KR102198190B1 - 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법 - Google Patents

운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법 Download PDF

Info

Publication number
KR102198190B1
KR102198190B1 KR1020180173346A KR20180173346A KR102198190B1 KR 102198190 B1 KR102198190 B1 KR 102198190B1 KR 1020180173346 A KR1020180173346 A KR 1020180173346A KR 20180173346 A KR20180173346 A KR 20180173346A KR 102198190 B1 KR102198190 B1 KR 102198190B1
Authority
KR
South Korea
Prior art keywords
data
rotating body
failure
processing unit
characteristic information
Prior art date
Application number
KR1020180173346A
Other languages
English (en)
Other versions
KR20200082605A (ko
Inventor
윤병동
송용천
황태완
Original Assignee
주식회사 원프레딕트
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 원프레딕트 filed Critical 주식회사 원프레딕트
Priority to KR1020180173346A priority Critical patent/KR102198190B1/ko
Publication of KR20200082605A publication Critical patent/KR20200082605A/ko
Application granted granted Critical
Publication of KR102198190B1 publication Critical patent/KR102198190B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명은 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법에 관한 것으로, 검출부가 회전체 고장 진단을 위한 데이터를 검출하는 단계, 데이터 처리부가 검출된 데이터를 회전체의 운전조건을 기반으로 처리하여 상기 운전조건에 무관한 데이터로 변환하는 단계 및 진단부가 변환된 데이터를 이용하여 회전체의 고장 정도 또는 건전성을 진단하는 단계를 포함하는 것을 특징으로 한다.

Description

운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법{DATA STANDARDIZATION METHOD CONSIDERING OPERATING CONTION FOR DIAGNOSIS OF ROTATING MACHINERY FAILURE AND DIAGNOSIS METHOD ROTATING MACHINERY FAILURE USING THE SAME}
본 발명은 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법에 관한 것으로, 보다 상세하게는 회전체 고장 진단을 위한 데이터를 운전 조건에 무관한 데이터로 변환하여 고장 진단을 수행할 수 있도록 하는 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법에 관한 것이다.
회전체는 전동기, 터빈, 엔진, 펌프, 팬 압축기, 베어링 등과 같이 회전 운동을 하는 장치를 말한다. 예를 들어 베어링은 회전 및/또는 진동 운동을 하는 축을 지지하는 역할을 수행한다. 이러한 회전체는 설치되거나 지지하는 장치의 구조, 사양 등에 따라 다양한 형태로 제조되어 사용되고 있으며, 회전체의 고장 또는 파손 시 장치 전체의 고장이나 파손으로 이어질 수 있기 때문에, 회전체의 고장(이상 여부, 건전성) 등을 진단하는 기술이 많이 사용되고 있다.
종래의 회전체의 고장 진단 방법에서는, 회전체의 진동 데이터에서 회전체의 고장과 물리적 연관이 존재하는 데이터의 특성인자(feature)를 추출하여 작동 중인 회전체의 물리적 결함의 위치와 종류를 파악하는 방식이 주로 사용되고 있다. 해당 방식은 진동의 크기를 보거나, 설비의 특성을 반영한 결함주파수의 에너지를 감시하는 방법이 있다.
그런데 이러한 종래의 회전체 진단 기술은 회전체의 부하와 회전 속도 등의 회전체 운전조건(Operating condition)이 일정하게 유지되는 상태 즉, 정상 상태(stationary state)에서 측정되는 데이터를 통해서만 베어링을 진단할 수 있다.
즉, 회전체의 부하 증가는 특성주파수 진단에 필요한 기준치의 변화를 가져오며, 회전 속도의 변화는 특성주파수 수치의 변화를 가져오는 등 운전조건의 변화에 의해 회전체 진단 기준이 변화하는 특성이 있으므로, 종래의 방식에서는 하나의 구간의 정상상태 데이터만을 통해 회전체의 진단을 수행할 수밖에 없었다.
그러나, 실제 산업에서 사용되고 있는 회전체의 경우 운전조건이 계속적으로 변하는 경우가 많으므로, 실제 산업에서는 운전조건의 변화 속에서도 회전체의 고장 상태를 정확히 유추할 수 있는 기술이 요구되고 있다.
한편 본 발명의 배경기술은 대한민국 등록특허 10-1667164호(2016.10.11.)에 개시되어 있다.
본 발명은 회전체 고장 진단을 위한 데이터를 처리하여, 운전조건에 상관없이 회전체의 고장 진단을 수행할 수 있도록 하는 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법을 제공하는데 그 목적이 있다.
본 발명에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법은 검출부가 회전체 고장 진단을 위한 데이터를 검출하는 단계; 데이터 처리부가 검출된 데이터를 회전체의 운전조건을 기반으로 처리하여 상기 운전조건에 무관한 데이터로 변환하는 단계; 및 진단부가 변환된 데이터를 이용하여 회전체의 고장 정도 또는 건전성을 진단하는 단계를 포함하는 것을 특징으로 한다.
본 발명에서 상기 운전조건에 무관한 데이터로 변환하는 단계는, 상기 데이터 처리부가 상기 운전조건에 기반하여 상기 검출된 데이터를 군집화 처리하는 단계; 상기 데이터 처리부가 각 군집별로 특성 정보를 추출하는 단계; 및 상기 데이터 처리부가 추출된 특성 정보에 공간 변환을 적용하여 상기 운전조건에 무관한 데이터로 변환하는 단계를 포함하는 것을 특징으로 한다.
본 발명에서 상기 검출된 데이터는 회전체의 진동 데이터인 것을 특징으로 한다.
본 발명의 상기 특성 정보를 추출하는 단계에서, 상기 데이터 처리부는 상기 특성 정보로, 상기 진동 데이터의 진폭, 실효출력(RMS), 고장 주파수의 에너지 중 적어도 하나 이상을 추출하는 것을 특징으로 한다.
본 발명의 상기 공간 변환을 적용하여 상기 운전조건에 무관한 데이터로 변환하는 단계에서, 상기 데이터 처리부는 상기 특성 정보에 공간 변환 함수를 적용하되, 상기 공간 변환 함수는 상기 운전조건을 변수로 하는 것을 특징으로 한다.
본 발명에서 상기 데이터 처리부는 상기 회전체 고장 진단을 위한 데이터의 복수개의 정상상태 구간을 이용하는 것을 특징으로 한다.
본 발명에 따른 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법은 데이터 처리부가 회전체 고장 진단을 위한 데이터를 입력받는 단계; 상기 데이터 처리부가 회전체의 운전조건에 기반하여 상기 입력된 데이터를 군집화 처리하는 단계; 상기 데이터 처리부가 각 군집별로 특성 정보를 추출하는 단계; 및 상기 데이터 처리부가 추출된 특성 정보에 공간 변환을 적용하여 상기 특성 정보를 상기 운전조건에 무관한 데이터로 변환하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따른 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법은 회전체 고장 진단을 위한 데이터를 분할 및 군집화 처리하고, 공간 변환을 적용하여 운전조건에 무관한 데이터로 변환함으로써, 운전조건에 무관하게 회전체의 고장 정도 또는 건전성을 진단할 수 있도록 하는 효과가 있다.
본 발명은 이를 통해 동일한 운전조건에 해당하는 정상 상태가 장시간 유지되지 않는 경우에도 회전체의 고장 정도 또는 건전성을 진단할 수 있도록 하는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법이 수행되는 장치의 개략적인 구성을 나타낸 예시도이다.
도 2는 본 발명의 일 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법에서 복수개의 정상상태 구간을 이용하는 것을 설명하기 위한 예시도이다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법에서의 데이터 군집화 처리를 설명하기 위한 예시도이다.
도 6은 본 발명의 일 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법에서의 특성 정보 추출을 설명하기 위한 예시도이다.
도 7은 본 발명의 일 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법에서 공간 변환을 적용하여 운전조건에 무관한 데이터를 산출하는 것을 설명하기 위한 예시도이다.
도 8은 본 발명의 일 실시예에 따른 회전체 고장 진단 데이터 정규화 처리 방법을 설명하기 위한 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법의 일 실시예를 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로, 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법이 수행되는 장치의 개략적인 구성을 나타낸 예시도이다.
도 1에 도시된 것과 같이, 본 발명의 일 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법은 데이터 처리부(100), 검출부(200) 및 진단부(300)로 구성되는 장치에서 수행될 수 있다. 이때 데이터 처리부(100)는 데이터 군집화 처리부, 특성 정보 추출부, 변환부를 포함할 수 있다.
본 실시예에서는 회전체의 일종으로 베어링을 예시로 들어 설명하기로 하나, 통상의 기술자라면 본 발명에 따른 방법이 베어링과 같은 회전체에 동일하게 확장 적용될 수 있음을 용이하게 이해하고, 실시하는 것이 가능할 것이다.
데이터 처리부(100)는 회전체(예: 베어링) 고장 진단을 위한 데이터를 운전조건에 기반하여 군집화 처리하고, 군집화 처리된 데이터에서 각 군집별 특성 정보를 추출하며, 추출된 특정 정보에 대해 공간 변환을 적용하여 운전조건에 무관한 데이터를 산출할 수 있다. 본 발명에서는 이렇게 회전체 고장 진단을 위한 데이터를 운전조건에 무관한 데이터로 변환하는 것을 데이터 정규화 처리로 지칭하기로 한다. 이러한 데이터 처리부(100)의 구체적인 동작은 후술하기로 한다.
검출부(200)는 회전체 고장 진단을 위한 데이터를 검출한다. 예를 들어, 검출부(200)는 진동 감지 센서를 이용하여 베어링의 진동 데이터를 검출할 수 있다. 또한 검출부(200)는 진동 데이터의 검출시 베어링의 운전조건(예: 베어링의 부하 및 회전속도)을 파악할 수 있으며, 예를 들어, 상위 제어 장치로부터 운전조건 정보를 획득하거나, 운전조건을 검출할 수 있는 센서를 구비할 수 있다.
진단부(300)는 데이터 처리부(100)에서 데이터 정규화 처리된 데이터를 이용하여 베어링의 고장 정도 또는 건전성을 진단할 수 있다. 후술할 내용과 같이 데이터 처리부(100)에서 출력되는 데이터는 데이터의 공간 분포에 해당하며, 밀집되어 군집을 이루는 데이터의 분포는 정상 데이터의 분포가 되며, 이로부터 멀리 떨어진 데이터일수록 정상성이 떨어지는 것으로 판단할 수 있다. 이러한 정상 데이터의 분포를 통해 고장의 정도를 수치화 하는 것은 고장 정도 진단(건전성인자 산출)(Health Index Evaluation)이며, 이를 이용해 실제 베어링의 건전성을 진단(Health Assessment)할 수도 있다. 다만 이렇게 정상 데이터의 분포를 이용하여 고장 정도 및 건전성을 진단하는 구체적인 방식은 각 설비의 사양 등에 따라 다양하게 개발될 수 있으며, 종래에도 이미 널리 사용 및 연구된 내용에 해당하므로, 더 자세한 설명은 생략하기로 한다.
한편 당 분야에서 통상적인 바와 같이, 일부 예시적인 실시예가 기능 블록, 유닛 및/또는 모듈의 관점에서 첨부 도면에 도시될 수 있다. 당업자는 이러한 블록들, 유닛들, 및/또는 모듈들이 논리 회로, 이산 부품들, 프로세서들, 하드 와이어드 회로들, 메모리 소자들, 배선 접속들과 같은 전자(또는 광학) 회로들에 의해 물리적으로 구현된다는 것을 이해할 것이다. 블록, 유닛 및/또는 모듈이 프로세서 또는 다른 유사한 하드웨어에 의해 구현되는 경우, 이들은 본 명세서에서 논의된 다양한 기능을 수행하기 위해 소프트웨어(예를 들어, 코드)를 사용하여 프로그래밍 되고, 제어될 수 있다. 또한, 각각의 블록, 유닛 및/또는 모듈은 전용 하드웨어에 의해, 또는 일부 기능을 수행하기위한 전용 하드웨어 및 다른 기능을 수행하기위한 프로세서(예를 들어, 하나 이상의 프로그램된 프로세서 및 관련 회로)의 조합으로서 구현 될 수 있다. 기능. 또한, 일부 예시적인 실시예의 각각의 블록, 유닛 및/또는 모듈은 본 발명의 개념의 범위를 벗어나지 않고 물리적으로 두 개 이상의 상호 작용하고 이산적인 블록, 유닛 및/또는 모듈로 분리 될 수 있다. 또한, 일부 예시적인 실시예의 블록, 유닛 및/또는 모듈은 본 발명의 개념의 범위를 벗어나지 않으면서 더 복잡한 블록, 유닛 및/또는 모듈로 물리적으로 결합될 수 있다.
도 2는 본 발명의 일 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법을 설명하기 위한 흐름도이고, 도 3은 본 발명의 일 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법에서 복수개의 정상상태 구간을 이용하는 것을 설명하기 위한 예시도이며, 도 4 및 도 5는 본 발명의 일 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법에서의 데이터 군집화 처리를 설명하기 위한 예시도이고, 도 6은 본 발명의 일 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법에서의 특성 정보 추출을 설명하기 위한 예시도이며, 도 7은 본 발명의 일 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법에서 공간 변환을 적용하여 운전조건에 무관한 데이터를 산출하는 것을 설명하기 위한 예시도로서, 이를 참조하여 본 실시예에 따른 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법을 설명하면 다음과 같다.
도 2에 도시된 것과 같이, 검출부(200)가 베어링 고장 진단을 위한 데이터를 검출한다(S200). 예를 들어, 검출부(200)는 진동 감지 센서를 이용하여 베어링의 진동 데이터를 검출할 수 있다. 또한 검출부(200)는 진동 데이터의 검출시 베어링의 운전조건(예: 베어링의 부하 및 회전속도)을 파악할 수 있다.
이어서 데이터 처리부(100)는 운전조건에 기반하여 상기 단계(S200)에서 검출된 데이터의 군집을 결정한다(S210). 도 3에 도시된 것과 같이, 본 실시예에서는 하나의 정상상태 구간만을 이용하는 것이 아니라 복수개의 정상상태 구간을 이용한다.
따라서 도 4에 도시된 것과 같이 베어링 고장 진단을 위한 데이터(예: 진동 데이터, 구체적으로 진동 RMS, 진동 Pear, 평균 주파수)를 운전조건에 따라 공간상에 나타내면 개개의 분석영역마다 데이터의 군집이 형성되는 것을 확인할 수 있다.
이에 데이터 처리부(100)는 이러한 데이터의 군집들을 결정할 수 있다. 즉, 데이터 처리부(100)는 각각의 군집에 해당하는 운전조건의 범위를 결정할 수 있으며, 이를 위해 종래에 사용되던 기계학습, 이미지 처리 등 다양한 데이터 처리 방식이 사용될 수 있다.
이후 데이터 처리부(100)는 상기 단계(S210)에서 결정된 군집에 따라 상기 단계(S200)에서 검출된 데이터를 분할하고, 군집화 처리한다(S220). 즉, 데이터 처리부(100)는 도 5에 도시된 것과 같이, 결정된 군집 조건에 따라 각각의 진동 데이터를 군집별로 나눌 수 있으며, 예를 들어, 각 진동 데이터에 군집 정보에 해당하는 태그 등을 추가하는 방식으로 데이터를 분할 및 군집화 처리하거나, 각 군집별로 해당 군집에 속하는 진동 데이터의 리스트를 기억하는 방식 등이 사용될 수 있다.
이어서 데이터 처리부(100)는 군집화 처리된 데이터의 각 군집별로 특성 정보를 추출한다(S230). 즉, 데이터 처리부(100)는 진동 데이터로부터 진동 데이터의 특성을 대변해줄 수 있는 핵심 정보를 추출할 수 있다. 예를 들어, 진동 데이터의 진폭, 실효출력(RMS) 등과 같은 Time-domain의 정보나, 베어링의 고장과 연관된 고장 주파수의 에너지 등이 베어링의 상태를 판단하기 위한 특성 정보로 추출될 수 있다.
다만 고장 진단에 있어서 데이터로부터 이러한 특성 인자를 추출하는 것은 베어링이나 이러한 베어링이 설치된 설비 등의 사양에 따라 다양하게 설계될 수 있으며, 이러한 특성 정보 추출은 종래의 베어링 고장 진단 기술에서도 이미 널리 사용되고 있는 것에 해당하므로, 더 자세한 설명은 생략하기로 한다.
또한 이렇게 추출된 특성 정보를 특성인자 공간 내에서 분류(classification)하는 방식으로 고장 진단을 수행할 수 있으며, 이러한 공간 내에서의 분류는 도 6과 같이 도출될 수 있다. 다만 도 6은 설명을 위한 데이터에 해당하므로, 해당 데이터들은 모두 정상의 베어링 상태에서 연산된 것이며, 베어링의 운전조건에 따라 특성 인자의 값도 달라지기 때문에 서로 다른 군집을 이루고 있는 것을 확인할 수 있다.
이후 데이터 처리부(100)는 커널(kernel)을 통해 추출된 특성 정보를 운전조건에 무관한 데이터로 변환한다(S240).
즉, 도 6에 도시된 것과 같이 서로 다른 군집에 의해 나누어져 있는 데이터들을 동일한 기준으로 비교하기 위해서는 군집별 각각의 정상 분포를 하나의 분포로 모아줄 수 있는 공간 변환이 필요하다.
즉, 도 7에 도시된 것과 같이, 군집별로 나누어져 있던 분포를 하나의 분포로 모음으로써, 추출된 특성 정보를 운전조건에 무관한 데이터로 변환할 수 있으며, 커널(kernel)로 지칭되는 공간 변환 함수를 통해 개개의 분포를 하나의 분포로 모아줄 수 있다.
이러한 공간 변환 함수는 운전조건(부하 및 회전속도)을 변수로 하는 함수로, 도 7에서 볼 수 있듯이, 이러한 함수를 원래의 분포에서 빼거나 나누는 방식으로 공간 변환이 이루어질 수 있다.
다만 이러한 공간 변환 함수의 구체적인 형태는 베어링, 이러한 베어링이 설치된 설비 및 진동 센서 등의 사양에 따라 다양하게 설계될 수 있을 것이다.
즉, 도 7은 베어링의 운전조건의 예시로 부하 및 회전속도를 고려한 것이나, 이외에도 다양한 인자가 운전조건으로 활용될 수 있다.
또한 커널은 운전 조건과 특성 인자의 상관 관계를 분석하여 선정될 수 있으며, 일차 함수, 이차 함수 등과 같은 간단한 다항식에서부터 복잡한 비선형 모델까지 다양한 형태의 커널을 사용할 수 있다.
도 7에서 볼 수 있듯이, 이러한 커널을 통해서 변형된 공간 내에 각각의 축은 변형된 특성들을 의미하며 이러한 특성들은 베어링의 운전조건에 무관한 특성들이다.
이어서 진단부(300)는 상기 단계(S240)에서 변환된 데이터를 이용하여 베어링의 고장 정도 또는 건전성을 진단한다(S250).
즉, 도 7에서 볼 수 있듯이, 데이터 처리부(100)에서 출력되는 데이터는 데이터의 공간 분포에 해당하며, 밀집되어 군집을 이루는 데이터의 분포는 정상 데이터의 분포가 되고, 이로부터 멀리 떨어진 데이터일수록 정상성이 떨어지는 것으로 판단할 수 있다. 이러한 정상 데이터의 분포를 통해 고장의 정도를 수치화 하는 것은 고장 정도 진단(건전성인자 산출)(Health Index Evaluation)이며, 이를 이용해 실제 베어링의 건전성을 진단(Health Assessment)할 수도 있다. 다만 이렇게 정상 데이터의 분포를 이용하여 고장 정도 및 건전성을 진단하는 구체적인 방식은 각 설비의 사양 등에 따라 다양하게 개발될 수 있으며, 종래에도 이미 널리 사용 및 연구된 내용에 해당하므로, 더 자세한 설명은 생략하기로 한다.
도 8은 본 발명의 일 실시예에 따른 베어링 고장 진단을 위한 데이터 무조건화 처리 방법을 설명하기 위한 흐름도이다.
즉, 도 8에 도시된 것과 같이, 데이터 처리부(100)는 먼저 베어링 고장 진단을 위한 데이터를 입력받는다(S300). 즉, 데이터 처리부(100)는 베어링이 설치된 설비 전체를 제어하는 상위 제어 장치 등으로부터 베어링의 진동 데이터를 입력받을 수 있으며, 이와 함께 각각의 진동 데이터의 베어링의 운전조건(예: 베어링의 부하 및 회전속도)을 입력받을 수 있다.
이어서 데이터 처리부(100)는, 운전조건에 기반하여 상기 단계(S200)에서 검출된 데이터의 군집을 결정하고(S310), 결정된 군집에 입력된 데이터를 분할하고, 군집화 처리하며(S320), 군집화 처리된 데이터의 각 군집별로 특성 정보를 추출하고(S330), 커널(kernel)을 통해 추출된 특성 정보를 운전조건에 무관한 데이터로 변환한다(S340). 여기서 상기 단계(S310) 내지 단계(S340)은 상술한 도 2의 상기 단계(S210) 내지 단계(S240)과 같은 방식으로 수행될 수 있다.
이와 같이 본 발명의 실시예에 따른 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법은 회전체 고장 진단을 위한 데이터를 분할 및 군집화 처리하고, 공간 변환을 적용하여 운전조건에 무관한 데이터로 변환함으로써, 운전조건에 무관하게 회전체의 고장 정도 또는 건전성을 진단할 수 있도록 하며, 이를 통해 동일한 운전조건에 해당하는 정상 상태가 장시간 유지되지 않는 경우에도 회전체의 고장 정도 또는 건전성을 진단할 수 있도록 한다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다.
100: 데이터 처리부
200: 검출부
300: 진단부

Claims (10)

  1. 검출부가 회전체 고장 진단을 위한 데이터를 검출하는 단계;
    데이터 처리부가 회전체의 운전조건에 기반하여 상기 검출된 데이터를 군집화 처리하는 단계;
    상기 데이터 처리부가 각 군집별로 특성 정보를 추출하는 단계;
    상기 데이터 처리부가 추출된 특성 정보에 공간 변환을 적용하여 상기 특성 정보를 상기 운전조건에 무관한 데이터로 변환하는 단계; 및
    진단부가 변환된 데이터를 이용하여 회전체의 고장 정도 또는 건전성을 진단하는 단계를 포함하고,
    상기 공간 변환을 적용하여 상기 특성 정보를 상기 운전조건에 무관한 데이터로 변환하는 단계에서, 상기 데이터 처리부는 상기 특성 정보 각각에 공간 변환 함수를 적용하되, 상기 각각 적용되는 공간 변환 함수는 각각의 운전조건을 변수로 하는 것을 특징으로 하는 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 검출된 데이터는 회전체의 진동 데이터인 것을 특징으로 하는 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법.
  4. 제3항에 있어서,
    상기 특성 정보를 추출하는 단계에서, 상기 데이터 처리부는 상기 특성 정보로, 상기 진동 데이터의 진폭, 실효출력(RMS), 고장 주파수의 에너지 중 적어도 하나 이상을 추출하는 것을 특징으로 하는 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 데이터 처리부는 상기 회전체 고장 진단을 위한 데이터의 복수개의 정상상태 구간을 이용하는 것을 특징으로 하는 회전체 고장 진단을 위한 데이터 정규화 처리를 이용한 회전체 고장 진단 방법.
  7. 데이터 처리부가 회전체 고장 진단을 위한 데이터를 입력받는 단계;
    상기 데이터 처리부가 회전체의 운전조건에 기반하여 상기 입력된 데이터를 군집화 처리하는 단계;
    상기 데이터 처리부가 각 군집별로 특성 정보를 추출하는 단계; 및
    상기 데이터 처리부가 추출된 특성 정보에 공간 변환을 적용하여 상기 특성 정보를 상기 운전조건에 무관한 데이터로 변환하는 단계를 포함하고,
    상기 공간 변환을 적용하여 상기 특성 정보를 상기 운전조건에 무관한 데이터로 변환하는 단계에서, 상기 데이터 처리부는 상기 특성 정보 각각에 공간 변환 함수를 적용하되, 상기 각각 적용되는 공간 변환 함수는 각각의 운전조건을 변수로 하는 것을 특징으로 하는 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법.
  8. 제7항에 있어서,
    상기 입력된 데이터는 회전체의 진동 데이터인 것을 특징으로 하는 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법.
  9. 제8항에 있어서,
    상기 특성 정보를 추출하는 단계에서, 상기 데이터 처리부는 상기 특성 정보로, 상기 진동 데이터의 진폭, 실효출력(RMS), 고장 주파수의 에너지 중 적어도 하나 이상을 추출하는 것을 특징으로 하는 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법.
  10. 삭제
KR1020180173346A 2018-12-31 2018-12-31 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법 KR102198190B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180173346A KR102198190B1 (ko) 2018-12-31 2018-12-31 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180173346A KR102198190B1 (ko) 2018-12-31 2018-12-31 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법

Publications (2)

Publication Number Publication Date
KR20200082605A KR20200082605A (ko) 2020-07-08
KR102198190B1 true KR102198190B1 (ko) 2021-01-04

Family

ID=71600704

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180173346A KR102198190B1 (ko) 2018-12-31 2018-12-31 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법

Country Status (1)

Country Link
KR (1) KR102198190B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102382628B1 (ko) * 2020-07-28 2022-04-01 서울대학교 산학협력단 위상 정보를 활용한 기어박스의 고장 감지 장치 및 방법
KR102572378B1 (ko) * 2021-05-20 2023-08-31 주식회사 원프레딕트 모터 3상 전류 신호 기반 베어링 결함을 진단하는 방법 및 이러한 방법을 수행하는 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016057310A (ja) * 2015-11-18 2016-04-21 株式会社東芝 蓄電池診断装置およびその方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101823746B1 (ko) * 2016-02-05 2018-01-30 울산대학교 산학협력단 베어링 고장 진단 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016057310A (ja) * 2015-11-18 2016-04-21 株式会社東芝 蓄電池診断装置およびその方法

Also Published As

Publication number Publication date
KR20200082605A (ko) 2020-07-08

Similar Documents

Publication Publication Date Title
Marins et al. Improved similarity-based modeling for the classification of rotating-machine failures
KR101249576B1 (ko) 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치
US10520354B2 (en) Apparatus and method for diagnosing rotor shaft
CN104697767B (zh) 一种基于振动分析的转子系统故障诊断方法及装置
JP6961424B2 (ja) 故障診断システム
Cipollini et al. Unsupervised deep learning for induction motor bearings monitoring
JP2012507790A (ja) 物品監視のためのシステムおよび方法
KR102198190B1 (ko) 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법
US20240069539A1 (en) Sensor-agnostic mechanical machine fault identification
KR20190000826A (ko) 실시간 진동 분석을 이용한 회전기계의 자동진단방법
JP6714498B2 (ja) 設備診断装置及び設備診断方法
Khan et al. System design for early fault diagnosis of machines using vibration features
Cipollini et al. Unintrusive monitoring of induction motors bearings via deep learning on stator currents
CN112711850A (zh) 一种基于大数据的机组在线监测方法
JP2023179851A (ja) 装置状態評価システムおよび装置状態評価方法
Zhao et al. A novel nonlinear spectrum estimation method and its application in on-line condition assessment of bearing-rotor system
JP6801144B2 (ja) 診断装置および診断方法
Magadán et al. Robust prediction of remaining useful lifetime of bearings using deep learning
WO2020162425A1 (ja) 解析装置、解析方法、およびプログラム
Islam et al. A hybrid feature selection scheme based on local compactness and global separability for improving roller bearing diagnostic performance
KR102212022B1 (ko) 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템
US11463032B2 (en) Detecting rotor anomalies by determining vibration trends during transient speed operation
Tastimur et al. Defect diagnosis of rolling element bearing using deep learning
CN116802471A (zh) 综合诊断旋转机械的缺陷的方法及系统
Galar et al. Application of dynamic benchmarking of rotating machinery for e-maintenance

Legal Events

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