KR102298062B1 - 감속 장치의 고장진단 장치 및 방법 - Google Patents

감속 장치의 고장진단 장치 및 방법 Download PDF

Info

Publication number
KR102298062B1
KR102298062B1 KR1020190174673A KR20190174673A KR102298062B1 KR 102298062 B1 KR102298062 B1 KR 102298062B1 KR 1020190174673 A KR1020190174673 A KR 1020190174673A KR 20190174673 A KR20190174673 A KR 20190174673A KR 102298062 B1 KR102298062 B1 KR 102298062B1
Authority
KR
South Korea
Prior art keywords
failure
main features
signal
vibration data
occurred
Prior art date
Application number
KR1020190174673A
Other languages
English (en)
Other versions
KR20210082596A (ko
Inventor
백희승
Original Assignee
주식회사 모트롤
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 모트롤 filed Critical 주식회사 모트롤
Priority to KR1020190174673A priority Critical patent/KR102298062B1/ko
Publication of KR20210082596A publication Critical patent/KR20210082596A/ko
Application granted granted Critical
Publication of KR102298062B1 publication Critical patent/KR102298062B1/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/40—Special vehicles
    • B60Y2200/41—Construction vehicles, e.g. graders, excavators

Abstract

본 명세서의 일 실시 예에 따르는 감속 장치의 고장진단 장치는, 감속 장치의 진동을 센싱하여 진동 데이터를 출력하는 센서; 및 프로세서를 포함하고, 상기 프로세서는, 상기 진동 데이터에서 주요 특징을 추출하는 특징 추출부; 머신 러닝 또는 딥 러닝에 의해 학습된 제1 진단 모델 및 추출된 상기 주요 특징에 기초하여 고장이 발생한지 여부를 판별하는 고장유무 진단부; 및 상기 고장이 발생한 것으로 판단된 경우, 머신 러닝 또는 딥 러닝에 의해 학습된 제2 진단 모델 및 추출된 상기 주요 특징에 기초하여 상기 고장의 유형을 판별하는 고장유형 진단부;를 포함한다.

Description

감속 장치의 고장진단 장치 및 방법{DEVICE and mETHOD for detecting fault of Reduction device}
본 발명은 감속 장치의 고장진단 장치 및 방법에 관한 것이다 .
주행 장치는 굴착기 등의 건설기계를 앞/뒤 좌우로 구동 시키고 선회 장치는 굴착기의 상부체를 회전시키는 역할을 하며 유압모터와 여러 가지 기어로 구성된 기어박스로 구성되어 있다. 감속 장치 또는 기어박스는 유압모터로부터 동력을 전달받아 굴착기를 구동 시키는 토크를 증폭시킨다. 이러한 기능으로 기어박스 안의 기어 및 타 부품들은 반복적인 하중을 많이 받게 된다. 반복적인 하중에 피로 파손 및 외부 충격에 의해 갑작스러운 파손이 발생될 수 있다. 이러한 파손이 발생할 경우 굴착기 구동이 불가하여 작업을 할 수 없어 다운타임 시간이 발생하여 사용자에게 손실을 초래할 수 있다. 또한 어느 한 부품의 파손에 의해 기어박스 내부의 부품들이 연쇄적으로 파손되어 파손 원인을 명확하게 구분하는데 어려움이 있다. 이러한 손실 및 파손 원인을 명확하게 구분하기 위해 고장 위치 및 원인을 진단할 수 있는 기술 개발이 필요하다.
본 명세서의 일 실시 예의 목적은 간단하고 효율적으로 감속 장치의 고장을 진단할 수 있는 감속 장치의 고장진단장치 및 방법을 제공하는 것에 있다.
본 명세서의 일 실시 예에 따르는 감속 장치의 고장진단 장치는, 감속 장치의 진동을 센싱하여 진동 데이터를 출력하는 센서; 및 프로세서를 포함하고, 상기 프로세서는, 상기 진동 데이터에서 주요 특징을 추출하는 특징 추출부; 머신 러닝 또는 딥 러닝에 의해 학습된 제1 진단 모델 및 추출된 상기 주요 특징에 기초하여 고장이 발생한지 여부를 판별하는 고장유무 진단부; 및 상기 고장이 발생한 것으로 판단된 경우, 머신 러닝 또는 딥 러닝에 의해 학습된 제2 진단 모델 및 추출된 상기 주요 특징에 기초하여 상기 고장의 유형을 판별하는 고장유형 진단부;를 포함한다.
일 실시 예에 따르면, 상기 프로세서는, 상기 고장이 발생한 것으로 판단된 경우, 상기 고장의 유형을 판별하기 전에 상기 감속 장치의 고장 발생을 알리는 신호를 출력한다.
일 실시 예에 따르면, 상기 프로세서는, 출력된 상기 진동 데이터로부터 외부 가진 성분을 제거하는 전처리부를 더 포함한다.
일 실시 예에 따르면, 상기 감속 장치는 복수의 기어를 포함하고, 상기 고장유형 진단부는, 복수의 기어 중 고장이 발생한 기어 및 발생한 고장의 원인을 판별한다.
일 실시 예에 따르면, 상기 주요 특징은, 상기 압력 데이터의 시간 도메인에서 추출된 최대값(Max), 최소값(Min), 평균값(Mean), 중앙값(Median), 평균 주파수(Avg. Frequency), 중앙 주파수(Median Frequency), 피크-투-피크(Peak to Peak), 크레스트 팩터(Crest Factor), RMS(Root-Mean-Square), RMS Level, 표준 편차(Standard Deviation), 분산(Variance), 신호-잡음 차이(Signal-Noise Difference), 신호대잡음비(Signal-Noise Ratio) 중 적어도 하나의 시간 도메인 특징을 포함한다.
일 실시 예에 따르면, 상기 주요 특징은, 이산 웨이블릿 변환을 통해 상기 압력 데이터로부터 분해된 적어도 하나의 상세 신호를 포함하는 웨이블릿 도메인 특징을 포함한다.
일 실시 예에 따르면, 감속 장치의 압력을 센싱하여 압력 데이터를 출력하는 센서를 더 포함하고, 상기 특징 추출부는 상기 압력 데이터에서 상기 주요 특징을 더 추출한다.
일 실시 예에 따르면, 상기 제1 진단 모델은, 비지도 학습 모델 또는 지도 학습 모델이다.
일 실시 예에 따르면, 상기 제2 진단 모델은, 지도 학습 모델이다.
일 실시 예에 따르는 감속 장치의 고장진단 방법은, 감속 장치의 진동을 센싱하여 진동 데이터를 출력하는 단계; 상기 진동 데이터에서 주요 특징을 추출하는 단계; 머신 러닝 또는 딥 러닝에 의해 학습된 제1 진단 모델 및 추출된 상기 주요 특징에 기초하여 고장이 발생한지 여부를 판별하는 단계; 및 상기 고장이 발생한 것으로 판단된 경우, 머신 러닝 또는 딥 러닝에 의해 학습된 제2 진단 모델 및 추출된 상기 주요 특징에 기초하여 상기 고장의 유형을 판별하는 단계;를 포함한다.
본 발명의 일 실시예에 따른 고장진단 장치는 2단계로 고장을 진단하여 고장 진단의 정확도를 높일 수 있고, 또한 사전에 학습되지 않은 고장에 대해서도 고장 진단을 할 수 있다.
도 1은 본 명세서의 일 실시 예에 따르는 감속 장치의 고장진단 장치의 블록도이다.
도 2는 본 명세서의 일 실시 예에 따르는 작업 차량의 블록도이다.
도 3은 본 발명의 일 실시예에 따른 감속장치 및 센서의 개략도이다.
도 4는 본 발명의 일 실시예에 따른 감속장치의 고장진단 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 2단계 진단 방법을 설명하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 고장 진단 영역을 표시하는 도면이다.
도 7은 본 발명의 일 실시예에 따라 획득된 데이터 세트를 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 웨이블릿 도메인의 주요 특징을 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 특징 큐브를 나타내는 도면이다.
도 10은 본 발명의 일 실시예에 따른 진단 모델의 설계, 학습 및 평가 과정을 나타내는 도면이다.
이하, 본 명세서의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
실시 예를 설명함에 있어서 본 명세서가 속하는 기술 분야에 익히 알려져 있고 본 명세서와 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 명세서의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.
마찬가지 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 개략적으로 도시되었다. 또한, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다. 각 도면에서 동일한 또는 대응하는 구성요소에는 동일한 참조 번호를 부여하였다.
이하, 본 명세서의 실시 예들 및 도면을 참고하여 주행 장치 또는 선회 장치의 고장진단 장치 및 방법에 대해 설명될 것이며, 그 일례로 감속 장치의 고장진단 장치의 구성 및 방법에 대해 설명한다.
도 1은 본 명세서의 일 실시 예에 따르는 감속 장치의 고장진단 장치의 블록도이다. 도 2는 본 명세서의 일 실시 예에 따르는 작업 차량의 블록도이다. 도 3은 본 발명의 일 실시예에 따른 감속장치 및 센서의 블록도이다.
도 1을 참조하면, 진단 장치(100)는 센서(110) 및 프로세서(160)을 포함한다.
센서(110)는 감속 장치(200)에 부착되어 감속 장치(200)의 진동을 센싱하여 진동 데이터를 출력하는 진동 센서(120)를 포함할 수 있다. 진동 센서(120)는 x-축, y-축 z-축 방향의 가속도를 측정하는 가속도 센서일 수 있다. 진동 센서(120)는 하나 이상의 진동 센서를 포함할 수 있다. 예를 들어, 진동 센서(120)는 서로 다른 위치에 배치된 제1, 제2 및 제3 진동 센서(121, 122, 123)를 포함할 수 있다.
센서(110)는 감속 장치(200)에 부착되어 감속 장치(200)의 유압을 센싱하여 압력 데이터를 출력하는 압력 센서(130)를 포함할 수 있다. 압력 센서(130)는 하나 이상의 압력 센서를 포함할 수 있다.
예를 들어, 압력 센서(130)는 선회 모터(도 2의 210) 또는 주행 모터(도 2의 220)의 인렛 및 아웃렛에 배치된 제1 및 제2 압력 센서(131, 132)를 포함할 수 있다.
프로세서(160)는 특징 추출부(170), 고장유무 진단부(180) 및 고장유형 진단부(190)을 포함할 수 있다. 프로세서는 전처리부(미도시)를 더 포함할 수 있다.
전처리부(미도시)는 외부 가진 성분을 제거하기 위한 필터링을 행한다. 전처리부는 노치필터와 고역필터일 수 있다. 외부 가진 성분은 선회 모터(210) 또는 주행 모터(220)의 구동시 발생되는 회전주파수와, 유압식 모터인 경우 유압공급을 위한 유압펌프의 구동시 발생되는 회전주파수일 수 있다. 진동 센서(120)가 출력한 진동 데이터 및 압력 센서(130)가 출력한 압력 데이터는 필터를 통해 감속기(260)와 관련이 없는 펌프 및 모터가 회전하면서 발생되는 맥동(외란)들이 제거된다.
특징 추출부(170)는 센서(110)가 출력한 또는 전처리부가 출력한 진동 데이터 및/또는 압력 데이터에서 주요 특징을 추출한다.
추출된 주요 특징은 진동 데이터 및/또는 압력 데이터의 시간 도메인에서 추출된 특징일 수 있다. 예를 들어, 추출된 주요 특징은 최대값(Max), 최소값(Min), 평균값(Mean), 중앙값(Median), 평균 주파수(Avg. Frequency), 중앙 주파수(Median Frequency), 피크-투-피크(Peak to Peak), 크레스트 팩터(Crest Factor), RMS(Root-Mean-Square), RMS Level, 표준 편차(Standard Deviation), 분산(Variance), 신호-잡음 차이(Signal-Noise Difference), 신호대잡음비(Signal-Noise Ratio) 중 적어도 하나을 포함할 수 있다.
도 8에 도시된 바와 같이, 추출된 주요 특징은 진동 데이터 및/또는 압력 데이터의 웨이블릿 도메인에서 추출된 특징일 수 있다. 예를 들어, 추출된 주요 특징은 이산 웨이블릿 변환을 통해 진동 데이터 및/또는 압력 데이터로부터 분해된 적어도 하나의 상세 신호를 포함할 수 있다. 원신호(s)는 이산 웨이블릿 변환에 의해 제 1 근사 신호(cA1)와 제 1 상세 신호(cD1)로 분리할 수 있다. 그리고 제 1 근사 신호(cA1)는 다시 제 2 근사 신호(cA2)와 제 2 상세 신호(cD2)로 분리할 수 있다. 또한 제 2 근사 신호(cA2)는 다시 제 3 근사 신호(cA3)와 제 3 상세 신호(cD3)로 분리할 수 있다. 각 신호가 근사 신호와 상세 신호로 분리될 때 마다 해당 신호의 주파수 대역이 고주파 대역과 저주파 대역으로 나누어진다.
고장유무 진단부(180)는 머신 러닝 또는 딥 러닝에 의해 학습된 제1 진단 모델 및 추출된 주요 특징에 기초하여 고장이 발생한지 여부를 판별한다.
도 10에 도시된 바와 같이, 제1 진단 모델은 비지도형 또는 지도형 학습 알고리즘을 이용하는 모델일 수 있다. 예를 들어, 제1 진단 모델은 AutoEncoder neural network를 이용하는 모델일 수 있다.
고장유무 진단부(180)는 고장이 발생하였다고 판단되면, 고장 유형의 판단 전에 감속 장치(200)의 고장 발생을 알리는 신호를 출력할 수 있다. 보다 구제척으로는 감속 장치(200)의 제어부(도 3의 control part)에 고장 발생을 알리는 신호를 전달하고, 제어부는 전달 받은 신호에 기초하여 유압 모터(도 3의 Hydraulic motor part)의 운전을 중지시킬 수 있다.
고장유형 진단부(190)는 고장유무 진단부(180)가 고장이 발생한 것으로 판단한 경우, 머신 러닝 또는 딥 러닝에 의해 학습된 제2 진단 모델 및 추출된 주요 특징에 기초하여 고장의 유형을 판별할 수 있다.
고장유형 진단부(190)는 고장이 발생한 위치, 즉 감속 장치(200)에 포함된 복수의 부품 중 고장이 발생한 부품을 판별할 수 있다. 예를 들어, 고장유형 진단부(190)는 도 2에 도시된 선회 모터(210), 주행 모터(220), 선기어(230), 유성 기어(240) 및 링기어(259) 중 어느 것에서 고장이 발생하였는지 판별할 수 있다. 예를 들어, 고장유형 진단부(190)는 도 3에 도시된 제1 선기어(1st Stage Sun Gear) 및 제2 선기어(2nd Stage Sun Gear) 중 어느 것에서 고장이 발생하였는지 판별할 수 있다. 이에 한정되지 않으며, 고장유형 진단부(190)는 감속 장치(200)에 포함된 임의의 부품의 고장을 판별할 수 있다.
예를 들어, 고장의 원인은 기어의 이 부러짐(Tooth Breakage), 크랙(Crack) 및 피팅(Pitting)을 포함할 수 있다.
도 3을 참조하면, 고장의 원인은 유압 모터(Hydraulic Motor Part)에서 발생하는 누유 및 제어기(Control Part)에서의 이상 마모에 대한 누유 등을 포함할 수 있다.
고장 유형, 즉 고장 위치 및 원인에 따라 진동 센서(120) 및 압력 센서(130)가 출력하는 데이터는 서로 상이한 주요 특징을 가질 수 있고, 이에 따라 고장유형 진단부(190)는 어느 부품에서 고장이 발생했고 그 원인이 무엇인지를 판별할 수 있다.
도 10에 도시된 바와 같이, 제2 진단 모델은 지도형 학습 알고리즘을 이용하는 모델일 수 있다. 예를 들어, 제2 진단 모델은 2nd SVM, Den. Gauss. SVM, Linear SVM, Spar. Gauss. SVM, Cos. Knn, 3rd SVM, Dense KNN, Mid. Gauss. SVM, Sparse KNN. KNN Ensemble, 3rd KNN, Dense Tree, Mid. KNN, Spar. Tree, R-B Ensemble, Bag. Tree Ensemble, Naive-Bayes, Middle Tree, KNN Encsemble, Weighted KNN 등을 이용하는 모델일 수 있다.
고장유형 진단부(190)는 진단한 고장의 위치 및 원인을 통신 장치(300)를 통해 계기판 또는 서버로 송신할 수 있다.
도 2를 참조하면, 본 발명에 따른 건설장비는 버킷의 종류에 따라 토사를 퍼내는 굴삭 작업, 도로나 건물의 잔해를 깨뜨리는 파쇄 작업, 지면을 평평하게 고르는 지균 작업, 수도관이나 가스관을 매설하기 위해 지면을 좁고 깊게 파는 호파기 작업, 퍼낸 토사를 덤프트럭에 실어 나르는 상차 작업, 무거운 물건을 들어 올리는 기중 작업, 및 그래플(Grapple) 작업 등 다양한 작업을 수행할 수 있다.
이러한 건설장비는 작업을 수행하기 위한 작업장치(410), 작업장치(410)가 향하는 방향이 변경되도록 회전하는 상부회전체(420), 및 상부회전체(420)가 회전 가능하게 결합되는 하부주행체(430)를 포함할 수 있다.
작업장치(410)는 기복(起伏), 신축(伸縮), 꺾기 등에 의해 작업 반경을 변경하면서 대상물을 매달아 올리거나 이동시키기 위한 기둥 모양의 구조물인 붐(Boom), 및 토사나 콘크리트 등의 분체 또는 유체를 담아 운반할 때 사용하는 강철 용기인 버킷(Bucket) 등을 포함할 수 있다.
상부회전체(420)는 기관석, 조종석 및 제어장치 등을 포함할 수 있다. 상부회전체(220)는 360도 회전할 수 있다. 상부회전체(420)는 하부주행체(430)에 수직인 수직선을 중심으로 선회 이동할 수 있다.
하부주행체(430)는 건설장비 전체가 주행하기 위한 것으로, 다른 위치로 이동함으로써 작업장치(410)의 작업 범위가 확장되도록 할 수 있다.
또한, 본 발명에 따른 건설장비는 상부회전체(420)를 선회 이동시키기 위한 선회모터(210), 및 선회모터(210)에 연결되는 감속기(260)를 포함할 수 있다. 감속기(260)는 선기어(230), 유성기어(240), 링기어(250)로 구성되며, 선회모터(210)가 발생시키는 구동력을 감소시킬 수 있다. 감속 장치(200) 또는 기어박스는 선회모터(210) 및 감속기(260)를 포함할 수 있다.
또한, 본 발명에 따른 건설장비는 하부주행체(430)를 주행시키기 위한 주행모터(220), 및 주행모터(220)에 연결되는 감속기(260)를 포함할 수 있다. 감속기(260)는 주행모터(220)가 발생시키는 구동력을 감소시킬 수 있다. 감속 장치(200) 또는 기어박스는 주행모터(220) 및 감속기(260)를 포함할 수 있다.
도 3은 본 발명의 일 실시예에 따른 감속장치 및 센서의 개략도이다.
도 2 및 도 3을 참조하면, 감속장치(200)는 감속기(Reduction Gear Part, 260), 유압 모터부(Hydraulic motor Part, 210, 220), 유압 모터부(Hydraulic motor Part, 210, 220)를 제어하는 제어기(Control Part)를 포함한다. 감속기(Reduction Gear Part, 260)는 제1 선기어(1st Stage Sun gear) 및 제2 선기어(2nd Stage Sun gear)를 포함할 수 있다.
감속장치(200)의 서로 다른 위치에 제1, 제2 및 제3 진동 센서(Acceleration Sensor, 121, 122, 123)가 배치되어 각각 3 축 방향의 가속도를 측정할 수 있다.
압력 센서(131, 132, Pressure Sensor)는 제어기(Control Part)의 압력 측정 포트(인렛 및 아웃렛)에서 유압을 측정한다. 압력 측정 포트는 실제 압력을 측정하기 위해 만들어진 포트로 유압 모터부(Hydraulic motor Part, 210, 220) 내부의 압력을 측정할 수 있다. 도 3에 도시된 바와 같이, 감속기(260, Reduction Gear Part)는 유압 모터부(Hydraulic motor Part, 210, 220)로부터 동력을 전달받아 구동 되기 때문에 유압 모터부(Hydraulic motor Part, 210, 220)와 동일한 축으로 연결되어 있다. 이로 인해 감속기(260)의 고장이 발생할 경우 그 영향이 동일 축을 따라 유압 모터부(Hydraulic motor Part, 210, 220)에 전달되고 고장에 대한 영향이 압력의 변화로 나타난다.
또한, 압력 측정을 통한 주행, 선회 장치의 고장 진단은 유압 모터부(Hydraulic motor Part, 210, 220)에서 발생하는 누유 및 제어기(Control Part)에서의 이상 마모에 대한 누유 등에 대한 진단이 가능하여 진동 측정을 통해 진단하기 어려운 부분까지 고장 진단이 가능할 수 있다.
도 4는 본 발명의 일 실시예에 따른 감속장치의 고장진단 방법을 설명하기 위한 흐름도이다.
진동 센서(120)는 감속 장치(200)의 진동을 센싱하여 진동 데이터를 출력하고, 압력 센서(130)는 감속 장치(200)의 유압을 센싱하여 압력 데이터를 출력한다(S100).
전처리부(미도시)는 외부 가진 성분을 제거하기 위한 필터링을 행한다(S200).
특징 추출부(170)는 센서(110)가 출력한 또는 전처리부가 출력한 진동 데이터 및/또는 압력 데이터에서 주요 특징을 추출한다(S300). 인공지능 알고리즘(머신 러닝 또는 딥 러닝 알고리즘)을 이용하여 설계 및 학습된 전술한 제1 진단 모델 및 제2 진단 모델에 최적화된 특징들이 추출될 수 있다.
추출된 주요 특징을 이용하여 제1 진단 모델 및 제2 진단 모델을 설계, 학습, 평가하여 최적의 진단 모델이 사전 제작될 수 있다(S400).
고장유무 진단부(180)는 머신 러닝 또는 딥 러닝에 의해 사전 학습된 제1 진단 모델 및 추출된 주요 특징에 기초하여 고장이 발생한지 여부를 판별한다(S500).
고장유형 진단부(190)는 고장유무 진단부(180)가 고장이 발생한 것으로 판단한 경우, 머신 러닝 또는 딥 러닝에 의해 학습된 제2 진단 모델 및 추출된 주요 특징에 기초하여 고장의 유형, 즉 위치 및 원인을 판별한다(S600).
도 5는 본 발명의 일 실시예에 따른 2단계 진단 방법을 설명하는 도면이다.
도 5의 제1 단계는 제1 진단 모델 및 추출된 주요 특징에 기초하여 고장이 발생한지 여부를 판별하는 단계(S500)에 대응하고, 제2 단계는 제2 진단 모델 및 추출된 주요 특징에 기초하여 고장의 유형, 즉 위치 및 원인을 판별하는 단계(S600)에 대응한다.
제1 단계는 추출된 주요 특징으로 학습된 제1 진단 모델을 이용하여 정상 및 비정상(즉 고장 발생) 만을 판별하고, 제2 단계는 제1 단계에서 비정상으로 판별된 경우, 추출된 주요 특징으로 학습된 제2 진단 모델을 이용하여 고장 모드(고장 유형)을 판별한다.
도 6은 본 발명의 일 실시예에 따른 고장 진단 영역을 표시하는 도면이다.
감속 장치(200)가 소정의 RPM, 예를 들어, 10 내지 35 RPM 이내이고, 소정의 압?, 예를 들어, 7.8 내지 22.6 MPa 이내에서 동작하는 경우에, 진단 모듈을 학습시키기 위해 또는 실시간으로 고장 유무 및 고장 유형을 진단하기 위해, 센서(110)가 출력하는 진동 데이터 및/또는 압력 데이터로부터 주요 특징을 추출할 수 있다.
도 7은 본 발명의 일 실시예에 따라 획득된 데이터 세트를 나타내는 도면이다.
진동 데이터 및/또는 압력 데이터는 복수의 서로 다른 압력 및 복수의 서로 다른 RPM 운전 조건에서 측정될 수 있다.
또한, 고장 유무 및 고장 유형과 관련하여, 정상 상태, 제1 선기어(1st Stage Sun Gear)의 이가 부러진 상태, 제1 선기어가 Pitting된 상태, 제2 선기어가 Pitting된 상태 등 복수의 서로 다른 고장 유형을 갖는 운전 조건, 즉 복수의 서로 다른 고장 모드(Fault mode) 상태에서 진동 데이터 및/또는 압력 데이터가 측정될 수 있다.
진동 데이터는 각각의 진동 센서(121, 122, 123)가 각각 3축 방향의 가속도를 측정한 데이터(Ch 1 내지 Ch 9)를 포함하고, 압력 데이터는 각각의 압력 센서(131, 132)가 유압을 측정한 데이터(Ch 10 및 Ch 11)를 포함할 수 있다.
도 7을 참조하면, 예를 들어 진동 센서(121)의 x-축 방향 가속도 데이터(Ch 1)에서, 4초간의 가속도 데이터를 하나의 학습 데이터 세트로 묶고, 각각의 학습 데이터 세트는 서로 1초 간격으로 쉬프트된다.
도 7에 도시된 복수의 학습 데이터 세트 각각에서 진동 데이터 및/또는 압력 데이터의 시간 도메인 특징이 추출될 수 있다. 시간 도메인 특징은 최대값(Max), 최소값(Min), 평균값(Mean), 중앙값(Median), 평균 주파수(Avg. Frequency), 중앙 주파수(Median Frequency), 피크-투-피크(Peak to Peak), 크레스트 팩터(Crest Factor), RMS(Root-Mean-Square), RMS Level, 표준 편차(Standard Deviation), 분산(Variance), 신호-잡음 차이(Signal-Noise Difference), 신호대잡음비(Signal-Noise Ratio) 등을 포함할 수 있다.
도 8은 본 발명의 일 실시예에 따른 웨이블릿 영역의 주요 특징을 나타내는 도면이다.
도 7에 도시된 복수의 학습 데이터 세트 각각에서 진동 데이터 및/또는 압력 데이터의 웨이블릿 도메인의 주요 특징이 추출될 수 있다. 예를 들어, 추출된 주요 특징은 이산 웨이블릿 변환을 통해 진동 데이터 및/또는 압력 데이터로부터 분해된 10개의 상세 신호(cD1 내지 cD10)를 포함할 수 있다. 원신호(s)는 이산 웨이블릿 변환에 의해 제 1 근사 신호(cA1)와 제 1 상세 신호(cD1)로 분리할 수 있다. 그리고 제 1 근사 신호(cA1)는 다시 제 2 근사 신호(cA2)와 제 2 상세 신호(cD2)로 분리할 수 있다. 또한 제 2 근사 신호(cA2)는 다시 제 3 근사 신호(cA3)와 제 3 상세 신호(cD3)로 분리할 수 있다. 각 신호가 근사 신호와 상세 신호로 분리될 때 마다 해당 신호의 주파수 대역이 고주파 대역과 저주파 대역으로 나누어진다.
도 9는 본 발명의 일 실시예에 따른 특징 큐브를 나타내는 도면이다.
각각의 특징 큐브의 x-축은 각각의 데이터(Ch 1 내지 Ch 11)로부터 추출된 주요 특징, 예를 들어, 시간 도메인 특징, 웨이블릿 도메인 특징 및 이들을 모두 포함하는 시간-웨이블릿 도메인 특징을 나타낸다.
각각의 특징 큐브의 y-축은 각각의 데이터(Ch 1 내지 Ch 11)를 나타낸다.
각각의 특징 큐브의 z-축은 도 7에 도시된 테스트 데이터 취득 조건(고장 모드 4가지, 압력 및 RPM에 따른 9가지 조건, 반복 회수 3) 및 도 7에 도시된 학습 데이터 세트(27 개)의 조합을 나타낸다.
도 6 내지 9을 참조하여 설명한 바와 같이 추출된 특징 큐브를 이용하여 제1 진단 모델 및 제2 진단 모델을 설계 및 학습시킬 수 있다. 또한, 도 7 내지 8를 참조하여 설명한 바와 같이 실시간으로 추출된 주요 특징과 학습된 제1 진단 모델 및 제2 진단 모델을 이용하여 고장 유무 및 고장 유형을 진단할 수 있다.
도 10은 본 발명의 일 실시예에 따른 진단 모델의 설계, 학습 및 평가 과정을 나타내는 도면이다.
최적의 진단 모델 설계를 위해 복수 개(예를 들어, 1845개)의 진단 모델이 각각 설계, 학습 및 평가될 수 있다.
Fault mode(공장 유무를 판단하는 제1 단계 및 고장 유형을 판단하는 제2 단계), Feature(시간 도메인의 주요 특징, 웨이블릿 도메인의 주요 특징, 시간-웨이블릿 도메인의 주요 특징)를 각각 달리하는 특징 큐브(FC)와 서로 다른 AI 모델(지도 학습 알고리즘 및 비지도 학습 알고리즘)을 조합하여 복수의 학습 모델 조합을 구성한다.
지도 학습 알고리즘은 2nd SVM, Den. Gauss. SVM, Linear SVM, Spar. Gauss. SVM, Cos. Knn, 3rd SVM, Dense KNN, Mid. Gauss. SVM, Sparse KNN. KNN Ensemble, 3rd KNN, Dense Tree, Mid. KNN, Spar. Tree, R-B Ensemble, Bag. Tree Ensemble, Na
Figure 112019133906310-pat00001
ve-Bayes, Middle Tree, KNN Encsemble, Weighted KNN 일 수 있다. 비지도형 학습 알고리즘은 AutoEncoder neural network를 이용하는 모델일 수 있다. 비지도형 학습 알고리즘은 제1 단계(고장 유무 판단)를 위한 모델에만 적용될 수 있다.
조합된 각각의 학습 모델에 대해 전술한 특징 큐즈(FC)의 일부(예를 들어 전체 특징 큐브(FC)의 67%)를 이용하여 학습시키고, 나머지 일부(예를 들어 전체 특징 큐브(FC)의 33%)를 이용하여 해당 학습 모델을 평가한다. 학습 모델의 평가는 Confusion Matrix를 이용하여, Accuracy, Precision, Specificity를 결정할 수 있다. Accuracy는 전체 입력 샘플의 수에 대해 정확한 진단의 수의 비율을 의미하고, Precision은 TruePositive 경우의 accuracy를 의미하고, Specificity는 TrueNegative 경우의 accuracy를 의미한다.
Accuracy, Precision, Specificity를 고려하여 각 단계(Step 1 및 Step 2)에서 최적의 평가 결과를 나타내는 학습 모델의 조합(Feature, Sensor, AI model)이 선택될 수 있다. 선택된 학습 모델의 조합에 대응하는 센서(110)로부터 대응하는 영역의 주요 특징을 추출하고, 대응하는 제1 진단 모듈을 이용하여 고장 유무를 판단하고, 대응하는 제2 진단 모듈을 이용하여 고장 유형을 판단할 수 있다.
전술한 방법은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.
이상에서 본 명세서에 개시된 실시예들을 첨부된 도면들을 참조로 설명하였다. 이와 같이 각 도면에 도시된 실시예들은 한정적으로 해석되면 아니되며, 본 명세서의 내용을 숙지한 당업자에 의해 서로 조합될 수 있고, 조합될 경우 일부 구성 요소들은 생략될 수도 있는 것으로 해석될 수 있다.
여기서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 본 명세서에 개시된 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 명세서에 개시된 일 실시예에 불과할 뿐이고, 본 명세서에 개시된 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
100 : 고장진단 장치 110 : 센서
120: 진동 센서 130: 압력 센서
160: 프로세서 170: 특징 추출부
180: 고장유무 진단부 190: 고장유형 진단부
200: 감속 장치 300: 통신 장치

Claims (10)

  1. 건설장비의 감속 장치의 고장진단 장치로서,
    상기 감속 장치는 감속기, 유압 모터부 및 상기 유압 모터부를 제어하는 제어기를 포함하고,
    상기 고장진단 장치는,
    상기 제어기의 서로 다른 위치에 배치되어 각각 3 축 방향의 가속도를 측정함으로써 상기 감속 장치의 진동을 센싱하여 진동 데이터를 출력하는 복수의 센서; 및
    프로세서를 포함하고,
    상기 프로세서는,
    상기 진동 데이터에서 주요 특징을 추출하는 특징 추출부;
    머신 러닝 또는 딥 러닝에 의해 학습된 제1 진단 모델 및 추출된 상기 주요 특징에 기초하여 고장이 발생한지 여부를 판별하는 고장유무 진단부; 및
    상기 고장이 발생한 것으로 판단된 경우, 머신 러닝 또는 딥 러닝에 의해 학습된 제2 진단 모델 및 추출된 상기 주요 특징에 기초하여 상기 고장의 유형을 판별하는 고장유형 진단부;를 포함하고,
    상기 프로세서는,
    상기 고장이 발생한 것으로 판단된 경우, 상기 고장의 유형을 판별하기 전에 상기 감속 장치의 고장 발생을 알리는 신호를 출력하는 감속 장치의 고장진단 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 프로세서는,
    출력된 상기 진동 데이터로부터 외부 가진 성분을 제거하는 전처리부를 더 포함하는, 감속 장치의 고장진단 장치.
  4. 제1항에 있어서,
    상기 감속기는 복수의 기어를 포함하고,
    상기 고장유형 진단부는,
    복수의 기어 중 고장이 발생한 기어 및 발생한 고장의 원인을 판별하는, 감속 장치의 고장진단 장치.
  5. 제1항에 있어서,
    상기 주요 특징은, 상기 진동 데이터의 시간 도메인에서 추출된 최대값(Max), 최소값(Min), 평균값(Mean), 중앙값(Median), 평균 주파수(Avg. Frequency), 중앙 주파수(Median Frequency), 피크-투-피크(Peak to Peak), 크레스트 팩터(Crest Factor), RMS(Root-Mean-Square), RMS Level, 표준 편차(Standard Deviation), 분산(Variance), 신호-잡음 차이(Signal-Noise Difference), 신호대잡음비(Signal-Noise Ratio) 중 적어도 하나의 시간 도메인 특징을 포함하는, 감속 장치의 고장진단 장치.
  6. 제1항에 있어서,
    상기 주요 특징은, 이산 웨이블릿 변환을 통해 상기 진동 데이터로부터 분해된 적어도 하나의 상세 신호를 포함하는 웨이블릿 도메인 특징을 포함하는, 감속 장치의 고장진단 장치.
  7. 제1항에 있어서,
    상기 감속 장치의 압력을 센싱하여 압력 데이터를 출력하는 센서를 더 포함하고,
    상기 특징 추출부는 상기 압력 데이터에서 상기 주요 특징을 더 추출하는, 감속 장치의 고장진단 장치.
  8. 제1항에 있어서,
    상기 제1 진단 모델은, 비지도 학습 모델 또는 지도 학습 모델인, 감속 장치의 고장진단 장치.
  9. 제1항에 있어서,
    상기 제2 진단 모델은, 지도 학습 모델인, 감속 장치의 고장진단 장치.
  10. 건설장비의 감속 장치의 고장진단 방법으로서,
    상기 감속 장치는 감속기, 유압 모터부 및 상기 유압 모터부를 제어하는 제어기를 포함하고,
    상기 고장진단 방법은,
    상기 감속 장치의 서로 다른 위치에 배치된 복수의 센서가 각각 3 축 방향의 가속도를 측정함으로써 상기 감속 장치의 진동을 센싱하여 진동 데이터를 출력하는 단계;
    상기 진동 데이터에서 주요 특징을 추출하는 단계;
    머신 러닝 또는 딥 러닝에 의해 학습된 제1 진단 모델 및 추출된 상기 주요 특징에 기초하여 고장이 발생한지 여부를 판별하는 단계; 및
    상기 고장이 발생한 것으로 판단된 경우, 머신 러닝 또는 딥 러닝에 의해 학습된 제2 진단 모델 및 추출된 상기 주요 특징에 기초하여 상기 고장의 유형을 판별하는 단계;를 포함하고,
    상기 고장이 발생한 것으로 판단된 경우, 상기 고장의 유형을 판별하는 단계 전에 상기 감속 장치의 고장 발생을 알리는 신호를 출력하는 단계를 더 포함하는 감속 장치의 고장진단 방법.
KR1020190174673A 2019-12-26 2019-12-26 감속 장치의 고장진단 장치 및 방법 KR102298062B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190174673A KR102298062B1 (ko) 2019-12-26 2019-12-26 감속 장치의 고장진단 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190174673A KR102298062B1 (ko) 2019-12-26 2019-12-26 감속 장치의 고장진단 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210082596A KR20210082596A (ko) 2021-07-06
KR102298062B1 true KR102298062B1 (ko) 2021-09-06

Family

ID=76861176

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190174673A KR102298062B1 (ko) 2019-12-26 2019-12-26 감속 장치의 고장진단 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102298062B1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023074952A1 (ko) * 2021-10-28 2023-05-04 황성공업 주식회사 다중센서 융합을 위한 센서 인터페이스 및 synthetic 신호처리 방법
CN114112017A (zh) * 2021-11-25 2022-03-01 国网安徽省电力有限公司电力科学研究院 一种gis隔离开关的振动信号提取方法及系统
KR20230080242A (ko) * 2021-11-29 2023-06-07 주식회사 써로마인드 딥 러닝 기반으로 음향 및 진동을 이용하여 기계의 고장을 진단하는 방법 및 이를 이용한 진단 장치
KR102600938B1 (ko) * 2021-12-23 2023-11-09 한국로봇융합연구원 감속기 진단 시스템
KR102565797B1 (ko) * 2022-11-22 2023-08-16 (주)에스제이오토메이션 인공지능 기반의 챔버 도어 모니터링 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5566092A (en) * 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
JP3449194B2 (ja) * 1997-01-28 2003-09-22 松下電工株式会社 回転機器の異常診断方法およびその装置
KR20190103083A (ko) * 2019-08-15 2019-09-04 엘지전자 주식회사 딥러닝 기반의 세탁기의 진동 분석 방법과 그 장치

Also Published As

Publication number Publication date
KR20210082596A (ko) 2021-07-06

Similar Documents

Publication Publication Date Title
KR102298062B1 (ko) 감속 장치의 고장진단 장치 및 방법
CN100468263C (zh) 连采机远程实时故障预测及诊断方法与装置
EP2634660B1 (en) Anomaly diagnostic device and industrial machine
EP2241682B1 (en) Abnormal operation detection device for an excavating machine
CN102741676A (zh) 作业机械的监视诊断装置
US20210189698A1 (en) System and method for collecting operational vibration data for a mining machine
CN107725535B (zh) 一种挖掘机液压缸泄漏检测方法和装置
CN102661389B (zh) 变速箱故障诊断装置、变速箱故障诊断方法和变速箱
CN206523300U (zh) 动力钻具模拟负载试验装置
KR102298057B1 (ko) 감속 장치의 고장진단 장치 및 방법
CN108956118A (zh) 一种能实现非开挖定向钻进参数检测的试验台
KR102513839B1 (ko) 건설 장비의 결함 진단 시스템 및 결함 진단 방법
CN112801199B (zh) 挖掘机动臂寿命预测方法、装置、电子设备及存储介质
CN112160371B (zh) 一种挖掘机回转故障诊断方法
US20160138624A1 (en) Hydraulic Power System with Aeration Sensing for a Mobile Machine
US11430319B1 (en) Cavitation detection system
KR20180112258A (ko) 선회장치의 고장진단 장치 및 방법
CN115898848A (zh) 一种柱塞泵的监测方法及监测系统
CN109553006B (zh) 一种智慧起重机健康诊断系统及工作方法
CN109292632B (zh) 一种多机智慧起重机的工作方法
CA3193452A1 (en) System and method for monitoring machine operations at a worksite
KR20210108156A (ko) 건설기계의 고장 진단 방법 및 시스템
CN204978596U (zh) 工程车支腿的电液控制系统及工程车辆
CN109292627B (zh) 一种智慧起重机效能评估系统及工作方法
CN105035041A (zh) 工程车支腿的电液控制系统、方法、检测方法及工程车辆

Legal Events

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