KR102301201B1

KR102301201B1 - IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법

Info

Publication number: KR102301201B1
Application number: KR1020190097211A
Authority: KR
Inventors: 송종섭; 김건우; 박은천
Original assignee: 주식회사 아프로스
Priority date: 2019-08-09
Filing date: 2019-08-09
Publication date: 2021-09-13
Also published as: KR20210017637A

Abstract

본 발명의 실시예는 IoT 가속도 센서를 통해 진공 펌프, 풍력 발전기 등의 회전 기기로부터 원격 수집된 원시 가속도 데이터를 기초로 해당 회전 기기의 상태를 정밀 진단 및 예측하기 위한, IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법을 제공하는 것으로, 전처리된 시계열 데이터(time-series data)에 대해 다수의 N개 선형 분리 데이터로 분리하고, 그 N개의 선형 분리 데이터에서 가속도 데이터의 컴포넌트(component)의 기여도를 기초로 한 우선 순위에 따라 M(M>N)개의 선형 분리 데이터를 선택하여 각각 푸리에 변환하고 이후 과정을 수행함으로써, 기존의 전처리 후 전체 데이터를 바로 푸리에 변환하는 경우에 발생하는 노이즈 증폭 문제를 제거하여 해당 회전 기기의 상태를 보다 정밀하고 정확하게 진단하고 예측할 수 있다.

Description

IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법{Apparatus and method for precise state diagnosis of rotating machinery based on IoT sensor}

본 발명은 IoT(Internet of Things) 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법에 관한 것으로, 보다 상세하게는 IoT 가속도 센서를 통해 진공 펌프, 풍력 발전기 등을 포함하는 회전 기기로부터 원격 수집된 원시 가속도 데이터를 기초로 해당 회전 기기의 상태를 정밀하게 진단하고 예측하기 위한, IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법에 관한 것이다.

일반적으로, Industry 4.0 시대가 도래할 것으로 예상되는 2020년에는 전반적인 기계시스템에서의 큰 변화(새로운 기술이 개발되고 더욱 지능화되겠지만 그에 따른 불확실성과 복잡도 증가됨)가 예상되기 때문에 이러한 불확실성이 상대적으로 낮거나 통제 가능한 신뢰성 높은 장비와 시스템에 대한 수요가 증가하고 더불어 상태기반정비(CBM) 및 예지보전(PdM)을 통해 시스템의 수명을 연장하고 갑작스러운 중단 시간을 최소화하여 생산성 및 효율성을 높일 수 있는 적절한 유지보수 전략 확보가 스마트 공장의 성공 열쇠라고 할 수 있다.

CBM(Condition-Based Maintenance)은 다양한 데이터를 기반으로 설비의 상태를 진단, 분석하여 맞춤 정비를 수행하는 것으로 예방 정비의 개념이고, PdM(Predictive Maintenance)은 설비의 상태를 기반으로 결함 및 유효수명을 예측하는 유지보수 전략을 나타낸다.

예방정비의 일종인 CBM에서 진일보하여 시스템 상태 데이터를 기반으로 결함 및 유효 수명을 예측하여 정비하는 PdM은 유지관리비용 저감, 갑작스런 시스템 중단시간 감소, 설비의 수명연장, 자산 이용도 향상, 설비 고장 예장, 생산품의 품질과 용량 향상 등의 다양한 이점을 갖기 때문에 제조 공장, 전력설비, 풍력발전기, 항공기 등의 분야에서 최적의 유지보수 솔루션으로 도입 예상된다.

유지보수 전략은 산업분야에 IoT 기술이 접목됨으로써 모든 생산설비와 제품의 상태를 실시간으로 모니터링하고 신호처리, 기계학습, 통계분석 등의 빅데이터 처리 기법을 통해 적절한 건전성 지표를 추출한 뒤 고장예지기법을 활용해 잔여유효수명을 예측하고 최적의 정비 주기와 범위를 결정하여 전반적인 건전성 관리를 수행한다.

한편, IoT 시장이 급성장하면서 기존 IT 업체들의 경우 빅데이터 처리 기법을 이용하여 다양한 서비스를 위한 IoT 플랫폼 개발에 많은 투자를 하고 있지만 응용분야별로 적절한 센서군이 확보되지 않아 서비스 보급이 미진한 상황으로 설비 종류별로 적합한 데이터 취득용 스마트 센서 제품을 상용화하여 플랫폼 사업자와 동반 성장할 수 있는 기회이다.

따라서, IoT 기반의 무선통신기능을 갖는 진동 및 전류 계측용 스마트 센서 등을 이용하여 장비나 기계시스템의 상태를 모니터링하고 고장의 징후를 포착하는 진단기술(Diagnostics)과 잔여유효수명(RUL: remaining useful life)의 예측(Prognostics) 및 효과적인 건전성관리(Health management) 기술을 포함하는 스마트 공장의 유지보수 전략 기술이 필요한 실정이다.

공개특허공보 제10-2019-0000826호(2019.01.03.)

본 발명은 전술한 기술적 배경을 기초로 창작된 것으로, 그 목적은 IoT 가속도 센서를 통해 진공 펌프, 풍력 발전기 등의 회전 기기로부터 원격 수집된 원시 가속도 데이터를 기초로 해당 회전 기기의 상태를 정밀 진단 및 예측하기 위한, IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법을 제공하는 것이다.

전술한 목적을 달성하기 위하여 본 발명의 일 측면에 따른 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법은, (a) 가속도 센서를 통해 계측된 회전 기기의 원시 가속도 데이터를 획득하기 위한 단계; (b) 상기 획득된 원시 가속도 데이터에 대한 신호 컨디셔닝과 분석 작업을 위한 전처리(Pre-processing)를 수행하는 단계; (c) 상기 전처리된 시계열 데이터(time-series data)에 대해 NxN 사이즈의 헹켈(Hankel) 행렬 기반 특이치분해(singular value decomposition)를 수행하고, 이를 헹켈 행렬 구축방식의 역으로 수행하여 시계열 신호로서의 N개의 선형 분리 데이터로 분리하기 위한 단계; (d) 상기 분리된 N개의 선형 분리 데이터의 M(M<N)개의 청크(chunk)들을 고속 푸리에 변환을 통해 각 청크 마다 주파수 영역 데이터 셋을 구축하고 이들의 단순 합계를 구하는 단계; (e) 상기 M개의 주파수 영역 데이터 셋과 상기 단순 합계된 신호에서 로컬 맥시마(Local Maxima)를 찾고, 찾은 로컬 맥시마의 주파수 인덱스(index)를 추출하기 위한 단계; (f) 상기 추출된 주파수 인덱스를 기초로 고조파 데이터 셋과 사이드밴드 데이터 셋을 구성하기 위한 단계; 및 (g) 상기 구성된 고조파 데이터 셋과 사이드밴드 데이터 셋을 기초로 상기 회전 기기의 상태를 분류하기 위한 단계를 포함할 수 있고, (h) 상기 전처리된 데이터에 대해 EMD(Empirical mode decomposition)를 수행하기 위한 단계; 및 (i) 상기 전처리된 데이터로부터 상기 회전 기기와 관련한 특징 값을 추출하기 위한 단계 중 적어도 하나를 더 포함할 수 있고, (j) 상기 단계 (g), (h), 및 (i)의 결과 중 적어도 하나 이상을 기초로 상기 회전 기기의 상태를 진단 및 예측하기 위한 단계를 더 포함할 수 있다.

상기 단계 (f)는, (f-1) 상기 회전 기기의 RPM(Revolutions Per Minute)을 모르는 경우, 상기 추출된 주파수 인덱스의 선형성(linearity)을 추적하여 해당 RPM을 찾고, 해당 주파수 인덱스로 고조파 데이터셋을 구성하는 단계; 및 (f-2) 상기 회전 기기의 RPM(Revolutions Per Minute)을 알고 있는 경우, 상기 로컬 맥시마 중 해당 RPM의 정수배에 해당하는 주파수를 추출한 고조파와 그 외의 사이드밴드를 인덱싱 하는 단계를 포함할 수 있다.

상기 단계 (c)는 N개의 선형 분리 데이터에서 해당 가속도 데이터의 컴포넌트(component)의 기여도를 기초로 한 우선 순위에 따라 M(M<N)개의 선형 분리 데이터를 추출하여 사용할 수 있다.

전술한 목적을 달성하기 위하여 본 발명의 다른 측면에 따른 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치는, 가속도 센서를 통해 계측된 회전 기기의 원시 가속도 데이터를 획득하기 위한 데이터획득부; 상기 획득된 원시 가속도 데이터에 대한 신호 컨디셔닝과 분석 작업을 위한 전처리(Pre-processing)를 수행하기 위한 전처리모듈; 상기 전처리된 시계열 데이터(time-series data)에 대해 NxN 사이즈의 헹켈(Hankel) 행렬 기반 특이치분해(singular value decomposition)를 수행하고, 이를 헹켈 행렬 구축방식의 역으로 수행하여 시계열 신호로서의 N개의 선형 분리 데이터로 분리하기 위한 신호분리모듈; 상기 신호분리모듈을 통해 분리된 M(M<N)개의 선형 분리 데이터 청크(chunk)들을 고속 푸리에 변환을 통해 각 청크 마다 주파수 영역 데이터 셋을 구축하고 이들의 단순 합계를 구하기 위한 FFT모듈; 상기 M개의 주파수 영역 데이터 셋과 상기 단순 합계된 신호에서 로컬 맥시마(Local Maxima)를 찾고, 찾은 로컬 맥시마의 주파수 인덱스(index)를 추출하기 위한 로컬맥시마추출모듈; 상기 추출된 주파수 인덱스를 기초로 고조파 데이터 셋과 사이드밴드 데이터 셋을 구성하기 위한 특징추출부; 및 상기 구성된 고조파 데이터 셋과 사이드밴드 데이터 셋을 기초로 상기 회전 기기의 상태를 분류하기 위한 고조파패밀리분석부를 포함할 수 있고, 상기 전처리된 데이터에 대해 EMD(Empirical mode decomposition)를 수행하기 위한 EMD모듈; 상기 전처리된 데이터로부터 상기 회전 기기와 관련한 특징 값을 추출하기 위한 전처리특징추출모듈 중 적어도 하나를 더 포함할 수 있으며, 상기 고조파패밀리분석부로부터 출력되는 제1 결과데이터, 상기 EMD모듈로부터 출력되는 제2 결과데이터, 및 상기 특징추출모듈로부터 출력되는 제3 결과데이터 중 적어도 하나 이상을 기초로 상기 회전 기기의 상태를 진단 및 예측하기 위한 진단/예측모듈을 더 포함할 수 있다.

상기 진단/예측모듈은 상기 제1 내지 제3 결과데이터에 각각 가중치를 부여하여 진단 및 예측할 수 있다.

상기 특징추출부는, 상기 회전 기기의 RPM(Revolutions Per Minute)을 모르는 경우, 상기 추출된 주파수 인덱스의 선형성(linearity)을 추적하여 해당 RPM을 찾고, 해당 주파수 인덱스로 고조파 데이터 셋을 구성하기 위한 고조파특징추출부; 및 상기 회전 기기의 RPM(Revolutions Per Minute)을 알고 있는 경우, 상기 로컬 맥시마 중 해당 RPM의 정수배에 해당하는 주파수를 추출한 고조파와 사이드밴드를 인덱싱 하기 위한 이상특징추출부를 포함할 수 있다.

상기 신호분리모듈은 N개의 선형 분리 데이터에서 해당 가속도 데이터의 컴포넌트(component)의 기여도를 기초로 한 우선 순위에 따라 M(M<N)개의 선형 분리 데이터를 추출할 수 있다.

전술한 목적을 달성하기 위하여 본 발명의 또 다른 측면에 따르면 상기 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공할 수 있다.

전술한 목적을 달성하기 위하여 본 발명의 또 다른 측면에 따르면 상기 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법을 하드웨어와 결합하여 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록 매체에 저장된 애플리케이션을 제공할 수 있다.

전술한 목적을 달성하기 위하여 본 발명의 또 다른 측면에 따르면 상기 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법을 컴퓨터에서 실행시키기 위하여 컴퓨터에서 읽을 수 있는 기록 매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.

이상에서 설명한 바와 같이 본 발명의 다양한 측면에 따르면, IoT 가속도 센서를 통해 진공 펌프, 풍력 발전기 등의 회전 기기로부터 원격 수집된 원시 가속도 데이터를 기초로 해당 회전 기기의 상태를 정밀 진단 및 예측할 수 있다.

특히, 전처리된 시계열 데이터(time-series data)에 대해 다수의 N개 선형 분리 데이터로 분리하고, 그 N개의 선형 분리 데이터에서 가속도 데이터의 컴포넌트(component)의 기여도를 기초로 한 우선 순위에 따라 M(M<N)개의 선형 분리 데이터를 선택하여 각각 푸리에 변환하고 이후 과정을 수행함으로써, 기존의 전처리 후 전체 데이터를 바로 푸리에 변환하는 경우에 발생하는 노이즈 증폭 문제를 제거하여 해당 회전 기기의 상태를 보다 정밀하고 정확하게 진단하고 예측할 수 있는 효과가 있다.

이때 M개로 분리된 신호들은 주로 Fundamental component로 분리되며, 특정 고유값이 반영된(비대상 구조체, 충격 등) 신호도 또한 분리된다. 따라서 특정 컴포넌트를 가진 데이터를 제외하고 선형 조합하면 외란에 의한 진동을 제외한 대상체의 진동데이터만을 추출할 수 있어 기존 FFT 및 Wavelet 변환을 이용한 주파수 분석보다 기계 상태 진단하는데 유리한 장점이 있다.

도 1은 본 발명의 예시적인 실시예에 따른 관리 대상 설비 이상 상태 모니터링 시스템의 구성도,
도 2는 본 발명의 예시적인 실시예에 따른 서버의 구성도,
도 3은 본 발명의 예시적인 실시예에 따른 IoT 센서 기반 회전 기기의 정밀 상태 진단 시스템의 구성도,
도 4는 본 발명의 예시적인 실시예에 따른 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치의 구성도,
도 5는 본 발명의 예시적인 실시예에 따른 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법의 흐름도,
도 6은 본 발명의 예시적인 실시예에 따른 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치의 신호분리모듈을 통해 분리된 선형 (신호) 분리 데이터 차트의 예시도,
도 7은 본 발명의 예시적인 실시예에 따른 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치의 로컬 맥시마 추적 결과의 일 예를 나타낸 예시도,
도 8은 외란 진동과 전기적인 노이즈가 심한 경우 본 발명에 따라 회전 기기 진동의 고조파 추출 사례를 나타낸 예시도이다.

이하, 첨부도면을 참조하여 본 발명의 실시예에 대해 구체적으로 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 한다. 또한, 본 발명의 실시예에 대한 설명 시 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

도 1은 본 발명의 예시적인 실시예에 따른 관리 대상 설비 이상 상태 모니터링 시스템의 구성도이다.

도 1에 도시된 바와 같이, 본 발명의 예시적인 실시예에 따른 관리 대상 설비 이상 상태 모니터링 시스템(1)은, 적어도 하나의 관리 대상 설비(2)의 일정 공간에 설치되어 각 관리 대상 설비(2)의 상태 정보를 감지하기 위한 적어도 하나의 센서(10), 센서(10)로부터 감지된 해당 관리 대상 설비(2)의 센싱 데이터를 수신하여 이를 분석하여 이상 상태를 감지하는 서버(20), 및 서버(20)로부터 해당 관리 대상 설비(2)의 이상 상태 감지 결과를 수신하고, 해당 감지 결과와 관련된 컨텐츠를 영상 정보로서 디스플레이하는 디스플레이부(30)를 포함할 수 있다.

본 실시예에 따른 시스템(1)은 또한 해당 관리 대상 설비(2)에 설치되며 다수의 센서(10)로부터 감지되는 각 관리 대상 설비(2)의 센싱 데이터를 네트워크 망 또는 무선 통신망을 통해 서버(20)로 전송하는 게이트웨이(60)를 포함할 수 있다.

본 실시예에 따른 시스템(1)은 스마트 센서(10)를 통하여 각종 산업 현장이나 건물에 설치되어 있는 구동 모터, 공조기, 냉동기, 보일러 등과 같은 관리 대상 설비에서 발생될 수 있는 실시간의 이상 상태 및 사고 상황을 감지 및 예측할 수 있을 뿐만 아니라, 해당 관리 대상 설비(2)의 상태에 대한 실시간 디스플레이를 통해 정확한 이상 상태를 모니터링 할 수 있다.

도시된 예에서는 산업 설비로서의 관리 대상 설비의 예를 들고 있으나, 관리 대상이 되어 스마트 센서를 설치할 수 있는 모든 공간, 예를 들면 단순 제조업체부터 다양한 환경 기준(방폭, 방진, 및 방수 등)를 요구하는 화학 공장, 발전소 등에 설치되어 있는 각종 장비나 설비에 적용이 가능하다. 또한, 다양한 토목이나 건설 현장의 흙막이벽 가설 지지대 등에 적용되어 기울기 센서를 통해 이상 상태의 원격 모니터링이 가능하다. 또한, 사업장이나 제조 공장 등의 관리 대상 설비뿐만 아니라, 일반 건물이나 아파트 등과 같은 시설 자체이거나 그에 구비된 설비도 포함될 수 있다.

센서(10)는 관리 대상 설비(2)의 이상 상태를 감지하는 데 사용되는 센싱 데이터를 획득하는 스마트 장치로서, 예를 들어 해당 관리 대상 설비의 특징에 따라 달리 적용될 수 있으나, 센서(10)는, 전류 센서, 가속도 센서, 자이로 센서, 및 온도 센서 중 적어도 하나일 수 있다. 그러나, 본 발명에 있어 그 종류를 한정하는 것은 아니며, 가스 감지 센서뿐 아니라, 카메라, 캠코더 등과 같은 촬영 수단도 포함될 수 있다.

센서(10)는 관리 대상 설비(2)의 센싱 공간 내에 존재하여 해당 설비의 이상 상태를 감지하는 각종 센싱 데이터를 획득할 수 있다.

서버(20)는 현장 설비에 설치되는 게이트웨이(60)와 네트워크 망 또는 상용 무선망을 통해 센서(10)로부터 감지된 해당 관리 대상 설비(2)의 센싱 데이터를 수신하여 이를 분석할 수 있다.

서버(20)는 각 센서(10)로부터 센싱 데이터를 수집하고, 수집된 센싱 데이터를 분석하여 해당 관리 대상 설비(2)의 이상 상태를 감지할 수 있다.

서버(20)는 다수의 관리 대상 설비(2)에 존재하는 다수의 센서(10)로부터 획득된 센싱 데이터를 수집하고 저장하고, 관리 대상 설비 별로 실시간의 설비 상황 정보와 다수의 관리 대상 설비를 구분하는 설비 식별 코드 등을 데이터베이스에 저장하여 관리할 수 있고, 또한 데이터베이스에 저장된 실시간의 해당 센싱 데이터를 분석하여 해당 관리 대상 설비(2)의 이상 상태 및 위치를 분석할 수 있다.

서버(20)는 수집된 센싱 데이터와 미리 저장된 학습 데이터 또는 통계 데이터를 비교함으로써 관리 대상 설비(2)의 이상 상태 및 그 위치를 감지할 수 있다. 여기서, 이상 상태는 해당 관리 대상 설비(2)가 그 용도 또는 목적을 달성하는 데 어려움을 겪거나 이후 사고 상황으로 발생될 가능성이 있는 상황이거나, 더 나아가 관리 대상 설비의 예상 수명 추정 및 고장 정보까지 포함할 수 있다.

서버(20)는 관리 대상 설비(2)의 예상 수명 추정 및 고장의 진단을 수행할 수 있고, 예를 들면 모터의 경우, 그 전기기기의 소모 전류 패턴 분석을 통해 예상수명 추정 및 고장을 진단할 수 있다.

또한, 서버(20)는 다양한 분석 기법 또는 알고리즘을 활용하여 관리 대상 설비(2)의 이상 상태를 감지할 수 있으며, 분석 기법 또는 알고리즘은 관리 대상 설비(2)나 센싱 데이터의 종류 등에 따라 달라질 수 있다.

또한, 서버(20)는 이상 상태의 감지 결과에 따라 관리 대상 설비(2)의 예상 수명이나, 발생될 수 있는 사고 상황을 예측할 수 있다. 여기서, 사고 상황은 관리 대상 설비(2)가 그 용도 또는 목적을 달성할 수 없는 위험 상황으로서, 예를 들어 가스 폭발 상황, 화재 상황, 지진 발생 상황 등이 이에 해당할 수 있다.

한편, 서버(20)는 자신의 분석 데이터를 토대로 해당 관리 대상 설비(2)의 이상 상태를 확인하고 이상 상태 신호를 해당 설비의 작업자의 모바일 장치(50)로 전송하여 해당 설비의 QR 코드 등을 통한 설비의 형상 정보 인식에 따라 해당 센서 종류와 센서 위치 등을 확인하고, 증강 현실 화면을 통해 작업자가 설비 상태를 확인할 수 있고, 이상이 발생한 설비는 상태 결과에 따라 유지보수 할 수 있도록 한다.

디스플레이부(30)는 서버(20)로부터 관리 대상 설비(2)의 이상 상태의 감지 결과를 수신하고, 해당 감지 결과와 관련된 컨텐츠를 영상 정보로서 디스플레이 할 수 있다.

예를 들어, 상기 디스플레이부(30)는 센서(10)에 의해 촬영된 관리 대상 설비(20)의 영상을 획득하고, 획득된 영상을 서버(20)로부터 수신된 감지 결과와 관련된 컨텐츠와 상호 매칭하여 디스플레이 할 수 있다.

본 실시예에서, 영상은 입체화된 영상으로 구현하고, 해당 영상에 대응되는 해당 관리 대상 설비(2)의 이상 상태에 대한 정보를 매칭시켜 화면을 통해 설비 코드 조회에 따라 입체적으로 모니터링 할 수 있는데, 일 예로 디스플레이부(30)는 감지 결과와 관련된 컨텐츠를 획득된 영상과 합성하여 증강 현실 상태의 화면을 디스플레이 할 수 있다.

증강 현실 기술에 따라 IoT 플랫폼 기반의 센서 데이터를 AR 컨텐츠 형태로 만들어 현실 공간에서 좀 더 직관적으로 IoT Visual 데이터를 제공(해당 관리 대상 설비의 입체 영상 및 고장 부위, 실시간으로 수집된 현재 데이터, 및 정상 작동 범위 값 등을 동시에 표시)함으로써 위험상황 예방 및 예외 상황 추적이 가능한 장점이 있다.

디스플레이부(30)는, 일 예로 서버(20)와 네트워크 통신망을 통해 통신 가능한 종합 관제소 등에 설치된 원격 모니터링 퍼스널 컴퓨터(40)에 구비된 모니터일 수 있고, 다른 예로 서버(20)와 네트워크 통신망을 통해 통신 가능한 해당 관리 대상 설비와 연계된 작업자 또는 관리자의 모바일 장치(50)에 구비된 스크린일 수 있다.

모바일 장치(50)를 소지하는 사용자는 자신이 현재 위치하고 있는 관리 대상 설비(2)에서 이상 상태가 발생하였는지, 또는 발생될 가능성이 있는지의 여부를 보다 직관적이고 간편하게 파악할 수 있다.

서버(20)는 모바일 장치(50)의 현재 위치 정보에 대응되는 관리 대상 설비(2)의 이상 상태를 감지하고, 해당 감지 결과에 따라 관리 대상 설비(2)에서 발생될 수 있는 사고 상황을 예측한 후, 사고 상황의 예측 결과를 모바일 장치(50)로 전송할 수 있다. 모바일 장치(50)는 서버(20)로부터 사고 상황의 예측 결과를 수신하고, 감지 결과와 관련된 컨텐츠를 획득된 영상과 합성하여 증강 현실 상태의 화면을 통해 디스플레이 할 수 있다. 이에 따라, 모바일 장치(50)를 소지하는 사용자는 자신이 현재 위치하고 있는 관리 대상 설비(2)에서 사고 상황이 발생될 가능성이 있는지의 여부를 보다 직관적이고 간편하게 파악할 수 있다.

모바일 장치(50)는 사용자가 소지하는 단말로서, 예를 들어 스마트 폰, 노트북, 태블릿 PC, PDA 등과 같은 전자 기기, 스마트 안경, 스마트 고글, 스마트 헬멧 등과 같이 전방 영상을 획득하기 위한 촬영 수단 및 영상을 디스플레이 하기 위한 화면이 구비되는 헤드 마운티드 디스플레이(Head Mounted Display: HMD) 등을 모두 포함하는 넓은 의미로 사용된다.

본 실시예에서 모바일 장치(50)는 서버(20)로부터 감지되어 수신된 관리 대상 설비(2)의 이상 상태 정보를 토대로 해당 관리 대상 설비의 형상을 인식할 수 있고, 모바일 장치(50)의 현재 위치 정보를 획득할 수 있으며, 인식된 설비 형상 정보와 서버(20)의 이상 상태 정보를 매칭하여 증강 현실 상태의 화면을 통해 해당 센서(10)의 위치 및 종류와 서버(20)의 관리 대상 설비(2)의 분석 상태를 화면에 표시할 수 있다.

감지 결과와 관련된 컨텐츠를 획득된 영상과 합성하여 증강 현실 상태의 화면을 디스플레이 되는 내용은 해당 관리 대상 설비의 입체 영상, 실시간으로 수집된 현재 데이터, 및 정상 작동 범위 값 등을 동시에 표시하는 것으로, 이상 예측 결과를 나타내는 수치값, 텍스트, 그래프, 이미지, 영상, 표, 도형 또는 이들의 조합으로 이루어질 수 있다.

즉, 본 발명의 실시예에 따르면, 관리 대상 설비(2)의 사고 상황에 대한 예측 결과를 가상현실 상태의 화면으로 사용자에게 디스플레이 하여 사고 상황이 발생될 가능성이 있는 지의 여부를 보다 직관적이고 간편하게 파악할 수 있다.

한편, 모바일 장치(50)는 서버(20)로부터 관리 대상 설비(2)의 이상 상태에 대한 신호를 수신한 경우, 해당 관리 대상 설비(2)에 부착된 QR 코드 등을 통해 자신의 카메라 장치를 통해 인식하여 설비의 형상 정보를 인식하도록 할 수 있다.

즉, 모바일 장치(50)는 해당 관리 대상 설비와 연계된 작업자가 현장에서 사용되며, 작업자가 현장에서 서버(20)로부터 수신된 이상 상태 신호에 따라 해당 설비의 형상 정보를 인식하고, 인식된 설비 형상 정보와 서버(20)의 이상 상태 정보를 매칭하여 해당 센서(10)의 위치 및 종류와 서버(20)의 관리 대상 설비(2)의 분석 상태를 증강 현실 상태의 화면을 통해 표시하여 작업자가 바로 이상이 발생한 설비를 즉각적으로 유지보수 할 수 있도록 한다.

이때, 증강 현실 상태의 화면을 통한 해당 센서(10)의 위치 및 종류와 서버(20)의 관리 대상 설비(2)의 분석 상태가 서버(20)와 네트워크 통신망을 통해 통신 가능한 퍼스널 컴퓨터(40)에 구비된 모니터에도 동일하게 표시되도록 할 수 있다.

도 2는 본 발명의 예시적인 실시예에 따른 서버(20)의 구성도로, 동 도면에 도시된 바와 같이, 데이터베이스(DB)(210) 및 상태 진단 장치(400)를 포함할 수 있다.

데이터베이스(210)는 관리 대상 설비(2)에 존재하는 센서(10) 각각으로부터 획득된 센싱 데이터를 수집하고 저장할 수 있다. 관리 대상 설비(2)에 대응하는 각 센서(10)는 네트워크를 통해 서버(20)와 연결되며, 데이터베이스(210)는 각 센서(10)로부터 획득된 센싱 데이터를 실시간으로 수집하여 관리 대상 설비(2) 별로 실시간의 설비 상황 정보(센싱 데이터)와 다수의 관리 대상 설비를 구분하는 설비 식별 코드 등을 저장할 수 있다.

상태 진단 장치(400)는 수집된 센싱 데이터를 분석하여 관리 대상 설비(2)의 이상 상태를 감지할 수 있고, 수집된 센싱 데이터와 미리 저장된 학습 데이터 또는 통계 데이터를 비교하여 관리 대상 설비(2)의 이상 상태를 감지할 수 있다.

일 예로, 상태 진단 장치(400)는 이전에 수집된 센싱 데이터들의 패턴을 학습하여 학습 데이터를 생성하고, 실시간으로 수집된 센싱 데이터와 상기 학습 데이터를 비교하여 관리 대상 설비(2)의 이상 상태를 감지할 수 있다.

다른 예로, 상태 진단 장치(400)는 이전에 수집된 센싱 데이터들을 통계적으로 분석하여 통계 데이터를 생성하고, 실시간으로 수집된 센싱 데이터와 상기 통계 데이터를 비교하여 관리 대상 설비(20)의 이상 상태를 감지할 수 있다.

상태 진단 장치(400)는 이상 상태의 감지 결과를 생성하여 데이터베이스(210)에 저장할 수 있고, 예를 들어, 해당 감지 결과를 JSON(JavaScript Object Notation) 파일, XML(eXtensible Markup Language) 파일 등 의 형태로 변환하여 내부 데이터베이스(210)에 저장할 수 있다. 이에 따라, 상태 진단 장치(400)는 대량의 센싱 데이터로부터 획득된 감지 결과를 보다 효율적으로 저장할 수 있으며, 이로 인해 분석을 위한 빅데이터의 관리가 보다 용이해질 수 있다.

상태 진단 장치(400)는 해당 감지 결과(컨텐츠와 영상)를 디스플레이 장치(30) 또는 모바일 장치(50)로 전송하고, 모바일 장치(50)는 해당 감지 결과와 관련된 컨텐츠와 영상을 합성하여 증강 현실 상태의 화면을 디스플레이 할 수 있다.

상태 진단 장치(400)는 해당 감지 결과에 따라 관리 대상 설비(2)에서 발생될 수 있는 사고 상황을 예측하거나 해당 전자기기의 수명 등을 예측할 수 있는데, 예를 들어, 이상 상태의 감지 결과를 통계적으로 분석함으로써 이후 발생되는 센싱 데이터 값을 예측하고, 예측된 센싱 데이터 값에 따라 사고 상황을 예측할 수 있다.

일 예로, 센서(10)로부터 수집된 센싱 데이터가 진동 데이터일 경우, 상태 진단 장치(400)는 수집된 진동 데이터의 진폭과 고유 진동 주파수의 추이를 분석하여 해당 관리 대상 설비의 고장 상태 및 예상 수명을 추정할 수 있다.

다른 예로, 센서(10)로부터 수집된 센싱 데이터가 전류 데이터일 경우, 상태 진단 장치(400)는 수집된 전류 데이터로부터 설비 가동시 소모 전류량 및 전류 파형(주파수 및 사인파의 형상 정보; 찌그림 정도)의 추이를 분석하여 해당 관리 대상 설비의 고장 상태 및 예상 수명을 추정할 수 있다.

또 다른 예로, 센서(10)로부터 수집된 센싱 데이터가 온도 데이터일 경우, 상태 진단 장치(400)는 수집된 온도 데이터로부터 해당 관리 대상 설비의 온도 피크값과 누적 온도 데이터의 추이를 분석하여 해당 관리 대상 설비의 고장 상태 및 예상 수명을 추정할 수 있다.

도 3은 본 발명의 예시적인 실시예에 따른 IoT 센서 기반 회전 기기의 정밀 상태 진단 시스템의 구성도로, 동 도면에 도시된 바와 같이, 본 발명은 IoT 센서(10), 게이트웨이(60), 및 서버(20)를 포함할 수 있다.

IoT 센서(10)는 진공 펌프, 풍력 발전기 등을 포함하는 회전 기기로부터 가속도 데이터를 계측하기 위한 IoT 가속도 센서를 일 예로 설명한다.

게이트웨이(60)는 IoT 센서(10)와 서버(20) 간에 상호 접속하여 데이터 통신할 수 있도록 하는 장치로서, 예를 들어, 도 1의 게이트웨이(60)와 동일하거나 유사한 기능을 수행할 수 있다.

서버(20)는 현장 설비에 설치되는 게이트웨이(60)와 네트워크 망 또는 상용 무선망을 통해 IoT 센서(10)로부터 센싱 데이터를 수신하여 이를 분석/관리하기 위한 장치로서, 예를 들어, 도 1의 서버(20)와 동일하거나 유사한 기능을 수행할 수 있다.

본 발명의 예시적인 실시예에 따른 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치(400)는 전술한 바와 같이 도 1의 서버(20)에 구비되는 것에 한정되지 않고 도 3의 IoT 센서(10), 게이트웨이(60), 또는 서버(20) 등과 같은 에지 디바이스(Edge Device)에 구비되어 구동하는 것이 바람직하다.

도 4는 본 발명의 예시적인 실시예에 따른 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치(400)의 구성도이다.

본 발명의 예시적인 실시예에 따른 상태 진단 장치(400)는, 도 4에 도시된 바와 같이, 데이터획득부(401), 전처리모듈(Pre-processing module)(402), 신호분리모듈(Signal decomposition module)(403), FFT모듈(Fast Fourier Transform Module)(404), 로컬맥시마추출모듈(Local maxima finder module)(405), 특징추출부(feature extraction)(406), 고조파패밀리분석부(Harmonics family analysis)(407), EMD모듈(Empirical mode decomposition Module)(408), 전처리특징추출모듈(Pre-processed feature extraction Module)(409), 및 진단/예측모듈(Features based Diagnosis Module)(410)을 포함할 수 있다.

데이터획득부(401)는 가속도 센서(10)를 통해 계측된 회전 기기(20)의 원시 가속도 데이터를 획득하기 위한 것으로, 예를 들어, IoT 스마트 센서로서의 가속도 센서(10)가 회전 기기(20)로부터 인터벌 계측한 원시 가속도 데이터(Raw acceleration Data)를 게이트웨이(60) 및 통신망을 통해 서버(20)로 전송하면, 해당 서버(20)는 해당 원시 가속도 데이터를 수신하여 데이터베이스(210)에 저장하고 상태 진단 장치(400)의 데이터획득부(401)는 실시간 수신된 또는 데이터베이스(210)에 저장된 해당 원시 가속도 데이터를 획득할 수 있다.

전처리모듈(Pre-processing module)(402)은 데이터획득부(401)를 통해 획득된 원시 가속도 데이터에 대한 신호 컨디셔닝과 분석 작업을 위한 전처리(Pre-processing)를 수행하기 위한 것으로, 예를 들어, 가속도 센서(10)에서 인터벌 계측한 회전 기기(2)의 원시 가속도 데이터는 전처리모듈(402)을 통해 신호 컨디셔닝과 분석 작업을 위한 프로세싱을 수행하여 데이터의 DC성분을 제거하고(detrend) 1차 센서 노이즈를 제거(denoise)할 수 있다.

신호분리모듈(Signal decomposition module)(403)은 전처리모듈(402)을 통해 전처리된 시계열 데이터(time-series data)에 대해 NxN 사이즈의 헹켈(Hankel) 행렬 기반 특이치분해(singular value decomposition)를 수행하고 이를 헹켈 행렬 구축방식의 역으로 수행하여 시계열 신호로서의 N개의 선형 분리 데이터로 분리하기 위한 것으로, 예를 들어, 전처리된 데이터(pre-processed data)를 기준으로 시계열(time-series) 데이터를 N개의 선형 분리 데이터로 분리하는데, 해당 분리 기법은 NxN 사이즈의 헹켈 행렬 기반 특이치분해(singular value decomposition)를 수행하고 이를 헹켈 행렬 구축방식의 역으로 수행하여 시계열(times-series) 신호로 분리하는 기법을 사용할 수 있다.

도 6은 신호분리모듈(403)을 통해 분리된 6개의 선형 (신호) 분리 데이터(s, a4, d4, d3, d2, d1) 차트의 예시도를 나타내는 것이다.

신호분리모듈(403)은 특히 전술한 분리 기법으로 분리된 N개의 선형 분리 데이터에서 해당 가속도 데이터의 컴포넌트(component)의 기여도를 기초로 한 우선 순위에 따라 M(M<N)개의 선형 분리 데이터를 추출하여 사용할 수 있다.

즉, 신호분리모듈(403)은 전처리된 시계열 데이터(time-series data)에 대해 다수의 N개 선형 분리 데이터로 분리하고, 그 N개의 선형 분리 데이터에서 가속도 데이터를 구성하는 컴포넌트(component)의 기여도를 기초로 한 우선 순위에 따라 M(M<N)개의 선형 분리 데이터를 선택하여 이후 과정을 수행함으로써, 기존의 전처리 후 전체 데이터를 바로 푸리에 변환하는 경우에 노이즈도 함께 증폭되는 문제를 제거하여 해당 회전 기기(2)의 상태를 보다 정밀하고 정확하게 진단하고 예측할 수 있다.

FFT모듈(Fast Fourier Transform Module)(404)은 신호분리모듈(403)을 통해 분리된 M개의 선형 분리 데이터 청크(chunk)들을 고속 푸리에 변환(Fast Fourier Transform: FFT)을 통해 각 청크 마다 주파수 영역 데이터 셋을 구축하고 이들의 단순 합계를 구하기 위한 것으로, 예를 들어, 신호 분리 모듈(403)에 의해 분리된 M개의 청크들은 고속 푸리에 변환을 통해 각 청크 마다 주파수 영역의 데이터 셋을 구축하고, 분리된 신호의 각 FFT 결과를 단순 합계를 통해 동 샘플링레이트 수준에서 구현할 수 없는 프로세스 노이즈를 최소화 시킨다.

로컬맥시마추출모듈(Local maxima finder module)(405)은 FFT 결과로 구축된 M개의 주파수 영역 데이터 셋 및 단순 합계된 신호에서 로컬 맥시마(Local Maxima)를 찾고, 찾은 로컬 맥시마의 주파수 인덱스(index)를 추출하기 위한 것이다.

도 7은 본 발명의 예시적인 실시예에 따른 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치의 로컬 맥시마 추적 결과 즉, 로컬맥시마추출모듈(405)의 출력의 일 예를 설명하기 위한 예시도이다.

도 7의 (a)는 원 신호의 FFT 결과와 M개로 분리한 신호를 각각 FFT를 수행하고 그 합의 결과로서, 동 도면을 통해 나타난 바와 같이, 일반적인 방법인 FFT만을 수행하여 얻은 결과보다 신호를 분리하여 FFT수행했을 때 더 많은 주파수 정보를 획득할 수 있으며 노이즈에 의해 식별이 불가능한 주파수 및 고조파도 추출할 수 있다.

도 7의 (b)는 N개의 신호를 분리하고 분리된 신호를 각각 FFT를 수행하여 주파수 영역에서 Contour 그림을 그린 결과로서, 동 도면을 통해 나타난 바와 같이, 분리 신호의 전체 기여도순으로 정렬하여 보면 주파수영역에서 분리된 각 신호에서 특징적인 주파수를 관찰할 수 있다.

다시 도 4에서, 특징추출부(feature extraction)(406)는 추출된 주파수 인덱스를 기초로 고조파 데이터 셋과 사이드밴드 데이터 셋을 구성하기 위한 것으로, 회전 기기(2)의 RPM(Revolutions Per Minute)을 모르는 경우 가동하기 위한 고조파특징추출부(Harmonics feature extraction)(406a) 및 회전 기기(2)의 RPM을 알고 있는 경우 가동하기 위한 이상특징추출부(Order feature extraction)(406b)를 포함할 수 있다.

고조파특징추출부(Harmonics feature extraction)(406a)는, 해당 회전 기기(2)의 RPM을 모르는 경우, 로컬맥시마추출모듈(405)를 통해 추출된 주파수 인덱스의 선형성(linearity)을 추적하여 해당 RPM을 찾고, 해당 주파수 인덱스로 고조파 데이터셋을 구성하여 고조파패밀리분석부(407)로 보낸다.

이상특징추출부(Order feature extraction)(406b)는, 해당 회전 기기(2)의 RPM을 알고 있는 경우, 로컬 맥시마 중 해당 RPM의 정수배에 해당하는 주파수를 추출한 매쉬 고조파와 그 외의 사이드밴드를 인덱싱 하고 고조파 데이터 셋과 사이드밴드 데이터 셋을 구성하여 고조파패밀리분석부(407)로 보낸다.

고조파패밀리분석부(Harmonics family analysis)(407)는 특징추출부(feature extraction)(406)를 통해 구성된 고조파 데이터 셋과 사이드밴드 데이터 셋을 기초로 회전 기기(2)의 상태를 분류하기 위한 것으로, 예를 들어, 기계 학습(Machine learning)에 의한 classifier로 분석한 고조파와 사이드밴드의 증폭비를 통해 기존 분석된 기계 상태 정보를 기준으로 해당 회전 기기(2)의 상태를 분류할 수 있다.

EMD모듈(Empirical mode decomposition Module)(408)은 전처리모듈(402)을 통해 전처리된 데이터에 대해 EMD(Empirical mode decomposition)를 수행하기 위한 것으로, 예를 들어, HHT(Hilbert-Huang Tansform)을 수행하여 신호를 여러 직교하는 컴포넌트로 분리하고, 고유모드함수(intrinsic mode functions, IMF)를 기반으로 각 컴포넌트들의 local maxima를 찾고, 힐버트 스펙트럼분석(Hilbert spectral analysis: HSA)을 통해 로컬 특징을 추출할 수 있다.

전처리특징추출모듈(Pre-processed feature extraction Module)(409)은 전처리모듈(402)을 통해 전처리된 데이터로부터 해당 회전 기기(2)와 관련한 특징 값을 추출하기 위한 것으로, 예를 들어, 전처리된 데이터(Pre-processed data)를 기반으로, RMS, Skewness, Kurtosis와 같은 통계 상수 데이터와 자기상관함수(auto-correlation function)와 Ensemble data와 같은 랜덤 프로세스드 데이터 셋을 구축하고, Vrms 변환 및 ISO-10816 Severity 값을 추출하여 기계 치명도 특징을 추출할 수 있다.

진단/예측모듈(Features based Diagnosis Module)(410)은 고조파패밀리분석부(407)로부터 출력되는 제1 결과데이터, EMD모듈(408)로부터 출력되는 제2 결과데이터, 및 특징추출모듈(406)로부터 출력되는 제3 결과데이터를 기초로 해당 회전 기기(2)의 상태를 최종적으로 진단하고 예측하기 위한 것으로, 의사결정시스템에 의해 제1 내지 제3 결과데이터에 각각 가중치를 부여하여 최종적인 진단 및 예측을 수행할 수 있다.

도 5는 본 발명의 예시적인 실시예에 따른 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법의 흐름도로, 도 4의 상대 진단 장치(400)에 적용되므로 해당 장치(400)의 동작과 병행하여 설명한다.

먼저, IoT 가속도 센서(10)를 통해 계측된 회전 기기(2)의 원시 가속도 데이터를 획득하고(S501), 단계 S501에서 획득된 원시 가속도 데이터에 대한 신호 컨디셔닝과 분석 작업을 위한 전처리(Pre-processing)를 수행하고(S503), 단계 S503에서 전처리된 시계열 데이터(time-series data)에 대해 NxN 사이즈의 헹켈(Hankel) 행렬 기반 특이치분해(singular value decomposition)를 수행하고 이를 헹켈 행렬 구축방식의 역으로 수행하여 시계열 신호로서의 N개의 선형 분리 데이터로 분리하는데, 해당 분리 기법은 NxN 사이즈의 헹켈 행렬 기반 특이치분해(singular value decomposition)를 수행하고 이를 헹켈 행렬 구축방식의 역으로 수행하여 시계열(times-series) 신호로 분리하는 기법을 사용할 수 있다(S505).

또한, 단계 S505에서는 전술한 분리 기법을 사용하여 N개의 선형 분리 데이터로 분리하고 그 N개의 선형 분리 데이터 중에서 해당 가속도 데이터를 구성하는 컴포넌트(component)의 기여도를 기초로 한 우선 순위에 따라 M(M<N)개의 선형 분리 데이터를 추출하여 다음 단계로 전달한다.

이어, 단계 S505를 통해 분리 및 추출된 M개의 선형 분리 데이터 청크(chunk)들을 고속 푸리에 변환(Fast Fourier Transform: FFT)을 통해 각 청크 마다 주파수 영역 데이터 셋을 구축하고 이들의 단순 합계를 구한다(S507).

이어, 단계 S507을 통해 구한 M개의 주파수 영역 데이터 셋과 단순 합계된 신호로부터 로컬 맥시마(Local Maxima)를 찾고, 해당 로컬 맥시마의 주파수 인덱스(index)를 추출한다(S509).

이어, 단계 S509에서 추출된 주파수 인덱스를 기초로 고조파 데이터 셋과 사이드밴드 데이터 셋을 구성하는데, 일 예로 해당 회전 기기(2)의 RPM(Revolutions Per Minute)을 알고 있는 경우에는 단계 S507에서 찾은 로컬 맥시마 중 해당 RPM의 정수배에 해당하는 주파수 인덱스를 추출한 메쉬 고조파와 사이드밴드를 인덱싱하도록 하고(S511, S513), 다른 예로 해당 회전 기기(2)의 RPM(Revolutions Per Minute)을 모르는 경우 단계 S509에서 추출된 주파수 인덱스의 선형성(linearity)을 추적하여 해당 RPM을 찾고 해당 주파수 인덱스로 고조파 데이터셋을 구성하도록 한다(S511, S515).

이어, 단계 S511-S515를 통해 구성된 고조파 데이터 셋과 사이드밴드 데이터 셋을 기초로 해당 회전 기기(2)의 상태를 분류하는데, 예컨대 기계 학습(Machine learning)에 의한 classifier로 분석한 고조파와 사이드밴드의 증폭비를 통해 기존 분석된 기계 상태 정보를 기준으로 해당 회전 기기(2)의 상태를 분류할 수 있다(S517).

한편, 단계 S503을 통해 전처리된 데이터에 대해 전통적인 EMD(Empirical mode decomposition)기법을 수행하여 즉, HHT(Hilbert-Huang Tansform)을 수행하여 신호를 여러 직교하는 컴포넌트로 분리하고, 고유모드함수(IMF)를 기반으로 각 컴포넌트들의 로컬 맥시마(local maxima)를 찾고, 힐버트 스펙트럼분석(HSA)을 통해 로컬 특징을 추출한다(S519).

다른 한편, 단계 S503을 통해 전처리된 데이터로부터 해당 회전 기기(2)와 관련한 특징 값을 추출하는데, 예컨대 전처리된 데이터(Pre-processed data)를 기반으로 RMS, Skewness, Kurtosis와 같은 통계 상수 데이터와 자기상관함수(auto-correlation function)와 Ensemble data와 같은 랜덤 프로세스드 데이터셋을 구축하고, Vrms 변환 및 ISO-10816 Severity 값을 추출하여 기계 치명도 특징을 추출한다(S521).

마지막으로, 단계 S517에서의 제1 결과 정보, 단계 S519에서 추출된 제2 결과 정보, 및 단계 S521에서 추출된 제3 결과 정보를 기초로 해당 회전 기기(2)의 상태를 진단 및 예측하되, 의사결정시스템에 의해 제1 내지 제3 결과 정보 데이터에 각각 가중치를 부여하여 최종적인 진단 및 예측을 수행하도록 한다(S523).

도 8(a)(b)는 해당하는 회전 기기의 외란 진동과 전기적인 노이즈가 심한 경우에도 본 발명에 따라 해당 회전 기기 진동의 고조파를 추출한 사례를 나타낸 예시도이다.

도 8의 (a)는 원 신호의 FFT 결과와 M개로 분리한 신호를 각각 FFT를 수행하고 그 합의 결과로서, 일반적인 방법인 FFT만을 수행하여 얻은 결과보다 본 발명에 따라 신호를 분리하여 FFT를 수행했을 때 동 도면에 나타난 바와 같이 외란에 의한 성분과 RPM에 의한 진동 성분을 분리가 가능함을 보여주며, 기존에는 노이즈에 의해 단순 FFT 결과로 고조파 식별이 불가능한 상태인 경우에도 본 발명에 따르면 상태 평가를 위한 고차의 고조파를 추출할 수 있음을 보여준다.

한편, 전술한 본 발명의 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법에 따르면 해당 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 구현할 수 있다.

다른 한편, 전술한 본 발명의 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법에 따르면 해당 방법을 하드웨어와 결합하여 실행시키기 위하여 컴퓨터에서 읽을 수 있는 기록 매체에 저장된 애플리케이션을 구현할 수 있다.

또 다른 한편, 전술한 본 발명의 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법에 따르면 해당 방법을 컴퓨터에서 실행시키기 위하여 컴퓨터에서 읽을 수 있는 기록 매체에 저장된 컴퓨터 프로그램을 구현할 수 있다.

예를 들어, 전술한 바와 같이 본 발명의 예시적인 실시예에 따른 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법은 다양한 컴퓨터로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터 판독가능 기록 매체 또는 이러한 기록 매체에 저장된 애플리케이션으로 구현될 수 있다. 상기 컴퓨터 판독 가능 기록 매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기록 매체는 본 발명의 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크와 같은 자기-광 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.

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 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 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.

2: 관리 대상 설비(일 예로 회전 기기)
10: 센서(일 예로 가속도 센서)
20: 서버:
210: 데이터베이스
400: 상태 진단 장치
401: 데이터획득부
402: 전처리모듈(Pre-processing module)
403: 신호분리모듈(Signal decomposition module)
404: FFT모듈(Fast Fourier Transform Module)
405: 로컬맥시마추출모듈(Local maxima finder module)
406: 특징추출부(feature extraction)
407: 고조파패밀리분석부(Harmonics family analysis)
408: EMD모듈(Empirical mode decomposition Module)
409: 전처리특징추출모듈(Pre-processed feature extraction Module)
410: 진단/예측모듈(Features based Diagnosis Module)

Claims

(a) 가속도 센서를 통해 계측된 회전 기기의 원시 가속도 데이터를 획득하기 위한 단계;
(b) 상기 획득된 원시 가속도 데이터에 대한 신호 컨디셔닝과 분석 작업을 위한 전처리(Pre-processing)를 수행하는 단계;
(c) 상기 전처리된 시계열 데이터(time-series data)에 대해 NxN 사이즈의 헹켈(Hankel) 행렬 기반 특이치분해(singular value decomposition)를 수행하고, 이를 헹켈 행렬 구축방식의 역으로 수행하여 시계열 신호로서의 N개의 선형 분리 데이터로 분리하기 위한 단계;
(d) 상기 분리된 N개 중 M(M<N)개의 선형 분리 데이터 청크(chunk)들을 고속 푸리에 변환을 통해 각 청크 마다 주파수 영역 데이터 셋을 구축하고 이들의 단순 합계를 구하는 단계;
(e) 상기 M개의 주파수 영역 데이터 셋과 상기 단순 합계된 신호에서 로컬 맥시마(Local Maxima)를 찾고, 찾은 로컬 맥시마의 주파수 인덱스(index)를 추출하기 위한 단계;
(f) 상기 추출된 주파수 인덱스를 기초로 고조파 데이터 셋과 사이드밴드 데이터 셋을 구성하기 위한 단계; 및
(g) 상기 구성된 고조파 데이터 셋과 사이드밴드 데이터 셋을 기초로 상기 회전 기기의 상태를 분류하기 위한 단계;
를 포함하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법.
제1항에 있어서,
(h) 상기 전처리된 데이터에 대해 EMD(Empirical mode decomposition)를 수행하기 위한 단계를 더 포함하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법.
제2항에 있어서,
(i) 상기 전처리된 데이터로부터 상기 회전 기기와 관련한 특징 값을 추출하기 위한 단계를 더 포함하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법.
제3항에 있어서,
(j) 상기 단계 (g), (h), 및 (i)의 결과를 기초로 상기 회전 기기의 상태를 진단 및 예측하기 위한 단계를 더 포함하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법.
제4항에 있어서,
상기 단계 (g), (h), 및 (i)의 결과에 각각 가중치를 부여하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법.
제1항에 있어서,
상기 단계 (f)는,
(f-1) 상기 회전 기기의 RPM(Revolutions Per Minute)을 모르는 경우, 상기 추출된 주파수 인덱스의 선형성(linearity)을 추적하여 해당 RPM을 찾고, 해당 주파수 인덱스로 고조파 데이터셋을 구성하는 단계; 및
(f-2) 상기 회전 기기의 RPM(Revolutions Per Minute)을 알고 있는 경우, 상기 로컬 맥시마 중 해당 RPM의 정수배에 해당하는 주파수를 추출한 고조파와 그 외의 사이드밴드를 인덱싱 하는 단계;를 포함하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법.
제1항에 있어서,
상기 단계 (c)는 N개의 선형 분리 데이터에서 해당 가속도 데이터의 컴포넌트(component)의 기여도를 기초로 한 우선 순위에 따라 M(M<N)개의 선형 분리 데이터를 추출하여 사용하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법.
가속도 센서를 통해 계측된 회전 기기의 원시 가속도 데이터를 획득하기 위한 데이터획득부;
상기 획득된 원시 가속도 데이터에 대한 신호 컨디셔닝과 분석 작업을 위한 전처리(Pre-processing)를 수행하기 위한 전처리모듈;
상기 전처리된 시계열 데이터(time-series data)에 대해 NxN 사이즈의 헹켈(Hankel) 행렬 기반 특이치분해(singular value decomposition)를 수행하고, 이를 헹켈 행렬 구축방식의 역으로 수행하여 시계열 신호로서의 N개의 선형 분리 데이터로 분리하기 위한 신호분리모듈;
상기 신호분리모듈을 통해 분리된 N개 중 M(M<N)개의 선형 분리 데이터 청크(chunk)들을 고속 푸리에 변환을 통해 각 청크 마다 주파수 영역 데이터 셋을 구축하고 이들의 단순 합계를 구하기 위한 FFT모듈;
상기 M개의 주파수 영역 데이터 셋과 상기 단순 합계된 신호에서 로컬 맥시마(Local Maxima)를 찾고, 찾은 로컬 맥시마의 주파수 인덱스(index)를 추출하기 위한 로컬맥시마추출모듈;
상기 추출된 주파수 인덱스를 기초로 고조파 데이터 셋과 사이드밴드 데이터 셋을 구성하기 위한 특징추출부; 및
상기 구성된 고조파 데이터 셋과 사이드밴드 데이터 셋을 기초로 상기 회전 기기의 상태를 분류하기 위한 고조파패밀리분석부;
를 포함하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치.
제8항에 있어서,
상기 전처리된 데이터에 대해 EMD(Empirical mode decomposition)를 수행하기 위한 EMD모듈을 더 포함하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치.
제9항에 있어서,
상기 전처리된 데이터로부터 상기 회전 기기와 관련한 특징 값을 추출하기 위한 전처리특징추출모듈을 더 포함하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치.
제10항에 있어서,
상기 고조파패밀리분석부로부터 출력되는 제1 결과데이터, 상기 EMD모듈로부터 출력되는 제2 결과데이터, 및 상기 특징추출모듈로부터 출력되는 제3 결과데이터를 기초로 상기 회전 기기의 상태를 진단 및 예측하기 위한 진단/예측모듈을 더 포함하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치.
제11항에 있어서,
상기 진단/예측모듈은 상기 제1 내지 제3 결과데이터에 각각 가중치를 부여하여 진단 및 예측하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치.
제8항에 있어서,
상기 특징추출부는,
상기 회전 기기의 RPM(Revolutions Per Minute)을 모르는 경우, 상기 추출된 주파수 인덱스의 선형성(linearity)을 추적하여 해당 RPM을 찾고, 해당 주파수 인덱스로 고조파 데이터셋을 구성하기 위한 고조파특징추출부; 및
상기 회전 기기의 RPM(Revolutions Per Minute)을 알고 있는 경우, 상기 로컬 맥시마 중 해당 RPM의 정수배에 해당하는 주파수를 추출한 고조파와 사이드밴드를 인덱싱 하기 위한 이상특징추출부를 포함하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치.
제8항에 있어서,
상기 신호분리모듈은 N개의 선형 분리 데이터에서 해당 가속도 데이터의 컴포넌트(component)의 기여도를 기초로 한 우선 순위에 따라 M(M<N)개의 선형 분리 데이터를 추출하는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치.
삭제
제8항에 있어서,
상기 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치는 IoT 센서, 게이트웨이, 또는 서버를 포함하는 에지 디바이스(Edge Device)에 구비되는 것을 특징으로 하는 IoT 센서 기반 회전 기기의 정밀 상태 진단 장치.
제1항 내지 제7항 중 어느 한 항의 상기 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
제1항 내지 제7항 중 어느 한 항의 상기 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법을 하드웨어와 결합하여 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록 매체에 저장된 애플리케이션.
제1항 내지 제7항 중 어느 한 항의 상기 IoT 센서 기반 회전 기기의 정밀 상태 진단 방법을 컴퓨터에서 실행시키기 위하여 컴퓨터에서 읽을 수 있는 기록 매체에 저장된 컴퓨터 프로그램.