이 값을 기반으로 인공신경망에 학습시킬 수 있다.
상기 입력부는 진동센서, 가속도 센서 및 변위센서 중에서 적어도 하나 이상의 센서가 감지한 신호를 입력 받을 수 있다.
상기 학습부는, 상기 현재신호의 주파수 부대역 특징을 상기 학습된 분류모델에 적용하여 클래스 각각의 결정 값을 산출할 수 있다.
상기 판단부는, 상기 학습부에서 산출된 결정 값으로부터 확률 값이 가장 큰 클래스를 결정하고, 상기 클래스에 따른 결함정보를 판단하여 결함상태를 결정할 수 있다.
본 발명에 따른 본 발명에서 제안하는 기계 결함 진단 방법 및 장치에 의하면, 주파수 부대역으로부터 추출된 특징을 상기 주파수 부대역에 대응되는 서로 다른 기학습된 분류모델에 입력하여 학습 및 분류함으로써 기계 결함 진단의 오류를 감소시킬 수 있는 효과가 있다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 기계 결함 진단 방법 및 장치에 의하면, 주파수 부대역으로부터 추출된 특징을 상기 주파수 부대역에 대응되는 서로 다른 기학습된 분류모델에 입력하여 학습 및 분류함으로써 전문가가 아니더라도 용이하게 진단할 수 있는 효과가 있다.
도 1은 본 발명의 실시 예에 따른 기계 결함 진단 방법을 나타내는 흐름도이다.
도 2는 종래의 기계 결함 진단 방법을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 전처리단계를 나타내는 도면이다.
도 4는 본 발명의 실시 예에 따른 기학습단계를 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 분류모델에 따른 종류별 결정값의 예시를 나타내는 도면이다.
도 6은 본 발명의 실시 예에 따른 학습단계를 나타내는 도면이다.
도 7은 본 발명의 실시 예에 따른 판단단계를 나타내는 도면이다.
도 8은 본 발명의 실시 예에 따른 기계 결함 진단 장치를 나타내는 구성도이다.
이하, 본 발명의 일부 실시 예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.
또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 대하여 첨부된 도면을 참고하여 상세히 설명한다.
도 1은 본 발명의 실시 예에 따른 기계 결함 진단 방법을 나타내는 흐름도이다.
도 1에 도시된 바와 같이, 기계 결함 진단 방법은 누적신호의 특징을 추출하여 클래스별로 분류하는 전처리단계(S10), 클래스 각각의 결정값을 산출하는 기학습단계(S20), 현재신호 입력단계(S30), 현재신호의 주파수 부대역 특징을 추출하여 결정값을 산출하는 학습단계(S40) 및 결함상태를 결정하는 판단단계(S50)를 포함하여 구성될 수 있다.
먼저, 전처리 단계(S10)에서는 기계의 결함별 이력 데이터로부터 주파수 부대역을 추출하고, 각 기계의 결함을 구분할 수 있는 특징들을 상기 주파수 부대역 각각으로부터 추출하여 서로 다른 분류기에 학습시켜 클래스별로 분류하게 된다.
이후 클래스 각각의 결정값을 산출하는 기학습단계(S20)는, 상기 S10 단계에서 학습된 서로 다른 분류기를 통해 결정값을 산출하게 된다. 이때, 상기 결정값은 클래스를 구분하기 위한 결정값이며, 상기 서로 다른 분류기는 SVM(support vector machine)분류모델 또는 인공신경망(artificial neural network)분류모델을 포함할 수 있으며, 이에 한정하지는 않는다. 이후, 상기 결정값을 인공신경망에 입력하여 학습시킨다. 이때, 상기 결정값을 클래스의 확률 및 클래스의 요구값의 차이 값에 기반하여 인공신경망에 입력하여 학습시킴으로써, 결정값의 오류를 보상할 수 있다.
현재신호 입력단계(S30)는 기계로부터 결함정보에 대응하는 현재 신호를 입력받는 단계이다. 이때, 상기 (S30)단계에서는 진동센서, 가속도 센서 및 변위센서 중에서 적어도 하나 이상의 센서가 감지한 신호를 입력받을 수 있다. 또한, 기계 신호를 감지할 수 있는 센서는 모두 가능하며, 상기 개시된 센서에 한정하지는 않는다. 상기 진동센서는 시간영역 데이터 및 주파수 영역 데이터를 모두 포함하여 감지할 수 있다.
시간영역 데이터는 시간의 변화에 따른 진동 데이터를 의미하고, 주파수 영역 데이터는 주파수의 변화에 따른 진동 데이터를 의미한다.
상기 결함정보는 실효값(RMS)정보, 크레스트 펙터(crest factor)정보, 비대칭도(skewness)정보 피크 투 피크(peak-to-peak)값, 임펄스 값(impulse value) 및 평균값(mean), 첨도(Kurtosis) 또는 확률밀도함수 (probability density function; PDF) 임펄스 값(impulse value) 및 피크 레벨 또는 전체 피크 레벨을 포함할 수 있다. 크레스트 팩터(crest factor)는 주어진 시간 간격 내에서 데이터의 피크값을 그 실효치로 나눈 값을 의미하고, 융기 인자로 불리기도 한다. 비대칭도(skewness)는 데이터의 도수분포에서 평균값에 관한 비대칭의 방향과 그 정도를 나타낼 수 있다. 첨도(Kurtosis)는 데이터 분포의 뾰족한 정도를 나타낼 수 있다.
학습단계(S40)는 상기 현재 입력된 신호로부터 여러 주파수 부대역으로 추출한다. 본 발명에서는 밴드 패스 필터(band pass filtering)를 이용하여 특정 주파수 구간의 데이터만을 추출할 수 있다.
이후, 상기 추출된 주파수 부대역별 특징들을 (S10)단계에서 학습된 서로 다른 분류기에 입력하여 결정값을 계산한다.
이후, 상기 학습된 인공신경망을 기반으로 상기 학습단계(S40)에서 산출된 결정 값으로부터 클래스를 결정하여 결함정보를 판단하는 단계(S50)를 수행한다.
이때, 상기 (S40)에서 산출된 결정 값으로부터 확률 값이 가장 큰 클래스를 결정하고, 상기 클래스에 따른 결함정보를 판단하여 결함정보를 결정하게 된다.
본 발명에 따른 기계의 잔여수명 예측 방법 및 장치에 의하면, 주파수 부대역으로부터 추출된 특징을 서로 다른 기학습된 분류모델에 입력하여 학습 및 분류함으로써 기계 결함을 쉽게 판단할 수 있는 효과가 있다.
도 2는 종래의 기계 결함 진단 방법을 나타내는 도면이다.
도 2에 도시된 바와 같이 종래의 기계 결함 진단 방법은 결함별 이력데이터로부터 결함정보에 대응되는 특징을 추출하여 기계학습 알고리즘을 통해 학습시킨다. 그리고 결함진단이 필요한 기계로부터 진동 및 음향 신호를 입력 받아 특징을 추출하고, 상기 학습된 기계학습 알고리즘에 입력하여 결함을 분류하게 된다. 다만, 기계의 원신호에는 결함 성분뿐만 아니라, 외부 잡음 및 다른 성분들이 포함되어 있으므로, 원 신호에서 특징을 추출하는 경우 결함 진단의 오류가 발생할 확률이 있다.
또한, 결함정보가 포함된 주파수의 정확한 대역에 대해 일반적인 견해가 없으므로, 경험적으로 주파수 부대역을 찾아야 하지만, 결함 진단에서 이를 수동적으로 수행하는 것에는 한계가 있는 문제가 있다.
따라서, 본 발명에서는 기계의 진동 혹은 음향신호로부터 주파수 부대역들을 추출하고, 기계의 각 결함을 구분할 수 있는 특징들을 추출하여 주파수 부대역 기계학습을 통해 기계의 결함을 진단하는 방법을 제안한다.
도 3은 본 발명의 실시 예에 따른 전처리 단계를 구체적으로 나타내는 도면이다.
먼저, 전처리 단계(S10)는 기계의 결함별 이력 데이터로부터 주파수 부대역을 추출하고, 각 기계의 결함을 구분할 수 있는 특징들을 상기 주파수 부대역 각각으로부터 추출하여 서로 다른 분류기에 학습시켜 클래스별로 분류하게 된다. 상기 서로 다른 분류기는 SVM(support vector machine)분류모델 또는 인공신경망(artificial neural network)분류모델을 포함할 수 있으며, 이에 한정하지는 않는다.
도 4는 본 발명의 실시 예에 따른 기학습단계를 구체적으로 나타내는 도면이다.
상기 S10 단계에서 학습된 서로 다른 분류기를 통해 결정값을 계산하게 된다. 이때, 상기 결정값은 클래스를 구분하기 위한 결정 값이며, 상기 서로 다른 분류기는 SVM(support vector machine)분류모델 또는 인공신경망(artificial neural network)분류모델을 포함할 수 있으며, 이에 한정하지는 않는다. 이후, 상기 결정값을 인공신경망에 입력하여 학습시킨다. 이때, 상기 결정값을 클래스의 확률 및 클래스의 요구 값의 차이 값에 기반하여 인공신경망에 입력하여 학습시킴으로써, 상기 결정값의 오류 값을 보상할 수 있다.
도 5는 본 발명의 실시 예에 따른 분류기의 종류별 결정 값의 예시를 나타내는 도면이다.
(a) 는 SVM(Support vector machine)을 이용한 결정 값의 예시를 나타내는 도면이다. 이때 클래스 1 및 클래스 2는 초평면 방정식
Figure 112016120209397-pat00001
을 기준으로 구별되어 있으며, 이때 결정값
Figure 112016120209397-pat00002
는 입력 신호 데이터를 복수 개의 클래스 중 어느 클래스에 해당되는지를 결정하는 값일 수 있다.
(b)는 인공신경망 분류기를 이용한 결정 값의 예시이며, 이때 결정 값은
Figure 112016120209397-pat00003
로 나타낼 수 있다.
도 6은 본 발명의 실시 예에 따른 학습 단계를 구체적으로 나타내는 도면이다.
진동 및 음향신호를 감지하는 센서로부터 기계 신호를 입력받는다. 이후 대역통과 필터를 사용하여 주파수 부대역을 추출할 수 있다. 이때 상기 대역통과 필터는 HH Band, HL Band, LH Band, LL Band일 수 있다. 이후 부대역 신호를 평가하여 최종적으로 주파수 부대역을 추출하고, 기계의 결함을 구분할 수 있는 특징들을 추출하고, 상기 학습된 분류기를 통해 결정값을 계산하게 된다.
도 7은 본 발명의 실시 예에 따른 판단 단계를 구체적으로 나타내는 도면이다.
상기 학습된 분류기를 통해 결정값을 산출한 후, 이를 학습된 인공신경망을 기반으로 상기 학습단계에서 산출된 결정 값으로부터 클래스를 결정하여 결함정보를 판단한다. 이때, 상기 학습단계에서 산출된 결정값으로부터 확률값이 가장 큰 클래스를 결정하여 결함상태를 결정할 수 있다.
도 8은 본 발명의 실시 예에 따른 기계 결함 진단 장치를 나타내는 구성도이다.
도 8에 도시된 바와 같이, 기계 결함 진단 장치(1)는 전처리부(100), 기학습부(200), 입력부(300), 학습부(400) 및 판단부(500)을 포함한다.
전처리부(100)는 기계의 결함별 이력 데이터로부터 주파수 부대역을 추출하고, 각 기계의 결함을 구분할 수 있는 특징들을 상기 부대역 각각으로부터 추출하여 서로 다른 분류기에 학습시켜 클래스별로 분류한다.
기학습부(200)는, 상기 전처리부(100)에서 학습된 서로 다른 분류기를 통해 결정값을 산출한다. 이때, 상기 결정값은 클래스를 구분하기 위한 결정 값이며, 상기 서로 다른 분류기는 SVM(support vector machine)분류모델 또는 인공신경망(artificial neural network)분류모델을 포함할 수 있다.
기학습부(200)는 상기 결정 값을 인공신경망에 입력하여 학습시킨다. 이때, 상기 결정값을 클래스의 확률 및 클래스의 요구 값의 차이 값에 기반하여 인공신경망에 입력하여 학습시킨다.
입력부(300)는, 회전기계의 결함정보에 대응하는 현재신호를 입력받는다. 이때, 입력부(300)는, 회전 기계의 신호를 감지하기 위해 진동센서, 가속도 센서 및 변위센서가 제공될 수 있으며, 기계 신호를 감지할 수 있는 센서는 모두 가능하다.
상기 진동센서는 시간영역 데이터 및 주파수 영역 데이터를 모두 포함하여 감지할 수 있다.
시간영역 데이터는 시간의 변화에 따른 진동 데이터를 의미하고, 주파수 영역 데이터는 주파수의 변화에 따른 진동 데이터를 의미한다.
상기 결함정보는 실효값(RMS)정보, 크레스트 펙터(crest factor)정보, 비대칭도(skewness)정보 피크 투 피크(peak-to-peak)값, 임펄스 값(impulse value) 및 평균값(mean), 첨도(Kurtosis) 또는 확률밀도함수 (probability density function; PDF) 임펄스 값(impulse value) 및 피크 레벨 또는 전체 피크 레벨을 포함할 수 있다. 크레스트 팩터(crest factor)는 주어진 시간 간격 내에서 데이터의 피크값을 그 실효치로 나눈 값을 의미하고, 융기 인자로 불리기도 한다. 비대칭도(skewness)는 데이터의 도수분포에서 평균값에 관한 비대칭의 방향과 그 정도를 나타낼 수 있다. 첨도(Kurtosis)는 데이터 분포의 뾰족한 정도를 나타낼 수 있다.
학습부(400)는 상기 입력신호로부터 현재신호의 주파수 부대역 특징을 추출하여 결정값을 산출한다. 본 발명에서는 주파수 스펙트럼은 밴드 패스 필터(band pass filtering)를 이용하여 특정 주파수 구간의 데이터만을 추출할 수 있다.
학습부(400)는 상기 추출된 주파수 부대역별 특징들을 전처리부(100)에서 학습된 서로 다른 분류기에 입력하여 결정값을 산출한다.
판단부(500)는, 기학습부(200)에서 학습시킨 인공신경망을 기반으로 상기 학습부(400)에서 산출된 결정 값으로부터 클래스를 결정하여 결함정보를 판단할 수 있다.
이상, 첨부된 도면들을 참조하여 본 발명의 실시 예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들에는 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
1 : 기계 고장 진단 장치
100 : 전처리부
200 : 기학습부
300 : 입력부
400 : 학습부
500 : 판단부

Claims (16)

  1. 기계 고장 진단 장치에 의해 수행되는 기계 고장 진단 방법에 있어서,
    회전기계의 결함정보에 대응하는 누적신호의 주파수 부대역으로부터 특징을 추출하고, 상기 누적신호의 주파수 부대역으로부터 추출된 특징을 상기 주파수 부대역에 대응되는 서로 다른 분류모델에 입력하여 클래스별로 분류하는 전처리단계;
    상기 누적신호의 주파수 부대역으로부터 추출된 특징을 클래스별로 학습된 분류모델에 적용하여 클래스 각각의 결정 값을 산출하고 상기 산출된 결정 값을 인공신경망에 학습하는 기학습단계;
    상기 회전기계의 결함정보에 대응하는 현재신호를 입력 받는 입력단계;
    상기 현재신호의 주파수 부대역 특징을 추출하고, 상기 추출된 현재신호의 주파수 부대역 특징을 상기 학습된 분류모델에 적용하여 클래스 각각의 결정 값을 산출하는 학습단계; 및
    상기 학습된 인공신경망을 기반으로 상기 학습단계에서 산출된 결정 값으로부터 클래스를 결정하여 결함정보를 판단하는 판단단계;를 포함하는 기계 고장 진단 방법.
  2. 제 1항에 있어서,
    상기 결함정보는,
    실효값(RMS)정보, 크레스트 펙터(crest factor)정보, 비대칭도(skewness)정보 피크 투 피크(peak-to-peak)값, 임펄스 값(impulse value) 및 평균값(mean)중 어느 하나를 포함하는 기계 고장 진단 방법.
  3. 삭제
  4. 제 1항에 있어서,
    상기 서로 다른 분류모델은,
    SVM(support vector machine)분류모델 또는 인공신경망(artificial neural network)분류모델인 기계 고장 진단 방법.
  5. 제 1항에 있어서,
    상기 기학습단계는,
    상기 결정 값을 클래스별 확률 및 클래스별 요구 값의 차이 값을 기반으로 인공신경망에 학습시키는 기계 고장 진단 방법.
  6. 제 1항에 있어서
    상기 입력단계는,
    진동센서, 가속도 센서 및 변위센서 중에서 적어도 하나 이상의 센서가 감지한 신호를 입력 하는 기계 고장 진단 방법.
  7. 삭제
  8. 제 1항에 있어서,
    상기 판단단계는,
    상기 학습단계에서 산출된 결정 값으로부터 확률 값이 가장 큰 클래스를 결정하고, 상기 클래스에 따른 결함정보를 판단하여 결함상태를 결정하는 기계 고장 진단 방법.
  9. 회전기계의 결함정보에 대응하는 누적신호의 주파수 부대역으로부터 특징을 추출하고, 상기 주파수 부대역으로부터 추출된 특징을 상기 주파수 부대역에 대응되는 서로 다른 분류모델에 입력하여 클래스별로 분류하는 전처리부;
    상기 누적신호의 주파수 부대역으로부터 추출된 특징을 클래스별로 학습된 분류모델에 적용하여 클래스 각각의 결정 값을 산출하고, 상기 산출된 결정 값을 인공신경망에 학습하는 기학습부;
    상기 회전기계의 결함정보에 대응하는 현재신호를 입력 받는 입력부;
    상기 현재신호의 주파수 부대역 특징을 추출하고, 상기 추출된 현재신호의 주파수 부대역 특징을 상기 학습된 분류모델에 적용하여 클래스 각각의 결정 값을 산출하는 학습부;
    상기 학습된 인공신경망을 기반으로 상기 학습부에서 산출된 결정 값으로부터 클래스를 결정하여 결함정보를 판단하는 판단부;를 포함하는 기계 고장 진단 장치.
  10. 제 9항에 있어서,
    상기 결함정보는,
    실효값(RMS)정보, 크레스트 펙터(crest factor)정보, 비대칭도(skewness)정보 피크 투 피크(peak-to-peak)값, 임펄스 값(impulse value) 및 평균값(mean)중 어느 하나를 포함하는 기계 고장 진단 장치.
  11. 삭제
  12. 제 9항에 있어서,
    상기 서로 다른 분류 모델은,
    SVM(support vector machine)분류모델 또는 인공신경망(artificial neural network)분류모델인 기계 고장 진단 장치.
  13. 제 9항에 있어서,
    상기 기학습부는,
    상기 결정 값을 클래스별 확률 및 클래스별 요구 값의 차이 값을 기반으로 인공신경망에 학습시키는 기계 고장 진단 장치.
