KR102278702B1 - 이상치에 민감한 통계적 지표 기반의 센서신호 특성인자 선택 방법 - Google Patents

이상치에 민감한 통계적 지표 기반의 센서신호 특성인자 선택 방법 Download PDF

Info

Publication number
KR102278702B1
KR102278702B1 KR1020190120068A KR20190120068A KR102278702B1 KR 102278702 B1 KR102278702 B1 KR 102278702B1 KR 1020190120068 A KR1020190120068 A KR 1020190120068A KR 20190120068 A KR20190120068 A KR 20190120068A KR 102278702 B1 KR102278702 B1 KR 102278702B1
Authority
KR
South Korea
Prior art keywords
sensor signal
characteristic
characteristic factor
outliers
sum
Prior art date
Application number
KR1020190120068A
Other languages
English (en)
Other versions
KR20210037436A (ko
Inventor
오현석
반영준
김선효
모민환
황미경
Original Assignee
광주과학기술원
한전케이피에스 주식회사
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 광주과학기술원, 한전케이피에스 주식회사 filed Critical 광주과학기술원
Priority to KR1020190120068A priority Critical patent/KR102278702B1/ko
Publication of KR20210037436A publication Critical patent/KR20210037436A/ko
Application granted granted Critical
Publication of KR102278702B1 publication Critical patent/KR102278702B1/ko

Links

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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명은 이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성 인자 선정 방법 및 장치에 관한 것이다. 본 발명의 일 실시예에 따른 통계적 지표 기반의 클래스 분류 방법은 (a)센서 신호를 획득하는 단계; (b) 상기 획득된 센서 신호로부터 다수의 특성 인자들을 추출하는 단계; (c) 상기 추출된 다수의 특성 인자들로 조합 가능한 특성 인자 조합 각각을 커토시스(kurtosis)에 기반한 통계적 지표 모델에 적용하여 결과값을 획득하는 단계; (d) 상기 결과값에 따라 상기 다수의 특성 인자 조합들 중 적어도 하나의 특성 인자로 이루어진 특성 인자 조합을 선택하는 단계; 및 (e) 상기 선택된 적어도 하나의 특성 인자를 이용하여 상기 센서 신호에 대한 클래스를 분류하는 단계;를 포함할 수 있다.

Description

이상치에 민감한 통계적 지표 기반의 센서신호 특성인자 선택 방법{Method for selecting sensor signal features based on statistical indicator sensitive to outlier}
본 발명은 기계 설비 상태 진단을 위한 센서신호 특성인자 선택 방법에 관한 것으로, 더욱 상세하게는 커토시스(kurtosis)에 기반한 통계적 지표 모델을 이용하는 센서신호 특성인자 선택 방법에 관한 것이다.
최근 산업기술이 발달함에 따라 회전 기계들이 대형화, 고 정밀화되면서 이들 설비에서 고장이 발생하면 막대한 경제적 손실이나 인명에 피해를 줄 수 있어 이들 회전 기계를 포함한 산업설비에 대한 상태 감시를 통한 이상상황 판단 및 예지진단이 매우 중요해졌다.
또한, 4차 산업혁명의 핵심 기술 중 하나인 IoT(사물 인터넷)의 발달로, 기업들은 경쟁력 강화를 위해 스마트 공장으로 전환을 서두르고 있다. 이 때문에 자동화된 설비들의 수요가 증가하고, 무인 자동화에 대해 요구가 늘어나고 있어서 설비들의 이상상황 판단 및 예지진단에 이용하고자 많은 양의 센서가 부착되고 있다.
그러나, 상술한 많은 양의 센서로부터 얻어진 빅데이터 중 어떤 센서의 데이터 중 직접적으로 고장 진단에 유효한 센서와 그 특성 인자를 판단하는 것은 매우 어려운 일이다.
예를 들어 종래의 통계적 지표인 피셔 비율(Fisher ratio)을 사용한 특성 인자 선택에 관한 기술은, 여러 특성 인자들에서 피셔 비율을 목적 함수로 분류를 위해 최적의 특성 인자를 선택하는 방법이다.
그러나, 상술한 종래의 기술은 고장 진단을 위해 적용할 때, 기계설비의 지속적인 노후화로 인해 발생하는 이상치(Outlier)에 대한 고려가 없다. 이러한 이유로 인해 노후 설비에 대해 적절하지 못한 특성 인자를 선정하고, 결과적으로 이상상황 판단 및 예지진단 정확도가 떨어지는 한계가 존재한다.
이에 따라 보다 정확하고, 효율적인 이상상황 판단 및 예지진단을 위해서는, 이상치(Outlier)를 고려한 통계적 지표 기반의 센서신호 특성인자를 선택하는 기술의 개발이 요구된다.
[특허문헌 1] 한국공개특허 제10-2019-0000826호
본 발명은 전술한 문제점을 해결하기 위하여 창출된 것으로, 통계적 지표 기반의 센서신호 특성인자 선정 방법을 제공하는 것을 그 목적으로 한다.
또한, 본 발명은 분모에 이상치(Outlier)에 민감한 커토시스(kurtosis)를 추가한 피셔 비율(Fisher ratio)을 이용하는 센서신호 특성인자 선정 방법을 제공하는 것을 그 목적으로 한다.
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
상기한 목적들을 달성하기 위하여, 본 발명의 일 실시예에 따른 이상치를 고려한 통계적 지표 기반의 클래스 분류 방법은 (a)센서 신호를 획득하는 단계; (b) 상기 획득된 센서 신호로부터 다수의 특성 인자들을 추출하는 단계; (c) 상기 추출된 다수의 특성 인자들을 조합하여 각각의 조합의 커토시스(kurtosis)에 기반한 통계적 지표 모델에 적용하여 결과값을 획득하는 단계; (d) 상기 결과값에 따라 상기 다수의 특성 인자들 중 분류에 유효한 적어도 하나의 특성 인자를 선택하는 단계; 및 (e) 상기 적어도 하나의 특성 인자를 이용하여 상기 센서 신호에 대한 클래스를 분류하는 단계;를 포함할 수 있다.
실시예에서, 상기 (c) 단계는, 상기 다수의 특성 인자들 각각에 따른 각 클래스에 대한 분산(variance)의 합(sum)과 상기 커토시스의 합을 산출하는 단계; 및 상기 산출된 분산의 합과 커토시스의 합을 정규화(normalize)하는 단계;를 포함할 수 있다.
실시예에서, 상기 (c) 단계는, 상기 다수의 특성 인자들 각각에 따른 각 클래스에 대한 평균(mean)을 산출하는 단계;를 포함할 수 있다.
실시예에서, 상기 (c) 단계는, 상기 다수의 특성 인자들의 차원(dimension)이 임계값보다 큰 경우, 상기 산출된 평균의 차이(difference)의 합을 산출하는 단계;를 포함할 수 있다.
실시예에서, 상기 (c) 단계는, 상기 다수의 특성 인자들의 차원이 임계값보다 작은 경우, 상기 산출된 평균의 차이의 제곱(square)의 합을 산출하는 단계;를 포함할 수 있다.
실시예에서, 상기 (c) 단계는, 상기 정규화된 분산의 합, 상기 정규화된 커토시스의 합 및 상기 산출된 평균을 이용하여 상기 결과값을 획득하는 단계;를 포함할 수 있다.
실시예에서, 상기 이상치(Outlier)에 민감한 통계적 지표 모델은, 상기 커토시스가 적용된 피셔 비율(Fisher ratio)을 포함할 수 있다.
실시예에서, 상기 (d) 단계는, 상기 추출된 다수의 특성 인자 조합들 각각에 대한 결과값 중 가장 높은 결과값을 갖는 적어도 하나의 특성 인자조합을 선택하는 단계;를 포함할 수 있다.
실시예에서, 상기 (e) 단계는, 상기 적어도 하나의 특성 인자를 클래스 분류 모델에 적용하여, 상기 센서 신호에 대한 클래스를 분류하는 단계;를 포함할 수 있다.
실시예에서, 이상치에 민감한 통계적 기표 기반의 클래스 분류 장치는 센서 신호를 획득하는 센서부; 상기 획득된 센서 신호로부터 다수의 특성 인자들을 추출하고, 상기 추출된 다수의 특성 인자들에서 조합 가능한 특성 인자 조합들 각각을 커토시스(kurtosis)에 기반한 통계적 지표 모델에 적용하여 결과값을 획득하고, 상기 결과값에 따라 상기 다수의 특성 인자 조합들 중 적어도 하나의 특성 인자 조합을 선택하며, 적어도 하나의 특성 인자로 이루어진 상기 선택된 적어도 하나의 특성 인자 조합을 이용하여 상기 센서 신호에 대한 클래스를 분류하는 제어부;를 포함할 수 있다.
실시예에서, 상기 제어부는, 상기 다수의 특성 인자들 각각에 따른 각 클래스에 대한 분산(variance)의 합(sum)과 상기 커토시스의 합을 산출하고, 상기 산출된 분산의 합과 커토시스의 합을 정규화(normalize)할 수 있다.
실시예에서, 상기 제어부는, 상기 다수의 특성 인자들 각각에 따른 각 클래스에 대한 평균(mean)을 산출할 수 있다.
실시예에서, 상기 제어부는, 상기 다수의 특성 인자들의 차원(dimension)이 임계값보다 큰 경우, 상기 산출된 평균의 차이(difference)의 합을 산출할 수 있다.
실시예에서, 상기 제어부는, 상기 다수의 특성 인자들로 이루어진 특성 인자 조합의 차원이 임계값보다 작은 경우, 상기 산출된 평균의 차이의 제곱(square)의 합을 산출할 수 있다.
실시예에서, 상기 제어부는, 상기 정규화된 분산의 합, 상기 정규화된 커토시스의 합 및 상기 산출된 평균을 이용하여 상기 결과값을 획득할 수 있다.
실시예에서, 상기 통계적 지표 모델은, 상기 커토시스가 적용된 피셔 비율(Fisher ratio)을 포함할 수 있다.
실시예에서, 상기 제어부는, 상기 추출된 다수의 특성 인자들로 조합 가능한 특성 인자 조합 각각에 대한 결과값 중 가장 높은 결과값을 갖는 적어도 하나의 특성 인자 조합을 선택할 수 있다.
실시예에서, 상기 제어부는, 상기 선택된 적어도 하나의 특성 인자 조합을 클래스 분류 모델에 적용하여, 상기 센서 신호에 대한 클래스를 분류할 수 있다.
상기한 목적들을 달성하기 위한 구체적인 사항들은 첨부된 도면과 함께 상세하게 후술될 실시 예들을 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라, 서로 다른 다양한 형태로 구성될 수 있으며, 본 발명의 개시가 완전하도록 하고 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자(이하, "통상의 기술자")에게 발명의 범주를 완전하게 알려주기 위해서 제공되는 것이다.
본 발명의 일 실시예에 의하면, 분모에 커토시스(kurtosis)를 추가한 피셔 비율(Fisher ratio)를 이용함으로써 이상치(Outlier)에 보다 민감한 특성 인자 조합을 선택하여, 클래스 분류의 정확도를 높일 수 있다.
본 발명의 효과들은 상술된 효과들로 제한되지 않으며, 본 발명의 기술적 특징들에 의하여 기대되는 잠정적인 효과들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 클래스 분류 장치의 동작 방법을 도시한 도면이다.
도 2a 및 2b는 본 발명의 일 실시예에 따른 커토시스의 이상치 검출의 예를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 Lk norm을 이용한 분류 결과 그래프를 도시한 도면이다.
도 4a 및 4b는 본 발명의 일 실시예에 따른 특성 인자별 클래스 분류 결과의 예를 도시한 도면이다.
도 5a는 본 발명의 일 실시예에 따른 정상 진동 신호의 시간 영역 그래프를 도시한 도면이다.
도 5b 및 5c는 본 발명의 일 실시예에 따른 정상 진동 신호의 주파수 영역 그래프를 도시한 도면이다.
도 6a는 본 발명의 일 실시예에 따른 오정렬 진동 신호의 시간 영역 그래프를 도시한 도면이다.
도 6b 및 6c는 본 발명의 일 실시예에 따른 오정렬 진동 신호의 주파수 영역 그래프를 도시한 도면이다.
도 7a는 본 발명의 일 실시예에 따른 불균형 진동 신호의 시간 영역 그래프를 도시한 도면이다.
도 7b 및 7c는 본 발명의 일 실시예에 따른 불균형 진동 신호의 주파수 영역 그래프를 도시한 도면이다.
도 8a는 본 발명의 일 실시예에 따른 베어링 내륜 결함 진동 신호의 시간 영역 그래프를 도시한 도면이다.
도 8b 및 8c는 본 발명의 일 실시예에 따른 베어링 내륜 결함 진동 신호의 주파수 영역 그래프를 도시한 도면이다.
도 9a는 본 발명의 일 실시예에 따른 베어링 외륜 결함 진동 신호의 시간 영역 그래프를 도시한 도면이다.
도 9b 및 9c는 본 발명의 일 실시예에 따른 베어링 외륜 결함 진동 신호의 주파수 영역 그래프를 도시한 도면이다.
도 10a는 종래의 일 실시예에 따른 특성 인자 선택의 예를 도시한 도면이다.
도 10b는 본 발명의 일 실시예에 따른 L1 norm을 이용한 특성 인자 선택의 예를 도시한 도면이다.
도 10c는 본 발명의 일 실시예에 따른 L2 norm을 이용한 특성 인자 선택의 예를 도시한 도면이다.
도 11은 본 발명의 일 실시예에 따른 특성 인자 선정 방법의 기능적 구성을 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고, 여러 가지 실시예들을 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
청구범위에 개시된 발명의 다양한 특성 인자들은 도면 및 상세한 설명을 고려하여 더 잘 이해될 수 있을 것이다. 명세서에 개시된 장치, 방법, 제법 및 다양한 실시예들은 예시를 위해서 제공되는 것이다. 개시된 구조 및 기능상의 특성 인자들은 통상의 기술자로 하여금 다양한 실시예들을 구체적으로 실시할 수 있도록 하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다. 개시된 용어 및 문장들은 개시된 발명의 다양한 특성 인자들을 이해하기 쉽게 설명하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다.
본 발명을 설명함에 있어서, 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그 상세한 설명을 생략한다.
이하, 본 발명의 일 실시예에 따른 통계적 지표 기반의 클래스 분류 방법 및 장치를 설명한다.
도 1은 본 발명의 일 실시예에 따른 클래스 분류 장치의 동작 방법을 도시한 도면이다.
도 1을 참고하면, S101 단계는 센서 신호를 획득하는 단계이다. 예를 들어, 센서 신호는 회전 기계에서 계측되는 진동 신호를 포함할 수 있다.
S103 단계는 획득된 센서 신호로부터 다수의 특성 인자들(features)을 추출하는 단계이다. 일 실시예에서, 다수의 특성 인자들의 풀(pool)은 미리 결정되어 있을 수 있다.
S105 단계는 추출된 다수의 특성 인자들의 조합 각각을 커토시스(kurtosis)에 기반한 통계적 지표 모델에 적용하여 결과값을 획득하는 단계이다.
일 실시예에서, 다수의 특성 인자들 각각에 따른 각 클래스에 대한 분산(variance)의 합(sum)과 커토시스의 합을 산출하고, 산출된 분산의 합과 커토시스의 합을 정규화(normalize)할 수 있다.
일 실시예에서, 다수의 특성 인자들 각각에 따른 각 클래스에 대한 평균을 산출할 수 있다.
또한, 다수의 특성 인자들의 차원(dimension)이 임계값보다 큰 경우, L1 norm을 고려하여, 산출된 평균의 차이(difference)의 합을 산출할 수 있다.
반면, 다수의 특성 인자들의 차원이 임계값보다 작은 경우, L2 norm을 고려하여, 산출된 평균의 차이의 제곱(square)의 합을 산출할 수 있다.
일 실시예에서, 정규화된 분산의 합, 정규화된 커토시스의 합 및 산출된 평균을 이용하여 결과값을 획득할 수 있다.
일 실시예에서, 통계적 지표 모델은 커토시스가 적용된 피셔 비율(Fisher ratio)을 포함할 수 있다. 이 경우, 커토시스가 적용된 피셔 비율은 클래스 간 변동성 정보, 클래스 내부 변동성 정보 및 클래스 내부의 이상치(Outlier)에 대한 민감도 정보에 기반하여 결정될 수 있다.
여기서, 이상치는 아웃라이어 또는 이와 동등한 기술적 의미를 갖는 용어로 지칭될 수 있다.
예를 들어, 다수의 특성 인자들의 차원이 임계값보다 큰 경우, L1 norm을 고려하여, 커토시스가 적용된 피셔 비율은 하기 <수학식 1>과 같이 나타낼 수 있다.
Figure 112019099351584-pat00001
여기서, MFR(L1 norm)은 커토시스가 적용된 피셔 비율의 결과값,
Figure 112019099351584-pat00002
와
Figure 112019099351584-pat00003
는 클래스 i와 j의 평균 값,
Figure 112019099351584-pat00004
는 클래스 k의 분산 값, Kurtk는 클래스 k의 커토시스 값, n은 클래스의 전체 개수를 의미하고, i=1, 2, ..., n-1이고, j=2, 3, ..., n이고, k=1, 2, ..., n이다.
반면, 다수의 특성 인자들의 차원이 임계값보다 작은 경우, L2 정규화를 고려하여, 커토시스가 적용된 피셔 비율은 하기 <수학식 2>와 같이 나타낼 수 있다.
Figure 112019099351584-pat00005
여기서, MFR(L2 norm)은 커토시스가 적용된 피셔 비율의 결과값,
Figure 112019099351584-pat00006
와
Figure 112019099351584-pat00007
는 클래스 i와 j의 평균 값,
Figure 112019099351584-pat00008
는 클래스 k의 분산 값, Kurtk는 클래스 k의 커토시스 값, n은 클래스의 전체 개수를 의미하고, i=1, 2, ..., n-1이고, j=2, 3, ..., n이고, k=1, 2, ..., n이다.
즉, 본 발명의 다양한 실시예에 따른 피셔 비율은 분모에 커토시스를 추가하여 이상치에 보다 민감한 특성 인자 선택 지표로 기능할 수 있다.
일 실시예에서, 클래스 내부의 변동성(
Figure 112019099351584-pat00009
)과 클래스 내부의 이상치에 대한 민감도(
Figure 112019099351584-pat00010
)를 고려하기 위하여, ym과 zm의 크기를 정규화하여 사용할 수 있다.
S107 단계는 결과값에 따라 가능한 다수의 특성 인자 조합들 중 적어도 하나의 특성 인자 조합을 선택하는 단계이다. 일 실시예에서, 추출된 다수의 특성 인자 조합들 각각에 대한 결과값 중 가장 높은 결과값을 갖는 적어도 하나의 특성 인자 조합을 선택할 수 있다.
S109 단계는 선택된 적어도 하나의 특성 인자를 포함하는 특성 인자 조합을 이용하여 센서 신호에 대한 클래스를 분류하는 단계이다. 일 실시예에서, 적어도 하나의 특성 인자 클래스 분류 모델에 적용하여, 센서 신호에 대한 클래스를 분류할 수 있다.
도 2a 및 2b는 본 발명의 일 실시예에 따른 커토시스의 이상치 검출의 예를 도시한 도면이다.
도 2a 및 2b를 참고하면, 회전체의 진동 신호는 결함이 발생하면, 결함 파편과 회전체의 구조물 사이에 충돌이 발생하면서 임펄스 신호가 발생할 수 있다. 임펄스 신호는 무작위적으로 발생하기 때문에 주기성을 띄지 않고, 이는 진동 신호와 진동 신호에서 추출된 특성 인자에 이상치(Outlier)를 발생시킬 수 있다.
이 때, 도 2a 및 2b를 참고하면, 이상치(Outlier) 여부에 따른 통계적 파라미터 값의 변화를 확인할 수 있다. 이 경우, 커토시스(Ku)는 분포의 4차 모멘트로써, 이상치를 검출하기 위해 사용될 수 있다.
도 3은 본 발명의 일 실시예에 따른 Lk norm를 이용한 분류 결과 그래프를 도시한 도면이다.
도 3을 참고하면, 여러 센서 신호로부터 추출된 특성 인자들을 비교하여 선택하는 것은 매우 고차원의 문제일 수 있다. 이 경우, L1 norm은 L2 norm에 비해 고자원에서 벡터의 크기를 비교할 때, 더 강건한 지표일 수 있다.
따라서, 다수의 특성 인자들의 차원(dimension)이 임계값보다 큰 경우, L1 norm을 고려하여, 산출된 평균의 차이(difference)의 합이 산출될 수 있다.
반면, 다수의 특성 인자들의 차원이 임계값보다 작은 경우, L2 norm을 고려하여, 산출된 평균의 차이의 제곱(square)의 합이 산출될 수 있다.
도 4a 및 4b는 본 발명의 일 실시예에 따른 특성 인자별 클래스 분류 결과의 예를 도시한 도면이다.
도 4a 및 4b를 참고하면, 특성 인자 A를 선택하는 경우, 효과적으로 조건(condition) 1, 2 및 3을 분류할 수 있다. 그러나, 종래의 피셔 비율, 즉, 커토시스가 적용되지 않은 피셔 비율을 사용하는 경우, 이상치가 존재하는 특성 인자 B가 선택된다.
이 경우, 특성 인자 B를 선택하는 경우, 조건 3에 대한 이상치가 조건 2와 겹쳐있으므로, 분류의 정확도가 떨어지게 된다. 그러나, 본 발명의 다양한 실시예에 따른 통계적 지표 모델, 즉, 커토시스가 적용된 피셔 비율은 이상치가 존재하지 않는 특성 인자 A를 선택함으로써, 분류 정확도를 높일 수 있다.
일 실시에에서, 본 발명에 따른 커토시스가 적용된 피셔 비율은 MFR(Modified Fisher ratio) 또는 이와 동등한 기술적 의미를 갖는 용어로 지칭될 수 있다.
이하에서는 진동 신호에 대한 데이터를 이용하여 본 발명의 다양한 실시예에 따른 특성 인자 선택 방법을 검증한다. 예를 들어, 진동 신호는 하기 <수학식 3>과 같이 나타낼 수 있다.
Figure 112019099351584-pat00011
여기서, X(t)는 진동 신호, XShaft(t)는 회전 축의 진동 신호(회전 속도 및 하모닉), XStructure(t)는 회전체 공진 진동 신호, XBearing(t)는 베어링 결함 신호, XModulation(t)는 결함에 의한 변조 신호, N(t)외부 다양한 요인에 의한 진동 신호 및 화이트 노이즈 성분, U(t)결함에 의한 불규칙한 펄스 신호를 의미한다.
이 경우, 진동 신호에 대한 상기 <수학식 3>을 통해 5가지 진동 상태(정상, 오정렬, 불균형, 내륜 결함, 외륜 결함)에 대해 각각 30개의 데이터가 생성될 수 있다. 예를 들어, 하기 <표 1>은 데이터의 설정을 나타낼 수 있다.
샘플링 레이트 주기 회전 속도 회전체 공진 BPFI BPFO
25.6kHz 1초 50Hz 4000Hz 270Hz 180Hz
이러한 데이터 설정의 경우, 도 5a를 참고하면, 본 발명의 일 실시예에 따른 정상 진동 신호의 시간 영역 그래프를 확인할 수 있으며, 정상 진동 신호에 대한 데이터로부터 시간 영역 특성 인자인 RMS(1.06)를 확인할 수 있다.
또한, 도 5b 및 5c를 참고하면, 본 발명의 일 실시예에 따른 정상 진동 신호의 주파수 영역 그래프를 활 수 있으며, 정상 진동 신호에 대한 데이터로부터 주파수 영역 특성 인자인 회전 주파수(50Hz, 1x, 0.11), 하모닉 주파수(100Hz, 2x, 0.05) 및 공진 주파수(4000Hz)를 확인할 수 있다.
도 6a를 참고하면, 본 발명의 일 실시예에 따른 오정렬 진동 신호의 시간 영역 그래프를 확인할 수 있으며, 오정렬 진동 신호에 대한 데이터로부터 시간 영역 특성 인자인 RMS(1.44)를 확인할 수 있다.
또한, 도 6b 및 6c를 참고하면, 본 발명의 일 실시예에 따른 오정렬 진동 신호의 주파수 영역 그래프를 확인할 수 있으며, 오정렬 진동 신호에 대한 데이터로부터 주파수 영역 특성 인자인 회전 주파수(50Hz, 1x, 0.12), 하모닉 주파수(100Hz, 2x, 0.19) 및 공진 주파수(4000Hz)를 확인할 수 있다.
도 7a를 참고하면, 본 발명의 일 실시예에 따른 불균형 진동 신호의 시간 영역 그래프를 확인할 수 있으며, 불균형 진동 신호에 대한 데이터로부터 시간 영역 특성 인자인 RMS(1.45)를 확인할 수 있다.
또한, 도 7b 및 7c를 참고하면, 본 발명의 일 실시예에 따른 불균형 진동 신호의 주파수 영역 그래프를 확인할 수 있으며, 불균형 진동 신호에 대한 데이터로부터 주파수 영역 특성 인자인 회전 주파수(50Hz, 1x, 0.27) 및 공진 주파수(4000Hz)를 확인할 수 있다.
도 8a를 참고하면, 본 발명의 일 실시예에 따른 내륜 결함 진동 신호의 시간 영역 그래프를 확인할 수 있으며, 내륜 결함 진동 신호에 대한 데이터로부터 시간 영역 특성 인자인 RMS(1.43)를 확인할 수 있다.
또한, 도 8b 및 8c를 참고하면, 본 발명의 일 실시예에 따른 내륜 결함 진동 신호의 주파수 영역 그래프를 확인할 수 있으며, 내륜 결함 진동 신호에 대한 데이터로부터 주파수 영역 특성 인자인 회전 주파수(50Hz, 1x, 0.15) 및 공진 주파수(4000Hz)와 BPFI(270, 0.08)를 확인할 수 있다.
도 9a를 참고하면, 본 발명의 일 실시예에 따른 외륜 결함 진동 신호의 시간 영역 그래프를 확인할 수 있으며, 내륜 결함 진동 신호에 대한 데이터로부터 시간 영역 특성 인자인 RMS(1.44)를 확인할 수 있다.
또한, 도 9b 및 9c를 참고하면, 본 발명의 일 실시예에 따른 외륜 결함 진동 신호의 주파수 영역 그래프를 확인할 수 있으며, 외륜 결함 진동 신호에 대한 데이터로부터 주파수 영역 특성 인자인 회전 주파수(50Hz, 1x, 0.15) 및 공진 주파수(4000Hz)와 BPFO(180, 0.15, 0.41)를 확인할 수 있다.
일 실시예에서, 다수의 특성 인자들의 풀(pool)은 미리 결정되어 있을 수 있다. 예를 들어, 다수의 특성 인자들의 풀은 하기 <표 2>와 같이 나타낼 수 있으나, 이에 제한되지 않는다.
시간 영역 특성 인자 주파수 영역 특성 인자
순번 특성 인자 순번 특성 인자 순번 특성 인자 순번 특성 인자
1 Max 5 Kurtosis 9 1x 13 2x
2 Mean 6 Crest factor 10 0~0.49x 14 3~5x
3 RMS 7 Shape factor 11 0.5x 15 3x,5x,7x,9x
4 Skewness 8 Impulse factor 12 0.51~0.99x 16 1~10x
베어링 특성 인자 기타 특정 인자
17 FTF 19 BPFO 21 HRMS
18 BSF 20 BPFI 22 QAHSS
도 10a는 종래의 일 실시예에 따른 특성 인자 선택의 예를 도시한 도면이다. 도 10b는 본 발명의 일 실시예에 따른 L1 norm을 이용한 특성 인자 선택의 예를 도시한 도면이다. 도 10c는 본 발명의 일 실시예에 따른 L2 정규화를 이용한 특성 인자 선택의 예를 도시한 도면이다.
도 10a를 참고하면, 종래의 피셔 비율을 사용하여, 다수의 특성 인자들의 풀로부터 3개의 유효한 특성 인자가 선택될 수 있다. 예를 들어, 종래의 피셔 비율을 사용하는 경우, 유효한 특성 인자인 1x, BPFO 및 BPFI가 선택될 수 있다. 이 경우, 분류 정확도는 84%이며, 클래스 분류, 예를 들어, 정상(normal), 오정렬(misalignment), 불균형(unbalance), 내륜 결함(IRF) 및 외륜 결함(ORF)의 분류 정확도가 낮음을 확인할 수 있다.
도 10b를 참고하면, 본 발명의 일 실시예에 따른 L1 norm을 고려한 커토시스가 적용된 피셔 비율을 사용하여 다수의 특성 인자들의 풀로부터 3개의 유효한 특성 인자가 선택될 수 있다. 예를 들어, 유효한 특성 인자인 1x, 2x 및 HRMS가 선택될 수 있다. 이 경우, 분류 정확도는 100%이며, 클래스 분류, 예를 들어, 정상, 오정렬, 불균형, 내륜 결함 및 외륜 결함의 분류 정확도가 높음을 확인할 수 있다.
도 10c를 참고하면, 본 발명의 일 실시예에 따른 L2 norm을 고려한 커토시스가 적용된 피셔 비율을 사용하여 다수의 특성 인자들의 풀로부터 3개의 유효한 특성 인자가 선택될 수 있다. 예를 들어, 유효한 특성 인자인 1x, 2x 및 BPFO가 선택될 수 있다. 이 경우, 분류 정확도는 100%이며, 클래스 분류, 예를 들어, 정상, 오정렬, 불균형, 내륜 결함 및 외륜 결함의 분류 정확도가 높음을 확인할 수 있다.
도 11은 본 발명의 일 실시예에 따른 클래스 분류 장치(1100)의 기능적 구성을 도시한 도면이다.
도 11을 참고하면, 클래스 분류 장치(1100)는 센서부(1110), 저장부(1120) 및 제어부(1130)를 포함할 수 있다.
센서부(1110)는 센서 신호를 획득할 수 있다. 일 실시예에서, 센서부(1110)는 회전기계에서 계측되는 진동 신호를 획득할 수 있다.
저장부(1120)는 다수의 특성 인자들의 풀을 미리 저장할 수 있다. 일 실시예에서, 저장부(1120)는 휘발성 메모리, 비휘발성 메모리 또는 휘발성 메모리와 비휘발성 메모리의 조합으로 구성될 수 있다. 그리고, 저장부(1120)는 제어부(1130)의 요청에 따라 저장된 데이터를 제공할 수 있다.
제어부(1130)는 획득된 센서 신호로부터 다수의 특성 인자들을 추출하고, 추출된 다수의 특성 인자들 각각을 커토시스에 기반한 통계적 지표 모델에 적용하여 결과값을 획득하고, 결과값에 따라 다수의 특성 인자들 중 적어도 하나의 특성 인자를 선택하며, 적어도 하나의 특성 인자를 이용하여 센서 신호에 대한 클래스를 분류할 수 있다.
일 실시예에서, 제어부(1130)는 적어도 하나의 프로세서 또는 마이크로(micro) 프로세서를 포함하거나, 또는, 프로세서의 일부일 수 있다. 또한, 제어부(1130)는 CP(communication processor)라 지칭될 수 있다. 제어부(1130)는 본 발명의 다양한 실시예에 따른 클래스 분류 장치(1100)의 동작을 제어할 수 있다.
도 11을 참고하면, 클래스 분류 장치(1100)는 센서부(1110), 저장부(1120) 및 제어부(1130)를 포함할 수 있다. 본 발명의 다양한 실시 예들에서 클래스 분류 장치(1100)는 도 11에 설명된 구성들이 필수적인 것은 아니어서, 도 11에 설명된 구성들보다 많은 구성들을 가지거나, 또는 그보다 적은 구성들을 가지는 것으로 구현될 수 있다.
이상의 설명은 본 발명의 기술적 사상을 예시적으로 설명한 것에 불과한 것으로, 통상의 기술자라면 본 발명의 본질적인 특성이 벗어나지 않는 범위에서 다양한 변경 및 수정이 가능할 것이다.
따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라, 설명하기 위한 것이고, 이러한 실시예들에 의하여 본 발명의 범위가 한정되는 것은 아니다.
본 발명의 보호범위는 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 이해되어야 한다.
1100: 클래스 분류 장치
1110: 센서부
1120: 저장부
1130: 제어부

Claims (18)

  1. (a) 센서 신호를 획득하는 단계;
    (b) 상기 획득된 센서 신호로부터 다수의 특성 인자들을 추출하는 단계;
    (c) 상기 추출된 다수의 특성 인자들로 조합 가능한 특성 인자 조합 각각을 커토시스(kurtosis)에 기반한 통계적 지표 모델에 적용하여 결과값을 획득하는 단계;
    (d) 상기 결과값에 따라 상기 다수의 특성 인자 조합들 중 적어도 하나의 특성 인자 조합을 선택하는 단계; 및
    (e) 상기 선택된 적어도 하나의 특성 인자를 이용하여 상기 센서 신호에 대한 클래스를 분류하는 단계;
    를 포함하고는,
    상기 통계적 지표 모델은, 상기 커토시스가 적용된 피셔 비율(Fisher ratio)을 포함하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 방법.
  2. 제1항에 있어서,
    상기 (c) 단계는,
    상기 다수의 특성 인자들 각각에 따른 각 클래스에 대한 분산(variance)의 합(sum)과 상기 커토시스의 합을 산출하는 단계; 및
    상기 산출된 분산의 합과 커토시스의 합을 정규화(normalize)하는 단계;
    를 포함하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 방법.
  3. 제2항에 있어서,
    상기 (c) 단계는,
    상기 다수의 특성 인자들 각각에 따른 각 클래스에 대한 평균(mean)을 산출하는 단계;
    를 포함하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 방법.
  4. 제3항에 있어서,
    상기 (c) 단계는,
    상기 다수의 특성 인자들의 차원(dimension)이 임계값보다 큰 경우, 상기 산출된 평균의 차이(difference)의 합을 산출하는 단계;
    를 포함하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 방법.
  5. 제3항에 있어서,
    상기 (c) 단계는,
    상기 다수의 특성 인자들의 차원이 임계값보다 작은 경우, 상기 산출된 평균의 차이의 제곱(square)의 합을 산출하는 단계;
    를 포함하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 방법.
  6. 제3항에 있어서,
    상기 (c) 단계는,
    상기 정규화된 분산의 합, 상기 정규화된 커토시스의 합 및 상기 산출된 평균을 이용하여 상기 결과값을 획득하는 단계;
    를 포함하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 방법.
  7. 제1항에 있어서,
    상기 통계적 지표 모델은,
    상기 커토시스가 적용된 피셔 비율(Fisher ratio)을 포함하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 방법.
  8. 제1항에 있어서,
    상기 (d) 단계는,
    상기 추출된 다수의 특성 인자들로 이루어진 특성 인자 조합 각각에 대한 결과값 중 가장 높은 결과값을 갖는 적어도 하나의 특성 인자를 포함하는 특성 인자 조합을 선택하는 단계;
    를 포함하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 방법.
  9. 제1항에 있어서,
    상기 (e) 단계는,
    상기 선택된 적어도 하나의 특성 인자를 클래스 분류 모델에 적용하여, 상기 센서 신호에 대한 클래스를 분류하는 단계;
    를 포함하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 방법.
  10. 센서 신호를 획득하는 센서부;
    상기 획득된 센서 신호로부터 다수의 특성 인자들을 추출하고,
    상기 추출된 다수의 특성 인자들로 이루어진 특성 인자 조합 각각을 커토시스(kurtosis)에 기반한 통계적 지표 모델에 적용하여 결과값을 획득하고,
    상기 결과값에 따라 상기 다수의 특성 인자들 중 적어도 하나의 특성 인자로 이루어진 특성 인자 조합을 선택하며,
    상기 적어도 하나의 특성 인자를 이용하여 상기 센서 신호에 대한 클래스를 분류하는 제어부;
    를 포함하고는,
    상기 통계적 지표 모델은, 상기 커토시스가 적용된 피셔 비율(Fisher ratio)을 포함하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 장치.
  11. 제10항에 있어서,
    상기 제어부는,
    상기 다수의 특성 인자들 각각에 따른 각 클래스에 대한 분산(variance)의 합(sum)과 상기 커토시스의 합을 산출하고,
    상기 산출된 분산의 합과 커토시스의 합을 정규화(normalize)하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 장치.
  12. 제11항에 있어서,
    상기 제어부는,
    상기 다수의 특성 인자들 각각에 따른 각 클래스에 대한 평균(mean)을 산출하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 장치.
  13. 제12항에 있어서,
    상기 제어부는,
    상기 다수의 특성 인자들의 차원(dimension)이 임계값보다 큰 경우, 상기 산출된 평균의 차이(difference)의 합을 산출하는 ,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 장치.
  14. 제12항에 있어서,
    상기 제어부는,
    상기 다수의 특성 인자들의 차원이 임계값보다 작은 경우, 상기 산출된 평균의 차이의 제곱(square)의 합을 산출하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 장치.
  15. 제12항에 있어서,
    상기 제어부는,
    상기 정규화된 분산의 합, 상기 정규화된 커토시스의 합 및 상기 산출된 평균을 이용하여 상기 결과값을 획득하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 장치.
  16. 제10항에 있어서,
    상기 통계적 지표 모델은,
    상기 커토시스가 적용된 피셔 비율(Fisher ratio)을 포함하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 장치.
  17. 제10항에 있어서,
    상기 제어부는,
    상기 추출된 다수의 특성 인자들 각각에 대한 결과값 중 가장 높은 결과값을 갖는 적어도 하나의 특성 인자를 선택하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 장치.
  18. 제10항에 있어서,
    상기 제어부는,
    상기 적어도 하나의 특성 인자를 클래스 분류 모델에 적용하여, 상기 센서 신호에 대한 클래스를 분류하는,
    이상치(Outlier)에 민감한 통계적 지표 기반의 센서신호 특성인자 선정 장치.
KR1020190120068A 2019-09-27 2019-09-27 이상치에 민감한 통계적 지표 기반의 센서신호 특성인자 선택 방법 KR102278702B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190120068A KR102278702B1 (ko) 2019-09-27 2019-09-27 이상치에 민감한 통계적 지표 기반의 센서신호 특성인자 선택 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190120068A KR102278702B1 (ko) 2019-09-27 2019-09-27 이상치에 민감한 통계적 지표 기반의 센서신호 특성인자 선택 방법

Publications (2)

Publication Number Publication Date
KR20210037436A KR20210037436A (ko) 2021-04-06
KR102278702B1 true KR102278702B1 (ko) 2021-07-16

Family

ID=75473303

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190120068A KR102278702B1 (ko) 2019-09-27 2019-09-27 이상치에 민감한 통계적 지표 기반의 센서신호 특성인자 선택 방법

Country Status (1)

Country Link
KR (1) KR102278702B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220132715A (ko) 2021-03-23 2022-10-04 삼성디스플레이 주식회사 유기금속 화합물, 이를 포함한 발광 소자 및 발광 소자를 포함한 전자 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101903283B1 (ko) * 2017-05-12 2018-10-01 한국전력공사 발전 설비의 자동 진단 시스템 및 자동 진단 방법

Family Cites Families (2)

* 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
KR102120756B1 (ko) 2017-06-23 2020-06-09 퓨처메인 주식회사 실시간 진동 분석을 이용한 회전기계의 자동진단방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101903283B1 (ko) * 2017-05-12 2018-10-01 한국전력공사 발전 설비의 자동 진단 시스템 및 자동 진단 방법

Also Published As

Publication number Publication date
KR20210037436A (ko) 2021-04-06

Similar Documents

Publication Publication Date Title
US6370957B1 (en) Vibration analysis for predictive maintenance of rotating machines
KR102120756B1 (ko) 실시간 진동 분석을 이용한 회전기계의 자동진단방법
CN102840911B (zh) 用于旋转机械的振动烈度分析装置和方法
EP2919026A1 (en) Method and system for determining a synchronous machine fault condition
CN107206399A (zh) 离心机和用于检测离心机不平衡的方法
US20060287836A1 (en) Preventive defect detection and control process in composite material parts
KR101667164B1 (ko) 회전체 속도 기반의 베어링 고장 진단 방법
US20210154790A1 (en) Anomaly detection device, method of detecting anomaly, and program
KR102278702B1 (ko) 이상치에 민감한 통계적 지표 기반의 센서신호 특성인자 선택 방법
Yatsugi et al. Common diagnosis approach to three-class induction motor faults using stator current feature and support vector machine
CN112711850A (zh) 一种基于大数据的机组在线监测方法
Ginart et al. Automated feature selection for embeddable prognostic and health monitoring (PHM) architectures
CN102596782B (zh) 电梯控制装置
US20040153268A1 (en) Spectral evaluation of an object to be tested
CN111158342A (zh) 一种电机控制器初始化校验电流传感器一致性的方法
CN103453840B (zh) 弹子锁锁芯精度的自动检测方法
CN105136394B (zh) 快速处理锅炉风机振动故障的方法及装置
Pazouki et al. Fault diagnosis and condition monitoring of bearing using multisensory approach based fuzzy-logic clustering
KR102262091B1 (ko) 구조물의 실시간 결함 진단 및 예방 방법
CN113155271B (zh) 声振检测方法、系统、终端及介质
Lim et al. Motor fault detection method for vibration signal using FFT residuals
TW201546467A (zh) 晶圓測試特殊圖案及探針卡缺陷的檢驗方法
US10319156B2 (en) Method and system for detecting a condition of an electric machine
CN102890165A (zh) 风机加速度传感器检测方法及装置
CN109736045A (zh) 设备运行控制方法、装置和衣物处理装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant