KR101936283B1 - Diagnostic and prognostics method for machine fault - Google Patents
Diagnostic and prognostics method for machine fault Download PDFInfo
- Publication number
- KR101936283B1 KR101936283B1 KR1020170182539A KR20170182539A KR101936283B1 KR 101936283 B1 KR101936283 B1 KR 101936283B1 KR 1020170182539 A KR1020170182539 A KR 1020170182539A KR 20170182539 A KR20170182539 A KR 20170182539A KR 101936283 B1 KR101936283 B1 KR 101936283B1
- Authority
- KR
- South Korea
- Prior art keywords
- index data
- diagnosis
- feature
- feature values
- extracting
- Prior art date
Links
Images
Classifications
-
- G06F17/5009—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G06N99/005—
-
- G06F2217/76—
Abstract
Description
본 발명은 생산 및 운용 설비에서 기계적 결함을 관리하는 기술에 관한 것으로, 특히 대상 설비로부터 측정된 다양한 지표 데이터에 기초하여 해당 설비의 상태를 진단하고 기계적 결함의 발생 가능성과 잔존 수명을 예측하는 방법에 관한 것이다.TECHNICAL FIELD The present invention relates to a technique for managing mechanical defects in production and operation facilities, and more particularly, to a method for diagnosing the condition of a facility based on various indicator data measured from a target facility and predicting the probability of occurrence of mechanical defects and the remaining service life .
상태 감시 및 설비 진단·예측 기술은 설비의 현재 상태를 파악하고, 데이터 분석을 통해 설비의 유지보수 시점을 결정하는 등 설비 보전 활동과도 직결되어 있어, 그 역할이 점차 중요해 질 뿐 아니라, 설비 보전 활동은 장기적인 운영을 위해 반드시 수반되어야 하는 필수 활동으로서 설비의 생산성뿐만 아니라 신뢰성 및 안정성을 높여주는 핵심 기술 분야로 각광받고 있다.The status monitoring and facility diagnosis / prediction technology are directly related to facility maintenance activities, such as determining the current status of facilities and determining the maintenance point of equipment through data analysis, so that its role becomes increasingly important, Activity is an essential activity that must be accompanied by long-term operation, and it is attracting attention as a key technology field that enhances not only productivity of equipment but also reliability and stability.
기계적 결함이 발생 시에 가장 먼저 나타나는 현상의 대부분은 진동이다. 많은 문헌을 통해, 오래 전부터 진동이 마멸(wear), 오동작(malfunction), 소음 및 구조적 손상과 같은 기계적인 결함 문제와 관련되어 주요한 증상으로 발생한다는 사실이 보고되었다. 기계에서 발생된 진동은 열화 과정을 거치면서 차츰 다른 부위로 전달되어 이차 진동을 발생시키거나 진동 에너지의 일부가 소음으로 발산하게 되기도 한다. 따라서 주기적으로 진동과 소음을 측정 분석함으로써 기계의 내부 상태를 파악하고 이상 여부 판단을 통해 치명적인 피해를 야기할 수 있는 기계적 결함을 조기에 예방할 수 있으며, 정비전략 수립에 있어 중요한 정보들을 제공할 수 있다.Most of the phenomena that first appear when a mechanical fault occurs are vibration. Many literature reports have shown that vibration has long been associated with major defects in mechanical defects such as wear, malfunction, noise, and structural damage. The vibration generated by the machine is gradually transferred to other parts through the deterioration process to generate secondary vibration, or a part of the vibration energy may radiate to noise. Therefore, by periodically measuring and analyzing vibration and noise, it is possible to identify the internal state of the machine and to prevent mechanical defects that can cause fatal damage by judging the abnormality early, and provide important information in establishing maintenance strategy .
특히, 최근 들어 산업 현장에서는 회전 기계의 건전성을 잘 나타내기 위해 진동 신호를 이용하여 운전 중인 많은 회전 기계들의 상태를 감시를 통해 이상을 조기에 발견·검지하고 결함이나 고장의 원인을 진단(diagnostics)하며, 적절한 설비 보전 활동을 통해 기계의 정지 기간에 손실되는 막대한 비용(down-time cost)을 절약하고 있다. In recent years, in the industrial field, in order to clearly show the soundness of the rotating machine, the condition of many rotating machines in operation is detected by using the vibration signal, and the abnormality is detected and detected at an early stage. And proper facility maintenance activities are saving down-time costs that are lost during machine stoppages.
한편, 이하에서 인용되는 선행기술문헌은 통계적 통정 관리의 개괄을 소개하고 있는데, 통계적 공정 관리(Statistical Process Control, SPC)란 공정에서 요구되는 품질이나 생산성 목표를 달성하기 위하여 통계적 방법으로 공정의 품질 변동을 주는 원인과 공정의 상태를 지속적으로 모니터링하여 주어진 목표를 달성할 수 있도록 공정을 운영하는 관리 방법을 말한다.In the meantime, the prior art cited below introduces an overview of statistical process control. Statistical process control (SPC) is a statistical process control method Is a management method that continuously monitors the cause of the process and the status of the process and operates the process to achieve the given goal.
이와는 달리, 산업 현장에서 활용되는 기계로부터 측정되는 이상 증후는 기계 자체의 노후 내지 잔존 수명과 연관되어 있기 때문에 공정의 품질이 아닌 기계 자체의 상태와 함께 관찰될 필요가 있다. 따라서, 설비의 기계적 결함에 대한 보다 정확하고 객관적인 진단 및 예측 기법이 요구되고 있다.On the other hand, the abnormal symptoms measured from the machine used in the industrial field are related with the aging or the remaining life of the machine itself, and therefore need to be observed together with the condition of the machine itself, not the quality of the process. Therefore, there is a need for more accurate and objective diagnostic and predictive techniques for mechanical defects in equipment.
본 발명이 해결하고자 하는 기술적 과제는, 종래의 공정 진단 기술이 기계 설비 자체의 결함을 예측함에 있어서 예측을 위해 알려진 다양한 특징값들 전부에 따른 복잡도의 증가 내지 비효율성의 문제를 해결하고, 열화 과정을 클러스터링함에 있어서 여전히 분류 오차가 크게 발생하는 한계를 극복하고자 한다.SUMMARY OF THE INVENTION The present invention has been made in view of the above problems, and it is an object of the present invention to solve the problem of increase in complexity or inefficiency according to various characteristic values known for prediction in predicting defects of the mechanical equipment itself, We still try to overcome the limitation of large classification error.
상기 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 적어도 하나의 프로세서(processor)와 데이터 저장 수단을 구비하는 설비 진단·예측 시스템이 대상 설비의 상태를 진단하는 방법은, (a) 기계적 결함에 관한 지표 데이터를 측정하여 고장 이력 및 원인과 함께 시계열적으로 매칭(matching)하여 저장하는 단계; (b) 상기 지표 데이터로부터 진단을 위해 미리 설정된 복수 개의 특징값을 추출하는 단계; 및 (c) 추출된 특징값을 이용하여 상기 지표 데이터에 대한 기계 학습(machine learning)을 통해 결함의 유형을 분류하는 단계를 포함한다.According to an aspect of the present invention, there is provided a method for diagnosing a state of an object facility, the method comprising the steps of: (a) Measuring indicator data on defects and matching them in time series with the fault history and cause; (b) extracting a plurality of feature values preset for diagnosis from the index data; And (c) classifying the type of defect by machine learning of the indicator data using the extracted feature value.
일 실시예에 따른 상태 진단 방법에서, 상기 (b) 복수 개의 특징값을 추출하는 단계는, (b1) 상기 지표 데이터에 대하여 소정 주파수 대역을 분리하고, 시간 영역을 주파수 영역으로 변환하며, 시간 영역에서 송신파를 제외한 원 신호를 추출하기 위한 포락선 분석을 수행함으로써, 신호 처리를 통해 데이터를 정형화하는 단계를 더 포함하고, 정형화된 상기 지표 데이터로부터 복수 개의 특징값을 추출할 수 있다.The step (b) of extracting a plurality of feature values may include the steps of (b1) separating a predetermined frequency band from the index data, converting the time domain into a frequency domain, Further comprising the step of shaping the data through signal processing by performing an envelope analysis for extracting the original signal except for the transmission wave, and extracting a plurality of feature values from the formulated index data.
일 실시예에 따른 상태 진단 방법에서, 상기 (b) 복수 개의 특징값을 추출하는 단계는, (b2) 진단을 위해 미리 설정된 복수 개의 특징값에 대해 분류의 군집성 및 차별성을 기준으로 각 특징의 민감도를 측정하고, 측정된 민감도가 기준치 이상인 특징만을 결함 진단을 위한 특징값으로 선택하는 단계를 더 포함할 수 있다. 또한, 상기 (b) 복수 개의 특징값을 추출하는 단계는, (b3) 선택된 모든 특징값의 범위와 분산을 일정한 크기로 조정하는 스케일링(scaling)을 수행하는 단계를 더 포함할 수 있다.The step (b) of extracting the plurality of feature values may include: (b2) determining sensitivity of each feature based on grouping and differentiation of the plurality of feature values set for diagnosis in advance, And selecting only the feature having the measured sensitivity equal to or higher than the reference value as the feature value for the defect diagnosis. The step (b) of extracting the plurality of feature values may further include (b3) performing scaling to adjust a range and variance of all selected feature values to a predetermined size.
일 실시예에 따른 상태 진단 방법에서, 상기 (c) 결함의 유형을 분류하는 단계는, 추출된 특징값을 이용하여 상기 지표 데이터에 대한 기계 학습을 이용한 다중(multi-class) 분류(classification) 구조를 생성함으로써 결함의 유형을 분류할 수 있다.In the method for diagnosing a condition according to an embodiment, the step (c) of classifying a type of defect includes a multi-class classification structure using machine learning on the index data using extracted feature values Lt; RTI ID = 0.0 > defect < / RTI >
상기 기술적 과제를 해결하기 위하여, 본 발명의 다른 실시예에 따른 적어도 하나의 프로세서(processor)와 데이터 저장 수단을 구비하는 설비 진단·예측 시스템이 대상 설비의 수명을 예측하는 방법은, (a) 기계적 결함에 관한 지표 데이터를 측정하여 고장 이력 및 원인과 함께 시계열적으로 매칭(matching)하여 저장하는 단계; (b) 상기 지표 데이터로부터 진단을 위해 미리 설정된 복수 개의 특징값을 추출하는 단계; (c) 추출된 특징값을 이용하여 상기 지표 데이터에 대한 기계 학습(machine learning)을 통해 결함의 유형을 분류하는 단계; (d) 결함 예측 대상 설비에 대한 열화 과정의 시계열적인 지표 데이터를 새롭게 입력받는 단계; (e) 새롭게 입력된 상기 열화 과정의 지표 데이터로부터 예측을 위해 미리 설정된 복수 개의 특징값을 추출하는 단계; (f) 추출된 특징값을 이용하여 열화 과정을 클러스터링(clustering)하고 분류된 구간(stage) 내에서 예측 인자를 추출하여 회귀 모델(regression model)을 생성하는 단계; 및 (g) 생성된 상기 회귀 모델을 이용하여 상기 결함 예측 대상 설비의 잔류 수명을 산출하는 단계를 포함한다.According to another aspect of the present invention, there is provided a facility diagnosis / prediction system including at least one processor and a data storage unit, Measuring indicator data on defects and matching them in time series with the fault history and cause; (b) extracting a plurality of feature values preset for diagnosis from the index data; (c) classifying the types of defects by machine learning on the index data using the extracted feature values; (d) receiving new time series index data of a deterioration process with respect to a fault prediction target facility; (e) extracting a plurality of feature values preset for prediction from the indicator data of the newly inputted deterioration process; (f) generating a regression model by clustering degradation processes using the extracted feature values and extracting prediction factors within the classified stages; And (g) calculating a remaining lifetime of the defect prediction target facility using the generated regression model.
다른 실시예에 따른 수명 예측 방법에서, 상기 (f) 회귀 모델을 생성하는 단계는, 분류 오차(classification error)를 최소화하여 단조성이 향상되도록 기존의 전 구간을 하위 열화 구간(degradation stage)으로 분류할 수 있다. 또한, 상기 (f) 회귀 모델을 생성하는 단계는, 상기 열화 구간에서 회귀 모델을 생성하기 위해 상기 특징값 중 잔류수명과의 상관도가 기준치 이상인 것을 상기 예측 인자로 선택할 수 있다. 나아가, 상기 (g) 잔류 수명을 산출하는 단계는, 상기 열화 구간별로 해당 열화 구간에서의 회귀 모델을 이용한 예측값과 각각의 이진 분류 레벨에서의 분류 구조를 이용하여 획득된 해당 열화 구간의 확률을 승산한 값을 산출하여 합산함으로써 상기 결함 예측 대상 설비의 잔류 수명을 예측할 수 있다.In the method for predicting the life span according to another embodiment, the step (f) of generating the regression model may classify the existing whole section as a degradation stage so as to minimize the classification error and improve monotonicity can do. The step (f) of generating the regression model may select, as the prediction factor, whether the degree of correlation with the remaining life of the feature value is greater than or equal to a reference value in order to generate the regression model in the degradation section. Further, the step (g) of calculating the remaining lifetime may include multiplying the predicted value using the regression model in the degradation section and the probability of the degradation section obtained using the classification structure at each binary classification level, The remaining life of the defect prediction target facility can be predicted by calculating and summing a value.
한편, 이하에서는 상기 기재된 상태 진단 및 예측 방법들을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.Meanwhile, a computer-readable recording medium on which a program for executing the above-described state diagnosis and prediction methods on a computer is recorded.
본 발명의 실시예들은 결함을 유발하는 지표 데이터의 진단을 위한 특징값을 추출하여 기계 학습시킴으로써 대상 설비의 상태를 정확하게 진단할 수 있으며, 열화 과정을 클러스터링함에 있어서 특징값의 단조성을 보다 향상시키는 열화 구간으로 분할하고 각각의 열화 구간에서 예측 인자가 되는 특징값을 추출하여 선행 회귀 모델을 생성함으로써 잔류 수명을 효과적으로 예측할 수 있다.The embodiments of the present invention can accurately diagnose the state of the target facility by extracting the feature value for diagnosis of the index data causing the defect and performing the machine learning, The residual life span can be effectively predicted by extracting feature values that are predictive factors in each degradation section and generating a lead regression model.
도 1은 본 발명의 실시예들에 따른 기계적 결함에 대한 진단 및 예측을 수행하는 설비 진단·예측 시스템을 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 대상 설비의 상태를 진단하는 방법을 도시한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 도 2의 상태 진단 방법에서 지표 데이터를 신호 처리하고 특징값을 추출하는 과정을 보다 구체적으로 도시한 흐름도이다.
도 4는 지표 데이터에 대하여 주파수 대역을 분리하는 과정을 설명하기 위한 도면이다.
도 5는 지표 데이터의 시간 영역 파형 및 주파수 영역 파형을 예시한 도면이다.
도 6은 시간 영역에서 신호의 포락선을 분석하는 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 다른 실시예에 따른 상태 진단에 기반하여 대상 설비의 잔류 수명을 예측하는 방법을 도시한 흐름도이다.
도 8은 열화 구간의 분할을 설명하기 위한 도면이다.
도 9는 상관 계수 분석 과정을 설명하기 위한 도면이다.
도 10은 본 발명의 실시예들에 따른 모의 실험을 통해 도출된 기계적 결함에 대한 상태 진단 결과를 예시한 도면이다.
도 11은 본 발명의 실시예들에 따른 모의 실험을 통해 도출된 기계적 결함에 대한 예측 결과를 예시한 도면이다.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a block diagram illustrating an apparatus for diagnosing and predicting an apparatus for diagnosing and predicting mechanical defects according to embodiments of the present invention. FIG.
2 is a flowchart illustrating a method of diagnosing a state of a target facility according to an embodiment of the present invention.
FIG. 3 is a flowchart illustrating a process of signal processing and extracting characteristic values in the state data diagnosis method of FIG. 2 according to an embodiment of the present invention.
4 is a diagram for explaining a process of separating frequency bands for index data.
5 is a diagram illustrating a time domain waveform and a frequency domain waveform of the index data.
6 is a diagram for explaining a process of analyzing an envelope of a signal in a time domain.
FIG. 7 is a flowchart illustrating a method of predicting the remaining lifetime of a target facility based on a state diagnosis according to another embodiment of the present invention.
8 is a diagram for explaining the division of a degradation section.
9 is a diagram for explaining a correlation coefficient analysis process.
10 is a diagram illustrating a result of a state diagnosis for a mechanical defect derived through a simulation according to embodiments of the present invention.
11 is a diagram illustrating a prediction result of a mechanical defect derived through a simulation according to embodiments of the present invention.
본 발명의 실시예들을 설명하기에 앞서, 본 발명의 실시예들이 채택하고 있는 기술적 수단을 개괄적으로 소개한 후 구체적인 구성 요소들을 순차적으로 기술하도록 한다.Before describing embodiments of the present invention, technical means adopted by embodiments of the present invention will be outlined, and specific elements will be described sequentially.
본 발명의 실시예들에서는 예측 모델의 관점에서 정상 상태에서 결함까지 가는 도중에 여러 가지 단계가 있다고 가정하였다. 이러한 가정의 이유는 실제 설비에 있어서 초기 시점부터 결함 시점까지 단조적인 특성을 가지는 예측 인자를 추출하기가 어렵기 때문이다. 그러나 실제 설비에 적용하기 위해서는 중간의 구간(stage)을 어떻게 찾는 문제가 남아있다. 따라서 이하에서 기술되는 본 발명의 실시예들에서는 예측 인자를 찾기 전에 전체 구간의 중간에 숨어있는 열화 구간(degradation stage)을 찾고자 한다. 그 다음 각 열화 구간에서 단조적인 특성을 갖는 예측인자를 추출하여 생성한 회귀 모델(regression model)을 이용하여 잔류 수명을 예측하고자 한다. 따라서, 본 발명의 실시예들을 통해 제시되는 설비 진단·예측 시스템은 크게 진단(Diagnosis) 부분과 예측(Prognosis) 부분으로 구분될 수 있다.In the embodiments of the present invention, it is assumed that there are several steps from the normal state to the defect in terms of the prediction model. The reason for this assumption is that it is difficult to extract predictive parameters having monotonic characteristics from the initial point to the defective point in the actual plant. However, there is still a problem of how to find the intermediate stage to be applied to actual equipment. Therefore, in the embodiments of the present invention described below, the degradation stage hidden in the middle of the entire section is sought before finding the predictive parameter. Then, the residual life is predicted by using a regression model which is generated by extracting predictive factors having monotonic characteristics in each degradation section. Therefore, the facility diagnosis and prediction system presented through the embodiments of the present invention can be roughly divided into a diagnosis part and a prognosis part.
이하에서는 도면을 참조하여 본 발명의 실시예들을 구체적으로 설명하도록 한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 덧붙여, 명세서 전체에서, 어떤 구성 요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings. In the following description and the accompanying drawings, detailed description of well-known functions or constructions that may obscure the subject matter of the present invention will be omitted. Incidentally, throughout the specification, " including " means not including other elements unless specifically stated to the contrary, it may include other elements.
본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the invention. The singular expressions include plural expressions unless the context clearly dictates otherwise. In the present application, the terms "comprise", "having", and the like are intended to specify the presence of stated features, integers, steps, operations, elements, components, or combinations thereof, , Steps, operations, components, parts, or combinations thereof, as a matter of principle.
특별히 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미이다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미인 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 이하에서는 구현 및 모의 실험의 관점에서 제안된 진단 및 예측 모델을 회전 기기 및 LNG 펌프에 적용하여 검증하였으나, 이는 단지 예시를 위한 것으로서 대상 설비가 이에 제한되는 것이 아님은 당연하다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in commonly used dictionaries should be construed as meaning consistent with meaning in the context of the relevant art and are not to be construed as ideal or overly formal in meaning unless expressly defined in the present application . Hereinafter, the diagnosis and prediction model proposed from the viewpoint of implementation and simulation is applied to a rotating machine and an LNG pump, but this is merely for illustrative purposes and it is natural that the target facility is not limited thereto.
도 1은 본 발명의 실시예들에 따른 기계적 결함에 대한 진단 및 예측을 수행하는 설비 진단·예측 시스템(10)을 개괄적으로 도시한 블록도이다.1 is a block diagram that schematically illustrates a system for diagnosing and predicting
먼저 대상 기기(20)로부터 지표 데이터(25)를 측정한다. 이러한 지표 데이터는 고장 원인을 추정할 수 있는 선행 지표로서, 이후 상태 진단 및 결함 예측의 근거가 되는 원시 데이터(raw data)에 해당한다.First, the
예를 들어, 진동 데이터는 기계의 진동 신호를 전기 신호로 변환시키는 변환기(transducer)를 기계에 설치하여 취득한다. 기계에서 얻어지는 신호의 질은 변환기의 종류, 설치 방법, 설치 위치 등에 따라서 결정된다. 진동(vibration)은 변위(μm), 속도(mm/s) 또는 가속도(m/s2)의 3가지 진동변수 형태로 정량화되어 있다. 측정변수는 발생되는 진동의 특성, 시험의 목적, 원하는 정보의 형태(결함, 상태, 설계 정보) 등을 바탕으로 선택된다. 10 Hz에서 1,000 Hz까지의 대역에 대한 일반적인 기계 상태 감시와 분석에 기본적인 측정 변수로 사용된다. 시간에 대한 진동 변위의 변화율인 진동 속도는 주파수와 진폭의 영향을 함께 나타내고 있으며 피로(fatigue)에 관련되어 있다. 주파수에 상관없이 측정된 진동 속도의 실효값(RMS)이나 피크값(peak)이 개략적인 상태 평가에 사용될 수 있기 때문에, 10 Hz에서 1,000 Hz까지의 주파수 대역에서 적절한 측정 변수로 평가되고 있다. 최근에 개발된 데이터 수집기들은 가속도계(accelerometer)를 사용하여, 이 대역의 신호를 측정하고 적분하여 진동 속도(velocity)의 측정값을 구한다.For example, vibration data is obtained by installing a transducer in a machine that converts a vibration signal of a machine into an electric signal. The quality of the signal obtained from the machine is determined by the type of transducer, installation method, installation location and so on. Vibration is quantified as three vibration parameters: displacement (μm), velocity (mm / s) or acceleration (m / s 2 ). The measurement variables are selected based on the characteristics of the vibration to be generated, the purpose of the test, and the type of information desired (defect, status, design information). It is used as a basic measurement parameter for general mechanical condition monitoring and analysis for the band from 10 Hz to 1,000 Hz. The rate of oscillation, which is the rate of change of the oscillatory displacement over time, together with the influence of frequency and amplitude, is related to fatigue. Since the effective value (RMS) or peak value (peak) of the measured vibration speed, regardless of frequency, can be used for a rough estimation of the condition, it is evaluated as an appropriate measurement variable in the frequency band from 10 Hz to 1,000 Hz. Recently developed data collectors use an accelerometer to measure and integrate the signal in this band to obtain a measure of the velocity of the vibration.
수집된 지표 데이터(25)는 설비 진단·예측 시스템(10)의 입력부(11)를 통해 데이터 저장 수단인 저장부(13)에 저장될 수 있다. 입력된 지표 데이터(25)는 데이터 처리의 관점에서 디지털 신호로 관리되는 것이 바람직하며, 적어도 하나의 프로세서(processor)(15)를 통해 일련의 진단 및 예측 과정에 관한 명령어 집합으로 구성된 소프트웨어의 제어에 따라 처리될 수 있다.The collected
도 2는 본 발명의 일 실시예에 따른 대상 설비의 상태를 진단하는 방법을 도시한 흐름도이다.2 is a flowchart illustrating a method of diagnosing a state of a target facility according to an embodiment of the present invention.
S110 단계에서 설비 진단·예측 시스템은, 기계적 결함에 관한 지표 데이터를 측정하여 고장 이력 및 원인과 함께 시계열적으로 매칭(matching)하여 저장한다. 이때, 지표 데이터를 저장함에 있어서, 정비 이력 및 고장 이력과 매칭하여 각 고장 원인에 해당하는 지표 데이터에 고장 원인을 라벨링(labeling)할 수 있다. 예를 들어, 장비로부터 Rotor Bar Fault, Rubbing Fault, Bearing Fault 등 진단을 받은 진동 데이터와 정상 상태로 판단되는 데이터들을 가져오고 각 데이터에 결함 혹은 정상 상태인지 판단하는 라벨링을 할 수 있다.In step S110, the facility diagnosis / prediction system measures and stores index data on mechanical defects in a time-series manner, together with a failure history and a cause. At this time, in storing the indicator data, it is possible to label the cause of the failure in the indicator data corresponding to each failure cause by matching with the maintenance history and the failure history. For example, it is possible to fetch diagnosed vibration data such as Rotor Bar Fault, Rubbing Fault, and Bearing Fault from the equipment and data judged as a steady state, and label each data to determine whether it is defective or in a normal state.
S120 단계에서 상기 설비 진단·예측 시스템은, 상기 지표 데이터로부터 진단을 위해 미리 설정된 복수 개의 특징값을 추출한다. 설비 진단·예측 시스템은 지표 데이터를 신호 처리하여 데이터 처리에 용이한 형태로 정형화시킨 후 진단에 필요한 특징값을 추출한다. 이러한 특징값에 관하여는 이후 표 1 및 표 2를 통해 구체적으로 예시하도록 한다.In step S120, the facility diagnosis and prediction system extracts a plurality of feature values preset for diagnosis from the index data. Facility Diagnosis and Forecasting System processes the surface data by signal processing, formulates it into an easy form for data processing, and extracts feature values necessary for diagnosis. These characteristic values will be specifically illustrated in the following Table 1 and Table 2.
S130 단계에서 상기 설비 진단·예측 시스템은, 추출된 특징값을 이용하여 상기 지표 데이터에 대한 기계 학습(machine learning)을 통해 결함의 유형을 분류한다. 본 실시예에서는 추출된 특징값을 이용하여 상기 지표 데이터에 대한 다중 분류(multi-class) SVM(support vector machine) 구조를 생성함으로써 결함의 유형을 분류하였는데, S120 단계를 통해 신호 처리된 데이터를 트레이닝 세트(training set)로 SVM을 이용하여 각각의 클래스(class)를 분할하는 초평면(hyperplane)을 결정할 수 있다.In step S130, the facility diagnosis and prediction system classifies types of defects through machine learning on the index data using the extracted feature values. In this embodiment, the type of the defect is classified by generating a multi-class SVM (support vector machine) structure for the index data using the extracted feature value. In step S120, The SVM can be used as a training set to determine a hyperplane that splits each class.
도 3은 본 발명의 일 실시예에 따른 도 2의 상태 진단 방법에서 지표 데이터를 신호 처리하고 특징값을 추출하는 과정(S120)을 보다 구체적으로 도시한 흐름도이다.FIG. 3 is a flowchart illustrating a process of S120 performing signal processing of feature data and feature data in the state diagnostic method of FIG. 2 according to an exemplary embodiment of the present invention.
S121 단계에서는, 상기 지표 데이터에 대하여 특정 주파수 대역을 분리하고, 시간 영역을 주파수 영역으로 변환하며, 시간 영역에서 송신파를 제외한 원 신호를 추출하기 위한 포락선 분석을 수행함으로써, 신호 처리를 통해 데이터를 정형화한다. In step S121, envelope analysis for separating a specific frequency band from the index data, converting the time domain to the frequency domain, and extracting the original signal excluding the transmission wave in the time domain, Formalize.
기계의 상태를 판단하는데 있어 중요 정보를 포함하고 있는 데이터의 수집 및 추출은 측정된 신호에 대한 적절한 신호 처리 과정을 통해 얻어질 수 있다. 특히, 기계에서 발생되는 진동 신호는 기계를 구성하는 각 부품과 관련된 많은 주파수 성분들로 이루어져 있어 복잡하고 다양한 특성을 지니고 있다. 이러한, 진동 신호에 대한 적절한 신호 처리 기법은 크게 시간 영역(time domain)과 주파수 영역(frequency domain)으로 나누어지며, 각 영역에 대한 신호 처리 방법도 다르게 적용된다.The collection and extraction of data containing important information in determining the state of the machine can be obtained through appropriate signal processing of the measured signal. In particular, the vibration signal generated by the machine is composed of many frequency components related to each component constituting the machine, and thus has complex and various characteristics. The appropriate signal processing techniques for the vibration signal are divided into a time domain and a frequency domain, and a signal processing method for each region is also applied differently.
첫째, 저역 필터와 고역 필터를 이용하여 시간 영역의 신호로부터 특정 주파수 대역을 분리하기 위해 Discrete Wavelet Transform (DWT)이 활용 가능하다. 이때, 저역 필터를 통과한 결과물은 approximation이고, 고역 필터를 통과한 결과물은 detail coefficients로서, 각 필터를 통과한 결과는 주파수가 반으로 줄기 때문에 샘플의 절반이 제거될 수 있다. First, Discrete Wavelet Transform (DWT) can be used to separate a specific frequency band from a time domain signal using a low-pass filter and a high-pass filter. At this time, the result of passing through the low-pass filter is approximation, and the result of passing through the high-pass filter is detail coefficients. As a result of passing through each filter, the frequency is reduced by half, so half of the sample can be removed.
지표 데이터에 대하여 주파수 대역을 분리하는 과정을 도시한 도 4의 (A)를 참조하면, 이러한 분해(decomposition) 과정은 계단식으로 반복되어 주파수 분해능을 높이고 필요한 주파수 대역을 쪼개어 볼 수 있다. 이것은 이진 트리(binary tree) 형태로 나타낼 수 있고 각 노드는 시간-주파수(time-frequency)로 표현된다. 도 4의 (B)는 도 4의 (A)의 각 레벨에서 주파수 대역을 도시한 것이다.Referring to FIG. 4A illustrating a process of separating frequency bands for the index data, this decomposition process is repeated in a stepwise manner to increase the frequency resolution and to divide the required frequency bands. It can be represented as a binary tree and each node is represented as a time-frequency. Fig. 4B shows the frequency band at each level in Fig. 4A.
둘째, 시간 영역을 주파수 영역으로 변환하기 위해 Fast Fourier Transform (FFT)이 활용 가능하다. 도 5는 각각 지표 데이터의 시간 영역 파형(A) 및 주파수 영역 파형(B)을 예시한 도면이다.Second, Fast Fourier Transform (FFT) is available to convert time domain to frequency domain. Fig. 5 is a diagram illustrating time-domain waveform A and frequency-domain waveform B of the index data, respectively.
셋째, 시간 영역에서 송신 파를 제외한 원 신호를 추출하기 위한 포락선 분석 방법으로서, Hilbert-Huang Transform (HHT)을 이용한 analytic signal이 활용 가능하다. 도 6을 참조하면, 힐버트 변환을 통해 원래의 신호와 크기는 같으나 위상이 직교인 허수 쌍을 생성함으로써 신호의 포락선을 얻을 수 있다.Third, an analytic signal using Hilbert-Huang Transform (HHT) is available as an envelope analysis method for extracting the original signal excluding the transmission wave in the time domain. Referring to FIG. 6, an envelope of a signal can be obtained by generating an imaginary pair having the same magnitude as the original signal but having an orthogonal phase through the Hilbert transform.
다시 도 3으로 돌아와, S122 단계에서는, 진단을 위해 미리 설정된 복수 개의 특징값(특징 벡터)에 대해 분류의 군집성 및 차별성을 기준으로 각 특징의 민감도를 측정하고, 측정된 민감도가 기준치 이상인 특징만을 결함 진단을 위한 특징값(특징 벡터)으로 선택할 수 있다. 또한, 선택된 특징값(특징 벡터)의 순위별로 개수를 달리하면서 이용되는 분류 방법론의 결과에 따라 특징값(특징 벡터) 개수를 구할 수 있다.Returning to FIG. 3, in step S122, the sensitivity of each feature is measured based on the clusterability and differentiation of the plurality of feature values (feature vectors) preset for diagnosis, and only the feature with the measured sensitivity higher than the reference value The feature value (feature vector) for diagnosis can be selected. In addition, the number of feature values (feature vectors) can be obtained according to the result of the classification methodology used while varying the number of selected feature values (feature vectors).
우선, 시간 영역에서는 진동 신호의 에너지, 분포도, 진폭 등의 특징들을 추출하기 위해 다음의 표 1 및 표 2와 같이 회전 기계 진단에 관한 특징 파라미터 값들을 활용할 수 있다. 표 1은 시간 영역 파라미터와 그 의미를 설명한 것이고, 표 2는 주파수 영역 파라미터와 그 의미를 설명한 것이다.First, in order to extract characteristics such as energy, distribution, and amplitude of the vibration signal in the time domain, characteristic parameter values related to the rotating machine diagnosis can be utilized as shown in Tables 1 and 2 below. Table 1 describes the time domain parameters and their meanings, and Table 2 describes the frequency domain parameters and their meanings.
앞서, 신호 처리 과정을 통해 취득한 특징값(특징 벡터)의 경우, 일반적으로 고차원이며 이를 기계 학습을 위한 분류기의 입력으로 사용할 경우 분류 성능의 저하를 초래할 수 있다. 그렇기에 신뢰성 있는 진단을 위해서는 효과적인 특징값(특징 벡터)만을 추출하는 기법들이 필수적이다.In the case of feature values (feature vectors) obtained through the signal processing process, it is generally high-level, and if used as an input of a classifier for machine learning, the classification performance may be degraded. Therefore, techniques for extracting only effective feature values (feature vectors) are essential for reliable diagnosis.
본 실시예에서는 Distance Evaluation Technique (DET)을 통해 클래스의 군집성과 차별성을 기준으로 각 특징의 민감도를 측정하고 이를 바탕으로 결함 진단에 효과적인 특징만을 일부 선택하는 전략을 취하였다. DET에 따라, 다수의 클래스, 결함 특징, 각 클래스별 일정 개수의 샘플로 구성된 행렬에서 각 결함의 특징을 대상으로 클래스 내 샘플들 간 평균 거리를 산출하고, 각 특징에 대하여 전체 클래스의 군집 정도를 산출한다. 그런 다음 해당 특징에 대한 클래스 간 구별 정도를 도출하여 해당 특징의 전체 클래스에 대한 민감도 값을 얻을 수 있다. 이제, 측정된 민감도가 기준치 이상인 특징만을 결함 진단을 위한 특징값(특징 벡터)으로 선택함으로써 진단에 비효율적인 특징값(특징 벡터)들을 배제할 수 있다.In this embodiment, the sensitivity of each feature is measured based on the class clustering and discrimination through the Distance Evaluation Technique (DET), and based on this, a strategy is selected to select only some features effective for defect diagnosis. According to the DET, the average distance between the samples in the class is calculated with respect to the characteristics of each defect in a matrix composed of a plurality of classes, a defect feature, and a certain number of samples for each class, and the degree of aggregation of the entire class . Then, the degree of distinction between classes for the feature can be derived to obtain the sensitivity value for the entire class of the feature. Now, by selecting only the feature having the measured sensitivity higher than the reference value as the feature value (feature vector) for defect diagnosis, it is possible to exclude feature values (feature vectors) that are ineffective in diagnosis.
S123 단계에서는, 선택된 모든 특징값(특징 벡터)의 범위와 분산을 일정한 크기로 조정하는 스케일링(scaling)을 수행할 수 있다. 앞서 S122 단계를 통해 도출된 각각의 특징값(특징 벡터)의 범위와 분산이 서로 다르기 때문에 다차원 공간에서 SVM을 이용하여 분류를 수행할 경우, DET 값이 비교적 작은 특징인데도 불구하고 변수 값의 범위가 큰 특징 위주로 분류가 이루어지는 경우가 발생할 수 있다. 따라서 SVM의 적용 전에 선별된 모든 특징들의 범위와 분산을 일정하게 조정시키는 스케일링 과정이 수행되는 것이 바람직하다. 예를 들어, 이러한 스케일링 방법으로는 정규화(normalize)가 활용될 수 있다.In step S123, scaling may be performed to adjust the range and variance of all selected feature values (feature vectors) to a predetermined magnitude. Since the range and variance of each feature value (feature vector) derived through step S122 are different from each other, when the classification is performed using the SVM in the multidimensional space, although the DET value is relatively small, It may occur that classification is performed mainly on a large feature. Therefore, it is desirable that a scaling process is performed to uniformly adjust the range and variance of all the features selected before applying the SVM. For example, normalization may be utilized with this scaling method.
이상의 과정을 통해 특징값에 대한 선처리가 완료되면, 비로소 설비 진단·예측 시스템은, 추출된 특징값을 이용하여 상기 지표 데이터에 대한 기계 학습(machine learning)을 통해 결함의 유형을 분류한다. 본 발명의 실시예들에서는 두 클래스 사이에 존재하는 마진(Margin)을 최대화하여 각 클래스를 가장 잘 분류할 수 있도록 최적의 초평면을 찾는 알고리즘으로서 이진 분류기인 Support Vector Machine (SVM)을 도입하였다. 특히, 하나 이상의 클래스를 구분하기 위해서는 다중 분류(Multi-Class) 기법이 SVM에 적용되어야 하며, 복수 개의 클래스를 갖기 때문에 SVM 구조(structure)는 트레이닝(training)을 거쳐 같은 수만큼 복수 개가 도출되며, 테스트 데이터(test data)는 각각의 구조에서 얻어진 값 중에 가장 높은 값을 선택하여 클래스를 구분하게 된다.Once the pre-processing of the feature value is completed through the above process, the facility diagnosis / prediction system classifies the type of defect by machine learning on the index data using the extracted feature value. In the embodiments of the present invention, the Support Vector Machine (SVM), which is a binary classifier, is introduced as an algorithm for finding an optimal hyperplane surface to maximize the margins existing between the two classes and classify the classes best. In particular, in order to classify one or more classes, a multi-class technique must be applied to the SVM, and since there are a plurality of classes, a plurality of SVM structures are derived through training, The test data distinguishes the classes by selecting the highest value among the values obtained in each structure.
도 7은 본 발명의 다른 실시예에 따른 상태 진단에 기반하여 대상 설비의 잔류 수명을 예측하는 방법을 도시한 흐름도로서, 도 2에 도시된 상태 진단 방법에 연속하여 예측 과정을 도시하였다.FIG. 7 is a flowchart illustrating a method for predicting the remaining service life of a target facility based on a state diagnosis according to another embodiment of the present invention, wherein the prediction process is continuously performed in accordance with the state diagnosis method shown in FIG.
S140 단계에서, 설비 진단·예측 시스템은, 결함 예측 대상 설비에 대한 열화 과정의 시계열적인 지표 데이터를 새롭게 입력받는다. 즉, 어떤 한 종류의 고장(fault) 진단을 받은 장비의 설치 시점(또는 부품 교체 시점)부터 진단 시점까지 측정한 열화 과정에 대한 진동 데이터와 작동 시간 데이터(잔류 수명으로 환산 가능한) 집합을 입력받는다.In step S140, the facility diagnosis / prediction system receives the time series index data of the deterioration process for the defect prediction target facility newly. That is, the vibration data and the operation time data (which can be converted to the remaining life) of the deterioration process measured from the installation point (or the part replacement point) to the diagnosis point of the equipment having a certain kind of fault diagnosis are inputted .
S150 단계에서, 상기 설비 진단·예측 시스템은, 새롭게 입력된 상기 열화 과정의 지표 데이터로부터 예측을 위해 미리 설정된 복수 개의 특징값을 추출한다. 이를 위해 앞서 진단 과정과 유사하게 신호 처리 과정을 거쳐 필요한 예측을 위한 특징값을 추출할 수 있다.In step S150, the facility diagnosis / prediction system extracts a plurality of feature values preset for prediction from the indicator data of the newly inputted deterioration process. In order to do this, it is possible to extract feature values for necessary prediction through a signal processing process similar to the diagnostic process.
S160 단계에서, 상기 설비 진단·예측 시스템은, 추출된 특징값을 이용하여 열화 과정을 클러스터링(clustering)하고 분류된 구간(stage) 내에서 예측 인자를 추출하여 회귀 모델(regression model)을 생성한다. 여기서, 분류 오차(classification error)를 최소화하여 단조성이 나타나도록 열화 구간(degradation stage)을 분류하되, 상기 열화 구간의 분류는 이진 분할(binary division)을 이용하여 수행되는 것이 바람직하다. 또한, 각각의 특징값(특징 벡터)을 스케일링할 수 있다.In step S160, the facility diagnosis and prediction system clusters degradation processes using the extracted feature values, and extracts predictive factors within the classified stages to generate a regression model. Here, it is preferable that the degradation stage is classified so that the classification error is minimized, and the deterioration section is classified using the binary division. In addition, each feature value (feature vector) can be scaled.
보다 구체적으로, 분류 오차를 최소화하는 열화 구간을 검색함에 있어서, 구간(stage)의 개수가 결정되어 있지 않거나, 또는 결정되어 있다고 하더라도 구간을 나누는 경우의 수는 계산할 수 없을 정도로 너무나 많다. 따라서, 계산량의 감소를 위해 본 발명의 실시예들은 이분법에 따라 구간을 분류하는 전략을 제안한다. 즉, 첫 번째 집합(set)을 2개의 부집합(subset)으로 나누고, 각각의 부집합을 같은 방법으로 부-부집합(sub-subset)으로 나누는 방식이다. 이러한 방식을 통해 계산량을 현저하게 감소시킬 수 있을 뿐만 아니라, SVM을 통해 분류하는 과정도 간단해진다. More specifically, in searching for a degradation section that minimizes a classification error, the number of stages is not determined, or even if the number of stages is divided, the number of stages is too large to be calculated. Accordingly, embodiments of the present invention propose a strategy for classifying intervals according to a dichotomous for reducing the amount of computation. That is, the first set is divided into two subsets, and each subset is divided into sub-subsets in the same way. In this way, not only the amount of computation can be remarkably reduced, but also the process of sorting through SVM is simplified.
예를 들어, 데이터 샘플이 37개인 집합이 있다고 가정하자. 최대 구간(stage) 수를 8개로 설정하면, 첫 번째 레벨에서 2개의 부집합으로 나눌 수 있는 경우의 수는 N-1인 36개가 된다. 다음 레벨에서 각각의 부집합을 2개의 부-부집합으로 나눌 경우의 수는 N-2인 35개, 그 다음 레벨은 N-4인 33개가 된다. 레벨 3까지 거친 구간 수는 23인 8개가 되며, 분류를 한 경우는 36+35+33=104개가 된다. 첫 번째 단계에서 두 개로 분류할 때, 36번의 분류를 실행하여, 오차(error)가 최소인 것을 선택하고, 그 다음 레벨에서도 같은 방법으로 구간을 나누게 된다. 분류는 앞서 진단 과정에서 소개한 것과 유사한 방식으로 DET, scaling, SVM 순의 과정을 거치게 되며, 트레이닝 데이터(training data)를 테스트 데이터(test data)로 하여 분류 오차(classification error)를 얻는다. 여기서 사용하는 SVM은 다중 분류(multi-class)가 아닌 이진(binary) 방법을 선택하는 것이 보다 정확하고 간단하다. 또한, 이진 분할 레벨에서 선택된 특징값(특징 벡터), scaling 함수, SVM 구조가 저장된다. For example, suppose you have a set of 37 data samples. If the maximum number of stages is set to 8, the number of cases that can be divided into two subsets at the first level is 36, N-1. At the next level, the number of divisions of each subset by two sub-subsets is 35, which is N-2, and 33, the next level is N-4. The number of rough segments up to
도 8은 열화 구간의 분할을 설명하기 위한 도면으로서, 3레벨 구간(stage)을 나눈 도식도이다. 이진 분할(binary division)으로 나누어진 부집합이 부-부집합으로 나누기에 충분한 샘플 개수를 가지고 있지 않거나 임의로 정해진 구간 수를 초과하면 더 이상 분할하지 않는다.FIG. 8 is a diagram for explaining the division of a degradation section, which is a schematic diagram dividing a 3-level section (stage). FIG. If the subset divided by the binary division does not have a sufficient number of samples to divide it into sub-subsets, or if it exceeds the number of arbitrary intervals, it is not further divided.
한편, 상기 열화 구간에서 회귀 모델을 생성하기 위해 상기 특징값(특징 벡터) 중 잔류수명과의 상관도가 기준치 이상인 것을 상기 예측 인자로 선택하는 것이 바람직하다.In order to generate a regression model in the deteriorated period, it is preferable that the correlation value with the residual life of the feature value (feature vector) is greater than or equal to a reference value.
각각의 열화 구간(degradation stage)에서 회귀 모델(regression model)을 구현하기 위해 잔류 수명과 상관성이 높은 특징을 찾아야 한다. 전체 특징값(특징 벡터) 중 선형성이 높은 것을 예측 모델에 활용하기 위해 상관 계수 분석(Correlation Coefficient Analysis)을 활용할 수 있다.In order to implement a regression model at each degradation stage, we must find features that are highly correlated with the residual lifetime. A Correlation Coefficient Analysis can be used to apply the high linearity among the feature values (feature vectors) to the prediction model.
상관 계수는 두 변수의 관계가 얼마나 선형적인지를 확인할 수 있는 값으로서 도 9에 예시된 바와 같이 상관 계수가 '-1'에 가까운 값을 가지면 두 변수가 음의 선형성이 강하고, 상관 계수가 '1'에 가까운 값을 가지면 양의 선형성이 강하다고 볼 수 있으며, 상관 계수가 '0'에 가까운 값을 가지면 두 변수의 선형성이 없으며 무작위로 분포되어있다는 것을 의미한다. 따라서, 본 발명의 실시예에서는 각 열화 구간에서 상관 계수의 절댓값이 가장 큰 특징값(특징 벡터)을 선택해서 예측 모델에 적용하였다.As shown in FIG. 9, when the correlation coefficient has a value close to '-1', the two variables have negative linearity and the correlation coefficient is '1' ', The positive linearity is strong, and if the correlation coefficient is close to' 0 ', it means that there is no linearity of the two variables and it is randomly distributed. Therefore, in the embodiment of the present invention, the characteristic value (feature vector) having the largest absolute value of the correlation coefficient in each degradation section is selected and applied to the prediction model.
다시 도 7로 돌아오면, S170 단계에서, 상기 설비 진단·예측 시스템은, S160 단계를 통해 생성된 상기 회귀 모델을 이용하여 상기 결함 예측 대상 설비의 잔류 수명을 산출한다. 이를 위해, 상기 열화 구간별로 해당 열화 구간에서의 회귀 모델을 이용한 예측값과 저장된 각각의 이진 분할 레벨에서의 특징값(특징 벡터), scaling 함수, SVM 구조를 이용하여 얻어낸 해당 열화 구간에 들어갈 확률을 승산한 값을 산출하여 모두 합산함으로써 상기 결함 예측 대상 설비의 잔류 수명을 예측할 수 있다.Referring back to FIG. 7, in step S170, the facility diagnosis / prediction system calculates the remaining lifetime of the defect prediction target facility using the regression model generated through step S160. To this end, a prediction value using the regression model in the degradation interval, a feature value (feature vector) at each stored binary division level, a scaling function, and a probability to enter the degradation interval obtained using the SVM structure are multiplied And the residual life of the defect prediction subject facility can be predicted by summing all the values.
회귀 분석(Regression Analysis) 및 회귀 모델(Regression Model)은 두 변수 간에 인과 관계를 잘 나타내는 대표적인 모델을 하나의 선 또는 곡선으로 나타내는 통계적 분석 및 예측 기법으로서, 본 실시예에서는 초기의 설비 상태에서 결함이 발생할 때까지의 진동 데이터를 활용하여 시간 경과에 따른 특징을 분석하고, 결함이 진행될 때 시간에 따른 특징값의 변화에 대한 선형 회귀 모델을 생성함으로써 이를 활용하여 잔류 수명을 예측하였다.Regression Analysis and Regression Model is a statistical analysis and prediction method that shows a representative model showing causal relationship between two variables as one line or curve. In this embodiment, By using the vibration data up to the time of occurrence, we analyze the characteristics over time and predict the residual life by using the linear regression model for the change of the feature value over time when the defect proceeds.
도 10은 본 발명의 실시예들에 따른 모의 실험을 통해 도출된 기계적 결함에 대한 진단 결과를 예시한 도면이고, 도 11은 본 발명의 실시예들에 따른 모의 실험을 통해 도출된 기계적 결함에 대한 예측 결과를 예시한 도면이다. 모의 실험에서는, 우선 진단과정에서 Rotor Bar Fault, Rubbing Fault, 및 Bearing Fault의 세 가지 결함 유형과 정상 상태(Normal), 총 네 가지 유형으로 판단되는 데이터를 지표 데이터로서 활용하였다.FIG. 10 is a view illustrating a diagnosis result of a mechanical defect obtained through a simulation according to an embodiment of the present invention, and FIG. 11 is a graph illustrating a result of a simulation of a mechanical defect Fig. In the simulation, three types of defect types (Rotor Bar Fault, Rubbing Fault, and Bearing Fault) and normal state (Normal) were used as the indicator data during the diagnosis process.
도 10을 참조하면, 총 4개의 SVM 구조에서 도출한 결과값을 비교하여 가장 큰 점수를 획득한 'RBF(Rotor Bar Fault)'를 진단 결과로서 도출하였음을 확인할 수 있다. 또한, 도 11을 참조하면, 예측된 잔류 수명의 예측 결과에 관하여 Mean of the absolute error는 64.46hrs이고 Max of the error는 244.06hrs로 전체 수명 5921hrs에 대해 각각 1.088%, 4.122%에 불과함을 확인할 수 있다.Referring to FIG. 10, it can be seen that 'RBF (Rotor Bar Fault)', which obtained the highest score by comparing the results obtained from the total of four SVM structures, is obtained as a diagnosis result. Referring to FIG. 11, it can be seen that the mean of the absolute error is 64.46 hrs and the maximum of the error is 244.06 hrs, which is 1.088% and 4.122%, respectively, for the entire life expectancy of 5921 hrs .
상기된 본 발명의 실시예들은, 결함을 유발하는 지표 데이터의 진단을 위한 특징값을 추출하여 기계 학습시킴으로써 대상 설비의 상태를 정확하게 진단할 수 있으며, 열화 과정을 클러스터링함에 있어서 단조성이 나타나는 열화 구간으로 분할하고 예측 인자가 되는 특징값(특징 벡터)을 추출하여 선행 회귀 모델을 생성함으로써 잔류 수명을 효과적으로 예측할 수 있다.The embodiments of the present invention can accurately diagnose the state of the target facility by extracting the characteristic values for diagnosis of the indicator data causing the defect and performing the machine learning. In the deterioration section where the deterioration occurs, (Feature vector) which is a predictive factor is extracted to generate a leading regression model, so that the remaining lifetime can be effectively predicted.
한편, 본 발명은 실시예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.Meanwhile, the embodiments of the present invention can be embodied as computer readable codes on a computer readable recording medium. A computer-readable recording medium includes all kinds of recording apparatuses in which data that can be read by a computer system is stored.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.Examples of the computer-readable recording medium include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage, and the like. In addition, the computer-readable recording medium may be distributed over network-connected computer systems so that computer readable codes can be stored and executed in a distributed manner. In addition, functional programs, codes, and code segments for implementing the present invention can be easily deduced by programmers skilled in the art to which the present invention belongs.
이상에서 본 발명에 대하여 그 다양한 실시예들을 중심으로 살펴보았다. 본 발명에 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.The present invention has been described above with reference to various embodiments. It will be understood by those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. Therefore, the disclosed embodiments should be considered in an illustrative rather than a restrictive sense. The scope of the present invention is defined by the appended claims rather than by the foregoing description, and all differences within the scope of equivalents thereof should be construed as being included in the present invention.
20: 대상 설비
25: 지표 데이터
10: 설비 진단·예측 시스템
11: 입력부
13: 저장부
15: 프로세서20: Target facility
25: Indicator data
10: Facility diagnosis and prediction system
11: Input unit
13:
15: Processor
Claims (10)
(a) 기계적 결함에 관한 지표 데이터를 측정하여 고장 이력 및 원인과 함께 시계열적으로 매칭(matching)하여 저장하는 단계;
(b) 상기 지표 데이터로부터 진단을 위해 미리 설정된 복수 개의 특징값을 추출하는 단계;
(c) 추출된 특징값을 이용하여 상기 지표 데이터에 대한 기계 학습(machine learning)을 통해 결함의 유형을 분류하는 단계;
(d) 결함 예측 대상 설비에 대한 열화 과정의 시계열적인 지표 데이터를 새롭게 입력받는 단계;
(e) 새롭게 입력된 상기 열화 과정의 지표 데이터로부터 예측을 위해 미리 설정된 복수 개의 특징값을 추출하는 단계;
(f) 추출된 특징값을 이용하여 열화 과정을 클러스터링(clustering)하되 정상 상태에서 결함까지 이르는 전체 구간 내에 숨겨진 열화 구간(degradation stage)을 검색하고, 검색을 통해 분류된 구간(stage) 내에서 예측 인자를 추출하여 회귀 모델(regression model)을 생성하는 단계; 및
(g) 생성된 상기 회귀 모델을 이용하여 상기 결함 예측 대상 설비의 잔류 수명을 산출하는 단계를 포함하는 수명 예측 방법.CLAIMS 1. A method for predicting the lifetime of a target facility in a system having at least one processor and data storage means,
(a) measuring indicator data on mechanical faults and storing them in a time-lapse matching manner with a fault history and a cause;
(b) extracting a plurality of feature values preset for diagnosis from the index data;
(c) classifying the types of defects by machine learning on the index data using the extracted feature values;
(d) receiving new time series index data of a deterioration process with respect to a fault prediction target facility;
(e) extracting a plurality of feature values preset for prediction from the indicator data of the newly inputted deterioration process;
(f) clustering the degradation process using the extracted feature values, searching for the degradation stage hidden within the entire range from the steady state to the defect, and searching within the classified stage through the search Extracting a factor to generate a regression model; And
(g) calculating the remaining lifetime of the defect prediction target facility using the regression model generated.
상기 (b) 단계는,
(b1) 상기 지표 데이터에 대하여 소정 주파수 대역을 분리하고, 시간 영역을 주파수 영역으로 변환하며, 시간 영역에서 송신파를 제외한 원 신호를 추출하기 위한 포락선 분석을 수행함으로써, 신호 처리를 통해 데이터를 정형화하는 단계를 더 포함하고,
정형화된 상기 지표 데이터로부터 복수 개의 특징값을 추출하는 것을 특징으로 하는 수명 예측 방법.The method according to claim 1,
The step (b)
(b1) separating a predetermined frequency band from the index data, transforming the time domain into a frequency domain, and performing envelope analysis to extract the original signal excluding the transmission wave in the time domain, Further comprising the steps of:
And extracting a plurality of feature values from the formulated index data.
상기 (b) 단계는,
(b2) 진단을 위해 미리 설정된 복수 개의 특징값에 대해 분류의 군집성 및 차별성을 기준으로 각 특징의 민감도를 측정하고, 측정된 민감도가 기준치 이상인 특징만을 결함 진단을 위한 특징값으로 선택하는 단계를 더 포함하는 수명 예측 방법.The method according to claim 1,
The step (b)
(b2) measuring the sensitivity of each feature on the basis of the clusterability and differentiation of the plurality of feature values preset for diagnosis, and selecting only the feature having the measured sensitivity higher than the reference value as the feature value for defect diagnosis Comprising:
상기 (b) 단계는,
(b3) 선택된 모든 특징값의 범위와 분산을 일정한 크기로 조정하는 스케일링(scaling)을 수행하는 단계를 더 포함하는 수명 예측 방법.The method of claim 3,
The step (b)
(b3) performing scaling to adjust a range and variance of all selected feature values to a predetermined magnitude.
상기 (c) 단계는,
추출된 특징값을 이용하여 상기 지표 데이터에 대한 기계 학습을 이용한 다중(multi-class) 분류(classification) 구조를 생성함으로써 결함의 유형을 분류하는 것을 특징으로 하는 수명 예측 방법.The method according to claim 1,
The step (c)
And classifying the types of defects by generating a multi-class classification structure using machine learning on the index data using the extracted feature values.
상기 (f) 단계는,
분류 오차(classification error)를 최소화하여 단조성이 향상되도록 기존의 전 구간을 하위 열화 구간(degradation stage)으로 분류하는 것을 특징으로 하는 수명 예측 방법.The method according to claim 1,
The step (f)
And dividing the existing whole section into a degradation stage so as to minimize the classification error and to improve monotonicity.
상기 열화 구간의 분류는 이진 분할(binary division)을 이용하여 수행되는 것을 특징으로 하는 수명 예측 방법.8. The method of claim 7,
Wherein the classification of the degradation period is performed using binary division.
상기 (f) 단계는,
상기 열화 구간에서 회귀 모델을 생성하기 위해 상기 특징값 중 잔류수명과의 상관도가 기준치 이상인 것을 상기 예측 인자로 선택하는 것을 특징으로 하는 수명 예측 방법.8. The method of claim 7,
The step (f)
And selecting a predictive factor that the degree of correlation with the residual life of the feature value is greater than or equal to a reference value in order to generate a regression model in the deteriorated section.
상기 (g) 단계는,
상기 열화 구간별로 해당 열화 구간에서의 회귀 모델을 이용한 예측값과 각각의 이진 분류 레벨에서의 분류 구조를 이용하여 획득된 해당 열화 구간의 확률을 승산한 값을 산출하여 합산함으로써 상기 결함 예측 대상 설비의 잔류 수명을 예측하는 것을 특징으로 하는 수명 예측 방법.8. The method of claim 7,
The step (g)
Calculating a value obtained by multiplying a predictive value using a regression model in the degradation interval and a probability of the degradation interval obtained using the classification structure at each binary classification level for each degradation interval, Wherein the life expectancy is predicted.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170182539A KR101936283B1 (en) | 2017-12-28 | 2017-12-28 | Diagnostic and prognostics method for machine fault |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170182539A KR101936283B1 (en) | 2017-12-28 | 2017-12-28 | Diagnostic and prognostics method for machine fault |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101936283B1 true KR101936283B1 (en) | 2019-01-08 |
Family
ID=65021358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170182539A KR101936283B1 (en) | 2017-12-28 | 2017-12-28 | Diagnostic and prognostics method for machine fault |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101936283B1 (en) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102092197B1 (en) * | 2019-09-17 | 2020-03-23 | 경기대학교 산학협력단 | Apparatus and method for degradation analysis of a repairable system |
| KR102092856B1 (en) | 2019-02-21 | 2020-04-23 | (주)디비넥스트 | Apparatus for monitoring a machine |
| KR102123522B1 (en) * | 2019-12-16 | 2020-06-16 | 주식회사 한국가스기술공사 | Failure diagnostic method based on cluster of fault data |
| KR102141391B1 (en) * | 2019-12-16 | 2020-08-05 | 주식회사 한국가스기술공사 | Failure data management method based on cluster estimation |
| KR20200101507A (en) * | 2019-01-30 | 2020-08-28 | 한국해양대학교 산학협력단 | Machine Diagnosis and Prediction System using Machine Learning |
| KR20200103341A (en) | 2019-02-25 | 2020-09-02 | (주)디비넥스트 | Method for evauating a maintanance of machine |
| KR20200136634A (en) * | 2019-05-28 | 2020-12-08 | 주식회사 티스마트 | Method and Apparatus for Predicting Fault Region Using Machine Learning Method |
| KR20200138464A (en) * | 2019-05-29 | 2020-12-10 | (주)영일랩스 | Deep-learning Based Fault Diagnosing Method and Apparatus for EPS |
| KR102249849B1 (en) | 2020-12-31 | 2021-05-10 | 주식회사 한국가스기술공사 | Processing method of predictive models for mechanical faults |
| CN112835910A (en) * | 2021-03-05 | 2021-05-25 | 天九共享网络科技集团有限公司 | Enterprise information and policy information processing method and device |
| CN113033913A (en) * | 2021-04-16 | 2021-06-25 | 上海电气集团股份有限公司 | Air conditioner fault predictive maintenance method and system, electronic equipment and storage medium |
| CN113155453A (en) * | 2021-01-08 | 2021-07-23 | 沈阳大学 | Method for evaluating and predicting bearing performance life through multi-feature fusion |
| KR102327420B1 (en) * | 2021-03-19 | 2021-11-16 | 국민대학교산학협력단 | Apparatus and method for generating and verifying training data |
| KR20210141087A (en) | 2020-05-15 | 2021-11-23 | 인제대학교 산학협력단 | Apparatus and method for diagnosing trouble of machine tool |
| CN113723439A (en) * | 2021-06-03 | 2021-11-30 | 西北工业大学 | Transformer state fault diagnosis and prediction method based on extrapolation method |
| KR20220037262A (en) * | 2020-09-17 | 2022-03-24 | 엘아이지넥스원 주식회사 | Apparatus and method for establishing of reliability growth planning for one-shot system |
| KR20220100229A (en) * | 2021-01-08 | 2022-07-15 | 엘아이지넥스원 주식회사 | Apparatus and method for establishing of reliability growth planning for continuous system |
| CN114861827A (en) * | 2022-05-27 | 2022-08-05 | 太原理工大学 | Coal mining machine prediction diagnosis and health management method based on multi-source data fusion |
| WO2022186461A1 (en) * | 2021-03-05 | 2022-09-09 | 경북대학교 산학협력단 | System for diagnosing machine failure on basis of advanced deep temporal clustering model |
| CN115269319A (en) * | 2022-07-21 | 2022-11-01 | 河南职业技术学院 | CEPH distributed computer fault diagnosis method |
| CN116702510A (en) * | 2023-08-01 | 2023-09-05 | 聊城市誉林工业设计有限公司 | Commutator overspeed performance simulation calculation method based on industrial information and data processing |
| CN117314244A (en) * | 2023-10-07 | 2023-12-29 | 中节能（石家庄）环保能源有限公司 | Process flow data supervision system and method based on data analysis |
| JP7449933B2 (en) | 2019-06-10 | 2024-03-14 | 株式会社Ｎｔｔドコモ | reasoning device |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101764540B1 (en) | 2016-06-21 | 2017-08-02 | 두산중공업 주식회사 | Vibration Monitoring and Diagnosis System for Wind Turbine |
| KR101797400B1 (en) | 2016-11-30 | 2017-11-15 | 울산대학교 산학협력단 | Method and apparatus for diagnosing fault based on probabilistic density |
| KR101797402B1 (en) * | 2016-12-07 | 2017-11-15 | 울산대학교 산학협력단 | Method and apparatus for diagnosing machine defects |
| KR101808461B1 (en) * | 2016-11-29 | 2017-12-12 | 울산대학교 산학협력단 | Method and apparatus for predicting remaining life of a machine |
-
2017
- 2017-12-28 KR KR1020170182539A patent/KR101936283B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101764540B1 (en) | 2016-06-21 | 2017-08-02 | 두산중공업 주식회사 | Vibration Monitoring and Diagnosis System for Wind Turbine |
| KR101808461B1 (en) * | 2016-11-29 | 2017-12-12 | 울산대학교 산학협력단 | Method and apparatus for predicting remaining life of a machine |
| KR101797400B1 (en) | 2016-11-30 | 2017-11-15 | 울산대학교 산학협력단 | Method and apparatus for diagnosing fault based on probabilistic density |
| KR101797402B1 (en) * | 2016-12-07 | 2017-11-15 | 울산대학교 산학협력단 | Method and apparatus for diagnosing machine defects |
Cited By (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200101507A (en) * | 2019-01-30 | 2020-08-28 | 한국해양대학교 산학협력단 | Machine Diagnosis and Prediction System using Machine Learning |
| KR102166649B1 (en) * | 2019-01-30 | 2020-10-16 | 한국해양대학교 산학협력단 | Machine Diagnosis and Prediction System using Machine Learning |
| KR102092856B1 (en) | 2019-02-21 | 2020-04-23 | (주)디비넥스트 | Apparatus for monitoring a machine |
| KR20200103341A (en) | 2019-02-25 | 2020-09-02 | (주)디비넥스트 | Method for evauating a maintanance of machine |
| KR20200136634A (en) * | 2019-05-28 | 2020-12-08 | 주식회사 티스마트 | Method and Apparatus for Predicting Fault Region Using Machine Learning Method |
| KR102193584B1 (en) * | 2019-05-28 | 2020-12-21 | 주식회사 티스마트 | Method and Apparatus for Predicting Fault Region Using Machine Learning Method |
| KR20200138464A (en) * | 2019-05-29 | 2020-12-10 | (주)영일랩스 | Deep-learning Based Fault Diagnosing Method and Apparatus for EPS |
| KR102199103B1 (en) * | 2019-05-29 | 2021-01-07 | (주)영일랩스 | Deep-learning Based Fault Diagnosing Method and Apparatus for EPS |
| JP7449933B2 (en) | 2019-06-10 | 2024-03-14 | 株式会社Ｎｔｔドコモ | reasoning device |
| KR102092197B1 (en) * | 2019-09-17 | 2020-03-23 | 경기대학교 산학협력단 | Apparatus and method for degradation analysis of a repairable system |
| KR102123522B1 (en) * | 2019-12-16 | 2020-06-16 | 주식회사 한국가스기술공사 | Failure diagnostic method based on cluster of fault data |
| KR102141391B1 (en) * | 2019-12-16 | 2020-08-05 | 주식회사 한국가스기술공사 | Failure data management method based on cluster estimation |
| KR20210141087A (en) | 2020-05-15 | 2021-11-23 | 인제대학교 산학협력단 | Apparatus and method for diagnosing trouble of machine tool |
| KR20220037262A (en) * | 2020-09-17 | 2022-03-24 | 엘아이지넥스원 주식회사 | Apparatus and method for establishing of reliability growth planning for one-shot system |
| KR102453639B1 (en) * | 2020-09-17 | 2022-10-12 | 엘아이지넥스원 주식회사 | Apparatus and method for establishing of reliability growth planning for one-shot system |
| KR102249849B1 (en) | 2020-12-31 | 2021-05-10 | 주식회사 한국가스기술공사 | Processing method of predictive models for mechanical faults |
| CN113155453B (en) * | 2021-01-08 | 2023-11-07 | 沈阳大学 | Multi-feature fusion assessment prediction bearing performance life method |
| KR20220100229A (en) * | 2021-01-08 | 2022-07-15 | 엘아이지넥스원 주식회사 | Apparatus and method for establishing of reliability growth planning for continuous system |
| CN113155453A (en) * | 2021-01-08 | 2021-07-23 | 沈阳大学 | Method for evaluating and predicting bearing performance life through multi-feature fusion |
| KR102643951B1 (en) | 2021-01-08 | 2024-03-07 | 엘아이지넥스원 주식회사 | Apparatus and method for establishing of reliability growth planning for continuous system |
| CN112835910A (en) * | 2021-03-05 | 2021-05-25 | 天九共享网络科技集团有限公司 | Enterprise information and policy information processing method and device |
| WO2022186461A1 (en) * | 2021-03-05 | 2022-09-09 | 경북대학교 산학협력단 | System for diagnosing machine failure on basis of advanced deep temporal clustering model |
| CN112835910B (en) * | 2021-03-05 | 2023-10-17 | 天九共享网络科技集团有限公司 | Method and device for processing enterprise information and policy information |
| KR102327420B1 (en) * | 2021-03-19 | 2021-11-16 | 국민대학교산학협력단 | Apparatus and method for generating and verifying training data |
| CN113033913A (en) * | 2021-04-16 | 2021-06-25 | 上海电气集团股份有限公司 | Air conditioner fault predictive maintenance method and system, electronic equipment and storage medium |
| CN113033913B (en) * | 2021-04-16 | 2024-03-19 | 上海电气集团股份有限公司 | Air conditioner fault predictive maintenance method, system, electronic equipment and storage medium |
| CN113723439A (en) * | 2021-06-03 | 2021-11-30 | 西北工业大学 | Transformer state fault diagnosis and prediction method based on extrapolation method |
| CN114861827A (en) * | 2022-05-27 | 2022-08-05 | 太原理工大学 | Coal mining machine prediction diagnosis and health management method based on multi-source data fusion |
| CN114861827B (en) * | 2022-05-27 | 2024-03-26 | 太原理工大学 | Coal mining machine predictive diagnosis and health management method based on multi-source data fusion |
| CN115269319B (en) * | 2022-07-21 | 2023-09-01 | 河南职业技术学院 | CEPH distributed computer fault diagnosis method |
| CN115269319A (en) * | 2022-07-21 | 2022-11-01 | 河南职业技术学院 | CEPH distributed computer fault diagnosis method |
| CN116702510A (en) * | 2023-08-01 | 2023-09-05 | 聊城市誉林工业设计有限公司 | Commutator overspeed performance simulation calculation method based on industrial information and data processing |
| CN116702510B (en) * | 2023-08-01 | 2023-10-20 | 聊城市誉林工业设计有限公司 | Commutator overspeed performance simulation calculation method based on industrial information and data processing |
| CN117314244B (en) * | 2023-10-07 | 2024-03-19 | 中节能（石家庄）环保能源有限公司 | Process flow data supervision system and method based on data analysis |
| CN117314244A (en) * | 2023-10-07 | 2023-12-29 | 中节能（石家庄）环保能源有限公司 | Process flow data supervision system and method based on data analysis |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101936283B1 (en) | Diagnostic and prognostics method for machine fault | |
| Udmale et al. | Application of spectral kurtosis and improved extreme learning machine for bearing fault classification | |
| KR102141391B1 (en) | Failure data management method based on cluster estimation | |
| KR101948604B1 (en) | Method and device for equipment health monitoring based on sensor clustering | |
| CN111353482A (en) | LSTM-based fatigue factor recessive anomaly detection and fault diagnosis method | |
| CN115034248A (en) | Automatic diagnostic method, system and storage medium for equipment | |
| KR102253230B1 (en) | Predictive diagnosis method and system of nuclear power plant equipment | |
| JP5827426B1 (en) | Predictive diagnosis system and predictive diagnosis method | |
| KR102321607B1 (en) | Rotating machine fault detecting apparatus and method | |
| WO2018180197A1 (en) | Data analysis device, data analysis method and data analysis program | |
| KR101984248B1 (en) | Apparatus For Making A Predictive Diagnosis Of Nuclear Power Plant By Machine Learning | |
| Hiruta et al. | Unsupervised learning based diagnosis model for anomaly detection of motor bearing with current data | |
| EP3712728A1 (en) | Apparatus for predicting equipment damage | |
| CN116106672B (en) | Vehicle network resonance detection method and device based on data driving and engineering knowledge | |
| Yaqub et al. | Machine fault severity estimation based on adaptive wavelet nodes selection and SVM | |
| CN115495274B (en) | Exception handling method based on time sequence data, network equipment and readable storage medium | |
| CN112016800A (en) | Feature selection method and system based on effectiveness index | |
| KR102196611B1 (en) | Predictive diagnosis method and system of nuclear power plant equipment | |
| KR102028845B1 (en) | Predictive diagnosis method and system of nuclear power plant equipment | |
| JP5771318B1 (en) | Abnormality diagnosis apparatus and abnormality diagnosis method | |
| Golmoradi et al. | Compressor fault diagnosis based on SVM and GA | |
| Lorenz et al. | Vibration Data Analysis for Fault Detection in Manufacturing Systems-A Systematic Literature Review | |
| JP7127477B2 (en) | LEARNING METHOD, APPARATUS AND PROGRAM, AND EQUIPMENT FAILURE DIAGNOSIS METHOD | |
| CN113283157A (en) | System, method, terminal and medium for predicting life cycle of intelligent stamping press part | |
| KR102017162B1 (en) | Predictive diagnosis method and system of nuclear power plant equipment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |