KR102500883B1 - System and method for managing the integrity of rotating machine based on real-time vibration signal using machine learning - Google Patents

System and method for managing the integrity of rotating machine based on real-time vibration signal using machine learning Download PDF

Info

Publication number
KR102500883B1
KR102500883B1 KR1020210188704A KR20210188704A KR102500883B1 KR 102500883 B1 KR102500883 B1 KR 102500883B1 KR 1020210188704 A KR1020210188704 A KR 1020210188704A KR 20210188704 A KR20210188704 A KR 20210188704A KR 102500883 B1 KR102500883 B1 KR 102500883B1
Authority
KR
South Korea
Prior art keywords
vibration
frequency
weight
machine learning
diagnosis
Prior art date
Application number
KR1020210188704A
Other languages
Korean (ko)
Inventor
민지홍
황덕영
Original Assignee
현대건설(주)
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 현대건설(주) filed Critical 현대건설(주)
Priority to KR1020210188704A priority Critical patent/KR102500883B1/en
Application granted granted Critical
Publication of KR102500883B1 publication Critical patent/KR102500883B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
    • G01H1/14—Frequency
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/025—Measuring arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

According to a system for managing the integrity of a rotating machine based on a real-time vibration signal of the present invention, a vibration signal of a rotating machine may be measured in real time to deduce a vibration cause and the probability for each vibration cause to suggest the initial response method on site accordingly. Moreover, malfunctioning of each component may be predicted in advance to deduce a maintenance and repair time, thereby more quickly and efficiently managing the integrity of a rotating machine. In addition, the accuracy of a weight-based diagnosis result which is deduced by applying a frequency weight and that of a machine learning-based diagnosis result deduced by means of machine learning may be compared, so as to output the weight-based diagnosis result in case the accuracy of the weight-based diagnosis result is higher than the accuracy of the machine learning-based diagnosis result, thereby more precisely diagnosing vibration. Furthermore, the maintenance and repair time according to a database-based malfunctioning prediction result deduced from measurement data stored in a database and a machine learning-based malfunctioning prediction result deduced by means of machine learning may be deduced, so as to establish a maintenance and repair plan for each component in advance, thereby increasing efficiency in management. To this end, the present invention comprises: a data collecting unit; a data pre-processing unit; a state monitoring unit; a state determination unit; a frequency weight-based diagnosis unit; a database; a machine learning-based diagnosis model learning unit; a weight correction unit; and an output unit.

Description

머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템 및 방법{System and method for managing the integrity of rotating machine based on real-time vibration signal using machine learning}System and method for managing the integrity of rotating machine based on real-time vibration signal using machine learning}

본 발명은 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템 및 방법에 관한 것으로서, 보다 상세하게는 회전기계의 진동 신호를 실시간으로 측정하고, 주파수 가중치를 반영한 가중치 기반 진단결과와 머신러닝 기반 진단결과를 비교하여 가중치를 보정함으로써, 보다 정확한 진동 원인별 진동 발생 확률을 진단하고 그에 따른 현장 초기 대응 방법을 제시할 수 있을 뿐만 아니라, 데이터베이스 기반 고장예측결과와 머신러닝 기반 고장예측결과를 도출하고 그에 따라 부품별 적정 유지보수 시점을 도출함으로써 회전기계의 운영 효율을 개선시킬 수 있는 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템 및 방법에 관한 것이다. The present invention relates to a system and method for managing the health of a rotating machine based on a real-time vibration signal, and more particularly, by measuring a vibration signal of a rotating machine in real time and comparing a weight-based diagnosis result reflecting frequency weighting with a machine learning-based diagnosis result. By correcting the weight by correcting the weight, it is possible to more accurately diagnose the probability of occurrence of vibration for each vibration cause and suggest an initial response method accordingly, as well as derive database-based failure prediction results and machine learning-based failure prediction results, and accordingly, It relates to a system and method for managing the health of a rotating machine based on a real-time vibration signal that can improve the operating efficiency of a rotating machine by deriving an appropriate maintenance point.

일반적으로 플랜트의 회전 기계는 회전 축에서 발생하는 진동 특성과 함께 구조적 고유 특성, 기계적 요소들인 베어링, 기어박스, 블레이드, 커플러 등에서 결함이 점차 증가함에 따라 진동량의 증가도 함께 나타나고 진동의 특성 변화도 발생하게 된다.In general, a rotating machine in a plant shows an increase in the amount of vibration along with a gradual increase in structural inherent characteristics and defects in mechanical elements such as bearings, gearboxes, blades, couplers, etc. It happens.

종래에는 회전기계의 진동 문제 발생시 전문가가 직접 방문하여 평가를 하기까지 소요되는 시간이 오래 걸리고, 결함의 원인을 찾고 대책을 세우는 동안 고장 범위가 전이되거나 운전 정지 사례가 많이 발생하고 있다. Conventionally, when a vibration problem occurs in a rotating machine, it takes a long time for an expert to directly visit and evaluate it, and while finding the cause of the defect and taking countermeasures, the range of failure is transferred or operation is stopped.

한국등록특허 제10-2120756호Korean Patent Registration No. 10-2120756

본 발명의 목적은, 보다 정확하게 진동 원인별 진동 발생 확률을 진단할 수 있는 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템 및 방법을 제공하는 데 있다. An object of the present invention is to provide a system and method for managing the health of a rotating machine based on a real-time vibration signal capable of more accurately diagnosing the probability of occurrence of vibration for each vibration cause.

본 발명에 따른 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템은, 진단하고자 하는 회전기계의 규격, 종류, 회전속도, 날개 수, 베어링 정보, 전원 주파수 중 적어도 일부를 포함하는 기본 정보를 입력받고, 상기 회전기계의 진동 해석 데이터를 입력받으며, 상기 회전기계를 구성하는 부품들 중 적어도 일부에 장착된 센서들이 실시간으로 측정한 진동 신호를 수집하고, 상기 회전기계에 따라 설정된 진단 기준 범위를 입력받는 데이터 수집부와; 상기 데이터 수집부에서 수집한 데이터를 전처리하는 데이터 전처리부와; 상기 진동 신호가 상기 진단 기준 범위를 초과시 진동 발생 시간, 발생 부품, 발생 위치, 심각도 중 적어도 일부를 포함하는 이벤트 내역을 추출하여 관리하는 상태 모니터링부와; 상기 진동 신호를 상기 진단 기준 범위와 비교하여 상기 회전기계의 진동 진단의 필요 여부를 판단하는 상태 판단부와; 상기 상태 판단부에서 진동 진단이 필요하다고 판단되면, 상기 기본 정보를 이용하여 주파수 특성치들을 추출하고, 상기 주파수 특성치들과 복수의 진동 원인들에 따라 미리 설정된 진동 원인별 주파수 가중치를 부여하여, 진동 원인, 진동 원인별 진단 점수, 진동 원인별 확률 및 진동 원인별 순위를 포함하는 가중치 기반 진단결과를 도출하는 주파수 가중치 기반 진단부와; 상기 센서들이 측정한 진동 신호를 상기 주파수 특성치별 측정 데이터로 구분하여 부품별로 저장하고, 다수의 회전기계들의 진동 신호에 따른 진동 원인, 부품별 고장 시점을 포함하는 학습 데이터가 미리 저장되고, 상기 주파수 가중치 기반 진단부에서 도출한 가중치 기반 진단결과가 저장되는 데이터베이스와; 상기 데이터베이스에 저장된 학습 데이터 중에서 상기 주파수 특성치별 진동 신호간의 상관관계를 입력 변수로 하고 상기 진동 원인을 출력 변수로 사용하여 머신러닝을 수행하여, 상기 주파수 특성치별 진동 신호에 따른 진동 원인을 포함하는 머신러닝 기반 진단결과를 도출할 수 있는 머신러닝 진동진단모델을 구축하는 머신러닝 기반 진단모델 학습부와; 상기 주파수 가중치 기반 진단부에서 도출된 가중치 기반 진단결과와 상기 머신러닝 진동진단모델에서 도출된 머신러닝 기반 진단결과의 정확도를 비교하고, 상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 기반 진단결과의 정확도보다 낮으면, 상기 주파수 가중치를 보정하여 업데이트하는 가중치 보정부와;상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 진동 진단 결과의 정확도보다 높으면, 상기 주파수 가중치 기반 진단부에서 도출된 가중치 기반 진단결과를 출력하는 출력부를 포함한다.The health management system of a rotating machine based on real-time vibration signals according to the present invention receives basic information including at least a part of the size, type, rotational speed, number of blades, bearing information, and power frequency of the rotating machine to be diagnosed, and the Data collection that receives vibration analysis data of a rotating machine, collects vibration signals measured in real time by sensors mounted on at least some of the parts constituting the rotating machine, and receives input of a diagnostic standard range set according to the rotating machine wealth; a data pre-processing unit which pre-processes the data collected by the data collection unit; a state monitoring unit that extracts and manages event details including at least a part of a vibration occurrence time, a generating part, a generating location, and a severity level when the vibration signal exceeds the diagnostic criteria range; a state determining unit comparing the vibration signal with the diagnostic reference range to determine whether a vibration diagnosis of the rotating machine is necessary; If it is determined that vibration diagnosis is necessary in the state determination unit, frequency characteristic values are extracted using the basic information, and frequency weights are given for each vibration cause preset according to the frequency characteristic values and a plurality of vibration causes, thereby causing the vibration. , a frequency weight-based diagnosis unit for deriving a weight-based diagnosis result including a diagnosis score for each vibration cause, a probability for each vibration cause, and a ranking for each vibration cause; The vibration signal measured by the sensors is divided into the measurement data for each frequency characteristic value and stored for each part, and learning data including the cause of vibration according to the vibration signal of a plurality of rotating machines and the time of failure for each part is stored in advance, and the frequency a database in which weight-based diagnosis results derived from the weight-based diagnosis unit are stored; A machine including a vibration cause according to the vibration signal for each frequency characteristic value by performing machine learning using a correlation between vibration signals for each frequency characteristic value as an input variable and the vibration cause as an output variable among learning data stored in the database. a machine learning-based diagnosis model learning unit for constructing a machine-learning vibration diagnosis model capable of deriving a learning-based diagnosis result; The accuracy of the weight-based diagnosis result derived from the frequency weight-based diagnosis unit and the machine learning-based diagnosis result derived from the machine learning vibration diagnosis model are compared, and the accuracy of the weight-based diagnosis result is the accuracy of the machine learning-based diagnosis result. If the accuracy of the weight-based diagnosis result is higher than the accuracy of the machine learning vibration diagnosis result, the weight-based diagnosis result derived from the frequency weight-based diagnosis unit is calculated. It includes an output unit that outputs.

상기 데이터베이스에 저장된 측정 데이터에서 부품별로 저장된 진동 신호의 추세를 미리 설정된 고장예측 기준과 비교하여, 부품별 고장 시점을 포함하는 데이터베이스 기반 고장예측결과를 도출하는 데이터베이스 기반 고장예측부를 더 포함한다.A database-based failure prediction unit for deriving a database-based failure prediction result including a failure time point for each part by comparing the trend of the vibration signal stored in the database with a preset failure prediction criterion for each part in the measurement data stored in the database.

상기 데이터베이스에 저장된 학습 데이터 중에서 상기 진동 신호를 입력 변수로 하고 상기 부품별 고장 시점을 출력 변수로 사용하여 머신러닝을 수행하여 머신러닝 고장예측모델을 구축하여, 상기 진동 신호에 따른 부품별 고장 시점을 포함하는 머신러닝 기반 고장예측결과를 도출하는 머신러닝 기반 고장예측부를 더 포함한다.Among learning data stored in the database, machine learning is performed using the vibration signal as an input variable and the failure time of each part as an output variable to build a machine learning failure prediction model, and determine the failure time of each part according to the vibration signal. It further includes a machine learning-based failure prediction unit for deriving a machine learning-based failure prediction result that includes.

상기 출력부는, 상기 데이터베이스 기반 고장예측부에서 도출한 데이터베이스 기반 고장예측결과에 따른 부품별 유지보수시점과, 상기 머신러닝 고장예측모델에서 도출된 머신러닝 기반 고장예측결과에 따른 부품별 유지보수시점을 각각 출력한다.The output unit displays a maintenance time for each part according to the database-based failure prediction result derived from the database-based failure prediction unit and a maintenance time for each part according to the machine learning-based failure prediction result derived from the machine learning failure prediction model. output each

상기 데이터베이스 기반 고장예측부에서 도출한 데이터베이스 기반 고장예측결과와 상기 머신러닝 고장예측모델에서 도출된 머신러닝 기반 고장예측결과를 비교하고, 상기 데이터베이스 기반 고장예측결과와 상기 머신러닝 기반 고장예측결과가 일치하는 부품에 대해 유지보수를 판단하고, 부품별 유지보수시점을 도출하는 유지보수 판단부를 더 포함한다.The database-based failure prediction result derived from the database-based failure prediction unit and the machine learning-based failure prediction result derived from the machine learning failure prediction model are compared, and the database-based failure prediction result and the machine learning-based failure prediction result match. It further includes a maintenance determination unit determining maintenance for the parts to be performed and deriving a maintenance time point for each part.

상기 출력부는, 상기 유지보수 판단부에서 도출한 부품별 유지보수시점을 출력한다.The output unit outputs the maintenance timing for each part derived from the maintenance determining unit.

상기 주파수 가중치 기반 진단부는, 상기 기본 정보를 이용하여 m개의 상기 주파수 특성치들을 성분으로 하는 1×m의 특성 행렬을 생성하는 특성 행렬 생성부와, 상기 m개의 주파수 특성치들과 미리 설정된 n개의 상기 진동 원인에 대해 미리 설정된 m×n개의 상기 주파수 가중치들을 성분으로 하는 m×n의 주파수 가중치 행렬을 상기 특성 행렬에 곱하여, 상기 진동 원인에 대해 상기 주파수 가중치들을 각각 적용한 n개의 진동 원인별 진단 점수를 성분으로 하는 1×n의 진단 행렬을 도출하는 진단 행렬 도출부를 더 포함한다.The frequency weight based diagnosis unit includes a characteristic matrix generator generating a 1×m characteristic matrix having m frequency characteristic values as components using the basic information; The characteristic matrix is multiplied by an m×n frequency weighting matrix having m×n frequency weights set in advance for the cause as components, and a diagnosis score for each of the n vibration causes is obtained by applying the frequency weighting factors to the vibration cause. It further includes a diagnostic matrix derivation unit for deriving a 1×n diagnostic matrix with

상기 주파수 특성치는, 상기 측정 방향별 진동 레벨비, 상기 회전속도의 배수 성분 크기, 날개 주파수, 노이즈 플로어(Noise floor) 크기, 전원 주파수 성분 크기 및 베어링 결함 위치별 특성 주파수 성분 크기 중 적어도 일부를 포함한다.The frequency characteristic value includes at least some of the vibration level ratio for each measurement direction, the size of multiple components of the rotational speed, the size of a wing frequency, the size of a noise floor, the size of a power frequency component, and the size of a characteristic frequency component for each bearing defect position. do.

상기 주파수 가중치 행렬은, 상기 학습 데이터 중에서 상기 진동 신호의 주파수 특성치들을 입력 변수로 하고 상기 진동 원인을 출력변수로 하여 학습시킨 가중치 행렬 생성 모델을 이용하여 생성된다.The frequency weight matrix is generated using a weight matrix generation model learned by using frequency characteristic values of the vibration signal as input variables and the vibration cause as an output variable among the learning data.

상기 주파수 가중치 기반 진단부는, The frequency weighting based diagnosis unit,

상기 진동 원인별 확률을 미리 설정된 n개의 진동 원인별 진단 점수의 총 합에 대한 각각의 상기 진동 원인별 진단 점수의 비율로 계산한다.The probability for each vibration cause is calculated as a ratio of diagnosis scores for each vibration cause to the total sum of diagnosis scores for each of the preset n vibration causes.

본 발명에 따른 실시간 진동 신호 기반 회전기계의 건전성 관리 방법은, 컴퓨터가 진단하고자 하는 회전기계의 규격, 종류, 회전속도, 날개 수, 베어링 정보, 전원 주파수 중 적어도 일부를 포함하는 기본 정보를 입력받고, 상기 회전기계의 진동 해석 데이터를 입력받으며, 상기 회전기계를 구성하는 부품들 중 적어도 일부에 장착된 센서들이 실시간으로 측정한 진동 신호를 수집하고, 상기 회전기계에 따라 설정된 진단 기준 범위를 입력받는 데이터 수집단계와; 상기 센서들이 측정한 진동 신호를 전처리하는 데이터 전처리단계와; 상기 진동 신호가 상기 진단 기준 범위를 초과시 진동 발생 시간, 발생 부품, 발생 위치, 심각도 중 적어도 일부를 포함하는 이벤트 내역을 추출하여 관리하는 상태 모니터링단계와; 상기 진동 신호를 상기 진단 기준 범위와 비교하여 상기 회전기계의 진동 진단의 필요 여부를 판단하는 진단 여부 판단단계와; 상기 진단 여부 판단단계에서 진동 진단이 필요하다고 판단되면, 상기 기본 정보를 이용하여 주파수 특성치들을 추출하고, 상기 주파수 특성치들과 복수의 진동 원인들에 따라 미리 설정된 진동 원인별 주파수 가중치를 부여하여, 진동 원인, 진동 원인별 진단 점수, 진동 원인별 확률 및 진동 원인별 순위를 포함하는 가중치 기반 진단결과를 도출하는 주파수 가중치 기반 진단단계와; 상기 센서들이 측정한 진동 신호를 상기 주파수 특성치에 따라 측정 데이터를 구분하여 부품별로 저장하고, 다수의 회전기계들의 진동 신호에 따른 진동 원인, 부품별 고장 시점을 포함하는 학습 데이터가 미리 저장되고, 상기 주파수 가중치 기반 진단부에서 도출한 가중치 기반 진단결과가 저장되는 데이터베이스화 단계와; 상기 데이터베이스화 단계에서 데이터베이스에 저장된 학습 데이터 중에서 상기 주파수 특성치별 진동 신호간의 상관관계를 입력 변수로 하고 복수의 진동 원인들을 출력 변수로 사용하여 머신러닝을 수행하여 구축된 머신러닝 진동진단모델로부터 상기 주파수 특성치별 진동 신호에 따른 진동 원인을 포함하는 머신러닝 기반 진단결과를 도출하는 머신러닝 기반 진단단계와; 상기 가중치 기반 진단결과와 상기 머신러닝 기반 진단결과의 정확도를 비교하는 진동진단결과 비교단계와; 상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 기반 진단결과의 정확도보다 낮으면, 상기 주파수 가중치를 보정하여 업데이트하는 가중치 보정단계와; 상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 기반 진단결과의 정확도보다 높으면, 상기 가중치 기반 진단결과를 출력하는 출력단계를 포함한다.A method for managing the soundness of a rotating machine based on real-time vibration signals according to the present invention receives basic information including at least a part of the size, type, rotational speed, number of blades, bearing information, and power frequency of a rotating machine to be diagnosed by a computer Receives vibration analysis data of the rotating machine, collects vibration signals measured in real time by sensors mounted on at least some of the parts constituting the rotating machine, and receives a diagnostic standard range set according to the rotating machine data collection step; a data pre-processing step of pre-processing the vibration signals measured by the sensors; a state monitoring step of extracting and managing event details including at least a part of a vibration occurrence time, a generating part, a generating location, and a severity level when the vibration signal exceeds the diagnostic criteria range; a diagnosis determination step of comparing the vibration signal with the diagnosis reference range to determine whether a vibration diagnosis of the rotating machine is necessary; If it is determined that vibration diagnosis is necessary in the diagnosis determination step, frequency characteristic values are extracted using the basic information, and frequency weights are given for each vibration cause preset according to the frequency characteristic values and a plurality of vibration causes. a frequency weight-based diagnosis step of deriving a weight-based diagnosis result including a cause, a diagnosis score for each vibration cause, a probability for each vibration cause, and a ranking for each vibration cause; The vibration signal measured by the sensors is divided into measurement data according to the frequency characteristic value and stored for each part, and learning data including the cause of vibration according to the vibration signal of a plurality of rotating machines and the time of failure for each part is stored in advance, a database creation step of storing the weight-based diagnosis result derived from the frequency weight-based diagnosis unit; In the database creation step, among the learning data stored in the database, the correlation between the vibration signals for each frequency characteristic value is used as an input variable and a plurality of vibration causes are used as output variables to perform machine learning. a machine learning-based diagnosis step of deriving a machine-learning-based diagnosis result including a cause of vibration according to a vibration signal for each characteristic value; a vibration diagnosis result comparison step of comparing accuracy between the weight-based diagnosis result and the machine learning-based diagnosis result; a weight correction step of correcting and updating the frequency weights when the accuracy of the weight-based diagnosis result is lower than the accuracy of the machine learning-based diagnosis result; and outputting the weight-based diagnosis result when the accuracy of the weight-based diagnosis result is higher than the accuracy of the machine learning-based diagnosis result.

상기 데이터베이스에 저장된 측정 데이터에서 부품별로 저장된 진동 신호의 추세를 미리 설정된 고장예측 기준과 비교하여, 부품별 고장 시점을 포함하는 데이터베이스 기반 고장예측결과를 도출하는 데이터베이스 기반 고장예측단계를 더 포함한다.A database-based failure prediction step of deriving a database-based failure prediction result including a failure time point for each component by comparing the trend of the vibration signal stored for each component in the measurement data stored in the database with a preset failure prediction criterion.

상기 데이터베이스에 저장된 학습 데이터 중에서 진동 신호를 입력 변수로 하고 부품별 고장 시점을 출력 변수로 사용하여 머신러닝을 수행하여 구축된 머신러닝 고장예측모델로부터 상기 진동 신호에 따른 부품별 고장 시점을 포함하는 머신러닝 기반 고장예측결과를 도출하는 머신러닝 기반 고장예측단계를 더 포함한다.From the machine learning failure prediction model built by performing machine learning using a vibration signal as an input variable and a failure time for each part as an output variable among learning data stored in the database, a machine including a failure time for each part according to the vibration signal A machine learning-based failure prediction step of deriving a learning-based failure prediction result is further included.

상기 데이터베이스 기반 고장예측결과에 따른 부품별 유지보수시점과, 상기 머신러닝 기반 고장예측결과에 따른 부품별 유지보수시점을 도출하는 유지보수시점 도출단계를 더 포함한다.A maintenance point derivation step of deriving a maintenance point for each part according to the database-based failure prediction result and a maintenance point for each part according to the machine learning-based failure prediction result is further included.

상기 데이터베이스 기반 고장예측결과와 상기 상기 머신러닝 기반 고장예측결과가 일치하는 부품에 대해 유지보수를 판단하고, 부품별 유지보수시점을 도출하는 유지보수시점 도출단계를 더 포함한다.A maintenance point derivation step of determining maintenance for parts where the database-based failure prediction result matches the machine learning-based failure prediction result, and deriving a maintenance point for each part.

상기 주파수 기반 진단단계는, 상기 기본 정보를 이용하여 m개의 상기 주파수 특성치들을 성분으로 하는 1×m의 특성 행렬을 생성하는 특성 행렬 생성 과정과, 상기 m개의 주파수 특성치들과 미리 설정된 n개의 상기 진동 원인에 대해 미리 설정된 m×n개의 상기 주파수 가중치들을 성분으로 하는 m×n의 주파수 가중치 행렬을 상기 특성 행렬에 곱하여, 상기 진동 원인에 대해 상기 주파수 가중치들을 각각 적용한 n개의 진동 원인별 진단 점수를 성분으로 하는 1×n의 진단 행렬을 도출하는 진단 행렬 도출과정을 포함한다.The frequency-based diagnosis step includes a characteristic matrix generation process of generating a 1×m characteristic matrix having the m frequency characteristic values as components using the basic information, and the m frequency characteristic values and the preset n vibration characteristics. The characteristic matrix is multiplied by an m×n frequency weighting matrix having m×n frequency weights set in advance for the cause as components, and a diagnosis score for each of the n vibration causes is obtained by applying the frequency weighting factors to the vibration cause. It includes a diagnostic matrix derivation process for deriving a 1 × n diagnostic matrix.

상기 주파수 특성치는, 상기 측정 방향별 진동 레벨비, 상기 회전속도의 배수 성분 크기, 날개 주파수, 노이즈 플로어(Noise floor) 크기, 전원 주파수 성분 크기 및 베어링 결함 위치별 특성 주파수 성분 크기 중 적어도 일부를 포함한다.The frequency characteristic value includes at least some of the vibration level ratio for each measurement direction, the size of multiple components of the rotational speed, the size of a wing frequency, the size of a noise floor, the size of a power frequency component, and the size of a characteristic frequency component for each bearing defect position. do.

상기 주파수 가중치 행렬은, 상기 학습 데이터 중에서 상기 주파수 특성치들을 입력 변수로 하고 상기 진동 원인을 출력변수로 하여 학습시킨 가중치 행렬 생성 모델을 이용하여 생성된다.The frequency weight matrix is generated using a weight matrix generation model trained by using the frequency characteristic values as input variables and the vibration cause as an output variable among the learning data.

본 발명에 따른 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템은, 회전기계의 진동신호를 실시간으로 측정하여, 진동원인, 진동원인별 확률을 도출하고 그에 따른 현장 초기 대응 방법을 제시할 수 있을 뿐만 아니라, 부품별 고장도 미리 예측하여 유지보수시점을 도출할 수 있으므로, 회전기계의 건전성을 보다 신속하고 효율적으로 관리할 수 있는 이점이 있다.The soundness management system of a rotating machine based on a real-time vibration signal according to the present invention measures the vibration signal of a rotating machine in real time, derives a vibration cause and a probability for each vibration cause, and proposes an initial on-site response method accordingly. In addition, it is possible to predict the failure of each part in advance and derive the maintenance time, so there is an advantage that the integrity of the rotating machine can be managed more quickly and efficiently.

또한, 주파수 가중치를 적용하여 도출한 가중치 기반 진단결과와 머신러닝을 통해 도출한 머신러닝 기반 진단결과의 정확도를 비교하여, 가중치 기반 진단결과의 정확도가 머신러닝 기반 진단결과의 정확도보다 높을 경우 가중치 기반 진단결과를 출력함으로써, 진동에 대해 보다 정확하게 진단할 수 있는 이점이 있다.In addition, by comparing the accuracy of the weight-based diagnosis result derived by applying frequency weighting and the machine learning-based diagnosis result derived through machine learning, if the accuracy of the weight-based diagnosis result is higher than the accuracy of the machine learning-based diagnosis result, the weight-based diagnosis result By outputting the diagnosis result, there is an advantage of more accurately diagnosing the vibration.

또한, 데이터베이스에 저장된 측정 데이터로부터 도출한 데이터베이스 기반 고장예측결과와 머신러닝을 통해 도출한 머신러닝 기반 고장예측결과에 따른 유지보수시점을 도출함으로써, 부품별 유지보수계획을 미리 수립하여 운영 효율이 향상될 수 있다. In addition, by deriving the maintenance time according to the database-based failure prediction result derived from the measurement data stored in the database and the machine learning-based failure prediction result derived through machine learning, the maintenance plan for each part is established in advance to improve operational efficiency. It can be.

또한, 데이터베이스 기반 고장예측결과와 머신러닝 기반 고장예측결과를 비교하여, 고장예측결과가 일치하는 부품을 고장예상부품으로 도출하고, 고장예상부품에 대한 유지 보수안을 출력함으로써, 부품별 고장시점과 잔여수명을 보다 정확하게 예측할 수 있을 뿐만 아니라, 최적의 유지보수시점을 안내함으로써, 회전기계의 건전성을 보다 신속하고 효율적으로 관리할 수 있는 이점이 있다.In addition, by comparing the database-based failure prediction results with the machine learning-based failure prediction results, a part with matching failure prediction results is derived as a predicted failure part, and a maintenance plan for the predicted failure part is output, thereby determining the time of failure and remaining parts for each part. Not only can the lifespan be predicted more accurately, but also the health of the rotating machine can be managed more quickly and efficiently by guiding the optimal maintenance time.

도 1은 본 발명의 실시예에 따른 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템의 구성을 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 실시간 진동 신호 기반 회전기계의 건전성 관리 방법을 나타낸 순서도이다.
도 3은 본 발명의 실시예에 따른 특성 행렬과 주파수 가중치 행렬을 나타낸 도면이다.
도 4는 본 발명의 실시예에 따른 진단 행렬을 계산하는 방법을 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 가중치 행렬 생성 모델을 머신러닝을 통해 생성하는 방법을 나타낸 도면이다.
도 6은 본 발명의 실시예에 따른 머신러닝 진동진단모델을 머신러닝을 통해 생성하는 방법을 나타낸 도면이다.
도 7은 본 발명의 실시예에 따른 머신러닝 고장예측모델을 머신러닝을 통해 생성하는 방법을 나타낸 도면이다. 1 is a block diagram showing the configuration of a soundness management system for a rotating machine based on a real-time vibration signal according to an embodiment of the present invention.
2 is a flowchart illustrating a soundness management method of a rotating machine based on a real-time vibration signal according to an embodiment of the present invention.
3 is a diagram illustrating a characteristic matrix and a frequency weighting matrix according to an embodiment of the present invention.
4 is a diagram illustrating a method of calculating a diagnostic matrix according to an embodiment of the present invention.
5 is a diagram illustrating a method of generating a weight matrix generation model through machine learning according to an embodiment of the present invention.
6 is a diagram illustrating a method of generating a machine learning vibration diagnosis model through machine learning according to an embodiment of the present invention.
7 is a diagram illustrating a method of generating a machine learning failure prediction model through machine learning according to an embodiment of the present invention.

이하, 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Hereinafter, embodiments of the present invention will be described in detail so that those skilled in the art can easily practice with reference to the accompanying drawings. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. Throughout the specification, when a certain component is said to "include", it means that it may further include other components without excluding other components unless otherwise stated.

도 1은 본 발명의 실시예에 따른 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템의 구성을 나타낸 블록도이다.1 is a block diagram showing the configuration of a soundness management system for a rotating machine based on a real-time vibration signal according to an embodiment of the present invention.

상기 회전기계는 플랜트에 구비된 회전기계이다. The rotary machine is a rotary machine provided in the plant.

도 1을 참조하면, 본 발명의 실시예에 따른 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템은, 데이터 수집부(10), 데이터베이스(12), 데이터 전처리부(14), 상태 판단부(16), 상태 모니터링부(18), 주파수 가중치 기반 진단부(20), 머신러닝 기반 진단모델 학습부(22), 머신러닝 기반 고장예측부(24), 가중치 행렬 생성모델 학습부(26), 가중치 보정부(28), 데이터베이스 기반 고장예측부(30), 유지보수 판단부(32) 및 출력부(34)를 포함한다. 상기 건전성 관리 시스템은, 별도로 마련된 클라우드 서버와 유,무선 통신가능한 컴퓨터이다. 상기 클라우드 서버는 후술하는 센서와 유,무선 통신가능하도록 설정된다. Referring to FIG. 1 , the health management system of a rotating machine based on real-time vibration signals according to an embodiment of the present invention includes a data collection unit 10, a database 12, a data pre-processing unit 14, and a state determination unit 16 , condition monitoring unit 18, frequency weight based diagnosis unit 20, machine learning based diagnosis model learning unit 22, machine learning based failure prediction unit 24, weight matrix generation model learning unit 26, weight report It includes a government 28, a database-based failure prediction unit 30, a maintenance determination unit 32 and an output unit 34. The health management system is a computer capable of wired or wireless communication with a separately provided cloud server. The cloud server is set to enable wired or wireless communication with a sensor to be described later.

상기 데이터 수집부(10)는, 진단하고자 하는 회전기계의 기본 정보와 진동 해석 데이터를 입력받고, 상기 회전기계를 구성하는 부품들 중 적어도 일부에 장착된 센서들이 실시간으로 측정한 진동 신호를 수집하는 모듈이다. 상기 센서들은, 펌프, 모터 등에 3축 센서가 설치된다.The data collection unit 10 receives basic information and vibration analysis data of the rotating machine to be diagnosed, and collects vibration signals measured in real time by sensors mounted on at least some of the parts constituting the rotating machine. It is a module. As for the sensors, 3-axis sensors are installed in pumps and motors.

상기 회전기계에 대한 기본 정보는, 회전기계의 규격, 종류, 회전속도, 날개 수, 베어링 정보, 전원 주파수 중 적어도 일부를 포함한다. 상기 기본 정보는, 상기 회전기계의 제작 업체로부터 제공받을 수도 있고, 필요에 따라 작업자가 직접 실제 회전 속도와 진동 기준등을 입력하는 것도 가능하다. 본 실시예에서는, 상기 기본 정보는 상기 회전기계의 제작 업체로부터 제공받은 데이터시트를 기반으로 입력받는 것으로 예를 들어 설명한다. The basic information on the rotating machine includes at least a part of the size, type, rotational speed, number of blades, bearing information, and power frequency of the rotating machine. The basic information may be provided from a manufacturer of the rotating machine, or it is possible for an operator to directly input actual rotational speed and vibration reference if necessary. In this embodiment, the basic information will be described as being input based on a data sheet provided from a manufacturer of the rotary machine as an example.

상기 기본 정보 중에서 상기 회전기계의 종류는, 펌프 형식이나 베어링 형식에 따라 구분되며, 펌프 형식은 수평 펌프식과 수직 펌프식을 포함하고, 베어링 형식은 볼 베어링, 롤러 베어링 및 저널 베어링 형식을 포함한다.Among the basic information, the type of the rotary machine is classified according to a pump type or a bearing type, the pump type includes a horizontal pump type and a vertical pump type, and the bearing type includes a ball bearing type, a roller bearing type, and a journal bearing type.

상기 기본 정보 중에서 상기 전원 주파수는 국가 별 사용 기준에 따라 50Hz 형식과 60Hz 형식을 따른다.Among the basic information, the power frequency follows a 50Hz format and a 60Hz format according to country-specific usage standards.

상기 회전기계의 진동 해석 데이터는 상기 회전 기계의 제작 업체 또는 판매 업체로부터 제공받을 수 있고, 필요에 따라 사용처에서 직접 해석을 수행하여 미리 설정된 데이터베이스에 저장되어 있을 수도 있다. 상기 진동 해석 데이터는, 상기 회전기계를 구성하는 구성 요소 중에서 축을 포함하는 회전체의 굽힘(lateral), 비틀림(Torsional) 해석 데이터와, 상기 축 외 구성 요소의 구조적(Structural) 해석 데이터를 포함한다. 상기 진동 해석 데이터는, 상기 축의 1~n차 고유 진동수와 이의 주파수 대역(Margin,%), 상기 축 이외의 구성요소, 예를 들어 하우징, 스풀 등과 같은 구성 요소의 1~n차 고유 진동수와 이의 주파수 대역에 대한 데이터를 포함한다.Vibration analysis data of the rotary machine may be provided from a manufacturer or seller of the rotary machine, and may be directly analyzed at a place of use and stored in a preset database, if necessary. The vibration analysis data includes bending (lateral) and torsional (Torsional) analysis data of a rotating body including an axis among components constituting the rotating machine, and structural analysis data of components other than the axis. The vibration analysis data includes the 1st to nth natural frequencies of the shaft and its frequency band (Margin, %), the 1st to nth natural frequencies of components other than the shaft, for example, housings and spools, and their Contains data about frequency bands.

상기 센서들은, FFT(Fourier Frequency Transform) 분석이 가능한 진동 센서를 사용할 경우 별도의 분석단계 없이 데이터를 전송할 수 있다. 또한, 상기 센서가 일반 진동 센서일 경우, 측정된 시간 신호로부터 FFT 분석단계를 거쳐 전송할 수 있다. 상기 센서들은 유,무선 통신을 통해 상기 클라우드 서버(미도시)로 전송하고, 상기 클라우드 서버(미도시)는 상기 데이터 수집부(10)로 측정 신호를 전송할 수 있다. 다만, 이에 한정되지 않고, 상기 센서들이 직접 상기 데이터 수집부(10)로 측정 신호를 전송하는 것도 물론 가능하다.The sensors may transmit data without a separate analysis step when a vibration sensor capable of FFT (Fourier Frequency Transform) analysis is used. In addition, when the sensor is a general vibration sensor, the measured time signal may be transmitted through an FFT analysis step. The sensors may be transmitted to the cloud server (not shown) through wired or wireless communication, and the cloud server (not shown) may transmit measurement signals to the data collection unit 10 . However, it is not limited thereto, and it is also possible, of course, that the sensors directly transmit measurement signals to the data collection unit 10 .

상기 센서들이 측정한 상기 진동 신호는, 상기 회전기계의 x축, y축 및 z축을 포함하는 3개의 측정 방향에 대한 진동 신호의 시간영역 데이터와 주파수 대역별 진동속도 레벨이다. 측정 값을 기반으로 하는 진단의 정확도 및 기준 만족 판단을 위해 측정시 진동 주파수의 범위는 1 ~ 1,000Hz, FFT분석 시 단위 주파수(해상도)인 delta f는 1Hz 내외로 한다. The vibration signal measured by the sensors is time domain data of the vibration signal in three measurement directions including the x-axis, y-axis, and z-axis of the rotating machine and the vibration speed level for each frequency band. In order to determine the accuracy of diagnosis based on the measured value and the satisfaction of the criterion, the range of vibration frequency during measurement is 1 ~ 1,000Hz, and the unit frequency (resolution) delta f during FFT analysis is within 1Hz.

또한, 상기 데이터 수집부(10)는, 상기 센서들의 측정 주기, 측정 시간 등을 포함하는 측정 환경에 대한 설정을 입력받는다. 상기 데이터 수집부(10)는, 상기 상태 모니터링부(18)에서 모니터링한 결과에 따라 상기 측정 환경을 자동 변경하도록 설정되는 것도 물론 가능하다. 예를 들어, 상기 회전기계의 진동 발생 주기에 따라 상기 센서의 측정 주기나 측정 시간을 조절할 수 있다. In addition, the data collection unit 10 receives settings for a measurement environment including a measurement period and measurement time of the sensors. It is of course possible that the data collection unit 10 is set to automatically change the measurement environment according to the result monitored by the state monitoring unit 18 . For example, the measurement period or measurement time of the sensor may be adjusted according to the vibration generation period of the rotating machine.

또한, 상기 데이터 수집부(10)는 상기 회전기계에 따라 다르게 설정된 진단 기준 범위를 입력받는다. In addition, the data collection unit 10 receives a diagnostic reference range set differently according to the rotating machine.

상기 진동 진단 기준범위는, 상기 기본 정보에 따라 다르게 미리 설정되며, 진동 진단이 필요하다고 판단하는 기준이 되는 값에 오차 범위를 가감한 범위로 설정된다. 다만, 이에 한정되지 않고, 상기 진동 진단 기준 범위는 하나의 진동 진단 기준값으로 설정되는 것도 가능하다. 예를 들어, 원심식 펌프에 대한 적용 기준은 API 610이고, 펌프의 형식이 VS(Vertically-Suspended)일 때, 상기 진동 진단 기준 범위(Overall value)는 5mm/s 미만으로 설정될 수 있다. The vibration diagnosis reference range is set in advance differently according to the basic information, and is set as a range obtained by adding or subtracting an error range from a standard value for determining that vibration diagnosis is necessary. However, it is not limited thereto, and the vibration diagnosis reference range may be set to one vibration diagnosis reference value. For example, when the application standard for a centrifugal pump is API 610 and the pump type is VS (Vertically-Suspended), the vibration diagnosis standard range (Overall value) may be set to less than 5 mm/s.

또한, 상기 진단 기준 범위는, 중대 결함을 발생시킬 수 있는 문제(Problem) 상한치와, 조심해야 하는 주의(Concern) 상한치로 구분되어 설정될 수 있다. In addition, the diagnostic criteria range may be set by dividing into an upper limit of a problem that may cause a serious defect and an upper limit of a concern to be careful about.

상기 데이터베이스(12)는, 상기 센서들이 측정한 진동 신호를 포함하는 측정 데이터가 저장되어 누적되며, 상기 주파수 특성치별로 측정 데이터를 구분하여 부품별로 저장된다. 여기서, 상기 부품들은, 베어링, 벨트, 커플링, 기어, 모터, 임펠러 등을 포함하는 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 회전기계를 구성하는 구성요소 들 중에서 진동 발생 부품들이라면 어느 것이나 적용 가능하다. The database 12 stores and accumulates measurement data including vibration signals measured by the sensors, classifies the measurement data according to the frequency characteristics, and stores the data for each part. Here, the components will be described as including bearings, belts, couplings, gears, motors, impellers, and the like. However, it is not limited thereto, and any vibration generating parts among components constituting the rotating machine can be applied.

상기 데이터베이스(12)에는 다수의 회전기계들의 진동 신호에 따른 진동 원인, 부품별 고장 시점을 포함하는 학습 데이터가 미리 저장된다. 또한, 상기 주파수 가중치 기반 진단부(20)에서 도출한 가중치 진단결과가 저장된다. In the database 12, learning data including causes of vibration according to vibration signals of a plurality of rotating machines and failure points for each part are stored in advance. In addition, the weight diagnosis result derived from the frequency weight based diagnosis unit 20 is stored.

상기 데이터 전처리부(14)는, 상기 센서들이 측정한 진동 신호를 전처리한다. 예를 들어, 상기 진동 신호를 시간 영역 데이터와 주파수 영역 데이터로 전처리할 수 있다.The data pre-processing unit 14 pre-processes vibration signals measured by the sensors. For example, the vibration signal may be preprocessed into time domain data and frequency domain data.

상기 상태 판단부(16)는, 상기 진동 신호를 상기 진단 기준 범위와 비교하여, 상기 회전기계의 진동 진단의 필요 여부를 판단한다.The state determination unit 16 compares the vibration signal with the diagnostic reference range to determine whether vibration diagnosis of the rotating machine is necessary.

상기 상태 모니터링부(18)는, 상기 데이터 전처리부(14)에서 전처리된 진동 신호를 화면에 표시한다. 상기 상태 모니터링부(18)는 상기 진동 신호를 전체(Overall) 그래프, 시간(Time) 영역 그래프, FFT 그래프 등으로 표시할 수 있다. 또한, 상기 상태 모니터링부(18)는, 상기 진동 신호로부터 진동 발생 시간, 발생 부품, 발생 위치, 심각도 중 적어도 일부를 포함하는 이벤트 내역을 추출하여 표시하고 관리한다. The state monitoring unit 18 displays the vibration signal preprocessed by the data preprocessing unit 14 on the screen. The state monitoring unit 18 may display the vibration signal as an overall graph, a time domain graph, or an FFT graph. In addition, the state monitoring unit 18 extracts, displays, and manages event details including at least a part of a vibration occurrence time, a generating part, a generating location, and a severity level from the vibration signal.

상기 주파수 가중치 기반 진단부(20)는, 주파수 특성치들과 주파수 가중치들을 이용하여 가중치 기반 진단결과를 도출하는 모듈이다. The frequency weight based diagnosis unit 20 is a module that derives a weight based diagnosis result using frequency characteristic values and frequency weights.

상기 주파수 가중치 기반 진단부(20)는, 상기 상태 판단부(16)에서 진동 진단이 필요하다고 판단되면, 상기 기본 정보를 이용하여 주파수 특성치들을 추출하고, 상기 주파수 특성치들과 복수의 진동 원인들에 따라 미리 설정된 진동 원인별 주파수 가중치를 부여하여, 진동 원인, 진동 원인별 진단 점수, 진동 원인별 확률 및 진동 원인별 순위를 포함하는 가중치 기반 진단결과를 도출한다. The frequency weight based diagnosis unit 20, when it is determined that vibration diagnosis is necessary in the state determination unit 16, extracts frequency characteristic values using the basic information, and determines the frequency characteristic values and a plurality of causes of vibration. Accordingly, frequency weights are given for each vibration cause, and a weight-based diagnosis result including a vibration cause, a diagnosis score for each vibration cause, a probability for each vibration cause, and a ranking for each vibration cause is derived.

상기 주파수 가중치 기반 진단부(20)는, 특성 행렬 생성부와, 진단 행렬 도출부를 포함한다.The frequency weight based diagnosis unit 20 includes a characteristic matrix generation unit and a diagnosis matrix derivation unit.

상기 특성 행렬 생성부는, 상기 기본 정보를 이용하여 m개의 주파수 특성치들(Features)을 추출하여, 상기 주파수 특성치들을 성분으로 하는 1×m의 특성 행렬(MF)을 생성한다.The feature matrix generation unit extracts m number of frequency feature values (Features) using the basic information and generates a 1×m feature matrix (M F ) having the frequency feature values as components.

여기서, 상기 주파수 특성치들의 종류는 상기 측정 방향별 진동 레벨비, 상기 회전속도의 배수 성분 크기, 날개 주파수, 노이즈 플로어(Noise floor), 전원 주파수 성분 크기 및 베어링 종류 별 특성 주파수 성분 크기 중 적어도 일부를 포함하는 것으로 예를 들어 설명한다. 본 실시예에서는, 상기 진동신호 특성치들(F1~Fm)은 25개인 것으로 예를 들어 설명하나, 이에 한정되지 않고, 상기 회전기계의 특성이나 상기 기본 정보에 따라 다양하게 변경가능하다. Here, the types of the frequency characteristic values include at least some of the vibration level ratio for each measurement direction, the size of multiple components of the rotational speed, the wing frequency, the noise floor, the size of power frequency components, and the size of characteristic frequency components for each bearing type. Including is described as an example. In this embodiment, the number of vibration signal characteristic values F1 to Fm is 25, but is not limited thereto, and can be changed in various ways according to the characteristics of the rotating machine or the basic information.

상기 주파수 특성치 중에서 상기 측정 방향별 진동 레벨은 축방향, 반경방향의 진동레벨과 반경방향 중 수평방향과 수직방향의 진동 레벨비를 특성치로 한다. 상기 회전속도의 배수 성분 크기는, 진단 대상 회전기계의 기본 회전속도를 1X로 하였을 때 회전속도의 2배(2X), 3배(3X), 4배(4X), 5배(5X), 6배(6X), 8배(8X), 9배(9X), 12배(12X), 1/2배(1/2X), 1/3배(1/3X), 0.38~0.48배(0.38X~0.48X)에 해당하는 주파수에서의 진동레벨을 특성치로 한다. Among the frequency characteristic values, the vibration level for each measurement direction is a characteristic value of a vibration level in an axial direction and a radial direction and a vibration level ratio between a horizontal direction and a vertical direction among radial directions. The magnitude of the multiple component of the rotation speed is 2 times (2X), 3 times (3X), 4 times (4X), 5 times (5X), 6 times the rotation speed when the basic rotation speed of the rotating machine to be diagnosed is 1X 6X (6X), 8X (8X), 9X (9X), 12X (12X), 1/2X (1/2X), 1/3X (1/3X), 0.38~0.48X (0.38X) The vibration level at the frequency corresponding to ~0.48X) is the characteristic value.

상기 날개 주파수는 회전기계의 회전속도에 회전기계의 날개수를 곱하여 계산되는 주파수를 특성치로 한다.The blade frequency is a frequency calculated by multiplying the rotational speed of the rotating machine by the number of blades of the rotating machine as a characteristic value.

상기 노이즈 플로어는 기본 회전속도의 10배를 기준으로 저주파 대역(Noise Floor1), 고주파 대역(Noise Floor2)으로 분류하고 각 주파수 진동레벨의 백분위 값으로 특성을 정의한다. The noise floor is classified into a low frequency band (Noise Floor1) and a high frequency band (Noise Floor2) based on 10 times the basic rotational speed, and characteristics are defined as percentile values of each frequency vibration level.

상기 전원 주파수는 국가 별로 50Hz 혹은 60Hz의 주파수를 기준으로 전원 주파수의 1배(LF), 2배(2×LF) 시의 주파수를 특성치로 한다.The power frequency has a characteristic value of a frequency at 1 (LF) or 2 times (2×LF) of the power frequency based on a frequency of 50 Hz or 60 Hz for each country.

상기 베어링 주파수는 볼 베어링의 볼 개수, 피치 직경(Pitch diameter), 볼 직경(Ball diameter), 회전속도, 접촉각(Contact angle)을 이용하여 BPFO(Ball Pass Frequency Outer Race), BPFI(Ball Pass Frequency Inner Race), BSF(Ball Spin Frequency), FTF(Fundamental Train Frequency)를 계산하여 특성치로 한다.The bearing frequency is BPFO (Ball Pass Frequency Outer Race), BPFI (Ball Pass Frequency Inner Race) using the number of balls, pitch diameter, ball diameter, rotation speed, and contact angle of the ball bearing. Race), BSF (Ball Spin Frequency), and FTF (Fundamental Train Frequency) are calculated and used as characteristic values.

도 3은 본 발명의 실시예에 따른 특성 행렬과 주파수 가중치 행렬을 나타낸 도면이다.3 is a diagram illustrating a characteristic matrix and a frequency weighting matrix according to an embodiment of the present invention.

도 3a를 참조하면, 상기 특성 행렬(MF)은, 상기 주파수 특성치들(F1~Fm)을 성분으로 하는 1×m의 행렬이다.Referring to FIG. 3A , the characteristic matrix M F is a 1×m matrix having the frequency characteristic values F1 to Fm as components.

도 3b를 참조하면, 상기 주파수 가중치 행렬(MW)은, 상기 m개의 주파수 특성치들(F1~Fm)과 미리 설정된 n개의 상기 진동 원인들(Causes)에 대해 m×n개의 주파수 가중치들(W11~Wmn)을 성분으로 하는 m×n의 행렬이다. Referring to FIG. 3B , the frequency weight matrix M W is m×n frequency weights W11 for the m frequency characteristic values F1 to Fm and the preset n causes of vibration. ~Wmn) is an m×n matrix with components.

상기 주파수 가중치 행렬(MW)은, 상기 학습 데이터 중에서 상기 주파수 특성치들을 입력 변수로 하고, 상기 진동 원인을 출력변수로 하여 학습시킨 가중치 행렬 생성 모델을 이용하여 생성된다. 즉, 상기 주파수 가중치 행렬(MW)은, 상기 n개의 진동 원인별 주파수 특성치에 대한 가중치를 부여하는 행렬이다. The frequency weight matrix M W is generated using a weight matrix generation model trained by using the frequency characteristic values as input variables and the vibration cause as an output variable among the learning data. That is, the frequency weighting matrix M W is a matrix for assigning weights to the frequency characteristic values for each of the n vibration causes.

도 5는 본 발명의 실시예에 따른 가중치 행렬 생성 모델을 머신러닝을 통해 생성하는 방법을 나타낸 도면이다. 5 is a diagram illustrating a method of generating a weight matrix generation model through machine learning according to an embodiment of the present invention.

도 5를 참조하면, 상기 주파수 가중치 행렬(MW)의 상기 주파수 가중치들(W11~Wmn)은 머신 러닝을 통해 도출된 것으로 예를 들어 설명한다. Referring to FIG. 5 , the frequency weights W11 to Wmn of the frequency weight matrix M W are derived through machine learning and will be described as an example.

상기 가중치 행렬 생성모델 학습부(26)는, 상기 데이터베이스(12)에 미리 저장된 학습 데이터 중에서 상기 주파수 특성치별 진동 신호간의 상관관계를 입력 변수로 하고, 상기 진동 원인을 출력변수로 하여 머신러닝을 수행하여 상기 가중치 행렬 생성 모델을 생성한다. 다만, 머신 러닝에 한정되지 않고, 상기 가중치들은 데이터 베이스에 미리 저장된 데이터들을 이용하여 우선 계산되며, 본 발명이 대상 기기에 지속 적용되어 유사 형식의 회전기계 결함 데이터들이 일정 수준 이상 누적된 후 머신 러닝으로 가중치가 최적화된 시점, 즉 진단 정확도가 기존 데이터 베이스에 기반한 결과보다 높아진 시점에 사용자가 가중치 행렬의 선택이 가능하다.The weight matrix generation model learning unit 26 takes the correlation between the vibration signals for each frequency characteristic value as an input variable among the training data previously stored in the database 12, and performs machine learning with the vibration cause as an output variable to generate the weight matrix generation model. However, it is not limited to machine learning, and the weights are first calculated using data previously stored in the database, and machine learning When the weights are optimized, that is, when the diagnostic accuracy is higher than the result based on the existing database, the user can select the weight matrix.

한편, 상기 진단 행렬 도출부는, 상기 특성 행렬에 상기 주파수 가중치 행렬을 곱하여, 상기 진동 원인에 대해 상기 주파수 가중치들을 각각 적용한 n개의 진동 원인별 진단 점수를 성분으로 하는 1×n의 진단 행렬을 도출한다.Meanwhile, the diagnosis matrix derivation unit multiplies the characteristic matrix by the frequency weighting matrix to derive a 1×n diagnosis matrix having diagnostic scores for each n vibration causes, respectively, to which the frequency weights are applied to the vibration causes. .

도 4는 본 발명의 실시예에 따른 진단 행렬을 계산하는 방법을 나타낸 도면이다. 4 is a diagram illustrating a method of calculating a diagnostic matrix according to an embodiment of the present invention.

도 4를 참조하면, 상기 진단 행렬(MD)은, n개의 진동 원인별 진단 점수를 성분으로 하는 1×n의 행렬이다. Referring to FIG. 4 , the diagnosis matrix M D is a 1×n matrix having diagnosis scores for each n vibration causes as components.

본 실시예에서는, 상기 진동 원인의 개수(n)는 21개인 것으로 예를 들어 설명한다. 상기 진동 원인은, 언발란스(Unbalance), 페러렐 미스얼라이먼트(Parallel Misalignment), 앵귤러 미스얼라이먼트(Angular Misalignment), 볼 베어링 아우터 레이스(Ball bearing outer race), 볼 베어링 이너 레이스(Ball bearing Inner race), 볼 베어링 볼 데미지(Ball bearing ball damage), 볼 베어링 펀더멘털(Ball bearing fundamental), 구조적 이완(Structural Looseness), 회전 이완(Rotating Looseness), 공진(Resonance), 벤트 샤프트(Bent shaft), 캐비테이션(Cavitation), 정렬 불량(Cocked bearing), 저널 베어링 웨어(Journal bearing(Wear)), 저널 베어링 오일 월(Journal bearing(Oil whirl)), 로터 럽(Rotor rub), 블레이드 결함(Blade fault), 전기적 결함, 미스얼라이언트 3-조 커플링(Misaligned 3-jaw coupling), 미스얼라이언트 4-조 커플링(Misaligned 4-jaw coupling), 락 기어플렉스 커플링(Locked gearflex coupling) 등을 포함하는 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 진동 원인의 종류나 개수는 다양하게 변경하여 적용 가능하다.In this embodiment, the number (n) of the vibration sources will be described as 21 as an example. The cause of the vibration is unbalance, parallel misalignment, angular misalignment, ball bearing outer race, ball bearing inner race, ball bearing Ball bearing ball damage, Ball bearing fundamental, Structural Looseness, Rotating Looseness, Resonance, Bent shaft, Cavitation, Alignment Cocked bearing, Journal bearing (Wear), Journal bearing (Oil whirl), Rotor rub, Blade fault, Electrical defect, Misalignment Examples include a 3-jaw coupling, a misaligned 4-jaw coupling, and a locked gearflex coupling. However, it is not limited thereto, and the type or number of vibration sources may be variously changed and applied.

상기 m×n개의 주파수 가중치들(W11~Wmn)은, 상기 m개의 주파수 특성치들과 상기 n개의 진동 원인에 따라 다르게 미리 설정된다. The m×n frequency weights W11 to Wmn are preset differently according to the m frequency characteristic values and the n vibration causes.

예를 들어, 특정 진동 원인에 따라 나타날 수 있는 진동 신호의 주파수 특성치에 대해 보다 큰 가중치가 적용된다. 예를 들어, 상기 n개의 진동 원인 중에서 제1진동 원인(C1)에 의해 나타날 수 있는 주파수 특성치가 제1특성치(F1)라면, 상기 제1진동 원인과 상기 제1특성치(F1)에 대한 제11가중치(W11)는 상기 제1진동 원인에 대한 나머지 주파수 특성치(F2~Fm)에 대한 가중치들보다 크게 설정된다. 또한, 특정 진동 원인에 대해 나타나지 않는 주파수 특성치에 대한 가중치는 다른 가중치에 비해 작게 설정되거나 음수로 설정될 수 있다. 상기 주파수 가중치들(W11~Wmn)은 필요에 따라 미세 조정이 가능하다. For example, a higher weight is applied to a frequency characteristic value of a vibration signal that may appear according to a specific vibration cause. For example, if the frequency characteristic value that can be represented by the first vibration source C1 among the n vibration causes is the first characteristic value F1, the 11th vibration cause and the first characteristic value F1 The weight W11 is set higher than weights for the remaining frequency characteristic values F2 to Fm for the first vibration cause. In addition, a weight for a frequency characteristic value that does not appear for a specific vibration cause may be set smaller than other weights or set to a negative number. The frequency weights W11 to Wmn can be finely adjusted as needed.

상기 진단 행렬(MD)은, 상기 n개의 진동 원인들에 대한 각각의 진단 점수를 나타낸다. 예를 들어, D1은 제1진동 원인에 대한 진단 점수이고, D2는 제2진동 원인에 대한 진단 점수이며, Dn은 제n진동 원인에 대한 진단 점수이다.The diagnosis matrix M D represents each diagnosis score for the n vibration causes. For example, D1 is the diagnosis score for the first vibration cause, D2 is the diagnosis score for the second vibration cause, and Dn is the diagnosis score for the nth vibration cause.

한편, 상기 머신러닝 기반 진단모델 학습부(22)는, 상기 데이터베이스(12)에 저장된 학습 데이터로 머신 러닝을 하여, 머신러닝 기반 진단결과를 도출하는 머신러닝 진동진단모델을 생성하는 모듈이다. Meanwhile, the machine learning-based diagnosis model learning unit 22 is a module that performs machine learning with learning data stored in the database 12 to generate a machine learning vibration diagnosis model that derives a machine learning-based diagnosis result.

도 6은 본 발명의 실시예에 따른 머신러닝 진동진단모델을 머신러닝을 통해 생성하는 방법을 나타낸 도면이다. 6 is a diagram illustrating a method of generating a machine learning vibration diagnosis model through machine learning according to an embodiment of the present invention.

도 6을 참조하면, 상기 머신러닝 기반 진단모델 학습부(22)는, 상기 데이터베이스(12)에 미리 저장된 학습 데이터 중에서 상기 주파수 특성치별 진동 신호간의 상관관계를 입력 변수로 하고 상기 진동 원인을 출력 변수로 하여 머신러닝을 수행한다. 따라서, 상기 머신러닝 기반 진단모델 학습부(22)는 상기 진동 신호에 따른 진동 원인을 포함하는 머신러닝 진동 진단 결과를 도출할 수 있는 머신러닝 진동진단모델을 구축한다. Referring to FIG. 6 , the machine learning-based diagnostic model learning unit 22 uses the correlation between the vibration signals for each frequency characteristic value as an input variable among learning data previously stored in the database 12 and the vibration cause as an output variable. to perform machine learning. Accordingly, the machine learning-based diagnosis model learning unit 22 builds a machine learning vibration diagnosis model capable of deriving a machine learning vibration diagnosis result including a cause of vibration according to the vibration signal.

또한, 상기 머신러닝 기반 고장예측부(24)는, 상기 데이터베이스(12)에 저장된 학습 데이터로 머신러닝을 하여, 머신러닝 기반 고장예측결과를 도출하는 머신러닝 고장예측모델을 생성하는 모듈이다. In addition, the machine learning-based failure prediction unit 24 is a module that performs machine learning with learning data stored in the database 12 to generate a machine learning failure prediction model that derives a machine learning-based failure prediction result.

도 7은 본 발명의 실시예에 따른 머신러닝 고장예측모델을 머신러닝을 통해 생성하는 방법을 나타낸 도면이다. 7 is a diagram illustrating a method of generating a machine learning failure prediction model through machine learning according to an embodiment of the present invention.

도 7을 참조하면, 상기 머신러닝 기반 고장예측부(24)는, 상기 데이터베이스(12)에 미리 저장된 학습 데이터 중에서 상기 진동 신호를 입력 변수로 하고 상기 부품별 고장 시점을 출력 변수로 사용하여 머신 러닝을 수행하여 머신러닝 고장예측모델을 구축하고, 상기 진동 신호에 따른 부품별 고장 시점을 포함하는 머신러닝 기반 고장예측결과를 도출한다.Referring to FIG. 7 , the machine learning-based failure prediction unit 24 uses the vibration signal as an input variable and the failure time of each part as an output variable among learning data previously stored in the database 12 to perform machine learning. to build a machine learning failure prediction model, and derive a machine learning-based failure prediction result including a failure time point for each part according to the vibration signal.

상기와 같이 본 발명에서는, 머신러닝을 통해 상기 주파수 가중치 행렬, 상기 머신러닝 진동진단모델, 상기 머신러닝 고장예측모델이 각각 구축된다.As described above, in the present invention, the frequency weighting matrix, the machine learning vibration diagnosis model, and the machine learning failure prediction model are respectively constructed through machine learning.

상기 가중치 보정부(28)는, 상기 주파수 가중치 기반 진단부(20)에서 도출된 가중치 기반 진단결과와 상기 머신러닝 진동진단모델에서 도출된 머신러닝 기반 진단결과의 정확도를 비교하고, 상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 기반 진단결과의 정확도보다 낮으면 기 설정된 주파수 가중치를 보정하여 업데이트하는 모듈이다. The weight correction unit 28 compares the accuracy of the weight-based diagnosis result derived from the frequency weight-based diagnosis unit 20 and the machine learning-based diagnosis result derived from the machine learning vibration diagnosis model, and the weight-based diagnosis A module for correcting and updating preset frequency weights when the accuracy of the result is lower than the accuracy of the machine learning-based diagnosis result.

상기 데이터베이스 기반 고장예측부(30)는, 상기 데이터베이스에 저장된 측정 데이터를 기반으로 하여 고장을 예측하는 모듈이다. 상기 데이터베이스 기반 고장예측부(30)는, 상기 측정 데이터에 포함된 진동 신호를 부품별로 구분하고, 진동 신호의 추세를 미리 설정된 고장예측 기준과 비교하여, 부품별 고장 시점을 포함하는 데이터베이스 기반 고장예측결과를 도출한다. The database-based failure prediction unit 30 is a module that predicts failures based on measurement data stored in the database. The database-based failure prediction unit 30 classifies the vibration signal included in the measurement data for each part, compares the trend of the vibration signal with a preset failure prediction criterion, and performs database-based failure prediction including a failure time point for each part. To derive the results.

상기 유지보수 판단부(32)는, 부품별 고장예측결과에 따라 부품별 유지보수시점을 도출하는 모듈이다. 상기 유지보수 판단부(32)는, 상기 데이터베이스 기반 고장예측결과에 따른 부품별 유지보수시점과, 상기 머신러닝 기반 고장예측결과에 따른 부품별 유지보수시점을 각각 도출한다. The maintenance determination unit 32 is a module that derives a maintenance time point for each part according to a failure prediction result for each part. The maintenance determining unit 32 derives a maintenance time for each part according to the database-based failure prediction result and a maintenance time for each part according to the machine learning-based failure prediction result, respectively.

다만, 이에 한정되지 않고, 상기 유지보수 판단부(32)는, 상기 데이터베이스 기반 고장예측결과와 상기 머신러닝 기반 고장예측결과를 비교하고, 상기 데이터베이스 기반 고장예측결과와 상기 머신러닝 기반 고장예측결과가 일치하는 부품에 대한 유지보수시점을 도출하는 것도 물론 가능하다. However, it is not limited thereto, and the maintenance determination unit 32 compares the database-based failure prediction result and the machine learning-based failure prediction result, and the database-based failure prediction result and the machine learning-based failure prediction result are It is of course possible to derive maintenance points for matching parts.

상기 출력부(34)는, 상기 주파수 가중치 기반 진단부(20)에서 도출한 가중치 기반 진단결과와 상기 유지보수 판단부(32)에서 도출한 부품별 유지보수시점을 출력하는 모듈이다. The output unit 34 is a module that outputs the weight-based diagnosis result derived from the frequency weight-based diagnosis unit 20 and the maintenance time point for each part derived from the maintenance determination unit 32 .

상기와 같이 구성된 본 발명의 실시예에 따른 실시간 진동 신호 기반 회전계기의 건전성 관리 시스템의 관리 방법을 설명하면, 다음과 같다. The management method of the soundness management system of a real-time vibration signal-based rotation instrument according to an embodiment of the present invention configured as described above will be described as follows.

도 2는 본 발명의 실시예에 따른 실시간 진동 신호 기반 회전기계의 건전성 관리 방법을 나타낸 순서도이다.2 is a flowchart illustrating a soundness management method of a rotating machine based on a real-time vibration signal according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 실시예에 따른 실시간 진동 신호 기반 회전기계의 건전성 관리 방법은, 데이터 수집단계(S1), 데이터 전처리단계(S2), 상태 모니터링단계(S3), 진단 여부 판단단계(S4), 주파수 가중치 기반 진단단계(S5), 머신러닝 기반 진단단계(S6), 진동진단결과 비교단계(S7), 가중치 보정단계(S8), 데이터베이스 기반 고장예측단계(S9), 머신러닝 기반 고장예측단계(S10), 유지보수시점 도출단계(S11) 및 출력단계(S12)를 포함한다. Referring to FIG. 2 , the method for managing the soundness of a rotating machine based on a real-time vibration signal according to an embodiment of the present invention includes a data collection step (S1), a data preprocessing step (S2), a state monitoring step (S3), and a diagnosis determination step. (S4), frequency weight-based diagnosis step (S5), machine learning-based diagnosis step (S6), vibration diagnosis result comparison step (S7), weight correction step (S8), database-based failure prediction step (S9), machine learning-based It includes a failure prediction step (S10), a maintenance point derivation step (S11) and an output step (S12).

상기 데이터 수집단계(S1)는, 상기 데이터 수집부(10)가 진단하고자하는 회전기계의 기본 정보를 입력받는 과정과, 상기 회전기계의 상기 진동 해석 데이터를 입력받는 과정과, 상기 회전기계의 진동 신호를 실시간으로 측정한 진동 신호를 수집하는 과정을 모두 포함한다. The data collection step (S1) includes a process of receiving basic information of the rotating machine to be diagnosed by the data collection unit 10, a process of receiving the vibration analysis data of the rotating machine, and vibration of the rotating machine. It includes all processes of collecting vibration signals measured in real time.

상기 데이터 전처리단계(S2)는, 상기 데이터 전처리부(14)가 데이터를 전처리하는 단계이다.In the data pre-processing step (S2), the data pre-processing unit 14 pre-processes the data.

상기 상태 모니터링단계(S3)에서는, 상기 상태 모니터링부(18)가 상기 진동 신호로부터 진동 발생 시간, 발생 부품, 발생 위치, 심각도 중 적어도 일부를 포함하는 이벤트 내역을 추출하여 모니터링한다. 상기 센서가 측정한 진동 신호를 바탕으로 상기 주파수 특성치별로 진동 신호를 구분하여 처리하기 때문에, 진단 기준 범위를 벗어난 진동 신호에 따라 진동이 발생한 부품이나 발생 위치를 추출할 수 있다. 상기 진동 신호가 상기 문제 상한치를 초과하는 지와 상기 주의 상한치를 초과하는지에 따라 상기 진동의 심각도를 추출할 수 있다. In the state monitoring step (S3), the state monitoring unit 18 extracts and monitors event history including at least a part of a vibration occurrence time, a generating part, a generating location, and a severity level from the vibration signal. Since the vibration signal is classified and processed for each frequency characteristic value based on the vibration signal measured by the sensor, it is possible to extract a part or location where vibration occurs according to the vibration signal out of the diagnosis standard range. The severity of the vibration may be extracted according to whether the vibration signal exceeds the upper limit of the problem and the upper limit of the note.

상기 진단 여부 판단단계(S4)는, 상기 상태 판단부(16)가 상기 진동 신호를 미리 설정된 진단 기준 범위와 비교하여, 상기 회전기계의 진동 진단의 필요 여부를 판단하는 단계이다. 상기 진동 신호가 상기 진단 기준 범위를 벗어나면, 상기 상태 판단부(16)는 진동 진단이 필요하다고 판단한다. 본 실시예에서는, 상기 진단 기준 범위는, 상기 문제 상한치와 상기 주의 상한치로 구분되어 설정된 것으로 예를 들어 설명하므로, 상기 진동 신호를 상기 문제 상한치와 상기 문제 상한치보다 낮게 설정된 주의 상한치와 각각 비교한다. In the diagnosis determination step (S4), the state determination unit 16 compares the vibration signal with a preset diagnosis reference range to determine whether vibration diagnosis of the rotating machine is necessary. If the vibration signal is out of the diagnosis standard range, the state determination unit 16 determines that vibration diagnosis is necessary. In the present embodiment, since the diagnosis criterion range is set by dividing the problem upper limit and the caution upper limit by way of example, the vibration signal is compared with the problem upper limit and the caution upper limit set lower than the problem upper limit, respectively.

상기 진단 여부 판단단계(S4)에서 진동 진단이 필요하다고 판단되면, 상기 진동에 대해 주파수 가중치를 기반으로 진단하는 주파수 가중치 기반 진단단계(S5)와 머신러닝을 기반으로 진단하는 머신러닝 기반 진단단계(S6)를 수행한다. If it is determined that vibration diagnosis is necessary in the diagnosis determination step (S4), a frequency weight based diagnosis step (S5) for diagnosing the vibration based on frequency weights and a machine learning based diagnosis step (diagnosing based on machine learning) S6) is performed.

상기 주파수 가중치 기반 진단단계(S5)는, 상기 기본 정보를 이용하여 주파수 특성치들을 추출하고, 상기 추출된 주파수 특성치들에 미리 설정된 진동 원인별 주파수 가중치를 부여하여, 진동 원인, 진동 원인별 진단 점수, 진동 원인별 확률 및 진동 원인별 순위를 포함하는 가중치 기반 진단결과를 도출한다.In the frequency weight-based diagnosis step (S5), frequency characteristic values are extracted using the basic information, and a preset frequency weight for each vibration cause is assigned to the extracted frequency characteristic values to obtain a vibration cause, a diagnosis score for each vibration cause, A weight-based diagnosis result including a probability for each vibration cause and a ranking for each vibration cause is derived.

상기 주파수 가중치 기반 진단단계(S5)는, 상기 1×m의 특성 행렬(MF)에 미리 생성된 m×n의주파수 가중치 행렬(MW)을 곱하여, 1×n의 진단 행렬(MD)을 도출한다. In the frequency weight-based diagnosis step (S5), a 1×n diagnosis matrix (M D ) is obtained by multiplying the 1×m characteristic matrix (M F ) by a pre - generated m×n frequency weight matrix (M W ). derive

상기 진단 행렬(MD)은, 상기 n개의 진동 원인들에 대한 각각의 진단 점수를 나타낸다. 예를 들어, D1은 제1진동 원인에 대한 진단 점수이고, D2는 제2진동 원인에 대한 진단 점수이며, Dn은 제n진동 원인에 대한 진단 점수이다.The diagnosis matrix M D represents each diagnosis score for the n vibration causes. For example, D1 is the diagnosis score for the first vibration cause, D2 is the diagnosis score for the second vibration cause, and Dn is the diagnosis score for the nth vibration cause.

상기 주파수 가중치 기반 진단단계(S5)에서는 상기 주파수 가중치들을 적용하여 도출한 진동 원인, 진동 원인별 진단 점수, 진동 원인별 확률 및 진동 원인별 순위를 도출할 수 있다. 상기 진동 원인별 확률은, 상기 n개의 진동 원인별 진단 점수의 총 합(∑D)에 대한 각각의 상기 진동 원인별 진단 점수(D1~Dn)의 비율(%)로 계산된다. 상기 진동 원인별 순위는, 상기 진동 원인(D1~Dn)에 대한 진단 점수를 내림차순으로 나열하여, 1위부터 n위까지로 결정된다.In the frequency weight-based diagnosis step (S5), a vibration cause derived by applying the frequency weights, a diagnosis score for each vibration cause, a probability for each vibration cause, and a ranking for each vibration cause may be derived. The probability for each vibration cause is calculated as a ratio (%) of the diagnosis scores D1 to Dn for each vibration cause to the total sum (∑D) of the diagnosis scores for each of the n vibration causes. The ranking for each vibration cause is determined from 1st to nth by arranging diagnosis scores for the vibration causes D1 to Dn in descending order.

또한, 상기 센서들이 측정한 진동 신호를 상기 주파수 특성치에 따라 측정 데이터를 구분하여 부품별로 저장하고, 다수의 회전기계들의 진동 신호에 따른 진동 원인, 부품별 고장 시점을 포함하는 학습 데이터가 미리 저장되고, 상기 주파수 가중치 기반 진단부에서 도출한 가중치 기반 진단결과가 저장되는 데이터베이스화 단계도 포함한다. In addition, the vibration signal measured by the sensors is divided into measurement data according to the frequency characteristic value and stored for each part, and learning data including the cause of vibration according to the vibration signal of a plurality of rotating machines and the point of failure for each part is stored in advance , It also includes a database creation step in which the weight-based diagnosis result derived from the frequency weight-based diagnosis unit is stored.

한편, 상기 머신러닝 기반 진단단계(S6)에서는, 미리 구축된 상기 머신러닝 진동진단모델로부터 상기 진동 신호간의 상관관계에 따른 진동 원인을 포함하는 머신러닝 기반 진단결과를 도출한다. Meanwhile, in the machine learning-based diagnosis step (S6), a machine learning-based diagnosis result including a vibration cause according to a correlation between the vibration signals is derived from the previously constructed machine learning vibration diagnosis model.

상기와 같이, 본 발명에서는 상기 주파수 가중치와 상기 머신 러닝을 통해 각각의 진동 원인과 진단 점수를 포함하는 진동진단결과를 도출할 수 있다. As described above, in the present invention, a vibration diagnosis result including each cause of vibration and a diagnosis score may be derived through the frequency weighting and the machine learning.

이후, 진동진단결과 비교단계(S7)를 수행한다.Thereafter, the vibration diagnosis result comparison step (S7) is performed.

상기 진동진단결과 비교단계(S7)에서는, 상기 주파수 가중치 기반 진단단계(S5)에서 도출한 가중치 기반 진단결과와, 상기 머신러닝 기반 진단단계(S6)에서 도출한 머신러닝 기반 진단결과의 정확도를 비교하는 단계이다. 즉, 가중치 기반으로 진단한 결과와 머신러닝 기반으로 진단한 결과를 서로 비교한다. 여기서, 정확도는 각 단계에서 진단결과를 도출시 함께 도출할 수 있는 값이다. In the vibration diagnosis result comparison step (S7), the accuracy of the weight-based diagnosis result derived in the frequency weight-based diagnosis step (S5) and the machine learning-based diagnosis result derived in the machine learning-based diagnosis step (S6) are compared. It is a step to That is, the weight-based diagnosis result and the machine learning-based diagnosis result are compared with each other. Here, the accuracy is a value that can be derived together when the diagnosis result is derived in each step.

상기 진동진단결과 비교단계(S7)에서 상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 기반 진단결과의 정확도보다 낮다고 판단되면, 상기 가중치 보정단계(S8)를 수행한다.When it is determined in the vibration diagnosis result comparison step (S7) that the accuracy of the weight-based diagnosis result is lower than the accuracy of the machine learning-based diagnosis result, the weight correction step (S8) is performed.

상기 가중치 보정단계(S8)에서는 미리 저장된 상기 주파수 가중치를 미리 설정된 보정값에 따라 보정하여 업데이트한다. 상기 주파수 가중치를 보정 후 상기 주파수 가중치 기반 진단단계(S5)부터 다시 수행할 수 있다.In the weight correction step (S8), the pre-stored frequency weight is corrected and updated according to a preset correction value. After correcting the frequency weights, the diagnosis based on the frequency weights may be performed again from step S5.

한편, 상기 진동진단결과 비교단계(S7)에서 상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 기반 진단결과의 정확도보다 높다고 판단되면, 상기 가중치 기반 진단결과를 출력하는 출력단계(S13)를 수행한다. Meanwhile, if it is determined in the vibration diagnosis result comparison step (S7) that the accuracy of the weight-based diagnosis result is higher than the accuracy of the machine learning-based diagnosis result, an output step (S13) of outputting the weight-based diagnosis result is performed.

한편, 상기 상태 모니터링단계(S3) 이후에, 상기 진동 신호의 추세 변화로 인하여 발생될 수 있는 고장을 미리 예측하는 고장 예측 단계를 수행한다.On the other hand, after the state monitoring step (S3), a failure prediction step of predicting in advance a failure that may occur due to a trend change of the vibration signal is performed.

상기 고장 예측 단계는, 상기 데이터베이스(12)에 저장된 측정 데이터를 기반으로 고장을 예측하는 데이터베이스 기반 고장예측단계(S9)와, 머신러닝을 수행하여 고장을 예측하는 머신러닝 기반 고장예측단계(S10)를 포함한다.The failure prediction step includes a database-based failure prediction step (S9) of predicting failures based on the measurement data stored in the database 12, and a machine learning-based failure prediction step (S10) of predicting failures by performing machine learning. includes

상기 데이터베이스 기반 고장예측단계(S9)에서는, 상기 데이터베이스 기반 고장예측부(30)가 상기 데이터베이스(12)에 저장된 측정 데이터를 기반으로 하여 고장을 예측한다. 즉, 상기 회전기계의 진동 신호를 측정하기 시작한 시점부터 현재 시점까지 누적된 측정 데이터를 이용하여, 진동 신호의 추세를 미리 설정된 고장예측 기준과 비교하여, 부품별 고장 시점을 포함하는 데이터베이스 기반 고장예측결과를 도출한다. 상기 고장예측 기준은 상기 데이터베이스(12)에 미리 저장된 부품별 고장 시점을 포함한다. In the database-based failure prediction step (S9), the database-based failure prediction unit 30 predicts a failure based on the measurement data stored in the database 12. That is, database-based failure prediction including the failure time of each part by comparing the trend of the vibration signal with a preset failure prediction standard using the accumulated measurement data from the start of measuring the vibration signal of the rotating machine to the present time. To derive the results. The failure prediction criterion includes failure time points for each component previously stored in the database 12 .

또한, 상기 머신러닝 기반 고장예측단계(S10)에서는 상기 머신러닝 기반 고장예측부(24)가 미리 구축된 상기 머신러닝 고장예측모델로부터 상기 진동 신호에 따라 상기 주파수 특성치별로 구분된 부품별 데이터를 통해 부품별 고장 시점을 포함하는 머신러닝 기반 고장예측결과를 도출한다. In addition, in the machine learning-based failure prediction step (S10), the machine learning-based failure prediction unit 24 uses part-specific data classified according to the frequency characteristics according to the vibration signal from the machine learning failure prediction model built in advance. Derive machine learning-based failure prediction results including failure points for each part.

상기와 같이, 본 발명에서는 상기 데이터베이스와 상기 머신 러닝을 통해 각각의 고장예측결과를 도출할 수 있다. As described above, in the present invention, each failure prediction result can be derived through the database and the machine learning.

상기 고장예측결과가 도출되면, 상기 유지보수시점 도출단계(S11)가 수행된다.When the failure prediction result is derived, the maintenance point derivation step (S11) is performed.

상기 유지보수시점 도출단계(S11)에서는 상기 데이터베이스 기반 고장예측결과에 따른 부품별 유지보수시점과, 상기 머신러닝 기반 고장예측결과에 따른 부품별 유지보수시점을 각각 도출한다.In the maintenance time derivation step (S11), a maintenance time point for each part according to the database-based failure prediction result and a maintenance time point for each part according to the machine learning-based failure prediction result are derived, respectively.

상기 출력단계(S12)에서는, 상기 가중치 기반 진단결과 뿐만 아니라, 상기 유지보수시점 도출단계(S11)에서 도출된 부품별 유지보수시점을 함께 출력한다. In the output step (S12), not only the weight-based diagnosis result, but also the maintenance point for each part derived in the maintenance point derivation step (S11) are output together.

상기 출력단계(S12)에서 출력된 결과들은 상기 데이터베이스(12)에 저장된다. Results output in the output step (S12) are stored in the database (12).

상기 실시예에서는, 상기 유지보수시점 도출단계(S11)에서 상기 데이터베이스 기반 고장예측결과에 따른 부품별 유지보수시점과, 상기 머신러닝 기반 고장예측결과에 따른 부품별 유지보수시점을 각각 도출하는 것으로 예를 들어 설명하였으나, 이에 한정되지 않고 상기 데이터베이스 기반 고장예측결과와 상기 머신러닝 기반 고장예측결과의 유사성을 비교하여, 고장예측결과가 일치하는 부품을 고장예상부품으로 추출하고, 상기 고장예상부품에 대한 유지보수시점만 도출하는 것도 물론 가능하다. In the above embodiment, in the maintenance point derivation step (S11), a maintenance point for each part according to the database-based failure prediction result and a maintenance point for each part according to the machine learning-based failure prediction result are derived, respectively. has been described, but is not limited thereto, by comparing the similarity between the database-based failure prediction result and the machine learning-based failure prediction result, extracting a part matching the failure prediction result as a predicted failure part, and Of course, it is also possible to derive only the maintenance point.

상기와 같이, 본 발명에서는 상기 주파수 가중치를 이용한 가중치 기반 진단결과 뿐만 아니라, 머신러닝을 이용한 머신러닝 기반 진단결과도 도출하여, 상기 가중치 기반 진단결과와 상기 머신러닝 기반 진단결과를 비교한 후, 상기 회전기계의 부품별 진동 원인, 진동 원인별 확률과 순위를 도출하기 때문에, 진동진단결과의 정확도가 보다 향상될 수 있다. As described above, in the present invention, not only the weight-based diagnosis result using the frequency weighting, but also the machine learning-based diagnosis result using machine learning is derived, and after comparing the weight-based diagnosis result and the machine learning-based diagnosis result, the Since the cause of vibration for each part of the rotating machine and the probability and rank for each vibration cause are derived, the accuracy of the vibration diagnosis result can be further improved.

또한, 본 발명에서는 상기 데이터베이스(12)에 저장된 측정 데이터를 이용한 데이터베이스 기반 고장예측결과 뿐만 아니라, 머신러닝을 이용한 머신러닝 기반 고장예측결과를 도출하고, 각각의 고장예측결과에 대한 부품별 유지보수시점을 도출함으로써, 부품별 고장 시점을 예측할 수 있을 뿐만 아니라 유지보수계획을 미리 수립함으로써, 상기 회전기계의 운영 효율이 보다 향상될 수 있다. In addition, in the present invention, not only the database-based failure prediction result using the measurement data stored in the database 12, but also the machine learning-based failure prediction result using machine learning is derived, and the maintenance time point for each part for each failure prediction result By deriving, it is possible to predict the time of failure for each part, and by establishing a maintenance plan in advance, the operating efficiency of the rotating machine can be further improved.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.Although the present invention has been described with reference to the embodiments shown in the drawings, this is only exemplary, and those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Therefore, the true technical scope of protection of the present invention should be determined by the technical spirit of the appended claims.

10: 데이터 수집부 12: 데이터베이스
14: 데이터 전처리부 16: 상태 판단부
18: 상태 모니터링부 20: 주파수 가중치 기반 진단부
22: 머신러닝 기반 진단모델 학습부
24: 머신러닝 기반 고장예측부
26: 가중치 행렬 생성모델 학습부
28: 가중치 보정부
30: 데이터베이스 기반 고장예측부
32: 유지보수 판단부
34: 출력부 10: data collection unit 12: database
14: data pre-processing unit 16: state determination unit
18: state monitoring unit 20: frequency weighting based diagnosis unit
22: machine learning-based diagnosis model learning unit
24: machine learning based failure prediction unit
26: weight matrix generation model learning unit
28: weight correction unit
30: database-based failure prediction unit
32: maintenance judgment unit
34: output unit

Claims (18)

진단하고자 하는 회전기계의 규격, 종류, 회전속도, 날개 수, 베어링 정보, 전원 주파수 중 적어도 일부를 포함하는 기본 정보를 입력받고, 상기 회전기계의 진동 해석 데이터를 입력받으며, 상기 회전기계를 구성하는 부품들 중 적어도 일부에 장착된 센서들이 실시간으로 측정한 진동 신호를 수집하고, 상기 회전기계에 따라 설정된 진단 기준 범위를 입력받는 데이터 수집부와;
상기 데이터 수집부에서 수집한 데이터를 전처리하는 데이터 전처리부와;
상기 진동 신호가 상기 진단 기준 범위를 초과시 진동 발생 시간, 발생 부품, 발생 위치, 심각도 중 적어도 일부를 포함하는 이벤트 내역을 추출하여 관리하는 상태 모니터링부와;
상기 진동 신호를 상기 진단 기준 범위와 비교하여 상기 회전기계의 진동 진단의 필요 여부를 판단하는 상태 판단부와;
상기 상태 판단부에서 진동 진단이 필요하다고 판단되면, 상기 기본 정보를 이용하여 주파수 특성치들을 추출하고, 상기 주파수 특성치들과 복수의 진동 원인들에 따라 미리 설정된 진동 원인별 주파수 가중치를 부여하여, 진동 원인, 진동 원인별 진단 점수, 진동 원인별 확률 및 진동 원인별 순위를 포함하는 가중치 기반 진단결과를 도출하는 주파수 가중치 기반 진단부와;
상기 센서들이 측정한 진동 신호를 상기 주파수 특성치별 측정 데이터로 구분하여 부품별로 저장하고, 다수의 회전기계들의 진동 신호에 따른 진동 원인, 부품별 고장 시점을 포함하는 학습 데이터가 미리 저장되고, 상기 주파수 가중치 기반 진단부에서 도출한 가중치 기반 진단결과가 저장되는 데이터베이스와;
상기 데이터베이스에 저장된 학습 데이터 중에서 상기 주파수 특성치별 진동 신호간의 상관관계를 입력 변수로 하고 상기 진동 원인을 출력 변수로 사용하여 머신러닝을 수행하여, 상기 주파수 특성치별 진동 신호에 따른 진동 원인을 포함하는 머신러닝 기반 진단결과를 도출할 수 있는 머신러닝 진동진단모델을 구축하는 머신러닝 기반 진단모델 학습부와;
상기 주파수 가중치 기반 진단부에서 도출된 가중치 기반 진단결과와 상기 머신러닝 진동진단모델에서 도출된 머신러닝 기반 진단결과의 정확도를 비교하고, 상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 기반 진단결과의 정확도보다 낮으면, 상기 주파수 가중치를 보정하여 업데이트하는 가중치 보정부와;
상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 진동 진단 결과의 정확도보다 높으면, 상기 주파수 가중치 기반 진단부에서 도출된 가중치 기반 진단결과를 출력하는 출력부를 포함하고,
상기 데이터베이스에 저장된 측정 데이터에서 부품별로 저장된 진동 신호의 추세를 미리 설정된 고장예측 기준과 비교하여, 부품별 고장 시점을 포함하는 데이터베이스 기반 고장예측결과를 도출하는 데이터베이스 기반 고장예측부를 더 포함하는,
머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템.Receive basic information including at least a part of the size, type, rotational speed, number of blades, bearing information, and power frequency of the rotating machine to be diagnosed, receive vibration analysis data of the rotating machine, and configure the rotating machine a data collection unit that collects vibration signals measured in real time by sensors mounted on at least some of the parts and receives a diagnostic standard range set according to the rotating machine;
a data pre-processing unit which pre-processes the data collected by the data collection unit;
a state monitoring unit that extracts and manages event details including at least a part of a vibration occurrence time, a generating part, a generating location, and a severity level when the vibration signal exceeds the diagnostic criteria range;
a state determining unit comparing the vibration signal with the diagnostic reference range to determine whether a vibration diagnosis of the rotating machine is necessary;
If it is determined that vibration diagnosis is necessary in the state determination unit, frequency characteristic values are extracted using the basic information, and frequency weights are given for each vibration cause preset according to the frequency characteristic values and a plurality of vibration causes, thereby causing the vibration. , a frequency weight-based diagnosis unit for deriving a weight-based diagnosis result including a diagnosis score for each vibration cause, a probability for each vibration cause, and a ranking for each vibration cause;
The vibration signal measured by the sensors is divided into the measurement data for each frequency characteristic value and stored for each part, and learning data including the cause of vibration according to the vibration signal of a plurality of rotating machines and the time of failure for each part is stored in advance, and the frequency a database in which weight-based diagnosis results derived from the weight-based diagnosis unit are stored;
A machine including a vibration cause according to the vibration signal for each frequency characteristic value by performing machine learning using a correlation between vibration signals for each frequency characteristic value as an input variable and the vibration cause as an output variable among learning data stored in the database. a machine learning-based diagnosis model learning unit for constructing a machine-learning vibration diagnosis model capable of deriving a learning-based diagnosis result;
The accuracy of the weight-based diagnosis result derived from the frequency weight-based diagnosis unit and the machine learning-based diagnosis result derived from the machine learning vibration diagnosis model are compared, and the accuracy of the weight-based diagnosis result is the accuracy of the machine learning-based diagnosis result. a weight corrector for correcting and updating the frequency weight if the frequency weight is lower than the frequency weight;
An output unit outputting a weight-based diagnosis result derived from the frequency weight-based diagnosis unit when accuracy of the weight-based diagnosis result is higher than accuracy of the machine learning vibration diagnosis result;
In the measurement data stored in the database, a database-based failure prediction unit for comparing the trend of the vibration signal stored for each part with a preset failure prediction criterion to derive a database-based failure prediction result including a failure point for each part Further comprising,
A health management system for rotating machinery based on real-time vibration signals using machine learning. 삭제delete 청구항 1에 있어서,
상기 데이터베이스에 저장된 학습 데이터 중에서 상기 진동 신호를 입력 변수로 하고 상기 부품별 고장 시점을 출력 변수로 사용하여 머신러닝을 수행하여 머신러닝 고장예측모델을 구축하여, 상기 진동 신호에 따른 부품별 고장 시점을 포함하는 머신러닝 기반 고장예측결과를 도출하는 머신러닝 기반 고장예측부를 더 포함하는 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템.The method of claim 1,
Among learning data stored in the database, machine learning is performed using the vibration signal as an input variable and the failure time of each part as an output variable to build a machine learning failure prediction model, and determine the failure time of each part according to the vibration signal. A health management system for a real-time vibration signal-based rotating machine using machine learning, further comprising a machine learning-based failure prediction unit for deriving a machine learning-based failure prediction result. 청구항 3에 있어서,
상기 출력부는,
상기 데이터베이스 기반 고장예측부에서 도출한 데이터베이스 기반 고장예측결과에 따른 부품별 유지보수시점과, 상기 머신러닝 고장예측모델에서 도출된 머신러닝 기반 고장예측결과에 따른 부품별 유지보수시점을 각각 출력하는 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템.The method of claim 3,
the output unit,
A machine that outputs the maintenance time for each part according to the database-based failure prediction result derived from the database-based failure prediction unit and the maintenance time for each part according to the machine learning-based failure prediction result derived from the machine learning failure prediction model. A health management system for rotating machinery based on real-time vibration signals using running. 청구항 3에 있어서,
상기 데이터베이스 기반 고장예측부에서 도출한 데이터베이스 기반 고장예측결과와 상기 머신러닝 고장예측모델에서 도출된 머신러닝 기반 고장예측결과를 비교하고, 상기 데이터베이스 기반 고장예측결과와 상기 머신러닝 기반 고장예측결과가 일치하는 부품에 대해 유지보수를 판단하고, 부품별 유지보수시점을 도출하는 유지보수 판단부를 더 포함하는 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템.The method of claim 3,
The database-based failure prediction result derived from the database-based failure prediction unit and the machine learning-based failure prediction result derived from the machine learning failure prediction model are compared, and the database-based failure prediction result and the machine learning-based failure prediction result match. A health management system for a real-time vibration signal-based rotating machine using machine learning further comprising a maintenance judgment unit that determines maintenance for the parts to be performed and derives a maintenance time for each part. 청구항 5에 있어서,
상기 출력부는, 상기 유지보수 판단부에서 도출한 부품별 유지보수시점을 출력하는 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템.The method of claim 5,
The output unit is a soundness management system of a real-time vibration signal-based rotating machine using machine learning that outputs a maintenance point for each part derived from the maintenance determination unit. 진단하고자 하는 회전기계의 규격, 종류, 회전속도, 날개 수, 베어링 정보, 전원 주파수 중 적어도 일부를 포함하는 기본 정보를 입력받고, 상기 회전기계의 진동 해석 데이터를 입력받으며, 상기 회전기계를 구성하는 부품들 중 적어도 일부에 장착된 센서들이 실시간으로 측정한 진동 신호를 수집하고, 상기 회전기계에 따라 설정된 진단 기준 범위를 입력받는 데이터 수집부와;
상기 데이터 수집부에서 수집한 데이터를 전처리하는 데이터 전처리부와;
상기 진동 신호가 상기 진단 기준 범위를 초과시 진동 발생 시간, 발생 부품, 발생 위치, 심각도 중 적어도 일부를 포함하는 이벤트 내역을 추출하여 관리하는 상태 모니터링부와;
상기 진동 신호를 상기 진단 기준 범위와 비교하여 상기 회전기계의 진동 진단의 필요 여부를 판단하는 상태 판단부와;
상기 상태 판단부에서 진동 진단이 필요하다고 판단되면, 상기 기본 정보를 이용하여 주파수 특성치들을 추출하고, 상기 주파수 특성치들과 복수의 진동 원인들에 따라 미리 설정된 진동 원인별 주파수 가중치를 부여하여, 진동 원인, 진동 원인별 진단 점수, 진동 원인별 확률 및 진동 원인별 순위를 포함하는 가중치 기반 진단결과를 도출하는 주파수 가중치 기반 진단부와;
상기 센서들이 측정한 진동 신호를 상기 주파수 특성치별 측정 데이터로 구분하여 부품별로 저장하고, 다수의 회전기계들의 진동 신호에 따른 진동 원인, 부품별 고장 시점을 포함하는 학습 데이터가 미리 저장되고, 상기 주파수 가중치 기반 진단부에서 도출한 가중치 기반 진단결과가 저장되는 데이터베이스와;
상기 데이터베이스에 저장된 학습 데이터 중에서 상기 주파수 특성치별 진동 신호간의 상관관계를 입력 변수로 하고 상기 진동 원인을 출력 변수로 사용하여 머신러닝을 수행하여, 상기 주파수 특성치별 진동 신호에 따른 진동 원인을 포함하는 머신러닝 기반 진단결과를 도출할 수 있는 머신러닝 진동진단모델을 구축하는 머신러닝 기반 진단모델 학습부와;
상기 주파수 가중치 기반 진단부에서 도출된 가중치 기반 진단결과와 상기 머신러닝 진동진단모델에서 도출된 머신러닝 기반 진단결과의 정확도를 비교하고, 상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 기반 진단결과의 정확도보다 낮으면, 상기 주파수 가중치를 보정하여 업데이트하는 가중치 보정부와;
상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 진동 진단 결과의 정확도보다 높으면, 상기 주파수 가중치 기반 진단부에서 도출된 가중치 기반 진단결과를 출력하는 출력부를 포함하고,
상기 주파수 가중치 기반 진단부는,
상기 기본 정보를 이용하여 m개의 상기 주파수 특성치들을 성분으로 하는 1×m의 특성 행렬을 생성하는 특성 행렬 생성부와,
상기 m개의 주파수 특성치들과 미리 설정된 n개의 상기 진동 원인에 대해 미리 설정된 m×n개의 상기 주파수 가중치들을 성분으로 하는 m×n의 주파수 가중치 행렬을 상기 특성 행렬에 곱하여, 상기 진동 원인에 대해 상기 주파수 가중치들을 각각 적용한 n개의 진동 원인별 진단 점수를 성분으로 하는 1×n의 진단 행렬을 도출하는 진단 행렬 도출부를 더 포함하는,
머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템.Receive basic information including at least a part of the size, type, rotational speed, number of blades, bearing information, and power frequency of the rotating machine to be diagnosed, receive vibration analysis data of the rotating machine, and configure the rotating machine a data collection unit that collects vibration signals measured in real time by sensors mounted on at least some of the parts and receives a diagnostic standard range set according to the rotating machine;
a data pre-processing unit which pre-processes the data collected by the data collection unit;
a state monitoring unit that extracts and manages event details including at least a part of a vibration occurrence time, a generating part, a generating location, and a severity level when the vibration signal exceeds the diagnostic criteria range;
a state determining unit comparing the vibration signal with the diagnostic reference range to determine whether a vibration diagnosis of the rotating machine is necessary;
If it is determined that vibration diagnosis is necessary in the state determination unit, frequency characteristic values are extracted using the basic information, and frequency weights are given for each vibration cause preset according to the frequency characteristic values and a plurality of vibration causes, thereby causing the vibration. , a frequency weight-based diagnosis unit for deriving a weight-based diagnosis result including a diagnosis score for each vibration cause, a probability for each vibration cause, and a ranking for each vibration cause;
The vibration signal measured by the sensors is divided into the measurement data for each frequency characteristic value and stored for each part, and learning data including the cause of vibration according to the vibration signal of a plurality of rotating machines and the time of failure for each part is stored in advance, and the frequency a database in which weight-based diagnosis results derived from the weight-based diagnosis unit are stored;
A machine including a vibration cause according to the vibration signal for each frequency characteristic value by performing machine learning using a correlation between vibration signals for each frequency characteristic value as an input variable and the vibration cause as an output variable among learning data stored in the database. a machine learning-based diagnosis model learning unit for constructing a machine-learning vibration diagnosis model capable of deriving a learning-based diagnosis result;
The accuracy of the weight-based diagnosis result derived from the frequency weight-based diagnosis unit and the machine learning-based diagnosis result derived from the machine learning vibration diagnosis model are compared, and the accuracy of the weight-based diagnosis result is the accuracy of the machine learning-based diagnosis result. a weight corrector for correcting and updating the frequency weight if the frequency weight is lower than the frequency weight;
An output unit outputting a weight-based diagnosis result derived from the frequency weight-based diagnosis unit when accuracy of the weight-based diagnosis result is higher than accuracy of the machine learning vibration diagnosis result;
The frequency weighting based diagnosis unit,
a characteristic matrix generator for generating a 1×m characteristic matrix having the m frequency characteristic values as components using the basic information;
By multiplying the characteristic matrix by an m×n frequency weighting matrix having the m frequency characteristic values and the m×n frequency weighting elements preset for the n vibration causes as components, the frequency weighting matrix for the vibration cause is Further comprising a diagnostic matrix derivation unit for deriving a 1 × n diagnostic matrix having diagnostic scores for each of n vibration causes to which weights are applied, respectively.
A health management system for rotating machinery based on real-time vibration signals using machine learning. 청구항 7에 있어서,
상기 주파수 특성치는,
측정 방향별 진동 레벨비, 상기 회전속도의 배수 성분 크기, 날개 주파수, 노이즈 플로어(Noise floor) 크기, 전원 주파수 성분 크기 및 베어링 결함 위치별 특성 주파수 성분 크기 중 적어도 일부를 포함하는 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템.The method of claim 7,
The frequency characteristic value,
Real-time using machine learning including at least a part of the vibration level ratio for each measurement direction, the multiple component size of the rotational speed, the wing frequency, the noise floor size, the power frequency component size, and the characteristic frequency component size for each bearing defect location. Vibration signal-based rotation machine health management system. 청구항 7에 있어서,
상기 주파수 가중치 행렬은,
상기 학습 데이터 중에서 상기 진동 신호의 주파수 특성치들을 입력 변수로 하고 상기 진동 원인을 출력변수로 하여 학습시킨 가중치 행렬 생성 모델을 이용하여 생성된 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템.The method of claim 7,
The frequency weight matrix,
Real-time vibration signal-based rotating machine health management system using machine learning generated using a weight matrix generation model learned by using the frequency characteristic values of the vibration signal as input variables and the vibration cause as an output variable among the learning data. 진단하고자 하는 회전기계의 규격, 종류, 회전속도, 날개 수, 베어링 정보, 전원 주파수 중 적어도 일부를 포함하는 기본 정보를 입력받고, 상기 회전기계의 진동 해석 데이터를 입력받으며, 상기 회전기계를 구성하는 부품들 중 적어도 일부에 장착된 센서들이 실시간으로 측정한 진동 신호를 수집하고, 상기 회전기계에 따라 설정된 진단 기준 범위를 입력받는 데이터 수집부와;
상기 데이터 수집부에서 수집한 데이터를 전처리하는 데이터 전처리부와;
상기 진동 신호가 상기 진단 기준 범위를 초과시 진동 발생 시간, 발생 부품, 발생 위치, 심각도 중 적어도 일부를 포함하는 이벤트 내역을 추출하여 관리하는 상태 모니터링부와;
상기 진동 신호를 상기 진단 기준 범위와 비교하여 상기 회전기계의 진동 진단의 필요 여부를 판단하는 상태 판단부와;
상기 상태 판단부에서 진동 진단이 필요하다고 판단되면, 상기 기본 정보를 이용하여 주파수 특성치들을 추출하고, 상기 주파수 특성치들과 복수의 진동 원인들에 따라 미리 설정된 진동 원인별 주파수 가중치를 부여하여, 진동 원인, 진동 원인별 진단 점수, 진동 원인별 확률 및 진동 원인별 순위를 포함하는 가중치 기반 진단결과를 도출하는 주파수 가중치 기반 진단부와;
상기 센서들이 측정한 진동 신호를 상기 주파수 특성치별 측정 데이터로 구분하여 부품별로 저장하고, 다수의 회전기계들의 진동 신호에 따른 진동 원인, 부품별 고장 시점을 포함하는 학습 데이터가 미리 저장되고, 상기 주파수 가중치 기반 진단부에서 도출한 가중치 기반 진단결과가 저장되는 데이터베이스와;
상기 데이터베이스에 저장된 학습 데이터 중에서 상기 주파수 특성치별 진동 신호간의 상관관계를 입력 변수로 하고 상기 진동 원인을 출력 변수로 사용하여 머신러닝을 수행하여, 상기 주파수 특성치별 진동 신호에 따른 진동 원인을 포함하는 머신러닝 기반 진단결과를 도출할 수 있는 머신러닝 진동진단모델을 구축하는 머신러닝 기반 진단모델 학습부와;
상기 주파수 가중치 기반 진단부에서 도출된 가중치 기반 진단결과와 상기 머신러닝 진동진단모델에서 도출된 머신러닝 기반 진단결과의 정확도를 비교하고, 상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 기반 진단결과의 정확도보다 낮으면, 상기 주파수 가중치를 보정하여 업데이트하는 가중치 보정부와;
상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 진동 진단 결과의 정확도보다 높으면, 상기 주파수 가중치 기반 진단부에서 도출된 가중치 기반 진단결과를 출력하는 출력부를 포함하고,
상기 주파수 가중치 기반 진단부는,
상기 진동 원인별 확률을 미리 설정된 n개의 진동 원인별 진단 점수의 총 합에 대한 각각의 상기 진동 원인별 진단 점수의 비율로 계산하는,
머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템.Receive basic information including at least a part of the size, type, rotational speed, number of blades, bearing information, and power frequency of the rotating machine to be diagnosed, receive vibration analysis data of the rotating machine, and configure the rotating machine a data collection unit that collects vibration signals measured in real time by sensors mounted on at least some of the parts and receives a diagnostic standard range set according to the rotating machine;
a data pre-processing unit which pre-processes the data collected by the data collection unit;
a state monitoring unit that extracts and manages event details including at least a part of a vibration occurrence time, a generating part, a generating location, and a severity level when the vibration signal exceeds the diagnostic criteria range;
a state determining unit comparing the vibration signal with the diagnostic reference range to determine whether a vibration diagnosis of the rotating machine is necessary;
If it is determined that vibration diagnosis is necessary in the state determination unit, frequency characteristic values are extracted using the basic information, and frequency weights are given for each vibration cause preset according to the frequency characteristic values and a plurality of vibration causes, thereby causing the vibration. , a frequency weight-based diagnosis unit for deriving a weight-based diagnosis result including a diagnosis score for each vibration cause, a probability for each vibration cause, and a ranking for each vibration cause;
The vibration signal measured by the sensors is divided into the measurement data for each frequency characteristic value and stored for each part, and learning data including the cause of vibration according to the vibration signal of a plurality of rotating machines and the time of failure for each part is stored in advance, and the frequency a database in which weight-based diagnosis results derived from the weight-based diagnosis unit are stored;
A machine including a vibration cause according to the vibration signal for each frequency characteristic value by performing machine learning using a correlation between vibration signals for each frequency characteristic value as an input variable and the vibration cause as an output variable among learning data stored in the database. a machine learning-based diagnosis model learning unit for constructing a machine-learning vibration diagnosis model capable of deriving a learning-based diagnosis result;
The accuracy of the weight-based diagnosis result derived from the frequency weight-based diagnosis unit and the machine learning-based diagnosis result derived from the machine learning vibration diagnosis model are compared, and the accuracy of the weight-based diagnosis result is the accuracy of the machine learning-based diagnosis result. a weight corrector for correcting and updating the frequency weight if the frequency weight is lower than the frequency weight;
An output unit outputting a weight-based diagnosis result derived from the frequency weight-based diagnosis unit when accuracy of the weight-based diagnosis result is higher than accuracy of the machine learning vibration diagnosis result;
The frequency weighting based diagnosis unit,
Calculating the probability for each vibration cause as a ratio of the diagnosis score for each vibration cause to the total sum of the diagnosis scores for each of the preset n vibration causes,
A health management system for rotating machinery based on real-time vibration signals using machine learning. 컴퓨터가 진단하고자 하는 회전기계의 규격, 종류, 회전속도, 날개 수, 베어링 정보, 전원 주파수 중 적어도 일부를 포함하는 기본 정보를 입력받고, 상기 회전기계의 진동 해석 데이터를 입력받으며, 상기 회전기계를 구성하는 부품들 중 적어도 일부에 장착된 센서들이 실시간으로 측정한 진동 신호를 수집하고, 상기 회전기계에 따라 설정된 진단 기준 범위를 입력받는 데이터 수집단계와;
상기 센서들이 측정한 진동 신호를 전처리하는 데이터 전처리단계와;
상기 진동 신호가 상기 진단 기준 범위를 초과시 진동 발생 시간, 발생 부품, 발생 위치, 심각도 중 적어도 일부를 포함하는 이벤트 내역을 추출하여 관리하는 상태 모니터링단계와;
상기 진동 신호를 상기 진단 기준 범위와 비교하여 상기 회전기계의 진동 진단의 필요 여부를 판단하는 진단 여부 판단단계와;
상기 진단 여부 판단단계에서 진동 진단이 필요하다고 판단되면, 상기 기본 정보를 이용하여 주파수 특성치들을 추출하고, 상기 주파수 특성치들과 복수의 진동 원인들에 따라 미리 설정된 진동 원인별 주파수 가중치를 부여하여, 진동 원인, 진동 원인별 진단 점수, 진동 원인별 확률 및 진동 원인별 순위를 포함하는 가중치 기반 진단결과를 도출하는 주파수 가중치 기반 진단단계와;
상기 센서들이 측정한 진동 신호를 상기 주파수 특성치에 따라 측정 데이터를 구분하여 부품별로 저장하고, 다수의 회전기계들의 진동 신호에 따른 진동 원인, 부품별 고장 시점을 포함하는 학습 데이터가 미리 저장되고, 상기 주파수 가중치 기반 진단부에서 도출한 가중치 기반 진단결과가 저장되는 데이터베이스화 단계와;
상기 데이터베이스화 단계에서 데이터베이스에 저장된 학습 데이터 중에서 상기 주파수 특성치별 진동 신호간의 상관관계를 입력 변수로 하고 복수의 진동 원인들을 출력 변수로 사용하여 머신러닝을 수행하여 구축된 머신러닝 진동진단모델로부터 상기 주파수 특성치별 진동 신호에 따른 진동 원인을 포함하는 머신러닝 기반 진단결과를 도출하는 머신러닝 기반 진단단계와;
상기 가중치 기반 진단결과와 상기 머신러닝 기반 진단결과의 정확도를 비교하는 진동진단결과 비교단계와;
상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 기반 진단결과의 정확도보다 낮으면, 상기 주파수 가중치를 보정하여 업데이트하는 가중치 보정단계와;
상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 기반 진단결과의 정확도보다 높으면, 상기 가중치 기반 진단결과를 출력하는 출력단계를 포함하고,
상기 데이터베이스에 저장된 측정 데이터에서 부품별로 저장된 진동 신호의 추세를 미리 설정된 고장예측 기준과 비교하여, 부품별 고장 시점을 포함하는 데이터베이스 기반 고장예측결과를 도출하는 데이터베이스 기반 고장예측단계를 더 포함하는,
머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 방법.The computer receives basic information including at least a part of the size, type, rotational speed, number of blades, bearing information, and power frequency of the rotating machine to be diagnosed, receives vibration analysis data of the rotating machine, and controls the rotating machine. a data collection step of collecting vibration signals measured in real time by sensors mounted on at least some of the constituent parts and receiving a diagnostic standard range set according to the rotating machine;
a data pre-processing step of pre-processing the vibration signals measured by the sensors;
a state monitoring step of extracting and managing event details including at least a part of a vibration occurrence time, a generating part, a generating location, and a severity level when the vibration signal exceeds the diagnostic criteria range;
a diagnosis determination step of comparing the vibration signal with the diagnosis reference range to determine whether a vibration diagnosis of the rotating machine is necessary;
If it is determined that vibration diagnosis is necessary in the diagnosis determination step, frequency characteristic values are extracted using the basic information, and frequency weights are given for each vibration cause preset according to the frequency characteristic values and a plurality of vibration causes. a frequency weight-based diagnosis step of deriving a weight-based diagnosis result including a cause, a diagnosis score for each vibration cause, a probability for each vibration cause, and a ranking for each vibration cause;
The vibration signal measured by the sensors is divided into measurement data according to the frequency characteristic value and stored for each part, and learning data including the cause of vibration according to the vibration signal of a plurality of rotating machines and the time of failure for each part is stored in advance, a database creation step of storing the weight-based diagnosis result derived from the frequency weight-based diagnosis unit;
In the database creation step, among the learning data stored in the database, the correlation between the vibration signals for each frequency characteristic value is used as an input variable and a plurality of vibration causes are used as output variables to perform machine learning. a machine learning-based diagnosis step of deriving a machine-learning-based diagnosis result including a cause of vibration according to a vibration signal for each characteristic value;
a vibration diagnosis result comparison step of comparing accuracy between the weight-based diagnosis result and the machine learning-based diagnosis result;
a weight correction step of correcting and updating the frequency weights when the accuracy of the weight-based diagnosis result is lower than the accuracy of the machine learning-based diagnosis result;
an output step of outputting the weight-based diagnosis result when the accuracy of the weight-based diagnosis result is higher than the accuracy of the machine learning-based diagnosis result;
A database-based failure prediction step of comparing the trend of the vibration signal stored for each part in the measurement data stored in the database with a preset failure prediction criterion to derive a database-based failure prediction result including a failure time point for each part. Further comprising,
A method for health management of rotating machinery based on real-time vibration signals using machine learning. 삭제delete 청구항 11에 있어서,
상기 데이터베이스에 저장된 학습 데이터 중에서 진동 신호를 입력 변수로 하고 부품별 고장 시점을 출력 변수로 사용하여 머신러닝을 수행하여 구축된 머신러닝 고장예측모델로부터 상기 진동 신호에 따른 부품별 고장 시점을 포함하는 머신러닝 기반 고장예측결과를 도출하는 머신러닝 기반 고장예측단계를 더 포함하는 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 방법.The method of claim 11,
From the machine learning failure prediction model built by performing machine learning using a vibration signal as an input variable and a failure time for each part as an output variable among learning data stored in the database, a machine including a failure time for each part according to the vibration signal A method for managing health of a rotating machine based on real-time vibration signals using machine learning, further comprising a machine learning-based failure prediction step for deriving a learning-based failure prediction result. 청구항 13에 있어서,
상기 데이터베이스 기반 고장예측결과에 따른 부품별 유지보수시점과, 상기 머신러닝 기반 고장예측결과에 따른 부품별 유지보수시점을 도출하는 유지보수시점 도출단계를 더 포함하는 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 방법.The method of claim 13,
Real-time vibration signal-based rotation using machine learning further comprising a maintenance point derivation step of deriving a maintenance point for each part according to the database-based failure prediction result and a maintenance point for each part according to the machine learning-based failure prediction result. How to manage machine health. 청구항 13에 있어서,
상기 데이터베이스 기반 고장예측결과와 상기 머신러닝 기반 고장예측결과가 일치하는 부품에 대해 유지보수를 판단하고, 부품별 유지보수시점을 도출하는 유지보수시점 도출단계를 더 포함하는 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 방법.The method of claim 13,
A real-time vibration signal using machine learning further comprising a maintenance point derivation step of determining maintenance for a part where the database-based failure prediction result and the machine learning-based failure prediction result match, and deriving a maintenance point for each part. A method for managing the health of base rotating machinery. 컴퓨터가 진단하고자 하는 회전기계의 규격, 종류, 회전속도, 날개 수, 베어링 정보, 전원 주파수 중 적어도 일부를 포함하는 기본 정보를 입력받고, 상기 회전기계의 진동 해석 데이터를 입력받으며, 상기 회전기계를 구성하는 부품들 중 적어도 일부에 장착된 센서들이 실시간으로 측정한 진동 신호를 수집하고, 상기 회전기계에 따라 설정된 진단 기준 범위를 입력받는 데이터 수집단계와;
상기 센서들이 측정한 진동 신호를 전처리하는 데이터 전처리단계와;
상기 진동 신호가 상기 진단 기준 범위를 초과시 진동 발생 시간, 발생 부품, 발생 위치, 심각도 중 적어도 일부를 포함하는 이벤트 내역을 추출하여 관리하는 상태 모니터링단계와;
상기 진동 신호를 상기 진단 기준 범위와 비교하여 상기 회전기계의 진동 진단의 필요 여부를 판단하는 진단 여부 판단단계와;
상기 진단 여부 판단단계에서 진동 진단이 필요하다고 판단되면, 상기 기본 정보를 이용하여 주파수 특성치들을 추출하고, 상기 주파수 특성치들과 복수의 진동 원인들에 따라 미리 설정된 진동 원인별 주파수 가중치를 부여하여, 진동 원인, 진동 원인별 진단 점수, 진동 원인별 확률 및 진동 원인별 순위를 포함하는 가중치 기반 진단결과를 도출하는 주파수 가중치 기반 진단단계와;
상기 센서들이 측정한 진동 신호를 상기 주파수 특성치에 따라 측정 데이터를 구분하여 부품별로 저장하고, 다수의 회전기계들의 진동 신호에 따른 진동 원인, 부품별 고장 시점을 포함하는 학습 데이터가 미리 저장되고, 상기 주파수 가중치 기반 진단부에서 도출한 가중치 기반 진단결과가 저장되는 데이터베이스화 단계와;
상기 데이터베이스화 단계에서 데이터베이스에 저장된 학습 데이터 중에서 상기 주파수 특성치별 진동 신호간의 상관관계를 입력 변수로 하고 복수의 진동 원인들을 출력 변수로 사용하여 머신러닝을 수행하여 구축된 머신러닝 진동진단모델로부터 상기 주파수 특성치별 진동 신호에 따른 진동 원인을 포함하는 머신러닝 기반 진단결과를 도출하는 머신러닝 기반 진단단계와;
상기 가중치 기반 진단결과와 상기 머신러닝 기반 진단결과의 정확도를 비교하는 진동진단결과 비교단계와;
상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 기반 진단결과의 정확도보다 낮으면, 상기 주파수 가중치를 보정하여 업데이트하는 가중치 보정단계와;
상기 가중치 기반 진단결과의 정확도가 상기 머신러닝 기반 진단결과의 정확도보다 높으면, 상기 가중치 기반 진단결과를 출력하는 출력단계를 포함하고,
상기 주파수 기반 진단단계는,
상기 기본 정보를 이용하여 m개의 상기 주파수 특성치들을 성분으로 하는 1×m의 특성 행렬을 생성하는 특성 행렬 생성 과정과,
상기 m개의 주파수 특성치들과 미리 설정된 n개의 상기 진동 원인에 대해 미리 설정된 m×n개의 상기 주파수 가중치들을 성분으로 하는 m×n의 주파수 가중치 행렬을 상기 특성 행렬에 곱하여, 상기 진동 원인에 대해 상기 주파수 가중치들을 각각 적용한 n개의 진동 원인별 진단 점수를 성분으로 하는 1×n의 진단 행렬을 도출하는 진단 행렬 도출과정을 포함하는,
머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 방법.The computer receives basic information including at least a part of the size, type, rotational speed, number of blades, bearing information, and power frequency of the rotating machine to be diagnosed, receives vibration analysis data of the rotating machine, and controls the rotating machine. a data collection step of collecting vibration signals measured in real time by sensors mounted on at least some of the constituent parts and receiving a diagnostic standard range set according to the rotating machine;
a data pre-processing step of pre-processing the vibration signals measured by the sensors;
a state monitoring step of extracting and managing event details including at least a part of a vibration occurrence time, a generating part, a generating location, and a severity level when the vibration signal exceeds the diagnostic criteria range;
a diagnosis determination step of comparing the vibration signal with the diagnosis reference range to determine whether a vibration diagnosis of the rotating machine is necessary;
If it is determined that vibration diagnosis is necessary in the diagnosis determination step, frequency characteristic values are extracted using the basic information, and frequency weights are given for each vibration cause preset according to the frequency characteristic values and a plurality of vibration causes. a frequency weight-based diagnosis step of deriving a weight-based diagnosis result including a cause, a diagnosis score for each vibration cause, a probability for each vibration cause, and a ranking for each vibration cause;
The vibration signal measured by the sensors is divided into measurement data according to the frequency characteristic value and stored for each part, and learning data including the cause of vibration according to the vibration signal of a plurality of rotating machines and the time of failure for each part is stored in advance, a database creation step of storing the weight-based diagnosis result derived from the frequency weight-based diagnosis unit;
In the database creation step, among the learning data stored in the database, the correlation between the vibration signals for each frequency characteristic value is used as an input variable and a plurality of vibration causes are used as output variables to perform machine learning. a machine learning-based diagnosis step of deriving a machine-learning-based diagnosis result including a cause of vibration according to a vibration signal for each characteristic value;
a vibration diagnosis result comparison step of comparing accuracy between the weight-based diagnosis result and the machine learning-based diagnosis result;
a weight correction step of correcting and updating the frequency weights when the accuracy of the weight-based diagnosis result is lower than the accuracy of the machine learning-based diagnosis result;
an output step of outputting the weight-based diagnosis result when the accuracy of the weight-based diagnosis result is higher than the accuracy of the machine learning-based diagnosis result;
The frequency-based diagnosis step,
A characteristic matrix generation process of generating a 1×m characteristic matrix having m frequency characteristic values as components using the basic information;
By multiplying the characteristic matrix by an m×n frequency weighting matrix having the m frequency characteristic values and the m×n frequency weighting elements preset for the n vibration causes as components, the frequency weighting matrix for the vibration cause is Including a diagnostic matrix derivation process of deriving a 1 × n diagnostic matrix having diagnostic scores for each of n vibration causes to which weights are applied, respectively,
A method for health management of rotating machinery based on real-time vibration signals using machine learning. 청구항 16에 있어서,
상기 주파수 특성치는,
측정 방향별 진동 레벨비, 상기 회전속도의 배수 성분 크기, 날개 주파수, 노이즈 플로어(Noise floor) 크기, 전원 주파수 성분 크기 및 베어링 결함 위치별 특성 주파수 성분 크기 중 적어도 일부를 포함하는 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 방법.The method of claim 16
The frequency characteristic value,
Real-time using machine learning including at least a part of the vibration level ratio for each measurement direction, the multiple component size of the rotational speed, the wing frequency, the noise floor size, the power frequency component size, and the characteristic frequency component size for each bearing defect location. A method for health management of rotating machinery based on vibration signals. 청구항 16에 있어서,
상기 주파수 가중치 행렬은,
상기 학습 데이터 중에서 상기 주파수 특성치들을 입력 변수로 하고 상기 진동 원인을 출력변수로 하여 학습시킨 가중치 행렬 생성 모델을 이용하여 생성된 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 방법.The method of claim 16
The frequency weight matrix,
A method for managing the health of a rotating machine based on real-time vibration signals using machine learning generated using a weight matrix generation model learned by using the frequency characteristic values as input variables and the vibration cause as an output variable among the learning data.
KR1020210188704A 2021-12-27 2021-12-27 System and method for managing the integrity of rotating machine based on real-time vibration signal using machine learning KR102500883B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210188704A KR102500883B1 (en) 2021-12-27 2021-12-27 System and method for managing the integrity of rotating machine based on real-time vibration signal using machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210188704A KR102500883B1 (en) 2021-12-27 2021-12-27 System and method for managing the integrity of rotating machine based on real-time vibration signal using machine learning

Publications (1)

Publication Number Publication Date
KR102500883B1 true KR102500883B1 (en) 2023-02-16

Family

ID=85325951

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210188704A KR102500883B1 (en) 2021-12-27 2021-12-27 System and method for managing the integrity of rotating machine based on real-time vibration signal using machine learning

Country Status (1)

Country Link
KR (1) KR102500883B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102676859B1 (en) * 2023-06-07 2024-06-24 주식회사 크로커스 Motor management device and motor management method
KR102696597B1 (en) * 2023-12-15 2024-08-20 (주) 네오포스 Method for generating failure data by vibration cause of power plant rotating equipment

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150058928A (en) * 2013-11-21 2015-05-29 이선휘 Plant defect diagnostic system using vibration characteristics
KR20190037643A (en) * 2017-09-29 2019-04-08 한국전력공사 Apparatus for appreciating state of moving vane and method thereof
KR102067344B1 (en) * 2018-10-01 2020-01-16 주식회사 포스코아이씨티 Apparatus and Method for Detecting Abnormal Vibration Data
KR102120756B1 (en) 2017-06-23 2020-06-09 퓨처메인 주식회사 Automatic diagnosis method for rotating machinery using real-time vibration analysis
JP2020534550A (en) * 2017-09-23 2020-11-26 ナノプリサイス・エスシーアイ・コーポレイションＮａｎｏｐｒｅｃｉｓｅ Ｓｃｉ Ｃｏｒｐ． Automatic failure diagnosis / prognosis diagnosis system and method for rotating equipment
KR102321607B1 (en) * 2020-11-25 2021-11-03 국민대학교산학협력단 Rotating machine fault detecting apparatus and method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150058928A (en) * 2013-11-21 2015-05-29 이선휘 Plant defect diagnostic system using vibration characteristics
KR102120756B1 (en) 2017-06-23 2020-06-09 퓨처메인 주식회사 Automatic diagnosis method for rotating machinery using real-time vibration analysis
JP2020534550A (en) * 2017-09-23 2020-11-26 ナノプリサイス・エスシーアイ・コーポレイションＮａｎｏｐｒｅｃｉｓｅ Ｓｃｉ Ｃｏｒｐ． Automatic failure diagnosis / prognosis diagnosis system and method for rotating equipment
KR20190037643A (en) * 2017-09-29 2019-04-08 한국전력공사 Apparatus for appreciating state of moving vane and method thereof
KR102067344B1 (en) * 2018-10-01 2020-01-16 주식회사 포스코아이씨티 Apparatus and Method for Detecting Abnormal Vibration Data
KR102321607B1 (en) * 2020-11-25 2021-11-03 국민대학교산학협력단 Rotating machine fault detecting apparatus and method

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102676859B1 (en) * 2023-06-07 2024-06-24 주식회사 크로커스 Motor management device and motor management method
KR102696597B1 (en) * 2023-12-15 2024-08-20 (주) 네오포스 Method for generating failure data by vibration cause of power plant rotating equipment

Similar Documents

Publication Publication Date Title
KR102500883B1 (en) System and method for managing the integrity of rotating machine based on real-time vibration signal using machine learning
US8370109B2 (en) Machine vibration baseline synthesizer
KR102120756B1 (en) Automatic diagnosis method for rotating machinery using real-time vibration analysis
KR102097595B1 (en) Diagnosis method for wind generator
JPH02176933A (en) Method and apparatus for diagnosing machine
CN102840991A (en) Rule-based diagnostics apparatus and method for rotating machinery
KR102040179B1 (en) Method for sensing and diagnosing abnormality of manufacture equipment
KR102502740B1 (en) Vibration diagnosis method of rotating machine considering the complex conditions
CN112710345B (en) Machine monitoring method and apparatus for continuously improving predictive maintenance database
CN114186704A (en) Method and system for early warning of operation state of rotary auxiliary engine cluster of thermal power plant
Vojtko et al. Examining the effect of alignment of the rotor of the emissions exhaust fan on its operating parameters
CN106704080B (en) The diagnostic method of thrust head of water turbine power generating set looseness fault based on online data
KR102226971B1 (en) Method for fault diagnosis based on multiple variables and apparatus using the method
JP2019212195A (en) State monitoring system
CN113557420B (en) Expert knowledge-based automatic health classifier for rotary machines
JP6192414B2 (en) Rolling bearing condition monitoring device
KR102415283B1 (en) Vibration diagnosis method of rotating machine
US20220228569A1 (en) A method for computer-implemented monitoring of a component of a wind turbine
WO2019065736A1 (en) State monitoring device and state monitoring method
JP2023021514A (en) Device diagnostic system and device diagnostic method
EP4012523A1 (en) Monitoring industrial equipment with at least one rotating member
WO2017212645A1 (en) Bearing diagnosing device and bearing diagnosing method, and rotating machine and maintenance method for same
JP7557910B1 (en) Rotating equipment diagnostic equipment
JP2017161225A (en) Abnormality sign diagnosis system for wind power generation system
JP7211861B2 (en) Condition monitoring system and condition monitoring method

Legal Events

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