KR102580433B1 - 이상 예측을 위한 분석 대상 데이터의 특징을 검출하기 위한 장치 및 이를 위한 방법 - Google Patents

이상 예측을 위한 분석 대상 데이터의 특징을 검출하기 위한 장치 및 이를 위한 방법 Download PDF

Info

Publication number
KR102580433B1
KR102580433B1 KR1020230066259A KR20230066259A KR102580433B1 KR 102580433 B1 KR102580433 B1 KR 102580433B1 KR 1020230066259 A KR1020230066259 A KR 1020230066259A KR 20230066259 A KR20230066259 A KR 20230066259A KR 102580433 B1 KR102580433 B1 KR 102580433B1
Authority
KR
South Korea
Prior art keywords
frequency
detecting
data processing
measurement data
feature
Prior art date
Application number
KR1020230066259A
Other languages
English (en)
Inventor
박승범
김용국
Original Assignee
호서대학교 산학협력단
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 호서대학교 산학협력단 filed Critical 호서대학교 산학협력단
Priority to KR1020230066259A priority Critical patent/KR102580433B1/ko
Application granted granted Critical
Publication of KR102580433B1 publication Critical patent/KR102580433B1/ko

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C2233/00—Monitoring condition, e.g. temperature, load, vibration

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

특징을 검출하기 위한 방법은 데이터처리부가 장비에 장착된 적어도 하나의 진동 센서가 측정한 측정 데이터를 수신하는 단계와, 데이터처리부가 상기 검출된 측정 데이터의 주파수 도메인의 하나 이상의 특징 성분을 검출하는 단계와, 상기 데이터처리부가 검출된 특징 성분을 가공하여 특징벡터를 생성하는 단계와, 예측부가 예측모델을 통해 상기 특징벡터에 대한 분석을 통해 상기 장비에 대한 이상 여부를 예측하는 단계를 포함한다.

Description

이상 예측을 위한 분석 대상 데이터의 특징을 검출하기 위한 장치 및 이를 위한 방법{Apparatus for detecting features of data to be analyzed for anomaly prediction and method therefor}
본 발명은 특징 검출 기술에 관한 것으로, 보다 상세하게는 이상 예측을 위한 분석 대상 데이터의 특징을 검출하기 위한 장치 및 이를 위한 방법에 관한 것이다.
산업시스템의 상태를 실시간으로 모니터링하고 이상을 예측(Estimation)하는 PHM(Prognostics and Health Management) 기법들은 최근 딥 러닝 알고리즘(deep learning algorithm)에 의해 주도되고 있다. PHM은 얼마나 많은 양질의 데이터 세트의 특징(feature)을 수집하고 어떠한 알고리즘을 적용하는가에 따라 그 성능이 좌우된다.
한국공개특허 제2020-0101507호 (2020년08월28일 공개)
본 발명의 목적은 이상 예측을 위한 분석 대상 데이터의 특징을 검출하기 위한 장치 및 이를 위한 방법을 제공함에 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 특징을 검출하기 위한 방법은 데이터처리부가 장비에 장착된 적어도 하나의 진동 센서가 측정한 측정 데이터를 수신하는 단계와, 데이터처리부가 상기 검출된 측정 데이터의 주파수 도메인의 하나 이상의 특징 성분을 검출하는 단계와, 상기 데이터처리부가 검출된 특징 성분을 가공하여 특징벡터를 생성하는 단계와, 예측부가 예측모델을 통해 상기 특징벡터에 대한 분석을 통해 상기 장비에 대한 이상 여부를 예측하는 단계를 포함한다.
상기 특징 성분을 검출하는 단계는 상기 데이터처리부가 상기 측정 데이터를 복수의 주파수 성분으로 분해하여 주파수 도메인 신호를 도출하는 단계와, 상기 데이터처리부가 자기 회기(Auto-regression) 기법을 통해 상기 주파수 도메인 신호를 필터링하여 분석 대상 주파수 대역의 신호인 특징 주파수 신호를 검출하는 단계와, 상기 데이터처리부가 상기 특징 주파수 신호로부터 측정 데이터의 주파수 도메인의 특징 성분을 검출하는 단계를 포함한다.
상기 특징 성분을 검출하는 단계는 상기 데이터처리부가 수학식
Figure 112023057046416-pat00001
에 따라 제1 주파수 특징 성분을 검출하는 단계를 포함하며, 상기 f1은 제1 주파수 특징 성분이고, 상기 Z는 구름 요소의 수이고, 상기
Figure 112023057046416-pat00002
는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고, 상기 d는 구름 요소의 지름이고, 상기 D는 베어링의 피치의 지름이고, 상기
Figure 112023057046416-pat00003
는 베어링에 대한 구름 요소의 접촉각(contact angle)인 것을 특징으로 한다.
상기 특징 성분을 검출하는 단계는 상기 데이터처리부가 수학식
Figure 112023057046416-pat00004
에 따라 제2 주파수 특징 성분을 검출하는 단계를 포함하며, 상기 f2는 제2 주파수 특징 성분이고, 상기 Z는 구름 요소의 수이고, 상기
Figure 112023057046416-pat00005
는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고, 상기 d는 구름 요소의 지름이고, 상기 D는 베어링의 피치의 지름이고, 상기
Figure 112023057046416-pat00006
는 베어링에 대한 구름 요소의 접촉각(contact angle)인 것을 특징으로 한다.
상기 특징 성분을 검출하는 단계는 상기 데이터처리부가 수학식
Figure 112023057046416-pat00007
에 따라 제3 주파수 특징 성분을 검출하는 단계를 포함하며, 상기 f3은 제3 주파수 특징이고, 상기 Z는 구름 요소의 수이고, 상기
Figure 112023057046416-pat00008
는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고, 상기
Figure 112023057046416-pat00009
는 베어링의 내륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고, 상기 d는 구름 요소의 지름이고, 상기 D는 베어링의 피치의 지름이고, 상기
Figure 112023057046416-pat00010
는 베어링에 대한 구름 요소의 접촉각(contact angle)인 것을 특징으로 한다.
상기 장비는 구름 요소 베어링(REB: Rolling Element Bearing)을 포함하는 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 특징을 검출하기 위한 방법은 데이터처리부가 장비에 장착된 적어도 하나의 진동 센서가 측정한 측정 데이터를 수신하는 단계와, 상기 데이터처리부가 상기 측정 데이터로부터 시간 도메인 및 주파수 도메인 중 적어도 하나의 도메인 상에서 복수의 특징 성분을 검출하는 단계와, 상기 데이터처리부가 상기 복수의 특징 성분을 가공하여 특징벡터를 검출하는 단계와, 예측부가 예측모델을 통해 상기 검출된 특징벡터에 대한 분석을 통해 상기 장비에 대한 이상 여부를 예측하는 단계를 포함한다.
상기 복수의 특징 성분을 검출하는 단계는 상기 데이터처리부가 시간 도메인 상에서 상기 측정 데이터로부터 소정의 통계 규칙에 따라 특징 성분을 검출하는 단계와, 상기 데이터처리부가 상기 측정 데이터를 주파수 도메인으로 변환하는 단계와, 상기 데이터처리부가 주파수 도메인 상에서 측정 데이터로부터 소정의 통계 규칙에 따라 특징 성분을 검출하는 단계를 포함한다.
상기 주파수 도메인으로 변환하는 단계는 상기 데이터처리부가 상기 측정 데이터를 복수의 주파수 성분으로 분해하여 주파수 도메인 신호를 도출하는 단계와, 상기 데이터처리부가 자기 회기(Auto-regression) 기법을 통해 상기 주파수 도메인 신호를 필터링하여 분석 대상 주파수 대역의 신호인 특징 주파수 신호를 검출하는 단계를 포함한다.
상기 특징 주파수 신호를 검출하는 단계는 상기 데이터처리부가 자기 회귀 모델
Figure 112023057046416-pat00011
에 따라 특징 주파수 신호를 검출하며, 상기
Figure 112023057046416-pat00012
는 특징 주파수 신호이고, 상기
Figure 112023057046416-pat00013
는
Figure 112023057046416-pat00014
의 시차이고, 상기
Figure 112023057046416-pat00015
는 각 시차에 대응하는 가중치이고, 상기 c는 기 설정된 상수이고, 상기 εt는 평균이 0이고 분산이 1인 정규 분포를 따르는 백색잡음인 것을 특징으로 한다.
상기 복수의 특징 성분은 RMS(root mean square), SRA(square root of the amplitude), KV(Kurtosis value), SV(Skewness value), PPV(peak to peak value), CF(Crest factor), IF(Impulse factor), MF(Margin factor), SF(Shape factor), KF(Kurtosis factor), FC(frequency center), RMSF(RMS frequency), 및 RVF(root variance frequency)를 포함하는 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 특징을 검출하기 위한 장치는 장비에 장착된 적어도 하나의 진동 센서가 측정한 측정 데이터를 수신하면, 상기 검출된 측정 데이터의 주파수 도메인의 하나 이상의 특징 성분을 검출하고, 검출된 특징 성분을 가공하여 특징벡터를 생성하는 데이터처리부와, 예측모델을 통해 상기 특징벡터에 대한 분석을 통해 상기 장비에 대한 이상 여부를 예측하는 예측부를 포함한다.
상기 데이터처리부는 상기 측정 데이터를 복수의 주파수 성분으로 분해하여 주파수 도메인 신호를 도출하고, 자기 회기(Auto-regression) 기법을 통해 상기 주파수 도메인 신호를 필터링하여 분석 대상 주파수 대역의 신호인 특징 주파수 신호를 검출하고, 상기 특징 주파수 신호로부터 측정 데이터의 주파수 도메인의 특징 성분을 검출하는 것을 특징으로 한다.
상기 데이터처리부는 수학식
Figure 112023057046416-pat00016
에 따라 제1 주파수 특징 성분을 검출하며, 상기 f1은 제1 주파수 특징 성분이고, 상기 Z는 구름 요소의 수이고, 상기
Figure 112023057046416-pat00017
는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고, 상기 d는 구름 요소의 지름이고, 상기 D는 베어링의 피치의 지름이고, 상기
Figure 112023057046416-pat00018
는 베어링에 대한 구름 요소의 접촉각(contact angle)인 것을 특징으로 한다.
상기 데이터처리부는 수학식
Figure 112023057046416-pat00019
에 따라 제2 주파수 특징 성분을 검출하며, 상기 f2는 제2 주파수 특징 성분이고, 상기 Z는 구름 요소의 수이고, 상기
Figure 112023057046416-pat00020
는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고, 상기 d는 구름 요소의 지름이고, 상기 D는 베어링의 피치의 지름이고, 상기
Figure 112023057046416-pat00021
는 베어링에 대한 구름 요소의 접촉각(contact angle)인 것을 특징으로 한다.
상기 데이터처리부는 수학식
Figure 112023057046416-pat00022
에 따라 제3 주파수 특징 성분을 검출하며, 상기 f3은 제3 주파수 특징이고, 상기 Z는 구름 요소의 수이고, 상기
Figure 112023057046416-pat00023
는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고, 상기
Figure 112023057046416-pat00024
는 베어링의 내륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고, 상기 d는 구름 요소의 지름이고, 상기 D는 베어링의 피치의 지름이고, 상기
Figure 112023057046416-pat00025
는 베어링에 대한 구름 요소의 접촉각(contact angle)인 것을 특징으로 한다.
상기 장비는 구름 요소 베어링(REB: Rolling Element Bearing)을 포함하는 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 특징을 검출하기 위한 장치는 장비에 장착된 적어도 하나의 진동 센서가 측정한 측정 데이터를 수신하면, 상기 측정 데이터로부터 시간 도메인 및 주파수 도메인 중 적어도 하나의 도메인 상에서 복수의 특징 성분을 검출하고, 상기 복수의 특징 성분을 가공하여 특징벡터를 검출하는 데이터처리부와, 예측모델을 통해 상기 검출된 특징벡터에 대한 분석을 통해 상기 장비에 대한 이상 여부를 예측하는 예측부를 포함한다.
상기 데이터처리부는 시간 도메인 상에서 상기 측정 데이터로부터 소정의 통계 규칙에 따라 특징 성분을 검출하고, 상기 측정 데이터를 주파수 도메인으로 변환하고, 주파수 도메인 상에서 측정 데이터로부터 소정의 통계 규칙에 따라 특징 성분을 검출하는 것을 특징으로 한다.
상기 데이터처리부는 상기 측정 데이터를 복수의 주파수 성분으로 분해하여 주파수 도메인 신호를 도출하고, 자기 회기(Auto-regression) 기법을 통해 상기 주파수 도메인 신호를 필터링하여 분석 대상 주파수 대역의 신호인 특징 주파수 신호를 검출하는 것을 특징으로 한다.
상기 데이터처리부는 자기 회귀 모델
Figure 112023057046416-pat00026
에 따라 특징 주파수 신호를 검출하며, 상기
Figure 112023057046416-pat00027
는 특징 주파수 신호이고, 상기
Figure 112023057046416-pat00028
는
Figure 112023057046416-pat00029
의 시차이고, 상기
Figure 112023057046416-pat00030
는 각 시차에 대응하는 가중치이고, 상기 c는 기 설정된 상수이고, 상기 εt는 평균이 0이고 분산이 1인 정규 분포를 따르는 백색잡음인 것을 특징으로 한다.
상기 복수의 특징 성분은 RMS(root mean square), SRA(square root of the amplitude), KV(Kurtosis value), SV(Skewness value), PPV(peak to peak value), CF(Crest factor), IF(Impulse factor), MF(Margin factor), SF(Shape factor), KF(Kurtosis factor), FC(frequency center), RMSF(RMS frequency), 및 RVF(root variance frequency)를 포함한다.
본 발명에 따르면, 측정 데이터로부터 다양한 종류의 특징을 검출하고, 이를 기초로 생성된 학습 데이터를 이용하여 예측모델을 학습시키고, 학습된 예측모델을 이용하여 장비의 이상 여부를 예측함으로써, 정확하고 신뢰도 높은 이상 예측을 수행할 수 있다.
도 1은 본 발명의 실시예에 따른 장비의 이상 여부 예측을 위한 예측장치의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 구름 요소 베어링을 포함하는 장비를 설명하기 위한 도면이다.
도 3 내지 도 6은 본 발명의 실시예에 따른 장비의 이상 여부 예측을 위한 예측모델(EM)의 구성을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 특징벡터를 도출하는 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 실시예에 따른 학습을 통해 예측모델을 구성하는 방법을 설명하기 위한 흐름도이다.
도 9는 본 발명의 실시예에 따른 결정트리를 학습시키는 방법을 설명하기 위한 흐름도이다.
도 10은 본 발명의 실시예에 따른 인공지능 기반의 이상 예측을 위한 방법을 설명하기 위한 흐름도이다.
도 11은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다.
본 발명의 상세한 설명에 앞서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.
또한, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 특히, 본 발명의 실시예에서 예측(Estimation)은 본 발명의 실시예에 따른 인공지능 모델인 예측모델(EM)의 연산 결과에 따른 판단의 의미로 이해하여야 할 것이다.
먼저, 본 발명의 실시예에 따른 장비의 이상 여부 예측을 위한 예측장치에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 장비의 이상 여부 예측을 위한 예측장치의 구성을 설명하기 위한 도면이다. 도 2는 본 발명의 실시예에 따른 구름 요소 베어링을 포함하는 장비를 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 실시예에 따른 예측장치(10)는 본 발명의 실시예에 따른 장비의 이상 여부를 예측하기 위한 것으로, 데이터처리부(100), 학습부(200) 및 예측부(300)를 포함한다.
여기서, 본 발명의 실시예에 따른 장비는 도 2에 도시된 바와 같은 구름 요소 베어링(REB: Rolling Element Bearing)을 포함할 수 있다. 구름요소 베어링(REB)은 내륜(IR: Inner Race) 및 외륜(OR: Outer Race)를 포함하는 케이지(CG)와 케이지(CG)에 내에 포함된 복수의 구름 요소(RE: Rolling Element), 예컨대, 볼(ball)을 포함한다.
데이터처리부(100)는 본 발명의 실시예에 따른 장비에 장착된 센서, 예컨대, 진동 센서로부터 해당 센서가 측정한 측정 데이터, 예컨대, 변위, 속도, 가속도 등을 수신할 수 있다. 그러면, 데이터처리부(100)는 측정 데이터로부터 복수의 특징 성분을 검출하고, 검출된 복수의 특징 성분으로 이루어진 특징벡터를 구성한다.
학습부(200)는 데이터처리부(100)을 통해 특징벡터를 포함하는 학습 데이터를 마련하고, 마련된 학습 데이터를 이용하여 학습을 통해 본 발명의 실시예에 따른 학습모델(예컨대, Deep Learning Model)인 예측모델(EM)을 구성한다. 학습된 예측모델(EM)은 예측부(300)에 제공된다.
예측부(300)는 본 발명의 실시예에 따른 예측모델(EM)을 이용하여 데이터처리부(100)가 도출한 특징벡터를 분석하고, 그 분석 결과에 따라 장비에 대한 이상 여부를 예측한다.
전술한 예측모델(EM), 데이터처리부(100), 학습부(200) 및 예측부(300)를 포함하는 예측장치(10)의 구체적인 동작에 대해서는 아래에서 더 상세하게 설명될 것이다.
다음으로, 본 발명의 실시예에 따른 장비의 이상 여부 예측을 위한 예측모델의 구성에 대해서 설명하기로 한다. 도 3 내지 도 6은 본 발명의 실시예에 따른 장비의 이상 여부 예측을 위한 예측모델(EM)의 구성을 설명하기 위한 도면이다. 도 3을 참조하면, 예측모델(EM)은 다층스캔모듈(MGSM) 및 연산모듈(CM)을 포함한다.
다층스캔모듈(MGSM) 및 연산모듈(CM)을 포함하는 예측모델(EM)은 복수의 포레스트(Forest)를 포함한다. 이러한 복수의 포레스트(Forest)는 캐스케이드(cascade) 구조를 가진다.
도 4를 참조하면, 어느 하나의 포레스트(Forest)는 복수의 결정트리(DT)를 포함한다. 각각의 결정트리(DT)는 특징벡터 혹은 입력벡터(x)를 입력받고, 입력받은 특징벡터 혹은 입력벡터(x)에 대해 학습된 바에 따른 추론을 통해 클래스 벡터를 도출한다. 본 발명의 실시예에서 클래스 벡터는 2차원이고 각 차원의 성분은 정상일 확률과 이상일 확률을 나타낸다. 포레스트(Forest)는 복수의 결정트리(DT)의 복수의 클래스 벡터의 동차의 성분에 대한 평균을 가지는 하나의 클래스벡터(CV)를 출력한다.
예컨대, 도시된 바와 같이, 3개의 결정 트리가 존재한다고 가정한다. 각 결정 트리(DT)가 출력한 복수의 클래스벡터(CV)는 "[0.30 0.70], [0.25 0.75], [0.35 0.65]"라면, 포레스트(Forest)는 복수의 클래스벡터의 동차의 성분에 대한 평균을 가지는 클래스 벡터 [0.23 0.77]을 도출한다.
다층스캔모듈(MGSM)은 특징벡터로부터 각각이 복수의 클래스벡터를 포함하는 복수의 클래스벡터열을 생성하고, 생성된 복수의 클래스벡터열을 조합하여 입력벡터를 생성하기 위한 것이다.
도 5를 참조하면, 다층스캔모듈(MGSM)은 복수의 스캔모듈(SM: SM1, SM2) 및 조합모듈(IGM)을 포함한다. 여기서, 2개의 스캔모듈(SM: SM1, SM2)을 가정한다. 각 스캔모듈(SM: SM1, SM2)은 특징벡터(FV)에 대해 서로 다른 크기를 가지는 슬라이딩 윈도우(SW)를 슬라이딩 이동시켜 순차로 복수의 특징 성분을 검출하고, 순차로 검출된 특징 성분을 복수의 포레스트(Forest)에 입력한다. 그러면, 복수의 포레스트(Forest) 각각은 특징 성분에 대한 추론을 통해 복수의 클래스벡터(CV)를 검출한다. 그런 다음, 복수의 클래스벡터(CV)를 연결하여 복수의 클래스벡터열(CVS)을 생성한다. 복수의 클래스벡터열(CVS)이 생성되면, 조합모듈(IGM)은 복수의 클래스벡터열(CVS)을 조합하여 입력벡터(IV)를 생성한다.
예를 들면, 제1 스캔모듈(SM1)은 특징벡터(FV)에 대해 제1 크기를 가지는 제1 슬라이딩 윈도우(SW1)를 슬라이딩 이동시켜 순차로 복수의 특징 성분을 검출하고, 순차로 검출된 특징 성분을 복수의 제1 포레스트(Forest A1, Forest A2)에 입력한다. 그러면, 제1 스캔모듈(SM1)의 복수의 제1 포레스트(Forest A1, Forest A2) 각각은 특징 성분에 대한 추론을 통해 복수의 클래스 벡터(CV)를 검출한다. 그런 다음, 제1 스캔모듈(SM1)은 복수의 클래스 벡터(CV)를 연결하여 제1 클래스벡터열(CVS1)을 생성한다. 또한, 제2 스캔모듈(SM2)은 특징벡터(FV)에 대해 제2 크기를 가지는 제2 슬라이딩 윈도우(SW2)를 슬라이딩 이동시켜 순차로 복수의 특징 성분을 검출하고, 순차로 검출된 특징 성분을 복수의 제2 포레스트(Forest B1, Forest B2)에 입력한다. 그러면, 제2 스캔모듈(SM2)의 복수의 제2 포레스트(Forest B1, Forest B2) 각각은 특징 성분에 대한 추론을 통해 복수의 클래스 벡터(CV)를 검출한다. 그런 다음, 제1 스캔모듈(SM1)은 복수의 클래스 벡터(CV)를 연결하여 제2 클래스벡터열(CVS2)을 생성한다. 이와 같이, 복수의 클래스벡터열(CVS1, CVS2)이 생성되면, 조합모듈(IGM)은 복수의 클래스벡터열(CVS1, CVS2)을 조합하여 입력벡터(IV)를 생성한다.
연산모듈(CM)은 복수의 계층에 의한 입력벡터에 대한 추론을 통해 장비의 이상 여부를 확률로 나타내는 예측벡터를 산출하기 위한 것이다.
도 6을 참조하면, 연산모듈(CM)은 입력계층(IL), 하나 이상의 잠재계층(LL) 및 출력계층(OL)을 포함한다.
입력계층(IL)은 복수의 포레스트(Forest)를 포함하는 추론모듈(IFM)을 포함한다. 입력계층(IL)의 추론모듈(IFM)의 복수의 포레스트(Forest)는 입력벡터(IV)를 입력받고, 입력벡터(IV)에 대한 추론을 통해 복수의 클래스 벡터(CV)를 검출하여 복수의 클래스벡터(CV)로 이루어진 클래스벡터열(CVS)를 도출한다.
잠재계층(LL)은 클래스벡터열(CVS)를 이용하여 입력벡터(IV)를 재생성하고, 재생성된 입력벡터(IV)에 대한 추론을 통해 복수의 클래스 벡터(CV)를 검출하여 복수의 클래스벡터(CV)로 이루어진 클래스벡터열(CVS)를 도출하기 위한 것이다. 이러한 잠재계층(LL)은 결합모듈(CCM) 및 추론모듈(IFM)을 포함한다.
결함모듈(CCM)은 클래스벡터열(CVS)과 입력벡터(IV)를 결합하여 새로운 입력벡터(IV)를 재생성하기 위한 것이다.
추론모듈(IFM)은 복수의 포레스트(Forest)를 포함하며, 복수의 포레스트(Forest)는 재생성된 입력벡터(IV)를 입력받고, 재생성된 입력벡터(IV)에 대한 추론을 통해 복수의 클래스 벡터(CV)를 검출하여 복수의 클래스벡터(CV)로 이루어진 클래스벡터열(CVS)를 도출한다.
출력계층(OL)은 마지막 잠재계층(LL)에서 출력된 클래스벡터열(CVS)로부터 예측벡터(EV)를 도출하기 위한 것이다. 출력계층(OL)은 평균모듈(MM) 및 검출모듈(DM)을 포함한다.
평균모듈(MM)은 마지막 잠재계층(LL)에서 출력된 클래스벡터열(CVS)의 복수의 클래스벡터(CV)의 동차의 성분에 대한 평균을 가지는 하나의 클래스벡터(CV)를 도출한다.
예를 들면, 각 클래스 벡터가 2차원이라고 가정한다. 4개의 포레스트(Forest)로부터 출력된 복수의 클래스벡터가 "[0.20 0.80], [0.22 0.78], [0.24 0.76], [0.26 0.74]"와 같다고 가정한다. 그러면, 평균모듈(MM)은 복수의 클래스벡터의 동차의 성분에 대한 평균을 가지는 클래스 벡터 [0.23 0.77]을 도출한다.
검출모듈(DM)은 평균모듈(MM)의 출력인 하나의 클래스 벡터의 성분 중 최대값을 예측벡터(EV)로 검출한다. 예컨대, 출력된 클래스 벡터가 "[0.23 0.77]"이면, 0.77을 검출하며, 이 값이 예측벡터(EV)가 된다.
다음으로, 본 발명의 실시예에 따른 특징벡터를 도출하는 방법에 대해 설명하기로 한다. 도 7은 본 발명의 실시예에 따른 특징벡터를 도출하는 방법을 설명하기 위한 흐름도이다.
도 7을 참조하면, 데이터처리부(100)는 S110 단계에서 장비에 장착된 적어도 하나의 진동 센서가 측정한 측정 데이터를 수신할 수 있다.
그러면, 데이터처리부(100)는 검출된 측정 데이터의 시간 도메인 및 주파수 도메인 중 적어도 하나로부터 복수의 특징 성분을 검출한다. 이를 위하여, 데이터처리부(100)는 먼저 S120 단계에서 검출된 측정 데이터의 시간 도메인 상에서 복수의 특징 성분을 검출한다. 이때, 데이터처리부(100)는 시간 도메인 상에서 상기 측정 데이터로부터 소정의 통계 규칙에 따라 특징 성분을 검출할 수 있다.
다음으로, 데이터처리부(100)는 S130 단계에서 측정 데이터를 주파수 도메인으로 변환한다. 이를 위하여, 데이터처리부(100)는 측정 데이터를 복수의 주파수 성분으로 분해하여 주파수 도메인 신호를 도출한다. 그런 다음, 데이터처리부(100)는 자기 회기(Auto-regression) 기법을 통해 상기 주파수 도메인 신호를 필터링하여 분석 대상 주파수 대역의 신호인 특징 주파수 신호를 검출한다.
이때, 데이터처리부(100)는 다음의 수학식 1과 같은 자기 회귀 모델을 이용하여 특징 주파수 신호를 검출한다.
Figure 112023057046416-pat00031
여기서,
Figure 112023057046416-pat00032
는 특징 주파수 신호를 나타낸다. 또한,
Figure 112023057046416-pat00033
는
Figure 112023057046416-pat00034
의 시차이고,
Figure 112023057046416-pat00035
는 각 시차에 대응하는 가중치이다. 또한, 상기 c는 기 설정된 상수를 나타낸다. 그리고 εt는 평균이 0이고 분산이 1인 정규 분포를 따르는 백색잡음이다.
다음으로, 데이터처리부(100)는 S140 단계에서 주파수 도메인 상에서 측정 데이터로부터 소정의 통계 규칙에 따라 특징 성분을 검출한다.
일 실시예에 따르면, 전술한 시간 도메인 및 주파수 도메인 상에서 측정 데이터로부터 소정의 통계 규칙에 따라 추출되는 특징 성분은 다음과 같다. 즉, 소정의 통계 규칙에 따라 추출되는 특징 성분은 RMS(root mean square), SRA(square root of the amplitude), KV(Kurtosis value), SV(Skewness value), PPV(peak to peak value), CF(Crest factor), IF(Impulse factor), MF(Margin factor), SF(Shape factor), KF(Kurtosis factor), FC(frequency center), RMSF(RMS frequency), 및 RVF(root variance frequency) 중 적어도 하나를 포함한다.
본 발명의 추가적인 실시예에 따르면, 데이터처리부(100)는 주파수 도메인 상에서 특징 주파수 신호로부터 주파수의 특징 성분을 검출할 수 있다.
데이터처리부(100)는 다음의 수학식 2에 따라 주파수 도메인 상에서 특징 주파수 신호로부터 측정 데이터의 주파수 도메인의 특징 성분인 제1 주파수 특징 성분을 검출할 수 있다.
Figure 112023057046416-pat00036
여기서, 도 2를 참조하면, f1은 제1 주파수 특징 성분을 나타낸다. Z는 구름 요소(RE)의 수이다.
Figure 112023057046416-pat00037
는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고, d는 구름 요소의 지름이고, D는 베어링의 피치의 지름이고,
Figure 112023057046416-pat00038
는 베어링에 대한 구름 요소의 접촉각(contact angle)을 나타낸다.
데이터처리부(100)는 다음의 수학식 3에 따라 주파수 도메인 상에서 특징 주파수 신호로부터 측정 데이터의 주파수 도메인의 특징 성분인 제2 주파수 특징 성분을 검출할 수 있다.
Figure 112023057046416-pat00039
여기서, 도 2를 참조하면, f2은 제2 주파수 특징 성분을 나타낸다. Z는 구름 요소(RE)의 수이다.
Figure 112023057046416-pat00040
는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고, d는 구름 요소의 지름이고, D는 베어링의 피치의 지름이고,
Figure 112023057046416-pat00041
는 베어링에 대한 구름 요소의 접촉각(contact angle)을 나타낸다.
데이터처리부(100)는 다음의 수학식 4에 따라 주파수 도메인 상에서 특징 주파수 신호로부터 측정 데이터의 주파수 도메인의 특징 성분인 제3 주파수 특징 성분을 검출할 수 있다.
Figure 112023057046416-pat00042
여기서, 도 2를 참조하면, f3은 제3 주파수 특징 성분을 나타낸다. Z는 구름 요소(RE)의 수이다.
Figure 112023057046416-pat00043
는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고, d는 구름 요소의 지름이고,
Figure 112023057046416-pat00044
는 베어링의 내륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호를 나타낸다. 또한, D는 베어링의 피치의 지름이고,
Figure 112023057046416-pat00045
는 베어링에 대한 구름 요소의 접촉각(contact angle)을 나타낸다.
다음으로, 데이터처리부(100)는 S150 단계에서 검출된 하나 이상의 특징 성분을 가공하여 특징벡터를 생성한다. 일 실시예에 따르면, 특징벡터는 검출된 복수의 특징 성분을 연결하여 생성할 수 있다. 다른 실시예에 따르면, 특징벡터는 검출된 복수의 특징 성분 간 소정의 연산을 통해 도출할 수 있다.
다음으로, 본 발명의 실시예에 따른 학습을 통해 예측모델을 구성하는 방법에 대해서 설명하기로 한다. 도 8은 본 발명의 실시예에 따른 학습을 통해 예측모델을 구성하는 방법을 설명하기 위한 흐름도이다.
학습부(200)는 S210 단계에서 데이터처리부(100)를 통해 학습 데이터를 마련한다. 학습 데이터는 앞서 도 7을 참조로 설명된 바와 같은 복수의 특징성분을 포함하는 특징벡터와 해당 특징벡터에 대응하여 클래스를 나타내는 레이블을 포함한다. 여기서, 클래스는 정상 혹은 이상을 나타내는 것이 될 수 있다. 즉, 학습부(200)는 특징벡터에 대응하여 정상 혹은 이상을 나타내는 클래스를 특징벡터에 대응하는 레이블로 설정함으로써 학습 데이터가 도출된다.
그런 다음, 학습부(200)는 S220 단계에서 서로 다른 복수의 결정트리(DT)를 학습시킨다.
이어서, 학습부(200)는 학습된 복수의 결정트리(DT)를 이용하여 복수의 포레스트(Forest)를 생성하고, 생성된 복수의 포레스트(Forest)를 이용하여 예측모델(EM)을 구성한다. 즉, 도 3 내지 도 6을 통해 설명된 바와 같은 예측모델(EM)을 구성한다.
그러면, 전술한 결정트리(DT)를 학습시키는 방법에 대해서 보다 상세하게 설명하기로 한다. 도 9는 본 발명의 실시예에 따른 결정트리를 학습시키는 방법을 설명하기 위한 흐름도이다. 강조하면, 도 9는 S220 단계에서 어느 하나의 결정트리를 학습시키는 방법을 설명하기 위한 흐름도이다.
도 9를 참조하면, 학습부(200)는 S310 단계에서 결정트리(DT)의 루트 노드의 불순도를 산출한다. 결정트리(DT)의 루트 노드의 불순도는 학습 데이터 전체의 불순도를 나타낸다. 여기서, 불순도는 다음의 수학식 5에 따라 산출될 수 있다.
Figure 112023057046416-pat00046
여기서, E는 불순도를 나타낸다. 또한, P는 클래스를 나타낸다. 클래스는 정상 및 이상 클래스를 포함한다. 또한, k는 클래스 인덱스이고, m은 클래스의 수를 나타낸다.
다음으로, 학습부(200)는 S320 단계에서 복수의 분기 속성을 이용하여 루트 노드를 자식 노드로 분할한 후, 분할된 자식 노드의 불순도를 산출한다. 여기서, 분기 속성은 특징벡터의 특징 성분을 의미한다. 또한, 불순도는 수학식 5에 따라 산출될 수 있다.
이어서, 학습부(200)는 S330 단계에서 분할된 자식 노드에 대응하여 루트 노드와 자식 노드의 불순도의 차이를 나타내는 정보 이득을 산출한다.
학습부(200)는 S340 단계에서 산출된 정보 이득이 최대가 되도록 분기 속성에 따라 결정트리(DT)를 분기한다.
다음으로, 학습부(200)는 S350 단계에서 최종 노드의 불순도가 기 설정된 기준치 이하인지 여부를 판별한다.
그런 다음, 학습부(200)는 최종 노드의 불순도가 기 설정된 기준치 이하가 아니면, 전술한 S320 단계 내지 S340 단계를 반복한다.
반면, 학습부(200)는 최종 노드의 불순도가 기 설정된 기준치 이하이면, S360 단계에서 학습을 종료한다.
다음으로, 전술한 바와 같이, 학습을 통해 예측모델을 구성한 후, 예측모델을 이용하여 본 발명의 실시예에 따른 이상 예측을 수행할 수 있다. 이러한 방법에 대해서 설명하기로 한다. 도 10은 본 발명의 실시예에 따른 인공지능 기반의 이상 예측을 위한 방법을 설명하기 위한 흐름도이다.
도 10을 참조하면, 데이터처리부(100)는 S410 단계에서 장비에 장착된 적어도 하나의 센서가 측정한 측정 데이터로부터 복수의 특징 성분을 검출하여 검출된 복수의 특징 성분으로 이루어진 특징벡터를 구성한다. 이러한 S410 단계는 앞서 도 7을 참조로 설명된 바와 같다.
다음으로, 예측부(300)는 S420 단계에서 예측모델(EM)의 다층스캔모듈(MGSM)을 통해 특징벡터(FV)로부터 각각이 복수의 클래스벡터(CV)를 포함하는 복수의 클래스벡터열(CVS)을 생성하고, 생성된 복수의 클래스벡터열(CVS)을 조합하여 입력벡터(IV)를 생성한다. 도 5를 참조로 S420 단계에 대해 보다 구체적으로 설명하면 다음과 같다.
다층스캔모듈(MGMS)의 복수의 스캔모듈(SM: SM1, SM2)은 특징벡터(FV)에 대해 서로 다른 크기를 가지는 슬라이딩 윈도우(SM: SM1, SM2)를 슬라이딩 이동시켜 순차로 복수의 특징 성분을 검출하고, 검출된 특징 성분을 복수의 포레스트에 입력한다. 그러면, 복수의 포레스트(Forest A1, Forest A2, Forest B1, Forest B2)가 특징 성분에 대한 추론을 통해 복수의 클래스벡터를 검출한다.
이어서, 다층스캔모듈(MGMS)의 복수의 스캔모듈(SM: SM1, SM2)은 복수의 클래스벡터를 연결하여 복수의 클래스벡터열(CVS1, CVS2)을 생성한다.
그런 다음, 다층스캔모듈(MGMS)의 조합모듈(IGM)이 복수의 클래스벡터열(CVS1, CVS2)을 조합하여 입력벡터(IV)를 생성한다.
다음으로, 예측부(300)는 S430 단계에서 예측모델(EM)의 연산모듈(CM)을 통해 복수의 계층에 의한 입력벡터(IV)에 대한 추론을 수행하여 장비의 이상 여부를 확률로 나타내는 예측벡터(EV)를 산출한다. 도 6을 참조로 S430 단계에 대해 보다 구체적으로 설명하면 다음과 같다.
입력계층(IL)의 복수의 포레스트(Forest)를 포함하는 추론모듈(IFM)은 이 입력벡터(IV)에 대해 복수의 포레스트(Forest)를 이용한 추론을 통해 복수의 클래스 벡터(CV)를 검출하고, 복수의 클래스 벡터(CV)로 이루어진 클래스벡터열(CVS)을 도출한다.
이어서, 잠재계층(LL: LL1~LLn)의 결함모듈(CCM)이 이전 계층에서 도출된 클래스벡터열(CVS)과 입력벡터를 결합하여 입력벡터를 재생성하고, 잠재계층(LL: LL1~LLn)의 추론모듈(IFM)이 복수의 포레스트(Forest)를 통해 재생성된 입력벡터에 대한 연산을 통해 복수의 클래스 벡터(CV)로 이루어진 클래스벡터열(CVS)을 도출한다. 이러한 잠재계층(LL: LL1~LLn)의 입력벡터(IV)를 재생성하고, 재생성된 입력벡터(IV)로부터 클래스벡터열(CVS)을 도출하는 것은 잠재계층(LL: LL1~LLn)의 수에 따라 반복된다.
다음으로, 출력계층(OL)의 평균모듈(MM)은 잠재계층(LL)이 도출한 클래스벡터열(CVS)의 복수의 클래스 벡터(CV)의 동차의 성분에 대한 평균을 가지는 하나의 클래스 벡터(CV)를 도출하고, 출력계층(OL)의 검출모듈(DM)은 도출된 클래스 벡터의 성분 중 최대값을 예측벡터(EV)로 검출한다. 예를 들면, 각 클래스 벡터가 2차원이라고 가정하고, 4개의 포레스트(Forest)로부터 출력된 복수의 클래스 벡터가 "(정상, 이상)=[0.20 0.80], [0.22 0.78], [0.24 0.76], [0.26 0.74]"와 같다고 가정한다. 그러면, 평균모듈(MM)은 복수의 클래스벡터의 동차의 성분에 대한 평균을 가지는 클래스 벡터 [0.23 0.77]을 도출하고, 검출모듈(DM)은 클래스 벡터가 "[0.23 0.77]"로부터 이면, 0.77을 검출하며, 이 값이 예측벡터이다.
다음으로, 예측부(300)는 S440 단계에서 예측벡터(EV)의 확률에 따라 장비에 대한 이상 여부를 예측한다. 예측벡터(EV)가 0.77인 경우, 이는 이상일 확률이 77%이며, 기 설정된 임계치가 70%라고 가정한다. 이에 따라, 예측부(300)는 해당 장비에 이상이 발생한 것으로 판단한다.
도 11은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다. 도 11의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치, 예컨대, 예측장치(10) 등이 될 수 있다.
도 11의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.
메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.
한편, 전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 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 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 와이어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 와이어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.
10: 예측장치
100: 데이처처리부
200: 학습부
300: 예측부

Claims (20)

  1. 특징을 검출하기 위한 방법에 있어서,
    데이터처리부가 장비에 장착된 적어도 하나의 진동 센서가 측정한 측정 데이터를 수신하는 단계;
    데이터처리부가 상기 검출된 측정 데이터의 주파수 도메인의 하나 이상의 특징 성분을 검출하는 단계;
    상기 데이터처리부가 검출된 특징 성분을 가공하여 특징벡터를 생성하는 단계;
    예측부가 예측모델을 통해 상기 특징벡터에 대한 분석을 통해 상기 장비에 대한 이상 여부를 예측하는 단계;
    를 포함하며,
    상기 특징 성분을 검출하는 단계는
    상기 데이터처리부가 상기 측정 데이터를 복수의 주파수 성분으로 분해하여 주파수 도메인 신호를 도출하는 단계;
    상기 데이터처리부가 자기 회기(Auto-regression) 기법을 통해 상기 주파수 도메인 신호를 필터링하여 분석 대상 주파수 대역의 신호인 특징 주파수 신호를 검출하는 단계; 및
    상기 데이터처리부가 상기 특징 주파수 신호로부터 측정 데이터의 주파수 도메인의 특징 성분을 검출하는 단계;
    를 포함하며,
    상기 특징 성분을 검출하는 단계는
    상기 데이터처리부가
    수학식

    에 따라 제1 주파수 특징 성분을 검출하는 단계;
    를 포함하며,
    상기 f1은 제1 주파수 특징 성분이고,
    상기 Z는 구름 요소의 수이고,
    상기 는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고,
    상기 d는 구름 요소의 지름이고,
    상기 D는 베어링의 피치의 지름이고,
    상기 는 베어링에 대한 구름 요소의 접촉각(contact angle)인 것을 특징으로 하는
    특징을 검출하기 위한 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 특징 성분을 검출하는 단계는
    상기 데이터처리부가
    수학식
    Figure 112023086855719-pat00050

    에 따라 제2 주파수 특징 성분을 검출하는 단계;
    를 포함하며,
    상기 f2는 제2 주파수 특징 성분이고,
    상기 Z는 구름 요소의 수이고,
    상기
    Figure 112023086855719-pat00051
    는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고,
    상기 d는 구름 요소의 지름이고,
    상기 D는 베어링의 피치의 지름이고,
    상기
    Figure 112023086855719-pat00052
    는 베어링에 대한 구름 요소의 접촉각(contact angle)인 것을 특징으로 하는
    특징을 검출하기 위한 방법.
  5. 제1항에 있어서,
    상기 특징 성분을 검출하는 단계는
    상기 데이터처리부가
    수학식
    Figure 112023086855719-pat00053

    에 따라 제3 주파수 특징 성분을 검출하는 단계;
    를 포함하며,
    상기 f3은 제3 주파수 특징이고,
    상기 Z는 구름 요소의 수이고,
    상기
    Figure 112023086855719-pat00054
    는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고,
    상기
    Figure 112023086855719-pat00055
    는 베어링의 내륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고,
    상기 d는 구름 요소의 지름이고,
    상기 D는 베어링의 피치의 지름이고,
    상기
    Figure 112023086855719-pat00056
    는 베어링에 대한 구름 요소의 접촉각(contact angle)인 것을 특징으로 하는
    특징을 검출하기 위한 방법.
  6. 특징을 검출하기 위한 방법에 있어서,
    데이터처리부가 장비에 장착된 적어도 하나의 진동 센서가 측정한 측정 데이터를 수신하는 단계;
    상기 데이터처리부가 상기 측정 데이터로부터 시간 도메인 및 주파수 도메인 중 적어도 하나의 도메인 상에서 복수의 특징 성분을 검출하는 단계;
    상기 데이터처리부가 상기 복수의 특징 성분을 가공하여 특징벡터를 검출하는 단계; 및
    예측부가 예측모델을 통해 상기 검출된 특징벡터에 대한 분석을 통해 상기 장비에 대한 이상 여부를 예측하는 단계;
    를 포함하며,
    상기 복수의 특징 성분을 검출하는 단계는
    상기 데이터처리부가 시간 도메인 상에서 상기 측정 데이터로부터 소정의 통계 규칙에 따라 특징 성분을 검출하는 단계;
    상기 데이터처리부가 상기 측정 데이터를 주파수 도메인으로 변환하는 단계; 및
    상기 데이터처리부가 주파수 도메인 상에서 측정 데이터로부터 소정의 통계 규칙에 따라 특징 성분을 검출하는 단계;
    를 포함하며,
    상기 주파수 도메인으로 변환하는 단계는
    상기 데이터처리부가 상기 측정 데이터를 복수의 주파수 성분으로 분해하여 주파수 도메인 신호를 도출하는 단계; 및
    상기 데이터처리부가 자기 회기(Auto-regression) 기법을 통해 상기 주파수 도메인 신호를 필터링하여 분석 대상 주파수 대역의 신호인 특징 주파수 신호를 검출하는 단계;
    를 포함하는 것을 특징으로 하는
    특징을 검출하기 위한 방법.
  7. 삭제
  8. 삭제
  9. 제6항에 있어서,
    상기 특징 주파수 신호를 검출하는 단계는
    상기 데이터처리부가
    자기 회귀 모델
    Figure 112023086855719-pat00057

    에 따라
    특징 주파수 신호를 검출하며,
    상기
    Figure 112023086855719-pat00058
    는 특징 주파수 신호이고,
    상기
    Figure 112023086855719-pat00059
    는
    Figure 112023086855719-pat00060
    의 시차이고,
    상기
    Figure 112023086855719-pat00061
    는 각 시차에 대응하는 가중치이고,
    상기 c는 기 설정된 상수이고,
    상기 εt는 평균이 0이고 분산이 1인 정규 분포를 따르는 백색잡음인 것을 특징으로 하는
    특징을 검출하기 위한 방법.
  10. 제6항에 있어서,
    상기 복수의 특징 성분은
    RMS(root mean square),
    SRA(square root of the amplitude),
    KV(Kurtosis value),
    SV(Skewness value),
    PPV(peak to peak value),
    CF(Crest factor),
    IF(Impulse factor),
    MF(Margin factor),
    SF(Shape factor),
    KF(Kurtosis factor),
    FC(frequency center),
    RMSF(RMS frequency), 및
    RVF(root variance frequency)를 포함하는 것을 특징으로 하는
    특징을 검출하기 위한 방법.
  11. 특징을 검출하기 위한 장치에 있어서,
    장비에 장착된 적어도 하나의 진동 센서가 측정한 측정 데이터를 수신하면, 상기 검출된 측정 데이터의 주파수 도메인의 하나 이상의 특징 성분을 검출하고, 검출된 특징 성분을 가공하여 특징벡터를 생성하는 데이터처리부; 및
    예측모델을 통해 상기 특징벡터에 대한 분석을 통해 상기 장비에 대한 이상 여부를 예측하는 예측부;
    를 포함하며,
    상기 데이터처리부는
    상기 측정 데이터를 복수의 주파수 성분으로 분해하여 주파수 도메인 신호를 도출하고,
    자기 회기(Auto-regression) 기법을 통해 상기 주파수 도메인 신호를 필터링하여 분석 대상 주파수 대역의 신호인 특징 주파수 신호를 검출하고,
    상기 특징 주파수 신호로부터 측정 데이터의 주파수 도메인의 특징 성분을 검출하며,
    상기 데이터처리부는
    수학식

    에 따라 제1 주파수 특징 성분을 검출하며,
    상기 f1은 제1 주파수 특징 성분이고,
    상기 Z는 구름 요소의 수이고,
    상기 는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고,
    상기 d는 구름 요소의 지름이고,
    상기 D는 베어링의 피치의 지름이고,
    상기 는 베어링에 대한 구름 요소의 접촉각(contact angle)인 것을 특징으로 하는
    특징을 검출하기 위한 장치.
  12. 삭제
  13. 삭제
  14. 제11항에 있어서,
    상기 데이터처리부는
    수학식
    Figure 112023086855719-pat00065

    에 따라 제2 주파수 특징 성분을 검출하며,
    상기 f2는 제2 주파수 특징 성분이고,
    상기 Z는 구름 요소의 수이고,
    상기
    Figure 112023086855719-pat00066
    는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고,
    상기 d는 구름 요소의 지름이고,
    상기 D는 베어링의 피치의 지름이고,
    상기
    Figure 112023086855719-pat00067
    는 베어링에 대한 구름 요소의 접촉각(contact angle)인 것을 특징으로 하는
    특징을 검출하기 위한 장치.
  15. 제11항에 있어서,
    상기 데이터처리부는
    수학식
    Figure 112023086855719-pat00068

    에 따라 제3 주파수 특징 성분을 검출하며,
    상기 f3은 제3 주파수 특징이고,
    상기 Z는 구름 요소의 수이고,
    상기
    Figure 112023086855719-pat00069
    는 베어링의 외륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고,
    상기
    Figure 112023086855719-pat00070
    는 베어링의 내륜에서 계측된 측정 데이터로부터 검출된 특징 주파수 신호이고,
    상기 d는 구름 요소의 지름이고,
    상기 D는 베어링의 피치의 지름이고,
    상기
    Figure 112023086855719-pat00071
    는 베어링에 대한 구름 요소의 접촉각(contact angle)인 것을 특징으로 하는
    특징을 검출하기 위한 장치.
  16. 특징을 검출하기 위한 장치에 있어서,
    장비에 장착된 적어도 하나의 진동 센서가 측정한 측정 데이터를 수신하면, 상기 측정 데이터로부터 시간 도메인 및 주파수 도메인 중 적어도 하나의 도메인 상에서 복수의 특징 성분을 검출하고, 상기 복수의 특징 성분을 가공하여 특징벡터를 검출하는 데이터처리부; 및
    예측모델을 통해 상기 검출된 특징벡터에 대한 분석을 통해 상기 장비에 대한 이상 여부를 예측하는 예측부;
    를 포함하며,
    상기 데이터처리부는
    시간 도메인 상에서 상기 측정 데이터로부터 소정의 통계 규칙에 따라 특징 성분을 검출하고,
    상기 측정 데이터를 주파수 도메인으로 변환하고,
    주파수 도메인 상에서 측정 데이터로부터 소정의 통계 규칙에 따라 특징 성분을 검출하며,
    상기 데이터처리부는
    상기 측정 데이터를 복수의 주파수 성분으로 분해하여 주파수 도메인 신호를 도출하고,
    자기 회기(Auto-regression) 기법을 통해 상기 주파수 도메인 신호를 필터링하여 분석 대상 주파수 대역의 신호인 특징 주파수 신호를 검출하는 것을 특징으로 하는
    특징을 검출하기 위한 장치.
  17. 삭제
  18. 삭제
  19. 제16항에 있어서,
    상기 데이터처리부는
    자기 회귀 모델
    Figure 112023086855719-pat00072

    에 따라
    특징 주파수 신호를 검출하며,
    상기
    Figure 112023086855719-pat00073
    는 특징 주파수 신호이고,
    상기
    Figure 112023086855719-pat00074
    는
    Figure 112023086855719-pat00075
    의 시차이고,
    상기
    Figure 112023086855719-pat00076
    는 각 시차에 대응하는 가중치이고,
    상기 c는 기 설정된 상수이고,
    상기 εt는 평균이 0이고 분산이 1인 정규 분포를 따르는 백색잡음인 것을 특징으로 하는
    특징을 검출하기 위한 장치.
  20. 제16항에 있어서,
    상기 복수의 특징 성분은
    RMS(root mean square),
    SRA(square root of the amplitude),
    KV(Kurtosis value),
    SV(Skewness value),
    PPV(peak to peak value),
    CF(Crest factor),
    IF(Impulse factor),
    MF(Margin factor),
    SF(Shape factor),
    KF(Kurtosis factor),
    FC(frequency center),
    RMSF(RMS frequency), 및
    RVF(root variance frequency)를 포함하는 것을 특징으로 하는
    특징을 검출하기 위한 장치.
KR1020230066259A 2023-05-23 2023-05-23 이상 예측을 위한 분석 대상 데이터의 특징을 검출하기 위한 장치 및 이를 위한 방법 KR102580433B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230066259A KR102580433B1 (ko) 2023-05-23 2023-05-23 이상 예측을 위한 분석 대상 데이터의 특징을 검출하기 위한 장치 및 이를 위한 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230066259A KR102580433B1 (ko) 2023-05-23 2023-05-23 이상 예측을 위한 분석 대상 데이터의 특징을 검출하기 위한 장치 및 이를 위한 방법

Publications (1)

Publication Number Publication Date
KR102580433B1 true KR102580433B1 (ko) 2023-09-18

Family

ID=88196302

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230066259A KR102580433B1 (ko) 2023-05-23 2023-05-23 이상 예측을 위한 분석 대상 데이터의 특징을 검출하기 위한 장치 및 이를 위한 방법

Country Status (1)

Country Link
KR (1) KR102580433B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018189448A (ja) * 2017-04-28 2018-11-29 国立研究開発法人水産研究・教育機構 動的設備の診断システムとその方法とそのプログラム
JP2020505134A (ja) * 2017-01-25 2020-02-20 インサイテック・リミテッド キャビテーション位置特定
KR20200101507A (ko) 2019-01-30 2020-08-28 한국해양대학교 산학협력단 기계학습을 이용한 회전기계 고장 진단 및 예측시스템
KR102226687B1 (ko) * 2019-11-20 2021-03-11 (주)위세아이텍 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020505134A (ja) * 2017-01-25 2020-02-20 インサイテック・リミテッド キャビテーション位置特定
JP2018189448A (ja) * 2017-04-28 2018-11-29 国立研究開発法人水産研究・教育機構 動的設備の診断システムとその方法とそのプログラム
KR20200101507A (ko) 2019-01-30 2020-08-28 한국해양대학교 산학협력단 기계학습을 이용한 회전기계 고장 진단 및 예측시스템
KR102226687B1 (ko) * 2019-11-20 2021-03-11 (주)위세아이텍 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법

Similar Documents

Publication Publication Date Title
Wang et al. Feature-level attention-guided multitask CNN for fault diagnosis and working conditions identification of rolling bearing
KR102178787B1 (ko) 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법
CN113826027A (zh) 用于依据多个传感器的信号来识别障碍物对象以及预测已知障碍物对象的位置的变化以及用于对为上述目的所使用的传感器信号进行压缩及解压缩的方法
US20180053085A1 (en) Inference device and inference method
KR20210086220A (ko) 비정상 트래픽 패턴의 탐지 방법 및 장치
CN107111610B (zh) 用于神经语言行为识别系统的映射器组件
CN113033622A (zh) 跨模态检索模型的训练方法、装置、设备和存储介质
CN116679890B (zh) 存储设备安全管理系统及其方法
CN115238752A (zh) 一种基于人工智能的充电桩故障预测系统
Ramakrishna et al. Efficient out-of-distribution detection using latent space of β-vae for cyber-physical systems
CN107111609B (zh) 用于神经语言行为识别系统的词法分析器
KR102469871B1 (ko) 반복 사이클을 보유한 기계장비에 대한 이상 탐지 장치
KR20190120489A (ko) 영상 인식 장치 및 방법
CN116662817B (zh) 物联网设备的资产识别方法及系统
CN117158923A (zh) 基于元宇宙的居家养老远程监控方法
WO2019121655A1 (en) A probability-based detector and controller apparatus, method, computer program
KR102580433B1 (ko) 이상 예측을 위한 분석 대상 데이터의 특징을 검출하기 위한 장치 및 이를 위한 방법
KR102648646B1 (ko) 인공지능 기반의 이상 예측을 위한 장치 및 이를 위한 방법
US20170293608A1 (en) Unusual score generators for a neuro-linguistic behavioral recognition system
KR102649659B1 (ko) 이상 예측을 위한 인공지능 모델을 학습시키기 위한 장치 및 이를 위한 방법
JP7386462B2 (ja) 演算装置および学習済みモデル
KR20200028249A (ko) 설비 데이터의 이상 정도 평가 방법
CN117499821A (zh) 基于光网络技术的园区网络管理系统及方法
US11914956B1 (en) Unusual score generators for a neuro-linguistic behavioral recognition system
JP6858798B2 (ja) 特徴量生成装置、特徴量生成方法及びプログラム

Legal Events

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