KR102600938B1 - 감속기 진단 시스템 - Google Patents
감속기 진단 시스템 Download PDFInfo
- Publication number
- KR102600938B1 KR102600938B1 KR1020210186531A KR20210186531A KR102600938B1 KR 102600938 B1 KR102600938 B1 KR 102600938B1 KR 1020210186531 A KR1020210186531 A KR 1020210186531A KR 20210186531 A KR20210186531 A KR 20210186531A KR 102600938 B1 KR102600938 B1 KR 102600938B1
- Authority
- KR
- South Korea
- Prior art keywords
- reducer
- data
- unit
- learning
- vibration
- Prior art date
Links
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 119
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 230000007547 defect Effects 0.000 title 1
- 230000005856 abnormality Effects 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 description 17
- 238000001914 filtration Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004148 unit process Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (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
감속기 진단 시스템이 개시된다.
본 발명인 감속기 진단 시스템은 양질의 학습데이터를 생성하고, 복수의 판단알고리즘 중 정확하게 감속기의 이상을 진단하는 판단알고리즘을 선정한 후 이 판단알고리즘을 활용하여 감속기의 이상 여부를 진단한다.
따라서 정확하게 감속기의 이상 여부를 판단할 수 있다.
본 발명인 감속기 진단 시스템은 양질의 학습데이터를 생성하고, 복수의 판단알고리즘 중 정확하게 감속기의 이상을 진단하는 판단알고리즘을 선정한 후 이 판단알고리즘을 활용하여 감속기의 이상 여부를 진단한다.
따라서 정확하게 감속기의 이상 여부를 판단할 수 있다.
Description
본 발명은 감속기 진단 시스템에 관한 것이다.
인공지능과 빅데이터는 산업 현장을 바꾸고 있다.
인간의 두뇌를 모방하여 스스로 학습하고, 스스로 생각하는 컴퓨터인 인공지능은 컴퓨터 산업이 발달되며 자연스럽게 대두되었다. 인공지능은 가상의 공간 그리고 먼 미래에 존재할 것으로 인식되었으나, 2016년 알파고의 등장으로 인공지능의 가능성을 확인하게 되었다.
한편, 빅데이터는 규모가 방대한 데이터를 의미하는데 이 기술은 클라우드 컴퓨팅 환경의 급속한 발전에 따라 급속하게 발전될 수 있었다. 빅데이터 기술의 발전됨에 따라 이를 기반으로 인공지능도 발전할 수 있었다.
즉, 인공지능은 많은 양의 빅데이터로 인하여 학습하고, 이를 기반으로 스스로 터득하는 반복 학습을 통하여 지속적으로 강화하여 보다 정교해질 수 있었다.
이처럼 인공지능의 발전은 빅데이터가 매우 중요할 것이다. 그러나 더 중요한 것은 빅데이터의 질일 것이다.
예를 들어 동일한 알고리즘을 가지는 인공지능이라도 학습되는 데이터의 질과 양에서 차이가 있다면 당연하게도 더 좋은 질과 양의 데이터를 학습하는 인공지능이 더욱 똑똑해지는 것은 당연할 것이다.
한편, 양질의 데이터가 학습된다고 하더라도 인공지능이 항상 똑똑해지는 것은 아니다. 인공지능은 각기 다른 알고리즘을 가지고 있어서, 같은 데이터가 입력된다고 하더라도 다양한 변수 요건에 의하여 어느 인공지능은 정교성이 향상되도록 진화되지만 다른 인공지능은 역으로 정교성이 떨어질 수 있다.
일 실시예에 의한 본 발명은 감속기 고장 위험을 진단하는 장치에 활용되는 인공지능을 위하여 양질의 데이터를 생성하여 저장하여 감속기의 이상을 정확하게 진단할 수 있는 감속기 진단 시스템을 제공하는 데 목적이 있다.
일 실시예에 의한 본 발명은 양질의 데이터를 이용하여 학습을 하고 정확하게 감속기의 이상을 판단할 수 있는 알고리즘을 이용하여 감속기의 이상을 진단하므로, 정확성이 향상된 감속기 진단 시스템을 제공하는 데 목적이 있다.
일 실시예에 의한 감속기 진단 시스템은 입력축과 회전축 사이에 배치되어 상기 입력축의 회전력을 상기 회전축으로 전달하는 감속기의 일측에 위치되어 상기 감속기의 진동을 측정하여 진동데이터를 생성하는 진동센서부 및 감속기가 정상인 경우와 비정상인 경우인 경우가 구분된 학습데이터가 기저장되어 있으며 상기 학습데이터를 이용하여 선정된 판단알고리즘을 이용하여 상기 진동센서부가 송신하는 진동데이터를 수신하여 상기 감속기의 이상 여부를 판단하는 이상판단부를 포함한다.
상기 이상판단부의 학습데이터는 대상감속기를 입력축과 회전축 사이에 배치하여 상기 대상감속기의 진동데이터를 설정된 주기로 분할한 분할데이터를 이용하여 생성되는 것을 특징으로 한다.
상기 이상판단부는 상기 대상감속기를 이용하여 생성되는 학습데이터를 상기 대상감속기가 정상인 경우와 비정상인 경우로 구분하여 저장하는 인식부를 포함하는 것을 특징으로 한다.
상기 이상판단부는, 감속기의 이상을 판단하는 복수의 판단알고리즘이 저장되어 있으며, 상기 입력축이 동작되어 생성되는 복수의 학습데이터 중 일부의 학습데이터를 이용하여 상기 입력되는 상기 복수의 판단알고리즘을 테스트하여 상기 복수의 판단알고리즘 중 어느 하나를 선정하는 선정학습부를 포함한다.
상기 인식부는 상기 출력축의 위치에 대응되는 학습데이터를 구분하여 저장하는 것을 특징으로 한다.
일 실시예에 의한 본 발명인 감속기 진단 시스템은 감속기 실험 시 획득되는 진동데이터를 설정된 기준으로 나눠 분할데이터를 생성하고, 분할데이터를 다시 조각데이터로 생성하며, 조각데이터를 이용하여 복수의 분석요소값을 연산하고, 이를 저장함으로써 감속기 고장 진단에 활용될 양질의 데이터를 획득할 수 있다.
그러므로 일 실시예에 의한 본 발명인 감속기 진단 시스템은 양질의 데이터를 토대로 학습을 하므로 정확하게 감속기의 이상을 진단할 수 있다.
또한, 일 실시예에 의한 본 발명인 감속기 진단 시스템은 양질의 데이터를 이용하여 감속기의 이상을 판단하는 판단알고리즘을 테스트하여 가장 정확하게 감속기의 이상을 판단하는 판단알고리즘을 선택하여 감속기의 이상 여부를 판단할 때 활용하므로, 감속기 이상 진단을 정확하게 할 수 있다.
도 1은 일 실시예에 의한 본 발명인 감속기 진단 시스템의 구성을 도시한 것이다.
도 2는 일 실시예에 의한 본 발명인 감속기 진단 시스템의 이상판단부의 구성을 블록으로 도시한 것이다.
도 3은 일 실시예에 의한 본 발명인 감속기 진단 시스템에서 진동센서부가 생성한 진동데이터를 이상판단부가 가공하여 각각의 조각데이터를 생성한 것을 도시한 것이다.
도 4는 일 실시예에 의한 본 발명인 감속기 진단 시스템에서 분석연산부가 분석연산값을 연산하는 과정을 도시한 것이다.
도 5는 일 실시예에 의한 감속기 진단 시스템의 학습데이터를 도시한 것이다.
도 6은 일 실시예에 의한 본 발명인 감속기 진단 시스템에서 선정학습부가 판단알고리즘을 선정하는 순서를 블록도로 도시한 것이다.
도 7은 일 실시예에 의한 본 발명인 감속기 진단 시스템의 이상판단부가 감속기의 위치별 학습데이터를 학습하는 상태를 도시한 것이다.
도 2는 일 실시예에 의한 본 발명인 감속기 진단 시스템의 이상판단부의 구성을 블록으로 도시한 것이다.
도 3은 일 실시예에 의한 본 발명인 감속기 진단 시스템에서 진동센서부가 생성한 진동데이터를 이상판단부가 가공하여 각각의 조각데이터를 생성한 것을 도시한 것이다.
도 4는 일 실시예에 의한 본 발명인 감속기 진단 시스템에서 분석연산부가 분석연산값을 연산하는 과정을 도시한 것이다.
도 5는 일 실시예에 의한 감속기 진단 시스템의 학습데이터를 도시한 것이다.
도 6은 일 실시예에 의한 본 발명인 감속기 진단 시스템에서 선정학습부가 판단알고리즘을 선정하는 순서를 블록도로 도시한 것이다.
도 7은 일 실시예에 의한 본 발명인 감속기 진단 시스템의 이상판단부가 감속기의 위치별 학습데이터를 학습하는 상태를 도시한 것이다.
이하, 본 발명의 일실시예를 예시적인 도면을 통해 상세하게 설명한다. 그러나 이는 본 발명의 범위를 한정하려고 의도된 것은 아니다.
각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 도면에 도시된 구성요소의 크기나 형상 등은 설명의 명료성과 편의상 과장되게 도시될 수 있다. 또한, 본 발명의 구성 및 작용을 고려하여 특별히 정의된 용어들은 본 발명의 실시예를 설명하기 위한 것일 뿐이고, 본 발명의 범위를 한정하는 것이 아니다.
도 1은 일 실시예에 의한 본 발명인 감속기 진단 시스템의 구성을 도시한 것이다.
일 실시예에 의한 본 발명인 감속기 진단 시스템은 입력축(10), 출력축(20)을 포함하며, 입력축(10)과 출력축(20) 사이에 배치되어 입력축(10)의 회전에 따라 설정된 감속비로 출력축(20)을 회전시키는 감속기(30) 및 진동을 측정하는 진동센서부(40) 및 진동센서부(40)와 연결되어 진동센서부(40)가 생성하는 데이터를 가공하는 이상판단부(100)를 포함한다.
여기서 감속기(30)는 이상판단부(100)가 이상을 판단하기 위한 감속기(30)와 학습데이터를 생성하기 위한 대상감속기(30)로 구분될 수 있다.
입력축(10)은 일방향으로 연장되어 있어서 작동시간, 이동위치, 이동속도가 설정되어 설정된 주기로 회전될 수 있으며, 출력축(20)은 대상감속기(30) 또는 감속기(30)를 통하여 입력축(10)과 연결되어 있어서 입력축(10)의 회전에 따라 변경된 설정된 주기로 회전될 수 있다.
감속기(30) 또는 대상감속기(30)는 로봇의 관절에 설치될 수 있는 것으로, 어느 하나가 아닌 다양한 감속비를 가질 수 있다.
진동센서부(40)는 감속기(30) 또는 대상감속기(30)에 배치되어 감속기(30) 또는 대상감속기(30)의 진동을 센싱하여 진동데이터를 생성할 수 있다. 진동센서부(40)는 일례로 x축, y축, z축 방향으로 가속도를 측정하는 가속도 센서일 수 있다. 즉, 진동센서부(40)는 3축의 진동을 측정하는 가속도센서일 수 있다.
이상판단부(100)는 대상감속기(30)의 동작으로 진동센서부(40)가 생성한 진동데이터를 수신받고 진동데이터를 설정된 기준으로 분할하는 분할데이터로 가공하고, 각각의 분할데이터를 다시 조각데이터로 가공하며, 조각데이터를 분석요소값으로 연산한 후, 최종적으로 분석요소값을 학습데이터로 가공하여 저장할 수 있다. 그러므로 후에 자동으로 감속기(30)의 이상을 판단할 수 있는 인공지능에 활용될 양질의 데이터를 생성할 수 있다.
그리고 또한, 이상판단부(100)는 이러한 양질의 데이터를 이용하여 감속기(30)의 이상을 판단할 수 있는 복수의 판단알고리즘 중 가장 정확하게 감속기(30)의 이상을 판단할 수 있는 판단알고리즘을 선정할 수 있다. 그러므로 본 발명은 정확하게 감속기(30)의 이상을 판단할 수 있다.
도 2는 일 실시예에 의한 본 발명인 감속기 진단 시스템의 이상판단부의 구성을 블록으로 도시한 것이다.
이상판단부(100)는 분할부(110), 필터링부(120), 분석연산부(130), 인식부(140), 선정학습부(150)로 구성될 수 있다.
이하에서는 대상감속기(30)를 이용하여 학습데이터가 생성되는 것을 설명하도록 하겠다.
분할부(110)는 진동데이터를 수신하고, 진동데이터를 설정된 기준에 따라 분할하는 분할데이터를 생성한다. 여기서 분할부(110)의 설정된 기준은 다양하게 설정될 수 있으나 일례로 입력축(10)의 회전주기에 따라서 결정될 수 있다. 일례로 입력축(10)의 회전주기가 0.8s인 경우, 분할부(110)는 0.1s를 기준으로 진동데이터를 분할하여 분할데이터를 생성할 수 있다.
필터링부(120)는 분할데이터가 생성되면 분할데이터 각각을 조각데이터로 생성할 수 있다. 필터링부(120)가 생성하는 조각데이터는 제1조각데이터, 제2조각데이터, 제3조각데이터일 수 있다.
제1조각데이터는 분할데이터에서 입력축(10) 또는 회전축 중 선택된 어느 하나의 회전 주파수 성분, 하모닉 성분, 대상감속기(30)의 기어 맞물림 주파수와 하모닉 성분이 포함된 신호를 의미한다. 제1조각데이터는 정규/혼합신호(regular signal)일 수 있다.
제2조각데이터는 분할데이터에서 입력축(10) 또는 회전축 중 선택된 어느 하나의 회전 주파수와 하모닉 성분, 대상감속기(30)의 기어의 맞물림 주파수 및 하모닉 성분이 제거되고 대상감속기(30)의 기어 맞물림 주파수의 1차 사이드 밴드 성분이 포함된 신호일 수 있다. 제2조각데이터는 잔류신호(residual signal)일 수 있다.
제3조각데이터는 제2조각데이터에서 1차 사이드 밴드 성분이 제거된 신호일 수 있다. 제3조각데이터는 차이신호(difference signal)일 수 있다.
(여기서, 판단알고리즘이 선정된 후에는 제1조각데이터, 제2조각데이터, 제3조각데이터의 대상은 감속기임에 주의하여야 함)
분석연산부(130)는 분할데이터, 제1조각데이터 내지 제3조각데이터를 기설정되어 있는 분석연산함수를 이용하여 분석연산값으로 연산할 수 있다. 분석연산값은 분할데이터를 이용하여 연산되는 RMS, CrestFactor(CF), Kurtosis, 제1조각데이터를 이용하여 연산되는 FM0, 제2조각데이터를 이용하여 연산되는 EnergyRatio(ER), FM4, M6A, M6A, 제3조각데이터를 이용하여 연산되는 NA4일 수 있다. 이처럼 각각의 신호는 분석연산부(130)를 통하여 10개의 분석연산값으로 연산될 수 있다.
인식부(140)는 분석연산값을 학습데이터로 가공하여 저장할 수 있다. 분석연산값은 감속기(30)를 이용한 실험이 반복됨에 따라 생성되는 분석연산값을 분리하여 저장할 수 있다. 즉, 전술한 실시예와 같이 분할부(110)가 설정된 기준에 따라 진동데이터를 분할하면 각 기준에 따라 생성되는 학습데이터를 분리하여 저장할 수 있다. 여기서 학습데이터는 분석연산값이 테이블 형태의 표에 따라 가공된 데이터일 수 있다.
이와 같이 인식부(140)가 생성하는 학습데이터를 이용하여 감속기(30)의 결함 여부를 판단하는 인공지능에 학습을 위한 데이터로 활용될 수 있으며, 학습데이터는 그래프가 아닌 표의 형태로 있으므로 그래프로 형성되는 데이터 대비 용량이 압축될 수 있어서 인공지능에 더 많은 학습데이터를 저장할 수 있다.
선정학습부(150)는 인식부(140)에 저장된 학습데이터를 이용하여 복수의 판단알고리즘을 테스트하여 어느 하나의 판단알고리즘을 선정할 수 있다. 선정학습부(150)가 선정한 판단알고리즘은 추후 감속기(30)를 진단하는데 활용될 수 있다.
도 3은 일 실시예에 의한 본 발명인 감속기 진단 시스템에서 진동센서부가 생성한 진동데이터를 이상판단부가 가공하여 각각의 조각데이터를 생성한 것을 도시한 것이다.
입력축(10)이 설정된 주기로 회전되는 경우 진동센서부(40)는 도 3의 가장 좌측에 위치된 것과 같은 진동데이터를 획득할 수 있다.
이상판단부(100)의 분할부(110)는 진동데이터를 도 3의 가운데와 같이 어느 설정된 기준에 따라서 분할하여 분할데이터를 생성할 수 있다. 여기서 도 3에서는 설정된 시간을 기준으로 진동데이터를 분할하여 분할데이터를 생성할 수 있다.
필터링부(120)는 도 3과 같이 분할부(110)에 의하여 분할된 분할데이터를 제1조각데이터, 제2조각데이터, 제3조각데이터로 가공할 수 있다. 여기서 제1조각데이터와 제2조각데이터, 제3조각데이터는 전술한 바와 같이 하모닉 성분의 포함 유무 및 1차 사이드밴드 성분의 포함 유무로 구분될 수 있다.
도 4는 일 실시예에 의한 본 발명인 고장 진단용 학습 데이터 생성 시스템에서 분석연산부가 분석연산값을 연산하는 과정을 도시한 것이다.
분석연산부(130)는 분할데이터와 각각의 조각데이터를 이용하여 분석연산값을 연산한다.
분석연산부(130)는 기설정된 분석연산함수가 저장되어 있다.
본 발명의 분석연산함수를 구성하는 각 기호는 다음과 같다.
: 크기가 가장 큰 값
이하에서는 분석연산함수와 각각의 의미에 대하여 설명하도록 하겠다.
우선 분할데이터를 이용하여 연산되는 분석연산값은 다음과 같다.
RMS는 전체 진동의 크기를 나타냄
CF는 충격성 진동의 정도를 나타냄
Kurtosis는 원 신호의 4차 모멘트 값으로, 원신호의 확률밀도함수 분포에서 이상값이 발생할 가능성이 얼마나 클지 나타냄
제1조각데이터를 이용하여 연산되는 분석연산값은 다음과 같다.
FM0는 하모닉 성분의 진동에 대한 피크값의 비율로, 감속기(30)의 나사산(치)의 손상 또는 마모 등과 같은 주요한 이상이 있는지를 체크하는 값
제2조각데이터를 이용하여 연산되는 분석연산값은 다음과 같다.
FM4는 제2조각데이터의 확률밀도함수 분포에서 이상 발생 가능성의 정도를 예측하는 값. 감속기(30)의 나사산(치)가 한 개 또는 두개 손상되었을 때 검출됨. 감속기(30) 전체가 손상되었을 때 검출값은 낮아짐. 초기 감속기(30)의 손상을 검출하는데 활용됨.
M6A는 감속기(30)의 표면이 손상?榮쩝嗤? 알 수 있음
M8A는 M6A를 개선한 값으로 감속기(30)의 표면이 손상되었는지를 알 수 있음
제3조각데이터를 이용하여 연산되는 분석연산값은 다음과 같다.
NA4는 제3조각데이터의 4차 모멘트로, 제3조각데이터의 확률밀도함수 분포에서 이상값이 발생할 가능성이 클지 작을지를 나타내는 값. 감속기(30)의 나사산(치)의 면의 피팅 손상을 검출할 수 있음
한편, 분석연산부(130)는 사용자의 선택에 따라 제1조각데이터 및 제2조각데이터를 이용하여 다음과 같은 분석연산값을 연산할 수도 있다.
ER은 제1조각데이터와 제2조각데이터의 RMS비율.
분석연산부(130)는 분할데이터, 제1조각데이터, 제2조각데이터, 제3조각데이터를 이용하여 분석연산값을 연산할 수 있다.
도 5는 일 실시예에 의한 감속기 진단 시스템의 학습데이터를 도시한 것이다.
분석연산부(130)에 의하여 연산된 분석연산값은 정리되어 학습데이터로 생성되고, 구분되어 인식부(140)에 저장될 수 있다. 즉, 도 5와 같이 예를 들어 332개의 분할데이터가 있는 경우 332*3개의 조각데이터가 생성되고 332*3*9(또는 10)의 분석연산값들이 생성될 수 있다. 이들은 도 5에서 도시된 바와 같이 각각의 조각데이터와, 각각의 분할데이터에 따라 구분되고 정렬되어 인식부(140)에 저장될 수 있다. 본 발명은 이와 같이 감속기(30) 진단 시 활용될 학습데이터를 생성할 수 있다.
인식부(140)는 학습데이터를 구분하여 저장한다.
일례로 학습데이터는 장상인 대상감속기(30)로부터 획득된 데이터일 수 있으며 고장된 대상감속기(30)로부터 획득된 데이터일 수 있다. 그리고 대상감속기(30)의 고장의 경우도 다양할 수 있는데, 일례로 첫 번째 치(기어)가 고장된 경우 또는 대상감속기(30)가 제대로 치합되지 않아서 발생되어 고장난 경우 등이 있을 것이다.
인식부(140)는 대상감속기(30)로부터 이상판단부(100)의 분할부(110), 필터링부(120), 분석연산부(130) 및 인식부(140)를 통하여 최종 생성된 학습데이터는 각각 분할되어 저장될 수 있다.
이와 같이 저장된 학습데이터는 다량일 수 있다.
도 6은 일 실시예에 의한 본 발명인 감속기 진단 시스템에서 선정학습부가 판단알고리즘을 선정하는 순서를 블록도로 도시한 것이다.
선정학습부(150)는 복수의 판단알고리즘 중 전술하여 분리하여 저장된 학습데이터를 이용하여 어느 하나의 판단알고리즘일 수 있다. 일례로 복수의 판단알고리즘은 knn, svm Navie Bayes 등일 수 있다. 선정학습부(150)는 인식부(140)가 저장된 복수개의 판단 알고리즘 중 일부는 판단알고리즘에 학습용으로 활용하여 판단알고리즘을 학습시키고, 나머지 일부는 판단알고리즘의 테스트용으로 선정할 수 있다.
일례로 복수의 학습데이터의 총 개수 대비 판단알고리즘의 학습용으로 활용되는 학습데이터는 70%일 수 있다. 선정학습부(150)는 나머지 학습데이터의 30%는 판단알고리즘의 테스트용으로 활용할 수 있다.
선정학습부(150)는 테스트 결과, 가장 정확도 높게 감속기(30)의 이상 및 진단을 판단한 결과를 바탕으로 감속기(30)의 이상 여부를 판단할 감속기(30)를 선정할 수 있다.
선정학습부(150)가 판단알고리즘을 선정하면, 이후 이상판단부(100)는 대상감속기(30)를 이용하여 선정된 판단알고리즘의 학습을 수행한다. 여기서, 이상판단부(100)의 인식부(140)는 감속기(30)의 위치(출력축(20)의 위치)별로 학습데이터를 구분하여 저장한다. 이러한 것은 설정된 주기로 진동데이터를 분할하여서 가능할 수 있다. 예를 들어 대상감속기(30)가 1회전 하는 경우 대상감속기(30)의 치(기어)가 60개가 있고 1회전 시 60초가 걸리는 경우, 1초 단위로 진동데이터를 생성하면 첫 번째 기어부터 마지막 기어가 회전 시 발생되는 진동데이터를 획득할 수 있을 것이다.
따라서 출력축(20)의 각 위치별 학습데이터가 생성될 수 있다.
이와 같이 이상판단부(100)는 학습 선정된 판단알고리즘을 다시 학습시켜 판단알고리즘의 정확도를 향상시킬 수 있다.
본 발명은 이와 같이 이상판단부(100)를 통하여 추후 감속기(30)가 입력축(10)과 출력축(20) 사이에 배치되어 실험되는 경우 감속기(30)의 이상을 정확하게 진단할 수 있다.
도 7은 일 실시예에 의한 본 발명인 감속기 진단 시스템의 이상판단부가 감속기의 위치별 학습데이터를 학습하는 상태를 도시한 것이다.
전술한 바와 같이 이상판단부(100)의 선정학습부(150)가 판단알고리즘을 선정하면, 본 발명은 대상감속기(30)를 이용하여 인식부(140)에 위치별 학습데이터를 생성하여 저장하여 판단알고리즘을 학습시킨다. 이는 전술한 바와 같이 대상감속기(30)의 각각의 치(기어)의 위치를 정확하게 알 수 있기 때문이다. 대상감속기(30)를 이용하여 대상감속기(30)의 치가 정상일 때 비정상일 때 생성되는 학습데이터를 이용하여 판단알고리즘을 학습시킨다.
여기서 생성되는 학습데이터는 전술한 바와 같이 일부는 판단알고리즘의 학습에 활용되고 나머지 일부는 실제 감속기(30)의 이상을 판단하기 전 최종 테스트 용으로 활용될 수 있다.
본 발명은 특정한 실시 예에 관련하여 도시하고 설명하였지만, 이하의 특허청구범위에 의해 제공되는 본 발명의 기술적 사상을 벗어나지 않는 한도 내에서, 본 발명이 다양하게 개량 및 변화될 수 있다는 것은 당 업계에서 통상의 지식을 가진 자에게 있어서 자명할 것이다.
10 : 입력축
20 : 출력축
30 : 감속기 또는 대상감속기
40 : 진동센서부
100 : 이상판단부
110 : 분할부
120 : 필터링부
130 : 분석연산부
140 : 인식부
150 : 선정학습부
20 : 출력축
30 : 감속기 또는 대상감속기
40 : 진동센서부
100 : 이상판단부
110 : 분할부
120 : 필터링부
130 : 분석연산부
140 : 인식부
150 : 선정학습부
Claims (5)
- 감속기의 이상을 진단하는 감속기 진단 시스템에 있어서,
입력축과 회전축 사이에 배치되어 상기 입력축의 회전력을 상기 회전축으로 전달하는 감속기의 일측에 위치되어 상기 감속기의 진동을 측정하여 진동데이터를 생성하는 진동센서부; 및
감속기가 정상인 경우와 비정상인 경우인 경우가 구분된 학습데이터가 기저장되어 있으며 상기 학습데이터를 이용하여 선정된 판단알고리즘을 이용하여 상기 진동센서부가 송신하는 진동데이터를 수신하여 상기 감속기의 이상 여부를 판단하는 이상판단부를 포함하며,
상기 이상판단부의 학습데이터는
대상감속기를 입력축과 회전축 사이에 배치하여 상기 대상감속기의 진동데이터를 설정된 주기로 분할한 분할데이터를 이용하여 생성되며,
상기 분할데이터는 상기 입력축의 회전주기에 따라 상기 진동데이터가 분할되어 복수개 생성되고,
각각의 분할데이터는 상기 입력축의 회전 주파수 성분, 하모닉 성분, 상기 감속기의 기어 맞물림 주파수와 하모닉 성분이 포함된 신호인 제1조각데이터와,
상기 제1조각데이터에서 상기 기어 맞물림 주파수와 상기 하모닉 성분이 제거되며, 상기 기어 맞물림 주파수의 1차 사이드 밴드 성분이 포함된 제2조각데이터와,
상기 제2조각데이터에서 상기 1차 사이드 밴드 성분이 제거된 제3조각데이터를 포함하며,
상기 이상판단부는 기설정된 분석연산함수를 이용하여 상기 분할데이터, 제1조각데이터, 제2조각데이터 및 제3조각데이터를 이용하여 분석연산값을 연산하여 상기 학습데이터로 이용하는 것
을 특징으로 하는 감속기 진단 시스템. - 삭제
- 제1항에 있어서,
상기 이상판단부는
상기 대상감속기를 이용하여 생성되는 학습데이터를 상기 대상감속기가 정상인 경우와 비정상인 경우로 구분하여 저장하는 인식부를 포함하는 것
을 특징으로 하는 감속기 진단 시스템. - 제3항에 있어서,
상기 이상판단부는,
감속기의 이상을 판단하는 복수의 판단알고리즘이 저장되어 있으며,
상기 입력축이 동작되어 생성되는 복수의 학습데이터 중 일부의 학습데이터를 이용하여 상기 입력되는 상기 복수의 판단알고리즘을 테스트하여 상기 복수의 판단알고리즘 중 어느 하나를 선정하는 선정학습부
를 포함하는 감속기 진단 시스템. - 제3항에 있어서,
상기 인식부는
상기 감속기에 연결된 출력축의 위치에 대응되는 학습데이터를 구분하여 저장하는 것
을 특징으로 하는 감속기 진단 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210186531A KR102600938B1 (ko) | 2021-12-23 | 2021-12-23 | 감속기 진단 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210186531A KR102600938B1 (ko) | 2021-12-23 | 2021-12-23 | 감속기 진단 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230096734A KR20230096734A (ko) | 2023-06-30 |
| KR102600938B1 true KR102600938B1 (ko) | 2023-11-09 |
Family
ID=86959856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210186531A KR102600938B1 (ko) | 2021-12-23 | 2021-12-23 | 감속기 진단 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102600938B1 (ko) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3449194B2 (ja) * | 1997-01-28 | 2003-09-22 | 松下電工株式会社 | 回転機器の異常診断方法およびその装置 |
| KR101981624B1 (ko) | 2018-10-16 | 2019-05-23 | 엘아이지넥스원 주식회사 | 빅데이터 기반 인공지능 기술을 이용한 저피탐 표적 탐지 장치 및 그 방법 |
| KR102247013B1 (ko) | 2019-05-03 | 2021-04-30 | 한국콘베어공업주식회사 | 기계부품 고장예지 및 수명예측 시스템 및 이를 기반으로 한 b2b 유통 서비스 시스템 |
| KR102298062B1 (ko) * | 2019-12-26 | 2021-09-06 | 주식회사 모트롤 | 감속 장치의 고장진단 장치 및 방법 |
-
2021
- 2021-12-23 KR KR1020210186531A patent/KR102600938B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230096734A (ko) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3776113B1 (en) | Apparatus and method for controlling system | |
| Jaber et al. | Fault diagnosis of industrial robot gears based on discrete wavelet transform and artificial neural network | |
| ES2540859T3 (es) | Generador de señal inferencial para equipos y procedimientos instrumentados | |
| KR101748559B1 (ko) | 회전체 진단 장치 및 방법 | |
| CN108332970A (zh) | 一种基于ls-svm和d-s证据理论的轴承故障诊断方法 | |
| Jaber et al. | Industrial robot backlash fault diagnosis based on discrete wavelet transform and artificial neural network | |
| Nandi et al. | Intelligent vibration signal processing for condition monitoring | |
| CN111126433A (zh) | 一种工厂pcb板缺陷检测中正负样本数据平衡方法 | |
| Medina et al. | Vibration signal analysis using symbolic dynamics for gearbox fault diagnosis | |
| KR20210061517A (ko) | 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치 | |
| JP7481897B2 (ja) | 監視装置、監視方法、プログラムおよびモデル訓練装置 | |
| CN117906991A (zh) | 旋转机械的机器健康监测 | |
| CN107491374A (zh) | 一种设备停机状态的判断方法及计算设备 | |
| KR20190102980A (ko) | 회전 장치의 적어도 하나의 가동부에서의 결함 발생 감지 및 모니터링 방법과 관련 시스템 | |
| KR102600938B1 (ko) | 감속기 진단 시스템 | |
| KR102240775B1 (ko) | 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법 | |
| US20240109237A1 (en) | Abnormality Detection System, Molding Machine System, Abnormality Detection Apparatus, Abnormality Detection Method and Non-Transitory Computer Readable Recording Medium | |
| Popiołek et al. | Diagnosing the technical condition of planetary gearbox using the artificial neural network based on analysis of non-stationary signals | |
| Sanchez et al. | Real-Time Neural Classifiers for Sensor Faults in Three Phase Induction Motors | |
| WO2020162425A1 (ja) | 解析装置、解析方法、およびプログラム | |
| CN117076935A (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
| KR101697954B1 (ko) | 기어의 고장 진단 및 구분 방법 | |
| KR20230096720A (ko) | 감속기 고장 진단용 학습 데이터 생성 시스템 | |
| CN114970624A (zh) | 双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法 | |
| Wasif et al. | Application of multi-fuzzy system for condition monitoring of liquid filling machines |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |