KR102166649B1 - 기계학습을 이용한 회전기계 고장 진단 및 예측시스템 - Google Patents
기계학습을 이용한 회전기계 고장 진단 및 예측시스템 Download PDFInfo
- Publication number
- KR102166649B1 KR102166649B1 KR1020190011728A KR20190011728A KR102166649B1 KR 102166649 B1 KR102166649 B1 KR 102166649B1 KR 1020190011728 A KR1020190011728 A KR 1020190011728A KR 20190011728 A KR20190011728 A KR 20190011728A KR 102166649 B1 KR102166649 B1 KR 102166649B1
- Authority
- KR
- South Korea
- Prior art keywords
- feature vector
- vibration
- unit
- cluster
- pattern matching
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 24
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 97
- 230000001133 acceleration Effects 0.000 claims abstract description 26
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000010276 construction Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000007704 transition Effects 0.000 claims abstract description 9
- 230000002411 adverse Effects 0.000 claims abstract description 5
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000007257 malfunction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
본 발명은 기계학습을 이용한 회전기계 고장 진단 및 예측시스템에 관한 것이다. 보다 상세하게는, 회전기계에서 검출된 진동신호로부터 추출되는 특징벡터의 변별력을 향상시킬 수 있도록 시간차에 따른 진동신호의 특징을 고려하여 진동신호 특징벡터의 차원을 확장 및 축소하고, 진동패턴의 형태에 따라 진동패턴의 클러스터를 그룹화하며, 그룹화된 진동패턴클러스터를 이용하여 기계학습에 의해 진동예측모델을 생성한 후, 생성된 진동예측모델에 실시간 진동 데이터를 적용하여 회전기계의 고장진단과 예측을 위한 신뢰성을 향상시킬 수 있는 기계학습을 이용한 회전기계 고장 진단 및 예측시스템에 관한 것이다.
이를 위해 본 발명은 회전기계에서 발생하는 진동신호를 계측하기 위해 회전기계에 구비되는 하나 이상의 가속도센서; 가속도센서에서 전송된 진동신호를 주파수변환하여 오버올에너지(overall energy)를 포함한 특징벡터를 추출하여 기본특징벡터를 구성하는 특징벡터구성부; 특징벡터구성부에서 구성된 기본특징벡터로부터 주파수를 분석하여 속도, 가속도 성분을 추출하여 특징벡터를 확장하는 특징벡터확장부; 특징벡터확장부에서 확장된 특징벡터들을 진동 패턴을 정상클러스터, 비정상클러스터, 정상에서 비정상으로 천이하는 천이클러스터로 각 클러스터 별로 패턴매칭클러스터들을 그룹화하는 패턴매칭클러스터그룹부; 패턴매칭클러스터그룹부에서 그룹화되는 패턴매칭클러스터에 악영향을 미치는 벡터의 차원을 제거하기 위해 PCA를 포함한 차원축소기법을 이용하여 특징벡터확장부에 의해 확장된 특징벡터의 차원을 축소하는 특징벡터차원축소부; 및 특징벡터차원축소부를 통해 차원이 축소되어 변환된 특징벡터를 확률함수 기반으로 구현된 기계 학습 알고리즘을 이용하여 고장 진단 및 예측을 위한 모델을 생성하는 진단예측모델생성부를 포함하는 기계학습을 이용한 회전기계 고장 진단 및 예측시스템을 제공한다.
이를 위해 본 발명은 회전기계에서 발생하는 진동신호를 계측하기 위해 회전기계에 구비되는 하나 이상의 가속도센서; 가속도센서에서 전송된 진동신호를 주파수변환하여 오버올에너지(overall energy)를 포함한 특징벡터를 추출하여 기본특징벡터를 구성하는 특징벡터구성부; 특징벡터구성부에서 구성된 기본특징벡터로부터 주파수를 분석하여 속도, 가속도 성분을 추출하여 특징벡터를 확장하는 특징벡터확장부; 특징벡터확장부에서 확장된 특징벡터들을 진동 패턴을 정상클러스터, 비정상클러스터, 정상에서 비정상으로 천이하는 천이클러스터로 각 클러스터 별로 패턴매칭클러스터들을 그룹화하는 패턴매칭클러스터그룹부; 패턴매칭클러스터그룹부에서 그룹화되는 패턴매칭클러스터에 악영향을 미치는 벡터의 차원을 제거하기 위해 PCA를 포함한 차원축소기법을 이용하여 특징벡터확장부에 의해 확장된 특징벡터의 차원을 축소하는 특징벡터차원축소부; 및 특징벡터차원축소부를 통해 차원이 축소되어 변환된 특징벡터를 확률함수 기반으로 구현된 기계 학습 알고리즘을 이용하여 고장 진단 및 예측을 위한 모델을 생성하는 진단예측모델생성부를 포함하는 기계학습을 이용한 회전기계 고장 진단 및 예측시스템을 제공한다.
Description
본 발명은 기계학습을 이용한 회전기계 고장 진단 및 예측시스템에 관한 것이다. 보다 상세하게는, 회전기계에서 검출된 진동신호로부터 추출되는 특징벡터의 변별력을 향상시킬 수 있도록 시간차에 따른 진동신호의 특징을 고려하여 진동신호 특징벡터의 차원을 확장 및 축소하고, 진동패턴의 형태에 따라 진동패턴의 클러스터를 그룹화하며, 그룹화된 진동패턴클러스터를 이용하여 기계학습에 의해 진동예측모델을 생성한 후, 생성된 진동예측모델에 실시간 진동 데이터를 적용하여 회전기계의 고장진단과 예측을 위한 신뢰성을 향상시킬 수 있는 기계학습을 이용한 회전기계 고장 진단 및 예측시스템에 관한 것이다.
일반적으로 공장 자동화기기, 자동차, 비행기 등과 같은 다양한 분야에서 물건을 이송 및 회전시키거나, 프로펠러 및 타이어 등을 회전시키기 위한 회전 기계들이 사용된다.
이러한 회전 기계들은 회전시킬 대상체(프로펠러, 타이어 휠, 회전 선반 등)를 원활하게 회전시키기 위한 베어링, 자동차 추진축 등을 포함한다.
회전 기계장치는 작동시간이 오래 될수록 부품의 마모 등으로 인하여 고장이 발생될 가능성에 노출되어 있을 뿐만 아니라, 기계장치를 구성하는 부품들 중 소모품의 경우에는 주기적인 점검이나 교체가 이루어지는 것이 바람직하다.
특히, 대형의 기계장치는 주변 부품과 마찰되면서 회전동작되거나 이동동작되는 부분이 많이 포함되어 있기 때문에 유지 및 보수 관리가 소홀히 이루어질 경우에는 특정 부분에서의 고장발생으로 인하여 기계장치 전체의 구동이 이루어지지 못하게 되는 현상이 발생될 수도 있다.
종래에 회전기계의 고장을 예측하거나 진단하기 위한 시스템으로 알려진 방식으로는 기계장치로부터 발생되는 진동이나 소음 등을 모니터링하여 디지털 신호로 변환시킨 후, 정상상태의 디지털 신호와 비정상상태의 디지털신호를 비교판단하는 방식이 주로 적용되는 정도이다.
그러나 종래의 진동 데이터에서 특징벡터를 추출할 때, 하모닉주파수의 크기, overall energy, 속도, 가속도, 변위로 특징벡터를 구성하는데, 이는 진동 데이터가 시계열적인 데이터인데, 시간차에 따른 진동 특징벡터의 속도나 가속도를 고려하지 않아, 이들의 특징을 제대로 반영하지 못하는 문제점이 있다.
따라서, 진동신호로부터 추출한 특징 벡터들에서 회전기계의 고장 및 예측을 위해 변별력을 저하시킬 수 있는 요소를 제거하여 회전기계의 고장과 고장 예측을 위한 진단의 신뢰성을 향상시킬 수 있는 새로운 시스템이 필요한 실정이다.
선행기술문헌 : KR등록특허공보 제10-0942287호(2010.02.16. 공고)
본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로, 회전기계에서 검출된 진동신호로부터 추출되는 특징벡터의 변별력을 향상시킬 수 있도록 시간차에 따른 진동신호의 특징을 고려하여 진동신호 특징벡터의 차원을 확장 및 축소하고, 진동패턴의 형태에 따라 진동패턴의 클러스터를 그룹화하며, 그룹화된 진동패턴클러스터를 이용하여 기계학습에 의해 진동예측모델을 생성한 후, 생성된 진동예측모델에 실시간 진동 데이터를 적용하여 회전기계의 고장진단과 예측을 위한 신뢰성을 향상시킬 수 있는 기계학습을 이용한 회전기계 고장 진단 및 예측시스템을 제공하는 데 그 목적이 있다.
상기 목적을 달성하기 위해 안출된 본 발명에 따른 기계학습을 이용한 회전기계 고장 진단 및 예측시스템은 회전기계에서 발생하는 진동신호를 계측하기 위해 회전기계에 구비되는 하나 이상의 가속도센서; 가속도센서에서 전송된 진동신호를 주파수변환하여 오버올에너지(overall energy)를 포함한 특징벡터를 추출하여 기본특징벡터를 구성하는 특징벡터구성부; 특징벡터구성부에서 구성된 기본특징벡터로부터 주파수를 분석하여 속도, 가속도 성분을 추출하여 특징벡터를 확장하는 특징벡터확장부; 특징벡터확장부에서 확장된 특징벡터들을 진동 패턴을 정상클러스터, 비정상클러스터, 정상에서 비정상으로 천이하는 천이클러스터로 각 클러스터 별로 패턴매칭클러스터들을 그룹화하는 패턴매칭클러스터그룹부; 패턴매칭클러스터그룹부에서 그룹화되는 패턴매칭클러스터에 악영향을 미치는 벡터의 차원을 제거하기 위해 PCA를 포함한 차원축소기법을 이용하여 특징벡터확장부에 의해 확장된 특징벡터의 차원을 축소하는 특징벡터차원축소부; 및 특징벡터차원축소부를 통해 차원이 축소되어 변환된 특징벡터를 확률함수 기반으로 구현된 기계 학습 알고리즘을 이용하여 고장 진단 및 예측을 위한 모델을 생성하는 진단예측모델생성부를 포함한다.
또한, 특징벡터구성부에서 구성된 기본특징벡터는 기본주파수와 크기 성분은 2차원으로 구성되고, 하모닉주파수와 크기 성분은 8차원으로 구성되며, 오버올에니지, 변위, 속도, 가속도 성분은 3차원으로 구성되어 전체가 13차원으로 구성되는 것을 더 포함할 수 있다.
또한, 특징벡터확장부에서는 특징벡터구성부에서 속도에 해당하는 델타성분, 가속도에 해당하는 델타-델타 성분을 구해 39차원으로 기본특징벡터를 확장하는 것을 더 포함할 수 있다.
본 발명에 의하면 회전기계에서 검출된 진동신호에서 추출되는 특징벡터의 변별력을 증가시켜, 회전기계의 고장진단과 예측을 위한 신뢰성을 향상시킬 수 있는 효과가 있다.
도 1은 본 발명의 바람직한 실시예에 따른 기계학습을 이용한 회전기계 고장 진단 및 예측시스템의 구성을 도시한 블록도.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다.
도 1은 본 발명의 바람직한 실시예에 따른 기계학습을 이용한 회전기계 고장 진단 및 예측시스템의 구성을 도시한 블록도이다.
본 발명의 바람직한 실시예에 따른 기계학습을 이용한 회전기계 고장 진단 및 예측시스템은, 도 1을 참조하면, 가속도센서(10), 증폭기(20), 특징벡터구성부(30), 특징벡터확장부(40), 패턴매칭클러스터그룹부(50), 특징벡터차원축소부(60), 진단예측모델생성부(70)를 포함하여 이루어진다.
이하, 본 발명의 바람직한 실시예에 따른 기계학습을 이용한 회전기계 고장 진단 및 예측시스템을 구성하는 구성 요소에 대해 도 1을 참조하여 상세하게 설명한다.
가속도센서(10)는 다채널의 가속도센서(10)가 사용될 수 있으며, 하나이상이 회전기계에 구비되어 회전기계에서 발생하는 진동신호를 계측하게 된다.
증폭기(20)는 진동신호의 분석을 위해 가속도센서(10)에서 계측한 10Khz 정도 진동의 진동신호를 증폭하고, 이때 진동를 샘플링률(Sampling Rate)은 최대 40Khz 까지 샘플링한다.
한편, 증폭기(20)에서 샘플링되어 증폭된 진동신호는 유선 또는 무선통신망을 통해 아래에 서술된 특징벡터구성부(30)롤 전송된다.
특징벡터구성부(30)는 증폭기(20)부터 증폭되어 전송된 진동신호를 주파수 변환하여 기본주파수와 크기, 하모닉주파수와 크기, 주파수의 진폭 전체량을 합산한 진동량인 오버올에너지(overall energy), 속도, 변위, 가속도를 포함한 특징벡터를 추출하여 기본특징벡터를 구성한다.
여기서, 특징벡터구성부(30)에서 구성된 기본특징벡터는 기본주파수와 크기 성분은 2차원으로 구성되고, 하모닉주파수와 크기 성분은 8차원, 오버올에니지, 변위, 속도, 가속도 성분은 3차원으로 구성되어 전체가 13차원으로 구성된다
특징벡터확장부(40)는 데이터를 선형적으로 분류(classification)하기 힘든 경우에 데이터의 차원을 고차원으로 확장한 후 경계평면(thresholding hyperplane)을 찾는 방식으로 특징벡터구성부(30)에서 구성된 기본특징벡터로부터 주파수를 분석하여 속도, 가속도 성분을 추출하고 기본특징벡터를 확장한다.
구체적으로 기본특징벡터들은 시간축 상에서 변위형태로 나타나므로 이 변위벡터를 한 번 미분하면 속도성분이 되고, 두 번 미분하면 가속도 성분이 된다.
따라서, 특징벡터구성부(30)에서 13차원으로 구성된 기본특징벡터에서 속도에 해당하는 델타성분(한번 미분시 26차원), 가속도에 해당하는 델타-델타성분(두 번 미분 시 39차원)을 구해 39차원으로 기본특징벡터를 확장하게 된다.
차원이 확장된 특징벡터는 아래에 서술된 진단예측모델생성부(70)에서 구현된 진단예측모델에서 기계학습을 위한 학습데이터로 이용된다.
패턴매칭클러스터그룹부(50)는 특징벡터확장부(40)에서 확장된 특징벡터들을 가속도센서(10)에서 전송된 진동패턴의 형태에 따라 회전기계가 정상적으로 작동할 때 발생하는 진동에 대한 정상상태데이터, 비정상적으로 작동할 때 발생하는 진동에 대한 비정상상태데이터, 비정상적으로 진동하다가 다시 정상상태로 바뀌는 진동에 대한 비정상상태에서 정상상태로 천이하는 천이데이터들로 세분화한다.
세분화된 진동 패턴들은 정상클러스터, 비정상클러스터, 정상에서 비정상으로 천이하는 천이클러스터를 포함한 패턴매칭클러스터로 그룹화되어 가속도센서(10)에서 전송된 진동 패턴을 패턴매칭클러스터그룹부(50)에서 그룹화된 각 패턴매칭클러스터와 매칭시키기 위한 알고리즘을 형성하게 된다.
특징벡터차원축소부(60)는 진동 패턴에 관련된 데이터를 시각화 할 경우, 4차원을 넘어가는 순간 시각화가 곤란해지므로, 이때 차원축소기법을 통해 2차원으로 축소시키면 평면상에 그래프로 도시화할 수 있으며, 이때, 패턴매칭클러스터를 그룹화하는 과정에 악 영향을 줄 수 있는 노이즈를 포함한 차원을 제거해주고, 밀접하게 연관된 차원끼리 그룹화할 수 있도록 한다.
특징벡터차원축소부(60)는 패턴매칭클러스터그룹부(50)에서 그룹화되는 패턴매칭클러스터에 악영향을 미치는 벡터의 차원을 제거하여 패턴매칭클러스터의 변별력을 향상시키기 위해 LDA/PCA/SVM을 포함한 차원축소기법을 이용하여 특징벡터확장부(40)에 의해 확장된 특징벡터의 차원을 축소한다.
여기서, PCA (Principal Component Analysis)를 포함한 차원축소기법은 데이터 분석을 위한 전처리 과정에서 차원을 축소(dimension reduction)하기 위해 사용되는 기법으로, 서로 상관관계가 있는 변수끼리 가중선형결합(weighted linear combination)해서 변수를 축소시킨다.
진단예측모델생성부(70)는 특징벡터차원축소부(60)를 통해 차원이 축소되어 변환된 특징벡터를 DNN (Deep Learnning Neural Network)을 포함한 기계 학습 알고리즘을 이용하여 회전기계의 고장 진단 및 예측을 위한 진단예측모델을 구현한다.
진단예측모델생성부(70)에서는 패턴매칭클러스터그룹부(50)에서 그룹화된 각 패턴매칭클러스터에 진동신호의 패턴을 매칭시키고, 진동패턴매칭에 의해 생성된 진동패턴의 변화를 확률함수 기반의 기계학습알고리즘에 의해 구현된 진단예측모델과 결정이론을 적용하여 진동패턴의 변화를 분석하고 진단하게 된다.
진단예측모델생성부(70)에서는 확률함수 기반의 기계학습알고리즘으로 진단예측모델을 구현하며, 기계학습을 위한 알고리즘에 사용되는 확률함수는 다음과 같다.
y = max p(C|x),
여기서,
x : 입력(진동패턴데이터),
y : 출력(진단 결과),
C : 패턴매칭클러스터그룹부(50)에서 그룹화된 패턴매칭클러스터
즉, 확률함수에 진동패턴에 관한 데이터를 패턴매칭클러스터그룹부(50)에서 그룹화된 각 패턴매칭클러스터에 한 번씩 대입하여 매칭시키며 기계학습을 진행하고, 학습결과에 결정이론을 적용하여 진동패턴의 데이터를 분석하여 진단 결과를 도출하게 된다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10 - 가속도센서 20 - 증폭기
30 - 특징벡터구성부 40 - 특징벡터확장부
50 - 패턴매칭클러스터그룹부 60 - 특징벡터차원축소부
70 - 진단예측모델생성부
30 - 특징벡터구성부 40 - 특징벡터확장부
50 - 패턴매칭클러스터그룹부 60 - 특징벡터차원축소부
70 - 진단예측모델생성부
Claims (3)
- 회전기계에서 발생하는 진동신호를 계측하기 위해 회전기계에 구비되는 하나 이상의 가속도센서;
가속도센서에서 전송된 진동신호를 주파수변환하여 오버올에너지(overall energy)를 포함한 특징벡터를 추출하여 기본특징벡터를 구성하는 특징벡터구성부;
특징벡터구성부에서 구성된 기본특징벡터로부터 주파수를 분석하여 속도, 가속도 성분을 추출하여 특징벡터를 확장하는 특징벡터확장부;
특징벡터확장부에서 확장된 특징벡터들을 진동 패턴을 정상클러스터, 비정상클러스터, 정상에서 비정상으로 천이하는 천이클러스터로 각 클러스터 별로 패턴매칭클러스터들을 그룹화하는 패턴매칭클러스터그룹부;
패턴매칭클러스터그룹부에서 그룹화되는 패턴매칭클러스터에 악영향을 미치는 벡터의 차원을 제거하기 위해 PCA를 포함한 차원축소기법을 이용하여 특징벡터확장부에 의해 확장된 특징벡터의 차원을 축소하는 특징벡터차원축소부; 및
특징벡터차원축소부를 통해 차원이 축소되어 변환된 특징벡터를 확률함수 기반으로 구현된 기계학습알고리즘을 이용하여 고장 진단 및 예측을 위한 모델을 생성하는 진단예측모델생성부
를 포함하고,
특징벡터구성부에서 구성된 기본특징벡터는 기본주파수와 크기 성분은 2차원으로 구성되고, 하모닉주파수와 크기 성분은 8차원으로 구성되며, 오버올에니지, 변위, 속도, 가속도 성분은 3차원으로 구성되어 전체가 13차원으로 구성되는 것
을 포함하며,
특징벡터확장부에서는 특징벡터구성부에서 속도에 해당하는 델타성분, 가속도에 해당하는 델타-델타 성분을 구해 39차원으로 기본특징벡터를 확장하는 것
을 포함하고,
진동신호의 분석을 위해 가속도센서에서 계측한 진동신호를 증폭하는 증폭기를 포함하고, 증폭기에서 샘플링되어 증폭된 진동신호는 유선 또는 무선통신망을 통해 특징벡터구성부로 전송되는 것
을 포함하며,
진단예측모델생성부에서 확률함수 기반의 기계학습알고리즘으로 구현되는 진단예측모델은 확률함수에 진동패턴에 관한 데이터를 패턴매칭클러스터그룹부에서 그룹화된 각 패턴매칭클러스터에 한 번씩 대입하여 매칭시키며 기계학습을 진행하고, 학습결과에 결정이론을 적용하여 진동패턴의 데이터를 분석하여 진단 결과를 도출하는 것
을 포함하는, 기계학습을 이용한 회전기계 고장 진단 및 예측시스템. - 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190011728A KR102166649B1 (ko) | 2019-01-30 | 2019-01-30 | 기계학습을 이용한 회전기계 고장 진단 및 예측시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190011728A KR102166649B1 (ko) | 2019-01-30 | 2019-01-30 | 기계학습을 이용한 회전기계 고장 진단 및 예측시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200101507A KR20200101507A (ko) | 2020-08-28 |
| KR102166649B1 true KR102166649B1 (ko) | 2020-10-16 |
Family
ID=72265796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190011728A KR102166649B1 (ko) | 2019-01-30 | 2019-01-30 | 기계학습을 이용한 회전기계 고장 진단 및 예측시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102166649B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230155660A (ko) | 2022-05-03 | 2023-11-13 | 동국대학교 산학협력단 | 기계 설비의 고장 진단을 위한 데이터 처리 장치 및 방법 |
| KR20230155659A (ko) | 2022-05-03 | 2023-11-13 | 동국대학교 산학협력단 | 가시성 그래프를 이용한 기계 설비의 고장 진단을 위한 데이터 처리 장치 및 방법 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102306244B1 (ko) * | 2020-11-23 | 2021-09-28 | 국민대학교산학협력단 | 디바이스의 결함 검출 모델 생성 방법 및 장치 |
| KR102321607B1 (ko) | 2020-11-25 | 2021-11-03 | 국민대학교산학협력단 | 기계의 결함 검출 장치 및 방법 |
| KR102649453B1 (ko) * | 2020-12-31 | 2024-03-20 | 한국수력원자력 주식회사 | 회전기계의 결함을 진단하는 방법 및 시스템 |
| KR102346122B1 (ko) | 2021-03-15 | 2021-12-31 | 국민대학교산학협력단 | 훈련 데이터를 생성하고 검증하는 장치 및 방법 |
| KR102378729B1 (ko) | 2021-03-18 | 2022-03-24 | 국민대학교산학협력단 | 최적의 훈련 방식 판단 방법 및 장치 |
| KR102327420B1 (ko) | 2021-03-19 | 2021-11-16 | 국민대학교산학협력단 | 훈련 데이터를 생성하고 검증하는 장치 및 방법 |
| CN114034476B (zh) * | 2021-11-17 | 2022-06-14 | 深圳沈鼓测控技术有限公司 | 旋转机械转子结垢、腐蚀故障识别方法和装置 |
| FR3132901A1 (fr) * | 2022-02-21 | 2023-08-25 | Airbus Operations (S.A.S). | Procédé de détection de vibrations issues d’une machine tournante d’un aéronef. |
| KR102648646B1 (ko) | 2023-05-23 | 2024-03-15 | 호서대학교 산학협력단 | 인공지능 기반의 이상 예측을 위한 장치 및 이를 위한 방법 |
| KR102580433B1 (ko) | 2023-05-23 | 2023-09-18 | 호서대학교 산학협력단 | 이상 예측을 위한 분석 대상 데이터의 특징을 검출하기 위한 장치 및 이를 위한 방법 |
| KR102649659B1 (ko) | 2023-05-23 | 2024-03-19 | 호서대학교 산학협력단 | 이상 예측을 위한 인공지능 모델을 학습시키기 위한 장치 및 이를 위한 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101936283B1 (ko) * | 2017-12-28 | 2019-01-08 | 주식회사 한국가스기술공사 | 기계적 결함에 대한 진단 및 예측 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101249576B1 (ko) * | 2010-09-13 | 2013-04-01 | 한국수력원자력 주식회사 | 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치 |
| KR101823746B1 (ko) * | 2016-02-05 | 2018-01-30 | 울산대학교 산학협력단 | 베어링 고장 진단 방법 |
-
2019
- 2019-01-30 KR KR1020190011728A patent/KR102166649B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101936283B1 (ko) * | 2017-12-28 | 2019-01-08 | 주식회사 한국가스기술공사 | 기계적 결함에 대한 진단 및 예측 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230155660A (ko) | 2022-05-03 | 2023-11-13 | 동국대학교 산학협력단 | 기계 설비의 고장 진단을 위한 데이터 처리 장치 및 방법 |
| KR20230155659A (ko) | 2022-05-03 | 2023-11-13 | 동국대학교 산학협력단 | 가시성 그래프를 이용한 기계 설비의 고장 진단을 위한 데이터 처리 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200101507A (ko) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102166649B1 (ko) | 기계학습을 이용한 회전기계 고장 진단 및 예측시스템 | |
| Soualhi et al. | Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing | |
| Soualhi et al. | Bearing health monitoring based on Hilbert–Huang transform, support vector machine, and regression | |
| Safizadeh et al. | Using multi-sensor data fusion for vibration fault diagnosis of rolling element bearings by accelerometer and load cell | |
| Camci et al. | Feature evaluation for effective bearing prognostics | |
| Puchalski | A technique for the vibration signal analysis in vehicle diagnostics | |
| Han et al. | Classification and regression models of audio and vibration signals for machine state monitoring in precision machining systems | |
| Mosallam et al. | Nonparametric time series modelling for industrial prognostics and health management | |
| Cheng et al. | High-accuracy unsupervised fault detection of industrial robots using current signal analysis | |
| Popescu et al. | Fault detection of rolling element bearings using optimal segmentation of vibrating signals | |
| Liu et al. | Technology development and commercial applications of industrial fault diagnosis system: a review | |
| Bie et al. | An integrated approach based on improved CEEMDAN and LSTM deep learning neural network for fault diagnosis of reciprocating pump | |
| Sun et al. | Composite-graph-based sparse subspace clustering for machine fault diagnosis | |
| Jaber et al. | The state of the art in research into the condition monitoring of industrial machinery | |
| Zhou et al. | Harmonic reducer in-situ fault diagnosis for industrial robots based on deep learning | |
| Heydarzadeh et al. | Gearbox fault diagnosis using power spectral analysis | |
| Chou et al. | Generative neural network-based online domain adaptation (GNN-ODA) approach for incomplete target domain data | |
| KR102240775B1 (ko) | 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법 | |
| Attoui | Novel fast and automatic condition monitoring strategy based on small amount of labeled data | |
| KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
| Liu et al. | Sensor data modeling and model frequency analysis for detecting cutting tool anomalies in machining | |
| Goyal et al. | An intelligent self-adaptive bearing fault diagnosis approach based on improved local mean decomposition | |
| Kumar et al. | Latest innovations in the field of condition-based maintenance of rotatory machinery: A review | |
| Mustafa et al. | Experimental research on machinery fault simulator (MFS): A review | |
| Li et al. | Fault pattern classification of turbine-generator set based on artificial neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |