KR101854104B1 - 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치와 방법 - Google Patents

축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치와 방법 Download PDF

Info

Publication number
KR101854104B1
KR101854104B1 KR1020160038805A KR20160038805A KR101854104B1 KR 101854104 B1 KR101854104 B1 KR 101854104B1 KR 1020160038805 A KR1020160038805 A KR 1020160038805A KR 20160038805 A KR20160038805 A KR 20160038805A KR 101854104 B1 KR101854104 B1 KR 101854104B1
Authority
KR
South Korea
Prior art keywords
image
axis
orbit
trajectory
control unit
Prior art date
Application number
KR1020160038805A
Other languages
English (en)
Other versions
KR20170113990A (ko
Inventor
손석만
민형철
이승철
김희수
배용채
Original Assignee
한국전력공사
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 한국전력공사 filed Critical 한국전력공사
Priority to KR1020160038805A priority Critical patent/KR101854104B1/ko
Publication of KR20170113990A publication Critical patent/KR20170113990A/ko
Application granted granted Critical
Publication of KR101854104B1 publication Critical patent/KR101854104B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/001—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by measuring acceleration changes by making use of a triple differentiation of a displacement signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches

Abstract

본 발명은 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치 및 방법에 관한 것으로, 회전설비의 측면 x,y 축에 각기 설치되는 복수의 가속도 센서, 상기 회전설비의 고장 유형에 따라 생성될 수 있는 축 궤도 이미지로부터 추출되는 특성 이미지를 학습하는 학습부, 및 상기 가속도 센서에서 출력되는 신호를 처리하여 축 궤도(Orbit) 이미지를 생성하고, 상기 학습한 학습 정보에 기초하여 상기 생성된 축 궤도 이미지의 형상을 인식하고, 상기 인식된 축 궤도 이미지에 대응하는 이상 유형을 판단하여 상기 회전설비의 이상을 진단하는 제어부를 포함한다.

Description

축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치와 방법{DIAGNOSTIC APPARATUS AND METHOD OF ROTATING MACHINERY THROUGH AUTOMATIC RECOGNITION OF SHAFT ORBIT SHAPE}
본 발명은 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치와 방법에 관한 것으로, 보다 상세하게는 축 궤도(Orbit) 형상의 이미지 처리를 통해 회전체 이상 상태를 유형별로 진단할 수 있도록 하는 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치와 방법에 관한 것이다.
일반적으로 정유, 자동차, 항공기 등의 각종 산업 시설이나 기계 장치에는 터빈이나 펌프 등의 다양한 회전기기가 적용된다. 이에 따라 이 회전기기에 대한 이상 여부와 이상 유형을 정확히 판별하거나 진단하기 위한 방법이 요구되고 있다.
본 발명의 배경기술은 대한민국 등록특허 10-1567756호(2015.11.04.등록, 진동 특성을 이용한 설비의 결함 진단 방법)에 개시되어 있다.
상기 배경기술에는 기계 장치가 열화 되면서 결함과 관련되어 나타나는 여러 가지 증상(예 : 진동, 열, 소음 등) 중 진동 특성을 이용하여 기계의 상태를 진단하는 방법이 개시되어 있으나, 상기 종래의 방법은 진동 특성 정보를 기 설정된 기준 값과 비교하는 방식으로 결함 유형을 판단하기 때문에 만약 진동 특성 정보가 이 기준 값을 넘지 않는 결함에 대해서는 정확한 판단이 어려우며, 진동 특성이 나타나지 않는 결함에 대해서도 판단이 어려운 문제점이 있다.
본 발명의 일 측면에 따르면, 본 발명은 상기와 같은 문제점을 해결하기 위해 창작된 것으로서, 축 궤도(Orbit) 형상의 이미지 처리를 통해 회전체 이상 상태를 유형별로 진단할 수 있도록 하는 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치와 방법을 제공하는데 그 목적이 있다.
본 발명의 일 측면에 따른 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치는, 회전설비의 측면 x,y 축에 각기 설치되는 복수의 가속도 센서; 상기 회전설비의 고장 유형에 따라 생성될 수 있는 축 궤도 이미지로부터 추출되는 특성 이미지를 학습하는 학습부; 및 상기 가속도 센서에서 출력되는 신호를 처리하여 축 궤도(Orbit) 이미지를 생성하고, 상기 학습한 학습 정보에 기초하여 상기 생성된 축 궤도 이미지의 형상을 인식하고, 상기 인식된 축 궤도 이미지에 대응하는 이상 유형을 판단하여 상기 회전설비의 이상을 진단하는 제어부;를 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 학습 정보에는, 회전설비의 고장 유형, 각 고장 유형에 대응하는 축 궤도 이미지(Orbit Image), 및 각 축 궤도 이미지의 특성 이미지(Eigen Image)가 포함되는 것을 특징으로 한다.
본 발명은, 상기 학습 정보, 및 상기 제어부가 회전설비의 이상을 진단하기 위한 알고리즘 및 산술 처리를 위한 정보를 저장하는 저장부; 및 상기 제어부가 진단한 회전설비의 고장 유형, 및 상기 복수의 가속도 센서에서 출력되는 신호에 기초하여 생성된 축 궤도(Orbit) 이미지를 출력하는 출력부;를 더 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 축 궤도 이미지는, 고장 유형에 따라 원형, 타원형, 바나나형, 8자형, 및 회오리형 중 어느 하나로 형성되고, 또한 크기, 불평형(Unbalance), 축 정렬(alignment), 및 매듭 개수(Hit and bound rubbing) 정보 중 적어도 하나 이상을 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 제어부는, 상기 생성된 축 궤도 이미지의 형상을 인식하기 위하여 상기 축 궤도 이미지를 전처리 과정을 수행하며, 상기 전처리 과정은, 축 궤도(Orbit) 이미지를 중심 좌표로 이동시키고, 상기 중심 좌표로 이동된 축 궤도(Orbit) 이미지를 기 설정된 기준 축으로 자세를 정렬시키고, 상기 기준 축으로 자세 정렬된 축 궤도(Orbit) 이미지의 크기를 기 설정된 기준 크기로 조절하는 과정을 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 제어부는, 상기 생성된 축 궤도 이미지의 형상을 인식하기 위하여 상기 전처리된 축 궤도 이미지에 대한 특성 이미지(eigen image)를 추출하는 과정을 수행하며, 상기 특성 이미지(eigen image)는 상기 축 궤도(Orbit) 이미지에 대한 정량적인 분석이 가능하게 하는 이미지로서, SVD(Singular Value Decomposition) 방식을 이용하여 추출하며, 하나의 축 궤도(Orbit) 이미지에 대하여 적어도 4개의 특성 이미지(eigen image)가 추출되는 것을 특징으로 한다.
본 발명의 다른 측면에 따른 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 방법은, 제어부가 회전설비의 x,y 축에 각기 설치된 가속도 센서로부터 출력되는 신호를 처리하여 축 궤도(Orbit) 이미지를 생성하는 단계; 상기 제어부가 상기 생성된 축 궤도 이미지를 인식하기 위하여 상기 축 궤도 이미지를 전처리(Pre processing)하는 단계; 상기 전처리 과정이 완료되면, 상기 제어부가 상기 전처리된 축 궤도 이미지에 대한 복수의 특성 이미지(eigen image)를 추출하는 단계; 상기 제어부가 상기 복수의 특성 이미지의 조합에 대응하는 축 궤도 이미지를 인식하는 단계; 및 상기 복수의 특성 이미지의 조합에 대응하는 축 궤도 이미지가 인식되면, 상기 제어부가 상기 인식된 축 궤도 이미지에 대응하는 회전설비의 이상 유형을 진단하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 전처리 과정은, 축 궤도(Orbit) 이미지를 중심 좌표로 이동시키고, 상기 중심 좌표로 이동된 축 궤도(Orbit) 이미지를 기 설정된 기준 축으로 자세를 정렬시키고, 상기 기준 축으로 자세 정렬된 축 궤도(Orbit) 이미지의 크기를 기 설정된 기준 크기로 조절하는 과정을 포함하는 것을 특징으로 한다.
본 발명에 있어서, 상기 특성 이미지(eigen image)는, 상기 축 궤도 이미지에 대한 정량적인 분석이 가능하게 하는 이미지로서, SVD(Singular Value Decomposition) 방식을 이용하여 추출하며, 하나의 축 궤도 이미지에 대하여 적어도 4개의 특성 이미지가 추출되는 것을 특징으로 한다.
본 발명에 있어서, 상기 축 궤도 이미지를 인식하기 위하여, 상기 제어부가 기 학습된 학습정보를 참조하는 단계;를 더 포함하며, 상기 학습정보에는 회전설비의 고장 유형, 각 고장 유형에 대응하는 축 궤도 이미지(Orbit Image), 및 각 축 궤도 이미지의 특성 이미지(Eigen Image)가 포함되는 것을 특징으로 한다.
본 발명의 일 측면에 따르면, 본 발명은 축 궤도(Orbit) 형상의 이미지 처리를 통해 회전체 이상 상태를 유형별로 진단할 수 있도록 한다.
도 1은 본 발명의 일 실시예에 따른 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치의 개략적인 구성을 보인 예시도.
도 2는 상기 도 1에 있어서, 학습을 위해 생성된 축 궤도(Orbit) 이미지들을 보인 예시도.
도 3은 상기 도 1에서 있어서, 제어부가 상기 복수의 가속도 센서(110, 120)에서 출력되는 신호에 기초하여 축 궤도(Orbit) 이미지를 생성하는 과정을 보인 예시도.
도 4는 본 발명의 일 실시예에 따른 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 방법을 설명하기 위한 흐름도.
도 5는 상기 도 4에 있어서, 제어부(130)의 축 궤도(Orbit) 이미지에 대한 전처리 과정을 설명하기 위한 예시도.
도 6은 상기 도 4에 있어서, 복수 개의 특성 이미지(eigen image)의 조합에 대응하는 축 궤도 이미지를 인식하는 것을 설명하기 위한 예시도.
도 7은 상기 도 4에 있어서, 축 궤도 이미지에 대응하는 복수의 특성 이미지를 보인 예시도.
도 8은 상기 도 4에 있어서, 회전설비의 센싱 정보로부터 생성된 축 궤도(Orbit) 이미지와 가장 근접한 축 궤도 이미지를 기 학습된 학습정보서 판단하는 방법을 설명하기 위한 예시도.
도 9는 상기 도 4에 있어서, 회전설비의 고장유형별 축 궤도(Orbit) 이미지를 보인 예시도.
이하, 첨부된 도면을 참조하여 본 발명에 따른 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치와 방법의 일 실시예를 설명한다.
이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치의 개략적인 구성을 보인 예시도이다.
도 1에 도시된 바와 같이, 본 실시예에 따른 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치는, 제1 가속도 센서(110), 제2 가속도 센서(120), 제어부(130), 학습부(140), 출력부(150) 및 저장부(160)를 포함한다.
상기 제1 가속도 센서(110) 및 제2 가속도 센서(120)는 회전설비(또는 회전 기기)의 측면에 직각으로 설치된다. 예컨대 제1 가속도 센서(110)가 회전설비의 측면 0도 위치(즉, y축)에 설치된다면, 제2 가속도 센서(120)는 상기 회전설비의 측면 90도 위치(즉, x축)에 설치되는 것이다.
참고로 상기 가속도 센서(acceleration sensor)(110, 120)는 대상 물체의 속도의 변화(가속도)나 충격의 세기를 측정하는 센서로서, 전자식 가속도 센서는 적당한 질량을 가진 가동 부분이 움직인 양을 자석과 코일의 기전력에 의하여 측정하는 것이고, 전압식 가속도 센서는 압력을 가하면 전압을 발생하는 압전 소자를 사용하여, 가해진 압력으로써 가속도를 알아내는 방식이다.
상기 제어부(130)는 상기 제1, 제2 가속도 센서(110, 120)에서 출력되는 신호(제1, 제2 출력신호)에 기초하여 축 궤도(Orbit) 이미지를 생성하고, 기 학습된 정보(예 : 특성 이미지에 기초한 축 궤도 형상 정보)를 참조하여 상기 생성된 축 궤도 이미지의 형상을 인식하고, 상기 인식된 축 궤도 이미지에 대응하는 이상 유형을 판단함으로써 회전설비의 이상을 진단한다.
상기 학습부(140)는 회전설비의 고장 유형(또는 이상 유형)에 따라 생성될 수 있는 다양한 축 궤도 이미지(도 2 참조)로부터 추출되는 특성 이미지(Eigen Image)를 학습한다(도 7 참조).
상기 저장부(160)는 상기 학습 정보를 저장한다.
예컨대 상기 학습 정보에는 회전설비의 다양한 고장 유형(또는 이상 유형), 각 고장 유형에 대응하는 축 궤도 이미지(Orbit Image), 및 각 축 궤도 이미지의 특성 이미지(Eigen Image)가 포함될 수 있다.
또한 상기 저장부(160)는 상기 제어부(130)에서 회전설비의 이상을 진단하기 위한 알고리즘 및 산술 처리를 위한 정보를 저장한다.
상기 출력부(150)는 상기 제어부(130)에서 진단한 회전설비의 고장 유형(또는 이상 유형), 및 상기 제1, 제2 가속도 센서(110, 120)에서 출력되는 신호(제1, 제2 출력신호)에 기초하여 생성된 축 궤도(Orbit) 이미지를 출력한다.
상기 출력부(150)를 통해 출력된 정보를 바탕으로 사용자는 회전설비의 상태를 대략적으로 추측(또는 인지)할 수 있다. 이에 따라 사용자는 상기 제어부(130)에서 진단한 회전설비의 고장 유형(또는 이상 유형)과 대조할 수 있다.
도 2는 상기 도 1에 있어서, 학습을 위해 생성된 축 궤도(Orbit) 이미지들을 보인 예시도이다.
도 2에 도시된 바와 같이 축 궤도(Orbit) 이미지는 각 유형(이상 유형)에 따라 적어도 수 백개(예 : 500개)의 이미지를 생성하여 학습하며, 각 축 궤도(Orbit) 이미지는 50×50 픽셀로 형성될 수 있다.
도 3은 상기 도 1에서 있어서, 제어부가 상기 복수의 가속도 센서(110, 120)에서 출력되는 신호에 기초하여 축 궤도(Orbit) 이미지를 생성하는 과정을 보인 예시도이다.
도 3에 도시된 바와 같이, 제어부(130)는 회전설비(또는 회전기기)의 y축과 x축에 각기 설치된 가속도 센서(110, 120)로부터 출력되는 출력신호(제1,제2 출력신호)를 처리하여 축 궤도(Orbit) 이미지를 생성한다.
상기 제어부(130)는 회전설비(또는 회전기기)의 고장 유형(이상 유형)에 따라 크게 원형, 타원형, 바나나형, 8자형, 회오리형 등의 축 궤도(Orbit) 이미지를 생성하고, 세부적으로는 각 궤도 이미지의 크기, 불평형(Unbalance), 축 정렬(alignment), 및 매듭 개수(Hit and bound rubbing) 등에 차이가 발생한다(도 9 참조).
한편 상기와 같이 생성된 축 궤도 이미지는 출력부(150)를 통해 출력되는데, 사용자는 출력된 축 궤도 이미지를 보는 즉시 직관적으로 유형(예 : 원형, 타원형, 바나나형, 8자형, 회오리형 등)을 판단(또는 인지)할 수 있다.
즉, 사용자는 축 궤도 이미지의 전체적인 형태를 고려하여 유형을 판단할 수 있다. 그러나 사용자는 축 궤도 이미지의 미세한 차이점(또는 특정 값)을 정확히 식별하는데 어려움이 있다.
가령, 복수의 타원형 이미지가 출력되었다고 가정할 때, 사용자는 일 측이 찌그러진 타원형, 일 측이 불룩한 타원형, 크기가 작은 타원형 등에 대한 차이점을 정량적으로 정확히 인지하는데 어려움이 있다.
반면에 상기 제어부(130)는 축 궤도 이미지를 생성하여 출력하는 것은 가능하지만, 인간과 달리 직관적인 유형의 판단(또는 인지)도 하지 못하며, 당연히 축 궤도 이미지의 미세한 차이점(또는 특정 값)도 식별하지 못하는 문제점이 있다.
따라서 본 실시예에서는 상기 학습부(140)를 통해 회전설비의 고장 유형(또는 이상 유형)에 따라 생성될 수 있는 다양한 축 궤도 이미지(도 2 참조)로부터 추출되는 특성 이미지(Eigen Image)의 학습을 통해(도 7 참조) 상기 제어부(130)가 축 궤도 이미지의 유형 판단 및 미세한 차이점(또는 특정 값)을 식별할 수 있도록 한다. 한편 다른 실시예에서는 상기 제어부(130)가 상기 학습부(140)의 기능을 대신 수행할 수도 있다.
이하, 상기와 같이 제어부(130)가 축 궤도(Orbit) 이미지와 그 세부적인 특성 이미지(Eigen Image)를 학습한 상태에서 상기 생성된 축 궤도(Orbit) 이미지(또는 축 궤도 이미지의 형상)를 자동으로 인식하여 회전설비의 이상을 진단하는 방법에 대해서 설명한다.
도 4는 본 발명의 일 실시예에 따른 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 방법을 설명하기 위한 흐름도이다.
도 4에 도시된 바와 같이, 제어부(130)는 회전설비(또는 회전기기)의 y축과 x축에 각기 설치된 가속도 센서(110, 120)로부터 출력되는 출력신호(제1,제2 출력신호)를 처리하여 축 궤도(Orbit) 이미지를 생성한다(S101).
다음 상기 제어부(130)는 상기 생성된 축 궤도(Orbit) 이미지를 인식하기 위하여 상기 축 궤도 이미지를 전처리(Pre processing)한다(S102)(도 5 참조).
도 5는 상기 도 4에 있어서, 제어부(130)의 축 궤도(Orbit) 이미지에 대한 전처리 과정을 설명하기 위한 예시도이다.
도 5의 (a)에 도시된 바와 같이, 상기 제어부(130)는 축 궤도(Orbit) 이미지를 중심 좌표(예 : 0,0)로 이동시킨다. 그리고 도 5의 (b)에 도시된 바와 같이, 상기 중심 좌표로 이동된 축 궤도(Orbit) 이미지를 기 설정된 기준 축(예 : y축)으로 자세를 정렬시킨다. 그리고 도 5의 (c)에 도시된 바와 같이, 상기 기준 축(예 : y축)으로 자세 정렬된 축 궤도(Orbit) 이미지의 크기를 기 설정된 기준 크기로 조절한다.
상기와 같이 축 궤도(Orbit) 이미지에 대한 전처리 과정이 완료되면, 상기 제어부(130)는 상기 전처리된 축 궤도(Orbit) 이미지에 대한 특성 이미지(eigen image)를 추출한다(S103)(도 7 참조).
상기 특성 이미지(eigen image)는 상기 축 궤도(Orbit) 이미지에 대한 정량적인 분석이 가능하게 하는 이미지로서, 상기 특성 이미지(eigen image)는 공지된 다양한 방식을 이용하여 추출할 수 있으나, 대표적으로 본 실시예에서와 같이 SVD(Singular Value Decomposition) 방식을 이용하여 추출할 수 있다.
상기 SVD 방식은 자동으로 특징(Feature)을 선정할 수 있으며, 특징들 간의 독립성이 보장되며, 또한 특징들 간의 중요도(Weight)를 자동으로 결정할 수 있는 장점이 있다. 즉, 본 실시예에서는 축 궤도(Orbit) 이미지에 대한 특성 이미지(eigen image)를 추출하여 특징(Feature)으로 선정한다(도 7 참조).
도 7은 상기 도 4에 있어서, 축 궤도 이미지에 대응하는 복수의 특성 이미지를 보인 예시도이다.
이때 상기 도 7을 참조하면, 하나의 축 궤도(Orbit) 이미지에 대한 특성 이미지(eigen image)는 복수 개(예 : 적어도 4개)가 추출된다.
따라서 상기 제어부(130)는 상기 복수 개(예 : 적어도 4개)의 특성 이미지(eigen image)의 조합에 대응하는 어느 하나의 축 궤도(Orbit) 이미지를 인식한다(S104)(도 6 참조).
도 6은 상기 도 4에 있어서, 복수 개의 특성 이미지(eigen image)의 조합에 대응하는 축 궤도 이미지를 인식하는 것을 설명하기 위한 예시도이다.
이때 상기 추출된 복수의 특성 이미지(eigen image)에 대응하는 어느 하나의 축 궤도(Orbit) 이미지를 인식하기 위하여, 상기 제어부(130)는 기 학습된 학습정보를 참조할 수 있다(S106).
여기서 상기 학습 정보에는 회전설비의 다양한 고장 유형(또는 이상 유형), 각 고장 유형에 대응하는 축 궤도 이미지(Orbit Image), 및 각 축 궤도 이미지에 대응하는 복수의 특성 이미지(Eigen Image)가 포함될 수 있다.
상기와 같이 복수의 특성 이미지(Eigen Image)에 대응하는 어느 하나의 축 궤도(Orbit) 이미지가 인식되면, 상기 제어부(130)는 상기 인식된 축 궤도(Orbit) 이미지에 대응하는 회전설비(또는 회전기기)의 이상 유형을 판단(또는 진단)한다(S105).
예컨대 회전설비(또는 회전기기)의 이상 유형에 따른 축 궤도(Orbit) 이미지는 도 9에 도시된 바와 같이 분류할 수 있으며, 상기 제어부(130)는 상기 인식된 축 궤도(Orbit) 이미지와 기 학습된 고장 유형(이상 유형)별 축 궤도(Orbit) 이미지를 비교하여 가장 근접한 축 궤도(Orbit) 이미지에 해당하는 고장 유형(이상 유형)을 판단하여 출력한다.
도 8은 상기 도 4에 있어서, 회전설비의 센싱 정보로부터 생성된 축 궤도(Orbit) 이미지와 가장 근접한 축 궤도 이미지를 기 학습된 학습정보서 판단하는 방법을 설명하기 위한 예시도이고, 도 9는 상기 도 4에 있어서, 회전설비의 고장유형별 축 궤도(Orbit) 이미지를 보인 예시도이다.
그런데 사실상 도 9는 사용자(인간)가 축 궤도(Orbit) 이미지의 형상을 직관적으로 인지할 수 있도록 시각화 된 것이므로, 실질적으로 상기 제어부(130)는 도 8에 도시된 바와 같이, 가우시안 커널(Gaussian Kernel)을 이용하여 기 학습된 고장 유형(이상 유형)별 축 궤도(Orbit) 이미지에서 상기 인식된 축 궤도(Orbit) 이미지와 가장 근접한 축 궤도(Orbit) 이미지를 찾아 그에 해당하는 회전설비(즉, 회전기기)의 고장 유형(이상 유형)을 판단하여 출력한다.
상기와 같이 본 실시예는 축 궤도(Orbit) 형상의 이미지 처리를 통해 회전체 이상 상태를 유형별로 진단할 수 있도록 한다.
또한 본 실시예는 특이값 분해(SVD : Singular Value Decomposition) 방식을 사용하여 회전설비의 고장 패턴에 따른 축 궤도 이미지를 기계 학습을 통하여 자동으로 분류하고, 상기 특이값 분해(SVD) 방식을 통하여 고장 패턴 단면 궤도들의 특성 이미지(Eigen Image)를 추출하여 학습하는 특징이 있다.
또한 본 실시예는 회전설비의 궤도 패턴 분류를 위한 기계학습 분류 알고리즘 중에서 비선형 SVM(Support Vector Machine) 알고리즘을 사용하여 고장 궤도 이미지 패턴의 분포가 비선형으로 구성되어 있더라도 분류할 수 있으며, 가우시안 커널(Gaussian Kernel)을 사용하여 이미지 분류의 오차를 최소화하고, 교차 검증을 사용하여 분류의 오차율을 4% 미만이 되게 하는 효과가 있다.
이상으로 본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다.
110 : 제1 가속도 센서
120 : 제2 가속도 센서
130 : 제어부
140 : 학습부
150 : 출력부
160 : 저장부

Claims (10)

  1. 회전설비의 측면 x,y 축에 각기 설치되는 복수의 가속도 센서;
    상기 회전설비의 고장 유형에 따라 생성될 수 있는 축 궤도 이미지로부터 추출되는 특성 이미지를 학습하는 학습부; 및
    상기 가속도 센서에서 출력되는 신호를 처리하여 축 궤도(Orbit) 이미지를 생성하고, 상기 학습한 학습 정보에 기초하여 상기 생성된 축 궤도 이미지의 형상을 인식하고, 상기 인식된 축 궤도 이미지에 대응하는 이상 유형을 판단하여 상기 회전설비의 이상을 진단하는 제어부;를 포함하되,
    상기 제어부는,
    상기 축 궤도 이미지의 형상을 인식하기 위하여 상기 축 궤도 이미지의 전처리 과정을 수행하며, 상기 전처리 과정은, 축 궤도(Orbit) 이미지를 중심 좌표로 이동시키고, 상기 중심 좌표로 이동된 축 궤도(Orbit) 이미지를 기 설정된 기준 축으로 자세를 정렬시키고, 상기 기준 축으로 자세 정렬된 축 궤도(Orbit) 이미지의 크기를 기 설정된 기준 크기로 조절하는 과정을 포함하며,
    상기 제어부가 상기 생성된 축 궤도 이미지의 형상을 인식하기 위하여, 상기 전처리된 하나의 축 궤도 이미지에 대하여 적어도 4개의 특성 이미지(eigen image)를 추출하는 과정을 수행하며,
    이로부터 상기 제어부는 상기 적어도 4개의 특성 이미지의 조합에 대응시켜 축 궤도 이미지를 인식하는 것을 특징으로 하는 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치.
  2. 제 1항에 있어서, 상기 학습 정보에는,
    회전설비의 고장 유형, 각 고장 유형에 대응하는 축 궤도 이미지(Orbit Image), 및 각 축 궤도 이미지의 특성 이미지(Eigen Image)가 포함되는 것을 특징으로 하는 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치.
  3. 제 1항에 있어서,
    상기 학습 정보, 및 상기 제어부가 회전설비의 이상을 진단하기 위한 알고리즘 및 산술 처리를 위한 정보를 저장하는 저장부; 및
    상기 제어부가 진단한 회전설비의 고장 유형, 및 상기 복수의 가속도 센서에서 출력되는 신호에 기초하여 생성된 축 궤도(Orbit) 이미지를 출력하는 출력부;를 더 포함하는 것을 특징으로 하는 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치.
  4. 제 1항에 있어서,
    상기 축 궤도 이미지는, 고장 유형에 따라 원형, 타원형, 바나나형, 8자형, 및 회오리형 중 어느 하나로 형성되고,
    또한 크기, 불평형(Unbalance), 축 정렬(alignment), 및 매듭 개수(Hit and bound rubbing) 정보 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치.
  5. 삭제
  6. 제 1항에 있어서,
    상기 특성 이미지(eigen image)는 상기 축 궤도(Orbit) 이미지에 대한 정량적인 분석이 가능하게 하는 이미지로서,
    상기 제어부는, SVD(Singular Value Decomposition) 방식을 이용하여 상기 특성 이미지(eigen image)를 추출하는 것을 특징으로 하는 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치.
  7. 제어부가 회전설비의 x,y 축에 각기 설치된 가속도 센서로부터 출력되는 신호를 처리하여 축 궤도(Orbit) 이미지를 생성하는 단계;
    상기 제어부가 상기 생성된 축 궤도 이미지를 인식하기 위하여 상기 축 궤도 이미지를 전처리(Pre processing)하는 단계;
    상기 전처리 과정이 완료되면, 상기 제어부가 상기 전처리된 축 궤도 이미지에 대한 복수의 특성 이미지(eigen image)를 추출하는 단계;
    상기 제어부가 상기 복수의 특성 이미지의 조합에 대응하는 축 궤도 이미지를 인식하는 단계; 및
    상기 복수의 특성 이미지의 조합에 대응하는 축 궤도 이미지가 인식되면, 상기 제어부가 상기 인식된 축 궤도 이미지에 대응하는 회전설비의 이상 유형을 진단하는 단계;를 포함하되,
    상기 전처리 과정은,
    축 궤도(Orbit) 이미지를 중심 좌표로 이동시키고, 상기 중심 좌표로 이동된 축 궤도(Orbit) 이미지를 기 설정된 기준 축으로 자세를 정렬시키고, 상기 기준 축으로 자세 정렬된 축 궤도(Orbit) 이미지의 크기를 기 설정된 기준 크기로 조절하는 과정을 포함하며,
    상기 제어부가 상기 생성된 축 궤도 이미지의 형상을 인식하기 위하여, 상기 전처리된 하나의 축 궤도 이미지에 대하여 적어도 4개의 특성 이미지(eigen image)를 추출하는 과정을 수행하며,
    이로부터 상기 제어부가 상기 적어도 4개의 특성 이미지의 조합에 대응시켜 축 궤도 이미지를 인식하는 것을 특징으로 하는 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 방법.
  8. 삭제
  9. 제 7항에 있어서, 상기 특성 이미지(eigen image)는,
    상기 축 궤도 이미지에 대한 정량적인 분석이 가능하게 하는 이미지로서,
    SVD(Singular Value Decomposition) 방식을 이용하여 추출하는 것을 특징으로 하는 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 방법.
  10. 제 7항에 있어서, 상기 축 궤도 이미지를 인식하기 위하여,
    상기 제어부가 기 학습된 학습정보를 참조하는 단계;를 더 포함하며,
    상기 학습정보에는 회전설비의 고장 유형, 각 고장 유형에 대응하는 축 궤도 이미지(Orbit Image), 및 각 축 궤도 이미지의 특성 이미지(Eigen Image)가 포함되는 것을 특징으로 하는 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 방법.
KR1020160038805A 2016-03-31 2016-03-31 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치와 방법 KR101854104B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160038805A KR101854104B1 (ko) 2016-03-31 2016-03-31 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치와 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160038805A KR101854104B1 (ko) 2016-03-31 2016-03-31 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치와 방법

Publications (2)

Publication Number Publication Date
KR20170113990A KR20170113990A (ko) 2017-10-13
KR101854104B1 true KR101854104B1 (ko) 2018-05-04

Family

ID=60139433

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160038805A KR101854104B1 (ko) 2016-03-31 2016-03-31 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치와 방법

Country Status (1)

Country Link
KR (1) KR101854104B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200118743A (ko) * 2019-04-08 2020-10-16 재단법인 경북아이티융합 산업기술원 인공지능을 이용한 스마트공장 고장예지진단 장치 및 그것을 이용한 고장예지진단 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102535105B1 (ko) * 2020-11-25 2023-05-22 주식회사 이파피루스 회전기계의 이상 여부 판단을 위한 인공 뉴럴 네트워크 학습 방법, 회전기계의 이상 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200118743A (ko) * 2019-04-08 2020-10-16 재단법인 경북아이티융합 산업기술원 인공지능을 이용한 스마트공장 고장예지진단 장치 및 그것을 이용한 고장예지진단 방법
KR102196287B1 (ko) * 2019-04-08 2020-12-29 재단법인 경북아이티융합 산업기술원 인공지능을 이용한 스마트공장 고장예지진단 장치 및 그것을 이용한 고장예지진단 방법

Also Published As

Publication number Publication date
KR20170113990A (ko) 2017-10-13

Similar Documents

Publication Publication Date Title
KR102061810B1 (ko) 멀티모달 딥러닝 기반의 이종 센서 신호 처리를 위한 장치 및 방법
KR101748559B1 (ko) 회전체 진단 장치 및 방법
KR101854104B1 (ko) 축 궤도 형상 자동 인식을 통한 회전설비 이상 진단 장치와 방법
US20150273692A1 (en) Controlling method of robot system, program, recording medium, and robot system
CN107202907B (zh) 检测车辆安全装置的传感器故障的方法
JP6688962B2 (ja) 判定装置、判定方法、および判定プログラム
CN104040295A (zh) 传感器信号的合理性检验
CN102906786A (zh) 脸部特征点位置校正设备、脸部特征点位置校正方法以及脸部特征点位置校正程序
US11126860B2 (en) Abnormality detection device, abnormality detection method, and storage medium
JP4616695B2 (ja) マルチセンサ信号異常検知装置および方法
KR20200139346A (ko) 머신 러닝을 이용한 고장 진단 관리 시스템 및 방법
KR20210061517A (ko) 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치
CN208847202U (zh) 旋转角度检测装置
JP2019057211A (ja) 部品計数装置、部品計数方法およびプログラム
CN106879255B (zh) 用于定向管部件的方法
US20210002126A1 (en) System and method for diagnosing the operating state of a microelectromechanical sensor
US11604170B2 (en) Inspection device and inspection learning model generation device
JP2019190911A (ja) 検査装置
TWI599145B (zh) 馬達輸出速度之異常狀態檢測系統及檢測方法
JP6564350B2 (ja) ロボットの不良部品診断装置および方法
JPS6131412B2 (ko)
JP2016541226A (ja) エネルギー伝送システム、及び、エネルギー伝送システムを診断する方法
US20220359065A1 (en) Method of identifying dental consumables equipped into a dental tool machine
JP6289844B2 (ja) 診断装置及び診断方法
JP7120116B2 (ja) 触覚デバイス検査システム、装置、および方法

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant