KR102535105B1 - 회전기계의 이상 여부 판단을 위한 인공 뉴럴 네트워크 학습 방법, 회전기계의 이상 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템 - Google Patents

Abstract

회전기계(예를 들어, 모터)에서 발생하는 진동을 측정한 후 이를 웨이브폼(Waveform), 푸리에 변환(Fourier Transform; FT), 축 궤도(Orbit) 형상으로 이미지화하고, 이를 딥러닝을 이용한 비지도 학습을 통하여 이미지 변화 유무를 파악하여 회전기계의 이상 여부를 판단하는 방법이 개시된다. 본 발명의 일 측면에 따르면, 회전기계의 이상 여부 판단을 위한 인공 뉴럴 네트워크 학습 방법으로서, 컴퓨팅 시스템이, 회전기계의 진동을 감지하는 3축 진동 센서에 의해 소정의 측정기간 동안 측정된 측정 데이터를 획득하는 단계, 상기 컴퓨팅 시스템이, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계 및 상기 컴퓨팅 시스템이, 생성된 상기 이미지 데이터에 기초하여, 인공 뉴럴 네트워크를 학습하는 단계를 포함하는 인공 뉴럴 네트워크 학습 방법이 제공된다.

Description

회전기계의 이상 여부 판단을 위한 인공 뉴럴 네트워크 학습 방법, 회전기계의 이상 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템{Method for training artificial neural network for anomaly detection of rotating machinery, method for detecting anomaly of rotating machinery using artificial neural network, and computing system performing the same}

본 발명은 회전기계의 이상 여부 판단을 위한 인공 뉴럴 네트워크 학습 방법, 회전기계의 이상 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템 에 관한 것이다. 보다 상세하게는 회전기계(예를 들어, 모터)에서 발생하는 진동을 측정한 후 이를 웨이브폼(Waveform), 푸리에 변환(Fourier Transform; FT), 축 궤도(Orbit) 형상으로 이미지화하고, 이를 딥러닝을 이용한 비지도 학습을 통하여 이미지 변화 유무를 파악하여 회전기계의 이상 여부를 판단하는 방법에 관한 것이다.

일반적으로 산업기계들은 구동되는 과정에서 필수적으로 기계적인 진동이 발생한다. 회전기계들의 진동을 살펴보면 회전기계의 구조에 따른 일정한 패턴을 가지고 있으며 그 패턴의 분석만으로도 회전 기계의 이상 유무 및 고장 종류 예측도 가능하다.

회전기계의 진동 분석을 이용하여, 설비의 이상 유무 및 수명을 예측하는 기술로는 진동의 크기를 단순히 분석하는 기법이 있다. 진동 크기의 단순 분석 기법은 작업자가 다년간 설비를 구동시킨 다년간의 노하우를 바탕으로 설비의 진동을 청각 또는 촉각을 통해 기준 진동과 차이가 있는 경우 이상 유무를 진단하는 전통적 기법이다. 또한, 진동의 크기를 진동 감지 센서를 통해 감지하여, 기준 진동 크기에 비해서 측정된 진동의 크기가 일정 값 이상의 차이가 나는 경우, 설비가 이상하다는 판단을 하는 기법도 있다. 그러나 이들 진동 크기의 단순 분석 기법은 모터 등의 회전 속도와 하중의 조건의 변화가 없는 경우에만 적용 가능한 문제점이 있다.

이러한 진동 크기 분석 기법 외에, 진동의 주파수를 분석하는 방법도 존재한다. 진동의 주파수 분석 방법으로는 진동 시 발생하는 측정된 주파수가 기준 주파수에 비교하여, 일정 수준 이상의 차이가 발생하는 경우, 깨짐 또는 헐거워짐 등의 현상 시 발생되는 주파수 대역의 주파수를 발생시키는 경우에는 설비의 이상을 판단하는 방법이다. 그러나 이러한 주파수 분석 방법은 설비 이상 유무를 비교적 정확하게 판정할 수 있다는 장점이 있으나 정상 동작이 가지는 주파수 대역과 동일한 주파수 대역을 가지는 설비의 이상 발생시에는 이상 유무를 분석하기 힘든 문제점이 존재한다.

위에서 설명한 종래의 방법에는 기계장치가 열화되면서 결함과 관련되어 나타나는 여러 가지 증상(예를 들어, 진동, 열, 소음 등) 중 진동 특성을 이용하여 기계의 상태를 진단하는 방법이 개시되어 있으나, 상기 종래의 방법은 진동 특성 정보를 기 설정된 기준 값과 비교하는 방식으로 결함 유형을 판단하기 때문에 만약 진동 특성 정보가 이 기준 값을 넘지 않는 결함에 대해서는 정확한 판단이 어려우며, 진동 특성이 나타나지 않는 결함에 대해서도 판단이 어려운 문제점이 있다.

본 발명이 이루고자 하는 기술적인 과제는 회전기계의 이상 여부 판단을 위한 인공 뉴럴 네트워크 학습하고, 학습된 인공 뉴럴 네트워크를 통하여 회전기계의 이상 여부를 판단하는 방법 및 시스템을 제공하는 것이다.

본 발명의 일 측면에 따르면, 회전기계의 이상 여부 판단을 위한 인공 뉴럴 네트워크 학습 방법으로서, 컴퓨팅 시스템이, 회전기계의 진동을 감지하는 3축 진동 센서에 의해 소정의 측정기간 동안 측정된 측정 데이터를 획득하는 단계-상기 측정 데이터는, 상기 3축 진동 센서에서 출력된 x축 데이터, y축 데이터 및 z축 데이터를 포함함-; 상기 컴퓨팅 시스템이, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계-여기서, 상기 측정 데이터에 상응하는 이미지 데이터는, 상기 x축 데이터에 상응하는 웨이브폼(Waveform) 이미지, 상기 y축 데이터에 상응하는 웨이브폼 이미지, 상기 z축 데이터에 상응하는 웨이브폼 이미지, 상기 x축 데이터에 상응하는 푸리에 변환(Fourier Transform) 이미지, 상기 y축 데이터에 상응하는 푸리에 변환 이미지, 상기 z축 데이터에 상응하는 푸리에 변환 이미지 및 상기 측정 데이터에 상응하는 축 궤도(Orbit) 이미지 중 적어도 일부를 포함함; 상기 컴퓨팅 시스템이, 생성된 상기 이미지 데이터에 기초하여, 인공 뉴럴 네트워크를 학습하는 단계를 포함하는 인공 뉴럴 네트워크 학습 방법이 제공된다.

일 실시예에서, 상기 컴퓨팅 시스템이, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계는, 상기 x축 데이터에 상응하는 웨이브폼 이미지를 생성하는 단계; 상기 y축 데이터에 상응하는 웨이브폼 이미지를 생성하는 단계; 및 상기 z축 데이터에 상응하는 웨이브폼 이미지를 생성하는 단계를 포함하고, 상기 컴퓨팅 시스템이, 생성된 상기 이미지 데이터에 기초하여, 상기 인공 뉴럴 네트워크를 학습하는 단계는, 상기 x축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀 값으로 구성된 제1채널, 상기 y축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀 값으로 구성된 제2채널 및 상기 z축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀 값으로 구성된 제3채널을 포함하는 학습 데이터를 상기 인공 뉴럴 네트워크의 입력 레이어에 입력하여 상기 인공 뉴럴 네트워크를 학습하는 단계를 포함할 수 있다.

일 실시예에서, 상기 컴퓨팅 시스템이, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계는, 상기 x축 데이터에 상응하는 푸리에 변환 이미지를 생성하는 단계; 상기 y축 데이터에 상응하는 푸리에 변환 이미지를 생성하는 단계; 및 상기 z축 데이터에 상응하는 푸리에 변환 이미지를 생성하는 단계를 포함하고, 상기 컴퓨팅 시스템이, 생성된 상기 이미지 데이터에 기초하여, 상기 인공 뉴럴 네트워크를 학습하는 단계는, 상기 x축 데이터에 상응하는 푸리에 변환 이미지의 각 픽셀 값으로 구성된 제1채널, 상기 y축 데이터에 상응하는 푸리에 변환 이미지의 각 픽셀 값으로 구성된 제2채널 및 상기 z축 데이터에 상응하는 푸리에 변환 이미지의 각 픽셀 값으로 구성된 제3채널을 포함하는 학습 데이터를 상기 인공 뉴럴 네트워크의 입력 레이어에 입력하여 상기 인공 뉴럴 네트워크를 학습하는 단계를 포함할 수 있다.

일 실시예에서, 상기 컴퓨팅 시스템이, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계는, 상기 측정 데이터에 상응하는 축 궤도 이미지를 생성하는 단계를 포함하고, 상기 컴퓨팅 시스템이, 생성된 상기 이미지 데이터에 기초하여, 상기 인공 뉴럴 네트워크를 학습하는 단계는, 상기 축 궤도 이미지의 각 픽셀 값으로 구성된 채널을 포함하는 학습 데이터를 상기 인공 뉴럴 네트워크의 입력 레이어에 입력하여 상기 인공 뉴럴 네트워크를 학습하는 단계를 포함할 수 있다.

일 실시예에서, 상기 측정 데이터에 상응하는 축 궤도 이미지를 생성하는 단계는, 상기 측정 데이터 중 상기 회전기계가 1회전하는 구간에 해당하는 부분 데이터를 추출하는 단계; 상기 부분 데이터에 기초하여 상기 축 궤도 이미지를 생성하는 단계를 포함할 수 있다.

일 실시예에서, 상기 컴퓨팅 시스템이, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계는, 상기 x축 데이터에 상응하는 웨이브폼 이미지를 생성하는 단계; 상기 y축 데이터에 상응하는 웨이브폼 이미지를 생성하는 단계; 상기 z축 데이터에 상응하는 웨이브폼 이미지를 생성하는 단계; 상기 x축 데이터에 상응하는 푸리에 변환 이미지를 생성하는 단계; 상기 y축 데이터에 상응하는 푸리에 변환 이미지를 생성하는 단계; 상기 z축 데이터에 상응하는 푸리에 변환 이미지를 생성하는 단계; 및 상기 측정 데이터에 상응하는 축 궤도 이미지를 생성하는 단계를 포함하고, 상기 컴퓨팅 시스템이, 생성된 상기 이미지 데이터에 기초하여, 상기 인공 뉴럴 네트워크를 학습하는 단계는, 상기 x축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀 값으로 구성된 제1채널, 상기 y축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀 값으로 구성된 제2채널, 상기 z축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀 값으로 구성된 제3채널, 상기 x축 데이터에 상응하는 푸리에 변환 이미지의 각 픽셀 값으로 구성된 제4채널, 상기 y축 데이터에 상응하는 푸리에 변환 이미지의 각 픽셀 값으로 구성된 제5채널 및 상기 z축 데이터에 상응하는 푸리에 변환 이미지의 각 픽셀 값으로 구성된 제6채널, 및 상기 축 궤도 이미지의 각 픽셀 값으로 구성된 제7채널을 포함하는 학습 데이터를 상기 인공 뉴럴 네트워크의 입력 레이어에 입력하여 상기 인공 뉴럴 네트워크를 학습하는 단계를 포함할 수 있다.

일 실시예에서, 상기 컴퓨팅 시스템이, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계는, 상기 측정 데이터를 전처리하는 단계; 및 전처리된 상기 측정 데이터에 기초하여 상기 이미지 데이터를 생성하는 단계를 포함하되, 상기 측정 데이터를 전처리하는 단계는, 상기 x축 데이터를 구성하는 각각의 값에서 상기 x축 데이터의 평균 값을 차감하는 단계; 상기 y축 데이터를 구성하는 각각의 값에서 상기 y축 데이터의 평균 값을 차감하는 단계; 및 상기 z축 데이터를 구성하는 각각의 값에서 상기 z축 데이터의 평균 값을 차감하는 단계를 포함할 수 있다.

일 실시예에서, 상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전기계가 동작하고 있었는지 여부를 판단하는 단계를 더 포함하고, 상기 컴퓨팅 시스템이, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계는, 상기 회전기계가 상기 측정기간 동안 동작하고 있었다고 판단된 경우에, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계를 포함할 수 있다.

일 실시예에서, 상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전기계가 동작하고 있었는지 여부를 판단하는 단계는, 상기 측정 데이터의 최소 값이 소정의 임계값 이하인지 여부를 판단하는 단계를 포함할 수 있다.

일 실시예에서, 상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전기계가 동작하고 있었는지 여부를 판단하는 단계는, 상기 측정 데이터가 대칭성을 가지는지 여부를 판단하는 단계를 포함할 수 있다.

일 실시예에서, 상기 측정 데이터는, 상기 회전기계가 이상이 없는 정상 상태에서 측정된 데이터이며, 상기 인공 뉴럴 네트워크는, 어노멀리 디텍션(Anomaly Detection)을 위한 비지도 학습용 뉴럴 네트워크일 수 있다.

본 발명의 다른 일 측면에 따르면, 상술한 인공 뉴럴 네트워크 학습 방법에 의해 학습된 인공 뉴럴 네트워크를 통해 소정의 진단 대상 회전기계의 이상 여부를 판단하는 방법으로서, 컴퓨팅 시스템이, 상기 진단 대상 회전기계의 진동을 감지하는 3축 진동 센서에 의해 소정의 진단기간 동안 측정된 진단 데이터를 획득하는 단계; 컴퓨팅 시스템이, 상기 진단 대상 회전기계의 진동을 감지하는 3축 진동 센서에 의해 소정의 진단기간 동안 측정된 진단 데이터를 획득하는 단계; 상기 컴퓨팅 시스템이, 상기 진단 데이터에 상응하는 이미지 데이터를 생성하는 단계; 및 상기 컴퓨팅 시스템이, 상기 진단 데이터에 상응하는 이미지 데이터를 상기 인공 뉴럴 네트워크에 입력하고, 상기 인공 뉴럴 네트워크에서 출력되는 예측 값에 기초하여 상기 진단 대상 회전기계의 이상 여부를 판단하는 단계를 포함하는 방법이 제공된다.

본 발명의 다른 일 측면에 따르면, 데이터 처리장치에 설치되며 상술한 방법을 수행하기 위한 매체에 기록된 컴퓨터 프로그램이 제공된다.

본 발명의 다른 일 측면에 따르면, 상술한 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독 가능한 기록매체가 제공된다.

본 발명의 다른 일 측면에 따르면, 컴퓨팅 시스템으로서, 프로세서; 및 컴퓨터 프로그램을 저장하는 메모리를 포함하고, 상기 컴퓨터 프로그램은, 상기 프로세서에 의해 실행되는 경우, 상기 컴퓨팅 시스템으로 하여금 상술한 방법을 수행하도록 하는 컴퓨팅 시스템이 제공된다.

본 발명의 다른 일 측면에 따르면, 회전기계의 진동을 감지하는 3축 진동 센서에 의해 소정의 측정기간 동안 측정된 측정 데이터를 획득하는 획득모듈-상기 측정 데이터는, 상기 3축 진동 센서에서 출력된 x축 데이터, y축 데이터 및 z축 데이터를 포함함-; 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 생성모듈-여기서, 상기 측정 데이터에 상응하는 이미지 데이터는, 상기 x축 데이터에 상응하는 웨이브폼(Waveform) 이미지, 상기 y축 데이터에 상응하는 웨이브폼 이미지, 상기 z축 데이터에 상응하는 웨이브폼 이미지, 상기 x축 데이터에 상응하는 푸리에 변환(Fourier Transform) 이미지, 상기 y축 데이터에 상응하는 푸리에 변환 이미지, 상기 z축 데이터에 상응하는 푸리에 변환 이미지 및 상기 측정 데이터에 상응하는 축 궤도(Orbit) 이미지 중 적어도 일부를 포함함; 생성된 상기 이미지 데이터에 기초하여, 인공 뉴럴 네트워크를 학습하는 학습모듈을 포함하는 회전기계 진단용 뉴럴 네트워크 학습 시스템이 제공된다.

본 발명의 다른 일 측면에 따르면, 상술한 회전기계 진단용 뉴럴 네트워크 학습 시스템에 의해 학습된 인공 뉴럴 네트워크를 저장하는 저장모듈; 소정의 진단 대상 회전기계의 진동을 감지하는 3축 진동 센서에 의해 소정의 진단기간 동안 측정된 진단 데이터를 획득하는 획득모듈; 상기 진단 데이터에 상응하는 이미지 데이터를 생성하는 생성모듈; 및 상기 진단 데이터에 상응하는 이미지 데이터를 상기 인공 뉴럴 네트워크에 입력하고, 상기 인공 뉴럴 네트워크에서 출력되는 예측 값에 기초하여 상기 진단 대상 회전기계의 이상 여부를 판단하는 진단모듈을 포함하는 회전기계 진단 시스템이 제공된다.

본 발명의 기술적 사상에 의하면, 회전기계의 이상 여부 판단을 위한 인공 뉴럴 네트워크 학습하고, 학습된 인공 뉴럴 네트워크를 통하여 회전기계의 이상 여부를 판단하는 방법 및 시스템을 제공할 수 있다.

또한 회전기계가 이상(비정상) 상황에 있을 때의 데이터를 수집할 필요 없이, 정상적으로 동작하는 동안에 수집된 데이터만으로 학습하더라도 회전기계의 이상 여부 판단할 수 있는 시스템 및 방법을 제공할 수 있다.

본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 기술적 사상에 따른 인공 뉴럴 네트워크 학습 방법 및 회전기계의 이상 여부 판단 방법이 수행되는 환경을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 회전기계 진단용 뉴럴 네트워크 학습 방법을 설명하기 위한 흐름도이다.
도 3(a)는 x축 데이터에 상응하는 웨이브폼 이미지, 도 3(b)는 y축 데이터에 상응하는 웨이브폼 이미지, 도 3(c)는 z축 데이터에 상응하는 웨이브폼 이미지를 각각 도시한 도면이다.
도 4(a)는 x축 데이터에 상응하는 푸리에 변환 이미지, 도 4(b)는 y축 데이터에 상응하는 푸리에 변환 이미지, 도 4(c)는 z축 데이터에 상응하는 푸리에 변환 이미지를 각각 도시한 도면이다.
도 5(a)는 특정 기준 축을 중심으로 자세를 정렬하기 전의 축 궤도 이미지를 나타내며, 도 5(b)는 상기 기준 축을 중심으로 자세를 정렬한 축 궤도 이미지를 나타낸다.
도 6은 3축 진동 센서로부터 획득한 측정 데이터로부터 이미지 데이터를 생성하는 과정을 도시한 예이다.
도 7은 이미지 데이터로부터 학습 데이터를 생성하는 과정을 도시한 예를 도시한 흐름도이다.
도 8은 도 7의 방법에 의해 생성된 학습 데이터의 일 예를 도시하고 있다
도 9는 본 발명의 일 실시예에 따른 회전 기계 진단 방법의 일 예를 도시한 흐름도이다..
도 10은 본 발명의 일 실시예에 다른 인공 뉴럴 네트워크 학습 시스템의 개략적인 구성을 도시한 도면이며, 도 11은 발명의 일 실시예에 따른 회전기계 진단 시스템의 개략적인 구성을 도시한 도면이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 제1, 제2 등의 용어는 특별한 순서를 나타내는 것이 아니며, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 명세서에 있어서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

또한, 본 명세서에 있어서는 어느 하나의 구성요소가 다른 구성요소로 데이터를 '전송'하는 경우에는 상기 구성요소는 상기 다른 구성요소로 직접 상기 데이터를 전송할 수도 있고, 적어도 하나의 또 다른 구성요소를 통하여 상기 데이터를 상기 다른 구성요소로 전송할 수도 있는 것을 의미한다. 반대로 어느 하나의 구성요소가 다른 구성요소로 데이터를 '직접 전송'하는 경우에는 상기 구성요소에서 다른 구성요소를 통하지 않고 상기 다른 구성요소로 상기 데이터가 전송되는 것을 의미한다.

이하, 첨부된 도면들을 참조하여 본 발명의 실시예들을 중심으로 본 발명을 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.

도 1은 본 발명의 기술적 사상에 따른 인공 뉴럴 네트워크 학습 방법 및 회전기계의 이상 여부 판단 방법이 수행되는 환경을 개략적으로 도시한 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 회전기계 진단용 뉴럴 네트워크 학습 시스템(100)에 의해 수행될 수 있으며, 본 발명의 일 실시예에 따른 회전 기계의 이상 여부 판단 방법은 회전 기계 진단 시스템(200)에 의해 수행될 수 있다. 상기 회전기계 진단용 뉴럴 네트워크 학습 시스템(100)은 회전기계의 이상 유무를 판단하기 위한 인공 뉴럴 네트워크를 학습할 수 있으며, 상기 회전기계 진단 시스템(200)은 학습된 인공 뉴럴 네트워크를 이용하여 회전기계의 이상 유무를 판단할 수 있다.

상기 회전기계 진단용 뉴럴 네트워크 학습 시스템(100) 및/또는 상기 회전기계 진단 시스템(200)은 본 발명의 기술적 사상을 구현하기 위한 연산능력을 가진 데이터 처리장치인 컴퓨팅 시스템일 수 있으며, 일반적으로 네트워크를 통해 클라이언트가 접속 가능한 데이터 처리 장치인 서버뿐만 아니라 개인용 컴퓨터나 휴대 단말 등과 같은 컴퓨팅 장치를 포함할 수 있다.

상기 회전기계 진단용 뉴럴 네트워크 학습 시스템(100) 및/또는 상기 회전기계 진단 시스템(200)은 어느 하나의 물리적 장치로 구현될 수도 있으나, 필요에 따라 복수의 물리적 장치가 유기적으로 결합되어 본 발명의 기술적 사상에 따른 상기 회전기계 진단용 뉴럴 네트워크 학습 시스템(100) 및/또는 상기 회전기계 진단 시스템(200)을 구현할 수 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.

상기 회전기계 진단용 뉴럴 네트워크 학습 시스템(100)은 회전기계(10)의 진동을 감지하는 3축 진동 센서(20)에 의해 소정의 측정기간 동안 측정된 측정 데이터에 기반하여 인공 뉴럴 네트워크를 학습할 수 있다.

상기 회전기계(10)는 회전축을 중심으로 회전하는 기계 장치로서, 예를 들어 DC Motor, Brushless DC Motor, Torque Motor, Stepper Motor, Gear Motor, 보이스코일, 리니어모터 등일 수 있으며, 회전기계(10)는 회전 시 진동을 유발할 수 있다.

상기 3축 진동 센서(20)는 상기 회전기계(10)의 진동을 감지하고 상기 회전기계(10)에 대한 3차원 진동을 측정할 수 있다. 상기 3축 진동 센서(20)는 x축, y축, z축 3방향의 가속도 데이터를 출력하는 3축 가속도 센서 혹은 3축 가속도계로 구현될 수 있다. 상기 3축 진동 센서(20)는 상기 회전기계(10)에 접촉하여 설치될 수도 있으며, 상기 회전기계(10)에서 일정거리만큼 이격된 비접촉식 센서일 수도 있다.

일 실시예에서, 상기 축 진동 센서(20)의 한 축(예를 들어, z축)은 상기 회전기계(10)의 회전축과 수평을 이룰 수 있다.

상기 3축 진동 센서(20)는 무선통신모듈을 구비할 수 있으며 이를 통하여 상기 회전기계 진단용 뉴럴 네트워크 학습 시스템(100) 및 상기 회전기계 진단 시스템(200)과 무선통신을 수행할 수 있다. 상기 무선통신모듈은, 예를 들어, 3G, LTE, LTE-A, Wi-Fi, WiGig, Ultra Wide Band(UWB) 등의 원거리 무선 통신 방식 혹은 MST, Bluetooth, NFC, RFID, ZigBee, Z-Wave, IR 등의 근거리 무선 통신 방식으로 상기 회전기계 진단용 뉴럴 네트워크 학습 시스템(100) 및 상기 회전기계 진단 시스템(200)과 통신할 수 있다. 또는 상기 3축 진동 센서(20)는 소정의 상기 3축 진동 센서(20)와 무선통신을 수행하며, 상기 회전기계 진단용 뉴럴 네트워크 학습 시스템(100) 및 상기 회전기계 진단 시스템(200)과 유선통신을 수행하는 무선 중계장치(미도시)을 통해 상기 회전기계 진단용 뉴럴 네트워크 학습 시스템(100) 및 상기 회전기계 진단 시스템(200)과 통신을 수행할 수도 있다.

도 1은 편의상 하나의 회전기계(10) 및 하나의 3축 진동 센서(20)만을 도시하고 있으나, 상기 회전기계 진단용 뉴럴 네트워크 학습 시스템(100)은 복수의 회전 기계에 각각 대응되는 복수의 3축 진동 센서로부터 진동 데이터를 수집하여 인공 뉴럴 네트워크의 학습에 이용할 수 있다.

본 명세서에서 인공 뉴럴 네트워크는 인간의 뉴런의 동작 원리에 기초하여 인공적으로 구축한 뉴럴 네트워크로서, 다층 퍼셉트론 모델을 포함하며, 인공 뉴럴 네트워크를 정의하는 일련의 설계사항들을 표현하는 정보의 집합을 의미할 수 있다.

일 실시예에서, 상기 인공 뉴럴 네트워크는 컨볼루셔널 뉴럴 네트워크이거나 혹은 컨볼루셔널 뉴럴 네트워크를 포함할 수 있다.

일 실시예에서 상기 인공 뉴럴 네트워크는 어노멀리 디텍션(Anomaly Detection)을 위한 뉴럴 네트워크일 수 있으며, 라벨링되지 않은 데이터로 학습될 수 있는 비지도 학습용 뉴럴 네트워크일 수 있다. 상기 인공 뉴럴 네트워크를 비지도 학습용 뉴럴 네트워크로 구성하는 경우, 많은 노력과 리소스가 소모되는 학습 데이터의 라벨링 없이도 뉴럴 네트워크를 학습할 수 있다는 장점이 있다.

예를 들어, 상기 인공 뉴럴 네트워크는 생성적 적대 신경망(Generative Adversarial Network; GAN) 기반 모델일 수 있으나, 본 발명의 기술적 사상이 이에 한정되는 것은 아니다.

한편, 학습된 뉴럴 네트워크는 상기 회전기계 진단 시스템(200)에 저장될 수 있으며, 상기 회전기계 진단 시스템(200) 학습된 인공 뉴럴 네트워크를 이용하여 소정의 진단 대상 회전기계(예를 들어, 10)의 이상 유무를 판단할 수 있다. 도 1에서는 편의상 학습 데이터를 수집하기 위한 회전기계와 진단 대상이 되는 회전기계를 동일한 것으로 도시하였으나, 실제 구현에서는 당연히 학습 데이터를 수집하기 위한 회전기계와 진단 대상이 되는 회전기계는 상이할 수 있다.

실시예에 따라, 상기 회전기계 진단용 뉴럴 네트워크 학습 시스템(100) 및 상기 회전기계 진단 시스템(200)은 서로 분리된 형태로 구현될 수도 있고 하나의 시스템으로 구현될 수도 있다. 또는 상기 회전기계 진단용 뉴럴 네트워크 학습 시스템(100) 및/또는 상기 회전기계 진단 시스템(200)은 소정의 모(母) 시스템의 서브 시스템의 형태로 구현될 수도 있다.

도 2는 본 발명의 일 실시예에 따른 회전기계 진단용 뉴럴 네트워크 학습 방법을 설명하기 위한 흐름도이다.

도 2를 참조하면, 회전기계 진단용 뉴럴 네트워크 학습 시스템(100; 이하, '학습 시스템'이라고 함)은 회전기계(10)의 진동을 감지하는 3축 진동 센서(20)에 의해 소정의 측정기간 동안 측정된 측정 데이터를 획득할 수 있다(S100). 예를 들어, 상기 학습 시스템(100)은 3축 진동 센서(20)로부터 초당 1,000회의 빈도로 1초 동안의 진동 데이터를 획득할 수 있으며, 각 진동 데이터는 x축 데이터, y축 데이터, z축 데이터를 포함할 수 있다. 즉, 각 진동 데이터는 3차원 벡터의 형태일 수 있으며, x축 데이터는 상기 3축 진동 센서(20)가 측정한 진동의 x축 방향 데이터이며, y축 데이터는 상기 3축 진동 센서(20)가 측정한 진동의 y축 방향 데이터이며, z축 데이터는 상기 3축 진동 센서(20)가 측정한 진동의 z축 방향 데이터이다.

이렇게 획득한 데이터로 상기 학습 시스템(100)은 하나의 학습 데이터를 생성하여 상기 인공 뉴럴 네트워크를 학습할 수 있는데, 이하에서는 이에 대하여 보다 상세하게 셜명하기로 한다.

계속해서 도 2를 참조하면, 상기 학습 시스템(100)은 상기 측정 데이터에 상응하는 이미지 데이터를 생성할 수 있다(S200).

상기 측정 데이터에 상응하는 이미지 데이터는, 상기 측정 데이터의 x축 데이터에 상응하는 웨이브폼(Waveform) 이미지, 상기 측정 데이터의 y축 데이터에 상응하는 웨이브폼 이미지, 상기 측정 데이터의 z축 데이터에 상응하는 웨이브폼 이미지, 상기 측정 데이터의 x축 데이터에 상응하는 푸리에 변환(Fourier Transform) 이미지, 상기 측정 데이터의 y축 데이터에 상응하는 푸리에 변환 이미지, 상기 측정 데이터의 z축 데이터에 상응하는 푸리에 변환 이미지 및 상기 측정 데이터에 상응하는 축 궤도(Orbit) 이미지 중 적어도 일부를 포함할 수 있다.

이때, 상기 측정 데이터의 x축 데이터에 상응하는 웨이브폼 이미지, 상기 측정 데이터의 y축 데이터에 상응하는 웨이브폼 이미지, 상기 측정 데이터의 z축 데이터에 상응하는 웨이브폼 이미지, 상기 측정 데이터의 x축 데이터에 상응하는 푸리에 변환 이미지, 상기 측정 데이터의 y축 데이터에 상응하는 푸리에 변환 이미지, 상기 측정 데이터의 z축 데이터에 상응하는 푸리에 변환 이미지 및 상기 측정 데이터에 상응하는 축 궤도 이미지는 모두 동일한 크기일 수 있다.

웨이브폼 이미지는 진동의 크기를 시간축으로 나타낸 파형을 이미지로 표현한 것을 의미한다. 도 3(a)는 x축 데이터에 상응하는 웨이브폼 이미지, 도 3(b)는 y축 데이터에 상응하는 웨이브폼 이미지, 도 3(c)는 z축 데이터에 상응하는 웨이브폼 이미지를 각각 도시한 도면이다.

일 실시예에서, 상기 학습 시스템(100)은 웨이브폼 이미지를 생성하기 전에 상기 측정 데이터를 전처리할 수 있다. 보다 상세하게는 상기 학습 시스템(100)은 상기 회전기계(10)가 정지상태에 있을 때에도 상기 3축 진동 센서(20)에 의해 측정되는 가속도(예를 들어, 중력 가속도)를 측정 데이터로부터 제거할 수 있다. 예를 들어 상기 학습 시스템(100)은 측정 기간 동안 측정된 모든 값의 평균을 내고 평균 값을 측정된 값에서 차감하는 방식으로 측정 데이터를 전처리할 수 있다.

푸리에 변환 이미지는 웨이브폼을 푸리에 변환한 결과를 이미지로 표현한 것이다. 푸리에 변환은 잘 알려져 있는 바와 같이, 시간 도메인의 함수(혹은 신호)를 함수를 구성하고 있는 주파수 성분으로 분해하는 작업을 의미한다. 도 4(a)는 x축 데이터에 상응하는 푸리에 변환 이미지, 도 4(b)는 y축 데이터에 상응하는 푸리에 변환 이미지, 도 4(c)는 z축 데이터에 상응하는 푸리에 변환 이미지를 각각 도시한 도면이다.

한편, 웨이브폼을 푸리에 변환할 때에 스펙트럴 리키지(Spectral Leakage) 현상이 발생할 수 있으므로 상기 학습 시스템(100)은 웨이브폼으로부터 푸리에 변환을 수행하는 과정 이전에 Windowing 함수를 사용한 전처리 과정을 더 수행할 수 있다.

축 궤도 이미지는 상기 회전기계(10)의 회전축의 궤도를 표현한 이미지이다.

축 궤도 이미지를 사용하는 실시예에서, 상기 3축 진동 센서(20)의 한 축은 상기 회전기계(10)의 회전축과 수평을 이룰 수 있는데, 이하에서는 상기 3축 진동 센서(20)의 z축과 상기 회전기계(10)의 회전축과 수평을 이룬다고 가정하고 설명하기로 한다.

상기 3축 진동 센서(20)의 z축과 상기 회전기계(10)의 회전축과 수평을 이룰 경우, 상기 학습 시스템(100)은 측정 데이터 중 x축 데이터 및 y축 데이터로 축 궤도 이미지를 생성할 수 있다.

일 실시예에서, 상기 학습 시스템(100)은 축 궤도 이미지를 생성하기 전 소정의 전처리를 수행할 수 있다.

첫째로 상기 학습 시스템(100)은 축 궤도 이미지의 중심점을 중앙으로 이동시키는 전처리를 수행할 수 있다. 보다 상세하게는 상기 학습 시스템(100)은 측정기간 동안 측정된 모든 x 값의 평균을 내고 평균 x값을 측정된 x 값에서 차감하는 한편, 측정기간 동안 측정된 모든 y 값의 평균을 내고 평균 y값을 측정된 y 값에서 차감함으로써, 축 궤도 이미지의 중심점을 중앙으로 이동시킬 수 있는데, 이를 오프셋 이동(offset shifting)이라고 한다.

둘째로 상기 학습 시스템(100)은 중심점을 이동한 이미지를 재지향(re-orienting)할 수 있다. 어느 한 이미지를 회전시킨 이미지는 회전하기 전의 이미지와 기하학적 관점에서 동일한 이미지이므로 어느 두 이미지가 기하학적 관점에서 동일한지 여부를 판단하기 위해서는 특정 기준 축을 중심으로 자세를 정렬하는 것이 필요하다. 이러한 필요성으로 인하여 상기 학습 시스템(100)은 중심점을 이동한 이미지를 재지향(re-orienting)할 수 있다.

셋째, 상기 학습 시스템(100)은 전체 축 궤도 이미지 중 상기 회전기계(10)의 회전축이 1 회전한 부분만을 추출할 수 있다. 이를 위하여, 상기 학습 시스템(100)은 웨이브폼을 푸리에 변환한 결과에서 피크 주파수를 판단한 후 전체 축 궤도 이미지 중 피크 주파수의 역수에 해당하는 기간에 해당하는 일부분을 추출함으로써 전체 축 궤도 이미지 중 상기 회전기계(10)의 회전축이 1 회전한 부분을 추출할 수 있다.

도 5(a)는 특정 기준 축을 중심으로 자세를 정렬하기 전의 축 궤도 이미지를 나타내며, 도 5(b)는 상기 기준 축을 중심으로 자세를 정렬한 축 궤도 이미지를 나타낸다.

다시 도 2를 참조하면, 상기 학습 시스템(100)은 생성된 이미지 데이터에 기초하여 학습 데이터 생성할 수 있으며(S300), 생성된 학습 데이터로 상기 인공 뉴럴 네트워크를 학습할 수 있다(S400).

바람직하게는 또는 대표적으로 상기 학습 시스템(100)은 상기 측정 데이터의 x축 데이터에 상응하는 웨이브폼(Waveform) 이미지, 상기 측정 데이터의 y축 데이터에 상응하는 웨이브폼 이미지, 상기 측정 데이터의 z축 데이터에 상응하는 웨이브폼 이미지, 상기 측정 데이터의 x축 데이터에 상응하는 푸리에 변환(Fourier Transform) 이미지, 상기 측정 데이터의 y축 데이터에 상응하는 푸리에 변환 이미지, 상기 측정 데이터의 z축 데이터에 상응하는 푸리에 변환 이미지 및 상기 측정 데이터에 상응하는 축 궤도(Orbit) 이미지 전부를 이용하여 학습 데이터를 생성할 수도 있는데, 도 6 내지 도 8은 이러한 실시예에 대하여 도시하고 있다.

도 6은 3축 진동 센서로부터 획득한 측정 데이터로부터 이미지 데이터를 생성하는 과정을 도시한 예이다. 도 6을 참조하면, 상기 학습 시스템(100)은 X축 데이터에 상응하는 웨이브폼 이미지 생성하고(S210), Y축 데이터에 상응하는 웨이브폼 이미지 생성하고(S220), Z축 데이터에 상응하는 웨이브폼 이미지 생성할 수 있으며(S230), X축 데이터에 상응하는 퓨리에 변환 이미지 생성하고(S240), Y축 데이터에 상응하는 퓨리에 변환 이미지 생성하고(S250), Z축 데이터에 상응하는 퓨리에 변환 이미지 생성할 수 있다(S260). 또한 상기 학습 시스템(100)은 축 궤도 이미지 생성할 수 있다.

한편, 상기 학습 시스템(100)은 생성된 이미지 데이터로 학습 데이터를 생성할 수 있다(S300). 보다 상세하게는 상기 학습 시스템(100)은 생성된 각각의 이미지 데이터를 서로 다른 채널로 구성하여 학습 데이터를 생성할 수 있다.

도 7은 이미지 데이터로부터 학습 데이터를 생성하는 과정을 도시한 예를 도시한 흐름도이다. 도 7을 참조하면, 상기 학습 시스템(100)은 X축 데이터에 상응하는 웨이브폼 이미지로 학습 데이터의 제1채널을 구성할 수 있으며(S310), Y축 데이터에 상응하는 웨이브폼 이미지로 학습 데이터의 제2채널을 구성할 수 있으며(S320), Z축 데이터에 상응하는 웨이브폼 이미지로 학습 데이터의 제3채널을 구성할 수 있다(S330). 또한 상기 학습 시스템(100)은 X축 데이터에 상응하는 퓨리에 변환 이미지로 학습 데이터의 제4채널을 구성할 수 있으며(S340), Y축 데이터에 상응하는 퓨리에 변환 이미지로 학습 데이터의 제5채널을 구성할 수 있으며(S350), Z축 데이터에 상응하는 퓨리에 변환 이미지로 학습 데이터의 제6채널을 구성할 수 있으며(360), 상기 축 궤도 이미지로 학습 데이터의 학습 데이터의 제7채널을 구성할 수 있다(S370).

도 8은 도 7의 방법에 의해 생성된 학습 데이터의 일 예를 도시하고 있다. 도 8을 참조하면, 학습 데이터(30)는 7개의 채널로 구성되며, 제1채널(c1)은 측정 데이터의 x축 데이터에 상응하는 웨이브폼(Waveform) 이미지의 각 픽셀로 구성되며, 제2채널(c2)은 상기 측정 데이터의 y축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀로 구성되며, 제3채널(c3)은 상기 측정 데이터의 z축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀로 구성되며, 제4채널(c4)은 상기 측정 데이터의 x축 데이터에 상응하는 푸리에 변환 이미지의 각 픽셀로 구성되며, 제5채널(c5) 은 상기 측정 데이터의 y축 데이터에 상응하는 푸리에 변환 이미지로 구성되며, 제6채널(c6)은 상기 측정 데이터의 z축 데이터에 상응하는 푸리에 변환 이미지로 구성되며, 제7채녈(c7)은 상기 측정 데이터에 상응하는 축 궤도 이미지의 각 픽셀로 구성된다. 상기 학습 시스템(100)은 이렇게 구성된 학습 데이터(30)를 인공 뉴럴 네트워크(40)에 입력하여 상기 인공 뉴럴 네트워크(40)를 학습할 수 있다(S400).

일 실시예에서, 상기 학습 시스템(100)은 앞서 도 6 내지 도 8을 참조하여 설명한 실시예와 달리, 웨이브폼 이미지만을 이용하거나 푸리에 변환 이미지만을 이용하거나 축 궤도 이미지만을 이용하여 학습 데이터를 생성할 수도 있다. 또는 다른 일 실시예에서, 상기 학습 시스템(100)은 상기 측정 데이터의 x축 데이터에 상응하는 웨이브폼 이미지, 상기 측정 데이터의 y축 데이터에 상응하는 웨이브폼 이미지, 상기 측정 데이터의 z축 데이터에 상응하는 웨이브폼 이미지, 상기 측정 데이터의 x축 데이터에 상응하는 푸리에 변환 이미지, 상기 측정 데이터의 y축 데이터에 상응하는 푸리에 변환 이미지, 상기 측정 데이터의 z축 데이터에 상응하는 푸리에 변환 이미지 및 상기 측정 데이터에 상응하는 축 궤도 이미지 중 일부만을 이용하여 학습 데이터를 생성할 수도 있다.

한편, 앞서 도 2 내지 도 8을 참조하여 설명한 것은 하나의 학습 데이터를 생성하고 이를 상기 인공 뉴럴 네트워크(40)에 입력하여 학습하는 내용에 관한 것이며, 상기 학습 시스템(100)은 상기 인공 뉴럴 네트워크(40)를 학습하기 위하여 도 2의 과정을 복수 회 반복할 수 있다. 상기 학습 시스템(100)은 오랜 기간 측정된 측정 데이터를 분할하여, 혹은 일정 주기마다 측정 데이터를 획득하여 복수 회만큼 도 2의 과정을 반복 수행할 수 있다.

상기 학습 시스템(100)은 상기 3축 진동 센서(20)로부터 측정된 데이터를 여러 종류의 이미지로 변환한 후 이를 병합하여 학습 데이터로 이용하게 된다. 따라서, 어느 한 종류의 이미지만 회전기계(10)의 오류가 관련된 특성이 두드러지게 나타날 경우에도 이를 잘 포착할 수 있게 되는 장점이 있다.

한편, 상기 학습 시스템(100)은 상기 회전기계(10)가 멈춘 상태가 아니라 동작하고 있었다고 판단된 경우 한하여, 상기 측정 데이터에 상응하는 이미지 데이터를 생성할 수 있다. 일 실시예에서, 상기 학습 시스템(100)은 상기 측정 데이터의 최소 값이 소정의 임계값 이하인 경우에 상기 회전기계(10)가 멈춘 상태라고 판단할 수 있으며, 상기 임계값을 넘는 경우에 상기 측정 데이터에 상응하는 이미지 데이터를 생성할 수 있다. 또는 상기 학습 시스템(100)은 상기 측정 데이터가 대칭성을 가지는지 여부를 판단하고 대칭성을 가지는 경우만 상기 측정 데이터에 상응하는 이미지 데이터를 생성할 수 있다. 또는 상기 학습 시스템(100)은 상기 측정 데이터의 최소 값이 소정의 임계값 이상이며 대칭성을 가지는 경우에만 상기 측정 데이터에 상응하는 이미지 데이터를 생성할 수 있다.

측정 데이터가 대칭성을 가진다고 함은 상기 측정 데이터를 측정 기간의 절반 시점을 기준으로 나눈 두 부분이 유사한 특징을 가짐을 의미할 수 있다. 두 부분이 유사한 특징을 가진다고 함은 두 부분의 대표 값(예를 들어, 평균 값 또는 중간 값)이 동일하거나 두 부분의 대표 값의 차이가 일정 값 이하임을 의미할 수 있다.

한편, 상기 측정 데이터는, 상기 회전기계(10)가 이상이 없는 정상 상태에서 측정된 데이터일 수 있다. 이를 위하여 상기 학습 시스템(100)에 의해 인공 뉴럴 네트워크가 학습되는 동안에 상기 회전기계(10)가 정상적으로 동작하는지가 체크되어야 할 필요가 있다. 이때, 상기 인공 뉴럴 네트워크(40)는 어노말리 디텍션을 위한 비지도 학습용 뉴럴 네트워크일 수 있다. 따라서, 본 실시예의 경우, 회전기계(10)가 이상(비정상) 상황에 있을 때의 데이터로 학습하지 않고, 정상적으로 동작하는 동안에 수집된 데이터만으로 학습하더라도 회전기계의 이상 여부 판단할 수 있다.

도 9는 본 발명의 일 실시예에 따른 회전 기계 진단 방법의 일 예를 도시한 흐름도이다. 도 9에 따른 회전 기계 진단 방법은 회전 기계 진단 시스템(200)에 의하여 수행될 수 있으며, 회전 기계 진단 시스템(200)는 상기 학습 시스템(100)에 의해 학습된 인공 뉴럴 네트워크(40)가 저장되어 있을 수 있다.

도 9를 참조하면, 상기 회전 기계 진단 시스템(200)은 소정의 진단 대상 회전기계의 진동을 감지하는 3축 진동 센서에 의해 소정의 진단기간 동안 측정된 진단 데이터를 획득할 수 있다(S500).

상기 회전 기계 진단 시스템(200)은 상기 진단 데이터에 상응하는 이미지 데이터를 생성할 수 있으며(S600), 상기 진단 데이터에 상응하는 이미지 데이터를 각각 다른 채널로 구성하여 상기 인공 뉴럴 네트워크(40)에 입력하고, 상기 인공 뉴럴 네트워크(40)에서 출력되는 예측 값에 기초하여 상기 진단 대상 회전기계의 이상 여부를 판단할 수 있다(S700).

상기 진단 데이터에 상응하는 이미지 데이터를 생성하는 과정 및 생성된 이미지 데이터를 각각 다른 채널로 구성하는 과정은 앞서 도 6 및 도 7을 참조하여 설명한 과정과 매우 유사하므로 별도의 설명은 생략하기로 한다.

도 10은 본 발명의 일 실시예에 다른 인공 뉴럴 네트워크 학습 시스템(100)의 개략적인 구성을 도시한 도면이며, 도 11은 발명의 일 실시예에 따른 회전기계 진단 시스템(200)의 개략적인 구성을 도시한 도면이다.

상기 인공 뉴럴 네트워크 학습 시스템(100) 및 회전기계 진단 시스템(200)은 본 발명의 기술적 사상을 구현하기 위해 필요한 하드웨어 리소스(resource) 및/또는 소프트웨어를 구비한 논리적인 구성을 의미할 수 있으며, 반드시 하나의 물리적인 구성요소를 의미하거나 하나의 장치를 의미하는 것은 아니다. 즉, 상기 인공 뉴럴 네트워크 학습 시스템(100) 및 회전기계 진단 시스템(200)은 본 발명의 기술적 사상을 구현하기 위해 구비되는 하드웨어 및/또는 소프트웨어의 논리적인 결합을 의미할 수 있으며, 필요한 경우에는 서로 이격된 장치에 설치되어 각각의 기능을 수행함으로써 본 발명의 기술적 사상을 구현하기 위한 논리적인 구성들의 집합으로 구현될 수도 있다. 또한, 상기 인공 뉴럴 네트워크 학습 시스템(100) 및 회전기계 진단 시스템(200)은 본 발명의 기술적 사상을 구현하기 위한 각각의 기능 또는 역할별로 별도로 구현되는 구성들의 집합을 의미할 수도 있다. 인공 뉴럴 네트워크 학습 시스템(100) 및 회전기계 진단 시스템(200)의 각 구성은 서로 다른 물리적 장치에 위치할 수도 있고, 동일한 물리적 장치에 위치할 수도 있다. 또한, 구현 예에 따라서는 상기 인공 뉴럴 네트워크 학습 시스템(100) 및 회전기계 진단 시스템(200)의 구성 요소 각각을 구성하는 소프트웨어 및/또는 하드웨어의 결합 역시 서로 다른 물리적 장치에 위치하고, 서로 다른 물리적 장치에 위치한 구성들이 서로 유기적으로 결합되어 각각의 상기 모듈들을 구현할 수도 있다.

또한, 본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 모듈은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스(resource)의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아님은 본 발명의 기술분야의 평균적 전문가에게는 용이하게 추론될 수 있다.

도 10을 참조하면, 상기 인공 뉴럴 네트워크 학습 시스템(100)은 저장모듈(110), 획득모듈(120), 생성모듈(130) 및 학습모듈(140)을 포함할 수 있다. 본 발명의 실시예에 따라서는, 상술한 구성요소들 중 일부 구성요소는 반드시 본 발명의 구현에 필수적으로 필요한 구성요소에 해당하지 않을 수도 있으며, 또한 실시예에 따라 상기 인공 뉴럴 네트워크 학습 시스템(100)은 이보다 더 많은 구성요소를 포함할 수도 있음은 물론이다. 예를 들어 상기 인공 뉴럴 네트워크 학습 시스템(100)은 상기 3축 진동 센서(20)와 통신하기 위한 통신모듈(미도시), 상기 인공 뉴럴 네트워크 학습 시스템(100)의 구성요소 및 리소스를 제어하기 위한 제어모듈(미도시)을 더 포함할 수 있다.

상기 저장모듈(110)은 학습될 인공 뉴럴 네트워크(40)를 저장할 수 있다.

상기 획득모듈(120)은 회전기계(예를 들어, 10)의 진동을 감지하는 3축 진동 센서(예를 들어, 20)에 의해 소정의 측정기간 동안 측정된 측정 데이터를 획득할 수 있다.

상기 생성모듈(130)은 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 할 수 있다.

상기 학습모듈(140)은 생성된 상기 이미지 데이터에 기초하여, 상기 인공 뉴럴 네트워크를 학습할 수 있다.

도 11을 참조하면, 상기 회전기계 진단 시스템(200)은 저장모듈(210), 획득모듈(220), 생성모듈(230) 및 진단모듈(240)을 포함할 수 있다. 본 발명의 실시예에 따라서는, 상술한 구성요소들 중 일부 구성요소는 반드시 본 발명의 구현에 필수적으로 필요한 구성요소에 해당하지 않을 수도 있으며, 또한 실시예에 따라 상기 회전기계 진단 시스템(200) 은 이보다 더 많은 구성요소를 포함할 수도 있음은 물론이다. 예를 들어 상기 회전기계 진단 시스템(200)은 상기 3축 진동 센서(20)와 통신하기 위한 통신모듈(미도시), 상기 회전기계 진단 시스템(200)의 구성요소 및 리소스를 제어하기 위한 제어모듈(미도시)을 더 포함할 수 있다.

상기 저장모듈(210)은 학습된 인공 뉴럴 네트워크(40)를 저장할 수 있다.

상기 획득모듈(220)은 소정의 진단 대상 회전기계(예를 들어, 10)의 진동을 감지하는 3축 진동 센서(예를 들어, 20)에 의해 소정의 진단기간 동안 측정된 진단 데이터를 획득할 수 있다.

상기 생성모듈(230)은 상기 진단 데이터에 상응하는 이미지 데이터를 생성할 수 있다.

상기 진단모듈(240)은 상기 진단 데이터에 상응하는 이미지 데이터를 상기 인공 뉴럴 네트워크(40)에 입력하고, 상기 인공 뉴럴 네트워크(40)에서 출력되는 예측 값에 기초하여 상기 진단 대상 회전기계의 이상 여부를 판단할 수 있다.

한편, 구현 예에 따라서, 상기 인공 뉴럴 네트워크 학습 시스템(100) 및 회전기계 진단 시스템(200)은 프로세서 및 상기 프로세서에 의해 실행되는 프로그램을 저장하는 메모리를 포함할 수 있다. 상기 프로세서는 싱글 코어 CPU혹은 멀티 코어 CPU를 포함할 수 있다. 메모리는 고속 랜덤 액세스 메모리를 포함할 수 있고 하나 이상의 자기 디스크 저장 장치, 플래시 메모리 장치, 또는 기타 비휘발성 고체상태 메모리 장치와 같은 비휘발성 메모리를 포함할 수도 있다. 프로세서 및 기타 구성 요소에 의한 메모리로의 액세스는 메모리 컨트롤러에 의해 제어될 수 있다.

한편, 본 발명의 실시예에 따른 방법은 컴퓨터가 읽을 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 읽을 수 있는 기록 매체에 저장될 수 있으며, 본 발명의 실시예에 따른 제어 프로그램 및 대상 프로그램도 컴퓨터로 판독 가능한 기록 매체에 저장될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.

기록 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다.

컴퓨터로 읽을 수 있는 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어, 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타나며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (17)

1. 회전기계의 이상 여부 판단을 위한 인공 뉴럴 네트워크 학습 방법으로서,
   컴퓨팅 시스템이, 회전기계의 진동을 감지하는 3축 진동 센서에 의해 소정의 측정기간 동안 측정된 측정 데이터를 획득하는 단계-상기 측정 데이터는, 상기 3축 진동 센서에서 출력된 x축 데이터, y축 데이터 및 z축 데이터를 포함함-;
   상기 컴퓨팅 시스템이, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계;
   상기 컴퓨팅 시스템이, 생성된 상기 이미지 데이터에 기초하여, 인공 뉴럴 네트워크를 학습하는 단계를 포함하되,
   상기 컴퓨팅 시스템이, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계는,
   상기 x축 데이터에 상응하는 웨이브폼 이미지를 생성하는 단계;
   상기 y축 데이터에 상응하는 웨이브폼 이미지를 생성하는 단계;
   상기 z축 데이터에 상응하는 웨이브폼 이미지를 생성하는 단계;
   상기 x축 데이터에 상응하는 푸리에 변환 이미지를 생성하는 단계;
   상기 y축 데이터에 상응하는 푸리에 변환 이미지를 생성하는 단계;
   상기 z축 데이터에 상응하는 푸리에 변환 이미지를 생성하는 단계; 및
   상기 측정 데이터에 상응하는 축 궤도 이미지를 생성하는 단계를 포함하고,
   상기 컴퓨팅 시스템이, 생성된 상기 이미지 데이터에 기초하여, 상기 인공 뉴럴 네트워크를 학습하는 단계는,
   상기 x축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀 값으로 구성된 제1채널, 상기 y축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀 값으로 구성된 제2채널, 상기 z축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀 값으로 구성된 제3채널, 상기 x축 데이터에 상응하는 푸리에 변환 이미지의 각 픽셀 값으로 구성된 제4채널, 상기 y축 데이터에 상응하는 푸리에 변환 이미지의 각 픽셀 값으로 구성된 제5채널 및 상기 z축 데이터에 상응하는 푸리에 변환 이미지의 각 픽셀 값으로 구성된 제6채널, 및 상기 축 궤도 이미지의 각 픽셀 값으로 구성된 제7채널을 포함하는 학습 데이터를 상기 인공 뉴럴 네트워크의 입력 레이어에 입력하여 상기 인공 뉴럴 네트워크를 학습하는 단계를 포함하는 인공 뉴럴 네트워크 학습 방법.
   
2. 삭제
3. 삭제
4. 삭제
5. 제1항에 있어서,
   상기 측정 데이터에 상응하는 축 궤도 이미지를 생성하는 단계는,
   상기 측정 데이터 중 상기 회전기계가 1회전하는 구간에 해당하는 부분 데이터를 추출하는 단계;
   상기 부분 데이터에 기초하여 상기 축 궤도 이미지를 생성하는 단계를 포함하는 인공 뉴럴 네트워크 학습 방법.
   
6. 삭제
7. 제1항에 있어서,
   상기 컴퓨팅 시스템이, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계는,
   상기 측정 데이터를 전처리하는 단계; 및
   전처리된 상기 측정 데이터에 기초하여 상기 이미지 데이터를 생성하는 단계를 포함하되,
   상기 측정 데이터를 전처리하는 단계는,
   상기 x축 데이터를 구성하는 각각의 값에서 상기 x축 데이터의 평균 값을 차감하는 단계;
   상기 y축 데이터를 구성하는 각각의 값에서 상기 y축 데이터의 평균 값을 차감하는 단계; 및
   상기 z축 데이터를 구성하는 각각의 값에서 상기 z축 데이터의 평균 값을 차감하는 단계를 포함하는 인공 뉴럴 네트워크 학습 방법.
   
8. 제1항에 있어서,
   상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전기계가 동작하고 있었는지 여부를 판단하는 단계를 더 포함하고,
   상기 컴퓨팅 시스템이, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계는,
   상기 회전기계가 상기 측정기간 동안 동작하고 있었다고 판단된 경우에, 상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 단계를 포함하는 인공 뉴럴 네트워크 학습 방법.
   
9. 제8항에 있어서,
   상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전기계가 동작하고 있었는지 여부를 판단하는 단계는,
   상기 측정 데이터의 최소 값이 소정의 임계값 이하인지 여부를 판단하는 단계를 포함하는 인공 뉴럴 네트워크 학습 방법.
   
10. 제8항에 있어서,
    상기 컴퓨팅 시스템이, 상기 측정 데이터에 기초하여 상기 측정기간 동안 상기 회전기계가 동작하고 있었는지 여부를 판단하는 단계는,
    상기 측정 데이터가 대칭성을 가지는지 여부를 판단하는 단계를 포함하는 인공 뉴럴 네트워크 학습 방법.
    
11. 제1항에 있어서,
    상기 측정 데이터는, 상기 회전기계가 이상이 없는 정상 상태에서 측정된 데이터이며,
    상기 인공 뉴럴 네트워크는, 어노멀리 디텍션(Anomaly Detection)을 위한 비지도 학습용 뉴럴 네트워크인 인공 뉴럴 네트워크 학습 방법.
    
12. 제1항에 기재된 인공 뉴럴 네트워크 학습 방법에 의해 학습된 인공 뉴럴 네트워크를 통해 소정의 진단 대상 회전기계의 이상 여부를 판단하는 방법으로서,
    컴퓨팅 시스템이, 상기 진단 대상 회전기계의 진동을 감지하는 3축 진동 센서에 의해 소정의 진단기간 동안 측정된 진단 데이터를 획득하는 단계;
    상기 컴퓨팅 시스템이, 상기 진단 데이터에 상응하는 이미지 데이터를 생성하는 단계; 및
    상기 컴퓨팅 시스템이, 상기 진단 데이터에 상응하는 이미지 데이터를 상기 인공 뉴럴 네트워크에 입력하고, 상기 인공 뉴럴 네트워크에서 출력되는 예측 값에 기초하여 상기 진단 대상 회전기계의 이상 여부를 판단하는 단계를 포함하는 방법.
    
13. 데이터 처리장치에 설치되며 제1항, 제5항 및 제7항 내지 제12항 중 어느 한 항에 기재된 방법을 수행하기 위한 매체에 기록된 컴퓨터 프로그램.
    
14. 제1항, 제5항 및 제7항 내지 제12항 중 어느 한 항에 기재된 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독 가능한 기록매체.
    
15. 컴퓨팅 시스템으로서,
    프로세서; 및 컴퓨터 프로그램을 저장하는 메모리를 포함하고,
    상기 컴퓨터 프로그램은, 상기 프로세서에 의해 실행되는 경우, 상기 컴퓨팅 시스템으로 하여금 제1항, 제5항 및 제7항 내지 제12항 중 어느 한 항에 기재된 방법을 수행하도록 하는 컴퓨팅 시스템.
    
16. 회전기계의 진동을 감지하는 3축 진동 센서에 의해 소정의 측정기간 동안 측정된 측정 데이터를 획득하는 획득모듈-상기 측정 데이터는, 상기 3축 진동 센서에서 출력된 x축 데이터, y축 데이터 및 z축 데이터를 포함함-;
    상기 측정 데이터에 상응하는 이미지 데이터를 생성하는 생성모듈;
    생성된 상기 이미지 데이터에 기초하여, 인공 뉴럴 네트워크를 학습하는 학습모듈을 포함하되,
    상기 생성모듈은,
    상기 x축 데이터에 상응하는 웨이브폼 이미지를 생성하고,
    상기 y축 데이터에 상응하는 웨이브폼 이미지를 생성하고,
    상기 z축 데이터에 상응하는 웨이브폼 이미지를 생성하고,
    상기 x축 데이터에 상응하는 푸리에 변환 이미지를 생성하고,
    상기 y축 데이터에 상응하는 푸리에 변환 이미지를 생성하고,
    상기 z축 데이터에 상응하는 푸리에 변환 이미지를 생성하고,
    상기 측정 데이터에 상응하는 축 궤도 이미지를 생성하고,
    상기 학습모듈은,
    상기 x축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀 값으로 구성된 제1채널, 상기 y축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀 값으로 구성된 제2채널, 상기 z축 데이터에 상응하는 웨이브폼 이미지의 각 픽셀 값으로 구성된 제3채널, 상기 x축 데이터에 상응하는 푸리에 변환 이미지의 각 픽셀 값으로 구성된 제4채널, 상기 y축 데이터에 상응하는 푸리에 변환 이미지의 각 픽셀 값으로 구성된 제5채널 및 상기 z축 데이터에 상응하는 푸리에 변환 이미지의 각 픽셀 값으로 구성된 제6채널, 및 상기 축 궤도 이미지의 각 픽셀 값으로 구성된 제7채널을 포함하는 학습 데이터를 상기 인공 뉴럴 네트워크의 입력 레이어에 입력하여 상기 인공 뉴럴 네트워크를 학습하는 회전기계 진단용 뉴럴 네트워크 학습 시스템.
    
17. 제16항에 기재된 회전기계 진단용 뉴럴 네트워크 학습 시스템에 의해 학습된 인공 뉴럴 네트워크를 저장하는 저장모듈;
    소정의 진단 대상 회전기계의 진동을 감지하는 3축 진동 센서에 의해 소정의 진단기간 동안 측정된 진단 데이터를 획득하는 획득모듈;
    상기 진단 데이터에 상응하는 이미지 데이터를 생성하는 생성모듈; 및
    상기 진단 데이터에 상응하는 이미지 데이터를 상기 인공 뉴럴 네트워크에 입력하고, 상기 인공 뉴럴 네트워크에서 출력되는 예측 값에 기초하여 상기 진단 대상 회전기계의 이상 여부를 판단하는 진단모듈을 포함하는 회전기계 진단 시스템.

Images