KR102209401B1 - 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 - Google Patents

컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 Download PDF

Info

Publication number
KR102209401B1
KR102209401B1 KR1020180163138A KR20180163138A KR102209401B1 KR 102209401 B1 KR102209401 B1 KR 102209401B1 KR 1020180163138 A KR1020180163138 A KR 1020180163138A KR 20180163138 A KR20180163138 A KR 20180163138A KR 102209401 B1 KR102209401 B1 KR 102209401B1
Authority
KR
South Korea
Prior art keywords
gearbox
defect
wavelet
degree
neural network
Prior art date
Application number
KR1020180163138A
Other languages
English (en)
Other versions
KR20200080380A (ko
Inventor
박상혁
최부림
Original Assignee
주식회사 포스코
재단법인 포항산업과학연구원
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 포스코, 재단법인 포항산업과학연구원 filed Critical 주식회사 포스코
Priority to KR1020180163138A priority Critical patent/KR102209401B1/ko
Publication of KR20200080380A publication Critical patent/KR20200080380A/ko
Application granted granted Critical
Publication of KR102209401B1 publication Critical patent/KR102209401B1/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
    • G01M13/021—Gearings
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명의 실시 형태에 따른 기어박스 결함상태 판별 장치는, 기어박스로부터 획득되는 진동신호를 웨이블릿 변환하여 웨이블릿 이미지를 생성하는 웨이블릿 변환부, 및 상기 웨이블릿 이미지를 입력데이터로 하여 컨볼루션 신경망을 실행하여 상기 기어박스의 결함여부 및 결함정도를 판별하는 진단부를 포함하되, 상기 컨볼루션 신경망은 상기 기어박스의 결함정도에 따른 복수의 웨이블릿 샘플 이미지들을 이용하여 미리 학습될 수 있다.

Description

컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법{APPARATUS AND METHOD FOR FAULT DIAGNOSIS OF GEARBOX USING CNN}
본 발명은 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법에 관한 것이다.
제조 및 운송 분야의 다양한 기계장치에서 기어박스가 널리 이용되고 있다. 기어박스 결함으로 인한 손해 발생을 최소화하기 위하여, 기어박스의 결함상태를 모니터링하고 진단하는 기술 개발이 매우 중요하다.
기어박스 결함을 진단하는 기술은 기어박스에서 측정된 기계 진동을 분석하는 것을 기초로 한다. 기어박스 결함을 나타내는 중요 지표에는 기어박스 진동 스펙트럼의 측파대(sideband), 이 맞물림 주파수(the tooth meshing frequency), 및 고조파(harmonics)가 있다. 측파대의 수 및 진폭의 증가는 기어박스의 결함 발생 및 악화를 나타낼 수 있다.
진동 스펙트럼을 얻기 위한 방법으로서 고속 푸리에 변환(FFT; Fast Fourier Transform), STFT(Short-Time Fourier Transform), 힐버트(Hilbert) 변환이 있다. 고속 푸리에 변환은 비 정적 신호의 동적 특성을 밝힐 수 없고, STFT는 시간 및 주파수 영역에서 동시에 만족스러운 해상력을 얻을 수 없다는 문제가 있다. 힐버트 변환은 기어박스의 결함탐지 및 결함정도의 분류를 측 대역의 개수 및 에너지의 육안 검사에 의하므로, 대규모 데이터의 분석에는 부적절하다.
본 발명의 기술적 사상이 이루고자 하는 과제 중 하나는, 웨이블릿 변환을 통해 기어박스의 진동신호를 웨이블릿 이미지로 변환하고, 변환된 웨이블릿 이미지를 컨볼루션 신경망에 입력시켜 특징값들을 추출함으로써, 기어박스의 결함상태를 판별하는 장치 및 방법을 제공하고자 하는 데에 있다.
본 발명의 실시예들에 따른 기어박스 결함상태 판별 장치는, 기어박스로부터 획득되는 진동신호를 웨이블릿 변환하여 웨이블릿 이미지를 생성하는 웨이블릿 변환부, 및 상기 웨이블릿 이미지를 입력데이터로 하여 컨볼루션 신경망을 실행하여 상기 기어박스의 결함여부 및 결함정도를 판별하는 진단부를 포함하되, 상기 컨볼루션 신경망은 상기 기어박스의 결함정도에 따른 복수의 웨이블릿 샘플 이미지들을 이용하여 미리 학습될 수 있다.
본 발명의 실시예들에 따른 기어박스 결함상태 판별 방법은, 기어박스로부터 진동신호를 획득하는 단계, 상기 진동신호를 웨이블릿 변환하여 웨이블릿 이미지를 생성하는 단계, 상기 웨이블릿 이미지 내의 측 대역(side band)에 해당하는 픽셀들의 밝기를 조사하여 특징값들을 추출하는 단계, 및 상기 추출된 특징값들에 기초하여 상기 기어박스의 결함여부 및 결함정도를 판별하는 단계를 포함할 수 있다.
본 발명의 실시예들에 따른 기어박스 결함상태 판별 장치 및 방법은, 웨이블릿 변환 및 컨볼루션 신경망 알고리즘을 이용하여 기어박스의 결함여부 및 결함정도를 판별함으로써, 기어박스의 결함을 조기에 감지하고 주변 장치의 고장 등 추가적인 손해를 예방할 수 있는 효과가 있다.
본 발명의 다양하면서도 유익한 장점 및 효과는 상술한 내용에 한정되지 않으며, 본 발명의 구체적인 실시예를 설명하는 과정에서 보다 쉽게 이해될 수 있을 것이다.
도 1은 진동신호 및 이를 웨이블릿 변환한 이미지를 예시적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 기어박스 결함상태 판별 장치의 구성을 나타낸 도면이다.
도 3은 기어박스의 진동신호 및 이에 대응하는 웨이블릿 이미지의 일 예들을 나타낸 도면이다.
도 4는 본 발명의 실시예들에 적용될 수 있는 컨볼루션 신경망 구조의 일 예를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 기어박스 결함의 판별 과정을 나타낸 흐름도이다.
도 6은 결함정도가 다른 기어박스들을 구체적으로 나타낸 도면이다.
도 7은 기어박스의 결함정도에 따른 웨이블릿 이미지들을 구체적으로 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따른 기어박스 결함 모니터링 시스템을 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들에 대해 상세하게 설명한다. 도면 상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대한 중복된 설명은 생략하기로 한다.
도 1은 진동신호 및 이를 웨이블릿 변환한 이미지를 예시적으로 나타낸 도면이다.
진동신호를 이용하여 기어박스의 결함을 진단하기 위해서는, 진동 스펙트럼을 이용하여 결함 유형별 특징을 추출할 필요가 있다. 진동 스펙트럼을 획득하는 방법에는 고속 푸리에 변환(Fast Fourier Transform), STFT(Short-Time Fourier Transform) 및 웨이블릿 변환(wavelet transform) 등이 있다.
고속 푸리에 변환은 각 결함 유형별 특징 주파수(characteristic frequency)를 이용한 주파수 영역의 분석 방법이다. 고속 푸리에 변환은, 시간 정보를 가지고 있지 않기 때문에, 순간적으로 발생하는 기어박스의 결함을 감지하기 어렵다는 문제가 있다.
STFT는 푸리에 변환에 시간 윈도우의 개념을 도입하여 시간 정보를 알 수 있는 시간-주파수 영역의 분석 방법이다. STFT는 주파수 영역 및 시간 영역 모두에서 고해상도 분석이 불가능하기 때문에, 기어박스의 결함을 감지하는 데 적합하지 않다는 문제가 있다.
이에 반해, 웨이블릿 변환은 주파수 영역에서 신호를 표현하는 푸리에 해석은 물론, 시간적 또는 공간적 추이도 가변적으로 다룰 수 있는 시간-주파수 영역의 분석 방법이다. 웨이블릿 변환을 이용한 시간-주파수 해석은 고주파 영역에서는 시간 분해능이 높고, 저주파 영역에서는 주파수 분해능이 높은 특징을 갖는다. 급격하게 변화하는 신호는 그 변화 시점(위치)이 중요하고, 완만하게 변화하는 신호는 그 변화의 주기 또는 주파수가 중요하기 때문에, 웨이블릿 변환은 STFT에 비해 시간-주파수 해석에서 보다 효과적이다.
본 발명의 실시예들에 따르면, 웨이블릿 변환을 이용하여 1차원 진동신호를 시간-주파수 영역의 2차원 이미지로 변환하고 이를 분석함으로써, 1차원 진동신호에서 확인하기 어려운 데이터간 상관관계로부터 기어박스의 결함 유형별 특징을 보다 효율적으로 추출할 수 있다. 도 1에서, (a)는 기어박스로부터 획득될 수 있는 진동신호의 일 예를 나타내고, (b)는 (a)의 진동신호를 웨이블릿 변환한 결과인 시간-주파수 스펙트럼을 나타낸다.
이하, 도 2 내지 도 5를 참조하여, 본 발명의 일 실시예에 따른 기어박스 결함상태 판별 장치를 상세하게 설명하기로 한다.
도 2는 본 발명의 일 실시예에 따른 기어박스 결함상태 판별 장치의 구성을 나타낸 도면이고, 도 3은 기어박스의 진동신호 및 이에 대응하는 웨이블릿 이미지의 일 예들을 나타낸 도면이다. 도 4는 본 발명의 실시예들에 적용될 수 있는 컨볼루션 신경망 구조의 일 예를 나타낸 도면이다.
도 2를 참조하면, 기어박스 결함상태 판별 장치(200)는 웨이블릿 변환부(210) 및 진단부(230)를 포함할 수 있다.
웨이블릿 변환부(210)는 웨이블릿 변환을 이용하여 기어박스의 1차원의 진동신호를 2차원의 웨이블릿 이미지로 변환할 수 있다. 웨이블릿 이미지는 컨볼루션 신경망의 트레이닝 데이터로 이용되어 상기 컨볼루션 신경망을 학습시키는 데 이용될 수 있다. 또한, 웨이블릿 이미지는 컨볼루션 신경망의 입력데이터로 이용되어 기어박스의 결함여부 및 결함정도를 판별하는 데 이용될 수 있다.
진동신호 및 이에 대응하는 웨이블릿 이미지는 기어박스의 결함정도에 따라 달라질 수 있다. 기어박스의 결함정도에 따른 진동신호 및 이에 대응하는 웨이블릿 이미지의 일 예는 도 3에 도시된 바와 같다. 도 3의 (a)는 기어박스의 결함이 없는 경우를 나타내고, 도 3의 (b)는 기어박스의 결함정도가 제1 단계(Fault severity 1)인 경우를 나타내며, 도 3의 (c)는 기어박스의 결함정도가 제2 단계(Fault severity 2)인 경우를 나타낸다. 도 3의 좌측열은 진동신호를 나타내고, 도 3의 우측열은 웨이블릿 이미지를 나타낸다. 제2 단계(Fault severity 2)는 제1 단계(Fault severity 1)보다 기어박스의 결함정도가 큰 상태를 의미할 수 있다.
진단부(230)는 컨볼루션 신경망(CNN; convolutional neural network) 알고리즘을 이용하여 기어박스의 웨이블릿 이미지로부터 상기 기어박스의 결함여부 및 결함정도를 판별할 수 있다. 예컨대, 진단부(230)는 학습된 컨볼루션 신경망을 이용하여, 웨이블릿 이미지로부터 특징값들을 추출하고 이를 분류함으로써, 기어박스의 결함여부 및 결함정도를 판별할 수 있다.
진단부(230)는 컨볼루션 신경망을 이용하여, 웨이블릿 이미지 내의 측 대역(side band)에 해당하는 픽셀들의 밝기 변화로부터 상기 측 대역의 진폭 변화를 조사함으로써, 기어박스의 결함여부 및 결함정도를 판별할 수 있다.
컨볼루션 신경망은 영상처리를 위해 고안된 특수한 연결구조를 갖는 다층신경망을 말한다. 컨볼루션 신경망은 딥러닝의 한 방법으로서 사물을 인식하는 능력이 뛰어나다. 특히 이미지 인식 분야에서 딥러닝을 활용하는 기법은 거의 대부분 컨볼루션 신경망을 기초로 하고 있다. 컨볼루션 신경망은 컨볼루션 기능(기존의 영상처리 필터)과 신경망이 결합된 구조를 갖는다. 일반적인 신경망은 입력된 이미지를 그대로 처리하는 반면, 컨볼루션 신경망은 입력된 이미지에서 특징값들을 추출하여 처리한다.
컨볼루션 신경망은 입력된 웨이블릿 이미지(입력데이터)로부터 특징값들을 추출하기 위하여 컨볼루션 레이어 및 풀링(pooling) 레이어를 포함할 수 있다. 컨볼루션 레이어는 컨볼루션 연산을 수행하며, 컨볼루션 연산결과의 해상도는 풀링 레이어에 의해 조절될 수 있다. 웨이블릿 이미지는 컨볼루션 레이어 및 풀링 레이어를 통과하면서 위치적 연관성을 기초로 잘게 나눠지므로, 해당 이미지의 다양한 특징들이 잘 추출될 수 있게 된다. 이와 같은 구조로 인하여, 컨볼루션 신경망은 이미지 인식 및 판별 분야에서 좋은 성능을 보여준다.
본 발명의 실시예들에 적용될 수 있는 컨볼루션 신경망 구조의 일 예는 도 4에 도시된 바와 같다.
도 4를 참조하면, 컨볼루션 신경망은 입력레이어(410), 히든레이어(430) 및 출력레이어(450)를 포함할 수 있다.
히든레이어(430)는 입력레이어(410)와 출력레이어(450) 사이에 위치하며, 복수의 컨볼루션 레이어들을 포함할 수 있다. 또한, 히든레이어(430)는, 복수의 컨볼루션 레이어들 각각의 출력인 특징 맵(feature map)의 해상도(resolution)를 조절하기 위하여, 풀링(pooling) 레이어를 더 포함할 수 있다. 여기서, 특징 맵은 각 레이어에 입력된 데이터의 다양한 특징들이 표현된 데이터를 의미할 수 있다.
컨볼루션 신경망을 구성하는 모든 레이어들은 각각 복수의 노드들을 포함하며, 각 노드는 인접한 다른 레이어의 노드들과 상호 연결되어 소정의 연결 가중치가 적용된 출력값을 다른 노드들의 입력으로 전달할 수 있다.
컨볼루션 레이어는 2차원 또는 3차원 행렬 형태의 컨볼루션 커널(필터)을 이용하여 각 레이어에 입력된 데이터에 대해 컨볼루션 연산을 수행함으로써 특징 맵을 생성할 수 있다. 컨볼루션 레이어의 개수, 컨볼루션 커널의 크기 등은 컨볼루션 신경망의 학습과정 이전에 미리 설정될 수 있다.
출력레이어(450)는 완전 연결 레이어(fully connected layer)로 구성될 수 있다. 출력레이어(450)의 노드들은 특징 맵에 표현된 다양한 특징들을 조합하여 입력레이어(410)로 입력된 입력데이터의 특징값들을 출력할 수 있다.
컨볼루션 신경망은 기어박스의 다양한 웨이블릿 샘플 이미지들 및 이에 대응하는 결함정도를 트레이닝 데이터로 이용하여 미리 학습될 수 있다. 컨볼루션 신경망의 학습 과정은 컨볼루션 신경망의 입력데이터에 대한 명시적인 정답인 레이블(label)을 이용하여 컨볼루션 신경망을 구성하는 컨볼루션 커널의 계수값들을 산출하는 과정을 의미할 수 있다. 컨볼루션 커널의 계수값들은, 컨볼루션 신경망의 출력데이터(특징값들)와 레이블 사이의 오차를 최소화하기 위하여, 오류 역전파(error backpropagation) 알고리즘 등을 이용한 반복된 학습 과정을 통해 업데이트될 수 있다. 한편, 기어박스의 다양한 웨이블릿 이미지들 및 이에 대응하는 결함정도는 비휘발성 메모리 또는 스토리지 등에 미리 저장될 수 있다.
진단부(230)는 기어박스의 결함여부 및 결함정도의 판별 결과를 나타내는 기어박스의 결함상태 정보신호(Dout)를 출력할 수 있다. 진단부(230)로부터 출력된 결함상태 정보신호(Dout)에 기초하여 디스플레이 장치 등을 통해 사용자에게 기어박스의 결함상태 정보가 전달될 수 있다.
웨이블릿 변환부(210) 및 진단부(230)는 프로세서 등의 하드웨어 또는 소프트웨어로 구현되거나, 하드웨어 및 소프트웨어의 조합으로 구현될 수 있다.
이하, 도 5 내지 도 8을 참조하여, 기어박스 결함상태 판별 장치(200)가 기어박스의 결함상태 및 결함정도를 판별하는 과정을 상세하게 설명하기로 한다.
도 5는 본 발명의 일 실시예에 따른 기어박스 결함의 판별 과정을 나타낸 흐름도이고, 도 6은 결함정도가 다른 기어박스들을 구체적으로 나타낸 도면이며, 도 7은 기어박스의 결함정도에 따른 웨이블릿 이미지들을 구체적으로 나타낸 도면이다.
도 2 및 도 5를 참조하면, 단계 S510에서, 웨이블릿 변환부(210)는 기어박스의 진동신호(Din)를 획득할 수 있다. 기어박스의 진동신호(Din)는 기어박스에 설치된 적어도 하나의 진동센서에 의해 생성될 수 있다. 기어박스의 진동신호(Din)는 기어박스의 기계 진동에 의한 신호로서, 시간 영역의 1차원 신호일 수 있다.
단계 S530에서, 웨이블릿 변환부(210)는 기어박스로부터 측정된 1차원 진동신호를 웨이블릿 변환하여, 시간-주파수 영역의 2차원 웨이블릿 이미지를 생성할 수 있다. 기어박스의 진동신호 및 이에 대응하는 웨이블릿 이미지의 일 예는 도 3을 참조하여 전술한 바와 같다.
단계 S550에서, 진단부(230)는 컨볼루션 신경망을 이용하여 기어박스의 웨이블릿 이미지로부터 기어박스의 결함여부 및 결함정도를 판별할 수 있다. 예컨대, 진단부(230)는 기어박스의 웨이블릿 이미지를 컨볼루션 신경망에 입력시켜 특징값들을 추출하고 이를 분류함으로써, 상기 기어박스의 결함상태 및 결함정도를 판별할 수 있다. 컨볼루션 신경망은 기어박스의 결함정도별 복수의 웨이블릿 샘플 이미지들을 이용하여 미리 학습될 수 있다.
기어박스의 결함정도는 결함의 심각도(severity)에 따라 복수의 단계들로 구분될 수 있다. 예컨대, 기어박스의 결함정도는 기어의 이(tooth)에 손상이 간 정도에 따라 3 단계로 구분될 수 있으며, 그 구체적인 예는 도 6에 도시된 바와 같다. 도 6을 참조하면, 기어박스의 결함정도는 결함의 심각도가 커지는 순서에 따라 제1 단계(Fault 1), 제2 단계(Fault 2), 및 제3 단계(Fault 3)로 구분될 수 있다.
기어박스의 결함정도(Fault 1-3)에 따른 웨이블릿 이미지들의 일 예들은 도 7에 도시된 바와 같다. 도 7을 참조하면, 기어박스의 결함정도가 커질수록, 웨이블릿 이미지의 시간-주파수 스펙트럼 밀도가 작아진다는 것을 확인할 수 있다.
한편, 각각의 단계(Fault 1-3)별로 생성된 480개의 웨이블릿 이미지들을 이용하여 학습된 컨볼루션 신경망은 실험적으로 약 95%의 정확도를 갖는다.
이하, 도 8을 참조하여 기어박스의 결함을 모니터링하는 시스템을 상세하게 설명하기로 한다.
도 8은 본 발명의 일 실시예에 따른 기어박스 결함 모니터링 시스템을 나타낸 도면이다.
도 8을 참조하면, 기어박스 결함 모니터링 시스템(20)은 적어도 하나의 진동센서(21) 및 컴퓨팅 장치(22)를 포함할 수 있다. 또한, 기어박스 결함 모니터링 시스템(20)은 컨볼루션 신경망의 트레이닝 데이터 등 각종 데이터를 저장하기 위한 스토리지(23)를 더 포함할 수 있다.
진동센서(21)는 기어박스(10)의 여러 지점에 배치되어 기어박스(10)의 기계 진동을 측정할 수 있다. 예컨대, 진동센서(21)는 기어박스(10)의 표면 상에 서로 수직을 이루는 3방향으로 배치될 수 있다.
진동센서(21)에 의해 측정된 진동신호는 기어박스(10)의 기계 진동을 나타내는 시간 영역의 1차원 신호일 수 있다.
컴퓨팅 장치(22)는 컨볼루션 신경망을 이용하여 진동센서(21)에 의해 측정된 진동신호로부터 기어박스(10)의 결함여부 및 결함상태를 판별할 수 있다. 예컨대, 컴퓨팅 장치(22)는 1차원 진동신호를 웨이블릿 변환하여 2차원 웨이블릿 이미지를 생성한 후, 2차원 웨이블릿 이미지를 컨볼루션 신경망에 입력시켜 특징값들을 추출하고 이를 분류함으로써, 기어박스(10)의 결함여부 및 결함상태를 판별할 수 있다. 컨볼루션 신경망은 기어박스(10)의 결함정도를 달리하는 다양한 웨이블릿 샘플 이미지들을 트레이닝 데이터로 하여 미리 학습될 수 있다. 컨볼루션 신경망의 트레이닝 데이터는 컴퓨팅 장치(22) 내의 비휘발성 메모리 또는 스토리지(23)에 저장될 수 있다.
컴퓨팅 장치(22)에는 도 2를 참조하여 전술한 기어박스 결함상태 판별 장치(200)가 탑재될 수 있다. 기어박스 결함상태 판별 장치(200)의 각 구성은 하드웨어, 소프트웨어 또는 양자의 조합으로 구현될 수 있다.
컴퓨팅 장치(22)에 의해 판별된 기어박스(10)의 결함상태에 대한 정보는 사용자 장치(30)로 전송될 수 있다. 사용자는 사용자 장치(30)를 통해 기어박스(10)의 결함상태를 모니터링하고, 기어박스(10)의 수리 또는 교체여부를 조기에 결정함으로써, 기어박스(10)의 결함에 따른 추가적인 손실을 예방할 수 있다.
본 발명은 상술한 실시형태 및 첨부된 도면에 의해 한정되는 것이 아니며 첨부된 청구범위에 의해 한정하고자 한다. 따라서, 청구범위에 기재된 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 당 기술분야의 통상의 지식을 가진 자에 의해 다양한 형태의 치환, 변형 및 변경이 가능할 것이며, 이 또한 본 발명의 범위에 속한다고 할 것이다.
200: 기어박스 결함상태 판별 장치
210: 웨이블릿 변환부 230: 진단부
410: 입력 레이어 430: 히든 레이어
450: 출력 레이어
10: 기어박스
20: 기어박스 결함 모니터링 시스템
21: 진동센서 22: 컴퓨팅 장치
23: 스토리지
30: 사용자 장치

Claims (8)

  1. 기어박스로부터 획득되는 시간 영역의 1차원 진동신호를 웨이블릿 변환하여 시간-주파수 영역의 2차원 웨이블릿 이미지를 생성하는 웨이블릿 변환부; 및
    상기 웨이블릿 이미지를 입력데이터로 하여 컨볼루션 신경망을 실행하여 상기 기어박스의 결함여부 및 결함정도를 판별하는 진단부를 포함하고,
    상기 진단부는, 상기 웨이블릿 이미지 내의 측 대역(side band)에 해당하는 픽셀들의 밝기 변화로부터 상기 측 대역의 진폭 변화를 조사함으로써, 상기 기어박스의 결함여부 및 결함정도를 판별하고,
    상기 컨볼루션 신경망은 상기 기어박스의 결함정도에 따른 복수의 웨이블릿 샘플 이미지들을 이용하여 미리 학습되는,
    기어박스 결함상태 판별 장치.
  2. 제1항에 있어서,
    상기 진동신호는,
    상기 기어박스의 기계 진동을 나타내는,
    기어박스 결함상태 판별 장치.
  3. 삭제
  4. 제1항에 있어서,
    상기 기어박스의 결함정도는,
    기어의 이(tooth)에 손상이 간 정도에 따라 복수의 단계들로 구분되는,
    기어박스 결함상태 판별 장치.
  5. 기어박스로부터 시간 영역의 1차원 진동신호를 획득하는 단계;
    상기 진동신호를 웨이블릿 변환하여 시간-주파수 영역의 2차원 웨이블릿 이미지를 생성하는 단계;
    상기 웨이블릿 이미지 내의 측 대역(side band)에 해당하는 픽셀들의 밝기를 조사하여 특징값들을 추출하는 단계; 및
    상기 추출된 특징값들에 기초하여 상기 기어박스의 결함여부 및 결함정도를 판별하는 단계를 포함하고,
    상기 기어박스의 결함여부 및 결함정도를 판별하는 단계는, 상기 웨이블릿 이미지 내의 측 대역(side band)에 해당하는 픽셀들의 밝기 변화로부터 상기 측 대역의 진폭 변화를 조사함으로써, 상기 기어박스의 결함여부 및 결함정도를 판별하는,
    기어박스 결함상태 판별 방법.
  6. 제5항에 있어서,
    상기 진동신호는,
    상기 기어박스의 기계 진동을 나타내는,
    기어박스 결함상태 판별 방법.
  7. 제5항에 있어서,
    상기 기어박스의 결함정도는,
    기어의 이(tooth)에 손상이 간 정도에 따라 복수의 단계들로 구분되는,
    기어박스 결함상태 판별 방법.
  8. 제5항에 있어서,
    상기 특징값들을 추출하는 단계는 상기 웨이블릿 이미지를 입력데이터로 하여 컨볼루션 신경망을 실행함으로써 수행되고,
    상기 컨볼루션 신경망은 상기 기어박스의 결함정도에 따른 복수의 웨이블릿 샘플 이미지들을 이용하여 미리 학습되는,
    기어박스 결함상태 판별 방법.
KR1020180163138A 2018-12-17 2018-12-17 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 KR102209401B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180163138A KR102209401B1 (ko) 2018-12-17 2018-12-17 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180163138A KR102209401B1 (ko) 2018-12-17 2018-12-17 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200080380A KR20200080380A (ko) 2020-07-07
KR102209401B1 true KR102209401B1 (ko) 2021-02-01

Family

ID=71603263

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180163138A KR102209401B1 (ko) 2018-12-17 2018-12-17 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102209401B1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102535105B1 (ko) * 2020-11-25 2023-05-22 주식회사 이파피루스 회전기계의 이상 여부 판단을 위한 인공 뉴럴 네트워크 학습 방법, 회전기계의 이상 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템
CN112557034B (zh) * 2020-12-25 2022-07-19 南京理工大学 一种基于pca_cnns的轴承故障诊断方法
CN113268826B (zh) * 2021-05-06 2022-12-27 上海大学 一种改进多任务卷积神经网络的斜齿轮箱故障诊断方法
KR20230030405A (ko) * 2021-08-25 2023-03-06 주식회사 엘지에너지솔루션 와이어 본딩의 불량 검출 장치 및 그 동작 방법
CN114062511A (zh) * 2021-10-24 2022-02-18 北京化工大学 一种基于单传感器的航空发动机早期损伤声发射智能识别方法
CN114048682B (zh) * 2021-11-22 2024-05-03 昆明理工大学 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法
CN114298210A (zh) * 2021-12-24 2022-04-08 江苏国科智能电气有限公司 一种多视角融合风电齿轮箱轴承剩余寿命预测方法
CN117249996B (zh) * 2023-11-10 2024-02-13 太原理工大学 矿用刮板机齿轮箱轴承的故障诊断方法
CN117782588B (zh) * 2024-02-28 2024-05-24 江苏国茂减速机股份有限公司 一种减速机的智能故障检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110108950A (ko) * 2010-03-30 2011-10-06 울산대학교 산학협력단 신경회로망과 특징점을 이용한 고장진단장치 및 그의 고장진단방법
KR101961177B1 (ko) * 2016-07-22 2019-03-22 한국과학기술원 뉴럴 네트워크를 이용한 영상 처리 방법 및 장치

Also Published As

Publication number Publication date
KR20200080380A (ko) 2020-07-07

Similar Documents

Publication Publication Date Title
KR102209401B1 (ko) 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법
CN110389170B (zh) 基于Lamb波成像的列车部件裂纹损伤检测方法和系统
Zhang et al. Kurtosis based weighted sparse model with convex optimization technique for bearing fault diagnosis
Vishwakarma et al. Vibration analysis & condition monitoring for rotating machines: a review
Shen et al. Fault diagnosis of rotating machinery based on the statistical parameters of wavelet packet paving and a generic support vector regressive classifier
Safizadeh et al. Using multi-sensor data fusion for vibration fault diagnosis of rolling element bearings by accelerometer and load cell
Zhou et al. A novel entropy-based sparsity measure for prognosis of bearing defects and development of a sparsogram to select sensitive filtering band of an axial piston pump
Sanz et al. Fault diagnosis of rotating machinery based on auto-associative neural networks and wavelet transforms
Yang et al. Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey
Guo et al. A novel signal compression method based on optimal ensemble empirical mode decomposition for bearing vibration signals
Wu et al. Continuous wavelet transform technique for fault signal diagnosis of internal combustion engines
Senanayaka et al. Multiple classifiers and data fusion for robust diagnosis of gearbox mixed faults
Wu et al. Fault gear identification using vibration signal with discrete wavelet transform technique and fuzzy–logic inference
He et al. Optimized minimum generalized Lp/Lq deconvolution for recovering repetitive impacts from a vibration mixture
GB2543521A (en) Method and data processing device for severity assessment of bearing defects using vibration energy
KR101129466B1 (ko) 웨이블렛 스레스홀딩 함수와 4차 모멘트를 이용한 회전기계의 상태 진단 방법
Tang et al. Intelligent fault diagnosis of helical gearboxes with compressive sensing based non-contact measurements
Samali et al. Location and severity identification of notch-type damage in a two-storey steel framed structure utilising frequency response functions and artificial neural network
KR102300049B1 (ko) 머신러닝 기반 주파수 분석을 이용한 고장 진단 장치 및 방법
JP2012018066A (ja) 異常検査装置
Qin et al. Adaptively detecting the transient feature of faulty wind turbine planetary gearboxes by the improved kurtosis and iterative thresholding algorithm
Pineda-Sanchez et al. Transient motor current signature analysis via modulus of the continuous complex wavelet: A pattern approach
Lin et al. Condition monitoring and fault diagnosis of roller element bearing
KR102289212B1 (ko) 인공지능 기반 고장 진단 장치 및 방법
Dervilis et al. Robust methods for outlier detection and regression for SHM applications

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant