KR102240775B1 - 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법 - Google Patents

딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법 Download PDF

Info

Publication number
KR102240775B1
KR102240775B1 KR1020190124449A KR20190124449A KR102240775B1 KR 102240775 B1 KR102240775 B1 KR 102240775B1 KR 1020190124449 A KR1020190124449 A KR 1020190124449A KR 20190124449 A KR20190124449 A KR 20190124449A KR 102240775 B1 KR102240775 B1 KR 102240775B1
Authority
KR
South Korea
Prior art keywords
noise data
failure
unit
deep learning
data
Prior art date
Application number
KR1020190124449A
Other languages
English (en)
Inventor
김광순
이창호
Original Assignee
한국콘베어공업주식회사
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 한국콘베어공업주식회사 filed Critical 한국콘베어공업주식회사
Priority to KR1020190124449A priority Critical patent/KR102240775B1/ko
Application granted granted Critical
Publication of KR102240775B1 publication Critical patent/KR102240775B1/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
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0066—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by exciting or detecting vibration or acceleration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
    • G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0033—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining damage, crack or wear
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명에 따른 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법은 전동 설비의 고장 유형별 소음 데이터를 취득하는 단계; 상기 소음 데이터를 소정 길이를 갖는 복수개의 단위 소음 데이터로 분할하는 단계; 상기 단위 소음 데이터로부터 주성분 소음 데이터를 추출하는 단계; 상기 추출된 주성분 소음 데이터에 대해 STFT(Short Time Fourier Transform) 변환을 수행하여 상기 복수개의 단위 소음 데이터의 STFT 이미지들을 생성하는 단계; 상기 STFT 이미지들을 학습 데이터로 이용하여 상기 전동 설비의 고장을 판별하기 위한 딥 러닝 모델을 생성하는 딥 러닝 모델을 생성하는 단계; 및 타겟 소음 데이터에 대해 상기 딥 러닝 모델을 통해 분류된 고장 유형들중 가장 많은 횟수로 분류된 고장 유형을 상기 타겟 소음 데이터의 고장 유형으로 결정하는 단계를 포함한다.

Description

딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법{DEEP LEARNING-BASED APPARATUS AND METHOD FOR DETERMINING BREAKDOWN OF POWER TRANSFER DEVICE USING NOISE DATA}
본 발명은 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법에 관한 것으로서, 특히 전동 설비에서 발생되는 소음 데이터를 이용하여 전동 설비를 구성하는 구성품들의 고장 유형별로 고장여부를 판별하는, 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법에 관한 것이다.
기계산업은 동력의 발생(원동기), 인간과 화물의 이동(자동차, 선박, 항공기 등), 제품의 제조(공작기계, 섬유기계 등), 음식료품의 재배와 가공(농기계, 음식료품 가공기계 등), 미지에의 탐험(우주선, 심해선 등), 진단 및 치료, 제어/계측/측정(의료용 기계, 계측기 등) 등 인간 생활의 전반에 걸쳐 있으며 산업화 등 인류발전의 전환기에 핵심적인 역할을 수행하고 있다.
기계 산업에서 사용되는 기계 장치중 동력전달(전동) 설비가 있다.
전동 설비는 엔진에서 발생한 동력(기계적인 일에 직접 이용할 수 있는 에너지)을 작업부로 전달하기 위해 사용하는 설비를 말한다. 동력 전달 장치는 동력 공급 및 전달, 회전 속도 제어 등의 기능을 하며, 단독 또는 여러 장치가 어울려 동력 전달 계동을 이루어 사용되고 있다.
이러한 전동 설비는 일반적으로, 체인류 장치, 전동기류 장치, 감속기류 장치 및 베어링류 장치를 포함할 수 있다.
전동 설비는 동력이 요구되는 산업분야에서 사용되는 필수적인 장치로서 계속적으로 진단 및 수리가 필요하며, 동력전달 기기의 부품들은 마모, 주기적으로 교체되어야 한다.
그러므로, 전동 설비의 부품들이 고장나거나 수명이 다되면 이를 검출할 필요가 있다.
특히, 제조업 공장의 스마트 생산 시스템의 경우, 고장으로 인한 작동 중단(downtime) 시에는 단순히 부품 교체로 인한 유지 보수 비용 뿐만 아니라 수리 기간 동안 제품 생산을 하지 못해 발생하는 손실 기회 비용이 상당히 치명적일 수 있다.
이에, 본 발명은 전동 설비의 고장을 소음 데이터로부터 신속하게 판별할 수 있는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법을 제공한다.
또한, 본 발명은 딥 리닝을 이용하여 소음 데이터로부터 전동 설비의 고장을 정확하게 판별할 수 있는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법을 제공한다.
본 발명의 일 실시예에 따라, 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법은 전동 설비의 고장 유형별 소음 데이터를 취득하는 단계; 상기 소음 데이터를 소정 길이를 갖는 복수개의 단위 소음 데이터로 분할하는 단계; 상기 단위 소음 데이터로부터 주성분 소음 데이터를 추출하는 단계; 상기 추출된 주성분 소음 데이터에 대해 STFT(Short Time Fourier Transform) 변환을 수행하여 상기 복수개의 단위 소음 데이터의 STFT 이미지들을 생성하는 단계; 상기 STFT 이미지들을 학습 데이터로 이용하여 상기 전동 설비의 고장을 판별하기 위한 딥 러닝 모델을 생성하는 딥 러닝 모델을 생성하는 단계; 및 타겟 소음 데이터에 대해 상기 딥 러닝 모델을 통해 분류된 고장 유형들중 가장 많은 횟수로 분류된 고장 유형을 상기 타겟 소음 데이터의 고장 유형으로 결정하는 단계를 포함한다.
상기 전동 설비의 고장 판별 방법은, 상기 STFT 이미지들을 학습 데이터 셋(Training data set)과 평가 데이터 셋(Testing data set)으로 소정 비율로 나누는 단계; 및 상기 학습 데이터 셋과 평가 데이터 셋을 이용하여 상기 딥 러닝 모델을 학습시키는 단계를 더 포함할 수 있다.
상기 전동 설비의 고장을 판별하기 위한 딥 러닝 모델은 컨벌루션 뉴럴 네트워크(convolutional neural network) 기반 모델일 수 있다.
상기 소음 데이터를 분할하는 단계는, 상기 단위 소음 데이터를 다운 샘플링하는 단계를 포함하는 전동 설비의 고장 판별 방법.
상기 소음 데이터의 샘플링 주파수는 50 kHz이고, 상기 단위 소음 데이터의 다운 샘플링 주파수는 20 kHz일 수 있다.
상기 소음 데이터를 소정 길이를 갖는 복수개의 단위 소음 데이터로 분할하는 단계는, 유클리디언 거리 분석으로 상기 소음 데이터의 시간당 유사도를 확인한 후 상기 소정 길이를 3초로 설정하는 단계를 포함할 수 있다.
상기 전동 설비의 고장 판별 방법은 상기 소음 데이터를 소정 길이를 갖는 복수개의 단위 소음 데이터로 분할하는 단계 이후에, 상기 단위 소음 데이터로부터 저주파수 성분을 제거하는 단계를 더 포함할 수 있다.
상기 복수개의 단위 소음 데이터의 STFT 이미지들을 생성하는 단계는, 상기 복수개의 단위 소음 데이터에 대해 STFT 변환을 수행하여 그레이 스케일 이미지를 생성하고, 상기 딥 러닝 모델에서의 처리를 용이하게 하기 위해 상기 그레이 스케일 이미지를 소정 크기의 정사각형 이미지로 변환하는 단계를 포함할 수 있다.
상기 단위 소음 데이터로부터 주성분 소음 데이터를 추출하는 단계는, 상기 단위 소음 데이터의 분산과 거리를 측정하여 단위 소음 데이터로부터 주성분 소음 데이터를 추출하는 단계를 포함할 수 있다.
상기 전동 설비는 감속기 및 전동기를 포함하는 전동 장치 및 전동 장치에 연결된 체인, 체인에 연결된 기어, 및 베어링를 포함하는 전동 부품을 포함하며, 상기 전동 설비의 고장 유형은 기어의 이(teeth)에 크랙이 생긴 고장, 감속기의 기어가 0.5개 빠진 고장, 감속기의 기어가 1개 빠진 고장, 베어링의 외륜에 결함이 생긴 고장, 베어링 볼에 결함이 생긴 고장, 전동기 축 기어가 1개 빠진 고장, 전동기에서 편심이 발생한 고장 및 이들의 둘 이상의 조합의 고장을 포함할 수 있다.
본 발명의 일 실시예에 따른 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치는 전동 설비의 고장 유형별 소음 데이터를 취득하는 소음 센싱부; 상기 소음 데이터를 소정 길이를 갖는 복수개의 단위 소음 데이터로 분할하는 데이터 분할부; 상기 단위 소음 데이터로부터 주성분 소음 데이터를 추출하는 주성분 추출부; 상기 추출된 주성분 소음 데이터에 대해 STFT(Short Time Fourier Transform) 수행하여 상기 복수개의 단위 소음 데이터의 STFT 이미지들을 생성하는 STFT 처리부; 상기 STFT 이미지들을 학습 데이터로 이용하여 상기 전동 설비의 고장을 판별하기 위한 딥 러닝 모델을 생성하는 딥 러닝 모델을 생성하는 딥 러닝 모델 생성부; 타겟 소음 데이터를 상기 데이터 분할부에 입력하는 타겟 소음 데이터 입력부; 및 상기 타겟 소음 데이터에 대해 상기 딥 러닝 모델을 통해 분류된 고장 유형들중 가장 많은 횟수로 분류된 고장 유형을 상기 타겟 소음 데이터의 고장 유형으로 결정하는 고장 판별부를 포함한다.
상기 전동 설비의 고장 판별 장치는 상기 STFT 이미지들을 학습 데이터 셋(Training data set)과 평가 데이터 셋(Testing data set)으로 소정 비율로 나누고, 상기 학습 데이터 셋 및 평가 데이터 셋을 상기 딥 러닝 모델에 입력하는 데이터 셋 생성부를 더 포함할 수 있다.
상기 데이터 분할부는 상기 단위 소음 데이터를 다운 샘플링할 수 있다.
상기 데이터 분할부는 유클리디언 거리 분석으로 상기 소음 데이터의 시간당 유사도를 확인한 후 상기 소정 길이를 3초로 설정할 수 있다.
상기 주성분 추출부는 상기 주성분 소음 데이터를 추출하기 전에 상기 단위 소음 데이터로부터 저주파수 성분을 제거할 수 있다.
상기 STFT 처리부는 상기 복수개의 단위 소음 데이터에 대해 STFT 변환을 수행하여 그레이 스케일 이미지를 생성하고, 상기 딥 러닝 모델에서의 처리를 용이하게 하기 위해 상기 그레이 스케일 이미지를 소정 크기의 정사각형 이미지로 변환할 수 있다.
상기 주성분 추출부는 상기 단위 소음 데이터의 분산과 거리를 측정하여 단위 소음 데이터로부터 주성분 소음 데이터를 추출할 수 있다.
본 발명에 의하면, 전동 설비의 고장을 소음 데이터로부터 신속하게 판별할 수 있는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법을 제공할 수 있다.
또한, 본 발명에 따르면, 딥 리닝을 이용하여 소음 데이터로부터 전동 설비의 고장을 정확하게 판별할 수 있는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법을 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치의 블록도를 도시한다.
도 2는 정상 유형의 다운샘플링 예시를 도시하고 있다.
도 3은 본 발명의 실시예에 따른 주성분 소음 데이터를 도시한 도면이다.
도 4는 본 발명의 실시예에 따른 STFT 이미지를 도시한 도면이다.
도 5는 본 발명에 따른 전동 설비의 고장을 판별하기 위한 딥 러닝 모델의 개념을 도시한 도면이다.
도 6은 본 발명의 실시예에 따른 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법의 흐름도이다.
이하, 본 발명의 실시 예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시예를 설명함에 있어, 관련된 공지구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 발명의 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
본 발명은 소음으로부터 전동 설비의 고장을 판별하는 전동 설비의 고장 판별 장치 및 방법을 제공한다. 이를 위해 본 발명은 전동 설비의 고장을 예측하기 위한 딥 러닝 모델을 생성한다. 딥 러닝은 데이타를　기반으로　학습을　시켜서　예측을 수행하는　기법이다. 이를 위해 본 발명은 딥 러닝 모델을 학습시키기 위한 데이터 셋을 생성한다. 데이터 셋은 전동 설비의 고장 유형별 소음 데이터를 이용하여 생성된다. 특히 소음 데이터는 이미지 데이터로 변환되어 데이터 셋을 생성하는데 이용된다.
이하 도면을 참조하여, 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법을 설명한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치의 블록도를 도시한다.
도 1을 참조하면, 전동 설비의 고장 판별 장치(100)는 소음 센싱부(110), 데이터 분할부(120), 주성분 추출부(130), STFT 처리부(140), 데이터 셋 생성부(150) 및 CNN 모델 생성부(160)를 포함한다.
소음 센싱부(110)는 고장 유형별 소음 데이터를 취득한다. 소음 센싱부(110)는 예컨대, 50 Khz의 샘플링 주파수로 소음 데이터를 감지한다. 이 경우 소음 데이터(110)는 고장 유형별로 소정 시간, 예컨대, 10분 이상 소음 데이터를 취득한다.
구체적으로 전동 설비를 구성하는 구성요소별로 고장을 발생시켜, 고장이 발생한 경우의 소음 데이터를 취득한다. 전동 설비를 구성하는 구성요소들은 감속기, 전동기 등의 전동 장치와 전동 장치에 연결된 체인, 체인에 연결된 기어, 베어링 등의 전동 부품을 포함한다.
고장이 발생한 경우는 개별 구성요소가 고장난 경우와 복수개의 구성요소들이 고장난 경우를 포함할 수 있다. 개별 구성요소가 고장난 경우는 전동 설비를 구성하는 복수개의 구성요소들 중 하나만이 고장난 경우를 말한다. 복수개의 구성요소들이 고장난 경우는 2개 이상의 구성요소들이 고장난 경우를 포함한다. 개별 구성요소가 고장난 경우는 기어의 이(teeth)에 크랙이 생긴 경우, 감속기의 기어가 0.5개 빠진 경우, 감속기의 기어가 1개 빠진 경우, 베어링의 외륜에 결함이 생긴 경우, 베어링 볼에 결함이 생긴 경우, 전동기 축 기어가 1개 빠진 경우, 전동기에서 편심이 발생한 경우 등을 포함할 수 있다. 복수개의 구성요소들이 고장난 경우는 베어링의 외륜에 결함이 생기고, 전동기에 편심이 발생한 경우, 베어링의 볼에 결함이 생기고 전동기에 편심이 발생한 경우, 베어링의 외륜에 결함이 생기고 전동기 기어의 이가 1개 빠진 경우, 베어링의 볼에 결함이 생기고 전동기 기어의 이가 1개 빠진 경우, 베어링의 외륜에 결함이 생기고 감속기 기어의 이가 1개 빠진 경우, 베어링의 볼에 결함이 생기고 감속기 기어의 이가 1개 빠진 경우, 전동기에 편심이 발생하고 감속기 기어의 이가 1개 빠진 경우, 베어링의 외륜에 결함이 생기고 전동기에 편심이 발생하고 감속기 기어의 이가 1개 빠진 경우, 베어링의 볼에 결함이 생기고 전동기에 편심이 발생하고 감속기 기어의 이가 1개 빠진 경우 등을 포함할 수 있다.
소음 센싱부(110)에 의해 취득된 소음 데이터는 메모리(도시 생략)에 저장될 수 있다. 소음 데이터는 전술한 바와 같은 고장 원인별로 데이터베이스에 저장될 수 있다.
데이터 분할부(120)는 소음 데이터를 복수개의 소정 길이의 단위 소음 데이터로 분할한다. 소정 길이는 소음 데이터로부터 고장 유형을 판단할 수 있는 최소 길이가 될 수 있다. 즉, 소정 길이는 소음 데이터에서 고장의 유형의 특징이 나타날 수 있는 최소 단위가 될 수 있다. 소정 길이는 1초 내지 10초 사이에서 결정될 수 있다. 본 실시예에서는 유클리디언 거리 분석으로 소음 데이터의 시간당 유사도를 확인한 후 소정 길이를 3초로 설정하였다. 데이터 분할부(120)는 소음 데이터를 소정 길이의 단위 소음 데이터로 분할하여 소정 길이의 단위 소음 데이터의 파일을 생성할 수 있다.
선택적으로, 데이터 분할부(120)는 단위 소음 데이터를 다운 샘플링할 수 있다. 그 이유는 추후 단위 소음 데이터를 고속 푸리에 변환(Fast Fourier　transform)을 수행하여 주파수 영역의 데이터로 변환했을 때, 0 내지 20 Khz의 주파수 구간에서는 고장 유형을 특정할 수 있는 특징들(features)이 검출되었으나, 20 내지 50 Khz에서는 고장 유형을 특정할 유의미한 특징들이 검출되지 않았기 때문이다. 도 2에는 정상 유형의 다운샘플링 예시를 도시하고 있다.
따라서, 데이터 분할부(120)는 소음 센싱부(110)에서 소음 데이터를 20 내지 25 Khz의 샘플링 주파수로 취득한 경우에는 단위 소음 데이터를 다운 샘플링할 필요가 없다. 데이터 분할부(120)는 단위 소음 데이터가 50 Khz의 샘플링 주파수로 취득한 경우에 다운 샘플링을 선택적으로 수행할 수 있다. 소음 데이터를 50 Khz의 샘플링 주파수로 취득하는 이유는 나이퀴스트(Nyquist) 샘플링 이론에 따라 소음의 가장 높은 주파수보다 2배 이상의 샘플링 주파수로 소음을 취득해야 원래의 소음을 복원할 수 있기 때문이다. 즉, 데이터 분할부(120)는 단위 소음 데이터를 고장 유형별 특징들이 담겨져 있다고 예측되는 20Khz 안쪽의 주파수 영역으로 다운 샘플링한다. 데이터 분할부(120)는 단위 소음 데이터를 주성분 추출부(130)으로 출력한다.
주성분 추출부(130)는 모델 생성시 주어진 데이터에서 고장 유형 특징을 두드러지게 인식하고 학습시키도록 하기 위하여 단위 소음 데이터로부터 저주파수 성분을 제거한다. 구체적으로, 주성분 추출부(130)는 데이터 분할부(120)로부터 제공된 단위 소음 데이터로부터 고장 유형 특징이 나타나지 않은 0Hz 내지 20Hz 범위의 주파수 성분을 버터워스 필터를 이용하여 제거할 수 있다. 즉, 주성분 추출부(130)는 단위 소음 데이터를 하이 패스 필터링을 수행하여 단위 소음 데이터로부터 0Hz 내지 20Hz 범위의 주파수 성분을 제거한다. 이후 주성분 추출부(130)는 단위 소음 데이터의 분산과 거리를 측정하여 주성분 소음 데이터를 추출한다. 이 경우, 주성분 추출부(130)는 PCA (Principal Component Analysis) 기법을 사용할 수 있다. PCA 기법은 당업계에 공지된 기법으로 그 상세한 설명은 생략한다. 도 3에는 본 발명의 실시예에 따른 주성분 소음 데이터가 도시되어 있다. 주성분 추출부(130)는 주성분 소음 데이터를 추출한 후 STFT 처리부(140)로 출력한다.
STFT 처리부(140)는 고장 유형별 단위 소음 데이터로부터 추출된 주성분 소음 데이터에 대해 STFT(Short Time Fourier Transform) 처리를 수행하여, STFT 이미지를 생성한다. STFT 이미지는 그레이 스케일 이미지일 수 있다. 이 경우, STFT 처리부(140)는 그레이 스케일 이미지를 소정의 규격에 부합하도록 생성한다. 예컨대, STFT 처리부(140)는 그레이 스케일 이미지를 소정 크기의 정사각형 이미지로 변환할 수 있다. 즉, STFT 처리부(140)는 저장 시 딥러닝 기반 알고리즘 즉, 딥 러닝 모델에서의 처리를 용이하게 하기 위하여 그레이 스케일 이미지를 소정 크기의 정사각형 이미지로 변환하여 저장할 수 있다.
주성분 소음 데이터에 대해 STFT(Short Time Fourier Transform) 변환이 수행되면, 주성분 소음 데이터는 도 4에 도시된 바와 같이, STFT 이미지로 변환된다.
도 4는 본 발명의 실시예에 따른 STFT 이미지를 도시한 도면이다. 도 4를 참조하면, STFT 이미지에서 나타나는 고장 유형의 특징들을 비교하면, 정상 부분에서의 STFT 이미지의 경우 빨간 박스 안의 부분에서 라인이 도시되어 있다. 그러나 다른 고장 유형에서는 라인이 보이지 않거나 매우 희미함을 알 수 있다. 베어링 외륜 고장과 편심 또한 동일하게 각각의 다른 고장 유형들에서는 해당 라인이 보이지 않으며 오롯이 해당 고장 유형에서 유일하게 드러나게 되는 신호들로 볼 수 있다.
STFT 처리부(140)는 단위 소음 데이터의 STFT 이미지를 생성한 후 데이터 셋 생성부(150)에 출력한다.
데이터 셋 생성부(150)는 STFT 처리부(140)로부터 제공되는 고장 유형별 단위 소음 데이터의 STFT 이미지들을 학습 데이터 셋(Training data set)과 평가 데이터 셋(Testing data set)으로 소정 비율로 나눈다. 예컨대, 데이터 셋 생성부(150)는 STFT 이미지들을 학습 데이터 셋과 평가 데이터 셋으로 7: 3의 비율로 나눈다. 이 경우, 100 개의 STFT 이미지들이 있다면, 70개 STFT 이미지들은 전동 설비의 고장을 판별하기 위한 딥 러닝 모델을 학습시키는 데 사용하며, 30개의 STFT 이미지들은 전동 설비의 고장을 판별하기 위한 딥 러닝 모델이 고장 판별을 잘 수행했는 지를 판단하는 데 사용한다. 이와 같이, 모델링을 평가하기 위해 STFT 이미지들의 일부를 평가용 데이터 셋으로 구분하여 실험적으로 평가를 해보니 우수하였다.
한편, 데이터 셀 생성부(150)에서 STFT 이미지들을 학습 데이터 셋(Training data set)과 평가 데이터 셋(Testing data set)으로 소정 비율로 나누는 것은 본 발명의 필수적인 구성요소는 아니다.
다른 실시예에 따르면 STFT 이미지들은 모두 학습 데이터 셋으로 설정해도 된다. 즉, STFT 이미지들은 모두 학습 데이터 셋으로 설정될 수 있다.
한편, 데이터 셋 생성부(150)는 학습 데이터 셋과 평가 데이터 셋을 딥 러닝 모델 생성부(160)에 제공한다.
딥 러닝 모델 생성부(160)는 학습 데이터 셋과 평가 데이터 셋을 전동 설비의 고장을 판별하기 위한 딥 러닝 모델을 생성하기 위한 스크립트에 입력하여 일정 수준의 정확도를 달성할 때까지 하이퍼파라미터 들을 변경해가며 전동 설비의 고장을 판별하기 위한 딥 러닝 모델을 생성한다.
상기 딥 러닝 모델은 전동 설비의 고장 여부를 판단하기 위해 소음 데이터를 변환한 이미지 데이터를 학습 데이터로 사용하여 소음 데이터로부터 전동 설비의 고장 여부를 판별할 수 있는 모델이다.
따라서, 딥 러닝 모델은 전동 설비의 소음 데이터에 대응한 이미지 데이터가 입력되면 해당 이미지 데이터를 분석하여 해당 이미지 데이터가 전동 설비의 고장 유형에 속하는지를 판단하기 위한 모델이다.
전동 설비의 고장을 판별하기 위한 딥 러닝 모델은 CNN(convolutional neural network) 기반의 모델인 것이 바람직하다. 컨벌루션 뉴럴 네트워크(CNN 또는 ConvNet)는 모델이 직접 이미지, 비디오, 텍스트 또는 사운드를 분류하는 머신 러닝의 한 유형인　딥러닝에 가장 많이 사용되는 알고리즘이다. 컨벌루션 뉴럴 네트워크는 이미지에서 객체, 얼굴, 장면을 인식하기 위해 패턴을 찾는 데 유용하다. 구체적으로 컨벌루션 뉴럴 네트워크를 구성하는 수십, 수백 개의 계층이 각각 이미지의 서로 다른 특징을 감지하도록 학습할 수 있다. 필터는 각 학습 이미지에 서로 다른 해상도로 적용되고, 필터의 출력은 다음 계층의 입력으로 활용된다. 필터는 밝기 및 가장자리 등과 같이 매우 단순한 특징에서 시작하여 객체만의 고유한 특징을 추출하도록 발전할 수 있다.
한편, 타겟 소음 데이터 입력부(180)는 전동 설비의 고장 유형을 판별하기 위해 취득된 타겟 소음 데이터를 데이터 분할부(120)에 입력한다. 타겟 소음 데이터는 데이터 분할부(120)에 의해 복수개의 단위 소음 데이터로 분할된다. 주성분 추출부(130)는 복수개의 단위 소음 데이터로부터 주성분 분석을 통해 주성분 소음 데이터를 추출한다. STFT 처리부(140)는 주성분 소음 데이터를 STFT 이미지들로 변환한 후 고장 판별부(170)로 제공한다.
고장 판별부(170)는 STFT 처리부(140)로부터 제공된 타겟 소음 데이터에 대한 STFT 이미지들을 상기 딥 러닝 모델에 입력하고, 상기 딥 러닝 모델을 통해 분류된 고장 유형들중 가장 많은 횟수로 분류된 고장 유형을 해당 소음 데이터의 고장 유형으로 결정한다.
예컨대, 소정의 소음 데이터가 복수개의 단위 소음 데이터들로 분할되고, 복수개의 단위 소음 데이터들에 대한 고장 유형들을 딥 러닝 모델을 통해 분류했을 때 베어링의 외륜의 고장 유형이 가장 많이 분류되었으면 고장 판별부(170)는 해당 소음 데이터의 고장 유형을 베어링 외륜 고장으로 판단한다.
이와 같이 본 발명의 전동 설비의 고장 판별 장치(100)는 판별을 수행할 데이터를 수집 후 3초 단위로 분할하여 다운샘플링 후 주성분 추출하고 주성분 소음 데이터를 STFT 이미지로 변환한 후 모든 STFT이미지를 전동 설비의 고장을 판별하기 위한 딥 러닝 모델에 넣어 분류한 고장 유형 중 가장 많은 횟수로 분류한 고장 유형을 이상 유형으로 판단한다.
도 5는 본 발명에 따른 전동 설비의 고장을 판별하기 위한 딥 러닝 모델의 개념을 도시한 도면이다.
도 5를 참조하면, 1분의 소음 데이터에서 30개의 PCA_STFT 이미지를 얻었을 경우 이를 모델에 입력한 후 28개를 정상으로 분류하고 2개를 편심 고장으로 분류하였다면 해당 1분 소음 데이터는 정상으로 판단한다.
도 6은 본 발명의 일 실시예에 따른 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법의 흐름도이다.
도 6을 참조하면, 전동 설비의 고장 판별 장치(100)는 단계 S201에서 고장 유형별 소음 데이터를 취득한다. 전술한 바와 같이, 소음 데이터는 고장 유형별로 예컨대, 50 Khz의 샘플링 주파수로 취득된다.
이어서, 전동 설비의 고장 판별 장치(100)는 단계 S203에서 소음 데이터를 소정 길이의 단위 소음 데이터로 분할한다. 소정 길이는 소음 데이터로부터 고장 유형을 판단할 수 있는 최소 길이가 될 수 있다. 즉, 소정 길이는 소음 데이터에서 고장의 유형의 특징이 나타날 수 있는 최소 단위가 될 수 있다. 소정 길이는 1초 내지 10초 사이에서 결정될 수 있다.
이어서, 전동 설비의 고장 판별 장치(100)는 단계 S205에서 단위 소음 데이터를 다운 샘플링할 수 있다. 그 이유는 추후 단위 소음 데이터를 고속 푸리에 변환(Fast Fourier　transform)을 수행하여 주파수 영역의 데이터로 변환했을 때, 0 내지 20 Khz의 주파수 구간에서는 고장 유형을 특정할 수 있는 특징들(features)이 검출되었으나, 20 내지 50 Khz에서는 고장 유형을 특정할 유의미한 특징들이 검출되지 않았기 때문이다
이어서 전동 설비의 고장 판별 장치(100)는 단계 S207에서 단위 소음 데이터로부터 저주파수 성분을 제거하고, 단위 소음 데이터의 분산과 거리를 측정하여 단위 소음 데이터로부터 주성분 소음 데이터를 추출한다. 구체적으로, 전동 설비의 고장 판별 장치(100)는 단위 소음 데이터로부터 고장 유형 특징이 나타나지 않은 0Hz 내지 20Hz 범위의 주파수 성분을 버터워스 필터를 이용하여 제거할 수 있다. 그리고, 전동 설비의 고장 판별 장치(100)는 단위 소음 데이터의 분산과 거리를 측정하여 단위 소음 데이터로부터 주성분 소음 데이터를 추출할 수 있다.
전동 설비의 고장 판별 장치(100)는 단위 소음 데이터로부터 주성분 소음 데이터를 추출한 후 단계 S209에서 고장 유형별 단위 소음 데이터로부터 추출된 주성분 소음 데이터에 대해 STFT(Short Time Fourier Transform) 처리를 수행하여, STFT 이미지를 생성한다. STFT 이미지는 그레이 스케일 이미지일 수 있다.
이 경우, 전동 설비의 고장 판별 장치(100)는 상기 딥 러닝 모델에서의 처리를 용이하게 하기 위해 그레이 스케일 이미지를 소정 크기의 정사각형 이미지로 변환할 수 있다.
전동 설비의 고장 판별 장치(100)는 복수개의 단위 소음 데이터로부터 STFT 이미지들을 생성한 후 단계 S211에서 STFT 이미지들을 이용하여 고장 유형별 소음 학습 데이터 셋 및 평가 데이터 셋을 생성한다. 구체적으로, 전동 설비의 고장 판별 장치(100)는 고장 유형별 단위 소음 데이터의 STFT 이미지들을 학습 데이터 셋(Training data set)과 평가 데이터 셋(Testing data set)으로 소정 비율로 나눈다. 예컨대, 전동 설비의 고장 판별 장치(100)는 STFT 이미지들을 학습 데이터 셋과 평가 데이터 셋으로 7: 3의 비율로 나눈다. 이 경우, 100 개의 STFT 이미지들이 있다면, 70개 STFT 이미지들은 전동 설비의 고장을 판별하기 위한 딥 러닝 모델을 학습시키는 데 사용하며, 30개의 STFT 이미지들은 전동 설비의 고장을 판별하기 위한 딥 러닝 모델이 고장 판별을 잘 수행했는 지를 판단하는 데 사용한다.
전동 설비의 고장 판별 장치(100)는 단계 S213에서 학습 데이터 셋과 평가 데이터 셋을 전동 설비의 고장을 판별하기 위한 딥 러닝 모델을 생성하기 위한 스크립트에 입력하여 일정 수준의 정확도를 달성할 때까지 하이퍼파라미터 들을 변경해가며 전동 설비의 고장을 판별하기 위한 딥 러닝 모델을 생성한다. 전동 설비의 고장을 판별하기 위한 딥 러닝 모델은 CNN(convolutional neural network) 기반의 모델인 것이 바람직하다. 컨벌루션 뉴럴 네트워크(CNN 또는 ConvNet)는 모델이 직접 이미지, 비디오, 텍스트 또는 사운드를 분류하는 머신 러닝의 한 유형인 딥러닝에 가장 많이 사용되는 알고리즘이다. 컨벌루션 뉴럴 네트워크는 이미지에서 객체, 얼굴, 장면을 인식하기 위해 패턴을 찾는 데 유용하다. 구체적으로 컨벌루션 뉴럴 네트워크를 구성하는 수십, 수백 개의 계층이 각각 이미지의 서로 다른 특징을 감지하도록 학습할 수 있다.
이어서, 전동 설비의 고장 판별 장치(100)는 단계 S215에서 고장 판별을 수행할 타겟 소음 데이터를 딥 러닝 모델에 입력하고, 상기 타겟 소음 데이터에 대해 상기 딥 러닝 모델을 통해 분류된 고장 유형들중 가장 많은 횟수로 분류된 고장 유형을 해당 소음 데이터의 고장 유형으로 결정한다.
예컨대, 소정의 소음 데이터가 복수개의 단위 소음 데이터들로 분할되고, 복수개의 단위 소음 데이터들에 대한 고장 유형들을 딥 러닝 모델을 통해 분류했을 때 베어링의 외륜의 고장 유형이 가장 많이 분류되었으면 전동 설비의 고장 판별 장치(100)는 해당 소음 데이터의 고장 유형을 베어링 외륜 고장으로 판단한다.
이와 같이 본 발명의 전동 설비의 고장 판별 방법은 판별을 수행할 데이터를 수집 후 예컨대, 3초 단위로 분할하여 다운샘플링 후 주성분 추출하고 주성분 소음 데이터를 STFT 이미지로 변환한 후 모든 STFT 이미지를 전동 설비의 고장을 판별하기 위한 딥 러닝 모델에 넣어 분류한 고장 유형 중 가장 많은 횟수로 분류한 고장 유형을 이상 유형으로 판단한다.
이상에서, 본 발명의 실시 예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시 예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재할 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
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 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 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.
110: 소음 센싱부 120: 데이터 분할부
130: 주성분 추출부 140: STFT 처리부
150: 데이터 셋 생성부 160: 딥 러닝 모델 생성부
170: 고장 판별부 180: 타겟 소음 데이터 입력부

Claims (20)

  1. 전동 설비의 고장 유형별 소음 데이터를 취득하는 단계;
    상기 소음 데이터를 소정 길이를 갖는 복수개의 단위 소음 데이터로 분할하는 단계;
    상기 단위 소음 데이터로부터 주성분 소음 데이터를 추출하는 단계;
    상기 추출된 주성분 소음 데이터에 대해 STFT(Short Time Fourier Transform) 변환을 수행하여 상기 복수개의 단위 소음 데이터의 STFT 이미지들을 생성하는 단계;
    상기 STFT 이미지들을 학습 데이터로 이용하여 상기 전동 설비의 고장을 판별하기 위한 딥 러닝 모델을 생성하는 딥 러닝 모델을 생성하는 단계; 및
    타겟 소음 데이터에 대해 상기 딥 러닝 모델을 통해 분류된 고장 유형들중 가장 많은 횟수로 분류된 고장 유형을 상기 타겟 소음 데이터의 고장 유형으로 결정하는 단계를 포함하는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법.
  2. 제1항에 있어서,
    상기 STFT 이미지들을 학습 데이터 셋(Training data set)과 평가 데이터 셋(Testing data set)으로 소정 비율로 나누는 단계;
    상기 학습 데이터 셋과 평가 데이터 셋을 이용하여 상기 딥 러닝 모델을 학습시키는 단계를 더 포함하는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법.
  3. 제1항에 있어서,
    상기 전동 설비의 고장을 판별하기 위한 딥 러닝 모델은 컨벌루션 뉴럴 네트워크(convolutional neural network) 기반 모델인 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법.
  4. 제1항에 있어서,
    상기 소음 데이터를 분할하는 단계는, 상기 단위 소음 데이터를 다운 샘플링하는 단계를 포함하는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법.
  5. 제4항에 있어서,
    상기 소음 데이터의 샘플링 주파수는 50 kHz이고, 상기 단위 소음 데이터의 다운 샘플링 주파수는 20 kHz인 딥러닝 기반 소음 데이터를 이용한 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법.
  6. 제1항에 있어서,
    상기 소음 데이터를 소정 길이를 갖는 복수개의 단위 소음 데이터로 분할하는 단계는, 유클리디언 거리 분석으로 상기 소음 데이터의 시간당 유사도를 확인한 후 상기 소정 길이를 3초로 설정하는 단계를 포함하는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법.
  7. 제1항에 있어서,
    상기 소음 데이터를 소정 길이를 갖는 복수개의 단위 소음 데이터로 분할하는 단계 이후에,
    상기 단위 소음 데이터로부터 저주파수 성분을 제거하는 단계를 더 포함하는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법.
  8. 제1항에 있어서,
    상기 복수개의 단위 소음 데이터의 STFT 이미지들을 생성하는 단계는, 상기 복수개의 단위 소음 데이터에 대해 STFT 변환을 수행하여 그레이 스케일 이미지를 생성하고, 상기 딥 러닝 모델에서의 처리를 용이하게 하기 위해 상기 그레이 스케일 이미지를 소정 크기의 정사각형 이미지로 변환하는 단계를 포함하는딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법.
  9. 제1항에 있어서,
    상기 단위 소음 데이터로부터 주성분 소음 데이터를 추출하는 단계는, 상기 단위 소음 데이터의 분산과 거리를 측정하여 단위 소음 데이터로부터 주성분 소음 데이터를 추출하는 단계를 포함하는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법.
  10. 제1항에 있어서,
    상기 전동 설비는 감속기 및 전동기를 포함하는 전동 장치 및 전동 장치에 연결된 체인, 체인에 연결된 기어, 및 베어링를 포함하는 전동 부품을 포함하며,
    상기 전동 설비의 고장 유형은 기어의 이(teeth)에 크랙이 생긴 고장, 감속기의 기어가 0.5개 빠진 고장, 감속기의 기어가 1개 빠진 고장, 베어링의 외륜에 결함이 생긴 고장, 베어링 볼에 결함이 생긴 고장, 전동기 축 기어가 1개 빠진 고장, 전동기에서 편심이 발생한 고장 및 이들의 둘 이상의 조합의 고장을 포함하는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 방법.
  11. 전동 설비의 고장 유형별 소음 데이터를 취득하는 소음 센싱부;
    상기 소음 데이터를 소정 길이를 갖는 복수개의 단위 소음 데이터로 분할하는 데이터 분할부;
    상기 단위 소음 데이터로부터 주성분 소음 데이터를 추출하는 주성분 추출부;
    상기 추출된 주성분 소음 데이터에 대해 STFT(Short Time Fourier Transform) 수행하여 상기 복수개의 단위 소음 데이터의 STFT 이미지들을 생성하는 STFT 처리부;
    상기 STFT 이미지들을 학습 데이터로 이용하여 상기 전동 설비의 고장을 판별하기 위한 딥 러닝 모델을 생성하는 딥 러닝 모델을 생성하는 딥 러닝 모델 생성부;
    타겟 소음 데이터를 상기 데이터 분할부에 입력하는 타겟 소음 데이터 입력부; 및
    상기 타겟 소음 데이터에 대해 상기 딥 러닝 모델을 통해 분류된 고장 유형들중 가장 많은 횟수로 분류된 고장 유형을 상기 타겟 소음 데이터의 고장 유형으로 결정하는 고장 판별부를 포함하는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치.
  12. 제11항에 있어서,
    상기 STFT 이미지들을 학습 데이터 셋(Training data set)과 평가 데이터 셋(Testing data set)으로 소정 비율로 나누고, 상기 학습 데이터 셋 및 평가 데이터 셋을 상기 딥 러닝 모델에 입력하는 데이터 셋 생성부를 더 포함하는딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치.
  13. 제11항에 있어서,
    상기 전동 설비의 고장을 판별하기 위한 딥 러닝 모델은 컨벌루션 뉴럴 네트워크(convolutional neural network) 기반 모델인 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치.
  14. 제11항에 있어서,
    상기 데이터 분할부는 상기 단위 소음 데이터를 다운 샘플링하는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치.
  15. 제14항에 있어서,
    상기 소음 데이터의 샘플링 주파수는 50 kHz이고, 상기 단위 소음 데이터의 다운 샘플링 주파수는 20 kHz인 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치.
  16. 제14항에 있어서,
    상기 데이터 분할부는 유클리디언 거리 분석으로 상기 소음 데이터의 시간당 유사도를 확인한 후 상기 소정 길이를 3초로 설정하는딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치.
  17. 제11항에 있어서,
    상기 주성분 추출부는 상기 주성분 소음 데이터를 추출하기 전에 상기 단위 소음 데이터로부터 저주파수 성분을 제거하는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치.
  18. 제11항에 있어서,
    상기 STFT 처리부는 상기 복수개의 단위 소음 데이터에 대해 STFT 변환을 수행하여 그레이 스케일 이미지를 생성하고, 상기 딥 러닝 모델에서의 처리를 용이하게 하기 위해 상기 그레이 스케일 이미지를 소정 크기의 정사각형 이미지로 변환하는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치.
  19. 제11항에 있어서,
    상기 주성분 추출부는 상기 단위 소음 데이터의 분산과 거리를 측정하여 단위 소음 데이터로부터 주성분 소음 데이터를 추출하는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치.
  20. 제11항에 있어서,
    전동 설비는 감속기 및 전동기를 포함하는 전동 장치 및 전동 장치에 연결된 체인, 체인에 연결된 기어, 및 베어링를 포함하는 전동 부품을 포함하며,
    상기 전동 설비의 고장 유형은 기어의 이(teeth)에 크랙이 생긴 고장, 감속기의 기어가 0.5개 빠진 고장, 감속기의 기어가 1개 빠진 고장, 베어링의 외륜에 결함이 생긴 고장, 베어링 볼에 결함이 생긴 고장, 전동기 축 기어가 1개 빠진 고장, 전동기에서 편심이 발생한 고장 및 이들의 둘 이상의 조합의 고장을 포함하는 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치.
KR1020190124449A 2019-10-08 2019-10-08 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법 KR102240775B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190124449A KR102240775B1 (ko) 2019-10-08 2019-10-08 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190124449A KR102240775B1 (ko) 2019-10-08 2019-10-08 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102240775B1 true KR102240775B1 (ko) 2021-04-16

Family

ID=75743408

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190124449A KR102240775B1 (ko) 2019-10-08 2019-10-08 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102240775B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230022687A (ko) 2021-08-09 2023-02-16 포항공과대학교 산학협력단 직교로봇의 운전상태 모니터링 방법 및 장치
KR102638802B1 (ko) * 2022-12-06 2024-02-21 한국자동차연구원 회전체의 고장 진단장치 및 그 방법
KR20240041102A (ko) 2022-09-22 2024-03-29 한국생산기술연구원 에너지 시계열 데이터 기반 설비 이상상황 진단 장치 및 그 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170108085A (ko) * 2015-02-03 2017-09-26 미쓰비시덴키 가부시키가이샤 이상음 진단 장치, 이상음 진단 시스템, 이상음 진단 방법 및 이상음 진단 프로그램

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170108085A (ko) * 2015-02-03 2017-09-26 미쓰비시덴키 가부시키가이샤 이상음 진단 장치, 이상음 진단 시스템, 이상음 진단 방법 및 이상음 진단 프로그램

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230022687A (ko) 2021-08-09 2023-02-16 포항공과대학교 산학협력단 직교로봇의 운전상태 모니터링 방법 및 장치
KR20240041102A (ko) 2022-09-22 2024-03-29 한국생산기술연구원 에너지 시계열 데이터 기반 설비 이상상황 진단 장치 및 그 방법
KR102638802B1 (ko) * 2022-12-06 2024-02-21 한국자동차연구원 회전체의 고장 진단장치 및 그 방법

Similar Documents

Publication Publication Date Title
KR102240775B1 (ko) 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법
Soualhi et al. Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing
Bafroui et al. Application of wavelet energy and Shannon entropy for feature extraction in gearbox fault detection under varying speed conditions
KR101818394B1 (ko) 설비 상태 진단 방법 및 장치
KR102166649B1 (ko) 기계학습을 이용한 회전기계 고장 진단 및 예측시스템
Senanayaka et al. Multiple classifiers and data fusion for robust diagnosis of gearbox mixed faults
Li et al. Fault features extraction for bearing prognostics
CA2874991A1 (en) Methods and apparatuses for defect diagnosis in a mechanical system
Barbieri et al. Analysis of automotive gearbox faults using vibration signal
Saeki et al. Visual explanation of neural network based rotation machinery anomaly detection system
Alonso-González et al. Bearing fault diagnosis with envelope analysis and machine learning approaches using CWRU dataset
CN111678699A (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
JP4412306B2 (ja) 異常判定方法および異常判定装置
Senanayaka et al. Multiple fault diagnosis of electric powertrains under variable speeds using convolutional neural networks
Cao et al. Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator
Souad et al. Fault diagnosis of rolling element bearings using artificial neural network
Li et al. On-line fault detection in wind turbine transmission system using adaptive filter and robust statistical features
Koukoura et al. Wind turbine intelligent gear fault identification
Mishra et al. Realistic Condition-Based Anomaly Detection of Multi-Faults in Rotating Machines
Tastimur et al. Defect diagnosis of rolling element bearing using deep learning
CN115186692A (zh) 基于经验模态分解和图像转换的智能故障诊断方法
Hu et al. Degradation assessment of bearing fault using SOM network
Saxena et al. Predictive maintenance of planetary gearboxes using FFT and machine learning technique
Klein et al. Decision and fusion for diagnostics of mechanical components
Li et al. Fault diagnosis for machinery based on feature selection and probabilistic neural network