KR102123522B1 - 고장 데이터의 군집에 기반한 고장 진단 방법 - Google Patents

고장 데이터의 군집에 기반한 고장 진단 방법 Download PDF

Info

Publication number
KR102123522B1
KR102123522B1 KR1020190167743A KR20190167743A KR102123522B1 KR 102123522 B1 KR102123522 B1 KR 102123522B1 KR 1020190167743 A KR1020190167743 A KR 1020190167743A KR 20190167743 A KR20190167743 A KR 20190167743A KR 102123522 B1 KR102123522 B1 KR 102123522B1
Authority
KR
South Korea
Prior art keywords
failure
suspected
fault
phenomenon
list
Prior art date
Application number
KR1020190167743A
Other languages
English (en)
Inventor
최진혁
조원정
이진우
Original Assignee
주식회사 한국가스기술공사
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 주식회사 한국가스기술공사 filed Critical 주식회사 한국가스기술공사
Priority to KR1020190167743A priority Critical patent/KR102123522B1/ko
Application granted granted Critical
Publication of KR102123522B1 publication Critical patent/KR102123522B1/ko

Links

Images

Classifications

    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

본 발명은 설비에서 발생하는 고장을 진단하는 기술에 관한 것으로서, 고장 진단 시스템이 대상 설비에 대한 고장을 진단하는 방법은, 대상 설비에 관하여 고장 여부를 관찰하고자 하는 기능 위치별로 고장이 발생한 상황에서의 고장 지표 데이터를 수집하여 고장 이력, 원인 및 유형과 함께 매칭(matching)하여 미리 저장하고, 고장 지표 데이터로부터 미리 설정된 복수 개의 특징값을 추출하여 고장 지표 데이터에 대한 군집도를 산출하고, 대상 설비에 관한 기능 위치와 해당 기능 위치에서 수집된 지표 데이터를 포함하는 관찰 현상을 새롭게 입력받고, 새롭게 입력된 기능 위치 및 관찰 현상에 따라 군집도를 참조하여 고장 항목들의 특징이 명확한 순서대로 정렬된 의심 고장 리스트를 생성하며, 생성된 의심 고장 리스트의 각 의심 고장 항목에 대해 순차적인 검사를 유도함으로써 새롭게 입력된 관찰 현상이 고장 현상인지 여부를 결정한다.

Description

고장 데이터의 군집에 기반한 고장 진단 방법{Failure diagnostic method based on cluster of fault data}
본 발명은 생산 및 운용 설비에서 발생하는 고장을 진단하는 기술에 관한 것으로, 특히 고장 데이터를 획득함에 있어서 대상 설비로부터 측정된 다양한 지표 데이터에 기초하여 과거의 고장 데이터의 군집으로부터 현재의 관찰 현상이 고장인지 여부를 판단하는 방법에 관한 것이다.
상태 감시 및 설비 진단 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.
예를 들어, 운용중인 기계 설비로부터 고장이 발생할 때에 가장 먼저 나타나는 현상의 상당수는 진동이다. 많은 문헌을 통해, 오래전부터 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.
이와 같이, 최근 들어 산업 현장에서는 기계 설비의 건전성을 나타내는 다양한 지표 데이터를 감시하고, 측정된 지표 데이터를 이용하여 발견된 고장의 원인을 진단(diagnostics)하며, 적절한 설비 보전 활동을 통해 기계의 정지 기간에 손실되는 막대한 비용(down-time cost)을 절약하려는 노력이 지속적으로 시도되고 있다. 이하에서 제시되는 선행기술문헌은 공작 기계에서 발생하는 고장의 유형을 분류하여 구조화한 후, 고장을 진단하기 위한 일련의 검사 절차를 제안하였다.
한편, 설비가 대형화되고 고도화됨에 따라 현장 기술자들이 확인하여야 하는 고장 현상과 그에 따른 검사 항목이 더욱 복잡해지고 있다. 또한, 유사하게 보이는 관찰 현상도 다양한 요인으로 인해 객관적인 고장 판단이 어려워지는 문제가 나타나게 되었다. 따라서, 설비의 고장 판단에 대해 보다 객관적으로 관찰 현상을 측정하고 고장 여부를 판단하는 기술적 수단이 요구된다.
한국특허공개공보 제2006-0077814호, "공작기계의 고장 진단 시스템 및 방법"
본 발명이 해결하고자 하는 기술적 과제는, 종래의 고장 진단 기술들이 정형화된 순서와 고정된 흐름에 따르도록 검사 항목을 설정하였던 관계로 특징이 불명확한 고장에 대해서도 불필요한 검사를 일률적으로 수행함으로써 시간과 비용이 낭비되는 문제를 해결하고, 정비자 개인의 경험에 의존한 고장 판단으로 인해 고장 분포에 대한 정규성이 저하되며, 결과적으로 고장 진단의 신뢰도가 악화되는 약점을 극복하고자 한다.
상기 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 적어도 하나의 프로세서(processor)와 데이터 저장 수단을 구비하는 고장 진단 시스템이 대상 설비에 대한 고장을 진단하는 방법은, (a) 고장 진단 시스템이 대상 설비에 관하여 고장 여부를 관찰하고자 하는 기능 위치별로 고장이 발생한 상황에서의 고장 지표 데이터를 수집하여 고장 이력, 원인 및 유형과 함께 매칭(matching)하여 미리 저장하는 단계; (b) 상기 고장 진단 시스템이 상기 고장 지표 데이터로부터 미리 설정된 복수 개의 특징값을 추출하여 상기 고장 지표 데이터에 대한 군집도를 산출하는 단계; (c) 상기 고장 진단 시스템이 대상 설비에 관한 기능 위치와 해당 기능 위치에서 수집된 지표 데이터를 포함하는 관찰 현상을 새롭게 입력받는 단계; (d) 상기 고장 진단 시스템이 새롭게 입력된 상기 기능 위치 및 상기 관찰 현상에 따라 상기 군집도를 참조하여 고장 항목들의 특징이 명확한 순서대로 정렬된 의심 고장 리스트를 생성하는 단계; 및 (e) 상기 고장 진단 시스템이 생성된 상기 의심 고장 리스트의 각 의심 고장 항목에 대해 순차적인 검사를 유도함으로써 새롭게 입력된 상기 관찰 현상이 고장 현상인지 여부를 결정하는 단계;를 포함한다.
일 실시예에 따른 고장 진단 방법에서, 상기 고장 지표 데이터에 대한 군집도를 산출하는 상기 (b) 단계는, (b1) 상기 고장 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 단계;를 더 포함함으로써 정형화된 고장 지표 데이터로부터 복수 개의 특징값을 추출할 수 있다.
일 실시예에 따른 고장 진단 방법에서, 상기 고장 지표 데이터에 대한 군집도를 산출하는 상기 (b) 단계는, (b2) 미리 설정된 복수 개의 특징값에 대해 분류의 군집성 및 차별성을 기준으로 각 특징의 민감도를 측정하고, 측정된 민감도가 기준치 이상인 특징만을 고장 진단을 위한 특징값으로 선택하는 단계;를 더 포함할 수 있다. 또한, 상기 고장 지표 데이터에 대한 군집도를 산출하는 상기 (b) 단계는, (b3) 선택된 모든 특징값의 범위와 분산을 일정한 크기로 조정하는 스케일링(scaling)을 수행하는 단계;를 더 포함할 수 있다.
일 실시예에 따른 고장 진단 방법에서, 상기 고장 지표 데이터에 대한 군집도를 산출하는 상기 (b) 단계는, 미리 설정된 복수 개의 특징값에 대해 매칭된 고장의 군집도를 산출함으로써, 산출된 상기 군집도에 따라 각 고장에 대한 평가 기준의 명확성 수준을 결정할 수 있다.
일 실시예에 따른 고장 진단 방법에서, 의심 고장 리스트를 생성하는 상기 (d) 단계는, (d1) 새롭게 입력된 상기 기능 위치 및 상기 관찰 현상에 따라 고장이 의심되는 기능 위치 및 고장 유형의 순서쌍을 미리 저장된 상기 고장 지표 데이터로부터 적어도 하나 이상 선택하는 단계; 및 (d2) 선택된 기능 위치 및 고장 유형의 순서쌍을 상기 군집도를 참조하여 고장 항목들의 특징이 명확한 정도에 비례하여 정렬함으로써 우선순위가 조정된 의심 고장 리스트로 생성하는 단계;를 포함할 수 있다. 또한, 의심 고장 리스트를 생성하는 상기 (d) 단계는, (d3) 생성된 상기 의심 고장 리스트의 각 의심 고장 항목들 간의 인과 관계를 고려하여 명확성 수준을 재설정함으로써 상기 의심 고장 리스트의 점검 순서를 재배열하는 단계;를 더 포함할 수 있다.
일 실시예에 따른 고장 진단 방법에서, 새롭게 입력된 상기 관찰 현상이 고장 현상인지 여부를 결정하는 상기 (e) 단계는, (e1) 생성된 상기 의심 고장 리스트에 정렬된 순서에 따라 기능 위치 및 고장 유형의 순서쌍으로 구성된 각 의심 고장 항목별로 미리 정의된 검사(test) 항목을 표시하여 사용자로 하여금 검사를 유도하는 단계; 및 (e2) 사용자로부터 입력된 검사 결과에 따라 상기 관찰 현상이 어떠한 고장 현상인지를 확정하거나 또는 제거하는 단계;를 포함할 수 있다. 또한, 새롭게 입력된 상기 관찰 현상이 고장 현상인지 여부를 결정하는 상기 (e) 단계는, (e3) 검사 결과, 상기 관찰 현상이 특정 고장 현상인지 여부가 결정되면 결정된 상기 특정 고장 현상에 해당하는 의심 고장 항목보다 우선순위가 낮은 의심 고장 항목에 대한 검사를 생략하고 검사 과정을 종료하는 단계;를 더 포함할 수 있다.
한편, 이하에서는 상기 기재된 고장 진단 방법들을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.
본 발명의 실시예들은 고장의 특성을 나타내는 지표 데이터의 특징값을 추출하고 추출된 특징값 분포의 군집성을 척도로 하여 특징이 명확한 고장 순서로 진단을 수행함으로써 특징이 불명확한 고장에 대한 평가를 피할 수 있고, 그로 인해 고장 데이터가 반복적으로 누적될수록 특징값 분포의 군집성이 강화되며, 특징이 명확한 고장부터 확인이 이루어짐으로써 진단 속도와 정확도를 향상시킴과 동시에 높은 군집도를 갖는 고장 데이터를 통해 불확실성을 감소시키고 분석 신뢰도를 향상시킨다.
도 1은 본 발명의 실시예들이 구현되는 고장 진단 시스템이 설비 고장에 대해 진단하고, 그에 따른 유지 보수를 수행하는 전체적인 과정을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 고장 데이터의 군집에 기반하여 대상 설비의 고장을 진단하는 고장 진단 시스템을 도시한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 고장 데이터의 군집에 기반하여 대상 설비의 고장을 진단하는 방법을 도시한 흐름도이다.
도 4 내지 도 6은 고장이 관찰된 기능 위치 및 관찰 현상에 대한 확인(verification) 과정을 설명하기 위한 예시도이다.
도 7 내지 도 9는 수집된 고장 지표 데이터에 대한 신호 처리 과정을 설명하기 위한 도면이다.
도 10은 본 발명의 실시예들이 채택하고 있는 고장 지표 데이터에 대한 군집도를 산출하는 과정을 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 도 3의 고장 진단 방법에서 의심 고장 리스트를 생성하는 과정을 보다 구체적으로 도시한 흐름도이다.
도 12는 본 발명의 일 실시예에 따른 도 3의 고장 진단 방법에서 새롭게 입력된 관찰 현상이 고장 현상인지 여부를 결정하는 과정을 보다 구체적으로 도시한 흐름도이다.
본 발명의 실시예들을 설명하기에 앞서, 본 발명의 실시예들이 채택하고 있는 기술적 수단을 개괄적으로 소개한 후 구체적인 구성 요소들을 순차적으로 기술하도록 한다.
설비의 고장 데이터는 설비의 유지 보수 및 자산 관리에 유용하게 활용된다. 예를 들어, 과거 기록된 고장 사건의 발생 시간 분포로부터 대표값을 산출하여 고장의 발생 시간을 예정할 수 있다. 또한 설비의 건전성과 기능의 무결성을 판단하고 설비의 수명을 예측할 수 있는 기계학습(machine learning) 모델을 도출하기 위해 고장 데이터를 지도학습(supervised learning)의 결과(labeling) 데이터로 활용할 수 있다.
이와 같은 고장 데이터를 획득하기 위해, '정비자(고장 진단을 수행하는 자)'는 설비 고장이 발생했을 때, 미리 정의된 고장의 특성과 설비의 현재 상황과 비교하여 어떤 고장이 발생했는지를 진단하여 결과를 기록한다. 고장 진단 결과를 기록하는 절차는 크게 두 단계로 구성될 수 있다.
첫째, 설비의 '운전자' 또는 '관찰자'가 고장을 관찰한 시점 이후로 고장이 관찰된 '기능 위치'와 '관찰 현상'을 '정비자'에게 통지한다. 둘째, 통지된 '기능 위치'와 '관찰 현상'에 따라 결정되는 '의심 고장' 리스트는 각각의 '의심 고장'에 해당하는 검사(test)의 실행 결과에 따라 리스트에서 제거되거나 또는 '고장 현상'으로 확정될 수 있다.
그러나 '고장 현상'으로 확정하는 과정에서 '의심 고장' 리스트의 순서가 임의로 주어질 경우, 판단 기준이 애매한 고장이 리스트의 상위에 위치할 가능성이 있다. 여기서, 판단 기준이 애매하다는 것은 정비자 개인마다 고장을 판단하는 기준이 달라 같은 현상을 다른 고장이라고 판단하거나 다른 고장을 같은 고장으로 기록하는 경우를 말한다. 이와 같은 상황이 반복될 경우, 고장 분포에 대한 정규성을 저하시켜 고장 데이터가 적용되는 분석 결과의 신뢰도에 악영향을 미친다.
따라서, 이하에서 기술되는 본 발명의 실시예들은 전달된 '기능 위치'와 '관찰 현상'에 따라 결정되는 '의심 고장' 리스트와 각각의 '의심 고장'을 리스트에서 제거하거나 또는 '고장 현상'으로 확정하는 단계에서 '의심 고장' 리스트의 순서를 고장의 지표 데이터의 군집도를 평가 기준으로 하여 평가 점수(수치)가 높은 고장 순으로 고장 점검에 대한 체크리스트 순서를 변경하는 기술적 수단을 제안하고자 한다.
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.
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.
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 고장 진단 방법을 LNG 설비에 적용하여 검증하였으나, 이는 단지 예시를 위한 것으로서 대상 설비가 이에 제한되는 것이 아님은 당연하다.
본 발명의 실시예들에 따른 고장 진단 시스템이 구현되는 환경에서는, 우선 설비의 고장을 정의하여 고장이 났을 때 어떤 고장이 났는지를 기록한다. 과거 고장 발생 시간의 분포도로부터 대표값을 산출하여 고장의 발생 시간을 예정할 수 있다. 또한, 지표 데이터와 고장 정보를 활용하여 지표 데이터로부터 설비의 상태를 진단할 수 있는 기계학습 모델을 지도 학습을 활용하여 산출할 수 있다. 이러한 지표 데이터는, 예를 들어, 진동, 온도, 압력, 설비 작동시간 등 설비의 상태를 나타낼 수 있는 데이터를 활용할 수 있다.
고장을 기록할 때에는 관찰 현상에 따른 의심 고장 리스트를 보여주고 의심 고장을 하나씩 제거하는 과정을 통해 과거의 기록된 고장의 지표 데이터로부터 특징값을 추출하여 특징값의 군집도가 높은 순서대로 의심 고장 리스트를 재배열 한다. 이러한 특징값은, 예를 들어, 데이터의 평균, 분산, 모멘트, 엔트로피 중 적어도 하나를 사용할 수 있다. 또한, 군집도 평가는 같은 고장이라 판단된 특징값의 상대적인 거리의 평균으로 계산할 수 있다.
특징값의 분포가 밀집되어 있는 고장은 고장을 판단할 때 명확한 특징이 있다는 것을 의미한다. 따라서, 이상의 재배열된 의심 고장 리스트에서 특징이 명확한 고장순으로 확인이 이루어지므로 진단의 정확성을 높이고 소요 시간을 단축시킬 수 있다.
도 1은 본 발명의 실시예들이 구현되는 고장 진단 시스템이 설비 고장에 대해 진단하고, 그에 따른 유지 보수를 수행하는 전체적인 과정을 설명하기 위한 도면이다. 도 1에 표기된 용어들의 구체적인 의미는 다음의 표 1을 통해 보다 정확하게 확인할 수 있다.
Figure 112019129697626-pat00001
도 1과 표 1을 함께 참조하면, 최초에 기능 위치 및 고장 유형을 매칭하여 고장에 관한 지표 데이터와 함께 입력받는다(110). 그런 다음, 확인(verification) 과정을 통해 의심 고장 리스트를 독출하고, 각 고장 항목을 검사하여 제거하거나(exclude) 확정한다(figure out)(120). 이제, 점검(inspection) 과정을 통해 앞서 확정된 의심 고장 리스트에 해당하는 체크 리스트(check list)를 점검하여 손상 기구를 파악한다(130). 즉, 확인 과정에서 확인된 고장(verified failure)에 대해 손상 기구를 파악하게 되는데, 확인된 고장은 '기능 위치' 및 '고장 유형'의 순서쌍으로 구성될 수 있다. 이상의 과정을 통해 고장 진단이 완료되며, 본 발명의 실시예들은 상기된 과정(110, 120, 130)에 집중하고 있다.
한편, 고장난 손상 기구가 파악되었다면, 해당 기구에 대해 미리 정의된 조치 사항에 따라 정비가 이루어진다(140). 마지막으로 정비가 제대로 수행되었는지에 관한 작동 검사를 통해 최종적인 품질을 검증하게 된다(150).
도 2는 본 발명의 일 실시예에 따른 고장 데이터의 군집에 기반하여 대상 설비의 고장을 진단하는 고장 진단 시스템(200)을 도시한 블록도이다.
먼저 대상 설비로부터 고장 여부를 관찰하고자 하는 기능 위치별로 고장이 발생한 상황에서의 고장 지표 데이터를 수집하여 고장 이력, 원인 및 유형과 함께 매칭(matching)하여 입력부(210)를 통해 입력받는다. 또한, 대상 설비에 관한 기능 위치와 해당 기능 위치에서 수집된 지표 데이터를 포함하는 관찰 현상을 입력부(210)를 통해 새롭게 입력받을 수 있다. 이러한 지표 데이터는 고장 원인을 파악할 수 있는 선행 지표로서, 이후 고장 진단의 근거가 되는 원시 데이터(raw data)에 해당한다. 수집된 지표 데이터는 고장 진단 시스템(200)의 데이터 저장 수단인 저장부(230)에 저장될 수 있다.
입력된 지표 데이터는 데이터 처리의 관점에서 디지털 신호로 관리되는 것이 바람직하며, 적어도 하나의 프로세서(processor)(250)를 통해 일련의 고장 진단 과정에 관한 명령어 집합으로 구성된 소프트웨어의 제어에 따라 처리될 수 있다. 이를 위해, 프로세서(250)는, 고장 지표 데이터로부터 미리 설정된 복수 개의 특징값을 추출하여 고장 지표 데이터에 대한 군집도를 산출하고, 새롭게 입력된 기능 위치 및 관찰 현상에 따라 군집도를 참조하여 고장 항목들의 특징이 명확한 순서대로 정렬된 의심 고장 리스트(270)를 생성하며, 생성된 의심 고장 리스트(270)의 각 의심 고장 항목에 대해 순차적인 검사를 유도함으로써 새롭게 입력된 관찰 현상이 고장 현상인지 여부를 결정한다. 최종적으로 고장 진단 시스템(200)은 고장 현상에 대한 판단 결과를 출력할 수 있다. 이렇게 출력된 고장 현상의 판단 결과는 지도 학습의 결과(labeling) 데이터로서 이용될 수 있으며, 나아가 고장의 예정 내지 잔여 수명 예측 등에 활용될 수 있다.
도 3은 본 발명의 일 실시예에 따른 고장 데이터의 군집에 기반하여 대상 설비의 고장을 진단하는 방법을 도시한 흐름도로서, 앞서 기술한 도 2의 구성을 시계열적인 순서로 재구성한 것이다. 따라서, 도 3의 고장 진단 방법은 이하에서 기술되는 일련의 과정을 수행하기 위한 명령어를 포함하는 소프트웨어로 구현될 수 있으며, 적어도 하나의 프로세서(processor)와 데이터 저장 수단을 구비하는 고장 진단 시스템에 탑재되어 구동될 수 있다.
S310 단계에서, 고장 진단 시스템은 대상 설비에 관하여 고장 여부를 관찰하고자 하는 기능 위치별로 고장이 발생한 상황에서의 고장 지표 데이터를 수집하여 고장 이력, 원인 및 유형과 함께 매칭(matching)하여 미리 저장한다. 즉, 대상 설비의 기능상 위치를 구별하는 고유 번호가 부여된 구성 요소에 대해 그 식별자와 고장 지표 데이터를 입력받아 분석의 근거로 활용한다.
S320 단계에서, 상기 고장 진단 시스템이 상기 고장 지표 데이터로부터 미리 설정된 복수 개의 특징값을 추출하여 상기 고장 지표 데이터에 대한 군집도를 산출한다. 이때, 상기 특징값은 데이터의 평균, 분산, 모멘트, 엔트로피 중 적어도 하나를 포함하고, 상기 군집도는 동일한 고장이라고 판단된 특징값의 상대적인 거리의 평균으로 산출되는 것이 바람직하다. 이러한 특징값의 분포가 밀집되어 있는 고장은 고장을 판단할 때 명확한 특징이 있다는 것을 의미하므로, 군집도 평가를 통해 상대적으로 특징이 명확한 고장을 파악할 수 있다면 그러한 고장에 우선순위를 부여하여 먼저 확인함으로써 진단의 정확성을 향상시킴과 동시에 소요 시간의 단축을 도모할 수 있다.
한편, S320 단계에서는 측정된 신호에 대한 데이터 전처리 과정을 통해 대상 설비의 상태를 보다 정교하게 파악할 수 있다. 보다 구체적인 데이터 전처리 과정은 이후 도 7 내지 도 9를 통해 설명하도록 한다.
또한, S320 단계에서는 미리 설정된 복수 개의 특징값에 대해 분류의 군집성 및 차별성을 기준으로 각 특징의 민감도를 측정하고, 측정된 민감도가 기준치 이상인 특징만을 고장 진단을 위한 특징값으로 선택하는 것이 바람직하다. 즉, 미리 설정된 복수 개의 특징값에 대해 매칭된 고장의 군집도를 산출함으로써, 산출된 상기 군집도에 따라 각 고장에 대한 평가 기준의 명확성 수준을 결정할 수 있다. 군집성과 차별성의 개념과 처리 과정은 이후 도 10을 통해 보다 구체적으로 설명하도록 한다.
나아가, S320 단계에서는 선택된 모든 특징값의 범위와 분산을 일정한 크기로 조정하는 스케일링(scaling)을 더 수행할 수 있다. 앞서 도출된 각각의 특징값(특징 벡터)의 범위와 분산이 서로 다르기 때문에, 다차원 공간에서 분류(예를 들어 SVM을 이용)를 수행할 경우, 군집도 값이 비교적 작은 특징인데도 불구하고 변수 값의 범위가 큰 특징 위주로 분류가 이루어지는 경우가 발생할 수 있다. 따라서 분류를 수행(예를 들어, SVM의 적용)하기 전에 선별된 모든 특징들의 범위와 분산을 일정하게 조정시키는 스케일링 과정이 수행되는 것이 바람직하다. 예를 들어, 이러한 스케일링 방법으로는 정규화(normalize)가 활용될 수 있다.
S330 단계에서, 상기 고장 진단 시스템이 대상 설비에 관한 기능 위치와 해당 기능 위치에서 수집된 지표 데이터를 포함하는 관찰 현상을 새롭게 입력받는다. 새롭게 입력되는 기능 위치와 관찰 현상은 아직 고장 여부가 확정되지 않은 상태로서, 이후의 과정을 통해 고장 여부를 정확하고 빠르게 확정하여야 할 필요가 있다.
S340 단계에서, 상기 고장 진단 시스템이 새롭게 입력된 상기 기능 위치 및 상기 관찰 현상에 따라 상기 S320 단계의 군집도를 참조하여 고장 항목들의 특징이 명확한 순서대로 정렬된 의심 고장 리스트를 생성한다. 이때, 의심 고장 리스트는 고정된 순서 또는 미리 결정된 임의의 순서로 나열되는 것이 아니라, 현재 새롭게 입력된 기능 위치에서 나타나는 관찰 현상에 가장 밀접한 상관 관계를 가지면서도 명확하고 객관적인 판정이 가능한 고장 항목에 우선순위를 부여하여 상위에 표시하게 된다. 이를 위해 의심 고장 리스트의 재정렬의 판단 기준으로 군집도를 제시하였으며, 앞서 기술한 바와 같이 각 고장에 대한 평가 기준의 명확성 수준을 나타내는 군집도 값을 이용하여 표시 항목의 순서를 조정하게 된다.
S350 단계에서, 상기 고장 진단 시스템이 생성된 상기 의심 고장 리스트의 각 의심 고장 항목에 대해 순차적인 검사를 유도함으로써 새롭게 입력된 상기 관찰 현상이 고장 현상인지 여부를 결정한다. 이제, 의심 고장 리스트의 상위 항목에서부터 검사를 진행하게 되며, S340 단계에서 재정렬된 의심 고장 리스트로 인해 보다 빠르고 정확하게 고장 현상을 확정할 수 있는 효과가 기대된다.
도 4 내지 도 6은 고장이 관찰된 기능 위치 및 관찰 현상에 대한 확인(verification) 과정을 설명하기 위한 예시도이다.
도 4를 참조하면, '관찰현상1'에 대해 특징값들의 조합으로 입력값이 제시되었고, 그에 대응하여 군집도를 고려하여 재정렬된 의심 고장 리스트가 표시되었다. 도 4의 세부 항목의 설명은 다음의 표 2를 참조하자.
Figure 112019129697626-pat00002
즉, 도 4의 의심 고장 리스트의 상위 항목부터 순차적으로 검사를 수행하게 되는데, 표 2에는 각 의심 고장 항목에 따른 진단 공정이 예시되어 있다. 예를 들어, 최상위 의심 고장 항목인 'P-X 조작불량'의 검사를 먼저 수행하여 확인 테스트로서 'FCV 개도조절'을 수행하고, 검사 결과 확인된 고장이 아닌 경우에, 해당 의심 고장 항목을 제거한 후 다음 단계로 진행한다. 다음으로, 고장 항목 'FCV-X.01A 작동불량'을 검사하게 되는데, 확인 테스트로서 'FCV 작동확인'을 수행하여 확인된 고장을 확정하게 된다. 이때의 'FCV-X.01A 작동불량'에 대해서는 도 5를 통해 의심고장과 확인 테스트의 매칭 테이블이 예시되어 있다.
또한, 도 6을 참조하면, 또 다른 '관찰현상2'에 대해 특징값들의 조합으로 입력값이 제시되었고, 그에 대응하여 군집도를 고려하여 재정렬된 의심 고장 리스트가 표시되었다. 예시된 4가지 의심 고장 항목에 대응하는 확인 테스트를 수행하여 확인된 고장을 확정하게 됨을 알 수 있다.
도 7 내지 도 9는 수집된 고장 지표 데이터에 대한 신호 처리 과정을 설명하기 위한 도면이다. 앞서 도 3을 통해 기술한 바와 같이, 측정된 신호에 대한 데이터 전처리 과정이 수행될 수 있는데, 고장 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 정형화할 수 있다. 이러한 과정을 통해 정형화된 고장 지표 데이터로부터 복수 개의 특징값을 추출할 수 있다.
대상 설비의 상태를 판단하는데 있어 중요 정보를 포함하고 있는 데이터의 수집 및 추출은 측정된 신호에 대한 적절한 신호 처리 과정을 통해 얻어질 수 있다. 예를 들어, 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.
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.
지표 데이터에 대하여 주파수 대역을 분리하는 과정을 도시한 도 7의 (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 7의 (B)는 도 7의 (A)의 각 레벨에서 주파수 대역을 도시한 것이다.
둘째, 시간 영역을 주파수 영역으로 변환하기 위해 Fast Fourier Transform (FFT)이 활용 가능하다. 도 8은 각각 지표 데이터의 시간 영역 파형(A) 및 주파수 영역 파형(B)을 예시한 도면이다.
셋째, 시간 영역에서 송신 파를 제외한 원 신호를 추출하기 위한 포락선 분석 방법으로서, Hilbert-Huang Transform (HHT)을 이용한 analytic signal이 활용 가능하다. 도 9을 참조하면, 힐버트 변환을 통해 원래의 신호와 크기는 같으나 위상이 직교인 허수 쌍을 생성함으로써 신호의 포락선을 얻을 수 있다.
도 10은 본 발명의 실시예들이 채택하고 있는 고장 지표 데이터에 대한 군집도를 산출하는 과정을 설명하기 위한 도면으로서, 추출된 특징값을 이용하여 고장 지표 데이터에 대한 군집도에 따라 각 고장에 대한 평가 기준의 명확성 수준을 결정하는 과정을 보여준다.
이를 위해, 미리 설정된 복수 개의 특징값(특징 벡터)에 대해 분류의 군집성 및 차별성을 기준으로 각 특징의 민감도를 측정하고, 측정된 민감도가 기준치 이상인 특징만을 고장 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.
보다 구체적으로, 미리 설정된 복수 개의 특징값(특징 벡터)에 대해 매칭(matching)된 '고장'을 클래스(class)로 하여 각각의 클래스의 군집도를 측정한다. 다음으로, 각 클래스 내부의 밀도(density)와 반비례하며, 서로 다른 클래스의 중심 값과의 거리(distance or metric) 평균에 비례하는 계산식으로 해당 클래스의 군집도를 산출한다. 이어서, 리스트 내부에 '의심 고장' 중 군집도가 가장 큰 순서로 고장에 대한 평가 기준의 명확성 수준을 1부터 N(리스트 내부 '의심 고장' 개수)까지 자연수로 설정한다.
이제, 명확성 수준이 '1'인 '의심 고장'부터 리스트 내부에 해당 '의심 고장'과 인과 관계가 있는 '의심 고장'을 같은 명확성 수준으로 재설정하고, 같은 명확성 수준에서 인과 관계에 따라 점검 순서를 재배열한다. 여기서, 인과 관계는 의심 고장 리스트에서 의심 고장들 간의 관계를 의미하며, 고장 확정 진단시 어떠한 의심 고장이 선행적으로 진단되어야 하는지를 표현한다. 의심 고장들 간의 선행 관계는 고장 확정 진단시 활용되는 방법론을 바탕으로 미리 설정될 수 있다. 예를 들어, 의심 고장 리스트에 "컨트롤 밸브의 조작 불량", "컨트롤 밸브의 작동 불량", "스위치 밸브의 작동 불량"이 포함되어 있는 경우 "컨트롤 밸브의 조작 불량" 및 "컨트롤 밸브의 작동 불량"은 현장에서 논리적으로 또는 기구적으로 밀접한 관계가 있기 때문에 "컨트롤 밸브의 조작 불량"에 대한 검사 직후에 "컨트롤 밸브의 작동 불량"에 대한 검사가 이루어지는 것이 바람직하다. 비록 특징값(특징벡터)에 의한 명확성 수준이 "컨트롤 밸브의 작동 불량" → "스위치 밸브의 작동 불량" → "컨트롤 밸브의 작동 불량"의 순서로 산출되었다고 하더라도 해당 의심 고장 항목들에 대해 미리 설정된 인과 관계에 의해 "컨트롤 밸브의 작동 불량" → "컨트롤 밸브의 작동 불량" → "스위치 밸브의 작동 불량"의 순서로 검사가 이루어지도록 점검 순서를 재배열할 수 있다.
도 10을 참조하면, 도 10의 (A)는 각 고장의 특징을 대상으로 클래스 내 샘플들 간 평균 거리를 산출하고, 각 특징에 대하여 전체 클래스의 군집 정도를 산출하는 과정을 보여준다. 예시된 class4의 경우 샘플들 간의 거리가 상대적으로 멀게 분포되어 밀도(density)가 낮은 것을 확인할 수 있다. 도 10의 (B)는 해당 특징에 대한 클래스 간 구별 정도를 도출하여 해당 특징의 전체 클래스에 대한 민감도 값을 얻는 과정을 보여준다. 예시된 class4의 경우 여타의 클래스와의 이격된 거리(distance)가 상대적으로 큰 것을 확인할 수 있다.
우선, 시간 영역에서는 측정된 신호의 에너지, 분포도, 진폭 등의 특징들을 추출하기 위해 다음의 표 3 및 표 4와 같이 대상 설비의 고장 진단에 관한 특징 파라미터 값들을 활용할 수 있다. 표 3은 시간 영역 파라미터와 그 의미를 설명한 것이고, 표 4는 주파수 영역 파라미터와 그 의미를 설명한 것이다.
Figure 112019129697626-pat00003
Figure 112019129697626-pat00004
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 고장 진단을 위해서는 효과적인 특징값(특징 벡터)만을 추출하는 기법들이 필수적이다.
본 실시예에서는 Distance Evaluation Technique (DET)을 통해 클래스(class)의 군집성과 차별성을 기준으로 각 특징의 민감도를 측정하고 이를 바탕으로 고장 진단에 효과적인 특징만을 일부 선택하는 전략을 취하였다. DET에 따라, 다수의 클래스, 고장 특징, 각 클래스별 일정 개수의 샘플로 구성된 행렬에서 각 고장의 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 고장 진단을 위한 특징값(특징 벡터)으로 선택함으로써 진단에 비효율적인 특징값(특징 벡터)들을 배제할 수 있다.
도 11은 본 발명의 일 실시예에 따른 도 3의 고장 진단 방법에서 의심 고장 리스트를 생성하는 과정(S340 단계)을 보다 구체적으로 도시한 흐름도이다.
S341 단계에서, 고장 진단 시스템은, 새롭게 입력된 기능 위치 및 관찰 현상에 따라 고장이 의심되는 기능 위치 및 고장 유형의 순서쌍을 미리 저장된 고장 지표 데이터로부터 적어도 하나 이상 선택한다. 이 과정에서는 기능 위치를 1차 기준으로 하여 미리 저장된 기능 위치 및 고장 유형의 순서쌍을 검색하고, 발견된 순서쌍을 가져온다. 통상적으로 다수의 순서쌍이 발견될 수 있다.
S342 단계에서, 상기 고장 진단 시스템은, S341 단계를 통해 선택된 기능 위치 및 고장 유형의 순서쌍을 이전에 도출된 군집도를 참조하여 고장 항목들의 특징이 명확한 정도에 비례하여 정렬함으로써 우선순위가 조정된 의심 고장 리스트로 생성한다. 즉, 임의의 순서 내지 고정된 순서로 의심 고장 항목들을 표시하는 것이 아니라, 보다 빠르고 정확한 고장 확정을 위해 고장 항목들의 특징이 명확한 의심 고장 항목을 상위에 배치되도록 순서를 조정한다. 따라서, 우선순위가 높은 의심 고장 항목이 리스트의 상위에 표시되고 더 빠른 검사를 받도록 유도함으로써 조기에 관찰 현상에 대한 고장 원인을 특정하도록 할 수 있다.
S343 단계에서, 상기 고장 진단 시스템은, S342 단계를 통해 생성된 의심 고장 리스트의 각 의심 고장 항목들 간의 인과 관계를 고려하여 명확성 수준을 재설정함으로써 상기 의심 고장 리스트의 점검 순서를 재배열할 수 있다. 앞서 설명한 바와 같이, 의심 고장 리스트에 포함되는 각 의심 고장 항목들 간에는 현장에서 발견되는 논리적/기구적인 상관 관계가 존재한다. 이를 의심 고장 항목들 간의 "인과 관계"로 미리 설정하고, 이를 참조하여 앞서 생성된 의심 고장 리스트의 점검 순서를 재배열함으로써 현장에서 보다 유기적이고 논리적인 순서의 점검을 수행할 수 있도록 유도한다.
도 12는 본 발명의 일 실시예에 따른 도 3의 고장 진단 방법에서 새롭게 입력된 관찰 현상이 고장 현상인지 여부를 결정하는 과정(S350 단계)을 보다 구체적으로 도시한 흐름도이다.
S351 단계에서, 고장 진단 시스템은, 앞서 생성된 의심 고장 리스트에 정렬된 순서에 따라 기능 위치 및 고장 유형의 순서쌍으로 구성된 각 의심 고장 항목별로 미리 정의된 검사(test) 항목을 표시하여 사용자로 하여금 검사를 유도할 수 있다. 그런 다음, S352 단계에서, 상기 고장 진단 시스템은, 사용자로부터 입력된 검사 결과에 따라 상기 관찰 현상이 어떠한 고장 현상인지를 확정하거나 또는 제거할 수 있다. 앞서 예시한 도 4에 따른 의심 고장 리스트에 대응하는 검사(test) 항목과 그 결과는 다음의 표 5와 같다.
Figure 112019129697626-pat00005
즉, 본 발명의 실시예들이 제안하는 고장 진단 시스템이 군집도를 고려하여 재정렬된 의심 고장 리스트를 생성하여 사용자에게 제공/표시하면, 사용자는 상위 순서로부터 의심 고장 항목에 대응하여 제시된 검사를 수행하고, 그 결과를 고장 진단 시스템에 입력하게 된다. 이러한 검사 결과에 따라 고장 진단 시스템은 새롭게 입력된 관찰 현상이 어떠한 고장 현상인지를 특정할 수 있다.
한편, S353 단계에서, 상기 고장 진단 시스템은, 검사 결과, 상기 관찰 현상이 특정 고장 현상인지 여부가 결정되면 결정된 상기 특정 고장 현상에 해당하는 의심 고장 항목보다 우선순위가 낮은 의심 고장 항목에 대한 검사를 생략하고 검사 과정을 종료할 수 있다. 앞서 의심 고장 리스트가 각 고장에 대한 평가 기준의 명확성이 높은 순서에 따라 재정렬되었으므로, 구현상의 필요에 따라 우선순위가 높은 의심 고장 항목에서 확정이 이루어졌다면, 이후의 검사 과정을 생략함으로써 시간과 검사에 따른 노력을 절감할 수 있다.
상기된 본 발명의 실시예들은, 고장의 특성을 나타내는 지표 데이터의 특징값을 추출하고 추출된 특징값 분포의 군집성을 척도로 하여 특징이 명확한 고장 순서로 진단을 수행함으로써 특징이 불명확한 고장에 대한 평가를 피할 수 있고, 그로 인해 고장 데이터가 반복적으로 누적될수록 특징값 분포의 군집성이 강화되며, 특징이 명확한 고장부터 확인이 이루어짐으로써 진단 속도와 정확도를 향상시킴과 동시에 높은 군집도를 갖는 고장 데이터를 통해 불확실성을 감소시키고 분석 신뢰도를 향상시킨다.
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.
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.
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.
200: 고장 진단 시스템
210: 입력부
230: 저장부
250: 프로세서
270: 의심 고장 리스트

Claims (10)

  1. 적어도 하나의 프로세서(processor)와 데이터 저장 수단을 구비하는 고장 진단 시스템이 대상 설비에 대한 고장을 진단하는 방법에 있어서,
    (a) 고장 진단 시스템이 대상 설비에 관하여 고장 여부를 관찰하고자 하는 기능 위치별로 고장이 발생한 상황에서의 고장 지표 데이터를 수집하여 고장 이력, 원인 및 유형과 함께 매칭(matching)하여 미리 저장하는 단계;
    (b) 상기 고장 진단 시스템이 상기 고장 지표 데이터로부터 미리 설정된 복수 개의 특징값을 추출하여 상기 고장 지표 데이터에 대한 군집도를 산출하는 단계;
    (c) 상기 고장 진단 시스템이 대상 설비에 관한 기능 위치와 해당 기능 위치에서 수집된 지표 데이터를 포함하는 관찰 현상을 새롭게 입력받는 단계;
    (d) 상기 고장 진단 시스템이 새롭게 입력된 상기 기능 위치 및 상기 관찰 현상에 따라 상기 군집도를 참조하여 고장 항목들의 특징이 명확한 순서대로 정렬된 의심 고장 리스트를 생성하는 단계; 및
    (e) 상기 고장 진단 시스템이 생성된 상기 의심 고장 리스트의 각 의심 고장 항목에 대해 순차적인 검사를 유도함으로써 새롭게 입력된 상기 관찰 현상이 고장 현상인지 여부를 결정하는 단계;를 포함하고,
    상기 (b) 단계는,
    설정된 복수 개의 특징값에 대해 매칭된 고장들 각각의 밀도와 반비례하며 서로 다른 고장의 중심 값과의 거리 평균에 비례하도록 군집도를 산출함으로써, 상기 군집도에 따라 각 고장에 대한 평가 기준의 명확성 수준을 결정하는, 고장 진단 방법.
  2. 제 1 항에 있어서,
    상기 (b) 단계는,
    (b1) 상기 고장 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 단계;를 더 포함함으로써 정형화된 고장 지표 데이터로부터 복수 개의 특징값을 추출하는, 고장 진단 방법.
  3. 제 1 항에 있어서,
    상기 (b) 단계는,
    (b2) 미리 설정된 복수 개의 특징값에 대해 분류의 군집성 및 차별성을 기준으로 각 특징의 민감도를 측정하고, 측정된 민감도가 기준치 이상인 특징만을 고장 진단을 위한 특징값으로 선택하는 단계;를 더 포함하는, 고장 진단 방법.
  4. 제 3 항에 있어서,
    상기 (b2) 단계는,
    DET(Distance Evaluation Technique)에 따른 다수의 클래스(class), 고장 특징, 각 클래스별 일정 개수의 샘플로 구성된 행렬에서 각 고장의 특징을 대상으로 클래스 내 샘플들 간 평균 거리를 산출하고, 각 특징에 대하여 전체 클래스의 군집 정도를 산출하며, 해당 특징에 대한 클래스 간 구별 정도를 도출하여 해당 특징의 전체 클래스에 대한 민감도 값을 획득하는, 고장 진단 방법.
  5. 제 3 항에 있어서,
    상기 (b) 단계는,
    (b3) 선택된 모든 특징값의 범위와 분산을 일정한 크기로 조정하는 스케일링(scaling)을 수행하는 단계;를 더 포함하는, 고장 진단 방법.
  6. 삭제
  7. 제 1 항에 있어서,
    상기 (b) 단계에서,
    상기 특징값은 데이터의 평균, 분산, 모멘트, 엔트로피 중 적어도 하나를 포함하고,
    상기 군집도는 동일한 고장이라고 판단된 특징값의 상대적인 거리의 평균으로 산출되는, 고장 진단 방법.
  8. 제 1 항에 있어서,
    상기 (d) 단계는,
    (d1) 새롭게 입력된 상기 기능 위치 및 상기 관찰 현상에 따라 고장이 의심되는 기능 위치 및 고장 유형의 순서쌍을 미리 저장된 상기 고장 지표 데이터로부터 적어도 하나 이상 선택하는 단계; 및
    (d2) 선택된 기능 위치 및 고장 유형의 순서쌍을 상기 군집도를 참조하여 고장 항목들의 특징이 명확한 정도에 비례하여 정렬함으로써 우선순위가 조정된 의심 고장 리스트로 생성하는 단계;를 포함하는, 고장 진단 방법.
  9. 제 8 항에 있어서,
    상기 (d) 단계는,
    (d3) 생성된 상기 의심 고장 리스트의 각 의심 고장 항목들 간의 인과 관계를 고려하여 명확성 수준을 재설정함으로써 상기 의심 고장 리스트의 점검 순서를 재배열하는 단계;를 더 포함하는, 고장 진단 방법.
  10. 제 1 항에 있어서,
    상기 (e) 단계는,
    (e1) 생성된 상기 의심 고장 리스트에 정렬된 순서에 따라 기능 위치 및 고장 유형의 순서쌍으로 구성된 각 의심 고장 항목별로 미리 정의된 검사(test) 항목을 표시하여 사용자로 하여금 검사를 유도하는 단계;
    (e2) 사용자로부터 입력된 검사 결과에 따라 상기 관찰 현상이 어떠한 고장 현상인지를 확정하거나 또는 제거하는 단계; 및
    (e3) 검사 결과, 상기 관찰 현상이 특정 고장 현상인지 여부가 결정되면 결정된 상기 특정 고장 현상에 해당하는 의심 고장 항목보다 우선순위가 낮은 의심 고장 항목에 대한 검사를 생략하고 검사 과정을 종료하는 단계;를 포함하는, 고장 진단 방법.
KR1020190167743A 2019-12-16 2019-12-16 고장 데이터의 군집에 기반한 고장 진단 방법 KR102123522B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190167743A KR102123522B1 (ko) 2019-12-16 2019-12-16 고장 데이터의 군집에 기반한 고장 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190167743A KR102123522B1 (ko) 2019-12-16 2019-12-16 고장 데이터의 군집에 기반한 고장 진단 방법

Publications (1)

Publication Number Publication Date
KR102123522B1 true KR102123522B1 (ko) 2020-06-16

Family

ID=71141853

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190167743A KR102123522B1 (ko) 2019-12-16 2019-12-16 고장 데이터의 군집에 기반한 고장 진단 방법

Country Status (1)

Country Link
KR (1) KR102123522B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098850A (zh) * 2020-09-21 2020-12-18 山东工商学院 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN114003015A (zh) * 2021-10-11 2022-02-01 清华大学深圳国际研究生院 混合不确定下的主动故障诊断方法、装置及存储介质
CN114879217A (zh) * 2022-07-12 2022-08-09 中国工程物理研究院应用电子学研究所 一种目标位姿的判断方法及系统
CN116319262A (zh) * 2023-05-24 2023-06-23 国网山西省电力公司长治供电公司 一种电能计量装置通信故障数据检测模型
CN116910175A (zh) * 2023-09-13 2023-10-20 人工智能与数字经济广东省实验室(广州) 自动化移动设备故障层级树构建方法、装置及储存介质
CN117113108A (zh) * 2023-07-19 2023-11-24 大唐保定热电厂 一种基于数据融合的电厂锅炉运行故障调节方法及系统
CN117666546A (zh) * 2024-01-31 2024-03-08 中核武汉核电运行技术股份有限公司 一种分布式控制系统故障诊断方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060077814A (ko) 2004-12-31 2006-07-05 한국기계연구원 공작기계의 고장 진단 시스템 및 방법
JP2010122847A (ja) * 2008-11-19 2010-06-03 Hitachi Ltd 装置異常診断方法及びシステム
KR101797400B1 (ko) * 2016-11-30 2017-11-15 울산대학교 산학협력단 확률밀도 기반의 고장 진단 방법 및 장치
KR101823746B1 (ko) * 2016-02-05 2018-01-30 울산대학교 산학협력단 베어링 고장 진단 방법
JP2018032229A (ja) * 2016-08-25 2018-03-01 三菱電機ビルテクノサービス株式会社 設備点検順位設定装置及び設備点検順位設定方法
KR101936283B1 (ko) * 2017-12-28 2019-01-08 주식회사 한국가스기술공사 기계적 결함에 대한 진단 및 예측 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060077814A (ko) 2004-12-31 2006-07-05 한국기계연구원 공작기계의 고장 진단 시스템 및 방법
JP2010122847A (ja) * 2008-11-19 2010-06-03 Hitachi Ltd 装置異常診断方法及びシステム
KR101823746B1 (ko) * 2016-02-05 2018-01-30 울산대학교 산학협력단 베어링 고장 진단 방법
JP2018032229A (ja) * 2016-08-25 2018-03-01 三菱電機ビルテクノサービス株式会社 設備点検順位設定装置及び設備点検順位設定方法
KR101797400B1 (ko) * 2016-11-30 2017-11-15 울산대학교 산학협력단 확률밀도 기반의 고장 진단 방법 및 장치
KR101936283B1 (ko) * 2017-12-28 2019-01-08 주식회사 한국가스기술공사 기계적 결함에 대한 진단 및 예측 방법

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098850A (zh) * 2020-09-21 2020-12-18 山东工商学院 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN112098850B (zh) * 2020-09-21 2024-03-08 山东工商学院 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN114003015A (zh) * 2021-10-11 2022-02-01 清华大学深圳国际研究生院 混合不确定下的主动故障诊断方法、装置及存储介质
CN114879217A (zh) * 2022-07-12 2022-08-09 中国工程物理研究院应用电子学研究所 一种目标位姿的判断方法及系统
CN116319262A (zh) * 2023-05-24 2023-06-23 国网山西省电力公司长治供电公司 一种电能计量装置通信故障数据检测模型
CN117113108A (zh) * 2023-07-19 2023-11-24 大唐保定热电厂 一种基于数据融合的电厂锅炉运行故障调节方法及系统
CN116910175A (zh) * 2023-09-13 2023-10-20 人工智能与数字经济广东省实验室(广州) 自动化移动设备故障层级树构建方法、装置及储存介质
CN116910175B (zh) * 2023-09-13 2023-12-01 人工智能与数字经济广东省实验室(广州) 自动化移动设备故障层级树构建方法、装置及储存介质
CN117666546A (zh) * 2024-01-31 2024-03-08 中核武汉核电运行技术股份有限公司 一种分布式控制系统故障诊断方法及装置
CN117666546B (zh) * 2024-01-31 2024-05-03 中核武汉核电运行技术股份有限公司 一种分布式控制系统故障诊断方法及装置

Similar Documents

Publication Publication Date Title
KR102123522B1 (ko) 고장 데이터의 군집에 기반한 고장 진단 방법
KR102141391B1 (ko) 군집 평가에 기반한 고장 데이터의 관리 방법
CN108985279B (zh) 多功能车辆总线mvb波形的故障诊断方法及装置
KR101936283B1 (ko) 기계적 결함에 대한 진단 및 예측 방법
US6622264B1 (en) Process and system for analyzing fault log data from a machine so as to identify faults predictive of machine failures
JP7340265B2 (ja) 異常検出装置、異常検出方法、およびプログラム
KR102278199B1 (ko) 조건부 확률에 기반한 진단 데이터의 관리 방법
KR100980603B1 (ko) 순차적 사슬형태의 단일클래스 분류기를 이용한 공정이상검출 방법
JPWO2007125941A1 (ja) 欠陥分布分類方法およびシステム、原因設備特定方法およびシステム、コンピュータプログラム、並びに記録媒体
KR102321607B1 (ko) 기계의 결함 검출 장치 및 방법
Ye et al. Adaptive board-level functional fault diagnosis using decision trees
US8271233B2 (en) Method of multi-level fault isolation design
CN114254671A (zh) 一种故障检测方法和相关装置
JP7354421B2 (ja) エラー要因の推定装置及び推定方法
JP2020027563A (ja) ヘルスモニタリングシステム
JP5178471B2 (ja) 最適部分波形データ生成装置及び方法ならびにロープ状態判定装置及び方法
JP4763562B2 (ja) ディレイ不良解析方法およびその装置
US20230081224A1 (en) Method and system for evaluating test data, wafer test system, and storage medium
CN110580700A (zh) 信息处理方法、信息处理装置及程序
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质
Tastimur et al. Defect diagnosis of rolling element bearing using deep learning
Ye et al. Self-learning and adaptive board-level functional fault diagnosis
KR20220096794A (ko) 회전기계의 결함을 진단하는 방법 및 시스템
CN114565883A (zh) 一种设备的运行故障用图形识别算法
JP2008117380A (ja) 診断プロセス支援方法とそのためのプログラム

Legal Events

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