KR102545672B1 - 기계고장 진단 방법 및 장치 - Google Patents

기계고장 진단 방법 및 장치 Download PDF

Info

Publication number
KR102545672B1
KR102545672B1 KR1020200001687A KR20200001687A KR102545672B1 KR 102545672 B1 KR102545672 B1 KR 102545672B1 KR 1020200001687 A KR1020200001687 A KR 1020200001687A KR 20200001687 A KR20200001687 A KR 20200001687A KR 102545672 B1 KR102545672 B1 KR 102545672B1
Authority
KR
South Korea
Prior art keywords
machine
defect
diagnosis
learning data
feature vector
Prior art date
Application number
KR1020200001687A
Other languages
English (en)
Other versions
KR20210006832A (ko
Inventor
오세원
유웅식
이병복
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Publication of KR20210006832A publication Critical patent/KR20210006832A/ko
Application granted granted Critical
Publication of KR102545672B1 publication Critical patent/KR102545672B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0066Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by exciting or detecting vibration or acceleration
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01HMEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00Vibration-testing of structures; Shock-testing of structures
    • G01M7/02Vibration-testing by means of a shake table
    • G01M7/025Measuring arrangements
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Abstract

본 발명은 기계 장치의 고장 유무를 진단함에 있어 기계 작동 소음, 진동, 발열 등 다양한 유형의 측정 신호로부터 특징 추출 및 결함 유형 정의를 수행하여 학습데이터를 확보하고 이를 바탕으로 학습되는 결함분류기를 이용하여 기계의 정상 상태 또는 다수의 비정상 결함을 분류하는 방법 및 장치를 제공한다. 진단 대상이 되는 기계에서 추출되는 고유의 신호 특징 및 이에 대한 결함 유형 정보를 수시로 또는 정기적으로 갱신한 학습데이터로 재학습되는 결함분류기를 이용하여 해당 기계의 고장 진단을 상시진단할 수 있다. 본 발명에 의하면, 기계의 정상 또는 결함 상태를 상시적으로 신속히 감시 및 진단하기 위하여 다중 신호 측정 및 분석을 통해 자동 갱신되는 결함분류기를 이용하여 기계의 운용환경이 변화하는 상황에 대응하고 새로운 결함 유형 정보를 반영할 수 있다.

Description

기계고장 진단 방법 및 장치 {Method and apparatus for machine fault diagnosis}
본 발명은 기계 고장 진단에 관한 것으로, 보다 상세하게는 기계 장치의 고장 유무를 진단함에 있어 기계학습을 이용하여 기계 장치의 결함을 분류하는 방법 및 장치에 관한 것이다.
실생활 및 산업현장에서 작동 중인 기계에 고장 결함이 발생할 경우, 심각한 인명 피해 및 막대한 경제적 손실이 발생할 수 있다. 이에, 기계에서 발생하는 여러 고장을 정확하게 진단하여 기계의 비정상 결함 상태를 조기에 탐지하기 위한 고장 진단은 매우 중요한 이슈가 되어 왔다.
기계를 구성하는 수많은 부품들이 서로 연결되어 구동되는 과정에서, 예를 들어, 부품 간의 유격, 간섭, 또는 마찰 등에 의해 다양한 소음과 진동, 발열이 발생한다. 따라서 기계 작동시 발생하는 음향, 진동, 온도, 전류 등은 기계의 전반적인 상태를 대표하는 포괄적인 신호로 알려져 있다. 즉, 기계가 노후화되거나 외부 충격 또는 환경 영향 등에 의해 결함 상태에 놓이게 될 때, 상기 신호들은 기계가 정상 상태에서 나타내는 특징 패턴을 벗어나게 되므로 비정상의 결함 상태에 있는지 여부를 판단하는 데 이용된다.
정기적인 점검 주기에 따른 종래의 고장 진단 방식에서는 일정한 시간 간격(예를 들어, 매시간, 매일, 매주, 매월, 또는 매년)마다 작업자 또는 기계관리자가 직접적으로 신호 측정 및 분석 작업을 수행해야 하므로, 기계의 가동률이 일시적으로 저하될 뿐만 아니라 관리에 필요한 비용이 지속적으로 증가한다. 반면, 최근에는 원격지 및 난접근 영역에 배치된 기계에 대해서도 상시적으로 고장 진단을 수행할 수 있도록, 센서 네트워크 도입을 통한 자동화된 신호 측정을 통해 기계의 상태를 신속히 파악하여 결함 여부를 재빠르게 판단하기 위한 여러 방안들이 모색되고 있다.
특히, 측정되는 원시 신호(raw signal)로부터 잡음을 제거하고 기계 고장 진단에 유의미한 특징(feature 또는 signature)을 효과적으로 산출하기 위하여, 시간 및 주파수 차원의 통계치 분석을 비롯하여 푸리에 변환(Fourier transform) 내지 웨이블릿 변환(Wavelet transform) 등의 특징 추출 방안들이 적용되고 있다. 상기 추출된 특징은, 해당 기계의 관련 규격에 따른 한계 수치값(threshold) 또는 도메인 전문가에 의해 설정된 규칙과 비교하여 고장 여부를 판가름하는 데 활용될 수 있다. 하지만, 이러한 사전규칙 기반 특징비교 방식으로는 다양한 기계가 저마다 고유한 운용 조건에서 구동되고 있으며 기계가 운용되는 주위 환경이 시간이 지남에 따라 점차 변화하는 현실 상황에 대처하기에 부족하다는 문제점이 있다.
최근에, 여러 센서로부터 연속적으로 수집되는 음향신호 등으로부터 특징벡터를 생성하고 기계의 고장 결함 유형을 효과적으로 분류하기 위하여 기계학습, 특히, 딥러닝 등의 학습 모델에 기반하여 생성된 결함분류기(fault classifier)를 고장 진단에 활용하는 방안이 제시되고 있다. 학습모델 기반의 결함분류기를 구축하기 위해서는 무엇보다도 진단 대상이 되는 기계의 운용 환경에 적합한 학습데이터를 충분히 사전 확보해야 할 뿐만 아니라, 해당 기계의 주위 환경 요건이 달라졌을 경우에는 변화된 운용 환경에서 수집된 최근의 신호에서 추출된 특징을 기존의 분류기에 다시 반영할 필요가 있다. 예를 들어, 특정 기계의 작동 소음 신호는 주위 환경 요건에 의해, 같은 종류의 다른 기계와 다른 고유한 특징을 가질 수 있으므로, 특정 기계의 고장 진단을 위한 분류기는 재학습을 통해 지속적으로 갱신될 필요가 있다.
그러나, 이러한 종래의 학습모델 기반의 고장 진단 방안들은 제약적인 기계 운용 조건에서 사전 취득된 신호의 특징벡터 및 고정적인 결함 유형 정보 만으로 생성된 분류기를 반복 이용하고 있는 수준이다. 다른 한편, 정확한 고장 진단을 하기 위해서는 기계 주위의 여러 센서로부터 가급적 다양하고 많은 양의 신호를 측정하는 것이 바람직하지만, 현재의 기술 수준에서 음향신호 및 진동 신호를 측정하고 분석하는 데 소요되는 연산 비용 및 소요 시간이 많다는 점을 감안할 필요가 있다. 따라서, 전원 공급에 제약을 갖는 무선 센서 노드의 경우에는 신호 측정 및 전송에 소요되는 전력을 가급적 절약하여 가용 전력을 유지할 수 있도록 상시적이 아닌 주기적으로 신호 측정을 수행하도록 설정된다. 이에, 적은 수의 센서를 이용하면서도 정확하고 상시적인 진단을 수행하는 방안이 갖춰질 필요가 있다.
본 발명은 전술한, 기계 주위의 환경 변화에 대응이 곤란하고 신규 유형의 결함 진단이 불가한 문제점을 해결하기 위한 방법 및 장치를 제안한다.
상기 과제를 해결하기 위하여, 본 발명은 기계 장치의 고장 유무를 진단함에 있어 기계 작동 소음, 진동, 발열 등 다양한 유형의 측정 신호로부터 특징 추출 및 결함 유형 정의를 수행하여 학습데이터를 확보하고 이를 바탕으로 학습되는 결함분류기를 이용하여 기계의 정상 상태 또는 다수의 비정상 결함을 분류하는 방법 및 장치를 제공한다.
본 발명에 대해 구체적으로 설명한다. 본 발명에 따른 기계고장 진단 방법/장치는 크게 상시진단과 정기(또는 수시)진단으로 이루어진다. 상시진단은, 대상 기계로부터 측정된 음향신호에서 특징벡터를 생성하는 단계/수단; 사전에 학습된 결함분류기를 이용하여, 상기 생성된 특징벡터에 대해서 기계의 고장을 진단하는 단계/수단; 신규로 생성되는 특징벡터와 고장진단 결과를 학습데이터로서 저장하는 단계/수단을 포함한다. 정기진단은, 대상 기계로부터 정기적으로(수시로) 측정된 다중신호의 특징을 추출하여 해당 시점의 결함 유형을 정의하는 단계/수단; 정의된 결함 유형과, 상기 상시진단 과정 중에 저장된 특징벡터와 고장진단 결과를 추가 학습데이터로 이용하여 결함분류기를 갱신(재학습)하는 단계/수단; 이렇게 재학습된 결함분류기를 이용하여 기계의 고장 진단을 수시로 또는 정기적으로 수행하는 단계/수단을 포함한다.
이와 같이, 진단 대상이 되는 기계에서 추출되는 다양한 고유 신호 특징 및 이에 대한 결함 유형 정보를 수시로 또는 정기적으로 갱신한 학습데이터로 재학습되는 결함분류기를 이용하여 해당 기계의 고장여부를 상시진단할 수 있다.
이상에서 소개한 본 발명의 구성 및 작용은 이후에 도면과 함께 설명하는 구체적인 실시예를 통하여 더욱 명확해질 것이다.
본 발명은 베어링, 기어, 체인 등이 포함된 건설기계, 공작기계, 냉동공조기계, 승강기, 반도체 장비, 산업용 로봇 등 다양한 분야에 사용되는 기계의 상시적인 고장 진단에 응용될 수 있다. 즉, 기계의 정상 또는 결함 상태를 상시적으로 신속히 감시 및 진단하기 위하여 다중 신호 측정 및 분석을 통해 자동 갱신되는 결함분류기를 이용하여 기계의 운용환경이 변화하는 상황에 대응하고 새로운 결함 유형 정보를 반영할 수 있도록 한다.
또한, 사물 인터넷 환경에서의 기계 결함 자동 검출 및 생산 자동화 설비 상시 모니터링 서비스에 활용 가능하며, 다양한 기계의 구동 상태 진단 및 결함 탐지에 있어, 음향신호만으로 상시적인 고장 진단이 가능한 효과를 추가로 얻을 수 있다.
도 1은 발명에 따른 기계 고장 진단 방법의 개념을 요약한 설명도
도 2는 본 발명에 따른 기계 고장 진단 방법의 개략 구성도
도 3은 본 발명에 따른 기계 고장 진단 방법의 구체적인 처리 흐름도
도 4는 음향신호로부터 주파수 차원의 특징을 추출하는 과정 설명도
도 5는 도 3의 상시진단 과정에서 학습데이터 저장/관리부에 저장되는 데이터의 예시도
도 6은 도 3의 상시진단 과정에서 학습데이터 저장/관리부에 저장되는 데이터의 다른 예시도
도 7은 도 3의 정기진단 과정의 단계 400을 통해 측정된 신호의 예시도
도 8은 도 3의 정기진단 과정의 단계 600을 통해 정의된 결함 유형의 예시도
도 9는 도 3의 상시진단 과정에서 학습데이터 저장/관리부에 저장되는, 정의된 결함 유형이 포함된 데이터의 예시도
본 발명의 이점 및 특징, 그리고 이들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 기술되어 있는 실시예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 기재에 의해 정의된다.
한편, 본 명세서에서 사용된 용어는 실시예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprise)" 또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자 이외의 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
이하, 본 발명의 바람직한 실시예를 첨부 도면을 참조하여 상세히 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가급적 동일한 부호를 부여하고 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있는 경우에는 그 상세한 설명을 생략한다.
도 1은 본 발명에 따른 기계고장 진단 방법의 개념 설명도이다.
대상 기계로부터 측정된 음향신호에서 특징벡터를 생성하고(12), 사전에 학습된 결함분류기를 이용하여, 상기 생성된 특징벡터에 대해서 기계의 고장을 진단한다(14). 이 과정에서 신규로 생성되는 특징벡터와 고장진단 결과를 저장한다(16). 이러한 진단 처리를 본 발명에서 '상시진단'(10)이라 부르기로 한다.
한편, 기계로부터 정기적으로(또는 수시로) 측정된 다중신호의 특징을 추출하여 해당 시점의 결함 유형을 정의한다(18). 이렇게 정의된 결함 유형과, 상기 상시진단(10) 과정 중에 저장된(16) 특징벡터와 고장진단 결과를 추가 학습데이터로 이용하여 결함분류기를 갱신(재학습)한다(20). 이렇게 재학습된 결함분류기를 이용하여 기계의 고장 진단을 수시로 또는 정기적으로 수행한다. 이러한 진단 처리를 본 발명에서 '정기진단'(또는 수시진단)(22)이라 부르기로 한다.
상시진단(10)은 정기진단(22)에 비해서 상대적으로 짧은 시간 간격마다, 즉 더욱 빈번하게, 진단이 수행되는 것을 전제로 한다. 상시진단(10) 흐름에 관련된 기능 모듈과 정기진단(22) 흐름을 수행하는 기능 모듈을 별도의 장치로 구현하여 연동할 수도 있다. 예를 들어, 센서 네트워크의 센서 노드 또는 게이트웨이 수준의 장치에서 상시진단(10) 흐름을 처리하고, 정기진단(22) 흐름에서의 다중 신호로부터의 특징 추출 및 결함 유형 정의 기능은 PC서버 수준의 장치에서 처리되도록 구현 가능하다.
도 2는 상술한 고장진단의 개념을 바탕으로, 본 발명에 따른 기계 고장 진단 방법의 구성을 개략적으로 서술하고 있다. 여기서 먼저, 기계 결함 상태를 진단하는 결함분류기는 사전에 별도로 준비된 학습데이터에 의해 미리 학습되어 있음을 전제한다(S05).
S10은 진단 대상이 되는 기계에 설치된 센서에 의하여 음향신호를 취득하여 주파수 차원의 특징을 추출해서 특징벡터를 생성하는 단계이다. S20은 학습데이터를 이용하여 미리 학습된 결함분류기와 상기 특징벡터를 이용하여 상기 기계의 정상 상태 또는 비정상 결함 상태를 진단하는 단계이다. S30은 상기 고장 진단에 따른 기계 상태 정보를 상기의 특징벡터와 결합하여 학습데이터에 저장하는 단계이다. 마지막으로, S40은 대상 기계에서 측정된 다중 센서 신호로부터 특징을 추출하고 이를 종합한 결함 유형 정보를 생성하여 상기 학습데이터를 갱신하는 단계이다. 이 때, 결함분류기는 갱신되는 학습데이터를 이용하여 수시로(또는 정기적으로) 재학습된다(S25).
도 3은 상술한 기계 고장 진단의 개념을 구현하기 위하여 구체화된 처리 흐름을 설명하기 위한 것이다. 도 3에서 실선 화살표는 상시진단(10)의 수행 흐름을 나타내고, 점선 화살표는 정기진단(22)의 수행 흐름을 나타낸다.
먼저 상시진단(10)의 수행 흐름에 대해 설명한다.
100: 음향신호 취득
먼저, 진단 대상이 되는 기계(50)의 작동 소음을 측정하기 위해, 구동 중인 기계 주위에서 측정된 음향신호를 취득한다. 이를 위해 마이크로폰을 기계 주위에 설치하여 일정 시간의 음향신호를 수집한다. 이 때, 수집하는 음향신호의 샘플링레이트(Sampling rate)와 수집 시간은 진단 대상이 되는 기계의 기술 규격 및 운용 주기에 따라 조정될 수 있다. 즉, 전동 모터를 비롯한 회전 기계의 경우에는, 분당 회전수(RPM)를 고려하여 1회전 동안의 데이터포인트를 최소 1개 이상 확보할 수 있도록 샘플링레이트를 설정해야 한다. 예를 들어, 2000RPM으로 동작하는 전동 모터의 경우 1회전에 0.03초가 소요되므로, 만약 20kHz 샘플링레이트로 측정할 경우, 1회전당 0.03(초) × 20,000(번/초)= 총 600 개의 데이터포인트를 수집할 수 있다.
200: 음향신호 특징 추출
다음으로, 상기 측정된 음향신호로부터 주파수 차원(Frequency Dimension)의 특징을 추출한다. 이를 위해 먼저 음향신호를 푸리에 변환 또는 웨이블릿 변환을 통해 주파수 성분별 수치 값으로 변환한다. 여기서, 푸리에 변환은 시간 영역(Time Domain)에서 샘플링된 신호 값을, 주파수 영역(Frequency Domain)에서의 주파수 성분별 크기(amplitude)와 위상(phase)으로 변환한다. 또한, 웨이블릿 변환은 시간 영역의 신호 값을 주파수 영역의 저주파 성분에 관한 근사값 계수(Approximation coefficients) 및 고주파 성분에 관한 세부값 계수(Detail coefficients)로 변환한다. 다음으로, 주파수 영역으로 변환된 수치 값 중에서, 기계가 정상 동작하는 상태와 결함 상태를 비교하기 용이한 패턴을 특징으로 추출한다. 보다 구체적으로, 주파수 성분 중에서도 기계 상태를 분류하는 데 불필요하거나, 기타 잡음과 관련되는 성분에 대해서는 대역 필터(Band-pass filter)를 통해 걸러낼 수 있다. 그리고 데이터 이산화(Discretization) 또는 양자화(Quantization)을 통해서, 이웃하는 주파수 성분별 크기를 일정 구간 또는 몇 개의 지점으로 분할한 뒤 묶어서 대표적인 값(예: 평균값, 중앙값, 최대값, 최소값 등)으로 병합할 수 있다.
도 4는 시간 영역에서 수집된 음향신호로부터 푸리에 변환을 통해 주파수 차원의 특징을 추출한 결과를 보여주고 있다. 정상 기계의 음향신호를 푸리에 변환, 대역필터 적용, 이산화/양자화한 결과(a)와, 고장 기계의 음향신호를 푸리에 변환, 대역필터 적용, 이산화/양자화한 결과(b)를 비교하고 있다.
300: 특징벡터 생성
상기 추출된 특징으로부터 특징벡터를 생성한다. 특징벡터는 정상 또는 결함 상태에 관한 특징을 추출한 결과 값들을 의미하며, 상기의 주파수 성분별 대표 수치값을 벡터화시켜서 결함분류기의 입력 형태로 맞춘 값들이다. 특징벡터(310)는 한편으로는 학습데이터로서 저장되어 관리되고(700), 한편으로는 결함분류 단계(800)에 제공된다.
700: 학습데이터 저장 및 관리, 800: 결함 분류
상기 생성된 특징벡터(310)를 저장하여 기계고장 진단의 학습을 위한 학습데이터로 사용하도록 관리한다(700). 저장 및 관리되는 학습데이터(710)는 결함분류 단계(800)에서 결함분류기의 학습을 위해 사용되는 데이터로, 결함분류 단계(800)에서 결함분류기는 사전에 학습데이터(710)를 통해 학습되며 계속 학습을 진행한다.
900: 고장 진단
사전에 학습데이터(710)로 학습된 결함분류기를 이용하여 상기 단계 300에서 생성된 특징벡터(310)로부터 기계의 결함 여부를 판단하여 기계고장 진단을 수행한다. 여기서, 결함분류기에 사용되는 학습모델로 SVM(Support Vector Machine), Random Forest, 또는 Deep Neural Networks 등을 이용할 수 있다.
또한 상기 고장 진단에 사용된 특징벡터(310)와 고장 진단 결과(910)는 학습데이터에 저장된다(700). 일례로 도 5는 10초 간격으로 음향신호로부터 생성된 특징벡터(310)와 그에 대한 고장 진단 결과(910)가 학습데이터 저장/관리부(700)에 저장된 상황을 보여준다.
이상과 같이, 상기 음향신호 취득(100)에서부터 고장 진단(900)까지의 흐름은 상시적으로 수행될 수 있다(상시진단). 일례로 도 6은, 매 10초마다(Timestamp 열 참조) 상기의 상시진단(10)흐름이 연속적으로 수행된 상황을 보여준다.(특징벡터와 고장 진단 결과를 본 발명의 두 번째 실시예에 따른 300에서 생성된 특징벡터와 900에서 도출된 고장 진단 결과를 700에 저장하였음을 설명한 예시도이다.)
다음, 도 3을 다시 참조하여 정기진단(22)의 수행 흐름에 대해 설명한다.
400: 다중 신호 측정
진단 대상이 되는 기계(50)의 주위에서 여러 종류의 센서 신호를 수시로 또는 정기적으로 측정한다(400). 이 정기진단(22)은 상시진단(10)의 흐름과는 달리, 관리자에 의한 진단 요청이 있을 때, 또는 상시진단 흐름보다는 적은 빈도의 정기적인 시점에서 수행될 수 있다. 예를 들어, 상시진단 흐름에서의 고장 진단 결과, 비정상 상태로 특정 횟수 이상 분류되었을 때에 해당 기계(50)의 결함 상태를 재확인하기 위하여 수행될 수 있다. 즉, 도 6에서처럼 고장 진단 결과 비정상 상태가 2회 이상 진단 되었을 경우, 다중 신호 측정(400)이 수행될 수 있다.
여기서, 신호 측정은 하나 이상의 동종 또는 이종 센서들로부터 신호를 측정할 수 있다. 예를 들어, 단계 400에서 측정되는 음향신호는 상기 단계 100에서 음향신호 측정에 이용된 마이크로폰과 다른 별도 마이크로폰으로부터 수집될 수 있다. 일례로 도 7은, 작동 소음에 관한 음향신호, 발열에 대한 온도값, 또는 기계 진동에 대한 가속도 신호 등에 대해 하나 이상의 센서 신호를 측정하는 상황을 보여준다.
500: 신호별 특징 추출
상기 측정된 다중 신호로부터 각 신호별로 특징을 추출한다. 구체적으로, 각각의 개별 신호에 대하여 신호 데이터에서의 잡음 또는 오류를 제거한 뒤, 시간-주파수 차원 변환 및 통계적 대표치를 산출하여 개별 신호마다의 고유한 특징을 추출하도록 한다. 이 때, 진동 또는 음향신호의 특징 추출을 위해서, 음향신호 특징 추출 단계(200)에서 수행하는 주파수 차원의 특징 추출에서와 동일한 방식 또는 다른 방식의 특징 추출이 수행될 수 있다. 예를 들어, 단계 200에서는 푸리에 변환 기반의 특징 추출을 수행하고 있더라도, 이와 별도로 단계 500에서는 웨이블릿 변환 기반의 특징 추출을 수행할 수 있다.
600: 결함 유형 정의
신호별 특징에 따른 정상 패턴 이탈 여부 또는 임계값 초과 여부를 확인하여 개별 신호별 결함을 판단한 뒤, 이를 종합한 결함 유형을 정의한다. 예를 들어, 도 8에서 (a)는 음향신호 1개('음향3')와 진동 신호 2개('진동2', '진동3')에서 결함이 판단된 경우이며, 이를 종합한 결함 유형을 'S1V2T0','120', 또는 'Abnormal'로 정의하는 예시를 보여준다. 한편, 도 8의 (b)는 모든 신호가 정상으로 판단된 경우이며, 이를 종합한 결함 유형을 'S0V0T0', '000', 또는 'Normal'로 정의한 것을 예시한다.
이와 같이 정의된 결함 유형을 상기의 학습데이터 저장/관리 단계(700)로 보내어 학습데이터를 갱신한다. 구체적으로, 가장 최근의 고장 진단 결과부터 특정 횟수 또는 특정 시점까지의 특징 벡터에 대한 결함 유형을 갱신하도록 한다. 예를 들어, 도 9는 10초마다 상시진단이 이루어졌던 특징벡터 중에서 최근 1분 내의 학습데이터(도 6 참조)에 대해, 단계 600에서 정의된 결함 유형을 갱신하는 것을 보여준다. 즉, 18시 1분 10초에 다중 신호 측정을 통한 결함 유형을 'S1V2T0'으로 정의할 경우, 최근 1분(18시 0분 10초~18시 1분 10초) 이내의 특징벡터에 대한 결함 유형 정보를 갱신하도록 한다.
이후, 결함분류 단계(800)에서는 이렇게 결함 유형이 정의된 특징벡터를 학습데이터(710)로 이용하여 결함분류기가 재학습된다. 예를 들어, 결함분류기는 이전에 정상이라고 진단되었던 특징벡터에 대해서도 비정상이라고 진단할 수 있도록 또는 반대로 비정상이라고 진단되었던 특징벡터에 대해서도 정상이라고 진단할 수 있도록, 학습모델을 점진적으로 갱신하게 된다. 이때, 결함분류기가 재학습을 수행하는 시점은, 결함 유형이 정의된 특징벡터가 일정한 양만큼 추가되었을 때, 학습데이터의 기존 결함 유형과는 다른 신규 결함 유형이 추가되었을 때, 주기적인 시간 간격마다, 또는 관리자의 요청 등에 의해 결정될 수 있다.
이상, 본 발명의 바람직한 실시예를 통하여 본 발명의 구성을 상세히 설명하였으나, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 명세서에 개시된 내용과는 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호범위는 상기 상세한 설명보다는 후술한 특허청구범위에 의하여 정해지며, 특허청구의 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태는 본 발명의 기술적 범위에 포함되는 것으로 해석되어야 한다.

Claims (10)

1-1) 진단 대상이 되는 기계의 작동 중 음향신호를 취득하는 단계; 1-2) 상기 측정된 음향신호로부터 주파수 차원의 특징을 추출하는 단계; 1-3) 상기 추출된 특징으로부터 특징벡터를 생성하는 단계; 1-4) 상기 생성된 특징벡터를 기계고장 진단의 학습을 위한 학습데이터로 사용하도록 저장 및 관리하는 단계; 그리고 1-5) 상기 학습데이터로 학습된 결함분류기를 이용하여 상기 생성된 특징벡터로부터 기계고장 진단을 수행하는 단계를 포함하며, 상시 수행되는 상시진단 단계; 및
2-1) 하나 이상의 동종 또는 이종 센서들에 의해 진단 대상이 되는 기계에서 다중 센서 신호를 측정하는 단계; 2-2) 측정된 다중 센서 신호로부터 각 신호별로 특징을 추출하는 단계; 2-3) 신호별 특징으로부터 정상 패턴 이탈 여부를 확인하여 개별 신호별 결함을 판단한 뒤, 이를 종합한 결함 유형을 정의하는 단계 - 여기서 정의되는 결함 유형에는 결함이 있는 경우와 없는 경우가 모두 포함됨; 2-4) 정의된 결함 유형을 상기 상시진단 단계의 학습데이터 저장 및 관리 단계로 보내어 학습데이터를 갱신하는 단계; 2-5) 결함 유형이 정의된 특징벡터를 학습데이터로 이용하여 결함분류기를 재학습시키는 단계; 그리고 2-6) 재학습된 결함분류기를 이용하여 상기 상시진단 단계에서 생성된 특징벡터로부터 기계고장 진단을 수행하는 단계를 포함하며, 관리자에 의한 진단 요청이 있을 때 및 정기적인 시점 중 하나의 경우에 수행되는 정기진단 단계를 포함하는 기계고장 진단 방법.
제1항에 있어서, 상기 1-1) 단계에서 취득되는 음향신호의 샘플링레이트(Sampling rate)와 수집 시간은 진단 대상이 되는 기계의 기술 규격 및 운용 주기에 상응하여 조정되는 기계고장 진단 방법.
제1항에 있어서, 상기 1-2) 단계는
음향신호를 푸리에 변환 또는 웨이블릿 변환을 통해 주파수 영역별 수치 값으로 변환하고; 주파수 영역별 변환된 수치 값 중에서 기계가 정상 동작하는 상태와 결함 상태를 비교하기 위한 패턴을 특징으로 추출하고; 데이터 이산화(Discretization) 또는 양자화(Quantization)를 이용하여, 이웃하는 주파수 성분별 크기를 분할한 뒤 묶어서 평균값, 중앙값, 최대값, 및 최소값 중 적어도 하나의 값으로 병합하는 것을 포함하는 기계고장 진단 방법.
제1항에 있어서, 상기 결함분류기는 SVM(Support Vector Machine), Random Forest, 또는 Deep Neural Network 중 하나를 포함하는 기계고장 진단 방법.
삭제
제1항에 있어서, 상기 2-2) 단계는
각 개별 신호에 대하여 신호 데이터에서 잡음 또는 오류를 제거한 뒤, 시간-주파수 차원 변환 및 통계적 대표치를 산출하여 개별 신호마다의 고유한 특징을 추출하는 것을 포함하는 기계고장 진단 방법.
제1항에 있어서, 상기 2-3) 단계에서의 신호별 특징에 따른 정상 패턴 이탈 여부의 확인은
사전설정된 임계값 초과 여부를 확인하는 것을 포함하는 기계고장 진단 방법.
제1항에 있어서, 상기 2-4) 단계는
가장 최근의 고장 진단 결과부터 사전 설정된 횟수 또는 시점까지의 특징 벡터에 대한 결함 유형에 대한 학습데이터를 갱신하는 것을 포함하는 기계고장 진단 방법.
제1항에 있어서, 상기 2-5) 단계에서
결함분류기가 재학습을 수행하는 시점은, 결함 유형이 정의된 특징벡터가 일정한 양만큼 추가되었을 때, 학습데이터의 기존 결함 유형과는 다른 신규 결함 유형이 추가되었을 때, 주기적인 시간 간격마다, 그리고 관리자의 요청이 있을 때 중 하나의 경우인 기계고장 진단 방법.
상시에 기계고장 진단을 수행하는 상시진단부와, 관리자에 의한 진단 요청이 있을 때 및 정기적인 시점 중 하나의 경우에 기계고장 진단을 수행하는 정기진단부 를 포함하되,
상기 상시진단부는
진단 대상이 되는 기계의 작동 중 음향신호를 취득하는 수단; 상기 측정된 음향신호로부터 주파수 차원의 특징을 추출하는 수단; 상기 추출된 특징으로부터 특징벡터를 생성하는 수단; 상기 생성된 특징벡터를 기계고장 진단의 학습을 위한 학습데이터로 사용하도록 저장 및 관리하는 수단; 그리고 상기 학습데이터로 학습된 결함분류기를 이용하여 상기 생성된 특징벡터로부터 기계고장 진단을 수행하는 수단을 포함하고,
상기 정기진단부는
하나 이상의 동종 또는 이종 센서들에 의해 진단 대상이 되는 기계에서 다중 센서 신호를 측정하는 수단; 측정된 다중 센서 신호로부터 각 신호별로 특징을 추출하는 수단; 신호별 특징에 따른 정상 패턴 이탈 여부를 확인하여 개별 신호별 결함을 판단한 뒤, 이를 종합한 결함 유형을 정의하는 수단 - 여기서 정의되는 결함 유형에는 결함이 있는 경우와 없는 경우가 모두 포함됨; 정의된 결함 유형을 상기 상시진단부의 학습데이터 저장/관리 수단으로 보내어 학습데이터를 갱신하는 수단; 결함 유형이 정의된 특징벡터를 학습데이터로 이용하여 결함분류기가 재학습하는 수단; 그리고 재학습된 결함분류기를 이용하여 상기 상시진단부에서 생성된 특징벡터로부터 기계고장 진단을 수행하는 수단을 포함하는 기계고장 진단 장치.
KR1020200001687A 2019-07-09 2020-01-06 기계고장 진단 방법 및 장치 KR102545672B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190082707 2019-07-09
KR20190082707 2019-07-09

Publications (2)

Publication Number Publication Date
KR20210006832A KR20210006832A (ko) 2021-01-19
KR102545672B1 true KR102545672B1 (ko) 2023-06-21

Family

ID=74237270

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200001687A KR102545672B1 (ko) 2019-07-09 2020-01-06 기계고장 진단 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102545672B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113358308B (zh) * 2021-06-03 2022-10-25 哈尔滨工业大学 基于有限测点和全局模态的组合结构横向位移确定方法
CN113468210A (zh) * 2021-06-08 2021-10-01 上海交通大学 基于特征工程的机器人故障诊断方法及系统
KR20240016831A (ko) 2022-07-29 2024-02-06 한국남부발전 주식회사 스마트 안전관리 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017033471A (ja) * 2015-08-05 2017-02-09 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101249576B1 (ko) * 2010-09-13 2013-04-01 한국수력원자력 주식회사 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치
KR101808390B1 (ko) * 2015-12-30 2017-12-12 울산대학교 산학협력단 기계 고장 진단 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017033471A (ja) * 2015-08-05 2017-02-09 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法

Also Published As

Publication number Publication date
KR20210006832A (ko) 2021-01-19

Similar Documents

Publication Publication Date Title
CN110647133B (zh) 轨道交通设备状态检测维护方法及系统
KR102545672B1 (ko) 기계고장 진단 방법 및 장치
JP6378419B2 (ja) 機械診断装置および機械診断方法
CA2875071C (en) Method and system for testing operational integrity of a drilling rig
Liao Discovering prognostic features using genetic programming in remaining useful life prediction
EP3206103A1 (en) Model based system monitoring
CN105809255A (zh) 一种基于物联网的火电厂旋转机械健康管理方法及系统
CN110779716A (zh) 嵌入式机械故障智能诊断设备及诊断方法
JP2013542432A (ja) エンジン試験台用監視システム
KR102301201B1 (ko) IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법
CN111509847A (zh) 一种电网机组状态的智能检测系统及方法
CN110133500B (zh) 基于多层架构的电机在线监测与故障前兆诊断系统及方法
JP6459874B2 (ja) 異常診断システム
CN117270514B (zh) 基于工业物联网的生产过程全流程故障检测方法
KR101490471B1 (ko) 신호 계측 및 진단 시스템과 그 방법
JP6898607B2 (ja) 異常予兆検出システムおよび異常予兆検出方法
KR20230127337A (ko) 기계 장치 또는 기계 부품의 이상을 식별하기 위한방법 및 장치
CN117435908A (zh) 一种用于旋转机械的多种故障特征提取方法
US11339763B2 (en) Method for windmill farm monitoring
KR102433483B1 (ko) 진동 센서를 통한 설비 예지 보전 시스템
Davari et al. A fault detection framework based on lstm autoencoder: A case study for volvo bus data set
US20220178737A1 (en) Automated health state classifier for rotating machines based on expert knowledge
CN113516023A (zh) 设备振动异常诊断方法和系统
CN111930081A (zh) 用于监控agv状态的方法、装置、边缘设备和存储介质
CN117589444B (zh) 一种基于联邦学习的风力发电机齿轮箱故障诊断方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right