KR102504421B1 - 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템 - Google Patents

진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템 Download PDF

Info

Publication number
KR102504421B1
KR102504421B1 KR1020210075933A KR20210075933A KR102504421B1 KR 102504421 B1 KR102504421 B1 KR 102504421B1 KR 1020210075933 A KR1020210075933 A KR 1020210075933A KR 20210075933 A KR20210075933 A KR 20210075933A KR 102504421 B1 KR102504421 B1 KR 102504421B1
Authority
KR
South Korea
Prior art keywords
data
vibration
sample data
std
vibration data
Prior art date
Application number
KR1020210075933A
Other languages
English (en)
Other versions
KR20220166977A (ko
Inventor
김민호
김대웅
예송해
이원규
김주식
문병석
강신규
최병근
유현탁
Original Assignee
한국수력원자력 주식회사
주식회사 에이티지
경상국립대학교산학협력단
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 한국수력원자력 주식회사, 주식회사 에이티지, 경상국립대학교산학협력단 filed Critical 한국수력원자력 주식회사
Priority to KR1020210075933A priority Critical patent/KR102504421B1/ko
Priority to CN202180099247.1A priority patent/CN117480461A/zh
Priority to PCT/KR2021/016634 priority patent/WO2022260221A1/ko
Priority to EP21945288.5A priority patent/EP4354241A1/en
Publication of KR20220166977A publication Critical patent/KR20220166977A/ko
Application granted granted Critical
Publication of KR102504421B1 publication Critical patent/KR102504421B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G—PHYSICS
    • 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
    • G01H1/04—Measuring characteristics of vibrations in solids by using direct conduction to the detector of vibrations which are transverse to direction of propagation
    • G01H1/08—Amplitude
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37351—Detect vibration, ultrasound
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37434—Measuring vibration of machine or workpiece or tool
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37435—Vibration of machine
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

본 발명의 실시예에 따른 진동 측정 오류 판단 방법은, 구조물에서 발생하는 진동을 측정하여 진동 데이터를 획득하는 진동 데이터 획득 단계, 미리 설정된 오류 데이터 선정 규칙에 기초하여 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제1 판단 단계, 기계 학습 알고리즘을 이용해 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제2 판단 단계 및 상기 제1 판단 단계와 상기 제2 판단 단계에서 판단된 결과를 기반으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 최종 판단 단계를 포함한다.

Description

진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템{Vibration measurement error determination method and vibration error determination system using the same}
본 발명은 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템에 관한 것으로서, 보다 상세하게는 진동 데이터로부터 측정 오류에 대한 데이터가 포함되어 있는지 여부를 검출하는 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템에 관한 것이다.
진동이 필연적으로 발생하는 구조물은 구조물에서 발생하는 진동을 측정하여 현재의 구조물의 상태 및 가까운 장래의 구조물의 상태를 예측할 수 있다. 특히, 원자력 발전소에서는 설비관리를 위해서 이동식 진동측정기를 사용하여 설비들의 진동을 측정한다.
최근, 머신러닝을 이용해 구조물로부터 발생한 진동 데이터를 분석하여 구조물의 상태를 파악하는 기술이 개발되고 있다.
그러나 구조물의 진동을 측정하는 과정에서 발생하는 문제들로 인해 측정 오류가 포함된 진동 데이터가 수집되기도 한다. 이는 결과적으로 구조물에 대한 잘못된 분석 결과의 도출을 초래하고, 예측 진단의 신뢰성을 하락시킨다.
예를 들어, 진동 측정 과정에서 측정자의 장비 사용 미숙, 측정 장비의 관리 소홀, 외부 신호 간섭 등으로 잘못된 진동 측정 데이터가 수집될 수 있다.
도 10을 참조하면, (a) 및 (b)는 진동을 감지하는 센서에 충격이 발생한 후 잔류 응력에 의한 노이즈가 포함된 측정 데이터이고, (c)는 센서 부착 등의 문제로 충격 파형의 노이즈가 포함된 측정 데이터이며, (d)는 센서 및/또는 케이블 불량으로 인한 노이즈가 포함된 측정 데이터이다.
이렇게 진동 측정 과정에서 발생한 측정 오류 데이터가 포함된 진동 데이터는 진동 구조물의 상태 분석을 위해 특화된 머신 러닝을 이용하더라도, 진단의 신뢰성이 떨어지게 된다.
일본특허공보 특허 제5900296호
본 발명이 해결하고자 하는 과제는, 진동 데이터로부터 측정 오류에 대한 데이터가 포함되어 있는지 여부를 검출하는 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템을 제공하는 것이다.
본 발명의 과제들은 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 본 발명의 실시예에 따른 진동 측정 오류 판단 방법은, 구조물에서 발생하는 진동을 측정하여 진동 데이터를 획득하는 진동 데이터 획득 단계, 미리 설정된 오류 데이터 선정 규칙에 기초하여 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제1 판단 단계, 기계 학습 알고리즘을 이용해 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제2 판단 단계 및 상기 제1 판단 단계와 상기 제2 판단 단계에서 판단된 결과를 기반으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 최종 판단 단계를 포함한다.
상기 오류 데이터 선정 규칙은, 상기 진동 데이터에서 추출한 저주파 영역의 진폭값과 임계값의 차이를 기준으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단할 수 있다.
상기 저주파 영역은 3Hz 이하의 영역을 포함할 수 있다.
상기 임계값은 0.6 mm/s 일 수 있다.
상기 기계 학습 알고리즘은, 상기 진동 데이터로부터 복수의 샘플 데이터를 추출하고, 추출된 복수의 상기 샘플 데이터로부터 측정 오류 판별을 위한 특징 정보를 추출하고, 추출된 특징 정보를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단할 수 있다.
상기 특징 정보는 복수의 상기 샘플 데이터로부터 추출된 후보 특징 정보들로부터 주성분 분석(principal component analysis)을 통해 추출될 수 있다.
상기 기계 학습 알고리즘은, 상기 특징 정보는 상기 샘플 데이터마다 추출되며, 상기 특징 정보를 기반으로 하여 샘플 데이터들을 클러스터링하고, 클러스터링 결과를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단할 수 있다.
상기 과제를 해결하기 위한 본 발명의 실시예에 따른 진동 오류 판별 시스템은, 구조물에서 발생하는 진동을 측정하여 진동 데이터를 획득하는 데이터 획득부, 미리 설정된 오류 데이터 선정 규칙에 기초하여 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제1 판단부, 기계 학습 알고리즘을 이용해 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제2 판단부 및 상기 제1 판단 단계와 상기 제2 판단 단계에서 판단된 결과를 기반으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 최종 판단부를 포함한다.
상기 오류 데이터 선정 규칙은, 상기 진동 데이터에서 추출한 저주파 영역의 진폭값과 임계값의 차이를 기준으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단할 수 있다.
상기 저주파 영역은 3Hz 이하의 영역을 포함할 수 있다.
상기 임계값은 0.6 mm/s일 수 있다.
상기 기계 학습 알고리즘은, 상기 진동 데이터로부터 복수의 샘플 데이터를 추출하고, 추출된 복수의 상기 샘플 데이터로부터 측정 오류 판별을 위한 특징 정보를 추출하고, 추출된 특징 정보를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단할 수 있다.
상기 특징 정보는 복수의 상기 샘플 데이터로부터 추출된 후보 특징 정보들로부터 주성분 분석(principal component analysis)을 통해 추출될 수 있다.
상기 기계 학습 알고리즘은, 상기 특징 정보는 상기 샘플 데이터마다 추출되며, 상기 특징 정보를 기반으로 하여 샘플 데이터들을 클러스터링하고, 클러스터링 결과를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단할 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 실시예들에 의하면 적어도 다음과 같은 효과가 있다.
측정된 진동 데이터에 측정 오류에 대한 데이터가 포함되어 있는지 여부를 판단할 수 있다.
또한, 잘못 측정된 진동 데이터를 선별하여 예측 진단의 기초 데이터인 진동 데이터의 건전성을 향상시킬 수 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1은 본 발명의 일 실시예에 따른 진동 측정 오류 판단 방법을 설명하기 위한 순서도이다.
도 2는 도 1의 제1 판단 단계를 설명하기 위한 순서도이다.
도 3은 정상적인 진동 데이터의 일 예를 도시한 그래프이다.
도 4는 측정 오류가 포함된 진동 데이터의 일 예를 도시한 그래프이다.
도 5는 샘플 진동 데이터에 대한 전문가 판정 결과를 도시한 그래프이다.
도 6은 도 1의 제2 판단 단계를 설명하기 위한 순서도이다.
도 7 및 도 8은 샘플 진동 데이터를 제2 판단 단계에 따라 판단한 클러스터링 결과를 도시한 그래프이다.
도 9는 본 발명의 일 실시예에 따른 진동 측정 오류 판별 시스템을 도시한 블록도이다.
도 10은 측정 오류가 포함된 진동 데이터들의 예들을 도시한 그래프이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
또한, 본 명세서에서 기술하는 실시예들은 본 발명의 이상적인 예시도인 단면도 및/또는 개략도들을 참고하여 설명될 것이다. 따라서, 제조 기술 및/또는 허용 오차 등에 의해 예시도의 형태가 변형될 수 있다. 또한, 본 발명에 도시된 각 도면에 있어서 각 구성 요소들은 설명의 편의를 고려하여 다소 확대 또는 축소되어 도시된 것일 수 있다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
이하, 본 발명의 실시예에 따른 진동 측정 오류 판단 방법 및 이를 이용한 진동 측정 오류 판별 시스템을 설명하기 위한 도면들을 참고하여 본 발명에 대하여 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 진동 측정 오류 판단 방법을 설명하기 위한 순서도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 진동 측정 오류 판단 방법은, 진동 데이터 획득 단계(S10), 제1 판단 단계(S20), 제2 판단 단계(S30) 및 최종 판단 단계(S40)를 포함한다.
진동 데이터 획득 단계(S10)에서는 구조물에서 발생하는 진동을 측정하여 진동 데이터를 획득한다. 진동 데이터는 이동식 진동 측정기를 이용해 획득되거나, 진동 데이터가 저장된 데이터베이스(DB)로부터 획득될 수 있다.
구조물은 회전하며 동작하는 회전 기기를 포함하는 구조물일 수 있다. 회전 기기가 동작함에 따라 구조물에서는 진동이 발생하는데, 진동을 측정하여 구조물 및 회전 기기의 현재 상태를 진단할 수 있고, 이를 기초로 구조물 및 회전 기기에 대한 예측 진단, 즉 가까운 장래 상태를 예측하여 진단할 수 있다. 특히, 본 발명의 일 실시예에 따른 진동 측정 오류 판단 방법은 원자력 발전소에서 이용되는 다양한 설비들을 대상으로 진동 데이터를 획득하여 원자력 발전소의 설비 관리에 사용될 수 있다.
제1 판단 단계(S20)에서는 미리 설정된 오류 데이터 선정 규칙에 기초하여 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 판단할 수 있다. 이에 대한 보다 구체적인 설명은 후술한다.
제2 판단 단계(S30)에서는 제1 판단 단계(S20)의 판단 기준과는 다른 판단 기준으로 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 판단한다. 예를 들어, 제2 판단 단계(S30)에서는 기계 학습 알고리즘을 이용해 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 판단할 수 있다. 이에 대한 보다 구체적인 설명은 후술한다.
최종 판단 단계(S40)에서는 제1 판단 단계(S20)에서 판단된 결과와 제2 판단 단꼐(S30)에서 판단된 결과를 기초로 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 최종적으로 판단한다.
예를 들어, 최종 판단 단계(S40)에서는 제1 판단 단계(S20) 및 제2 판단 단계(S30)에서 모두 측정 오류가 없는 것으로 판단된 진동 데이터에 한하여 측정 오류가 없는 것으로 판단할 수 있다.
또는, 최종 판단 단계(S40)에서는 제1 판단 단계(S20) 및 제2 판단 단계(S30) 중 어느 하나의 단계에서라도 측정 오류가 없는 것으로 판단된 진동 데이터는 측정 오류가 없는 것으로 판단할 수 있다.
도 2는 도 1의 제1 판단 단계를 설명하기 위한 순서도이다.
도 2를 참조하면, 제1 판단 단계(S20)는 시간 파형 데이터 추출 단계(S21), 고속 푸리에 변환 단계(S22), 저주파 영역의 진동값 추출 단계(S23), 진동값을 임계값과 비교하는 단계(S24) 및 측정 오류 판단 단계(S25)를 포함할 수 있다.
시간 파형 데이터 추출 단계(S21)에서는, 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터로부터 시간 파형(Time Wave Form)의 진동 데이터를 추출한다. 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터가 시간 파형(Time Wave Form)의 데이터인 경우에는 시간 파형 데이터 추출 단계(S21)가 생략될 수 있다.
고속 푸리에 변환 단계(S22)에서는 시간 파형의 진동 데이터를 주파수 영역으로 변환한다. 고속 푸리에 변환 단계(S22)에서는 시간 파형의 진동 데이터를 샘플링 한 후 주파수 영역으로 변환시킬 수 있다. 시간 파형의 진동 데이터를 주파수 영역으로 변환하는 과정에는 윈도우 함수를 사용하지 않는 Rectangular Window를 사용하여 FFT(고속 푸리에 변환, Fast Fourier transform)가 사용될 수 있다.
저주파 영역의 진동값 추출 단계(S23)에서는 주파수 영역으로 변환된 진동 데이터에서 저주파 영역에 대한 진동값(진폭값)을 연산하여 추출한다.
도 3은 정상적인 진동 데이터의 일 예를 도시한 그래프이고, 도 4는 측정 오류가 포함된 진동 데이터의 일 예를 도시한 그래프이다.
도 3 및 도 4를 비교하여 참조하면, 정상적인 진동 데이터에 비해 측정 오류가 포함된 진동 데이터는 3Hz 이하의 저주파 영역에서 큰 진폭을 갖는 것을 확인할 수 있고, 저주파 대역에서 Ski-Slope 현상이 관측됨을 확인할 수 있다. 따라서, 저주파 영역의 진동값 추출 단계(S23)에서는 저주파 영역을 3Hz 이하의 주파수 영역으로 설정할 수 있다.
진동값을 임계값과 비교하는 단계(S24)에서는 저주파 영역의 진동값 추출 단계(S23)에서 추출된 저주파 영역의 진동값을 임계값과 비교한다.
본 출원인은 측정 오류를 판단하기 위한 임계값을 찾기 위해, 한빛 3발전소 5, 6 호기의 248개 설비를 대상으로 1,811 포인트에서 진동 데이터를 측정하였으며, 총 10,634개의 샘플 진동 데이터를 대상으로 전문가에 의한 측정 오류를 포함하는 진동 데이터에 대한 판별을 수행하였다.
그 결과, 전문가는 10,634개의 샘플 진동 데이터 중에서, 10,175개는 정상적인 진동 데이터로 판단하고, 231개는 측정 오류를 포함하는 진동 데이터로 판별하였으며, 228개에 대해서는 판정을 보류하였다.
도 5는 샘플 진동 데이터에 대한 전문가 판정 결과를 도시한 그래프이다.
도 5를 참조하면, 저주파 영역의 진폭이 낮은 영역(0.006 in/s 이하 영역)에 정상적인 진동 데이터가 다수 존재하고, 저주파 영역의 진폭이 0.007 ~ 0.026 in/s인 영역에서는 정상적인 진동 데이터와 측정 오류를 포함하는 진동 데이터가 중첩되고, 측정 오류를 포함하는 진동 데이터는 저주파 영역의 진폭이 0.013 in/s이상인 영역에서 출현하는 것을 확인할 수 있다.
도 5를 기초로, 진폭의 임계값을 설정하기 위해, 임계값이 각각 0.4 mm/s(= 0.0157 in/s), 0.5 mm/s(= 0.0197 in/s), 0.6 mm/s(= 0.2362 in/s), 0.7 mm/s(= 0.0276 in/s), 0.8 mm/s(= 0.0315 in/s)로 설정되는 경우, 측정 오류를 포함하는 진동 데이터를 정상적인 진동 데이터로 판단한 건수와, 반대로 정상적인 진동 데이터를 측정 오류를 포함하는 진동 데이터로 판단한 건수를 비교하였다.
기준 진폭 측정 오류 → 정상 판정 정상 → 측정 오류 판정 합계
건수 비율 건수 비율
0.8 mm/s 103 44.40% 0 0.00% 103
0.7 mm/s 82 35.34% 1 0.01% 83
0.6 mm/s 48 20.69% 10 0.10% 58
0.5 mm/s 24 10.34% 29 0.29% 53
0.4 mm/s 7 3.02% 113 1.11% 120
임계값을 0.8 mm/s로 설정하는 경우, 정상적인 진동 데이터를 측정 오류를 포함하는 데이터로 판단되지는 않았지만, 측정 오류를 포함하는 데이터를 정상적인 진동 데이터로 판단한 경우가 많았다.
반대로 임계값을 0.4 mm/s로 설정하는 경우, 측정 오류를 포함하는 데이터를 정상적인 진동 데이터로 판단하는 비율은 줄어들지만, 정상적인 진동 데이터를 측정 오류를 포함하는 데이터로 판단하는 비율이 늘어났다.
임계값에 따라 측정 오류를 포함하는 데이터를 정상적인 진동 데이터로 판단하는 비율과 정상적인 진동 데이터를 측정 오류를 포함하는 데이터로 판단하는 비율은 트레이드오프 관계에 있는 것을 확인할 수 있다.
본 실시예에서는 정상적인 진동 데이터를 측정 오류를 포함하는 데이터로 판단하는 것을 최소화하면서도 전체적인 오판정 역시 최소화하기 위해 임계값(T, 도 5 참고)을 0.6 mm/s로 설정하였다.
다만, 측정 오류 판별의 정밀성 등의 요구에 따라 측정 오류를 포함하는 진동 데이터를 선별하기 위한 저주파 진폭의 임계값은 0.4 ~ 0.8 mm/s 내에서 다르게 선택될 수 있으며, 필요에 따라 임계값은 0.4 mm/s 이하의 값으로 설정되거나, 0.8 mm/s 이상의 값으로 설정될 수 있다.
진동값을 임계값과 비교하는 단계(S24)에서는 저주파 영역의 진동값 추출 단계(S23)에서 추출된 저주파 영역의 진동값을 설정된 임계값과 비교하여, 진동값이 임계값 이하(또는 미만)인지 초과(또는 이상)인지 여부를 판단할 수 있다.
측정 오류 판단 단계(S25)에서는, 진동값을 임계값과 비교하는 단계(S24)에서 판단된 진동값과 임계값과의 차이를 기초로 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류로 인한 데이터가 포함되어 있는지 여부를 판단한다.
즉, 진동값이 임계값 이하(또는 미만)인 경우에는 정상적인 진동 데이터로 판단하고, 진동값이 임계값 초과(또는 이상)인 경우에는 측정 오류로 인한 데이터가 포함된 진동 데이터로 판단할 수 있다.
상술한 바와 같이, 제1 판단 단계(S20)에서, 오류 데이터 선정 규칙, 즉, 저주파 영역의 진동값과 임계값의 차이를 기반으로 진동 데이터에 측정 오류로 인한 데이터가 포함되어 있는지 여부를 판단하는 경우, 임계값에 따라 정상적인 진동 데이터를 측정 오류를 포함하는 데이터로 판단하거나 측정 오류를 포함하는 데이터를 정상적인 진동 데이터로 판단하는 경우가 존재한다.
이를 보완하기 위해, 본 실시예에 따른 진동 측정 오류 판단 방법은 제2 판단 단계(S30)를 거치게 된다.
도 6은 도 1의 제2 판단 단계를 설명하기 위한 순서도이다.
제2 판단 단계(S30)에서는 기계 학습 알고리즘을 이용해 진동 데이터에 측정 오류로 인한 데이터가 포함되어 있는지 여부를 판단할 수 있다.
이를 위해, 도 6을 참조하면, 제2 판단 단계(S30)는 시간 파형 데이터 추출 단계(S31), 샘플 데이터 추출 단계(S32), 후보 특징 정보 추출 단계(S33), 주성분 분석 단계(S34), 클러스터링 분석 단계(S35), 측정 오류 판단 단계(S36)을 포함할 수 있다.
시간 파형 데이터 추출 단계(S31)에서는, 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터로부터 시간 파형(Time Wave Form)의 진동 데이터를 추출한다. 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터가 시간 파형(Time Wave Form)의 데이터인 경우에는 시간 파형 데이터 추출 단계(S31)가 생략될 수 있다.
샘플 데이터 추출 단계(S32)에서는 시간 파형의 진동 데이터로부터 적어도 하나의 샘플 데이터를 추출할 수 있다. 추출되는 샘플 데이터의 수는 실시예에 따라 다양하게 선택될 수 있지만, 진동 데이터에서 측정 오류를 판별하는 기계 학습 알고리즘의 강건성을 확보하기 위해서는 진동 데이터로부터 다수의 샘플 데이터를 추출하는 것이 바람직하다. 다만, 샘플 데이터의 수가 많아짐에 따라 기계 학습 알고리즘의 특징 정보 추출을 위한 연산에 상당한 자원이 소요되므로, 적절한 샘플 데이터 수의 선택이 요구된다. 이러한 점을 고려할 때, 샘플 데이터의 수는 수십 개, 보다 바람직하게는 20개 정도가 적절하다. 샘플 데이터의 추출 기준은 실시예에 따라 다양하게 설정될 수 있다.
후보 특징 정보 추출 단계(S33)에서는 샘플 데이터 추출 단계(S32)에서 추출된 샘플 데이터로부터 후보 특징 정보를 추출한다.
후보 특징 정보는, 샘플 데이터 추출 단계(S32)에서 추출된 샘플 데이터로부터 연산된 제1 통계 정보 및/또는 시간 파형 데이터 추출 단계(S31)에서 추출되거나 진동 데이터 획득 단계(S10)에서 획득된 시간 파형의 진동 데이터로부터 연산된 제2 통계 정보로부터 추출될 수 있다.
제1 통계 정보는 샘플 데이터의 RMS(Root mean square), 평균, 분산, 표준 편차를 포함할 수 있다. 샘플 데이터 추출 단계(S12)에서 추출된 샘플 데이터가 복수 개인 경우, 제1 통계 정보는 각 샘플 데이터마다의 RMS, 평균, 분산, 표준 편차를 포함할 수 있다.
제2 통계 정보는 시간 파형의 진동 데이터의 RMS, 평균, 분산, 표준 편차를 포함할 수 있다.
정상적인 진동 데이터는 주기적으로 +, -로 변화하는 양태를 보인다. 그러나 측정 오류를 포함하는 진동 데이터는 정상적인 진동 데이터와 달리 주기성이 낮은 양태를 보인다.
따라서, 데이터의 통계 정보 중 평균값은 정상적인 진동 데이터와 측정 오류를 포함하는 진동 데이터를 구분할 수 있는 하나의 지표가 될 수 있다.
또한, 데이터의 통계 정보 중 RMS 값은 데이터의 진폭과 연관된 정보를 나타내는 지표가 될 수 있다.
한편, 데이터의 분산 및 표준편차는 주기성을 갖는 정상적인 진동 데이터와 비주기성을 갖는 측정 오류를 포함하는 진동 데이터를 구별할 수 있는 지표가 될 수 있다. 특히, 하나의 진동 데이터로부터 추출된 복수의 샘플 데이터에서 측정 오류가 포함된 샘플 데이터는 다른 샘플 데이터 대비 분산 및/또는 표준 편차가 높게 나타난다. 따라서, 샘플 데이터들 사이의 분산, 표준 편차는 진동 데이터 내에 포함된 측정 오류와 관련된 데이터를 구별할 수 있는 지표가 될 수 있다. 또한, 진동 데이터와 샘플 데이터 사이의 분산 및/또는 표준 편차의 차이 역시 진동 데이터 내에 포함된 측정 오류와 관련된 데이터를 구별할 수 있는 지표가 될 수 있다.
후보 특징 정보는 측정 오류를 포함하는 진동 데이터에서 상대적으로 높게 나타나는 신호 형태의 이상 특징, 분산에 대한 반응도가 높은 특징, 결함에 의해 발생하는 신호나 주기적 성분에 대해 반응성이 낮은 특징 등을 포함할 수 있다.
이하에서는 설명의 편의를 위해, 제1 통계 정보인, 샘플 데이터의 RMS를 s_rms이라 하고, 샘플 데이터의 평균을 s_mean이라 하고, 샘플 데이터의 분산을 s_var라 하고, 샘플 데이터의 표준 편차를 s_std라 한다.
또한, 제2 통계 정보인, 진동 데이터의 RMS를 d_rms이라 하고, 진동 데이터의 평균을 d_mean이라 하고, 진동 데이터의 분산을 d_var라 하고, 진동 데이터의 표준 편차를 d_std라 한다.
본 명세서에서 제안하는 후보 특징 정보는 아래의 [표 2]와 같다.
No. Feature No. Feature
1 s_mean/s_rms 7 d_mean/s_rms
2 s_std/d_rms 8 s_std/s_rms
3 s_std/d_std 9 s_var/d_var
4 s_mean/d_var 10 s_std/s_var
5 s_mean/d_std 11 s_var/s_std
6 s_mean/d_rms 12 s_var/s_rms
[표 2]를 참조하면,
제1 후보 특징 정보는 샘플 데이터의 RMS(s_rms)에 대한 샘플 데이터의 평균(s_mean)의 비율(s_mean/s_rms)이 될 수 있다.
제2 후보 특징 정보는 진동 데이터의 RMS(d_rms)에 대한 샘플 데이터의 표준편차(s_std)의 비율(s_std/d_rms)이 될 수 있다.
제3 후보 특징 정보는 진동 데이터의 표준 편차(d_std)에 대한 샘플 데이터의 표준편차(s_std)의 비율(s_std/d_std)이 될 수 있다.
제4 후보 특징 정보는 진동 데이터의 분산(d_var)에 대한 샘플 데이터의 평균(s_mean)의 비율(s_mean/d_var)이 될 수 있다.
제5 후보 특징 정보는 진동 데이터의 표준 편차(d_std)에 대한 샘플 데이터의 평균(s_mean)의 비율(s_mean/d_std)이 될 수 있다.
제6 후보 특징 정보는 진동 데이터의 RMS(d_rms)에 대한 샘플 데이터의 평균(s_mean)의 비율(s_mean/d_rms)이 될 수 있다.
제7 후보 특징 정보는 샘플 데이터의 RMS(s_rms)에 대한 진동 데이터의 평균(d_mean)의 비율(d_mean/s_rms)이 될 수 있다.
제8 후보 특징 정보는 샘플 데이터의 RMS(s_rms)에 대한 샘플 데이터의 표준편차(s_std)의 비율(s_std/s_rms)이 될 수 있다.
제9 후보 특징 정보는 진동 데이터의 분산(d_var)에 대한 샘플 데이터의 분산(s_var)의 비율(s_var/d_var)이 될 수 있다.
제10 후보 특징 정보는 샘플 데이터의 분산(s_var)에 대한 샘플 데이터의 표준편차(s_std)의 비율(s_std/s_var)이 될 수 있다.
제11 후보 특징 정보는 샘플 데이터의 표준편차(s_std)에 대한 샘플 데이터의 분산(s_var)의 비율(s_var/s_std)이 될 수 있다.
제12 후보 특징 정보는 샘플 데이터의 RMS(s_rms)에 대한 샘플 데이터의 분산(s_var)의 비율(s_var/s_rms)이 될 수 있다.
4가지의 제1 통계 정보(s_rms, s_mean, s_var, s_std)와 4가지의 제2 통계 정보(d_rms, d_mean, d_var, d_std) 중 2가지의 정보에 대한 비율 정보는 56가지가 도출될 수 있지만, 이 중 상술한 12가지의 후보 특징 정보가 진동 데이터 내의 측정 오류에 민감하게 반응하는 특정 정보임을 확인하였다.
주성분 분석 단계(S34)에서는 12가지의 후보 특징들에 대해 주성분 분석(PCA, principal component analysis)를 통해 차원을 축소하여 특징 정보들을 추출할 수 있다. 이는 기계 학습을 이용한 효율적인 분석을 위한 것이다. 다만, 주성분 분석 단계(S34)는 실시예에 따라 생략될 수도 있다.
클러스터링 분석 단계(S35)에서는 특징 정보들을 기반으로 샘플링 데이터들을 클러스터링한다. 클러스터링은 비지도 학습의 일종으로, 레이블(lable)이 없는 데이터들 사이의 유사도을 근거로 군집성을 평가한다.
본 실시예에 따른 방법이 정상적인 진동 데이터와 측정 오류를 포함하는 진동 데이터를 구분하는 것을 목적으로 하므로, 클러스터링을 통해 판단해야 할 구조적 조건이 단순하고, 많은 데이터 내에서 소수의 측정 오류 데이터를 찾아야 하므로 정상적인 진동 데이터와 측정 오류를 포함하는 진동 데이터를 구분하는 기계 학습 방법으로는 클러스터링 기법이 적합하다.
클러스터링 기법들 중 계층적 군집(Hierarchical Clustering)은 Bottom-up 방식인 응집형(병합 계층 군집)과 Top-down 방식인 분리형(분할 계층 군집)으로 구분될 수 있다. 응집형은 각각의 데이터로부터 시작하여 유사한 데이터끼지 순차적으로 순집화하는 방식이다.
응집형 클러스터링을 본 실시예에 적용하는 경우, 각각 하나의 샘플 데이터를 갖는 N개의 군집으로 시작하여 이들에 대한 유사성 행렬을 산출하고, 이를 기초로 가장 유사한 군집의 쌍을 찾아 하나의 군집으로 병합하고 다시 유사성 행렬을 갱신하는 과정을 반복하여, 모든 샘플 데이터가 하나의 군집이 되도록 하는 방식으로 진행될 수 있다.
또한, 응집형 클러스터링의 알고리즘에는 Single linkage, Complete linkage, Centroid linkage, Average linkage, Ward's linkage 등이 존재한다.
이 중, 다른 알고리즘들이 군집 간의 거리를 근거로 군집의 병합을 수행함에 반해, Ward's linkage는 군집 내 편차를 최소화하는 방식으로 군집의 병합을 수행한다. 특히, Ward's linkage는 Single linkage에 비해 노이즈와 이상치에 대해 덜 민감한 특성을 보이며, 다른 알고리즘에 비슷한 크기의 군집끼리 클러스터링하는 경향이 존재하므로, 정상적인 진동 데이터와 측정 오류를 포함하는 진동 데이터를 구분하는 본 실시예에 보다 적합하다고 판단된다.
도 7 및 도 8은 기존의 진동 데이터를 제2 판단 단계에 따라 판단한 클러스터링 결과를 도시한 그래프이다.
도 7 및 도 8을 참조하면, 정상적인 진동 데이터(C1)과 측정 오류를 포함하는 진동 데이터(C2)가 서로 다른 군집으로 클러스터링되었음을 확인할 수 있다. 제2 판단 단계에 의해 10,634개의 샘플 진동 데이터 중에서 1,188개의 데이터가 측정 오류를 포함하는 진동 데이터(C2)로 판별되었다.
측정 오류 판단 단계(S36)에서는 클러스터링 분석 단계(S35)에서 도출된 분석 결과를 기반으로 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류로 인한 데이터가 포함되어 있는지 여부를 판단할 수 있다.
제2 판단 단계(S30)에 따른 진동 데이터에 대한 측정 오류 판단은 도 5에 도시된 바와 같이, 전문가도 정확하게 판단하기 어려운 영역이나, 제1 판단 단계(S20)에서 정확하게 판단하지 못한 정상적인 진동데이터와 측정 오류를 포함하는 진동 데이터가 혼재하는 영역에서 정확한 판단 근거를 제시하여 제1 판단 단계(S20)의 판단 오류를 보완할 수 있다.
상술한 바와 같이, 본 발명의 일 실시예에 따른 진동 측정 오류 판단 방법은 서로 다른 2가지의 판단 방법을 이용해 진동 데이터에 측정 오류로 인한 데이터가 포함되었는지 여부를 판단하고, 각 판단 방법에 따른 판단 결과를 취합하여 최종적으로 진동 데이터에 측정 오류로 인한 데이터가 포함되었는지 여부를 판단하므로, 판단의 정확성을 향상시킬 수 있다.
또한, 잘못 측정된 진동 데이터를 선별하여 예측 진단의 기초 데이터인 진동 데이터의 건전성을 향상시킬 수 있다.
이하에서는 상술한 진동 측정 오류 판단 방법을 이용하는 진동 측정 오류 판별 시스템에 대해 설명한다.
도 9는 본 발명의 일 실시예에 따른 진동 측정 오류 판별 시스템을 도시한 블록도이다.
도 9를 참조하면, 본 발명의 일 실시예에 따른 진동 측정 오류 판별 시스템은, 데이터 획득부(10), 제1 판단부(20), 제2 판단부(30), 최종 판단부(40) 및 머신 러닝 분석 데이터 베이스(50)를 포함할 수 있다.
데이터 획득부(10)는 상술한 진동 데이터 획득 단계(S10)를 수행한다. 즉, 데이터 획득부(10)는 이동식 진동 측정기로부터 진동 데이터를 획득하거나, 진동 데이터가 저장된 데이터베이스(DB)로부터 진동 데이터를 획득할 수 있다.
제1 판단부(20)는 상술한 제1 판단 단계(S20)를 수행한다. 즉, 제1 판단부(20)는 미리 설정된 오류 데이터 선정 규칙에 기초하여 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 판단할 수 있다.
제2 판단부(30)는 상술한 제2 판단 단계(S30)를 수행한다. 즉, 제2 판단부(30)는 제1 판단 단계(S20)의 판단 기준과는 다른 판단 기준으로 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 판단할 수 있다. 예를 들어, 제2 판단부(30)는 기계 학습 알고리즘을 이용해 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 판단할 수 있다.
최종 판단부(40)는 상술한 최종 판단 단계(S40)를 수행한다. 즉, 최종 판단부(40)는 제1 판단부(20)의 판단 결과와 제2 판단부(30)의 판단 결과를 취합하여 진동 데이터 획득 단계(S10)에서 획득된 진동 데이터에 측정 오류에 의한 데이터가 포함되어 있는지 여부를 최종적으로 판단한다.
최종 판단부(40)는 제1 판단부(20)와 제2 판단부(30)가 모두 측정 오류가 없는 것으로 판단한 진동 데이터에 한하여 측정 오류가 없는 것으로 판단할 수 있다. 또는 최종 판단부(40)는 제1 판단부(20)와 제2 판단부(30) 중 어느 하나가 모두 측정 오류가 없는 것으로 판단한 진동 데이터에 한하여 측정 오류가 없는 것으로 판단할 수 있다.
최종 판단부(40)는 측정 오류가 있는 것으로 판단된 진동 데이터에 대해서는 측정 오류가 존재한다는 알림을 사용자에게 제공할 수 있다.
본 실시예에서는 제1 판단부(20), 제2 판단부(30) 및 최종 판단부(40)를 각각 별도의 구성으로 설명하였지만, 이는 제1 판단부(20), 제2 판단부(30) 및 최종 판단부(40)를 기능적으로 구분하여 설명하기 위한 것이고, 제1 판단부(20), 제2 판단부(30) 및 최종 판단부(40)은 물리적으로 하나 또는 복수의 연산 유닛으로 구성될 수 있다.
머신 러닝 분석 데이터 베이스(50)는 진동 데이터에 대한 분석을 수행하는 머신 러닝 알고리즘을 포함할 수 있다.
최종 판단부(40)는 측정 오류가 없는 것으로 판단된 진동 데이터를 머신 러닝 분석 데이터 베이스(50)로 제공할 수 있고, 머신 러닝 분석 데이터 베이스(50)는 최종 판단부(40)로부터 수신한 진동 데이터를 업데이트할 수 있다.
상술한 바와 같이, 본 발명의 일 실시예에 따른 진동 측정 오류 판별 시스템은 서로 다른 2가지의 판단 방법을 이용해 진동 데이터에 측정 오류로 인한 데이터가 포함되었는지 여부를 판단하고, 각 판단 방법에 따른 판단 결과를 취합하여 최종적으로 진동 데이터에 측정 오류로 인한 데이터가 포함되었는지 여부를 판단하므로, 판단의 정확성을 향상시킬 수 있다.
또한, 잘못 측정된 진동 데이터를 선별하여 예측 진단의 기초 데이터인 진동 데이터의 건전성을 향상시킬 수 있다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 데이터 획득부
20: 제1 판단부
30: 제2 판단부
40: 최종 판단부
50: 머신 러닝 분석 데이터 베이스

Claims (14)

  1. 구조물에서 발생하는 진동을 측정하여 진동 데이터를 획득하는 진동 데이터 획득 단계;
    미리 설정된 오류 데이터 선정 규칙에 기초하여 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제1 판단 단계;
    기계 학습 알고리즘을 이용해 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제2 판단 단계; 및
    상기 제1 판단 단계와 상기 제2 판단 단계에서 판단된 결과를 기반으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 최종 판단 단계;를 포함하고,
    상기 기계 학습 알고리즘은, 상기 진동 데이터로부터 복수의 샘플 데이터를 추출하고, 상기 진동 데이터와 추출된 복수의 상기 샘플 데이터로부터 측정 오류 판별을 위한 후보 특징 정보들을 추출하고, 상기 후보 특징 정보들로부터 추출된 특징 정보를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하되,
    상기 후보 특징 정보는,
    상기 샘플 데이터의 제곱평균제곱근(s_rms)에 대한 상기 샘플 데이터의 평균(s_mean)의 비율(s_mean/s_rms),
    상기 진동 데이터의 제곱평균제곱근(d_rms)에 대한 상기 샘플 데이터의 표준편차(s_std)의 비율(s_std/d_rms),
    상기 진동 데이터의 표준편차(d_std)에 대한 상기 샘플 데이터의 표준편차(s_std)의 비율(s_std/d_std),
    상기 진동 데이터의 분산(d_var)에 대한 상기 샘플 데이터의 평균(s_mean)의 비율(s_mean/d_var),
    상기 진동 데이터의 표준 편차(d_std)에 대한 상기 샘플 데이터의 평균(s_mean)의 비율(s_mean/d_std),
    상기 진동 데이터의 제곱평균제곱근(d_rms)에 대한 상기 샘플 데이터의 평균(s_mean)의 비율(s_mean/d_rms),
    상기 샘플 데이터의 제곱평균제곱근(s_rms)에 대한 상기 진동 데이터의 평균(d_mean)의 비율(d_mean/s_rms),
    상기 샘플 데이터의 제곱평균제곱근(s_rms)에 대한 상기 샘플 데이터의 표준편차(s_std)의 비율(s_std/s_rms),
    상기 진동 데이터의 분산(d_var)에 대한 상기 샘플 데이터의 분산(s_var)의 비율(s_var/d_var),
    상기 샘플 데이터의 분산(s_var)에 대한 샘플 데이터의 표준편차(s_std)의 비율(s_std/s_var),
    상기 샘플 데이터의 표준편차(s_std)에 대한 상기 샘플 데이터의 분산(s_var)의 비율(s_var/s_std) 및
    상기 샘플 데이터의 제곱평균제곱근(s_rms)에 대한 상기 샘플 데이터의 분산(s_var)의 비율(s_var/s_rms) 중 적어도 하나인, 진동 측정 오류 판단 방법.
  2. 제1항에 있어서,
    상기 오류 데이터 선정 규칙은,
    상기 진동 데이터에서 추출한 저주파 영역의 진폭값과 임계값의 차이를 기초로 하는, 진동 측정 오류 판단 방법.
  3. 제2항에 있어서,
    상기 저주파 영역은 3Hz 이하의 영역을 포함하는, 진동 측정 오류 판단 방법.
  4. 제2항에 있어서,
    상기 임계값은 0.6 mm/s인, 진동 측정 오류 판단 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 특징 정보는 상기 후보 특징 정보들로부터 주성분 분석(principal component analysis)을 통해 추출되는, 진동 측정 오류 판단 방법.
  7. 제1항에 있어서,
    상기 기계 학습 알고리즘은,
    상기 특징 정보를 상기 샘플 데이터마다 추출하며, 상기 특징 정보를 기반으로 하여 샘플 데이터들을 클러스터링하고, 클러스터링 결과를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는, 진동 측정 오류 판단 방법.
  8. 구조물에서 발생하는 진동을 측정하여 진동 데이터를 획득하는 데이터 획득부;
    미리 설정된 오류 데이터 선정 규칙에 기초하여 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제1 판단부;
    기계 학습 알고리즘을 이용해 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 제2 판단부; 및
    상기 제1 판단 단계와 상기 제2 판단 단계에서 판단된 결과를 기반으로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는 최종 판단부;를 포함하고,
    상기 기계 학습 알고리즘은, 상기 진동 데이터로부터 복수의 샘플 데이터를 추출하고, 추출된 복수의 상기 샘플 데이터로부터 측정 오류 판별을 위한 후보 특징 정보들을 추출하고, 상기 후보 특징 정보들로부터 추출된 특징 정보를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하되,
    상기 후보 특징 정보는,
    상기 샘플 데이터의 제곱평균제곱근(s_rms)에 대한 상기 샘플 데이터의 평균(s_mean)의 비율(s_mean/s_rms),
    상기 진동 데이터의 제곱평균제곱근(d_rms)에 대한 상기 샘플 데이터의 표준편차(s_std)의 비율(s_std/d_rms),
    상기 진동 데이터의 표준편차(d_std)에 대한 상기 샘플 데이터의 표준편차(s_std)의 비율(s_std/d_std),
    상기 진동 데이터의 분산(d_var)에 대한 상기 샘플 데이터의 평균(s_mean)의 비율(s_mean/d_var),
    상기 진동 데이터의 표준 편차(d_std)에 대한 상기 샘플 데이터의 평균(s_mean)의 비율(s_mean/d_std),
    상기 진동 데이터의 제곱평균제곱근(d_rms)에 대한 상기 샘플 데이터의 평균(s_mean)의 비율(s_mean/d_rms),
    상기 샘플 데이터의 제곱평균제곱근(s_rms)에 대한 상기 진동 데이터의 평균(d_mean)의 비율(d_mean/s_rms),
    상기 샘플 데이터의 제곱평균제곱근(s_rms)에 대한 상기 샘플 데이터의 표준편차(s_std)의 비율(s_std/s_rms),
    상기 진동 데이터의 분산(d_var)에 대한 상기 샘플 데이터의 분산(s_var)의 비율(s_var/d_var),
    상기 샘플 데이터의 분산(s_var)에 대한 샘플 데이터의 표준편차(s_std)의 비율(s_std/s_var),
    상기 샘플 데이터의 표준편차(s_std)에 대한 상기 샘플 데이터의 분산(s_var)의 비율(s_var/s_std) 및
    상기 샘플 데이터의 제곱평균제곱근(s_rms)에 대한 상기 샘플 데이터의 분산(s_var)의 비율(s_var/s_rms) 중 적어도 하나인, 진동 측정 오류 판별 시스템.
  9. 제8항에 있어서,
    상기 오류 데이터 선정 규칙은,
    상기 진동 데이터에서 추출한 저주파 영역의 진폭값과 임계값의 차이를 기초로 하는, 진동 측정 오류 판별 시스템.
  10. 제9항에 있어서,
    상기 저주파 영역은 3Hz 이하의 영역을 포함하는, 진동 측정 오류 판별 시스템.
  11. 제9항에 있어서,
    상기 임계값은 0.6 mm/s인, 진동 측정 오류 판별 시스템.
  12. 삭제
  13. 제8항에 있어서,
    상기 특징 정보는 상기 후보 특징 정보들로부터 주성분 분석(principal component analysis)을 통해 추출되는, 진동 측정 오류 판별 시스템.
  14. 제8항에 있어서,
    상기 기계 학습 알고리즘은,
    상기 특징 정보를 상기 샘플 데이터마다 추출하며, 상기 특징 정보를 기반으로 하여 샘플 데이터들을 클러스터링하고, 클러스터링 결과를 기초로 상기 진동 데이터가 측정 오류에 의한 것인지 여부를 판단하는, 진동 측정 오류 판별 시스템.
KR1020210075933A 2021-06-11 2021-06-11 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템 KR102504421B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020210075933A KR102504421B1 (ko) 2021-06-11 2021-06-11 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템
CN202180099247.1A CN117480461A (zh) 2021-06-11 2021-11-15 振动测量误差确定方法以及使用该方法的振动误差辨别系统
PCT/KR2021/016634 WO2022260221A1 (ko) 2021-06-11 2021-11-15 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템
EP21945288.5A EP4354241A1 (en) 2021-06-11 2021-11-15 Vibration measurement error determination method and vibration error discernment system using same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210075933A KR102504421B1 (ko) 2021-06-11 2021-06-11 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템

Publications (2)

Publication Number Publication Date
KR20220166977A KR20220166977A (ko) 2022-12-20
KR102504421B1 true KR102504421B1 (ko) 2023-02-28

Family

ID=84425270

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210075933A KR102504421B1 (ko) 2021-06-11 2021-06-11 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템

Country Status (4)

Country Link
EP (1) EP4354241A1 (ko)
KR (1) KR102504421B1 (ko)
CN (1) CN117480461A (ko)
WO (1) WO2022260221A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5900296B2 (ja) * 2012-11-13 2016-04-06 トヨタ自動車株式会社 振動解析装置、振動解析方法、及び振動解析プログラム
KR102073810B1 (ko) * 2019-07-23 2020-03-11 한화시스템(주) 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59296B2 (ja) 1981-01-07 1984-01-06 工業技術院長 球形可撓管継手の製造方法
US5847658A (en) * 1995-08-15 1998-12-08 Omron Corporation Vibration monitor and monitoring method
KR100199105B1 (ko) * 1996-11-05 1999-06-15 이해규 학습기능을 구비한 회전체의 진동 진단장치
JP2020134479A (ja) * 2019-02-26 2020-08-31 日本電産株式会社 異常検出方法および異常検出装置
KR102144975B1 (ko) * 2019-11-08 2020-08-14 주식회사 알체라 머신 러닝 시스템 및 머신 러닝 시스템의 동작 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5900296B2 (ja) * 2012-11-13 2016-04-06 トヨタ自動車株式会社 振動解析装置、振動解析方法、及び振動解析プログラム
KR102073810B1 (ko) * 2019-07-23 2020-03-11 한화시스템(주) 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템

Also Published As

Publication number Publication date
EP4354241A1 (en) 2024-04-17
KR20220166977A (ko) 2022-12-20
CN117480461A (zh) 2024-01-30
WO2022260221A1 (ko) 2022-12-15

Similar Documents

Publication Publication Date Title
US10852357B2 (en) System and method for UPS battery monitoring and data analysis
CN109816031B (zh) 一种基于数据不均衡度量的变压器状态评估聚类分析方法
CN105956623A (zh) 一种基于模糊熵的癫痫脑电信号分类方法
CN111881594B (zh) 一种核动力设备的非平稳信号状态监测方法及系统
CN116756595A (zh) 一种导电滑环故障数据采集监测方法
CN114781467A (zh) 一种基于振动相似度的故障检测方法及装置
CN116070163B (zh) 一种室内有害气体浓度异常监测数据处理方法
CN109214522B (zh) 一种基于多属性的设备性能退化评估方法
US11331024B2 (en) Calibration method for critical point of mental fatigue based on self-organized criticality
CN110580492A (zh) 一种基于小幅波动检测的轨道电路故障前兆发现方法
CN117454283A (zh) 一种用于风电机组运行检测数据的状态评估方法
CN104902509A (zh) 基于top-k(σ)算法的异常数据检测方法
KR102504421B1 (ko) 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템
CN109299201A (zh) 基于两阶段聚类的电厂生产子系统异常监测方法及装置
CN117421616A (zh) 一种矿山竖井井筒检测系统及方法
CN117491813A (zh) 新能源汽车动力电池系统绝缘异常检测方法
CN113672658B (zh) 基于复相关系数的电力设备在线监测错误数据识别方法
KR20230104526A (ko) 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
CN115130748A (zh) 一种建筑电气系统故障诊断方法
JP2024521454A (ja) 振動測定エラー判断方法及びこれを利用する振動エラー判別システム
CN114597886A (zh) 基于区间二型模糊聚类分析的配电网运行状态评估方法
CN111881502A (zh) 一种基于模糊聚类分析的桥梁状态判别方法
CN113884969B (zh) 利用分形维数检测电能质量监测装置的误差阈值确定方法
CN113111575B (zh) 基于深度特征编码与混合高斯模型的燃机退化评估方法
CN115511106B (zh) 基于时序数据生成训练数据的方法、设备和可读存储介质

Legal Events

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