  14. 제 9항에 있어서,
    상기 입력부는,
    진동센서, 가속도 센서 및 변위센서 중에서 적어도 하나 이상의 센서가 감지한 신호를 입력 받는 기계 고장 진단 장치.
  15. 삭제
  16. 제 9항에 있어서,
    상기 판단부는,
    상기 학습부에서 산출된 결정 값으로부터 확률 값이 가장 큰 클래스를 결정하고, 상기 클래스에 따른 결함정보를 판단하여 결함상태를 결정하는 기계 고장 진단 장치.
KR1020160166188A 2016-12-07 2016-12-07 기계 결함 진단 방법 및 장치 KR101797402B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160166188A KR101797402B1 (ko) 2016-12-07 2016-12-07 기계 결함 진단 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160166188A KR101797402B1 (ko) 2016-12-07 2016-12-07 기계 결함 진단 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101797402B1 true KR101797402B1 (ko) 2017-11-15

Family

ID=60387056

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160166188A KR101797402B1 (ko) 2016-12-07 2016-12-07 기계 결함 진단 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101797402B1 (ko)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101936283B1 (ko) * 2017-12-28 2019-01-08 주식회사 한국가스기술공사 기계적 결함에 대한 진단 및 예측 방법
JP2020035187A (ja) * 2018-08-30 2020-03-05 株式会社日立製作所 診断装置および診断方法
KR102092856B1 (ko) 2019-02-21 2020-04-23 (주)디비넥스트 기계 모니터링 장치
WO2020091122A1 (ko) * 2018-11-02 2020-05-07 한국로봇융합연구원 시계열 데이터를 주파수 성분별로 분할하여 복수의 학습 모델을 병렬 처리하는 딥러닝 학습 방법 및 시스템
CN111208806A (zh) * 2020-03-03 2020-05-29 浙江中控技术股份有限公司 一种仪表设备信号故障的处理方法及装置
KR20200103341A (ko) 2019-02-25 2020-09-02 (주)디비넥스트 기계 설비의 유지 보수 평가 방법
KR20200136634A (ko) * 2019-05-28 2020-12-08 주식회사 티스마트 머신러닝 기법을 이용한 고장 부위 예측 방법 및 장치
KR102321607B1 (ko) * 2020-11-25 2021-11-03 국민대학교산학협력단 기계의 결함 검출 장치 및 방법
KR102321602B1 (ko) * 2020-09-18 2021-11-04 국민대학교산학협력단 기계의 결함 검출 장치 및 방법
KR102327420B1 (ko) * 2021-03-19 2021-11-16 국민대학교산학협력단 훈련 데이터를 생성하고 검증하는 장치 및 방법
WO2022158628A1 (ko) * 2021-01-20 2022-07-28 주식회사 솔루션에이 머신러닝 모델에 기반한 디스플레이 패널의 결함 판정 시스템
CN115327373A (zh) * 2022-04-20 2022-11-11 岱特智能科技（上海）有限公司 基于bp神经网络的血透设备故障诊断方法及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Gai, Y. H. et al. "A Hybrid Feature Selection Based on Ant Colony Optimization and Probabilistic Neural Networks for Bearing Fault Diagnostics." Applied Mechanics and Materials. 2008.*

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101936283B1 (ko) * 2017-12-28 2019-01-08 주식회사 한국가스기술공사 기계적 결함에 대한 진단 및 예측 방법
JP2020035187A (ja) * 2018-08-30 2020-03-05 株式会社日立製作所 診断装置および診断方法
JP7199179B2 (ja) 2018-08-30 2023-01-05 株式会社日立製作所 診断装置および診断方法
WO2020091122A1 (ko) * 2018-11-02 2020-05-07 한국로봇융합연구원 시계열 데이터를 주파수 성분별로 분할하여 복수의 학습 모델을 병렬 처리하는 딥러닝 학습 방법 및 시스템
KR20200054352A (ko) * 2018-11-02 2020-05-20 한국로봇융합연구원 시계열 데이터를 주파수 성분별로 분할하여 복수의 학습 모델을 병렬 처리하는 딥러닝 학습 방법 및 시스템
KR102163966B1 (ko) * 2018-11-02 2020-10-12 한국로봇융합연구원 시계열 데이터를 주파수 성분별로 분할하여 복수의 학습 모델을 병렬 처리하는 딥러닝 학습 방법 및 시스템
KR102092856B1 (ko) 2019-02-21 2020-04-23 (주)디비넥스트 기계 모니터링 장치
KR20200103341A (ko) 2019-02-25 2020-09-02 (주)디비넥스트 기계 설비의 유지 보수 평가 방법
KR20200136634A (ko) * 2019-05-28 2020-12-08 주식회사 티스마트 머신러닝 기법을 이용한 고장 부위 예측 방법 및 장치
KR102193584B1 (ko) * 2019-05-28 2020-12-21 주식회사 티스마트 머신러닝 기법을 이용한 고장 부위 예측 방법 및 장치
CN111208806A (zh) * 2020-03-03 2020-05-29 浙江中控技术股份有限公司 一种仪表设备信号故障的处理方法及装置
KR102321602B1 (ko) * 2020-09-18 2021-11-04 국민대학교산학협력단 기계의 결함 검출 장치 및 방법
KR102321607B1 (ko) * 2020-11-25 2021-11-03 국민대학교산학협력단 기계의 결함 검출 장치 및 방법
WO2022158628A1 (ko) * 2021-01-20 2022-07-28 주식회사 솔루션에이 머신러닝 모델에 기반한 디스플레이 패널의 결함 판정 시스템
KR102327420B1 (ko) * 2021-03-19 2021-11-16 국민대학교산학협력단 훈련 데이터를 생성하고 검증하는 장치 및 방법
CN115327373A (zh) * 2022-04-20 2022-11-11 岱特智能科技（上海）有限公司 基于bp神经网络的血透设备故障诊断方法及存储介质

Similar Documents

Publication Publication Date Title
KR101797402B1 (ko) 기계 결함 진단 방법 및 장치
US11543326B2 (en) Method and system for performing fault diagnosis by bearing noise detection
US11645744B2 (en) Inspection device and inspection method
Cococcioni et al. Robust diagnosis of rolling element bearings based on classification techniques
JP4605132B2 (ja) 異常検出装置、異常検出方法
US20210011457A1 (en) Online monitoring device and system for a 3D printing device
WO2019080367A1 (zh) 一种机械设备健康状态评估方法
WO2019051941A1 (zh) 车型识别方法、装置、设备及计算机可读存储介质
EP3528432B1 (en) Method and apparatus for monitoring a telecommunication network
CN106650576A (zh) 一种基于噪声特征统计量的矿山设备健康状态判决方法
EP3798924A1 (en) System and method for classifying manufactured products
CN103941131A (zh) 基于精简集约简不均衡svm变压器故障检测方法
KR102265298B1 (ko) 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치
JP2012018066A (ja) 異常検査装置
JP6876589B2 (ja) 異常検知装置及び異常検知方法並びに異常検知プログラム
KR20220064098A (ko) 기계학습 기반 고장 진단 장치 및 방법
KR102262095B1 (ko) 사운드 기반 기계고장 진단방법
Pan et al. Cognitive acoustic analytics service for Internet of Things
KR20230104527A (ko) 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
JP4760614B2 (ja) 信号識別装置の学習データの選択方法
US9696717B2 (en) Apparatus and method of segmenting sensor data output from a semiconductor manufacturing facility
KR20190046569A (ko) 음향기반 터널 사고 검지 시스템
JP4886461B2 (ja) 異常監視装置
Mohiuddin et al. Performance analysis of bearing fault diagnosis using convolutional neural network
CN110770753B (zh) 高维数据实时分析的装置和方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant