KR102140532B1 - 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법 - Google Patents
빅데이터를 기반으로 하는 공기압축기의 고장진단 방법 Download PDFInfo
- Publication number
- KR102140532B1 KR102140532B1 KR1020190169342A KR20190169342A KR102140532B1 KR 102140532 B1 KR102140532 B1 KR 102140532B1 KR 1020190169342 A KR1020190169342 A KR 1020190169342A KR 20190169342 A KR20190169342 A KR 20190169342A KR 102140532 B1 KR102140532 B1 KR 102140532B1
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- pattern
- air compressor
- operating range
- normal operating
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003745 diagnosis Methods 0.000 claims abstract description 43
- 230000007257 malfunction Effects 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims description 43
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000001788 irregular Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007493 shaping process Methods 0.000 claims description 8
- 238000003915 air pollution Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 13
- 238000012423 maintenance Methods 0.000 description 9
- 238000002347 injection Methods 0.000 description 6
- 239000007924 injection Substances 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/10—Other safety measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
본 발명은 산업현장에서 공기압축기의 운전 정보로부터 공기압축기의 운전정보에 관련된 빅데이터(BIG DATA)를 수집하고, 이 빅데이터를 기반으로 정상작동과 오작동에 관련된 패턴을 추출하여 고장 시그널을 정형화함으로써 고장진단과 예측이 가능하게 하여 공기압축기를 최적으로 운용 및 유지하고 관리할 수 있도록 한 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법에 관한 것이다.
본 발명은 공기압축기의 운전정보를 수집하는 단계; 공기압축기의 운전정보로부터 주요 고장인자를 선정하고 이들의 정상작동범위값을 도출하는 단계; 수집된 주요 고장인자의 정상작동범위값 내에서 정상작동과 오작동에 대한 패턴을 분석하고 도출하는 단계; 정상작동과 오작동에 대한 패턴을 통해 고장 시그널을 정형화하는 단계;로 이루어진 것에 요지가 있다.
본 발명은 공기압축기의 운전정보를 수집하는 단계; 공기압축기의 운전정보로부터 주요 고장인자를 선정하고 이들의 정상작동범위값을 도출하는 단계; 수집된 주요 고장인자의 정상작동범위값 내에서 정상작동과 오작동에 대한 패턴을 분석하고 도출하는 단계; 정상작동과 오작동에 대한 패턴을 통해 고장 시그널을 정형화하는 단계;로 이루어진 것에 요지가 있다.
Description
본 발명은 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법에 관한 것으로, 보다 상세하게는 산업현장에서 공기압축기의 운전 정보로부터 공기압축기의 운전정보에 관련된 빅데이터(BIG DATA)를 수집하고, 이 빅데이터를 기반으로 정상작동과 오작동에 관련된 패턴을 추출하여 고장 시그널을 정형화함으로써 고장진단과 예측이 가능하게 하여 공기압축기를 최적으로 운용 및 유지하고 관리할 수 있도록 한 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법에 관한 것이다.
다양한 산업분야에서 널리 사용되는 공기압축기는 에너지 다소비 설비로서, 이러한 공기압축기의 효율적인 운전과 유지관리, 고장·진단 등은 원가 절감의 한 방편으로서 피할 수 없는 수단이 되고 있으며, 에너지소비 및 에너지효율과 관련된 연구대상으로서도 많은 과제를 안고 있다.
대용량 동력설비인 공기압축기는 현장에서 고장 및 오작동 문제들을 파악하기에는 그 범위가 넓고 다양하여 한정된 인력으로 해당 문제들에 대해 대응하기에는 한계가 있다. 이에 실시간으로 운전 상태 및 각 부품 단위로 정상 작동여부 등은 알 수가 없고 오직 장치에 장애가 발생하거나 유지보수 기간동안에 정비과정에서만 그 상태가 파악되고 있다.
따라서 공기압축기가 고장나면 주요 생산설비가 정지되어 생산에 막대한 지장을 주게 되므로 현장에서 발생하는 작동 문제들에 대응하고 에너지를 절감하기 위한 다양한 방안들이 개발되고 있다. 이들을 참고문헌을 통해 살펴본다.
참고문헌1에; 공기압축기의 순간 유량을 데이터베이스에 수집하는 단계, 상기 데이터베이스에 수집된 순간 유량으로부터 공기압축기의 실시간 가동 대수와 실시간 필요 가동 대수를 비교하는 단계, 실시간 필요 가동 대수에 따른 비교 결과를 제시하는 단계로 이루어져 공기압축기의 실시간 필요 가동 대수를 산출하고, 이를 실제 가동 대수와 비교함으로써 부하율을 최대로 향상시킬 수 있도록 한 에너지 절감을 위한 공기압축기 시스템의 운전방법이 개시되어 있다.
참고문헌2에; 오일을 걸러낸 압축공기만을 배출하며, 한 쌍의 암수 스크류를 구동시키기 위한 모터를 구동시키는 모터구동부와, 공기와 오일이 공급 및 배출되는 유로에 설치된 밸브를 구동시키는 밸브구동부와, 상기 각 구동부에 제어신호를 송출하는 제어부 및 스크류 압축기의 작동상태와 제어 정보를 표시하는 표시부를 포함하여 구성된 스크류 압축기용 디지털 제어장치가 개시되어 있다.
참고문헌3에; 공기 압축기의 모터를 가변속 제어하여 동력효율을 높일 수 있으며, 공기 압축기를 안정적으로 운용하며 정압 제어의 속응성을 향상시킬 수 있고, 실제적인 압력변화에 기반한 세분화된 운전모드를 통해 보다 체계적이고 효과적으로 운용할 수 있도록 한 인버터 압축기 시스템의 제어방법이 기재되어있다.
참고문헌4에; 설정 압력보다 높은 언로딩(Unloading) 압력과 설정 압력 보다 낮은 로딩(Loading) 압력을 설정하고, 압축공기의 압력이 언로딩 압력에 도달하면 흡기 밸브를 닫고 공기 압축기에 포함된 모터의 구동 속도를 최소화함으로써 무부하 운전을 수행하여 로딩 압력에 도달할때까지 압축 공기의 압력을 떨어뜨려 밸브를 열어 압력이 증가하는 변화량을 조사하여 압축 공기의 압력 변화량에 따라 모터의 구동 속도를 조절할 수 있도록 한 공기압축기 시스템에 관해 개시되어 있다.
참고문헌5에; 인버터형 공기 압축기와 표준형 공기 압축기를 병렬로 운전하여, 인버터형 공기 압축기가 먼저 압축 공기를 생산하고, 인버터형 공기 압축기가 최대량으로 압축 공기를 생산함에도 불구하고 압축 공기의 압력이 지속적으로 떨어져서 로딩 압력 미만으로 떨어지면, 표준형 공기압축기를 가동시키고 압력의 변화량을 모니터링 하면서 인버터형 압축기의 압축 공기 생산량을 조절할 수 있도록 한 공기 압축기 병렬운전 시스템이 개시되어 있다.
그 밖에, 참고문헌6에; 기동방식에 의해 작동되는 압축기로 부터 생성된 압축공기를 사용처로 공급하도록 수용저장하는 리시버탱크에 대한 미리 설정된 목표압력과 압력센서에 의해 검출된 리시버탱크내의 압력에 따라 상기 압축기를 제어하는 컨트롤박스에 보조적으로 상기 압축기의 모터 속도를 인버터를 통하여 제어하는 압축기 보조제어장치를 갖춘 압축기가 개시되어 있다.
상기에서 살펴본 공기압축기의 효율적인 관리 및 운용장치와 방법 등은 고장 발생 등에 적극적으로 대응하지 못하는 것이어서 공기압축기의 고장 진단에 관련한 장치와 방법에 관한 연구들도 진행되고 있다.
참고문헌7에; WCDMA를 이용한 양방향 무선통신모듈과 고장 진단 인자를 활용한 고장진단모듈을 이용하여 공기압축기를 실시간으로 모니터링함에 따라 압축기의 효율을 높이고 소비전력을 줄일 뿐만 아니라 고장이력 저장 및 제어 관리함에 따라 공기압축기의 유지보수 비용 절감할 수 있는 고장진단모듈을 내장한 공기압축기가 개시되어 있다.
또 참고문헌8에; 공기압축기에 진동센서를 부착하여 진동변화의 추이를 분석하며, 메인로터 및 게이트로터의 회전축 종단 각각에 부착하는 갭센서로 축방향 변위의 변화추이를 분석하여 이상부위를 판단하고, 관리자에게 통보함으로써 필요한 조치를 신속하게 할 수 있도록 하는 싱글스크류 공기압축기 고장진단시스템이 개시되어 있다.
또 참고문헌9에; 다수의 공기 압축기들이 설치되어 있는 공장이나 산업 현장에서 해당 공기 압축기들에 탑재된 구동모터들의 상태를 원격지에서 모니터링하여 고장 여부를 진단할 수 있는 기법을 제공하고, 원격지에서 복수의 공기 압축기들의 온도를 모니터링하여 구동 모터의 동작을 제어할 수 있도록 하는 기법을 제공하는 공기압축 시스템 모니텅링 장치 및 동작방법이 개시되어 있다.
또 참고문헌10에; 입력 공기의 압력을 측정하는 입력측 압력센서, 입력된 공기를 압축하는 공기압축장치, 출력되는 공기의 압력을 측정하는 출력측 압력센서, 출력되는 공기의 온도를 측정하는 출력측 온도센서, 상기 입력측 압력센서와 출력측 압력센서의 압력 및 출력측 온도센서로 소비전력 및 전효율을 구하고, 공기압축장치의 동작상태를 인지하는 제어부를 포함하는 공기압축 시스템이 개시되어 있다.
상기에서 살펴본 종래 기술은 단순 실시간 모니터링, 설비 효율 등에 관한 제어기술이며, 단순한 에너지점검 수준으로 적용되어 관리적 측면에서 일부 기여하고 있으나 데이터 분석에 의한 유지관리 기능, 고장 진단 기술, 유지관리 예측 등의 시스템 구축에는 매우 미흡하였다.
즉, 종래의 고장진단 시스템은 정상가동범위에 대한 설정값을 제시하고 이를 기준으로 정상가동범위를 벗어나면 고장을 진단하고 예측을 하는 정도에 그치게 되어 정상작동과 오작동(고장, 이하 오작동이라 한다.)에 대한 보다 정확한 진단이 내릴 수 없고, 이러한 고장 진단과 더불어 고장 패턴을 분석하고 예측하기에는 부족하였다.
본 발명은 현장에서 획득한 공기압축기의 성능 및 출력자료 등의 빅데이터를 기반으로 하여 정상작동여부 및 고장발생가능성 등에 대한 패턴을 분석하고 도출하여 고장 시그널을 정형화함으로써 더욱 정확한 고장진단과 예측이 가능하게 하여 공기압축기의 고장에 대해 사전/사후로 능동적으로 대처할 수 있게 하고자 한다.
본 발명은 공기압축기가 설치된 룸의 작업환경을 고려하여 룸 환경과 공기압축기의 상관관계를 도출하고 이를 공기압축기의 고장진단과 예측에 적극 활용함으로써 공기압축기의 효율적인 운용과 관리에 더욱 기여하고자 한다.
상기 과제해결을 위한 본 발명은,
공기압축기의 운전정보를 수집하는 단계; 공기압축기의 운전정보로부터 주요 고장인자를 선정하고 이들의 정상작동범위값을 도출하는 단계; 수집된 주요 고장인자의 정상작동범위값 내에서 정상작동과 오작동에 대한 패턴을 도출, 분석하는 단계; 정상작동과 오작동에 대한 패턴을 통해 고장 시그널을 정형화하는 단계;로 이루어진다.
상기 공기압축기의 운전정보를 수집하고, 수집된 운전정보의 분석을 통해 주요 주요 고장을 일으키는 고장인자로 압축공기 출구압력, 오일세퍼레이터 오일온도, 에어필터 차압을 선정하여 이들의 정상작동범위값을 도출하는 단계; 상기 주요 고장인자가 정상작동범위값 내에서 어떤 변화를 보이는지 패턴을 추출하는 단계; 상기 주요 고장인자의 패턴 별로 상관관계인자와 관련성을 분석하고 정상작동과 오작동에 대한 정보를 수집, 분석하는 단계;를 포함한다.
상기 고장인자 중 출구압력의 압력변화 주기가 정상작동범위값 내에서 일정한 시간 내에서 단위 시간마다 규칙적인 흐름의 패턴을 보일 때 최적의 운전상태로 분석하는 단계; 출구압력의 압력변화 주기가 정상작동범위값 내에서 일정한 시간 내에서 단위 시간마다 불규칙한 패턴을 보일 때에는 상관관계인자를 분석하고 상기 패턴을 고장발생요인으로 분석하는 단계; 출구압력의 압력변화 주기가 정상작동범위값 내에서 규칙적인 흐름의 패턴을 보일 때에는 최적의 정상운전 시그널로 분류하여 정형화하는 단계; 출구압력의 압력변화 주기가 정상작동범위값 내에서 불규칙적인 흐름의 패턴을 보일 때에는 고장예측 시그널로 분류하고 정형화하는 단계;를 포함한다.
상기 고장인자 중 오일세퍼레이터 오일온도의 변화가 정상작동범위값 내에서 일정한 시간 내에서 단위 시간마다 규칙적인 폭과 간격을 갖는 패턴을 보일 때 최적의 운전상태로 분석하는 단계; 오일세퍼레이터 오일온도의 변화가 정상작동범위값 내에서 불규칙한 폭과 간격의 패턴을 보일 때에는 상관관계인자를 도출, 분석하고 상기 패턴을 고장발생요인으로 분석하는 단계; 오일세퍼레이터 오일온도의 변화가 정상작동범위값 내에서 규칙적인 폭과 간격의 패턴을 보일 때에는 최적의 정상운전 시그널로 분류하여 정형화하는 단계; 오일세퍼레이터 오일온도의 변화가 정상작동범위값 내에서 불규칙적인 폭과 간격의 패턴을 보일 때에는 고장예측 시그널로 분류하고 정형화하는 단계;를 포함한다.
상기 고장인자 중 에어필터 차압의 압력변화 주기가 정상작동범위값 내에서 일정한 시간 내에서 단위 시간마다 규칙적인 흐름의 패턴을 보일 때 최적의 운전상태로 분석하는 단계; 에어필터 차압의 압력변화 주기가 정상작동범위값 내에서 일정한 시간 내에서 단위 시간마다 불규칙한 패턴을 보일 때에는 상관관계인자를 분석하고 상기 패턴을 고장발생요인으로 분석하는 단계; 에어필터 차압의 압력변화 주기가 정상작동범위값 내에서 규칙적인 흐름의 패턴을 보일 때에는 최적의 정상운전 시그널로 분류하여 정형화하는 단계; 에어필터 차압의 압력변화 주기가 정상작동범위값 내에서 불규칙적인 흐름의 패턴을 보일 때에는 고장예측 시그널로 분류하고 정형화하는 단계;를 포함한다.
상기 주요 고장인자와 공기압축기가 설치된 룸(Room)의 내부 온도와 습도, 공기오염도(VOC) 간의 상관관계를 진단하고, 이들과의 상관관계를 통해 공기압축기의 정상작동과 오작동에 대한 데이터를 수집, 분석하는 단계;를 포함한다.
상기 고장 시그널 정형화는 추출, 분석된 패턴과 고장인자와 관련도와 따라 그 유형을 분류하고 명명하는 단계로 이루어진다.
본 발명은 공기압축기의 운전정보를 수집, 획득한 빅데이터를 기반으로 공기압축기의 정상작동과 오작동에 대해 패턴을 추출하여 분석하고, 고장 시그널을 정형화하여 즉각적인 유지보수(Reactive형) 및 고장진단과 예측(Predictive 형)이 가능하게 됨으로써 공기압축기의 고장에 대해 사전과 사후로 신속하고도 능동적으로 대처할 수 있다.
본 발명은 공기압축기의 외부환경 특성을 고려하여 공기압축기의 상관관계를 도출하고 이를 공기압축기의 고장진단과 예측에 적극 활용함으로써 공기압축기의 운용과 관리를 현장에서 보다 즉각적이고 정확하게 대응할 수 있다.
본 발명은 공기압축기의 정상가동 데이터와 고장에 영향을 주는 인자를 수집하여 패턴을 분석하고 정형화함으로써 정확한 고장진단과 유지보수 및 고장진단예측으로 공기압축기를 최적으로 운용 관리할 수 있다.
도 1은 본 발명에 따른 전체 시스템의 개요도
도 2A 내지 도 2C는 본 발명 중 출구압력의 패턴 분석도
도 3A 내지 도 3C는 본 발명 중 오일온도의 패턴 분석도
도 4A 내지 도 4C는 본 발명 중 오일필터 차압의 패턴 분석도
도 5는 본 발명 중 패턴 인식 및 매칭기반의 신호 분석을 위한 기본 및 오류 사이클 비교도
도 6은 본 발명 중 공기압축기 문제발생으로 인한 빅데이터 분석도
도 7은 본 발명의 공기압축기 고장진단 관리 시스템의 전체 흐름도
도 2A 내지 도 2C는 본 발명 중 출구압력의 패턴 분석도
도 3A 내지 도 3C는 본 발명 중 오일온도의 패턴 분석도
도 4A 내지 도 4C는 본 발명 중 오일필터 차압의 패턴 분석도
도 5는 본 발명 중 패턴 인식 및 매칭기반의 신호 분석을 위한 기본 및 오류 사이클 비교도
도 6은 본 발명 중 공기압축기 문제발생으로 인한 빅데이터 분석도
도 7은 본 발명의 공기압축기 고장진단 관리 시스템의 전체 흐름도
본 발명은 공기압축기의 운전 정보로부터 공기압축기의 정상작동과 고장 등,오작동에 관한 빅데이터(BIG DATA)를 수집하고, 이 빅데이터를 기반으로 정상작동과 오작동에 관련된 패턴을 추출하여 고장 시그널을 정형화함으로써 즉각적인 고장진단과 고장예측이 가능하게 하고자 하는 것이다.
(본 발명에서는 공기압축기의 정상작동과 오작동에 관한 데이터, 공기압축기의 주요 고장요인에 대한 데이터, 오작동을 발생시키는 상관관계인자에 대한 데이터, 공기압축기가 설치된 룸의 환경에 관한 데이터와 이들 데이터 간의 상관관계에 관한 데이터 등을 빅데이터라 한다.)
본 발명은 공기압축기의 운전정보를 수집하고 이 데이터를 기반으로 공기압축기의 정상작동과 오작동에 관련된 패턴을 분석하고 고장 시그널을 정형화하여 유지보수(Reactive형)와 고장진단예측(Predictive형)이 가능하도록 한 것에 특징이 있다.
본 발명은 패턴의 분석을 통해 공기압축기의 외부환경과 고장요인 간의 상관관계를 도출하고 이를 공기압축기의 고장진단과 예측에 적극 활용함으로써 공기압축기의 고장진단과 관리를 현장에서 보다 즉각적이고 정확하게 대응할 수 있도록 구성한다.
본 발명은 대분하여 공기압축기의 운전정보를 수집하여 주요 고장인자의 정상작동범위값을 도출하는 단계, 수집된 주요 고장인자의 정상작동범위값 내에서 정상작동과 오작동 패턴을 분석하고 도출하는 단계, 도출된 정상작동과 오작동 패턴을 통해 고장 시그널을 정형화하는 단계 등으로 이루어진다.
공기압축기의 고장을 일으키는 주요 고장인자에 대한 정보를 수집한다. 본 발명에서 고장을 일으키는 주요 고장인자로는 압축공기의 생산압력, 오일세퍼레이터의 출구의 오일온도, 에어필터의 차압 등으로 설정하고 이에 관한 운전정보를 수집한다.
물론 상기 주요 고장인자는 상기 외에 오일세퍼레이터 차압, 메인모터 전류, 오일인젝션 압력 등이 포함될 수 있는 것으로, 본 발명에서는 대표적인 예를 제시하였다.
상기 주요 고장인자에 대한 정보는 공기압축기의 운전정보에 관한 데이터를 장기간에 걸쳐 수집하고 분석하여 주요 고장인자를 도출하고 고장인자에 대한 정상작동범위값을 도출하여 이에 대한 운전정보와 정상작동범위 값에 대한 데이터를 수집, 획득한다.
본 발명에서 상기 주요 고장인자가 정상작동범위값 내에서 보이는 변화를 패턴 별로 분석하고, 분석된 패턴에 따라 고장 시그널을 정형화하여 공기압축기의 고장진단과 예측이 이루어지게 구성한다.
이에 대해서는 후술에서 보다 본격적으로 상세히 설명할 것이다.
또 본 발명은 이러한 주요 고장인자와 외부 환경, 곧 공기압축기가 설치된 룸(Room)의 환경, 곧 룸 내부 온도와 습도, 공기오염도(VOC)에 대한 데이터를 수집하여 이들과 주요 고장인자 간의 상관관계를 진단하고, 공기압축기의 고장진단과 예측이 이루어지게 한다.
또 공기압축기의 고장 진단과 예측을 통해 공기압축기 고장원인 분석 및 대응을 체계화한다.
이하 본 발명의 실시내용을 구체적으로 살펴본다.
본 발명은 공기압축기의 운전정보를 수집하고 수집된 운전정보의 분석을 통해 주요 고장인자를 선별하고, 선별된 주요 고장인자에 관한 정상작동범위값을 분석, 도출한다.
주요 고장인자는 압축공기 생산압력(이하, 압축공기 출구압력이라 한다.), 오일세퍼레이터 출구의 오일온도(이하, 오일세퍼레이터 오일온도라 한다.), 에어필터 차압으로 선정하였으나 오일세퍼레이터 차압, 메인모터 전류, 오일인젝션 압력 등을 더 포함할 수 있을 것이다.
상기 주요 고장인자 - 출구압력에 관한 데이터와, 오일온도에 관한 데이터, 에어필터의 차압 데이터를 수집하여 이들의 정상작동범위값을 도출한다.
상기 정상작동범위값이란 공기압축기의 전류, 오일온도, 필터 차압 등의 정보를 실시간 수집하고 분석하여 오작동없이 정상적으로 운전되는 범위 내의 값으로, 이러한 정상작동범위에 대한 데이터는 기성 데이터를 활용할 수 있을 것이다.
상기 주요 고장인자인 압축공기 출구압력, 오일세퍼레이터의 오일온도, 에어필터의 차압에 대해 그들의 정상작동 범위 내에서 어떤 변화와 추이를 보이는지 정보를 추출하여 패턴을 분석한다.
공기압축기 운전 중의 동작신호(출구압력, 오일 온도, 필터 차압 등)는 시간에 따라 다양한 형태 및 변화를 가지고 있다.
시간에 변화되는 형태 등을 통해 얻어진 정보들을 현장 및 고장상황에 따라 분류하고 고장진단을 위한 데이터를 획득한다.
상기 추출된 패턴 정보와 패턴에 따른 정상작동과 오작동에 대한 정보를 수집하여 분석하고, 패턴 별로 도출되는 여러 상관관계와 고장유형을 진단하고 분석하여 고장 시그널을 정형화한다.
고장시나리오를 통해 본 발명을 더 구체적으로 살펴본다.
# 고장시나리오 1.
기존에는 공기압축기의 특정 요소에 대해 정상작동범위값을 기준값으로 설정하고 기준값의 허용범위를 벗어나면 고장으로 진단, 예측하였다.
그러나 본 발명은 압축공기 생산과정에서의 고장인자가 정상작동범위값 내에서 가동되고 있을 때 정상작동범위값 내에서 어떠한 변화를 보이는 지 패턴을 추출하고 패턴을분석하여 고장을 진단하고 예측한다.
예컨대, 공기압축기의 압축공기 생산과정에서 압축공기가 출력되는 출구압력의 정상작동범위값을 6~7bar로 가정한다.
공기압축기 운전 중에 동작신호(출구압력, 오일 온도, 필터 차압 등)는 시간에 따라 다양한 변화를 가지고 있다.
시간에 따라 변화되는 형태 등을 통해 얻어진 정보들을 현장 및 고장상황에 따라 분류하고 이의 고장진단을 위해 데이터를 획득한다.
[패턴인식 및 패턴매칭 기반의 신호 분석]
압축공기 출구압력의 압력을 정상작동범위값 내에서 변화되는 모양을 모니터링한다.
일례로, 도 2A에서와 같이 정상 작동범위값 내에서 상기 출구압력이 1시간 당 10분 단위 마다 압력변화의 주기가 규칙적인 흐름을 보일 때 최적의 운전상태로 분석한다.
그러나 도 2B에서와 같이 출구압력이 정상작동범위값 내에 있으면서 압력변화의 주기가 매 10분 단위로 짧아졌다가 다시 10분 단위로 정상을 회복하고 다시 10분 단위로 짧아지는 모양을 반복하는 불규칙한 패턴을 보일 때에는 공기압축기의 압력증가가 발생하지 않아 결과적으로 출력압력이 점차 낮아지게 된다. 따라서 상기 패턴을 고장발생요인으로 진단하고 상관관계인자를 조사, 분석한다.
상기 패턴은 분석을 통해 오일온도, 팬모터전류와 상관관계가 있음을 확인할 수 있다.
또 출구압력의 정상작동범위값 내에서 도 2C와 같이 1시간의 전후 25분에 압력의 변동이 규칙적인 모양을 보이지만 중앙 시점에서 불교칙한 패턴을 보이는 경우에는 상관관계인자의 진단과 분석에 따라 외부 환경에 의한 고장발생요인으로 분석, 진단할 수 있다.
따라서 외부 환경 요인에 대해 조사, 분석한다. 즉, 공기압축기가 설치된 룸의 온도, 습도, 공기오염도를 측정, 확인한다.
[패턴에 따른 고장 시그널 정형화]
압축공기 출구압력의 정상작동범위값 내에서 도 2A에서와 같이 정상작동범위 내에서 출구압력의 압력변화 주기가 1시간 당 10분 단위 마다 규칙적인 흐름을 보이는 패턴은 최적의 정상운전 시그널로 분류한다.
출구압력의 정상작동범위값 내에서 도 2B과 같이 압력변화의 주기가 매 10분 단위로 짧아졌다가 다시 10분 단위로 정상을 회복하고 다시 10분 단위로 짧아지는 모양을 반복하는 불규칙한 패턴을 보이는 경우에는 오일온도, 팬모터전류와 상관관계있음을 진단하고 고장예측 시그널로 분류한다.
출구압력의 정상작동범위값 내에서 도 2C와 같이 20분 전후로는 압력의 변동이 규칙적인 모양을 보이지만 중앙 부분에서 불교칙한 패턴을 보이는 경우에는 외부 환경에 의해 영향받고 있음을 진단하고 외부환경에 의한 고장예측 시그널로 분류한다.
이와 같이 출구압력이 정상 운전상태에에서 발생하는 모양에 비해서 다른 이형태의 모양들(Different cycle, Error cycle 등)이 발생되는 경우에는 그 발생되는 패턴을 분석, 도출하여 고장진단과 예측하는 시그널로 정형화한다.
실제 이러한 패턴들은 산업현장 및 공정상 항상 발생할 수 있으며, 이를 모니터링하여 고장을 미리 예측하고 해결할 수 있는 기반정보가 될 수 있다.
이후 이러한 모양(신호)들을 기반으로 고장을 진단하고 수리를 한다는 개념으로 패턴의 분석은 본 발명에서 중요한 의미를 가진다.
물론 모든 생산 공정에서 발생할 수 있는 모양(신호)는 대개 수 백 가지의 패턴으로 이루어질 수 있으나 본 발명에서는 주요 고장인자들에 대한 운전정보를 수집하고 이 정보들이 갖는 정상 및 오류 패턴을 찾아 분석한다.
상기한 패턴을 분석하기 위한 매턴매칭기법을 활용할 수 있으며, 패턴매칭의 알고리즘을 구성하기 위해 다음 세 가지 분석을 활용할 수 있다.
곧, ① 시계열 분석 ② 정상신호로부터의 벗어난 정도, 그리고 ③ 시간과 패턴에서의 편차 등으로 분석할 수 있을 것이다.
이와 같이 생산압력의 정상작동범위값 내에서 시간에 따른 압력의 주기 변동은 시간이 지남에 따라 정상신호로부터의 변화도가 점점 달라지고 심화되어 간다.
본 발명에서는 정상작동범위값 내에서 패턴을 다양한 기법과 방법으로 분석하여 그 변화에 따라 해당 패턴이 어떤 고장유형으로 연계되는 지를 분석한다.
이러한 분석을 토대로 고장 시그널을 정형화한다.
위에서 살펴본 바와 같이 정상적인 흐름의 패턴을 보이는 경우에는 안정적인 흐름의 운전 시그널로, 불규칙하고 비정상적인 흐름을 보이는 경우에는 오작동 시그널로 각각 정형화하는 것이다.
# 고장시나리오 2.
예컨대, 공기압축기의 정상적인 압축공기 생산과정에서 오일세퍼레이터의 오일 온도에 대한 정상작동범위값을 90~100℃로 가정한다.
상기 오일세퍼레이터의 오일온도가 정상작동범위값(90~100℃) 내에서 가동되고 있을 때 변화되는 패턴을 추출하고 분석한다.
2시간 당 15분 단위로 정상작동범위값(90~100℃) 내에서 오일온도가 변화되는 양상을 모니터링하여 변화의 폭과 간격이 도 3A와 같이 규칙적인 흐름을 보일 때 최적의 운전상태로 분석한다.
그러나 도 3B와 같이 오일온도가 정상 작동범위 내에서 있으면서도 온도변화의 폭과 간격이 짧아지거나 짧아지는 모양을 반복하는 패턴을 보일 때에는 고장발생요인으로 진단하고 상관관계를 조사, 분석한다.
상기 패턴은 상관관계인자의 분석을 통해 압축공기온도, 오일인젝션 압력, 팬모터 전류와 상관관계가 있음을 확인할 수 있다.
그리고 도 3C와 같이 온도 변화의 폭과 간격이 전체적으로 불규칙하고 주기 역시 불규칙할 경우에는 상관관계인자의 진단과 분석에 따라 외부 환경에 의한 고장발생요인으로 분석, 진단할 수 있다.
따라서 외부 환경요인인 공기압축기가 설치된 룸의 온도, 습도, 공기오염도를 측정, 확인하고 관련 문제를 시정한다.
[패턴에 따른 고장 시그널 정형화]
오일세퍼레이터의 오일온도가 정상작동범위값(90~100℃) 내에서 도 3A에서와 같이 2시간 당 15분 단위로 규칙적인 흐름을 보이는 패턴은 최적의 정상운전 시그널로 분류한다.
오일세퍼레이터의 오일온도가 정상작동범위값 내에서 도 3B과 같이 온도변화의 주기가 짧아지거나 짧아지는 모양을 반복하는 패턴을 보이는 경우에는 압축공기온도, 오일인젝션 압력, 팬모터 전류와 상관관계있음을 진단하고 고장예측 시그널로 분류한다.
오일세퍼레이터의 오일온도가 정상작동범위값 내에서 도 3C와 같이 전체적으로 불규칙하고 주기 역시 불규칙할 경우에는 외부 환경에 의해 영향받고 있음을 진단하고 외부환경에 의한 고장예측 시그널로 분류한다.
# 고장시나리오 3.
예컨대, 공기압축기의 압축공기 생산과정에서 에어필터 차압의 정상작동범위값을 0.15~0.2ΔP로 가정한다.
도 4A에서와 같이 정상작동범위값 내에서 2시간 당 15분 단위 마다 규칙적인 주기와 변동의 폭을 보일 때 최적의 운전상태로 분석한다.
그러나 도 4B와 같이 에어필터 차압이 정상작동범위값 내에 있으면서 차압의 변화 주기와 변동의 폭이 매 10분 단위로 짧아졌다가 다시 10분 단위로 정상을 회복하고 다시 5분 단위로 짧아졌다가 5분 단위로 회복하는 모양을 반복하는 불규칙한 패턴을 보일 때에는 상기 패턴을 고장발생요인으로 진단하고 상관관계인자를 조사, 분석한다.
상기 패턴은 상관관계인자의 분석을 통해 메인모터전류와 상관관계가 있음을 확인할 수 있다.
또 에어필터 차압이 정상작동범위값 내에서 도 4C와 같이 차압의 변화 주기와 변동 폭이 전체적으로 매우 불안정하고 불규칙적인 모양을 보이는 경우에는 상관관계인자의 진단과 분석에 따라 외부 환경에 의한 고장발생요인으로 분석, 진단할 수 있다.
따라서 외부 환경 요인에 대해 조사, 분석한다. 즉, 공기압축기가 설치된 룸의 온도, 습도, 공기오염도를 측정, 확인한다.
[패턴에 따른 고장 시그널 정형화]
에어필터 차압이 정상작동범위값(0.15~0.2ΔP) 내에서 도 4A와 같이 2시간 당 15분 단위 마다로 규칙적인 주기와 변동의 폭을 보이는 패턴은 최적의 정상운전 시그널로 분류한다.
에어필터 차압이 정상작동범위값 내에서 도 4B과 같이 차압의 변화 주기와 변동의 폭이 매 10분 마다 짧아졌다가 다시 10분 단위로 정상을 회복하고 다시 5분 단위로 짧아졌다가 5분 단위로 회복하는 모양을 반복하는 불규칙한 패턴을 보이는 경우에는 메인모터전류와 상관관계있음을 진단하고 고장예측 시그널로 분류한다.
에어필터 차압이 정상작동범위값 내에서 도 4C와 같이 차압의 변화 주기와 변동 폭이 전체적으로 매우 불안정하고 불규칙적인 모양을 보이는 경우에는 외부 환경에 의해 영향받고 있음을 분석, 진단하고 외부환경에 의한 고장예측 시그널로 분류한다.
상기한 고장시나리오 1 내지 3에서 고장 시그널 정형화라는 고장신호에 대해 일정한 유형으로 분류하고 부여하는 것이다.
예를 들면 고장인자와 관련도와 따라 팬모터고장형(Type), 오일인젝션압력고장형, 메인모터고장형, 복합형 등으로, 특정 패턴에 관련된 고장인자의 명칭에 따른 유형으로 명명하고 분류한다.
이러한 고장인자와의 관련도에 따라 그 유형을 분류하고 정형화한다.
이상에서와 같은 고장시나리오의 다양한 상황들을 고려하여 신호에 대한 패턴매칭기법 등을 적용하여 패턴을 분석하고 상관관계 인자와의 관련성 등을 진단, 분석함으로써 고장진단과 예측에 대한 시그널을 정형화하고 데이터를 획득한다.
상기 패턴 도출과 분석에는 다양한 기법이 활용될 수 있다.
일례로 패턴매칭기법에 대해 설명하면 아래와 같다.
패턴매칭은 공기압축기의 토출신호를 대상으로 특정하고 그 신호의 '모양'(패턴)을 가지고 있는가를 모니터링하는 것으로, 예를 들어, 어떠한 객체 리스트에서 특정한 성격을 갖는 객체들을 추출해 낼 때 패턴 매칭을 사용할 수 있다.
그리고 정상 사이클에서 발생하는 신호들에 비해서, 다른 형태의 신호들(Different cycle, Error cycle 등)이 발생하는 경우, 동작주기 및 파워의 일치가 일어나지 않는 경우 뿐만 아니라 심지어 위치까지도 맞지 않는 경우가 발생할 수 있다. 실제 이러한 신호들은 산업현장 및 공정상 항상 발생할 수 있으며, 이를 모니터링뿐만 아니라 고장을 미리 예측하고 해결할 수 있는 기반정보가 될 수 있다. (도 5 참조)
모든 생산 공정에서 발생할 수 있는 신호는 대개 수 백 가지의 패턴을 들 수 있으며, 공기압축기에서 발생되는 신호들의 정상 및 오류 패턴을 찾는 것이 중요하다. 이미 언급한 바와 같이 패턴매칭의 알고리즘을 구성하기 위해 ① 시계열 분석, ② 정상신호로부터의 벗어난 정도, 그리고 ③ 시간과 패턴에서의 편차 등으로 분석할 수 있다. 상기 패턴매칭신호 중 ②번에 해당하는 시계열변동은 시간이 지남에 따라 정상신호로부터의 변동정도가 점점 심화되는 것이 일반적이다.
패턴매칭을 성공적으로 알고리즘화 하기 위해서는 각 신호별로 특징적인 형상을 수집 및 정형화할 필요가 있다. 즉, 각 신호별로 빅데이터의 통계기반 모듈화하고, 이 신호들을 기반으로 현장에서 나오는 다양한 신호들을 패턴매칭이 이루어지게 한다. 특히, 지연시간(delay time), 이동시간(shift time) 등을 연계하여 최적의 패턴매칭이 이루어지도록 한다.
패턴매칭이 어느 정도 이루어졌을 때, 중요한 것은 진폭의 차이를 극복하는 것으로 패턴매칭이 이루어진 후 변동 폭을 구함으로써 그 변동크기의 차이를 이용하여 고장진단과 예측 등의 기초자료로도 이용한다.
패턴매칭에 있어서, 기존 시계열 데이터를 특징적인 구간으로 세분화하는 공정이 필요하며, 최종 패턴매칭의 알고리즘을 기반으로 기준신호에 대해서 어느정도 공차를 포함시켜 측정된 시계열신호와의 비교를 통해 최종적으로 최적화하여 향후 고장진단과 예측 수행이 가능하게 한다.
상기와 같이 수집 분석된 패턴은 여러 가지 소프트웨어(예, Matlab, MySQL 등)을 사용하여 동작하는 압축기의 동작신호(필터 차압, 토출 압력, 오일 온도, 전류 등)를 아날로그-디지털 컨버터를 이용하여 아날로그 신호들을 이산화시켜 신호의 정량화한다. 특히, 정상 동작과 고장 시나리오에서 만들어진 압축기의 동작신호들은 향후 고장진단의 예측에 사용하는 빅데이터에서 추출되고 분석한다.
패턴매칭은 획득된 데이터 신호들을 모니터링하고 분류하여, 정상 동작 상태를 벗어날 경우 버저나 경고 표시를 통해 압축기 사용자 및 관리자에게 조기에 알려주어 향후 예측 진단이 가능하게 할 수 있다.
최종 패턴매칭의 알고리즘을 기반으로, 기준신호에 대해서 어느정도 공차를 포함시켜 측정된 시계열신호와의 비교를 통해 최종적으로 최적화하여 향후 고장진단에 대한 예측 수행이 가능해 진다.
상기 패턴매칭에 사용하는 알고리즘은 분류알고리즘(데이터를 특정 목적에 맞게 분류하는 알고리즘.)으로, 이에 대해 간락히 살펴본다.
분류알고리즘의 데이터는 크게 명확하게 나눌 수 있는 클래스의 데이터와 명확하게 나눌 수 없는 클래스의 데이터로 구분된다.
결정 트리, SVM(서포트 벡터 머신), 신경망 등 대부분의 분류알고리즘은 명확하게 나눌 수 있는 클래스의 데이터를 이용해서 학습 및 테스트한다. 명확하게 나눌 수 없는 클래스의 데이터를 이용하는 MT(Mahalanobis Taguchi, 마할라노비스 다구치) 알고리즘은 정상 상태를 학습한 후, 테스트 데이터가 정상상태와 똑같은지 혹은 다른지를 구분하는 데 특화되어 있으며, MTS(Mahalanobis Taguchi System,
마할라노비스 다구찌 시스템)의 기본 알고리즘이다.
MTS(Mahalanobis Taguchi System, 마할라노비스 다구찌 시스템)은 어떤 집단의 평균을 기초로 한 MS(Mahalanobis Space, 마할라노비스 공간)을 설정하고 이를 기초로, 새로운 관측값이 이러한 공간으로부터 얼마나 벗어나 있는가를 측정하는 시스템으로, 이러한 측정을 통해 정상그룹으로부터 방향성 없이 동 떨어진 형태를 나타내는 비정상 그룹을 구분하는 분류하는 방법이다.
MTS에서는 다차원의 단위 공간으로서 MS를 정의하고 임의의 대상이 그 공간으로부터 얼만큼 떨어져 있는가를 나타내는 방법으로 MD(Mahalanobis Distance, 마할라노비스 거리)를 이용하고, 다변량 함수해석에 매우 중요한 변수들 간의 상관관계를 고려하는 것이 마할라노비스 다구치의 장점이다.
마할라노비스 다구치은 생물학분야, 최적의 생산 조건을 통한 생산성 향상, 반도체 공정의 최적화, 의학연구 등의 다양한 분야에서 많은 연구가 진행되어 왔고 성공적으로 활용되고 있다.
이상과 같이 패턴에 의해 분석 도출된 고장 진단과 예측에 따라 장비의 문제, 부품 교체, 불량 상태 등에 맞는 해결 방안을 수립한다.
곧, 공기압축기의 운전정보- 유량 데이터(누적 유량 포함), 공기압축기 전력 데이터(전압, 전류, 누적 전력량 등), 압력 데이터(압축기 출구압력, 오일 분사 압력, 오일 분리기 압력 등), 노점 데이터, 설비 진동 Data, 효율 데이터, 온도 데이터(Element 출구온도, 압축기 출구온도, 냉각(수)온도, 주위온도 등), 차압 데이터(에어필터 차압, 오일필터 차압), 시간(운전 시간, 로딩 시간, 언로딩 시간), 가동 상태(운전, 부하, 경고, 셧다운 상태), 시스템 감시 값(비상정지, 메인모터 과부하, 팬모터 과부하, 서비스 알람 시간메인모터 RPM) 등을 수집한다.
또 공기압축기의 외부 환경데이터를 수집한다. 즉, 공기압축기가 설치된 룸 환경에 대해 데이터- 공기압축기의 고장에 가장 많은 영향을 주는 온도, 상대습도, 미세먼지 등에 의한 공기오염도를 수집한다.
상기에서 수집된 공기압축기 운전정보와 공기압축기의 외부환경 정보 간의 상관관계를 파악, 분석하여 영향인자를 도출한다.
상기에서 파악된 영향인자 중 고장에 가장 많은 영향을 미치는 인자(온도, 압력, 소음, 진동)을 통해 고장의 원인과 상관관계를 파악하고, 영향인자를 도출하여 각각의 상황에 맞는 대응방안을 마련한다.
상기한 과정을 통해 데이터를 수립하고 이를 바탕으로 데이터 기반 공기압축기 고장/진단 데이터 DB를 최적화할 수 있으며, 공기압축기 고장원인 분석 및 대응 체계화하고 고장진단과 아울러 해결 처리방안을 제시한다.
Claims (9)
- 공기압축기의 운전정보를 수집하는 단계; 공기압축기의 운전정보로부터 주요 고장인자를 선정하고 이들의 정상작동범위값을 도출하는 단계; 수집된 주요 고장인자의 정상작동범위값 내에서 정상작동과 오작동에 대한 패턴을 도출, 분석하는 단계; 정상작동과 오작동에 대한 패턴을 통해 고장 시그널을 정형화하는 단계;로 이루어진 공기압축기의 고장진단 방법에 있어서,
상기 공기압축기의 수집된 운전정보의 분석을 통해 주요 고장을 일으키는 고장인자로 압축공기 출구압력, 오일세퍼레이터 오일온도, 에어필터 차압을 선정하고 이들의 정상작동범위값을 도출하는 단계;
상기 주요 고장인자가 정상작동범위값 내에서 어떤 변화를 보이는지 패턴을 추출하는 단계;
상기 주요 고장인자의 패턴 별로 상관관계인자와 관련성을 분석하고 정상작동과 오작동에 대한 정보를 수집, 분석하는 단계;를 포함하는 것을 특징으로 하는 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법. - 제 1 항에 있어서,
상기 고장인자 중 출구압력의 압력변화 주기가 정상작동범위값 내에서 일정한 시간 내에서 단위 시간마다 규칙적인 흐름의 패턴을 보일 때 최적의 운전상태로 분석하는 단계;
출구압력의 압력변화 주기가 정상작동범위값 내에서 일정한 시간 내에서 단위 시간마다 불규칙한 패턴을 보일 때 상관관계인자를 분석하고 상기 패턴을 고장발생요인으로 분석하는 단계;
출구압력의 압력변화 주기가 정상작동범위값 내에서 규칙적인 흐름의 패턴을 보일 때 최적의 정상운전 시그널로 분류하여 정형화하는 단계;
출구압력의 압력변화 주기가 정상작동범위값 내에서 불규칙적인 흐름의 패턴을 보일 때 고장예측 시그널로 분류하고 정형화하는 단계;를 포함하는 것을 특징으로 하는 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법. - 제 1 항에 있어서,
상기 고장인자 중 오일세퍼레이터 오일온도의 변화가 정상작동범위값 내에서 일정한 시간 내에서 단위 시간마다 규칙적인 폭과 간격을 갖는 패턴을 보일 때 최적의 운전상태로 분석하는 단계;
오일세퍼레이터 오일온도의 변화가 정상작동범위값 내에서 불규칙한 폭과 간격의 패턴을 보일 때 상관관계인자를 도출, 분석하고 상기 패턴을 고장발생요인으로 분석하는 단계;
오일세퍼레이터 오일온도의 변화가 정상작동범위값 내에서 규칙적인 폭과 간격의 패턴을 보일 때 최적의 정상운전 시그널로 분류하여 정형화하는 단계;
오일세퍼레이터 오일온도의 변화가 정상작동범위값 내에서 불규칙적인 폭과 간격의 패턴을 보일 때 고장예측 시그널로 분류하고 정형화하는 단계;를 포함하는 것을 특징으로 하는 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법. - 제 1 항에 있어서,
상기 고장인자 중 에어필터 차압의 압력변화 주기가 정상작동범위값 내에서 일정한 시간 내에서 단위 시간마다 규칙적인 흐름의 패턴을 보일 때 최적의 운전상태로 분석하는 단계;
에어필터 차압의 압력변화 주기가 정상작동범위값 내에서 일정한 시간 내에서 단위 시간마다 불규칙한 패턴을 보일 때 상관관계인자를 분석하고 상기 패턴을 고장발생요인으로 분석하는 단계;
에어필터 차압의 압력변화 주기가 정상작동범위값 내에서 규칙적인 흐름의 패턴을 보일 때 최적의 정상운전 시그널로 분류하여 정형화하는 단계;
에어필터 차압의 압력변화 주기가 정상작동범위값 내에서 불규칙적인 흐름의 패턴을 보일 때 고장예측 시그널로 분류하고 정형화하는 단계;를 포함하는 것을 특징으로 하는 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법. - 제 1 항에 있어서,
상기 주요 고장인자와 공기압축기가 설치된 룸(Room)의 내부 온도와 습도, 공기오염도(VOC) 간의 상관관계를 진단하고, 이들과의 상관관계를 통해 공기압축기의 정상작동과 오작동에 대한 데이터를 수집, 분석하는 단계;를 포함하는 것을 특징으로 하는 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법. - 제 2 항 내지 제 4 항에 있어서,
상기 고장 시그널 정형화는 추출, 분석된 패턴과 고장인자와 관련도와 따라 그 유형을 분류하고 명명하는 것을 특징으로 하는 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법. - 제 1 항에 있어서,
상기 주요 고장인자의 정상작동범위값 내에서 정상작동과 오작동에 대한 패턴을 도출, 분석에는 패턴매칭기법을 이용하는 것을 특징으로 하는 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법. - 제 7 항에 있어서,
상기 패턴매칭기법에는 마할라노비스 다구치(Mahalanobis Taguchi) 알고리즘을 이용하는 것을 특징으로 하는 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190169342A KR102140532B1 (ko) | 2019-12-18 | 2019-12-18 | 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190169342A KR102140532B1 (ko) | 2019-12-18 | 2019-12-18 | 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102140532B1 true KR102140532B1 (ko) | 2020-08-03 |
Family
ID=72042831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190169342A KR102140532B1 (ko) | 2019-12-18 | 2019-12-18 | 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102140532B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230076190A (ko) | 2021-11-24 | 2023-05-31 | 현대로템 주식회사 | 철도차량용 공기압축기 고장 예지방법 |
| KR102551045B1 (ko) * | 2022-09-30 | 2023-07-04 | 주식회사 콤프케어 | 그룹화 모니터링을 이용한 공기압축기 렌탈서비스 제공방법 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100067320A (ko) | 2008-12-11 | 2010-06-21 | (주)에스코프로 | 에너지 절감을 위한 공기압축기 시스템의 운전방법 및 운전보조장비 |
| KR20100129491A (ko) | 2009-06-01 | 2010-12-09 | (주)한국유체 | 스크류 압축기용 디지털 제어장치 |
| KR101174430B1 (ko) | 2012-01-20 | 2012-08-16 | 김금균 | 압축기 보조제어장치 및 그에 의한 압축기 보조제어방법 |
| KR101460036B1 (ko) | 2013-05-03 | 2014-11-11 | 경원기계공업(주) | 인버터 압축기 시스템 및 그의 제어 방법 |
| KR101521559B1 (ko) | 2014-10-07 | 2015-05-18 | 주식회사 에스피앤알 | 공기 압축기 병렬 운전 시스템 및 그 제어 방법 |
| KR101621537B1 (ko) | 2009-08-10 | 2016-05-16 | 엘지전자 주식회사 | 냉장고의 디스펜서 장치 |
| KR20170142356A (ko) | 2016-06-17 | 2017-12-28 | 한국에어로(주) | Wcdma를 이용한 원격 고장진단모듈을 구비한 공기압축시스템 |
| KR20180075058A (ko) | 2016-12-26 | 2018-07-04 | 주식회사 유시스템 | 공기 압축 시스템 모니터링 장치 및 그 동작 방법 |
| WO2018147362A1 (ja) * | 2017-02-08 | 2018-08-16 | 株式会社日立産機システム | 産業機器監視装置および産業機器の監視方法 |
| KR20180104422A (ko) | 2017-03-13 | 2018-09-21 | 부경대학교 산학협력단 | 소비에너지 절감을 위한 공기압축 시스템 |
| KR101927213B1 (ko) | 2017-07-25 | 2018-12-10 | 한국에어로(주) | 싱글스크류 공기압축기 고장진단시스템 |
| KR20190104267A (ko) * | 2019-07-23 | 2019-09-09 | 엘지전자 주식회사 | 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법 |
-
2019
- 2019-12-18 KR KR1020190169342A patent/KR102140532B1/ko active IP Right Grant
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100067320A (ko) | 2008-12-11 | 2010-06-21 | (주)에스코프로 | 에너지 절감을 위한 공기압축기 시스템의 운전방법 및 운전보조장비 |
| KR20100129491A (ko) | 2009-06-01 | 2010-12-09 | (주)한국유체 | 스크류 압축기용 디지털 제어장치 |
| KR101621537B1 (ko) | 2009-08-10 | 2016-05-16 | 엘지전자 주식회사 | 냉장고의 디스펜서 장치 |
| KR101174430B1 (ko) | 2012-01-20 | 2012-08-16 | 김금균 | 압축기 보조제어장치 및 그에 의한 압축기 보조제어방법 |
| KR101460036B1 (ko) | 2013-05-03 | 2014-11-11 | 경원기계공업(주) | 인버터 압축기 시스템 및 그의 제어 방법 |
| KR101521559B1 (ko) | 2014-10-07 | 2015-05-18 | 주식회사 에스피앤알 | 공기 압축기 병렬 운전 시스템 및 그 제어 방법 |
| KR20170142356A (ko) | 2016-06-17 | 2017-12-28 | 한국에어로(주) | Wcdma를 이용한 원격 고장진단모듈을 구비한 공기압축시스템 |
| KR20180075058A (ko) | 2016-12-26 | 2018-07-04 | 주식회사 유시스템 | 공기 압축 시스템 모니터링 장치 및 그 동작 방법 |
| WO2018147362A1 (ja) * | 2017-02-08 | 2018-08-16 | 株式会社日立産機システム | 産業機器監視装置および産業機器の監視方法 |
| KR20180104422A (ko) | 2017-03-13 | 2018-09-21 | 부경대학교 산학협력단 | 소비에너지 절감을 위한 공기압축 시스템 |
| KR101927213B1 (ko) | 2017-07-25 | 2018-12-10 | 한국에어로(주) | 싱글스크류 공기압축기 고장진단시스템 |
| KR20190104267A (ko) * | 2019-07-23 | 2019-09-09 | 엘지전자 주식회사 | 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230076190A (ko) | 2021-11-24 | 2023-05-31 | 현대로템 주식회사 | 철도차량용 공기압축기 고장 예지방법 |
| KR102551045B1 (ko) * | 2022-09-30 | 2023-07-04 | 주식회사 콤프케어 | 그룹화 모니터링을 이용한 공기압축기 렌탈서비스 제공방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
| Ahmed et al. | Fault detection and diagnosis using Principal Component Analysis of vibration data from a reciprocating compressor | |
| US8566070B2 (en) | Apparatus abnormality monitoring method and system | |
| CN113705924B (zh) | 一种热控设备智能诊断方法和系统 | |
| CN115034248A (zh) | 用于设备的自动诊断方法、系统和存储介质 | |
| US6587737B2 (en) | Method for the monitoring of a plant | |
| CN106600095A (zh) | 一种基于可靠性的维修评估方法 | |
| KR102140532B1 (ko) | 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법 | |
| US20230092472A1 (en) | Method and System for Intelligent Monitoring of State of Nuclear Power Plant | |
| WO2018106150A1 (ru) | Способ и система удаленного мониторинга объектов | |
| JP6714498B2 (ja) | 設備診断装置及び設備診断方法 | |
| CN117689214B (zh) | 一种柔性直流牵引供电系统能量路由器动态安全评估方法 | |
| Yang et al. | HVAC equipment, unitary: Fault detection and diagnosis | |
| CN114738132B (zh) | 基于实船数据的增压器转速传感器故障诊断方法及系统 | |
| Sanayha et al. | Fault detection for circulating water pump using time series forecasting and outlier detection | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| EP4273520A1 (en) | Method and system for comprehensively diagnosing defect in rotating machine | |
| CN115018220A (zh) | 一种基于知识图谱的家电故障预测方法和系统 | |
| Mosallam et al. | Unsupervised trend extraction for prognostics and condition assessment | |
| KR102551043B1 (ko) | 그룹화를 통한 공기압축기 모니터링 장치 및 공기압축기 모니터링 방법 | |
| Liu et al. | A fault early warning and health status rating method for ensuring safe operation of rotating equipment | |
| KR102618658B1 (ko) | 에너지 하베스팅을 이용한 수배전반 시스템 및 방법 | |
| Zhang et al. | Design and Application of Intelligent Diagnosis Model Based on Data Driven | |
| KR102350635B1 (ko) | 플랜트 고장 예지 장치 및 방법 | |
| Joung et al. | Anomaly Scoring Model for Diagnosis on Machine Condition and Health Management |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |