KR102500140B1 - 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법 - Google Patents

초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법 Download PDF

Info

Publication number
KR102500140B1
KR102500140B1 KR1020220053794A KR20220053794A KR102500140B1 KR 102500140 B1 KR102500140 B1 KR 102500140B1 KR 1020220053794 A KR1020220053794 A KR 1020220053794A KR 20220053794 A KR20220053794 A KR 20220053794A KR 102500140 B1 KR102500140 B1 KR 102500140B1
Authority
KR
South Korea
Prior art keywords
signal
information
sampling data
abnormal signal
abnormal
Prior art date
Application number
KR1020220053794A
Other languages
English (en)
Other versions
KR20220062250A (ko
Inventor
이원근
Original Assignee
주식회사 모빅랩
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 주식회사 모빅랩 filed Critical 주식회사 모빅랩
Priority to KR1020220053794A priority Critical patent/KR102500140B1/ko
Publication of KR20220062250A publication Critical patent/KR20220062250A/ko
Application granted granted Critical
Publication of KR102500140B1 publication Critical patent/KR102500140B1/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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/09—Analysing solids by measuring mechanical or acoustic impedance
    • 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
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • 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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37032—Generate vibrations, ultrasound

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

본 발명은 초음파 대역을 이용한 설비 고장 예측 시스템 및 그 방법에 관한 것이다.
본 발명의 일례에 따른 초음파 대역을 이용한 설비 고장 예측 시스템은 설비에 인접하여 위치하는 감지 센서; 및 상기 음파 신호로부터 추출된 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하고, 이상 신호로 핀별된 이상 신호 판별 정보에 대응되는 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하고, 상기 복수의 판별 정보 중 상기 정상 신호로 핀별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 설비에 대한 고장 예측 정보를 제공하는 서버;를 포함한다.
또한, 발명의 일례에 따른 초음파 대역을 이용한 설비 고장 예측 방법은 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하여 핀별하여 라벨링(Labeling) 정보를 생성하여 저장하는 신호 판별 단계; 이상 신호 판별 정보에 대응하는 샘플링 데이터를 입력받아 분석하여, 이상 신호 분석 정보를 출력하는 이상 신호 분석 단계; 및 정상 신호 판별 정보와 상기 이상 신호 분석 정보로부터 상기 설비 고장의 패턴을 분석하는 패턴 분석 단계;를 포함할 수 있다.

Description

초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법{Equipment failure prediction system and method using sound signal of ultrasonic band}
본 발명은 초음파 대역을 이용한 설비 고장 예측 시스템 및 그 방법에 관한 것이다.
보다 구체적으로 본 발명은 설비에서 발생되는 음파 신호 중 초음파 대역의 신호를 이용하여 설비에 대한 고장 예측 정보를 제공하는 설비 고장 예측 시스템 및 그 방법에 관한 것이다.
일반적으로 산업현장에서 안정적이고 연속적으로 운전되어야 하는 설비는 설비라인 자체에 치명적인 손상을 주는 돌발 고장과, 예기치 못한 고장으로 설비라인이 중지되어 이로 인한 생산량 감소를 사전에 미리 방지하기 위해 설비고장을 미리 예측하는 방법이 연구 개발되고 있다.
현재 사용되고 있는 고장 예측방법은 설비의 이상 상태 변화를 감지하고, 이때 나타나는 결함을 검출하여 설비나 부품의 상태를 판정하고 수명을 예측하는 방식을 사용하고 있다.
그러나, 종래의 설비의 고장 예측 시스템 내지 방법은 설비의 결함과 관련된 신호를 센싱하는 센서가 설비에 직접 부착되어, 설비의 소리나 진동, 열, 또는 전류 변화를 계측하여 설비의 문제를 탐지하는 것이 대부분이 이었다.
그러나, 이와 같이 설비에 부착되는 센서의 경우, 설비의 지속적인 진동으로 인하여, 센서의 감지에 방해하는 하나의 요소로 작용하여, 정확한 고장 예측에 문제를 발생시켰다.
아울러, 설비의 동작 중 소리를 센싱하여, 설비의 문제를 탐지하는 고장 예측 시스템은 가청 주파수 내에서 설비의 이상음을 감지하는 기존의 사례가 있으나, 이와 같은 경우, 설비의 이상음을 가청 주파수 내에서만 감지하여, 고장 예측의 정확성이 떨어지는 문제점이 있다.
대한민국 등록특허공보 제10-1204499호(2012.11.26.)
본 발명은 설비 고장 예측 시스템 및 그 방법을 제공하는데, 그 목적이 있다.
보다 구체적으로 본 발명은 설비에서 발생되는 음파 신호 중 초음파 대역의 신호를 이용하여 설비에 대한 고장 예측 정보를 제공하는 설비 고장 예측 시스템 및 그 방법을 제공하는데, 그 목적이 있다.
본 발명의 일례에 따른 고장 예측 시스템은 설비에 인접하여 위치하고, 상기 설비가 동작할 때 발생되는 소리로부터 음파 신호를 수집하는 감지 센서; 상기 음파 신호를 샘플링하고 노이즈를 제거하여 샘플링 데이터를 추출하는 샘플링 데이터 추출기; 상기 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하는 신호 판별기; 상기 복수의 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 상기 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하는 이상 신호 분석기; 및 상기 복수의 판별 정보 중 상기 정상 신호로 판별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 설비에 대한 고장 예측 정보를 제공하는 패턴 분석기;를 포함한다.
상기 샘플링 데이터를 저장하는 샘플링 데이터 DB와 상기 샘플링 데이터가 정상 신호 또는 이상 신호로 핀별된 판별 정보를 저장하는 감지된 신호 정보 DB를 구비하는 데이터 베이스부를 더 포함할 수 있다.
상기 신호 판별기, 상기 이상 신호 분석기 및 상기 패턴 분석기는 하나의 서버에 구비될 수 있다.
상기 신호 판별기로 입력되는 상기 샘플링 데이터는 미리 결정된 시간 기준으로 세분화된 정보일 수 있다.
상기 이상 신호 분석기에서 출력되는 이상 신호 분석 정보는 상기 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 포함할 수 있다.
상기 패턴 분석기는 상기 정상 신호 판별 정보를 상기 감지된 신호 정보 DB로부터 입력받고, 상기 이상 신호 분석 정보를 상기 이상 신호 분석기로부터 입력받아 정보의 패턴을 분석할 수 있다.
상기 패턴 분석기는 상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하여, 패턴을 분석할 수 있다.
상기 감지 센서는 상기 설비로부터 이격되어 있을 수 있다.
상기 감지 센서는 수집된 상기 음파 신호를 디지털 신호로 변환하되, 상기 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz 보다 높을 수 있고, 일례로, 상기 샘플링비는 35KHz ~ 300KHz 사이일 수 있다.
상기 감지 센서 또는 상기 서버 중 어느 하나는 상기 수집된 음파 신호로부터 초음파 대역의 신호를 필터링할 수 있다.
상기 감지 센서 또는 상기 서버 중 어느 하나는 상기 추출된 초음파 대역의 신호로부터 노이즈를 제거하여 상기 샘플링 데이터를 추출할 수 있다.
본 발명의 일례에 따른 설비 고장 예측 방법은 설비에서 발생되는 음파 신호를 샘플링하고 노이즈를 제거하여 샘플링 데이터를 추출하는 샘플링 데이터 추출 단계; 상기 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하여 판별 정보를 생성하여 저장하는 신호 판별 단계; 상기 판별 정보 중 이상 신호로 핀별된 이상 신호 판별 정보에 대응하는 샘플링 데이터를 입력받아 분석하여, 이상 신호 분석 정보를 출력하는 이상 신호 분석 단계; 및 상기 복수의 판별 정보 중 상기 정상 신호로 핀별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보로부터 상기 설비 고장의 패턴을 분석하는 패턴 분석 단계;를 포함할 수 있다.
상기 신호 판별 단계에서는 미리 결정된 시간 기준으로 세분화된 샘플링 데이터가 이용될 수 있다.
상기 이상 신호 분석 정보는 상기 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 포함할 수 있다.
상기 패턴 분석 단계는 상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하여, 패턴을 분석할 수 있다.
상기 신호 판별 단계 이전에, 설비가 동작할 때 발생되는 소리로부터 음파 신호를 수집하는 음파 수집 단계; 및 상기 수집된 음파 신호를 필터링하여 초음파 대역의 신호를 추출하는 초음파 대역 필터링 단계;를 더 포함할 수 있다.
상기 음파 수집 단계에서는 수집된 상기 음파 신호를 디지털 신호로 변환하되, 상기 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz보다 높을 수 있다.
본 발명의 일례에 따른 설비 고장 예측 시스템 및 그 방법은 설비의 동작 과정에서 발생되는 음파 신호 중 초음파 대역의 신호를 이용하여 설비에 대한 고장 예측 정보를 제공함으로써, 사용자가 공장 내의 설비에 대해 신속한 대응을 하도록 안내할 수 있고, 이로 인하여 공장의 가동 중단에 따른 손해 비용을 최소화하도록 할 수 있다.
도 1은 본 발명의 일례에 따른 설비 고장 예측 시스템의 개요를 설명하기 위한 도이다.
도 2는 도 1에 도시된 감지 센서(100)의 일례에 대해 설명하기 위한 도이다.
도 3은 도 1에 도시된 서버(200)의 일례에 서버(200)의 일례에 대해 설명하기 위한 도이다.
도 4 내지 도 6은 본 발명의 일례에 따른 설비 고장 예측 방법의 일례를 설명하기 위한 도이다.
도 7은 본 발명의 일례에 따른 설비 고장 예측 시스템이 제공하는 고장 예측 정보의 일례를 설명하기 위한 도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 본 발명을 설명하는데 있어서, 해당 분야에 이미 공지된 기술 또는 구성에 대한 구체적인 설명을 부가하는 것이 본 발명의 요지를 불분명하게 할 수 있다고 판단되는 경우에는 상세한 설명에서 이를 일부 생략하도록 한다. 또한, 본 명세서에서 사용되는 용어들은 본 발명의 실시예들을 적절히 표현하기 위해 사용된 용어들로서, 이는 해당 분야의 관련된 사람 또는 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 설비 고장 예측 시스템 및 설비 고장 예측 방법에 대해서 설명한다.
도 1은 본 발명의 일례에 따른 설비 고장 예측 시스템의 개요를 설명하기 위한 도이다.
제조 현장에서 설비(10)의 결함이나 손상이 발생할 경우, 설비(10)의 가동 중단을 야기할 수 있으며 이로 인해 발생하는 경제적 피해의 규모는 막대하기 때문에 고장이 발생하기 전에 조치를 취하는 것이 비용 절감을 위해 매우 중요하게 인식되어 있다.
설비 고장 예측이란 설비(10)의 상태를 실시간으로 진단하여 이상 상태를 조기에 발견하고 미래에 발생할 고장까지 미리 예측하여 적절한 조치를 취할 수 있게 하는 기술로 설비(10)의 안정성을 높일 수 있다.
최근에는 이와 같은 설비 고장 예측을 적용하고자 하는 산업 분야도 확대되고 있는 추세이며, 설비 고장 예측은 생산 매출에 크게 기여될 것으로 전망된다.
이를 위해, 본 발명의 일례에 따른 설비 고장 예측 시스템은 도 1에 도시된 바와 같이, 설비 고장 예측을 위해 필요한 감지 센서(100)와 서버(200)를 포함할 수 있다.
감지 센서(100)는 설비(10)에 인접하여 위치하되, 설비(10)로부터 물리적으로 이격되어 위치할 수 있고, 상기 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집할 수 있다.
이와 같은 본 발명의 일례에 따른 감지 센서(100)는 초음파 음파 신호를 수집하기 때문에 설비(10)에 직접적인 접촉을 하지 않아도 되며 설비(10) 작동 중 발생하는 충격이 제품에 전달되지 않아 상대적으로 내구성을 보다 향상시킬 수 있다.
상기 음파 신호가 신호 처리되어 샘플링되고 초음파 대역의 신호로 필터링되고, 노이즈 제거된 샘플링 데이터에 대해, 서버(200)는 정상 신호인지 이상 신호인지 판별하고, 이상 신호로 판별된 이상 신호 판별 정보에 대한 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하고, 이상 신호 분석 정보의 시계열적 패턴을 분석하여 상기 설비(10)에 대한 고장 예측 정보를 제공할 수 있다.
이를 위해, 서버(200)는 (1) 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하여, (2) 복수의 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대해 분석된 이상 신호 분석 정보를 생성하고, (3) 복수의 판별 정보 중 상기 정상 신호로 판별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 설비에 대한 고장 예측 정보를 관리자에게 제공하여 설비(10)가 완전히 고장 나기 전에 미리 조치할 수 있도록 할 수 있다.
이와 같은 본 발명의 일례에 따른 설비 고장 예측 시스템은 일반적인 기계 설비(10)의 경우 물리적 고장 발생시 고장 부분뿐만 아니라 연결된 부분의 손상까지 동반하므로 사전 조치를 통해 수리비용 절감 효과를 기대할 수 있다.
또한, 본 발명의 일례에 따른 설비 고장 예측 시스템은 설비(10)의 고장 발생 시, 고장 설비(10)의 수리에 상당한 시간이 소요되기 때문에 사전 조치를 통해 설비(10)의 고장을 예방하여 가동률이 저하되는 상황을 차단할 수 있으므로 제품 생산성 향상 효과를 기대할 수 있다.
아울러, 본 발명의 일례에 따른 설비 고장 예측 시스템은 설비 고장 예측을 통해 설비(10)의 이상 상태에 대한 사전 조치가 가능하여 설비(10) 고장의 전조 증상 중 하나인 제품 품질 저하를 예방할 수 있어 생산 제품의 품질 유지 및 향상을 기대할 수 있다.
이와 같은 설비 고장 예측 시스템에서는 미세한 감지를 위해 초음파 대역에 대해 측정 가능한 고감도 오디오 카드가 감지 센서(100)에 포함될 수 있다.
또한, 효율적인 데이터 분석을 위해, 음파 신호를 분석하기 이전에 공장 환경의 노이즈가 제거된 샘플링 데이터가 추출될 수 있으며, 추출된 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하기 위하여 머신 런닝(Machine learning)이 적용될 수 있다.
아울러, 샘플링 데이터가 이상 신호인 것으로 판별된 경우, 해당 이상 신호에 대한 로우 데이터(low data)인 샘플링 데이터를 이용하여 딥러닝 알고리즘(Deep learning algorithm)이 적용되어, 보다 정확하고 효율적으로 이상 신호를 발생시키는 설비의 이상 유형의 종류와 정도에 대한 이상 신호 분석 정보를 제공할 수 있다.
더불어, 상기 복수의 판별 정보 중 상기 정상 신호로 핀별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 이용하여, 서버 내에 미리 설치된 패턴 분석 프로그램을 실행하여, 설비에 대한 고장 예측 정보를 제공할 수 있다.
이하에서는 이와 같은 본 발명의 일례에 적용되는 감지 센서(100)와 서버(200)의 구성에 대해 보다 구체적으로 설명한다.
도 2는 도 1에 도시된 감지 센서(100)의 일례에 대해 설명하기 위한 도이고, 도 3은 도 1에 도시된 서버(200)의 일례에 서버(200)의 일례에 대해 설명하기 위한 도이다.
도 2 및 도 3에서는 감지 센서(100)가 초음파 대역 필터링 모듈(130)을 구비하고, 서버(200)는 초음파 대역 필터링 모듈(130)을 구비하지 않는 경우를 일례로 도시하였으나, 본 발명은 반드시 이에 한정되는 것은 아니고, 도 2 및 도 3과 다르게 초음파 대역 필터링 모듈(130)은 감시 센서가 아닌 서버(200)에 구비되는 것도 가능하다.
다만, 이하에서는 설명의 편의상 도 2 및 도 3에 도시된 바와 같이, 감지 센서(100)가 초음파 대역 필터링 모듈(130)을 구비하고, 서버(200)는 초음파 대역 필터링 모듈(130)을 구비하지 않는 경우를 일례로 설명한다.
또한, 도 2 및 도 3에서는 서버(200)가 샘플링 데이터 추출기(213)을 구비하고, 감지 센서(100)는 샘플링 데이터 추출기(213)을 구비하지 않는 경우를 일례로 도시하였으나, 본 발명이 반드시 이에 한정되는 것은 아니고, 도 2 및 도 3과 다르게, 감지 센서(100)가 샘플링 데이터 추출기(213)을 구비하고, 서버(200)가 샘플링 데이터 추출기(213)을 구비하지 않는 경우도 가능하다.
다만, 이하에서는 설명의 편의상 도 2 및 도 3에 도시된 바와 같이, 서버(200)가 샘플링 데이터 추출기(213)을 구비하고, 감지 센서(100)는 샘플링 데이터 추출기(213)을 구비하지 않는 경우를 일례로 설명한다.
또한, 도 3에서는 신호 판별기(214), 이상 신호 분석기(215) 및 패턴 분석기(216)가 하나의 서버에 구비된 경우를 일례로 도시하였으나, 본 발명이 반드시 이에 한정되는 것은 아니고, 신호 판별기(214), 이상 신호 분석기(215) 및 패턴 분석기(216) 각각은 서로 이격되어 서로 다른 서버에 구비되는 것도 가능하다.
감지 센서(100)는 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집하기 위해, 센싱부(110), 샘플링부(120), 초음파 대역 필터링 모듈(130) 및 통신부(140)를 포함할 수 있다.
센싱부(110)는 설비(10)와 물리적으로 이격된 상태에서 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집할 수 있다. 일례로, 센싱부(110)에는 MEMS 마이크로 회로가 구비될 수 있다.
샘플링부(120)는 센싱부(110)에서 아나로그 신호 형태로 수집된 음파 신호를 디지털 신호로 변환하는 역할을 할 수 있으며, 고감도 측정 및 분석이 가능하도록 하기 위하여, 별도의 필터와 증폭 회로를 구비하여, 디지털 신호로 변환하기 위한 샘플링비(sampling rate)를 35KHz 보다 높게 할 수 있다.
일례로, 상기 샘플링비는 35KHz ~ 300KHz 사이일 수 있으며, 바람직하게는 100KHz ~ 300KHz, 보다 바람직하게는 190KHz ~ 300KHz 사이일 수 있다.
초음파 대역 필터링 모듈(130)은 고감도로 샘플링된 디지털 음파 신호로부터 초음파 대역의 신호를 필터링하여 추출할 수 있다. 즉, 음파 신호에서 초음파 대역보다 낮은 대역의 신호를 제거하고, 초음파 대역의 음파 신호만 추출할 수 있다.
이와 같이 추출되는 초음파 대역의 음파 신호는 35KHz 이상일 수 있으며, 일례로 35KHz~300KHz 대역의 음파 신호를 포함할 수 있다.
통신부(140)는 감지 센서(100)에서 수집된 음파 신호를 무선 또는 유선을 통하여 서버(200)로 전송할 수 있다. 도 1에서는 감지 센서(100)와 서버(200)가 유선으로 연결된 경우를 일례로 도시하였으나, 본 발명은 반드시 이에 한정되는 것은 아니고, 감지 센서(100)가 서버(200)가 인터넷 망을 통하여 무선으로 연동되는 것도 가능하다.
서버(200)는 도 3에 도시된 바와 같이, 제어부(210)와 데이터 베이스부(220)를 포함할 수 있다.
데이터 베이스부(220)는 샘플링 데이터를 저장하고, 샘플링 데이터에 대해 신호 판별을 수행하여, 정상 신호인지 이상 신호인지 판별된 데이터 정보인 판별 정보가 저장될 수 있다.
이를 위해, 데이터 베이스부(220)는 타겟 신호에 대한 로우 데이터(low-data) 형태를 갖는 샘플링 데이터가 저장되는 샘플링 데이터 DB(221)와 샘플링 데이터에 대해 신호 판별이 수행되어 생성된 판별 정보가 저장되는 감지된 신호 정보 DB(223)를 포함할 수 있다.
여기서, 데이터 베이스부(220)에 저장되는 샘플링 데이터는 아나로그 신호가 샘플링(sampling)되어 디지털 신호로 변환된 신호에 대해, 미리 결정된 시간 기준 동안의 로우 데이터(low-data) 형태를 가질 수 있다.
이와 같은 각각의 샘플링 데이터는 미리 결정된 시간 기준으로 세분화되어 저장될 수 있다. 일례로, 세분화된 시간 기준이 0.5msec 단위로 결정된 경우, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터는 0.5msec의 시간 길이를 가질 수 있으며, 세분화된 시간 기준이 1초인 경우, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터는 1초의 시간 길이를 가질 수 있다.
이와 같이, 샘플링 데이터 DB(221)에 저장되는 샘플링 데이터는 미리 결정된 시간 기준 동안 해당 신호의 파형에 대한 정보와 샘플링 데이터에 대한 시간 정보를 포함할 수 있다.
이와 같이, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터의 시간 길이는 서버에 미리 설정될 수 있으며, 최적화를 위해 따라 서버 관리자에 의해 얼마든지 변경될 수 있다.
이와 같은 샘플링 데이터 DB(221)는 신호 판별을 위해 초기에 샘플링 데이터의 트레이닝(training)과 테스트(test)에 이용될 수 있을 뿐만 아니라, 설비 고장 예측 시스템이 초기 이후 동작하는 내내 사용 가능하고, 샘플링 데이터의 이상 신호 여부를 판별하는데 이용될 수 있다.
감지된 신호 정보 DB(223)는 샘플링 데이터 DB(221)에 있는 샘플링 데이터에 대해 신호 판별을 수행한 판별 정보가 저장될 수 있다.
이와 같은 판별 정보는 샘플링 데이터 DB(221)에 저장된 복수의 샘플링 데이터 각각에 대해 신호 판별된 정보이므로, 각각의 판별 정보에는 해당되는 샘플링 데이터가 정상 신호인지 또는 이상 신호인지에 대한 판별 정보와, 샘플링 데이터 자체에 대한 식별 정보 또는 시간 정보가 포함될 수 있다.
일례로, 샘플링 데이터가 정상 신호로 판별된 경우, 해당 샘플링 데이터에 대해 정상 신호로 판별한 정상 신호 판별 정보가 저장될 수 있으며, 샘플링 데이터가 이상 신호로 판별된 경우, 해당 샘플링 데이터에 대해 이상 신호로 판별한 이상 신호 판별 정보가 저장될 수 있다.
따라서, 감지된 신호 정보 DB(223)에 저장되는 정상 신호 판별 정보의 개수와 이상 신호 판별 정보의 총 개수의 합은 샘플링 데이터 DB(221)에 저장된 샘플링 데이터의 총 개수의 합과 같을 수 있고, 각각의 정상 신호 판별 정보와 이상 신호 판별 정보는 샘플링 데이터 각각과 매칭될 수 있다.
따라서, 서버가 감지된 신호 정보 DB(223)에서 어떤 하나의 이상 신호 판별 정보를 선택하는 경우, 해당 이상 신호 판별 정보에 대한 로우 데이터 형태를 갖는 샘플링 데이터도 샘플링 데이터 DB(221)에서 선택할 수 있다.
제어부(210)는 음파 신호로부터 초음파 대역인 샘플링 데이터를 추출하여 신호 처리된 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하고, 이상 신호로 판별된 샘플링 데이터에 대해서는 이상 신호 분석을 수행하여, 해당 샘플링 데이터에 대한 이상 신호 분석 정보를 생성하고, 정상 신호 샘플링 정보와 이상 신호 분석 정보를 시계열적으로 배열하여, 정상 신호 샘플링 정보와 이상 신호 분석 정보의 시계열적 패턴을 분석하여, 설비의 고장에 대한 예측 정보를 제공할 수 있다.
이를 위해, 제어부(210)는 통신 모듈(211), 샘플링 데이터 추출기(213), 신호 판별기(214), 이상 신호 분석기(215), 패턴 분석기(216) 및 출력 모듈(217)을 포함할 수 있다.
통신 모듈(211)은 감지 센서(100)와 유선 또는 무선으로 연동되어, 감지 센서(100)로부터 전송되는 초음파 대역의 음파 신호를 수신할 수 있다. 이와 같이, 서버의 통신 모듈로 입력되는 음파 신호는 일례로, 샘플링되고, 초음파 대역으로 필터링된 신호에 대한 데이터 정보일 수 있다.
샘플링 데이터 추출기(213)는 통신 모듈을 통해 입력된 초음파 대역의 신호로부터 노이즈를 제거하여 샘플링 데이터를 추출할 수 있다. 구체적으로, 설비(10)가 위치한 공장 환경에서 들어오는 음파 신호는 설비(10)의 물리적 기계음 및 인적 소음과 같은 불필요한 노이즈 정보가 합성된 음파 신호일 수 있다.
이와 같은 음파 신호에서 샘플링 데이터 추출기(213)는 노이즈를 필터링하여 제거함으로써, 설비(10)의 특정 부분이 발생시키는 음파 신호로부터 샘플링 데이터를 추출하고, 추출된 샘플링 데이터를 데이터 분석에 사용하여, 분석의 정확도를 높일 수 있다.
이와 같이, 제어부는 설비에서 측정된 음파 신호에 대해, 샘플링하고, 초음파 대역 필터링하고, 노이즈를 제거한 로우 데이터(low-data) 형태의 샘플링 데이터를 이용하여, 샘플링 데이터를 판별하고 분석하여, 시계열적으로 패턴을 사용자 또는 관리자에게 설비에 대한 예측 정보를 제공할 수 있다.
이를 수행하기 위해, 제어부는 전술한 바와 같이, 신호 판별기(214), 이상 신호 분석기(215) 및 패턴 분석기(216)를 포함할 수 있다.
신호 판별기(214)는 샘플링 데이터 DB(221)에 저장된 샘플링 데이터 각각에 대해 정상 신호인지, 이상 신호인지 판별하고, 각각의 판별된 샘플링 데이터에 대해 판별 정보를 생성할 수 있다.
여기서, 판별 정보는 일례로, 어떤 샘플링 데이터가 정상 신호로 판별된 경우, 해당 샘플링 데이터에 대해 정상 신호 판별 정보(Sn)를 생성할 수 있다. 또한, 어떤 샘플링 데이터가 이상 신호로 판별된 경우, 해당 샘플링 대이터에 대해 이상 신호 판별 정보(Sa)를 생성할 수 있다.
이와 같이, 복수의 샘플링 데이터에 대해 신호 판별기(214)가 판별된 정상 신호 판별 정보와 이상 신호 판별 정보는 감지된 신호 정보 DB(223)에 업데이트 및 저장될 수 있다.
이와 같은 신호 판별기(214)는 일례로, 머신 러닝(Machine Learning) 기술 중 Unsupervised Learning의 K-mean Algorithm을 적용하여, 복수의 샘플링 데이터에 대해 정상 신호 인지 이상 신호인지 여부를 판별할 수 있다. 그러나 본 발명이 반드시 전술한 머신 러닝만 적용되는 것에 한정되는 것은 아니다.
이와 같은 머신 러닝 기술의 샘플링 데이터의 판별에 대한 정확도를 보다 향상되도록 하기 위하여, 머신 러닝 기술을 실제 적용함에 있어, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터를 이용하여 샘플링 데이터 각각에 대하여, 정상 신호인지, 아니면 이상 신호인지 여부를 반복적으로 판별하는 트레이닝(training)과 테스트(test)가 수행될 수 있다.
이와 같이, 신호 판별기(214)는 샘플링 데이터 DB(221)에 저장된 각각의 샘플링 데이터에 대해 이상 신호 여부를 판별하여, 판별 정보를 생성하고, 생성된 판별 정보를 감지된 신호 정보 DB(223)에 저장할 수 있다.
이상 신호 분석기(215)는 신호 판별기(214)에서 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대해 이상 유형의 종류와 정도에 대해 분석하여, 이상 신호 분석 정보를 생성할 수 있다.
이에 따라, 이상 신호 분석기(215)에서 생성되는 이상 신호 분석 정보는 해당 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석된 값이 포함될 수 있다.
이와 같이, 이상 신호 분석기(215)가 샘플링 데이터를 분석함에 있어서, 딥 러닝 알고리즘(Deep Learning Algorithms)이 적용될 수 있다.
패턴 분석기(216)는 신호 판별기(214)에서 판별되어, 데이터 베이스부(220)에 저장된 정보 중에서 정상 신호 판별 정보와 이상 신호 분석기(215)에서 분석된 이상 신호 판별 정보의 샘플링 데이터에 대한 이상 신호 분석 정보를 시계열적으로 배열하고, 이에 대한 패턴 분석을 수행할 수 있다.
이와 같이, 패턴 분석기(216)가 패턴 분석을 수행함에 있어, 미리 설치된 패턴 분석 프로그램이 이용될 수 있다. 일례로, HMM(Hidden Markov Model), Deep Learning 학습 모델 중 시계열 데이터 분석에 특화되어 있는 Recurrent Neural Network를 학습 모델, 장기간 또는 단기간 데이터의 정보를 활용하여 다양한 경우의 데이터 패턴 학습을 위해 LSTM(Long-Short Term Memory) 중 적어도 하나가 적용될 수 있다. 그러나, 본 발명이 반드시 이에 한정되는 것은 아니다.
이와 같이, 패턴 분석기(216)가 정상 신호 판별 정보와 이상 신호 분석 정보를 이용하여, 그 패턴 정보를 분석함으로써, 설비 고장의 정도를 판단할 수 있으며, 설비 고장의 원인을 판단할 수 있다.
출력 모듈(217)은 패턴 분석기(216)에서 분석된 설비 고장의 정도와 원인을 이용하여 설비(10)에 대한 고장 예측 정보를 제공할 수 있다.
이하에서는 이와 같은 고장 설비(10) 예측 시스템이 동작하는 방법의 일례에 대해 설명한다.
도 4 내지 도 6은 본 발명의 일례에 따른 설비 고장 예측 방법의 일례를 설명하기 위한 도이다.
구체적으로, 도 4는 본 발명의 일례에 따른 설비 고장 예측 방법에 대한 플로우 차트를 도시한 것이고, 도 5는 도 4에 기재된 신호 판별 단계(S4), 이상 신호 분석 단계(S5), 패턴 분석 단계(S6)를 보다 구체적으로 설명하기 위한 도이고, 도 6은 본 발명의 일례에 따른 설비 고장 예측 시스템 상에서 설비 고장 예측 방법이 수행될 때의 신호의 흐름을 설명하기 위한 도이다.
본 발명의 일례에 따른 설비 고장 예측 방법은 도 4에 도시된 바와 같이, 음파 수집 단계(S1), 초음파 대역 필터링 단계(S2), 샘플링 데이터 추출 단계(S3), 신호 판별 단계(S4), 이상 신호 분석 단계(S5), 패턴 분석 단계(S6) 및 출력 단계(S7)를 포함할 수 있다.
음파 수집 단계(S1)에서는 감지 센서(100)가 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집할 수 있다. 여기서 수집되는 음파 신호는 아나로그 신호일 수 있으며, 디지털 신호로 변환될 수 있다.
음파 수집 단계(S1)에서는 수집된 음파 신호를 디지털 신호로 변환될 때, 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz ~ 300KHz 사이일 수 있으며, 바람직하게는 100KHz ~ 300KHz, 보다 바람직하게는 190KHz ~ 300KHz 사이일 수 있다.
초음파 대역 필터링 단계(S2)에서는 디지털 신호로 변환된 음파 신호에서 초음파 대역이 필터링되어, 초음파 대역의 음파 신호가 추출될 수 있다.
샘플링 데이터 추출 단계(S3)는 추출된 초음파 대역의 신호로부터 노이즈를 제거하여 샘플링 데이터를 추출할 수 있다.
일례로, 노이즈 필터링 방법은 음파 신호가 수집되기 이전에, 환경 소음 또는 배경 소음에 대한 노이즈 신호 정보를 미리 취득하여, 해당 음파 신호에 대한 노이즈 필터로 적용할 수 있다. 그러나, 본 발명의 노이즈 필터링 방법은 반드시 이에 한정되는 것은 아니고, 얼마든지 다른 방법으로 수행될 수 있다.
이와 같이, 샘플링 데이터 추출 단계에서 추출되는 샘플링 데이터는 미리 결정된 시간 기준으로 세분화된 데이터일 수 있다.
이와 같이, 미리 결정된 시간 기준으로 세분화된 샘플링 데이터가 도 6에 도시된 바와 같이, 샘플링 데이터 DB(221)에 저장될 수 있다. 이와 같이, 샘플링 데이터 DB(221)에 저장되는 샘플링 데이터는 해당 신호의 파형에 대한 정보와 샘플링 데이터의 생성 시간 정보를 포함할 수 있다.
신호 판별 단계(S4)에서는 신호 판별기(214)가 샘플링 데이터 DB(221)로부터 샘플링 데이터를 입력받아, 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하여 판별 정보를 생성하고, 생성된 판별 정보를 감지된 신호 정보 DB(223)에 저장할 수 있다.
여기서, 신호 판별기(214)는 일례로, 머신 러닝(Machine Learning) 기술 중 Unsupervised Learning의 K-mean Algorithm을 적용하여, 복수의 샘플링 데이터에 대해 정상 신호 인지 이상 신호인지 여부를 판별할 수 있다. 그러나 본 발명이 반드시 전술한 머신 러닝만 적용되는 것에 한정되는 것은 아니다.
감지된 신호 정보 DB(223)에 저장되는 판별 정보는 샘플링 데이터가 정상 신호인지 또는 이상 신호인지에 대한 판별 정보와, 샘플링 데이터 자체에 대한 식별 정보 또는 시간 정보가 포함될 수 있다.
아울러, 판별 정보는 샘플링 데이터가 정상 신호임을 나타내는 정상 신호 판별 정보(Sn)와 샘플링 데이터가 이상 신호임을 나타내는 이상 신호 판별 정보(Sa)를 포함할 수 있다.
일례로, 신호 판별 단계(S4)에서는 도 6에 도시된 바와 같이, 샘플링 데이터 DB(221)에 저장된 복수의 샘플링 데이터에 대해 정상 신호인지 또는 이상 신호인지 판별하여, 일례로, 샘플링 데이터 1 => 정상 신호 판별 정보(Sn), 샘플링 데이터 2 => 정상 신호 판별 정보(Sn), 샘플링 데이터 3 => 이상 신호 판별 정보(Sa)로 판별된 판별 정보가 생성될 수 있고, 도시되지는 않았지만, 각각의 판별 정보는 해당 샘플링 데이터 자체에 대한 식별 정보가 포함될 수 있다.
신호 판별 단계(S4)에서, 도 5 및 도 6에 도시된 바와 같이, 감지된 신호 정보 DB(223)에 저장되는 판별 정보는 샘플링 데이터에 대한 판별 정보가 정상 신호 판별 정보(Sn)인지 또는 이상 신호 판별 정보(Sa)인지 구별하여, 판별 정보가 정상 신호 판별 정보(Sn)인 경우(도 5의 S41), 제어부(210)는 감지된 신호 정보 DB(223)에 저장된 정상 신호 판별 정보(Sn)를 패턴 분석기(216)로 출력할 수 있다.
또한, 판별 정보가 이상 신호 판별 정보(Sa)인 경우(도 5의 S42), 제어부(210)는 감지된 신호 정보 DB(223)에 이상 신호 판별 정보(Sa)에 대응되는 샘플링 데이터 DB(221)의 샘플링 데이터를 이상 신호 분석기(215)로 출력할 수 있다.
즉, 도 6과 같이, 판별 정보가 이상 신호 판별 정보(Sa)인 경우, 제어부(210)는 이상 신호 판별 정보(Sa)의 해당 샘플링 데이터를 보다 면밀하게 분석하기 위하여, 이상 신호 분석기(215)로 해당 샘플링 데이터를 출력하여, 이상 신호 분석 단계(S5)가 수행될 수 있다.
이상 신호 분석 단계(S5)는 판별 정보 중 이상 신호 판별 정보(Sa)에 대응하는 샘플링 데이터를 입력받아 분석하여, 이상 신호 분석 정보를 생성할 수 있다.
일례로, 신호 판별 단계(S4)에서, 도 6에 도시된 바와 같이, 샘플링 데이터 3이 이상 신호로 판별된 경우, 해당 이상 신호 판별 정보(Sa)에 대응되는 샘플링 데이터 3을 샘플링 데이터 DB(221)로부터 출력하여, 이상 신호 분석기(215)로 입력할 수 있다.
여기서, 샘플링 데이터 3은 대한 미리 결정된 시간 기준 동안의 로우 데이터(low-data) 형태를 가질 수 있으며, 이상 신호 분석기(215)는 이와 같은 샘플링 데이터 3에 포함된 로우 데이터를 분석할 수 있다.
이상 신호 분석기(215)는 이상 신호로 판별된 샘플링 데이터를 분석하기 위하여 딥 러닝 알고리즘(Deep Learning Algorithms)을 적용할 수 있다.
이와 같이, 이상 신호 분석기(215)에서 샘플링 데이터를 분석하여 생성되는 이상 신호 분석 정보는 이상 신호 판별 정보(Sa)에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 포함할 수 있다.
예를 들어, 이상 신호 분석기(215)는 이상 신호 분석 정보로 R1-50%, R3-60%, R5-30% 등의 이상 신호 분석 정보를 생성할 수 있다. 이상 신호 분석기(215)는 하나의 샘플링 데이터에 대해 하나의 이상 유형의 종류와 정도를 생성할 수 있다.
예를 들어, 샘플링 데이터 3에 대해서는 이상 유형 종류 1, 정도 50%를 나타내는 R1-50%이 이상 신호 분석 정보로 생성될 수 있다. 따라서, R1-50%, R3-60%, R5-30%는 3개의 샘플링 데이터 각각에 대해 분석된 이상 신호 분석 정보를 의미할 수 있다.
여기서, R1, R3, R5 등은 이상 유형의 종류를 의미할 수 있다. 즉, 이상 신호로 판별된 해당 샘플링 데이터를 발생시키는 유형을 의미할 수 있다. 이와 같은 이상 유형은 설비의 고장을 발생시키는 여러가지 원인 중 하나의 원인일 수 있다.
또한, R1-50%, R3-60%, R5-30% 각각에 연동되는 백분율을 해당 이상 유형의 정도 또는 심각성을 의미할 수 있다.
따라서, R3-60%라는 의미는 이상 유형 3에 해당되고, 그 정도가 60%임을 의미하고, R5-30%라는 의미는 이상 유형 5에 대항되고, 그 정도가 30%임을 의미할 수 있다.
이와 같이, 이상 신호 분석기(215)에서 분석하는 이상 유형은 설비 각각에 따라 다르게 설정될 수 있으며, 관리자 또는 사용자에 의해 얼마든지 변경될 수 있다.
이와 같이, 이상 신호 분석 단계(S5)에서 이상 신호 분석기(215)에 의해 분석된 이상 신호 분석 정보는 패턴 분석기(216)로 출력될 수 있고, 이후, 패턴 분석 단계(S6)가 수행될 수 있다.
패턴 분석 단계(S6)에서는 패턴 분석기(216)가 복수의 판별 정보 중 정상 신호로 판별된 정상 신호 판별 정보(Sn)를 감지된 신호 정보 DB(223)로부터 입력받고, 이상 신호 분석 정보를 이상 신호 분석기(215)로부터 입력받아 설비 고장의 패턴을 분석할 수 있다.
이를 위해, 패턴 분석기(216)는 정상 신호 판별 정보(Sn)와 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열할 수 있다.
예를 들어, 시간의 순서에 따라 R1-50%, Sn, R3-60%, R5-30%, R3-60%, ?, Sn, Sn의 순서로 복수의 정상 신호 판별 정보(Sn)와 이상 신호 분석 정보(R1-50%, R3-60%, R5-30%, R3-60%)가 시계열적으로 배열될 수 있으며, 이와 같은 배열된 패턴을 패턴 분석기(216)가 분석할 수 있다.
이와 같이, 시계열적으로 배열된 패턴은 시간 순서대로 입력되는 샘플링 데이터 각각에 대한 신호의 특성을 분석한 정보일 수 있다.
패턴 분석기(216)는 이와 같은 정상 신호 판별 정보(Sn)와 이상 신호 분석 정보의 시계열적 패턴을 분석하여, 설비의 고장 정도와 설비의 고장 원인을 판단할 수 있다.
이와 같은 패턴 분석기(216)가 시계열적 패턴을 분석함에 있어, HMM(Hidden Markov Model), Deep Learning 학습 모델 중 시계열 데이터 분석에 특화되어 있는 Recurrent Neural Network를 학습 모델, 장기간 또는 단기간 데이터의 정보를 활용하여 다양한 경우의 데이터 패턴 학습을 위해 LSTM(Long-Short Term Memory) 중 적어도 하나가 적용될 수 있다. 그러나, 본 발명이 반드시 이에 한정되는 것은 아니다.
출력 단계(S7)에서는 패턴 분석기(216)에서 분석된 설비의 고장 정도와 설비의 고장 원인을 설비의 고장 예측 정보로 출력할 수 있다.
도 7은 본 발명의 일례에 따른 설비 고장 예측 시스템이 제공하는 고장 예측 정보의 일례를 설명하기 위한 도이다.
본 발명의 일례에 따른 설비 고장 예측 시스템은 도 7에 도시된 바와 같이, 고장 예측 정보를 제공할 수 있다.
구체적으로, 고장 예측 정보는 적어도 설비(10)의 현재 상태 및 설비(10)의 고장이 발생될 때까지의 예측 정보를 포함할 수 있다.
일례로, 도 7에 도시된 바와 같이, 고장 예측 정보는 설비(10)의 이름, 고장이 발생될 때까지의 가능성을 퍼센트로 표시한 예측 정보, 정상 신호 발생 횟수, 이상 신호 발생 횟수, 이상 유형의 각 종류에 따른 정도, 발생 간격, 설비(10) 고장시까지의 예측 백분율 등이 표시될 수 있다.
이와 같은 본 발명의 일례에 따른 설비 고장 예측 시스템 및 방법은 설비(10)의 동작 과정에서 발생되는 음파 신호 중 초음파 대역의 신호를 이용하여 설비(10)에 대한 고장 예측 정보를 제공함으로써, 사용자가 공장 내의 설비(10)에 대해 신속한 대응을 하도록 안내할 수 있고, 이로 인하여 공장의 가동 중단에 따른 손해 비용을 최소화하도록 할 수 있다.
본 발명은 상술한 실시예 및 첨부한 도면에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자의 관점에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명의 범위는 본 명세서의 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
10: 설비 100: 감지 센서
110: 센싱부 120: 샘플링부
130: 초음파 대역 필터링 모듈
140: 통신부 200: 서버
210: 제어부 220: 데이터 베이스부

Claims (18)

  1. 설비에 인접하여 위치하고, 상기 설비가 동작할 때 발생되는 소리로부터 음파 신호를 수집하는 감지 센서;
    상기 음파 신호를 샘플링하고 노이즈를 제거하여 샘플링 데이터를 추출하는 샘플링 데이터 추출기;
    상기 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하는 신호 판별기;
    상기 복수의 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 상기 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하는 이상 신호 분석기; 및
    상기 복수의 판별 정보 중 상기 정상 신호로 판별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 설비에 대한 고장 예측 정보를 제공하는 패턴 분석기를 포함하고,
    상기 이상 신호 분석 정보는,
    상기 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 포함하고,
    상기 패턴 분석기는
    상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하고, 상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보의 배열 패턴을 분석하는 설비 고장 예측 시스템.
  2. 제1 항에 있어서,
    상기 샘플링 데이터를 저장하는 샘플링 데이터 DB와 상기 샘플링 데이터가 정상 신호 또는 이상 신호로 핀별된 판별 정보를 저장하는 감지된 신호 정보 DB를 구비하는 데이터 베이스부를 더 포함하는 설비 고장 예측 시스템.
  3. 제2 항에 있어서,
    상기 신호 판별기, 상기 이상 신호 분석기 및 상기 패턴 분석기는 하나의 서버에 구비되는 설비 고장 예측 시스템.
  4. 제3 항에 있어서,
    상기 신호 판별기로 입력되는 상기 샘플링 데이터는 미리 결정된 시간 기준으로 세분화된 정보인 설비 고장 예측 시스템.
  5. 삭제
  6. 제3 항에 있어서,
    상기 패턴 분석기는
    상기 정상 신호 판별 정보를 상기 감지된 신호 정보 DB로부터 입력받고, 상기 이상 신호 분석 정보를 상기 이상 신호 분석기로부터 입력받아 정보의 패턴을 분석하는 설비 고장 예측 시스템.
  7. 삭제
  8. 제1 항에 있어서,
    상기 감지 센서는 상기 설비로부터 이격되어 있는 설비 고장 예측 시스템.
  9. 제1 항에 있어서,
    상기 감지 센서는 수집된 상기 음파 신호를 디지털 신호로 변환하되, 상기 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz 보다 높은 설비 고장 예측 시스템.
  10. 제9 항에 있어서,
    상기 샘플링비는 35KHz ~ 300KHz 사이인 설비 고장 예측 시스템.
  11. 제3 항에 있어서,
    상기 감지 센서 또는 상기 서버 중 어느 하나는 상기 수집된 음파 신호로부터 초음파 대역의 신호를 필터링하는 설비 고장 예측 시스템.
  12. 제11 항에 있어서,
    상기 감지 센서 또는 상기 서버 중 어느 하나는 상기 추출된 초음파 대역의 신호로부터 노이즈를 제거하여 상기 샘플링 데이터를 추출하는 설비 고장 예측 시스템.
  13. 설비에서 발생되는 음파 신호를 샘플링하고 노이즈를 제거하여 샘플링 데이터를 추출하는 샘플링 데이터 추출 단계;
    상기 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하여 복수의 판별 정보를 생성하여 저장하는 신호 판별 단계;
    상기 판별 정보 중 이상 신호로 핀별된 이상 신호 판별 정보에 대응하는 샘플링 데이터를 입력받아 분석하여, 이상 신호 분석 정보를 출력하는 이상 신호 분석 단계; 및
    상기 복수의 판별 정보 중 상기 정상 신호로 핀별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보로부터 상기 설비 고장의 패턴을 분석하는 패턴 분석 단계;를 포함하고,
    상기 이상 신호 분석 정보는,
    상기 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 포함하고,
    상기 패턴 분석 단계는,
    상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하는 단계; 및
    상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보의 배열 패턴을 분석하는 단계를 포함하는 설비 고장 예측 방법.
  14. 제13 항에 있어서,
    상기 신호 판별 단계에서는 미리 결정된 시간 기준으로 세분화된 샘플링 데이터가 이용되는 설비 고장 예측 방법.
  15. 삭제
  16. 삭제
  17. 제13 항에 있어서,
    상기 신호 판별 단계 이전에,
    설비가 동작할 때 발생되는 소리로부터 음파 신호를 수집하는 음파 수집 단계; 및
    상기 수집된 음파 신호를 필터링하여 초음파 대역의 신호를 추출하는 초음파 대역 필터링 단계;를 더 포함하는 설비 고장 예측 방법.
  18. 제17 항에 있어서,
    상기 음파 수집 단계에서는 수집된 상기 음파 신호를 디지털 신호로 변환하되, 상기 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz보다 높은 설비 고장 예측 방법.

KR1020220053794A 2019-11-18 2022-04-29 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법 KR102500140B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220053794A KR102500140B1 (ko) 2019-11-18 2022-04-29 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190147610A KR20210060049A (ko) 2019-11-18 2019-11-18 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법
KR1020220053794A KR102500140B1 (ko) 2019-11-18 2022-04-29 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020190147610A Division KR20210060049A (ko) 2019-11-18 2019-11-18 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220062250A KR20220062250A (ko) 2022-05-16
KR102500140B1 true KR102500140B1 (ko) 2023-02-16

Family

ID=75980667

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020190147610A KR20210060049A (ko) 2019-11-18 2019-11-18 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법
KR1020220053794A KR102500140B1 (ko) 2019-11-18 2022-04-29 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020190147610A KR20210060049A (ko) 2019-11-18 2019-11-18 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법

Country Status (2)

Country Link
KR (2) KR20210060049A (ko)
WO (1) WO2021100967A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101204499B1 (ko) * 2012-05-25 2012-11-26 주식회사 서울산전 영상기능이 부가된 전력설비진단용 초음파 진단장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4100413B2 (ja) * 2005-04-25 2008-06-11 松下電工株式会社 設備監視方法および設備監視装置
KR100950805B1 (ko) * 2009-02-17 2010-04-02 박준 초음파 탐지를 이용한 가공 배전 선로 전력 설비의 불량 개소 검출 시스템 및 방법
KR101180687B1 (ko) * 2010-11-12 2012-09-07 대진대학교 산학협력단 음향감지를 이용한 품질관리 시스템 및 그 제공방법
KR101235777B1 (ko) * 2011-09-26 2013-02-21 유성훈 복합진단장비를 이용한 인공지능형 전력설비 진단 판정시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101204499B1 (ko) * 2012-05-25 2012-11-26 주식회사 서울산전 영상기능이 부가된 전력설비진단용 초음파 진단장치

Also Published As

Publication number Publication date
WO2021100967A1 (ko) 2021-05-27
KR20220062250A (ko) 2022-05-16
KR20210060049A (ko) 2021-05-26

Similar Documents

Publication Publication Date Title
KR102575629B1 (ko) 설비 고장 예측 시스템 및 그 방법
US20210149387A1 (en) Facility failure prediction system and method for using acoustic signal of ultrasonic band
CN113400652B (zh) 基于振动信号的3d打印机监测与诊断知识库装置、系统
CN112660745B (zh) 托辊故障智能诊断方法、系统及可读存储介质
EP3759558B1 (en) Intelligent audio analytic apparatus (iaaa) and method for space system
JP2015162140A (ja) プラントと制御装置の診断装置
CN113657221A (zh) 一种基于智能感知技术的电厂设备状态监测方法
CN112639431A (zh) 异常预测系统和异常预测方法
JP2012018066A (ja) 異常検査装置
KR102392951B1 (ko) 초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템
CN114563150A (zh) 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置
JP4412306B2 (ja) 異常判定方法および異常判定装置
KR102325439B1 (ko) 사출 성형 설비의 고장 예측 시스템 및 그 방법
WO2022044175A1 (ja) データ処理装置、データ処理方法およびデータ処理プログラム
KR102500140B1 (ko) 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법
CN116720073A (zh) 一种基于分类器的异常检测提取方法与系统
CN117435908A (zh) 一种用于旋转机械的多种故障特征提取方法
JPH07334479A (ja) パターン分類装置及びこの装置を利用する状態監視システム
Movsessian et al. Adaptive feature selection for enhancing blade damage diagnosis on an operational wind turbine
JP4513796B2 (ja) 異常監視装置
CN117672255B (zh) 基于人工智能和设备运行声音的异常设备识别方法及系统
CN117740082B (zh) 一种电力设备故障风险预警方法及系统
CN116643170B (zh) 电机轴系振动测试方法、装置和计算机设备
JP7278499B1 (ja) 学習装置、異常兆候検知装置、異常兆候検知システム、学習方法およびプログラム
JP7193491B2 (ja) 音点検システム

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right