KR102335013B1 - 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치 및 방법 - Google Patents

Abstract

딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치 및 방법이 개시되며, 본원의 일 실시예에 따른 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치는, 회전설비에 대한 진동 데이터를 수집하는 데이터 수신부, 상기 수집된 진동 데이터에 기초하여 진동 데이터의 노이즈를 제거하는 딥러닝 기반의 잡음제거 모델을 학습시키는 제1학습부, 분석 대상 설비로부터 대상 진동 데이터를 수신하고, 상기 학습된 잡음제거 모델에 기초하여 상기 대상 진동 데이터의 노이즈를 제거하는 노이즈 제거부, 상기 노이즈가 제거된 대상 진동 데이터에 대한 전처리를 수행하는 데이터 전처리부 및 미리 학습된 결함 탐지 모델을 활용하여 상기 전처리가 수행된 대상 진동 데이터에 기초한 결함 여부를 판단하는 결함 탐지부를 포함할 수 있다.

Description

딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치 및 방법{APPARATUS AND METHOD FOR FAILURE MODE CLASSIFICATION OF ROTATING EQUIPMENT BASED ON DEEP LEARNING DENOISING MODEL}

본원은 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치 및 방법에 관한 것이다. 예를 들면, 본원은 진동신호 잡음제거 오토인코더(Autoencoder) 모델을 기반으로 회전설비의 진동신호를 분석하여 회전설비의 현 상황을 보다 정확하게 파악할 수 있도록 하는 회전설비 결함모드 분류 기법에 관한 것이다.

최근 loT(Internet On Thing) 기술의 발달과 스마트 팩토리에 대한 관심 증가로 센서 데이터, 환경 데이터, 유지 보수 기록 등 데이터의 저장과 공유가 가능해지면서 해당 데이터를 활용한 인공 지능 기반의 유지 보전에 대한 연구가 다각도로 진행되고 있다. 특히, 진동 신호는 설비 상태에 대한 다양한 정보를 내포하고 있으나, 진동 신호에 대한 분석 시에는 주변 환경에서 발생하는 신호의 간섭으로 인해 예측 결과가 왜곡될 가능성이 상존한다. 이러한 원하지 않는 에너지 성분을 노이즈 혹은 잡음이라 하며, 예측의 신뢰성을 높이기 위해 진동 신호의 분석에 선행하는 전처리 단계에서 잡음을 적절하게 제거하는 과정이 동반되어야 한다.

한편, 회전 설비의 진동 신호는 주변 환경에 의해 간섭을 받기 때문에 실험실 환경에서 수집된 진동 신호는 실제 산업 현장의 상황과 차이가 크며, 이를 처리하는 과정 없이 신호를 분석하여 이상 탐지 및 결함 분류를 수행하는 경우 예측 성능을 보장할 수 없을 뿐만 아니라 결과 해석에 왜곡이 발생할 수 있다. 때문에 진동 신호의 전처리 단계에서의 잡음 제거 프로세스의 정확도는 매우 중요한 요소이다.

한편, 합성곱 신경망(Convolution Neural Network, CNN)은 인간의 시신경을 모방하여 구현된 딥러닝 구조의 하나로 주로 이미지 분류를 위해 개발되었으며, 특징(Feature) 학습 프로세스에서 통상적으로 이미지의 픽셀과 색상 채널을 나타내는 2차원 데이터를 입력으로 한다. 또한, 2차원의 이미지에서와 동일한 프로세스를 1차원 데이터 시퀀스에 적용한 것을 1-D CNN(1-Dimension CNN)이라 하며, 이러한 1-D CNN 모델은 시계열 데이터와 같은 시퀀스 데이터에서 특징을 추출하는데 활용된다.

또한, 오토인코더(Autoencoder)는 딥러닝 비지도 학습(Un-Supervised Learning) 모델의 하나의 유형으로서 인코더(Encoder)와 디코더(Decoder)로 이루어지는 구조를 갖는다. 인코더는 원본 데이터의 특징을 잘 표현할 수 있는 값을 변환하는 작업을 수행하며, 디코더는 인코더를 통해 변환된 값을 다시 원본 데이터에 가깝게 복원함으로써 학습을 수행한다.

또한, STL 분해(Seasonal and Trend Decomposition Using Loess, STL Decomposition)는 관측된(Observed) 시계열 데이터를 계절성(Seasonality)과 추세(Trend), 잔차(Residual) 성분으로 분해하는 기법으로 시계열 데이터 분석 시 예측 정확도를 높이는데 주로 사용된다.

특히, 회전설비 진동신호에 대한 모니터링의 목적은 회전설비의 이상 징후를 미리 예측하여 조기에 유지 보수함으로써 운영 효율성을 극대화하고 회전설비 중단으로 인한 경제적 손실과 인명 피해를 줄이는 것이다. 그러나, 회전설비의 주변 환경에서 발생하는 다른 진동신호의 간섭이 일어나는 경우 진동신호에 대한 분석 결과에 왜곡이 발생할 수 있다. 따라서 회전설비의 진동신호에 대한 분석 결과의 신뢰성을 높이기 위해서는 분석 이전단계에서 잡음을 제거하는 과정이 정밀하게 수행될 것이 요구된다.

본원의 배경이 되는 기술은 한국등록특허공보 제10-2027389호에 개시되어 있다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 진동신호를 이용한 회전설비의 상태 분석에 앞서, 진동신호의 잡음을 제거하고 잡음이 제거된 진동신호를 통해 설비에 대한 진단을 수행하여 결함모드를 예측하는 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치 및 방법을 제공하려는 것을 목적으로 한다.

다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치는, 회전설비에 대한 진동 데이터를 수집하는 데이터 수신부, 상기 수집된 진동 데이터에 기초하여 진동 데이터의 노이즈를 제거하는 딥러닝 기반의 잡음제거 모델을 학습시키는 제1학습부, 분석 대상 설비로부터 대상 진동 데이터를 수신하고, 상기 학습된 잡음제거 모델에 기초하여 상기 대상 진동 데이터의 노이즈를 제거하는 노이즈 제거부, 상기 노이즈가 제거된 대상 진동 데이터에 대한 전처리를 수행하는 데이터 전처리부 및 미리 학습된 결함 탐지 모델을 활용하여 상기 전처리가 수행된 대상 진동 데이터에 기초한 결함 여부를 판단하는 결함 탐지부를 포함할 수 있다.

또한, 상기 진동 데이터는 시간의 흐름에 따라 변화하는 시계열 데이터일 수 있다.

또한, 상기 제1학습부는, 입력된 상기 시계열 데이터의 노이즈를 제거하도록 학습되는 컨볼루션 신경망(Convolutional Neural Network, CNN) 기반의 상기 잡음제거 모델을 학습시킬 수 있다.

또한, 상기 잡음제거 모델은, 인코더(Encoder) 및 디코더(Decoder)를 포함하는 구조의 1D CNN 오토인코더(1D CNN Autoencoder) 모델일 수 있다.

또한, 상기 제1학습부는, 상기 수집된 진동 데이터에 대하여 가우시안 노이즈를 추가한 가공 데이터를 포함하는 학습용 데이터에 기초하여 상기 잡음제거 모델을 학습시킬 수 있다.

또한, 상기 제1학습부는, 상기 분석 대상 설비의 운용 사이클 정보에 기초하여 상기 잡음제거 모델의 학습 주기를 결정할 수 있다.

또한, 상기 데이터 전처리부는, 상기 노이즈가 제거된 대상 진동 데이터를 주파수 영역으로 변환할 수 있다.

또한, 본원의 일 실시예에 따른 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치는, 상기 수집된 진동 데이터에 기초하여 상기 결함 탐지 모델을 학습시키는 제2학습부를 포함할 수 있다.

또한, 상기 결함 탐지 모델은, 상기 대상 진동 데이터의 결함의 유형을 분류하도록 앙상블 기법에 기초하여 학습된 인공지능 모델일 수 있다.

또한, 상기 제1학습부는, 상기 시계열 데이터를 계절성(Seasonality) 데이터, 추세(Trend) 데이터 및 잔차(Residual) 데이터로 분해하는 STL 분해 알고리즘을 포함할 수 있다.

한편, 본원의 일 실시예에 따른 딥러닝 기반의 진동신호 잡음제거를 이용한 회전 설비 결함 탐지 방법은, 회전설비에 대한 진동 데이터를 수집하는 단계, 상기 수집된 진동 데이터에 기초하여 진동 데이터의 노이즈를 제거하는 딥러닝 기반의 잡음제거 모델을 학습시키는 단계, 분석 대상 설비로부터 대상 진동 데이터를 수신하는 단계, 상기 학습된 잡음제거 모델에 기초하여 상기 대상 진동 데이터의 노이즈를 제거하는 단계, 상기 노이즈가 제거된 대상 진동 데이터에 대한 전처리를 수행하는 단계 및 미리 학습된 결함 탐지 모델을 활용하여 상기 전처리가 수행된 대상 진동 데이터에 기초한 결함 여부를 판단하는 단계를 포함할 수 있다.

또한, 상기 학습시키는 단계는, 입력된 상기 시계열 데이터의 노이즈를 제거하도록 학습되는 컨볼루션 신경망(Convolutional Neural Network, CNN) 기반의 상기 잡음제거 모델을 학습시킬 수 있다.

또한, 상기 학습시키는 단계는, 상기 수집된 진동 데이터에 대하여 가우시안 노이즈를 추가한 가공 데이터를 포함하는 학습용 데이터에 기초하여 상기 잡음제거 모델을 학습시킬 수 있다.

또한, 본원의 일 실시예에 따른 딥러닝 기반의 진동신호 잡음제거를 이용한 회전 설비 결함 탐지 방법은, 상기 수집된 진동 데이터에 기초하여 상기 결함 탐지 모델을 학습시키는 단계를 포함할 수 있다.

또한, 상기 학습시키는 단계는, STL 분해 알고리즘에 기초하여 상기 시계열 데이터를 계절성(Seasonality) 데이터, 추세(Trend) 데이터 및 잔차(Residual) 데이터로 분해하는 단계를 포함할 수 있다.

상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 진동신호를 이용한 회전설비의 상태 분석에 앞서, 진동신호의 잡음을 제거하고 잡음이 제거된 진동신호를 통해 설비에 대한 진단을 수행하여 결함모드를 예측하는 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치 및 방법을 제공할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 수집된 혼합 진동신호에 1-D CNN Autoencoder 모델을 적용하여 분석 대상 설비의 진동신호만을 선별 추출하고, 잡음이 제거된 진동신호로부터 주파수 영역의 변환 및 특징을 추출해 결함모드를 예측함으로써, 분석의 정확성을 높이고 보다 효율적인 설비의 운영을 도모할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 데이터에서 특징을 자동으로 추출하는 합성곱 신경망(CNN)의 이점을 이용하여 비 전문가도 손쉽게 잡음제거모델을 생성하고 활용할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 딥러닝 오토인코더 기반의 잡음 제거 모델을 통해 주변 환경의 간섭을 배제하면서 유지 보전 대상의 진동 신호만을 분석에 사용할 수 있어 인공 지능의 예측 정확도를 향상시킬 수 있을 뿐만 아니라 예측 결과에 대한 신뢰성을 제고 할 수 있다.

다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.

도 1은 본원의 일 실시예에 따른 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치의 개략적인 구성도이다.
도 2a 및 도 2b는 본원의 일 실시예에 따른 딥러닝 모델의 구조를 설명하기 위한 개념도이다.
도 3은 원본 진동신호, 노이즈가 혼합된 진동신호 및 노이즈를 제거한 진동신호의 잔차 평균을 예시적으로 시각화하여 나타낸 도면이다.
도 4는 시간 영역 데이터의 주파수 영역 변환 결과를 예시적으로 시각화하여 나타낸 도면이다.
도 5a 및 도 5b는 본원의 일 실시예에 따른 결함 분류 결과를 나타낸 도면이다.
도 6은 본원의 일 실시예에 따른 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 방법에 대한 동작 흐름도이다.

아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.

본원은 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치 및 방법에 관한 것이다. 예를 들면, 본원은 진동신호 잡음제거 오토인코더(Autoencoder) 모델을 기반으로 회전설비의 진동신호를 분석하여 회전설비의 현 상황을 보다 정확하게 파악할 수 있도록 하는 회전설비 결함모드 분류 기법에 관한 것이다.

도 1은 본원의 일 실시예에 따른 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치의 개략적인 구성도이다.

도 1을 참조하면, 본원의 일 실시예에 따른 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치(100)(이하, '결함 탐지 장치(100)'라 한다.)는, 데이터 수신부(110), 제1학습부(120), 노이즈 제거부(130), 데이터 전처리부(140), 제2학습부(150), 결함 탐지부(160) 및 시각화부(170)를 포함할 수 있다.

또한, 이상 탐지 장치(100), 회전설비(미도시) 및 사용자 단말(미도시) 상호간은 네트워크(미도시)를 통해 통신할 수 있다. 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), wifi 네트워크, 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.

사용자 단말(미도시)은 예를 들면, 스마트폰(Smartphone), 스마트패드(SmartPad), 태블릿 PC등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치일 수 있다.

데이터 수신부(110)는 회전설비에 대한 진동 데이터를 학습용 데이터로서 수집할 수 있다. 구체적으로, 데이터 수신부(110)는 회전설비에 대하여 설치된 진동 센서로부터 해당 회전설비의 진동 데이터를 수신할 수 있다. 본원의 일 실시예에 따르면, 회전설비에 대하여 설치되는 진동 센서는 회전설비의 진동 변위 정보, 가속도 정보 등을 포함하는 진동 데이터를 측정하는 센서일 수 있다. 또한, 본원의 구현예에 따라 진동 센서는 압전 가속도 방식, 외팔보 진동 방식, 광 섬유 방식 등 다양한 타입의 센서로 마련될 수 있다.

또한, 본원의 일 실시예에 따르면, 학습용 데이터는, 시간의 흐름에 따른 진동 데이터의 변화를 나타내는 시계열 데이터일 수 있다. 또한, 진동 데이터는 시계열 데이터의 파형의 형상, 진폭 및 위상 중 적어도 하나를 포함할 수 있다.

제1학습부(120)는 수집된 진동 데이터에 기초하여 진동 데이터의 노이즈를 제거하는 딥러닝 기반의 잡음제거 모델을 학습시킬 수 있다. 달리 말해, 제1학습부(120)는 수집된 진동 신호(진동 데이터)에서 특성을 추출하여 잡음을 제거하도록 동작하는 모델의 학습을 수행할 수 있다.

구체적으로, 제1학습부(120)는 입력된 시계열 데이터의 노이즈를 제거하도록 학습되는 컨볼루션 신경망(Convolutional Neural Network, CNN) 기반의 잡음제거 모델을 학습시킬 수 있다.

또한, 본원의 일 실시예에 따르면, 제1학습부(120)에 의해 구축되는 딥러닝 기반의 잡음제거 모델은 인코더(Encoder) 및 디코더(Decoder)를 포함하는 구조의 1D CNN 오토인코더(1D CNN Autoencoder) 모델일 수 있다.

오토인코더(Autoencoder)는 인코더(Encoder)와 디코더(Decoder)를 포함하는 구조로 이루어지는 비지도 학습 알고리즘으로서, 인코더는 인풋으로 입력된 원본 데이터를 축약하여 주요 특징을 벡터화하여 출력하도록 동작하며 디코더는 이러한 인코더의 출력값을 인풋으로 하여 원본 데이터를 재구축하도록 동작한다.

전통적인 잡음 제거를 위한 오토인코더(DAE: Denoiseing Autoencoder)는 원본 신호에 임의로 생성된 잡음을 추가하고 잡음이 섞인 신호를 입력 값으로, 원본 신호를 출력값으로 하여 모델을 통해 재구축되는 신호와 원 신호의 오차가 최소화되는 방향으로 학습을 수행하며, 이러한 종래의 오코인코더는 완전 연결 층(Fully Connected Layer)으로 이루어지는 구조를 가졌다. 그러나 완전 연결 층으로 구성된 오토인코더는 회전설비로부터 획득되는 진동 데이터의 시계열적인 특징을 온전히 반영하지 못하는 한계가 존재하였다.

도 2a 및 도 2b는 본원의 일 실시예에 따른 딥러닝 모델의 구조를 설명하기 위한 개념도이다.

도 2a 및 도 2b를 참조하면, 본원에서 개시하는 딥러닝 기반의 잡음제거 모델은 1-D CAE(1-Dimension CNN Autoencoder)로서 종래의 잡음 제거를 위한 오토인코더 모델에 사용된 완전 연결 층 대신 1-D CNN으로 레이어를 적층한 것으로 1-D CNN가 시퀀스에 반영된 특징을 자동으로 파악하는 특성을 이용한 모델로 이해될 수 있다.

또한, 본원의 일 실시예에 따르면, 제1학습부(120)는 수집된 진동 데이터에 대하여 가우시안 노이즈를 추가한 가공 데이터를 포함하는 학습용 데이터에 기초하여 잡음제거 모델을 학습시킬 수 있다. 보다 구체적으로, 제1학습부(120)는 수집된 진동 데이터가 노이즈를 포함하지 않는 정상적인 데이터인 경우에도 SNR(Signal to Noise Ratio) 값을 기초로 생성되는 가우시안 노이즈(잡음)를 수집된 진동 데이터에 부가하여 모델의 학습에 활용할 수 있다.

도 3은 원본 진동신호, 노이즈가 혼합된 진동신호 및 노이즈를 제거한 진동신호의 잔차 평균을 예시적으로 시각화하여 나타낸 도면이다.

구체적으로, 도 3의 raw 그래프는 원본 진동 신호이고, corrupted 그래프는 노이즈가 혼합된 진동 신호이고, reconstructed 그래프는 노이즈를 제거한 진동 신호를 각각 나타낸 것일 수 있다. 또한, 도 3을 참조하면, 제1학습부(120)에 의해 구축되는 잡음제거 모델에 의할 때, 노이즈를 제거한 신호의 잔차 평균이 노이즈가 혼합된 진동 신호의 잔차 평균보다 원본 진동 신호에 가까운 것을 확인할 수 있다.

또한, 본원의 일 실시예에 따르면, 제1학습부(120)는 회전설비의 운영환경에 따라 소정의 주기로 반복하여 딥러닝 기반의 잡음제거 모델을 업데이트 하도록 동작할 수 있다. 예를 들어, 제1학습부(120)는 분석 대상 설비의 설비 위치 변경 등의 외부 요인으로 인하여 분석 대상 설비의 운용 사이클에 변화가 발생하면, 기 학습된 1D CNN 오토인코더(1D CNN Autoencoder) 모델에 대한 재학습(갱신)을 수행하는 주기가 짧아지도록 할 수 있다.

또한, 본원의 일 실시예에 따르면, 제1학습부(120)는 시계열 데이터를 계절성(Seasonality) 데이터, 추세(Trend) 데이터 및 잔차(Residual) 데이터로 분해하는 STL 분해 알고리즘을 포함할 수 있다. 이와 관련하여 STL 분해(Seasonal and Trend Decomposition Using Loess, STL Decomposition)는 관측된(Observed) 시계열 데이터를 계절성(Seasonality)과 추세(Trend), 잔차(Residual) 성분으로 분해하는 기법으로 시계열 데이터 분석 시 예측 정확도를 높이는데 주로 사용될 수 있으며, 제1학습부(120)는 수집된 시계열 데이터를 STL 분해 알고리즘을 통해, 계절성 데이터, 추세 데이터 및 잔차 데이터로 분해하고, 분해된 각각의 데이터를 기초로 하여 잡음제거 모델을 학습시키도록 동작할 수 있다.

노이즈 제거부(130)는 분석 대상 설비로부터 대상 진동 데이터를 수신하고 제1학습부(120)에 의해 학습된 잡음제거 모델에 기초하여 수신된 대상 진동 데이터의 노이즈를 제거할 수 있다.

또한, 노이즈 제거부(130)는 제1학습부(120)에서 학습된 잡음제거 모델을 이용하여 데이터 수신부(110)에 의해 수집된 진동 신호(진동 데이터)의 잡음을 제거하는 역할을 수행할 수 있고, 노이즈 제거부(130)에 의해 처리된 데이터는 후술하는 데이터 전처리부(140)로 인가될 수 있다.

데이터 전처리부(140)는 수신된 대상 진동 데이터에 대한 전처리를 수행할 수 있다. 구체적으로, 데이터 전처리부(140)는 수집된 시계열 데이터의 시간파형 데이터로부터 고속 푸리에 변환(Fast Fourier Transform, FFT)을 통한 주파수 영역으로의 변환과 1X 성분, 2X 성분 등의 주파수 영역 특징 추출을 수행하며, 구체적인 주파수 영역의 특징은 하기에서 상세히 설명하도록 한다. 달리 말해, 데이터 전처리부(140)는 노이즈 제거부(130)에 의해 노이즈가 제거된 대상 진동 데이터를 주파수 영역으로 변환할 수 있다.

이와 관련하여, 도 4는 시간 영역 데이터의 주파수 영역 변환 결과를 예시적으로 시각화하여 나타낸 도면이다.

또한, 데이터 전처리부(140)는 대상 진동 데이터의 수신 시점 오류, 형식 오류 및 노이즈를 제거하는 전처리를 수행할 수 있다.

또한, 본원의 일 실시예에 따르면, 데이터 전처리부(140)는 시계열 데이터인 대상 진동 데이터를 소정의 시간간격으로 분할하고, 분할된 시간간격 내의 시계열 데이터의 대표값을 추출하는 전처리를 수행할 수 있다. 예를 들어, 대표값은 시계열 데이터의 중앙값을 의미하는 것일 수 있으나, 이에만 한정되는 것은 아니다.

또한, 본원의 일 실시예에 따르면, 데이터 전처리부(140)는, 주파수 변환 등을 통해 대상 진동 데이터로부터 소정의 특질 변수를 추출할 수 있다. 본원의 일 실시예에 따르면, 특질 변수는 회전설비에 대한 시간에 따른 진동 변위 또는 가속도 변화를 나타내는 파형으로부터 추출되는 파형의 형상(Shape), 크기(진폭, Amplitude), 위상(Phase) 등을 포함할 수 있다. 달리 말해, 데이터 전처리부(140)는 대상 진동 데이터로부터 형상, 크기 및 위상 중 적어도 하나에 대한 특질 변수를 추출할 수 있다.

이와 관련하여, 본원의 일 실시예에 따르면, 데이터 전처리부(140)는 대상 진동 데이터에 대한 RMS 분석, 파고율(CF) 분석, 분산(Var) 분석, 임펄스 계수(IF) 분석, 편포도(Skewness) 분석, 여유도 계수(MF) 분석, 첨도(Kurtosis) 분석 및 PTP 분석 중 적어도 하나에 기초하여 대상 진동 데이터로부터 하나 이상의 특질 변수를 추출할 수 있다. 전술한 설명에서 대상 진동 데이터로부터 도출되는 특질 변수는 후술하는 결함 탐지 모델이 학습하는 시계열 데이터의 변화 특성에 대응하는 것일 수 있다. 본원의 구현예에 따라 결함 탐지 모델은 수집된 진동 데이터로부터 도출되는 전술한 특질 변수 중 적어도 일부의 유형의 특질 변수에 대응되는 데이터를 분석하도록 학습될 수 있다.

전술한 특질 변수 각각의 특성과 관련하여, RMS 값은 결함이 발생함에 따라 점진적으로 증가하는 특성을 보이며, Variance 값은 신호가 평균으로부터 떨어져 있는 정도를 측정한다. 또한, Skewness 값은 분포가 대칭을 벗어나 한쪽으로 치우친 정도를 나타내며, Kurtosis는 확률밀도함수의 첨도(뾰족한 정도)를 나타내고, SF(Shape factor)는 장비의 형상에 따라 변화하며, CF(Crest factor)는 파형의 날카로운 정도를 나타내고, IF(Impulse factor)는 충격파형의 신호를 측정하고, MF(Margin factor)는 회전요소와 트랙 사이의 충격파 신호를 측정하고, PTP는 진동 및 소음의 심한 정도를 나타내는 진폭을 의미할 수 있다.

제2학습부(150)는 수집된 진동 데이터에 기초하여 결함 탐지 모델을 학습시킬 수 있다. 제1학습부(120)에 의해 구축되는 잡음제거 모델과 구분하여, 본원에서의 결함 탐지 모델은 모니터링 대상인 분석 대상 설비로부터 수신된 대상 진동 데이터에 대한 분석을 통해 분석 대상 설비와 연계된 이상 발생 유무를 판단하기 위하여 학습되는 인공지능 모델을 의미할 수 있다.

이와 관련하여, 본원의 일 실시예에 따르면, 제2학습부(150)는 대상 진동 데이터의 결함의 유형을 분류하도록 앙상블 기법에 기초하여 학습되는 인공지능 모델인 결함 탐지 모델을 학습시킬 수 있다. 예시적으로, 제2학습부(150)는 Decision Tree, 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 등의 지도 학습 기반의 알고리즘일 수 있다.

참고로, 지도 학습(Supervised Learning)은 데이터에 대한 명시적인 정답 정보인 라벨(Label)이 주어진 상태에서 학습시키는 방법을 의미할 수 있다. 본원에서는 종래에 이미 공지되었거나 향후 개발되는 다양한 지도 학습 알고리즘 모델이 적용될 수 있다.

결함 탐지부(160)는 미리 학습된 결함 탐지 모델을 활용하여 데이터 전처리부(140)에 의해 전처리가 수행된 대상 진동 데이터에 기초한 결함 여부를 판단할 수 있다.

본원의 일 실시예에 따르면, 제2학습부(150)가 전술한 여러 유형의 특질 변수 중 적어도 일부를 기초로 결함 탐지 모델의 학습을 수행함으로써, 결함 탐지부(160)는 가공된 특질변수를 활용하는 인공 지능 기반의 결함 탐지 모델에 기초하여 분석 대상 설비의 결함 발생 유무 및 결함 발생 시의 결함의 유형 정보를 예측할 수 있다.

결함 탐지부(160)가 탐지하는 결함의 유형과 관련하여, 회전설비에 대한 결함은 정렬 불량(Misalignment), 불균형(Unbalance), 크랙(Crack), 마모(Abrasion) 등의 복수의 유형을 포함할 수 있으나, 이에만 한정되는 것은 아니다. 본원의 일 실시예에 따르면, 결함 탐지부(160)는 회전설비에서 발생할 수 있는 결함 유형을 구분할 수 있도록, 결함 유형 각각에 대한 임계값을 개별적으로 설정하여 복수의 값으로 단계적으로 설정되는 임계값을 설정할 수 있다. 또한, 실시예에 따라 결함 탐지부(160)는 결함 유형 별로 설정된 임계값에 기초하여 대상 진동 데이터에 결함이 존재하면, 해당 결함의 유형을 대상 진동 데이터의 특성에 따라 결정하고, 이에 따라, 시각화부(170)에 의해 결함 유형 각각에 대하여 시각적으로 구분될 수 있는 형태로 해당 대상 진동 데이터를 해당 결함 유형에 대하여 설정된 임계치를 반영하여 표출할 수 있다.

도 5a 및 도 5b는 본원의 일 실시예에 따른 결함 분류 결과를 나타낸 도면이다.

도 5a 및 도 5b를 참조하면, 결함 탐지부(160)는 수신된 대상 진동 데이터에 대한 결함 탐지 모델 기반의 분석을 통해 복수의 유형에 해당하는 결함(예를 들면, 도 5a 및 도 5b의 defect 10, defect 12, defect 18, defect 21 등) 각각에 대한 대상 진동 데이터의 확률적 분포를 도출할 수 있다.

시각화부(170)는 대상 진동 데이터와 연계된 이상이 탐지되면, 해당 대상 진동 데이터를 임계치를 반영하여 사용자 단말(미도시)을 통해 표출할 수 있다.

이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.

도 6은 본원의 일 실시예에 따른 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 방법에 대한 동작 흐름도이다.

도 6에 도시된 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 방법은 앞서 설명된 결함 탐지 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 결함 탐지 장치(100)에 대하여 설명된 내용은 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 방법에 대한 설명에도 동일하게 적용될 수 있다.

도 6을 참조하면, 단계 S61에서 데이터 수신부(110)는 회전설비에 대한 진동 데이터를 수집할 수 있다.

다음으로, 단계 S62에서 제1학습부(120)는 잡음제거 모델의 학습 필요 여부를 판단할 수 있다. 구체적으로, 단계 S62에서 제1학습부(120)는 기 학습된 잡음제거 모델의

다음으로, 단계 S63에서 제1학습부(120)는 수집된 진동 데이터에 기초하여 진동 데이터의 노이즈를 제거하는 딥러닝 기반의 잡음제거 모델을 학습시킬 수 있다. 구체적으로, 단계 S63에서 제1학습부(120)는 입력된 시계열 데이터의 노이즈를 제거하도록 학습되고, 인코더(Encoder) 및 디코더(Decoder)를 포함하는 구조의 1D CNN 오토인코더(1D CNN Autoencoder) 모델인 잡음제거 모델을 학습시킬 수 있다.

다음으로, 단계 S64에서 제1학습부(120)는 학습된 잡음제거 모델을 저장할 수 있다.

다음으로, 단계 S65에서 노이즈 제거부(130)는 분석 대상 설비로부터 대상 진동 데이터를 수신하고, 앞서 학습된 잡음제거 모델에 기초하여 수신된 대상 진동 데이터의 노이즈를 제거할 수 있다.

다음으로, 단계 S66에서 데이터 전처리부(140)는 노이즈가 제거된 대상 진동 데이터에 대한 전처리를 수행할 수 있다.

다음으로, 단계 S67에서 결함 탐지부(160)는 미리 학습된 결함 탐지 모델을 활용하여 전처리가 수행된 대상 진동 데이터에 기초한 결함 여부 및 결함 유형 중 적어도 하나를 판단할 수 있다.

상술한 설명에서, 단계 S61 내지 S67은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.

본원의 일 실시예에 따른 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 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(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 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 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

또한, 전술한 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.

전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.

100: 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치
110: 데이터 수신부
120: 제1학습부
130: 노이즈 제거부
140: 데이터 전처리부
150: 제2학습부
160: 결함 탐지부
170: 시각화부
20: 네트워크

Claims (15)

1. 딥러닝 기반의 진동신호 잡음제거를 이용한 회전설비 결함 탐지 장치에 있어서,
   회전설비에 대한 진동 데이터를 수집하는 데이터 수신부;
   상기 수집된 진동 데이터에 기초하여 진동 데이터의 노이즈를 제거하는 딥러닝 기반의 잡음제거 모델을 학습시키는 제1학습부;
   분석 대상 설비로부터 대상 진동 데이터를 수신하고, 상기 학습된 잡음제거 모델에 기초하여 상기 대상 진동 데이터의 노이즈를 제거하는 노이즈 제거부;
   상기 노이즈가 제거된 대상 진동 데이터에 대한 전처리를 수행하는 데이터 전처리부; 및
   미리 학습된 결함 탐지 모델을 활용하여 상기 전처리가 수행된 대상 진동 데이터에 기초한 결함 여부를 판단하는 결함 탐지부,
   를 포함하고,
   상기 진동 데이터는 시간의 흐름에 따라 변화하는 시계열 데이터이고,
   상기 제1학습부는,
   상기 시계열 데이터를 계절성(Seasonality) 데이터, 추세(Trend) 데이터 및 잔차(Residual) 데이터로 분해하고, 상기 분해된 데이터 각각에 대응하는 상기 잡음제거 모델을 개별 학습시키고,
   상기 회전설비의 운영 환경을 고려한 소정의 주기로 반복하여 상기 잡음제거 모델을 업데이트 하되, 상기 분석 대상 설비의 설비 위치 변경을 포함하는 외부 요인으로 인하여 상기 분석 대상 설비의 운용 사이클에 변화가 발생하면, 상기 업데이트를 위한 주기가 짧아지도록 하는 것을 특징으로 하는, 결함 탐지 장치.
2. 제1항에 있어서,
   상기 제1학습부는,
   입력된 상기 시계열 데이터의 노이즈를 제거하도록 학습되는 컨볼루션 신경망(Convolutional Neural Network, CNN) 기반의 상기 잡음제거 모델을 학습시키는 것인, 결함 탐지 장치.
3. 제2항에 있어서,
   상기 잡음제거 모델은,
   인코더(Encoder) 및 디코더(Decoder)를 포함하는 구조의 1D CNN 오토인코더(1D CNN Autoencoder) 모델인 것인, 결함 탐지 장치.
4. 제3항에 있어서,
   상기 제1학습부는,
   상기 수집된 진동 데이터에 대하여 가우시안 노이즈를 추가한 가공 데이터를 포함하는 학습용 데이터에 기초하여 상기 잡음제거 모델을 학습시키는 것인, 결함 탐지 장치.
5. 삭제
6. 제1항에 있어서,
   상기 데이터 전처리부는,
   상기 노이즈가 제거된 대상 진동 데이터를 주파수 영역으로 변환하는 것인, 결함 탐지 장치.
7. 제1항에 있어서,
   상기 수집된 진동 데이터에 기초하여 상기 결함 탐지 모델을 학습시키는 제2학습부,
   를 더 포함하고,
   상기 결함 탐지 모델은,
   상기 대상 진동 데이터의 결함의 유형을 분류하도록 앙상블 기법에 기초하여 학습된 인공지능 모델인 것인, 결함 탐지 장치.
8. 삭제
9. 딥러닝 기반의 진동신호 잡음제거를 이용한 회전 설비 결함 탐지 방법에 있어서,
   회전설비에 대한 진동 데이터를 수집하는 단계;
   상기 수집된 진동 데이터에 기초하여 진동 데이터의 노이즈를 제거하는 딥러닝 기반의 잡음제거 모델을 학습시키는 단계;
   분석 대상 설비로부터 대상 진동 데이터를 수신하는 단계;
   상기 학습된 잡음제거 모델에 기초하여 상기 대상 진동 데이터의 노이즈를 제거하는 단계;
   상기 노이즈가 제거된 대상 진동 데이터에 대한 전처리를 수행하는 단계; 및
   미리 학습된 결함 탐지 모델을 활용하여 상기 전처리가 수행된 대상 진동 데이터에 기초한 결함 여부를 판단하는 단계,
   를 포함하고,
   상기 진동 데이터는 시간의 흐름에 따라 변화하는 시계열 데이터이고,
   상기 잡음제거 모델을 학습시키는 단계는,
   상기 시계열 데이터를 계절성(Seasonality) 데이터, 추세(Trend) 데이터 및 잔차(Residual) 데이터로 분해하고, 상기 분해된 데이터 각각에 대응하는 상기 잡음제거 모델을 개별 학습시키고,
   상기 회전설비의 운영 환경을 고려한 소정의 주기로 반복하여 상기 잡음제거 모델을 업데이트 하되, 상기 분석 대상 설비의 설비 위치 변경을 포함하는 외부 요인으로 인하여 상기 분석 대상 설비의 운용 사이클에 변화가 발생하면, 상기 업데이트를 위한 주기가 짧아지도록 하는 것을 특징으로 하는, 결함 탐지 방법.
10. 제9항에 있어서,
    상기 학습시키는 단계는,
    입력된 상기 시계열 데이터의 노이즈를 제거하도록 학습되는 컨볼루션 신경망(Convolutional Neural Network, CNN) 기반의 상기 잡음제거 모델을 학습시키는 것인, 결함 탐지 방법.
11. 제10항에 있어서,
    상기 잡음제거 모델은,
    인코더(Encoder) 및 디코더(Decoder)를 포함하는 구조의 1D CNN 오토인코더(1D CNN Autoencoder) 모델인 것인, 결함 탐지 방법.
12. 제11항에 있어서,
    상기 학습시키는 단계는,
    상기 수집된 진동 데이터에 대하여 가우시안 노이즈를 추가한 가공 데이터를 포함하는 학습용 데이터에 기초하여 상기 잡음제거 모델을 학습시키는 것인, 결함 탐지 방법.
13. 제9항에 있어서,
    상기 수집된 진동 데이터에 기초하여 상기 결함 탐지 모델을 학습시키는 단계,
    를 더 포함하고,
    상기 결함 탐지 모델은,
    상기 대상 진동 데이터의 결함의 유형을 분류하도록 앙상블 기법에 기초하여 학습된 인공지능 모델인 것인, 결함 탐지 방법.
14. 삭제
15. 제9항 내지 제13항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터에서 판독 가능한 기록 매체.

Images