KR102393095B1 - 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 - Google Patents

진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 Download PDF

Info

Publication number
KR102393095B1
KR102393095B1 KR1020210132477A KR20210132477A KR102393095B1 KR 102393095 B1 KR102393095 B1 KR 102393095B1 KR 1020210132477 A KR1020210132477 A KR 1020210132477A KR 20210132477 A KR20210132477 A KR 20210132477A KR 102393095 B1 KR102393095 B1 KR 102393095B1
Authority
KR
South Korea
Prior art keywords
data
failure
unit
vibration
sensor data
Prior art date
Application number
KR1020210132477A
Other languages
English (en)
Inventor
조만영
김호성
박효주
Original Assignee
가온플랫폼 주식회사
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 가온플랫폼 주식회사 filed Critical 가온플랫폼 주식회사
Priority to KR1020210132477A priority Critical patent/KR102393095B1/ko
Application granted granted Critical
Publication of KR102393095B1 publication Critical patent/KR102393095B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명의 일 실시예에 따른 인공지능 기반의 회전설비 고장예지진단시스템은, 복수의 센서를 통해 진동 및 음향을 수집하는 센서 데이터 수집부; 상기 센서 데이터 수집부를 통해 수집된 진동 및 음향 데이터를 변환하는 센서 데이터 변환부; 상기 센서 데이터 변환부를 통해 변환된 진동 및 음향을 포함한 센서 데이터들의 특징(feature)을 추출하는 특징 추출부; 상기 특징 추출부를 통해 정상/고장 특징을 추출하고, 합성곱 신경망(CNN, Convolutional Neural Network)을 이용해 데이터를 학습하는 데이터 학습부; 및 상기 센서 데이터들과 상기 데이터 학습부를 통해 학습된 데이터를 비교하여 고장원인을 진단 및 예측하는 고장원인 진단부를 포함한다.

Description

진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템{A system for predicting and diagnosing malfunctions in rotating equipment based on artificial intelligence using vibration, sound, and image data}
본 발명은 인공지능 기반의 지능형 고장예지진단 시스템에 관한 것으로, 더욱 상세하게는 진동, 음향방출 데이터를 분석하고 설비의 고장 원인을 정밀하게 감시 및 진단 결과를 제공하는 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 고장예지진단 시스템에 관한 것이다.
기존의 지능형 예측진단 시스템은 계측센서 데이터를 활용하여 설비의 상태를 감시하고 진단하는 기법으로, 설비의 이상상태에 대해서는 파악이 가능하나 고장 발생의 원인이 되는 인자를 정확하게 판별하고 진단하는데 한계점이 존재한다.
따라서 설비의 상태를 감시하는 기법도 인체의 질환을 판별하는 기법과 마찬가지로 다양한 설비의 구조, 종류, 유형에 따라 구분되어야 하며, 다양한 센서를 활용한 측정 및 분석을 통해 설비의 고장을 사전에 예측하고 원인을 진단하여 데이터에 근거한 상태감시 및 진단이 수행되어야 한다.
그러나 기존 프로세스 플랜트 및 스마트 팩토리의 경우 설비의 계측센서 데이터를 활용한 운전정보(온도, 압력, 유량, 수위 등)를 기반으로 정상운전 데이터를 학습하고 실시간 운전 데이터에 대한 잔차를 통해 설비의 이상 징후를 감지하는 기법이나, 설비의 고장이 되는 원인을 정확하게 파악하는 데 한계점이 있으며, 설비 온도 상승에 대한 이상 징후 파악은 가능하나 고장 원인을 진단할 수 없다.
또한 기존의 프로세스 플랜트 및 스마트 팩토리의 경우 최초 설비 도입 시 계측센서에 대한 설계가 필요하며, 운영 중인 설비에 계측센서를 설치하여 데이터를 측정하기 위해서는 설계변경 및 각종 안전 규제에 대한 승인 등으로 인해 비용의 증가와 구축의 장기화가 예상되는 문제점이 있으며, 또한 일부 설비의 경우에는 중요도에 따라 기본적인 계측센서 데이터가 구축이 되어 있지 않으며, 전산화의 부재로 인해 예지보전을 위한 데이터 측정에 어려움이 있다.
따라서, 기존 계측센서 데이터 기반의 예측진단 시스템의 한계점을 해결하기 위하여 다양한 센서 특히 진동, 음향방출 데이터를 분석하고 설비의 고장 원인을 정밀하게 감시 및 진단결과를 제공하는 고도화된 예지보전 시스템에 적용할 수 있는 인공지능 기반의 회전설비 고장예지진단시스템에 대한 연구가 필요하게 되었다.
한국공개특허 10-2020-0074652(2020년06월25일 공개)
본 발명의 목적은 진동, 음향방출 데이터를 수집하고 고장 진단을 위해 변환하여 변환 데이터를 분석함으로써, 각 설비의 유형별 고장 원인을 감시 및 진단 결과를 제공할 수 있는 인공지능 기반의 회전설비 고장예지진단시스템을 제공하는 것이다.
본 발명의 일 실시예에 따른 인공지능 기반의 회전설비 고장예지진단시스템은, 복수의 센서를 통해 진동 및 음향을 수집하는 센서 데이터 수집부; 상기 센서 데이터 수집부를 통해 수집된 진동 및 음향 데이터를 변환하는 센서 데이터 변환부; 상기 센서 데이터 변환부를 통해 변환된 진동 및 음향을 포함한 센서 데이터들의 특징(feature)을 추출하는 특징 추출부; 상기 특징 추출부를 통해 정상/고장 특징을 추출하고, 합성곱 신경망(CNN, Convolutional Neural Network)을 이용해 데이터를 학습하는 데이터 학습부; 및 상기 센서 데이터들과 상기 데이터 학습부를 통해 학습된 데이터를 비교하여 고장원인을 진단 및 예측하는 고장원인 진단부를 포함한다.
상기 데이터 학습부는 강화학습 알고리즘인 GAN(Generative Adversarial Network) 알고리즘을 통해 고장 데이터를 학습하는 고장 데이터 학습부를 더 포함하는 것을 특징으로 한다.
상기 센서 데이터 변환부는 상기 센서 데이터 수집부를 통해 수집된 진동 데이터를 FFT(fast Fourier transform)를 통해 주파수 영역으로 변환한 후, 진동 주파수 데이터를 STFT(Short-time Fourier transform)로 변환하는 것을 특징으로 한다.
상기 특징 추출부는 상기 센서 데이터 변환부로부터 수집된 데이터의 차원을 축소시켜 특징부만 추출하는 오토인코더(Auto Encoder)를 사용하는 것을 특징으로 한다.
상기 데이터 학습부는 2차원 합성곱 신경망인 2D-CNN을 이용해 데이터를 학습하는 것을 특징으로 한다.
상기 센서 데이터 변환부는 상기 센서 데이터 수집부를 통해 수집된 음향 데이터를 FFT(fast Fourier transform)를 통해 주파수 영역으로 변환한 후, 스팩트럼화하여 상기 음향을 이미지화하는 것을 특징으로 한다.
상기 데이터 학습부는 EfficientNet 또는 ResNet 지도학습을 통해 데이터를 학습하는 것을 특징으로 한다.
본 발명의 인공지능 기반의 회전설비 고장예지진단시스템은 진동, 음향방출 데이터를 수집하고 고장 진단을 위해 변환하여 변환 데이터를 분석함으로써, 각 설비의 유형별 고장 원인을 정밀하게 감시 및 진단 결과를 제공할 수 있다.
또한 설비 고장 진단시 진동 데이터를 이용하여 주로 고장을 추정하다가, 진동 데이터로 고장을 추정하기 어렵거나 애매한 상황인 경우, 음향 데이터를 추가로 이용할 수 있으며, 음향 데이터의 비가청 주파수 대역의 음향을 보조적으로 활용해서 고장 예지/예측을 높일 수 있다.
또한 수집된 진동 및 음향 데이터를 주파수 성분 데이터로 변환하거나 시간의 구간을 짧게 나누어진 여러 구간의 데이터를 변환하여 설비 상태 진단 및 분석에 용이하도록 하고, 고장 판별시 GAN 알고리즘, 2D-CNN 알고리즘, EfficientNet 또는 ResNet 지도학습 등을 추가로 활용하여 다양한 고장 유형을 판별하고, 설비 상태 진단 결과의 정확도를 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 회전설비 고장예지진단시스템의 전체 구성을 나타낸 블록도이다.
도 2는 도 1의 특징 추출부 및 데이터 학습부의 세부 구성을 나타낸 블록도이다.
도 3은 진동 데이터를 FFT(fast Fourier transform)를 통해 주파수 영역으로 변환한 진동 주파수 데이터 결과 예시를 보여주는 도면이다.
도 4는 진동 데이터를 STFT(Short-time Fourier transform)로 변환한 결과 예시를 보여주는 도면이다.
도 5는 진동 데이터를 기반으로 설비 고장 진단을 위한 상태 감시 화면 예시를 보여주는 도면이다.
도 6은 EfficientNet 혹은 ResNet 기반의 특징 검출을 이용하여 고장 판별하는 알고리즘을 설명하기 위한 도면이다.
도 7은 음향 데이터를 기반으로 설비 고장 진단을 위한 상태 감시 화면 예시를 보여주는 도면이다.
도 8은 본 발명의 일 실시예에 따른 정상 운전시 측정되어진 시간 성분의 원본 데이터와 FFT 변환에 의해 주파수 성분으로 나타낸 변환 데이터를 비교하여 그래프로 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 정상 운전시 측정되어진 시간 성분의 원본 데이터와 STFT 변환에 의해 나타낸 변환 데이터를 비교하여 그래프로 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따른 축 휨 결함시 측정되어진 시간 성분의 원본 데이터와 FFT 변환에 의해 주파수 성분으로 나타낸 변환 데이터를 비교하여 그래프로 나타낸 도면이다.
도 11은 본 발명의 일 실시예에 따른 베어링 결함시 측정되어진 시간 성분의 원본 데이터와 FFT 변환에 의해 주파수 성분으로 나타낸 변환 데이터를 비교하여 그래프로 나타낸 도면이다.
이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 다만, 본 발명의 사상은 제시되는 실시예에 제한되지 아니하고, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서 다른 구성요소를 추가, 변경, 삭제 등을 통하여, 퇴보적인 다른 발명이나 본 발명 사상의 범위 내에 포함되는 다른 실시예를 용이하게 제안할 수 있을 것이나, 이 또한 본원 발명 사상 범위 내에 포함된다고 할 것이다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 회전설비 고장예지진단시스템(1000)의 전체 구성을 나타낸 블록도이고, 도 2는 도 1의 특징 추출부 및 데이터 학습부의 세부 구성을 나타낸 블록도이다.
본 발명의 인공지능 기반의 회전설비 고장예지진단시스템(1000)은 센서 데이터 특히 진동 및 음향 데이터를 수집하고 분석하여 설비 고장을 예측하고 진단하여 향후 발생할 설비 고장을 예방하기 위한 고장예지 시스템이며, 구체적 기능을 수행하기 위해 도 1을 참조하면, 센서 데이터 수집부(100), 센서 데이터 변환부(200), 특징 추출부(300), 데이터 학습부(400) 및 고장원인 진단부(500)를 포함한다.
센서 데이터 수집부(100)는 복수의 센서를 통해 진동 및 음향을 수집하며, 복수의 센서로는 예컨대 진동 센서, 가속도 센서, 음향 방출(AE) 센서, 초음파센서(Ultrasonic sensor) 등이 포함할 수 있다.
센서 데이터 변환부(200)는 센서 데이터 수집부(100)를 통해 수집된 진동 및 음향 데이터를 변환한다.
구체적으로 먼저 센서 데이터 변환부(200)는 센서 데이터 수집부(100)를 통해 수집된 진동 데이터를 도 3 및 도 4에 도시된 바와 같이, FFT(fast Fourier transform)를 통해 주파수 영역으로 변환한 후, 진동 주파수 데이터를 STFT(Short-time Fourier transform)로 변환할 수 있다.
구체적으로 진동 데이터를 주파수 영역으로 변환하여 FFT 스팩트럼 영역 및 나아가 STFT 영역을 분석함으로써, 설비 및 각종 기계 장치의 결함을 예측할 수 있는 유용한 결과를 얻을 수 있다.
여기서 STFT 스팩트럼 분석의 경우, FFT 분석이 시간 도메인을 주파수 도메인으로 변환하기 때문에, 어느 시점에 해당 주파수 성분이 존재하였는지 알 수 없는 문제가 있으므로, 이를 보완하여 시간의 구간을 짧게 나누어진 여러 구간의 데이터를 변환하여 시간, 주파수, 주파수 성분을 모두 파악할 수 있도록 한다.
또한 어떤 설비나 기계 장치 등에 결함이 있을 경우, FFT 스팩트럼을 분석하여 보면 결함이 어디서 발생되고 있는지 그 원인은 무엇인지, 또는 어느 정도의 시간이 경과하면 심각한 고장에 이르게 될 지도 알아낼 수 있다.
이를 위해 현재의 FFT 스팩트럼을 도 8을 참조하여 정상 운전시 측정되어진 "기준 스팩트럼"과 비교하여 보면, 스팩트럼의 모양이나 각 성분의 크기가 변한 것을 알 수 있으며, 여기서 특정 주파수 성분의 진동값이 상승하거나 없었던 주파수 성분의 진동이 새로이 나타나는 경우, 그 주파수와 관계없는 결함이 발생 또는 진행되는 것을 나타낸다.
도 8에서 A 그래프는 정상 운전시 측정되어진 시간 성분의 원본 데이터(진동 또는 음향 데이터)에 해당하며, B 그래프는 A 그래프에 해당하는 원본 데이터를 FFT 주파수 데이터로 변환한 변환 데이터에 해당한다.
나아가 주파수 데이터의 정상/고장 특징을 학습하기 위해 스펙트로그램(Spectrogram) 이미지로 변환할 수도 있으며, 스펙트로그램 데이터를 생성하기 위해서는 원본 데이터를 상술한 STFT(Short Time Fourier Transform)을 통해 여러 개의 시간 구간으로 나누어 주파수 스펙트럼을 계산하고, 인간의 청각 특성을 고려하기 위해 로그 스케일을 적용한 뒤 이를 스펙트로그램 이미지로 저장하여 이를 학습 데이터로 사용할 수 있다.
스펙트로그램 데이터는 x축은 시간, y축은 주파수 대역이 표시되며, 진폭 정보를 색상으로 표시하여 정보를 모두 표현할 수 있기 때문에 시간 도메인 데이터나 주파수 도메인 데이터보다 더 많은 정보를 표현할 수 있는 데이터이며 그 예시로 도 9에 도시하고 있다.
도 9에서 C 그래프는 정상 운전시 측정되어진 시간 성분의 원본 데이터(진동 또는 음향 데이터)에 해당하며, D 그래프는 C 그래프에 해당하는 원본 데이터를 STFT 스펙트로그램 데이터로 변환한 변환 데이터에 해당한다.
또한, 설비의 종류(예 : 모터, 펌프, 압축기, 발전기 등)나 상태에 따라 기계 결함의 유형이 달라지고, 결함 유형에 따라 나타나는 스팩트럼 결과 값도 달라질 수 있다.
이때 결함의 유형으로는 예를 들어 불평형(unbalance) 상태, 정렬 불량 상태(Misalignment), 헐거움(Looseness), 축 휨(Bent Shaft), 베어링 결함(Bearing fault), 전기적 결함 등이 있을 수 있으며, FFT 스팩트럼 분석이나 STFT 스팩트럼 분석을 통하여 해당 설비 결함 유형을 파악할 수 있다.
구체적으로 살펴보면 불평형 상태는 모터, 펌프, 압축기 등의 설비에서 주로 발생할 수 있으며, 회전체의 축 중심과 무게 중심이 어긋남으로써 편심이 발생하고, 이로 인해 원심력이 발생하는 경우로서, 스팩트럼 분석 결과를 살펴보면, 반경 방향의 1X(운전) 성분이 지배적이며, 위상 변화가 없고, 원심력 작용으로 인하여 회전속도에 비례하여 진동이 증가하는 파라미터 특성을 보이는 특징이 있다.
또한 정렬 불량 상태(Misalignment)는 축 중심이 일직선상에 유지되지 않아 발생하는 경우로서, 모터, 펌프, 압축기, 발전기 등의 설비에서 결함이 나타날 수 있으며, 스팩트럼 분석 결과를 살펴보면, 회전주파수 성분 이외의 2x(3x, 4x) 성분이 발생하고, 과도한 경우에 2x 성분이 지배적이며, 양쪽 베어링에서 180ㅀ 위상차가 나타나는 파라미터 특성을 보인다.
또한 헐거움(Looseness)은 모터, 펌프, 압축기, 발전기 등의 설비에서 주로 발생할 수 있으며, 부적절한 조립으로 인한 과도한 틈새, 낡은 부위의 손상 등으로 발생하거나, 베어링의 헐거움, 과도한 공차 등의 원인으로 발생하는 경우이며, 스팩트럼 분석 결과를 살펴보면, 반경 방향으로 회전당 1회의 충격 발생(1x 및 배수성분 발생)하고, 과도한 경우에 분수 조화성분 발생(1/2, 1/3, 1/4x)할 수 있으며, 부하 커지면 구속 효과에 의해 진동이 감소할 수 있는 파라미터 특성을 보인다.
축 휨(Bent Shaft)은 모터, 펌프, 압축기 등의 설비에서 발생할 수 있으며, 축 방향 비대칭성 또는 변형을 일으키는 외력 등의 원인으로 발생하는 경우에 해당하며, 스팩트럼 분석시 축 방향의 1x 진동 성분 지배적(다소 안정적인 진폭)이고, 커플링 주위에 현상 발생 시, 2x 성분 발생 할 수 있는 파라미터 특성을 보이는 특징이 있으며 그 예시로 도 10에 도시하고 있다.
도 10에서 E 그래프는 축 휨 결함시 측정되어진 시간 성분의 원본 데이터(진동 또는 음향 데이터)에 해당하며, F 그래프는 E 그래프에 해당하는 원본 데이터를 FFT 주파수 데이터로 변환한 변환 데이터에 해당한다.
또한 베어링 결함(Bearing fault)은 모터, 펌프, 압축기 등의 설비에서 발생하고, 부적절한 윤활 관리, 설치 불량, 과도한 하중, 정상적인 마모 및 요소의 흠집/파손 등의 원인으로 발생할 수 있으며, 스팩트럼 분석시 베어링 파손 부위에 의한 특징적인 주파수 성분이 발생하는 파라미터 특성을 보이는 경향이 있으며, 그 예시로 도 11에 도시하고 있다.
도 11에서 G 그래프는 베어링 결함시 측정되어진 시간 성분의 원본 데이터(진동 또는 음향 데이터)에 해당하며, H 그래프는 G 그래프에 해당하는 원본 데이터를 FFT 주파수 데이터로 변환한 변환 데이터에 해당한다.
전기적 결함은 모터 등의 설비에서 고정자의 전기적 손상, 회전자의 전기적 손상, 편심 등에 의해 발생할 수 있으며, 120Hz의 진동이 발생하며, 회전자 문제의 경우에 측대역파 성분이 발생할 수 있으며, 구체적 예시로 120Hz 성분의 공극 변동(정적 편심), 120Hz, 조화성분에 해당하는 고정자 단락, 120Hz 측대역파에서 비운전 로터 바에서 발생하는 회전자 바 파손, 전원 주파수의 2배 성분 및 극 통과주파수의 측대역파에서 발생하는 회전자 편심에 의한 파라미터 특성이 나타날 수 있다.
또한, 도 5에는 진동 데이터를 기반으로 설비의 고장 예방을 위한 상태 모니터링 화면 예시를 보여주고 있다. 모니터링 화면에는 스팩트럼 분석 그래프, 분석 데이터, 평균 트렌드(Overall Trend) 등이 포함될 수 있다.
추가적으로 센서 데이터 변환부(200)는 센서 데이터 수집부(100)를 통해 음향 방출(Acoustic Emission : AE)로 수집된 음향 데이터를 FFT(fast Fourier transform)를 통해 주파수 영역으로 변환한 후, 스팩트럼화하여 음향을 이미지화할 수 있다.
음향 방출이란 미소파괴를 포함하는 고체 내부의 동적인 변형, 변태, 파단, 전위 등에 의해 탄성파가 발생하는 현상 및 과도적인 탄성파동을 의미하며, 본 발명의 인공지능 기반의 회전설비 고장예지진단시스템(1000)은 취득된 음향 신호를 기반으로 설비 결함을 진단할 수 있다.
좀 더 구체적으로 음향 방출 상태 감시 기술은 진단 대상의 설비로부터 감지되어 수집된 음향 데이터를 주파수 데이터로 변환하여 변환된 데이터를 분석하여 상태를 감시하고 진단하는 방법으로, 분석 단계에서는 진동 상태 감시 기술과 동일한 기법으로 분석을 수행할 수 있으며, 나아가 GAN 알고리즘 및 2D-CNN 알고리즘 활용하여 설비 상태 진단 결과의 정확도를 향상시킬 수 있다.
이와 같은 음향 데이터를 이용한 음향 분석의 경우, 주로 설비의 진동으로 고장을 추정하다가, 진동 데이터로 고장을 추정하기 어렵거나 애매한 상황인 경우, 이용할 수 있으며, 음향 데이터의 비가청 주파수 대역의 음향을 보조적으로 활용해서 고장 예지/예측을 높일 수 있도록 할 수 있다.
특징 추출부(300)는 센서 데이터 변환부(200)를 통해 변환된 진동 및 음향을 포함한 센서 데이터들의 특징(feature)을 추출한다.
나아가 특징 추출부(300)는 도 2에 도시된 바와 같이, 센서 데이터 변환부(200)로부터 수집된 데이터의 차원을 축소시켜 특징부만 추출하는 오토인코더(Auto Encoder, 310)를 사용할 수 있다.
데이터 학습부(400)는 특징 추출부(300)를 통해 정상/고장 특징을 추출하고, 합성곱 신경망(CNN, Convolutional Neural Network)을 이용해 정상/고장 데이터를 학습한다.
또한 데이터 학습부(400)는 합성곱 신경망 중에서도 2차원 합성곱 신경망인 2D-CNN을 이용해 정상/고장 데이터를 학습할 수 있다.
특히, 2D-CNN은 2차원 합성곱 신경망으로 시간과 주파수로 이루어진 STFT에 대한 정상/고장 특성을 추출하여 정상/고장 데이터를 학습할 수 있다.
나아가 데이터 학습부(400)는 EfficientNet 또는 ResNet 지도학습을 통해 정상/고장 데이터를 학습할 수도 있다.
여기서 EfficientNet은 이미지 분류를 위한 CNN모델의 성능이 depth(d), width(w), resolution(r) 세 가지 요소의 비율에 따라 달라지는데, 이 세가지 요소들을 독립적이 아닌 조화롭게 조합할 수 있는 Compound Scaling 기법을 사용함으로써 적은 파라미터로 높은 성능을 낼 수 있는 효율적인 모델이다.
구체적으로 도 6을 참조하면 EfficientNet 또는 ResNet 지도학습은 영상 분석 알고리즘으로서, 음향 방출 센서의 데이터 취득 후 FFT 변환과 스펙트로그램(Spectrogram) 변환으로 음향[db]를 이미지화하여 색상으로 구분하여 특징을 검출할 수 있으며, 검출된 특징을 토대로 지도학습을 수행함으로써, 설비 고장 유형별 지도학습을 통해 고장을 판별할 수 있다.
도 6에서는 정상 데이터에 대한 스펙트로그램 데이터와 베어링 결함시 스펙트로그램 데이터를 비교하여 도시한 예시를 보여주고 있다.
또한 도 7은 음향 방출 센서 등으로부터 수집된 음향 데이터를 기반으로 Raw Data, FFT, Event등 실시간 모니터링을 위한 다양한 상태감시 화면 예시를 보여주고 있다.
또한, 데이터 학습부(400)는 강화학습 알고리즘인 GAN(Generative Adversarial Network) 알고리즘을 통해 정상/고장 데이터를 학습하기 위해 도 2에 도시된 바와 같이, 고장 데이터 학습부(410)를 더 포함할 수 있다.
여기서, GAN은 대표적인 강화학습 알고리즘으로, 생성기(Generator)를 통하여 고장 진단에 필요한 기준이 되는 유사 센서 데이터를 반복 생성하여 강화학습을 위한 진단 판별시 정확도를 향상시키기 위한 데이터 증강학습에 활용할 수 있도록 한다.
고장원인 진단부(500)는 센서 데이터들과 데이터 학습부(400)를 통해 학습된 데이터를 비교하여 고장 원인을 진단 및 예측할 수 있으며, 상술한 GAN 알고리즘 및 2D-CNN 알고리즘, EfficientNet 또는 ResNet 지도학습 등을 추가로 활용하여, 다양한 고장 유형을 진단하고, 고장 진단 판별 정확도를 향상시킬 수 있다.
100 : 센서 데이터 수집부
200 : 센서 데이터 변환부
300 : 특징 추출부
310 : 오토인코더
400 : 데이터 학습부
410 : 고장 데이터 학습부
500 : 고장원인 진단부
1000 : 인공지능 기반의 회전설비 고장예지진단시스템

Claims (7)

  1. 복수의 센서를 통해 진동 및 음향을 수집하는 센서 데이터 수집부;
    상기 센서 데이터 수집부를 통해 수집된 진동 및 음향 데이터를 변환하는 센서 데이터 변환부;
    상기 센서 데이터 변환부를 통해 변환된 진동 및 음향을 포함한 센서 데이터들의 특징(feature)을 추출하는 특징 추출부;
    상기 특징 추출부를 통해 정상/고장 특징을 추출하고, 신경망 알고리즘을 이용해 고장 판단을 위한 정상/고장 데이터를 학습하는 데이터 학습부; 및
    상기 센서 데이터들과 상기 데이터 학습부를 통해 학습된 정상/고장 데이터를 비교하여 고장원인을 진단 및 예측하는 고장원인 진단부를 포함하며,
    상기 특징 추출부는
    상기 센서 데이터 변환부로부터 수집된 센서 데이터의 차원을 축소시켜 특징부만 추출하는 오토인코더(Auto Encoder)를 사용하고,
    상기 데이터 학습부는
    강화학습 알고리즘인 GAN(Generative Adversarial Network) 알고리즘을 통해 정상/고장 데이터를 학습하는 고장 데이터 학습부를 더 포함하며,
    2차원 합성곱 신경망인 2D-CNN을 이용해 정상/고장 데이터를 학습하고,
    EfficientNet 또는 ResNet 지도학습을 통해 정상/고장 데이터를 학습하며,
    상기 EfficientNet 또는 ResNet 지도학습은 영상 분석 알고리즘으로서, 음향 방출 센서의 데이터 취득 후 FFT 변환과 스펙트로그램(Spectrogram) 변환으로 음향[db]를 이미지화하여 색상으로 구분하여 특징을 검출할 수 있으며, 검출된 특징을 토대로 지도학습을 수행함으로써, 설비 고장 유형별 지도학습을 통해 고장을 판별할 수 있으며,
    상기 GAN은 강화학습 알고리즘으로, 생성기(Generator)를 통하여 고장 진단에 필요한 기준이 되는 유사 센서 데이터를 반복 생성하여 강화학습을 위한 진단 판별시 정확도를 향상시키기 위한 데이터 증강학습에 활용할 수 있도록 하고,
    상기 고장원인 진단부는 센서 데이터들과 상기 데이터 학습부를 통해 학습된 데이터를 비교하여 고장 원인을 진단 및 예측하되,
    상기 GAN 알고리즘, 2D-CNN 알고리즘, EfficientNet 또는 ResNet 지도학습을 추가로 활용하여, 고장 유형을 진단하고, 고장 진단 판별 정확도를 향상시킬 수 있는 것을 특징으로 하는 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템.
  2. 삭제
  3. 제1 항에 있어서,
    상기 센서 데이터 변환부는
    상기 센서 데이터 수집부를 통해 수집된 진동 데이터를 FFT(fast Fourier transform)를 통해 주파수 영역으로 변환한 후, 진동 주파수 데이터를 STFT(Short-time Fourier transform)로 변환하는 것을 특징으로 하는 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템.
  4. 삭제
  5. 삭제
  6. 제1 항에 있어서,
    상기 센서 데이터 변환부는
    상기 센서 데이터 수집부를 통해 수집된 음향 데이터를 FFT(fast Fourier transform)를 통해 주파수 영역으로 변환한 후, 스팩트럼화하여 상기 음향을 이미지화하는 것을 특징으로 하는 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템.
  7. 삭제
KR1020210132477A 2021-10-06 2021-10-06 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 KR102393095B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210132477A KR102393095B1 (ko) 2021-10-06 2021-10-06 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210132477A KR102393095B1 (ko) 2021-10-06 2021-10-06 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템

Publications (1)

Publication Number Publication Date
KR102393095B1 true KR102393095B1 (ko) 2022-05-02

Family

ID=81593540

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210132477A KR102393095B1 (ko) 2021-10-06 2021-10-06 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템

Country Status (1)

Country Link
KR (1) KR102393095B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115831151A (zh) * 2022-11-22 2023-03-21 内蒙古大板发电有限责任公司 一种基于声音频谱分析的故障设备智能监测装置及其方法
KR102514531B1 (ko) * 2022-07-19 2023-03-27 정재호 열악한 날씨의 영상 개선 장치 및 방법
CN116403605A (zh) * 2023-06-08 2023-07-07 宁德时代新能源科技股份有限公司 设备故障预测方法、堆垛机故障预测方法及相关装置
CN116541800A (zh) * 2023-07-06 2023-08-04 利维智能（深圳）有限公司 基于振动和声音数据的融合诊断方法、系统、设备及介质
CN117473872A (zh) * 2023-11-10 2024-01-30 广东石油化工学院 一种基于fft编码和l-cnn滚动轴承故障诊断方法
KR102660993B1 (ko) * 2023-08-23 2024-04-26 주식회사 티라유텍 제조 실행 시스템에서 인공지능 학습을 위한 데이터 증강 방법 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6276817B1 (ja) * 2016-09-09 2018-02-07 Thk株式会社 故障検出用センサ付きアクチュエータ及びアクチュエータの故障検出方法
KR20200074652A (ko) 2018-12-17 2020-06-25 김홍규 스마트팩토리 데이터 관리 및 플랫폼 서비스를 위한 장치
KR102275571B1 (ko) * 2020-01-28 2021-07-09 계경완 스마트 단말 기반 소리 및 진동을 이용한 기기 진단 서비스 제공 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6276817B1 (ja) * 2016-09-09 2018-02-07 Thk株式会社 故障検出用センサ付きアクチュエータ及びアクチュエータの故障検出方法
KR20200074652A (ko) 2018-12-17 2020-06-25 김홍규 스마트팩토리 데이터 관리 및 플랫폼 서비스를 위한 장치
KR102275571B1 (ko) * 2020-01-28 2021-07-09 계경완 스마트 단말 기반 소리 및 진동을 이용한 기기 진단 서비스 제공 방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102514531B1 (ko) * 2022-07-19 2023-03-27 정재호 열악한 날씨의 영상 개선 장치 및 방법
CN115831151A (zh) * 2022-11-22 2023-03-21 内蒙古大板发电有限责任公司 一种基于声音频谱分析的故障设备智能监测装置及其方法
CN116403605A (zh) * 2023-06-08 2023-07-07 宁德时代新能源科技股份有限公司 设备故障预测方法、堆垛机故障预测方法及相关装置
CN116541800A (zh) * 2023-07-06 2023-08-04 利维智能（深圳）有限公司 基于振动和声音数据的融合诊断方法、系统、设备及介质
KR102660993B1 (ko) * 2023-08-23 2024-04-26 주식회사 티라유텍 제조 실행 시스템에서 인공지능 학습을 위한 데이터 증강 방법 및 시스템
CN117473872A (zh) * 2023-11-10 2024-01-30 广东石油化工学院 一种基于fft编码和l-cnn滚动轴承故障诊断方法

Similar Documents

Publication Publication Date Title
KR102393095B1 (ko) 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템
US10495693B2 (en) Wind turbine fault detection using acoustic, vibration, and electrical signals
CA2875071C (en) Method and system for testing operational integrity of a drilling rig
JP5460160B2 (ja) 設備機器の診断装置
CA2874991A1 (en) Methods and apparatuses for defect diagnosis in a mechanical system
Shifat et al. EEMD assisted supervised learning for the fault diagnosis of BLDC motor using vibration signal
JP6714806B2 (ja) 状態監視装置及び状態監視方法
KR20110009615A (ko) 데이터 수집장치 및 상기 데이터 수집장치를 구비한 설비기기의 진단장치
JP5765881B2 (ja) 設備機器の診断装置
Liu et al. Fault diagnosis of ball bearing elements: A generic procedure based on time-frequency analysis
KR20210006832A (ko) 기계고장 진단 방법 및 장치
Bendjama et al. Wavelets and principal component analysis method for vibration monitoring of rotating machinery
JP2017207435A (ja) 異常診断方法
Thanagasundram et al. A fault detection tool using analysis from an autoregressive model pole trajectory
KR20220102364A (ko) 진동 센서를 통한 설비 예지 보전 시스템
KR102034856B1 (ko) 전동기 베어링 고장 및 상태 진단 방법 및 장치
JP6243940B2 (ja) 風力発電システムの異常予兆診断システム
Thanagasundram et al. Autoregressive based diagnostics scheme for detection of bearing faults
Yuvaraj et al. Bearing fault prediction using current signature analysis in electric water pump
Rubhini et al. Machine condition monitoring using audio signature analysis
Gaikwad et al. Bearing fault detection using Thomson's multitaper periodogram
Minemura et al. Acoustic feature representation based on timbre for fault detection of rotary machines
CN113446235B (zh) 一种二次供水设备的离心泵故障诊断方法
US20220365524A1 (en) Device for fault detection and failure prediction by monitoring vibrations of objects in particular industrial assets
US11598694B2 (en) Abnormality diagnosis system for rotary electric machine

Legal Events

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