KR102360004B1 - 진동 신호 기반의 기계 상태 관리 시스템 - Google Patents

진동 신호 기반의 기계 상태 관리 시스템 Download PDF

Info

Publication number
KR102360004B1
KR102360004B1 KR1020190146510A KR20190146510A KR102360004B1 KR 102360004 B1 KR102360004 B1 KR 102360004B1 KR 1020190146510 A KR1020190146510 A KR 1020190146510A KR 20190146510 A KR20190146510 A KR 20190146510A KR 102360004 B1 KR102360004 B1 KR 102360004B1
Authority
KR
South Korea
Prior art keywords
machine
vibration
data
state
management system
Prior art date
Application number
KR1020190146510A
Other languages
English (en)
Other versions
KR20210059271A (ko
Inventor
김성민
송용권
이의진
김희영
Original Assignee
한국타이어앤테크놀로지 주식회사
주식회사 한국네트웍스
한국과학기술원
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 한국타이어앤테크놀로지 주식회사, 주식회사 한국네트웍스, 한국과학기술원 filed Critical 한국타이어앤테크놀로지 주식회사
Priority to KR1020190146510A priority Critical patent/KR102360004B1/ko
Publication of KR20210059271A publication Critical patent/KR20210059271A/ko
Application granted granted Critical
Publication of KR102360004B1 publication Critical patent/KR102360004B1/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
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0066—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by exciting or detecting vibration or acceleration
    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 진동 신호를 기반으로 한 기계의 상태 관리 시스템에 관한 것으로, 실시간으로 추출된 기계 운영 상태 데이터와 기계로부터 관측되는 진동 데이터를 활용하여 기계의 진동과 관련된 대표적인 기계의 운영 상태 군집 정보를 찾아낼 수 있으며, 이렇게 찾아진 각 기계 운영 상태 군집마다 관리도를 개별로 설정하여 기계 운영의 상태에 최적화하여 관리할 수 있으며, 특히 기계에서 발생하는 기계 운영 상태 정보를 활용하여 기계 운영 상태에 맞는 진동 신호 기반의 기계 상태 관리 시스템을 제공할 수 있다.

Description

진동 신호 기반의 기계 상태 관리 시스템 {MANAGEMENT SYSTEM OF MACHINE BASED ON A VIBRATION}
본 발명은 상태 관리 시스템에 관한 것으로, 보다 상세하게는 진동 신호를 기반으로 한 기계의 상태 관리 시스템에 관한 것이다.
관리도는 제조에서 제품의 품질 관리를 체계적으로 지원하는 도구로 제조의 공정 상태를 통계적으로 관리할 수 있게 한다. 생산 라인을 주기적으로 샘플링하여 제품의 불량 정도를 추정하고 이를 통해 공정이 안정 상태에 있는지를 판단한다. 공정의 변동을 우연 원인과 이상 원인에 의한 변동으로 통계적으로 구분하여, 이상이 발생하면 그 원인을 규명하고 공정에 적절한 조치를 하여 공정을 안정된 상태로 복원을 하는 것이 가능하다. 이러한 품질 관리기법은 기계설비 상태 모니터링에도 적용할 수 있다.
관리도는 고정 임계치 기반 이상 탐지의 원리와 유사하게 진동 신호로부터 추출되는 특징값을 직접 사용하기 때문에 결과 해석이 용이하다. 또한, 데이터의 통계적 특성(주로 평균과 표준편차)을 이용하여 임계치(관리 한계, control limit)를 설정한다는 점에서 임계치 설정의 통계적인 근거를 제공하며, 나아가 알람 발생 빈도에 따른 임계치 설정의 기준을 제시한다.
예를 들면, 관리의 한계인 관리하한(Lower Control Limit) 및 관리 상한(Upper Control Limit)을 관리도 설정 방식에 따라 설정한 경우, X-Bar 관리도의 모수 편차의 3배를 상한과 하한으로 설정하고 있으며, 편차의 3배 이상을 넘어가는 샘플을 이상 상태로 판정을 하게 되는 것이다.
이러한 관리도 기반의 상태 관리 시스템의 경우 큰 가정은 정상상태의 기계 운영이 매우 안정적이라는 것이다. 즉, 안정적인 상태에서 생성되는 진동 값이 특정 범위 안에서 안정적으로 관측할 수 있다는 것이다. 하지만 일반 산업 현장에서는 하나의 기계에서 여러 종류의 제품이 생산될 수가 있어 기계의 운영 상태(예: 제품의 특성에 따른 회전속도 설정)가 시간에 따라서 계속해서 변하는 경우가 발생할 수 있다. 이 경우 기계가 정상상태라고 할지라도 기계에서 발생하는 진동 패턴이 기계의 운영 상태에 따라 다른 패턴을 보여 기존의 관리도를 적용하기 힘들다는 문제점이 발생하게 되는 것이다.
기존에 자주 사용되는 일반 임계치 기반 방법이나 관리도를 사용하여 기계의 상태를 관찰할 경우 기본적으로 하나의 정상상태를 관찰하고 정상적인 운영 조건을 벗어나는지를 판단하는 방식으로 구성이 되어있다. 기계의 운영 상태가 다양할 경우 진동 값도 운영 상태에 따라 매우 상이하게 변할 수 있다. 이렇게 동적으로 변하는 기계의 운영 상태를 인식하여 관리도 방식을 운영 상태에 맞게 적용하는 것이 매우 중요하다. 즉, 기계의 운영 상태가 변함에 따라서 정상상태에 예측되는 진동 특징값도 이에 맞춰서 설정되어야 하나, 종래의 기술들은 그렇지 못한 한계가 존재했다.
대한민국 등록특허 10-1793882
상기와 같은 문제를 해결하기 위한 본 발명의 목적은, 동적으로 변하는 기계의 운영 상태를 고려하여 기계의 건강 상태를 관리하며, 특히 기계에서 발생하는 기계 운영 상태 정보를 활용하여 기계 운영 상태에 맞는 진동 신호 기반의 기계 상태 관리 시스템을 제공하는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명의 일실시예인 진동 신호 기반의 기계 상태 관리 시스템의 구성은, 기계에 부착하여 상기 기계에서 발생하는 진동을 감지하는 적어도 하나의 진동센서; 상기 진동에 대한 적어도 하나의 속성으로 이루어진 진동 데이터 및 상기 기계의 HMI 인터페이스를 통하여 상기 기계에서 발생하는 기계운영상태 데이터를 수신하는 지역데이터 수집장치; 상기 지역데이터 수집장치로부터 전송되는 상기 진동 데이터 및 상기 기계운영상태 데이터를 수신하는 원격데이터 수집서버; 및 상기 진동 데이터에서 진동 특징값을 추출하고 상기 기계운영상태 데이터와 상기 진동 특징값의 상관관계를 분석하는 상태감시 수행모듈; 을 포함하는 것을 특징으로 한다.
또한, 상기 기계운영상태 데이터는 회전속도(RPM), 라인속도(Line Speed) 및 온도(Temperature) 중 적어도 어느 하나를 포함하고, 상기 상태감시 수행모듈은 상기 기계운영상태 데이터 중 중복되거나 반복되는 변수를 제거하는 것이 바람직하다.
또한, 상기 기계운영상태 데이터와 상기 진동 특징값의 상관관계는 다중 회귀분석을 통하여 하기의 수식으로 도출하는 것이 바람직하다.
Figure 112019117337501-pat00001
또한, 상기 상태감시 수행모듈은 상기의 수식을 통하여 도출된 기계운영상태 속성값을 사용하여 군집화를 수행하는 것이 더욱 바람직하다.
또한, 상기 군집화는 K-평균 군집화(k-means clustering) 및 가우시안 혼합모델(GMM, Gaussian mixture model) 중 적어도 어느 하나를 포함하는 비지도 학습방법으로 수행되는 것이 바람직하다.
나아가, 본 발명의 또다른 일실시예인 진동 신호 기반의 기계 상태 관리방법은, (a) 진동 데이터 및 기계운영상태 데이터를 수집하는 단계; (b) 진동 데이터의 특징점을 추출하는 단계; (c) 기계운영상태 데이터를 선별하는 단계; (d) 상기 선별된 기계운영상태 데이터를 군집화하는 단계; 및 (e) 상기 기계운영상태 데이터에 매칭되는 관리도를 학습하는 단계;를 포함하는 것을 특징으로 한다.
또한, 상기 (a) 단계는, (a1) 적어도 하나의 진동센서가 기계에 부착되어 상기 기계에서 발생하는 진동을 감지하는 단계; 및 (a2) 지역데이터 수집장치가 상기 진동에 대한 적어도 하나의 속성으로 이루어진 진동 데이터 및 상기 기계의 HMI 인터페이스를 통하여 상기 기계에서 발생하는 기계운영상태 데이터를 수신하는 단계; 를 포함하는 것이 바람직하다.
또한, 상기 (e) 단계는, (e1) 상기 상태감시 수행모듈이 상기 진동 데이터에서 진동 특징값을 추출하는 단계; (e2) 상기 상태감시 수행모듈이 상기 기계운영상태 데이터 중 중복되거나 반복되는 변수를 제거하는 단계; (e3) 상기 상태감시 수행모듈이 다중 회귀분석을 통하여 상기 기계운영상태 데이터와 상기 진동 특징값의 상관관계를 도출하는 단계; 및 (e4) 상기 상태감시 수행모듈이 상기 도출된 기계운영상태 속성값을 사용하여 군집화를 수행하는 단계; 를 포함하는 것이 바람직하다.
상기와 같은 구성에 따르는 본 발명의 효과는, 실시간으로 추출된 기계 운영 상태 데이터와 기계로부터 관측되는 진동 데이터를 활용하여 기계의 진동과 관련된 대표적인 기계의 운영 상태 군집 정보를 찾아낼 수 있으며, 이렇게 찾아진 각 기계 운영 상태 군집마다 관리도를 개별로 설정하여 기계 운영의 상태에 최적화하여 관리할 수 있는 장점이 있다.
또한, 종래의 상태 감시시스템의 경우 기계 운영 상태를 직접 반영하지 않은 한계점이 있으나, 본 발명에서는 기계의 운영 상태를 HMI 정보를 활용하여 자동으로 분류하여 기계의 운영 상태에 맞는 설비 상태 감시가 가능하며, 나아가 이러한 기계 운영 상태에 맞는 임계치 및 관리도 설정을 통하여 다양한 정상 기계 운영 상태가 존재하는 기계를 효과적으로 관리할 수 있다.
또한, 기존 물리적 모델 방식(기계의 운영 상태에 대한 수학적 또는 시뮬레이션 기반 모델)과는 달리, 설비의 HMI로부터 수집되는 기계 운영 상태 데이터만을 가지고 비지도학습을 수행하여 대표적인 기계 운영 상태를 추출 및 분류할 뿐만 아니라 이를 활용하여 대표적인 기계운영 상태에 맞는 관리도를 적용하여 기존 관리도 기법의 한계를 극복 가능하다는 장점이 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일실시예에 따른 기계의 상태관리시스템을 나타낸 블록도이다.
도 2는 본 발명의 일실시예에 따른 기계의 상태관리시스템이 수행되는 과정을 나타낸 개략도이다.
