KR102484041B1 - 시스템 레벨 상태 예측 장치 및 방법 - Google Patents

시스템 레벨 상태 예측 장치 및 방법 Download PDF

Info

Publication number
KR102484041B1
KR102484041B1 KR1020210035091A KR20210035091A KR102484041B1 KR 102484041 B1 KR102484041 B1 KR 102484041B1 KR 1020210035091 A KR1020210035091 A KR 1020210035091A KR 20210035091 A KR20210035091 A KR 20210035091A KR 102484041 B1 KR102484041 B1 KR 102484041B1
Authority
KR
South Korea
Prior art keywords
information
component
prediction
unit
health
Prior art date
Application number
KR1020210035091A
Other languages
English (en)
Other versions
KR20220130338A (ko
Inventor
최주호
김남호
김석구
Original Assignee
한국항공대학교산학협력단
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 한국항공대학교산학협력단 filed Critical 한국항공대학교산학협력단
Priority to KR1020210035091A priority Critical patent/KR102484041B1/ko
Publication of KR20220130338A publication Critical patent/KR20220130338A/ko
Application granted granted Critical
Publication of KR102484041B1 publication Critical patent/KR102484041B1/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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Steam Boilers And Waste-Gas Boilers (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 시스템 레벨 상태 예측 장치 및 방법에 관한 것으로, 더욱 상세하게는 시스템을 구성하는 물리 기반 접근법 및 데이터 기반 접근법 중 어느 하나 이상을 적용하되, 물리적인 구성요소 각각의 건강상태 및 시스템 레벨의 건강 상태 둘 모두를 복합적으로 고려하여 물리적인 구성요소의 건강 상태뿐만 아니라 시스템 관점에서의 시스템 건강 상태를 예측하고 잔여수명을 예측할 수 있는 시스템 레벨 상태 예측 장치 및 방법에 관한 것이다.

Description

시스템 레벨 상태 예측 장치 및 방법{System-level prognostics apparatus and method thereof}
본 발명은 시스템 레벨 상태 예측 장치 및 방법에 관한 것으로, 더욱 상세하게는 시스템을 구성하는 물리적인 구성요소의 건강 상태뿐만 아니라 시스템 관점에서의 시스템 건강 상태를 판단하고 잔여수명을 예측할 수 있는 시스템 레벨 상태 예측 장치 및 방법에 관한 것이다.
일반적으로, 산업분야에서 시스템의 고장 시점 및 잔여수명에 대한 예측은 경제적 이점 및 시스템 안전 구동 등과 같은 다양한 이점을 제공한다.
이러한 이유로 연구자뿐만 아니라 산업 엔지니어들은 건전성 예측 관리(Prognostics and Health Management: PHM)에 관한 많은 연구를 진행하고 있다.
그러나 현재까지의 건전성 예측 관리는 베어링, 배터리, 기어 등과 같은 시스템의 물리적 구성요소들에 대해 초점이 맞춰져 있었다.
실제로 엔지니어링 시스템은 여러 구성요소로 구성되며, 구성요소들은 시스템 성능이라고 부르는 원래의 특별한 기능을 수행하기 위해 디자인된다.
시스템 내에서 구성요소들이 상호 작용하기 때문에 구성요소들의 개별 성능 저하는 사소하지 않은 방식으로 성능에 영향을 미칠 수 있다.
이러한 의미에서 구성요소와 달리 시스템 레벨의 건전성 예측 관리의 주요 과제는 시스템과 구성요소 간의 상호 관계를 파악하는 것이다.
이를 위해 구성요소들의 저하로 인한 시스템 상태 탐색하고, 구성요소 및 시스템 성능의 상태를 추론하여야 하며, 시스템 실패 임계치에 대한 구성요소 수명을 예측해야 할 것이다.
이와 같이 여러 단계에 걸쳐 다양한 요소들을 파악하여야 하므로 종래 시스템 레벨의 상태를 판단하기 위해서는 많은 인력과 시간이 소요되는 문제점이 있었다.
이러한 문제점을 해결하기 위해 물리 기반 접근법 또는 데이터 기반 접근법에 의한 시스템 레벨 상태를 진행하는 방법들이 제안되고 있다.
그러나 종래 물리 기반 접근법에 의한 시스템 레벨 상태 예측 방법은 시스템에 대한 물리 모델을 개발하는 데 많은 시간이 소요되는 문제점이 있었다.
또한, 종래 데이터 기반 접근법에 의한 시스템 레벨 상태 예측 방법은 시스템 레벨의 모델을 훈련하기 위한 실행 실패 데이터가 부족한 문제점이 있으며, 구성요소의 성능 저하 및 잔여수명을 반영하지 못하여 그 정확도 및 신뢰성이 떨어지는 문제점이 있었다.
이러한 문제점으로 구성요소 및 시스템 레벨 둘 모두를 고려한 시스템 레벨 상태 예측 장치의 개발이 요구되고 있다.
대한민국 공개특허 제10-2020-0094954호(2020.08.10. 공개)
H. Khorasgani, G. Biswas, and S. Sankararaman, "Methodologies for system-level remaining useful life prediction," Reliab. Eng. Syst. Saf., 2016 H. Khorasgani, G. Biswas, and S. Sankararaman, "Methodologies for system-level remaining useful life prediction," Reliab. Eng. Syst. Saf., 2016
따라서 본 발명의 목적은 시스템을 구성하는 물리 기반 접근법 및 데이터 기반 접근법 중 어느 하나 이상을 적용하되, 물리적인 구성요소 각각의 건강 상태 및 시스템 레벨의 건강 상태 둘 모두를 복합적으로 고려하여 물리적인 구성요소의 건강 상태뿐만 아니라 시스템 관점에서의 시스템 건강 상태를 판단하고 잔여수명을 예측할 수 있는 시스템 레벨 상태 예측 장치 및 방법을 제공함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 시스템 레벨 상태 예측 장치는: 건전성 예측 대상 시스템과 연결되어, 상기 건전성 예측 대상 시스템의 구성요소의 센싱 데이터 및 시스템의 동작 데이터를 포함하는 측정정보(z)를 수집하여 출력하는 구성요소 동작정보 수집부; 시스템 레벨 진단 입력정보 입력받는 입력부; 상기 건전성 예측 대상 시스템의 작동 주기 동안 상기 동작정보 수집부를 통해 수집되는 측정정보를 저장하는 저장부; 및 상기 건전성 예측 대상 시스템의 물리 모델 존재 여부에 따라 물리 기반 접근법 및 데이터 접근법 중 어느 하나 이상을 선택한 후, 상기 측정정보(z) 및 입력받은 상기 시스템 레벨 진단 입력정보를 선택된 접근법에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 PHM 진단부를 포함하는 것을 특징으로 한다.
상기 구성요소 동작정보 수집부는, 상기 건전성 예측 대상 시스템에 설치되어 측정 대상 구성요소에 의해 발생하는 측정요소를 센싱하여 상기 측정요소에 대한 센싱 데이터를 상기 측정정보(z)로서 출력하는 센싱부; 및 상기 건전성 예측 대상 시스템과 데이터통신을 수행하여 상기 건전성 예측 대상 시스템으로부터 동작 데이터를 상기 측정정보(z)로서 출력하는 통신부를 포함하는 것을 특징으로 한다.
상기 PHM 진단부는, 상기 구성요소 동작정보 수집부 및 입력부를 통해 상기 측정정보 및 시스템 레벨 예측 입력정보를 수집하여 상기 저장부에 저장하는 데이터 수집부; 및 상기 건전성 예측 대상 시스템의 물리 모델 존재 여부에 따라 물리 기반 접근법 및 데이터 접근법 중 어느 하나 이상을 선택한 후, 상기 측정정보 및 입력받은 상기 시스템 레벨 예측 입력정보를 선택된 접근법에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 PHM 분석부를 포함하는 것을 특징으로 한다.
상기 데이터 수집부는, 상기 구성요소 동작정보 수집부를 통해 상기 측정정보를 수집하고, 상기 입력부를 통해 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u)를 수집하여 상기 저장부에 저장하는 시스템 역학 데이터 획득부; 및 상기 구성요소 동작정보 수집부를 통해 측정정보를 수집하고, 상기 입력부를 통해 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보(S)를 입력받고, 상기 측정정보(z)를 하기 수학식을 적용하여 측정신호 특징정보(fz)를 생성하여 저장부에 저장하는 유지 관리 데이터 획득부를 포함하는 것을 특징으로 한다.
[수학식]
Figure 112021031762770-pat00001
여기서, fe는 원시 측정신호에 대한 측정정보(z) 및 작동 매개변수(u)의 함수로 특징 추출 함수를 나타낸다.
상기 PHM 분석부는, 상기 건전성 예측 대상 시스템의 물리 모델 존재 시 동작하여 상기 측정정보(z) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u)를 측정 물리 모델에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 상태 물리 모델 및 시스템 성능 물리 모델에 구성요소 건강상태정보(h) 및 예측 상태(x)를 적용하여 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 물리 기반 PHM 분석부; 및 상기 건전성 예측 대상 시스템의 물리 모델 존재하지 않으면 동작하여 상기 측정정보에 대한 측정신호 특징정보(fz) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보를 건강상태 추정 인공지능 모델에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 상기 구성요소 건강상태정보(h) 및 동작 매개변수(u)를 시스템 성능 예측 인공지능 모델에 적용하여 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 데이터 기반 PHM 분석부를 포함하는 것을 특징으로 한다.
상기 물리 기반 PHM 분석부는, 상기 구성요소 동작정보 수집부 및 입력부를 통해 측정정보(z) 및 동작 매개변수(u)를 획득하는 파라미터 획득부, 상기 상태 물리 모델에 동작 매개변수(u) 및 측정정보(z)를 적용하여 임시 상태정보(
Figure 112021031762770-pat00002
) 및 임시 구성요소 건강상태정보(
Figure 112021031762770-pat00003
)를 생성하고, 상기 임시 상태정보(
Figure 112021031762770-pat00004
) 및 임시 구성요소 건강상태정보(
Figure 112021031762770-pat00005
)를 측정 물리 모델에 적용하여 추정 상태정보(x) 및 추정 구성요소 건강상태정보(h)를 생성하여 출력하는 추정부 및 예측 구성요소 건강상태정보(h) 및 동작 매개변수(u)를 입력받아 상기 상태 물리 모델에 적용하여 예측 상태정보(x)를 생성한 후, 시스템 성능 물리 모델에 상기 추정 상태정보(x), 예측 상태정보(x) 및 추정 구성요소 건강상태정보(h)를 적용하여 시스템 성능 정보(S)를 생성하는 예측부를 포함하는 온라인 예측부; 및 상기 추정 구성요소 건강상태정보를 하기 수학식 9에 적용하여 구성요소 성능열화 추이를 판단하고, 구성요소 성능열화에 따른 예측 구성요소 건강상태정보(h=hcyc)를 생성하여 상기 온라인 예측부(310)로 출력하는 건강상태 예측부(321) 및 상기 구성요소 성능열화에 의해 구성요소의 잔여수명을 예측하고, 생성된 시스템 성능 정보에 따른 시스템 성능열화의 추이에 따른 시스템 잔여수명을 예측하는 잔여수명 결정부(322)를 포함하는 오프라인 예측부를 포함하는 것을 특징으로 한다.
[수학식]
Figure 112021031762770-pat00006
여기서 hcyc는 주기의 함수로서 구성요소 건강상태정보를 나타내고, d는 수학적 모델, θ는 모델 매개변수, t는 주기이다.
상기 데이터 기반 PHM 분석부는, 상기 구성요소 동작정보 수집부 및 입력부를 통해 측정정보(z) 및 동작 매개변수(u)를 획득하는 파라미터 획득부, 상기 건전성 예측 대상 시스템의 물리 모델 존재하지 않으면 동작하여 상기 측정정보에 대한 측정신호 특징정보(fz) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보를 건강상태 추정 인공지능 모델에 적용하여 구성요소 레벨 주기별 추정 구성요소 건강상태정보(h)를 생성하여 출력하는 추정 모델부 및 예측 구성요소 건강상태정보(h)를 입력받아 동작 매개변수(u)와 함께 시스템 성능 예측 인공지능 모델에 적용하여 시스템 성능 정보(S)를 생성하는 예측 모델부를 포함하는 온라인 예측부; 및 상기 추정 구성요소 건강상태정보를 하기 수학식에 적용하여 구성요소 성능열화 추이를 판단하고, 구성요소 성능열화에 따른 예측 구성요소 건강상태정보(h=hcyc)를 생성하여 상기 추정 모델부로 출력하는 건강상태 예측부 및 주기별 예측 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 잔여수명 결정부를 포함하는 오프라인 예측부를 포함하는 것을 특징으로 한다.
[수학식]
Figure 112021031762770-pat00007
여기서 hcyc는 주기의 함수로서 구성요소 건강상태정보를 나타내고, d는 수학적 모델, θ는 모델 매개변수, t는 주기이다. 한다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 시스템 레벨 상태 예측 방법은: PHM 예측부가 구성요소 동작정보 수집부를 통해 건전성 예측 대상 시스템과 연결되어, 상기 건전성 예측 대상 시스템의 구성요소의 센싱 데이터 및 시스템의 동작 데이터를 포함하는 측정정보(z)를 수집하는 구성요소 동작정보 수집 과정; PHM 예측부가 입력부를 통해 시스템 레벨 예측 입력정보 입력받는 시스템 레벨 예측 입력정보 획득 과정; PHM 예측부가 상기 건전성 예측 대상 시스템의 작동 주기 동안 상기 동작정보 수집부를 통해 수집되는 측정정보를 저장부에 저장하는 저장 과정; 및 상기 PHM 예측부가 상기 건전성 예측 대상 시스템의 물리 모델 존재 여부에 따라 물리 기반 접근법 및 데이터 접근법 중 어느 하나 이상을 선택한 후, 상기 측정정보(z) 및 입력받은 상기 시스템 레벨 예측 입력정보를 선택된 접근법에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 PHM 예측 과정을 포함하는 것을 특징으로 한다.
상기 구성요소 동작정보 수집 과정은, 상기 PHM 예측부가 구성요소 동작정보 수집부의 센싱부를 통해 상기 건전성 예측 대상 시스템에 설치되어 측정 대상 구성요소에 의해 발생하는 측정요소를 센싱하여 상기 측정요소에 대한 센싱 데이터를 상기 측정정보로서 수집하는 센싱 정보 수집 단계; 및 상기 PHM 예측부가 구성요소 동작정보 수집부의 통신부를 통해 상기 상기 건전성 예측 대상 시스템과 데이터통신을 수행하여 상기 건전성 예측 대상 시스템으로부터 동작 데이터를 상기 측정정보로서 수집하는 동작 데이터 수집 단계를 포함하는 것을 특징으로 한다.
상기 PHM 예측 과정은, 상기 PHM 예측부가 데이터 수집부를 통해 상기 건전성 예측 대상 시스템의 물리 모델 존재 여부에 따라 물리 기반 접근법 및 데이터 접근법에 따라 상기 구성요소 동작정보 수집부 및 입력부를 통해 상기 측정정보 및 시스템 레벨 예측 입력정보를 수집하여 상기 저장부에 저장하는 데이터 획득 단계; 및 PHM 예측부가 PHM 분석부를 통해 상기 건전성 예측 대상 시스템의 물리 모델 존재 여부에 따라 물리 기반 접근법 및 데이터 접근법 중 어느 하나 이상을 선택한 후, 상기 측정정보 및 입력받은 상기 시스템 레벨 예측 입력정보를 선택된 접근법에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 PHM 분석 단계를 포함하는 것을 특징으로 한다.
상기 데이터 획득 단계는, PHM 예측부가 데이터 수집부의 시스템 역학 데이터 획득부를 통해 상기 구성요소 동작정보 수집부로부터 상기 측정정보를 수집하고, 상기 입력부로부터 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u)를 수집하여 상기 저장부에 저장하는 시스템 역학 데이터 획득 단계; 및 PHM 예측부가 데이터 수집부의 유지 관리 데이터 획득부를 통해 상기 구성요소 동작정보 수집부로부터 측정정보를 수집하고, 상기 입력부로부터 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보(S)를 입력받고, 상기 측정정보(z)를 하기 수학식을 적용하여 측정신호 특징정보(fz)를 생성하는 유지 관리 데이터 획득부를 포함하는 것을 특징으로 한다.
[수학식 ]
Figure 112021031762770-pat00008
여기서, fe는 원시 측정신호에 대한 측정정보(z) 및 작동 매개변수(u)의 함수로 특징 추출 함수를 나타낸다.
상기 PHM 분석 단계는, PHM 예측부가 상기 건전성 예측 대상 시스템의 물리 모델 존재 시 PHM 분석부의 물리 기반 PHM 분석부를 동작시켜 상기 측정정보(z) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u)를 측정 물리 모델에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 상태 물리 모델 및 시스템 성능 물리 모델에 구성요소 건강상태정보(h) 및 예측 상태(x)를 적용하여 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 물리 기반 PHM 분석 단계; 및 상기 PHM 예측부가 상기 건전성 예측 대상 시스템의 물리 모델 존재하지 않으면 PHM 분석부의 데이터 기반 PHM 분석부를 동작시켜 상기 측정정보에 대한 측정신호 특징정보(fz) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보를 건강상태 추정 인공지능 모델에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 상기 구성요소 건강상태정보(h) 및 동작 매개변수(u)를 시스템 성능 예측 인공지능 모델에 적용하여 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 데이터 기반 PHM 분석 단계를 포함하는 것을 특징으로 한다.
상기 물리 기반 PHM 분석 단계는, 상기 상태 물리 모델에 동작 매개변수(u) 및 측정정보(z)를 적용하여 임시 상태정보(
Figure 112021031762770-pat00009
) 및 임시 구성요소 건강상태정보(
Figure 112021031762770-pat00010
)를 생성하는 임시 구성요소 건강상태정보 생성 단계; 상기 임시 상태정보(
Figure 112021031762770-pat00011
) 및 임시 구성요소 건강상태정보(
Figure 112021031762770-pat00012
)를 측정 물리 모델에 적용하여 추정 상태정보(x) 및 추정 구성요소 건강상태정보(h)를 생성하는 추정 구성요소 건강상태정보 생성 단계; 상기 추정 구성요소 건강상태정보를 하기 수학식에 적용하여 구성요소 성능열화 추이를 판단하고, 구성요소 성능열화에 따른 예측 구성요소 건강상태정보(h=hcyc)를 생성하는 예측 구성요소 건강상태정보 생성 단계;
[수학식]
Figure 112021031762770-pat00013
여기서 hcyc는 주기의 함수로서 구성요소 건강상태정보를 나타내고, d는 수학적 모델, θ는 모델 매개변수, t는 주기이다.
상기 구성요소 성능열화에 의해 구성요소의 잔여수명을 예측하는 구성요소 잔여수명 예측 단계; 상기 예측 구성요소 건강상태정보(u) 및 동작 매개변수(u)를 상기 상태 물리 모델에 적용하여 예측 상태정보(x)를 생성하는 예측 상태정보 생성 단계; 시스템 성능 물리 모델에 상기 추정 상태정보(x), 예측 상태정보(x) 및 추정 구성요소 건강상태정보(h)를 적용하여 시스템 성능 정보(S)를 생성하는 시스템 성능 정보 예측 단계; 및 생성된 시스템 성능 정보에 따른 시스템 성능열화의 추이에 따른 시스템 잔여수명을 예측하는 시스템 성능 잔여 수명 예측 단계를 포함하는 것을 특징으로 한다.
상기 데이터 기반 PHM 분석 단계는, 상기 건전성 예측 대상 시스템의 물리 모델 존재하지 않으면 동작하여 상기 측정정보에 대한 측정신호 특징정보(fz) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보를 건강상태 추정 인공지능 모델에 적용하여 구성요소 레벨 주기별 추정 구성요소 건강상태정보(h)를 생성하는 추정 구성요소 건강상태정보 생성 단계; 상기 추정 구성요소 건강상태정보를 하기 수학식에 적용하여 구성요소 성능열화 추이를 판단하고, 구성요소 성능열화에 따른 예측 구성요소 건강상태정보(h=hcyc)를 생성하는 예측 구성요소 건강상태정보 생성 단계;
[수학식]
Figure 112021031762770-pat00014
여기서 hcyc는 주기의 함수로서 구성요소 건강상태정보를 나타내고, d는 수학적 모델, θ는 모델 매개변수, t는 주기이다.
주기별 예측 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 상기 예측 구성요소 건강상태정보(h) 및 동작 매개변수(u)를 시스템 성능 예측 인공지능 모델에 적용하여 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성하는 시스템 성능 정보 생성 단계; 및 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 시스템 잔여수명 예측 단계를 포함하는 것을 특징으로 한다.
본 발명은 구성요소 및 시스템 둘 모두의 건강 상태를 복합적으로 고려하여 시스템의 건전성 예측 관리를 수행하므로 구성요소별 상태 및 잔여수명뿐만 아니라 시스템의 보다 정확한 상태 및 잔여수명을 예측할 수 있는 효과가 있다.
또한, 본 발명은 실시예에 따라 물리 기반 접근법 및 데이터 기반 접근법 중 어느 하나 이상을 적용하여 구성요소 및 시스템에 대한 건강 상태 및 잔여수명을 예측할 수 있으므로 활용성을 높이면서도 예측 정확도를 향상시킬 수 있는 효과가 있다.
도 1은 본 발명에 따른 시스템 레벨 상태 예측 장치와 건전성 예측 대상 시스템과의 연결관계를 나타낸 도면이다.
도 2는 본 발명에 따른 시스템 레벨 상태 예측 장치에서의 시스템 레벨 상태 예측 개념을 설명하기 위한 도면이다.
도 3은 본 발명에 따른 시스템 레벨 상태 예측 장치의 구성을 나타낸 도면이다.
도 4는 본 발명에 따른 시스템 레벨 상태 예측 장치의 물리 기반 건전성 예측 관리(PHM) 분석부의 구성을 나타낸 도면이다.
도 5는 본 발명에 따른 시스템 레벨 상태 예측 장치의 데이터 기반 PHM 분석부의 구성을 나타낸 도면이다.
도 6은 본 발명의 제1실시예에 따른 시스템 레벨 상태 예측 방법을 나타낸 흐름도이다.
도 7은 본 발명의 제2실시예에 따른 물리 기반 및 데이터 기반 중 어느 하나 이상의 선택에 의한 시스템 레벨 상태 예측 방법을 나타낸 도면이다.
도 8은 본 발명에 따른 시스템 레벨 상태 예측 방법 중 물리 기반 접근법을 적용한 시스템 레벨 예측 방법을 나타낸 흐름도이다.
도 9는 본 발명에 따른 시스템 레벨 상태 예측 방법 중 데이터 기반 접근법을 적용한 시스템 레벨 예측 방법을 나타낸 흐름도이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 시스템 레벨 상태 예측 장치의 구성 및 동작을 설명하고, 상기 장치에서의 시스템 레벨 상태 예측 방법을 설명한다.
도 1은 본 발명에 따른 시스템 레벨 상태 예측 장치와 건전성 예측 대상 시스템과의 연결관계를 나타낸 도면이고, 도 2는 본 발명에 따른 시스템 레벨 상태 예측 장치에서의 시스템 레벨 상태 예측 개념을 설명하기 위한 도면이다. 이하 도 1 및 도 2를 참조하여 설명한다.
본 발명에 따른 시스템 레벨 상태 예측 장치(100)는 물리적인 구성인 구성요소(Comp.1, Comp.2, Comp.3,..)를 포함하는 물리 시스템인 건전성 예측 대상 시스템(10)에 연결되어 건전성 예측 대상 시스템(10)의 센싱 데이터 및 동작 데이터를 포함하는 측정정보(z)를 수집한다.
예를 들어 상기 건전성 예측 대상 시스템(10)은 구성요소로서 모터(Comp.1), 컨베이어 벨트(Comp.2), 리드 스크류(Comp.3) 등을 포함하는 물리 시스템일 수 있을 것이다.
상기 건전성 예측 대상 시스템(10)은 물리 시스템으로서 상기 구성요소 및 시스템에 대한 물리 모델이 존재하는 시스템일 수도 있고, 물리 모델이 존재하지 않는 시스템일 수도 있을 것이다.
상기 건전성 예측 대상 시스템(10)은 상기 구성요소, 예를 들어 모터(Comp.1)의 회전에 의해 진동, 소음 등을 발생시킬 수 있을 것이다.
시스템 레벨 상태 예측 장치(100)는 상기 건전성 예측 대상 시스템(10)에 진동, 소음 등의 특정 신호를 센싱하기 위한 센싱 수단을 구비하고, 상기 센싱 수단을 통해 구성요소 중 어느 하나 이상에 의해 발생되는 신호를 센싱한 센싱 데이터를 획득하고, 건전성 예측 대상 시스템(10)의 동작에 따른 동작 데이터를 획득하여 상기 센싱 데이터 및 동작 데이터를 포함하는 측정정보(z)를 획득한다. 상기 동작 데이터는 시스템의 동작 시간, 동작 시간 동안 모터 회전 속도, 컨베이어 벨트 속도 등이 될 수 있을 것이다.
또한, 시스템 레벨 상태 예측 장치(100)는 관리자로부터 시스템 레벨 예측 입력정보를 입력받을 수 있을 것이다. 상기 시스템 레벨 예측 입력정보는 동작 매개변수(u), 추정(과거) 시스템 성능 정보 등이 될 수 있을 것이다. 상기 추정 시스템 성능 정보는 관리자에 의해 입력되는 정보일 수도 있고, 과거에 예측된 정보일 수도 있을 것이다.
시스템 레벨 상태 예측 장치(100)는 측정정보가 수집되고 상기 건전성 예측 대상 시스템(10)이 물리 모델이 존재하는 시스템이면 물리 기반 접근법을 적용하여 구성요소들에 대한 잔여수명 및 시스템, 즉 건전성 예측 대상 시스템(10)의 잔여수명을 예측한다.
도 2를 참조하면 구성요소1(Comp.1)은 예측 구성요소 건강상태정보(h)가 40%(20%/블록)이고, 구성요소2(Comp.2)는 예측 구성요소 건강상태정보(h)가 20%이며, 구성요소3(Comp.3)은 예측 구성요소 건강상태정보(h)가 60%인 반면, 잔여수명은 구성요소1이 10 사이클, 구성요소2는 40 사이클, 구성요소3은 20사이클로 예측되었다. 이 경우 시스템의 시스템 성능(S)는 80%이고, 잔여수명은 10사이클로 예측되었다.
구성요소3이 가장 많이 저하되었지만 저하 속도가 느리기 때문에 구성요소1보다 잔여수명이 더 길다.
따라서 시스템 레벨 상태 예측 장치(100)는 구성요소1에 오류가 발생되기 직전까지 잔여수명을 참조하고, 구성요소1의 잔여수명에 맞춰 수리(Repair) 시점을 결정하여 수리한다.
도 2에서 보이는 바와 같이 구성요소1에 대해 수리가 수행되었어도 다른 구성요소들 때문에 건전성 예측 대상 시스템(10)의 시스템 성능(S)이 완전한 정상으로 복원되지는 않는다.
도 3은 본 발명에 따른 시스템 레벨 상태 예측 장치의 구성을 나타낸 도면이고, 도 4는 본 발명에 따른 시스템 레벨 상태 예측 장치의 물리 기반 건전성 예측 관리(PHM) 분석부의 구성을 나타낸 도면이며, 도 5는 본 발명에 따른 시스템 레벨 상태 예측 장치의 데이터 기반 PHM 분석부의 구성을 나타낸 도면이다. 이하 도 3 내지 도 5를 참조하여 설명한다.
본 발명에 따른 시스템 레벨 상태 예측 장치(100)는 PHM 예측부(110), 저장부(120), 입력부(130) 및 구성요소 동작정보 수집부(150)를 포함하고, 실시예에 따라 디스플레이부(140)를 더 포함할 수 있을 것이다.
PHM 예측부(110)는 본 발명에 따른 시스템 레벨 상태 예측 장치(100)의 전반적인 동작을 제어한다. PHM 예측부(110)의 상세 구성 및 동작은 다른 구성요소를 먼저 설명한 후 구체적으로 설명한다.
저장부(120)는 본 발명에 따른 시스템 레벨 상태 예측 장치(100)의 전반적인 동작을 제어하기 위한 제어프로그램을 저장하는 프로그램영역, 상기 제어프로그램 수행 중에 발생되는 데이터를 일시 저장하는 임시영역, 상기 제어프로그램 수행에 필요한 데이터 및 수행 중에 발생되는 데이터를 반영구적으로 저장하는 데이터영역을 포함한다. 상기 데이터영역에는 본 발명에 따라 수집되는 측정정보(z), 시스템 레벨 예측 입력정보를 저장하고, 동작 중에 발생하는 측정신호 특징정보(fz), 구성요소 건강상태정보(h: 임의 구성요소 건강상태정보(
Figure 112021031762770-pat00015
), 추정 구성요소 건강상태정보(h), 예측 구성요소 건강상태정보(h)) 등을 저장하며, 데이터 기반 접근법을 적용하기 위한 건강 상태 추정 인공지능 모델 학습 데이터세트, 시스템 성능 예측 인공지능 모델 학습 데이터세트 등이 저장되어 있을 수 있을 것이다.
입력부(130)는 기능 제어 및 다양한 정보를 입력할 수 있는 다수의 키를 구비하는 키입력장치, 마우스, 화면에 일체로 구성되거나 별도로 구성되는 터치패드 등 중 어느 하나 이상을 포함하여 구성되어, 관리자가 시스템 레벨 예측 입력정보를 입력할 수 있도록 하고, 시스템 레벨 상태 예측 장치(100)의 동작을 제어할 수 있도록 한다.
디스플레이부(140)는 PHM 예측부(110)의 제어를 받아 시스템 레벨 상태 예측 장치(100)의 동작상태정보, 수행 중인 기능에 대응하는 다양한 정보를 텍스트, 그래픽, 영상 중 어느 하나 이상으로 표시한다.
구성요소 동작정보 수집부(150)는 센싱부(151) 및 통신부(152) 중 어느 하나 이상을 포함하고, 건전성 예측 대상 시스템(10)에 설치되고 유무선 통신매체 중 어느 하나로 연결되어, 건전성 예측 대상 시스템(10)으로부터 상기 측정정보(z)를 수집하여 PHM 예측부(110)로 출력한다.
센싱부(151)는 건전성 예측 대상 시스템(10)의 내부에 설치되어 센싱된 측정 데이터를 획득하여 측정정보의 하나로서 PHM 예측부(110)로 출력한다.
통신부(152)는 건전성 예측 대상 시스템(10)의 통신수단과 연결되어 건전성 예측 대상 시스템(10)과 데이터통신을 수행하여, 건전성 예측 대상 시스템(10)으로부터 건전성 예측 대상 시스템(10)의 동작에 따른 동작 데이터를 측정정보의 하나로서 PHM 예측부(110)로 출력한다.
PHM 예측부(110)의 상세 구성 및 동작을 설명하면, PHM 예측부(110)는 데이터 수집부(220), PHM 분석부(230)를 포함하고, 실시예에 따라 시스템 타입 설정부(210) 및 비교 분석부(240)를 포함한다.
시스템 타입 설정부(210)는 디스플레이부(140)를 통해 물리 기반 접근법을 적용한 시스템 레벨 상태 예측을 수행할지(제1방법), 데이터 기반 접근법을 적용한 시스템 레벨 상태 예측을 수행할지(제2방법), 둘 모두를 적용하여 시스템 레벨 상태 예측을 수행할지(제3방법)를 선택할 수 있는 시스템 타입 설정 수단을 제공하고, 입력부(130)를 통해 3가지 방법 중 하나를 선택 선택받고, 시스템 타입 설정정보를 데이터 수집부(220) 및 PHM 분석부(230)로 출력하도록 구성될 수 있을 것이다. 그러나 제1방법의 경우 건전성 예측 대상 시스템(10)에 대한 물리 모델이 존재하는 경우에만 적용할 수 있을 것이다.
데이터 수집부(220)는 시스템 역학 데이터 획득부(221) 및 유지관리 데이터 획득부(222)를 포함한다.
시스템 역학 데이터 획득부(221)는 상기 구성요소 동작정보 수집부(150)를 통해 상기 측정정보(z)를 수집하고, 상기 입력부(130)를 통해 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u)를 수집하여 상기 저장부(120)에 저장한다.
유지 관리 데이터 획득부(222)는 상기 구성요소 동작정보 수집부(150)를 통해 측정정보(z)를 수집하고, 상기 입력부(130)를 통해 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보(S)를 입력받고, 상기 측정정보(z)를 하기 수학식1을 적용하여 측정신호 특징정보(fz)를 생성한 후 저장부(110)에 저장한다.
Figure 112021031762770-pat00016
여기서, fe는 원시 측정신호에 대한 측정정보(z) 및 작동 매개변수(u)의 함수로 특징 추출 함수를 나타낸다.
DC 모터 시스템을 일예로 들면, 상기 작동 매개변수(u)는 전압(V)이 될 수 있고, 측정정보(z)는 전류(I), 속도(w)가 될 수 있으며, 성능정보(S)는 토크(T)가 될 수 있을 것이다.
물리 기반 PHM 분석부(231)는 하기 수학식 2의 상태 물리 모델, 수학식 3의 측정 물리 모델 및 수학식 4의 시스템 성능 물리 모델을 정의하고 있어야 한다.
Figure 112021031762770-pat00017
Figure 112021031762770-pat00018
Figure 112021031762770-pat00019
상기 DC 모터 시스템을 일예로 설명하면, 하기 DC 모터 시스템의 하기 수학식 5 및 수학식 6의 물리 지배 방정식으로부터 하기 수학식 7의 상태 물리 모델 및 수학식 8의 시스템 성능 모델을 얻을 수 있을 것이다.
Figure 112021031762770-pat00020
Figure 112021031762770-pat00021
Figure 112021031762770-pat00022
Figure 112021031762770-pat00023
여기서 상태는 kT, TL을, 측정 데이터는 w와 i를 의미한다. 즉 상태모델을 측정데이터를 이용하여 kT와 TL을 추정하고, 이 추정된 kT 및 TL에 대해서 측정되어야 했던 w와 i가 계산된다.
상기 물리 기반 PHM 분석부(231)는 상기 건전성 예측 대상 시스템(10)이 상기 물리 모델을 적용할 수 있는 시스템인지를 판단하여 물리 모델을 적용할 수 있으면, 상기 측정정보(z) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u)를 측정 물리 모델에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 상태 물리 모델 및 시스템 성능 물리 모델에 구성요소 건강상태정보(h) 및 예측 상태(x)를 적용하여 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측한다. 상기 판단은 상기 물리 모델을 적용할 수 있는 건전성 예측 대상 시스템(10)들에 대해 저장부(120)에 정의하고 있거나, 상기 시스템 타입 설정부(210)로부터 시스템 타입 설정정보를 입력받아 이루어질 수 있을 것이다.
상기 건전성 예측 대상 시스템(10)이 DC 모터 시스템인 경우, 상기 작동 매개변수(u)는 모터의 역기전력(kT), 모터에 적용된 부하 토크(TL) 등이 될 수 있을 것이다.
좀 더 구체적으로 설명하면, 물리 기반 PHM 분석부(231)는 온라인 예측부(310) 및 오프라인 예측부(320)를 포함한다.
온라인 예측부(310)는 상기 구성요소 동작정보 수집부(150) 및 입력부(130)를 통해 측정정보(z) 및 동작 매개변수(u)를 획득하는 파라미터 획득부(311), 상기 상태 물리 모델에 동작 매개변수(u) 및 측정정보(z)를 적용하여 임시 상태정보(
Figure 112021031762770-pat00024
) 및 임시 구성요소 건강상태정보(
Figure 112021031762770-pat00025
)를 생성하고, 상기 임시 상태정보(
Figure 112021031762770-pat00026
) 및 임시 구성요소 건강상태정보(
Figure 112021031762770-pat00027
)를 측정 물리 모델에 적용하여 추정 상태정보(x) 및 추정 구성요소 건강상태정보(h)를 생성하여 오프라인 예측부(320)로 출력하는 추정부(312) 및 오프라인 예측부(320)로부터 예측 구성요소 건강상태정보(h) 및 동작 매개변수(u)를 상기 상태 물리 모델에 적용하여 예측 상태정보(x)를 생성한 후, 시스템 성능 물리 모델에 상기 추정 상태정보(x), 예측 상태정보(x) 및 추정 구성요소 건강상태정보(h)를 적용하여 시스템 성능 정보(S)를 생성하는 예측부(313)를 포함한다.
오프라인 예측부(320)는 상기 추정 구성요소 건강상태정보를 하기 수학식 9에 적용하여 구성요소 성능열화 추이를 판단하고, 구성요소 성능열화에 따른 예측 구성요소 건강상태정보(h=hcyc)를 생성하여 상기 온라인 예측부(310)로 출력하는 건강상태 예측부(321) 및 상기 구성요소 성능열화에 의해 구성요소의 잔여수명을 예측하고, 생성된 시스템 성능 정보에 따른 시스템 성능열화의 추이에 따른 시스템 잔여수명을 예측하는 잔여수명 결정부(322)를 포함한다.
Figure 112021031762770-pat00028
여기서 hcyc는 주기의 함수로서 구성요소 건강상태정보를 나타내고, d는 수학적 모델, θ는 모델 매개변수, t는 주기이다.
데이터 기반 PHM 분석부(232)는 상기 건전성 예측 대상 시스템의 물리 모델 존재하지 않으면 동작하여 상기 측정정보에 대한 측정신호 특징정보(fz) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보를 건강상태 추정 인공지능 모델에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 상기 구성요소 건강상태정보(h) 및 동작 매개변수(u)를 시스템 성능 예측 인공지능 모델에 적용하여 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측한다.
좀 더 구체적으로 설명하면, 데이터 기반 PHM 분석부(232)는 온라인 예측부(330) 및 오프라인 예측부(340)를 포함한다.
온라인 예측부(330)는 상기 구성요소 동작정보 수집부(150) 및 입력부(130)를 통해 측정정보(z) 및 동작 매개변수(u)를 획득하는 파라미터 획득부(331), 상기 건전성 예측 대상 시스템(10)의 물리 모델 존재하지 않으면 동작하여 상기 측정정보에 대한 측정신호 특징정보(fz) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보를 건강상태 추정 인공지능 모델에 적용하여 구성요소 레벨 주기별 추정 구성요소 건강상태정보(h)를 생성하여 출력하는 추정 모델부(332) 및 예측 구성요소 건강상태정보(h)를 입력받아 동작 매개변수(u)와 함께 시스템 성능 예측 인공지능 모델에 적용하여 시스템 성능 정보(S)를 생성하는 예측 모델부(333)를 포함한다.
상기 건강상태 추정 인공지능 모델 및 시스템 성능 예측 인공지능 모델은 사전에 학습 데이터세트에 의해 학습되어 있어야 할 것이다.
상기 학습 데이터세트는 구성요소 및 시스템의 성능 열화 데이터를 포함하고 있어야 할 것이다.
상기 측정정보는 모터전류 및 속도와 같은 시간의 연속 함수일 수 있으며, 이 경우, 일반적으로 구성요소 및 시스템의 상태를 반영하기 위해 일련의 스칼라 기능 측정신호 특징정보(fz)로 변환된다.
오프라인 예측부(340)는 상기 추정 구성요소 건강상태정보를 상기 수학식 9에 적용하여 구성요소 성능열화 추이를 판단하고, 구성요소 성능열화에 따른 예측 구성요소 건강상태정보(h=hcyc)를 생성하여 상기 추정 모델부로 출력하는 건강상태 예측부(341) 및 주기별 예측 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 잔여수명 결정부(342)를 포함한다.
비교 분석부(240)는 실시예에 따라 구성되고 시스템 타입 설정부(210)에서 물리 기반 접근법과 데이터 기반 접근법 둘 모두를 적용한 시스템 타입 설정정보가 입력되는 경우 구동되어, 물리 기반 PHM 분석정보(구성요소 건강상태정보, 구성요소 잔여수명, 시스템 성능 정보, 시스템 잔여수명)와 데이터 기반 PHM 분석정보(구성요소 건강상태정보, 구성요소 잔여수명, 시스템 성능 정보, 시스템 잔여수명)를 비교하여 일치도 또는 두 정보 간의 차이를 분석하여 디스플레이부(140)를 통해 해당 정보를 표시하도록 구성될 수 있을 것이다.
DC 모터 시스템을 예로 들면 데이터 기반 접근법의 경우 물리기반과 동일하게 전압, 전류, 속도, 토크 데이터는 공통적으로 요구되고, 추가적으로 당시의 부품의 상태정보가 요구된다. 상기 상태정보는 전압, 전류, 속도, 토크가 특정값을 보였을 때, 베어링(상기 수학식 4-3의 TL로)과 Flux의 상태가 얼마였는지를 기록한 데이터가 요구된다.
도 6은 본 발명의 제1실시예에 따른 시스템 레벨 상태 예측 방법을 나타낸 흐름도로, 물리 기반 접근법 및 데이터 기반 접근법 중 어느 하나만 적용되는 경우를 나타낸 흐름도이다.
도 6을 참조하면, PHM 예측부(110)는 시스템 레벨 예측 이벤트가 발생되는지를 검사한다(S111). 상기 시스템 레벨 예측 이벤트는 입력부(130)를 통해 시스템 레벨 예측 명령이 발생되거나 미리 설정된 주기에 의해 자동 발생되도록 구성될 수 있을 것이다.
시스템 레벨 예측 이벤트가 발생되면 PHM 예측부(110)는 구성요소 동작정보 수집부(150) 및 입력부(130)를 통해 측정정보(z) 및 시스템 레벨 예측 입력정보를 수집한다(S113). 물리 기반 접근법이 적용되는 경우 상기 시스템 레벨 예측 입력정보는 동작 매개변수(u)일 수 있을 것이다. 그리고 데이터 기반 접근법이 적용되는 경우 상기 시스템 레벨 예측 입력정보는 동작 매개변수(u) 및 과거(추정) 시스템 성능 정보(S)일 수 있을 것이다.
데이터가 수집되면 PHM 예측부(110)는 해당 접근법에 따라 사이클별 시스템 구성요소의 구성요소 건강상태를 예측하고(S115), 사이클별 시스템 성능을 예측한다(S117).
사이클별 구성요소 건강상태 및 시스템 성능이 예측되면 PHM 예측부(110)는 예측된 구성요소 건강상태에 대한 구성요소 건강상태정보의 사이클별 추이를 분석하여 구성요소별 잔여수명을 예측하고, 시스템 성능에 대한 시스템 성능 정보의 사이클별 추이를 분석하여 시스템, 건전성 예측 대상 시스템(10)의 잔여수명을 예측한다(S119).
구성요소 및 건전성 예측 대상 시스템(10)의 잔여수명이 예측되면 PHM 예측부(110)는 예측된 구성요소 및 건전성 예측 대상 시스템(10)의 잔여수명을 디스플레이부(140)에 표시하거나 출력수단을 통해 출력할 수 있을 것이다(S121).
도 7은 본 발명의 제2실시예에 따른 물리 기반 및 데이터 기반 중 어느 하나 이상의 선택에 의한 시스템 레벨 상태 예측 방법을 나타낸 도면이다.
도 7을 참조하면, PHM 예측부(110)는 시스템 레벨 예측 이벤트가 발생되는지를 모니터링한다(S211).
시스템 레벨 예측 이벤트가 발생되면 PHM 예측부(110)는 디스플레이부(140)를 통해 시스템 타입 설정 수잔을 표시하여, 시스템 타입을 입력 또는 설정할 것을 요청한다(S213).
상기 시스템 타입 설정 요청 후 PHM 예측부(110)는 입력부(130)를 통해 시스템 타입이 입력되는지를 모니터링한다(S215).
시스템 타입이 입력되면 PHM 예측부(110)는 시스템 타입이 물리 기반 접근 타입인지(S217), 데이터 기반 접근 타입인지(S219), 복합 접근 타입인지(S221)를 검사한다.
물리기반 접근 타입이 설정되면 PHM 예측부(110)는 물리 기반 접근법을 적용한 시스템 레벨 예측을 수행하고(S223), 데이터 기반 접근 타입이 설정되면 데이터 기반 접근법을 적용한 시스템 레벨 예측을 수행하며(S225), 복합 접근 타입이 설정되면 물리기반 및 데이터 기반 접근법 둘 모두를 적용한 시스템 레벨 예측을 수행한다(S227).
상기 시스템 레벨 예측 수행 후, PHM 예측부(110)는 시스텔 레벨 예측이 완료되는지를 모니터링하고(S229), 완료되면 시스템 레벨 잔여수명 예측정보 및 구성요소 잔여수명 예측정보를 디스플레이부(140)를 통해 표시한다(S231). 이때, 구성요소별 건강상태정보 및 시스템 성능 정보를 표시할 수도 있을 것이다.
도 8은 본 발명에 따른 시스템 레벨 상태 예측 방법 중 물리 기반 접근법을 적용한 시스템 레벨 예측 방법을 나타낸 흐름도로, 물리 기반 접근법이 적용된 경우의 도 6의 S113 내지 S119를 상세하게 나타낸 흐름도이고, 도 7의 S223 및 S227의 물리기반 접근법 적용 시 적용되는 흐름도이다.
도 8을 참조하면, PHM 예측부(110)에서 온라인 예측부(310)의 파리미터 획득부(311)는 측정정보(z) 및 동작 매개변수(u)가 획득되는지를 모니터링한다(S311).
동작 매개변수(u) 및 측정정보(z)가 획득되면, 파미터 획득부(311)는 추정부(312)로 제공한다. 추정부(312)는 측정정보(z)를 상기 수학식 2의 상태 물리 모델에 적용하여 단일 주기 임시 상태정보(
Figure 112021031762770-pat00029
) 및 임시 구성요소 건강상태 정보(
Figure 112021031762770-pat00030
)를 추정하고, 추정된 임시 상태정보(
Figure 112021031762770-pat00031
) 및 임시 구성요소 건강상태 정보(
Figure 112021031762770-pat00032
) 및 측정정보(z)를 상기 수학식 3의 측정 물리 모델에 적용하여 추정 상태정보(x) 및 추정 구성요소 건강상태정보(h)를 추정한 후, 상기 추정 구성요소 건강상태정보(h)를 오프라인 예측부(320)로 제공한다(S313).
오프라인 예측부(320)의 건강상태 예측부(321)는 상기 추정 상태정보(x) 및 추정 구성요소 건강상태정보(h)를 상기 수학식 9에 적용하여 예측 구성요소 건강상태정보(h)를 생성한 후 온라인 예측부(310)로 제공한다(S315). 이때, 건강상태 예측부(321)는 예측 구성요소 건강상태정보(h)의 사이클별 추이를 검사하여 잔여수명을 예측한다.
온라인 예측부(310)의 예측부(313)는 입력되는 예측 구성요소 건강상태정보(h) 및 동작 매개변수(u)를 상태 물리 모델에 적용하여 예측 상태정보(x)를 예측하고(S317), 예측 상태정보(x), 추정 상태정보(x) 및 추정 건강상태정보(h)를 시스템 물리 모델에 적용하여 시스템 성능 정보를 생성하여 오프라인 예측부(320)의 잔여수명 결정부(322)로 제공한다(S319).
상기 시스템 성능 정보(S)가 생성되면 상기 잔여수명 결정부(322)는 시스템 성능정보(S)의 사이클별 추이를 검사하여 시스템, 즉 건전성 예측 대상 시스템(10)의 잔여수명을 결정한다(S323).
도 9는 본 발명에 따른 시스템 레벨 상태 예측 방법 중 데이터 기반 접근법을 적용한 시스템 레벨 예측 방법을 나타낸 흐름도이다.
도 9를 참조하면 온라인 예측부(330)의 파라미터 획득부(331)는 동작 매개변수(u), 측정정보(z), 시스템 성능정보(S)가 입력부(130)를 통해 입력되는지를 검사하고, 입력되면 추정 모델부(332)로 제공한다(S411).
추정 모델부(332)는 측정정보(z)가 입력되면 상술한 수학식 1에 적용하여 측정신호 특징정보(fz)를 측정정보(z)로부터 추출한다(S413).
측정신호 특징정보(fz)가 추출되면 추정 모델부(332)는 건강상태 추정 인공지능 모델에 동작 매개변수(u), 측정신호 특징정보(fz) 및 측정 시스템 성능정보(S)를 적용하여 추정 구성요소 건강상태정보(h)를 추정하여 오프라인 예측부(340)의 건강상태 예측부(341)로 제공한다(S415).
건강상태 예측부(341)는 주기별 누적 추정 구성요소 건강상태정보(h=hcyc)를 예측 구성요소 건강상태정보로 생성하여 온라인 예측부(330)로 제공한다. 이때 건강상태 예측부(341)는 사이클별 예측 구성요소 건강상태정보(h)의 추이에 기반하여 구성요소의 잔여수명을 예측할 수 있을 것이다(S417).
예측 모델부(333)는 상기 예측 구성요소 건강상태정보(h) 및 동작 매개변수(u)를 시스템 성능 예측 인공지능 모델에 적용하여 예측 시스템 성능정보(S)를 생성하여 오프라인 예측부(340)의 잔여수명 결정부(342)로 제공한다(S419).
시스템 성능이 예측되면 잔여수명 결정부(342)는 사이클에 따른 시스템 열화 경향을 생성하고(S421), 시스템 열화 경향에 따른 잔여수명을 예측한다(S423).
한편, 본 발명은 전술한 전형적인 바람직한 실시예에만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 개량, 변경, 대체 또는 부가하여 실시할 수 있는 것임은 당해 기술분야에서 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이러한 개량, 변경, 대체 또는 부가에 의한 실시가 이하의 첨부된 특허청구범위의 범주에 속하는 것이라면 그 기술사상 역시 본 발명에 속하는 것으로 보아야 한다.
10: 건전성 예측 대상 시스템 100: 시스템 레벨 상태 예측 장치
110: PHM 예측부 120: 저장부
130: 입력부 140: 디스플레이부
150: 구성요소 동작정보 수집부 151: 센싱부
152: 통신부 210: 시스템 타입 설정부
220: 데이터 수집부 221: 시스템 역학 데이터 획득부
222: 유지관리 데이터 획득부 230: PHM 분석부
231: 물리 기반 PHM 분석부 232: 데이터 기반 PHM 분석부
240: 비교 분석부 310: 온라인 예측부
311: 파라미터 획득부 312: 추정부
313: 예측부 320: 오프라인 예측부
321: 건강상태 예측부 322: 잔여수명 결정부
330: 온라인 예측부 331: 파라미터 획득부
332: 추정 모델부 333: 예측 모델부
340: 오프라인 예측부 341: 건강상태 예측부
342: 잔여수명 결정부

Claims (14)

  1. 건전성 예측 대상 시스템과 연결되어, 상기 건전성 예측 대상 시스템의 구성요소의 센싱 데이터 및 시스템의 동작 데이터를 포함하는 측정정보(z)를 수집하여 출력하는 구성요소 동작정보 수집부;
    시스템 레벨 예측 입력정보 입력받는 입력부;
    상기 건전성 예측 대상 시스템의 작동 주기 동안 상기 동작정보 수집부를 통해 수집되는 측정정보를 저장하는 저장부; 및
    상기 건전성 예측 대상 시스템의 물리 모델 존재 여부에 따라 물리 기반 접근법 및 데이터 접근법 중 어느 하나 이상을 선택한 후, 상기 측정정보(z) 및 입력받은 상기 시스템 레벨 예측 입력정보를 선택된 접근법에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 PHM 예측부를 포함하되,
    상기 PHM 예측부는,
    상기 구성요소 동작정보 수집부 및 입력부를 통해 상기 측정정보 및 시스템 레벨 예측 입력정보를 수집하여 상기 저장부에 저장하는 데이터 수집부; 및
    상기 건전성 예측 대상 시스템의 물리 모델 존재 여부에 따라 물리 기반 접근법 및 데이터 접근법 중 어느 하나 이상을 선택한 후, 상기 측정정보 및 입력받은 상기 시스템 레벨 예측 입력정보를 선택된 접근법에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 PHM 분석부를 포함하고,
    상기 데이터 수집부는,
    상기 구성요소 동작정보 수집부를 통해 상기 측정정보를 수집하고, 상기 입력부를 통해 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u)를 수집하여 상기 저장부에 저장하는 시스템 역학 데이터 획득부; 및
    상기 구성요소 동작정보 수집부를 통해 측정정보를 수집하고, 상기 입력부를 통해 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보(S)를 입력받고, 상기 측정정보(z)를 하기 수학식을 적용하여 측정신호 특징정보(fz)를 생성하여 저장부에 저장하는 유지 관리 데이터 획득부를 포함하는 것을 특징으로 하는 시스템 레벨 상태 예측 장치.
    [수학식]
    Figure 112022067103263-pat00056

    여기서, fe는 원시 측정신호에 대한 측정정보(z) 및 작동 매개변수(u)의 함수로 특징 추출 함수를 나타낸다.
  2. 제1항에 있어서,
    상기 구성요소 동작정보 수집부는,
    상기 건전성 예측 대상 시스템에 설치되어 측정 대상 구성요소에 의해 발생하는 측정요소를 센싱하여 상기 측정요소에 대한 센싱 데이터를 상기 측정정보(z)로서 출력하는 센싱부; 및
    상기 건전성 예측 대상 시스템과 데이터통신을 수행하여 상기 건전성 예측 대상 시스템으로부터 동작 데이터를 상기 측정정보(z)로서 출력하는 통신부를 포함하는 것을 특징으로 하는 시스템 레벨 상태 예측 장치.
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 PHM 분석부는,
    상기 건전성 예측 대상 시스템의 물리 모델 존재 시 동작하여 상기 측정정보(z) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u)를 측정 물리 모델에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 상태 물리 모델 및 시스템 성능 물리 모델에 구성요소 건강상태정보(h) 및 예측 상태(x)를 적용하여 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 물리 기반 PHM 분석부; 및
    상기 건전성 예측 대상 시스템의 물리 모델 존재하지 않으면 동작하여 상기 측정정보에 대한 측정신호 특징정보(fz) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보를 건강상태 추정 인공지능 모델에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 상기 구성요소 건강상태정보(h) 및 동작 매개변수(u)를 시스템 성능 예측 인공지능 모델에 적용하여 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 데이터 기반 PHM 분석부를 포함하는 것을 특징으로 하는 시스템 레벨 상태 예측 장치.
  6. 제5항에 있어서,
    상기 물리 기반 PHM 분석부는,
    상기 구성요소 동작정보 수집부 및 입력부를 통해 측정정보(z) 및 동작 매개변수(u)를 획득하는 파라미터 획득부, 상기 상태 물리 모델에 동작 매개변수(u) 및 측정정보(z)를 적용하여 임시 상태정보(
    Figure 112021031762770-pat00034
    ) 및 임시 구성요소 건강상태정보(
    Figure 112021031762770-pat00035
    )를 생성하고, 상기 임시 상태정보(
    Figure 112021031762770-pat00036
    ) 및 임시 구성요소 건강상태정보(
    Figure 112021031762770-pat00037
    )를 측정 물리 모델에 적용하여 추정 상태정보(x) 및 추정 구성요소 건강상태정보(h)를 생성하여 출력하는 추정부 및 예측 구성요소 건강상태정보(h) 및 동작 매개변수(u)를 입력받아 상기 상태 물리 모델에 적용하여 예측 상태정보(x)를 생성한 후, 시스템 성능 물리 모델에 상기 추정 상태정보(x), 예측 상태정보(x) 및 추정 구성요소 건강상태정보(h)를 적용하여 시스템 성능 정보(S)를 생성하는 예측부를 포함하는 온라인 예측부; 및
    상기 추정 구성요소 건강상태정보를 하기 수학식 9에 적용하여 구성요소 성능열화 추이를 판단하고, 구성요소 성능열화에 따른 예측 구성요소 건강상태정보(h=hcyc)를 생성하여 상기 온라인 예측부(310)로 출력하는 건강상태 예측부(321) 및 상기 구성요소 성능열화에 의해 구성요소의 잔여수명을 예측하고, 생성된 시스템 성능 정보에 따른 시스템 성능열화의 추이에 따른 시스템 잔여수명을 예측하는 잔여수명 결정부(322)를 포함하는 오프라인 예측부를 포함하는 것을 특징으로 하는 시스템 레벨 상태 예측 장치.
    [수학식]
    Figure 112021031762770-pat00038

    여기서 hcyc는 주기의 함수로서 구성요소 건강상태정보를 나타내고, d는 수학적 모델, θ는 모델 매개변수, t는 주기이다.
  7. 제5항에 있어서,
    상기 데이터 기반 PHM 분석부는,
    상기 구성요소 동작정보 수집부 및 입력부를 통해 측정정보(z) 및 동작 매개변수(u)를 획득하는 파라미터 획득부, 상기 건전성 예측 대상 시스템의 물리 모델 존재하지 않으면 동작하여 상기 측정정보에 대한 측정신호 특징정보(fz) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보를 건강상태 추정 인공지능 모델에 적용하여 구성요소 레벨 주기별 추정 구성요소 건강상태정보(h)를 생성하여 출력하는 추정 모델부 및 예측 구성요소 건강상태정보(h)를 입력받아 동작 매개변수(u)와 함께 시스템 성능 예측 인공지능 모델에 적용하여 시스템 성능 정보(S)를 생성하는 예측 모델부를 포함하는 온라인 예측부; 및
    상기 추정 구성요소 건강상태정보를 하기 수학식에 적용하여 구성요소 성능열화 추이를 판단하고, 구성요소 성능열화에 따른 예측 구성요소 건강상태정보(h=hcyc)를 생성하여 상기 추정 모델부로 출력하는 건강상태 예측부 및 주기별 예측 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 잔여수명 결정부를 포함하는 오프라인 예측부를 포함하는 것을 특징으로 하는 시스템 레벨 상태 예측 장치.
    [수학식]
    Figure 112021031762770-pat00039

    여기서 hcyc는 주기의 함수로서 구성요소 건강상태정보를 나타내고, d는 수학적 모델, θ는 모델 매개변수, t는 주기이다.
  8. PHM 예측부가 구성요소 동작정보 수집부를 통해 건전성 예측 대상 시스템과 연결되어, 상기 건전성 예측 대상 시스템의 구성요소의 센싱 데이터 및 시스템의 동작 데이터를 포함하는 측정정보(z)를 수집하는 구성요소 동작정보 수집 과정;
    PHM 예측부가 입력부를 통해 시스템 레벨 예측 입력정보 입력받는 시스템 레벨 예측 입력정보 획득 과정;
    PHM 예측부가 상기 건전성 예측 대상 시스템의 작동 주기 동안 상기 동작정보 수집부를 통해 수집되는 측정정보를 저장부에 저장하는 저장 과정; 및
    상기 PHM 예측부가 상기 건전성 예측 대상 시스템의 물리 모델 존재 여부에 따라 물리 기반 접근법 및 데이터 접근법 중 어느 하나 이상을 선택한 후, 상기 측정정보(z) 및 입력받은 상기 시스템 레벨 예측 입력정보를 선택된 접근법에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 PHM 예측 과정을 포함하되,
    상기 PHM 예측 과정은,
    상기 PHM 예측부가 데이터 수집부를 통해 상기 건전성 예측 대상 시스템의 물리 모델 존재 여부에 따라 물리 기반 접근법 및 데이터 접근법에 따라 상기 구성요소 동작정보 수집부 및 입력부를 통해 상기 측정정보 및 시스템 레벨 예측 입력정보를 수집하여 상기 저장부에 저장하는 데이터 획득 단계; 및
    PHM 예측부가 PHM 분석부를 통해 상기 건전성 예측 대상 시스템의 물리 모델 존재 여부에 따라 물리 기반 접근법 및 데이터 접근법 중 어느 하나 이상을 선택한 후, 상기 측정정보 및 입력받은 상기 시스템 레벨 예측 입력정보를 선택된 접근법에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 PHM 분석 단계를 포함하고,
    상기 데이터 획득 단계는,
    PHM 예측부가 데이터 수집부의 시스템 역학 데이터 획득부를 통해 상기 구성요소 동작정보 수집부로부터 상기 측정정보를 수집하고, 상기 입력부로부터 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u)를 수집하여 상기 저장부에 저장하는 시스템 역학 데이터 획득 단계; 및
    PHM 예측부가 데이터 수집부의 유지 관리 데이터 획득부를 통해 상기 구성요소 동작정보 수집부로부터 측정정보를 수집하고, 상기 입력부로부터 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보(S)를 입력받고, 상기 측정정보(z)를 하기 수학식을 적용하여 측정신호 특징정보(fz)를 생성하는 유지 관리 데이터 획득부를 포함하는 것을 특징으로 하는 시스템 레벨 상태 예측 방법.
    [수학식 ]
    Figure 112022067103263-pat00057

    여기서, fe는 원시 측정신호에 대한 측정정보(z) 및 작동 매개변수(u)의 함수로 특징 추출 함수를 나타낸다.
  9. 제8항에 있어서,
    상기 구성요소 동작정보 수집 과정은,
    상기 PHM 예측부가 구성요소 동작정보 수집부의 센싱부를 통해 상기 건전성 예측 대상 시스템에 설치되어 측정 대상 구성요소에 의해 발생하는 측정요소를 센싱하여 상기 측정요소에 대한 센싱 데이터를 상기 측정정보로서 수집하는 센싱 정보 수집 단계; 및
    상기 PHM 예측부가 구성요소 동작정보 수집부의 통신부를 통해 상기 상기 건전성 예측 대상 시스템과 데이터통신을 수행하여 상기 건전성 예측 대상 시스템으로부터 동작 데이터를 상기 측정정보로서 수집하는 동작 데이터 수집 단계를 포함하는 것을 특징으로 하는 시스템 레벨 상태 예측 방법.
  10. 삭제
  11. 삭제
  12. 제8항에 있어서,
    상기 PHM 분석 단계는,
    PHM 예측부가 상기 건전성 예측 대상 시스템의 물리 모델 존재 시 PHM 분석부의 물리 기반 PHM 분석부를 동작시켜 상기 측정정보(z) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u)를 측정 물리 모델에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 상태 물리 모델 및 시스템 성능 물리 모델에 구성요소 건강상태정보(h) 및 예측 상태(x)를 적용하여 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 물리 기반 PHM 분석 단계; 및
    상기 PHM 예측부가 상기 건전성 예측 대상 시스템의 물리 모델 존재하지 않으면 PHM 분석부의 데이터 기반 PHM 분석부를 동작시켜 상기 측정정보에 대한 측정신호 특징정보(fz) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보를 건강상태 추정 인공지능 모델에 적용하여 구성요소 레벨 주기별 구성요소 건강상태정보(h)를 생성하고 주기별 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 상기 구성요소 건강상태정보(h) 및 동작 매개변수(u)를 시스템 성능 예측 인공지능 모델에 적용하여 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성한 후 시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 데이터 기반 PHM 분석 단계를 포함하는 것을 특징으로 하는 시스템 레벨 상태 예측 방법.
  13. 제12항에 있어서,
    상기 물리 기반 PHM 분석 단계는,
    상기 상태 물리 모델에 동작 매개변수(u) 및 측정정보(z)를 적용하여 임시 상태정보(
    Figure 112021031762770-pat00041
    ) 및 임시 구성요소 건강상태정보(
    Figure 112021031762770-pat00042
    )를 생성하는 임시 구성요소 건강상태정보 생성 단계;
    상기 임시 상태정보(
    Figure 112021031762770-pat00043
    ) 및 임시 구성요소 건강상태정보(
    Figure 112021031762770-pat00044
    )를 측정 물리 모델에 적용하여 추정 상태정보(x) 및 추정 구성요소 건강상태정보(h)를 생성하는 추정 구성요소 건강상태정보 생성 단계;
    상기 추정 구성요소 건강상태정보를 하기 수학식에 적용하여 구성요소 성능열화 추이를 판단하고, 구성요소 성능열화에 따른 예측 구성요소 건강상태정보(h=hcyc)를 생성하는 예측 구성요소 건강상태정보 생성 단계;
    [수학식]
    Figure 112021031762770-pat00045

    여기서 hcyc는 주기의 함수로서 구성요소 건강상태정보를 나타내고, d는 수학적 모델, θ는 모델 매개변수, t는 주기이다.
    상기 구성요소 성능열화에 의해 구성요소의 잔여수명을 예측하는 구성요소 잔여수명 예측 단계;
    상기 예측 구성요소 건강상태정보(u) 및 동작 매개변수(u)를 상기 상태 물리 모델에 적용하여 예측 상태정보(x)를 생성하는 예측 상태정보 생성 단계;
    시스템 성능 물리 모델에 상기 추정 상태정보(x), 예측 상태정보(x) 및 추정 구성요소 건강상태정보(h)를 적용하여 시스템 성능 정보(S)를 생성하는 시스템 성능 정보 예측 단계; 및
    생성된 시스템 성능 정보에 따른 시스템 성능열화의 추이에 따른 시스템 잔여수명을 예측하는 시스템 성능 잔여 수명 예측 단계를 포함하는 것을 특징으로 하는 시스템 레벨 상태 예측 방법.
  14. 제12항에 있어서,
    상기 데이터 기반 PHM 분석 단계는,
    상기 건전성 예측 대상 시스템의 물리 모델 존재하지 않으면 동작하여 상기 측정정보에 대한 측정신호 특징정보(fz) 및 입력받은 상기 시스템 레벨 예측 입력정보인 동작 매개변수(u) 및 과거의 시스템 성능 정보를 건강상태 추정 인공지능 모델에 적용하여 구성요소 레벨 주기별 추정 구성요소 건강상태정보(h)를 생성하는 추정 구성요소 건강상태정보 생성 단계;
    상기 추정 구성요소 건강상태정보를 하기 수학식에 적용하여 구성요소 성능열화 추이를 판단하고, 구성요소 성능열화에 따른 예측 구성요소 건강상태정보(h=hcyc)를 생성하는 예측 구성요소 건강상태정보 생성 단계;
    [수학식]
    Figure 112021031762770-pat00046

    여기서 hcyc는 주기의 함수로서 구성요소 건강상태정보를 나타내고, d는 수학적 모델, θ는 모델 매개변수, t는 주기이다.
    주기별 예측 구성요소 건강상태정보(h)의 성능 열화 추이에 따른 구성요소 잔여수명을 예측하며, 상기 예측 구성요소 건강상태정보(h) 및 동작 매개변수(u)를 시스템 성능 예측 인공지능 모델에 적용하여 시스템 레벨의 주기별 시스템 성능 정보(S)를 생성하는 시스템 성능 정보 생성 단계; 및
    시스템 성능 정보의 성능 열화 추이에 따른 시스템 잔여수명을 예측하는 시스템 잔여수명 예측 단계를 포함하는 것을 특징으로 하는 시스템 레벨 상태 예측 방법.
KR1020210035091A 2021-03-18 2021-03-18 시스템 레벨 상태 예측 장치 및 방법 KR102484041B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210035091A KR102484041B1 (ko) 2021-03-18 2021-03-18 시스템 레벨 상태 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210035091A KR102484041B1 (ko) 2021-03-18 2021-03-18 시스템 레벨 상태 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220130338A KR20220130338A (ko) 2022-09-27
KR102484041B1 true KR102484041B1 (ko) 2023-01-02

Family

ID=83452220

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210035091A KR102484041B1 (ko) 2021-03-18 2021-03-18 시스템 레벨 상태 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102484041B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100082267A1 (en) * 2008-09-30 2010-04-01 The Boeing Company Data driven method and system for predicting operational states of mechanical systems

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101943438B1 (ko) * 2016-12-28 2019-01-29 효성중공업 주식회사 전력설비의 자산관리 방법
KR102215107B1 (ko) 2019-01-31 2021-02-10 순천향대학교 산학협력단 주행 데이터 기반 차량 상태 예측 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100082267A1 (en) * 2008-09-30 2010-04-01 The Boeing Company Data driven method and system for predicting operational states of mechanical systems

Also Published As

Publication number Publication date
KR20220130338A (ko) 2022-09-27

Similar Documents

Publication Publication Date Title
JP7167084B2 (ja) 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
Carvalho et al. A cookbook for using model diagnostics in integrated stock assessments
Boškoski et al. Bearing fault prognostics using Rényi entropy based features and Gaussian process models
JP5016519B2 (ja) 予測的状態監視のための診断システムおよび方法
CN111353971B (zh) 基于图像的维修预测和操作误差检测
JP6890527B2 (ja) 動作に関する予測推論のモデルを求めるシステム及び方法、およびこれらのための非一時的コンピューター可読記憶媒体
JP5530045B1 (ja) ヘルスマネージメントシステム及びヘルスマネージメント方法
CN110119339A (zh) 工业设备的健康状态的评估方法、系统、设备和存储介质
US20200143292A1 (en) Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset
Yu Machine health prognostics using the Bayesian-inference-based probabilistic indication and high-order particle filtering framework
CN112581719B (zh) 基于时序生成对抗网络的半导体封装过程预警方法和装置
JP6711323B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
WO2018159169A1 (ja) 劣化診断システム追加学習方法
EP4078315A1 (en) Device and method for monitoring a system
KR102515216B1 (ko) 열차의 잔여유효수명 예측 장치 및 방법
KR102484041B1 (ko) 시스템 레벨 상태 예측 장치 및 방법
CN117910999A (zh) 一种智能电厂设备检修方法及系统
JP5949032B2 (ja) 前処理方法及び異常診断装置
US7840391B2 (en) Model-diversity technique for improved proactive fault monitoring
RU2735296C1 (ru) Способ многопараметрического контроля состояния сложных электротехнических объектов
Das An efficient way to enable prognostics in an onboard system
RU2779795C1 (ru) Способ и устройство для предиктивного диагностирования технического состояния промышленных объектов
KR102594205B1 (ko) 리니어 모션 가이드 건전성 평가 시스템 및 방법
CN118153463B (zh) 电解槽故障在线检测方法、装置、设备和可读存储介质
US20230273607A1 (en) Inspection rate adaptation

Legal Events

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