KR102321602B1 - 기계의 결함 검출 장치 및 방법 - Google Patents

기계의 결함 검출 장치 및 방법 Download PDF

Info

Publication number
KR102321602B1
KR102321602B1 KR1020200120697A KR20200120697A KR102321602B1 KR 102321602 B1 KR102321602 B1 KR 102321602B1 KR 1020200120697 A KR1020200120697 A KR 1020200120697A KR 20200120697 A KR20200120697 A KR 20200120697A KR 102321602 B1 KR102321602 B1 KR 102321602B1
Authority
KR
South Korea
Prior art keywords
vibration
machine
vibration signal
frequency domain
value
Prior art date
Application number
KR1020200120697A
Other languages
English (en)
Inventor
장영민
부이 반
Original Assignee
국민대학교산학협력단
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 국민대학교산학협력단 filed Critical 국민대학교산학협력단
Priority to KR1020200120697A priority Critical patent/KR102321602B1/ko
Application granted granted Critical
Publication of KR102321602B1 publication Critical patent/KR102321602B1/ko

Links

Images

Classifications

    • 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
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/04—Measuring characteristics of vibrations in solids by using direct conduction to the detector of vibrations which are transverse to direction of propagation
    • 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
    • G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/025—Measuring arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

본 발명은 기계의 진동신호를 이용하여 결함을 검출하는 기계의 결함 검출 방법 및 장치에 관한 것이다.
본 발명의 일 실시 예에 따른 기계의 결함 검출 장치는, 기계에 구비되어 기계에서 발생하는 진동신호를 감지하는 진동센서와, 진동센서로부터 출력되는 시간도메인의 진동신호를 주파수도메인의 진동신호로 변환하여 출력하는 전처리부와, 전처리부로부터 출력되는 주파수도메인의 진동신호에 대하여 통계적 특성값을 산출하는 산출부와, 진동센서로부터 도출되는 진동신호의 통계적 특성값을 이용하여 기계의 결함여부를 판단하도록 미리 훈련된 심층신경망 모델을 이용하여 기계의 결함 여부를 검출하는 검출부를 포함하고, 심층신경망 모델은, 기계에서 발생하는 진동신호의 통계적 특성값 및 기계의 상태를 포함하는 훈련데이터를 이용하여 미리 훈련된 신경망 모델인 것을 특징으로 한다.

Description

기계의 결함 검출 장치 및 방법{ROTATING MACHINE FAULT DETECTING APPARATUS AND METHOD}
본 발명은 기계의 진동신호를 이용하여 결함을 검출하는 기계의 결함 검출 방법 및 장치에 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 기계에 대한 고장 감시가 매우 중요해졌다.
이들 회전하는 구동부가 포함된 기계는 물리적인 마찰조건 하에 구동되므로 잦은 주기로 정비를 수행하여야만 고장 및 사고를 방지할 수 있다. 이와 같이 회전 기계는 잦은 정비를 요구하므로 유지보수 비용 및 시간이 많이 소요되는 문제점이 있다.
이러한 문제점으로 인해 고장 발생 가능성이 있을 때에만 정비를 수행하는 상태 기반 정비가 최근 주목을 받고 있다. 상태 기반 정비는 고장 발생 가능성이 있을 때에만 정비를 수행하므로 유지보수비용 및 시간 감소를 통해 운용비용 감소와 이익증대를 실현하여 준다.
결함 진단이 적용되어 큰 효과를 기대할 수 있는 분야는 유지보수에 높은 비용이 필요한 시스템 등이 될 수 있으며, 대표적으로 고속철도와 풍력발전용 터빈 등의 기어박스 등을 꼽을 수 있다
기어박스는 기계에서 회전동력을 전달하기 위해 기본적으로 사용되는 요소이므로 이에 대해 여러 센서 신호를 통해 결함을 감지하고 진단하려는 연구가 활발하게 이루어지고 있다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다
본 발명의 일 과제는, 기계에서 발생하는 진동 특성을 분석하여 결함을 검출하고 이를 근거로 기계의 고장을 미리 방지하는데 있다.
본 발명의 일 과제는 통계적 분석 및 기계 학습을 이용하여 기계의 결함 검출을 통해 결함 검출 정확도를 개선하는데 있다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명이 해결하고자 하는 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
본 발명의 일 실시 예에 따른 기계의 결함 검출 장치는, 기계에 구비되어 기계에서 발생하는 진동신호를 감지하는 진동센서와, 진동센서로부터 출력되는 시간도메인의 진동신호를 주파수도메인의 진동신호로 변환하여 출력하는 전처리부와, 전처리부로부터 출력되는 주파수도메인의 진동신호에 대하여 통계적 특성값을 산출하는 산출부와, 진동센서로부터 도출되는 진동신호의 통계적 특성값을 이용하여 기계의 결함여부를 판단하도록 미리 훈련된 심층신경망 모델을 이용하여 기계의 결함 여부를 검출하는 검출부를 포함하고, 심층신경망 모델은, 기계에서 발생하는 진동신호의 통계적 특성값 및 기계의 상태를 포함하는 훈련데이터를 이용하여 미리 훈련된 신경망 모델인 것을 특징으로 한다.
본 발명의 일 실시 예에 따른 회전 기계의 결함 검출 방법은, 기계에 구비된 진동센서에 의해 감지된 기계에서 발생하는 진동신호를 수신하는 단계와, 시간도메인의 진동신호를 주파수도메인의 진동신호로 변환하는 단계와, 주파수도메인의 진동신호에 대하여 통계적 특성값을 산출하는 단계와, 진동센서로부터 도출되는 진동신호의 통계적 특성값을 이용하여 기계의 결함여부를 판단하도록 미리 훈련된 심층신경망 모델을 이용하여 기계의 결함 여부를 검출하는 단계를 포함하고, 심층신경망 모델은, 기계에서 발생하는 진동신호의 통계적 특성값 및 기계의 상태를 포함하는 훈련데이터를 이용하여 미리 훈련된 신경망 모델인 것을 특징으로 한다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명에 의하면, 기계의 상태 변화에 따른 기계의 결함을 진단할 수 있어서 고장을 미리 방지할 수 있다.
또한, 통계적 분석 및 기계 학습을 이용하여 회전 기계의 결함 검출을 통해 결함 검출 정확도를 개선할 수 있고, 결함 검출 비용을 감소시킬 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 실시 예에 따른 기계의 결함 검출 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 2는 도 1 중 진동센서가 출력하는 진동신호의 출력 방향을 설명하는 예시도이다.
도 3은 본 실시 예에 따른 정상 상태 및 고장 상태의 기계에서 출력되는 진동신호를 도시한 예시도이다.
도 4는 본 실시 예에 따른 정상 상태 및 고장 상태의 기계에서 출력되는 진동신호를 전처리한 결과를 도시한 도면이다.
도 5는 본 실시 예에 따른 정상 상태 및 고장 상태의 기계에서 출력되는 진동신호에 대한 전처리 결과로부터 통계적 특성값을 산출한 결과를 도시한 도면이다.
도 6은 본 실시 예에 따른 정상 상태 및 고장 상태의 기계에서 출력되는 진동신호에 대한 전처리 결과로부터 통계적 특성값 중 최대값과 첨도값의 분포를 도시한 도면이다.
도 7은 본 실시 예에 따른 기계의 결함 검출 방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 실시 예에 따른 회전 기계의 결함 검출 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 도 1을 참조하면, 기계의 결함 검출 장치는 회전 기계(100)와 결함 검출 장치(200)를 포함할 수 있다.
회전 기계(100)는 기계 시스템으로 회전동력을 전달하기 위해 사용되는 기어박스를 포함할 수 있다. 기어박스는 구동축을 회전시키는데 필요한 동력을 전달하기 위하여 각종 축군 및 기어군(미도시)이 배치되는 구조를 포함할 수 있다. 이러한 기어박스는 매우 다양한 산업분야에 이용될 수 있다. 그리고 기어군의 기어들을 사용하여 작은 회전력을 큰 회전력으로 변환하거나, 낮은 회전을 고속회전으로 바꿀 수 있다. 기어박스는 일정 형상의 하우징(미도시)이 그 외관을 형성한다. 하우징은 기어박스가 사용되는 각종 기계장치나 차량 등에 맞게 소정 사이즈 및 형태를 가지도록 형성될 수 있다. 그리고 하우징 내부에는 구동력을 생산하는 구동모터(미도시) 및 구동력을 전달할 수 있도록 각종 기어들(미도시)과 구동축(미도시), 회전축(미도시) 등이 배치될 수 있다.
한편, 기어박스는 구동모터를 이용하여 구동력을 발생 및 전달하는 과정에서 불안정한 움직임 등으로 인하여 기어박스에는 각종 진동이 발생하고 이러한 진동은 구동축 및 기어박스를 형성하고 있는 하우징 등으로 전달될 수 있다. 그리고 구동축의 축 진동이 하우징에 전달되면, 실질적으로 하우징 자체의 떨림 현상 이외에도 하우징과 연결된 다른 부품들의 진동을 초래할 수 있고, 진동으로 인한 소음도 유발될 수 있다.
종래에는 기어박스의 진동량 변화와 진동 특성 변화를 전문가들이 분석하여 결함의 원인을 찾고 적절한 대책을 세웠다. 그러나 전문가들의 경험 부족과 다양화된 설비특성의 변화로 정확한 진단이 어려워, 진동의 크기를 설정하고 그 크기를 초과하는 진동이 발생할 경우에만 관리자에게 이상 상태를 알려주는 방법을 사용해 오고 있다. 그러나 이러한 방법도 회전 기계(100)의 고장 발생 정도만을 판별할 수 있고, 고장의 원인이나 진전 과정을 알 수 없어 능동적으로 대처를 할 수 없기 때문에 다시 전문가에게 판단을 맡기고 있다. 따라서, 회전 기계(100)에서 결함이 발생하였을 때, 고장 전 단계에서 결함 원인을 미리 파악하고 진전 과정을 예측하여 사고를 미리 방지하는 기술이 필요하며, 이를 위해서는 실시간 진동 데이터를 분석하여 회전 기계를 정확히 진단할 수 있는 기술이 요구된다.
결함 검출 장치(200)는 회전 기계(100)에서 발생한 진동신호를 입력으로 하여 통계적 분석 및 기계 학습을 실행하여 회전 기계(100)의 결함 여부를 검출할 수 있다. 여기서 결함 여부는 회전 기계(100)가 정상 동작하고 있는 경우와, 회전 기계(100)가 고장난 경우를 포함할 수 있다. 본 실시 예에서, 결함 검출 장치(200)는 진동센서(210), 전처리부(220), 산출부(230), 결합부(240) 및 검출부(250)를 포함할 수 있다.
진동센서(210)는 회전 기계(100)에 구비되어 회전 기계(100)에서 발생하는 진동신호를 감지하여 출력할 수 있다. 본 실시 예에서 진동센서(210)는 제1 진동센서(211) 내지 제4 진동센서(214)를 포함할 수 있다.
도 2는 도 1 중 진동센서가 출력하는 진동신호의 출력 방향을 설명하는 예시도이다. 도 2를 참조하면, 제1 진동센서(211)는 회전 기계(100)에서 발생하는 수평(x)방향의 진동을 감지하여 제1 진동신호(g_x vibration signal)를 출력할 수 있다. 제2 진동센서(212)는 회전 기계(100)에서 발생하는 수직(y)방향의 진동을 감지하여 제2 진동신호(g_y vibration signal)를 출력할 수 있다. 제3 진동센서(213)는 회전 기계(100)에서 발생하는 축(z)방향의 진동을 감지하여 제3 진동신호(g_z vibration signal)를 출력할 수 있다. 제4 진동센서(214)는 회전 기계(100)에서 발생하는 수평(x)방향, 수직(y)방향 및 축(z)방향을 합친 대각선(T)방향의 진동을 감지하여 제4 진동신호(g_T vibration signal)를 출력할 수 있다.
도 3은 본 실시 예에 따른 정상 상태 및 고장 상태의 기계에서 출력되는 진동신호를 도시한 예시도이다. 도 3을 참조하면, 도 3a는 정상(normal) 상태의 회전 기계(100)에서 발생한 제1 진동신호(g_x vibration signal)를 도시하고 있고, 도 3b는 고장(broken) 상태의 회전 기계(100)에서 발생한 제1 진동신호(g_x vibration signal)를 도시하고 있다. 특히 도 3b는 톱니(tooth)가 부러졌을 때 회전 기계(100)에서 발생한 제1 진동신호를 도시하고 있다.
전처리부(220)는 진동센서(210)에서 출력되는 시간도메인의 진동신호를 주파수도메인의 진동신호로 변환할 수 있다. 주파수도메인의 진동신호에는 회전 기계(100)의 정상 및 고장을 구별하는데 사용할 수 있는 보다 고유한 정보들이 포함되어 있다. 본 실시 예에서 전처리부(220)는 제1 진동센서(211) 내지 제4 진동센서(214)로부터 출력되는 시간도메인의 제1 진동신호 내지 제4 진동신호를 고속 푸리에 변환(FFT: fast fourier transform)하여 주파수도메인의 제1 진동신호 내지 제4 진동신호로 출력할 수 있다. 시간 함수의 푸리에 변환은 주파수의 복소-값 함수이며, 크기(절대값)는 원래함수에 존재하는 주파수의 양을 나타내고 인수는 해당 주파수에서 기본 정현파의 오프셋일 수 잇다.
본 실시 예에서 전처리부(220)는 제1 전처리부(221) 내지 제4 전처리부(224)를 포함할 수 있다. 제1 전처리부(221)는 제1 진동센서(211)로부터 출력되는 시간도메인의 제1 진동신호(g_x vibration signal)를 주파수도메인의 제1 진동신호(g_x FFT signal)로 변환할 수 있다. 제2 전처리부(222)는 제2 진동센서(212)로부터 출력되는 시간도메인의 제2 진동신호(g_y vibration signal)를 주파수도메인의 제2 진동신호(g_y FFT signal)로 변환할 수 있다. 제3 전처리부(223)는 제3 진동센서(213)로부터 출력되는 시간도메인의 제3 진동신호(g_z vibration signal)를 주파수도메인의 제3 진동신호(g_z FFT signal)로 변환할 수 있다. 제4 전처리부(224)는 제4 진동센서(214)로부터 출력되는 시간도메인의 제4 진동신호(g_T vibration signal)를 주파수도메인의 제4 진동신호(g_T FFT signal)로 변환할 수 있다.
도 4는 본 실시 예에 따른 정상 상태 및 고장 상태의 기계에서 출력되는 진동신호를 전처리한 결과를 도시한 도면이다. 도 4를 참조하면, 도 4a는 정상(normal) 상태의 회전 기계(100)에서 발생한 시간도메인의 제1 진동신호(g_x vibration signal)를 전처리하여 주파수도메인의 제1 진동신호(g_x FFT signal)로 출력한 예를 도시하고 있고, 도 4b는 고장(broken) 상태의 회전 기계(100)에서 발생한 시간도메인의 제1 진동신호(g_x vibration signal)를 전처리하여 주파수도메인의 제1 진동신호(g_x FFT signal)로 출력한 예를 도시하고 있다.
산출부(230)는 전처리부(220)에서 출력되는 주파수도메인의 진동신호에 대하여 통계적 특성값을 산출할 수 있다. 전처리부(220)에서 출력되는 주파수도메인의 진동신호를 후술하는 심층신경망 모델에 직접 입력할 수 있지만, 고차원 입력 데이터로 작업할 때 복잡한 구조와 오랜 훈련 시간이 필요하기 때문에, 심층신경망 모델로 입력되는 데이터를 축소하기 위해 통계적 특성값을 산출할 수 있다.
한편, 전처리부는, 제1 내지 제4 진동센서로부터 수신되는 제1 내지 제4 진동신호들을 평가하여 선별 수집하도록 구성될 수 있다.
수신되는 진동신호들 중에는 노이즈 또는 다른 외부 환경의 변화, 내부 처리 오류 등에 의해서 기계의 상태를 평가하기에 부적합한 진동신호가 있을 수도 있다. 따라서, 진동신호의 적합여부를 평가하여 적합한 신호만을 선별 수집하는 방식이 필요할 수 있다.
예를 들어, 진동신호들에 대한 평가는 상기 제1 내지 제3 진동센서들로부터 수집되는 제1 내지 제3 진동신호들의 조합을 상기 제4 진동센서로부터 수집되는 제4 진동신호와 비교하여 상기 제1 내지 제4 진동신호의 이상여부를 평가함으로써 이루어지고, 이러한 선별 수집은 상기 평가에 기초하여 상기 제1 내지 제4 진동신호가 정상인 경우에 이루어질 수 있다.
본 실시 예에서 산출부(230)는 주파수도메인의 진동신호의 평균값(mean), 중간(median)값, 최소(min)값, 최대(max)값, 첨도(kurtosis)값, 왜도(skewness)값, 표준편차(standard deviation)값과, 양진폭(peak-to-peak)값 중 하나 이상을 포함하는 통계적 특성값을 산출할 수 있다.
여기서, 첨도는 확률분포의 모양이 뾰족한 정도를 나타내는 지표로 신호의 값들의 분포가 특정 값 근처에 몰려 뾰족한 형태를 이룰수록 첨도가 증가할 수 있다. 또한, 왜도는 확률 분포의 비대칭성을 나타내는 지표로 신호의 편중성(신호의 평균을 기준으로 신호 값들의 분포가 한쪽으로 몰리는 정도)이 증가할수록 왜도 또한 증가할 수 있다. 양진폭(peak-to-peak)은 신호의 전체 폭을 나타내는 지표로 신호에서 가장 작은 값과 가장 큰 값의 차이를 나타낼 수 있다.
본 실시 예에서, 산출부(230)는 제1 산출부(231) 내지 제4 산출부(234)를 포함할 수 있다. 제1 산출부(231)는 제1 전처리부(221)에서 출력되는 주파수도메인의 제1 진동신호(g_x FFT signal)에 대하여 상술한 8개의 통계적 특성값을 산출할 수 있다. 제2 산출부(232)는 제2 전처리부(222)에서 출력되는 주파수도메인의 제2 진동신호(g_y FFT signal)에 대하여 상술한 8개의 통계적 특성값을 산출할 수 있다. 제3 산출부(233)는 제3 전처리부(223)에서 출력되는 주파수도메인의 제3 진동신호(g_z FFT signal)에 대하여 상술한 8개의 통계적 특성값을 산출할 수 있다. 제4 산출부(234)는 제4 전처리부(224)에서 출력되는 주파수도메인의 제4 진동신호(g_T FFT signal)에 대하여 상술한 8개의 통계적 특성값을 산출할 수 있다.
결합부(240)는 제1 산출부(231) 내지 제4 산출부(234)로부터 출력되는 통계적 특성값의 산출 결과를 결합하여 검출부(250)로 전송할 수 있다. 상술한 예에서 제1 산출부(231) 내지 제4 산출부(234)는 각각 8개의 통계적 특성값을 산출하므로, 결합부(240)는 총 32개의 통계적 특성값을 검출부(250)로 전송할 수 있다.
검출부(250)는 진동센서로부터 도출되는 진동신호의 통계적 특성값을 이용하여 회전 기계(100)의 결함여부를 판단하도록 미리 훈련된 심층신경망 모델을 이용하여 회전 기계(100)의 결함 여부를 검출할 수 있다. 본 실시 예에서 심층신경망 모델은 회전 기계(100)에서 발생하는 진동신호의 통계적 특성값 및 회전 기계(100)의 상태(정상 및 고장 중 하나)를 포함하는 훈련데이터를 이용하여 미리 훈련된 신경망 모델일 수 있다. 이와 같이 검출부(250)는 시간도메인의 진동신호를 사용하지 않고, 주파수도메인의 진동신호로부터 산출한 통계적 특성값을 이용하여 회전 기계(100)의 결함을 검출하기 때문에 훈련 복잡도를 낮출 수 있다.
선택적 실시 예로, 심층신경망 모델은 주파수도메인의 제1 진동신호(g_x FFT signal)와, 주파수도메인의 제2 진동신호(g_y FFT signal)와, 주파수도메인의 제3 진동신호(g_z FFT signal)와, 주파수도메인의 제4 진동신호(g_T FFT signal)에 대한 통계적 특성값 중 최대값 및 첨도값을 기초로 회전 기계(100)의 고장 여부를 판단하도록 구성될 수 있다.
도 5는 본 실시 예에 따른 정상 상태 및 고장 상태의 기계에서 출력되는 진동신호에 대한 전처리 결과로부터 통계적 특성값을 산출한 결과를 도시한 도면이다. 도 5를 참조하면, 도 5a는 정상(normal) 상태 및 고장(broken) 상태의 회전 기계(100)에서 발생한 시간도메인의 제1 진동신호(g_x vibration signal)를 전처리한 주파수도메인의 제1 진동신호(g_x FFT signal)로부터 산출한 통계적 특성의 분포를 도시하고 있다. 도 5b는 정상(normal) 상태 및 고장(broken) 상태의 회전 기계(100)에서 발생한 시간도메인의 제2 진동신호(g_y vibration signal)를 전처리한 주파수도메인의 제2 진동신호(g_y FFT signal)로부터 산출한 통계적 특성의 분포를 도시하고 있다. 도 5c는 정상(normal) 상태 및 고장(broken) 상태의 회전 기계(100)에서 발생한 시간도메인의 제3 진동신호(g_z vibration signal)를 전처리한 주파수도메인의 제1 진동신호(g_z FFT signal)로부터 산출한 통계적 특성의 분포를 도시하고 있다. 도 5d는 정상(normal) 상태 및 고장(broken) 상태의 회전 기계(100)에서 발생한 시간도메인의 제4 진동신호(g_T vibration signal)를 전처리한 주파수도메인의 제4 진동신호(g_T FFT signal)로부터 산출한 통계적 특성의 분포를 도시하고 있다.
도 5a에서 주파수도메인의 제1 진동신호(g_x FFT signal)로부터 산출한 통계적 특성의 분포 중, 정상(normal) 상태 및 고장(broken) 상태의 최대(max)값의 차이가, 도 5b 내지 도 5d에 도시된 주파수도메인의 제2 진동신호(g_y FFT signal), 주파수도메인의 제3 진동신호(g_z FFT signal) 및 주파수도메인의 제4 진동신호(g_T FFT signal)로부터 산출한 정상(normal) 상태 및 고장(broken) 상태의 최대(max)값의 차이보다 큼을 알 수 있다.
또한, 도 5a에서 주파수도메인의 제1 진동신호(g_x FFT signal)로부터 산출한 통계적 특성의 분포 중, 정상(normal) 상태 및 고장(broken) 상태의 첨도(kurtosis)값의 차이가, 도 5b 내지 도 5d에 도시된 주파수도메인의 제2 진동신호(g_y FFT signal), 주파수도메인의 제3 진동신호(g_z FFT signal) 및 주파수도메인의 제4 진동신호(g_T FFT signal)로부터 산출한 정상(normal) 상태 및 고장(broken) 상태의 첨도(kurtosis)값의 차이보다 큼을 알 수 있다.
도 5로부터, 최대값 및 첨도값이 회전 기계(100)의 결함 여부를 판단하는 기준이 된 것은, 실험을 통하여 상술한 훈련데이터로 심층신경망을 훈련시켜 얻어진 분석 결과에 기인한 것이다. 즉, 주파수도메인의 제1 진동신호(g_x FFT signal)와, 주파수도메인의 제2 진동신호(g_y FFT signal)와, 주파수도메인의 제3 진동신호(g_z FFT signal)와, 주파수도메인의 제4 진동신호(g_T FFT signal)에 대한 통계적 특성값을 심층신경망을 훈련시킨 후 훈련된 학습 모델을 분석한 결과, 회전 기계(100)의 결함 여부를 판단하는 좋은 기준이 최대값과 첨도값임을 찾아낸 것이다.
도 6은 본 실시 예에 따른 정상 상태 및 고장 상태의 기계에서 출력되는 진동신호에 대한 전처리 결과로부터 통계적 특성값 중 최대값과 첨도값의 분포를 도시한 도면이다. 도 6을 참조하면, 도 6a는 정상(normal) 상태 및 고장(broken) 상태의 회전 기계(100)에서 발생한 시간도메인의 제1 진동신호(g_x vibration signal)를 전처리한 주파수도메인의 제1 진동신호(g_x FFT signal)로부터 산출한 통계적 특성값 중 최대값과 첨도값의 분포를 도시하고 있다. 도 6b는 정상(normal) 상태 및 고장(broken) 상태의 회전 기계(100)에서 발생한 시간도메인의 제2 진동신호(g_y vibration signal)를 전처리한 주파수도메인의 제2 진동신호(g_y FFT signal)로부터 산출한 통계적 특성값 중 최대값과 첨도값의 분포를 도시하고 있다. 도 6c는 정상(normal) 상태 및 고장(broken) 상태의 회전 기계(100)에서 발생한 시간도메인의 제3 진동신호(g_z vibration signal)를 전처리한 주파수도메인의 제3 진동신호(g_z FFT signal)로부터 산출한 통계적 특성값 중 최대값과 첨도값의 분포를 도시하고 있다. 도 6d는 정상(normal) 상태 및 고장(broken) 상태의 회전 기계(100)에서 발생한 시간도메인의 제4 진동신호(g_T vibration signal)를 전처리한 주파수도메인의 제4 진동신호(g_T FFT signal)로부터 산출한 통계적 특성값 중 최대값과 첨도값의 분포를 도시하고 있다.
도 6a에서 주파수도메인의 제1 진동신호(g_x FFT signal)로부터 산출한 정상(normal) 상태 및 고장(broken) 상태의 최대(max)값과 첨도(kurtosis)값의 분포의 식별이, 도 6b 내지 도 6d에 도시된 주파수도메인의 제2 진동신호(g_y FFT signal), 주파수도메인의 제3 진동신호(g_z FFT signal) 및 주파수도메인의 제4 진동신호(g_T FFT signal)로부터 산출한 정상(normal) 상태 및 고장(broken) 상태의 최대(max)값과 첨도(kurtosis)값의 분포의 식별보다 더 명확함을 알 수 있다.
도 6으로부터 주파수도메인의 제1 진동신호(g_y FFT signal)가 기계의 결함여부를 판단하는 기준이 된 것도 실험을 통하여 도출한 것일 뿐 이에 국한되지 않고, 다른 실시예에서는 제1 진동신호(g_y FFT signal) 내지 제4 진동신호(g_T FFT signal) 중 하나가 기준이 될 수도 있다.
본 실시 예에서, 결함 검출 장치(200)는 회전 기계(100)의 결함을 검출하기 위해, 5G 통신 환경에서 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행할 수 있다.
여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
이러한 인공신경망의 머신 러닝 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다.
또한, 머신 러닝의 일종인 딥러닝(deep learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습할 수 있다. 딥러닝은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다.
딥러닝 구조는 인공신경망(ANN)을 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(convolutional neural network), RNN(recurrent neural network), DBN(deep belief network) 등 심층신경망(DNN)으로 구성될 수 있다. 본 실시 예에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 실시 예에 따른 딥러닝 구조는 CNN, RNN, DBN 등을 포함할 수 있다. RNN은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아 올려 인공신경망 구조를 구성할 수 있다. DBN은 딥러닝 기법인 RBM(restricted boltzman machine)을 다층으로 쌓아 구성되는 딥러닝 구조를 포함할 수 있다. RBM 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN을 구성할 수 있다. CNN은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델을 포함할 수 있다.
도 7은 본 실시 예에 따른 기계의 결함 검출 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 5에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 7을 참조하면, S710단계에서, 결함 검출 장치(200)는 회전 기계(100)에 구비된 진동센서로부터 회전 기계(100)에서 발생하는 진동신호를 수신한다. 본 실시 예에서, 진동센서는 제1 진동센서 내지 제4 진동센서를 포함할 수 있다. 결함 검출 장치(200)는 회전 기계(100)에서 발생하는 수평(x)방향의 진동을 감지한 제1 진동센서로부터 제1 진동신호(g_x vibration signal)를 수신하고, 회전 기계(100)에서 발생하는 수직(y)방향의 진동을 감지한 제2 진동센서로부터 제2 진동신호(g_y vibration signal)를 수신하고, 회전 기계(100)에서 발생하는 축(z)방향의 진동을 감지한 제3 진동센서로부터 제3 진동신호(g_z vibration signal)를 수신하고, 회전 기계(100)에서 발생하는 수평(x)방향, 수직(y)방향 및 축(z)방향을 합친 대각선(T)방향의 진동을 감지한 제4 진동센서로부터 제4 진동신호(g_T vibration signal)를 수신할 수 있다.
S710단계에서 수신되는 진동신호들 중에는 노이즈 또는 다른 외부 환경의 변화, 내부 처리 오류 등에 의해서 기계의 상태를 평가하기에 부적합한 진동신호가 있을 수도 있다.
따라서, 이하의 S720단계로 데이터를 전달하기 전에 제1 내지 제3 진동센서들로부터 수집되는 제1 내지 제3 진동신호들의 조합을 상기 제4 진동센서로부터 수집되는 제4 진동신호와 비교하여 제1 내지 제4 진동신호의 이상여부를 평가할 수 있다.
또한, 평가하는 단계의 결과에 기초하여 제1 내지 제4 진동신호가 정상인 경우의 진동신호만 선별 수집하여 다음 단계에서 사용될 데이터로 전송할 수 있다.
위와 같은 평가와 선별 수집이 가능한 이유는 제4 진동센서가 측정하는 제4 방향은 제1 진동센서 내지 제3 진동센서가 측정하는 제1 내지 제3 방향의 조합에 의해 도출될 수 있는 방향이기 때문이다. 즉, 제1 진동센서 내지 제3 진동센서는 서로 직교하는 방향을 측정하여 서로 독립적이나, 제4 진동센서가 측정하는 제4 방향의 진동신호는 제1 내지 제3 방향의 진동신호의 조합에 의해 도출될 수 있는 방향이기 때문이다. 따라서, 제1 내지 제3 방향과 제4 방향의 관계(각도)가 알려져 있고, 제1 내지 제3 진동신호가 주어진다면 제4 진동신호를 예상할 수 있고, 제4 진동신호가 예상과 다르다면 신호에 오류가 있음을 추정할 수 있다.
만약, 제4 진동신호가 방향관계를 고려했을 때 제1 내지 제3 진동신호의 조합으로 도출될 수 없는 진동신호라면 해당 진동신호 세트는 이상이 있는 데이터로 평가될 수 있다.
따라서, 기계의 고장을 판단하기에 적합한 진동신호만 이후의 단계에서 이용될 수 있어 보다 정확한 판단이 가능하게 할 수 있다.
S720단계에서, 결함 검출 장치(200)는 진동센서에서 출력되는 시간도메인의 진동신호를 주파수도메인의 진동신호로 변환한다. 결함 검출 장치(200)는 제1 진동센서로부터 수신한 시간도메인의 제1 진동신호(g_x vibration signal)를 고속 푸리에 변환하여 주파수도메인의 제1 진동신호(g_x FFT signal)를 생성하고, 제2 진동센서로부터 수신한 시간도메인의 제2 진동신호(g_y vibration signal)를 고속 푸리에 변환하여 주파수도메인의 제2 진동신호(g_y FFT signal)를 생성할 수 있다. 결함 검출 장치(200)는 제3 진동센서로부터 수신한 시간도메인의 제3 진동신호(g_z vibration signal)를 고속 푸리에 변환하여 주파수도메인의 제3 진동신호(g_z FFT signal)를 생성할 수 있고, 제4 진동센서로부터 출력되는 시간도메인의 제4 진동신호(g_T vibration signal)를 고속 푸리에 변환하여 주파수도메인의 제4 진동신호(g_T FFT signal)를 생성할 수 있다.
S730단계에서, 결함 검출 장치(200)는 주파수도메인의 진동신호에 대하여 통계적 특성값을 산출한다. 결함 검출 장치(200)는 주파수도메인의 진동신호의 평균값(mean), 중간(median)값, 최소(min)값, 최대(max)값, 첨도(kurtosis)값, 왜도(skewness)값, 표준편차(standard deviation)값과, 양진폭(peak-to-peak)값 중 하나 이상을 포함하는 통계적 특성값을 산출할 수 있다. 결함 검출 장치(200)는 주파수도메인의 제1 진동신호(g_x FFT signal)에 대하여 통계적 특성값을 산출하고, 주파수도메인의 제2 진동신호(g_y FFT signal)에 대하여 통계적 특성값을 산출하고, 주파수도메인의 제3 진동신호(g_z FFT signal)에 대하여 통계적 특성값을 산출하며, 주파수도메인의 제4 진동신호(g_T FFT signal)에 대하여 통계적 특성값을 산출할 수 있다.
S740단계에서, 결함 검출 장치(200)는 진동센서로부터 도출되는 진동신호의 통계적 특성값을 이용하여 회전 기계(100)의 결함여부를 판단하도록 미리 훈련된 심층신경망 모델을 이용하여 회전 기계(100)의 결함 여부를 검출한다. 본 실시 예에서 심층신경망 모델은 회전 기계(100)에서 발생하는 진동신호의 통계적 특성값 및 상기 회전 기계(100)의 상태(정상 및 고장 중 하나)를 포함하는 훈련데이터를 이용하여 미리 훈련된 신경망 모델이다. 선택적 실시 예로, 심층신경망 모델은 주파수도메인의 제1 진동신호(g_x FFT signal)와, 주파수도메인의 제2 진동신호(g_y FFT signal)와, 주파수도메인의 제3 진동신호(g_z FFT signal)와, 주파수도메인의 제4 진동신호(g_T FFT signal)에 대한 통계적 특성값 중 최대값 및 첨도값을 기초로 회전 기계(100)의 고장 여부를 판단하도록 구성될 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 회전 기계
200: 결함 검출 장치
210: 진동센서
220: 전처리부
230: 산출부
240: 결합부
250: 검출부

Claims (17)

  1. 기계의 결함을 검출하는 장치로서,
    기계에 구비되어 상기 기계에서 발생하는 진동신호를 감지하는 진동센서;
    상기 진동센서로부터 출력되는 시간도메인의 진동신호를 주파수도메인의 진동신호로 변환하여 출력하는 전처리부;
    상기 전처리부로부터 출력되는 주파수도메인의 진동신호에 대하여 통계적 특성값을 산출하는 산출부; 및
    진동센서로부터 도출되는 진동신호의 통계적 특성값을 이용하여 상기 기계의 결함여부를 판단하도록 미리 훈련된 심층신경망 모델을 이용하여 상기 기계의 결함 여부를 검출하는 검출부를 포함하고,
    상기 심층신경망 모델은,
    상기 기계에서 발생하는 진동신호의 통계적 특성값 및 상기 기계의 상태를 포함하는 훈련데이터를 이용하여 미리 훈련된 신경망 모델이며,
    상기 진동센서는,
    상기 기계에서 발생하는 수평방향의 진동을 감지하는 제1 진동센서;
    상기 기계에서 발생하는 수직방향의 진동을 감지하는 제2 진동센서;
    상기 기계에서 발생하는 깊이방향의 진동을 감지하는 제3 진동센서; 및
    상기 기계에서 발생하는 수평방향, 수직방향 및 깊이방향을 기준으로 대각선방향의 진동을 감지하는 제4 진동센서를 포함하고,
    상기 심층신경망 모델은,
    주파수도메인의 수평방향, 수직방향, 깊이방향 및 대각선방향의 진동신호에 대한 통계적 특성값 중 최대값 및 첨도값을 기초로 상기 기계의 고장 여부를 판단하도록 구성되는,
    기계의 결함 검출 장치.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 전처리부는,
    상기 제1 내지 제4 진동센서로부터 수신되는 제1 내지 제4 진동신호들을 평가하여 선별 수집하도록 구성되고,
    상기 평가는 상기 제1 내지 제3 진동센서들로부터 수집되는 제1 내지 제3 진동신호들의 조합을 상기 제4 진동센서로부터 수집되는 제4 진동신호와 비교하여 상기 제1 내지 제4 진동신호의 이상여부를 평가함으로써 이루어지고,
    상기 선별 수집은 상기 평가에 기초하여 상기 제1 내지 제4 진동신호가 정상인 경우에 이루어지는,
    기계의 결함 검출 장치.
  4. 제 1 항에 있어서,
    상기 전처리부는,
    상기 진동센서로부터 출력되는 시간도메인의 진동신호를 고속 푸리에 변환(FFT: fast fourier transform)하도록 구성되는,
    기계의 결함 검출 장치.
  5. 제 1 항에 있어서,
    상기 전처리부는,
    상기 기계에 구비된 제1 진동센서로부터 출력되는 시간도메인의 수평방향 진동신호를 주파수도메인의 수평방향 진동신호로 변환하는 제1 전처리부;
    상기 기계에 구비된 제2 진동센서로부터 출력되는 시간도메인의 수직방향 진동신호를 주파수도메인의 수직방향 진동신호로 변환하는 제2 전처리부;
    상기 기계에 구비된 제3 진동센서로부터 출력되는 시간도메인의 깊이방향 진동신호를 주파수도메인의 깊이방향 진동신호로 변환하는 제3 전처리부; 및
    상기 기계에 구비된 제4 진동센서로부터 출력되는 시간도메인의 수평방향, 수직방향 및 깊이방향을 기준으로 대각선방향의 진동신호를, 주파수도메인의 수평방향, 수직방향 및 깊이방향을 기준으로 대각선방향의 진동신호로 변환하는 제4 전처리부를 포함하는,
    기계의 결함 검출 장치.
  6. 제 1 항에 있어서,
    상기 산출부는,
    상기 주파수도메인의 진동신호의 평균값(mean), 중간(median)값, 최소(min)값, 최대(max)값, 첨도(kurtosis)값, 왜도(skewness)값, 표준편차(standard deviation)값과, 양진폭(peak-to-peak)값 중 하나 이상을 포함하는 통계적 특성값을 산출하도록 구성된,
    기계의 결함 검출 장치.
  7. 제 5 항에 있어서,
    상기 산출부는,
    상기 주파수도메인의 수평방향 진동신호에 대하여 통계적 특성값을 산출하는 제1 산출부;
    상기 주파수도메인의 수직방향 진동신호에 대하여 통계적 특성값을 산출하는 제2 산출부;
    상기 주파수도메인의 깊이방향 진동신호에 대하여 통계적 특성값을 산출하는 제3 산출부; 및
    상기 주파수도메인의 수평방향, 수직방향 및 깊이방향을 기준으로 대각선방향의 진동신호에 대하여 통계적 특성값을 산출하는 제4 산출부를 포함하는,
    기계의 결함 검출 장치.
  8. 삭제
  9. 기계의 결함을 검출하는 방법으로서,
    기계에 구비된 진동센서에 의해 감지된 상기 기계에서 발생하는 진동신호를 수신하는 단계;
    시간도메인의 상기 진동신호를 주파수도메인의 진동신호로 변환하는 단계;
    상기 주파수도메인의 진동신호에 대하여 통계적 특성값을 산출하는 단계; 및
    진동센서로부터 도출되는 진동신호의 통계적 특성값을 이용하여 상기 기계의 결함여부를 판단하도록 미리 훈련된 심층신경망 모델을 이용하여 상기 기계의 결함 여부를 검출하는 단계를 포함하고,
    상기 심층신경망 모델은,
    상기 기계에서 발생하는 진동신호의 통계적 특성값 및 상기 기계의 상태를 포함하는 훈련데이터를 이용하여 미리 훈련된 신경망 모델이며,
    상기 진동신호를 수신하는 단계는,
    제1 진동센서에 의해 상기 기계에서 발생하는 수평방향의 진동신호를 수신하는 단계;
    제2 진동센서에 의해 상기 기계에서 발생하는 수직방향의 진동신호를 수신하는 단계;
    제3 진동센서에 의해 상기 기계에서 발생하는 깊이방향의 진동신호를 수신하는 단계; 및
    제4 진동센서에 의해 상기 기계에서 발생하는 수평방향, 수직방향 및 깊이방향을 기준으로 대각선방향의 진동신호를 수신하는 단계를 포함하고,
    상기 심층신경망 모델은,
    주파수도메인의 수평방향, 수직방향, 깊이방향 및 대각선방향의 진동신호에 대한 통계적 특성값 중 최대값 및 첨도값을 기초로 상기 기계의 고장 여부를 판단하도록 구성되는,
    기계의 결함 검출 방법.
  10. 삭제
  11. 제 9 항에 있어서,
    상기 수신하는 단계와 상기 변환하는 단계 사이에,
    상기 제1 내지 제3 진동센서들로부터 수집되는 제1 내지 제3 진동신호들의 조합을 상기 제4 진동센서로부터 수집되는 제4 진동신호와 비교하여 상기 제1 내지 제4 진동신호의 이상여부를 평가하는 단계; 및
    상기 평가하는 단계의 결과에 기초하여 상기 제1 내지 제4 진동신호가 정상인 경우의 진동신호만 수집하는 단계를 더 포함하는,
    기계의 결함 검출 방법.
  12. 제 9 항에 있어서,
    상기 주파수도메인의 진동신호로 변환하는 단계는,
    상기 시간도메인의 진동신호를 고속 푸리에 변환(FFT: fast fourier transform)하는 단계를 포함하는,
    기계의 결함 검출 방법.
  13. 제 9 항에 있어서,
    상기 주파수도메인의 진동신호로 변환하는 단계는,
    상기 기계에 구비된 제1 진동센서로부터 출력되는 시간도메인의 수평방향 진동신호를 주파수도메인의 수평방향 진동신호로 변환하는 단계;
    상기 기계에 구비된 제2 진동센서로부터 출력되는 상기 시간도메인의 수직방향 진동신호를 주파수도메인의 수직방향 진동신호로 변환하는 단계;
    상기 기계에 구비된 제3 진동센서로부터 출력되는 깊이방향 진동신호를 주파수도메인의 깊이방향 진동신호로 변환하는 단계; 및
    상기 기계에 구비된 제4 진동센서로부터 출력되는 상기 시간도메인의 수평방향, 수직방향 및 깊이방향을 기준으로 대각선방향의 진동신호를, 주파수도메인의 수평방향, 수직방향 및 깊이방향을 기준으로 대각선방향의 진동신호로 변환하는 단계를 포함하는,
    기계의 결함 검출 방법.
  14. 제 9 항에 있어서,
    상기 통계적 특성값을 산출하는 단계는,
    상기 주파수도메인의 진동신호의 평균값(mean), 중간(median)값, 최소(min)값, 최대(max)값, 첨도(kurtosis)값, 왜도(skewness)값, 표준편차(standard deviation)값과, 양진폭(peak-to-peak)값 중 하나 이상을 포함하는 통계적 특성값을 산출하는 단계를 포함하는,
    기계의 결함 검출 방법.
  15. 제 13 항에 있어서,
    상기 통계적 특성값을 산출하는 단계는,
    상기 주파수도메인의 수평방향 진동신호에 대하여 통계적 특성값을 산출하는 단계;
    상기 주파수도메인의 수직방향 진동신호에 대하여 통계적 특성값을 산출하는 단계;
    상기 주파수도메인의 깊이방향 진동신호에 대하여 통계적 특성값을 산출하는 단계; 및
    상기 주파수도메인의 수평방향, 수직방향 및 깊이방향을 기준으로 대각선방향의 진동신호에 대하여 통계적 특성값을 산출하는 단계를 포함하는,
    기계의 결함 검출 방법.
  16. 삭제
  17. 컴퓨터를 이용하여 제 9 항, 제 11 항 내지 제 15 항의 방법 중 어느 한 항의 방법을 실행시키기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체.
KR1020200120697A 2020-09-18 2020-09-18 기계의 결함 검출 장치 및 방법 KR102321602B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200120697A KR102321602B1 (ko) 2020-09-18 2020-09-18 기계의 결함 검출 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200120697A KR102321602B1 (ko) 2020-09-18 2020-09-18 기계의 결함 검출 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102321602B1 true KR102321602B1 (ko) 2021-11-04

Family

ID=78521454

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200120697A KR102321602B1 (ko) 2020-09-18 2020-09-18 기계의 결함 검출 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102321602B1 (ko)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0145146B1 (ko) * 1994-12-01 1998-08-17 장문현 신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법
KR20090126484A (ko) * 2008-06-04 2009-12-09 주식회사 사이로직 진동신호를 이용한 엔진 조립불량 검출방법 및진동측정장치
KR101645135B1 (ko) * 2015-05-20 2016-08-03 단국대학교 산학협력단 마이크로폰 어레이와 좌표변환 기법을 이용하는 음원 추적 방법 및 시스템
KR20170038348A (ko) * 2015-09-30 2017-04-07 한국전력공사 동적 설비의 결함 진단 시스템 및 결함 진단 방법
KR101797402B1 (ko) * 2016-12-07 2017-11-15 울산대학교 산학협력단 기계 결함 진단 방법 및 장치
KR102069377B1 (ko) * 2019-07-05 2020-01-22 주식회사 에이티지 원자력 발전설비의 기계학습식 복합결함 예측진단장치
KR102120753B1 (ko) * 2017-06-23 2020-06-09 퓨처메인 주식회사 진동 특성 분석을 이용한 공구 수명 예측 방법
KR102138279B1 (ko) * 2019-11-28 2020-07-28 (주)위세아이텍 딥러닝 기반의 시계열 분석을 이용한 회전설비 진동 상태 감시 장치 및 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0145146B1 (ko) * 1994-12-01 1998-08-17 장문현 신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법
KR20090126484A (ko) * 2008-06-04 2009-12-09 주식회사 사이로직 진동신호를 이용한 엔진 조립불량 검출방법 및진동측정장치
KR101645135B1 (ko) * 2015-05-20 2016-08-03 단국대학교 산학협력단 마이크로폰 어레이와 좌표변환 기법을 이용하는 음원 추적 방법 및 시스템
KR20170038348A (ko) * 2015-09-30 2017-04-07 한국전력공사 동적 설비의 결함 진단 시스템 및 결함 진단 방법
KR101797402B1 (ko) * 2016-12-07 2017-11-15 울산대학교 산학협력단 기계 결함 진단 방법 및 장치
KR102120753B1 (ko) * 2017-06-23 2020-06-09 퓨처메인 주식회사 진동 특성 분석을 이용한 공구 수명 예측 방법
KR102069377B1 (ko) * 2019-07-05 2020-01-22 주식회사 에이티지 원자력 발전설비의 기계학습식 복합결함 예측진단장치
KR102138279B1 (ko) * 2019-11-28 2020-07-28 (주)위세아이텍 딥러닝 기반의 시계열 분석을 이용한 회전설비 진동 상태 감시 장치 및 방법

Similar Documents

Publication Publication Date Title
Gao et al. Rolling bearing fault diagnosis based on SSA optimized self-adaptive DBN
KR102321607B1 (ko) 기계의 결함 검출 장치 및 방법
Safizadeh et al. Using multi-sensor data fusion for vibration fault diagnosis of rolling element bearings by accelerometer and load cell
US10725439B2 (en) Apparatus and method for monitoring a device having a movable part
Shi et al. Rolling bearing initial fault detection using long short-term memory recurrent network
Zhang et al. Dynamic condition monitoring for 3D printers by using error fusion of multiple sparse auto-encoders
CN110823576B (zh) 基于生成对抗网络的机械异常检测方法
Hu et al. Dynamic degradation observer for bearing fault by MTS–SOM system
Zhang et al. Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism
CN112534370A (zh) 用于预测工业机器故障的系统和方法
KR102306244B1 (ko) 디바이스의 결함 검출 모델 생성 방법 및 장치
CN110060368A (zh) 基于潜在特征编码的机械异常检测方法
KR102369415B1 (ko) 딥 러닝 기반의 고장 진단 방법 및 이러한 방법을 수행하는 고장 진단 장치
KR102206737B1 (ko) 기계학습 기반 펌프수차 고장 진단 방법 및 시스템
Van den Hoogen et al. An improved wide-kernel CNN for classifying multivariate signals in fault diagnosis
KR102327420B1 (ko) 훈련 데이터를 생성하고 검증하는 장치 및 방법
CN114462820A (zh) 一种轴承状态监测与健康管理系统性能测试及优化方法和系统
Del Buono et al. Data-driven predictive maintenance in evolving environments: A comparison between machine learning and deep learning for novelty detection
Du et al. A SOM based Anomaly detection method for wind turbines health management through SCADA data
Al Tobi et al. Experimental set-up for investigation of fault diagnosis of a centrifugal pump
Wu et al. Condition-based monitoring and novel fault detection based on incremental learning applied to rotary systems
KR102321602B1 (ko) 기계의 결함 검출 장치 및 방법
Techane et al. Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction
KR102378729B1 (ko) 최적의 훈련 방식 판단 방법 및 장치
KR20230100999A (ko) 회전 기계 설비의 탁월 주파수 결정 방법, 및 이를 수행하는 컴퓨팅 시스템

Legal Events

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