도 3은 본 발명의 일실시예에 따른 기계의 상태관리시스템에서 기계운영상태 데이터를 추출하기 위한 HMI 변수를 테이블로 나타낸 도면이다.
도 4는 본 발명의 일실시예에 따른 기계의 상태관리시스템에서 다중 회귀분석에 의해 도출되는 모형 1, 2에 대한 조정된 결정계수(adjusted R2) 및 유의확률(P-value)을 표로 나타낸 도면이다.
도 5는 본 발명의 일실시예에 따른 기계의 상태관리시스템에서 진동 특징값과 기계운영상태 데이터의 관계를 나타낸 관계도이다.
도 6은 본 발명의 일실시예에 따른 기계의 상태관리시스템에서 진동 특징값 및 기계운영상태 데이터의 시간에 다른 변화를 나타낸 그래프이다.
도 7은 본 발명의 일실시예에 따른 기계의 상태관리방법을 나타낸 순서도이다.
도 8은 본 발명의 일실시예에 따른 기계의 상태관리방법에서 기계운영상태 데이터를 고려한 관리도 활용방법을 나타낸 순서도이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "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.
이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.
산업 현장에서 널리 사용되고 있는 종래의 진동 이상탐지 방법은 진동 신호로부터 추출된 특징값이 기 정의된 고정된 임계치 이상인지를 판단하는 방식이며(임계치 이상이면 이상이 발생했다고 판단함), 구체적인 결함 원인 파악의 경우 주파수 분석을 일반적으로 사용한다.
이러한 단순한 고정 임계치 기반 이상 탐지 방식과 달리 물리적 모델을 사용하여 이상 상태를 감지하는 모델기반 접근 방식, 통계적 공정 관리 기법에 기반을 두고 있는 관리도 기법, 그리고 주어진 데이터로 학습을 수행하는 기계학습 기반 상태관리 기법 등이 널리 사용되고 있다.
이에 비하여, 본 발명은 통계적 공정 관리 기법에 기반을 두고 있는 관리도 기법을 사용하여 진동신호를 관찰하고 이상 상태를 파악하는 방법에 관한 것이다. 관리도는 취득한 데이터의 분포를 가정하고 분포의 매개변수를 추정한 후 그 분포의 중심으로부터 얼마나 많이 벗어나 있는가를 기준으로 데이터의 이상 여부를 판단한다.
도 1은 본 발명의 일실시예에 따른 기계의 상태관리시스템을 나타낸 블록도이며, 도 2는 본 발명의 일실시예에 따른 기계의 상태관리시스템이 수행되는 과정을 나타낸 개략도이다.
본 발명의 일실시예인 진동 신호 기반의 기계 상태 관리 시스템은, 동적으로 변하는 기계의 운영 상태를 고려하여 기계의 건강 상태를 관리하는 방식에 관한 것으로, 기계에서 발생하는 기계 운영 상태 정보를 활용하여 기계 운영 상태에 맞는 상태 관리 방식을 제안하고 있다.
즉, 기계에 부착하여 상기 기계에서 발생하는 진동을 감지하는 적어도 하나의 진동센서(100); 상기 진동에 대한 적어도 하나의 속성으로 이루어진 진동 데이터 및 상기 기계의 HMI 인터페이스를 통하여 상기 기계에서 발생하는 기계운영상태 데이터를 수신하는 지역데이터 수집장치(200); 상기 지역데이터 수집장치(200)로부터 전송되는 상기 진동 데이터 및 상기 기계운영상태 데이터를 수신하는 원격데이터 수집서버(300); 및 상기 진동 데이터에서 진동 특징값을 추출하고 상기 기계운영상태 데이터와 상기 진동 특징값의 상관관계를 분석하는 상태감시 수행모듈(400); 을 포함하는 것을 특징으로 한다.
이에 따라, 관찰을 하고자 하는 기계에 진동 센서가 하나 이상 부착이 되어있고, 이를 통해 진동 센서 데이터를 지역 데이터 수집 장치를 통해서 수집하고, 기계의 HMI 인터페이스를 통해서 기계 현재 운영 상태 정보를 지역 데이터 수집 장치를 통해서 수집한다.
이와 같이 수집된 데이터는 원격 데이터 수집 서버로 저장이 되며, 수집된 데이터를 사용하여 상태 감시 기법을 적용할 수 있다.
한편, 하나의 변수 또는 그 이상의 변수를 사용하여 관리도 구축 가능하며, 하나의 변수를 사용하는 관리도를 단변량 관리도, 그 이상의 변수를 사용하는 관리도를 다변량 관리도라고 부른다. 관리의 대상인 측정치(평균, 분산, 범위 등)와 이의 시간적 변화(평균, 가중치 평균, 누적합계 등)를 고려하는 다양한 관리 방법이 존재하게 되는데, 본 발명에서는 이러한 다양한 관리도 방법을 적용하여 기계의 상태를 관찰하는 것이 가능하다.
즉, 상기 기계운영상태 데이터는 회전속도(RPM), 라인속도(Line Speed) 및 온도(Temperature) 중 적어도 어느 하나를 포함하고, 상기 상태감시 수행모듈(400)은 상기 기계운영상태 데이터 중 중복되거나 반복되는 변수를 제거하도록 이루어질 수 있다.
보다 상세하게는, 지역 데이터 수집 장치는 기계에 부착되어 있는 센서로부터 데이터를 취득하는 역할을 하는데, 진동 분석을 활용하는 상태 감시 시스템에서는 가속도 센서가 진동 데이터, 즉 가속도 데이터를 취득한다. 가속도 센서는 일반적으로 1축 가속도 센서 또는 3축 가속도 센서가 있으며, 이상 탐지의 목적에 맞게 진동 센서의 타입을 선택할 수 있다.
취득한 원본 가속도 데이터를 활용하여 다양한 특징값을 추출할 수 있는데, 이러한 원본 가속도 데이터를 다양하게 변환(transformation)하여 추가적인 특징값의 추출 또한 가능하다.
시간 축에서의 가속도를 속도 데이터로 변환하는 것과 함께 시간축 데이터를 주파수 대역으로의 변환 또한 가능하며, 속도로의 변환은 적분을 사용하고, 주파수 대역으로의 변환은 푸리에 변환으로 가능하다. 웨이블릿 변환을 통해서 시간과 주파수 대역의 정보를 함께 추출하는 것도 가능하다.
취득한 데이터로부터 특징값을 추출할 수 있는데, 대표적인 특징값은 기 정의된 시간동안에 수집된 진동 신호에 대해서 제곱평균의 제곱근(root mean square)을 구하는 것이다. 다른 값은 peak-to-peak(파고-파고) 값이 있으며, 이는 취득한 신호의 최댓값과 최솟값의 차이로써, 신호의 peak-to-peak 값은 얼마나 신호가 튀었는지를 잘 나타내는 값이다. 속도 데이터에 대해서도 평균속도, 속도의 변화 등 다양한 특징값을 추출할 수 있으며, 주파수 대역으로 변환한 후에도 다양한 특징값을 추출할 수 있다.
기계 상태 감시 시스템에서는 일반적으로 특징값이 고정 임계치 이상일 경우 경고를 발생하는 임계치 기반 이상 상태 탐지 방식을 주로 사용한다. 즉, 센서로부터 수집되는 진동 특징값이 기 설정된 임계치를 벗어나는 경우 알람이 발생하게 되는 것이다. 본 발명에서의 관리도를 적용하는 경우 이러한 임계치 설정이 데이터를 기반으로 자동으로 설정할 수 있다는 장점이 있다.
나아가 본 발명은 설비로부터 관측되는 진동값을 효과적으로 예측할 수 있는 기계의 운영 상태 속성(attribute)을 선택하여, 기계의 운영 상태를 군집화하는 방식을 도입한 것을 특징으로 하는데, 기계의 운영 상태 속성은 HMI로부터 수집되는 기계 운영 상태 데이터를 바탕으로 하고 있다.
즉, 도 2에 도시된 바와 같이, HMI로부터 수집된 다양한 운영 상태 속성 중에 관측된 진동값을 잘 예측 할 수 있는 속성을 통계적 분석으로 자동 검출 할 수 있다.
도 3인 기계의 상태관리시스템에서 기계운영상태 데이터를 추출하기 위한 HMI 변수를 테이블로 나타낸 도면을 참조하여, 설비의 HMI(인간-기계 인터페이스)에서 추출된 기계 운영 상태 데이터를 사용하여 기계의 운영 상태를 자동 검출하는 방식을 설명한다.
우선 선택된 기계에서 추출된 HMI 기계 상태 값 중 중복되거나 반복되는 속성(Attribute, 변수)을 제거한 후에 도 3과 같은 변수 항목이 선택되는데, 선택된 속성은 기계의 회전속도(RPM), 라인속도(Line Speed), 온도(Temperature) 등 다양한 기계의 운영 상태를 나타낸다.
이 때, 상기 기계운영상태 데이터와 상기 진동 특징값의 상관관계는 다중 회귀분석을 통하여 하기의 수식으로 도출하는 것이 바람직하다.
Figure 112021067801942-pat00002

여기서, RMSacc는 상기 진동 특징값이고, β0는 상수항(절편)이며, β1 내지 β4 각각은 다중 회귀분석 모델의 상관계수이다. 그리고, xC3T0004, xC3T0006, xC3T0012, xC3T0014, xC3T0092 및 xC3T0099 각각은 상기 기계운영상태 데이터에 포함된 값으로써 독립변수이다.
구체적으로, 도 3에서 보는 바와 같이, xC3T0004는 믹싱브랜드(BD)에서 하나의(No1) 분쇄기(MILL)의 분당 회전속도(MPM)를 의미하고, xC3T0006는 믹싱브랜드(BD)에서 하나의(No1) 분쇄기(MILL)의 온도(TEMP)를 의미하며, xC3T0012는 믹싱브랜드(BD)에서 다른(No2) 분쇄기(MILL)의 온도(TEMP)를 의미하고, xC3T0014는 롤러(CALEDER)의 마찰계수(FRICTION_RATIO)를 의미하며, xC3T0092는 피딩장치(FD)에서 분쇄기(MILL)의 분당 회전속도(MPM)를 의미하고, xC3T0099는 생산라인(LN)에서 컨베이어 간 속도 보정 장치(DANVER)에 의한 속도 보정 값을 의미할 수 있다.
즉, 진동 센서(C1003 CAL2 GEAR2_OB)로부터 3일간의 데이터를 수집하여 진동 특징값의 변이를 가장 잘 설명할 수 있는 기계 운영 상태 속성을 선택하기 위하여 stepwise selection, forward selection을 이용하였다. 그 결과 도 4와 같은 두 가지 모형을 도출할 수 있었다.
이에 따라, 도 5에 도시된 바와 같은 진동 특징값과 기계 운영 상태 속성과의 관계도를 도출할 수 있었으며, 이는 다중회귀분석을 통해 진동 데이터에 유의미한 설명력을 갖는 변수(C3T0014, C3T0092, C3T0012)에 대하여 가속도 특징값(RMS)과의 상관관계를 도시한 것으로써, 유의미한 변수들의 상관계수가 상당히 높은 값(0.45~0.54)임을 알 수 있다.
도 5의 기계의 상태관리시스템에서 진동 특징값 및 기계운영상태 데이터의 시간에 다른 변화를 나타낸 그래프를 참조할 때, 이러한 진동 특징값(RMS)의 시간에 따른 변화를 보면 크게 두 개의 클러스터로 나뉘는 것을 알 수 있는데, C3T0014의 기계 운영 상태 속성값(attribute value)을 보면 대략적인 값의 변화가 다른 것을 알 수 있다. 이에 비해서 C3T0092의 경우 C3T0014에 비해서 진동 특징값에 대한 설명력이 상대적으로 낮은 것을 알 수 있다.
본 발명에서는 상기 상태감시 수행모듈(400)은 상기의 수식을 통하여 도출된 기계운영상태 속성값을 사용하여 군집화를 수행하도록 이루어지는데, 특히 상기 군집화는 K-평균 군집화(k-means clustering) 및 가우시안 혼합모델(GMM, Gaussian mixture model) 중 적어도 어느 하나를 포함하는 비지도 학습방법으로 수행되는 것이 바람직하다.
즉, 도 6의 기계의 상태관리시스템에서 진동 특징값 및 기계운영상태 데이터의 시간에 다른 변화를 나타낸 그래프를 참조하면, 선택된 기계 운영 상태 속성을 사용하여 군집화를 수행하는 것이 도시되어 있으며, 군집화 방법은 k-means clustering, GMM (Gaussian mixture model) 등 알려진 비지도학습 방법을 사용할 수 있다.
즉, 기계의 운영 상태를 일반적으로 HMI(인간-기계 인터페이스)로 조작 가능하며, HMI 인터페이스를 통해서 기계의 현재 운영 상태 정보(PLC 및 컨트롤러 데이터)를 실시간으로 추출하고 관찰할 수 있는데, 본 발명에서는 이러한 HMI 정보를 활용하여 기계의 운영 상태를 동적으로 군집화하는 방식을 이용한다.
이 때, HMI 인터페이스란 기계의 운영 상태를 조작하거나 현재 상태를 접근할 수 있는 모든 종류의 인터페이스를 포함한다. 이는 PLC 특정 프로토콜(Modbus, Profibus 등)을 추상화하는 HMI/SCADA와 상호작용하는 공개 프로토콜(OPC) 등을 포함하며, 이를 통해서 기계에서 수집되는 PLC 및 컨트롤러 데이터를 포괄할 수 있다.
이렇게 학습된 군집은 대표 기계 운영 상태를 나타낸다고 볼 수 있으며, 군집화 수행 시 군집의 개수를 선택해야 하는데, 군집의 개수는 기계의 특징과 데이터의 분포를 바탕으로 설정할 수 있다.
각각의 대표 군집에 대하여 정상 상태의 센서 데이터를 수집하여 각 군집에 대한 관리도를 설정한다. 하나 이상의 진동 센서를 사용하는 경우 다변량 관리도를 사용한다.
HMI로부터 수집되는 기계 운영 상태 데이터를 사용하여 실시간으로 대표적인 운영 상태로 분류할 수 있다. 이러한 분류는 k-NN 방식이나 GMM 등을 사용할 수 있다. 즉, 현재 기계 상태가 어떤 군집에 가장 적절한지 판단을 하는 것이다.
이와 함께 수집되는 진동 데이터로부터는 특징을 추출하고 현재 기계 운영 상태에 맞는 관리도를 적용한다. 즉, 현재 기계 운영 상태의 관리도에서 수집된 진동 데이터의 특징값이 관리 상태(in-control)인지 판단을 하게 되는 것이다.
나아가, 도 7은 본 발명의 일실시예에 따른 기계의 상태관리방법을 나타낸 순서도이며, 도 8은 본 발명의 일실시예에 따른 기계의 상태관리방법에서 기계운영상태 데이터를 고려한 관리도 활용방법을 나타낸 순서도이다.
본 발명의 또다른 일실시예인 진동 신호 기반의 기계 상태 관리방법은, (a) 진동 데이터 및 기계운영상태 데이터를 수집하는 단계; (b) 진동 데이터의 특징점을 추출하는 단계; (c) 기계운영상태 데이터를 선별하는 단계; (d) 상기 선별된 기계운영상태 데이터를 군집화하는 단계; 및 (e) 상기 기계운영상태 데이터에 매칭되는 관리도를 학습하는 단계;를 포함하는 것을 특징으로 한다.
또한, 상기 (a) 단계는, (a1) 적어도 하나의 진동센서(100)가 기계에 부착되어 상기 기계에서 발생하는 진동을 감지하는 단계; 및 (a2) 지역데이터 수집장치(200)가 상기 진동에 대한 적어도 하나의 속성으로 이루어진 진동 데이터 및 상기 기계의 HMI 인터페이스를 통하여 상기 기계에서 발생하는 기계운영상태 데이터를 수신하는 단계; 를 포함하는 것이 바람직하다.
또한, 상기 (e) 단계는, (e1) 상기 상태감시 수행모듈(400)이 상기 진동 데이터에서 진동 특징값을 추출하는 단계; (e2) 상기 상태감시 수행모듈(400)이 상기 기계운영상태 데이터 중 중복되거나 반복되는 변수를 제거하는 단계; (e3) 상기 상태감시 수행모듈(400)이 다중 회귀분석을 통하여 상기 기계운영상태 데이터와 상기 진동 특징값의 상관관계를 도출하는 단계; 및 (e4) 상기 상태감시 수행모듈(400)이 상기 도출된 기계운영상태 속성값을 사용하여 군집화를 수행하는 단계; 를 포함하는 것이 바람직하다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 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.
본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 기계
100: 진동센서
200: 지역데이터 수집장치
300: 원격데이터 수집서버
400: 상태감시 수행모듈

Claims (8)

  1. 기계에 부착하여 상기 기계에서 발생하는 진동을 감지하는 적어도 하나의 진동센서;
    상기 진동에 대한 적어도 하나의 속성으로 이루어진 진동 데이터 및 상기 기계의 HMI 인터페이스를 통하여 상기 기계에서 발생하는 기계운영상태 데이터를 수신하는 지역데이터 수집장치;
    상기 지역데이터 수집장치로부터 전송되는 상기 진동 데이터 및 상기 기계운영상태 데이터를 수신하는 원격데이터 수집서버; 및
    상기 진동 데이터에서 진동 특징값을 추출하고 상기 기계운영상태 데이터와 상기 진동 특징값의 상관관계를 분석하는 상태감시 수행모듈;을 포함하고,
    상기 지역데이터 수집장치는, 가속도 데이터에 관한 특징값 및 상기 가속도 데이터에 관한 특징값을 변환한 속도 또는 주파수 대역 정보에 관한 특징값을 추출하며,
    상기 상태감시 수행모듈은, 다중 회귀모델을 이용하여 상기 기계운영상태 데이터와 상기 진동 특징값의 상관관계를 분석하고, 상기 다중 회귀모델에서 선별된 특징값으로써 기계운영상태 속성값을 도출하는 것을 특징으로 하는 진동 신호 기반의 기계 상태 관리 시스템.
  2. 제 1 항에 있어서,
    상기 기계운영상태 데이터는 회전속도(RPM), 라인속도(Line Speed) 및 온도(Temperature) 중 적어도 어느 하나를 포함하고,
    상기 상태감시 수행모듈은 상기 기계운영상태 데이터 중 중복되거나 반복되는 변수를 제거하는 것을 특징으로 하는 진동 신호 기반의 기계 상태 관리 시스템.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 상태감시 수행모듈은 상기 다중 회귀모델을 통하여 도출된 기계운영상태 속성값을 사용하여 군집화를 수행하는 것을 특징으로 하는 진동 신호 기반의 기계 상태 관리 시스템.
  5. 제4 항에 있어서,
    상기 군집화는 K-평균 군집화(k-means clustering) 및 가우시안 혼합모델(GMM, Gaussian mixture model) 중 적어도 어느 하나를 포함하는 비지도 학습방법으로 수행되는 것을 특징으로 하는 진동 신호 기반의 기계 상태 관리 시스템.
  6. 청구항 1의 진동 신호 기반의 기계 상태 관리 시스템을 이용한 진동 신호 기반의 기계 상태 관리방법에 있어서,
    (a) 진동 데이터 및 기계운영상태 데이터를 수집하는 단계;
    (b) 진동 데이터의 특징점을 추출하는 단계;
    (c) 기계운영상태 데이터를 선별하는 단계;
    (d) 상기 선별된 기계운영상태 데이터를 군집화하는 단계; 및
    (e) 상기 기계운영상태 데이터에 매칭되는 관리도를 학습하는 단계;를 포함하는 것을 특징으로 하는 진동 신호 기반의 기계 상태 관리방법.
  7. 제 6 항에 있어서,
    상기 (a) 단계는,
    (a1) 적어도 하나의 진동센서가 기계에 부착되어 상기 기계에서 발생하는 진동을 감지하는 단계; 및
    (a2) 지역데이터 수집장치가 상기 진동에 대한 적어도 하나의 속성으로 이루어진 진동 데이터 및 상기 기계의 HMI 인터페이스를 통하여 상기 기계에서 발생하는 기계운영상태 데이터를 수신하는 단계; 를 포함하는 것을 특징으로 하는 진동 신호 기반의 기계 상태 관리방법.
  8. 제 6 항에 있어서,
    상기 (e) 단계는,
    (e1) 상기 상태감시 수행모듈이 상기 진동 데이터에서 진동 특징값을 추출하는 단계;
    (e2) 상기 상태감시 수행모듈이 상기 기계운영상태 데이터 중 중복되거나 반복되는 변수를 제거하는 단계;
    (e3) 상기 상태감시 수행모듈이 다중 회귀분석을 통하여 상기 기계운영상태 데이터와 상기 진동 특징값의 상관관계를 도출하는 단계; 및
    (e4) 상기 상태감시 수행모듈이 상기 도출된 기계운영상태 속성값을 사용하여 군집화를 수행하는 단계; 를 포함하는 것을 특징으로 하는 진동 신호 기반의 기계 상태 관리방법.
KR1020190146510A 2019-11-15 2019-11-15 진동 신호 기반의 기계 상태 관리 시스템 KR102360004B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190146510A KR102360004B1 (ko) 2019-11-15 2019-11-15 진동 신호 기반의 기계 상태 관리 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190146510A KR102360004B1 (ko) 2019-11-15 2019-11-15 진동 신호 기반의 기계 상태 관리 시스템

Publications (2)

Publication Number Publication Date
KR20210059271A KR20210059271A (ko) 2021-05-25
KR102360004B1 true KR102360004B1 (ko) 2022-02-15

Family

ID=76145468

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190146510A KR102360004B1 (ko) 2019-11-15 2019-11-15 진동 신호 기반의 기계 상태 관리 시스템

Country Status (1)

Country Link
KR (1) KR102360004B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114812798B (zh) * 2022-05-27 2024-03-01 沈阳工学院 基于信号分解与高斯过程的球磨机负荷参数软测量方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010026772A (ko) * 1999-09-08 2001-04-06 이구택 가변운전설비의 설비감시 및 진단 방법
KR20020052749A (ko) * 2000-12-26 2002-07-04 이구택 회전설비의 진동감지방법
KR100850823B1 (ko) * 2005-12-20 2008-08-06 여천엔씨씨 주식회사 기계 설비 진동 관리 시스템 및 방법
DE112014000350T5 (de) 2014-09-30 2015-09-17 Komatsu Ltd. Baumaschine und Betriebsstatus-Managementsystem für diese
KR101823746B1 (ko) * 2016-02-05 2018-01-30 울산대학교 산학협력단 베어링 고장 진단 방법
KR101954224B1 (ko) * 2017-07-13 2019-05-23 주식회사 피에스글로벌 회전형 설비 진동 모니터링 시스템
KR101948604B1 (ko) * 2017-07-31 2019-02-15 고려대학교 산학협력단 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치

Also Published As

Publication number Publication date
KR20210059271A (ko) 2021-05-25

Similar Documents

Publication Publication Date Title
CN108731923B (zh) 一种旋转机械设备的故障检测方法及装置
TWI746914B (zh) 無須先備領域知識建立活動或行為模型及自動偵測目標系統異常活動或行為之偵測方法及系統
EP1725919B1 (en) Configuration system and method for abnormal situation prevention in a process plant
EP1728133B1 (en) Abnormal situation prevention in a process plant
JP6141235B2 (ja) 時系列データにおける異常を検出する方法
US20130060524A1 (en) Machine Anomaly Detection and Diagnosis Incorporating Operational Data
JP2022519228A (ja) 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
CN117251812A (zh) 一种基于大数据分析的高压电力线路运行故障检测方法
EP3296822B1 (en) Model-plant mismatch detection using model parameter data clustering for paper machines or other systems
JP2000503788A (ja) 分散制御システムのための処理情報およびメンテナンスシステム
CN106649755B (zh) 一种多维度实时变电设备数据的阈值自适应设置异常检测方法
US20220004163A1 (en) Apparatus for predicting equipment damage
CN109141625B (zh) 一种滚珠丝杠副的在线状态监测方法
Xu et al. A lof-based method for abnormal segment detection in machinery condition monitoring
KR102360004B1 (ko) 진동 신호 기반의 기계 상태 관리 시스템
CN116415127A (zh) 用于造纸质量评估的方法、系统及介质
KR20210006832A (ko) 기계고장 진단 방법 및 장치
CN116975938A (zh) 一种产品制造过程中的传感器数据处理方法
CN113703401B (zh) 异常检测算法的配置方法、装置、电子设备和存储介质
JP7028133B2 (ja) 制御システムおよび制御方法
Pandit et al. A comprehensive review on enhancing wind turbine applications with advanced SCADA data analytics and practical insights
Yang et al. Application of bispectrum diagonal slice feature analysis to monitoring CNC tool wear states
CN103210358B (zh) 监视过程参量和/或设备参量时的智能可视化
WO2019187155A1 (ja) 情報処理装置、情報処理方法およびプログラム
Salvador et al. Online detection of shutdown periods in chemical plants: A case study

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant